Advertisement

Geodaten und deren Analyse in der Politikwissenschaft

  • Nils B. WeidmannEmail author
  • Kristian Skrede Gleditsch
Living reference work entry
Part of the Springer Reference Sozialwissenschaften book series (SRS)

Zusammenfassung

Räumliche Daten und Phänomene spielen eine wachsende Rolle in der Politikwissenschaft. Durch die Entwicklung von Geografischen Informationssystemen (GIS) und Geodatensätzen werden Wissenschaftlern neue und mächtige Analysewerkzeuge an die Hand gegeben. In diesem Kapitel geben wir eine kurze Einführung in die Verwendung räumlicher Methoden für die politikwissenschaftliche Forschung. Wir beginnen mit grundlegenden Konzepten und diskutieren die Datentypen, die für die Speicherung räumlicher Daten verwendet werden. Anhand einiger Beispiele geben wir einen Einblick in verfügbare Datensätze, die in der Politikwissenschaft Verwendung gefunden haben. Wir beschreiben drei verschiedene Ansätze, wie GIS Werkzeuge und Daten eingesetzt werden können und diskutieren die Schwierigkeiten, die dabei auftreten können.

Schlüsselwörter

Geografische Informationssysteme Räumliche Daten Räumliche Analyse Vektordaten Rasterdaten 

1 Einleitung

Geografische Konzepte waren von jeher zentrale Elemente der Politikwissenschaft und ihrer Teildisziplinen. Eine zentrale Fragestellung in der Wahlforschung ist beispielsweise die Anlage und Manipulation von Wahlkreisen zur Maximierung des Wahlergebnisses („Gerrymandering“). Ein Beispiel aus den internationalen Beziehungen ist der Einfluss von Grenzen auf internationale Konflikte. In den letzten Jahren und Jahrzehnten gab es große Fortschritte bei der Verfügbarkeit und computerbasierten Verarbeitung von geografischen Daten, was viele neue Anwendungen auch in der Politikwissenschaft eröffnet. In diesem Kapitel geben wir eine Einführung in dieses Methodenfeld. Wir konzentrieren uns dabei auf Beispiele aus unserem eigenen Forschungsgebiet, der Analyse politischer Gewalt. In diesem Rahmen illustrieren wir allerdings generellere Aspekte bei der Verwendung und Analyse von Geodaten, die auch für Forschungsfragen aus anderen Teilgebieten relevant sind.

Wir beginnen unser Kapitel mit einer Vorstellung der Kernkonzepte geografischer Daten und der Software, mit der sie verarbeitet werden (sog. Geografische Informationssysteme – GIS). Es gibt zwei grundlegende Typen räumlicher Daten (Vektor- und Rasterdaten), die für verschiedene Anwendungen eingesetzt werden. Was kann man in der empirischen Politikwissenschaft mit diesen Daten tun? Wir diskutieren zwei Gründe für die Nutzung von GIS: Dies ist zum einen die Generierung von neuen Daten auf einer niedrigeren Analyseebene, wie z. B. von substaatlichen anstelle von nationalen Indikatoren. Ein zweiter Grund für den Einsatz von GIS ist die Analyse räumlicher Dimensionen politischer Ereignisse. So können zum Beispiel räumliche Variablen wie das Ausmaß einer Konfliktzone, die räumliche Konzentration von ethnischen Gruppen oder die Nähe zu einem Konfliktereignis im Zentrum des Forschungsinteresses sein.

2 Kernkonzepte geografischer Informationssysteme

Der breite Begriff „Geografische Informationssysteme“ beschreibt eine Familie an Software-Tools, um räumliche Daten sammeln, visualisieren und analysieren zu können. Zunächst geben wir eine kurze Einführung zur Natur von räumlichen Daten und wenden uns anschließend der Analyse solcher Daten mit GIS zu.

Räumliche Daten, die in einem GIS gespeichert sind, treten typischerweise in Form eines Vektor- oder eines Raster-Datensatzes auf. Ein Vektor-Datensatz repräsentiert geografische Merkmale (sog. „Features“) als separate Einheiten (siehe Abb. 1). Zum Beispiel können Städte als Punkte mit x- und y-Koordinaten repräsentiert werden, wohingegen komplexere Geometrien eine Menge an Punkten benötigen. Diese können zu Linien (z. B. um einen Fluss darzustellen) oder Polygonen (z. B. um einen See zu repräsentieren) verbunden werden. Ein Beispiel für einen Vektor-Datensatz ist unser cshapes Datensatz (Weidmann et al. 2010a), der Staatsgrenzen und ihre Änderungen über die Zeit beinhaltet. In cshapes ist die Grenze eines Staates zu einem gewissen Zeitpunkt als Polygon codiert.
Abb. 1

Kerntypen geografischer Vektordaten. Diese können entweder als Punkte (links), Linien (Mitte) oder Polygone (rechts) verwendet werden. (Quelle: Eigene Darstellung)

Neben den räumlichen Features eines Vektor-Datensatzes (d. h. den Punkten, Linien oder Polygonen) können nicht-räumliche Informationen in Form einer Attributtabelle angefügt werden (siehe Abb. 2). Dabei ist jede Zeile der Tabelle mit einem Feature des Datensatzes verknüpft. Zum Beispiel beinhaltet der Attributtabelle des cshapes Datensatzes den Namen eines Staates, sowie alternative Identifikationscodes. Des Weiteren erlaubt uns die Attributtabelle, die Lebensspanne des jeweiligen Polygons zu spezifizieren, da sie das erste und letzte Jahr enthält, in dem das Polygon gültig ist. Ein Polygon wird durch ein neues ersetzt, wenn sich die Staatsgrenzen aufgrund von Abspaltungen oder territorialen Eroberungen ändern.
Abb. 2

Speicherung von nicht-räumlichen Attributen in einer Attributtabelle (rechts). Jedes Feature (z. B. jedes Länderpolygon im linken Teil der Grafik) entspricht dabei einem Eintrag in der Tabelle. (Quelle: Eigene Darstellung)

Die zweite Art um Daten in GIS zu repräsentieren ist der Raster-Ansatz. Ein Raster-Datensatz ist eine Repräsentation einer kontinuierlichen räumlichen Variable. Der gesamte Raum ist dabei in gleich große Zellen aufgeteilt, und der Wert der Variable ist für jede dieser Zellen gemessen. Abb. 3 zeigt, wie territoriale Höhendaten in einem Rasterdatensatz gespeichert werden können.
Abb. 3

Illustration eines Rasterdatensatzes, welcher die Höhe über dem Meeresspiegel auf der Ebene von Rasterzellen codiert. Dabei wird der zu codierende graphische Raum in quadratische Zellen aufgeteilt (rechts), von denen jede den entsprechenden Wert des realen Höhenreliefs (links) enthält. Dabei entsprechen dunklere Schattierungen größeren Höhen. (Quelle: Gleditsch und Weidmann (2012))

Die Höhe über dem Meeresspiegel ist nur eine räumliche Variable, die häufig als Raster codiert wird. Dieser Ansatz bietet sich auch für andere Variablen wie Vegetation, menschliche Siedlungen oder meteorologische Werte (Niederschlag, Temperatur) an. Insbesondere räumliche Datensätze, die auf Satellitenbildern basieren (siehe unten), sind häufig im Raster-Format gespeichert, da die Messungen von Satelliten kontinuierlich über den geografischen Raum durchgeführt werden.

