Motivation

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

Datengrundlage

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

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

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

EU-Agrarsubventionen: Die Gemeinsame Agrarpolitik wird aus dem EU-Haushalt finanziert und bezieht sich auf die Jahre 2021 bis 2027. Für diesen Förderzeitraum sind 386,6 Milliarden Euro vorgesehen. Diese Mittel verteilen sich zum einen auf den Europäischen Garantiefonds für die Landwirtschaft (EGFL) zur Einkommensstützung für Landwirte (291,1 Milliarden Euro), sowie für den Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER) mit Mitteln für den ländlichen Raum, den Klimaschutz und die Bewirtschaftung der natürlichen Ressourcen (95,5 Milliarden Euro) (Quelle: GAP:Reform und Zukunft (EU-Parlament)). Das Gesamtbudget der Gemeinsamen Agrarpolitik (GAP) der EU für das Jahr 2024 liegt bei rund 53,7 Milliarden Euro, wovon Deutschland etwa 6,5 Milliarden Euro erhielt (Quelle: Bundesministerium für Landwirtschaft: Agrarzahlungen 2024).

Wirtschaftliche Bedeutung (Bruttoinlandsprodukt - BIP): Im Jahr 2024 trug die Land- und Fortswirtschaft rund 1,2 Prozent zum Bruttoinlandsprodukt (BIP) der gesamten EU bei (Quelle: Eurostat:Leistung des Agrarsektors). Davon betrag der Anteil von Deutschland 0,8 Prozent im selben Jahr (Quelle: Statistisches Bundesamt: Bruttowertschöpfung Landwirtschaft).

Bedeutung für den Arbeitsmarkt: Der przentuale Anteil aller Erwerbstätigen in der EU, im Sektor Land- und Forstwirtschaft, betrug im Jahr 2024 3,3 Prozent (Quelle: WKO: Beschäftigungsstruktur in Europa (2024)). In Deutschland betrug der Anteil 1,1 Prozent (Quelle: WKO: Beschäftigungsstruktur in Europa (2024)).

Einlesen

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

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

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

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

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

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

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

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

EGFL-Europäischer Garantiefonds für die Landwirtschaft: Der EGFL ist das zentrale Finanzinstrument der ersten Säule der Gemeinsamen Agrarpolitik (GAP) und wird vollständig aus dem EU-Haushalt finanziert. Die Förderziele des EGFL sind eine stabile Versorgung mit Lebensmitteln, sowie die Sicherung der Einkommen der Landwirte und verlässliche Agrarmärkte. Um diese Ziele zu erreichen, setzt der EGFL verschiedene Maßnahmen ein, wie die Direktzahlungen an landwirtschaftliche Betriebe, die Finanzierung der Öko-Regelungen und Marktstützungs- und Krisenmaßnahmen, die eingreifen, wenn Preise fallen oder der Markt aus dem Gleichgewicht gerät.

ELER-Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums: Er ist das Finanzinstrument der Zweiten Säule der Gemeinsamen Agrarpolitik (GAP) der EU und wird im Gegensatz zum EGFL gemeinsam von der EU und den Mitgliedstaaten kofinanziert. Seine zentralen Förderziele sind eine nachhaltigere Land- und Forstwirtschaft, wettbewerbsfähige Betriebe und die Stärkung der ländlichen Regionen. Um diese Ziele zu erreichen, fördert der ELER Maßnahmen wie umwelt- und klimaschonende Bewirtschaftung, Investitionen in moderne Technik, Beratungs- und Weiterbildungsangebote sowie regionale Entwicklungsprojekte

Nationale Kofinanzierung: Die nationale Kofinanzierung bezeichnet den finanziellen Anteil, den die Mitgliedstaaten zusätzlich zu den EU-Mitteln bereitstellen müssen, vor allem im Rahmen des ELER. Diese gemeinsame Finanzierung ist der zentrale Unterschied zwischen den beiden Säulen und soll die Belastung zwischen EU und Mitgliedstaaten fair verteilen, um sicherzustellen, dass Länder Verantwortung für die geförderten Projekte übernehmen.

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 Verbindung der Datensätze bietet sich ein Left Join an, bei dem waldbraende_gesamt die Ausgangstabelle ist. Die monatlichen Waldbranddaten bilden die zeitlich feinere Ebene, auf der auch die späteren Analysen stattfinden sollen. Durch einen Left Join werden alle vorhandenen Monatsbeobachtungen (Region × Jahr × Monat) beibehalten und um die jährlich aggregierten Informationen aus waldbraende_information ergänzt. Ein Inner Join könnte im Fall fehlender Jahresangaben zu einem Verlust von Monatsbeobachtungen führen, während ein Full Join zusätzliche Zeilen ohne eindeutigen analytischen Mehrwert erzeugen würde. Der Left Join ist daher die konsistenteste und pragmatisch sinnvollste Wahl.

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

Differenzen im Förderbetrag
Bundesland Förderbetrag Gesamt (in Mio EUR) Förderbetrag Berechnet (in Mio EUR) Abweichungen im Betrag (in Mio EUR)
Baden-Württemberg 683.39 613.81 69.58
Bayern 1421.23 1286.81 134.42
Berlin 6.35 5.47 0.88
Brandenburg 598.36 564.37 33.99
Bremen 4.87 4.40 0.47
Hamburg 7.40 7.23 0.17
Hessen 335.00 320.41 14.59
Mecklenburg-Vorpommern 598.51 569.97 28.54
Niedersachsen 966.03 939.27 26.76
Nordrhein-Westfalen 633.84 594.13 39.71
Rheinland-Pfalz 323.47 293.27 30.20
Saarland 34.71 31.22 3.49
Sachsen 475.95 446.33 29.62
Sachsen-Anhalt 598.78 552.65 46.13
Schleswig-Holstein 399.57 370.23 29.34
Thüringen 425.68 392.95 32.73

In Aufgabe 5 wurde geprüft, ob die in den Originaldaten ausgewiesenen Förderbeträge (Förderbetrag_gesamt) mit unserer eigenen Berechnung der Einzelzahlungen (Förderbetrag_berechnet) übereinstimmen. Dafür wurden die Daten über beide Jahre hinweg auf Ebene der Bundesländer aggregiert und in einer Tabelle zusammengeführt. Diese zeigt für jedes Bundesland die offiziellen Gesamtsummen, unsere berechneten Werte sowie die absolute Abweichung, sortiert nach Fördervolumen.

