Datenquelle: Indikatoren und Karten zur Raum- und Stadtentwicklung. INKAR. Ausgabe 2022. Hrsg.: Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR) im Bundesamt für Bauwesen und Raumordnung (BBR) - Bonn 2023.
Hinweise des bifg:
Die Daten werden für die Jahre 2015–2020 bereitgestellt.
Die Arbeitslosenquote zeigt die relative Unterauslastung des Arbeitskräfteangebots an. Sie ist ein zentrales Maß für einen unausgeglichenen regionalen Arbeitsmarkt. Für die Bezugsgröße werden alle zivilen Erwerbspersonen im Alter von 15 bis unter 65 Jahren berücksichtigt.
Die Erwerbsquote misst das regionale Angebot an Arbeitskräften, d.h. das zur Verfügung stehende Potenzial, bezogen auf die Erwerbsfähigen. Erwerbspersonen setzen sich aus den Erwerbstätigen (Erwerbstätige = Arbeitnehmer + Selbständige/mithelfende Familienangehörige) und den Arbeitslosen zusammen. Das erwerbsfähige Alter wird aus Gründen der Vergleichbarkeit mit internationalen Quoten zwischen 15 bis unter 65 Jahre angenommen. Der durchschnittliche Bruttoverdienst berücksichtigt den monatlichen Bruttoverdienst aller Arbeitnehmer:innen (sozialversicherungspflichtig Beschäftigte und Beamt:innen/Richter:innen/Soldat:innen. Nicht dazu gehören Selbständige, mithelfende Familienangehörige sowie Personen die einen freien Beruf ausüben.
Der in der Karte berechnete Bundesdurchschnitt des Bruttoverdienstes weicht von dem bundesweiten Gesamtwert im Balkendiagramm ab, da in der Karte kein gewichteter Mittelwert je Bundesland dargestellt wird.
Einen Moment bitte
Grafik und Daten werden geladen ...
Verwenden Sie „Exakte Abweichungen“, um Attributwerte direkt in Farbwerte zu überführen. Hierbei entsprechen die relativen Abweichungen der Attributwerte vom Mittelwert den relativen Abweichungen in den Farbwerten.
Die exakte Abweichung ermöglicht eine unverzerrte Darstellung der Attributwerte. Diese Darstellung ist besonders für normalverteilte Daten geeignet.
Gleiches IntervallVerwenden Sie „Gleiches Intervall“, um Attributwerte in gleich breite Klassen zu unterteilen. Die Klassengrenzen werden automatisch so bestimmt, dass die Datenintervalle in jeder Klasse gleich groß sind. Zum Beispiel ergeben sich für Werte im Bereich von 0 bis 300 und drei Klassen die Bereichsgrenzen 0 bis 100, 101 bis 200 und 201 bis 300.
Die gleichen Intervalle sind besonders für begrenzte Datenbereiche, wie Prozentsätze (0-100), geeignet. Die Darstellungsmethode hebt heraus, ob eine bestimmte Region unterhalb oder oberhalb des Mittelwertes liegt.
QuantilVerwenden Sie „Quantil“, um die Attributwerte in gleich mächtige Klassen einzuteilen. Die Klassengrenzen werden hierbei so bestimmt, dass jede Klasse gleich viele Regionen umfasst.
Diese Darstellung eignet sich gut für linear verteilte Daten. Durch die Klassifikationsmethode können sowohl sehr nahe beieinanderliegende Attributwerte in verschiedene Klassen als auch sehr verschiedene Attributwerte in die gleiche Klasse eingeteilt werden. Hierdurch können auch extrem breite Datenbereiche (Ausreißer) optisch ansprechend dargestellt werden.
StandardabweichungVerwenden Sie „Standardabweichung“, um die Klassengrenzen auf jeweils eine Standardabweichung des Datenbereiches zu begrenzen. Mittelwert und Standardabweichung werden automatisch berechnet.
Arithmetische ProgressionVerwenden Sie „Arithmetische Progression“, um Klassengrenzen mit aufsteigender Breite zu erhalten. Je weiter eine Klasse vom Mittelwert entfernt liegt, desto größer wird der Wertebereich sein, den eine Farbe abbildet. Die Verbreiterung der Klassengrenzen erfolgt linear.
Diese Klassifikation eignet sich zur Darstellung von Daten mit breiten Verteilungsenden, z.B. Kostendaten. Seltene hohe Werte werden hierbei in größeren Klassen zusammengefasst und damit deren Gemeinsamkeit betont.
Geometrische ProgressionVerwenden Sie „Geometrische Progression“, um Klassengrenzen mit einer stark aufsteigenden Breite zu erhalten. Je weiter eine Klasse vom Mittelwert entfernt liegt, desto größer wird der Wertebereich sein, den eine Farbe abbildet. Die Verbreiterung der Klassengrenzen erfolgt quadratisch.
Diese Klassifikation eignet sich zur Darstellung von extrem verteilten Daten, z.B. orphan drugs oder Kostendaten seltener Erkrankungen. Die seltenen aber extremen Ergebnisse werden hierbei in große Klassen zusammengefasst und damit deren Gemeinsamkeit betont.
Natürliche UnterbrechungenVerwenden Sie „Natürliche Unterbrechungen“ (auch Jenks genannt), um einen Kompromiss aus „Quantilen“ und „Gleiches Intervall“ zu erhalten und eine harmonisch aussehende Karte zu generieren. Bei der Methode werden die Klassengrenzen durch einen Algorithmus so erstellt, dass Unterschiede zwischen den Klassen maximiert werden.
Weitere Informationen zu dem Algorithmus „Natürliche Unterbrechungen“ finden Sie bei George F. Jenks und Fred C. Caspall in: „Error on Choroplethic Maps. Definition, Measurement, Reduction“. Annals of the Association of American Geographers. Bd. 61, 1971, S. 217–244, doi:10.1111/j.1467-8306.1971.tb00779.x.