Einführung

Diese Datenvisualisierung ist als Abschlussprojekt im Seminar Kritische Data Science an der FU im WS22/23 entstanden. Im Vordergrund dieses Projekts steht die Visualisierung. Darüber hinaus, sollen die Daten auf ihre Aussagefähigkeit beurteilt und die hieraus hervorgehenden Analysen interpretiert werden.

library(here); library(ggplot2);library(ggthemes);library(dplyr);library(sf);library(rgdal);library(ggiraph);library(patchwork);library(plotly);library(sjPlot) #notwendige Packages
main_df <- st_read(here("../data/raw/einkommen_btw2021_geo/geo_Einkommen_btw2021.shp")) #Einlesen des Datensatzes

1. Aussagevermögen der Einkommensverteilung

Impulsgeber für die vorliegende Betrachtung ist eine kleine parlamentarische Anfrage (Drucksache 20/3209) der Fraktion die Linke zum Niedriglohn in der Bundesrepublik Deutschland. Hieraus folgt eine Übersicht zur Einkommensverteilung nach Landkreisen und kreisfreien Städten (folgend zusammengefasst unter Landkreise). Die Datengrundlage zur Einkommensverteilung, Stichtag: 31.12.2021 wird durch die Beschäftigungsstatistik der Bundesagentur für Arbeit erhoben und beinhaltet sozialversicherungspflichtige Vollzeitbeschäftigte, ausgeschlossen Auszubildende.

Das verfügbare Einkommen bestimmt grundlegend die individuelle gesellschaftliche Teilnahme. Diese Teilnahme ist sowohl für politische Mitgestaltung als auch gesellschaftliche Kohäsion grundlegend erforderlich und damit auch für die Beständigkeit der Demokratie unabdingbar. Dieser Erkenntnis steht ein Niedriglohnsektor von 18 % Prozent entgegen.

KLEINE ANFRAGE: “Eine umfassende Studie zum Niedriglohnsektor in Deutschland von Ökonomen des Deutschen Instituts für Wirtschaftsforschung im Auftrag der Bertelsmann Stiftung aus dem Juli 2020 hält fest: „In keinem anderen europäischen Land mit vergleichbarem wirtschaftlichen Entwicklungsstand ist der Niedriglohnsektor ähnlich groß. Die Gründe dafür lassen sich nicht allein auf die Arbeitsmarktreformen zu Beginn der 2000er-Jahre zurückführen. Allerdings gingen mit dem Paradigmenwechsel, der mit der Agenda 2010 und den Hartz-Reformen eingeläutet wurde, eine Öffnung der Lohnstruktur nach unten und eine Zunahme gering entlohnter Arbeitsplätze einher.“ (Markus M. Grabka,Konstantin Göbler, unter Mitarbeit von Carsten Braband, Der Niedriglohnsektor in Deutschland, Falle oder Sprungbrett für Beschäftigte? (Bertelsmann Stiftung, Gütersloh, Juli 2020.)”

Am Ende dieser Analyse steht die Frage, inwieweit die Einkommensverteilung mit der Wahlbeteiligung in der Bundestagswahl 2021 korreliert.

Hinführend dazu sind folgende Betrachtung nötig:

GLIEDERUNG:

1. Einordnung des Datensatzes zu Einkommensverteilung
 1.1. Definition Medianeinkommen und Niedriglohn
 1.2. Betrachtung der Einkommen INTERAKTIVE MAP 
 1.3. Was/ Wen beinhalten die Daten nicht?
 
2. Einkommensunterschiede Ost-West 
 2.1. Ost-West im Vergleich BALKENDIAGRAMM
 2.2. Einordnung der Einkommensunterschiede
 
3. Einkommen und Wahlbeteiligung
 3.2. Betrachtung Daten INTERAKTIVES DIAGRAMM
 3.2. statistische Auswirkung - lineare Regression
 3.3. Interpretation der Ergebnisse

1. Einordnung des Datensatzes zu Einkommensverteilung

1.1. Betrachtungsebenen - mittleres Einkommen und Bevölkerungsanteil im Niedriglohn

I. Beschäftigung im Niedriglohn

Für die Betrachtung der Einkommensverteilung in Deutschland werden Informationen zum Medianeinkommen und dem Anteil an Beschäftigen im Niedriglohn herangezogen. Zweiteres wird durch die OECD als Einkommen geringer als 2/3 des Medianeinkommens definiert und alternativ als unterhalb der unteren Einkommensgrenze, bzw. relative Armut deklariert. (folgend Niedriglohn). Mit einem mittleren Einkommen von 3.516 Euro (2021) stellt die bundesdeutsche Grenze zum Niedriglohn 2.344 Euro im Monat dar. Wahlweise wird hierbei mit einer Abstufung zwischen ost- und westdeutschem Grenzwert differenziert, nicht zuletzt um auf die Einkommensdisparität hinzuweisen.[Schwell West: 2.417 Euro, Schwell Ost: 2.004 Euro] Mit Verweis auf den marginalen Unterschied des Preisniveaus zwischen Ost und West (siehe Abschnitt- Auswirkung regionaler Preisunterschiede auf realen Einkommen) empfinde ich die Unterscheidung jedoch als irreführend und habe diese nicht aufgeführt. Zum Stichtag befinden sich 18 %, 3.926.363 Menschen, der Vollzeitbeschäftigen im Niedriglohn.

II. Mittleres Einkommen

Das Medianeinkommen, auch mittleres Einkommen nach Landkreise, gibt Aufschluss über die Einkommensverteilung. Dabei wird für die Bestimmung des Medians die Liste aller Beschäftigten mit ihrem jeweiligen Bruttoarbeitsentgelt halbiert, und dieser Wert, an dem sowohl die Hälfte der Personen weniger und die andere Hälfte mehr verdient, ist der Median. Wenn das mediane Einkommen wie beschrieben 3.516 Euro betragt, verdient die Hälfte alle Personen mehr als diesen Wert, die andere Hälfte jedoch weniger. Ein Vorteil gegenüber der Berechnung des arithmetischen Mittels ist es, dass Wertextremas, wie Einkommen außerhalb einer Normalverteilung nicht mit dem Durchschnitt die allgemeine Tendenz verzerren. Andererseits verschwinden diese Ausreißer (“Spitzenverdiener”) aus der Betrachtung.

1.2.Einkommensverteilung Deutschland - Karte zu Punktdiagramm

girafe_de_map <- ggplot()+
    geom_sf_interactive(data = main_df, 
                      size = 1, 
                      aes(fill= Armut, 
                          data_id = Landkreis, 
                          tooltip = paste0(Landkreis, "\n", "im Niedriglohn: ", Armut,"%", "\n", "Einkommen: ", round(Median_Einkommen, 2), "(t)")))+
    scale_fill_viridis_c(begin = 1,end = 0, option = "A") +
    labs(title = "Anteil der Beschäftigten im Niedriglohn", 
       subtitle = "2/3 Medianeinkommen DE: 2,344 Euro", 
       fill = "") +
    theme_void()


girafe_de_point <- ggplot() +
    geom_point_interactive(data = main_df, 
                         aes(x=Armut, 
                             y=Median_Einkommen, 
                             colour = ost_west, 
                             tooltip = paste0(Landkreis, "\n", "im Niedriglohn: ", Armut,"%", "\n", "Einkommen: ", round(Median_Einkommen, 2), "(t)"), 
                             data_id = Landkreis), 
                         size = 3) +
    labs(title = "Medianeinkommen und Anteil der Beschäftigten im Niedriglohn", 
       subtitle = "nach Ost/ West") +
    labs(x = "\n Gesamtanteil Vollzeitbeschäftigter im Niedriglohn (<2344 Euro) in %", 
       y = "Medianeinkommen (t) \n", 
       colour = "") +
    theme(axis.text = element_text(size = 1))+
    theme_minimal() 

#Fusion zu interaktiver Darstellung
girafe(ggobj =  girafe_de_map + girafe_de_point, 
       width_svg = 13, height_svg = 7)%>%
    girafe_options(opts_zoom(min = .3, max = 4), 
                 opts_hover(css = "fill:blue;"))

1.3. Was/ Wen beinhalten die Daten nicht?

Das Datenset über Einkommensverteilung bezieht sich ausschließlich auf sozialversicherungspflichtige Personen in Vollzeitbeschäftigung. Ein Großteil der Bevölkerung wird hierbei nicht repräsentiert. [konkret: 84,3 Millionen Einwohner- 21,9 Millionen Vollzeitbeschäftigte = 62,4 Millionen Menschen nicht in Betrachtung] Somit fehlt die Darstellung der ökonomisch geprägten Lebensrealität von 75 Prozent der Bevölkerung. Bevor ich darauf eingehe, weshalb die Einkommensverteilung dennoch für die vorliegende Analyse und Intersektion Verwendung findet, möchte ich exemplarisch drei Szenarien nachzeichnen, welche durch den Datensatz nicht dargestellt werden.

