Explizite und implizite Vorstellungen über Räume sind bedeutsam für Wissenschaft, Politik, Wirtschaft und Gesellschaft, da sie die Art und Weise der Auseinandersetzung mit raumbezogenen Problemen beeinflussen. Die vielschichtigen und oftmals implizit relationalen Perspektiven auf Raum erzeugen eine hohe Komplexität, die die Verständigung über räumliche und raumbezogene Sachverhalte erschwert. Dies begründet die Notwendigkeit komplexitätsreduzierender Operationalisierungen von Raum auf Makro‑, Meso- und Mikroebene. Aus raumpolitischer und raumplanerischer Perspektive ist eine typisierende Operationalisierung von Räumen für die Definition von Zielen, Aufgaben und Verantwortlichkeiten hilfreich. Auf der Makro- und Mesoebene wurden in der Vergangenheit bereits einige Typologien erarbeitet. Für Deutschland liegen insbesondere seitens des Bundesinstituts für Bau‑, Stadt- und Raumforschung (BBSR) und des Thünen-Instituts mehrere bundesweite Typologien vor, die Regionen, Kreise oder Gemeinden vorwiegend anhand ihrer siedlungsstrukturellen Merkmale (z. B. Einwohner- und Siedlungsdichte, Anteile ausgewählter Flächennutzungen, Erreichbarkeit) charakterisieren (Milbert 2020). Die resultierenden Typen unterscheiden sich vor allem nach ihrem Grad der Verstädterung bzw. der Ländlichkeit (BBSR 2012; Milbert 2015; Küpper 2016; Milbert 2020) und jüngere Forschungsarbeiten fokussieren sich auf eine weitere Verfeinerung dieser Differenzierung (vgl. z. B. Taubenböck/Droin/Standfuß et al. 2022). Vergleichbare Anstrengungen zur großflächigen Raumtypisierung werden auch international unternommen (Zewdie/Robinson/Adams et al. 2024). In Ergänzung zu den relativ allgemeinen Typologien wurden spezifischere Typologien erarbeitet, um die Dynamik von Landkreisen und Arbeitsmarktregionen erfassen zu können oder um Wohnungsmärkte zu beschreiben (Milbert 2015).
Während bereits einige Ansätze für makro- und mesoskalige Typologien für Regionen, Kreise und Gemeinden in Deutschland vorliegen, sind vergleichbare Arbeiten für die Mikroebene relativ selten. Im Zuge der Innerstädtischen Raumbeobachtung (IRB) des Bundesinstituts für Bau‑, Stadt- und Raumforschung (BBSR) wurden zwar einige innerstädtische Lagetypen erarbeitet, allerdings beziehen sie sich lediglich auf teilnehmende, vorwiegend städtisch geprägte Kommunen (Böltken/Gatzweiler/Meyer 2007). Im Gegensatz hierzu wurde von Müller, Hecht und Buchholz (2017) für Nordrhein-Westfalen eine flächendeckende Bebauungsstrukturklassifikation zur spezifischen Anwendung in Hinblick auf Klimaanpassungsmaßnahmen entwickelt. Im internationalen Kontext wurden ebenfalls kleinräumig orientierte, generelle Typologien vorgestellt, so etwa für einzelne Städte wie Seoul (Li/Quan 2023) und Taipeh (Chen/Koch/Reicher 2024) oder aber für das gesamte Landesgebiet von Großbritannien (Fleischmann/Arribas-Bel 2022). Die hauptsächlichen Unterscheidungsmerkmale dieser Typologien beziehen sich unter anderem auf Merkmale der Flächennutzung, Bebauungs- und Gebäudestruktur. Darüber hinaus existiert eine schwer zu überblickende Vielzahl an Typologien, die themenbezogen im Kontext einzelner Studien gebildet wurden, beispielsweise zur Untersuchung des Einflusses räumlicher Umgebungen auf körperliche Aktivität (McDonald/Hearst/Farbakhsh et al. 2012; Broberg/Salminen/Kyttä 2013; Lin/Chan/Leung et al. 2020) oder Verkehrsverhalten (Ralph/Turley Voulgaris/Taylor et al. 2016; Nash/Mitra 2019). Studienspezifische Typologien haben den Nachteil einer zweifachen, kaskadenartigen Stichprobenspezifität, weil die räumliche Stichprobe oftmals auf einer Personenstichprobe basiert. Strukturierende Einflüsse wie etwa Selbstselektionseffekte (Cao/Mokhtarian/Handy 2009) und eine damit verbundene räumliche Segregation von Wohn- und Arbeitsstandorten werden somit nicht berücksichtigt. Darüber hinaus sind diese Typologien mitunter auf spezifische Anwendungsfälle ausgerichtet. Diese Eigenschaften schränken die Generalisierbarkeit resultierender Raumtypologien ein. Neben der Stichprobenspezifität unterscheiden sich die studienspezifischen Typologien oftmals auch durch die Verfügbarkeit und Auswahl der zu verwendenden Raumvariablen und die gewählte Analysemethode zur Typisierung, sodass die Typologien mitunter nur eingeschränkt vergleichbar sind.
Die vorliegende Arbeit strebt eine mikroskalige Ergänzung zu siedlungsstrukturellen Typologien an, die in Deutschland – wie beschrieben – bislang vorrangig für Regionen, Kreise und Gemeinden existieren. Die kleinräumig angelegte Charakterisierung bezieht sich auf Wohnumfelder1, weil sie als Start- bzw. Zielpunkte alltäglicher Aktionsräume wichtige räumliche Kontexte der individuellen Lebensführung darstellen (Hölzel 2022). Somit ist eine Typologie von Wohnumfeldern von besonderem Interesse für ein verbessertes Verständnis über Zusammenhänge zwischen Raum und Gesellschaft. Aufgrund ihres explorativen Charakters konzentriert sich die Untersuchung auf das Landesgebiet von Nordrhein-Westfalen. Ziel dieser Studie ist also die Erstellung einer landesweiten, generellen Wohnumfeldtypologie für Nordrhein-Westfalen, die Wohnumfelder anhand siedlungsstruktureller Merkmale auf der Mikroebene, das heißt im räumlichen Nahbereich und ohne Berücksichtigung makroskaliger Merkmale (u.a. Zentralität), charakterisiert und somit einen Beitrag zur Ergänzung gröberer Typisierungsansätze leistet. Durch ihren für Nordrhein-Westfalen flächendeckenden und generellen Charakter kann die Typologie in unterschiedlichen Anwendungsfällen als referenzierende Operationalisierung genutzt werden, insbesondere auch jenseits großstädtischer Kontexte. Als solche löst sie zumindest für das Landesgebiet das Problem der Stichprobenspezifität und ist methodisch in sich geschlossen. Die hier zu erarbeitende Typologie ist unabhängig von administrativen Grenzen und somit gegenüber Typologien, die an Verwaltungsgrenzen orientiert sind, flexibler einsetzbar. Zur Weiterverwendung in anderen Studien wird diese Typologie zur freien Verfügung gestellt (Hoelzel 2025).
Nach einer Darstellung der Datengrundlagen, Datenaufbereitung und Datenverarbeitung (Kapitel 2) wird die Typologie vorgestellt (Kapitel 3.1) und mit existierenden Typologien auf der Makroebene in Bezug gesetzt (Kapitel 3.2). Um die variable Einsetzbarkeit der Typologie und ihre grundsätzliche Plausibilität in sehr unterschiedlichen empirischen Zusammenhängen zu demonstrieren, werden anschließend zwei Anwendungsfälle exemplarisch-deskriptiv skizziert, nämlich das individuelle Verkehrsverhalten von Grundschulkindern in Dortmund (Kapitel 4.1) und das politische Wahlverhalten in Aachen (Kapitel 4.2). In Kapitel 5 schließt der Text mit Diskussionen über Stärken und Schwächen der Typologie sowie über potenzielle Anwendungsfelder und künftige Forschungspotenziale.
In Anlehnung an bisherige Typisierungsansätze sollen Wohnumfelder in dieser Arbeit über ihre siedlungsstrukturellen Charakteristika definiert werden, um eine anwendungsunabhängige Typologie zu erzeugen. Weitere raumbezogene Variablen (z. B. Bevölkerungsstruktur, Verkehr) können dadurch bei nachgelagerten Analysen als gänzlich eigenständige Einflussgrößen hinzugezogen werden. Im Vergleich zu den makroskaligen Ansätzen bezieht sich die hier zu erarbeitende Wohnumfeldtypologie allerdings ausschließlich auf den Nahbereich, sodass sie nicht auf die Ermittlung makroskaliger Zentralität ausgerichtet ist. Aus Gründen der Datenverfügbarkeit und Datenverarbeitungskapazitäten erfolgt die Typisierung explorativ für Nordrhein-Westfalen, das bevölkerungsreichste Bundesland Deutschlands bei einem Flächenanteil von knapp unter zehn Prozent.2
Zur Erstellung räumlicher Typologien existieren bislang keine standardisierten Vorgehensweisen und entsprechend unterschiedlich sind die Prozeduren und Variablensets, die bei früheren Typisierungen genutzt wurden (für einen exemplarischen Überblick vgl. Milbert 2020). Vergleichbaren Vorarbeiten entsprechend (Fleischmann/Arribas-Bel 2022; Li/Quan 2023; Chen/Koch/Reicher 2024) wird die Siedlungsstruktur von Wohnumfeldern im Rahmen der vorliegenden Studie anhand von Merkmalen der Flächennutzung, Bebauungs- und Gebäudestruktur operationalisiert (vgl. Kapitel 1). In diesem Zusammenhang folgte die Variablenauswahl drei als grundlegend erachteten Prinzipien, nämlich flächendeckender Datenbestand, freie Datenverfügbarkeit sowie Datensparsamkeit. Diese Prinzipien ergeben sich aus mehreren Gründen: Aufgrund der flächendeckenden Typisierung für Nordrhein-Westfalen müssen die Datengrundlagen ebenfalls flächendeckend für Nordrhein-Westfalen vorliegen. Die freie Datenverfügbarkeit soll eine einfache Replikation, Modifikation und Erweiterung des Ansatzes ermöglichen. Die Sparsamkeit der Variablenauswahl reduziert die Komplexität des allgemeinen Modells, was angesichts der hohen Zahl an eingehenden Fällen (vgl. Kapitel 2.2) für die ressourcenschonende Berechnung (Dauer von Aggregation und multivariater Typisierung) erforderlich ist. Aufgrund der in nachgelagerten Arbeitsschritten zwischenzeitlich festgestellten Unzulänglichkeiten vorläufiger Typisierungen (vgl. Kapitel 2.4 und 2.5) handelte es sich bei der Variablenauswahl für die explorativen Latent-Profile-Analysen (LPA) (vgl. Kapitel 2.4) nicht um einen einmaligen, in sich geschlossenen Arbeitsschritt, sondern um einen inkrementellen, heuristisch geprägten Prozess.
