Zwischen 1990 und 2019 ist der Anteil der Haushalte, die in selbst genutztem Wohneigentum leben, um 9 Prozentpunkte von 37% auf 46% angestiegen. Die Mehrheit aber wohnt weiterhin nicht in der eigenen Immobilie. Die Zahlen für diese Monat stammen aus eigenen Berechnungen auf Basis des Sozio-oekonomischen Panels (SOEP).
Die volle Zeitreihe für den Zeitraum 1990-2019 sieht dabei wie folgt aus:
Das DataSpotlight 02/2022 informiert zur aktuellen Diskussion um die weitere Erhöhung des gesetzlichen Mindestlohns in Deutschland: Unterstellt man die Entwicklung der Bruttolöhne und -gehälter für 2022 wie in der aktuellen Prognose der Bundesregierung und berücksichtigt man die bereits beschlossene Erhöhung des gesetzlichen Mindestlohns zum Juli 2022 auf 10,45 EUR, dann ergibt sich die oben dargestellte Entwicklung für den Zeitraum 2015-2022. Die Bruttolöhne und -gehälter sind in diesem Zeitraum um 27.7% gestiegen. Der gesetzliche Mindestlohn ist hingegen nur um 22.9% gestiegen und damit deutlich langsamer verglichen mit der Entwicklung der Bruttolöhne und -gehälter.
Am 23.02.2022 hat das Bundeskabinett die Erhöhung des Mindestlohns zum 01. Oktober 2022 auf 12 EUR beschlossen. Damit ergibt sich im DataSpotlight 02/2022 – Update folgendes Bild: Unterstellt man die Entwicklung der Bruttolöhne und -gehälter für 2022 wie in der aktuellen Prognose der Bundesregierung (die sich natürlich aufgrund der Erhöhung des Mindestlohns ändern könnte) und berücksichtigt man die nun beschlossene Erhöhung des gesetzlichen Mindestlohns zum Oktober 2022 auf 12 EUR, dann ergibt sich die oben dargestellte Entwicklung für den Zeitraum 2015-2022. Die Bruttolöhne und -gehälter sind in diesem Zeitraum um 27.7% gestiegen. Der gesetzliche Mindestlohn ist nun um 41.2% gestiegen und damit stärker, verglichen mit der Entwicklung der Bruttolöhne und -gehälter. Das kann (muss aber nicht) zu einer Reduktion der Lohnungleichheit in der Zukunft führen.
Das DataSpotlight 01/2022 informiert zur Diskussion, ob es nicht (einfacher) wäre die Lohnentwicklung in Tarifverträgen einfach an die Entwicklung der Verbraucherpreise zu koppeln: Im Zeitraum seit 2000 sind die durchschnittlichen Tariflöhne im Vergleich mit den Verbraucherpreisen nur in drei Jahren weniger stark gewachsen. In allen anderen Jahren lag das Wachstum mitunter deutlich höher. Die Löhne sind also, im Vergleich zu einer reinen Kopplung, deutlich stärker gestiegen.
Herzlich willkommen zur dritten Ausgabe von „Zahl des Monats“. Diesen Monat beschäftigt sich der Beitrag mit Spielplätzen in Deutschland. Visualisieren werden wir die Daten dieses Indikators ganz klassisch mit horizontalen Barcharts. Zu diesem Beitrag werden für alle drei Abbildungen die R-Codes im Online-Tutorial hinterlegt.
Wir wünschen Ihnen auch diesen Monat viel Spaß beim Lesen, (Selbst-)analysieren und (Selbst-) visualisieren.
Ihr Innside Statistics Team
Datenquellen: Die Zahlen für die folgende Analyse stammen aus verschiedenen Datenquellen. Die Zahlen zu Spielplätzen sind der Datenbank des OpenStreetMap Projekts entnommen. Hierzu wurden für jedes Bundesland alle Einträge mit dem Attribut „leisure=playground“extrahiert und ausgewertet. Der Datenabruf erfolgte auf Basis standardisierter Syntax via Overpass (www.overpass-turbo.eu). Die Zahlen zu Wohnfläche und Bevölkerung je Bundesland sind dem Online-Angebot des Statistischen Bundesamtes entnommen (https://www-genesis.destatis.de/) und beziehen sich auf den Stichtag 31.12.2018 (Tabellencodes 31231-0003 und 12411-0012).
