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.

GAP-Budget auf EU-Ebene und in Deutschland

Im Jahr 2024 belief sich das Gesamtbudget für die GAP für Gesamteuropa auf ca. 56,2 Mrd.€.1
Davon entfielen 5,96 Mrd.€ auf die Förderung der Landwirtschaft in Deutschland.2

wirtschaftliche Bedeutung der Land- und Forstwirtschaft in der EU und in Deutschland

Der primäre Sektor (Land-& Forstwirtschaft sowie Fischereiwirtschaft) machte 2024 1,6% des EU-BIPs aus3, während der Anteil, der nur auf die Landwirtschaft entfällt, sich auf 1,2% belief.4 Somit betrug der Anteil der Land- und Forstwirtschaft am BIP der gesamten EU 2024 1,2% bis 1,6%.
In Deutschland lag der Anteil des primären Sektors 2024 bei 1%. Demnach lag in diesem Jahr der Anteil von Land-& Forstwirtschaft in Deutschland bei maximal 1% des BIP.5
Anmerkung: Daten zum Anteil von ausschließlich der Land-& Forstwirtschaft waren nicht verfügbar.

Bedeutung für den europäischen bzw. deutschen Arbeitsmarkt

2024 waren 3,17% aller in der EU Erwerbstätigen im primären Sektor beschäftigt.6
In Deutschland belief sich der Anteil der Erwerbstätigen im primären Sektor auf nur 1,2%.7

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.

1. Hauptfördertopf: EGFL

EGFL steht für “Europäischer Garantiefonds für die Landwirtschaft” und bildet die 1. Säule der GAP. Mittel aus diesem Fonds fließen großteils in Direktauszahlungen an die Landwirt:innen, werden aber auch für Agrarmarktmaßnahmen, wie beispielsweise Absatzförderungen für Agrarerzeugnisse, verwendet. Das Ziel dieses Fonds ist es, eine Einkommenssicherung für die Landwirtschaft bereitzustellen, da Agrarprodukte stark im Preis schwanken können. Die Zahlungen aus diesem Fonds werden entsprechend der landwirtschaftlichen Fläche ausgezahlt (Hektarprämien).

2. Hauptfördertopf: ELER

Die 2. Säule der GAP bildet der ELER, also der Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums. Wie der Name schon sagt soll der ländliche Raum finanziell gestützt und gefördert werden, insbesondere hinsichtlich Umwelt-, Klimaschutz- und Tierschutzmaßnahmen, die in Europa vergleichsweise hohe Auflagen mit sich bringen und deshalb hohe Kosten verursachen. Ziel dieses Fonds ist es also, die Wettbewerbsfähigkeit der europäischen Landwirtschaft in Einklang mit einer nachhaltigen Bewirtschaftung zu bringen.

3. Hauptfördertopf: nationale Kofinanzierung

Während der EGFL vollständig aus dem EU-Haushalt finanziert wird, fließen neben EU-Mitteln auch Zahlungen aus den nationalen Bundeshaushalten der EU-Staaten in den ELER. Dies nennt man nationale Kofinanzierung. Die Gelder, die einem EU-Staat im Rahmen des ELER zur Verfügung stehen, setzen sich also aus nationalen Finanzmitteln sowie Geldern aus dem EU-Haushalt zusammen. Die Staaten sind verpflichtet, die EU-Gelder im Rahmen der nationalen Kofinanzierung aufzustocken, mit dem Ziel, die Entwicklung des ländlichen Raums zu fördern.

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.

Der left_join ist in diesem Fall geeignet, um den Datensatz zusammenzufügen, da wir die Beobachtungen für ein bestimmtes Jahr in einer bestimmten Region (also einem bestimmten Bundesland) aus beiden Datensätzen in waldbraende speichern wollen.

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?
Konsistenzcheck der aggregierten Fördersummen
ausgezahlte Fördersummen in 2023 & 2024
Bundesland Originaldaten (in Mio. €) selbst berechnet (in Mio. €) Differenz (in Mio. €)
Bayern 1 421,23 1 286,81 134,42
Niedersachsen 966,03 939,27 26,76
Baden-Württemberg 683,39 613,81 69,58
Nordrhein-Westfalen 633,84 594,13 39,71
Sachsen-Anhalt 598,78 552,65 46,13
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 32,73
Schleswig-Holstein 399,57 370,23 29,34
Hessen 335,00 320,41 14,59
Rheinland-Pfalz 323,47 293,27 30,20
Saarland 34,71 31,22 3,49
Hamburg 7,40 7,23 0,17
Berlin 6,35 5,47 0,88
Bremen 4,87 4,40 0,47
Quelle: https://www.agrarzahlungen.de/agrarfonds/bs

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

generelle Beschreibung der Tabelle

Die Tabelle zeigt die Summe der GAP-Förderbeträge, die 2023 und 2024 (zusammen) an die entsprechenden Bundesländer ausgezahlt wurden. Dabei muss zwischen der Gesamtsumme (Spalte Originaldaten), die in den Originaldaten ausgewiesen wurde, und der Summe aus den drei Fördertöpfen EGFL, ELER und der nationalen Kofinanzierung, die im Rahmen eines Konsistenzchecks separat aufaddiert wurden (Spalte selbst berechnet), unterschieden werden. Die Zahlungen sind dabei absteigend nach dem Gesamtförderbetrag, den ein Bundesland in den vergangenen beiden Jahren erhalten hat, sortiert.
Bemerkenswert ist, dass sich zwischen diesen Summen, die bei konsistenter und korrekter Ausweisung der Daten identisch sein sollten, erhebliche Differenzen in meist zweistelliger Millionenhöhe ergeben. Diese sind stets positiv; demnach ist der aggregierte Gesamtförderbetrag stets geringer als der im Datensatz bereits ausgewiesene. Die größten Differenzen ergeben sich dabei in Bayern, Baden-Württemberg und Sachsen-Anhalt.

Ursache der Differenzen

Die Differenzbeträge sind zu groß, um sie auf Rundungsdifferenzen zurückführen zu können. Vielmehr könnte es daran liegen, dass nicht alle Beträge, die für die Berechnung der “originalen” Gesamtsumme in Förderbetrag_gesamt genutzt wurden, in den Spalten EGFL_Förderbetrag, ELER_Förderbetrag und Nationale_Kofinanzierung dokumentiert wurden. Fehlen in diesen drei Spalten einige Beträge, kann die Summe dann logischerweise nicht dem in Förderbetrag_gesamt ausgewiesenen Betrag entsprechen.

Hintergrund der Abweichungen: Altmaßnahmen und Kofinanzierung

Den Quellen ist zu entnehmen, dass es für die GAP-Finanzierung verschiedene Förderperioden gibt. Die aktuelle Periode läuft von 2023-2027. Die Landwirt:innen bekommen die Gelder im Rahmen von bestimmten Programmen bzw. Maßnahmen ausgezahlt, die jeweils einer Förderperiode zuzuordnen sind. Es ist allerdings möglich, Gelder, die einem Programm aus der vorherigen Förderperiode (sog. “Altmaßnahmen”) zuzuordnen sind, erst Jahre später ausgezahlt werden.
Genauer gesagt werden die Altmaßnahmen-Ansprüche im Rahmen der nationalen Kofinanzierung ausgezahlt. Im vorliegenden Datensatz werden sie zwar im Gesamtbetrag der Originaldatei - Förderbetrag_gesamt - ausgewiesen, jedoch nicht in der Spalte Nationale_Kofinanzierung. In letzterer werden also lediglich die national kofinanzierten Mittel aufgeführt, die für Programme aus der aktuellen Förderperiode ausgezahlt wurden. Zahlungen aus Programmen vergangener Perioden (Altmaßnahmen) werden darin jedoch nicht berücksichtigt.
Dieser Argumentationslinie folgend wurden 2023 und 2024 allein in Bayern Ansprüche aus Altmaßnahmen in Höhe von rund 135 Mio.€ als nationale Kofinanzierung ausgezahlt. Dementsprechend waren Bayern, Baden-Württemberg und Sachsen-Anhalt die Länder, in denen 2023 und 2024 die meisten Zahlungen aus Altmaßnahmen realisiert wurden.

Unterschiede zwischen den Bundesländern

Auch die Differenzen zwischen den einzelnen Ländern sind eine Erwähnung wert. Dass in Bayern die größte Differenz von ca. 134 Mio.€ ausgewiesen wird, während in Bremen beispielsweise die Abweichung nicht einmal 0,5 Mio.€ beträgt, ist nicht weiter verwunderlich, da Bayern insgesamt deutlich mehr Subventionen für die Landwirtschaft erhält als Bremen, was an der absteigenden Sortierung der Tabelle nach Gesamtförderbeträgen erkennbar ist. Die unterschiedliche Höhe der Gesamtförderung lässt sich auf die unterschiedlich starke Ausprägung der Landwirtschaft in den verschiedenen Bundesländern zurückführen.
Allerdings würde man erwarten, dass die drei Länder, die in den vergangenen beiden Jahren die höchsten Subventionszahlungen erhalten haben - in unserem Fall also Bayern, Niedersachsen und Baden-Württemberg - auch die größten absoluten Differenzen aufzuweisen haben. Das würde nahelegen, dass Zahlungen aus Altmaßnahmen in jedem Bundesland den gleichen Anteil an den Gesamtförderbeträgen ausmachen. Dem ist allerdings nicht so, da in Sachsen-Anhalt eine deutlich höhere Differenz zwischen den ausgewiesenen und den selbst berechneten Förderbeträgen besteht, obwohl es weniger Subventionen bekommt als Niedersachsen oder Nordrhein-Westfalen, bei denen die Abweichung geringer ausfällt. Demnach entfiel 2023 und 2024 in Sachsen-Anhalt ein größerer Anteil der Gesamtförderbeträge auf Zahlungen aus Altmaßnahmen als in NRW oder Niedersachsen. Das könnte sich damit erklären lassen, dass in Sachsen-Anhalt die ELER-Zahlungen (2. Säule) einen größeren Anteil an den Gesamtförderbeträgen ausmachen als in Niedersachsen und NRW, da Altmaßnahmen dem ELER-Fonds zuzuordnen sind. Ein größerer Anteil der ELER-Förderung an der Gesamtförderung eines Bundeslandes führt dann sehr wahrscheinlich zu einem größeren Anteil an Altmaßnahmen-Zahlungen und deshalb auch zu einer größeren Differenz in den Daten.

Anmerkung: Zusätzlich zu den beiden oben genannten wurde zur Beantwortung der Fragen noch die FAQ-Seite zu den Agrarzahlungen der BLE verwendet.8

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:

Empfängerstruktur der Agrarsubventionen
Empfänger der sechs höchsten bzw. niedrigsten Förderbeträge im Haushaltsjahr 2024
Begünstigter PLZ Gemeinde Bundesland Gesamtfördersumme (in €)
Top 6 Empfänger
Landesbetr. f.Hochwasserschutz u. Wasserwirtsch. (LHW) 39104 Magdeburg, Landeshauptstadt Sachsen-Anhalt 37 149 868,42
Landesbetrieb für Küstenschutz Nationalpark u Meeresschutz 25813 Husum, Stadt Schleswig-Holstein 17 070 234,73
Land Mecklenburg-Vorpommern Ministerium für 19061 Schwerin, Landeshauptstadt Mecklenburg-Vorpommern 13 243 166,07
Landesamt für Umwelt (LfU) 14476 Potsdam, Stadt Brandenburg 7 892 895,63
Landgard Obst + Gemüse GmbH + Co. KG 47638 Straelen, Stadt Nordrhein-Westfalen 3 825 087,21
Landesforst Mecklenburg-Vorpommern 17139 Malchin, Stadt Mecklenburg-Vorpommern 3 795 238,63
Flop 6 Empfänger
Kleinempfänger 04886 Arzberg Sachsen 55,51
Kleinempfänger 96482 Ahorn Bayern 48,80
Kleinempfänger 97753 Karlstadt, St Bayern 36,45
Kleinempfänger 29468 Bergen an der Dumme, Flecken Niedersachsen 36,43
Kleinempfänger 02894 Vierkirchen Sachsen 26,45
Kleinempfänger 97348 Markt Einersheim, M Bayern 25,48

Beobachtungen im Datensatz

Die Tabelle wurde auf das Jahr 2024 nach dem Begünstigten gefiltert, sodass jede gezeigte Zeile alle Subventionen die der jeweilige Empfänger 2024 erhalten hat darstellt.

Eine Beobachtung in subventionen_gesamt ist das “Förderprofil” eines Begünstigten in einem bestimmten Haushaltsjahr. Dieses setzt sich aus den Angaben zu den Förderbeträgen (EGFL, ELER, nationale Kofinanzierung und der gesamte Förderbetrag aus den Originaldaten) zusammen.

