Motivation

Die Mietpreise in Deutschland spielen eine wichtige Rolle für eine Vielzahl der deutschen Bevölkerung, doch nicht alle Gemeinden sind gleichermaßen von hohen Mieten betroffen. Faktoren wie die Lage einer Stadt, das Angebot an Wohnraum, das Alter der Gebäude oder der Familienstand der Bewohner beeinflussen die Höhe der Mieten. Dies werden Sie in diesem Projekt anhand von Zensus-Daten auf Gemeindeebene für das Jahr 2022 genau untersuchen. Besonders interessant ist dabei, wie sich Mietpreise nicht nur zwischen verschiedenen Städten, sondern auch innerhalb einer Stadt unterscheiden. Sie werden feststellen, dass die Ursachen für diese Mietunterschiede komplex und vielschichtig sind. Ihre Aufgabe ist es, durch fundierte Analysen herauszuarbeiten, welche Faktoren den größten Einfluss auf die Mietentwicklung haben. Auf Basis dieser Erkenntnisse könnten Sie Handlungsempfehlungen geben, die Politik und Stadtplaner nutzen können, um die Mietpreisentwicklung besser zu steuern und Wohnraum gerechter zu gestalten.

Datengrundlage

In diesem Projekt werden Sie mit mehreren unterschiedlichen Datensätzen arbeiten. Zum Einen werden Sie Zensusdaten aus dem Jahr 2022 zur Demografie genauer betrachten. Zum Anderen werden Sie Daten zur Wohnungszählung in deutschen Gemeinden und Städten untersuchen. Schließlich benötigen Sie die dazugehörigen Kartendaten, um die Informationen später anschaulich visualisieren zu können. Dort werden Sie die Details der Karten einlesen und darüber hinaus Zahlen zu Mieten selbstständig herunterladen und importieren.

Einlesen

Mittlerweile wohnen knapp 54% der Menschen in Deutschland zur Miete (Stand 2022). Somit ist Deutschland das Mieterland Nummer 1 in Europa. Im Vergleich dazu haben Länder wie Frankreich (36,6%), Italien (25,7%) oder Spanien (24%) einen deutlich geringeren Anteil an Mietern. Für die Politik ist es besonders interessant zu erfahren, wie sich nun die Mieten in den unterschiedlichen Gemeinden in Deutschland verteilen und ob es Regionen gibt, wo es besonders schwer wird eine neue Wohnung zu finden. Um dies zu beleuchten, sollen Sie nun die nachfolgenden Datensätze genauer analysieren.

  1. Lesen Sie den Datensatz Demografie_Zensus.csv ein und speichern diesen als demografie. Der Datensatz demografie enthält für jede Gemeinde mehrere Beobachtungen. Dies liegt daran, dass für jede Altersgruppe der Personen eine eigene Beobachtung vorliegt. Allerdings ist der Datensatz im long-Format, d.h. nicht tidy und damit nicht so, wie Sie ihn für die weitere Datenanalyse benötigen. Nun soll der Datensatz so abgeändert werden, dass jede Gemeinde nur noch eine Beobachtung darstellt. Passen Sie den Datensatz so an, dass Sie für jede Altersgruppe eine eigene Spalte erstellen und dort jeweils die Anzahl der Menschen, die Sie der Spalte Anzahl pro Altersgruppe entnehmen können, eingetragen wird.

Darüberhinaus sollen Sie nun einen weiteren Datensatz Wohnungen_Zensus.csv einlesen, welcher Informationen zu den einzelnen Wohnungen in den Gemeinden enthält. Speichern Sie den Datensatz in der Variable wohnungen ab. Vereinen Sie ihren Datensatz demografie mit dem Datensatz wohnungen und speichern Sie diesen als zensus_daten ab. Verwenden Sie für ihren “Join” die Variable Regionalschlüssel.

Beantworten Sie anschließend die Frage, welche Art von “Join” sich in diesem Fall anbietet und warum?

An dieser Stelle bietet es sich der sogenannte left_joinan, da
die Daten bezüglich der Demografie in den darrauffolgenden Aufgaben noch als Hauptgrundlage für weitere analysen verwendet werden.

  1. Schränken Sie nun Ihren erstellten Datensatz auf folgende Variablen ein:
  • Name_Gemeinde
  • Landkreis
  • 0_Insgesamt_
  • Regionalschlüssel
  • Alter_infr__ (01 bis 11)
  • FAMSTND_KURZ__ (1 bis 5)
  • Einwanderungserf_ausf__1
  • Einwanderungserf_ausf__21
  • Einwanderungserf_ausf__22
  • Einwanderungserf_ausf__3
  • Staatsange_kurz__1
  • Staatsange_kurz__2
  • BAUJAHR_10JA__ (01 bis 10)
  • WOHNFLAECHE_20S__ (01 bis 10)
  • QMMIETE
  • LEQ
  • ETQ
  • FLAECHE
  • Wohnungen_gesamt

Beschreiben Sie weiterhin den Datensatz. Orientieren Sie sich hierbei an folgenden Fragen und nutzen Sie das bereitgestellte README zum Datensatz:

  • Was ist eine Beobachtung?
  • Wie viele Variablen hat der Datensatz?
  • Welche Variablen enthält der Datensatz? Bitte beschreiben Sie diese Variablen kurz!
  • Welche Städte mit mehr als 500.000 Einwohnern sind im Datensatz?
  • In wie viel Prozent der Fälle haben Sie Informationen zu allen Variablen einer Beobachtung?
Stadt Einwohnerzahl
Berlin, Stadt 3596999
Bremen, Stadt 575071
Dortmund, Stadt 598246
Dresden, Stadt 557782
Duisburg, Stadt 501415
Düsseldorf, Stadt 611258
Essen, Stadt 571039
Frankfurt am Main, Stadt 743268
Hamburg, Freie und Hansestadt 1808846
Hannover, Landeshauptstadt 513291
Köln, Stadt 1017355
Leipzig, Stadt 598899
München, Landeshauptstadt 1478638
Nürnberg 522554
Stuttgart, Landeshauptstadt 610458

Der vorliegende Datensatz enthält 118.646 Beobachtungen. Jede Boebachtung ist eine Stadt, beziehungsweise eine Gemeinde. Der Datensatz verfügt über 74 Variablen. Neben den allgemeinen Eckdaten wie Stadtname, Landkreis, Einwohnerzahl und Regionalschlüssel, beschreiben die Variablen noch viele weitere Eigenschaften einer Beobachtung. Demografische Eigenschften,beispielsweise wieviele Personen einer bestimmten Altersgruppe in einer Stadt leben. Darüber hinaus sind auch variablen, welche die Wohnugsstituation beschreiben vorhanden Im vorliegenden Datensatz haben 15 Städte mehr als 500.000 Einwohner. Diese sind Berlin,Bremen,Dortmund,Dresden,Duisburg,Düsseldorf,Essen,Frankfurt am Main,Hamburg, Hannover,Köln,Leipzig,München,Nürnberg und Stuttgart. In 98,6% aller Fälle haben wir Informationen zu allen Beobachtungen.

  1. Erstellen Sie in einem nächsten Schritt weitere Variablen, die Sie in ihrer Analyse benötigen. Diese Variablen sollen folgende Eigenschaften umfassen:
  • Je eine Variable für den Anteil kleiner, mittlerer und großer Wohnungen, wobei kleine Wohnungen (<= 59 m²), mittlere Wohnungen (60 - 159 m²) und große Wohnungen (>= 160 m²) als Anteil an den Wohnungen_gesamt abgebildet werden sollen.
  • Je eine Variable für den Anteil neuer und alter Wohnungen. Neue Wohnungen umfassen alle Wohnungen, die ab 2010 gebaut wurden und alte Wohnungen sind alle Wohnungen vor 1950. Auch hier soll wieder der Anteil an allen Wohnungen (Wohnungen_gesamt) berechnet werden.
  • Das Verhältnis von Personen mit deutscher Staatsangehörigkeit zu allen Bürgern der Gemeinde einschliesslich Personen mit ausländischer Staatsangehörigkeit und Personen mit dem Status “staatenlos”, “ungeklärt” und “ohne Angabe” über Staatsange_kurz__1 und Staatsange_kurz__2. Hier soll der Anteil deutscher Bürger im Verhältnis zu allen Bürgern der Gemeinde bestimmt werden.

