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-Agrasubventionen:

Das Gesamtbudget für die Gemeinsame Agrarpolitik (GAP) der EU in ganz Europa (Zeitraum 2021–2027) beträgt 386,6 Milliarden Euro. Es ist aufgeteilt in zwei Hauptfonds: den Europäischen Garantiefonds für Landwirtschaft (EAGF) mit 291,1 Mrd. € für Direktzahlungen und Marktmaßnahmen sowie den Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (EAFRD) mit 95,5 Mrd. € für die nachhaltige Entwicklung ländlicher Gebiete. Das entspricht für das Jahr 2024 ca. 56,2 Milliarden Euro

(Europäische Kommission. (2023). Financing the common agricultural policy (CAP) – CAP funds https://agriculture.ec.europa.eu/common-agricultural-policy/financing-cap/cap-funds_en?utm)

(Europäische Kommission. GAP-Ausgaben – Direktzahlungen und Subventionen https://agriculture.ec.europa.eu/data-and-analysis/financing/cap-expenditure_de)

Deutschland erhielt aus der Gemeinsamen Agrarpolitik (GAP) der EU im Jahr 2024 insgesamt 6.340 Mio. Euro. Davon entfallen 4.375 Mio. Euro auf Direktzahlungen, 1.843 Mio. Euro auf Mittel aus dem ELER (Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums) und 123 Mio. Euro auf sektorale Programme.

(Bundesministerium für Ernährung und Landwirtschaft. (o. J.). GAP-Dashboard: Der GAP-Strategieplan in Zahlen https://www.bmel.de/DE/themen/landwirtschaft/eu-agrarpolitik-und-foerderung/gap/gap-dashboard.html)

Wirtschaftliche Bedeutung (Bruttoinlandsprodukt - BIP):

In der Europäischen Union machte die Landwirtschaft, Forstwirtschaft und Fischerei im Jahr 2024 rund 1,3 % des BIP aus. In Deutschland lag der entsprechende Anteil im gleichen Jahr bei etwa 1,0 %

(Eurostat. (2025, 15. Mai). Performance of the agricultural sector. In Statistics Explained. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Extra-EU_trade_in_agricultural_goods)

(Statistisches Bundesamt (Destatis). Deutschland. In Europa (EU‑Staaten). https://www.destatis.de/Europa/DE/Staat/EU-Staaten/Deutschland.html)

Bedeutung für den Arbeitsmarkt: In der EU sind 2024 etwa 4,5 % aller Erwerbstätigen im Sektor Land‑, Forst- und Fischereisektor beschäftigt. In Deutschland liegt der Anteil im selben Jahr bei rund 1,2 %. Der Sektor hat somit in beiden Fällen nur einen kleinen Anteil an der Gesamtbeschäftigung.

(Eurostat. (2023, 10 Oktober). Which EU regions rely heavily on agriculture? https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20231011-1)

(Statistisches Bundesamt (Destatis). (2024). Anteil der Wirtschaftsbereiche an der Gesamtbeschäftigung in Deutschland 2024. https://de.statista.com/statistik/daten/studie/275637/umfrage/anteil-der-wirtschaftsbereiche-an-der-gesamtbeschaeftigung-in-deutschland/)

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.

Die europäische Agrarförderung basiert auf zwei Säulen mit unterschiedlichen Zielen und Finanzierungsquellen.

Der EGFL (Europäischer Garantiefonds für die Landwirtschaft) bildet die Erste Säule der GAP. Er finanziert Direktzahlungen an Landwirte, die primär deren Einkommen sichern sollen. Diese Zahlungen werden zu 100% von der EU getragen (MtrlegalWikipedia).

Der ELER (Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums) stellt die Zweite Säule dar. Er dient zur Förderung der ländlichen Entwicklung, des Umwelt- und Klimaschutzes sowie von Investitionen (Wikipedia).

Die Nationale Kofinanzierung ist die Pflichtbeteiligung von Bund und Ländern, die zur Aufstockung der ELER-Mittel nötig ist (Umweltbundesamt). Dies geschieht meist über die GAK (Gemeinschaftsaufgabe zur Verbesserung der Agrarstruktur und des Küstenschutzes), um regionale Schwerpunkte zu setzen (Thueringen).

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.

Für die Zusammenführung der Datensätze waldbraende_gesamt und waldbraende_information unter Verwendung der Schlüsselvariablen Region und Jahr bietet sich ein Left Join an. Ein Left Join stellt sicher, dass der resultierende Datensatz waldbraende alle Beobachtungen aus dem Hauptdatensatz enthält. Die Informationen aus waldbraende_information werden nur dann ergänzt, wenn für eine Kombination aus Region und Jahr ein passender Eintrag vorhanden ist. Fehlen solche passenden Informationen, bleiben die entsprechenden Felder als NA bestehen, ohne dass Einträge aus waldbraende_gesamt verloren gehen. Dies lässt sich direkt am verwendeten Befehl left_join() erkennen, der genau dieses Zusammenführungsverhalten beschreibt.

Konsistenzcheck

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

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

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

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

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

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

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

Vergleich der Förderbeträge nach Bundesländern (Jahre 2023–2024)
Bundesland Förderbetrag gesamt (EUR) Förderbetrag berechnet (EUR) Abweichung (EUR)
Bayern 1.421.232.143,28 1.286.813.513,31 134.418.629,97
Niedersachsen 966.029.777,93 939.273.699,46 26.756.078,47
Baden-Württemberg 683.387.553,64 613.812.855,35 69.574.698,29
Nordrhein-Westfalen 633.841.663,00 594.130.703,60 39.710.959,40
Sachsen-Anhalt 598.783.405,62 552.646.659,75 46.136.745,87
Mecklenburg-Vorpommern 598.510.099,22 569.968.478,81 28.541.620,41
Brandenburg 598.361.440,68 564.370.137,28 33.991.303,40
Sachsen 475.948.856,13 446.330.984,37 29.617.871,76
Thüringen 425.683.659,52 392.947.179,09 32.736.480,43
Schleswig-Holstein 399.565.446,12 370.230.128,07 29.335.318,05
Hessen 335.003.132,18 320.414.200,52 14.588.931,66
Rheinland-Pfalz 323.473.811,90 293.265.505,37 30.208.306,53
Saarland 34.714.770,29 31.218.491,49 3.496.278,80
Hamburg 7.399.231,34 7.230.227,20 169.004,14
Berlin 6.349.473,05 5.474.610,00 874.863,05
Bremen 4.865.093,43 4.399.512,97 465.580,46

Die Tabelle vergleicht die Gesamtförderbeträge (Förderbetrag_gesamt) mit den berechneten Förderbeträgen (Förderbetrag_berechnet) für verschiedene deutsche Bundesländer. Sie zeigt die absoluten Abweichungen zwischen diesen beiden Werten an. Die Daten sind nach Bundesländern aggregiert und enthalten Informationen über die Summen der Förderbeträge sowie die Differenzen zwischen den originalen und berechneten Werten. Die Tabelle dient dazu, mögliche Ungereimtheiten oder Unterschiede in den Daten aufzudecken und zu analysieren.

Die größten absoluten Abweichungen finden sich in Bayern (134,4 Mio. €), Baden-Württemberg (69,6 Mio. €), Sachsen-Anhalt (46,1 Mio. €), Nordrhein-Westfalen (39,7 Mio. €) und Brandenburg (34,0 Mio. €). In kleineren Bundesländern und Stadtstaaten wie Hamburg, Berlin und Bremen sind die absoluten Abweichungen deutlich geringer. Auffällig ist, dass die Differenzen nicht proportional zur Gesamtsumme der Fördermittel ausfallen, was auf unterschiedliche Förderstrategien und regionale Besonderheiten hinweist.

Die Abweichungen entstehen trotz offizieller Daten aus mehreren Gründen. Rundungs- oder Schätzfehler bei der Berechnung von Flächen, Tierbeständen oder Fördersätzen können bereits Differenzen verursachen. Zudem werden Förderbeträge regelmäßig angepasst, etwa durch nachträgliche Zahlungen, Korrekturen oder Rückforderungen. Regionale Zusatzförderungen, wie Zuschläge für Berggebiete, ökologischen Landbau oder bestimmte Tierhaltungsformen, werden im vereinfachten Berechnungsmodell nicht berücksichtigt. Auch unterschiedliche Verwaltungspraktiken und nationale Anpassungen können Abweichungen hervorrufen, obwohl die Grunddaten aus offiziellen EU-Quellen stammen. Die Höhe der Unterschiede lässt sich außerdem durch strukturelle Faktoren erklären. In bevölkerungsreichen und landwirtschaftlich starken Bundesländern wie Bayern und Baden-Württemberg gibt es mehr förderfähige Betriebe und größere landwirtschaftliche Flächen, wodurch absolute Abweichungen naturgemäß höher ausfallen. In kleineren Stadtstaaten sind die Fördermechanismen standardisiert, sodass die Differenzen hier minimal sind. Insgesamt zeigt die Analyse, dass die Abweichungen nicht auf fehlerhafte Daten zurückzuführen sind, sondern auf die Komplexität der Förderberechnung, regionale Zusatzzahlungen und strukturelle Unterschiede in der Landwirtschaft.

Deskriptive Analysen - Landwirtschaft im Spannungsfeld von Förderung und finanziellen Herausforderungen

  1. Zu Beginn sollen Sie sich einen ersten konkreten Überblick über die Empfängerstruktur verschaffen. Es ist wichtig zu verstehen, welche Art von Akteuren sich hinter diesen Zahlen verbergen. Ihre Aufgabe ist es, eine Tabelle mit ihrem Datensatz subventionen_gesamt zu erstellen, die die 6 Begünstigten mit den höchsten und die 6 Begünstigten mit den niedrigsten Gesamtfördersummen (Förderbetrag_gesamt) im Haushaltsjahr 2024 zeigt.

