Geltungsbereiche des sozialen Kapitals in Deutschland: Eine Prüfung der Messinvarianz, der Verteilung und der Auswirkung von sozialem Vertrauen, Reziprozität und formalen Netzwerken [1. Aufl. 2020] 978-3-658-28876-1, 978-3-658-28877-8

Table of contents :
Front Matter ....Pages I-XIII
Einleitung (Saskia Fuchs)....Pages 1-5
Sozialkapitaltheorien (Saskia Fuchs)....Pages 7-14
Sozialkapitaltheorie nach James Coleman (Saskia Fuchs)....Pages 15-25
Sozialkapitaltheorie nach Robert Putnam (Saskia Fuchs)....Pages 27-46
Diskussion zur Sozialkapitaltheorie (Saskia Fuchs)....Pages 47-56
Negatives soziales Kapital (Saskia Fuchs)....Pages 57-71
Untersuchungen zum sozialen Kapital (Saskia Fuchs)....Pages 73-88
Forschungsfrage und Hypothesen (Saskia Fuchs)....Pages 89-92
Voraussetzungen, Operationalisierung und methodisches Verfahren (Saskia Fuchs)....Pages 93-115
Konstrukt des sozialen Vertrauens (Saskia Fuchs)....Pages 117-132
Konstrukt der Reziprozität (Saskia Fuchs)....Pages 133-139
Konstrukt der formalen Netzwerke (Saskia Fuchs)....Pages 141-156
Zusammenfassung der Messinvarianzergebnisse (Saskia Fuchs)....Pages 157-174
Korruption (Saskia Fuchs)....Pages 175-183
Diskussion und Schlussfolgerungen (Saskia Fuchs)....Pages 185-193
Back Matter ....Pages 195-288

Citation preview

Saskia Fuchs

Geltungsbereiche des sozialen Kapitals in Deutschland Eine Prüfung der Messinvarianz, der Verteilung und der Auswirkung von sozialem Vertrauen, Reziprozität und formalen Netzwerken

Geltungsbereiche des sozialen Kapitals in Deutschland

Saskia Fuchs

Geltungsbereiche des sozialen Kapitals in Deutschland Eine Prüfung der Messinvarianz, der Verteilung und der Auswirkung von sozialem Vertrauen, Reziprozität und formalen Netzwerken

Saskia Fuchs Wiesbaden, Deutschland Zugleich Dissertation an der Technischen Universität Berlin, 2019.

ISBN 978-3-658-28876-1 ISBN 978-3-658-28877-8  (eBook) https://doi.org/10.1007/978-3-658-28877-8 Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar. © Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen Zeicheninhabers sind zu beachten. Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informa­ tionen in diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral. Springer VS ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist ein Teil von Springer Nature. Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany

 

Für Marco



Danksagung Mein besonderer Dank gilt zuallererst meinen beiden Betreuern, Prof. Dr. Peter Graeff und Prof. Dr. Nina Baur, die mir dieses Dissertationsprojekt ermöglicht und mir stets mit konstruktiver Kritik sowie hilfreichen Ratschlägen zur Seite gestanden haben. Darüber hinaus danke ich dem Deutschen Institut für Wirtschaft und dem GESIS – Leibniz-Institut für Sozialwissenschaften für den Zugang zu den verwendeten Daten des Sozio-ökonomischen Panels (SOEP) und der Allgemeinen Bevölkerungsumfrage der Sozialwissenschaften (ALLBUS), ohne die eine Ausarbeitung in dieser Form nicht möglich gewesen wäre. Eine Promotion bedeutet immer einen Marathon und keinen Sprint, daher danke ich an dieser Stelle auch allen Personen, die mich auf diesem Weg begleitet und mir auch in schwierigen Phasen Beistand geleistet haben, – vor allem meinen Eltern.

Inhaltsverzeichnis Abkürzungsverzeichnis 1

Einleitung

1.1 2

1

Aufbau der Arbeit

4

Sozialkapitaltheorien

7

2.1

Der Sozialkapital-Begriff

2.2

Soziales Kapital heute

2.3

Genese sozialen Kapitals: Top-down vs. Bottom-up!?

3

XIII

Sozialkapitaltheorie nach James Coleman

3.1

Merkmale und Formen sozialen Kapitals

8 9 11 15 16

3.1.1

Vertrauenswürdige Beziehungen

17

3.1.2

Geschlossenheit der Netzwerke

18

3.1.3

Doppelcharakter: individuelle Ressource und öffentliches Gut

20

3.1.4

Perspektivenwechsel

22

3.1.5

Allgemein/Übergang

24

4

Sozialkapitaltheorie nach Robert Putnam

27

4.1

Bridging social capital and bonding social capital

31

4.2

Sozialkapitalindikatoren (nach Putnam)

33

4.2.1

Netzwerke

35

4.2.2

Normen der Reziprozität

38

4.2.3

Soziales Vertrauen

42

5

Diskussion zur Sozialkapitaltheorie

47

5.1

Spezielle Diskussion zum Sozialkapitalansatz Colemans

48

5.2

Spezielle Diskussion zum Sozialkapitalansatz Putnams

50

5.3

Diskussion und Bezüge zur eigenen Arbeit

52

6

Negatives soziales Kapital

6.1

Korruption

57 62

6.1.1

Definitionen

62

6.1.2

Das Prinzipal-Agenten-Modell der Korruption

64

6.1.3

Erklärungsansätze

66

6.1.3.1

Soziale Austauschtheorie

66

X

Inhaltsverzeichnis

6.1.3.2 7

Devianztheorie

Untersuchungen zum sozialen Kapital

69 73

7.1

Sozialkapitalforschung in Deutschland

74

7.2

Soziales Kapital und Korruption

80

7.3

Messinvarianzverfahren zu den Konstrukten des sozialen Kapitals

83

8

Forschungsfrage und Hypothesen

89

9

Voraussetzungen, Operationalisierung und methodisches Verfahren

93

9.1

Aggregatebene: Raumordnungsregionen

93

9.2

Datensets

94

9.2.1

Sozio-ökonomisches Panel (SOEP)

95

9.2.2

Allgemeine Bevölkerungsumfrage der Sozialwissenschaften (ALLBUS)

96

9.2.3

INKAR

96

9.3

Operationalisierung der Variablen

97

9.3.1

Soziales Vertrauen

9.3.2

Reziprozität

100

9.3.3

Netzwerke

102

9.3.4

Korruption

103

9.3.4.1 9.3.5

Erfassung der Korruption Kontrollvariablen

97

104 106

9.4

Aggregatdaten

107

9.5

Messinvarianz

110

9.5.1

Generelles Vorgehen

111

9.5.2

Partielle Messinvarianz

114

10 Konstrukt des sozialen Vertrauens

117

10.1

Deskriptive Statistik

117

10.2

Prüfung auf Messinvarianz

119

10.2.1

Exkurs: Problematik des Items Vorsicht

120

10.2.2

Ergebnisse der Messinvarianz: Konstrukt des sozialen Vertrauens

124

10.3

Zusammenfassung

129

11 Konstrukt der Reziprozität

133

11.1

Deskriptive Statistik

133

11.2

Prüfung auf Messinvarianz

134

Inhaltsverzeichnis

11.3

Zusammenfassung

XI

138

12 Konstrukt der formalen Netzwerke

141

12.1

142

Deskriptive Statistik

12.1.1 12.2

Exkurs: Vergleich mit anderen Surveys Prüfung auf Messinvarianz

144 145

12.2.1

Konstrukt der formalen Netzwerke: Olson-Gruppe

147

12.2.2

Konstrukt der formalen Netzwerke: Putnam-Gruppe

151

12.3

Zusammenfassung

154

13 Zusammenfassung der Messinvarianzergebnisse

157

13.1

Zeitvergleich des sozialen Vertrauens

160

13.2

Zeitvergleich der Netzwerke des sozialen Engagements

167

13.3

Reziprozität 2015

172

14 Korruption

175

14.1

Interkorrelationen der unabhängigen Variablen

178

14.2

Das Strukturmodell

178

15 Diskussion und Schlussfolgerungen

185

15.1

Einschränkungen

185

15.2

Zentrale Ergebnisse und Schlussfolgerungen für die Forschung

186

Literaturverzeichnis

195

Anhang

223

Abkürzungsverzeichnis Abb. ALLBUS BHPS BKA bspw. bzgl. D ESS et al. EU EVS f. ff. GSS INKAR Kap. LKA NL o. Ä. OECD S s. SOEP StGB Tab. TI u. a. u. U. UK USA vgl. vs. WVS z. B.

Abbildung Allgemeine Bevölkerungsumfrage der Sozialwissenschaften British Household Panel Survey Bundeskriminalamt beispielsweise bezüglich Deutschland European Social Survey und andere Europäische Union European Value Survey (und) folgende (Singular) (und) folgende (Plural) General Social Surveys Indikatoren und Karten zur Raum- und Stadtentwicklung Kapitel Landeskriminalamt Niederlande oder Ähnliche Organisation for Economic Co-operation and Development Schweden siehe Sozio-ökonomisches Panel Strafgesetzbuch Tabelle Transparency International unter anderem unter Umständen United Kingdom United States of America Vergleich versus World Value Survey zum Beispiel

1

Einleitung

Nachbarschaftshilfe, wachsame Nachbarn, Ehrenämter oder der sogenannte (kölsche) Klüngel sind kollektive Phänomene, die im Kern eines gemeinsam haben: sie basieren auf sozialem Kapital. Sie kommen in allen möglichen sozialen und institutionellen Kontexten vor, bspw. in Vereinen, Organisationen oder wie gesagt Nachbarschaften. So unterschiedlich die Beziehungsarten (bspw. Freundschaften, Verwandtschaften oder Bekanntschaften) auch sein mögen, manche sind unverbindlich, andere basieren auf einem stärkeren Zusammenhalt, sie alle können soziales Kapital darstellen. Soziales Kapital zeichnet sich dadurch aus, dass es auf zwischenmenschlichen Beziehungen beruht und in den meisten Fällen positiv konnotiert ist. Der Begriff und das Konzept „soziales Kapital“ werden in den verschiedenen Wissenschaftsbereichen so unterschiedlich verwendet, dass ich ihrer Erörterung in dieser Arbeit einigen Raum geben werde. Dabei zeige ich auch die unterschiedlichen und oftmals nicht kompatiblen Theorieperspektiven auf. In dieser Arbeit nehme ich weitgehend auf den Sozialkapitalansatz nach Robert Putnam (1993) Bezug. Putnam definiert soziales Kapital in der Kurzfassung als „social connections and the attendant norms and trust“ (Putnam 1995b: 664 f.). Das soziale Kapital entsteht nach dieser Theorie aus den sozialen Beziehungen der Individuen. In sozialen Beziehungen stellen sich die Beteiligten aufeinander ein, stimmen also auch ihr soziales Handeln aufeinander ab. Das gilt umso mehr, wenn die Individuen in ein (soziales) Netzwerk eingebunden sind und nicht nur aus Eigeninteresse handeln (Granovetter 1985). Daher lassen sich diese (sozialen) Beziehungen auch im Rahmen des Netzwerkparadigmas analysieren (Burt 1997). Die Nutzung des Netzwerks kann wie das Zurückgreifen auf eine Ressource betrachtet werden, die die Akteure bereichert. Sofern sich soziales Kapital auf Beziehungen zwischen Personen bezieht und nicht allein ein Element einer gesellschaftlichen Struktur ist (wie z. B. eines sozialen Netzwerks im Internet), beruht es auf der Bereitschaft der Individuen, zu kooperieren. Die Regelung der gemeinsamen Zusammenarbeit geschieht mithilfe von Normen und sozialem Vertrauen1. Die Gegenseitigkeit der Hilfsbereitschaft, der Respekt und das Vertrauen in Fremde bilden den zentralen Punkt des sozialen Kapitals, welches durch das (soziale) Vertrauen und die Reziprozität repräsentiert wird (Putnam 1993: 88). An dieser Stelle soll nur ein grober Überblick gegeben werden, eine tiefergehende Erörterung des Konzepts erfolgt später. Die oben beschriebenen Ansätze haben gemeinsam, dass das soziale Kapital auf der Individualebene entsteht und die sozialen Beziehungen einer Person als Ressource in Form von Unterstützungs- oder Hilfeleistungen im Vordergrund stehen. Ein Beispiel für solche Unterstützungsleistungen findet sich in der Untersuchung von Granovetter (1978), der zeigen kann, dass Arbeitssuchende mit Jobinformationen aus dem weiteren Bekanntenkreis erfolgreicher eine Beschäftigung finden als über enge Freundeskreise. In den Konzepten, die soziales Kapital auf der Individualebene verordnen, gewinnt es gesellschaftliche Bedeutung, indem die Sozialkapitalbeziehungen auf die Generierung und Aufrechterhaltung von positiven sozialen Normen und

1

Soziales Vertrauen und generalisiertes Vertrauen werden synonym verwendet.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_1

2

1 Einleitung

Werten Einfluss nehmen. In der Folge zeigt sich bspw., dass Gesellschaften mit hoher Sozialkapitalausstattung höhere Niveaus an sozialem Vertrauen oder Toleranz gegenüber anderen Individuen aufweisen (Rothstein 2013). Individuen mit hoher Sozialkapitalausstattung sind optimistischer und zufriedener (Leung et al. 2011; Bjørnskov 2006). Aus gesellschaftlicher Perspektive betrachtet, ist die Sozialkapitalausstattung einer Gesellschaft deshalb von Interesse, da ein hohes soziales Vertrauen innerhalb einer Gesellschaft auch in Verbindung mit einem größeren sozialen Zusammenhalt (Kohäsion) und stärkerem sozialen Engagement steht. Entsprechend resümiert Uslaner (2002: 191): „[…] a trusting community is a tolerant community, where discrimination is anathema“. Gerade in besonderen Krisenzeiten (wie während einer Flüchtlings- oder Finanzkrise), aber auch bei seit Langem bestehenden schwierigen Verhältnissen, die negative Stimmungen wie Misstrauen, Unzufriedenheit oder Unsicherheit fördern (bspw. Korruption, Kriminalität oder auch Einsamkeit im Alter, Ablehnung von Minderheiten durch bspw. rechte Tendenzen), stellt ein hohes Sozialkapital einen Gegenpol dar, der die negativen Effekte abmildert (Uslaner 2002; Rothstein 2013). Auch in der Wissenschaft ist das soziale Kapital als Forschungsgegenstand längst allgegenwärtig. Seinen interdisziplinären Durchbruch erlangte es durch die empirische Arbeit und der daraus resultierenden Theorie von Putnam (1993; 2000), welcher einen exponentiellen Anstieg des Forschungsthemas in der Literatur zur Folge hatte (vgl. Abb. A.1). Allein in den Sozialwissenschaften sind die Anwendungsfelder des sozialen Kapitals breit gefächert, sodass es neben internationalen und nationalen Betrachtungen zur Verteilung auch noch spezifische Untersuchungen gibt, wie bspw. zu den Themen digitale soziale Netzwerke (Facebook), Gesundheit, Kriminalität, wirtschaftliche Bezüge, soziale Ungleichheit oder spezielle Gruppenbezüge bei Senioren (vgl. Arezzo & Giudici 2015; Botzen 2016; Dincer & Uslaner 2010; Ellision et al. 2014; Freitag & Traunmüller 2008; Uslaner & Rothstein 2016). Eine Reihe von Studien stellt die Bedeutung von Sozialkapital in Ländervergleichen heraus (z. B. Graeff & Svendsen 2013; Knack & Keefer 1997; Rothstein 2011). In dieser Arbeit lege ich den Fokus auf die Verteilung des Sozialkapitals in Deutschland. Die wenigen Studien, die sich bereits mit dieser Thematik befasst haben, stellen allerdings nur Momentaufnahmen dar, die keine Aussagen über verschiedene Erhebungszeitpunkte zulassen. Diese Lücke in der Forschung soll mit der vorliegenden Untersuchung geschlossen werden, die die Entwicklung des sozialen Kapitals über die verschiedenen Zeitpunkte betrachtet. Das soziale Kapital wird dabei in mehrere Indikatoren unterteilt, wie soziales Vertrauen, die Norm der Reziprozität und formale Netzwerke. Dies erlaubt es, detailliertere Aussagen zu treffen. Darüber hinaus wird nicht, wie in den länderübergreifenden Untersuchungen, ein einziger Wert für die Sozialkapitalindikatoren für Deutschland ermittelt. Stattdessen werden Vergleichswerte auf der Ebene der Raumordnungsregionen betrachtet. Die Raumordnungsregionen stellen ein Klassifikationsschema dar, das Deutschland in 96 Regionen unterteilt. Diese Regionen bilden eine Aggregatebene zwischen den Bundesländern und den Landkreisen sowie kreisfreien Städten. Da Sozialkapitaldaten üblicherweise aus Erhebungsdaten von Individuen stammen, ist durch

1 Einleitung

3

Bezugnahme auf diese Aggregatebene ein spezifischerer Einblick in die Verteilung der Sozialkapitalindikatoren in Deutschland möglich. Die Arbeit leistet daher u. a. einen Beitrag zur Fortführung vorangegangener Untersuchungen, bspw. von Freitag & Traunmüller (2008). Freitag & Traunmüller haben in ihrer Studie erstmals die „Sozialkapitalwelten“ in Deutschland dargestellt und demonstriert, dass der Bestand der einzelnen Indikatoren regional uneinheitlich ist. Das bedeutet, dass bspw. in neuen Bundesländern ein niedrigeres soziales Vertrauen verzeichnet wird als in den alten Bundesländern. Für die Reziprozitätsnorm war in ihren Studien kein regionales Muster erkennbar. Freitag & Traunmüller haben für die Sozialkapitalmerkmale meist nur einen Erhebungszeitpunkt herangezogen.2 Inzwischen sind für die Surveys, auf denen die Untersuchungen beruhen, weitere Erhebungszeitpunkte der einzelnen Indikatoren dazugekommen. Diese werden in der vorliegenden Untersuchung verwendet, sodass auch eine zeitliche Entwicklung deutlich gemacht werden kann. Die Sozialkapitalmerkmale werden in der Regel durch Einstellungsdaten erfasst. Um ein soziales Phänomen, wie bspw. das soziale Vertrauen, in seiner Konstruktform erfassen zu können, werden typischerweise mehrere Items verwendet. Vor diesem Hintergrund werden auch zu den Sozialkapitalmerkmalen verschiedene Bereiche abgefragt. Um zu überprüfen, ob die Konstrukte über verschiedene Zeitpunkte oder Gruppen vergleichbar sind, müssen die Messungen bspw. in den unterschiedlichen Erhebungszeitpunkten äquivalent sein. Diese Prüfung erfolgt in der vorliegenden Untersuchung mit der Methode der Messinvarianz. Eine äquivalente Messung eines Konstrukts liegt vor, wenn die Probanden zu unterschiedlichen Zeitpunkten dasselbe Verständnis des Konstrukts hatten. Sind die Konstrukte nicht äquivalent erfasst worden, kann nicht von einem einheitlichen Konstrukt gesprochen werden. Im Gegensatz zur qualitativen Forschung zielt die quantitative Forschung auf Generalisierbarkeit ab, sodass folglich inhaltlich auch derselbe Sachverhalt erhoben werden muss. Bisherige Untersuchungen in der deutschen Sozialkapitalforschung haben die Messäquivalenz nicht berücksichtigt. Das soziale Vertrauen ist hinsichtlich der Messäquivalenz länderübergreifend mehrfach untersucht worden (vgl. Coromina & Davidov 2013; Reeskens & Hooghe 2008), aber eine Überprüfung auf Messinvarianz innerhalb Deutschlands gibt es bisher nicht. Die Sozialkapitalindikatoren beziehen sich im innerdeutschen Vergleich in der Regel nur auf einen Erhebungszeitpunkt und nicht auf unterschiedliche Zeitpunkte. Die erste Forschungsfrage lautet daher: Wie sind die Kernmerkmale des sozialen Kapitals (soziales Vertrauen, Reziprozität und formale Netzwerke) in Deutschland über verschiedene Zeitpunkte verteilt? Wenn Konstrukte über die Zeit verglichen werden sollen, müssen sie auch konstant erfasst werden. Daher werde ich neben der Verteilung auch untersuchen, ob die Konstrukte des sozialen Kapitals über die verschiedenen Erhebungszeitpunkte den Anforderungen der Messinvarianz genügen (die genau diese konstante Erfassung sicherstellt).

2

Die Netzwerke wurden über zwei Erhebungsjahre erfasst.

4

1 Einleitung

Aufbauend auf den Ergebnissen zur ersten Forschungsfrage wird der Frage nachgegangen, ob soziales Kapital (abgebildet über die drei Indikatoren soziales Vertrauen, Reziprozität und formale Netzwerke) die Wichtigkeit von Korruption als Mittel zum Erfolg reduziert. In den früheren Studien wurde meist nur ein Sozialkapitalmerkmal, vornehmlich das soziale Vertrauen, mit Korruption in Verbindung gebracht. In dieser Arbeit untersuche ich den Einfluss aller Sozialkapitalindikatoren gleichzeitig auf die Korruption, um so (mögliche) Unterschiede aufzudecken. Diese Unterschiede könnten durch die Sozialkapitalmerkmale, die sich in zwei Bereiche untergliedern lassen, hervorgerufen werden. Das soziale Kapital umfasst einerseits die Struktur der Netzwerke und andererseits die Einstellungen zu Normen und Vertrauen. Aber auch innerhalb der Einstellungen zu Normen und Vertrauen sind unterschiedliche Effekte denkbar. Während die Reziprozität auf dem Prinzip der Gegenseitigkeit basiert, bezieht sich das (soziale) Vertrauen auf die Haltung und Einstellung zu anderen (fremden) Mitmenschen. In der Haltung zu anderen finden sich auch die nach Putnam benannten Eigenschaften der Hilfsbereitschaft oder des Respektes wieder. Mitgliedschaften in Vereinen oder Organisationen vergrößern den Bekanntenkreis für den Einzelnen und sorgen für regelmäßige Kommunikation und sozialen Austausch. Ein möglicher Grund, warum die unterschiedlichen Sozialkapitalindikatoren bisher nicht weiter in Bezug zur Korruption betrachtet wurden, kann in den theoretischen Ansätzen zum sozialen Kapital liegen. Diese Ansätze erfassen soziales Kapital als den Mehrwert von sozialen Beziehungen (zwischen zwei oder mehreren Individuen), auf den Individuen zurückgreifen können, wenn sie Unterstützung benötigen. Putnam (1993; 2000), Fukuyama (1995) oder Lin (2001) sehen das soziale Kapital als eine Eigenschaft sozialer Kontexte, das die Individuen in ihrer Einstellung und somit in ihrem Handeln beeinflusst. Aus Sicht dieser Autoren sind die Auswirkungen von Sozialkapitalnutzung allerdings weitestgehend positiv. Es gibt jedoch Fälle, in denen die Folgen negativ sind, was die Korruptionsforschung deutlich herausgearbeitet hat (vgl. Graeff 2011: 17 ff.). Vetternwirtschaft oder vorteilhafte Beziehungen, das sogenannte Vitamin B, sind negatives soziales Kapital. Vetternwirtschaft ist eine Form von Korruption unter verwandten Personen und Freunden. Solche korrupten Praktiken laufen nicht nach geltenden (gesetzlichen) Regeln ab und finden meist unter Ausschluss der Öffentlichkeit statt. Es wird vermutet, dass Kernmerkmale wie Reziprozität oder Vertrauen auch dann erhalten bleiben, wenn die Sozialkapitalnutzung negative Konsequenzen hat. Auf diesen Aspekt geht der zweite Teil dieser Studie genauer ein. Er trägt damit zu neuen Erkenntnissen beim Zusammenspiel von sozialem Kapital und Korruption bei. Es stellt sich folglich die zweite Forschungsfrage, ob und inwiefern die Indikatoren des sozialen Kapitals Einfluss auf die Wichtigkeit von Korruption ausüben.

1.1

Aufbau der Arbeit

Thematisch gliedert sich die Arbeit in zwei Teile. Der erste Teil setzt sich mit den theoretischen Grundlagen auseinander, während der zweite Teil die empirische Umsetzung und die Analysen

1.1 Aufbau der Arbeit

5

beinhaltet. Zunächst beleuchte ich die Bedeutung und Entwicklung des Sozialkapital-Begriffs seit seiner erstmaligen wissenschaftlichen Verwendung. Darauf aufbauend erläutere ich auch seine Verwendung in jüngeren Studien. Dabei zeige ich zwei Herangehensweisen auf, die die Bildung des Sozialkapitalkonzepts und dessen gesellschaftlicher Wirkungsrichtung in besonderer Weise geprägt haben. Die eine Herangehensweise zur Definition des Sozialkapital-Begriffs basiert auf einer sozialwissenschaftlichen Perspektive, nach der soziales Kapital über soziale Beziehungen (von Individuen) gebildet wird. Die andere – meist in einem politischen Theoriekontext verwendete – Herangehensweise bringt soziales Kapital ursächlich mit staatlichen Institutionen in Verbindung. Neben der Ideengeschichte des sozialen Kapitals und den unterschiedlichen Betrachtungsweisen werden die beiden Sozialkapitalansätze nach Coleman und Putnam detaillierter vorgestellt. Die beiden Sozialkapitalansätze sind eng miteinander verbunden und bilden die Grundlage des Begriffsverständnisses in dieser Untersuchung. Das Diskussionskapitel und die anschließende Stellungnahme setzen sich mit den Kritikpunkten zum sozialen Kapital auseinander, – insbesonders mit den beiden Ansätzen nach Coleman und Putnam. Der theoretische Rahmen wird durch die Erörterung von möglichen negativen Folgen sozialen Kapitals geschlossen, wie z. B. bei Korruption. Im Anschluss erfolgt ein Blick auf die aktuelle Forschung. Die Darstellung des Forschungsstands umfasst wegen der auf Deutschland bezogenen Forschungsfragen insbesondere nationale Untersuchungen. Das achte Kapitel „Forschungsfrage und Hypothesen“ bildet die Brücke zwischen dem theoretischen und empirischen Teil. Hier werden die theoretischen Grundlagen auf die eigene Forschungsfrage bezogen und die Hypothesen abgeleitet. Der empirische – zweite – Teil der Arbeit beginnt mit einer Beschreibung der Analyseebene der Raumordnungsregionen und den Datensets. Neben der Besonderheit der Aggregatdaten wird auch auf die Methode der Messinvarianz eingegangen, die eine Grundlage für die Verwendung der Konstrukte auf Individual- und Aggregatebenen darstellt. Erst wenn bestimmte Stufen der Messinvarianz erreicht werden, lassen sich Konstrukte (wie das soziale Vertrauen) sinnvoll über verschiedene Erhebungszeitpunkte miteinander vergleichen. Da sich die erste Forschungsfrage mit dieser Vergleichsthematik beschäftigt, werden die statistischen Analysen zu ihrer Beantwortung in den folgenden drei Kapiteln vorgestellt. Hier erhalten dann die Ergebnisse zur Messinvarianz für jeden einzelnen Sozialkapitalindikator besondere Beachtung und es wird sich zeigen, ob die Vergleichbarkeit der Sozialkapitalkonstrukte über verschiedene Erhebungszeitpunkte gewährleistet ist. Daran anschließend werden die Konsequenzen der Untersuchungsergebnisse aufgezeigt und es wird auf die Verteilung der Sozialkapitalindikatoren in Deutschland eingegangen. Die Untersuchungen zur zweiten Forschungsfrage werden in den anschließenden Kapiteln dargestellt, in denen auch der Zusammenhang zwischen den jeweiligen Sozialkapitalindikatoren und der Wichtigkeit von Korruption (als Weg zum Erfolg) ermittelt wird. Im letzten Kapitel werden die Ergebnisse diskutiert, Schlussfolgerungen gezogen und Kritikpunkte an dieser Untersuchung aufgezeigt.

