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.

Eu-Agrarsubventionen:

Das Gesamtbudget für die Gemeinsame Agrarpolitik (GAP) der EU für Gesamteuropa beträgt 386,6 Milliarden Euro für den Zeitraum von 2021 bis 2027. Das Budget teilt sich auf zwei Bereiche auf: Für die Unterstützung des Einkommens der Landwirte werden 291,1 Milliarden Euro für den Europäischen Garantiefonds für die Landwirtschaft (EGFL) verwendet. Die anderen 95,5 Milliarden Euro werden für den Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER) genutzt. (Quelle: Europäisches Parlament. (2025). Die Gemeinsame Agrarpolitik der EU, ihre Reform und Zukunft im Überblick. Abgerufen am 28. November 2025, von https://www.europarl.europa.eu/topics/de/article/20210916STO12704/die-gemeinsame-agrarpolitik-der-eu-ihre-reform-und-zukunft-im-uberblick)

Deutschland stehen im Zeitraum des aktuellen GAP-strategieplans (2023 bis 2027) jährlich ein Budget über rund 6,3 Milliarden Euro an Eu-Mitteln zur Verfügung. (Quelle: Bundesministerium für Ernährung und Landwirtschaft (BMEL). (o. J.). Im Überblick: Die Gemeinsame Agrarpolitik (GAP) der Europäischen Union. Abgerufen am 28. November 2025, von https://www.bmleh.de/DE/themen/landwirtschaft/eu-agrarpolitik-und-foerderung/gap/gap_node.html)

Wirtschaftliche Bedeutung (Bruttoinladsnprodukt - BIP):

Der prozentuale Anteil der Land- und Forstwirtschaft inkl. Fischerei am Bruttoinlandsprodukt der gesamte EU liegt 2024 bei 1,8 Prozent.

In Deutschland steuerte die Land- und Forstwirtschaft inkl. Fischerei etwa 0,9 Prozent zur gesamtwirtschaftlichen Bruttowertschöfpung bei (Jahr: 2024). (Quelle: Statistisches Bundesamt (Destatis). (2025). Land- & Forstwirtschaft, Fischerei. Abgerufen am 28. November 2025, von https://www.destatis.de/Europa/DE/Thema/Land-Forstwirtschaft-Fischerei/_inhalt.html)

Bedeutung für den Arbeitsmarkt:

Der prozentuale Anteil aller Erwerbstätigen in der EU, der im Sektor Land- und Forstwirtschaft beschäftigt ist, beträgt 3,3 Prozent.

In Deutschland liegt der prozentuale Anteil der Erwerbstätigen in der Land- und Forstwirtschaft bei 1,1 Prozent. (Quelle: Wirtschaftskammer Österreich. (2024). Beschäftigungsstruktur: Erwerbstätige nach Wirtschaftssektoren, Stand: 2024. von https://www.wko.at/statistik/eu/europa-beschaeftigungsstruktur.pdf)

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.

## # A tibble: 6 × 11
##   Haushaltsjahr Name_Begünstigter    PLZ   Gemeinde Betroffener_Staat Bundesland
##           <dbl> <chr>                <chr> <chr>    <chr>             <chr>     
## 1          2023 ''Unterhaltungsverb… 06638 Karsdorf DE                Sachsen-A…
## 2          2023 'Fahner Gold' e.G.   99100 Gierstä… DE                Thüringen 
## 3          2023 'Großfahner Fruchtg… 99100 Gierstä… DE                Thüringen 
## 4          2023 1. SV Sennewitz e. … 06193 Petersb… DE                Sachsen-A…
## 5          2023 1. TC Köthen e.V.    06366 Köthen … DE                Sachsen-A…
## 6          2023 133 Hektar GmbH und… 17440 Buggenh… DE                Mecklenbu…
## # ℹ 5 more variables: EGFL_Förderbetrag <dbl>, ELER_Förderbetrag <dbl>,
## #   Nationale_Kofinanzierung <dbl>, Förderbetrag_gesamt <dbl>,
## #   Förderbetrag_berechnet <dbl>

Man kann die Fonds als zwei getrennte Töpfe betrachten:

EGFL (1. Säule – “Das Grundgehalt”): Dies sind die Direktzahlungen der EU. Sie dienen in erster Linie der Einkommenssicherung der Landwirte und sind größtenteils an die landwirtschaftliche Fläche gebunden. Die EU garantiert und finanziert diese Zahlungen vollständig, daher der Name “Garantiefonds”.

ELER & Nationale Kofinanzierung (2. Säule – “Das Projektbudget”): Diese Mittel sind für spezifische Projekte zur Förderung des ländlichen Raums und für Umweltmaßnahmen gedacht. Der ELER ist der EU-Anteil dieses Projektbudgets, und die Nationale Kofinanzierung ist der von Deutschland beigesteuerte Pflicht- oder freiwillige Anteil. Ohne die Nationale Kofinanzierung kann der ELER-Anteil nicht oder nur teilweise abgerufen werden, weshalb beide Mittel eng miteinander verbunden sind.

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

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

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

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

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

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

Der Datensatz waldbraende_gesamt enthält alle Waldbrände nach Region und Jahr sortiert. Der Datensatz waldbraende_information liefert zusätzliche Informationen, wie die Waldart und Kosten. Daher ist es am sinnvollsten, den left_join zu verwenden. Somit bleiben alle Daten aus waldbraende_gesamt erhalten und werden durch zusätzliche Informationen aus waldbraende_information ergänzt.

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

Konsistenzprüfung der Förderbeträge (2023 & 2024)
Bundesland Summe Gesamtbetrag (€) Summe Berechnet (€) Abweichung Absolut (€)
Bayern 1421232143 1286813513 134418630.0
Baden-Württemberg 683387554 613812855 69574698.3
Sachsen-Anhalt 598783406 552646660 46136745.9
Nordrhein-Westfalen 633841663 594130704 39710959.4
Brandenburg 598361441 564370137 33991303.4
Thüringen 425683660 392947179 32736480.4
Rheinland-Pfalz 323473812 293265505 30208306.5
Sachsen 475948856 446330984 29617871.8
Schleswig-Holstein 399565446 370230128 29335318.1
Mecklenburg-Vorpommern 598510099 569968479 28541620.4
Niedersachsen 966029778 939273699 26756078.5
Hessen 335003132 320414201 14588931.7
Saarland 34714770 31218491 3496278.8
Berlin 6349473 5474610 874863.1
Bremen 4865093 4399513 465580.5
Hamburg 7399231 7230227 169004.1

Interpretation: In Bayern, Baden-Württemberg und Sachsen-Anhalt ist die absolute Summe am größten (über 50 Mio.) Die Differenz zwischen Summe_Gesamt und Summe_Berechnet kommt zustande, weil die Spalte Förderbetrag_gesamt in den Rohdaten weitere Förderkomponenten enthält, die in den drei Haupt-EU-Töpfen nicht enthalten sind (Sonstige Nationale Mittel, Technische Hilfe, Ältere Programme). Die positiven Unterschiede zwischen der Summe_Gesamt und der Summe_Berechnet sind hauptsächlich auf Nationale Beihilfen und Hilfsprogramme zurückzuführen, die nicht über die EU-Kofinanzierung laufen (Staatliche Beihilfen/Nationale Hilfen, GAK-Mittel (Gemeinschaftsaufgabe): Gelder, die von Bund und Ländern gemeinsam über die Gemeinschaftsaufgabe “Verbesserung der Agrarstruktur und des Küstenschutzes” bereitgestellt werden).