I. Rentner und Rentner_innen:

Altersarmut ist in Deutschland Realität. Die teils prekären Lebensumstände, und ihre Implikationen auf die regionale, sozialpolitische Entwicklung, finden in der Betrachtung vom mittleren Einkommen keine Erwähnung. Nach dem Statistischen Bundesamt ist im September 2020 fast jede 5. Rentnerin und jeder 7. Rentner (nach dem vorgestellten Armutsverständnis) armutsgefährdet. Dabei sind die zwar bestehenden (historischen) Trends im Vergleich Ost-West existent, aber aufgrund ihrer Geringfügigkeit hier nicht weiter ausgeführt. Weit weniger geringfügig ist in der vergleichenden Betrachtung zwischen Ost- und Westdeutschland der jeweilige Bevölkerungsanteil von Rentner_innnen. So sind in ostdeutsche Landkreise wie Südharz, Görlitz oder das Altenburgerland mehr als 30 Prozent der Bevölkerung im Rentenalter. Diese Dimension gewinnt vor allem im Diskurs über West-Ost Transfer oder auch ländliche Entwicklung oder Produktivität an Bedeutung. [Seils, Pusch 2022, Seite 7] (siehe 2. unter: Bedeutung von Bevölkerungsentwicklung Ostdeutschland) Der Durchschnitt im Anteil an Renter_innen beträgt im September 2021 27 Prozent in Ostdeutschland und 22 Prozent in Westdeutschland.[Statistisches Bundesamt] Ein weitere Betrachtungsebene ist die intersektionale Geschlechterdisparität. Die Realrente als Resultat der eigenen Erwerbstätigkeit übersieht die unentlohnte Mehrarbeit, die Frauen durchschnittlich 4 Stunden und 13 Minuten in Deutschland täglich leisten.(Und damit 87 Minuten mehr als Männer.) [Bundesministerium für Familie, Senioren, Frauen und Jugend (2019): Gender Care Gap, zitiert in Tlusty 2021, Seite 45] Doch auch gesellschaftliche Erwartungshaltung, die strukturell niedrige Bezahlung im Caresektor oder auch der bereinigte Gender Wage Gap spiegeln sich in der geschlechterspezifischen Verteilung von Einkommen und damit auch Altersarmut wieder. Letztes, der bereinigt Gender Wage Gab bemisst die geringere Bezahlung von Frauen bei gleicher Qualifikation und Position und wird vom Statitischen Bundesamt 2020 auf 6 Prozent beziffert. [Tlusty 2021, Seite 44] Das Medianeinkommen beträgt mit 3.276 Euro im Monat 373 Euro weniger als das von Männern. Doch auch die steigende Erwerbsquote und Entlohnung, die Einführung der Grundrente und der Ausbau der Mutterrente werden nach Prognosen der Bertelsmannstiftung die steigende Altersarmut von Frauen nicht verhindern. [Haan; Stichnoth 2017]

II. Vermögenswerte und Eigentum

Mit Betrachtung des Bruttoarbeitsentgelts wird ein wichtiger Blickwinkel auf die Verteilung von Eigentum und Vermögenswerten ausgelassen. Daraus ergeben sich Wahrnehmungsverzerrungen, wobei ich zwei genau erläutern möchte. Währenddessen das staatliche Transfersystem Einkommensunterschiede umverteilt und so beispielsweise die Differenz im verfügbaren Einkommen zwischen Ost- und Westdeutschland durch Einkommenssteuer halbiert, [Seils, Pusch 2022, Seite 7] werden jährlich 400 Milliarden Euro vererbt (ink. Schenkung).[Tiefensee, Grabka 2017] Ein weiterer Einfluss von Eigentum wird mit der Betrachtung des Konzepts des verfügbaren Einkommens deutlich. So ist diese bei selbstgenutztem Wohneigentum, ohne die monatliche verfügbare Einkommen von Mietern niedriger.

III. Studierende und andere nicht Vollzeitbeschäftigte

Die ausschließliche Betrachtung von Vollzeitbeschäftigten übersieht beispielsweise Studierende, genauso so wie alleinerziehende Mütter mit mehreren Nebenjobs oder Personen in prekärer Schwarzarbeit.

2. Einkommensunterschiede Ostdeutschland gegenüber Westdeutschland

Balkendiagramm Medianeinkommen und Anteil des Niedriglohnsektors

options(dplyr.summarise.inform = FALSE) #avoid grouped output warning

#neuer df mit Einkommen, Armut nach Bundesländern erstellen
main_df_bl <- main_df%>%
  group_by(Bundesland, ost_west) %>%
  summarise(Median_Einkommen= (sum(Absolut_Arbeiter * Median_Einkommen)/ sum(Absolut_Arbeiter)),
            Armut = (sum(Absolut_Arbeiter* Armut)/sum(Absolut_Arbeiter)))

main_df_bl <- sf::st_cast(main_df_bl, "MULTIPOLYGON") # alle Polygone zu Multipolygone konvertieren

#Balken-Diagramm: Einkommen 
girafe_bl_bar1 <- ggplot(data = main_df_bl, 
                         aes(x= reorder(Bundesland, Median_Einkommen) , 
                             y= Median_Einkommen, 
                             colour = ost_west, 
                             tooltip = paste0(Bundesland , ":\n im Niedriglohn: ", 
                                              round(Armut,1) ,"%", "\n", "Medianeinkommen: ", 
                                              round(Median_Einkommen, 1), "(t)"), 
                             data_id = Bundesland)) +
  geom_col_interactive(size = 3) +
    labs(title = "Medianeinkommen in Tausend", 
         subtitle = "nach Bundesland") +
  labs(x = "Bundesland \n", 
       y = "", 
       colour = "") +
  theme(axis.text = element_text(size = 1.7))+
  coord_flip()+
  theme_minimal() 

#Balken-Diagramm: Niedriglohn
girafe_bl_bar2 <- ggplot(data = main_df_bl, 
                         aes(x= reorder(Bundesland, desc(Armut)) , 
                             y= Armut, 
                             colour = ost_west, 
                             tooltip = paste0(Bundesland , ":\n im Niedriglohn: ", 
                                              round(Armut,1) ,"%", "\n", "Medianeinkommen: ", 
                                              round(Median_Einkommen, 1), "(t)"), 
                             data_id = Bundesland)) +
  geom_col_interactive(size = 3) +
    labs(title = "Anteil im Niedriglohnsektor (< 2,344Euro) in %", 
         subtitle = "nach Bundesland") +
  labs(x = "", 
       y = "", 
       colour = "") +
  theme(axis.text = element_text(size = 1.7))+
  coord_flip()+
  theme_minimal() 

#Fusion zu interaktiver Darstellung
girafe(ggobj =  girafe_bl_bar1 + girafe_bl_bar2, 
       width_svg = 14, height_svg = 8)%>%
  girafe_options(opts_hover(css = "fill:blue;"))

Im Medianeinkommen, noch deutlicher jedoch im Anteil des Niedriglohnsektor setzten sich die ostdeutschen Länder im Bundesländervergleich von Westdeutschland ab. Zum einen bedingt der Anteil des Niedriglohnsektors, welcher in Ostdeutschland (ausgenommen Berlin) jeweils über 30 Prozent beträgt, das niedrigere Einkommen. Darüber hinaus möchte ich folgen auf die Aspekte: Bevölkerungsentwicklung (Saldo und Altersstruktur, bzw. demografischer Entwicklung), Eigentumsverteilung sowie strukturelle Entwicklung und deren Beziehung zum Einkommen sprechen. Darüber hinaus möchte ich das Preisniveau mit dem Einkommen ins Verhältnis setzen.

Bevölkerungsentwicklung: [Statitisches Bundesamt]

Die Veränderung der Bevölkerung in Ostdeutschland wurden (vor allem) in den zwanzig Jahren nach der deutschen Einheit durch einen negativen Bevölkerungssaldo (Wegzug > Zuzug), rückläufige Geburtenraten, steigender Lebenserwartung und (im Vergleich zu Westdeutschland) ausbleibendem Zuzug von Personen aus dem Ausland bestimmt. Infolgedessen reduzierte sich die ostdeutsche Bevölkerung (ohne Berlin) um 2,5 Millionen Menschen, bzw. 15 Prozent ihrer Bevölkerung. Da die Abwanderung zu 60 Prozent Menschen unterhalb des 25. Lebensjahr betrifft, ist der Anteil der über 65zig jährigen mit 27 Prozent 5 Prozentpunkte höher als in Westdeutschland. Diese “hohe Mobilität der Arbeitskräfte von Ost nach West” bedingt direkt die Wirtschaftlichkeit und Entwicklung der Produktivität in Ostdeutschland. Allerdings ergibt sich bei der Bevölkerungsentwicklung seit wenigen Jahren rückläufige bis gegenläufige Entwicklung und die ostdeutschen Länder verzeichnen seit 2017 eine Zuwanderung.

Eigentumsverteilung [Ochsmann 2020]

Einen weiteren Grund für Einkommensdifferenz sieht der Stadtforscher Domenik Intelmann, mit Forschungsschwerpunkt zu politischer Ökonomie in Ostdeutschland in dem im Vergleich zu Westdeutschland geringen Anteil an Eigentumswert. So hätten beispielsweise private Unternehmen, welche zwar in Ostdeutschland aktiv sind, ihren “wertschöpfungsintensiven Teil […] meist am Konzernsitz [außerhalb von Ostdeutschland] zentriert” und die ostdeutschen Länder profitieren nicht von der Akkumulation. Auch das Eigentum am wertintensiven Immobilien, Unternehmen oder Bauland in den ostdeutschen Ländern sei mit der Wiedervereinigung veräußert worden, sodass “85 Prozent des Wertes in die Hände westdeutscher Unternehmer*innen [ging]”.

Auswirkung regionaler Preisunterschiede auf realen Einkommen[Pusch 2022]

In der Beurteilung der Aussagefähigkeit des Median-Einkommens auf die Lebensumstände gewinnt die Betrachtung des regionalen Preisniveaus an Relevanz und die Frage, inwieweit sich Lebensunterhaltskosten an das jeweilige regionale Einkommen anpasst. Während ein signifikant niedrigeres Preisniveaus in den neuen Bundesländern in den zwei Jahrzehnten nach der Wiedervereinigung den sozialen Belastungen durch niedrigeren Einkommen entgegenwirkten, verbietet die unzureichende Datenlage über gegenwärtiges Preisniveau (zumindest habe ich nichts gefunden) eine konkrete Aussage. Eingeschränkt bieten dennoch die Preisindizes des Statitisch Bundesamts von 2016 Einblicke. Wenngleich darnach die Varianz im medianen Einkommen mit dem Preisniveau des jeweiligen Landkreises korreliert, so werden die Einkommensunterschiede bei Betrachtung der verbleibenden realen Einkommensunterschied nur geringfügig kompensiert. [Seils; Pusch 2022, Seite 8] Darüber hinaus sei an dieser Stelle darauf hingewiesen, dass die herangezogenen Daten des Preisniveaus von 2016 die vergangene und gegenwärtige Mietpreisdynamik in ostdeutschen Großstädten nicht widerspiegeln.

