Willkommen bei ESC Enggist Science Consulting

Erkenntnis gewinnen

Probleme lösen

Entscheidungen treffen

 

Nachvollziehbar

Überprüfbar

Fundiert

Der Beweis

«Es ist wissenschaftlich bewiesen» ist ein oft verwendeter Satzbeginn um klar zu machen, dass etwas so und nicht anders ist. Gerade naturwissenschaftliche Erkenntnisse werden, oft auch von Forschenden selber, mit dem Attribut ‹bewiesen› versehen.

‹Beweis› ist allerdings kein Begriff der naturwissenschaftlichen Methodik.

Er ist in genau drei Wissenschaftsbereichen anwendbar:

  1. in der Mathematik
  2. in der Logik
  3. im Rechtswesen

Eine Aussage kann naturwissenschaftlich belegt oder gestützt sein, nie aber bewiesen. Hingegen kann eine Aussage widerlegt werden. Prinzipielle Widerlegbarkeit ist eine wichtige Anforderung an eine naturwissenschaftliche Aussage, Hypothese oder Theorie.

Die 3 Prinzipien der Physik

Bis ins 19. Jahrhundert beruhte die Physik auf den Prinzipien der

  • Stetigkeit
  • Objektivierbarkeit
  • Kausalität

Aufgrund der Untersuchungen der Wärmestrahlung durch Max Planck musste im Jahr 1900 auf die Stetigkeit verzichtet werden. Die Natur ist nicht stetig und kontinuierlich, sie macht auch Sprünge.

Mit den Arbeiten von Albert Einstein zum Photoeffekt musste 1905 auch das Prinzip der Objektivierbarkeit aufgegeben werden: ob Licht als Welle oder Teilchen erscheint, ist abhängig vom Experiment.

Schlussendlich fiel mit der Formulierung der Unschärferelation durch Werner Heisenberg, Niels Bohr und ihre Kollegen auch das Kausalitätsprinzip: vorhersagbar sind nur Wahrscheinlichkeiten.

Es gibt Vorgänge in der Natur, welche wir nicht vorhersagen können – nicht weil wir zu wenig darüber wissen, sondern weil sie prinzipiell nicht vorhersagbar sind.

Kausalität – Deduktion – Abduktion – Induktion

Unser Denken sucht immer wieder Antworten auf die Frage nach dem Warum. So auch in den Wissenschaften, wo es zu einem ganz wesentlichen Teil um Fragen nach Ursachen, um Kausalität geht. Wie können wir solche Fragen beantworten? Wie können wir Kausalität feststellen? Was überhaupt ist Kausalität? Dies sind grundsätzliche Fragen, welche an den Fundamenten unserer wissenschaftlichen Tätigkeit kratzen. Über mögliche Antworten wird seit einigen hundert Jahren gestritten. Philosophenfutter, mögen Sie vielleicht denken. Wenn wir Wissenschaftler uns nicht dem Vorwurf aussetzen wollen, im Grunde nicht zu wissen was wir eigentlich tun, sollten wir uns zwischendurch auch mit solchen Aspekten unserer Tätigkeit befassen.