2

Sozialkapitaltheorien

Der Begriff „soziales Kapital“ wird bereits seit über 100 Jahren in der Literatur verwendet. Seine Einbettung in einen eigenen theoretischen Zusammenhang, die sogenannten Sozialkapitaltheorien, erfolgte aber erst in den letzten dreißig Jahren. In dieser Zeit wurden unterschiedliche Sozialkapitaltheorien entwickelt, die unterschiedliche Definitionen des Begriffes verwenden, z. B. wird soziales Kapital als Netzwerk von sozialen Beziehungen für Stadtviertel verstanden, die sich über einen längeren Zeitraum sukzessiv entwickelt haben (Jacobs 1961), als Ressource von Gefälligkeiten, die Freunde und Bekannte füreinander zur Armutsbewältigung leisten (Hannerz 1969) oder auch als „nützliche Menge an Ressource für die kognitive oder soziale Entwicklung eines Kindes oder jungen Menschen“ (Coleman 1995: 389, in Bezug auf Lourys (1977) Verwendung). (Die Begriffsgeschichte wird in Kapitel 2.1 weiter aufgegriffen.) Einige Autoren haben versucht, einen terminologischen Konsens zu finden, indem sie dem Begriff „soziales Kapital“ ein sehr breites Verständnis zugrunde gelegt haben. So definieren Adler & Kwon (2000: 90) ihn als „features of social structure that facilitates in action“, also eine Handlungserleichterung basierend auf sozialen Strukturen. Ein solches Verständnis ist mit den Terminologien aller Sozialkapitaltheorien kompatibel. Adler & Kwon (2000: 91 ff.) geben eine Übersicht der aktuellen unterschiedlichen Definitionen des sozialen Kapitals. Die verschiedenen Wissenschaftler wenden die unterschiedlichen Definitionen interdisziplinär an, da die Konzeption des sozialen Kapitals dafür geeignet ist, in den unterschiedlichsten Bereichen eingesetzt zu werden, so bspw. zur wirtschaftlichen Entwicklung, Förderung demokratischer Einstellungen (Zivilkultur) oder Generierung von Werten. Die breite Anwendung kann auch kritisch betrachtet werden, da für die Wissenschaftler (bzw. die wissenschaftliche Forschung) unklar sein kann, was im jeweiligen Fall unter Sozialkapital zu verstehen ist. Vor diesem Gedanken bezeichnet Portes soziales Kapital als „something of a cure-all“, also eine Art Universalheilmittel (Portes 1998). Soziales Kapital wurde wegen seiner angenommenen Bedeutung für positive soziale Prozesse im Zusammenhang mit einer Reihe von aktuellen Thematiken untersucht (diese rein positive Deutung änderte sich durch Putnam (2000), siehe Kapitel 4). Dazu gehören bspw. die Gesundheit (Kroll & Lampert 2007; Rocco & Suhrcke 2012), die soziale Ungleichheit (Portes & Vickstrom 2011; Levels et al. 2015), deviantes Verhalten (Graeff & Svendsen 2013; Buonanno et al. 2009) oder digitale soziale Netzwerke wie Facebook (Vitak et al. 2011; Uslaner 2004b). In den Wirtschaftswissenschaften wurde soziales Kapital mit wirtschaftlichem Wachstum (Knack & Keefer 1997) oder ökonomischer Prosperität (Seifferth-Schmidt 2014) in Zusammenhang gebracht, in der Politikwissenschaft mit Wahlverhalten (Putnam 1993) oder Vertrauen in Institutionen (Rothstein & Stolle 2008) und in der Biologie mit der Erhaltung biologischer Vielfalt (Pretty & Smith 2004) – um nur einige zu nennen. Der Begriff in seinem allgemeinen Verständnis und auch die unterschiedlichen Theorien des sozialen Kapitals finden vor allem in interdisziplinären Fachrichtungen Anwendung. Weil die Ausstattung mit Sozialkapital Gesellschaften prägt und soziales Kapital zudem in vielen verschiedenen Theorien und sehr breit angewendet werden kann, hat die Sozialkapitalforschung in

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_2

8

2 Sozialkapitaltheorien

den letzten 30 Jahren exponentiell zugenommen (Kwon & Adler 2014: 413). Gaggio (2004: 499) verdeutlicht diesen Aspekt in folgender Weise: „Every so often, a concept in the social sciences emerges from humble beginnings and takes on a life of its own, crossing disciplinary boundaries, spanning disparate geographical contexts and linking analytical concerns in the academy with normative agendas in policy circles.“

2.1

Der Sozialkapital-Begriff

Im folgenden Abschnitt sollen die Anfänge des Sozialkapital-Begriffs näher betrachtet werden. Der Pädagoge Lyda Judson Hanifan (1916) wandte den Begriff erstmals in seiner heutigen Bedeutung an (vgl. Farr 2004: 11).3 Hanifan (1916: 130) versteht unter sozialem Kapital „goodwill, fellowship, mutual sympathy and social intercourse among a group of individuals and families who make up a social unit“. Nach dieser Definition ist es von zentraler Bedeutung, dass Personen zunächst zusammenkommen und anschließend durch andauernde Interaktion untereinander eine Akkumulation von Sozialkapital in der entsprechenden Gruppe produzieren. Nach Hanifan ist es das Bedürfnis eines jeden Einzelnen, zu einer größeren Gruppe als der Familie zu gehören, denn die Familie allein könne das gesellschaftliche Bedürfnis nach geselligem Austausch nicht befriedigen. Dieses Bedürfnis stille der Einzelne bspw. durch den Kontakt zu Nachbarn. Durch Zusammenschlüsse nicht-familiärer Beziehungen werde ein solidarisches Miteinander zwischen bspw. den Nachbarn – oder genereller gesagt zwischen Bürgern – geschaffen. Hierdurch könne das soziale Kapital wiederum auch den gesellschaftlichen Entwicklungen einer Gemeinde (oder weiteren höheren Ebenen) zugutekommen, was sich bspw. in der Übernahme von Ehrenämtern ausdrücke. Hanifan sah diese ehrenamtlichen Tätigkeiten bspw. bei Gemeindetreffen, Stadtversammlungen, Sommerfesten, Schulausstellungen oder Abendkursen für die Eltern,4 wo einerseits verschiedene Belange besprochen wurden, gleichzeitig Zeit und Raum blieb für „followed by a social half-hour“ (Hanifan 1916: 136), also einem gesellschaftlichen Austausch. Ähnliche Veranstaltungen, die auch heute stattfinden, auf denen jedoch eher über organisationsspezifische Neuigkeiten informiert wird, sind Elternabende in Schulen, Kindergärten sowie anderen pädagogischen Einrichtungen. Die Inhalte und Aufgaben der Stadtversammlungen erledigen heute eher Stadtverwaltungen. Weitere neuzeitliche Erscheinungsformen dieser durch soziales Kapital geprägten Tätigkeiten finden sich auch in der Unterstützung von Kranken oder Hilfsbedürftigen sowie auch bei der Betreuung von Jugendeinrichtungen. Die jeweiligen Gemeinden profitieren von allen Verbindungen, sei es das durch 3

4

Adam Smith, Alexis Tocqueville oder Emil Durkheim, um nur einige zu nennen, haben sich bereits seit dem 18. Jahrhundert mit dem Grundgedanken des Sozialkapitals beschäftigt, ohne dessen Begrifflichkeit zu verwenden. Die Quintessenz des Sozialkapitals bezog sich auf bestimmte individuelle Verhaltensweisen, die die Wohlfahrt der Gesellschaft beeinflussen und somit auch den Nutzen des Individuums selbst steigern können. Eine ausführliche Darstellung der Historie der Sozialkapitaltheorie findet sich bei Schleicher (2002: 19 ff.). Diese „Evening Classes“ trugen teilweise zur Förderung der Allgemeinbildung der Eltern bei, da Anfang des 20. Jahrhunderts die Schulbildung nicht mit unserem heutigen Standard zu vergleichen war.

2.2 Soziales Kapital heute

9

Pflegen gemeinschaftlicher Interessen oder das Verfolgen gemeinsamer Ziele. Aber auch der Einzelne stillt durch die zwischenmenschlichen Beziehungen nicht nur sein Bedürfnis nach Sozialem, sondern erlangt durch die Kooperationen einen Nutzen, der sich im Alltag in Form von Hilfe, Sympathie oder Verbundenheit ausdrückt. Der Begriff „soziales Kapital“ ist in der heutigen Wissenschaftswelt omnipräsent, dennoch fand Hanifans Werk „The Rural School Community Center“ (1916) über Sozialkapital unmittelbar nach seiner Veröffentlichung recht wenig Interesse. In der Folgezeit tauchte der SozialkapitalBegriff auch bei anderen Autoren auf (bspw. bei Seeley et al. 1956; Jacobs 1961; Loury 1977; Schlicht 1984), wurde aber mit unterschiedlichen Bedeutungen und in verschiedenen Kontexten verwendet. So zogen Seeley et al. (1956) den Sozialkapital-Begriff in Bezug auf Gruppenbildungen – wie Mitgliedschaften in Vereinen – heran, denen sie das Potenzial einer beruflichen Karriereförderung, durch bspw. das sogenannte Vitamin B, zusprachen. Jacobs (1961) verwendete das soziale Kapital wie Hanifan im Zusammenhang mit Nachbarschaften, jedoch aus einer urbanen Perspektive auf Stadtviertel. Sie verwies auf die kontinuierliche Netzwerkbildung, die das soziale Kapital einer Stadt bewirke (Hanifan 1992: 138). Für Loury (1977) stellte das soziale Umfeld eine wichtige Ressource bei der kognitiven oder sozialen Entwicklung dar, weil „no one travels that road entirely alone“ (Loury 1977: 176). Er unterstrich die Wichtigkeit des familiären sozialen Kapitals für die Bildung von Humankapital und brachte so das soziale Kapital mit der Bildungsökonomie in Verbindung. Schlicht (1984) richtete den Blick auf die positive Beeinflussung der Wirtschaft durch soziales Kapital, welches durch Brauch und Sitte eine Senkung der ökonomischen Kosten (Transaktionskosten) ermögliche. Aus wissenschaftshistorischer Perspektive gesehen wurde der Begriff also bereits vor den ersten Sozialkapitaltheorien unterschiedlich verwendet, besaß aber Kerninhalte, die inhaltlich deckungsgleich waren. Farr (2004: 9) fasst dies so zusammen: „[…] social capital is complexly conceptualized as the network of associations, activities, or relations that bind people together as a community via certain norms and psychological capacities, notably trust, which are essential for civil society and productive of future collective action or goods, in the manner of other forms of capital.“

2.2

Soziales Kapital heute

Erst in den letzten 20–30 Jahren wurden Theorien zum sozialen Kapital entwickelt. Der Soziologe James Coleman (1988; 1990) arbeitete in seiner Sozialkapitaltheorie maßgeblich eine Konzeption zum sozialen Kapital heraus, auf welche sich spätere Theoretiker – u. a. Putnam – bezogen haben (Ostrom & Ahn 2009: 17; Jackman & Miller 1998: 48 f.). Der Begriff des sozialen Kapitals erhielt „jenseits des Rheins“, also in den westlichen deutschen und französischen Landesgebieten, durch den Soziologen Pierre Bourdieu (1983; 1985) große Aufmerksamkeit, nicht

10

2 Sozialkapitaltheorien

zuletzt deshallb, weil der Sozialkapital-Begriff Bestandteil seiner Theorie zur Erklärung sozialer Ungleichheit war. Bei Bourdieu stellt das soziale Kapital nur eines von drei Kapitalsorten5 dar, die beiden anderen sind das ökonomische Kapital und kulturelle Kapital. Bourdieus Theorie enthält keine detaillierte Ausarbeitung des Sozialkapital-Begriffs. Nach Bourdieu (1983; 1985) bildet sich soziales Kapital innerhalb von Netzwerken, wie bspw. in Familien (vgl. Portes & Vickstrom 2011) – und lässt sich in andere Kapitalsorten transformieren. Bourdieu versteht unter sozialem Kapital die Menge an Ressourcen, die sich durch die individuellen, sozialen Beziehungen innerhalb eines Netzwerks ergeben, im Volksmund auch Vitamin B genannt. Von zentraler Bedeutung sind die Position, der Einfluss und die weiteren Kontakte des Einzelnen innerhalb des Netzwerks – sie sind ausschlaggebend dafür, wie viel soziales Kapital ihm zur Verfügung steht. Da die Kapitalformen ineinander transformiert werden können, sind die Kapitalbestände des ökonomischen und kulturellen Kapitals einer Person ebenso von Bedeutung bei der Entwicklung von sozialem Kapital. Nach Bourdieu beeinflusst maßgeblich die Struktur des Netzwerks, die sich aus den individuellen sozialen Beziehungen ergibt, das Ausmaß an sozialem Kapital eines jeden Einzelnen.6 Im Gegensatz zu Bourdieu, der soziales Kapital als reine individuelle Ressource einer Person versteht, betrachten andere Theoretiker – wie Coleman oder Putnam – soziales Kapital als öffentliches Gut. Bourdieus Auffassung von sozialem Kapital ist also eine andere als jene, die vor allem empirischen Studien, wie bspw. jener von Putnam, zugrunde liegt (Portes & Vickstrom 2011: 462). Die Netzwerkanalyse untersucht Netzwerke hinsichtlich ihrer Strukturen. Sozialkapitalforscher wie Burt (1992) oder Lin (1982; 2001) sind in diesem Zusammenhang zu nennen. Bourdieus Sozialkapitaltheorie, die auf die Art und Weise der Zusammensetzung des Netzwerks abzielt und die Qualität eines jeden Bestandteiles heraushebt, kommt daher einem netzwerkanalytischen Ansatz näher als einer Gesellschaftsanalyse, bei der soziales Kapital als Kollektivgut betrachtet wird. Nach dem Verständnis von sozialem Kapital als öffentlichem Gut bewirkt es eine Förderung der soziokulturellen Erhaltung und Entwicklung. Die Konzeption sozialen Kapitals beinhaltet dann meist Normen und Werte, die innerhalb eines Beziehungsgefüges entstehen und sich positiv auf das solidarische Agieren der Menschen auswirken. Putnam (1993; 2000) prägte diese Definition und Interpretation des sozialen Kapitals maßgeblich, die dann auch Eingang fand in die Definitionen der Organisation für wirtschaftliche Zusammenarbeit und Entwicklung 5

6

Das symbolische Kapital wird einerseits als vierte Kapitalsorte dargestellt, andererseits weist es die Eigenschaft eines Sammelbegriffs auf, da sich alle anderen drei Kapitalformen auf das symbolische Kapital auswirken: Es spiegelt die soziale Anerkennung, das Ansehen bzw. den Ruf eines Individuums wider (Bourdieu 1983: 192). Bourdieu definiert soziales Kapital als „die Gesamtheit der aktuellen und potenziellen Ressourcen, die mit dem Besitz eines dauerhaften Netzes von mehr oder weniger institutionalisierten Beziehungen gegenseitigen Kennens oder Anerkennens verbunden sind; oder, anders ausgedrückt, es handelt sich dabei um Ressourcen, die auf der Zugehörigkeit zu einer Gruppe beruhen“ (Bourdieu 1983: 191, Hervorh. im Original). Nach Bourdieu weist jemand mit guten Kontakten zu Politik und/oder Wirtschaft ein höheres Sozialkapital auf als jemand, der durchschnittliche Kontakte pflegt, da er durch sein Netzwerk lukrativere Transaktionen (jeglicher Form) ausüben kann.

2.3 Genese sozialen Kapitals: Top-down vs. Bottom-up!?

11

(OECD) (Healy & Cote 2001: 41) und der World Bank (Grootaert & van Bastelaer 2002). Putnam (1993) greift in seinen Schriften Hanifans Ansatz auf und verschaffte dem Sozialkapital sowohl akademischen Durchbruch als auch interdisziplinäre Popularität.7 Er bezieht sich in seiner Theorie u. a. auf Coleman (1995), der Sozialkapital als (neutrale) Ressource innerhalb einer Handlungsbeziehung versteht. Nach Coleman weist Sozialkapital auch die Eigenschaft eines öffentlichen Gutes auf. Putnam (1993) greift diesen Aspekt explizit in seinem theoretischen Ansatz auf. Auch wenn die Haupttheoretiker unterschiedliche Definitionen und Herangehensweisen haben, sind sie sich hinsichtlich der Generierung sozialen Kapitals einig: soziales Kapital wird durch individuelle soziale Beziehungen erzeugt. Dieser Ansatz wird in der sogenannten Bottom-upPerspektive vertreten. Im Folgenden soll neben der Bottom-up-Perspektive eine konträre Sichtweise zur Genese sozialen Kapitals vorgestellt werden, die vor allem zur Betrachtung politikwissenschaftlicher Kontexte verwendet wird. Hierbei ist zu beachten, dass es nicht nur unterschiedliche Auffassungen zur Entstehungsrichtung hinsichtlich der Generierung des sozialen Kapitals gibt, sondern auch unterschiedliche Ausgangspunkte der Betrachtung (Mikro- oder Makroperspektive).

2.3

Genese sozialen Kapitals: Top-down vs. Bottom-up!?

Während in der Soziologie eher das Verständnis eines Bottom-up-Ansatzes verfolgt wird (vgl. Coleman 1995; Portes 1998), vertreten vorwiegend Politikwissenschaftler die konträre Sichtweise des Top-down-Ansatzes. Putnam ist hier als Ausnahme zu nennen, weil er als Politikwissenschaftler ebenfalls die soziologische Perspektive einnimmt (vgl. Adler & Kwon 2000: 95): 



Nach der Bottom-up-Perspektive generiert sich soziales Kapital innerhalb der individuellen sozialen Beziehungen und wird durch diese zu einem Kollektivgut, wovon auch die Gemeinschaft profitiert. Hier wechselt die Betrachtungsweise von der Mikro- auf die Makroebene. Nach der Top-down-Perspektive wird soziales Kapital durch staatliche bzw. öffentliche Institutionen erzeugt, die durch staatliche Regulierungen Normen und Werte fördern und Vertrauen in der Gemeinschaft begünstigen. Dieser Ansatz ist auf der Makroebene angesiedelt.

Rothstein & Stolle (2008) vertreten gemäß der Top-down-Auffassung die Ansicht, dass soziales Kapital – wesentlich als generalisiertes Vertrauen deklariert – eng mit den formalen politischen Institutionen verknüpft bzw. darin eingebettet ist. Auch nach Levi (1996) ist die Art der Regie-

7

Putnam kann in den letzten knapp 10 Jahren jährlich mehr als 10.000 Zitierungen seiner Werke verzeichnen. Die Anzahl der Zitierungen (vgl. Zitationsindex) hängt natürlich auch mit dem exponentiellen Anstieg der Sozialkapitalforschung Ende der 90er-Jahre zusammen, da Putnam einen maßgeblichen Einfluss auf die Publikation des Sozialkapitals hatte.

12

2 Sozialkapitaltheorien

rung nicht nur ausschlaggebend für die Entstehung von Vertrauen zwischen Bürgern. Sie fördert auch die Entwicklung zivilgesellschaftlichen Verhaltens (Levi 1996: 51): „[G]overnments provide more than the backdrop for facilitating trust among citizens; governments also influence civic behavior to the extent they elicit trust or distrust towards themselves“ (weitere Vertreter, die der Regierungspolitik eine wichtige Rolle zur Generierung sozialen Kapitals beimessen, sind u. a. Freitag 2006; Stolle 2003; Ostrom 1994). In den meisten Sozialkapitaltheorien, die die Abwärtsrichtung vertreten, wird soziales Kapital – wie bspw. bei Ostrom (1994) – über rules and formal institutions definiert (Adler & Kwon 2000). Die Elemente der Regeln und formalen Institute fehlen jedoch in den meisten Bottom-up-Ansätzen. Im Gegensatz zum Top-down-Ansatz geht der Bottom-up-Ansatz von aktiven Bürgern aus, die durch ihre Partizipation und die Bildung von Netzwerken Kooperationen schaffen. Diese Kooperationen bilden beim Bottom-up-Ansatz das Fundament für einen sozialen Umgang, der geprägt ist von zivilgesellschaftlichem Engagement, demokratischen Normen und Werten sowie generalisiertem Vertrauen – also einem grundsätzliches Vertrauen, auch in unbekannte Personen (Putnam 1993). Diese Eigenschaften können unter dem Begriff des sozialen Kapitals einer Gesellschaft zusammengefasst werden. Nach dem Bottom-up-Ansatz entwickelt sich das soziale Kapital innerhalb individueller sozialer Beziehungsstrukturen, das auf höhere Gesellschaftsebenen (wie bspw. aus der Makro-Perspektive: Gemeinden oder Nationen, aus der Meso-Perspektive: Organisationen) aggregiert werden kann (Burt 1992: 58).8 Sowohl beim Top-down- als auch beim Bottom-up-Ansatz ist soziales Kapital für eine Gesellschaft von Interesse. Beide Ansätze beinhalten die These, dass wenn eine Gesellschaft ein hohes Maß an sozialem Kapital aufweist, ihr Zusammenhalt gefestigt ist. Dieser Umstand kann in Zeiten zunehmender Globalisierung von enormer Wichtigkeit sein (Rothstein 2013; Putnam 2000). Toleranz, wechselseitiges Verständnis oder Kommunikationsbereitschaft sind nur einige Aspekte, die sich aus sozialen kooperativen Beziehungen ergeben und das Funktionieren einer Gesellschaft ermöglichen. Die Streitfrage, die in beiden Ansätzen diskutiert wird, ist: Gibt es die eine vorherrschende Entstehungsrichtung, aus der sich soziales Kapital generiert? Führen eher politische Institutionen zu einer guten Regierungsführung (good governance), demokratischer Effektivität und letztlich zu gegenseitigem Vertrauen in die (fremden) Mitbürger? Oder sind die Zivilgesellschaft und die Beziehungen von Individuen auf der Mikroebene bedeutsamer für die Entstehung sozialen Kapitals? Diese Diskussionen zum Top-down- und Bottom-up-Ansatz (vgl. u. a. Breuskin 2012; Tavits 2006; Newton 2001) stehen an dieser Stelle beispielhaft dafür, dass es keine Einigkeit in theoretischen Auffassungen bezüglich des sozialen Kapitals gibt. Sowohl bei dem Top-down-Ansatz als auch bei dem Bottom-up-Ansatz sind verschiedene Herangehensweisen auf der empirischen Untersuchungsebene möglich (Mikro-, Meso-, Makroebene). Aus der Top-down-Perspektive hat Newton (2006) bspw. Länder aus der Makroperspektive miteinander verglichen, um Regelmäßigkeiten abzuleiten. Kumlin & Rothstein (2005) haben auf der Individualebene mit dem schwedischen Survey SOM den positiven Einfluss von wohlfahrtstaatlichen Institutionen auf soziales Vertrauen getestet – in Gegenüberstellung zu 8

Burt (1992: 58) spricht von der Aggregation sozialen Kapitals von Individuen zu sozialem Kapital von Organisationen.

2.3 Genese sozialen Kapitals: Top-down vs. Bottom-up!?

13

sozialen Programmen mit Bedarfsprüfung, die häufig als bürokratisch beschrieben werden. Basierend auf dem Top-down-Ansatz betonen Kumlin & Rothstein die politische Aufgabe zur Beeinflussung des Sozialkapitalbestandes durch den Ausbau von wohlfahrtstaatlichen Institutionen. Forschungen, die sich auf den Bottom-up-Ansatz stützen, konnten ebenfalls die Steigerung des sozialen Vertrauens – jedoch nun durch soziale Beziehungen – abbilden: Brehm & Rahm (1997) demonstrieren u. a. mit aggregierten Kontextdaten des General Social Surveys (GSS), dass zivilgesellschaftliche Partizipation und generalisiertes Vertrauen sich reziprok bedingen. Ihre Untersuchung legt den Fokus auf die Ursachen und Konsequenzen sozialen Kapitals und zeigt, dass das soziale Engagement eher Vertrauen aufbaut als dass soziales Vertrauen zu sozialem Engagement führt. Aus einer Makroperspektive richtet Putnam (1993) den Blick auf die regionale Ebene Italiens und verweist auf Unterschiede des Sozialkapitalbestandes innerhalb des Landes – genauer zwischen Nord- und Süditalien. Freitag & Traunmüller (2008) untersuchen die Sozialkapitalwelten in Deutschland, indem sie einzelne Komponenten des sozialen Kapitals – nach Putnam – auf der Raumordnungsebene vergleichen. Bjørnskov (2006) untersucht die Determinanten des sozialen Vertrauens in einem länderübergreifenden Vergleich, indem er auch die Richtung der Kausalität berücksichtigt. Er kommt zu einem geteilten Ergebnis: Während Demokratie, Bildung und Rechtsstaatlichkeit selbst keine Einflussfaktoren für das generalisiertes Vertrauen sind, sind Faktoren wie soziale Ungleichheit, Religion und der Bestand einer Monarchie bestimmend (Bjørnskov 2006: 10 ff.). Der Autor merkt jedoch an, dass soziale Ungleichheit als stärkste Determinante in seiner Untersuchung durch redistributive Politik beeinflusst werden kann (Bjørnskov 2006: 17). Es lassen sich durch die verschiedenen Herangehensweisen wichtige Erkenntnisse zum Sozialkapitalbestand oder zu Zusammenhängen mit anderen Faktoren aufzeigen, die sowohl durch die eine als auch durch die andere Entstehungsrichtung oder in Kombination beider Bedeutung erlangen. Die vorliegende Arbeit untersucht die regionalen Sozialkapitalbestände in Deutschland. Das soziale Kapital wird über einen regionalen Vergleich mit drei Erhebungszeiträumen betrachtet. Der Bottom-up-Ansatz scheint hierfür der geeignete zu sein, da einerseits die politische Lage hierzulande auf der Bundesebene einheitlich ist (auch wenn es kleinere Unterschiede hinsichtlich der Bundesländer gibt) und staatliche Regularien keine weiteren Informationen innerhalb der Analyse brächten. Länderspezifische Normen, die über die Zeit hinweg relativ konstant sind, führen zu einem Sozialkapitalbestand aus zivilgesellschaftlicher Sicht, welches kein Resultat politischer Institutionen oder Regierungsleistung (government performance) sein kann (vgl. Jackman & Miller 1998: 51 ff.).9 Denn soziales Kapital als Gegenstand der Zivilkultur bleibt aufgrund der kulturellen Gegebenheiten unberührt von kurzzeitigen oder mittelfristigen Effekten.

9

Knack (2002: 773 ff.) untermauert diese Sichtweise, indem er speziell die allgemeine Norm der Reziprozität als Motor eines erfolgreichen Regierungshandelns zugrunde legt, da diese nicht nur interpersonales Vertrauen schürt, sondern auch zu eine Art bürgerschaftlicher Verpflichtung führen kann, wodurch nach Knack die generalisierte Reziprozitätsnorm eher zivilgesellschaftliches Handeln zu einer staatliche Effektivität begünstigt.

14

2 Sozialkapitaltheorien

Die Theoriengeschichte des sozialen Kapitals sowie auch die bis heue vielfältigen Definitionen des Sozialkapital-Begriffes demonstrieren dessen breite Verwendung innerhalb der Wissenschaft. Für eine empirische Untersuchung ist es jedoch erforderlich, ein bestimmtes Verständnis des zu untersuchenden Gegenstandes in die Operationalisierung einfließen zu lassen. In den empirischen (quantitativen) Studien wird sich zumeist auf den Ansatz von Putnam bezogen. „Paradoxically, although these empirical studies investigate variations in social capital, they do all start from Putnam’s notion of stable social capital“ (Breuskin 2012: 5). Putnam hat durch seine Konzeption eine Operationalisierung des sozialen Kapitals ermöglicht, womit auch der exponentielle Anstieg zur Sozialkapitalforschung zusammenhängt. Da sich Putnam (1993) direkt auf die Theorie von Coleman (1995) bezieht, wird der Theorieansatz von Coleman vorangestellt, um die Grundlagen und die Entwicklung der Sozialkapitaltheorie nach Putnam besser zu verstehen. Putnams Konzept bildet schließlich die Grundlage dieser Studie.

3

Sozialkapitaltheorie nach James Coleman

Coleman widmet sich dem sozialen Kapital in seinem Werk „Social capital in the creation of human capital“ (1988) und führt einige Ansätze in den „Foundations of Social Theory“ (1990) weiter aus. Dabei lehnt er sein Konzept des Sozialkapital-Begriffs an den Ansatz von Loury (1977) an, der seinerseits das soziale Kapital aus einer bildungsökonomischen Perspektive betrachtet. Darin fungieren Familien sowie soziale Organisationen als Ressourcen, welche die Chancen eines erfolgreichen schulischen Werdegangs beeinflussen. Colemans Definition des sozialen Kapitals ist Teil seiner Handlungstheorie und richtet sich eher auf einen generischen Ansatz der interpersonalen Beziehung: „[…] soziales Kapital [wohnt] den Beziehungsstrukturen zwischen zwei und mehr Personen inne“ (Coleman 1995: 392). Nach Loury wie auch Coleman sind (familiäre) Unterstützungen und Hilfeleistungen der Kern des Sozialkapitalkonzepts.

Abbildung 1: Verbindung zwischen Sozial- und Humankapital (Coleman 1995: 395)

Colemans (1988) wohl bekannteste Untersuchung richtet sich auf den Zusammenhang zwischen sozialem Kapital in den Netzwerken familiärer Beziehungen und schulischen Leistungen (u. a. festgestellt durch die Schulabbruchquote). Dabei grenzt er das soziale Kapital von Humankapital ab,10 da letzteres, ähnlich wie Sachkapital, privat, teilbar und veräußerlich ist. Abbildung 1 zeigt den Unterschied zwischen Sozialkapital und Humankapital: Humankapital (hier in Form von Punkten dargestellt) ist Bestandteil einer Person (A, B oder C). Soziales Kapital (hier als Striche abgebildet) ist Bestandteil einer zwischenmenschlichen Beziehung. Interagieren zwei Personen miteinander, bspw. Eltern und Kinder, können sie ihr jeweiliges Humankapital einbringen. Kinder profitieren vom Humankapital (wie auch vom Sach- oder Finanzkapital) der Eltern und haben dadurch ggf. einen Vorteil gegenüber anderen (Kindern). Das soziale Kapital wird so zu einer „sozialstrukturellen Ressource“ (Coleman 1995: 392), in dem es in der Eltern-Kind-Beziehung zur Ausbildung des Humankapitals des Kindes beiträgt. Durch die soziale Beziehung zu den Eltern kann das Kind auf das elterliche Humankapital als Ressource zurückgreifen, was seine sozialen und kognitiven Fähigkeiten fördert. Auf diesen Umstand hat bereits Loury (1977) hingewiesen.