(positive) strukturelle Entwicklung[Ragnitz 2019]

Dennoch sieht das Wirtschaftsinstitut ifo Dresden 30 Jahre nach der Wende eine strukturelle Verbesserung und bemisst diese nicht zuletzt an der gestiegenen Wirtschaftskraft, welche sich gemessen an Bruttoninlandsprodukt verdoppelt hat (+127%). Die verbleibende Diskrepanz sei für das Forschungsinstitut auch Ausdruck für bestehende strukturelle Schwächen vom “Fehlen von Unternehmenshauptsitzen”, über “Fachkräftemangel” und “Elitenmangel”.

3. Einkommen und Wahlbeteiligung

Nachdem vorangehend die Daten und ihre Aussagekräftig eingeordnet wurden, möchte ich im zweiten Schritt durch eine lineare Regression die Beziehung von Einkommen und Wahlbeteiligung betrachten. Die hier betrachtete Wahlbeteiligung der Bundestagswahl ergibt sich auf dem Verhältnis von gültigen Stimmen zur Anzahl wahlberechtigter Personen. (Ungültige Stimmen werden nicht als Wahlbeteiligung gewertet.)

3.1. grafische Darstellung: Einkommen zu Wahlbeteiligung

girafe_de_beteiligung_point <- ggplot(data = main_df, 
       aes(x= Beteiligung, 
           y= Armut, 
           colour = ost_west, 
           tooltip = paste0("Landkreis: ", Landkreis, "\n Beteiligung: ", 
                            round(Beteiligung,2),  "\n median Einkommen: ", 
                            round(Median_Einkommen, 2), "(t)"), 
           data_id = Landkreis)) +
  geom_point_interactive(size = 2) +
  labs(title = "Anteil der Beschäftigten im Niedriglohn", 
       subtitle = "in Landkreisen,  nach Ost/ West") +
  labs(x = "Wahlbeteiligung (%) \n ", 
       y = "\nAnteil im Niedriglohnsektor \n", 
       colour = "") +
  theme(axis.text = element_text(size = 1))+
  coord_flip()+
  #geom_smooth(lm('Median_Einkommen ~ Beteiligung'))+
  theme_economist() 

girafe(ggobj = girafe_de_beteiligung_point, width_svg = 10, height_svg = 6)%>%
  girafe_options(opts_zoom(min = .3, max = 4))

Auch wenn die grafische Darstellung bereits auf eine Beziehung hindeutet, können wir viele Ausreißer feststellen. Gerade bei niedriger Wahlbeteiligung, trotz kleinerem Anteil am Niedriglohnsektor.

3.2. statistische Auswirkung - lineare Regression

summary(lm(Armut~Beteiligung, data = main_df))
## 
## Call:
## lm(formula = Armut ~ Beteiligung, data = main_df)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.0301  -4.4358  -0.7434   3.1637  20.2478 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 66.31442    5.69580  11.643  < 2e-16 ***
## Beteiligung -0.60644    0.07523  -8.061 8.94e-15 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.384 on 398 degrees of freedom
## Multiple R-squared:  0.1404, Adjusted R-squared:  0.1382 
## F-statistic: 64.98 on 1 and 398 DF,  p-value: 8.94e-15

3.3. Interpretation der Ergebnisse

Was beeinflusst Wahlbeteiligung? [Stockemer 2016]

Zur Einordnung der Regressionsergebnisse möchte ich vorangehend einen Blick auf relevante Literatur werfen. In der Metastudie “What Affects Voter Turnout? A Review Article/ Meta-Analysis of Aggregate Research”, welche zusammenfassend 130 Publikationen zu Wahlbeteiligung betrachtet, unterscheidet der Autor, wie die Forschung zwischen institutionellen (bzw. im dt. auch prozeduralen) Faktoren und den sozialökonomischen Einflüssen. Ersteres steht als Bestandteil der vergleichenden Politikwissenschaft auf breiter wissenschaftlicher Forschung und sieht beispielsweise für die unabhängigen Variablen Wahlpflicht oder repräsentative Stimmverrechnung einen positiven Zusammenhang. Eine repräsentative Stimmverteilung steht dabei im Kontrast zu Mehrheitsentscheidung (Winner takes all), welche die Partizipation reduziert.

Weniger eindeutig sind die Forschungsergebnisse zu sozioökonomischen Faktoren. In der Betrachtung der Beziehung von Einkommen und Wahlbeteiligung gehen der empirischen Forschung zwei konträre Theorien voraus. Die majoritarian perspektive, auch power theory postuliert, dass hohe Einkommensunterschiede die Wahlbeteiligung reduzieren, da in der Wahrnehmung der Nichtwählenden Einkommensunterschiede durch die politischen Entscheidungen (mit)bestimmt sind. Hiermit verbunden wird Politik als exklusiv wahrgenommen und das Nichtwählen ist Ausdruck von Resignation. Dem gegenüber geht die minority perspective, auch conflict theory davon aus, dass bei einer hohen Einkommensdifferenz beide Lager ökonomisch gegensätzliche Interessen präferieren und daher die Wahrnehmung der eigenen Stimmrelevanz in der Präferenzstruktur steigt. Da mit größerem Einfluss des Wahlergebnisses auf die Lebensrealität die Bedeutung des Wahlausgangs steigt, werden alle Wahlberechtigen zur Wahl motiviert. (Die Bedeutung der eigenen Wahlbeteiligung in der Selbstwahrnehmung steigt.) Wenngleich knapp die Hälfte aller Studien die erste Theorie der politischen Resignation untermauern, so sieht die vergleichende Metastudie beide Theorien als empirisch nicht hinreichend belegt.

Problem der Übertragbarkeit: Die vorangestellten Theorien zu Einkommensunterschiede und Wahlbeteiligung gehen direkt von zwei Annahmen aus, welche in dem vorliegenden Datensatz nicht bedingt sind. Zum einen stellen beide Theorien eine Betrachtung auf der Mikroebene dar. In anderen Worten: es wird direkt das individuelle Einkommen mit dem Wahlverhalten korreliert. Das ist für die zweite Annahme auch notwendig, da von einer polarisierten Einkommensvorstellung mit sich unterscheidenden Gruppeninteressen argumentiert wird. Jedoch repräsentiert die mediane Einkommensverteilung Spitzenverdiener nur bedingt, bzw eine hohe Varianz im Einkommen nur teilweise.

Betrachtung und Interpretation der Beziehung von Einkommen und Wahlbeteiligung

Das Ergebnis der linearen Regression weist auf einen signifikanten Zusammenhang zwischen dem Anteil an im Niedriglohnsektor beschäftigten Personen und der Wahlbeteiligung hin. Der Koeffizient für die unabhängige Variable Armut (Estimate = -0.60644) zeigt, dass ein Anstieg des Niedriglohnsektors um 1 % mit einem erwarteten Rückgang der Wahlbeteiligung um 0,60644 Prozentpunkte einhergeht. In anderen Worten: Wenn die Quote der Menschen in Armut um beispielsweise 10 % steigt, würde die erwartete Wahlbeteiligung um etwa 6,06 Prozentpunkte abnehmen.

Die Aussagekräftigkeit wird sowohl durch den p-Wert als auch die Verteilung ermöglicht. Im vorliegenden Beispiel beträgt der p-Wert für den Koeffizienten der Armut 8,94e-15. Dies ist ein sehr kleiner Wert, der nahelegt, dass die Wahrscheinlichkeit, dass der Koeffizient zufällig entstanden ist, sehr gering ist. Betrachten wir die Verteilung (Residuen) der Daten können wir erkennen, dass im vorliegenden Beispiel die Daten relativ normal verteilt zu sein scheinen, da der Median nahe bei Null liegt und das IQR moderat ist (1Q gegenüber 3Q). Es gibt jedoch einige Ausreißer, welche auch in der Betrachtung des Punktmodells deutlich wurden.

Insgesamt scheint die Regression zu zeigen, dass eine höhere Quote der Menschen, die in relativen Armutsverhältnis beschäftigt sind, mit einer niedrigeren Wahlbeteiligung einhergeht. Es ist jedoch wichtig zu betonen, dass Korrelation nicht gleich Kausalität ist und es möglicherweise andere Faktoren gibt, die diesen Zusammenhang erklären könnten.

Die Betrachtung des Medianeinkommens überschneidet sich mit der Interpretation.

Bezugnahme der “Allgemeine Bevölkerungsumfrage in den Sozialwissenschaften” (ALLBUS) [GESIS 2018]

Die Unterschiede in der Wahlbeteiligung zwischen Ost- und Westdeutschland spiegeln sich auch in den “Allgemeine Bevölkerungsumfrage in den Sozialwissenschaften” (ALLBUS) des Leibniz-Instituts für Sozialwissenschaften wider. Hiernach ist sowohl das “Ungerechtigkeitsempfinden sozialer Unterschiede” und das Gefühl einer “nicht angemessenen Beteiligung an Lebensstandard” in den ostdeutschen Ländern um 20 Prozentpunkte höher als im Westen. Eine Wahrnehmung, die sich mit der Einkommensverteilung deckt und durch diese mitbestimmt wird. Ein Aspekt der Befragung richtet sich direkt auf das Gefühl der politischen Repräsentation, welche nach der oben vorgestellten Theorie der majoritarian perspektive, bzw. power theory die Wahlbeteiligung mitbestimmt. Nach der Befragung gaben 71 Prozent der Teilnehmer:innen in Ostdeutschland an, dass die “Regierung […] zu wenig im Interesse”einfacher Leute” [handelt]“. Dem gegenüber waren 59,4 Prozent der Befragten in Westdeutschland dieser Auffassung. In Beziehung hiermit steht auch die allgemeine Unzufriedenheit mit der Demokratie, welche in Ostdeutschland nach dieser Befragung mit 31 Prozent doppelt so hoch ist, wie in Westdeutschland.

