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.

Wie hoch ist das Gesamtbudget für die „Gemeinsame Agrarpolitik“ (GAP) der EU für Gesamteuropa?

Das Gesamtbudget der „Gemeinsamen Agrarpolitik“ (GAP) der EU für den aktuellen Zeitraum 2021–2027 beträgt etwa 387 Milliarden Euro, die aus dem EU-Haushalt stammen. Das entspricht im Jahr 2024 etwa 56 Milliarden Euro. Diese Mittel werden auf zwei Säulen verteilt: Rund 291,1 Milliarden Euro fließen in den „Europäischen Garantiefonds für die Landwirtschaft“ (EGFL), während 95,5 Milliarden Euro für den „Europäischen Landwirtschaftsfonds für ländliche Entwicklung“ (ELER) vorgesehen sind.

  1. (Europäisches Parlament (2025). Die gemeinsame Agrarpolitik der EU, ihre Reform und Zukunft im Überblick https://www.europarl.europa.eu/topics/de/article/20210916STO12704/die-gemeinsame-agrarpolitik-der-eu-ihre-reform-und-zukunft-im-uberblick )

  2. (Europäische Kommission (2024). Anteil der Direktzahlungen und der Subventionen insgesamt am landwirtschaftlichen Faktoreinkommen https://agriculture.ec.europa.eu/data-and-analysis/financing/cap-expenditure_de#anteil-der-direktzahlungen-und-der-subventionen-insgesamt-am-landwirtschaftlichen-faktoreinkommen-durchschnitt-2018-2022)

Welchen Betrag davon erhält Deutschland?

Deutschland erhält aus den GAP-Mitteln etwas mehr als 11 % pro Jahr, was für den gesamten Förderzeitraum einem Gesamtvolumen von rund 43,4 Milliarden Euro entspricht. Das entspricht etwa 6,2 Milliarden jährlich, die zur Unterstützung der deutschen Land- und Forstwirtschaft eingesetzt werden können. 2024 waren es insgesamt 6,340 Milliarden Euro, die Deutschland aus der „Gemeinsamen Agrarpolitik“ (GAP) erhielt. Davon entfielen 4.375 Millionen auf Direktzahlungen, 1.843 Millionen auf Mittel aus dem ELER und 123 Mio. Euro auf sektorale Programme.

  1. (Bundesministerium für Ernährung und Landwirtschaft (BMEL, 2024). Grundzüge der „Gemeinsamen Agrarpolitik“ (GAP) und ihrer Umsetzung in Deutschland. Abgerufen von https://www.bmleh.de/DE/themen/landwirtschaft/eu-agrarpolitik-und-foerderung/gap/gap-dashboard.html.)

  2. (Europäisches Parlament (2024). Financing of the CAP: Facts and Figures. Abgerufen von https://www.europarl.europa.eu/factsheets/en/sheet/106/financing-of-the-cap-facts-and-figures; Bundesministerium für Ernährung und Landwirtschaft (BMEL, 2024))

  3. (Grundzüge der „Gemeinsamen Agrarpolitik“ (GAP) und ihrer Umsetzung in Deutschland. Abgerufen von https://www.bmel.de/DE/themen/landwirtschaft/eu-agrarpolitik-und-foerderung/gap/gap-nationale-umsetzung.html)

Wie hoch ist der prozentuale Anteil der Land- und Forstwirtschaft am BIP der gesamten EU?

Der prozentuale Anteil der Land- und Forstwirtschaft am Bruttoinlandsprodukt (BIP) der gesamten EU liegt bei etwa 1,2 %, was zeigt, dass der Sektor insgesamt nur einen kleinen Anteil am Gesamtwirtschaftsvolumen ausmacht.

(Europäische Kommission / Eurostat (2025). Performance of the agricultural sector. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Performance_of_the_agricultural_sector)

Wie hoch ist der entsprechende Anteil am BIP Deutschlands?

Auch in Deutschland macht die Land- und Forstwirtschaft nur rund 1 % des BIP aus und liegt damit unter dem europäischen Durchschnitt.

(Statistisches Bundesamt (Destatis) (o.J.). Deutschland – Europa im EU-Vergleich 2025: Basistabelle „Übersicht“, https://www.destatis.de/Europa/DE/Thema/Basistabelle/Uebersicht.html?utm#396290)

Welcher prozentuale Anteil aller Erwerbstätigen in der EU ist im Sektor Land- und Forstwirtschaft beschäftigt?

Im Jahr 2024 sind etwa 4,5 % aller Erwerbstätigen in der EU in den Bereichen Landwirtschaft, Forstwirtschaft und Fischerei beschäftigt, was zeigt, dass dieser Sektor auf dem Arbeitsmarkt eher eine geringe Rolle spielt. Die Zahlen schließen die Fischerei mit ein, da sie in den offiziellen Statistiken zusammengefasst werden.

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

Welcher prozentuale Anteil ist es in Deutschland?

In Deutschland ist der Anteil in diesen Bereichen mit gerade einmal 1,2 % noch einmal deutlich geringer und zeigt die kleine Rolle der Land- und Forstwirtschaft im Vergleich zu anderen EU-Mitgliedstaaten.

(Statistisches Bundesamt (Destatis) (o.J.). Arbeitsmarkt — Lange Reihen: Erwerbstätige nach Wirtschaftssektoren, Deutschland: https://www.destatis.de/DE/Themen/Wirtschaft/Konjunkturindikatoren/Lange-Reihen/Arbeitsmarkt/lrerw13a.html)

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 „Gemeinsame Agrarpolitik“ (GAP) der EU gliedert sich in zwei Säulen, die unterschiedliche Aufgaben verfolgen und über zwei zentrale Fonds aus dem EU-Haushalt finanziert werden.

EGFL-Förderung

Der „Europäische Garantiefonds“ für die Landwirtschaft (EGFL) finanziert die erste Säule der GAP, die vollständig EU-finanziert ist. Diese umfasst Direktzahlungen und marktbezogene Maßnahmen, mit denen das Einkommen der Landwirte stabilisiert und die Agrarmärkte unterstützt werden. Der Fonds sorgt dafür, dass Landwirte regelmäßig Direktzahlungen erhalten und bei Marktkrisen oder Preisschwankungen abgesichert sind.

ELER-Förderung

Der „Europäische Landwirtschaftsfonds für die Entwicklung des ländlichen Raums“ (ELER) finanziert die zweite Säule, die sich der ländlichen Entwicklung widmet. Sie zielt auf langfristige Verbesserungen ab, indem sie nachhaltige Strukturen, Umwelt- und Klimaschutz sowie die Modernisierung landwirtschaftlicher Betriebe fördert. Der Fonds ermöglicht damit Projekte, die die Wettbewerbsfähigkeit der Betriebe stärken und die ländlichen Regionen insgesamt unterstützen. Die Mittel aus dem ELER müssen zwingend durch nationale Mittel kofinanziert werden.

Nationale Kofinanzierung

Die nationale Kofinanzierung ergänzt die ELER-Mittel, indem die einzelnen Mitgliedstaaten eigene Mittel bereitstellen. Viele Förderprogramme könnten ohne diesen zusätzlichen Beitrag nicht vollständig umgesetzt werden. So können die EU-Mittel besser genutzt werden und die Förderung passt sich den wichtigsten Themen im jeweiligen Land an.

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 Aufgabe bietet sich ein Left Join an, weil der Datensatz „waldbraende_gesamt“ der Hauptdatensatz ist, da er bereits alle grundlegenden Informationen zu Waldbränden für alle Regionen, Jahre und Monate enthält. Mit einem Left Join bleiben alle Einträge daraus erhalten und werden lediglich um die passenden Informationen aus „waldbraende_information“ ergänzt. Dies ist vor allem sinnvoll, da so die monatlichen Daten aus „waldbraende_gesamt“ vollständig erhalten bleiben, während gleichzeitig jährliche Zusatzinformationen aus „waldbraende_information“ integriert werden. Somit können mit dem neuen Datensatz zu einem späteren Zeitpunkt sowohl Analysen auf monatlicher als auch auf jährlicher Ebene durchgeführt werden. Andere Join-Arten sind wenig geeignet, da ein Inner Join die Daten aus dem Hauptdatensatz verlieren würde, ein Full Join zu vielen unnötigen NA-Werten führen würde und ein Right Join fehlende Werte und inkonsistente Daten erzeugen würde.

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 von ausgewiesenen und berechneten Förderbeträgen nach Bundesland (2023–2024)
Bundesland Gesamtförderbetrag (Mio. €) Berechneter Förderbetrag (Mio. €) Absolute Abweichung (Mio. €)
Bayern 1.421,23 1.286,81 134,42
Niedersachsen 966,03 939,27 26,76
Baden-Württemberg 683,39 613,81 69,57
Nordrhein-Westfalen 633,84 594,13 39,71
Sachsen-Anhalt 598,78 552,65 46,14
Mecklenburg-Vorpommern 598,51 569,97 28,54
Brandenburg 598,36 564,37 33,99
Sachsen 475,95 446,33 29,62
Thüringen 425,68 392,95 32,74
Schleswig-Holstein 399,57 370,23 29,34
Hessen 335,00 320,41 14,59
Rheinland-Pfalz 323,47 293,27 30,21
Saarland 34,71 31,22 3,50
Hamburg 7,40 7,23 0,17
Berlin 6,35 5,47 0,87
Bremen 4,87 4,40 0,47

Beschreibung

Die Tabelle zeigt für jedes der 16 Bundesländer die original ausgewiesenen Gesamtbeträge der Förderungen für die Jahre 2023 und 2024, die berechneten Summen aus den einzelnen Förderspalten sowie die absolute Abweichung zwischen diesen beiden Werten. Die Bundesländer sind nach der Höhe ihres jeweiligen Förderbetrags aus den Originaldaten absteigend sortiert, sodass oben die Länder mit den meisten Fördergeldern stehen. Bayern liegt dabei mit etwa 1,42 Milliarden Euro deutlich vorne und hat gleichzeitig mit rund 134 Millionen die größte Abweichung. Niedersachsen folgt zwar bei den Gesamtsummen an zweiter Stelle (ca. 966 Mio. €), fällt aber durch eine relativ geringe Abweichung von 26,8 Mio. € auf. Hamburg, Berlin und Bremen liegen sowohl bei den Gesamtbeträgen als auch bei den Abweichungen ganz unten. Die Daten zeigen insgesamt eine große Spannweite und schwanken stark zwischen den Bundesländern. Allerdings liegen die berechneten Summen innerhalb der Bundesländer größtenteils relativ nah an den jeweiligen Gesamtbeträgen, sodass es zwischen beiden Spalten keine großen Unterschiede gibt.

Interpretation

Tendenziell zeigt sich, dass Bundesländer mit vielen Begünstigten und hohen Auszahlungsvolumina auch größere absolute Abweichungen aufweisen. Beispiele dafür sind Bayern, Baden-Württemberg oder Sachsen-Anhalt. Je mehr Einzelzahlungen und Verwaltungsprozesse involviert sind, desto eher summieren sich kleine Rundungsfehler oder zeitliche Unterschiede bei Buchungen zu größeren Differenzen. Dass dies nicht zwangsläufig der Fall ist, verdeutlicht Niedersachsen: Trotz hoher Gesamtförderung fällt die Abweichung vergleichsweise gering aus, was auf einheitlichere oder sauberere Buchungsprozesse hindeuten könnte.

Dass solche Unterschiede zwischen den original ausgewiesenen Gesamtbeträgen und den berechneten Summen aus den Einzelsummen auftreten, obwohl die Daten aus offiziellen Quellen stammen, liegt an mehreren Faktoren der Struktur der „Gemeinsamen Agrarpolitik“ (GAP) und ihrer Verwaltung. Zum einen hängt die Abweichung mit der Organisation der geteilten Verwaltung („Shared Management“) zusammen. Die EU stellt die Mittel bereit, während nationale bzw. regionale Stellen die Zahlungen durchführen und in eigenen IT-Systemen erfassen. Unterschiedliche Stichtage, nachträgliche Korrekturen oder Rundungen können so entstehen. Zusätzlich nutzen die Bundesländer verschiedene technische Systeme und Abläufe, sodass Unterschiede in Datenqualität oder Erfassungszeitpunkten normal sind.

Zum anderen können Abweichungen auch dadurch entstehen, dass bestimmte Förderprogramme, Sonderprämien oder nachträgliche Zahlungen in den offiziellen Gesamtbeträgen enthalten sind, in den berechneten Einzelsummen jedoch nicht vollständig berücksichtigt werden. Dies betrifft etwa ELER-Maßnahmen (Ländliche Entwicklung), Investitionsförderungen oder regionale Projekte, die zusätzlich zu den Direktzahlungen von Bund und Ländern kofinanziert werden und so zu größeren Differenzen führen können. Diese materiellen Unterschiede in den Förderarten (Sonderzahlungen, nationale Zuschüsse) sind oft der wichtigere Grund für die großen, systematischen Abweichungen in den Ländern mit den höchsten Förderbeträgen.

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:

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

Beschreibung

Die Tabelle ist in zwei Abschnitte unterteilt: die Top-6 Empfänger mit den höchsten Gesamtfördersummen und die 6 Empfänger mit den niedrigsten Gesamtfördersummen für das Haushaltsjahr 2024. Für jeden Empfänger sind der Name, die Gesamtfördersumme, die Postleitzahl, die Gemeinde und das jeweilige Bundesland angegeben.