10

Coleman stellt soziales Kapital als ein paralleles Konzept neben finanziellem Kapital, physischem Kapital und Humankapital dar, das in soziale Beziehungen eingebettet ist, worin es sich von den anderen Kapitalkonzepten maßgeblich unterscheidet. Finanzielles oder physisches Kapital sowie auch Humankapital sind eigennützige Kapitalarten, die einer Person gehören können – im Gegensatz zu sozialem Kapital.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_3

16

3 Sozialkapitaltheorie nach James Coleman

„In Lourys Terminologie ist mit sozialem Kapital die Menge der Ressourcen gemeint, die in Familienbeziehungen und in sozialer Organisation der Gemeinschaft enthalten sind, und die die kognitive oder soziale Entwicklung eines Kindes oder Jugendlichen fördern. Diese Ressourcen sind von Person zu Person unterschiedlich und können für Kinder und Heranwachsende im Hinblick auf die Entwicklung ihres Humankapitals von großem Vorteil sein“ (Coleman 1995: 389). Im Allgemeinen erhalten Nutznießer einer sozialen Beziehung durch das soziale Kapital einen Vorteil, bspw. erleichtert es ihre Handlungen oder die Zielerreichung. Das soziale Kapital basiert auf Netzwerken und ist in eine Sozialstruktur integriert. Vertrauen spielt in sozialen Beziehungen zur Generierung sozialen Kapitals eine doppelte Rolle: es wird einerseits benötigt, um bspw. gewisse Sozialkapitalformen, wie Verpflichtungen und Erwartungen, einzugehen, andererseits wird es erzeugt und stärkt die soziale Beziehung (sowie das damit einhergehende soziale Kapital). Nach Coleman kann das soziale Kapital verschiedene Formen annehmen als:      

Verpflichtung und Erwartung, Informationskanal (und damit einhergehendes Informationspotenzial), Norm und (wirksame) Sanktion, Herrschaftsbeziehung, zielgerichtete Organisation, übereignungsfähige soziale Organisation.

Auf die Merkmale sozialen Kapitals sowie seine Formen wird im Folgenden näher eingegangen.

3.1

Merkmale und Formen sozialen Kapitals

Coleman integriert sein Konzept des sozialen Kapitals in das ökonomische Prinzip des rationalen Handelns. Er geht von einer rationalen Nutzenmaximierung der Akteure11 aus, welche Ressourcen zur Verwirklichung ihrer Interessen einsetzen. Soziales Kapital, das Bestandteil der zwischenmenschlichen Beziehungsstruktur ist, wird ebenfalls als Ressource zur Nutzenmaximierung eingesetzt. Soziales Kapital äußert sich dann in Unterstützungs- oder Hilfeleistungen zwischen mindestens zwei Individuen. „Soziales Kapital […] ist kein Einzelgebilde, sondern ist aus einer Vielzahl verschiedener Gebilde zusammengesetzt, die zwei Merkmale gemeinsam haben. Sie alle bestehen nämlich aus irgendeinem Aspekt einer Sozialstruktur, und sie begünstigen bestimmte Handlungen von Individuen, die sich innerhalb der Struktur befinden. […] Anders als andere Kapitalformen wohnt soziales Kapital den Beziehungsstrukturen zwischen zwei und mehr Personen inne“ (Coleman 1995: 392).

11

Colemans Sozialkapitalkonzept ist in eine akteurs-zentrierte Handlungstheorie eingebettet. Die Begriffe Akteure und Personen werden daher, solange Colemans Ansatz beschrieben wird, synonym verwendet.

3.1 Merkmale und Formen sozialen Kapitals

17

Soziales Kapital nach Coleman entsteht also innerhalb einer Sozialstruktur und durch soziale Beziehungen. Es ist demnach ein Merkmal der Sozialstruktur und kommt denjenigen zugute, die Teil dieser Sozialstruktur sind. Soziales Kapital kann niemals Privatbesitz sein. Denn auch wenn es als Ressource einen Gebrauchswert hat, lässt es sich nicht tauschen (Coleman 1995: 409). Vertrauen, vor allem das Vertrauen zwischen zwei oder mehreren Personen, ist ein wichtiges Element in der sozialen Beziehung und beeinflusst, inwiefern soziales Kapital aufrechterhalten wird oder auch zerfällt (Coleman 1995: 397). In vertrauenswürdigen Beziehungen werden gegenseitige Verpflichtungen geschaffen, die das soziale Kapital durch reziproke Hilfeleistungen stärken.

Vertrauenswürdige Beziehungen Für Coleman (1988; 1995) steht beim sozialen Kapital der positive Nutzen im Vordergrund, bspw. können mithilfe von sozialem Kapital Ziele erreicht werden, die sonst unerreichbar wären. Soziales Kapital wird dann als Ressource der Netzwerke zur Verfügung gestellt. Die Ressource kann das Humankapital einer anderen Person sein (bspw. deren Wissen), soziale oder finanzielle Unterstützung oder eine andere Hilfeleistung. Die helfende Person, die sich und ihre Fähigkeiten als Ressource einsetzt, erfährt erst einmal keinen eigenen Nutzen. Sie vertraut darauf, dass ihre Hilfe auf längere Sicht belohnt wird. Das Vertrauensverhältnis wird gestärkt (vgl. Coleman 1988: 101 ff.). Interpersonelles Vertrauen sowie die Sozialstruktur, zu der Normen und Werte gehören, spielen eine zentrale Rolle in Colemans Sozialkapitalkonzept. Durch die Norm der Reziprozität kann der Einzelne erwarten, dass er für seine Hilfeleistungen eine Gegenleistung erfährt. Die helfende Person erhält einen „credit slip“ (Coleman 1988: 102), eine Art imaginären Schuldschein: der Nutznießer verpflichtet sich aufgrund der Reziprozitätsnorm, der anderen Person ebenso zukünftig einen Gefallen zu tun. Sollte diese Verpflichtung nicht eingehalten werden, wird die Erwartung des Helfenden enttäuscht – er wird der anderen Person nicht erneut helfen, an ihrer Verlässlichkeit zweifeln und wenigstens einen Teil seines Vertrauens in diese Person verlieren. Damit verliert auch das Sozialkapital zwischen ihnen an Wert, da die beiden Personen nicht mehr auf den anderen zurückgreifen werden bzw. können. Wird der Nutznießer den Erwartungen des Hilfegebers gerecht und revanchiert sich für den Gefallen, wird das Verhalten belohnt – und der Helfende wird in Zukunft erneut seine Fähigkeiten als Ressource anbieten. Es stellt sich die Frage, warum eine Person eine Hilfeleistung anbietet, wenn unklar ist, ob sie eine Gegenleistung erhält oder ihr Vertrauen ausgenutzt wird. Aus rationaler Sicht lohnt sich die Hilfeleistung, solange keine (oder nur geringe) Kosten entstehen und die spätere Begleichung einen höheren Wert hat. „[…] Auf diese Weise kann das Schaffen von Verpflichtungen, indem man anderen Personen einen Gefallen erweist, einer Art Versicherungspolice gleichkommen, deren Prämie in einer schwachen Währung bezahlt werden und der Gewinn in einer starken Währung ausbezahlt wird“ (Coleman 1995: 402).

18

3 Sozialkapitaltheorie nach James Coleman

Durch die Unterstützungs- oder Hilfeleistung erhält eine weitere bisher beiläufige Form des sozialen Kapitals eine bedeutende Funktion: Mitteilungen über Informationskanäle. Durch soziales Kapital werden Informationen zur Verfügung gestellt, die man sonst nur mit Mühe oder gar nicht erworben hätte. Diese Informationen werden durch soziale Beziehungen weitergegeben und sind ein Anreiz für kooperative Handlungen.12 Durch die Informationsweitergabe können Handlungen erleichtert werden, da die Zeit zum Erwerb der Informationen wegfällt. Die Informationskanäle sind daher nicht nur in der Eltern-Kind-Beziehung für die Eltern nützlich, sondern generell in allen sozialen Beziehungen. Die Art der Information kann das Vertrauensverhältnis beeinflussen. Ist eine Information sehr wertvoll, verstärkt sie die Verpflichtung zur Gegenleistung (vgl. Coleman 1988: 104).13

Geschlossenheit der Netzwerke Nachdem die Vertrauensthematik zwischen je zwei Personen erläutert wurde, werden nun größere Personen-Gruppen (Netzwerke) sowie soziale Organisationen genauer beleuchtet. Damit rücken auch Kontrollrechte und Machtkonstellationen in den Blickpunkt. Außerdem lassen sich in diesem Zusammenhang weitere Formen des sozialen Kapitals, neben den Verpflichtungen oder der Informationsweitergabe, verdeutlichen. Die soziale Beziehung zweier Personen kann im Zusammenhang mit weiteren interpersonalen Beziehungen stehen, die Coleman (1995: 407 f.) „geschlossene Systeme“, „nicht geschlossene Systeme“ sowie „fast geschlossene Systeme“ nennt. Abbildung 2 zeigt die unterschiedlichen Systeme hinsichtlich ihrer Geschlossenheit. Diagramm 1. zeigt die oben bereits eingeführte allgemeine Drei-Personen-Struktur, die nur generelle Beziehungen zwischen den Akteuren A, B und C angibt. Die Punkte symbolisieren das Humankapital, die Pfeile das soziale Kapital.

Abbildung 2: Art der geschlossenen Systeme (Coleman 1995: 395, 407 ff.)

12

13

Granovetter (1985) hat den Punkt der Informationsweitergabe zum Kern seines Sozialkapitalansatzes – „strength of weak ties“ – gemacht, indem er auf die Wichtigkeit von schwachen Beziehungen verweist. Lin (2001) zeigt, dass die schwachen Beziehungen nicht nur in der Theorie, sondern auch empirisch von Bedeutung sind. Diekmann (1993) hat die kooperativen Beziehungen anhand verschiedener Beispiele unterstrichen. Diekmann teilt zudem den Grundgedanken Colemans Sozialkapitalkonzept, kritisiert jedoch auch, dass eine erratische Theorie vorliege, die nicht operationalisierbar sei, sodass eine empirische Prüfung ausbleibe (Diekmann 1993:23).

3.1 Merkmale und Formen sozialen Kapitals

19

Die Diagramme 2.–4. verdeutlichen über die Pfeilrichtungen die jeweilige Abhängigkeit einer Person von einer anderen. Diagramm 2. nennt Coleman ein vollständig geschlossenes System mit drei Akteuren, da die Akteure untereinander jeweils etwas von Interesse für die anderen anzubieten haben. Die Abhängigkeiten, die nach Coleman auch mit einem Machtgefüge14 gleichgesetzt werden können, sind in diesem Fall zwischen allen drei Akteuren ausgeglichen. Coleman beschreibt ausgeglichene Macht eines Akteurs in einem solchen System als einen direkten Maßstab für das soziale Kapital innerhalb des Systems. Diagramm 3. zeigt ein nicht geschlossenes System, in dem die Machtverhältnisse sowie das Sozialkapital der einzelnen Akteure nicht ausbalanciert sind. Akteur A hat durch seine wechselseitige Abhängigkeit zum Akteur B sowie Akteur C eine doppelt so hohe Anzahl an Gutschriften – jedoch auch an Belastungen jeweils in Form einer Abhängigkeit – wie Akteur B oder C, was sich in einem Ungleichgewicht von Macht und sozialem Kapital ausdrückt. Die vierte und letzte Darstellung des Diagrammes (4.) ist eine Mischung aus den beiden vorherigen Diagrammen: Akteur B und C haben keine interdependente Beziehung, da C von B abhängig bzw. an etwas interessiert ist, was Akteur B Akteur C anbieten kann, jedoch nicht umgekehrt. Das soziale Kapital ist bei A und B gleichermaßen vorhanden, während Akteur C nur auf einen Teil sozialen Kapitals zurückgreifen kann, in diesem Fall wäre dies Akteur A als Ressource. Fügt man den Beziehungskonstellationen Rollendifferenzierungen, bspw. in Form von ElternKind-Beziehungen oder, generell gesagt, in Form verschieden gearteter – einflussreicherer und schwächerer – Positionen, hinzu, erhält die Geschlossenheit eine weitere wichtige Rolle hinsichtlich sowohl der Emergenz und Durchsetzung von Normen als auch hinsichtlich der Vertrauensvergabe. Coleman demonstriert dies an den beiden Abbildungen 3 (a) und (b). A sowie B repräsentieren einflussreichere Positionen, wie bspw. Eltern, Lehrer oder Unternehmen, während a oder b die schwächeren Positionen vertreten, wie bspw. Kinder, Schüler oder Kunden.

Abbildung 3: Beziehungssystem mit Rollendifferenzierungen (Coleman 1995: 414)

14

Coleman bezieht sich hier nicht auf das soziologische Weber’sche Verständnis von Macht, wonach es um die Durchsetzung des eigenen Willens geht („Macht bedeutet jede Chance, innerhalb einer sozialen Beziehung den eigenen Willen auch gegen Widerstreben durchzusetzen, gleichviel worauf diese Chance beruht“ (Weber 1980: 28). Vielmehr sind mit dem Machtbegriff die Durchsetzung von Kontrollen und Sanktionen sowie die Chance an Möglichkeiten (Vorteile durch Ressourcen) gemeint.

20

3 Sozialkapitaltheorie nach James Coleman

Coleman demonstriert, wie Geschlossenheit in einem Beziehungssystem mit Rollendifferenzierungen zu unterschiedlich hohem sozialem Kapital bei unterschiedlichen Machtverhältnissen führen kann. Er zieht dazu das Beispiel zweier Familien in einer Nachbarschaft heran, das jedoch auch gegen jede andere soziale Beziehung mit differenzierten Rollentypen ausgetauscht werden kann. In seinem Beispiel können die Eltern in einem geschlossenen System (a) ihre elterliche Kontrolle besser durchsetzen, wenn ihre Kinder sich normabweichend verhalten, da sie durch den rotierenden Informationsaustausch untereinander mehr soziales Kapital in Form von Kontrolle und Sanktionsgewalt besitzen als Eltern, die diese gegenseitigen Verständigungen untereinander bzw. diese Geschlossenheit nicht haben (b). Normen innerhalb eines geschlossenen Netzwerks sind daher am effektivsten, da sie kollektiv sanktioniert werden können (Coleman 1988: 105 ff.). Die schwächeren Positionen haben in nicht geschlossenen Systemen (b) mehr Möglichkeiten, ihr soziales Kapital untereinander – etwa durch Informationsweitergabe oder Unterstützungen – einzusetzen, da die reziproke Verbindung zwischen den mächtigeren Positionen fehlt. Die schwächeren Rolleninhaber, bspw. die Kinder, können z. B. Fehlverhalten vertuschen, wodurch sie wiederum mehr soziales Kapital und folglich informale Macht akkumulieren. Coleman (1995: 415) schließt daraus: „Wenn ein Typ von Akteur in einer Beziehung die schwächere Position einnimmt […], werden die Akteure dieses Typs wahrscheinlich soziale Netzwerke aufbauen, die Geschlossenheit aufweisen, um ihre Position im Verhältnis zu dem mächtigeren Typ von Akteur zu stärken.“ Diese Durchsetzung von Normen und Sanktionen wie im obigen Beispiel oder auch die Weitergabe von brauchbaren Informationen für die Empfänger sind nach Coleman soziales Kapital. Neben den bereits erwähnten Erwartungen und Verpflichtungen können auch die beiden Formen der zielgerichteten sozialen Organisation sowie der übereignungsfähigen sozialen Organisation soziales Kapital darstellen. Soziale Netzwerke, die sich hinsichtlich eines gemeinsamen Ziels bilden, werden als „übereignungsfähige soziale Organisationen“ bezeichnet, sofern sie über die eigentliche Absicht hinaus bestehen und hinsichtlich anderer Zwecke fortgeführt werden. „Zielgerichtete Organisationen“ sind, wie der Name schon sagt, hinsichtlich eines bestimmten Zweckes gebildet um Ziele umzusetzen, wie bspw. Gewinnerzielung (bei gewerblichen Organisationen) oder die Durchsetzung von Interessen. Beiden Formen ist gemein, dass sie beiläufig eine Art Nebenprodukt im Sinne eines öffentlichen Gutes entstehen lassen, das als kollektives soziales Kapital bezeichnet werden kann.

Doppelcharakter: individuelle Ressource und öffentliches Gut Die oben aufgeführten Beispiele zu den credit slips zeigen, dass soziales Kapital als Ressource zur Zielerreichung und Handlungserleichterung eingesetzt werden kann. Bei Betrachtung von Organisationen zeigen sich weitere zentrale Eigenschaften sozialen Kapitals. Einige soziale Organisationen arbeiten vorwiegend regional in Städten oder Kreisen, andere sind deutschlandweit tätig. Sie engagieren sich in gesellschaftlichen Problemfeldern, wie bspw.

3.1 Merkmale und Formen sozialen Kapitals

21

die Organisation „Deutsches Rotes Kreuz“ (DRK). Ursprünglich als zielgerichtete (soziale) Organisation zur Versorgung von kriegsverletzten Soldaten gegründet, widmet sich das Rote Kreuz heute vielen verschiedenen Aufgaben: Hilfe in Katastrophengebieten, Pflege von Kranken oder Übernahme von Wohlfahrts- und Sozialarbeit (DRK 2018), um nur einige der Hauptthemen aufzuzählen. Nach Coleman ist das Rote Kreuz damit ein klassisches Beispiel einer übereignungsfähigen sozialen Organisation, die sich über ihren eigentlichen Gründungszweck hinaus weiterentwickelt hat und fortbesteht. Aber auch kleinere regionale Organisationen können für andere Zwecke als ursprünglich gedacht übereignungsfähig werden und somit eine Form von sozialem Kapital darstellen, das nicht nur den Mitgliedern zur Verfügung steht. Freiwilligenorganisationen stellen also einerseits Sozialkapital für ihre Mitglieder zur Verfügung und gleichzeitig auch für bestimmte Nicht-Mitglieder, wie z. B. das Deutsche Rote Kreuz. Coleman (1995: 406) beschreibt in diesem Sinne soziales Kapital als Nebenprodukt von Aktivitäten. Soziales Kapital hat folglich einen Doppelcharakter als Ressource für die beteiligten Akteure und als öffentliches Gut.15 Demnach ist soziales Kapital nach Coleman ferner gemeinnützig und unveräußerlich. Es kann jedoch passieren, dass diejenigen, die sich etwa für soziale Normen und entsprechende Sanktionen stark machen, wie das Rote Kreuz, keinen primären Gewinn aus der Umsetzung der Normen erzielen. Es profitieren vielmehr jene, die ebenfalls der Sozialstruktur angehören (Coleman 1995: 410). Coleman (1995: 350) beschreibt dies auch als „das Problem öffentlicher Güter zweiter Ordnung für Normen“. Organisationen haben gegenüber einem einzelnen Akteur jedoch den Vorteil, dass sie die Kosten auf alle umlegen können; die Kosten überschatten damit nicht den Nutzen – in Form von altruistischen Hilfen oder generell „Gewinnen“. „Da aber viele Gewinne aus Handlungen, aus denen sich soziales Kapital entwickelt, von anderen Personen als der handelnden erfahren werden, liegt es nicht im Interesse dieser Person, es entstehen zu lassen. Die Folge daraus ist, dass die meisten Formen von sozialem Kapital als ein Nebenprodukt anderer Tätigkeiten erzeugt oder zerstört werden. Ein Großteil an sozialem Kapital entsteht oder vergeht, ohne dass irgendjemand bewusst dazu beiträgt“ (Coleman 1995: 412). Ein Beispiel für diese Entstehung von Sozialkapital, „ohne dass jemand bewusst dazu beiträgt“, sind nach Coleman (1995: 406) zielgerichtete Organisationen, z. B. gewerbliche Organisation. Auch sie können soziales Kapital schaffen, allerdings als Nebenprodukt ihrer eigentlichen wirtschaftlichen Tätigkeit. Soziales Kapital im Sinne des öffentlichen Gutes entsteht demnach nicht immer durch zielgerichtetes Handeln. Es kann spontan entstehen und beiläufig zerbrechen. Indem es nicht nur die Handlungsmöglichkeiten erweitert, sondern auch die Lebensqualität beeinflussen kann, stellt es eine besondere Ressource dar (Coleman 1995: 412). Die Zerstörung oder Entstehung des sozialen Kapitals hängt davon ab, inwiefern in die gegenseitige Abhängigkeit von Individuen eingegriffen und diese reduziert wird. Übernehmen Organisationen oder Staaten Aufgaben, 15

Eine wirksame Norm kann das öffentliche-Gut-Problem überwinden, indem sie Handlungen einschränkt oder erleichtert.

22

3 Sozialkapitaltheorie nach James Coleman

fühlt sich der Einzelne dieser Aufgaben entbunden. Der Wohlfahrtstaat ist ein Beispiel für dieses Eingreifen in die sozialen Beziehungen, wodurch die Verantwortung sowie Verbindlichkeit innerhalb sozialer Beziehungen nachlassen können (Coleman 1995: 411; siehe auch Putnam 2000; Fukuyama 2000; Offe 1984). Die „Geschlossenheit sozialer Netzwerke“ (Coleman 1995: 413), die „Stabilität der Sozialstruktur“ (Coleman 1995: 415) sowie eine Ideologie können hingegen nach Coleman soziales Kapital schaffen und aufrechterhalten. Durch die Geschlossenheit können Normen emergieren – durch Informationsweitergabe o. Ä. bei den Eltern können sich Normen herausbilden und Sanktionen wirken, die ohne das Zusammenspiel der Geschlossenheit nicht oder nur mühsam entstanden wären. Dies wiederum kann die Vertrauensvergabe unterstützen. Des Weiteren bauen stabile Strukturen, wie sie in Organisationen gegeben sind, auf lange Sicht soziales Kapital auf. Durch permanente Strukturelemente wie Positionen haftet das soziale Kapital nicht an den Individuen selbst, weshalb es auch nicht verlorengeht, wenn sie die Organisation verlassen. Tritt bspw. eine Person aus dem Deutschen Roten Kreuz aus, geht zwar der Einsatz bzw. die Leistung der Person für die Organisation verloren. Die Position an sich bleibt jedoch erhalten und kann durch eine andere Person ersetzt werden, wodurch der Hilfsdient – und folglich das soziale Kapital als Kollektivgut – bewahrt wird. Auch die Verbundenheit im weiteren Sinne, die auch durch Ideologie erzeugt wird, kann zum Erhalt des sozialen Kapitals beitragen.

Perspektivenwechsel Zentrale Aspekte in Colemans Sozialkapitalkonzept sind, neben dem Vertrauen auch Normen und Werte. Sie sollen, in Anlehnung an Colemans Makro-Mikro-Makro-Modell, hinsichtlich ihrer Einbettung in die Sozialstruktur an dieser Stelle näher betrachtet werden. Auf der Makroebene des Modells werden soziale Systeme von Kollektiven abgebildet, also z. B. Familien, Städte, Länder, Schulen. Auch soziale Normen werden der Makroebene zugeordnet. Auf der Mikroebene wiederum handeln und entscheiden einzelne Akteure (Coleman 1986: 346 f.). Nach Colemans sozialkapitaltheoretischer Perspektive erleichtern bestimmte soziale Normen als Kollektivmerkmal das Handeln, z. B. Ehrlichkeitsnormen (vgl. Lost-Letter-Experiment u a. Milgram et al. 1965). Diese Kollektivmerkmale wirken auf die Akteure der Mikroebene ein und spornen sie bspw. zum ehrlichen Handeln an. Wie genau sich dieses ehrliche Handeln dann äußert, entscheidet allerdings der einzelne Akteur für sich. Nach Coleman (1995) sind Normen Teil der Sozialstruktur und sie beeinflussen die Entscheidungen und Handlungen der Akteure. Wenn Akteure um die geltenden sozialen Normen wissen, können sie ihr Handeln daran ausrichten. Die Kontexthypothese (Esser 1999) (oder auch Brückenhypothese (Raub et al. 2011; Lindenberg 1981) beschreibt, wie sich soziale Bedingungen auf die Akteure auswirken. Auf der Mikroebene befindet sich also einerseits der Akteur mit seinen verschiedenen Handlungsmöglichkeiten. Außerdem zeigt die Mikroebene den „micro outcome“ (Coleman 1995), also das Ergebnis der vollzogenen Handlung. Die Individualhypothese bezieht sich auf den Prozess der Entscheidung und erklärt, wie es zum micro outcome kommt. Hier können individuelle

3.1 Merkmale und Formen sozialen Kapitals

23

Verhaltenstheorien, wie die Rational-Choice-Theorie, angewendet werden. Die Zusammenfassung mehrerer micro outcomes führt auf der Aggregatebene zu einem beobachtbaren sozialen Phänomen, das im Rahmen des Makro-Mikro-Makro-Modells den Endpunkt der Erklärung darstellt. Erst durch das Zusammenfassen der micro outcomes mithilfe einer Aggregationsregel können mit diesem Erklärungsablauf Aussagen auf der Makroebene getroffen werden. Das soziale Phänomen wird auch als Aggregatmerkmal bezeichnet (s. Abbildung 4).

Abbildung 4: Makro-Mikro-Makro Modell (Raub et al. 2011: 3)

Abbildung 4 zeigt den Prozessablauf der Erklärung mithilfe des Makro-Mikro-Makro-Modells. Als Beispiel sei die Beschreibung der „Ausbreitung sozialer Unordnung“ („The Spread of Disorder“ von Keizer et al. (2008) basierend auf der Broken-Window-Theory (nach Wilson & Kelling 1982) genannt, die verdeutlicht, wie sich die Diebstahlquoten über den Rückgriff auf individuelle Handlungen erklären lassen. Ausgangspunkt der Erklärung ist oftmals die starke Müllansammlung in bestimmten Stadtvierteln (Kontextbedingung/Kollektivmerkmal). Passanten, die die Stadtviertel durchqueren, nehmen diese Vermüllung wahr, entdecken aber keine anderen Personen, die Müll aufsammeln. Auf Akteure in diesem Stadtviertel wirken also bestimmte Makro-Einflüsse, die sich mithilfe einer „Littering-Norm“ (Keizer et al. 2008) beschreiben lassen. Die Verschmutzung signalisiert, dass eigentlich non-konforme Verhaltensweisen in diesem Kontext akzeptabel sind (Brückenhypothese). Damit rücken non-konforme Handlungen stärker in das Blickfeld der Akteure. Durch das Fehlen der sozialen Kontrolle werden auf der individuellen Handlungsebene Sanktionen für deviante Handlungen unwahrscheinlicher (Hirschi 1969). In der Folge werden deviante Handlungsoptionen häufiger gewählt, sodass sich im Aggregat gestiegene Diebstahlquoten zeigen (oder ähnliche Phänomene wie Zunahme von Einbrüchen usw.). Indirekt haben die Kollektivmerkmale (macro conditions) somit auch Auswirkungen auf die Aggregatmerkmale (macro outcome). Eine solche Entwicklung kann weitere Konsequenzen haben. Die Broken-Window-Theorie impliziert in diesem Zusammenhang, dass die Bewohner des Stadtviertels, die ein sozial konformes Verhalten zeigen, wegziehen, wodurch die soziale Kontrolle weiter sinkt. Das Stadtviertel wird sozial unstabil, die Kriminalitätsrate und die Kriminalitätsfurcht steigen (vgl. Wilson & Kelling 1982).

24

3 Sozialkapitaltheorie nach James Coleman

In Bevölkerungsumfragen wird das Makro-Mikro-Makro-Modell häufig als eine theoretische Basis verwendet. Auf der Mikroebene werden die Einstellungen von Individuen erfasst, die sich unter bestimmten Kontextbedingungen gebildet haben. Diese Individualdaten werden so aggregiert, dass sie als regionale oder nationale Einstellungen bzw. Merkmale darstellbar werden. Aggregierte Vertrauensdaten können dann auf Länder- oder Regionalebene mit anderen Aggregatdaten in Verbindung gebracht werden. Graeff & Svendsen (2013) zeigen bspw., dass je höher das Vertrauen auf der Länderebene ist, desto niedriger das Korruptionsniveau ist und umgekehrt. Knack & Keefer (1997) demonstrieren mit aggregierten Daten den positiven Effekt des sozialen Kapitals auf die wirtschaftliche Aktivität, indem sie das Vertrauen und bürgerschaftliche Engagement (civic cooperation) messen.

Allgemein/Übergang Coleman hebt in seinem Sozialkapitalkonzept zentrale Elemente hervor, die auch andere Autoren nennen. Vorrangig sind Netzwerke und die damit verbundenen sozialen Beziehungen zu nennen, die den Dreh- und Angelpunkt seines Konzepts bilden (Coleman 1988: 98). Es können nach Coleman insbesondere drei Ausprägungen des sozialen Kapitals herausgestellt werden (vgl. Schuller & Field 1998: 229). Erstens manifestiert sich Sozialkapital abhängig vom sozialen Umfeld, also abhängig vom gegenseitigen Vertrauen und vom Austausch von Verpflichtungen (Schuller & Field 1998: 229). Andere Theoretiker, wie Fukuyama oder Putnam, haben diesen Aspekt des Vertrauens ins Umfeld aufgegriffen. Ihre theoretischen Erörterungen des Sozialkapitalkonzepts richten sich aber weniger auf die spezifischen gegenseitigen Verpflichtungen, die bei Coleman eine zentrale Rolle spielen, sondern eher auf das unspezifische (generalisierte) Vertrauen in Fremde. Die zweite Manifestation sozialen Kapitals nach Coleman stellen die Informationskanäle dar (Schuller & Field 1998: 229). In Anlehnung an Granovetter spielt die Weitergabe von Informationen bei Sozialkapitalprozessen eine wichtige Rolle. Coleman unterscheidet zwar nicht zwischen „weak ties/schwachen Beziehungen“ und „strong ties/starken Beziehungen“ (Granovetter 1973), hebt in seinen Ausführungen aber die Bedeutung der Informationskanäle besonders hervor. Auch Burt (1992) arbeitete diesen Aspekt in Verbindung zu den „structural holes“16 heraus.

