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:

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:

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.

  1. Lesen Sie den Datensatz social_capital_county.rds aus dem Unterordner “Daten” in R ein und nennen diesen Datensatz social_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?

Unser eingelesener Datensatz social_capital_county.rds wurde auf fünf Variablen eingeschränkt. Die Variable county ist ein fünfstelliger FIPS-Code zur eindeutigen Identifikation von Landkreisen in den USA. ec_county misst die wirtschaftliche Verbundenheit (economic connectedness) innerhalb eines Landkreises und zeigt, wie stark Menschen aus verschiedenen sozioökonomischen Gruppen miteinander vernetzt sind. exposure_grp_mem_county gibt an, wie oft Personen mit niedrigem sozioökonomischen Status (SES) mit Personen aus höheren Einkommensgruppen in Kontakt kommen, während bias_grp_mem_county misst, inwiefern Menschen trotz Exposition eher Freundschaften innerhalb ihrer eigenen sozioökonomischen Gruppe schließen. Schließlich gibt pop2018 die Bevölkerungszahl eines Landkreises im Jahr 2018 an.

Jede Beobachtung im Datensatz stellt einen einzelnen Landkreis dar, wobei jede Zeile die Werte für die fünf Variablen enthält. Während die USA insgesamt 3144 Counties hat, sind in unserem Datensatz 3089 enthalten. In 95,144 % der Fälle liegen vollständige Informationen für alle Variablen einer Beobachtung vor, was eine umfassende Analyse der sozialen und wirtschaftlichen Vernetzung innerhalb der USA ermöglicht.

  1. Weiterhin haben wir Ihnen den Datensatz county_covariates.dta im 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 ihn covariates.

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

In unserem eingeschränkten Datensatz liegen nun drei Variablen vor. Die Variable county dient wie bereits erwähnt, der eindeutigen Identifikation von Landkreisen in den USA anhand eines fünfstelligen FIPS-Codes, der von der US-Regierung zur standardisierten geografischen Zuordnung genutzt wird.

Die Variable kfr_pooled_pooled_p25 beschreibt die durchschnittliche Einkommensposition im Erwachsenenalter von Personen, deren Eltern beim 25. Perzentil der Einkommensverteilung lagen. Sie wird als Perzentilwert ausgedrückt, wobei ein höherer Wert auf eine bessere wirtschaftliche Mobilität hindeutet.

Aus dieser Variable wurde die neue Variable upward_mobility generiert, indem der ursprüngliche Wert mit 100 multipliziert wurde. Dadurch ergibt sich eine intuitivere Skala, auf der höhere Werte eine bessere Einkommensentwicklung im Erwachsenenalter signalisieren. Die ursprüngliche Variable kfr_pooled_pooled_p25 wurde anschließend aus dem Datensatz entfernt.

Die dritte Variable gini99_simple misst die Einkommensungleichheit innerhalb eines Landkreises anhand des Gini-Koeffizienten, der ein Standardmaß für Ungleichheit ist. Ein Wert von 0 würde eine vollkommen gleichmäßige Einkommensverteilung bedeuten, während ein Wert von 1 auf maximale Ungleichheit hindeutet, bei der eine einzige Person das gesamte Einkommen besitzt. Der hier verwendete Gini-Koeffizient basiert auf Steuerdaten und wurde zusätzlich um den Anteil des Einkommens der obersten 1 % der Bevölkerung bereinigt, um Verzerrungen durch extreme Spitzenverdiener zu reduzieren.

  1. 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

  1. Verbinden Sie die Dataframes county_census_shape, covariates und social_capital_county zu einem Datensatz analysis_data.
  • Welche Art von Join sollten sie hierbei verwenden? Warum gerade diesen Join?
  • Welcher Datensatz sollte der Hauptdatensatz sein? Warum?

An dieser Stelle ist ein Left-Join angebracht, da wir nur Daten benötigen, die sich auf der Karte darstellen lassen. Der Hauptdatensatz sollte county_census_shape sein, da er die geographischen Daten für die Kartendarstellung enthält.

  1. 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”

Die wirtschaftliche Mobilität (upward_mobility) misst den mittleren Perzentilrang des Haushaltseinkommens innerhalb eines Countys und gibt somit die durchschnittliche finanzielle Lage der Bevölkerung an. Sie zeigt auf, wie gut Menschen – insbesondere Kinder aus wirtschaftlich benachteiligten Haushalten – Chancen haben, sich finanziell nach oben zu bewegen. Ein hoher Wert steht für eine Region, in der es relativ gute Möglichkeiten gibt, sozioökonomische Barrieren zu überwinden und wirtschaftlich aufzusteigen. Die soziale Vernetzung (ec_county) hingegen gibt an, wie stark Personen mit niedrigem sozioökonomischen Status (SES) mit Personen mit hohem SES vernetzt sind. Diese wird berechnet, indem der Anteil der Freunde mit hohem SES bei Personen mit niedrigem SES verdoppelt wird. Ein hoher Wert deutet auf eine enge Durchmischung zwischen sozioökonomischen Gruppen hin.

Eine hohe soziale Vernetzung sollte gute ökonomische Aufstiegschancen, also eine hohe wirtschaftliche Mobilität, mit sich bringen. Der Grund dafür liegt in der Annahme, dass soziale Netzwerke eine Schlüsselrolle bei der Weitergabe von Informationen, Ressourcen und Möglichkeiten spielen. Personen mit niedrigem SES können durch den Kontakt zu Personen mit hohem SES Zugang zu besserer Bildung, Jobempfehlungen oder Mentoring erhalten. Soziale Vernetzung fördert nicht nur den Wissens- und Ressourcentransfer, sondern kann auch die Ambitionen von Menschen aus weniger privilegierten Hintergründen beeinflussen, da sie durch ihr Umfeld höhere Ziele anstreben. Die zugrunde liegende Annahme ist, dass Erfolg und ökonomischer Aufstieg nicht nur von individuellen Fähigkeiten abhängen, sondern auch stark vom sozialen Umfeld geprägt werden, wie es auch Studien des National Bureau of Economic Research (NBER) belegen.

Die soziale Vernetzung (ec_county) wird stark von zwei Faktoren beeinflusst: der Exposition (exposure_grp_mem_county) und dem Freundschafts-Bias (bias_grp_mem_county). Die Exposition beschreibt, wie häufig Personen mit niedrigem SES mit Personen mit hohem SES in gemeinsamen Kontexten, wie Schulen, Wohngebieten oder Gemeinschaftsgruppen, zusammentreffen. Die Annahme ist, dass eine hohe Exposition die Wahrscheinlichkeit erhöht, dass Personen aus unterschiedlichen sozioökonomischen Hintergründen miteinander interagieren und Freundschaften schließen. Dadurch sollte eine höhere Exposition zu einem Anstieg der sozialen Vernetzung führen, da Gelegenheiten für den Aufbau von Beziehungen geschaffen werden.

Der Freundschafts-Bias dagegen beschreibt die Tendenz, trotz vorhandener Exposition bevorzugt Freundschaften innerhalb der eigenen sozioökonomischen Gruppe zu schließen. Ein hoher Freundschafts-Bias kann die positive Wirkung der Exposition auf die soziale Vernetzung stark abschwächen. Selbst wenn Menschen mit unterschiedlichem SES häufig zusammentreffen, können Vorurteile, kulturelle Unterschiede oder strukturelle Barrieren verhindern, dass tatsächliche Freundschaften entstehen. Die Annahme hierbei ist, dass ein steigender Freundschafts-Bias mathematisch zu einem geringeren Wert von ec_county führt, da die Interaktionen zwischen sozioökonomischen Gruppen reduziert werden.

Zusammenfassend lässt sich sagen, dass eine hohe Exposition die soziale Vernetzung fördern sollte, indem sie mehr Möglichkeiten für Begegnungen schafft. Gleichzeitig wirkt ein hoher Freundschafts-Bias dieser Wirkung entgegen, da er die Bildung von Freundschaften zwischen sozioökonomischen Gruppen trotz vorhandener Gelegenheiten einschränkt. Der Schlüssel zur Förderung sozialer Vernetzung liegt also darin, Exposition gezielt zu erhöhen und gleichzeitig Maßnahmen zu ergreifen, die den Freundschafts-Bias verringern, wie etwa integrative Gemeinschaftsprogramme oder Schulreformen.

National Bureau of Economic Research

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.

  1. Schauen Sie sich in einem ersten Schritt an, wie die Variablen im Datensatz analysis_data über 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!

Statistische Auswertung der Variablen
Alle Variablen beziehen sich auf Daten pro County
Variable Mittelwert Median Minimum Maximum Standardabweichung 25%-Quantil 75%-Quantil
Einkommensungleichverteilung (Gini) 0,29 0,29 -0,06 0,57 0,06 0,24 0,33
Wirtschaftliche Mobilität 42,72 41,96 12,22 68,83 6,49 38,43 46,11
Soziale Vernetzung 0,81 0,81 0,29 1,36 0,18 0,69 0,94
Exposition 0,91 0,91 0,26 1,49 0,21 0,76 1,05
Freundschafts-Bias 0,06 0,06 -0,11 0,33 0,05 0,03 0,10
Bevölkerung 2018 107.129,87 27.837,50 544,00 10.098.052,00 337.331,88 12.618,75 71.974,50
Median-Einkommen 2023 65.046,65 63.161,50 16.170,00 178.707,00 18.388,68 54.113,25 73.216,25

Zu sehen ist eine Tabelle, die die statistische Auswertung aller numerischer Variablen des Datensatzes darstellt. Dies betrifft die Variablen Einkommensungleichverteilung (Gini-Koeffizient), wirtschaftliche Mobilität, soziale Vernetzung, Exposition, Freundschafts-Bias, Bevölkerung 2018 und Median-Einkommen 2023, jeweils bezogen auf ein County. Die deskriptiven Maße, die für die Variablen dargestellt werden, sind Mittelwert, Median, Minimum, Standardabweichung sowie das 1. und das 3. Quartil.

