Space Syntax - InfAR - Bauhaus-Universität Weimar

Bauhaus Universität Weimar SoSe 2009
Professur Informatik in der Architektur
Modul: „Space Syntax“
Betreuer: Dr. Reinhard König & Sven Schneider
Space Syntax
Seminararbeit
vorgelegt von:
Anica Huck
Studiengang: Geoinformatik

Inhalt
Abgabedatum: 01.10.2009
Abbildungen
III
1 Einleitung 1
2 The social logic of space 2
3 Methodische Grundlagen 3
4 Erstellung von convex und axial maps 5
5 Deskriptive Konzepte für urbane Regionen 7
6 Räumliche Wahrnehmung und Space Syntax 10
7 Zusammenfassung 13
Literatur 14
II

Abbildungen
Abb. 1 Raum als wesentlicher Aspekt menschlicher Handlungen…………….. 3
Abb. 2 Perspektivische Darstellung räumlicher Anordnungen……………….... 4
Abb. 3 a. Grundriss der Eliat Residenz, Mies von der Rohe; b. convex map
und abstrahierter Graph; c. axial map und abstrahierter Graph……….. 6
Abb. 4 Fiktives Straßennetzwerk mit horizontaler Hauptstraße und
vertikalen Querstraßen………………………………………………….. 7
Abb. 5 Integrationsmuster oder die "Nähe" jedes Linie zu allen anderen
(links); Choise- Werte oder der Grad, inwieweit jede Linie den
einfachsten Weg zu allen anderen aufweist (rechts)……………………. 8
Abb. 6 Umwandlung der axial map zur segment map…………………………. 9
Abb. 7 Globale (oben) und lokale (unten) Integration der Londoner Innenstadt 11
III

1 Einleitung
Bei der Analyse des urbanen Raums wird der Begriff „Stadt“ aus 2 unterschiedlichen
Perspektiven betrachtet. Zum einen wird Stadt als „große Ansammlung von Gebäuden
verbunden durch Raum“ (HILLIER & VAUGHAN 2007: o.S.) definiert. Zum anderen stellt
sie ein „komplexes System menschlicher Handlungen verbunden durch Interaktion“
(HILLIER & VAUGHAN 2007: o.S.) dar. Diese Differenzierung urbaner Räume in
physical und sozial city (HILLIER & VAUGHAN 2007: o.S.) erschwert ein holistisches
Verständnis des Stadtraumes und seiner morphologischen sowie sozialen Aspekte.
Space Syntax wurde in den Siebziger Jahren des vergangen Jahrhunderts entwickelt.
Diese Forschungsrichtung fokussiert sich auf die Fragestellung holistischer
Stadtanalysen. Dies umfasst eine integrative Betrachtung der phsical und sozial city.
Grundlegend wird der Versucht unternommen, das Verhältnis zwischen komplexen
physischen Mustern und sozialen Aktivitäten im Raum hinsichtlich ihrer
Veränderlichkeit zu verstehen.
Eine der größten Herausforderungen der vergangenen Jahrzehnte ist das Phänomen der
Segregation (HILLIER & VAUGHAN 2007: o.S.) innerhalb von urbanen Gebieten. Hierbei
spiegelt sich die Aktualität der Frage nach einer ganzheitlichen Betrachtung der Stadt
wieder. Letztlich wird die untersucht, ob urbane Segregation eine signifikante physische
Bedeutung ausweist (HILLIER & VAUGHAN 2007: o.S.).
In der folgenden Ausarbeitung sollen grundlegende Konzepte und Methoden der Space
Syntax verdeutlicht, sowie der Bezug zur räumlichen Wahrnehmung hergestellt werden.
Dies soll zu einem besseren Verständnis der hier erörterten Fragestellung führen sowie
Grundlagen für eine technische Umsetzung schaffen.
1

2 The social logic of space
Space Syntax ist eine Forschungsmethode, welche die Beziehung zwischen Gesellschaft
und Raum beschreibt. Dieser Zusammenhang wird perspektivisch betrachtet, wobei die
generelle Theorie der Strukturierung bewohnter Räume in all ihren diversen
Ausprägungen Grundlage ist (BAFNA 2003: 17). Zu diesen Ausprägungen zählen
Gebäude, Wohngebiete, Städte sowie Landschaften. Hierbei soll der Einfluss des
Zugangs zu räumlichen Anordnungen auf menschliches Verhalten, Kommunikation und
Interaktion (HUNTER 2009: o.S.) untersucht werden. Ausgehend von der Annahme, dass
menschliche Gesellschaften Raum als Schlüssel verwenden, um sich selbst zu
organisieren, kann man von einer Anordnung (configuration in space syntax) des
Raumes sprechen (BAFNA 2003: 17). Durch die Anordnung des Raumes können
verschiedene individuelle Teile benannt und abgetrennt werden, welche
unterschiedlichen sozialen Gruppen oder Aktivitäten zugeordnet werden können.
Weiterhin können individuelle Raumteile als Träger symbolischer oder kultureller
Bezüge fungieren (BAFNA 2003: 18).
Ausgehend von der These, dass räumliche Muster soziale Bedeutung annehmen können
(HILLIER & VAUGHAN 2007: o.S.), heißt auf der anderen Seite jedoch nicht, dass
existierende soziale Strukturen räumlich kartiert werden können (BAFNA 2003: 18). Die
Space Syntax- Theorie lehnt die Unterscheidung von „space-as-form and society-ascontent“
(HILLIER & HANSON 1984: 9) ab. Stattdessen wird davon ausgegangen, dass
soziale Strukturen von Natur aus räumlich sind und die Anordnungen von bewohnten
Räumen sozialer Logik unterliegen (BAFNA 2003: 18).
Diese Verbindung von Raum und Gesellschaft bezieht sich nicht lediglich auf die
Kartierung beider Disziplinen, sondern auf die dynamische Restrukturierung sowie
Modifizierung von räumlichen Darstellungen. Ein Beispiel für die beidseitige
Erneuerung ist die Erstellung von Grenzen räumlicher Anordnungen (BAFNA 2003: 18).
Diese Anpassung von Grenzen beeinflusst nachhaltig die Beziehung von
Zugangsmöglichkeiten zu bzw. Sichtverhältnissen von Orten und räumlichen
Komponenten. Auf Grundlage dieser dynamischen Interaktion wurden verschiedene
sozial- räumliche Phänomene untersucht und in Modellen umgesetzt, wie beispielsweise
movement model, land use model, crime model und social segregation model (HILLIER
& VAUGHAN 2007: o.S.).
2

