Luis Alves de Souza, Steffen Kruck, Lucas Englert
Kaufkraftverteilung im Rhein-Neckar-Kreis
In einer Großstadt wie Mannheim gibt es viele Möglichkeiten, einen gut bezahlten Job zu bekommen. Doch wie viel bleibt davon am Ende der verpflichtenden Zahlungen wie Miete, Strom, Auto, etc. übrig? Das was übrig bleibt, uns also frei zur Verfügung steht für andere Sachen, ist als Kaufkraft bekannt.
Mithilfe dieses Projektes wollen wir visualisieren, ob es einen Zusammenhang zwischen den verschiedenen Kaufkräften und den Einwohnerzahlen im Rhein-Neckar-Kreises gibt.
Einführung / Konzept
Einführung
Durch die Lehrveranstaltung GDV wird es uns ermöglicht, eine Visualisierung eines von uns ausgewählten Projekts selbst zu erstellen. Nach einer Einführung in verschiedene Bereiche der Datenvisualisierung, haben wir uns für das Thema Kaufkraft entschieden. Angefangen haben wir mit der Überlegung, wie viel am Ende des Monats noch übrig bleibt und ob wir Vergleiche ziehen können, was unsere nähere Umgebung angeht. Dazu wollten wir uns den Rhein-Neckar-Kreis anschauen, mit seinen verschiedenen Gebieten sowohl im Bereich der Einwohnerzahlen, als auch im Bereich der Kaufkraft - eine diverse Basis für nähere Vergleiche.
Konzept
Geplant war ein Vergleich der Kaufkraftverteilung im Rhein-Neckar-Raum mit Mannheim als Hauptanhaltspunkt, einzelne Stadteile und auch größere Städte wie Heidelberg und Ludwigshafen als Vergleichspunkte vorgesehen. Dieser Vergleich wurde später auf den Rhein-Neckar-Kreis und deren Kommunen beschränkt. Anfangs hatten wir die Überlegung, ob wir die Kommunen auch in unterschiedlichen Jahren oder auch allgemein zu Deutschland und anderen zusammengefassten Gebieten wie die IHK Region Rhein-Neckar.
Bei der Visualiserung der Daten haben wir uns auf eine interaktive Karte geeinigt, auf der Benutzer die für Sie interessanten Gebiete anklicken können um mehr Daten darüber zu bekommen. Zu diesen gehören Einwohnerzahl, Kaufkraft und Diagramme für den Vergleich mit den anderen Kommunen.
Unsere Leitfrage war anfangs, ob die Menschen mit der größten Kaufkraft immer im Zentrum leben. Während des Projekts sind wir übergestiegen auf die Leitfrage, ob Einwohnerzahlen in direkter Relation zur Kaufkraft stehen. Aufgrund der Daten und auch aufgrund des stärker vergleichenden Aspektes der zweiten Leitfrage sind wir bei dieser geblieben.
Daten / Auswertung
Daten
Als Hauptquelle diente uns eine von der IHK veröffentlichten Untersuchung der Kaufkraft im Bezirk der IHK Rhein-Neckar, welche es öffentlich nur als PDF gab. Mit einer PDF lässt es sich allerdings schwer arbeiten, da wir die vorhandenen Daten selbst in digitaler Form verarbeiten müssen. Kurzerhand sind wir in Kontakt getreten mit der IHK Rhein-Neckar und trafen auf Interesse an dem Projekt, bzw. dem Aspekt der interaktiven Visualisierung der Daten. Uns wurden die für die PDF genutzten Rohdaten zur Verfügung gestellt unter der Voraussetzung, dass diese nur zur Visualisierung verwendet werden und sonst nicht veröffentlich werden dürfen. Durch diese Quelle war es uns nun möglich, die für uns relevanten Daten schnell zusammenzuführen und aufzubereiten.
Zu dem Datensatz der IHK gehören u.A. die Kaufkraftzahlen im Bezirk der IHK Rhein-Necker, deren Kommunen aber auch zu den Großstädten Heidelberg und Mannheim. Zu den Kaufkraftszahlen gehören die allgemein Kaufkraft, welche vor uns interessant ist, und andere damit verbundenen Zahlen wie der Einzelhandelsumsatz und Zentralitätskennziffern. Auch gab es hier Vergleiche zu vorherigen Jahren und Prognosen, sprich ob eine Erhöhung oder Verringerung der Werte zu erkennen war. Des weitern konnten wir hier auch die Bevölkerungszahlen der verschieden Kommunen nachlesen und somit mit der Kaufkraft in Verbindung setzen.
