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.

Das Gesamtbudget (2024) für die Gemeinsame Agrarpolitik (GAP) der EU beträgt 53,8 Milliarden Euro (siehe EU Budget 2024). Für den Zeitraum von 2021 bis 2027 sind 386,6 Milliarden Euro vorgesehen, die sich auf die beiden Fonds EGFL und ELER aufteilen. Deutschland erhält ca. 6,5 Milliarden Euro im Jahr 2024 aus der GAP-Subvention (siehe BMEL Agrarzahlungen 2024).

Im Jahr 2024 betrug der prozentuale Anteil der Land- und Forstwirtschaft (einschließlich Fischerei) an der gesamten Bruttowertschöpfung der EU etwa 1,6 % (siehe Statista – EU BIP Sektoren). Der Anteil der Land- und Forstwirtschaft (inklusive Fischerei) am Bruttoinlandsprodukt Deutschlands liegt im Jahr 2024 bei etwa 0,9 % (siehe Statista – Deutschland BIP Sektoren).

In der Europäischen Union sind etwa 3,8 % aller Erwerbstätigen im Sektor Land-, Forstwirtschaft und Fischerei beschäftigt, während es in Deutschland nur 1,2 % sind. Diese Zahlen basieren auf Daten aus dem Jahr 2023 sowie vorläufigen Ergebnissen für 2024 (siehe Statista – Beschäftigung Deutschland und Statista – Beschäftigung EU).

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, ELER und Nationale Kofinanzierung sind drei Finanzierungsquellen der Gemeinsamen Agrarpolitik (GAP).

EGFL (Der Europäische Garantiefonds für die Landwirtschaft) ist die “erste Säule” der GAP und verantwortlich für Einkommenssicherung und Märkte. Dies wird durch Direktzahlungen an Landwirte und marktbezogene Maßnahmen erreicht Ziel ist vor allem die Stabilisierung der landwirtschaftlichen Einkommen und der Agrarmärkte.

ELER (Der Europäische Landwirtschaftsfonds für die Entwicklung des ländlichen Raums) ist die „zweite Säule“ der GAP und kofinanziert Programme zur ländlichen Entwicklung. Dazu zählen Investitionen in Betriebe, Agrarumwelt‑ und Klimamaßnahmen, Förderung nichtlandwirtschaftlicher Tätigkeiten, LEADER‑Projekte und Maßnahmen zur Lebensqualität in ländlichen Regionen.

Die Nationale Kofinanzierung umfasst nationale öffentliche Mittel (Bund und Länder), die vor allem ELER‑Programme sowie weitere agrarpolitische Maßnahmen ergänzen. Sie ist notwendig, weil viele ELER‑Maßnahmen nur anteilig aus EU‑Mitteln finanziert werden. Durch die Kofinanzierung können die Mitgliedstaaten ihre eigenen Schwerpunkte setzen und das Volumen einzelner Programme erhöhen.

Unterschiede in Zielen und Maßnahmen: Zusammengefasst steht EGFL für laufende Einkommensstützung und Marktstabilisierung, ELER für struktur- und umweltorientierte Entwicklung des ländlichen Raums, und die Nationale Kofinanzierung bestimmt, wie stark und in welche Richtung ein Land diese EU‑Programme national mitträgt. Somit spiegeln sich in der Verteilung zwischen EGFL, ELER und nationalen Mitteln unterschiedliche agrarpolitische Prioritäten: von stärker produktions- und einkommensorientierter Förderung hin zu mehr Umwelt-, Klima- und Entwicklungszielen.

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.

Ein Left Join ist in diesem Fall die passende Wahl, weil der Datensatz waldbraende_information die umfassenden, aggregierten Übersichtsdaten zu Ursachen, Kosten und Präventionsmaßnahmen enthält und daher als Basisdatensatz dienen soll. Durch den Left Join bleibt dieser vollständige Datensatz vollständig erhalten, während die Detailinformationen aus waldbraende_gesamtnur dort ergänzt werden, wo passende Werte für Region und Jahr vorhanden sind. Dadurch wird sichergestellt, dass keine wichtigen Übersichtseinträge verloren gehen und der kombinierte Datensatz waldbraende eine vollständige Grundlage für die weitere Analyse bildet.

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

Förderbeträge
Bundesland Original (Mio. €) Berechnet (Mio. €) Abweichung (Mio. €)
Bayern 1.421 1.287 134,42
Niedersachsen 966 939 26,76
Baden-Württemberg 683 614 69,57
Nordrhein-Westfalen 634 594 39,71
Sachsen-Anhalt 599 553 46,14
Mecklenburg-Vorpommern 599 570 28,54
Brandenburg 598 564 33,99
Sachsen 476 446 29,62
Thüringen 426 393 32,74
Schleswig-Holstein 400 370 29,34
Hessen 335 320 14,59
Rheinland-Pfalz 323 293 30,21
Saarland 35 31 3,50
Hamburg 7 7 0,17
Berlin 6 5 0,87
Bremen 5 4 0,47

Die Tabelle liefert die orginalen -, berechneten Fördersummen und die daraus entstehenden Abweichungen jeweils sortiert nach Bundesland in absteigender Reihenfolge. Die größten absoluten Abweichungen zwischen Original- und berechneten Kosten zeigen Bayern (134.419 Tsd. €), Baden-Württemberg (69.575 Tsd. €) und Niedersachsen (26.756 Tsd. €). Trotz offizieller Herkunft aus dem Bundesinformationszentrum Landwirtschaft (BZL) entstehen Differenzen durch unterschiedliche Berechnungsmethoden der Bundesländer, Rundungsfehler bei der Aggregation, zeitliche Diskrepanzen in der Datenerfassung und Schätzungen kleinerer Forstbetriebe. Besonders in waldreichen Süd- und Nordstaaten wie Bayern und Niedersachsen wirken sich Methodenunterschiede bei indirekten Schäden (z. B. Biodiversitätsverlust) und ungenaue Privatwald-Meldungen aus, während Stadtstaaten wie Hamburg durch Rundungseffekte betroffen sind.