3 Methodische Grundlagen
Space Syntax basiert auf 2 unterschiedlichen Ideen, welche die Objektivität von Raum
und unserer intuitiver Umgang damit (HILLIER & VAUGHAN 2007: o.S.) zu reflektieren
versuchen.
Die Betrachtung von Raum als der Hintergrund von Objekten kann nicht auf
menschliche Handlungen übertragen werden (HILLIER & VAUGHAN 2007: o.S.), jedoch
ist der Raum ein wesentlicher Aspekt menschlicher Handlungen hinsichtlich Bewegung,
Interaktion mit anderen Menschen oder der Betrachtung von Objekten im Raum (Abb.
1). All diese Aspekte verlangen eine räumliche Geometrie.
Abbildung 1: Raum als wesentlicher Aspekt menschlicher Handlungen (HILLIER & VAUGHAN 2007:
o.S.).
Jede dieser Geometrien (Abb. 1) beschreibt ein Aspekt, wie wir Raum benutzten oder
erfahren können. Ableitend von diesen Aspekten wird der Versuch unternommen, zu
sehen wie Gebäude und Städte hinsichtlich Geometrie organisiert sind (HILLIER &
VAUGHAN 2007: o.S.). Die in Abbildung 1 dargestellten Geometrien sind in urbanen
Gebieten vorhanden und verbinden letztlich “geometric intuition with our intuition
regarding the human dimensions of inhabiting space” (PEPONIS & WINEMAN 2002:
274).
Der zweite Ansatz beschreibt den menschlichen Raum nicht als die Eigenschaften eines
individuellen Raumes, sondern umfasst die Beziehung zwischen mehreren Orten,
welche das räumliche Layout der Gebäude oder Städten bildet (HILLIER & VAUGHAN
2007: o.S.). Dieser Ansatz wird als graph-based (HUNTER 2009: o.S.) oder
configuration of space (HILLIER & VAUGHAN 2007: o.S.) bezeichnet. Grundlegend ist
ein gleichzeitiges Vorkommen von Verbindungen zwischen Teilbereichen eines
Gesamtsystems. Der Grund warum die Anordnung von Orten mit in Betracht gezogen
3

werden muss, ist die erweiterte Sichtweise auf die Eigenschaften des Raumes (HILLIER
& VAUGHAN 2007: o.S.). Damit ist gemeint, dass jeder individuelle Raum kein
statisches Aussehen besitz, sondern dass der Raum anders aussieht von verschiedenen
Blickpunkten innerhalb des Layouts. Dies kann durch die Abbildung 2 verdeutlicht
werden. Hier werden Graphen gezeichnet, wobei jeder Kreis (node) einen Raum und
Verbindungslinie (edge) eine Tür darstellt. Beide Graphen unterscheiden sich
voneinander, sind letztlich jedoch derselbe Graph.
Abbildung 2: Perspektivische Darstellung räumlicher Anordnungen (HILLIER & VAUGHAN 2007:
o.S.).
Über die Form des gezeichneten Graphen kann die so genannte integration-segregation
(HILLIER & VAUGHAN 2007: o.S.) gemessen werden. Die integration gibt den Grad an
Erreichbarkeit oder auch Zentralität an, der über die Distanz gemessen wird (HUNTER
2009: o.S.). In diesem Zusammenhang bedeutet das, dass gut integrierte Orte eine kurze
Distanz zu anderen Orten aufweisen. Dies umfasst, wie viele andere Orte man
durchlaufen muss, um von einem Startpunkt alle anderen Orte zu erreichen. Diese
Variable, welche die Anzahl von Orten zwischen 2 ausgewählten Punkten angibt, heißt
depth (BAFNA 2003: 21). Der linke Graph in Abbildung 2 wird als shallow bezeichnet,
4