Diese Befragungsergebnisse korrelieren auch mit dem Abschneiden der AfD, welche im nächsten Schritt betrachtet wird.

Literatur

Vollständiges Datenset

limited_data_set <- main_df%>%
  select(Landkreis, Bundesland, Median_Einkommen, Armut, Beteiligung)
knitr::kable(limited_data_set)
Landkreis Bundesland Median_Einkommen Armut Beteiligung geometry
Ahrweiler Rheinland-Pfalz 3.202 20.0 75.74804 MULTIPOLYGON (((7.211851 50…
Aichach-Friedberg Bayern 3.226 16.3 83.17614 MULTIPOLYGON (((11.2954 48….
Alb-Donau-Kreis Baden-Württemberg 3.498 14.9 79.53258 MULTIPOLYGON (((9.952882 48…
Altenburger Land Thüringen 2.587 36.5 71.38284 MULTIPOLYGON (((12.61849 50…
Altenkirchen (Westerwald) Rheinland-Pfalz 3.305 16.6 75.44041 MULTIPOLYGON (((7.828599 50…
Altmarkkreis Salzwedel Sachsen-Anhalt 2.635 37.2 68.35456 MULTIPOLYGON (((11.58745 52…
Altötting Bayern 3.817 13.9 75.68822 MULTIPOLYGON (((12.93518 48…
Alzey-Worms Rheinland-Pfalz 3.094 26.2 78.78896 MULTIPOLYGON (((8.127532 49…
Amberg Bayern 3.437 14.3 70.10861 MULTIPOLYGON (((11.77664 49…
Amberg-Sulzbach Bayern 3.628 15.7 80.80100 MULTIPOLYGON (((12.11614 49…
Ammerland Niedersachsen 3.072 22.2 76.06848 MULTIPOLYGON (((8.17573 53….
Anhalt-Bitterfeld Sachsen-Anhalt 2.689 34.4 65.06754 MULTIPOLYGON (((12.31291 52…
Ansbach Bayern 3.115 18.9 80.15613 MULTIPOLYGON (((10.45504 49…
Ansbach Bayern 3.534 16.5 72.82911 MULTIPOLYGON (((10.69741 49…
Aschaffenburg Bayern 3.353 19.9 81.85296 MULTIPOLYGON (((9.237397 49…
Aschaffenburg Bayern 3.608 17.3 74.25774 MULTIPOLYGON (((9.404647 50…
Augsburg Bayern 3.203 17.2 80.44765 MULTIPOLYGON (((10.91072 48…
Augsburg Bayern 3.771 14.9 73.10220 MULTIPOLYGON (((10.92431 48…
Aurich Niedersachsen 3.042 25.7 71.91854 MULTIPOLYGON (((7.372805 53…
Bad Dürkheim Rheinland-Pfalz 3.200 21.9 79.84652 MULTIPOLYGON (((8.256296 49…
Bad Kissingen Bayern 3.195 20.3 79.94000 MULTIPOLYGON (((9.778196 50…
Bad Kreuznach Rheinland-Pfalz 3.382 18.9 75.76006 MULTIPOLYGON (((7.963588 49…
Bad Tölz-Wolfratshausen Bayern 3.406 18.3 80.78005 MULTIPOLYGON (((11.62456 47…
Baden-Baden Baden-Württemberg 3.624 16.4 73.67080 MULTIPOLYGON (((8.158815 48…
Bamberg Bayern 3.079 19.9 83.13625 MULTIPOLYGON (((10.82612 49…
Bamberg Bayern 3.606 18.0 77.40385 MULTIPOLYGON (((11.24633 49…
Barnim Brandenburg 2.759 31.4 75.11810 MULTIPOLYGON (((13.86047 53…
Bautzen Sachsen 2.642 36.0 76.25039 MULTIPOLYGON (((14.46482 51…
Bayreuth Bayern 3.128 21.3 81.76349 MULTIPOLYGON (((11.54586 49…
Bayreuth Bayern 3.529 16.0 73.97589 MULTIPOLYGON (((11.78903 50…
Berchtesgadener Land Bayern 3.206 20.6 76.53087 MULTIPOLYGON (((12.69572 47…
Bergstraße Hessen 3.321 20.5 76.57067 MULTIPOLYGON (((8.734356 49…
Berlin Berlin 3.631 18.0 73.98303 MULTIPOLYGON (((13.61192 52…
Bernkastel-Wittlich Rheinland-Pfalz 3.151 21.2 76.40752 MULTIPOLYGON (((6.980854 50…
Biberach Baden-Württemberg 4.035 10.8 78.15570 MULTIPOLYGON (((9.89724 48….
Bielefeld Nordrhein-Westfalen 3.564 18.6 75.56649 MULTIPOLYGON (((8.653032 52…
Birkenfeld Rheinland-Pfalz 3.133 23.2 73.34355 MULTIPOLYGON (((7.397398 49…
Böblingen Baden-Württemberg 4.678 10.2 79.20082 MULTIPOLYGON (((9.06688 48….
Bochum Nordrhein-Westfalen 3.551 17.9 74.97638 MULTIPOLYGON (((7.3163 51.5…
Bodenseekreis Baden-Württemberg 4.224 11.9 78.93084 MULTIPOLYGON (((9.410421 47…
Bonn Nordrhein-Westfalen 4.299 10.8 80.11815 MULTIPOLYGON (((7.211885 50…
Börde Sachsen-Anhalt 2.781 30.6 68.68148 MULTIPOLYGON (((11.07553 52…
Borken Nordrhein-Westfalen 3.344 16.8 78.98921 MULTIPOLYGON (((7.267254 52…
Bottrop Nordrhein-Westfalen 3.301 19.1 74.20413 MULTIPOLYGON (((6.997393 51…
Brandenburg an der Havel Brandenburg 3.128 24.3 65.71512 MULTIPOLYGON (((12.68903 52…
Braunschweig Niedersachsen 3.801 15.4 74.20267 MULTIPOLYGON (((10.60877 52…
Breisgau-Hochschwarzwald Baden-Württemberg 3.397 17.4 79.51381 MULTIPOLYGON (((7.825258 48…
Bremen Bremen 3.709 16.4 73.03332 MULTIPOLYGON (((8.529757 53…
Bremerhaven Bremen 3.476 19.9 63.19701 MULTIPOLYGON (((8.571335 53…
Burgenlandkreis Sachsen-Anhalt 2.712 32.5 66.93885 MULTIPOLYGON (((11.61643 51…
Calw Baden-Württemberg 3.478 16.2 76.61870 MULTIPOLYGON (((8.492977 48…
Celle Niedersachsen 3.360 19.6 72.79488 MULTIPOLYGON (((10.24703 52…
Cham Bayern 3.128 22.8 77.96196 MULTIPOLYGON (((12.62907 49…
Chemnitz Sachsen 3.019 27.6 73.97226 MULTIPOLYGON (((12.99258 50…
Cloppenburg Niedersachsen 2.860 28.1 71.29967 MULTIPOLYGON (((7.672722 53…
Coburg Bayern 2.931 26.3 79.59608 MULTIPOLYGON (((10.88723 50…
Coburg Bayern 3.836 16.0 74.72556 MULTIPOLYGON (((10.94569 50…
Cochem-Zell Rheinland-Pfalz 3.115 22.6 77.84369 MULTIPOLYGON (((7.38194 50….
Coesfeld Nordrhein-Westfalen 3.267 19.4 82.07383 MULTIPOLYGON (((7.51377 51….
Cottbus Brandenburg 3.085 28.9 72.42382 MULTIPOLYGON (((14.2724 51….
Cuxhaven Niedersachsen 3.072 24.8 74.12727 MULTIPOLYGON (((8.492096 53…
Dachau Bayern 3.360 17.8 82.04510 MULTIPOLYGON (((11.49302 48…
Dahme-Spreewald Brandenburg 2.857 31.1 76.97260 MULTIPOLYGON (((13.6985 52….
Darmstadt Hessen 3.406 18.5 78.33969 MULTIPOLYGON (((8.562477 49…
Darmstadt-Dieburg Hessen 4.564 9.2 76.98654 MULTIPOLYGON (((9.021168 49…
Deggendorf Bayern 3.377 16.2 74.72748 MULTIPOLYGON (((13.19513 48…
Delmenhorst Niedersachsen 3.007 27.7 64.23659 MULTIPOLYGON (((8.711126 53…
Dessau-Roßlau Sachsen-Anhalt 3.058 26.4 66.20536 MULTIPOLYGON (((12.1994 51….
Diepholz Niedersachsen 3.071 23.0 75.17401 MULTIPOLYGON (((8.779019 53…
Dillingen a.d.Donau Bayern 3.460 14.6 77.72226 MULTIPOLYGON (((10.77971 48…
Dingolfing-Landau Bayern 4.011 12.0 75.35073 MULTIPOLYGON (((12.76413 48…
Dithmarschen Schleswig-Holstein 3.153 23.7 75.21061 MULTIPOLYGON (((9.051759 54…
Donau-Ries Bayern 3.616 13.0 80.66847 MULTIPOLYGON (((10.64208 49…
Donnersbergkreis Rheinland-Pfalz 3.549 18.1 75.93125 MULTIPOLYGON (((7.905353 49…
Dortmund Nordrhein-Westfalen 3.615 17.0 73.30831 MULTIPOLYGON (((7.506462 51…
Dresden Sachsen 3.382 21.5 79.53836 MULTIPOLYGON (((13.76423 51…
Duisburg Nordrhein-Westfalen 3.719 15.7 67.39493 MULTIPOLYGON (((6.784237 51…
Düren Nordrhein-Westfalen 3.513 16.9 76.19556 MULTIPOLYGON (((6.480983 51…
