Motivation

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

Datengrundlage

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

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

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

Die Gemeinsame Agrarpolitik (GAP) der EU verfügt für den Zeitraum 2021 bis 2027 über ein Gesamtbudget von 386,6 Milliarden Euro aus dem EU-Haushalt. Davon erhielt Deutschland allein im Jahr 2023 6,4 Milliarden Euro.

Wirtschaftlich spielt der Sektor Land- und Forstwirtschaft eine untergeordnete Rolle: Im Zeitraum 2014 bis 2024 machte er am BIP der gesamten EU maximal 1,7 % aus. In Deutschland lag der Anteil der Bruttowertschöpfung des primären Sektors 2024 sogar nur bei rund 0,91 %, was einen drastischen Rückgang gegenüber den 3,3 % von 1970 darstellt.

Bezüglich des Arbeitsmarktes waren 2023 rund 3,8 Prozent der EU-Erwerbstätigen in der Landwirtschaft beschäftigt, wobei Deutschland mit 1,2 Prozent deutlich darunter lag.

Quellen: Gemeinsame Agrarpolitik und Finanzen: Europäisches Parlament: Die Gemeinsame Agrarpolitik der EU: ihre Reform und Zukunft im Überblick Europäisches Parlament: EU agriculture policy in numbers (infographics) Wirtschaftliche Bedeutung: Statista: Anteile der Wirtschaftssektoren am Bruttoinlandsprodukt (BIP) in der EU Statista: Bruttowertschöpfungsanteil der Agrarwirtschaft in Deutschland Bedeutung für den Arbeitsmarkt: Statista: Erwerbstätige nach Wirtschaftssektoren in der Europäischen Union (EU) Statistisches Bundesamt (Destatis): Lange Reihen: Erwerbstätige

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.

Auszug: subventionen_fertig
Beguenstigter Jahr EGFL_Förderbetrag ELER_Förderbetrag Nationale_Kofinanzierung Förderbetrag_berechnet
‘’Unterhaltungsverband Untere Unstrut’’ 2023 0.00 14611.51 0.00 14611.51
‘Fahner Gold’ e.G. 2023 65048.36 27806.76 0.00 92855.12
‘Großfahner Fruchtgarten’ e.G. 2023 41175.76 8549.39 0.00 49725.15
‘Großfahner Fruchtgarten’ e.G. 2024 36101.93 9724.61 6483.07 52309.61
1. SV Sennewitz e. V. 2023 0.00 52671.16 0.00 52671.16
1. TC Köthen e.V. 2023 0.00 53724.72 0.00 53724.72

Der Europäische Garantiefonds für die Landwirtschaft (EGFL) ist der Fonds, über den die erste Säule der Gemeinsamen Agrarpolitik (GAP) finanziert wird. Er dient zur Leistung von Direktzahlungen an Landwirte und zur Finanzierung von Marktmaßnahmen zur Stabilisierung der Agrarmärkte.

Der Europäische Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER) stellt die zweite Säule der GAP dar. Er fördert die Entwicklung ländlicher Regionen durch die Finanzierung von Investitionen in Infrastruktur, Umwelt- und Klimaschutzmaßnahmen, nachhaltige Bewirtschaftung sowie die Stärkung der ländlichen Wirtschaft.

Die nationale Kofinanzierung ergänzt die EU-Mittel insbesondere aus dem ELER mit Geldern von Bund und Ländern. Dies ermöglicht die vollständige Finanzierung der entsprechenden Programme und Maßnahmen in Deutschland.

Quellen:Bundesministerium für Landwirtschaft, Ernährung und Heimat (BMLEH)](https://www.bmleh.de/DE/Home/home_node.html), EU-Kommission (https://commission.europa.eu/index_de)

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.

Ergebnis der Transformation ins Wide-Format
Jahr Monat Region Waldbrände Gesamtmonatlich_Anzahl Gesamtmonatlich_ha
2024 12 Baden-Württemberg Gesamt 0 0
2024 12 Bayern Gesamt 0 0
2024 12 Berlin Gesamt 0 0
2024 12 Brandenburg Gesamt 1 0
2024 12 Bremen Gesamt 0 0
2024 12 Deutschland Gesamt 4 0
  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.

Jahr Monat Region Waldbrände Gesamtmonatlich_Anzahl Gesamtmonatlich_ha
2024 12 Baden-Württemberg Gesamt 0 0
2024 12 Bayern Gesamt 0 0
2024 12 Berlin Gesamt 0 0
2024 12 Brandenburg Gesamt 1 0
2024 12 Bremen Gesamt 0 0
2024 12 Deutschland Gesamt 4 0
2024 12 Hamburg Gesamt 0 0
2024 12 Hessen Gesamt 1 0
2024 12 Mecklenburg-Vorpommern Gesamt 1 0
2024 12 Niedersachsen Gesamt 0 0

Die empfohlene Art des Joins ist der left_join(). Dieser ist die fachlich korrekte Wahl, da der Monatsdatensatz (waldbraende_wide) die vollständige zeitliche Struktur enthält und alle monatlichen Beobachtungen erhalten bleiben müssen. Der left_join() garantiert, dass die jährlichen Informationen aus dem zweiten Datensatz korrekt angehängt werden, wobei Monatszeilen auch dann erhalten bleiben, wenn die jährlichen Daten fehlen.