Oft erscheint es uns problemlos möglich, Kausalzusammenhänge zu erkennen. Diesbezüglich ist unsere Intuition recht zuverlässig, wenn auch nicht fehlerfrei. Versuchen wir Kausalzusammenhänge aber sprachlich zu erfassen, sie zu beschreiben, geraten wir bald in Schwierigkeiten. Wir erkennen ohne weiteres, dass der Fussball die Ursache für das Zerbersten der Fensterscheibe war. Wie gelangen wir zu dieser Erkenntnis? Ein erster Hinweis liefert uns die zeitliche und räumliche Nähe zwischen dem Auftreffen des Fussballs und dem Zerbersten der Scheibe. Weiter könnten wir wiederholt Fussbälle gegen Fensterscheiben treten und beobachten, dass diese zerbrechen. Wenn dieses Ereignis also immer eintritt, sooft wir das Experiment (oder die Beobachtung) auch wiederholen, bestärkt uns das in der Vermutung, dass tatsächlich ein Kausalzusammenhang besteht. Das Problem besteht im Wörtchen ‹immer›. War es in der Vergangenheit immer so, können wir daraus nicht schliessen, dass es auch in der Zukunft immer so sein wird. Was, wenn eine Scheibe doch einmal standhält? Das haben wohl viele von uns auch schon erlebt und waren darob ganz froh. Trotzdem geriet unsere Kausalitätsüberzeugung nicht ins Wanken. Der Ball flog halt nicht so schnell oder die Scheibe war besonders dick. Die Situation war eine andere als in den Fällen zuvor. Aber wann ist eine Situation anders als die andere? Sicher waren Fluggeschwindigkeit und Scheibendicke und noch viele weitere Faktoren in den vorangegangen Fällen, als das Glas klirrte, ebenfalls unterschiedlich. Wann sind denn zwei Situationen gleichartig? Diesem Problem muss sich die Regularitätstheorie stellen, eine der Theorien zur Erklärung der Kausalität, deren einflussreichster Vertreter David Hume war.

Also verursacht nicht jeder fliegende Ball das Zerbrechen der Scheibe, aber wenn die Scheibe zerbricht, dann war der Ball die Ursache dafür. Denn, wäre kein Ball gegen die Scheibe geprallt, wäre sie jetzt noch ganz. Dies ist ein altes Argument zugunsten einer kausalen Interpretation, beruhend auf der Kontrafaktischen Analyse. Auch diese hat ihre Tücken. Wie können wir überhaupt feststellen, dass die Scheibe ganz geblieben wäre, wenn der Ball nicht auf die Scheibe geprallt wäre?

Schon dieses einfache Beispiel zeigt grundsätzliche, schwierige Probleme auf. Wir beschäftigen uns meist mit wesentlich komplexeren Fragestellungen, wie z.B. nach den Ursachen des Artenrückgangs, von Klimaveränderungen oder von Krankheiten. Wie können wir hier zu gesicherten Aussagen gelangen?

Es kommt noch schlimmer, wenn wir uns etwas grundsätzlicher mit den Schlussweisen, die wir in den Kausalanalysen anwenden, auseinander setzen.

Beginnen wir mit der Deduktion:

Prämisse 1: wenn A, dann B
Prämisse 2: nun aber A
Konklusion: also B

Unser Beispiel lautet dann:
Prämisse 1: Wenn ein Ball auf die Fensterscheibe prallt, dann zerbricht die Fensterscheibe.
Prämisse 2: Nun prallt ein Ball auf die Fensterscheibe,
Konklusion: also zerbricht die Fensterscheibe.
Abgesehen von den oben erwähnten Schwierigkeiten bietet diese Schlussweise keine Probleme. Sind die Prämissen gültig resp. wahr, dann ist auch die Konklusion wahr.

Häufiger wenden wir das folgende Schlussverfahren an, die Abduktion (nach Peirce):

Prämisse 1: wenn A, dann B
Prämisse 2: nun aber B
Konklusion: also A

Wiederum unser Beispiel:
Prämisse 1: Wenn ein Ball auf die Fensterscheibe prallt, dann zerbricht die Fensterscheibe.
Prämisse 2: Nun aber ist die Fensterscheibe zerbrochen.
Konklusion: Also prallte ein Ball auf die Fensterscheibe.
Dieser Schluss ist in der Logik ungültig, denn wahre Prämissen führen hier nicht unbedingt zu wahren Konklusionen! Wir sehen leicht, dass es beispielsweise auch ein Stein hätte sein können. Trotzdem verwenden wir dieses Verfahren sehr oft, nicht nur im Alltag, sondern auch in den Wissenschaften, insbesondere auch in der Medizin. Wir schliessen aus der beobachteten Wirkung auf die Ursache.

