Sie sind in den Jahren 1955 bis 1969 geboren und treten nun allmählich alle ins Rentenalter ein: die Babyboomer. Da es sich um eine große Gruppe handelt, die ein Fünftel, teils sogar ein Viertel der Bevölkerung ausmacht, stehen Kommunen vor einem Umbruch. Plötzlich sind da Tausende und in Städten Zehntausende, die morgens nicht mehr zur Arbeit fahren wie in den Jahrzehnten davor, sondern zuhause bleiben. Sie sind meist noch fit, haben viel Zeit, spezielle Bedürfnisse und Interessen. Mit zunehmendem Alter treten dann zunehmend Gesundheitsbeschwerden auf. Oder die Babyboomer werden ernsthaft krank. Wie können sich Kommunen auf das Rentenalter von so Vielen vorbereiten? In welcher Form müssen sie sich umorganisieren, altersgerechten Wohnraum schaffen, Nahversorgung und Freizeitangebote an die veränderte Bevölkerungsstruktur anpassen?
Daten statt Bauchgefühl
Im interdisziplinären Forschungsprojekt „Ageing Smart – Räume intelligent gestalten“ arbeiten Expertinnen und Experten aus den Bereichen Stadtsoziologie, Raumplanung, Geographie, Ökonomie, Mathematik, Visualisierung, Softwareentwicklung und Künstliche Intelligenz (KI) zusammen mit sieben Modellkommunen seit 2021 daran, das passende planerische Instrument zu entwickeln: ein Software-Tool, das KI und spezielle mathematische Verfahren verknüpft. „Es soll den Kommunen helfen, auf Basis von Daten – und nicht aus dem Bauch heraus – die richtigen Entscheidungen zu treffen“, so Annette Spellerberg, Professorin für Stadt- und Regionalsoziologie. Um der anspruchsvollen Aufgabe gerecht werden zu können, braucht das Entscheidungsunterstützungssystem viele unterschiedliche Daten, die in ihm gebündelt werden. Unter anderem natürlich Daten über die Protagonisten selbst, die Babyboomer: Wie viele es wo gibt, was ihre Bedürfnisse sind, was das alles für die kommunale Daseinsvorsorge bedeutet.
Zehn Wissenschaftlerinnen und Wissenschaftler mit ihren Teams bauten in den sieben am Projekt beteiligten Modellkommunen die Datengrundlage zur Babyboomer-Topographie auf. Die Kommunen repräsentieren drei typische Siedlungsräume. Der urbane Raum ist vertreten durch die Städte Kaiserslautern, Mannheim und Jena, der suburbane Raum durch die Mittelzentren Nieder-Olm bei Mainz und Remshalden nahe Stuttgart und der ländliche Raum durch das Geisaer Land in Thüringen sowie die pfälzische Verbandsgemeinde Kusel-Altenglan. Klar, die Städte sind etwas anderes als das Land. Aber auch zwischen den Repräsentanten des gleichen Siedlungsraums gibt es Unterschiede, betont Spellerberg. Im Geisaer Land, direkt an der ehemaligen deutsch-deutschen Grenze gelegen, gibt eine ausgeprägte Bezogenheit auf die eigene Region, welche im pfälzischen Kusel-Altenglan in dieser Intensität nicht zu finden ist. Auch bei den Städten zeigen sich Unterschiede: hier das eher finanzschwache Kaiserslautern mit hohem Babyboomer-Anteil, dort das junge wissenschaftsorientierte Jena.
Die Babyboomer-Typen
Die Datenerhebung lief schrittweise ab. 2021 fanden erste Gespräche mit den Kommunen statt, in denen diese die Situation vor Ort bezüglich Babyboomer schilderten. Dann folgte 2022 eine groß angelegte Befragung. In jeder Modellkommune war aus dem Einwohnermelderegister eine repräsentative Stichprobe der 50- bis 75-jährigen gezogen worden. Die Personen wurden angeschrieben, und wer bereit war mitzumachen, füllte einen Fragebogen aus, auf dem Papier oder online. Die Fragen drehten sich um Themen wie Alltagsgestaltung, Lebenslagen, Wohnsituation Haushaltsformen, Verkehrsmittelwahl, Freizeitverhalten, Lebensstil, Lebensqualität, Grundhaltungen. „Wir hatten eine gute Rücklaufquote von 25 Prozent, was rund 3.100 Babyboomern entsprach“, so Spellerberg.
