Motivation

Die Land- und Forstwirtschaft prägt nicht nur unsere Kulturlandschaft, sondern ist auch ein fundamentaler Pfeiler unserer Volkswirtschaft. Sie sichert unsere Ernährung und versorgt uns mit wichtigen Rohstoffen. Doch dieser Sektor steht heute im Spannungsfeld zweier großer Herausforderungen: Einerseits milliardenschwere staatliche Subventionen, die Stabilität und Wettbewerbsfähigkeit sichern sollen, und andererseits steigende Produktionskosten, volatile Märkte und strukturelle Anpassungszwänge, die die wirtschaftliche Tragfähigkeit vieler Betriebe gefährden.

Datengrundlage

In diesem Projekt werden Sie anhand von aktuellen Daten des Bundesministeriums, der EU-Kommission (GAP-Zahlungen) und statistischer Ämter die ökonomischen Dimensionen dieser Entwicklungen genau untersuchen. Sie werden analysieren, wie Subventionen verteilt werden, welche Betriebstypen und Regionen besonders abhängig von Förderungen sind und welche wirtschaftlichen Effekte daraus entstehen. Der Fokus liegt dabei sowohl auf der gesamtwirtschaftlichen Perspektive als auch auf spezifischen Teilsektoren - etwa der Forstwirtschaft als Fallstudie für strukturelle Transformation und Kostenentwicklung.

Ihre Aufgabe ist es, durch fundierte datengestützte Analysen Licht ins Dunkel dieser komplexen Zusammenhänge zu bringen. Sie werden die Effektivität von Förderinstrumenten kritisch hinterfragen, Verteilungswirkungen quantifizieren und die realen volkswirtschaftlichen Kosten des aktuellen Subventionssystems bewerten. Auf Basis Ihrer Erkenntnisse können Sie fundierte Handlungsempfehlungen ableiten, die für Politik, Agrarverbände und Unternehmen von entscheidender Bedeutung sind, um die deutsche Land- und Forstwirtschaft effizienter, wettbewerbsfähiger und wirtschaftlich zukunftsfähig zu gestalten.

  1. Verschaffen Sie sich in einem ersten Schritt einen Überblick über die gesamtwirtschaftliche Bedeutung der Land- und Forstwirtschaft. Dies hilft Ihnen, die Relevanz der staatlichen Förderungen und die potenziellen Kosten besser einzuordnen. Führen Sie eine Recherche durch, um die folgenden makroökonomischen Kennzahlen für das Jahr 2024 zu ermitteln. Beantworten Sie die folgenden Fragen in Textform und geben Sie für jede Information die exakte Quelle an.

➔ Die Quellen sind in den hochgestellten Zahlen als Hyperlinks eingebettet und sind am Ende der Ausarbeitung auch im Quellenverzeichnis aufgelistet

Einlesen

Für die Politik und die Wirtschaft ist es von entscheidender Bedeutung zu verstehen, wie sich der strukturelle Wandel, bestehend aus steigenden Produktionskosten, globalen Handelskonflikten, technologischem Wandel und veränderten Marktbedingungen, auf die Erträge, Kosten und die Struktur des gesamten Sektors auswirkt. Um diese komplexen Zusammenhänge zu beleuchten, sollen Sie nun die nachfolgenden Datensätze und Berichte genauer analysieren.

  1. Lesen Sie den Datensatz Subventionen.csv aus ihrem Daten-Ordner ein und speichern Sie diesen als subventionen_gesamt ab.

Der Datensatz enthält für jeden Begünstigten (z.B. einen Landwirt oder ein Unternehmen) oft mehrere Beobachtungen in unterschiedlichen Zeilen. Dies liegt daran, dass für jede erhaltene Fördermaßnahme eine eigene Zeile existiert. Der Datensatz ist aktuell nicht für eine Analyse auf Ebene des Begünstigten passend, da die Informationen zu den verschiedenen Fördertöpfen untereinander stehen, weshalb der Datensatz nun in ein Wide-Format umgewandelt werden soll. Passen Sie den Datensatz so an, dass die unterschiedlichen Fördertöpfe (EGFL, ELER, Nationale_Kofinanzierung) die Spalten darstellen. Tragen Sie in die Zellen die jeweiligen Gesamtbeträge ein, die ein Begünstigter aus dem entsprechenden Topf im jeweiligen Jahr erhalten hat.

Erstellen Sie anschließend eine neue Spalte namens Förderbetrag_berechnet. Diese Spalte soll für jeden Begünstigten die Summe aus den Werten der Spalten EGFL_Förderbetrag, ELER_Förderbetrag und Nationale_Kofinanzierung enthalten.

Recherchieren Sie die Bedeutung der drei Hauptfördertöpfe EGFL, ELER und Nationale Kofinanzierung. Erklären Sie anschließend kurz in Ihren eigenen Worten, wofür diese Fonds stehen und wie sie sich in ihren Förderzielen und Maßnahmen unterscheiden.

Hinweis 1: Die Datei Subventionen.csv.zip enthält die Subventionen.csv in gezippter Form um diese in GitHub hochladen zu können. Sie können die entzippte Datei nicht auf GitHub pushen, sondern immer nur Subventionen.csv.zip.

Hinweis 2: Für die Recherche können die Seiten des Bundesministeriums für Landwirtschaft, Ernährung und Heimat (BMLEH) oder der EU-Kommission hilfreich sein.

Hinweis 3: Die Daten haben wir für Sie entsprechend aufbereitet. Die Ursprungsdaten können Sie auf der folgenden Webseite finden.

  • EGFL (Europäische Garantiefonds für die Landwirtschaft) finanziert die Direktzahlungen an Landwirte und sorgt dafür, dass ihre Einkommen stabil bleiben. Außerdem unterstützt er Maßnahmen, die die Agrarmärkte der EU sichern und stabilisieren. 7

  • ELER (Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums) fördert Projekte, die die Entwicklung ländlicher Regionen stärken. Er unterstützt langfristige Verbesserungen im ländlichen Raum und macht diese Regionen lebenswerter und wettbewerbsfähiger. 7

  • Nationale Kofinanzierung bedeutet, dass ein Land zusätzlich eigenes Geld zu einem EU-Förderprogramm dazugeben muss. Ein Projekt wird also gemeinsam von der EU und dem jeweiligen Staat bezahlt, damit es überhaupt finanziert werden kann. 8

  • Der EGFL bezahlt vor allem regelmäßige Direktzahlungen an Landwirte, während der ELER Projekte für Umwelt und ländliche Entwicklung unterstützt. Die nationale Kofinanzierung unterscheidet sich von beiden, weil sie kein eigener EU-Fonds ist, sondern der zusätzliche Anteil eines Staates, der zu EU-Förderungen dazukommen muss. 7 8

Nachdem Sie die Daten zu den Subventionen aufbereitet haben, wenden Sie sich nun den zentralen Daten der Waldbrandstatistiken zu. Um später die ökonomischen Folgen von Produktionsrisiken und strukturellen Belastungen analysieren zu können, ist es wichtig, auch diese Daten vorab aufzubereiten und in ein wide Format zu bringen, welches für die Folgeanalysen erforderlich ist.

  1. Lesen Sie den Datensatz Waldbrände_gesamt.csv ein und speichern diesen als waldbraende_gesamt ab. In diesem Datensatz erhalten Sie eine Übersicht, wie viele Waldbrände monatlich in einem Bundesland (und in Deutschland gesamt) auftreten und welche Fläche dabei gebrannt hat. Der Datensatz liegt aktuell noch im long-Format vor. Transformieren Sie den Datensatz so, dass Sie pro Region und Monat eine Beobachtung haben. Erstellen Sie dabei separate Spalten für die Anzahl der Brände und die verbrannte Fläche (in Hektar). Benennen Sie abschließend die Spalten für die Gesamtbrände in Gesamtmonatlich_Anzahl und Gesamtmonatlich_ha um.

Hinweis: Auch für diese Aufgabe haben wir die Daten für Sie aufbereitet. Die Originaldaten können Sie auf der folgenden Webseite finden.

  1. In einem weiteren Datensatz haben Sie nun aggregierte Jahreswerte zu Ursachen, Kosten und Präventionsmaßnahmen von Waldbränden auf Bundeslandebene (einschließlich Gesamtdeutschland). Lesen Sie hierzu den Datensatz Waldbrände_Übersicht.csv ein und speichern diesen als waldbraende_information ab. Fügen Sie anschließend die beiden Datensätze waldbraende_gesamt und waldbraende_information zu einem großen Datensatz waldbraende zusammen. Verwenden Sie die Variablen Region und Jahr als Schlüssel für ihren Join.

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

Hinweis: Der Datensatz waldbraende ist nun ihr Hauptdatensatz, der als Grundlage für die Analysen zu Waldbränden und deren Faktoren dient.

In diesem Fall bietet es sich an, einen left join auszuführen, wobei waldbraende_gesamt als Masterdatensatz dient. Beide Tabellen enthalten zwar die Spalten „Jahr“ und „Region“, jedoch gibt es im Datensatz waldbraende_Information für jede Region-Jahr-Kombination genau einen Eintrag. Würde man stattdessen waldbraende_Information als Master verwenden, entstünde ein Zuordnungsproblem: In waldbraende_gesamt existieren zu jedem dieser Paare zwölf Zeilen – eine pro Monat. Damit wären die Werte nicht mehr eindeutig verknüpfbar.