Die größten Differenzen finden sich in Bayern (134,42 Mio. EUR), Baden-Württemberg (69,58 Mio. EUR) und Sachsen-Anhalt (46,13 Mio. EUR). Auch Brandenburg, Nordrhein-Westfalen und Rheinland-Pfalz weisen spürbare, wenn auch kleinere Abweichungen auf. Sehr geringe Differenzen zeigen hingegen Länder mit kleinem Fördervolumen wie Bremen, Hamburg oder Berlin.

Die festgestellten Unterschiede lassen sich trotz der offiziellen Herkunft der Daten plausibel erklären. Zum einen erfolgen in den EU-Daten häufig Rundungen, die sich bei großen Summen merklich auswirken können. Zum anderen unterscheiden sich die Aggregationsregeln: Gesamtsummen basieren teilweise auf Abrechnungslogiken der Fonds (EGFL, ELER), die nicht exakt der reinen Addition der Einzelzahlungen entsprechen. Zusätzlich können Nachmeldungen, Korrekturen oder Rückforderungen in den veröffentlichten Daten unterschiedlich berücksichtigt sein.

Insgesamt zeigen die Abweichungen daher keine Datenfehler, sondern spiegeln die komplexen Verwaltungs- und Abrechnungsprozesse der EU-Agrarförderung wider.

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:

Die höchsten und niedrigsten Gesamtfördersummen (2024)
Begünstigter PLZ Gemeinde Bundesland Förderbetrag (€)
Höchste 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

In Aufgabe 6 werden die Empfänger mit den höchsten und niedrigsten Gesamtfördersummen im Haushaltsjahr 2024 betrachtet, um einen ersten Eindruck über die Struktur der Begünstigten zu erhalten. Eine Beobachtung im Datensatz subventionen_gesamt entspricht jeweils einem einzelnen Förderempfänger pro Jahr, einschließlich Angaben zu Name, Förderbetrag, PLZ, Gemeinde und Bundesland.

Der Vergleich der Top-6- und der Niedrigste-6-Empfänger zeigt ein deutliches Gefälle: Die höchsten Förderbeträge gehen an große öffentliche oder landeseigene Einrichtungen wie Landesbetriebe für Hochwasserschutz, Küstenschutz oder Landesforstverwaltungen. Diese Institutionen verwalten große Flächen oder erfüllen zentrale Aufgaben im Umwelt- und Ressourcenschutz, was ihre Zuwendungen im Millionenbereich erklärt.

Die niedrigsten Förderbeträge entfallen dagegen auf sogenannte Kleineinempfänger, die oft nur wenige Dutzend Euro erhalten. Hierbei handelt es sich meist um sehr kleine Betriebe oder Einzelpersonen, deren Förderungen auf kleinen, spezifischen Maßnahmen beruhen.

Besonders sichtbar wird die Rolle der Forstwirtschaft: Landesforstbetriebe gehören klar zu den größten Empfängern und verdeutlichen, dass EU-Fördermittel nicht nur der klassischen Landwirtschaft zugutekommen, sondern in erheblichem Umfang auch der Bewirtschaftung und Erhaltung von Waldflächen dienen. Damit bilden forstwirtschaftliche Akteure einen wichtigen Bestandteil der Gesamtförderlandschaft.

  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 Kennzahlen der Fördervariablen
Variable Anzahl Mittelwert Standardabweichung Median Minimum Maximum
EGFL Förderbetrag 288334 18.075,44 51.772,29 7.256,10 0,00 6.345.377,21
ELER Förderbetrag 288334 5.818,06 87.094,53 560,53 -839,89 28.223.328,68
Nationale Kofinanzierung 288334 357,98 2.362,96 0,00 0,00 644.950,72
Förderbetrag gesamt 288334 26.057,11 132.233,18 10.011,80 0,07 37.149.868,42
Förderbetrag berechnet 288334 24.251,48 104.736,93 9.515,18 0,00 28.223.328,68

Die deskriptive Auswertung gibt einen klaren ersten Eindruck von der Verteilung der verschiedenen Fördervariablen. Auffällig ist vor allem, dass alle betrachteten Größen eine sehr breite Streuung zeigen und stark rechtsschief verteilt sind. Das zeigt sich sowohl an der deutlichen Diskrepanz zwischen Median und Maximum als auch an den im Verhältnis zum Mittelwert hohen Standardabweichungen.

Beim EGFL-Förderbetrag liegt der Median deutlich unter dem Mittelwert. Das weist darauf hin, dass die meisten Zahlungen vergleichsweise niedrig ausfallen, während einige wenige extrem hohe Beträge den Durchschnitt stark nach oben verzerren. Ein ähnliches Muster findet sich beim ELER-Förderbetrag. Hier fällt zusätzlich ein negativer Mindestwert (–840 €) auf. Solche Werte sind im Kontext regulärer Förderauszahlungen nicht plausibel und deuten eher auf Rückforderungen, Korrekturen oder technische Umbuchungen innerhalb des Verwaltungsverfahrens hin.

Die nationale Kofinanzierung zeigt ein noch markanteres Bild: Der Median liegt bei 0 €, was bedeutet, dass der überwiegende Teil der Begünstigten gar keine nationale Kofinanzierung erhält. Gleichzeitig reicht das Maximum bis in den sechsstelligen Bereich – ein klarer Hinweis darauf, dass diese Förderkomponente nur in relativ wenigen, dafür aber teilweise sehr umfangreichen Fällen gezahlt wird.

Auch beim gesamten Förderbetrag sowie beim berechneten Förderbetrag finden sich extrem hohe Maximalwerte im Millionenbereich. Dies lässt darauf schließen, dass im Datensatz sowohl typische Einzelzahlungen an landwirtschaftliche Betriebe als auch größere Sammelbuchungen oder außergewöhnlich hohe Einzelfälle enthalten sind. Dass die Standardabweichungen die Mittelwerte jeweils deutlich übersteigen, unterstreicht die enorme Varianz innerhalb der Daten.

Insgesamt zeigt sich somit ein stark asymmetrisches Verteilungsmuster, welches durch einige wenige sehr hohe Zahlungen dominiert wird.

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

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

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

Die Grafik zeigt die Förderstruktur der Agrarmittel im Jahr 2023 nach Bundesländern und bildet ab, wie sich die Gesamtfördersumme prozentual auf die einzelnen Förderarten verteilt. Anders als in der früheren Auswertung stehen nun die EU-Fördertöpfe im Mittelpunkt: In allen Bundesländern stellt der EGFL den größten Anteil der Zahlungen. Meist liegen seine Anteile im Bereich von gut der Hälfte bis rund zwei Dritteln der gesamten Fördersumme. Damit bestätigt die Grafik, dass die Direktzahlungen zur Einkommenssicherung der landwirtschaftlichen Betriebe – wie in Aufgabe 2 beschrieben – weiterhin das Rückgrat der Agrarförderung bilden.