In der Top-6-Empfänger-Tabelle liegen die Förderbeträge zwischen etwa 3,8 und 37,1 Millionen Euro und die Liste ist absteigend nach der Höhe der Gesamtfördersumme sortiert. Die Empfänger sind überwiegend staatliche Institutionen oder große Unternehmen. Sie kommen aus verschiedenen Bundesländern wie Sachsen-Anhalt oder Mecklenburg-Vorpommern. Der Top-Empfänger ist die Landesbetriebe für Hochwasserschutz und Wasserwirtschaft (LHW) mit etwa 37 Millionen Euro, während der Empfänger mit dem niedrigsten Betrag das Landesforstamt Mecklenburg-Vorpommern mit rund 3,8 Millionen Euro ist. Die zwei Top-Empfänger machen dabei deutlich mehr als die Hälfte der Gesamtsumme der Top 6 aus.

Die Tabelle für die niedrigsten 6 Empfänger ist ebenfalls absteigend nach der Höhe der Gesamtfördersumme sortiert. Die Förderbeträge liegen zwischen 25,48 € und 55,51 € und alle Empfänger werden als „Kleinempfänger“ bezeichnet. Sie kommen hauptsächlich aus Bayern und Sachsen.

Interpretation

Die auffälligste Beobachtung in den Daten ist die extreme Diskrepanz zwischen den Top-Empfängern und den Kleinempfängern. Die Top-6-Empfänger erhalten Fördermittel in Millionenhöhe, während die niedrigsten Empfänger Beträge unter 60 € erhalten. Die größten Empfänger sind überwiegend staatliche Institutionen oder große Organisationen (z.B. Landesbetriebe, Ministerien) aus größeren Städten und Landeshauptstädten, während die kleinsten Empfänger vermutlich Privatpersonen oder kleine Betriebe aus Kleingemeinden sind. Angesichts der geringen Beträge und der ländlichen Postleitzahlen ist davon auszugehen, dass es sich bei diesen „Kleinempfängern“ um einzelne Landwirte oder Kleinstbetriebe handelt. Die geografische Verteilung deutet darauf hin, dass hohe Förderbeträge vor allem in den nördlichen und östlichen Bundesländern vergeben werden, während die niedrigsten Beträge eher in südlichen und teils ländlichen Regionen zu finden sind.

Auffällig ist außerdem, dass innerhalb der Top-Empfänger vor allem der Landesbetrieb für Hochwasserschutz und Wasserwirtschaft sowie die Einrichtung für Nationalpark- und Meeresschutz dominieren. Das liegt zum einen daran, dass diese Institutionen für sehr große Gebiete zuständig sind, und zum anderen daran, dass solche Maßnahmen über bundesweite Programme oder EU-Mittel wie den ELER kofinanziert werden.

Eine forstwirtschaftliche Einrichtung ist in den Top-6 vertreten: der Landesforst Mecklenburg-Vorpommern. Das zeigt, dass die Forstwirtschaft in der Subventionslandschaft eine wichtige Rolle spielt, vor allem bei größeren Landesforstbetrieben. Die Fördermittel fließen hier vermutlich in Aufforstung, nachhaltige Bewirtschaftung und Umweltschutzmaßnahmen. Zusammen mit den anderen großen Empfängern wie Landesbetrieben für Hochwasserschutz, Küstenschutz und Umwelt zeigt sich, dass die staatlichen Fördermittel nicht nur in der Forstwirtschaft, sondern auch in Umwelt- und Naturschutzmaßnahmen fließen.

Insgesamt deutet die Verteilung jedoch darauf hin, dass umwelt- und naturschutzbezogene Großprojekte einen besonders hohen Stellenwert in der Förderlogik haben, während land- und forstwirtschaftliche Einzelbetriebe im Vergleich geringere Fördervolumina erhalten.

  1. Sie sollten sich im ersten Schritt einen Überblick über ihre Daten und deren Verteilung verschaffen. Auf Basis des Datensatzes subventionen_gesamt sollten Sie eine deskriptive Tabelle mit der Anzahl an Beobachtungen (ohne fehlende Werte), den Mittelwerten, den Standardabweichungen, dem Median sowie den Minima und Maxima für folgende Variablen erstellen:

Achten Sie auch hier auf eine ansprechende Darstellung der Tabelle. Beschreiben und interpretieren Sie ihre Tabelle. Gehen Sie insbesondere auf die Verteilungen der einzelnen Variablen ein. Was fällt hier besonders auf?

Überblick über die Verteilung der Förderarten
Förderart Beobachtungen Mittelwert Standardabweichung Median Maximum Minimum
EGFL-Förderung 288.334 18.075,44 51.772,29 7.256,10 6.345.377 0
ELER-Förderung 288.334 5.818,06 87.094,53 560,53 28.223.329 -840
Nationale Kofinanzierung 288.334 357,98 2.362,96 0,00 644.951 0
Gesamtförderbetrag 288.334 24.251,48 104.736,93 9.515,18 28.223.329 0
Berechneter Förderbetrag 288.334 26.057,11 132.233,18 10.011,80 37.149.868 0

Beschreibung

Die vorliegende Tabelle bietet eine statistische Übersicht über fünf verschiedene Förderarten, jeweils basierend auf einer identischen Anzahl von 288.334 Beobachtungen pro Kategorie. Für jede Förderart werden der Mittelwert, die Standardabweichung, der Median sowie Maximum und Minimum ausgewiesen. Die betrachteten Förderarten umfassen die „EGFL-Förderung“, die „ELER-Förderung“, die „Nationale Kofinanzierung“, den „Gesamtförderbetrag“ sowie den „berechneten Förderbetrag“ . Strukturell ist die Tabelle so aufgebaut, dass zunächst die drei Einzelkomponenten der Förderung präsentiert werden (EGFL, ELER und nationale Kofinanzierung). Im Anschluss folgen zwei Summenvariablen. Der „berechnete Förderbetrag“ stellt dabei die rechnerische Summe der zuvor genannten Komponenten dar, wohingegen der „Gesamtförderbetrag“ den im ursprünglichen Datensatz ausgewiesenen Gesamtbetrag repräsentiert.

Zwischen diesen Fördersparten unterscheiden sich die Beträge im Datensatz deutlich: Der EGFL-Förderbetrag weist mit rund 18.000 € den mit Abstand größten Mittelwert der Einzelsummen auf, während die nationalen Kofinanzierungsprogramme lediglich einen Mittelwert von etwa 358 € haben. Auffällig ist insbesondere das negative Minimum von etwa –840 € beim ELER-Förderbetrag, während die übrigen Förderarten Minima von null aufweisen. Zudem weist die „Nationale_Kofinanzierung“ einen Median von 0 auf, was deutlich von den Medianen der anderen Förderarten abweicht.

Interpretation

Die Verteilung der Förderbeträge ist äußerst ungleich, was typisch für Subventionsdaten ist. Dies wird durch den großen Unterschied zwischen Median und Mittelwert deutlich wie beispielsweise beim EGFL: Während der Median bei lediglich 7256 liegt, beträgt der Mittelwert 18.075,44 . Diese Diskrepanz verdeutlicht, dass ein sehr großer Teil der Begünstigten, Kleinstbeträge erhält, während wenige extrem hohe Zahlungen erhalten und dadurch den Durchschnitt massiv nach oben verzerren. Die hohe Standardabweichung bestätigt diese starke Spreizung der Werte. Insgesamt zeigt sich, dass die Förderlandschaft vor allem durch zahlreiche kleine und mittlere Beträge gekennzeichnet ist, die nur von wenigen sehr hohen Förderungen ergänzt werden.

Mit einem Mittelwert von rund 18.075 fällt der EGFL besonders ins Gewicht und zeigt, wie wichtig die Direktzahlungen aus dem ersten Pfeiler der europäischen Agrarpolitik sind. Dies erklärt auch, warum der Median der „Nationalen Kofinanzierung“ bei 0,00 € liegt. Die nationale Kofinanzierung ist nur für Maßnahmen des zweiten Pfeilers “ELER” notwendig. Da aber die Mehrheit der Transaktionen reine EGFL-Direktzahlungen sind, die keine nationale Beteiligung erfordern, liegt der Wert für über 50 % der Beobachtungen bei null.

Das negative Minimum beim ELER-Förderbetrag ist ein Hinweis auf Kontroll- und Korrekturmechanismen innerhalb der Förderverwaltung. Solche negativen Werte entstehen typischerweise durch Rückforderungen oder buchhalterische Bereinigungen, wenn Auszahlungen nicht regelkonform verwendet wurden.

Schließlich fällt der Unterschied zwischen dem „berechneten Förderbetrag“ und „Gesamtförderbetrag“ ins Auge. Die berechnete Summe liegt in allen Kennzahlen, von Mittelwert bis Minimum, systematisch unter dem original ausgewiesenen Gesamtbetrag und zeigt beispielsweise eine um etwa 30.000 höhere Standardabweichung. Diese Abweichung legt nahe, dass im Gesamtbetrag zusätzliche Komponenten enthalten sind, die in den drei Einzelkategorien nicht erfasst werden.

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:

Beschreibung

Das vorliegende gestapelte Balkendiagramm zeigt die prozentuale Verteilung der Förderarten in allen 16 Bundesländern im Jahr 2023. Auf der horizontalen Achse ist der prozentualen Anteil der jeweiligen Förderarten von 0 bis 100 % darstellt, während auf der vertikalen Achse die Bundesländer in alphabetischer Reihenfolge angeordnet. Jede Säule reicht entsprechend bis zur 100-Prozent-Marke, da jeweils die vollständige Verteilung der Fördermittel eines Bundeslandes abgebildet wird.

Die Förderarten sind farblich kodiert: Die EGFL-Förderung erscheint in Rot, die ELER-Förderung in Grün, die nationale Kofinanzierung in Türkis und die sonstigen nationalen Mittel in Violett. Ihre prozentualen Anteile schwanken zwar vereinzelt etwas zwischen den Bundesländern, bleiben insgesamt jedoch relativ stabil.

In nahezu allen Bundesländern stellt die EGFL-Förderung den größten Anteil dar. Sie erreicht überwiegend Werte zwischen etwa 60 % und 75 % und liegt in Hamburg sogar bei über 75 %. Eine deutliche Ausnahme bildet Berlin, wo die ELER-Förderung mit einem Anteil von knapp 50 % die dominierende Förderart ist. In allen übrigen Bundesländern ist die ELER-Förderung nach dem EGFL der zweitgrößte Bestandteil der Säule. Die sonstigen nationalen Mittel sind hingegen durchgängig die kleinste Kategorie und erreichen meist nur einstellige oder knapp zweistellige Prozentwerte. Die nationale Kofinanzierung ist in den 16 Bundesländern entweder nicht vorhanden oder so gering ausgeprägt, dass ihr Anteil im gestapelten Balkendiagramm nicht sichtbar wird.

Interpretation

Bei der Betrachtung der prozentualen Förderanteile ist zunächst wichtig zu betonen, dass hohe oder niedrige Prozentwerte nicht bedeuten, dass ein Bundesland absolut mehr oder weniger Geld erhält, sondern sie spiegeln lediglich die Verteilung der Mittel auf die verschiedenen Förderarten wider. Die Verteilung der Agrarfördermittel im Jahr 2023 unterscheidet sich dabei teilweise zwischen den Bundesländern. Die hohen prozentualen EGFL-Anteile in vielen Ländern lassen sich gut erklären, denn der EGFL finanziert vor allem die flächengebundenen Direktzahlungen der ersten Säule, die den wichtigsten Bestandteil der landwirtschaftlichen Unterstützung darstellen (vgl. Aufgabe 2). Wie bereits in Aufgabe 1 festgestellt wurde, fließt der Großteil der gesamten GAP-Mittel nach Deutschland in genau diese Direktzahlungen. Es ist daher naheliegend, dass die EGFL-Förderung in der Mehrzahl der Bundesländer den größten Anteil ausmacht. Besonders Regionen mit großen, intensiv genutzten Agrarflächen, etwa in Nord- und Ostdeutschland, profitieren stark von diesen Zahlungen.

Die größten Abweichungen von diesem Muster zeigen sich in den Stadtstaaten. Berlin weist einen ungewöhnlich niedrigen EGFL-Anteil und gleichzeitig den höchsten ELER-Anteil auf. Das lässt sich damit erklären, dass Berlin trotz seines überwiegend städtischen Umfelds über größere Randbereiche verfügt, in denen viele Umwelt-, Klima- und Naturschutzprogramme umgesetzt werden. Solche Projekte werden hauptsächlich über den ELER finanziert und haben in der Berliner Agrarpolitik einen wichtigen Stellenwert. Dadurch wächst der Anteil der zweiten Säule im Vergleich zu den anderen Förderarten deutlich an. Hinzu kommt, dass Berlin aufgrund seines städtischen Charakters über nur wenige landwirtschaftliche Betriebe mit größeren Agrarflächen verfügt. Dementsprechend fällt die flächenbezogene EGFL-Förderung in der Stadt vergleichsweise gering aus.

Hamburg zeigt ein ganz anderes Bild. Da der Stadtstaat nur wenig klassischen ländlichen Raum besitzt und typische ELER-Maßnahmen wie Dorfentwicklung oder regionale Strukturförderung kaum möglich sind, konzentriert sich die Agrarförderung fast vollständig auf die wenigen intensiv bewirtschafteten Flächen. Insgesamt verfügt Hamburg über deutlich mehr landwirtschaftliche Nutzfläche als Berlin. Obwohl es sich auch um eine Großstadt handelt, gibt es ein großes Umland mit ausgeprägter Landwirtschaft. Dadurch wird die EGFL-Förderung zum praktisch einzigen bedeutenden Bestandteil, während der ELER-Anteil entsprechend sehr gering ausfällt.