Düsseldorf Nordrhein-Westfalen 4.198 13.0 76.83444 MULTIPOLYGON (((6.804945 51…
Ebersberg Bayern 3.405 16.2 84.79573 MULTIPOLYGON (((12.04315 48…
Eichsfeld Thüringen 2.693 31.1 77.24841 MULTIPOLYGON (((10.44635 51…
Eichstätt Bayern 3.471 13.1 83.46019 MULTIPOLYGON (((11.42852 49…
Eifelkreis Bitburg-Prüm Rheinland-Pfalz 3.429 17.7 74.59250 MULTIPOLYGON (((6.403892 50…
Elbe-Elster Brandenburg 2.596 38.1 73.91089 MULTIPOLYGON (((13.50757 51…
Emden Niedersachsen 3.881 13.7 67.15899 MULTIPOLYGON (((7.309467 53…
Emmendingen Baden-Württemberg 3.478 14.7 78.10529 MULTIPOLYGON (((8.179174 48…
Emsland Niedersachsen 3.269 19.3 76.27921 MULTIPOLYGON (((7.275579 53…
Ennepe-Ruhr-Kreis Nordrhein-Westfalen 3.476 16.1 76.87376 MULTIPOLYGON (((7.464474 51…
Enzkreis Baden-Württemberg 3.518 15.6 79.14195 MULTIPOLYGON (((8.878014 49…
Erding Bayern 3.205 21.2 82.33301 MULTIPOLYGON (((12.0175 48….
Erfurt Thüringen 3.024 29.9 75.42717 MULTIPOLYGON (((11.17103 51…
Erlangen Bayern 4.274 11.7 81.08890 MULTIPOLYGON (((11.02718 49…
Erlangen-Höchstadt Bayern 5.091 7.8 83.87916 MULTIPOLYGON (((10.74017 49…
Erzgebirgskreis Sachsen 2.521 40.5 75.95472 MULTIPOLYGON (((13.0965 50….
Essen Nordrhein-Westfalen 3.792 15.0 73.79971 MULTIPOLYGON (((7.009644 51…
Esslingen Baden-Württemberg 4.023 12.8 79.32872 MULTIPOLYGON (((9.40979 48….
Euskirchen Nordrhein-Westfalen 3.352 18.3 75.95469 MULTIPOLYGON (((6.863985 50…
Flensburg Schleswig-Holstein 3.295 22.2 73.32833 MULTIPOLYGON (((9.489823 54…
Forchheim Bayern 3.418 17.9 83.06728 MULTIPOLYGON (((11.36893 49…
Frankenthal (Pfalz) Rheinland-Pfalz 3.423 20.0 70.61262 MULTIPOLYGON (((8.422715 49…
Frankfurt (Oder) Brandenburg 2.986 30.5 69.15725 MULTIPOLYGON (((14.53385 52…
Frankfurt am Main Hessen 4.605 10.4 74.08893 MULTIPOLYGON (((8.790068 50…
Freiburg im Breisgau Baden-Württemberg 3.870 12.7 79.94023 MULTIPOLYGON (((7.825258 48…
Freising Bayern 3.664 13.9 81.71151 MULTIPOLYGON (((11.91017 48…
Freudenstadt Baden-Württemberg 3.688 17.3 75.51716 MULTIPOLYGON (((8.756193 48…
Freyung-Grafenau Bayern 3.077 18.9 78.17902 MULTIPOLYGON (((13.41733 48…
Friesland Niedersachsen 3.199 23.9 73.40284 MULTIPOLYGON (((7.919335 53…
Fulda Hessen 3.227 20.2 77.75621 MULTIPOLYGON (((9.773763 50…
Fürstenfeldbruck Bayern 3.482 15.3 82.95149 MULTIPOLYGON (((11.40248 48…
Fürth Bayern 3.071 24.2 81.76767 MULTIPOLYGON (((10.98974 49…
Fürth Bayern 3.463 17.3 74.09916 MULTIPOLYGON (((10.93269 49…
Garmisch-Partenkirchen Bayern 3.112 25.7 80.37825 MULTIPOLYGON (((11.34411 47…
Gelsenkirchen Nordrhein-Westfalen 3.430 18.7 66.04548 MULTIPOLYGON (((7.145285 51…
Gera Thüringen 2.687 35.9 69.91203 MULTIPOLYGON (((12.16425 50…
Germersheim Rheinland-Pfalz 3.756 13.9 76.85088 MULTIPOLYGON (((8.416497 49…
Gießen Hessen 3.528 16.3 73.63112 MULTIPOLYGON (((8.917904 50…
Gifhorn Niedersachsen 3.394 18.5 74.96308 MULTIPOLYGON (((10.75826 52…
Göppingen Baden-Württemberg 3.684 14.0 75.89932 MULTIPOLYGON (((9.626219 48…
Görlitz Sachsen 2.507 40.9 73.97810 MULTIPOLYGON (((14.72862 51…
Goslar Niedersachsen 3.150 24.3 71.10591 MULTIPOLYGON (((10.46972 52…
Gotha Thüringen 2.767 32.1 72.89301 MULTIPOLYGON (((10.88005 51…
Göttingen Niedersachsen 3.459 17.7 74.18941 MULTIPOLYGON (((10.37189 51…
Grafschaft Bentheim Niedersachsen 3.126 22.8 75.97523 MULTIPOLYGON (((7.005416 52…
Greiz Thüringen 2.590 36.3 75.39209 MULTIPOLYGON (((12.22219 50…
Groß-Gerau Hessen 3.663 18.5 73.28960 MULTIPOLYGON (((8.588222 50…
Günzburg Bayern 3.325 15.7 76.32969 MULTIPOLYGON (((10.42423 48…
Gütersloh Nordrhein-Westfalen 3.417 18.0 76.47810 MULTIPOLYGON (((8.285472 52…
Hagen Nordrhein-Westfalen 3.494 17.8 68.73583 MULTIPOLYGON (((7.506462 51…
Halle (Saale) Sachsen-Anhalt 3.170 25.8 69.56290 MULTIPOLYGON (((12.02262 51…
Hamburg Hamburg 3.962 13.4 77.42148 MULTIPOLYGON (((10.19114 53…
Hameln-Pyrmont Niedersachsen 3.410 18.9 70.88784 MULTIPOLYGON (((9.629057 52…
Hamm Nordrhein-Westfalen 3.285 21.0 71.90215 MULTIPOLYGON (((7.945647 51…
Harburg Niedersachsen 3.038 22.9 79.67780 MULTIPOLYGON (((9.785202 53…
Harz Sachsen-Anhalt 2.826 31.1 66.40306 MULTIPOLYGON (((11.01303 52…
Haßberge Bayern 3.367 16.1 82.01233 MULTIPOLYGON (((10.55642 50…
Havelland Brandenburg 2.610 36.6 75.52791 MULTIPOLYGON (((12.82899 52…
Heidekreis Niedersachsen 3.155 22.7 72.96256 MULTIPOLYGON (((10.07603 53…
Heidelberg Baden-Württemberg 4.093 11.3 81.04726 MULTIPOLYGON (((8.5746 49.4…
Heidenheim Baden-Württemberg 3.789 15.3 74.28196 MULTIPOLYGON (((10.42412 48…
Heilbronn Baden-Württemberg 3.994 11.9 78.39853 MULTIPOLYGON (((9.043915 49…
Heilbronn Baden-Württemberg 3.740 15.8 70.49671 MULTIPOLYGON (((9.443892 49…
Heinsberg Nordrhein-Westfalen 3.216 21.8 74.85001 MULTIPOLYGON (((6.291765 51…
Helmstedt Niedersachsen 3.020 26.3 71.79109 MULTIPOLYGON (((11.07553 52…
Herford Nordrhein-Westfalen 3.285 18.3 74.89093 MULTIPOLYGON (((8.928373 52…
Herne Nordrhein-Westfalen 3.505 18.1 68.77608 MULTIPOLYGON (((7.293597 51…
Hersfeld-Rotenburg Hessen 3.101 25.3 75.03637 MULTIPOLYGON (((10.02084 50…
Herzogtum Lauenburg Schleswig-Holstein 3.177 21.5 78.36455 MULTIPOLYGON (((10.76474 53…
Hildburghausen Thüringen 2.635 34.2 74.84037 MULTIPOLYGON (((10.8275 50….
Hildesheim Niedersachsen 3.318 19.8 74.27010 MULTIPOLYGON (((10.0345 52….
Hochsauerlandkreis Nordrhein-Westfalen 3.419 16.5 77.55466 MULTIPOLYGON (((8.904891 51…
Hochtaunuskreis Hessen 4.369 11.7 80.85041 MULTIPOLYGON (((8.514141 50…
Hof Bayern 2.957 23.3 79.41621 MULTIPOLYGON (((11.89132 50…
Hof Bayern 2.996 25.3 70.82419 MULTIPOLYGON (((11.92202 50…
Hohenlohekreis Baden-Württemberg 3.884 9.9 76.98656 MULTIPOLYGON (((9.855802 49…
Holzminden Niedersachsen 3.429 16.8 71.93008 MULTIPOLYGON (((9.647035 51…
Höxter Nordrhein-Westfalen 3.136 20.5 77.64432 MULTIPOLYGON (((9.323972 51…
Ilm-Kreis Thüringen 2.902 27.0 74.99555 MULTIPOLYGON (((11.2237 50….
Ingolstadt Bayern 4.966 8.6 72.28133 MULTIPOLYGON (((11.48961 48…
Jena Thüringen 3.547 15.9 79.87915 MULTIPOLYGON (((11.50467 50…
Jerichower Land Sachsen-Anhalt 2.719 31.6 67.25566 MULTIPOLYGON (((12.31669 52…