Konsistenzcheck

Nachdem Sie im ersten Teil die Rohdaten aufbereitet haben, folgt nun die Validierung und erste deskriptive Analysen. In einem primären Schritt ist es das Ziel, die Struktur der Fördergelder zu verstehen, Ungereimtheiten in den Daten aufzudecken und erste ökonomische Muster im Kontext der Landwirtschaft zu erkennen.

  1. In Ihrem aufbereiteten Datensatz subventionen_gesamt haben Sie nun eine Spalte mit dem angegebenen Gesamtbetrag (Förderbetrag_gesamt) pro Begünstigtem und eine Spalte mit Ihrer eigenen Berechnung (Förderbetrag_berechnet). Sie möchten nun überprüfen, ob Ihre eigene Summierung der Einzelbeträge mit den ausgewiesenen Gesamtsummen übereinstimmt.

Aggregieren Sie dafür Ihre Daten auf Ebene der Bundesländer unabhängig der einzelnen Jahre 2023 und 2024. Erstellen Sie eine übersichtliche Tabelle, die für jedes Bundesland die folgenden Spalten enthält:

  • Die Summe der in den Originaldaten ausgewiesenen Gesamtbeträge pro Begünstigten (Förderbetrag_gesamt).
  • Die Summe aus den beiden zuvor berechneten Spalten (Förderbetrag_berechnet).
  • Die absolute Abweichung zwischen diesen Förderbeträgen.

Achten Sie dabei auf eine ansprechende Darstellung mithilfe der Pakete kableExtra oder gt. Sortieren Sie die Tabelle absteigend nach der Summe laut Originaldaten. Beschreiben und interpretieren Sie ihre Tabelle. Gehen Sie bei der Interpretation insbesondere auf folgende Fragen ein:

  • In welchen Bundesländern ist die absolute Summe der “unerklärten” Differenzen am größten?
  • Sofern es zu Differenzen kommt, erklären Sie, warum es überhaupt dazu kommt, obwohl die Daten aus einer offiziellen Quelle stammen.
  • Wodurch können die Unterschiede begründet sein?

Hinweis Für die Recherche und Beantwortung der Unterschiede können Sie folgenden Seiten als Augangslage nutzen: European Council und European Commission

Konistenz Check bzgl der Fördersummen auf Bundeslandebene
Bundesland Orginalwert (in Mio €) Berechneter Wert (in Mio €) Absolute Differenz (in Mio €)
Bayern 1421.23 1286.81 134.42
Niedersachsen 966.03 939.27 26.76
Baden-Württemberg 683.39 613.81 69.57
Nordrhein-Westfalen 633.84 594.13 39.71
Sachsen-Anhalt 598.78 552.65 46.14
Mecklenburg-Vorpommern 598.51 569.97 28.54
Brandenburg 598.36 564.37 33.99
Sachsen 475.95 446.33 29.62
Thüringen 425.68 392.95 32.74
Schleswig-Holstein 399.57 370.23 29.34
Hessen 335.00 320.41 14.59
Rheinland-Pfalz 323.47 293.27 30.21
Saarland 34.71 31.22 3.50
Hamburg 7.40 7.23 0.17
Berlin 6.35 5.47 0.87
Bremen 4.87 4.40 0.47
  • Aus der Tabelle kann man leicht sehen, dass der größte absolute Unterschied in Bayern ist und dann folgen Baden-Württemberg, Sachsen-Anhalt und Nordrhein-Westfalen.
  • Obwohl die Daten aus einer offiziellen Quelle kommen, entstehen Unterschiede, weil der offizielle Betrag aus den Verwaltungssystemen enthält. Unser berechneter Betrag basiert nur auf den veröffentlichten Einzelwerten, die nicht alle Informationen zeigen. Außerdem ist die veröffentlichte Datei für Transparenz gemacht und nicht dafür, die Daten ganz genau nachzubilden. Das bedeutet, dass einige Maßnahmen zusammengefasst wurden oder kleine Zahlungen nicht enthalten sind.
  • Mögliche Gründe für die Abweichungen sind zum Beispiel Daten, die an einer Stelle enthalten sind, aber an anderer fehlen, nicht erfasste kleine Zahlungen oder Unterschiede, die durch Rundungen entstehen.

Deskriptive Analysen - Landwirtschaft im Spannungsfeld von Förderung und finanziellen Herausforderungen

  1. Zu Beginn sollen Sie sich einen ersten konkreten Überblick über die Empfängerstruktur verschaffen. Es ist wichtig zu verstehen, welche Art von Akteuren sich hinter diesen Zahlen verbergen. Ihre Aufgabe ist es, eine Tabelle mit ihrem Datensatz subventionen_gesamt zu erstellen, die die 6 Begünstigten mit den höchsten und die 6 Begünstigten mit den niedrigsten Gesamtfördersummen (Förderbetrag_gesamt) im Haushaltsjahr 2024 zeigt.

Die Tabelle soll folgende Informationen enthalten:

Beschreiben und interpretieren Sie anschließend die Tabelle. Gehen Sie dabei auf folgende Fragen ein:

Die 6 Begünstigten mit den höchsten und niedrigsten Fördersummen
Name Gesamtfördersummen (in €) Postleitzahl Gemeinde Bundesland
Landesbetr. f.Hochwasserschutz u. Wasserwirtsch. (LHW) 37149868.42 39104 Magdeburg, Landeshauptstadt Sachsen-Anhalt
Landesbetrieb für Küstenschutz Nationalpark u Meeresschutz 17070234.73 25813 Husum, Stadt Schleswig-Holstein
Land Mecklenburg-Vorpommern Ministerium für 13243166.07 19061 Schwerin, Landeshauptstadt Mecklenburg-Vorpommern
Landesamt für Umwelt (LfU) 7892895.63 14476 Potsdam, Stadt Brandenburg
Landgard Obst + Gemüse GmbH + Co. KG 3825087.21 47638 Straelen, Stadt Nordrhein-Westfalen
Landesforst Mecklenburg-Vorpommern 3795238.63 17139 Malchin, Stadt Mecklenburg-Vorpommern
Kleinempfänger 55.51 04886 Arzberg Sachsen
Kleinempfänger 48.80 96482 Ahorn Bayern
Kleinempfänger 36.45 97753 Karlstadt, St Bayern
Kleinempfänger 36.43 29468 Bergen an der Dumme, Flecken Niedersachsen
Kleinempfänger 26.45 02894 Vierkirchen Sachsen
Kleinempfänger 25.48 97348 Markt Einersheim, M Bayern
  1. Sie sollten sich im ersten Schritt einen Überblick über ihre Daten und deren Verteilung verschaffen. Auf Basis des Datensatzes subventionen_gesamt sollten Sie eine deskriptive Tabelle mit der Anzahl an Beobachtungen (ohne fehlende Werte), den Mittelwerten, den Standardabweichungen, dem Median sowie den Minima und Maxima für folgende Variablen erstellen:

Achten Sie auch hier auf eine ansprechende Darstellung der Tabelle. Beschreiben und interpretieren Sie ihre Tabelle. Gehen Sie insbesondere auf die Verteilungen der einzelnen Variablen ein. Was fällt hier besonders auf?

Deskriptive Tabelle zu den Kenngrößen der unterscheidlichen Förderbeträge
Förderart Beobachtungen Minimum Maximum Mittelwert Standardabweichung Median
EGFL Förderbetrag 288334 0 6345377 18075.44 51772.29 7256.10
ELER Förderbetrag 288334 -840 28223329 5818.06 87094.53 560.53
Summe EGFL, ELER & Nationale Kofinanzierung 288334 0 28223329 24251.48 104736.93 9515.18
Förderbetrag gesamt 288334 0 37149868 26057.11 132233.18 10011.80
Nationale Kofinanzierung 288334 0 644951 357.98 2362.96 0.00

Die erhaltene Tabelle gibt einen Überblick über die Verteilung der verschiedenen Arten von Subventionen. Für alle fünf Variablen gibt es 288.334 Beobachtungen, was bedeutet, dass es praktisch keine fehlenden Werte gibt. Auffällig ist sofort die starke Ungleichverteilung und, dass der Durchschnitt höher ist als der Median. Das bedeutet, dass eine kleine Gruppe von Empfängern sehr hohe Subventionen erhält, während der Großteil nur relativ kleine Beträge bekommt. Besonders deutlich wird, dass die Mehrheit entweder keinen oder nur sehr niedrige Beträge erhält. Das zeigt, dass die Gelder auf bestimmte Projekte konzentriert sind, die nur wenige Empfänger, aber dafür mit hohen Summen unterstützen. Außerdem sehen wir, dass es beim ELER negative Werte gibt. Diese zeigen Rückzahlungen oder Korrekturen von bereits erhaltenen Beträgen. Ein weiterer Punkt ist, dass „Summe EGFL, ELER & Nationale Kofinanzierung“ und „Förderbetrag_gesamt“ sehr nah beieinander liegen. Das bestätigt, dass der aus den Daten berechnete Wert dem offiziellen Betrag stark entspricht. Der offizielle Wert ist jedoch etwas höher, weil er zusätzliche Komponenten oder spätere Korrekturen enthält.

