Einfluss regionaler Faktoren auf die Kohortenfertilität: Neue Schätzwerte auf Kreisebene in Deutschland Einfl uss regionaler Faktoren auf die Kohortenfertilität: Neue Schätzwerte auf Kreisebene in Deutschland* Martin Bujard, Melanie Scheller Zusammenfassung: Betrachtungen des regionalen Kontexts haben eine lange Tra- dition in der Fertilitätsforschung. Allerdings liegen für Deutschland kreisspezifi sche Fertilitätsdaten bisher lediglich für die zusammengefasste Geburtenziffer (TFR) vor, nicht jedoch zur endgültigen Kinderzahl (Kohortenfertilität, CTFR). Auf Basis von Zensus 2011 und Geburtenstatistik werden Schätzwerte für die CTFR auf Kreisebe- ne generiert und Einfl ussfaktoren ihrer Variation analysiert. Zunächst wird die CTFR der Geburtskohorten 1969-72 für alle 402 Kreise berech- net. Die geschätzte CTFR variiert erheblich zwischen den Kreisen bei einer Spann- breite von 1,05 bis 2,01. Sie unterscheidet sich deutlich von den bekannten Werten der TFR. Diese Unterschiede beruhen hauptsächlich auf Verzerrungen durch die Timing-Komponente der TFR, die in Ostdeutschland, bei Universitätsstädten und im Stadt-Land-Vergleich auffällig sind. Daher ermöglichen die geschätzten CTFR- Werte einen weitaus besseren Einblick in regionale Fertilitätsunterschiede. Im zweiten Schritt werden die Unterschiede der neu gewonnenen CTFR auf Kreis- ebene mittels linearer Regressionen analysiert. Die drei Kompositionseffekte ge- ringe Akademikerinnenquote, hoher Katholiken- und hoher Migrantenanteil tragen signifi kant zu einer höheren CTFR in westdeutschen Kreisen bei. Allerdings spie- len regionale Opportunitäten ebenfalls eine wichtige Rolle: Eine geringe Bevölke- rungsdichte, das Angebot relativ großer Wohnungen und ein Männerüberschuss sind deutlich mit höherer Fertilität assoziiert, ebenso ökonomische Faktoren wie traditionelle Wirtschaftsstruktur und niedrige Arbeitslosigkeit. Insgesamt zeigen die Analysen, dass regionale Faktoren einen hohen Einfl uss auf die Fertilität haben. Schlagwörter: Kohortenfertilität · Bevölkerungsgeographie · Regionaler Kontext · Urbanisierung · Deutschland · Zensus Federal Institute for Population Research 2017 URL: www.comparativepopulationstudies.de DOI: 10.12765/CPoS-2017-07de URN: urn:nbn:de:bib-cpos-2017-07de1 * Dieser Artikel enthält ergänzende Materialien in einem Online-Anhang: DOI: 10.12765/CPoS- 2017-08de, URL: http://www.comparativepopulationstudies.de/index.php/CPoS/article/view/278/251. Comparative Population Studies Selected Articles in German Vol. 41 (2016): 101-136 (Erstveröffentlichung: 22.08.2017) • Martin Bujard, Melanie Scheller102 1 Einleitung Ein großer Teil der Fertilitätsforschung lässt sich in zwei Gruppen aufteilen: Solche, die Individualdaten untersuchen und solche, die auf Makroebene Länder verglei- chen. Bei beiden Ansätzen werden regionale Faktoren oftmals ausgeklammert, was angesichts der erheblichen regionalen Unterschiede im generativen Verhalten (Bas- ten et al. 2011) zu Verzerrungen aufgrund von Selection-Bias oder Whole-Nation- Bias (Rokkan 1970) führt. Da bspw. innerhalb Deutschlands die Varianz der Fertili- tät auf Kreisebene sehr hoch ist und sich auch die lokalen Opportunitätsstrukturen hinsichtlich ökonomischer, politischer und kultureller Faktoren stark unterscheiden (BBSR 2015), ist es essenziell, die Fertilitätsforschung um kreisspezifi sche Faktoren zu erweitern. Die Ursachen regional divergierender Fertilitätsraten können dabei sehr unter- schiedlich sein: Die regionale Varianz lässt sich zum Teil auf Kompositionseffekte (Hank 2002; Hank/Huinink 2015) und zum Teil auf unterschiedliche regionale Op- portunitätsstrukturen (Überblick: Basten et al. 2011) oder historisch gewachsene kulturelle Prägungen (Klüsener/Goldstein 2014) zurückführen. Der in der Literatur am stärksten belegte regionale Faktor ist zweifellos der Urbanisierungsgrad (Kulu et al. 2007; Kulu/Boyle 2009; Trovato/Grindstaff 1980), hinter dem sich jedoch unter- schiedliche Mechanismen verbergen können (Sharlin 1986); insbesondere Faktoren wie Wohnraum (Fiori et al. 2014; Kulu 2013) und selektive Binnenmigration (Cour- geau 1989; Kulu/Milewski 2007). Auch regionale Unterschiede bezüglich Familien- politik (Baizan 2009; Rindfuss et al. 2007), ein hoher Grad an Religiosität (Sobotka/ Adigüzel 2002) und niedrige Arbeitslosigkeitsraten (Kravdal 2002) sind mit höhe- ren Fertilitätsraten assoziiert. Allerdings ist die Befundlage in Europa teilweise wi- dersprüchlich, was zum einen an länderspezifi schen Unterschieden liegt und zum anderen an den spezifi schen Forschungsdesigns und Datensätzen. Viele regionale Analysen decken nur einen Teil der potenziellen Faktoren ab, indem wenige regiona- le Variablen in ereignisanalytischen Mehrebenenmodellen getestet werden. Dieser State of the Art der Forschung ermöglicht zwar eine kausale Interpretation, jedoch oft zum Preis eines Selection-Bias, wonach die Vielfalt potenzieller regionaler Varia- blen und ihre Interaktionen ausgeblendet werden. Um Fertilitätsunterschiede auf regionaler Ebene – und insbesondere auf Kreis- ebene – für Deutschland quantifi zieren und ihre Faktoren analysieren zu können, war die Datenlage bisher begrenzt, denn es lagen keine Daten zur Kohortenfertili- tät auf Kreisebene vor. Es gibt zwar detaillierte Daten zur zusammengefassten Ge- burtenziffer (TFR, auch bekannt als PTFR) auf Kreisebene (Grünheid 2015; BBSR 2015), allerdings ist die TFR als abhängige Variable weniger geeignet, da sie durch die Timing-Komponente (Bongaarts/Feeney 1998; Schoen 2004) verzerrt ist. Die Kohortenfertilitätsraten (Cohort Total Fertility Rate, CTFR) lassen sich bezogen auf regionale Unterschiede besser analysieren. Die CTFR (bzw. die durchschnittliche Kinderzahl pro Frau) auf Kreisebene und die damit verbundenen regionalen Analy- sen stellen eine erhebliche Forschungslücke für demografi sche und geografi sche Analysen dar. Der Zensus 2011 hat zwar nicht die biologische Kinderzahl erfragt, Einfl uss regionaler Faktoren auf die Kohortenfertilität • 103 bietet jedoch das Potenzial, mittels demografi scher Schätzmodelle diese For- schungslücke zu schließen. Dieser Artikel hat zwei Ziele: • Einen Schätzwert zur CTFR für alle 402 deutschen Kreise zu berechnen auf Basis der aus dem Zensus 2011 ermittelten Kinderzahl pro Frau im Haushalt sowie • einen breiten Überblick zu regionalen Erklärungsfaktoren zu generieren und deren Interaktionen im Kontext sozialstruktureller Faktoren zu analysieren. Für die Berechnungen der CTFR sind hohe Fallzahlen erforderlich, da auch in klei- neren Kreisen ausreichend Fälle für jahrgangsspezifi sche Kinderzahlen vorhanden sein müssen. Dies ist selbst beim Mikrozensus (MZ) mit 688.931 Personen im Be- richtsjahr 2012 nicht ausreichend gegeben. Der Zensus ermöglicht hier Neuland zu betreten: Es wurden 7,9 Mio. Personen, also rund 10 % der deutschen Bevölkerung, befragt. Da der Zensus Daten zur Kinderzahl nicht direkt erfasst, wird als Annähe- rung die Kinderzahl im Haushalt (Familienebene) verwendet, um einen Schätzwert der CTFR für alle 402 deutschen Kreise zu berechnen. Durch eine Identifi zierung der Frauenjahrgänge, die einerseits die reproduktive Lebensphase weitgehend ab- geschlossen haben und bei denen andererseits die Kinder überwiegend noch im Elternhaus leben, lässt sich ein möglichst genauer Schätzwert für die CTFR auf Krei- sebene generieren. Um die jahrgangsspezifi sche Unterschätzung im Vergleich zur amtlichen Bevölkerungsstatistik zu berechnen, sind Extrapolationen auf Basis der amtlichen Bevölkerungsstatistik sowie ein nach Ost- und Westdeutschland diffe- renzierter Multiplikator notwendig.1 Die so errechneten CTFR-Werte auf Kreisebene sind in Form von Grafi ken und Tabellen im Anhang sowie in einem Excel-Dokument im Online-Anhang dargestellt. Die Faktoren der regionalen Fertilitätsunterschiede werden durch lineare Re- gressionsanalysen auf der Makroebene operationalisiert, wobei die 402 Kreise die Fälle und die zuvor berechnete CTFR die abhängige Variable darstellen. Um Kom- positionseffekte abbilden zu können, werden soziodemografi sche Merkmale wie Angaben zu Bildung, Religion, Migrationshintergrund und Lebensform basierend auf eigenen Auswertungen mit den Mikrodaten des Zensus aggregiert. Aus der Da- tenbank INKAR2 (BBSR 2015) werden kreisspezifi sche Daten zu Arbeitsmarkt, Wirt- schaftsstruktur, Frauenerwerbstätigkeit, Wohlstand, Urbanisierung, Familienpolitik, Wohnraum und Geschlechterproportionen für die Analyse aufbereitet. Dies ermög- licht eine gemeinsame Betrachtung regionaler und soziodemografi scher Einfl uss- faktoren der Fertilität. 1 Zu Ostdeutschland zählen in dieser Berechnung die Neuen Bundesländer sowie Berlin. 2 INKAR ist das Akronym für „Indicators, Maps and Graphics on Spatial and Urban Monitoring”. • Martin Bujard, Melanie Scheller104 2 Forschungsstand 2.1 Fertilitätsdaten der Kreise in Deutschland Die TFR wird von den Statistischen Landesämtern auf Kreisebene berechnet, wobei die altersspezifi schen Fertilitätsraten (ASFR) für jedes Alter in einem bestimmten Jahr addiert werden. Für einzelne Jahre wie 2013 (Grünheid 2015; ohne Thüringen) liegen diese Werte für Gesamtdeutschland vor. Datenreihen zur TFR werden von INKAR (BBSR 2015) berechnet, die auf Daten der Statistik der Geburten und Sterbe- fälle des Bundes und der Länder und der Regio-Datenbank von Eurostat beruhen. Der von INKAR verwendete Algorithmus berechnet die TFR jedoch nicht auf Basis der ASFR sondern auf Basis von Fünfjahresaltersgruppen, wie 15-19 Jahre, 20-24 Jahre usw. (Wir nutzen diese Daten für einen Vergleich mit der berechneten CTFR in Abschnitt 4.1). Daten zur Kohortenfertilität auf Kreisebene in Deutschland existieren bisher nicht. Die amtliche Geburtenstatistik berechnet die CTFR auf Basis von ASFR für jedes einzelne Jahr und jede Kohorte, wobei sich das Alter aus der Differenz zwi- schen Geburtsjahr und Berichtsjahr errechnet (Statistisches Bundesamt 2014). Je- doch bietet sie nur CTFR für Gesamtdeutschland bzw. nach Ost- und Westdeutsch- land differenziert. Sozialwissenschaftliche Erhebungen und der MZ 2012, die die biologische Kinderzahl erheben, haben zu geringe Fallzahlen für die Berechnung der kreisspezifi schen Kohortenfertilität. Der MZ 2012 hat immerhin 688.931 Fälle, die Frauenjahrgänge 1969-1972 haben jeweils im Schnitt 4.569 Fälle, was pro Kreis durchschnittlich 13 Fällen entspricht. Der Zensus hat 7,9 Mio. Fälle, dabei durch- schnittlich 48.484 Fälle für einen der Frauenjahrgänge 1969-1972, was pro Kreis im Schnitt 121 Fällen entspricht. Nimmt man die vier Jahrgänge zusammen, beträgt die durchschnittliche Fallzahl immerhin 482 pro Kreis. Die CTFR auf Kreisebene ist ein wertvoller Indikator, um regionale Fertilitäts- unterschiede und die sie beeinfl ussenden regionalen Opportunitäten zu messen, da sie die Fertilität innerhalb der gesamten reproduktiven Lebenszeit berücksichtigt. Dagegen handelt es sich bei der TFR um ein andersartiges Konzept, bei dem neben dem Quantum auch der Zeitpunkt der Geburten einfl ießt. Auf Kreisebene ist die TFR durch das Ausmaß der Binnenmigration junger Frauen, insbesondere von Studen- tinnen sowie die unterschiedlich starken Geburtenaufschübe so verzerrt, dass die Interpretierbarkeit begrenzt ist. Der Timingeffekt ist problematisch (Schoen 2004), da sich der Aufschub der Geburten bzw. das durchschnittliche Alter bei der Geburt regional erheblich unterscheiden. Universitätsstädte mit einem hohen Akademiker- anteil wie Heidelberg, Münster oder Würzburg haben ein durchschnittliches Ge- burtsalter (MAC) von 32,5-33,3 Jahren. Im Vergleich dazu liegt das MAC im Jahr 2013 in ländlichen Regionen wie Mecklenburgische Seenplatte und Vorpommern- Rügen bei 27,0-27,4 Jahren (Grünheid 2015). Einfl uss regionaler Faktoren auf die Kohortenfertilität • 105 2.2 Forschungsstand zu regionalen Fertilitätsunterschieden Bei den regionalen Fertilitätsunterschieden lassen sich zwei grundsätzlich verschie- dene Erklärungen anführen: Sie können auf Kompositionseffekten oder auf