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:

Extremwerte der Subventionsempfänger 2024 (Top 6 vs. Low 6)
Gruppe Name des Begünstigten Gesamtfördersumme (€) PLZ Gemeinde Bundesland
Top 6 Landesbetr. f.Hochwasserschutz u. Wasserwirtsch. (LHW) 37149868.42 39104 Magdeburg, Landeshauptstadt Sachsen-Anhalt
Top 6 Landesbetrieb für Küstenschutz Nationalpark u Meeresschutz 17070234.73 25813 Husum, Stadt Schleswig-Holstein
Top 6 Land Mecklenburg-Vorpommern Ministerium für 13243166.07 19061 Schwerin, Landeshauptstadt Mecklenburg-Vorpommern
Top 6 Landesamt für Umwelt (LfU) 7892895.63 14476 Potsdam, Stadt Brandenburg
Top 6 Landgard Obst + Gemüse GmbH + Co. KG 3825087.21 47638 Straelen, Stadt Nordrhein-Westfalen
Top 6 Landesforst Mecklenburg-Vorpommern 3795238.63 17139 Malchin, Stadt Mecklenburg-Vorpommern
Niedrigste 6 Kleinempfänger 25.48 97348 Markt Einersheim, M Bayern
Niedrigste 6 Kleinempfänger 26.45 02894 Vierkirchen Sachsen
Niedrigste 6 Kleinempfänger 36.43 29468 Bergen an der Dumme, Flecken Niedersachsen
Niedrigste 6 Kleinempfänger 36.45 97753 Karlstadt, St Bayern
Niedrigste 6 Kleinempfänger 48.80 96482 Ahorn Bayern
Niedrigste 6 Kleinempfänger 55.51 04886 Arzberg Sachsen

Eine Beobachtung im Datensatz subventionen_gesamt entspricht einem einzelnen Begünstigten (z.B. Landwirt, Unternehmen, Behörde) in einem spezifischen Haushaltsjahr, wobei die verschiedenen Förderquellen bereits in Spalten zusammengefasst sind.

Beim Vergleich fällt Folgendes auf:

Top-Empfänger sind oft keine klassischen Landwirte: Die Liste der Top-Empfänger wird häufig von Landesämtern (z.B. für Küstenschutz, Wasserwirtschaft) oder großen öffentlichen Trägern dominiert, die riesige Summen für Infrastruktur- oder Umweltprojekte (oft aus ELER-Mitteln) verwalten. Auch große Agrargenossenschaften können hier auftauchen.

Niedrigste Empfänger: Hier finden sich oft Privatpersonen oder Kleinstbetriebe mit extrem geringen Summen (oft im zweistelligen Bereich). Dies deutet auf sehr spezifische kleine Fördermaßnahmen hin (z.B. Kleinstwaldflächen).

Rolle der Forstwirtschaft: Forstbetriebe oder Waldbesitzer tauchen oft eher im unteren bis mittleren Bereich auf, da die reinen Flächenprämien der Landwirtschaft (EGFL) für den Wald so nicht existieren und Projektförderungen oft kleiner ausfallen. Es sei denn, es handelt sich um große staatliche Forstbetriebe, die Gelder für Waldumbau erhalten.

  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 (2023 & 2024)
Variable N Mittelwert SD 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_berechnet 288.334 24.251,48 104.736,93 9.515,18 0,00 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

Besonders auffällig ist die extreme Schiefe der Verteilung:

Der Mittelwert liegt bei allen Variablen (besonders beim Gesamtbetrag) deutlich über dem Median. Dies deutet darauf hin, dass es einige wenige Empfänger mit extrem hohen Fördersummen gibt (die “Top-Empfänger” aus Aufgabe 6), während die große Masse der Empfänger deutlich geringere Beträge erhält.

Die Standardabweichung (SD) ist sehr groß, oft größer als der Mittelwert selbst, was die enorme Streuung der Daten unterstreicht.

Beim EGFL_Förderbetrag (Direktzahlungen) ist der Median im Vergleich zum ELER höher und stabiler, da fast jeder landwirtschaftliche Betrieb diese Flächenprämien erhält. Die ELER und Nationale_Kofinanzierung haben oft einen Median von 0 oder sehr niedrige Werte, da dies projektbezogene Gelder sind, die nicht jeder pauschal bekommt.

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:

Dominanz des EGFL: In fast allen Bundesländern machen die EGFL-Mittel (Direktzahlungen, 1. Säule) den größten Anteil aus. Das spiegelt die Ausrichtung der EU-Agrarpolitik auf Einkommenssicherung durch Flächenprämien wider.

Unterschiede: Stadtstaaten: Bei Stadtstaaten (Hamburg, Berlin, Bremen) ist die Struktur oft anders verteilt, da hier weniger klassische Flächenlandwirtschaft und mehr spezifische Projekte gefördert werden. Niedersachesen vs. andere Bundesländer: Niedersachsen hat im Vergleich zu Bayern und vielen anderen Bundesländern eine besonders niedrige sonstige nationale Förderung. Das liegt daran, dass Niedersachsen stärker EU-Projekte kofinanziert und diese Mittel unter EGFL und ELER auftauchen. Insgesamt sind die Verteilungen der Förderungen in den meisten Bundesländern (Stadtstaaten ausgenommen) relativ ähnlich.

Ökonomische Schwerpunkte: Ein hoher EGFL-Anteil deutet auf einen Fokus auf reine Einkommensstützung und Marktstabilität hin. Ein hoher ELER/Kofinanzierungs-Anteil zeigt, dass das Bundesland (und die Betriebe) stärker in ländliche Entwicklung, Umweltmaßnahmen und Investitionen investieren – also gezielte politische Steuerung statt “Gießkannenprinzip”.

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 (2023 zu 2024)
Bundesland Summe 2023 (€) Summe 2024 (€) Veränderung (Mio. €) Veränderung (%)
Niedersachsen 577.140.972 388.888.806 -188,25 -32,62
Berlin 3.763.056 2.586.417 -1,18 -31,27
Sachsen 280.386.970 195.561.886 -84,83 -30,25
Sachsen-Anhalt 351.540.959 247.242.446 -104,30 -29,67
Rheinland-Pfalz 186.459.879 137.013.933 -49,45 -26,52
Mecklenburg-Vorpommern 344.700.709 253.809.390 -90,89 -26,37
Brandenburg 343.285.109 255.076.332 -88,21 -25,70
Bayern 814.108.710 607.123.433 -206,99 -25,42
Schleswig-Holstein 227.039.795 172.525.651 -54,51 -24,01
Nordrhein-Westfalen 356.608.701 277.232.962 -79,38 -22,26
Hessen 181.513.709 153.489.423 -28,02 -15,44
Baden-Württemberg 368.648.793 314.738.761 -53,91 -14,62
Bremen 2.607.325 2.257.768 -0,35 -13,41
Hamburg 3.959.673 3.439.559 -0,52 -13,14
Thüringen 227.593.302 198.090.358 -29,50 -12,96
Saarland 17.380.432 17.334.338 -0,05 -0,27

Trend: Oft ist ein leichter Rückgang oder eine Stagnation der Gelder zu erkennen, bedingt durch die Neuausrichtung der GAP (Gemeinsame Agrarpolitik), bei der Direktzahlungen (Basisprämie) teilweise gekürzt und an strengere Umweltauflagen (Öko-Regelungen) geknüpft wurden. Wenn Betriebe diese nicht abrufen, sinkt die Summe.