Die bisherigen Analysen haben Ihnen einen Überblick über die Gesamtstruktur der Agrarförderung in den Jahren 2023 und 2024 verschafft. Um die regionalen Unterschiede und die Finanzierungslogik besser zu verstehen, ist es nun sinnvoll, sich zunächst intensiv mit einem einzelnen Jahr auseinanderzusetzen. Konzentrieren Sie sich daher in der folgenden Aufgabe auf das Haushaltsjahr 2023 und analysieren Sie die detaillierte Zusammensetzung der Fördergelder auf Bundeslandebene. Diese Bestandsaufnahme ermöglicht es Ihnen später, in Aufgabe 9 systematisch Veränderungen zwischen 2023 und 2024 herauszuarbeiten.

  1. Schauen Sie sich in einem nächsten Schritt die Zusammensetzung der Fördergelder im Datensatz subventionen_gesamt auf Bundesland-Ebene für 2023 an. Visualisieren Sie, wie sich EGFL, ELER, Nationale Kofinanzierung und Sonstige Nationale Mittel (Differenz aus Förderbetrag_gesamt und Förderbetrag_berechnet) pro Bundesland anteilig zusammensetzen. Beschränken Sie für diese Analyse ihre Daten auf das Haushaltsjahr 2023. Gruppieren Sie die Daten nach Bundesland und berechnen Sie die Summen für EGFL_Förderbetrag, ELER_Förderbetrag, Nationale_Kofinanzierung und Sonstige nationale Mittel. Erstellen Sie nun ein gestapeltes (stacked) Balkendiagramm, das für die Bundesländer die prozentuale Zusammensetzung der Fördergelder (in Bezug auf die gesamte Fördersumme) darstellt. Die Balken sollen die Anteile von EGFL, ELER, Nationale Kofinanzierung und der von Ihnen berechneten Differenz visualisieren.

Beschreiben und interpretieren Sie anschließend ihre Grafik. Gehen Sie insbesondere auf folgende Fragen ein:

- Die Unterschiede zwischen den Bundesländern zeigen deutlich, dass ihre Agrarfinanzierung nicht einheitlich ist. Bundesländer mit einem sehr hohen EGFL-Anteil sind stärker von Direktzahlungen abhängig. Das bedeutet, dass die Einkommenssicherung für landwirtschaftliche Betriebe dort eine zentrale Rolle spielt, während projektbezogene Maßnahmen eine geringere Bedeutung haben. Im Gegensatz dazu haben Berlin, Bremen und Sachsen einen sehr kleinen EGFL-Anteil, während der ELER dort dominiert. Das zeigt, dass diese Bundesländer stärker auf strukturelle Maßnahmen wie Umweltprojekte, regionale Entwicklung und spezifische Förderprogramme setzen.Die hohen „sonstigen nationalen Mittel“ in einigen Bundesländern zeigen außerdem, dass diese Regionen bewusst nationale und regionale Gelder einsetzen, um fehlende Direktzahlungen auszugleichen oder eigene politische Schwerpunkte zu setzen. Dies weist auf eine aktivere regionale Agrarpolitik hin. - Die Verteilungen lassen sich durch die unterschiedliche landwirtschaftliche Struktur der Bundesländer erklären. Dort, wo es viel landwirtschaftliche Nutzfläche gibt, dominiert der EGFL. In städtischen oder landwirtschaftlich schwächeren Regionen spielen ELER-Mittel und nationale Programme eine größere Rolle. Auch politische Prioritäten und die Bereitschaft, eigene Programme zu finanzieren, führen zu unterschiedlichen Anteilen nationaler Mittel. - Die unterschiedlichen Förderanteile zeigen, dass die Bundesländer verschiedene wirtschaftliche Schwerpunkte setzen. In den östlichen Bundesländern deutet ein hoher EGFL-Anteil auf den Fokus der Einkommenssicherung hin, was zur Agrarstruktur dort passt. In westlichen und südlichen Bundesländern weist ein größerer Anteil von ELER und nationalen Mitteln auf projektbezogene Förderung, ländliche Entwicklung und Umweltprogramme hin, was die Logik der zweiten Säule aus Aufgabe 2 widerspiegelt.

Nachdem Sie die Struktur der Förderungen innerhalb der Bundesländer und innerhalb eines Jahres analysiert haben, gehen Sie nun einen Schritt weiter und betrachten die Dynamik über die Zeit. Für politische Entscheidungsträger und Wirtschaftsanalysten ist es von großem Interesse zu sehen, ob sich das Gesamtvolumen der Agrarsubventionen verändert - und wenn ja, in welchen Regionen diese Änderungen am stärksten ausfallen. Mögliche Rückgänge oder Zuwächse können wichtige Indikatoren für politische Neuausrichtungen oder veränderte Rahmenbedingungen sein.

  1. In der nächsten Aufgabe sollen Sie daher, die Entwicklung der Gesamtfördersummen zwischen 2023 und 2024 auf Bundeslandebene quantifizieren und visualisieren. Aggregieren Sie hierzu Ihren Datensatz subventionen_gesamt nach Bundesland und Haushaltsjahr, um die jährliche Gesamtfördersumme für jedes Bundesland zu berechnen. Berechnen Sie anschließend die absolute Veränderung der Fördersumme von 2023 auf 2024 in Millionen Euro, sowie die relative (prozentuale) Veränderung der Fördersumme im gleichen Zeitraum pro Bundesland.

Erstellen Sie eine übersichtliche Tabelle, die die Fördersummen für 2023 und 2024, sowie die absolute und relative Veränderung für alle Bundesländer darstellt. Achten Sie auf eine ansprechende und gut lesbare Formatierung mit kableExtra oder gt, inklusive sinnvoll gerundeter Zahlen.

Beschreiben und interpretieren Sie ihre Tabelle. Gehen Sie auch auf folgende Fragen ein:

Hinweis 1: Nutzen Sie zur Berechnung der Gesamtfördersumme die Fördermittel aus ELER, EGFL, Nationaler Kofinanzierung und sonstigen nationalen Mitteln.

Hinweis 2: Ordnen Sie ihre Tabelle sinnvoll an (z.B. nach den Fördersummen in 2023 oder nach den Änderungen der absoluten Fördersummen).

Veränderung der Agrarsubventionen
Vergleich des gesamten Fördervolumens zwischen 2023 und 2024 (in Mio. Euro)
Bundesland Gesamtsumme 2023 (Mio. €) Gesamtsumme 2024 (Mio. €) Abs. Veränderung (Mio. €) Rel. Veränderung (%)
Saarland 17.38 17.33 −0.05 −0.3%
Bremen 2.61 2.26 −0.35 −13.4%
Hamburg 3.96 3.44 −0.52 −13.1%
Berlin 3.76 2.59 −1.18 −31.3%
Hessen 181.51 153.49 −28.02 −15.4%
Thüringen 227.59 198.09 −29.50 −13.0%
Rheinland-Pfalz 186.46 137.01 −49.45 −26.5%
Baden-Württemberg 368.65 314.74 −53.91 −14.6%
Schleswig-Holstein 227.04 172.53 −54.51 −24.0%
Nordrhein-Westfalen 356.61 277.23 −79.38 −22.3%
Sachsen 280.39 195.56 −84.83 −30.3%
Brandenburg 343.29 255.08 −88.21 −25.7%
Mecklenburg-Vorpommern 344.70 253.81 −90.89 −26.4%
Sachsen-Anhalt 351.54 247.24 −104.30 −29.7%
Niedersachsen 577.14 388.89 −188.25 −32.6%
Bayern 814.11 607.12 −206.99 −25.4%

Nachdem Sie die Verteilung und Entwicklung der Agrarförderungen analysiert haben, sollen Sie diese nun in den breiteren ökonomischen Kontext einbetten. Staatliche Subventionen sichern Einkommen und stabilisieren Betriebe, stehen jedoch einer Reihe von ökonomischen Risiken und Kostenfaktoren gegenüber - etwa volatile Marktpreise, steigende Produktionskosten oder strukturelle Anpassungslasten. Diese Aufgabe soll die Brücke schlagen zwischen der reinen Subventionsanalyse und der nachfolgenden, vertieften Untersuchung von wirtschaftlichen Belastungen und Risikofaktoren im Sektor.

  1. Lesen Sie den Artikel Landwirte haben Riesenschäden durch extreme Wettereignisse aus dem Wochenblatt für Landwirtschaft & Landleben. Stellen Sie in einer ersten Beschreibung die im Artikel genannten jährlichen Durchschnittsschadenssummen durch Extremwetterereignisse den berechneten Subventionen ihrer Analyse gegenüber. Beantworten Sie auf Basis Ihrer bisherigen Analyse und den Erkenntnissen aus dem Artikel die folgenden Fragen:

Deskriptive Analysen - Waldbrände als ökonomisches Risiko

Wie die bisherigen Analysen gezeigt haben, fließen erhebliche Fördermittel in die Land- und Forstwirtschaft. Um die wirtschaftliche Gesamtbilanz einordnen zu können, ist es wichtig, diesen Subventionen auch tatsächlich entstehende Kosten gegenüberzustellen.