Uns fehlende Daten, z.B. aufgrund von zusammengefassten Daten, konnten wir mithilfe von Wikipedia ergänzen, um somit die komplette Rhein-Neckar Region begutachten zu können.
Für unsere interaktive Karte haben wir GoogleMaps als Basis benutzt. Durch Einbindung einer GeoJSON war es uns möglich, die verschiedenen Grenzen der Kommunen auf dieser Karte darzustellen und damit zu arbeiten.
Prozess
Anfangs haben wir uns verwandte Arbeiten angeschaut, um uns das Thema und die Art und Weise wie man diese Daten visualisieren könnte näherzubringen.
Die erste Arbeit handelt von Bodenrichtwerten der Stadt Trier, also dem Wert einer Grundstücksfläche pro Quadratmeter. Hier konnten wir die Umsetzung mit einer Karte per OpenStreeMap beobachten und kamen auf die Idee, die einzelnen Zonen visuell abgrenzen zu wollen.
Eine weitere verwandte Arbeit beschäftigt sich ebenfalls mit Bodenrichtwerten, hier allerdings von Mannheim. Hier wird ein Bild einer Karte als Hintergrund benutzt, was mit geographischen Daten unterstütz wird und somit die verschiedenen Grenzen der Gebiete nur eine Art Overlay
Bei beiden Karten lässt sich per Klick auf der Karte eine Zone abfragen, wodurch sich nähere Informationen darstellen lassen. Auch diese Funktionalität wollten wir in unsere Umsetzung einbauen, angedacht als eine Art Infobox an der Seite. Zusätzlich wird beim Klicken einer Zone diese farblich hervorgehoben, was auch bei uns umgesetzt werden sollte. Dem Nutzer wird visualisiert, dass die Zone aktiv bzw. ausgewählt ist und gleichzeitig bekommt er mehr Daten zu der Zone.
Die erste Umsetzung unsere Idee konnten wir mit Tableau verwirklichen. Hierdurch konnten wir sehen, wir unsere angedachten Visualisierungen wirken und was wir noch abändern wollen, bzw. welche Funktionalität wir ausbauen wollen oder abändern wollen.
Prototyp / Ergebnisse
Vor der Umsetzung gab es eine andere Möglichkeit, unsere Gedanken prototypisch darzustellen: ein Paper-Prototyp. Hierbei wollten wir die Karte auf der linken Hälfte darstellen, sodass wir auf der anderen Hälfte weiter Daten in Form von Liniendiagrammen der ausgewählten Bereichen und eine Infobox positionieren konnten. Eine Zeitleiste für den Vergleich von verschiedenen Jahren war auch angedacht. Diese hätte Platz unter der Karte gefunden.
Es waren weitere Funktionien beim Prototyp angedacht, die wir teils einfach in Tableau umsetzen konnten. Dazu gehören eine Zeitleiste, was uns zusätzlich die Entwicklung einer Region anzeigen könnte und die Möglichkeit, unsere Informationen von mehreren Bereichen gleichzeitig anzeigen zu können.
Visualisierung
Ein weiteres Zwischenergebniss ist unser zweiter Prototyp, der klarer strukturiert ist und wesentliche Elemente beinhaltet, die auch in unserer Anwendung wiederzufinden sind. Dieser wurde ebenfalls in Tableau angefertigt. Die verschiedenen Bereiche wurden farblich abgegrenzt und konnten in der rechten Hälfte näher verglichen werden. Hier gibt es allerdings noch ein paar Probleme, z.B. dass wir als Farbskala einen Verlauf von Rot nach Grün gewählt hatten, was sehr schnell mit einer positiven oder negativen Wertung verbunden werden kann. Zusätzlich ist die Farbkombination eine nicht allzu selten antreffbare Sehschwäche. Ebenfalls konnten mit den zu diesem Zeitpunkt vorhandene Daten nicht die kompletten Gebiete eingebunden werden, wodurch hier noch Funktionalität fehlte.