Als amtlicher, flächendeckend verfügbarer Datensatz bildete die Flächennutzung nach ALKIS4 den Ausgangspunkt der Latent-Profile-Analysen. Initial wurden die Nutzungsartengruppen5 „Wohnbaufläche“, „Flächen gemischter Nutzung“, „Industrie- und Gewerbefläche“, „Landwirtschaft“ und „Straßenverkehr“ als wesentliche Variablen zur kleinräumigen Charakterisierung von Siedlungsstrukturen erachtet (für einen Überblick über die Flächennutzungen vgl. AdV 2011). Exklusive Versuche mit den ALKIS-Flächennutzungen mündeten in ersten Strukturen, die zwar prinzipiell als unterschiedliche Wohnumfelder interpretierbar, aber noch nicht vollends plausibel waren: Aufgrund der räumlichen Flächennutzungsstruktur wurden zentral gelegene Flächen (Innenstadtkerne) denselben Klassen zugeordnet wie nicht zentral gelegene Flächen (insbesondere Parkplatzflächen). Aus diesem Grund wurde eine Verbesserung der Plausibilität und Aussagekraft angestrebt, indem die Auswahl der Flächennutzungen angepasst wurde (u.a. Ergänzung von „Platz“ und „Wald“).
Siedlungsstrukturelles Merkmal | Variable | Operationalisierung | Puffer (m) | Berücksichtigung in letzter Latent Profile Analyse |
|---|---|---|---|---|
Flächennutzungsstruktur | Wohnbaufläche | Flächenanteil | 250 | ja |
Fläche gemischter Nutzung | Flächenanteil | 250 | ja | |
Industrie- und Gewerbefläche | Flächenanteil | 250 | ja | |
Landwirtschaft | Flächenanteil | 250 | ja | |
Wald | Flächenanteil | 250 | ja | |
Straßenverkehr | Flächenanteil | 250 | ja | |
Weg | Flächenanteil | 250 | nein | |
Platz | Flächenanteil | 250 | nein | |
Platz ohne Parkplatzflächen | Flächenanteil | 250 | ja | |
Sport‑/Freizeit‑/Erholungsflächen | Flächenanteil | 250 | ja | |
Angebotsstruktur | OSM-Points of interest mit gewerblich-öffentlicher, Publikumsverkehr erzeugender Funktion | Anzahl | 250 | ja |
Bebauungsstruktur | Gebäudefläche auf Wohnbauflächen und Flächen gemischter Nutzung | Flächenanteil | 250 bzw. 100 | ja |
Zusammenhängende Gebäudestrukturen | Umfang | 250 bzw. 100 | nein | |
Gebäudehöhe | Median | 250 bzw. 100 | nein | |
Gebäudefläche | Median | 250 bzw. 100 | nein | |
Maximales Gebäudevolumen | Median | 250 bzw. 100 | nein | |
Große Gebäude ≥ 1.500 m3 bezogen auf alle Gebäude auf Wohnbauflächen und Flächen gemischter Nutzung | Volumenanteil | 250 bzw. 100 | nein |
Bei dem hier gewählten Vorgehen wird – anstelle einer räumlich eng begrenzten Stichprobe mit einer relativ geringen Fallzahl – auf großräumiger Ebene eine große Zahl von Zufallsstandorten im Geographischen Informationssystem (GIS) generiert. Durch die zufällige räumliche Verteilung der Punkte ist die entstehende Typologie unabhängig von administrativ definierten Grenzen und dem Gebäudebestand.12 Das einzige Kriterium zur Bildung dieser räumlichen Zufallsstichprobe liegt in deren Begrenzung auf Flächen, die bereits mit einer Wohnfunktion belegt sind oder mit einer Wohnfunktion belegt werden könnten, das heißt Wohnbauflächen und Flächen gemischter Nutzung. Gleichzeitig ist zu beachten, dass nicht alle Flächen gemischter Nutzung mit einer tatsächlichen Wohnnutzung belegt sind oder belegt werden können (vgl. AdV 2011: 13).
Für die im Folgenden berichtete Wohnumfeldtypologie wurde die Anzahl der zufällig generierten Punkte über das Landesgebiet von Nordrhein-Westfalen13 auf drei Millionen und deren Mindestabstand auf zehn Meter festgesetzt (QGIS-Algorithmus „native:randompointsinpolygons“). Die unter diesen Vorgaben generierte Menge räumlicher Punkte auf einer Gesamtfläche von rund 3.200 km2 für die Nutzungen Wohnbaufläche und Fläche gemischter Nutzung eignet sich für eine hinreichende räumliche Abdeckung sowie Dichte und die Verarbeitung auf handelsüblichen Rechnerkomponenten.
Die Charakterisierung der Wohnumfelder erfordert eine punktspezifische Aggregation der als Punkte und Flächen vorliegenden Eingangsvariablen (vgl. Kapitel 2.1). Obwohl Standortqualitäten im Kontext von Raumordnung und Raumplanung oft über verkehrsnetzbasierte Erreichbarkeitsanalysen operationalisiert werden, ist für den Zweck der hier angestrebten Typisierung von Wohnumfeldern eine Bildung kreisförmiger Puffer um die zufällig generierten Standorte besser geeignet: Einerseits können Puffer als räumliche Aggregationseinheiten einheitlicher Größe definiert werden, wodurch deren Vergleichbarkeit gegeben ist. Andererseits gewährleistet die Aggregation anhand kreisförmiger Puffer im Gegensatz zu einer netzbasierten Aggregation eine gleiche Gewichtung aller umliegenden Flächennutzungs‑, Angebots- und Bebauungsstrukturen. Dies ist insbesondere für Standorte auf Wohnbauflächen und Flächen gemischter Nutzung in direkter Nachbarschaft zu Flächennutzungen mit geringer Straßen- bzw. Wegedichte (z. B. Landwirtschaft, Wald, Industrie‑/Gewerbeflächen) bedeutsam, um deren qualitative Rolle für das Wohnumfeld angemessen zu berücksichtigen.
Die Entscheidung für die Puffergröße ist ein Kompromiss zwischen Aussagekraft und Typisierbarkeit. Anders als bestehende Typologien auf großräumlicher Ebene sollte sich die hier zu berechnende Wohnumfeldtypologie lediglich auf die nahegelegene Umgebung beziehen. Diese Anforderung lässt sich von zwei Standpunkten begründen: Aus theoretischer Perspektive ist anzunehmen, dass ein gewählter Puffer individuelle Aktionsräume im Wohnumfeld umso schlechter erfasst, je größer er gewählt wird (vgl. Uncertain Geographic Context Problem; Kwan 2012). Darüber hinaus ergibt sich das Modifiable Areal Unit Problem, wonach Analyseergebnisse von der Größe räumlicher Untersuchungseinheiten abhängen (Openshaw 1984): Mit zunehmender Puffergröße werden eher allgemeine siedlungsstrukturelle Gegebenheiten erfasst, wodurch sich die Kategorisierungsergebnisse existierenden Typologien auf großräumlicher Ebene annähern dürften. Umgekehrt können (zu) klein gewählte Puffergrößen lokale Besonderheiten stärker betonen, was zu Typologien mit höherer Komplexität (Typenanzahl) und geringerer Generalisierbarkeit (Nähe zu Eingangsvariablen) führen könnte. Für die hier vorgestellte Typologie wurde der Puffer zur Erfassung der Kontextdaten für nahezu alle Variablen auf 250 Meter festgesetzt; einzig für die Gebäudevolumina wurde der Puffer für eine verbesserte Differenzierung auf 100 Meter begrenzt. Anschließend wurden die Eingangsvariablen durch Erfassung von Anteilen (Flächennutzungen und Gebäudevolumina) und Häufigkeiten (OpenStreetMap Points of interest) pro Puffer aggregiert.
