Auswirkungen von Naturgefahren auf die Immobilien- und Grundstückspreise

Diplomarbeit von Ronald Weberndorfer

Einleitung:

Dass sich das Klima ändert, ist für die meisten nichts Neues mehr, die steigenden Temperaturen zerstören den Lebensraum hochalpiner Pflanzen, lassen Gletscher schmelzen, rufen Ernteausfälle durch Dürre hervor und bedeuten für uns Menschen neue Gesundheitsrisiken. Es gibt allerdings auch „positive“ Effekte der Erwärmung z.B.:Ausgestorbene Insekten kehren ins Marchfeld zurück oder Winzer und Bauern in höher gelegenen Lagen erhalten neue Anbauflächen. Ob dies wirklich positiv ist, soll jeder für sich selbst entscheiden. Meiner Meinung nach ist die Verliererseite auf alle Fälle stärker vertreten.

Die vielen dadurch entstandenen extremen Wetterereignisse, welche man schon seit längerem beobachten kann, wie etwa der Lawinenwinter 1998 / 1999, der Wintersturm Lothar 1999, die Hochwasserkatastrophe im August 2002 (Österreich, Tschechien, Deutschland) oder der Dürresommer 2003, werden zunehmend auch von der Bevölkerung stärker wahrgenommen.

Auch aktuelle Ereignisse wie die starken Hagelniederschläge Ende August 2007 in Kärnten, welche binnen kürzester Zeit 3.700 ha landwirtschaftliche Flächen im Wert von einer Million Euro zerstörten und einen Sachschaden von zehn Millionen Euro durch kaputte Dächer von Häusern und Hofgebäuden verursachten, rücken Naturgefahren zunehmend in das Bewusstsein der breiten Öffentlichkeit.

Ein Individuum kann ohne Probleme all das ausblenden oder verdrängen („das geschieht doch nicht bei mir zuhause“), aber was passiert, wenn durch nicht direkt sichtbare Folgen der Erwärmung plötzlich die eigenen vier Wände durch eine Mure, Steinschlag oder Hochwasser bedroht sind?

Führt dies in weiterer Folge dazu, dass die Bevölkerung derartige Ereignisse auch beim Kauf von Grundstücken und Immobilien bedenkt und werden somit unbewusst die Immobilienpreise am derzeitigen Markt beeinflusst oder nehmen Naturgefahren keinen oder nur einen sehr geringen Stellenwert bei der Preisbildung ein?

Da diese Einflüsse noch nicht gut genug beleuchtet sind, möchte ich in meiner Arbeit genau an diesem Schlüsselpunkt ansetzen und untersuchen, ob derartige Effekte bereits eingetreten sind und wenn ja in welchem Ausmaß diese zutage treten. Interessant dabei ist auf welche Bereiche einer Region sich diese Effekte auswirken und wie diese verstärkt oder geschwächt werden.

Als Untersuchungsregion habe ich das Bundesland Kärnten gewählt, da in diesem gleichermaßen alpine Regionen wie auch flache Gebiete vorhanden sind.

In meiner Arbeit werde ich verschiedene Quellen für GIS-Daten in Kärnten anzapfen, um diese in einem zweistufigen Analyseverfahren zur Auswertung der Immobilienpreise in Bezug auf die verschiedensten Naturgefahren zu verwenden.

Im ersten Analyseteil wird für eine GIS- mäßige Betrachtung der vorhandenen Naturgefahren (Lawinen, Muren, Hochwasser, Hagel, Steinschlag,…) ein automatisiertes Gefahrensimulationsmodell entwickelt, um regionale Unterschiede der Gefährdung durch Naturgefahren evaluieren und visualisieren zu können.

Im zweiten Teilabschnitt der Analyse werden dann Immobilienpreise mit den zuvor ermittelten Schadenseignungen verschnitten und mit einem statistischen Verfahren ausgewertet.