Auf den Umfragen aufbauend entwickelte das Fraunhofer-Institut für Experimentelles Software Engineering (IESE), einer der Projektpartner, als nächstes Personas, teilte die Babyboomer also in bestimmte Gruppen ein: die Häuslich-Sparsamen, die ehrenamtlich und kirchlich organisiert sind; die Familienorientierten, denen Kinder und Enkel über alles gehen; die vielseitig Aktiven, die den Ruhestand genießen und etwas erleben wollen. Dann setzte sich das IESE mit den Kommunen in Workshops zusammen zwecks Bedarfsanalyse. Sprich: Die Kommunen sollten formulieren, welche Informationen sie brauchen. Zum Beispiel wollten sie wissen, ob die Babyboomer alleine leben und in welcher Form Nachbarschaften zu aktivieren wären, um zu verhindern, dass die Menschen vereinsamen. Zweiter Hauptpunkt neben dem Thema Wohnen war das Thema Versorgung. Die Kommunen interessierte, welche Infrastruktur die Babyboomer vor Ort benötigen und wünschen – Einkaufsmöglichkeiten, Ärzte, Freizeitangebote.
Das Erreichbarkeits-Feature
Nun trat das Projekt in die nächste Phase, und da ging es um die technische Umsetzung. Das IESE machte sich daran, das Tool zu programmieren. Neben den Babyboomer-Daten flossen Informationen von den Verwaltungen der sieben Modellkommunen ein: Einwohnerdaten, Daten zur baulichen Struktur (Mehrfamilienhäuser, Einfamilienhäuser, Gewerbegebiete, Besiedlungsdichte) ÖPNV-Daten, Daten zu den Points of Interests (Rathäuser, Bibliotheken, Sportplätze, Ärzte, Supermärkte). Das Fachgebiet Digitalisierung, Visualisierung und Monitoring an der RPTU kümmerte sich um die Visualisierung, das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI), ein weiterer Projektpartner, ums Datenmanagement. Das Fachgebiet Physische Geografie an der RPTU erarbeitete eine KI-Software, im Austausch mit dem DFKI.
So nahm das Tool langsam Gestalt an. Die ersten Features entstanden, also Funktionen, die bei speziellen Aufgabenstellungen helfen. Zum Beispiel entwickelten die Mathematiker ein Erreichbarkeits-Feature, ein Modell zum Lösen von Alltagsproblemen. Die Aufgabe lautet: Finde den besten Standort für neue Versorgungs- oder Freizeitangebote, sei es die Bibliothek, der kommunale Treffpunkt oder das Ärztehaus! Platziere diese so geschickt, dass möglichst viele Babyboomer möglichst schnell dorthinkommen! Dazu wurden die Profile der Babyboomer (ihre Wohnorte, aber auch eventuelle körperliche Behinderungen) mit ÖPNV- und Straßenkartendaten verschmolzen – und das Optimierungsmodell war fertig. „Es rechnet sogar Profile des Gehtempos der Babyboomer ein“, so Spellerberg. In Mannheim hilft das Erreichbarkeits-Feature bereits konkret: Die Stadt versucht damit den geeignetsten Standort für ein neues Gemeindezentrum zu ermitteln, so dass es möglichst viele Babyboomer mit möglichst wenig Aufwand erreichen können.
Erholungsraum in der Nähe?
Künstliche Intelligenz ist bei einem weiteren Feature eingebaut, dem Grünflächen-Feature, das komplett im Fachgebiet Physische Geographie der RPTU entwickelt wurde. Hier bekam eine KI Luftaufnahmen und Satellitenbilder von den unterschiedlichen Modellkommunen als Trainingsmaterial und lernte damit, Grünflächen von anderen Flächennutzungstypen zu unterscheiden. Zudem lernte sie, unterschiedliche Vegetationsformen – Wiesen, Sträucher, Bäume – zu erkennen, voneinander zu unterscheiden und ihnen unterschiedliche lokale Klimawirksamkeiten zuzuschreiben. Also wie gut die jeweilige Begrünung an einem Ort zum Beispiel gegen sommerlichen Hitzestress schützt. Die KI war nach vielen Trainingseinheiten in der Lage, Stadtteile zu bewerten: Ob es dort genügend grüne Areale gibt, in denen sich Menschen aufhalten und erholen können. Nun mussten nur noch die Babyboomer-Daten dazugesetzt werden, und man hatte das Feature.
Wofür es gedacht ist, erklärt Sascha Henninger, Professor am Fachbereich Raum- und Umweltplanung. „Viele Babyboomer können aus finanziellen Gründen nicht verreisen, sind also auf Erholungsräume in der Nähe ihres Wohnortes angewiesen. Unser Feature hilft Stadtplanern, die grüne Infrastruktur zu kontrollieren. Zum Beispiel zeigt es an, ob in einem Stadtteil mit vielen finanziell nicht so gut ausgestatteten Babyboomern ein Grünflächendefizit besteht.“ Die Stadtplaner können darauf reagieren, indem sie Flächen zu Grünflächen umwidmen oder den ÖPNV so ausbauen, dass Babyboomer in der Lage sind, etwas weiter entfernte grüne Erholungsräume besser mit der Bahn oder dem Bus zu erreichen. Die beiden Modellkommunen Jena und Kaiserslautern arbeiten daran, das Grünflächen-Feature künftig in der Stadtplanung einzusetzen.
