Motivation
In diesem Projekt untersuchen Sie, wie soziale Netzwerke – insbesondere Freundschaften – wirtschaftliche Chancen und sozialen Aufstieg beeinflussen. Dabei greifen Sie auf einen Datensatz von 70,3 Millionen Facebook Nutzern zurück, um das Konzept des Sozialkapitals besser zu verstehen. Ihr Ziel ist es, zu analysieren, wie stark Menschen aus unterschiedlichen sozioökonomischen Hintergründen miteinander vernetzt sind und welche Auswirkungen dies auf die wirtschaftliche Mobilität hat.
Fokus der Analyse
Das Projekt konzentriert sich auf zwei zentrale Aspekte sozialer
Vernetzung:
- Exposition: In welchem Ausmaß kommen Menschen aus
verschiedenen sozialen Schichten überhaupt in Kontakt?
- Freundschafts-Bias: Wenn Menschen die Möglichkeit haben, sich mit Personen aus anderen sozialen Schichten anzufreunden – nutzen sie diese Chance auch? Oder bleiben sie lieber in ihrer vertrauten sozialen Umgebung?
Warum ist das relevant?
Eine zentrale Fragestellung des Projekts ist es, zu untersuchen, ob und
in welchem Ausmaß soziale Netzwerke – insbesondere Freundschaften – zu
wirtschaftlicher Mobilität beitragen. Frühere Studien deuten darauf hin,
dass ein Mangel an sozialer Interaktion über Klassengrenzen hinweg mit
geringeren Aufstiegschancen verbunden ist. Menschen, die stärker über
soziale Schichten hinweg vernetzt sind, profitieren tendenziell von
besseren wirtschaftlichen Perspektiven.
Doch der genaue Zusammenhang zwischen Sozialkapital und wirtschaftlicher Mobilität ist bisher nur teilweise verstanden. Ihr Projekt hat daher das Ziel, diesen Zusammenhang empirisch zu untersuchen und offenzulegen. Sie analysieren, inwiefern unterschiedliche Formen sozialer Vernetzung Chancen auf sozialen Aufstieg beeinflussen – oder behindern.
Datengrundlage
Für Ihre Analyse verwenden Sie reale Daten des Social Capital Atlas (https://www.socialcapital.org). Ihr Ziel ist es, herauszufinden:
- Wie stark beeinflussen soziale Netzwerke die wirtschaftliche Mobilität?
- Welche Faktoren tragen zur sozialen Ungleichheit bei?
- Welche Maßnahmen könnten die Vernetzung über sozioökonomische Grenzen hinweg fördern?
Durch Ihre eigene Analyse decken Sie nicht nur bestehende Muster auf, sondern tragen auch dazu bei, neue Erkenntnisse darüber zu gewinnen, wie soziale Netzwerke Chancen für wirtschaftlichen Aufstieg verbessern können.
Einlesen
Dieses Projekt basiert auf öffentlich zugänglichen Facebook-Daten, welche die soziale Vernetzung auf County Ebene messen. Die zugrunde liegende Datenquelle wurde in den Studien von Chetty et al. (2022a, 2022b) detailliert beschrieben und liefert wichtige Einblicke in die soziale Vernetzung über sozioökonomische Grenzen hinweg. Für Ihre Analyse stellen wir Ihnen diesen Datensatz zur Verfügung.
- Lesen Sie den Datensatz
social_capital_county.rdsaus dem Unterordner “Daten” in R ein und nennen diesen Datensatzsocial_capital_county. Dieser Datensatz beinhaltet Variablen, welche von Facebook stammen und die Freundschaftsverbindungen einzelner Personen untereinander (aggregiert auf County-Ebene) darstellen.
Schränken Sie ihren Datensatz auf folgende Variablen ein:
- county
- ec_county
- exposure_gpr_mem_county
- bias_grp_mem_county
- pop2018
Bitte beschreiben Sie die Variablen, nutzen Sie dafür die bereitgestellte Datei “social_capital_codebook.pdf”.
Beantworten Sie auch folgende Fragen:
- Was ist eine Beobachtung?
- Wie viele Counties sind in diesem Datensatz vorhanden? Wie viele Counties hat die USA?
- In wie viel Prozent der Fälle haben Sie Informationen zu allen Variablen einer Beobachtung in dem vorliegenden Datensatz?
Beschreibung der Variablen
Der Datensatz wurde auf folgende fünf Variablen eingeschränkt:
Die Variable county enthält den 5-stelligen FIPS-Code des jeweiligen Landkreises. Dieser Code ist eine standardisierte numerische Kennung, die den Staat und das County eindeutig identifiziert.
Die Variable ec_county steht für Economic Connectedness (wirtschaftliche Verbundenheit) auf County-Ebene und misst, wie stark Menschen mit niedrigem sozioökonomischen Status (SES) mit Menschen mit hohem SES in einer Region vernetzt sind. Sie gibt den Anteil der Freundschaften zwischen Personen mit niedrigem und hohem SES an. Konkret handelt es sich dabei um den durchschnittlichen Anteil an hoch-SES-Freunden unter Personen mit niedrigem SES, wobei der Wert mit 2 multipliziert wird. Dieser Wert wird anschließend über alle Personen mit niedrigem SES im jeweiligen County gemittelt. Ein höherer Wert zeigt eine stärkere Durchmischung zwischen sozialen Schichten.
Die Variable exposure_grp_mem_county misst die durchschnittliche Exposition von Personen mit niedrigem sozioökonomischen Status (SES) gegenüber Personen mit hohem SES auf County-Ebene. Sie gibt an, wie häufig Menschen mit niedrigem SES in ihren sozialen Netzwerken auf hoch-SES-Individuen treffen, wobei der Wert als doppelte durchschnittliche Präsenz von hoch-SES-Personen in den sozialen Gruppen der niedrig-SES-Personen berechnet wird.
Die Variable bias_grp_mem_county erfasst den Freundschafts-Bias auf County-Ebene, indem sie das Verhältnis zwischen der sozioökonomischen Gruppenzugehörigkeit und der Exposition gegenüber hoch-SES-Personen misst und von eins subtrahiert. Sie spiegelt wider, in welchem Maße sozioökonomische Unterschiede die Wahrscheinlichkeit beeinflussen, Freundschaften mit Personen aus anderen sozioökonomischen Gruppen zu schließen. Ein höherer Bias zeigt eine stärkere Tendenz, innerhalb der eigenen sozialen Schicht zu bleiben.
Die Variable pop2018 gibt die Bevölkerung im Jahr 2018 auf County-Ebene an.
Was ist eine Beobachtung ?
Jede Zeile im Datensatz stellt eine Beobachtung dar, die sich auf eine spezifische Einheit bezieht, für die verschiedene Merkmale gemessen oder erfasst wurden. Eine Beobachtung in diesem Datensatz entspricht einem einzelnen County und den zugehörigen Werten für die eingeschränkten Variablen. Jeder Eintrag im Datensatz repräsentiert also eine County-spezifische Zeile.
Anzahl der Counties
Es sind insgesamt 3089 Counties in diesem Datensatz enthalten. Die USA besteht aus insgesamt 3.243 Counties.
In wie viel Prozent der Fälle haben Sie Informationen zu allen Variablen einer Beobachtung ?
In 95.14 % der Fälle.
- Weiterhin haben wir Ihnen den Datensatz
county_covariates.dtaim Unterordner “Daten” bereitgestellt, welcher unter anderem Daten aus dem Opportunity Atlas enthält und in Chetty et al. (2018) vorgestellt wird. Lesen Sie diese Daten in R ein und nennen Sie ihncovariates.
Schränken Sie diesen Datensatz auf die folgenden Variablen ein:
- county
- kfr_pooled_pooled_p25
- gini99_simple
Generieren Sie eine neue Variable upward_mobility als
kfr_pooled_pooled_p25*100. Löschen Sie weiterhin die
Variable kfr_pooled_pooled_p25.
Bitte beschreiben Sie die Variablen in ihrem Datensatz, nutzen Sie dafür die bereitgestellte Datei “replication_package_README.pdf”.
Hinweis: Mit dem haven Paket können Sie .dta
Dateien einlesen
Beschreibung der Variablen
Die Variable county enthält den 5-stelligen FIPS-Code des jeweiligen Landkreises. Dieser Code ist eine standardisierte numerische Kennung, die den Staat und das County eindeutig identifiziert.
Die Variable upward_mobility misst die Aufstiegschancen eines Kindes aus einer einkommensschwachen Familie. Sie gibt an, welches durchschnittliche Einkommenspercentil im Erwachsenenalter ein Kind erreicht, dessen Eltern im unteren Viertel der Einkommensverteilung liegen. Durch Multiplikation der ursprünglichen Variablen ” kfr_pooled_pooled_p25 ” mit 100 wird der Wert als Prozentzahl dargestellt, was eine einfachere Interpretation ermöglicht. Ein höherer Wert der Variable upward_mobility deutet auf bessere soziale Aufstiegsmöglichkeiten in einer Region hin, während ein niedriger Wert geringere Chancen auf einen Einkommensanstieg signalisiert.
Die Variable gini99_simple stellt den rohen Gini-Koeffizienten dar, der aus Steuerdaten berechnet wird, wobei der Einkommensanteil der obersten 1 % ausgeschlossen ist. Sie dient der Messung der Einkommensungleichheit innerhalb einer Region, wobei extreme Einkommenswerte der Spitze der Verteilung nicht berücksichtigt werden. Ein Wert von 0 bedeutet vollständige Gleichheit, bei der alle Personen das gleiche Einkommen haben, während ein Wert nahe 1 auf eine sehr hohe Einkommensungleichheit hinweist, bei der wenige Personen einen Großteil des Einkommens besitzen.
- Um Karten wie bspw. in der Case Study zu erstellen, benötigen Sie Kartendaten in Form von Shapefiles (Endung .shp). In einer späteren Analyse sollen Sie die soziale Vernetzung und andere Variablen zwischen den Counties mittels einer Karte visualisieren. Hierzu benötigen Sie jedoch erst die nötigen Shapefiles, welche wir Ihnen im Unterordner “Daten” bereitgestellt haben (County_census_data.shp). Diese Daten haben wir mittels des Pakets tidycensus direkt von der amerikanischen Statistikbehörde IPUMS heruntergeladen. Neben den Geografischen Informationen der Counties sind auch noch weitere Daten enthalten.