16

Ein structural hole bezeichnet die Beziehung zwischen zwei nicht redundanten Kontakten. Kontakte sind dann redundant, wenn sie zu gleichen Personen eine Verbindung aufweisen und folglich gleiche Informationen für das Netzwerk liefern. Nicht redundante Kontakte bilden eine Art Verbindungsstück zwischen zwei Netzwerken und sind über ein structural hole verbunden. Diese Kontakte verschaffen ihrem jeweiligen Netzwerk relevante Vorteile, bspw. Informationen aus dem anderen Netzwerk. Als Resultat des „Lochs“ zwischen diesen Kontakten kann man von einer Erweiterung des Netzwerks sprechen, da sich die beiden Netzwerke nicht überlappen („in some degree additive rather than overlapping“ (Burt 1992: 65).

3.1 Merkmale und Formen sozialen Kapitals

25

Die dritte Ausprägung sozialen Kapitals nach Coleman sind Normen und Sanktionen (Schuller & Field 1998: 229). Diese konstituieren soziales Kapital, sofern sie Akteurshandlungen erleichtern bzw. ermöglichen. Normen besitzen nach Coleman die Eigenschaften, dass Abweichungen von ihnen sanktioniert werden können. Da sie aber für eine Vielzahl oder im Idealfall für alle Akteure gelten, schreiben Coleman wie auch Putnam Normen, die als Sozialkapital fungieren, die Eigenschaften eines öffentlichen Gutes zu. Durch normkonforme Handlungen und mit ihnen verbundene sozialen Aktivitäten entsteht soziales Kapital quasi als Nebenprodukt (Coleman 1995: 411 f.; Putnam 1993a: 227). Unter den Normen, die Sozialkapital darstellen können, ist die Reziprozität besonders, vor allem Portes (1998) und Putnam (1993; 2000) heben sie in ihren jeweiligen Sozialkapitalkonzepten hervor. Colemans Sozialkapitalkonzept haben viele Wissenschaftlicher aufgegriffen (Jackman & Miller 1998: 48 f.). Speziell Putnams Sozialkapitalansatz rekurriert auf Colemans Sozialkapitalkonzeption. Auch wenn Coleman (1987) in seinen empirischen Untersuchungen (vgl. School Project)17 Sozialkapitalbestände zwischen Schülern unterschiedlicher Schulformen – private (christliche) vs. öffentliche Schule – bzgl. der Schulabgänger-Quote untersucht, so gibt es bisher keine umfassende Operationalisierung seines Sozialkapitalverständnisses (Diekmann 1993). Coleman spricht zentrale Elemente in seiner Konzeption an – wie Netzwerke, Sozialstruktur, interpersonelles Vertrauen, Normen und Werte –, im Gegensatz zu Putnam macht er allerdings keine Vorschläge für deren Operationalisierung. Allerdings hat Coleman durch die Betrachtung des sozialen Kapitals als öffentliches Gut den Weg dafür geebnet, es auch aus einer makroperspektivischen Ebene zu betrachten. Wenige Jahre nach dem Erscheinen des Coleman’schen Beitrages wurde das Konzept dann auch durch Putnam explizit für die Makroebene ausgearbeitet und erfassbar gemacht.

17

Diese Messinstrumente sind jedoch fragwürdig hinsichtlich ihrer Validität.

4

Sozialkapitaltheorie nach Robert Putnam

Putnams Grundstein zur Sozialkapitalforschung bildet sein Werk „Making Democracy Work“ (1993), in dem er das Sozialkapital in Italien untersucht und auf den Mehrwert sozialer Netzwerke aufmerksam macht. Er gilt heute als einer der führenden Sozialkapitalforscher. Seine Untersuchungen beziehen sich auf die Individualebene (wie bspw. bei Hanifan, Granovetter, Bourdieu oder Coleman) und die Makroebene. Wenn Informationen schneller verbreitet, Normen und Werte gefördert und Dilemmata durch kollektive Handlungen besser überwunden werden, dann nutzt das dem Einzelnen und Gemeinden. Putnam (1993) erläutert diesen Effekt an dem wirtschaftlich erfolgreicheren Norden Italiens, der ein höheres zivilgesellschaftliches Engagement (in Form der government performance) zeigt als die südlichen Regionen. In seinem späteren Buch „Bowling Alone“ (2000) stellt er die These auf, dass das soziale Kapital in den USA abnimmt. Sein Schwerpunkt richtete sich auf den Rückgang des politischen Engagements, das sich u. a. durch die nachlassende Wahlbeteiligung äußerte, durch sinkende Teilnehmerzahlen bei Versammlungen und die nachlassende „Arbeit in Parteien“. Seine Allegorie des „einsamen Bowlers“ wurde zum Sinnbild des sinkenden sozialen Kapitals in den USA. Die Ursache für diese Entwicklungen sieht Putnam in verschiedenen gesellschaftlichen Veränderungen (u. a. Wandel in der Familienstruktur, technische Entwicklungen, Generationenwechsel). In theoretischer Hinsicht stützt er sich auf Tocqueville (1987), der das zivile Engagement von Bürgern (in den damals 16 vereinigten Staaten von Amerika) über Freiwilligenvereinigungen als Fundament einer funktionierenden Gemeinschaft und folglich für die amerikanische Demokratie betrachtete (Putnam 1995a: 65 ff.). Putnams (1995b: 664 f.) Verständnis von Sozialkapital beinhaltet „features of social life – networks, norms, and trust – that enable participants to act together more effectively to pursue shared objectives. […] Social capital, in short, refers to social connections and the attendant norms and trust“. Bei seiner Definition des Sozialkapital-Begriffs folgt er Coleman (Putnam 1995b: 664). Die angesprochenen Merkmale des sozialen Lebens verknüpft er zusätzlich eng mit zivilem Engagement. Hierunter versteht Putnam (1996: 34) neben der politischen Partizipation auch ganz generell die Einbringung ins Gemeindeleben. Als Beispiel für Veranstaltungen, die eine solche Beteiligung ermöglichen, nennt er die sogenannten „Movie Nights“, „Barbecues“ oder auch Festivals, wie das „Spring Sidewalk Festivals“. Hier nehmen die Bürger am Gemeindeleben teil, vernetzen sich – daraus wiederum können sich (Vereins-)Mitgliedschaften jeglicher Art ergeben, seien es Treffen einer Bürgervereinigung oder eines Sportvereins. Mitgliedschaften sind nach Putnam der Ausgangspunkt zur Bildung sozialen Kapitals, da so der Einzelne in außerfamiliäre Netzwerke eingebunden wird. Das wiederum führt zu einem gefestigten (sozialen) Vertrauen in die Mitmenschen, führt zu neu erworbenen oder gefestigten Werten und Normen.18 Einzelne Akteure, die sich regelmäßig austauschen, erzeugen Sozialkapital 18

Normen und Werte werden in erster Linie über die Eltern vermittelt und in den Bildungsinstitutionen, wie Schulen, durch den Umgang mit anderen praktiziert. In Vereinsmitgliedschaften, wie Sportvereinen, werden weitere Normen und Werte erlernt, bspw. die sportliche Fairness, und generell durch den Umgang mit anderen vertieft.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_4

28

4 Sozialkapitaltheorie nach Robert Putnam

und tragen so zur Entstehung von sozialen Netzwerken, Normen der Reziprozität und Vertrauenswürdigkeit bei (Putnam 2000: 19). Ein wichtiger Aspekt des sozialen Kapitals stellt die Bereitschaft dar, anderen zu helfen, indem bspw. Zeit und/oder Geld in ehrenamtliche Tätigkeiten investiert wird. Der Umfang uneigennütziger oder ehrenamtlicher Tätigkeiten in einer Gemeinde kann so als zentrales Maß für Sozialkapital interpretiert werden (Putnam 2000: 116). Hierbei geht es jedoch nicht um irgendeine ehrenamtliche Tätigkeit, Sozialkapital entsteht nur dann, wenn die Personen miteinander interagieren. „Social capital refers to networks of social connection – doing with. Doing good for other people, however laudable, is not part of the definition of social capital“ (Putnam 2000: 117, Hervorh. im Original). Eine reine Geldspende führt dementsprechend nicht zu einer Akkumulation sozialen Kapitals. Putnam (1995: 665) ist darüber hinaus der Meinung, dass der Vorteil des sozialen Kapitals nicht per definitionem festgelegt, sondern empirisch ermittelt werden sollte – anders als Coleman, der soziales Kapital über seine Funktion definiert. Soziales Kapital ist aufgrund des Miteinanders, bei Putnam ebenso wie bei Coleman, klar von anderen Kapitalsorten, wie dem physischen Kapital oder dem Humankapital, abzugrenzen. Sie können jedoch in die Sozialkapitalbeziehung einfließen und das soziale Kapital aufwerten (Putnam 1993: 1). Putnam führt insbesondere zwei Neuerungen in der Sozialkapitalforschung ein. Erstens bemüht er sich um eine Verbindung zwischen theoretischem Konzept und dessen Operationalisierung. Zweitens lenkt er durch die Operationalisierung den Blick von der Individualebene auf die Meso- oder Makroebene. Die bisherige Forschung griff Putnams Konzept häufig auf, ein wichtiger Grund dafür ist sicherlich, dass sich mit ihm gut empirisch arbeiten lässt. Die Anzahl der Publikationen zu diesem Thema stieg exponentiell an (vgl. Abb. A. 1): durch die empirische Messbarkeit kann das soziale Kapital quantitativ erfasst werden sowie auf unterschiedlichen gesellschaftlichen Ebenen verglichen werden, bspw. innerhalb der Bundesländer oder innerhalb von Organisationen. Putnam zeigt in seinen Forschungen, dass Landesteile in Italien unterschiedlich hohe Sozialkapitalausgestattungen haben. Auch kann das soziale Kapital dank seiner Erfassung nun mit anderen Bereichen verglichen werden, wie Zufriedenheit, Gesundheit. Ob und wie sich soziales Kapital verändert, lässt sich außerdem durch die Weiterentwicklung der Technik (bspw. digitale soziale Netzwerke) gut beobachten. Das individuelle soziale Kapital innerhalb einer sozialen Beziehung kann jedoch auch auf eine höhere Ebene aggregiert werden, wodurch es als soziales Kapital einer Gemeinde oder Nation betrachtet werden kann. Dieses soziale Kapital hilft nach Putnam u. a. kollektive Dilemmata zu überwinden, eine Schlussfolgerung, die bei Coleman nicht vorkommt. Nach Coleman kann das soziale Kapital als öffentliches Gut fungieren, es ist jedoch keine Lösung für kollektive Probleme. Sichere Nachbarschaften, saubere Luft wie auch – normalerweise – soziales Kapital haben nach Putnam (1993: 163; 170) eins gemeinsam: sie stellen seiner Ansicht nach ein öffentliches Gut

4 Sozialkapitaltheorie nach Robert Putnam

29

dar.19 Die Besonderheit von öffentlichen Gütern ist, dass sie sich nicht verknappen, wenn andere sie ebenfalls konsumieren. Niemand kann von öffentlichen Gütern ausgeschlossen werden. Ihre Vorteile kommen infolgedessen allen in gleicher Weise zugute. In einer späteren Schrift beschreibt Putnam (2007: 138) ausführlicher die „powerful externalities“ eines NachbarschaftsNetzwerks, jedoch ohne es explizit als öffentliches Gut zu bezeichnen. Sind die Nachbarn wachsam und passen gegenseitig auf die Häuser in der Nachbarschaft auf, dann profitiert jeder der dort lebenden Bürger davon, egal ob sie gerade verreist oder vor Ort sind (Putnam 2007: 138).20 Nachbarschaften stellen jedoch im Sinne Buchanans (1965) ein „Clubgut“ dar, weil sich der positive Effekt des sozialen Kapitals, hier das gegenseitige Achtgeben, nur für die Bewohner in der Nachbarschaft vorteilhaft auswirkt. 21 Für Passanten hat es einen öffentlichen Gutscharakter, da soziale Organisationen, wie effiziente Nachbarschaft,22 Gewalttätigkeiten reduzieren (vgl. Sampson 2011; Sampson et al. 1997). Soziales Kapital in Nachbarschaften generiert sich dabei durch gemeinsame Treffen, wie Barbecues23, Cocktailpartys oder dergleichen (Putnam 2007: 138). Jedoch genießen auch diejenigen die externen Effekte der „wachsamen Nachbarn“, die nicht an solchen gesellschaftlichen Treffen teilnehmen. Putnam (1993: 164) spricht in diesem Sinne von free ridern („Trittbrettfahrern“), die keine Kosten in Form von zeitlichen Verpflichtungen und gesellschaftlicher Teilhabe haben. Die Problematik des „Trittbrettfahrerverhaltens“ besteht jedoch in der Regel bei allen Gemeingütern. Hardin bezeichnet dieses Problem als „Tragik der Allmende“ (1968). Seine Aussage „[f]reedom in a commons brings ruin to all“ (Hardin 1968: 1244) verdeutlicht, dass eine egoistische Haltung der Nutzenmaximierung bei (unreinen) öffentlichen Gütern24 auf Kosten der gesamten Gemeinschaft geht. Generell werden reine öffentliche Güter, wie Luft und Wasser, durch den Staat frei zur Verfügung gestellt. Der Staat kontrolliert bspw. zum Wohle der Umwelt das Trinkwasser und garantiert eine nachhaltige Versorgung mit dem Gut, indem der Staat festlegt, dass es bestimmte Grenzwerte nicht überschreiten darf (vgl. Umweltbundesamt 2017). Während reine öffentliche Güter durch besagte Trittbrettfahrer nicht gefährdet werden, können sie für das soziale Kapital

19

20 21 22 23 24

Putnam (1993: 163; 170) differenziert an dieser Stelle nicht zwischen den Unterarten von Gemeingütern, wie den reinen öffentlichen Gütern, wie saubere Luft oder sauberes Wasser, die weder eine Rivalität noch eine Ausschließbarkeit (Exklusion) aufweisen, und anderen Kollektivgütern, wie „Clubgütern“ (Buchanan 1965), die nur einer begrenzten Personenzahl zur Verfügung stehen oder Allmendegütern (Hardin 1968; Ostrom 1999), deren Nutzung limitiert ist, bspw. Fischbestand im Meer (Altvater 2003: 175). Sozialkapital muss jedoch nicht uneingeschränkt positiv gesehen werden: Die hohe soziale Kontrolle in Nachbarschaften mag Sicherheit vor Kriminalität vermitteln. Sie kann jedoch auch die Privatsphäre verletzen. Putnam (2007) spricht von bystanders (Unbeteiligten, Umstehenden, Zuschauern), die auch als Trittbrettfahrer bezeichnet werden können. Sampson et al. (1997) testen den Effekt der collective efficacy. Sampson (2011: 152) beschreibt die collective efficacy als höhere Ordnung einer neighborhood efficacy. Barbecues sind in den USA eine beliebte Form des Zusammenkommens zwischen Freunden und Nachbarn. In Deutschland typische gesellige Treffen sind etwa Stadt- oder Straßenfeste. Unreine öffentliche Güter sind Güter, die zwar allen frei, jedoch begrenzt zur Verfügung stehen (Rivalität im Konsum, aber kein Ausschluss) und als Allmendegüter beschrieben werden. Eine zweite Art der unreinen öffentlichen Güter bezeichnet Güter, die unbegrenzt, aber nicht allen zur Verfügung stehen (keine Rivalität, jedoch prinzipiell Ausschluss möglich) und als Clubgüter bezeichnet werden. Auch diese werden als Allmendegüter bezeichnet.

30

4 Sozialkapitaltheorie nach Robert Putnam

zu einem ernsthaften Problem werden, wenn eigennützige bzw. rücksichtslose Verhaltensweisen überwiegen. Die Aufrechterhaltung des sozialen Kapitals ist dann gefährdet. Genießen mehr und mehr Nachbarn bspw. die Vorteile der Nachbarschaftshilfe, bringen aber selbst nichts ein, sinkt die allgemeine Hilfsbereitschaft und das soziale Kapital kann verloren gehen. Im Zuge der Kriminalitätsprävention wirbt übrigens in Deutschland der Staat über eine Polizeiaktion mit „Vorsicht! Wachsamer Nachbar“ (vgl. Hessisches LKA 2017) und versucht, im Rahmen der Nachbarschaftshilfe für Zivilcourage, Verantwortung und Engagement zu werben. Soziales Kapital als öffentliches Gut ist nach Putnam der Schlüssel zur Bildung und Aufrechterhaltung demokratischer Strukturen (Putnam 1993: 185). Dieses Verständnis hat zu einer Auseinandersetzung innerhalb der Sozialwissenschaften, vor allem in den Politikwissenschaften, geführt, die sich in den Ansätzen Top-down bzw. Bottom-up widerspiegelt (vgl. Kapitel 2.3). Aus einer makrosoziologischen Perspektive kann positiv wirkendes Sozialkapital mit öffentlichem Gutscharakter auch als „sozialer Kitt“ bezeichnet werden. Er erfüllt eine wesentliche Funktion in Bezug auf den gesellschaftlichen, vielleicht sogar demokratischen Zusammenhalt (Putnam 1993: 15). Putnam (1993: 167) präzisiert, dass soziales Kapital, durch die positiven Wirkungen der sozialen Organisationen die Effizienz von Gesellschaften erhöht. Soziale Organisationen erleichtern so zum einen das Abstimmen von Handlungen. Gleichzeitig sprechen sie die zentralen Merkmale an, die nicht nur auf der Makroebene eine zentrale Rolle spielen, sondern auch und ebenfalls schon auf der individuellen Beziehungsebene, nämlich Vertrauen, Netzwerke und Normen – insbesondere die der generalisierten Reziprozität. Gesellschaftlich ist es von Bedeutung, dass die Gesellschaftsmitglieder in der Regel kooperieren, sich an bestehende Normen halten und ihr Handeln an geteilten Werten ausrichten, sodass Vertrauen entstehen kann. Wo dies der Fall ist, sind ehrenamtliches bzw. zivilgesellschaftliches Engagement häufig anzutreffen. Erodieren jedoch die Normen und zeigt sich weniger wertebasiertes Handeln, so schwindet das Vertrauen. Geringes ehrenamtliches bzw. zivilgesellschaftliches Engagement führt auch zu einer Abnahme des gesellschaftlichen Zusammenhalts und einem Zerfall des sozialen Kapitals. Wie bereits beschrieben, beleuchtet Puntams zweites Buch „Bowling Alone“ die Abnahme des Sozialkapitalbestandes in den USA. Er beobachtet, dass sich die Anzahl der Bowlingclubs verringert, die Anzahl der Bowler jedoch konstant bleibt – Putnam sieht darin ein Kennzeichen für den Rückgang des sozialen Miteinanders. Diese Einschätzung wird häufig wie folgt kritisch hinterfragt: Vernetzen sich die Einzelnen wirklich seltener oder vernetzen sie sich nur auf eine andere Art? Putnam nennt mehrere Begründungen, die zur Abnahme des sozialen Kapitals führen können, u. a. die wachsende Mobilität, die Zunahme des elektronischen Konsumverhaltens und auch die steigende Erwerbstätigkeit von Frauen. Manche bedingen sich gegenseitig: Der Rollenwechsel der Hausfrau hin zu einer berufstätigen Mutter, welcher sich in den „two career“-Familien äußert, geht mit einer Veränderung der Familie einher, die sich jedoch auch in den zunehmenden Patchwork-Familien zeigt, bedingt durch steigende Scheidungsraten. Als weitere Einflussfak-

4.1 Bridging social capital and bonding social capital

31

toren nennt Putnam auch das sinkende politische Engagement und die abnehmenden organisationalen Mitgliedschaften, die er einem Generationenwechsel zuschreibt (Putnam 1995b: 677 ff.; 2000: 283). Dieselben Einflussfaktoren, die Putnam hier nennt, sind auch in Ländern wie Deutschland als Phänomene der gesellschaftlichen Entwicklung zu beobachten. Es ist daher nicht uninteressant, welches Ausmaß die Sozialkapitalbestände auf Bundesebene oder in kleineren Regionen (Bundesländern und Raumordnungsregionen) besitzen oder wie sie sich verändern. Um die Sozialkapitalbestände zu erfassen, wird das soziale Kapital in seine Merkmale aufgegliedert. Bevor weiter auf diese Merkmale des sozialen Kapitals nach Putnam, namentlich die Netzwerke des zivilen Engagements, die Reziprozitätsnorm und das soziale Vertrauen, eingegangen wird, soll zuvor eine eingehendere Unterscheidung von zwei Sozialkapitalformen erfolgen, bei denen die Merkmale in unterschiedlicher Weise wirken. Denn obwohl soziales Kapital in der Regel positiv konnotiert ist, hat nicht jede individuelle Sozialkapitalbeziehung einen positiven gesellschaftlichen Effekt. „Social capital, in short, can be directed toward malevolent, antisocial purposes, just like any other form of capital“ (Putnam 2000: 22). Um diese negativen Effekte zu verdeutlichen, werden zwei Formen des sozialen Kapitals – das brückenbildende und das bindende – unterschieden, sodass anhand der bindenden Sozialkapitalbeziehungen die negativen Auswirkungen aufgezeigt werden können.

4.1

Bridging social capital and bonding social capital

Putnams (2000; Putnam & Goss 2001) Sozialkapitaltheorie differenziert zwischen brückenbildendem (bridging social capital) und bindendem (bonding social capital) Sozialkapital. Brückenbildendes soziales Kapital bezieht sich auf Hilfeleistungen oder Kooperationen mit Personen, mit denen man bisher wenig oder gar nichts zu tun hatte. Üblicherweise sind Gruppen, in denen brückenbildendes Sozialkapital auftritt, heterogen zusammengesetzt in Bezug auf die Generation, das Geschlecht oder den Status. Durch die heterogene Gruppenzusammensetzung25 wird eine soziale Kluft zwischen verschiedenen gesellschaftlichen Gruppen verringert. Brückenbildendes soziales Kapital wird aufgrund dessen eine wichtige Funktion für die Gemeinschaft zugeschrieben. Bindendes soziales Kapital bezieht sich auf die Kooperationsbereitschaft, Unterstützung oder Hilfeleistung gegenüber Bekannten, Verwandten, Freunden sowie gegenüber Personen, die einem ähnlich sind. Es beruht auf Normen der spezifischen Reziprozität, die sich in direkten reziproken Handlungen äußert, wenn eine Person etwas für eine andere tut und umgekehrt. Die Ähnlichkeit der Gruppenmitglieder kann sich auf gesellschaftliche Dimensionen wie Religion, soziale Klasse oder Familienzugehörigkeit beziehen. Soziale Unterstützung im Verwandtenkreis ist typischerweise bindendes Sozialkapital. Daher wird bindendes Sozial-

25

Gruppen und Netzwerke sind hier synonym zu verwenden und unterscheiden sich lediglich darin, dass Gruppen einen weniger abstrakten Charakter aufweisen als Netzwerke.

32

4 Sozialkapitaltheorie nach Robert Putnam

kapital auch als ein privates soziales Kapital angesehen, weil es exklusiv den Gruppenmitgliedern zur Verfügung steht. Bindende Sozialkapitalbeziehungen weisen meist Gruppen auf, die eine homogene Gruppenkonstellation haben. Das brückenbildende soziale Kapital wird von Putnam im übertragenden Sinne als ein „sociological WD-40“ (Putnam 2000: 23) beschrieben. Damit ist ein Multifunktionsprodukt der Firma WD-40 Company gemeint, das u. a. als Schmiermittel, Korrosionsschutz oder Kontaktspray verwendet wird.26 Nach Putnam ist das zentrale Merkmal dieses Multifunktionsproduktes die Ausrichtung der Sozialkapitalhandlungen auf Personen außerhalb der eigenen Gruppen. Putnam (2000: 411) beschreibt dessen Entstehung wie folgt: „To build bridging social capital requires that we transcend our social and political and professional identities to connect with people unlike ourselves“. Auf gesellschaftlicher Ebene zeigt sich brückenbildendes soziales Kapital bspw. in ehrenamtlichen Tätigkeiten oder in der Arbeit sozialer Organisationen (z. B. bei Vereinigungen wie den Grünen Damen und Herren, die Kranke besuchen). Da brückenbildendes Sozialkapital über die Grenzen sozialer Gruppen hinaus wirkt, kann es zur Überwindung sozialer Konflikte beitragen. Im übertragenen Sinne fungiert brückenbildendes Sozialkapital als Multifunktionswirkstoff daher einerseits als Schmiermittel, welches das gesellschaftliche Miteinander reibungsfreier funktionieren lässt. Andererseits reduziert es als „Korrosionsschutzmittel“ die Vorurteile gegenüber Fremden. Und letztlich verbindet es wie eine Art „Kontaktspray“. In Abgrenzung zu brückenbildendem wirkt bindendes Sozialkapital in bestehende Netzwerke hinein. Es kommt nur denjenigen zu Gute, die dem Netzwerk angehören. Hilfeleistungen, Informationen oder Güter werden nur den Mitgliedern innerhalb des Netzwerks gegeben. Verwandtschaftsbeziehungen in Familien sind ein Beispiel einer bindenden Sozialkapitalbeziehung, was sich darin äußert, dass sich bspw. Familienmitglieder um erkrankte Verwandte kümmern. In einer derartigen Versorgung hat das bindende soziale Kapital für die Mitglieder positive Effekte. Darüber hinaus kann es zudem auch identitätsbildend wirken oder das Solidaritätsgefühl innerhalb der Gruppe stärken. Je nach der Art der Aktivität kann bindendes soziales Kapital jedoch auch negative externe Auswirkungen haben, während es für die Sozialkapitalnutzer selbst immer positive Folgen hat. Eine Gruppe von korrupten Politikern, die sich auf Staatskosten bereichert, kann bspw. bindendes soziales Kapital bilden (Graeff 2011), das dann auch eigenen gemeinschaftlichen Regeln gehorcht. In Korruptionsbeziehungen verpflichten sich die Teilnehmer üblicherweise zur Verschwiegenheit, um keine Strafen fürchten zu müssen. Der Vorteil jedes Teilnehmers hängt damit von der Verschwiegenheit der übrigen Mitglieder ab. Dieses Beispiel macht deutlich, dass bindendes Sozialkapital immer auch zu einer Unterscheidung zwischen der eigenen Gruppe und anderen Gruppen führt. Innerhalb der Gruppe gelten Regeln der Solidarität wie bspw. die Verschwiegenheit. Diese Solidarität kann aber den Nicht-Mitgliedern nicht entgegengebracht werden, weil man auf deren Kosten die Korruption

26

www.wd40.de [letzter Abruf 12.10.2018]

4.2 Sozialkapitalindikatoren (nach Putnam)

33

durchgeführt hat. Negativ wirkendes bindendes soziales Kapital bewirkt also eine soziale Kategorisierung (Tajfel & Turner 1986), die dann auch zur sozialen Identität der Mitglieder beiträgt. Die Unterscheidung zwischen den beiden Sozialkapitalformen war ein Novum in der Sozialkapitalforschung, da sie den Blick erstmals von den rein positiven gesellschaftlichen Konsequenzen von Sozialkapitalhandlungen hin auch zu möglichen negativen Konsequenzen richtet. Außerdem erlaubt die Differenzierung, das soziale Kapital in verschiedenen Kontexten anhand unterschiedlicher Perspektiven zu bestimmen. Nach Putnam sind beide Formen des Sozialkapitals wichtig für das gesellschaftliche Leben (Putnam 2000: 23), erfüllen aber unterschiedliche Funktionen. Während brückenbildendes Sozialkapital den gesellschaftlichen Zusammenhalt stärkt, erhöht bindendes Sozialkapitals den Zusammenhalt in Gruppen und Gemeinschaften. In bindenden bspw. engen Beziehungen schließen Mitglieder Freundschaften und gehen respektvoll miteinander um. Derartige Erfahrungen werden auch in neue Gruppen eingebracht, sodass frühere und bestehende Sozialkapitalbeziehungen auch zukünftige prägen (Nahapiet & Ghoshal 1998: 244). Derartige Erfahrungen führen nach Putnam (1993: 175) auch zu generellen Einstellungen, wie etwa der Ausprägung von generalisiertem Vertrauen. Wenn in Gesellschaften viele Personen gute Erfahrungen im Umgang miteinander machen, sich gegenseitig einen Vertrauensvorschuss entgegenbringen und respektvoll miteinander umgehen, kann das auf der gesellschaftlichen Ebene zur Lösung kollektiver Probleme beitragen. Während sich auf der theoretischen Ebene die beiden Formen des brückenbildenden und bindenden sozialen Kapitals voneinander trennen lassen, schließen sie sich auf der Handlungsebene nicht gegenseitig aus. Nach Putnams Ansicht (2007) haben Personen mit vielen und starken bindenden Beziehungen auch typischerweise viele brückenbildende Beziehungen (Putnam 2000: 23; 2007: 143 f.). Umgekehrt besitzen Personen mit wenigen bindenden Beziehungen auch wenige brückenbildende Beziehungen. Eine empirische Klärung dieser Ansicht steht bisher aus. Neben der Putnam’schen Unterscheidung der beiden Formen sozialen Kapitals sollen auch die Sozialkapitalindikatoren nach Putnam genauer betrachtet werden.

