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.

Laut dem deutschen Bauernverband lag das Gesamtbudget für die gemeinsame Agrarpolitik der EU für Gesamteuropa in 2024 bei rund 52,5 Milliarden Euro. (Quelle:EU–Agrarhaushalt / Mehrjähriger Finanzrahmen https://www.situationsbericht.de/4/41-eu%E2%80%93agrarhaushalt-mehrjaehriger-finanzrahmen Letzter Aufruf am 30.11.2025).

Laut dem Umweltbundesamt erhält Deutschland rund 6 Milliarden Euro (Quelle:Budget der GAP in Deutschland für das Jahr 2024 https://www.umweltbundesamt.de/bild/budget-der-gap-in-deutschland-fuer-das-jahr-2024 Letzter Aufruf am 30.11.2025).

Laut Statista betrug der Anteil an Land- und Forstwirtschaft vom BIP der gesammten EU im Jahr 2024 rund 1,59% (Quelle:Anteile der Wirtschaftssektoren am Bruttoinlandsprodukt (BIP) in ausgewählten Weltregionen im Jahr 2024 https://de.statista.com/statistik/daten/studie/248031/umfrage/anteile-der-wirtschaftssektoren-am-bruttoinlandsprodukt-bip-nach-weltregionen Letzter Aufruf am 30.11.2025).

Laut Statista betrug der Anteil von Deutschland am EU BIP 24,1% und der Anteil den die Land- und Forstwirtschaft am deutschen BIP ausmachen lag in 2024 bei rund 1%. Deutschlands Land- und Forstwirtschaft haben also rund 0,241% des BIPs der EU ausgemacht (Quelle:Verteilung der Bruttowertschöpfung¹ in Deutschland nach Wirtschaftsbereichen im Jahr 2024 https://de.statista.com/statistik/daten/studie/36846/umfrage/anteil-der-wirtschaftsbereiche-am-bruttoinlandsprodukt/ Letzter Aufruf am 30.11.2025 ;Europäische Union: Bruttoinlandsprodukt (BIP) in den Mitgliedstaaten der EU im Jahr 2024 https://de.statista.com/statistik/daten/studie/188776/umfrage/bruttoinlandsprodukt-bip-in-den-eu-laendern/ Letzter Aufruf am 30.11.2025).

Die EU verfügt laut Statista über 200,75 Millionen Erwerbstätige, von denen schätzungsweise 2,4 Millionen im Bereich Land- und Forstwirtschaft arbeiten, was zu einem prozentualen Anteil von rund 1,2% führt (Quelle:Europäische Union¹ & Eurozone: Anzahl der Erwerbstätigen von 2009 bis 2024 https://de.statista.com/statistik/daten/studie/249097/umfrage/erwerbstaetige-in-der-europaeischen-union-eu/ Letzter Aufruf am 30.11.2025).

Laut dem statistischen Bundesamt arbeiten in Deutschland rund 1,2% der Erwerbstätigen im Sektor Land- und Forstwirtschaft (Quelle:Erwerbstätige im Inland nach Wirtschaftssektoren https://www.destatis.de/DE/Themen/Wirtschaft/Konjunkturindikatoren/Lange-Reihen/Arbeitsmarkt/lrerw13a.html Letzter Aufruf am 30.11.2025).

Einlesen

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

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

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

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

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

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

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

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

EGFL steht für “Europäischer Garantiefonds für die Landwirtschaft”. Seine Hauptaufgabe besteht im finanzieren von Direktzahlungen an landwirtschaftliche Betriebe, sowie Marktinvestitionsmaßnahmen zur Stabilisierung der Agrarmärkte.

ELER steht für “Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums”. Der ELER wird für Dinge wie, Modernisierung von landwirtschaftlichen Betrieben, dem Ausbau ländlicher Infrastruktur und der Förderung ökologischer Landwirtschaft eingesetzt. Im großen und ganzen soll er also die ländliche Entwicklung in allen Mitgliedsstaaten fördern.

Die nationale Kofinanzierung ist eine ergänzende Finanzierung der EU-Mitgliedsstaaten um EU-geförderte Programme gemeinsam umzusetzten. Sie erhöht das Fördervolumen und sichert sogleich Mitverantwortung auf nationaler Ebene. Anders als die Anderen handelt es sich hierbei allerdings um keinen eigenen Fond, sondern um eine Mitfinanzierung durch andere Staaten.

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

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

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

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

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

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

In diesem Fall bietet sich ein left_join an. Der erste Datensatz “waldbraende_gesamt” verfügt über Monatswerte pro Region und Jahr. Anders gesagt stellt er monatliche Beobachtungen dar, beschreibt also zum Beispiel, zu wie viele Waldbränden es in Bayern im Januar 2024 gekommen ist. Der zweite Datensatz “waldbraende_information” stellt zusätzliche Informationen wie Ursachen, Kosten und Präventionsmaßnahmen dar. Dabei handelt es sich bei den Beobachtungen ausschließlich um Jahresdaten pro Region, es gibt also keine monatliche Unterteilung. Wenn wir nun für jede monatliche Beobachtung die passenden Jahresinformationen ergänzen wollen, wählen wir “waldbraende_gesamt” als Hauptdatensatz und ergänzen Zusatzinformationen aus “waldbraende_informationen”. Durch den left_join werden Jahresinformationen ergänzt, ohne Beobachtungen des Hauptdatensatzes zu verlieren. Da “waldbraende_informationen” nur Jahresdaten enthält, wird diesselbe Jahresinformation für alle Monate desselben Jahres und dersselben Region übernommen. Aus diesem Grund wählen wir auch nicht “waldbraende_informationen” als Hauptdatensatz da sonst ein Zuordnungsproblem entsteht, da wie schon gesagt in “waldbraende_gesamt” 12 Zeilen zu einer Zeile in “waldbraende_informationen” vorhanden sind. Falls für eine Beobachtung keine zusätzlichen Jahresinformationen vorliegen, werden die entsprechenden Spalten mit NAs gefüllt, ohne dabei die Beobachtung aus dem Hauptdatensatz zu entfernen. Auf diese Weise bleiben unsere Monatsdaten vollständig, während gleichzeitig die passenden Jahresinformationen ergänzt werden.

Konsistenzcheck

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

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

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

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

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

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

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

Vergleich der Förderbeträge je Bundesland (Original vs. Berechnet)
Bundesland Summe laut Originaldaten (in Mio) Summe berechnet (in Mio) Absolute Abweichung (in Mio)
Bayern 1.421,23 1.286,81 134,42
Niedersachsen 966,03 939,27 26,76
Baden-Württemberg 683,39 613,81 69,57
Nordrhein-Westfalen 633,84 594,13 39,71
Sachsen-Anhalt 598,78 552,65 46,14
Mecklenburg-Vorpommern 598,51 569,97 28,54
Brandenburg 598,36 564,37 33,99
Sachsen 475,95 446,33 29,62
Thüringen 425,68 392,95 32,74
Schleswig-Holstein 399,57 370,23 29,34
Hessen 335,00 320,41 14,59
Rheinland-Pfalz 323,47 293,27 30,21
Saarland 34,71 31,22 3,50
Hamburg 7,40 7,23 0,17
Berlin 6,35 5,47 0,87
Bremen 4,87 4,40 0,47
Hinweis:
Die Summen basieren auf allen Förderfällen der Jahre 2023 und 2024.

Die Tabelle stellt für jedes Bundesland drei Kennzahlen dar, die sich auf sämtliche Förderfälle der Jahre 2023 und 2024 beziehen. Zunächst werden die „Summen laut Originaldaten“ ausgewiesen, die den offiziell veröffentlichten Fördersummen aus der Primärquelle entsprechen. Dem gegenüber stehen die „Summen berechnet“, die selbst aus den bereitgestellten Einzeldaten aggregiert wurden. Aus der Differenz dieser beiden Werte ergibt sich schließlich die „absolute Abweichung“, die angibt, um wie viele Millionen Euro die eigene Berechnung von den offiziellen Angaben abweicht.

Bereits auf den ersten Blick wird deutlich, dass sich die Gesamtsummen der Fördermittel stark zwischen den Bundesländern unterscheiden. Während große Flächenländer wie Bayern, Niedersachsen oder Baden-Württemberg Fördersummen im hohen dreistelligen Millionenbereich (auch Milliarden) aufweisen, liegen die Werte in den Stadtstaaten (Berlin, Hamburg, Bremen) deutlich niedriger und erreichen teilweise nur einstellige Millionenbeträge. In ähnlicher Weise variieren auch die absoluten Abweichungen zwischen offizieller Summe und eigener Berechnung. Sie reichen von sehr geringen Differenzen, wie beispielsweise in Hamburg mit lediglich 0,17 Millionen Euro, bis hin zu deutlich höheren Abweichungen, wie sie in Bayern mit 134,42 Millionen Euro auftreten. Auffällig ist dabei, dass die größten Diskrepanzen vor allem in Bundesländern zu finden sind, in denen die Gesamtsumme besonders hoch ausfällt. Dadurch zeigt sich, dass die Abweichungen nicht gleichmäßig verteilt sind, sondern vor allem die großen Fördersummen stärker betroffen sind.

Zusammengefasst können wir nun also sagen, dass die größten „unerklärten“ Abweichungen zwischen der offiziellen Fördersumme und der eigenen Berechnung in großen Bundesländern auftreten, besonders in Bayern (134,42 Millionen), gefolgt von Baden-Württemberg (69,57 Millionen) und Sachsen-Anhalt (46,14 Millionen). In kleineren Bundesländern und Stadtstaaten wie Hamburg, Bremen oder Berlin fallen die Unterschiede dagegen sehr gering aus.

Obwohl die Daten aus einer offiziellen Quelle stammen, entstehen solche Differenzen, weil die veröffentlichten Fördersummen nicht nur aus den veröffentlichten Einzeldaten bestehen, die man selbst addieren kann. Der Grund dafür liegt in der Struktur der Gemeinsamen Agrarpolitik (GAP). Die GAP wird über zwei große EU-Fonds (EAGF und EAFRD) finanziert und umfasst unterschiedliche Zahlungsarten, wie Direktzahlungen, Marktmaßnahmen oder Förderprogramme für die ländliche Entwicklung. Diese Programme erzeugen zum Teil aber auch Zahlungen, die nicht einzeln in den öffentlich zugänglichen Datensätzen erscheinen, aber dennoch in die offiziellen Gesamtsummen einfließen. Die offiziell veröffentlichten Summen enthalten daher oft zusätzliche Beträge, die in den öffentlich zugänglichen Einzeldaten nicht einzeln aufgeführt sind. Dazu gehören etwa Nachzahlungen, Kofinanzierungen, spätere Korrekturen, Umstrukturierungen von Programmen oder Zahlungen aus gemeinschaftlichen Maßnahmen. Da diese Beträge nicht als einzelne Fälle im Datensatz vorliegen, fehlen sie in der eigenen Berechnung, da diese genau die Summe dieser einzelnen Fälle im Datensatz ist. Besonders große Bundesländer sind davon stärker betroffen, weil bei ihnen mehr Programme, mehr Direktzahlungen und insgesamt höhere Fördersummen anfallen.