Lesen sie die Daten County_census_data.shp in R ein und
speichern diesen in R als county_census_shape ab. Neben den
County Namen und und Polygonen enthält dieser Datensatz auch das
geschätzte Median Einkommen pro County für das Jahr 2023
(medincE).
Hinweis: Achten Sie darauf eine numerische county Variable aus GEOID zu generieren
- Verbinden Sie die Dataframes
county_census_shape,covariatesundsocial_capital_countyzu einem Datensatzanalysis_data.
- Welche Art von Join sollten sie hierbei verwenden? Warum gerade diesen Join?
- Welcher Datensatz sollte der Hauptdatensatz sein? Warum?
Begründung des Join-Typs
Ein Left Join mit dem county_census_shape Datensatz als Hauptdatensatz gewährleistet, dass sämtliche Counties aus den geografischen Daten erhalten bleiben und nur dann zusätzliche Informationen aus den anderen Quellen hinzugefügt werden, wenn diese für das jeweilige County verfügbar sind.
Dieser Join-Typ sollte gewählt werden, wenn sichergestellt werden soll, dass alle Counties des Hauptdatensatzes (in diesem Fall county_census_shape) in der endgültigen Analyse enthalten sind, selbst wenn einige Counties in den ergänzenden Datensätzen fehlen. Dies ermöglicht eine vollständige geografische Abdeckung, ohne dass Counties aus der Analyse entfernt werden.
Bestimmung des Hauptdatensatzes
Der Hauptdatensatz sollte der county_census_shape Datensatz sein, da er die essenziellen geografischen Informationen für jedes County bereitstellt, einschließlich der Polygone, die für die Darstellung auf Karten erforderlich sind. Diese geometrischen Daten bilden den räumlichen Rahmen, innerhalb dessen alle anderen Variablen sinnvoll visualisiert werden können. Ohne diese geografischen Daten würde die räumliche Dimension der Analyse verloren gehen.
Da in einer späteren Analyse Kartenvisualisierungen erstellt werden sollen, ist es von zentraler Bedeutung, den vollständigen geografischen Kontext zu wahren. Dies bleibt auch dann wichtig, wenn einige Counties nicht in den anderen Datensätzen wie covariates oder social_capital_county enthalten sind, da ihre geografischen Grenzen für eine konsistente und präzise Darstellung auf Karten unerlässlich sind.
- Folgende Variablen werden Sie in diesem Projekt hauptsächlich nutzen:
- upward_mobility
- ec_county
- exposure_gpr_mem_county
- bias_grp_mem_county
Bevor Sie eine Analyse tätigen, sollten Sie sich überlegen, welche Erwartungen bzgl. der Zusammenhänge innerhalb der einzelnen Variablen Sie haben. Gehen Sie dabei auf folgende Fragen ein:
- Was genau misst die wirtschaftliche Mobilität
(
upward_mobility) und die soziale Vernetzung (ec_county)? Warum sollte ein hoher Wert der sozialen Vernetzung auch potentiell gute ökonomische Aufstiegschancen, d.h. eine hohe wirtschaftliche Mobilität, mit sich bringen? Begründen Sie und benennen Sie explizit die Annahmen, die ihrer Begründung zugrunde liegen. - Bitte schauen Sie sich an, wie die sozialen Vernetzung
(
ec_county) berechnet wird. Was würden Sie erwarten, wie die Exposition (exposure_gpr_mem_county) und der Freundschafts-Bias (bias_grp_mem_county) die sozialen Vernetzung (ec_county) beeinflusst? Begründen Sie und benennen Sie explizit die Annahmen, die ihrer Begründung zugrunde liegen.
Hinweis: Die genaue Berechnung der sozialen Vernetzung
(ec_county) finden Sie im Dokument
“social_capital_codebook.pdf”
Messgrößen der wirtschaftlichen Mobilität (upward_mobility) und sozialen Vernetzung (ec_county)
Die Variable upward_mobility stellt einen Indikator für den Prozentsatz der Kinder dar, die in einkommensschwachen Haushalten aufwuchsen und im Erwachsenenalter ein höheres Einkommenspercentil erreichen als ihre Eltern. Sie dient somit als Maß für die ökonomische Aufstiegschance eines Individuums, indem sie die Möglichkeit widerspiegelt, aus einer niedrigeren Einkommensschicht in eine höhere aufzusteigen.
Die Variable ec_county misst den Grad an sozialer Durchmischung und die Chancen, über soziale Kontakte Zugang zu besseren wirtschaftlichen Möglichkeiten zu erhalten. Genauer betrachtet gibt die Variable den durchschnittlichen Anteil von high-SES-Freunden unter low-SES-Personen an. Sie zeigt also, wie stark Menschen aus einkommensschwachen Verhältnissen in ihrem sozialen Umfeld Kontakte zu wohlhabenderen Personen pflegen.
Der Zusammenhang zwischen sozialer Vernetzung und wirtschaftlicher Mobilität
Ein hoher Wert der sozialen Vernetzung, gemessen durch die Variable ec_county, deutet darauf hin, dass Personen aus einkommensschwachen Haushalten (low-SES) häufiger soziale Kontakte zu Menschen aus einkommensstarken Schichten (high-SES) pflegen. Solche Verbindungen sind von großer Bedeutung, da sie den Zugang zu wertvollen Informationen, Ressourcen und sozialen Chancen erleichtern und positive wirtschaftliche Aufstiegschancen fördern, die über reine finanzielle Mittel hinausgehen. Menschen aus sozial benachteiligten Gruppen können von den Erfahrungen, dem Wissen und den Netzwerken einkommensstärkerer Personen profitieren. Dies schafft neue Perspektiven, fördert den Zugang zu Bildung und beruflichen Möglichkeiten und unterstützt damit den langfristigen wirtschaftlichen Aufstieg. Ein Kind aus einem low-SES-Haushalt kann beispielsweise durch Kontakte zu high-SES-Personen Zugang zu Praktika, Mentorenprogrammen oder Stipendien erhalten, die ohne solche Netzwerke nicht verfügbar wären. Diese Verbindungen wirken somit wie Katalysatoren für den sozialen und ökonomischen Aufstieg.
Annahmen, die dieser Begründung zugrunde liegen: Erstens verbessert der Zugang zu sozialen Ressourcen die Bildungs- und Karrierechancen. Es wird angenommen, dass Menschen mit hoch-SES-Freunden leichter auf Informationen und Ressourcen zugreifen können, die ihnen bessere Bildungs- und Arbeitsmöglichkeiten eröffnen. Zweitens wirken Mentoren und Vorbilder motivierend und prägen langfristig Lebensentscheidungen. Der Kontakt zu erfolgreichen Menschen wirkt sich positiv auf die Lebensziele, Ambitionen und Entscheidungen von Personen mit low-SES aus, da sie alternative Lebenswege kennenlernen. Drittens reduzieren gemischte soziale Netzwerke Vorurteile und soziale Barrieren, was den Austausch zwischen verschiedenen sozioökonomischen Gruppen fördert und wirtschaftliche Mobilität begünstigt.
Erwarteter Einfluss von Exposition und Freundschafts-Bias auf die soziale Vernetzung
Die soziale Vernetzung (ec_county) dürfte maßgeblich durch eine erhöhte Exposition gegenüber einkommensstarken Personen (exposure_grp_mem_county) gefördert werden, während sie durch einen hohen Freundschafts-Bias (bias_grp_mem_county) gehemmt wird. Dieser Zusammenhang basiert auf den folgenden Annahmen.
Die Exposition beschreibt, wie häufig Menschen aus einkommensschwachen Schichten (low-SES) in ihren sozialen Gruppen auf Personen aus einkommensstarken Schichten (high-SES) treffen. Ein höherer Wert signalisiert mehr Gelegenheiten für intersoziale Begegnungen. Eine zentrale Annahme ist, dass der regelmäßige Kontakt zwischen verschiedenen sozioökonomischen Gruppen die Wahrscheinlichkeit erhöht, soziale Verbindungen über Einkommensgrenzen hinweg aufzubauen. Besonders in geteilten sozialen Räumen wie Schulen, Nachbarschaften oder Vereinen fördern häufige Begegnungen das Knüpfen von Freundschaften, was wiederum soziale Barrieren verringern und das Netzwerk diversifizieren kann.
Des Weiteren beschreibt der Freundschafts-Bias, wie oft Menschen trotz potenzieller Kontaktmöglichkeiten keine Verbindungen zu Personen aus anderen sozioökonomischen Schichten eingehen. Ein hoher Bias weist auf bestehende soziale Hürden hin, die den Aufbau solcher Beziehungen behindern. Die zugrunde liegende Annahme lautet, dass ein ausgeprägter Bias darauf hindeutet, dass soziale Unterschiede, Vorurteile oder mangelndes Vertrauen dazu führen, dass sich Menschen bevorzugt innerhalb ihrer eigenen sozialen Gruppe bewegen. Diese Barrieren mindern die Wahrscheinlichkeit, dass durch bestehende Kontaktchancen tatsächlich intersoziale Freundschaften entstehen und somit die soziale Vernetzung gestärkt wird.
Zusammenfassend zeigt sich, dass die soziale Vernetzung vor allem dann begünstigt wird, wenn eine hohe Exposition gegenüber Personen aus unterschiedlichen sozioökonomischen Schichten mit einem geringen Freundschafts-Bias einhergeht. In Regionen, in denen Menschen aus verschiedenen Einkommensgruppen regelmäßig interagieren und soziale Barrieren niedrig sind, entstehen häufiger Freundschaften zwischen low-SES- und high-SES-Personen. Somit hängt die soziale Vernetzung nicht allein von der Häufigkeit der Begegnungen zwischen den sozialen Gruppen ab, sondern wesentlich davon, ob diese Kontakte in tatsächlichen und nachhaltigen sozialen Beziehungen münden.