regiona- len Opportunitätsstrukturen beruhen (Basten et al. 2011; Boyle et al. 2007; Firoi et al. 2014; Hank 2002; Hank/Huinink 2015; Kulu/Boyle 2009; Kulu et al. 2007; Trovato/ Grindstaff 1980). Hinsichtlich dieser Grundsatzfrage stimmen zwar die meisten Au- toren der These zu, dass beide Erklärungen sich ergänzen. Allerdings fi nden eini- ge Autoren eher Kompositionseffekte relevant (Hank 2002;3 Hank/Huinink 2015), während andere regionale Kontextfaktoren betonen (Kulu et al. 2007; Kulu/Boyle 2009). Diese Unterscheidung ist für die Bedeutung regionaler Analysen wichtig, denn sowohl der Whole-Nation-Bias bei Makroanalysen (Rokkan 1970) als auch der Selection-Bias durch die Ausblendung regionaler Faktoren bei Individualanalysen sind umso größer, je stärker regionale Kontextfaktoren wirken. Kompositionseffekte führen v.a. dann zu regional unterschiedlichen Fertilitäts- raten, wenn in bestimmten Regionen Personen mit solchen sozialstrukturellen Merk- malen überrepräsentiert sind, die ein spezifi sches Fertilitätsverhalten aufweisen. In Ländern, bei denen höhere Bildungsabschlüsse mit niedrigerer Fertilität assoziiert sind, ist die Fertilität in Regionen deutlich niedriger, in denen besonders viele Aka- demiker und wenige Frauen mit niedrigem Bildungsabschluss leben (Hank/Huinink 2015). Ähnliches gilt für den sozioökonomischen Status (Kulu 2013). Kompositions- effekte können auch auf Migrantengruppen bzw. ethnischen Minoritäten beruhen, die in bestimmten Regionen überrepräsentiert sind und ein abweichendes Fertili- tätsmuster aufweisen. Die Fertilität von Migranten unterschiedlicher Herkunftslän- der ist sehr heterogen. In Deutschland und Großbritannien, wo die Mehrzahl der Migranten aus Ländern mit deutlich höherer Fertilität kommt, wie Türkei oder Pa- kistan, ist der Effekt von Migranten positiv (Hank/Huinink 2015; Kulu/Washbrook 2014). Andere Studien zeigen keinen Einfl uss von internationalen Migranten, v.a. im Vergleich zu den deutlichen Effekten der Binnenmigration (Michielin 2002). Indivi- duelle Merkmale bezüglich der Lebensform (Hank 2003) oder der Erwerbstätigkeit erweisen sich auch in vielen Analysen als signifi kant (Hank/Huinink 2015). Ihre In- terpretation als Kompositionseffekte ist jedoch schwierig, da diese Faktoren auch Folge von Fertilitätsereignissen oder zumindest unterschiedlich stark ausgeprägten Kinderwünschen sein können. Regionale Kontextfaktoren beruhen auf lokalen Opportunitätsstrukturen (aus- führlich: Basten et al. 2011), die sich in Bezug auf Urbanisierung, Wohnraum, Kultur, Familienpolitik und Arbeitsmarkt unterscheiden. Ein zentraler Faktor ist der Urbanisierungsgrad (Courgeau 1989; Kulu/Boyle 2009; Kulu et al. 2007; Kulu 2013; Trovato/Grindstaff 1980), der bereits in der historischen Demografi e und der ersten demografi schen Transition negativ mit Fertilität verbun- den war (Andorka 1978; Sharlin 1986; Wolf 1912). Die Bevölkerungsdichte weist in 3 Allerdings weist Hank auf weiteren Forschungsbedarf, u.a. durch eine Nutzung groß-skalierter Individualdatensätze, hin (Hank 2002: 296). • Martin Bujard, Melanie Scheller106 einem internationalen Vergleich von 145 Ländern einen negativen Zusammenhang mit Fertilität auf (Lutz et al. 2006), wobei dies nur bedingt auf Europa zutrifft. Die In- terpretation des Einfl usses des Urbanisierungsgrades für Fertilitätsentscheidungen ist jedoch kompliziert, da die dahinter stehenden Mechanismen vielfältig sind. Shar- lin (1986: 236) bezeichnet Stadt-Land-Unterschiede als „code phrase for an array of social, economic, and cultural differences and changes”. Die Mechanismen hinter dem Urbanisierungseffekt lassen sich in lokale Opportunitätsstrukturen, selektive Binnenmigration, kulturelle Faktoren (inklusive dem Timing von Wandlungsprozes- sen) und Kompositionseffekte differenzieren: • Bestimmte lokale Opportunitätsstrukturen unterscheiden sich typischerwei- se zwischen Städten und ländlichen Regionen: In Städten ist der Wohnraum knapper und teurer sowie der Arbeitsmarkt von hoher Spezialisierung und Wissensbasierung geprägt; beide Faktoren sind mit niedriger Fertilität asso- ziiert. In ländlichen Kreisen dagegen können Grünfl ächen zur Naherholung und weniger Autoverkehr eher zu einer kinderfreundlichen Wohnumgebung beitragen. Es lohnt sich jedoch aus zwei Gründen die Faktoren einzeln zu ana- lysieren: Erstens, um die tatsächlichen Wirkungsfaktoren zu erhalten, die sich hinter der Urbanisierung verbergen. Zweitens ist eine Differenzierung der lo- kalen Opportunitätsstrukturen in Städten sinnvoll, da es auch urbane Räume mit familienfreundlichen Wohnumgebungen gibt. Mehrere Studien zeigen, dass die Fertilität in Vororten höher ist als im Stadtzentrum (Boyle et al. 2007; Kulu/Boyle 2009; Kulu/Washbrook 2014). • Selektive Binnenmigration (Courgeau 1989; Huinink/Wagner 1989; Kulu/Mi- lewski 2007; Michielin 2002) verstärkt Stadt-Land-Unterschiede in der Fer- tilität. Häufi g ziehen Paare kurz vor oder nach der Familiengründung von Städten aufs Land und Kinderlose eher in Städte. Courgeau (1989) zeigt für Frankreich, dass die Binnenmigration von Stadt nach Land mit höherer Fer- tilität einhergeht (und vice versa). Dies zeigt er nicht nur für die Familien- gründung, sondern auch beim Übergang zu höheren Paritäten. Es wird argu- mentiert, dass Frauen ihr Verhalten an die neue Umgebung anpassen bzw. eine Umgebung entsprechend ihrer Kinderwünsche auswählen, wobei der Wohnungsmarkt eine wichtige Rolle spielt. Da manche Vororte zur Stadt und andere zu angrenzenden ländlichen Kreisen gezählt werden, sind Abgren- zungsprobleme hier virulent. • Kulturelle Unterschiede zwischen städtischen und ländlichen Kreisen sind auf unterschiedliche sozio-kulturelle Milieus zurückzuführen. In urbanen Mi- lieus ist ein städtischer Lebensstil verbreitet, der von vielen Lebensoptionen außerhalb von Familie geprägt ist. Dabei interagieren urbaner Lebensstil und lokale Opportunitätsstrukturen miteinander. Der Einfl uss dieser Milieus und des sozialen Lernens ist bei der Familiengründung größer als bei dem Übergang zu weiteren Paritäten (Fiori et al. 2014). Stadt-Land-Unterschiede können auch die Avantgarde und Nachzügler in historischen Wandlungspro- zessen, wie dem ersten demografi schen Übergang, abbilden (Coale/Watkins 1986). Selektive Binnenmigration fi ndet jedoch nicht nur im Stadt-Land-Bezug statt, sondern generell zwischen unterschiedlichen Kreisen mit unterschiedlichen re- gionalen Kontexten. Kulu und Milewski (2007) haben eine elaborierte Systematik vorgelegt, bei der sie vier Hypothesen für das Fertilitätsverhalten bei Migration differenzieren: Der Sozialisationshypothese zufolge bleibt die Fertilität nach einem Einfl uss regionaler Faktoren auf die Kohortenfertilität • 107 Umzug von erwachsenen Personen konstant, da die Präferenzen bereits vor dem Umzug gebildet worden sind. Dagegen postuliert die Adaptionshypothese, dass der regionale Kontext ausschlaggebender ist und sich die Fertilität an das Muster ihrer neuen Umgebung anpasst. Die Selektionshypothese geht davon aus, dass ein Umzug als Folge von spezifi schen Fertilitätspräferenzen vorgenommen wird (für Großbritannien: Kulu/Washbrook 2014). Die Disruptionshypothese besagt, dass di- rekt nach einem Umzug die Fertilität niedriger ist; diese Hypothese ist weniger für Binnenmigration als für internationale Migration (abgesehen vom Familiennachzug) plausibel. Anders als die Befunde von Courgeau (1989) für Frankreich, Huinink und Wagner (1989) für Deutschland und Michielin (2002) für Italien zeigen neuere Ana- lysen für den Übergang zum zweiten und dritten Kind für Großbritannien (Fiori et al. 2014) und für die ersten drei Paritäten in Finnland (Kulu 2013) keinen Effekt der selektiven Migration. Der Wohnraum erweist sich in mehreren Studien als signifi kanter regionaler Kontextfaktor (Fiori et al. 2014; Kulu/Vikat 2007; Kulu/Boyle 2009; Kulu 2013). Kulu zeigt für Finnland, dass das Wohnen in freistehenden Häusern und Reihenhäusern beim Übergang zum ersten Kind einen deutlichen Effekt hat, der sogar den häufi - geren Übergang in ländlichen Gebieten erklärt (Kulu 2013: 904). Für Finnland konn- te auch ein wahrscheinlicherer Übergang zum dritten Kind bei Einfamilienhäusern gezeigt werden (Kulu/Vikat 2007). Für Großbritannien fi nden Fiori et al. (2014) einen positiven Effekt von Wohnungen mit mehr als fünf Räumen lediglich beim Übergang zum zweiten Kind. Kulturelle Unterschiede auf regionaler Ebene, die historisch gewachsen und oft bereits vor dem gegenwärtigen politischen System entstanden sind (vgl. Klüsener/ Goldstein 2014), können sich auf regionale Fertilitätsunterschiede auswirken. Die Bedeutung der Kultur in Relation zu sozioökonomischen Unterschieden betonen die Autoren des „European Fertility Project“ (Coale/Watkins 1986). Während ein gewis- ser Grad an Modernisierung eine Voraussetzung für den prätransitionellen Gebur- tenrückgang war, wurde der Zeitpunkt primär vom regionalen kulturellen Setting beeinfl usst (Knodel/van de Walle 1986). Dies gilt nicht für die konfessionelle Prä- gung in großen Städten Preußens; zudem spielen Ansteckungseffekte zwischen geografi schen Nachbarregionen eine Rolle (Goldstein/Klüsener 2014). Auch neuere Studien weisen auf den Einfl uss von regional unterschiedlichen sozialen Milieus auf Fertilität hin (Fulda 2015). Andererseits ist die Kultur im Sinne von fertilitätsbezoge- nen Einstellungen zu einem gewissen Teil national, durch Sprache und Massenme- dien, geprägt (Lesthaeghe 1995). Die Konfessionen und die unterschiedliche Religiosität, beispielsweise durch wöchentliche Kirchbesuche messbar, sind ein Ankerpunkt für kulturelle Analysen. Mehrere Studien zeigen, dass eine hohe Kirchgangsquote zur Erklärung regionaler Fertilitätsunterschiede beiträgt (Kemper 1991; Sobotka/Adigüzel 2002). Während vor einem Jahrhundert die höhere Fertilität bzw. geringe Neigung zur Verhütung von Katholiken betont wurde (Wolf 1912; vgl. Goldstein/Klüsener 2014), wird Ka- tholizismus in neueren Publikationen mit niedriger Fertilität infolge von familienpo- litischen Defi ziten im internationalen Vergleich assoziiert (Castles 2003). Analysen von 28 OECD-Ländern zeigen, dass die Protestantenquote zwischen 1987 und 2006 • Martin Bujard, Melanie Scheller108 positiv mit der TFR assoziiert ist, wobei Kinderbetreuungs- und Protestantenquote in multivariaten Regressionen eine ähnliche Varianz erklären (Bujard 2011). Dabei ist in vielen Ländern nur eine Konfession dominierend. Deutschland ist hier ein interes- santer Fall, da es Kreise gibt, die primär katholisch (u.a. in Südbayern) und solche, die primär protestantisch (u.a. in Schleswig-Holstein) sind. Dabei unterscheiden sich die Anteile auch innerhalb der einzelnen Bundesländer teilweise deutlich. Um den kirchlichen Einfl uss zu messen, ist neben der Konfession auch die Religiosi- tät maßgeblich, wobei Ostdeutschland – nicht nur aufgrund des DDR-Regimes – in besonderem Maße säkular ist (Klüsener/Goldstein 2014). Studien, die regionale Fertilitätsunterschiede in Deutschland im Kontext von Kirchen und Religiosität un- tersuchen, sind selten. Kemper (1991) zeigt für 31 westdeutsche Regierungsbezirke anhand eines Pfadmodells einen direkten positiven Einfl uss der Kirchenbesuchsra- te und einen indirekten negativen der Protestantenquote. Einige neuere Studien zum Einfl uss der Familienpolitik auf die Fertilität auf Län- derebene zeigen einen positiven Effekt (Bujard 2011; Luci-Greulich/Thévenon 2013). Auch wenn viele familienpolitische Maßnahmen national einheitlich sind, existiert v.a. bei der Kinderbetreuung eine zum Teil erhebliche Variation innerhalb eines Lan- des. Die Befundlage zum Einfl uss regionaler Unterschiede durch die Familienpolitik, insbesondere von Kinderbetreuung, auf die Fertilität ist heterogen. Einen positiven Effekt von Kindertagesstätten auf den Übergang zum ersten Kind zeigen Rindfuss et al. (2007) für Norwegen. Unterschiedlich sind die regional differenzierten Befunde zu Deutschland (Bauernschuster et al. 2013; Hank et al. 2004), wobei der Analyse- zeitraum bei Bauernschuster et al. die Kita-Expansion in Westdeutschland berück- sichtigt. Für Spanien kann Baizan (2009) einen positiven Effekt von formaler Kinder- betreuung nachweisen, der beim Übergang zu höheren Paritäten bei einer höheren Frauenerwerbsquote verstärkt wird. Regionale Arbeitsmärkte unterscheiden sich teilweise erheblich zwischen Krei- sen, dies betrifft Arbeitslosenquote, Wirtschaftsstruktur und Frauenerwerbstätig- keit. Dabei ist der Einfl uss von Arbeitslosigkeit eng mit dem Wohlstand einer Region verbunden. Die zunehmende berufl iche und ökonomische Unsicherheit im frühen Lebensverlauf (Mills/Blossfeld 2005) ist bei hoher Arbeitslosigkeit und im Dienst- leistungssektor besonders deutlich. Für beide Faktoren wurden für Norwegen ne- gative Effekte auf die Fertilität gefunden (Kravdal 2002), wobei weniger individuelle, als aggregierte regionale Effekte ausschlaggebend sind. Gemischte Befunde fi nden Hank und Huinink (2015) für Deutschland: Einen positiven Effekt der Arbeitslosig- keit auf die Kinderzahl und einen negativen auf die Intention einer Geburt in den nächsten zwei Jahren. 