Functional classification of small towns in Germany. A methodological comparison

Philipp Gareis; Antonia Milbert

doi:10.2478/rara-2020-0032

Authors

Philipp Gareis Justus-Liebig-Universität Gießen, Institut für Geographie, Bereich Raumplanung und StadtgeographieGießen, Deutschland https://orcid.org/0000-0001-5093-992X
Antonia Milbert Bundesinstitut für Bau-, Stadt- und RaumforschungBonn, Deutschland

DOI:

https://doi.org/10.2478/rara-2020-0032

Keywords:

Small town, Functional classification, Geographically weighted principal component analysis, Principal component analysis, Cluster analysis

Abstract

The development of small towns in Germany in terms of their economic, demographic and social endowment is a subject area that has been rather neglected so far. What is more, research often focuses exclusively on small towns in rural and peripheral regions, because this is the only place where they are assigned a certain role. Small towns in central areas, on the other hand, are subsumed under suburbia in research and are thus rarely considered in terms of their specific functions. In this paper, all small towns in Germany are classified with regard to important functions. The typification is done by means of a cluster analysis based on central factors, which in turn are tied to a broad set of indicators. Reference points are the classical method of principal component analysis and, as an alternative method, to geographically weighted principal component analysis. The methodological comparison shows that the alternative method – also due to the high computational effort – is not yet a suitable method for describing spatial relationships between the variables and for small towns with regard to existing functions in their surrounding areas. On the other hand, the approach of the principal component analysis, cluster analysis and discriminant analysis, which is found in the literature, produces well defined and explainable solutions for the formation of different types of small towns in Germany.

Downloads

Download data is not yet available.

References

Adam, B.; Berndgen-Kaiser, A.; Jochimsen, K.; Münter, A.; Zakrzewski, P. (2018): Ältere Ein-und Zweifamilienhausbestände im Umbruch. Eine Clusteranalyse zur Identifizierung regionaler Betroffenheiten in Nordrhein-Westfalen. In: Raumforschung und Raumordnung | Spatial Research and Planning 76, 1, 3-17. doi: 10.1007/s13147-017-0479-y

Andrews, H. F. (1971): A cluster analysis of British towns. In: Urban Studies 8, 3, 271-284. doi: 10.1080/00420987120080451

Aring, J. (2003): Stadt-Umland-Wanderung und die Ausdifferenzierung der Wohnungsmärkte. In: vhw Forum Wohneigentum 5, 268-275.

Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2016): Multivariate Analysemethoden. Berlin. doi: 10.1007/978-3-66246076-4.

Bähr, J. (1971): Gemeindetypisierung mit Hilfe quantitativer statistischer Verfahren (Beispiel: Regierungsbezirk Köln). In: Erdkunde 25, 4, 249-264. doi: 10.3112/erdkunde.1971.04.02

BBSR – Bundesinstitut für Bau-, Stadt- und Raumforschung (2016): Regionale Disparitäten in Deutschland auf der Ebene von Gemeinden und Kreisen: Expertise zum Siebten Altenbericht der Bundesregierung. Berlin.

Bell, D.; Jayne, M. (2009): Small cities? Towards a research agenda. In: International Journal of Urban and Regional Research 33, 3, 683-699. doi: 0.1111/j.1468-2427.2009.00886.x

Blotevogel, H. H. (2006): Gemeindetypisierung NordrheinWestfalens nach demographischen Merkmalen. In: Danielzyk, R.; Kilper, H. (Hrsg.): Demographischer Wandel in ausgewählten Regionstypen Nordrhein-Westfalens – Herausforderungen und Chancen für regionale Politik. Hannover, 17-33. = Arbeitsmaterial der ARL 329.

Brombach, K.; Jessen, J. (2005): Kleinstädte in Großstadtregionen. Funktionsräumliche Spezialisierung und Zentrumsfunktion am Beispiel Region Stuttgart. In: Informationen zur Raumentwicklung 8, 477-490.

Caliński, T.; Harabasz, J. (1974): A dendrite method for cluster analysis. In: Communications in Statistics 3, 1, 1-27.