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

Konsistenzcheck: Originale vs. Berechnete Fördersummen nach Bundesland
Bundesland Summe Original (Gesamt) Summe Berechnet (Einzel) Abweichung
Bayern 1.421.232.143 1.166.494.479 254.737.663,97
Niedersachsen 966.029.778 949.897.228 16.132.550,40
Baden-Württemberg 683.387.554 623.242.414 60.145.139,44
Nordrhein-Westfalen 633.841.663 600.789.240 33.052.423,06
Sachsen-Anhalt 598.783.406 538.215.699 60.567.707,05
Mecklenburg-Vorpommern 598.510.099 572.658.026 25.852.073,21
Brandenburg 598.361.441 596.842.642 1.518.798,66
Sachsen 475.948.856 467.937.996 8.010.860,02
Thüringen 425.683.660 391.647.577 34.036.082,20
Schleswig-Holstein 399.565.446 381.295.273 18.270.173,62
Hessen 335.003.132 355.414.893 -20.411.761,22
Rheinland-Pfalz 323.473.812 298.024.563 25.449.248,60
Saarland 34.714.770 29.369.463 5.345.306,97
Hamburg 7.399.231 9.803.717 -2.404.485,49
Berlin 6.349.473 6.287.615 61.857,75
Bremen 4.865.093 4.606.061 259.032,45

Die vorliegende Tabelle stellt die in den Originaldaten ausgewiesenen Gesamtbeträge den summierten Einzelkomponenten (EGFL, ELER und Nationale Kofinanzierung) auf Ebene der Bundesländer gegenüber. Die Sortierung erfolgt absteigend nach dem offiziellen Fördervolumen, wobei Bayern und Niedersachsen erwartungsgemäß die Liste anführen.

Bei der Betrachtung der Spalte „Abweichung“ zeigt sich ein differenziertes Bild, das auf eine komplexere Zusammensetzung der Fördergelder hinweist, als durch die drei Hauptkategorien abgebildet wird. In den großen Flächenländern wie Bayern, Baden-Württemberg und Niedersachsen liegt die Summe Original deutlich über der Summe Berechnet. In Bayern beträgt diese Differenz beispielsweise rund 254 Millionen Euro. Dies deutet darauf hin, dass im ausgewiesenen Gesamtbetrag weitere Fördertöpfe enthalten sind, die nicht unter die klassischen Säulen EGFL, ELER oder die Nationale Kofinanzierung fallen. Hierbei kann es sich um reine Landesmittel, spezifische Sonderrahmenpläne oder Krisenhilfen handeln, die in unserer Berechnung der drei Hauptkomponenten nicht erfasst wurden.

Interessanterweise zeigt sich in Hessen und Hamburg ein umgekehrter Effekt. Hier ist die Summe der Einzelposten höher als der ausgewiesene Gesamtbetrag. Eine plausible ökonomische Erklärung hierfür sind nachträgliche Korrekturen oder Sanktionen. Wenn Einzelposten zwar ausgezahlt und verbucht wurden, der Gesamtbetrag jedoch um Rückzahlungen oder Verwaltungskorrekturen bereinigt wurde, entsteht rechnerisch eine negative Differenz.

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 Flop 6 Begünstigte (Haushaltsjahr 2024)
Name des Begünstigten Gesamtfördersumme Postleitzahl Gemeinde Bundesland
Landesbetr. f.Hochwasserschutz u. Wasserwirtsch. (LHW) 65.373.197,10 39104 Magdeburg, Landeshauptstadt Sachsen-Anhalt
Landesbetrieb für Küstenschutz Nationalpark u Meeresschutz 26.117.459,10 25813 Husum, Stadt Schleswig-Holstein
Land Mecklenburg-Vorpommern Ministerium für 23.723.623,36 19061 Schwerin, Landeshauptstadt Mecklenburg-Vorpommern
Landesamt für Umwelt (LfU) 13.812.567,29 14476 Potsdam, Stadt Brandenburg
Landgard Obst + Gemüse GmbH + Co. KG 7.650.174,42 47638 Straelen, Stadt Nordrhein-Westfalen
Landfrisch AG 7.550.736,78 50126 Bergheim, Stadt Nordrhein-Westfalen
Kleinempfänger 97,15 04886 Arzberg Sachsen
Kleinempfänger 85,40 96482 Ahorn Bayern
Kleinempfänger 72,90 97753 Karlstadt, St Bayern
Kleinempfänger 72,86 29468 Bergen an der Dumme, Flecken Niedersachsen
Kleinempfänger 52,90 02894 Vierkirchen Sachsen
Kleinempfänger 50,96 97348 Markt Einersheim, M Bayern

Eine Beobachtung im Rohdatensatz entspricht einer einzelnen Buchung, weshalb Akteure mehrfach vorkommen können. Erst die Aggregation der Zahlungen pro Begünstigten offenbart die tatsächliche Verteilung, die durch eine extreme Spannweite gekennzeichnet ist. An der Spitze ist LHW Sachsen-Anhalt und erhielt über 65 Mio. Euro, während die kleinsten Auszahlungen bei nur ca. 50 Euro lagen. Bei den Top-6-Empfängern dominieren nicht landwirtschaftliche Einzelbetriebe, sondern staatliche Landesbetriebe der öffentlichen Daseinsvorsorge, insbesondere im Hochwasser- und Küstenschutz. Diese Gelder fließen in Infrastrukturprojekte, nicht als Einkommen an Einzelpersonen. Die ebenfalls gelisteten Firmen „Landgard“ und „Landfrisch“ sind Erzeugergemeinschaften, deren hohe Summen durch die Bündelung von Fördergeldern für viele angeschlossene Landwirte entstehen. Die niedrigsten 6 Empfänger werden pauschal als „Kleinempfänger“ geführt. Dies zeigt, dass natürliche Personen bei geringen Beträgen aus Datenschutzgründen anonymisiert werden. Zur Rolle der Forstwirtschaft: Sie fehlt in den Top 6 des Jahres 2024.