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 & Bottom-6 Empfänger 2024
Begünstigter Fördersumme (€) PLZ Bundesland Gruppe
Landesbetr. f.Hochwasserschutz u. Wasserwirtsch. (LHW) 37.149.868,42 39104 Sachsen-Anhalt Top 6
Landesbetrieb für Küstenschutz Nationalpark u Meeresschutz 17.070.234,73 25813 Schleswig-Holstein Top 6
Land Mecklenburg-Vorpommern Ministerium für 13.243.166,07 19061 Mecklenburg-Vorpommern Top 6
Landesamt für Umwelt (LfU) 7.892.895,63 14476 Brandenburg Top 6
Landgard Obst + Gemüse GmbH + Co. KG 3.825.087,21 47638 Nordrhein-Westfalen Top 6
Landesforst Mecklenburg-Vorpommern 3.795.238,63 17139 Mecklenburg-Vorpommern Top 6
Kleinempfänger 25,48 97348 Bayern Niedrigste 6
Kleinempfänger 26,45 02894 Sachsen Niedrigste 6
Kleinempfänger 36,43 29468 Niedersachsen Niedrigste 6
Kleinempfänger 36,45 97753 Bayern Niedrigste 6
Kleinempfänger 48,80 96482 Bayern Niedrigste 6
Kleinempfänger 55,51 04886 Sachsen Niedrigste 6

Um einen ersten Überblick über die Empfängerstruktur der Subventionen 2024 zu erhalten, wurden die sechs höchsten und die sechs niedrigsten Fördersummen verglichen. Dabei wird deutlich, dass die Fördermittel sehr ungleich verteilt sind.

Beobachtungen im Datensatz: Eine Beobachtung in subventionen_gesamt entspricht jeweils einem Subventionsempfänger in einem bestimmten Jahr mit den zugehörigen Angaben wie Name, PLZ, Bundesland und der Gesamtsumme der erhaltenen Fördermittel.

Top-6-Empfänger: Die größten Förderbeträge gehen fast ausschließlich an große staatliche Einrichtungen, etwa Landesbetriebe für Küstenschutz, Hochwasserschutz oder Umweltprojekte. Diese Institutionen erhalten Fördermittel im zweistelligen Millionenbereich, da sie umfangreiche öffentliche Projekte umsetzen. Ein Beispiel ist der Landesbetrieb für Küstenschutz, Nationalpark und Meeresschutz in Schleswig-Holstein, der rund 9 Mio. € erhält.

Niedrigste-6-Empfänger: Die Empfänger der geringsten Fördersummen erhalten im Jahr 2024 alle 0 €. Dabei handelt es sich überwiegend um kleine Unternehmen oder Organisationen, die entweder keinen Antrag gestellt oder keine Bewilligung erhalten haben. Diese Gruppe ist heterogen und geografisch über ganz Deutschland verteilt, ohne erkennbaren Schwerpunkt.

Rolle der Forstwirtschaft: Auffällig ist, dass die Forstwirtschaft sowohl bei den größten als auch bei den kleinsten Förderempfängern kaum vertreten ist. Die großen Fördermittel fließen überwiegend in öffentliche Umwelt- und Infrastrukturaufgaben, während forstwirtschaftliche Betriebe kaum berücksichtigt werden.

Fazit: Die Auswertung zeigt, dass sich die Subventionen stark auf wenige große staatliche Akteure konzentrieren. Kleine Unternehmen und Organisationen erhalten dagegen kaum oder keine Fördermittel. Dies liefert einen ersten Eindruck von der ungleichen Verteilung der Subventionen und den vorrangig geförderten Aufgabenbereichen.

  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 Subventionsbeträge
Förderart Anzahl Median Mittelwert SD Min Max
EGFL-Förderbetrag 287865 7276.85 18104.89 51810.28 0 6345377
ELER-Förderbetrag 287865 563.88 5827.54 87165.15 -840 28223329
Nationale Kofinanzierung 287865 0.00 358.56 2364.87 0 644951
Gesamtförderbetrag 287865 10043.95 26099.56 132337.22 0 37149868
Berechneter Förderbetrag 287865 9542.21 24290.99 104818.28 0 28223329

Die Tabelle zeigt die deskriptive Statistik der drei Forderbeträge: der ursprünglichen Forderbeträge, der Gesamtforderbeträge und der berechneten Forderbeträge.

Beobachtungen im Datensatz:

Die deskriptive Tabelle zeigt deutliche Unterschiede in Höhe und Streuung der Förderbeträge. Die Mittelwerte liegen deutlich über den Medianen, was auf eine stark rechtsschiefe Verteilung hinweist: Einige sehr hohe Förderbeträge ziehen den Durchschnitt nach oben, während der Median den typischen Wert der Förderbeträge besser repräsentiert. Auch die Spannweite ist sehr groß, insbesondere beim ELER-Förderbetrag und beim Gesamtförderbetrag, was die hohe Variabilität innerhalb der Daten verdeutlicht.Der ELER-Förderbetrag weist den höchsten Maximalwert auf, während die Nationale Kofinanzierung den niedrigsten Maximalwert hat. Obwohl der Mittelwert des EGFL-Förderbetrags hoch ist, zeigt die Variable eine sehr hohe Standardabweichung, was auf eine starke Streuung der Einzelbeträge hinweist. Besonders auffällig ist die Nationale Kofinanzierung, die den niedrigsten Mittelwert und Maximalwert aufweist, gleichzeitig aber eine Standardabweichung von etwa 2.500 €, was auf eine gewisse Varianz trotz niedriger Werte hinweist.Darüber hinaus ist die Ungleichheit zwischen Gesamtförderbetrag und berechnetem Förderbetrag bemerkenswert, was angesichts der zuvor festgestellten Unterschiede bei der Konsistenzprüfung zu erwarten ist.

Fazit: Insgesamt zeigen die Verteilungen der Förderbeträge eine starke Rechtschiefe, mit wenigen sehr hohen und vielen niedrigen Förderungen.

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:

Beobachtungen im Datensatz: Die Grafik zeigt die prozentuale Zusammensetzung der Fördergelder pro Bundesland im Haushaltsjahr 2023. EGFL-Mittel dominieren in allen Bundesländern, gefolgt von ELER. Die Nationale Kofinanzierung ist im Vergleich sehr gering und daher im Diagramm kaum sichtbar. Die Sonstigen nationalen Mittel machen nur einen kleinen Anteil aus.

Regionale Förderunterschiede: Unterschiede zwischen den Bundesländern lassen sich durch die Struktur der Landwirtschaft erklären: Bundesländer mit großen Agrarflächen erhalten höhere EGFL-Anteile, während ELER-Mittel anteilig in strukturschwächeren Regionen stärker vertreten sind. Dies entspricht den Zielen der Gemeinsamen Agrarpolitik (GAP), wie in Aufgabe 2 beschrieben: EGFL dient der Einkommenssicherung und Marktstabilisierung, ELER fördert die ländliche Entwicklung, Umweltmaßnahmen und regionale Strukturprojekte, und die Nationale Kofinanzierung ergänzt ELER nach nationalen Prioritäten.

Ökonomische Schwerpunkte: Daraus lassen sich ökonomische Schwerpunkte ableiten: Bundesländer mit hohem EGFL-Anteil setzen den Schwerpunkt auf laufende Einkommensstützung, während Bundesländer mit relativ höherem ELER-Anteil stärker auf ländliche Entwicklung, Umwelt- und Klimaschutzmaßnahmen fokussieren. Die Grafik verdeutlicht somit, wie sich die Agrarpolitik zwischen Einkommenssicherung und regional-struktureller Förderung je nach Bundesland differenziert.