Deskriptive Analysen
Nun haben Sie alle Daten zusammen, die Sie für die Analyse der soziodemographischen Zusammenhänge innerhalb der einzelnen Counties benötigen und können in ihre Analysen einsteigen.
- Schauen Sie sich in einem ersten Schritt an, wie die Variablen im
Datensatz
analysis_dataüber alle Counties verteilt sind. Konkret sollten Sie eine Tabelle erstellen, welche Informationen zu allen numerischen Variablen in ihrem Datensatz darstellt. Berechnen Sie zu jeder Variablen den Mittelwert, den Median, das Minimum, das Maximum, die Standardabweichung, sowie das 25%- und das 75%- Quantil bezogen auf alle Counties.
Beschreiben und interpretieren Sie Ihre Tabelle.
Bei welchen Variablen gibt es Auffälligkeiten? Gibt es Ausreißer nach oben oder unten?
Hinweis: Achten Sie auf eine schöne Darstellung ihrer
Tabelle mittels der Pakete kableExtra oder
gt!
| Variable | Mittelwert | Minimum | Quantil25 | Median | Quantil75 | Maximum | Standardabweichung |
|---|---|---|---|---|---|---|---|
| Median Einkommen 2023 | 65.046,65 | 16.170,00 | 54.113,25 | 63.161,50 | 73.216,25 | 178.707,00 | 18.388,68 |
| Gini-Koeffizient | 0,29 | -0,06 | 0,24 | 0,29 | 0,33 | 0,57 | 0,06 |
| Aufstiegschancen für einkommensschwache Kinder | 42,72 | 12,22 | 38,43 | 41,96 | 46,11 | 68,83 | 6,49 |
| Economic Connectedness | 0,81 | 0,29 | 0,69 | 0,81 | 0,94 | 1,36 | 0,18 |
| Durchschn. Kontakt von low-SES mit high-SES | 0,91 | 0,26 | 0,76 | 0,91 | 1,05 | 1,49 | 0,21 |
| Freundschaftsbias nach SES | 0,06 | -0,11 | 0,03 | 0,06 | 0,10 | 0,33 | 0,05 |
| Bevölkerung 2018 | 107.129,87 | 544,00 | 12.618,75 | 27.837,50 | 71.974,50 | 10.098.052,00 | 337.331,88 |
Beschreibung
Die Tabelle bietet eine Übersicht über die deskriptiven Kennzahlen verschiedener numerischer Variablen im Datensatz “analysis_data”. Für jede dieser Variablen wurden zentrale statistische Werte berechnet, um die Verteilung und Streuung der Daten zu veranschaulichen
Durchschnitt (Mittelwert): Gibt den durchschnittlichen Wert einer Variable an. Kleinster Wert (Minimum): Der niedrigste erfasste Wert der jeweiligen Variable. Unteres Quartil (25%-Quantil): Der Wert, unter dem 25 % der Daten liegen. Zentralwert (Median): Trennt die Daten in zwei Hälften, sodass 50 % der Werte darüber und 50 % darunter liegen. Oberes Quartil (75%-Quantil): Der Wert, unter dem 75 % der Daten liegen. Größter Wert (Maximum): Der höchste erfasste Wert der jeweiligen Variable. Streuung (Standardabweichung): Zeigt, wie stark die Werte um den Mittelwert schwanken.
Interpretation
Besonders auffällig ist das Median-Einkommen im Jahr 2023, das im Durchschnitt bei etwa 65.046,65 USD liegt. Der Unterschied zwischen dem Median von 63.161,50 USD und dem Maximum von 178.707,00 USD weist auf erhebliche regionale Einkommensunterschiede hin. Die hohe Standardabweichung von 18.388,68 USD verdeutlicht zusätzlich, dass es Regionen mit sehr hohen Einkommen gibt, während andere Counties deutlich niedrigere Einkommen aufweisen. Dies könnte auf starke wirtschaftliche Ungleichheiten zwischen städtischen und ländlichen Regionen hindeuten.
Der Gini-Koeffizient, der die Einkommensungleichheit misst, liegt im Durchschnitt bei 0,29, was auf eine moderate Ungleichverteilung hinweist. Der Wertebereich reicht jedoch von -0,06 bis 0,57, was ungewöhnlich ist, da negative Werte für den Gini-Koeffizienten inhaltlich keinen Sinn ergeben. Dies könnte auf fehlerhafte oder unvollständige Datensätze hinweisen. Die geringe Standardabweichung von 0,06 zeigt jedoch, dass die Einkommensungleichheit in den meisten Regionen relativ konstant ist.
Die wirtschaftlichen Aufstiegschancen für einkommensschwache Kinder liegen im Mittel bei 42,72. Allerdings weist der Wertebereich von 12,22 bis 68,83 auf erhebliche Unterschiede zwischen den Regionen hin. Diese Unterschiede spiegeln sich auch in der relativ hohen Standardabweichung von 6,49 wider, was darauf hindeutet, dass wirtschaftliche Mobilität stark vom regionalen Kontext abhängig ist. In manchen Regionen gibt es kaum Möglichkeiten für Kinder aus einkommensschwachen Haushalten, ihre wirtschaftliche Situation zu verbessern, während andere Regionen deutlich bessere Chancen bieten.
Der Grad sozialer Durchmischung liegt im Durchschnitt bei 0,81, mit einer Spannweite von 0,29 bis 1,36. Diese Werte deuten darauf hin, dass in einigen Regionen eine starke soziale Trennung herrscht, während in anderen eine hohe soziale Durchmischung gegeben ist. Besonders die hohe Standardabweichung von 0,18 zeigt, dass die soziale Integration in den USA sehr unterschiedlich ausgeprägt ist.
Der durchschnittliche Kontakt von Personen mit niedrigem sozioökonomischen Status (low-SES) mit Personen aus höheren Schichten (high-SES) liegt bei 0,91. Auch hier gibt es eine deutliche Spannweite von 0,26 bis 1,49, was auf erhebliche Unterschiede im sozialen Austausch zwischen verschiedenen Schichten hindeutet. Die hohe Standardabweichung von 0,21 verstärkt diesen Eindruck.
Beim Freundschaftsbias nach sozioökonomischem Status fällt auf, dass der Durchschnittswert bei 0,06 liegt. Dies deutet darauf hin, dass es in vielen Regionen kaum Barrieren gibt, Freundschaften über soziale Schichten hinweg zu schließen. Dennoch weist der Wertebereich von -0,11 bis 0,33 auf Ausnahmen hin. Insbesondere der negative Minimalwert deutet auf mögliche Datenfehler oder Besonderheiten in der Berechnung hin.
Die Bevölkerung im Jahr 2018 liegt durchschnittlich bei 107.129,87 Personen pro County. Der Median liegt jedoch deutlich darunter bei 27.837,50, was auf eine ungleiche Verteilung der Bevölkerung hindeutet. Das Maximum von 10.098.052 zeigt, dass besonders große Städte die Statistik erheblich verzerren. Die enorme Standardabweichung von 337.331,88 bestätigt diese Ungleichverteilung.
Insgesamt zeigt die deskriptive Analyse deutliche Unterschiede zwischen den Regionen in Bezug auf Einkommen, soziale Durchmischung und wirtschaftliche Aufstiegschancen. Besonders auffällig sind extreme Werte bei der Bevölkerung und den Einkommensverhältnissen, was auf starke regionale Disparitäten hinweist.
Soziale Vernetzung und wirtschaftliche Mobilität
Ihre Analyse der Daten aus Aufgabe 6 gibt ihnen schon ein erstes Bild
über die Verteilung der einzelnen Variablen. Jedoch sollten Sie für ihre
Analyse näheres über die soziale Vernetzung lernen, den Economic
Connectedness Index (ec_county), welcher aus den Facebook
Freundschaften generiert wurde. Die Daten des Economic Connectedness
Index wurden auf County Ebene aggregiert, beruhen jedoch auf
Freundschaftsdaten von individuellen Facebook Nutzern.
- Um sich ein Bild der sozialen Vernetzung auf County Ebene machen zu können, sollten Sie diese in einer Karte der USA darstellen. Beschreiben und interpretieren Sie die gezeigte Karte.
Gehen Sie bei ihrer Interpretation auch auf folgende Frage ein:
Welche Annahme müssen Sie machen, damit Sie gültige Aussagen zum Einfluss des Economic Connectedness Index auf die wirtschaftliche Mobilität tätigen können und Sie tatsächlich etwas über Freundschaftsnetzwerke lernen können?
Hinweis: Wenn Sie Karten der USA darstellen, dann empfiehlt
sich das tigris
Paket und der Befehl shift_geometry() um Alaska, Hawaii
und Puerto Rico schön darstellen zu lassen.
Beschreibung
Die Karte veranschaulicht die geografische Verteilung des „Economic Connectedness Index“ auf der Ebene der Landkreise in den Vereinigten Staaten, einschließlich Alaska, Hawaii und Puerto Rico. Dieser Index dient als Indikator für die Intensität der wirtschaftlichen Verflechtungen innerhalb einer Region und wird durch abgestufte Farben visualisiert. Die Farbpalette erstreckt sich von tiefem Lila, das niedrige Werte (ab etwa 0,26) repräsentiert, über verschiedene Blau- und Grüntöne bis hin zu leuchtendem Gelbgrün, das hohe Werte (bis 1,49) signalisiert.
Auffälligkeiten der Karte und deren Interpretation
Die Karte veranschaulicht eindrucksvoll die regionale Vielfalt der wirtschaftlichen Vernetzung in den Vereinigten Staaten auf der Ebene der Counties. Sie zeigt auf, wie eng Menschen und wirtschaftliche Akteure in den jeweiligen Regionen miteinander verbunden sind und gewährt damit wertvolle Einblicke in die lokalen sozialen und wirtschaftlichen Strukturen.
Ein zentraler Aspekt der Darstellung sind die räumlichen Unterschiede, die durch die farbliche Codierung klar hervorgehoben werden. Dabei wird deutlich, dass die Stärke der wirtschaftlichen Verbindungen von County zu County erheblich variiert.