Auffälligkeiten beim Vergleich:

Es fällt sofort auf, dass die Emfänder mit den niedrigsten Beträgen nur unter “Kleinempfänger” aufgeführt werde, was daran liegt, dass alle Empfänger, die in einem Haushaltsjahr nicht mehr als 1.250€ erhalten, unter diesem Namen aufgeführt werden. Weiterhin ist offensichtlich, dass die Subventionen wurden stark ungleich aufgeteilt wurden - Top Empfänger erhalten mehrere Millionen Euro, während die geringsten Auszahlungen gerade einmal zweistellige Beträge umfassen. Aus der Tabelle wird auch deutlich, dass sich auch schon unter den Top 6 Empfängern große Unterschiede in der Fördersumme ergeben. Während der Empfänger mit dem zweitgrößten Förderbetrag ca. 17 Mio.€ erhält, bekommt der Top-Empfänger mehr als das Doppelte. Verglichen mit dem sechsthöchsten Betrag wird dem Spitzenreiter sogar fast das zehnfache ausgezahlt. Es gibt also einige wenige Begünstigte, die extrem hohe Beträge, d.h. im zweistelligen Millionenbetrag, erhalten. Darüber hinaus fällt auf, dass die größten Beträge an Institutionen von Bundesländern gehen, also beispielsweise an Landesbetriebe, Landesämter oder im Fall von Mecklenburg-Vorpommern sogar direkt ans Land. Dabei sitzen vier der sechs größten Empfänger in Ostdeutschen Bundesländern, während dies bei den Kleinempfängern lediglich bei zwei Empfängern der Fall ist.

Somit lässt sich schließen, dass die Kleinempfänger im Vergleich zu den Großempfängern stark benachteiligt sind.

Welche Rolle die Forstwirtschaft unter den Subventionsempfängern spielt

Die Forstwirtschaft spielt unter den Top-Empfängern eine eher untergeordnete Rolle im Vergleich zu wasserwirtschaftlichen Betrieben, jedoch ist mit Landesforst Mecklenburg-Vorpommern die Branche durchaus vertreten, weshalb die Forstwirtschaft keine unwichtige Rolle unter den Subventionsempfängern spielt.

Die obersten Plätze (Hochwasserschutz, Landesamt für Umwelt) sind öffentliche Stellen, die zwar Aufgaben im Natur und Landschaftsschutz erfüllen, jedoch nicht direkt in der Forstwirtschaft tätig sind. Die Forstwirtschaft profitiert somit hauptsächlich von den Mitteln der 2. Säule und nicht von den flächengebundenen Direktzahlungen der 1. Säule, was ihren hohen Rang in dieser Liste erklärt, da die größten ELER Projekte oft über Landesbetriebe abgewickelt werden.

  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:
  • EGFL_Förderbetrag,
  • ELER_Förderbetrag,
  • Nationale_Kofinanzierung,
  • Förderbetrag_gesamt,
  • Förderbetrag_berechnet

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 Statistik der Subventionsbeträge von 2023 und 2024
Mittelwert, Median und Verteilung der wichtigsten Fördertöpfe
Anzahl Mittelwert (€) Median (€) Std. Abweichung Min (€) Max (€)
EGFL Förderbetrag 288 334,00 18 075,44 7 256,10 51 772,29 0,00 6 345 377,21
ELER Förderbetrag 288 334,00 5 818,06 560,53 87 094,53 −839,89 28 223 328,68
Nationale Kofinanzierung 288 334,00 357,98 0,00 2 362,96 0,00 644 950,72
Gesamte Fördergelder (Original) 288 334,00 26 057,11 10 011,80 132 233,18 0,07 37 149 868,42
Gesamte Fördergelder (Berechnet) 288 334,00 24 251,48 9 515,18 104 736,93 0,00 28 223 328,68

Es ist leicht erkennbar, dass bei allen Fördertöpfen eine große Differenz zwischen Mittelwert und Median vorhanden ist.
Besonders extrem fällt der Unterschied beim ELER-Förderbetrag aus. Hier liegt der Median bei nur 560,53€, der Mittelwert jedoch mit 5.818,06€ beim zehnfachen des Medians. Konkret bedeutet das, dass 50% der Empfänger von ELER-Zahlungen maximal 560,53€ erhalten, obwohl der durchschnittliche ELER-Förderbetrag pro Jahr 5.818,06€ beträgt.
Der arithmetische Mittelwert wird also durch eine kleine Zahl von Großempfängern nach oben gezogen. Dies impliziert für alle Fördertöpfe sowie die Gesamtbeträge eine stark rechtsschiefe Verteilung.

Streuung der Daten

Darüber hinaus ist die Standardabweichung bei allen Fördertöpfen ein Vielfaches des Mittelwerts, was auf eine starke Streuung der Zahlungen hindeutet. Der große Spread, also die Differenz zwischen den maximalen und minimalen Beträgen der Fördertöpfen ist ebenfalls ein Indiz dafür. In unserem Fall kommt die Streuung durch die Ausreißer nach oben zustande und bestätigt die Schiefe der Verteilung.

weitere Auffälligkeiten

Sehr wichtig ist ebenfalls der negative Minimalwert im ELER-Fördertopf. Es handelt sich hierbei um eine bzw. mehrere Einnahmen für den ELER-Fördertopf. Eine mögliche Erklärung hierfür wären Rückforderungen, die zustande kommen, wenn festgestellt wird, dass die Landwirte die Kriterien für eine Fördermaßnahme doch nicht erfüllen und das bereits ausgezahlte Geld wieder zurückzahlen müssen.
Auffällig ist auch der verhältnismäßig geringe Anteil der nationalen Kofinanzierung an den Gesamtförderbeträgen sowie die geringe Anzahl an Empfängern.

Gesamtförderbeträge

Auch die beiden Gesamtförderbeträge sind eine nähere Betrachtung wert. Der berechnete Gesamtförderbetrag liegt unter dem in den Originaldaten ausgewiesenen, sowohl wenn man die Mittelwerte betrachtet als auch bei den Minima bzw. Maxima. Dass die durchschnittlichen Gesamtförderbeträge voneinander abweichen, liegt wie oben bereits erwähnt wahrscheinlich daran, dass durchschnittlich noch ca. 1800€ aus Programmen der vorigen Förderperiode ausgezahlt werden. In der Durchschnittsbetrachtung spielt die Auszahlung aus Altmaßnahmen also keine zentrale Rolle. Dem Empfänger des größten Förderbetrages wurden 2023 oder 2024 allerdings cicra 9 Mio.€ mehr ausgezahlt als in den einzelnen Fördertöpfen angegeben. Es könnten sich hierbei also um Zahlungen aus Altmaßnahmen handeln.

Fazit

Zusammenfassend lässt sich dagen, dass die Agrarförderung durch eine starke Konzentration der Mittel auf die großen Akteure gekennzeichnet ist, wobei insbesondere die ELER-Mittel an ein paar wenige Empfänger fließen. Dies ist bei allen Förderquellen der Fall und spiegelt sich somit auch in den Gesamtbeträgen wieder.

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:

  • Welche Unterschiede in der Förderstruktur fallen Ihnen zwischen den Bundesländern auf?
  • Welche Gründe könnten diese Verteilungen erklären?
  • Welche ökonomischen Schwerpunkte (z.B. in Bezug auf Einkommenssicherung vs. ländliche Entwicklung) lassen sich aus diesen unterschiedlichen Strukturen für die Agrarpolitik der jeweiligen Bundesländer ableiten? Beziehen Sie sich hierbei auf Ihre Ergebnisse der Aufgabe 2.

Beschreibung der Grafik:

Die Grafik visualisiert die prozentuale Zusammensetzung der gesamten Agrarförderung pro Bundesland im Jahr 2023. Jeder Balken summiert sich zu 100% der empfangenen Subventionen und schlüsselt diese auf vier komponenten auf: EGFL (grün), ELER (orange), Nationale Kofinanzierung (lila) und Sonstige Nationale Mittel (rosa).

Unterschiede in der Förderstruktur:

Der signifikanteste Unterschied liegt im Verhältnis von Säule 1 (EGFL) zu den Komponenten der Säule 2 (ELER, Kofinanzierung und Sonstige Mittel). In den ost und norddeutschen Flächenländern (Mecklenburg-Vorpommern, Brandenburg, Sachsen-Anhalt) dominiert der EGFL-Anteil (grün) massiv (oft über 70%) was auf eine EGFL lastige Struktur hindeutet. Im Gegensatz dazu weist Bayern und Baden-Württemberg und Berlin & Bremen einen deutlich höheren prozentualen Anteil der 2. Säule (orange/lila) und der Sonstigen Nationalen Mittel (rosa) auf.

Gründe für diese Verteilungen:

Die EGFL-Dominanz im Osten erklärt sich hauptsächlich durch die historisch gewachsenen, sehr großen Betriebsstrukturen und hohen landwirtschaftlichen Nutzflächen. Da die EGFL Direktzahlungen flächenabhängig sind, profitieren diese Großbetriebe überproportional. Die stärkere Betonung der 2. Säule in Bayern & Baden-Württemberg liegt an der kleinteiligeren Betriebsstruktur und dem Fokus auf diese Pprogramme, die intensiv über ELER und die nationale Kofinanzierung gefördert werden.

Ableitung ökonomischer Schwerpunkte:

Die unterschiedlichen Strukturen spiegeln unterschiedliche agrarpolitische Prioritäten wieder. Die EGFL lastigen Länder (Ost/Nord) legen den Schwerpunkt auf Einkommenssicherung und Stabilisierung der primären Produktion, was mit dem Hauptziel der 1. Säule der GAP übereinstimmt. Die ELER Länder im Süden legen ihren Schwerpunkt auf Ländliche Entwicklung, Umweltschutz, was auf eine stärkere politische Steuerung hin zu Nachhaltigkeit und der Förderung spezifischer regionaler Landwirtschaftsformen hinweist.

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:

  • In welchen Bundesländern gab es die größten absoluten Zuwächse bzw. Rückgänge? In welchen waren die prozentualen Veränderungen am stärksten?
  • Gibt es einen erkennbaren Trend über alle Bundesländer hinweg?
  • Recherchieren Sie kurz mögliche Gründe für die auffälligsten Veränderungen. Welche externen Faktoren (z.B. Förderrichtlinien der EU oder nationale Umschichtungen) könnten diese Entwicklungen erklären?

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
Gesamtfördersummen und deren Entwicklung von 2023 zu 2024 pro Bundesland
Bundesland Summe 2023 (Mio. €) Summe 2024 (Mio. €) Abs. Veränderung (Mio. €) Rel. Veränderung (%)
Bayern 814,11 607,12 −206.99 −25.42
Niedersachsen 577,14 388,89 −188.25 −32.62
Sachsen-Anhalt 351,54 247,24 −104.30 −29.67
Mecklenburg-Vorpommern 344,70 253,81 −90.89 −26.37
Brandenburg 343,29 255,08 −88.21 −25.70
Sachsen 280,39 195,56 −84.83 −30.25
Nordrhein-Westfalen 356,61 277,23 −79.38 −22.26
Schleswig-Holstein 227,04 172,53 −54.51 −24.01
Baden-Württemberg 368,65 314,74 −53.91 −14.62
Rheinland-Pfalz 186,46 137,01 −49.45 −26.52
Thüringen 227,59 198,09 −29.50 −12.96
Hessen 181,51 153,49 −28.02 −15.44
Berlin 3,76 2,59 −1.18 −31.27
Hamburg 3,96 3,44 −0.52 −13.14
Bremen 2,61 2,26 −0.35 −13.41
Saarland 17,38 17,33 −0.05 −0.27

Interpretation der Tabelle:

Die Tabelle zeigt eine unerwartete Entwicklung: Im Zeitraum von 2023 auf 2024 verzeichneten alle Bundesländer einen Rückgang der Agrarsubventionen; es gab keinen einzigen Zuwachs. Die absolut größten Rückgänge betreffen die Bundesländer mit dem höchsten Subventionsvolumen, nämlich Bayern und Niedersachsen. Die stärksten prozentualen Rückgänge liegen ebenfalls in Niedersachsen sowie Berlin.

Bundesländer mit größten absoluten & relativen Rückgängen

Die Tabelle zeigt, dass es keine absoluten Zuwächse gab - alle Bundesländer verzeichneten von 2023 auf 2024 Rückgänge. Die größten absoluten Rückgänge betrafen wenig überraschend die Bundesländer mit dem höchsten Subventionsvolumen: Bayern (-206,99 Mio. €) und Niedersachsen (-188,25 Mio. €). Die stärksten prozentualen Rückgänge verzeichneten ebenfalls Niedersachsen (-32,62%) und Berlin (-31,27%), gefolgt von Sachsen (-30,25%) und Sachsen-Anhalt (-29,67%). Die geringsten Rückgänge zeigte das Saarland (-0,27%).

Trend über alle Bundesländer hinweg

Ja, es gibt einen klaren Trend: Fast alle Bundesländer verzeichneten einen massiven Rückgang der Gesamtfördersumme, der in den meisten Fällen zwischen 13% und 32% lag. Es ist kein einziger Zuwachs erkennbar, was darauf hindeutet, dass entweder das Jahr 2023 ein außergewöhnliches gutes oder 2024 ein außergewöhnlich schlechtes Auszahlungsjahr war.

mögliche Erklärungsfaktoren

Die massiven und flächendeckenden Rückgänge sind primär auf den Übergang zur neuen GAP-Förderperiode (2023–2027) zurückzuführen. Der wichtigste externe Faktor ist die Ausfinanzierung von Altmaßnahmen und Sonderzahlungen: Das Jahr 2023 dient als letztes Abwicklungsjahr für Verpflichtungen und Programme aus der vorherigen GAP-Periode (sogenannte Altmaßnahmen). Diese einmaligen, hohen Zahlungen entfielen 2024 planmäßig, was zu den starken Rückgängen, insbesondere in den ELER-starken Ländern wie Bayern und Baden-Württemberg, führte. Ein weiterer Faktor ist die verzögerte oder langsame Abwicklung neuer Programme wie der Eco-Schemes, die erst ab 2023 gelten.