  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 Statistik der Förderbeträge (in Euro)
Variable Anzahl_N Mittelwert Standardabw Median Minimum Maximum
EGFL_Förderbetrag 288.334 18.075,44 51.772,29 7.256,10 0,00 6.345.377,2
ELER_Förderbetrag 288.334 5.818,06 87.094,53 560,53 -839,89 28.223.328,7
Förderbetrag_gesamt 288.334 26.057,11 132.233,18 10.011,80 0,07 37.149.868,4
Nationale_Kofinanzierung 288.334 357,98 2.362,96 0,00 0,00 644.950,7
Förderbetrag_gesamt 1.153.336 12.577,15 83.910,50 2.210,04 -839,89 37.149.868,4

Die deskriptive Statistik offenbart eine extrem ungleiche Verteilung der Subventionsgelder. Das auffälligste Merkmal ist die starke Rechtsschiefe aller Variablen. Der Mittelwert liegt durchgehend deutlich über dem Median (z. B. beim Gesamtförderbetrag ~26.000 € Durchschnitt vs. ~10.000 € Median). Dies belegt, dass der statistische Durchschnitt durch wenige Großempfänger mit Millionenbeträgen stark nach oben verzerrt wird, während die breite Masse deutlich weniger erhält.

Die extrem hohen Standardabweichungen bestätigen diese massive Kluft zwischen Klein- und Großempfängern. Ein Sonderfall ist die Nationale Kofinanzierung. Ihr Median von 0,00 € zeigt, dass mehr als die Hälfte der Beobachtungen in dieser Kategorie überhaupt keine Förderung erhielt. Zudem weisen negative Minimalwerte (z. B. -839 €) auf Rückforderungen hin. Insgesamt ist der Datensatz also nicht normalverteilt, sondern durch viele kleine und wenige extrem hohe Werte geprägt.

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 Analyse der Förderstruktur für das Jahr 2023 offenbart deutliche föderale Unterschiede in der Umsetzung der Gemeinsamen Agrarpolitik. In den klassischen Flächenländern dominiert erwartungsgemäß der EGFL (1. Säule) mit Anteilen von oft 60 bis 80 Prozent. Dies ist systemisch bedingt. Da diese Gelder als flächengebundene Direktzahlungen fließen, profitieren Regionen mit viel Agrarfläche automatisch am stärksten von diesem Topf. Interessanter sind die Varianzen beim ELER und der nationalen Kofinanzierung (2. Säule). Da diese Mittel eine aktive finanzielle Beteiligung der Bundesländer voraussetzen, spiegelt ein höherer Anteil in diesem Bereich den politischen Willen wider, Landesmittel gezielt für Agrarstrukturmaßnahmen einzusetzen. Stadtstaaten bilden aufgrund ihrer geringen Agrarfläche statistische Ausreißer mit oft atypischen Verteilungen. Ökonomisch lassen sich daraus zwei unterschiedliche Schwerpunkte ableiten. Bundesländer mit dominierendem EGFL-Anteil fokussieren primär auf die Einkommenssicherung. Hier fungiert die Agrarpolitik als pauschaler Transfer, um die Wettbewerbsfähigkeit der Betriebe zu stabilisieren. Ein hoher Anteil an ELER und nationalen Mitteln deutet hingegen auf den Schwerpunkt der ländlichen Entwicklung und der Bereitstellung öffentlicher Güter hin. In diesen Ländern wird die Förderung stärker als Steuerungsinstrument genutzt, um spezifische Leistungen, wie Umweltschutz, Tierwohl oder Dorfentwicklung – zu honorieren, die der Markt allein nicht entgilt. Die Verteilung zeigt somit den Spagat zwischen reiner Besitzstandswahrung (1. Säule) und gezielter Strukturpolitik (2. Säule). ——

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 Gesamtfördersummen nach Bundesland (2023 vs. 2024)
Bundesland Summe 2023 (€) Summe 2024 (€) Veränderung (Mio. €) Veränderung (%)
Niedersachsen 1.135.427.038 769.876.440 -365,55 -32,19
Bayern 1.528.009.223 1.180.036.433 -347,97 -22,77
Sachsen-Anhalt 672.406.833 479.023.233 -193,38 -28,76
Mecklenburg-Vorpommern 669.706.203 498.772.375 -170,93 -25,52
Brandenburg 665.320.283 497.411.295 -167,91 -25,24
Sachsen 537.433.677 384.846.164 -152,59 -28,39
Nordrhein-Westfalen 684.337.570 543.634.796 -140,70 -20,56
Schleswig-Holstein 437.317.099 332.478.476 -104,84 -23,97
Rheinland-Pfalz 353.671.387 263.067.930 -90,60 -25,62
Baden-Württemberg 681.129.275 616.071.134 -65,06 -9,55
Thüringen 434.530.404 384.100.435 -50,43 -11,61
Hessen 349.688.376 305.728.957 -43,96 -12,57
Berlin 6.972.028 4.852.055 -2,12 -30,41
Hamburg 7.788.130 6.841.329 -0,95 -12,16
Bremen 4.836.428 4.428.178 -0,41 -8,44
Saarland 32.144.853 33.788.409 1,64 5,11
Note:
Werte basieren auf der Summe aller Förderarten (EGFL, ELER, Nationale Mittel).