Die „Sonstigen nationalen Mittel“ machen demgegenüber nur einen kleineren Teil der Gesamtförderung aus. In den meisten Ländern liegen sie im Bereich von etwa 5–20 % der Fördersumme; in Bayern z.B. im unteren zweistelligen Prozentbereich. Sie erfassen vor allem nationale Ergänzungsprogramme und Restbeträge, sind aber kein eigenständiger, politisch klar definierter Fördertopf. Ihre Größenordnung ist damit plausibel und spiegelt eher technische Abweichungen und zusätzliche nationale Maßnahmen wider als eine eigenständige Säule der Agrarpolitik.

Die eigentlichen regionalen Unterschiede entstehen vor allem über den ELER. In mehreren ostdeutschen Flächenländern (z.B. Sachsen, Sachsen-Anhalt, Mecklenburg-Vorpommern, Brandenburg) sowie in einzelnen westdeutschen Ländern zeigt sich ein relativ hoher ELER-Anteil. Das weist auf eine stärkere Ausrichtung der Förderpolitik auf ländliche Entwicklung, Umwelt- und Klimamaßnahmen sowie strukturelle Investitionen hin. In anderen westdeutschen Ländern ist der ELER-Anteil niedriger, hier dominiert stärker die einkommensorientierte Förderung über den EGFL. Die Nationale Kofinanzierung bleibt in allen Bundesländern prozentual eher klein, ist aber dort sichtbar, wo umfangreiche ELER-Programme umgesetzt werden und nationale Mittel die EU-Förderung ergänzen.

Insgesamt zeigt die Grafik damit, dass die zentralen Unterschiede zwischen den Bundesländern weniger in der Gesamtförderhöhe, sondern in der Gewichtung zwischen einkommensorientierter Förderung (EGFL) und struktur- bzw. entwicklungsorientierter Förderung (ELER) liegen. Länder mit hohen ELER-Anteilen setzen agrarpolitisch stärker auf ländliche Entwicklung, Umweltleistungen und Investitionen in die Wettbewerbsfähigkeit, während Länder mit hohen EGFL-Anteilen relativ stärker auf Einkommensstützung und Marktstabilisierung fokussieren.

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

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

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

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

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

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

Entwicklung der Agrarfördersummen 2023–2024 nach Bundesland (Mio. €)
Bundesland

Fördersumme 2023
(Mio €)

Fördersumme 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
Baden-Württemberg 368,65 314,74 -53,91 -14,6
Nordrhein-Westfalen 356,61 277,23 -79,38 -22,3
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
Thüringen 227,59 198,09 -29,50 -13,0
Schleswig-Holstein 227,04 172,53 -54,51 -24,0
Rheinland-Pfalz 186,46 137,01 -49,45 -26,5
Hessen 181,51 153,49 -28,02 -15,4
Saarland 17,38 17,33 -0,05 -0,3
Hamburg 3,96 3,44 -0,52 -13,1
Berlin 3,76 2,59 -1,18 -31,3
Bremen 2,61 2,26 -0,35 -13,4

Die Tabelle zeigt die Entwicklung der gesamten Agrarfördersummen zwischen 2023 und 2024 für alle Bundesländer. Grundlage der Auswertung sind die in den Rohdaten ausgewiesenen Gesamtförderbeträge („Förderbetrag_gesamt“), die die Summe aller ausbezahlten Mittel je Begünstigten abbilden. Die Länder sind nach der Fördersumme im Jahr 2023 sortiert, sodass Veränderungen in den großen Empfängerländern besonders gut nachvollziehbar werden.

Deutlich zu erkennen ist, dass die Fördersummen in nahezu allen Bundesländern rückläufig sind. Bayern und Niedersachsen bilden dabei die größten Förderempfänger, verzeichnen jedoch gleichzeitig ausgesprochen starke absolute Rückgänge: In Bayern sinkt die Fördersumme um rund 207 Mio. €, in Niedersachsen sogar um 188 Mio. €. Prozentual betrachtet gehören Niedersachsen (–32,6 %), Sachsen (–30,3 %) und Berlin (–31,3 %) zu den Ländern mit den empfindlichsten Einbußen. Auch in vielen ostdeutschen Bundesländern – wie Sachsen-Anhalt, Mecklenburg-Vorpommern oder Brandenburg – fallen die Rückgänge deutlich zweistellig aus. Einzige Ausnahme ist das Saarland, das einen nahezu stabilen Verlauf mit nur minimalen Veränderungen zeigt.

Dass der Rückgang der Zahlungen in so vielen Bundesländern gleichzeitig auftritt, deutet auf übergeordnete strukturelle Faktoren hin, die bundesweit wirksam sind. Im Zentrum steht die Umstellung auf die neue Förderperiode der Gemeinsamen Agrarpolitik (GAP) ab 2023, in der sich sowohl die Ausgestaltung der Direktzahlungen als auch die Anforderungen und Abrufe der Öko-Regelungen verändert haben. Auch die zeitliche Verschiebung von Auszahlungen, veränderte Förderkulissen sowie Unterschiede bei der Umsetzung von ELER-Maßnahmen zwischen den Ländern können die regionalen Abweichungen verstärken.

Insgesamt zeigt die Tabelle einen klaren Trend sinkender Agrarfördersummen im Jahr 2024. Die Intensität der Rückgänge variiert jedoch je nach Bundesland und spiegelt sowohl spezifische agrarstrukturelle Bedingungen als auch die unterschiedlichen Ausrichtungen der Förderprogramme wider. Dies unterstreicht, dass die Subventionslandschaft in Deutschland sensibel auf Reformen der EU-Agrarpolitik und nationale Anpassungen reagiert.

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 des Wochenblatts beschreibt, dass landwirtschaftliche Betriebe in Deutschland jährlich Schäden in einer Größenordnung von über einer Milliarde Euro durch Extremwetterereignisse erleiden. Besonders betont werden Starkregen, Hitzeperioden, Dürre und Spätfrost, die jeweils erhebliche Ertragsausfälle verursachen und die wirtschaftliche Stabilität vieler Betriebe gefährden. Setzt man diese Schadenssummen in Relation zu den staatlichen Agrarsubventionen, die sich im Bereich von mehreren Milliarden Euro pro Jahr bewegen, wird deutlich, dass die Zahlungen der EU und des Bundes nicht nur als reine Einkommensstütze dienen, sondern auch eine Art Schutzschirm gegen dieses zunehmende Klimarisiko darstellen. Die Subventionen können insofern als staatliche Risikoprämie interpretiert werden: Sie stabilisieren Einnahmen, gleichen wetterbedingte Verluste teilweise aus und mindern die Volatilität der landwirtschaftlichen Einkommen in einem hochgefährdeten Sektor.