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:
  • Diskutieren Sie das Verhältnis der Subventionen und den Schadenssummen. Inwiefern können die milliardenschweren Agrarsubventionen als eine Art staatliche Risikoprämie oder Versicherung für die Landwirtschaft interpretiert werden, um klimabedingte Ertragsschwankungen abzufedern?
  • Der Artikel zitiert Bundesminister, die mehr “Krisenvorsorge” und “Anpassungsmaßnahmen” fordern. Argumentieren Sie, warum eine reine Kompensation von Schäden durch Subventionen ökonomisch weniger effizient sein könnte als die Förderung von präventiven Maßnahmen.
  • Bewerten Sie die folgenden zwei politischen Ansätze zur Minderung von Klimaschäden in der Landwirtschaft. Diskutieren Sie für jeden Ansatz kurz einen potenziellen Vorteil und einen Nachteil aus ökonomischer Sicht:
    • Ansatz A: Erhöhung der Direktzahlungen (EGFL) an Landwirte, um Liquidität nach Ernteausfällen sicherzustellen.
    • Ansatz B: Umschichtung von Fördergeldern hin zu Projektförderungen (ELER), die gezielt in klimaresiliente Technologien investieren (z.B. Bewässerungssysteme, trockenresistente Sorten).

Diskussion des Verhältnisses von Subventionen und Schadenssummen

Unseren Ergebnissen aus Aufgabe 9 zufolge beliefen sich die jährlichen Gesamtsubventionen der GAP auf 4,3 Mrd.€ im Jahr 2023 bzw. 3,2 Mrd.€ im darauffolgenden Jahr (wobei 2023 die Auszahlungen wegen auslaufender Altmaßnahmen besonders hoch waren). Der Artikel nennt für die Jahre 2018 und 2019 Schäden in Höhe von insgesamt 25,6 Mrd.€, wobei nur 7,8 Mrd.€ auf die Landwirtschaft entfielen, während der Forstwirtschaft der übrige Schaden zugeordnet werden kann. Pro Jahr ergibt sich also für die Landwirtschaft ein durchschnittlicher Schaden von ca. 3,9 Mrd.€; für die Forstwirtschaft hingegen mit 8,9 Mrd. € Schadenssumme mehr als das Doppelte. Die insgesamt 12,8 Mrd.€ Schaden pro Jahr verteilen sich also extrem ungleich zwischen Forst- und Landwirtschaft. Die Forstwirtschaft hat jedoch keinen größeren Anteil an den Subventionen, weshalb bei der Betrachtung von Subventionen und Schadenshöhe zwischen Land- und Forstwirtschaft unterschieden werden muss. Außerdem sollte angemerkt werden, dass in die Schadensberechnung auch indirekte Schäden wie z.B. die durch die Extremwetterereignisse verringerte Arbeitsproduktivität einberechnet wurden.
Konzentriert man sich nur auf die Landwirtschaft, wiegen die jährlichen Subventionen in Höhe von 3-4 Mrd.€ die jährlichen Schäden also schon auf. Zieht man jedoch noch zusätzlich die Schäden, die die Forstwirtschaft erleiden musste in Betracht, ist dies nicht mehr der Fall. Es wird im Artikel zwar nicht näher darauf eingegangen, wie sich die Schadenshöhe genau zusammensetzt, jedoch wurde angemerkt, dass besonders hohe Schäden von Extremwetterereignissen verursacht werden. Wie gut die Subventionen also tatsächlich mit den Schäden vergleichbar sind, lässt sich nicht weiter beleuchten. Allerdings wird deutlich, dass die Schadenshöhe nicht etwa jedes Jahr gleich hoch ist, sondern je nachdem, ob ein Extremwetterereignis auftrat oder nicht, sehr unterschiedlich ausfallen kann.
Da Extremwetterereignisse also eher unregelmäßig auftreten, jedoch die höchsten Schäden verursachen, können die Subventionen für die Landwirtschaft durchaus als staatliche Risikoprämie oder Versicherung gegen die Risiken solcher Ereignisse interpretiert werden. Die Subventionen sichern dem Agrarsektor beispielsweise ein fest kalkulierbares Einkommen (etwa durch die flächengebundenen Direktzahlungen des EGFL) und sichern somit die Liquidität der Betriebe und die Lebensgrundlage der Landwirte ab. Fällt der Marktertrag aufgrund klimatischer Ereignisse ab, verhindern die Subventionszahlungen einen sofortigen Liquiditätsengpass und federn so die klimabedingten Ertragsschwankungen ab.

Argumentation Effizienz Kompensation / Prävention

Dass die Kompensation von Schäden ökonomisch weniger effizient ist als die Förderung präventiver Maßnahmen liegt daran, dass durch Kompensationszahlungen lediglich die Symptome, aber nicht die Ursachen der Schäden bekämpft werden. Die Resilienz der Landwirtschaft gegen Extremwetterereignisse verbessert sich nicht, wenn die Landwirte für ihre Schäden kompensiert werden. Wenn die Ereignisse infolge des Klimawandels sogar noch extremer ausfallen, könnten sich die Schäden und somit auch die Kompensationskosten massiv erhöhen. Die Landwirte haben dann auch einen geringeren Anreiz, selbst in die Anpassungsfähigkeit ihrer Betriebe zu investieren, da sie unabhängig davon, ob sie ihre Betriebe an die Anforderungen des Klimawandels anpassen, vom Staat entschädigt werden. Dies hätte dann auch weitreichende Effekte auf den Markt für Agrarprodukte. Vor diesem Hintergrund würden Kompensationen das moralische Risiko also erhöhen. Die Förderung präventiver Maßnahmen hingegen würde dazu führen, dass die Landwirtschaft besser auf Extremwetterereignisse reagieren kann. Die zukünftig zu erwartenden Schäden würden dann geringer ausfallen, weshalb weniger Kosten anfallen würden.

Ansatz A - Erhöhung EGFL

Vorteilhaft an einer Erhöhung der Direktzahlungen (EGFL) wäre, dass eine sofortige und schnelle Liquiditätshilfe im Krisenfall bereitgestellt wird und somit die Zahlungsfähigkeit der Betriebe nach Ernteausfällen sichergestellt werden kann. Nachteilig hieran ist jedoch, dass der Ansatz keine ökonomischen Anreize zur Anpassung an den Klimawandel setzt, da die Mittel flächengebunden und nicht projektbezogen verteilt werden. Er verstärkt den Moral Hazard-Effekt, da die Landwirte mit der Sicherung ihres Einkommens rechnen können, egal ob sie ihre Betriebe an die Herausforderungen des Klimawandels anpassen oder nicht.

Ansatz B - Umschichtung zu ELER

Der Vorteil einer Umschichtung zu Projektförderungen (ELER) ist, dass somit gezielte Investitionen in Technologien ermöglicht und gefördert werden, die die Widerstandsfähigkeit der Agrarwirtschaft gegen die Folgen des Klimawandels erhöhen und damit die zukünftige Produktivität des Sektors sichern. Der Nachteil hierbei ist allerdings, dass der Ansatz mit einem hohen Verwaltungsaufwand verbunden ist und die Maßnahmen erst längerfristig wirken, was bei einem Ernteausfall keine sofortige Liquiditätshilfe bieten kann.

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.

Waldbrände in Deutschland
aggregierte Werte aller Bundesländer der Jahre 2018-2024
Jahr Anzahl an Bränden verbrannte Fläche (in ha) Schaden (in Mio. €) wirtschaftliche Verluste (in Mio. €)
2018 1708 2349 2,67 2,14
2019 1523 2711 2,22 1,66
2020 1360 368 2,19 1,60
2021 548 148 0,67 0,66
2022 2397 3058 5,14 4,85
2023 1059 1240 1,19 0,96
2024 563 334 0,68 0,68

Generelles

Die Tabelle zeigt die jährliche Anzahl der Waldbrände in Deutschland für den Zeitraum von 2018 bis 2024, die dabei insgesamt verbrannte Fläche, sowie die entstandenen wirtschaftlichen Verluste und Schäden. Die farblich hinterlegten Zeilen zeigen dabei die Jahre, in denen die Schäden eine Summe von 1,5 Mio€ überstiegen haben. Dies war also in vier von sieben Jahren der Fall: 2018-2020 sowie 2022. Darüber hinaus gab es im betrachteten Zeitraum größtenteils mehr als 1000 Waldbrände pro Jahr; die jährliche Schadenssumme betrugmeist mehr als 1 Mio.€. Die verbrannte Fläche liegt in den meisten Jahren zwischen 1000 und 3000 Hektar. Jährlich kommt also etwas mehr als der Waldfläche der Stadt Ulm (ca. 1750 Hektar) durch Brände zu Schaden. Deutschlandweit betrachtet ist dies ein verschwindend geringer Wert.

Art der Brände

Die finanziell schwerwiegendsten Schäden (gemessen an der Schadenssumme) entstanden - wie die Markierung verdeutlicht - 2022 sowie in den Jahren von 2018-2020. Bis auf das Jahr 2020 entsprechen die Jahre mit den größten Schadenssummen auch denen mit der meisten verbrannten Fläche. Da größere Brände schwerer zu löschen sind und somit größere Schäden verursachen können, könnte eine hohe Schadenssumme kombiniert mit viel verbrannter Fläche auf mehr Großbrände in dem jeweiligen Jahr hindeuten.
Um eine genauere Aussage darüber treffen zu können, ob die Höhe der Schadenssumme auf wenige große oder mehrere kleine Waldbrände hindeutet, ist es hilfreich, die verbrannte Fläche im Verhältnis zur Anzahl an Bränden zu betrachten. Je mehr die Fläche bei einer bestimmten Anzahl an Bränden verloren ging, desto größer müssten die Brände in dem jeweiligen Jahr gewesen sein. Der Kontrast wird beim Vergleich von 2019 und 2020 besonders deutlich: Während die Brandanzahl 2019 kaum höher lag als 2020 (ca. 11% Unterschied), verbrannte 2019 mehr als das siebenfache der Fläche von 2020. Dies deutet darauf hin, dass es 2019 im Durchschnitt deutlich größere Waldbrände gab als 2020.

Hinweis auf zunehmende ökonomische Belastung

Die Daten zeigen nicht, dass die ökonomische Belastung durch Waldbrände in den letzten Jahren zugenommen hat. Sowohl die Schäden als auch die Anzahl an Bränden lagen -mit Ausnahme des Ausreißers 2022- nicht höher als in den Jahren zuvor. Lässt man 2022 außen vor, sind in den letzten vier Jahren die Brandzahlen und somit auch die entstandenen Schäden sogar geringer ausgefallen.

Verhältnis zu Subventionen

Gesamtwirtschaftlich betrachtet fallen die jährlichen finanziellen Schäden durch Waldbrände verglichen mit den Subventionen kaum ins Gewicht. Wie in der Tabelle zu Aufgabe 9 bereits gezeigt, beträgt die jährliche Subventionshöhe pro Bundesland größtenteils mehrere hundert Millionen Euro. Dem steht für das ganze Bundesgebiet eine jährliche Schadenssumme in einstelliger Millionenhöhe gegenüber. Selbst vor dem Hintergrund, dass natürlich nicht alle Subventionsbeträge an die Forstwirtschaft fließen, scheint die wirtschaftliche Tragweite der Waldbrandschäden insgesamt betrachtet vernachlässigbar zu sein.
Es muss allerdings auch zwingend angemerkt werden, dass dies nicht unbedingt für einzelne Waldbesitzer gilt. Wie wir in Aufgabe 7 gesehen haben, streuen die durchschnittlich ausgezahlten Subventionsbeträge an die einzelnen Empfänger extrem stark. Für einzelne Individuen kann ein Waldbrand trotz Subventionen - die im Median bei 10 Tsd.€ liegen - schlimmstenfalls den wirtschaftlichen Ruin bedeuten. Auch wenn man bei der Betrachtung dieser Durchschnittswerte vorsichtig sein muss, weil lediglich eine Teilmenge der Subventionsempfänger in der Forstwirtschaft tätig und somit auch direkt von den Waldbränden betroffen ist, sollte man die Einzelbetrachtung zusätzlich zur Gesamtwirtschaft im Auge behalten.

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
  • der verbrannten Fläche (in ha),
  • und der Anzahl der Brandfälle

über die verschiedenen Jahre hinweg nach Eigentumsform darstellen.

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

  • Welche Eigentumsform ist prozentual am häufigsten von Waldbränden betroffen, sowohl in Bezug auf die Fläche als auch auf die Anzahl der Fälle? Hat sich dieser Anteil über die Jahre signifikant verändert?
  • Vergleichen Sie die beiden Diagramme: Gibt es eine Eigentumsform, die tendenziell eher viele kleine Brände (hoher Anteil bei Anzahl, geringerer bei Fläche) oder wenige, aber dafür sehr große Brände (geringer Anteil bei Anzahl, höherer bei Fläche) aufweist?
  • Welche ökonomischen Schlussfolgerungen lassen sich daraus ziehen? In welchen Bereichen könnten staatliche Präventions- und Unterstützungsmaßnahmen am dringendsten benötigt werden?