Kaiserslautern Rheinland-Pfalz 3.199 22.1 77.08995 MULTIPOLYGON (((7.853425 49…
Kaiserslautern Rheinland-Pfalz 3.628 16.7 69.29260 MULTIPOLYGON (((7.697099 49…
Karlsruhe Baden-Württemberg 3.593 17.3 78.73965 MULTIPOLYGON (((8.538902 48…
Karlsruhe Baden-Württemberg 4.072 10.6 77.07288 MULTIPOLYGON (((8.570638 49…
Kassel Hessen 3.690 17.5 76.55467 MULTIPOLYGON (((9.55656 51….
Kassel Hessen 3.716 15.8 71.24758 MULTIPOLYGON (((9.684988 51…
Kaufbeuren Bayern 3.371 20.1 71.72650 MULTIPOLYGON (((10.55303 47…
Kelheim Bayern 3.365 13.7 78.54301 MULTIPOLYGON (((12.09751 48…
Kempten (Allgäu) Bayern 3.482 16.4 73.02509 MULTIPOLYGON (((10.23371 47…
Kiel Schleswig-Holstein 3.643 15.3 75.79594 MULTIPOLYGON (((10.19057 54…
Kitzingen Bayern 3.374 17.2 80.69760 MULTIPOLYGON (((10.44763 49…
Kleve Nordrhein-Westfalen 3.145 23.2 75.29706 MULTIPOLYGON (((6.21958 51….
Koblenz Rheinland-Pfalz 3.684 15.3 74.26387 MULTIPOLYGON (((7.666603 50…
Köln Nordrhein-Westfalen 3.988 13.5 77.42293 MULTIPOLYGON (((6.854347 51…
Konstanz Baden-Württemberg 3.557 17.4 75.91901 MULTIPOLYGON (((9.079356 47…
Krefeld Nordrhein-Westfalen 3.734 16.6 71.39370 MULTIPOLYGON (((6.635877 51…
Kronach Bayern 2.963 23.2 79.58434 MULTIPOLYGON (((11.47995 50…
Kulmbach Bayern 3.248 16.3 79.49982 MULTIPOLYGON (((11.67836 50…
Kusel Rheinland-Pfalz 3.118 24.8 76.82504 MULTIPOLYGON (((7.703349 49…
Kyffhäuserkreis Thüringen 2.761 32.2 70.65748 MULTIPOLYGON (((11.42905 51…
Lahn-Dill-Kreis Hessen 3.531 15.6 72.75312 MULTIPOLYGON (((8.355744 50…
Landau in der Pfalz Rheinland-Pfalz 3.267 22.6 77.23579 MULTIPOLYGON (((8.129751 49…
Landkreis Rostock Mecklenburg-Vorpommern 2.628 36.2 72.03117 MULTIPOLYGON (((12.30569 54…
Landsberg am Lech Bayern 3.580 14.2 83.28664 MULTIPOLYGON (((11.03466 48…
Landshut Bayern 3.413 15.1 81.03079 MULTIPOLYGON (((12.01774 48…
Landshut Bayern 3.337 18.6 74.84422 MULTIPOLYGON (((12.13371 48…
Leer Niedersachsen 3.018 24.8 71.86721 MULTIPOLYGON (((7.387441 53…
Leipzig Sachsen 2.656 34.8 75.37925 MULTIPOLYGON (((12.49856 51…
Leipzig Sachsen 3.203 24.4 76.05375 MULTIPOLYGON (((12.86685 51…
Leverkusen Nordrhein-Westfalen 4.268 13.2 74.13910 MULTIPOLYGON (((7.068278 51…
Lichtenfels Bayern 2.978 25.1 78.32711 MULTIPOLYGON (((11.19841 50…
Limburg-Weilburg Hessen 3.262 21.0 74.55357 MULTIPOLYGON (((8.46598 50….
Lindau (Bodensee) Bayern 3.596 14.6 79.24879 MULTIPOLYGON (((10.07683 47…
Lippe Nordrhein-Westfalen 3.464 15.9 76.03740 MULTIPOLYGON (((8.992648 52…
Lörrach Baden-Württemberg 3.676 15.5 73.54513 MULTIPOLYGON (((8.018093 47…
Lübeck Schleswig-Holstein 3.371 19.4 71.69168 MULTIPOLYGON (((10.89297 53…
Lüchow-Dannenberg Niedersachsen 3.024 26.4 72.24011 MULTIPOLYGON (((11.17137 53…
Ludwigsburg Baden-Württemberg 3.955 13.2 79.61692 MULTIPOLYGON (((9.185884 49…
Ludwigshafen am Rhein Rheinland-Pfalz 4.681 10.5 67.03494 MULTIPOLYGON (((8.42282 49….
Ludwigslust-Parchim Mecklenburg-Vorpommern 2.644 35.3 71.55150 MULTIPOLYGON (((11.76417 53…
Lüneburg Niedersachsen 3.192 21.3 76.51960 MULTIPOLYGON (((10.57946 53…
Magdeburg Sachsen-Anhalt 3.133 25.1 69.06430 MULTIPOLYGON (((11.70543 52…
Main-Kinzig-Kreis Hessen 3.407 18.5 74.90034 MULTIPOLYGON (((9.478626 50…
Main-Spessart Bayern 3.724 13.2 81.89460 MULTIPOLYGON (((9.517039 50…
Main-Tauber-Kreis Baden-Württemberg 3.492 14.9 77.81194 MULTIPOLYGON (((9.651527 49…
Main-Taunus-Kreis Hessen 4.544 11.3 79.75116 MULTIPOLYGON (((8.591774 50…
Mainz Rheinland-Pfalz 3.726 15.7 80.00296 MULTIPOLYGON (((8.290159 49…
Mainz-Bingen Rheinland-Pfalz 3.928 13.6 82.04313 MULTIPOLYGON (((7.774301 50…
Mannheim Baden-Württemberg 4.105 13.3 71.60665 MULTIPOLYGON (((8.581436 49…
Mansfeld-Südharz Sachsen-Anhalt 2.673 34.4 64.17860 MULTIPOLYGON (((11.23801 51…
Marburg-Biedenkopf Hessen 3.608 14.8 77.24574 MULTIPOLYGON (((8.706611 50…
Märkisch-Oderland Brandenburg 2.795 31.2 74.43245 MULTIPOLYGON (((14.12423 52…
Märkischer Kreis Nordrhein-Westfalen 3.511 16.4 72.54836 MULTIPOLYGON (((7.864137 51…
Mayen-Koblenz Rheinland-Pfalz 3.267 19.0 75.94956 MULTIPOLYGON (((7.598086 50…
Mecklenburgische Seenplatte Mecklenburg-Vorpommern 2.701 34.0 68.18990 MULTIPOLYGON (((13.01237 53…
Meißen Sachsen 2.765 31.8 74.91929 MULTIPOLYGON (((13.52029 51…
Memmingen Bayern 3.545 14.4 73.11678 MULTIPOLYGON (((10.11028 47…
Merzig-Wadern Saarland 3.240 18.3 77.38488 MULTIPOLYGON (((6.910399 49…
Mettmann Nordrhein-Westfalen 3.703 15.0 77.42184 MULTIPOLYGON (((7.166996 51…
Miesbach Bayern 3.373 17.6 81.76845 MULTIPOLYGON (((11.80599 47…
Miltenberg Bayern 3.357 17.8 79.64665 MULTIPOLYGON (((9.432551 49…
Minden-Lübbecke Nordrhein-Westfalen 3.367 17.6 74.68555 MULTIPOLYGON (((8.666728 52…
Mittelsachsen Sachsen 2.607 36.5 75.79592 MULTIPOLYGON (((13.20466 51…
Mönchengladbach Nordrhein-Westfalen 3.234 22.3 69.33877 MULTIPOLYGON (((6.523404 51…
Mühldorf a.Inn Bayern 3.360 17.7 76.97334 MULTIPOLYGON (((12.60728 48…
Mülheim an der Ruhr Nordrhein-Westfalen 3.798 14.9 77.31720 MULTIPOLYGON (((6.902821 51…
München Bayern 4.640 8.6 84.54655 MULTIPOLYGON (((11.55265 48…
München Bayern 4.681 9.3 79.96354 MULTIPOLYGON (((11.58252 48…
Münster Nordrhein-Westfalen 3.767 14.3 83.54499 MULTIPOLYGON (((7.703597 52…
Neckar-Odenwald-Kreis Baden-Württemberg 3.418 17.0 75.54166 MULTIPOLYGON (((9.603655 49…
Neu-Ulm Bayern 3.656 14.3 77.68816 MULTIPOLYGON (((10.13433 48…
Neuburg-Schrobenhausen Bayern 3.430 14.9 79.56683 MULTIPOLYGON (((11.25586 48…
Neumarkt i.d.OPf. Bayern 3.477 15.1 81.98256 MULTIPOLYGON (((11.55775 49…
Neumünster Schleswig-Holstein 3.176 18.7 67.22334 MULTIPOLYGON (((10.03454 54…
Neunkirchen Saarland 3.372 21.0 73.87973 MULTIPOLYGON (((7.253438 49…
Neustadt a.d.Aisch-Bad Windsheim Bayern 3.038 22.6 79.77268 MULTIPOLYGON (((10.6542 49….
Neustadt a.d.Waldnaab Bayern 3.270 17.4 81.05825 MULTIPOLYGON (((12.40182 49…
Neustadt an der Weinstraße Rheinland-Pfalz 3.247 24.4 77.06244 MULTIPOLYGON (((8.314663 49…
Neuwied Rheinland-Pfalz 3.366 17.0 75.91472 MULTIPOLYGON (((7.378001 50…
Nienburg (Weser) Niedersachsen 3.149 20.5 71.88577 MULTIPOLYGON (((9.325707 52…