3 Daten, Methoden und Forschungsdesign 3.1 Daten Die vorliegende Studie basiert auf den Mikrodaten der Haushaltebefragung des Zensus 2011 (Bechthold 2016). Circa 10 % der deutschen Bevölkerung, rund 7,9 Mio. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 109 Menschen, wurden im Rahmen dieser Haushaltebefragung zu zusätzlichen sozio- demografi schen Informationen befragt, die nicht in den Registerdaten enthalten sind (Statistisches Bundesamt 2010). Die Ermittlung der Haushaltsstichprobe er- folgte nach einer regional geschichteten Zufallsauswahl von Anschriften aus dem Anschriften- und Gebäuderegister. Alle Personen einer ausgewählten Anschrift wurden befragt, wobei Auskunftspfl icht bestand. Sensible Sonderbereiche, wie psychiatrische Einrichtungen oder Justizvollzugsanstalten, und im Ausland tätige Angehörige der Bundeswehr, der Polizeibehörden und des Auswärtigen Dienstes sowie ihre dort ansässigen Familien wurden vorab aus der Auswahlgrundlage ent- fernt, da das Bereitstellen von Informationen für diese Personengruppen mit sozia- ler Benachteiligung verbunden sein kann. Die Haushalts- und Familienzusammenhänge aller an einer Anschrift lebenden Personen wurden nicht direkt erfragt, sondern nachträglich im Rahmen der Haus- haltegenerierung erzeugt (Statistisches Bundesamt 2015; Kreuzmair/Reisch 2013). Hierbei wurden klassische Haushalts- und Familienzusammenhänge anhand von direkten Verzeigerungen der Melderegister, wie Ehen, eingetragene Lebenspart- nerschaften oder Nachkommensbeziehungen, gebildet. Die Angabe der Nach- kommensbeziehung ist üblicherweise bis zur Vollendung des 18. Lebensjahres des Kindes vorhanden. Verzeigerungen, die über dieses Lebensjahr hinaus im Register enthalten sind, wurden ebenfalls bei der Haushaltegenerierung berücksichtigt. Zur Durchführung der Zuordnung weiterer Lebensformen, wie beispielsweise nicht-ein- getragener Partnerschaften, wurden weitere Registerinformationen, wie Zuzugsda- ten oder Zuzugsanschriften, genutzt. Die Mikrodaten des Zensus sind innerhalb eines relationalen Datenmodells struk- turiert, bei dem alle Teildatensätze des Zensus als eigene Tabelle abgelegt sind und über Identifi katoren miteinander verknüpft werden können. Innerhalb der vorliegen- den Studie wurden die Einzeldaten der Haushaltebefragung sowie die im Rahmen der Haushaltegenerierung nachträglich gebildeten Familienzusammenhänge nach nationaler Typisierung verwendet. Da die für die Berechnung benötigten Familien- informationen nicht für Personen aus kleineren Gemeinden vorliegen, wurden diese Personen aus der Analyse ausgeschlossen. Zunächst wurden alle Frauen der Haushaltsstichprobe selektiert und anhand der generierten Zusammenhänge über Familientyp und Familiengröße für jede Frau die Anzahl der Kinder gebildet.4 Die Stichprobenergebnisse wurden mittels eines Hochrechnungsfaktors auf die Zensus-Gesamtbevölkerung hochgerechnet, um Vergleiche mit anderen Datenquellen zu ermöglichen. Zu berücksichtigen ist 4 Zu beachten ist, dass für die vorliegende Untersuchung das generative Verhalten von Frauen im Allgemeinen relevant ist und nicht auf der Ebene der Familien abgebildet ist. Daher wer- den Frauen in gleichgeschlechtlichen Lebensgemeinschaften als zwei Fälle erfasst. Ferner sei einschränkend erwähnt, dass es bei der Zuordnung von Müttern in Mehrgenerationenfamilien bedingt durch die Methodik der Haushaltegenerierung zu einer Untererfassung der Kinder kom- men kann. Das Familienkonzept des Zensus 2011 bezieht sich auf direkte Beziehungen (ersten Grades) zwischen Vorfahren und Nachfahren, d.h. auf Beziehungen zwischen Eltern und Kin- dern. • Martin Bujard, Melanie Scheller110 hierbei, dass der Wohnort der Frau zum Zeitpunkt des Zensusstichtages abgebildet wird und nicht zum Zeitpunkt der Geburt. Zum Zeitpunkt der Zensusbefragung existierten 412 Kreise. Infolge der Gebiets- reformen in Mecklenburg-Vorpommern 2011 wurden 18 Kreise in acht Kreise zu- sammengefasst. Alle Daten für diese Kreise wurden auf Basis von Kühntopf (2015) umgerechnet, so dass alle Ergebnisse – nach den Kreisgebieten mit dem Stand vom 1.1.2015 – für 402 Kreise angegeben werden. 3.2 Berechnung des Multiplikators und Schätzung der CTFR Um die endgültige Kinderzahl pro Frau bzw. die CTFR zu schätzen, wird die durch- schnittliche Anzahl der Kinder im Haushalt der Frauen verwendet. Die biologische Kinderzahl und damit auch die endgültige Kinderzahl sind im Zensus nicht enthalten. Die Kinderzahl im Haushalt beim Zensus unterschätzt die endgültige Kinderzahl v.a. aus zwei Gründen: Erstens werden bereits aus dem Haushalt ausgezogene Kinder nicht erfasst, wodurch insbesondere bei Frauen ab dem 38. Lebensjahr die erfasste Kinderzahl zunehmend die CTFR unterschätzt. Zweitens wird bei Frauenkohorten, die jünger als 45 Jahre alt sind, die endgültige Kinderzahl unterschätzt, da diese ihre Fertilitätsbiografi e noch nicht abgeschlossen haben. Zunächst werden die Jahrgänge identifi ziert, bei denen die Verzerrungen zwi- schen der Kinderzahl im Haushalt und der CTFR am geringsten sind. In Abbildung 1 werden die Zensus-Werte und die MZ-Werte für die Kinderzahl im Haushalt mit der endgültigen Kinderzahl basierend auf der amtlichen Geburtenstatistik (1960-70)5 bzw. der linearen Trendextrapolation (1971-75) verglichen.6 Der Vergleich zeigt, dass für die 38- bis 42-jährigen Frauen, die Kohorten 1969-72, die Differenz mit 6,6 % bis 7,8 % am geringsten ist. Mit zunehmendem Abstand von diesen Jahrgängen ver- größert sich die Differenz zwischen den Kindern im Haushalt und der endgültigen Kinderzahl. Diese Unterschätzung ist zweifellos ein Nachteil. Da die Geburtenfrage im Zensus jedoch nicht gestellt wurde, ist dieses Vorgehen alternativlos. Um eine ausreichende Anzahl an Fällen für eine Kreisbetrachtung zu erhalten, werden die Zahlen der vier identifi zierten Kohorten 1969-1972 zusammengenommen. Die Un- terschätzung hält sich durch die Auswahl der Jahrgänge 1969-72 in Grenzen. Die prozentuale Unterschätzung der CTFR beträgt 7,17 % bei der Verwendung der Anzahl der Kinder im Haushalt für die Kohorten 1969-72 im Zensus. Es ist plau- sibel, dass sie für die meisten Kreise relativ gleichmäßig verteilt ist und dass Unter- schiede v.a. mit einem jüngeren Geburtsalter und dem damit verbundenen früheren Auszug verbunden sind. Dies gilt v.a. für Ostdeutschland, wo das Erstgeburtsalter 5 Die Daten der amtlichen Geburtenstatistik berücksichtigen beim Jahrgang 1970 die altersspe- zifi schen Fertilitätsraten (ASFR) bis einschließlich der ASFR 42. Die danach noch folgenden Geburten sind sehr gering, ihr Effekt summiert sich auf <= 0,01. 6 Dabei sei auf erhebungsbedingte Unterschiede hingewiesen, da der Zensus – ähnlich wie der MZ und im Unterschied zur Geburtenstatistik – Kinder von zugewanderten Frauen berücksich- tigt, die im Ausland geboren wurden (vgl. Pötzsch 2010). Einfl uss regionaler Faktoren auf die Kohortenfertilität • 111 erheblich geringer ist (Statistisches Bundesamt 2014), so dass bei mehr ostdeut- schen Müttern der Jahrgänge 1969-72 im Jahr 2011 die Kinder bereits aus dem Elternhaus ausgezogen sind. Entsprechend beträgt die Unterschätzung in den alten Bundesländern nur 5,86 %, während sie in den neuen mit 12,20 % deutlich höher ist (Tab. 1). Eine weitere Differenzierung nach Großstädten und anderen Regionen würde den Schätzwert weiter verbessern. Allerdings ist dies aufgrund der Daten- lage nur begrenzt – bspw. für die Stadtstaaten – möglich. Zudem würde die Kom- pliziertheit des Verfahrens in einem schlechten Verhältnis zum Präzisionsgewinn stehen. Da die Kinderzahl im Haushalt für Ostdeutschland die CTFR weitaus stärker unterschätzt, wird ein zwischen West- und Ostdeutschland differenzierter Multipli- kator angewendet. Mit diesen Multiplikatoren und den kreisspezifi schen Werten zur durchschnittlichen Kinderzahl im Haushalt pro Frau im Zensus wird die CTFR der Frauenjahrgänge 1969-72 für alle 402 Kreise geschätzt. Abb. 1: Vergleich von durchschnittlicher Kinderzahl im Haushalt (Zensus und MZ) und endgültiger Kinderzahl (amtliche Geburtenstatistik und lineare Extrapolation) der Geburtskohorten 1960-75 in Deutschland 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1960 1965 1970 1975 Geburtskohorte Frauen CTFR nach linearer Interpolation CTFR, amtliche Bevölkerungsstatistik 2014 CFR, amtliche Bevölkerungsstatistik 2014 Kinder im Haushalt, Zensus 2011 Kinder im Haushalt, Mikrozensus 2011 Durchschnittliche Kinderzahl je Frau Quelle: Eigene Berechnung basierend auf Zensus 2011 und MZ 2011; ferner Statistisches Bundesamt (2014); Goldstein/Kreyenfeld (2013). • Martin Bujard, Melanie Scheller112 3.3 Sensitivitätsanalyse: Vergleich der Zensusbefunde mit dem Mikrozensus Im Folgenden werden die berechneten Werte zur durchschnittlichen Kinderzahl von Frauen im Haushalt (Familienebene) aus dem Zensus geprüft, indem sie mit denen des Mikrozensus (MZ) aus dem gleichen Jahr7 verglichen werden (siehe Tab. 2). Ein Vergleich mit dem MZ 2012 hätte zwar den Vorteil, dass dort die tatsächlichen Geburten erfragt wurden, allerdings sind bei den ausgewählten Kohorten die Fer- tilitätsbiografi en noch nicht abgeschlossen. Insofern ist der Vergleich der Zensus- Ergebnisse mit dem MZ aus dem gleichen Jahr und mit vergleichbaren Variablen aussagekräftiger, um die Plausibilität der Zensus-Analysen zu überprüfen. Tab. 1: Vergleich der durchschnittlichen Kinderzahl im Haushalt nach Zensus und CTFR Jahr- CTFR (Geburtenstatistik) Zensus 2011 Differenz (CTFR – Zensus) gang Ost West gesamt Ost West gesamt Ost West gesamt in % 1960 1,80 1,60 1,66 0,56 0,91 0,84 1,23 0,69 0,82 97,3 1961 1,76 1,58 1,63 0,63 0,99 0,92 1,13 0,59 0,71 77,6 1962 1,72 1,56 1,61 0,69 1,08 1,00 1,03 0,48 0,61 61,1 1963 1,68 1,54 1,59 0,75 1,14 1,06 0,93 0,40 0,52 49,3 1964 1,64 1,53 1,57 0,86 1,22 1,15 0,78 0,30 0,41 35,9 1965 1,60 1,52 1,55 0,94 1,30 1,23 0,67 0,22 0,33 26,5 1966 1,56 1,50 1,52 1,04 1,32 1,27 0,52 0,17 0,25 19,8 1967 1,55 1,47 1,50 1,13 1,35 1,31 0,42 0,12 0,19 14,2 1968 1,51 1,47 1,49 1,20 1,37 1,34 0,31 0,10 0,15 11,1 1969 1,49 1,48 1,49 1,28 1,40 1,38 0,21 0,07 0,11 7,8 1970 1,46 1,49 1,49 1,29 1,42 1,39 0,17 0,07 0,10 7,2 1971 1,50 1,51 1,51 1,37 1,43 1,42 0,13 0,09 0,09 6,6 1972 1,51 1,53 1,53 1,38 1,44 1,43 0,14 0,10 0,10 7,1 1973 1,53 1,57 1,56 1,38 1,43 1,42 0,15 0,14 0,14 9,8 1974 1,54 1,57 1,57 1,35 1,39 1,38 0,19 0,19 0,18 13,3 1975 1,54 1,58 1,57 1,33 1,35 1,35 0,21 0,23 0,22 16,6 Anmerkungen: Differenzen sind rundungsbedingt. Die grau schattierten Jahrgänge wer- den in der Analyse berücksichtigt. Quelle: Eigene Berechnung basierend auf Zensus 2011(hochgerechnete Werte) und amt- licher Geburtenstatistik (1960-70: Statistisches Bundesamt (2014); 1971-75: Gold- stein/Kreyenfeld (2013). 