MCA Anaylse Beläge

Author

Sarah Pfeiffer

Published

October 21, 2025

MCA Anaylse für Szenario 0 bis 3

Ziel: Wahl der besten drei Beläge nach MCA Berechnung

Szenario 0: “Baseline (IST-Analyse)”: Simuliert die aktuellen Projektanforderungen (deir IST-Analyse). Der Fokus liegt primär auf Wirtschaftlichkeit (insb. kosten) und hoher Nutzungsqualität (insb. befahrbarkeit und barrierefreiheit). Ökologische Aspekte sind sekundär.

Szenario 1: “Forschungsfokus”: Bildet meine zentrale Forschungsfrage (FQ) ab. Dieses Szenario sucht die Balance zwischen den beiden Hauptsäulen meiner Arbeit: dem Lebenszyklus-Fokus (H1/H2) und dem Vermeidungsprinzip (H3).

Szenario 2: “Radikale Vermeidung”: Testet Hypothese 3 (H3) im Extrem. Es priorisiert radikal die Kriterien des Vermeidungsprinzips, also Umweltbelastung (co2, graueEnergie) und Kreislauffähigkeit (recyclingfaehigkeit, modulareErneuerbarkeit).

Szenario 3: “Radikaler Lebenszyklus”: Testet die Hypothesen 1 und 2 (H1/H2) im Extrem. Es priorisiert radikal die Kriterien der Langlebigkeit & Wirtschaftlichkeit (insb. lebensdauer und unterhalt), um die Anzahl der Sanierungs-Eingriffe über den Zeitstrahl zu minimieren.

Libraries laden

library(tidyverse)
library(readr)
library(ggplot2)
library(forcats)
library(tidytext)

1. Daten Importieren

Einlesen der Rohdaten für Belaege und Gewichtung für Szenario 0 bis 3

## 1. Daten Importieren

# Liest die Rohdaten für die Beläge ein
df_belaege_raw <- read_delim(
  "01_data_input/Belaege_normiert.csv",
  delim = ";"
)

# Liest die Gewichtungen für alle vier Szenarien ein
weights_s0_raw <- read_delim(
  "01_data_input/Belaege_Gewichtung_Szenario0.csv",
  delim = ";"
)
weights_s1_raw <- read_delim(
  "01_data_input/Belaege_Gewichtung_Szenario1.csv",
  delim = ";"
)
weights_s2_raw <- read_delim(
  "01_data_input/Belaege_Gewichtung_Szenario2.csv",
  delim = ";"
)
weights_s3_raw <- read_delim(
  "01_data_input/Belaege_Gewichtung_Szenario3.csv",
  delim = ";"
)

2. Daten bereinigen und harmonisieren

Ziel: Daten für den Join und die MCA Berechnung vorbereiten.

# A. Bereinigung der Rohdaten (Belaege_normiert.csv)
df_belaege <- df_belaege_raw %>%
  select(belagskategorie, option, everything()) 

# B. Bereinigung der Gewichtungen (ALLE SZENARIEN)
# Wir fügen den Roh-Dateien die Szenario-Namen hinzu
df_weights_s0 <- weights_s0_raw %>%
  mutate(szenario = "Szenario 0: Baseline (IST)")
df_weights_s1 <- weights_s1_raw %>%
  mutate(szenario = "Szenario 1: Forschungsfokus")
df_weights_s2 <- weights_s2_raw %>%
  mutate(szenario = "Szenario 2: Radikale Vermeidung")
df_weights_s3 <- weights_s3_raw %>%
  mutate(szenario = "Szenario 3: Radikaler Lebenszyklus")

# Jetzt binden wir sie zu einer finalen Gewichtungs-Tabelle zusammen
df_weights <- bind_rows(df_weights_s0, df_weights_s1, df_weights_s2, df_weights_s3) %>%

# Berechne das Gesamtgewicht (gewicht) aus den Rohspalten,
mutate(
  gewicht = group_weight * within_group_weight
) %>%
 
# umbenennen für den Join
rename(
  bewertungskategorie = criterion_id
) %>%
  
# Auswählen der Spalten, die der Rest des Skripts braucht
select(szenario, bewertungskategorie, gewicht, group_id)

print(df_weights, n = 48)