Sowohl für Raster- als auch Vektor-Daten muss der dreidimensionale Raum der Erdoberfläche auf eine zweidimensionale Karte projiziert werden. Da es unmöglich ist eine Kugel 1:1 auf einer Ebene darzustellen, haben zweidimensionale Karten notwendigerweise gewisse Verzerrungen. Nutzer geografischer Daten müssen dementsprechend entscheiden, welche Eigenschaft der Kugel beibehalten werden sollen (z. B. Fläche, Distanz, Form oder Richtung). Eine vollständige Diskussion von Kartenprojektionen und Koordinatensystemen ginge allerdings über den Rahmen dieses Kapitels hinaus, so dass wir interessierte Leser auf die einschlägige Literatur zu diesem Thema verweisen müssen (z. B. Longley et al. 2015). Es ist jedoch wichtig zu erwähnen, dass das genutzte geografische Referenzsystem ein Schlüsselparameter eines räumlichen Datensatzes ist und definiert, welche Operationen auf diesem ausgeführt werden können. Die Kombination von räumlichen Datensätzen kann normalerweise nur erfolgen, wenn diese im selben Referenzsystem vorliegen. Ist das nicht der Fall, müssen sie zunächst umprojiziert werden.

Die Wahl des richtigen Datenmodels (Vektor oder Raster) hängt von einer Vielzahl an Faktoren ab. Einer davon ist der benötigte Grad an Genauigkeit. In einem Rasterdatensatz ist die Genauigkeit durch die Größe der Rasterzellen (die Auflösung) begrenzt. In einem Vektordatensatz hingegen können individuelle Features mit einer arbiträr großen Anzahl an Punkten mit Koordinaten und daher sehr großer Präzision gespeichert werden; die Genauigkeit des Datensatzes ist deshalb theoretisch unbegrenzt. Ein zweiter Faktor ist der benötigte Grad an Flexibilität. Während Raster normalerweise nur eine einzige Variable im Raum repräsentieren können, kann ein Vektorendatensatz mehr als eine Variable für jedes im Datensatz enthaltene Feature speichern. Der dritte Faktor, der die Wahl des Datenmodells beeinflusst, ist der Rechenaufwand in der Bearbeitung und Verwendung der Daten. Aufgrund der hohen Präzision und Vielseitigkeit können Berechnungen, die auf Vektordaten beruhen, schnell komplex werden. Daher werden große, auf GIS-Daten basierende Simulationen (z. B. zu Klima- und Wettermodelle) meist mit Rasterdaten durchgeführt.

3 Quellen von GIS-Daten

Wo kommen räumliche Datensatze her? Aufgrund des im letzten Jahrzehnt stark gewachsenen Gebrauchs von GIS existieren inzwischen eine Vielzahl an GIS-Datensätzen, die für die Politikwissenschaft relevant sind. Wir geben einen kurzen Überblick über diese Datensätze. GIS-Daten können allerdings auch auf verschiedene Arten selbst erstellt werden, was wir am Ende dieses Abschnitts kurz diskutieren.

3.1 Existierende räumliche Datensätze

Wie bereits zuvor beschrieben, können räumliche Daten im Vektor- oder Rasterformat dargestellt werden. Vektorformate werden typischerweise für das Darstellen von diskreten räumlichen Einheiten genutzt, während Raster kontinuierliche Variablen über den Raum repräsentieren. Wir beschreiben Datensätze beider Formate und unterscheiden zwischen vier thematischen Kategorien: (a) Politische Datensätze zu nationalen und subnationalen Grenzen, (b) demografische Datensätze, die Bevölkerungsverteilungen oder bestimmte Gruppen darstellen, (c) sozioökonomische Datensätze, welche räumliche Informationen zu ökonomischer Aktivität, der Verteilung bestimmter Ressourcen oder Verkehrsinfrastruktur zeigen und (d) räumliche Datensätzen mit Informationen zu Umweltfaktoren.

Politisch Daten

Nationale und subnationale Grenzen sind häufig als Vektordatensätze verfügbar. Ausgehend von diesen Datensätzen ist es möglich, andere relevante Variablen – die häufig auf der Ebene politischer Einheiten generiert werden – mit der räumlichen Lage dieser Einheiten zu verknüpfen. Dadurch können Karten erstellt und räumliche Statistiken berechnet werden, oder aber räumliche Prozesse wie Diffusion analysiert werden. Unser cshapes Datensatz enthält historische Staatsgrenzen seit dem zweiten Weltkrieg als Vektorpolygone (Weidmann et al. 2010). Jedes Polygon ist mit dem Ländercode markiert, der in unserer Disziplin am häufigsten eingesetzt wird (Correlates of War und die Liste von Staaten nach Gleditsch und Ward 1999). Dadurch ist es möglich, andere nationale Variablen wie zum Beispiel das Polity Demokratie Maß (Marshall et al. 2015) mit den Datensatz zusammenzuführen und die globale Verteilung von Demokratie als Karte darzustellen. Das dazugehörige cshapes R-Paket ermöglicht die Berechnung abgeleiteter Variablen, wie zum Beispiel die kleinste Distanz zwischen Ländern (Weidmann und Gleditsch 2010). Auch subnationale Grenzen sind als GIS Datensätze verfügbar. Einer der umfassendsten ist die GADM Database of Global Administrative Areas (http://www.gadm.org/). GADM bietet Vektordatensätze der ersten und teilweise auch der zweiten Ebene administrativer Einheiten von Ländern weltweit.

Die Forschung zu politischer Gewalt hat eine Vielzahl an geografischen Datensätzen produziert, von denen wir allerdings nur wenige betrachten werden. In einem der ersten Ansätze Bürgerkriege räumlich zu referenzieren, kodierten Buhaug und Gates (2002) eine „Konfliktzone“ als den kleinsten Kreis, der alle gewalttätigen Ereignisse in einem Land und Jahr beinhaltet. Da dies allerdings eine starke Vereinfachung darstellt, versuchen neuere Datenprojekte, politische Gewalt auf der Ebene einzelner Konfliktereignisse zu erfassen. Jedes Ereignis wird dabei im Sinne eines GIS-Vektordatensatzes mit einem Punkt dargestellt. Ein Beispiel hierfür ist der Armed Conflict Location and Event Dataset (ACLED) (Raleigh et al. 2010), der eine List von Konfliktereignissen für viele aktuelle Gewaltkonflikte online zur Verfügung stellt (http://www.acleddata.com). Einen ähnlichen Ansatz verfolgt das Georeferenced Event Dataset (GED) des Uppsala Conflict Data Project (Sundberg und Melander 2013). Andere wichtige Datensätze der Disziplin wurden ebenfalls georeferenziert. Der Militarized Interstate Disputes Location (MIDLOC) Datensatz (Braithwaite 2010) gibt den Beginn jeder Episode in den Militarized Interstate Disputes Daten an, wodurch dieser nicht-räumliche Datensatz in geografischen Analysen genutzt werden kann. Daten zu einzelnen Gewaltvorfällen wurden kürzlich auch von militärischer Seite veröffentlicht. Der Significant Activities (SIGACTS) Datensatz (Berman et al. 2011) ist für die Analyse von Gewalt in Afghanistan und Irak sehr wertvoll. Geografische Ereignisdatensätze werden auch für andere Formen von Gewalt oder politischen Auseinandersetzungen erstellt. Die Social Conflict in Africa (SCAD) Datenbank (Salehyan et al. 2012) führt Ereignisse wie Unruhen, Streiks, Proteste, Coups und kommunale Gewalt auf, jeweils mit räumlichen und zeitlichen Koordinaten.