7 Beide Befragungen stammen aus dem Jahr 2011. Beim Zensus war der Stichtag 09.05.2011 relevant, während beim MZ die Befragung – bedingt durch die unterjährige Erhebungsmetho- dik – zu unterschiedlichen Zeitpunkten stattgefunden hat. Bei den hier ausgewählten Kohorten wird davon ausgegangen, dass die dadurch entstandenen Monatsdifferenzen zu einer vernach- lässigbaren Verzerrung führen. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 113 Die Differenzen der durchschnittlichen Kinderzahl von Frauen für die Kohorten 1960-75 und für Ost- und Westdeutschland sind nur minimal. Sie liegen zwischen 0,00 und 0,09. Diese Genauigkeit bestätigt die in Abschnitt 3.1 beschriebene Selek- tion und Filterung. Sie ist nur möglich, weil die Fallzahlen in MZ und Zensus enorm hoch sind und die Befragung aufgrund des verpfl ichtenden Charakters wenig durch Non-Response-Probleme verzerrt wird. 3.4 Forschungsdesign der multivariaten Analysen Die multivariaten und räumlichen Analysen dienen dem Ziel, einen breiten Überblick über regionale Faktoren der CTFR, ihr Zusammenspiel und die räumlichen Cluster zu generieren. Bei den linearen Regressionsanalysen fungieren die 402 Kreise als Fälle, wobei für Gesamtdeutschland sowie für West- und Ostdeutschland separa- te Analysen durchgeführt werden. Diese Differenzierung wird aus zwei Gründen vorgenommen: Zum einen weist die Literatur auf große demografi sche, kulturel- le und strukturelle Unterschiede zwischen beiden Regionen hin (u.a. Goldstein/ Kreyenfeld 2011; Schneider et al. 2012), zum anderen zeigen eigene Voranalysen erhebliche Ost-West-Unterschiede. Diese Unterschiede lassen sich nicht durch ei- nen West-Ost-Dummy sinnvoll erfassen, da ein solcher mit mehreren unabhängigen Tab. 2: Durchschnittliche Kinderzahl im Haushalt von Frauen: Vergleich Zensus und Mikrozensus MZ 2011 Zensus 2011 Differenz (MZ – Zensus) Ost West gesamt Ost West gesamt Ost West gesamt in % 1960 0,48 0,86 0,78 0,56 0,91 0,84 -0,08 -0,05 -0,06 -7,1 1961 0,56 0,96 0,88 0,63 0,99 0,92 -0,07 -0,03 -0,04 -4,3 1962 0,62 1,05 0,96 0,69 1,08 1,00 -0,07 -0,03 -0,04 -4,0 1963 0,70 1,12 1,04 0,75 1,14 1,06 -0,05 -0,02 -0,02 -1,9 1964 0,81 1,20 1,12 0,86 1,22 1,15 -0,05 -0,02 -0,03 -2,6 1965 0,90 1,30 1,21 0,94 1,30 1,23 -0,04 0,00 -0,02 -1,6 1966 1,00 1,32 1,26 1,04 1,32 1,27 -0,04 0,00 -0,01 -0,8 1967 1,04 1,34 1,28 1,13 1,35 1,31 -0,09 -0,01 -0,03 -2,3 1968 1,14 1,35 1,32 1,20 1,37 1,34 -0,06 -0,02 -0,02 -1,5 1969 1,25 1,40 1,37 1,28 1,40 1,38 -0,03 -0,00 -0,01 -0,7 1970 1,28 1,44 1,41 1,29 1,42 1,39 -0,01 0,02 0,02 1,4 1971 1,28 1,40 1,38 1,37 1,43 1,42 -0,09 -0,03 -0,04 -2,8 1972 1,38 1,43 1,42 1,38 1,44 1,43 -0,00 -0,01 -0,01 -0,7 1973 1,40 1,42 1,43 1,38 1,43 1,42 -0,02 -0,01 0,01 0,7 1974 1,32 1,35 1,36 1,35 1,39 1,38 -0,03 -0,04 -0,02 -1,4 1975 1,31 1,35 1,33 1,33 1,35 1,35 -0,02 0,00 -0,02 -1,5 Anmerkung: Die Differenz in Prozent ist der Quotient aus Gesamtdifferenz und Zensus- Gesamtwert. Quelle: Zensus 2011, MZ 2011, eigene Berechnung und Darstellung. • Martin Bujard, Melanie Scheller114 Variablen unterschiedlich interagiert. Die hier verwendete Kreisebene hat gewisse Limitationen, da wie bei allen Makroanalysen auf Kreisebene das „Modifi able Areal Unit Problem“ (MAUP) (Openshaw 1984) auftritt, das bei multivariaten Analysen zu Interpretationsproblemen führen kann (Fotheringham/Wong 1991). Abhängige Variable ist die in dieser Studie berechnete kreisspezifi sche CTFR für Frauen der Jahrgänge 1969-72. Die Datengrundlage des Zensus beinhaltet 193.934 Frauen der Kohorten 1969-72, die alle in die Berechnung der 402 kreisspezifi schen CTFR-Werte eingegangen sind. Die unabhängigen Variablen basieren auf kreisspezifi schen Aggregierungen der Mikrodaten der Haushaltsstichprobe des Zensus 2011 (Kompositionsvariablen) so- wie auf der INKAR-Datenbank (regionale Opportunitäten; INKAR 2015). Die Zen- sus-Aggregierungen werden für dieselben Kohorten (1969-72) wie die abhängige Variable berechnet und der Kreisumschätzer für die Gebietsreform in Mecklenburg- Vorpommern angewendet. Folgende Anteile werden als unabhängige Kompositi- onsvariablen verwendet: Migrationshintergrund, niedriger Bildungsabschluss (IS- CED 1-2), hoher Bildungsabschluss (ISCED 5A, 6), Katholiken, evangelische Christen, verheiratete Frauen, Frauen in nichtehelichen Lebensgemeinschaften (NEL) sowie die Summe der Frauen, die in Ehe oder in NEL leben. Zur Abbildung der regionalen Opportunitäten werden die Durchschnittswerte von 1995-2011 (sofern vorhanden)8 verwendet, da der Einfl uss dieser regionalen Faktoren in der Phase der generativen Entscheidung im Lebenslauf maßgeblich ist. Diese Phase umfasst bei den Frauen, die im Jahr 2011 um die 40 Jahre alt sind, den Zeitraum der zurückliegenden zehn oder mehr Jahre. Folgende Variablen werden als regionale Opportunitäten verwendet: Beschäftigtenquote im tertiären Sektor, Arbeitslosenquote (als Anteil an der gesamten Erwerbsbevölkerung), Beschäftig- tenquote in Forschung und Entwicklung (FuE), Anteil an Frauen in Teilzeitarbeit, Beschäftigtenquote der Frauen, Erwerbsquote der Frauen, Bruttoinlandsprodukt je Einwohner, Bruttolohn und -gehalt, Anteil an Kinderarmut, Betreuungsquote von Kleinkindern von null bis zwei Jahren, Betreuungsquote von Vorschulkindern zwi- schen drei und fünf Jahren, Ganztags-Betreuungsquote von Vorschulkindern,9 pä- dagogisches Personal in Tageseinrichtungen in Relation zur Kinderzahl, Anteil von Fünf- und mehr Raum-Wohnungen, Wohnfl äche pro Person in Quadratmetern, na- turnähere Fläche je Einwohner und die Geschlechterproportion der 20- bis 39-Jäh- rigen (Anteil von Frauen/Männern). Der natürliche Logarithmus (zur Basis e) der Bevölkerungsdichte wird zur Operationalisierung des Effektes des Urbanisierungs- grades verwendet. 8 Bei den meisten INKAR-Variablen (BBSR 2015) sind Werte von 1995-2011 vorhanden. Bei fol- genden Variablen geht die Datenreihe nicht so weit zurück: Arbeitslosenquote ab 1998, Brut- togehalt ab 2000, FuE-Beschäftigungsquote ab 2003, familienpolitische Betreuungsquoten ab 2007, Beschäftigtenquote im tertiären Sektor und Frauenerwerbsquote ab 2008. Dies ist ein Nachteil, jedoch kann aufgrund der Entwicklung bei den anderen Variablen davon ausgegangen werden, dass die Relation dieser Variablen zwischen den Kreisen im gesamten Zeitraum relativ ähnlich war. 9 Dieser Indikator misst den Anteil der Kinder von drei bis fünf Jahren in Kitas mit einer Betreu- ungszeit von sieben und mehr Stunden pro Tag. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 115 4 Ergebnisse 4.1 CTFR auf Kreisebene Die Ergebnisse für die geschätzte durchschnittliche CTFR der Kohorten 1969-72 für alle 402 Kreise werden in Abbildung 2 grafi sch dargestellt. Die einzelnen Werte für jeden Kreis sind in Tabelle A-1 im Anhang sowie in der Excel-Tabelle im Online- Anhang abgetragen. Die Spannbreite liegt zwischen 1,05 in Passau und 2,01 in Clop- penburg (siehe Abb. 3). In 28 Kreisen ist die CTFR unterhalb von 1,3, insbesondere in Großstädten wie Köln, Hamburg, Stuttgart oder München. In 44 Kreisen liegt sie oberhalb von 1,7. Viele dieser Kreise mit einer relativ hohen Kohortenfertilität liegen im Allgäu, in der Odenwaldregion, in Südfranken, in Ostsachsen und in der Region zwischen Münster und dem Emsland. Bezüglich des kreisspezifi schen Einfl usses auf die endgültige Kinderzahl von Frauen ist die geschätzte CTFR aussagekräftiger und besser interpretierbar als die TFR. Aufgrund fehlender regionaler Daten zur CTFR wird manchmal für solche Fra- gestellungen die TFR herangezogen, jedoch oft missinterpretiert. Denn es gibt fun- damentale Unterschiede zwischen beiden Messkonzepten, die sich anhand eines Lexis-Diagramms zu Alter und Zeit illustrieren lassen (Luy 2010). Die TFR zeigt nicht nur das Quantum, sondern auch einen Timingeffekt an (Bongaarts/Feeney 1998). Auch die Binnenwanderung von Müttern beeinfl usst beide Indikatoren in vielen Kreisen unterschiedlich. Dies wird im Folgenden anhand des Vergleichs der CTFR mit vorhandenen TFR-Daten auf Kreisebene gezeigt. Datengrundlage für die TFR-Werte sind Schätzungen des BBSR (2015). Für den Vergleich wird die TFR der Jahre verwendet, in denen das durchschnittliche Alter der Mütter bei der Geburt (MAC) der CTFR-Kohorten 1969-72 lag. Im Jahr 1999 lag das MAC bei 30,1 Jahren, also etwa im Alter der 1969 geborenen Frauen (Statisti- sches Bundesamt 2012). Das MAC ist bis 2003 auf 30,67 Jahre angestiegen, was dem 1972er Jahrgang entspricht. Entsprechend wird für die Kreise der Durchschnitt der TFR-Werte der Jahre 1999-2003 für den Vergleich mit den CTFR-Werten der Ko- horten 1969-72 verwendet. Die Verwendung der Fünf-Jahre-Durchschnitte hat auch den Vorteil, dass TFR-Schwankungen auf Kreisebene geglättet werden. Grundsätz- lich ist der Vergleich von CTFR und TFR problematisch. Hier geht es darum zu zei- gen, dass und warum die hier gewonnenen CTFR-Werte erheblich von den bisher bekannten TFR-Werten divergieren. Der Zusammenhang zwischen beiden Fertilitätsindikatoren auf Kreisebene liegt bei einem Pearson’schen Korrelationskoeffi zienten von 0,56. Die hohe Abweichung von 1 verdeutlicht, dass es einen großen Unterschied macht, ob man ein Kohor- tenmaß (CTFR) oder ein Periodenmaß (TFR) betrachtet. Durchschnittlich ist im Ver- gleich der CTFR (1969-72) mit der TFR (1999-2003) die CTFR um 0,12 höher, entspre- chend unterschätzt daher die TFR die tatsächlichen Geburten pro Frau. Dies ist bei Fertilitätsdaten auf Kreisebene aus zwei Gründen umso problematischer: Erstens, wenn der Aufschub der Geburten in einem unterschiedlichem Tempo erfolgt (und damit die Verzerrung durch den Timingeffekt divergiert) und zweitens aufgrund von Binnenwanderung zwischen verschiedenen Kreisen. Beides hat auf die TFR der • Martin Bujard, Melanie Scheller116 Abb. 2: Endgültige Kinderzahl (CTFR) auf Kreisebene: Schätzwerte der Geburtsjahrgänge 1969-72 Anmerkungen: Eine Karte mit nummeriertem Schlüssel und eine Liste der Kreisnamen so- wie die zugehörigen CTFR-Werte werden im Anhang zur Verfügung gestellt. Ferner kann ein Excel-Dokument mit den kreispezifi schen CTFR unter folgendem Link heruntergeladen wer- den: http://www.comparativepopulationstudies.de/index.php/CPoS/article/view/278/251. Quelle: Eigene Berechnung basierend auf Zensus 2011. Kartengrundlage: © GeoBasis- DE/BKG (2015). ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! Kiel Mainz Erfurt Bremen Berlin Potsdam Dresden München Hamburg Schwerin Hannover Magdeburg Stuttgart Wiesbaden Düsseldorf Saarbrücken Endgültige Kinderzahl von Frauen der Jahrgänge 1969-72 < 1,32 1,32 - 1,46 1,46 - 1,58 1,58 - 1,71 > 1,71 Einfl uss regionaler Faktoren auf die Kohortenfertilität • 117 Kreise in Deutschland eine erhebliche Wirkung. Die Frage, wie viele Kinder Frauen in bestimmten Kreisen haben (oder bekommen), lässt sich inhaltlich mit den TFR auf Kreisebene nicht befriedigend beantworten. Demgegenüber steht der Vorteil der TFR, dass sie eine hohe Aktualität ermöglicht. Die Daten zur endgültigen Kinderzahl dagegen ermöglichen eine Antwort auf die Frage, wie viele Kinder Frauen einer Kohorte haben. Temporär kinderlose Frauen, die für die Ausbildungsphase oder das Studium in eine andere Stadt umziehen, be- einfl ussen die TFR dieser Stadt negativ, denn sie werden im Nenner mitgezählt und führen ggf. zu einer erheblichen Unterschätzung der Fertilität von Frauen in Univer- sitätsstädten. Diese Phänomene führen dazu, dass die Abweichung von CTFR und TFR auf Kreisebene zwischen +0,50 im Brandenburger Kreis Elbe-Elster und -0,30 in Lüchow-Dannenberg (Niedersachsen) liegt, also eine Spannbreite von über 0,8. Die kreisspezifi sche Variation der TFR-Verzerrung im Vergleich zur CTFR ist erheb- lich, wobei drei Phänomene zentral sind: 1. In Ostdeutschland ist die Timing-Komponente der TFR besonders deutlich, da der Aufschub des MAC nach der Wende enorm hoch war. Entsprechend ist die CTFR in fast allen ostdeutschen Kreisen um mindestens 0,2 höher als die TFR – in 37,7 % sogar mehr als 0,3. Gera ist der einzige von 77 ostdeut- schen Kreisen, in dem die TFR höher ist. 2. In mehreren Kreisen sind Stadt-Land-Wanderungen nach der Geburt von Kin- dern sichtbar, wobei Familien mit kleinen