Aus ökonomischer Sicht ist es jedoch weniger effizient, Schäden ex post zu kompensieren, als präventiv Maßnahmen zu fördern, die das Schadensausmaß reduzieren. Eine reine Kompensation führt typischerweise zu Fehlanreizen: Wenn Landwirte darauf vertrauen, dass der Staat im Schadensfall regelmäßig einspringt, sinkt tendenziell der Anreiz, selbst in Prävention und Risikomanagement zu investieren. Zudem entstehen gesamtwirtschaftlich höhere Kosten, weil Schäden zunächst eintreten und anschließend mit hohen Transferzahlungen ausgeglichen werden müssen. Präventionsmaßnahmen hingegen reduzieren das Risiko und die potenzielle Schadenshöhe dauerhaft. Dazu zählen etwa Investitionen in Bewässerung, bessere Bodenstruktur, resilientere Sorten oder technische Frühwarnsysteme. Wird der Fokus zu stark auf nachträgliche Kompensation gelegt, wächst gleichzeitig die fiskalische Belastung für den Staat, während die strukturelle Verwundbarkeit der Landwirtschaft gegenüber Extremwetter bestehen bleibt.

Der Vergleich der beiden politischen Ansätze A und B verdeutlicht diesen Zielkonflikt. Ansatz A – eine Erhöhung der Direktzahlungen über den EGFL – bietet Betrieben kurzfristig mehr Liquidität, sodass Ernteausfälle und Einnahmeverluste besser abgefedert werden können. Der Vorteil besteht darin, dass Zahlungen schnell und unbürokratisch wirken und die wirtschaftliche Existenz der Betriebe sichern. Der Nachteil liegt jedoch darin, dass diese Mittel kaum zu strukturellen Verbesserungen führen. Das System bleibt reaktiv: Schäden passieren weiterhin, die zugrunde liegenden Risiken verändern sich nicht, und die Staatsausgaben steigen weiter.

Ansatz B – die Umschichtung von Fördergeldern in projektbasierte ELER-Maßnahmen – setzt dagegen am Risiko selbst an. Investitionen in klimaresiliente Technologien wie effiziente Bewässerungssysteme, trockenheitsresistente Pflanzensorten oder moderne Monitoring-Systeme können die Schadenshöhe langfristig deutlich reduzieren. Diese Maßnahmen erhöhen aber gleichzeitig die Komplexität der Antragstellung, benötigen Vorlaufzeit und sind für kleinere Betriebe mit Investitionsbarrieren verbunden. Der Vorteil von Ansatz B liegt klar in der langfristigen ökonomischen Effizienz und der Verringerung der strukturellen Verwundbarkeit. Der Nachteil besteht darin, dass kurzfristige Liquiditätsengpässe der Betriebe in Extremjahren nicht vollständig verhindert werden.

Beide Ansätze erfüllen unterschiedliche Zwecke: Während A kurzfristige Einkommensstabilität bietet, schafft B langfristige Resilienz. Eine nachhaltige Agrarpolitik sollte daher aus einer Kombination beider Elemente bestehen – allerdings mit einer klaren strategischen Verschiebung hin zu präventiven, strukturellen Maßnahmen, um mit den zunehmenden Risiken des Klimawandels Schritt zu halten und die gesamtwirtschaftlichen Kosten langfristig zu senken.

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.

Waldbrandgeschehen in Deutschland (2018–2024)
Jährliche Gesamtsummen mit Hervorhebung der Jahre über 1,5 Mio € Schadenssumme
Jahr Anzahl Brände (gesamt) Verbrannte Fläche (ha) Wirtschaftliche Verluste (EUR) Entstandene Schäden (EUR)
2024 563 334,0 680.250 680.000
2023 1.059 1.240,0 957.330 1.190.000
2022 2.397 3.058,0 4.851.380 5.140.000
2021 548 148,0 659.240 670.000
2020 1.360 368,0 1.595.800 2.190.000
2019 1.523 2.711,0 1.662.950 2.220.000
2018 1.708 2.349,0 2.144.430 2.670.000

Die Tabelle fasst das Waldbrandgeschehen in Deutschland für die Jahre 2018 bis 2024 zusammen. Dargestellt sind die jährliche Anzahl der Brände, die verbrannte Fläche sowie die wirtschaftlichen Verluste und die entstandenen Schäden. Jahre, in denen die Schadenssummen über 1,5 Millionen Euro lagen, sind farblich hervorgehoben und markieren Extremjahre.

Beim Blick auf die Schadenssummen und die verbrannten Flächen fallen besonders die Jahre 2018, 2019, 2020 und 2022 auf. In diesen Jahren lagen sowohl die Flächenverluste als auch die wirtschaftlichen Schäden deutlich über den Werten der übrigen Jahre. Vor allem 2022 hebt sich mit über 3.000 ha verbrannter Fläche und Schäden von über 5 Mio. € sehr deutlich ab. Diese Jahre deuten auf das Auftreten größerer oder schwerer kontrollierbarer Großbrände hin, die einen Großteil der Gesamtschäden verursachen.

Interessant ist, dass hohe Schadenssummen nicht zwangsläufig mit einer hohen Anzahl an Bränden einhergehen. Während 2022 sowohl viele Brände als auch große Flächenverluste aufweist, zeigen die Jahre 2018 und 2019, dass auch relativ wenige, aber sehr große Brände ausreichen können, um hohe Schadenssummen zu verursachen. Umgekehrt gibt es Jahre wie 2021 oder 2024 mit moderaten Brandzahlen und vergleichsweise geringen Schäden, was eher auf viele kleine, schnell kontrollierte Feuer schließen lässt.

Ein langfristiger Trend einer stetigen Zunahme der ökonomischen Belastung lässt sich anhand der Daten nicht klar erkennen. Stattdessen zeigen sich deutliche Schwankungen, die typisch für Waldbrandereignisse in gemäßigten Klimazonen sind. Einzelne Extremjahre werden maßgeblich durch Trockenperioden, Hitzewellen oder ungünstige Wetterlagen geprägt, während in anderen Jahren feuchtere Sommer oder schnelle Löschmaßnahmen die Schäden begrenzen.

