Datenprojekt Abschlüsse Förderschulen in DE
Linda Kern
2026-07-08
1 Forschungsfrage & Hypothese
Forschungsfrage: Wie haben sich die Unterschiede bei der Zahl der Absolvent:innen von Förderschulen in den deutschen Bundesländern über die letzten 20 Jahre entwickelt?
Nullhypothese: Die Unterschiede zwischen den Bundesländern verändern sich über die Zeit nicht. Hypothese: Die Unterschiede zwischen den Bundesländern werden im Verlauf der Zeit kleiner.
Datengrundlage: Statistisches Bundesamt - Statistik der allgemeinbildenden Schulen https://genesis.destatis.de/datenbank/online/statistic/21111/table/21111-0013
2 Vorbereitung
2.1 Packages laden
library(psych)
library(Hmisc)
library(vcd)
library(heplots)
library(pastecs)
library(car)
library(effsize)
library(scales)
library(tidyverse)2.2 Tabelle einlesen
daten <- read.csv("C:/Users/Linda/OneDrive/Dokumente/Studium/ELMEB/Data Science/R Übungen/21111-0013.csv ",sep=";")2.3 Daten bereinigen
- obere & untere Zeilen abschneiden
- Spalte 1 & 3 löschen
- alle spalten mit weiblich löschen
- Inhalte der ersten Zeile werden als neue Spaltennamen übernommen
- erste drei Zeilen werden gelöscht
- Spalte 1 & 2 benennen
- Spalten mit Charakter in numerisch ändern
- Daten werden ins long format gebracht
- Variable Jahr wird als numerische Variabel gespeichert
daten <- daten %>%
slice(6:104)
daten <- daten[, -c(1, 3)]
daten <- daten[, daten[3, ] != "weiblich"]
colnames(daten) <- daten[1, ]
daten <- daten[-c(1:3), ]
colnames(daten)[1:2] <- c("Bundesland", "Abschluss")
glimpse(daten)## Rows: 96
## Columns: 29
## $ Bundesland <chr> "Baden-Württemberg", "Baden-Württemberg", "Baden-Württember…
## $ Abschluss <chr> "Ohne Ersten Schulabschluss", "Erster Schulabschluss", "Mit…
## $ `1997/98` <chr> "3916", "1082", "74", "-", "7", "5079", "4743", "700", "78"…
## $ `1998/99` <chr> "4073", "1068", "81", "-", "10", "5232", "4850", "760", "64…
## $ `1999/00` <chr> "4298", "993", "67", "-", "8", "5366", "5092", "660", "87",…
## $ `2000/01` <chr> "4065", "980", "86", "-", "7", "5138", "5169", "640", "83",…
## $ `2001/02` <chr> "4156", "958", "78", "-", "12", "5204", "5627", "656", "114…
## $ `2002/03` <chr> "4339", "1082", "91", "-", "24", "5536", "5113", "770", "13…
## $ `2003/04` <chr> "4406", "1084", "118", "-", "16", "5624", "5073", "783", "1…
## $ `2004/05` <chr> "4284", "1124", "105", "-", "26", "5539", "5003", "715", "1…
## $ `2005/06` <chr> "4488", "1117", "124", "-", "29", "5758", "4918", "689", "2…
## $ `2006/07` <chr> "4382", "1043", "117", "-", "19", "5561", "4853", "683", "1…
## $ `2007/08` <chr> "4335", "1047", "153", "-", "26", "5561", "4556", "694", "1…
## $ `2008/09` <chr> "4276", "911", "130", "-", "11", "5328", "4405", "702", "18…
## $ `2009/10` <chr> "3950", "797", "131", "-", "24", "4902", "4135", "634", "15…
## $ `2010/11` <chr> "3817", "877", "146", "-", "19", "4859", "3869", "713", "15…
## $ `2011/12` <chr> "3803", "801", "160", "-", "26", "4790", "3243", "1281", "2…
## $ `2012/13` <chr> "3604", "752", "254", "-", "23", "4633", "3078", "1541", "1…
## $ `2013/14` <chr> "3682", "717", "272", "-", "15", "4686", "2845", "1731", "2…
## $ `2014/15` <chr> "3574", "751", "274", "-", "27", "4626", "2908", "1680", "2…
## $ `2015/16` <chr> "3639", "739", "297", "-", "22", "4697", "2866", "1573", "2…
## $ `2016/17` <chr> "3690", "707", "315", "-", "20", "4732", "2971", "1678", "2…
## $ `2017/18` <chr> "3629", "719", "278", "-", "43", "4669", "3163", "1512", "2…
## $ `2018/19` <chr> "3578", "673", "225", "-", "31", "4507", "2990", "1511", "1…
## $ `2019/20` <chr> "3639", "713", "244", "-", "31", "4627", "2961", "1167", "2…
## $ `2020/21` <chr> "3692", "667", "296", "-", "9", "4664", "3040", "1292", "23…
## $ `2021/22` <chr> "3771", "665", "236", "-", "21", "4693", "3097", "1232", "2…
## $ `2022/23` <chr> "3758", "729", "268", "-", "25", "4780", "3069", "1209", "2…
## $ `2023/24` <chr> "3800", "647", "293", "-", "7", "4747", "3212", "1331", "29…daten <- daten %>%
mutate(across(3:29, as.numeric))
daten_long <- daten %>%
pivot_longer(
cols = starts_with("19") | starts_with("20"),
names_to = "jahr",