Kindern von der Stadt in angrenzen- de ländliche Kreise ziehen. Dieses Phänomen zeigt sich in Köln, Düsseldorf, Essen und Frankfurt am Main und besonders deutlich in Bayern, wo in Mün- chen, Ingolstadt, Amberg, Weiden, Nürnberg, Fürth und Erlangen mehrere Städte eine niedrigere CTFR im Vergleich zur TFR haben. Abb. 3: Geschätzte endgültige Kinderzahl (CTFR) auf Kreisebene: Top 10 und Bottom 10 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 Schätzwerte endgültige Kinderzahl der Jahrgänge 1969-72 Passau, Stadt Kiel, Landeshauptstadt Gera, Stadt Würzburg, Stadt Weiden i.d.OPf., Stadt München, Landeshauptstadt Düsseldorf, Stadt Köln, Stadt Frankfurt/Main, Stadt Osnabrück, Stadt Median Daun Rottal-Inn Neckar-Odenwald-Kreis Straubing-Bogen Eichstätt Freudenstadt Vechta Mühldorf a.Inn Günzburg Cloppenburg Quelle: Eigene Berechnung basierend auf Zensus 2011. • Martin Bujard, Melanie Scheller118 3. In mehreren Studentenstädten wie Münster (0,33), Tübingen (0,23) oder Hei- delberg (0,48) ist die CTFR erheblich höher als die TFR, die durch die überwie- gend temporär dort lebenden und in dieser Zeit gering fertilen Studentinnen gedrückt wird. 4.2 Makroanalysen zu regionalen Faktoren der CTFR Auf Basis der neu gewonnenen Daten zur Kohortenfertilität auf Kreisebene lassen sich regionale Faktoren auf der Makroebene analysieren. Tabelle 3 zeigt die Zusam- menhänge zwischen der CTFR und einigen sozialstrukturellen, ökonomischen, po- litischen und geografi schen Faktoren, wobei zwischen West- und Ostdeutschland differenziert wird. Bei den sozialstrukturellen Faktoren gibt es deutliche Unterschiede zwischen West- und Ostdeutschland. Bspw. ist die negative Korrelation der Arbeitslosen- quote und der NEL jeweils mit der CTFR nur in Westdeutschland signifi kant. Be- merkenswert ist die Religionsvariable: Während ein hoher Katholikenanteil nur in Westdeutschland signifi kant mit höherer Kohortenfertilität assoziiert ist, ver- birgt sich hinter dem negativen Vorzeichen beim Anteil evangelischer Christen für Gesamtdeutschland ein signifi kant positiver Zusammenhang für Ostdeutschland. Die Kinderbetreuungsquoten sind nur in Westdeutschland signifi kant. Der Zusam- menhang der CTFR mit Kleinkindbetreuung und Ganztagsplätzen ist negativ, was erklärungsbedürftig ist. Da beide Variablen mit Arbeitslosigkeit korrelieren (r = 0,71 und 0,67 für Gesamtdeutschland), könnte sich dahinter ein Drittvariableneffekt ver- bergen. Zudem sind sie aufgrund des betrachteten Zeitraums nur begrenzt aussa- gekräftig für die Fertilität der untersuchten Frauenkohorten (siehe 3.4). Da Urbanisierung in der Literatur als ein zentraler Faktor der regionalen Fertili- tätsunterschiede genannt wird (siehe 2.2), wird der Zusammenhang zwischen Be- völkerungsdichte und Kinderzahl pro Frau grafi sch dargestellt (Abb. 4). Aufgrund der schiefen Verteilung der Bevölkerungsdichte wird diese Variable logarithmiert. Der Zusammenhang zwischen beiden Variablen ist deutlich negativ, der Korrelati- onskoeffi zient Pearsons r beträgt 0,54. Im Folgenden werden die Ergebnisse linearer Regressionsanalysen für Gesamt- deutschland gezeigt, wobei die 402 Kreise die Fälle darstellen (siehe Tab. 4).10 In Modell 1 fl ießen lediglich die Kompositionsvariablen ein, in Modell 2 und 3 werden die von der Sozialstruktur beeinfl ussten Opportunitätsvariablen inkludiert und Mo- dell 4 berücksichtigt die Variablen zu regionalen Opportunitäten. Modell 5 ist das Best-Fit-Modell, wenn man sich auf die sechs einfl ussreichsten Variablen fokussiert. Der negative Effekt der Beschäftigtenquote im tertiären Sektor, der Bevölkerungs- dichte und einer Geschlechterrelation mit wenigen Männern ist über alle Modelle hinweg robust und hochsignifi kant (p<0,001). Ebenfalls als signifi kant erweisen sich 10 Um Multikollinearität zu vermeiden, werden Variablen, deren Interkorrelationen über 0,7 liegen, nicht zusammen in einem Regressionsmodell verwendet. Daher wird die Variable Ganztags- betreuungsquote der Drei- bis Fünf-Jährigen statt der Betreuungsquote für unter Dreijährige sowie bei den Wohlstandsindikatoren das BIP anstelle von Kinderarmut und Gehalt benutzt. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 119 Tab. 3: Bivariate Korrelationen auf Kreisebene zwischen der CTFR und ausgewählten Kompositions- und Opportunitätseffekten Faktoren/Indikatoren D West Ost K o m p o si ti o n Bildung Anteil niedriger Bildungsabschluss (ISCED 1-2) -0,05 -0,12* -0,19 Anteil hoher Bildungsabschluss (ISCED 5A, 6) -0,49*** -0,52*** -0,33** Migration Anteil Migrationshintergrund -0,20*** -0,31*** -0,32** Religion Anteil Katholiken 0,30*** 0,33*** 0,18 Anteil evangelische Christen -0,03 -0,10 0,38*** Lebensform Anteil verheirateter Frauen 0,64*** 0,73*** 0,66*** Anteil Frauen in NEL -0,23*** -0,31*** -0,11 Anteil Frauen verheiratet oder NEL 0,67*** 0,68*** 0,67*** Arbeitsmarkt Beschäftigtenquote tertiärer Sektor -0,56*** -0,57*** -0,49*** V o n S o zi a ls tr u k tu r b e e in fl u ss te re g io n a le O p p o rt u n it ä te n Arbeitslosenquote -0,28*** -0,42*** -0,01 Anteil FuE Beschäftigte -0,03 -0,05 -0,02 Frauenerwerbstätigkeit Anteil Frauen in Teilzeit -0,44*** -0,47*** -0,29* Beschäftigtenquote Frauen -0,02 0,01 0,07 Erwerbsquote Frauen 0,21*** 0,31*** 0,29* Wohlstand Bruttoinlandsprodukt je Einwohner -0,36*** -0,41*** -0,45*** Bruttolohn- und gehalt -0,14** -0,23*** -0,33** Anteil Kinderarmut -0,46*** -0,50*** -0,41*** Urbanisierung Bevölkerungsdichte logarithmiert -0,54*** -0,60*** -0,44*** R e g io n a le O p p o rt u n it ä te n Städtischer/ländlicher Raum (Dummy) 0,27*** 0,30*** 0,26* Familienpolitik Betreuungsquote Kleinkinder -0,20*** -0,38*** -0,29* Betreuungsquote Vorschulkinder -0,04 -0,01 -0,19 Ganztags-Betreuungsquote Vorschulkinder -0,33*** -0,55*** -0,16 Pädagogisches Personal in Tageseinrichtungen 0,30*** 0,47*** 0,40*** Wohnraum Anteil Fünf- und mehr Raum-Wohnungen 0,59*** 0,65*** 0,48*** Wohnfl äche 0,21*** 0,23*** -0,02 Naturnähere Fläche je Einwohner 0,12* 0,11 0,33** Geschlechterproportionen Geschlechterproportion 20-39 -0,18*** -0,31*** -0,33** N 402 325 77 Anmerkung: *** p<0.001; ** p<0.01; * p<0,05. Quelle: Eigene Berechnung basierend auf Zensus 2011 und BBSR (2015). • Martin Bujard, Melanie Scheller120 die Katholikenquote und der Anteil an Fünf- und mehr Raum-Wohnungen, wobei das Signifi kanzniveau zwischen den Modellen variiert. Bspw. reduziert sich bei der Katholikenquote der t-Wert von 7,1 in Modell 1 auf 2,2 in Modell 5. Der Migrantinnen- anteil hat im Modell 1 einen signifi kant negativen Effekt, wobei sich durch Inklusion der Variablen tertiärer Sektor und Bevölkerungsdichte (Modelle 3-5) das Vorzeichen umdreht – ebenfalls auf einem signifi kanten Niveau. Da Migranten eher in Städten wohnen, ist der negative Zusammenhang in Modell 1 ein ökologischer Fehlschluss; er ist durch einen überlagernden Effekt der Urbanisierung verursacht. Modell 5 kommt mit diesen sechs Faktoren auf einen korrigierten Determinationskoeffi zien- ten von 0,47. Dagegen verlieren die Effekte von Arbeitslosenquote, Teilzeitarbeit und Akademiker-Anteil in den Modellen ihre Signifi kanz, in denen Bevölkerungs- dichte und Wohnraum inkludiert sind (Modell 4). Bei den Regressionsanalysen für Westdeutschland muss der Aufbau der Mo- delle aufgrund von Multikollinearität teilweise etwas abweichend erfolgen.11 Die Modelle zeigen, dass sich Kompositionseffekte und regionale Opportunitäten in ih- rer Erklärungskraft ergänzen (Tab. 5). Das Best-fi t-Modell W3 kommt auf eine Erklä- rungskraft von 0,51. Demzufolge ist die CTFR in den Kreisen höher, in denen wenige Abb. 4: Zusammenhang Kinderzahl pro Frau und Einwohnerdichte in 402 Kreisen Deutschlands Quelle: Eigene Berechnung basierend auf Zensus 2011 und BBSR (2015). 11 Aufgrund von zu hohen Interkorrelationen sind das BIP, der Anteil an Fünf- und mehr Raum- Wohnungen und die Wohnfl äche nicht berücksichtigt. Auch werden die Variablen Migrantenan- teil und Bevölkerungsdichte nicht im gleichen Modell inkludiert. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 121 Akademiker und viele Katholiken leben (Kompositionseffekt) sowie eine geringe Bevölkerungsdichte, relativ viele Männer, eine traditionellere Wirtschaftsstruktur und geringe Arbeitslosigkeit (regionale Opportunitäten) zusammenkommen. Abge- sehen vom Effekt der Geschlechterproportionen sind alle diese Variablen auch in modifi zierten Modellen (nicht gezeigt) robust signifi kant. Tab. 4: OLS-Regressionen zur CTFR auf Kreisebene: Deutschland gesamt Modell 1 Modell 2 Modell 3 Modell 4 Modell 5 Anteil hoher -0,0081*** -0,0038*** -0,0015 0,0005 Bildungsabschluss (0,0009) (0,0011) (0,0011) (0,0013) Anteil Migrations- -0,0018** -0,0011 0,0024** 0,0022* 0,0021** hintergrund (0,0006) (0,0007) (0,0009) (0,0009) (0,0008) Anteil Katholiken 0,0019*** 0,00070* 0,00085** 0,00073* 0,00065* (0,0003) (0,00032) (0,00031) (0,00031) (0,00030) Beschäftigte tertiärer -0,0037*** -0,0024*** -0,0026*** -0,0026*** Sektor (0,0007) (0,0007) (0,0007) (0,0007) Arbeitslosenquote -0,0060** -0,0060* -0,0005 (0,0020) (0,0024) (0,0030) Anteil Frauen in -0,0045* -0,0029 -0,0025 Teilzeit (0,0020) (0,0020) (0,0019) BIP -0,0012 -0,0017 -0,0017 (0,0011) (0,0011) (0,0010) Bevölkerungsdichte -0,046*** -0,030** -0,038*** logarithmiert (0,010) (0,011) (0,011) Geschlechterproportion -0,61*** -0,74*** -0,65*** 20-39 (0,17) (0,18) (0,15) Ganztags-Betreuungs- -0,00082* quote Vorschulkinder (0,00041) Anteil Fünf- und mehr 0,0025* 0,0035*** Raum-Wohnungen (0,0010) (0,0008) Konstante 1,616*** 1,960*** 2,595*** 2,477*** 2,311*** (0,016) (0,045) (0,165) (0,194) (0,129) R2 0,326*** 0,433*** 0,483*** 0,500*** 0,479*** Adj. R2 0,321*** 0,423*** 0,471*** 0,486*** 0,472*** N 402 402 402 402 402 Anmerkungen: Unter den Koeffi zienten steht in Klammern der Standardfehler. *** p<0.001; ** p<0.01; * p<0,05. Quelle: Eigene Berechnung basierend auf Zensus 2011 und BBSR (2015). • Martin Bujard, Melanie Scheller122 Die Frauenerwerbsquote und die Katholikenquote erklären eine ähnliche Varianz, letztere ist nur dann signifi kant, wenn erstere nicht inkludiert ist (Modelle W4-W5). Zwei für Gesamtdeutschland signifi kante Variablen, die letztendlich aufgrund von hohen Interkorrelationen mit der Bevölkerungsdichte nicht berücksichtigt wurden, wurden zusätzlich getestet (Modelle nicht gezeigt): Der Migrationseffekt ist signi- fi kant positiv, wenn der Migrantinnenanteil zusammen mit der Bevölkerungsdich- te berücksichtigt wird. Der positive Effekt der Wohnungsgröße ist hochsignifi kant, wenn diese Variable statt der Bevölkerungsdichte inkludiert wird. Tab. 5: OLS-Regressionen zur CTFR auf Kreisebene: Westdeutschland Modell W1 Modell W2 Modell W3 Modell W4 Modell W5 Anteil hoher -0,0092*** -0,0097*** -0,0062*** -0,0051*** -0,0034** Bildungsabschluss (0,0010) (0,0012) (0,0014) (0,0014) (0,0011) Anteil Migrations- -0,0013 -0,00003 hintergrund (0,0008) (0,0007) Anteil Katholiken 0,0020*** 0,0004 0,0005 0,0007* 0,0011*** (0,0003) (0,0024) (0,0003) (0,0003) (0,0003) Beschäftigte -0,0024** -0,0023** -0,0022** -0,0035** tertiärer Sektor (0,0008) (0,0008) (0,0008) (0,0008) Arbeitslosenquote -0,026*** -0,020*** -0,013*** (0,004) (0,004) (0,004) Frauenerwerbsquote -0,0083*** -0,0082*** (0,0026) (0,0025) Bevölkerungsdichte 0,030*** 0,032*** 0,050*** logarithmiert (0,009) (0,009) (0,007) Geschlechterproportion -0,44* -0,40* 20-39 (0,20) (0,20) Konstante 1,617*** 2,617*** 3,101*** 2,388*** 2,045*** (0,024) (0,219) (0,289) (0,191) (0,054) R2 0,355*** 0,498*** 0,523*** 0,507*** 0,484*** Adj. R2 0,349*** 0,489*** 0,513*** 0,498*** 0,477*** N 325 325 325 325 325 Anmerkungen: Unter den Koeffi zienten steht in Klammern der Standardfehler. *** p<0.001; ** p<0.01; * p<0,05. Quelle: Eigene Berechnung basierend auf Zensus 2011 und BBSR (2015). Einfl uss regionaler Faktoren auf die Kohortenfertilität • 123 Die Regressionsanalysen für Ostdeutschland12 in Tabelle 6 zeigen, dass der An- teil evangelischer Christen in allen Modellen signifi kant mit einer höheren CTFR as- soziiert ist. Daneben gibt es ein Cluster von vier Faktoren, die untereinander hoch interkorrelieren und sich jeweils einzeln als hochsignifi kant (p<0,01) erweisen (Mo- delle O2-O5): Beschäftigte im tertiären Sektor, BIP, Bevölkerungsdichte und der An- teil von Fünf- und mehr Raum-Wohnungen. In weniger urbanen Kreisen ist die Wirt- Tab. 6: OLS-Regressionen zur CTFR auf Kreisebene: Ostdeutschland Modell O1 Modell O2 Modell O3 Modell O4 Modell O5 Anteil hoher -0.0026 Bildungsabschluss (0.0020) Anteil Migrations- -0.0051 hintergrund (0.0038) Anteil Katholiken 0.0028 0.0026 0.0025 0.0029* 0.0023 (0.0015) (0.0014) (0.0014) (0.0014) (0.0014) Anteil evangelischer 0.0051** 0.0043* 0.0052** 0.0054** 0.0046* Christen (0.0016) (0.0019) (0.0018) (0.0018) (0.0019) Arbeitslosenquote 0.0078 0.0041 0.0054 0.0098* (0.0047) (0.0050) (0.0049) (0.0047) Beschäftigte tertiärer -0.0039** Sektor (0.0012) BIP -0.0096** (0.0032) Bevölkerungsdichte -0.036** logarithmiert (0.012) Anteil Fünf- und mehr 0.0055** Raum-Wohnungen (0.0017) Konstante 1.471*** 1.559*** 1.517*** 1.504*** 1.082*** (0.041) (0.139) (0.135) (0.130) (0.101) R2 0.269*** 0.318*** 0.307*** 0.310*** 0.317*** Adj. R2 0.229*** 0.280*** 0.268*** 0.272*** 0.279*** N 77 77 77 77 77 Anmerkungen: Unter den Koeffi zienten steht in Klammern der Standardfehler. *** p<0.001; ** p<0.01; * p<0,05. Quelle: Eigene Berechnung basierend auf Zensus 2011 und BBSR (2015). 