Es fällt auf, dass bei allen Variablen bis auf die Bevölkerung Median und Mittelwert sehr nah beieinander liegen, was darauf schließen lässt, dass die Daten allesamt gleichmäßig verteilt sind. Bei der Einkommensungleichverteilung, der sozialen Vernetzung, der Exposition und dem Freundschafts-Bias sind Mittelwert und Median sogar identisch, was insbesondere bei letzerer Variable auch durch die niedrigen Werte von 0,06 rundungsbedingt sein könnte. Die Exposition zeigt einen Mittelwert und Median von 0,91, wobei die Werte zwischen 0,26 und 1,49 liegen. Der Freundschafts-Bias hat einen Mittelwert und Median von 0,06, wobei der Minimalwert -0,11 und der Maximalwert 0,33 auffallen. Bei der Bevölkerung hingegen liegen Mittelwert und Median stark auseinander (107.129,87; 27.837,5), was auf Ausreißer nach oben hindeutet. Dies bestätigt sich auch durch das Maximum von 10.098.052 Einwohnern. Die Verteilung des Median-Einkommens von 2023 ist ebenfalls leicht rechts-schief, mit einem Mittelwert von 65.046,65, einem Median von 63.161,50, einem Minimum von 16.170,00 und einem Maximum von 178.707,00. Interessant ist auch, dass der Gini-Koeffizient (der die Einkommensungleichverteilung mit einem Wert zwischen 0 und 1 angibt) ein Minimum von -0,06 hat. Dies deutet auf einen möglichen Datenfehler hin. Der Maximalwert von 0,57 deutet jedoch darauf hin, dass es Regionen mit erheblicher Ungleichheit gibt, was soziale Spannungen begünstigen könnte. Die Quartile der Wirtschaftlichen Mobilität zeigen, dass 50% der Daten zwischen 38,43 und 46,11 liegen. Das sowie das Minimum und Maximum von 12,22 und 68,83 lassen darauf schließen, dass eine moderate Streuung vorliegt.Die Variable zeigt deutliche Unterschiede zwischen Regionen mit sehr geringen Chancen auf sozialen Aufstieg und solchen mit hoher Mobilität, was auf strukturelle Unterschiede wie Bildung oder wirtschaftliche Infrastruktur hindeutet. Die soziale Vernetzung ist stark von Faktoren wie Wirtschaft, Bevölkerung und Infrastruktur abhängig, die sich in den Vereinigten Staaten von Bundesstaat zu Bundesstaat erheblich unterscheiden. Dies gilt besonders, da auch Hawaii, Puerto Rico und Alaska Teil in den Daten inkludiert sind. Deshalb erklärt sich die große Differenz zwischen dem höchsten Wert (1,36) und dem niedrigsten Wert (0,29). Die Exposition weist ebenfalls eine größtenteils stabile Verteilung auf, doch extreme Werte, insbesondere der Maximalwert von 1,49, könnten auf eine ungewöhnliche soziale oder kulturelle Dynamik hinweisen. Die Bevölkerungszahlen von 2018 verdeutlichen die starke Diskrepanz zwischen ländlichen und urbanen Regionen, wobei der hohe Maximalwert auf eine Metropolregion hindeutet, während die meisten Regionen deutlich kleiner sind. Beim Median-Einkommen zeigen die niedrigen Werte wirtschaftlich benachteiligte Regionen, während hohe Werte auf wohlhabende Gebiete hinweisen, die von einer starken Wirtschaft profitieren.

Insgesamt liefern die Daten wichtige Hinweise auf soziale und wirtschaftliche Ungleichheiten, die Bevölkerungsverhältnisse ind den USA sowie potenzielle Datenfehler beim Gini-Koeffizienten, die bei der weiteren Analyse berücksichtigt werden sollten.

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.

  1. 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.

Die Variable ec_county, die den Economic Connectedness Index (ECI) darstellt, wurde in den Arbeiten von Chetty et al. (2022a, 2022b) definiert und analysiert. Die Grundlage der Analyse bilden Daten von 70,3 Millionen Facebook-Nutzern in den USA, die zwischen 25 und 44 Jahre alt sind, mindestens 100 US-basierte Facebook-Freunde haben und in den letzten 30 Tagen aktiv waren. Der ECI misst die soziale Vernetzung zwischen Menschen mit niedrigem und hohem sozioökonomischen Status (SES) in geografischen Einheiten wie Countys. Personen werden anhand ihres SES, der typischerweise aus Variablen wie Einkommen und Bildungsgrad berechnet wird, in zwei Gruppen – niedrig und hoch – eingeteilt, wobei der Median als Schwellenwert dient. Für jede Person mit niedrigem SES wird der Anteil der Freunde mit hohem SES berechnet, und diese Anteile werden auf County-Ebene aggregiert. Der resultierende Wert wird mit 2 multipliziert, um den Grad der wirtschaftlichen Vernetzung darzustellen: Ein Wert von 1 zeigt eine vollständige Integration, während ein Wert von 0 keine Vernetzung zwischen den Gruppen bedeutet.

Die Karte illustriert den ECI auf County-Ebene in den USA. Die Farbabstufung geht von Blau, das niedrigere Werte (schwächere Vernetzung) repräsentiert, zu Rot, das höhere Werte (stärkere Vernetzung) anzeigt. Dabei werden deutliche regionale Unterschiede sichtbar.

Die südöstlichen Bundesstaaten, wie Mississippi, Louisiana, Alabama und Georgia, weisen überwiegend niedrige ECI-Werte auf, was auf eine schwache soziale Vernetzung zwischen sozioökonomischen Gruppen hinweist. Diese Regionen sind historisch durch hohe Armutsraten, soziale Segregation und geringere wirtschaftliche Möglichkeiten geprägt, was die Interaktion zwischen verschiedenen sozialen Schichten erschwert. Mississippi (20,3 %) und Louisiana (19,6 %) hatten im Jahr 2017 die höchsten Armutsquoten in den USA. Alabama (16,8 %) und Georgia (16,0 %) folgen ebenfalls mit überdurchschnittlichen Armutsraten. Diese sozioökonomischen Herausforderungen verstärken die soziale Isolation und hemmen die Bildung starker sozialer Netzwerke.

Im Gegensatz dazu zeigen die Staaten der Great Plains – darunter Minnesota, North und South Dakota sowie Nebraska – sowie Teile des Mittleren Westens deutlich höhere ECI-Werte. Diese Regionen profitieren von stabileren sozialen Strukturen, geringeren Einkommensunterschieden und engeren Gemeinschaften, die soziale Vernetzung erleichtern. Minnesota (9,5 %) und Nebraska (9,8 %) gehören zu den Bundesstaaten mit den niedrigsten Armutsquoten der USA. Dies deutet darauf hin, dass wirtschaftliche Stabilität und weniger extreme soziale Ungleichheiten die Vernetzung zwischen verschiedenen sozioökonomischen Gruppen fördern.

An der Westküste und westlich der Rocky Mountains zeigt sich eine gemischte Verteilung des Economic Connectedness Index. Urbane Zentren wie San Francisco, Los Angeles und Seattle weisen hohe Werte auf, da diese Städte durch eine starke sozioökonomische Durchmischung und Diversität geprägt sind. Die dortige Wirtschaft, die von Technologie, Handel und internationalen Einflüssen dominiert wird, schafft zahlreiche Möglichkeiten für soziale Interaktionen zwischen Menschen unterschiedlicher sozialer Hintergründe. Solche urbanen Ballungsräume fördern soziale Verbindungen über sozioökonomische Grenzen hinweg. Dennoch hat Kalifornien als Bundesstaat eine vergleichsweise hohe Armutsquote von 15,1 %, was in den ländlichen Gebieten, wie Nordkalifornien, zu niedrigeren ECI-Werten führt, da dort die soziale und wirtschaftliche Vielfalt geringer ist.

Westlich der Rocky Mountains prägen große, dünn besiedelte ländliche Regionen in Nevada, Utah, Idaho und Montana das Bild. Diese Gebiete zeichnen sich durch eine oft homogene Bevölkerung und begrenzte wirtschaftliche Diversität aus. Die geringere Bevölkerungsdichte und der Fokus auf Landwirtschaft, Bergbau oder Tourismus führen dazu, dass es weniger Interaktionsmöglichkeiten zwischen sozioökonomischen Gruppen gibt. Dies spiegelt sich in niedrigeren ECI-Werten wider, da die sozialen Netzwerke weniger durchmischt und stärker innerhalb homogener Gruppen konzentriert sind.

Insgesamt zeigt sich, dass urbanisierte und wirtschaftlich entwickelte Regionen höhere Werte des Economic Connectedness Index aufweisen, während ländliche und strukturell benachteiligte Regionen geringere Werte verzeichnen. Ausnahmen wie Nebraska oder Kansas verdeutlichen, dass selbst ländliche Regionen durch spezifische wirtschaftliche oder soziale Dynamiken – etwa den Tourismus – eine stärkere soziale Vernetzung aufweisen können. Diese Beobachtungen unterstreichen die wichtige Rolle von Diversität, wirtschaftlicher Integration und Infrastruktur für die Förderung von sozialer Vernetzung zwischen sozioökonomischen Gruppen.