Die Tabelle soll folgende Informationen enthalten:

Beschreiben und interpretieren Sie anschließend die Tabelle. Gehen Sie dabei auf folgende Fragen ein:

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

Die vorliegende Tabelle listet zwölf Beobachtungen aus dem Datensatz subventionen_gesamt auf, die sich in die Gruppe der Top 6 Empfänger und die Niedrigste 6 Empfänger gliedern. Die Spalten umfassen den Begünstigten, die Gesamtfördersumme in Euro, die Postleitzahl, die Gemeinde und das Bundesland. Die Summen reichen von 37.149.868,42 € (Landesbetrieb für Hochwasserschutz u. Wasserwirtschaft) bis hin zu 25,48 € (Kleinempfänger). Die deskriptive Analyse zeigt eine extrem ungleiche Verteilung der Subventionsbeträge. Während die sechs größten Empfänger Beträge in Millionenhöhe erhalten, liegen die sechs kleinsten Empfänger im zweistelligen Euro-Bereich. Dies deutet auf eine extrem rechtsschiefe Verteilung der Gesamtdaten hin, bei der ein Großteil der Fördermittel an wenige, große Projekte oder Institutionen gebunden ist. Die größten Empfänger sind in der Regel staatliche oder staatlich nahestehende Institutionen, die große öffentliche Aufgaben wahrnehmen.

Beim Vergleich der Top sechs Empfänger mit den niedrigsten sechs Empfängern fällt sofort das enorme Gefälle in der Höhe der bezogenen Subventionen auf. Während die größten Empfänger Summen zwischen etwa 3,8 Millionen Euro und 37,1 Millionen Euro erhalten, liegen die Zahlungen an die kleinsten Empfänger lediglich zwischen rund 25 und 55 Euro. Dies bedeutet, dass zwischen den größten und den kleinsten Zahlungen ein Unterschied von weit über einer Million Prozent besteht. Die Gruppe der grössten Empfänger besteht ausschliesslich aus staatlichen oder staatlich eingebetteten Einrichtungen wie Landesbetrieben, Ministerien oder Landesforsten. Die kleinsten Zahlungen gehen dagegen an sogenannte Kleineempfänger, was auf Privatpersonen, kleine landwirtschaftliche Betriebe oder ähnliche Einzelantragsteller hinweist. Gleichzeitig zeigen sich regionale Unterschiede. Die grossen Empfänger stammen überwiegend aus ostdeutschen Ländern und Schleswig Holstein, während die kleinsten Empfänger hauptsächlich in Bayern und Sachsen ansässig sind. Dies deutet auf strukturell unterschiedliche Förderlandschaften und Verwaltungsstrukturen hin, die sich auch in der Verteilung der Zahlungen widerspiegeln.

Die Forstwirtschaft spielt unter den Subventionsempfängern eine klar erkennbare und bedeutende Rolle. Dies zeigt sich unter anderem daran, dass der Landesforst Mecklenburg Vorpommern zu den grössten Empfängern gehört und eine Fördersumme von fast vier Millionen Euro erhält. Darüber hinaus sind weitere grosse Empfänger eng mit forstlichen, umweltbezogenen oder ressourcenbezogenen Aufgaben befasst, etwa Landesämter oder Einrichtungen des Küsten und Hochwasserschutzes. Die hohen Zahlungen an diese Institutionen verdeutlichen, dass die Forstwirtschaft, vor allem in ihrer öffentlichen und staatlich organisierten Form, ein zentraler Bereich innerhalb der deutschen Agrar und Umweltpolitik ist. Klimabedingte Herausforderungen wie Waldbrände oder Schädlingsbefall erhöhen die Notwendigkeit staatlicher Unterstützung zusätzlich, was sich in der Intensität der Fördermittel widerspiegelt. Insgesamt zeigt die Tabelle sehr deutlich, dass die Subventionen zwar an eine breite gesellschaftliche Basis ausgezahlt werden, die grössten Fördermittel jedoch gezielt an staatliche Akteure vergeben werden, die für langfristige Infrastruktur, Naturschutz und Forstaufgaben verantwortlich sind.

  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
Variable Anzahl (N) Mittelwert (€) Std. Abw. (€) Median (€) Min (€) Max (€)
EGFL_Förderbetrag 288334 18.075,44 51.772,29 7.256,10 0,00 6.345.377,2
ELER_Förderbetrag 288334 5.818,06 87.094,53 560,53 -839,89 28.223.328,7
Nationale_Kofinanzierung 288334 357,98 2.362,96 0,00 0,00 644.950,7
Förderbetrag_gesamt 288334 26.057,11 132.233,18 10.011,80 0,07 37.149.868,4
Förderbetrag_berechnet 288334 24.251,48 104.736,93 9.515,18 0,00 28.223.328,7

Die Tabelle zeigt deskriptive Kennzahlen der Subventionsbeträge. Auf der X-Achse sind die Förderarten EGFL-Förderbetrag, ELER-Förderbetrag, Nationale Kofinanzierung, Förderbetrag_gesamt und Förderbetrag_berechnet aufgetragen, auf der Y-Achse die Beträge in Euro. Für jede Variable werden Anzahl der Beobachtungen, Mittelwert, Standardabweichung, Median sowie Minimal- und Maximalwert dargestellt, sodass zentrale Tendenz, Streuung und Extremwerte sichtbar werden.

Die Daten zeigen, dass die Mehrheit der Empfänger nur kleine oder mittlere Beträge erhält, während wenige extreme Einzelsubventionen – sogenannte Ausreißer, bis zu 37 Millionen Euro – den Mittelwert stark nach oben ziehen. Die sehr hohe Standardabweichung bestätigt diese starke Streuung. Beim ELER-Fonds ist die rechtssteile Verteilung besonders ausgeprägt, und der negative Minimalwert deutet auf Rückzahlungen hin. Im Vergleich dazu zeigt die Nationale Kofinanzierung viele Nullwerte, was der Median von 0 € verdeutlicht. Auch beim Förderbetrag_gesamt und dem berechneten Förderbetrag ist die Verteilung stark verzerrt, wobei der Median die typische Subventionshöhe besser abbildet.

Insgesamt verdeutlicht die Analyse die ungleiche Verteilung der Fördergelder. Die Unterschiede zwischen den Förderarten werden sichtbar: ELER zeigt die größte Ungleichheit, die Nationale Kofinanzierung ist oft nicht vorhanden, und wenige Ausreißer beeinflussen die Mittelwerte. Diese vergleichende Betrachtung unterstreicht, dass der Mittelwert kein repräsentatives Maß für typische Förderbeträge ist, während der Median ein realistischeres Bild vermittelt.

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

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

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

Die Grafik stellt für das Haushaltsjahr 2023 die prozentuale Zusammensetzung der Agrarförderung in den deutschen Bundesländern dar. Für jedes Bundesland wird gezeigt, wie sich die gesamte Fördersumme in die Anteile des EGFL, des ELER, der nationalen Kofinanzierung sowie der sonstigen nationalen Mittel aufteilt. Die Werte wurden zuvor auf Landesebene zusammengefasst, sodass jeder Balken die vollständige Förderstruktur eines Bundeslandes widerspiegelt. Die Balken sind so angeordnet, dass Länder mit einem hohen EGFL Anteil weiter oben erscheinen, während Regionen mit stärkerer Ausrichtung auf ELER Programme und nationale Mittel weiter unten stehen.

Beim Vergleich der Bundesländer wird deutlich, dass sich die Zusammensetzung der Agrarfördergelder erheblich unterscheidet. Hamburg weist nahezu ausschließlich Mittel des EGFL auf, da dort kaum ländliche Räume vorhanden sind. Länder wie Niedersachsen und Schleswig Holstein erhalten ebenfalls hohe EGFL Anteile, was mit größeren und intensiver wirtschaftenden Betrieben zusammenhängt. In ostdeutschen Ländern wie Brandenburg, Sachsen Anhalt und Sachsen tritt dagegen der ELER stärker in den Vordergrund, ergänzt durch hohe Anteile der nationalen Kofinanzierung. Bayern fällt zusätzlich durch einen erhöhten Anteil sonstiger nationaler Mittel auf, was auf zusätzliche Landesprogramme hinweist.

Die beobachteten Unterschiede lassen sich durch strukturelle und geografische Eigenschaften der Bundesländer erklären. Stadtstaaten verfügen kaum über landwirtschaftliche Flächen und setzen daher nur sehr eingeschränkt Maßnahmen der ländlichen Entwicklung ein. Regionen mit großen Agrar und Waldflächen, etwa in Ostdeutschland, benötigen dagegen stärker Mittel für Entwicklungs und Umweltmaßnahmen. Süddeutsche Länder mit klein strukturierten Betrieben legen mehr Gewicht auf Programme zur Landschaftspflege und regionalen Entwicklung, was ihre höheren ELER Anteile verständlich macht.

Die Zusammensetzung der Förderarten weist auf unterschiedliche politische Prioritäten hin. Hohe EGFL Anteile spiegeln eine stärkere Orientierung an der Einkommenssicherung der Betriebe wider, wie sie etwa in Hamburg oder Teilen Norddeutschlands erkennbar ist. Ein höherer ELER Anteil deutet auf langfristige Entwicklungsziele hin, etwa den Ausbau ländlicher Räume oder Maßnahmen für Klima und Naturschutz. Besonders Länder mit großen Waldflächen investieren verstärkt in solche Programme, was angesichts steigender klimabedingter Risiken wie Waldbränden eine zunehmende ökonomische Bedeutung erhält.

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).