12 Die Ergebnisse für Ostdeutschland sind aufgrund der niedrigen Fallzahlen mit Vorsicht zu inter- pretieren. • Martin Bujard, Melanie Scheller124 schaftsstruktur traditioneller, das BIP geringer und mehr Wohnraum vorhanden. In diesen Kreisen ist auch eine Geschlechterproportion von wenigen jungen Frauen häufi g. Welcher dieser Faktoren ausschlaggebend ist, lässt sich aufgrund der In- terkorrelationen und der geringen Fallzahl bei Ostdeutschland nicht interpretieren. 5 Zusammenfassung und Diskussion Dieser Beitrag hat das Ziel, die Bedeutung regionaler Rahmenbedingungen für die Fertilität zu analysieren und Daten zur regionalen Kohortenfertilität auf Kreisebene in Deutschland zu generieren. Zum einen wurden basierend auf den Mikrodaten der Haushaltsstichprobe des Zensus 2011 sowie der Geburtenstatistik erstmalig Schätzwerte für die CTFR für alle 402 deutschen Kreise berechnet. Zum anderen wurde mittels linearer Regressionsanalysen, basierend auf Zensus- und INKAR-Da- ten, Faktoren der regionalen Fertilitätsunterschiede analysiert. Dabei konnte gezeigt werden, dass regionale demografi sche Faktoren wie Bevölkerungsdichte und Ge- schlechterproportionen sowie regionale ökonomische Variablen wie Wirtschafts- struktur, Wohnraum und Arbeitslosigkeit zum Verständnis kreisspezifi scher Fer- tilitätsunterschiede beitragen können. Gleichzeitig zeigen die Befunde, dass auch Kompositionseffekte bezüglich Bildung, Religion und Migrantenanteil mit kreisspe- zifi schen Fertilitätsunterschieden assoziiert sind. Die Unterschiede der geschätzten kreisspezifi schen CTFR für die Kohorten 1969- 72 sind enorm: Die Spannbreite liegt zwischen 2,01 in Cloppenburg und 1,05 in Pas- sau. Die niedrigste durchschnittliche Kinderzahl haben Frauen in Großstädten. In 44 Kreisen liegt sie bei über 1,7, vor allem im Allgäu, in der Odenwaldregion, in Süd- franken und im westlichen Niedersachsen. Die kreisspezifi sche Verteilung der CTFR unterscheidet sich fundamental von der Verteilung der TFR für vergleichbare Jahre (BBSR 2015); der Korrelationskoeffi zient beträgt lediglich 0,56. Der Vergleich beider Indikatoren auf Kreisebene verdeutlicht, dass der der TFR immanente Timing-Effekt insbesondere in Ostdeutschland die Fertilität unterschätzt. Auch die niedrige TFR in Studentenstädten ist ein statistisches Artefakt, da Studenten temporär den Nenner für bestimmte altersbedingt noch kinderlose Gruppen erhöhen. Während bspw. die Heidelberger TFR viele Jahre um die 1,0 oszillierte, liegt die CTFR bei 1,36. Die Befunde der multivariaten Analysen haben eine breite internationale Rele- vanz, da verschiedenste Faktoren, die in der Literatur diskutiert werden, kombiniert Berücksichtigung fi nden. Für Deutschland lässt sich konstatieren, dass die CTFR in den Kreisen signifi kant höher ist, • die einen geringen Akademikerinnenanteil aufweisen, • deren Katholikenquote hoch ist, • deren Wirtschaftsstruktur traditioneller ist (geringer tertiärer Sektor), • deren Arbeitslosenquote geringer ist, • die stärker ländlich geprägt sind, Einfl uss regionaler Faktoren auf die Kohortenfertilität • 125 • deren Immobilienmarkt relativ viele große Wohnungen für Familien anbietet und • die einen relativen Männerüberschuss aufweisen. Die Befunde für Gesamtdeutschland sind erwartungsgemäß denen für West- deutschland ähnlich, da ein Großteil der Kreise (81 %) westdeutsch ist. Allerdings unterscheiden sich die Ergebnisse für West- und Ostdeutschland teilweise grundle- gend. In Ostdeutschland ist die CTFR in den Kreisen signifi kant höher, • in denen viele evangelische Christen leben und • die einem Cluster aus niedriger Bevölkerungsdichte, traditionellerer Wirt- schaftsstruktur, niedrigem Sozialprodukt und vieler großer Wohnungen an- gehören. Der robuste fertilitätsmindernde Einfl uss einer hohen Bevölkerungsdichte be- stätigt damit im Grundsatz die Urbanisierungsthese. Dieser bleibt auch bei Be- rücksichtigung anderer Faktoren signifi kant, wenngleich sich die Effektstärke bei Inklusion der Bildungsvariablen reduziert. Die erheblichen Stadt-Land-Unterschiede liegen demnach sowohl darin begründet, dass in Städten mehr Akademikerinnen leben (die zu späteren Erstgeburten neigen), als auch daran, dass dort aufgrund der geringeren Naherholungsfl äche und eines größeren Angebots an außerfamilialen Freizeitoptionen weniger Familien mit Kindern wohnen. Dazu trägt auch der mig- rationsspezifi sche Selektionseffekt bei, der besagt, dass karriereorientierte Frauen häufi ger in Städte migrieren und umgekehrt. Dabei haben die Analysen ein Cluster von mehreren Variablen im breiteren Kon- text von Urbanisierung identifi ziert. Dies ist theoretisch interessant, da es einen Ansatzpunkt darstellt, die Urbanisierungsthese weiter zu differenzieren. Denn in ur- banisierten Kreisen treffen knapperer Wohnraum (Fiori et al. 2014; Kulu/Vikat 2007; Kulu 2013), eine moderne dienstleistungsorientierte Wirtschaftsstruktur sowie teil- weise Frauenüberschüsse und modernere kulturelle Werte aufeinander. Diese Fak- toren regionaler Opportunitäten erhöhen die Erklärungskraft, wenn man sie zusam- men mit der Bevölkerungsdichte in Modellen inkludiert. Die Befunde konkretisieren Sharlins (1986) These für das frühe 21. Jahrhundert, wonach die Urbanisierungs- these auf geografi schen, demografi schen, ökonomischen und kulturellen Faktoren beruht. Dazu kommen bildungsspezifi sche Kompositionseffekte.13 In diesem Artikel wurde nur eine erste, tentative Annährung vorgenommen. Jedoch könnte zukünfti- ge Forschung die Mechanismen im Urbanisierungscluster weiter ergründen. Bemerkenswert ist die hohe Erklärungskraft der Religionsvariablen – zumal sie nicht nur die häufi g untersuchte Katholikenquote betrifft, sondern auch die ostdeut- schen Protestanten. Der Effekt bei den katholisch geprägten Kreisen ist auch im Kontext von Kinderbetreuung zu sehen, die in diesen Kreisen vergleichsweise ge- 13 Ohne den Migranteneffekt, wonach fertile und kulturell traditioneller orientierte Migranten- gruppen überproportional in Großstädten wohnen, wären die Stadt-Land-Differenzen sogar noch deutlich größer. • Martin Bujard, Melanie Scheller126 ring ausgebaut ist. Dieser Befund steht im Widerspruch zu ländervergleichenden Analysen (Castles 2003), bei denen die Katholikenquote negativ mit der Fertilität as- soziiert ist. Eine Erklärung könnte sein, dass der Kinderbetreuungsausbau auf Län- derebene hochgradig mit der Konfession zusammenhängt (Bujard 2011), während das geringe Betreuungsangebot zu Beginn dieses Jahrhunderts und der Ausbau seit dem Jahr 2005 Phänomene sind, die in katholischen und evangelischen Kreisen in Westdeutschland in ähnlicher Weise zutreffen. Dabei stellt sich eine grundsätz- liche Frage: Misst der Anteil einer religiösen Konfession überhaupt einen Kompo- sitionseffekt oder handelt es sich um einen Indikator zur kulturellen Prägung einer Region, die ein konservativeres Familienbild transportiert und Kinderreichtum eher als etwas Erstrebenswertes sieht (vgl. bereits Wolf 1912). Hier sind weitere Analysen notwendig. Auch die Geschlechterproportionen stehen mit der CTFR in Zusammenhang. Diese sind insbesondere in den ostdeutschen Kreisen, bei denen auf 80 bis 90 Frau- en 100 Männer kommen, positiv für die Fertilität der Frauen. Anscheinend führt die günstige Situation auf dem Partnermarkt dazu, dass weniger Frauen ohne Partner und damit verbunden ohne Kinder bleiben. Eine interessante Frage wäre, inwieweit die Männer in solchen kompetitiven Partnermarktkonstellationen eher bereit sind eine Familie zu gründen, um eine Partnerin „sicherer“ an sich zu binden. Eine alter- native Erklärung ist der migrationsspezifi sche Selektionseffekt. Bei den Variablen zum Kinderbetreuungsangebot lassen sich keine einheitlichen Effekte fi nden. Dies bedeutet jedoch keinesfalls, dass diese Faktoren, die sich zwi- schen den Kreisen erheblich unterscheiden, keinen Einfl uss haben. Vielmehr las- sen sich die Effekte von Kinderbetreuungsangebot und Arbeitslosigkeit nur sinnvoll analysieren, wenn ihre Veränderungen im Zeitverlauf quantifi ziert werden (u.a. Bau- ernschuster et al. 2013). Eine wichtige Implikation für die Familienpolitik ist jedoch der große Einfl uss des Wohnungsmarktes auf die Fertilität. Da der Rückgang kin- derreicher Familien für mehr als zwei Drittel (68 %) des CTFR-Rückgangs zwischen den Frauenjahrgängen 1933 und 1968 in Deutschland verantwortlich ist (Bujard/ Sulak 2016), ist es plausibel, dass die Knappheit an Wohnungen mit fünf und mehr Räumen zur niedrigen Geburtenrate beiträgt. Die hier vorgenommenen Makroanalysen bieten erstmals einen Überblick zu den Faktoren der regionalen Unterschiede der Kohortenfertilität. Sie können jedoch kei- ne Aussagen darüber machen, wie hoch die Varianzerklärung der Kompositionsef- fekte im Vergleich zu den regionalen Effekten ist. Dafür sind Mehrebenenmodelle notwendig, die die hierarchischen Unterschiede von Mikro- und Makro-Variablen adäquat nutzen. In der Literatur zu Deutschland wird – stärker als in der interna- tionalen – den Kompositionseffekten eine dominierende Rolle für die regionalen Fertilitätsunterschiede zugesprochen (Hank 2002; Hank/Huinink 2015). Dies steht zunächst in Widerspruch zu dem hier gezeigten Einfl uss von regionalen Faktoren. Bisherige Mehrebenenanalysen wurden mit Individualdatensätzen wie pairfam, DJI-Familiensurvey oder SOEP und der Zuspielung kreisspezifi scher Faktoren vor- genommen. Dabei sind die Fallzahlen relativ gering, wenn man bedenkt, dass pro Kreis durchschnittlich 20 bis 50 individuelle Fälle vorliegen. Daher bleibt es eine spannende Frage, zu welchem Ergebnis Mehrebenenanalysen auf Basis des Zensus Einfl uss regionaler Faktoren auf die Kohortenfertilität • 127 kommen. Allerdings erkauft man sich durch die etwa 500-fache Vergrößerung der Fälle den Nachteil eines Forschungsdesigns im Querschnitt,14 das allerdings für die Abschätzung der Varianzanteile geeignet ist. Dieser Beitrag hat zwei Implikationen für die weitere Forschung: Erstens las- sen sich die hier generierten Schätzwerte zur Kohortenfertilität für zukünftige Forschungsvorhaben verwenden. Sie ermöglichen ein besseres Verständnis der kreisspezifi schen Fertilitätsunterschiede als die periodischen TFR. Die Daten er- möglichen, bei Makroanalysen auf Kreisebene die Kohortenfertilität zu berücksich- tigen. Sie ermöglichen aber auch die Identifi zierung spezieller regionaler Konstel- lationen, insbesondere die identifi zierten Hochfertilitätsregionen im östlichen Teil von Baden-Württemberg, Südfranken und im Nordwesten von Nordrhein-Westfa- len. Um deren Ursachen zu erforschen, sind tiefenschärfere Fallanalysen einzelner Kreise vielversprechend. Zweifellos ergänzen regionale Fertilitätsanalysen den For- schungsstand zur Fertilität. Zweitens werfen die signifi kanten Befunde zum Einfl uss von Religion, von Ge- schlechterrelationen und vom Cluster des Urbanisierungskontextes neue Fragen hinsichtlich Methodik und Theoriebildung auf, gerade wenn es darum geht, die An- teile von Kompositionseffekten und regionalem Kontext an der Gesamterklärung der CTFR abzuschätzen. Ein Problem ist dabei die fehlende Trennschärfe zwischen einigen Variablen, die sowohl individuell als auch strukturell wirken können. Ein Beispiel hierfür ist der Anteil von Katholiken, da die katholische Konfession ein in- dividuelles Merkmal ist, der Faktor aber aggregiert die katholische Prägung und damit einen wichtigen kulturellen Faktor misst. Insgesamt liefert der Beitrag neue Erkenntnisse über den Zusammenhang zwischen regionalen Kontexten und Kohor- tenfertilität. Danksagung Wir danken Sebastian Klüsener, Stephan Kühntopf, Ralina Panova, Manfred Scha- rein und Felix zur Nieden sowie den beiden anonymen Gutachtern für wertvolle inhaltliche Hinweise. Ebenso danken wir Kai Dreschmitt für Literaturrecherche und dem Team des Zensus im Statistischen Bundesamt, insbesondere Sabrina Estatico, für datenspezifi sche Hinweise. 