Sie konzentrieren sich nun dabei auf Waldbrände als spezifisches Teilsegment der Forstwirtschaft. Waldbrände machen zwar nur einen kleinen Teil der gesamten Schäden im Sektor aus, bieten jedoch einen entscheidenden Vorteil: Die ökonomischen Folgen sind hier besonders gut quantifizierbar. Im Gegensatz zu Ertragsausfällen der Ernte (durch Sturm oder Ernteeinbußen durch Trockenheit) lassen sich Holzverluste, Löschkosten und Wiederaufforstungsmaßnahmen präzise beziffern. Zudem ermöglichen die verfügbaren Daten eine detaillierte Analyse nach Ursachen, Flächen und regionalen Mustern.

Diese Datentransparenz macht Waldbrände zu einem passenden Fallbeispiel, um exemplarisch zu zeigen, wie sich sektorale Belastungen entwickeln, auch im Kontext von Trockenheit und Hitzeperioden, und wie sie sich zu staatlichen Förderungen verhalten. Die nachfolgende Analyse liefert somit einen ersten konkreten Eindruck von der Größenordnung spezifischer Risiken in der Forstwirtschaft.

  1. Schauen Sie sich in einem ersten Schritt an, wie viele Waldbrände (Gesamt) es in Deutschland in den Jahren von 2018 bis 2024 gab. Ihre Aufgabe ist es, eine deskriptive Tabelle zu erstellen, die die wichtigsten jährlichen Kennzahlen zum Waldbrandgeschehen in Deutschland zusammenfasst.

Filtern Sie Ihren Datensatz waldbraende für die Region “Deutschland”. Achten Sie darauf, dass die Werte genutzt werden, welche bereits auf Jahresebene aggregiert sind. Stellen Sie in der Tabelle die jährliche Gesamtsumme der verbrannten Fläche (ha), die Anzahl der Brandfälle, die wirtschaftlichen Verluste und die entstandenen Schäden dar.

Markieren Sie in Ihrer Tabelle die Jahre, in denen die Schadenssumme 1,5 Million Euro überstiegen hat, farblich, um Extremjahre kenntlich zu machen.

Beschreiben und interpretieren Sie ihre Tabelle. Betrachten Sie dabei insbesondere folgende Fragen:

Hinweis: Um die Größenordnung der verbrannten Waldfläche einordnen zu können, können Sie sich auf folgenden Artikel beziehen.

Wichtige Kennzahlen zu Waldbränden in Deutschland (2018 bis 2024)
Jahr Gesamtanzahl Gesamtfläche in ha Wirtschaftliche Verluste (in Tsd. €) Gesamtschaden (in Tsd. €)
2018 1708 2349 2144.43 2670
2019 1523 2711 1662.95 2220
2020 1360 368 1595.80 2190
2021 548 148 659.24 670
2022 2397 3058 4851.38 5140
2023 1059 1240 957.33 1190
2024 563 334 680.25 680

Die Tabelle zeigt, dass im Jahr 2022 die größte Fläche (ca. 2400 Hektar) von Waldbränden betroffen war und dabei auch der höchste gemessene finanzielle sowie Gesamtschaden entstanden ist. Es fällt auf, dass die Zahl der Waldbrände in diesem Jahr signifikant höher war als in den anderen erfassten Jahren. Auffällig ist es auch, dass es im Zeitraum 2018 bis 2020 kontinuierlich viele Waldbrände gab, bei denen der entstandene Schaden über 1,5 Millionen Euro lag. In den Jahren 2021 bis 2024 erreichte der Schaden nur in 2022 eine solche Summe. Dieses Jahr ausgeschlossen, war auch die Gesamtanzahl an Waldbränden in diesem Zeitraum deutlich niedriger. Betrachtet man die entstandenen Schäden, mit erhaltenen Subventionen können wir erkennen, dass finanzielle Schäden, die durch Waldbrände entstehen, nur einen kleinen Einfluss zu haben scheinen. Während der Gesamtaschaden in den betrachteten Jahren nie größer als 5.1 Millionen Euro war, können wir aus der Tabelle in Aufgabe 9 entnehmen, dass die Subventionen pro Bundesland im Jahr 2023 vereinzelt sogar über 300 Mio. Euro betrugen. Allerdings muss man sich trotzdem die Frage stellen, wie effizient die Verteilung in den einzelnen Bundesländern in den Betrieben ist und ob jedes betroffene forstwirtschaftliche Unternehmen auch die benötigten Subventionen erhält. Auch lässt sich kein klarer Trend in Waldbränden erkennen. Zwar sehen wir, dass in drei auffeinanderefolgenden Jahren sehr schwerwiegende Waldbrände gab und, dass es in den darauffolgenden vier Jahren nur in einem Jahr zu hohen Brandzahlen kam. Allerdings bräuchte man einen größeren Beobachtungszeitraum, um eine klare Aussage über einen womöglichen Trend tätigen zu können.

Nachdem Sie das Gesamtausmaß der Waldbrände betrachtet haben, ist es aus ökonomischer und politischer Sicht entscheidend zu wissen, welche Eigentumsformen des Waldes am stärksten betroffen sind. Dies hat direkte Auswirkungen auf die Frage, wer die wirtschaftlichen Lasten der Schäden und der Wiederaufforstung trägt; der Bund, die Länder, Kommunen oder private Eigentümer.

  1. In dieser Aufgabe sollen Sie sich die zeitliche Entwicklung der Anteile der Brandflächen und der Brandanzahl der verschiedenen Waldeigentumsformen (Bundeswald, Landeswald, Körperschaftswald, Privatwald) für Gesamtdeutschland genauer anschauen. Erstellen Sie ein oder mehrere (gestapelte) Balkendiagramme, die die prozentuale Verteilung

über die verschiedenen Jahre hinweg nach Eigentumsform darstellen.

Beschreiben und interpretieren Sie die Diagramme. Gehen Sie hierbei insbesondere auf folgende Fragen ein:

Hinweis: Achten Sie darauf, dass bei nebeneinander angeordneten Grafiken die y-Achse identisch skaliert sein sollte.

Jeder Balken repräsentiert den Anteil unterschiedlicher Besitzformen von Wäldern an gesamter Brandanzahl sowie gesamter Brandfläche in Deutschland pro Jahr. Aus dem Diagramm lässt sich entnehmen, dass die Privatwälder im gemessenen Zeitraum mit jeweils ca. 50% den größten Anteil an den Waldbränden in Deutschland haben. Ein ähnliches Bild zeigt sich auch beim Anteil an der betroffenen Gesamtfläche, auch wenn dort der Anteil tendenziell noch etwas höher ist. Der Körperschaftswald hat im Schnitt ungefähr 10 bis 15% Anteil an allen Waldbränden pro Jahr. Allerdings ist bei dieser Waldart der Anteil an verbrannter Fläche deutlich geringer. Daraus lässt sich schließen, dass es bei dieser Waldform viele Brände gegeben hat, die nur eine kleine Fläche betroffen haben. Der Landeswald hat einen etwas größeren Anteil an der Gesamtanzahl als der Körperwschaftswald und hat, ausgenommen 2019 und 2024, auch einen Anteil an der betroffenen Gesamtfläche der sich mit dem Anteil an der Anzahl deckt. Der Bundeswald hat den geringsten Anteil an der Anzahl der Waldbrände, machte aber sowohl 2019 als auch 2021 um die 40% der gesamten verbrannten Fläche aus. In diesen Jahren scheint es also wenige aber dafür besonders flächenmäßig große Brände gegeben zu haben. Subventionen sollten deswegen vor allem in die Privatwälder investiert werden, da sie den größten Anteil bei der Anzahl und der Fläche ausmachen. Auch sollte man für den Bundeswald ein Risikokonzept entwickeln, welches gezielt in Krisenjahren wie 2019 und 2021 zusätzliche Unterstützung liefert.

Nachdem Sie im vorherigen Schritt analysiert haben, welche Eigentumsformen besonders stark von Waldbränden betroffen sind, stellt sich nun die nächste zentrale Frage: Wie entstehen diese Brände überhaupt?

Um gezielte und wirksame Präventions- und Schutzmaßnahmen zu entwickeln, ist es wichtig, die Hintergründe und Auslöser von Waldbränden genauer zu verstehen und ihre Veränderung im Zeitverlauf nachzuvollziehen. Eine differenzierte Betrachtung der Ursachen ermöglicht es, Verantwortlichkeiten und Handlungsspielräume besser einzuordnen und künftige Risiken gezielter zu minimieren.

  1. Sie sollen die Entwicklung der Waldbrände nach ihren Hauptursachen für Gesamtdeutschland analysieren. Ihr Ziel ist es, herauszuarbeiten, welche Ursachen über die Jahre hinweg die meisten Brände und die größten Flächenverluste verursacht haben. Nutzen Sie wiederum ihren Datensatz waldbraende und gehen Sie insbesondere auf folgende Ursachen in ihrer Analyse ein:

Erstellen Sie zwei Liniendiagramme, die untereinander angeordnet sind. Das erste Diagramm zeigt die zeitliche Entwicklung der Anzahl der Waldbrände nach Ursache. Das zweite Diagramm soll die zeitliche Entwicklung der verbrannten Waldfläche (in ha) nach Ursache darlegen.