Unterschiede:

Länder mit negativer Veränderung: Hier greifen möglicherweise die Kürzungen der Basisprämie stärker, oder Sondereffekte aus 2023 (z.B. spezifische Krisenhilfen) sind weggefallen.

Länder mit Zuwachs: Dies kann durch erfolgreiche Abrufung neuer Umweltprogramme (Eco-Schemes) oder erhöhte Auszahlungen in der 2. Säule (Investitionsförderung) erklärt werden.

Externe Faktoren: Die Einführung der neuen GAP-Förderperiode (voll wirksam ab 2023/24) führte zu einer Umschichtung: Weg von pauschalen Zahlungen hin zu leistungsgebundenen “Eco-Schemes”. Wenn diese Programme in bestimmten Regionen (z.B. aufgrund von Dürre oder bürokratischen Hürden) schlecht angenommen wurden, sinkt die Gesamtauszahlungssumme in diesem Jahr. Auch Umschichtungen von der 1. in die 2. Säule spielen eine Rolle.

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:

Stellt man die im Artikel genannten Schadenssummen den zuvor analysierten Subventionsdaten gegenüber, fällt folgendes auf: Während die Analyse ein jährliches EU-Fördervolumgen von rund 6,3 Milliarden Euro pro Jahr an EU-Mitteln für Deutschland ergab, bezifferte der Artikel die Schäden in der Land- und Forstwirtschaft allein für die Dürrejahre 2018 und 2019 auf über 25 Milliarden Euro. Hiebei ist jedoch zu beachten, dass ein Großteil (ca. 17,8 Mrd. €) auf die Forstwirtschaft entfällt. Die Schäden in der Landwirtschaft beliefen sich auf ca. 7,8 Mrd. €. Das Verhältnis zeigt deutlich: In normalen Jahren helfen die Subventionen als Einkommensstütze, die die oft geringen Margen der Betriebe aufbessert. Denn der Artikel zeigt auch, dass die durschnittliche Schadenssumme pro Jahr seit 2000 bei 6,6 Mrd. € liegt und damit die beiden Jahren 2018 und 2019 einzelne Ausreißer darstellen. In diesen Extremjahren jedoch werden diese staatlichen Subventionen vollständig benötigt, um die Schäden auszugleichen. Die Subventionen erhöhen in diesem Fall nicht den Gewinn, sondern versuchen lediglich das operative Minus zu kompensieren, um die Liquidität zu sichern. Es können dementsprechend die Subventionen als staatliche Risikoprämie gesehen werden. In diesem Kontext lassen sich die Agrarsubventionen – insbesondere die in Aufgabe 8 als dominant identifizierten Direktzahlungen (EGFL) – ökonomisch als eine implizite staatliche Risikoprämie interpretieren. Da private Versicherungslösungen gegen Dürre oft zu teuer sind, übernimmt der Staat durch die Flächenprämien die Rolle des Risikoträgers. Die EGFL-Mittel wirken wie ein garantiertes Basiseinkommen, das unabhängig vom Ernteerfolg den Landwirten zu Gute kommt. Sie stellen sicher, dass die Schwankungen der Markterlöse nicht zu sehr ins Gewicht fallen und verhindern, dass ein einziges schlechtes Erntejahr zu einer sofortigen Insolvenzwelle führt. Ohne diesen Subventionen wäre das unternehmerische Risiko angesichts der zunehmenden Häufigkeit von Extremwettern für viele Betriebe betriebswirtschaftlich kaum noch tragbar.

Die Forderungen der Bundesminister nach mehr Krisenvorsorge und Anpassungsmaßnahmen sind ökonomisch effizient. Die Strategie die Schäden nach Eintritt der Ereignisse zu kompensieren, birgt das Risiko des Moral Hazard.: Wenn die Landwirte darauf vertrauen, dass sie jedes Jahr genügend Subventionen erhalten, um ihre Verluste/Schäden auszugleichen, sinkt der ökonomische Anreiz, eigenverantwortlich zu versuchen die Schäden zu minimieren bzw. in Anpassungsmaßnahmen zu investieren. Dies führt langfristig zu einer ineffizienten Struktur und zu steigenden Kosten für den Staat. Dagegen ist die Förderung von präventiven Maßnahmen effizienter, denn dies würden zukünftige Schadenszahlungen minimieren und kompensiert nicht nur die bereits entstandenen Verluste.

Für die Minderung von Klimaschäden in der Landwirtschaft werden zwei Ansätze diskutiert, die beide klare Vor- und Nachteile haben: Ansatz A - die Erhöhung der Direktzahlungen (EGFL) an Landwirte, um Liquidität nach Ernteausfällen sicherzustellen - hilft den Landwirten sofort ihre Liquidität aufrecht zu erhalten. Die Schäden/Verluste der Landwirte werden direkt kompensiert. Jedoch ist hier der großte Nachteil das Risiko von Moral Hazard, wie bereits im vorherigen Abschnitt erläutert. Durch die reine Subvention der Schäden, werden keine Anreize gesetzt, die Bewirtschaftung an den Klimawandel anzupassen, wodurch die Schäden langfristig hoch/gleich bleiben und sich nicht minimieren. Ansatz B - die Umschichtung von Fördergeldern hin zu Projektförderungen (ELER), die gezielt in klimaresiliente Technologien investieren - hat den klaren Vorteil, dass so Klimaschäden langfristig minimiert werden und weniger Schäden entstehen. Dieser Ansatz ist dem Anatz A langfristig gesehen deutlich überlegen, da die Betriebe dauerhaft wettbewerbsfähiger gemacht werden. Der Nachteil liegt in der Zeitverzögerung und Bürokratie: Die Investitionen wirken erst nach einigen Jahren und solche Verfahren sind sehr aufwendig. In einer akuten Liquiditätskrise wie es in den Jahren 2018 und 2019 der Fall war, würde dieser Ansatz zu spät helfen.