Um die Visualisierungen zu verbinden hatten wir uns als Ziel gelegt, dass beim Hovern und Anklicken eines Bereiches die gleichen Daten in der anderen Visualisierung hervorgehoben werden. Bei diesem Prototyp konnten wir nicht alle Daten so miteinander verbinden, wie wir wollten.
Nach dem zweiten Prototyp haben wir uns an die Implementierung gesetzt und sind zeitnah auf erste Realisierungsmöglichkeiten der von uns gewünschten Funktionalität gestoßen. Mithilfe von Google Maps und einer GeoJSON für die Abgrenzungen der verschiedenen Kommunen konnten wir eine interaktive Karte gestalten.
Ebenso konnten wir das von uns gewünschte Streudiagramm für den schnellen Überblick von Ansammlungen und Tendenzen mithilfe von gefundenen Code Bibliotheken realisieren.
Allerdings fehlten uns bei diesem Prototyp auch noch einige Daten der Kommunen, die wir in dem finalen Prototyp bei der iExpo vervollständigt hatten. Die Karte war nun farblich hinterlegt, hatte eine Legende mit einer nicht-wertenden Farbskala und die Möglichkeit durch Hovern und Klicken der Karte die Informationen des Streudiagramms damit zu verbinden und den gleichen Datensatz hervorzuheben.
Bei dem Streudiagramm hatten wir kurzerhand noch den generellen Vergleich mit Deutschland durch Punkte in regelmäßigen Abstand für die in Deutschland aufzutretende Kaufkraft visualisiert. Bei Eintragung von Deutschland als Datenpunkt wäre durch die deutlich höhere Bevölkerungszahl ein Vergleich der Kommunen nicht mehr möglich.
Während der Entwicklung gab es unterschiedliche Visualisierung, darunter:
- Choropletenkarte
- Streudiagramm/Scatterplot
- Infobox
- Liniendiagramm
Die Choropletenkarte dient der farblichen Einteilung der Karte in Gebiete, sodass anhand einer Legende schnell ersichtlich wird, ob das Gebiet einen niedrigen oder hohen Wert besitzt. In unserer Anwendung nahm diese gut die Hälfte der Seite ein. Auf der restlichen Seite haben wir einen Bereich für ein Steudiagramm und eine Infobox angelegt. Das Streudiagramm zeigt die allgemein Verteilung und gibt Hinweise auf Zusammenhänge der beiden Daten Einwohnerzahl und Kaufkraft. Die Infobox bietet Platz für die Legende der Choropletenkarte und für die Anzeige der genaueren Daten zu der ausgewählten Gemeinde.
Bei früheren Prototypen hatten wir ein Liniendiagramm angedacht statt einem Streudiagramm. Das Liniendiagramm hätte für uns allerdings nur Sinn gemacht, wenn wir die Zeitleiste noch eingebaut hätten und somit eine Entwicklung beobachten könnten. Ohne Zeitleiste bleibt uns ein Datensatz aus einem Jahr, demnach entschieden wir uns für ein Streudiagramm um die verschiedenen Daten dieses einen Jahres ansehlich zu vergleichen.
Erkenntnisse
Allgemein lässt sich sagen, dass einwohnerstarke Regionen eher eine niedrigere Kaufkraft aufweisen. Vergleicht man z.B. Mannheim mit Wiesloch, weißt letzteres eine deutlich höhere Kaufkraft pro Einwohner auf. Eine große Mehrheit der Gebiete mit einer hohen Kaufkraft von 27 000 oder mehr besitzen geringe bis sehr geringe Einwohnerzahlen zwischen 25 000 und 40 000. Jede Großstadt wie z.B. Mannheim besitzt eine Kaufkraft von weniger als 23 500.
Zusätzlich muss hier allerdings erwähnt werden, dass auch viele kleine Kommunen mit einer geringen Kaufkraft verbunden sind. Die Topreiter in der Kaufkraft und Einwohnerzahl sind dennoch in eigenen Bereichen angesiedelt.