Zusammenfassend lässt sich sagen, dass die Unterschiede sich somit gut durch die verschiedenen Aufgaben der beiden GAP-Säulen erklären lassen, die bereits in Aufgabe 2 erläutert wurden: In Hamburg, wo der EGFL-Anteil hoch ist, steht vor allem die Einkommenssicherung der Betriebe im Vordergrund. Ein hoher ELER-Anteil, wie er beispielsweise in Berlin vorkommt, deutet dagegen darauf hin, dass ein Bundesland eher auf Umwelt-, Klima- und Landschaftsschutz sowie die Entwicklung des ländlichen Raums setzt.

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 der Gesamtfördersummen von 2023 und 2024 je 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

Beschreibung

Die Tabelle zeigt die Entwicklung der Gesamtfördersummen im Zeitraum von 2023 bis 2024 auf Ebene der 16 Bundesländer. Sie listet alle Bundesländer untereinander auf und umfasst vier Spalten: die Gesamtfördersumme für 2023, die Gesamtfördersumme für 2024, die absolute Veränderung zwischen beiden Jahren sowie die relative Veränderung. Die Reihenfolge der Bundesländer richtet sich nach der absoluten Veränderung, sortiert in absteigender Reihenfolge, wobei Bayern mit einer absoluten Veränderung von -206,99 Millionen Euro ganz oben steht, während das Saarland mit einer Veränderung von - 50.000 Euro ganz unten aufgeführt ist.

Auffällig ist, dass das Saarland im Vergleich zu allen anderen Bundesländern eine besonders geringe relative Veränderung von -0.3 aufweist, während die übrigen Länder in einem deutlich höheren Bereich zwischen rund -12 und -33 Prozent liegen. Außerdem zeigt die Tabelle, dass generell alle Bundesländer eine negative Veränderung ihrer Gesamtfördersumme gegenüber dem Vorjahr aufweisen.

Interpretation

Der bundesweit einheitliche Rückgang der Fördersummen zwischen 2023 und 2024 ist vor allem ein strukturelles Problem und direkt auf die neue EU-Agrarpolitik (GAP) zurückzuführen. Mit der Reform wurde ein Teil des Budgets von den klassischen Direktzahlungen der ersten Säule in langfristigere Umwelt- und Entwicklungsmaßnahmen der zweiten Säule verschoben, sodass insgesamt weniger Geld unmittelbar an die Betriebe ausgezahlt wird. Die klassische Flächenprämie wurde gekürzt, während ein größerer Anteil des Budgets in Umwelt- und Klimamaßnahmen fließt. Dazu kommen die neu eingeführten Eco-Schemes, die Landwirte nur dann erhalten, wenn sie bestimmte Umweltleistungen erbringen. Da viele Betriebe diese Maßnahmen zu Beginn noch nicht voll ausgeschöpft haben, fallen die Auszahlungen geringer aus. 2023 war dabei noch ein Übergangsjahr, in dem parallele Restzahlungen aus der alten Förderperiode abgewickelt wurden, während bereits erste Programme der neuen Periode starteten. Dadurch lag das Fördervolumen in diesem Jahr ungewöhnlich hoch. 2024 ist hingegen das erste Jahr, in dem ausschließlich die neuen, niedrigeren Mittel greifen, was den deutlichen Rückgang der Gesamtfördersummen erklärt.

Bayern verzeichnet den größten absoluten Rückgang, da dort ohnehin die höchsten Förderbeträge fließen. Durch die große landwirtschaftliche Fläche bekommt Bayern insgesamt mehr Geld als die meisten anderen Bundesländer, und wenn bundesweit gekürzt wird, wirkt sich das deshalb dort am stärksten aus. Relativ gesehen liegt Bayern aber nur im Mittelfeld, was zeigt, dass die Kürzungen dort nicht außergewöhnlich stark waren, sondern nur wegen der hohen Ausgangssumme absolut größer wirken.

Deutlich höhere relative Rückgänge finden sich dagegen zum Beispiel in Niedersachsen, Sachsen oder Sachsen-Anhalt. In den ostdeutschen Flächenländern spielt die 1. Säule der GAP traditionell eine besonders große Rolle, sodass die Kürzungen dort stärker spürbar sind. Auch in Berlin fällt die relative Veränderung vergleichsweise hoch aus, weil die Landwirtschaft dort sehr klein und stark spezialisiert ist. Schon geringe absolute Kürzungen treffen wenige Empfänger, sodass der prozentuale Rückgang deutlich wird.

Eine interessante Abweichung stellt das Saarland dar, das sowohl absolut als auch relativ gesehen kaum Veränderungen zeigt. Das hängt mit der Struktur der dortigen Landwirtschaft zusammen. Das Saarland hat einen hohen Anteil an ökologisch wirtschaftenden Betrieben und extensive Grünlandbewirtschaftung, die besonders stark von Maßnahmen der zweiten Säule profitieren, etwa Agrarumwelt- und Klimaprogrammen. Die Kürzungen in der ersten Säule fallen daher weniger ins Gewicht und werden teilweise durch höhere Umweltförderungen kompensiert. Gleichzeitig ist das Saarland weniger von großen Ackerbaubetrieben geprägt, die in anderen Ländern am stärksten von den Einschnitten betroffen sind. Zudem ist denkbar, dass das Saarland 2024 etwas stärker von nationalen Förderprogrammen profitiert hat, was die ansonsten zu erwartenden Rückgänge zusätzlich abgemildert haben könnte.

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:

Eine erste Gegenüberstellung zeigt, dass die im Artikel genannten jährlichen Durchschnittsschadenssummen durch Extremwetterereignisse seit 2000 bei rund 6,6 Milliarden Euro pro Jahr liegen. Diese Größenordnung liegt sehr nah an den 2023 bereitgestellten Agrarsubventionen in Deutschland, die laut unserer Analyse in Aufgabe 1 etwa 6,2 Milliarden Euro jährlich betrugen. Damit bewegen sich Schadenssummen und Fördermittel auf vergleichbarem Niveau, was verdeutlicht, dass staatliche Unterstützungsleistungen eine zentrale Rolle bei der Abfederung klimabedingter Risiken spielen.

Die Agrarsubventionen, insbesondere die Direktzahlungen aus der ersten Säule der GAP, wirken dabei wie eine Art staatliche Risikoprämie. Die Landwirtschaft ist stark abhängig von schwankenden Erträgen, Wetterextremen und Klimaphänomenen, die privat kaum versicherbar wären. Da extreme Wettereignisse großflächig auftreten können, wären private Versicherungen teuer oder unrentabel. Staatliche Zahlungen sorgen so dafür, dass die Erträge stabil bleiben und unvorhersehbare Risiken zumindest teilweise aufgefangen werden.

Eine rein kompensatorische Politik, die Schäden erst nachträglich ausgleicht, ist langfristig weniger effizient. Sie deckt nur bereits entstandene Verluste ab und kann Fehlanreize schaffen, weil Betriebe weniger in präventive Maßnahmen investieren. Präventive Ansätze helfen dagegen, Schäden aktiv zu vermeiden, senken die langfristigen Kosten und stärken die Resilienz der Landwirtschaft gegenüber dem Klimawandel.

Auf Grundlage dieser Überlegungen lassen sich zwei politische Ansätze zur Schadensminderung unterscheiden:

Ansatz A: Erhöhung der Direktzahlungen (EGFL)

Ansatz A sieht eine Erhöhung der Direktzahlungen (EGFL) vor. Der Vorteil dieses Ansatzes liegt darin, dass Landwirte bei Ernteausfällen sofort über Liquidität verfügen. Dadurch werden Existenzen gesichert und regionale Wirtschaftskreisläufe stabilisiert. Nachteilig ist, dass diese Zahlungen nicht zielgerichtet sind, keine präventiven Maßnahmen fördern und Fehlanreize erzeugen können, da Betriebe möglicherweise weniger in eigene Risikominderung investieren.

Ansatz B: Umschichtung von Fördergeldern hin zu Projektförderungen (ELER)

Ansatz B setzt auf eine Umschichtung hin zu ELER-Projektförderungen, bei der Mittel gezielt in klimaresiliente Technologien fließen. Dies steigert die Widerstandsfähigkeit der Betriebe und kann langfristig Schäden reduzieren, wodurch auch die gesamtwirtschaftliche Effizienz steigt. Ein Nachteil besteht jedoch darin, dass Projektförderungen administrativ aufwendig sind, Eigenmittel erfordern und ihre Wirkung erst mittelfristig einsetzt, während Liquiditätsengpässe bei Ernteausfällen sofort auftreten können.

Die geänderte EU-Agrarpolitik, die bereits in der vorherigen Aufgabe behandelt wurde, sieht künftig einen verstärkten Einsatz von ELER-Förderungen vor und schlägt damit eher den Weg von Ansatz B ein. Ziel ist es, langfristige Umwelt- und Entwicklungsmaßnahmen zu unterstützen, die nachhaltige Effekte erzielen und Probleme an der Wurzel angehen. Insgesamt lässt sich festhalten, dass sowohl die EGFL- als auch die ELER-Förderungen zentrale Bestandteile der Agrarwirtschaft sind: In Kombination tragen sie dazu bei, kurzfristige Kosten zu decken und gleichzeitig präventiv langfristige Schäden zu reduzieren. Damit sind sie für die Forst- und Landwirtschaft in ganz Deutschland von entscheidender Bedeutung.

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.

Kennzahlen zum Waldbrandgeschehen in Deutschland (2018-2024)
Jahr Verbrannte Fläche (ha) Anzahl der Brandfälle Wirtschaftliche Verluste (Tsd. €) Entstandene Schäden (Tsd. €)
2018 2.349 1.708 2.144,43 2.670,00
2019 2.711 1.523 1.662,95 2.220,00
2020 368 1.360 1.595,80 2.190,00
2021 148 548 659,24 670,00
2022 3.058 2.397 4.851,38 5.140,00
2023 1.240 1.059 957,33 1.190,00
2024 334 563 680,25 680,00

Beschreibung

In der Tabelle werden Kennzahlen zum Waldbrandgeschehen in Deutschland von 2018 bis 2024 in aufsteigender Jahresreihenfolge dargestellt. Für jedes Jahr liegen Angaben zu vier Variablen vor: der verbrannten Fläche in Hektar, der Anzahl der Brandfälle sowie den wirtschaftlichen Verlusten und entstandenen Schäden, jeweils in Tausend Euro. Alle Jahre, in denen die entstandenen Schäden 1,5 Millionen Euro überschreiten, sind in der Tabelle rot markiert. Dies betrifft die Jahre 2018, 2019, 2020 und 2022. Die Werte unterscheiden sich von Jahr zu Jahr deutlich. Besonders auffällig ist das Jahr 2022. Hier wurden mit 3058 ha die größte Fläche verbrannt, es gab mit 2397 Brandfällen die meisten Brandfälle, der wirtschaftliche Verlust lag bei 4.851.380 Euro, und auch die entstandenen Schäden waren mit 5.140.000 Euro am höchsten. Ebenfalls hervorzuheben ist das Jahr 2021, das bei allen vier Variablen die niedrigsten Werte im Zeitraum aufweist. In nahezu allen Jahren übersteigen die entstandenen Schäden den wirtschaftlichen Verlust. Eine Ausnahme bildet das Jahr 2024, in dem der entstandene Schaden minimal unter dem wirtschaftlichen Verlust liegt.

Interpretation

Die Jahre 2018, 2019 und 2022 zeichnen sich durch hohe Schäden und große verbrannte Flächen aus. 2019 zeigt mit einer durchschnittlichen Fläche von 1,78 ha pro Brand, die sich aus der verbrannten Gesamtfläche geteilt durch die Anzahl der Brandfälle ergibt, die typischen Merkmale von Großbränden bei vergleichsweise wenigen Brandfällen. Auch 2018 lag die Fläche pro Brand mit 1,38 ha deutlich über dem Durchschnitt und deutet auf mittelgroße bis größere Brände hin. 2022 war das Extremjahr, denn die Kombination aus der höchsten Anzahl an Brandfällen (2.397) und einer mittleren Fläche von 1,28 ha pro Brand führte zu einer außergewöhnlich großen Gesamtfläche und entsprechend hohen Schadenssummen. Im Gegensatz dazu waren 2020, 2021 und 2024 durch deutlich kleinere Brände geprägt (0,27–0,59 ha pro Brand), die entsprechend geringe wirtschaftliche Belastungen verursachten. Ein klarer Trend zu steigenden ökonomischen Schäden ist in den Daten nicht erkennbar. Die Werte schwanken stark und hängen vor allem von einzelnen extremen Wetterlagen ab. 2023 und 2024 zeigen weder besonders große Flächen noch außergewöhnlich hohe Schadenssummen. Dass die entstandenen Schäden in den meisten Jahren über dem wirtschaftlichen Verlust liegen, hängt mit ihrer unterschiedlichen Berechnungsgrundlage zusammen. Der wirtschaftliche Verlust umfasst vor allem direkte finanzielle Einbußen wie den Wert zerstörten Holzes, während die entstandenen Schäden häufig zusätzliche Faktoren wie Wiederaufforstungskosten und ökologische Folgeschäden beinhalten. 2024 bildet jedoch eine Ausnahme, da hier der wirtschaftliche Verlust leicht über dem entstandenen Schaden liegt. Dies deutet darauf hin, dass die unmittelbar bewertbaren materiellen Verluste höher waren als die langfristigen Folgekosten oder dass die betroffenen Waldflächen ökologisch weniger aufwändig wiederherzustellen waren.