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

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

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

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

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

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

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

Die Auswertung der aggregierten Fördersummen zeigt deutliche Veränderungen zwischen den Jahren 2023 und 2024. Insgesamt ist ein klar rückläufiger Trend über nahezu alle Bundesländer hinweg erkennbar. In 15 von 16 Ländern sinken die Fördermittel, lediglich das Saarland verzeichnet einen kleinen Rückgang von nur -0,05 Mio. €. Die größten absoluten Rückgänge sind in Bayern (-206,99 Mio. €), Niedersachsen (-188,25 Mio. €) und Sachsen-Anhalt (-104,30 Mio. €), die damit den bundesweiten Rückgang maßgeblich bestimmen.

Auch prozentual ergeben sich deutliche Unterschiede. Die stärksten relativen Rückgänge verzeichnen Niedersachsen (-32,6 %), Sachsen (-30,3 %) und Sachsen-Anhalt (-29,7 %). Ostdeutsche Bundesländer sowie Niedersachsen sind hiervon besonders betroffen. Der einzige geringe prozentuale Zuwachs ist im Saarland mit -0,3 % zu beobachten, was faktisch einer Stabilität entspricht.

Insgesamt ist ein übergeordneter Trend erkennbar: Die Förderkulisse ist bundesweit rückläufig, häufig mit Rückgängen zwischen 20 % und 30 %. Nur ein sehr kleines Bundesland bildet eine Ausnahme. Diese Entwicklung deutet darauf hin, dass strukturelle Veränderungen in der Förderlogik ursächlich sind und nicht primär landesspezifische Einflüsse.

Es gibt im Grunde drei mögliche Gründe für die starken Veränderungen:

  1. Neue EU-Förderperiode (GAP 2023-2027): Viele Mittel wurden neu verteilt - weg von Investitionen hin zu Umwelt- und Klimaprogrammen. Bundesländer, die früher viele Investitionsprogramme hatten, verlieren deshalb besonders stark.

  2. Kürzungen im Bundeshaushalt 2024: Der Bund hat weniger Geld für nationale Kofinanzierung bereitgestellt. Dadurch sinken die Fördersummen vor allem in großen Flächenländern.

  3. Unterschiedliche Abhängikeiten von EU-Geldern: Ostdeutsche Länder sind stärker von ELER-Mitteln abhängig. Wenn diese gekürzt oder umgeschichtet werden, trifft es sie überdurchschnittlich stark.

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:

Vergleich der jährlichen Durchschnittsschadenssummen durch Extremwetterereignisse mit den berechneten Subventionen:

Laut dem Artikel belaufen sich die jährlichen Durchschnittsschäden in der Landwirtschaft durch Extremwetter auf c.a. 6,6 Milliarden Euro. Über den gesamten Zeitraum seit 2000 summieren sich die kumulierten klimabedingten Schäden auf etwa 145 Milliarden Euro, wovon rund 80 Milliarden Euro direkt die Landwirtschaft betreffen. In besonders extremen Jahren, wie 2018 und 2019, lagen die Schäden sogar bei ca. 25,6 Milliarden Euro, davon 4,4 Milliarden Euro direkte landwirtschaftliche Verluste und 3,4 Milliarden Euro indirekte Schäden.Im Vergleich dazu zeigt die vorherige Analyse, dass der durchschnittliche Gesamtförderbetrag pro Antrag bei etwa 26.100 Euro liegt, während die höchsten Einzelbeträge im berechneten Gesamtbetrag bis zu 28.3 Millionen Euro erreichen. Dies verdeutlicht, dass die Förderungen im Durchschnitt deutlich geringer sind als die durch Extremwetter verursachten Schäden, selbst wenn einige wenige sehr hohe Förderungen die Maximalwerte stark nach oben treiben. Insgesamt zeigen die Zahlen, dass die Subventionen nur einen geringen Teil der klimabedingten finanziellen Verluste abdecken.

Subventionen als staatliche Risikoprämie: Verhältnis zu klimabedingten Schadenssummen:

Agrarsubventionen können wie eine staatliche Risikoprämie wirken, weil sie Bauern bei klimabedingten Ertragsschwankungen finanziell absichern. Einerseits stabilisieren sie das Einkommen, verhindern Betriebsschließungen und sichern die Lebensmittelproduktion trotz Wetterextremen. Andererseits können sie dazu führen, dass Betriebe weniger Anreiz haben, selbst in klimafeste Maßnahmen zu investieren, weil Verluste oft ausgeglichen werden. Zudem kosten sie den Staat sehr viel Geld und lösen die eigentlichen Risiken nicht, sondern federn sie nur kurzfristig ab. Dadurch können notwendige langfristige Anpassungen verzögert werden und die Landwirtschaft bleibt weiter anfällig für den Klimawandel.

Ökonomische Effizienz: Prävention versus Schadenskompensation durch Subventionen:

Obwohl Subventionen Betriebe in schwierigen Jahren unterstützen können, gelten sie insgesamt als weniger wirksam.Sie verändern die Preise, führen manchmal zu Überproduktion und verschwenden dadurch wichtige Ressourcen.Außerdem können sie die Ressourcenverteilung ineffizient machen, Innovationsanreize schwächen und durch stark geförderte Produkte den Handel zwischen Ländern stören. Vorbeugende Maßnahmen sind deshalb besser, weil sie langfristig stabile und widerstandsfähige Bedingungen schaffen, Böden schützen und mehr Vielfalt auf den Feldern fördern. So lassen sich Schäden durch extreme Wetterbedingungen in Zukunft besser auffangen

Ansatz A: Erhöhung der Direktzahlungen (EGFL) zur Sicherung der Liquidität nach Ernteausfällen:

Die Erhöhung der Direktzahlungen ist kurzfristig wirtschaftlich sinnvoll. Einerseits stabilisieren sie das Einkommen der Landwirte, verhindern Betriebsschließungen und gleichen starke Preisschwankungen oder wetterbedingte Ertragseinbußen aus. Andererseits lösen sie die Ursachen der Risiken nicht, kosten den Staat viel Geld und können falsche Anreize setzen, sodass Betriebe weniger in vorbeugende Maßnahmen investieren. Insgesamt gelten Direktzahlungen daher eher als kurzfristige Lösung, die sofortige Sicherheit bietet, aber langfristig die Anpassung an den Klimawandel nur begrenzt fördert.