Hinzu kommen technische Faktoren wie Rundungen, unterschiedliche Stichtage, verspätete Meldungen oder nachträgliche Abrechnungen. Diese Elemente beeinflussen die offiziellen Summen zusätzlich. Insgesamt sind die von der EU oder nationalen Stellen veröffentlichten Fördersummen daher umfassender und komplexer als das, was man allein aus den Einzeldaten rekonstruieren kann. Aus diesem Grund weichen die selbst berechneten Werte zwangsläufig von den offiziellen Angaben ab.

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:

Top 6 und Bottom 6 Empfänger der Gesamtfördersumme im Jahr 2024
Begünstigter Gesamtfördersumme Postleitzahl Gemeinde Bundesland
Top 6 Empfänger
Landesbetr. f.Hochwasserschutz u. Wasserwirtsch. (LHW) 37.149.868,42 39104 Magdeburg, Landeshauptstadt Sachsen-Anhalt
Landesbetrieb für Küstenschutz Nationalpark u Meeresschutz 17.070.234,73 25813 Husum, Stadt Schleswig-Holstein
Land Mecklenburg-Vorpommern Ministerium für 13.243.166,07 19061 Schwerin, Landeshauptstadt Mecklenburg-Vorpommern
Landesamt für Umwelt (LfU) 7.892.895,63 14476 Potsdam, Stadt Brandenburg
Landgard Obst + Gemüse GmbH + Co. KG 3.825.087,21 47638 Straelen, Stadt Nordrhein-Westfalen
Landesforst Mecklenburg-Vorpommern 3.795.238,63 17139 Malchin, Stadt Mecklenburg-Vorpommern
Bottom 6 Empfänger
Kleinempfänger 55,51 04886 Arzberg Sachsen
Kleinempfänger 48,80 96482 Ahorn Bayern
Kleinempfänger 36,45 97753 Karlstadt, St Bayern
Kleinempfänger 36,43 29468 Bergen an der Dumme, Flecken Niedersachsen
Kleinempfänger 26,45 02894 Vierkirchen Sachsen
Kleinempfänger 25,48 97348 Markt Einersheim, M Bayern
Hinweis:
Die Tabelle zeigt jeweils die 6 größten und die 6 kleinsten Empfänger im Jahr 2024.

Die Tabelle zeigt die sechs größten und die sechs kleinsten Empfänger von Subventionen im Jahr 2024. In den ersten sechs Zeilen werden die sechs größten in einer absteigenden Reihenfolge aufgeführt. Darauf folgen dann in den nächsten Zeilen die sechs kleinsten, ebenfalls in absteigender Reihenfolge. Eine Beobachtung im Datensatz subventionen_gesamt ist jeweils ein einzelner Subventionsempfänger (Begünstigter). Das bedeutet, dass jede Zeile eine Person, ein Betrieb oder eine öffentliche Einrichtung darstellt, die im Jahr 2024 Geld erhalten hat. Zu jeder Beobachtung gehören Informationen wie der Name des Empfängers, die Fördersumme, die Postleitzahl, die Gemeinde und das Bundesland.

Beim Vergleich der Top-6-Empfänger mit den sechs kleinsten Empfängern fällt vor allem der große Unterschied in den Fördersummen auf. Die höchsten Empfänger bekommen Millionenbeträge (ca. 37 Millionen). Dabei handelt es sich hauptsächlich um große öffentliche Einrichtungen wie Landesbetriebe, Ministerien oder Landesämter. Diese Institutionen führen vermutlich umfangreiche Projekte durch, etwa im Hochwasserschutz oder im Umwelt- und Naturschutz, die hohe Kosten verursachen und daher große Fördermittel benötigen. Die Kleinempfänger dagegen erhalten nur sehr kleine Beträge zwischen etwa 25 und 55 Euro. Das sind vermutlich meist kleine Restzahlungen oder sehr kleine Fördermaßnahmen, die für einzelne Personen oder Betriebe bestimmt sind. Der Unterschied zwischen den größten und den kleinsten Zahlungen ist also extrem groß.

Die Forstwirtschaft spielt unter den Subventionsempfängern eine spürbare, aber nicht die wichtigste Rolle. Unter den Top-6-Empfängern ist der Landesforst Mecklenburg-Vorpommern vertreten, der eine Fördersumme von knapp vier Millionen Euro erhält. Das zeigt, dass die öffentliche Forstwirtschaft, also die Bewirtschaftung und Pflege staatlicher Wälder, durchaus bedeutende Fördermittel bekommt. Private Forstbetriebe tauchen jedoch nicht unter den größten Empfängern auf. Ihre Förderungen sind meist kleiner und projektbezogen. Insgesamt ist die Forstwirtschaft also wichtig, aber nicht der Hauptempfänger der größten Subventionen.

  1. Sie sollten sich im ersten Schritt einen Überblick über ihre Daten und deren Verteilung verschaffen. Auf Basis des Datensatzes subventionen_gesamt sollten Sie eine deskriptive Tabelle mit der Anzahl an Beobachtungen (ohne fehlende Werte), den Mittelwerten, den Standardabweichungen, dem Median sowie den Minima und Maxima für folgende Variablen erstellen:

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

Deskriptive Statistiken der Fördervariablen
Variable N Mittelwert Std.-Abw. Median Minimum Maximum
EGFL_Förderbetrag 288.334 18.075,44 51.772,29 7.256,10 0,00 6.345.377,21
ELER_Förderbetrag 288.334 5.818,06 87.094,53 560,53 -839,89 28.223.328,68
Nationale_Kofinanzierung 288.334 357,98 2.362,96 0,00 0,00 644.950,72
Förderbetrag_gesamt 288.334 26.057,11 132.233,18 10.011,80 0,07 37.149.868,42
Förderbetrag_berechnet 288.334 24.251,48 104.736,93 9.515,18 0,00 28.223.328,68
Hinweis:
Alle Werte basieren auf nicht-fehlenden Beobachtungen (2023–2024).

Die Tabelle zeigt die deskriptiven Statistiken für fünf zentrale Fördervariablen des Datensatzes subventionen_gesamt. Für jede Variable wurden die Anzahl gültiger Beobachtungen (N), der Mittelwert, die Standardabweichung, der Median sowie Minimum und Maximum berechnet. Alle Kennzahlen basieren auf 288.334 nicht-fehlenden Beobachtungen aus den Jahren 2023–2024.

Über die Variable EGFL_Förderbetrag können wir sagen, dass die Verteilung stark rechtsschief ist. Der Mittelwert (ca.18.000) liegt deutlich über dem Median (ca. 7.256), was auf wenige sehr hohe Förderbeträge hindeutet, die den Durchschnitt nach oben ziehen. Die extrem hohe Standardabweichung bestätigt die große Streuung. Es gibt offenbar viele kleinere oder gar keine (Minimum ist 0) EGFL-Förderungen und wenige sehr große Projekte, die Millionenbeträge erhalten, was auch am Maximum zu erkennen ist (ca.6,3 Mio).

Auch bei der Variable ELER_Förderbetrag zeigt sich eine extrem rechtsschiefe Verteilung. Der mediane ELER-Förderbetrag liegt bei nur 560,53 während der Mittelwert mit über 5.800 deutlich höher ausfällt. Die Standardabweichung ist außergewöhnlich groß, höher als der Mittelwert um den Faktor 15, was auf extreme Ausreißer nach oben hindeutet. Das negative Minimum (–839,89) ist auffällig und könnte auf Rückforderungen, Korrekturen oder Stornierungen zurückzuführen sein. Der Maximalwert von über 28 Millionen Euro ist ein sehr großer Ausreißer.

Die Variable Nationale_Kofinanzierung weist eine massive Konzentration bei Null auf. Der Median beträgt 0, was bedeutet, dass mindestens 50 % der Fälle keinerlei nationale Kofinanzierung erhalten. Die wenigen Fälle mit nationaler Kofinanzierung sind jedoch teilweise sehr hoch, wie das Maximum von über 644.000 Euro zeigt. Durch diese wenigen hohen Werte steigt der Mittelwert auf rund 358 Euro, obwohl die meisten Fälle bei Null liegen. Auch hier liegt eine stark asymmetrische Verteilung vor.

Der Gesamtförderbetrag zeigt, erwartungsgemäß, eine Zusammenführung der vorherigen Muster. Die Verteilung ist extrem rechtsschief, der Mittelwert liegt auch hier deutlich über dem Median. Ein Maximalwert von über 37 Millionen Euro zeigt, dass es einige sehr große Projekte gibt, die die meisten kleinen bis mittleren Projekte in den Schatten stellen. Die Standardabweichung ist enorm, was auf eine sehr heterogene Förderstruktur hinweist. Ebenso fällt auf, dass der maximale Wert des ausgewiesenen Gesamtförderbetrags den höchsten Einzelwert der drei zugrunde liegenden Förderkomponenten übersteigt. Dies deutet darauf hin, dass im Gesamtbetrag weitere, in der Tabelle nicht separat ausgewiesene Fördermittel enthalten sein müssen.

Die berechnete Gesamtförderung zeigt ein sehr ähnliches Muster wie der vorherige Gesamtförderbetrag, wenngleich etwas niedrigere Mittelwerte und Streuungen, was auf die in der vorherigen Aufgabe niedrigere Summe zurückzuführen ist. Auch hier deutet die Differenz zwischen Median und Mittelwert auf eine stark rechtsschiefe Verteilung hin. Der Maximalwert des berechneten Förderbetrags entspricht dem der ELER-Förderung. Dies ist plausibel, da der berechnete Gesamtbetrag aus den drei Förderkomponenten zusammengesetzt wird und folglich der höchste Wert dieser Komponente übernommen wird, die im Datensatz den größten Einzelbetrag aufweist – in diesem Fall der ELER-Förderbetrag.

Zusammengefasst kann man übergreifend also sagen, dass alle Variablen sehr rechtsschief verteilt sind und die Mediane deutlich kleiner sind als die Mittelwerte (die Durchschnittswerte werden durch extreme Ausreißer verzerrt). Außerdem sind die Standardabweichungen außergewöhnlich hoch (ein deutlicher Hinweis auf große Heterogenität der Projekte) und negative ELER-Werte deuten auf Korrekturen hin. Gleichzeitig ist die Nationale Kofinanzierung in der Mehrheit der Fälle 0, was bedeutet, dass nur wenige Projekte substanzielle nationale Kofinanzierung erhalten. Daher ist die Förderlandschaft stark von einigen sehr großen Projekten geprägt, während die überwiegende Mehrheit der Förderfälle nur geringe Zuschüsse erhält.