Die Wohnumfeldtypen wurden durch Filterung der Stichprobe entlang heuristisch ermittelter Schwellenwerte ermittelt. Die Wahl der Filterungskriterien und Schwellenwerte orientierte sich dabei an Latent-Profile-Analysen (Masyn 2013; Spurk/Hirschi/Wang et al. 2020; Bauer 2022)14, die explorativ durchgeführt wurden, um ein Verständnis für die Datenstruktur zu erlangen. Die Latent-Profile-Analyse (LPA) ist ein Gruppierungsverfahren, das den Mixture Models zuzurechnen ist. Bei Latent-Profile-Analysen wird angenommen, dass eine multivariate Häufigkeitsverteilung in einem Datensatz auf eine unbeobachtete, diskrete Variable (sogenannte latente Klassen) zurückzuführen ist. Klassenzuweisungen erfolgen probabilistisch anhand von Häufigkeitsverteilungen bzw. Mittelwerten („Modal Assignment“; Masyn 2013; Bauer 2022), das heißt, Unsicherheiten der ermittelten Zuweisungen werden konzeptionell berücksichtigt. Aufgrund dieses probabilistischen Ansatzes erlauben Mixture Models die Berechnung von Fit Indices zur Bestimmung der Güte gefundener Lösungen und zur Ermittlung der Klassenanzahl. Gleichzeitig sind die Fit Indices mitunter uneindeutig und können zu Fehlinterpretationen führen (Spurk/Hirschi/Wang et al. 2020). In diesen Fällen wird eine ergänzende Prüfung von Scree-Plots (bezogen auf die Entwicklung von Indices in Abhängigkeit von der Klassenanzahl) und den Charakteristika der ermittelten Klassen anhand der sogenannten Profile Plots erforderlich (Masyn 2013; Bauer 2022): Hier werden standardisierte Werte dargestellt, um für jede Variable die Abweichungen der ermittelten Klassen vom globalen Mittelwert zu illustrieren. Gemeinhin sollten sich Klassen qualitativ voneinander unterscheiden, während quantitativen Unterschieden keine wesentlich verbesserte Aussagekraft gegenüber einer geringeren Klassenanzahl zugeschrieben wird (Spurk/Hirschi/Wang et al. 2020).
In dem hier beschriebenen, iterativ-heuristischen Prozess (vgl. Kapitel 2.1) wurde in jeder Iteration eine Latent-Profile-Analyse mit jeweils wechselnder Kombination von Variablen durchgeführt (zum Verlauf der Variablenauswahl vgl. Kapitel 2.1; zur Variablenübersicht vgl. Tabelle 1). Dabei wurde die Klassenanzahl anhand von Fit Indices, Profile Plots bzw. Scree-Plots ermittelt, bevor Kartierungen und deskriptiv-statistische Vergleiche der Klassenzuweisungen genutzt wurden, um die Plausibilität und Aussagekraft ermittelter Klassen zu überprüfen. Diese Vorgehensweise wurde mit unterschiedlichen Variablensets wiederholt, bis sich ein hinreichend differenziertes und plausibles Bild von der Datenstruktur ergab. Aufbauend auf den Kartierungen und deskriptiven Statistiken (insbesondere Profile Plots) wurde die Anzahl der Klassen auf sieben festgesetzt, weil zusätzliche Klassen die Aussagekraft der Klassifikation nicht nennenswert verbesserten. Anhand der Latent-Profile-Analysen ließen sich folgende potenzielle Wohnumfeldtypen abgrenzen: Geschäftszentren, weitere Gebiete mit erhöhter Angebotsdichte, Gebiete mit hohen Flächenanteilen landwirtschaftlich genutzter Flächen (jeweils innerhalb und außerhalb des geschlossenen Siedlungszusammenhangs), Gebiete mit hohen Flächenanteilen forstwirtschaftlich genutzter Flächen und Gebiete mit hauptsächlicher Wohnfunktion.
Mit einem Anteil von rund 40-45 % (je nach Variablenauswahl und Klassenanzahl) an allen zufällig generierten Punkten bildeten Gebiete mit hauptsächlicher Wohnfunktion in allen Latent-Profile-Analysen die mit Abstand größte Gruppe. Allerdings war es mit unterschiedlichen Variablensets nicht möglich, eine Differenzierung innerhalb der Wohngebiete mit hauptsächlicher Wohnfunktion nach dem Anteil von Mehrfamilienhäusern herbeizuführen. Eine solche Differenzierung wurde jedoch als notwendig erachtet, weil andernfalls recht unterschiedliche Wohnumfelder (Einfamilienhaussiedlungen und Großwohnsiedlungen) in einem Typ gebündelt worden wären, wodurch die Aussagekraft der Wohnumfeldtypologie gemindert worden wäre. Dementsprechend wurde die grundsätzlich plausible Strukturierung der Stichprobe mittels Latent-Profile-Analyse durch manuelle Filterung weitgehend repliziert, in zwei Aspekten jedoch modifiziert: Wohnumfelder land- und forstwirtschaftlicher Prägung im geschlossenen Siedlungszusammenhang wurden zusammengeführt und Wohnumfelder mit hauptsächlicher Wohnfunktion bei erhöhtem Mehrfamilienhausanteil wurden als eigenständiger Wohnumfeldtyp unter Nutzung der Volumenanteile großer Gebäude (≥ 1.500 m3) herausgearbeitet. Die in diesem Arbeitsschritt genutzten Schwellenwerte wurden heuristisch bestimmt, damit sich die endgültige Wohnumfeldtypologie an die zuvor ermittelten Ergebnisse der Latent-Profile-Analysen annähert.
Nr. | Wohnumfeldtyp | Kurzbezeichnung | Puffer (m) | Filterkriterium | Schwellenwert | Anzahl |
|---|---|---|---|---|---|---|
1 | Wohnumfeld land-/forstwirtschaftlicher Prägung (außerhalb des geschlossenen Siedlungszusammenhangs) | Außenbereich | 250 | Kombinierter Flächenanteil Vegetation (Landwirtschaft, Wald, Gehölz, Heide, Moor, Sumpf, Unland/vegetationslose Fläche); AdV (2011: 24–25) | ≥ 70 % | 498.268 |
2 | Geschäftszentrum | Geschäftszentrum | 250 | Anzahl der OSM Points of Interest mit gewerblich-öffentlicher, Publikumsverkehr erzeugender Funktion | ≥ 50 | 25.471 |
3 | Wohnumfeld gewerblich-industrieller Prägung | Gewerbe/Industrie | 250 | Flächenanteil Industrie- und Gewerbefläche | ≥ 20 % | 144.581 |
4 | Wohnumfeld mit erhöhter Angebotsdichte | Angebotsverdichtung | 250 | Anzahl der OSM Points of Interest mit gewerblich-öffentlicher, Publikumsverkehr erzeugender Funktion | 15-49 | 102.776 |
5 | Wohnumfeld mit hauptsächlicher Wohnfunktion und erhöhtem Mehrfamilienhausanteil | Geschosswohnungsbau | 100 | Volumenanteil aller großen Gebäude (≥ 1.500 m3) an allen Gebäuden auf Wohnbauflächen und Flächen gemischter Nutzung | ≥ 80 % | 163.776 |
250 | Flächenanteil Wohnbaufläche | ≥ 20 % | ||||
6 | Wohnumfeld land-/forstwirtschaftlicher Prägung (im geschlossenen Siedlungszusammenhang) | Siedlungsrand | 250 | Kombinierter Anteil land- und forstwirtschaftlicher Flächen | ≥ 30 % | 739.031 |
7 | Wohnumfeld mit hauptsächlicher Wohnfunktion und geringem Mehrfamilienhausanteil | Einfamilienhaussiedlung | 250 | Kombinierter Anteil Wohnbauflächen und Flächen gemischter Nutzung | ≥ 15 % | 1.319.665 |
Nicht zugewiesen | – | – | – | 6.432 |
Um die Untersuchungseinheiten der Punkte zu Darstellungs- und Analysezwecken in die Fläche zu überführen, wurden Thiessen-Polygone auf der Basis der zufällig generierten Punkte gebildet. Thiessen-Polygone (auch Voronoi-Diagramme) stellen eine Interpolationsmethode dar, bei der Punkte genutzt werden, um Zonen zu bilden, innerhalb derer die Punkte jeweils der nächstliegende Punkt sind (Heywood/Cornelius/Carver 2011). Auf diese Weise können auch Standorte, die nicht mit den zufällig generierten Punkten übereinstimmen, einem Wohnumfeldtyp zugeordnet werden. Die Thiessen-Polygone wurden mit den 250-Meter-Puffern verschnitten und anschließend entsprechend dem Typ, dem der jeweils zugrunde liegende Punkt zugeordnet wurde, eingefärbt.
Für die nachfolgend aufgeführten Anwendungsbeispiele werden die generierten Wohnumfeldtypen auf zweierlei Weise extrahiert. Das in Kapitel 4.1 beschriebene Anwendungsbeispiel nutzt als Untersuchungseinheit einzelne (punktbasierte) Wohnstandorte, die über ihre Lage in dem jeweiligen Thiessen-Polygon der Wohnumfeldtypologie je einem Typ zugewiesen werden. In Umkehrung hierzu beziehen sich der Vergleich mit bestehenden Typologien in Kapitel 3.2 sowie das in Kapitel 4.2 beschriebene Anwendungsbeispiel auf Flächen als Untersuchungseinheit, innerhalb derer mittels Aggregation die relative Häufigkeit der Wohnumfeldtypen auf Basis der punktbasierten Zufallsstandorte bestimmt wird.
Nach einer Beschreibung ermittelter Wohnumfeldtypen wird die Typologie mit existierenden, makroskaligen Typologien verglichen.