Die Analyse verdeutlicht, dass der Economic Connectedness Index stark von regionalen und wirtschaftlichen Faktoren beeinflusst wird. Städtische Regionen und wirtschaftlich prosperierende Gebiete fördern durch Diversität, Infrastruktur und soziale Mobilität die Vernetzung zwischen sozioökonomischen Gruppen. Ländliche und historisch benachteiligte Regionen hingegen haben oft mit isolierten sozialen Strukturen und mangelnder Integration zu kämpfen. Die Armutsquote ist dabei ein wichtiger Indikator für den Grad der sozialen Vernetzung: Je niedriger die Armutsquote, desto stärker die Integration zwischen sozioökonomischen Gruppen. Die Ergebnisse legen nahe, dass Maßnahmen zur Förderung sozialer Vernetzung, insbesondere durch den Abbau sozialer und wirtschaftlicher Barrieren sowie den Ausbau von Infrastruktur und Bildungsmöglichkeiten, entscheidend für die Verbesserung der wirtschaftlichen Mobilität und sozialen Integration in den USA sein könnten.

(Quelle Armutszahlen: https://de.wikipedia.org/wiki/Liste_der_Bundesstaaten_der_Vereinigten_Staaten_nach_Armutsquote)

  1. 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.
10 Counties mit der stärksten sozialen Vernetzung (ECI) in den USA
Zusammenhang mit Einkommen, wirtschaftlicher Mobilität und Einkommensverteilung
County Name ECI Median Haushalts-einkommen wirtschaftliche Mobilität Gini-Koeffizient
Rockingham County, New Hampshire 1.36 113,927.00 45.31 0.23
Douglas County, Colorado 1.35 145,737.00 48.24 0.12
San Francisco County, California 1.31 141,446.00 50.39 0.31
Morgan County, Utah 1.29 126,092.00 54.12 0.15
Madison County, Idaho 1.28 58,259.00 51.54 0.22
Arlington County, Virginia 1.27 140,160.00 46.28 0.39
Sussex County, New Jersey 1.26 114,316.00 47.04 0.18
Wright County, Minnesota 1.25 106,666.00 49.54 0.18
Gunnison County, Colorado 1.25 77,358.00 48.71 0.35
Pitkin County, Colorado 1.24 100,318.00 45.83 −0.01
Median 1.28 114,121.50 48.48 0.20
10 Counties mit der geringsten sozialen Vernetzung (ECI) in den USA
Zusammenhang mit Einkommen, wirtschaftlicher Mobilität und Einkommensverteilung
County Name ECI Median Haushalts-einkommen wirtschaftliche Mobilität Gini-Koeffizient
Todd County, South Dakota 0.29 39,148.00 30.18 0.32
Oglala Lakota County, South Dakota 0.33 34,769.00 24.84 NA
Terrell County, Georgia 0.35 43,812.00 31.17 0.36
Bullock County, Alabama 0.36 36,723.00 34.57 0.31
Allendale County, South Carolina 0.36 31,603.00 31.40 0.33
Robeson County, North Carolina 0.36 40,318.00 32.10 0.36
Early County, Georgia 0.38 53,750.00 33.83 0.46
Marlboro County, South Carolina 0.38 36,293.00 32.82 0.31
Crisp County, Georgia 0.39 42,745.00 32.89 0.42
Scotland County, North Carolina 0.40 43,500.00 31.08 0.39
Median 0.36 39,733.00 31.75 0.36

Die beiden Tabellen zeigen die zehn Counties mit den höchsten sowie niedrigsten Werten für den Economic Connectedness Index (ECI) in den USA. Dieser misst, wie stark Menschen mit niedrigem sozioökonomischem Status (SES) mit wohlhabenderen Bevölkerungsgruppen sozial vernetzt sind. Neben dem ECI werden auch das Median-Haushaltseinkommen, die wirtschaftliche Mobilität (die Wahrscheinlichkeit, dass Kinder aus einkommensschwachen Familien später ein höheres Einkommen erzielen) sowie der Gini-Koeffizient als Maß für Einkommensungleichheit betrachtet. Beim Vergleich dieser Werte mit dem allgemeinen Median für die USA zeigt sich ein klares Muster: Die Top 10 Counties schneiden durchweg überdurchschnittlich ab, während die Bottom 10 Counties durch niedrigere Werte gekennzeichnet sind.

Besonders deutlich wird dies beim Median-ECI, der in den Top 10 bei 1.28 liegt, während er in den Bottom 10 nur 0.36 beträgt (US-Median: 0.81). Auch das Haushaltseinkommen unterscheidet sich stark: In den am besten vernetzten Counties liegt es bei 114.121 USD, während es in den Bottom 10 lediglich 39.733 USD beträgt. Ebenso spiegelt sich dieser Trend in der wirtschaftlichen Mobilität wider – in den Top 10 liegt sie im Durchschnitt bei 48.48, in den Bottom 10 hingegen nur bei 31.75. Ein weiterer signifikanter Unterschied zeigt sich im Gini-Koeffizienten: Während in den Top 10 Counties mit 0.20 eine vergleichsweise gleichmäßige Einkommensverteilung herrscht, weist er in den Bottom 10 Counties mit 0.36 eine deutlich höhere Ungleichheit auf. Dies deutet auf eine stärkere soziale und wirtschaftliche Segregation in diesen Regionen hin. Besonders auffällig sind die Extremwerte einzelner Counties. Rockingham County (New Hampshire) führt mit einem ECI von 1.36 die Rangliste an und zeigt eine hohe soziale Durchmischung. Zum Vergleich: Der höchste ECI in den Bottom 10 liegt bei nur 0.40 in Scotland County. Auch bei der wirtschaftlichen Mobilität setzt sich dieser Trend fort: Selbst das schwächste der Top 10 Counties (Rockingham County mit 45.31) liegt noch über dem besten Wert der Bottom 10 (33.83 in Early County, Georgia).

Bei Betrachtung der geografischen Verteilung der Top- und Bottom 10 lassen sich deutlich regionale Tendenzen erkennen. Die Top 10 Counties mit dem höchsten ECI finden sich überwiegend in den Nordost- und Westküstenstaaten der USA, insbesondere in wirtschaftlich florierenden Regionen wie Massachusetts, New Hampshire und Kalifornien. Diese Counties sind häufig Teil größerer Metropolregionen oder befinden sich in deren direkter Umgebung. Die Nähe zu wirtschaftlich starken Städten führt dazu, dass Menschen aus unterschiedlichen sozialen Schichten vermehrt miteinander in Kontakt kommen – sei es durch Bildungseinrichtungen, den Arbeitsmarkt oder gemeinschaftliche Aktivitäten. Zudem sind diese Regionen häufig durch eine gut entwickelte Infrastruktur, hohe Bildungsniveaus und ein vergleichsweise hohes Durchschnittseinkommen geprägt. Dadurch entstehen mehr Gelegenheiten für wirtschaftlich benachteiligte Gruppen, sich mit finanziell besser gestellten Menschen zu vernetzen, was sich positiv auf die soziale Mobilität auswirkt. Ganz anders stellt sich die Situation in den Bottom 10 Counties dar, die fast ausschließlich in den südlichen und ländlichen Bundesstaaten wie Mississippi, Alabama, Georgia oder Kentucky liegen. Diese Regionen sind oft durch eine geringe Bevölkerungsdichte, wirtschaftliche Stagnation und hohe Einkommensungleichheit gekennzeichnet. Ein wesentlicher Faktor für den niedrigen ECI ist hier die soziale Segregation: In vielen dieser Gebiete gibt es nur wenige wirtschaftlich erfolgreiche Unternehmen oder Universitäten, die als Verbindungspunkte für verschiedene soziale Schichten dienen könnten. Dies wirkt sich negativ auf die wirtschaftliche Mobilität aus, da der Zugang zu besseren beruflichen Möglichkeiten oft von persönlichen Netzwerken abhängig ist.

Die deutliche Korrelation zwischen sozialer Vernetzung, wirtschaftlicher Mobilität und regionaler Entwicklung zeigt, dass der Economic Connectedness Index (ECI) weit mehr als nur eine abstrakte Kennzahl ist .Er spiegelt die grundlegenden strukturellen Unterschiede zwischen wirtschaftlich dynamischen und sozial durchlässigen Regionen im Vergleich zu stagnierenden, sozial segregierten Gebieten wider. In Regionen mit hohem ECI profitieren einkommensschwache Bevölkerungsgruppen von besseren Bildungsmöglichkeiten, stärkeren Netzwerken und einer diversifizierten Wirtschaft, die Aufstiegschancen begünstigt. Dagegen führt ein niedriger ECI, insbesondere in ländlichen und wirtschaftlich schwachen Regionen, zu einer stärkeren sozialen Abschottung und geringeren Chancen auf wirtschaftlichen Erfolg. Die Ergebnisse verdeutlichen, dass soziale Integration ein Schlüsselfaktor für wirtschaftliche Chancen ist und dass strukturelle Maßnahmen, die eine bessere Durchmischung und Vernetzung zwischen sozioökonomischen Gruppen fördern, langfristig die wirtschaftliche Ungleichheit verringern könnten.

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?

  1. In dieser Aufgabe sollten Sie eine 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

Die dargestellte Grafik zeigt den Zusammenhang zwischen der wirtschaftlichen Mobilität (Upward Mobility) und dem Economic Connectedness Index (ECI). Die x-Achse repräsentiert die wirtschaftliche Mobilität, definiert als das durchschnittliche Einkommensperzentil, das Kinder erreichen, wenn ihre Eltern im unteren 25. Perzentil der Einkommensverteilung auf Landesebene liegen. Ein höherer Wert signalisiert größere Aufstiegsmöglichkeiten in der jeweiligen Region.