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 verbrannte Fläche Brandfälle wirtschaftlicher Verlust Schaden
2018 2349 1708 2144430 2670000
2019 2711 1523 1662950 2220000
2020 368 1360 1595800 2190000
2021 148 548 659240 670000
2022 3058 2397 4851380 5140000
2023 1240 1059 957330 1190000
2024 334 563 680250 680000

Die Tabelle fasst die wichtigsten Daten zu den Waldbränden in Deutschland von 2018 bis 2024 zusammen. Dabei wird das Jahr, die verbrannte Fläche, die Anzahl der Brände, der wirtschaftliche Verlust und der Schaden angegeben. Die Jahre, in denen die Schadenssummen 1,5 Mio.€ überstieg, sind rot markiert. Im Jahr 2022 sind die meisten Flächen verbrannt, was auch zu der höchsten Schadenssumme geführt hat. Da auch die Anzahl der Brände im Jahr 2022 am höchsten war, deutet dies darauf hin, dass es sich um eine Vielzahl von Bränden handelte, die im Durchschnitt dennoch eine große Fläche betrafen und einen hohen Schaden verursachten. Es lässt sich kein klarer Trend einer Zunahme der ökonomischen Belastung durch Waldbrände erkennen. Während im Jahr 2022 ein Hoch zu verzeichnen war, fielen alle Werte in den Folgejahren 2023 sowie 2024 wieder ab. Es kommt immer wieder zum Anstieg und dann wieder zu einem Rückgang der Brände, weshalb sich zeigt, dass die Entwicklung keinem Trend folgt, sondern von extremen Ereignissen oder Wetterbedingungen abhängig ist.

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.

Im ersten Diagramm wird die prozentuale Verteilung der verbrannten Waldflächen nach Eigentumsformen für die Jahre 2018 bis 2024 dargestellt. In sämtlichen Jahren weist der Privatwald mit deutlichem Abstand den größten Anteil der verbrannten Fläche auf. Dahinter folgen überwiegend der Landeswald, danach der Bundeswald und mit dem geringsten Anteil der Körperschaftswald. Die Rangfolge bleibt über die betrachteten Jahre weitgehend stabil. Lediglich in den Jahren 2019 und 2021 tauschen Landeswald und Bundeswald die Plätze, sodass der Bundeswald in diesen beiden Jahren den zweitgrößten Flächenverlust verzeichnet. Zwar schwanken die einzelnen Prozentwerte im Zeitverlauf, jedoch lassen sich keine grundlegenden oder langfristigen Veränderungen der Verteilung erkennen. Ein möglicher Grund für den hohen Anteil des Privatwaldes könnte sein, dass dort häufig weniger präventive Maßnahmen umgesetzt werden. Privatwälder sind oft kleinteilig, schwer zugänglich und werden im Durchschnitt weniger intensiv gepflegt als Bundeswald, was das Risiko größerer Schadensflächen erhöhen kann.

Das zweite Diagramm zeigt die prozentuale Verteilung der Anzahl der Brandfälle nach Eigentumsformen über denselben Zeitraum. Auch hier liegt der Privatwald in allen Jahren deutlich an erster Stelle, gefolgt vom Landeswald. Im Unterschied zur verbrannten Fläche bilden beim zweiten Diagramm der Bundeswald den kleinsten und der Körperschaftswald den drittkleinsten Anteil. Die Anteile bleiben über die Jahre hinweg sehr stabil und zeigen fast keine Schwankungen. Die Tatsache, dass der Bundeswald zwar die geringste Anzahl an Bränden, aber im ersten Diagramm teilweise deutlich höhere verbrannte Flächen aufweist, deutet darauf hin, dass dort seltener, aber dafür größere Brände stattfinden. Im Körperschaftswald scheint es hingegen vergleichsweise viele kleinere Brände zu geben. Besonders in den Jahren 2019 und 2021 wird deutlich, dass die im Bundeswald verbrannte Fläche im Verhältnis zur Anzahl der Brände außergewöhnlich groß ist.

Aus beiden Darstellungen wird klar, dass insbesondere im Privatwald ein erheblicher Handlungsbedarf besteht. Hier treten nicht nur die meisten Brände auf, sondern es brennt auch regelmäßig die größte Fläche ab. Staatliche Präventionsmaßnahmen und Unterstützungen sollten daher vorrangig auf private Waldbesitzer ausgerichtet werden, um den vorbeugenden Brandschutz zu verbessern und die Schäden zukünftig zu reduzieren.

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:

Das erste Diagramm zeigt die Anzahl der Waldbrände der Jahre 2018–2024, sortiert nach ihren Ursachen. Dabei wird deutlich, dass die natürlichen Ursachen in allen betrachteten Jahren die geringste Zahl an Bränden hervorrufen. Danach folgen die sonstigen handlungsbedingten Einwirkungen, gefolgt von Vorsatz und Fahrlässigkeit. Besonders auffällig ist jedoch die grüne Linie der Kategorie „unbekannte Ursachen“, die in jedem einzelnen Jahr die mit Abstand höchsten Werte aufweist. Im Jahr 2022 sticht diese Gruppe besonders heraus, da sie dort sehr stark ansteigt und einen enormen Abstand zu allen anderen Ursachenkategorien zeigt. Die Zahl der Brände mit unbekannter Ursache liegt in diesem Jahr bei über 1000 Fällen. Mit Ausnahme dieses extremen Anstiegs zeigt sich jedoch bei fast allen Ursachen ein eher rückläufiger Verlauf über die Jahre hinweg.

Das zweite Diagramm stellt dieselben Ursachen in Bezug auf die insgesamt verbrannte Waldfläche dar. Auch hier ist die Kategorie der unbekannten Ursachen über weite Strecken die dominierende Linie. Nur im Jahr 2024 wird sie von den sonstigen handlungsbedingten Ursachen eingeholt. Auffällig sind vor allem die Jahre 2019 und 2022, in denen sowohl bei den unbekannten als auch bei den sonstigen Ursachen besonders große Ausschläge sichtbar sind. Dies deutet darauf hin, dass in diesen beiden Jahren außergewöhnliche Bedingungen — beispielsweise extreme Trockenheit, starke Hitzeperioden oder ungünstige Windverhältnisse — zur schnellen Ausbreitung der Brände und damit zu einer deutlich größeren verbrannten Fläche beigetragen haben könnten.

Ein eindeutiger Trend lässt sich aufgrund der vielen starken Schwankungen nicht sicher erkennen. Die Diagramme zeigen jedoch, dass sowohl die Anzahl der Brände als auch die verbrannte Fläche, wenn man die extremen Ausreißer wie das Jahr 2022 ausklammert, insgesamt eher abnimmt. Das kann als positiv gewertet werden und könnte darauf hindeuten, dass Präventionsmaßnahmen, Überwachungsstrategien und das Bewusstsein für Waldbrandschutz in den letzten Jahren wirksamer geworden sind.

Dass besonders viele Brände einer unbekannten Ursache zugeordnet werden, zeigt allerdings, dass die Erfassung, Dokumentation und Untersuchung von Brandursachen noch weiter verbessert werden muss. Für die Politik könnte dies bedeuten, stärker in moderne Brandschutztechnologien, bessere Frühwarnsysteme und umfassendere Datenanalyseverfahren zu investieren, um die Ursachen künftig genauer bestimmen zu können. Aus wirtschaftlicher Sicht verursachen Waldbrände erhebliche Kosten — etwa für Versicherungen, Wiederaufforstung, beschädigte Infrastruktur oder den Einsatz von Personal in Forstwirtschaft und Feuerwehr. Eine bessere Aufklärung und Prävention könnte langfristig große finanzielle Belastungen reduzieren.