Als Ergebnis erhoffe ich mir dann Aussagen zu: Gibt es Auswirkungen auf die Immobilienpreise im „Einzugsgebiet“ von Naturgefahren, wenn ja welche und in welchem Ausmaß treten diese zutage.

Inhaltsverzeichnis:

Textprobe:

Kapitel 4.4, Gefahrensimulationsmodell: Datenintegration: Ein grundlegendes Problem bei der Aufstellung eines derartigen Modells ist es, die vielfältigen Eingangsdaten auf eine gleiche gemeinsame Basis zu bringen. Wie dies im vor-liegenden Fall geschehen ist, soll in diesem Kapitel geklärt werden. Hierfür werden die Rechenwege aller schon in der obigen angeführten eingehenden Gefahrendatenschichten inklusive der dazugehörigen Unterkategorien detailliert erläutert, um die Funktionsweise des Gefahrensimulationsmodells nachvollziehbar zu machen.

Bei der folgenden Beschreibung werden allerdings nicht immer alle Rechenschritte erklärt, sondern nur jene, die für das allgemein logische Verständnis vonnöten sind. Die einzelnen Funktionsknoten der MapModels werden im Text kursiv geschrieben, ihre Parameter durch eine geschwungene Klammer gekennzeichnet und mit einer Fußnote versehen, die beim erstmaligen Auftreten einer Funktion immer eine kurze Erklärung aus dem User Manual Version 1.1 beta von Leop’s Map Models oder eigene Ausführungen enthält. Die Farbgebung (grün: Input in das Modell, grau: diverse Funktionsknoten, blau: Fuzzyfizierung, rosa: startet Submodell, rot: Output des Modells) der Funktionsknoten in den nächstfolgenden Abbildungen des Gefahrensimulationsmodells hilft, die Struktur des jeweiligen Modells zu erkennen.

Alle folgenden Rasteranalysen werden mit einer Zellgröße von 50x50m berechnet. Eine höhere Auflösung ist aufgrund begrenzter Speicher- und Rechnerleistung nicht möglich. Das komplette Gefahrensimulationsmodell benötigt etwa 13 Gigabyte Speicherplatz, was zeigt, dass mit der 50m Auflösung bereits eine sehr hohe Auflösung für den Untersuchungsraum Kärnten gewählt wurde.

Kapitel 4.4.1, Statische Daten (1.): Nach der in festgelegten Modellstruktur werden nun zunächst die statischen Eingangsdaten beschrieben. Der Begriff „statisch“ umfasst in diesem Fall alle folgenden Datensätze, die bei der Analyse über den gesamten Zeitraum unveränderlich bleiben, da sie aufgrund von Festlegungen (z.B.: Gefahrenzonenpläne), Feststellungen (z.B.: Höhenlage bei Schneelasten) oder aus sonstigen Gründen nicht für die unterschiedlichen Jahre (2001-2006) des Untersuchungszeitraumes verfügbar sind.

Kapitel 4.4.1.1, Schadenspotenzial (1.1.): Wie bereits festgestellt wurde, entstehen Schäden erst, wenn menschliche Werte betroffen sind, was gleichermaßen auch für das vor-herrschende Schadenspotenzial gilt. Der Begriff des Schadenspotenziales wird als „Menge der potenziell durch Naturereignisse beeinträchtigten Objekte in ihrer zeitlichen und räumlichen Verteilung“ bezeichnet. Demnach sind im Fall von Risikoanalysen saisonale Prozesse (z.B.: Lawinen) auch zu berücksichtigen, was allerdings im vorliegenden Modell außer Acht gelassen wird, da hierfür keine flächendeckenden Daten zur Verfügung stehen.