Hinweis: Runden Sie die Werte für die neu erstellte Variable sinnvoll!

  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 einzelnen Städte, bzw. deren Bezirke visualisieren. Hierzu müssen Sie zuerst die nötigen Shape-Files einlesen und Details zu den einzelnen Bezirken herunterladen. Sie sollen Analysen auf Basis von 1km Gitterdaten durchführen. Deshalb sollten Sie sich diese Geogitter-Daten für die Nettokaltmieten vom statistischen Bundesamt herunterladen. Speichern Sie die zip-Datei im Ordner Daten ab. Weiterhin sollen Sie die Geogitter-Daten für die Leerstandsquoten herunterladen. Speichern Sie auch diese im Ordner Daten ab und lesen Sie anschließend die .csv-Dateien für Nettokaltmiete und Leerstandsquote (für das 1km-Gitter) ein. Weiterhin benötigen Sie die Karteninformationen für die Visualisierung der Daten. Diese befinden sich in der Datei Shapefile_Zensus.shp. Lesen Sie diese mit Hilfe von st_read() ein und speichern Sie als shape_file ab. Benennen Sie die Variablen in shape_file folgendermaßen um:
  • gemndnm = Name_Gemeinde
  • x_mp_1k = x_mp_1km
  • y_mp_1k = y_mp_1km
  • gttr1km = gitter1km

Joinen Sie nun noch die beiden Dataframes zu Miete und Leerstandsquote zu shape_file hinzu. Verwenden Sie y_mp_1km und x_mp_1km als Joinvariable.

Hinweis: Im ersten Teil der Case-Study wird eine ZIP-Datei in R entpackt. Gehen Sie hier gleich vor!

## Reading layer `Shapefile_Zensus' from data source 
##   `C:\Users\Aaron\Documents\GitHub\Projekt2-Gruppe112\daten\Shapefile_Zensus.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 20741 features and 4 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: 4037000 ymin: 2725000 xmax: 4631000 ymax: 3525000
## CRS:           NA
## Reading layer `Shapefile_Zensus' from data source 
##   `C:\Users\Aaron\Documents\GitHub\Projekt2-Gruppe112\daten\Shapefile_Zensus.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 20741 features and 4 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: 4037000 ymin: 2725000 xmax: 4631000 ymax: 3525000
## CRS:           NA

Konsistenzcheck

Nun haben Sie alle Daten zusammen, die Sie für die Analyse der Mieten in Deutschland für das Jahr 2022 benötigen. Somit können Sie nun beginnen, die ersten Analysen zu tätigen!

  1. Im Datensatz zensus_daten, welchen Sie zuvor eingelesen, aufgearbeitet und zusammengefügt haben, befinden sich einige große deutsche Städte. Sie möchten nun gerne die Daten, welche Sie dort aufbereitet haben, verifizieren. Dafür sollten Sie sich eine externe Quelle suchen, auf deren Basis Sie die Gesamtbevölkerung der unten aufgeführten großen Städte in Deutschland mit denen aus dem Datensatz vergleichen. Die Bevölkerungszahlen in ihrem Datensatz stammen aus dem Jahr 2022.

Erstellen Sie eine Tabelle mit allen nachfolgenden Städten aus dem Datensatz und deren Einwohnern. Achten Sie auf eine schöne Darstellung ihrer Tabelle mittels der Pakete kableExtra oder gt.

Im Detail sollen folgende Städte in der Tabelle genauer betrachtet werden:

Sind die Anzahl der Einwohner in ihren Daten korrekt? Nutzen Sie eine externe Datenquelle (bitte benennen und in ihrer Antwort verlinken) und führen Sie einen kurzen Konsistenzcheck durch.

Einwohnerzahlen ausgewählter Städte
Stadt Einwohneranzahl(Zensus 2022) Einwohner (gemäß externer Quellen) Differenz
Reutlingen, Stadt 116925 116476 449
Ulm, Universitätsstadt 127116 129158 -2042
Ingolstadt 136468 138263 -1795
Augsburg 294647 304105 -9458
Leipzig, Stadt 598899 597493 1406
Stuttgart, Landeshauptstadt 610458 630305 -19847
Düsseldorf, Stadt 611258 620523 -9265
Frankfurt am Main, Stadt 743268 770166 -26898
Köln, Stadt 1017355 1092118 -74763
München, Landeshauptstadt 1478638 1588330 -109692
Hamburg, Freie und Hansestadt 1808846 1889000 -80154
Berlin, Stadt 3596999 3850809 -253810

Bei den Externen Quellen umfassen teiweise Daten, welche die Gemeinden selbst veröffentlichen sowie Informationen welche das Magazin Handelsblatt, basierend auf Informationen von Statista herausgibt. Gemäß der obigen Tabelle können wir sehen, dass zwischen beiden Quellen durchaus Diskrepanzen bestehen. Dies lässt sich unteranderem darauf zurückführen, dass der Zeitpunkt der Erhebung unterschiedlich ist.

Desweiteren könnten die Daten die Anzahl an Personen berücksichtigen, welche nicht mehr tatsächlich in der Stadt wohnen, so wie es bei den Daten der Stadt Köln der Fall ist.

Es könnten auch Unterschiede in der Mehtodik zwischen beiden Datensätzen vorliegen.

Externe Quellen:

https://www.reutlingen.de/ceasy/resource/?id=55634&download=1 https://www.statistik-nord.de/fileadmin/Dokumente/Statistische_Berichte/bevoelkerung/A_I_8_j_HH/A_I_8_j19_HH.pdf https://www.statistik-berlin-brandenburg.de/kommunalstatistik/einwohnerbestand-berlin https://stadt.muenchen.de/dam/jcr:c45700b2-e2c3-4d66-99fa-55e4c77ab3ee/jt240101.pdf https://www.stadt-koeln.de/mediaasset/content/pdf15/statistik-einwohner-und-haushalte/ksn_8_2023_bev%C3%B6lkerungsentwicklung_2022.pdf https://frankfurt.de/-/media/frankfurtde/service-und-rathaus/daten-informationen-wissen/pdf/pdf-fsa/2024/fsa_2024_04_bevoelkerung_ende2023.pdf https://statistikinteraktiv.augsburg.de/Interaktiv/JSP/main.jsp?mode=Detailansicht&area=Stadt&id=A&detailView=true https://www.ingolstadt.de/Rathaus/Aktuelles/Zahlen-Daten/Aktuelle-Statistiken/ https://www.handelsblatt.com/politik/deutschland/ranking-2022-das-sind-die-zehn-groessten-staedte-deutschlands/24407466 html

Deskriptive Analysen

  1. Schauen Sie sich in einem nächsten Schritt an, wie die Variablen im Datensatz zensus_daten über alle Gemeinden und Städte hinweg verteilt sind. Konkret sollten Sie eine Tabelle erstellen, welche Informationen zu folgenden Variablen enthält:

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 Gemeinden. Bei den Variablen Leerstandsquote, Eigentümerquote, durchschnittliche Wohnfläche, durchschnittlicher Quadratmeterpreis und Anteil kleiner, mittlerer und großer Wohnungen soll der Mittelwert als gewichteter Mittelwert nach der absoluten Anzahl an Wohnungen berechnet werden. Heben Sie die Variablen in ihrer Tabelle entsprechend hervor, bei denen sie den gewichteten Mittelwert bestimmt haben.

Beschreiben und interpretieren Sie Ihre Tabelle. Begründen Sie auch, warum es bei den genannten Variablen sinnvoll ist, den nach Anzahl der Wohnungen gewichteten Mittelwert zu verwenden. Würde es ihrer Ansicht nach Sinn machen, statt nach Wohnungen nach Einwohnern zu gewichten? Begründen Sie auch, bei welchen Variablen eine Betrachtung der Mittelwerte, Standardabweichungen und Quantile ihrer Ansicht nach als sinnvoll erscheint. Wo ist dies weniger gut geeignet? Bei welchen Variablen gibt es Auffälligkeiten? Gibt es Ausreißer nach oben oder unten?

Achten Sie auf eine schöne Darstellung ihrer Tabelle mittels der Pakete kableExtra oder gt!