4.2

Sozialkapitalindikatoren (nach Putnam)

Die Sozialkapitaltheorien basieren auf unterschiedlichen Merkmalen, je nach dem, wie der Sozialkapital-Begriff verstanden und definiert wird. In Colemans Sozialkapitaltheorie werden besonders die Charakteristika der Netzwerke herausgearbeitet und u. a. auf Normen und Sanktionen, Verpflichtungen und Erwartung sowie Vertrauen oder Vertrauenswürdigkeit hingewiesen, die soziales Kapital begünstigen können. Darauf aufbauend exponiert Putnam die drei Indikatoren, nämlich Netzwerkbeziehungen, generalisiertes bzw. soziales Vertrauen und (generalisierte) Reziprozitätsnorm, die die Ansatzpunkte seiner Theorie darstellen (Adler & Kwon 2000: 95). Putnams Sozialkapitaldefinition folgend stehen diese drei Indikatoren in einer stetigen

34

4 Sozialkapitaltheorie nach Robert Putnam

wechselseitigen Beziehung zueinander – auch in empirischer Hinsicht. Einerseits können empathische Fähigkeiten der Netzwerkbeteiligten, wie sie die Indikatoren Vertrauen oder Reziprozitätsnorm widergeben, stabile und funktionsfähige Netzwerke hervorbringen. Anderseits können durch Netzwerke zivilgesellschaftlichen Engagements auch Vertrauen und reziproke Verhaltensweisen erzeugt werden. Hierbei stellen die Indikatoren Vertrauen und Norm der Reziprozität eine subjektive Komponente dar, die die Beziehungsebene markiert, während es sich bei der reinen Existenz des Netzwerks mit all seinen Strukturen um eine objektive Betrachtungsweise handelt (Newton 1999: 6). Die drei Indikatoren sozialen Kapitals nach Putnam können in Anlehnung an die subjektive und objektive Betrachtungsweise in zwei Dimensionen unterteilt werden: die strukturelle und relationale Dimension (Nahapiet & Ghoshal 1998: 243).27 In der Abgrenzung beider Dimensionen voneinander rekurrieren Nahapiet & Ghoshal (1998: 244) auf Granovetter (1992), der zwischen der „structrual“ und „relational embeddedness“ unterscheidet. „Structural embeddedness concerns the properties of the social system and of the network of relations as a whole“ (Nahapiet & Ghoshal 1998: 244). Die strukturelle Einbettung umfasst das Ausmaß, mit dem zwei Personen (eine Dyade) über Dritte jeweils miteinander verbunden sind28 (Granovetter 1992: 35). Dementsprechend greift die strukturelle Dimension nach Nahapiet & Ghoshal unpersönliche Anordnungen auf, die zunächst rein objektiv die Verbindungen von Personen oder Einheiten abbilden. Auf diese Weise wird das allgemeine Beziehungsgeflecht aller Verbindungen zwischen den Personen verdeutlicht, überdies die Struktur dargestellt und wie stark die Personen miteinander verbunden sind. Auf die Indikatoren sozialen Kapitals nach Putnam bezogen, umfasst die strukturelle Dimension die Netzwerke mit allen vorhandenen oder fehlenden Beziehungen. Des Weiteren werden hierbei aber auch die Anordnungen, die Art der Verbindungen, wie Dichte, Hierarchie oder Verbundenheit, sowie übereignungsfähige (soziale) Organisationen berücksichtigt (Nahapiet & Ghoshal 1998: 244). In Abgrenzung zur strukturellen Einbettung bezieht sich die relationale Einbettung nach Granovetter (1992) auf die Art der persönlichen Beziehung – also die Qualität und Stärke, die sich aus der gemeinsam verbrachten Zeit ergibt. Diese Eigenschaften partikularer Beziehungen werden auch in der von Nahapiet & Ghoshal (1998: 244) herausgestellten relationalen Dimension 27

28

Nahapiet & Ghoshal haben für die Organisationsforschung drei Dimensionen sozialen Kapitals herausgestellt: „the structural, the relational, and the cognitive dimensions of social capital“ (1998: 243). Die kognitive Dimension umfasst Ressourcen, die gemeinsame Darstellungen, Interpretationen und Sinnsituationen in einer Gruppe/Partei darstellen, bspw. die Sprache. Die kognitive Dimension ist vor allem in Bezug auf das intellektuelle Kapital (in Organisationen) zu berücksichtigen (Nahapiet & Ghoshal 1998: 243). Burt (1992) würde in diesem Sinne von redundanten Beziehungen sprechen, da eine weite Vernetzung untereinander keine neuen Informationen liefert. Nach Granovetter (1985: 490) sind jedoch Informationen von vertrauten Personen oder Personen, mit denen man in der Vergangenheit zu tun hatte, da sich aus diesen Verbindungen eine (weitere) Annäherung und Verpflichtung ergeben. Zudem zielt Granovetter (1992:35) auf die normativen, symbolischen und kulturellen Strukturen an, die das Verhalten durch ein dichtes Netzwerk (Coleman) beeinflussen.

4.2 Sozialkapitalindikatoren (nach Putnam)

35

angesprochen. Die Sozialisierung einer Person sowie ihre Erfahrungen mit sozialen Beziehungen prägt ihr soziales Verhalten, ob sie aus sozialen Motiven handelt, wie Soziabilität (Fukuyama 1995), Hilfsbereitschaft, Zivilcourage oder aber auch Aggression (Nahapiet & Ghoshal 1998: 244). Folglich sind nach Putnam die Sozialkapitalindikatoren, wie Operationalisierungen des sozialen Vertrauens oder der Norm (generalisierter) Reziprozität, Bestandteil der relationalen Dimension.29 Die strukturelle Dimension bezieht sich auf das Ausmaß bzw. den Umfang an Beziehungen, während sich die relationale Dimension auf die Qualität bezieht. Die Unterscheidung zwischen der strukturellen und der relationalen Dimension erlaubt eine unterschiedliche konzeptuelle Betrachtungsweise, die auch Auswirkungen auf das Verständnis der späteren empirischen Analyse hat. Diese Art der Differenzierung spiegelt sich in den empirischen Messungen wider, in denen einerseits Häufigkeiten von Mitgliedschaften oder Treffen in Netzwerken und andererseits Einstellungen zu Vertrauen und Normen abgefragt werden. Im Folgenden sollen nun die Sozialkapitalindikatoren nach Putnam differenzierter betrachtet werden.

Netzwerke In den Sozialkapitaltheorien kann der Fokus auf zwei verschiedene Aspekte der sozialen Netzwerke30 gelegt werden: auf die Strukturen und auf die Auswirkungen des sozialen Kapitals. Die netzwerktheoretische Sozialkapitalforschung (wie etwa die Netzwerkanalyse) befasst sich (etwa bei Burt oder Lin) mit dem Aufbau und der Komplexität der Netzwerke sowie dem Gefüge zwischen den Netzwerken. Die Struktur zwischen Netzwerken wird bei Burt (2000) insbesondere über die „essenziellen Verbindungen“ (structural holes) charakterisiert. Der Informationsfluss des einen Netzwerks über nicht-redundante Beziehungen an das andere Netzwerk steht dann üblicherweise im Zentrum der Betrachtung. Granovetter (1973)31 unterscheidet zwischen schwachen (weak ties) und starken Beziehungen (strong ties) innerhalb eines Netzwerks. Diese werden anhand von vier Merkmalen bestimmt: verbrachte Zeit, emotionale Intensität, Intimität (gegenseitiges Vertrauen), reziproke erbrachte Leistungen (Granovetter 1973: 1361). Schwache Beziehungen können als „lose Bekanntschaften“ bezeichnet werden, in denen Akteure zueinander wenig Intimität (Vertrauen) aufbauen und eine geringe emotionale Intensität aufweisen. Sie verbringen miteinander wenig Zeit und tauschen auch weniger Hilfeleistungen aus. Starke Beziehungen, wie sie zwischen Familien, Verwandten und/oder engen Freunden existieren, zeichnen sich durch eine höhere Intimität und stärkere emotionale Intensität aus. Die

29 30

31

Freitag & Traunmüller (2008: 225) benutzen den Begriff der „kulturellen Komponente“. Unter sozialen Netzwerken werden Netzwerke verstanden, die auf sozialen Beziehungen beruhen. Soziale Netzwerk Seiten (engl. Social Network Sites (SNSs) vgl. Ellision et al. 2007), also Netzwerke, die im digitalen Bereich liegen, werden als digitale soziale Netzwerke bezeichnet und davon abgegrenzt. Granovetters Sozialkapitalansatz (1985) stützt sich auf seine „embedded theory“, nach der Akteure, wie bei Coleman (1995), in eine Sozialstruktur eingebettet sind. Coleman (1995) bezieht sich in der Ausarbeitung seines Sozialkapitalansatzes auf Granovetter.

36

4 Sozialkapitaltheorie nach Robert Putnam

Akteure verbringen mehr Zeit miteinander und interagieren insgesamt häufiger. Was aber genau eine „starke“ und was eine „schwache“ Beziehung ist, lässt Granovetter (1985) offen. Eine konkrete Definition dieser vier Merkmale, die eine Zuordnung zu starken oder schwachen Beziehungen ermöglichen könnte, existiert nicht. Die Sozialkapitalforschung, die sich auf Individuen und ihre Handlungen bezieht, richtet den Blick darauf, wie Elemente des sozialen Kapitals selbst aufeinander Bezug nehmen, wie bspw. die Durchsetzung von Normen oder die Stärkung des Vertrauens. Coleman hebt ebenfalls die Beziehungsstruktur der Netzwerke hervor, wenn er die Geschlossenheit („closure“) oder die Komplexität der Netzwerke anspricht. Für ihn stehen aber wesentlich die Konsequenzen bzw. die Folgen des sozialen Kapitals im Vordergrund. So spielt die Netzwerkschließung, also der Grad, mit dem Mitglieder in Netzwerken verbunden sind, bei Coleman eine entscheidende Rolle. Sie beeinflusst auch das Ausmaß des sozialen Kapitals – die Weitergabe von Informationen, die Stärkung von Vertrauen oder die Durchsetzung von Normen (Adler & Kwon 2000: 95). Der inhaltlich ähnliche Begriff „Netzwerkdichte“ wird von Putnam (1993: 173) ebenfalls für den Grad verwendet, mit dem Personen in einem Netzwerk verbunden sind. Eine hohe Netzwerkdichte geht üblicherweise mit einer ausgeprägten sozialen Kooperation und einem ausgeprägten Informationsfluss innerhalb der Netzwerke einher. Netzwerke zivilgesellschaftlichen Engagements bilden Verbindungen zwischen Akteuren ab und fungieren in einigen Sozialkapitaltheorien des Bottom-up-Ansatzes als Ausgangspunkt. Parteien, Nachbarschaftsverbindungen und Gesangs- oder Sportvereine stellen nach Putnam Beispiele für wichtige soziale Netzwerke mit Sozialkapitalcharakter dar (Putnam 1993: 173). Diese nehmen in vielfältiger Weise Einfluss auf ihre Mitglieder. Franzen & Botzen (2011: 391) geben Beispiele dafür, welche gesellschaftlich relevanten Fähigkeiten in Vereinen sozialisiert werden können. Als Organisation, der man freiwillig beitritt, stellen Vereine eine Austauschmöglichkeit mit anderen Akteuren dar, bei der gemeinschaftliches Handeln immer koordiniert werden muss. Bei den vereinsbezogenen Verwaltungs- und Organisationsaufgaben müssen Akteure gemeinschaftlich arbeiten. Sie lernen, wie sie ihre eigenen Meinungen einbringen und ggf. durchsetzen können. Vereinsmitglieder erwerben nach Franzen & Botzen (2011) gesellschaftlich nützliche Fähigkeiten, die sie auch außerhalb der Vereine anwenden können. Netzwerke zivilgesellschaftlichen Engagements bieten nicht nur individuelle Vorteile wie Informationsaustausch (Putnam 1993; Granovetter 1985) und gegenseitige Hilfestellung (Coleman 1995). Sie bieten auch gesamtgesellschaftliche Vorteile wie wirtschaftliche Prosperität: Franzen & Botzen (2011) zeigen in ihrer Untersuchung, dass eine höhere Vereinsdichte in Landkreisen und kreisfreien Städten mit einem höheren Bruttoinlandsprodukt einhergeht.32 Ein weiterer Vorteil kann darin gesehen werden, dass möglicherweise Gesellschaften mit höherer Netzwerkdichte durch das soziale Miteinander motiviert sind, weniger eigennützig zu handeln (Franzen & Botzen 2011: 392). Zudem ist anzunehmen, dass durch eine hohe Netzwerkdichte

32

Ähnlich wie bei Putnam ist auch bei Franzen & Botzen (2011) die Kausalitätsrichtung nicht eindeutig geklärt.

4.2 Sozialkapitalindikatoren (nach Putnam)

37

auch die gesellschaftliche Zusammenarbeit positiv beeinflusst wird, sodass gemeinsam gesetzte Ziele leichter erreicht werden können (Fukuyama 1995). Putnam (1993) stellt vor allem die (sozialen) Netzwerke zivilgesellschaftlichen Engagements ins Zentrum seiner Theorie, da er diesen Netzwerken eine brückenbildende Funktion attribuiert. Netzwerke zivilgesellschaftlichen Engagements stellen jedoch nicht nur soziales Kapital dar, sie bieten – von einem Bottom-up-Ansatz ausgehend – auch die Grundlage zur Bildung weiteren Sozialkapitals. So werden bspw. generalisierte Reziprozitätsnormen in solchen Netzwerken gefördert, die dann selbst wiederum zur Entstehung sozialen Vertrauens beitragen (Putnam 1993: 173 f.; 1995a: 2). Ein Kennzeichen der Netzwerke zivilgesellschaftlichen Engagements ist, dass sich die Akteure vorwiegend in horizontalen Strukturen begegnen. Putnam (1993) unterscheidet zwischen horizontalen und vertikalen Strukturen innerhalb von Netzwerken. In Netzwerken mit horizontalen Strukturen sind Akteure mit gleichem Status und ohne Hierarchien miteinander verbunden, während in Netzwerken mit vertikalen Strukturen sich statusverschiedene Akteure in einer Herrschafts- bzw. Abhängigkeitsbeziehung befinden (Putnam 1993: 173). Netzwerke mit einer Ausrichtung auf ehrenamtliches Engagement gehören eher zur ersten Kategorie (Strauß 2009), wie es sich bspw. im Rahmen der Flüchtlingskrise 2015 in Deutschland gezeigt hat, als Bürger sich zusammenschlossen, um Flüchtlingen zu helfen. Durch gesellschaftliche ehrenamtliche Beteiligung konnten temporäre kollektive Probleme (wie Engpässe bei der Aufnahme und Versorgung der Geflüchteten) gemildert werden. Erfolgreiche Kooperationen stärken ein Netzwerk, das positive Erfahrungen in die zukünftige Zusammenarbeit einbringen wird, das Verständnis der Akteure für kollektive Gewinne ist gestärkt sowie das kollektive Gemeinschaftsgefühl, aus dem „Ich-Gedanken“ wird ein „Wir-Gedanke“ (Franzen & Pointer 2007: 68). Netzwerke bestehen üblicherweise sowohl aus horizontalen wie vertikalen Strukturen. So besitzen Netzwerke wie Kegelclubs oder Bowling-Teams sowohl vertikale Hierarchien, die mit Positionen wie Vorsitzenden, Schatzmeister u. a. gekennzeichnet sind, als auch horizontale Strukturen, auf denen die Mitglieder gleichgestellt miteinander umgehen. Meist sind die vertikalen Strukturen mit Funktionen innerhalb der Organisation verbunden. Netzwerke mit einer vorherrschenden vertikalen Struktur können nach Putnam die Kooperationsbereitschaft ihrer Mitglieder schlechter aufrechterhalten als Netzwerke mit stärkerer horizontaler Ausprägung, und zwar unabhängig von der Häufigkeit des sozialen Austausches. Putnam (1993: 174) unterstellt, dass die Reziprozitätsnorm in vertikalen Strukturen nicht in gleicher Weise zum Tragen kommt wie in horizontalen Strukturen. Sanktionen für Verletzungen der Reziprozitätsnorm lassen sich nur schlecht auf höhergestellte Personen anwenden. Umgekehrt können Sanktionen bei gleichgestellten Personen einfacher ausgesprochen und durchgesetzt werden, was opportunistisches, unkooperatives Handeln unwahrscheinlicher macht. Soziale Netzwerke können jedoch nicht nur hinsichtlich ihres hierarchischen Aufbaus unterschieden werden, sondern auch in Bezug auf formale oder informale Strukturen (Putnam 2000).

38

4 Sozialkapitaltheorie nach Robert Putnam

Informale Netzwerkstrukturen weisen keine formalen Regeln des Austausches bzw. der Handlungen auf. Typische Beispiele sind Familien, Nachbarn oder Freundeskreise mit regelmäßigem, aber eben nicht vorgeschriebenen Formen des Austausches. Newton (1999: 6) charakterisiert informale Netzwerke als soziale Geflechte (Strukturen), die sich frei auflösen und wieder neu bilden können und keine festen Regeln besitzen. Dazu gehören Treffen in der Stammkneipe, die Beteiligung im regionalen Fanclub oder die alltäglichen Beziehungen zwischen Nachbarn.33 Formale Netzwerke hingegen weisen eine überdauernde Form auf, besitzen üblicherweise eine Organisationsstruktur (etwa ein Verein). Freiwilligenorganisationen wie das Rote Kreuz, Berufsverbände, Vereine oder auch die Kirche als Institution stellen formale Netzwerke dar. Sie sind zeitlich unbestimmt angelegt, garantieren aber eher den „Fortbestand sozialer Beziehungen in Vereinigungen […], da ein organisatorisch-institutioneller Kontext das regelmäßige Wiedersehen der Akteure gewährleistet.“ (Stadelmann-Steffen & Freitag 2007: 298). Sowohl formale wie informale Netzwerke können zur Bildung sozialen Kapitals wichtig sein. Jedoch wirken sie graduell unterschiedlich: während formale Netzwerke eher Bürgerkompetenzen und bürgerschaftliches Engagement fördern, bieten informale Netzwerke soziale Unterstützung im Alltag und tragen zur Erhaltung der sozialen Netzwerke bei (Putnam 2000: 95). In den Sozialkapitalforschungen – und vor allem durch Putnam (1993) – wurde der Fokus auf die formalen sozialen Netzwerke gelegt, die horizontale Strukturen aufweisen. Die katholische Kirche als Institution ist ein Beispiel für ein formales soziales Netzwerk mit traditionell eher vertikalen Strukturen, während die protestantische Kirche weniger hierarchisch organisiert ist (Putnam 1993; 2000). Es mag generell gelten, dass Netzwerke zivilgesellschaftlichen Engagements mit einer höheren Dichte auch bessere Kooperationen zwischen den Mitgliedern und den Adressaten der Sozialkapitalleistungen hervorbringen können. Ein besonderer Aspekt dabei ist, dass Netzwerke, die Kooperationen zwischen unterschiedlichen Personen ermöglichen, Mitglieder davon abhalten, aus dem Netzwerk auszusteigen, da sie sonst den Nutzen dieser und zukünftiger Kooperationen verlieren. Außerdem ergeben sich aus diesen Kooperationen auch Vertrauensverhältnisse und Reputationen, die innerhalb des Netzwerks geteilt werden. Es bilden sich auch Normen heraus, die die Erwartungen anderer Mitglieder beeinflussen (Putnam 1993: 173 f.).

Normen der Reziprozität Soziale Normen sind ein wichtiger Bestandteil in den meisten Sozialkapitaltheorien (u. a. Coleman 1995; Newton 1997; Ostrom 1994; Portes 1998; Putnam 1993). Normen dienen zur gesellschaftlichen Orientierung, indem sie den Regeln und Erwartungen des gesellschaftlichen Miteinanders Ausdruck verleihen (Lodewijkx 2008: 107). Im Sinne der sozialen Verantwortung ist es in den USA bspw. üblich, dass Nachbarn, Freunde oder Arbeitskollegen eine trauernde 33

Nach Newton (1999: 6) ist die unregelmäßige Häufigkeit ein Kriterium der informalen Netzwerke. Putnam (2000: 97; 2001) fasst unter informalen Netzwerken jedoch auch regelmäßige Treffen zwischen sonst formlosen oder inoffiziellen Beziehungen.

4.2 Sozialkapitalindikatoren (nach Putnam)

39

Familie mit Essen versorgen, damit diese sich auf ihre Trauer konzentrieren kann. Nach Coleman (1995) erlauben soziale Normen eine wechselseitige Kontrolle der Handlungen anderer Individuen, da Handlungen, die auf Normen beruhen, immer externe Konsequenzen – im positiven wie negativen Sinne – haben (vgl. Putnam 1993: 171). In Bezug auf das Beispiel der Essenszubereitung im Todesfalle hat die trauernde Familie einen implizierten (sozialen) Anspruch darauf, dass Nachbarn, Freunde oder Arbeitskollegen Essen vorbeibringen. Es wäre unangebracht, diese soziale Verantwortung ohne triftigen Grund, wie eine Erkrankung, abzulehnen (Gouldner 1960: 178; Lodewijkx 2008: 107 f.). Je mehr Personen die Auswirkungen der sozialen Handlungen wahrnehmen, desto eher wird sich die Norm durchsetzen, so Putnam (1993: 171). Er geht davon aus, dass sich Normen durch Sozialisation oder Modelllernen entwickeln. Dabei ist zu beachten, dass Normen keine Eigenschaften von Individuen sind, sondern sozialen Systemen innewohnen. „[…] in bezug auf eine spezifische Handlung [existiert] eine Norm […], wenn das sozial definierte Recht auf Kontrolle der Handlung nicht vom Akteur, sondern von anderen behauptet wird. […],[dies] impliziert […], daß in dem sozialen System oder Subsystem ein Konsens besteht, daß andere das Kontrollrecht über die Handlung innehaben“ (Coleman 1995: 313). Portes (1998) unterscheidet die Norm der Reziprozität von internalisierten Normen. Während internalisierte Normen durch Sozialisation oder Erfahrungen erworben werden (Adler & Kwon 2000: 95; Portes 1998: 7), beruht die Norm der Reziprozität auf sogenannten „instrumentalisierten Motiven“ (Portes 1998), da nach Portes die Erwartungshaltung bei der Reziprozitätsnorm durch eine angestrebte Rückerstattung geprägt ist. Die Ausführung einer verinnerlichten Norm schreibt Portes vollziehenden – „consummatory“ – Motivationen zu, da den eigenen Erwartungen Folge geleistet wird. Durch die Befolgung der internalisierten Normen ergibt sich soziales Kapital für das Kollektiv. Portes spricht in diesem Sinne von einer „Ressource für die anderen“, da darauf vertraut werden kann, dass sich jeder an die Normen hält, wenn sie internalisiert sind. Nach Coleman (1988: 99 f.) stellen etablierte Normen eine Form des sozialen Kapitals dar, was er am Beispiel „Jerusalem“ demonstriert. Er führt die normative Struktur in Jerusalem an, wonach es für Erwachsene eine Selbstverständlichkeit ist, auf Kinder zu achten, die in der Öffentlichkeit allein unterwegs sind. Die Eltern können ihren Kindern aufgrund dieser etablierten Norm mehr Freiräume gewähren (indem sie die Kinder bspw. alleine zur Schule gehen lassen) und verfügen somit über mehr soziales Kapital als Eltern, die nicht in einer solchen Umgebung leben und von der Norm Gebrauch machen können. Dieses Beispiel veranschaulicht eine internalisierte Norm nach Portes. Die Norm der Reziprozität ist nach Portes hingegen auf einen Austausch angelegt: eine Person investiert in etwas, hilft aus oder tut etwas für jemanden und erwartet eine äquivalente Rückzahlung. Diese Rückzahlung der Verpflichtung muss nicht auf dieselbe oder ähnliche Weise erfolgen. Auch der Zeitpunkt der Rückzahlung ist unspezifisch (Portes 1998: 7). Der instrumentalisierende Charakter der Reziprozitätsnorm nach Portes soll anhand eines Sponsors veranschaulicht werden. Ein Sponsor investiert eine größere Geldsumme in ein Projekt. Nach Portes muss der Sponsor dies nicht unbedingt

40

4 Sozialkapitaltheorie nach Robert Putnam

aus reiner Nächstenliebe tun, sondern weil er sich von dem Projekt, bzw. den Projektmitarbeitern, einen Vorteil verspricht. Diese Rückerstattung muss nicht in Geldzahlungen erfolgen, sondern könnte bspw. auch die Vermittlung eines wichtigen Kontaktes oder Publicity34 – im Rahmen von Prestige und Anerkennung – sein. Für eine Reihe von Theoretikern (z. B. Fukuyama 2000: 3; Putnam 1993: 172) spielt die Norm der Reziprozität bei der Bildung sozialen Kapitals eine essenzielle Rolle. Sie kann nur innerhalb einer sozialen Beziehung bzw. in einer Austauschbeziehung von mindestens zwei Personen entstehen. Wenn sie existiert, kann sie ein bestehendes soziales Netzwerk stabilisieren (Gouldner 1960: 161). Sie kann auch das soziale Vertrauen stärken, indem Transaktionskosten von Interaktionen gesenkt und Kooperationen erleichtert werden (Putnam 1993: 172; 2000: 135). Die sozialen Beziehungen werden durch die Reziprozitätsnorm zumindest solange aufrechterhalten, wie die Verpflichtungen andauern, sodass sich eine stabile und langanhaltende Beziehung entwickeln kann (Lodewijkx 2008: 107). Putnam (1993) unterscheidet zwischen zwei Ausprägungen der Reziprozitätsnorm: der spezifischen und der generalisierten Reziprozitätsnorm (vgl. Diekmann 2004 für eine kurze Übersicht). Die Norm der spezifischen Reziprozität kann mit der Reziprozitätsnorm nach Portes (1998) verglichen werden. Die spezifische Reziprozitätsnorm bezieht sich auf wert-äquivalente Austauschsgüter und -leistungen, wodurch sie auch als „balanced“ (Putnam 1993: 172) beschrieben wird. Der spezifischen Reziprozitätsnorm kann so eine instrumentalisierte Motivation unterstellt werden (dem Leitspruch folgend: „I’ll do this for you if you do that for me“). Die generalisierte Reziprozitätsnorm ist hingegen unbestimmter und auf länger andauernde Beziehungen angelegt, da ein Gefallen in späterer Zukunft Erwiderung finden soll (Putnam 1993: 172). Gleichwohl findet sich auch in dieser Ausprägungsform der Grundgedanke des Gebens und Nehmens wieder, auch wenn dieser weder auf Gleichwertigkeit basiert noch an eine bestimme Person oder eine bestimmte Zeit gebunden ist (Putnam 2000: 134).35 „Generalized reciprocity refers to a continuing relationship of exchange that is at any given time unrequired or imbalanced, but that involves mutual expectations that a benefit granted now should be repaid in the future“ (Putnam 1993: 172). Die Ausprägung der generalisierten Reziprozitätsnorm ist nach Putnam die bedeutendste zur Bildung sozialen Kapitals. Er nimmt an, dass in Gemeinschaften, in denen die Norm der generalisierten Reziprozität etabliert ist, eine resistente Haltung gegenüber opportunistischem Handeln vorherrscht und dass Probleme effektiver im Kollektiv gelöst werden. In der Norm der generalisierten Reziprozität wird Solidarität mit Eigeninteresse verbunden: Einerseits wird jemand anderem kurzfristig ausgeholfen (Solidarität). Langfristig erfährt der Helfende entweder 34

35

Die Rückzahlung als Publicity erfolgt dann vom Kollektiv und nicht in erster Linie durch das Projekt. Der Grundgedanke, dass jemand eine Tat jedoch nur für eine gleichwertige Rückzahlung ausführt, bleibt jedoch erhalten: Spende als instrumentalisiertes Motiv (Portes 1998: 9). In Abgrenzung zur spezifischen Reziprozitätsnorm beschreibt Putnam (2000: 134) die generalisierte Form folgendermaßen: „I’ll do this for you now, without expecting anything immediately in return and perhaps without even knowing you, confident that down the road you or someone else will return the favor“.