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

generelle Beschreibung

Die Diagramme visualisieren für die Jahre 2018–2024, wie sich das Waldbrandgeschehen in Deutschland auf die vier Eigentumsformen Bundeswald, Körperschaftswald, Landeswald und Privatwald verteilt. Dabei zeigt die linke Grafik jeweils den Anteil an der Anzahl der Brände im jeweiligen Jahr, während die rechte den Anteil an der verbrannten Fläche darstellt. Aus den Diagrammen lässt sich ablesen, wie stark die verschiedenen Eigentümergruppen im Verhältnis zueinander betroffen waren. Wichtig ist hierbei die Unterscheidung zwischen absoluten Werten und den hier dargestellten relativen Anteilen: Die Grafik verdeutlicht also nicht, ob es insgesamt mehr oder weniger gebrannt hat, sondern wie sich das Verhältnis der Eigentumsformen am Gesamtgeschehen über die Jahre verschoben hat.

Die am häufigsten betroffene Eigentumsform

Mit Abstand am häufigsten betroffen sind Privatwälder; sie machen in den meisten Jahren etwa die Hälfte der Waldbrände und der verbrannten Fläche aus. Dabei ist insbesondere die Entwicklung in den letzten beiden Jahren beachtenswert: Während der Anteil an der Brandanzahl bei ca. 50 % konstant blieb, nahm der Anteil des Privatwaldes an der gesamten verbrannten Fläche massiv von 40 % auf 76 % zu. Dies impliziert einen drastischen Anstieg der durchschnittlichen Brandgröße – Privatwaldbesitzer hatten 2024 deutlich größere Flächenverluste pro Brand zu verzeichnen als noch zwei Jahre zuvor.

Größe der Brände bei den verschiedenen Eigentumsformen

Aus obiger Analyse lässt sich bereits schließen, dass Privatwälder insbesondere in den letzten beiden Jahren von Großbränden betroffen waren. Tendenziell sind größere Brände auch bei Bundeswäldern zu finden, wobei 2019 und 2021 gewissermaßen Ausreißerjahre waren: Während der Anteil an den Gesamtbränden und der Gesamtfläche in den meisten Jahren in etwa konstant blieb, war 2019 und 2021 der Anteil an der verbrannten Fläche mit jeweils ca. 40% wesentlich größer als der an der Brandanzahl (ca. 10%). Dies ist ein klarer Hinweis darauf, dass Bundeswälder in diesen beiden Jahren von durchschnittlich größeren Bränden betroffen waren. Eine Ausnahme von dieser Beobachtung bildet hier das vergangene Jahr, in dem die durchschnittliche Brandgröße verglichen mit den vorigen Jahren niedriger lag. Dieser Rückgang der Größe von Waldbränden in Bundesbesitz konnte bereits seit 2022 beobachtet werden. Kleinere Waldbrände sind hingegen eindeutig bei Wäldern in Besitz von Körperschaften vorzufinden. Insbesondere in den Jahren 2019 und 2023 scheinen diese von kleinen Bränden betroffen gewesen zu sein, da der Anteil an der Brandanzahl in diesen Jahren deutlich höher lag als der an der verbrannten Fläche. Bei Landeswäldern ist keine klare Tendenz zu erkennen; die durchschnittliche Größe der Brände ist in den vergangenen Jahren etwas zurückgegangen.

Bedeutung für staatliche Maßnahmen

Ökonomisch betrachtet folgt aus diesen Ergebnissen, dass Präventions- und Unterstützungsmaßnahmen vor allem für Privatbesitzer von Wäldern sinnvoll sein könnten. Sie mussten im betrachteten Zeitraum durchweg den größten Verlust wegen Waldbränden hinnehmen - sowohl hinsichtlich der Fläche als auch mit Blick auf die Brandanzahl. Vor allem seit 2023 fielen ihre Flächenverluste dabei besonders hoch aus. Logischerweise würden sie also insbesondere von Maßnahmen, die der schnellen Ausbreitung eines Feuers vorbeugen, profitieren. So könnte die Größe der Brände reduziert werden. Des Weiteren müsste eruiert werden, welche Ursachen die Brände auslösen, sodass auch die Brandanzahl verringert werden kann. Außerdem sind die privaten Eigentümer von Wäldern im Vergleich zu den anderen Eigentümergruppen, die allesamt Gebietskörperschaften sind, hinsichtlich ihrer vergleichsweise begrenzten finanziellen Mittel besonders auf Präventions- und Unterstützungsmaßnahmen angewiesen. Für einen einzelnen Waldbesitzer ist ein finanzieller Verlust durch einen Waldbrand sowohl wegen des Wertverlusts an sich als auch wegen seines unerwarteten Auftretens sehr wahrscheinlich schwerer stemmbar als für Kommunen, Länder oder den Bund.

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:
  • Fahrlässigkeit,
  • Vorsatz (Brandstiftung),
  • Sonstige handlungsbedingte Einwirkungen,
  • Natürliche Ursachen,
  • Unbekannte Ursachen

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:

  • Welche Brandursache dominiert in den meisten Jahren, sowohl bei der Anzahl als auch bei der Fläche? Gibt es Jahre, in denen sich dieses Muster deutlich ändert?
  • Betrachten Sie die Entwicklung über die Zeit. Erkennen Sie einen Trend bei bestimmten Ursachen (z.B. eine Zunahme natürlicher Brände in jüngerer Zeit)?
  • Welche ökonomischen und politischen Implikationen hätte ein solcher Trend?


generelle Beschreibung

Die beiden Diagramme zeigen die Entwicklung der jährlichen Waldbrandanzahl sowie die Entwicklung der jährlich verbrannten Fläche von 2018 bis 2024, gruppiert nach der jeweiligen Ursache. Die fünf Ursachen werden jeweils durch die Linien dargestellt.
Die Anzahl der Brände, die von einer bestimmten Ursache ausgelöst wurden, liegt meist bei ein paar hundert, maximal jedoch bei knapp über 1000 Bränden pro Jahr. Dabei ist die Richtung der jährlichen Veränderung der Brandanzahl unabhängig von der Ursache: Wenn in einem Jahr mehr Brände stattgefunden haben, ist meistens auch ein Anstieg der Brandanzahl für jede Ursache zu beobachten. Bei der je nach Ursache jährlich verbrannten Fläche sieht dies anders aus: Hier kann es durchaus sein, dass einer Ursache im Vergleich zum Vorjahr deutlich mehr verbrannte Fläche zuzurechnen ist, während bei einer anderen Ursache eine geringere Brandfläche zu finden ist.

dominierende Brandursache

Sowohl bei der Anzahl der Brände als auch bei der verbrannten Fläche dominieren die unbekannten Ursachen. In jedem der sechs Jahre konnten die meisten Brandursachen nicht ermittelt werden, was an der Grafik Entwicklung der Brandanzahl erkennbar ist, in der jedes Jahr die meisten Brände (oft mehr als 500 pro Jahr) auf die Kategorie Unbekannte Ursachen entfallen.
Auch in der Grafik Entwicklung der verbrannten Fläche, die zeigt, wie viel Hektar Fläche jährlich wegen welcher Ursache verbrannt sind, wird die Dominanz unbekannter Ursachen ersichtlich. Allerdings ist das Bild hier nicht so deutlich wie bei der Brandanzahl; 2022 sind beispielsweise knapp 1000 Hektar verbrannter Fläche auf Vorsatz bzw. Brandstiftung zurückzuführen, im Vergleich zu ca. 1300 Hektar wegen unbekannter Ursachen. Der Anteil unbekannter Ursachen an der insgesamt verbrannten Fläche variiert also stärker als der an der Brandanzahl.
Außerdem ist das vergangene Jahr im betrachteten Zeitraum das einzige, in dem die Ursache, auf die die meiste verbrannte Fläche entfällt, nicht ungeklärt blieb. Die meiste Fläche ist 2024 nämlich wegen sonstigen handlungsbedingten Einwirkungen verbrannt. Darüber hinaus hatte 2021 jede der fünf Ursachen in etwa die gleiche Fläche zu verantworten, was aber vielmehr daran liegt, dass in diesem Jahr insgesamt weniger Brände aufgekommen sind: Vier der fünf Ursachen verursachten jeweils unter 200 Brände, aber auch die unbekannten Ursachen verzeichneten in diesem Jahr einen starken Rückgang. Es verbrannte 2021 mit maximal 100 Hektar pro Ursache auch deutlich weniger Fläche als in den meisten anderen Jahren, in denen auch mal mehrere hundert Hektar Fläche auf eine Ursache entfallen können.

generelle Beschreibung

Die Grafiken zeigen die Beziehung zwischen der Höhe der Forstverwaltungskosten (links) bzw. der Höhe der sonstigen Kontrollkosten (rechts) und der Höhe der wirtschaftlichen Verluste, die bei Waldbränden für die einzelnen 16 Bundesländer in einem Jahr entstehen. Sie bilden den Zeitraum von 2018 bis 2024 ab. Deutlich zu erkennen ist, dass die meisten Bundesländer in diesen Jahren weniger als 1 Mio.€ pro Jahr für die Forstverwaltung ausgegeben haben. Bei den Ausgaben für die sonstigen Kontrollkosten im rechten Scatterplot ist etwas Änliches zu beobachten; hier liegen die jährlichen Ausgaben der Bundesländer meist unter 200 Tsd. €. Da beide Grafiken die wirtschaftlichen Verluste pro Jahr einzelner Bundesländer auf der Ordinate zeigen, ist die Range dieser Werte in beiden Grafiken gleich; sie reicht von einigen wenigen Tausend Euro bis hin zu knapp 5 Mio.€ jährlich. Dabei bewegen sich die meisten Datenpunkte nahe der y-Achse, sind also eher vertikal gestreut.

Zusammenhänge zwischen Ausgaben und Verlusten

Eigentlich würde man in beiden Scatterplots einen negativen (linearen) Zusammenhang zwischen den Verlusten und Ausgaben vermuten: Je höher die Ausgaben eines Bundeslandes in einem bestimmten Jahr, desto mehr finanzielle Mittel für verschiedene Maßnahmen zur Begrenzung der wirtschaftlichen Verluste bereitstehen und desto geringer würden dann diese Verluste ausfallen. Diese Beziehung ist aber in keiner der beiden Grafiken erkennbar. Interessanterweise bewegen sich die wirtschaftlichen Verluste bei vergleichsweise hohen Ausgaben für die Forstverwaltung von über 2 Mio.€ sogar teilweise im Bereich von 100 Tsd €. Verglichen mit den anderen Datenpunkten haben die höheren Ausgaben also nicht unbedingt zu niedrigeren Verlusten geführt.
Außerdem gibt es auch Jahre, in denen manche Bundesländer selbst mit geringen Forstverwaltungskosten von weniger als 10 Tsd. € nur geringe Verluste von unter 1 Tsd.€ verzeichnen mussten. Auch bei den sonstigen Kontrollkosten implizieren höhere Ausgaben nicht unbedingt geringere Verluste. Hier befinden sich die Datenpunkte sogar noch deutlicher auf einer vertikalen Linie nahe der y-Achse. Die wirtschaftlichen Verluste scheinen also für die gleich hohe Ausgaben für Kontrollkosten unterschiedlich hoch auszufallen.
In beiden Grafiken ist deutlich zu erkennen, dass die wirtschaftlichen Verluste für die gleiche Höhe an jährlichen Ausgaben eines Bundeslandes unterschiedlich hohe Beträge annehmen. Das könnte bedeuten, dass die Höhe der wirtschaftlichen Verluste unabhängig von der Höhe der Ausgaben für die Forstverwaltung bzw. die sonstigen Kontrollkosten ist.

Hypothese: Gehen höhere Präventionsausgaben mit geringeren finanziellen Schäden einher?

Aus obiger Analyse sowie der Verteilung der Datenpunkte lässt sich die Hypothese nicht bestätigen. Würden höhere Präventionsausgaben dazu führen, dass die wirtschaftlichen Verluste geringer ausfielen, müssten sich die Punkte in den Scatterplot auf einer linearen Kurve mit negativer Steigung befinden. Je näher diese Steigung bei -1 wäre, desto stärker wäre die Korrelation zwischen Forstverwaltungskosten und wirtschaftlichen Verluste. Da die Punkte sich hier aber eher auf einer Vertikalen befinden, erklärt die Höhe der Ausgaben der Bundesländer die durch Waldbrände entstehenden Schäden eher weniger gut. Wie oben bereits erwähnt, scheint der finanzielle Schaden unabhängig von den Ausgaben zu sein.

Sinn hinter der log-Skala

Die Logarithmierung der y-Achse ist hier angebracht, weil die Höhe der wirtschaftlichen Verluste (die ja auf dieser Achse dargestellt werden) eine enorme Spannweite aufweist. Würden die Daten ohne eine log-Skalierung gezeigt werden, würden sich die kleineren Werte im unteren Bereich der Grafik ballen, weil die Schritte auf der Achse dann immer die gleiche Differenz hätten und große Werte die Achse somit extrem weit auseinanderzögen. Durch die Verwendung einer log-Skala haben aufeinanderfolgende Schritte aus der Achse das gleiche Verhältnis, statt wie bei einer linearen Skala die gleiche Differenz. So können die Werte, die in einem großen Intervall liegen, besser veranschaulicht und interpretiert werden. In unserem Fall liegt das Verhältnis wegen einer log10-Skalierung bei 10, sodass die extreme Breite der Werte übersichtlich dargestellt werden kann.