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

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

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

Die Grafik zeigt die prozentuale Zusammensetzung der Agrarfördergelder im Jahr 2023 nach Bundesland und macht deutliche regionale Unterschiede sichtbar. Zunächst fällt auf, dass kein Bundesland nationale Kofinanzierungsmittel aufweist, wodurch die gesamte Förderung ausschließlich aus EGFL-, ELER- und kleineren sonstigen Mitteln stammt. Besonders auffällig ist, dass in fast allen Bundesländern der EGFL-Anteil dominiert, der vor allem für Direktzahlungen zur Einkommenssicherung landwirtschaftlicher Betriebe eingesetzt wird. In klassischen Agrarländern wie Bayern, Niedersachsen oder Rheinland-Pfalz liegt dieser Anteil besonders hoch, was auf eine starken landwirtschaftlichen Ausrichtung und eine Vielzahl an Betrieben hindeuten kann, die dort von Direktzahlungen profitieren.

Deutlich sichtbar ist aber auch, dass die Stadtstaaten stark voneinander abweichen. Berlin (und auch Bremen) weist den niedrigsten EGFL-Anteil überhaupt auf und verfügt gleichzeitig über einen vergleichsweise hohen ELER-Anteil. Das erklärt sich vermutlich durch die geringe landwirtschaftliche Fläche Berlins, die kaum Direktzahlungen aus dem EGFL generiert, während der ELER für Projekte der Landschaftspflege, nachhaltige Grünflächenentwicklung und regionale Entwicklungsmaßnahmen genutzt wird. Ganz anders ist hingegen Hamburg einzuordnen: Obwohl Hamburg ebenfalls grundsätzlich nur sehr kleine (landwirtschaftliche) Flächen besitzt, zeigt es in der Grafik einen extrem hohen EGFL-Anteil und gleichzeitig einen sehr geringen ELER-Anteil. Das ist deshalb bemerkenswert, weil Hamburg, anders als Berlin, offenbar kaum ELER-Förderprogramme nutzt und die wenigen vorhandenen landwirtschaftlichen Betriebe fast ausschließlich EGFL-Direktzahlungen beziehen. Dadurch entstehen prozentual extrem hohe EGFL-Werte, obwohl die absoluten Fördervolumina klein sind. Hamburg stellt damit einen klaren Sonderfall innerhalb der Stadtstaaten dar.

Auch die ostdeutschen Flächenländer wie Brandenburg, Sachsen, Sachsen-Anhalt, Thüringen und Mecklenburg-Vorpommern fallen durch vergleichsweise höhere ELER-Anteile auf. Diese Regionen verfügen vermutlich über sehr große ländliche Räume, strukturelle Entwicklungsbedarfe und oft geringere wirtschaftliche Leistungsstärke, weshalb der ELER, der vor allem ländliche Entwicklung, Umweltmaßnahmen und Strukturförderung finanziert, hier stärker genutzt wird. Ihre Agrarpolitik setzt somit verstärkt auf Modernisierung, Nachhaltigkeit und regionale Entwicklung als auf hauptsächliche Einkommenssicherung. Grundsätzlich sind aber alle Bundesländer egal ob West - oder Ostdeutschland stark EGFL-dominiert und richten ihre Förderpolitik auf die Stabilisierung landwirtschaftlicher Einkommen aus (außer wie vorher erwähnt Berlin und Bremen).

Insgesamt zeigt die Grafik, wie eng die Förderstruktur mit den agrarökonomischen Gegebenheiten der Bundesländer verknüpft ist. Während die meisten Agrarländer vor allem auf EGFL-Mittel zur Einkommenssicherung setzen, nutzen ostdeutsche Länder, sowie Berlin und Bremen wesentlich stärker den ELER für strukturelle Entwicklung und Umweltmaßnahmen. Unter den Stadtstaaten hebt sich Berlin durch seinen hohen ELER-Anteil und Hamburg durch einen außergewöhnlich hohen EGFL-Anteil deutlich ab. Die vollständig fehlende nationale Kofinanzierung unterstreicht zudem, dass die Agrarförderpolitik 2023 stark EU-geprägt war. Insgesamt spiegeln die unterschiedlichen Anteile klar die spezifischen agrarpolitischen Schwerpunkte der einzelnen Bundesländer und die funktionalen Unterschiede der Förderinstrumente wider, wie sie in Aufgabe 2 beschrieben wurden.

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

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

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

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

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

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

Entwicklung der Gesamtfördersumme 2023-2024 nach Bundesland
Bundesland Fördersumme 2023 (Mio. €) Fördersumme 2024 (Mio. €) Absolute Veränderung (Mio. €) Relative Veränderung (%)
Bayern 814,11 607,12 -206,99 -25,42 %
Niedersachsen 577,14 388,89 -188,25 -32,62 %
Baden-Württemberg 368,65 314,74 -53,91 -14,62 %
Nordrhein-Westfalen 356,61 277,23 -79,38 -22,26 %
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 %
Thüringen 227,59 198,09 -29,50 -12,96 %
Schleswig-Holstein 227,04 172,53 -54,51 -24,01 %
Rheinland-Pfalz 186,46 137,01 -49,45 -26,52 %
Hessen 181,51 153,49 -28,02 -15,44 %
Saarland 17,38 17,33 -0,05 -0,27 %
Hamburg 3,96 3,44 -0,52 -13,14 %
Berlin 3,76 2,59 -1,18 -31,27 %
Bremen 2,61 2,26 -0,35 -13,41 %
Hinweis:
Fördersumme gebildet aus ELER, EGFL, Nationaler Kofinanzierung und sonstigen nationalen Mitteln.

Die Tabelle zeigt die Entwicklung der Fördersummen aus ELER, EGFL, nationaler Kofinanzierung und weiteren nationalen Mitteln in den Jahren 2023 und 2024 für alle Bundesländer. Dabei wird deutlich, dass in fast allen Bundesländern die Fördermittel im Jahr 2024 deutlich geringer ausfallen als im Vorjahr. Eine Ausnahme gibt es nicht: Jedes Bundesland hat einen Rückgang der Fördersummen zu verzeichnen, wenn auch in unterschiedlich starker Ausprägung.

Die größten absoluten Rückgänge zeigen sich in Bayern und Niedersachsen. Bayern verliert rund 207 Millionen Euro und Niedersachsen rund 188 Millionen Euro im Vergleich zum Vorjahr. Danach folgen Sachsen-Anhalt, Mecklenburg-Vorpommern, Brandenburg und Sachsen, die ebenfalls Rückgänge zwischen etwa 85 und 105 Millionen Euro aufweisen. Diese Bundesländer verlieren also besonders viele Mittel in absoluten Zahlen, was vor allem daran liegt, dass sie im Ausgangsjahr 2023 bereits sehr hohe Fördersummen erhalten hatten. Kleine Stadtstaaten wie Hamburg, Berlin und Bremen verzeichnen dagegen nur minimale Einbußen zwischen 0,35 und 1,18 Millionen Euro, weil ihre Ausgangsförderungen ohnehin sehr gering waren.

Betrachtet man die prozentualen Veränderungen, ergibt sich ein ähnliches, aber etwas anders gelagertes Bild. Die größten prozentualen Rückgänge haben Niedersachsen mit –32,62 %, Berlin mit –31,27 % und Sachsen mit –30,25 %. Diese Bundesländer verlieren also im Verhältnis zu ihrer ursprünglichen Fördersumme besonders stark. Auch Sachsen-Anhalt, Rheinland-Pfalz, Mecklenburg-Vorpommern und Bayern liegen mit Rückgängen zwischen –25 % und –30 % im oberen Bereich. Am geringsten fällt der prozentuale Rückgang im Saarland aus, das mit –0,27 % nahezu auf dem Niveau des Vorjahres bleibt. Auch Thüringen, Baden-Württemberg, Hamburg und Bremen haben im Vergleich geringere prozentuale Einbußen.

Über alle Bundesländer hinweg zeigt sich ein klarer Trend: Die Fördermittel sinken bundesweit deutlich. Kein Bundesland erhält im Jahr 2024 mehr Fördermittel als 2023. Das deutet darauf hin, dass die Ursachen nicht in landesspezifischen Entwicklungen liegen, sondern auf übergeordnete, gemeinsame Faktoren zurückzuführen sind – beispielsweise Änderungen in der EU-Agrarpolitik oder Umschichtungen im nationalen Budget.

Die deutlichen Rückgänge lassen sich vor allem durch die neue Förderlogik der Gemeinsamen Agrarpolitik (GAP) ab 2023 erklären. Mit der Reform wurden die Gelder stärker auf Umwelt-, Klima- und Naturschutzmaßnahmen ausgerichtet, während klassische Flächen- und Ertragsprämien an Bedeutung verloren. Viele Betriebe erhalten daher nur noch hohe Zahlungen, wenn sie zusätzliche Umweltleistungen erbringen oder an freiwilligen Öko-Regelungen teilnehmen. Das kann mittelfristig zu einer anderen Verteilung und geringeren Gesamtauszahlungen führen. Besonders dort, wo alte Strukturen nicht oder nur schwer auf neue Vorgaben umstellbar sind. Zudem haben viele Bundesländer ihre nationalen Kofinanzierungsanteile reduziert oder angepasst, was das verfügbare Gesamtbudget weiter verringert hat. Ein weiterer möglicher Grund für die auffälligen Veränderungen ist, dass viele Fördergelder nur dann ausgezahlt werden, wenn es passende Projekte oder Maßnahmen gibt, denn Förderpremien werden projektbezogen verteilt. 2023 könnte es besonders viele solcher förderfähigen Projekte oder Sonderprogrammen gegeben haben, weshalb die Auszahlungen höher waren. Wenn 2024 weniger Projekte gefördert wurden (auch wegen des stärkeren Umweltbewusstseins), sind die Summen entsprechend zurückgegangen. Insgesamt führt diese Kombination aus EU-weiten Neuausrichtungen, der projektbezogenen Vergabe vieler Fördermittel sowie dem Rückgang einzelner Ausgleichsprogramme dazu, dass die Agrarförderung 2024 in mehreren Bereichen niedriger ausfällt als im Vorjahr.