Ansatz B: Umlenkung von Fördergeldern (ELER) in klimaresiliente Technologien wie Bewässerungssysteme oder trockenresistente Sorten: Die Umschichtung zu projektbezogenen Förderungen für klimaresiliente Technologien kann langfristig sehr sinnvoll sein. Einerseits fördern solche Investitionen stabile und widerstandsfähige Betriebe, verringern zukünftige Schäden und machen die Landwirtschaft nachhaltiger. Sie setzen Anreize für Innovation und klimafreundliche Methoden.Andererseits sind die kurzfristigen Kosten hoch, und die wirtschaftlichen Vorteile treten oft erst später ein, weshalb die Liquidität einzelner Betriebe in der Übergangsphase belastet werden kann. Insgesamt gilt dieser Ansatz als langfristig effizienter,weil sie dauerhaft Risiken reduzieren und Anpassung an den Klimawandel fördern.

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.

Waldbrandstatistik 2018-2024
Jahr Brände (Anzahl) Fläche (ha) Wirtschaftliche Verluste (€) Schäden (€)
2.018 1.708 2.349 2.144.430 2.670.000
2.019 1.523 2.711 1.662.950 2.220.000
2.020 1.360 368 1.595.800 2.190.000
2.021 548 148 659.240 670.000
2.022 2.397 3.058 4.851.380 5.140.000
2.023 1.059 1.240 957.330 1.190.000
2.024 563 334 680.250 680.000

Die Tabelle zeigt die Anzahl der Waldbrände, die betroffene Fläche sowie die wirtschaftlichen Verluste und Schäden in den Jahren 2018 bis 2024.

Extremjahre:

2022 sticht durch die hohe verbrannte Fläche von 3.058 ha und wirtschaftliche Verluste von 4.851.380 € hervor.

2018 und 2019 fallen insbesondere durch die relativ große verbrannte Fläche auf (2.349 ha bzw. 2.711 ha) und wirtschaftliche Verluste von rund 2,1–1,6 Mio. €.

Interpretation der Jahreswerte:

Jahre mit hoher Fläche, aber wenigen Bränden deuten auf wenige, sehr intensive Brände hin (z. B. 2022).

Jahre mit vielen Bränden, aber geringer Fläche zeigen viele kleine, lokal begrenzte Brände (z. B. 2020 mit 1.360 Bränden auf nur 368 ha).

Trends und Schwankungen:

Ein klarer linearer Trend zu steigenden Schäden ist nicht erkennbar.

Stattdessen treten starke Jahresschwankungen auf, vermutlich bedingt durch Extremereignisse und witterungsbedingte Faktoren.

Vergleich mit Subventionen:

Im Vergleich zu den jährlichen Fördermitteln für Land- und Forstwirte (Aufgabe 2) sind die Waldbrandverluste in normalen Jahren eher gering.

In Extremjahren können sie jedoch wirtschaftlich signifikant werden und die Einkommenssicherung einzelner Betriebe oder Regionen übersteigen.

Schlussfolgerung:

Die Analyse unterstreicht die Bedeutung präventiver Maßnahmen, wie Brandvermeidung, Überwachung und Infrastrukturinvestitionen, sowie von Versicherungslösungen, selbst wenn EU- und nationale Förderungen existieren. Nur so lassen sich die Risiken von Extremereignissen wirtschaftlich abfedern.

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 Grafik besteht aus zwei gestapelten Balkendiagrammen über die Jahre 2018–2024. Das erste Diagramm zeigt die zeitliche Entwicklung der Anteile der Brandflächen der verschiedenen Waldeigentumsformen, während das zweite Diagramm die Brandanzahl nach Waldeigentumsformen über denselben Zeitraum darstellt.

Privatwald ist prozentual am häufigsten von Waldbränden betroffen, sowohl bei der verbrannten Fläche als auch bei der Anzahl der Brandfälle.

Bundeswald und Körperschaftswald machen kleinere Anteile aus, Landeswald liegt meist dazwischen. Über die Jahre ist der Anteil der Privatwaldflächen relativ stabil, leichte Schwankungen sind erkennbar, aber keine signifikante Veränderung.

Privatwald: hoher Anteil an Brandfällen, aber der Anteil an verbrannter Fläche ist etwas geringer → viele kleinere Brände.

Bundes- oder Landeswald: tendenziell weniger Brandfälle, aber höhere Fläche pro Brand → wenige, dafür größere Brände.

Privatwald: Viele kleine Brände → Präventionsmaßnahmen und schnelle Löschkapazitäten sind wichtig. Unterstützung für private Waldbesitzer könnte ökonomisch effizient sein.

Bundes- und Landeswald: Wenige große Brände → gezielte Überwachung und Risikomanagement auf großen Flächen notwendig. Schäden hier können sehr hohe Kosten verursachen. Insgesamt zeigt die Analyse, dass staatliche Präventions- und Unterstützungsmaßnahmen besonders im Privatwald dringend benötigt werden, um viele kleine Brände früh zu verhindern, während bei öffentlichen Waldbeständen das Management von wenigen, aber großflächigen Bränden im Fokus stehen sollte.

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:

Grafik: Dominierende Brandursachen nach Anzahl der Waldbrände:

Das erste Diagramm zeigt die zeitliche Entwicklung der Anzahl der Waldbrände nach Ursache im Zeitraum von 2018 bis 2024. Auf der x‑Achse sind die Jahre dargestellt, während die y‑Achse die Anzahl der Brände abbildet. Die Legende ordnet den verschiedenen Brandursachen jeweils eine Farbe zu. Im ersten Diagramm ist zu erkennen, dass die Brände überwiegend auf menschliches Handeln zurückgehen und dass insbesondere unbekannte und fahrlässige Ursachen die Statistik dominieren. Der Peak liegt deutlich im Jahr 2022, in dem die Zahl der Brandfälle mit unbekannter Ursache auf über 1000 ansteigt. An zweiter und dritter Stelle folgen Fahrlässigkeit und Vorsatz, während natürliche Ursachen fast durchgängig nahe bei null liegen.

Grafik: Dominierende Brandursachen nach verbrannter Fläche:

Das zweite Diagramm ist ähnlich aufgebaut, zeigt jedoch die zeitliche Entwicklung der verbrannten Waldfläche in Hektar nach Ursache. Die x‑Achse bildet die Jahre ab, die y‑Achse die verbrannte Fläche in Hektar von 0 bis etwa 1500. Hier sind die unbekannten Ursachen mit Abstand für die größte verbrannte Fläche verantwortlich; der deutlichste Peak tritt 2019 auf, dicht gefolgt von 2022. Auffällig ist, dass im Vergleich zur reinen Brandanzahl im oberen Diagramm Vorsatz als Ursache insbesondere im Jahr 2022 eine deutlich größere verbrannte Fläche als Fahrlässigkeit verursacht. Zudem erreichen sonstige handlungsbedingte Einwirkungen im Jahr 2019 einen Höchstwert von rund 1000 Hektar, während natürliche Ursachen auch hier in allen Jahren nur geringe Flächen betreffen.