# A tibble: 48 × 4
   szenario                           bewertungskategorie    gewicht group_id   
   <chr>                              <chr>                    <dbl> <chr>      
 1 Szenario 0: Baseline (IST)         co2                     0.05   umweltbela…
 2 Szenario 0: Baseline (IST)         graueEnergie            0.05   umweltbela…
 3 Szenario 0: Baseline (IST)         lebensdauer             0.2    langlebigk…
 4 Szenario 0: Baseline (IST)         unterhalt               0.1    langlebigk…
 5 Szenario 0: Baseline (IST)         kosten                  0.1    langlebigk…
 6 Szenario 0: Baseline (IST)         versickerung            0.1    multifunkt…
 7 Szenario 0: Baseline (IST)         oberflaechentemperatur  0.1    multifunkt…
 8 Szenario 0: Baseline (IST)         befahrbarkeit           0.1    multifunkt…
 9 Szenario 0: Baseline (IST)         barrierefreiheit        0.1    multifunkt…
10 Szenario 0: Baseline (IST)         recyclingfaehigkeit     0.0333 kreislauff…
11 Szenario 0: Baseline (IST)         lokaleMaterialien       0.0333 kreislauff…
12 Szenario 0: Baseline (IST)         modulareErneuerbarkeit  0.0333 kreislauff…
13 Szenario 1: Forschungsfokus        co2                     0.125  umweltbela…
14 Szenario 1: Forschungsfokus        graueEnergie            0.125  umweltbela…
15 Szenario 1: Forschungsfokus        lebensdauer             0.2    langlebigk…
16 Szenario 1: Forschungsfokus        unterhalt               0.1    langlebigk…
17 Szenario 1: Forschungsfokus        kosten                  0.1    langlebigk…
18 Szenario 1: Forschungsfokus        versickerung            0.025  multifunkt…
19 Szenario 1: Forschungsfokus        oberflaechentemperatur  0.025  multifunkt…
20 Szenario 1: Forschungsfokus        befahrbarkeit           0.025  multifunkt…
21 Szenario 1: Forschungsfokus        barrierefreiheit        0.025  multifunkt…
22 Szenario 1: Forschungsfokus        recyclingfaehigkeit     0.0833 kreislauff…
23 Szenario 1: Forschungsfokus        lokaleMaterialien       0.0833 kreislauff…
24 Szenario 1: Forschungsfokus        modulareErneuerbarkeit  0.0833 kreislauff…
25 Szenario 2: Radikale Vermeidung    co2                     0.225  umweltbela…
26 Szenario 2: Radikale Vermeidung    graueEnergie            0.225  umweltbela…
27 Szenario 2: Radikale Vermeidung    lebensdauer             0.025  langlebigk…
28 Szenario 2: Radikale Vermeidung    unterhalt               0.0125 langlebigk…
29 Szenario 2: Radikale Vermeidung    kosten                  0.0125 langlebigk…
30 Szenario 2: Radikale Vermeidung    versickerung            0.0125 multifunkt…
31 Szenario 2: Radikale Vermeidung    oberflaechentemperatur  0.0125 multifunkt…
32 Szenario 2: Radikale Vermeidung    befahrbarkeit           0.0125 multifunkt…
33 Szenario 2: Radikale Vermeidung    barrierefreiheit        0.0125 multifunkt…
34 Szenario 2: Radikale Vermeidung    recyclingfaehigkeit     0.150  kreislauff…
35 Szenario 2: Radikale Vermeidung    lokaleMaterialien       0.150  kreislauff…
36 Szenario 2: Radikale Vermeidung    modulareErneuerbarkeit  0.150  kreislauff…
37 Szenario 3: Radikaler Lebenszyklus co2                     0.025  umweltbela…
38 Szenario 3: Radikaler Lebenszyklus graueEnergie            0.025  umweltbela…
39 Szenario 3: Radikaler Lebenszyklus lebensdauer             0.4    langlebigk…
40 Szenario 3: Radikaler Lebenszyklus unterhalt               0.2    langlebigk…
41 Szenario 3: Radikaler Lebenszyklus kosten                  0.2    langlebigk…
42 Szenario 3: Radikaler Lebenszyklus versickerung            0.025  multifunkt…
43 Szenario 3: Radikaler Lebenszyklus oberflaechentemperatur  0.025  multifunkt…
44 Szenario 3: Radikaler Lebenszyklus befahrbarkeit           0.025  multifunkt…
45 Szenario 3: Radikaler Lebenszyklus barrierefreiheit        0.025  multifunkt…
46 Szenario 3: Radikaler Lebenszyklus recyclingfaehigkeit     0.0167 kreislauff…
47 Szenario 3: Radikaler Lebenszyklus lokaleMaterialien       0.0167 kreislauff…
48 Szenario 3: Radikaler Lebenszyklus modulareErneuerbarkeit  0.0167 kreislauff…