Vergleich der Präventionskosten mit den Gesamtverlusten

In den meisten Jahren bewegen sich die wirtschaftlichen Verluste in Gesamtdeutschland zwischen rund 1 Mio.€ und 2,5 Mio.€ (siehe Aufgabe 11). Manche Länder geben solche Summen in einzelnen Jahren allein für die Forstverwaltung aus. Bei solch hohen Ausgaben verringern sich die Gesamtverluste aber nicht weiter, was die Frage aufwirft, ob die höheren Ausgaben überhaupt zielführend sind. Die sonstigen Kontrollkosten pro Bundesland fallen bei diesem Vergleich kaum ins Gewicht, da sie in den wenigsten Jahren mehr als 100 Tsd. € betragen. Auf den ersten Blick würde man zu der Folgerung kommen, dass die höheren Verwaltungs- und Kontrollkosten Geldverschwendung sind.

mögliche Ursachen für die mangelnde Wirksamkeit

Wie wir gesehen haben, stehen höhere Ausgaben für die Forstverwaltung und Kontrolle nicht unbedingt für geringere wirtschaftliche Verluste. Das liegt unter anderem daran, dass höhere Ausgaben nicht zwangsläufig mit mit einer höheren Effektivität der Präventionsmaßnahmen gleichzusetzen sind. Es kann sein, dass der Verwaltungsaufwand durch mehr Präventionsmaßnahmen überproportional stark ansteigt, sodass ein größerer Anteil des zusätzlichen Geldes in die Finanzierung zusätzlicher Bürokratie fließt. In der obigen Grafik ist nur die Höhe der Ausgaben, aber nicht der genaue Zweck aufgeführt, weshalb sich diese Hypothese mit den vorliegenden Daten nicht weiter untersuchen lässt. Außerdem könnte es sein, dass die zusätzlichen Ausgaben in ineffizienten Zusatzmaßnahmen versickern, die eigentlich keine Wirkung zeigen.
Des Weiteren wäre es genauso gut möglich, dass die derzeitigen Maßnahmen generell nicht effizient genug sind, um die wirtschaftlichen Verluste merklich einzudämmen.
Man sollte sich aber auch immer vor Augen halten, dass extreme Brände (mit denen dann auch hohe wirtschaftliche Verluste einhergehen) auch trotz hoher Ausgaben möglich sein können, da Präventions-& Kontrollmaßnahmen nicht alle Faktoren, die Brände begünstigen, ausschließen können. Es wäre beispielsweise auch denkbar, dass die Verluste in den Jahren, in denen die Bundesländer besonders viel für Verwaltung und Kontrolle ausgegeben haben, ohne diese hohen Ausgaben noch größer ausgefallen wären. Das wäre die Frage nicht etwa, ob die Maßnahmen ineffizient waren, sondern vielmehr, ob die wirtschaftlichen Verluste überhaupt durch bestimmte Maßnahmen begrenzt bzw. kontrolliert werden können.

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.

  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?

generelle Beschreibung

Das Diagramm zeigt die Brandanzahl sowie die verbrannte Fläche pro Monat auf der y-Achse und den beobachteten Zeitraum von 2018-2024 auf der x-Achse. Die Balken zeigen die in einem entsprechenden Monat verbrannte Fläche, während die Linie die Entwicklung der monatlichen Anzahl der Brände darstellt. Die Monatswerte beziehen sich auf Gesamtdeuschland. Sowohl an der Anzahl der Brände als auch bei der dabei zu Schaden gekommenen Fläche lässt sich erkennen, dass Waldbrände zyklisch auftreten, auch wenn diese Zyklen von Jahr zu Jahr mehr oder weniger stark ausfallen. Insgesamt schwankt die verbrannte Fläche stärker als die Anzahl der Brände, was auf unterschiedliche Größen der Waldbrände pro Monat hindeutet.

Monate mit den meisten Bränden bzw. der meisten verbrannten Fläche

Die meisten Brände treten in den Sommermonaten von Juni bis September auf, wobei die Brandanzahl insbesondere 2018 und 2022 sehr hoch war. Auch die meiste Fläche verbrennt im Sommer. Darüber hinaus ist vor allem an der Anzahl der Brände erkennbar, dass die Waldbrandsaison zweigeteilt ist: Die Zahl der Brände steigt oft im Frühjahr (April oder Mai), fällt dann kurz ab und steigt dann in den Sommermonaten wieder an; meistens auf ein noch höheres Niveau. Dies war beispielsweise 2018, 2019 und 2022 sehr gut erkennbar.

Vergleich: Spitzen Brandanzahl vs. Spitzen verbrannter Fläche

Die Spitzen der Brandanzahl und der verbrannten Fläche fallen nicht immer zusammen, jedoch zeigt sich schon eine gemeinsame Tendenz zwischen Brandanzahl und Fläche, beispielsweise 2019 und 2022. Die Größe der Brände variiert aber von Jahr zu Jahr. Dies wird unter anderem beim Vergleich von 2019 und 2020 deutlich: Obwohl es in beiden Jahren zu etwa gleich vielen Bränden kam, ist 2019 mehr Fläche verbrannt als 2020, was die Vermutung zulässt, dass die Brände 2019 im Schnitt mehr Hektar Waldfläche vernichtet haben als 2020.

mögliche Ursachen für viele kleine Brände im Monat

Eine mögliche Erklärung wäre, dass in den Monaten mit vielen eher kleineren Bränden diese zwar schnell auftreten, sich aber nicht so rasant ausbreiten, sodass man sie noch in den Griff bekommen kann. Dies könnte witterungs–& trockenheitsbedingt der Fall sein. Es wäre auch möglich, dass in diesen Monaten eher mit Waldbränden gerechnet wurde, sodass die Reaktionszeit kürzer war und sie schneller gelöscht werden konnten.

mögliche Ursachen für die Schwankungen unter den Sommern

Je nachdem, wie trocken die Sommer sind, ist zum einen das Auftreten und zum anderen auch die schnelle Ausbreitung eines Waldbrandes wahrscheinlicher. In Sommern mit langen Hitze- und Dürreperioden treten deshalb besonders viele und/ oder verheerende Brände auf. In diesen Sommern überschreitet das Ausmaß der Waldbrände dann oft die verfügbaren Löschkapazitäten, sodass sie fast unkontrollierbar werden und dann besonders heftig ausfallen. Es könnte jedoch auch sein, dass die Waldbrandgefahr insbesondere in den Jahren, in denen viel Fläche verbrannt ist, unterschätzt wurde und deshalb beispielsweise zu wenig Kapazitäten für das Löschen der Brände bereitgestellt wurden.

Fazit

Abschließend folgt daraus, dass bereits im Frühjahr mit Waldbränden gerechnet werden muss und dass in insbesondere trockenen Jahren genügend Maßnahmen ergriffen werden müssen, um große Flächenverluste begrenzen zu können.

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)?
Waldbrandschäden im Vergleich: Bayern vs. Brandenburg
Kennzahlen für die Jahre 2022 und 2023
Kennzahl
Bayern
Brandenburg
2022 2023 2022 2023
Gesamtzahl der Brände 145 75 523 251
Gesamtfläche der Brände (ha) 214 44 1 426 765
Durchschnittliche Fläche pro Brand (ha/Brand) 1,48 0,59 2,73 3,05
Gesamte wirtschaftliche Verluste (Tsd. €) 297,06 197,64 13,60 6,90
Verlust pro Hektar (€/ha) 1 388,13 4 491,82 9,54 9,02

Beschreibung der Tabelle

Die Tabelle vergleicht die Schäden, die in Bayern und Brandenburg jeweils 2022 und 2023 von Waldbränden verursacht wurden. Dabei werden fünf Kennzahlen herangezogen, um die Vergleichbarkeit zu erhöhen. Es werden pro Jahr und Bundesland die Gesamtanzahl der Brände, die gesamte verbrannte Fläche in Hektar sowie die Durchschnittsfläche pro Brand, die gesamten wirtschaftlichen Verluste und der Verlust, der auf einen Hektar Waldfläche im Schnitt entfiel, aufgelistet.

Welches der beiden Bundesländer verzeichnet absolut gesehen mehr Brände und größere Flächenverluste?

Brandenburg liegt in dieser Hinsicht vorn. Die Tabelle zeigt, dass es sowohl 2022 als auch 2023 eine deutliche höhere Anzahl an Waldbränden und eine größere verbrannte Gesamtfläche hinnehmen musste als Bayern. Brandenburg verzeichnete 2022 523 Brände, die eine Fläche von 1.426 Hektar vernichteten, während es in Bayern lediglich 145 Brände auf 214 Hektar waren. Auch im Jahr danach gab es in Brandenburg mehr Brände als in Bayern, wobei sowohl insgesamt als auch auf den Hektar gerechnet mehr Fläche zu Schaden kam. Dabei waren die Brände in Brandenburg in beiden Jahren auch größer als in Bayern: Während in Bayern nur 1,48 bzw. 0,59 Hektar pro Brand anfielen, ist dieser Durchschnitt in Brandenburg von 2,73 auf 3,05 Hektar pro Brand angestiegen.

Der Unterschied könnte vor allem darin begründet sein, dass die Wälder in Brandenburg beispielsweise von höherer Trockenheit der Böden oder leichter brennbaren Baumarten geprägt sind, wodurch sich Waldbrände einerseits leichter entzünden und andererseits auch schneller ausbreiten.

Welches Bundesland hat die höheren ökonomischen Verluste pro Hektar?

Die größeren ökonomischen Verluste pro Hektar €/ha hatte jedoch Bayern zu verzeichnen. Der Unterschied zwischen den beiden Bundesländern ist hierbei enorm, da Brandenburg 2023 pro Hektar nur etwa 9€ verlor; Bayern jedoch 4.491,82€ pro Hektar verbuchen musste. Weiterhin fällt auf, dass sich der Verlust pro Hektar im betrachteten Zeitraum in Brandenburg kaum verändert hat, während er sich in Bayern von 2022 auf 2023 mehr als verdreifachte. Folglich brennt es in Brandenburg zwar öfter, jedoch ist der Schaden auf den Hektar gerechnet nicht so hoch wie bei den Bränden in Bayern.

Was könnte dieser Unterschied über den Wert und die Art der Wälder in den beiden Regionen aussagen?

Die extreme Differenz bei den Verlusten pro Hektar zwischen den Bundesländern lässt Vermutungen über die Holzart zu, die in den betroffenen Wäldern wächst. Dies wirkt sich dann letztendlich auch auf den Wert der Wälder und somit wiederum auf die Höhe der Verluste aus.

In Brandenburg wurden meist geringwertige oder junge Bestände beschädigt. Das sind oft die schnell wachsenden Nadelhölzer wie die Kiefer, die für die Holzindustrie angebaut werden, aber pro Hektar einen relativ niedrigen Wert haben. Der Schaden bemisst sich hier primär in der Fläche statt des Werts, da in Brandenburg zwar viel Waldfläche pro Jahr durch Brände vernichtet wird, der daraus resultierende finanzielle Schaden mit 9 bis 10€ pro Hektar jedoch vergleichsweise gering ausfällt. Es gilt aber zu beachten, dass die Wälder in Brandenburg überwiegend Nutzwälder sind. Somit wirken sich die Waldbrände in Brandenburg auch auf die Holzindustrie aus, da mit den Bränden ein Rohstoffverlust einhergeht. Für die Besitzer des Holzes entsteht durch die Brände auch ein Einkommensverlust.

In Bayern sind es oft “teurere Wälder”, die beschädigt werden. Das Holz in den bayrischen Wäldern ist wertvoller, wobei die Wälder in Bayern im Gegensatz zu denen in Brandenburg auch wichtige Schutzfunktionen (wie etwa die des Lawinenschutzes oder der Wasserspeicherung) erfüllen. Wenn hier ein Wald anfängt zu brennen, sind der Schaden am Kapitalwert und die Kosten für die Wiederaufforstung mit geeigneten, robusten Baumarten höher als bei simpleren Nadelhölzern wie in Brandenburg. Somit ist das Waldbrandproblem in beiden Bundesländern sehr präsent, jedoch auf eine unterschiedliche Art und Weise. Es ist in beiden Bundesländern ein ernst zu nehmendes Problem, da Waldbrände sowohl Umweltschäden als auch finanzielle Schäden für die Forstbetriebe verursachen.