4.2 Sozialkapitalindikatoren (nach Putnam)

41

von der Person, die er unterstützt hat, oder von einem Dritten Hilfe (Eigeninteresse). Die Reziprozitätsnorm beinhaltet nach Gouldner (2005: 107) in ihrer Anwendung eine Minimalanforderung: einerseits soll man denen helfen, die einem helfen, anderseits soll man jene nicht verletzen, die einem geholfen haben. Jenen, die verletzen oder schädigen, soll nicht geholfen werden (Gouldner 2005: 119). Die Erwartungen (einschließlich der Minimalanforderung) werden unspezifisch, indem sie sich von dem direkten Empfänger der Hilfeleistung sowie der unmittelbaren Erwiderung lösen und auf das Kollektiv übergehen, wenn sich die generalisierte Reziprozitätsnorm in einer Gemeinschaft etabliert. Nach Putnam (2000: 135) überschneiden sich dann die Norm der generalisierten Reziprozität und die Motive des Altruismus so weit, dass diese nur noch schwierig voneinander zu unterscheiden sind. Gouldner (2005: 110) selbst differenziert die Norm der Reziprozität von der Norm der Wohltätigkeit. Die Norm der Wohltätigkeit beinhaltet die normative Orientierung des Altruismus und betont, dass jenen geholfen wird, die Hilfe benötigen, unabhängig von Erwiderungen. Eine Interaktion beider Normen – der Reziprozität und der Wohltätigkeit – ist möglich (Gouldner 2005: 113). Die generalisierte Reziprozitätsnorm ist folglich ein zentrales Element in der Sozialkapitaltheorie und kann der relationalen Dimension (Nahapiet & Ghoshal 1998: 244) zugeordnet werden. In Netzwerken des zivilgesellschaftlichen Engagements, die auf horizontalen und formalen Strukturen basieren, ist die generalisierte Reziprozitätsnorm eher vorzufinden als in informalen Netzwerken (Putnam 2000: 20 ff.). Putnam führt diesen Unterschied auf die jeweilige Form des brückenbildenden oder bindenden sozialen Kapitals zurück (Putnam 2000: 22 f.). In bindenden Sozialkapitalbeziehungen bilden sich eher spezifische Reziprozitätsnormen, da sich die gegenseitigen Hilfeleistungen an die Gruppenmitglieder richten und mit Erwartungen einer reziproken Erwiderung einhergehen. Brückenbildende Sozialkapitalbeziehungen hingegen bilden aufgrund ihrer heterogenen Zusammensetzung und schwächeren Beziehungsstärke (weak ties nach Granovetter 1973) eher generalisierte Reziprozitätsnormen aus. Eng mit der Norm der Reziprozität verbunden ist das soziale Vertrauen, der dritte Indikator des sozialen Kapitals nach Putnam. Wie die Reziprozitätsnorm wird auch er der relationalen Dimension zugeschrieben. Beide Indikatoren, die Reziprozitätsnorm sowie das soziale Vertrauen, stellen die Auswirkungen sozialer Interaktionen dar und bilden Eigenschaften ab, die den jeweiligen Erwartungen entsprechen. Reziprozität bezieht sich hier auf die reziproke Erwiderung einer erbrachten Leistung und auf die Zuverlässigkeit. Das (soziale) Vertrauen bezieht sich auf die Erwartungshaltung, dass der andere aufrichtig, glaubwürdig, kurz vertrauenswürdig ist (Gundelach & Traunmüller 2013: 600). Den engen Zusammenhang von Vertrauen, Vertrauenswürdigkeit, Erwartungen und Reziprozität hat schon Coleman (1990: 306) herausgestellt (vgl. Kapitel 3).

42

4 Sozialkapitaltheorie nach Robert Putnam

Soziales Vertrauen Vertrauen ist eine der ersten Erfahrungen, die ein Mensch macht. In den ersten Lebensjahren erlebt er das Vertrauen zu engen Bezugspersonen wie den Eltern (eine Art Urvertrauen), eine Grundvoraussetzung für spätere Vertrauensbeziehungen, ob Selbstvertrauen, Vertrauen in bestimmte Personen und in das soziale Umfeld (Erikson 1966).36 Vertrauen in spezifische Personen wie die Eltern oder später auch Verwandte, Bekannte oder in eine Gruppenzugehörigkeit wird als persönliches bzw. partikulares Vertrauen bezeichnet (Delhey & Newton 2004: 152), das auf der Einstellung beruht, dass die Personen vertrauenswürdig sind. Partikulares Vertrauen zeichnet sich dadurch aus, dass persönliche Charaktereigenschaften die Vertrauenswürdigkeit beeinflussen und aufgrund dessen Vertrauen in unterschiedlichen Ausprägungen zu jeweiligen Personen differenziert wird (Putnam 1993: 243). Vertrauenswürdigkeit bezeichnet die Annahme, dass man sich auf etwas Bestimmtes – eine Handlung oder eine Person – verlassen kann. Das „Urvertrauen“, das partikulare Vertrauen und die personenspezifische Vertrauenswürdigkeit werden insbesondere in psychologischen Konzepten und Studien (z. B. Deutsch 1960; Butler & Cantrell 1984; Rousseau et al. 1998) aufgegriffen und empirisch untersucht. Sozialwissenschaftliche Ansätze, die weniger die individuumszentrierte Perspektive einnehmen, wie die Psychologie, greifen tendenziell auf andere Aspekte des partikularen Vertrauens zurück und diskutieren es bspw. in einem austauschtheoretischen Zusammenhang. So kennzeichnet Preisendörfer (1995: 264) zwischenmenschliches Vertrauen als einen essenziellen Bestandteil sozialer Beziehungen, da es eine Überwindung von Zeit- und Informationsproblemen durch einseitige Vorleistung ermöglicht. Luhmann bewertet Vertrauen (in seinen frühen Arbeiten) als „riskante Vorleistung“ (Luhmann 1989: 23), da durch den sequentiellen und zeitlich verzögerten Leistungsaustausch in sozialen Beziehungen eine Unsicherheit entsteht, ob man sich an die impliziten sowie expliziten Absprachen hält (Preisendörfer 1995: 264). Vertrauen beinhaltet zudem „that the truster freely transfers assets to another person, without controlling the action of that other person or having the possibility to retaliate“ (Naef & Schupp 2009: 3), wodurch die riskante Vorleistung um den Aspekt des Kontrollverlustes erweitert wird. Eine solche austauschtheoretische Perspektive eignet sich dazu, sie über spieltheoretische Umsetzungen zu modellieren. Mit Blick auf eine spieltheoretische Beschreibung erläutert Preisendörfer (1995: 266 f.), dass Vertrauen aus der Dauer sozialer Beziehungen (Wiederholung des Spiels) sowie der Dichte von sozialen Netzwerken (Reputation der Spieler) entstehen kann. Eine solche theoretische Perspektive passt auch zu Putnams Ansatz (1993: 172), nach dem durch persönliche Beziehungen und wechselseitige Handlungen Informationen über die Vertrauenswürdigkeit nebenbei und zuverlässig eingeholt werden. Das Vertrauen in Unbekannte wird in Abgrenzung zum partikularen Vertrauen als soziales Vertrauen bezeichnet. Das soziale Vertrauen wird anders als das partikulare Vertrauen als von den persönlichen Charaktereigenschaften unabhängig gesehen und bezieht sich stärker auf die ge-

36

Nach dem Stufenmodell nach Erikson ist die erste Stufe des Urvertrauens gemeint.

4.2 Sozialkapitalindikatoren (nach Putnam)

43

gebenen Umstände und die davon abhängige vertrauensvolle Einstellung den Mitmenschen gegenüber (Putnam 1993: 243). Das soziale Vertrauen beruht auf der Annahme, „dass mir andere, im schlechtesten Fall, nicht wissentlich und vorsätzlich Schaden zufügen und, im besten Fall, im Sinne meiner Interessen handeln“ (Delhey & Newton 2004: 152). Das soziale Vertrauen kann gesellschaftlich betrachtet als wichtige Vertrauensform gesehen werden, da allgemeingültige Verhaltensweisen in modernen Gesellschaften üblich sind und Handlungen voneinander abhängen und aufeinander aufbauen (Delhey & Newton 2004: 152). Soziales Vertrauen trägt zur gesellschaftlichen Teilnahme im Sinne einer „civic virtue“ (Putnam 1993) bei, worauf Putnam im Sinne Jellineks’ (1892) „status activus“ das Beteiligungsrecht einer politischen Partizipation anspricht. „Social trust in complex modern settings can arise from two related sources—norms of reciprocity and networks of civic engagement“ (Putnam 1993: 171). Wenn also in sozialen Netzwerken vor allem in horizontalen Strukturen interagiert wird, kann soziales Vertrauen gestärkt werden. Soziale Netzwerke ermöglichen die Verstärkung des Vertrauens durch die Weitergabe der Reputation: „I trust you, because I trust her and she assures me that she trusts you.“ (Putnam 1993: 169). In diesem Zusammenhang vergleicht Uslaner (2002: 1) Vertrauen metaphorisch mit Hühnersuppe, die scheinbar ebenso unerklärlich positiv wirkt (hier auf die Gesundheit). Durch reziproke Interaktionen wird Vertrauenswürdigkeit gefestigt, die sich in Vertrauen umwandeln kann. Coleman (1988) stellt heraus, dass die Erwiderung von gegebenen Verpflichtungen (credit slips) eine Sicherung an sozialem Kapital darstellt, die auf der Grundlage von interpersonellem Vertrauen beruht. Interpersonelles Vertrauen, das eine generalisierte Einstellung in Bezug auf Mitmenschen oder Gruppen darstellt (vgl. Rotter 1980), wird teilweise mit sozialem Kapital assoziiert (Frings 2010: 13). Coleman jedoch verwendete den Begriff des sozialen Vertrauens nicht. Während das partikulare Vertrauen definitionsgemäß innerhalb einer Beziehung entsteht, ist die Entstehung des sozialen Vertrauens umstritten. Es gibt hier mindestens zwei rivalisierende Ansätze. Der Bottom-up-Ansatz geht davon aus, dass soziales Vertrauen in Beziehungen entsteht (z. B. Putnam 2000) und betrachtet es als individuelle Eigenschaft wie ein Persönlichkeitsmerkmal oder eine Ressource. Dahingegen versteht der Top-down-Ansatz soziales Vertrauen als soziale Eigenschaft, die durch gesellschaftliche Institutionen „von oben herab“ geprägt wird (Delhey & Newton 2004: 153). Putnam (2000: 93), der den Bottom-up-Ansatz favorisiert, verweist darauf, dass Netzwerke und Reziprozitätsnormen soziales Vertrauen verstärken, was insbesondere durch „geselliges Beisammensein“, durch Mitgliedschaften in Organisationen geschehen kann. Als Vertreter des Top-down-Ansatzes können hingegen Rothstein & Stolle (2008) gesehen werden. Diesem institutionell-strukturellen Ansatz folgend nehmen sie an, dass soziales Vertrauen über staatliche Institutionen und die Regierung gebildet wird. Sie betonen damit die Einflüsse politischer und administrativer Organisationen, was nach Stolle (2002: 408) über die Eltern sozialisiert wird. Die Eltern geben ihre Erfahrungen zur Fairness an ihre Kinder weiter, was zur Ausformung des Vertrauens der Kinder in Institutionen und andere Personen führt. Das Vertrauen in die Institutionen wird auch als institutionalisiertes Vertrauen bezeichnet.

44

4 Sozialkapitaltheorie nach Robert Putnam

Nachfolgend soll auf die verschiedenen Vertrauensformen weiter eingegangen werden. Im Rahmen der Sozialkapitaltheorien wird vornehmlich zwischen partikularem Vertrauen und sozialem bzw. generalisiertem Vertrauen unterschieden (Rahn & Transue 1998; Putnam 2000: 136). Das partikulare Vertrauen wird auch als strategisches Vertrauen (Uslaner 2002: 17), spezifisches Vertrauen (Knack & Keefer 1997: 1258) oder „thick trust“ (Putnam 1993: 171) bezeichnet. Das soziale Vertrauen wird auch moralisches Vertrauen (Uslaner 2002: 17 f.), unspezifisches Vertrauen oder „thin trust“ (Putnam 2000: 136) genannt und markiert – ungeachtet der gerade skizzierten Entstehungsrichtung in Bezug auf den Bottom-up- und Top-down-Ansatz – ein wesentliches Merkmal des sozialen Kapitals. Während sich das partikulare Vertrauen auf einen bekannten Personenkreises bezieht, umfasst das soziale Vertrauen die generelle Einstellung gegenüber Fremden (Rahn & Transue 1998: 545). Uslaner (2002: 14) führt die Unterscheidung zwischen strategischem und moralischem Vertrauen ein und versucht auf diese Weise, sich von der Begriffsbedeutung des sozialen Vertrauens zu lösen. Er unterstellt diesen Vertrauensformen unterschiedliche Erwartungshaltungen an die Vertrauensadressaten. Bei strategischem Vertrauen wird eine konkrete bzw. bestehende Erwartungshaltung eingenommen, sodass ein spezifisches Verhalten einer Person oder ein spezifisches Ergebnis erwartet wird. Bei moralischem Vertrauen wird die Erwartung aufgebaut, wie sich Personen verhalten sollen. Es wird davon ausgegangen, dass andere Personen dieselben moralischen Werte haben wie eine betreffende Person. Moralisches Vertrauen basiert auf der Erwartung, dass man nicht von anderen übervorteilt wird. Uslaner (2002: 21 ff.) schreibt Personen mit einem hohen moralischen Vertrauen daher eine optimistische Weltanschauung zu. Nach seiner Ansicht stellt das moralische Vertrauen eine überdauernde Wertehaltung dar, die sich vom sozialen bzw. generalisierten Vertrauen darin unterscheidet, dass sie nicht von alltäglichen Erfahrungen beeinflusst wird und daher konstant ist. Neben den Ansätzen Bottom-up bzw. Top-down vertritt Uslaner (2002: 21) die Auffassung, dass generalisiertes Vertrauen (bzw. moralisches Vertrauen) durch die Eltern sozialisiert wird. Es basiert nach seiner Auffassung weniger auf den Erfahrungen partikularer Vertrauensbeziehungen, sondern stellt eine davon unabhängige, generell optimistische Haltung dar (Uslaner 2002: 16).37 Eine ähnliche Unterscheidung zwischen den beiden verschiedenen Vertrauensformen findet sich auch bei Putnam (1993; 2000). Er nennt zuerst das partikulare Vertrauen bzw. personenbezogene Vertrauen (personal trust), das sich auf spezifische Interaktionspartner wie Familienmitglieder, Verwandte oder Freunde bezieht. Putnam (1993: 171) spricht in diesem Zusammenhang auch von „dickem Vertrauen“ (thick trust).38 Dem direkten und personenbezogenen Vertrauen stellt er das sogenannte dünne Vertrauen (thin trust) gegenüber, welches sich nicht auf spezifische Personen, sondern auf Mitmenschen im Allgemeinen bezieht. Diese Art des Vertrauens „extends trust beyond an individual’s actual network, into a more implicit sense of common networks and assumptions of eventual reciprocity“ (Putnam 2000: 136). Thin trust, 37 38

Eine optimistische Grundhaltung geht nach Erik Erikson (1957) auf das Urvertrauen zurück, das sich in den ersten Lebensjahren entwickelt. Spezifisches oder partikulares Vertrauen sind weitere Begriffe, die für das Vertrauen in Familien und im engeren Umfeld stehen und somit vom selben Vertrauensverhältnis ausgehen wie thick trust (Delhey et al. 2011: 786).

4.2 Sozialkapitalindikatoren (nach Putnam)

45

welches auch als soziales Vertrauen interpretiert werden kann, bezieht sich auf eine Vertrauensform, in der das Gegenüber ein Unbekannter sein kann und persönliche Erfahrungen fehlen können. Während thick trust im Sinne Granovetters (1985) den Charakter von strong ties besitzen kann, also stärkere Vernetzungen und häufiger Umgang (Putnam 2000: 136), ähnelt thin trust den weak ties, auch wenn in schwachen Beziehungen nach Granovetter (1985) persönliche Erfahrungen bzw. Empfehlungen (Weitergabe der Reputation) vorhanden sind. Gesellschaftlich ist nach Putnam (2000: 136) thin trust nützlicher als thick trust: es besitzt einen größeren „radius of trust“ (Putnam 2000: 136; in Anlehnung an Fukuyama 2000), sodass sich mehr Personen an untereinander wirksamen kooperativen Normen orientieren (Fukuyama 2000). Bereits Granovetter (1985) hatte schwachen Beziehungen einen größeren Nutzen als starken Beziehungen attestiert, da sie durch das größere Netzwerk einen höheren Informationsgehalt aufweisen. Die Form des brückenbildenden sozialen Kapitals besitzt einen größeren Radius des Vertrauens als bindendes soziales Kapital, da die Ausrichtung des Vertrauens dieser heterogenen Gruppen sich auf Nicht-Gruppenmitglieder bezieht (Putnam 2000: 22). Der Radius des Vertrauens ist nicht mit dem Grad des Vertrauens (level of trust) zu verwechseln. In Bezug auf die zivilgesellschaftliche Kooperation erklären Delhey et al. (2011: 787), „the radius of trust determines the width of the cooperation circle, while the level of trust determines the intensity of civic cooperation within this circle“. Der Radius des Vertrauens beschreibt die Größe des Personenkreises, dem vertraut und mit dem demnach kooperiert wird. Die Höhe des Vertrauens – bei beliebigem Radius – führt zu vermehrten Kooperationen. Grundsätzlich geht mit einem größeren Vertrauensradius auch ein höheres Vertrauenslevel einher, sodass ein umfassendes generalisiertes Vertrauen durch den Radius und die Höhe des Vertrauens bestimmt werden kann. Eine Ausnahme besteht jedoch, wenn der Radius fix ist und sich lediglich die Höhe des Vertrauens verändern kann. In diesem Fall ließe eine Kombination aus Radius und Vertrauenslevel keine Aussagen zu, sodass allein die Höhe des Vertrauenslevels zur Bestimmung des generalisierten Vertrauens ausreicht (Delhey et al. 2011: 787 f.). Das generalisierte Vertrauen sollte auch hinsichtlich des institutionalisierten Vertrauens differenziert betrachtet werden. Während das Vertrauen in unbekannte Personen das generalisierte Vertrauen charakterisiert, bezieht sich das institutionalisierte Vertrauen auf soziale und politische Institutionen, wie Polizei, Parlament oder Gerichte. Das institutionalisierte Vertrauen ist im Bereich des politischen Vertrauens angesiedelt und bezieht sich auf die Regierung bzw. die staatlichen Vertreter wie Politiker (Rothstein & Stolle 2008: 443; Putnam 2000: 137 f.). Politisches und soziales Vertrauen hängen in der Theorie eng miteinander zusammen, zeigen jedoch bei empirischen Untersuchungen nur relativ geringe Korrelationen (Hooghe & Stolle 2003: 11). Rothstein & Stolle begründen den geringen Zusammenhang mit der Unschärfe des politischen Vertrauens, welches nicht nach repräsentierenden Institutionen, wie Parlament oder Parteien, und den durchführenden öffentlichen Institutionen, wie Polizei, Gerichten oder Militär, differenziert. Durchführende öffentliche Institutionen weisen in der Regel ein höheres Vertrauen auf als repräsentierende Institutionen, da sie einerseits in der Wahrnehmung des alltäglichen Lebens Schutz und Gerechtigkeit bieten und andererseits unparteiisch und wertfrei sind. Reprä-

46

4 Sozialkapitaltheorie nach Robert Putnam

sentierende Institutionen (Hooghe & Stolle 2003: 11 ff.) werden hingegen meist durch die gewählten Parteien bestimmt und können nach einer Amtsperiode abgewählt werden bzw. wechseln. Rothstein & Stolle (2008: 448) zeigen mithilfe einer Hauptkomponentenanalyse, dass sich die Items der repräsentierenden Institutionen und durchführenden öffentlichen Institutionen auf zwei Komponenten – politisches Vertrauen (mit gewählten Instituten) und Vertrauen in unparteiische Institutionen – verteilen. Aufgrund dieser differenzierteren Betrachtung des institutionellen Vertrauens können sie zeigen, dass das generalisierte Vertrauen eher mit dem Vertrauen in unparteiischen Institutionen zusammenhängt (Rothstein & Stolle 2008: 450). Nach Uslaner (2002: 21) ist das Vertrauen in die Regierung sowie in Vereinsmitglieder ein strategisches Vertrauen. Erfahrungen mit den Institutionen erzeugen eine Erwartungshaltung, wie diese sich verhalten werden (Uslaner 2002: 23). Dabei können neue Erfahrungen die bisherigen Erfahrungen beeinflussen und die Erwartungshaltung sowie das (strategische) Vertrauen ändern, weshalb es sich nicht um moralisches bzw. soziales Vertrauen handeln kann. Wie bereits zuvor erwähnt, wird generalisiertes Vertrauen in der Sozialkapitalforschung als der bedeutendste Indikator des sozialen Kapitals betrachtet (Rothstein & Stolle 2008: 441; Fukuyama 1995; Putnam 1993; 2000). Es ist zentraler Bestandteil in dem einstellungsbezogenen Bottom-up-Ansatz sowie in dem institutionell-strukturierenden Top-down-Ansatz, wenngleich auch immer wieder diskutiert wird, ob es einer eigenen Dimension zugeschrieben werden sollte (u. a. Woolcock 1998). Putnam (2001) bezeichnet soziales Vertrauen als „den Proxy“ sozialen Kapitals.

5

Diskussion zur Sozialkapitaltheorie

Nachdem die Sozialkapitaltheorien vorgestellt wurden, sollen sie nun diskutiert werden. Denn in der sozialwissenschaftlichen Literatur haben die Ansätze zur Sozialkapitaltheorie erhebliche Kritik erfahren. Im Folgenden sollen zuerst einige allgemeine Kritikpunkte an der Sozialkapitaltheorie dargestellt werden, um anschließend auf weitere spezifische Kritikpunkte hinsichtlich Colemans und Putnams Sozialkapitalansatz einzugehen. Zum Ende dieses Kapitels werden die Beiträge diskutiert und im Hinblick auf meine empirische Fragestellung und Untersuchung hin eingeordnet und bewertet. Eine häufige Kritik richtet sich gegen den Sozialkapital-Begriff selbst. Mit ihm wird häufig ökonomisches Gedankengut assoziiert. Entsprechend werden auch Kriterien, die dem ökonomischen Kapitalbegriff zugrunde liegen, auf den Begriff des sozialen Kapitals angewendet. Arrow (2000: 4), ein führender Ökonom im Bereich der Kapitaltheorie, wendet kritisch ein, dass die Eigenschaft der Übertragbarkeit der klassischen Kapitalsorten (wie z. B. Maschinen) für soziales Kapital nur eingeschränkt gelte. Kapital wird in der ökonomischen Theorie vor allem als Produktionsfaktor gesehen. Soziales Kapital kann mit seinen Elementen wie der Reputation und des Vertrauens auch aus ökonomischer Perspektive produktiv wirken, aber eine Aufteilung des Kapitals wie etwa bei physischen Investitionsgütern ist bei Reputation oder Vertrauen kaum möglich. Ein weiterer Kritikpunkt von Arrow ist, dass die Planungsmöglichkeiten für die Verwendung bei sozialem Kapital andere als bei den ökonomischen Kapitalsorten sind. Ökonomische Produktionsfaktoren lassen es zu, dass man über sie rationale Kosten-Nutzen-Überlegungen für ihren Einsatz aufstellt. Der Wert anderer Kapitalsorten ergibt sich aus den Gewinnen, die in der Zukunft anfallen. Arrow (2000: 4) kritisiert, dass soziales Kapital, wie ein soziales Netzwerk, nicht aufgebaut wird, um einen ökonomischen Wert für die Nutzer zu generieren. Vielmehr gibt es seiner Ansicht nach vielfach eine intrinsische Motivation für den Aufbau von sozialem Kapital, die unabhängig ist von äußeren Faktoren wie Gewinnen. Einige Autoren bezeichnen Sozialkapital sogar als Oxymoron (Taormina et al. 2012): „[…] the term ‚social capital‘ […] joins the concept of engaging in ‚social‘ interactions, i.e., people coming together for pleasurable purposes (not necessarily for materialistic ends), with the word ‚capital‘, which refers to people competing with each other for the explicit purpose of gaining money or some other material advantage over others.“ Taormina et al. (2012) und Bowles & Gintis (2002) schlagen vor, anstelle des Wortes klare begriffliche Benennungen (wie z. B. Unterstützung von Freunden oder Gemeinschaft) zu benutzen. Ein weiterer Kritikpunkt, der auch bereits bei der Besprechung der Theorieansätze vereinzelt aufgetaucht ist, stellt die Unschärfe des theoretischen Begriffs Sozialkapital dar. Quibria (2002: 35) weist in diesem Zusammenhang darauf hin, dass es nicht das eine Sozialkapital gibt, sondern dass sich der Begriff auf viele heterogene Inhalte sozialer Interaktionen (wie Vertrauen, Normen usw.) bezieht. Bebbington (1999: 2035) merkt an, dass „[…] social capital belongs to that alarmingly long list of terms in development that are notoriously difficult to define.“ Die Diversität der Inhalte wird von anderen Autoren so interpretiert, dass soziales Kapital einem

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_5

48

5 Diskussion zur Sozialkapitaltheorie

„Catch-all“-Konzept gleichkommt, das sich anbietet, alle gesellschaftsrelevanten Schwierigkeiten von der lokalen bis zur globalen Ebene anzusprechen und zu lösen (Edwards & Foley 2013: 1; Portes & Vickstrom 2011). Eine Problematik des Catch-all-Konzepts ist, dass das Forschungsfeld inhaltlich so uneinheitlich ist, dass strengere Standards der konzeptuellen Validität und Reliabilität nicht erreicht werden können (Hirsch & Levin 1999: 2000). Portes & Vickstrom (2011: 472) zweifeln die soziologische Bedeutung des sozialen Kapitals an, indem sie zwar bestätigen, dass gegenseitiges Vertrauen wünschenswert ist, jedoch meinen, es sei nicht notwendig für eine lebensfähige Gesellschaft. Sie beziehen sich in ihren Aussagen auf klassische soziologische Theoretiker wie auf Emil Durkheim, Ferdinand Toennies, Werner Sombart oder Bronislaw Malinowski. Die Autoren suggerieren, dass Sozialkapitaltheoretiker gegenseitige Bekanntschaft/Vertrautheit und kulturelle Homogenität – Merkmale der mechanischen Solidarität nach Durkheim (1988 [1893]) – stärker idealisieren als nötig, zumal die mechanische Solidarität eine inzwischen überwundene Form des gesellschaftlichen Zusammenhalts in den modernen Gesellschaften darstellt. In Bezug auf die Klassiker sind die Autoren der Meinung, dass es andere Möglichkeiten gibt, gesellschaftlichen Zusammenhalt herzustellen, der dann für kollektives Wohlbefinden sowie für das individuelle Wachstum förderlich ist. Sie greifen dazu auf die Merkmale der modernen Gesellschaft – zunehmende Differenzierung und Vielfalt im Zusammenspiel mit komplexen, multiplen Rollen, also die organische Solidarität – zurück. Portes & Vickstrom (2011: 473) betonen, dass der Zusammenhalt in modernen Gesellschaften vor allem über Normen erreicht wird, die von allen verstanden und akzeptiert und von speziellen Agenten durchgesetzt werden. Märkte und Firmen funktionieren aufgrund von universalistischen Regeln, nicht aufgrund ihrer Sozialkapitalausstattung. Auch die emotionale Identifikation der Individuen mit ihrer Nation oder ihren Wohnregionen bedarf keiner gegenseitigen Bekanntschaft, sondern beruht auf geteilten Werten und der Anerkennung einer gemeinsamen normativen Ordnung.

5.1

Spezielle Diskussion zum Sozialkapitalansatz Colemans

Sozialkapitalforscher, die sich stärker mit Netzwerkaspekten beschäftigt haben, kritisieren an der Theorie Colemans (1995), dass er für die Entstehung von sozialem Kapital die Bedeutung der Schließung der Netzwerke überschätzt (Lin 2001: 26; Burt 2000).39 Ein ähnlicher Kritikpunkt wird auch der Theorie von Putnam (1993) entgegengebracht, da dieser aus Sicht der Kritiker die Bedeutung der Dichte von Netzwerken zu hoch ansetzt. Aus Sicht von Coleman ist die Geschlossenheit ein entscheidender Vorteil, da dadurch Vertrauen, Normen, Autorität und Sanktionen effektiver wirken können (Lin 2001: 27). Gegen diese Ansicht führen die stärker auf Netzwerke zentrierten Forscher an, dass Burt und Granovetter gezeigt haben, wie wichtig 39

Burt (1992; 2000) vertritt eine konträre Haltung gegenüber Colemans geschlossenen Netzwerken. Er betont die exklusiven Verbindungen in andere Netzwerke, die sonst niemand im Netzwerk hat – sogenannte structural holes, die nützliche Quellen zur Gewinnung neuer Informationen und Ressourcen sind. Dichte Netzwerke stellen dagegen nur redundante Informationen bereit.