Eigenschaften der ermittelten Wohnumfeldtypen sind in Tabelle 3 dargestellt und werden nachfolgend detailliert nach absteigender Größe der Wohnumfeldtypen beschrieben. „Wohnumfelder mit hauptsächlicher Wohnfunktion und geringem Mehrfamilienhausanteil“ (Typ 7) stellen mit deutlichem Abstand den größten Wohnumfeldtyp dar. Sie sind durch einen hohen Anteil an Wohnbauflächen bei unterdurchschnittlicher Gebäudefläche und durchschnittlichen Gebäudehöhen gekennzeichnet. In Bezug auf durchschnittliche Gebäudemerkmale sind „Wohnumfelder land- bzw. forstwirtschaftlicher Prägung im geschlossenen Siedlungszusammenhang“ (Typ 6, zweitgrößter Typ) mit Typ 7 vergleichbar, allerdings ist die Flächennutzungsstruktur durch überdurchschnittliche Anteile land- und forstwirtschaftlicher Nutzungen gekennzeichnet. In Groß- und Mittelstädten befinden sich Wohnumfelder der Typen 6 und 7 vermehrt im suburbanen Raum oder in Randlage. In ländlichen Kontexten liegen Wohnumfelder des Typs 7 häufiger im Siedlungskern, während sich Wohnumfelder des Typs 6 entweder in Randlage befinden oder im Fall kleiner bzw. disperser Siedlungsstrukturen den hauptsächlichen Wohnumfeldtyp bilden. „Wohnumfelder land- bzw. forstwirtschaftlicher Prägung außerhalb des geschlossenen Siedlungszusammenhangs“ (Typ 1) bilden die drittgrößte Gruppe und zeichnen sich durch die höchsten Anteile land- bzw. forstwirtschaftlich genutzter Flächen sowie die niedrigsten Dichten in Bezug auf Bebauung, Angebotsstruktur und Straßenverkehrsnetze aus. Diese Wohnumfelder umfassen vermehrt Weiler oder einzelne land- bzw. forstwirtschaftliche Betriebe. Die räumliche Verteilung der Wohnumfeldtypen lässt sich exemplarisch Abbildung 2 entnehmen; die Verteilung von Wohnumfeldtypen nach Siedlungsgröße wird vertieft in Kapitel 3.2 diskutiert.
„Wohnumfelder mit hauptsächlicher Wohnfunktion und erhöhtem Mehrfamilienhausanteil“ (Typ 5) sind durch eine überdurchschnittliche Präsenz großer Gebäude (in der Regel Mehrfamilienhäuser) gekennzeichnet. Im innenstadtnahen Bereich von Großstädten grenzt dieser Wohnumfeldtyp oftmals an Wohnumfelder des Typs 4. Hier befinden sich vermehrt Geschosswohnungsbauten (Blockrandbebauung), standortabhängig vereinzelt jedoch auch Villen aus der ersten Hälfte des 20. Jahrhunderts. Suburbane Wohnumfelder des Typs 5 umfassen demgegenüber Großwohnsiedlungen und weitere Mehrfamilienhäuser (vor allem im sozialen Wohnungsbau). In Ausnahmefällen werden wegen ihrer großen Betriebsgebäude auch landwirtschaftliche Betriebe im geschlossenen Siedlungszusammenhang in Typ 5 sortiert.
Flächenanteil | Anteil | Anzahl | Median | Anteil | Anzahl | Anteil | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Typ | Wohnbaufläche | Sport‑, Freizeit- und Erholungsfläche | Fläche gemischter Nutzung | Platz (ohne Parken) | Industrie- und Gewerbefläche | Straßenverkehr | Landwirtschaft | Wald | Bebaute Wohnbau- und Mischfläche* | Gebäude* | Gebäudefläche (Quadratmeter)* | Gebäudehöhe (Meter)* | Maximales Gebäudevolumen (Kubikmeter)* | Große Gebäude (≥ 1.500 m3) im Umkreis von 100 Metern* | OSM Points of Interest | Typ |
1: Außenbereich | 3,68 | 1,28 | 5,98 | 0,02 | 0,47 | 2,61 | 69,10 | 10,90 | 21,54 | 29,29 | 126,99 | 8,53 | 1144,61 | 65,03 | 0,05 | 16,64 |
2: Geschäftszentrum | 22,58 | 4,34 | 23,17 | 2,25 | 8,57 | 21,71 | 0,15 | 0,13 | 56,15 | 410,14 | 104,34 | 14,24 | 1513,18 | 83,29 | 85,10 | 0,85 |
3: Gewerbe/Industrie | 23,07 | 4,60 | 5,98 | 0,30 | 32,38 | 11,70 | 8,33 | 2,79 | 26,38 | 169,75 | 84,96 | 9,04 | 814,21 | 57,00 | 3,12 | 4,83 |
4: Angebotsverdichtung | 39,14 | 5,89 | 13,52 | 0,99 | 5,34 | 17,20 | 1,42 | 0,76 | 37,82 | 383,17 | 87,66 | 11,31 | 1050,13 | 69,54 | 24,98 | 3,43 |
5: Geschosswohnungsbau | 44,44 | 8,85 | 5,28 | 0,31 | 3,90 | 14,97 | 5,27 | 3,01 | 28,24 | 249,72 | 96,70 | 11,03 | 1121,77 | 89,56 | 3,62 | 5,47 |
6: Siedlungsrand | 26,72 | 4,47 | 4,87 | 0,10 | 1,79 | 7,17 | 37,84 | 9,53 | 22,10 | 174,58 | 72,02 | 8,07 | 590,83 | 36,19 | 0,44 | 24,69 |
7: Einfamilienhaussiedlung | 52,15 | 7,20 | 3,88 | 0,24 | 2,98 | 12,81 | 6,91 | 2,57 | 25,49 | 377,26 | 63,37 | 8,54 | 544,18 | 35,67 | 2,14 | 44,08 |
Gesamt | 35,22 | 5,48 | 5,14 | 0,22 | 3,87 | 10,01 | 24,60 | 5,63 | 24,87 | 252,34 | 80,20 | 8,73 | 726,72 | 46,26 | 2,99 | 99,99 |
Die kartographischen Betrachtungen der Wohnumfeldtypologie zeigen ein Muster visuell abgrenzbarer Wohnumfeldtypen, allerdings sind räumliche Wechsel zwischen den Typen nicht als harte Grenzen, sondern als Verläufe siedlungsstruktureller Übergänge (im Sinne von „fuzzy sets“; Sui 1992) zu verstehen. Weiterhin wurde die Wohnumfeldtypologie im Attributraum erstellt, ohne räumliche Distanzen zwischen den zufällig generierten Standorten raumstatistisch abzubilden. Die Typologie berücksichtigt außerdem keine administrativen Grenzen oder Größen kommunaler Gebietskörperschaften. Die mit der Typologie verbundenen Aussagen über die funktionale Bedeutung von Wohnumfeldern beziehen sich ausschließlich auf die nahräumliche Angebotsstruktur, Bebauung und Flächennutzung im Puffer, nicht aber auf die räumliche Lage im Kontext der gesamten Siedlungsstruktur. Dennoch führen Merkmalskombinationen von Flächennutzungsmustern, Angebots- und Bebauungsstrukturen mitunter zu kartographischen Mustern, deren visuelle Interpretation zum Teil ‚relative‘ Zentren nahelegen, die allerdings nur in Abhängigkeit von den jeweils betrachteten geographischen Teilausschnitten als solche verstanden können (vgl. Abbildung 2 a und c). So kommen beispielsweise Standorte des Typs 4 in Cityrandlagen, Stadtteilzentren und Zentren von Klein- und Mittelstädten vor.
Stadt- und Gemeindetyp differenziert | Anteil Wohnumfeldtyp | Anteil Nordrhein-Westfalen | ||||||
|---|---|---|---|---|---|---|---|---|
1: Außenbereich | 2: Geschäftszentrum | 3: Gewerbe/Industrie | 4: Angebotsverdichtung | 5: Geschosswohnungsbau | 6: Siedlungsrand | 7: Einfamilienhaussiedlung | ||
Größere Großstadt | 2,00 | 2,71 | 5,95 | 8,67 | 19,08 | 9,15 | 52,44 | 8,80 |
Kleine Großstadt | 6,38 | 1,24 | 6,55 | 4,78 | 10,93 | 15,79 | 54,33 | 19,25 |
Größere Mittelstadt | 10,31 | 1,02 | 5,75 | 3,05 | 4,86 | 21,90 | 53,12 | 16,34 |
Kleine Mittelstadt | 20,93 | 0,62 | 4,49 | 2,51 | 2,02 | 27,38 | 42,05 | 30,61 |
Größere Kleinstadt | 26,90 | 0,09 | 3,01 | 1,96 | 1,18 | 36,17 | 30,68 | 19,99 |
Kleine Kleinstadt | 36,21 | – | 2,63 | 1,81 | 0,83 | 32,06 | 26,45 | 4,77 |
Landgemeinde | 18,33 | – | 1,63 | 1,57 | 0,54 | 50,58 | 27,35 | 0,25 |
Regionalstatistischer Raumtyp (RegioStaR 17) | Wohnumfeldtyp | Anteil Nordrhein-Westfalen | ||||||
|---|---|---|---|---|---|---|---|---|
1: Außenbereich | 2: Geschäftszentrum | 3: Gewerbe/Industrie | 4: Angebotsverdichtung | 5: Geschosswohnungsbau | 6: Siedlungsrand | 7: Einfamilienhaussiedlung | ||
Metropolitane Stadtregion - Metropole | 2,00 | 2,71 | 5,95 | 8,67 | 19,08 | 9,15 | 52,44 | 8,80 |
Metropolitane Stadtregion - Großstadt | 4,78 | 1,21 | 6,89 | 4,66 | 11,84 | 14,51 | 56,10 | 13,67 |
Metropolitane Stadtregion - Mittelstadt | 9,17 | 0,98 | 5,36 | 3,62 | 4,84 | 22,12 | 53,90 | 15,21 |
Metropolitane Stadtregion - Verstädterter Raum | 17,55 | 0,35 | 4,21 | 2,96 | 2,11 | 33,81 | 39,01 | 5,76 |
Metropolitane Stadtregion - Kleinstädtisch, dörflicher Raum | 25,28 | – | 0,99 | 2,39 | 0,62 | 38,50 | 32,22 | 1,01 |
Regiopolitane Stadtregion - Regiopole | 9,71 | 1,39 | 5,54 | 5,55 | 9,28 | 19,04 | 49,48 | 4,93 |
Regiopolitane Stadtregion - Mittelstadt | 20,04 | 0,65 | 5,83 | 2,13 | 1,84 | 22,11 | 47,40 | 7,80 |
Regiopolitane Stadtregion - Verstädterter Raum | 29,26 | 0,24 | 3,87 | 2,21 | 1,15 | 27,62 | 35,66 | 7,18 |
Regiopolitane Stadtregion - Kleinstädtischer, dörflicher Raum | 28,66 | 0,09 | 2,45 | 2,20 | 1,20 | 33,90 | 31,50 | 2,81 |
Stadtregionsnahe ländliche Region - Zentrale Stadt | 13,33 | 0,96 | 5,28 | 2,26 | 3,95 | 25,91 | 48,32 | 6,02 |
Stadtregionsnahe ländliche Region - Mittelstadt | 23,24 | 0,63 | 4,67 | 1,91 | 1,72 | 27,50 | 40,33 | 8,13 |
Stadtregionsnahe ländliche Region - Verstädterter Raum | 28,28 | 0,23 | 3,53 | 1,97 | 1,04 | 33,47 | 31,48 | 7,89 |
Stadtregionsnahe ländliche Region - Kleinstädtischer, dörflicher Raum | 32,74 | 0,00 | 2,38 | 1,60 | 1,22 | 37,36 | 24,70 | 7,59 |
Periphere ländliche Region - Mittelstadt | 23,23 | 0,46 | 2,01 | 1,79 | 1,86 | 40,52 | 30,12 | 1,46 |
Periphere ländliche Region - Verstädterter Raum | 14,51 | – | 2,97 | 1,00 | 0,66 | 45,37 | 35,48 | 0,35 |
Periphere ländliche Region - Kleinstädtischer, dörflicher Raum | 29,45 | 0,31 | 1,83 | 2,13 | 0,67 | 41,65 | 23,96 | 1,37 |
Durch den ausschließlich nahräumlichen Bezug der Wohnumfeldtypologie ist es möglich, dass zufällig generierte Standorte desselben Typs in Siedlungskontexten unterschiedlicher Größe Ähnlichkeiten aufweisen, die die Typenzugehörigkeit zwar statistisch begründen, aber nicht mit der realen Wahrnehmung der Wohnumfelder aufgrund der unterschiedlichen Siedlungsgröße übereinstimmen. So kann beispielsweise ein Wohnumfeld mit erhöhter Angebotsdichte (Typ 4) sowohl in einer Großstadt als auch in einer Kleinstadt vorkommen, ist aber kontextabhängig entweder als zentrennahes Wohnumfeld, Stadtteilzentrum oder Zentrum einer Kleinstadt zu interpretieren. Dementsprechend sollten Studien zu räumlichen Einflüssen auf individuelles Verhalten (bzw. Wahrnehmungen und Einstellungen) berücksichtigen, dass Wohnumfeldtypen mit anderen Kontexteinflüssen interagieren könnten. Hierfür können die hier dargestellte Wohnumfeldtypologie und andere, gröbere Typologien wechselseitig ergänzt werden.