3. Datentransformation

Ziel: Transformation der Tabelle df_belaege von Wide-to-Long und anschliessende Verknüpfung mit der Tabelle df_weights über join

# 3.1 Wide-to-Long: Transformation der Rohdaten
# Ziel: Die Kriterien-Spalten (z.B. lebensdauer, kosten) in Zeilen umwandeln,
# damit sie mit der Gewichtungstabelle verknüpft werden kann.

df_belaege_long <- df_belaege %>%
  pivot_longer(
    # Wählt alle Spalten von 'lebensdauer' bis 'barrierefreiheit' aus.
    cols = c(lebensdauer:barrierefreiheit), 
    # Die Spaltennamen (z.B. "lebensdauer") kommen in die neue Spalte "bewertungskategorie".
    names_to = "bewertungskategorie", 
    # Die Werte (z.B. 22.5) kommen in die neue Spalte "wert".
    values_to = "wert"
  )

# 3.2 JOIN: Verknüpfung der Long-Tabelle mit der Gewichtungstabelle
# Ziel: Jede Kriteriums-Zeile (z.B. "lebensdauer") mit ihrem 
# entsprechenden Gewicht (z.B. 0.1) anreichern.

df_belaege_joined <- df_belaege_long %>%
  # Verknüpft die 'df_belaege_long' (linke Tabelle) mit 'df_weights' (rechte Tabelle).
  # Die Verknüpfung ("der Schlüssel") ist die Spalte "bewertungskategorie",
  # die jetzt in beiden Tabellen identisch heisst.
  left_join(df_weights, by = "bewertungskategorie",# Diese Zeile sagt R, dass wir den Many-to-Many-Join erwarten
            relationship = "many-to-many" 
  )

4. Explorative Datenanalyse

Ziel: Die Verteilung der Rohwerte pro Kriterium ansehen. Dies zeigt, warum eine Normierung (Block 4) zwingend notwendig ist, da die Skalen (Jahre, CHF, kg) völlig unterschiedlich sind.

# Boxplot der Rohwerte
plot_rohwerte <- ggplot(df_belaege_joined, aes(x = bewertungskategorie, y = wert)) +
  geom_boxplot() +
  # coord_flip() dreht die Achsen, damit die Namen lesbar sind
  coord_flip() +
  labs(
    title = "Verteilung der Rohwerte (vor Normierung)",
    subtitle = "Zeigt die unterschiedlichen Skalen (Einheiten) der Kriterien",
    x = "Kriterium",
    y = "Wert (gemischte Einheiten)"
  ) +
  theme_minimal()

print(plot_rohwerte)

ggsave("02_export/plots/check_01_rohwerte_verteilung.png", plot = plot_rohwerte, width = 10, height = 7)

5. MCA - Normalisierung

Ziel: -Normalisierung: Die Wert-Spalte (Jahre, CHF, etc.) muss auf eine einheitliche Skala (0-1) gebracht werden -Wie gut ist der entsprechende Belag im entsprechenden Kriterium im Vergleich zu allen anderen Belägen? (Min-Max-Skalierung)

# 5.1 Definieren, welche Kriterien 'schlechter' sind, wenn sie 'höher' sind

kriterien_lower_is_better <- c(
  "kosten", 
  "unterhalt", 
  "co2", 
  "graueEnergie",
  "oberflaechentemperatur" 
)