Fazit: Das Waldbrandproblem in Bayerns und in Brandenburg - Qualitätsprobleme vs. Quantitätsprobleme

Brandenburgs primäres Problem ist das Ausmaß der Brände, sowohl was die Brandanzahl als auch die verbrannte Fläche betrifft. Dort müssen die vielen, sich schnell ausbreitenden Brände in den Griff zu bekommen werden. Eine frühe Erkennung und optimierte Maßnahmen zur Waldbrandbekämpfung könnten dazu beitragen, Fläche und Anzahl von Waldbränden zu verringern und somit auch eventuelle Auswirkungen auf die Holzindustrie zu begrenzen.
In Bayern manifestiert sich das Waldbrandproblem eher in den wirtschaftlichen Verlusten. Das dort verbrannte Holz ist deutlich wertvoller als das in Brandenburg, zudem erfüllt es wichtige Schutzfunktionen. Der Wert der bayrischen Wälder drückt sich also nur teilweise im Marktwert des Holzes aus, da der Wert des Schutzes hier nicht quantifiziert wird. Für Bayern ist die Eindämmung der Waldbrände also nicht nur von wirtschaftlichem Interesse, sondern trägt auch zur Sicherheit vor Naturgefahren wie Lawinen oder Steinschlägen in den umliegenden Gebieten bei. Der Schutz von Schlüsselgebieten spielt hier also eine zentrale Rolle.
Da die Wälder in den beiden Bundesländern unterschiedliche Funktionen erfüllen und die Brände unterschiedliche Probleme hervorrufen, sind Vergleiche zwischen Bayern und Brandenburg auch wenig aussagekräftig. Je nachdem, wie man die entstandenen Probleme gewichtet, bewertet man das Waldbrandproblem der beiden Bundesländer auf unterschiedliche Weise. Eine Aussage darüber, welches Problem schlimmer ist, kann deshalb nicht ohne Weiteres getroffen werden.

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?

Beschreibung des Diagramms

Das Balkendiagramm zeigt die absoluten Verluste an Holz in m3, aufgeschlüsselt nach Stammholz und Industrieholz, die in Bayern und Brandenburg 2022 bzw. 2023 infolge von Waldbränden entstanden sind. Absolut betrachtet verzeichnete Bayern 2022, Brandenburg hingegen 2023 die größten Gesamtverluste an Holz. Das Verhältnis an Industrie- und Stammholz unterscheidet sich in beiden Ländern jedoch deutlich: Während in Brandenburg eher Industrieholz verbrennt, betreffen Waldbrände in Bayern eher Stammholz.

Vergleich von 2022 und 2023

Im Jahr 2022 waren die gesamten Holzverluste in beiden Bundesländern deutlich geringer als 2023. Dabei fällt auf, dass Bayern in beiden Jahren mehr Stammholz- als Industrieholzverluste verzeichnen musste, während dieses Verhältnis in Brandenburg genau umgekehrt ist. Auch hier spiegelt sich also wieder, dass das Holz in den Wäldern der beiden Bundesländer für unterschiedliche Zwecke verwendet wird.
Weiterhin zeigt sich, dass die Holzverluste in Brandenburg von 2022 auf 2023 um einiges stärker gestiegen sind als in Bayern, sowohl was das Industrie- als auch das Stammholz betrifft. In Brandenburg haben sich die Verluste in beiden Holzarten von weniger als 200 Tsd. m3 auf über 1,9 Mio. m3 beinahe verzehnfacht. In Bayern hingegen sind sie lediglich von knapp 400 Tsd. m3 auf etwa 1,5 Mio. m3 gestiegen.
2022 waren die gesamten Holzverluste in Bayern also höher, allerdings nur wegen der Stammholzverluste. Die Brandenburger Industrieholzverluste überstiegen in diesem Jahr die bayerischen nämlich knapp. Auch im darauffolgenden Jahr überstiegen die bayrischen Stammholzverluste die derer in Brandenburg, allerdings lagen die Verluste von Industrieholz in Brandenburg mehr als doppelt so hoch wie die in Bayern. 2023 waren die gesamten Holzverluste also in Brandenburg größer, wobei sich die Dominanz von Bayern in den Stammholzverlusten bzw. die von Brandenburg beim Industrieholz nicht veränderte.

ökonomische Schlussfolgerung über die Art der geschädigten Wälder

Diese Ergebnisse lassen den Schluss zu, dass das Holz in den Wäldern Brandenburgs für andere Zwecke genutzt wird als das in den Wäldern Bayerns. Dies erklärt und bestätigt auch den enormen Unterschied zwischen den beiden Bundesländern bei den Verlusten pro Hektar aus Aufgabe 16. Waldbrände in Bayern führen eher zu Stammholzverlusten, während in Brandenburg eher Industrieholz verbrennt. In welchem Bundesland die Waldbrände stattfinden, beeinflusst dementsprechend unterschiedliche Branchen. Ein Unternehmen, das eher auf Stamm- als auf Industrieholz angewiesen ist, ist vermutlich stärker von Waldbränden in Bayern als in Brandenburg betroffen, da infolge von Waldbränden die Rohstoffpreise steigen könnten.
Maßnahmen für die Bekämpfung von Waldbränden schützen also je nachdem, wie effizient sie in welchem Bundesland sie umgesetzt werden, verschiedene Industrien. Sind Waldbrände in einem bestimmten Bundesland bereits aufgetreten, sit es demnach sinnvoll, Unterstützungsmaßnahmen auf die entsprechend betroffene Branche zu fokussieren, statt mit dem Gießkannenprinzip zu arbeiten. So könnte eine zielgerichtetere Unterstützung der Holzwirtschaft gewährleistet werden.

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.

Abschreckung und Strafen

Die Strategie der Abschreckung und Strafen zum Beispiel durch signifikant erhöhte Bußgelder für fahrlässige Brandstiftung, adressiert zwei wichtige Ursachen von Bränden: Fahrlässigkeit (da die Kosten unvorsichtigen Handelns erhöht werden) und insbesondere Brandstiftung bzw. Vorsatz. Dieser Ansatz bietet grundsätzlich einen hohen Nutzen pro eingesetztem Euro, da die Kosten für die Erhöhung von Strafen und Bußgeldern gering sind, während die Abschreckungswirkung im besten Falle hoch ist. Mit Blick auf die Analyse der Brandanzahl und der verbrannten Fläche nach Ursache in Aufgabe 13 erkennt man, dass durch eine wirksame Abschreckung einige hundert Brände pro Jahr verhindert werden könnten.
Allerdings stellt sich hierbei die Frage, ob bzw. wie oft Brandverursacher überhaupt erwischt werden. Da viele Brandursachen ungeklärt bleiben, stellt sich die Frage, wie viele davon eigentlich auch in die Kategorien “Brandstiftung” oder “Fahrlässigkeit” gehören. Die Sanktionen können ihre abschreckende Wirkung nämlich nur entfalten, wenn es eine ausreichend hohe Wahrscheinlichkeit gibt, dass die Brandstiftung bzw. die fahrlässige Brandverursachung überhaupt aufgeklärt wird.
Des Weiteren muss infrage gestellt werden, warum die Strafen, mit denen die Verursachung von Waldbränden derzeit saktioniert wird, nicht ausreichen. Daraus stellt sich dann die Folgefrage, ob eine Erhöhung der Sanktionen überhaupt noch eine Wirkung zeigt bzw. einen Nutzen hat. Falls die Wirkung nur marginal abschreckend wirkt, übersteigen die Grenzkosten sozusagen den Grenznutzen der Sanktionserhöhung, wodurch diese Methode nicht effizient genug wäre.
Wie sinnvoll diese Maßnahme also ist, hängt davon ab, wie stark der Einfluss einer Straferhöhung also auf potenzielle Brandverursacher wirkt und wie erfolgreich die Strafverfolgung der Verursacher ist. Abseits vom Faktor Mensch trägt diese Methode aber nicht dazu bei, die Brandanfälligkeit der Wälder zu senken. Dies wäre insbesondere in besonders trockenen Perioden sowie zur Eindämmung von großflächigen Bränden wünschenswert. Auch werden andere Brandursachen dadurch nicht bekämpft. Deshalb ist eine Ergänzung um weitere Maßnahmen auf jeden Fall notwendig.

Anreize für den Waldumbau

Anreize für den Waldumbau mittels staatlicher Subventionen würden zur oben genannten Verringerung der Brandanfälligkeit beitragen. Die erhoffte Wirkung wäre, dass durch den Umbau erstens weniger Brände auftreten, und zweitens das Ausmaß der Brände (bezogen auf die Fläche) verringert wird. Diese Maßnahme würde bei allen Ursachen wirken und könnte die Spitzen der Brandanzahl (wie in Aufgabe 15 gesehen) eindämmen. Brandenburg würde beispielsweise von einer solchen Maßnahme profitieren, da wir bei den Analysen der Aufgaben 16 und 17 gesehen haben, dass insbesondere dort Monokulturen zur Gewinnung von Industrieholz angebaut werden. Die Subventionen müssten dann vor allem gezielt an Privatwaldbesitzer gehen, da diese den größten Anteil an der verbrannten Fläche und der Brandanzahl haben (vgl. Aufgabe 12). Wenn diese ihre Wälder umbauen, könnte viel Waldfläche durch die Verhinderung von Großbränden gerettet werden. Diese Strategie ist auch die nachhaltigste.

Zu bemängeln ist an diesem Ansatz allerdings, dass die Umsetzung sehr lange dauert. Ein Umbau des Waldes wird nicht von heute auf morgen vollzogen, sondern dauert viele Jahre bis Jahrzehnte. Bis diese Maßnahme also ihre Wirkung entfacht, sind auf jeden Fall noch zusätzliche Maßnahmen nötig. Außerdem könnten bürokratische Prozesse die Umsetzung verzögern. Es müsste geklärt werden, aus welchem konkreten Budget die Maßnahmen gezahlt werden (denkbar wäre eine Finanzierung über den ELER), ob sie über Förderbanken wie die Landwirtschaftliche Rentenbank oder andere Wege ausgezahlt werden, welche Kriterien erfüllt werden müssen, um die Förderung zu erhalten und welchen Anteil der Umbaukosten die Subventionen überhaupt decken sollen. Die Kosten für diesen Zusatzaufwand lassen sich wohl am geringsten halten, wenn bereits bestehende Förderprogramme modifiziert werden und entsprechend vorhandene Auszahlungsstrukturen verwendet werden. Aus rein finanzieller Sicht stellt sich dabei die Frage, ob die Kosten für den Umbau (seien es direkte Subventionskosten oder wegen der zusätzlichen Bürokratie) die finanziellen Schäden, die durch Waldbrände entstehen, nicht sogar überschreiten. Aus Aufgabe 11 wissen wir, dass sich letztere auf Beträge von meist 2-3 Mio.€ pro Jahr belaufen.
Dazu kommt die Einsicht aus Aufgabe 16, dass großflächige Brände nicht unbedingt mit hohen Wertverlusten einhergehen - eventuell liegen die Schäden, die man sich durch den Umbau von Monokulturen spart, also sogar unter den vorher genannten Millionenbeträgen. Dies ist aber nur eine Seite der Medaille, da die Schäden sich schließlich nicht nur in der finanziellen Dimension auswirken, sondern auch die Umwelt beeinflussen (beispielsweise durch die Freisetzung enormer Mengen an CO2.
Diese Maßnahme ist also eher auf die lange Frist ausgelegt und mit hohen Kosten verbunden. Sie könnte aber in Zukunft einen großen Beitrag dazu leisten, die Brandwahrscheinlichkeit zu verringern und stellt somit eine sinnvolle und weitreichende Möglichkeit dar.

Investition in Technologie

Die Investition in Technologien wie Drohnen und Sensoren könnte die Reaktionszeit auf Brände um einiges verkürzen und somit Großbrände verhindern. Zwar wird die Entstehung eines Brands hierdurch nicht unbedingt verhindert, allerdings könnten die Schäden auf ein Minimum reduziert werden. Voraussetzung hierfür ist jedenfalls, dass auch genug Kapazitäten zur Löschung der Brände verfügbar sind. Die Kosten für die Überwachung wären initial zwar relativ hoch, jedoch würde sich diese Investition aber durch die Minimierung der Schadenssummen schnell wieder amortisieren. Insbesondere für die Wälder in Bayern, wo sehr hohe Schadenssummen entstehen, wäre dieser Ansatz eine gute Lösung.
Demgegenüber steht die Erkenntnis, dass erhöhte Kontrollkosten nicht immer zu einem reduzierten Schaden führen. Um die Wirksamkeit dieser vielversprechenden Maßnahme zu testen, sollte also erstmal in Gebieten ausprobiert werden, in denen der ökonomische Nutzen am höchsten ist. Hierbei kommt Bayern mit seinen hochwertigen Wäldern infrage.

Fazit

Abschließend lässt sich sagen, dass keine dieser Strategien für sich allein ausreichend ist. Eine effektive Lösung sollte alle drei Ansätze nutzen: Waldumbau zur langfristigen Senkung der Brandlast, Technologie zur schnellen Reaktion und Strafen zur Adressierung der menschlichen Ursachen. Sie setzen bei unterschiedlichen Risikofaktoren an und sorgen somit für eine Bekämpfung der Waldbrände aus verschiedenen Bereichen heraus.

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.

Länder im Datensatz Finanzsubventionen_EU.csv
Ländername
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
Zeitraum der Beobachtungen in Finanzsubventionen_EU.csv
Jahre
2010
2022

Im Datensatz enthaltene Länder

Der Datensatz enthält alle EU Mitgliedstaaten, die seit 2010 Teil der EU waren und Subventionen für die Agrarpolitik erhalten haben.In dem Filter sind insgesamt 27 Länder enthalten. Das ist die konkrete Liste der Länder: 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.

Zeitraum

Der Datensatz erstreckt sich von 2010 bis zum aktuellsten Jahr in der Datei.Der Code geht von 2010 bis 2022. Somit liegt Ihnen eine 13 jährige Zeitreihe der europäischen Agrarsubventionen vor.

