Show Less
Open access

Bankertrag und Bevölkerungsdynamik

Eine empirische Untersuchung für deutsche Sparkassen

Series:

Marco Oestmann

Diese Arbeit beschäftigt sich mit den quantitativen Auswirkungen des demographischen Wandels auf die zukünftige Ertragslage der deutschen Sparkassen. Hierzu wird ein mikroökonometrisch fundiertes Simulationsmodell genutzt, in das neben offiziellen Bevölkerungsprognosen ein neuartiger, detaillierter Datensatz von knapp 2,5 Millionen Kunden elf deutscher Sparkassen einfließt. Für verschiedene Szenarien werden aus dem Modell Prognosen der Kunden- und Ertragsentwicklung für den deutschen Sparkassensektor bis 2025 auf NUTS II-Ebene abgeleitet. Die Ergebnisse deuten darauf hin, dass für den Sparkassensektor insgesamt eine recht stabile Ertragssituation zu erwarten ist. Für einige Regionen, insbesondere in Ostdeutschland, ergibt sich dagegen eine existenzgefährdende Ertragserosion.
Show Summary Details
Open access

5 Datenbasis

| 61 →

5 Datenbasis

5.1 Individualkundendaten

Zur Durchführung der Analyse werden anonymisierte Individualkundendaten aus dem Privatkundensegment von elf deutschen Sparkassen herangezogen. Wegen der Sensibilität der Daten und der Untersuchungsergebnisse wurde mit den beteiligten Sparkassen vereinbart, dass keine Rückschlüsse auf die beteiligten Institute möglich sein dürfen. Deshalb werden im Folgenden zur Bezeichnung der Sparkassen lediglich die Ziffern 1 bis 11 verwendet.

Ein Privatkunde wird gemäß der Kundensystematik der Sparkassen als inländische wirtschaftlich unselbstständige natürliche Personen definiert, d.h. selbstständige Einzelunternehmer fallen aus der Betrachtung heraus. Der Stichtag der Datenerhebung war der 31.12.2006. Für drei Sparkassen war es aus technischen Gründen nicht möglich, die Daten zu diesem Zeitpunkt zu rekonstruieren, so dass hier auf neuere Daten vom 31.12 2007 zurückgegriffen wurde. In Tabelle 4 sind die Informationen zusammen gestellt, die für jeden Privatkunden der elf beteiligten Kreditinstitute erhoben worden sind.

Besaßen zwei oder mehr Personen Verfügungsberechtigung über ein Konto bzw. Depot oder sind gemeinschaftlich an einem Produkt beteiligt, so wird im Folgenden von einem Gemeinschaftskunden oder Kundenverbund gesprochen. Da die Untersuchung auf Einzelkunden basieren soll, ergibt sich aus dieser Konstruktion das Problem der Zurechnung der Bestände und sonstigen Informationen der Gemeinschaftskunden auf die Individualebene der Einzelkunden. Da in der überwiegenden Mehrzahl der Fälle eine Rekonstruktion und Zuordnung der Anteile an bestimmten Geschäften unmöglich ist, werden der DB II, das Einkommen und die sonstigen Salden quotal, d.h. in der Regel hälftig auf die zugehörigen Einzelkunden aufgeteilt, sofern diese volljährig sind. Weitere Informationen zur Zurechnung und Behandlung von Gemeinschaftskunden bzw. Kundenverbünden sind ebenfalls Tabelle 4 zu entnehmen.

In den nachfolgenden Abschnitten 5.1.1 und 5.1.2 werden zunächst die zu erklärende Ertragsvariable und im Anschluss die potentiell erklärenden Variablen näher vorgestellt. ← 61 | 62 →

Tabelle 4: Erhobene Informationen im Überblick; Quelle: eigene Darstellung

DatenfeldErläuterung
lfd. Nr. / IDfortlaufende Nummer zur eindeutigen Kennzeichnung eines Datensatzes
StandStichtag des Datenerhebung
KUSYMAKundensystematikschlüssel beginnend mit 2 (inländische wirtschaftlich unselbstständige natürliche Personen)
AlterAlter des Kunden zum Stichtag der Datenerhebung
Geschlechtm = männlich

w = weiblich
PLZPostleitzahl des Wohnortes des Kunden
Dummyvariable Transfereinkommen (ALG1 & ALG2)1 = mindestens 7 Monate Bezug von Transfereinkommen (ALG 1, ALG 2) in 2006*.

0 = weniger als 7 Monate Bezug von Transfereinkommen in 2006*.

Bezieht ein Gemeinschaftskunde mindestens 7 Monate Transfereinkommen, so erhalten alle zugehörigen Einzelkunden eine 1.
Dummyvariable Girokonto1 = Kunde hat Girokonto

0 = Kunde hat kein Girokonto

Bei Gemeinschaftsgirokonten wurde bei jedem zugehörigen Einzelkunden eine 1 gesetzt.
Einkommen (€)Dem Kunden zur Verfügung stehendes monatliches Entgelt (inkl. Transfereinkommen und Kindergeld).
DB II (€)Mit dem Kunden generierter Deckungsbeitrag II (verdiente Zinsmarge im Kredit- und Einlagengeschäft), jährlich kumuliert zum 12/2006*.
Darlehen (€)Kredite des Kunden per 12/2006*
Dispositionskredite (€)Ausgeschöpfte Kredite (Sollsaldo) am Girokonto des Kunden per 12/2006*
Sichteinlagen (€)Bestände (Habensaldo) auf den Girokonten des Kunden per 12/2006*
Termineinlagen (€)Für einen gewissen Zeitraum kurzfristig festgelegte verzinsliche Einlagen des Kunden per 12/2006*.
Sparen (€)Spareinlagen des Kunden per 12/2006*
DepotB (€)Sonstige Investmentfonds- und Wertpapierbestände des Kunden per 12/2006*
Deka (€)Deka-Investmentfondsbestände des Kunden per 12/2006*
Gesamt AktivSumme aller aktivischen Bestände des Kunden per 12/2006* (Kredite, Avale, aktivische Bausparbestände,..)
Gesamt PassivSumme aller passivischen Bestände des Kunden per 12/2006* (Bausparen, Girokonten, Spareinlagen, Termingelder...)

* Für drei Sparkassen war der Stichtag der Datenerhebung der 31.12.2007 ← 62 | 63 →

5.1.1 Der Deckungsbeitrag II als Maß des Bankenertrags

Als Ertragsmaß liegt aus dem internen Rechnungswesen der Sparkassen der individuelle Deckungsbeitrag II (DB II) für jeden Kunden vor. In der Bankbetriebslehre liegen verschiedenste Definitionen für diese Größe vor. Eine häufig verwendete allgemeine Abgrenzung und Einordnung stammt von Schierenbeck [2003] 305:

„Der Deckungsbeitrag II berücksichtigt alle diejenigen Kosten und Erlöse, die dem Einzelgeschäft direkt (weitgehend verursachergerecht) zugeordnet werden können und auch keine (versteckten) Gewinnbestandteile enthalten.“

Zur Bestimmung der direkten Kosten und Erlöse muss beim DB II zuerst der sogenannte Konditionsbeitrag eines Geschäfts ermitteln werden. Für jedes Einlagen- oder Kreditgeschäft wird deshalb mit Hilfe von aktuell, alternativ zu realisierenden Finanzierungs- bzw. Investitionsmöglichkeiten am Geld- und Kapitalmarkt (GKM) versucht, den zu erwartenden Zahlungsstrom möglichst genau zu duplizieren, d.h. ein sogenanntes äquivalentes Portfolio zu kreieren. Als Opportunität bzw. Bewertungsmaßstab wird demnach der Geld- und Kapitalmarkt herangezogen (Marktzinsmethode). Für Kreditgeschäfte besteht der spezifische Ergebnisbeitrag dann darin, höhere Zinserlöse zu erbringen als eine alternative Anlage am Geld- und Kapitalmarkt mit vergleichbarer Qualität. Bei einem Einlagengeschäft besteht der spezifische Zinsbeitrag darin, niedrigere Zinskosten zu verursachen als eine alternative Geldaufnahme am GKM. Der Konditionsbeitragsbarwert eines Kredits ergibt sich mit Hilfe der Marktzinsmetode dann beispielsweise als Barwert der Differenz der Zahlungen aus einem Kredit und dem sogenannten äquivalenten Portfolio zum Zeitpunkt t0. 51

Dieser Konditionsbeitrag wird ggfs. um Risikokosten adjustiert. Fügt man anschließend die direkt dem Geschäft zurechenbaren (Netto-)Provisionserträge hinzu, gelangt man schließlich zum Deckungsbeitrag II, so wie er in dieser Untersuchung verwendet wurde. Der DB II setzt sich also zusammen aus dem Zinskonditionsbeitrag Aktiv, Zinskonditionsbeitrag Passiv, sowie Provisionserträgen (kurzum Zins- und Provisionserträge). In Abbildung 9 ist die Systematik zur Ermittlung des DB II kurz zusammengefasst. ← 63 | 64 →

Zinserlöse
-Zinskosten
=Konditionsbeitrag
+/-Risikokosten
=Deckungsbeitrag I (Wertbereich)
+/-Direkt zurechenbare Provisionen
=Deckungsbeitrag II (Wertbereich und Provisionsergebnis)

Abbildung 9: Deckungsbeitragsschema für ein Einzelgeschäft; Quelle: Hartmann-Wendels et al. (2007)

Der Deckungsbeitrag II ist ein Maß aus dem internen Rechnungswesen der Banken. Dieses Ertragsmaß hat den Vorteil, dass es nicht durch bilanzpolitische, steuerrechtliche oder sonstige Maßnahmen beeinflusst oder verzerrt wird. Zudem werden nur dem Einzelgeschäft bzw. dem Kunden direkt zurechenbare Kosten und Erträge berücksichtigt, d.h. Verfälschungen, beispielsweise durch inadäquate oder willkürliche Zurechnung von Gemeinkosten (wie z.B. Overheadkosten) oder Eigenkapitalkosten entstehen in der Regel nicht. Der Deckungsbeitrag II ist somit geeignet, ein realistisches Bild der originären Ertragskraft eines Instituts zu zeichnen.

5.1.2 Potentielle kundenindividuelle Bestimmungsfaktoren des Bankertrags

Nachdem die zu erklärende Größe näher erläutert wurde, wird im Folgenden auf die Variablen eingegangen, die zur Erklärung des DB II herangezogen werden. Die vorliegenden Datensätze enthalten hierzu Informationen, die in zwei Gruppen eingeteilt werden können. Erstens stehen verschiedene soziodemographische Variablen zur Verfügung, die im Wesentlichen persönliche Eigenschaften des Kunden beschreiben. Hierzu zählen Alter, Geschlecht und Wohnort sowie die Variablen, die zum Einkommen vorliegen, d.h. das monatliche Durchschnittseinkommen, aber auch die Information, ob das Einkommen im Referenzjahr (2006 bzw. 2007) überwiegend aus Transferleistungen resultiert.

Zweitens existieren Variablen, die die Kundenbeziehung zur jeweiligen Sparkasse näher charakterisieren. Hierzu zählen zum einen detaillierte Informationen ← 64 | 65 → zum Produktportfolio, d.h. zu den Aktiva- und Passivabeständen (Einlagen und Kredite), die der Kunde bei seiner Sparkasse zum Stichtag unterhält und die die Information, ob eine Girokontoverbindung besteht.

5.1.2.1 Persönliche soziodemographische Variablen

Um die Eigenschaftsvariablen für die ökonometrische Analyse handhabbar zu machen, werden die spezifischen Charakteristika der Kunden mit Hilfe von Dummyvariablen, die lediglich die Werte 0 oder 1 annehmen können, kodiert. Besitzt ein Kunde eine bestimmte Eigenschaft, so erhält die zugehörige Dummyvariable den Wert 1, ansonsten den Wert 0.

Entsprechend wurden für das Alter der Bankkunden zum Stichtag, das auf Basis des Geburtsdatums errechnet wurde, Dummyvariablen generiert. Insgesamt ergeben sich somit 85 Dummyvariablen für die einjährigen Altersklassen 0 bis 84 und eine Dummyvariable, die den Wert Eins annimmt, wenn der Kunde 85 Jahre oder älter ist. Eine feinere Untergliederung dieser letzten Altersklasse war nicht möglich, da einige Bevölkerungsdaten, mit denen die Ergebnisse der Regressionsanalysen später kombiniert werden, lediglich in dieser Aufgliederung vorliegen. Um einerseits die Kompatibilität zu den Daten der amtlichen Statistik und andererseits die Vergleichbarkeit der Untersuchungen für die elf Sparkassen untereinander sicherzustellen, wurde diese Einteilung für alle elf Datensätze übernommen.

Die Informationen zum Wohnort der Kunden liegen in allen elf Datensätzen auf Postleitzahlebene vor. Da die Analyse auf Kreisebene stattfindet, mussten in einem ersten Schritt die Postleitzahlen den zugehörigen Kreisen und kreisfreien Städten zugeordnet werden. In einem zweiten Schritt wurden dann für die elf Datensätze Dummyvariablen für den Wohnort generiert, die anzeigen, in welchem Kreis der Kunde seinen Wohnsitz hat. Die Zuordnung wurde mit Hilfe eines frei zugänglichen Zuordnungsschlüssels, der auf der Open Source-Geokoordinatendatenbank OpenGeoDB basiert, vorgenommen.52 Zusätzlich fand eine Überprüfung und Ergänzung dieser Zuordnung mit Hilfe der Postleitzahlensuche ← 65 | 66 → der Deutschen Post53 und dem Gemeindeverzeichnis statt, dass von den Statistischen Ämtern des Bundes und der Länder herausgegeben wird.54

Nach erfolgreicher Zuordnung war bekannt, in welchem Kreis Deutschlands ein Kunde wohnt. Diese Information konnten nun mit Hilfe von 0/1-Variablen kodiert werden, um die Variable „Wohnort“ für die spätere ökonometrische Analyse handhabbar zu machen. Für jeden Datensatz wurden deshalb anschließend Dummyvariablen für die jeweils relevanten Kreise generiert. Als relevante Kreise sind die jeweiligen Geschäftsgebiete und bedeutende umliegende Kreise, in denen die Sparkasse über einen nennenswerten Kundenbestand verfügt, berücksichtigt worden.55 Schließlich wurde bei den einzelnen Datensätzen eine Dummyvariable für den Wohnort „Restliches Deutschland“ eingeführt, die den Wert eins annimmt, wenn der Kunde nicht im Geschäftsgebiet oder einem sonstigen relevanten Kreis der betrachteten Sparkasse lebt. Eine weitere Aufgliederung dieser Dummyvariable erschien nicht sinnvoll, da für zusätzliche Kreise in der Regel sehr wenige Beobachtungen vorlagen, was die Aussagekraft stark einschränkt.