Im Verhältnis zu den jährlichen Agrarsubventionen, die sich in Deutschland im Milliardenbereich bewegen, fallen selbst die größten Waldbrandschäden vergleichsweise gering aus. Dennoch können die Schäden lokal sehr bedeutend sein – besonders dort, wo wirtschaftlich wertvolle Forstbestände oder Schutzwaldbereiche betroffen sind. Die Gegenüberstellung verdeutlicht somit: Waldbrände stellen ein relevantes Risiko dar, prägen jedoch im gesamtwirtschaftlichen Kontext des Agrarsektors nur einen kleinen Teil der finanziellen Belastungen.

Insgesamt zeigt die Übersicht, dass die Waldbrandbelastung in Deutschland stark von einzelnen Extremjahren geprägt wird, während die übrigen Jahre ein vergleichsweise moderates Schadensniveau aufweisen. Diese Dynamik macht deutlich, wie stark Waldbrandrisiken von Wetterextremen und regionalen Bedingungen abhängen.

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 beiden Balkendiagramme zeigen die prozentuale Verteilung der Waldbrände nach Eigentumsform für die Jahre 2018 bis 2024. Links ist dargestellt, wie sich die verbrannte Fläche auf die Eigentumsformen verteilt, rechts der entsprechende Anteil an der Anzahl der Brandfälle. Durch die identische Skalierung beider Grafiken lassen sich die Entwicklungen gut miteinander vergleichen.

Über den gesamten Zeitraum hinweg ist der Privatwald am stärksten von Waldbränden betroffen. Sowohl bei der Anzahl der Brände als auch bei der verbrannten Fläche weist er die höchsten Anteile auf und bewegt sich in den meisten Jahren im Bereich von rund der Hälfte aller Brandereignisse. Dass der Privatwald nicht nur häufig, sondern auch flächenmäßig besonders stark betroffen ist, deutet darauf hin, dass private Waldbesitzer die Hauptlast des Waldbrandgeschehens tragen – sowohl in Bezug auf die Häufigkeit der Vorfälle als auch hinsichtlich der daraus resultierenden Schäden.

Der Landeswald folgt in den meisten Jahren an zweiter Stelle. Während der Anteil an der Brandzahl relativ stabil bleibt, zeigt sich bei der verbrannten Fläche eine stärkere Variation. Insbesondere einzelne Jahre wie 2022 verdeutlichen, dass Brände im Landeswald zwar insgesamt seltener sind als im Privatwald, jedoch gelegentlich größere Flächen erfassen und damit ein anderes Risikoprofil aufweisen.

Der Körperschaftswald nimmt meist eine mittlere Position ein. Er verzeichnet regelmäßig einen spürbaren Anteil an der Gesamtzahl der Brände, während die verbrannte Fläche im Vergleich dazu geringer ausfällt. Diese Diskrepanz spricht dafür, dass im Körperschaftswald eher kleinere, lokal begrenzte Brandereignisse auftreten, die zwar häufiger vorkommen, aber seltener große Schadensflächen verursachen.

Der Bundeswald ist über den gesamten Zeitraum hinweg die am wenigsten betroffene Eigentumsform. Sowohl der Anteil an der Brandzahl als auch an der verbrannten Fläche bleibt deutlich hinter den anderen Kategorien zurück. Einzelne Jahre, in denen die verbrannte Fläche im Bundeswald höher ausfällt als die Zahl der Brände erwarten ließe, deuten jedoch darauf hin, dass dort seltenere, aber gelegentlich größere Brände auftreten können.

Insgesamt zeigen die beiden Diagramme, dass die Eigentumsformen unterschiedlichen Risikoprofilen unterliegen. Der Privatwald trägt die größte Belastung, im Landeswald treten seltener, aber teils größere Brände auf, während Körperschafts- und Bundeswald überwiegend kleinere beziehungsweise seltenere Ereignisse verzeichnen. Ökonomisch bedeutet dies, dass insbesondere private Eigentümer einem hohen Risiko ausgesetzt sind und daher in besonderem Maße Unterstützung bei Prävention, Risikomanagement und Wiederaufforstung benötigen. Landes- und Bundeswald hingegen erfordern stärker großflächige Strategien zur Risikovorsorge, während Körperschaften vor allem von Maßnahmen profitieren, die auf die Reduzierung zahlreicher kleinerer Vorfälle abzielen.

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

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

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

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

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

Die beiden Diagramme zeigen die Entwicklung der Waldbrände in Deutschland von 2018 bis 2024, getrennt nach Anzahl der Brände und nach verbrannter Fläche. Insgesamt wird deutlich, dass unbekannte Ursachen in fast allen Jahren die wichtigste Kategorie darstellen. Sie verursachen sowohl die meisten Brände als auch die größten Flächenverluste und prägen damit das Gesamtbild der Waldbrandentwicklung. Besonders stark tritt diese Dominanz in den Jahren 2018, 2019 und 2022 hervor.

Das Jahr 2022 stellt einen klaren Ausreißer dar: Hier steigen nahezu alle Ursachen deutlich an – sowohl bei der Anzahl der Brände als auch bei der verbrannten Fläche. Dies deutet auf ein Jahr mit besonders ungünstigen Bedingungen hin, etwa längeren Trockenperioden oder einer erhöhten Belastung der Wälder. Auch sonstige handlungsbedingte Einwirkungen und fahrlässige Brände zeigen hier ungewöhnlich hohe Werte.

Natürliche Ursachen spielen im Vergleich eine eher untergeordnete Rolle. Zwar gibt es einzelne Spitzen, etwa 2019, aber über den gesamten Zeitraum hinweg zeigen natürliche Brände keinen anhaltenden Trend. Auch vorsätzliche Brandstiftung und fahrlässiges Verhalten schwanken, bleiben aber meistens deutlich hinter den unbekannten Ursachen zurück.

Die starke Rolle unbekannter Ursachen hat ökonomische und politische Konsequenzen: Wenn ein Großteil der Brände nicht eindeutig klassifiziert werden kann, erschwert dies gezielte Präventionsmaßnahmen. Statt spezifischer Eingriffe müssen Behörden breite Strategien verfolgen, z. B. verstärkte Überwachung, Aufklärung der Bevölkerung oder Investitionen in Risikomanagement. Besonders starke Brandjahre wie 2022 verursachen zudem hohe wirtschaftliche Schäden in der Forstwirtschaft und erhöhen den Druck, den Waldumbau und Klimaanpassungsmaßnahmen politisch voranzutreiben.