Die y-Achse zeigt den Economic Connectedness Index (ECI), der die soziale Vernetzung zwischen sozioökonomischen Gruppen misst. Er spiegelt wider, wie stark Personen mit niedrigem SES mit Personen mit hohem SES vernetzt sind. Ein höherer Wert bedeutet, dass Personen mit niedrigem SES stärker mit Personen mit hohem SES vernetzt sind. Die Grafik zeigt eine klare positive Korrelation zwischen den beiden Variablen. Der Korrelationskoeffizient oben rechts in der Grafik (r=0.72) zeigt einen starken linearen Zusammenhang, was bedeutet, dass Regionen mit einem höheren ECI auch tendenziell eine höhere wirtschaftliche Mobilität aufweisen. Die positive Steigung der Regressionsgerade verdeutlicht diesen Zusammenhang, indem sie den Durchschnittstrend beschreibt: Je höher der ECI, desto stärker die wirtschaftliche Mobilität. Ein zentraler Grund hierfür ist der Zugang zu Ressourcen und Chancen, den ein stark vernetztes soziales Umfeld ermöglicht. Menschen mit niedrigem sozioökonomischem Status profitieren von Freundschaften mit Personen höherer SES, da diese oft besseren Zugang zu Informationen über Bildungseinrichtungen, Universitäten und Arbeitsplätze haben. Solche Verbindungen eröffnen neue Möglichkeiten, die ohne diese Netzwerke unzugänglich bleiben könnten. Des Weiteren motiviert der Kontakt zu Menschen mit höherem SES Kinder und Jugendliche aus einkommensschwachen Haushalten, ähnliche Ziele wie diese zu verfolgen. Die Sichtbarkeit von Erfolgsgeschichten fördert das Streben nach Bildung und beruflichem Erfolg, da indirekt das Gefühl vermittelt wird, dass alles greifbarer bzw. realisierbarer ist. Soziale Netzwerke vermitteln zudem wertvolles soziales Kapital. Durch diese Verbindungen können Personen aus einkommensschwachen Gruppen Zugang zu Gelegenheiten erhalten, die ihnen sonst verschlossen blieben, beispielsweise durch persönliche Empfehlungen für Jobs oder Hochschulen.

Selbstverständlich gibt es auch einzelne Ausreißer, wie beispielsweise Denali Borough, Alaska, das mit einem überdurchschnittlichen Economic Connectedness Index (ECI) von 1,17 aufwartet, jedoch eine unterdurchschnittliche wirtschaftliche Mobilität von nur 31,03 aufweist. Auffällig ist, dass vor allem die Counties in Alaska generell überdurchschnittliche ECI-Werte zeigen, gleichzeitig aber vergleichsweise niedrige Werte für die wirtschaftliche Mobilität aufweisen und damit der allgemeinen These widersprechen, dass ein höherer ECI stets mit einer stärkeren wirtschaftlichen Mobilität einhergeht. Ein zentraler Grund für diese Diskrepanz ist die geografische und soziale Isolation Alaskas. Die geringe Bevölkerungsdichte und weit verstreuten Gemeinden führen zwar zu engen lokalen Netzwerken und einem hohen ECI, jedoch fehlt es oft an überregionalen Verbindungen, die entscheidend für den Zugang zu neuen Chancen und Ressourcen sind. Zudem sind die wirtschaftlichen Strukturen stark auf wenige Industrien wie Tourismus und Fischerei beschränkt, während die geografische Abgeschiedenheit und hohen Lebenshaltungskosten den Zugang zu Bildung und qualifizierten Arbeitsplätzen außerhalb der Region erschweren. Diese Faktoren begrenzen die wirtschaftliche Mobilität trotz starker lokaler Netzwerke.

Die empirische Studie zeigt jedoch ein allgemeines Bild: Regionen mit einem hohen ECI weisen häufig eine geringere Einkommensungleichheit und eine höhere soziale Durchlässigkeit auf. Kinder, die in solchen Regionen aufwachsen, haben deutlich bessere Chancen, die sozioökonomischen Bedingungen ihrer Eltern zu überwinden und ein höheres Einkommen im Erwachsenenalter zu erzielen. Diese Beobachtung beantwortet die Frage aus der Motivation, “Wie stark beeinflussen soziale Netzwerke die wirtschaftliche Mobilität?”, da sie aufzeigt, dass eine stärkere Vernetzung zwischen sozioökonomischen Gruppen wesentliche Vorteile für den sozialen Aufstieg bietet.

Zusammenfassend lässt sich sagen, dass ein hoher ECI die wirtschaftliche Mobilität fördert, da soziale Netzwerke den Zugang zu Chancen, Informationen und Unterstützung ermöglichen. Regionen mit einer starken Vernetzung zwischen sozioökonomischen Gruppen schaffen somit ideale Bedingungen für den sozialen und wirtschaftlichen Aufstieg und tragen dazu bei, soziale Ungleichheiten zu verringern.

  1. 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.

Die beiden Grafiken veranschaulichen den Zusammenhang zwischen dem Economic Connectedness Index (ECI) und zwei zentralen sozioökonomischen Indikatoren: dem Gini-Koeffizienten (Einkommensungleichheit) sowie dem Median-Haushaltseinkommen. Die Analyse bezieht sich auf die 500 bevölkerungsreichsten Counties in den USA und legt dabei einen besonderen Fokus auf fünf ausgewählte Counties: San Francisco County, California, Arlington County, Virginia, Morgan County, Utah, New York County, New York, und Bronx County, New York. Der ECI misst die soziale Vernetzung zwischen Personen mit niedrigem sozioökonomischen Status und Personen mit hohem sozioökonomischen Status innerhalb eines Countys. Ein hoher Wert weist auf eine stärkere soziale Integration hin, während ein niedriger Wert auf eine Segregation zwischen sozioökonomischen Gruppen hindeutet. Der Gini-Koeffizient (0 = vollständige Gleichheit, 1 = maximale Ungleichheit) wird in den USA auf County-Ebene in einem Bereich von 0.06 bis 0.57 gemessen, mit einem Durchschnitt von 0.29, und gibt an, wie ungleich das Einkommen innerhalb eines Countys verteilt ist. Das Median-Haushaltseinkommen zeigt, wie viel die mittleren Haushalte verdienen, wobei die Hälfte der Haushalte ein höheres und die andere Hälfte ein niedrigeres Einkommen hat. Es ist ein Indikator für den allgemeinen Wohlstand einer Region und steht in Beziehung zu den sozialen Netzwerken, die durch den ECI erfasst werden.

Die erste Grafik zeigt eine negative Korrelation zwischen dem Gini-Koeffizienten und dem Economic Connectedness Index. Dies bedeutet, dass eine höhere Einkommensungleichheit mit einer geringeren sozialen Vernetzung zwischen sozioökonomischen Gruppen einhergeht. Dieser Zusammenhang ist plausibel und enspricht den Erwartungen aus Aufgabe 5, da eine ungleiche Einkommensverteilung oft dazu führt, dass sich wirtschaftlich benachteiligte und wohlhabendere Menschen in separaten sozialen Räumen bewegen – sei es durch Wohnsegregation, unterschiedliche Bildungswege oder berufliche Netzwerke. Wenn Menschen mit niedrigem sozioökonomischen Status nur selten mit wohlhabenderen Personen in Kontakt kommen, fehlen ihnen wichtige soziale Verbindungen, die wirtschaftliche Chancen eröffnen könnten. In diesem Umfeld verstärken sich bestehende Ungleichheiten, da wirtschaftlich privilegierte Gruppen hauptsächlich innerhalb ihres eigenen Netzwerks agieren, Ressourcen und Informationen weitergeben und sich gegenseitig fördern. Gleichzeitig bleiben wirtschaftlich benachteiligte Gruppen stärker unter sich, was ihre Möglichkeiten, aus dem Kreislauf finanzieller Unsicherheit auszubrechen, einschränkt und die Kluft zwischen Arm und Reich vergrößert.

Im Gegensatz zur ersten Grafik, zeigt die zweite Grafik eine positive Korrelation zwischen der sozialen Vernetzung und dem Median-Haushaltseinkommen in den 500 bevölkerungsreichsten Counties in den USA. Abgeleitet korreliert ein höherer Economic-Connectedness-Index mit einem höheren mittleren Einkommen in der Region. Der Zusammenhang enspricht den Erwartungen aus Aufgabe 5, dass Regionen mit hohem Median-Haushaltseinkommen stärker miteinander vernetzt sind, da sie über bessere Infrastruktur, wie hochwertige Bildungseinrichtungen, Gesundheitsversorgung und öffentliche Verkehrsmittel, verfügen, die Begegnungen zwischen unterschiedlichen sozioökonomischen Gruppen erleichtern. Darüber hinaus fördern diversifizierte Arbeitsmärkte den Austausch zwischen Menschen verschiedener Hintergründe, während kulturelle und gemeinschaftliche Programme wie Vereine oder Veranstaltungen zusätzliche Gelegenheiten für soziale Interaktionen schaffen. Ein hohes Median-Haushaltseinkommen korreliert oft mit größeren Städten, ist aber nicht ausschließlich auf diese beschränkt. Größere Städte haben in der Regel ein höheres Median-Einkommen, da sie diversifizierte Arbeitsmärkte, höhere Löhne und eine bessere Infrastruktur bieten, was wiederum hochqualifizierte Arbeitskräfte anzieht. Allerdings gibt es auch wohlhabende Regionen außerhalb großer Städte, wie Morgan County in Utah, die durch hohe Lebensqualität und exklusive Wohnlagen geprägt sind.