Ein weiteres bemerkenswertes Merkmal ist der Kontrast zwischen urbanen und ländlichen Gebieten. Die Farbverteilung deutet darauf hin, dass städtische Regionen tendenziell höhere Werte des Index aufweisen, was auf dichtere Netzwerke und intensivere wirtschaftliche Interaktionen schließen lässt. Im Gegensatz dazu erscheinen ländliche Gegenden oftmals weniger stark vernetzt, was möglicherweise auf geringere Bevölkerungsdichte und weniger ausgebaute Infrastruktur zurückzuführen ist.
Die Karte bringt zudem regionale Cluster ans Licht, in denen wirtschaftliche Vernetzung besonders ausgeprägt ist. Diese Ballungsräume könnten auf wirtschaftliche Zentren hinweisen, die durch starke Infrastruktur, günstige Bedingungen für Unternehmen oder hohe Arbeitsmarktdynamik charakterisiert sind.
Schließlich lässt die Karte auch Rückschlüsse auf eine mögliche interaktive Dynamik zu: Sie suggeriert, dass lokale wirtschaftliche Netzwerke die soziale Mobilität, den Zugang zu Arbeitsmöglichkeiten und die Verteilung von Ressourcen beeinflussen könnten. In diesem Kontext wird die wirtschaftliche Vernetzung als potenzieller Treiber für regionale Entwicklung und Chancengleichheit erkennbar.
Notwendige Annahme für die Gültigkiet der Daten
Um gültige Aussagen über den Einfluss des Economic Connectedness Index auf die wirtschaftliche Mobilität treffen zu können, müssen folgende Annahmen getroffen werden:
Repräsentativität der Facebook-Daten: Die Facebook-Freundschaftsdaten müssen ein realistisches Abbild der tatsächlichen sozialen Netzwerke in den Regionen darstellen. Das bedeutet, dass Facebook-Nutzer die allgemeinen sozialen Strukturen der Bevölkerung widerspiegeln. Eine Verzerrung könnte entstehen, wenn bestimmte Bevölkerungsgruppen (z.B. ältere Menschen oder Menschen mit niedrigem Einkommen) auf Facebook unterrepräsentiert sind.
Kausalzusammenhang zwischen sozialer Vernetzung und wirtschaftlicher Mobilität: Es muss angenommen werden, dass ein hoher Economic Connectedness Index tatsächlich zu besseren wirtschaftlichen Aufstiegschancen führt. Es könnte aber auch sein, dass bereits wirtschaftlich erfolgreiche Regionen eher soziale Durchmischung fördern.
Stabilität sozialer Netzwerke: Freundschaften und soziale Verbindungen müssen stabil sein und langfristig bestehen bleiben, damit sie wirtschaftliche Mobilität beeinflussen können. Kurzfristige oder oberflächliche Kontakte könnten diesen Effekt nicht erzielen.
Homogenität innerhalb der Counties: Es wird vorausgesetzt, dass innerhalb eines Countys keine extremen Unterschiede in der sozialen Vernetzung bestehen. In Wirklichkeit könnten jedoch innerhalb großer Counties soziale Netzwerke stark variieren.
- Wie in der vorherigen Aufgabe zu sehen war, unterscheidet sich der Economic Connectedness Index in den einzelnen Counties doch deutlich voneinander. In einer ersten deskriptiven Analyse wäre es spannend zu sehen, ob der EC mit unterschiedlichen Variablen, welche den ökonomischen Aufstieg repräsentieren, zusammenhängt.
Hier sollen Sie in einem ersten Schritt die zehn Counties mit dem höchsten Economic Connectedness Index und die zehn Counties mit dem niedrigsten Economic Connectedness Index auflisten und folgende Variablen näher anschauen:
- Median Haushaltseinkommen in dem County (
medincE) - Wirtschaftliche Mobilität in dem County
(
upward_mobility) - Einkommensungleichheit in dem County (gemessen mit dem
Gini-Koeffizient des Counties) (
gini99_simple)
Erstellen Sie eine oder mehrere Tabelle um die Ergebnisse für die 20 Counties übersichtlich dazustellen.
Beschreiben und interpretieren Sie ihre Tabellen und gehen Sie auf die folgende Frage ein:
- Haben Sie diese Unterschiede in den einzelnen Variablen erwartet? Begründen Sie warum, oder warum nicht.
| County Name |
Median Income |
Upward Mobility |
Income Inequality (Gini) |
|---|---|---|---|
| Rockingham County, New Hampshire | 113.927 | 45,31 | 0,23 |
| Douglas County, Colorado | 145.737 | 48,24 | 0,12 |
| San Francisco County, California | 141.446 | 50,39 | 0,31 |
| Morgan County, Utah | 126.092 | 54,12 | 0,15 |
| Madison County, Idaho | 58.259 | 51,54 | 0,22 |
| Arlington County, Virginia | 140.160 | 46,28 | 0,39 |
| Sussex County, New Jersey | 114.316 | 47,04 | 0,18 |
| Wright County, Minnesota | 106.666 | 49,54 | 0,18 |
| Gunnison County, Colorado | 77.358 | 48,71 | 0,35 |
| Pitkin County, Colorado | 100.318 | 45,83 | -0,01 |
| County Name |
Median Income |
Upward Mobility |
Income Inequality (Gini) |
|---|---|---|---|
| Todd County, South Dakota | 39.148 | 30,18 | 0,32 |
| Oglala Lakota County, South Dakota | 34.769 | 24,84 | NA |
| Terrell County, Georgia | 43.812 | 31,17 | 0,36 |
| Bullock County, Alabama | 36.723 | 34,57 | 0,31 |
| Allendale County, South Carolina | 31.603 | 31,40 | 0,33 |
| Robeson County, North Carolina | 40.318 | 32,10 | 0,36 |
| Early County, Georgia | 53.750 | 33,83 | 0,46 |
| Marlboro County, South Carolina | 36.293 | 32,82 | 0,31 |
| Crisp County, Georgia | 42.745 | 32,89 | 0,42 |
| Scotland County, North Carolina | 43.500 | 31,08 | 0,39 |
Beschreibung
Die Tabellen zeigen die zehn Counties mit den höchsten und niedrigsten Werten des Economic Connectedness Index (ECI) sowie deren Median-Haushaltseinkommen, die wirtschaftliche Mobilität und die Einkommensungleichheit (Gini-Koeffizient). Diese Kennzahlen bieten wichtige Einblicke in die ökonomischen Bedingungen und die soziale Vernetzung innerhalb dieser Regionen.
Interpretation der Counties mit dem niedrigsten ECI
In den Counties mit dem niedrigsten ECI – darunter Todd County (South Dakota), Oglala Lakota County (South Dakota) und Terrell County (Georgia) – zeigt sich ein klarer Zusammenhang zwischen geringer sozialer Vernetzung und wirtschaftlichen Nachteilen. Diese Regionen weisen mit einem Median-Haushaltseinkommen zwischen 31.603 USD und 53.750 USD deutlich niedrigere Einkommen auf als der nationale Durchschnitt. Gleichzeitig ist die wirtschaftliche Mobilität in diesen Regionen eingeschränkt, was sich in Werten zwischen 24,84 und 34,57 zeigt. Kinder aus einkommensschwachen Haushalten haben hier deutlich geringere Chancen, im Laufe ihres Lebens wirtschaftlich aufzusteigen. Ergänzt wird dieses Bild durch teilweise hohe Einkommensungleichheiten, erkennbar an Gini-Koeffizienten von bis zu 0,45. Die Kombination aus geringem Einkommen, schwacher sozialer Vernetzung und eingeschränkter Mobilität deutet darauf hin, dass strukturelle Barrieren in diesen Regionen den Zugang zu Chancen erheblich erschweren
Interpretation der Counties mit dem höchsten ECI
Demgegenüber stehen die Counties mit dem höchsten ECI, wie Rockingham County (New Hampshire), Douglas County (Colorado) und San Francisco County (Kalifornien). Diese Regionen zeichnen sich durch ein starkes soziales Netzwerk aus, was durch ECI-Werte von 1,24 bis 1,36 bestätigt wird. Das Median-Haushaltseinkommen liegt hier mit 58.259 USD bis 145.737 USD deutlich höher. Auch die wirtschaftliche Mobilität ist mit Werten zwischen 45,31 und 54,12 deutlich ausgeprägter. Kinder aus einkommensschwachen Haushalten haben in diesen Regionen bessere Möglichkeiten, sich wirtschaftlich zu verbessern. Die Einkommensungleichheit ist zudem niedriger, wie Gini-Werte um 0,15 bis 0,38 zeigen. Dies deutet darauf hin, dass ein hoher ECI nicht nur soziale Vernetzung fördert, sondern auch zu einem stabileren wirtschaftlichen Umfeld beiträgt.
Diese Unterschiede erscheinen wenig überraschend, da bereits viele Studien belegen, dass soziale Netzwerke den Zugang zu Bildungs- und Berufschancen erheblich erleichtern können. Menschen mit starken sozialen Verbindungen haben besseren Zugang zu wichtigen Ressourcen, Wissen und Unterstützung, was ihre Chancen auf wirtschaftlichen Aufstieg verbessert. In Regionen mit einer schwachen sozialen Vernetzung hingegen fehlen solche unterstützenden Netzwerke, was den Zugang zu Möglichkeiten und die Teilnahme am wirtschaftlichen Leben deutlich erschwert. Die analysierten Daten untermauern daher die Annahme, dass ein hoher Economic Connectedness Index eine zentrale Rolle für die wirtschaftliche Mobilität und die soziale Chancengleichheit spielt.
Aktuell haben Sie in einer univariaten Analyse viel über die soziale Vernetzung auf Basis von Facebook Daten gelernt. Doch was hat der Economic Connectedness Index mit tatsächlicher Entwicklungsmöglichkeit auf sich?