Mit Ausnahme des Saarlandes verzeichnen alle Bundesländer massive Rückgänge im Jahr 2023 und 2024. Am härtesten trifft es Niedersachsen, das sowohl den höchsten absoluten Verlust (-365,6 Mio. €) als auch den stärksten prozentualen Einbruch unter den Flächenländern (-32,2 %) hinnehmen muss. Auch Bayern verliert mit knapp 348 Mio. € immens an Volumen. Prozentual stechen neben Niedersachsen auch Berlin (-30,4 %) und Sachsen-Anhalt (-28,8 %) negativ hervor. Der einzige „Gewinner“ ist das Saarland, das entgegen dem Bundestrend ein leichtes Plus von 5,1 % (+1,6 Mio. €) verbucht. Der Gesamttrend ist eindeutig negativ. Besonders die großen Agrarstandorte und ostdeutschen Länder verlieren einheitlich zwischen einem Fünftel und einem Drittel ihrer Mittel. Die Gründe liegen primär in der GAP-Reform 2023–2027. Die klassische Basisprämie sinkt zugunsten leistungsgebundener „Öko-Regelungen“ (Eco-Schemes). Werden diese aufgrund bürokratischer Hürden oder betrieblicher Unmachbarkeit nicht abgerufen, fließen die Gelder nicht.

Quelle: Commonland. (o. D.). Der neue EU‑Haushalt verärgert die Landwirte.

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:

Der im Wochenblatt zitierte BMU-Bericht stellt heraus, dass die Hitzesommer 2018/19 und andere Extremereignisse in Deutschland Schäden von großer Größenordnung verursacht haben. Die jährlichen Durchschnittsschäden seit 2000 werden mit etwa 6,6 Mrd. € angegeben, und die kumulierten Schäden seit 2018 liegen deutlich höher. Dem stehen die jährlichen GAP-Mittel für Deutschland gegenüber, die nach nationalen Angaben in der Größenordnung von rund 6–6,3 Mrd. € pro Jahr liegen. Diese vergleichbare Größenordnung macht deutlich, dass Subventionen de facto eine zentrale Rolle in der Risikoabsicherung der Landwirtschaft spielen. Sie liefern Liquidität und tragen dazu bei, Einkommensverluste nach Extremereignissen abzufedern, wirken damit wie eine staatliche ,,Risikoprämie”. Gleichzeitig sind klassische GAP-Zahlungen überwiegend pauschal und flächenbezogen ausgestaltet, weshalb sie schlecht zielgerichtet als Versicherung gegen klimatypische Ertragsausfälle funktionieren, sie bergen außerdem Moral-Hazard-Risiken und belohnen nicht notwendigerweise präventives Verhalten. Ökonomisch ist eine reine Ex-post-Kompensation weniger effizient als Prävention. Investitionen in Anpassung (z. B. Aufforstung, wassersparende Infrastruktur, trockenresistente Sorten) reduzieren erwartete zukünftige Schäden und erzielen langfristig oft höhere Nutzen-Kosten-Verhältnisse als wiederholte Auszahlungen nach Schadensfällen. Bei den beiden diskutierten Politikalternativen zeigt sich, dass höhere Direktzahlungen (EGFL) schnellen Liquiditätsvorteil bieten, aber wenig zielgenau sind und schaffen geringe Anreize für Widerstandsfähigkeit. Eine Umschichtung hin zu projektbasierter ELER-Förderung fördert gezielt klimaresiliente Technologien und hat eine stärkere präventive Hebelwirkung, erfordert aber höhere Anfangsinvestitionen, Verwaltungsaufwand und Zeit bis zur Wirkung. Insgesamt erscheint aus ökonomischer Sicht eine erhöhte Priorität für präventive, wirkungsorientierte ELER-Maßnahmen flankiert von gezielten, temporären Liquiditätshilfen für besonders betroffene Betriebe als die effizienteste Strategie.

Quellen: Commonland. (o. D.). Der neue EU‑Haushalt verärgert die Landwirte. Bundesministerium für Ernährung und Landwirtschaft (BMEL). (o. D.). CAP main features and implemantation in Germany. Landwirte haben Riesenschäden durch extreme Wettereignisse. Wochenblatt-DLV

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.

Jahr Gesamt_Anzahl Gesamt_ha Wirtschaftliche Verluste Schadenssumme
2018 1708 2349 2144430 2670000
2019 1523 2711 1662950 2220000
2020 1360 368 1595800 2190000
2021 548 148 659240 670000
2022 2397 3058 4851380 5140000
2023 1059 1240 957330 1190000
2024 563 334 680250 680000

Die größten Schadenssummen im Zeitraum von 2018 bis 2024 verzeichnen die Jahre 2022, 2018 und 2019. Die größten verbrannten Flächen fallen ebenfalls in diese Jahre. Auffällig ist zudem das Jahr 2020, das zwar eine hohe Schadenssumme aufweist, jedoch im Vergleich zu den anderen Extremjahren eine deutlich geringere verbrannte Fläche hat.

Dies deutet darauf hin, dass sich die Art der Brände zwischen den Jahren unterscheidet. Im Jahr 2020 handelte es sich vermutlich um viele kleine Brände, was durch die geringe verbrannte Fläche von 368ha erkennbar ist. Dagegen zeichnen sich die Brände in 2022 und 2019 durch wenige, aber sehr große Brände aus, erkennbar an den hohen Flächenwerten von 3.058ha bzw. 2.711ha.

Ein klarer Trend einer Zunahme der ökonomischen Belastung durch Waldbrände ist nicht erkennbar, da die wirtschaftlichen Verluste und entstandenen Schäden über die Jahre stark schwanken. Besonders die Jahre 2021 und 2024 weisen vergleichsweise geringe wirtschaftliche Verluste von 659.240€ bzw. 680.250€ auf.