Hinweis 1: Wenn bei den Variablen Wohnungen_klein, Wohnungen_mittel und Wohnungen_groß Werte mit NaN oder Inf auftauchen, so ersetzen Sie diese durch NAs.

Hinweis 2: Die Anzahl der Wohnungen nach Alters- bzw. Baujahrsgruppen können den Variablen entnommen werden, welche mit BAUJAHR_10JA__ beginnen.

Variable Mittelwert Standardabweichung Minimum 25%-Quartil 50%-Quartil 75%-Quartil Maximum
Wohnungen vor 1919 527.590188 5692.466478 0.00 50.00 111.00 316.00 520700.00
Wohnungen 1919-1949 410.884355 3526.982774 0.00 28.00 69.00 221.00 281150.00
Wohnungen 1950-1959 458.390058 3943.251712 0.00 20.00 60.00 198.00 193475.00
Wohnungen 1960-1969 608.002040 4351.183173 0.00 30.00 94.00 337.50 261728.00
Wohnungen 1970-1979 579.822220 3426.958322 0.00 33.00 113.00 388.50 239857.00
Wohnungen 1980-1989 395.808959 2676.069007 0.00 29.00 91.00 295.00 223683.00
Wohnungen 1990-1999 479.417231 2131.734183 0.00 39.00 124.00 407.00 141456.00
Wohnungen 2000-2009 251.930539 1114.234416 0.00 23.00 69.00 204.00 57008.00
Wohnungen 2010-2015 129.777706 828.185270 0.00 8.00 26.00 88.00 45389.00
Wohnungen ab 2016 155.932579 1101.492964 0.00 9.00 33.00 115.00 80878.00
Anteil kleiner Wohnungen 5.680000 2.410000 0.00 0.79 1.60 2.85 29.85
Anteil mittlere Wohnungen 88.580000 5.240000 0.00 84.34 87.65 90.49 100.00
Anteil große Wohnungen 5.740000 5.600000 0.00 6.75 10.35 14.02 100.00
Durchschnittlicher Quadratmeterpreis 7.000000 1.380000 0.00 4.82 5.53 6.46 13.84
Leerstandsquote 4.337385 3.113072 0.00 3.45 4.74 6.58 50.00
Eigentümerquote 44.364371 12.721525 13.49 60.22 68.77 76.11 100.00
Einwohnerzahl 7668.392546 49517.097822 9.00 655.00 1797.00 5506.00 3596999.00
durchschnittliche Wohnfläche 94.315866 15.413396 64.92 104.98 116.20 125.11 239.54

Die Tabelle listet die statistischen Kennzahlen (Mittelwert, Standardabweichung etc.) zu den Variablen aus der Aufgabenstellung auf. Würde man die genannten Variablen nicht nach der Anzahl der Wohnungen gewichten, könnten die Ergebnisse durch kleinere Gemeinden mit weniger Wohnungen unverhältnismäßig stark beeinflusst werden.

Man erkennt, dass der durchschnittliche Quadratmeterpreis bei 7,00 Euro liegt. Die große Spannweite zwischen dem 25%-Quartil und dem Maximum deutet jedoch auf erhebliche regionale Unterschiede hin.

Auffällig ist, dass der Wohnungsbestand deutlich von älteren Wohnungen dominiert wird. Die meisten Wohnungen wurden vor 1919 errichtet. Dabei zeigt die hohe Standardabweichung, dass es Regionen gibt, in denen noch sehr viele Wohnungen aus dieser Zeit existieren, während es genauso Regionen gibt, in denen kaum noch Altbauten vorhanden sind.

Die durchschnittliche Leerstandsquote beträgt 4,36 %, jedoch weist ein Maximum von 50 % auf erhebliche Unterschiede zwischen den Regionen hin.

Die durchschnittliche Eigentümerquote liegt bei 44,3 % und damit deutlich unter dem europäischen Durchschnitt von 69 % (Quelle: https://bankenverband.de/finanzbildung/miete-populaerer-als-eigentum-deutschland/ ). Es gibt jedoch auch Regionen mit einer Eigentümerquote von bis zu 100 %.

Die durchschnittliche deutsche Gemeinde hat 7.668 Einwohner. Das Maximum zeigt jedoch, dass die Statistik durch große Städte wie Berlin stark beeinflusst wird.

Die durchschnittliche Wohnfläche beträgt 94,32 m². Es gibt jedoch Regionen, in denen die Wohnungen durchschnittlich deutlich größer sind.

  1. Die Verteilung des Alters der Wohnungen scheint bereits ein Faktor zu sein, der sich auf den Mietpreis auswirken kann, da doch deutlich weniger Wohnungen ab den 2000er Jahren gebaut wurden. Nun sollen Sie etwas tiefer in ihren Datensatz eintauchen und weitere Faktoren analysieren, die sich zum einen zwischen Städten und Gemeinden unterscheiden und darüberhinaus herausfinden, ob diese Faktoren einen Einfluss auf den Mietpreis haben:

Erstellen Sie 4 Punktdiagramme in denen Sie

auf der x-Achse abtragen und auf der y-Achse jeweils die durchschnittliche Nettokaltmiete pro Quadratmeter. Verwenden Sie hier nun alle Gemeinden im Datensatz, um ein Gesamtbild zu erhalten und ordnen Sie die 4 Diagramme so an, dass ein Vergleich zwischen den Schaubildern schnell und einfach möglich ist. Beschreiben und interpretieren Sie die Diagramme. Gehen Sie hierbei insbesondere auf folgende Fragen ein:

Hinweis: Achten Sie darauf das bei nebeneinander angeordneten Grafiken die y-Achse gleich sein sollte.

Wie aus den Abbildungen hervorgeht, korrelieren die Leerstandsquote und der Anteil alter Wohnungen deutlich mit den Nettokaltmieten pro Quadratmeter.

Die negative Korrelation zwischen dem Anteil alter Wohnungen und den durchschnittlichen Mietpreisen pro Quadratmeter könnte darauf hindeuten, dass ältere Wohnungen für potenzielle Mieter weniger attraktiv sind, beispielsweise aufgrund ihres oft schlechteren Zustands oder geringerer Modernisierungen.

Zudem zeigt sich, dass die Leerstandsquote mit sinkenden Mietpreisen tendenziell zunimmt. Dies weist darauf hin, dass es Regionen gibt, in denen die Nachfrage nach Wohnraum sehr hoch ist (z. B. München) und Mietpreise entsprechend steigen, während in anderen Regionen (z. B. Chemnitz) die Nachfrage niedrig ist, was zu höheren Leerständen und niedrigeren Mietpreisen führt.

Diese Beobachtungen verdeutlichen die starke regionale Differenzierung auf dem deutschen Wohnungsmarkt, sowohl in Bezug auf die Nachfrage als auch auf die Attraktivität und den Zustand des Wohnungsbestands.

Weiterhin wäre es von Interesse in die einzelnen Großstädte Deutschlands genauer hineinzuschauen, um dort auf Besonderheiten im Wohnmarkt einzugehen. Im ersten Schritt sollen Sie Eigenschaften in Bezug auf die Wohnungen genauer untersucht werden, um zu verstehen, welche Faktoren den Mietpreis innerhalb der urbanen Räume beeinflussen könnten. Anschließend wäre es von Interesse, auch die demografischen Merkmale der Mieterinnen und Mieter in den Blick zu nehmen. Dabei stellt sich die Frage, ob und in welchem Maße diese Einfluss auf die Mietpreise und deren Struktur nehmen.

In der vorherigen Aufgabe wurden Zusammenhänge zwischen dem Alter von Wohnungen und dem Mietpreis auf Gemeindeebene untersucht. Nun soll der Fokus darauf liegen, wie sich die Wohnungen in größeren Städten hinsichtlich ihres Alters verteilen.

  1. Erstellen Sie ein Balkendiagramm für alle nachfolgenden Städte: Stuttgart, Landeshauptstadt, Ulm, Universitätsstadt, Düsseldorf, Stadt, Berlin, Stadt. Betrachten Sie dabei, wie das Alter der Wohnungen zwischen den Städten variiert. Sie sollen analysieren, wie groß der Anteil der Wohnungen abhängig nach den jeweiligen Baujahrsgruppen in den Städten ist. Tragen Sie in ihrem Balkendiagramm den Anteil der Wohnungen nach den Baujahren (auf der y-Achse) gegeben der Baujahre für jede Stadt (auf der x-Achse) ab.