Insgesamt zeigen die Diagramme, dass die Waldbrandursachen stark schwanken, aber strukturell meist von unklaren Ursachen geprägt sind – ein Hinweis darauf, dass bessere Ursachenermittlung und Datenqualität zentrale Bausteine zukünftiger Präventionsstrategien sind.

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 untersuchen den Zusammenhang zwischen Präventionsausgaben und wirtschaftlichen Schäden durch Waldbrände. Auf der x-Achse stehen die Ausgaben für Forstverwaltung bzw. sonstige Kontrollmaßnahmen, auf der y-Achse die logarithmierten wirtschaftlichen Verluste. Durch die logarithmische Skalierung werden große Unterschiede zwischen den Schäden besser vergleichbar gemacht und starke Ausreißer abgefedert.

In beiden Darstellungen wird deutlich, dass kein eindeutiger negativer Zusammenhang besteht: Bundesländer, die viel in Prävention und Kontrolle investieren, verzeichnen nicht automatisch geringere Schäden. Die Punkte sind breit gestreut, und sowohl niedrige als auch hohe Verluste treten in allen Ausgabenniveaus auf. Damit stützen die Diagramme die Hypothese einer klaren Kosten-Schadens-Beziehung nicht.

Auffällig ist zudem, dass die jährlichen Präventionskosten einzelner Bundesländer teilweise ähnlich hoch sind wie die gesamten wirtschaftlichen Verluste Deutschlands in manchen Jahren. Dies verdeutlicht, wie kostspielig Präventionsmaßnahmen sind – und dass ihre Wirkung nicht in jedem Jahr direkt messbar ist.

Es gibt mehrere mögliche Gründe dafür, dass trotz hoher Ausgaben die Schäden nicht proportional zurückgehen: Erstens werden Waldbrände stark durch klimatische Bedingungen wie Hitzeperioden, Trockenheit oder Wind beeinflusst, die Präventionsbemühungen kurzfristig überlagern können. Zweitens existieren strukturelle Unterschiede in der Waldzusammensetzung, Topografie oder Besiedlungsdichte zwischen den Ländern, die das Brandrisiko unabhängig von Investitionen beeinflussen. Drittens entfalten viele Präventionsmaßnahmen erst langfristig Wirkung, etwa durch Waldumbau oder bessere Infrastruktur.

Insgesamt zeigen die Grafiken, dass Prävention zwar ein wichtiger Baustein der Waldschutzstrategie ist, ihre Effizienz jedoch stark von externen Faktoren abhängt. Die reine Höhe der Ausgaben ist daher kein verlässlicher Indikator für tatsächlich reduzierte Schäden.

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. Die Balken stellen die monatlich verbrannte Fläche dar, während die Linie die Gesamtzahl der Brände pro Monat zeigt. Dadurch wird sichtbar, wie stark sich Häufigkeit und Ausmaß der Brände über das Jahr und zwischen den Jahren unterscheiden.

Typischerweise treten die meisten Brände in den Sommermonaten, vor allem zwischen Mai und August, auf. Auch die verbrannte Fläche erreicht in dieser Zeit regelmäßig ihre höchsten Werte. Besonders ausgeprägt ist dies in den Jahren 2018, 2022 und teilweise 2023, in denen sowohl die Zahl der Brände als auch die zerstörten Flächen stark ansteigen.

Auffällig ist jedoch, dass Spitzen der Brandanzahl und Spitzen der verbrannten Fläche nicht immer zusammenfallen. Es gibt Monate mit vielen Bränden, die aber nur geringe Flächen betreffen. Das deutet auf eine schnelle Entdeckung und effektive Löschmaßnahmen hin oder darauf, dass die Vegetation in diesen Monaten weniger entzündlich war. Umgekehrt können wenige Brände sehr große Schäden verursachen, wenn sie spät erkannt werden, unter extrem trockenen Bedingungen auftreten oder schwer zugänglich sind.

Die deutlichen Schwankungen der Sommerwerte zwischen den Jahren lassen sich vor allem durch klimatische Unterschiede erklären. Heiße und trockene Sommer – wie 2018 und 2022 – erhöhen das Risiko für großflächige Brände erheblich. Feuchtere Jahre fallen dagegen durch deutlich geringere Schadenssummen auf. Zusätzlich können Windverhältnisse, regionale Waldstrukturen und die Verfügbarkeit von Einsatzkräften Einfluss darauf haben, wie stark Brände um sich greifen.

Insgesamt zeigt das Diagramm, dass Waldbrände klar saisonal gehäuft auftreten, ihre tatsächliche Intensität jedoch stark vom jeweiligen Jahr und den herrschenden Wetterbedingungen abhängt. Dies unterstreicht die Bedeutung einer verbesserten Risikoeinschätzung und gezielten Prävention in Trockenperioden.

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)?
Waldbrandvergleich 2022–2023: Brandenburg vs. Bayern
Bundesland Jahr Anzahl Brände Verbrannte Fläche (ha) Durchschnittliche Fläche pro Brand (ha) Wirtschaftliche Verluste (Tsd. €) Verlust pro ha (€/ha)
Brandenburg
Bayern 2022 145 215 1,48 297,1 1.382
Bayern 2023 75 42 0,56 197,6 4.706
Bayern
Brandenburg 2022 523 1.426 2,73 13,6 10
Brandenburg 2023 251 767 3,06 6,9 9

Die Tabelle macht die deutlichen Unterschiede zwischen Brandenburg und Bayern im Hinblick auf das Waldbrandgeschehen in den Jahren 2022 und 2023 sichtbar. Betrachtet man die Anzahl der Brände und die betroffene Fläche, zeigt sich erneut, dass Brandenburg in beiden Jahren deutlich stärker betroffen ist. Im Jahr 2022 wurden dort 523 Brände registriert, im Jahr 2023 251 Brände. Bayern weist im Vergleich dazu wesentlich niedrigere Werte auf (145 Brände im Jahr 2022 und 75 Brände im Jahr 2023). Auch die betroffenen Flächen fallen in Brandenburg ungleich größer aus: 1.426 Hektar im Jahr 2022 und 767 Hektar im Jahr 2023, während Bayern lediglich 215 Hektar im Jahr 2022 und 42 Hektar im Jahr 2023 verzeichnete.