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

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

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

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

Die beiden Diagramme vergleichen Forstverwaltungskosten bzw. sonstige Kontrollksoten mit den wirtschaftlichen Verlusten, die durch Waldbrände entstehen, aufgeteilt nach Bundesländer. Auf den ersten Blick wird deutlich, dass kein klarer negativer Zusammenhang besteht. Weder hohe Ausgaben noch niedrige Ausgaben gehen verlässlich mit geringeren wirtschaftlichen Schäden einher. Vielmehr liegen viele Bundesländer trotz hoher Kosten weiterhin im Bereich hoher wirtschaftlicher Verluste. Umgekehrt zeigen manche Bundesländer trotz vergleichsweise geringer Ausgaben ebenfalls hohe Verluste.

Die Grafiken stützen nicht unmittelbar die Hypothese, dass höhere Präventionsausgaben generell zu geringeren Schäden führen. Wenn überhaupt, lässt sich eher ein umgekehrter Effekt vermuten. Regionen, die stark betroffen sind oder ein hohes Risiko haben, investieren mehr in Verwaltung und Kontrollmaßnahmen – doch diese Ausgaben reichen offenbar nicht aus, um die Schäden ausreichend zu senken. Dies spricht dafür, dass die Kosten eher eine Reaktion auf hohe Risiken oder bereits entstandene Schäden darstellen, statt deren Ursache zu verhindern.

Die Verwendung einer logarithmischen Skala für die wirtschaftlichen Verluste ist sehr sinnvoll, da sich die Verluste zwischen Bundesländern und Jahren stark unterschieden. Auf einer linearen Skala würden die großen Werte die kleineren vollständig überdecken, sodass Muster kaum erkennbar wären. Die logarithmische Darstellung verdichtet den Wertebereich und macht die Verteilungsmuster und Unterschiede zwischen den Ländern sichtbar, ohne extreme Ausreißer dominieren zu lassen.

Dass die Verluste nicht proportional zurückgehen, könnte damit zudammenhängen, dass die Prävention nicht ausreichend wirksam sind, weil die Maßnahmen zum Beispiel zu spät greifen oder ungeeignet sind. Außerdem könnten Schäden zunehmend durch externe Faktoren ausgelöst werden, wie der Klimawandel, Dürreperioden oder Schädlinge, die selbst durch hohe Präventionskosten kaum vollständig kontrolliert werden können. Zudem kann ein Teil der Ausgaben auch in Verwaltung oder Dokumentation fließen, ohne direkt wirksame Maßnahmen zu finanzieren.

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 Grafik mit dem Titel “Monatliche Entwicklung der Waldbrände in Deutschland (2018 - 2024) zeigt die monatlichen Waldbrände in Deutschland für den Zeitraum von Januar 2018 bis Dezember 2024. Die x-Achse zeigt das Datum. Das Balkendiagramm (blaue Balken) zeigt auf der y-Achse die verbrannte Fläche (ha), während das Liniendiagramm (grüne Linie) auf der y-Achse die Anzahl der Brände zeigt. Das Diagramm verdeutlicht eine starke Saisonabhängigkeit der Waldbrände, sowie große Unterschiede zwischen den Jahren.

Die meisten Brände treten typischerweise in den Sommermonaten (Juni, Juli, August) auf. Jedoch ist auffällig, dass zudem oft eine sehr steile Spitze im April auftritt. Die verbrannte Fläche ist fast ausschließlich in den Sommermonaten am größten. Im Juni 2019 ist die größte Fläche abgebrannt mit über 2000 ha Land.

Beim Vergleich der Spitzen der Brandanzahl mit den Spitzen der verbrannten Flächen fällt auf, dass diese nicht immer zusammenfallen. Im Juni 2019 zeigt die Grafik die größte verbrannte Fläche, während die Anzahl der Brände zwar hoch, aber nicht auf dem höchsten Stand war. Das Rekordhoch bei der Anzahl der Brände liegt im Juli 2022. Jedoch gibt es auch Perioden in denen die Brandanzahl mit der verbrannten Fläche korreliert, wie zum Beispiel in den Jahern 2018 und 2022. Hier führten eine hohe Anzahl an Bränden direkt zu massiven Flächenschäden.

Die Ursachen für Monate mit vielen kleinen, aber wenigen großen Bränden - wie beispielsweise in den Monaten April 2020 oder Mai 2018 - könnten auf die sogenannte Frühjahrstrockenheit zurückzuführen sein. Denn die Vegetation nach dem Winter trocknet schneller aus, was diese leichter entzündlich macht. Diese Brände können jedoch schneller und besser gelöscht werden, bevor sie sich zu Großbränden mit enormen Flächenschaden ausbreiten können, da die Hitzewelle im Vergleich zu Sommerbränden fehlt und diese sich deshalb oft auf die Bodenvegetation beschränken. Die Brandfläche bleibt eher kleiner, meist brennen nur die vertrockneten Pflanzenreste des Vorjahres. (Quelle: Kaulfuss, Susanne (2016): Wie Waldbrände entstehen. Von: https://www.waldwissen.net/de/waldwirtschaft/schadensmanagement/waldbrand/wie-waldbraende-entstehen) Deshalb führt auch die Fahrlässigkeit der Menschen oder Brandstiftung aufgrund der Trockenheit schnell zu Bränden im Frühjahr.

In der Grafik lassen sich zudem auffällige Unterschiede in den Sommermonaten über die Jahren erkennen. In den Jahren 2018, 2019 und 2022 war sowohl die Anzahl der Brände, als auch die verbrannte Fläche hoch. Die Entwicklung in diesen Jahren lässt sich auf die Dürre zurückzuführen. Die Hitze und Trockenheit trocknete den Boden stark aus, weshalb sich die Brände rasend schnell entwickeln und ausbreiten konnten. Die beiden Jahren 2020 und 2021 hingegen waren vergleichsweise kühl und von Regen geprägt, was sich in den Flächenschäden bemerkbar machte: Trotz zahlreicher Brände breitete sich das Feuer kaum aus und führte “nur” zu minimalen Flächenschäden.

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)?
Vergleich der Waldbrandstatistiken: Bayern vs. Brandenburg (2022-2023)
Region Jahr Anzahl der Brände Gesamtfläche der Brände (ha) Durchschnittliche Fläche pro Brand (ha) Gesamte wirtschaftliche Verluste ( in Tsd. €) Verlust pro Hektar (in €/ha)
Bayern 2022 145 214 1.48 297.06 1388.13
Bayern 2023 75 44 0.59 197.64 4491.82
Brandenburg 2022 523 1426 2.73 13.60 9.54
Brandenburg 2023 251 765 3.05 6.90 9.02

Die Tabelle mit dem Titel “Vergleich der Waldbrände: Bayern vs. Brandenburg (2022-2023)” vergleicht die beiden Bundesländer Bayern und Brandenburg bezüglich ihrer Waldbrandstatistik für die Jahre 2022 und 2023. Dabei offenbaren sich signifikante strukturelle Unterschiede zwischen den beiden Bundesländern.

Absolut betrachtet verzeichnet Brandenburg mehr Brände und größere Flächenverluste als Bayern. Im Extremjahr 2022 verzeichnete Brandenburg 523 Brände mit einem Gesamtflächenschaden von 1426 ha. Vergleichend dazu wies Bayern lediglich 145 Brände mit einer Schadensfläche von 214 ha auf. Auch im darauffolgenden Jahr 2023 zeichneten sich deutliche Unterschiede zwischen Brandenburg - 251 Brände mit 765 ha Schaden - und Bayern - 75 Brände mit 44 ha Schaden- ab.