Einige hervorgehobene Counties fallen durch ihre Abweichung vom allgemeinen Trend auf. Morgan County, Utah, San Francisco County, Kalifornien und Arlington County, Virginia weisen jeweils überdurchschnittlich hohe Werte des Economic Connectedness Index auf und liegen verglichen mit der Regressionslinie der ersten Grafik deutlich über dem Median-Haushaltseinkommen. Dennoch unterscheiden sich diese Counties erheblich, wenn man die zweite Grafik betrachtet, die den Zusammenhang zwischen dem Gini-Koeffizienten und dem ECI darstellt. Morgan County hat eine relativ ausgeglichene Einkommensverteilung und gehört somit zu den Regionen mit der besten sozialen Vernetzung und fairen Einkommensverhältnissen. Im Gegensatz dazu weisen San Francisco County und Arlington County eine ungleiche Einkommensverteilung auf. Diese Unterschiede lassen sich durch die jeweilige sozioökonomische Struktur der Counties erklären. Morgan County ist eine kleinere, weniger diverse ländliche Region, die durch eine enge soziale Kohäsion und Gemeinschaftsstrukturen geprägt ist. Hier finden Menschen unterschiedlicher Einkommensgruppen leichter zueinander, da es weniger Barrieren wie Segregation oder große Einkommensunterschiede gibt. Gleichzeitig profitieren kleinere Gemeinden oft von einer stärkeren Vernetzung durch lokale Institutionen und weniger ausgeprägte soziale Schichtung. Im Gegensatz dazu sind San Francisco und Arlington County städtische Ballungsräume, die von einer hohen Konzentration wohlhabender Haushalte und hochqualifizierter Arbeitskräfte geprägt sind. Diese Regionen ziehen durch ihren diversifizierten Arbeitsmarkt und attraktive Lebensbedingungen viele Menschen mit hohen Einkommen an, während einkommensschwächere Gruppen oft an den Rand gedrängt werden, was die Ungleichheit verstärkt. Dennoch weisen beide Counties einen hohen ECI auf, da sie durch eine starke Infrastruktur, erstklassige Bildungseinrichtungen und eine hohe Dichte an kulturellen und sozialen Angeboten Begegnungen zwischen sozioökonomischen Gruppen fördern.

Ein weiterer auffälliger Fall ist New York County (Manhattan). Trotz eines durchschnittlichen ECI hat es auf Landesebene eine der unfairsten Einkommensverteilungen. Das liegt an der extremen Polarisierung zwischen sehr wohlhabenden Personen, die in luxuriösen Stadtteilen leben, und einkommensschwächeren Gruppen, die in den weniger wohlhabenden Vierteln der Stadt wohnen. Laut einer Analyse von Social Explorer für die New York Times verdient das wohlhabendste Fünftel der Haushalte in Manhattan durchschnittlich 545.549 USD, während die unteren 20 Prozent durchschnittlich nur 10.259 USD verdienen – ein Verhältnis von mehr als 53 zu 1. Diese Polarisierung schränkt die soziale Vernetzung ein, was sich in einem durchschnittlichen ECI widerspiegelt.

Zusammenfassend zeigen die Daten, dass hohe Einkommensungleichheit in der Regel mit geringerer sozialer Vernetzung korreliert, während höhere Median-Haushaltseinkommen die soziale Durchmischung fördern. Diese Ergebnisse bestätigen die Annahmen aus Aufgabe 5, dass stärkere soziale Vernetzung wirtschaftlich benachteiligten Gruppen bessere Aufstiegschancen bieten kann. Gleichzeitig weisen regionale Unterschiede und Ausnahmen wie Morgan County oder Manhattan darauf hin, dass strukturelle Faktoren wie Stadtentwicklung, Infrastruktur und politische Maßnahmen entscheidend dazu beitragen, wie soziale und wirtschaftliche Vernetzung in einer Region gestaltet wird.

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.

  1. 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.

Korrelationsmatrix für ausgewählte Variablen
Die Werte zeigen die Korrelation zwischen den Variablen an
term Economic Connectedness Index Exposition Wirtschaftliche Mobilität Median Haushaltseinkommen Bevölkerung 2018 Freundschafts-Bias Einkommensungleichheit (Gini)
Economic Connectedness Index






Exposition 0.929





Wirtschaftliche Mobilität 0.723 0.672




Median Haushaltseinkommen 0.597 0.695 0.342



Bevölkerung 2018 0.008 0.079 −0.075 0.288


Freundschafts-Bias −0.437 −0.220 −0.375 0.035 0.153

Einkommensungleichheit (Gini) −0.636 −0.603 −0.599 −0.379 0.147 0.312

Die Korrelationsmatrix zeigt die Beziehungen zwischen den untersuchten Variablen. Es wurden die Variablen Economic Connectedness Index (ECI), Exposition, Wirtschaftliche Mobilität, Median Haushaltseinkommen, Bevölkerung in 2018, Einkommensungleichheit und Freundschafts-Bias auf ihre Korrelationen untersucht. Die Einträge in der Tabelle geben die Pearson-Korrelationskoeffizienten wieder, die Werte zwischen -1 und 1 annehmen können. Ein positiver Wert zeigt eine positive Beziehung zwischen zwei Variablen (wenn eine Variable steigt, steigt die andere), während ein negativer Wert auf eine negative Beziehung hinweist (wenn eine Variable steigt, sinkt die andere).

Die Farbskala in der Matrix visualisiert die Stärke und Richtung der Korrelationen: Je röter eine Zelle eingefärbt ist, desto stärker ist die positive Korrelation zwischen den beiden Variablen, d. h., wenn eine Variable zunimmt, steigt die andere ebenfalls. Je blauer eine Zelle ist, desto stärker ist die negative Korrelation, was bedeutet, dass eine steigende Variable mit einem Rückgang der anderen verbunden ist.

Der Economic Connectedness Index korreliert sehr stark positiv mit der Exposition (0,929) und der wirtschaftlichen Mobilität (0,723). Dies deutet darauf hin, dass soziale Vernetzung und wirtschaftliche Aufstiegsmöglichkeiten eng mit einem hohen ECI verbunden sind. Eine moderat positive Korrelation liegt mit dem Median-Haushaltseinkommen (0,597) vor, was nahelegt, dass wohlhabendere Regionen tendenziell auch stärker sozial vernetzt sind. Die Korrelationen mit dem Freundschafts-Bias (-0,427) und der Einkommensungleichheit (-0,636) sind negativ. Regionen mit höherer Einkommensungleichheit weisen tendenziell einen niedrigeren Economic Connectedness Index auf, was darauf hindeutet, dass wirtschaftliche Ungleichheit den sozialen Zusammenhalt behindern könnte. Die stärkere negative Korrelation mit dem Freundschafts-Bias zeigt, dass Regionen mit geringerer sozialer Trennung (niedriger Bias) höhere Werte im ECI haben. Dies unterstreicht, dass soziale Durchmischung ein wichtiger Faktor für die wirtschaftliche Vernetzung ist.Die schwache Korrelation zwischen dem ECI und der Bevölkerung 2018 (0,008) zeigt, dass die Bevölkerungsgröße kaum Einfluss auf den Economic Connectedness Index hat.

Die Exposition korreliert stark positiv mit der wirtschaftlichen Mobilität (0,672) und dem Median-Haushaltseinkommen (0,695). Diese positiven Beziehungen zeigen, dass Regionen, in denen Menschen stärker sozial und wirtschaftlich miteinander interagieren (hohe Exposition), mehr wirtschaftliche Chancen bieten und tendenziell wohlhabender sind. Die schwache positive Korrelation mit der Bevölkerung 2018 (0,079) zeigt, dass die Bevölkerungsgröße nur minimal mit der Exposition verknüpft ist. Die schwache negative Korrelation mit dem Freundschafts-Bias (-0,220) deutet darauf hin, dass eine höhere Exposition mit einer geringeren sozialen Trennung verbunden sein könnte. Die moderat starke negative Korrelation mit der Einkommensungleichheit (-0,603) zeigt, dass Regionen mit stärkerer sozialer und wirtschaftlicher Vernetzung (hohe Exposition) tendenziell gerechtere Einkommensverteilungen aufweisen. Dies verdeutlicht die Bedeutung von Exposition für die Reduzierung sozialer und wirtschaftlicher Ungleichheiten.

Die wirtschaftliche Mobilität zeigt eine moderat positive Korrelation mit dem Median-Haushaltseinkommen (0,342), was darauf hinweist, dass wohlhabendere Regionen tendenziell mehr Chancen für wirtschaftlichen Aufstieg bieten. Die schwache negative Korrelation mit der Bevölkerung 2018 (-0,075) zeigt, dass es kaum eine Beziehung zwischen wirtschaftlicher Mobilität und der Bevölkerungsgröße gibt. Die moderat negative Korrelationen mit dem Freundschafts-Bias (-0,375) und der Einkommensungleichheit (-0,599) legen nahe, dass Regionen mit geringerer sozialer Trennung und geringerer Ungleichheit eine höhere wirtschaftliche Mobilität aufweisen. Besonders die Verbindung zur Einkommensungleichheit zeigt, dass gerechtere Einkommensverteilungen eine wichtige Grundlage für wirtschaftliche Chancen sein könnten.