Demographisch Daten

Demographische Daten können in verschiedenen Formen räumlich referenziert werden. So werden Rasterdatensätze genutzt um die räumliche Verteilung von Menschen innerhalb Staaten zu repräsentieren, wie zum Beispiel im Gridded Population of the World (GPW) Datensatz (http://sedac.ciesin.columbia.edu/data/collection/gpw-v4). GPW hat eine Auflösung von 2,5’, was etwa 5 km am Äquator entspricht. Für jede Rasterzelle gibt GPW die geschätzte Zahl von Menschen in Fünf-Jahres-Intervallen von 1995 bis 2015 an. Das zweite große Bevölkerungsraster ist LandScan (https://landscan.ornl.gov/). Dieser Datensatz nutzt eine feinere Auflösung (30”, ungefähr 1 km), ist im Gegensatz zu GPW aber nur für gewisse Kategorien an Nutzern frei verfügbar.

Zur Verteilung ethnischer Gruppen gibt es verschiedene räumliche Datensätze. Zunächst entstand das Geo-referencing of Ethnic Groups (GREG) Projekt (Weidmann et al. 2010), ein GIS Datensatz zur weltweiten Ansiedlung ethnischer Gruppen. GREG ist eine ethnische Landkarte ohne zeitliche Varianz. In einem darauffolgenden Projekt wurde deshalb eine dynamische räumliche Kodierung der Gruppen angestrebt. GeoEPR (Wucherpfennig et al. 2011) ist eine räumliche Erweiterung für den Ethnic Power Relations Datensatz (Wimmer et al. 2009). In GeoEPR haben Gruppenpolygone eine Lebensspanne. Dadurch ist es möglich, Veränderungen der Siedlungsregionen ethnischer Gruppen über die Zeit darzustellen. Trotz ihres großen Potenzials für die Forschung unterliegen diese Datensätze auch erheblichen Beschränkungen. Es ist z. B. schwierig, verschiedene Grade ethnischer Vermischung darzustellen, oder die räumliche ethnische Verteilung mit hoher Auflösung zu erfassen, wie zum Beispiel innerhalb einer Stadt.

Sozioökonomische Daten

Eine Vielfalt von GIS Datensätzen bilden sozioökonomische Variablen ab. G-Econ ist ein Rasterdatensatz, der Schätzungen von subnationalen wirtschaftlicher Leistung von 1990 bis 2000 auf eine Rastergröße von 1° genau abbildet (Nordhaus 2006). Ein geografischer Datensatz zu Armut und Kindersterblichkeit wird vom Poverty Mapping Project am Earth Institute der Columbia Universität bereitgestellt (Storeygard et al. 2008). Die Daten sind als Vektoren- und Rasterdatensatz verfügbar und sind auf administrativen Einheiten referenziert. Ein alternativer Ansatz, um ökonomische Aktivität zu messen, ist die Nutzung von Satellitenbildern nächtlicher Lichtemissionen. Eine Vielzahl an Produkten von verschiedenen Satelliten ist dafür verfügbar, wie zum Beispiel der Nighttime Lights of the World Datensatz veröffentlicht vom National Oceanic and Athmospheric Administration’s National Geophysical Data Center (https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html) (Chen und Nordhaus 2011) beleuchten Probleme in der Nutzung von nächtlichen Lichtdaten für ökonomischen Output. In einer hochaufgelösten Analyse zeigen Weidmann und Schutte (2017), dass hochaufgelöste Nachtlichtdaten gut dazu geeignet sind, Wohlstand auf der Ebene von Dörfern zu schätzen.

Recht gute Daten existieren zu Transportnetzwerken und Erreichbarkeit. Das Global Roads Open Access Data Set ist ein weltweiter Datensatz aller Hauptstraßen (http://sedac.ciesin.columbia.edu/data/set/groads-global-roads-open-access-v1). Anhand dieses und verwandter Datensätze ist es beispielsweise möglich, die Erreichbarkeit verschiedener Orte zu bestimmen. Für kleine Rasterzellen gibt dieser Datensatz die Reisezeit zur nächsten größeren Stadt mit konventionellen Transportmitteln an (Uchida und Nelson 2010).

Daten zu Umwelt-Faktoren

Umweltbedingungen können von inhärentem Interesse sein oder aber als Proxy für andere Charakteristiken hilfreich sein. In der Forschung wurden Daten zu meteorologischen Bedingungen verwendet, um exogene Schocks auf niederschlagsabhängige Landwirtschaft zu messen und dadurch die Identifikation des kausalen Effekts von ökonomischen Wachstum auf Konflikt verbessern zu können (Miguel et al. 2004); Michalopoulos (2012) argumentiert, dass geografische Merkmale wie zum Beispiel Bodenqualität, exogene Ursprünge für ethnische Diversität bieten, da regionale Unterschiede in Höhe und Bodenqualität Migration reduzieren und zu einer höheren Zahl von ethnischen Gruppen führen sollte.

Da viele Umweltvariablen mit Satellitenaufnahmen gemessen werden können, gibt es reichlich Rasterdatensätze in diesem Bereich. GTOPO30 ist ein vom U.S. Geological Survey entwickelter globaler Rasterdatensatz zu territorialen Erhebungen, wo die Höhe über dem Meeresspiegel für Rasterzellen mit einer Auflösung von 30 Bogensekunden gemessen wird (https://lta.cr.usgs.gov/GTOPO30). Schätzungen von Niederschlag und ähnlicher Variablen werden im Rasterformat im Global Precipitation Climatology Project Datensatz zur Verfügung gestellt (https://precip.gsfc.nasa.gov). Eine umfassende Sammlung meteorologischer Datensätze ist der Global Precipitation Climatology Center Datensatz, der vom Deutschen Wetterdienst verwaltet wird (http://gpcc.dwd.de/).

Verschiedene Typen von Flächennutzung können ebenfalls durch satellitenbasierte Messung erfasst werden und sind als Rasterdatensätze verfügbar. Das GlobCover Projekt liefert Kategorien von Flächennutzung (Anbaufläche, Wiesen, bewohnte Flächen) weltweit für 300 Meter große Zellen (http://due.esrin.esa.int/page_globcover.php). GlobCover bildet die weltweite Flächennutzung in regelmäßigen Intervallen ab, so dass der Datensatz genutzt werden kann, um Veränderungen aufgrund sozialer oder politischer Prozesse verfolgen zu können. Das Center for Sustainability and the Global Environment (http://nelson.wisc.edu/sage/data-and-models/datasets.php) liefert, basierend auf Boden und Klima, Daten zur Bodenqualität.