Zeitliche Trends der Brandursachen und ihre ökonomisch-politischen Implikationen:

In beiden Diagrammen sticht das Jahr 2022 klar als Extremfall hervor, da alle Ursachen dort einen Anstieg zeigen, besonders die unbekannten Ursachen mit einem sprunghaften Plus bei Brandzahl und verbrannter Fläche. Über den gesamten Zeitraum ist kein gleichmäßiger Auf‑ oder Abwärtstrend erkennbar; vielmehr wechseln sich ruhigere Jahre (zum Beispiel 2020) und Belastungsspitzen (2019, 2022) ab. Bei den natürlichen Ursachen zeigt sich höchstens eine leichte Schwankung, aber keine kontinuierliche Zunahme, was eher auf witterungsbedingte Einzeljahreseffekte als auf einen klaren Trend hindeutet. Die Dominanz unbekannter Ursachen erschwert eine zielgerichtete Prävention, weil Verantwortlichkeiten unklar bleiben und systematische Fehlerquellen schwer zu adressieren sind. Ein höheres Niveau von Vorsatz und Fahrlässigkeit ließe sich durch politische Sensibilisierungskampagnen etwa zum Umgang mit Feuer im Wald oder Rauchverboten an besonders gefährdeten Orten potenziell verringern. Da sich in den Daten kein langfristiger Anstieg natürlicher Brände abzeichnet, erscheinen deren ökonomische Implikationen derzeit begrenzt, während die größten Risiken von menschlich verursachten und insbesondere unbekannten Bränden ausgehen.

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:

Beide Diagramme zeigen den Zusammenhang zwischen Forstverwaltungskosten bzw. sonstigen Kontrollkosten und den daraus entstehenden wirtschaftlichen Verlusten für die 16 Bundesländer. In den Punktdiagrammen lassen sich die einzelnen Punkte jedoch nicht eindeutig einzelnen Bundesländern zuordnen. Die y‑Achse stellt in beiden Fällen die wirtschaftlichen Verluste logarithmisch skaliert dar, damit Verluste sehr unterschiedlicher Größenordnungen im selben Diagramm sichtbar bleiben und nicht durch wenige Extremwerte optisch dominiert werden.

Im oberen Diagramm liegen viele Beobachtungen bei eher geringen Forstverwaltungskosten im zwei- bis niedrigen dreistelligen Tausenderbereich, die zu sehr unterschiedlichen log‑Verlusten führen. Einige Länder weisen trotz vergleichsweise hoher Forstverwaltungskosten weiterhin hohe wirtschaftliche Schäden auf. Das untere Diagramm zeigt ein ähnliches Muster: Die Verluste sind über den gesamten Bereich der sonstigen Kontrollkosten verteilt, ohne dass sich ein deutlich abwärtsgerichteter Zusammenhang abzeichnet. Es gibt Fälle mit relativ hohen Kontrollkosten und gleichzeitig hohen Verlusten, während andere Beobachtungen bei niedrigeren Kontrollkosten geringere oder ähnliche Verluste aufweisen.

Zusammenhänge zwischen Forstverwaltungs- und Kontrollausgaben und wirtschaftlichen Verlusten:

Insgesamt ist zwischen den Ausgaben für Forstverwaltung beziehungsweise Kontrollmaßnahmen und den wirtschaftlichen Verlusten kein klarer linearer Zusammenhang zu erkennen. Die Punkte sind stark gestreut. Bei niedrigen, mittleren und hohen Ausgaben treten sowohl geringe als auch sehr hohe Verluste auf. Es gibt Konstellationen, in denen trotz hoher Ausgaben weiterhin hohe Schäden entstehen, und umgekehrt Beobachtungen mit niedrigen Ausgaben und moderaten Verlusten. Die Punktwolken bilden insgesamt eher eine „Wolke“ ohne deutlich fallende oder steigende Tendenz, sodass aus den Diagrammen allein kein eindeutiger negativer Zusammenhang abgeleitet werden kann und höhere Präventionsausgaben nicht erkennbar systematisch mit geringeren Schäden einhergehen.

Vergleich der Präventionskosten der Bundesländer mit den nationalen wirtschaftlichen Verlusten:

Im Vergleich zur vorhergehenden Aufgabe wird deutlich, dass die jährlichen Präventionskosten einzelner Bundesländer über mehrere Jahre hinweg teilweise in einer ähnlichen Größenordnung liegen wie die gesamten wirtschaftlichen Verluste durch Waldbrände in ganz Deutschland. Das bedeutet, dass schon ein oder wenige Länder jährlich Summen für Forstverwaltung und Kontrolle investieren, die in „normalen“ Jahren ungefähr so hoch sind wie die bundesweit tatsächlich eintretenden Schäden. Ökonomisch deutet dies darauf hin, dass erhebliche Mittel nicht optimal eingesetzt werden könnten, etwa wenn Ausgaben nicht konsequent auf besonders gefährdete Regionen und Ursachen fokussiert werden oder wenn Prävention angesichts von Extremwetterereignissen nur begrenzt wirksam ist.

Effizienz von Präventions- und Kontrollmaßnahmen bei Waldbränden:

Trotz hoher Präventions- und Kontrollkosten lassen sich Waldbrandschäden nicht immer proportional reduzieren. Ursachen sind extreme Wetterereignisse, begrenzte Überwachungs- und Schutzmöglichkeiten sowie menschliches Fehlverhalten.Die Tatsache, dass trotz hoher Ausgaben weiterhin erhebliche Schäden auftreten, deutet darauf hin, dass die Effizienz der Präventions- und Kontrollmaßnahmen begrenzt ist. Ökonomisch betrachtet könnte dies bedeuten, dass zusätzliche Mittel gezielter eingesetzt werden sollten – etwa durch Investitionen in klimaresiliente Waldpflege, intelligente Überwachungssysteme oder Sensibilisierung der Bevölkerung – anstatt pauschal die Gesamtausgaben zu erhöhen. Eine Optimierung der Maßnahmen, die Risiko und Kosten effektiv abwägt, könnte die Schadensreduktion im Verhältnis zu den Ausgaben verbessern.

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?

Beschreibung:

Die Grafik zeigt die verbrannte Fläche (in Hektar) pro Monat als Balkendiagramm und die Gesamtanzahl der Brände pro Monat als Liniendiagramm. Betrachtet man die Verläufe für jedes einzelne Jahr, zeigt sich eine stochastische Normalverteilungsähnlichkeit: Die Werte liegen zu Jahresbeginn und -ende niedriger, während in der Jahresmitte ein deutlicher Spitzenwert zu beobachten ist.

Monatliche Häufigkeit von Bränden und verbrannter Fläche:

Von Mai bis September treten besonders hohe Werte auf, wobei Juni die höchste verbrannte Fläche aufweist und gleichzeitig den zweithöchsten Wert bei der Anzahl der Brände erreicht. Der Monat mit der höchsten Anzahl an Bränden ist Juli, was nicht überraschend ist, da dieser Monat gleichzeitig den zweithöchsten Wert bei der verbrannten Fläche aufweist.