Bedeutung von Output_Pillar 1 und Output_Pillar 2

Die in der Spalte Indicator_Type enthaltenen Bezeichnungen Output_Pillar 1 und Output_Pillar 2 stehen für die zwei tragenden Säulen der Gemeinsamen Agrarpolitik der EU. Sie stellen eine finanzielle Struktur dar über welche sämtliche Subventionen fließen.
Der Output_Pillar 1 wird als 1.Säule bezeichnet. Sein Hauptzweck ist die Markt und Einkommensstützung der landwirtschaftlichen Betriebe. Er zielt darauf ab die Volatilität der Agrarmärkte abzufedern und den Landwirten ein Mindesteinkommen zu sichern um in Krisenzeiten stets Sicherheits zu bieten.
Der Output_Pillar 2 ist die 2.Säule der GAP. Im Gegensatz zur 1.Säule ist ihr Fokus nicht die direkte Einkommenssicherung sondern die langfristige strukturelle Entwicklung. Ihre Ziele sind breiter gefächert und umfassen Umwelt, Klima- und Tierschutzmaßnahmen, die Förderung von Investitionen in Betriebe sowie die Verbesserung der ländlichen Infrastruktur. Diese Säule wird über den Europäischen Landwirtschaftsfond für die Entwicklung des ländlichen Raums (ELER) finanziert.

Erklärung der Kategorien Direct Payments, Market Measures und Rural Development

Outpillar 1 muss zwei unterschiedliche Aufgaben bewältigen unzwar die Einkommensstützung und die Marktregulierung.

Direct Payments: Dies ist der größte Fond der GAP. Die Direktzahlungen sind in der Regel vom Produktionsvolumen entkoppelt und haben den Zweck, das Einkommen der Landwirte auf einer jährlichen, flächenbasierten Grundlage zu stabilisieren. Sie sind an die Einhaltung von Basisstandards gebunden und sind der Schutz gegen wirtschaftliche Risiken.

Market Measures: Diese kleineren flexibleren Maßnahmen ermöglichen es der EU, kurzfristig in Agrarmärkte einzugreifen als Krisenmanagement, Absatzförderung oder die Hilfe für die private Lagerhaltung. Sie sind darauf ausgelegt Ungleichheiten zu korrigieren und Marktverzerrungen zu stoppen.

Die 2.Säule (Output_Pillar 2) trägt den Namen Rural Development da ihre Mission die strukturelle Transformation ist. Sie finanziert keine direkten Einkommenshilfen sondern ist projektorientiert. Ziel ist es, Investitionen in die Modernisierung der Landwirtschaft zu lenken und die Wirtschaft und Infrastruktur im ländlichen Raum zu stärken.

Vergleichbarkeit der Indikatorentypen (Indicator_Type) mit den verschiedenen Förderarten in Deutschland

Die Indikatorentypen sind definitiv mit den deutschen Förderarten vergleichbar, da Deutschland als Mitgliedstaat verpflichtet ist, die Regeln der GAP umzusetzen. Outpillar 1: Die Mittel der Ersten Säule werden in Deutschland als Direktzahlungen an die Landwirte ausgezahlt. Dazu gehören die Basisprämie, die Öko-Regelungen und gekoppelte Zahlungen. Die Finanzierung erfolgt vollständig durch den EGFL, also den EU Haushalt.

Output_Pillar 2: Die Mittel für die Ländliche Entwicklung werden in Deutschland hauptsächlich über die Gemeinschaftsaufgabe “Verbesserung der Agrarstruktur und des Küstenschutzes” und die ELER Fonds abgewickelt. Hierbei ist die nationale Komponente besonders wichtig: Die Bundesländer legen alle eigene Programme auf.

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:
  • library(rnaturalearth)
  • library(rnaturalearthdata)
  • library(plotly)

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

  • europe <- ne_countries(scale = "medium",continent = "Europe", returnclass = "sf")

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:

  • Vergleichen Sie die Entwicklung der Subventionen für die Top 10 Länder zwischen 2020, 2021 und 2022. Welche Trends fallen Ihnen auf?
  • Gibt es Länder, bei denen die Subventionen während der 3 Jahre gestiegen oder gefallen sind? Welche möglichen Gründe könnten dies erklären?
  • Welche Länder erhalten vergleichsweise geringere Förderungen, und wie lässt sich dies im europäischen Kontext einordnen?
  • Was sind mögliche Ursachen für diese Verteilung? Recherchieren Sie mögliche Gründe, die auf die Landwirtschaft, erwirtschafteten Erträge und Entwicklung zurückzuführen sind.

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

Grafik 1: Entwicklung der absoluten Gesamtbeträgen in den 3 Jahren => pro Land einzelne Grafik? Grafik 2: Aufschlüsselung nach Jahr



Vergleich der Entwicklung der Subventionen für die Top 10 Länder zwischen 2020, 2021 und 2022

Der eindeutigste Trend ist die Stabilität der Fördermittel über drei Jahre insbesondere in den stärkeren Agrarländer. Länder wie Frankreich, Deutschland, Spanien und Italien führen die Rangliste konstant mit nur kleinen jährlichen Schwankungen an. Dies zeigt dass die 1.Säule, den Hauptanteil des Volumens ausmacht. Die wenigen sichtbaren Schwankungen weisen auf die Dynamik der 2.Säule oder auf administrative Verschiebungen hin.

Länder mit Änderungen in den Subventionsbeträgen und mögliche Gründe

Es lassen sich leichte jährliche Schwankungen beobachten. Ein Rückgang in einem einzelnen Jahr kann häufig durch administrative Verzögerungen bei der Abwicklung komplexer Projekte der ELER-Fördermittel entstehen. Diese Mittel sind an Projektabschlüsse gebunden und können daher abweichend ausgezahlt werden. Zudem können Rückforderungen zu einem Rückgang führen. Ein Anstieg kann das Resultat der nachträglichen Auszahlung solcher verzögerter ELER-Projekte sein. Diese Bewegungen sind in der Regel keine Zeichen für politische Neuausrichtungen sondern spiegeln lediglich die bürokratische Abwicklungsdynamik und die nationalen Prioritäten bei der Kofinanzierung wieder.

Länder mit geringeren Förderbeträgen und Einordnung in europäischen Kontext

Länder welche nicht unter die Top 10 fallen, erhalten im Vergleich deutlich geringere Subventionen. Das lässt sich wie folgt erklären: Geringere Fläche: Die Verteilung der Direktzahlungen ist direkt an die landwirtschaftliche Nutzfläche eines Landes gekoppelt. Kleinere Länder verfügen über weniger Fläche, die subventioniert werden kann. Historische Verteilung: Historisch wurden Zahlungen anhand von Referenzjahren und nationalen Obergrenzen festgelegt, was bis heute zu Unterschieden führt. Im europäischen Kontext ist diese absolute Ungleichheit politisch sensibel, da die relative Abhängigkeit vom Subventionscheck in manchen Ländern oft wesentlich höher ist.

mögliche Ursachen für diese Verteilung

Die Ungleichheit in der absoluten Verteilung der Subventionen hat ihre Wurzeln in der Entstehung der GAP und der Struktur der Landwirtschaft:

Flächenbasierte Dominanz: Die Fläche ist der dominante Faktor. Länder mit historisch großen Agrarflächen und viel nutzbarer Strukturen (Frankreich und Deutschland) führen die Ranglisten an, da die Direktzahlungen (Säule I) die größte Einnahmequelle darstellen.

Historische Rechte und Kaufkraft: Die Zahlungen waren lange Zeit an die historischen Produktionsniveaus und Preise gebunden. Das hat dazu geführt, dass große Agrarproduzenten auch nach der Entkopplung historisch bedingt höhere Ansprüche behielten.

Die Inanspruchnahme von Mitteln der 2.Säule (ELER) hängt von der nationalen Kofinanzierungsbereitschaft ab. Länder, die hohe nationale Mittel bereitstellen, um ihre Landwirtschaft gezielt zu modernisieren, können auch höhere Gesamtauszahlungen verzeichnen und fördern damit die Entwicklung und Wettbewerbsfähigkeit ihrer Betriebe stärker.

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:
  • Welche Länder erhalten die geringsten Subventionssummen, und wie entwickelt sich dies über die Jahre 2010-2022?
  • Gibt es Länder, bei denen die Subventionen stark gestiegen oder gefallen sind? Welche möglichen Ursachen könnten dies haben?
  • Woran liegt es, dass gewisse Länder keine Einfärbung erhalten?
  • Wie könnten sich hohe Subventionen für einzelne Länder auf den Wettbewerb innerhalb der EU und die Struktur der Landwirtschaft auswirken?
  • Welche Schlussfolgerungen lassen sich ziehen, wenn Länder mit stark schwankenden Subventionen zu erkennen sind? Könnte dies auf politische Entscheidungen, wirtschaftliche Krisen oder andere Faktoren hinweisen?

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


generelle Beschreibung

Die Karte zeigt für den Zeitraum von 2010 bis 2022, wie hoch die Agrarsubventionen waren, die ein EU-Staat in dem entsprechenden Jahr aus dem EU-Haushalt ausgezahlt bekommen hat. Die unterschiedliche Höhe der Beträge wird dabei durch die verschiedene Farbgebung visualisiert: Je dunkler ein Staat eingefärbt ist, desto höher die Subventionen, die er in dem Jahr erhalten hat.
Der betrachtete Zeitraum steckt sich über zwei verschiedene Förderperioden, wobei die eine 2013 endete und die andere dann von 2014 bis 2022 andauerte.

Länder mit den geringsten Subventionen

Am wenigsten konnten die EU-Staaten im Norden, Osten und Südosten Europas (mit Ausnahme von Polen) von den EU-Subventionen profitieren. Auch Irland, Portugal und die Benelux-Staaten haben im betrachteten Zeitraum vergleichsweise niedrige Subventionszahlungen empfangen. Die Subventionsbeträge der Staaten im Osten bzw. Südosten Europas steigen in einigen Jahren zwar an (beispielsweise in Rumänien), jedoch nicht über einen Betrag von 6 Mrd.€ pro Land und Jahr. Die Länder im nördlichen Europa, wie z.B. Schweden oder Litauen, sowie Portugal, Irland und die Benelux-Staaten erhalten im gesamten Zeitraum jeweils nie mehr als 2 Mrd.€ pro Jahr. Dass Benelux, Irland und Portugal geringere Beträge erhalten, liegt insbesondere daran, dass es sich hierbei um eher kleiner Länder handelt, bei denen die Agrarwirtschaft folglich auch kleiner ist als in größeren EU-Staaten. In Nordeuropa wiederum ist es klimabedingt eher schwierig, einen großen Agrarsektor aufzubauen, weshalb auch an diese Länder eher geringere Beträge fließen.

Länder mit stark schwankenden Subventiosbeträgen

In Spanien sind die Subventionen mit dem Übergang zur neuen Förderperiode sprunghaft angestiegen. In Polen schwanken die Subventionsbeträge während des betrachteten Zeitraums merklich und auch in Rumänien variieren die Zahlungen von Jahr zu Jahr.
Starke Änderungen von 2013 auf 2014 können durch neue Förderprogramme erklärt werden, beispielsweise wenn ein Land dank der neuen Maßnahmen in der 2014 begonnenen Förderperiode mehr Zahlungen erhält.
Auch die Struktur der Agrarwirtschaft in den entsprechenden Ländern könnte ein Grund hierfür sein. Wenn ein Land wegen besonders trockenen Sommern teils hohe Ernteausfälle hinnehmen muss (wie es in Spanien zu erwarten wäre) und zu deren Abfederung dann Unterstützung aus der GAP-Förderung erhält, sind die Auszahlungen pro Jahr so unregelmäßig wie die Ernteausfälle. Neben diesen könnten selbstverständlich auch andere strukturelle Faktoren die Unregelmäßigkeit begründen.
Die Schwankungen in Polen un Rumänien könnten auch durch Währungsdifferenzen erklärt werden - in beiden Ländern wird nicht mit dem Euro gezahlt, sodass je nach Wechselkurs ein anderer Betrag bei den Begünstigten in diesen Staaten ankommt. Durch die spätere Umrechnung zurück in Euro-Beträge, um die Statistik zu erstellen, ergeben sich dann andere Werte, sofern sich der Wechselkurs in der Zwischenzeit verändert hat.
Zu guter Letzt könnte der primäre Sektor in Staaten mit stark schwankenden Subventionsbeträgen ausgebaut oder abgebaut worden sein, sodass es entsprechend mehr oder weniger potenzielle Subventionsempfänger in einem Land gab als im Vorjahr, selbst wenn der durchschnittlich gezahlte Subventionsbetrag pro Begünstigtem im Land unverändert blieb.

