Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 2 of 2
Back to Result List

Nachhaltigkeitsbewertung von Gewerbegebieten - Entwicklung eines KPI-Sets und Untersuchung bestehender Tools anhand zweier Fallbeispiele

  • Die Auswirkungen des Klimawandels sind zunehmend spürbar, weshalb eine nachhaltige Transformation in allen Siedlungsgebieten erforderlich ist. Insbesondere Gewerbegebiete erfordern eine Transformation zu nachhaltigen Gebieten, um ihre Zukunftsfähigkeit sicherzustellen. Um dies effektiv umzusetzen, ist es notwendig, die Nachhaltigkeit von Gewerbegebieten zu quantifizierbar zu erfassen. Ziel dieser Bachelorarbeit ist die Entwicklung geeigneter Key Performance Indicators (KPI), die auf Grundlage öffentlich verfügbarer oder standardisierter Daten automatisiert für Gewerbegebiete in Deutschland ermittelt werden können. Wesentliche Handlungsfelder, die sowohl für Gewerbe- als auch für Wohngebiete relevant sind, umfassen Klimaschutz, Klimaanpassung, Biodiversität, Flächenressourcen und Mobilität. Die aktuell ermittelbaren Indikatoren wurden anhand zweier Fallstudiengebiete berechnet. Dabei wurde auch das Simulationstool SimStadt hinsichtlich bestehender Lücken analysiert und daraus konkrete Anforderungen abgeleitet, um das Tool für die Anwendung auf Gewerbegebiete zu erweitern. Die Analyse zeigt, dass die derzeit allgemein zugängliche Datengrundlage zur automatisierten Berechnung der KPIs für Gewerbegebiete stark eingeschränkt ist. Dennoch ermöglicht eine Vereinfachung bei der Wahl der Flächenbezugsgrößen die Bildung sinnvoller KPI, mit denen aufgezeigt werden kann, in welchen Handlungsfeldern spezifische Gewerbegebiete nachhaltiger entwickelt werden müssen. Von den vier KPI, die durch SimStadt ermittelt werden können, liefern aktuell nur zwei KPI plausible Ergebnisse und sind folglich auf Gewerbegebiete derzeit anwendbar. Um die übrigen beiden Workflows ebenfalls zu nutzen, müssen die vorhandenen Bibliotheken zunächst auf Nicht-Wohngebäude erweitert werden. Zukünftig ist es außerdem erforderlich, Python-Skripte und Deep-Learning-Algorithmen zur automatisierten Datenerhebung und -filterung zu entwickeln, um die Ermittlung der weiteren KPIs automatisiert zu ermöglichen.
Metadaten
Author:Célia Stoll
URN:urn:nbn:de:bsz:1033-opus-12360
Advisor:Bastian Schröter, Markus Binder
Document Type:Bachelor Thesis
Language:German
Year of Completion:2025
Year of first Publication:2025
Publishing Institution:Hochschule für Technik Stuttgart
Date of final exam:2025/07/17
Release Date:2025/08/13
Tag:Gewerbegebiet; Nachhaltigkeitsbewertung; SimStadt
Page Number:89
Programmes:KlimaEngineering / Climate Engineering (Bachelor)
Projects:IndSupply
Access status:open_access
Competence Centres:(zafh.net) Kompetenzzentrum Nachhaltige Energietechnik / Sustainable Energy Technology Competence Centre
Licence (German):License LogoCreative Commons - CC BY-NC-SA - Namensnennung - Nicht kommerziell - Weitergabe unter gleichen Bedingungen 4.0 International