Bodennahe Ozonbildung
Auch beim Lufthygiene-Feature ist KI am Werk, Henningers Fachgebiet hat es zusammen mit dem DFKI entwickelt. Eine KI lernte, unterschiedliche Baumarten zu erkennen und diese in zwei Gruppen aufzuteilen: jene, die viel Isopren ausstoßen (etwa Pappeln oder Platanen) und jene, die nur äußerst geringe Mengen abgeben (etwa Apfelbäume oder Magnolien). Isoprene sind biogene Kohlenwasserstoffverbindungen, die in Verbindung zum Beispiel mit den Stickoxiden in Autoabgasen bodennahes Ozon bilden. Stehen an einer vielbefahrenen Straße viele stark Isopren-emittierende Bäume, kann die Belastung hoch sein. Gerade für ältere Menschen, aber auch Allergiker und Asthmatiker besteht ein Gesundheitsrisiko. Und genau da setzt das Feature an. Es zeigt an, welche Straßenzüge eventuell ozonbelastet sind. „Dieses Feature können Kommunen künftig als Entscheidungshilfe benutzen, indem sie bei der Neuplanung mehr Bäume mit geringerer Isoprenemission pflanzen“, so Henninger. Bestehende Bäume sollten aber auf keinen Fall entfernt werden. Hier gäbe es die Möglichkeit, den Babyboomern ozonfreie oder weniger belastete Routen zu empfehlen.
Sich fit für die Babyboomer machen ist bei den oft klammen Kassen von Kommunen finanziell eine Herausforderung. Aber auch da kann das Tool nützlich sein, schließlich sind beim Projekt Ökonomen dabei. Sie haben ein kommunalökonomisches Wirkungsmodell erstellt, das ins Tool eingearbeitet wurde und Verschiebungen in der Altersstruktur nachmodellieren kann. Denn: Gibt es anteilig mehr Babyboomer, stehen weniger Arbeitskräfte zur Verfügung, dafür steigt der Bedarf an Ärzten und ambulanten Einrichtungen. Was bedeutet das für die Finanzen? Wie können Kommunen die Nahversorgung verbessern, ohne dafür den Haushalt zu sehr zu belasten? Das Finanz-Feature des Tools gibt Antworten darauf – eine weitere Entscheidungshilfe.
Alles hängt an den Daten
Wie sieht das Projektfazit nach vier Jahren aus? „Durch die Kombination der Disziplinen konnten wir Wissen schaffen, das es vorher so nicht gab“, sagt Annette Spellerberg. Jedoch sei die Umsetzung schwieriger als gedacht. Wie es nach dem Projektende 2026 weitergeht, stehe deshalb nicht fest. Für ein datenbasiertes Tool brauche es eben viele gute Daten, die miteinander verknüpfbar und auswertbar sind. "Die haben kleinere Kommunen aber nicht. Es gibt dort keine Statistikabteilung und keine großen Datenbanken. Es fehlt an Personal, teilweise Knowhow und finanziellen Mitteln." Ganz anders die Situation in Jena: Die Stadt verfügt über alle notwendigen Ressourcen und Datenbanken und hat viel vor mit dem Tool. Und was, wenn andere, nicht am Projekt beteiligte Kommunen anfragen? Spellerberg hofft zwar auf Folgeprojekte. Und die Daten zu den Babyboomern vor Ort zu erheben, wäre auch kein größeres Problem. „Aber auch hier gilt: Alles steht und fällt mit der Datenqualität. Wenn die Kommune, die anfragt, zu wenige Daten hat oder die Qualität schlecht ist, lässt es sich nicht umsetzen.“
Zumal der reine Datenbestand nicht das einzige Problem ist. Spellerbergs zentrale Erfahrung aus dem Projekt: Datenakquise und -zusammenstellung sind „unglaublich aufwändig“, auch weil es in den Kommunen keine einheitlichen Regeln zum Datenschutz gibt: Welche Daten werden wie verarbeitet, was geht weiter an welche Stelle und wird wo wie lange gespeichert? Jeder verfahre da anders. Manchmal waren Daten auch einfach nicht verfügbar. Oder es musste für die Datennutzung jeweils ein spezifischer Vertrag aufgesetzt werden. Warum so kompliziert? Dieses Klein-Klein verhindere das Zusammenspiel der Daten, und genau darauf basiere ja das ganze Tool.
Über "Ageing Smart"
Das von der Carl-Zeiss-Stiftung geförderte interdisziplinäre Forschungsprojekt „Ageing Smart – Räume intelligent gestalten“ läuft seit 2021 und bis 2026. Beteiligt sind unterschiedliche Fachbereiche von RPTU, das Fraunhofer-Institut für Experimentelles Software Engineering (IESE) und das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI). Ziel ist es, ein datengestütztes System zu entwickeln, das Kommunen als Entscheidungshilfe in ihren Planungsprozessen dient.