Beschreiben und interpretieren Sie die Grafik. Haben Sie diese Unterschiede erwartet? Begründen Sie warum oder warum nicht.

Hinweis: Denken Sie daran das Faktorvariablen in ggplot hilfreich sein können.

Die Grafik zeigt die Anteile von Wohnungen in den Städten Berlin, Düsseldorf, Stuttgart und Ulm, aufgeschlüsselt nach ihrem Baujahr. Auf der X-Achse sind die Baujahrsgruppen abgetragen, während die Y-Achse den jeweiligen Anteil der Wohnungen in Prozent darstellt.

Berlin hat in der Kategorie der Wohnungen vor 1919 mit über 25 % den mit Abstand höchsten Anteil. Ulm bildet in dieser Kategorie mit einem Anteil von weniger als 10 % das Schlusslicht.

Stuttgart verzeichnet mit etwa 16 % den höchsten Anteil an Wohnungen, die zwischen 1919 und 1949 errichtet wurden. Allerdings sind die Unterschiede zwischen den Städten in dieser Kategorie weniger ausgeprägt als bei den Wohnungen vor 1919.

In den Baujahrsgruppen 1950–1959 und 1960–1969 ist Düsseldorf Spitzenreiter, mit Anteilen von bis zu 25 %. Während Berlin in der Baujahrsgruppe 1950–1959 den geringsten Anteil aufweist, liegt Ulm in der Gruppe 1960–1969 am unteren Ende. Dies verdeutlicht den Fokus auf Wohnungsneubau in Düsseldorf während der wirtschaftlichen Boomjahre.

Die Anteile der Wohnungen, die zwischen 1970 und 1979 errichtet wurden, zeigen geringere Schwankungen und liegen bei allen Städten zwischen 10 % und 12 %. Ulm hat mit 12,3 % den höchsten Wert in dieser Kategorie. In den darauf folgenden Jahren (1980–1989 und 1990–1999) variieren die Anteile zwischen 4,5 % und 13 %.

In den jüngsten Baujahrsgruppen (2000–2009, 2010–2015 und 2016+) zeigt sich eine geringe Neubautätigkeit in allen Städten. Besonders Berlin verzeichnet mit etwa 2 % in der Kategorie 2010–2015 den niedrigsten Wert, während Ulm mit knapp 4,5 % etwas besser abschneidet. Dies deutet darauf hin, dass der Neubau in den letzten Jahrzehnten in den untersuchten Städten insgesamt zurückgegangen ist.

Die strukturellen Unterschiede zwischen den Städten sind deutlich erkennbar: Berlin, als Metropole mit vielen Altbauquartieren, weist logischerweise höhere Anteile in den frühen Baujahrsgruppen auf, während kleinere Städte wie Ulm einen größeren Anteil an moderneren Wohnbauten haben. Dies reflektiert nicht nur die historische Entwicklung, sondern auch die unterschiedlichen Wachstumsdynamiken der Städte.

Die relativ gleichmäßige Verteilung der Anteile zwischen 1950 und 1979 lässt sich durch die erhöhte Bautätigkeit nach dem Zweiten Weltkrieg erklären, die sowohl dem Wiederaufbau als auch dem wirtschaftlichen Aufschwung in dieser Zeit geschuldet war.

Ulm hat im Vergleich zu anderen Städten einen eher geringen Anteil an Wohnungen, die vor 1919 errichtet wurden. Dies ist nicht überraschend, da Ulm flächenmäßig relativ klein ist. Zudem wurde die Stadt im Zweiten Weltkrieg stark bombardiert, was zur Zerstörung vieler Gebäude aus der Zeit vor 1919 führte.

  1. Wie in der vorherigen Aufgabe zu sehen war, unterscheidet sich die Situation in Städten in Bezug auf die jeweiligen Baujahre der Wohnungen deutlich. Es wäre noch spannend zu sehen, ob auch das Alter der Bewohner, die Familienstände, oder die Einwanderungshistorie der Bewohner mit unterschiedlichen Mietpreisen assoziiert sind. Hier sollen Sie in einem ersten generellen Schritt ein paar demografische Faktoren einbeziehen, inwiefern diese eine Auswirkung haben. Betrachten Sie folgende Eigenschaften genauer:

Erstellen Sie eine oder mehrere passende Diagramme oder Grafiken für die in Aufgabe 8 aufgeführten Städte.

Beschreiben und interpretieren Sie diese. Haben Sie diese Unterschiede erwartet? Begründen Sie warum oder warum nicht. Wo gibt es Ihrer Ansicht nach besondere Auffälligkeiten? Warum kann es bei der unterschiedlichen Einteilung der Altersgruppen zu Problemen kommen? Was wären Möglichkeiten, um etwaige Probleme zu vermeiden?

Die Verteilung der Altersgruppen in den einzelnen Städten ist sehr ähnlich, es gibt lediglich kleinere Abweichungen. Der Großteil der Bevölkerung in den Städten ist zwischen 25 und 59 Jahre alt. Die kleinste Gruppe bilden die 16- bis 18-Jährigen. Der demografische Wandel spiegelt sich in der Beobachtung wider: Der Anteil der 60- bis über 75-Jährigen (Baby-Boomer-Generation) ist in allen Städten besonders hoch. Im Gegensatz dazu ist der Anteil der jüngeren Generationen (Gen Z, Millennials, Generation Alpha) deutlich geringer. Interessant ist, dass der Anteil der Kinder unter 3 Jahren höher ist als der der 16- bis 18-Jährigen, was auf eine gestiegene Geburtenrate hindeuten könnte.

Der Großteil der Bevölkerung hat keinen Einwanderungshintergrund, die Werte liegen bei über 60 %. Einen geringen Anteil in den Städten bildet die Gruppe der Personen mit einseitigem Einwanderungshintergrund, deren Anteile sich auf wenige Prozent belaufen. Etwas höher sind die Anteile der Nachkommen Eingewanderter. Deutlich höher fallen hingegen die Anteile der Eingewanderten aus. Auffällig ist hierbei, dass Düsseldorf und Stuttgart einen bedeutend höheren Anteil an Eingewanderten aufweisen als Berlin und Ulm.

Die Anteile in Bezug auf den Familienstand in den einzelnen Städten sind ähnlich verteilt. Der am häufigsten vertretene Familienstand ist „ledig“. In Berlin sind über 50 % der Bevölkerung ledig, während dieser Anteil in den anderen Städten leicht unter 40 % liegt. Ulm weist mit knapp 40 % den höchsten Anteil an verheirateten Personen auf, während dieser Anteil in Berlin nur knapp über 30 % liegt. In Düsseldorf und Stuttgart liegt der Anteil an Verheirateten bei etwa 35 %, wobei er in Stuttgart etwas höher ist.

In allen Städten gibt es nur wenige Prozent, für die keine Angabe zum Familienstand vorliegt. Der Anteil an geschiedenen Personen liegt in allen Städten unter 10 %, wobei der höchste Anteil in Berlin zu finden ist. Der Anteil an verwitweten Personen beträgt in allen Städten etwa 5 %, mit äußerst geringen Abweichungen zwischen den Städten.

Der besonders hohe Anteil an ledigen Personen könnte darauf hindeuten, dass das Konzept der Ehe in der Gesellschaft nicht mehr denselben Stellenwert besitzt wie früher. Immer weniger Menschen entscheiden sich offenbar dafür zu heiraten, was einen Wandel in den gesellschaftlichen Normen widerspiegeln könnte.

Die Anteile in Bezug auf den Familienstand in den einzelnen Städten sind ebenfalls ähnlich verteilt. Der am häufigsten vertretene Familienstand ist „ledig“. In Berlin ist über 50 % der Bevölkerung ledig, während dieser Anteil in den anderen Städten leicht unter 40 % liegt. Ulm weist mit knapp 40 % den höchsten Anteil an verheirateten Personen auf. In Berlin liegt der Anteil hingegen nur knapp über 30 %. In Düsseldorf und Stuttgart beträgt der Anteil etwa 35 %, wobei er in Stuttgart leicht höher ist.