Nordfriesland Schleswig-Holstein 3.006 25.7 77.14378 MULTIPOLYGON (((8.447033 55…
Nordhausen Thüringen 2.796 31.0 70.02697 MULTIPOLYGON (((10.78877 51…
Nordsachsen Sachsen 2.767 30.8 73.01447 MULTIPOLYGON (((12.90084 51…
Nordwestmecklenburg Mecklenburg-Vorpommern 2.876 28.7 69.53417 MULTIPOLYGON (((11.56199 54…
Northeim Niedersachsen 3.212 22.2 73.66613 MULTIPOLYGON (((10.10591 51…
Nürnberg Bayern 3.759 16.9 74.51546 MULTIPOLYGON (((11.02718 49…
Nürnberger Land Bayern 3.410 16.4 82.56717 MULTIPOLYGON (((11.56366 49…
Oberallgäu Bayern 3.291 19.7 81.27103 MULTIPOLYGON (((10.47228 47…
Oberbergischer Kreis Nordrhein-Westfalen 3.532 15.7 76.78765 MULTIPOLYGON (((7.430256 51…
Oberhausen Nordrhein-Westfalen 3.431 19.1 71.11182 MULTIPOLYGON (((6.929513 51…
Oberhavel Brandenburg 2.953 28.0 76.18641 MULTIPOLYGON (((13.24049 53…
Oberspreewald-Lausitz Brandenburg 2.876 29.0 71.97279 MULTIPOLYGON (((14.08868 51…
Odenwaldkreis Hessen 3.239 23.4 73.74721 MULTIPOLYGON (((9.018228 49…
Oder-Spree Brandenburg 2.972 27.0 74.72458 MULTIPOLYGON (((14.42377 52…
Offenbach Hessen 3.714 19.0 74.16951 MULTIPOLYGON (((8.99112 50….
Offenbach am Main Hessen 3.733 16.5 66.70674 MULTIPOLYGON (((8.817171 50…
Oldenburg Niedersachsen 3.466 18.9 76.28016 MULTIPOLYGON (((8.634441 53…
Oldenburg (Oldenburg) Niedersachsen 2.888 28.7 74.97127 MULTIPOLYGON (((8.303009 53…
Olpe Nordrhein-Westfalen 3.493 15.7 79.13958 MULTIPOLYGON (((8.237373 51…
Ortenaukreis Baden-Württemberg 3.434 16.6 74.92257 MULTIPOLYGON (((7.992008 48…
Osnabrück Niedersachsen 3.116 22.3 76.15674 MULTIPOLYGON (((7.955513 52…
Osnabrück Niedersachsen 3.525 18.1 74.37740 MULTIPOLYGON (((7.90848 52….
Ostalbkreis Baden-Württemberg 3.973 11.3 76.69491 MULTIPOLYGON (((10.18625 49…
Ostallgäu Bayern 3.510 15.3 81.55654 MULTIPOLYGON (((10.76693 47…
Osterholz Niedersachsen 3.046 23.1 76.44210 MULTIPOLYGON (((8.911043 53…
Ostholstein Schleswig-Holstein 2.887 27.9 77.15354 MULTIPOLYGON (((11.11224 54…
Ostprignitz-Ruppin Brandenburg 2.723 33.4 69.60012 MULTIPOLYGON (((12.3337 53….
Paderborn Nordrhein-Westfalen 3.351 18.5 76.43888 MULTIPOLYGON (((8.74846 51….
Passau Bayern 3.000 23.8 77.25001 MULTIPOLYGON (((13.51315 48…
Passau Bayern 3.541 16.2 74.23609 MULTIPOLYGON (((13.79678 48…
Peine Niedersachsen 3.236 22.4 75.18674 MULTIPOLYGON (((10.4235 52….
Pfaffenhofen a.d.Ilm Bayern 3.530 16.6 80.98302 MULTIPOLYGON (((11.71986 48…
Pforzheim Baden-Württemberg 3.531 17.3 66.71071 MULTIPOLYGON (((8.701359 48…
Pinneberg Schleswig-Holstein 3.333 19.3 79.81526 MULTIPOLYGON (((9.897103 53…
Pirmasens Rheinland-Pfalz 3.322 20.5 64.86708 MULTIPOLYGON (((7.513878 49…
Plön Schleswig-Holstein 3.097 21.7 80.52825 MULTIPOLYGON (((10.63932 54…
Potsdam Brandenburg 2.878 28.6 80.60380 MULTIPOLYGON (((13.15524 52…
Potsdam-Mittelmark Brandenburg 3.423 19.5 79.88912 MULTIPOLYGON (((12.51254 52…
Prignitz Brandenburg 2.634 35.6 70.60960 MULTIPOLYGON (((12.32479 53…
Rastatt Baden-Württemberg 3.939 13.9 75.38274 MULTIPOLYGON (((8.294762 48…
Ravensburg Baden-Württemberg 3.548 14.0 77.78314 MULTIPOLYGON (((10.10592 47…
Recklinghausen Nordrhein-Westfalen 3.342 21.4 73.39989 MULTIPOLYGON (((7.4091 51.6…
Regen Bayern 3.175 19.9 75.29538 MULTIPOLYGON (((13.21311 49…
Regensburg Bayern 3.290 17.1 81.97122 MULTIPOLYGON (((12.02826 49…
Regensburg Bayern 4.002 12.5 76.96605 MULTIPOLYGON (((12.30894 49…
Region Hannover Niedersachsen 3.678 16.1 74.32122 MULTIPOLYGON (((9.734539 52…
Regionalverband Saarbrücken Saarland 3.653 18.2 73.27290 MULTIPOLYGON (((7.116952 49…
Rems-Murr-Kreis Baden-Württemberg 3.709 14.0 78.22431 MULTIPOLYGON (((9.69358 48….
Remscheid Nordrhein-Westfalen 3.582 15.4 71.41038 MULTIPOLYGON (((7.296417 51…
Rendsburg-Eckernförde Schleswig-Holstein 3.242 19.5 80.00891 MULTIPOLYGON (((10.03216 54…
Reutlingen Baden-Württemberg 3.772 13.2 76.59811 MULTIPOLYGON (((9.179376 48…
Rhein-Erft-Kreis Nordrhein-Westfalen 3.433 19.7 77.75944 MULTIPOLYGON (((6.773913 51…
Rhein-Hunsrück-Kreis Rheinland-Pfalz 3.304 19.6 78.07540 MULTIPOLYGON (((7.639324 50…
Rhein-Kreis Neuss Nordrhein-Westfalen 3.693 16.4 77.94725 MULTIPOLYGON (((6.714547 51…
Rhein-Lahn-Kreis Rheinland-Pfalz 3.295 18.7 76.34206 MULTIPOLYGON (((7.970463 50…
Rhein-Neckar-Kreis Baden-Württemberg 3.888 14.4 78.42460 MULTIPOLYGON (((8.898301 49…
Rhein-Pfalz-Kreis Rheinland-Pfalz 3.120 22.8 80.57931 MULTIPOLYGON (((8.41568 49….
Rhein-Sieg-Kreis Nordrhein-Westfalen 3.342 19.1 79.66857 MULTIPOLYGON (((7.661045 50…
Rheingau-Taunus-Kreis Hessen 3.444 18.1 79.15231 MULTIPOLYGON (((8.353337 50…
Rheinisch-Bergischer Kreis Nordrhein-Westfalen 3.447 16.7 80.98604 MULTIPOLYGON (((7.267647 51…
Rhön-Grabfeld Bayern 3.380 16.2 80.85624 MULTIPOLYGON (((10.12638 50…
Rosenheim Bayern 3.345 17.4 81.36978 MULTIPOLYGON (((12.05745 47…
Rosenheim Bayern 3.550 16.5 74.98651 MULTIPOLYGON (((12.22841 48…
Rostock Mecklenburg-Vorpommern 3.135 24.4 71.74356 MULTIPOLYGON (((11.99737 54…
Rotenburg (Wümme) Niedersachsen 3.139 21.0 75.48208 MULTIPOLYGON (((9.56241 53….
Roth Bayern 3.218 18.2 81.97980 MULTIPOLYGON (((11.1748 49….
Rottal-Inn Bayern 3.094 21.8 77.29653 MULTIPOLYGON (((12.99297 48…
Rottweil Baden-Württemberg 3.627 14.4 75.55428 MULTIPOLYGON (((8.736866 48…
Saale-Holzland-Kreis Thüringen 2.610 36.4 77.56278 MULTIPOLYGON (((12.01807 50…
Saale-Orla-Kreis Thüringen 2.557 38.1 75.52277 MULTIPOLYGON (((11.94482 50…
Saalekreis Sachsen-Anhalt 2.877 26.5 70.16918 MULTIPOLYGON (((12.20192 51…
Saalfeld-Rudolstadt Thüringen 2.809 31.1 72.63977 MULTIPOLYGON (((11.42397 50…
Saarlouis Saarland 3.367 17.7 76.70045 MULTIPOLYGON (((6.989623 49…
Saarpfalz-Kreis Saarland 3.690 15.8 78.42372 MULTIPOLYGON (((7.393347 49…
Sächsische Schweiz-Osterzgebirge Sachsen 2.651 34.7 76.19014 MULTIPOLYGON (((14.14243 51…
Salzgitter Niedersachsen 4.299 9.9 66.16454 MULTIPOLYGON (((10.50625 52…
Salzlandkreis Sachsen-Anhalt 2.799 30.5 62.58519 MULTIPOLYGON (((11.84964 52…
Schaumburg Niedersachsen 3.140 20.3 74.37444 MULTIPOLYGON (((9.449143 52…
Schleswig-Flensburg Schleswig-Holstein 2.942 26.7 78.77942 MULTIPOLYGON (((9.11965 54….