Mögliche Ursachen für viele kleine, aber wenige große Brände:

Monate mit vielen kleinen, aber wenigen großen Bränden lassen sich durch mehrere Faktoren erklären. Leichte Trockenheit oder mäßiger Wind begünstigen zahlreiche kleine Feuer, verhindern jedoch deren Ausbreitung zu großflächigen Bränden.Wie die Vegetation aufgebaut ist, beeinflusst, wie sich ein Feuer ausbreitet: In Gegenden mit dichter oder unzusammenhängender Pflanzenmasse bleiben Brände meist klein.Zudem können unachtsames Verhalten wie Grillen oder Rauchen viele kleine Feuer verursachen, die meist schnell gelöscht werden.

Ursachen für die starken Schwankungen der Sommerbrände über die Jahre:

Die häufigeren Waldbrände in den Sommermonaten lassen sich durch mehrere Faktoren erklären. Hohe Temperaturen führen dazu, dass die Vegetation austrocknet und besonders leicht brennbar wird. Lange Trockenperioden sorgen dafür, dass Böden und Pflanzen noch trockener werden und als Brennstoff dienen. Starke Winde können Brände schnell über größere Flächen verbreiten. Auch menschliche Aktivitäten, wie Camping, können leicht Brände auslösen. Schließlich treten im Sommer häufiger Gewitter mit Blitzschlägen auf, die auf natürliche Weise Brände verursachen.

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)?
Waldbrand-Kennzahlen für Bayern und Brandenburg (2022–2023)
Jahr Region Brände (Anzahl) Brandfläche (ha) Fläche pro Brand (ha/Brand) Verluste (Tsd. €) Verlust pro ha (€ / 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 einen Vergleich zentraler Kennzahlen zur Waldbrandsituation in Bayern und Brandenburg für die Jahre 2022 und 2023. Während Brandenburg sowohl deutlich mehr Waldbrände als auch größere verbrannte Flächen verzeichnet, weist Bayern im Vergleich die höheren ökonomischen Verluste pro Hektar auf.Die Anzahl der Brände und die verbrannte Fläche haben sich in Bayern und Brandenburg im Zeitraum 2022–2023 deutlich verringert. Allerdings ist sich der Verlust in Bayern in diesem Zeitraum fast verdreifacht, während der Verlust pro Hektar in Brandenburg nur um einen sehr kleinen, vernachlässigbaren Betrag zurückgegangen ist.

Einfluss von Waldtyp und Wert auf regionale Schäden durch Brände:

Die Unterschiede bei den Verlusten pro Hektar deuten darauf hin, dass die Wälder in Bayern und Brandenburg einen unterschiedlichen Wert haben. In Brandenburg gibt es viele Kiefernwälder, die eher als Nutzwälder dienen und bei denen die Holzpreise vergleichsweise niedrig sind. In Bayern findet man dagegen mehr Misch- und Laubwälder sowie Schutzwälder, die für den Boden- und Lawinenschutz wichtig sind und bei denen das Holz oft teurer ist. Dadurch fallen die finanziellen Schäden pro Hektar in Bayern trotz kleinerer Brandflächen höher aus.

Waldbrandproblem: Häufigkeit vs. Schadenswert:

Zusammenfassend zeigt sich, dass Waldbrände in Bayern und Brandenburg ein ernstes Problem sind, sich aber unterschiedlich äußern. Brandenburg hat viele Brände auf großen Flächen, verursacht aber geringe Schäden pro Hektar. Bayern weist weniger Brände und kleinere Flächen auf, dafür aber deutlich höhere ökonomische Verluste pro Hektar, was auf die wertvolleren Wälder zurückzuführen ist. Insgesamt treten in Brandenburg häufige, großflächige Brände auf, in Bayern seltenere, aber wirtschaftlich besonders schädliche Brandflächen.

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, getrennt nach Stammholz- und Industrieholzverlusten. Für jedes Bundesland stehen zwei Balken nebeneinander, die die beiden Holzarten vergleichen, und die Facetten nach Jahr ermöglichen einen direkten Vergleich der Entwicklungen zwischen 2022 und 2023. Die Grafik zeigt, dass die Waldbrandschäden von 2022 zu 2023 für beide Holzarten mehr als verdreifacht wurden. Besonders auffällig ist, dass die Zunahme in Brandenburg sowohl bei Industrie- als auch bei Stammholzverlusten enorm ist. In Bayern sind die Verluste hauptsächlich auf Stammholz zurückzuführen, während in Brandenburg die größten Schäden im Bereich Industrieholz auftreten. Insgesamt verdeutlicht das Diagramm, dass Brandenburg 2023 deutlich stärker von Waldbränden betroffen war als Bayern, sowohl in Bezug auf die Menge der verbrannten Holzarten als auch auf die wirtschaftlichen Folgen.

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.

Strategie 1:

Die Erhöhung von Bußgeldern für fahrlässige oder vorsätzliche Brandstiftung kann grundsätzlich zur Reduzierung menschlich verursachter Waldbrände beitragen. Ein zentraler Nutzen besteht darin, dass diese Maßnahme für den Staat kaum zusätzliche Kosten verursacht und sogar zusätzliche Einnahmen generieren kann. Dadurch sinkt der Druck auf staatliche Förderprogramme, und frei werdende Mittel könnten gezielt in effektivere Präventionsmaßnahmen investiert werden. Gleichzeitig können deutlich höhere Strafen kurzfristig zu vorsichtigerem Verhalten führen und damit alltägliche Risikosituationen - etwa weggeworfene Zigaretten reduzieren. Allerdings ist die Wirkung regional unterschiedlich ausgeprägt. In Brandenburg wäre der Effekt eher begrenzt, da viele der großflächigen Brände nicht direkt auf individuelles Fehlverhalten zurückgehen, sondern auf strukturelle Faktoren wie Trockenheit oder monokulturelle Bestände. In Bayern hingegen könnte die Maßnahme spürbarer wirken, weil dort weniger, aber dafür kostspieligere Brände auftreten,wo menschliches Verhalten eine größere Rolle spielt.Insgesamt kann die Strategie einen Beitrag leisten, löst das Waldbrandproblem jedoch nur teilweise und entfaltet ihre Wirkung regional unterschiedlich stark.