Beschreiben und interpretieren Sie die Diagramme. Gehen Sie hierbei insbesondere auf folgende Fragen ein:

Die zwei Diagramme stellen die Anzahl und die Fläche bezüglich der verschiedenen Ursachen gegenüber. So ist zum Beispiel das Jahr 2022 eindeutig als ein Extremjahr identifizierbar, da alle Ursachen einen Anstieg in Anzahl und Fläche verbuchen konnten. Ein einzelner Punkt repräsentiert dabei Deutschland in einem Jahr. Aus der oberen und unteren Grafik kann man entnehmen, dass unbekannte Ursachen sowohl die höchste Brandanzahl als auch die größte verbrannte Fläche in allen beobachteten Jahren zu verschulden haben. Daraus lässt sich schließen, dass einem Großteil der Brände keine konkrete Ursache zugeordnet werden kann. Bei den unbekannten Ursachen sieht man aber zudem auch, dass die Anzahl, mit Ausnahme von 2022, sich stets zum Vorjahr verringert hat. Grund dafür könnten sorgfältigere Dokumentationen sein, wodurch man mehr Brände einer konkreten Ursache zuordnen kann. Das ermöglicht es, genauer auf die anderen Ursachen einzugehen, da diese besser zugeordnet werden können und erlaubt es der Politik für einzelne Ursachen bessere Maßnahmen ergreifen zu können. Eine bemerkenswerte Beobachtung sind noch die Brände, die durch Vorsätze verursacht wurden. Diese haben 2022 ihre größte Ausprägung jeweils in Anzahl und Fläche. Zwar war 2022 ein extremes Jahr bezüglich Waldbränden, allerdings würde man vermuten, dass vorsätzlich verursachte Brände nicht von Extremjahren und damit extremen und trocken Sommern abhängt. Ein möglicher Grund dafür, könnte ein Subventionsbetrug sein. In einem Jahr wie 2022 mit vielen Bränden fällt ein vorsätzlich verursachter Brand im Zweifelsfall weniger auf als in anderen. Womöglich haben einige Waldbesitzer das genutzt, um sich somit zusätzliche Subventionen zu erschleichen.

Aus wirtschaftlicher Sicht ist eine wichtige Frage, wie hoch zum einen die Schäden sind und zum anderen wie sie sich effizient verhindern lassen. Eine konkrete Stellschraube hierfür sind die laufenden Ausgaben für die Forstverwaltung und Kontrolle, die unter anderem Kosten für Präventionsmaßnahmen wie Waldpflege, Brandschutzstreifen und Überwachungssysteme umfassen.

  1. In dieser Aufgabe untersuchen Sie daher den ökonomischen Zusammenhang: Stehen höhere Ausgaben für Prävention und Kontrolle in einem messbaren Verhältnis zu geringeren Schäden? Sie werden analysieren, ob Bundesländer, die mehr in ihre Forstverwaltung investieren, tendenziell niedrigere Brandkosten und -verluste aufweisen.

Erstellen Sie 2 Punktediagramme in denen Sie für jedes Bundesland und für jedes Jahr in ihrem Datensatz die

auf der x-Achse abtragen und auf der y-Achse jeweils die logarithmierten wirtschaftlichen Verluste darlegen. Verwenden Sie hier nun alle Bundesländer (ohne die Gesamtwerte für Deutschland) im Datensatz, um ein Gesamtbild zu erhalten und ordnen Sie die 2 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:

In diesem Plot repräsentiert jeder Punkt ein Bundesland in einem Jahr. Die obere Grafik stellt für jede Beobachtung Fortstverwaltungskosten den wirtschaftlichen Verlusten gegenüber. Hier sieht man das ein Großteil der Bundesländer Verwaltungskosten von weniger als 200 Tsd. Euro hat. In diesem Bereich sieht man eine große Streuung in der y-Koordinate, also große Unterschiede in den wirtschaftlichen Verlusten der einzelnen Beobachtungen. Einige wenige Beobachtungen haben Verwaltungskosten die größer als 200 Tsd. Euro sind. Die y-Koordinate dieser Punkte liegt aber nicht erkennbar niedriger als bei den Beobachtungen, die geringere Kosten haben. Eine mögliche Erklärung dafür wäre ein Bundesland, welches ein sehr hohes Waldbrandrisiko besitzt und deswegen deutlich höhere Verwaltungskosten aufbringen muss, um zumindest die gleichen wirtschaftlichen Verluste wie die anderen Bundesländer zu haben. In der zweiten Grafik zeigt sich ein ähnliches Bild. Auch hier haben viele (hier sogar alle) Beobachtungen Kontrollkosten von weniger als 500 Tsd. Euro. Da auch hier die y-Streuung wieder sehr groß, allerdings ist die Streuung in x-Richtung so gering, dass sich hier keine konsistente Aussage über das Verhältnis zwischen Kosten und Schaden tätigen lässt. Allgemein wird die Hypothese, dass mehr Kosten zu geringeren Schäden führen, von den beiden Grafiken auf den ersten Blick nicht bestätigt. Die y-Achse ist in beiden Grafiken logarithmisch skaliert. Das ist hier sinnvoll, da wir eine große Streuung im Bereich von 10 Tsd. bis 1 Mio. Euro an wirtschaftlichen Verlusten haben. Eine lineare Skalierung hätte dazu geführt, dass hohe Werte nicht mehr effektiv und übersichtlich dargestellt werden können. Somit fördert die logarithmische Skalierung die Lesbarkeit der Grafiken.

Saisonale Unterschiede in Deutschland

Wie Sie zuvor gesehen haben, ist der überwiegende Teil der Waldbrände in Deutschland auf menschliches Handeln zurückzuführen. Gleichzeitig zeigen die bisherigen Analysen, dass ein höheres Ausgabenvolumen für Prävention und Kontrolle nicht automatisch mit geringeren Schäden korreliert. Um die Ursachen für die Schwankungen der Schäden besser zu verstehen und Präventionsmaßnahmen gezielt einzusetzen, lohnt es sich, die Betrachtung von der jährlichen auf die monatliche Ebene zu verfeinern. So können saisonale Muster und Zeiträume mit besonders hohem Brandrisiko identifiziert werden. Aus der Grafik lässt sich entnehmen, dass die Anzahl und Fläche an Bränden keinem klaren Muster verfolgt sondern sich von Jahr zu Jahr deutlich unterscheiden kann. Waldbrände entstehen oft durch sehr warme und trockene Sommer. Wenn diese Sommer nicht immer in der gleichen Region stattfinden, sondern sich unregelmäßig pro Jahr auf Deutschland aufteile, führt dies zu der oben betrachteten Unregelmäßigkeit. Das liegt daran, dass sich beispielsweise Waldarten in Deutschland unterscheiden und eine Waldart womöglich Brandgefärdeter ist als eine andere. Auch die Walddichte in unterschiedlichen Regionen kann einen Einfluss darauf haben. Ein Feuer in einem dichten Wald zu löschen kann sich als deutlich schwieriger erweisen, als einen in einem weniger dichten Waldgebiet zu löschen

  1. Erstellen Sie ein kombiniertes Diagramm, in dem die monatliche Entwicklung der Waldbrände in Deutschland von 2018 bis zum aktuellen Jahr dargestellt wird:
  • Hierbei soll als Balkendiagramm die verbrannte Fläche (in Hektar) pro Monat abgetragen werden und als Liniendiagramm wird die Gesamtanzahl der Brände pro Monat gezeigt.
  • Verwenden Sie die monatlich aggregierten Daten aus Ihrem Datensatz waldbraende für Gesamtdeutschland.
  • Achten Sie auf eine übersichtliche Darstellung, mit klarer Achsenbeschriftung und Datum auf der x-Achse.

Beschreiben und interpretieren Sie anschließend ihre Grafik und beantworten Sie hierbei folgende Fragen:

  • In welchen Monaten treten typischerweise die meisten Brände auf und wann ist die verbrannte Fläche am größten?
  • Vergleichen Sie die Spitzen der Brandanzahl mit den Spitzen der verbrannten Fläche. Fallen diese immer zusammen?
  • Welche möglichen Ursachen könnte es geben, wenn es Monate mit vielen kleinen, aber wenigen großen Bränden gibt?
  • Welche Gründe könnten erklären, dass die Brände in den Sommermonaten über die Jahre stark schwanken?

Die Grafik zeigt die Anzahl der Brände sowie die gesamte betroffene Fläche in Deutschland von 2018 bis 2024. Dabei ist jeder Balken eine Beobachtung der Brandfläche in einem Monat. Die grüne Linie repräsentiert die monatlichen Brände. Zunächst lässt sich ein klares Muster erkennen: Im Hochsommer (Monate 6 bis 9) sind die monatlichen Anzahlen der Brände und die betroffene Fläche am höchsten. Man kann auch das Verhältnis von Brandanzahl zu Brandfläche ablesen. Im Sommer 2019 gab es zum Beispiel einen Monat, in dem die Brandfläche deutlich größer war als die Brandzahl. In diesem Monat gab es deswegen vermutlich wenig Brände, die dafür aber jeweils eine sehr große Fläche betroffen haben. Grund dafür könnten beispielsweise viele kleine Wälder sein, die sich in unterschiedlichem Besitz befinden, aber so nah beieinanderliegen, dass sich ein Brand über mehrere Wälder ausbreiten konnte. Im Jahr 2020 wiederum war die Brandfläche in den Sommermonaten höher als die Anzahl. Grund könnten hier wenige Brände sein, die dafür ein größeres Gebiet betroffen haben. Aus der Grafik lässt sich auch leicht entnehmen, dass es zwar jeden Sommer einen deutlichen Anstieg der Zahlen gibt, dieser aber nicht jedes Jahr gleich zu sein scheint. Häufig sind extrem heiße und trockene Sommer verantwortlich für Waldbrände. Diese treten nicht immer in der gleichen Region auf, sondern können sich von Jahr zu Jahr an anderen Orten befinden, falls es sie überhaupt in einem jeweiligen Jahr gibt. Deutsche Regionen unterscheiden sich stark in ihrer Waldstruktur. Ist zum Beispiel in einer Region eine leicht entzündliche Baumart häufiger anzutreffen als in einer anderen, dann wäre dies eine Erklärung dafür, dass sich die Brandzahlen deutlich unterscheiden. Auch die Walddichte kann einen Einfluss auf große Abweichungen haben. In einem weniger dicht bewaldeten Wald ist es deutlich einfacher, einen Brand zu löschen, als in einem sehr dicht bewaldeten. Dies kann somit ebenfalls dazu führen, dass sich die Zahlen von Waldbränden in unterschiedlichen Jahren deutlich unterscheiden.