d.h. der Grad an Integration ist sehr hoch. Währenddessen ist der Graph auf der rechten
Seite deep ist, was einen höheren Grad an Segregation bedeutet.
Space Syntax wendet die Analyse von angeordneten Raummustern auf die
verschiedenen geometrischen Elemente an, welche durch Gebäude oder Städte
entstehen.
4 Erstellung von convex und axial maps
Um die Analyse räumlicher Anordnungen umsetzten zu können, muss jeder Raum im
komplexen Gesamtsystem auf eine eindeutige graphische Darstellung reduziert werden
(BAFNA 2003: 21). Die in Kapitel 3 vorgestellter graphisch basierter Reproduzierung
der räumlichen Zusammenhänge (durch nodes und edges) ist die einfachste Form der
Abstrahierung. Diese basiert auf einer einfachen Unterteilung von Raum durch Grenzen
(z.B. Zimmerwände in Gebäuden), so genannt boundary partition (BAFNA 2003: 21).
Eine weitere Form der räumlichen Abstrahierung des Layouts ist die Erstellung von
konvexen Polygonen – convex space partitioning oder vereinfacht convex map (BAFNA
2003: 21). Diese Art der Darstellung findet vor allem bei der Analyse von Gebäuden
Anwendung. Die Unterscheidung der konvexen Polygone erfolgt in „fewest and fattest“
(BAFNA 2003: 23). Bei der Generierung der convex map wird zuerst das größte Polygon
identifiziert bis hin zu dem mit den geringsten Ausmaßen. Diesen Polygonen können
wiederum nodes zugewiesen und die Verbindungen durch edges dargestellt werden
(Abb. 3).
Mittels der convex map kann versucht werden soziale Verbindungen wie die Verteilung
von Bevölkerung zu erfassen, jedoch steht der Aspekt der Mobilität weiterhin außen
vor. Dieser Aspekt soll durch die Ermittlung der so genannten linear map oder axial
map (BAFNA 2003: 23) untersucht werden. Diese Karte soll Bewegungsmuster
innerhalb der räumlichen Anordnung der convex map herausarbeiten. Technisch
gesehen wird die axial map durch „longest straight line“ (BAFNA 2003: 23) erfasst,
welche mindestens eine Verbindung zwischen 2 Polygonen durchschreitet. Dieser
Vorgang wird so lange weitergeführt bis alle Verbindungen erfasst wurden. Das
Ergebnis ist ein Netzwerk aus sich kreuzenden geraden Linien (Abb. 3). Wie auch die
convex map wird auch die axial map durch nodes (hier Linien) und edges (hier
Kreuzungspunkte) repräsentiert.
Die axial map kann für die Beschreibung von urbanen Gebieten genutzt werden (BAFNA
2003: 23), wobei die räumliche Anordnung durch Straßennetzwerke strukturiert ist.
5

Beim intuitiven Umgang mit diesem Raum ist wiederum die Sichtlinie ein
Hauptbestandteil zur Zuordnen von Erfahrungen. Ein weiterer Faktor bei der
Wahrnehmung von Raum ist die Anzahl von Kurven oder Wendungen innerhalb einer
Wegstrecke, was ein stärker ausschlaggebender Faktor als die eigentliche Distanz ist
(BAFNA 2003: 24). Ausgehend von dieser Annahme wird die Distanz zwischen 2 Orten
mittels depth berechnet, um die Anzahl der Wegkrümmungen mit einzubeziehen anstatt
lediglich die Länger der Strecke zu berücksichtigen.
Abbildung 3: a. Grundriss der Eliat Residenz, Mies von der Rohe; b. convex map und abstrahierter
Graph; c. axial map und abstrahierter Graph (BAFNA 2003: 24).
6

5 Deskriptive Konzepte für urbane Regionen
Die Unterscheidung zwischen den beiden Grundkonzepten der Stadt – die soziale und
die physische Stadt – innerhalb der integration- segregation- Dimension ist schwierig
(HILLIER & VAUGHAN 2007: o.S.). Dies beinhaltet die Frage, wie der Stadtraum soziale
Ideen verkörpern kann in seinem Aufbau und inwieweit diese räumliche Anordnung
Konsequenzen auf die Belebung von Gebäudeansammlungen hat. Einer der
ausschlaggebenden Faktoren für die Bewegung innerhalb des urbanen Raumes ist das
Straßennetzwerk, welches das größte räumliche Muster innerhalb der Stadt darstellt
(HILLIER & VAUGHAN 2007: o.S.). Diese Theorie wird als natural movement bezeichnet
(HILLIER et al. 1993: o.S.).
Abbildung 4: Fiktives Straßennetzwerk mit horizontaler Hauptstraße und vertikalen Querstraßen
(HILLIER & VAUGHAN 2007: o.S.).
Abbildung 4 stellt ein vereinfachtes Straßennetzwerk mit Haupt-, Quer- und
Seitenstraßen dar. Bei einer intuitiven Betrachtung soll man sich Bebauung vorstellen
sowie Menschen, die sich innerhalb dieses Netzwerkes bewegen auf mehr oder weniger
direkten Linien. Bei dieser Betrachtung wird klar, dass mehr Menschen die Hauptstraße
durchqueren werden als die Nebenstraßen. Weiterhin ist anzunehmen, dass der zentrale
Teil der Hauptstraße höher frequentiert ist als die peripheren Gebiete. Letztlich
bestimmt die Position aller Straßen innerhalb des gesamten Netzwerkes den
Bewegungsfluss zu Ziel- wie auch Durchlaufpunkt. Diese so genannten Ziel- und
Durchlaufpunkte sind die 2 Hauptkomponenten hinsichtlich menschlicher
Bewegungsmuster. Es wird angenommen, dass bei jedem Trip ein Ziel ausgewählt wird.
Beispielsweise werden nähere Zielpunkte innerhalb eines bestimmten Radius eher
7