Charrad, M.; Ghazzali, N.; Boiteau, V.; Niknafs, A. (2014): NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set. In: Journal of Statistical Software 61, 6, 1-36. doi: 10.18637/jss.v061.i06

Demšar, U.; Harris, P.; Brunsdon, C.; Fotheringham, A. S.; McLoone, S. (2013): Principal Component Analysis on Spatial Data: An Overview. In: Annals of the Association of American Geographers 103, 1, 106-128. doi: 10.1080/00045608.2012.689236

Duda, R. O.; Hart, P. E. (1973): Pattern Classification and Scene Analysis. New York.

Empirica (2017): Wohnen und Baukultur nicht nur in Metropolen. Hintergrundpapier zum gleichnamigen Positionspapier der Bundesstiftung Baukultur und dem GdW Bundesverband deutscher Wohnungs- und Immobilienunternehmen. Berlin.

Fehlberg, T.; Mießner, M. (2015): Mietpreissteigerungen und Wohnungsengpässe abseits der Ballungsräume. Investitionen in Wohnimmobilien in B-Lagen und Regionalzentren – das Beispiel Göttingen. In: suburban. Zeitschrift für kritische Stadtforschung 3, 1, 25-44.

Fotheringham, A. S.; Brunsdon, C.; Charlton, M. (2002): Geographically weighted regression: The analysis of spatially varying relationships. Chichester.

Gatzweiler, H.-P.; Adam, B.; Milbert, A.; Pütz, T.; Spangenberg, M.; Sturm, G.; Walther, A. (2012): Klein- und Mittelstädte in Deutschland – eine Bestandsaufnahme. Bonn. = Analysen Bau.Stadt.Raum 10.

Geyler, S.; Warner, B.; Brandl, A.; Kuntze, M. (2008): Clusteranalyse der Gemeinden in der Kernregion Mitteldeutschland. Eine Typisierung der Region nach Entwicklungsparametern und Rahmenbedingungen. Leipzig. = Schriftenreihe des Forschungsverbundes KoReMi 2.

Göddecke-Stellmann, J. (2011): Renaissance der Großstädte – eine Zwischenbilanz. Bonn. = BBSR-Berichte Kompakt 9/2011.

Gollini, I.; Lu, B.; Charlton, M.; Brunsdon, C.; Harris, P. (2015): GWmodel: An R Package for Exploring Spatial Heterogeneity Using Geographically Weighted Models. In: Journal of Statistical Software 63, 17, 1-50. doi: 10.18637/jss.v063.i17

Grove, D. M.; Roberts, C. A. (1980): Principal component and cluster analysis of 185 large towns in England and Wales. In: Urban Studies 17, 1, 77-82. doi: 10.1080/00420988020080091

Harfst, J.; Wirth, P. (2014): Zur Bedeutung endogener Potenziale in klein- und mittelstädtisch geprägten Regionen – Überlegungen vor dem Hintergrund der Territorialen Agenda 2020. In: Raumforschung und Raumordnung 72, 6, 463-475. doi: 10.1007/s13147-014-0312-9

Harris, C. D. (1943): A functional classification of cities in the United States. In: Geographical Review 33, 1, 86-99. doi: 10.2307/210620

Harris, P.; Brunsdon, C.; Charlton, M. (2011): Geographically weighted principal components analysis. In: International Journal of Geographical Information Science 25, 10, 1717-1736. doi: 10.1080/13658816.2011.554838

Harris, P.; Clarke, A.; Juggins, S.; Brunsdon, C.; Charlton, M. (2015): Enhancements to a geographically weighted principal component analysis in the context of an application to an environmental data set. In: Geographical Analysis 47, 2, 146172. doi: 10.1111/gean.12048

Herrenknecht, A.; Wohlfahrt, J. (2005): Die Bibliographie zur ländlichen Kleinstadt 1945-2005. In: Pro-Regio-Online: Zeitschrift für den ländlichen Raum 3, 5-14.