Quellen: - https://agriculture.ec.europa.eu/common-agricultural-policy/cap-overview/cap-2023-27_en - https://www.umweltbundesamt.de/daten/land-forstwirtschaft/umweltmassnahmen-im-agrarbereich - https://www.praxis-agrar.de/betrieb/recht/gap-reform-ab-2023/gap-2023-was-sind-die-grundlagen - https://www.dvs-gap-netzwerk.de/foerderung/gemeinsame-agrarpolitik-der-eu-2023-2027/die-gap-2023-2027/

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:

Die im Artikel genannten Schadenssummen zeigen, dass allein die Hitzesommer 2018/2019 Schäden von über 25 Mrd. € in Land- und Forstwirtschaft hinterließen. (17,8 Mrd. € in der Forstwirtschaft, 4,4 Mrd. € direkte Schäden in der Landwirtschaft (Weizen, Kartoffeln), 3,4 Mrd. € indirekte Schäden (Folgeeffekte)). Allgemein kann man sagen, dass mehr als 80 Mrd. € Gesamtschäden durch Extremwetter seit 2018 entstanden sind und mehr als 145 Mrd. € Schäden durch Extremwetter seit dem Jahr 2000. Das entspricht einem Durchschnittsschaden pro Jahr von ca. 6,6 Milliarden Euro. Wenn wir uns nun die Agrarsubventionen in Deutschland anschauen können wir sagen, dass Deutschland jährlich ungefähr 6 Mrd. € (plus, minus abhängig vom Jahr möglich) Agrarsubventionen aus EU- und nationalen Mitteln erhält (Aufgabe 1). Daher wird deutlich, dass sich Schadenssummen und Subventionen im langfristigen Durchschnitt auf ähnlichem Niveau bewegen.

Wenn wir uns nun die Subventionen anschauen, dann können wir sagen dass sie auf einer Seite wie eine Art staatliche Versicherung interpretiert werden können. Diese Subventionen, insbesondere die Direktzahlungen des EGFL, stabilisieren das Einkommen der Landwirte unabhängig vom tatsächlichen Ernteerfolg. Das bedeutet, dass Landwirte selbst in Jahren mit starken Wetterextremen über eine relativ konstante finanzielle Grundlage verfügen. In diesem Sinne übernimmt der Staat einen erheblichen Teil des Klima- und Produktionsrisikos der Landwirtschaft. Die Zahlungen wirken daher rechnerisch wie eine Art „jährliche Risikoprämie“, die extreme Schwankungen im Einkommen ausgleicht und die wirtschaftliche Überlebensfähigkeit der Betriebe sicherstellt. Rein mathematisch betrachtet decken die rund 6 Milliarden Euro an Subventionen das Ausmaß der jährlichen durchschnittlichen Extremwetterschäden nahezu vollständig ab, was diese Interpretationsweise zusätzlich unterstützt. In Extremjahren wie 2018/19, in denen die Schäden über 25 Mrd. € erreichten, zeigt sich jedoch klar, dass die Subventionshöhe zur reinen Kompensation der tatsächlichen Verluste nicht ausreicht.

Allerdings zeigt sich bei genauer Betrachtung, dass diese Form der Unterstützung ökonomisch nicht vollständig effizient ist. Die Subventionen sind nämlich nicht zweckgebunden und damit nicht direkt mit Klimaschutz- oder Anpassungsmaßnahmen verknüpft. Ein klassisches Versicherungsmodell würde präventive Maßnahmen fordern oder zumindest belohnen – beispielsweise durch niedrigere Beiträge für Betriebe, die in widerstandsfähige Sorten, Bewässerungssysteme oder Bodenschutz investieren. Die bestehenden Direktzahlungen setzen solche Anreize jedoch kaum. Landwirte erhalten die Unterstützung unabhängig davon, ob sie Anpassungsstrategien verfolgen oder nicht. Dadurch wird das Risiko zwar abgefedert, aber nicht aktiv verringert. Das führt dazu, dass Subventionen zwar kurzfristig stabilisierend wirken, langfristig aber wenig dazu beitragen, die strukturelle Verwundbarkeit der Landwirtschaft gegenüber dem Klimawandel zu reduzieren. Insgesamt kann man daher sagen, dass die Subventionen zwar teilweise wie eine staatliche Risikoprämie fungieren, ökonomisch aber unvollständig wirken, weil sie keine gezielte Risikoverringerung bewirken und keine langfristige Resilienz aufbauen.

Die Forderung von Bundesministerin Lemke nach mehr „Krisenvorsorge“ ist aufgrund der oben genannten Argumenten ökonomisch daher vollkommen nachvollziehbar, denn die Schäden durch Extremwetter steigen langfristig deutlich stärker als die heutigen Subventionen. Die Jahre 2018 und 2019 zeigen das besonders eindrücklich. Das bisherige Modell einer überwiegend nachträglichen Kompensation kann daher nur kurzfristig wirken, verhindert aber nicht, dass sich die Belastung durch häufigere Dürren, Hitzeperioden und Starkregenereignisse weiter verschärft. Allgemein ist Prävention meist deutlich kostengünstiger (langfristig gesehen) als nachträgliche Wiederherstellung. Zudem erzeugen Klimaschäden volkswirtschaftliche Folgeeffekte, etwa Produktivitätsverluste (im Artikel z. B. 9 Mrd. €), Infrastruktur- oder Gesundheitskosten, die über die Landwirtschaft hinausgehen.

Wenn wir uns nun die beiden gegebenen Ansätze anschauen, dann können wir genau vorheriges nochmal aufgreifen und zunächst über Ansatz A (Erhöhung der Direktzahlungen) folgendes sagen: Ein Vorteil dieses Ansatzes liegt in der sofortigen Liquiditätswirkung: Direktzahlungen stabilisieren Betriebe unmittelbar nach Ernteausfällen und verhindern Insolvenzen, was besonders für kleine und mittelständische Familienbetriebe wichtig ist. Der Nachteil besteht jedoch darin, dass diese Zahlungen wie bereits erwähnt keinen direkten Anreiz zur Risikoreduktion schaffen, daher nicht Zielgerichtet sind, sondern lediglich die Folgen abfedern. Dadurch können Fehlanreize entstehen, da Gelder unabhängig von tatsächlichen Anpassungsmaßnahmen fließen. Somit bleiben Betriebe strukturell weiter anfällig und langfristig entstehen höhere Kosten für den Staat. Wenn wir uns Ansatz B (Umschichtung zu klimaresilienten Investitionsförderungen (ELER)) können wir folgendes feststellen: Die Förderung gezielter Investitionen in klimaresiliente Technologien bietet dagegen den Vorteil, dass sie die Risiken langfristig tatsächlich senkt. Maßnahmen wie Bewässerungssysteme oder z.B. der Anbau widerstandsfähiger Sorten verringern zukünftige Schäden und steigern gleichzeitig Produktivität und Nachhaltigkeit. Dadurch wird nicht nur die Landwirtschaft stabiler, sondern langfristig auch der staatliche Haushalt entlastet, weil weniger Schadensausgleich nötig wird. Allerdings führt dieser Ansatz zu höheren Anfangskosten. Zudem zeigen viele dieser Investitionen ihre volle Wirkung erst nach mehreren Jahren. Für kleinere Betriebe kann außerdem der notwendige Eigenanteil eine Hürde darstellen. Dennoch ist die Projektförderung volkswirtschaftlich meist deutlich effizienter, weil sie die Ursachen der Klimarisiken direkt adressiert, auch wenn ihre Umsetzung anspruchsvoller ist.

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 (2018-2024): Jahreskennzahlen
Jahr Anzahl Brandfälle Verbrannte Fläche (ha) Wirtschaftsverluste (EUR) Schadensumme (EUR)
2018 1.708 2.349 2.144.430 2.670.000
2019 1.523 2.711 1.662.950 2.220.000
2020 1.360 368 1.595.800 2.190.000
2021 548 148 659.240 670.000
2022 2.397 3.058 4.851.380 5.140.000
2023 1.059 1.240 957.330 1.190.000
2024 563 334 680.250 680.000
Hinweis:
Als Extremjahr wurde jedes Jahr markiert indem die Schadensumme 1,5 Mio Euro überstieg.

Die Tabelle zeigt die Entwicklung der Waldbrandlage in Deutschland für den Zeitraum von 2018 bis 2024 und stellt die Anzahl der Brandfälle, die verbrannte Fläche sowie die daraus entstandenen ökonomischen Verluste dar. Besonders deutlich wird, dass die Schadenssummen und Flächen zwischen den Jahren erheblich schwanken.

Die höchsten Schadenssummen treten in den Jahren 2018, 2019, 2020 und insbesondere 2022 auf. Das Jahr 2022 ragt mit einer Schadenssumme von 5,14 Millionen Euro deutlich heraus und weist gleichzeitig mit 3.058 ha die größte verbrannte Fläche im gesamten Zeitraum aus. Auch 2018 und 2019 zeigen bei 2.349 ha bzw. 2.711 ha sehr hohe Flächenverluste, was mit den ebenfalls hohen Schadenssummen dieser Jahre übereinstimmt. Die geringsten Werte treten dagegen in den Jahren 2021 und 2024 auf; beide Jahre weisen sowohl niedrige Brandzahlen als auch geringe Schadenssummen auf.

Die Kombination aus Brandzahlen und verbrannter Fläche lässt Rückschlüsse auf die Art der Brände zu. 2022 beispielsweise zeigt mit 2.397 Brandfällen und einer extrem hohen verbrannten Fläche, dass in diesem Jahr viele Brände auftraten, die zugleich außergewöhnlich groß und zerstörerisch waren, genauso wie 2018. 2019 weist dagegen ähnlich große Flächenverluste auf, obwohl die Anzahl der Brandfälle deutlich niedriger liegt als 2022 (ca 874 weniger). Dies spricht dafür, dass in diesem Jahr eher weniger, dafür aber besonders großflächige Brände entstanden sind. Ein Kontrast dazu ist das Jahr 2020: Mit 1.360 Brandfällen verbrennen nur 368 ha, was darauf hindeutet, dass viele kleine, relativ begrenzte Brände vorlagen. 2021 und 2024 verdeutlichen ebenfalls, dass niedrige Brandzahlen mit kleinen Flächenverlusten einhergehen.

Hinsichtlich eines möglichen Trends steigender ökonomischer Belastungen lässt sich auf Grundlage der Daten kein durchgängiger Aufwärtstrend erkennen. Zwar treten in mehreren Jahren – vor allem 2018, 2019 und besonders 2022 – hohe Schadenssummen auf, doch werden diese von Jahren wie 2021, 2023 und 2024 unterbrochen, die vergleichsweise niedrige Kosten aufweisen. Die Werte schwanken also stark, was eher auf ereignis- und witterungsbedingte Extremjahre als auf eine lineare Zunahme hindeutet. Erst ein längerer Beobachtungszeitraum würde erlauben, eine klare Trendlinie abzuleiten.