Kinderspielplätzen kommt, sowohl aufgrund ihrer Unterstützung der körperlichen und geistigen Entwicklung von Kindern als auch als sozialer Treffpunkt für Familien, eine hohe Bedeutung zu. Im Zuge der Diskussionen um Lockerungen der Einschränkungen zur Eindämmung der Covid19-Pandemie wurde Anfang dieses Monats in der Politik und in den Medien intensiv darüber diskutiert ob und wenn ja wann Kinderspielplätze in Deutschland wieder geöffnet werden sollten. Im Zuge dieser Diskussion haben wir uns die Frage gestellt, wie viele Spielplätze es eigentlich in Deutschland gibt und wie diese auf die Bundesländer verteilt sind.
Für Deutschland gibt es weder auf der Ebene des Bundes noch auf der Ebene der Länder eine zentrale Spielplatzplanung. Diese ist Aufgabe der Kommunen. Zur Anzahl der bereitzustellenden Spielplätze gibt es hierbei zwar viele Empfehlungen, aber keine bundesweit rechtsverbindlichen Vorschriften. Am einheitlichsten sind hier die entsprechenden Regelungen in den Bauverordnungen der Länder ausgestaltet. Hier gilt in den meisten Fällen, dass bei einem Neubau von mehr als drei Wohneinheiten eine Spielplatzfläche zu erstellen ist (z.B. Art. 7 Nr. 3 BayBO). Die konkrete Ausgestaltung ist dann wieder auf kommunaler Ebene geregelt, z.B. in München mit der Vorgabe einer Fläche von 1,5 Quadratmetern Spielplatzfläche pro 25 Quadratmetern Wohnfläche (§ 5 Freiflächengestaltungssatzung München).
Für das Land Berlin existiert ein explizites Spielplatzgesetz, das als Ziel eine Quote von 1 Quadratmeter Spielplatzfläche pro Einwohner vorgibt (§4 Abs. 1 KISpPlG BE). Aufgrund dieses Gesetzes existiert für das Land Berlin auch eine kontinuierliche statistische Erfassung der öffentlichen Spielplätze, auf die wir später noch einmal zurückkommen werden. Eine solche Statistik existiert auf Bundesebene nicht.
Da keine amtliche Statistik über die Anzahl von Spielplätzen existiert, müssen diese Daten aus einer alternativen Quelle kommen. Hier bietet sich das OpenStreetMap (OSM) Projekt an
(Link zu OSM). Ziel des OSM Projektes ist es frei nutzbare Geoinformationen zu sammeln und unter einer freien Lizenz zur Verfügung zu stellen. OSM wurde 2004 gegründet und seit 2006 läuft die Erfassung der Daten. Inzwischen ist die Qualität und der Detailgrad der Daten, insbesondere in Europa, sehr hoch und das OSM-Kartenmaterial wird auch in kommerziellen Navigationslösungen verwendet.
Für unseren Zweck bietet sich OSM an, da im Kartenmaterial Spielplätze detailliert verzeichnet sind. Über die Abfrageschnittstelle Overpass haben wir aus dem OSM Datenbestand alle Einträge extrahiert, die den Tag „leisure=playground“ tragen und in einem der 16 Bundesländer liegen. Insgesamt listet die Datenbank (Stand Mai 2020) 99.117 Spielplätze auf.
An dieser Stelle müssen zwei wichtige Anmerkungen zu den Daten erfolgen: Erstens, die Datenqualität von OSM beruht darauf, dass die entsprechende Region zuverlässig von Freiwilligen kartiert und abgezeichnet wurde. Im Allgemeinen, insbesondere in Deutschland, sind die Daten sehr gut, regionale Schwankungen in der Datenqualität und Datenvollständigkeit sind jedoch möglich. Es handelt sich explizit nicht um administrative Daten. Zweitens, im Rahmen des OSM-Tags „leisure=playground“ wird nicht zwischen öffentlich zugänglichen und nicht öffentlich zugänglichen Spielplätzen unterschieden. Hier können also auch Außenflächen von Schulen und Kindergärten miterfasst werden, unabhängig davon ob diese außerhalb der Öffnungszeiten der jeweiligen Institution für den Publikumsverkehr freigegeben sind oder nicht. Die OSM Zahlen stellen daher eine obere Grenze für die verfügbare Anzahl an Spielplätzen dar.