# 5.2 Min-Max-Skalierung (Normierung)
# Aufgeteilt in zwei Schritte für die Überprüfung

# Schritt 5.2a: Min/Max-Werte berechnen und in einer Zwischentabelle speichern
df_belaege_with_minmax <- df_belaege_joined %>%
  filter(!is.na(wert)) %>% # NAs im Wert ignorieren
  filter(!is.na(gewicht)) %>% # NAs im Gewicht ignorieren (wichtig!)
  group_by(bewertungskategorie) %>%
  # 1. Min und Max für jedes Kriterium finden
  mutate(
    min_wert = min(wert, na.rm = TRUE),
    max_wert = max(wert, na.rm = TRUE)
  ) %>%
  ungroup()

# Überprüfung der Min/Max-Werte: Erstellt eine kleine, saubere Tabelle, die nur die Min/Max-Werte zeigt
df_min_max_summary <- df_belaege_with_minmax %>%
  select(bewertungskategorie, min_wert, max_wert) %>%
  distinct() # Zeigt jede Kategorie nur einmal an

print("--- Min/Max-Werte pro Kriterium (für Normierung) ---")

[1] "--- Min/Max-Werte pro Kriterium (für Normierung) ---"

print(df_min_max_summary)

# A tibble: 12 × 3
   bewertungskategorie    min_wert max_wert
   <chr>                     <dbl>    <dbl>
 1 lebensdauer                15       50  
 2 versickerung                0.2      1  
 3 oberflaechentemperatur     26       58.4
 4 befahrbarkeit               1        5  
 5 kosten                     50      350  
 6 unterhalt                   2        9  
 7 co2                        17.5     72.5
 8 graueEnergie               70      375  
 9 recyclingfaehigkeit         0.2      1  
10 lokaleMaterialien           0.4      1  
11 modulareErneuerbarkeit      1        5  
12 barrierefreiheit            1        5

# --------------------------------------------------------


# Schritt 5.2b: Skalierung auf 0-1 berechnen
# Wir nehmen die Tabelle aus 5.2a und rechnen weiter
df_belaege_normalized <- df_belaege_with_minmax %>%
  # 2. Skalieren auf 0-1
  mutate(
    # Sonderfall: Wenn Min und Max gleich sind (nur ein Wert), setze Score auf 1
    score_normiert = case_when(
      (max_wert - min_wert) == 0 ~ 1,
      
      # Normale Skalierung (higher is better), ! bedeutet NICHT in kriterien_lower_is_better Liste enthalten
      !(bewertungskategorie %in% kriterien_lower_is_better) ~ (wert - min_wert) / (max_wert - min_wert),
      
      # Invertierte Skalierung (lower is better)
      bewertungskategorie %in% kriterien_lower_is_better ~ 1 - ((wert - min_wert) / (max_wert - min_wert))
    )
  )

6. Explorative Datenanalyse

Ziel: Überprüfen, ob die Min-Max-Skalierung (Block 5.2) funktioniert hat.

# Boxplot der normierten Scores
plot_normiert <- ggplot(df_belaege_normalized, aes(x = bewertungskategorie, y = score_normiert)) +
  geom_boxplot() +
  coord_flip() +
  # Setzt die Y-Achse fix auf 0 bis 1
  scale_y_continuous(limits = c(0, 1)) +
  labs(
    title = "Verteilung der normierten Scores (nach Normierung)",
    subtitle = "Qualitätskontrolle: Alle Kriterien sollten jetzt auf 0-1 skaliert sein.",
    x = "Kriterium",
    y = "Normierter Score (0-1)"
  ) +
  theme_minimal()

print(plot_normiert)

ggsave("02_export/plots/check_02_normierte_scores.png", plot = plot_normiert, width = 10, height = 7)

7. MCA Berechnung

Ziel: Berechnung der besten geeigneten Beläge auf Basis Kriterienbewertung (score_normiert * gewicht)

# 7.1 Berechnung des gewichteten Scores
# (Keine Änderung hier, 'gewicht' ist jetzt pro Szenario unterschiedlich)
df_mca_calculated <- df_belaege_normalized %>%
  mutate(
    MCA_score_kriterium = score_normiert * gewicht
  )