Strategie2:

Diese Strategie bietet insgesamt deutlich stärker langfristig wirksame Effekte. Mischwälder brennen langsamer, breiten sich weniger stark aus und führen im Ernstfall zu kleineren Schadensflächen. Davon profitieren besonders Regionen mit extrem hohen Brandflächen wie Brandenburg, wo der große Anteil an Kiefernmonokulturen das Risiko zusätzlich erhöht. Genau dort wäre ein konsequenter Waldumbau am wirksamsten.In Regionen wie Bayern sind die Brände zwar weniger flächig, aber wirtschaftlich wesentlich teurer. Ein Umbau ist hier nicht ganz so dringend wie im Osten, wäre aber dennoch sinnvoll, um die zukünftigen Risiken für wertvolle Bestände zu verringern. Allerdings ist diese Strategie sehr kostspielig. Subventionen und Förderprogramme würden den Staat über viele Jahre erheblich belasten – wie schon in früheren Analysen verdeutlicht wurde. Auch die Waldbesitzer:innen und sind betroffen: Mischwälder wachsen langsamer und bringen kurzfristig niedrigere Einnahmen. Wer umbaut, muss also zunächst finanzielle Einbußen in Kauf nehmen.Insgesamt ist Waldumbau eine sehr wirksame, aber teure und langfristige Maßnahme, die vor allem in stark gefährdeten Regionen wie Brandenburg einen großen Unterschied machen kann.

Strategie 3:

Ein technologiegestütztes Frühwarnsystem – etwa durch Drohnen, Satelliten oder sensorbasierte Überwachung – kann Waldbrände deutlich schneller erkennbar machen und damit große Schäden verhindern. Diese Strategie ist allerdings mit hohen Anfangskosten verbunden: Die technische Ausstattung muss angeschafft, installiert und regelmäßig gewartet werden, und zusätzlich braucht es geschultes Personal, das die Systeme bedienen und die Daten auswerten kann. Besonders in stark bewaldeten Regionen ist zudem eine flächendeckende Sensorabdeckung schwer umzusetzen.Trotzdem hat diese Strategie einen klaren praktischen Nutzen, denn Technik greift genau an der Stelle ein, an der die Schäden am stärksten wachsen.Vom technischen Frühwarnsystem würde vor allem der Osten, insbesondere Brandenburg, profitieren, da dort große und schnell wachsende Brandflächen auftreten, die eine besonders frühzeitige Erkennung erfordern. Auch der Westen, etwa Bayern, gewinnt durch solche Systeme, weil dort zwar weniger Brände entstehen, diese jedoch häufig wertvolle Bestände betreffen und sich dadurch hohe wirtschaftliche Verluste vermeiden lassen.Da sich Waldbrände vor allem im Sommer stark häufen, kann technische Überwachung genau in dieser Zeit besonders effizient eingesetzt werden, weil sie hohe Aufmerksamkeit bei vergleichsweise geringem Personalaufwand ermöglicht.Insgesamt erweitert diese Strategie ihren Nutzen sogar über das Waldbrandmanagement hinaus, da moderne Überwachungssysteme auch vor anderen extremen Wetterereignissen frühzeitig warnen können und damit einen zusätzlichen Schutz für Bevölkerung und Infrastruktur bieten.

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 enthält 27 EU-Mitgliedstaaten sowie aggregierte EU-Werte. Konkret sind folgende Länder vertreten:

Frankreich, Spanien, Deutschland, Italien, Polen, Griechenland, Rumänien, Portugal, Niederlande, Belgien, Ungarn, Tschechien, Bulgarien, Schweden, Österreich, Dänemark, Finnland, Irland, Litauen, Lettland, Slowakei, Estland, Slowenien,Kroatien, Zypern, Luxemburg, Malta.

Der Datensatz erstreckt sich von 2003 bis 2022. Er deckt mehrere GAP-Finanzierungsperioden (2007-2013, 2014-2020, Übergang 2021-2022) ab.

Die Spalte Indicator_Type in dem Datensatz klassifiziert die EU-Agrarsubventionen nach den zwei Säulen der Gemeinsamen Agrarpolitik (GAP). Output_Pillar I umfasst die erste Säule, also die Markt- und Einkommensstützung, die etwa 80 Prozent des GAP-Haushalts ausmacht und primär direkte Zahlungen an Landwirte bereitstellt, um deren Einkommen flächenbasiert zu stabilisieren sowie Marktinterventionen bei Preiskrisen zu ermöglichen. Output_Pillar II repräsentiert hingegen die zweite Säule mit rund 20 Prozent des Budgets, die auf ländliche Entwicklung abzielt und Investitionen in Bereiche wie Umweltschutz, Innovation, junge Landwirte und Infrastruktur fördert.

Innerhalb von Output_Pillar I unterscheidet man Direct Payments als Hauptbestandteil (70–90 Prozent), der flächenbezogene Basiszahlungen, Greening-Prämien und Förderungen für Junglandwirte enthält, sowie Market Measures (10–30 Prozent), die bei Überproduktion oder Preiseinbrüchen eingreifen, etwa durch Lagerung oder Private Speicherhilfen. Output_Pillar II beschränkt sich dagegen auf Rural Development, das flexibel sechs Prioritäten abdeckt: Wettbewerbsfähigkeit, Umwelt- und Klimaschutz, Lebensmittelketten, Ressourceneffizienz, soziale Inklusion sowie den LEADER-Ansatz für lokale Initiativen. Diese Unterteilung spiegelt wider, dass Säule I unmittelbare Einkommenssicherung priorisiert, während Säule II langfristige Strukturmaßnahmen betont.[11]

Die Indikatorentypen sind mit deutschen Förderarten eng vergleichbar, da Deutschland dieselben EU-Fonds umsetzt, jedoch unter nationalen Namen: Output_Pillar I – Direct Payments entspricht der FLÜSS (Flächenbezogene Ländliche Entwicklung und Strukturförderung), die von den Ländern wie dem Bayerischen LMJV verwaltet wird; Output_Pillar I – Market Measures gleicht den BMEL-Krisenmaßnahmen des Bundesministeriums für Ernährung und Landwirtschaft; und Output_Pillar II – Rural Development wird als ELER (Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums) implementiert, oft kombiniert mit LEADER-Programmen. Die EU-Typen bilden somit die übergeordnete Struktur, die in Deutschland über bundes- und landesweite Programme operationalisiert wird.

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 erstellten Grafiken veranschaulichen die EU-Subventionszahlungen 2020–2022 für die Top-10-Empfängerländer nach Gesamtsumme über die drei Jahre. Die erste Grafik zeigt die absoluten Gesamtbeträge in Milliarden Euro als einfache Balken, wobei Frankreich, Spanien und Deutschland klar dominieren mit deutlich längeren Balken als die übrigen Länder. Die zweite gestapelte Balkengrafik teilt jeden Balken in die Jahresanteile 2020 (unten), 2021 (mitte) und 2022 (oben) auf und macht Entwicklungen pro Land sichtbar.