Betrachtet man jedoch den ökonomischen Verlust pro Hektar, kehrt sich das Bild um. Es zeigt sich, dass Bayern deutlich höhere Verluste pro Hektar verzeichnete als Brandenburg. Während bei Bayern der wirtschaftliche Verlust pro Hektar 1388,13 €/ha im Jahr 2022 bzw. 4491,82 €/ha im Jahr 2023 betrug, lag dieser Werte bei Brandenburg im Jahr 2022 bei lediglich 9,54 €/h und im Jahr 2023 bei 9,02 €/ha. Diese Unterschiede lassen sich durch die unterschiedliche Nutzung und die unterschiedliche Art des Waldes erklären. Während in Brandenburg vorrangig Kieferwälder zu finden sind, die zumeist nicht als Nutzwald dienen, findet man in Bayern Mischwälder, die ökonomisch wertvoll sind und zudem als Schutzwald in manchen Regionen dienen.

Basierend auf den Zahlen ist das Waldbrandproblem in beiden Regionen gravierend, jedoch manifestiert es sich auf unterschiedliche Weise. In Brandenburg liegt das Problem bei den Waldbränden bei der Anzahl und der schnellen Ausbreitung der Brände. In Bayern hingegen führen bereits kleine Brände zu enormen finanziellen Verlusten.

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

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

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

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

Die Grafik mit dem Titel “Holzverlsute durch Waldbrände: Bayern vs. Brandenburg” visualisiert die absoluten Verluste an Stammholz und Industrieholz durch Waldbrände in den Jahren 2022 und 2023 der beiden Bundesländern Bayern und Brandenburg.

Es ist zu erkennen, dass beide Bundesländer im Jahr 2022 deutlich weniger Verluste gemacht haben als im Folgejahr 2023. Außerdem fällt auf, dass in Brandenburg zwar 2022 deutlich mehr Fläche als im Jahr 2023 betroffen war (siehe vorherige Tabelle), jedoch deutlich mehr Holz im Jahr 2023 verlor. Dies deutet darauf hin, dass in 2022 mehr waldfreie Fläche durch die Brände verloren ging.

In Bayern überwiegt der Verlust an hochwertigem Stammholz gegenüber dem minderwertigen Industrieholz. Im Jahr 2022 war der Stammholzverlust mehr als dreimal so hoch wie der Industrieholz verlust und im Jahr 2023 fast doppelt so hoch. Das verdeutlicht, dass in Bayern vorwiegend wertvolle Mischwälder bzw. Holzbestände brannten und erklärt den hohen ökonomischen Verlust durch die Brände. In Brandenburg zeigt sich das Gegenteil: Es überwiegt der Verlust an Industrieholz. Die weniger wertvollen Kieferkulturen werden meisten als Industrieholz verarbeitet und erzielen geringere Preise, weshalb der riesige Volumensverlust finanziell nicht so sehr ins Gewicht fällt wie in Bayern der Stammholzverlust.

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.

  1. Eine Einführung von erhöhtem Bußgeld und Strafen für fahrlässige Brandstiftung und vorsätzliche Brandlegung würde direkt die Hauptursache für Brandfälle betreffen. In Aufgabe 13 wurde dargelegt, dass natürliche Ursachen vernachlässigbar sind und der Großteil der Brandfälle auf menschliches Handeln zurückzuführen ist. Demensprechend wäre dieser Ansatz zum einen aufgrund des Nutzens, als auch wegen den geringen gesetzgeberischen Kosten sinnvoll. Jedoch ist die Umsetzung schwierig, denn in Aufgabe 13 wurde ebenfalls ermittelt, dass viele Brandfälle auch eine unbekannte Ursache haben.Aufgrunddessen wäre dieser Ansatz nur wirksam, wenn die Täter mit hoher Wahrscheinlichkeit auch entdeckt werden. Dementsprechend könnte die Wirkung dieser Maßnahmen gering sein, obwohl sie theoretisch und ökonomisch gesehen effizient wäre. Umsetzen könnte man diese Maßnahmen durch mehr Kontrollen in den Wäldern, vor allem Kontrollen im Frühjahr wären sinnvoll und nützlich, da zu dieser Zeit oft viele kleine Brände durch Fahrlässigkeit entstehen.

  2. Anreize für den Waldumbau, die darauf abzielen Monokulturen - wie in Brandenburg die Kiefermonokulturen - durch Mischwälder zu ersetzen, würden dazu führen, dass das Feuer sich weniger schnell ausbreiten kann und das Risiko von Großbränden minimiert wird. Jedoch sind solche Waldumbau-Maßnahmen oft sehr kostspielig. Zudem würde der Nutzen des Umbaus erst nach mehreren Jahren oder Jahrzehnten bemerkbar werden, wenn die neu angebauten Baume gewachsen sind. Ein großes Problem tritt auch durch die große Anzahl an Privatwäldern, denn die meisten Privateigentümer werden ohne massive staatliche Fördermittel einen solchen Umbau nicht bewerkstelligen können. Kurzfristig gesehen ist dieser Ansatz nicht effizient bezüglich des Kosten-Nutzen-Verhältnisses. Betrachtet man jedoch den Ansatz langfristig, stellt er eine sehr gute Investition dar, der zu einer deutlichen Reduktion der Brände führen kann. Außerdem würde der Umbau dafür sorgen, dass in Brandenburg das minderwertige Industrieholz langfristig durch hochwertiges Stammholz ersetzt wird. Umsetzen lässt sich das ganze vermutlich nur durch Förderprogramme, die sich auch mit den Privatanlegern befassen und diese unterstützen.

  3. Maßnahmen zur Früherkennung zielen darauf ab, Waldbrände möglichst früh zu erkenen und direkt aktiv zu bekämpfen. Dies könnte ein effektives Mittel sein, um potentielle Großbrände zu verhindern und wie z.B. in Brandenburg die Flächenschäden der zahlreichen Brände zu verringern. Jedoch ist auch dieser Ansatz äußerst kostspielig aufgrund der Kosten und dem Betrieb der modernen Technologie. Diese Maßnahme könnte jedoch bereits aus kurzfristiger Sicht zu Verbesserungen in der Waldbrandbekämpfung führen. Um die Kosten zu senken und trotzdem Nutzen aus dem Ansatz zu ziehen, wär es am sinnvollsten vor allem Regionen mit großem Waldbrandrisiko mit Drohen und Sensoren auszustatten bzw. zum Beispiel in Bayern Regionen mit teuren Holzbeständen.

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.

Welche Länder sind im Datensatz konkret enthalten? In diesem Datensatz sind alle 27 Mitgliedstaaten der Europäischen Union (Stand nach dem Brexit) enthalten: Belgien, Bulgarien, Dänemark, Deutschland, Estland, Finnland, Frankreich, Griechenland, Irland, Italien, Kroatien, Lettland, Litauen, Luxemburg, Malta, Niederlande, Österreich, Polen, Portugal, Rumänien, Schweden, Slowakei, Slowenien, Spanien, Tschechien, Ungarn und Zypern.