# 7.2 Aggregation 
# Wir gruppieren jetzt AUCH nach 'szenario'
df_mca_total <- df_mca_calculated %>%
  group_by(szenario, belagskategorie, option) %>% # <-- 'szenario' hinzugefügt
  summarise(
    MCA_gesamtscore = sum(MCA_score_kriterium, na.rm = TRUE)
  ) %>%
  ungroup() %>%
  # Wir sortieren erst nach Szenario, dann nach Score
  arrange(szenario, desc(MCA_gesamtscore)) 

# Anzeigen der Ergebnisse (jetzt 40 Zeilen, 10 pro Szenario)
print("--- MCA Gesamtergebnis (sortiert) ---")

[1] "--- MCA Gesamtergebnis (sortiert) ---"

print(df_mca_total, n = 40) # n=40, um alle Ergebnisse zu sehen

# A tibble: 40 × 4
   szenario                           belagskategorie option     MCA_gesamtscore
   <chr>                              <chr>           <chr>                <dbl>
 1 Szenario 0: Baseline (IST)         Pflaster        Betonpfla…           0.666
 2 Szenario 0: Baseline (IST)         Asphalt         Selbsthei…           0.633
 3 Szenario 0: Baseline (IST)         Asphalt         Recycling…           0.573
 4 Szenario 0: Baseline (IST)         Pflaster        Naturstei…           0.536
 5 Szenario 0: Baseline (IST)         Asphalt         Heller As…           0.522
 6 Szenario 0: Baseline (IST)         Sickerbeläge    Rasengitt…           0.519
 7 Szenario 0: Baseline (IST)         Sickerbeläge    Chaussier…           0.471
 8 Szenario 0: Baseline (IST)         Pflaster        Ökopflast…           0.451
 9 Szenario 0: Baseline (IST)         Asphalt         Sickerasp…           0.348
10 Szenario 0: Baseline (IST)         Sickerbeläge    Kiesrasen            0.330
11 Szenario 1: Forschungsfokus        Sickerbeläge    Chaussier…           0.712
12 Szenario 1: Forschungsfokus        Pflaster        Betonpfla…           0.636
13 Szenario 1: Forschungsfokus        Pflaster        Naturstei…           0.541
14 Szenario 1: Forschungsfokus        Sickerbeläge    Kiesrasen            0.520
15 Szenario 1: Forschungsfokus        Pflaster        Ökopflast…           0.518
16 Szenario 1: Forschungsfokus        Sickerbeläge    Rasengitt…           0.517
17 Szenario 1: Forschungsfokus        Asphalt         Recycling…           0.462
18 Szenario 1: Forschungsfokus        Asphalt         Selbsthei…           0.417
19 Szenario 1: Forschungsfokus        Asphalt         Heller As…           0.351
20 Szenario 1: Forschungsfokus        Asphalt         Sickerasp…           0.298
21 Szenario 2: Radikale Vermeidung    Sickerbeläge    Chaussier…           0.922
22 Szenario 2: Radikale Vermeidung    Sickerbeläge    Kiesrasen            0.768
23 Szenario 2: Radikale Vermeidung    Pflaster        Betonpfla…           0.604
24 Szenario 2: Radikale Vermeidung    Pflaster        Ökopflast…           0.569
25 Szenario 2: Radikale Vermeidung    Sickerbeläge    Rasengitt…           0.551
26 Szenario 2: Radikale Vermeidung    Pflaster        Naturstei…           0.484
27 Szenario 2: Radikale Vermeidung    Asphalt         Recycling…           0.402
28 Szenario 2: Radikale Vermeidung    Asphalt         Heller As…           0.253
29 Szenario 2: Radikale Vermeidung    Asphalt         Sickerasp…           0.176
30 Szenario 2: Radikale Vermeidung    Asphalt         Selbsthei…           0.103
31 Szenario 3: Radikaler Lebenszyklus Asphalt         Selbsthei…           0.733
32 Szenario 3: Radikaler Lebenszyklus Pflaster        Betonpfla…           0.667
33 Szenario 3: Radikaler Lebenszyklus Pflaster        Naturstei…           0.608
34 Szenario 3: Radikaler Lebenszyklus Sickerbeläge    Chaussier…           0.517
35 Szenario 3: Radikaler Lebenszyklus Asphalt         Recycling…           0.508
36 Szenario 3: Radikaler Lebenszyklus Sickerbeläge    Rasengitt…           0.478
37 Szenario 3: Radikaler Lebenszyklus Pflaster        Ökopflast…           0.473
38 Szenario 3: Radikaler Lebenszyklus Asphalt         Heller As…           0.431
39 Szenario 3: Radikaler Lebenszyklus Asphalt         Sickerasp…           0.428
40 Szenario 3: Radikaler Lebenszyklus Sickerbeläge    Kiesrasen            0.273