auswählt. In Abbildung 4 wird somit Orten mit einer einfachen Erreichbarkeit, eine
höhere Wahrscheinlichkeit als Zielpunkt ausgewählt zu werden, zu geschrieben.
Beide Komponenten können gemessen werden. Den Zugang zu einem Zielpunkt wird
über die integration gemessen (HILLIER & VAUGHAN 2007: o.S.). Das Potential eines
Durchlaufpunkt wird durch den Grad, inwieweit jeder Ort den einfachsten Weg zu allen
anderen Orten aufweisen kann, beurteilt. Dieser Grad wird als choice measure
bezeichnet (HILLIER & VAUGHAN 2007: o.S.). In Abbildung 5 sind beide Komponenten
visualisiert, wobei die dunkleren Linien stärker integriert sind bzw. eine höhere
Wahrscheinlichkeit, durchlaufen zu werden, aufweisen.
Abbildung 5: Integrationsmuster oder die "Nähe" jedes Linie zu allen anderen (links); Choise-
Werte oder der Grad, inwieweit jede Linie den einfachsten Weg zu allen anderen aufweist (rechts)
(HILLIER & VAUGHAN 2007: o.S.).
Beide Messungen können innerhalb verschiedener Radien ausgegeben werden, wobei
sich die integration auf eine bestimmte Distanz und choice von Trips auf eine
bestimmte Länge bezieht (HILLIER & VAUGHAN 2007: o.S.).
Wie bereits in Kapitel 4 angerissen muss man bei der Berechung der Distanz davon
ausgehen, dass beim Durchlaufen mehrer Linien ebenfalls einige Kurven Bestand dieser
Strecke sind. Hierbei kommt die Frage auf, ob Menschen sich wirklich innerhalb der
kürzesten Strecke bewegen. Grundlegend ist es zwar das Ziel die Distanz zu
minimieren, jedoch ist unsere Vorstellung von Distanz durch geometrische sowie
topologische Faktoren beeinflusst (HILLIER & VAUGHAN 2007: o.S.). Von HILLIER &
IIDA (2005) wurden verschiedene Faktoren vorgestellt, welche dieses Problem
weiterführend betrachten.
Ausgehend von der axial map werden sämtliche Linien in Segmente unterteilt (bei
Kreuzungen), wobei jedes Segment eine node des Graphen darstellt, die durch
Kreuzungen verbunden sind (HILLIER & VAUGHAN 2007: o.S.). Die Berechung von
integration und choice wird mittels verschiedener Definitionen der Distanz
8

durchgeführt: short path (metrisch), least angle change (geometrisch), fewest turns
(topologisch) (HILLIER & VAUGHAN 2007: o.S.).
Abbildung 6: Umwandlung der axial map zur segment map (HILLIER & VAUGHAN 2007: o.S.).
In Abbildung 6 ist die Umwandlung der axial map in die segment map schematisch
dargestellt. Dies soll die Komplexität der Bewegungsmuster von Menschen im urbanen
Raum verdeutlichen.
In der Studie von HILLIER & VAUGHAN (2007) wurden hinsichtlich der
Bewegungsmuster die meisten Übereinstimmungen mit geometrischen sowie
Winkelmodellen gefunden. Die schlechteste Korrelation wurde mit dem metrischen
Model errechnet. Dieses Phänomen wird durch die so genannte spatial cognition erklärt.
In den vergangen Jahren wurden verschiedene Modelle erstellt, welche den Stadtraum
und Bewegungsmuster analysieren. Ein Beispiel ist die Unterteilung der Stadt in
diskrete Zonen, wobei der Austausch zwischen diesen Zonen durch ihre „Masse“ und
der Distanz untereinander beeinflusst ist (WILSON 2000: o.S.).
Insgesamt muss auf den darauf verwiesen werden, dass diese Modelle oftmals
Mikrostrukturen vernachlässigen. Diese Struktur ist jedoch ein entscheidendes Element
der Makrostruktur der Stadt. Die Einteilung in Zonen kann wiederum nur willkürlich
gewählt werden, da keine physische Notwendigkeit dahinter steht. Dies macht es
grundlegend schwer, Realität und Modell in Hinblick auf die Morphologie sinnvoll zu
verbinden (HILLIER & VAUGHAN 2007: o.S.).
9

6 Räumliche Wahrnehmung und Space Syntax
Die beobachteten Zusammenhänge zwischen menschlichem Verhalten und räumlichen
Strukturen, sowie die Korrelation zwischen dem Grad an integration und der Anzahl
von Bewohnern von bestimmten Gebieten haben vermehrt Aufmerksamkeit auf den
Forschungsbereich der räumlichen Wahrnehmung (in Space Syntax als spatial cognition
bezeichnet) gelenkt (BAFNA 2003: 26). Ein Schlüsselbegriff ist die so genannte
intelligibility (BAFNA 2003: 26) oder auch Sinnverständlichkeit. Dieser Begriff
beinhaltet die Eigenschaften von Raum, welche einem Beobachter ermöglichen, sich in
diesem Raum zu orientieren und sozusagen „seinen Weg zu finden“ (BAFNA 2003: 26).
Dieser Ansatz wurde durch die Space Syntax- Forschungsgruppe konzeptionell
umgesetzt. Dabei wird die intelligibility der Umwelt mittels der Vorhersagbarkeit
globaler Strukturen durch das Lesen der lokalen Eigenschaften des Raumes definiert
(HILLIER et al. 1993: o.S.). Technisch gesehen bedeutet das, das globale Strukturen
durch den Integrationswert jeglicher räumlicher Komponenten vorhergesagt werden
können (BAFNA 2003: 27). Die integration wird, wie zuvor beschrieben, durch die
durchschnittliche depth eines räumlichen Objektes von allen anderen räumlichen
Objekten innerhalb eines Systems beschrieben und ist somit durch die gesamte
räumliche Anordnung des Systems beeinflusst. Eine der am häufigsten verwendeten
räumlichen Eigenschaften wird als connectivity (BAFNA 2003: 27) bezeichnet. Die
connectivity ist ebenfalls für jedes räumliche Objekt definiert und bezeichnet die Anzahl
der direkt verbundenen räumlichen Objekte (BAFNA 2003: 27). Auf die convex und
axial map übertragen, stellt es die Anzahl von konvexen Räumen, von denen direkter
Zutritt in ein bestimmtes Polygon möglich ist bzw. die Anzahl der axialen Linien,
welche eine bestimmte axiale Linie durchkreuzen, dar. Der Grad an Korrelation
zwischen integration und connectivity kann als Maß für die intelligibility verwendet
werden (BAFNA 2003: 27).
Es existieren weitere Beschreibungsversuche lokaler Eigenschaften von Räumen. Dazu
zählt beispielsweise die Berechung der integration innerhalb bestimmter Radien. Bei
der Verwendung kleiner Radien wird der Integrationswert einzelner räumlicher Objekte
beschrieben durch ein kleineres lokales System, welches auf räumliche Objekte
innerhalb einer bestimmten depth zugreift (PENN et al. 1998: o.S.).
In Abbildung 7 ist vergleichend die global und die local integration des Londoner
Stadtgebietes dargestellt. Das Farbspektrum (blau bis rot) symbolisiert den Grad der
Integration, wobei rot einen hohen Integrationswert und blau einen niedrigen darstellt.
10