Das Bild kehrt sich jedoch um, wenn man die ökonomischen Verluste pro Hektar betrachtet. Während in Brandenburg die Schäden je Hektar äußerst gering bleiben – um die 9 Euro pro Hektar in beiden Jahren – fallen die Verluste in Bayern erheblich höher aus. Dort entstehen 1.381,67 Euro pro Hektar im Jahr 2022 und sogar 4.705,71 Euro pro Hektar im Jahr 2023. Diese Werte liegen um ein Vielfaches über denen Brandenburgs und zeigen, dass die wirtschaftlichen Auswirkungen in Bayern trotz kleinerer Flächenbrände deutlich schwerwiegender sind.

Diese Unterschiede lassen sich insbesondere auf die unterschiedliche Waldstruktur und Wertigkeit der Wälder zurückführen. In Bayern dominieren wertvolle Misch- und Laubwälder, deren Holzpreise höher sind und die oft zusätzlich wichtige ökologische oder touristische Funktionen erfüllen. Brände in diesen Gebieten führen daher schon bei kleinen Flächen zu hohen finanziellen Schäden, und auch die Wiederaufforstung ist kostenintensiver. Brandenburg hingegen weist große Kiefernmonokulturen auf, die zwar flächenmäßig anfälliger für Brände sind, jedoch einen deutlich geringeren ökonomischen Wert pro Hektar besitzen. Die Schäden bleiben daher trotz größerer Brandflächen vergleichsweise gering.

Insgesamt zeigt sich, dass sich das „Waldbrandproblem“ in beiden Bundesländern auf sehr unterschiedliche Weise äußert. Brandenburg ist von häufigeren und flächenmäßig größeren Bränden betroffen, trägt jedoch geringere wirtschaftliche Verluste. Bayern hingegen erlebt wesentlich weniger Brände und kleinere Flächenverluste, doch die Schäden, die auftreten, sind aufgrund der hohen Wertigkeit der Wälder deutlich teurer. Beide Bundesländer stehen damit vor erheblichen Herausforderungen, allerdings mit sehr unterschiedlichen Schwerpunkten, was auch unterschiedliche politische, präventive und forstwirtschaftliche Maßnahmen erfordert.

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 Verluste von Stammholz und Industrieholz in Bayern und Brandenburg in den Jahren 2022 und 2023. Zunächst fällt auf, dass in beiden Bundesländern die Holzverluste im Jahr 2023 erheblich höher ausfallen als im Vorjahr. Während 2022 vor allem in Bayern Verluste von Stammholz zu erkennen sind, verliert Brandenburg nur geringe Mengen an Industrie- und Stammholz. Im Jahr 2023 stieg das Schadensvolumen deutlich an. Besonders auffällig ist der Anstieg in Brandenburg, wo sich die Verluste sowohl von Industrieholz als auch von Stammholz vervielfachten. Vor allem Industrieholz, was im Vorjahr noch kaum betroffen war. Bayern verzeichnet im Jahr 2023 ebenso einen deutlichen Zuwachs, insbesondere beim Verlust von Stammholz.

Dieser Trend legt nahe, dass sich die Waldbrandintensität und vor allem die betroffenen Waldtypen zwischen den Jahren spürbar verändert haben. Besonders in Brandenburg fällt der massive Anstieg der Holzverluste auf: Vor allem Industrieholz ist betroffen. Zwar steigt im Jahr 2023 auch der Verlust an Stammholz an, doch im Verhältnis wird deutlich, dass vor allem große Mengen wirtschaftlich weniger wertvollen Industrieholzes verbrannt sind, was mit der Struktur der brandenburgischen Kiefernforste übereinstimmt. In Bayern hingegen weist die deutliche Zunahme beim Stammholz auf ein anderes Schadensmuster hin: 2023 scheinen verstärkt höherwertige Waldstrukturen betroffen gewesen zu sein, was zur ökonomischen Bedeutung der dort verbreiteten Misch- und Laubwälder passt. Die gleichzeitig gestiegenen Verluste an Industrieholz zeigen zudem, dass die Brände nicht nur wertvolle Bestände, sondern auch produktionsorientierte Wälder getroffen haben.

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. Die Erhöhung von Bußgeldern und Strafen für fahrlässige oder vorsätzliche Brandstiftung ist vor allem deshalb wirksam, weil ein großer Teil der sommerlichen Brandspitzen (wie in Aufgabe 15 sichtbar) durch menschliches Verhalten ausgelöst wird. Diese Maßnahme ist kostengünstig und hat besonders in Regionen Wirkung, in denen Wälder stark touristisch genutzt werden oder viel besucht werden. Die Ergebnisse aus Aufgabe 16 zeigen, dass in Bayern durch die Nähe zu Siedlungen und Erholungsgebieten Brände oft in wertvolle Mischwälder auftreten und hohe Schäden verursachen. Dort können strengere Strafen eine kurzfristige Verhaltensänderung bewirken und damit ökonomisch wirksame Schäden reduzieren. In Brandenburg dagegen, wo die meisten Großbrände auf extreme Trockenheit und die hohe Entflammbarkeit von Kiefernforsten zurückzuführen sind, bleibt der Nutzen dieser Maßnahme begrenzt, da solche Strafen nicht die klimatisch bedingten Großfeuer verhindern können, die in Aufgabe 15 deutlich sichtbar wurden.
  2. Deutlich langfristiger und strukturell entscheidender ist der Waldumbau. Die Analyse aus Aufgabe 16 zeigte, dass Brandenburg trotz sehr großer Brandflächen nur geringe Schäden pro Hektar verzeichnet, aufgrund des dominierendem Industrieholz. Aufgabe 17 machte zudem sichtbar, dass Brandenburg 2023 zwar enorme Mengen Holz verlor, jedoch überwiegend Industrieholz und in geringerem Maße hochwertiges Stammholz. Ein systematischer Umbau von riskanten Monokulturen weniger brennbare Mischwälder könnte langfristig sowohl die Ausbreitungsgeschwindigkeit von Bränden als auch die ökonomische Verwundbarkeit reduzieren. Diese Maßnahme ist kostenintensiv und wirkt erst nach Jahrzehnten, bietet aber den größten nachhaltigen Nutzen, vor allem für Brandenburg. Auch Bayern profitiert, da die dortigen hochwertigen Mischwälder durch klimastabile Strukturen besser gegen extreme Sommer wie in Aufgabe 15 geschützt werden und so die außergewöhnlich hohen Stammholzverluste aus 2023 (Aufgabe 17) entschärft werden können.
  3. Die Investition in moderne Überwachungstechnologien wie Drohnen, Wärmebildkameras, Satellitenmonitoring und Sensornetze ist eine Maßnahme, die ökologisch und ökonomisch einen hohen Nutzen verspricht. Die zeitlichen Muster aus Aufgabe 15 zeigen, dass sich Brandspitzen oft innerhalb kurzer Hitzeperioden entwickeln. Moderne Frühwarnsysteme ermöglichen genau in diesen Phasen eine schnellere Identifikation von Entstehungsbränden und damit eine drastische Reduktion der verbrannten Fläche. Gleichzeitig schützt Technikeinsatz in Bayern insbesondere wertvolle Mischwälder und hochpreisiges Stammholz, dessen Verlust pro Hektar überproportional hohe wirtschaftliche Schäden verursacht (Aufgabe 16).