Vergleicht man die jährlichen Waldbrandverluste mit den Subventionen, die Land- und Forstwirte in Deutschland erhalten, wird ein deutliches Ungleichgewicht sichtbar. Während die Waldbrandschäden je nach Jahr zwischen rund 0,7 Mio. € und 4,9 Mio. € liegen, belaufen sich die Fördermittel allein für 2023 und 2024 auf mehrere Milliarden Euro (siehe zum Beispiel Aufgabe 9, wenn man alle Summen der einzelnen Bundesländer addiert). Damit machen die Waldbrandverluste bundesweit nur einen sehr kleinen Anteil der verfügbaren Mittel aus und wirken sich ökonomisch kaum auf die Gesamtförderlandschaft aus. Ökonomisch bedeutet dies, dass Waldbrände auf nationaler Ebene keine existenzielle Bedrohung für den Agrarsektor darstellen. Allerdings bedeutet dies nicht, dass Waldbrände wirtschaftlich unbedeutend sind, denn trotz allem kann die Belastung regional erheblich ins Gewicht fallen. Wenn sich hohe Waldbrandverluste in einem einzelnen Bundesland konzentrieren, trifft dies Länder mit vergleichsweise geringen Fördersummen, wie Bremen, Hamburg oder das Saarland, deutlich stärker als große Flächenländer wie Bayern oder Niedersachsen. Kleinere Länder verfügen schlicht nicht über denselben finanziellen Puffer, sodass bereits geringere Schäden zu spürbaren Belastungen führen können. Insgesamt zeigt der Vergleich: Bundesweit sind Waldbrandverluste im Verhältnis zu den Subventionen gering, doch regional können sie, bei entsprechender Häufung, eine ernsthafte wirtschaftliche Herausforderung darstellen.

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

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

über die verschiedenen Jahre hinweg nach Eigentumsform darstellen.

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

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

Die Diagramme zeigen die prozentuale Verteilung von Waldbränden nach Eigentumsform in Deutschland für die Jahre 2018 bis 2024. Das linke Diagramm zeigt die verbrannt Fläche und das rechte Diagramm die Anzahl der Brände. Privatwälder werden in pink, Landeswälder in blau, Körperschaftswald in orange und Bundeswälder in grün dargestellt. Auffällig ist über den gesamten Zeitraum hinweg, dass der Privatwald mit großem Abstand die häufigste betroffene Eigentumsform darstellt. Sowohl in Bezug auf die Fläche als auch auf die Anzahl der Brände liegt sein Anteil meist bei rund der Hälfte aller erfassten Ereignisse. Diese dominierende Rolle zieht sich bemerkenswert stabil durch alle betrachteten Jahre – deutliche Schwankungen oder langfristige Trendverschiebungen sind kaum zu erkennen. Auch der Landeswald bleibt über die Jahre hinweg relativ konstant (vorallem im Hinblick auf die Anzahl der Brände) die zweitstärkste Kategorie, direkt gefolgt vom Körperschaftswald und mit deutlichem Abstand vom Bundeswald.

Besonders interessant wird der Blick auf die Eigentumsformen, wenn man die beiden Diagramme miteinander vergleicht. Beim Privatwald zeigt sich, dass sein Anteil an den Brandfällen nahezu identisch zu seinem Anteil an der verbrannten Fläche ist. Das deutet darauf hin, dass Privatwälder weder überdurchschnittlich viele kleine noch besonders große Einzelflächenbrände aufweisen, vielmehr bewegen sie sich größenmäßig nahe am Gesamtmittel. Außer 2023 und 2024, in denen etwas größere Brände vorgelegen haben könnten, da der Anteil an verbrannter Fläche trotz nahezu konstanter Brandanzahl steigt. Beim Landeswald bleibt der Anteil an den Brandfällen über alle Jahre hinweg sehr konstant. Auffällig ist jedoch, dass die verbrannte Fläche deutlich stärker schwankt, wobei im Jahr 2019 eine besonders kleine Fläche betroffen war. Insgesamt deutet dieses Muster darauf hin, dass im Landeswald zwar regelmäßig Brände auftreten, diese jedoch in ihrer Größe stark variieren und in manchen Jahren besonders klein ausfallen. Der Körperschaftswald weist im Vergleich dazu fast durchgehend einen höheren Anteil an Brandfällen als an verbrannter Fläche auf. Das spricht für ein Muster aus vielen kleineren Bränden, die häufiger auftreten, aber im Durchschnitt weniger Fläche zerstören. Beim Bundeswald ist die Situation erneut anders gelagert: Hier liegt der Anteil der Brandfälle meist unter dem Anteil der verbrannten Fläche. Das bedeutet, dass Bundeswaldflächen seltener betroffen sind, bei Auftreten jedoch überdurchschnittlich große Brände verzeichnen. Die Ereignisse sind also selten, aber flächenintensiv.

Ökonomisch gesehen verursachen Privatwälder die höchsten gesamtwirtschaftlichen Schäden, da hier die meisten Brände auftreten und dadurch hohe Kosten für Löscharbeiten, Schadensbeseitigung, Wiederaufforstung und vorbeugende Maßnahmen wie Brandmeldesysteme entstehen. Deshalb werden staatliche Unterstützungs- und Präventionsmaßnahmen in diesem Bereich am dringendsten benötigt. Im Landeswald bleiben die Brandzahlen zwar stabil, aber die verbrannte Fläche schwankt stark, weshalb flexible Risikomanagement- und Einsatzstrukturen sinnvoll sind. Der Körperschaftswald weist viele kleine Brände auf, was weniger Fläche, aber organisatorisch mehr Aufwand bedeutet, während im Bundeswald seltenere, dafür größere Brände auftreten. Insgesamt zeigt die Verteilung, dass der Privatwald klar im Fokus staatlicher Maßnahmen stehen sollte, da hier das Risiko für wiederkehrende Kosten und hohe Schadenssummen am größten ist.

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

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

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

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

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

Die beiden Diagramme stellen die zeitliche Entwicklung von Waldbränden in Deutschland von 2018 bis 2024, unterteilt nach den Brandursachen dar. Die Brandursachen werden in unterschiedlichen Farben dargestellt. “Fahrlässigkeit” wird in rot, “natürliche Ursachen” in besch, “sonstige handlungsbedingte Einwirkungen” in grün, “unbekannte Ursache” in blau und “Vorsatz(Brandstiftung)” in rosa, dargestellt. Das obere Diagramm zeigt die Anzahl der Brände, wohingegen das Untere die verbrannte Fläche in Hektar darstellt.

Bei der Anzahl der Brände liegt Fahrlässigkeit als Grund vorne, wobei man beachten muss, dass noch mehr Brände durch unbekannte Ursachen entstanden sind. Bei der verbrannten Fläche liegt 2019 und 2024 “sonstige handlungsbedürftige Einwirkungen vorne”, in 2018, 2020 und 2023 “Fahrlässigkeit” und in 2022 mit großem Abstand “Vorsatz(Brandstiftung)”, wobei man auch hier beachten muss, dass in jedem Jahr, bis auf 2024, die größte Fläche durch “unbekannte Ursachen” verbrannt ist.

Wenn wir die Anzahl der Brände betrachten, lässt sich allgemein ein klarer Abwärtstrend feststellen, da bis auf 2022, wo es für alle Ursachen zu einem klaren Peak kam, die Anzahl der Brände im Allgemeinen zurückgeht. Betrachten wir die verbrannte Fläche, stechen 2019 und 2022 hervor, da in diesen Jahren extrem große Flächen verbrannt sind. Außerdem stechen 2020 und 2021 hervor, da hier auffällig wenig Fläche verbrannt ist. Eine sehr wahrscheinliche Ursache für diese Beobachtungen kann der Klimawandel sein, da vorallem die Jahre 2019 und 2022 sehr trocken waren und es dadurch zu mehr Bränden mit größeren Auswirkungen kommen konnte. Sehr auffällig ist hier aber auch, dass die Anzahl der vorsätzlichen Brände in 2022 ebenfalls steigt, obwohl trockene Jahre an sich auf solche Brände keinen Einfluss haben sollten. Vorsätzlich gelegte Brände können jedoch von einem Jahr auf das andere stark steigen, wenn Waldbesitzer durch Subventionen für Aufforstung oder Waldumbau finanzielle Anreize erhalten, die in Kombination mit trockenem Wetter (was 2022 vorhanden war) und schnell ausbreitbaren Wäldern das Risiko und den Nutzen eines Brandes erhöhen.

Zusammengefasst lässt sich aber folgender Trend festhalten: Extremjahre existieren und führen zu sehr großen Schäden.

Mögliche ökologische Implikationen dadurch wären zum einen, höhere Kosten für Waldbrandbekämpfung, zum Beispiel durch mehr Personal, mehr Löschflugzeuge etc. oder höhere Schäden an vorhandenen Holzbeständen, was einen großen wirtschaftlichen Verlust zur Folge hätte. Kurz gesagt würde ein solcher Trend zu starken Schadens- und Wiederbeschaffungskosten führen, vorallem, wenn Extremjahre häufiger auftreten.

Mögliche politische Implikationen wären Dinge, wie eine stärkere Präventions- und Überwachungspolitik, welche unter anderem Kameras, Drohnen und vorallem für gefährdete Gebiete Bodenfeuchtsensoren beinhalten könnte. Außerdem würde man brandsichere Wälder und eine Renaturierung fördern, da dadurch die Wasserspeicherfähigkeit des Bodens erhöht wird und es schwerer zu Bränden kommt.

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

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

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

auf der x-Achse abtragen und auf der y-Achse jeweils die logarithmierten wirtschaftlichen Verluste darlegen. Verwenden Sie hier nun alle Bundesländer (ohne die Gesamtwerte für Deutschland) im Datensatz, um ein Gesamtbild zu erhalten und ordnen Sie die 2 Diagramme so an, dass ein Vergleich zwischen den Schaubildern schnell und einfach möglich ist. Beschreiben und interpretieren Sie die Diagramme. Gehen Sie hierbei insbesondere auf folgende Fragen ein:

Die beiden Punktdiagramme zeigen für alle Bundesländer und alle Jahre des Datensatzes den Zusammenhang zwischen den Ausgaben für Forstverwaltung bzw. sonstige Kontrollmaßnahmen (jeweils in Tausend Euro) und den logarithmierten wirtschaftlichen Verlusten durch Waldbrände. Die y-Achse zeigt in beiden Fällen die logarithmierten Verluste, was eine bessere Vergleichbarkeit stark unterschiedlicher Schadenssummen ermöglicht.