In der oberen Abbildung wurden alle axialen Linien mit in die Berechung einbezogen,
was auch als radius-n bezeichnet wird. Währenddessen ist in der unteren die
Begrenzung der Integration durch 3 depth- Schritte durchgeführt wurden, bezeichnet als
radius-3 (HILLIER 2009: o.S.). Laut HILLIER (2009) scheint durch die Reduzierung des
Radius auf lokale Bereiche ein detailliertes Bild der urbanen Bewegungsstrukturen zu
entstehen.
Abbildung 7: Globale (oben) und lokale (unten) Integration der Londoner Innenstadt (HILLIER
2009).
11

Bei dieser Art der Betrachtung räumlicher intelligibility muss jedoch kritisch die Stadt
als kulturelles Objekt berücksichtigt werden. Laut Definition von intelligibility müssten
räumliche Objekte mit hohen Integrationswerten ebenfalls eine hohe connectivity
ausweisen. Beispielsweise würde so Manhattan auf Grund des gleichmäßig angelegten
Straßennetzwerks eine niedrige intelligibility ausweisen, wo hingegen traditionelle
Marktstädte wie Mytilini in Griechenland (PEPONIS et al. 1989: o.S.) einen sehr hohen
Wert annehmen würden. Laut BAFNA (2003) müssen weitere „Hinweise“ für lokale und
globale Eigenschaften von Raum mit in Betracht gezogen werden. Hier stellt sich die
Frage, welche Art von „Hinweise“ über die räumliche Umgebung können außer
connectivity ermittelt werden, um ein komplexeres Verständnis menschlichen
Verhaltens innerhalb räumlicher Strukturen zu erhalten.
12

7 Zusammenfassung
In dieser Seminararbeit wurde der Versuch unternommen, die social logic of space
hinsichtlich der Methoden der Space Syntax zu erläutern. Dies beinhaltet die
Betrachtung räumlicher Strukturen, welche eine neue Dimension der
sozialwissenschaftlichen Untersuchung der Stadt ermöglicht.
Basierend auf der Idee der Objektivität des Raums und dem menschlich intuitivem
Umgang mit diesem, wurden 2 unterschiedliche Methoden vorgestellt. Dazu zählen die
geometrisch sowie die topologisch basierten Aspekte.
Weiterführend können diese räumlichen Strukturen vereinfacht dargestellt werden. Dies
erfolgt durch die Erstellung der convex und axial map. Diese visuelle Darstellung stellt
die Grundlage für die Untersuchung urbaner Regionen dar. Der Fokus liegt hierbei
insbesondere auf der Untersuchung des natural movements. Hierbei wird der Versuch
unternommen, menschliche Bewegungsmuster innerhalb eines Straßennetzwerks in
Verbindung mit der räumlichen Anordnung zu bringen. Darunter ist zu verstehen,
welche Art der räumlichen Gegebenheiten Einfluss auf menschliche Bewegungsmuster
haben.
Um diesen Einfluss besser verstehen zu können, wird die spatial cognition oder auch
räumliche Wahrnehmung berücksichtigt. Die am häufigsten verwendeten Methoden zur
Simulierung dieser „Motivation“ hinsichtlich der bevorzugten Bewegungsmuster, ist die
Bestimmung der intelligibility eines Ortes. Diese bezieht Eigenschaften von Orten wie
die connectivity ein.
Dies ist ebenfalls einer der größten Kritikpunkte. Die Vielfalt von räumlichen
Eigenschaften, welche eine Orientierung im Raum ermöglichen, muss berücksichtig
werden. In diesem Feld liegt zukünftig wohl auch das meiste Potential, um ein
komplexes Verständnis der Stadt zu erhalten, welches die physical und social city als
ein gesamtes System versteht.
13