Vergleich Gesamtfördersummen von 2023-2024 nach Bundesland
Bundesland Gesamtfördersumme 2023 (Mio. €) Gesamtfördersumme 2024 (Mio. €) Absolute Veränderung (Mio. €) Relative Veränderung (%)
Bayern 814,11 607,12 -206,99 -25,4
Niedersachsen 577,14 388,89 -188,25 -32,6
Sachsen-Anhalt 351,54 247,24 -104,30 -29,7
Mecklenburg-Vorpommern 344,70 253,81 -90,89 -26,4
Brandenburg 343,29 255,08 -88,21 -25,7
Sachsen 280,39 195,56 -84,83 -30,3
Nordrhein-Westfalen 356,61 277,23 -79,38 -22,3
Schleswig-Holstein 227,04 172,53 -54,51 -24,0
Baden-Württemberg 368,65 314,74 -53,91 -14,6
Rheinland-Pfalz 186,46 137,01 -49,45 -26,5
Thüringen 227,59 198,09 -29,50 -13,0
Hessen 181,51 153,49 -28,02 -15,4
Berlin 3,76 2,59 -1,18 -31,3
Hamburg 3,96 3,44 -0,52 -13,1
Bremen 2,61 2,26 -0,35 -13,4
Saarland 17,38 17,33 -0,05 -0,3

Die vorliegende Tabelle zeigt die Gesamtfördersummen der Jahre 2023 und 2024 für alle Bundesländer. In den Zeilen sind die Bundesländer aufgeführt, während die Spalten die Fördersummen für 2023 und 2024, die absolute Veränderung in Millionen Euro sowie die relative Veränderung in Prozent enthalten. Damit lässt sich für jedes Bundesland sowohl die Höhe der Fördermittel als auch die Veränderungen zwischen den Jahren direkt ablesen und vergleichen.

Die Analyse der Daten zeigt, dass die Fördermittel im Jahr 2024 in allen Bundesländern zurückgegangen sind; es gab also keine Zuwächse. Die höchsten absoluten Rückgänge verzeichnen Bayern (−207 Mio. €) und Niedersachsen (−188 Mio. €). Prozentual am stärksten betroffen sind Niedersachsen, Berlin und Sachsen mit Rückgängen von über 30 Prozent, während das Saarland nahezu unverändert bleibt (−0,3 %). Diese Beobachtungen verdeutlichen, dass hohe absolute Verluste nicht zwangsläufig mit hohen prozentualen Einbußen zusammenfallen. Insgesamt zeigt sich damit ein klarer bundesweiter Trend fallender Fördermittel, der jedoch regional unterschiedlich stark ausgeprägt ist.

Die Ursachen für die Rückgänge liegen primär in der Reform der Gemeinsamen Agrarpolitik (GAP) zu Beginn der Förderperiode 2023–2027. Mittel aus der 1. Säule (Direktzahlungen) wurden zugunsten der 2. Säule (ELER, Ländliche Entwicklung) verschoben, um die Förderung ökologischer und leistungsorientierter Maßnahmen zu stärken. Diese Umschichtung reduzierte die leicht verfügbaren Basisprämien sofort, während die Auszahlung komplexerer Programme wie Agrar-Umwelt- und Klimamaßnahmen (AUKM) und neuer Öko-Regelungen verzögert erfolgte.

Zusätzlich wirkten administrative Faktoren: Anpassungen der IT-Systeme, Fachpersonalmangel und erhöhte Prüfanforderungen führten zu verzögerten Bewilligungen. Statistische Effekte, insbesondere die N+2-Regel, verstärkten den Rückgang, da Restmittel und Nachzahlungen aus der vorherigen Förderperiode bis Ende 2023 ausgezahlt wurden.

Regionale Unterschiede lassen sich durch die Agrarstruktur erklären: In Niedersachsen wirken Verzögerungen großer ELER- und AUKM-Programme stark auf die Gesamtsumme, während in Berlin Verzögerungen kleiner Programme bei geringer Ausgangsbasis zu überproportionalen prozentualen Einbußen führen. Im Saarland wirken sich die Änderungen aufgrund des geringen Fördervolumens und der einfacheren Programmstruktur kaum aus.

Insgesamt zeigt die Tabelle, dass die Fördermittel 2024 bundesweit gesunken sind, wobei die Höhe der Rückgänge sowohl von der Ausgangssumme als auch von der regionalen Struktur und Komplexität der Programme abhängt.

Europäische Kommission (2023): The new Common Agricultural Policy 2023–2027.
https://agriculture.ec.europa.eu/cap-overview/cap-2023-27_en

Council of the European Union (2023): CAP Funding Rules 2023–2027.
https://www.consilium.europa.eu/en/policies/cap-funding-rules-2023-2027/

Europäische Kommission (2024): N+2 Rule for EU Funding Programmes.
https://ec.europa.eu/regional_policy/policy/what/glossary/nplus2_en

Nachdem Sie die Verteilung und Entwicklung der Agrarförderungen analysiert haben, sollen Sie diese nun in den breiteren ökonomischen Kontext einbetten. Staatliche Subventionen sichern Einkommen und stabilisieren Betriebe, stehen jedoch einer Reihe von ökonomischen Risiken und Kostenfaktoren gegenüber - etwa volatile Marktpreise, steigende Produktionskosten oder strukturelle Anpassungslasten. Diese Aufgabe soll die Brücke schlagen zwischen der reinen Subventionsanalyse und der nachfolgenden, vertieften Untersuchung von wirtschaftlichen Belastungen und Risikofaktoren im Sektor.

  1. Lesen Sie den Artikel Landwirte haben Riesenschäden durch extreme Wettereignisse aus dem Wochenblatt für Landwirtschaft & Landleben. Stellen Sie in einer ersten Beschreibung die im Artikel genannten jährlichen Durchschnittsschadenssummen durch Extremwetterereignisse den berechneten Subventionen ihrer Analyse gegenüber. Beantworten Sie auf Basis Ihrer bisherigen Analyse und den Erkenntnissen aus dem Artikel die folgenden Fragen:

Der Artikel nennt für Deutschland seit dem Jahr 2000 klimabedingte Schäden von rund 145 Milliarden Euro, was einem jährlichen Durchschnitt von 6,6 Milliarden Euro entspricht. Diese Summe liegt nahezu auf dem gleichen Niveau wie die jährlich an Deutschland ausgezahlten Agrarsubventionen von etwa 6,34 Milliarden Euro. Dadurch wird deutlich, dass die langfristigen Klimaschäden in einer ähnlichen Größenordnung liegen wie die staatliche Förderung des Agrarsektors. In besonders extremen Jahren, etwa 2018 und 2019, übersteigen die Schäden in der Land- und Forstwirtschaft jedoch deutlich das Niveau der jährlichen Subventionen.

Da sich die Subventionshöhe und die durchschnittlichen jährlichen Klimaschäden fast entsprechen, können die Agrarsubventionen als eine Art staatliche Risikoprämie interpretiert werden. Besonders die Direktzahlungen stabilisieren die Einkommen der Betriebe in Jahren mit erheblichen Ernteverlusten und übernehmen damit eine Funktion, die private Versicherungen aufgrund der systemischen Wetterrisiken kaum anbieten können. Die Förderung wirkt somit wie ein kollektiv finanziertes Sicherheitsnetz, das klimabedingte Ertragsschwankungen abfedert und die wirtschaftliche Stabilität der Landwirtschaft erhält.

Eine Politik, die vor allem auf die nachträgliche Kompensation von Schäden setzt, ist langfristig weniger effizient, weil sie das Risiko nicht verringert. Wenn Schäden immer wieder ausgeglichen werden, fehlen Anreize für Betriebe, eigene Maßnahmen zur Risikominderung umzusetzen. Dadurch bleiben die jährlichen Belastungen hoch und führen zu dauerhaft steigenden Staatsausgaben. Präventive Maßnahmen wie klimaresistente Sorten, Bewässerungssysteme oder verbesserte Wasserspeicherung reduzieren hingegen die künftigen Schäden und stärken die Widerstandskraft der Betriebe. Damit sinken langfristig auch die öffentlichen Kosten.

Ansatz A, also eine Erhöhung der Direktzahlungen, hat den Vorteil, dass Betriebe nach Ernteausfällen schnell finanzielle Unterstützung erhalten. Das sichert ihre Liquidität und hilft vor allem in akuten Krisenjahren. Allerdings vermindert dieser Ansatz die Risiken nicht dauerhaft und ermöglicht keine strukturellen Verbesserungen, sodass hohe Kosten über viele Jahre bestehen bleiben.

Ansatz B, der mehr Mittel in projektbezogene Investitionen zur Klimaanpassung lenkt, hat den Vorteil, dass er die Landwirtschaft langfristig widerstandsfähiger macht. Durch gezielte Investitionen sinken zukünftige Schäden und damit auch die Abhängigkeit von Kompensationen. Der Nachteil besteht darin, dass solche Maßnahmen höhere Anfangsinvestitionen erfordern und ihre positiven Effekte erst mit der Zeit sichtbar werden.

Deskriptive Analysen - Waldbrände als ökonomisches Risiko

Wie die bisherigen Analysen gezeigt haben, fließen erhebliche Fördermittel in die Land- und Forstwirtschaft. Um die wirtschaftliche Gesamtbilanz einordnen zu können, ist es wichtig, diesen Subventionen auch tatsächlich entstehende Kosten gegenüberzustellen.

Sie konzentrieren sich nun dabei auf Waldbrände als spezifisches Teilsegment der Forstwirtschaft. Waldbrände machen zwar nur einen kleinen Teil der gesamten Schäden im Sektor aus, bieten jedoch einen entscheidenden Vorteil: Die ökonomischen Folgen sind hier besonders gut quantifizierbar. Im Gegensatz zu Ertragsausfällen der Ernte (durch Sturm oder Ernteeinbußen durch Trockenheit) lassen sich Holzverluste, Löschkosten und Wiederaufforstungsmaßnahmen präzise beziffern. Zudem ermöglichen die verfügbaren Daten eine detaillierte Analyse nach Ursachen, Flächen und regionalen Mustern.

