Kausalitätsanalyse Simpla Grün​

Diese Arbeit untersucht die Wirkungsmechanismen von Qualitätsverbesserungsmassnahmen für Grüngut mittels graphenbasierter Kausalanalyse. Ziel ist es, kausale Zusammenhänge zu identifizieren, die über reine Korrelationen hinausgehen und handlungsrelevante Erkenntnisse für die Optimierung der Grüngutqualität liefern.

Grüncontainer in einer Deutschschweizer Gemeinde

Ausgangslage

Das Forschungsprojekt SIMPLA Grün ist eine Zusammenarbeit zwischen Biomasse Suisse und der Fachhochschule Nordwestschweiz. Es soll herausfinden, welche Faktoren das Entsorgungsverhalten beeinflussen und welche Massnahmen geeignet sind, um den Fremdstoffgehalt in Bioabfällen zu reduzieren. Für dieses Projekt wurden Grüncontainer in diversen Deutschschweizer Gemeinden analysiert und ausgewertet. Aus diesen Analysen und zusätzlichen Daten über die Gemeinden und ihren Umgang mit Grünabfällen sind die Daten entstanden, welche für diese Kausalanalyse verwendet wurden.

Die Analyse basiert auf Daten von 353 Grüncontainern aus etwa 20 Deutschschweizer Gemeinden. Diese Daten umfassen Informationen zu Containereigenschaften, Füllständen, Qualitätsbewertungen sowie zugeordneten Gebäude- und Wohnungsdaten. Zuvor wurde bereits ein Vorhersagemodell erstellt, welches die Qualität der Grüncontainer anhand verschiedener Faktoren prognostiziert. Diese Arbeit baut darauf auf und versucht, die Ursachen und deren Wirkungen im Datensatz zu identifizieren.

Zielsetzung

Ziel dieser Arbeit ist es, im Rahmen des Forschungsprojektes SIMPLA Grün eine Kausalanalyse durchzuführen und so die Ursprünge der Qualitätsunterschiede herauszufinden. Dabei wird auf die erhobenen Daten sowie Erkenntnisse aus der Modellierung aufgebaut. Es wird versucht, die Ursachen und deren Wirkungen im Datensatz zu identifizieren, die über reine Korrelationen hinausgehen und handlungsrelevante Erkenntnisse für die Optimierung der Grüngutqualität liefern.

Zur Identifikation kausaler Strukturen wurde ein bayessches Netzwerk mit gerichteten azyklischen Graphen (DAGs) erstellt, wobei sowohl algorithmische Methoden (Hill Climb Algorithmus) als auch Expertenwissen zur Strukturierung des Graphen eingesetzt wurden. Die kausalen Effekte wurden mittels do-Kalkül quantifiziert, welches gezielte Interventionen simuliert und deren Auswirkungen auf die Zielvariable «Rating» (Grüngutqualität) berechnet.

Ergebnisse

Die zentrale Erkenntnis der Analyse ist, dass der Füllstand des Containers (FillLevel) die einzige Variable mit direktem kausalem Einfluss auf die Grüngutqualität darstellt. Alle anderen identifizierten Einflussfaktoren wirken indirekt über FillLevel auf die Qualität. Die Interventionsanalyse zeigt, dass das Fülllevel mit Abstand den stärksten kausalen Effekt aufweist, gefolgt von weiteren wichtigen Faktoren.

Die wichtigsten Erkenntnisse im Überblick:

• Füllstand (FillLevel): Weist den stärksten kausalen Effekt auf (Spannweite der Erwartungswerte: 0.778). Ein optimaler Füllstand zwischen 65% und 94% führt zu den besten Qualitätsergebnissen.
• Containergrösse: Zeigt den zweitstärksten Effekt (0.132) und wirkt indirekt über den Füllstand auf die Qualität.
• BAW-Säcke-Nutzung: Hat einen moderaten Effekt (0.087) und kann zur Optimierung des Füllstands beitragen.
• Abholfrequenz: Weist einen kleineren, aber messbaren Effekt auf (0.055), wobei höhere Frequenzen zu leicht besseren Ergebnissen führen.
• Nachbarschaftsdichte: Beeinflusst die Qualität indirekt über den Füllstand und die Containergrösse.

Basierend auf diesen Erkenntnissen lassen sich vier konkrete Interventionsstrategien ableiten:

1. Optimierung des Container-Füllstands: Die bedarfsgerechte Auswahl von Containergrössen und angepasste Abholfrequenzen zeigen das höchste Potenzial, da das Fülllevel den stärksten identifizierten Effekt aufweist.

2. Anpassung der Containergrösse: Die Auswahl der Containergrösse sollte an die Nachbarschaftsdichte und Bevölkerungsstruktur angepasst werden, um indirekt über FillLevel die Qualität zu verbessern.

3. Optimierung der Abholfrequenz: Höhere Abholfrequenzen zeigen positive Effekte auf die Grüngutqualität, wobei die Kosten-Nutzen-Relation berücksichtigt werden muss.

4. Förderung der BAW-Säcke-Nutzung: Die Verwendung von BAW-Säcken kann zusätzlich zur Optimierung des Füllstands beitragen, zeigt jedoch einen geringeren Effekt als die anderen Massnahmen.

Hinweis zur Interpretation: Die Ergebnisse müssen mit Vorsicht interpretiert werden, da die Analyse auf einer relativ kleinen Stichprobe (353 Beobachtungen) und einer stark unausgeglichenen Datenverteilung basiert, bei der etwa 90% der Container das beste Rating aufweisen. Zudem basiert die zentrale Annahme, dass FillLevel direkt kausal auf Rating wirkt, auf Expertenwissen und wurde nicht experimentell validiert. Dennoch liefert die Analyse wertvolle erste Erkenntnisse über mögliche kausale Zusammenhänge und identifiziert konkrete Ansatzpunkte für weitere Untersuchungen.

Technische Schlüsselbegriffe

• KausalanalyseIdentifikation von Ursache-Wirkungs-Beziehungen über reine Korrelationen hinaus
• Bayessche NetzwerkeProbabilistische grafische Modelle zur Darstellung kausaler Zusammenhänge
• DAG (Directed Acyclic Graph)Gerichteter azyklischer Graph zur Modellierung kausaler Strukturen
• do-KalkülMathematisches Framework zur Quantifizierung kausaler Effekte durch Interventionen
• Hill Climb AlgorithmusAlgorithmus zur automatischen Strukturfindung in bayesschen Netzwerken
• InterventionsanalyseSimulation gezielter Eingriffe zur Messung kausaler Effekte

Projektpartner

Biomasse Suisse
Zusammenarbeit im Rahmen des Forschungsprojekts SIMPLA Grün
www.biomassesuisse.ch

Team