values_to = "wert"
)
daten_long <- daten_long %>%
mutate(across(3, ~ as.numeric(sub("/.*", "", .))))2.4 Filter, dass nur Abschlüsse insgesamt angezeigt werden
daten_plot <- daten_long %>%
filter(Abschluss == "Insgesamt")3 Deskriptive Statistik
daten_plot %>%
group_by(Bundesland) %>%
summarise(
Mittelwert = mean(wert),
SD = sd(wert),
Minimum = min(wert),
Maximum = max(wert)
)## # A tibble: 16 × 5
## Bundesland Mittelwert SD Minimum Maximum
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Baden-Württemberg 5020. 389. 4507 5758
## 2 Bayern 5199. 583. 4373 6397
## 3 Berlin 1104. 314. 703 1748
## 4 Brandenburg 1414. 477. 912 2183
## 5 Bremen 223. 123. 37 370
## 6 Hamburg 711. 191. 434 954
## 7 Hessen 2500. 446. 1892 3365
## 8 Mecklenburg-Vorpommern 1335. 366. 751 1986
## 9 Niedersachsen 3963. 928. 2292 5317
## 10 Nordrhein-Westfalen 9184 1257. 7257 11650
## 11 Rheinland-Pfalz 2035. 258. 1641 2552
## 12 Saarland 476. 71.5 360 636
## 13 Sachsen 2521. 726. 1862 3795
## 14 Sachsen-Anhalt 1898. 702. 1113 2960
## 15 Schleswig-Holstein 1102. 392. 528 1728
## 16 Thüringen 1429. 649. 686 2509Sichtbar, dass Bundesländer mit vielen Einwohnern auch einen höheren Mittelwert bei den Abschlüssen haben.
3.1 Entwicklung über die Jahre nach Bundesland
ggplot(daten_plot, aes(x = jahr, y = wert, color = Bundesland)) +
geom_line(linewidth = 1) +
geom_point(size = 1.5) +
labs(
title = "Entwicklung insgesamt nach Bundesland",
x = "Jahr",
y = "Anzahl"
) +
theme_minimal()
3.2 Spannweite
spannweite <- daten_plot %>%
group_by(jahr) %>%
summarise(
Spannweite = max(wert) - min(wert)
)
spannweite## # A tibble: 27 × 2
## jahr Spannweite
## <dbl> <dbl>
## 1 1997 8502
## 2 1998 8891
## 3 1999 8518
## 4 2000 8605
## 5 2001 8839
## 6 2002 9209
## 7 2003 10157
## 8 2004 10544
## 9 2005 10648
## 10 2006 11323
## # ℹ 17 more rowsUm zu untersuchen, ob die Unterschiede zwischen den Bundesländern im Laufe der Zeit kleiner werden, wurde für jedes Jahr die Spannweite berechnet. Die Spannweite zeigt den Abstand zwischen dem höchsten und dem niedrigsten Wert der Absolvent:innenzahlen eines Jahres. Dadurch lässt sich erkennen, ob die Unterschiede zwischen den Bundesländern größer oder kleiner werden.
3.3 Streuung der Stansardabweichungen über die Jahre
streuung <- daten_plot %>%
group_by(jahr) %>%
summarise(
SD = sd(wert)
)
streuung <- streuung %>%
filter(!is.na(SD))
ggplot(streuung,
aes(x = jahr,
y = SD)) +
geom_line() +
geom_point() +
scale_y_continuous(limits = c(0, NA))
Bis zum Jahr 2006 steigt die Standardabweichung, bedeutet die Unterschiede zwischen den Bundesländern werden größer. Nach 2006 werden die Unterschiede zwischen den Bundesländern weniger. Ab 2019 steigt die Standardabweichung sie wieder leicht. Eine mögliche Erklärung hierfür könnten die unterschiedlichen Auswirkungen der COVID-19-Pandemie ab dem Jahr 2020 sein. Der Anstieg ist jedoch geringer als der Rückgang seit 2006, deshalb lässt sich über den gesamten Betrachtungszeitraum weiterhin eine abnehmende Streuung und damit eine Verringerung der absoluten Unterschiede zwischen den Bundesländern feststellen.
4 Ergebnis
Die Hypothese wird durch die Entwicklung der Standardabweichung teilweise bestätigt. Denn der Verlauf ist nicht durchgehend fallend (Anstieg bis 2006 und wieder ab 2019).
5 Limitation
Eine Einschränkung ist, dass ausschließlich absolute Zahlen der Absolvent:innen betrachtet wurden. Dadurch können die Ergebnisse auch durch die unterschiedliche Größe der Bundesländer beeinflusst werden. Größere Bundesländer haben aufgrund höherer Schüler:innenzahlen erwartungsgemäß auch höhere Absolvent:innenzahlen, ohne dass das automatisch auf größere Unterschiede im Bildungssystem hinweist. Eine Betrachtung relativer Werte, beispielsweise der Anteil der Förderschulabsolvent:innen an allen Schulabgänger:innen, wäre daher aussagekräftiger gewesen.
Außerdem wurde die Entwicklung der Unterschiede zwischen den Bundesländern anhand der Standardabweichung und der Spannweite pro Jahr untersucht. Die Kennzahlen zeigen die Streuung der Werte, erklären jedoch nicht, welche Faktoren für Veränderungen verantwortlich sind.