Meteorologen und Umweltwissenschaftler kombinieren häufig verschiedene Datenquellen, um disaggregierte Vorhersagen auf einer höheren Auflösung als die der Originaldaten treffen zu können (Dee et al. 2011). Zum Beispiel nutzen (Kudamatsu et al. 2012) sogenannte ERA-40 Daten (erhältlich über https://rda.ucar.edu), welche hochaufgelöste, zellenspezifische Vorhersagen in sechs Stunden Intervallen liefern, um einen auf historischen Niederschlagsdaten basierenden Malariaindex zu konstruieren.

Kombinierte Sammlungen

Da disaggregierte räumliche Daten in verschiedenen Auflösungen vorhanden sind, setzt das Kombinieren von verschiedenen Datenquellen die Skalierung auf eine gemeinsame Auflösung voraus. Ein standardisiertes Raster, das verschiedene Datenquellen integriert, macht diesen Schritt unnötig. Ein Beispiel hierfür ist das PRIO-Grid Projekt (Tollefsen et al. 2012), das ein globales Raster mit einer Auflösung von 0,5 Grad (ungefähr 50 km am Äquator) und einer Vielzahl von Variablen bereitstellt. Dadurch wird die Landmasse der Erde in ca. 62.000 Zellen aufgeteilt, für die der Datensatz jährliche Messwerte für die Jahre 1946–2014 enthält (http://grid.prio.org).

3.2 Die Erstellung eigener räumlicher Datensätze

Wie zuvor bereits diskutiert, beinhalten einzelne Beobachtungen in räumlichen Datensätzen – entweder Vektorenmerkmale oder Rasterzellen – Informationen über ihre geografische Position. Räumliche Datensätze zu erstellen bedeutet im Wesentlichen, dass entweder räumliche Koordinaten direkt während der Datenerhebung aufgezeichnet werden, oder aber räumliche Informationen nachträglich an bestehende, nichträumliche Daten angefügt werden. Letzterer Schritt wird häufig als „Georeferenzierung“ bezeichnet.

Eine Möglichkeit, räumliche Koordinaten für Beobachtungen aufzuzeichnen, ist die Nutzung des Global Positioning Systems (GPS). Ein GPS Empfänger ist ein elektronisches Gerät, welches mit Hilfe von Satelliten weltweit seine geografische Position bestimmen kann. Umfrageforscher nutzen GPS typischerweise um aufzuzeichnen, wo eine befragte Person wohnt oder wo ein Interview geführt wurde. Das Umfrageprojekt Demographic and Health Surveys (DHS) fügt seinen Daten üblicherweise GPS Koordinaten bei (http://www.measuredhs.com). Durch die Nutzung anderer GIS-Daten wird es dadurch möglich, individuelle Umfragen mit dem Kontext, in welchem eine Befragte lebt, zu verknüpfen und die Datensammlung dadurch zu verbessern. Dies wurde z. B. in der Studie von Weidmann und Schutte (2017) genutzt, um den Zusammenhang zwischen der Intensität von Nachtlicht-Emissionen und Wohlstand zu messen.

Nichträumliche Datensätze können auf verschiedene Art GIS-kompatibel gemacht werden. Ereignisdatensätze, die wie oben beschrieben aus Zeitungsberichten erstellt werden, beinhalten häufig Ortsnamen, die in geografische Koordinaten konvertiert werden können. Medienberichte über gewalttätige Auseinandersetzungen erwähnen typischerweise den Namen des Dorfes oder der Stadt, wo diese auftraten. Die Orte können mit Hilfe von Ortslexika – Listen mit Ortsnamen und ihrer räumlichen Koordinaten, inzwischen meistens online verfügbar – gefunden werden. Nützliche Beispiele sind die Falling Rain Datenbank (http://www.fallingrain.com/world/index.html) und die GeoNames Datenbank (http://www.geonames.org). Da englische Rechtschreibung von ausländischen Ortsnamen selten standardisiert ist, ist der JRC Fuzzy Gazetteer (http://dma.jrc.it/services/fuzzyg/) besonders hilfreich, wenn die Schreibweise eines Ortes nicht standardisiert ist.

Alternativ können GIS-Daten durch das Konvertieren bestehender Karten in GIS-kompatible Formate erstellt werden. Der erste Schritt in diesem Prozess ist das Scannen der Karten, falls diese nicht bereits in elektronischer Form vorliegen. Anschließend muss die Karte korrekt an das im GIS genutzte räumlichen Referenzsystem angepasst werden. Abschließend müssen die notwendigen räumlichen Merkmale (z. B. Ansiedlungsregionen ethnischer Gruppen) extrahiert werden. Dies ist entweder durch manuelles Nachzeichnen oder durch die Anwendung von Feature-Recognition Algorithmen möglich. Bezüglich der existierenden Techniken zur Durchführung dieses Verfahrens verweisen wir den Leser auf die einschlägige Literatur (Longley et al. 2015).

4 Ansätze der GIS-Analyse

Dieser Abschnitt gibt einen Überblick verschiedener Ansätze, wie GIS Daten und Techniken in der Politikwissenschaft angewandt werden können. Wie oben beschrieben, geben wir zu jedem dieser Ansätze Beispiele aus unserem Forschungsfeld. Wir unterscheiden in unserer Diskussion die Nutzung von räumlichen Verfahren für (a) die Generierung nichträumlicher Daten, (b) das Erstellen statischer räumlicher Variablen und (c) die Analyse dynamischer räumlicher Prozesse.

4.1 Räumliche Verfahren zur Generierung nichträumlicher Daten

Selbst wenn die Forschungsfrage nicht inhärent räumlich oder geografisch ist, so können räumliche Methoden zur Generierung nicht-räumlicher Variablen verwendet werden. Als Beispiel zeigen wir auf, wie räumliche Daten dazu beitragen können, den Zusammenhang zwischen Ungleichheit und politischer Gewalt besser zu untersuchen.

Die Forschung zur Rolle von ökonomischer Ungleichheit und ihres Einflusses auf Konflikte hat eine lange Tradition (Gurr 1970). Obwohl frühere Forschungsprojekte häufig einen positiven Zusammenhang zwischen politischen Protesten und größerer Land- und Einkommensungleichheit gefunden haben (Muller und Seligson 1987), wurde in vielen aktuelleren Studien zu Bürgerkriegen jedoch Evidenz präsentiert, die dieser These widerspricht (Collier und Hoeffler 2004), da kein klarer Zusammenhang zwischen konventionellen Maßen von Einkommensungleichheit und Konflikt nachgewiesen werden konnte. Dennoch ist „vertikale“ Ungleichheit zwischen Individuen konzeptionell verschieden von „horizontaler“ Ungleichheit, die mit anderen prägnanten sozialen Bruchlinien („cleavages“) wie zum Beispiel ethnischer Art einhergeht. Viele Forscher argumentieren, dass es primär horizontale Ungleichheit ist, die Spannungen verschärft und politische Mobilisierung begünstigt (siehe Cederman et al. 2011; Østby 2008; Stewart 2008).