In den folgenden, deskriptiv angelegten Anwendungsbeispielen wird die Nutzbarkeit der Wohnumfeldtypologie als unabhängige Variable zur Analyse individuellen Verkehrsverhaltens sowie als Strukturierungsschema für raumbezogene Sekundärdaten zum politischen Wahlverhalten illustriert.
Exemplarisch werden Daten einer 2020 durchgeführten Elternbefragung von Grundschulkindern zu deren Mobilitätsverhalten in Hinblick auf mögliche Zusammenhänge mit dem Wohnumfeld analysiert. Die Befragung erfolgte im Rahmen des Projekts „Grundschulkinder unterwegs – Die Bedeutung der verkehrlichen und baulichen Umwelt für kindliche Mobilität“ in Dortmund. Sie wurde an insgesamt 13 Schulstandorten in urbanen bis mehrheitlich suburban-ländlichen Stadtteilen durchgeführt. Von den insgesamt 1.220 gültigen Rückmeldungen enthielten 792 eine freiwillige Angabe zum (ungefähren) Wohnstandort. Wie in Kapitel 2.5 beschrieben, wurden die Wohnstandorte dem Wohnumfeldtyp entsprechend ihrer Lage in den Thiessen-Polygonen zugewiesen.
Bei der Befragung wurde unter anderem abgefragt, mit welchen Personen und welchen Verkehrsmitteln die Kinder an den drei Schultagen vor der Befragung zur und von der Schule gekommen sind (insgesamt sechs Wege). Außerdem wurden Haushaltsmerkmale wie Haushaltsform und die Anzahl der verfügbaren Pkw ebenso erhoben wie die elterliche Verkehrsmittelnutzung auf dem Arbeitsweg. Auf dieser Basis wurden unter anderem die Länge des kürzesten Wegs zwischen Wohn- und Schulstandort berechnet und die Anzahl der Unfälle sowie die modellierten Verkehrsstärken entlang dieses Weges ermittelt. Für den exemplarischen Vergleich wird im Folgenden deskriptiv untersucht, inwieweit die Kontextvariablen der Schulwegmobilität von Grundschulkindern in Abhängigkeit vom bewohnten Wohnumfeld variieren.
Tabelle 6 zeigt die Häufigkeitsverteilung der Wohnumfeldtypen, die in der Stichprobe vorhanden sind, sowie eine Auswahl von Variablen zur Charakterisierung des Verkehrsverhaltens und seiner Kontextfaktoren. Bedingt durch die geringen Fallzahlen in den Typen 1 und 2 richten sich die nachfolgenden Betrachtungen ausschließlich auf die Wohnumfeldtypen 3 bis 7. Knapp die Hälfte der Stichprobe lebt an einem Wohnstandort, der gemäß Wohnumfeldtypologie als Wohnumfeld mit hauptsächlicher Wohnfunktion und geringem Mehrfamilienhausanteil (Typ 7) klassifiziert ist, während ein weiteres Zehntel in land- und forstwirtschaftlich geprägten Wohnumfeldern lebt (Typ 6). Dies spiegelt einerseits den großen Anteil der beiden Typen an der Gesamtmenge zufällig generierter Standorte (vgl. Tabelle 2), andererseits aber auch die räumliche Lage der untersuchten Schulstandorte in überwiegend suburbanen bis ländlichen Siedlungsstrukturen wider. Ein weiteres knappes Viertel der Stichprobe lebt in Wohnumfeldern mit hauptsächlicher Wohnfunktion und erhöhtem Mehrfamilienhausanteil (Typ 5).
Anteil (in %) | Mittelwert | Anteil (in %) | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
Typ | Begleiteter Schulweg1 | Aktiver Schulweg2 | Haushaltstyp: Familie mit Kindern | Verkehrsmittelnutzung Pendelweg Eltern3: Fahrrad | Verkehrsmittelnutzung Pendelweg Eltern3: Fuß | Verkehrsmittelnutzung Pendelweg Eltern3: motorisiert | Verkehrsmittelnutzung Pendelweg Eltern3: ÖPNV | Länge Schulweg (m) | Anzahl verfügbarer Pkw | Anzahl der Unfälle entlang des Schulwegs 2019-2021 | Mittlere modellierte Verkehrsstärke entlang des Schulwegs | Typ |
1: Außenbereich | 62,50 | 37,50 | 87,50 | 31,25 | 6,25 | 93,75 | 12,50 | 3289,47 | 1,88 | 7,44 | 1779,67 | 2,02 |
2: Geschäftszentrum | 100,00 | 50,00 | 50,00 | 25,00 | 50,00 | 25,00 | 50,00 | 1527,15 | 0,67 | 37,00 | 10553,99 | 0,51 |
3: Gewerbe/Industrie | 67,86 | 44,64 | 87,50 | 25,00 | 30,36 | 76,79 | 19,64 | 1639,08 | 1,15 | 25,31 | 12204,99 | 7,07 |
4: Angebotsverdichtung | 51,35 | 60,81 | 78,38 | 20,27 | 22,97 | 70,27 | 27,03 | 1526,34 | 1,21 | 21,01 | 8146,73 | 9,34 |
5: Geschosswohnungsbau | 53,80 | 53,26 | 78,80 | 18,48 | 20,65 | 69,57 | 25,54 | 1088,69 | 1,29 | 8,65 | 5162,75 | 23,23 |
6: Siedlungsrand | 59,72 | 52,78 | 90,28 | 11,11 | 6,94 | 91,67 | 11,11 | 1402,94 | 1,75 | 4,34 | 3304,74 | 9,09 |
7: Einfamilienhaussiedlung | 54,66 | 55,18 | 83,94 | 12,69 | 10,10 | 85,49 | 21,76 | 1162,95 | 1,53 | 6,46 | 4550,27 | 48,74 |
Neben ihrer Anwendung auf punktspezifische Datenbestände kann die Wohnumfeldtypologie auch als interpretativer Rahmen für flächenbezogene Sekundärdaten unterschiedlicher Maßstäblichkeit herangezogen werden. Exemplarisch werden hier die Wahlergebnisse für die Europawahl 2024 in Aachen untersucht, um zu ermitteln, inwieweit das politische Wahlverhalten mit den nahräumlichen Wohnbedingungen zusammenhängt. Politische Einstellungen im räumlichen Kontext werden bislang oftmals polarisierend zwischen Stadt und Land analysiert und diskutiert (vgl. z. B. D’Antonio 2017; Richter/John 2022; Stroppe/Jungmann 2022; Haffert/Mitteregger 2023), ohne die siedlungsstrukturellen Unterschiede innerhalb städtischer und ländlicher Regionen (vgl. Kapitel 1 und Tabelle 5) vertiefend zu beleuchten. Demgegenüber erlaubt die kleinräumige Wohnumfeldtypologie eine differenziertere Betrachtung politischer Einstellungen innerhalb kommunaler Gebietskörperschaften. Derartige Analysen könnten helfen, raumbezogene Erklärungsansätze der politischen Willensbildung im Kontext der alltäglichen Lebensführung zu verbessern (z. B. in Hinblick auf Einstellungen gegenüber parteispezifischen Konzepten der Wohnungs- oder Verkehrspolitik).