Überwelchen zeitraum erstreckt sich der Datensatz? Der Datensatz erstreckt sich über den zeitraum von dem Jahr 2010 bis 2022.

Bedeutung von Output_Pillar I und Output_Pillar II: Pillar I stellt die erste Säule dar und bezeichnet die Gelder aus dem Europäischen Garantiefonds für die Landwirtschaft (EGFL). Sie bilden den größten Teil des EU-Agrarbudgets und werden vollständig aus EU-Mitteln finanziert. Sie umfassen direkte Beihilfen (Direktzahlungen) und Marktentwicklungsmaßnahmen,die die Landwirte enthalten. Landwirte erhalten demnach Geld pro Hektar Fläche, den sie bewirtschaften. Es stellt quasi ein “Grundeinommen” für die Bauern dar. Pillar II stellt die zweite Säule dar und bezieht sich auf den Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER). Diese Gelder sind für strukturelle Maßnahmen und die Forderung der ländlichen Entwicklung gedacht und müssen in der Regel von regionalen und nationalen Mitteln kofinanziert werden. Diese Säule bietet mehr Potenzial für Nachhaltigkeit, hat aber weniger Budget. Das Ziel ist es, Anreize für Veränderung zu schaffen.

Warum gibt es bei Output_Pillar I die Kategorien Direct Payments und Market Measures und bei Output_Pillar II Rural Development? Pillar I wird in die beiden Kategorien Direct Payments (Direktzahlungen) udn Market Measures (Marktmaßnahmen) unterteilt. Die Direktzahlungen sind Flächenprämien, die die Landwirte als Einkommenstütze erhalten und das Kernstück der 1.Säule darstellen, Das Ziel ist es, das Einkommen unabhängig von den Preisschwankungen zu sichern. Im Gegensatz dazu stellen die Marktmaßnahmen Gelder dar, die dazu dienen die Märkte bei Krisen zu stabilisieren. Zudem sollen bestimmte sektoren speziell zu fördern. Bei Pillar II gibt es nur die Kategorie Rural Development. Unter Rural Development sind langfristige Strukturförderungen zu verstehen. Diese Maßnahmen sind auf bestimmte Projekte bezogen.

Inwiefern sind die Indikatorentypen mit den Förderarten in Deutschland vergleichbar? Output_Pillar I entspricht exakt dem EGFL-Förderbetrag aus den vorherigen deutschen Daten (Direktzahlungen). Output_Pillar II entspricht dem ELER-Förderbetrag.

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.

Das Balkendiagramm zeigt die zehn EU-Mitgliedsstaaten mit den höchsten Gesamtsubventionen (Pillar I und Pillar II) in den Jahren 2020 bis 2022. Die Balken sind nach der Gesamtsumme absteigend sortiert und farblich nach Jahren unterteilt, um den Anteil der Subventionen der einzelnen Jahre (2020, 2021, 2022) an der Gesamtsumme zu verdeutlichen. Dies ermöglicht einen Vergleich der Gesamtsuventionen zwischen den EU-Mitgliedsstaaten, sowie eine Analyse der zeitlichen Entwicklung innerhalb der einzelnen Länder. Man sieht sofort, dass Frankreich mit Abstand die meisten Subventionen erhält, gefolgt von Spanien, Italien und Deutschland.

Vergleicht man die Entwicklung der Subventionen für die Top 10 Länder zwischen 2020, 2021 und 2022 fällt auf, dass die Zahlungen in den meisten Ländern relativ stabil blieben. Es sind keine starken Anstiege oder Einbrüche zu erkennen, was die langfrsitige Planungssicherheit widerspiegelt, die das GAP-System auch für die Landwirte bieten möchte. Trotz der allgemeinen Stabilität lassen sich bei differenzierter Betrachtung Unterschiede in der Entwicklung zwischen den Mitgliedstaaten erkennen: In den traditionellen westeuropäischen Ländern, insbesondere Frankreich und Deutschland, ist eine Stagnation bzw. leichte Rückwärtstendenz zu beobachten. Die Ursache hierfür ist vermutlich, dass die Ungleichgewichte innerhalb der EU schrittweise abgebaut werden sollen. Demnach sollen Länder die bereits in der Vergangenheit überdurchschnittlich hohe Zahlungen erhalten haben, stagnierende oder minimal sinkende Zahlungen hinnehmen. Im Gegensatz dazu verzeichnen Länder wie Polen, Rumänien oder Ungarn stabile und minimal steigende Subventionen. Diese Länder profitieren von der schrittweisen Anpassung und von den Mitteln aus der zweiten Säule, die in diesen Ländern stark gewichtet ist.

Am unteren Ende der Top-10-Länder befinden sich Länder wie Irland, Österreich, Griechland und Ungarn. Jedoch ist es überhaupt erstaunlich, dass diese Länder es in die Top 10, da sie flächenmäßíg deutlich kleiner als die anderen Länder in der Top 10 sind. Dass diese im Vergleich zu ihrer Landesgröße hohe Subventionen erhalten, liegt an unterschiedlichen Gründen. Betrachtet man beispielsweise Irland, ist zu erkennen, dasss sehr viel Weidewirtschaft betrieben wird, die stark subventioniert wird und eine hohe Exportquote aufweist. Griechenland hingegen profitiert eher von speziellen Stützungsmaßnahmen für ihre kleinteilige Struktur, sowie ihrer Mittelmeerkultur.

Diese Verteilung lässt sich durch mehrere Ursachen erklären: Die Pillar I - Subventionen sind größtenteils flächengebunden, weshalb vor allem flächenmäßig große Länder mit der größeren Agrarfläche mehr Geld bekommen. Zudem basiert das System noch auf Produktionsmengen der Vergangenheit. Dementsprechend sicherten sich Länder mit hoher Produktion große Subventionsbeträge. Die Verteilung wurde zwar zum Teil reformiert, jedoch lässt sich dieses Muster immer noch erkennen. Außerdem haben Länder wie Frankreich un Deutschland starke Tierhaltungs- und Ackerbausektoren, die stark subventioniert wurden. Spanien profitiert zudem von riesigen Flächen, die gefördert werden. Polen und Rumänien hingegen haben eine sehr hohe Anzahl an landwirtschaftlichen Betrieben, was sie insbesondere für Förderungen der ländlichen Entwicklung qualifiziert.