Vielleicht finden wir einen Ausweg, wenn wir die konditionalen Aussagen (‹wenn A, dann B›) als Hypothesen auffassen, woraus sich Aussagen ableiten lassen, die verifizierbar sind. Dies wird auch als hypothetisch-deduktives Verfahren bezeichnet. Wir können folgende Schlussweise anwenden, welche, im Gegensatz zur Abduktion, logisch begründet und allgemein gültig ist:

Prämisse 1: wenn A, dann B
Prämisse 2: nun aber nicht B
Konklusion: also nicht A

Sind die Prämissen gültig, dann ist es auch die Konklusion. Wenn die Hypothese ‹Alle Raben sind schwarz› (wenn Rabe, dann schwarz) zutrifft, dann sind alle nicht-schwarzen Dinge die wir beobachten, keine Raben. Exkurs zum Rabenparadox

Der Vorteil dieses Schlussverfahrens liegt neben seiner logischen Korrektheit darin, dass wir die Hypothese falsifizieren können. Die Falsifikation der Schlussfolgerung (Konklusion) führt zur Falsifikation der Hypothese. Die Beobachtung eines einzigen nicht-schwarzen Raben

weisser Rabe vermag die Hypothese zu widerlegen.

Damit, durch die Falsifikation anstelle der Verifikation, meinte Popper das Problem gelöst zu haben. Genauer: er bot eine Lösung des Induktionsproblems (s. u.) mit Hilfe der deduktiven Logik. Dieser Lösungsvorschlag ist umstritten. Ein Grund dafür ist, dass wir es in der Wissenschaft nicht mit isolierten, singulären Aussagen zu tun haben, sondern mit einem ganzen Komplex untereinander verknüpfter Hypothesen. Jede Aussage basiert auf Theorien. So lautet dann das Schlussschema, wenn wir die Falsifikation anwenden,

1. wenn A und T, dann B
2. nun aber nicht B
3. also entweder nicht A, oder nicht T

Wir haben die Wahl, entweder A, eine Prüfaussage (Popper), oder T, eine Theorie, zu verwerfen. Popper plädierte für die Verwerfung von T, jedoch mit der vorsichtigen Formulierung «Ja, die Annahme, bestimmte Prüfaussagen seien wahr, rechtfertigt manchmal die Behauptung, eine erklärende allgemeine Theorie sei falsch.» (Karl R. Popper 1984. Objektive Erkenntnis. Hoffman und Campe, Hamburg. S. 8). In der Praxis geschieht das selten, schon gar nicht aufgrund eines einzigen Experimentes. Denn T ist gewöhnlich eine so bedeutende Aussage oder Theorie, dass man sie trotz aller logischen Rechtfertigung nicht so leicht aufzugeben bereit ist. Dies aus gutem Grund. Stellen wir uns anstelle des abstrakten Schlussschemas ein konkretes Experiment vor. Wir wissen, was alles in einem Experiment schief laufen kann. So werden wir eher A verwerfen und unser Experiment auf Mängel überprüfen, unsere zugrunde liegenden Überlegungen in Frage stellen, oder Zusatzannahmen treffen.

Allgemeine Hypothesen und Theorien sind zentraler Gegenstand der Naturwissenschaften. Wir wollen nicht nur Aussagen über Einzelfälle machen können, sondern allgemein(er) gültige. Dahin gelangen wir mit Hilfe der Induktion, indem wir von Einzelereignissen auf eine Gesetzmässigkeit (z.B. auf eine Kausalität) schliessen oder eine Verallgemeinerung (‹alle Raben sind schwarz›) treffen. Schon Aristoteles hat jedoch nachgewiesen, dass die Induktion nicht schlüssig ist! Gleichwohl bildet sie eine der Hauptmethoden der Naturwissenschaften. Im Versuch der Rechtfertigung streiten sich die Philosophen seit Jahrhunderten. Denn schliesslich ist es die Induktion, welche erkenntniserweiternd ist.