Das Median-Haushaltseinkommen korreliert schwach positiv mit der Bevölkerung 2018 (0,288). Dies deutet darauf hin, dass wohlhabendere Regionen tendenziell etwas größere Bevölkerungen haben. Die fast nicht vorhandene Korrelation mit dem Freundschafts-Bias (0,035) zeigt, dass soziale Trennung nicht stark mit dem Haushaltseinkommen zusammenhängt. Die schwach bis moderat negative Korrelation mit der Einkommensungleichheit (-0,379) weist darauf hin, dass höhere Einkommen mit einer gerechteren Einkommensverteilung verbunden sein könnten. Dies unterstreicht die Rolle von Einkommen bei der Reduzierung sozialer und wirtschaftlicher Ungleichheit.

Die Bevölkerung 2018 zeigt eine schwache positive Korrelation mit dem Freundschafts-Bias (0,153) und der Einkommensungleichheit (0,147). Dies deutet darauf hin, dass bevölkerungsreichere Regionen tendenziell etwas stärkere soziale Trennungen und größere wirtschaftliche Unterschiede aufweisen. Größere Bevölkerungen könnten durch ihre Vielfalt und Segmentierung zu einer stärkeren sozialen Trennung beitragen, was wiederum leichte Ungleichheiten in der Einkommensverteilung verstärken könnte.

Der Freundschafts-Bias zeigt eine positive Korrelation mit der Einkommensungleichheit (0,312). Dies deutet darauf hin, dass eine stärkere soziale Trennung (höherer Freundschafts-Bias) mit größerer Einkommensungleichheit verbunden ist. Regionen, in denen Menschen weniger Kontakte zu anderen sozialen Gruppen haben, neigen dazu, auch größere wirtschaftliche Unterschiede zu haben. Die schwache positive Korrelation mit der Bevölkerung in 2018 (0,153) könnte zeigen, dass in bevölkerungsreicheren Regionen die soziale Trennung tendenziell etwas stärker ausgeprägt ist, möglicherweise aufgrund der größeren Vielfalt und stärkeren Segmentierung in sozialen Gruppen.

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?

  1. 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.

Die Grafik zeigt den Zusammenhang zwischen dem Economic Connectedness Index, dem Median der Haushaltseinkommen und der wirtschaftlichen Mobilität. Auf der y-Achse wird der Economic Connectedness Index dargestellt, während die x-Achse den Median der Haushaltseinkommen zeigt. Die wirtschaftliche Mobilität ist in fünf Kategorien unterteilt: niedrigere wirtschaftliche Mobilität (< 38, rot), leicht unterdurchschnittliche wirtschaftliche Mobilität (38–42, orange), durchschnittliche wirtschaftliche Mobilität (42–46, grün), leicht überdurchschnittliche wirtschaftliche Mobilität (46–50, gelb) und hohe wirtschaftliche Mobilität (> 50, blau).

Aus der Grafik wird deutlich, dass mit steigendem Median der Haushaltseinkommen auch der Economic Connectedness Index zunimmt. Dies bedeutet, dass wirtschaftlich stärkere Counties tendenziell auch eine stärkere soziale und wirtschaftliche Vernetzung aufweisen. Gleichzeitig zeigt sich, dass selbst bei niedrigerem Haushaltseinkommen ein gewisser Economic Connectedness Index erreicht wird, was auf regionale Unterschiede in der sozialen Vernetzung hindeutet.

In Counties mit niedrigerem Haushaltseinkommen ist die wirtschaftliche Mobilität häufig niedrig, was durch die roten Datenpunkte sichtbar wird. Diese weisen ebenfalls einen geringeren Economic Connectedness Index auf, was auf eingeschränkte soziale Vernetzung und finanzielle Benachteiligung hinweist. Diese Counties befinden sich häufig in ländlichen Gegenden oder wirtschaftlich benachteiligten Counites, wie beispielsweise im Süden der USA oder im sogenannten „Rust Belt“.

Im Gegensatz dazu finden sich die blauen Datenpunkte, die eine hohe wirtschaftliche Mobilität (> 50) darstellen, vor allem in Counties mit hohem Median-Haushaltseinkommen. Diese Counties weisen einen hohen Economic Connectedness Index auf, was auf gute soziale Vernetzung und Zugang zu wirtschaftlichen Ressourcen hindeutet. Wohlhabende und urbane Counties wie Kalifornien, Massachusetts oder die Umgebung von Washington, D.C. sind typische Beispiele für solche Counties.

Die mittleren Kategorien, die durch orange (38–42), grün (42–46) und gelb (46–50) dargestellt werden, zeigen Übergänge zwischen niedriger und hoher wirtschaftlicher Mobilität. Die orangefarbenen Punkte repräsentieren oft Counties mit moderatem Haushaltseinkommen, während grüne und gelbe Punkte zunehmend in wirtschaftlich stärkeren Counites auftreten. Ein klarer Trend zeigt sich: Mit einem Anstieg des Economic Connectedness Index und des Median-Haushaltseinkommens steigt auch die wirtschaftliche Mobilität.

Insgesamt verdeutlicht die Grafik, dass wirtschaftlich benachteiligte Counties (rot) sowohl ein niedrigeres Median-Haushaltseinkommen als auch einen geringeren Economic Connectedness Index aufweisen. Dies spiegelt die strukturellen Nachteile wider, die die wirtschaftliche Mobilität in diesen Counties einschränken. Auf der anderen Seite profitieren wohlhabendere und urbanere Counties (gelb und blau) von einer stärkeren sozialen Vernetzung und besseren wirtschaftlichen Aufstiegsmöglichkeiten. Dies unterstreicht die zentrale Bedeutung sozialer Netzwerke für die Förderung der wirtschaftlichen Mobilität in den USA.

  1. 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?

Wenn Korrelationen auftreten, wie hier zwischen der sozialen Vernetzung und der wirtschaftlichen Mobilität, stellt sich die Frage, ob diese Korrelationen kausal sind; in diesem Fall, ob soziale Vernetzung tatsächlich zu wirtschaftlicher Mobilität führt. Dies lässt sich nicht einfach anhand der Korrelation sagen, wir können jedoch betrachten, welche anderen Zusammenhänge für diese Korrelation sorgen könnten.

Eine Überlegung, die wir zunächst anstellen können, ist eine vorliegende Rückwärtskausalität. Das bedeutet, dass der kausale Zusammenhang, den die Korrelation zeigen soll, in Wahrheit umgekehrt ist. Bei unseren Daten wäre es also möglich, dass nicht die soziale Vernetzung die wirtschaftliche Mobilität beeinflusst, sondern andersherum. Da Freundschaft und sozioökonomischer Status (sES) in der Studie erst im Erwachsenenalter betrachtet wurden, wäre es möglich, dass die soziale Vernetzung dadurch entsteht, dass Kinder aus Familien mit niedrigem SES im Erwachsenenalter ein hohes Einkommen haben und ihre Freundschaften aus dem Kindesalter mit Personen mit niedrigem SES-behalten, was wiederum die soziale Vernetzung verstärkt. Um dies auszuschließen, wurden auch die Daten von Kindern miteinbezogen, die noch nicht durch wirtschaftliche Mobilität beinflusst werden konnten. Da hierbei auch eine starke Korrelation auftrat, kann Wirtschaftliche Mobilität höchstens eine geringe Auswirkung auf die soziale Vernetzung haben. (Siehe S. 115f)

Eine weitere Überlegung betrifft die sogenannten Selektionseffekte. Diese Effekte treten auf, wenn bestimmte Familien bewusst in Gebiete ziehen, die bereits hohe Werte an sozialer Vernetzung (EC) aufweisen. Familien mit einem stärkeren Fokus auf Bildung, sozialem Aufstieg oder einem höheren Bewusstsein für soziale Netzwerke könnten überproportional häufig solche Gegenden auswählen. Dadurch könnte der Zusammenhang zwischen sozialer Vernetzung und wirtschaftlicher Mobilität verfälscht werden, da die beobachteten Effekte eher auf die Eigenschaften der Familien als auf die EC zurückzuführen wären. Um dies zu untersuchen, haben die Autoren quasi-experimentelle Methoden angewandt. Hierbei wurden Kinder analysiert, die in unterschiedlichen Altersstufen in Gebiete mit hoher oder niedriger EC gezogen sind. Die Ergebnisse zeigen, dass Kinder, die länger in hoch-EC-Gebieten aufwachsen, im Erwachsenenalter eine höhere wirtschaftliche Mobilität aufweisen. Diese Befunde sprechen dafür, dass der Einfluss von Selektionseffekten begrenzt ist und dass das Aufwachsen in hoch-EC-Gebieten tendenziell kausale Vorteile bietet (siehe S. 116f).

Ein weiterer Aspekt, der berücksichtigt werden muss, sind ausgelassene Variablen. Diese beziehen sich auf Faktoren, die nicht explizit in der Analyse enthalten sind, jedoch sowohl die soziale Vernetzung als auch die wirtschaftliche Mobilität beeinflussen könnten. Beispiele dafür sind die Qualität der lokalen Schulen, die Arbeitsmarktlage oder kulturelle Normen in einer Region. Die Autoren haben jedoch umfangreiche Kontrollen durchgeführt, um solche Einflüsse zu minimieren. So wurden Variablen wie Einkommensniveau, Armutsquote, Segregation und Bildungsstand in die Modelle aufgenommen. Auch nach der Berücksichtigung dieser Faktoren bleibt die soziale Vernetzung ein starker Prädiktor für wirtschaftliche Mobilität. Dies deutet darauf hin, dass die Beziehung zwischen EC und Mobilität nicht einfach durch ausgelassene Variablen erklärt werden kann (siehe S. 117f).