Der tabellarische Vergleich (vgl. Tabelle 7) zeigt deutliche Unterschiede im Wahlverhalten zwischen Stimmbezirken, in denen jeweils Wohnumfelder mit überdurchschnittlicher Angebotsdichte und Wohnumfelder mit hauptsächlicher Wohnfunktion dominieren: In ersteren finden sich die höchsten Stimmenanteile für die Grünen und auch die sonst als Kleinpartei geltende Volt erzielt in Stimmbezirken in Wohnlagen mit überdurchschnittlicher Angebotsdichte auffällig hohe Stimmenanteile. Gleichzeitig sind die Stimmenanteile für die CDU hier (Typen 2 und 4) im Vergleich zu anderen Wohnumfeldtypen am niedrigsten. In Stimmbezirken, die von Wohnumfeldern hauptsächlicher Wohnfunktion und geringem Mehrfamilienhausanteil (Typ 7) geprägt sind, liegen die Wahlergebnisse, mit Ausnahme eines überdurchschnittlichen Anteils für die CDU, weitgehend um den gesamtstädtischen Durchschnitt (Ähnliches gilt für Typ 6). AfD, Linke und BSW erzielen in Stimmbezirken, die von Wohnumfeldern mit hauptsächlicher Wohnfunktion und erhöhtem Mehrfamilienhausanteil geprägt sind (Typ 5), leicht überdurchschnittliche Anteile (ähnlich auch Typ 3). Weiterhin variiert der Anteil sonstiger17 Parteien im Zusammenhang mit Wohnumfeldtypen, wobei diese Parteien zusammengenommen mindestens 15 % der Stimmen in Stimmbezirken erringen konnten, die überwiegend Wohnumfelder mit erhöhter Angebotsdichte umfassen.
Anzahl | Durchschnitt | Durchschnittlicher Stimmenanteil in Prozent | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
Typ | Stimmbezirke | Wahlbeteiligung (ohne Briefwahl) (in %) | Wahlberechtigte | CDU | Grüne | SPD | AfD | FDP | LINKE | Volt | BSW | Sonstige |
1: Außenbereich | 1 | 59,41 | 161,00 | 32,28 | 19,62 | 6,96 | 8,23 | 10,13 | 1,27 | 6,33 | 6,33 | 8,85 |
2: Geschäftszentrum | 18 | 37,72 | 355,06 | 11,77 | 26,33 | 10,07 | 5,24 | 6,88 | 5,51 | 14,86 | 4,03 | 15,31 |
3: Gewerbe/Industrie | 8 | 30,44 | 244,38 | 16,15 | 13,23 | 15,09 | 16,11 | 4,05 | 4,34 | 6,56 | 7,81 | 16,66 |
4: Angebotsverdichtung | 21 | 39,53 | 402,14 | 10,66 | 26,84 | 12,39 | 5,93 | 4,90 | 6,21 | 12,76 | 4,50 | 15,81 |
5: Geschosswohnungsbau | 16 | 36,55 | 416,06 | 17,24 | 19,56 | 13,66 | 11,85 | 5,85 | 4,88 | 8,23 | 6,07 | 12,66 |
6: Siedlungsrand | 9 | 47,44 | 364,67 | 31,21 | 20,78 | 15,10 | 8,80 | 6,48 | 1,75 | 3,49 | 3,92 | 8,47 |
7: Einfamilienhaussiedlung | 60 | 42,37 | 499,78 | 27,14 | 19,90 | 15,47 | 9,75 | 6,19 | 2,67 | 4,60 | 4,99 | 9,29 |
Aachen (ohne Briefwahl) | 162 | 40,10 | 430,51 | 20,66 | 21,48 | 13,99 | 9,11 | 5,95 | 3,94 | 7,90 | 4,98 | 12,00 |
Die hier vorgestellte Typologie weist eine Reihe von Stärken auf. Im Allgemeinen erlaubt sie eine kleinräumige Differenzierung wohnumfeldbezogener Siedlungsstrukturen und ergänzt somit existierende, makroskalige Raumtypen nach unten. Sie hebt sich gegenüber studienspezifischen Typologien durch Flächendeckung über das gesamte Landesgebiet Nordrhein-Westfalens bei gleichzeitig hoher Standortdichte ab, ohne an administrative Abgrenzungen gebunden zu sein. Vielmehr ermöglicht die Typologie aufgrund ihrer Bildung im Attributraum eine distanzunabhängige, relationale Differenzierung von Wohnumfeldern, was eine kartographische Identifizierung (poly-)zentraler Raumstrukturen, auch in mittel- und kleinstädtischen sowie in ländlichen Kontexten, ermöglicht. Durch ihren nahräumlichen Bezug eignet sich die Typologie zur Repräsentation der unmittelbaren Wohnumgebung ohne Preisgabe personenbezogener Daten. Durch die ausschließliche Verwendung siedlungsstruktureller Variablen können in nachgelagerten Analysen weitere Kontextfaktoren (z. B. Sozialstruktur) gesondert untersucht werden. Im Vergleich zur Typisierung auf der Grundlage multivariater Analysemethoden ist die Typisierung mittels Filterung auf der Grundlage von Schwellenwerten mit einem deutlich geringeren Rechenaufwand verbunden und kann entsprechend leichter auf größere Stichproben (z. B. Bundesgebiet) übertragen werden.18 Weiterhin ermöglicht diese Vorgehensweise durch die Konstanz der Schwellenwerte eine einfachere Replikation als eine direkte Typologisierung auf der Basis multivariater Gruppierungsverfahren wie etwa Latent-Profile- oder Clusteranalysen. Schließlich ist die Typologie auch frei verfügbar (Hoelzel 2025).
Aufgrund ihrer Unabhängigkeit von Personenstichproben und Anwendungen ist die Typologie für eine große Bandbreite an Fragestellungen, insbesondere für vergleichende Perspektiven, einsetzbar: So wäre beispielsweise ein Einsatz in der Wanderungsforschung denkbar, etwa zur Untersuchung von Wohnpräferenzen, residenzieller Selbstselektion oder wohnbiographischen Einflüssen. Darüber hinaus könnte die Typologie auch in der Quartiers- und Segregationsforschung oder bei Sozialraumanalysen eingesetzt werden. In der Wohnungs- und Immobilienforschung könnten Wohnumfelder etwa in Hinblick auf Eigentumsquoten, Miethöhen und Bodenrichtwerte analysiert werden. Für aktionsräumliche Analysen kann die Arbeit mit einer Wohnumfeldtypologie eine nützliche Kategorisierung nichtöffentlicher Räume bieten (vgl. Hölzel 2022) und das Verständnis für Einflussfaktoren auf die Wahl von Aktivitätsorten verbessern, etwa im Zusammenhang mit Freizeitgestaltung (Scheiner 2006). Denkbar wäre außerdem ein Einsatz in der Verkehrs- und Mobilitätsforschung, etwa bei der Untersuchung von Kontextbedingungen des individuellen Verkehrsverhaltens (vgl. Kapitel 4.1) oder bei der Modellierung von Quell- und Zielverkehren. Stadtsoziologische und umweltpsychologische Studien könnten Wohnumfeldtypen als räumliche Kontextvariable zur Untersuchung von Lebenszufriedenheit und subjektivem Wohlbefinden einsetzen. Wie in Kapitel 4.2 angedeutet, könnten zudem politikbezogene Analysen auf der Basis von Wohnumfeldern zu einer verbesserten Differenzierung des Raumbezugs in politischen Diskursen beitragen. Im Allgemeinen eignet sich die Wohnumfeldtypologie als Werkzeug zur Charakterisierung städtischer Teilräume etwa bei der Auswahl von Untersuchungsräumen in wissenschaftlichen Studien. Wenngleich die Muster der Wohnumfeldtypologie nicht als feste Grenzen zu interpretieren sind, so kann ein Vergleich mit administrativen Abgrenzungen statistischer Teilgebiete in Großstädten dennoch zu einem verbesserten Zuschnitt räumlicher Aggregationseinheiten beitragen. Außerdem könnte die Typologie mit Flächennutzungs- und Bebauungsplänen verglichen werden.
Die hier vorgestellte Wohnumfeldtypologie weist eine Reihe inhaltlicher Schwächen auf. So liegt mit 16,6 % ein recht großer Teil der zufällig generierten Punkte des „Wohnumfelds land-/forstwirtschaftlicher Prägung (außerhalb des geschlossenen Siedlungszusammenhangs)“ (Typ 1) im Außenbereich. Dies ist vorrangig auf Mischflächen im land- und forstwirtschaftlichen Bereich zurückzuführen, die nicht immer mit einer tatsächlichen Wohnfunktion belegt sind (AdV 2011: 13). Außerdem sind im Wohnumfeldtyp „Wohnumfeld mit hauptsächlicher Wohnfunktion und erhöhtem Mehrfamilienhausanteil“ (Typ 5) vereinzelt große Villen und landwirtschaftliche Betriebe enthalten, die auch mit höheren Schwellenwerten nicht von tatsächlichen Mehrfamilienhausgebieten unterschieden werden konnten. Im Allgemeinen erfasst Typ 5 jedoch korrekterweise die Wohnumfelder, die seiner Bezeichnung entsprechen. In methodischer Hinsicht führt die Festsetzung eines Puffers das Modifiable Areal Unit Problem in die Typologie ein, da die Puffergröße mehr oder minder willkürlich gewählt wird (vgl. Kapitel 2.3). 250 Meter (für Gebäude 100 Meter) wurden in dieser Studie als Kompromiss zwischen Nahräumlichkeit und Aussagekraft erachtet, aber weitere Studien könnten mit anderen Puffergrößen eventuell bessere Ergebnisse liefern. Die Stichprobenbildung über Flächennutzungen statt über Gebäude ist zwar nicht immer exakt (etwa, wenn ein zufällig generierter Punkt außerhalb von Gebäuden liegt), aber insoweit vorteilhaft als damit nicht nur tatsächliche, sondern auch potenzielle Wohnumfelder typisiert werden, sofern Wohn- bzw. Mischnutzungen bereits über die ALKIS-Flächennutzung ersichtlich sind (z. B. für Neubau- und Konversionsgebiete). Außerdem ist die Bildung einer räumlichen Stichprobe über zufällig generierte Punkte wegen ihrer Unabhängigkeit vom Gebäudebestand besser für Langzeitvergleiche geeignet. Gleichwohl würden auch für zufällig generierte Punkte Änderungen in der Flächennutzungsstruktur Änderungen der räumlichen Stichprobe nach sich ziehen. In diesem Kontext könnten künftige Arbeiten ein flächendeckendes Punktraster zur Datenaggregation heranziehen, um die räumliche Stichprobe der Wohnumfeldtypologie nicht nur vom Gebäudebestand, sondern auch von der Flächennutzungsstruktur zu entkoppeln. Die hier verwendeten OpenStreetMap-Daten könnten als „Volunteered Geographic Information“ (Goodchild 2007) unzuverlässig sein, tragen in der vorliegenden Typologie jedoch zu einer plausiblen Schärfung des amtlichen Datenmaterials bei.