Die Schlussfolgerungen aus der folgenden Analyse sollten davon jedoch nicht betroffen sein. Erstens sollte die Klassifizierung in allen Bundesländern vergleichbar ablaufen, sodass eine potentielle Überschätzung ein ähnliches Niveau in allen 16 Ländern haben sollte und zweitens werden wir im letzten Teil der Analyse zeigen, dass das tatsächliche Angebot an Spielplätzen trotz der potentiellen Übererfassung in fast allen Bundesländern deutlich unter gängigen Zielsetzungen liegt. Eine Korrektur der potentiellen Übererfassung würde dieses Ergebnis sogar verstärken.
Wo sind nun diese knapp 100.000 Spielplätze? Die erste Abbildung zeigt, dass Nordrhein-Westfalen mit knapp 20.000 verzeichneten Spielplätze hier an erster Stelle liegt, gefolgt von Bayern mit etwas mehr als 15.000 Spielplätzen. Am Ende der Liste stehen erwartungsgemäß die kleinen Bundesländer Saarland und Bremen mit 925 und 693 Spielplätzen.
Die Unterschiede in den absoluten Zahlen sagen aber eigentlich sehr wenig über die tatsächliche Versorgung mit Spielplätzen aus, sondern spiegeln hauptsächlich die Größenunterschiede der Bundesländer wider. Aus diesem Grund wird in der nächsten Abbildung die Anzahl an Spielplätzen in Relation zu der Anzahl an Kindern im relevanten Alter gesetzt. Die Daten zur Bevölkerung stammen vom Statistischen Bundesamt und beziehen sich auf den Stichtag 31.12.2018. Dargestellt ist die Anzahl an Spielplätzen je 1.000 Kinder unter 14 Jahren.
Die Abbildung zeigt deutliche Unterschiede zwischen den Bundesländern auf. In Mecklenburg-Vorpommern teilen sich 1.000 Kinder knapp 13 (12,9) Spielplätze, in Berlin stehen hingegen nur etwas weniger als 8 (7,75) Spielplätze je 1.000 Kinder zur Verfügung. Damit kommt Berlin nur auf etwa 60% des Wertes von Mecklenburg-Vorpommern. Es zeigen sich also deutliche Unterschiede. Nur auf welchem Niveau bewegen sich die Werte? Sind die 12,9 Spielplätze bereits eine gute Versorgung oder sind evtl. sogar die 7,75 bereits ein guter Wert? Diese Frage ist schwer zu beantworten, da es keine verbindlichen bundesweiten Vorgaben gibt, an denen man sich orientieren kann. Der folgende Abschnitt soll – basierend auf einer Reihe von Annahmen – eine Einschätzung zur Versorgungssituation mit Spielplätzen geben.
Man kann sich der Frage, wie gut die Versorgungssituation mit Spielplätzen in den einzelnen Bundesländern ist aber aufgrund der obigen Angaben und einiger bestehender Regelungen annähern. Nimmt man z.B. die oben bereits zitierte Regelung der Stadt München als potentielle Zielgröße, nach der auf 25 Quadratmeter Wohnfläche 1,5 Quadratmeter Spielplatz kommen sollen, kann man, basierend auf der Wohnungsstatistik des statistischen Bundesamtes (Stichtag 31.12.2018) berechnen wieviel Quadratmeter Spielplatzfläche es je Bundesland geben sollte.
Aus den OSM-Daten haben wir die Anzahl der Spielplätze extrahiert. Für viele der Spielplätze wäre es auch möglich die Fläche zu bestimmen, in vielen Fällen sind die Spielplätze jedoch nur als Punkt hinterlegt. Aus diesem Grund benötigen wir hier eine Annahme. Hier kommt wieder Berlin ins Spiel. Aufgrund des Spielplatzgesetzes veröffentlicht das Land Berlin regelmäßig eine Statistik zu den öffentlichen Spielplätzen (Link zu den Daten). Nutzt man hier die Angaben zu allen Spielplätzen (Berlin weist auch separate Zahlen für die nach dem Berliner Gesetz anrechenbaren Spielplätze aus) ergibt sich für 2019 eine durchschnittliche Größe von etwas mehr als 1.700 Quadratmetern pro Spielplatz. Auf Basis dieser 1.700 Quadratmetern und der oben berechneten Soll-Spielplatzfläche lässt sich eine Soll-Anzahl an Spielplätzen berechnen. Diesen Schritt haben wir für alle Bundesländer durchgeführt und treffen dabei die vereinfachende Annahme, dass die durchschnittliche Spielplatzgröße in allen Bundesländern identisch ist. Dieser Soll-Anzahl an Spielplätzen kann man nun die Ist-Anzahl an Spielplätzen, also den aktuellen Bestand gegenüberstellen. In der dritten Abbildung dieses Beitrags ist der Anteil der aktuell zur Verfügung stehenden Plätze an der Soll-Anzahl als prozentualer Versorgungsgrad angegeben.