- In dieser Aufgabe sollten Sie ein Punktdiagramm (Scatter-Plot)
erstellen, welches die wirtschaftliche Mobilität
(
upward_mobility) gegenüber dem Economic Connectedness Index darstellt. Diese Grafik sollte interaktiv gestaltet sein. Konkret sollte der Name des Counties zu sehen sein, wenn Sie über einen Punkt im Diagramm fahren. Fügen Sie Ihrer Grafik den Korrelationskoeffizient der zwei Variablen hinzu und zeichnen Sie eine Regressionsgerade durch die Punktewolke.
Beschreiben und interpretieren Sie ihre Grafik. Gehen Sie dabei insbesondere auf die folgende Frage ein:
- Entspricht der Zusammenhang zwischen den zwei Variablen ihren Erwartungen aus Aufgabe 5?
- In wie weit können Sie mit dieser Grafik die Frage “Wie stark beeinflussen soziale Netzwerke die wirtschaftliche Mobilität?” aus der Motivation beantworten?
Hinweis: Um interaktive Grafiken zu erstellen könnten Sie z.B. das plotly Paket, oder das ggiraph Pakte nutzen
Beschreibung der Grafik
Der dargestellte Graph veranschaulicht die Beziehung zwischen dem “Economic Connectedness Index” auf der x-Achse und der “wirtschaftlichen Mobilität” auf der y-Achse. Jeder Punkt im Diagramm symbolisiert einen bestimmten Landkreis (County), wobei die Position des Punktes die Ausprägung des Economic Connectedness Index und der wirtschaftlichen Mobilität für diesen Landkreis widerspiegelt. Die Punkte sind in einem tiefen Blauton gehalten und ermöglichen eine interaktive Nutzung. Bei einer Mausbewegung über einen Punkt wird der Name des entsprechenden Landkreises als Tooltip eingeblendet. Zusätzlich wurde eine durchgehende rote Regressionsgerade hinzugefügt, die den allgemeinen Trend zwischen den beiden Variablen veranschaulicht. Die Linie ist gleichmäßig verlaufend und weist keine Unterbrechungen auf.
In der Streuung der Datenpunkte lässt sich ein klarer positiver Zusammenhang erkennen: Mit steigendem ECI erhöhen sich tendenziell auch die Aufstiegschancen der Menschen in der jeweiligen Region. Der berechnete Korrelationskoeffizient von 0,72 verdeutlicht einen starken linearen Zusammenhang, was darauf hinweist, dass engere soziale und wirtschaftliche Verflechtungen wesentlich zur Verbesserung der wirtschaftlichen Mobilität beitragen.
Intepretation der Grafik
Aus der Grafik lässt sich ableiten, dass soziale Netzwerke einen erheblichen Einfluss auf die wirtschaftliche Mobilität ausüben. Regionen, in denen die wirtschaftliche Verknüpfung zwischen verschiedenen sozialen Gruppen stärker ausgeprägt ist, zeichnen sich durch eine höhere Aufstiegsmobilität aus. Dies impliziert, dass Menschen in solchen Regionen verbesserte Chancen auf sozialen und ökonomischen Aufstieg haben, da der Zugang zu Informationen und beruflichen Möglichkeiten durch vielfältigere soziale Verbindungen erleichtert wird.
Vergleich mit den Erwartungen aus Aufgabe 5
Der beobachtete positive Zusammenhang entspricht den Erwartungen aus Aufgabe 5. Es wurde angenommen, dass ein hoher Economic Connectedness Index dazu beiträgt, wirtschaftliche Aufstiegschancen zu verbessern. Diese Annahme basiert auf der Überlegung, dass soziale Netzwerke einen Zugang zu wertvollen Informationen, Ressourcen und Chancen bieten, die den ökonomischen Aufstieg erleichtern. Insbesondere Kontakte zu Personen aus höheren sozioökonomischen Schichten (high-SES) könnten Kindern aus einkommensschwachen Haushalten (low-SES) den Zugang zu Bildung, beruflichen Möglichkeiten und Mentoring erleichtern.
Die beobachtete Korrelation bestätigt diese Annahme: Je stärker die soziale Vernetzung mit einkommensstarken Gruppen, desto höher ist im Durchschnitt die wirtschaftliche Mobilität in einem County.
Einfluss sozialer Netzwerke auf wirtschaftliche Mobilität
Diese Grafik liefert überzeugende Hinweise darauf, dass soziale Netzwerke ein bedeutender Einflussfaktor für wirtschaftliche Mobilität sind. Der starke positive Zusammenhang legt nahe, dass Counties mit besserer sozialer Durchmischung und Vernetzung höhere Aufstiegschancen für einkommensschwache Bevölkerungsgruppen bieten. Dies untermauert die Hypothese, dass der Zugang zu sozialem Kapital – insbesondere zu ressourcenstarken Netzwerken – eine zentrale Rolle bei der wirtschaftlichen Entwicklung von Individuen spielt.
Um jedoch eine kausale Aussage über den Einfluss sozialer Netzwerke auf wirtschaftliche Mobilität treffen zu können, wären zusätzliche Analysen nötig, um mögliche Störfaktoren und umgekehrte Kausalitäten auszuschließen. Beispielsweise könnte auch wirtschaftliche Mobilität soziale Vernetzung beeinflussen oder andere regionale Faktoren könnten beide Variablen gleichzeitig beeinflussen.
- Erstellen Sie zwei weitere Punktediagramme, welche die 500 größten Counties nach Bevölkerungsgröße abtragen und zeigen Sie folgende Zusammenhänge auf (ohne Interaktivität):
- Zusammenhang zwischen der Einkommensungleichheit (gemessen im Gini-Koeffizient) und dem Economic Connectedness Index
- Zusammenhang zwischen dem Median Haushaltseinkommen und dem Economic Connectedness Index
Weiterhin sollten Sie die folgenden Counties in ihrem Diagramm hervorheben und benennen:
- San Francisco County, California
- Arlington County, Virginia
- Morgan County, Utah
- New York County, New York
- Bronx County, New York
Beschreiben und interpretieren Sie ihre Grafiken. Gehen Sie dabei insbesondere auf folgende Frage ein:
- Entspricht der Zusammenhang zwischen den zwei Variablen ihren Erwartungen aus Aufgabe 5? Erklären Sie.
1. Grafik “Zusammenhang zwischen Einkommensungleichheit und Economic Connectedness Index”
Die erste Grafik zeigt den Zusammenhang zwischen der Einkommensungleichheit (gemessen durch den Gini-Koeffizienten) und dem ECI. Deutlich erkennbar ist ein negativer Zusammenhang zwischen diesen beiden Variablen. Je höher die Einkommensungleichheit in einem County ist, desto niedriger ist in der Regel der ECI. Counties mit einer geringen Einkommensungleichheit, wie San Francisco County und Arlington County, weisen einen hohen ECI auf. Im Gegensatz dazu zeigt New York County trotz hoher Ungleichheit noch eine moderate wirtschaftliche Vernetzung, was auf urbane Vielfalt und Bevölkerungsdichte zurückzuführen sein könnte. Bronx County hingegen bestätigt die Tendenz: hohe Ungleichheit bei gleichzeitig niedriger wirtschaftlicher Vernetzung.
2. Grafik “Zusammenhang zwischen Median-Haushaltseinkommen und ECI”
Die zweite Grafik veranschaulicht den Zusammenhang zwischen dem Median-Haushaltseinkommen und dem ECI. Hier ist ein positiver Zusammenhang deutlich sichtbar. Counties mit einem höheren Median-Haushaltseinkommen, wie San Francisco County und Arlington County, verzeichnen einen hohen ECI. Im Gegensatz dazu bleibt Bronx County mit einem niedrigen Haushaltseinkommen und einem entsprechend niedrigen ECI deutlich zurück. Dieses Ergebnis deutet darauf hin, dass höhere Einkommen mit einer besseren wirtschaftlichen Vernetzung einhergehen, was den Zugang zu Bildungsmöglichkeiten, sozialen Netzwerken und Ressourcen fördern dürfte.
Vergleich mit den Erwartungen aus Aufgabe 5
Die beobachteten Zusammenhänge entsprechen den Erwartungen aus Aufgabe 5. Ein hoher Gini-Koeffizient, der auf starke Einkommensungleichheit hinweist, geht erwartungsgemäß mit einer geringeren wirtschaftlichen Vernetzung einher. Dies lässt sich damit erklären, dass große Einkommensunterschiede soziale Gruppen voneinander isolieren und somit die wirtschaftlichen Verbindungen schwächen. Umgekehrt fördern höhere Haushaltseinkommen die wirtschaftliche Vernetzung, da finanzielle Ressourcen den Zugang zu sozialen Netzwerken und wirtschaftlichen Chancen erleichtern.
Auffälligkeiten
Besonders auffällig ist jedoch, dass New York County trotz hoher Einkommensungleichheit eine verhältnismäßig hohe wirtschaftliche Vernetzung aufweist. Dies könnte auf die hohe urbane Dichte, die wirtschaftliche Diversität und die Vielzahl sozialer Interaktionen in einer Metropole wie New York City zurückzuführen sein. Solche Ausnahmen verdeutlichen, dass neben Einkommensungleichheit und Haushaltseinkommen auch weitere Faktoren wie Urbanität, Bevölkerungsdichte und wirtschaftliche Struktur die wirtschaftliche Vernetzung beeinflussen.
Außerdem fällt auf, dass in den beiden Grafiken das Morgan County, Utah nicht abgebildet wird. Dies ist darauf zurückzuführen, dass das Morgan County nicht in die Kategorie der größten 500 Counties nach Bevölkerungsgröße fällt und somit nicht in der Grafik gezeigt wird.
Zusammenfassend bestätigen die beobachteten Zusammenhänge die theoretischen Erwartungen: Hohe Einkommensungleichheit wirkt sich negativ auf die wirtschaftliche Vernetzung aus, während höhere Haushaltseinkommen positive Effekte auf die Economic Connectedness haben.
Wie aus Aufgabe 9 hervorgeht ist die wirtschaftliche Mobilität stark mit dem Economic Connectedness Index korreliert. In den nächsten Aufgaben sollten Sie sich tiefer mit den Gründen dafür beschäftigen und sich im ersten Schritt die Korrelationen zwischen verschiedenen Variablen in ihrem Datensatz anschauen.