Literatur
BAFNA, S. (2003): Space Syntax: A Brief Introduction to Its Logic and Analytical
Techniques. – Environment and Behavior 2003, 35, 17-29.
HILLIER, B. (2009): THE COMMON LANGUAGE OF SPACE: a way of looking at the
social, economic and environmental functioning of cities on a common
basis. – Space Syntax.
(Stand: 2009)
(Zugriff: 2009).
HILLIER, B. & J. HANSON (1984): The Social Logic of Space. Cambridge: Cambridge
University Press.
HILLIER, B. & S. IIDA (2005): Network and Psychological Effects in Urban Movement. -
(Stand: 2009) (Zugriff: 2009).
HILLIER, B., A. PENN, J. HANSON , T. GRAJEWSKI & J. XU (1993): Natural movement:
or, configuration and attraction in urban pedestrian movement. -
Environment and Planning B: Planning and Design 20, 29-66.
HILLIER, B. & L. VAUGHAN (2007): The city as one Thing. - Progress in Planning 67,
205-230.
HUNTER, S. (2009): Space Syntax. – Center for Inclusive Design and Environmental
Access,
(Stand: 2009) (Zugriff: 2009).
PENN, A., B. HILLIER, D. BANISTER & J. XU (1998): Configurational modeling of urban
movement networks. - Environment and Planning B 25, 59-84.
PEPONIS, J., E. HADJINIKOLAOU, C. LIVIERATOS & D. FATOUROS (1989): The spatial
core of urban culture. – Ekistics 334, 43-55.
PEPONIS, J. & J. WINEMAN (2002): Spatial Structure of Environment and Behavior. In:
BECHTEL & CHURCHMAN (Hrsg.): Handbook of Environmental Psychology.
New York: John Wiley & Sons.
WILSON, A. (2000): Complex Spatial Systems. Prentice Hall.
14

Praxisteil
ULC Depthmap
Die vorhandenen Shapedaten (vorliegend im ESRI- Datenformat) vom Stadtgebiet
Dresden müssen vor der Verarbeitung in Depthmap zunächst in ArcGIS zu DXF- Daten
(CAD- Datenformat) konvertiert werden („Convert to CAD“- Funktion).
Bei dieser Anwendung steht grundsätzlich die Analyse der bereits vorhandenen
Kantenkarte im Vordergrund, nicht die Erstellung einer „axial map“ oder einer „Visual
Graph Analysis“ (VGA). Diese beiden Funktionen stellen einen der
Hauptanwendungsgebiete von UCL Depthmap dar (siehe Tutorials). Ebenfalls ist der
statistische Vergleich von baulichen Daten und anderweitig erhobenen Daten (z.B.
Anzahl der Fußgänger) auf Grund fehlender Daten nicht möglich. Weiterhin war die
Überarbeitung der vorhandenen Daten (z.B. Verlängerung von Straßenzügen) nicht
notwendig.
Grundlegend versteht man unter einer „axial map“ oder „the fewest- line map“ „a
uniquely defined set of lines, which maintains the shortest paths around objects“.
Abbildung 1: Anlegen einer neuen Datei in UCL Depthmap
Zuerst müssen in Depthmap neue Dateien angelegt werden, um die entsprechenden
Daten importieren zu können (Abb. 1). Die Darstellung der Daten umfasst ebenfalls die
Ausmaße sowie die momentane Position in der Bilddatei (unterer rechter Rand in Abb.
2).
15

Abbildung 2: Einladen der DXF- Dateien
Die DXF- Datei wird als einfache Zeichnung importiert und muss zu einer „axial maps“
konvertiert werden. Dies erfolg über die Funktion „Convert Drawing Layer“. In
Abbildung 3 ist die Erstellung des neuen Layer dargestellt.
Abbildung 38: Konvertierung zu "axial map"
Diese „Axial map“ beinhaltet 2 Attribute: „connectivity“ und „line length“ (Abb. 4).
“Line length” sollte selbsterklärend sein. “Connectivity” eines Knoten bezeichnet
hierbei die Anzahl der angrenzenden Knoten, wie in Abbildung 5 beispielhaft
dargestellt ist.
16

Abbildung4: "Axial map"
Grundlegend können ausgehend von dieser “axial map” 2 Analysen durchgeführt
werden, um weitere Attribute zu errechnen: „step depth“ ausgehend von einer oder
mehrerer Linien und die „global integration analysis“ bzw. „local integration analysis“.
Abbildung 5: "Connectivity"
Um die “integration” zu berechnen muss die Funktion “Run Axial Line Analysis...” (in
Axial- Toolbox) angewendet werden. Hierbei ist die Möglichkeit gegeben, den Radius
zu reduzieren, der Ausgehend von allen Startlinien berechnet wird. In diesem Beispiel
17

wird der Radius „n“ angenommen, wobei hier alle Linien der „axial map“ in die
Berechnung weiteren Attribute einbezogen werden (Abb. 6).
Wenn der Radius anstatt „n“ einen Integerwert (1,2,3,…) annehmen sollte, so wird die
„global integration analysis“ hinsichtlich ihrer Weglänge auf den Integerwert reduziert.
Dies wird als „local integration analysis“ bezeichnet.
Abbildung 6: "Global Integration analysis"
Folgende Attribute werden berechnet: „entropy“, „integration“ (HH für Hillier und
Handerson normalisation; Tekl für Teklenburg et al. normalisation), „mean deapth“,
„node count“ und „intensity“ (Abb. 7).
Abbildung 7: "Global integration"- Attribute
18