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.

Vor allem Privatwälder sind über die Jahre hinweg am häufigsten von Waldbränden betroffen, sowohl in Bezug auf die verbrannte Fläche als auch auf die Anzahl der Brandfälle. Dabei schwankt der Anteil der verbrannten Fläche deutlich stärker als der Anteil der Brandfälle. Besonders auffällig ist, dass der Flächenanteil im Jahr 2021 bei etwa 40 % lag und über die Jahre kontinuierlich auf über 75 % angestiegen ist. Im Vergleich dazu sind beim Anteil der Brandfälle keine signifikanten Veränderungen erkennbar.

In einzelnen Jahren zeigen sich zudem deutliche Unterschiede zwischen den Eigentumsarten. So hatten beispielsweise Bundeswälder 2019 und 2021 einen hohen Anteil an der verbrannten Fläche (ca. 35 % bzw. 30 %), während ihr Anteil an der Anzahl der Brände nur bei etwa 12 % bzw. 10 % lag. Dies deutet darauf hin, dass Bundeswälder in diesen Jahren vor allem von großen Bränden betroffen waren. Auch 2024 zeigt sich bei Privatwäldern eine große Diskrepanz zwischen Fläche und Anzahl (76 % zu 48 %), was ebenfalls auf große Brände zurückzuführen ist.

Die Diagramme verdeutlichen, dass insbesondere Privat- und Bundeswälder im Hinblick auf Präventions- und Unterstützungsmaßnahmen prioritär betrachtet werden sollten, da diese zusammen einen hohen Anteil sowohl an der verbrannten Fläche als auch an der Anzahl der Brandfälle ausmachen.

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 Analyse zeigt, dass die unbekannten Ursachen über die meisten Jahre hinweg sowohl bei der Anzahl der Brände als auch bei der verbrannten Fläche dominieren. Eine Ausnahme bildet das Jahr 2024, in dem sonstige handlungsbedingte Einwirkungen bei der Fläche sogar die unbekannten Ursachen übersteigen. Zwischen 2023 und 2024 fällt auf, dass die durch unbekannte Ursachen verursachten Flächen drastisch zurückgegangen sind. Gleichzeitig spielen menschliche Ursachen wie Fahrlässigkeit und Brandstiftung weiterhin eine wichtige Rolle. Besonders auffällig ist das Jahr 2022, in dem die durch Brandstiftung verursachten Waldflächen fast so groß sind wie die Flächen unbekannter Ursachen.

Ein deutlicher Trend lässt sich ab dem Jahr 2022 beobachten: Sowohl die Anzahl der Brände als auch die betroffenen Flächen nehmen kontinuierlich ab, insbesondere bei unbekannten Ursachen, Fahrlässigkeit und Brandstiftung.

Ökonomisch lässt sich aus dieser Entwicklung schließen, dass die Schadenssummen in Zukunft weiter reduziert werden können, wenn Präventionsmaßnahmen gezielt ausgebaut werden. Politisch bedeutet dies, dass durch staatliche Präventions- und Unterstützungsprogramme die Ursachen menschlichen Handelns effektiv bekämpft werden können, wodurch sowohl die Anzahl als auch die Größe von Waldbränden verringert werden kann.

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 Diagramme deuten darauf hin, dass kein signifikanter Zusammenhang zwischen den Ausgaben für Forstverwaltung bzw. Kontrollmaßnahmen und den wirtschaftlichen Verlusten erkennbar ist. Die Daten sind sehr unregelmäßig verteilt, wodurch eine starke lineare Korrelation zwischen den untersuchten Variablen schwer nachweisbar ist. Die Grafiken stützen somit nicht die Hypothese, dass höhere Präventionsausgaben automatisch zu geringeren Schäden führen.

Die Verwendung einer logarithmischen Skala ist hierbei sinnvoll, da die wirtschaftlichen Verluste stark schwanken und im Vergleich zu den Ausgaben deutlich höhere Werte annehmen. Ohne logarithmische Darstellung wären die Diagramme stark verzerrt, und eine Untersuchung von Zusammenhängen oder Korrelationen wäre erheblich erschwert.

Wenn die Präventionskosten einzelner Bundesländer teilweise auf derselben Größenordnung wie der gesamtwirtschaftliche Verlust Deutschlands liegen, deutet dies darauf hin, dass hohe Präventionsausgaben nicht automatisch zu proportional geringeren Schäden führen. Insbesondere Faktoren, die nur schwer durch Forstverwaltungskosten oder sonstige Kontrollmaßnahmen beeinflussbar sind, tragen dazu bei, dass Schäden nicht proportional reduziert werden können. Dazu zählen menschliches Verhalten, etwa Brände durch Vorsatz oder Fahrlässigkeit, sowie externe Einflüsse wie extreme Hitze, Trockenheit oder Wind, die Waldbrände unabhängig von Präventionsmaßnahmen verstärken.

Es zeigt sich daher, dass die Höhe der Präventions- und Kontrollkosten allein nicht ausreicht, um wirtschaftliche Verluste effektiv einzudämmen, und dass zusätzliche, gezielte Maßnahmen notwendig sind, um die Effizienz der Waldbrandprävention zu erhöhen.

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?

Die meisten Waldbrände treten typischerweise in den Sommermonaten, insbesondere Juni, Juli und August, auf, wobei diese Monate über die Jahre hinweg meist die Höchstwerte erreichen. Auch die verbrannte Fläche erreicht in diesen Monaten in den meisten Jahren Spitzenwerte. Ein Vergleich zeigt jedoch, dass die Spitzen der Brandanzahl und der verbrannten Fläche nicht immer genau zusammenfallen. Beispielsweise lag 2018 die höchste Anzahl an Bränden im Juni, während die größte verbrannte Fläche im Juli auftrat. Dennoch liegen die Spitzen zeitlich meist sehr nah beieinander.