Die Dummyvariable „Geschlecht“ schließlich nimmt den Wert 0 an, wenn der Kunde männlich ist und wurde 1 gesetzt, sofern es sich um einen weiblichen Kunden handelte.

Darüber hinaus lagen noch Informationen zum Einkommen des Kunden vor, dessen Erhebung nachfolgend detaillierter beschrieben wird. Die Variable Einkommen wurde aus dem Verbundeinkommen pro Person (exklusive Minderjährige) verwendet, wobei ein Durchschnitt dieses Einkommens über 13 Monate gebildet wurde. Wenn einer der Kunden nicht zum Privatkundensegment gehörte, blieb sein Einkommensanteil unberücksichtigt. Aufgrund der Heterogenität der beteiligten Sparkassen wurden bei der Ermittlung des Einkommens zwei verschiedene Verfahren gewählt. Zum einen wurde von ostdeutschen Sparkassen das verfügbare Einkommen aus den Umsätzen auf den Girokonten generiert. ← 66 | 67 → Zum anderen wurde bei den westdeutschen Sparkassen auf eine standardisierte Berechnung des Einkommens zurückgegriffen, die zur Ermittlung der Dispositionskreditlinie dient. Dieser Ermittlung liegt das gleiche Prinzip zu Grunde, es ergeben sich aber Unterscheide bei der Berücksichtigung von Zinseinkünften, Einkünften aus Vermietung und Verpachtung sowie sonstigen regelmäßig anfallenden Zahlungseingängen, die im letzteren Fall nicht enthalten sind. Zudem existiert bei der standardisierten Berechnung eine Kappung bei sehr großen Einkommen. Diese etwas unterschiedliche Erhebungsmethodik führt tendenziell zu einer Unterschätzung des Einkommens in Westdeutschland. Nach Rücksprache mit den für die Datenaufbereitung zuständigen Experten der Sparkassen kann jedoch von einer ausreichenden Vergleichbarkeit ausgegangen werden. Diese Einschätzung wird durch eine nähere Untersuchung der Einkommen bestätigt. So liegen die Durchschnittswerte für ost- und westdeutsche Sparkassen in vergleichbaren Dimensionen.56 Zieht man zur Beurteilung der Verzerrung Daten aus der VGR der Länder über das verfügbare Einkommen der privaten Haushalte in den Kreisen der Geschäftsgebiete heran,57 so kann von einer Unterschätzung der Einkommen im Bereich von ca. 15-20% ausgegangen werden. Betrachtet man zusätzlich das durchschnittliche Einkommen in Abhängigkeit vom Alter, so bleibt zwar der charakteristische Verlauf qualitativ erhalten. Dennoch muss davon ausgegangen werden, dass die Unterschätzung über den Lebenszyklus asymmetrisch verläuft, da die Verzerrung vom Alter abhängen dürfte. Zusammenfassend beurteilt scheinen die leichten methodischen Differenzen und die resultierenden Niveaueffekt jedoch nicht so gravierend, als dass man die Variable Einkommen aus der Untersuchung entfernen müsste.

Die Dummyvariable „Transfereinkommen“ erhält den Wert 1, wenn der Kunde im Referenzjahr (Jahr 2006 bzw. 2007) mindestens 7 Monate Transfereinkommen, d.h. ALG 1 oder ALG 2 bezogen hat. Kindergeld oder Rentenbezüge zählen in dieser Untersuchung nicht zum Transfereinkommen. Erfüllen bei einem Kundenverbund nicht alle zugehörigen Individualkunden diese Kriterien, wird dennoch allen anderen beteiligten Einzelkunden ebenfalls der Wert 1 zugewiesen. Dieses Verfahren soll abbilden, dass der Einzelkunde einem Haushalt angehört, in dem mindestens ein Bezieher von Arbeitslosengeld oder vergleichbaren Transfereinkommen lebt. ← 67 | 68 →

5.1.2.2 Variablen der Kundenbeziehung

Als Variable, die die Kundenbeziehung zur Sparkasse näher beschreibt, steht zum einen die Dummyvariable "Girokonto" zur Verfügung. Sie nimmt den Wert 1 an, wenn der betreffende Kunde bei seiner Sparkasse ein Girokonto unterhält. Zum anderen enthalten die vorliegenden Datensätze der elf Sparkassen sieben Variablen, die die (Produkt-) Portfoliostruktur des Kunden zum Stichtag beschreiben. Aus Bankensicht können die Variablen in Aktiva (Kredite des Kunden) und Passiva (Einlagen des Kunden) unterteilt werden. Als Aktiva gehen die Variablen Darlehen (DL) und Dispositionskredite (DP) in die Untersuchung ein, die nachfolgend genauer beschrieben werden:

Darlehen (DL): Die Variable Darlehen umfasst sämtliche Darlehensarten, insbesondere jedoch die für das Privatkundensegment maßgeblichen Baufinanzierungen und Allzweckkredite.

Dispositionskredite (DP): Die Variable Dispositionskredite wird aus den Sollsalden der Girokonten des Kunden zum Stichtag ermittelt. Hier handelt es sich um die tatsächliche Inanspruchnahme bzw. kurzfristige Ausschöpfung einer eingeräumten Kreditlinie, nicht um die Kreditlinie selbst.

Als Passiva aus Bankensicht werden in der Analyse die Variablen Sichteinlagen (SE), Termineinlagen (TE), DepotB (DPB), Dekafonds (DK) und Spareinlagen (SP) berücksichtigt:

Sichteinlagen (SE): Unter der Variable Sichteinlagen werden alle Bestände (Habensalden) auf Privatgirokonten (Zahlungsverkehrskonten) als auch auf Zins-Aktiv-Konten (rein technisch als Privatgirokonto administriert, allerdings nicht für den Zahlungsverkehr vorgesehen) der Privatkunden zusammengefasst.

Termineinlagen (TE): Hierzu zählen für einen gewissen Zeitraum kurzfristig festgelegte verzinsliche Einlagen des Kunden. Die Variable Termineinlagen spielt im Privatkundensegment nur eine untergeordnete Rolle, wurde aber der Vollständigkeit halber mit in die Betrachtung aufgenommen. Firmenkunden-Termineinlagen bleiben unberücksichtigt.

DepotB (DPB): Für die Variable DepotB wurde der Wert der Kunden-Wertpapierdepots angesetzt, die Investmentfonds, Aktien, Inhaberschuldverschreibungen, ← 68 | 69 → Zertifikate, Anleihen und fest- bzw. variabel verzinsliche Wertpapiere aller Art umfassen können.

Deka-Investmentfonds (DK): Für die Variable DK wurde der Wert der Deka-Depots und somit aller darin verwahrbaren Investmentfonds (Deka-Investmentfonds und Fonds der Kooperationspartner) angesetzt.

Sparen (SP): Die Variable Sparen enthält sämtliche Sparformen im Privatkundensegment: Sparverträge mit und ohne Kündigungsfrist, d.h. alle Arten von Sparbüchern/-verträgen, sowie diverse hausspezifische Sparverträge: Sparbuch, Goldenes Sparbuch, Führerscheinsparen, Festzinssparen, Zuwachssparen, VL-Sparen, Prämiensparen flexibel, S-RentaPlan. Ebenfalls in den Bereich Sparen wurden die sonst separat kategorisierten Sparbriefe aufgenommen.

5.1.3 Bereinigung der Einzeldatensätze

Nachdem die Variablen der Datensätze ebenso wie die z.T. notwendige Kodierung in Dummyvariablen ausführlich beschrieben wurden, wird im Folgenden auf die Bereinigung der elf gelieferten Rohdatensätze eingegangen.58 Diese Vorarbeiten sind notwendig, um die empirische Auswertung und die Aggregation der Einzeldatensätze vorzubereiten, die im anschließenden Kapitel beschrieben wird.

Vereinzelt umfassten die Datensätze Kunden, die zum Stichtag bereits verstorben waren, mit denen die Sparkassen aber dennoch einen Deckungsbeitrag erzielten. Da sich die vorliegende Untersuchung allein auf lebende Kunden konzentrieren soll, wurden die Datensätze gelöscht sofern eine Sterbeinformation vorlag.59 Zudem wurden auch all jene Datensätze eliminiert, für die zwar keine explizite Sterbeinformation vorlag, der Kunde aber zum Stichtag bereits älter als 100 Jahre war. Da der Anteil der über 100-Jährigen in der deutschen Bevölkerung ← 69 | 70 → verschwindend klein ist, kann davon ausgegangen werden, dass die große Mehrzahl dieser Kunden tatsächlich bereits gestorben ist, die Information über das Ableben die Sparkassen jedoch noch nicht erreicht hat. Die durch diese Vorgehensweise entstehende Verzerrung, tatsächlich noch lebende Kunden fälschlicherweise aus dem Datensatz herauszunehmen, erscheint kleiner als der Fehler, der entsteht, wenn diese Kunden im Datensatz verbleiben.

Darüber hinaus enthielten die Datensätze vereinzelt Kunden ohne Altersangabe. Diese Individuen konnten ebenfalls nicht betrachtet werden, da die Altersangabe zwingend notwendig für die Regressionsanalyse und die spätere Simulation ist. Für einige Kunden war der Wohnort aus der vorliegenden Postleitzahl nicht ermittelbar bzw. es lag keine Postleitzahl vor. Um die sonstigen Informationen dieser Kunden dennoch nutzen zu können, wurde diesem Umstand durch die Einführung einer Wohnortdummyvariable Rechnung getragen, die den Wert eins annimmt, wenn der Wohnort nicht ermittelbar war. Die Zahl der betreffenden Kunden liegt bei ungefähr einem halben Promille aller Beobachtungen (1364 Kunden).

Nicht berücksichtigt wurden weiterhin Leerkunden, d.h. Kunden, die zwar eine Kundenummer aufwiesen, aber hinsichtlich Einkommen, Deckungsbeitrag, Aktiva und Passiva über keine von Null verschiedenen Ausprägungen verfügten. Abschließend wurden Kunden ohne Geschäft zum Stichtag eliminiert, d.h. Kunden, die im Referenzjahr zwar Einkommen oder Deckungsbeitrag generiert haben, zum Stichtag jedoch über keinerlei Aktiva oder Passiva verfügten. Auf eine Bereinigung des Datensatzes um vermeintliche Ausreißer und unplausible Ausprägungen bei Einkommen und Portfoliovariablen, z.B. bei sehr großen Anlage- oder Kreditvolumina, konnte dagegen verzichtet werden, da die Qualität der Datenerhebung sich insgesamt als sehr gut herausstellte und keine Anhaltspunkte für Fehler in der Datenextrahierung und -aufbereitung vorlagen.

5.1.4 Aggregation der Einzeldatensätze

Nachdem die Rohdaten bereinigt und um die oben beschriebenen Dummyvariablen ergänzt wurden, konnten die Einzeldatensätze nun sinnvoll zu aggregierten Subsamples Ost/West und schließlich zum integrierten Datensatz aller Sparkassen zusammengefasst werden. Hierbei traten allerdings drei Probleme auf. So konnte erstens Bank 3 die Ausnutzung der Dispositionskredite (Variable DP) zum Stichtag nicht mehr rückwirkend ermitteln, so dass hier keine Informationen ← 70 | 71 → über die realisierten Sollsalden zum Stichtag vorliegen. Da zum einen auf die sonstigen Informationen, die im Datensatz der Sparkasse 3 enthalten sind, nicht verzichtet werden soll und zum anderen vermutet werden kann, dass die Variable DP eine wichtige Determinante des Ertrags ist, wird für die fehlenden Werte eine Substitution vorgenommen. Als erstes Näherungsverfahren wurde eine Ersetzung durch bedingte Mittelwerte durchgeführt (conditional mean value imputation). Da es sich lediglich um ca. 5% aller Beobachtungen für die Variable DP handelt, kann die leichte Ungenauigkeit an dieser Stelle toleriert werden. Der entstehende Informationsmehrwert durch Aufnahme der Variable DP in die ökonometrische Analyse scheint in diesem Fall die kleine entstehende Verzerrung der Schätzergebnisse zu rechtfertigen.

Bei der Überprüfung der Sollsalden für ost- und westdeutsche Sparkassen treten erhebliche, statistisch hoch signifikante Unterschiede bei den durchschnittlichen Volumina auf, so dass für alle Kunden der Bank 3 der Mittelwert der restlichen ostdeutschen Sparkassen angesetzt wurde. Zusätzlich könnte eine weitere feinere Unterscheidung nach Geschlecht vorgenommen werden, da sich die durchschnittliche Inanspruchnahme von Dispositionskrediten zwischen Männern und Frauen für ostdeutsche Datensätze ebenfalls mit einer Irrtumswahrscheinlichkeit von weniger als einem Prozent unterscheidet. Der Mehrwert einer solchen feineren elaborierteren Substitution scheint jedoch angesichts der Bedeutung von Bank 3 im Gesamtsample und den sich in Abschnitt 6.3.1 ergebenden äußerst robusten Schätzergebnissen gering.60

Andere Imputationsverfahren (regression imputation, multiple imputation, Maximum Likelihood-Verfahren) wurden wegen der geringen Korrelation zwischen der Variable DP und den anderen Variablen im Datensatz und des zu erwartenden geringen zusätzlichen Erklärungsgehalts verworfen.61 Zudem hat das Fehlen der Daten hier ausschließlich externe technische Gründe und hängt nicht von den anderen erhobenen Daten ab.

Ein zweites Problem liegt bei der Dummyvariable zum Transfereinkommen (D_transfer) vor. Bank 11 konnte - ebenfalls aus technischen Gründen - die Variable ← 71 | 72 → D_transfer nicht erheben. Da es sich hier um eine Dummyvariable handelt, ist eine Substitution durch den Mittelwert nicht sinnvoll. Auch eine zufällige [0,1]-Zuordnung erscheint methodisch äußerst fragwürdig und wurde verworfen. Bei der Bank 11 handelt es sich um eine große westdeutsche Sparkasse, deren Daten für die Aussagekraft der westdeutschen Ergebnisse und den Ost/West-Vergleich unverzichtbar sind. Bei der Aggregation der Datensätze wurde deshalb für den westdeutschen und den gesamtdeutschen Datensatz auf die erklärende Variable Transfereinkommen verzichtet, um die Sparkasse dennoch in die Untersuchung aufnehmen zu können.