8. Darstellung

Ziel: visualisierung der Ergebnisse

# Plot 1: Gesamtergebnis (Ranking)
plot_mca_total <- ggplot(df_mca_total, 
       aes(x = MCA_gesamtscore, 
           y = tidytext::reorder_within(option, MCA_gesamtscore, szenario),
           fill = belagskategorie)) +
  geom_col() +
  tidytext::scale_y_reordered() +
  
  # facet_wrap erstellt automatisch ein 2x2 Grid für die 4 Szenarien
  facet_wrap(~ szenario, scales = "free_y") + 
  
  labs(
    title = "MCA Ergebnis: Rangliste der Belagsoptionen nach Szenario",
    subtitle = "Höherer Score = Bessere Gesamtbewertung (pro Szenario sortiert)",
    x = "MCA Gesamtscore",
    y = "Belagsoption",
    fill = "Belagskategorie"
  ) +
  theme_minimal() +
  theme(legend.position = "top")

print(plot_mca_total)
# --- ANGEPASSTE DIMENSIONEN (für 2x2 Grid) ---
ggsave("02_export/plots/mca_gesamtergebnis_alle_szenarien.png", 
       plot = plot_mca_total, width = 12, height = 10)
# --------------------------------------------

# Plot 2: Detail-Zusammensetzung (Gestapeltes Diagramm)
# 1. Daten vorbereiten 
df_mca_groups <- df_mca_calculated %>%
  group_by(szenario, belagskategorie, option, group_id) %>% 
  summarise(gruppen_score = sum(MCA_score_kriterium, na.rm = TRUE)) %>%
  ungroup() %>%
  left_join(df_mca_total, by = c("szenario", "belagskategorie", "option"))

# 2. Gestapeltes Diagramm plotten
plot_mca_stacked <- ggplot(df_mca_groups, 
       aes(x = gruppen_score, 
           y = tidytext::reorder_within(option, MCA_gesamtscore, szenario), 
           fill = group_id)) +
  geom_col(position = "stack") +
  tidytext::scale_y_reordered() +
  
  # facet_wrap erstellt automatisch ein 2x2 Grid
  facet_wrap(~ szenario, scales = "free_y") +
  
  labs(
    title = "MCA Detail: Zusammensetzung des Scores nach Szenario",
    subtitle = "Zeigt den Beitrag jeder Kriteriengruppe (pro Szenario sortiert)",
    x = "MCA Score (Anteil)",
    y = "Belagsoption",
    fill = "Kriteriengruppe"
  ) +
  theme_minimal() +
  theme(legend.position = "top")

print(plot_mca_stacked)
# --- ANGEPASSTE DIMENSIONEN (für 2x2 Grid) ---
ggsave("02_export/plots/mca_detail_gruppen_alle_szenarien.png", 
       plot = plot_mca_stacked, width = 14, height = 10)

9. Ergebnisstabellen exportieren

# 1. Speichern der finalen MCA-Rangliste (alle 30 Zeilen)
write_csv2(
  df_mca_total,
  file = "02_export/tables/mca_rangliste_alle_szenarien.csv"
)

# 2. Speichern der kompletten Berechnungs-Details (alle 360+ Zeilen)
write_csv2(
  df_mca_calculated,
  file = "02_export/tables/mca_details_berechnung_alle_szenarien.csv"
)