(NB: Auch die (inferentielle) Statistik liefert keine Lösung des Induktionsproblems. Statt mit Allaussagen wie in den oben genannten Beispielen haben wir es mit probabilistischen Aussagen zu tun. Die Probleme bleiben grundsätzlich dieselben, wie schon Hume aufgezeigt hat, im Speziellen kommen weitere hinzu.)

Sollten wir einige Aspekte der Natur tatsächlich erfasst haben, dann wissen wir im Grunde genommen nicht so genau, wie es geschehen ist. „Es ist vermutlich nur den wenigsten Wissenschaftlern klar, dass ihr Handeln unter einem nomologisch-deduktiv-kausalen Paradigma eine Überzeugung darstellt, die im Verlaufe der (natur)wissenschaftlichen Sozialisation erworben wurde, und selber nur unvollständig und elliptisch begründbar ist. Pointiert: die Berufung auf die Kausalität als Begründungsmodell in den (Natur)Wissenschaften kann letztlich nur final bzw. teleologisch begründet werden.“ (Stangl 1989, S. 105 (S. 6 in diesem pdf-Dokument)).

Den Eingangs erwähnten Vorwurf, dass wir eigentlich nicht so recht wissen, was wir tun, können wir also (noch) nicht ganz entkräften. Wir sollten uns bewusst sein, dass die wissenschaftliche Methodik richtige und sichere Erkenntnis nicht gewährleistet. Aber korrekt angewendet, bietet sie wohl doch die Möglichkeit, Irrtümer aufzudecken.

In der Praxis mag dazu das Verfahren besonders tauglich sein, welches wir auch in der Modellselektion anwenden. Hier ist allerdings nicht das statistische Verfahren gemeint, sondern das ihr vorangehende: die Formulierung verschiedener (sich ergänzender und konkurrierender) Modelle, resp. Hypothesen. Dazu benutzen wir die erwähnten Verfahren der Logik. Ebenso in der Planung eines Forschungsprojektes. Eine Auseinandersetzung mit diesen Themen ist also auch für unsere ‹praktische› Arbeit notwendig. Sie gehen nicht nur die Philosophen, sondern auch uns etwas an.

Das Rabenparadox

oder Hempels Paradox, nach dem Philosophen Carl Gustav Hempel benannt.

Die Hypothese

Alle Raben sind schwarz

wird durch jede Beobachtung eines schwarzen Raben gestützt.

Sie kann äquivalent auch folgendermassen formuliert werden:

Alle nicht-schwarzen Objekte sind keine Raben.

So stützt jede Beobachtung eines nicht-schwarzen Objekts, das kein Rabe ist, die Hypothese ebenfalls. Beobachte ich also ein gelbes Auto, stützt dies die Hypothese, dass alle Raben schwarz sind.

Hempel folgerte daraus, was nicht unbestritten blieb, dass jede Aussage, die einer Allaussage nicht widerspricht, diese in bestimmtem Mass unterstützt.