Diese Datentransparenz macht Waldbrände zu einem passenden Fallbeispiel, um exemplarisch zu zeigen, wie sich sektorale Belastungen entwickeln, auch im Kontext von Trockenheit und Hitzeperioden, und wie sie sich zu staatlichen Förderungen verhalten. Die nachfolgende Analyse liefert somit einen ersten konkreten Eindruck von der Größenordnung spezifischer Risiken in der Forstwirtschaft.

  1. Schauen Sie sich in einem ersten Schritt an, wie viele Waldbrände (Gesamt) es in Deutschland in den Jahren von 2018 bis 2024 gab. Ihre Aufgabe ist es, eine deskriptive Tabelle zu erstellen, die die wichtigsten jährlichen Kennzahlen zum Waldbrandgeschehen in Deutschland zusammenfasst.

Filtern Sie Ihren Datensatz waldbraende für die Region “Deutschland”. Achten Sie darauf, dass die Werte genutzt werden, welche bereits auf Jahresebene aggregiert sind. Stellen Sie in der Tabelle die jährliche Gesamtsumme der verbrannten Fläche (ha), die Anzahl der Brandfälle, die wirtschaftlichen Verluste und die entstandenen Schäden dar.

Markieren Sie in Ihrer Tabelle die Jahre, in denen die Schadenssumme 1,5 Million Euro überstiegen hat, farblich, um Extremjahre kenntlich zu machen.

Beschreiben und interpretieren Sie ihre Tabelle. Betrachten Sie dabei insbesondere folgende Fragen:

Hinweis: Um die Größenordnung der verbrannten Waldfläche einordnen zu können, können Sie sich auf folgenden Artikel beziehen.

Waldbrände in Deutschland (2018–2024)
Jahr Anzahl Brandfälle Verbrannte Fläche (ha) Wirtschaftliche Verluste (€) Entstandene Schäden (€)
2018 1.708 2.349 2.144.430 2.670.000
2019 1.523 2.711 1.662.950 2.220.000
2020 1.360 368 1.595.800 2.190.000
2021 548 148 659.240 670.000
2022 2.397 3.058 4.851.380 5.140.000
2023 1.059 1.240 957.330 1.190.000
2024 563 334 680.250 680.000

Die Tabelle „Waldbrände in Deutschland (2018–2024)“ enthält Jahresdaten zu Waldbränden über den Zeitraum 2018-2024. Für jedes Jahr werden vier Kategorien angegeben: die Anzahl der Brandfälle, die verbrannte Fläche in Hektar, die wirtschaftlichen Verluste sowie die entstandenen Schäden in Euro. Jede Zeile steht dabei für ein Jahr und fasst diese Werte übersichtlich zusammen.

Die Analyse der Waldbranddaten für Deutschland von 2018 bis 2024 zeigt deutliche Ausschläge in einzelnen Extremjahren. Besonders 2018, 2019 und 2022 ragen sowohl hinsichtlich der verbrannten Flächen, als auch der wirtschaftlichen Verluste heraus. Mit über 3.000 Hektar verbrannter Fläche und Schäden von mehr als 5 Millionen Euro markiert 2022 den Höhepunkt des Beobachtungszeitraums. Diese Jahre deuten auf wenige, aber großflächige Brände hin, da die Anzahl der Brandfälle im Verhältnis zur verbrannten Fläche relativ niedrig ist, wodurch einzelne Brände besonders stark zur Gesamtfläche und zu den Schäden beitragen. In Jahren wie 2021 oder 2024, in denen die verbrannte Fläche deutlich geringer bleibt, spricht das dagegen für ein Muster vieler kleinerer Brände, die frühzeitig entdeckt und begrenzt werden konnten.

Ein langfristiger Trend steigender ökonomischer Schäden lässt sich aus den Daten nicht ableiten. Stattdessen zeigen sich stark schwankende Werte, die vor allem von einzelnen Extremjahren dominiert werden. Die Schäden wachsen also nicht kontinuierlich, sondern treten sprunghaft auf.

Stellt man diese Verluste den jährlichen deutschen Agrarsubventionen von etwa 6,34 Milliarden Euro gegenüber, wird die wirtschaftliche Einordnung deutlich: Selbst das Extremjahr 2022 erreicht nur rund 0,08 Prozent dieser Summe. In durchschnittlichen Jahren liegen die Schäden sogar weit darunter. Damit zeigt sich, dass Waldbrände zwar regional erhebliche Auswirkungen haben können, gesamtwirtschaftlich jedoch vergleichsweise geringe Belastungen darstellen. Die hohen Subventionen fungieren somit als stabilisierendes Sicherheitssystem, das klimabedingte Risiken weit über den konkreten Waldbrandverlusten abfedert.

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 vorliegende Abbildung veranschaulicht die zeitliche Entwicklung der prozentualen Verteilung von Waldbränden in Deutschland zwischen 2018 und 2024, wobei die Verteilung nach der Eigentumsform des betroffenen Waldes (Privatwald, Körperschaftswald, Landeswald, Bundeswald) getrennt nach der Anzahl der Brandfälle (linkes Diagramm) und der verbrannten Fläche in Hektar (ha) (rechtes Diagramm) dargestellt wird.

In beiden Diagrammen zeigt sich, dass der Privatwald über den gesamten Zeitraum hinweg mit Abstand am häufigsten von Waldbränden betroffen ist. Bei der Anzahl der Brandfälle liegt sein Anteil in jedem Jahr zwischen etwa 55 Prozent und 65 Prozent und damit deutlich über allen anderen Eigentumsformen. Auch bei der verbrannten Fläche dominiert der Privatwald, obwohl es in einzelnen Jahren, insbesondere zwischen 2019 und 2021, zu Ausreißern kommt, in denen der Körperschaftswald oder der Landeswald größere Flächenanteile aufweisen. Ein signifikanter Trendwechsel lässt sich jedoch nicht erkennen. Der Privatwald bleibt sowohl in Bezug auf die Fallzahlen als auch auf die betroffene Fläche langfristig die am stärksten betroffene Kategorie.

Der Vergleich der beiden Diagramme zeigt, dass der Privatwald zwar die meisten Brände verzeichnet, der zugehörige Flächenanteil jedoch im Verhältnis weniger stark ausgeprägt ist. Dies deutet darauf hin, dass im Privatwald vor allem viele kleinere oder mittelgroße Brände auftreten. Im Gegensatz dazu weisen Körperschafts- und Landeswald in manchen Jahren deutlich höhere Flächenanteile auf, obwohl die Anzahl der Brandfälle dort geringer ist. Das spricht für einzelne, aber dafür sehr große Brände. Der Bundeswald spielt in beiden Diagrammen nur eine marginale Rolle und zeigt weder viele kleine noch wenige sehr große Brände.

Aus ökonomischer Sicht ergeben sich unterschiedliche Belastungsprofile für die Eigentumsformen. Da im Privatwald viele, wiederkehrende Brände auftreten, entstehen hier hohe kumulierte Kosten für Prävention, Waldpflege und Wiederaufforstung. Besonders kleinere Waldbesitzer verfügen oft nicht über ausreichende finanzielle Mittel, sodass staatliche Unterstützung in Form von Präventionsförderung, Beratung oder Hilfsprogrammen hier besonders notwendig erscheint. Körperschafts- und Landeswald sind hingegen vor allem durch wenige, aber großflächige Brände belastet, die erhebliche Einzelschäden verursachen und langfristige ökologische und wirtschaftliche Folgekosten nach sich ziehen. Für diese Bereiche sind Investitionen in großräumiges Risikomanagement, regionale Löschinfrastruktur und Monitoring besonders sinnvoll. Der Bundeswald weist nur geringe Brandbelastung auf, sodass der unmittelbare Unterstützungsbedarf im Vergleich deutlich geringer ausfällt.

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

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

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

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

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

Die beiden dargestellten Diagramme geben einen umfassenden Überblick über die Entwicklung der Waldbrände in Deutschland zwischen 2018 und 2024. Das erste Diagramm zeigt die Anzahl der Waldbrände nach Ursachen, während das zweite Diagramm die verbrannte Waldfläche in Hektar darstellt. Insgesamt wird deutlich, dass sich über den gesamten Zeitraum hinweg die Kategorie „Unbekannte Ursachen“ sowohl bei der Anzahl der Brände als auch bei der verbrannten Fläche als dominierende Ursache heraushebt. Besonders in den Jahren 2018, 2019 und 2022 erreichen unbekannte Ursachen die höchsten Werte, was darauf hindeutet, dass ein beträchtlicher Teil der Waldbrände nicht eindeutig zugeordnet werden kann. Dies erschwert gezielte Präventionsmaßnahmen erheblich und stellt ein zentrales strukturelles Problem in der Waldbrandstatistik dar. Auffällig ist zudem das Jahr 2022, in dem fast alle Ursachenkategorien einen deutlichen Anstieg verzeichnen. Der starke Ausschlag in diesem Jahr sowohl hinsichtlich der Brandanzahl als auch der verbrannten Fläche weist auf besondere klimatische Bedingungen hin, etwa extreme Trockenperioden oder unübliche Hitzephasen, die das Risiko für Brandausbreitung und Brandintensität erheblich erhöht haben könnten.

Bei der Betrachtung der zeitlichen Entwicklung verschiedener Brandursachen zeigt sich, dass fahrlässige Brände über die Jahre hinweg leicht rückläufig wirken, in einzelnen Jahren jedoch insbesondere 2022 deutlich ansteigen. Ähnliches gilt für vorsätzliche Brände, die insgesamt relativ stabil bleiben, aber ebenfalls im Jahr 2022 ein ungewöhnliches Hoch aufweisen. Natürliche Ursachen spielen im Vergleich eine eher geringe Rolle und bleiben auf einem konstant niedrigen Niveau, was darauf hindeutet, dass klimainduzierte natürliche Brände wie zum Beispiel durch Blitzeinschläge im dargestellten Zeitraum keine merkliche Zunahme zeigen. Damit widerspricht die gezeigte Datenlage teilweise dem öffentlichen Diskurs, in dem häufig eine Zunahme von Naturbränden durch den Klimawandel vermutet wird. Gleichzeitig verdeutlichen die starken Schwankungen insbesondere der deutliche Anstieg im Jahr 2022, wie stark extreme Wetterereignisse die Waldbrandlage beeinflussen können.