Die Ergebnisse zeigen ein sehr interessantes Bild. Mecklenburg-Vorpommern trifft mit 99% fast genau das oben definierte Ziel. Die weiteren 15 Bundesländer liegen im Vergleich dazu, teilweise deutlich, darunter. Kein Bundesland liegt über der von uns definierten Zielgröße.
Diese kurze Analyse zeigt, dass selbst wenn alle Spielplätze wieder geöffnet sind, in fast allen Bundesländern ein deutlicher Ausbau der Spielplatzkapazitäten angezeigt wäre.
Da weder amtlichen Daten zu Spielplatzflächen oder Spielplatzanzahl vorliegen, basiert obige Analyse auf verschiedenen Annahmen. Erstens, das Münchner Ziel von 1,5 Quadratmeter Spielplatzfläche auf 25 Quadratmeter Wohnfläche wurde auf Deutschland ausgeweitet und auch auf den Wohnungsbestand und nicht nur auf Neubauten angewendet. Umgerechnet bedeutet das etwa 1 Quadratmeter Spielplatzfläche pro 16,67 Quadratmeter Wohnfläche. Vergleicht man dies mit der gesetzlichen Regelung des Landes Berlin von 1 Quadratmeter Spielplatzfläche pro Einwohner erscheint das kein allzu hoher und unrealistischer Wert zu sein. 2. Basierend auf den amtlichen Daten aus Berlin zu allen (öffentlich zugänglichen) Berliner Spielplätzen (Achtung: Das sind weniger als in obiger Analyse enthalten!) wurde angenommen, dass die durchschnittliche Spielplatzgröße bei 1.700 Quadratmetern liegt. Dies ist schwer zu prüfen. Berlin weist z.B. für die nach dem Berliner Gesetz anrechenbare Fläche nur durchschnittlich 1.200 Quadratmeter aus. Hier kann z.B. ein Blick in die DIN 18034 „Spielplätze und Freiräume zum Spielen – Anforderungen für Planung, Bau und Betrieb“ zur Einschätzung helfen. Die DIN empfiehlt je nach Altersklasse der Kinder Spielplatzflächen zwischen 500 und 10.000 Quadratmeter. Insofern sind, nach unserer Einschätzung, auch hier die 1.700 Quadratmeter eine Annahme, die sich im realistischen Bereich befindet.
Herzlich willkommen zur zweiten Ausgabe von „Zahl des Monats“. Diesen Monat beschäftigt sich der Beitrag mit dem LKW-Verkehr in Deutschland. Genauer mit dem LKW-Maut-Fahrleistungsindex den das Bundesamt für Güterverkehr, die Bundesbank und das Statistische Bundesamt aus den Prozessdaten der Erhebung der LKW-Maut bilden und bereitstellen. Visualisieren werden wir die Daten dieses Indikators mit verschiedenen Varianten von Linecharts. Die Informationen auf Monatsbasis sind erst als Slopegraph (erste Abbildung) dargestellt und die lange Zeitreihe der Veränderungen (zweite Abbildung) sowie die tagesgenauen Informationen als klassische Liniendiagramme mit ergänzenden Textelementen. Zu diesem Beitrag werden für alle drei Abbildungen die R-Codes im Tutorial hinterlegt.
Wir wünschen Ihnen viel Spaß beim Lesen, (Selbst-)analysieren und (Selbst-) visualisieren.