Räumliche Daten können dazu dienen, horizontale Ungleichheit besser zu messen. Da die meisten ethnischen Gruppen in räumlich begrenzten Regionen siedeln, können räumliche Daten der Siedlungsgebiete ethnischer Gruppen mit disaggregierten ökonomischen Daten kombiniert werden. Abb. 4 aus Cederman et al. (2011) illustriert dies unter der Verwendung von G-Econ Rasterdaten zu wirtschaftlicher Leistung, und der GeoEPR Daten, welche Siedlungsgebiete als Polygone codiert. Durch das Übereinanderlegen dieser beiden Ebenen können wir die wirtschaftliche Leistung in einer Siedlungsregion schätzen. Anschließend berechnen wir horizontale Ungleichheit einer Gruppe durch den Vergleich des Prokopfreichtums der Gruppe mit dem nationalen Durchschnitt. Dabei erhalten reichere Gruppen einen Wert größer eins, ärmere Gruppen unter eins (Abb. 4, rechts). Wie erwartet zeigt das Ergebnis, dass Albaner in Kosovo durchschnittlich ärmer sind als der nationale Durchschnitt, während Kroaten und Slowenen reicher sind. Unter Verwendung dieses Maßes für Gruppenungleichheit zeigen Cederman et al. (2011), dass größere horizontale Ungleichheit mit einem größeren Risiko für ethnische Konflikte einhergeht.
Abb. 4

Schätzung der wirtschaftlichen Leistung einer Gruppe mit Hilfe räumlicher Daten. (Quelle: Cederman et al. (2011))

4.2 Statische räumliche Variablen

Im vorherigen Abschnitt haben wir diskutiert, wie räumliche Daten genutzt werden können, um nicht-räumliche Proxys zu erstellen. Jedoch ist räumliche Varianz selbst häufig von Interesse, besonders wenn bestimmte, für die Forschenden interessante Merkmale innerhalb großer Einheiten (wie z. B. Staaten) stark variieren. Als Beispiel hierfür betrachten wir, wie Informationen über den genauen Ort kriegerischer Auseinandersetzungen genutzt werden können, um die Gründe und Folgen von Konflikten zu analysieren.

Ein Großteil der vergleichenden Forschung zu Bürgerkriegen hat meist mit dichotomen Indikatoren gearbeitet: Länder befinden sich entweder in einem Krieg oder nicht. Jedoch breiten sich Bürgerkriege selten über ganze Länder aus und die Heftigkeit wie auch die geografische Reichweite von Konflikten kann verschiedenste Formen annehmen. Der Conflict Sites Datensatz (Dittrich Hallberg 2012) erweitert den Uppsala/PRIO Armed Conflict Data Datensatz anhand von Polygonen, welche die primären Konfliktzonen angeben. Abb. 5 zeigt zwei Beispiele dafür. Im Jahre 1995 beschränkten sich die Gewalthandlungen im tschetschenischen Bürgerkrieg auf einen relativ kleinen Teil Russlands (Abb. 5, links). Im Gegenzug dazu fanden in der Demokratischen Republik Kongo im Jahr 2007 zwei verschiedene Konflikte an zwei kleinen und weit voneinander entfernten Orten statt (Abb. 5, rechts), in welchen die Regierung gegen zwei verschiedene Gruppen kämpfte. Wenn wir Länder einfach als „im Krieg“ klassifizieren, können wir die geografischen Muster einzelner Konflikte nicht adäquat repräsentieren.
Abb. 5

Beispiele für Konfliktzonen aus dem Conflict Sites Datensatz (Dittrich Hallberg 2012). Links: Russland 1995. Rechts: Demokratische Republik Kongo 2007. (Quelle: Gleditsch und Weidmann (2012))

Räumliche Daten ermöglichen eine systematische Analyse, wie lokale Faktoren kriegerische Gewalt beeinflussen. Buhaug und Lujala (2005) untersuchen die Charakteristika von Konfliktgebieten und vergleichen diese mit anderen Gebieten im selben Land, in denen keine Gewalt stattfindet. Sie zeigen dabei, dass sich Konfliktgebiete erheblich von anderen Gebieten eines Landes unterscheiden. Buhaug und Gates (2002) untersuchen Faktoren, die einen Einfluss auf die Größe von Konfliktzonen haben könnten. Sie finden Belege dafür, dass das Vorhandensein natürlicher Ressourcen in Konfliktzonen und die gesamte Konfliktdauer einen starken Einfluss auf die (räumliche) Größe eines Konfliktes haben.

4.3 Dynamische räumliche Prozesse

Bisher haben wir Beispiele von statischen räumlichen Daten betrachtet, in denen erklärt wird, wie ein bestimmtes Phänomen zu einem bestimmten Zeitpunkt räumlich variiert. Für andere Forschungsfragen kann aber auch die dynamische Veränderung im Raum über die Zeit von Interesse sein. Wir betrachten die Diffusion von Gewalt als Beispiel eines dynamischen räumlichen Prozesses. Es gibt eine Vielzahl an Mechanismen, die räumliche Abhängigkeit von verschiedenen Akteuren, Einheiten oder Orten bilden und das Konfliktrisiko erhöhen. Generell kann man sagen, dass individuelle Konfliktausbrüche nicht unabhängig sind, wenn bestehende Konflikte in einem Land die Wahrscheinlichkeit eines Konfliktes in einem anderen Staat beeinflussen.

Viele der gängigen Forschungsansätze zu Bürgerkriegen gehen davon aus, dass Erklärungsfaktoren für Gewalt auch innerhalb des Landes zu suchen sind, in welchem der Konflikt auftritt (Gleditsch 2007). Jedoch gibt es Grund zu der Annahme, dass das Konfliktrisiko auch durch Ereignisse in Nachbarstaaten beeinflusst sein könnte. Wenn ein Bürgerkrieg in einem Staat tatsächlich die Wahrscheinlichkeit eines Konfliktes in einem anderen erhöht, dann kann dieser Diffusionsprozess mithilfe von GIS-Daten über die Zeit untersucht werden. Die Region der Großen Seen in Afrika wird häufig als Beispiel dafür genannt (Prunier 2008). Abb. 6 zeigt, basierend auf Daten des Conflict Sites Datensatzes (Dittrich Hallberg 2012), die Konfliktpolygone für die Jahre 1991 bis 1999 im Osten der Demokratischen Republik Kongo. Zuerst brach im Jahr 1991 ein Bürgerkrieg in Ruanda aus, als die Rwandan Patriotic Front (RPF) aus Uganda einmarschierte. Das Konfliktpolygon zeigt, dass zu diesem Zeitpunkt die Gewalt nahe der Grenze auftrat. Darin spiegelt sich die Wichtigkeit der Beziehungen zu Uganda in diesem Konflikt wider. Die RPF zog sich während der ersten Konfliktjahre von Zeit zu Zeit nach Uganda zurück, um sich zu reformieren und wieder zu bewaffnen.
Abb. 6

Räumlich-zeitliche Ausbreitung des Bürgerkriegs in der Demokratischen Republik Kongo in den Jahren 1991 bis 1999. (Quelle: Gleditsch und Weidmann (2012))