Schmalkalden-Meiningen Thüringen 2.648 36.3 73.79961 MULTIPOLYGON (((10.7518 50….
Schwabach Bayern 3.279 19.4 77.10185 MULTIPOLYGON (((11.05788 49…
Schwäbisch Hall Baden-Württemberg 3.612 16.0 75.13085 MULTIPOLYGON (((10.11189 49…
Schwalm-Eder-Kreis Hessen 3.264 20.3 75.59036 MULTIPOLYGON (((9.636442 51…
Schwandorf Bayern 3.242 17.4 78.45118 MULTIPOLYGON (((12.19999 49…
Schwarzwald-Baar-Kreis Baden-Württemberg 3.533 16.5 74.33691 MULTIPOLYGON (((8.281728 48…
Schweinfurt Bayern 2.982 20.2 83.21240 MULTIPOLYGON (((10.16611 50…
Schweinfurt Bayern 4.142 11.2 68.01825 MULTIPOLYGON (((10.38493 50…
Schwerin Mecklenburg-Vorpommern 3.201 23.2 71.16764 MULTIPOLYGON (((11.45068 53…
Segeberg Schleswig-Holstein 3.321 18.8 78.66474 MULTIPOLYGON (((10.39053 54…
Siegen-Wittgenstein Nordrhein-Westfalen 3.653 12.8 77.52514 MULTIPOLYGON (((8.550113 51…
Sigmaringen Baden-Württemberg 3.561 14.9 75.62404 MULTIPOLYGON (((9.347506 48…
Soest Nordrhein-Westfalen 3.408 19.2 76.71293 MULTIPOLYGON (((8.319216 51…
Solingen Nordrhein-Westfalen 3.378 19.9 73.22788 MULTIPOLYGON (((7.135963 51…
Sömmerda Thüringen 2.720 31.4 73.85203 MULTIPOLYGON (((11.10667 51…
Sonneberg Thüringen 2.689 35.3 71.69924 MULTIPOLYGON (((11.26499 50…
Speyer Rheinland-Pfalz 3.545 14.9 74.43919 MULTIPOLYGON (((8.469721 49…
Spree-Neiße Brandenburg 2.824 31.4 75.08430 MULTIPOLYGON (((14.71435 52…
St. Wendel Saarland 3.370 18.4 80.94269 MULTIPOLYGON (((7.057512 49…
Stade Niedersachsen 3.330 19.6 75.44855 MULTIPOLYGON (((9.199125 53…
Städteregion Aachen Nordrhein-Westfalen 3.659 16.1 76.57315 MULTIPOLYGON (((6.200487 50…
Starnberg Bayern 4.161 10.3 85.21323 MULTIPOLYGON (((11.38519 48…
Steinburg Schleswig-Holstein 3.269 20.4 76.66147 MULTIPOLYGON (((9.531395 54…
Steinfurt Nordrhein-Westfalen 3.251 19.2 78.87096 MULTIPOLYGON (((7.608904 52…
Stendal Sachsen-Anhalt 2.788 31.1 66.58712 MULTIPOLYGON (((11.63624 53…
Stormarn Schleswig-Holstein 3.322 18.0 81.38295 MULTIPOLYGON (((10.53421 53…
Straubing Bayern 3.268 19.2 67.18703 MULTIPOLYGON (((12.48012 48…
Straubing-Bogen Bayern 3.156 22.1 80.53558 MULTIPOLYGON (((12.89125 48…
Stuttgart Baden-Württemberg 4.750 8.6 78.09013 MULTIPOLYGON (((9.244271 48…
Südliche Weinstraße Rheinland-Pfalz 3.287 20.3 80.03284 MULTIPOLYGON (((8.008836 49…
Südwestpfalz Rheinland-Pfalz 2.894 28.0 79.97189 MULTIPOLYGON (((7.830664 49…
Suhl Thüringen 2.828 32.0 73.08208 MULTIPOLYGON (((10.73369 50…
Teltow-Fläming Brandenburg 2.777 34.4 73.97150 MULTIPOLYGON (((13.42051 52…
Tirschenreuth Bayern 3.181 20.7 81.35765 MULTIPOLYGON (((12.40182 49…
Traunstein Bayern 3.545 14.0 78.95400 MULTIPOLYGON (((12.56519 48…
Trier Rheinland-Pfalz 3.142 20.7 73.72620 MULTIPOLYGON (((6.553001 49…
Trier-Saarburg Rheinland-Pfalz 3.418 20.1 78.32629 MULTIPOLYGON (((6.711937 49…
Tübingen Baden-Württemberg 3.828 12.2 81.73543 MULTIPOLYGON (((9.11726 48….
Tuttlingen Baden-Württemberg 3.739 12.8 73.54607 MULTIPOLYGON (((8.953499 48…
Uckermark Brandenburg 2.745 33.0 69.47794 MULTIPOLYGON (((13.87528 53…
Uelzen Niedersachsen 3.055 24.3 73.72679 MULTIPOLYGON (((10.53808 53…
Ulm Baden-Württemberg 3.980 12.7 77.73136 MULTIPOLYGON (((10.03432 48…
Unna Nordrhein-Westfalen 3.242 21.6 74.64359 MULTIPOLYGON (((7.472079 51…
Unstrut-Hainich-Kreis Thüringen 2.598 37.5 72.30322 MULTIPOLYGON (((10.48348 51…
Unterallgäu Bayern 3.591 11.9 80.46426 MULTIPOLYGON (((10.3507 48….
Vechta Niedersachsen 3.079 22.9 74.90014 MULTIPOLYGON (((8.458045 52…
Verden Niedersachsen 3.135 24.4 75.73941 MULTIPOLYGON (((9.455963 52…
Viersen Nordrhein-Westfalen 3.177 22.6 76.48680 MULTIPOLYGON (((6.534434 51…
Vogelsbergkreis Hessen 3.219 19.8 75.48870 MULTIPOLYGON (((9.441056 50…
Vogtlandkreis Sachsen 2.593 38.4 73.60155 MULTIPOLYGON (((12.42002 50…
Vorpommern-Greifswald Mecklenburg-Vorpommern 2.683 37.2 68.75711 MULTIPOLYGON (((13.34367 54…
Vorpommern-Rügen Mecklenburg-Vorpommern 2.598 38.8 67.62570 MULTIPOLYGON (((12.66717 54…
Vulkaneifel Rheinland-Pfalz 3.237 19.5 76.25587 MULTIPOLYGON (((6.802509 50…
Waldeck-Frankenberg Hessen 3.395 18.8 71.79087 MULTIPOLYGON (((9.059371 51…
Waldshut Baden-Württemberg 3.406 18.3 73.89237 MULTIPOLYGON (((8.438651 47…
Warendorf Nordrhein-Westfalen 3.448 17.1 78.85933 MULTIPOLYGON (((7.88382 52….
Wartburgkreis Thüringen 2.902 27.9 72.87959 MULTIPOLYGON (((10.20647 51…
Weiden i.d.OPf. Bayern 3.100 22.6 70.99437 MULTIPOLYGON (((12.06446 49…
Weilheim-Schongau Bayern 3.798 12.1 82.07071 MULTIPOLYGON (((11.329 47.8…
Weimar Thüringen 3.219 23.1 75.94990 MULTIPOLYGON (((11.23435 51…
Weimarer Land Thüringen 2.711 31.7 75.92016 MULTIPOLYGON (((11.69846 51…
Weißenburg-Gunzenhausen Bayern 3.352 17.7 78.46698 MULTIPOLYGON (((10.83749 49…
Werra-Meißner-Kreis Hessen 3.083 23.4 75.09778 MULTIPOLYGON (((9.928416 51…
Wesel Nordrhein-Westfalen 3.342 20.2 76.51888 MULTIPOLYGON (((6.91126 51….
Wesermarsch Niedersachsen 3.694 15.5 70.24495 MULTIPOLYGON (((8.551431 53…
Westerwaldkreis Rheinland-Pfalz 3.250 17.7 77.24809 MULTIPOLYGON (((7.750913 50…
Wetteraukreis Hessen 3.353 20.2 76.72887 MULTIPOLYGON (((9.077156 50…
Wiesbaden Hessen 4.164 11.9 72.22320 MULTIPOLYGON (((8.330259 50…
Wilhelmshaven Niedersachsen 3.354 21.3 65.14615 MULTIPOLYGON (((8.169628 53…
Wittenberg Sachsen-Anhalt 2.649 35.2 67.72104 MULTIPOLYGON (((12.76938 51…
Wittmund Niedersachsen 2.910 28.8 71.54487 MULTIPOLYGON (((7.811398 53…
Wolfenbüttel Niedersachsen 3.327 19.4 77.18809 MULTIPOLYGON (((10.84552 52…
Wolfsburg Niedersachsen 4.970 6.5 70.54960 MULTIPOLYGON (((10.88997 52…
Worms Rheinland-Pfalz 3.303 23.5 69.49559 MULTIPOLYGON (((8.409661 49…
Wunsiedel i.Fichtelgebirge Bayern 3.146 21.9 75.95876 MULTIPOLYGON (((12.1615 50….
Wuppertal Nordrhein-Westfalen 3.630 17.1 72.99148 MULTIPOLYGON (((7.305148 51…
Würzburg Bayern 3.270 17.2 84.69369 MULTIPOLYGON (((9.872945 49…
Würzburg Bayern 3.633 14.5 78.77074 MULTIPOLYGON (((10.18923 49…
Zollernalbkreis Baden-Württemberg 3.516 14.5 73.88357 MULTIPOLYGON (((8.799983 48…
Zweibrücken Rheinland-Pfalz 3.474 23.4 71.10343 MULTIPOLYGON (((7.321139 49…
Zwickau Sachsen 2.892 28.9 74.10524 MULTIPOLYGON (((12.69205 50…