Aus ökonomischer und politischer Sicht haben die dargestellten Entwicklungen erhebliche Implikationen. Die hohe und zugleich schwankende Zahl an Bränden unbekannter Ursache erschwert die zielgerichtete Planung und Ausrichtung staatlicher Präventionsmaßnahmen, da unklar bleibt, welche Faktoren tatsächlich am stärksten adressiert werden müssten. Der deutliche Anstieg im Jahr 2022 zeigt, wie kostspielig Jahre mit extremen Bedingungen sein können, da nicht nur große Waldflächen zerstört werden, sondern auch hohe Kosten für Löscharbeiten und Wiederaufforstung entstehen. Für Politik und Verwaltung ergibt sich daraus die Notwendigkeit, Förderinstrumente im Agrar und Forstbereich stärker an klimatische Risiken anzupassen und Maßnahmen zur Erhöhung der Widerstandsfähigkeit der Wälder zu unterstützen. Dazu gehören Investitionen in moderne Systeme zur Waldbrandfrüherkennung, der Ausbau klimaangepasster Waldstrukturen sowie die stärkere Berücksichtigung des Waldbrandschutzes in bestehenden Agrarförderprogrammen. Langfristig kann eine Verbesserung der Datenerfassung und Ursachenbestimmung dazu beitragen, Maßnahmen zur Brandprävention effizienter zu gestalten und wirtschaftliche Schäden besser zu bewerten.

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

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

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

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

Die beiden Punktdiagramme zeigen für alle Bundesländer und Jahre den Zusammenhang zwischen Präventionsausgaben und wirtschaftlichen Verlusten durch Waldbrände. Auf der x-Achse stehen im linken Diagramm die Forstverwaltungskosten, im rechten die sonstigen Kontrollkosten (jeweils in Tausend Euro), während auf der y-Achse die logarithmierten wirtschaftlichen Verluste dargestellt sind. Die Logarithmierung reduziert die extreme Spannweite der Schadenssummen und macht Unterschiede zwischen den Jahren und Bundesländern besser sichtbar. Die farbliche Kodierung der Punkte repräsentiert die Bundesländer; die nebeneinander angeordneten Grafiken erleichtern den direkten Vergleich der beiden Ausgabenkategorien.

Die Betrachtung der beiden Streudiagramme, die jeweils die logarithmierten wirtschaftlichen Verluste gegen die Forstverwaltungskosten (Präventionsausgaben) und die sonstigen Kontrollkosten auftragen, offenbart einen sehr schwachen oder fehlenden linearen Zusammenhang. Im linken Diagramm sind die Forstverwaltungskosten über einen weiten Bereich von 0 bis über 2.000 Tausend Euro verteilt. Die dazugehörigen Verlustwerte streuen jedoch weitgehend konstant, ohne dass hohe Ausgaben tendenziell niedrigere Verluste nach sich ziehen würden. Es sind sowohl hohe als auch niedrige Verluste bei hohen Verwaltungskosten zu beobachten. Ähnliches gilt für das rechte Diagramm: Die sonstigen Kontrollkosten sind zwar insgesamt niedriger, zeigen aber ebenfalls keinen erkennbaren negativen Korrelationstrend mit den wirtschaftlichen Verlusten. Die Verteilung der Datenpunkte deutet darauf hin, dass die Höhe der jährlichen Ausgaben in einem Bundesland die Höhe des jährlichen Schadens nur unwesentlich oder gar nicht erklärt.

Nein, die Grafiken stützen diese intuitive Hypothese auf den ersten Blick nicht. Die Erwartungshaltung, dass eine steigende Investition in Prävention zu einer Abnahme der negativen Folgen führt, impliziert eine negative Korrelation. Wäre diese Hypothese bestätigt, müssten die Punkte von links unten nach rechts oben eine deutliche Abnahme zeigen. Da die Datenpunkte jedoch in beiden Diagrammen weitgehend ungeordnet oder als dicker Cluster verteilt sind, kann kein direkter positiver Effekt der Präventions- und Kontrollausgaben auf die kurzfristige Schadensreduzierung abgelesen werden.

Die Anwendung einer logarithmischen Skala für die wirtschaftlichen Verluste auf der y-Achse ist methodisch sinnvoll, da ökonomische Schadensdaten in der Praxis häufig eine rechtsschiefe Verteilung aufweisen. Das bedeutet, es gibt viele Beobachtungen mit geringen bis moderaten Schäden und nur wenige, aber extrem hohe Schadensereignisse (sogenannte Ausreißer, beispielsweise verursacht durch schwere Stürme oder massive Schädlingsbefälle). Eine lineare Skala würde durch diese Ausreißer stark gestreckt, was die Darstellung und statistische Analyse der Mehrheit der kleineren bis mittleren Verluste erschweren würde. Die Logarithmierung staucht die extrem großen Werte und entfernt die Streuung von Null bei den kleineren Werten, was zu einer homogeneren Verteilung führt. Dies verbessert die Übersichtlichkeit der Daten und ist eine notwendige Voraussetzung für viele statistische Modelle, die eine gleichmäßigere Verteilung oder normalverteilte Fehlerterme annehmen.

Die jährlichen Präventionskosten eines einzelnen Bundeslandes, welche im Streudiagramm durch die Forstverwaltungskosten repräsentiert werden (maximal etwa 3 Millionen Euro), stehen in einem bemerkenswerten Verhältnis zu den gesamten nationalen wirtschaftlichen Verlusten durch Waldbrände (Aufgabe 11, maximal etwa 5 Millionen Euro im Jahr 2022). Es fällt auf, dass diese lokalen Präventionsausgaben von ähnlicher finanzieller Größenordnung sind wie die gesamten nationalen Waldbrandschäden. Diese Beobachtung deutet darauf hin, dass die getroffenen Brandschutzmaßnahmen finanziell gewichtet sind und möglicherweise effektiv dazu beitragen, diesen spezifischen Schaden auf einem relativ niedrigen Niveau zu halten. Allerdings werden diese Kosten und Verluste in Relation zu den tatsächlichen Gesamtschäden der Forstwirtschaft gesehen, die deutlich höher sind. In diesem Gesamtkontext sind die lokalen Präventionsbudgets minimal, was erklärt, warum sie keine klare Korrelation zur allgemeinen Schadensminderung zeigen.

Die fehlende Proportionalität zwischen hohen Präventions- und Kontrollkosten und der Reduktion von Schäden in der Forstwirtschaft lässt sich primär durch vier überlagernde Faktoren erklären: Der wichtigste Grund ist die Dominanz unkontrollierbarer, externer Faktoren. Gesamtwirtschaftliche Verluste werden maßgeblich durch makro-klimatische Schocks verursacht. Die begrenzten jährlichen Budgets können diese großen, überregionalen Schocks nur marginal abfedern. Hohe Schäden entstehen somit oft unabhängig von den lokalen Präventionsausgaben. Effektive Präventionsmaßnahmen, wie der Umbau von anfälligen Monokulturen zu klimaresilienten Mischwäldern, sind langfristiger Natur. Die Kosten fallen sofort an, aber die schadensmindernde Wirkung zeigt sich erst nach vielen Jahren oder Jahrzehnten. Eine kurzfristige Betrachtung der jährlichen Ausgaben und Schäden verzerrt daher das wahre Bild der langfristigen Effizienz. Hohe Kontrollkosten sind oft ein Indikator für bereits hohe latente Gefahren. Steigt das Risiko, erhöhen sich die Ausgaben für reaktive Notmaßnahmen, Überwachung und Aufarbeitung. Diese Kosten sind eine Folge des drohenden Schadens, nicht ein Mittel, ihn präventiv verhindert zu haben. Hohe Kosten und hohe Verluste können daher gleichzeitig auftreten.

Die Daten legen den Schluss nahe, dass die kurzfristige Effizienz der derzeitigen Präventions- und Kontrollausgaben zur direkten Schadensminderung niedrig ist. Die Höhe der Budgets scheint nicht der entscheidende Faktor zur Begrenzung von Schäden zu sein. Für eine valide Effizienzbewertung müsste man die qualitative Wirkung der Ausgaben über einen signifikant längeren Zeitraum untersuchen und die externen Schadensfaktoren statistisch kontrollieren.

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?

Das kombinierte Diagramm zeigt die monatliche Entwicklung der Waldbrände in Deutschland von 2018 bis 2024. Es besteht aus einem Balkendiagramm für die verbrannte Fläche in Hektar und einem darüberliegenden Liniendiagramm für die Anzahl der Waldbrände. Die x-Achse stellt die Monate über die Jahre dar, die linke y-Achse die Fläche, die rechte y-Achse die Brandanzahl. Somit lassen sich Häufigkeit und Ausmaß der Brände gleichzeitig vergleichen.

Es zeigt sich ein deutliches saisonales Muster: Die meisten Brände treten zwischen April und August auf, mit Spitzenwerten insbesondere in Juni, Juli und August. Die größte verbrannte Fläche wird häufig in Mai und Juni registriert, was auf einzelne Großbrände zurückzuführen ist. Brandzahl und verbrannte Fläche verlaufen nicht immer parallel: Es gibt Monate mit vielen kleinen Bränden und geringen Flächenschäden sowie Monate mit wenigen, aber sehr großen Bränden.