5.1 Spezielle Diskussion zum Sozialkapitalansatz Colemans

49

Brücken zu anderen Netzwerken sind. Brücken dienen einerseits dem Informationsaustausch, andererseits der sozialen Einflussnahme zwischen Gruppen. Colemans und Putnams theoretische Betonung der Schließung bzw. Dichte stellt aus Sicht von Lin (2001: 27) geradezu eine Leugnung der Erkenntnisse netzwerkbezogener Forscher dar, weil sie deren zentralen Inhalte wie Brücken zwischen Netzwerken, structural holes nach Burt (1992) oder der schwachen Verbindungen nach Granovetter (1973) zu wenig Bedeutung zumessen. Lin (2001) bietet einen differenzierten Blick auf die Bedeutung der Geschlossenheit an, indem er darauf hinweist, dass diese nur bei bestimmten Zielen vorteilhaft ist, etwa wenn bestimmte Ressourcen geschützt werden sollen. So ist die soziale Kontrolle von Nachbarn, zum Schutz von Häusern und Grundstücken und zur Aufrechterhaltung der Sicherheit in der Nachbarschaft, desto effektiver, je dichter eine Netzwerkgemeinschaft von Nachbarn ist. Aus Sicht von netzwerktheoretisch orientierten Sozialkapitalforschern wäre es theoretisch weiterführend, deduktiv empirisch zu klären, wann und unter welchen Bedingungen enge oder lose Netzwerke bessere Ergebnisse sozialen Kapitals erzeugen. Es ist durchaus diskutabel, was ein enges und loses Netzwerk ist. Dies wird von den Autoren, die den Grad des Netzwerks messen wollen, auch von unterschiedlichen Faktoren abhängig gemacht, wie bspw. der Kombination aus Vertrauen, Intimität, Interaktionen und Reziprozität (vgl. Granovetter 1973) oder den Netzwerkbrücken (Lin 2001). Wie andere Autoren auch kritisiert Lin (2001: 28) die Funktionalität des sozialen Kapitals in Colemans Theorie, die seiner Ansicht nach tautologische Züge besitzt: „Social capital is identified when and if it works; the potential causal explanation of social capital can be captured only by its effect; or whether it is an investment depends on the return for a specific individual in a specific action. Thus, the causal factor is defined by the effectual factor“. Dabei lehnt Lin die Funktionalität nicht vollkommen ab, wenn er bspw. argumentiert, dass Ressourcen in sozialen Netzwerken eingebettet sind, die es erleichtern, einen Job zu bekommen. Nach seiner Ansicht darf das soziale Kapital nicht von einem Ergebnis abhängen, weil sonst eine theoretische Konfundierung stattfindet, in der soziales Kapital und seine Resultate nicht auseinander gehalten werden können. Ein solches Problem führt unweigerlich zu einem Problem auf der Messebene, auf der es notwendig ist, dass sich das Konstrukt und sein Ergebnis differenziert erfassen lassen. Diese Uneinigkeit in Bezug auf das soziale Kapital und dessen Ergebnis zeigt sich auch bei der fehlenden Messbarkeit des sozialen Kapitals bei Coleman, was auch schon von Diekmann (1993: 23) moniert wurde. Den Aspekt der Tautologie greift auch Portes (1998: 5) auf, begründet ihn jedoch mit der fehlenden Klarheit der Definition des sozialen Kapitals bei Coleman (1995), da dieser nicht die Sozialkapitalressourcen von der Fähigkeit trennt, diese auch durch die Mitgliedschaft in Sozialkapitalgruppen zu nutzen. Nach seiner Ansicht hat die unscharfe Definition Colemans gegenläufige Prozesse in der theoretischen Konzeptualisierung des sozialen Kapitals hervorgebracht. Portes (1998: 5) führt an, dass Coleman den Sozialkapital-Begriff in zu unterschiedlichen Facetten verwendet, im Einzelnen als „the mechanisms that generated social capital (such as reciprocity expectations and group enforcement of norms); the consequences of its possession (such

50

5 Diskussion zur Sozialkapitaltheorie

as privileged access to information); and the ‚appropriable‘ social organization that provided the context for both sources and effects to materialize“. Damit wird eine systematische Verwendung des Begriffes erheblich verkompliziert, weil theoretisch zwischen Sozialkapitalinhabern, den Nachfragern nach Sozialkapital und den Ressourcen unterschieden werden muss. In den meisten Erörterungen über Sozialkapital werden diese aber nicht voneinander getrennt, sondern konzeptuell zusammengeworfen (Portes 1998: 6). Das Problem bei der Forderung nach einer Konkretisierung aller Sozialkapitalelemente ist, dass sich diese nicht auf eine Makroperspektive übertragen lässt. Soziales Kapital als Kollektivgut stellt die Ressource an sich und den Sozialkapitalinhaber gleichermaßen dar, während alle Personen im Netzwerk die Nachfrager sind. „As a property of communities and nations rather than individuals, social capital is simultaneously a cause and an effect“ (Portes 1998: 19), wodurch es sich nach Portes auch hierbei um eine Tautologie handelt, wie bereits oben erwähnt. Auch Lin (2001: 26) erörtert die Debatte der verschiedenen Perspektiven auf soziales Kapital – Makroperspektive vs. Beziehungsebene. Nach Lin (2001: 26) kann soziales Kapital als Kollektivgut nicht von Normen o. Ä. unterschieden werden. Denn soziales Kapital ist für netzwerk-zentrierte Forscher „[…] more perceived as an attribute of individuals in a social space defined by their personal networks rather than as a collective good usable by all. Above all, this is no longer an object spontaneously emerging from social relation, but an object socially built requiring huge efforts of creation and maintenance“ (Poder 2011: 347).

5.2

Spezielle Diskussion zum Sozialkapitalansatz Putnams

Putnam (1993; 2000) hat durch seine Sozialkapitaltheorie wichtige Thesen aufgestellt, die nicht nur für die USA, sondern für alle westlich geprägten Gesellschaften von Relevanz sein können. Er gibt eine theoretische Rechtfertigung für das Funktionieren gesellschaftlicher Institutionen und Systeme (Putnam 1993), merkt aber auch an, dass gerade in den westlichen Ländern durch mediale Einflüsse das gesellschaftliche Miteinander verschwinde (etwa Sinken die Mitgliederzahlen in Vereinen) und bürgerliche Pflichten (wie die Teilnahmepflicht an Wahlen) immer weniger wahrgenommen würden (Putnam 2000). In einer jüngsten Studie hat er als Weiterführung seiner theoretischen Überlegungen die ungleiche Verteilung von elterlichem Sozialkapital für die Bildungs- und Entwicklungsmöglichkeiten von Kindern analysiert (Putnam 2015).40 Mit dem zuletzt veröffentlichten Buch „Our Kids“ hat Putnam (2015) die Debatte um soziale Ungleichheiten in den USA aus der sozialkapitaltheoretischen Sichtweise angeheizt. Bereits seine früheren Bücher und Zeitschriftenbeiträge waren vehementer Kritik ausgesetzt. Ein wesentlicher Kritikpunkt dabei ist, dass Putnam die gesellschaftliche Bedeutung von Sozialkapital 40

Damit modifiziert er seine These des „abnehmenden Sozialkapitals“ (Putnam 2000) hin zu einer gesellschaftlichen Teilung der Nutzungsmöglichkeiten von Sozialkapital. Vermögende Eltern besitzen mehr Sozialkapital, das sie in einem für Kinder günstigen Umfeld (z. B. einer guten Nachbarschaft) weitergeben. Das fehlende Sozialkapital aus familiären Beziehungen und Umweltbeziehungen führt bei ansonsten gleich begabten Kindern zu einem Nachteil, der ihre Entwicklungschancen drastisch reduziert.

5.2 Spezielle Diskussion zum Sozialkapitalansatz Putnams

51

für das individuelle und kollektive Wohl zu hoch ansetze. Aus seiner Sicht kommt bspw. das Leben in US-amerikanischen Bundesstaaten mit hohem Sozialkapital einem gesundheitlichen Vorteil gleich (Putnam 2000, 328): „if one wanted to improve one’s health, moving to a highsocial capital state would do almost as much good as quitting smoking“. Portes & Vickstrom (2011) halten dagegen, dass Sozialkapital lediglich einen gesellschaftlichen Koordinationsvorteil bietet, aber nicht das Funktionieren von Gesellschaften erklärt. Sie kritisieren auch, dass die Erklärungsrichtung in seiner Theorie nicht eindeutig ist (2011: 476): „Empirically, many of the alleged benefits of communitarian social capital turn out to be correlates, rather than consequences; […]“. Portes & Landolt (2000: 536) kritisieren, dass es positive Korrelationen zwischen wirtschaftlicher Prosperität und einem hohen Level an gesellschaftlicher Solidarität geben mag, dass man daraus aber keine Kausalitäten ableiten sollte: „The all-too-common logical fallacy is to conclude that one causes the other without consideration of the possibility that both are determined by common external causes.“ Sobel (2002) hat ebenfalls beanstandet, dass Putnam nicht klar zwischen Effekten und kausalen Wirkungsrichtungen unterscheidet. Sobel zufolge suggeriert Putnam insbesondere in seinem Buch „Bowling Alone“, dass mehr soziale Aktivitäten zwangsläufig positive Auswirkungen haben, weniger Aktivitäten negative. So nimmt Putnam (2000) an, dass ein sinkendes Spendenaufkommen auf eine kleiner gewordene Sozialkapitalausstattung in einem Staat zurückzuführen ist, versäumt es nach Sobel (2002: 142) aber zu belegen, dass das Sozialkapital tatsächlich abgenommen hat. Eine inhaltliche Kritik sehen Portes & Landolt (2000) darin, dass Putnam die bisherigen Sozialkapitaltheorien (insbesondere von Coleman oder Bourdieu) ausgeweitet hat, ohne eine tatsächliche theoretische Fortentwicklung vorzunehmen.41 Aus ihrer Sicht ist das Eigentum an Sozialkapital und dessen positiven Resultaten auf Länder- oder Nationenebene von jenem auf Individuumsebene zu unterscheiden. Eine Vermischung führt zu Verwirrung im Verständnis des Sozialkapital-Begriffes (Portes & Landolt 2000: 535): „In one sentence, social capital is an asset of intact families ; in the next, it is an attribute of networks of traders; and in the following, it becomes the explanation of why entire cities are well governed and economically flourishing“. Auch Quibria (2002: 24) kritisiert die von Putnam gezogenen Schlüsse zu den verschiedenen Aggregationsebenen: „According to this aggregate perspective, social capital—or it absence—is a property of a group or a community or even a nation as a whole, although there is less than unanimity among authors what this property is.“ Ein besonders schwerer Vorwurf gegen Sozialkapitaltheorien, insbesondere gegen Putnams Theorie ist, dass Schlussfolgerungen von oder auf aggregierte Gesellschaftsebenen nicht möglich seien. Ein zentraler Grund dafür sei die Konfundierung von Voraussetzungen, Manifesta-

41

Putnam bezieht sich in seinem Sozialkapitalansatz stark auf Coleman, sodass einige Kritikpunkte, die Colemans Sozialkapitalansatz betreffen, auch Putnams Theorie tangieren. Insbesondere betrifft die Kritik an Colemans Argument der Geschlossenheit auch die Dichte von Netzwerken nach Putnam. Diese Kritik wurde bereits vorher erörtert.

52

5 Diskussion zur Sozialkapitaltheorie

tionen und Ergebnissen sozialen Kapitals auf den höheren Aggregatebenen. Wenn soziales Kapital als Entität auf der Ebene von Regionen oder Ländern erfasst werde, finde oft eine Vermischung von Voraussetzungen und Resultaten statt (Portes 1998), sofern die Ausprägungsmessungen als Eigenschaft der Region oder des Landes interpretiert werde. Portes & Landolt (2000: 536, Hervorh. im Original) gehen in ihrer Argumentation sogar noch einen Schritt weiter: „When not entirely circular, the argument takes the form of a truism: For every political system (city, nation, etc. …) If authorities and the population are imbued with a sense of collective responsibility and altruism; Then, the system will be better governed and its policies will be more effective“.

5.3

Diskussion und Bezüge zur eigenen Arbeit

Kritiker (z. B. Arrow 2000) legen bei ihrer Einschätzung des Sozialkapital-Begriffes oft den Fokus auf die Unterschiede der Kapitalsorten (Poder 2011: 353) und lehnen eine Integration des sozialen Kapitals als definitorische Ergänzung ab. Ein striktes Verfechten einer streng ökonomischen Definition mag dabei für die Klarheit und Präzision der bezeichneten Inhalte vorteilhaft sein. Ein solcher Standpunkt schließt aber die Möglichkeit zur Öffnung der Begriffsinhalte aus und verhindert, dass Inhalte, die bisher nicht in der ökonomischen Theorie bedeutsam waren, künftig Bedeutung gewinnen können (Dasgupta 2000). Wie restriktiv eine solche Sichtweise ist, lässt sich an dem Umstand ermessen, dass nach Arrow auch Humankapital nicht unter die Kapitalsorten subsumiert werden kann. Diese Kapitalsorte hat aber inzwischen durchaus Eingang in die ökonomische Theorie gefunden (vgl. Becker 1993). Poder (2011: 353) stellt eine Gegenthese zu Arrow auf, nach der es durchaus möglich sei, bisher unbeachtete Kapitalsorten in eine allgemeinere Theorie des Kapitals aufzunehmen, und schlägt eine Gliederung nach Human-, Natural-, Finanz- und Sozialkapital vor. Eine ähnliche Argumentationslinie vertreten Autoren, die in der Zusammenschau verschiedener Ansätze Sozialkapital als eine Art Über- oder Metakonzept bezeichnen. Als Konzept auf einer theoretischen Metaebene bietet es eine Perspektive auf soziale Phänomene an, die über die Summe der theoretischen Einzelaspekte hinausgeht (z. B. Adler & Kwon 2002: 36). Dabei ist die Anwendbarkeit des Konzepts auf unterschiedliche Aspekte des sozialen Lebens eine wichtige Eigenschaft. Diese ergibt sich auch aus der Annahme, dass es im Kern um die guten Absichten gegenüber anderen geht, die eine wertvolle Grundlage für soziale Interaktion darstellen. Adler & Kwon (2002: 18) verstehen unter guten Absichten Eigenschaften wie Sympathie, Vertrauen oder Vergebung unter Freunden und Bekannten. Genau dieser Aspekt spielt in den meisten Sozialkapitalkonzepten eine entscheidende Rolle, wenn Informationen beschafft, Einfluss geltend gemacht oder Solidarität eingefordert wird (Adler & Kwon 2002: 18). Es ist zu erwarten, dass eine Abstrahierung von Konzepten des sozialen Kapitals auch zu einer Unschärfe auf der begrifflichen Ebene führt. Der Kritikpunkt der begrifflichen Unschärfe wurde aber bereits im Zusammenhang mit den Einzeltheorien angesprochen (z. B. durch Portes 1998 oder Edwarts &

5.3 Diskussion und Bezüge zur eigenen Arbeit

53

Foley 2013). Unabhängig von dem Abstraktionsniveau lässt sich beim Vergleich der unterschiedlichen Theorien feststellen, dass Autoren, die mit unterschiedlichem theoretischen Ausgangspunkten und Erklärungsrichtungen an dem Thema gearbeitet haben, übereinstimmend die sozialen Interaktionen zum Kern des sozialen Kapitals machen (Poder 2011: 351). In diesem Zusammenhang ist zu berücksichtigen, dass verschiedene sozialwissenschaftliche Ansätze zum sozialen Kapital aus unterschiedlichen Theoriefeldern stammen, die bereits von sich aus unterschiedliche Terminologien und Konzepte verwenden. So ist bspw. die handlungstheoretische Sichtweise von Coleman nur eingeschränkt mit der politikwissenschaftlich-historischen Perspektive von Putnam kommensurabel. Inwieweit bei der theoretischen Fassung von sozialem Kapital also akteurszentrierte Prozesse zugrunde gelegt werden oder inwieweit Externalitäten von sozialem Kapital etwa in Form von öffentlichen Gutseigenschaften bedeutsam sind, hängt auch davon ab, welche Theoriekontexte ein Autor verwendet. Trotz dieser fachbezogenen Unterschiede lassen sich nach Poder (2011) in allen Theorien des sozialen Kapitals mehr Gemeinsamkeiten finden als Unterschiede. Wenn Portes & Vickstrom (2011) generell infrage stellen, ob soziales Kapital in modernen Gesellschaften überhaupt nötig sei, haben sie ein eher enges Begriffsverständnis, das sich im Wesentlichen auf die gegenseitige Bekanntschaft aller Mitglieder untereinander reduziert und daher auch nicht zu den meisten Sozialkapitalansätzen passt. Aus ihrer Sicht ist soziales Kapital eine nützliche gesellschaftliche „Zusatzoption“, die nicht notwendig ist. Normen lassen sich nach ihrer Ansicht nicht substituieren und sind als Regelungsgröße notwendig. Mit ihrer speziellen theoretischen Perspektive geben sie der sozialkapitaltheoretischen Deutung von Normen etwa bei Coleman (1995) oder Putnam (1993) eine Richtung, die von diesen Sozialkapitaltheoretikern so nicht intendiert war. Sie ignorieren auch die enge Verbindung von Vertrauen und Normen, die von Putnam und Coleman deutlich hervorgehoben wird. Letztlich erscheint auch der von ihnen stark herausgestellte Bezug zur mechanischen Solidarität von Durkheim (1988) eher wie ein Kunstgriff als ein substantielles soziologisches Argument, da weder Coleman noch Putnam Aussagen über den Solidaritätszusammenhalt in nicht-modernen Gesellschaften treffen. Ebenso lässt sich beiden Sozialkapitalautoren kaum unterstellen, dass sie die Zielvorstellung verfolgen, die Homogenität in Gesellschaften zu erhöhen (vgl. Portes & Vickstrom 2011). Stattdessen stehen die soziale Verknüpfung, ehrenamtliches Handeln oder gesellschaftliche Unterstützung von und durch Individuen im Vordergrund. Während vor allem die netzwerkzentrierten Sozialkapitalforscher die Geschlossenheit bei Coleman infrage stellen und auf gegenteilige Netzwerktypen, wie Netzwerkbrücken und lose Netzwerke, hinweisen, betont Portes (1998: 6), dass die Geschlossenheit von Netzwerken bei Coleman „particularly enlightening“ ist. Er akzentuiert die gewährleistete Einhaltung von Normen, die Transaktionen ohne umständliche Rückversicherungen erleichtern. Wie bereits durch Lin (2001) dargelegt, können unterschiedliche Netzwerktypen für verschiedene Zielsetzungen herangezogen werden, wie bspw. Netzwerkbrücken für Informationsaustausch oder geschlossene Netzwerke für die Durchsetzung von Vertrauen, Sanktionen oder kooperativen Normen. Je nach Standpunkt unterscheiden sich die Antworten auf die Frage, wie soziales Kapital gebil-

54

5 Diskussion zur Sozialkapitaltheorie

det wird bzw. welche Netzwerktypen zusätzlich soziales Kapital hervorbringen. Auch hinsichtlich der Frage, ob soziales Kapital eher als individuelle Ressource oder kollektives Gruppengut betrachtet werden sollte, gibt es unterschiedliche Standpunkte (Poder 2011: 352). Nach Poder (2011) sind die Auffassungen des Sozialkapitalkonzepts einerseits prinzipiell unterschiedlich, weshalb soziales Kapital in zwei verschiedenen Formen bzw. auf zwei verschiedenen Ebenen betrachtet werden muss, aber sie sollten eher als Ergänzung zueinander und weniger als Gegensätze betrachtet werden. Auch Scrivens & Smith (2013) unterscheiden zwischen kollektiven und individuellen produktiven Ressourcen, sodass die Informationsbeschaffung und der soziale Einfluss, auf die netzwerkorientierten Sozialkapitalforscher hinweisen, der individuellen Ebene zugeschrieben werden. Diese Kategorie bezieht sich auf die Unterstützung durch das soziale Netzwerk. Die Etablierung von Normen, die Coleman und Putnam ansprechen, geschieht aber auf der kollektiven Ebene, sodass diese dann prägend für das gegenseitige Sozialverhalten der Gesellschaftsmitglieder sind (Scrivens & Smith 2013: 34). Portes & Landolt (2000: 536) haben in ihrer grundlegenden Kritik an den Sozialkapitaltheorien die fehlenden kausalen Schlussfolgerungen bemängelt. Die Autoren stellen fest, dass Sozialkapitaltheoretiker oftmals Truismen und zirkuläre Argumente äußern. Ein Beispiel dafür ist, dass sich die Regierbarkeit eines Staates erhöht, wenn die Behörden und die Bevölkerung Werte wie kollektives Verantwortungsbewusstsein besitzen. Gleichzeitig führt eine bessere Regierungsführung zur Entwicklung von sozialem Kapital auf der Landesebene (und damit zu einer Erhöhung des kollektiven Verantwortungsbewusstseins). Dieses Argument zielt im Kern auf die Unmöglichkeit, Voraussetzungen von den Ergebnissen des sozialen Kapitals auf aggregierten Ebenen zu trennen. Eine Forschungsstrategie, in der kausale Schlussfolgerungen mithilfe von Aggregatdaten gezogen werden, wird aber von einer Reihe von Forschern verfolgt. Dabei spielen makroökonomische Merkmale wie wirtschaftliches Wachstum (Fukuyama 1995; Knack & Keefer 1997; La Porta et al. 1997) oder Kriminalitätsraten (Sampson 2011; Sampson et al. 1997) eine Rolle. Knack & Keefer (1997: 1252) rekurrieren, dass die Transaktionskosten durch Vertrauen reduziert werden: „Individuals in higher-trust societies spend less to protect themselves from being exploited in economic transactions“. Verbindungen wie diese zwischen sozialem Vertrauen und makroökonomischen Merkmalen sind für das Funktionieren einer Gesellschaft nicht zwingend notwendig, wie auch Putnam andeutet (2000), aber sie erleichtern dennoch das gesellschaftliche Leben. Andere Studien, die mit Sozialkapitalindikatoren auf der Makroebene arbeiten, zeigen lediglich Zusammenhänge auf oder verwenden ökonometrische Techniken, um die Kausalität zwischen erklärten und erklärenden Variablen festzustellen. Diese Studien verdeutlichen, dass soziales Kapital mit einer Reihe von demografischen oder geografischen Makromerkmalen in Verbindung zu bringen ist. Dazu gehören bspw. Arbeitslosigkeit (Freitag & Kirchner 2011), Diversität (Putnam 2007; Glaeser et al. 2000), Korruption (Graeff & Svendsen 2013) oder Wohlbefinden (Helliwell & Putnam 2004; Helliwell et al. 2013) bzw. Gesundheit (Hamano et al. 2010; Kroll & Lampert 2007) oder eine Kombination aus diesen Faktoren (Winkelmann 2006).

5.3 Diskussion und Bezüge zur eigenen Arbeit

55

Abschließend sollen auch noch einmal die positiven gesellschaftstheoretisch bedeutsamen Punkte der Sozialkapitalkonzepte hervorgehoben werden. Portes (1998: 6) kritisiert Coleman heftig, hält ihm aber zugute, dass dieser den Sozialkapitalansatz in die amerikanische Soziologie eingeführt und seine Bedeutung für den Erwerb von Humankapital herausgearbeitet hat. In diesem Zusammenhang sei auch auf die empirischen Untersuchungen hingewiesen, in denen Coleman (1988) die Brücke von der Theorie zur Praxis geschlagen hat. Unzweifelhaft lassen sich die theoretischen Ausführungen von Coleman am besten in einem akteurszentrierten Kontext verwenden, wo Individuen durch eine Sozialkapitalbeziehung eine Ressource wie Information, Ideen oder Hilfe erhalten (Poder 2011: 351). In theoretischer Hinsicht lassen sich klare Akteurskonstellationen mit ihren Ressourcen und Handlungen zuordnen: Akteur A verfügt bspw. über begehrtes Wissen, was das Interesse von Akteur B findet. Die Bereitstellung der Information stellt die Ressource dar. Poder (2011: 351) resümiert, dass „these resources are social in the sense that they are only accessible by and through the relationships“. Putnam (1993) und Coleman (1995) weisen in ihren Theorien über die Bedeutung des sozialen Kapitals als Ressource für Individuen/Akteuren hinaus. An dieser Stelle passt der berühmte Satz von Aristoteles: „Das Ganze ist mehr als die Summe seiner Teile“. Abschließend stellt sich in diesem Kapitel die Frage, wie mit den oben genannten Kritikpunkten umzugehen ist, wenn eigene empirische Untersuchungen zu Fragestellungen des sozialen Kapitals behandelt werden. Eine erste Problematik besteht in der theoretischen wie empirischen Mehrdimensionalität des sozialen Kapitals (Quibria 2002: 35). Auf der empirischen Ebene legt die Mehrdimensionalität nahe, singuläre Sozialkapitalindikatoren hinsichtlich eines einheitlichen Verständnisses über mehrere Erhebungswellen hinweg zu untersuchen. In der jüngeren Methodenliteratur wird dieses Vorgehen als Messinvarianz bezeichnet (Coromina & Davidov 2013; Dimitrov 2010; Steenkamp & Baumgartner 1998). Ein solches Vorgehen führt auch zu aussagekräftigen Angaben zu den Ausprägungen der jeweiligen Sozialkapitalindikatoren. Dabei ist unklar, wie zu verfahren ist, falls sich empirisch kein einheitliches Konzept im Sinne eines Konstrukts finden lässt (wie bei Freitag & Traunmüller 2008). Konstrukte repräsentieren den Bedeutungsumfang von bedeutsamen Variablen in theoretischer Hinsicht besser als einzelne Items, von den messtheoretischen Aussagemöglichkeiten (über Reliabilitätskoeffizienten wie Cronsbachs-Alpha und ähnliche Maße) ganz abgesehen. Ein empirisches Vorgehen, das sich auf einzelne Items und nicht auf Konstrukte stützt (z. B. indem Sozialkapitalindikatoren einzeln in Bezug zu Kriteriumsvariablen wie z. B. deviantem Verhalten gesetzt werden), bietet folglich eingeschränktere Möglichkeiten, theoretische Aussagen zu überprüfen. Eine zweite Problematik betrifft die Aggregatebene, die insbesondere dann relevant wird, wenn das Konzept Putnams Verwendung findet. Auch wenn sowohl Coleman wie Putnam Aspekte des sozialen Kapitals auf unterschiedlichen aggregierten Ebenen aufgreifen – eine allgemeine Bezugsgröße muss empirisch immer zugrunde gelegt werden. So sind es in den Arbeiten von Putnam (1993; 2000) etwa Länder (Italien, USA) oder deren Regionen. Bei anderen Forschern sind es regionale Einheiten wie deutsche Bundesländer oder Raumordnungsregionen (Freitag

56

5 Diskussion zur Sozialkapitaltheorie

& Traunmüller 2008). Ein solcher Bezugspunkt lässt es zu, geografische oder demografische Merkmale, die im Forschungsinteresse stehen, mit Ausprägungen des sozialen Kapitals in Beziehung zu setzen. Portes & Landolt (2000: 536) führen bspw. an, dass Merkmale wie Bevölkerungsmobilität das zivilgesellschaftliche Engagement und die politische Ansprechbarkeit verändern. Solche Aussagen werden erst aussagekräftig, wenn Regionen eines Landes als Bezugsgröße verwendet werden. Die klassischen Studien von Putnam (1993; 2000) verwenden eben dieses Prinzip, dass nämlich innerhalb bestimmter Regionen Unterschiede beobachtbar sind, die historisch durch politische und soziodemografische Einflüsse erklärbar werden. Neuere Studien bringen in diesem Zusammenhang vor allem Spatial Modelle in die Untersuchungen ein, um die geografische Beeinflussung der Regionen erfassbar und modellierbar zu machen (bspw. Botzen 2016). Eine der Aggregierungen ähnliche Problematik besteht in der Abbildung von Netzwerkstrukturen bzw. Aktivitäten in gesellschaftlich relevanten Netzwerken. Die vorgestellten netzwerktheoretischen Ansätze haben vor allem den Vorteil, die Interaktionen der Mitglieder einer Gemeinschaft aufzeigen zu können. Sollen gesellschaftlich umfassende Aussagen getroffen werden, stoßen solche mikrosoziologisch ausgerichteten Netzwerkanalysen allerdings schnell an ihre Grenzen. An dieser Stelle könnte die Unterteilung des sozialen Kapitals nach Scrivens & Smith (2013) in die kollektive Netzwerkstruktur und Aktivität sowie deren hervorgebrachten Ressourcen nützlich sein. Über sie ließen sich das gesellschaftliche Engagement in Regionen sowie die daraus resultieren Ressourcen in Form von Normen der Reziprozität und dem generalisierten sozialen Vertrauen abbilden.