Unterschiede in Ost- und Westdeutschland

Nachdem Sie die Waldbranddynamik auf nationaler Ebene sowohl jährlich als auch saisonal analysiert haben, sollen Sie nun in die regionale Ebene einblicken. Eine deutschlandweite Betrachtung kann lokale Besonderheiten überdecken, die für gezielte politische Maßnahmen entscheidend sind. Um die strukturellen Unterschiede innerhalb Deutschlands besser zu verstehen, führen Sie eine vergleichende Analyse durch und konzentrieren sich auf zwei Bundesländer, die in den letzten Jahren besonders stark von Waldbränden betroffen waren, aber sehr unterschiedliche geografische und ökonomische Rahmenbedingungen aufweisen: Brandenburg im Osten und Bayern im Westen. Brandenburg, mit seinen sandigen Böden und ausgedehnten Kiefernwäldern, gilt als eine der trockensten und brandanfälligsten Regionen Deutschlands. Bayern hingegen ist durch seine Voralpenlage, Mischwälder und eine andere Wirtschaftsstruktur geprägt. Dieser Vergleich ermöglicht es zu untersuchen, ob es systematische Unterschiede im Schadensausmaß und in den wirtschaftlichen Verlusten zwischen Ost- und Westdeutschland gibt.

  1. Erstellen Sie eine deskriptive Tabelle für die Jahre 2022 und 2023, die für Bayern und Brandenburg folgende Kennzahlen darstellt:
  • Gesamtzahl der Brände
  • Gesamtfläche der Brände (ha)
  • Durchschnittliche Fläche pro Brand (ha/Brand)
  • Gesamte wirtschaftliche Verluste (in Tsd. €)
  • Verlust pro Hektar (in €/ha)

Beschreiben und interpretieren Sie ihre Tabelle und gehen insbesondere auf folgende Aspekte vertieft ein:

  • Welches der beiden Bundesländer verzeichnet absolut gesehen mehr Brände und größere Flächenverluste?
  • Welches Bundesland hat die höheren ökonomischen Verluste pro Hektar?
  • Was könnte dieser Unterschied über den Wert und die Art der Wälder (z.B. Nutzwald vs. Schutzwald, Holzpreise) in den beiden Regionen aussagen?
  • Basierend auf diesen Zahlen, würden Sie argumentieren, dass das “Waldbrandproblem” in beiden Bundesländern gleich gravierend ist, oder manifestiert es sich auf unterschiedliche Weise (z.B. häufige, aber weniger wertvolle Flächenbrände vs. seltenere, aber teurere Schäden)?
Deskriptive Tabelle zu Waldbränden in Bayern und Brandenburg
Bundesland Jahr Anzahl Fläche ha pro Brand Verluste (in Tsd. €) Verlust pro ha (in €)
Bayern 2022 145 215 1 297 1382
Brandenburg 2022 523 1426 3 14 10
Bayern 2023 75 42 1 198 4706
Brandenburg 2023 251 767 3 7 9

Die Tabelle zeigt einige Kenngrößen zu Waldbränden in Bayern und Brandenburg in den Jahren 2022 und 2023. Auf den ersten Blick fällt auf, dass Brandenburg eine deutlich höhere Brandanzahl sowie Fläche als Bayern in den beiden beobachteten Jahren verzeichnet. Dies ist konsistent zu der Aussage, dass Kiefernwälder, welche vermehrt in Brandenburg zu finden sind, ein deutlich höheres Brandrisiko besitzen, welche bereits in vorherigen Aufgaben aufgestellt wurde. Blickt man auf die wirtschaftlichen Gesamtschäden ergibt sich ein umgekehrtes Bild. Man sieht, dass der entstandene Schaden in Bayern insgesamt und auch pro Hektar deutlich größer war als der in Brandenburg. Deswegen lässt sich vermuten, dass Hölzer aus Mischwäldern, welche häufig in Bayern vorkommen, einen deutlich höheren wirtschaftlichen Wert haben als die Kiefernhölzer aus Brandenburg. Insgesamt kann man aus dieser Tabelle somit schließen, dass sich Schäden durch Waldbrände in Deutschland nicht pauschalisieren lassen. Die entstandenen Schäden in Bayern haben größtenteils monetäre Auswirkungen, während Brände in Brandenburg eher für einen hohen Verlust der Waldbestände sorgen, dafür aber weniger wirtschaftlichen Schaden erzeugen. Somit lässt sich allgemein nicht sagen, in welcher Region der Schaden gravierender ist, man kann aber definitiv festhalten, dass ein Waldbrand in Bayern keineswegs mit einem in Brandenburg gleichgesetzt werden darf.

Die folgende Analyse schlüsselt die Verluste für die Jahre 2022 und 2023 für Bayern und Brandenburg weiter auf. Hier sollen Sie betrachten, wie groß die Verluste an hochpreisigem Stammholz und an günstigerem Industrieholz sind.

  1. Erstellen Sie für die Jahre 2022 und 2023 ein Balkendiagramm, das die strukturellen Unterschiede der Waldbrandschäden in Bayern und Brandenburg visualisiert. Hierbei soll der absolute Verlust von Stammholz (in Festmetern, m³) und Industrieholz (in Festmetern, m³) für beide Bundesländer und beide Jahre vergleichend dargestellt werden.

Beschreiben und interpretieren Sie das Diagramm und gehen Sie dabei insbesondere auf folgende Aspekte ein:

  • Vergleichen Sie die Entwicklung von 2022 zu 2023 in ihrem Diagramm. Welche Trends oder signifikanten Veränderungen fallen Ihnen auf?
  • Welche ökonomischen Schlussfolgerungen lassen sich aus ihren Ergebnissen über die Art der geschädigten Wälder in den beiden Bundesländern ziehen?

Die Grafik stellt die Industrieholzverluste und die Stammholzverluste aus den Jahren 2022 und 2023 von Bayern und Brandenburg gegenüber. Man sieht, dass sich in beiden Bundesländern sowohl die Verluste bei Industrieholz als auch die Verluste bei Stammholz von 2022 auf 2023 in beiden Bundesländern gesteigert haben. 2022 waren die Industrieholzverluste in Bayern und Brandenburg ungefähr gleich, während Brandenburg im Jahr 2023 einen deutlich höheren Anstieg an Verlusten hat als Bayern. Bei den Stammhölzern zeigt sich ein umgekehrtes Bild. Hier hat Bayern in beiden Jahren höhere Verluste als Brandenburg. Daraus lässt sich schließen, dass die Forstwirtschaft in Bayern tendenziell stärker auf höherwertiges Stammholz ausgerichtet ist, während Brandenburg relativ gesehen stärker durch Verluste bei Industrieholz geprägt ist.

Nachdem Sie in den vorherigen Aufgaben die Entwicklung der Waldbrände in Deutschland über die Jahre hinweg analysiert haben, zunächst auf Jahres- und dann auf Monatsebene, sowie getrennt nach Ost- und Westdeutschland, sollen Sie nun die ökonomische Wirksamkeit möglicher Gegenmaßnahmen bewerten.

  1. Die Politik diskutiert verschiedene Ansätze, um das wachsende Problem der Waldbrände zu adressieren. Analysieren und bewerten Sie die folgenden drei Strategien unter dem Gesichtspunkt von Kosten und Nutzen. Argumentieren Sie, warum diese Maßnahmen sinnvoll oder weniger sinnvoll sein könnten und in welcher Form sie umgesetzt werden könnten:
  1. “Abschreckung und Strafen: Eine signifikante Erhöhung der Bußgelder und Strafen für fahrlässige Brandstiftung (z.B. weggeworfene Zigaretten) und vorsätzliche Brandlegung.”
  2. “Anreize für Waldumbau: Staatliche Subventionen und Förderprogramme für private und kommunale Waldbesitzer, um den Umbau von anfälligen Monokulturen (z.B. Kiefernwälder) in klimaresilientere und weniger brennbare Mischwälder zu beschleunigen.”
  3. “Investition in Technologie: Ein flächendeckender Ausbau der technischen Überwachung durch moderne Systeme wie Drohnen mit Wärmebildkameras, Satellitenüberwachung und ein dichtes Netz an Sensoren zur Früherkennung.”