14 Dadurch lässt sich bspw. nicht klären, inwieweit der Urbanisierungseffekt durch Binnenmobi- lität zwischen Stadt und Land verursacht wird oder inwieweit durch das generative Verhalten von Frauen, die konstant in Großstädten leben (Boyle et al. 2007; Kulu/Boyle 2009). • Martin Bujard, Melanie Scheller128 Literatur Andorka, Rudolf 1978: Determinants of Fertility in Advanced Societies. London: Methuen & Co. Baizán, Pau 2009: Regional child care availability and fertility decisions in Spain. In: De- mographic Research 21,27: 803-842 [doi: 10.4054/DemRes.2009.21.27]. Basten, Stuart; Huinink, Johannes; Klüsener, Sebastian 2011: Spatial Variation of Sub- national Fertility Trends in Austria, Germany and Switzerland. In: Comparative Popula- tion Studies 36,2-3: 573-614 [doi: 10.4232/10.CPoS-2011-08en]. Bauernschuster, Stefan; Hener, Timo; Rainer, Helmut 2013: Does expanding public child care encourage fertility? County-level evidence from Germany. Ifo Working Paper 158. BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) (Hrsg.) 2015: Indikatoren und Karten zur Raum- und Stadtentwicklung. INKAR [http://www.inkar.de/, 01.06.2016]. Bechtold, Sabine 2016: The 2011 Census Model in Germany. In: Comparative Population Studies 4: D1-D9 [doi: 10.12765/CPoS-2016-07en]. Bongaarts, John; Feeney, Griffi th 1998: On the Quantum and Tempo of Fertility. In: Pop- ulation and Development Review 24,2: 271-291. Boyle, Paul J.; Graham, Elspeth; Feng, Zhiqiang 2007: The signifi cance of local clusters of fertility in Scotland. MPIDR Working paper WP 2007-036. Bujard, Martin 2011: Geburtenrückgang und Familienpolitik. Baden-Baden: Nomos. Bujard, Martin; Sulak, Harun 2016: Mehr Kinderlose oder weniger Kinderreiche? In: Köl- ner Zeitschrift für Soziologie und Sozialpsychologie 68,3: 487-514. Castles, Francis G. 2003: The world turned upside down: Below replacement fertility, changing preferences and family-friendly public policy in 21 OECD countries. In: Jour- nal of European Social Policy 13,3: 209-227 [doi: 10.1177/09589287030133001]. Coale, Ansley J.; Watkins, Susan C. 1986: The Decline of Fertility in Europe. Princeton: University Press. Courgeau, Daniel 1989: Family formation and urbanization. In: Population 44,1: 123-146. Fiori, Francesca; Graham, Elspeth; Feng, Zhiqiang 2014: Geographical variations in fer- tility and transition to second and third birth in Britain. In: Advances in Life Course Research 21: 149-167 [doi: 10.1016/j.alcr.2013.11.004]. Fotheringham, A. Stewart; Wong, David W.S. 1991: The Modifi able Areal Unit Problem in Multivariate Statistical Analysis. In: Environment and Planning A 23: 1025-1044 [doi: 10.1068/a231025]. Fulda, Barbara 2015: Culture’s Infl uence. Regionally Differing Social Milieus and Varia- tions in Fertility Rates. MPIfG Discussion Paper 15/4. Goldstein, Joshua R.; Klüsener, Sebastian 2014: Spatial analysis of the causes of fer- tility decline in Prussia. In: Population and Development Review 40,3: 497-525 [doi: 10.1111/j.1728-4457.2014.00695.x]. Goldstein, Joshua R.; Kreyenfeld, Michaela 2011: Has East Germany overtaken West Germany? Recent trends in order-specifi c fertility. In: Population and Development Review 37,3: 453-472 [doi: 10.1111/j.1728-4457.2011.00430.x]. Goldstein, Joshua R.; Kreyenfeld, Michaela 2013: Cohort_DATA_Germany_HFD. Unpu- blished data sheet. Grünheid, Evelyn 2015: Regionale Aspekte des demografi schen Wandels. Wiesbaden: Bundesinstitut für Bevölkerungsfoschung. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 129 Hank, Karsten 2001: Regional fertility differences in Western Germany: An Overview of the Literature and Recent Descriptive Findings. In: International Journal of Population Geography 7,4: 243-257. Hank, Karsten 2002: Regional Social Contexts and Individual Fertility Decisions: A Mul- tilevel Analysis of First and Second Births in Western Germany. In: European Journal of Population 18: 281-299 [doi: 10.1023/A:1019765026537]. Hank, Karsten 2003: The Differential Infl uence of Women’s Residential District on the Risk of Entering First Marriage and Motherhood in Western Germany. In: Population and Environment 25: 3-21 [doi: 10.1023/A:1025546221461]. Hank, Karsten; Huinink, Johannes 2015: Regional Contexts and Family Formation. In: Hank, Karsten; Kreyenfeld, Michaela (Hrsg.): Social demography. Kölner Zeitschrift für Soziologie und Sozialpsychologie, Sonderheft 55. Wiesbaden: Springer VS: 41-58. Hank, Karsten; Kreyenfeld, Michaela; Spieß, C. Katharina 2004: Kinderbetreuung und Fertilität in Deutschland. In: Zeitschrift für Soziologie 33: 228-244. Huinink, Johannes; Wagner, Michael 1989: Regionale Lebensbedingungen, Migration und Familienbildung. In: Kölner Zeitschrift für Soziologie und Sozialpsychologie 41: 669-689. Kemper, Franz-Josef 1991: Recent developments in household and family structure and their impact on regional fertility differences. In: Bähr, Jürgen; Gans, Paul (Hrsg.): The Geographical Approach to fertility. Kiel: 219-228. Klüsener, Sebastian 2009: An Alternative Framework for Studying the Effects of Family Policies on Fertility in the Absence of Individual-Level Data. MPIDR WP 2009-027. Klüsener, Sebastian; Goldstein, Joshua R. 2014: A Long-Standing Demographic East- West Divide in Germany. In: Population, Space, and Place 22,1: 5-22 [doi: 10.1002/ psp.1870]. Knodel, John; van de Walle, Etienne 1986: Lessons from the Past: Policy Implications of Historical Fertility Studies. In: Coale, Ansley J.; Watkins, Susan C. (Hrsg.): The Decline of Fertility in Europe. Princeton: University Press: 390-419. Kravdal, Øystein 2002: The impact of individual and aggregate unemployment on fertility in Norway. In: Demographic Research 6,10: 263-294 [doi: 10.4054/DemRes.2002.6.10]. Kreuzmair, Ingrid; Reisch, Marco 2013: ZENSUS 2011. Ablauf der Haushaltegenerierung [https://www.zensus2011.de/SharedDocs/Downloads/DE/Publikationen/Aufsaetze_ Archiv/2013_04_BW_Ablauf_der_Haushaltegenerierung.html, 01.06.2016]. Kühntopf, Stephan 2015: Kreisumschätzer. Unveröffentlichte Tabelle. Wiesbaden: BiB. Kulu, Hill 2013: Why Do Fertility Levels Vary between Urban and Rural Areas? In: Re- gional Studies 47,6: 1-18. Kulu, Hill; Milewski, Nadja 2007: Family change and migration in the life course: An intro- duction. In: Demographic Research 17,19: 567-590 [doi: 10.4054/DemRes.2007.17.19]. Kulu, Hill; Vikat, Andres; Andersson, Gunnar 2007: Settlement size and fertility in the Nor- dic countries. In: Population Studies 61,3: 265-285 [doi: 10.1080/00324720701571749]. Kulu, Hill; Vikat, Andres 2007: Fertility differences by housing type: The effect of hous- ing conditions or of selective moves? In: Demographic Research 17,26: 775-802 [doi: 10.4054/DemRes.2007.17.26]. Kulu, Hill; Boyle, Paul J. 2009: High Fertility in City Suburbs: Compositional or Contex- tual Effects? In: European Journal of Population 25,2: 157-174 [doi: 10.1007/s10680- 008-9163-9]. • Martin Bujard, Melanie Scheller130 Kulu, Hill; Washbrook, Elizabeth 2014: Residential context, migration and fertility in a modern urban society. In: Advances in Life Course Research 21: 168-182 [doi: 10.1016/j.alcr.2014.01.001]. Lesthaeghe, Ron 1995: The Second Demographic Transition in Western Countries: An Interpretation. In: Mason, Karen O.; Jensen, An-Magritt (Hrsg.): Gender and Family Change in Industrialized Countries. Oxford: Clarendon Press: 17-62. Luci-Greulich, Angela; Thévenon, Olivier 2013: The impact of family policies on fertility trends in developed countries. In: European Journal of Population 29,4: 387-416 [doi: 10.1007/s10680-013-9295-4]. Lutz, Wolfgang; Testa, Maria R.; Penn, Dustin 2006: Population density is a key factor in declining human fertility. In: Population and Environment 28,2: 69-81 [doi: 10.1007/ s11111-007-0037-6]. Luy, Marc 2010: Tempo Effects and their Relevance in Demographic Analysis. In: Com- parative Population Studies 35,3: 415-446 [doi: 10.4232/10.CPoS-2010-11en]. Michielin, Francesca 2002: Lowest low fertility in an urban context. When migration plays a key role. MPIDR Working paper WP 2002-050. Mills, Melinda; Blossfeld, Hans-Peter 2005: Globalization, Uncertainty and the Early Life Course: A Theoretical Framework. In: Blossfeld, Hans-Peter et al. (Hrsg.): Globaliza- tion, Uncertainty and Youth in Society. London: Routledge: 1-14. Openshaw, Stan 1984: The Modifi able Areal Unit Problem. Norwich: Geo Books. Pötzsch, Olga 2010: Cohort fertility: A Comparison of the Results of the Offi cial Birth Statistics and of the Microcensus Survey 2008. In: Comparative Population Studies 35,1: 185-204 [doi: 10.4232/10.CPoS-2010-05en]. Rindfuss, Ronald R. et al. 2007: Child Care Availability and First-Birth Timing in Norway. In: Demography 44,2: 345-372 [doi: 10.1353/dem.2007.0017]. Rokkan, Stein 1970: Citizens Elections Parties. Approaches to the Comparative Study of the Processes of Development. Oslo: Universitetsforlaget. Schneider, Norbert F.; Naderi, Robert; Ruppenthal, Silvia 2012: Familie in Deutschland nach dem gesellschaftlichen Umbruch. In: Huinink, Johannes; Kreyenfeld, Michaela; Trappe, Heike (Hrsg.): Familie und Partnerschaft in Ost- und Westdeutschland: 29-53. Schoen, Robert 2004: Timing effects and the interpretation of period fertility. In: De- mography 41,4: 801-819 [doi: 10.1353/dem.2004.0036]. Sharlin, Allan 1986: Urban-Rural Differences in Fertility in Europe during the Demo- graphic Transition. In: Coale, Ansley J.; Watkins, Susan C. (Hrsg.): The Decline of Fer- tility in Europe. Princeton: University Press: 234-260. Sobotka, Tomáš; Feray, Adigüzel 2002: Religiosity and Spatial Demographic Differences in the Netherlands. SOM Research Report. Groningen: University of Groningen. Statistisches Bundesamt 2010: Haushaltebefragung beim Zensus 2011. Wiesbaden. Statistisches Bundesamt 2012: Bevölkerung und Erwerbstätigkeit. Fachserie 1 Reihe 1.1. Wiesbaden. Statistisches Bundesamt 2014: Altersspezifi sche Geburtenziffern der Geburtsjahrgänge 1930 bis 1997. Wiesbaden. Statistisches Bundesamt 2015: Die Haushaltegenerierung – mehr als nur die Bildung von Haushalten [https://www.zensus2011.de/DE/Zensus2011/Methode/Methode_ Haushaltegenerierung_node.html, 01.06.2016]. Einfl uss regionaler Faktoren auf die Kohortenfertilität • 131 Trovato, Frank; Grindstaff, Carl F. 1980: Decomposing the Urban-Rural Fertility Differen- tial: Canada, 1971. In: Rural Sociology 45: 448-468. Wolf, Julius 1912: Der Geburtenrückgang. Die Rationalisierung des Sexuallebens in un- serer Zeit. Jena: Gustav Fischer. Übersetzung des Originaltextes durch das Bundesinstitut für Bevölkerungsforschung, nur zur In- formation. Der begutachtete und von den Autoren autorisierte englische Originalbeitrag ist unter dem Titel „Impact of Regional