In allen Städten gibt es nur wenige Prozent, für die keine Angaben zum Familienstand vorliegen. Der Anteil an geschiedenen Personen liegt in allen Städten unter 10 %, wobei der höchste Anteil in Berlin zu finden ist. Der Anteil an verwitweten Personen beträgt in allen Städten etwa 5 %, wobei die Abweichungen zwischen den Städten äußerst gering sind.

In den bisherigen Analysen wurden demografische und wohnungsbezogene Faktoren in verschiedenen Städten Deutschlands untersucht. Dabei lag der Fokus darauf, wie diese Merkmale in unterschiedlichen Regionen das Mietpreisniveau und dessen Struktur beeinflussen. Aufbauend auf diesen Erkenntnissen soll der Blick nun gezielt auf den Vergleich zwischen Ost- und Westdeutschland gelenkt werden. Diese regionale Differenzierung ermöglicht es, potenzielle Unterschiede und Gemeinsamkeiten zwischen den beiden Landesteilen genauer zu analysieren. Insbesondere wird betrachtet, wie sich die Mietpreisstruktur in Ost- und Westdeutschland darstellt und ob sich hierbei spezifische Muster oder Abweichungen erkennen lassen.

  1. Betrachten Sie nun die Städte Dresden, Stadt, Chemnitz, Stadt, Stuttgart, Landeshauptstadt, Ulm, Universitätsstadt,Düsseldorf, Stadtund Berlin, Stadt. Vergleichen Sie in einem ersten Schritt die Anzahl an Einwohnern, den Anteil an Menschen, die deutscher Herkunft sind, den Anteil an neuen und alten Wohnungen, sowie die durchschnittlichen Mietpreise. Erweitern Sie ihre Analyse um die durschnittlichen Wohnflächen.

Erstellen Sie für die genannten Städte eine deskriptive Tabelle. Beschreiben und interpretieren Sie diese. Beantworten Sie insbesondere folgende Fragen:

Stadt Einwohnerzahl Durchschnittlicher Mietpreis pro Quadratmeter Durchschnittliche Wohnfläche Anteil von Menschen mit deutscher Herkunft Anteil neuer Wohnungen Anteil alter Wohnungen
Düsseldorf, Stadt 611258 9.24 77.56 77.24 5.78 22.11
Stuttgart, Landeshauptstadt 610458 10.39 79.76 74.30 6.57 31.33
Dresden, Stadt 557782 6.92 71.24 90.69 6.62 39.61
Chemnitz, Stadt 240078 5.26 71.33 90.23 3.18 41.03
Ulm, Universitätsstadt 127116 8.48 87.64 78.22 9.26 19.02

Wie wir bereits in Aufgabe 7 festgestellt haben, korreliert ein höherer Anteil alter Wohnungen stark mit niedrigeren Mietpreisen. Dies lässt sich unter anderem auf den Zustand der Wohnungen zurückführen. Diese Beobachtung wird auch durch die vorliegenden Daten bestätigt. Allerdings ist das Alter der Wohnungen nur ein Faktor, der den durchschnittlichen Mietpreis pro Quadratmeter beeinflusst.

Auffällig ist, dass der Anteil an Menschen mit deutscher Herkunft in ostdeutschen Städten deutlich höher ist als in westdeutschen Städten. Hierbei spielen kulturelle und historische Unterschiede eine wesentliche Rolle.

Die durchschnittliche Wohnfläche ist in Städten wie Dresden und Chemnitz deutlich geringer als in westdeutschen Städten wie Ulm, Düsseldorf oder Stuttgart. Dies könnte darauf zurückzuführen sein, dass in der ehemaligen DDR Wohnungen funktional und kompakt gebaut wurden. Gleichzeitig zeigen die Daten, dass Chemnitz den niedrigsten und Dresden den zweithöchsten durchschnittlichen Mietpreis aufweist. Dies lässt sich möglicherweise mit der Abwanderung vieler Menschen aus Ostdeutschland erklären, die zu einem geringeren Bedarf an Wohnraum und damit zu niedrigeren Preisen geführt hat.

Ein weiterer auffälliger Unterschied zwischen Ost- und Westdeutschland ist der deutlich höhere Anteil alter Wohnungen in ostdeutschen Städten.

Diese Analyse verdeutlicht die großen Unterschiede zwischen Ost- und Westdeutschland. Ein aggregierter Vergleich aller Städte würde diese Unterschiede verwischen und zu einem verzerrten Bild führen. Beispielsweise würden die stark divergierenden Verhältnisse zwischen Chemnitz und Düsseldorf weniger deutlich werden.

Um bezahlbaren Wohnraum in Städten wie Düsseldorf, Stuttgart und Ulm zu schaffen, könnten Maßnahmen wie eine verstärkte Förderung des Sozialwohnungsbaus durch steuerliche Anreize oder Zuschüsse helfen. Dies würde Investoren motivieren, in Projekte zu investieren, die auf erschwingliche Mietwohnungen abzielen.

  1. Lesen Sie den folgenden Artikel. Dort werden Sozialwohnungen thematisiert, warum so viele fehlen und wer davon vor allem betroffen ist. Beantworten Sie anschließend folgende Fragen:

*Erhöhtes Bauelement, welches am Rand eines Daches verläuft.

  1. Gerade die Politik ist gefordert, bezahlbaren Wohnraum zu realisieren. Dabei gibt es eine Viezahl an politischen Maßnahmen, die aufgestellt wurden und umfangreich diskutiert werden. Betrachten Sie die folgenden Maßnahmen, welche helfen sollen, die angespannte Lage auf dem Mietmarkt zu entlasten. Argumentieren Sie, warum diese Maßnahmen sinnvoll/nicht sinnvoll sind und in welcher Art und Weise diese umgesetzt werden können.
  1. “Fachleute fordern, die Regulierung von Bestandsmieten zu lockern, damit sich ihr Niveau den Neuvertragsmieten annähert, mehr Menschen umziehen und sich Wohnraum besser verteilt.”
  2. “Eine weitere Möglichkeit wäre, Mieterhöhungen bei Neuvertragsmieten zu begrenzen.”
  3. “Am einfachsten ist es, wenn vor allem in Großstädten, wo bezahlbarer Wohnraum fehlt, mehr gebaut wird.”
  4. “Am besten wäre es, wenn zukünftig mehr Vermieter in regelmäßigen Abständen die Miete anpassen.”

Vorteile:

Nachteile:

-Haushalte mit niedrigerem Einkommen, die auf günstige Bestandsmieten angewiesen sind, könnten sich durch höhere Mieten, Wohnungen finanziell nicht leisten. -Eine Lockerung könnte zu weiteren Mieterhöhungen führen, da Vermieter Bestandsmieten rasch anpassen könnten

=Vermieter dürfen die Miete bei Bestandsmietern nur dann stärker anheben, wenn konkrete Modernisierungen oder Verbesserungen der Wohnqualität vorgenommen werden

Laut Ökonoemen könnte dies die Lage auf dem Wohnugnsmarkt nurnoch verschlechtern.Eine Begrenzung von Mieterhöhungen bei Neuvertragsmieten könnte dazu führen, dass weniger Wohnugen zur Miete angeboten werden. Für Vermieter könnte es somit attraktiver erscheinen Ihren Wohnungen als Ferienwohnugen anzubieten. Desweiteren könnte dies dazu führen, dass Vermieter ihre Wohnugen nur an diejenigen vergeben, welche bereit dazu sind “schwarz” mehr zu bezahlen. =In Städten mit besonders angespannter Lage könnten Mieterhöhungsgrenzen zeitlich begrenzt verschärft werden, um den Markt zu stabilisieren.

Vorteile:

Nachteile:

-Wohnungsbau ist zwar eine langfristige Lösung aber es könnte Genehmigungsverfahren und Grundstücksverfügbarkeit den Prozess verzögern. - Der Bau neuer Wohnungen ist teuer.Die Mietpreise der Neubauten könen dennoch hoch bleiben. =Leerstehende Bürogebäude oder nicht mehr genutzte Gewerbeflächen könnten in Wohnraum umgewandelt werden. Das spart Zeit und Ressourcen.

Vorteile:

Nachteile:

-Auch kleine, regelmäßige Anpassungen könnten für Haushalte mit niedrigem Einkommen problematisch werden, wenn sie sich summieren. =Vermieter könnten verpflichtet werden, Anpassungen in kleinen, kalkulierbaren Schritten durchzuführen, um plötzliche Belastungen für Mieter zu vermeiden.Eine regelmäßige Anpassung sollte nur erlaubt sein, wenn der Vermieter den Wohnstandard verbessert.