Hinweis: Beziehen Sie sich auf die vorherigen Aufgaben. Diskutieren Sie auch, welche Maßnahmen zu den beobachteten Schadensmustern, saisonalen Schwankungen und regionalen Unterschieden zwischen Ost- und Westdeutschland passen, und bedenken Sie Kosten-Nutzen-Aspekte.

  • Bestrafen von fahrlässig verursachten Waldbränden ist sinnvoll. Aus der Grafik in Aufgabe 13 kann man entnehmen, dass die zweitmeisten Waldbrände durch Fahrlässigkeit entstehen. Diese Maßnahme hätte zudem positive Auswirkungen auf ganz Deutschland und wäre nicht nur regional bedingt. Sie wäre auch saisonal unabhängig. Außerdem kann dadurch auch eine langfristige Verminderung der Waldbrände erwartet werden. Es stellt sich allerdings die Frage wie sich eine solche Bestrafung konkret umsetzen könnte. Es könnte sich als schwierig erweisen eine konsistente Rechtsprechung aufzustellen, da es nicht klar ist, ob die als fahrlässig eingestuften Waldbrände auch aus rechtlicher Sicht fahrlässig sind.

  • Ein struktureller Umbau von Kiefernwäldern zu Mischwäldern scheint auf den ersten Blick plausibel, da wir im kieferreichen Brandenburg deutlich mehr Waldbrände haben als in Bayern, wo sich mehr Mischwälder befinden (vgl. Tabelle Aufgabe 16). Ein Wechsel in Brandenburg würde also zumindest voraussichtlich eine regionale Verbesserung bringen. Hier muss man sich aber noch Fragen, ob die höheren Brandzahlen allein durch die vielen Kiefernwälder entstehen, oder ob es in Brandenburg auch häufiger trockene Extremsommer gibt. Wäre dies der Fall, lässt sich nämlich keine saisonale Verbesserung garantieren. Ein weiteres Problem ist auch noch, dass ein struktureller Umbau der Wälder ein langfristiges Vorhaben ist, weswegen sich Verbesserungen/Verschlechterungen nicht sofort erkennen lassen, was eine Reaktion auf positive/negative Veränderungen deutlich erschwert. In Aufgabe 17 wurde auch bereits festgehalten, dass Brandenburg einen starken Fokus auf Industriehölzer zu haben scheint. Somit ist ein Wechsel auf Mischwälder zudem bedenklich, da dies die regionale Industrie negativ beeinflussen könnte.

  • Eine technologische Revolution mit Drohnen, Satelliten und Wärmebildkameras ergibt nur wenig Sinn. Zwar lassen sich damit große Gebiete in ganz Deutschland effizient überwachen und Wärmebildkameras helfen saisonale Extremsommer frühzeitig zu erkennen, allerdings wird die Finanzierung solcher Systeme vermutlich nicht umsetzbar sein. In Aufgabe 14 hat sich bereits herausgestellt, dass nur sehr wenige Bundesländer sonstige Kontrollkosten aufbringen können. Deswegen kann auch keine zuverlässige Aussage darüber getroffen werden, ob der hohe finanzielle Aufwand, um solche System zu installieren, von den verhinderten Schäden durch Waldbrände überhaupt gedeckt wird.

➔ Im Allgemeinen lässt sich also sagen, dass die erste Maßnahme durchaus sinnvoll ist und definitiv in Kraft treten sollte. Die zweite Maßnahme sollte man zunächst vereinzelt in Regionen von Brandenburg testen, um bessere Aussagen über ihre Wirksamkeit treffen zu können. Von einer Installation von digitalen Überwachungssystemen sollte man aus reinen kosteneffizienten Gründen allerdings absehen.

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).

In den vorangegangenen Aufgaben haben Sie eine umfassende Analyse der ökonomischen Rahmenbedingungen der Land- und Forstwirtschaft in Deutschland durchgeführt. Sie betrachteten dabei sowohl die direkten Kosten und Förderungen auf nationaler Ebene als auch spezifische Treiber von Waldbrandschäden. Anschließend haben Sie den Fokus auf regionale Unterschiede verengt und gezeigt, dass beispielsweise in Bayern und Brandenburg die Dynamik von Waldbränden deutlich variiert. Ein Hinweis darauf, dass sowohl ökologische als auch ökonomische Faktoren lokal sehr unterschiedlich wirken.

Im nächsten Schritt weiten Sie den Blick nun auf die EU-Ebene. Sie analysieren die Verteilung und Entwicklung der Agrar- und Forstwirtschaftssubventionen über verschiedene Länder hinweg. Ziel ist es, die Gesamtbeträge pro Land und Jahr zu betrachten, Unterschiede zwischen den Mitgliedsstaaten zu identifizieren und ein Verständnis dafür zu entwickeln, wie Förderungen innerhalb Europas verteilt sind und sich über die Jahre verändern.

  1. Lesen Sie den Datensatz Finanzsubventionen_EU.csv ein und speichern Sie diesen als eu_subventionen ab. Filtern Sie nur für die Jahre ab 2010 und behalten Sie ausschließlich Länder (keine aggregierten EU-Werte). Verschaffen Sie sich nun einen ersten Überblick über ihren Datensatz. Beantworten Sie hierzu folgende Fragen:

Berechnen Sie nun mit dem Datensatz eu_subventionen die Gesamtsubventionen pro Land und Jahr. Gruppieren Sie hierzu nach Member_Name (Land) und Time (Jahr). Summieren Sie anschließend die Subventionen (Subsidy) pro Land und Jahr zu Total_Subsidy und achten Sie darauf, fehlende Werte korrekt zu behandeln. Speichern Sie dies wiederum in eu_subventionen ab.

Hinweis: Den Datensatz hierfür haben wir für Sie wieder vorbereitet. Die Ursprungsdaten können hier eingesehen werden.

Frage 1:
Liste der EU-Mitgliedstaaten im Datensatz
Member_Name
Austria
Belgium
Bulgaria
Croatia
Cyprus
Czechia
Denmark
Estonia
Finland
France
Germany
Greece
Hungary
Ireland
Italy
Latvia
Lithuania
Luxembourg
Malta
Netherlands
Poland
Portugal
Romania
Slovakia
Slovenia
Spain
Sweden
Frage 2:
Zeitspanne der verfügbaren Subventionsdaten
Erstes_Jahr Letztes_Jahr
2010 2022
Frage 3:
Verfügbare Indikatoren im Datensatz
Indicator_Type
Output_Pillar I
Output_Pillar II

Output_Pillar I ist die direkte Zahlungen an Bauern. Hier bekommen Landwirte Geld für ihr Einkommen und es gibt Hilfe bei Marktproblemen. Output_Pillar II ist die ländliche Entwicklung. Hier werden Projekte gefördert wie zum Beispiel für Umweltschutz, Modernisierung oder Unterstützung junger Landwirte. Der Unterschied ist, dass Pillar I Geld direkt an Bauern gib und Pillar II finanziert Entwicklungsprojekte auf dem Land. Beide Säulen zusammen bilden die Gemeinsame Agrarpolitik (GAP) der EU. Agrarpolitik (GAP) der EU. 9

Frage 4:
Kombinationen aus Indicator_Type und Indicator_Category
Indicator_Type Indicator_Category
Output_Pillar I Direct payments
Output_Pillar I Market measures
Output_Pillar II Rural Development

Output_Pillar I hat zwei Kategorien, weil es zwei verschiedene Aufgaben erfüllt. Direct Payments zahlt Geld direkt an Bauern für ihr Einkommen, während Market Measures die Agrarmärkte stabilisiert. Output_Pillar II hat nur eine Kategorie namens Rural Development, weil hier alle Projekte für ländliche Entwicklung zusammengefasst sind. Alle diese Maßnahmen haben das gleiche Ziel und das ist die langfristige Entwicklung ländlicher Gebiete.

Frage 5: Die EU-Indikatorentypen entsprechen direkt den deutschen Förderarten. Output_Pillar I ist in Deutschland die EGFL Förderung, Output_Pillar II ist die ELERFörderung. Ein wesentlicher Unterschied besteht in der Finanzierung. Pillar I wird vollständig aus dem EU finanziert. Pillar II dagegen erfordert nationale Kofinanzierung, das bedeutet Deutschland und die Bundesländer zahlen zusätzlich zum EU-Anteil eigenes Geld dazu.

Nachdem Sie in der vorherigen Aufgabe die Gesamtsubventionen pro Land und Jahr berechnet haben, sollen Sie nun den Datensatz vorbereiten, um im weiteren Verlauf die Verteilung der Subventionen über Europa anschaulich darzustellen. Ziel ist es, die Unterschiede zwischen Ländern und die Entwicklung über die Jahre interaktiv zu visualisieren. Hierfür können Sie im weiteren Verlauf Plotly nutzen, um eine dynamische Karte zu erstellen, die sich manuell über die Jahre steuern lässt.

  1. Um die Daten für die Visualisierung aufzubereiten und interaktiv darzustellen, laden Sie die folgenden Libraries:

Mit rnaturalearth erhalten Sie die geometrischen Daten der Länder für die Kartendarstellung. Speichern Sie in europe wiefolgt die geometrischen Daten ab:

Erstellen Sie nun den Datensatz plot_subventionen, indem Sie die geometrischen Daten mit den aggregierten Subventionsdaten verbinden. Selektieren Sie hierfür die Variablen name, iso_a3 und geometry aus dem world-Datensatz, joinen Sie dann den eu_subventionen-Datensatz über name bzw. Member_Name und filtern Sie auf die Daten zu denen Sie Subventionswerte haben.