Eine letzte Schwierigkeit liegt bei der Variable Termineinlagen (TE) vor. Bank 10 hat im Privatkundenbereich keine Produkte dieser Kategorie, so dass hier alle Ausprägungen den Wert 0 annehmen. Im Fall der Termineinlagen (TE) wurde ebenfalls auf eine Ersetzung durch den Mittelwert verzichtet, da es sich hier nicht um fehlende, aber real vorhandene Daten, wie z.B. im Fall der Dispositionskredite, handelt. Dort existieren für die einzelnen Kunden bestimmte Volumina, die lediglich nicht erhoben werden konnten. Im Fall Termineinlagen sind jedoch keine Ausprägungen ungleich Null vorhanden, so dass hier nicht einfach ein wie auch immer gearteter Wert zugeschrieben werden kann. Betroffen sind in diesem Fall ca. 4% der Beobachtungen für die Variable TE. Da jedoch die Sparkasse 10, ebenso wie die Bank 11, essentiell für die Relevanz der westdeutschen Ergebnisse und den Ost/West-Vergleich ist, sollen ihre Informationen in die aggregierten Datensätze einfließen, d.h. die Bank kann nicht einfach komplett ignoriert werden. Darüber hinaus wird erwartet, dass Termineinlagen eine durchaus wichtige Determinante des DBII sind, so dass die Informationen der Bank 10 zu den Termineinlagen zunächst einfach in die aggregierten Datensätze übernommen werden. Dies hat jedoch zur Folge, dass die Wahrscheinlichkeit insignifikanter Schätzergebnisse für diese Variable im Gesamtdatensatz steigt.62

Für den integrierten Datensatz der westdeutschen Sparkassen und den Gesamtdatensatz muss also auf die die erklärende Variable Transfereinkommen verzichtet werden. Ansonsten sind die potentiellen Determinanten des Deckungsbeitrags identisch. ← 72 | 73 →

Im letzten Schritt wurden zusätzlich noch elf Dummyvariablen kreiert, die die Zugehörigkeit eines Kunden zu einem Kreditinstitut anzeigen („Sparkassendummies“). Stammt beispielsweise ein Kunde von der Sparkasse 1, so erhält die zugehörige Dummyvariable den Wert Eins, alle anderen Dummyvariablen, die die Sparkassenzugehörigkeit anzeigen, nehmen den Wert Null an.

Um im weiteren Verlauf der Untersuchung eventuelle strukturelle Unterschiede zwischen ost- und westdeutschen Kreditinstituten zu untersuchen, wurde zusätzlich eine Eigenschaftsvariable für die Herkunft der Sparkasse eingeführt. Die Dummyvariable D_org nimmt den Wert 1 an, wenn der Kundendatensatz von einer westdeutschen Sparkasse stammt und den Wert 0, wenn er von einer ostdeutschen Sparkasse kommt.

Im aggregierten Datensatz macht es wenig Sinn, die Wohnortdummies der Einzeldatensätze zu übernehmen, da es kaum regionale Überschneidungen zwischen den Sparkassen gibt, d.h. Wohnortdummies würden im Wesentlichen sparkassenindividuelle Effekte bzw. Differenzen messen. Zudem liegen im Gesamtdatensatz nur höchst selektiv für wenige Kreise Deutschlands Beobachtungen in ausreichender Fallzahl vor, so dass aus den Informationen auch keine Wohnortdummies für NUTS II-Regionen abgeleitet werden können.63

Um die Informationen, die in der Postleitzahl enthalten sind, auch im aggregierten Datensatz bzw. in der späteren Regression nutzen zu können, wurde eine Dummyvariable D_plzGG eingeführt, die anzeigt, ob ein Kunde im Geschäftsgebiet seiner Sparkasse wohnt (D_plzGG=1) oder nicht (D_plzGG=0). Kunden deren Wohnort nicht zuzuordnen war, wurde ebenfalls der Wert 0 zugewiesen.

Nachdem die Bereinigung, Aggregation und Erweiterung um die beschriebenen Eigenschaftsvariablen durchgeführt wurde, liegen drei zusammengefasste Datensätze ost-, westdeutscher und aller Sparkassen vor, die in den nächsten Abschnitten 5.1.5 bis 5.1.8 ausführlich vorgestellt werden. Zunächst erfolgt jedoch eine Beschreibung der Teildatensätze und der zugehörigen Sparkassen. ← 73 | 74 →

5.1.5 Charakterisierung der Sparkassen und Anzahl der Kundendatensätze

Da der erste Teil der Ertragsanalyse auf Sparkassenebene stattfindet, es sich also auf dieser Ebene um Fallstudien handelt, ist es sinnvoll, die zu Grunde liegenden Untersuchungsobjekte hinreichend genau zu charakterisieren. Als Dimensionen werden hierfür die Größe der Teildatensätze, die gleichzeitig die Größe der Sparkasse widerspiegelt, die regionale Herkunft der Sparkasse und die Bedeutung und Siedlungsstruktur des Geschäftsgebiets herangezogen. Diese Faktoren besitzen neben der demographischen Entwicklung in den Geschäftsgebieten, die in Abschnitt 5.2.3 genauer beschrieben wird, Relevanz, um die Ergebnisse der Analyse auf Sparkassenebene einordnen zu können. Darüber hinaus können erste Anhaltspunkte hinsichtlich einer eventuellen Übertragbarkeit der Resultate und der Repräsentativität der Sparkassenauswahl erlangt werden. Wegen der Maßgabe, die Identität der Sparkassen und ihrer Kunden zu schützen, unterliegt die Charakterisierung der Sparkassen und ihrer Datensätze Restriktionen, die aufgrund von Vertraulichkeitsvereinbarungen zwingend eingehalten werden müssen.

Hinsichtlich der Kundenzahl werden deshalb die Einzeldatensätze der Sparkassen in drei Größenklassen unterteilt. Unterschieden werden hier kleine Sparkassen mit bis zu 100.000 Kunden,64 mittlere Sparkassen mit 100.000 bis 200.000 Datensätzen und große Sparkassen mit mehr als 200.000 Beobachtungen. Bei der regionalen Herkunft der Sparkassen kann aufgrund der Restriktionen lediglich eine Differenzierung nach Ost-/Westdeutschland vorgenommen werden.

Da die Untersuchungsebene für die Ertrags- und Kundenprognose die Kreise des Geschäftsgebiets sind, wird für die elf Sparkassen ermittelt, welche Bedeutung das Geschäftsgebiet im Privatkundengeschäft besitzt, d.h. wie viel Prozent der Kunden in den zugehörigen Kreisen leben. Bei den betrachteten Sparkassen handelt es sich um „Ein“- oder „Mehrkreissparkassen“, d.h. die Geschäftsgebiete korrespondieren mit administrativen Kreisgrenzen. Genaue Informationen über die Anzahl der Kreise unterliegen ebenfalls der Geheimhaltung. ← 74 | 75 →

Um abschließend zu ermitteln, welche Siedlungsstruktur in den Geschäftsgebieten vorherrscht, d.h. ob es sich um eher städtisch oder ländlich geprägte Regionen handelt, wird auf eine Systematisierung des BBR zurückgegriffen (BBR [2009]).

Das BBR unterteilt Deutschland in sogenannte siedlungsstrukturelle Regionen, die sich in der Regel aus mehreren Kreisen bzw. kreisfreien Städten zusammensetzen. Hierbei werden je nach der Größe bzw. zentralörtlichen Bedeutung des Zentrums und der Bevölkerungsdichte drei Regionsgrundtypen unterschieden: „Agglomerationsräume“ (Typ I), „Verstädterte Räume“ (Typ II) und „Ländliche Räume“ (Typ III). Um die Kreise innerhalb dieser Regionen zu klassifizieren, werden insgesamt 9 Kreistypen definiert.

Bei der Ausdifferenzierung nach Kreistypen wird nach Kernstädten und übrigen Kreisen bzw. Kreisregionen unterschieden. Kernstädte sind kreisfreie Städte mit mehr als 100.000 Einwohnern, die in der Regel das Oberzentrum einer Region bilden. Kreisfreie Städte mit weniger als 100.000 Einwohnern werden bei der Typisierung mit ihrem Umland zu Kreisregionen zusammengefasst. Außerhalb der Kernstädte ist das entscheidende Einteilungskriterium die Bevölkerungsdichte, die für alle Kreise und Kreisregionen ermittelt werden muss. Wird dann zusätzlich die Zugehörigkeit zum Regionsgrundtyp I, II oder III berücksichtigt, kann die abschließende Typisierung der kreisfreien Stadt, des Kreises oder der Kreisregion vorgenommen werden. Es ergeben sich für Agglomerationsräume vier Kreistypen, für verstädterte Räume drei Typen und für ländliche Räume zwei Kreistypen. Tabelle 5 fasst die beschriebenen Systematisierungskriterien zusammen.

Bei „Einkreissparkassen“ und „Mehrkreissparkassen“, deren Kreise und kreisfreien Städte des Geschäftsgebiets einem Typ entsprechen, ist die Zuordnung trivial. Bei Sparkassen mit Geschäftsgebieten, die aus mehreren Kreisen differierenden Typs bestehen, wurde der Kreistyp des Kreises gewählt, in dem der Sitz der Sparkasse liegt. Diese Selektion deckt sich in der Regel mit dem Geschäftsschwerpunkt hinsichtlich der Kundenzahl. Üblicherweise besteht darüber hinaus in den Geschäftsgebieten keine gravierende Heterogenität hinsichtlich der Siedlungsstruktur. ← 75 | 76 →

Tabelle 5: Siedlungsstrukturelle Kreistypen nach BBR-Systematik; Quelle: eigene Darstellung nach BBR (2008)

Grundtyp I: Agglomerationsräume

a) Oberzentrum > 300.000 Einwohner oder

b) Dichte > 300 Einwohner/km2
Kreistyp
Kernstädte Kreisfreie Städte

> 100.000 Einwohner
1
Hochverdichtete KreiseKreise mit Dichte

>= 300 Einwohner/km2
2
Verdichtete KreiseKreise mit Dichte

>= 150 Einwohner/km2
3
Ländliche KreiseKreise Dichte

< 150 Einwohner/km2
4
Grundtyp II: Verstädterte Räume

a) Dichte > 150 Einwohner/km2 oder

b) Oberzentrum > 100.000 Einwohner bei einer Mindestdichte von 100 Einwohner/km2
KernstädteKreisfreie Städte

> 100.000 Einwohner
5
Verdichtete KreiseKreise mit Dichte

>= 150 Einwohner/km2
6
Ländliche KreiseKreise mit Dichte

< 150 Einwohner/km2
7
Grundtyp III: Ländliche Räume

a) Dichte < 150 Einwohner/km2 oder

b) ohne Oberzentrum > 100.000 Einwohner oder

c) mit Oberzentrum >100.000 Einwohner bei einer Dichte < 100 Einwohner/km2
Ländliche Kreise höherer DichteKreise mit Dichte

>= 100 Einwohner/km2
8
Ländliche Kreise geringerer DichteKreise mit Dichte

< 100 Einwohner/km2
9

In Tabelle 6 sind die Ergebnisse für die vier herangezogenen Kriterien zur Charakterisierung der Teildatensätze bzw. der zugehörigen Sparkassen zusammengestellt. Insgesamt umfasst der Gesamtdatensatz nach Bereinigung, Vereinheitlichung und Aggregation 2.472.485 Sparkassenkunden. 78,8% der Beobachtungen stammen von acht ostdeutschen Sparkassen, 22,2% von drei westdeutschen Sparkassen. Die ostdeutschen Sparkassen lassen sich dabei in zwei große Banken, vier mittlere sowie zwei kleine Institute unterteilen. Aus dem Westen fließen Samples von zwei kleinen bzw. einer großen Bank ein.

Die drei großen Sparkassen 2, 5 und 11 zeichnen sich dadurch aus, dass sie durchgängig in größeren Agglomerationsräumen tätig sind. Die Sitze der Sparkassen liegen dabei in den jeweiligen Kernstädten (Kreistyp 1). Die kleinen und mittleren Banken im Osten und Westen sind in verdichteten Kreisen aktiv, die ← 76 | 77 → entweder Agglomerationsräumen (Kreistyp 3) oder verstädterten Regionen zugeordnet werden können (Kreistyp 6). Als einzige Ausnahme ist die kleine westdeutsche Sparkasse 9 in einem hochverdichteten Kreis beheimatet, der in einem Agglomerationsraum liegt (Kreistyp 2). Sparkassen aus explizit ländlichen Kreisen gemäß BBR-Definition existieren nicht im Sample (Kreistypen 4, 7, 8 oder 9). Insgesamt sind die Geschäftsgebiete aller Sparkassen somit städtisch geprägt. Da jedoch auch innerhalb von Kreisen z.T. erhebliche Unterschiede in der Siedlungsstruktur bestehen, ist zu konstatieren, dass die kleinen und mittleren Sparkassen teilweise in Regionen tätig sind, die im allgemeinen Sprachgebrauch und Empfinden als ländlich-peripher bezeichnet werden könnten.

Betrachtet man die regionale Kundenverteilung, so wird die dominante Rolle der Geschäftsgebiete im Privatkundengeschäft sichtbar. Insgesamt stammen fast 92% der Kunden aus den nach dem Regionalprinzip der Sparkassen relativ klar abgegrenzten Arealen. Bei Bank 8 beträgt der Anteil der externen Kunden sogar nur knapp 6%, wohingegen bei Bank 9 ca. 14,5% der Kunden außerhalb des Geschäftsgebiets wohnen.

Tabelle 6: Übersicht über die Teildatensätze; Quelle: eigene Berechnungen

Illustration

* Bei mehreren Kreisen: Kreistyp des Sitzes der Sparkasse. ← 77 | 78 →

5.1.6 Altersstruktur der Kunden

Nachdem die regionale Verteilung der Sparkassenkunden und die Struktur der Geschäftsgebiete charakterisiert wurde, soll kurz auf die demographische Struktur der Datensätze für Ost- und Westdeutschland eingegangen werden. In Abbildung 10 sind hierzu die prozentualen Anteile der einzelnen Altersgruppen an der Gesamtkundenzahl im Vergleich zur Bevölkerungsstruktur Gesamtdeutschlands zum 31.12.2006 abgetragen.65

Illustration

Abbildung 10: Bevölkerungsstruktur Deutschland vs. Kundenstruktur der ost- und westdeutschen Sparkassen (Anteil der Altersgruppen in %).; Quelle: eigene Darstellung

Zwischen der transparenten hellgrauen Fläche, die die westdeutsche Altersstruktur der Kunden abbildet und der dahinter gelegten dunkelgrauen ostdeutschen Verteilung, offenbaren sich erhebliche Differenzen. Diese Unterschiede in ← 78 | 79 → der Altersstruktur der Kunden resultieren zum einen aus unterschiedlichen Marktanteilen in den einzelnen Altersgruppen, reflektieren aber auch die divergierenden demographischen Grundmuster in Ost- und Westdeutschland.