Die Karten der darauffolgenden Jahre zeigen die Entwicklung des andauernden Konflikts in Ruanda, der sich während des Genozids von 1994 auf das ganze Land ausbreitete, gefolgt von dem Sieg der RPF und der Präsidentschaft des RPF Anführers Raul Kagame. Der Bürgerkrieg in Ruanda löste in den Nachbarstaaten, insbesondere Zaire, eine gewaltige Flüchtlingskrise der Hutu aus. Diese Flüchtlingslager ihrerseits boten wieder eine fruchtbare Umgebung für eine Aufstandsbewegung der Hutus. Die Kagame-Regierung in Ruanda unterstützte eine aufständische Gruppe in Zaire, die Alliance of Democratic Forces for the Liberation of Congo (AFDL) angeführt von Laurent-Désiré Kabila. Diese Entwicklung ist in dem Konfliktpolygon in Ost-Zaire im Jahr 1996 zu sehen. Wieder liegt dies einer internationalen Grenze. Die Karte für 1997 zeigt die Eskalation des Konfliktes in Zaire, als die AFDL Mobutu Sese Seko stürzte und eine neue Demokratische Republik Kongo (DRK) mit Kabila als Präsidenten ausriefen. Jedoch zeigen die Karten der darauffolgenden Jahre, dass Konflikte in der Region weiter Bestand hatten und diese möglicherweise durch eine Eskalation des Bürgerkrieges in Uganda angefacht wurden. Das Analysieren solcher räumlichen Darstellungen kann hilfreich sein, um die Wechselbeziehungen zwischen Konflikten und politischen Grenzen zu analysieren. Andere hochauflösende Studien verwenden statt der oben beschriebenen Konfliktzonen geo-referenzierte Ereignisdaten, wo jedes Konfliktereignis mit Geo-Koordinaten versehen ist. Dies erlaubt es beispielsweise, zwischen verschiedenen Arten der Konfliktdiffusion zu unterscheiden (Schutte und Weidmann 2011); Weidmann und Ward (2010) stellen ein statistisches Model der räumlichen und zeitlichen Diffusion vor und wenden es auf Daten für den Bosnien-Konflikt an.

5 Herausforderungen bei der räumlichen Analyse

Trotz aller neuen Möglichkeiten, die räumliche Analysen und GIS Daten für die Politikwissenschaft bieten, gibt es einige Schwierigkeiten, die potenzielle Nutzer bedenken sollten. Wir diskutieren hier die wichtigsten davon.

5.1 Praktische Herausforderungen

Angesichts der offensichtlichen Vorteile der Anwendung von GIS und räumlichen Daten in den Sozialwissenschaften mag es verwunderlich scheinen, dass es vergleichsweise wenig Anwendungen dieser Methoden und Techniken gibt. Ein Grund dafür sind die praktischen Schwierigkeiten, die sich bei der Nutzung ergeben. Der Bereich GIS und räumliche Datenanalyse wurde bisher von teuren Softwarelösungen dominiert, insbesondere dem ESRI ArcGIS Paket. Dabei haben hohe Lizenzgebühren und software-spezifische Ausbildung viele Nutzer abgeschreckt. Hinzu kommt das recht hohe technische Wissen, welches für das Arbeiten mit räumlichen Daten erforderlich ist. In vielen sozialwissenschaftlichen Studienprogrammen werden räumliche Methoden und Programmieren nicht unterrichtet, was wiederum zu hohen Einstiegskosten für Forschende führt, falls diese Techniken für ihre Arbeit benötigen.

Es ist jedoch wahrscheinlich, dass diese praktischen Probleme durch das Aufkommen von Open-Source Software Tools für räumliche Daten ausgeräumt werden können. Insbesondere für die freie Software R wurden beachtliche Fortschritte bei der Entwicklung von Erweiterungen gemacht. Es gibt inzwischen eine stabile und hervorragend etablierte Sammlung von Erweiterungspaketen für R, welche in Bivand et al. (2013) dokumentiert sind. Da viele Sozialwissenschaftler bereits mit R vertraut sind, ist es mit vergleichsweise geringem Lernaufwand (und ohne finanzielle Kosten) möglich, räumliche Daten zu generieren, zu visualisieren zu und zu analysieren. Des weiteren gibt es grafische Open-Source GIS Pakete wie zum Beispiel QGIS (https://qgis.org/). Obwohl diese Software weit weniger Funktionalität als ArcGIS aufweist, ist sie dennoch eine sehr gute Wahl für einfache GIS Analysen und GIS Einführungskurse, da sie kostenlos und auf allen gängigen Plattformen verfügbar ist.

5.2 Herausforderungen für Theorie und Forschungsdesign

Bei der Verwendung von räumlichen Daten für kausale Inferenz sind einige wichtige theoretische und methodische Aspekte zu beachten, die wir bis lang ausgeblendet haben. Eine wichtige Frage ist die Wahl der räumlichen Auflösung für eine Analyse: Soll sie auf der Ebene von Bundesländern, Gemeinden oder Haushalten durchgeführt werden? Obwohl Disaggregierung (also eine höhere Auflösung) in vielen Fällen sicherlich hilfreich ist, so ist mehr Disaggregierung nicht automatisch besser, und die Wahl einer angemessenen Analyseeinheit und Aggregationsebene sind eng mit der theoretischen Fragestellung verknüpft (Cederman und Gleditsch 2009). Für manche der oben aufgeführten Fragen ist ein Fokus auf ethnische Gruppen und deren politische Organisationen notwendig. Bürgerkriege zum Beispiel sind maßgeblich durch die Aktionen dieser Organisationen bestimmt, weshalb wissenschaftliche Analysen häufig auf Gruppenebene durchgeführt werden. In anderen Fällen können räumliche Daten dazu dienen, die Charakteristika von Wahlkreisen zu approximieren. In wieder anderen Fällen können bestimmte administrative Einheiten, wie zum Beispiel Bundesländer oder Gemeinden, die beste Analyseeinheit sein um geografische Variation in politischen Ereignissen und Interaktionen erfassen und erklären zu können.

In den Sozialwissenschaften ist das Problem des ökologischen Fehlschlusses, d. h. der Schwierigkeit, aus aggregierten Daten auf individuelles Verhalten zu schließen, recht gut bekannt (Robinson 1950). Geografen beschäftigen sich häufig mit einer geografischen Variante des ökologischen Fehlschlusses, bekannt als „Modifiable Area Unit Problem“ (Openshaw 1984). Statistische Ergebnisse können sich abhängig von der Aggregationsebene d. h. der Größe der räumlichen Einheiten, die für die Messung der Daten genutzt wurde, unterscheiden. Zum Beispiel zeigte Openshaw (1984), dass die Beziehung zwischen der Bevölkerung über 60 Jahre und dem Stimmenanteil für die Republikanische Partei in Iowa sich erheblich über verschiedene Aggregationsebenen unterscheidet, und dass dies sogar zu verschiedenen Vorzeichen der geschätzten Kausalbeziehung führen kann. Solche möglichen Aggregations- und Zoneneffekte können und sollten empirisch berücksichtigt werden. In vielen Fällen ist es möglich, Daten verschiedener Ebenen zu kombinieren, indem man Informationen von verschiedenen Ebenen hoch- oder runterskaliert. Buhaug et al. (2014) tun dies, indem sie Charakteristika spezifischer Rebellengruppen auf Länderebene aggregieren und diese dann mit konventionellen Variablen vergleichen, die für die Analyse von Bürgerkriegen auf Länderebene genutzt werden. Umgekehrt ist es möglich, grob aufgelöste Daten auf eine höhere Auflösung zu transformieren. Beispielsweise werden Messwerte meteorologischer Variablen mit Trend Surface Modellen auf eine disaggregiertere Ebene skaliert. Letztendlich jedoch sind die Wahl einer angemessenen Auflösung und Analyseeinheit wie auch der spezifischen Variablen immer eine theoretische Frage, die in Bezug auf eine spezifische Forschungsfrage getroffen werden muss.