Die „entropy“ berechnet die Verteilung von Orten hinsichtlich ihrer visuellen „Tiefe“
von einem Knoten, d.h. wenn viele Knoten visuell gesehen nah zum Ausgangsknoten
liegen, ist die „entropy“ gering. Daher kann mittels der „entropy“ Auskunft gegeben
werden, wie das System von einem bestimmten Knoten ausgehend geordnet ist. Die
Berechnung dieses Attributes bezieht sich auf die Hervorhebung von offenen Plätzen
und breiten Straßen.
Als visuelle „integration“ von einem Punkt wird die Anzahl der visuellen Schritte
bezeichnet, welche nötig sind, um von diesem Punkt zu allen anderen Punkten im
System zu gelangen. Die „Hillier und Handerson“- Normalisierung geht von einem
Wachstum der „axial map“- Graphen aus, welche eine Reduzierung der Integration
hinsichtlich der Intersektion der Linien verursacht. Die „Teklenburg“- Normalisierung
der „axial map“ erfolgt durch ein einfacheres Modell, welches eine logarithmische
Skalierung verwendet.
Die „mean depth“ bezeichnet die durchschnittliche Anzahl von Schritten, um von einem
Knoten zu einem anderen zu gelangen, wobei die geringste Anzahl von Schritten
zwischen einzelnen Knoten angestrebt wird.
Der „node count“ gibt die Anzahl aller Knoten an.
Die Berechung der „intensity“ erfolgt über „entropy“ bezüglich der Knotenanzahl in
einem System.
Abbildung 8: Scatter plot "Integration" und "Mean Depth"
In Abbildung 8 ist beispielhaft die Korrelation zwischen „integration“ und „mean
depth“ der „global integration analysis“ dargestellt. Mit Hilfe der Funktion „Scatter
19

Plot“ können verschiedene Attribute miteinander korreliert werden (Ausgabe von R 2
möglich). Die Tabellen (Abb. 9) können erweitert werden, um erhobene Daten mit in
die Berechnung und Darstellung von Korrelationen einzubeziehen.
Abbildung 9: Tabellenübersicht der Attribute der "global integration analysis"
Um die zweite Analyse „step depth“ durchführen zu können, müssen eine oder mehrere
Linien mit ausgewählt werden (durch Anklicken). Dann muss lediglich der „step
depth“- Button in der Menüleiste (Abb. 10) angeklickt werden. Die ausgewählte Linie
erhält dann den Wert 0. Alle anderen Linien erhalten dann den Wert, der die Anzahl der
Veränderung hinsichtlich der Entfernung zur 0- Linie beschreibt.
Abbildung 10: "Step depth"- Analyse
20

Auf Grundlage der „axial map“ kann dann ebenfalls eine Segmentanalyse durchgeführt
werden. Hierbei wird die „axial map“ in Segmente zerlegt, welche zu einem Netzwerk
verbunden werden. Segmente sind üblicher Weise an Abzweigungen verbunden. Ein
Teil dieser Segmentanalyse ist die so genannte „angular analysis“. Die Verbindung von
verschiedenen Winkeln in diesem Segmentnetzwerk oder auch „segment graph“ wurde
durch Hillier und Iida (2004) beschrieben durch eine Gewichtung der Verbindung der
einzelnen Segmente hinsichtlich der Winkel zum nächsten Segment. Hierbei erhält der
Winkel mit 0° den Wert 0, der Winkel 90° den Wert 1 und der Winkel 180° den Wert
2, wobei die Zwischenwerte interpoliert werden.
Abbildung 11: "Segment analysis"
In Abbildung 11 ist Erstellung der „segment map“ beispielhaft dargestellt. Diese wird
genauso wie die „axial map“ erstellt, nur mit der Typangabe „segment map“. Als
Attribute werden die ID der neuen Segmente, die Länger der einzelnen Segmentstücke
sowie die „connectivity“ und die „angular connectivity“ ausgegeben. Die Konvektivität
wird genauso erzeugt wie bei der „axial map“. Die Gewichtung zur Errechung der
„angular connectivity“ wurde bereits erklärt.
Die Analyse der Segmentkarte umfasst wiederum „step depth“, welches genauso wie
bei der Analyse der „axial map“ durchgeführt wird. Das erzeugt Attribut wird als
„angular step depth“ gezeichnet. Hierbei wird die Verbindung von einem Segment zum
nächsten unter Berücksichtigung der Winkelneigung berechnet. In Abbildung 12 ist die
Gewichtung der „step depth“- Analyse hinsichtlich der Winkel dargestellt.
21

Abbildung 12: "Angular step depth"
Weiterhin kann die Funktion „Run Segment Analysis…“ verwendet werden (Abb. 13).
Abbildung 13: "Segment analysis"
Bei dieser Funktion stehen 2 Optionen zur Auswahl. Der erste ist der „Full Angel“-
Analysetyp. Hierbei werden „angular mean depth“ „angular node count“ und „angular
total depth“ als Attribute berechnet. „Node count“ ist die Anzahl von Segmenten,
welche begegnet werden auf dem „Weg“ eines Segmentes hin zu allen anderen.
„Angular total depth“ ist die kumulierte Summe des kürzesten Winkelpfades (Abb. 14),
22

wohingegen „angular mean depth“ diese Summe durch den „angular node count“
dividiert.
Abbildung 14: Segmentattribute
Die zweite Option ist die „Tulpice analysis“. Diese Art der Analyse ist nach Karten
benannt, welche schematische Drehungen darstellen und von Rallyefahrern verwendet
werden. Letztlich erfolgt eine Kategorisierung von Drehungen: alles unter 22,5° erhält
den Wert0, alles zwischen 22,5° und 67,5° den Wert 0,5 und so weiter. Durch die
Kategorisierung von Winkelbereichen (4 bis 1024) wird der Arbeitsprozess schneller
als bei der normalen „angular analysis“, da die Festlegung von exakten Winkeln nicht
notwendig ist.
Confeego (MapInfo)
Als Inputdaten werden MapInfo Table- Datein (*.tab) benötigt. Die Konvertierung von
Shapedateien oder anderen Dateiformaten kann über die „Universal Translator…“-
Funktion ausgeführt werden. Confeego ist als „Space Syntax“- Button in die Menüleiste
von MapInfo mit eingefügt.
Wie auch bei UCL Depthmap besteht auch hier die Möglichkeit, überlappende Objekte
zu trennen. Jedoch besteht bei diesem Beispiel kein Bedarf, da es keine überlappenden
Objekte in der Kantenkarte vom Stadtgebiet Dresden gibt.
23