Im Vergleich zu den bundesweiten Agrarsubventionen bleibt die wirtschaftliche Bedeutung von Waldbrandschäden sehr gering: Selbst im Extremjahr 2022 lagen die Schäden mit rund 5,14 Mio. € bei unter 0,1 % der jährlichen Fördersumme von 6,2 Milliarden Euro. Waldbrände können somit lokal erhebliche Auswirkungen haben, sind auf nationaler Ebene jedoch wirtschaftlich von geringer Tragweite.

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.

Beschreibung

Die beiden Diagramme zeigen die prozentuale Verteilung der Brandanzahl und der Brandfläche nach Waldeigentumsform in Deutschland von 2018 bis 2024. Es handelt sich bei den Diagrammen um Säulendiagramme, die nebeneinander angeordnet sind. Links die Brandanzahl und rechts die Brandfläche. Auf der x-Achse sind die Jahre von 2018 bis 2024 dargestellt, auf der y-Achse der prozentuale Anteil von 0 bis 100 %. Rechts befindet sich eine Legende, die die Eigentumsformen farblich zuordnet. Dabei steht Lila für Privatwald, Blau für Landeswald, Grün für Körperschaftswald und Rot für Bundeswald. In den Säulen ist die Reihenfolge der Farben von unten nach oben identisch mit der Legende.

Im linken Diagramm zur Brandanzahl zeigt sich, dass die Verteilung der Eigentumsformen über die Jahre hinweg relativ stabil ist. Privatwald (lila) hat überall den höchsten Anteil an Brandfällen, meist etwa 50 %, Landeswald (blau) und Körperschaftswald (grün) liegen mit 15–25 % im mittleren Bereich und der Bundeswald (rot) macht mit höchstens 5-10 % überall prozentual am wenigsten Brände aus. Schwankungen von Jahr zu Jahr sind hier eher gering.

Das rechte Diagramm zur Brandfläche sieht deutlich anders aus. Die Anteile der einzelnen Eigentumsformen schwanken stark zwischen den Jahren. Besonders auffällig sind die großen Unterschiede über die Jahre beim Bundeswald, dessen Anteil zwischen etwa 5 % und fast 45 % variiert und Körperschaftswald, der teils sehr geringe Anteile zeigt, teils aber 10 % erreicht. Privatwald und Landeswald zeigen ebenfalls Schwankungen, diese sind jedoch weniger extrem. Privatwald hat über den gesamten Zeitraum insgesamt den größten Anteil an der Brandfläche, auch wenn es in einzelnen Jahren fast Gleichstand mit Bundeswald oder Landeswald gibt.

Ein weiterer auffälliger Unterschied zwischen den Eigentumsformen zeigt sich beim Vergleich der Diagramme, also von Brandanzahl und Brandfläche. Bundeswald weist eine geringe Brandanzahl auf (5-10 %), die in manchen Jahren mit bis zu 40 % jedoch eine relativ große Fläche betrifft. Beim Körperschaftswald ist die Brandanzahl höher, die betroffene Fläche jedoch prozentual geringer. Privatwald und Landeswald zeigen ungefähr gleiche Anteile sowohl bei der Anzahl der Brände als auch bei der Fläche, wobei die Fläche ein bisschen größer ist.

Interpretation

Die Diagramme verdeutlichen, dass die Waldeigentumsform einen großen Einfluss darauf hat, welche Brände auftreten und wie stark sie sind. Im Bundeswald entstehen vergleichsweise wenige Brandfälle, die jedoch große Flächen betreffen. Dies liegt daran, dass Bundeswälder meist aus zusammenhängenden, großflächigen Gebieten bestehen, in denen sich Brände schnell ausbreiten können, insbesondere in gleichartigen Baumbeständen oder schwer zugänglichen Arealen. Da der Bundeswald in Deutschland nur etwa 3 % der Gesamtwaldfläche ausmacht, treten dort insgesamt wenige Brände auf, unabhängig von Faktoren wie Überwachung oder Waldstruktur, was den niedrigen Anteil im ersten Diagramm erklärt.

Beim Körperschaftswald, also Wäldern, die Kommunen, Gemeinden oder anderen öffentlichen Körperschaften gehören, treten viele kleine Brände auf, die betroffenen Flächen bleiben jedoch gering. Dies liegt daran, dass diese Wälder, obwohl sie insgesamt etwa 20 % der Waldfläche ausmachen, oft stark zersplittert sind und aus vielen kleinen, verstreuten Parzellen bestehen. Privatwälder und Landeswälder haben insgesamt einen größeren Anteil an der Waldfläche in Deutschland: Privatwald 48 %, Landeswald 29 %. Deshalb treten hier auch häufiger Brände auf. Da es sich meist um mittelgroße Waldgebiete handelt, ist der Flächenschaden pro Brand in der Regel moderat. Anders als beim Bundes- oder Körperschaftswald schwankt die verbrannte Fläche hier zwar auch von Jahr zu Jahr, jedoch treten keine extrem großen Einzelereignisse auf. Diese jährlichen Unterschiede entstehen wahrscheinlich, weil nicht immer gleich große Waldflächen betroffen sind.

Ökonomisch betrachtet lohnt es sich besonders, die Bundeswälder zu schützen, da hier ein einzelner Brand am meisten Schaden verursacht und die Bekämpfung großer zusammenhängender Waldflächen besonders schwierig ist. Dennoch ist der Schutz anderer Waldformen wie Privat- oder Körperschaftswälder ebenfalls wichtig, da diese insgesamt den größten Anteil an Waldfläche sowie die meisten Brandfälle und Brandflächen aufweisen. Im Privatwald erfordert dies insbesondere kontinuierliche Prävention, etwa durch Eigentümerinformation, Brandschutzmaßnahmen und Versicherungsschutz.

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:

Beschreibung

Die Grafik zeigt zwei Liniendiagramme, die die Entwicklung von Waldbränden in Deutschland von 2018 bis 2024 darstellen.

Das erste Diagramm zeigt die zeitliche Entwicklung der Anzahl der Waldbrände, aufgeschlüsselt nach unterschiedlichen Brandursachen. Auf der y-Achse ist die Anzahl der Brände dargestellt, während die x-Achse die einzelnen Jahre von 2018 bis 2024 abbildet. Rechts befindet sich eine Legende, in der die verschiedenen Brandursachen farblich unterschieden sind: Blau steht für „Unbekannte Ursachen“, Rot für „Fahrlässigkeit“, Rosa für „Vorsatz (Brandstiftung)“, Grün für „Sonstige handlungsbedingte Einwirkungen“ und Türkis für „Natürliche Ursachen“. Es fällt sofort auf, dass nahezu alle Brandursachen im Jahr 2022 ihren deutlichen Höhepunkt erreichen, während 2021 für sämtliche Kategorien den klaren Tiefpunkt darstellt. Eine Ausnahme bilden lediglich die natürlichen Ursachen, die ihren höchsten Wert bereits 2019 aufweisen, auch wenn sie 2022 ebenfalls stark steigen. Die unbekannte Ursache ist über den gesamten Zeitraum hinweg mit großem Abstand die häufigste Brandursache. In ihrem Spitzenjahr liegt sie mit über 1000 Fällen etwa doppelt so hoch wie die zweithäufigste Ursache, die Fahrlässigkeit. Die mit Abstand niedrigsten Werte zeigen durchgehend die natürlichen Ursachen. Insgesamt bleibt die Reihenfolge der Brandursachen über alle Jahre hinweg unverändert.

Das zweite Diagramm zeigt die zeitliche Entwicklung der verbrannten Waldfläche (in Hektar), erneut unterteilt nach verschiedenen Brandursachen. Die x-Achse entspricht derjenigen des ersten Diagramms und bildet die Jahre ab, während die y-Achse nun die jeweils verbrannte Fläche in Hektar darstellt. Auch die Legende ist identisch und kennzeichnet die Brandursachen wie zuvor farblich. Auffällig ist, dass die Rangfolge der Brandursachen im Zeitverlauf deutlich schwankt, vor allem zwischen Fahrlässigkeit, sonstige handlungsbedingte Einwirkungen und Vorsatz, wobei insbesondere der durch Vorsatz verursachte Schaden im Jahr 2022 auffällig stark ansteigt. Trotz dieser Schwankungen zeigen sich ähnliche Extremjahre für alle Brandursachen wie im ersten Diagramm: 2019 und 2022 verzeichnen die höchsten Werte, während 2020 und 2021 deutlich geringer ausfallen. Des Weiteren wird deutlich, dass natürliche Ursachen über den gesamten Zeitraum hinweg die geringsten Flächenverluste verursachen. Unbekannte Ursachen hingegen liegen durchgehend am höchsten und erreichen 2019 mit fast 1.500 ha ihren Maximalwert.

Betrachtet man beide Diagramme gemeinsam, fällt ein deutliches Muster auf: Die Jahre mit besonders hohen und besonders niedrigen Werten stimmen weitgehend überein, zudem liegen unbekannte Ursachen stets am höchsten, während natürliche Ursachen durchgehend die niedrigsten Werte aufweisen.

Interpretation

Die klar dominierende Kategorie der unbekannten Brandursachen zeigt, dass es häufig schwer ist, den genauen Grund für einen Brand zu ermitteln. Dies erschwert gezielte Präventionsmaßnahmen, da nicht immer klar ist, welche Risikofaktoren besonders relevant sind. Gleichzeitig machen die Schwankungen bei Fahrlässigkeit, Vorsatz und sonstigen handlungsbedingten Einwirkungen deutlich, dass die zerstörte Fläche eines Brandes nicht immer direkt proportional zur Anzahl der Brände ist. Besonders auffällig ist, dass der Schaden durch vorsätzlich gelegte Brände (Vorsatz) im Jahr 2022 extrem anstieg, was zeigt, dass einzelne, gezielt gelegte Brände enorme Flächenverluste verursachen können. Dennoch gilt, dass Jahre mit besonders vielen Bränden tendenziell auch zu höheren Flächenverlusten führen.

Die Jahre 2019 und 2022 fallen durch besonders hohe Brandaktivität auf, während 2020 und 2021 deutlich ruhigere Jahre waren. Die extrem heißen und trockenen Sommer in 2019 und 2022 förderten grundsätzlich alle Brandarten – von fahrlässig verursachten Bränden bis hin zu Bränden unbekannter Ursache. Selbst natürliche Brände, die normalerweise selten entstehen, traten in diesen trockenen Jahren vermehrt auf. Insgesamt spielen natürliche Ursachen jedoch eine sehr untergeordnete Rolle, da sie in der Regel nur punktuell ausgelöst werden, etwa durch einzelne Blitze, und daher selten mehrere Hektar gleichzeitig entzünden. In feuchteren Jahren wie 2020 und 2021 war die Brandaktivität dagegen deutlich geringer, was die starke Abhängigkeit von klimatischen Faktoren unterstreicht.

Langfristig betrachtet deutet dies darauf hin, dass klimabedingte Extremwetterereignisse wie hohe Temperaturen, anhaltende Trockenheit und geringe Niederschläge künftig eine zentrale Rolle bei der Häufigkeit und Intensität von Waldbränden spielen werden. Solche Bedingungen begünstigen nicht nur natürliche Brandursachen, sondern verstärken vor allem auch die Auswirkungen menschlicher Faktoren wie Fahrlässigkeit oder vorsätzliche Brandstiftung, da Feuer leichter entsteht und sich schneller weiterverbreitet.

Wenn solche witterungsabhängigen Brandereignisse künftig häufiger auftreten, hat das deutliche wirtschaftliche und politische Folgen. Ökonomisch steigen die Kosten für die Forstwirtschaft durch verlorene Holzbestände und notwendige Wiederaufforstung. Auch Feuerwehren und Präventionseinrichtungen müssen mehr Ressourcen bereitstellen, um auf Spitzenjahre vorbereitet zu sein. Politisch könnten strengere Regeln, bessere Aufklärung und Anpassungen der Waldnutzung notwendig werden, um die Wälder widerstandsfähiger gegen Trockenheit und Hitze zu machen. Insgesamt zeigen die Trends, dass Waldbrände nicht nur die Natur, sondern auch Wirtschaft und Politik betreffen.

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:

Beschreibung

Die beiden Punktdiagramme zeigen den Zusammenhang zwischen den Ausgaben für Forstverwaltung und sonstige Kontrollmaßnahmen sowie den daraus resultierenden wirtschaftlichen Verlusten der 16 Bundesländer. Alle Datenpunkte sind einheitlich schwarz und lassen sich nicht einzelnen Bundesländern zuordnen.

Das erste Diagramm zeigt den Zusammenhang zwischen den Forstverwaltungskosten und den daraus resultierenden wirtschaftlichen Verlusten. Auf der x-Achse sind die Verwaltungskosten linear in Tausender-Schritten angegeben, während die wirtschaftlichen Verlustzahlen auf der y-Achse logarithmisch skaliert sind. Viele der Punkte liegen im Bereich unter 1.000 € Verwaltungskosten, innerhalb dessen die wirtschaftlichen Verluste stark über die y-Achse verteilt sind. Einige wenige Punkte liegen weiter rechts.

Das zweite Punktdiagramm zeigt den Zusammenhang zwischen den sonstigen Kontrollkosten und den wirtschaftlichen Verlusten der Bundesländer. Die y-Achse entspricht der des ersten Diagramms, während die x-Achse die sonstigen Kontrollkosten ebenfalls in Tausender-Schritten angibt. Ein großer Teil der Punkte liegt unmittelbar an oder direkt neben der y-Achse, ähnlich wie im ersten Diagramm. In beiden Darstellungen ist erkennbar, dass jedes Bundesland mehrere Punkte aufweist, sodass insgesamt deutlich mehr als 16 Punkte dargestellt sind.