5.3 Statistische Herausforderungen

Im Raum gemessene Variablen sind meistens nicht zufällig verteilt, sondern ähneln sich stark. Diese räumliche Abhängigkeit wurde bereits als wichtiges Problem in der vergleichenden Forschung erkannt (Beck et al. 2006). Obwohl eine ausführliche Einführung in die räumliche Statistik über den Rahmen dieses Kapitels hinausgeht, so muss doch betont werden, dass räumliche Disaggregation in kleinere Einheiten das Problem der räumlichen Abhängigkeit durch eine erhöhte Zahl von Fällen mit – bei benachbarten Fällen – ähnlichen Ausprägungen generell vergrößert. Grundsätzlich kann man feststellen, dass räumliche Korrelation in einer Variable (also die hohe Ähnlichkeit benachbarter Werte) zu weniger unabhängigen Beobachtungen führt. Daher ist die effektive, statistisch nutzbare Größe einer Stichprobe kleiner als ihre wirkliche Größe, da nicht jeder Messwert neue und unabhängige Information mit sich bringt, was kausale Inferenz mittels statistischer Methoden erschwert (Manski 1993). Räumlich-statistische Modelle berücksichtigen dieses Problem und können es unter gewissen Voraussetzungen lösen (Beck et al. 2006; Ward und Gleditsch 2018). Für kontinuierliche Variablen und lineare Modelle ist dies recht einfach, aber andere Arten von Variablen (z. B. kategoriale oder event counts) oder Forschungsdesigns (z. B. Paneldaten) machen räumliche statistische Modelle schnell sehr kompliziert. Deshalb bauen diese häufig auf simulationsbasierten Methoden auf. Einige dieser Ansätze wurden aus anderen Disziplinen wie z. B. der Ökologie für sozialwissenschaftliche Anwendungen angepasst (Ward und Gleditsch 2002; Weidmann und Ward 2010).

6 Schlussfolgerung

Sozialwissenschaftler verstehen unter dem Begriff „GIS“ häufig nur das Erstellen von Landkarten. Obwohl Karten wichtig sind und man viel mit ihnen veranschaulichen kann, so sehen wir den Hauptvorteil von GIS in der Politikwissenschaft jedoch in der Möglichkeit, neue Daten mithilfe räumlicher Ansätze zu erstellen und räumliche Prozesse modellieren zu können. Als Beispiel für erstere Anwendung haben wir gezeigt, wie sich die vergleichende Analyse horizontaler Ungleichheit durch die Kombination räumlicher Datensätze verbessern lässt. Allerdings beinhalten diese räumlichen Ansätze nicht nur neue Daten, Werkzeuge und Techniken, sondern auch neue theoretische Mechanismen, die dem besseren Verständnis von politischen Ereignissen und Ergebnissen dienen. Vielfach werden politische Phänomene mit einer bestimmten geografischen Einheit (z. B. einem Staat) verknüpft, was aber außer Acht lässt, dass sie durch Akteure und Geschehnisse in anderen Einheiten beeinflusst werden. Mittels räumlicher Analyse können diese Wechselwirkungen erfasst und modelliert werden. In einer modernen Gesellschaft, die durch technologischen Fortschritt zunehmend verbunden ist, ist dies von zentraler Bedeutung.

7 Kommentiertes Literaturverzeichnis

Longley et al. (2015) geben eine generelle Einführung in die Datentypen und Konzept geografischer Informationssysteme auf der Basis der Software ArcGIS, die aber auch für Nutzer anderer Tools relevant ist. Eine weniger technische Darstellung von geografischen Informationssystemen speziell für Sozialwissenschaftler findet sich in Steinberg und Steinberg (2006); Darmofal (2015) behandelt eine große Auswahl verschiedener räumlicher Analysemethoden, die in den Sozialwissenschaften angewendet werden können, und ist deshalb für viele Forschungsfragen in der Politikwissenschaft relevant. Wer an einer kurzen Einführung in räumliche Regressionsmodelle in R interessiert ist, sollte das Buch von Ward und Gleditsch (2018) konsultieren. Die komplette Verarbeitung räumlicher Daten in R wird in (Bivand et al. 2013) beschrieben.

