BIOLOGIK · Dr. Stephanie Wohlfahrt
Daten verstehen. Natur erhalten.

Der Effekt, den man ohne Kontrollflächen nicht sieht

Wie eine Ausgleichsmaßnahme für die Zauneidechse „wirkungslos“ aussieht – und wie BACI / Difference-in-Differences zeigt, dass sie den Bestand gerettet hat.

Die Ausgangslage

Auf der Ausgleichsfläche tut sich – scheinbar – nichts

Ein Eingriff wird mit einer Ausgleichsmaßnahme kompensiert (Lesesteinhaufen, Sonnplätze, extensive Mahd). Man zählt drei Jahre lang die Zauneidechse und vergleicht die Ausgleichsfläche vorher mit nachher. Das Ergebnis: praktisch unverändert (Faktor × 0,99). Das naheliegende Fazit lautet „keine Wirkung nachweisbar“ – und wäre grundfalsch.

Maximale Aktivitätsdichte je Untersuchungsjahr, gereinigte Daten. 6 Ausgleichs- + 6 Kontrolltransekte, 250 m / 1 h, 6 Begehungen/Jahr.

Der Blick, der alles ändert

Die Kontrollflächen brachen um 40 % ein

Zwei schlechte Jahre, ein regionaler Rückgang – auf den Kontrollflächen ging die Zauneidechse um 40 % zurück. Vor diesem Hintergrund heißt „auf der Ausgleichsfläche blieb es gleich“ nicht nichts passiert, sondern: die Maßnahme hat den Rückgang aufgefangen, der überall sonst stattfand. Genau diese Differenz misst das Difference-in-Differences-Modell.

Beobachtete Ausgleichsfläche (dunkel) gegen Kontrolle (Periwinkle) und den kontrafaktischen Verlauf ohne Maßnahme (gestrichelt). Der türkise Abstand = kausaler Effekt der Maßnahme.
Aus „× 0,99 – keine Wirkung“ wird: Die Maßnahme hat die Aktivitätsdichte gegenüber dem kontrafaktischen Verlauf rund verdoppelt – +85 % (p = 0,027) – und den regionalen Rückgang nicht nur ausgeglichen, sondern überkompensiert.

Warum die Methode zählt

Dieselben Daten, vier Antworten

Je nachdem, wie man rechnet, ergibt genau dieser Datensatz „Maßnahme wirkungslos“, „Maßnahme schädlich“ oder „Maßnahme verdoppelt den Bestand“. Nur das BACI/DiD-Modell trennt die Wirkung sauber vom regionalen Hintergrund – mit Konfidenzintervall.

Türkis: das belastbare BACI/DiD-Modell mit 95%-Konfidenzintervall (×1,07 bis ×3,21). Werte unter 1,0 bedeuten „Maßnahme sah wirkungslos oder schädlich aus“.

Der Schlüsselmoment

Nachvollziehbare Datenaufbereitung entscheidet – vor jedem Modell

In großen, laufend nachkommenden Monitoringdaten schleichen sich Grenzfälle und Fehler still ein. Nicht, weil jemand naiv wäre – sondern weil sie erst in einem späteren Rechenschritt zur Verzerrung werden. Zwei Beispiele aus genau diesem Datensatz:

×0,94 → ×1,94
Ein einziger Zahlendreher (55 statt 5) auf einer Kontrollfläche kippt das deskriptive Ergebnis von „Maßnahme schädlich“ zu „deutlich positiv“.
+85 %
im gereinigten Modell (p = 0,027) – auf ungereinigten Daten nur +56 % und nicht mehr signifikant (p = 0,15). Ohne saubere Aufbereitung verfehlt man den echten Effekt.
0 Eidechsen ≠ keine Eidechsen. Begehungen bei ungeeignetem Wetter (11 °C, bedeckt) sind strukturelle Nullen, kein Abwesenheitsbeleg. Und eine ausgefallene Begehung bleibt NA – niemals stillschweigend eine 0. Solche Regeln gehören einmal, transparent und für alle Flächen gleich ins Skript.

Das eigentliche Angebot

Datenhandling als eigene Leistung

Nachvollziehbare Aufbereitung ist keine Fußnote im Methodenteil – sie ist selbst eine Dienstleistung, und sie gewinnt an Wert, je größer und wiederkehrender die Datenströme werden.

Nichts wird überschrieben

Rohdaten bleiben unangetastet; jede Änderung passiert in einem versionierten Skript, mit Begründung – jahrelang rückverfolgbar, auch vor einem Gegengutachten.

Es skaliert

Bei tausenden Zeilen, mehreren Beobachter:innen und laufend nachkommenden Daten wird Excel-Handarbeit chaotisch. Eine saubere Pipeline verhindert die stillen Fehler.

Helfer-Skripte statt Fleißarbeit

Datenintake, Plausibilitätsprüfung, Wetterfenster-Filter – einmal geschrieben, bereiten sie jeden neuen Datenstand automatisch und identisch auf. BIOLOGIK übernimmt das komplett.

Rohe Zahlen können eine erfolgreiche Maßnahme wie ein Versagen aussehen lassen. Erst Kontrollflächen, die richtige Methode und saubere Datenaufbereitung zeigen, was tatsächlich im Freiland passiert ist.

Sie haben ein Monitoring, das mehr hergibt?

Ob Wirksamkeitskontrolle einer Ausgleichsmaßnahme, FFH-Erhaltungszustand oder Eingriffs-Beweissicherung – oft steckt in bereits erhobenen Freilanddaten eine belastbarere Aussage, als der Bericht bisher hergibt. Lassen Sie uns 30 Minuten gemeinsam draufschauen.

Dr. Stephanie Wohlfahrt – BIOLOGIK · www.biologik.at

Methodik & Daten. Simulierter, realistisch parametrisierter Beispieldatensatz (kein reales Projekt), reproduzierbar in R (base + MASS, set.seed(101)). Analyse: negativ-binomiales GLM mit Standort-Fixeffekten, Perioden-Term und Detektionskovariablen; DiD-Term = Behandlung × nachher. Wahrer simulierter Effekt +75 % (im 95%-KI enthalten). Zweck: Methoden-Demonstration und Kommunikation, kein Gutachten. Analyse & Grafik: BIOLOGIK.