Zusammenfassend stellen die Autoren fest, dass die genannten alternativen Erklärungsansätze – Rückwärtskausalität, Selektionseffekte und ausgelassene Variablen – durch ihre Analysen weitgehend entkräftet werden können. Besonders die Nutzung von Kindheitsdaten und die Kontrolle für zahlreiche äußere Faktoren stützen die Schlussfolgerung, dass eine höhere soziale Vernetzung tendenziell eine kausale Rolle bei der wirtschaftlichen Mobilität spielt.

Trotz der überzeugenden Argumentation der Autoren bleiben gewisse Unsicherheiten bestehen. Zum einen könnten schwer messbare Faktoren wie kulturelle Normen oder historische Gegebenheiten dennoch eine Rolle spielen, die in den bisherigen Modellen nicht vollständig erfasst wurden. Zum anderen könnten die genutzten Daten, insbesondere bei der Messung der sozialen Vernetzung, durch systematische Verzerrungen beeinflusst sein, was die Ergebnisse verfälschen könnte. Dennoch erscheint die Argumentation insgesamt schlüssig, da die Autoren mehrere robuste Methoden verwendet haben, um alternative Erklärungen zu überprüfen und die Ergebnisse zu validieren.

Um tatsächlich einen kausalen Effekt der sozialen Vernetzung auf die wirtschaftliche Mobilität messen zu können, wären optimale Bedingungen erforderlich. Dazu zählte beispielsweise ein experimentelles Design, bei dem Familien zufällig in Gebiete mit hoher oder niedriger EC verteilt werden. Dies würde sicherstellen, dass Unterschiede in der Mobilität ausschließlich auf die EC zurückzuführen sind. Zudem sollten Langzeitstudien durchgeführt werden, die die Auswirkungen der EC auf mehrere Generationen hinweg untersuchen. Solche Studien könnten auch dazu beitragen, potenzielle Wechselwirkungen zwischen EC und anderen sozialen oder wirtschaftlichen Faktoren besser zu verstehen. Schließlich wäre es wichtig, detaillierte Daten zu erheben, die nicht nur soziale Netzwerke, sondern auch psychologische und kulturelle Aspekte berücksichtigen, um ein umfassenderes Bild der Einflussfaktoren zu erhalten.

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?

  1. 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?

Das Diagramm zeigt eine in Counties aufgeteilte Karte der USA, inklusive Kanada, Hawaii und Puerto Rico. Auf dieser Karte wird die mittlere Exposition auf County-Ebene dargestellt. Diese Darstellung erfolgt durch eine Farbskala, die von blau für 0,0 bis zu rot für 1,5 geht. Die Exposition gibt an, wie häufig Personen mit niedrigem SES mit Personen mit hohem SES in gemeinsamen Kontexten, wie Schulen, Wohngebieten oder Gemeinschaftsgruppen, zusammentreffen. Sie ist somit ein Maß dafür, inwiefern Menschen aus verschiedenen sozialen Schichten miteinander in Kontakt kommen. Dabei stehen niedrigere Werte für eine geringere Interaktion.

Bei Betrachtung der Karte fällt auf, dass die Exposition in Ballungsräumen sehr hoch ist. Besonders prävalent ist dieses Phänomen an der Westküste - die außerhalb der Ballungsräume eher niedrige mittlere Expositionen aufweist - sowie im Ballungsraum zwischen Washington DC und Boston. Von diesem Phänomen ausgeschlossen sind jedoch vor allem südlichere Staaten. Ebenso auffällig rot leuchtet ein großes Dreieck, dass sich zwischen Utah im Südwesten, North Dakota im Norden und Kentucky im Südosten erstreckt und somit fast den ganzen mittleren Westen umfasst und noch weiter in Richtung Westküste reicht. In diesem Dreieck ist die Exposition überwiegend sehr hoch, nur in ein paar einzelnen Counties in der Mitte ist ein starker blauer Fleck zu erkennen.

Im Gegensatz dazu steht ein großes Viereck, dass sich zwischen Arkansas, Louisiana, Florida, und North Carolina aufgespannt hat. In diesem Bereich gibt es, wie bereits oben, selbst in Ballungsräumen keine besonders hohe Exposition, wodurch dieser Bereich auf der Karte - ebenso wie New Mexiko und die südliche Spitze Texas - sehr blau erscheint.

Die restlichen Teile der USA, beispielsweise das nördliche Texas oder der Nordosten zeigen sich größtenteils eher wechselhaft und wirken eher Flickenteppich und lassen somit keine klare Aussage über die allgemeine Exposition zu.

Vergleicht man die Karte mit jener aus Aufgabe 7, so ist sofort ersichtlich, dass sich bis auf leichte Abweichungen in den Blau- und Rottönen und einzelnen Counties, die eine völlig andere Färbung eingenommen haben, kein großer Unterschied zeigt. Dies stimmt mit der in Aufgabe 11 gezeigten Korrelation überein und ist somit wenig überraschend. Somit stimmt die Annahme aus Aufgabe 5, dass eben diese Korrelation existiert.

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.

  1. 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)?

Die Grafik zeigt den Zusammenhang zwischen Exposition und Freundschafts-Bias in verschiedenen Counties der USA und hebt dabei Bronx County, New York sowie San Francisco County, California hervor. Die X-Achse (Exposition) misst, wie häufig Personen aus wirtschaftlich schwächeren Gruppen mit wirtschaftlich stärkeren Gruppen in Kontakt kommen, während die Y-Achse (Freundschafts-Bias) angibt, inwieweit Freundschaften innerhalb der eigenen sozioökonomischen Gruppe bleiben oder über verschiedene Gruppen hinweg geschlossen werden. Eine Farbskala am unteren Rand repräsentiert den Grad der sozialen Vernetzung (Economic Connectedness Index), wobei Blau für eine geringe und Rot für eine hohe Vernetzung steht. Als Quelle der Daten ist der Social Capital Atlas angegeben.

Die Grafik zeigt einen klaren Trend: Höhere Exposition und ein niedrigerer Freundschafts-Bias führen zu einer stärkeren sozialen Vernetzung. Dies liegt daran, dass Personen, die häufiger mit Menschen aus anderen sozioökonomischen Gruppen interagieren, eher die Möglichkeit haben, wirtschaftlich vorteilhafte Beziehungen aufzubauen. Ein niedriger Freundschafts-Bias bedeutet, dass Freundschaften nicht nur innerhalb der eigenen sozialen Gruppe geschlossen werden, sondern auch zwischen verschiedenen wirtschaftlichen Schichten entstehen. Dadurch können Menschen mit geringeren finanziellen Ressourcen von den Netzwerken wohlhabenderer Gruppen profitieren, sei es durch besseren Zugang zu Bildung, berufliche Chancen oder soziale Unterstützung.

Das vorgehobene Beispiel für eine Region mit niedriger sozialer Vernetzung ist Bronx County, New York, das durch einen hohen Freundschafts-Bias und eine geringe Exposition gekennzeichnet ist. Hier bleiben soziale Beziehungen stärker innerhalb der eigenen Schicht verankert, wodurch wirtschaftlich schwächere Bevölkerungsgruppen weniger Zugang zu ressourcenreichen Netzwerken haben. Im Gegensatz dazu zeigt San Francisco County, California mit hoher Exposition und niedrigem Freundschafts-Bias eine deutlich stärkere soziale Vernetzung. Dies deutet darauf hin, dass wirtschaftliche Mobilität dort gefördert wird, weil soziale Kontakte über Einkommensgrenzen hinweg erleichtert werden.

Zusammenfassend zeigt die Grafik, dass eine stärkere soziale Vernetzung insbesondere durch eine hohe Exposition und einen niedrigen Freundschafts-Bias begünstigt wird. Wenn soziale Gruppen durchmischt sind und Freundschaften über Einkommensgrenzen hinweg entstehen, verbessern sich die wirtschaftlichen Chancen für benachteiligte Bevölkerungsgruppen. Diese Erkenntnisse sind besonders relevant für gesellschaftspolitische Maßnahmen, die soziale Mobilität fördern und wirtschaftliche Chancengleichheit langfristig stärken sollen.

  1. 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.

Wie wir aus Aufgabe 11 und Aufgabe 15 erkennen können, besteht eine starke positive Korrelation zwischen dem Economic Connectedness Index (ECI), der Exposition und der wirtschaftlichen Mobilität. Regionen mit höherer sozialer Vernetzung weisen auch eine höhere wirtschaftliche Mobilität auf. Besonders die enge Verbindung zwischen Exposition und dem ECI (0,929) zeigt, dass bereits die Möglichkeit des sozialen Kontakts zwischen verschiedenen sozioökonomischen Gruppen entscheidend ist. Ebenso deutet die positive Korrelation zwischen wirtschaftlicher Mobilität und Exposition (0,672) sowie zwischen wirtschaftlicher Mobilität und dem ECI (0,723) darauf hin, dass soziale Interaktionen wirtschaftliche Chancen direkt beeinflussen.

Gleichzeitig korreliert der Freundschafts-Bias, also die Tendenz, Freundschaften innerhalb der eigenen sozioökonomischen Gruppe zu schließen, negativ mit der wirtschaftlichen Mobilität (-0,375). Das bedeutet, dass selbst bei vorhandener Exposition wirtschaftlich benachteiligte Gruppen seltener Zugang zu ressourcenstarken Netzwerken erhalten, was ihre wirtschaftlichen Aufstiegschancen hemmt. Die enge Vernetzung dieser Variablen zeigt, dass wirtschaftliche Mobilität letztlich von der Qualität der sozialen Durchmischung abhängt.