Für die künftige Untersuchung von Wohnumfeldtypen wäre eine Ausweitung auf andere Bundesländer und das Bundesgebiet ebenso denkbar wie eine kritische Untersuchung zum Einfluss des Maßstabs und der Puffergröße auf die Typisierungsergebnisse. Eine Erhöhung der Punktdichte könnte den Detaillierungsgrad der Wohnumfeldtypologie weiter erhöhen. Schließlich könnte auf Basis der Wohnumfeldtypologie auch eine standardisierte Skala zur anonymisierten Erhebung von Wohnumfeldtypen in schriftlichen Befragungen konzipiert werden. Die hier vorgestellte Typologie basiert auf Daten aus den Jahren von 2022 bis 2024 und bildet somit nur einen relativ kurzen Zeitraum ab. Für das Verständnis von Stadtentwicklungsprozessen (z. B. Suburbanisierung und Reurbanisierung) könnten allerdings wiederholte Analysen im Sinne einer langfristigen Raumbeobachtung Aufschluss über die Dynamik von Wohnumfeldern geben, insbesondere bei Änderungen der Angebotsstruktur auf Siedlungsflächen konstanter Größe (Ausdünnung von Angeboten, Nachverdichtung).
Literatur
| AdV – Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland (2011): Katalog der tatsächlichen Nutzungsarten im Liegenschaftskataster und ihrer Begriffsbestimmungen. https://www.adv-online.de/AdV-Produkte/Liegenschaftskataster/Download/ (16.09.2024). |
| Bauer J. (2022): A Primer to Latent Profile and Latent Class Analysis. In: Goller, M.; Kyndt, E.; Paloniemi, S.; Damşa, C. (Hrsg.): Methods for Researching Professional Learning and Development. Challenges, Applications and Empirical Illustrations. Cham, 243–268. https://doi.org/10.1007/978-3-031-08518-5_11 |
| BBSR – Bundesinstitut für Bau‑, Stadt- und Raumforschung (Hrsg.) (2012): Raumabgrenzungen und Raumtypen des BBSR. Bonn. = Analysen Bau.Stadt.Raum 6. |
| Böltken, F.; Gatzweiler, H.-P.; Meyer, K. (2007): Das Kooperationsprojekt „Innerstädtische Raumbeobachtung“: Rückblick, Ausblick, Ergebnisse. Informationsgrundlagen für Stadtforschung und Stadtentwicklungspolitik. In: BBR – Bundesamt für Bauwesen und Raumordnung (Hrsg.): Innerstädtische Raumbeobachtung: Methoden und Analysen. Bonn, 7–22. = Berichte des BBR 25. |
| Broberg, A.; Salminen, S.; Kyttä, M. (2013): Physical Environmental Characteristics Promoting Independent and Active Transport to Children’s Meaningful Places. In: Applied Geography 38, 43–52. https://doi.org/10.1016/j.apgeog.2012.11.014 |
| Cao, X.; Mokhtarian, P. L.; Handy, S. L. (2009): Examining the Impacts of Residential Self-Selection on Travel Behaviour: A Focus on Empirical Findings. In: Transport Reviews 29, 3, 359–395. https://doi.org/10.1080/01441640802539195 |
| Chen, C.-Y.; Koch, F.; Reicher, C. (2024): Developing a Two-Level Machine-Learning Approach for Classifying Urban Form for an East Asian Mega-City. In: Environment and Planning B: Urban Analytics and City Science 51, 4, 854–869. https://doi.org/10.1177/23998083231204606 |
| D’Antonio, O. (2017): Stadt, Land, Partei – neue Asymmetrien im Parteienwettbewerb? In: Bukow, S.; Jun, U. (Hrsg.): Parteien unter Wettbewerbsdruck. Wiesbaden, 123–150. https://doi.org/10.1007/978-3-658-16600-7_6 |
| Destatis (2025): Fortschreibung Wohngebäude- und Wohnungsbestand. Wohngebäude, Wohnungen, Wohnfläche: Bundesländer, Stichtag, Anzahl der Wohnungen. Tabelle 31231-0014. https://www-genesis.destatis.de/datenbank/online/statistic/31231/table/31231-0014 (07.02.2025). |
| Fleischmann, M.; Arribas-Bel, D. (2022): Geographical Characterisation of British Urban Form and Function Using the Spatial Signatures Framework. In: Scientific Data 9, 546. https://doi.org/10.1038/s41597-022-01640-8 |
| Goodchild, M. F. (2007): Citizens as Sensors: The World of Volunteered Geography. In: GeoJournal 69, 4, 211–221. https://doi.org/10.1007/s10708-007-9111-y |
| Haffert, L.; Mitteregger, R. (2023): Cohorts and Neighbors: Urban-Rural Conflict Along the Age Gradient. In: Electoral Studies 86, 102705. https://doi.org/10.1016/j.electstud.2023.102705 |
| Heywood, I.; Cornelius, S.; Carver, S. (2011): An Introduction to Geographical Information Systems. Harlow. |
| Hölzel, D. J. (2022): Aktionsräume als Gegenstand interdisziplinärer und internationaler Forschung. In: Raumforschung und Raumordnung | Spatial Research and Planning 80, 2, 168–185. https://doi.org/10.14512/rur.101 |
| Hoelzel, D. J. (2025): GRET – A Typology of Residential Environments in Germany. Dataset. Zenodo. https://doi.org/10.5281/zenodo.14168168 |
| Küpper, P. (2016): Abgrenzung und Typisierung ländlicher Räume. Braunschweig. = Thünen Working Paper 68. |
| Kwan, M.-P. (2012): The Uncertain Geographic Context Problem. In: Annals of the Association of American Geographers 102, 5, 958–968. https://doi.org/10.1080/00045608.2012.687349 |
| Li, N.; Quan, S. J. (2023): Identifying Urban Form Typologies in Seoul Using a New Gaussian Mixture Model-Based Clustering Framework. In: Environment and Planning B: Urban Analytics and City Science 50, 9, 2342–2358. https://doi.org/10.1177/23998083231151688 |
| Lin, J.-S.; Chan, F. Y.; Leung, J.; Yu, B.; Lu, Z.-H.; Woo, J.; Kwok, T.; Lau, K.K. (2020): Longitudinal Association of Built Environment Pattern with Physical Activity in a Community-Based Cohort of Elderly Hong Kong Chinese: A Latent Profile Analysis. In: International Journal of Environmental Research and Public Health 17, 12, 4275. https://doi.org/10.3390/ijerph17124275 |
| Masyn, K. E. (2013): Latent Class Analysis and Finite Mixture Modeling. In: Little, T.D. (Hrsg.): The Oxford Handbook of Quantitative Methods. Volume 2: Statistical Analysis. Oxford, 551–611. https://doi.org/10.1093/oxfordhb/9780199934898.013.0025 |
| McDonald, K.; Hearst, M.; Farbakhsh, K.; Patnode, C.; Forsyth, A.; Sirard, J.; Lytle, L. (2012): Adolescent Physical Activity and the Built Environment. A Latent Class Analysis Approach. In: Health and Place 18, 2, 191–198. https://doi.org/10.1016/j.healthplace.2011.09.004 |
| Milbert, A. (2015): Raumabgrenzungen – Methodik und Entwicklung der BBSR-Typen. In: Meinel, G.; Schumacher, U.; Behnisch, M.; Krüger, T. (Hrsg.): Flächennutzungsmonitoring VII. Boden – Flächenmanagement – Analysen und Szenarien. Berlin, 173–179. = IÖR-Schriften 67. |
| Milbert, A. (2020): Stadt-Umland-Definitionen in der Raumbeobachtung. In: Stadtforschung und Statistik 33, 1, 2–11. |
| Müller, N.; Hecht, R.; Buchholz, S. (2017): Bebauungsstrukturklassifikation NRW – Grundlage für Klimamodellsimulationen. In: Meinel, G.; Schumacher, U.; Schwarz, S.; Richter, B. (Hrsg.): Flächennutzungsmonitoring IX. Nachhaltigkeit der Siedlungs- und Verkehrsentwicklung? Berlin, 81–91. = IÖR-Schriften 73. |
| Nash, S.; Mitra, R. (2019): University Students‘ Transportation Patterns, and the Role of Neighbourhood Types and Attitudes. In: Journal of Transport Geography 76, 200–211. https://doi.org/10.1016/j.jtrangeo.2019.03.013 |
| Openshaw, S. (1984): The Modifiable Areal Unit Problem. Norwich. = Concepts and Techniques in Modern Geography 38. |
| Ralph, K.; Turley Voulgaris, C.; Taylor, B. D.; Blumenberg, E.; Brown, A. E. (2016): Millennials, Built Form, and Travel Insights from a Nationwide Typology of U.S. Neighborhoods. In: Journal of Transport Geography 57, 218–226. https://doi.org/10.1016/j.jtrangeo.2016.10.007 |
| Richter, S.; John, S. (2022): Stadt, Land, Wahlverhalten. Die politische Geographie der Bundestagswahl 2021. Berlin. = böll.brief Demokratie & Gesellschaft #32. |