Jiang, S.; Alves, A.; Rodrigues, F.; Ferreira Jr., J.; Pereira, F. C. (2015): Mining point-of-interest data from social networks for urban land use classification and disaggregation. In: Computers, Environment and Urban Systems 53, 36-46. doi: 10.1016/j.compenvurbsys.2014.12.001

Kühn, M.; Milstrey, U. (2015): Mittelstädte als periphere Zentren: Kooperation, Konkurrenz und Hierarchie in schrumpfenden Regionen. In: Raumforschung und Raumordnung 73, 3, 185202. doi: 10.1007/s13147-015-0343-x

Leibert, T. (2019): Demographische Strukturen und Entwicklungen. In: Porsche, L.; Steinführer, A.; Sondermann, M. (Hrsg.): Kleinstadtforschung in Deutschland: Stand, Perspektiven und Empfehlungen. Hannover, 20-22. = Arbeitsberichte der ARL 28.

Li, Z.; Cheng, J.; Wu, Q. (2016): Analyzing regional economic development patterns in a fast developing province of China through geographically weighted principal component analysis. In: Letters in Spatial and Resource Sciences 9, 3, 233-245. doi: 10.1007/s12076-015-0154-2

Lloyd, C. D. (2010): Analysing population characteristics using geographically weighted principal components analysis: a case study of Northern Ireland in 2001. In: Computers, Environment and Urban Systems 34, 5, 389-399. doi: 10.1016/j.compenvurbsys.2010.02.005

Losada, N.; Alen, E.; Cotos-Yáñez, T. R; Domínguez, T. (2019): Spatial heterogeneity in Spain for senior travel behavior. In: Tourism Management 70, 444-452. doi: 10.1016/j. tourman.2018.09.011

Maillat, D. (1998): Interactions between urban systems and localized productive systems: An approach to endogenous regional development in terms of innovative milieu. In: European Planning Studies 6, 2, 117-129. doi: 10.1080/09654319808720450

Meili, R.; Mayer, H. (2017): Small and medium-sized towns in Switzerland. Economic heterogeneity, socioeconomic performance and linkages. In: Erdkunde 71, 4, 313-332. doi: 10.3112/erdkunde.2017.04.04.

Messerli, P. (1999): Sind die Alpenstädte besondere Städte? In: Revue de Géographie Alpine 87, 2, 65-76.

Moser, C. A.; Scott, W. (1961): British towns: a statistical study of their social and economic differences. Edinburgh.

Porsche, L.; Milbert, A. (2018): Kleinstädte in Deutschland. Ein Überblick. In: Informationen zur Raumentwicklung 6, 4-21.

Porsche, L.; Milbert, A.; Steinführer, A. (2019): Einführung. In: Porsche, L.; Steinführer, A.; Sondermann, M. (Hrsg.): Kleinstadtforschung in Deutschland: Stand, Perspektiven und Empfehlungen. Hannover, 5-15. = Arbeitsberichte der ARL 28.

Porsche, L.; Steinführer, A.; Dehne, P.; Sondermann, M. (2019): Schlussfolgerungen und zentrale Empfehlungen. In: Porsche, L.; Steinführer, A.; Sondermann, M. (Hrsg.): Kleinstadtforschung in Deutschland: Stand, Perspektiven und Empfehlungen. Hannover, 52-56. = Arbeitsberichte der ARL 28.

Reichert-Schick, A. (2010): Auswirkungen des demographischen Wandels in regionaler Differenzierung: Gemeinsamkeiten und Gegensätze ländlich-peripherer Entleerungsregionen in Deutschland – die Beispiele Vorpommern und Westeifel. In: Raumforschung und Raumordnung 68, 3, 153-168. doi: 10.1007/s13147-010-0027-5

Roca-Pardiñas, J.; Ordóñez, C.; Cotos-Yáñez; T. R.; Pérez-Álvarez, R. (2017): Testing spatial heterogeneity in geographically weighted principal components analysis. In: International Journal of Geographical Information Science 31, 4, 676-693. doi: 10.1080/13658816.2016.1224886

Schmitz-Veltin, A. (2015): Reurbanisierung im Kontext einer neuen Unübersichtlichkeit regionaler Entwicklungsmuster – Das Beispiel der Stadtregion Stuttgart. In: Fricke, A.; Siedentop, S.; Zakrzewski, P. (Hrsg.): Reurbanisierung in baden-württembergischen Stadtregionen. Hannover, 77-95. =Arbeitsberichte der ARL 14.

Schneider, W.; Scheibler, D. (1983): Probleme und Möglichkeiten bei der Bewertung von Clusteranalyse-Verfahren. I. Ein Überblick über einschlägige Evaluationsstudien. In: Psychologische Beiträge 25, 1-2, 208-237.