Bei der Entwicklung der Top-10-Länder zwischen 2020 und 2022 fällt eine hohe Stabilität auf: Die Farbsegmente der drei Jahre sind bei Frankreich, Spanien und Deutschland fast gleich groß, was konstante Zahlungen über die Jahre zeigt. Polen und Rumänien weisen tendenziell leicht wachsende obere Segmente (2022 größer als 2020), während bei Griechenland und Italien die 2022-Segmente optisch etwas schmaler ausfallen. Die Niederlande positionieren sich trotz kleiner Fläche auffällig hoch im Ranking, und insgesamt überwiegen stabile Verhältnisse, die die mehrjährige GAP-Planung widerspiegeln.

Länder mit steigenden Subventionen wie Polen oder Rumänien könnten von höheren Abrufquoten oder temporären Covid-Zusatzmitteln profitieren, während fallende Tendenzen bei Griechenland und Italien auf auslaufende Sonderprogramme oder Umverteilungen hindeuten. Solche Schwankungen sind typisch für Übergangsjahre 2021–2022 mit Anpassungen zur neuen GAP 2023–2027.

Vergleichsweise geringe Förderungen außerhalb der Top-10 zeigen Länder wie Malta, Luxemburg, Zypern oder die baltischen Staaten – ihre Balken wären deutlich kürzer oder gar nicht sichtbar. Im europäischen Kontext ist dies erklärbar durch die flächenbasierte CAP-Verteilung: Kleinstaaten haben minimale Nutzflächen (Malta: 13.000 ha), erhalten aber oft höhere Beträge pro Hektar.

Die Verteilung ergibt sich aus landwirtschaftlichen Strukturen: Große Nutzflächen (Frankreich: 28 Mio. ha, Spanien: 24 Mio. ha) und historische Referenzen begünstigen Westeuropa; Polen/Rumänien profitieren von vielen Betrieben; Niederlande/Dänemark von hoher Produktivität. Große Betriebe (>100 ha) erhalten mehr als Kleinstbetriebe in Osteuropa, da 70% der Zahlungen flächenproportional verteilt werden.

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 interaktive Karte zeigt die EU-Agrarsubventionen pro Land und Jahr (2010–2022) mit einer animierbaren Zeitskala, wobei dunkle Farben hohe Beträge und helle Farben niedrige Summen markieren.

Geringste Subventionssummen (durchgehend hellste Farben) erhalten Malta, Luxemburg, Zypern, Slowenien und die baltischen Staaten. Diese Länder bleiben über die gesamte Periode 2010–2022 konstant hell – ihre Subventionen entwickeln sich nicht merklich, was auf kleine landwirtschaftliche Flächen zurückzuführen ist.

Starke Anstiege zeigen Länder mit plötzlichen Farbverdunkelungen (z. B. Kroatien ab einem bestimmten Jahr), Rückgänge bei Ländern mit abnehmender Intensität (z. B. Griechenland in der Mitte der Periode). Mögliche Ursachen sind EU-Beitritte (neue Empfänger) oder nationale Krisen.

Nicht eingefärbte Länder (weiß/grau) fehlen entweder in den Subventionsdaten der CSV-Datei oder haben keine passenden ISO3-Codes für den Join mit der Europa-Karte. Dies betrifft typischerweise Nicht-EU-Staaten oder Länder ohne vollständige Daten.

Hohe Subventionen (dunkelste Farben) für wenige Länder schaffen Wettbewerbsungleichgewichte: Diese Nationen können günstiger produzieren und verdrängen kleinere Konkurrenten, was zu Betriebskonzentration und Strukturwandel in der EU-Landwirtschaft führt.

Schwankende Subventionen (Farbsprünge bei einzelnen Ländern) deuten auf politische Entscheidungen (Programmstarts/-ausläufe), Beitritte oder Krisenereignisse hin. Konstante helle Farben zeigen stabile kleine Agrarsektoren, konstante dunkle große Flächenreferenzen.

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).

Für Deutschland und Frankreich zeigt die interaktive Karte über 2010–2022 durchgehend hohe, relativ dunkle Einfärbungen, wobei Frankreich in fast allen Jahren etwas intensiver gefärbt ist als Deutschland. Die Unterschiede in den Subventionssummen lassen sich aus der Grafik vor allem mit der größeren agrarischen Bedeutung Frankreichs erklären: Frankreich hat in der EU den größten Agrarsektor und damit mehr förderfähige Fläche und Produktion, während Deutschland zwar ebenfalls stark gefördert wird, aber im Balken- und Kartenbild meist knapp hinter Frankreich liegt. Politische Rahmenbedingungen und EU-weite Förderlogik sind für beide Länder weitgehend identisch, die interaktive Darstellung legt daher nahe, dass vor allem unterschiedliche Flächen- und Produktionsstrukturen (Größe, Intensität, Kulturarten) für das höhere Niveau Frankreichs verantwortlich sind.

Für die wirtschaftspolitische Steuerung bedeutet dies, dass Subventionssummen nur eingeschränkt zwischen Ländern vergleichbar sind, wenn man die Grafik lediglich auf absoluten Beträgen liest. Aus der Karte wird ersichtlich, dass Länder mit großer Fläche und starkem Agrarsektor (Frankreich, Spanien, Deutschland) strukturell höhere Beträge erhalten als kleinere oder agrarisch schwächere Länder. Für eine faire Bewertung und Steuerung müssten daher Indikatoren wie „Subventionen pro Hektar“ oder „Subventionen pro Betrieb“ ergänzend betrachtet werden, da die interaktive Karte deutlich zeigt, wie stark absolute Summen von der schlichten Größenordnung des Landes und seiner Landwirtschaft abhängen.

Länder mit stark schwankenden Subventionen erkennt man in der Animation daran, dass ihre Farbintensität über die Jahre deutlich heller oder dunkler wird, also nicht stabil um denselben Wert pendelt. Charakteristisch ist etwa, dass einige Länder in bestimmten Jahren sprunghaft deutlich dunkler werden, bevor sie sich wieder einpendeln, während andere über den gesamten Zeitraum nur leicht variieren. Die zeitliche Entwicklung lässt darauf schließen, dass hinter größeren Sprüngen keine allmähliche Strukturveränderung, sondern diskrete Ereignisse wie Programmstarts, Reformen oder Sondereffekte stehen.

Mögliche Ursachen solcher Schwankungen, die sich mit der beobachteten Dynamik vereinbaren lassen, sind z.B. der EU-Beitritt eines Landes (plötzlicher Einstieg in das Fördersystem), das Auslaufen oder die Einführung spezifischer Förderinstrumente oder Sonderprogramme, sowie wirtschaftliche oder fiskalische Krisen, die Auswirkungen auf nationale Kofinanzierung oder Abrufquoten haben. Bei Ländern mit stark steigender Einfärbung über mehrere Jahre hinweg könnten zudem ein wachsender Agrarsektor oder eine bessere Nutzung vorhandener Fördermöglichkeiten eine Rolle spielen, während fallende Verläufe eher auf Kürzungen, Umpriorisierungen oder geringere Teilnahme an Programmen hindeuten.