Quelle: Wikipedia

Modellselektion

In vielen Studien werden der Einfluss verschiedener Parameter auf eine Grösse, eine abhängige Variable untersucht. Man fragt sich, inwieweit und in welcher Art die Einflussgrössen eine Auswirkung auf die abhängige Variable haben. Ein gängiges Verfahren besteht darin, eine Regressionsanalyse (oder eine Varianzanalyse) durchzuführen, und mit einem Eliminationsverfahren (z.B. schrittweiser Rückwärtselimination) die ’signifikanten› Einflussgrössen herauszufinden. Wir vergleichen verschiedene Regressionsmodelle untereinander und wählen das ‹Beste›, welches die wichtigen Einflussgrössen enthält, aus. Die Auswahl der Regressionsmodelle beruht dabei auf berechneten Irrtumswahrscheinlichkeiten. Dieser Ansatz ist in verschiedener Hinsicht problematisch, nicht nur weil er zu falschen Schlussfolgerungen führen kann, sondern auch weil er theoretisch nicht fundiert ist. Er basiert auf Hypothesen-Tests, welche nur Aussagen über die Wahrscheinlichkeit des Auftretens eines bestimmten Ereignisses unter der Annahme der Gültigkeit einer bestimmten Hypothese (der Nullhypothese) zulässt, und über Hypothesen selbst keine Aussagen erlaubt. Zudem ist der Ansatz des Testens von Hypothesen in der klassischen Statistik theoretisch begründet allein für Experimente, welche Kontrolle und Behandlung mit Randomisierung und Replikation beinhalten. Vielfach werden aber gerade Regressionsmodelle bei der Analyse empirischer Daten verwendet, wo der experimentelle Zugang seine Grenzen hat, wo viele Einflussgrössen in komplexer Weise wirken und sie damit nicht experimentell voneinander isoliert betrachtet werden können. Bei solchen Fragestellungen steht nicht die Prüfung von Nullhypothesen im Vordergrund, sondern vielmehr der Vergleich verschiedener Hypothesen, verschiedener Erklärungsmöglichkeiten, bzw. daraus abgeleiteter Modelle. Dies ist mit der klassischen, resp. frequentistischen Statistik meist nicht möglich. Es bestehen aber schon seit einiger Zeit geeignete Verfahren, die aber, z.T. wohl aus Unkenntnis, in vielen Forschungsbereichen noch selten verwendet werden. Wenn diese Hinweise zur Beschleunigung des Umsetzungsprozesses beitragen, ist ihr Zweck erfüllt.

Um das geeignetste Modell (‹the best approximating model›) aus einem Set von Modellen auswählen zu können, benötigen wir einen Parameter der einen quantitativen Vergleich der Güte verschiedener Modelle zulässt. Dass dazu Irrtumswahrscheinlichkeiten nicht geeignet sind, haben wir oben festgestellt. Auch das Bestimmtheitsmass R2 ist dazu nur in speziellen, einfachen Fällen geeignet (als adj. R2). Es sind verschiedene Methoden der Modellselektion entwickelt worden, welche geeignete Parameter liefern. Neben andern solche, die auf der Bayes-Statistik beruhen, andere welche auf der mathematischen Informationstheorie basieren. Die Parameter heissen in der Bayes-Statistik etwa CAIC, BIC, SIC, WIC oder HQ, bei den auf der Informationstheorie basierenden AIC, AICc, QAICc und TIC.

Der informationstheoretische Ansatz unter Verwendung von Akaike’s Informationskriteriums (AIC und Verwandte) scheint mir persönlich ein für den Praktiker besonders geeigneter zu sein, nicht zuletzt wegen der ausgezeichneten Darstellung dieses Ansatzes durch Kenneth P. Burnham und David R. Anderson in ihrem Buch Model selection and multimodel inference: A practical information – theoretic approach.

Modellselektion erfordert die konkrete Formulierung verschiedener Modelle. Dazu ist eine intensive Auseinandersetzung mit dem Forschungsgegenstand und mit den Forschungsfragen notwendig. Die Modelle leiten sich von den Forschungs-Hypothesen ab und sollen erklären helfen, wie die verschiedenen Einflussgrössen wirken. Sie sollen postulierte Zusammenhänge abbilden. Oft sind die Modelle dann komplex und von unterschiedlicher Art, sie sind ’non-nested›, wie z.B. y = a + b*log(x); y = a(x / (b + x)). Traditionelle Verfahren wie die Regressionsanalyse lassen sich nur auf voneinander abgeleitete Modelle (nested models) anwenden (y = ax1 + bx2 + c; y = ax1 + c). Für den quantitativen Vergleich von Modellen unterschiedlicher Art benötigen wir oben erwähnte Verfahren der Modellselektion.

Nach meiner Forschungs- und Lehrtätigkeit an der Universität Bern gründete ich ESC Enggist Science Consulting, zwischen 1. Oktober 2003 und 1.Oktober 2005 eine im Handelsregister eingetragene und mehrwertsteuerpflichtige Einzelfirma.

In dieser Zeit realisierte ich verschiedene Forschungsprojekte und unterstützte Wissenschaftlerinnen und Wissenschaftler in ihrer Arbeit.