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 stellt die EU-Agrarsubventionen der EU-Mitgliedsstaaten im Zeitverlauf von 2010 bis 2022 dar. Die Farbskala reicht von hellgelb (niedrige Subventionen) bis Rot (hohe Subventionen). Betrachtet man die Daten vor 2014, so weist der Datensatz Auffälligkeiten auf, da scheinbar nur Spanien und einige östliche Eu-Länder sehr geringe Subventionen erhalten, wobei Polen den höchsten Betrag erhält. Ab 2014 stabilisiert sich das Bild und die reale Verteilung wird deutlich: Es erhalten nun alle EU-Mitgliedsstaaten Agrarsubventionen, jedoch in unterschiedlicher Höhe. Vor allem die baltischen Staaten und östlichen Länder wie Bulgarien oder Ungarn erhalten im Vergleich zu den großen westlichen Ländern wie Frankreich, Spanien, Italien und Deutschland wenige Subventionen. Eine Außnahme bildet Polen, da auch nach 2014 sehr hohe Subventionen fließen und auf Augenhöhe mit den westlichen Ländern liegt. Zudem erhalten auch die skandinavischen Länder Schweden und Finnland weniger Subventionen. Über die Zeit nehmen die Subventionen für Mitgliedsstaaten in Osteuropa und im Balkan leicht zu. Dieser Anstieg kann durch die schrittweise Angleichung der Direktzahlungen an das westliche Niveau erklärt werden, doch absolut gesehen bleiben die Summen im Vergleich klein. Grund dafür ist, dass der Großteil der Gelder (Pillar I) als flächengebundene Direktzahlungen ausgezahlt werden, weshalb Länder mit wenig landwirtschaftlicher Nutzfläche automatisch weniger Mittel erhalten. Bei den etablierten Empfängerländern wie Frankreich oder Deutschland hingegen stagnieren die Summen auf einem sehr hohen Niveau, ohne dass es zu den drastischen Einbrüchen kommt.

Einige europäische Länder wie Norwegen, die Schweiz oder auch das Vereinigte Königreich bleiben in der interaktiven Karte grau und erhalten keine Einfärbung. Dies liegt schlicht an der Datengrundlage: Der vorliegende Datensatz umfasst ausschließlich die aktuellen 27 EU-Mitgliedstaaten. Länder, die nicht Teil der EU sind, erhalten keine GAP-Subventionen und tauchen daher nicht auf. Dass auch das Vereinigte Königreich über den gesamten Zeitraum grau bleibt und keinen plötzlichen Farbverlust im Jahr 2020 zeigt, deutet darauf hin, dass der Datensatz bereits bereinigt wurde und das ausgetretene Königreich rückwirkend nicht mehr als aktiver Empfänger für diesen Vergleich gelistet wird.

Hohe Subventionen für einzelne Länder können sich auf den Wettbewerb innerhalb der EU und der Struktur der Landwirtschaft auswirken. Denn: Die riesigen Zahlungen an die einzelne Länder erhöhen stark den Kapitalstock. Frankreich, Deutschland und einige weitere Ländern erhalten jährlich hohe Milliardenbeträge, die den dortigen Agrarsektoren eine hohe Liquidität und Planungssicherheit verschaffen. Dies kann den Wettbewerb verzerren, da Betriebe in diesen Ländern über stärkere finanzielle Möglichkeiten für Investitionen in Technologie und Modernisierung verfügen als die Betriebe in Ländern mit geringem Budgets. Die Subventionspolitik sorgt so dafür, dass die bestehende Struktur weiterhin gefestigt wird: Die Produktion konzentriert sich weiterhin in den großen Flächenstaaten, während kleinere Länder kaum die finanzielle Kraft haben, durch Subventionen massiv aufzuholen und mit den starkt subventionierten Ländern mitzuhalten.

Wenn Länder mit starkt schwankenden Subventionen zu erkennen sind, lassen sich bestimmte Schlussfolgerungen ziehen. Es lassen sich vor allem Rückschlüsse auf politische Entscheidungen ziehen, da durch strukturelle Änderungen die Subventionen starkt beeinflusst werden können. Vor allem, wenn neue Länder der EU beitreten, werden diese erst schrittweise auf das volle Zahlungsniveau gehoben, weshalb die Zahlungen zu Beginn geringer ausfallen können als im späteren Verlauf. Auch der Übergang zwischen zwei Förderperioden mit unterschiedlichen Programmen oder Verteilungssystemen kann zu Schwankungen führen. Wirtschaftliche Krisen hingegen spielen eher eine unbedeutende Rolle bei der Erklärung für die Schwankungen. Denn die Direktzahlungen werden unabhängig von Krisen ausgezahlt, da sie als stabiles Grundeinkommen für die Betriebe dienen sollen. Deshalb führt beispielsweise eine Dürrephase nicht automatisch zu höheren Beträgen oder sichtbaren Veränderungen der Gesamtsubventionen. Ein weiterer Faktor für die Volatilität kann in der zweiten Säule (Pillar II) liegen. Da diese Mittel projektbezogen vergeben werden, können der Realisierungszeitpunkt und die Abrechnung von Großprojekten zu erheblichen jährlichen Schwankungen in den Zahlungsströmen führen.

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).

Vergleich Deutschland vs. Frankreich: Es lässt sich erkennen, dass Frankreich höhere Subventionssummen erhält als Deutschland. Diese Unterschiede lassen sich vor allem durch agrarische Strukturen und dem System der EU-Fördermaßnahmen erklären. Der wichtigste Faktor ist die landwirtschaftlich genutzte Fläche. Denn Frankreich verfügt über dei größte Agrarfläche in der EU. Da die Direktzahlungen von Pillar I flächenbezogen ausgezahlt werden, erhält Frankreich demnach automatisch die höchste Subventionssumme. Ein Vergleich rein absoluter Summen ist ökonomisch nicht sinnvoll. Für eine effektive Bewertung und Vergleich der Subventionen müsste man die Gelder auf “Euro pro Hektar” oder “Euro pro Arbeitskraft” normieren. Nur so ließe sich feststellen, ob ein französische Betriebe tatsächlich stärker subventioniert werden als deutsche. Wenn das Ziel der EU die Stärkung des ländlichen Raums oder Umweltschutz ist, ist die reine Flächenbindung (von der Frankreich profitiert) oft ineffizient, da Großbetriebe profitieren. Eine wirtschaftspolitisch gezieltere Steuerung würde bedeuten, Gelder stärker an konkrete Leistungen (wie Pillar II es macht) zu binden, statt pauschal Fläche zu entlohnen.

Vergleich von Länder mit stark schwankenden Subventionen über die Jahre: Während die großen, westlichen EU-Länder (wie Deutschland, Frankreich, …) eher stagnierende oder leicht sinkende Kurven aufweisen, zeigen neuere Mitgliedsstaaten (z.B. Polen, Rumänien, Bulgarien) oft einen Anstieg oder eine Anpassung nach oben über die Jahre. Zudem zeigen Länder, die einen prozentual höheren Anteil an Förderungen aus der zweiten Säule (Ländliche Entwicklung) erhalten, stärkere jährliche Schwankungen als Länder, die fast nur auf die stabilen Direktzahlungen der ersten Säule setzen. Länder, die der EU später beitraten (z.B. Kroatien 2013, aber auch noch Rumänien/Bulgarien), erhielten nicht sofort 100% der Direktzahlungen. Diese wurden über Jahre schrittweise angehoben (“Phasing-in”), was den stetigen Anstieg in den Kurven dieser Länder erklärt. Zudem spielt bei den Schwankungen wie bereits erwähnt Pillar II eine große Rolle, da diese projektbezogen ausgezahlt werden. Plötzliche Ausschläge in einzelnen Jahren können auch auf spezifische, einmalige Maßnahmen zurückzuführen sein. Beispiele sind Hilfspakete während der Milchkrise (2015/2016) oder Sonderzahlungen im Rahmen der COVID-19-Pandemie. Diese fallen unter “Market Measures” und sind nicht jedes Jahr gleich.