| Rosenberg, J. M.; Beymer, P. N.; Anderson, D. J.; van Lissa, C. J.; Schmidt, J. A. (2018): tidyLPA: An R Package to Easily Carry Out Latent Profile Analysis (LPA) Using Open-Source or Commercial Software. In: Journal of Open Source Software 3, 30, 978. https://doi.org/10.21105/joss.00978 |
| Scheiner, J. (2006): Wohnen und Aktionsraum: Welche Rolle spielen Lebensstil, Lebenslage und Raumstruktur? In: Geographische Zeitschrift 94, 1, 43–62. |
| Spurk, D.; Hirschi, A.; Wang, M.; Valero, D.; Kauffeld, S. (2020): Latent Profile Analysis: A Review and “How to” Guide of Its Application within Vocational Behavior Research. In: Journal of Vocational Behavior 120, 103445. https://doi.org/10.1016/j.jvb.2020.103445 |
| Stadt Aachen (2022): Open Data Portal. Stimmbezirke. https://offenedaten.aachen.de/dataset/stimmbezirke-stadt-aachen (13.09.2024). |
| Stroppe, A.-K.; Jungmann, N. (2022): Stadt, Land, Wahl: Welchen Einfluss hat der Wohnort auf die Wahlentscheidung bei der Bundestagswahl 2021? In: easy_social_sciences 67, 49–60. https://doi.org/10.15464/easy.2022.07 |
| Sui, D. Z. (1992): A Fuzzy GIS Modeling Approach for Urban Land Evaluation. In: Computers, Environment and Urban Systems 16, 2, 101–115. https://doi.org/10.1016/0198-9715(92)90022-J |
| Taubenböck, H.; Droin, A.; Standfuß, I.; Dosch, F.; Sander, N.; Milbert, A.; Eichfuss, S.; Wurm, M. (2022): To Be, or Not to Be ’Urban‘? A Multi-Modal Method for the Differentiated Measurement of the Degree of Urbanization. In: Computers, Environment and Urban Systems 95, 101830. https://doi.org/10.1016/j.compenvurbsys.2022.101830 |
| Zewdie, H. Y.; Robinson, J. R.; Adams, M. A.; Hajat, A.; Hirsch, J. A.; Saelens, B. E.; Mooney, S. J. (2024): A Tale of Many Neighborhoods: Latent Profile Analysis to Derive a National Neighborhood Typology for the US. In: Health and Place 86, 103209. https://doi.org/10.1016/j.healthplace.2024.103209 |
Fußnoten
| 1 | Wohnumfelder werden in dieser Arbeit als räumliche Nahbereiche (bis zu 250 Meter) von Flächen mit Wohnfunktion definiert. |
| 2 | Wenngleich sich die Typologie ausschließlich auf Nordrhein-Westfalen bezieht, so ist aufgrund des Flächenanteils dennoch anzunehmen, dass sich die hier gewonnenen Wohnumfeldtypen mindestens ansatzweise auch auf andere Bundesländer übertragen lassen. |
| 3 | Der Begriff „Angebotsstruktur“ wird hier genutzt, um verallgemeinernd räumlich verteilte Versorgungs‑, Dienstleistungs- und Kultureinrichtungen zu beschreiben (z. B. Einzelhandel, medizinische Versorgung, Gastronomie). |
| 4 | ALKIS NW Grundrissdaten; https://open.nrw/dataset/alkis-nw-grundrissdaten-geo-nrw (09.07.2024); „Tatsächliche Nutzung“. |
| 5 | Die Begrifflichkeit wurde aus AdV (2011) entnommen. Im Weiteren ist hierfür verkürzend von „(Flächen‑)Nutzungen“ die Rede, soweit nicht anders angegeben. |
| 6 | https://www.opengeodata.nrw.de/produkte/geobasis/lk/akt/hu_shp/ (03.07.2024). |
| 7 | https://download.geofabrik.de/ (16.09.2024). |
| 8 | mall, departement_store, bank, museum, theatre, town_hall, market_place, post_office, restaurant, supermarket, florist, butcher, bakery, optician, clothes, jeweller, shoe_shop, sports_shop, chemist, fast_food, cafe, pharmacy, bookshop, outdoor_shop, gift_shop, newsagent, mobile_phone_shop, computer_shop, hairdresser, toy_shop, stationery, doctors, library, clinic, dentist, pub, beauty_shop, laundry, convenience, travel_agent, kiosk, furniture_shop, toilet, bicycle_shop. |
| 9 | https://open.nrw/dataset/normalisiertes-digitales-oberflachenmodell-50-nw-geo-nrw (06.08.2024). |
| 10 | Pro Gebäude wurde jeweils die maximale Höhe extrahiert. Die Aggregation innerhalb der Puffer erfolgte anschließend über den jeweiligen Median aller Gebäude, um unangemessene Approximationen der maximalen Gebäudehöhen (z. B. durch Nebengebäude, Schornsteine oder Antennen) auszugleichen. |
| 11 | Im Zuge der Datenbereinigung wurden Gebäude mit einer Höhe von höchstens 1,5 Metern sowie Gebäude mit einer Grundfläche von weniger als 15 m2 ausgeschlossen. |
| 12 | Die Bildung einer räumlichen Stichprobe über Hausumringe wurde aus mehreren Gründen verworfen: Die Nutzung von Hausumringen als Untersuchungseinheit stellt erstens eine implizite Flächengewichtung nach Gebäudetyp dar, sodass in multivariaten Analysen Mehrfamilienhäuser trotz einer gegenüber Einfamilienhäusern wesentlich größeren Anzahl an Wohneinheiten aufgrund ihrer geringeren Häufigkeit unterrepräsentiert wären. Gemäß Destatis (2025) lag zum 31. Dezember 2023 in Nordrhein-Westfalen der Anteil von Einfamilienhäusern an der Gesamtzahl der Wohngebäude bei 62,37 % (Mehrfamilienhäuser mit mindestens drei Wohnungen: 20,85 %) und der Anteil von Einfamilienhäusern an der Wohnungsanzahl bei 27,65 % (Mehrfamilienhäuser mit mindestens drei Wohnungen: 56,49 %). Zweitens ist im Gegensatz zur Stichprobenbildung über Hausumringe die Verwendung zufällig generierter Standorte grundsätzlich unabhängig vom (veränderlichen) Gebäudebestand. Drittens beträgt die Zahl der Hausumringe auf Wohnbauflächen und Flächen gemischter Nutzung mit einer Mindestfläche von 25 m2 6,8 Millionen, wodurch die Laufzeiten bei der Datenprozessierung gegenüber 3 Millionen zufällig generierten Punkten länger wären. |
| 13 | Ausgenommen sind Wohnbauflächen und Flächen gemischter Nutzung in einem Abstand von bis zu 250 Metern zur Landesgrenze, um Verzerrungen durch Überlappung der später zu bildenden Puffer mit nicht berücksichtigten Flächen außerhalb Nordrhein-Westfalens zu vermeiden. |
| 14 | Unter den getesteten Methoden der Clusteranalyse (hierarchisch und k‑Means), der Hauptkomponentenanalyse, der Latent-Profile-Analyse und der Latent-Class-Analyse war einzig die Latent-Profile-Analyse mit dem R‑Package tidyLPA (Rosenberg/Beymer/Anderson et al. 2018) zur erfolgreichen Ermittlung von Ergebnissen in einer akzeptablen Laufzeit geeignet. Für hierarchische Clusterverfahren, die auf Distanzmatrizen aufbauen, potenziert sich die Zellhäufigkeit in Abhängigkeit von der Anzahl der eingehenden Fälle. Die hohe Zahl von drei Millionen eingehenden Fällen überstieg die Rechenkapazitäten (insbesondere Arbeitsspeicher) bei Weitem. Eine testweise durchgeführte k‑Means-Clusteranalyse lieferte keine zufriedenstellenden Ergebnisse. Bei der Durchführung einer Latent-Class-Analyse zeigte sich, dass die Berechnung mit handelsüblichen Rechnerkomponenten je nach Klassenanzahl und Anzahl der Wiederholungen mehrere Wochen Zeit in Anspruch nehmen würde. |
| 15 | https://www.bbsr.bund.de/BBSR/DE/forschung/raumbeobachtung/Raumabgrenzungen/downloads/raumgliederungen-referenzen-2022.xlsx (Bezeichnung: „Raumgliederungssystem des Bundesinstituts für Bau‑, Stadt- und Raumforschung (BBSR) zum Gebietsstand 31.12.2022; Stand: 28.08.2024“) (23.09.2024). |
| 16 | In der Befragung wurden zwar Angaben zum Einkommen abgefragt, allerdings machte hierzu ein erheblicher Teil der Eltern keine Angaben, weswegen eine Auswertung nicht möglich ist. |
| 17 | Unter „Sonstige“ sind alle Parteien zusammengefasst, die in keinem Wohnumfeldtyp einen durchschnittlichen Stimmenanteil von mindestens fünf Prozent erringen konnten. |
| 18 | Davon unberührt ist allerdings die Berechnungsdauer zur Aggregation der Daten, die sich mit einer größeren Stichprobe entsprechend deutlich verlängern kann. |