Die Kundenstruktur der westdeutschen Sparkassen bildet die deutsche Bevölkerungsstruktur recht gut ab. Im Vergleich zeigen sich hier insbesondere bei den erwachsenen Kunden ab 34 Jahren nur geringe Abweichungen. Bei den jüngeren Kunden ist dagegen der Bereich der Jugendlichen und jungen Erwachsenen zwischen 16 und 33 Jahren überproportional repräsentiert, während das Segment jungen Kunden unter 16 Jahren z.T. deutlich unterproportional vertreten ist. Für die ostdeutschen Sparkassen ergeben sich im Vergleich zur westdeutschen Verteilung und damit auch zur deutschen Bevölkerungsstruktur erhebliche Differenzen. Auffällig ist der auch in Relation zu den westdeutschen Sparkassen größere Anteil junger Kunden im Alter zwischen 17 und 30 Jahren. Zum Teil stark unterrepräsentiert sind dagegen die ganz jungen Kunden unter 17 und die Kundengruppen zwischen 30 und 50 Jahren. Bei den Altersgruppen der über 50-Jährigen finden sich dagegen mit wenigen Ausnahmen überproportional stark besetzte Klassen.

Zusammenfassend ist also festzustellen, dass die westdeutschen Sparkassen im Vergleich zur Gesamtbevölkerung zwar über eine leicht ältere, in Relation zu den ostdeutschen Sparkassen aber insgesamt über eine wesentlich jüngere Kundenbasis verfügen. Das Durchschnittsalter ihrer Kunden beträgt 43,9 Jahre und liegt damit über dem Durchschnittsalter der Gesamtbevölkerung von 42,1 Jahren, aber signifikant unter dem Durchschnittsalter der Kunden ostdeutscher Sparkassen von 47,4 Jahren. Diese Abstufung zeigt sich auch, wenn man die Kunden und die Bevölkerung in drei Altersgruppen „0 bis 18 Jahre“, „19 bis 64 Jahre“ und „über 65 Jahre“ einteilt. Die älteren Kunden über 65 Jahre sind bei den ostdeutschen Sparkassen deutlich überrepräsentiert: 27,5% der ostdeutschen Kunden und lediglich 21,5% der westdeutschen Kunden fallen in dieses Segment. Der Referenzwert in der deutschen Bevölkerung liegt dagegen bei 19,8%. Bei den jungen Kunden unter 19 Jahren zeigt sich ein inverses Bild. In diese Gruppe fallen bei den ostdeutschen Sparkassen 10,4% und bei den westdeutschen Sparkassen 14,4% der Kunden, obwohl sie 18,5% der deutschen Bevölkerung stellen. In der mittleren Altersgruppe zeigen sich keine gravierenden Differenzen: 62,1% der ostdeutschen, 64,1% der westdeutschen Kunden und 61,7% der deutschen Bevölkerung sind diesem Segment zuzurechnen. ← 79 | 80 →

5.1.7 Deskriptive Statistik

5.1.7.1 Aggregierte Teildatensätze der ost- und westdeutschen Sparkassen

Die Beschreibung des Datensatzes wird im Folgenden mit Hilfe eines Überblicks über die Ausprägungen der kundenindividuellen Variablen erweitert. Aus Datenschutzgründen können dabei keine sparkassenindividuellen Statistiken aufgenommen werden. Um dennoch einen Eindruck der vorhandenen Unterschiede zwischen ost- und westdeutschen Sparkassen zu vermitteln, werden in Tabelle 7 Mittelwert, Standardabweichung sowie Minima und Maxima der wichtigsten kundenindividuellen Variablen für die aggregierten Teildatensätze Ost/West zusammengestellt. Dabei wurden alle Beobachtungen aus den jeweiligen Datensätzen herangezogen. In die Berechnung der durchschnittlichen Spareinlagen werden so z.B. auch die Kunden einbezogen, die über keine Spareinlagen verfügen und demzufolge hier einen Bestand von Null zum Stichtag aufweisen.

Im westdeutschen Datensatz sind 51,03% der Kunden Frauen, was ziemlich genau dem Frauenanteil in der westdeutschen Bevölkerung (51,09%) entspricht. Im ostdeutschen Datensatz sind die weiblichen Kunden dagegen mit 53,62% im Verhältnis zum Referenzwert der ostdeutschen Bevölkerung (50,82%) leicht überrepräsentiert.66

Im Durchschnitt über alle Kunden generieren westdeutsche Sparkassen mit 291,92€ einen zum 1%-Niveau signifikant höheren Deckungsbeitrag pro Kopf als die Sparkassen in Ostdeutschland (257,94€). Eine mögliche Ursache hierfür könnte z.B. in vergleichsweise größeren Anlage- und Kreditvolumina in Westdeutschland zu suchen sein. Betrachtet man die durchschnittlichen Anlagesummen auf der Passivaseite der Banken genauer, so ergibt sich bei den einzelnen Produkten allerdings kein homogenes Bild. Bei drei Produkten sind im Osten moderat höhere Volumina zu beobachten. Dies betrifft die Sichteinlagen (2391,31€ zu 2078,72€), die Spareinagen (6182,71€ zu 5169,25€) und die DEKA-Fonds (1178,32€ zu 1050,50€). Diesen leicht höheren Anlagebeträgen ostdeutscher Kunden stehen in den Produktkategorien DepotB und Termineinlagen größere Differenzen zugunsten westdeutscher Kunden gegenüber. Bei den sonstigen ← 80 | 81 → Wertpapieren, die im DepotB zusammengefasst sind, übersteigt der Durchschnittsanlagebetrag im Westen den im Osten um mehr als das Dreifache (3371,32€ zu 977,48€), bei den Termineinlagen ist diese Differenz sogar noch wesentlich gravierender. Investiert ein Kunde ostdeutscher Sparkassen im Durchschnitt 51,71€ in diese Anlageform, so sind es im Westen 1135,08€, d.h. mehr als das Zwanzigfache.

Tabelle 7: Deskriptive Statistik der kundenindividuellen Variablen (I) (Berechnungsbasis: alle Kunden); Quelle: eigene Berechnungen

Illustration

← 81 | 82 →

Über alle Beobachtungen ergibt sich im Westen somit eine durchschnittliche Anlagesumme von 12.804,86€, wovon knapp 50% in relativ sichere Spar- und Termineinlagen (SP: 40,37%; TE:8,86%) und ein gutes Drittel in risikoreichere Anlageformen fließen (DepotB: 26,33%; Deka-Fonds: 8,20%). Der Rest von ungefähr einem Sechstel wird in Sichteinlagen gehalten (SE: 16,23%). Im Osten ergibt sich dagegen ein insgesamt niedriger durchschnittlicher Anlagebetrag (10.781,54€), dessen Struktur zudem deutlich vom Westen abweicht. Knapp 58% fließen in die sicheren Produktkategorien SP und TE, wobei die Spareinlagen mit 57,35% deutlich dominieren. Risikoreichere Anlageformen spielen eine geringere Rolle, nur 20% (DepotB: 9,07%, Deka-Fonds: 10,93%) der Anlagesumme wird in diese Produktkategorien investiert. Dagegen wird im Osten ein größerer Anteil an liquiden Mitteln vorgehalten (SE: 22,18%). Diese Portfoliostruktur deutet darauf hin, dass Kunden ostdeutscher Sparkassen im Durchschnitt konservativer und risikoaverser agieren.

Westdeutsche Kunden verfügen jedoch im Mittel nicht nur über ein insgesamt höheres Anlagevolumen und eine andere Portfolioaufteilung, sondern sie verschulden sich auch stärker als Kunden ostdeutscher Sparkassen. Ein differenzierter Blick auf die Aktivaseite der Banken zeigt, dass das durchschnittliche Darlehensvolumen im Westen mehr als viermal so groß ist (6520,07€ zu 1435,38€). Auch die kurzfristige Inanspruchnahme von Kontokorrentkrediten ist im Westen stärker ausgeprägt (256,64€ im Vergleich zu 80,85€).

Die Betrachtung der Durchschnitte über alle Kunden ist jedoch nur sinnvoll, um einen ersten Eindruck zu gewinnen. Ausgeblendet wird hier die individuelle Nutzungsentscheidung, die zur Relativierung oder Verstärkung der beobachteten Differenzen führen kann.67 So ist beispielsweise die Girokontenquote im Osten mit 80,9% höher als im Westen mit 70,7%. Wenn ein Großteil der Sichteinlagen auf Girokonten gehalten werden oder beispielsweise das Einkommen nur ermittelt werden kann, wenn ein Girokonto vorhanden ist, ist der Vergleich der Durchschnitte per se wenig aussagekräftig. Um das Bild zu vervollständigen, werden deshalb im nächsten Schritt für jede Variable bzw. für jede Produktkategorie nur diejenigen Kunden betrachtet, die über eine von Null verschiedene Ausprägung verfügen. Auch für diese Kundengruppe werden für jede Variable jeweils der Mittelwert und die Standardabweichung berechnet. Setzt man darüber hinaus die resultierende Anzahl der Personen ins Verhältnis zur Gesamtkundenzahl, können abschließend Nutzungsquoten für jedes Produkt ermittelt ← 82 | 83 → werden. Die Ergebnisse sind in Tabelle 8 zusammengefasst. Korrigiert man für die Nutzungsquoten, die zwischen ost- und westdeutschen Sparkassen leicht differieren, so zeigt sich bei allen Produktkategorien mit Ausnahme der Spareinlagen ein z.T. deutlich höheres Volumen westdeutscher Kunden. Ebenso ergibt sich nun ein höheres durchschnittliches Einkommen für die Kunden westdeutscher Sparkassen.

Die am häufigsten genutzten Passivprodukte der ost- und westdeutschen Sparkassen sind Sicht- und Spareinlagen, wobei die ostdeutschen Institute in beiden Kategorien höhere Nutzungsquoten aufweisen (SE: 72,9% zu 59,8%; SP: 69,1% zu 66,2%). Niedriger ist der Anteil der Kunden, die risikoreichere Anlageformen wie Fonds oder sonstige Wertpapiere nutzen. Die institutseigenen DEKA-Fonds scheinen dabei bei ostdeutschen Kunden beliebter zu sein (12,94% zu 9,32%), wohingegen die in der Kategorie DepotB zusammengefassten Produkte für westdeutsche Kunden eine höhere Attraktivität besitzen (7,95% zu 6,71%). Bei den Termineinlagen ergibt sich die größte Differenz in der Nutzung. Investiert lediglich ein verschwindend geringer Teil der Kunden ostdeutscher Sparkassen in dieses Produktkategorie (0,31%), so verfügen immerhin knapp 4,5% der westdeutschen Kunden über solche Einlagen.68

Nicht nur in der Nutzungsfrequenz, sondern auch in den durchschnittlichen Volumina ergeben sich sowohl zwischen den Produktformen als auch zwischen den Kunden ost- und westdeutscher Sparkassen erhebliche Unterschiede, die insbesondere bei den Produkten Termineinlagen und DepotB ins Auge fallen. Diese werden zwar von wenigen Kunden genutzt, wenn dies jedoch getan wird, ergeben sich hohe absolute Anlagebeträge, die sich deutlich von den Niveaus der anderen Produktkategorien abheben und im Westen fast doppelt (TE: 27.566€ zu 16.728€) bzw. dreimal so hoch (DepotB: 42.383€ zu 14.561€) ausfallen. Der durchschnittliche Anlagebetrag von Kunden, die sich für DEKA-Fonds, Spar- oder Sichteinlagen entscheiden, unterscheidet sich zwischen Ost und West dagegen weniger dramatisch. Im Fall von DEKA-Fonds und Spareinlagen liegen die mittleren Werte im Bereich von 7.812€ bis 11.269€. Am niedrigsten und ähnlichsten sind die Summen, die vermutlich für Transaktionsaktivitäten als Sichteinlagen gehalten werden mit 3279€ (Ost) bzw. 3476€ (West). ← 83 | 84 →

Auf der Aktivseite aus Bankensicht nutzen in Ost- und Westdeutschland ungefähr ein Siebtel der Kunden Dispositionskredite (Ost: 14,97%; West: 14,36%) mit einem durchschnittlichen Überziehungskredit von 1.787,19€ (West) und 539,94€ (Ost). Darlehen werden dagegen im Westen häufiger in Anspruch genommen. Mit fast 14% ist die Nutzungsquote fast doppelt so hoch wie im Osten (7,3%). Zudem ist das durchschnittliche Volumen hier deutlich größer: 19.629,27€ (Ost) gegenüber 46.875,65€ (West).