Ihr Innside Statistics Team
Datenquelle: Die Zahlen für die folgende Analyse sind dem Online-Angebot des Statistischen Bundesamtes entnommen. Die Daten zu den Monatswerten finden Sie in Tabelle 42191-0001 in der Datenbank des Statistischen Bundesamtes (Link zu den Daten) und die Daten zur Sonderserie mit den täglichen Auswertungen finden Sie hier (Link zu den Daten). In diesem Beitrag wird in allen drei Abbildungen die kalender- und saisonbereinigte (X13 JDemetra+) Zeitreihe genutzt.
Im Jahr 2005 wurde in Deutschland eine LKW-Maut für die Nutzung der Autobahnen eingeführt und in den folgenden Jahren schrittweise auf die Bundesstrassen ausgeweitet. Die Erfassung der notwendigen Daten zum Fahraufkommen erfolgt dabei weitgehend automatisiert über GPS sowie Mobilfunk. Aus den hierbei entstehenden Prozessdaten hat das Statistische Bundesamt in Zusammenarbeit mit der Bundesbank und dem Bundesamt für den Güterverkehr einen Indikator entwickelt, der Auskunft über die Entwicklung des LKW-Fahraufkommens gibt. Dieser Indikator zählt zur Gruppe der Konjunkturindikatoren und wird sowohl in Form der Rohdaten als auch als kalender- und/oder saisaonbereinigte Zeitreihe zur Verfügung gestellt. Die Idee hinter diesem Indikator ist, vereinfacht zusammengefasst, dass höhere wirtschaftliche Aktivität, also eine starke Konjunktur, auch zu einem höheren LKW-Fahraufkommen führt und umgekehrt ein Rückgang der wirtschaftlichen Aktivität mit einem Rückgang des LKW-Verkehrs verbunden ist.
Die Veröffentlichung der Monatszahlen für den Index erfolgt aktuell mit einem Zeitversatz von etwa 9 Tagen. Der Indikator steht also bereits sehr zeitnah zur Verfügung. Details zur Berechnung und zur Eignung als Konjunkturindikator sind in Cox et al. 2018 (Link zum Artikel) beschrieben.
In der ersten Abbildung ist die Entwicklung des Fahrleistungsindex für die ersten drei Monate in 2020 dargestellt (blaue Linie). Als Referenz ist die Entwicklung der Jahre 2018 und 2019 mit angegeben (graue Linien). Basisjahr des Index ist 2015 (=100) und es sind die um Kalender- und Saisoneffekte bereinigten Zahlen dargestellt.
Im Januar 2020, also vor der Krise, liegt der Index für 2020 mit 113.5 Indexpunkten zwischen den Januarwerten der Jahre 2018 und 2019. Im Februar steigt der Index dann – im Gegensatz zu den beiden Referenzjahren – auf 116 Basispunkte an. Im März 2020 jedoch sinkt der Index dann um 6.8 Indexpunkte ab auf einen Wert von 109.2 Punkten. Das entspricht einem Rückgang von 5.9% gegenüber dem Vormonat.
Dieser Verlauf legt einen deutlichen Rückgang der LKW-Fahrleistungen auf deutschen Autobahnen bereits im März 2020 nahe. Das ist bemerkenswert, da die meisten wirtschaftlichen Restriktionen erst in der zweiten Märzhälfte eingeführt wurden.
Stellt dieser Rückgang nun eine außergewöhnliche Bewegung des Index dar oder liegt diese im normalen Schwankungsbereich des Indikators? Dazu bietet sich ein Blick auf die lange Zeitreihe an. In der nächsten Abbildung sind die prozentualen Veränderungen zum jeweiligen Vormonat seit Beginn 2005 dargestellt. Es wird deutlich, dass der Ausschlag um 5.9% nach unten den stärkste Rückgang seit Bestehen des Index darstellt. Der bisherige Spitzenwert war ein Rückgang um 4,3 % während der Finanzkrise im Januar 2009.
Interpretiert man den LKW-Maut-Fahrleistungsindikator nun als Konjunktur-Frühindikator ist also eine substanziell negative konjunkturelle Entwicklung bereits für den März 2020 zu erwarten.