Literatur

  1. Beck, Nathaniel, Kristian Skrede Gleditsch, und Kyle Beardsley. 2006. Space is more than geography: Using spatial econometrics in the study of political economy. International Studies Quarterly 50(1): 27–44.CrossRefGoogle Scholar
  2. Berman, Eli, Jacob N. Shapiro, und Joseph H. Felter. 2011. Can hearts and minds be bought? The economics of counterinsurgency in Iraq. Journal of Political Economy 119(4): 766–819.CrossRefGoogle Scholar
  3. Bivand, Roger S., Edzer J. Pebesma, und Virgilio Gomez-Rubio. 2013. Applied spatial data analysis with R, 2. Aufl. New York: Springer.CrossRefGoogle Scholar
  4. Braithwaite, Alex. 2010. MIDLOC: Introducing the Militarized Interstate Dispute Location Dataset. Journal of Peace Research 47(1):91–98.CrossRefGoogle Scholar
  5. Buhaug, Halvard, und Scott Gates. 2002. The geography of civil war. Journal of Peace Research 39(4): 417–433.CrossRefGoogle Scholar
  6. Buhaug, Halvard und Päivi Lujala. 2005. Accounting for scale: Measuring geography in quantitative studies of civil war. Political Geography 24:399–418.CrossRefGoogle Scholar
  7. Buhaug, Halvard, Lars-Erik Cederman, und Kristian Skrede Gleditsch. 2014. Square pegs in round holes: Inequalities, grievances, and civil war. International Studies Quarterly 58(2): 418–431.CrossRefGoogle Scholar
  8. Cederman, Lars-Erik, und Kristian Skrede Gleditsch. 2009. Introduction to special issue on ‚disaggregating civil war. Journal of Conflict Resolution 53(4): 487–495.CrossRefGoogle Scholar
  9. Cederman, Lars-Erik, Nils B. Weidmann, und Kristian Skrede Gleditsch. 2011. Horizontal inequalities and ethno-nationalist civil war: A global comparison. American Political Science Review 105(3): 478–495.CrossRefGoogle Scholar
  10. Chen, Xi, und William D. Nordhaus. 2011. Using luminosity data as a proxy for economic statistics. Proceedings of the National Academy of Sciences 108(21): 8589–8594.CrossRefGoogle Scholar
  11. Collier, Paul, und Anke Hoeffler. 2004. Greed and grievance in civil war. Oxford Economic Papers 56(4): 563–595.CrossRefGoogle Scholar
  12. Darmofal, David. 2015. Spatial analysis for the social sciences. New York: Cambridge University Press.CrossRefGoogle Scholar
  13. Dee, Dick P., S. M. Uppala, A. J. Simmons, Paul Berrisford, P. Poli, S. Kobayashi, U. Andrae, M. A. Balmaseda, G. Balsamo, P. Bauer, et al. 2011. The ERA-interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society 137(656): 553–597.CrossRefGoogle Scholar
  14. Gleditsch, Kristian Skrede und Nils B. Weidmann. 2012. Richardson in the information age: Geographic Information Systems and spatial data in international studies. Annual Review of Political Science 15(1):461–481.CrossRefGoogle Scholar
  15. Gleditsch, Kristian Skrede. 2007. Transnational dimensions of civil war. Journal of Peace Research 44(3): 293–309.CrossRefGoogle Scholar
  16. Gleditsch, Kristian Skrede, und Michael D. Ward. 1999. Interstate system membership: A revised list of the independent states since 1816. International Interactions 25:393–413.CrossRefGoogle Scholar
  17. Gurr, Ted Robert. 1970. why men rebel. Princeton: Princeton University Press.Google Scholar
  18. Johan, Dittrich Hallberg. 2012. PRIO conflict site 1989–2008: A geo-referenced dataset on armed conflict. Conflict Management and Peace Science 29(2): 219–232.CrossRefGoogle Scholar
  19. Kudamatsu, Masayuki, Torsten Persson, und David Strömberg. 2012. Weather and infant mortality in Africa. CEPR discussion paper No. DP9222. https://ssrn.com/abstract=2210191.
  20. Longley, Paul A., Michael F. Goodchild, David J. Maguire, und David W. Rhind. 2015. Geographic information systems and science, 4. Aufl. Chichester: Wiley.Google Scholar
  21. Manski, Charles F. 1993. Identification of endogenous social effects: The reflection problem. The Review of Economic Studies 60(3): 531–542.CrossRefGoogle Scholar
  22. Marshall, Monty G., Ted Robert Gurr, und Keith Jaggers. 2015. Polity IV project: Political regime characteristics and transitions, 1800–2015. http://www.systemicpeace.org/polity/polity4.htm. Zugegriffen am 25.06.2018.
  23. Michalopoulos, Stelios. 2012. The origins of ethnolinguistic diversity. The American Economic Review 102(4): 1508–1539.CrossRefGoogle Scholar
  24. Miguel, Edward, Shanker Satyanath, und Ernest Sergenti. 2004. Economic shocks and civil conflict: An instrumental variables approach. Journal of Political Economy 112(4): 725–753.CrossRefGoogle Scholar
  25. Muller, Edward N., und Mitchell A. Seligson. 1987. Inequality and insurgency. American Political Science Review 87(2): 425–451.CrossRefGoogle Scholar
  26. Nordhaus, William D. 2006. Geography and macroeconomics: New data and new findings. Proceedings of the National Academy of Sciences 103(10): 3510–3517.CrossRefGoogle Scholar
  27. Openshaw, Stan. 1984. The modifiable areal unit problem. Norwich: GeoBooks.Google Scholar
  28. Østby, Gudrun. 2008. Polarization, horizontal inequalities and violent civil conflict. Journal of Peace Research 45(2): 143–162.CrossRefGoogle Scholar
  29. Prunier, Gerard. 2008. Africa’s world war: Congo, the Rwandan genocide, and the making of a continental catastrophe. Oxford: Oxford University Press.Google Scholar
  30. Raleigh, Clionadh, Andrew Linke, Håvard Hegre, und Joakim Karlsen. 2010. Introducing ACLED: An armed conflict location and event dataset. Journal of Peace Research 47(5): 651–660.CrossRefGoogle Scholar
  31. Robinson, William S. 1950. Ecological correlations and the behavior of individuals. American Sociological Review 15(3): 351–357.CrossRefGoogle Scholar
  32. Salehyan, Idean, Cullen S. Hendrix, Jesse Hamner, Christina Case, Christopher Linebarger, Emily Stull, und Jennifer Williams. 2012. Social conflict in Africa: A new database. International Interactions 38(4): 503–511.CrossRefGoogle Scholar
  33. Schutte, Sebastian und Nils B. Weidmann. 2011. Diffusion patterns of violence in civil wars. Political Geography 30(3):143–152.CrossRefGoogle Scholar
  34. Steinberg, Steven J., und Sheila L. Steinberg. 2006. Geographic information systems for the social sciences: Investigating space and place. Thousand Oaks: Sage.CrossRefGoogle Scholar
  35. Stewart, Frances, Hrsg. 2008. Horizontal inequalities and conflict: Understanding group violence in multi-ethnic societies. Houndmills: Palgrave Macmillan.Google Scholar
  36. Storeygard, Adam, Deborah Balk, Mark Levy, und Glenn Deane. 2008. The global distribution of infant mortality: A subnational spatial view. Population, Space and Place 14(3): 209–229.CrossRefGoogle Scholar
  37. Sundberg, Ralph, und Erik Melander. 2013. Introducing the UCDP georeferenced event dataset. Journal of Peace Research 50(4): 523–532.CrossRefGoogle Scholar
  38. Tollefsen, Andreas Forø, Håvard Strand, und Halvard Buhaug. 2012. PRIO-GRID: A unified spatial data structure. Journal of Peace Research 49(2): 363–374.CrossRefGoogle Scholar
  39. Uchida, Hirotsugu, und Andrew Nelson. 2010. Agglomeration index: Towards a new measure of urban concentration. In Development in an urban world, Hrsg. B. Guha-Khasnobis. Helsinki: UN-WIDER.Google Scholar
  40. Ward, Michael D., und Kristian Skrede Gleditsch. 2018. Spatial regression models, 2. Aufl. Thousand Oaks: Sage.Google Scholar
  41. Ward, Michael D. und Kristian Skrede Gleditsch. 2002. Location, location, location: An MCMC approach to modeling the spatial context of war and peace. Political Analysis 10(3): 244–260.CrossRefGoogle Scholar
  42. Weidmann, Nils B., und Kristian Skrede Gleditsch. 2010. Mapping and measuring country shapes: The cshapes package. R Journal 2(1): 18–24.Google Scholar
  43. Weidmann, Nils B., und Sebastian Schutte. 2017. Using night light emissions for the prediction of local wealth. Journal of Peace Research 54(2): 125–140.CrossRefGoogle Scholar
  44. Weidmann, Nils B., und Michael D. Ward. 2010. Predicting conflict in space and time. Journal of Conflict Resolution 54(6): 883–901.CrossRefGoogle Scholar
  45. Weidmann, Nils B., Doreen Kuse, und Kristian Skrede Gleditsch. 2010a. The geography of the international system: The CShapes dataset. International Interactions 36(1): 86–106.CrossRefGoogle Scholar
  46. Weidmann, Nils B., Jan Ketil Rød, und Lars-Erik Cederman. 2010b. Representing groups in space: A new dataset. Journal of Peace Research 47(4): 491–499.CrossRefGoogle Scholar
  47. Wimmer, Andreas, Lars-Erik Cederman, und Brian Min. 2009. Ethnic politics and armed conflict: A configurational analysis of a new global dataset. American Sociological Review 74(2): 316–337.Google Scholar
  48. Wucherpfennig, Julian, Nils B. Weidmann, Luc Girardin, Lars-Erik Cederman, und Andreas Wimmer. 2011. Politically relevant ethnic groups across space and time: Introducing the GeoEPR dataset. Conflict Management and Peace Science 28(5): 423–437.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Fachbereich Politik- und VerwaltungswissenschaftUniversität KonstanzKonstanzDeutschland
  2. 2.Department of GovernmentUniversity of EssexColchesterUK

Personalised recommendations