- Erstellen Sie in dieser Aufgabe eine Korrelationsmatrix, die Ihnen den Zusammenhang zwischen den folgenden Variablen aufzeigt:
- Economic Connectedness Index (ec_county)
- Wirtschaftliche Mobilität (upward_mobility)
- Median Haushaltseinkommen (medincE)
- Bevölkerung in 2018 (pop2018)
- Einkommensungleichheit (gini99_simple)
- Exposition (exposure_gpr_mem_county)
- Freundschafts-Bias (bias_grp_mem_county)
Beschreiben und interpretieren Sie ihre Korrelationsmatrix.
Beschreibung der Korrelationsmatrix
Die vorliegende Korrelationsmatrix gewährt tiefgehende Einblicke in die Beziehungen zwischen den analysierten Variablen und unterstreicht deren wechselseitige Abhängigkeiten. Genauer gesagt analysiert die Korrelationsmatrix die Beziehungen zwischen sieben zentralen Variablen: dem Economic Connectedness Index (ec_county), der wirtschaftlichen Mobilität (upward_mobility), dem Median-Haushaltseinkommen (medincE), der Bevölkerung im Jahr 2018 (pop2018), der Einkommensungleichheit (gini99_simple), der Exposition (exposure_grp_mem_county) und dem Freundschafts-Bias (bias_grp_mem_county). Dabei sind positive Korrelationen grün hinterlegt, negative Korrelationen rot hinterlegt und je näher die Korrelation gegen 0 geht, desto heller sind diese in ihren Farbtönen hinterlegt.
Intepretation der Korrelationsmatrix
Besonders prägnant ist die Rolle des Economic Connectedness Index (ec_county), der als Indikator für die wirtschaftliche Verflechtung sozialer Gruppen fungiert. Dieser weist eine ausgeprägte positive Korrelation mit der wirtschaftlichen Mobilität (upward_mobility) auf (0,73), was impliziert, dass engere wirtschaftliche Vernetzung die Chancen auf sozialen und ökonomischen Aufstieg signifikant erhöht. Ein ähnlich positiver Zusammenhang zeigt sich mit dem Median-Haushaltseinkommen (medincE) (0,63), was darauf hindeutet, dass stärker vernetzte Regionen ökonomisch prosperierender sind. Gleichzeitig manifestiert sich eine starke negative Beziehung zur Einkommensungleichheit (gini99_simple) (-0,64), was verdeutlicht, dass wirtschaftliche Vernetzung mit einer gerechteren Einkommensverteilung einhergeht.
Von zentraler Bedeutung ist auch die soziale Durchmischung (exposure_grp_mem_county), die mit einem Koeffizienten von 0,94 eine fast perfekte Korrelation zum Economic Connectedness Index aufweist. Diese Beziehung bekräftigt die Annahme, dass sozial durchmischte Gesellschaften nicht nur wirtschaftlich stärker vernetzt, sondern auch inklusiver und zugänglicher für unterschiedliche soziale Gruppen sind.
Im Gegensatz dazu zeigt der Freundschafts-Bias (bias_grp_mem_county), der die Homogenität sozialer Netzwerke misst, eine moderate negative Korrelation mit der wirtschaftlichen Vernetzung (-0,38) sowie der sozialen Durchmischung (-0,18). Dies lässt darauf schließen, dass in stärker vernetzten Regionen Vorurteile und soziale Abgrenzungen weniger ausgeprägt sind, während homogene Netzwerke solche Dynamiken verstärken.
Die wirtschaftliche Mobilität selbst korreliert ebenfalls positiv mit der sozialen Durchmischung (0,69) und negativ mit der Einkommensungleichheit (-0,60). Dies unterstreicht die zentrale These, dass soziale Netzwerke und eine egalitäre Einkommensverteilung maßgebliche Treiber für die Verbesserung individueller Aufstiegschancen sind.
Im Gegensatz zu diesen deutlichen Zusammenhängen zeigt die Bevölkerung (pop2018) kaum signifikante Korrelationen mit anderen Variablen. Diese Beobachtung deutet darauf hin, dass die Größe einer Region keine wesentliche Determinante für deren soziale und wirtschaftliche Strukturen ist.
Zusammenfassend lässt sich sagen, dass die Korrelationsmatrix die Bedeutung sozialer und wirtschaftlicher Vernetzung in einer Gesellschaft eindrucksvoll darstellt. Regionen, die durch starke Vernetzung und soziale Durchmischung geprägt sind, profitieren nicht nur von einer höheren wirtschaftlichen Mobilität, sondern auch von einer gerechteren Einkommensverteilung und einem reduzierten sozialen Bias. Dieses Zusammenspiel betont die Relevanz vernetzter Strukturen als Fundament für sozialen und wirtschaftlichen Fortschritt.
Im nächsten Schritt sollten Sie sich anschauen, welche Rolle das Median Haushaltseinkommen in den Counties bei der wirtschaftlichen Mobilität spielt. Gibt es einen Unterschied des Effekts der sozialen Vernetzung zwischen Gutverdienern und weniger gut verdienenden?
- Zeigen Sie in einem Punktediagramm den Zusammenhang des Economic Connectedness Index (y-Achse) und dem Median Haushaltseinkommen in den einzelnen Counties. Färben Sie die einzelnen Datenpunkte nach der wirtschaftlichen Mobilität ein.
Beschreiben und interpretieren Sie ihre Grafik. Gehen Sie insbesondere darauf ein, ob er Effekt der sozialen Vernetzung für alle Einkommensgruppen gleich ist.
Beschreibung der Grafik
Die vorliegende Darstellung illustriert den Zusammenhang zwischen dem Median-Haushaltseinkommen und dem Economic Connectedness Index (ECI) und gewährt tiefgehende Einblicke in die wirtschaftliche Mobilität (Upward Mobility) verschiedener Regionen. Auf der x-Achse wird das Median-Haushaltseinkommen abgebildet, welches die zentralen Einkommenswerte von Haushalten in einer bestimmten Region widerspiegelt. Die Einkommensspanne reicht von niedrigeren Beträgen (ca. 20.000 bis 50.000) bis hin zu sehr hohen Einkommensgruppen (über 150.000). Die y-Achse zeigt den Economic Connectedness Index, der die Intensität der sozialen und wirtschaftlichen Verknüpfungen innerhalb einer Region quantifiziert, mit einem Wertebereich von etwa 0,25 bis über 1,25.
Jeder Punkt in der Grafik stellt eine Region (County) dar, wobei die Farbskala die wirtschaftliche Aufstiegsmobilität dieser Region kennzeichnet. Dunklere Farbtöne wie Violett und Schwarz signalisieren eine geringe Mobilität, während hellere Farben wie Gelb und Orange auf eine hohe Mobilität hinweisen. Diese Farbskala dient dazu, den Einfluss des Economic Connectedness Index sowie des Median-Haushaltseinkommens auf die Mobilität visuell zu verdeutlichen.
Intepretation
Die Analyse der Grafik offenbart einen positiven Zusammenhang zwischen dem Median-Haushaltseinkommen und dem Economic Connectedness Index. Wohlhabendere Regionen tendieren zu höheren Werten des Economic Connectedness Index, was auf eine stärkere soziale und wirtschaftliche Vernetzung hinweist. Zudem ist zu erkennen, dass eine intensivere Vernetzung (höherer ECI) tendenziell mit einer gesteigerten wirtschaftlichen Mobilität korreliert. In den Bereichen der Grafik, in denen sowohl das Median-Haushaltseinkommen als auch der ECI hoch sind (oberer rechter Bereich), dominieren die helleren Farben, die eine erhöhte Mobilität widerspiegeln.
Ein genauerer Blick auf die Daten zeigt, dass der Einfluss der sozialen Vernetzung auf die Mobilität je nach Einkommensgruppe variiert. Für Regionen mit mittleren Einkommen (ca. 50.000 bis 100.000) ist ein klarer positiver Effekt des Economic Connectedness Index auf die Aufstiegsmöglichkeiten erkennbar. In diesem Bereich führt eine stärkere soziale Vernetzung zu merklich besseren Chancen auf wirtschaftliche Mobilität, was durch die helleren Farben in diesem Segment unterstrichen wird. In Regionen mit sehr hohem Einkommen (über 100.000) ist dieser Effekt jedoch weniger ausgeprägt, da die wirtschaftliche Mobilität und soziale Vernetzung bereits auf einem hohen Niveau existieren.
In einkommensschwachen Regionen (unter 50.000), die mit niedrigen ECI-Werten (linker unterer Bereich) verknüpft sind, dominieren dunklere Farben, was eine geringere wirtschaftliche Mobilität anzeigt. Dies verdeutlicht die bedeutende Rolle sozialer und wirtschaftlicher Vernetzung in Regionen, die mit strukturellen Herausforderungen und Defiziten konfrontiert sind.
Zusammenfassend lässt sich feststellen, dass der Economic Connectedness Index einen signifikanten Indikator für wirtschaftliche Mobilität darstellt, dessen Effekt jedoch in Abhängigkeit vom Einkommensniveau der Region unterschiedlich stark ausgeprägt ist. Während mittlere Einkommensgruppen besonders von einer verstärkten Vernetzung profitieren, ist der Effekt in wohlhabenden Regionen weniger ausgeprägt. Einkommensschwache Gebiete könnten erheblich von gezielten Initiativen zur Förderung sozialer Netzwerke profitieren, um die wirtschaftlichen Chancen und Aufstiegsmöglichkeiten für ihre Bewohner zu steigern.
- Die soziale Vernetzung ist in der bisherigen Analyse ein treibender Faktor für die wirtschaftliche Mobilität. Jedoch ist es durchaus möglich, dass nicht die soziale Vernetzung, sondern andere Faktoren den zu Grunde liegenden Effekt treiben und es sich bei dem Zusammenhang zwischen dem Economic Connectedness Index und der wirtschaftlichen Mobilität nur um einen Scheinzusammenhang handelt. So könnten z.B. Rückwärtskausalität, Selektionseffekte oder ausgelassene Variablen den gefundenen Zusammenhang erklären.