Tabelle 8: Deskriptive Statistik ausgewählter kundenindividueller Variablen (II) (Berechnungsbasis: alle Kunden mit einer von Null verschiedenen Ausprägung der entsprechenden Variable); Quelle: eigene Berechnungen

Illustration

← 84 | 85 →

5.1.7.2 Aggregierter Gesamtdatensatz aller Sparkassen

Nach der ausführlichen Beschreibung der Teildatensätze, sind in Tabelle 9 die deskriptiven Statistiken für den Gesamtdatensatz aller Sparkassen zusammen gefasst. Für alle Variablen werden Mittelwert und Standardabweichung ermittelt, indem alle Kunden in die Berechnung einbezogen werden.69 Zusätzlich wurden analog zur oben beschriebenen Vorgehensweise für jede Variable nur die Kunden herangezogen, die das Produkt besitzen bzw. die eine Ausprägung ungleich Null bei der entsprechenden Variablen besitzen. Mit Hilfe dieser Kundengruppen können dann „nutzungsbereinigte“ Mittelwerte und Nutzungsquoten berechnet werden, die ebenfalls in die Übersicht aufgenommen wurden. Da sich die Ergebnisse als gewichtetes Mittel der Subsamples Ost/West ergeben, wird auf eine ausführliche Erläuterung verzichtet. ← 85 | 86 →

Tabelle 9: Deskriptive Statistik der kundenindividuellen Variablen (III) – Gesamtdatensatz; Quelle: eigene Berechnungen

Illustration

5.1.8 Portfoliostruktur nach Altersgruppen

Nachdem in Abschnitt 5.1.7 die unterschiedliche Bedeutung der einzelnen Produktkategorien deutlich wurde, soll die Analyse des Produktportfolios in diesem Abschnitt weiter vertieft werden, indem als zusätzliche Dimension das Alter aufgenommen wird. Es ist anzunehmen, dass die durchschnittlichen Anlagebeträge sowie die Verschuldung über den Lebenszyklus stark variieren. Vor dem Hintergrund der in Abschnitt 5.1.7 ermittelten Durchschnittswerte ist zudem anzunehmen, dass zwischen Ost- und Westdeutschland erhebliche Unterschiede in der Bedeutung einzelner Produkte bestehen. Wie sich diese Relevanz und die durchschnittlichen Volumina in den beiden Teilregionen Deutschlands für die einzelnen Altersgruppen darstellt, ist Abbildung 11 zu entnehmen. Die durchschnittlichen Forderungen aus Kundensicht (Anlagebeträge bzw. Bruttovermögen) sind dabei im positiven Bereich, die Verbindlichkeiten im negativen Bereich ← 86 | 87 → der Abszisse abgetragen. Als zusätzliche Information ist in Abbildung 11 neben den Gesamtvolumina nach Altersklassen, die Zusammensetzung nach einzelnen Produktkategorien visualisiert worden. Die Durchschnittswerte der einzelnen Aktiva aus Kundensicht sind dabei in grünen und grauen Abstufungen, die Passiva in gelb und rot abgetragen. Um abschließend einen Eindruck zu bekommen, welches Verhältnis von Forderungen und Verbindlichkeiten sich in den einzelnen Altersklassen einstellt, wurde als Differenz der beiden Größen das Nettovermögen in jeder Kohorte ermittelt und entsprechend abgetragen.

Aktiva aus Kundensicht

Vergleicht man die Abbildung 11 a) und b), so ist sowohl für Ost- als auch für Westdeutschland mit Ausnahme der jungen Altersgruppen ein nahezu stetiger Anstieg des durchschnittlichen Bruttovermögens bis ins hohe Alter festzustellen, d.h. auch im Rentenalter findet keine nennenswerte Auflösung von Aktiva statt.70 Die Akkumulation von Vermögen scheint insbesondere mit dem Eintritt ins Berufsleben und der anschließenden Etablierungsphase an Dynamik zu gewinnen. Ab dem Erreichen des Rentenalters verharrt das Niveau bis zu den 70-Jährigen, bevor in den älteren Kohorten ein erneuter Anstieg des Vermögens zu beobachten ist. ← 87 | 88 →

a) Teildatensatz Ostdeutschland

Illustration

b) Teildatensatz Westdeutschland

Illustration

Abbildung 11: Durchschnittliches Produktportfolio nach Altersklassen (I) – Subsamples (Absolute Werte in €); Quelle: eigene Darstellung← 88 | 89 →

Das über alle Kunden geringere Anlagevolumen in Ostdeutschland kann auch in der Aufgliederung nach Altersgruppen identifiziert werden. So existieren zwischen Ost und West zwar qualitativ gleiche Muster über die Altersgruppen, ab den 25-Jährigen gilt jedoch: je älter die betrachtete Kundengruppe, desto größer sind die Unterscheide zwischen Ost und West. Insbesondere bei den älteren Kunden ab ca. 50 Jahren ist in Westdeutschland ein deutlich größeres Anlagevolumen zu verzeichnen, was die beobachtbaren Differenzen in den Durchschnittswerten für Ost- und Westdeutschland insgesamt treibt. Interpretiert man die durchschnittlichen Anlagebeträge in den einzelnen Altersgruppen als akkumulierte Ersparnis der Vergangenheit, so spiegeln sich hier vermutlich die historischen Einkommensdifferenzen als auch systembedingte Unterschiede aus der Vorwendezeit wider.

Nicht nur in den Vermögensniveaus existieren Unterschiede zwischen Ost- und Westdeutschland, sondern auch hinsichtlich der Zusammensetzung, also der Portfoliostruktur. Wie aus der Abbildung 12 ersichtlich ist, besitzen in den verschiedenen Altersgruppen unterschiedliche Produkte Relevanz, d.h. in jeder Altersklasse, gibt es wichtigere und unwichtigere Anlageprodukte. Da die Aufteilung der Gesamtanlagesumme auf die einzelnen Produkte aus den Abbildungen nicht eindeutig ersichtlich ist, werden in Abbildung 12 a) und Abbildung 12 b) die Anteile der einzelnen Produkte am Gesamtvermögen in Abhängigkeit vom Alter abgetragen. Hinsichtlich drei Anlagekategorien gibt es dabei in der relativen Bedeutung über den Lebenszyklus starke Übereinstimmungen, bei zwei Produkten sind gravierende Unterschiede festzustellen.

Am deutlichsten ist die ähnliche Struktur bei den Spareinlagen, deren Anteil den stärksten Schwankungen unterliegt. Sowohl in Ost- als auch in Westdeutschland macht diese Form der Einlagen bei den jüngeren Kunden 70-80% des Gesamtvermögens aus. Dieser Anteil sinkt dann in den mittleren Jahrgängen auf ungefähr 30% bzw. 40% (Ost) ab, um bei den älteren Kunden auf über 50% bzw. 70% (Ost) anzusteigen. Bei den Sichteinlagen ergeben sich ebenfalls starke Schwankungen in der Relevanz zwischen den einzelnen Altersklassen und auch hier sind die qualitativen Unterschiede zwischen Ost und West gering. Insgesamt zeigt sich in beiden Teildatensätzen ein im Vergleich zu den Spareinlagen inverses Muster. Ausgehend von einer sehr geringen Quote von unter 5% in den jüngsten Altersklassen, halten die jungen Erwachsenen (Altersgruppen 20-35 Jahre) im Durchschnitt ca. 30-40% ihres Vermögens in Sichteinlagen. Mit zunehmendem Alter der Kunden gewinnen andere Anlageformen an Bedeutung, so dass der Anteil bei der älteren Klientel wieder schrumpft. Für die institutseigenen Fonds, die in der Kategorie DK zusammengefasst sind, ergibt sich schließlich ← 89 | 90 → die geringste Altersabhängigkeit, d.h. der Anteil variiert verhältnismäßig wenig zwischen den einzelnen Kundengruppen. Ebenso gering sind die Unterschiede zwischen den Teildatensätzen Ost/West. Mit Ausnahme der Kunden über 70 Jahre bewegt sich in beiden Fällen der Anteil der DEKA-Fonds im Bereich von 10-20%. Zwei Gipfel sind im Bereich der ganz jungen Kunden zwischen 5-10 Jahren und im Segment der 35 bis 40-Jährigen zu beobachten. Im Gegensatz zum mit dem Alter stark ansteigenden Gesamtvermögen entwickelt sich ab dieser Altersgruppe der durchschnittliche Anlagebetrag nur unterproportional, was einen beständig sinkende Quote impliziert, die bei den über 70-Jährigen unter die 10%- Schwelle fällt.

Unterschiede ergeben sich insbesondere bei der Bedeutung der Termineinlagen und in der Komponente DepotB. Für Ostdeutschland besitzen die Termineinlagen unabhängig vom Alter keine Relevanz. In Westdeutschland ist für dieses Produkt jedoch mit zunehmendem Alter ein leicht steigender Anteil festzustellen, der gegen ungefähr 10% des durchschnittlichen Anlagevolumens konvergiert. Bei der Variable DepotB sind ebenfalls größere Differenzen in der Anlagestruktur zwischen Ost- und Westdeutschland zu identifizieren. Bewegt sich die Quote in Ostdeutschland zwischen 2,8% bei den Zweijährigen und 12,9% bei den 63-Jährigen, so ist bei Kunden westdeutscher Sparkassen eine ungleich größere Varianz und Bedeutung dieser risikoreicheren Anlageform zu erkennen. Die zugehörigen Anteile liegen hier im Bereich von 5,3% (Vierjährige) bis 34,9% (Altersgruppe der 72-Jährigen), wobei mit steigendem Alter die Unterschiede in der Relevanz dieser Anlageform deutlich zunehmen.

Passiva aus Kundensicht

Auf der Passivseite der Kunden dominieren Kredite, die in der Kategorie Darlehen zusammengefasst sind. Dispositionskredite spielen dagegen vom Volumen keine Rolle. Grundsätzlich sind im Westen höhere Durchschnittsbeträge in jeder Altersklasse zu beobachten, die Struktur der Verschuldung über den Lebenszyklus ist jedoch in beiden Teildatensätzen identisch. Die Kreditaufnahme im größeren Rahmen beginnt ungefähr mit Anfang 20 und steigt danach zunächst mit dem Alter an. Der Gipfel der durchschnittlichen Verschuldung wird bei den Kohorten der 35 bis 40-Jährigen (Ost) bzw. bei den 40 bis 45-Jährigen (West) erreicht. Mit weiter zunehmendem Alter werden die Kredite zurückgefahren, die durchschnittliche Verschuldung sinkt. Die beobachtbare Struktur lässt darauf schließen, dass Immobilienkredite bzw. Baufinanzierungen einen maßgeblichen Anteil der Kategorie Darlehen ausmachen, so dass die höheren Volumina sicherlich auch höhere Immobilienpreise in Westdeutschland reflektieren. ← 90 | 91 → Darüber hinaus dürften auch die höheren Einkommen und die damit verbundene größere Kreditwürdigkeit (bzw. eine Kombination von beiden Effekten) eine Rolle spielen.

Im Westen ergeben sich jedoch nicht nur größere Kreditbeträge, sondern Kredite werden früher, d.h. in jüngeren Altersklassen, nachgefragt und beachtliche Volumina bleiben auch in den höheren Altersklassen nach Eintritt ins Rentenalter bestehen. So beträgt beispielsweise die mittlere Darlehenssumme im Osten bei den 75-jährigen lediglich 182,36€, wohingegen im Westen selbst bei den über 85-Jährigen noch ein durchschnittlicher Kredit in Höhe von 815,42€ verbleibt.

a) Teildatensatz Ostdeutschland

Illustration

← 91 | 92 →

b) Teildatensatz Westdeutschland

Illustration

Abbildung 12: Durchschnittliche Vermögensstruktur nach Altersklassen – Subsamples (Prozentualer Anteil am Bruttovermögen); Quelle: eigene Darstellung

Nachdem die Teildatensätze hinsichtlich Gemeinsamkeiten und Unterschiede ausführlich beschrieben wurden, soll der Vollständigkeit halber abschließend kurz der Gesamtdatensatz aller Sparkassen beleuchtet werden. Zur Berechnung von altersspezifischen Forderungen und Verbindlichkeiten werden deshalb jetzt alle Kunden herangezogen. Die Ergebnisse sind nach den Produktkategorien aufgegliedert in Abbildung 13 in bekannter Weise graphisch illustriert. Da sich die Werte aus den gewichteten Mittelwerten der Subsamples Ost/West ergeben, wird auf weitere Erläuterungen verzichtet. ← 92 | 93 →

Illustration

Abbildung 13: Durchschnittliches Produktportfolio nach Altersklassen (II) – Gesamtdatensatz (Absolute Werte in €); Quelle: eigene Darstellung

5.2 Bevölkerungsdaten

5.2.1 Überblick

Neben den Individualkundendaten werden zur Durchführung der Simulation und Bestimmung der erwarteten Kundenbasis Informationen über die zukünftige demographische Entwicklung benötigt. Dies betrifft zum einen die Untersuchungsebene der Sparkassen, wo detaillierte Daten auf Kreisebene erforderlich sind und zum andern die Ebene der NUTS II-Regionen. Im Idealfall kann hierzu eine Bevölkerungsprognose verwendet werden, die aus einem Guss stammt, d.h. hinsichtlich ihrer Annahmen auf jedem Aggregationsniveau konsistent „top down“ oder „bottom up“ gestaltet wurde.71 Da die aktuelle Prognose des statistischen ← 93 | 94 → Bundesamtes lediglich auf Bundeslandebene vorliegt und die darauf aufbauenden regionalisierten Vorausrechnungen der statistischen Landesämter insbesondere hinsichtlich der Wanderungsbewegungen nicht vollkommen aufeinander abgestimmt sind, wurde hierzu die Bevölkerungsprognose des BBR aus der Raumordnungsprognose 2025/2050 in Betracht gezogen.72 Diese Vorausrechnung wurde zwar konsistent bis hinunter zur Kreisebene erstellt, jedoch liegen die Daten auf dieser Aggregationsebene nicht in der notwendigen Altersaufgliederung vor, so dass bei den beiden Untersuchungsansätzen auf zwei unterschiedliche Quellen zurückgegriffen werden musste.

Fallstudien

Für die Abschätzung der Bevölkerungsdynamik in den Geschäftsgebieten der involvierten Institute werden deshalb die aktuellen kleinräumigen Bevölkerungsvorausberechnungen der statistischen Landesämter verwendet, die vermutlich regionalspezifische Entwicklungen am besten abbilden. Die regionalisierten Bevölkerungsprognosen basieren mit einer Ausnahme auf der 11. koordinierten Bevölkerungsvorausberechnung des Statistischen Bundesamtes in der Variante 1-W1 (mittlere Bevölkerung/Untergrenze), die den Rahmen für die jeweilige regionale Ausdifferenzierung absteckt.

Aus einer detaillierten Darstellung der verwendeten regionalisierten Prognosen sind unter Umständen Rückschlüsse auf die Geschäftsgebiete und somit auch auf die beteiligten Sparkassen selbst möglich. Deshalb werden hinsichtlich der zu Grunde liegenden Annahmen nur die wesentlichen Tendenzen beschreiben. Für die Ergebnisse, d.h. die resultierende zukünftige Bevölkerungsdynamik in den Geschäftsgebieten, wird auf eine Einteilung in fünf Kategorien von stark unterdurchschnittlicher bis zu stark überdurchschnittlicher Entwicklung zurückgegriffen. Als Vergleichsmaßstab dienen dabei die Ergebnisse der aktuellen Vorausberechnung des Statistischen Bundesamtes (für die Bundesländer). ← 94 | 95 →

Hochrechnung

Da sich die Resultate der kleinräumigen Bevölkerungsvorausrechnungen der Statistischen Landesämter nicht konsistent zu Ergebnissen für die NUTS II-Regionen aufaddieren lassen, wird für diese Untersuchungsebene die Bevölkerungsprognose des BBR aus der Raumordnungsprognose 2025/2050 verwendet. Die Beschreibung der Bevölkerungsprognose des BBR kann hier en detail erfolgen, da keine Vertraulichkeitsrestriktionen zu berücksichtigen sind. Zuerst werden deshalb die wesentlichen Annahmen hinsichtlich der Teilkomponenten Fertilität, Mortalität und Migration näher beleuchtet. Im Anschluss erfolgt dann die Präsentation der Ergebnisse für die 39 NUTS II-Regionen hinsichtlich absoluter Bevölkerung, Durchschnittsalter und Altersstruktur.