Warum manche Läder keine Einfärbung erhalten

Dass manche Länder auf der Karte nur grau hinterlegt sind, liegt grundsätzlich daran, dass diese im für die Karte verwendeten Datensatz im entsprechenden Jahr nicht aufgelistet sind. Dies hat wiederum einen von zwei Gründen: Erstens werden alle Länder, die nicht (mehr) Teil der EU sind, nicht aufgeführt. Logischerweise kann ein Staat, der kein EU-Mitglied ist, auch keine GAP-Förderung aus dem EU-Haushalt erhalten. Auch Großbritannien, das 2020 die EU verlassen hat, wird im gesamten Datensatz nicht mehr gezeigt. Zweitens beinhaltet der betrachtete Zeitraum wie bereits erwähnt zwei verschiedene Förderperioden. In der ersten Periode wurden die Staaten im Rahmen anderer Agrarprogramme von der EU unterstützt, sodass der Großteil der EU-Staaten erst ab Beginn der neuen Förderperiode im Jahr 2014 eingefärbt gezeigt wird. Die beiden Programme, die im Datensatz für die erste Periode aufgelistet sind ( Single Area Payment Scheme für ab 2004 neu beigetretene Staaten und Crop specific payment for cotton für bestimmte Sektoren wie etwa Baumwolle), haben nur Zahlungen an die zwölf in der Karte von 2010 bis 2013 angezeigten Staaten vorgesehen. Mit dem Übergang zur neuen Förderperiode wurden die Agrarprogramme verändert, wodurch mehr EU-Staaten von einer der im Datensatz aufgeführten Maßnahmen profitieren konnten.

Auswirkungen hoher Subventionsbeträge auf Wettbewerb und Struktur der Landwirtschaft in der EU

Bei Betrachtung der Subventionshöhe muss zunächst angemerkt werden, dass kleinere Staaten offensichtlich geringere Subventionsbeträge erhalten, da deren primärer Sektor tendenziell kleiner ist als der von größeren EU-Mitgliedern.
Allerdings können unverhältnismäßig hohe Subventionen für andere Länder eine Einstiegshürde in den Agrarsektor darstellen. Die Subventionen erleichtern den Landwirten das Bestehen am Markt, wodurch sie weniger unter Wettbewerbsdruck stehen. Landwirte aus Ländern, die vergleichsweise weniger Subventionen erhalten, haben demnach eine schwächere Wettbewerbsposition. Dies könnte auch den Ausbau bzw. Erhalt der Landwirtschaft in den Staaten beeinflussen: Wenn ein Staat weniger Subventionen bekommt, ist dessen Landwirtschaft wegen der weggebrochenen finanziellen Unterstützung eventuell weniger wettbewerbsfähig, wodurch sich der primäre Sektor dort dann abbauen könnte.
Dies wiederum würde sich dann auf die Struktur der Landwirtschaft in der EU auswirken: Länder, die höhere Subventionen erhalten, können ihre Landwirtschaft besser unterstützen, wodurch die Agrarwirtschaft dort eher erhalten bleibt. Folglich könten unverhältnismäßig hohe Subventionsbeträge den Wettbewerb zwischen den EU-Staaten auf dem Agrarmarkt verzerren.

Gründe für stark schwankende Subventionen in einem Land

Dass in einem Land die Subventionen schwanken, könnte auf politische Entscheidungen auf nationaler Ebene zurückzuführen sein. Beispielsweise könnten neue und umfassende Auflagen, die landwirtschaftliche Betriebe in einem Staat aufgrund der nationalen Gesetzgebung erfüllen müssen, dazu führen, dass der primäre Sektor dort schrumpft. Werden zusätzliche nationale Unterstützungsmaßahmen eingeführt, könnte das dazu führen, dass sich der Sektor wieder ausbaut.
Diesem Gedanken folgend könnte auch die Höhe der Agragsubventionen, die aus den nationalen Haushalten finanziert werde, einen bedeutenden Einfluss auf die Etwicklung des primären Sektors und somit auch auf die Anzahl der potenziellen Subventionsempfänger haben. Hat ein Land vergleichsweise viele berechtigte Landwirte, erhält es auch mehr Subventionen.
Je nachdem, wie anfällig die Agrarwirtschaft in einem Staat für Naturkatastrophen und andere witterungs- und klimabedingte Schäden ist, könnten auch jährlich wechselnde Wetterphänomene ein Grund für die starken Schwankugen in der Subventionshöhe einzelner Länder sein.

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.

  • Lassen sich Unterschiede in den Subventionssummen zwischen den beiden Ländern vor allem durch politische Rahmenbedingungen, agrarische Strukturen oder durch EU-weite Fördermaßnahmen erklären?

  • Welche Schlussfolgerungen könnten daraus für die wirtschaftspolitische Steuerung oder für die Vergleichbarkeit der Subventionen zwischen Ländern gezogen werden?

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

  • Was fällt Ihnen bei der Verteilung und der zeitlichen Entwicklung der Subventionen auf?

  • Recherchieren Sie für diese Länder mögliche Ursachen, die diese Schwankungen verursacht haben könnten (z.B. politische Entscheidungen, Fördermaßnahmen, wirtschaftliche Krisen, Struktur der Landwirtschaft)?

Frage 1: Deutschland und Frankreich im Vergleich

Vergleich der Subventionssummen: Deutschland und Frankreich

Betrachtet man Deutschland und Frankreich in der interaktiven Karte, so sticht Frankreich über den gesamten Zeitraum von 2010 bis 2022 als der mit Abstand größte Empfänger von EU-Agrarsubventionen hervor: In vielen Jahren fließen mehr als 8 Mrd.€ an Subventionen an unsere Nachbarn. Deutschland bekommt zwar auch jedes Jahr vergleichsweise hohe Subventionsbeträge, liegt jedoch immer deutlich hinter Frankreich. Diese beständige Differenz lässt sich nicht allein durch zufällige Schwankungen erklären, sondern deutet auf fundamentale strukturelle und politische Unterschiede hin.

Ursachen für die Unterschiede: Struktur vor Politik

Die Unterschiede in den Subventionssummen lassen sich primär durch die verschiedene Struktur der Agrarwirtschaft in den beiden Ländern erklären, wobei politische Rahmenbedingungen eine verstärkende Rolle spielen. Ein entscheidender Faktor ist die landwirtschaftlich genutzte Fläche. Da die Direktzahlungen der 1. Säule (EGFL) in Abhängigkeit der Flächengröße ausgezahlt werden ( Hektarprämie), profitiert Frankreich massiv von seiner deutlich größeren Agrarfläche im Vergleich zu Deutschland (ca. 27 Mio. Hektar in Frankreich bzw. 16,6 Miio. Hektar in Deutschland). Frankreich kann also vor allem von den EGFL-Geldern profitieren.
Politische Rahmenbedingungen kommen ergänzend hinzu: In Deutschland wird der Fokus etwas stärker auf Umweltauflagen als auf der reinen Förderung der landwirtschaftlichen Produktion. Demnach unterscheidet sich die agrarwirtschaftliche Struktur zwischen den beiden Ländern. Folglich fließen finanzielle Mittel aus unterschiedlichen Fördertöpfen: Während Frankreich wie bereits stark von der 1. Säule des GAP profitieren kann, werden in Deutschland die oft etwas kleinteiligeren Programme der 2. Säule in Anspruch genommen.

Schlussfolgerungen für die wirtschaftspolitische Steuerung

Aus dieser Beobachtung lassen sich zwei zentrale Schlussfolgerungen für die Vergleichbarkeit und Steuerung ziehen: Erstens ist ein rein absoluter Vergleich der Subventionssummen zwischen Ländern irreführend. Da die Auszahlungen teilweise stark von der landwirtschaftlichen Fläche in einem Land abhängen, sagt die absolute Höhe der Subventionen weniger über die “politische Bevorzugung” eines Landes aus, als vielmehr über dessen geografische Größe und Agrarstruktur. Für eine sinnvolle wirtschaftspolitische Bewertung müssten daher relative Kennzahlen herangezogen werden, wie etwa “Subventionen pro Hektar” oder “Subventionen pro Betrieb”. Zweitens zeigt dies, dass eine EU-weite Steuerung über pauschale Flächenprämien dazu tendiert, bestehende Größenunterschiede zu fördern. Wenn das Ziel der europäischen Agrarpolitik eine gezieltere Förderung (z. B. nach ökologischer Leistung statt nach bloßem Besitz) sein soll, müssten die Förderkriterien stärker von der reinen Fläche entkoppelt werden, um die Leistung statt ausschließlich die Größe zu berücksichtigen.


Frage 2: Ursachen der starken Schwankungen

zeitliche Entwicklung und Verteilung der Subventionen

Betrachtet man die Verteilung der Subventionen über den Zeitverlauf, so fällt auf, dass die Entwicklung keineswegs linear verläuft. Besonders bei den Ländern, die bereits seit Beginn des Betrachtungszeitraums (2010) im Datensatz enthalten sind, ist im Jahr 2014 eine markanter Anstieg der Subventionszahlungen zu beobachten. In diesem Jahr verzeichnen fast alle dieser zwölf Staaten große Änderungen in der Auszahlungshöhe – meist in Form eines sprunghaften Anstiegs. Abgesehen davon stechen insbesondere Spanien, Griechenland, Rumänien und Kroatien durch eine überdurchschnittlich hohe Volatilität der empfangenen Mittel hervor.

Ursachen für Anstieg 2014

Die auffälligen Verschiebungen im Jahr 2014 lassen sich primär durch politische Rahmenbedingungen auf EU-Ebene erklären: 2014 markierte den Beginn der neuen GAP-Förderperiode (2014–2020). Mit dieser Reform wurden die neue Förderprogramme aufgesetzt. Viele zuvor separate oder gekoppelte Programme wurden in das System der Direktzahlungen integriert oder neu gewichtet. Für die zwölf “Alt-Staaten” im Datensatz bedeutete dies oft eine große Änderung in den Auszahlungen, was die statistisch sichtbaren Sprünge in diesem Jahr begründet.

Spezifische Gründe für Schwankungen in Südeuropa (Spanien & Griechenland)

Bei Spanien und Griechenland sind die Schwankungen stark in der agrarwirtschaftlichen Struktur begründet, wobei klimatische Faktoren eine wichtige Rolle spielen. Da die Landwirtschaft in Südeuropa besonders anfällig für Dürren ist, können in Krisenjahren zusätzliche EU-Sonderhilfen (Krisenreserve) ausgezahlt werden, was zu irregulären Spitzen in der Statistik führt, die nicht auf die regulären Subventionszahlungen zurückzuführen sind.

Strukturelle Anpassungen in Osteuropa (Rumänien & Kroatien)

Bei Rumänien und Kroatien sind die Ursachen hingegen vor allem im politischen Prozess der EU-Integration zu suchen. Für Rumänien (Beitritt 2007) galt im betrachteten Zeitraum noch der Mechanismus des “Phasing-in”. Das bedeutet, dass die Direktzahlungen vertraglich festgelegt Jahr für Jahr angehoben wurden, um sie schrittweise an das Niveau der alten Mitgliedstaaten anzugleichen. Die Schwankungen sind hier also vielmehr auf die politische Dimension als auf die rumänische Agrarwirtschaft zurückzuführen.
Bei Kroatien ist die Volatilität noch ebensfalls im EU-Beitritt begründet, der 2013 stattfand. Die Daten zeigen folglich den kompletten Aufbau der Förderstrukturen von Null an, was in den ersten Jahren zwangsläufig zu Schwankungen in der Auszahlungshöhe führt (wobei die Höhe der Beträge Jahr für Jahr ansteigt). Ein weiterer verzerrender Faktor ist in beiden Fällen die Währung: Da weder Rumänien noch Kroatien (bis 2022) den Euro nutzen, führen Wechselkursschwankungen zwischen der nationalen Währung und dem Euro dazu, dass die Beträge in der Euro-Statistik variieren, selbst wenn die ausgezahlte Summe im Land konstant blieb.

1.
Europäische Kommission. GAP-Ausgaben. https://agriculture.ec.europa.eu/data-and-analysis/financing/cap-expenditure_de (2025).
2.
Umweltbundesamt. Agrarumwelt- & Klimamaßnahmen in der europäischen Agrarförderung. https://www.umweltbundesamt.de/daten/land-forstwirtschaft/umweltmassnahmen-im-agrarbereich#finanzmittel-fur-die-zweite-saule-der-gap (2024).
3.
Statista. Europäische Union: Anteile der Wirtschaftssektoren am Bruttoinlandsprodukt (BIP) von 2014 bis 2024. https://de.statista.com/statistik/daten/studie/249078/umfrage/anteile-der-wirtschaftssektoren-am-bruttoinlandsprodukt-bip-der-eu (2025).
4.
Eurostat. Leistung des Agrarsektors. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Performance_of_the_agricultural_sector&action=statexp-seat&lang=de (2025).
5.
Statistisches Bundesamt. Bruttoinlandsprodukt 2024. https://www.destatis.de/DE/Themen/Wirtschaft/Volkswirtschaftliche-Gesamtrechnungen-Inlandsprodukt/_Grafik/_Interaktiv/bip-wirtschaftsstruktur.html (2025).
6.
Eurostat. Erwerbstätige nach Wirtschaftszweigen. https://ec.europa.eu/eurostat/databrowser/view/lfsa_egan2__custom_19016911/default/table (2025).
7.
Statistisches Bundesamt. Erwerbstätige im Inland nach Wirtschaftssektoren. https://www.destatis.de/DE/Themen/Wirtschaft/Konjunkturindikatoren/Lange-Reihen/Arbeitsmarkt/lrerw13a.html (2025).
8.
Bundesanstalt für Landwirtschaft und Ernährung. Häufig gestellte Fragen zu Agrarzahlungen. https://www.agrarzahlungen.de/agrarfonds/haeufig-gestellte-fragen#c71 (n.d.).