Im linken Diagramm (Forstverwaltungskosten) ist erkennbar, dass die Ausgaben zwischen 0 und ca. 3.000 Tsd. € variieren. Die Punkte streuen jedoch über alle Kostenniveaus hinweg breit über die gesamte Höhe der wirtschaftlichen Verluste. Ein klarer Trend – etwa niedrigere Schäden bei höheren Ausgaben – ist nicht erkennbar. Auffällig ist zudem, dass ein sehr großer Anteil der Beobachtungen bei fast 0 € Forstverwaltungskosten liegt, der dennoch wirtschaftliche Verluste in nahezu der gesamten Spannbreite aufweisen. Das unterstreicht zusätzlich, dass Kostenhöhe und Verlustniveau nicht systematisch miteinander verbunden sind. Ein ähnliches Bild zeigt das rechte Diagramm (sonstige Kontrollkosten). Die Kosten bewegen sich überwiegend zwischen 0 und ca. 150 Tsd. €, nur einzelne Werte liegen darüber. Auch hier findet sich ein großer Block von Beobachtungen bei 0 € Kontrollkosten, der trotzdem stark variierende Verluste aufweist. Insgesamt zeigt sich erneut keine negative Beziehung: Höhere Kontrollkosten führen nicht erkennbar zu geringeren Verlusten.

Also können wir in beiden Fällen sagen, dass visuell kein deutlicher Zusammenhang erkennbar ist. Weder hohe Forstverwaltungskosten noch höhere sonstige Kontrollkosten korrelieren klar mit niedrigeren wirtschaftlichen Schäden. Es gibt also keine erkennbare lineare oder monotone Beziehung. Somit stützen die Grafiken die Aussage, dass höhere Präventionsausgaben geringere Schäden verursachen nicht. Die Daten zeigen keine deutliche Tendenz, dass mehr ausgegebenes Geld zu signifikant niedrigeren wirtschaftlichen Verlusten führt. Stattdessen scheint die Varianz der Schäden sehr hoch, unabhängig davon, wie viel Bundesländer investieren.

Allgemein können wir sagen, dass eine logarithmische Darstellung der wirtschaftlichen Verluste methodisch sinnvoll ist, da die Verluste in ihrem absoluten Wert stark auseinanderliegen (teils mehrere hunderttausend bis Millionen Euro). Somit würden große Extremwerte ohne Log-Skala die Diagramme dominieren. Die Log-Skala macht relative Unterschiede sichtbar (z. B. Unterschiede zwischen 0,5 Mio. und 1 Mio. €), die im linearen Maßstab kaum zu erkennen wären. Ausreißer werden „eingefangen“, sodass ein Gesamtmuster sichtbar wird. Damit wird die Analyse deutlich robuster und übersichtlicher.

Bemerkenswert ist, dass die jährlichen Präventionskosten einzelner Bundesländer teilweise im gleichen Größenbereich liegen wie die gesamten wirtschaftlichen Verluste Deutschlands einzelner Jahre. So geben manche Länder jährlich zwischen 1.500 und 3.000 Tsd. € für Forstverwaltung bzw. bis zu 400 Tsd. € für Kontrollkosten aus – Beträge, die den nationalen Gesamtschäden in einzelnen Jahren sehr nahekommen (siehe Aufgabe 11). Das bedeutet, dass selbst hohe Ausgaben nicht dazu führen, dass die Schäden auf Bundesebene niedrig bleiben und dass der mögliche Nutzen der Maßnahmen deutlich geringer ist als die Kosten, oder zumindest nicht klar nachweisbar ist. Das wirft Fragen nach der Effizienz der eingesetzten Mittel auf.

Allgemein kann man aber auch sagen und festhalten, dass die jährlichen Ausgaben in keinem direkten Verhältnis zu den bundesweiten Schäden stehen müssen. In Jahren mit sehr niedrigen Schäden müssen die Präventionskosten hoch bleiben, was logisch ist, da Prävention ständig erfolgen muss. Daher ein Jahr ohne große Brände bedeutet nicht, dass weniger Arbeit oder weniger Risiko besteht. Daraus folgt, dass hohe Präventionskosten notwendig sind, selbst wenn Schäden in manchen Jahren gering ausfallen.

Es gibt mehrere plausible Ursachen dafür, warum hohe Präventionskosten die Schäden nicht proportional reduzieren. Mögliche Gründe könnten sein, dass die Präventionskosten möglicherweise zu gering sind, um starke Effekte zu erzeugen, ein einzelner Großbrand kann durch ungünstige Bedingungen extrem hohe Verluste verursachen, die jegliche Prävention „überrollen“. Andere Faktoren wie Witterungseinflüsse, die die Wirkung der Ausgaben überlagern spielen ebenfalls eine wichtige Rolle. Große Waldbrände entstehen oft durch außergewöhnliche Trockenheit, Hitze oder Sturmereignisse. Diese Faktoren übersteigen die Wirkung lokaler Präventionsmaßnahmen. Bundesländer mit Monokulturen oder großen zusammenhängenden Waldflächen sind stärker gefährdet, unabhängig von den Ausgaben, auch wegen des unterschiedlichen Klimas und der Größe der Waldfläche. Außerdem ist Prävention nicht gleich Kontrolle. Hohe Ausgaben bedeuten nicht automatisch, dass Maßnahmen gut organisiert sind, ausreichend Personal vorhanden ist oder moderne Technik eingesetzt wird. Geld kann also durchaus ineffizient verwendet werden. Gleichzeitig spiegeln die ausgewiesenen Kosten nicht zwingend die tatsächliche operative Tätigkeit wider. Ein großer Teil der Ausgaben entfällt häufig auf Planung, Verwaltung und Personalkosten, die nicht unmittelbar mit konkreten Brandschutz- oder Bekämpfungsmaßnahmen verbunden sind. Allgemein müssen wir auch bedenken, dass die Investition in Präventionen eine zeitverzögerte Wirkung haben, daher langfristig wirken und die Effekte sich erst nach Jahren zeigen.

Zusammengefasst können wir sagen, dass die Punktdiagramme keine eindeutige Wirksamkeit der Präventionsausgaben zeigen. Die Schäden sind nicht proportional reduziert, obwohl teilweise hohe Summen investiert werden. Das deutet darauf hin, dass entweder die Maßnahmen nicht ausreichend wirksam sind oder dass externe Faktoren (Klima, Topographie, Vegetation) dominieren. Die Effizienz der Maßnahmen muss daher kritisch hinterfragt werden. Gleichzeitig ist Prävention trotz allem wichtig, da sie Wahrscheinlichkeit und Ausbreitung von Bränden mindern kann, also eine fehlende negative Korrelation bedeutet nicht, dass Prävention unwirksam ist, sie verhindert möglicherweise schlimmste Schäden, die nicht beobachtet wurden, nur zeigt der Datensatz keinen einfachen linearen Zusammenhang. Daher kann die Effizienz der Maßnahmen nicht allein anhand eines Jahresvergleichs von Kosten und Schäden bewertet werden.

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?

Beim Diagramm handelt es sich um ein Balkendiagramm in Kombination mit einem Liniediagramm. Das Balkendiagramm stellt die verbrannte Fläche in Hektar pro Monat und das Liniendiagramm die Gesamtanzahl der Brände pro Monat dar.

Typischerweise treten die meisten Waldbrände in den Sommermonaten auf, insbesondere zwischen Juni und August. Dies zeigt sich deutlich an den wiederkehrenden Anstiegen der grünen Linie in diesen Monaten. Die Anzahl der Brände steigt in dieser Zeit kontinuierlich an und erreicht beinahe jedes Jahr ihren Höhepunkt im Hochsommer. Die verbrannte Fläche ist ebenfalls in diesen Monaten am größten, wobei vor allem einzelne Jahre – wie 2019 oder 2022 – sehr starke Ausschläge nach oben aufweisen. In diesen Jahren treten im Hochsommer nicht nur viele Brände, sondern auch besonders große Brandereignisse auf, die zu erheblich höheren Flächenverlusten führen.

Beim Vergleich der Spitzen der Brandanzahl mit den Spitzen der verbrannten Fläche zeigt sich jedoch, dass diese nicht immer zusammenfallen. Es gibt Monate, in denen zwar sehr viele Brände registriert werden, die verbrannte Fläche aber vergleichsweise gering bleibt (2020 liegt die Anzahl der Brände beispielsweise immer über der verbrannten Fläche). Gleichzeitig können einzelne extreme Brände in Monaten auftreten, in denen die Gesamtzahl der Brände vergleichsweise relativ niedrig ist (2019 im Juni). Die Grafik macht dies deutlich, da die Balken (verbrannte Fläche) teilweise deutlich höhere Ausschläge zeigen als die gleichzeitige Anzahl der Brände vermuten ließe.

Monate mit vielen kleinen, aber wenigen großen Bränden können dadurch entstehen, dass zahlreiche Feuer zwar ausgelöst werden – etwa durch menschliche Aktivitäten wie Grillen, weggeworfene Zigaretten oder Funkenflug von Maschinen – diese jedoch schnell entdeckt und gelöscht werden. Dadurch können sie sich kaum ausbreiten und bleiben klein. Große Brände entstehen dagegen meist nur unter deutlich ungünstigeren Bedingungen wie anhaltender Trockenheit, starkem Wind oder in schwer zugänglichen Gebieten, wo Feuer länger unbemerkt bleiben. Bleiben solche Bedingungen aus, kommt es zwar zu vielen kleinen, aber kaum zu großen Waldbränden.

Die starken Schwankungen der Waldbrandhäufigkeit in den Sommermonaten von Jahr zu Jahr lassen sich durch eine Vielzahl von Einflussfaktoren erklären. Entscheidend sind vor allem die klimatischen und meteorologischen Bedingungen. Warme bis sehr heiße Sommer mit langen Trockenperioden, wenig Niederschlag und starken Winden begünstigen die Entstehung und schnelle Ausbreitung von Waldbränden. Unter solchen Bedingungen trocknet die Vegetation stark aus, wodurch sie leicht entzündlich wird und Feuer sich rasch weiter ausbreiten können. Beispiele hierfür sind Jahre wie 2019 oder 2022, in denen Hitze und Trockenheit deutlich höhere Brandflächen zur Folge hatten. In Sommern, die kühler und regenreicher verlaufen, sind Waldbrände hingegen weniger wahrscheinlich und bleiben meist kleiner, weil die Vegetation feuchter ist und das Feuer schlechtere Ausbreitungsbedingungen vorfindet. Zusätzlich spielt auch das menschliche Verhalten eine wichtige Rolle: Während extrem heißer Perioden halten sich beispielsweise weniger Menschen in der Natur auf, was die Zahl potenzieller menschlicher Brandursachen senken kann. Gleichzeitig können aber auch regionale Unterschiede in der Waldpflege, der Zustand der Vegetation sowie präventive Maßnahmen wie Kontrollen, Aufklärung oder frühe Brandbekämpfung die jährlichen Schwankungen beeinflussen. Zusammengenommen zeigt sich, dass die Intensität der Waldbrandsaison stark von wechselnden natürlichen und menschlichen Faktoren abhängt.

