Die Kreise in Deutschland wurden
seit 2003 mehrfach zusammengelegt und geteilt, die meisten bei den
Kreisreformen in Sachsen-Anhalt (2007), Sachsen (2008) und
Mecklenburg-Vorpommern (2011). Ein Kreisschlüssel von 2005 gibt es 2025
womöglich nicht mehr, und ein Kreis von 2025 kann Teile mehrerer
früherer Kreise umfassen. Ein Vergleich über die Zeit braucht daher die
Daten aller Jahre auf einem Gebietsstand. Diese Vignette beschreibt, wie
pksR und seine Pipeline das tun und auf welchen Annahmen
die Ergebnisse beruhen. Die englische Fassung ist
vignette("harmonization").
Die Zuordnung der Gebiete stammt aus den Umsteigeschlüsseln des Bundesinstituts für Bau-, Stadt- und Raumforschung (BBSR). Für jedes Jahr ordnen sie jeden Kreis zum 31. Dezember des Jahres t den Kreisen zum 31. Dezember von t + 1 zu, mit zwei Arten von Gewichten:
Jede Datenveröffentlichung enthält den verwendeten Umsteigeschlüssel,
boundary_map.csv, mit einer Zeile je Jahr, Ausgangskreis
und Zielkreis. Es gibt drei Arten von Zeilen:
source |
Bedeutung |
|---|---|
bbsr |
Zeile der BBSR-Datei, unverändert |
manual |
Ersetzt eine fehlerhafte BBSR-Zeile, mit Begründung (etwa ein
Schlüsselfehler im BBSR-Blatt 2011-2012, wo ein Teil von
Bernkastel-Wittlich 07231 unter Trier-Saarburg
07235 steht) |
destatis |
Eine Übertragung einer Gemeinde zwischen Kreisen, die im BBSR-Schlüssel fehlt, aus den Gebietsänderungslisten von Destatis, mit Begründung |
Manuelle und Destatis-Zeilen, die der Maintainer noch nicht geprüft
hat, tragen status = "draft".
Für einen Ziel-Gebietsstand T werden die jährlichen Schritte vom Gebietsstand jedes Jahres bis T verkettet. Dann gilt je Jahr:
hz = cases / population * 1e5,
clearance_rate = cleared / cases * 100. Unveränderte Kreise
behalten die veröffentlichten Werte.pks_offences()). Ein veröffentlichter Schlüssel
wird nie stillschweigend zu seinem über- oder untergeordneten Schlüssel
addiert.Zusammenlegungen sind exakt (Gewicht 1). Teilungen sind Schätzungen:
Die Gewichte unterstellen, dass sich die Fälle innerhalb des alten
Kreises wie die Einwohner (oder wie die Fläche) verteilen. Zeilen, die
auf einem solchen Anteil beruhen, tragen estimated = TRUE,
ebenso die PDF-Jahre 2003 bis 2012, deren Fallzahlen aus den
veröffentlichten Quoten abgeleitet sind.
# Neuester Gebietsstand, Bevölkerungsgewichte: das veröffentlichte Panel
neuester <- pks_get(years = 2005:2015)
# Gebietsstand 2011, nach der Reform in Mecklenburg-Vorpommern
d2011 <- pks_get(years = 2005:2011, harmonize_to = 2011)
# Flächen- statt Bevölkerungsgewichte
flaeche <- pks_get(years = 2005:2015, weights = "area")Der neueste Gebietsstand wird so gelesen, wie er veröffentlicht ist, und ist am schnellsten. Andere Ziel-Gebietsstände werden in Ihrer Sitzung aus den veröffentlichten Daten und dem Umsteigeschlüssel derselben Veröffentlichung berechnet; für den neuesten Gebietsstand ergeben beide Wege dasselbe Panel (geprüft auf 1e-10 für alle Jahre 2003 bis 2025).
Jedes harmonisierte Panel beruht auf zwei Entscheidungen: der Gewichtung geteilter Kreise und der Harmonisierung selbst. Ergebnisse, die unter jeder Wahl gelten, hängen weniger von den genannten Annahmen ab.