Schultz, A.; Brandt, P. (2017): Demographietypisierung. Methodisches Vorgehen und empirische Befunde. https://www.wegweiser-kommune.de/documents/10184/10615/Methodik_Clusterung.pdf/05a1b137-7dbf-4bf4-828d-9a097a4f3805(06.09.2020)

Schulze, M.; Margraf, O. (2000): Eine sozio-ökonomische Typisierung der russischen Städte während der Transformationsphase. In: Europa Regional 8, 1, 43-61.

Schwippe, H. J. (1979): Faktorenanalyse und Clusteranalyse. Möglichkeiten des Einsatzes multivariater Verfahren in der Analyse des Verhältnisses von Stadt und Land im östlichen Münsterland im frühen 19. Jahrhundert. In: Schröder, W. H. (Hrsg.): Moderne Stadtgeschichte. Stuttgart, 112-144.

Servillo, L.; Atkinson, R.; Smith, I.; Russo, A.; Sýkora, L.; Demazière, C.; Hamdouch A. (2014): TOWN. Small and medium sized towns in their functional territorial context. Final Report. Luxemburg.

Smith, R. H. T. (1965): Method and purpose in functional town classification. In: Annals of the Association of American Geographers 55, 3, 539-548.

Steinführer, A.; Porsche, L.; Sondermann, M. (2019): Anlass und Zielstellung. In: Porsche, L.; Steinführer, A.; Sondermann, M. (Hrsg.): Kleinstadtforschung in Deutschland: Stand, Perspektiven und Empfehlungen. Hannover, 3-4. = Arbeitsberichte der ARL 28.

Tsutsumida, N.; Harris, P.; Comber, A. (2017): The Application of a Geographically Weighted Principal Component Analysis for Exploring Twenty-three Years of Goat Population Change across Mongolia. In: Annals of the American Association of Geographers 107, 5, 1060-1074. doi: 10.1080/24694452.2017.1309968

Volgmann, K. (2014): Entwicklung metropolitaner Funktionen im polyzentralen deutschen Städtesystem – Raummuster der Konzentration und funktionalen Spezialisierung. In: Raumforschung und Raumordnung 72, 1, 21-37. doi: 10.1007/s13147-013-0264-5

Volgmann, K.; Rusche, K. (2020): The Geography of Borrowing Size: Exploring Spatial Distributions for German Urban Regions. In: Tijdschrift voor Economische en Sociale Geografie 111, 1, 60-79. doi:10.1111/tesg.12362

Wei, C.; Cabrera-Barona, P.; Blaschke, T. (2016): Local geographic variation of public services inequality: does the neighborhood scale matter? In: International Journal of Environmental Research and Public Health 13, 10, 981. doi: 10.3390/ijerph13100981

Winkler-Kühlken, B.; Diller, C.; Gareis, P.; Lenk, J.; von Popowski, M. (2019): Lage und Zukunft der Kleinstädte in Deutschland – Bestandsaufnahme zur Situation der Kleinstädte in zentralen Lagen. Bonn. = BBSR-Online-Publikation 15/2019.

Wirth, P.; Elis, V.; Müller, B.; Yamamoto, K. (2016): Peripheralisation of small towns in Germany and Japan – Dealing with economic decline and population loss. In: Journal of Rural Studies 47, 62-75. doi: 10.1016/j.jrurstud.2016.07.021

Wolff, H.-G.; Bacher, J. (2010): Hauptkomponentenanalyse und explorative Faktorenanalyse. In: Wolf, C.; Best, H. (Hrsg.): Handbuch der sozialwissenschaftlichen Datenanalyse. Wiesbaden, 333-365. doi: 10.1007/978-3-531-92038-2_15

Wu, C.; Hu, W.; Zhou, M.; Li, S.; Jia, Y. (2019): Data-driven regionalization for analyzing the spatiotemporal characteristics of air quality in China. In: Atmospheric Environment 203, 172182. doi: 10.1016/j.atmosenv.2019.01.048

Zhang, L.; Pfoser, D. (2019): Using OpenStreetMap point-of-interest data to model urban change – A feasibility study. In: PloS one 14, 2. doi: 10.1371/journal.pone.0212606