Monate mit vielen kleinen, aber wenigen großen Bränden lassen sich unter anderem durch Wetterbedingungen erklären. Hohe Luftfeuchtigkeit, kurze Regenphasen oder kühlere Perioden verhindern eine schnelle Ausbreitung der Brände, wodurch viele kleine, lokal begrenzte Brände entstehen. Gleichzeitig spielt menschliches Verhalten eine große Rolle: Im Frühling oder Frühsommer führen Aktivitäten wie Landwirtschaft oder erste Waldbesuche zu vielen Zündquellen, die meist schnell entdeckt und gelöscht werden, sodass nur kleine Flächen betroffen sind.

Die starken Schwankungen der Brände in den Sommermonaten lassen sich außerdem durch unterschiedliche Niederschlagsmengen sowie Hitze- und Dürreperioden erklären. Feuchte Sommer führen zu vergleichsweise wenigen Bränden, während extreme Hitzesommer, wie 2018, 2019 und 2022, zu einem deutlichen Anstieg der Waldbrände führen.

Zusammenfassend zeigt sich, dass sowohl klimatische Bedingungen als auch menschliches Verhalten die saisonale Dynamik der Waldbrände prägen, weshalb Präventionsmaßnahmen insbesondere in den sommerlichen Hochrisikoperioden verstärkt werden sollten.

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)?
Jahr Region Gesamtzahl Brände Gesamtfläche (ha) Durchschnittliche Fläche pro Brand (ha/Brand) Wirtschaftliche Verluste (Tsd. €) Verlust pro Hektar (€/ha)
2022 Bayern 145 214 1.48 297.06 1388.13
2022 Brandenburg 523 1426 2.73 13.60 9.54
2023 Bayern 75 44 0.59 197.64 4491.82
2023 Brandenburg 251 765 3.05 6.90 9.02

Die Tabelle zeigt, dass Brandenburg über beide Jahre hinweg absolut gesehen mehr Brände und größere Flächenverluste verzeichnet. Betrachtet man die ökonomischen Verluste, zeigt sich hingegen, dass Bayern deutlich höhere Schäden aufweist, sowohl insgesamt als auch pro Hektar.

Die Unterschiede in der Verluststruktur spiegeln die unterschiedlichen Waldtypen wider. Brandenburg hat einen hohen Anteil an Nutzwäldern, vor allem Kiefernmonokulturen, wodurch potenzielle Brände zwar häufig, aber ökonomisch weniger gravierend sind. Bayern verfügt dagegen über viele Schutz- und Mischwälder mit hochwertigen Holzarten wie Buche oder Eiche, wodurch selbst seltene Brände erhebliche wirtschaftliche Schäden verursachen.

Aus ökonomischer Perspektive könnte man argumentieren, dass das Waldbrandproblem in Bayern gravierender ist, da die hohen Holzwerte die Schäden stark erhöhen. Aus ökologischer Sicht sind jedoch gerade die häufigen Brände in Brandenburg problematisch, da sie CO₂-Speicher zerstören, Lebensräume gefährden und Bodenschäden verursachen.

Zusammenfassend manifestiert sich das Waldbrandproblem in beiden Bundesländern auf unterschiedliche Weise, weshalb sowohl ökonomische als auch ökologische Aspekte gleichwertig berücksichtigt werden sollten, um gezielte Präventions- und Schutzmaßnahmen zu entwickeln.

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

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

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

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

Die Diagramme zeigen, dass sowohl in Bayern als auch in Brandenburg ein starker Anstieg der Verluste bei beiden Holzarten zu erkennen ist. In Bayern stieg der Stammholzverlust von etwa 3.200.000 m³ auf rund 11.500.000 m³ und der Industrieholzverlust von ca. 600.000 m³ auf etwa 5.500.000 m³. In Brandenburg erhöhte sich der Stammholzverlust von ca. 300.000 m³ auf rund 7.800.000 m³ und der Industrieholzverlust von etwa 1.000.000 m³ auf 17.000.000 m³. Unabhängig von Region und Holzart ist damit ein deutlicher ökonomischer Verlust zu beobachten.

Ökonomisch lässt sich festhalten, dass beide Bundesländer durch Waldbrände starke finanzielle Folgen erfahren. Besonders in Bayern ist der Verlust an Stammholz, das qualitativ hochwertig und teuer ist (z.B. für Bau und Industrie), deutlich höher, während in Brandenburg der Verlust an Industrieholz, das geringere Qualität und niedrigeren Preis hat (z.B. Papierholz), den Stammholzverlust übersteigt. Dies bestätigt die Ergebnisse aus Aufgabe 16, nach denen die ökonomische Belastung in Bayern höher ist als in Brandenburg.

Schlussfolgerung: Aufgrund der Waldart und Waldstruktur sind die ökonomischen Verluste in Bayern deutlich größer, weshalb hier gezielte Präventions- und Unterstützungsprogramme besonders wichtig sind, um den finanziellen Schäden durch Waldbrände entgegenzuwirken.