Es ergibt sich demnach bei einer Bewertung, die darauf abzielt, mögliche Schäden zu klassifizieren, die Notwenigkeit, das vorhandene Schadenspotenzial zu eruieren und damit ein Analyseoverlay für das gesamte Gefahrensimulationsmodell zu erstellen. Zur Ermittlung des Schadenspotenzials in der Untersuchungsregion Kärnten werden alle geeigneten Kategorien aus der Realraumanalyse (111 historischer Kern, 112 historische Vorstadt, 121 Dorf mit zentralen Einrichtungen, 131 Dorf und Weiler ohne zentrale Einrichtungen, 141 kleiner Weiler, 151 dicht bebaute Wohnsiedlung, 161 locker bebautes Wohngebiet, 171 Gewerbe- und Handwerkszonen, 181 Industrie und Großgewerbe) sowie die Standorte mit vorhandenen verorteten Immobilienpreisen, welche der Kategorie „kleiner Weiler“ zugerechnet werden, einbezogen. Die Daten werden zu Beginn mit GetFeatures in das Modell geladen und mit Convert Features to Grid in eine Rasterdatenschicht übergeführt. Wie aus der nachfolgenden Abbildung 1 ersichtlich ist, werden die Kategorien mittels dem Befehl Reclassify (111 = 10, 112 = 8, 121 = 6, 131 = 4, 141 = 1, 151 = 9, 161 =7, 171 = No Data, 181 = No Data) gewichtet. Die Kategorien 171 und 181 werden nicht berücksichtigt, da sich die darauf folgende Dichteberechnung auf Wohnungen pro Gemeinde bezieht und des weiteren die vorhandenen Immobilienpreise ausschließlich Wohngrundstücke beschreiben. Parallel zu dieser Gewichtung läuft die Funktion NbrHood Rectangle im Zusammenspiel mit Focal Statistics ab, welche in 500 m Länge wie Breite nachbarschaftliche Zellwerte mittels Summenbildung aggregiert und es somit ermöglicht Zentren in der Wohnungsstruktur ersichtlich zu machen. Diese Zellenwerte werden nun mit den zuvor reklassifizierten (0 =8 o Data, 1-170=1, 171-200=NoData) Zonen multipliziert um einen gewichteten Wohnungsraster zu erreichen (analyse mask ().float). Anschließend werden mittels der Summenfunktion von Zonal Statistics die statistischen Kennwerte auf Gemeindeebene gebracht, um in einem weiteren Schritt unter Zuhilfenahme der Wohnungen pro Gemeinde die Wohnungen pro relative Dichte zu ermitteln. Im abschließenden Rechenschritt wird die analyse mask mit Wohnungen/Rel. Dichte sodann multipliziert und das Ergebnis linear mit der FMF-Methode fuzzyfiziert (0,0068@0; 2,75@0,5; 10@0,9; 61,94@1). Die Wertegrenzen für die Stützpunkte bei der Fuzzyfizierung wurden mit Global Statistics ermittelt. Davon wird der Mittelwert für die halbe Eignungsausprägung und das Maximum für die volle negative Gefahreneignung herangezogen. Bei 0,9 wird ein zweiter Stützpunkt eingefügt, um einzelne sehr hohe Werte auf eine angemessene Ausgabeeignung zu transformieren. Als Output (Wohnungsraster=Gebäuderaster) liegt nun ein Analyseoverlay vor, das es ermöglicht, das Schadenspotenzial aufgrund von Wohnungsanzahl und Siedlungsstruktur wiederzugeben. In dem in Abbildung 2 visualisierten Output lässt sich das erhöhte Schadenspotenzial in Ballungsräumen gut erkennen. Speziell im „Zoom“ auf die Gemeinde Spittal a. d. Drau lassen sich die unterschiedlichen Eignungen des errechneten Schadenspotenzials gut auch über die Wohnstruktur erkennen.

Das Schadenspotenzial hätte auch als dynamische Datenschicht auftreten können, da die Wohnungen pro Gemeinde interpoliert auch jahresweise Verwendung finden könnten. Auf Grund der Tatsache, dass es sich um das Schadenspotenzial handelt, habe ich, um nicht die Ergebnisse der Analyse mit unterschiedlichen jährlichen Datensätzen zu verfälschen, hier die Gebäude- bzw. Wohnungszahldaten vom Jahr 2001 herangezogen.