Gemeindefläche
Einfluss der Einwohnerdichte auf die finanzielle Performance Abbildung 83: Boxplot: Vergleich der ordentlichen Ausgaben nach Einwohnerdichte Wie jedoch den Abbildungen 83 und 84 entnommen werden kann, ist der Abstand zu den kleinflächigen Gemeinden um ein Vielfaches höher. Dabei ist ebenfalls auffällig, dass es in allen drei Größenklassen Ausreißer nach oben gibt, sowie der kleinste Wert in allen drei Klassen auf dem gleichen Niveau liegt. Abbildung 84: Mittelwertvergleich: Ordentliche Ausgaben nach Einwohnerdichte 86
Clusteranalyse 6 Clusteranalyse 6.1 Validierung der Größenklassen durch Clusteranalyse Nachdem in den vorigen Kapiteln der Einfluss der Gemeindefläche auf die finanzielle Performance detailliert und differenziert nach verschiedenen Kennzahlen untersucht wurde, beschäftigt sich dieses Kapitel mit der Validierung der getroffenen Annahmen zu den Größenklassen. Dabei werden nur die vielversprechendsten Ergebnisse der Gemeindefläche und des Anteils des DSR an der Gesamtfläche untersucht. Die vorgesehene Validierungsmethode ist die Clusteranalyse. Ihre Stärke liegt in dem Entdecken von Mustern und dem Finden von Zusammenhängen. Allerdings ist es mit ihrer Hilfe nicht möglich direkt, eine Größenklasseneinteilung zu validieren. Wird jedoch eine Klasseneinteilung gefunden, welche große Ähnlichkeit mit den selbstdefinierten Klassen der Kapitel 2 und 4 hat, so ist dieses Ergebnis zufriedenstellend. Eine weitere Problematik ist, dass die Clusteranalyse keine Rücksicht auf die in der Analyse festgelegte unabhängige Variable nimmt und anhand dieser die Clusterbildung vornimmt. Vielmehr wird nur aufgrund der geringsten Varianz zwischen den Variablen (Ward-Methode) eine Gruppeneinteilung vorgenommen. In den folgenden Unterkapiteln sind zwei Ergebnismuster bezogen auf die Klasseneinteilung durch die Clusteranalyse vorherrschend. Eine ist eine Einteilung bezüglich der Fläche, welche im Diagramm als horizontale Clusterung zu erkennen ist. Dabei werden die Gemeinden, wie es in der vorangegangenen Untersuchung der Fall ist, in Klassen bezüglich der Flächenkennzahl eingeordnet. Im Gegensatz dazu wird bei einer vertikalen Clusterung ein größerer Zusammenhang zwischen Gemeinden festgestellt, die eine ähnlich große Performancekennzahl aufweisen, jedoch in ihrer Flächenkennzahl stark abweichen. Es werden für die Clusterung die zwei beschriebenen Verfahren k-Means-Verfahren und das Ward-Verfahren angewendet. Die Clusterung mithilfe des k-Means-Verfahrens liefert bei der überwiegenden Mehrheit der Tests die signifikanteren Resultate. Somit werden nur diese Ergebnisse in den nächsten Kapiteln diskutiert und grafisch dargestellt. Aufgrund der Clusteranalyse ergeben sich oftmals neue Klasseneinteilungen. Somit werden die Mittelwerte und Mediane der Gruppen von den Ergebnissen der Kapitel 2 bis 4 abweichen. Auch die Signifikanz des Unterschieds zwischen den jeweiligen Klassen wird sich möglicherweise verbessern oder verschlechtern. Lediglich der Clusteranalyse 87
- Page 37 and 38: Einfluss des Dauersiedlungsraums au
- Page 39 and 40: Einfluss des Dauersiedlungsraums au
- Page 41 and 42: Einfluss des Dauersiedlungsraums au
- Page 43 and 44: Einfluss des Dauersiedlungsraums au
- Page 45 and 46: Einfluss des Dauersiedlungsraums au
- Page 47 and 48: Einfluss des Dauersiedlungsraums au
- Page 49 and 50: Einfluss des Dauersiedlungsraums au
- Page 51 and 52: Einfluss des Dauersiedlungsraums au
- Page 53 and 54: Einfluss des Dauersiedlungsraums au
- Page 55 and 56: Einfluss des Anteils des Dauersiedl
- Page 57 and 58: Einfluss des Anteils des Dauersiedl
- Page 59 and 60: Einfluss des Anteils des Dauersiedl
- Page 61 and 62: Einfluss des Anteils des Dauersiedl
- Page 63 and 64: Einfluss des Anteils des Dauersiedl
- Page 65 and 66: Einfluss des Anteils des Dauersiedl
- Page 67 and 68: Einfluss des Anteils des Dauersiedl
- Page 69 and 70: Einfluss des Anteils des Dauersiedl
- Page 71 and 72: Einfluss des Anteils des Dauersiedl