Implementierung
Unsere Visualisierung haben wir als Webanwendung umgesetzt. Hierbei haben wir hauptsächlich HTML, CSS, JSON, GeoJSON und JavaScript für die Funktionalität genutzt. Die Webanwendung an sich ist lokal verfügbar, kann also sehr frei benutzt werden oder bei Bedarf auch angepasst werden. Zusätzlich war uns die Veröffentlichung der Anwedung als online gehostet Anwendung aufgrund Teil der genutzten Daten nicht gestattet.
Für die graphische Darstellung des Streudiagramms haben wir eine JavaScript Bibliothek namens Chart.js benutzt. Nach Einlesung in die teils kompakte Dokumentation, konnten wir mithilfe dieser Bibliothek unsere gewünschtes Diagramm einbinden. Auch war es uns möglich, die einzelnen Daten anzusprechen und während der Laufzeit diese dynamisch anzupassen, wodurch wir unsere Hover-Funktionalität auf der Karte mit diesem Diagramm verbinden konnten. Gleichzeitig konnten wir hiermit auch unsere per ID klassifizierte Infobox aktualisieren und wieder die Daten des Streudiagramms dynamisch abfragen und weiterverwenden.
Unsere Karte haben wir unter der Benutzung der Google Maps JavaScript API realisiert. Durch ausreichende Dokumentation und eine Tutorial-Reihe konnten wir die für uns wichtigen Informationen hier schnell zusammentragen und unsere gewünschte Hauptfunktionalität schnell umsetzen. Allerdings fiel es uns schwer in der uns zur Verfügung stehenden Zeit die Hover- und Klick-Funktionaltität beidseitig auszubauen. Der Umgang mit der von der Karte genutzten GeoJSON erwies sich als nicht dynamisch genug, um die gleiche Funktionalität des Streudiagramms zu erlangen. Allerdings gab es hier auch sehr viele weitere Möglichkeiten, die Karte mit weiteren Informationen zu bereichen und somit mit vielen Schichten übereinander zu arbeiten. Die für uns wichtigen Informationen waren hier allerdings nur die Eingrenzung und richige Erkennung von Gebietsgrenzen.
Mithilfe einer GeoJSON konnten wir diese Gebietsgrenzen einfach einlesen und hatten somit unsere Hauptfunktionalität der Karte erlangt. Die Funktionalität für das Hovern und Anklicken haben wir danach implementiert. Im Endspurt unseres Projektes haben wir nach dem Einlesen der GeoJSON die verschiedenen Gebiete anhand der Kaufkraft noch eingefärbt, um die unterschiedlich starke Kaufkraft besser visuell darzustellen.
Fazit
Reflektion
Wir konnten mithilfe dieses Projektes eine Datenvisualisierung der Kaufkraft und deren Relation zur Einwohnerzahl erreichen. Das eigentliche Ergebnis hilft bedingt weiter, da es trotz ausschlaggebenden Tendenzen gleichzeitig auch Ansammlungen gibt, die unserer eigentlichen Leitfrage widersprechen. Im Großen und Ganzen konnten erste Hinweise auf einen Zusammenhang zwischen der Einwohnerzahl und der Kaufkraft gewonnen werden. Gerade bei hohen Einwohnerzahlen sind wir ausschließlich auf eine niedrige Kaufkraft gestoßen.
Auf der Seite der Implementierung konnten wir nicht alles umsetzen, was wir uns anfangs vorgenommen hatten.
Ausblick
Da sich mit den gewonnen Erkenntnissen nur bedingt Aussagen fallen lassen, wäre es angebracht diese Untersuchung bei anderen Gebietsansammlungn durchzuführen und diese miteinander zu vergleichen. Es könnte auch interessant sein, neue Thesen anhand der Ergebnisse zu stellen, z.B. die Frage danach, ob Großstädte immer eine niedrige Kaufkraft besitzen oder ob wohlhabende Gebiete eine bestimmte Einwohnerzahl aufweisen.
Die zeitliche Entwicklung der Verteilung sowohl der Kaufkraft als auch der Einwohnerzahl könnte auch für einige Thesen verwendet werden, z.B. für die Untersuchung ob ein positives/negatives Wachstum der Einwohnerzahl immer mit einem positiven/negativen Anstieg der Kaufkraft zu verbinden ist.