Factors on Cohort Fertility: New Estimations at the District Level in Germany“, DOI 10.12765/CPoS-2017-07en bzw. URN urn:nbn:de:bib-cpos-2017-07en7, auf http:// www.comparativepopulationstudies.de verfügbar. Eingegangen am: 15.09.2016 Angenommen am: 15.05.2017 Dr. Martin Bujard (). Bundesinstitut für Bevölkerungsforschung. Wiesbaden, Deutschland. E-Mail: martin.bujard@bib.bund.de URL: http://www.bib-demografie.de/bujard Melanie Scheller. Statistisches Bundesamt. Wiesbaden, Deutschland. E-Mail: melanie.scheller@destatis.de URL: https://www.destatis.de/DE/Startseite.html • Martin Bujard, Melanie Scheller132 Anhang Abb. A1: Nummerierter Schlüssel der 402 deutschen Kreise Quelle: Eigene Berechnungen. Karte: © GeoBasis-DE/BKG (2015). Einfl uss regionaler Faktoren auf die Kohortenfertilität • 133 Tab. A1: Name, nummerierter Schlüssel und geschätzte CTFR für die Geburtskohorten 1969-72 der 402 deutschen Kreise Schlüssel Kreis CTFR Schlüssel Kreis CTFR Schlüssel Kreis CTFR 1 Flensburg, Stadt 1,39 51 Ammerland 1,63 101 Herford 1,48 2 Kiel, Landeshauptstadt 1,11 52 Aurich 1,60 102 Höxter 1,66 3 Lübeck, Hansestadt 1,30 53 Cloppenburg 2,01 103 Lippe 1,55 4 Neumünster, Stadt 1,31 54 Emsland 1,82 104 Minden-Lübbecke 1,66 5 Dithmarschen 1,50 55 Friesland 1,60 105 Paderborn 1,67 6 Herzogtum Lauenburg 1,53 56 Grafschaft Bentheim 1,67 106 Bochum, Stadt 1,36 7 Nordfriesland 1,53 57 Leer 1,67 107 Dortmund, Stadt 1,42 8 Ostholstein 1,43 58 Oldenburg 1,47 108 Hagen, Stadt 1,59 9 Pinneberg 1,42 59 Osnabrück 1,72 109 Hamm, Stadt 1,63 10 Plön 1,48 60 Vechta 1,86 110 Herne, Stadt 1,58 11 Rendsburg-Eckernförde 1,53 61 Wesermarsch 1,61 111 Ennepe-Ruhr-Kreis 1,39 12 Schleswig-Flensburg 1,57 62 Wittmund 1,55 112 Hochsauerlandkreis 1,70 13 Segeberg 1,43 63 Bremen, Stadt 1,28 113 Märkischer Kreis 1,45 14 Steinburg 1,34 64 Bremerhaven, Stadt 1,43 114 Olpe 1,76 15 Stormarn 1,43 65 Düsseldorf, Stadt 1,18 115 Siegen-Wittgenstein 1,61 16 Hamburg 1,27 66 Duisburg, Stadt 1,56 116 Soest 1,61 17 Braunschweig, Stadt 1,37 67 Essen, Stadt 1,29 117 Unna 1,57 18 Salzgitter, Stadt 1,50 68 Krefeld, Stadt 1,57 118 Darmstadt, Stadt 1,44 19 Wolfsburg, Stadt 1,53 69 Mönchengladbach, Stadt 1,49 119 Frankfurt am Main, Stadt 1,20 20 Gifhorn 1,63 70 Mülheim/Ruhr, Stadt 1,37 120 Offenbach am Main, Stadt 1,41 21 Göttingen 1,49 71 Oberhausen, Stadt 1,43 121 Wiesbaden, Stadt 1,31 22 Goslar 1,47 72 Remscheid, Stadt 1,47 122 Bergstraße 1,42 23 Helmstedt 1,51 73 Solingen, Stadt 1,52 123 Darmstadt-Dieburg 1,42 24 Northeim 1,67 74 Wuppertal, Stadt 1,61 124 Groß-Gerau 1,48 25 Osterode am Harz 1,55 75 Kleve 1,63 125 Hochtaunuskreis 1,49 26 Peine 1,60 76 Mettmann 1,39 126 Main-Kinzig-Kreis 1,48 27 Wolfenbüttel 1,47 77 Rhein-Kreis Neuss 1,49 127 Main-Taunus-Kreis 1,47 28 Region Hannover 1,40 78 Viersen 1,51 128 Odenwaldkreis 1,60 29 Diepholz 1,59 79 Wesel 1,54 129 Offenbach 1,38 30 Hameln-Pyrmont 1,45 80 Bonn, Stadt 1,34 130 Rheingau-Taunus-Kreis 1,42 31 Hildesheim 1,51 81 Köln, Stadt 1,19 131 Wetteraukreis 1,46 32 Holzminden 1,56 82 Leverkusen, Stadt 1,36 132 Gießen 1,45 33 Nienburg (Weser) 1,53 83 Aachen 1,46 133 Lahn-Dill-Kreis 1,61 34 Schaumburg 1,61 84 Düren 1,56 134 Limburg-Weilburg 1,61 35 Celle 1,65 85 Rhein-Erft-Kreis 1,56 135 Marburg-Biedenkopf 1,55 36 Cuxhaven 1,51 86 Euskirchen 1,50 136 Vogelsbergkreis 1,65 37 Harburg 1,37 87 Heinsberg 1,57 137 Kassel, Stadt 1,48 38 Lüchow-Dannenberg 1,24 88 Oberbergischer Kreis 1,65 138 Fulda 1,64 39 Lüneburg 1,48 89 Rheinisch-Bergisch. Kreis 1,55 139 Hersfeld-Rotenburg 1,51 40 Osterholz 1,46 90 Rhein-Sieg-Kreis 1,55 140 Kassel 1,43 41 Rotenburg (Wümme) 1,69 91 Bottrop, Stadt 1,37 141 Schwalm-Eder-Kreis 1,53 42 Soltau-Fallingbostel 1,53 92 Gelsenkirchen, Stadt 1,59 142 Waldeck-Frankenberg 1,46 43 Stade 1,62 93 Münster, Stadt 1,44 143 Werra-Meißner-Kreis 1,64 44 Uelzen 1,41 94 Borken 1,78 144 Koblenz, Stadt 1,35 45 Verden 1,54 95 Coesfeld 1,65 145 Ahrweiler 1,54 46 Delmenhorst, Stadt 1,64 96 Recklinghausen 1,46 146 Altenkirchen (Westerwald) 1,57 47 Emden, Stadt 1,68 97 Steinfurt 1,76 147 Bad Kreuznach 1,41 48 Oldenburg, Stadt 1,37 98 Warendorf 1,65 148 Birkenfeld 1,44 49 Osnabrück, Stadt 1,21 99 Bielefeld, Stadt 1,40 149 Cochem-Zell 1,60 50 Wilhelmshaven, Stadt 1,33 100 Gütersloh 1,62 150 Mayen-Koblenz 1,52 • Martin Bujard, Melanie Scheller134 Tab. A1: Fortsetzung Schlüssel Kreis CTFR Schlüssel Kreis CTFR Schlüssel Kreis CTFR 151 Neuwied 1,57 201 Pforzheim, Stadt 1,75 251 Freyung-Grafenau 1,61 152 Rhein-Hunsrück-Kreis 1,59 202 Calw 1,71 252 Kelheim 1,71 153 Rhein-Lahn-Kreis 1,48 203 Enzkreis 1,62 253 Landshut 1,64 154 Westerwaldkreis 1,65 204 Freudenstadt 1,86 254 Passau 1,65 155 Trier, Stadt 1,29 205 Freiburg im Breisgau, Stadt 1,32 255 Regen 1,51 156 Bernkastel-Wittlich 1,66 206 Breisgau-Hochschwarzwald 1,63 256 Rottal-Inn 1,84 157 Bitburg-Prüm 1,65 207 Emmendingen 1,62 257 Straubing-Bogen 1,84 158 Daun 1,83 208 Ortenaukreis 1,62 258 Dingolfing-Landau 1,66 159 Trier-Saarburg 1,56 209 Rottweil 1,70 259 Amberg, Stadt 1,31 160 Frankenthal (Pfalz), Stadt 1,44 210 Schwarzwald-Baar-Kreis 1,63 260 Regensburg, Stadt 1,26 161 Kaiserslautern, Stadt 1,26 211 Tuttlingen 1,77 261 Weiden i.d.OPf., Stadt 1,16 162 Landau in der Pfalz, Stadt 1,46 212 Konstanz 1,47 262 Amberg-Sulzbach 1,61 163 Ludwigshafen am Rhein 1,41 213 Lörrach 1,60 263 Cham 1,64 164 Mainz, Stadt 1,42 214 Waldshut 1,56 264 Neumarkt i.d.OPf. 1,74 165 Neustadt Weinstraße, Stadt 1,54 215 Reutlingen 1,60 265 Neustadt a.d.Waldnaab 1,73 166 Pirmasens, Stadt 1,27 216 Tübingen 1,52 266 Regensburg 1,54 167 Speyer, Stadt 1,60 217 Zollernalbkreis 1,67 267 Schwandorf 1,52 168 Worms, Stadt 1,35 218 Ulm, Universitätsstadt 1,42 268 Tirschenreuth 1,78 169 Zweibrücken, Stadt 1,40 219 Alb-Donau-Kreis 1,76 269 Bamberg, Stadt 1,21 170 Alzey-Worms 1,58 220 Biberach 1,81 270 Bayreuth, Stadt 1,44 171 Bad Dürkheim 1,54 221 Bodenseekreis 1,60 271 Coburg, Stadt 1,51 172 Donnersbergkreis 1,56 222 Ravensburg 1,78 272 Hof, Stadt 1,38 173 Germersheim 1,53 223 Sigmaringen 1,66 273 Bamberg 1,61 174 Kaiserslautern 1,55 224 Ingolstadt, Stadt 1,41 274 Bayreuth 1,59 175 Kusel 1,44 225 München, Landeshauptstadt 1,18 275 Coburg 1,63 176 Südliche Weinstraße 1,51 226 Rosenheim, Stadt 1,39 276 Forchheim 1,68 177 Rhein-Pfalz-Kreis 1,37 227 Altötting 1,63 277 Hof 1,45 178 Mainz-Bingen 1,39 228 Berchtesgadener Land 1,51 278 Kronach 1,48 179 Südwestpfalz 1,52 229 Bad Tölz-Wolfratshausen 1,64 279 Kulmbach 1,47 180 Stuttgart, Landeshauptstadt 1,29 230 Dachau 1,53 280 Lichtenfels 1,78 181 Böblingen 1,52 231 Ebersberg 1,61 281 Wunsiedel i.Fichtelgebirge 1,23 182 Esslingen 1,49 232 Eichstätt 1,86 282 Ansbach, Stadt 1,43 183 Göppingen 1,61 233 Erding 1,59 283 Erlangen, Stadt 1,32 184 Ludwigsburg 1,55 234 Freising 1,55 284 Fürth, Stadt 1,31 185 Rems-Murr-Kreis 1,55 235 Fürstenfeldbruck 1,44 285 Nürnberg, Stadt 1,26 186 Heilbronn, Stadt 1,49 236 Garmisch-Partenkirchen 1,53 286 Schwabach, Stadt 1,34 187 Heilbronn 1,70 237 Landsberg a.Lech 1,81 287 Ansbach 1,63 188 Hohenlohekreis 1,78 238 Miesbach 1,57 288 Erlangen-Höchstadt 1,49 189 Schwäbisch Hall 1,76 239 Mühldorf a.Inn 1,87 289 Fürth 1,40 190 Main-Tauber-Kreis 1,75 240 München 1,51 290 Nürnberger Land 1,44 191 Heidenheim 1,78 241 Neuburg-Schrobenhausen 1,60 291 Neustadt a.d.Aisch-Bad W. 1,57 192 Ostalbkreis 1,76 242 Pfaffenhofen a.d.Ilm 1,62 292 Roth 1,66 193 Baden-Baden, Stadt 1,22 243 Rosenheim 1,69 293 Weißenburg-Gunzenhausen 1,73 194 Karlsruhe, Stadt 1,26 244 Starnberg 1,56 294 Aschaffenburg, Stadt 1,50 195 Karlsruhe 1,52 245 Traunstein 1,67 295 Schweinfurt, Stadt 1,77 196 Rastatt 1,53 246 Weilheim-Schongau 1,71 296 Würzburg, Stadt 1,16 197 Heidelberg, Stadt 1,36 247 Landshut, Stadt 1,27 297 Aschaffenburg 1,64 198 Mannheim, Stadt 1,34 248 Passau, Stadt 1,05 298 Bad Kissingen 1,63 199 Neckar-Odenwald-Kreis 1,84 249 Straubing, Stadt 1,60 299 Rhön-Grabfeld 1,64 200 Rhein-Neckar-Kreis 1,49 250 Deggendorf 1,47 300 Haßberge 1,64 Einfl uss regionaler Faktoren auf die Kohortenfertilität • 135 Tab. A1: Fortsetzung Anmerkung: Ein Excelfi le mit 5-stelliger Kreisnummer, Kreisname, Bundesland und dem CTFR-Schätzwert wird öffentlich bereitgestellt unter: http://www.comparativepopulationstudies.de/index.php/CPoS/article/view/278/251. Quelle: Eigene Berechnungen basierend auf Zensus 2011. Schlüssel Kreis CTFR Schlüssel Kreis CTFR Schlüssel Kreis CTFR 301 Kitzingen 1,77 351 Vorpommern-Greifswald 1,45 401 Greiz 1,67 302 Miltenberg 1,60 352 Ludwigslust-Parchim 1,51 402 Altenburger Land 1,46 303 Main-Spessart 1,57 353 Chemnitz 1,65 304 Schweinfurt 1,66 354 Erzgebirgskreis 1,71 305 Würzburg 1,51 355 Mittelsachsen 1,62 306 Augsburg, Stadt 1,28 356 Vogtlandkreis 1,56 307 Kaufbeuren, Stadt 1,54 357 Zwickau 1,56 308 Kempten (Allgäu), Stadt 1,45 358 Dresden 1,52 309 Memmingen, Stadt 1,50 359 Bautzen 1,61 310 Aichach-Friedberg 1,59 360 Görlitz 1,73 311 Augsburg 1,67 361 Meißen 1,66 312 Dillingen a.d.Donau 1,62 362 Sächsische Schweiz-Oster. 1,65 313 Günzburg 1,88 363 Leipzig 1,34 314 Neu-Ulm 1,74 364 Leipzig 1,51 315 Lindau (Bodensee) 1,50 365 Nordsachsen 1,62 316 Ostallgäu 1,76 366 Dessau-Roßlau 1,37 317 Unterallgäu 1,80 367 Halle (Saale) 1,40 318 Donau-Ries 1,65 368 Magdeburg 1,45 319 Oberallgäu 1,57 369 Altmarkkreis Salzwedel 1,62 320 Stadtverband Saarbrücken 1,34 370 Anhalt-Bitterfeld 1,47 321 Merzig-Wadern 1,57 371 Börde 1,53 322 Neunkirchen 1,46 372 Burgenlandkreis 1,51 323 Saarlouis 1,38 373 Harz 1,47 324 Saarpfalz-Kreis 1,39 374 Jerichower Land 1,38 325 St. Wendel 1,39 375 Mansfeld-Südharz 1,55 326 Berlin 1,37 376 Saalekreis 1,48 327 Brandenburg an der Havel 1,24 377 Salzlandkreis 1,46 328 Cottbus, Stadt 1,44 378 Stendal 1,58 329 Frankfurt (Oder), Stadt 1,34 379 Wittenberg 1,52 330 Potsdam, Stadt 1,35 380 Erfurt, Stadt 1,48 331 Barnim 1,47 381 Gera, Stadt 1,11 332 Dahme-Spreewald 1,50 382 Jena, Stadt 1,47 333 Elbe-Elster 1,68 383 Suhl, Stadt 1,39 334 Havelland 1,59 384 Weimar, Stadt 1,41 335 Märkisch-Oderland 1,49 385 Eisenach, Stadt 1,33 336 Oberhavel 1,48 386 Eichsfeld 1,66 337 Oberspreewald-Lausitz 1,64 387 Nordhausen 1,32 338 Oder-Spree 1,47 388 Wartburgkreis 1,68 339 Ostprignitz-Ruppin 1,53 389 Unstrut-Hainich-Kreis 1,60 340 Potsdam-Mittelmark 1,62 390 Kyffhäuserkreis 1,52 341 Prignitz 1,63 391 Schmalkalden-Meiningen 1,58 342 Spree-Neiße 1,52 392 Gotha 1,53 343 Teltow-Fläming 1,53 393 Sömmerda 1,63 344 Uckermark 1,42 394 Hildburghausen 1,54 345 Rostock 1,38 395 Ilm-Kreis 1,44 346 Schwerin 1,41 396 Weimarer Land 1,44 347 Mecklenburgische Seenplatte 1,53 397 Sonneberg 1,33 348 Landkreis Rostock 1,58 398 Saalfeld-Rudolstadt 1,43 349 Vorpommern-Rügen 1,53 399 Saale-Holzland-Kreis 1,48 350 Nordwestmecklenburg 1,71 400 Saale-Orla-Kreis 1,49 Published by Prof. Dr. Norbert F. Schneider Federal Institute for Population Research D-65180 Wiesbaden / Germany 2017 Managing Editor Frank Swiaczny Assistant Managing Editor Katrin Schiefer Copy Editor (Selected Articles in German) Dr. Evelyn Grünheid Layout Beatriz Feiler-Fuchs E-mail: cpos@bib.bund.de Scientifi c Advisory Board Paul Gans (Mannheim) Karsten Hank (Cologne) Johannes Huinink (Bremen) Michaela Kreyenfeld (Rostock) Marc Luy (Vienna) Notburga Ott (Bochum) Peter Preisendörfer (Mainz) Nikola Sander (Groningen) Zsolt Spéder (Budapest) Comparative Population Studies www.comparativepopulationstudies.de ISSN: 1869-8980 (Print) – 1869-8999 (Internet) Board of Reviewers Martin Abraham (Erlangen) Laura Bernardi (Lausanne) Hansjörg Bucher (Bonn) Claudia Diehl (Konstanz) Andreas Diekmann (Zurich) Gabriele Doblhammer-Reiter (Rostock) Jürgen Dorbritz (Wiesbaden) Anette Eva Fasang (Berlin) E.-Jürgen Flöthmann (Bielefeld) Alexia Fürnkranz-Prskawetz (Vienna) Beat Fux (Salzburg) Joshua Goldstein (Berkeley) Sonja Haug (Regensburg) Hill Kulu (Liverpool) Aart C. Liefbroer (The Hague) Kurt Lüscher (Konstanz) Emma Lundholm (Umeå) Nadja Milewski (Rostock) Dimiter Philipov (Vienna) Roland Rau (Rostock) Tomáš Sobotka (Vienna) Jeroen Spijker (Barcelona) Olivier Thévenon (Paris) Helga de Valk (Brussels) Heike Trappe (Rostock) Michael Wagner (Cologne)