Die Unterschiede lassen sich durch klimatische Bedingungen und Vegetationszustände erklären. Kurze Trockenphasen oder menschliche Aktivitäten können viele kleine Brände verursachen, während längere Hitze- und Dürreperioden Großbrände begünstigen. Die jährlichen Schwankungen hängen stark von der Wetterlage ab; feuchtere Sommer führen zu deutlich weniger Flächenverlusten. Zufällige Ereignisse wie Funkenflug oder Blitzschläge sowie die vorhandene Biomasse beeinflussen ebenfalls das Ausmaß der Waldbrandsaison.

Insgesamt zeigt die Grafik, dass sowohl die Anzahl der Brände als auch die verbrannte Fläche großen saisonalen und jährlichen Schwankungen unterliegen. Erste Erkenntnisse deuten darauf hin, dass Spitzenwerte vor allem durch extreme Wetterbedingungen und einzelne Großbrände bestimmt werden, während Monate mit vielen kleinen Bränden nur begrenzte Flächenverluste 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)?
Deskriptive Kennzahlen für Bayern und Brandenburg (2022–2023)
Region Jahr Anzahl Brände Gesamtfläche der Brände (ha) Durchschnittliche Fläche pro Brand (ha/Brand) Wirtschaftliche Verluste (Tsd. €) Verlust pro Hektar (€/ha)
Bayern 2023 75 44 0,59 197,6 4.492
Bayern 2022 145 214 1,48 297,1 1.388
Brandenburg 2023 251 765 3,05 6,9 9
Brandenburg 2022 523 1.426 2,73 13,6 10

Die Daten zeigen deutlich, dass Brandenburg in den Jahren 2022 und 2023 sowohl häufiger als auch großflächiger von Waldbränden betroffen war als Bayern. 2022 gab es in Brandenburg 523 Brände, während Bayern nur 145 verzeichnete. Auch die verbrannten Flächen waren in Brandenburg wesentlich größer: 1.426 Hektar gegenüber 214 Hektar in Bayern. 2023 verstärkte sich dieser Unterschied noch, denn Brandenburg verlor 765 Hektar Waldfläche, Bayern dagegen nur 44. Selbst die durchschnittliche Brandgröße lag in Brandenburg konstant höher, was zeigt, dass einzelne Brände dort deutlich größer ausfallen. Der größte Unterschied zeigt sich jedoch bei den wirtschaftlichen Verlusten pro Hektar. Bayern weist in beiden Jahren sehr hohe Werte auf – 4.492 Euro pro Hektar im Jahr 2023 und 1.388 Euro im Jahr 2022. In Brandenburg dagegen liegen die Verluste mit 9 bzw. 10 Euro pro Hektar extrem niedrig und erreichen nicht einmal ein Prozent der bayerischen Werte. Diese Differenz lässt Rückschlüsse auf die Art und den Wert der betroffenen Wälder zu. In Bayern scheinen vor allem ökonomisch hochwertige Bestände betroffen zu sein, wie sie in ertragsreichen Nutz- und Mischwäldern vorkommen. Deshalb richten bereits kleinere Brände dort große finanzielle Schäden an. In Brandenburg hingegen deuten die niedrigen Werte darauf hin, dass vor allem weniger wertvolle, großflächige Kiefernwälder betroffen sind, die wirtschaftlich deutlich geringere Verluste verursachen.

Insgesamt zeigt sich, dass das Waldbrandproblem in beiden Bundesländern auf unterschiedliche Weise schwer wiegt. Brandenburg kämpft vor allem mit der großen Anzahl und Ausdehnung der Brände und damit mit einem Flächenproblem. In Bayern hingegen liegt das Hauptproblem im hohen ökonomischen Schaden pro Hektar, also in einem Wertproblem. Dies erfordert in Brandenburg vor allem Maßnahmen zur Bewältigung großflächiger Brände und zum Schutz ökologischer Funktionen, während Bayern seinen Fokus stärker auf den Schutz wertvoller Waldbestände und die Verringerung finanzieller Verluste legen muss.

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 Diagramm zeigt die aggregierten Waldbrandschäden (in Tausend m³) für Bayern und Brandenburg in den Jahren 2022 und 2023, aufgeteilt nach zwei Holzarten (Industrieholz und Stammholz). Zwischen 2022 und 2023 treten in beiden Bundesländern starke Zuwächse auf; die absolute Schadensmenge ist 2023 in Brandenburg (insbesondere beim Industrieholz) besonders hoch, während in Bayern 2023 das Stammholz die dominante Schadenskategorie darstellt. Konkret stiegen die Industrieholzverluste in Brandenburg 2022→2023 auf rund 1.257 Tsd. m³ und das Stammholz auf rund 684 Tsd. m³. In Bayern erhöhten sich die Industrieholzverluste auf etwa 512 Tsd. m³ und die Stammholzverluste auf etwa 926 Tsd. m³. Damit zeigt das Diagramm nicht nur eine generelle Verschlechterung (mehr Schäden 2023), sondern auch eine unterschiedliche Schadensstruktur: Bayern verliert 2023 vor allem höherwertiges Stammholz, während Brandenburg 2023 in absoluten Mengen besonders viele Industrieholzm³ verliert.

Von 2022 auf 2023 kam es in beiden untersuchten Bundesländern zu sehr starken Zuwächsen der Waldbrandschäden. In Bayern ist der Anstieg sowohl bei Stammholz als auch bei Industrieholz deutlich, wobei Stammholz 2023 mengenmäßig dominiert. In Brandenburg zeigt sich ein noch stärkerer absoluter Anstieg beim Industrieholz, wobei auch das Stammholz stark zunimmt, aber in geringerem Ausmaß als das Industrieholz. Der Trend weist auf eine generelle Eskalation der Waldbrandschäden im Jahr 2023 hin, und die relative Zusammensetzung der Verluste (Stammholz vs. Industrieholz) bleibt zwischen den Ländern unterschiedlich.

Die unterschiedlichen Verlustprofile haben direkte ökonomische Implikationen: Bayern verliert 2023 überwiegend Stammholz, das pro Kubikmeter einen höheren Marktwert hat und höhere Wertschöpfungsketten (Sägewerke, Bauholz, Möbel) beeinflusst. Ökonomisch sind die Schäden in Bayern daher besonders gravierend hinsichtlich entgangener Einnahmen und Wertschöpfung. Brandenburg verliert 2023 sehr große Mengen Industrieholz. Obwohl der Preis pro m³ Industrieholz geringer ist, führen die hohen Mengen zu erheblichen Gesamtschäden. Zusätzlich deuten große Industrieholzverluste auf monostrukturierte Bestände (z. B. Kiefer) hin, die ökologisch und ökonomisch vulnerabler gegenüber Bränden sind. Insgesamt bedeuten die Befunde, dass Förder- und Präventionsmaßnahmen sowohl mengenorientierte (Brandenburg) als auch wertorientierte (Bayern) Strategien berücksichtigen müssen.

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. Abschreckung und Strafen

Die Erhöhung von Bußgeldern und Strafen für fahrlässige oder vorsätzliche Brandverursachung ist aus ökonomischer Sicht eine kostengünstige und unmittelbar umsetzbare Maßnahme. Ihre Stärke liegt in den sehr geringen direkten staatlichen Kosten: Gesetzesanpassungen, Kampagnen und zusätzliche Kontrollen verursachen einen Bruchteil der Summen, die durch Waldbrände verloren gehen – selbst in Jahren mit hohen Schäden wie 2022. Sie kann insbesondere dort wirksam sein, wo viele kleine Brände entstehen, etwa im Privatwald, der über alle Jahre hinweg den größten Anteil der Brandfälle aufweist.

Die Daten zeigen, dass fahrlässiges Verhalten und vorsätzliche Brandlegung – insbesondere im besonders trockenen Jahr 2022 – deutlich zunahmen. In den Saisonmonaten von April bis August, in denen die meisten Brände auftreten, können bereits unachtsam weggeworfene Zigaretten oder Funkenflug zahlreiche kleine Feuer auslösen. Gerade in Bayern, wo oft wertvolle Stammholzbestände betroffen sind, kann die Reduktion dieser vermeidbaren Brände wirtschaftlich besonders vorteilhaft sein.

Allerdings wird die Wirksamkeit derzeit durch einen strukturellen Schwachpunkt begrenzt: den hohen Anteil an Bränden mit „unbekannter Ursache“. Solange viele Fälle nicht eindeutig zugeordnet werden können, ist die Abschreckung begrenzt, da die Täter nicht identifiziert werden. Daher entfaltet diese Strategie ihren Nutzen nur in Kombination mit einer verbesserten Brandursachenermittlung und mehr Überwachung. Insgesamt ist sie sinnvoll, weil der erwartete Nutzen (weniger kleine und mittlere Brände, weniger vermeidbare Schäden) die Kosten klar übersteigt. Doch sie ersetzt keine technologische Überwachung oder tiefere strukturelle Waldumbaupolitik.

  1. Anreize für Waldumbau

Subventionen und Förderprogramme für den Waldumbau stellen langfristig eine der wirkungsvollsten Strategien zur Verringerung des Waldbrandrisikos dar, erfordern aber erhebliche finanzielle Ressourcen. Der Umbau von Monokulturen, vor allem den brandanfälligen Kiefernwäldern Brandenburgs, in klimaresiliente Mischwälder erhöht die Feuchtehaltefähigkeit der Vegetation und verringert die Ausbreitungsgeschwindigkeit von Bränden. Dadurch werden Flächenverluste und Großbrände, wie sie in Brandenburg 2018, 2019 und 2022 sehr stark auftraten, strukturell unwahrscheinlicher.

Die Daten spiegeln die Relevanz klar wider. Brandenburg weist bei den verbrannten Flächen und Industrieholzverlusten die höchsten Werte im Ländervergleich auf, ein direkter Hinweis auf die Risikostruktur seiner Monokulturlandschaften. Der Waldumbau wäre hier deshalb besonders wirksam. Auch in Bayern besteht großer wirtschaftlicher Nutzen, da dort Brände häufiger hochwertige Stammholzbestände treffen und die ökonomischen Verluste dadurch pro Hektar sehr hoch sind. Langfristig stärkt ein resilienter Wald auch die Holzproduktion, den Schutz vor Erosion und die ökologische Stabilität.