Einzelne Stadtteile in Deutschland

In allen vorherigen Aufgaben haben Sie die Städte, Gemeinden oder auch Landkreise immer als ein Ganzes betrachtet. Jedoch ist es schwierig gerade in Großstädten wie Berlin, Düsseldorf oder auch Stuttgart allgemeine Aussagen über die Mietsituation auf Stadtebene zu treffen. Dies liegt unter anderem daran, dass unterschiedliche Stadtviertel unterschiedliche demografische Eigenschaften, sowie eine unterschiedliche Mietstruktur aufweisen können. Hier wäre es sinnvoll sich mit dem Stadtbild und der Verteilung der Mieten genauer auseinanderzusetzen, um zu sehen, wie sich Mieten innerhalb der Stadt verteilen. Wie in Aufgabe 10 zu sehen war, weisen die Städte im Westen Deutschlands untereinander, sowie die Städte im Osten ähnliche Merkmale auf, weshalb Sie sich in den folgenden Aufgaben auf je eine große und eine kleinere Stadt aus beiden Regionen konzentrieren.

  1. In dieser Aufgabe sollen Sie ihren Datensatz aus Aufgabe 4, bei dem Sie Kartendaten und Informationen zu Mieten und LEQ auf 1km-Gitterebene heruntergeladen und zusammengefügt haben, verwenden und vier Karten zeichnen, welche die Verteilung der Nettokaltmieten in den Stadtteilen der Städte “Stuttgart, Landeshauptstadt”, “Ulm, Universitätsstadt”, “Chemnitz, Stadt” und “Dresden, Stadt” anschaulich visualisieren.

Erstellen Sie vier Grafiken, beschreiben und interpretieren diese. Gehen Sie insbesondere auf folgende Fragen ein:

Hinweis: Wenn Sie einheitliche Legenden für die Karten haben möchten und die vier Städte nebeneinander oder untereinander darstellen wollen, so empfiehlt sich das Paket ggpubr und dort der Befehl ggarrange.

## Reading layer `Shapefile_Zensus' from data source 
##   `C:\Users\Aaron\Documents\GitHub\Projekt2-Gruppe112\daten\Shapefile_Zensus.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 20741 features and 4 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: 4037000 ymin: 2725000 xmax: 4631000 ymax: 3525000
## CRS:           NA

Zu erkennen ist ein deutliches Ost-West-Gefälle zwischen den Städten Stuttgart, Ulm, Dresden und Chemnitz.

In Stuttgart bewegen sich die Mietpreise pro m² zwischen etwa 10 und 30 Euro. Der Durchschnittspreis liegt bei ca. 15 Euro pro m². Besonders teuer ist der Stadtteil S-Weilimdorf, wo Preise von bis zu 30 Euro erreicht werden.

In Ulm zeigt sich eine größere Variation der Mietpreise. Günstig ist es vor allem im Stadtteil Wiblingen, wo die Preise zwischen etwa 6 und 12 Euro pro m² liegen. Die nördlichen Stadtbezirke sind dagegen deutlich teurer.

In Chemnitz ist das Mietpreisniveau insgesamt niedriger. Die Preise schwanken zwischen etwa 4 und 7 Euro pro m². In der Innenstadt liegen die Preise bei rund 5 Euro, während in einigen Randbezirken bis zu 8 Euro erreicht werden.

Dresden weist ein ähnliches Niveau wie Chemnitz auf, mit Preisen zwischen 4 und 10 Euro pro m². In der Innenstadt ist das Wohnen tendenziell am teuersten, während die Randbezirke erschwinglicher sind.

  1. Nachdem Sie in Aufgabe 13 die Verteilung der Mieten der einzelnen Stadtteile visualisiert haben, sollten Sie in dieser Aufgabe den Anteil der Leerstandsquoten in den Stadtteilen der Städte “Stuttgart, Landeshauptstadt”, “Ulm, Universitätsstadt”, “Chemnitz, Stadt” und “Dresden, Stadt” veranschaulichen.

Erstellen Sie vier Grafiken, beschreiben und interpretieren diese. Gehen Sie insbesondere auf folgende Fragen ein:

Hinweis: Wenn Sie einheitliche Legenden für die Karten haben möchten und die vier Städte nebeneinander oder untereinander darstellen möchten, so empfiehlt sich das Paket ggpubr und dort der Befehl ggarrange.

Die Leerstandsquote in Stuttgart zeigt ein homogenes Bild mit sehr niedrigen Werten, die sich überwiegend zwischen 0 und 5 % bewegen. In vereinzelten Bereichen überschreitet die Quote leicht 5 %. Dieses Muster korreliert mit den Erkenntnissen aus der Mietpreisanalyse: Die hohe Nachfrage nach Wohnraum in Stuttgart sorgt für eine geringe Anzahl leerstehender Immobilien, insbesondere in zentralen und gut angebundenen Stadtteilen.

In Ulm sind aufgrund von fehlenden Daten keine umfassenden Aussagen möglich. Dennoch lässt sich erkennen, dass die Leerstandsquote insgesamt niedrig ist, ähnlich wie in Stuttgart. Eine Ausnahme bildet ein Bereich im Norden, in dem die Quote bei über 10 % liegt. Die geringe Leerstandsquote in anderen Bereichen weist auf eine stabile Nachfrage nach Wohnraum hin, wobei die fehlenden Daten Lücken in der Interpretation hinterlassen.

Auch in Dresden ist die Leerstandsquote überwiegend homogen und bewegt sich, ähnlich wie in Stuttgart, zwischen 0 und 5 %. Eine Ausnahme bildet ein nördlicher Stadtteil, in dem die Quote etwa 8 % beträgt. Für Loschwitz, ein Villenviertel, fehlen ebenfalls Daten, doch aufgrund der gehobenen Wohnstruktur ist ein niedriger Leerstand zu vermuten. Die homogene Verteilung der Leerstände in Dresden deckt sich weitgehend mit den Ergebnissen der Mietpreisanalyse, da auch hier die zentrumsnahen Bereiche eine stabile Nachfrage zeigen.

Chemnitz zeigt ein heterogenes Bild der Leerstandsquote. Insbesondere in zentralen Stadtteilen wie Zentrum, Kaßberg und Lutherviertel liegt die Quote bei über 10 %, was auf eine geringe Nachfrage in diesen Bereichen hinweist. In den Randbezirken ist der Leerstand tendenziell geringer, wobei auch hier Datenlücken eine vollständige Analyse erschweren. Die Leerstandsquote in Chemnitz unterscheidet sich signifikant von den anderen Städten und deutet auf strukturelle Herausforderungen wie wirtschaftliche Schwäche oder Abwanderung hin.

  1. Die aktuellen Mietpreise und deren Entwicklungen hindern in Deutschland immer mehr Menschen daran, dass sie sich eine neue geeignete Wohnung suchen. Personen, die aufgrund ihrer aktuellen Lebenssituation sich nach einer neuen Wohnung umsehen, finden oft keine oder können sich diese nicht leisten. Doch worin liegen die Ursachen und Probleme?

Beantworten Sie hierzu folgende Fragen:

Gehen Sie in ihrer Argumentation auch auf die Grafiken und Ergebnisse der Aufgaben 11, 13 und 14 ein.

Stadt vs. Land

Bisher haben Sie sich intensiv mit der Wohnsituation in Deutschland auseinandergesetzt und dabei insbesondere die Unterschiede zwischen Ost- und Westdeutschland betrachtet. Im Fokus standen dabei die Mietpreisentwicklung und die Rolle verschiedener Faktoren wie demografische Merkmale, Leerstandsquote, Eigentümerquote, sowie die Wohnfläche. Diese Analysen haben wertvolle Erkenntnisse über die regionale Dynamik des Mietmarkts geliefert.

Nun sollen Sie ihren Blickwinkel erweitern und den Fokus auf eine weitere Ebene der Analyse richten. Im Kern sollen Sie den Unterschied zwischen städtischen Regionen, insbesondere Großstädten, und ländlichen Gebieten untersuchen. Hierbei soll die Mietstruktur in diesen beiden Raumtypen analysiert werden, ob sich die Strukturen von Stadt und Land voneinander unterscheiden.