Interpretation

Betrachtet man die beiden Punktdiagramme, so lässt sich insgesamt kein klarer oder durchgehend linearer Zusammenhang zwischen den Ausgaben für Forstverwaltung beziehungsweise Kontrollmaßnahmen und den wirtschaftlichen Verlusten erkennen. In beiden Grafiken liegen die Punkte weit gestreut über die gesamte logarithmisch skalierte y-Achse, unabhängig davon, ob ein Bundesland niedrige oder hohe Ausgaben aufweist. Im Bereich der Forstverwaltungskosten verzeichnen sowohl Länder mit geringen als auch solche mit deutlich höheren Ausgaben sehr unterschiedliche Verlusthöhen. Ein ähnliches Muster zeigt sich bei den Kontrollkosten, wo viele Bundesländer im Bereich niedriger Kosten konzentriert sind, die wirtschaftlichen Verluste jedoch breit variieren. Die Grafiken bestätigen auf den ersten Blick die Hypothese nicht, dass höhere Präventionsausgaben mit geringeren Schäden einhergehen. Anhand der Streuung wird deutlich, dass die Höhe der Ausgaben alleine nicht wirklich aussagt, wie hoch die Schäden sind.

Die Verwendung einer logarithmischen Skala für die wirtschaftlichen Verluste ist methodisch sinnvoll, weil die Verlustwerte stark unterschiedlich ausfallen und sich über mehrere Größenordnungen erstrecken. Da eine lineare Skala extreme Werte dominieren lassen würde, komprimiert die logarithmische Darstellung diese Werte und ermöglicht so eine bessere Sichtbarkeit und Vergleichbarkeit der Streuungen zwischen allen Datenpunkten.

Beim Vergleich der jährlichen Präventions- und Kontrollkosten einzelner Bundesländer mit den wirtschaftlichen Gesamtverlusten in Deutschland, fällt auf, dass die jährlichen Ausgaben mancher Bundesländer in einzelnen Jahren annähernd so hoch oder sogar höher liegen können als die gesamten wirtschaftlichen Verluste auf Bundesebene. Dieses Verhältnis zeigt, dass Präventionskosten nicht proportional zu den entstandenen Schäden sind, sondern vielmehr eine notwendige infrastrukturelle und strategische Investition darstellen.

Die Tatsache, dass trotz teils hoher Präventionskosten die Schäden nicht proportional reduziert werden und kein eindeutiger Zusammenhang erkennbar ist, kann auf mehrere Ursachen zurückgeführt werden. Ein zentraler Faktor ist die starke Wetter- und Klimavariabilität; extreme Hitze und Trockenheit können das Brandrisiko überproportional erhöhen, sodass selbst hohe Ausgaben die Schäden nicht verhindern. Hinzu kommen strukturelle Unterschiede der Wälder (z.B. Monokulturen oder Bodenverhältnisse), die das Ausgangsrisiko bereits stark beeinflussen. Außerdem greifen viele Präventionsmaßnahmen langfristig (z.B. Waldumbau), während die Schäden kurzfristig auftreten. Rückschlüsse für die Effizienz zeigen, dass diese stark von externen und strukturellen Faktoren abhängt. Kurze, jährliche Vergleiche zwischen Kosten und Schäden sind daher nicht aussagekräftig für die langfristige Effizienz der Maßnahmen.

Saisonale Unterschiede in Deutschland

Wie Sie zuvor gesehen haben, ist der überwiegende Teil der Waldbrände in Deutschland auf menschliches Handeln zurückzuführen. Gleichzeitig zeigen die bisherigen Analysen, dass ein höheres Ausgabenvolumen für Prävention und Kontrolle nicht automatisch mit geringeren Schäden korreliert. Um die Ursachen für die Schwankungen der Schäden besser zu verstehen und Präventionsmaßnahmen gezielt einzusetzen, lohnt es sich, die Betrachtung von der jährlichen auf die monatliche Ebene zu verfeinern. So können saisonale Muster und Zeiträume mit besonders hohem Brandrisiko identifiziert werden.

  1. Erstellen Sie ein kombiniertes Diagramm, in dem die monatliche Entwicklung der Waldbrände in Deutschland von 2018 bis zum aktuellen Jahr dargestellt wird:
  • Hierbei soll als Balkendiagramm die verbrannte Fläche (in Hektar) pro Monat abgetragen werden und als Liniendiagramm wird die Gesamtanzahl der Brände pro Monat gezeigt.
  • Verwenden Sie die monatlich aggregierten Daten aus Ihrem Datensatz waldbraende für Gesamtdeutschland.
  • Achten Sie auf eine übersichtliche Darstellung, mit klarer Achsenbeschriftung und Datum auf der x-Achse.

Beschreiben und interpretieren Sie anschließend ihre Grafik und beantworten Sie hierbei folgende Fragen:

  • In welchen Monaten treten typischerweise die meisten Brände auf und wann ist die verbrannte Fläche am größten?
  • Vergleichen Sie die Spitzen der Brandanzahl mit den Spitzen der verbrannten Fläche. Fallen diese immer zusammen?
  • Welche möglichen Ursachen könnte es geben, wenn es Monate mit vielen kleinen, aber wenigen großen Bränden gibt?
  • Welche Gründe könnten erklären, dass die Brände in den Sommermonaten über die Jahre stark schwanken?

Beschreibung

Die Grafik zeigt die monatliche Entwicklung der Waldbrände in Deutschland von 2018 bis 2024. Sie ist als kombiniertes Balken- und Liniendiagramm aufgebaut. Die roten Balken repräsentieren die jeweils verbrannte Fläche in Hektar, während die blaue Linie die Anzahl der Brände pro Monat darstellt. Auf der x-Achse sind die Jahre von 2018 bis 2025 dargestellt, innerhalb jedes Jahres die einzelnen Monate. Die y-Achse zeigt sowohl die verbrannte Fläche als auch die Anzahl der Brände an.

Bei der Anzahl der Brände fällt auf, dass die Werte zwar schwanken, es aber keine extremen Ausreißer gibt. Ein deutliches Maximum liegt im Sommer 2022 bei etwa 600 Bränden im Monat, während der Flächenschaden in diesem Monat vergleichsweise moderat bleibt. Die verbrannte Fläche schwankt dagegen stärker und weist einige auffällige Ausreißer auf: Im Sommer 2022 erreicht sie fast 1.500 Hektar, der größte Ausreißer liegt im Sommer 2019 mit über 2.000 Hektar.

Vergleicht man beide Datenreihen, erkennt man, dass Monate mit hoher Brandanzahl meist auch größere verbrannte Flächen aufweisen, wobei die höchsten Maxima der beiden Diagramme nicht im selben Monat auftreten. Außerdem ist erkennbar, dass diese hohen Werte ausschließlich in den Sommermonaten auftauchen, während die Werte in jedem Wintermonat deutlich niedriger sind.

Interpretation

Die ähnliche Entwicklung von Brandanzahl und verbrannter Fläche deutet auf ein mögliches korrelatives Verhältnis hin: Wenn es viele Brände gibt, steigt häufig auch die betroffene Fläche. Das zeigt, dass beide Größen in vielen Fällen miteinander zusammenhängen. Allerdings laufen beide Reihen nicht vollständig parallel. Manche Jahre zeigen hohe Brandzahlen, aber vergleichsweise kleine verbrannte Flächen, während einzelne Monate mit wenigen Bränden trotzdem große Schäden verursachen können. Das weist darauf hin, dass einzelne Großbrände einen starken Einfluss auf die Gesamtfläche haben können.

Die höchsten Werte treten grundsätzlich in den Sommermonaten auf. Hier liegen die Bedingungen wie Trockenheit, Hitze und teilweise starke Winde vor, die sowohl die Entstehung als auch die Ausbreitung von Bränden begünstigen. Diese Wetterextreme fallen aber nicht in jedem Jahr gleich aus, weshalb die Sommermonate so stark schwanken. Jahre mit andauernder Trockenheit (2019 & 2022) zeigen deutlich größere Ausschläge, während feuchtere Sommer wie 2020 oder 2021 zu niedrigeren Werten führen. Monate mit vielen kleinen, aber wenigen großen Bränden können entstehen, wenn Feuer zwar häufig ausbrechen, sich aber kaum ausbreiten. Das kann an schneller Löschung, guter Überwachung oder weniger trockener Vegetation liegen. Auch durch menschliche Aktivitäten können viele kleine Brände entstehen, die jedoch kontrolliert oder früh gestoppt werden.

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 2022 145 214 1,48 297,1 1.388
Bayern 2023 75 44 0,59 197,6 4.492
Brandenburg 2022 523 1.426 2,73 13,6 10
Brandenburg 2023 251 765 3,05 6,9 9

Beschreibung

Die Tabelle zeigt ausgewählte deskriptive Kennzahlen zu Waldbränden in Bayern und Brandenburg für die Jahre 2022 und 2023. Für beide Bundesländer werden die Gesamtzahl der Brände, die insgesamt verbrannte Fläche in Hektar sowie die durchschnittliche Fläche pro Brand in Hektar dargestellt. Zusätzlich sind die wirtschaftlichen Verluste in Tausend Euro und der Verlust pro Hektar aufgeführt.

In Brandenburg liegen sowohl die Gesamtzahl der Brände als auch die insgesamt verbrannte Fläche in beiden Jahren deutlich über den Werten in Bayern. Besonders das Jahr 2022 fällt mit 523 Bränden und einer verbrannten Fläche von 1.426 ha auf. Die durchschnittliche Fläche pro Brand ist in Brandenburg in beiden Jahren jeweils mehr als doppelt so groß wie in Bayern. Demgegenüber sind die wirtschaftlichen Verluste sowie der Verlust pro Hektar in Bayern höher. Während die wirtschaftlichen Verluste pro Hektar in Brandenburg bei etwa 9 Euro liegen, erreichen sie in Bayern Werte im niedrigen Tausenderbereich, mit einem Spitzenwert von 4.491,82 Euro/ha im Jahr 2023. Betrachtet man beide Jahre und Bundesländer gemeinsam, zeigt sich, dass im Jahr 2022 in beiden Ländern so gut wie alle Werte höher liegen; die einzige Ausnahme bildet die durchschnittliche Fläche pro Brand, die 2022 etwas niedriger als 2023 ist.

Interpretation

Die Unterschiede zwischen Bayern und Brandenburg zeigen, dass sich das Waldbrandproblem in den beiden Bundesländern unterschiedlich manifestiert. Brandenburg ist vor allem durch die Häufigkeit und Ausdehnung der Brände geprägt, während Bayern trotz geringerer Brandflächen deutlich höhere ökonomische Verluste pro Hektar verzeichnet.

Die höheren Verluste pro Hektar in Bayern lassen sich durch mehrere Faktoren erklären. Zum einen sind die betroffenen Wälder durchschnittlich älter und artenreicher als in Brandenburg, bestehen häufig aus Misch- und Laubwäldern und besitzen dadurch einen deutlich höheren ökonomischen Wert. Anders als in Brandenburg, wo überwiegend Nutzwälder wie Kiefermonokulturen vorherrschen und der Holzwert pro Hektar vergleichsweise gering ist, handelt es sich in Bayern oft um Schutzwälder. Diese erfüllen neben der Holzproduktion auch wichtige ökologische Funktionen, wie etwa den Lawinen-, Erosions- oder Hochwasserschutz, sodass die Schäden nicht nur den Holzverlust betreffen, sondern auch die Wiederherstellung der Schutzfunktion mit einbezogen werden muss. Darüber hinaus erhöhen die geografischen und infrastrukturellen Gegebenheiten in Bayern die Kosten pro Hektar. Viele Wälder liegen in steilem, schwer zugänglichem Gelände oder in der Nähe von Siedlungen, Straßen und Bahnlinien, was den Aufwand für die Brandbekämpfung und die potenziellen Folgeschäden deutlich steigert. Selbst kleinere Brandflächen können dadurch hohe wirtschaftliche Auswirkungen haben.

In Brandenburg manifestiert sich das Waldbrandproblem vor allem quantitativ. Häufige und großflächige Brände führen zu einer hohen Belastung der Ökosysteme und der Feuerwehrkapazitäten, während die wirtschaftlichen Schäden pro Hektar vergleichsweise gering bleiben. In Bayern liegt der Schwerpunkt auf der Intensität der Schäden, da seltener auftretende Brände hohe ökonomische Verluste verursachen und damit wertvollere Bestände oder stärker genutzte Flächen betreffen. Damit wird deutlich, dass das Waldbrandrisiko in beiden Bundesländern zwar vorhanden ist, sich aber unterschiedlich auswirkt. Brandenburg ist stärker von der Menge und der Fläche der Brände betroffen, Bayern dagegen von der ökonomischen Schadenshöhe pro Flächeneinheit. Diese regionale Differenzierung unterstreicht die Notwendigkeit angepasster Strategien zur Prävention, Bekämpfung und Bewertung von Waldbränden in den jeweiligen Bundesländern.

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?

Beschreibung

Das Diagramm zeigt in Form von gruppierten Balken die Holzverluste durch Waldbrände in Bayern und Brandenburg für die Jahre 2022 und 2023. Auf der x-Achse sind die beiden Bundesländer dargestellt, jeweils getrennt nach den beiden betrachteten Jahren. Die y-Achse gibt die Menge der Holzverluste in Festmetern (m³) an. Für jedes Jahr und jedes Bundesland werden zwei Balken nebeneinander dargestellt: Die roten Balken stehen für den Verlust von Industrieholz, die blauen für den Verlust von Stammholz. Oberhalb des Diagramms sind die beiden Jahre 2022 und 2023 zusätzlich als Überschrift über den jeweiligen Bereich gekennzeichnet, sodass klar erkennbar ist, welcher Abschnitt welches Jahr repräsentiert.