Aufgrund des hohen öffentlichen Interesses an den Folgen der Einschränkungen des öffentlichen und wirtschaftlichen Lebens durch die Covid-19-Pandemie veröffentlicht das Statistische Bundesamt den LKW-Fahrleistungsindex bis zum 31.05.2020 auch auf täglicher Basis und aktualisiert diese Zeitreihe werktäglich. In der dritten Abbildung wird diese disaggregierte Zeitreihe genutzt und die Entwicklung des Index für den Zeitraum 01. Februar – 25. April (aktueller Rand) für die Jahre 2019 und 2020 tagesgenau dargestellt.
Es wird deutlich, dass der Indikator am aktuellen Rand für 2020 deutlich unter den Zahlen für 2019 liegt. Die Lücke öffnet sich dabei bereits vor dem 23. März 2020, also bereits etwas vor der Einführung der bundesweiten Kontaktsperren. Die Abbildung zeigt jedoch auch, dass der Index für den April sehr volatil ist. Möglicherweise sind in den tagesgenauen Daten, speziell am aktuellen Rand, noch nicht alle Mautdaten vollständig erfasst. Ebenso könnte die weitgehende Lockerung des Sonntagsfahrverbots die Kalender- und Saisonbereinigung beeinflusssen. Betrachtet man die Daten, liegen viele der verzeichneten Spitzen auf Sonntagen und Feiertagen. Der generelle Trend eines Rückgangs des Indikators wird jedoch dadurch nicht beeinflusst (Anmerkung: Betrachtet man die nicht saison- und kalenderbereinigten Rohdaten, hier nicht dargestellt, aber in den oben angegebenen Tabellen enthalten, ist der Rückgang ebenso zu sehen).
Die Daten der tagesgenauen Zeitreihe bestätigen den negativen Trend in den Monatszahlen und lassen ebenfalls eine substanziell negative Konjunkturentwicklung erwarten. Es bleibt spannend zu sehen, wie sich dieser innovative, sehr zeitnah zur Verfügung stehende, Indikator in den nächsten Wochen weiter entwickelt und ob es im Zuge der schrittweisen Lockerung der Einschränkungen auch zu einem Anstieg im LKW-Maut-Fahrleistungsindex kommen wird.
Herzlich willkommen zur ersten Ausgabe von „Zahl des Monats“. In dieser Rubrik werden wir von nun an jeden Monat eine Statistik oder eine Analyse vorstellen, die einen aktuellen Bezug hat und für Sie als Leser interessant sein könnte. Diesen Monat beschäftigt sich der Beitrag aus aktuellem Anlass mit einem Gesundheitsthema: Die Verteilung von Krankenhaus- und Intensivbetten in Deutschland auf die einzelnen Bundesländer.
Ein Fokus dieses Blogs liegt auf der Datenanalyse und Datenvisualisierung. Zu jedem „Zahl des Monats“ Beitrag wird nach ein paar Tagen ein kurzes Tutorial freigeschaltet, das sich entweder mit der Analyse oder der Visualisierung des Beitrags beschäftigt und Excel, R oder Stata Beispiele zum jeweiligen Beitrag enthält.
Wir wünschen Ihnen viel Spaß beim Lesen, (Selbst-)analysieren und (Selbst-)visualisieren!
Wichtiger Hinweis und Quellenangabe: Die Zahlen für die folgende Analyse sind der Statistik „Grunddaten der Krankenhäuser“ des Statistischen Bundesamtes (Link zu den Daten) sowie der Bevölkerungsstatistik des Statistischen Bundesamtes (Link zu den Daten) entnommen. Die Daten für die Krankenhausbetten und Intensivbetten beziehen sich auf das Jahr 2017 und der Bevölkerungsstand auf den Stichtag 31.12.2018. Maßnahmen zur Ausweitung der Bettenkapazitäten der Bundesländer und des Bundes in der aktuellen Covid-19 Epidemie sind hier nicht berücksichtigt.
Im Jahr 2017 wurden insgesamt 497.182 verfügbare Betten in den deutschen Kliniken und Krankenhäusern gemeldet. Demgegenüber steht eine Wohnbevölkerung von etwa 83 Millionen Personen. Damit ergibt sich eine Quote von 5.99 Betten pro 1000 Einwohner. Die folgende Abbildung zeigt die Verteilung über die Bundesländer. Die Spanne reicht dabei von 5,04 Betten auf 1000 Einwohner in Baden-Württemberg bis hin zu 7,36 Betten in Thüringen.