Um dem nachzugehen sollten Sie sich Chetty et al. (2022a), Seite 115-120 durchlesen und folgende Fragen beantworten:
- Nehmen Sie Bezug auf die Rückwärtskausalität, den Selektionseffekt und die ausgelassenen Variablen. Wie könnten diese Faktoren einen scheinbaren Zusammenhang zwischen dem Economic Connectedness Index und der wirtschaftlichen Mobilität verursachen? Gehen Sie auf jeden Faktor separat ein.
- In der explorativ und deskriptiv angelegten Analyse der Autoren lassen sich die Argumente bzgl. Rückwärtskausalität, Selektionseffekten und ausgelassener Variablen nicht vollständig ausschließen. Doch welche Argumente sprechen laut den Autoren dafür, dass es sich nicht um die genannten Faktoren handelt?
- Finden Sie die Argumentation glaubhaft? Hätten Sie bedenken bei deren Argumentation? Wenn ja, was stört Sie daran?
- Nehmen wir an Sie können sich die optimalen Bedingungen zusammenstellen, damit Sie tatsächlich einen kausalen Effekt der sozialen Vernetzung auf die wirtschaftliche Mobilität messen könnten. Wie würden diese Bedingungen ausgestaltet sein?
1
Rückwärtskausalität:
Rückwärtskausalität würde bedeuten, dass wirtschaftlich erfolgreiche Personen oder Regionen durch ihren wirtschaftlichen Aufstieg bessere soziale Netzwerke entwickeln. Der Zusammenhang zwischen dem Economic Connectedness Index (ECI) und wirtschaftlicher Mobilität könnte dadurch entstehen, dass wirtschaftlich erfolgreiche Regionen Menschen mit besseren sozialen Netzwerken anziehen. Chetty et al. (2022a) argumentieren jedoch, dass Freundschaften bereits in jungen Jahren entstehen und über längere Zeit stabil bleiben. Daher ist es unwahrscheinlich, dass wirtschaftlicher Erfolg später die Zusammensetzung sozialer Netzwerke maßgeblich beeinflusst.
Selektionseffekte:
Der Selektionseffekt beschreibt das Phänomen, dass Menschen gezielt in Regionen ziehen, die bessere soziale und wirtschaftliche Bedingungen bieten. Wenn einkommensstärkere Familien gezielt in Regionen mit hoher sozialer Vernetzung ziehen, könnte dies den Zusammenhang zwischen ECI und wirtschaftlicher Mobilität verfälschen. Chetty et al. (2022a) begegnen diesem Einwand, indem sie die Analyse auf Daten stützen, die vor einem möglichen Umzug gesammelt wurden. Dies minimiert den Einfluss von Selektionseffekten.
Ausgelassene Variablen:
Nicht berücksichtigte Faktoren könnten sowohl den ECI als auch die wirtschaftliche Mobilität beeinflussen, wodurch ein Scheinkausalzusammenhang entstehen könnte. Beispiele hierfür sind ungemessene Faktoren wie die Qualität des Bildungssystems oder lokale Arbeitsmarktbedingungen. Chetty et al. (2022a) kontrollieren in ihren Modellen eine Vielzahl relevanter Variablen (z.B. Bildung, Einkommen, ethnische Diversität), um solche Effekte zu minimieren.
2
Chetty et al. (2022a) liefern mehrere überzeugende Argumente, warum diese Faktoren den Zusammenhang zwischen ECI und wirtschaftlicher Mobilität nicht vollständig erklären:
Stabilität sozialer Netzwerke: Freundschaften entstehen größtenteils in der Kindheit und verändern sich im Erwachsenenalter kaum. Damit ist es unwahrscheinlich, dass wirtschaftlicher Aufstieg soziale Netzwerke beeinflusst.
Daten vor Migration: Die Autoren nutzen Freundschaftsdaten, die vor potenziellen Umzügen erhoben wurden, um Selektionseffekte zu vermeiden.
Kontrolle zahlreicher Variablen: In den Modellen werden zahlreiche sozioökonomische Faktoren berücksichtigt, um ausgelassene Variablen weitgehend auszuschließen.
Regionale Vergleichbarkeit: Auch innerhalb sozial und wirtschaftlich ähnlicher Regionen zeigen sich deutliche Unterschiede im ECI, was darauf hindeutet, dass nicht allein äußere Faktoren den Zusammenhang erklären.
3
Die Autoren liefern schlüssige Argumente, warum Rückwärtskausalität, Selektionseffekte und ausgelassene Variablen den Zusammenhang zwischen sozialer Vernetzung und wirtschaftlicher Mobilität nicht ausreichend erklären. Besonders überzeugend ist die Nutzung von Freundschaftsdaten aus der Kindheit, die spätere Verzerrungen durch wirtschaftlichen Erfolg ausschließen. Auch die gezielte Kontrolle vieler relevanter Einflussfaktoren erhöht die Glaubwürdigkeit der Ergebnisse.
Dennoch bestehen gewisse Bedenken:
Einschränkungen durch die Datenquelle: Die Daten basieren auf Facebook-Freundschaften. Da nicht alle gesellschaftlichen Gruppen Facebook in gleichem Maße nutzen, könnten bestimmte Bevölkerungsgruppen (z.B. ältere Menschen oder weniger digital affine Gruppen) unterrepräsentiert sein.
Nicht vollständig messbare Faktoren: Trotz umfassender Kontrollen könnten kulturelle oder institutionelle Unterschiede bestehen, die den Zusammenhang zwischen sozialer Vernetzung und wirtschaftlicher Mobilität beeinflussen.
Regionale Unterschiede in der Migration: Auch wenn Selektionseffekte weitgehend ausgeschlossen wurden, könnten regionale Unterschiede in den Wanderungsbewegungen den Zusammenhang beeinflussen.
4
Um den kausalen Einfluss sozialer Vernetzung auf wirtschaftliche Mobilität präzise zu messen, wären folgende Bedingungen ideal:
Zufällige Zuweisung des Wohnorts: Durch eine randomisierte Zuweisung von Familien in Regionen mit unterschiedlichen Niveaus an sozialer Vernetzung könnten Selektionseffekte vollständig ausgeschlossen werden.
Längsschnittstudien: Langfristige Erhebungen über mehrere Jahre hinweg würden es ermöglichen, die Entwicklung sozialer Netzwerke und wirtschaftlicher Chancen detailliert zu verfolgen.
Experimentelle Interventionen: Gezielte Programme zur Förderung sozialer Durchmischung, etwa in Schulen oder Wohnvierteln, könnten den direkten Einfluss von Netzwerken auf die wirtschaftliche Mobilität sichtbar machen.
Breitere Datengrundlage: Neben Facebook-Daten sollten weitere Datenquellen wie andere soziale Netzwerke oder offline entstandene Freundschaften berücksichtigt werden, um ein vollständigeres Bild sozialer Vernetzung zu erhalten.
Umfassende Kontrolle von Kontextfaktoren: Regionale Unterschiede in Bildung, Infrastruktur und Arbeitsmarkt sollten vollständig berücksichtigt werden, um mögliche Störfaktoren auszuschließen.
Einflussfaktoren auf die soziale Vernetzung
Wie Sie in Ihrer bisherigen Analyse gesehen haben scheint der Economic Connectedness Index einen großen Teil der wirtschaftlichen Mobilität innerhalb der Counties erklären zu können. Doch was sind die Treiber hinter einer hohen sozialen Vernetzung?
- Ein Treiber der sozialen Vernetzung könnte natürlich eine hohe
Exposition (
exposure_grp_mem_county) sein, d.h. wenn es viele gut verdienende Personen in einem County gibt. Anders herum: Wenn es in einigen Counties gar keine gut verdienende Personen gibt, dann gibt es keine Möglichkeit für mich, der dort lebt, Freunde aus einem hohen Einkommensdezil zu haben.
Um sich einen Überblick über die Exposition in den einzelnen Counties zu verschaffen sollten Sie im ersten Schritt die Verteilung der Exposition über die Counties hinweg auf einer Karte der USA zeigen.
Beschreiben Sie ihre Karte und vergleichen diese mit der Karte aus Aufgabe 7. Was fällt Ihnen auf? Trifft die Annahme bzgl. der Exposition zu?
Beschreibung der Grafik
Die Karte zeigt die Verteilung der Exposition in den USA und arbeitet mit einer abgestuften Farbskala, um die verschiedenen Wertebereiche hervorzuheben. Dunkelviolett kennzeichnet die niedrigsten Expositionswerte im Bereich von 0,2 bis 0,4 und ist vor allem in dünn besiedelten Gebieten zu finden. Violett, das den Bereich von 0,4 bis 0,6 repräsentiert, erstreckt sich über weite Teile ländlicher Regionen. Mittlere Werte im Bereich von 0,6 bis 1,2 werden durch verschiedene Grüntöne dargestellt, die insbesondere in großen Teilen des Mittleren Westens, des Ostens und des Südens der USA dominieren. Gelb steht für die höchsten Expositionswerte (1,2 bis 1,6) und kommt lediglich in wenigen, räumlich begrenzten Regionen vor, was auf potenzielle Hotspots hindeutet.
Analyse der Exposition gegenüber einkommensstarken Individuen
Die Analyse der durchschnittlichen Exposition von einkommensschwachen (low-SES) gegenüber einkommensstarken (high-SES) Individuen auf County-Ebene zeigt deutliche regionale Unterschiede in den Vereinigten Staaten. Besonders in urbanen und wirtschaftlich starken Regionen wie der Ost- und Westküste sowie in großen Metropolen wie Chicago und New York ist die Exposition besonders hoch. Dies bedeutet, dass einkommensschwache Personen in diesen Regionen häufiger mit einkommensstarken Personen in Kontakt kommen. Diese Beobachtung unterstützt die Hypothese, dass eine hohe Exposition den Aufbau sozialer Netzwerke begünstigen könnte.