Bis zu meiner Pensionierung im September 2022 war ich für die Schweizerische Post als Senior Statistics and Project Manager und Senior Data Scientist tätig.

  • 30 jährige Erfahrung in naturwissenschaftlicher Arbeit
  • Erkenntnistheorie und Methodik der Naturwissenschaften
  • Projektplanung und Realisierung
  • Experimental design und Beobachtungsstudien
  • Datenerhebung in Labor und Feld (inklusive Bioakustik und Telemetrie
  • Datenanalysen: deskriptive Statistik, parametrische und nonparametrische Test- und Schätzverfahren, Zeitreihenanalysen, auf der Informationstheorie basierende Verfahren der Modellselektion (Stichwort AIC)
  • Modellentwicklung
  • Kurse in Methoden der Datenerhebung und Datenanalyse
  • Erfahrung in der Umsetzung von Ergebnissen in die Praxis
Eine Übersicht über meine Forschungstätigkeit als Verhaltensbiologe finden Sie unter ‹Projekte & Publikationen‹.

Projekte und Publikationen

Akustische Kommunikation bei Rabenvögeln (Corvidae):

  • Akustische Kommunikation bei Elstern (Pica pica)
  • Kolkraben (Corvus corax): Grosse Freilandstudie zur akustischen Kommunikation und Tradierung von Lautäusserungen, in Zusammenarbeit mit Dr. U. Pfister

Projekt «Tourismus & Wild»:

Arbeitsgruppe Ethologie & Naturschutz des Zoologischen Institutes der Universität Bern, im Auftrag des Bundesamtes für Umwelt (BAFU).

Leitung: Prof. Dr. P. Ingold
Wissenschaftlicher Mitarbeiter und Verantwortlicher für EDV, Statistik und Modellierung: Dr. P. Enggist

observing chamois

Ziel des Projektes war es, im Sinne der Früherkennung von ungünstigen Bedingungen die Auswirkungen von verschiedenen Formen von Tourismus und Freizeitsport auf das Verhalten, die Raum-, Zeit- und Sozialorganisation sowie auf körperliche Parameter (z.B. Kondition) und die Fortpflanzung verschiedener alpiner Arten zu untersuchen und Grundlagen für eine Optimierung der Beziehung zwischen Tourismus/Freizeitsport und Wildtieren bereitzustellen.

  • Projektplanung und Organisation
  • Datenauswertungen: klassische Statistik und model selection
  • Modellierung zum quantitativen Vergleich des Einflusses verschiedener Freizeitaktivitäten auf Wildtiere
  • Modellierung von Aspekten des Verhaltens und der Raumnutzung bei Wiederkäuern (insbesondere Gämsen), in Zusammenarbeit mit Frau Dr. R. Fankhauser
  • Beratung und Betreuung von Studierenden
  • Seminarien über Methoden der Datenerhebung und Datenanalyse
  • Mitarbeit im Praktikum ‹Feldforschung› für Studierende

Modellierung von Aspekten des Verhaltens von Wiederkäuern:

Auftrag des Bundesamtes für Umwelt (BAFU) an ESC Enggist Science Consulting.

Mit Hilfe des im Rahmen des Projektes ‹Tourismus & Wild› erarbeiteten Modells wurde untersucht, unter welchen Bedingungen Gämsen ihren Aktivitätsrhythmus aufrecht erhalten können.