Die Gewichte unterscheiden sich nur dort, wo Kreise geteilt wurden.
pks_compare_weights() stellt beide Fassungen eines Panels
nebeneinander:
d <- pks_get(years = 2005:2012, offence = "insgesamt")
w <- pks_compare_weights(d) # lädt dieselbe Abfrage mit Flächengewichten
w[abs(w$relative_difference) > 0.01, c("year", "ags", "region_name", "cases_population", "cases_area")]Das Ergebnis enthält die Fälle und die neu berechnete HZ unter beiden Gewichtungen, die Differenz und die relative Differenz. Zusammengelegte und unveränderte Kreise sind gleich; die Bundessummen sind unter beiden Gewichtungen dieselben. Eine Regression lässt sich zweimal schätzen, einmal je Spalte, um zu sehen, ob sich ein Koeffizient bewegt:
Die dritte Möglichkeit ist, gar nicht zu harmonisieren.
harmonize_to = NULL liefert jedes Jahr mit seinen eigenen
Kreisen, ein unbalanciertes Panel: Zusammengelegte und geteilte Kreise
tauchen auf und verschwinden, und kein Wert ist geschätzt.
veroeffentlicht <- pks_get(years = 2005:2012, offence = "insgesamt", harmonize_to = NULL)
table(veroeffentlicht$year) # die Zahl der Kreise ändert sich mit den Reformen
harmonisiert <- pks_get(years = 2005:2012, offence = "insgesamt")
table(harmonisiert$year) # jedes Jahr dieselben 400 KreiseZwei übliche Wege mit den veröffentlichten Daten:
# Kreise, die in jedem Jahr des Zeitraums mit demselben Schlüssel vorkommen.
# Ein Kreis, der einen anderen aufnimmt, behält seinen Schlüssel (der
# Wartburgkreis 2021): auch solche Kreise anhand des Umsteigeschlüssels entfernen.
stabil <- Reduce(intersect, split(veroeffentlicht$ags, veroeffentlicht$year))
balanciert <- veroeffentlicht[veroeffentlicht$ags %in% stabil, ]
# Harmonisierte Zeilen, die auf Teilungsgewichten beruhen
sum(harmonisiert$estimated)Der Vergleich einer Schätzung auf dem harmonisierten Panel (Bevölkerungsgewichte), dem harmonisierten Panel (Flächengewichte), dem unbalancierten Panel und dem balancierten Panel unveränderter Kreise zeigt, wie stark sie von der Harmonisierung abhängt.
Das BKA teilt die Fälle des Jahres t durch die Einwohnerzahl zum
31.12. des Jahres t - 1, auf der Zensusbasis ihrer Zeit: ältere Register
bis 2012, Zensus 2011 für 2013 bis 2023 und Zensus 2022 ab 2024. Beide
Zensus fanden weniger Einwohner als die Register, in einzelnen Kreisen
bis zu 8 Prozent. Die Quoten springen daher 2013 und 2024, ohne dass
sich die Kriminalität ändert (pks_breaks(), BRK-004 und
BRK-005).
Die Spalte population_corrected enthält die
zensuskorrigierte Einwohnerzahl des BBSR (INKAR-Indikator „Bevölkerung
mit BBSR-Zensuskorrekturen“): Die bei jedem Zensus festgestellte
Abweichung wird linear auf die Jahre davor verteilt, sodass die Reihe
keinen Zensusbruch hat. Sie bezieht sich auf denselben 31.12. wie die HZ
und wird wie die Fallzahlen auf den Gebietsstand jeder Zeile übertragen.
pks_rates() nutzt sie mit
population = "corrected":
d <- pks_example()
r <- pks_rates(d, population = "corrected")
head(r[, c("year", "ags", "offence_key", "hz", "rate_population")])
#> # A tibble: 6 × 5
#> year ags offence_key hz rate_population
#> <int> <chr> <chr> <dbl> <dbl>
#> 1 2019 01001 ------ 9383. 91838
#> 2 2019 02000 ------ 11467. 1803349
#> 3 2019 03159 ------ 6354. 327807
#> 4 2019 11000 ------ 14394. 3566936
#> 5 2019 16063 ------ 4449. 163267.
#> 6 2019 01001 890000 9076. 91838Die Korrektur ist eine Schätzung des BBSR, keine amtliche Revision; für 2025 wird die Einwohnerzahl hinter der HZ verwendet, die bereits auf der Basis des Zensus 2022 steht.
Die Einwohnerzahl für die Quoten ist die veröffentlichte, wo das BKA sie angibt (PDF-Jahre und 2020), sonst aus Fallzahl und Häufigkeitszahl abgeleitet. Eine amtliche Bevölkerungsreihe kann sie ersetzen:
d <- pks_example()
bev <- unique(data.frame(year = d$year, ags = d$ags, population = d$derived_population))
head(pks_rates(d, population = bev)[, c("year", "ags", "offence_key", "hz")])
#> # A tibble: 6 × 4
#> year ags offence_key hz
#> <int> <chr> <chr> <dbl>
#> 1 2019 01001 ------ 9628.
#> 2 2019 02000 ------ 11231.
#> 3 2019 03159 ------ 6349.
#> 4 2019 11000 ------ 14086.
#> 5 2019 16063 ------ 4397.
#> 6 2019 01001 890000 9312.