  1. Betrachten Sie in einem ersten Schritt die Wohnungen abhängig ihres Alters. Erstellen Sie dazu eine passende Grafik, die die Verteilung der Wohnungen nach Altersgruppen für die Stadt Stuttgart, Landeshauptstadt (Landkreis: Stuttgart, Stadtkreis) im Vergleich zum Alb-Donau-Kreis und Ostalbkreis darlegt.

Beschreiben und interpretieren Sie ihre Grafik. Woran könnte es liegen, dass es in Stuttgart (in der Stadt) deutlich mehr Altbauwohnungen als auf dem Land gibt? Könnten politische Maßnahmen ihrer Ansicht nach helfen, dass auch in Großstädten mehr neue Wohnungen erbaut und zur Vermietung zur Verfügung gestellt werden?

Hinweis 1: Nutzen Sie für die Visualisierung einen Mosaik- oder ein “stacked” Balkendiagramm. Eine Idee, wie Sie das Ganze darstellen können, finden Sie hier.

Hinweis 2: Für Stuttgart soll der komplette Landkreis (“Stadtkreis”) untersucht werden.

Der Grafik lässt sich entnehmen, dass Stuttgart tatsächlich einen deutlich höheren Anteil an Altbauwohnungen aufweist als ländlichere Regionen wie der Alb-Donau-Kreis und der Ostalbkreis. Dies könnte unter anderem auf den Denkmalschutz zurückzuführen sein. Viele Gebäude in Stuttgart stehen unter Schutz und können daher nicht ohne Weiteres abgerissen oder durch Neubauten ersetzt werden. Darüber hinaus hat der Mangel an verfügbaren Bauflächen in der Stadt dazu geführt, dass der Fokus eher auf der Renovierung und Modernisierung der bestehenden Bausubstanz lag, während Neubauprojekte seltener realisiert wurden. Zudem wurden viele Flächen in Stuttgart für andere Zwecke, wie Industrie- oder Infrastrukturprojekte, genutzt, was den verfügbaren Raum für Wohnungsbau weiter eingeschränkt hat.

Im Gegensatz dazu bieten die Gemeinden des Alb-Donau-Kreises und des Ostalbkreises deutlich größere Flächenpotenziale für den Wohnungsbau. Die geringere Bevölkerungsdichte und die Verfügbarkeit von ungenutzten Bauflächen ermöglichen es, Neubauprojekte schneller und einfacher umzusetzen. Dies erklärt, warum in diesen ländlichen Regionen ein höherer Anteil an neueren Wohnungen zu finden ist. Gleichzeitig reflektiert dies die unterschiedlichen Prioritäten und Möglichkeiten zwischen städtischen und ländlichen Gebieten.

Um den Wohnraummangel in Stuttgart und anderen Großstädten zu bekämpfen, könnten gezielte politische Maßnahmen helfen. Dazu gehören die Ausweisung neuer Bauflächen, die Umnutzung brachliegender Industrieareale sowie eine stärkere Nachverdichtung in bestehenden Quartieren. Förderprogramme für energieeffiziente Neubauten könnten Investitionen attraktiver machen und langfristig die Wohnraumsituation in Städten wie Stuttgart verbessern.

In einem weiteren Schritt sollen Sie nun die Mietpreise und deren Verteilung analysieren. Hierbei sollen Sie neben der Leerstands- und Eigentümerquote auch auf die Verteilung der Wohnungen nach deren Wohnfläche achten und diese untersuchen.

17 (a). Erstellen Sie zuerst eine Tabelle, die die durchschnittlichen Mietpreise mit der Leerstands- und Eigentümerquote darstellt. Was fällt ihnen dabei besonders auf? Beschreiben und interpretieren Sie ihre Tabelle.

17 (b). Erstellen Sie eine weitere Grafik, die die Verteilung der Wohnungen nach den einzelnen Wohnungsgrößen(<40m² bis >=200m²) abbildet. Stellen Sie darüber hinaus den durchschnittlichen Mietpreis je Landkreis in einer weiteren Grafik dar. Beschreiben und interpretieren Sie ihre Grafiken. Gehen Sie insbesondere auf die Frage ein, ob es Sinn macht sich vor allem den Ostalbkreis oder Alb-Donau-Kreis als ein Ganzes anzusehen und inwieweit überhaupt ein Vergleich zwischen Stadt und ländlicher Region möglich ist.

Hinweis: Hier sollen Sie erneut auf dieselben Städte und Landkreise aus Aufgabe 16 eingehen!

Landkreis Durchschnittliche Leerstandsquote(%) Durchschnittliche Eigentümerquote (%) Durchschnittlicher Mietpreis pro m²(€)
Alb-Donau-Kreis 5.34 71.44 6.37
Ostalbkreis 5.09 70.59 6.27
Stuttgart, Stadtkreis 3.46 31.15 10.39

Die vorliegende Tabelle veranschaulicht die durchschnittliche Leerstands- und Eigentümerquote sowie den durchschnittlichen Mietpreis pro Quadratmeter für den Alb-Donau-Kreis, den Ostalbkreis und den Stadtkreis Stuttgart. Die Werte verdeutlichen signifikante Unterschiede zwischen den Landkreisen und dem städtischen Raum, insbesondere im Hinblick auf die Eigentumsstrukturen und Mietpreise.

In Stuttgart liegt die Leerstandsquote bei lediglich 3,46 %, was auf eine starke Nachfrage nach Wohnraum hinweist. Im Vergleich dazu zeigen die beiden ländlicheren Landkreise, der Alb-Donau-Kreis (5,34 %) und der Ostalbkreis (5,09 %), höhere Leerstandsquoten. Dies könnte darauf hindeuten, dass in ländlichen Regionen Wohnungen schwieriger zu vermieten sind, möglicherweise bedingt durch weniger starke Bevölkerungszuwächse oder geringere Nachfrage.

Die Eigentümerquote zeigt ebenfalls deutliche Unterschiede: Während Stuttgart eine vergleichsweise niedrige Eigentümerquote von 31,15 % aufweist, liegt diese in den Landkreisen Alb-Donau-Kreis (71,44 %) und Ostalbkreis (70,59 %) deutlich höher. Dies ist ein typisches Muster, das darauf hindeutet, dass in ländlichen Regionen der Erwerb von Wohneigentum traditionell bevorzugt wird und finanziell leichter realisierbar ist, während in Städten wie Stuttgart Mietwohnungen dominieren, bedingt durch hohe Immobilienpreise und die Mobilität der Bevölkerung.

Der Mietpreis pro Quadratmeter zeigt die deutlichsten Unterschiede: Während die Mietpreise in den Landkreisen Alb-Donau-Kreis (6,37 €) und Ostalbkreis (6,27 €) vergleichsweise moderat sind, liegt der Durchschnittspreis in Stuttgart bei 10,39 €.

Stuttgart weist einen hohen Anteil an kleinen Wohnungen auf, wobei knapp 10 % der Wohnungen weniger als 40 m² groß sind. Große Wohnungen (≥ 200 m²) sind in Stuttgart äußerst selten, mit einem Anteil von nur etwa 2 %. Dieser deutliche Fokus auf kleinere und mittelgroße Wohnungen spiegelt die hohe Nachfrage nach kompakterem Wohnraum in einer dicht besiedelten städtischen Umgebung wider.

Im Vergleich dazu liegt das Mietpreisniveau im Alb-Donau-Kreis und im Ostalbkreis deutlich niedriger. Während die Mietpreise in diesen Landkreisen bei etwa 6 bis 6,5 € pro Quadratmeter liegen, beträgt der durchschnittliche Mietpreis in Stuttgart etwa 10,4 € pro Quadratmeter. Dies unterstreicht die erheblichen Preisunterschiede zwischen der Großstadt und den ländlichen Regionen, die durch Faktoren wie höhere Grundstückskosten, begrenzte Flächen und eine stärkere Nachfrage in Stuttgart bedingt sind.