  • Projektplanung und Organisation
  • Simulationen und Datenanalysen
  • Erarbeitung eines praxistauglichen Instrumentes zur Abschätzung des Ausmasses von Freizeitaktivitäten und deren Konsequenzen für Gämsen

Publikationen (chronologisch):

  • Enggist-Düblin, P. (1987). Die Rufe der Elster: Aspekte zur Syntax, Semantik und Pragmatik. Lizentiatsarbeit Universität Bern.
  • Enggist-Düblin, P. (1988). Die Lautäusserungen der Elster (Pica pica). Beih. Veröff. Naturschutz Landschaftspflege Bad.-Württ., 53, 175-182.
  • Enggist-Düblin, P. & Birkhead, T.R. (1992). Differences in the calls of European and North American black-billed magpies and the yellow-billed magpie. Bioacoustics, 4, 185-194.
  • Enggist-Düblin, P. (1995). Tradierung von Rufen bei Kolkraben (Corvus corax). Inauguraldissertation der Philosophisch-naturwissenschaftlichen Fakultät der Universität Bern.
  • Enggist-Dueblin, P. & Pfister, U. (1997). Communication in ravens (Corvus corax): call use in interactions between pair partners. Advances in Ethology, 32, 122.
  • Ingold, P., Bächler, E., Enggist-Düblin, P., Fankhauser, T., Gander, H., Lederer, B., Noser, T., Pfister, U., Ruppen, Ch. (1997). Tourismus/Freizeitsport und Wildtiere. Schlussbericht Projekt “Tourismus und Wild” zuhanden des Bundesamtes für Umwelt, Wald und Landschaft BUWAL, Bereich Wildtiere.
  • Ingold, P., Pfister, U. , Baechler, E., Enggist-Dueblin, P. (1998). Pattern and rhythm of activity in Alpine chamois (Rupicapra r. rupicapra) during winter. Zeitschrift für Säugetierkunde, 63, 183-185.
  • Enggist-Dueblin, P. Wandern und Hängegleiten: ein Vergleich ihres Einflusses auf Gämsen (1999). Mitteilungen der Naturforschenden Gesellschaft in Bern, 56, 109-114.
  • Enggist-Dueblin, P. & Pfister, U. (2002). Cultural transmission of vocalizations in ravens (Corvus corax). Animal Behaviour 64, 831-841.
    Ingold, P., Boldt, A., Bächler, E., Enggist, P., von Arx, M. & Willisch, Ch. ‹Tourismus & Wild›. Schlussbericht 1997-2002 (2003). Bericht zuhanden des Bundesamtes für Umwelt, Wald und Landschaft BUWAL, Bereich Wildtiere.
  • Enggist, P. (2003). Ein individuenbasiertes, räumlich explizites Modell zur Simulation des Verhaltens und der Raumnutzung von Gämsen. In: Ingold et al.: ‹Tourismus & Wild›. Schlussbericht 1997-2002 (2003). Bericht zuhanden des Bundesamtes für Umwelt, Wald und Landschaft BUWAL, Bereich Wildtiere. p. 383-415.
  • Enggist-Dueblin, P. & Ingold, P. (2003). Modelling the impact of different forms of wildlife harassment, exemplified by a quantitative comparison of the effects of hikers and paragliders on feeding and space use of chamois. Wildlife Biology 9, 37-45.
  • Enggist, P. (2003). Stabilität des Aktivitätsrhythmus bei Gämsen: eine Simulationsstudie zu den Auswirkungen von Unterbrüchen beim Äsen. Bericht zuhanden des Bundesamtes für Umwelt, Wald und Landschaft, Bereich Wildtiere.
  • Enggist, P. (2003). Wann sollten Freizeitaktivitäten eingeschränkt werden? Ein praxistaugliches Instrument zur Entscheidungsfindung, dargestellt am Beispiel der Auswirkungen von Wander- und Hängegleiterbetrieb auf Gämsen. Bericht zuhanden des Bundesamtes für Umwelt, Wald und Landschaft, Bereich Wildtiere.
  • Enggist, P. (2004). Stabilität des Aktivitätsrhythmus und Konsequenzen von Unterbrüchen der Nahrungsaufnahme bei Gämsen im Winter: eine Simulationsstudie. Bericht zuhanden des Bundesamtes für Umwelt, Wald und Landschaft, Bereich Wildtiere.
  • Fankhauser, R. & Enggist-Dueblin, P. (2004). Simulation of alpine chamois Rupicapra r. rupicapra habitat use. Ecological Modelling, 175, 291-302.