Der Nachteil besteht in den hohen Kosten und der langen zeitlichen Verzögerung. Die Effekte treten erst nach Jahrzehnten ein. Zudem ist die Maßnahme besonders relevant für private Waldeigentümer, die zwar den größten Anteil der Brandfälle verzeichnen, aber oft zu wenig Kapital für Umbaumaßnahmen besitzen. Hier ist gezielte Förderung essenziell.

Ökonomisch betrachtet handelt es sich beim Waldumbau um ein klassisches langfristiges Risikomanagement, teuer, aber effektiv. Er verhindert nicht unbedingt die Entstehung von Bränden, reduziert aber deren Intensität und Ausbreitung. Damit verhindert er genau jene Extremjahre, die die volkswirtschaftlichen Schäden dominieren. Für die Gesamtresilienz des Waldökosystems ist diese Maßnahme unverzichtbar.

  1. Investition in Technologie (Drohnen, Satelliten, Sensoren)

Der Ausbau moderner Überwachungstechnik bietet hohe kurzfristige Wirksamkeit und deutlich messbaren Nutzen. Drohnen mit Wärmebildkameras, Satellitenbeobachtung und bodennahe Sensorik können Brände in der entscheidenden Frühphase erkennen, oft bevor sie sich zu Großbränden entwickeln. Die Daten zeigen klar, dass die größten ökonomischen Schäden nicht durch viele kleine Brände entstehen, sondern durch wenige große – besonders in Trockenjahren wie 2018, 2019 und 2022. Genau diese Ausreißer verursachen überproportional hohe Flächen- und Holzverluste. Frühwarnsysteme sind der effizienteste Weg, solche Großschäden zu begrenzen.

Regionale Unterschiede verstärken die Bedeutung der Technologie: In Brandenburg und Teilen Mecklenburg-Vorpommerns liegen große, schwer zugängliche Waldgebiete mit hoher Brandanfälligkeit. Dort ist der Erkennungs- und Reaktionsvorteil besonders groß. In Bayern, wo Wertverluste pro Hektar sehr hoch sind, lohnt sich schnelle Brandentdeckung ebenfalls – allerdings primär zur Schadensminimierung, nicht zur Flächenreduktion.

Technologische Systeme verbessern zudem die Brandursachenermittlung und wirken damit indirekt auf die Effektivität der Abschreckungsmaßnahmen. Durch automatisierte Rauch- oder Hitzedetektion steigt die Wahrscheinlichkeit, Täter zu identifizieren oder Brandmuster genauer zu analysieren; dadurch lässt sich Prävention künftig besser ausrichten.

Die Kosten dieser Strategie sind höher als bei regulatorischen Maßnahmen, aber niedriger als ein umfassender Waldumbau. Vor allem in Hotspot-Regionen bietet sie ein hervorragendes Kosten-Nutzen-Verhältnis: Der Einsatz von Drohnen und Satelliten kann bereits mit einer einzigen verhinderten Großbrandfläche finanziell gerechtfertigt sein. Sie ist daher die wirksamste kurzfristige Maßnahme und eine ideale Ergänzung zur langfristigen strukturellen Risikominderung.

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 aufbereitete Datensatz eu_subventionen enthält nach der Filterung und dem Ausschluss von aggregierten Werten Subventionsdaten von 27 EU-Mitgliedstaaten (z.B. Deutschland, Frankreich, Polen, Spanien, Österreich). Der für die Analyse relevante, gefilterte Datensatz umfasst den Zeitraum von 2010 bis 2022.

Die Indikatorentypen Output_Pillar I und Output_Pillar II bilden die zwei Hauptsäulen der Gemeinsamen Agrarpolitik (GAP) der Europäischen Union und unterscheiden sich grundlegend in ihren Zielen, Mechanismen und Finanzierungsquellen.

Die Erste Säule (Output_Pillar I) dient primär der Stabilisierung der landwirtschaftlichen Einkommen der Landwirte und der Stützung der Agrarmärkte. Ihr Fokus liegt auf der direkten Stützung der landwirtschaftlichen Betriebe. Die Finanzierung dieser Säule erfolgt vollständig aus dem Europäischen Garantiefonds für die Landwirtschaft (EGFL), einem festen Bestandteil des EU-Haushalts. Die wichtigsten Mechanismen innerhalb der Ersten Säule sind die Direct Payments (Direktzahlungen), jährliche Einkommensbeihilfen, die größtenteils von der konkreten Produktion entkoppelt sind und zur Einkommenssicherung dienen, sowie Market Measures (Marktmaßnahmen), gezielte Interventionen zur Regulierung der Agrarmärkte.

Im Gegensatz dazu konzentriert sich die Zweite Säule (Output_Pillar II) auf die Förderung der ländlichen Entwicklung. Ihr Ziel ist es, die sozioökonomische und ökologische Nachhaltigkeit ländlicher Gebiete zu stärken, indem sie die Wettbewerbsfähigkeit der Land- und Forstwirtschaft verbessert, den Umwelt- und Klimaschutz fördert und die Lebensqualität in ländlichen Regionen erhöht. Die Mechanismen dieser Säule werden unter dem Begriff Rural Development (Ländliche Entwicklung) zusammengefasst, wobei Programme zur Verbesserung der Wettbewerbsfähigkeit, nachhaltiges Management natürlicher Ressourcen (z.B. Agrarumweltmaßnahmen) und die Förderung der ländlichen Infrastruktur enthalten sind. Die Finanzierung erfolgt über den Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER) und erfordert stets eine nationale Kofinanzierung durch die EU-Mitgliedstaaten.

Die Indikatorentypen der GAP sind direkt mit den deutschen Förderarten vergleichbar, da die nationalen Programme die Umsetzung der EU-Vorgaben darstellen. Die Erste Säule (Output_Pillar I) entspricht den Direktzahlungen und Marktstützungsmaßnahmen in Deutschland, welche primär aus EU-Mitteln (EGFL) finanziert werden. Die Zweite Säule (Output_Pillar II) ist den Maßnahmen zur Ländlichen Entwicklung in Deutschland gleichzusetzen. Diese werden maßgeblich über die Länderprogramme und die Gemeinschaftsaufgabe “Verbesserung der Agrarstruktur und des Küstenschutzes” (GAK) umgesetzt und erfordern eine Kofinanzierung durch Bund und Länder.

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 Grafik zeigt die Höhe der Agrarsubventionen der zehn EU-Länder mit den höchsten Gesamtauszahlungen im Zeitraum von 2020 bis 2022. Für jedes Land sind die Fördersummen nach Jahren gestapelt dargestellt, sodass sowohl die Gesamthöhe der Subventionen als auch deren Entwicklung über die drei Jahre hinweg sichtbar wird.

Zwischen 2020 und 2022 bleiben die Subventionssummen der zehn führenden EU Länder weitgehend stabil. Frankreich liegt während des gesamten Zeitraums deutlich an der Spitze, während Spanien, Italien und Deutschland ebenfalls hohe und relativ konstante Fördervolumina erhalten. Leichte Schwankungen treten zwar auf, jedoch ohne klaren Trend in Richtung deutlicher Steigerungen oder Rückgänge. Insgesamt deutet die Entwicklung auf beständige Förderstrukturen innerhalb der EU hin.

Deutliche Anstiege oder Rückgänge lassen sich aus der Grafik nicht erkennen. Die Veränderungen bewegen sich überwiegend im normalen Bereich der jährlichen Variation. Einzelne Länder wie Polen, Rumänien oder Österreich zeigen leichte Rückgänge im Jahr 2022, die jedoch nicht ausgeprägt genug sind, um von einem strukturellen Trend zu sprechen. Solche kleineren Unterschiede können durch nationale Haushaltsentscheidungen, unterschiedliche Abrufquoten oder Anpassungen der EU-Förderprogramme erklärt werden.

Am unteren Ende der Top zehn stehen Ungarn, Österreich und Irland. Diese Länder verfügen über kleinere landwirtschaftliche Nutzflächen und weniger große Betriebe, was zu geringeren Subventionssummen führt. Besonders in Österreich spielt die starke Ausrichtung auf Berg und Grünlandwirtschaft eine Rolle, da diese Struktur von Natur aus weniger große Ertragsflächen bietet. Die niedrigeren Beträge sind damit gut durch die landwirtschaftlichen Rahmenbedingungen dieser Länder erklärbar.

Die Unterschiede zwischen den Ländern lassen sich vor allem durch landwirtschaftliche Fläche, Produktionsintensität und wirtschaftliche Bedeutung des Agrarsektors erklären. Staaten wie Frankreich, Spanien oder Polen weisen große Ackerbauflächen und eine intensive Produktion auf, was zu hohen Direktzahlungen führt. Andere Länder profitieren stärker von Entwicklungsprogrammen oder verfügen über strukturell kleinere Agrarsysteme. Insgesamt spiegelt die Verteilung die vielfältigen agrarstrukturellen Bedingungen und die Produktionsleistung der einzelnen Länder innerhalb der EU wider.

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 visualisiert die Verteilung und zeitliche Entwicklung der gesamten Agrarsubventionen (Total_Subsidy) in den EU-Ländern von 2010 bis 2022. Die Farbintensität der Länder zeigt die Höhe der Subventionssummen an, wobei dunklere Töne in der verwendeten Viridis-Farbskala auf geringere und hellere, gelbliche Töne auf höhere Subventionen hindeuten. Durch den Schieberegler und die Play/Pause-Funktion kann die dynamische Veränderung der Subventionszahlungen über die Jahre hinweg verfolgt werden.