- Page 73 and 74: Einfluss der Einwohnerdichte auf di
- Page 75 and 76: Einfluss der Einwohnerdichte auf di
- Page 77 and 78: Einfluss der Einwohnerdichte auf di
- Page 79 and 80: Einfluss der Einwohnerdichte auf di
- Page 81 and 82: Einfluss der Einwohnerdichte auf di
- Page 83 and 84: Einfluss der Einwohnerdichte auf di
- Page 85 and 86: Einfluss der Einwohnerdichte auf di
- Page 87: Einfluss der Einwohnerdichte auf di
- Page 91 and 92: Clusteranalyse Dadurch haben sich e
- Page 93 and 94: Clusteranalyse Abbildung 88: EFQ un
- Page 95 and 96: Clusteranalyse Die Medianperformer
- Page 97 and 98: Clusteranalyse Abbildung 93: FSQ un
- Page 99 and 100: Clusteranalyse 6.6 Einfluss der Gem
- Page 101 and 102: Clusteranalyse Quote der freien Fin
- Page 103 and 104: Clusteranalyse Abbildung 100: EFQ u
- Page 105 and 106: Clusteranalyse 6.9 Einfluss des Dau
- Page 107 and 108: Clusteranalyse Sonntag eine extrem
- Page 109 and 110: Clusteranalyse der Medianwerte auf
- Page 111 and 112: Clusteranalyse Abbildung 109: Laufe
- Page 113 and 114: Zusammenfassende Interpretation der
- Page 115 and 116: Zusammenfassende Interpretation der
- Page 117 and 118: Zusammenfassende Interpretation der
- Page 119 and 120: Abbildungsverzeichnis 9 Abbildungsv
- Page 121: Abbildungsverzeichnis Abbildung 85:
Clusteranalyse<br />
6 Clusteranalyse<br />
6.1 Validierung der Größenklassen durch<br />
Clusteranalyse<br />
Nachdem in den vorigen Kapiteln der Einfluss der <strong>Gemeindefläche</strong> auf die finanzielle<br />
Performance detailliert und differenziert nach verschiedenen Kennzahlen untersucht<br />
wurde, beschäftigt sich dieses Kapitel mit der Validierung der getroffenen<br />
Annahmen zu den Größenklassen. Dabei werden nur die vielversprechendsten Ergebnisse<br />
der <strong>Gemeindefläche</strong> und des Anteils des DSR an der Gesamtfläche untersucht.<br />
Die vorgesehene Validierungsmethode ist die Clusteranalyse. Ihre Stärke liegt in<br />
dem Entdecken von Mustern und dem Finden von Zusammenhängen. Allerdings ist<br />
es mit ihrer Hilfe nicht möglich direkt, eine Größenklasseneinteilung zu validieren.<br />
Wird jedoch eine Klasseneinteilung gefunden, welche große Ähnlichkeit mit den<br />
selbstdefinierten Klassen der Kapitel 2 und 4 hat, so ist dieses Ergebnis zufriedenstellend.<br />
Eine weitere Problematik ist, dass die Clusteranalyse keine Rücksicht auf die in<br />
der Analyse festgelegte unabhängige Variable nimmt und anhand dieser die Clusterbildung<br />
vornimmt. Vielmehr wird nur aufgrund der geringsten Varianz zwischen den<br />
Variablen (Ward-Methode) eine Gruppeneinteilung vorgenommen.<br />
In den folgenden Unterkapiteln sind zwei Ergebnismuster bezogen auf die Klasseneinteilung<br />
durch die Clusteranalyse vorherrschend. Eine ist eine Einteilung bezüglich<br />
der Fläche, welche im Diagramm als horizontale Clusterung zu erkennen ist.<br />
Dabei werden die Gemeinden, wie es in der vorangegangenen Untersuchung der Fall<br />
ist, in Klassen bezüglich der Flächenkennzahl eingeordnet. Im Gegensatz dazu wird<br />
bei einer vertikalen Clusterung ein größerer Zusammenhang zwischen Gemeinden<br />
festgestellt, die eine ähnlich große Performancekennzahl aufweisen, jedoch in ihrer<br />
Flächenkennzahl stark abweichen.<br />
Es werden für die Clusterung die zwei beschriebenen Verfahren k-Means-Verfahren<br />
und das Ward-Verfahren angewendet. Die Clusterung mithilfe des k-Means-Verfahrens<br />
liefert bei der überwiegenden Mehrheit der Tests die signifikanteren Resultate. Somit<br />
werden nur diese Ergebnisse in den nächsten Kapiteln diskutiert und grafisch dargestellt.<br />
Aufgrund der Clusteranalyse ergeben sich oftmals neue Klasseneinteilungen.<br />
Somit werden die Mittelwerte und Mediane der Gruppen von den Ergebnissen der<br />
Kapitel 2 bis 4 abweichen. Auch die Signifikanz des Unterschieds zwischen den jeweiligen<br />
Klassen wird sich möglicherweise verbessern oder verschlechtern. Lediglich der<br />
Clusteranalyse<br />
87