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)?
Waldbrandkennzahlen für Bayern und Brandenburg (2022-2023)
Bundesland Jahr Gesamtzahl Brände Gesamtfläche (ha) Durchschnittliche Fläche pro Brand (ha) Wirtschaftliche Verluste (Tsd. €) Verlust pro ha (€)
Bayern 2022 145 214 1,48 297.060 1.388,13
Brandenburg 2022 523 1.426 2,73 13.600 9,54
Bayern 2023 75 44 0,59 197.640 4.491,82
Brandenburg 2023 251 765 3,05 6.900 9,02
Hinweis:
Alle Werte basieren auf den monatlichen Waldbrandmeldungen der Jahre 2022 und 2023.

Die Tabelle stellt zentrale Waldbrandkennzahlen für Bayern und Brandenburg in den Jahren 2022 und 2023 dar. Sie zeigt für beide Bundesländer die Gesamtzahl der Waldbrände, die insgesamt verbrannte Fläche, die durchschnittliche Fläche pro Brand sowie die daraus entstandenen wirtschaftlichen Verluste und den Verlust pro Hektar. Dadurch ermöglicht die Tabelle einen direkten Vergleich zwischen den Regionen und verdeutlicht sowohl das Ausmaß der Waldbrandereignisse als auch die ökonomische Bedeutung der betroffenen Waldflächen.

Aus den in der Tabelle aufgeführten Daten wird deutlich, dass Brandenburg in beiden Jahren sowohl die höhere Anzahl an Waldbränden als auch die deutlich größeren verbrannten Flächen aufweist. Während Bayern in beiden Jahren vergleichsweise wenige Brände verzeichnet, treten in Brandenburg wesentlich mehr Feuerereignisse auf, die zudem größere Waldflächen betreffen. Brandenburg ist somit quantitativ – sowohl in Bezug auf die Häufigkeit der Brände als auch hinsichtlich der betroffenen Fläche – stärker von Waldbrandereignissen betroffen als Bayern.

Obwohl Brandenburg häufiger und flächenmäßig stärker von Waldbränden betroffen ist, verursachen Brände in Bayern deutlich höhere wirtschaftliche Schäden pro Hektar. Die Verluste pro Fläche liegen in Bayern je nach Jahr um ein Vielfaches (fast 300.000 im Vergleich zu ca 14.000 oder fast 200.000 im Vergleich zu knapp 7.000) über denen von Brandenburg. Dieser Unterschied zeigt, dass die einzelnen verbrannten Hektar in Bayern wesentlich wertvoller sind, was sich in erheblich höheren ökonomischen Schäden widerspiegelt.

Die stark abweichenden Verluste pro Hektar lassen Rückschlüsse auf die wirtschaftliche Bedeutung und die Struktur der jeweiligen Wälder zu. In Brandenburg dominieren große, vermutlich ökonomisch relativ geringwertige brandanfällige Kiefernwälder, die häufige, aber ökonomisch wenig teure Brände begünstigen. Bayern dagegen besitzt offensichtlich vielerorts wertvollere Mischwälder mit zum Beispiel höherwertigem Holz und teils wichtiger Schutz- oder Erholungsfunktion, was den hohen ökonomischen Wert jedes betroffenen Hektars erklärt. Die Daten deuten somit auf grundlegende Unterschiede in Waldart, Bestandswert und Nutzungszweck hin.

Die Daten verdeutlichen, dass das Waldbrandproblem in Bayern und Brandenburg nicht in gleicher Weise auftritt, sondern zwei sehr unterschiedliche Risikoprofile aufweist. Brandenburg ist durch häufige und flächenmäßig große Waldbrände gekennzeichnet, die jedoch vergleichsweise geringe ökonomische Schäden pro Hektar verursachen. In Bayern hingegen sind Brände seltener und betreffen kleinere Flächen, führen jedoch aufgrund des höheren Waldwerts zu erheblich größeren wirtschaftlichen Verlusten. Das bedeutet, dass Brandenburg eher ein großflächiges, Bayern hingegen ein wertbezogenes Waldbrandproblem besitzt. Beide Bundesländer sind also betroffen, jedoch auf unterschiedliche Art und Weise.

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?

Das Balkendiagramm zeigt die Waldbrandschäden in Bayern und Brandenburg für die Jahre 2022 und 2023. Die Verluste werden in Kubikmetern angegeben und werden in “Gesamt_Industrieholz” und “Gesamt_Stammholz” unterteilt.

In Bayern liegen die Verluste 2022 noch relativ niedrig: Das Industrieholz bewegt sich im niedrigen fünfstelligen Bereich, das Stammholz bei rund 300.000 m³. Somit ist der Verlust an Stammholz in diesem Jahr stärker betroffen als der Verlust von Industrieholz. 2023 steigen die Schäden jedoch stark an: Industrieholz erreicht etwa 500.000 m³, Stammholz sogar rund 900.000 m³. Damit verdreifacht sich der Verlust beim Stammholz innerhalb eines Jahres nahezu. Die Verluste was Stammholz angeht sind nach wie vor deutlich höher. In Brandenburg zeigt sich ebenfalls ein deutlicher Anstieg, jedoch mit anderer Schwerpunktsetzung. 2022 liegen die Industrieholzverluste im mittleren Bereich (rund 100.000 m³), während das Stammholz nur gering betroffen ist. Daher überwiegen hier anders als in Bayern die Industrieholzverluste. 2023 kommt es zu einem massiven Anstieg: Das Industrieholz erreicht mehr als 1,2 Millionen m³, und das Stammholz steigt auf etwa 700.000 m³, daher überwiegt der Industrieholzverlust nach wie vor.

Die ökonomische Schlussfolgerung für Bayern wäre, dass es hier zu großen wirtschaftlichen Einbußen kommt, da Stammholz tendenziell hochwertiger ist als Industrieholz. Folglich kommt es zu hohen Ertragsausfällen, was unter Umständen zu steigenden regionalen Holzpreisen führen kann. Die ökonomische Schlussfolgerung für Brandenburg wäre, dass große Industrieholzverluste auf große Waldbrände hindeuten (Industrieholz hat einen geringeren Preis, wenn daher die Schäden hoch sind muss auch viel Holz verbrannt sein, im Gegensatz zum teureren Stammholz bei dem ein kleiner Brand schon zu hohen wirtschaftlichen Schäden führen kann). Eine wirtschaftliche Folge wäre, dass es zu hohen Marktverlusten im Hinblick auf den Massenholz-Sektor kommt, welcher relevant für Produkte wie Papier ist. Auch hier kann es zu einer Erhöhung der Preise, aufgrund des geringeren Angebots kommen.

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.

Die Bewertung der drei Strategien zur Waldbrandprävention muss die regionalen Unterschiede, Waldstrukturen und saisonalen Muster berücksichtigen. Die Daten zeigen deutlich, dass Brandenburg durch viele, großflächige Brände geprägt ist, während Bayern zwar weniger Brände verzeichnet, diese aber aufgrund des hochwertigen Waldbestandes zu sehr hohen wirtschaftlichen Schäden führen. Auffällig ist zudem, dass ein erheblicher Teil der Waldbrände auf „unbekannte Ursachen“ zurückgeht. Erst danach folgen fahrlässige Handlungen als zweithäufigste bekannte Ursache. Dies macht deutlich, dass viele Feuer weder konkret einer Person noch einem klaren Verhalten zugeordnet werden können, was die Prävention erschwert und unterschiedliche Maßnahmen notwendig macht.

Vor diesem Hintergrund erscheint eine Erhöhung von Strafen und Bußgeldern, sowie die verstärkte Kontrolle in privaten Waldgebiete (da diese häufig brennen) als sinnvoller Ansatz, da ein relevanter Teil der Brände nachweislich durch menschliches Fehlverhalten entsteht (Aufgabe 13) . Auch wenn die unbekannten Ursachen dominieren, bleibt fahrlässiges Handeln ein bedeutender Faktor, und strengere Sanktionen können risikoreiches Verhalten reduzieren, etwa das achtlose Wegwerfen von Zigaretten oder unvorsichtiges Grillen. Besonders in Brandenburg, wo die brandanfälligen Kiefernmonokulturen viele kleine bis mittelgroße Feuer begünstigen, könnten strengere Regelverstöße einen spürbaren Effekt haben. In Bayern hingegen lohnt sich die Vermeidung jedes einzelnen Brandes besonders, weil jeder zerstörte Hektar große wirtschaftliche Verluste verursacht. Da die Kosten dieser Strategie überschaubar sind und sie vergleichsweise schnell wirkt, stellt sie eine kosteneffiziente Ergänzung zu anderen Maßnahmen dar, auch wenn sie nicht alle Ursachen abdeckt, vor allem jene, die statistisch im Bereich der „unbekannten Ursachen“ liegen.

Deutlich langfristiger, aber strukturell besonders wirksam ist der Waldumbau. Brandenburgs große Monokulturen (Aufgabe 16 ) begünstigen schnelle Brandausbreitung, was die immensen verbrannten Flächen erklärt. Staatlich geförderte Programme zum Umbau in klimaresiliente Mischwälder würden das Brandrisiko dauerhaft reduzieren, da Mischwälder feuchter, strukturreicher und weniger leicht entflammbar sind. Auch Bayern profitiert vom Waldumbau, allerdings mehr zur Sicherung des hohen Bestandswertes als zur Verringerung der Brandhäufigkeit. Die Maßnahme ist kostenintensiv und wirkt erst mittel- bis langfristig, aber angesichts wiederkehrender Trockenjahre und steigender Waldbrandgefahr ökologische wie ökonomisch essenziell. Besonders im Privatwald, der am häufigsten betroffen ist (Aufgabe 12), wären auch finanzielle Anreize notwendig, um Waldbesitzende beim Umbau zu unterstützen. Zusammengefasst wären staatliche Förderprogramme essentiell.

Eine entscheidende Rolle spielt die technologische Überwachung. Viele große Brände entstehen vorallem in Sommermonaten, weil Feuer erst spät entdeckt werden, insbesondere in trockenen Sommermonaten. Frühwarnsysteme wie Drohnen, Sensoren oder Satelliten können die Reaktionszeit erheblich verkürzen und damit sowohl großflächige Brände wie in Brandenburg als auch teure Einzelbrände in Bayern vermeiden. Die Kosten solcher Systeme sind hoch, und wie die Punktdiagramme (Aufgabe 14) zeigen, führen höhere Ausgaben nicht automatisch zu geringeren Schäden, wenn sie nicht zielgerichtet eingesetzt werden. Dennoch kann moderne Technik gerade in weitläufigen und schwer überwachbaren Gebieten einen entscheidenden Unterschied machen, insbesondere da sie unabhängig von der Ursache funktioniert, also auch bei jenen Bränden, die später statistisch als „unbekannt“ eingeordnet werden. Daher ist der Nutzen vorallem in Risikoregionen sehr hoch.