2022 liegen die Holzverluste in beiden Bundesländern insgesamt auf einem niedrigen Niveau und überschreiten nie die Marke von 400.000 m³. In Bayern fällt der Stammholzverlust mit fast 300.000 m³ höher aus, als der Industrieholzverlust. In Brandenburg ist der Stammholzverlust deutlich geringer als in Bayern, während der Industrieholzverlust mit ungefähr 100.000 m³ leicht darüber liegt. Im Jahr 2023 steigen die Werte dann deutlich an. In Bayern erhöhen sich sowohl die Stammholz- als auch die Industrieholzverluste merklich. In Brandenburg erreichen die Verluste 2023 die höchsten Werte des gesamten Diagramms. Besonders auffällig ist der Industrieholzverlust, der mit über 1.200.000 m³ den Höchstwert im gesamten Datensatz darstellt und alle übrigen Werte deutlich übertrifft.

Interpretation

Die Holzverluste durch Waldbrände lassen Rückschlüsse auf die ökonomische Bedeutung der geschädigten Wälder zu. In Bayern übersteigt der Verlust von Stammholz den von Industrieholz deutlich, was darauf hindeutet, dass die betroffenen Wälder überwiegend wertvolle Laub- und Mischbestände enthalten. Der Stammholzverlust ist wirtschaftlich besonders relevant, da Wertholz höhere Erlöse erzielt und Wiederaufforstungskosten intensiver sind. Die Daten zeigen somit, dass selbst moderate Flächenverluste in Bayern einen vergleichsweise hohen ökonomischen Schaden verursachen.

In Brandenburg hingegen liegt der Industrieholzverlust deutlich über dem Stammholzverlust und erreicht mit über 1.200.000 m³ den höchsten Wert im gesamten Datensatz. Dies deutet darauf hin, dass die Brände dort vor allem Kiefern- oder Nadelholzbestände betreffen, deren monetärer Wert pro Hektar geringer ist. Trotz der hohen absoluten Verluste ist der ökonomische Schaden pro Hektar im Vergleich zu Bayern entsprechend niedriger, da Industrieholz in der Regel weniger wertvoll ist als Stammholz.

Die Gegenüberstellung der Holzarten zeigt damit klar, dass die ökonomische Relevanz der Waldbrände stark von der Zusammensetzung des Waldes abhängt. Bayern ist durch die Zerstörung wertvoller Stammholzbestände ökonomisch stärker betroffen, während Brandenburgs größere Industrieholzverluste bei vergleichsweise geringerem wirtschaftlichem Schaden pro Hektar auftreten.

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) Erhöhung der Bußgelder und Strafen für fahrlässige Brandstiftung

Die Erhöhung von Bußgeldern und Strafen kann einen wichtigen Beitrag zur Waldbrandprävention leisten, weil menschliches Fehlverhalten eine der dominierenden Brandursachen ist. Die Daten der vorherigen Aufgaben zeigten deutlich, dass insbesondere Fahrlässigkeit und Vorsatz, neben der großen Kategorie „Unbekannte Ursachen“, den größten Teil der Brandentstehung ausmachen. Gerade die Jahre mit extremen Wetterlagen wie 2018, 2019 und 2022 führten zu besonders vielen Fällen, in denen kleine Fehler sofort zu Bränden führten. In diesen Jahren war der Waldboden im Sommer so trocken, dass schon weggeworfene Zigaretten oder unachtsam betriebene Feuer sehr schnell großflächige Brände verursachen konnten.

Eine Erhöhung der Strafen setzt daher genau an dieser Hauptursache an und könnte die Brandanzahl merklich senken. Die Aussicht auf hohe Bußgelder und strengere Strafen erhöht die Achtsamkeit und die Einhaltung von Regeln, ähnlich dem Effekt von Tempolimits oder strengeren Führerscheinregelungen im Straßenverkehr. Die Kosten blieben gering, da keine größeren Infrastrukturinvestitionen nötig wären und Busgeldsysteme bereits existieren. Im Gegensatz zu strukturellen und langfristigen Ansätzen entfaltet diese Maßnahme ihre Wirkung sofort nach Inkrafttreten. Allerdings schränkt der hohe Anteil der unbekannten Ursachen, die Wirksamkeit dieser Maßnahme ein, denn Strafen wirken nur dann effektiv, wenn die Verstöße auch nachweisbar sind und sie müsste mit einer besseren Kontrolle und mehr Überwachungsmöglichkeiten in den gefährdeten Gebieten kombiniert werden.

Trotzdem würde eine stärkere Abschreckung besonders in Regionen wirken, in denen viele Brände durch menschliche Nähe entstehen, etwa in Privat- und Körperschaftswäldern, die laut der Daten die meisten Brandfälle verzeichnen. Zudem passt die Maßnahme gut zu dem Muster, dass eine geringere Zahl an Bränden auch die Wahrscheinlichkeit senkt, dass sich einer davon zu einem Großbrand entwickelt und genau diese Großbrände verursachten in Extremjahren den Großteil der Schäden. Maßnahmen wie ein bundesweit harmonisierter Bußgeldkatalog, eine verstärkte Aufklärung während Trockenperioden und eine intensivere Kontrolle besonders gefährdeter Gebiete wären sinnvolle Umsetzungsvarianten.

2) Anreize für einen Waldumbau

Staatliche Anreize für einen Waldumbau zielen dagegen auf die strukturelle Ursache des Problems ab, denn vor allem die hohe Fläche pro Brand ist es, die den größten ökonomischen Schaden hervorbringt. Die früheren Aufgaben zeigten, dass die extremen Schadensjahre nicht auf die Anzahl der Brände, sondern auf nur wenige, sehr große Feuerausbreitungen zurückzuführen sind. Diese entstehen besonders häufig in Monokulturen, allen voran Kiefernwäldern in Ostdeutschland, die schnell brennen und Flammen ungehindert große Strecken überwinden lassen. Die Daten zeigen dies am Beispiel Brandenburgs, wo trotz der hohen Brandflächen die Verluste pro Hektar vergleichsweise gering sind, was auf die hohe Anfälligkeit der dort dominierenden Industrieholzbestände hindeutet. Genau diese Wälder sind extrem anfällig für Großbrände. Ein Umbau zu klimaresistenten Mischwäldern würde das Risiko langfristig deutlich reduzieren, weil Mischwälder mehr Feuchtigkeit speichern, die Ausbreitung von Feuer durch weniger zusammenhängendes Brennmaterial erschweren und das Fortschreiten eines Feuers natürlich bremsen.

Die Maßnahme ist teuer und zeigt ihre Wirkung erst nach Jahrzehnten, doch sie packt als einzige Strategie das eigentliche Grundproblem der großen Schadensflächen langfristig (nachhaltig) an. Dieser Umbau wäre auch in Bundeswäldern, die massive Flächenverluste erleiden, sowie in Regionen wie Bayern, die hohe finanzielle Verluste pro Hektar bei ihren hochwertigen Beständen verzeichnen, besonders wertvoll. Die Umsetzung erfordert starke Anreize im Privatwald, da fast die Hälfte aller Waldflächen in privater Hand sind und man die Vielzahl kleiner Eigentümer schwer erreicht. Die Kosten wären hoch, aber angesichts der Schäden der Extremjahre und der agrarpolitischen Fördersummen politisch vertretbar.

3) Investition in Technologie

Die Investition in moderne Überwachungstechnologie ist schließlich eine sinnvolle Ergänzung, da sie die entscheidende Phase zwischen Brandentstehung und Ausbreitung adressiert. Die vorliegenden Daten zeigten, dass die größten ökonomischen Schäden durch rasch wachsende Brände entstanden, die oft spät entdeckt wurden, besonders in dünn besiedelten Regionen und großen, zusammenhängenden Waldflächen des Bundes oder in ostdeutschen Ländern. Technische Systeme wie Drohnen mit Wärmebildkameras, Satellitenüberwachung oder Sensorsysteme können frühzeitig Glutnester erkennen und so die Einsatzzeiten drastisch reduzieren.

Das ist besonders wertvoll, weil eine schnelle Reaktion den größten Einfluss auf die letztliche Brandfläche hat. In Jahren wie 2019 oder 2022, in denen Hitze und Trockenheit extreme Bedingungen schufen, kann bereits eine Zeitersparnis von Minuten darüber entscheiden, ob ein kleiner Bodenbrand gelöscht wird oder zu einem Großfeuer anwächst.

Die Kosten eines flächendeckenden Systems sind hoch, aber die Investition ist dort technologisch notwendig, wo klassische Prävention unter extremen Wetterbedingungen an ihre Grenzen stößt. Besonders in Regionen wie Bayern mit wertvollen Beständen oder in Bundeswaldflächen, wo große Areale schwer erreichbar sind, hat diese Maßnahme einen hohen Nutzen. Gleichzeitig könnte die Technologie dazu beitragen, unbekannte Brandursachen aufzuklären und damit indirekt die Wirksamkeit von Strafen erhöhen. Eine kluge Umsetzung bestünde darin, hochgefährdete Gebiete zu priorisieren, Drohnen mit KI-gestützter Echtzeitanalyse einzusetzen und die Datenströme direkt mit Leitstellen zu koppeln, um Einsatzkräfte sofort zu mobilisieren. Die Maßnahme sollte jedoch eher punktuell in besonders gefährdeten Gebieten durchgeführt werden, da eine flächendeckende Investition in solche Technologien mit zu hohen Kosten verbunden wäre.

Fazit

Insgesamt zeigt sich, dass eine wirksame Waldbrandprävention nur durch eine Kombination aller Maßnahmen möglich ist, die zugleich regional angepasst wird.

In Ostdeutschland, wo großflächige Monokulturen die großen Schadensflächen begünstigen, bleibt der Waldumbau die wichtigste langfristige Antwort, um die strukturelle Anfälligkeit nachhaltig zu verringern.

In West- und Süddeutschland, besonders in Bayern, liegt der Schwerpunkt stattdessen auf dem Schutz hochwertiger Bestände. Hier bieten moderne Überwachungssysteme den größten Nutzen, weil sie schnelle Eingriffe ermöglichen und so hohe wirtschaftliche Verluste pro Hektar vermeiden, allerdings erzwingen die relativ hohen Kosten einen strategisch gezielten Einsatz dieser Maßnahme.

Deutschlandweit bleibt menschliches Fehlverhalten jedoch die häufigste Brandursache. Daher ist eine Erhöhung der Bußgelder unverzichtbar, da sie sofort wirkt, kostengünstig ist und die technologische Überwachung sinnvoll ergänzt.

Erst das Zusammenspiel aller drei Ansätze kann kurzfristig das Risiko senken und gleichzeitig langfristig die Brandanfälligkeit der Wälder vermindern. So entsteht eine Strategie, die sowohl den regionalen Unterschieden gerecht wird als auch deutschlandweit zu einer nachhaltigen Reduktion der Waldbrandgefahr führt.

Zusatzfrage (optional)

Diese Frage ist von der Bearbeitung her etwas schwieriger. Bevor Sie sich an diese Aufgabe machen, sollten Sie sicherstellen, dass Sie alle vorherigen Fragen ausführlich beantwortet haben. Eine korrekte Beantwortung dieser Frage gibt einen Punktebonus von 3 Punkten (das Projekt umfasst insgesamt 30 Punkte, inkl. Screencast).

In den vorangegangenen Aufgaben haben Sie eine umfassende Analyse der ökonomischen Rahmenbedingungen der Land- und Forstwirtschaft in Deutschland durchgeführt. Sie betrachteten dabei sowohl die direkten Kosten und Förderungen auf nationaler Ebene als auch spezifische Treiber von Waldbrandschäden. Anschließend haben Sie den Fokus auf regionale Unterschiede verengt und gezeigt, dass beispielsweise in Bayern und Brandenburg die Dynamik von Waldbränden deutlich variiert. Ein Hinweis darauf, dass sowohl ökologische als auch ökonomische Faktoren lokal sehr unterschiedlich wirken.

Im nächsten Schritt weiten Sie den Blick nun auf die EU-Ebene. Sie analysieren die Verteilung und Entwicklung der Agrar- und Forstwirtschaftssubventionen über verschiedene Länder hinweg. Ziel ist es, die Gesamtbeträge pro Land und Jahr zu betrachten, Unterschiede zwischen den Mitgliedsstaaten zu identifizieren und ein Verständnis dafür zu entwickeln, wie Förderungen innerhalb Europas verteilt sind und sich über die Jahre verändern.

  1. Lesen Sie den Datensatz Finanzsubventionen_EU.csv ein und speichern Sie diesen als eu_subventionen ab. Filtern Sie nur für die Jahre ab 2010 und behalten Sie ausschließlich Länder (keine aggregierten EU-Werte). Verschaffen Sie sich nun einen ersten Überblick über ihren Datensatz. Beantworten Sie hierzu folgende Fragen:

Berechnen Sie nun mit dem Datensatz eu_subventionen die Gesamtsubventionen pro Land und Jahr. Gruppieren Sie hierzu nach Member_Name (Land) und Time (Jahr). Summieren Sie anschließend die Subventionen (Subsidy) pro Land und Jahr zu Total_Subsidy und achten Sie darauf, fehlende Werte korrekt zu behandeln. Speichern Sie dies wiederum in eu_subventionen ab.