Hinsichtlich des Mietpreisniveaus kann es sinnvoll sein, den Alb-Donau-Kreis und den Ostalbkreis als Einheit zu betrachten. Bezüglich des Anteils an Wohnungen unterschiedlicher Größen gibt es zwar Unterschiede zwischen den beiden Landkreisen, diese sind jedoch vergleichsweise gering. Im Gegensatz dazu sind die Unterschiede zwischen Stuttgart und den beiden Landkreisen deutlich größer, insbesondere was den Wohnraumanteil und das Mietpreisniveau betrifft.

Ein direkter Vergleich zwischen Stadt und Land ist zwar möglich, erfordert jedoch die Berücksichtigung verschiedener Aspekte. Städte wie Stuttgart zeichnen sich durch kleinere Wohnungen und eine hohe Nachfrage nach Wohnraum aus, was oft mit höheren Mietpreisen einhergeht. In ländlichen Regionen hingegen sind Wohnungen tendenziell größer, während die Mietpreise deutlich niedriger ausfallen.

Auch die Infrastruktur unterscheidet sich grundlegend: Während in Städten der öffentliche Nahverkehr gut ausgebaut ist, sind Bewohner ländlicher Gebiete häufig auf das Auto angewiesen.

Ein weiterer Unterschied zeigt sich im sozialen Leben. Auf dem Land ist der Zusammenhalt innerhalb der Gemeinschaft oft stark ausgeprägt, während in Großstädten das Leben anonymer gestaltet ist. Allerdings bieten Städte auch vielfältige soziale und kulturelle Netzwerke, die in ländlichen Gebieten weniger ausgeprägt sind.

Zusatzfrage (optional)

Diese Frage ist von der Bearbeitung her etwas schwieriger. Bevor Sie sich an diese Aufgabe machen, sollten Sie sicherstellen, dass Sie alle vorherigen Fragen ausführlich beantwortet haben. Eine korrekte Beantwortung dieser Frage gibt einen Punktebonus von 3 Punkten (das Projekt umfasst insgesamt 30 Punkte, inkl. Screencast).

Nachdem Sie sich in den bisherigen Aufgaben ausführlich mit den allgemeinen Einflussfaktoren auf die Mietpreise befasst haben, rückt nun ein spezifischer Aspekt in den Fokus: die Rolle der Heizungen. Insbesondere werden Sie untersuchen, wie unterschiedliche Heizungsarten und -systeme die Mietpreise beeinflussen können. Diese Betrachtung ermöglicht es ihnen, die bisherigen Analysen zu verfeinern und den Zusammenhang zwischen energetischen Standards und der Entwicklung von Mietkosten genauer zu erfassen. Aufgabe 18 führt Sie somit zu einem weiteren zentralen Detail der Mietpreisentwicklung, das insbesondere vor dem Hintergrund steigender Energiepreise und der Relevanz nachhaltiger Wohnformen an Bedeutung gewinnt.

  1. Lesen Sie den Datensatz Heiztypen_Zensus.csv ein und speichern diesen als heiztypen ab. Neben den Ihnen bekannten Variablen, finden Sie dort 6 weitere Variablen, die Auskunft über die Heizarten der jeweiligen Wohnung geben. Diese werden wie folgt beschrieben:

Erstellen Sie eine neue Spalte heiztypen_gesamt, welche die Summe über alle Heiztypen hinweg bildet. Bestimmen Sie weiterhin den Anteil der jeweiligen Heiztypen je Gemeinde (als Anteil aller Heizarten). Nun sollen Sie eine oder mehrere passende Grafik(en) erzeugen, die je nach durchschnittlicher Größe der Wohnungen die Anteile der verschiedenen Heizungsarten abbilden. Erstellen Sie weiterhin eine oder mehrere passende Grafik(en) die den Zusammenhang zwischen den Heizungsarten und den durschnittlichen Mietpreisen darstellt. Wiederum soll der Anteil der verschiedenen Heizungsarten abhängig der Mietpreise abgebildet werden. ——

Beschreiben und interpretieren Sie ihre Schaubilder und gehen Sie insbesondere auf folgende Frage ein:

Hinweis 1: Überlegen Sie sich, ob es ihrer Ansicht nach Sinn macht, die jeweiligen Wohnungsgrößen und durchschnittlichen Mietpreise in Segmente zu unterteilen.

Hinweis 2: Eine Möglichkeit die Beziehung zwischen Heizungsarten und Wohnungsgrößen bzw. Heizungsarten und Mietpreisen zu visualisieren wäre beispielsweise ein “stacked” oder “grouped” Balkendiagramm. Überlegen Sie sich, warum diese Form der Darstellung besonders gut geeignet wäre.

Der oberen Grafik lässt sich entnehmen, dass der Großteil aller Wohnungen mit Zentralheizung beheizt wird. Diese führt in allen Kategorien deutlich. Andere Heizungsarten sind wesentlich weniger verbreitet.

Ein vergleichbares Bild zeigt sich, wenn wir die Anteile der Heizungsarten in Bezug auf die Mietpreise betrachten. Die beiden dominierenden Heizungsarten sind dabei Zentral- und Fernheizung in jeder Kategorie. Lediglich die Verteilung der anderen Heizungstypen variiert zwischen den einzelnen Kategorien.

Wie Sie in der Aufgabe 15 gesehen haben, haben Ulm und Stuttgart, sowie Dresden und Chemnitz ähnliche Verhältnisse bezüglich der Verteilung der Mietkosten über die Stadt hinweg. Aufgrund dessen beschränken Sie sich bei dieser Aufgabe auf die Städte Stuttgart und Dresden. Hier sollen Sie sich die einzelnen Heizungsarten über die Stadtteile hinweg anschauen, wie sich diese verteilen und ob hier Ähnlichkeiten zur Mietpreissstrukur vorliegt. Weiterhin sind vor allem die Heizungsarten Fernwärme, Zentralheizung und Etagenheizung in viele deutschen Wohnungen größtenteils verbaut, weshalb Sie gerade deswegen diese drei Heiztypen genauer beleuchten und untersuchen sollen.

  1. Deshalb sollten Sie sich in einem ersten Schritt diese Geogitter-Daten für die verschiedenen Heinzungsarten vom statistischen Bundesamt herunterladen. Speichern Sie die zip-Datei im Ordner Daten ab. Nutzen Sie erneut den Datensatz shape_file aus der Aufgabe 4 und joinen Sie die Informationen zu den Heizungsarten über die Variablen x_mp_1km und y_mp_1km.

In ihrem Datensatz können Sie sehen, dass es Einträge mit “-” gibt. Diese sollen sie für alle Heizungstypen durch 0 ersetzen. Achten Sie auch darauf, dass über alle Heizungstypen hinweg die Werte als numeric vorliegen.

Erstellen Sie nun für die Heizungsarten “Fernheizung”, “Etagenheizung” und “Zentralheizung” eine neue Spalte mit dem Anteil des jeweiligen Heizungstyps an allen Heizungen (Insgesamt_Heizungsart) je Gemeinde. Schließlich sollen Sie nun für die drei genannten Heizungsarten eine Karte erzeugen, welche den Anteil je Gitterebene im Stadtbezirk darstellt.

Beschreiben und interpretieren Sie ihre Grafiken. Berücksichtigen Sie dabei insbesondere folgende Fragen:

Hinweis 1: Sie sollen insgesamt für jede Stadt (Stuttgart und Dresden) drei verschiedene Karten erzeugen.

Hinweis 2: Achten Sie auf eine sinnvolle Einteilung und Darstellung in den Karten. Nutzen Sie die Karten aus vorherigen Aufgaben als Hilfestellung.

Abschließend sollen Sie die Zusatzaufgabe noch einmal rekapitulieren und einige Fragen dazu beantworten.

  1. Sie sollen sich noch einmal bewusst werden, was Sie in den vorherigen Aufgaben analysiert haben und in welcher Form ihre Ergebnisse anwendbar und verallgemeinbar sind. Beantworten Sie dazu Frage 1 und 2.

Frage 1: Betrachten Sie hierzu noch einmal exemplarisch die Städte Stuttgart und Dresden.

Frage 2: Schauen Sie sich noch einmal die Verteilung der Heizungsarten (Fern-, Etagen- und Zentralheizungen) für Stuttgart und Dresden in Aufgabe 19 an. Betrachten Sie im Vergleich dazu ihre Grafik aus Aufgabe 8, sowie ihre Tabelle in Aufgabe 13?

Hier bitte ihre Antwort eintragen