Insgesamt zeigt sich, dass jede der drei Strategien einen wichtigen, aber unterschiedlichen Beitrag leistet. Strafen wirken auf menschliches Verhalten, Technologie verkürzt die Reaktionszeit unabhängig von der Ursache, und Waldumbau reduziert das strukturelle Brandrisiko langfristig. Da sich die meisten Brände in den trockenen Sommermonaten häufen, sind schnelle Erkennungssysteme und präventive Maßnahmen in dieser Zeit besonders wirksam. In Brandenburg wären technologischer Ausbau und Waldumbau besonders wirksam, da sie sowohl der hohen Brandhäufigkeit als auch der schnellen Ausbreitung entgegenwirken und große Industrieholzverluste (die ökonomische Folgen haben) verhindern können, ergänzt durch Abschreckung gegen Fahrlässigkeit. In Bayern hingegen steht der Schutz des hochwertigen Waldbestandes im Vordergrund, weshalb Abschreckung und technologische Früherkennung besonders wichtig sind. Eine Kombination aller drei Maßnahmen ist daher im allgemeinen notwendig, um den regional unterschiedlichen Risikoprofilen gerecht zu werden und die steigenden Herausforderungen durch Klimawandel und Extremwetter nachhaltig zu bewältigen.

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.

Der Datensatz umfasst im Zeitraum von 2010 bis 2022 insgesamt 27 EU-Mitgliedstaaten. Die Indikatorentypen unterscheiden zwischen Output_Pillar I und Output_Pillar II und folgen damit der Struktur der Gemeinsamen Agrarpolitik (GAP).Pillar I beinhaltet Direct Payments (Direktzahlungen zur Einkommensstützung) und Market Measures (marktstabilisierende Maßnahmen). Pillar II umfasst ausschließlich Rural Development, da diese Säule alle Programme der ländlichen Entwicklung bündelt. In Deutschland entsprechen diese Kategorien unmittelbar den nationalen Förderinstrumenten: Pillar I entspricht den über das EGFL (Europäischer Garantiefonds für die Landwirtschaft) finanzierten Direktzahlungen und Marktmaßnahmen, während Pillar II den Programmen des ELER (Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums) zugeordnet ist, die von den Bundesländern umgesetzt werden.

Quellen: - https://www.europarl.europa.eu/thinktank/en/document/EPRS_BRI%282016%29586622?utm_source=chatgpt.com (Letzter Aufruf:11.12.2025)

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

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

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

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

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

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

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

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

Die Grafiken zeigen die Entwicklung der Agrarsubventionen der zehn größten EU-Empfängerländer in den Jahren 2020 bis 2022. Die Farbe rot, steht für das Jahr 2022, gelb für 2021 und blau für 2020. Allgemein kann man festhalten, dass sich die Rangfolge der einzelnen Länder, bezüglich der erhaltenen Subventionen über die Jahre nicht ändert. Insgesamt wird deutlich, dass die meisten dieser Länder über den Zeitraum hinweg steigende Fördermittel erhalten haben. Besonders Frankreich, Spanien, Italien, Deutschland und Polen gehören durchgehend zu den größten Empfängern. Bei ihnen fällt ein klarer Aufwärtstrend auf: Die Subventionen steigen jedes Jahr moderat an, was auf wachsende Produktionskosten, eine zunehmende Bedeutung ökologischer Maßnahmen und Anpassungen in der Gemeinsamen Agrarpolitik (GAP) zurückzuführen sein könnte.

Am unteren Ende der Top 10 finden sich Österreich und Irland. Deren Subventionshöhe fällt deutlich niedriger aus und steigt nur leicht an. Dies lässt sich durch strukturelle Unterschiede in der Landwirtschaft erklären. Beide Länder verfügen über vergleichsweise kleinere landwirtschaftliche Flächen und sind stärker durch Grünlandwirtschaft geprägt, was die Höhe der Flächenprämien begrenzt. Im Gegensatz dazu profitieren Länder mit großem Agrarpotenzial, wie Frankreich oder Spanien, erheblich mehr, weil die EU-Fördermittel in erheblichem Maße flächenbezogen vergeben werden.

Die Verteilung der Subventionen spiegelt somit die agrarwirtschaftlichen Realitäten Europas wider. Länder mit großen Anbauflächen, hoher Produktionsintensität und größerer wirtschaftlicher Bedeutung der Landwirtschaft erhalten mehr Unterstützung. Hinzu kommen nationale Unterschiede in der Struktur der Betriebe, im Ertragsniveau sowie spezifische Förderprogramme, die bestimmte Regionen stärker begünstigen. Insgesamt zeigt die Darstellung, dass die Subventionshöhe eng mit der Größe, Leistungsfähigkeit und strategischen Bedeutung des jeweiligen Agrarsektors verknüpft ist.

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

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

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

Über die Jahre 2010 bis 2022 ist deutlich zu erkennen, dass vor allem kleine Länder wie Luxemburg, Estland, Litauen und Lettland durchgehend die geringsten Subventionssummen erhalten. Am Anfang ist das Feld, sogar manchmal grau, was einen Hinweis auf fehlende Daten geben kann. Auch Schweden und Finnland zählen zu den Ländern mit vergleichsweise niedrigen Förderungen: Anfangs erhalten sie kaum Subventionen, im Zeitverlauf steigen diese zwar leicht an, bleiben aber insgesamt unbedeutend. Stark steigende Subventionen sind insbesondere in größeren Agrarländern wie Deutschland, Spanien, Frankreich und Italien zu beobachten. Diese Länder beginnen mit relativ geringen Förderungen, entwickeln sich jedoch im Verlauf der Jahre zu den Hauptempfängern innerhalb Europas. Polen beginnt zwar mit vergleichsweise hohen Subventionen, zeigt jedoch über die Jahre sehr starke Schwankungen, sodass die Förderungen von Jahr zu Jahr deutlich variieren. Auch Rumänien und Griechenland verzeichnen eine Zunahme der Subventionsmittel, wobei auch hier erhebliche jährliche Schwankungen erkennbar sind, die auf wechselnde Programme oder finanzielle Anpassungen hinweisen.

Einige Länder erhalten in der Karte keine Einfärbung, weil für sie keine Daten zu den Agrarsubventionen vorliegen oder die Subventionswerte null beziehungsweise vernachlässigbar sind. Dies kann auf fehlende Meldungen (da sie beispielsweise nicht in der EU sind wie die Schweiz), unterschiedliche Erfassungsmethoden oder spezifische nationale Förderprogramme zurückzuführen sein, die nicht in den EU-Datensätzen enthalten sind.

Hohe Subventionen für einzelne Länder können den Wettbewerb innerhalb der EU erheblich beeinflussen. Länder mit großen finanziellen Unterstützungen haben einen Vorteil gegenüber weniger geförderten Mitgliedstaaten, da sie effizienter produzieren, Preise niedriger halten oder bestimmte Produktionszweige stärker ausbauen können. Langfristig kann dies die Struktur der Landwirtschaft innerhalb der EU verzerren, indem kleinere oder weniger subventionsstarke Betriebe unter Druck geraten oder aus dem Markt gedrängt werden.

Stark schwankende Subventionen in bestimmten Ländern deuten auf eine hohe Volatilität hin, die durch politische Entscheidungen, wirtschaftliche Krisen oder Änderungen in der EU-Förderpolitik bedingt sein kann. Solche Schwankungen können Unsicherheit für Landwirte erzeugen, Investitionsentscheidungen erschweren und kurzfristige Anpassungen in Produktionsstrategien erzwingen. Sie weisen darauf hin, dass Subventionspolitik nicht nur ein langfristiges Planungsinstrument ist, sondern auch stark von aktuellen Ereignissen und politischen Prioritäten beeinflusst wird.

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

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

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

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

Deutschland/ Frankreich (Frage 1):

Betrachtet man die interaktive Karte für Deutschland und Frankreich, fällt auf, dass beide Länder zu Beginn des Beobachtungszeitraums (2010–2014) nur sehr geringe oder gar keine Subventionen erhalten. Ab 2014 beginnt jedoch ein deutlicher Anstieg der Fördermittel, wobei sich beide Länder im Verlauf der Jahre zu den Hauptempfängern innerhalb Europas entwickeln. Auffällig ist, dass Frankreich während des gesamten Zeitraums trotz vergleichsweise kleinerer (fast keine) jährlicher Schwankungen stets höhere Subventionssummen erhält als Deutschland. Die Summen für Deutschland schwanken stärker, wobei die Summen für Frankreich 2014 rasant angestiegen sind. Dieses Niveau wurde über die Jahre hinweg konstant gehalten. Diese Unterschiede lassen sich vor allem durch die Größe der landwirtschaftlich genutzten Fläche erklären. Frankreich verfügt über größere Agrarflächen als Deutschland und kann dadurch mehr flächenbezogene Förderansprüche geltend machen. EU-Agrarsubventionen werden größtenteils pro Hektar vergeben, sodass Frankreich insgesamt höhere Subventionssummen erhält, obwohl die jährlichen Schwankungen vergleichsweise gering bleiben. Jedoch ist auch zu beachten, dass auch die Struktur der Landwirtschaft und nationale Programme die Höhe der Förderungen beeinflussen kann, der dominierende Faktor ist jedoch die landwirtschaftliche Fläche. Zum einen zeigt sich also, dass die Höhe der Subventionen stark von der landwirtschaftlich genutzten Fläche abhängt. Länder mit großen Agrarflächen, wie Frankreich, erhalten automatisch höhere Förderungen als kleinere Länder, selbst wenn politische Rahmenbedingungen oder Förderstrategien ähnlich sind. Daher ist bei Vergleichen zwischen Ländern Vorsicht geboten: Absolute Subventionssummen spiegeln nicht zwangsläufig Effizienz oder Förderwirkung wider, sondern oft nur strukturelle Unterschiede. Für die wirtschaftspolitische Steuerung bedeutet dies, dass Förderprogramme zielgerichtet und differenziert betrachtet werden müssen. Entscheidungen über die Verteilung von Mitteln sollten sowohl die Fläche, die Betriebsgrößen als auch die regionale Agrarstruktur berücksichtigen, um eine faire und wirksame Unterstützung zu gewährleisten. Außerdem verdeutlicht die Analyse, dass stabile und konsistente Förderstrukturen dazu beitragen, Schwankungen zu vermeiden und die Planbarkeit für Landwirte zu erhöhen.