Das Kapitel zu den Bevölkerungsdaten gliedert sich demnach wie folgt: Zuerst wird die grundsätzliche Methodik der beiden verwendeten Bevölkerungsprognosen vorgestellt. Im Anschluss werden für beide Projektionen die spezifischen Annahmen und die wesentlichen Ergebnisse skizziert. Zum Abschluss des Kapitels wird kurz auf die Qualität von Bevölkerungsprognosen eingegangen, um die Güte der verwendeten Daten einschätzen zu können.

5.2.2 Methodik von Bevölkerungsprognosen

Das vorherrschende Verfahren zur Konstruktion von Bevölkerungsvorausberechnungen ist die Kohorten-Komponenten-Methode (Cohort-Survival-Method).73 Ausgangspunkt bildet dabei ein bestimmter Bevölkerungsstand aufgegliedert nach Geschlecht und Altersjahren zu einem definierten Stichtag. Ausgehend von diesem Bestand können dann mit Hilfe von Annahmen über die Entwicklung der drei demographischen Kernkomponenten

 Fertilität (Geburtenverhalten, Geburtenhäufigkeit)

 Mortalität (Lebenserwartung, Sterblichkeit)

 Migration (Wanderungsbewegungen) ← 95 | 96 →

die Bevölkerungsgröße und -struktur für jedes Jahr des Prognosehorizonts bestimmt werden. Hierzu wird ein einfaches Fortschreibungsverfahren benutzt. Der Bevölkerungsbestand (Bt) in einer bestimmten Region kann sich nur durch Geburten (Gt), Sterbefälle (S) und Zuzüge (Z) bzw. Abwanderungen (A) verändern. Der neue Bevölkerungsbestand Bt+1 ergibt sich dann durch eine einfache Bilanzgleichung:

Bt+1 = Bt + Gt - St + (Zt - At)

Konkret wird so vorgegangen, dass man jede dieser Größen getrennt nach Alter und Geschlecht betrachtet und prognostiziert.74

Als erstes müssen hierzu die Mortalitätsraten für Männer und Frauen in jeder Altersgruppe für jedes Jahr des Vorhersagezeitraums bestimmt werden. Hier fließen implizit die Annahmen über die Entwicklung der durchschnittlichen Lebenserwartung ein, da sich die Lebenserwartung bei Geburt zu einem bestimmten Zeitpunkt t durch die Summe der altersspezifischen Überlebenswahrscheinlichkeiten75 in t ergibt. Für das erste Prognosejahr wird also zunächst bestimmt, wie viel Einwohner eines Geburtenjahrgangs (Kohorte) das nächste Lebensjahr erreichen, d.h. in die nächsthöhere Altersgruppe aufrücken.

Ausgehend von diesem Bestand wird bestimmt, wie viele Frauen im gebärfähigen Alter, d.h. in der Regel zwischen 15 und 49, existieren. Auf diese werden die zu bestimmenden altersspezifischen Fertilitätsraten (Geburtswahrscheinlichkeiten) angewendet,76 die neben den Mortalitätsraten ebenfalls prognostiziert werden müssen. Da die Summe der altersspezifischen Geburtswahrscheinlichkeiten die durchschnittlich erwartete Anzahl von Kindern pro Frau, d.h. die totale Fertilitätsrate (TFR), ergibt, müssen die Erwartungen über beide Größen konsistent gebildet werden. Berücksichtigt man schließlich die Säuglingssterblichkeit als Mortalitätsrate der jüngsten Altersgruppe und trifft Annahmen über die Geschlechterproportion der Neugeborenen, so ergibt sich die erste neue Generation (Kohorte) im ersten Jahr der Bevölkerungsprognose. Für die weiteren Prognosejahre wird dann analog vorgegangen. ← 96 | 97 →

Der Bestand jeder Periode muss schließlich noch um die prognostizierten Zu- und Abwanderungen korrigiert werden. Migrationsbewegungen können dabei durch die Vorgabe von Wanderungssalden, ebenfalls nach Alter und Geschlecht getrennt, modelliert werden.77

Um der Unsicherheit der Entwicklung der drei Komponenten Rechnung zu tragen, bedient man sich in der Kohorten-Komponenten-Methode üblicherweise der Szenarioanalyse. So existieren beispielsweise in der aktuellen Bevölkerungsvorausberechnung des statistischen Bundesamtes drei Szenarien bezüglich der Entwicklung der TFR, zwei Szenarien zur Entwicklung der Lebenserwartung und zwei Szenarien zur Entwicklung der Wanderungsbewegungen. Insgesamt ergeben sich somit 12 Prognosevarianten, denen bei Bedarf (subjektive) Eintrittswahrscheinlichkeiten beigemessen werden können.78 Zur Illustration gibt Tabelle 10 eine Übersicht über die Annahmen drei ausgewählter Varianten.

Das gängigste kombinierte Szenario ist dabei die Variante 1-W1, die auch den regionalisierten Prognosen zugrunde liegt, die im anschließenden Kapitel vorgestellt werden.

Tabelle 10: Annahmen ausgewählter Varianten der 11. koordinierten Bevölkerungsvorausberechnung des statistischen Bundesamtes; Quelle: eigene Darstellung nach Statistisches Bundesamt (2006)

Illustration

← 97 | 98 →

Die Prognosen der drei einzelnen Teilkomponenten und ihrer relevanten Bestimmungsfaktoren basieren dabei in der Regel auf Fortschreibungen von in der Vergangenheit beobachteten Mustern und Entwicklungstendenzen. Darüber hinaus werden Hypothesen über wahrscheinliche soziale, politische, ökonomische oder technologisch motivierte Veränderungen der Einflussfaktoren gebildet. Sie fließen ebenfalls in die Erwartungsbildung ein. Da plötzlich einsetzende gesellschaftliche Trends, politische Umbrüche, Krisen oder technische oder medizinische Innovationen auch mit Hilfe der Szenarioanalyse in der Regel nicht gut vorhergesagt werden können, sind Bevölkerungsprognosen zwangsläufig mit Vorhersagefehlern behaftet. Für die Zwecke dieser Arbeit (mit einem mittelfristigen Prognosehorizont von 10-15 Jahren) wird die Güte der verfügbaren Vorausberechnungen aber als akzeptabel erachtet.79

5.2.3 Regionalisierte Bevölkerungsvorausberechnungen der Statistischen Landesämter

5.2.3.1 Annahmen

Zur Prognose der erwarteten Kunden- und Ertragsentwicklung auf Sparkassenebene werden Daten über die zukünftige Bevölkerungsstruktur in den Geschäftsgebieten der beteiligten Institute bis zum Jahr 2020 benötigt. Für diese Betrachtung wurden regionalisierte Bevölkerungsvorausberechnungen der jeweiligen statistischen Landesämter herangezogen. Diese regionalisierten Prognosen basieren mit einer Ausnahme80 auf der 11. koordinierten Bevölkerungsvorausberechnung des Statistischen Bundesamtes in der Variante 1-W1. ← 98 | 99 →

Ausgangspunkt ist dabei, wie bei der Bundesprognose, der Bevölkerungsstand zum 31.12.2005 in den regionalen Gebietskörperschaften, aufgegliedert nach Geschlecht und einjährigen Altersgruppen von 0 bis 100. Diese Angaben basieren auf einer Fortschreibung des in den 80er Jahren mit Hilfe von Volkszählungen81 ermittelten Bevölkerungsstandes.

Die Bundesprognose arbeitet mit landesspezifischen Annahmen,82 die den Rahmen für die regionalen Prognosen abstecken. Die bundeslandspezifischen Annahmen hinsichtlich Geburtenhäufigkeit, Lebenserwartung und Wanderungsbewegungen werden dann in den regionalen Vorausberechnungen der Statistischen Landesämter regional z.T. bis hinunter zur Gemeindeebene ausdifferenziert. Hierzu sind Annahmen über die regionale Entwicklung der Mortalitäts- und Geburtshäufigkeiten, sowie Hypothesen über die zukünftigen Wanderungsbewegungen notwendig. Zur Ermittlung dieser regionalspezifischen Annahmen wird in allen Regionalprognosen je nach Komponente auf Stützperioden unterschiedlicher Länge zurückgegriffen, die den jeweiligen Referenzzeitraum bilden.

Wie schon angedeutet, muss auf eine exakte Darstellung der Annahmen der verwendeten Bevölkerungsprognosen verzichtet werden, da hieraus Rückschlüsse auf die zugehörigen Bundesländer und indirekt auch auf die beteiligten Sparkassen möglich sind. Deshalb werden im Folgenden die grundsätzlichen Hypothesen der verwendeten Prognosen beschrieben. Qualitativ ergeben sich in Hinblick auf die Annahmen zur erwarteten Mortalität und Fertilität keine Unterschiede, lediglich hinsichtlich der Wanderungsbewegungen existieren naturgemäß stark divergierende Entwicklungen, die in den regionalen Besonderheiten begründet sind. Zusätzlich variiert von Bundesland zu Bundesland die regionale Ausdifferenzierung und Ausgestaltung der Hypothesen hinsichtlich Stützzeiträumen und der Berücksichtigung von landespezifischen Entwicklungsmustern. Dennoch ergeben sich auch hier keine wesentlichen Differenzen in der grundlegenden Vorgehensweise. ← 99 | 100 →

Mortalität

Hinsichtlich der Mortalitätsraten wurde bei allen regionalen Prognosen ein geschlechtsspezifisch unterschiedlicher Anstieg der Lebenserwartung bis 2020 im Bereich von ungefähr 2 bis 4 Jahren angenommen. Hierbei gilt für die alten Bundesländer ausgehend von unterschiedlichen Niveaus im Wesentlichen der gleiche Trend wie für Deutschland insgesamt. Für die neuen Länder wird zuerst ein schnellerer Anstieg angenommen, der dann in den gesamtdeutschen Trend übergeht.

Fertilität

Die zusammengefasste Geburtenziffer (TFR) bleibt in allen verwendeten Prognosen der alten Bundesländer annähernd konstant, d.h. die länderspezifischen Unterschiede bleiben über den Prognosezeitraum erhalten. Gleichzeitig wird in allen westdeutschen Vorausberechnungen ein weiterer Anstieg des durchschnittlichen Gebäralters angenommen. Für die ostdeutschen Regionalprognosen wird ein ganz leichter Anstieg der Geburtenrate (TFR) unterstellt, der von einem deutlicheren Anstieg des durchschnittlichen Gebäralters begleitet wird. Diese Annahmensetzung resultiert ebenso wie die Hypothesen zur Entwicklung der Lebenserwartung aus dem Rahmen, den die Landesannahmen der Bundesprognose setzen. Neben der Konstanz des Geburtenniveaus in westdeutschen Bundesländern wird für Ostdeutschland eine Annäherung an das westdeutsche Geburtenniveau und an die westdeutsche Altersverteilung der Geburtenhäufigkeiten unterstellt.

Migration

Bis auf den Fall NRW wurden die Wanderungssalden für die Bundesländer aus der 11. koordinierten Bevölkerungsvorausberechnung auf Landesebene übernommen. Diese externen Wanderungssalden, resultierend aus Außenwanderung aus dem Ausland und Wanderungen zwischen den Bundesländern, müssen auf die einzelnen regionalen Gliederungsebenen herunter gebrochen werden. Neben Annahmen zu externen Wanderungsbewegungen ist es bei einer regionalen Prognose darüber hinaus zusätzlich notwendig, auch Annahmen über die zu erwartenden Wanderungen zwischen den Gemeinden (bzw. Kreisen) innerhalb eines Bundeslandes zu treffen (Binnenwanderung oder interne Wanderung). ← 100 | 101 →

Die Verteilung des Außenwanderungssaldos aus dem Ausland, der für Deutschland ab 2008 mit jährlich 100.000 Personen quantifiziert wird, auf die Bundesländer, erfolgt anhand von mehrjährigen Durchschnitten. Bei der Wanderung zwischen den Bundesländern wird insgesamt unterstellt, dass der Wanderungsverlust der neuen an die alten Länder bis 2020 auf 49.000 auf 8.000 Personen zurückgeht. Die Zuordnung der vorgegeben Salden auf die Kreise basiert dann in der Regel auf Fortschreibung von beobachteten Mustern der Vergangenheit.

Ebenso wie bei den externen Wanderungsbewegungen werden bei allen regionalen Bevölkerungsprognosen auch für die Binnenwanderung stabile Muster unterstellt. Hierzu wird in allen Vorausberechnungen im Wesentlichen eine Fortsetzung der relativen regionalen Entwicklungstendenzen angenommen. Wenn also eine Kommune in der Vergangenheit überdurchschnittliche externe bzw. interne Wanderungsgewinne erzielt hat, wird angenommen, dass dies auch im Prognosezeitraum der Fall sein wird.

Bei allen Vorausberechnungen ist zudem eine Art generelles Binnenwanderungsmuster zu identifizieren. Tendenziell wirken Städte und urbane Zentren attraktiv auf die jüngere Bevölkerung, wohingegen bei jungen Familien ein Trend zur Suburbanisierung festzustellen ist. Wanderungsbewegungen bei älteren Menschen scheinen primär durch die für diese Altersgruppen notwendige Infrastruktur getrieben zu sein.

5.2.3.2 Ergebnisse: Demographische Entwicklung in den Geschäftsgebieten

Legt man die oben genannten Annahmen zugrunde, ergibt sich für jedes der elf Geschäftsgebiete eine spezifische demographische Entwicklung, die jedoch nicht detailliert beschrieben werden kann, da sonst Rückschlüsse auf die Sparkassen möglich sind. Deshalb wird zur Charakterisierung der Bevölkerungsdynamik zwischen 2006 und 2020 auf drei Kriterien zurückgegriffen, um die Dimensionen des demographischen Wandels einzufangen: ← 101 | 102 →

 Veränderung der Bevölkerungszahl

 Veränderung des Durchschnittsalters

 Veränderung des Altenquotienten83.