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 Erhöhung von Bußgeldern und Strafen für fahrlässige oder vorsätzliche Brandstiftung setzt gezielt an den menschlichen Ursachen von Waldbränden an, die in der Aufgabe 13 als besonders relevant identifiziert wurden. Strengere Sanktionen können Brände, die durch Unachtsamkeit oder Absicht entstehen, effektiv reduzieren. Gleichzeitig ist diese Maßnahme vergleichsweise kostengünstig und kann durch zusätzliche Einnahmen aus Bußgeldern weitere Präventionsmaßnahmen unterstützen. Allerdings wirkt sie kaum auf die saisonalen Schwankungen, wie sie in der Aufgabe 15 beschrieben wurden, und hat nur begrenzte Wirkung auf regionale Unterschiede, die in der Aufgabe 16 sichtbar wurden. Zusammenfassend lässt sich sagen, dass diese Maßnahme besonders effektiv gegen menschliche Brandursachen ist, jedoch saisonale und strukturelle Risiken nur eingeschränkt adressiert.

Staatliche Anreize für den Umbau von Monokulturen zu klimaresilienteren Mischwäldern zielen auf langfristige strukturelle Verbesserungen ab. Private und kommunale Waldbesitzer, die in der Aufgabe 12 als besonders betroffen identifiziert wurden, profitieren von widerstandsfähigeren Beständen. Monokulturen wie die in Brandenburg weit verbreiteten Kiefernwälder sind deutlich brandanfälliger, was in der Aufgabe 16 zu größeren verbrannten Flächen führte. Der Umbau zu Mischwäldern kann diese Risiken langfristig senken und regionale Unterschiede im Schadensausmaß verringern. Gleichzeitig berücksichtigt diese Maßnahme nicht direkt menschliche Brandursachen und ist mit hohen Kosten verbunden, sowohl für die öffentlichen Haushalte als auch für die Waldbesitzer, die trotz Förderungen zusätzliche wirtschaftliche Belastungen tragen. Zusammenfassend ist der Waldumbau eine langfristig sinnvolle Maßnahme, um strukturelle Risiken zu reduzieren, jedoch nicht geeignet, kurzfristige Brandursachen zu beseitigen.

Investitionen in moderne Überwachungstechnologien wie Drohnen, Wärmebildkameras, Satelliten oder Sensornetze ermöglichen eine deutlich schnellere Erkennung von Bränden. Dies ist besonders wirksam während extremer Hitze- und Trockenperioden, die in der Aufgabe 15 als Hauptursache für saisonale Schwankungen identifiziert wurden. Die Systeme erfassen sowohl natürliche als auch menschliche Brandursachen frühzeitig und erlauben ein schnelles Eingreifen, wodurch in kritischen Sommermonaten große Schäden verhindert werden können. Besonders in Regionen mit großen und schwer zugänglichen Waldflächen wie Brandenburg ist diese Maßnahme effektiv. Nachteilig sind jedoch die hohen Anschaffungs- und Betriebskosten sowie die Frage der Einbindung privater Waldbesitzer. Zusammenfassend handelt es sich um eine kostspielige, aber sehr effektive Strategie zur Reduktion sowohl saisonaler als auch ursachenbedingter Risiken.

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.

Im Datensatz sind alle 27 EU Ländern, die EU ist im Orginaldatensatz ebenfalls gelistet.

Der originale Datensatz erstreckt sich von 2003 bis 2022, der eigenschränkte Datensatz entsprechend von 2010 bis 2022

Output_Pillar I bezieht sich auf die erste Säule der Gemeinsamen Agrarpolitik (GAP) der EU, welche Direktzahlungen und Markmaßnahmen umfasst. Unter Direktzahlungen Fallen: finanzielle Unterstützungen, die Landwirte basierend auf der bewirtschafteten Fläche erhalten, um ihr Einkommen zu stabilisieren und nachhaltige landwirtschaftliche Praktiken zu unterstützen Marktmaßnahmen umfassen Strategien, welche dabei helfen Marktstörungen zu bewältigen, also Beispielsweise Subventionen von Preisen überraschend Fallen oder um den Handel zu stärken. Output_Pillar II bezieht sich auf die zweite Säule der Gemeinsamen Agrarpolitik (GAP), welche sich ausschließlich auf die ländliche Entwicklung beschränkt. Diese Mittel werden zum Beispiel für Investitionen in Betriebe, Agrarumwelt und Klimamaßnahmen verwendet.

Deutschland zahlt ebenso Direktzahlungen, beispielsweise eine Einkommengrundstützung (BISS), welche für jeden Hektar eine Basisprämie zahlt. Deutschland hat auch Marktmaßnahmen, wie beispielsweise Schulprogramme auf Landesebene, welche landwirtschaftliche Produkte abnehmen und sie an Schulen verteilt. Im Bezug auf Entwicklungsförderung hat Deutschland ebenfalls Projekte wie AUKM, bei welchen Landwirte, für eine Prämie bestimmte Umweltförderliche Maßnahmen umsetzen müssen.

Auszug: eu_subventionen
Member_Name Time Total_Subsidy
Austria 2014 2832842406
Austria 2015 3368641400
Austria 2016 3747454492
Austria 2017 3904727287
Austria 2018 3982698508
Austria 2019 4230786309

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

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

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

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

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

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

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

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

In Hinblick auf die Entwicklung der einzelnen Ländern lassen, sich drei unterschiedliche Trends identifzieren. Es gibt Länder mit konstant steigenden Subventionen, wie Beispielsweise Deutschland oder Griechenland. Ein zweiter häufiger Trend ist ein Rückgang bzw. Einbruch der Ausgaben in 2021, mit einer folgenden Erholung der Ausgaben in Ländern wie Österreich oder Ungarn.