Speziell im Rahmen der Ausbreitung der Covid-19 Epidemie stellt sich aktuell die Frage nach der Anzahl der Intensivbetten je Bundesland. Insgesamt standen im Jahr 2017 etwas mehr als 28.000 Intensivbetten in Deutschland zur Verfügung. Im Schnitt waren das 0.34 Betten pro 1000 Einwohner. Die Bundesländer halten zwischen 0,29 und 0,63 Intensivbetten pro 1000 Einwohner vor. Spitzenreiter ist hierbei Mecklenburg-Vorpommern mit 0,63 Intensivbetten auf 1000 Einwohner.
Um diese Zahlen einzuordnen, bietet sich ein internationaler Vergleich an. Nach den Zahlen, die das Statistikportal Statista recherchiert hat, lag die vergleichbare Quote für China (auch hier vor dem Ausbruch der Covid-19 Epidemie) bei 0,034 in Italien bei 0,125 und in Großbritannien bei 0,066 Intensivbetten pro 1000 Einwohner. Die Bettenausstattung in den deutschen Bundesländern ist also im internationalen Vergleich mit den am stärksten von der Covid-19 Epidemie betroffenen Gebieten deutlich besser. Damit bleibt zu hoffen, dass das deutsche Gesundheitssystem mit den zu erwartenden Belastungen fertig werden kann. Insbesondere, wenn aktuell die Kapazitäten in den Bundesländern zusätzlich aufgestockt werden.
Zusammenfassend zeigen die Zahlen, dass es starke Variation in der Anzahl an Krankenhaus- und Intensivbetten pro 1000 Einwohner zwischen den Bundesländern gibt. Die Quoten, insbesondere im Bereich der Intensivbetten, sind jedoch in allen Bundesländern relativ hoch und im internationalen Vergleich deutlich höher verglichen mit den Quoten in den aktuell am stärksten von der Covid-19 Epidemie betroffenen Ländern.
Ausblick: In dem Tutorial zu diesem Zahl des Monats Beitrags werden wir uns damit beschäftigen, wie man Lollipop-Charts wie die Abbildungen oben im Beitrag in Excel erstellen kann.
Herzlich willkommen beim Blog von Innside Statistics. Wir sind ein Beratungsunternehmen und Think Tank für Datenanalyse, volkswirtschaftliche Beratung und Umfragedesign mit Standort in Passau. Der Name Innside Statistics spielt mit der Nähe zum schönen Fluss Inn, dessen Verlauf auch in unserem Logo prominent vertreten ist.
Wir unterstützen Unternehmen und öffentliche Auftraggeber in allen Fragen der Datenanalyse, Statistik und ökonomischen Analyse. Wir bieten auch umfangreichen Service im Design von Umfragen, von der einfachen Beratung bei der Erstellung eines Fragebogens bis hin zur kompletten Übernahme des gesamten Prozesses der Umfrage (Design, Durchführung, finale Auswertung). Sprechen Sie uns gerne an, wir freuen uns auf Ihre Anfrage und stehen Ihnen unter office[at]innside-statistics.de zur Verfügung. Weitere Kontaktmöglichkeiten finden Sie auf den jeweiligen Seiten unserer Homepage bzw. auch gesammelt unter Kontakt.
Neben unserem Beratungsangebot bieten wir Ihnen auch ein umfangreiches Kurs- und Weiterbildungsangebot im Bereich Datenvisualisierung, Datenanalyse und Statistik. Eine Übersicht über die aktuellen Kurse finden Sie unter Kurse auf unserer Homepage.
In diesem Blog soll der Fokus auf Datenanalyse und Datenvisualisierung liegen. Es wird die Kategorie Zahl des Monats geben. Hier werden wir jeden Monat eine Statistik oder eine Analyse aus unserem Arbeitsbereich veröffentlichen, die für Sie interessant sein könnte. Zu jedem „Zahl des Monats“ Beitrag wird nach ein paar Tagen ein kurzes Tutorial freigeschaltet, das sich entweder mit der Analyse oder der Visualisierung beschäftigt und Excel, R oder Stata Beispiele zum jeweiligen Beitrag enthält.
Wir wünschen Ihnen viel Spaß beim Erkunden und (Selbst-) Visualisieren und (Selbst-) Analysieren!
Ihr Team von Innside Statistics