Um die soziale Vernetzung und wirtschaftliche Mobilität zu verbessern, sollten Maßnahmen bereits im frühen Kindesalter ansetzen, insbesondere in Kindergärten und Schulen. In Regionen wie dem Südosten der USA (Mississippi, Georgia, Florida), wo soziale Segregation stark ausgeprägt ist, besuchen wohlhabende Kinder oft Privatschulen und haben dadurch kaum Kontakt zu Kindern aus wirtschaftlich schwächeren Familien. Um diese Trennung aufzubrechen, sollte ein Programm entwickelt werden, das step-by-step dafür sorgt, dass Kinder aus allen sozialen Schichten die gleichen Schulen besuchen. Ein zentraler Ansatz wäre die Verbesserung des Lernniveaus an staatlichen Schulen, beispielsweise durch gezielte Lehrerfortbildungen oder höhere Gehälter, um talentierte Lehrkräfte für die staatlichen Schulen zu gewinnen. Wenn das Lernniveau auf staatlichen Schulen steigt, könnten wohlhabendere Familien es nicht mehr als zwingend ansehen ihre Kinder auf eine Privatschule zu schicken. Dadurch würden soziale Gruppen automatisch stärker durchmischt, was die Exposition und den Economic Connectedness Index positiv beeinflussen würde. Ein höheres Bildungsniveau an öffentlichen Schulen hätte zudem langfristige Vorteile. Schüler aus wirtschaftlich schwächeren Familien hätten bessere Chancen auf Stipendien, die ihnen den Zugang zum College ermöglichen. Je mehr Jugendliche mit niedrigem sozioökonomischen Status auf Universitäten vertreten sind, desto häufiger kommen sie mit wohlhabenderen Schülern in Kontakt, was den sozialen Austausch weiter verstärken würde. Des Weiteren könnten Anreize für Schüler geschaffen werden, um den sozialen Austausch weiter zu fördern. Programme außerhalb der Schule, die Kooperationen zwischen verschiedenen Schulen unterstützen, wären hierbei ein wichtiger Ansatz. Solche Programme könnten beispielsweise Schüler mit außerordentlich guten Leistungen in bestimmten Fächern belohnen, indem sie ihnen Zugang zu gemeinschaftlichen Projekten, Wettbewerben oder Netzwerken ermöglichen, die Schüler aus unterschiedlichen sozialen Hintergründen zusammenbringen. Dieser Dominoeffekt würde nicht nur die Exposition erhöhen und den Freundschafts-Bias senken, sondern letztlich auch die wirtschaftliche Mobilität in benachteiligten Regionen nachhaltig verbessern.

Außerdem sind Sportveranstaltungen eine ideale Möglichkeit, Menschen unabhängig von sozialem oder wirtschaftlichem Status zusammenzubringen. Besonders für junge Menschen bietet Sport eine Plattform, auf der Gleichheit und Teamgeist im Vordergrund stehen. Gemeinsame Aktivitäten fördern den sozialen Austausch und helfen, Barrieren abzubauen. Um diesen Effekt zu verstärken, könnten regionale Sportprogramme Schulen, Gemeinden und Vereine vernetzen. Inklusive Teams oder Turniere, die gezielt Schüler aus verschiedenen sozialen Schichten zusammenbringen, würden die soziale Durchmischung fördern. Subventionen für Ausrüstung und Teilnahmegebühren könnten sicherstellen, dass auch wirtschaftlich benachteiligte Kinder teilhaben können. Durch Sport entsteht ein Umfeld, in dem Freundschaften unabhängig vom sozialen Hintergrund entstehen, was langfristig die soziale Vernetzung und wirtschaftliche Mobilität stärkt.

Die stärkste, aber auch aufwendigste Maßnahme wäre eine integrative Stadtplanung mit durchmischten Wohnvierteln. Gelingt es, verschiedene sozioökonomische Schichten in einer Wohngegend zusammenzubringen, entsteht eine natürliche Grundlage für Exposition, da alltägliche Begegnungen unvermeidbar werden. Gemeinschaftsflächen, Schulen, Parks und lokale Geschäfte würden zu Orten des sozialen Austauschs, wodurch sich langfristig der Freundschafts-Bias verringern und der Economic Connectedness Index (ECI) steigen würde. Obwohl diese Maßnahme mit hohen politischen, wirtschaftlichen und infrastrukturellen Herausforderungen verbunden ist, hätte sie nachhaltige Effekte auf die soziale Vernetzung und wirtschaftliche Mobilität. Einmal etabliert, könnte eine solche Stadtstruktur über Jahrzehnte hinweg für bessere Bildungschancen, mehr wirtschaftliche Möglichkeiten und stärkere soziale Netzwerke sorgen – die entscheidenden Faktoren für sozialen Aufstieg. Allerdings könnte der Widerstand wohlhabender Familien aus Gated Communities eine Hürde darstellen, da sie möglicherweise Sicherheitsbedenken oder einen Verlust an Exklusivität fürchten. Damit solche Wohnkonzepte akzeptiert werden, müssten auch begleitende Maßnahmen ergriffen werden, die die Kriminalität reduzieren und das Sicherheitsgefühl in diesen neuen, durchmischten Wohnvierteln stärken.

Zusatzaufgabe

  1. 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

  1. 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 tidycencus Paket 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.

  1. 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 Paket leaflet.
  1. Erstellen Sie ein Punktediagramm auf College Ebene, welches den Zusammenhang zwischen dem Freundschafts-Bias und der Exposition beleuchtet auf College Ebene näher beleuchtet.

Tragen Sie dafür auf der x-Achse den Anteil von Studierenden mit gut verdienenden Eltern ab (exposure_parent_ses_college) und den Freundschafts-Bias unter den Studierenden (bias_parent_ses_college)

Heben Sie fünf Colleges ihrer Wahl in der Grafik hervor (inkl. Beschriftung).

Beschreiben und interpretieren Sie ihre Grafik. Gehen Sie insbesondere auf die fünf von Ihnen hervorgehobenen Colleges ein.

Die Grafik veranschaulicht den Zusammenhang zwischen dem Anteil von Studierenden mit wohlhabenden Eltern (x-Achse) und dem Freundschafts-Bias (y-Achse) an Colleges in den USA. Die x-Achse repräsentiert den Anteil der Studierendenschaft mit wohlhabenden Eltern, wobei ein höherer Wert darauf hindeutet, dass das College eine überdurchschnittlich wohlhabende Studierendenschaft hat. Die y-Achse misst den Freundschafts-Bias, also die Tendenz der Studierenden, Freundschaften innerhalb ihrer sozioökonomischen Gruppe zu schließen. Ein höherer Wert deutet auf eine stärkere sozioökonomische Trennung hin. Viele Colleges in den USA weisen einen niedrigen Bias auf, was auf eine gewisse soziale Durchmischung schließen lässt.

Die hervorgehobenen Colleges zeigen, dass die meisten ähnliche Werte bezüglich Exposition und Bias aufweisen. Universitäten wie Harvard, Stanford und Yale zeichnen sich durch eine hohe Exposition aus, was mit ihrem Prestige und der finanziellen Leistungsfähigkeit ihrer Studierenden korrelieren könnte. Diese Institutionen zeigen auch einen leicht erhöhten Bias, was darauf hinweist, dass Studierende tendenziell eher innerhalb ihrer sozioökonomischen Schicht bleiben.

Bei näherer Betrachtung der hervorgehobenen Colleges zeigt sich Folgendes: Die Harvard University hat eine hohe Exposition (zwischen 1,0 und 1,5), was auf eine besonders wohlhabende Studierendenschaft hindeutet. Der Freundschafts-Bias bei Harvard ist jedoch der niedrigste unter den fünf Colleges, was auf eine relativ gute soziale Durchmischung hinweist. Die Stanford University und die Yale University haben ebenfalls eine hohe Exposition (über 1,5), jedoch einen etwas höheren Freundschafts-Bias als Harvard, was darauf hindeutet, dass Studierende aus wohlhabenden Familien hier tendenziell enger unter sich bleiben.

Obwohl die University of Chicago die höchste Exposition aufweist, zeigt sie einen geringeren Freundschafts-Bias im Vergleich zu Stanford, was auf eine bessere soziale Integration schließen lässt. Die Cornell University liegt in Bezug auf Exposition und Freundschafts-Bias etwa in der Mitte zwischen Stanford, Yale und der University of Chicago.

Insgesamt zeigt die Grafik, dass hochrangige Colleges mit einem hohen Anteil an Studierenden aus wohlhabenden Familien oft auch einen leicht erhöhten Freundschafts-Bias aufweisen. Dennoch gibt es Ausnahmen wie die University of Chicago, die trotz hoher Exposition eine bessere soziale Durchmischung erreicht. Dieses Muster deutet darauf hin, dass prestigeträchtige Institutionen in Bezug auf soziale Integration sehr unterschiedlich abschneiden können.

Literatur

Chetty, R., Friedman, J. N., Hendren, N., Jones, M. R., & Porter, S. R. (2018). The opportunity atlas: Mapping the childhood roots of social mobility (No. w25147). National Bureau of Economic Research. https://doi.org/10.3386/w25147

Chetty, R., Jackson, M.O., Kuchler, T. et al. Social capital I: measurement and associations with economic mobility. Nature 608, 108–121 (2022a). https://doi.org/10.1038/s41586-022-04996-4

Chetty, R., Jackson, M.O., Kuchler, T. et al. Social capital II: determinants of economic connectedness. Nature 608, 122–134 (2022b). https://doi.org/10.1038/s41586-022-04997-3