Skip to main content Skip to main navigation

Publication

Unsichtbare Gruppen - sichtbare Effekte: Eine Untersuchung potenzieller Auswirkungen von Untererfassungen in deutschen Melderegisterdaten und Meldepflichtsbefreiungen auf gängige visuelle Darstellungen von Bevölkerungsgrößen in SDSS

Julia Mayer
In: Manfred Schrenk; Clemens Beyer; Tatiana Popovich; Judith Ryser; Dana Mawlood (Hrsg.). REAL CORP 2026 Proceedings/Tagungsband. International Conference on Urban Planning, Regional Development and Information Society (REAL CORP-2026), EVERYBODY PLANS ... SOMETIMES Cherish Heritage, Plan Now, Create a Better Future!, located at REAL CORP 2026, March 22-25, Wien, Austria, ISBN 978-3-9504945-5-6, CORP - Competence Center of Urban and Regional Planning, Wien, 2026.

Abstract

Datenbasierte räumliche Entscheidungsunterstützungssysteme (Spatial Decision Support Systems, kurz: SDSS) besitzen ein hohes Potenzial kommunale Planungs- und Entscheidungsprozesse effizienter zu gestalten. Ihr Einsatz ermöglicht eine umfängliche Erfassung, automatisierte Analysen und objektive Bewertungen von Kriterien - allerdings nur, wenn die zugrunde liegenden Daten von hoher Qualität und frei von Verzerrungen sind, und der Algorithmus an allen kritischen Stellen sorgfältig konzipiert wurde (Sugumaran und DeGroote, 2010). Aggregierte kommunale Melderegisterdaten sind hierbei eine häufig genutzte und zuverlässige Quelle mit überwiegend standardisierten Attributen, die auf verschiedenen räumlichen Granularitäten Informationen über die lokale Bevölkerung bereithalten (Mayer und Memmel, 2026a). Diese Daten werden von den kommunalen Stellen sorgfältig gepflegt und verarbeitet, sind jedoch aus praktischen und systembedingten Gründen nicht völlig frei von Verzerrungen. Eine solche Verzerrung ist der sogenannte Untererfassungs-Bias, der bedeutet, dass nicht alle Einwohnerinnen und Einwohner einer Kommune im Melderegister erfasst sind. Dies betrifft häufig marginalisierte Gruppen wie wohnungslose Menschen oder Personen ohne legalen Aufenthaltsstatus (BMAS, 2022 und Fisher, 1999), aber auch NATO-Angehörige (BfJ, 2020). Diese Arbeit untersucht am Beispiel der Stadt Kaiserslautern, ob und wie der Untererfassungs-Bias quantifiziert werden kann. Unter Anwendung einer softwarebasierten Exploration werden die potenziellen Auswirkungen weiterer Verarbeitungslogiken oder Konzepte auf die Genauigkeit und Verlässlichkeit von SDSS-Visualisierungen betrachtet. Zudem wird analysiert, wie Datenaggregation auf verschiedenen räumlichen Ebenen diese Effekte verstärken oder abschwächen. Häufig genutzte Darstellungsformen wie Balkendiagramme und Choroplethenkarten werden herangezogen, um diese Dynamiken zu illustrieren.

Projects