Die Länder, die die geringsten Subventionssummen erhalten, sind auf der Karte durch eine sehr dunkle, fast schwarze Einfärbung oder nur durch eine feine Umrandung gekennzeichnet. Hierbei handelt es sich typischerweise um kleinere EU-Mitgliedsstaaten mit einer geringeren landwirtschaftlichen Fläche oder solche, die erst später der EU beigetreten sind. Zu Beginn der Beobachtungsperiode, insbesondere im Jahr 2010, sind dies häufig die baltischen Staaten (Estland, Lettland, Litauen), die kleineren Mittelmeerländer wie Malta und Zypern sowie die später beigetretenen Balkanstaaten wie Bulgarien und Rumänien. Die Entwicklung über die Jahre 2010 bis 2022 zeigt in einigen dieser Länder einen tendenziellen Anstieg der Subventionen. Dieser Anstieg ist primär auf die Konvergenz der Direktzahlungen im Rahmen der Gemeinsamen Agrarpolitik (GAP) zurückzuführen, wodurch sich die Höhe der Zahlungen pro Hektar für die neuen Mitgliedstaaten schrittweise an das EU-Durchschnittsniveau annähert.

Bei einer dynamischen Betrachtung über den Zeitverlauf sind in der Regel Länder mit einem starken Anstieg der Subventionen zu erkennen. Dies betrifft insbesondere Staaten, die nach der Jahrtausendwende der EU beigetreten sind, wie Polen, Rumänien und Bulgarien. Der signifikante Anstieg in diesen Ländern resultiert aus dem sogenannten Phasing-in der Direktzahlungen, welches vorsieht, dass die Zahlungen schrittweise über einen bestimmten Zeitraum (oft 10 Jahre) auf das volle Niveau angehoben werden. Zusätzlich können umfangreiche Investitionen in die Modernisierung der Landwirtschaft, die über die Programme der ländlichen Entwicklung (Zweite Säule der GAP) kofinanziert werden, zu einem erhöhten Fördervolumen führen. Ein starker Rückgang der Subventionen ist seltener zu beobachten, könnte aber durch Änderungen in der nationalen Umsetzung der GAP-Regeln, Senkungen der nationalen Kofinanzierung von Programmen oder Verzögerungen bei der Auszahlung aufgrund von administrativen Problemen oder Sanktionen verursacht werden.

Länder, die in der geografischen Darstellung Europas keine Einfärbung erhalten, sind nicht im zugrundeliegenden Datensatz enthalten oder ihre Daten sind Null. Dies liegt höchstwahrscheinlich daran, dass es sich um Nicht-EU-Mitgliedsstaaten handelt, wie beispielsweise Norwegen, die Schweiz oder das Vereinigte Königreich nach dem Brexit ab 2020. Diese Staaten nehmen nicht am System der EU-Agrarsubventionen teil und weisen daher keine Total_Subsidy-Werte in den EU-Agrardatensätzen auf. Ein seltenerer, technischer Grund könnte das Fehlen oder eine fehlerhafte Angabe der ISO3-Ländercodes (iso_a3) im Datensatz sein, welche für die korrekte kartografische Zuordnung unerlässlich sind, dies wurde jedoch im Vorfeld der Erstellung der Karte bereits geprüft.

Hohe Subventionen für einzelne Länder, wie sie typischerweise in den größten Agrarnationen wie Frankreich, Deutschland, Spanien und Italien zu beobachten sind, können den Wettbewerb innerhalb der EU erheblich beeinflussen. Sie stellen eine wichtige Einkommensstütze für Landwirte in diesen Ländern dar, stabilisieren deren Finanzen und ermöglichen unter Umständen niedrigere Produktionskosten oder höhere Investitionen im Vergleich zu Ländern mit geringerer Förderung. Dies kann zu einer impliziten Wettbewerbsverzerrung führen. Auf die Struktur der Landwirtschaft wirken sich hohe, insbesondere flächenbasierte Subventionen oft strukturkonservierend aus, indem sie die Existenz von Betrieben sichern, die unter reinen Marktbedingungen möglicherweise nicht überlebensfähig wären. Sie können die Konzentration von Landbesitz begünstigen, da größere Betriebe proportional mehr Direktzahlungen erhalten, und dadurch die Intensivierung der Landwirtschaft fördern, was im Hinblick auf Nachhaltigkeitsziele kritisch zu hinterfragen ist. Gleichzeitig können Subventionen aber auch als wichtiges finanzielles Polster die Resilienz der Landwirtschaft gegen wachsende Risiken wie Marktschwankungen und die zunehmenden Folgen des Klimawandels (z.B. Ernteausfälle) stärken.

Die Beobachtung von Ländern mit stark schwankenden Subventionsbeträgen deutet darauf hin, dass die ausgezahlten Summen nicht nur von den stabilen Direktzahlungen abhängen, sondern von variablen Komponenten beeinflusst werden. Diese Schwankungen können auf verschiedene Faktoren hinweisen: Erstens sind politische Entscheidungen und die Einführung neuer GAP-Reformperioden (z.B. 2014) eine Hauptursache, da diese die Regeln und Budgets für länderspezifische Programme ändern. Zweitens können wirtschaftliche Krisen oder Naturkatastrophen (wie z.B. Dürren oder Hochwasser) die Ausschüttung von speziellen Krisenfonds oder ad-hoc-Beihilfen nach sich ziehen, was die Subventionssummen in diesen Jahren temporär ansteigen lässt. Drittens können administrative und buchhalterische Effekte wie Verzögerungen bei der nationalen Abrechnung von komplexen Mitteln der ländlichen Entwicklung (Zweite Säule) zu scheinbar unregelmäßigen Auszahlungen führen, selbst wenn die Mittel über mehrere Jahre bewilligt wurden. Schlussfolgernd erfordern starke Schwankungen eine gezielte historische Analyse der politischen und wirtschaftlichen Ereignisse in den jeweiligen Jahren, um festzustellen, ob es sich um geplante, zyklische Änderungen oder um eine Reaktion auf unvorhergesehene Krisen handelt.

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).

Frage 1: Bei der Betrachtung der EU-Agrarsubventionen zwischen 2010 und 2022 fällt auf, dass Frankreich konstant die höchsten Förderbeträge innerhalb der Union erhält, während Deutschland auf Platz drei bis vier liegt, hinter Frankreich und Spanien. Diese Unterschiede lassen sich vor allem durch die agrarischen Strukturen der Länder erklären. Frankreich verfügt über deutlich größere landwirtschaftliche Nutzflächen und eine hohe Produktionsintensität, insbesondere im Ackerbau, während Deutschland zwar ebenfalls intensive Landwirtschaft betreibt, die durchschnittlichen Betriebsgrößen jedoch kleiner und die Flächen stärker verteilt sind.

EU-weite Fördermaßnahmen wie die Direktzahlungen der Ersten Säule und die Programme der Zweiten Säule wirken zwar grundsätzlich homogen, werden jedoch proportional zur Fläche und zum Produktionsumfang verteilt. Dies begünstigt Länder mit größeren Agrarsektoren, wie Frankreich. Nationale politische Anpassungen der EU-Mittel haben im Vergleich zu diesen strukturellen Faktoren nur einen geringfügigen Einfluss auf die Höhe der Subventionen.

Für die wirtschaftspolitische Steuerung und die Vergleichbarkeit der Subventionen bedeutet dies, dass die absolute Höhe der Zahlungen nicht isoliert als Maß für Förderbedarf oder Effizienz interpretiert werden kann. Um Länder sinnvoll vergleichen zu können, müssen agrarische Fläche, Betriebsgröße und Produktionsintensität berücksichtigt werden. Politische Maßnahmen sollten daher sowohl die absoluten Förderungen als auch die strukturellen und regionalen Voraussetzungen einbeziehen, um Verzerrungen zu vermeiden.

Frage 2: Bei der Analyse von Ländern mit stark schwankenden Subventionen zeigen sich insbesondere Polen, Rumänien und Bulgarien, die in der Anfangsphase ihres EU-Beitritts deutliche Anstiege verzeichnen. Die Entwicklung der Subventionen in diesen Ländern ist durch einen starken Anstieg in den ersten Jahren nach Beitritt und eine anschließende Stabilisierung gekennzeichnet. Die Ursachen für diese Schwankungen lassen sich in mehreren Faktoren begründen.

Die schrittweise Anpassung der Direktzahlungen spielt eine zentrale Rolle, wobei neue Mitgliedstaaten ihre EU-Zahlungen nach und nach auf das volle Niveau anheben. Zum anderen führen nationale Programme und deren Kofinanzierung oder administrative Verzögerungen bei der Auszahlung zu temporären Abweichungen. Auch wirtschaftliche Krisen, Naturkatastrophen wie Dürren oder Hochwasser oder spezielle Krisenfonds können die Subventionssummen in einzelnen Jahren erhöhen. Schließlich beeinflusst die Struktur der Landwirtschaft selbst die Schwankungen, da Länder mit kleineren Betrieben oder stärker spezialisierter Produktion relativ größere Veränderungen in den Gesamtsummen erfahren.

Die Analyse der stark schwankenden Subventionen zeigt, dass die Höhe der Zahlungen nicht nur von stabilen Direktzahlungen abhängt, sondern auch von variablen Komponenten, politischen Entscheidungen, EU-Reformen und externen Schocks beeinflusst wird. Für die wirtschaftspolitische Steuerung ist es daher wichtig, die Stabilität der Förderungen zu gewährleisten, um planbare Einkommensverhältnisse für Landwirte zu sichern.

Insgesamt zeigt die Analyse, dass die Unterschiede zwischen den Ländern primär durch agrarische Strukturen und Produktionsbedingungen bestimmt werden, während politische Rahmenbedingungen und EU-weite Fördermechanismen eine moderierende Rolle spielen. Länder mit starken Schwankungen verdeutlichen die Bedeutung von Beitrittsphasen, Reformen und nationalen Anpassungen, die bei der Interpretation und Planung von Fördermaßnahmen berücksichtigt werden müssen.