Vergleich mit dem Economic Connectedness Index (ECI)
Ein Vergleich mit der Karte des Economic Connectedness Index (ECI) aus Aufgabe 7 verdeutlicht jedoch, dass eine hohe Exposition nicht zwangsläufig mit einer hohen sozialen Vernetzung korreliert. Während einige Regionen mit hoher Exposition auch einen hohen ECI-Wert aufweisen – was auf starke soziale Verbindungen zwischen low-SES- und high-SES-Personen hindeutet – gibt es ebenso Regionen, in denen trotz hoher Exposition der ECI niedrig bleibt. Dies deutet darauf hin, dass zusätzliche Einflussfaktoren, wie soziale Barrieren, Vorurteile oder kulturelle Unterschiede, den Aufbau sozialer Netzwerke behindern könnten.
Regionale Unterschiede: Urban vs. Ländlich
Besonders auffällig ist der Unterschied zwischen städtischen und ländlichen Regionen. In ländlichen Gebieten, insbesondere im Süden und Mittleren Westen, ist die Exposition häufig sehr niedrig. Diese Beobachtung bestätigt die Annahme, dass das Fehlen einkommensstarker Individuen in diesen Regionen die soziale Vernetzung stark einschränkt. In städtischen Gebieten hingegen existieren mehr Gelegenheiten zur sozialen Durchmischung, jedoch variiert der ECI auch dort erheblich. Dies könnte auf bestehende soziale Hürden und Barrieren hinweisen, die den Übergang von potenziellen Kontakten zu tatsächlichen Freundschaften erschweren.
Jedoch bedeutet eine hohe Exposition nicht gleich auch automatisch höhere soziale Vernetzung mit Personen aus hohen Einkommensdezilen. Falls Personen aus den jeweiligen Einkommensdezilen lieber unter sich bleiben möchten und keine Freundschaften zu Personen aus niedrigeren Einkommensdezilen pflegen, dann wird es ebenso schwer soziale Vernetzungen eine hohe wirtschaftliche Mobilität zu erreichen.
- Um zu untersuchen ob es eine entsprechende Segregation der
Freundschaftsgruppen gibt sollten Sie in dieser Aufgabe ein
Punktediagramm erzeugen, welche auf der x-Achse die Exposition
(
exposure_grp_mem_county) und auf der y-Achse den Freundschafts-Bias (bias_grp_mem_county) abträgt. Weiterhin sollten Sie die einzelnen Punkte in dem Punktediagramm nach der Stärke der sozialen Vernetzung einfärben. Heben Sie die Counties “San Francisco County, California” und “Bronx County, New York” in ihr Grafik explizit heraus (z.B. durch eine Beschriftung) und gehen Sie in ihrer Interpretation auf diese zwei Counties ein.
Beschreiben und interpretieren Sie ihre Grafik, gehen Sie dabei insbesondere auf folgende Fragen ein:
- Welchen Einfluss haben die Faktoren Freundschafts-Bias und Exposition auf die soziale Vernetzung (den Economic Connectedness Index)?
Beschreibung
Die Grafik untersucht den Zusammenhang zwischen der Exposition einkommensschwacher (low-SES) Individuen gegenüber einkommensstarken (high-SES) Individuen und dem Freundschafts-Bias. Auf der x-Achse ist die Exposition abgebildet, die misst, wie häufig low-SES-Personen mit high-SES-Personen in Kontakt kommen, während die y-Achse den Freundschafts-Bias darstellt, der angibt, wie stark soziale Kontakte innerhalb derselben sozialen Schicht bevorzugt werden. Die Farbgebung der Punkte entspricht dem Economic Connectedness Index (ECI), wobei hellere Farben (Gelb) für höhere Werte und dunklere Farben (Schwarz) für niedrigere Werte stehen. Zwei Regionen sind hervorgehoben: Bronx County in New York und San Francisco County in Kalifornien.
Exposition und Freundschafts-Bias als Einflussfaktoren
Die Analyse macht deutlich, dass sowohl die Exposition als auch der Freundschafts-Bias entscheidende Einflussfaktoren für die soziale Vernetzung sind:
Hohe Exposition & Niedriger Freundschafts-Bias: Regionen mit hoher Exposition und geringem Freundschafts-Bias zeigen tendenziell einen hohen Economic Connectedness Index. Das bedeutet, dass einkommensschwache Personen in diesen Regionen nicht nur häufiger mit einkommensstarken Personen in Kontakt kommen, sondern auch eher Freundschaften mit ihnen schließen. Die günstige Kombination aus Kontaktmöglichkeiten und offener sozialer Einstellung fördert den Aufbau sozialer Netzwerke, die den wirtschaftlichen Aufstieg begünstigen.
Hohe Exposition & Hoher Freundschafts-Bias: In Regionen mit hoher Exposition, aber gleichzeitig hohem Freundschafts-Bias bleiben viele potenzielle soziale Verbindungen ungenutzt. Trotz vieler Kontaktmöglichkeiten verhindern soziale Barrieren und Vorurteile den Aufbau von Freundschaften zwischen unterschiedlichen Einkommensgruppen. Dadurch bleibt der Economic Connectedness Index niedrig.
Niedrige Exposition & Niedriger Freundschafts-Bias: Regionen mit niedriger Exposition, selbst wenn sie einen geringen Bias aufweisen, haben ebenfalls Schwierigkeiten, soziale Netzwerke aufzubauen. Die fehlenden Kontaktmöglichkeiten mit einkommensstarken Personen begrenzen die soziale Vernetzung und somit die wirtschaftliche Mobilität.
Vergleich: Bronx County vs. San Francisco County
Der Vergleich zwischen Bronx County, New York und San Francisco County, California veranschaulicht den Einfluss dieser beiden Faktoren:
Bronx County, New York: Dieses County weist eine moderate Exposition, aber einen hohen Freundschafts-Bias auf. Obwohl es Möglichkeiten für Kontakte zwischen einkommensschwachen und einkommensstarken Personen gibt, verhindern soziale Barrieren, dass diese Kontakte in Freundschaften münden. Der Economic Connectedness Index ist hier entsprechend niedrig. Dies könnte durch ethnische und soziale Segregation innerhalb des Countys bedingt sein.
San Francisco County, California: Im Gegensatz dazu zeigt San Francisco eine hohe Exposition und einen niedrigen Freundschafts-Bias. Die Bewohner haben nicht nur viele Gelegenheiten, mit einkommensstarken Individuen in Kontakt zu treten, sondern diese Kontakte führen auch eher zu tatsächlichen Freundschaften. Der Economic Connectedness Index ist hier hoch, was sich positiv auf die wirtschaftliche Mobilität auswirkt.
- Welche (politischen) Maßnahmen könnten dazu beitragen, die soziale Vernetzung und damit die wirtschaftlichen Chancen in benachteiligten Regionen zu verbessern? Diskutieren Sie auf Basis ihrer Ergebnisse aus den Aufgaben 14 und 15.
1. Sozial durchmischte Bildungs- und Freizeiteinrichtungen
Ein wichtiger Hebel zur Förderung der sozialen Vernetzung ist die Schaffung von sozial durchmischten Bildungs- und Freizeitangeboten. Schulen und Freizeiteinrichtungen sollten gezielt so gestaltet werden, dass Kinder und Jugendliche aus verschiedenen sozioökonomischen Hintergründen miteinander in Kontakt kommen.
Dies kann erreicht werden durch:
Flexible Schulbezirke zur besseren Durchmischung.
Stipendien und Förderprogramme für einkommensschwache Familien.
Gemeinschaftszentren und Sportvereine, die den Austausch fördern.
2. Städtebauliche Maßnahmen zur sozialen Integration
Die gezielte Gestaltung von Wohnraum kann soziale Barrieren abbauen und Begegnungen zwischen verschiedenen Einkommensgruppen fördern.
Hierzu gehören:
Sozialer Wohnungsbau in einkommensstarken Vierteln, um die Durchmischung zu erhöhen.
Förderung gemischter Wohnprojekte, wie Mehrgenerationenhäuser oder integrative Wohnkonzepte.
Attraktive öffentliche Treffpunkte wie Parks oder Gemeinschaftsräume.
3. Mentoring- und Netzwerkprogramme
Gezielte Programme, die aktiv den Aufbau von sozialen Netzwerken unterstützen, können insbesondere Jugendlichen aus einkommensschwachen Familien den Zugang zu besseren Chancen erleichtern.
Dazu zählen:
Mentoring-Programme, bei denen erfolgreiche Personen Jugendliche aus benachteiligten Haushalten unterstützen.
Praktikums- und Netzwerkprogramme für Schülerinnen und Schüler, um frühzeitig berufliche Kontakte zu knüpfen.
Lokale Community-Projekte, die sozialen Austausch fördern.
4. Wirtschaftliche Anreize für Unternehmen
Um die wirtschaftliche Entwicklung in strukturschwachen Regionen zu stärken, sollten Unternehmen motiviert werden, dort zu investieren.
Mögliche Maßnahmen:
Steuerliche Vorteile für Unternehmen, die Arbeitsplätze in benachteiligten Regionen schaffen.
Förderprogramme für Start-ups und kleine Unternehmen, um Innovationen vor Ort zu fördern.
Ausbau der Infrastruktur, um Standortnachteile auszugleichen.
Zusatzaufgabe
- Laden Sie die Daten zur Economic Connectedness, dem Freundschafts-Bias und der Exposition auf College Ebene von der folgenden URL herunter und lesen Sie diese Daten in R ein:
Hier können Sie die Daten auf College Ebene herunterladen
- Laden Sie Kartendaten auf ZIP-Code Ebene mit einer API von IPUMS herunter. Am einfachsten
funktioniert dies mit dem R Paket tidycensus. Für
den API Zugang müssen Sie sich erst bei IPUMS registrieren und können
danach einen API Key beantragen, welchen Sie dann für den Daten download
über das
tidycencusPaket hinterlegen müssen.
Hinweis: Der Download von Shape-File Daten wird in der Vignette des R Pakets tidycensus sehr gut beschrieben. Dieser Issue auf GitHub ist nützlich um zu erfahren, wie Sie ZIP-Code Daten herunterladen können.
- Stellen Sie den Economic Connectedness Index des Colleges
(
ec_own_ses_college) auf ZIP-Code Ebene in einer US-Karte dar. Machen Sie ihre Karte interaktiv mit dem Paketleaflet.