Hinweis: Den Datensatz hierfür haben wir für Sie wieder vorbereitet. Die Ursprungsdaten können hier eingesehen werden.

Welche Länder sind im Datensatz konkret enthalten?

Im Datensatz „eu_subventionen“ sind alle aktuellen 27 EU-Mitgliedstaaten enthalten, das Vereinigte Königreich ist aufgrund des Brexits nicht dabei.

Über welchen Zeitraum erstreckt sich der Datensatz?

Der Datensatz enthält Subventionsdaten für die Jahre ab 2010, tatsächlich beginnen die verfügbaren Werte bei vielen Ländern jedoch erst ab 2014 (Grund wird in späterer Aufgabe erklärt).

Output_Pillar I und Output_Pillar II und ihre jeweiligen Kategorien

Die Spalte „Indicator_Type“ unterscheidet zwischen Output_Pillar I und Output_Pillar II, die Teil der Förderstruktur der „Gemeinsamen Agrarpolitik“ (GAP) der EU sind.

Pillar I, die erste Säule, umfasst sowohl Direktzahlungen an Landwirte als auch marktbezogene Maßnahmen zur Stabilisierung der Agrarmärkte. Innerhalb dieser Säule gibt es die Direct Payments, also Einkommensunterstützungen wie die Basisprämie, die Junglandwirteprämie oder die Greening-Prämie, sowie die Market Measures, die Programme wie Interventionskäufe, private Lagerhaltung oder Marktmaßnahmen für Obst, Gemüse und Wein umfassen. Diese Zahlungen werden vollständig vom EU-Haushalt finanziert und dienen vor allem der Einkommensstützung der Landwirte und der Sicherung der Lebensmittelproduktion.

Pillar II, die zweite Säule, konzentriert sich auf die Entwicklung des ländlichen Raums. Dabei handelt es sich um mehrjährige Programme mit Projektcharakter, die in der Regel von der EU gemeinsam mit den Mitgliedstaaten kofinanziert werden. Beispiele sind Agrarumwelt- und Klimamaßnahmen, Investitionsförderungen wie der Stallbau, LEADER-Programme oder Ausgleichszulagen für Bergbauern. Anders als bei Pillar I gibt es hier nur die Kategorie Rural Development, da alle Programme dieser Säule inhaltlich auf die Förderung ländlicher Räume ausgerichtet sind. Sie unterstützen Landwirte bei Investitionen, fördern umweltfreundliche Maßnahmen und tragen insgesamt zur nachhaltigen Entwicklung der Landwirtschaft und der ländlichen Regionen bei.

Inwiefern sind die Indikatorentypen mit den verschiedenen Förderarten in Deutschland vergleichbar?

Die Indikatoren lassen sich gut mit den deutschen Förderarten vergleichen.

Output_Pillar I – Direct Payments entspricht den Direktzahlungen der GAP, die in Deutschland über den „Europäischen Garantiefonds für die Landwirtschaft“ (EGFL) ausgezahlt werden, darunter fallen etwa die Basisprämie, die Junglandwirteprämie oder die Greening-Prämie.

Die Output_Pillar I – Market Measures lassen sich den deutschen Marktordnungsmaßnahmen zuordnen, die ebenfalls aus dem EGFL finanziert werden und Programme zur Marktstabilisierung, Krisenintervention oder Lagerhaltung umfassen.

Output_Pillar II – Rural Development entspricht den in Deutschland kofinanzierten Programmen des Bundes und der Länder, insbesondere der Gemeinschaftsaufgabe Agrarstruktur und Küstenschutz (GAK) und den ELER-Programmen (Europäischer Landwirtschaftsfonds für die Entwicklung des ländlichen Raums), die Investitionen, Agrarumweltmaßnahmen und Projekte zur nachhaltigen Entwicklung ländlicher Räume fördern.

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.

Beschreibung

Die Grafiken veranschaulichen die Höhe der EU-Agrarsubventionen in den zehn größten Empfängerstaaten – Frankreich, Spanien, Italien, Deutschland, Polen, Rumänien, Griechenland, Ungarn, Österreich und Irland – im Zeitraum von 2020 bis 2022. Sie zeigen sowohl die absoluten Summen als auch die zeitliche Entwicklung der Zahlungen.

Grafik 1

Die erste Darstellung ist ein horizontales, gestapeltes Balkendiagramm. Auf der vertikalen Achse stehen die Länder, absteigend nach der insgesamt erhaltenen Subventionssumme über den gesamten Zeitraum sortiert. Die horizontale Achse zeigt die Höhe der Subventionen in Milliarden Euro. Jedes Land besitzt einen Balken, der in drei farbige Segmente unterteilt ist. Die Zahlungen des Jahres 2020 sind in Rot dargestellt, jene von 2021 in Grün und die Werte für 2022 in Blau. Zusätzlich sind alle Segmente mit ihren exakten Jahresbeträgen beschriftet, sodass die einzelnen Anteile klar ablesbar sind.

Auffällig ist, dass die Gesamtsummen zwischen den Top-10-Ländern stark variieren: Frankreich kommt im gesamten Zeitraum mit 69 Milliarden Euro auf die höchsten Subventionssummen und liegt dabei in allen drei Jahren jeweils an der Spitze. Irland steht hingegen am unteren Ende der Rangliste und erreicht insgesamt 11,7 Milliarden. Im Gegensatz zu diesen deutlichen Unterschieden zwischen den Ländern zeigen die jährlichen Zahlungen innerhalb eines einzelnen Landes hingegen nur geringe Schwankungen.

Grafik 2

Die zweite Darstellung besteht aus einem Panel mit zehn Einzelgrafiken, jeweils eine pro Staat. Auf der horizontalen Achse stehen die Jahre 2020 bis 2022, auf der vertikalen Achse die Subventionshöhe. Dabei besitzt jedes Land eine eigene y-Achsenskalierung, sodass die jeweiligen Entwicklungen innerhalb des Landes deutlicher sichtbar werden.

Für jedes Jahr wird ein Punkt gesetzt, und die drei Punkte sind durch Linien verbunden, um den Verlauf sichtbar zu machen. In acht der zehn Staaten liegt der höchste Wert im Jahr 2022. Rumänien bildet eine leichte Abweichung, da der Wert dort knapp unter dem Maximum bleibt. Irland stellt die einzige deutliche Ausnahme dar: Dort fällt die Subventionshöhe im Jahr 2022 auf den niedrigsten Wert des gesamten Zeitraums.

Interpretation

Die Dominanz der größten Förderempfänger wie Frankreich ergibt sich vor allem aus der Größe der landwirtschaftlich genutzten Flächen, denn Länder mit großen Agrarflächen profitieren besonders stark von den flächenbasierten Direktzahlungen der ersten Säule (Säule I). Hinzu kommt die historische Basis der Mittelverteilung, welche sich an den Produktionsmengen früherer Referenzjahre orientiert. Gründungsmitglieder und Staaten mit großen Agrarflächen konnten sich dadurch traditionell höhere Anteile sichern, die sie auch bei späteren Reformen weitgehend beibehalten haben.

Länder wie Irland, Österreich und Ungarn erhalten vergleichsweise geringere Summen, weil sie kleinere Agrarflächen besitzen, stärker auf Grünland- oder Viehwirtschaft spezialisiert sind oder einen höheren Anteil an Programmen der ländlichen Entwicklung (Säule II) erhalten, deren Mittel jedoch pro Hektar gezahlt werden.

Betrachtet man die Entwicklung der Subventionen innerhalb der Top-10-Länder über die Jahre 2020 bis 2022, lassen sich drei unterschiedliche Muster erkennen. Die individuelle Skalierung der Y-Achse in der zweiten Grafik ermöglicht es, diese Trends innerhalb jedes Landes besser sichtbar zu machen.

Gruppe 1 – Länder mit kontinuierlichem Anstieg

Diese Länder zeigen von 2020 bis 2022 eine leicht steigende Entwicklung der Subventionen. Es handelt sich dabei um die großen Agrarstaaten mit den größten landwirtschaftlich genutzten Flächen. Sie profitieren besonders von den flächenbasierten Direktzahlungen der ersten Säule (Säule I), die unabhängig von kurzfristigen Ertrags- oder Wirtschaftsentwicklungen gezahlt werden. Zusätzlich fließen Mittel aus den Programmen der ländlichen Entwicklung (Säule II) nach, sodass die Zahlungen stabil bleiben und die Förderung der umfangreichen Agrarkulturen kontinuierlich unterstützt wird.

Gruppe 2 – Länder mit temporärem Rückgang

Die zweite Gruppe umfasst Staaten wie Polen, Rumänien, Ungarn und Österreich. In diesen Ländern zeigt sich 2021 ein leichter Rückgang der Zahlungen, bevor 2022 wieder ein Anstieg erfolgt. Dies hängt vor allem mit dem „GAP-Zwischenzyklus“ zusammen: Zum Ende des Finanzierungszyklus 2014–2020 wurden Mittel aus Säule II möglicherweise bereits weitgehend verausgabt, während die Auszahlung neuer Mittel verzögert anlief. Zusätzlich führten administrative Arbeiten an den nationalen Strategieplänen für die neue GAP ab 2023 zu temporären Verzögerungen. Im Jahr 2022 wurden dann die noch offenen Mittel der alten Periode abschließend abgerechnet, was die Subventionssummen deutlich ansteigen ließ.

Gruppe 3 – Irland als Ausnahme

Irland zeigt einen gegensätzlichen Verlauf zu den anderen Ländern: Von 2020 auf 2021 steigen die Subventionen stark an, während sie 2022 deutlich abfallen. Dies ist vor allem auf landesspezifische Faktoren zurückzuführen: Die irische Landwirtschaft ist stark auf Grünland- und Viehwirtschaft spezialisiert, und ein hoher Anteil der Mittel fließt in Agrarumwelt- und Klimamaßnahmen (AUKM) der Säule II. Die hohen Subventionen 2020/2021 resultierten teilweise aus der Abrechnung größerer, einmaliger Umweltprogramme. Die anschließenden sinkenden Zahlungen 2022 lassen sich durch die nationale Neuausrichtung der GAP erklären: Direktzahlungen pro Hektar wurden zugunsten von Umweltprogrammen und einer gezielten Umverteilung hin zu kleineren Betrieben reduziert. Dadurch entfällt ein Teil der bisherigen flächenbasierten Zahlungen, was zu insgesamt geringeren Auszahlungen führt.

Insgesamt wurde die Y-Skalierung der zweiten Grafik absichtlich so gewählt, dass Veränderungen stärker sichtbar werden. Auch wenn es unter den Mitgliedstaaten leicht unterschiedliche Entwicklungen der Fördersummen gibt, kann jedoch gesagt werden, dass die Beträge im betrachteten Zeitraum trotzdem relativ konstant bleiben.

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.

Beschreibung

Die interaktive Grafik zeigt eine animierte Karte Europas, auf der die EU-Subventionen pro Land von 2010 bis 2022 dargestellt werden. Jedes Land ist nach der Höhe der erhaltenen Subventionen eingefärbt. Die Farbskala reicht von dunklem Lila für niedrige Subventionen bis zu hellem Gelb für hohe Subventionen. Die Subventionsbeträge sind in Milliarden Euro angegeben, die Skala passt sich aber jedes Jahr an die Werte an, sodass die Unterschiede zwischen den Ländern immer sichtbar bleiben.

Unten befindet sich ein Zeitregler, mit dem einzelne Jahre ausgewählt oder die Entwicklung automatisch abgespielt werden kann. So lässt sich nachvollziehen, wie sich die Subventionen über die Jahre verändern. Wenn man mit der Maus über ein Land fährt, werden der Ländername und die genauen Subventionswerte angezeigt. Länder ohne Daten bleiben neutral eingefärbt.

Die Grafik zeigt einen klaren Anstieg der Subventionen über die Zeit. Zu Beginn im Jahr 2010 liegen die Subventionen zwischen etwa 0,2 und 1,8 Milliarden Euro. Ab 2013 steigen sie deutlich, mit einem besonders großen Sprung 2014. In diesem Jahr erreicht zum Beispiel Frankreich bereits etwa 12 Milliarden Euro an Subventionen. Danach steigt der Trend noch leicht, stagniert aber ab 2016 weitgehend, und 2022 liegen die Beträge zwischen 5 und über 20 Milliarden Euro.

Bis 2013 erhält Polen durchgehend die höchsten Subventionen, diese fallen dann deutlich, ab 2014 liegt Frankreich an der Spitze. Länder mit durchgehend niedrigen Subventionen sind vor allem Slowenien, Kroatien, Lettland, Litauen und Estland ergänzt durch Finnland und Schweden.

Hervorzuheben ist das wechselhafte Muster Spaniens: Nach starken Schwankungen von 2010 bis 2013 stabilisieren sich die Werte ab 2014 im mittleren bis oberen Bereich. Außerdem fällt auf, dass die Einfärbungen bei vielen Ländern erst ab 2014 starten.

Interpretation

Niedrige Subventionssummen

Die Analyse der Grafik zeigt, dass Länder mit durchgehend niedrigen Subventionen, wie bereits in der Beschreibung dargestellt, kontinuierlich deutlich unter den Top-Empfängern liegen. Wie wir aus Aufgabe 21 wissen, sind die hohen Subventionen der Top-Empfänger vor allem auf die Größe der landwirtschaftlich genutzten Fläche, historische Referenzwerte und die Produktivität zurückzuführen. Für Länder mit niedrigen Summen wirken dieselben Faktoren umgekehrt: Ihre landwirtschaftlich genutzte Fläche ist vergleichsweise klein, die Produktivität oft niedriger, sodass die flächenbasierten Direktzahlungen der „Ersten Säule“ automatisch geringere absolute Beträge ergeben.