Bis 2020 liefen Förderprogramm Namens GAP, welches 2021 ausgelaufen ist. Das auslaufen dieses Programmes betrifft Länder, welcher stärker Abhängig von den Entwicklungsprogrammen sind, wie beispielsweise Ungarn oder Österreich. Diese Programme müssen in einem neuen Zyklus neu aufgesetzt werden, während Direktzahlungen keinen Großen Verwaltungsaufwand bedeuten. Der Allgemeine Aufwärtstrend lässt sich durch Krisenprogramme, in Folge des Ukraine Krieges, erklären, welche 2022 eingeführt wurden.

Abschließend ist Irland das einzige Land, welches einen Einbruch der Subventionen in 2022 im Vergleich zu 2021 hatte. Irland Aufgrund seines Subventionsprofiles, ausnahmsweise in 2021 mehr von Hilfszahlungen profitiert als in 2022.

Die Größe der Zahlungen scheint sehr stark mit der landwirtschaftlich nutzbaren Fläche der Länder zusammenzuhängen. Viele Subventionsprämien sind direkt an die bewirtschaftete Fläche gekoppelt. Besonders relevant ist dabei die tatsächlich landwirtschaftlich nutzbare Fläche. Länder mit vielen Bergen wie Österreich oder Griechenland haben dementsprechend weniger Acker- und Weideflächen und erhalten somit auch geringere Subventionsbeträge.

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.

Die geringsten Subventionssummen erhalten über den Zeitraum 2010–2022 vor allem die baltischen Staaten sowie mehrere Länder des Balkans. Dies liegt vor allem daran, dass diese Regionen vergleichsweise wenig Einwohner, geringe landwirtschaftliche Nutzflächen und insgesamt eine schwächere Wirtschaftskraft besitzen. Dadurch fallen sowohl die flächenbezogenen Direktzahlungen als auch die kofinanzierten Fördermittel deutlich niedriger aus als in großen Agrarländern.

Gewisse Länder erhalten in der Karte keine Einfärbung, weil sie nicht Teil der Europäischen Union sind und daher keine Zahlungen aus der Gemeinsamen Agrarpolitik (GAP) erhalten. Die GAP-Mittel werden ausschließlich an EU-Mitgliedstaaten vergeben, unabhängig davon, welche Währung ein Land nutzt. Länder außerhalb der EU – etwa die Schweiz, Norwegen oder die Ukraine – erscheinen deshalb ohne Farbzuweisung, da für sie formal keine EU-Subventionsdaten vorliegen.

Es gibt Länder mit stark steigenden Subventionen, insbesondere Polen, Italien, Deutschland sowie mehrere osteuropäische Staaten, was vor allem auf die GAP-Reform 2014, höhere nationale Kofinanzierungen und strukturelle Modernisierung zurückzuführen ist. Rückgänge oder Schwankungen finden sich u. a. in Finnland, Irland und dem Baltikum, meist verursacht durch Förderperiodenwechsel, nationale Budgetentscheidungen oder wirtschaftliche Entwicklungen.

Hohe Subventionen stärken die Wettbewerbsposition großer Agrarländer, da sie höhere Investitionen und stabile Einkommen ermöglichen. Dadurch können sich strukturelle Vorteile verfestigen, was zu einer stärkeren Konzentration der Landwirtschaft und zu asymmetrischen Wettbewerbsbedingungen innerhalb der EU führt.

Stark schwankende Subventionssummen deuten meist auf politische Entscheidungen, Änderungen in Förderprogrammen oder wirtschaftliche Krisen hin. Solche Schwankungen zeigen, stark von das haushaltspolitischen Prioritäten und externen Schocks starken Einfluss haben.

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

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

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

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

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

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

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

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

Frage 1:

Die Faktoren, welche die Unterschiede zwischen Deutschland und Frankreich erklären, sind nicht eindeutig. Einerseits verfügt Frankreich über mehr landwirtschaftliche Nutzfläche und produziert insgesamt mehr Agrargüter, was zu entsprechend höheren Subventionssummen führt. Frankreich profitiert daher besonders stark von den Subventionen der Säule 1, also den flächengebundenen Direktzahlungen pro Hektar.Aufgrund der größeren Produktionsmenge ist zudem die Bauernlobby in Frankreich deutlich einflussreicher, was zusätzlichen politischen Druck erzeugt, die Direktzahlungen auf EU-Ebene zu verteidigen. Dadurch wirken strukturelle Unterschiede und politische Interessen gemeinsam und verstärken den Subventionsvorteil Frankreichs gegenüber Deutschland.

Wir können sehen, dass die absolute Höhe der Subventionen vor allem von der Stärke des landwirtschaftlichen Sektors in einem gegebenen Land abhängt. Insofern ist es sinnvoller, die Subventionshöhe im Verhältnis zur Größe des Agrarsektors zu betrachten, wenn man Länder miteinander vergleichen möchte. Zusätzlich zeigt sich, dass die wirtschaftspolitische Ausgestaltung stark von nationalen Interessen – wie etwa der Bauernlobby – beeinflusst wird und dass Länder mit einem besonders starken Agrarsektor tendenziell auch größere Möglichkeiten haben, ihre Interessen auf EU-Ebene durchzusetzen.

Frage 2:

Bei einigen Ländern – besonders Finnland, Irland, Rumänien, Ungarn, Bulgarien und teilweise den baltischen Staaten – zeigen sich über die Jahre deutliche Anstiege oder Rückgänge. Diese Schwankungen treten häufig an den Übergängen zwischen Förderperioden auf und spiegeln Änderungen in der Mittelverteilung der Gemeinsamen Agrarpolitik wider. Während große Agrarländer wie Frankreich oder Deutschland relativ stabile Trends zeigen, sind kleinere oder strukturell schwächere Länder deutlich volatiler.