Aus den drei Teilentwicklungen kann dann eine Gesamtbeurteilung der demographischen Entwicklung abgeleitet werden. Das Verfahren zur Reduktion dieses komplexen Phänomens auf eine oder mehrere Dimensionen, besitzt dabei zwangsläufig ein hohes Maß an Willkür und soll neben der Beschreibung lediglich dazu dienen, grobe Anhaltspunkte für die zu erwartenden demographischen Prozesse zu erzeugen.

Um die regionale Bevölkerungsdynamik in den Geschäftsgebieten adäquat einordnen zu können, werden als Vergleichsgrößen die entsprechenden Veränderungen in den 16 Bundesländern herangezogen. Hierbei wird die Entwicklung der drei Kriterien Bevölkerungszahl, Durchschnittsalter und Altenquotient jeweils in fünf Klassen von „sehr schlecht“ bis „sehr gut“ eingeteilt. Zur Bestimmung des Bewertungsschemas bzw. der notwendigen Klassengrenzen werden die Ergebnisse der Bundesländer für jedes Kriterium in eine Rangfolge gebracht, wobei folgendes normatives Gerüst zu Grunde gelegt wird: Schrumpfung und Alterung sollen ebenso wie ein Anstieg des Altenkoeffizienten als schlecht aufgefasst werden, eine entgegengesetzte Entwicklung wird als gut beurteilt. Die Klasseneinteilung wird dann mit Hilfe von Quantilen vorgenommen. Die drei Bundesländer mit der schlechtesten Entwicklung (Rang 14-16) formen die Gruppe „sehr schlecht“. Die obere Klassengrenze bildet dann das 0,1875-Quantil, d.h. der Wert, zu dem 3 von 16 Ländern eine schlechtere Entwicklung aufweisen. Die anderen Klassengrenzen werden dann analog bestimmt. Tabelle 11 fasst das Vorgehen dabei zusammen. ← 102 | 103 →

Tabelle 11: Beurteilungsschema zur demographischen Entwicklung im Geschäftsgebiet; Quelle: eigene Darstellung

Illustration

Sind für jedes Kriterium die Klassengrenzen der fünf Kategorien bestimmt worden, kann die Entwicklung in den Geschäftsgebieten beurteilt und den einzelnen Kategorien zugeordnet werden. Je nachdem, in welche Kategorie der realisierte Wert im Geschäftsgebiet fällt, wird der Entwicklung dabei ein Punktwert von 1 („sehr gut“) bis 5 („sehr schlecht“) zugewiesen. Für die Gesamtbeurteilung wurde anschließend das arithmetische Mittel der drei Kriterien gebildet und auf ganze Zahlen gerundet. Tabelle 12 fasst die Ergebnisse für die Geschäftsgebiete der Sparkassen 1 bis 11 zusammen. Zum Vergleich wurden zusätzlich Werte für Deutschland aufgenommen, das in allen Kriterien -wie erwartet werden kann- in die mittlere Kategorie „durchschnittliche Entwicklung“ fällt.

Abbildung 14 und Abbildung 15 vermitteln darüber hinaus einen Eindruck über die Verteilung der Ergebnisse in den einzelnen Dimensionen. In Abbildung 14 sind dabei für die Geschäftsgebiete der Sparkassen und für die 16 Bundesländer die Ausprägungen hinsichtlich Veränderung des Durchschnittsalters und der Bevölkerungsentwicklung abgetragen. Auffällig sind eine negative Korrelation, d.h. im Durchschnitt geht Alterung mit Schrumpfung einher, sowie die homogene Entwicklung in den Regionen der kleinen ostdeutschen Sparkassen mit starker Bevölkerungsabnahme und deutlicher Zunahme des Durchschnittsalters. Abbildung 15 illustriert anschließend den Zusammenhang zwischen der Veränderung des Altenquotienten und der Bevölkerungsentwicklung. Wenig überraschend ist ebenfalls eine negative Korrelation festzustellen, d.h. es handelt sich auch hier um zwei parallel verlaufende Prozesse. Darüber hinaus sind unter den Sparkassen drei Gruppen zu identifizieren. Die schlechteste Entwicklung hinsichtlich beiden Dimensionen weisen die Geschäftsgebiete der kleinen ostdeutschen Sparkassen mit starken Schrumpfungsprozessen und deutlicher Strukturverschiebung zu den älteren Einwohnern auf. Im Mittelfeld liegen die beiden ← 103 | 104 → ostdeutschen städtischen Sparkassen mit moderater Bevölkerungsabnahme und Strukturverschiebung. Die dritte Gruppe stellen die westdeutschen Sparkassen mit relativ geringer Verschiebung zu den älteren Einwohnern bei gleichzeitig variierender Bevölkerungsentwicklung.

Tabelle 12: Demographische Entwicklung in den Geschäftsgebieten; Quelle: eigene Berechnungen auf Grundlage der 07/2009 aktuellen Bevölkerungsvorausberechnungen der statistischen Landesämter (*) und des Statistischen Bundesamtes (**)

Illustration

Generell wird deutlich, dass der Demographische Wandel in den Geschäftsgebieten der westdeutschen Sparkassen 9 bis 11 nicht so dramatisch ausfallen wird wie in Ostdeutschland (Sparkassen 1 bis 8). Hier sehen sich alle Sparkassen mit Ausnahme der beiden städtischen Sparkassen 2 und 5 im Vergleich zum Bundesdurchschnitt überdurchschnittlich starken Alterungs- und Schrumpfungsprozessen gegenüber. Bei der Altersstruktur ist sogar in allen ostdeutschen Gebieten eine ungünstigere Entwicklung zu beobachten, d.h. alle Sparkassen fallen in die Kategorie „schlecht“ oder „sehr schlechte Entwicklung“. Im Westen ist dagegen eine wesentlich positivere Dynamik festzustellen. In allen Dimensionen sind hier zumindest durchschnittliche, in den meisten Fällen sogar bessere Entwicklungen als im Bundesschnitt festzustellen. Eine Ausnahme bildet dabei das Geschäftsgebiet der Sparkasse 9, wo ein stärkerer Schrumpfungsprozess ← 104 | 105 → zu erwarten ist (Kategorie „schlechte Entwicklung“). Heraus sticht die städtische Sparkasse 11, die bei allen Kriterien mit einer „sehr guten“ Entwicklung rechnen kann. Betrachtet man ost- und westdeutsche Gebiete getrennt, so ist weiterhin auffällig, dass sich die städtischen Sparkassen einer besseren Dynamik gegenübersehen, wohingegen sich bei den Sparkassen der kleinstädtischen und ländlichen Peripherie eine schlechtere Entwicklung abzeichnet. Diese ist in Westdeutschland kaum besorgniserregend, in Ostdeutschland jedoch als dramatisch zu beurteilen.

Illustration

Abbildung 14: Demographische Entwicklung in den Geschäftsgebieten (I)-Veränderung Durchschnittsalter und Bevölkerung 2006 bis 2020; Quelle: eigene Darstellung← 105 | 106 →

Illustration

Abbildung 15: Demographische Entwicklung in den Geschäftsgebieten (II) - Veränderung Altenquotient und Bevölkerung 2006 bis 2020; Quelle: eigene Darstellung

5.2.4 Bevölkerungsprognose 2025/2050 des BBR

5.2.4.1 Annahmen

Bei der Teilprognose „Bevölkerung“ der Raumordnungsprognose 2025/2050 des BBR84 handelt es sich im Gegensatz zu den Prognosen der statistischen Ämter um eine auf allen Ebenen kohärente Prognose aus einem „Guss“. Grundlage ist die Projektion der Bevölkerungsdynamik auf Kreisebene (NUTS III-Level) bis 2025, d.h. die Ergebnisse größerer Teileinheiten ergeben sich immer aus der Aggregation von Kreisergebnissen (Bottom up-Ansatz). Gleichzeitig verläuft die Annahmensetzung von oben nach unten (Top down). Die Prognose des BBR ist wie die 11. Koordinierte Bevölkerungsvorausberechnung des Statistischen Bundesamtes mit Hilfe der Kohorten-Komponenten Methode konstruiert und wie letztere ebenfalls als Status Quo-Prognose konzipiert worden, d.h. sie zeigt Entwicklungen ← 106 | 107 → auf, wenn bestehende Trends und Entwicklungen in der Zukunft fortbestehen. Im Vergleich zu den regionalen Bevölkerungsvorausberechnungen beispielsweise der Statistischen Landesämter fließen zwar weniger regionalspezifische Kenntnisse in die Prognose des BBR ein, dafür ist sie Bestandteil eines ausgefeilten integrierten Konzepts der Raumbeobachtung mit konsistenten Ergebnissen auf jeder Untersuchungsebene.

Da die BBR-Prognose auf Kreisebene ansetzt, ist sie vom Ansatz hinsichtlich der zu prognostizierenden Parameter wesentlich komplexer als ihr Pendant vom Statistischen Bundesamt. Insgesamt müssen für die 440 Kreise jeweils altersspezifische Fertilitätsraten, geschlechts- und altersspezifische Mortalitätsraten und darüber hinaus Mobilitätsraten für sechs Altersgruppen über den gesamten Prognosehorizont bestimmt werden. Dazu kommen noch Annahmen über internationale Wanderungsströme. Im Folgenden sollen deshalb lediglich die wichtigsten Hypothesen und Tendenzen hinsichtlich der Komponenten Fertilität, Mortalität und Migration kurz zusammengefasst werden.

Fertilität

Bei der Entwicklung der zukünftigen Geburtswahrscheinlichkeiten werden bestehende Trends fortgeschrieben. Wie in der Prognose des Statistischen Bundesamtes wird angenommen, dass es bis zu Jahr 2025 eine weitere Verschiebung der Geburten in höhere Altersgruppen geben wird. Die Zunahme der Fertilität (d.h. der Geburtswahrscheinlichkeiten) bei den Älteren wird jedoch geringer ausfallen als die Abnahme bei den jüngeren Frauen. Insgesamt ergibt sich jedoch eine Konstanz der zusammengefassten Geburtenziffer (TFR). Des Weiteren wird eine Angleichung der Fertilität in den neuen Ländern an die Struktur und das Niveau im Westen modelliert. Dies deckt sich qualitativ mit der Annahmensetzung der Statistischen Ämter. Im Osten findet zudem eine siedlungsstrukturelle Ausdifferenzierung statt. Hier wird unterstellt, dass die momentan geringen Gegensätze zwischen Stadt und Land zu Ungunsten der ländlichen Kreise wachsen.

Mortalität

Hinsichtlich der Mortalität erfolgt in der Prognose des BBR eine Orientierung an den Annahmen der 11. Bevölkerungsvorausrechnung. Die Mortalitätsraten auf Bundesebene werden übernommen und regional auf Kreisebene ausdifferenziert, wobei beobachtbare existierende regionale Mortalitätsdifferenzen berücksichtigt werden. Über den Prognosehorizont wird ein leichter Konvergenzprozess ← 107 | 108 → angenommen, d.h. ein geringer Abbau der regionalen Unterschiede unterstellt. Dies betrifft insbesondere den Aufholprozess des Ostens bezüglich der Lebenserwartung, der bis zum Ende des Prognosezeitraums zu einem weitgehenden Abschluss kommt.

Migration

Die Annahmen zu Wanderungsbewegungen betreffen die Binnenwanderung zwischen den Kreisen und die internationale Migration. Für die Binnenwanderung wurden die im Referenzzeitraum 2000 bis 2004/2005 beobachteten Wanderungsmuster und Verflechtungen fortgeschrieben und als stabil über den Betrachtungszeitraum unterstellt. Dies betrifft zum einen die Herkunft/Ziel-Beziehungen und zum anderen die altersspezifischen Mobilitätsraten der sechs in Betracht gezogenen Altersgruppen. Eine Besonderheit der BBR-Prognose ist dabei die simultane Verteilung der Fortzüge für alle 440 Kreise auf die Zielregionen. Im Aggregat resultiert dann ein Absinken der Gesamtmobilität, weil der Anteil der mobilen Altersgruppen im Zeitablauf kleiner wird. Insgesamt ergibt sich zudem ein über den Prognosezeitraum geringer werdender, aber nicht verschwindender Wanderungsverlust der neuen Länder, was qualitativ konsistent mit den Annahmen des statistischen Bundesamts in der 11. Vorausberechnung ist.

Bei der internationalen Migration wird von einem Wiederanstieg der Nettowanderungen vom derzeit sehr niedrigen Niveau ausgegangen. Als Gründe hierfür werden internationale Push-Faktoren angeführt, zu denen neben dem weiterhin existierenden Wohlstandsgefälle, insbesondere politische Gründe, der demographischer Druck durch starkes Bevölkerungswachstum in vielen Regionen der Welt oder auch ökologische Ursachen zählen. Zudem spielt auch der gelegentlich in der Diskussion stehende ökonomische Bedarf an qualifizierter Zuwanderung eine Rolle in der Annahmensetzung des BBR.

Die Nettowanderung ergibt sich aus den Bruttoströmen der Zu- und Abwanderung. Die Ausgangswerte für beide Größen werden in der Prognose mit Hilfe von Durchschnitten der letzten sieben Jahre (2001 bis 2007) ermittelt. Für Deutschland ergeben sich dann Zuzüge von 760.000 Personen, denen Fortzüge von 640.000 Personen gegenüberstehen. Für die Zuzüge wird zukünftig ein leichter Anstieg unterstellt. Insgesamt verbleiben die Zuwanderungen aber unterhalb der 800.000 Personen-Marke. Die Fortzüge werden über einen Potenzialansatz bestimmt, d.h. es wird ermittelt, wer überhaupt für Auswanderung in ← 108 | 109 → Frage kommt. Da dieses Potenzial abnimmt, wird erwartet, dass die Fortzüge schrumpfen und gegen 500.000 pro Jahr konvergieren. Die Kombination der beiden Effekte führt zu einem Wiederanstieg der Nettowanderung. Der Durchschnittswert im Prognosezeitraum liegt dabei leicht unterhalb des in der oberen Variante der 11. Bevölkerungsvorausberechnung vom Statistischen Bundesamt angesetzten Wertes von 200.000 Personen (p.a.). Im Vergleich zur Standardvariante 1-W1, bei der lediglich eine Netto-Zuwanderung von 100.000 Personen unterstellt wird, geht das BBR somit von wesentlich stärkeren Migrationsströmen aus.