Bevor Sie zu der interaktiven Visualisierung der Subventionen über Länder und Jahre übergehen, sollen Sie sich einen ersten Überblick über die Subventionen in der Vergangenheit verschaffen. Sie haben sich im bisherigen Projekt bereits ausführlich mit den Subventionszahlungen in Deutschland für 2023 und 2024 beschäftigt. Um zu sehen, in welchem Kontext Deutschland in der Vergangenheit stand, sollen Sie nun die 10 größten Länder nach Subventionszahlungen zwischen 2020 und 2022 darstellen und vergleichen.

  1. Erstellen Sie für die Jahre 2020 bis 2022 eine oder mehrere geeignete Grafik(en), die die Subventionszahlungen der EU in den größten Empfängerländern veranschaulichen. Hierbei soll einerseits die absolute Höhe der Gesamtsubventionen für die Top 10 Länder über die drei Jahre vergleichend dargestellt werden. Weiterhin sollen die Subventionen gestapelt nach Jahr aufgeschlüsselt werden, sodass die Entwicklung der Zahlungen pro Land über die Jahre 2020, 2021 und 2022 sichtbar wird. Filtern Sie hierzu den Datensatz plot_subventionen auf die Jahre 2020 bis 2022. Rechnen Sie die Subventionswerte geeignet um, damit sie lesbar dargestellt werden können.

Beschreiben und interpretieren Sie die Grafik(en) und gehen Sie dabei insbesondere auf folgende Aspekte ein:

Hinweis: Bestimmen Sie die Top 10 Länder nach Gesamtsumme über die drei Jahre.

In den Jahren 2020 bis 2022 verändert sich die Rangfolge der Länder kaum. Frankreich liegt klar an der Spitze, gefolgt von Spanien, Italien und Deutschland. Dahinter kommen Polen und Rumänien, und am unteren Ende der Top-10-Gruppe liegen Griechenland, Ungarn, Österreich und Irland. In der gruppierten Darstellung erkennt man außerdem, dass sich die Höhe der Subventionen innerhalb der meisten Länder über die drei Jahre nur wenig unterscheidet. Das allgemeine Niveau bleibt also weitgehend konstant, und auch die Reihenfolge zwischen den Ländern verschiebt sich praktisch nicht.

Gleichzeitig fällt auf, dass viele Länder zwischen 2020 und 2022 leichte Zuwächse bei den Zahlungen verzeichnen. In Frankreich, Spanien und Italien steigt die Subventionshöhe von Jahr zu Jahr etwas an. Auch Deutschland erhält 2022 mehr als in den beiden Vorjahren. Ein ähnliches Muster findet sich bei Griechenland, Ungarn, Österreich und Irland. Nicht überall zeigt sich dieser Trend. Polen erreicht 2021 den höchsten Wert, während 2020 und 2022 etwas darunter liegen. Rumänien erhält 2022 weniger als in den beiden Jahren zuvor. Solche Schwankungen sind plausibel, da bestimmte Förderprogramme oder Investitionsvorhaben zeitlich unterschiedlich abgerechnet werden. Dadurch können die Werte in einzelnen Jahren nach oben oder unten abweichen, ohne dass dadurch eine grundlegende politische Verschiebung dahintersteht.

Innerhalb der Top 10 ist außerdem gut zu erkennen, dass einige Länder deutlich weniger Fördergelder erhalten. Dazu gehören Griechenland, Ungarn, Österreich und Irland. Diese Länder tauchen zwar in den Top 10 Empfängern auf, liegen aber im Vergleich zu Frankreich, Spanien, Italien oder Deutschland weit zurück. Auch im Vergleich zu Polen und Rumänien fallen sie klar ab. Das lässt sich damit erklären, dass ihre landwirtschaftliche Fläche sowie ihre landwirtschaftliche Produktion insgesamt kleiner sind und der Agrarsektor eine geringere wirtschaftliche Rolle spielt.

Zusammengefasst spiegeln die Grafiken ziemlich gut wider, wie unterschiedlich groß und bedeutend die Landwirtschaft in den europäischen Ländern ist. Staaten mit großen Agrarflächen und hoher Produktion (allen voran Frankreich, aber auch Spanien, Italien, Deutschland und Polen) erhalten die größten Summen. Länder mit geringerer Fläche und weniger Produktion erhalten entsprechend weniger Mittel. Die Verteilung folgt daher überwiegend strukturellen Faktoren wie Nutzfläche, Produktionsvolumen und Förderbedarf in ländlichen Regionen.

Wie Sie eben schon bemerken konnten, wird ein gestapeltes Balkendiagramm bei vielen Ländern und über mehrere Jahre hinweg schnell unübersichtlich. Um dem entgegenzuwirken, sollen Sie eine andere Form der Visualisierung anwenden. Sie werden sich die Verteilung der Subventionen über alle EU-Länder im Datensatz und für die Jahre 2010 bis 2022 anschauen und diese interaktiv visualisieren. Ziel ist es, dass Sie Trends, Unterschiede und Ausreißer bei den Subventionszahlungen zwischen den Ländern erkennen und über die Zeit nachvollziehen können.

  1. Erstellen Sie eine interaktive Karte. Nutzen Sie hierfür den Datensatz plot_subventionen, der die Länder-Geometrien (geometry), die aggregierten Subventionen (Total_Subsidy) und die Länderkennungen (iso_a3) enthält. Verwenden Sie die Funktion plot_ly(). Visualisieren Sie die Subventionen pro Land und Jahr, sodass die Karte über die Jahre animiert bzw. per Slider steuerbar ist. Gestalten Sie die Farbskala und den Text so, dass Subventionen und Länder leicht ablesbar sind. Optimieren Sie die Karte, um die Darstellung übersichtlich zu machen. Beschreiben und interpretieren Sie die interaktive Grafik, insbesondere hinsichtlich folgender Aspekte:

Hinweis: Überprüfen Sie die ISO3-Codes: Wenn einzelne Länder nicht korrekt angezeigt werden, können Sie die Codes in der Spalte iso_a3 anpassen.

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 verallgemeinerbar sind. Beantworten Sie dazu Frage 1 und 2.

Frage 1: Betrachten Sie exemplarisch Deutschland und Frankreich in Ihrer interaktiven Karte.

Frage 2: Vergleichen Sie Länder mit stark schwankenden Subventionen über die Jahre (z.B. Länder, bei denen es große Anstiege oder Rückgänge gibt).

Quellenverzeichnis

[1] Ministerium für Ernährung, Ländlichen Raum und Verbraucherschutz Baden-Württemberg (o. J.):
„Gemeinsame Agrarpolitik (GAP)“.
URL: https://mlr.baden-wuerttemberg.de/de/unsere-themen/laendlicher-raum/politik-fuer-den-laendlichen-raum/eu-agrarpolitik

[2] Europäische Kommission (o. J.):
„Anteil der GAP-Ausgaben an den Gesamtausgaben der EU“.
URL: https://agriculture.ec.europa.eu/data-and-analysis/financing/cap-expenditure_de

[3] Statista (2025):
„Europäische Union: Anteile der Wirtschaftssektoren am Bruttoinlandsprodukt (BIP) von 2014 bis 2024“.
URL: https://de.statista.com/statistik/daten/studie/249078/umfrage/anteile-der-wirtschaftssektoren-am-bruttoinlandsprodukt-bip-der-eu

[4] Statista (2025):
„Anteile der Wirtschaftssektoren am Bruttoinlandsprodukt (BIP) in ausgewählten Industrie- und Schwellenländern im Jahr 2024“.
URL: https://de.statista.com/statistik/daten/studie/37088/umfrage/anteile-der-wirtschaftssektoren-am-bip-ausgewaehlter-laender

[5] Statista (2025):
„Europäische Union: Verteilung der Erwerbstätigen auf die Wirtschaftssektoren von 2013 bis 2023“.
URL: https://de.statista.com/statistik/daten/studie/249082/umfrage/erwerbstaetige-nach-wirtschaftssektoren-in-der-europaeischen-union-eu

[6] Statista (2025):
„Deutschland: Erwerbstätige nach Wirtschaftssektoren von 2013 bis 2024“.
URL: https://de.statista.com/statistik/daten/studie/249082/umfrage/erwerbstaetige-nach-wirtschaftssektoren-in-der-europaeischen-union-eu

[7] Bundesinformationszentrum Landwirtschaft (BZL) (o. J.):
„Wie funktioniert die Gemeinsame Agrarpolitik der EU?“.
URL: https://www.landwirtschaft.de/wirtschaft/agrarmaerkte/foerderung/wie-funktioniert-die-gemeinsame-agrarpolitik-der-eu

[8] Wikipedia (o. J.):
„Kofinanzierung“.
URL: https://de.wikipedia.org/wiki/Kofinanzierung

[9] EU CAP Network (o. J.):
„The Common Agricultural Policy – Overview“.
URL: https://eu-cap-network.ec.europa.eu/common-agricultural-policy-overview_en