Auf den ersten Blick könnte man aufgrund der großen Gesamtflächen erwarten, dass Schweden und Finnland hohe Subventionssummen erhalten, tatsächlich liegen diese jedoch eher im unteren Bereich, sind jedoch nicht so stark reduziert wie bei den kleineren Mitgliedstaaten. Der entscheidende Faktor ist auch hier die landwirtschaftlich genutzte Fläche, die im Verhältnis zur Gesamtfläche klein ist, sowie die teilweise extensive Bewirtschaftung und Spezialisierung auf Nischenprodukte. Regionale Ausgleichszahlungen gleichen nur teilweise aus und führen nicht zu absoluten Summen auf dem Niveau der großen Agrarstaaten.

Zeitliche Entwicklung

Die zeitliche Entwicklung zeigt, dass die Subventionen der niedrigen Empfänger über 2010 bis 2022 deutlich steigen. Dieser Trend spiegelt sich bei allen Ländern wider, sodass die Subventionssummen generell über die Jahre zunehmen. Ursachen dafür sind die schrittweise Angleichung der Direktzahlungssätze, die allgemeine Erhöhung des EU-Agrarbudgets sowie Reformen wie die GAP 2013, die harmonisierte Meldungen und Programme einführte. Ein besonders auffälliger Sprung ist ab 2014 zu beobachten: Der deutliche Anstieg der Subventionen in fast allen Ländern ist auf den Beginn des neuen mehrjährigen Finanzrahmens 2014–2020 und die GAP-Reform von 2013 zurückzuführen. Die Budgets wurden neu festgelegt und die Auszahlung der neuen Programme begann, sodass solche Zyklen vor allem politisch bedingt sind.

Schwankungen

Polen verzeichnete bis 2013 starke Zuwächse, da das Land nach dem EU-Beitritt 2004 von der sogenannten „Phasing-in“-Regelung profitierte. Dabei wurden die Direktzahlungen schrittweise auf das EU-Niveau angehoben, was in den ersten Jahren zu einem deutlichen Anstieg der absoluten Subventionsbeträge führte. Ab 2014 sanken die absoluten Beträge wieder, sodass Polen seitdem eher im oberen Mittelfeld der Empfänger liegt, was weiterhin durch die große landwirtschaftlich genutzte Fläche des Landes gestützt wird.

Obwohl Spanien aufgrund seiner großen landwirtschaftlich genutzten Fläche eigentlich durchgehend hohe Subventionssummen erwarten ließe, zeigt das Land bis 2013 überraschend niedrige Werte, bevor die Zahlungen ab 2014 stark ansteigen und sich anschließend auf einem hohen Niveau stabilisieren. Der starke Anstieg Spaniens ab 2014 ist primär auf die Harmonisierung der Meldeverfahren infolge der GAP-Reform zurückzuführen. Spanien besitzt mit seinen 17 autonomen Regionen ein stark dezentralisiertes Verwaltungssystem, in dem insbesondere die Mittel der „Zweiten Säule“ (Ländliche Entwicklung) regional geplant und umgesetzt werden. Bis 2013 wurden diese Programme jedoch uneinheitlich, teilweise lückenhaft und nach unterschiedlichen regionalen Standards an die EU gemeldet, was in den aggregierten EU-Daten zu einer deutlichen Untererfassung führte. Erst die ab 2014 verpflichtenden, digitalisierten und europaweit standardisierten Berichtssysteme erfassten die gesamten regionalen Förderprogramme vollständig, wodurch Spaniens tatsächliches Subventionsvolumen sichtbar wurde.

Woran liegt es, dass gewisse Länder keine Einfärbung erhalten?

Länder ohne Einfärbung auf der Karte sind überwiegend Nicht-EU-Mitglieder, wie Norwegen, die Schweiz oder das Vereinigte Königreich nach 2020, die keine EU-Agrarsubventionen erhalten

Dass die Einfärbungen bei manchen Ländern erst ab 2013 beginnen, liegt daran, dass die Datenerfassung vor 2013 zwar grundsätzlich möglich war, aber inhaltlich und formal zwischen den Mitgliedstaaten stark variierte. Mit der GAP-Reform 2013/2014 wurden die Verfahren zur Erfassung und Übermittlung der Daten harmonisiert, digitalisiert und standardisiert, sodass ab diesem Zeitpunkt vergleichbare und vollständige Daten für die interaktive Grafik vorliegen.

Wie könnten sich hohe Subventionen für einzelne Länder auf den Wettbewerb innerhalb der EU und die Struktur der Landwirtschaft auswirken?

Hohe Subventionen einzelner Länder verschaffen Wettbewerbsvorteile, da größere Investitionen möglich sind und wirtschaftliche Risiken besser abgefedert werden können. Dies begünstigt tendenziell den Strukturwandel hin zu größeren Betrieben und intensiverer Bewirtschaftung. Länder mit stark schwankenden Subventionen reagieren besonders sensibel auf politische Entscheidungen, projektbasierte Fördermaßnahmen oder kurzfristige Krisen, wodurch deutlich wird, dass Subventionen nicht nur langfristig planbar sind, sondern auch flexibel zur Krisenbewältigung und Marktstabilisierung eingesetzt werden.

Welche Schlussfolgerungen lassen sich ziehen, wenn Länder mit stark schwankenden Subventionen zu erkennen sind?

Stark schwankende Subventionszahlungen in einzelnen Ländern deuten häufig auf einen hohen Anteil projektbasierter Fördermittel der „Zweiten Säule“ (ländliche Entwicklung) hin. Solche Schwankungen können entstehen, wenn ein Jahr eine Spitzenzahlung aufgrund der abschließenden Abrechnung eines großen Umwelt- oder Investitionsprogramms aufweist. Ein Rückgang kann wiederum auf Verzögerungen bei der nationalen Umsetzung neuer Programme oder auf den Abschluss eines Finanzierungszyklus zurückzuführen sein, wie beispielsweise beim Übergang von 2013/2014. Wirtschaftliche Krisen oder Ernteausfälle beeinflussen die flächenbasierten Direktzahlungen der „Ersten Säule“ nur in Ausnahmefällen, sodass sie selten die Hauptursache für große Schwankungen der Gesamtsumme darstellen.

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: Vergleich Deutschland und Frankreich

Beim Vergleich von Deutschland und Frankreich in der interaktiven Karte zeigt sich, dass Frankreich über den gesamten betrachteten Zeitraum hinweg durchgehend höhere Subventionssummen erhält als Deutschland. So lagen im Jahr 2022 die Agrarsubventionen Frankreichs bei 23,6 Mrd.€, während Deutschland 16 Mrd.€ erhielt. Dieser Unterschied von 7,6 Mrd.€ verdeutlicht die strukturellen und historischen Faktoren, die die Förderverteilung zwischen beiden Ländern prägen. Die deutlich höheren Zahlungen Frankreichs lassen sich vor allem durch die agrarische Fläche und die historische Rolle des Landes innerhalb der „Gemeinsamen Agrarpolitik“ (GAP) erklären. Frankreich verfügt mit rund 28,6 Millionen Hektar über die größte landwirtschaftlich genutzte Fläche der EU und hat damit einen entscheidenden Vorteil innerhalb eines Systems, das stark flächenbasiert organisiert ist. Die Direktzahlungen der „Ersten Säule“, die für beide Länder den größten Anteil der Förderungen ausmachen, orientieren sich in erster Linie an der bewirtschafteten Fläche. Deutschland mit rund 16,6 Millionen Hektar erreicht hier automatisch geringere absolute Summen. Diese strukturelle Differenz bildet den Kern des Subventionsgefälles zwischen beiden Ländern.

Hinzu kommt der historische Einfluss der frühen GAP-Jahrzehnte. Frankreich war nicht nur Gründungsmitglied der EU, sondern auch der zentrale politische Treiber der ursprünglichen, stark produktionsorientierten Agrarpolitik. Die frühen Fördermechanismen wie Preisstützungen, Interventionskäufe und die spätere Umstellung auf betriebsbezogene Referenzwerte hatten vor allem das Ziel, die große französische Landwirtschaft zu stabilisieren. Diese historischen Referenzwerte wirken bis heute nach, da sie in spätere Reformen als flächenbasierte Zahlungsansprüche übernommen wurden.

Deutschland profitiert zwar auch stark von der „Ersten Säule“, hatte aber historisch nie so viele Vorteile wie Frankreich. Unterschiede in der politischen Struktur, also dass Deutschland föderal organisiert ist und Frankreich eher zentral, haben dabei nur einen kleineren Einfluss, ebenso wie geringfügige Unterschiede bei der Umsetzung der Förderprogramme. Insgesamt werden die flächenbasierten Zahlungen in der EU aber weitgehend ähnlich verteilt, sodass die Hauptgründe für die höheren Zahlungen Frankreichs vor allem in Fläche und historischen Vorteilen liegen.

Obwohl die Erste Säule der Haupttreiber ist, zeigen sich auch in der „Zweiten Säule“ (Förderung der ländlichen Entwicklung) Unterschiede. Deutschland nutzt durch seine stärkere föderale Struktur und spezifische Umweltprogramme (z.B. Agrarumweltmaßnahmen) tendenziell höhere Anteile dieser „Zweiten Säule“, um gezielter auf die nationalen Agrarstrukturen (z.B. vielfältigere Betriebsgrößen) einzugehen. Insgesamt bleibt die Wirkung auf die absoluten Summen jedoch begrenzt, denn wegen der deutlich größeren Agrarfläche Frankreichs liegt das Land auch in der „Zweiten Säule“ meist vorne.

Für die wirtschaftspolitische Steuerung bedeutet diese Ungleichheit, dass absolute Subventionssummen nur begrenzt vergleichbar sind. Hohe Zahlungen zeigen nicht unbedingt, wie leistungsstark ein Land aktuell ist oder wie groß der tatsächliche Bedarf ist, sondern spiegeln vor allem historisch gewachsene Strukturen wider. Dadurch entstehen Wettbewerbsverzerrungen, weil Länder wie Frankreich langfristig von alten Budgetverteilungen profitieren. Um die Agrarpolitik fair zu bewerten, sollte man deshalb eher alternative Indikatoren wie Fördermittel pro Hektar oder pro Arbeitskraft heranziehen, die die strukturellen Unterschiede besser berücksichtigen. Insgesamt wird dadurch klar, dass die GAP weniger ein Werkzeug zur Angleichung wirtschaftlicher Bedingungen ist, sondern eher dazu beiträgt, historische und strukturelle Vorteile zu erhalten.

Frage 2: Vergleich der stark schwankenden Länder

Wie bereits in Aufgabe 22 und Aufagbe 21 gezeigt, gibt es Länder wie Polen, Spanien sowie die Gruppe aus Irland, Ungarn, Rumänien und Österreich, bei denen die jährlichen Agrarsubventionen stark schwanken. Bei der Betrachtung über die Jahre fällt auf, dass diese Schwankungen fast immer politische oder administrative Ursachen haben und selten durch Marktveränderungen oder kurzfristige wirtschaftliche Entwicklungen erklärt werden können.

Polen zeigt bis 2013 einen starken Anstieg der Zahlungen, was auf den sogenannten Phasing-in-Prozess zurückgeht, bei dem die Direktzahlungen nach dem EU-Beitritt schrittweise an das Niveau der westlichen Mitgliedstaaten angeglichen wurden. Ab 2014 stabilisieren sich die Zahlungen, da das Land dann vollständig in die reguläre Logik der Ersten Säule integriert war. Spanien weist ein anderes Muster auf: Bis 2013 erscheinen die Subventionen sehr niedrig, bevor sie ab 2014 stark ansteigen und sich auf hohem Niveau stabilisieren. Wie schon in Aufgabe 22 erläutert, liegt dies nicht an realwirtschaftlichen Veränderungen, sondern an der Verwaltungsstruktur Spaniens. Die 17 autonomen Regionen melden die Mittel der „Zweiten Säule“ eigenständig, und erst durch die GAP-Reform 2013/2014 mit verpflichtenden, digitalen Meldesystemen wurden alle regionalen Programme konsistent und vollständig erfasst. Die Ländergruppe Irland, Rumänien, Ungarn und Österreich zeigt Schwankungen, die aus der projektbasierten Umsetzung der „Zweiten Säule““ resultieren. Die Mittel unterliegen festen Fristen wie der N+3-Regel, wodurch Abrechnungsjahre zu Spitzen und Übergangsjahre zu Rückgängen führen. Das starke irische Hoch 2021 und der Rückgang 2022 sind typische Beispiele dafür. Ähnliche Effekte entstehen zwischen zwei mehrjährigen Finanzrahmen, wenn alte Programme enden und neue noch nicht vollständig umgesetzt sind.

Insgesamt zeigt der Vergleich, dass die Schwankungen nicht bedeuten, dass das Agrarsystem instabil ist. Sie entstehen vielmehr durch die Kombination aus stabilen, flächenbasierten Mitteln der „Ersten Säule“ und projektbezogenen, zyklischen Mitteln der „Zweiten Säule“. Die Ausschläge sind also vor allem Ergebnis politischer und administrativer Abläufe und nicht von kurzfristigen Marktproblemen. Für die Politik heißt das: Regeln wie die N+3-Frist könnten im nächsten mehrjährigen Finanzrahmen flexibler gestaltet werden, und die Mitgliedstaaten sollten ihre Kapazitäten zur Planung und Abrechnung von Projekten weiter verbessern, damit Fördermittel gleichmäßiger abgerufen werden können.