5.2.4.2 Ergebnisse: Demographische Entwicklung in den deutschen NUTS II-Regionen

Legt man die oben skizzierten Annahmen zu Grunde ergibt sich bis 2025 für jede der 39 deutschen NUTS II- Regionen eine charakteristische Entwicklung der Bevölkerungszahl und -struktur. Die wesentlichen Ergebnisse sollen nun im Folgenden anhand der aus Abschnitt 5.2.3.2 bereits bekannten Dimensionen Veränderung der Bevölkerungszahl, Veränderung des Durchschnittsalters und Veränderung des Alterskoeffizienten zusammengefasst werden. Abbildung 16 liefert dabei eine graphische Illustration der Ergebnisse hinsichtlich der drei Kriterien. ← 109 | 110 →

a) Bevölkerungsveränderung in %

Illustration

b) Veränderung Durchschnittsalter in Jahren

Illustration

c) Veränderung Altenkoeffizient

Illustration

Abbildung 16: Bevölkerungsentwicklung, Veränderung des Durchschnittsalters und des Altenkoeffizienten in den deutschen NUTS II-Regionen 2006 bis 2025; Quelle: eigene Darstellung nach BBR (2009a) ← 110 | 111 →

Bevölkerungsentwicklung

Auch wenn die größten Schrumpfungsprozesse im Osten zu erwarten sind, wo mit Ausnahme von Berlin und Brandenburg in allen Regionen von zweistelligen prozentualen Bevölkerungsverlusten ausgegangen werden muss, ist bei der Entwicklung der Bevölkerung bis zum Jahr 2025 keine deutliche Ost/West-Separierung mehr zu beobachten. Vielmehr sehen sich auch diverse Regionen Westdeutschlands einer ausgeprägt negativen Bevölkerungsdynamik gegenüber. Dies betrifft z.B. das Saarland (-7,9%), die ehemaligen „Zonenrandgebiete“ Oberfranken (-7,0%), Unterfranken (-4,0%), Kassel (-6,7%) und Braunschweig (-7,1%), sowie einige Regierungsbezirke85 Nordrhein-Westfalens. Ansonsten dominieren im Westen jedoch die grün eingefärbten Gebiete, d.h. hier liegt ein Bevölkerungswachstum vor, das aber in der Regel recht moderat ausfällt. Einzig die Regionen mit starken ökonomischen Zentren in Süddeutschland und Hessen (Regierungsbezirk Darmstadt) weisen deutliche Bevölkerungsgewinne über 3% auf. Die beste Entwicklung ist im Bezirk Oberbayern mit +8,3% zu erwarten, die schlechteste Entwicklung wird für Sachsen Anhalt vorhergesagt (-18,5%). Für Deutschland insgesamt wird ein Bevölkerungsrückgang von 1,8% prognostiziert.

Veränderung Durchschnittsalter

Liegt in die meisten Regionen Westdeutschlands eine Veränderung des Durchschnittsalters im Bereich von 3 bis 4 Jahren vor, so ist in Ostdeutschland eine deutlich dramatischere Entwicklung zu beobachten. Bis auf die Bezirke Sachsens (+4,4 bis +5,0 Jahre) und Berlin (+3,2 Jahre) muss hier mit eine Veränderung des Durchschnittsalters von z.T. deutlich mehr als 5,5 Jahren gerechnet werden, wobei der stärkste Anstieg des Durchschnittsalters in Mecklenburg Vorpommern mit +6,9 Jahren erwartet wird. Positivere Entwicklungen, die sich deutlich vom Rest Deutschlands abheben, sind lediglich im Bezirk Darmstadt (+2,6 Jahre) und in den westdeutschen Stadtstaaten Hamburg (+1,6 Jahre) und Bremen zu beobachten, wobei in Bremen unter den getroffenen Annahmen mit +1,5 Jahren die beste Entwicklung zu verzeichnen ist. Für Deutschland insgesamt ergibt sich ein Anstieg des Durchschnittsalters von 3,7 Jahren. ← 111 | 112 →

Veränderung Altenkoeffizient

Obwohl bei der Veränderung des Altenkoeffizienten eine starke Korrelation mit den Ergebnissen zur Veränderung des Durchschnittsalters vorliegt, existieren im Detail einige bemerkenswerte Abweichungen. So ist bei der Verschiebung der Altersstruktur nun eine totale Zweiteilung zwischen Ost- und Westdeutschland zu beobachten. Für Westdeutschland liegt bei der Verschiebung der Altersstruktur eine überschaubare Varianz und geringe Spannweite vor. Die Werte beginnen bei Bremen (+0,040) und reichen bis +0,104 (Saarland) bzw. +0,107 (Unterfranken). Nur die Hansestadt Hamburg sticht deutlich heraus. Hier bleibt das Verhältnis zwischen der alten (65+) und der mittleren Bevölkerungsgruppe (19-64 Jahre) nahezu konstant (+0,016). In Ostdeutschland ist dagegen eine deutlich größere Spannweite auf einem wesentlich höheren Niveau festzustellen. Die noch günstigste Entwicklung liegt hier im Bezirk Leipzig vor (+0,158), die schlechteste in Mecklenburg-Vorpommern mit +0,265. Eine Ausnahme bildet Berlin (+0,083), das eine Verschiebung zur älteren Bevölkerung auf durchschnittlichem Westniveau verzeichnet. Zwischen der schlechtesten Entwicklung in Westdeutschland und der besten in Ostdeutschland zeigt sich also ein deutlicher Abstand, was die totale Separierung der Verschiebungstendenzen zwischen Ost- und Westdeutschland eindrucksvoll illustriert.

51 Zur Marktzinsmethode und Ermittlung des Konditionsbeitrags siehe Schierenbeck [2003] und Hartmann-Wendels et al. [2007].

52 Die hierzu notwendige Datei ist unter http://www.manfrin-it.com/postleitzahlen/plz.html verfügbar. [Letzter Zugriff am 6.7.2009]. Für weitere Informationen zur OpenGeoDB Geokoordinatendatenbank siehe z.B. http://opengeodb.hoppe-media.com/index.php. [Letzter Zugriff am 6.7.2009].

53 Die Postleitzahlensuche ist frei zugänglich (http://www.postdirekt.de/plzserver/) und beinhaltet zusätzlich noch die Postleitzahlen von Postfächern und Großempfängern/kunden.

54 Das Gemeindeverzeichnis ist kostenlos online zugänglich (http://www.destatis.de/gv/) und führt jede politisch selbständige Gemeinde Deutschlands mit den Merkmalen amtlicher Gemeindeschlüssel, Gemeindename, Postleitzahl, Fläche und Einwohnerzahl.

55 Ein Wohnortdummy für einen Kreis außerhalb des Geschäftsgebiets wurde eingeführt, wenn mindestens 3% der Kunden in diesem Kreis leben.

56 Siehe dazu auch Abschnitt 5.1.7.

57 Die Informationen zum verfügbaren Einkommen finden sich in Statistische Ämter der Länder [2007a]. Es wurde mit Hilfe dieser Daten ein Referenzeinkommen konstruiert, das im Anschluss mit den Durchschnitten der ost- und westdeutschen Sparkassen verglichen werden kann.

58 Die Datensätze weisen allein durch die z.T. unterschiedlichen IT-Lösungen der beteiligten Sparkassen und das leicht differierende Vorgehen bei der Datenaufbereitung eine gewisses Maß an Heterogenität auf, dass durch die Bereinigung soweit wie möglich beseitigt werden soll.

59 Sterbeinformationen lagen nicht für alle Sparkassen vor. Die restlichen Sparkassen haben bereits in der Datenaufbereitung die bereits verstorbenen Kunden aus ihren Datensätzen eliminiert.

60 Kontrollregressionen des Gesamtdatensatzes ohne die Variable DP bzw. ohne die Bank 3 führen zu keinen nennenswerten Änderungen der Schätzergebnisse. Die Resultate zeigen sich insgesamt sehr stabil und nur im geringen Ausmaß durch die Imputation bzw. die Aufnahme der Variable DP tangiert.

61 Zu Verfahren im Umgang mit fehlenden bzw. unvollständigen Daten siehe z.B. Little/Rubin [2002] oder Schafer [1997].

62 Wie im Fall der Variable DP wurden Kontrollregressionen für den Gesamtdatensatz ohne Termineinlagen bzw. ohne die Sparkasse 10 durchgeführt. Auch hier ergeben sich im Vergleich zur Ausgangsschätzung nur gering abweichende Ergebnisse.

63 Nur diese Wohnortdummies hätten sinnvoll in die spätere Analyse und Hochrechnung auf NUTS II-Ebene integriert werden können.

64 Da die Datensätze bereinigt wurden, lautet die exakte Definition: lebende Kunden, die zum Zeitpunkt der Datenerhebung ein Produkt der Sparkasse besitzen.

65 Der Bevölkerungsstand nach Altersgruppen wurde Statistisches Bundesamt [2006a] entnommen.

66 Die Bevölkerungsdaten zum 31.12.2006 sind Statistisches Bundesamt [2006a] entnommen.

67 Im Folgenden werden deshalb in den einzelnen Kategorien nur Kunden betrachtet und miteinander verglichen, die die Anlageentscheidung positiv getroffen haben.

68 Die Differenzen in der Produktnutzung, die sich auch in den durchschnittlichen Anlagebeträgen über alle Kunden niederschlägt, dürften u.a. auch historisch bedingt sein (siehe Kapitel 2.2.7). Denkbar sind aber auch differierende Strategien bzw. Geschäftsschwerpunkte. So könnte sich bspw. das Produktangebot hinsichtlich Vermarktung, Verfügbarkeit und Ausgestaltung zwischen ost- und westdeutschen Sparkassen unterscheiden.

69 Da sich die Werte für die Minima und Maxima im Gesamtdatensatz nicht ändern, ist eine Darstellung an dieser Stelle redundant.

70 Bei den vorliegenden Daten handelt es sich um einen Querschnitt, d.h. hier werden unterschiedliche Kohorten zum gleichen Zeitpunkt miteinander verglichen. Aussagen, die sich aus Vereinfachungsgründen auf die Zeitdimension beziehen, unterstellen demnach, dass die Entwicklung in Zukunft genauso verlaufen wird, wie sie sich im Querschnitt manifestiert.

71 Bei einer Annahmensetzung nach dem „Top Down“-Prinzip wird auf der obersten Aggregationsebene begonnen. Die Annahmen der niedrigeren Ebenen müssen dann so gestaltet werden, dass sich durch Aggregation das Ergebnis der jeweils höheren Ebene ergibt. Bei einem „Bottom up“-Ansatz wird auf der niedrigsten Ebene begonnen. Die Annahmen und Ergebnisse der nächsthöheren Ebene resultieren dann automatisch aus der Aggregation.

72 Zudem lag zum Untersuchungszeitpunkt noch nicht für alle Bundesländer eine regionalisierte Bevölkerungsprognose auf Basis der 11. Bundesvorausrechnung vor, so dass z.T. auf ältere Regionalprognosen zurückgegriffen werden müsste, was zusätzliche Inkonsistenzen mit sich bringt.

73 Die Kohorten-Komponenten-Methode zeichnet sich durch eine hohe Flexibilität und Validität aus. So können verschiedenste Annahmen, Prognosetechniken und Datengrundlagen kombiniert werden. Darüber hinaus ist ihre Anwendung auf allen regionalen Gliederungsebenen möglich. Vgl. dazu z.B. Smith et al. [2001] 43. Einen Überblick über die grundlegende Vorgehensweise bei Bevölkerungsprognosen bieten z.B. Hinde [1998], Smith et al. [2001] oder Bretz [1986].

74 Zur getrennten Betrachtungsweise vgl. Hinde [1998] 205f.

75 Die Überlebenswahrscheinlichkeit ergibt sich als Eins minus Sterbewahrscheinlichkeit.

76 Für jede Altersgruppe erfolgt eine Multiplikation mit den prognostizierten Fertilitätsraten.

77 Für Details zur Behandlung von Migranten in der Bevölkerungsprognose siehe z.B. Bretz [1986] 253f.

78 Eine zusammenfassende Darstellung der Annahmen und Varianten der 11. koordinierten Bevölkerungsvorausberechnung findet sich in Statistisches Bundesamt [2006, 2006b].

79 Zu der allgemeinen Treffsicherheit, den Möglichkeiten und Grenzen, sowie der Fehlereinschätzung (die meist mit einem ex-post Vergleich alter Prognosen und tatsächlich eingetretener Entwicklungen durchgeführt wird) existiert eine recht breite Literatur (Keyfitz [1981]; Stoto [1983]; Keilman [1997,2005]; Brachat-Schwarz/Walla [2008]; Bretz [2001]).

80 Für die betreffende Sparkasse mit Geschäftsgebiet in NRW wurde ebenfalls die offizielle landeseigene Bevölkerungsvorausberechnung verwendet, die allerdings nicht vollständig kompatibel mit der Prognose des Statistischen Bundesamtes ist. Zum einen basiert sie auf dem Bevölkerungsstand zum 1.1.2008, ist also wesentlich aktueller, zum anderen differiert sie neben anderen Annahmen insbesondere hinsichtlich der externen Wanderungssalden. Insgesamt weist die Vorausberechnung für NRW jedoch qualitativ vergleichbare Basisannahmen hinsichtlich der Entwicklung von Lebenserwartung, Geburtenhäufigkeit und Wanderungsbewegungen auf. Für nähere Informationen siehe Cicholas/Ströker [2009].

81 Der letzte Zensus in der BRD fand 1987 statt, die letzte Volkszählung in der DDR wurde 1981 durchgeführt.

82 Für methodische Anmerkungen zu den landespezifischen Annahmen siehe Statistische Ämter des Bundes und der Länder [2007] 9 und Statistisches Bundesamt (2006).

83 Der Altenquotient ist in dieser Untersuchung definiert als das Verhältnis der Bevölkerung über 64 Jahre zur Bevölkerung im Alter zwischen 19 und 64 Jahren.

84 Zum grundlegenden Konzept und zu den Annahmen der Bevölkerungsprognose siehe BBSR [2009].

85 Die NUTS II-Regionen basieren bis auf wenige Ausnahmen auf den aktuellen und ehemaligen (z.B. nach Abschaffung der Bezirksebene im Zuge von Verwaltungsreformen) deutschen Bezirken. Zur Vereinfachung wird deshalb der Begriff Bezirk und NUTS II-Region synonym verwendet.