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 bereinigte Datensatz umfasst insgesamt 27 EU-Mitgliedstaaten, darunter Österreich, Belgien, Bulgarien, Kroatien, Zypern, Tschechien, Dänemark, Estland, Finnland, Frankreich, Deutschland, Griechenland, Ungarn, Irland, Italien, Lettland, Litauen, Luxemburg, Malta, die Niederlande, Polen, Portugal, Rumänien, die Slowakei, Slowenien, Spanien und Schweden. Aggregierte Werte wie „European Union (27 countries)“ wurden im Rahmen der Filterung entfernt, sodass ausschließlich reine Länderbeobachtungen enthalten sind.

Der analysierte Zeitraum erstreckt sich von 2010 bis 2022. Damit deckt der Datensatz die wesentlichen Jahre der letzten gemeinsamen Agrarpolitik-Reformperiode (2014–2020) sowie deren Übergangsphase ab und erlaubt einen mehrjährigen Vergleich der EU-Förderstrukturen über sämtliche Mitgliedstaaten hinweg.

Die im Datensatz enthaltene Variable Indicator_Type unterscheidet zwischen den beiden Säulen der Gemeinsamen Agrarpolitik (GAP). Output_Pillar I umfasst die direkt einkommensstützenden Maßnahmen sowie marktbezogene Instrumente, die über den Europäischen Garantiefonds für die Landwirtschaft (EGFL) finanziert werden. Dazu gehören einerseits die Direktzahlungen (Direct Payments), die landwirtschaftliche Betriebe über Flächen- und Betriebsprämien unmittelbar unterstützen, sowie andererseits die Marktmaßnahmen (Market Measures), die zur Stabilisierung von Agrarmärkten eingesetzt werden, etwa durch Interventionskäufe, Lagerhaltung oder Kriseninstrumente. Output_Pillar II hingegen umfasst ausschließlich Maßnahmen der ländlichen Entwicklung (Rural Development), die über den Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER) finanziert werden. Zu diesen Programmen zählen u. a. Agrarumwelt- und Klimamaßnahmen, Investitionsförderungen, LEADER-Initiativen sowie Unterstützungsmaßnahmen für benachteiligte Gebiete.

Die unterschiedliche Untergliederung der Säulen spiegelt ihre ökonomische und administrative Struktur wider: Während die erste Säule funktional zweigeteilt ist (Einkommensstützung einerseits und Marktregulierung andererseits), bündelt die zweite Säule sämtliche Entwicklungsprogramme unter einem einheitlichen Förderrahmen. Die Indikatorentypen lassen sich gut mit den nationalen Förderkategorien in Deutschland vergleichen: Die EU-Direktzahlungen entsprechen den EGFL-Förderbeträgen im deutschen Datensatz, die Marktmaßnahmen decken sich weitgehend mit national kofinanzierten Marktinterventionsprogrammen, und die Maßnahmen der ländlichen Entwicklung entsprechen den ELER-Fördermitteln auf Bundes- und Landesebene.

Für die anschließende Analyse wurden die Subventionen pro Land und Jahr aggregiert. Dabei wurden alle Subventionsbeträge (Subsidy) eines Jahres je Mitgliedstaat aufsummiert, fehlende Werte korrekt behandelt und als Total_Subsidy gespeichert. Der resultierende Datensatz enthält nun für jedes EU-Mitgliedsland und jedes Jahr eine eindeutige, konsolidierte Förderhöhe.

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.

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.

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).

Der Vergleich zwischen Deutschland und Frankreich zeigt, dass die Unterschiede in den Subventionssummen nicht nur auf die Größe der Länder zurückzuführen sind, sondern vor allem auf unterschiedliche agrarische Strukturen und die historischen Rahmenbedingungen der Gemeinsamen Agrarpolitik. Frankreich verfügt über eine stärker flächenorientierte Landwirtschaft und traditionell hohe Direktzahlungsansprüche, während Deutschland eine diversifiziertere Agrarstruktur aufweist und weniger stark von reinen Einkommensstützungen abhängig ist. Dadurch wirkt sich die EU-Förderlogik in beiden Ländern unterschiedlich aus.

Die Subventionssummen sind daher nur eingeschränkt zwischen Ländern vergleichbar, da sie jeweils spezifische Produktionsbedingungen, Betriebsgrößen, Marktstrukturen und nationale Prioritäten widerspiegeln. Für die wirtschaftspolitische Steuerung bedeutet dies, dass Förderhöhen pro Hektar oder pro Betrieb aussagekräftiger sind als absolute Summen. Zugleich werden durch hohe Direktzahlungen insbesondere jene Länder unterstützt, deren Einkommen stark von EU-Transfers abhängen, während andere stärker marktorientiert agieren.

Bei Ländern mit stark schwankenden Subventionen fallen deutliche Ausschläge in Jahren mit Reformen der GAP, wirtschaftlichen Krisen oder strukturellen Veränderungen im Agrarsektor auf. Staaten wie Griechenland, Rumänien oder Portugal zeigen deutliche Veränderungen, die häufig auf nationale Kofinanzierungsprobleme, Verzögerungen in Entwicklungsprogrammen oder externe Schocks wie Wirtschafts- oder Agrarkrisen zurückzuführen sind. Auch Beitrittsländer oder Staaten mit stark wandelnder Landwirtschaft weisen solche Dynamiken auf.

Diese Schwankungen verdeutlichen, dass Subventionszahlungen nicht nur als agrarwirtschaftlicher Indikator zu verstehen sind, sondern als Ausdruck politischer Prioritäten und administrativer Kapazitäten. Starke jährliche Veränderungen können auf Reformen, Krisen oder strukturelle Anpassungen hindeuten, während stabile Verläufe auf konsolidierte Agrarsektoren schließen lassen. Insgesamt zeigen die Daten, dass EU-Subventionen vielfältige Ursachen und Funktionen haben und in jedem Land unterschiedlich wirken.