Um globale und lokale Integration zur berechnen kann die Funktion „Process
Integration“ (Space Syntax Menü) verwendet werden (Abb. 15).
Abbildung 15: „Process Integration“
Als Inputdatei wird die „axial map“ verwendet. Die angegebene ID- Spalte muss
individuelle ID´s für alle einzelnen Objekte beinhalten. Wie bereist erwähnt, ist in
diesem Fall die Trennung von Objekten nicht notwendig, daher kann „NO UNLINKS“
ausgewählt werden (Abb. 15).
Die Berechnung der globalen Integration (Radius N) ist immer Bestandteil der Analyse.
Lokale Integration kann über verschiedene Radien erstellt werden. Weiterhin kann die
so genannte „Junction map“ (wie Segmentkarte in Depthmap) berechnet werden,
welche sich auf die verbundenen Schnittpunkte zwischen einzelnen Linien der „axial
map“ beziehen. Dieser Prozess braucht deutlich mehr Zeit für die Verarbeitung.
In der Outputtabelle werden verschiedene Attribute ausgegeben welche sich auf die
verschiedenen Radien beziehen (Int_RN = Radius 0; Int_RRad8 = Radius 8). Dazu
zählen:
- k_R*: Scope = Anzahl an Objekten innerhalb eines bestimmten Radius eines
bestimmten Objektes (z.B. Linie) plus 1, d.h. wenn 10 Objekte innerhalb des Radius
liegen ist der Scope 11;
- TD_R*: Total Depth = die Summe aller „depth“- Werte eines Objektes von allen
anderen Objekten innerhalb eines Radius, d.h. wenn sich 2 andere Objekte einen Schritt
24

entfernt und 3 andere 2 Schritte entfernt befinden, wäre die Rechnung (2 x 1) + (3 x 2) =
8;
- MD_R*: Mean Depth = der durchschnittliche „depth“- Wert einer Objektes von allen
anderen Objekten innerhalb eines Radius;
- RA_R*: Relative Asymmetry = Berechung, welche die Integration eines Objektes mit
theoretischen Variationen der Integration vergleicht, d.h. wenn das Objekt mit allen
anderen Objekten direkt verbunden wäre oder am Ende einer einzelnen Linie liegen
würde;
- Int_R*: Integration = Berechung, welche die „Relative Asymmetry“ normalisiert
anhand der „Scope“- Größe (Abb. 16).
Abbildung 16: Integrationsattributstabelle
Die zweite Funktion in Confeego ist die Berechung der „point depth“ („step depth“ in in
UCL Depthmap). Diese Analyse wird über die „Process Point Depth“- Funktion
ausgeführt. Vorher muss ein Objekt (Linie in „axial map“) ausgewählt werden (einfach
durch anklicken). Die Darstellung der „point depth“ ist analog der in ULC Depthmap,
d.h. das ausgewählte Objekt erhält den Wert 0, einen Schritt entfernt den Wert 1. Der
Radius kann hier ebenfalls angegeben werden (Abb. 17). Beispielsweise werden bei
einem Radius von 3 alle Objekte einbezogen, die 2 Schritte entfernt sind. Die
Einbeziehung aller Objekte und die damit verbundene Berechnung der maximalen
Anzahl von Schritten („depth“- Werten) kann durch das Anklicken von „All Nodes“
durchgeführt werden (Abb. 17).
25

Abbildung 17: "Point depth"
In der Outputtabelle werden folgende Attribute ausgegeben:
- PD: dadurch wird angezeigt, dass es dich um eine „point depth“- Spalte handelt;
- [number]: die maximale Anzahl von „depth“- Werten;
- ALL: gibt an, dass alle „depth“ gefunden wurden;
- UNCONN: gibt an, dass nicht verbundene Systeme gefunden wurden.
Abbildung 18: "Point depth" thematische Darstellung
Die Darstellung der thematischen Karte erfolgt über dasselbe Farbenschema wie in
UCL Depthmap, d.h. die ausgewählte Linie erhält die Farbe rot und mit zunehmender
26

Wertigkeit werden „kühlere“ Farben vergeben (Abb. 18). Dies erfolgt bis zur Schritt 8,
darüber hinaus werden alle Objekte in lila dargestellt bzw. alle Objekte, die nicht mit
analysiert wurden in grau.
Weiterhin ist die Analyse der berechneten Integration sowie „point depth“ hinsichtlich
anderer erhobener Daten möglich mit dem Programm JUMPER (statistische
Auswertung), welches ebenfalls in MapInfo implementiert werden kann. Jedoch war in
diesem Fall keine Lizenz verfügbar, so dass auf diesen Teil der Arbeit verzichtet werden
muss. Weiterhin fehlen Vergleichsdaten (z.B. Fußgängerzahlen für diese
Untersuchung).
27