6

Negatives soziales Kapital

In den klassischen Theorieansätzen (z. B. von Putnam, Coleman, Loury, Jacobs, Hanifan oder Bourdieu) ist soziales Kapital positiv konnotiert. Die Autoren haben sich dabei auf die Darstellung gesellschaftlicher Vorteile konzentriert und versucht aufzuzeigen, welche nützlichen Resultate über Sozialkapitalbeziehungen hervorgebracht werden können. Einerseits ist zutreffend festzustellen, dass für die Netzwerkmitglieder soziales Kapital Vorteile bringen kann, was seine positive Konnotation rechtfertigen mag. Es wurde jedoch schon an einigen Stellen gezeigt, dass soziales Kapital nicht immer nur positive Effekte nach sich zieht. Portes (1998: 15) merkt kritisch an, dass soziale Netzwerke nicht ausschließlich als „Segen“ betrachtet werden sollten. Vielmehr gibt es auch negative Externalitäten, die sich unter anderem in Abgrenzungsprozessen zu anderen sowie Diskriminierungen von nicht zum Netzwerk zugehörigen Personen zeigen können (Portes & Vickstrom 2011). Wenn unter diesen Umständen die Schädigung Dritter (bspw. über Gewalt, Bestechlichkeit oder Machtmissbrauch) in Kauf genommen wird, können die Grenzen zur Illegalität überschritten werden. Es liegt nahe, die exkludierenden (insgesamt negativen) Aspekte zunächst bei dem zuvor beschriebenen bindenden Sozialkapital zu verorten (vgl. Kapitel 4.1), weil dieses nicht nur zur Stärkung des Gemeinschaftsgefühls einer bestimmten Gruppe beiträgt, sondern auch eine partikuläre Ausrichtung besitzt. Bindendes soziales Kapital orientiert sich an Regeln, die sich innerhalb des Netzwerks etabliert haben. Eine Form solch negativer Konsequenzen sozialer Beziehungen beschreibt Portes (1998) mit dem Phänomen der „Abwärtsnivellierungsnormen“ (downward leveling norms). Hierunter sind solche Erscheinungen zu verstehen, bei denen die jeweiligen Mitglieder der Gesellschaftsgruppen durch spezifische Normen in ihren Einstellungen und ihrem Verhalten homogenisiert werden, um zum einen die spezifischen Gruppenziele zu erreichen sowie zum anderen den sozialen Gruppenzusammenhalt zu fördern und abweichende Handlungen zu minimieren (Graeff 2009: 147). Diese Gruppendynamiken weisen Aspekte auf, die dem bindenden sozialen Kapital inhärent sind und durchaus auch die positiven Charakteristika des sozialen Kapitals – bspw. die Gruppenkohäsion – zum Vorschein zu bringen. Dies geschieht jedoch, und darin zeigen sich die negativen Konsequenzen, in hohem Maße auf Kosten der Anerkennung der individuellen Anstrengungen und der Individualität als solcher. „Downward-levelling norms reduce the opportunity of single persons to reach the group aim and increase the members’ dependence on the group“ (Graeff 2009: 148). So muss sich bspw. in einem Mannschaftssport ein fähiger Sportler den weniger begabten Teammitgliedern anpassen. Er zeigt nicht sein volles Können, um nicht zu stark aus der Mannschaft hervorzustechen. Umgekehrt wirken die übrigen Mannschaftsmitglieder darauf hin, dass er sein Können nicht zeigen kann (z. B. dadurch, dass Trainer oder Teammitglieder ihn bei Mannschaftsspielen weniger einbeziehen). Das kann zwar förderlich für den sozialen Zusammenhalt in einer Mannschaft sein. Die gezeigte sportliche Leistung ist aber der Mannschaftsleistung untergeordnet (Portes 1998: 17). Portes (1998) nennt weitere negative Aspekte. Hierzu zählt die Einschränkung der individuellen Freiheit, wie sie bspw. in traditionellen/hierarchischen Familienstrukturen auftreten kann. Eine klassische hierarchische Familienform stellt die „Herrschaft des Vaters“ (Mies 1988) dar wie

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_6

58

6 Negatives soziales Kapital

sie bspw. für die Zeit der Industrialisierung beschrieben wird (vgl. Lerner 1986). Derartige Familien sind gekennzeichnet durch enge Bindungen der jeweiligen Familienmitglieder, starke partikulare Vertrauensverhältnisse sowie Solidarität, Loyalität und Gehorsam. Üblicherweise liegt die höchste Autorität beim Vater als Familienoberhaupt. Diese Struktur baut auf Respekt gegenüber dem Familienoberhaupt und Anerkennung seiner Autorität auf. Dieser Respekt äußert sich u. a. darin, dass ihm nicht widersprochen wird und Zuwiderhandlungen sanktioniert werden (vgl. Lerner 1986). Eine Besonderheit ist, dass diese Struktur relativ unabhängig von dem Alter der Kinder ist. Selbst im Erwachsenenalter wird von den Kindern eine Unterordnung erwartet, sodass die Kontrolle über die einzelnen Familienmitglieder aufrechterhalten bleibt. Wichtige Themen werden nicht ohne das Familienoberhaupt besprochen. Die Geschlossenheit der familiären Struktur sichert die Einhaltung der oben genannten Normen und Werte und schafft in Kombination mit dem starken Zusammenhalt ein Netzwerk von hoher Stabilität, das durchaus positive Merkmale für das (familiäre) Netzwerk aufweisen kann. Aus Sicht der Familienmitglieder geht die Unterordnung mit hoher Sicherheit und ggf. auch mit großer Vorhersehbarkeit von Belohnungs-, Unterstützungs- und Sanktionsmöglichkeiten einher, wobei immer die eigene Freiheit zugunsten familiärer Verbundenheit aufgegeben werden muss. Individuelle Freiheitseinschränkungen lassen sich auch in anderen Bereichen des gesellschaftlichen Zusammenlebens finden. Putnam (1993: 171; 2007: 138) verweist in diesem Zusammenhang auf nachbarschaftliche Beziehungsgefüge in sogenannten amerikanischen „neighbourhoods“. Dort werden gewisse Tätigkeiten erwartet, die zur Pflege und Präsentation der Siedlung beitragen wie bspw. das Zusammenrechen des abgefallenen Laubes im Herbst. Ein solcher erwarteter Standard macht den positiven Effekt der sauberen Nachbarschaft wahrscheinlicher, allerdings wird das Individuum in seiner Entscheidungsfreiheit – nämlich das Laub nicht aufzusammeln – eingeschränkt. Eine weitere Form des negativen sozialen Kapitals findet sich in der Ausgrenzung, nach Portes (1998) ist sie gekennzeichnet durch den Ausschluss von außenstehenden, nicht zur Gruppe gehörende Personen. Ein Beispiel hierfür ist das Vorgehen mancher Fußballverein-Fanclubs, die Mitgliedern anderer Vereine den Zugang verwehren. Die Abgrenzung von Außenstehenden kann mit der Entstehung einer sozialen Kategorisierung in einer Gruppe in Verbindung gebracht werden (Tajfel & Turner 1986). Diese Kategorisierung drückt sich in der Unterscheidung zwischen „wir“ und „die anderen“ aus. Sie schafft nach der Theorie von Tajfel & Turner (1986) über die Abgrenzung zu anderen (Gruppen) die soziale Identität der Mitglieder. Die Abgrenzung zu anderen Fangruppierungen kann sich je nach Kontext verschieben. In Bezug auf die Fußball-Bundesliga distanzieren sich die Fanclubs der Vereine voneinander. Bei Länderspielen, wie bei der Fußball Europa- oder Weltmeisterschaft, erfolgt eine Abgrenzung gegenüber Fans anderer Nationalmannschaften. Die gemeinsame Nationalität oder das Verbundenheitsgefühl zu einem bestimmten Land lässt die üblichen Animositäten zwischen Regionalfanclubs für die Zeit der Spiele oft vergessen. Die Ausgrenzungen über Gruppenbildungen weisen ebenso wie die Abwärtsnivellierungsnormen Aspekte des bindenden sozialen Kapitals auf.

6 Negatives soziales Kapital

59

Die negativen Konsequenzen solcher sozialen Beziehungen zeigen sich bspw. bei Ausschreitungen der Fußball-Fans. Diese Überlegungen zu den negativen Auswirkungen stehen in der Literatur zum sozialen Kapital weniger im Vordergrund. Die positiven Gesellschaftswirkungen von Sportvereinen werden darin gesehen, den Teamgeist zu fördern oder Disziplin und Regeln (über einen fairen Sportkampf) zu vermitteln. Eine andere Art der Ausgrenzung lässt sich auch bei speziellen Gruppenbildungen finden, die vordergründig der Stärkung des Zusammenhalts und der gegenseitigen Unterstützung dienen. Spezielle Arbeitsgruppen bspw. bei der Polizei, Feuerwehr oder Bundeswehr sind auf kollegiale Hilfeleistungen in ihren Einsätzen angewiesen. Bei den Einsätzen agieren diese Gruppen häufig in Bedrohungssituationen, sodass sich gruppendynamische Kohäsionsprozesse, z. B. Korpsgeist42, bilden können. Der Korpsgeist wird in den Medien vornehmlich mit einem polizeilichen Fehlverhalten (bspw. einem Übermaß an Polizeigewalt) in Verbindung gebracht (Behr 2009). Auch in Organisationen können emotionale Gemeinschaft und ein „Wir-Gefühl“ entstehen, wie es zuvor beim Korpsgeist beschrieben wurde.43 Die „dunkle Seite“ (Gargiulo & Benassi 1999; Portes 1998) des sozialen Kapitals, die sich in Bezug auf die Gesellschaft gezeigt hat, lässt sich in gleicher Weise auch auf die Ebene von Organisationen transferieren.44 Es ist an dieser Stelle aber zu beachten, dass negatives soziales Kapital im organisationalen Kontext unterschiedliche Resultate für Gesellschaft und Organisation hervorrufen kann. Zunächst einmal kann soziales Kapital in seiner beschriebenen negativen Form kontraproduktive Folgen für die Organisation und ihre Mitarbeiter mit sich bringen, wenn etwa bestimmte Mitarbeiter ausgegrenzt werden, z. B. durch Mobbing. Die Ausgrenzung von Personen, die nicht zur Organisation gehören, kann jedoch positive, sogar von der Organisation erwünschte Folgen haben. Stehen bspw. verschiedene Organisationen in Konkurrenz zueinander, kann das die Produktivität der Organisationmitglieder steigern. Wenn hier von Organisationen gesprochen wird, sind zumeist Institutionen mit wirtschaftlichem oder sozialem Zweck o. Ä. gemeint. Neben diesen Organisationsarten spielt das soziale Kapital aber auch in kriminellen Organisationen, wie bspw. der Mafia, eine wichtige Rolle. Auch sie weisen die Merkmale des bindenden sozialen Kapitals auf, sodass bspw. Unterstützungsleistungen innerhalb des Netzwerks bereitgestellt werden und ein hohes partikulares Vertrauen besteht. Kriminelle Organisationen können aber auch soziales Kapital für Regionen, in 42

43 44

Korpsgeist wurde in der Literatur unterschiedlich definiert (vgl. Vitell & Singhapakdi 2008). Eine der allgemeinen Verständnisweisen geht auf Fayol (1949: 40) zurück, der Korpsgeist im Hinblick auf die Arbeit in Organisationen definiert. Dieser existiert unter Mitarbeitern dann, wenn eine gemeinsame Moral, ein Teamgeist, ein Gefühl der Identifikation und des Stolzes, eine Loyalität gegenüber dem Unternehmen, die Hingabe an die Tätigkeit, Solidarität unter den Mitarbeitern sowie ein Zusammengehörigkeitsgefühl zu dem Unternehmen oder zu bestimmten Gruppen/Abteilungen innerhalb des Unternehmens besteht. In Anlehnung an Behr (2010: 7) wird im organisationalen Kontext davon abgesehen, den Begriff des Korpsgeists zu verwenden, da dieser nur unter speziellen Bedingungen vorliege. Dabei gilt, dass soziales Kapital die gleichen positiven Auswirkungen auf die Organisation haben kann wie auf gesellschaftlicher Ebene. Dazu zählen, um nur einige zu nennen, Vertrauen in die Organisation, Zugehörigkeitsgefühl, Netzwerkbildung oder Senkung von Transaktionskosten (durch die Etablierung von Normen).

60

6 Negatives soziales Kapital

denen sie verortet sind, bereitstellen und negative Folgen für die Gesellschaft bewirken (vgl. Gambetta 1993). Zum Beispiel bieten sie Schutz oder spenden für eine Wohltätigkeit in der Region. Dafür regeln sie aber auch die regionale Wirtschaft, sodass die wirtschaftliche Prosperität darunter leidet, oder untergraben institutionelle Autoritäten, wie die Polizei (Gambetta 1993). Da der Mafia häufig ganze Familien angehören, ist sie vergleichbar mit den patriarchalen Familienstrukturen, die durch hohe Loyalität und Verbundenheit gekennzeichnet sind. In seinem Werk „Making Democracy Work“ (Putnam 1993: 147) erörtert Putnam die mafiösen Strukturen in Süditalien und zeigt die negativen Auswirkungen dieser organisierten Kriminalität auf. Er fokussiert sich dabei vor allem auf die Organisationsart und betont, dass organisierte Kriminalität meist in vertikalen Netzwerken organisiert ist. Bei seiner Untersuchung von sozialem Kapital in Italien stellt Putnam fest, dass vor allem im Süden des Landes soziale Strukturen sowie die Gepflogenheiten von der lokalen Mafia geprägt sind. Auffällig ist, dass in den betroffenen Gebieten die Bevölkerung ein gesteigertes Misstrauen zeigt. Mafiöse Machenschaften und korrupte Netzwerke sind in Süditalien eng miteinander verbunden (Arlacchi 1986). Für die Mafia ist Korruption oftmals ein Mittel, um politische Entscheidungsträger in ihrem Sinne zu beeinflussen. Einige politikwissenschaftlich relevante Konsequenzen nennt Rothstein (2013: 1015), wenn er konstatiert, dass „[if] corruption or other forms of unfairness in the public administration is common, [citizens] are likely to be less supportive of the idea that the state should take responsibility for policies even if they ideologically support the goals such policies have. One likely reason is that they lack trust in other citizens to (a) pay their taxes and (b) not overuse or abuse the social insurances“. Auf organisationaler Ebene unterscheiden Pinto et al. (2008) verschiedene Arten der Korruption: je nachdem, ob Individuen oder die Organisation selbst durch die Korruption einen Vorteil erhalten und inwieweit die Korruption als Einzel- oder Gemeinschaftstat durchgeführt wird. Durch diese Unterscheidung ergeben sich interessante Konstellationen, die Bezüge zu modernen Wirtschaftsstraftaten aufweisen. Wenn die Organisation Korruption verwendet, um Aufträge zu erhalten, handelt es sich im Sinne von Pinto et al. (2008) um eine korrupte Organisation. Ein solcher Fall ist grundsätzlich von Korruptionsfällen zu unterscheiden, in denen ein Organisationsmitglied sich ohne das Wissen der anderen Mitglieder bzw. ohne Wissen der Organisation korrupt verhält – die Organisation trägt dann bei Entdeckung der Straftat einen Reputations- bzw. ökonomischen Schaden davon, ist aber nicht als solche als korrupt zu bezeichnen. Aus sozialkapitaltheoretischer Sicht ergibt sich weiter: sofern die korrupten Handlungen im Sinne der Organisation vollzogen werden, hat sie erst einmal durch die negative Sozialkapitalbeziehung tatsächlich Vorteile (Ashforth & Anad 2003), durch u. a. den finanziellen Schaden bei Entdeckung der Straftat aber Nachteile. Eine korrupte Organisation im Sinne von Pinto et al. (2008) ist daher mit höherem schädlichem Sozialkapital ausgestattet als eine Organisation, in der eine Einzelperson korrupt handelt. Korruption geht notwendigerweise mit der Ausgrenzung von anderen einher, ein Umstand, welcher im Sinne von Portes (1998) negatives Sozialkapital darstellt. Aus der Perspektive der So-

6 Negatives soziales Kapital

61

zialkapitaltheorie ist festzustellen, dass Korruption durch den Ausschluss von Personen gekennzeichnet ist, die nicht an dieser Korruptionshandlung beteiligt sind.45 Ausgeschlossen sind sie auch von einem vertrauensvollen Umgang zwischen beteiligten Akteuren, der sich wie eine „Geschäftsbeziehung“ darstellt. Diese Exklusivität resultiert daraus, dass Korruption bestraft werden kann, wenn sie an die Öffentlichkeit dringt und entdeckt wird. Der Korruptionsvorgang selbst basiert darauf, dass „particularistic interests outweigh universalistic interests in every corrupt deal“ (Graeff 2009: 150). Bei diesem Verhalten sind die auftretenden Normen ein besonderes Merkmal, die auf Vertrauen, in Form von Solidarität und Verschwiegenheit sowie auf Reziprozität, also auf der Verschaffung eines gegenseitigen Vorteils, beruhen können. Normen sind nach Coleman (1995) essenzieller Bestandteil sozialen Kapitals, auf dem somit auch derartige Korruptionsbeziehungen basieren. Die positiven Aspekte sozialen Kapitals lassen sich auch bei korrupten Interaktionen feststellen, wobei sie sich lediglich auf die Beteiligten beschränken. Die Sozialkapitalbeziehung der beteiligten Akteure kann gefestigt werden, wenn das entgegengebrachte Vertrauen, dass „der andere“ sein Wort hält und im Gegenzug eine entsprechende Gegenleistung erbringt, bestätigt und damit gleichzeitig gestärkt wird. Hierdurch können auch eventuell weitere zukünftige Korruptionshandlungen begünstigt und initiiert werden. Die negative Seite dieser Sozialkapitalbeziehung äußert sich jedoch darin, dass die korrupten Handlungen gesamtgesellschaftlich gesehen geltende öffentliche Normen und Regelungen verletzen. Tritt die Korruption in der öffentlichen Verwaltung auf, dann werden Fairnessund Gleichheitsnormen missachtet – das Vertrauen in die öffentliche Verwaltung und deren Vorgehen sinkt. Umso stärker ist der Vertrauens- und Reputationsverlust, wenn Korruption in den Behörden entdeckt wird, die zum Schutz der Gesetze und deren Einhaltung geschaffen wurden, wie z. B. die Polizei, die Staatsanwaltschaften oder die Gerichte. Korruption in privaten Betrieben, die seit einigen Jahren ebenso verfolgt wird wie Korruption in öffentlichen Organisationen (Niehaus 2012), schädigt ebenso die Reputation des Unternehmens und führt zu einem Vertrauensverlust. Aufgedeckte Korruption zieht einerseits Sanktionen nach sich, andererseits führt sie immer zu deutlichem Misstrauen der Gesellschaft gegenüber den beteiligten Akteuren und ggf. den von ihnen repräsentierten Institutionen/Organisationen. An dieser Stelle soll, um ein besseres Verständnis der im Kontext der Arbeit relevanten Begrifflichkeiten zu ermöglichen, eine genauere Betrachtung des negativen sozialen Kapitals am Beispiel der Korruption erfolgen. Hierzu werden neben einer Begriffsbestimmung auch Erklärungsansätze skizziert.

45

An dieser Stelle wird lediglich noch auf die Korruption als Einzelphänomen eingegangen. Eine Erörterung der korrupten Organisation erfordert eine Einordung in die organisationssoziologische Literatur, was zu weit von der eigentlichen Forschungsfrage wegführen würde.

62

6.1

6 Negatives soziales Kapital

Korruption

Korruption ist im Zusammenhang mit sozialem Kapital besonders interessant, da sie einerseits auf einer sozialen (Tausch-)Beziehung von mindestens zwei Akteuren beruht, die selbst soziales Kapital darstellt, und andererseits (negativen) Einfluss auf die Normen im gesamtgesellschaftlichen Umfang hat. So reduziert die Korruption bspw. das soziale Vertrauen einer Region oder eines Landes (Graeff & Svendsen 2013; Richey 2010).

Definitionen Es gibt ein allgemeines Verständnis in der Gesellschaft, was Korruption bedeutet; was allerdings fehlt, ist eine einheitliche Definition (Graeff 2012: 208). Heywood & Rose (2015: 103) halten es sogar für eine Sisyphus-Aufgabe, eine valide Definition finden zu wollen. Ein brauchbares Verständnis darüber, was Korruption ausmacht, ist aber unerlässlich für die wissenschaftliche Konzeptualisierung von Korruption wie auch für die praktische Arbeit von Anti-Korruptionsvereinigungen. Eine der international bekanntesten Organisationen, die sich gegen Korruption einsetzen, ist Transparency International (TI). TI (2018) beschreibt Korruption als „the abuse of entrusted power for private gain“. Diese Begriffsbestimmung ist jedoch sehr weit gefasst. Die Welt Bank (2016) definiert Korruption anders, wonach „a ‚Corrupt Practice‘ is the offering, giving, receiving or soliciting, directly or indirectly, anything of value to influence improperly the actions of another party“. Beide Definitionen beschreiben den Kern der Korruption, jedoch aus unterschiedlichen Blickwinkeln. Während TI den anvertrauten Machtmissbrauch zum eigenen Vorteil hervorhebt, stellt die World Bank die unlautere Handlung in den Mittelpunkt. Das Problem letzterer Definition ist, dass unklar bleibt, was unter „unangemessen“ verstanden wird. Dadurch schließt sie bspw. auch Erpressung oder ähnliche Delikte (wie Nötigung) ein, die sowohl in den meisten normativen Legaldefinitionen der Rechtssysteme anders behandelt werden als auch in sozialwissenschaftlichen Betrachtungsweisen andere soziale Dynamiken und Austauschbeziehungen der Beteiligten hervorrufen. Eine der ältesten politikwissenschaftlichen Korruptionsdefinitionen geht auf Nye (1967) zurück. Er versteht unter Korruption ein „behavior which deviates from the formal duties of a public role because of private-regarding (personal, close family, private clique) pecuniary or status gains; or violates rules against the exercise of certain types of private-regarding influence“ (Nye 1967: 419). Im Gegensatz zu den oben genannten Definitionen bietet Nyes auch eine Verbindung zum sozialen Kapital an. Eine öffentliche Position für Gefälligkeiten an Familienmitglieder oder Freunde auszunutzen fällt ebenso unter den privaten Vorteil wie Geldoder Statusgewinne. Patronage und Vetternwirtschaft spielen vor allem in der Politikwissenschaft eine Rolle, da sie in politischen Machtbeziehungen bedeutsam sind (vgl. Rothstein & Varraich 2018: 85 ff.). Auf Nyes Verständnis von Korruption beziehen sich vor allem die sozial- und politikwissenschaftlichen Forschungen (Graeff 2009; Wolf 2012), da seine Definition neben der sozialen Komponente auch die Regelverletzung beinhaltet.

6.1 Korruption

63

In der Ökonomie wird häufig auf die Korruptionsformel nach Klitgaard (1988) verwiesen. Demnach ist C (corruption) = M (monopoly) + D (discretion) - A (accountability). Das United Nations Development Programme (UNDP) erweitert die Formel Klitgaards auf der rechten Seite der Gleichung zusätzlich um die beiden Subtrahenden I (integrity) und T (transparency) (Balboa & Takenaka 2010: 6). Demnach umfasst Korruption (C) eine monopole Stelle (M) in Zusammenhang mit Verschwiegenheit (D) und mangelndem verantwortlichen (A) und rechtschaffendem (I) Verhalten, welches unter Ausschluss von Dritten (T) vollzogen wird. Diese Art der Begriffsbestimmung rückt die schlecht ausgestalteten Regeln und Institutionen bzw. die Fehler im Anreizsystem in den Fokus und weniger die moralischen (oder sozialen) Aspekte (Beck & Nagel 2012: 33). Denn aus ökonomischer Perspektive können Akteure nach dem Prinzip der rationalen Nutzenmaximierung handeln, ohne auf die Kosten anderer zu achten (Beck & Nagel 2012: 31). Nach Beck & Nagel (2012: 33) wird sich ein Akteur so lange für die Korruptionsbeziehung entscheiden, wie der Nutzen (privater Vorteil) die (persönlich zu tragenden) Kosten übersteigt. Die Kosten der Korruption sind nicht nur, wie bereits mehrfach genannt, von der gesamten Gesellschaft zu tragen. Spezifische gesamtgesellschaftliche Nachteile zeigen sich bspw. darin, dass ein hohes gesellschaftliches Korruptionsniveau auch das Wirtschaftswachstum hemmen kann46 (vgl. Cieslik & Goczek 2018). Anders als in der Ökonomie (oder den Sozialwissenschaften) ist das Verständnis von Korruption in der Rechtswissenschaft klar durch Gesetze geregelt, wobei der Begriff der Korruption nicht im Strafgesetzbuch genannt wird (Niehaus 2012: 56), beschrieben wird die Korruption in den §§ 331–337, 108b, 108e sowie §§ 298–300 StGB. Diese Vorschriften betreffen vor allem Regelverstöße von Amtsträgern („Bestechung von Amtsträgern und die Vorteilsgewährung sowie spiegelbildlich die Bestechlichkeit des Amtsträgers und die Vorteilsnahme durch diesen (…) (§§ 331 ff. StGB)“ (Niehaus 2012: 56) und lassen sich mit der Definition nach Nye (1968) in Einklang bringen, der den Machtmissbrauch in einer öffentlichen Rolle darstellt. Korruption sieht der Gesetzgeber allerdings nicht nur auf öffentlicher Seite. So werden nach den §§ 298– 299 StGB auch Straftaten gegen den Wettbewerb als Korruptionsdelikte angesehen, bei denen kein Amtsträger beteiligt ist (Niehaus 2012: 58). Die Gesetzgebung grenzt Korruption ab von anderen Delikten wie Betrug, Erpressung, Veruntreuung. Eine diesbezüglich wichtige Unterscheidung im deutschen Strafrecht ist die Freiwilligkeit, auf der Korruption beruht, anders als Erpressung und Nötigung (Niehaus 2012: 60). Die Korruptionsdefinitionen fallen recht unterschiedlich aus, dies ist vor allem der Interdisziplinarität der Korruptionsforschung geschuldet. Jede Disziplin hat ihren eigenen Fokus: Während in der Soziologie hauptsächlich das Zusammenspiel von individuellen und gesellschaftlichen Kontexten betrachtet wird (Graeff & Dombois 2012), orientiert sich die Rechtswissenschaft an den geltenden Gesetzen (Niehaus 2012). Die Psychologie fragt u. a. nach den psychischen Komponenten, wie Rechtfertigungsstrategien (Rabl 2012), und die Politik fokussiert sich

46

Dieser Punkt trifft eher für die westlichen Länder zu und ist diskutabel, da bspw. die Geschäfte einer deutschen Firma in Afrika keinen negativen Effekt für das deutsche Wirtschaftswachstum haben.

64

6 Negatives soziales Kapital

auf den Machtmissbrauch und den Bruch von Normen und Regeln (Wolf 2012). In der Kriminologie wird Korruption „vor allem als Teilgebiet der Wirtschaftskriminalität betrachtet“ (Graeff 2012: 222) und in gesellschaftliche Prozesse zur Erklärung eingebettet (Thiel 2012). In der eher anwendungsorientierten Forschung (etwa durch das BKA (2017)) wird häufig zwischen der situativen und strukturellen Korruption differenziert. Während die situative Korruption spontan passiert, also weder geplant noch vorbereitet wird, kennzeichnen Planung und Vorbereitung die strukturelle Korruption. Häufig ist die strukturelle Korruption in langfristige soziale Beziehungen eingebettet. Von den aufgedeckten und durch die Justiz verfolgten Korruptionsfällen im Jahr 2016 in Deutschland sind lediglich 6,9 % der situativen Korruption zuzuordnen (BKA 2017: 9). Der größte Teil der Korruptionsfälle basierte auf Beziehungen, die auf eine längere Dauer angelegt waren (bis 1 Monat: 33,2 %, mehr als 1 Monat bis zu 2 Jahre: 16 %, mehr als 2 Jahre bis zu 5 Jahre: 9,2 % und länger als 5 Jahre: 10,7 %) (BKA 2017: 9). Wie ein korrupter Austausch entsteht und aufrechterhalten wird, kann an länger andauernden Korruptionsbeziehungen analysiert werden. Diese Beziehungen sind daher von besonderem Interesse für die Sozialwissenschaften. Die häufigsten Korruptionsfälle über die letzten 5 Jahre werden in der allgemeinen öffentlichen Verwaltung verzeichnet (BKA 2017: 8). Für das Jahr 2016 können dort knapp die Hälfte (49 %) aller Korruptionsfälle verortet werden. Korruption in der Wirtschaft stellt den zweitgrößten Bereich dar. 2016 konnten 30 % der Korruptionsfälle dem wirtschaftlichen Sektor zugeordnet werden. Es passiert jedoch häufig, dass Korruption im Austausch zwischen der Wirtschaft und der öffentlichen Verwaltung bzw. politischen Institutionen auftritt. Smelser (1971: 16) fasst diesen Punkt so zusammen: „Corruption, in short, involves trading economic for political rewards“. Die allgemeine öffentliche Verwaltung ist nicht nur als Ort der Anwendung korrupter Praktiken beliebt, sondern wird auch in vielen Disziplinen in den Mittelpunkt der Korruptionsforschung gerückt. Den meisten Ansätzen der interdisziplinären Korruptionsforschung ist gemein, dass ein Amtsträger seine öffentliche Position zum eigenen Vorteil ausnutzt, sodass die Rolle der Amtsträger in einer Korruptionsbeziehung anhand des Prinzipal-Agenten-Modells skizziert werden kann.

Das Prinzipal-Agenten-Modell der Korruption Das Prinzipal-Agenten-Modell der Korruption basiert auf der Prinzipal-Agenten-Theorie (vgl. Ross 1973) aus den Wirtschaftswissenschaften und illustriert eine Korruptionsbeziehung, in der ein Agent durch den Prinzipal eine Machtbefugnis erhält, die er zu Unrecht zu seinem eigenen Vorteil nutzt (vgl. three-actor-model nach Banfield 1975). Die obigen Definitionen nach Nye, Klitgaard oder generell von TI, aber auch das ökonomische und juristische Verständnis von Korruption, lassen sich mit diesem Modell in Verbindung bringen. Der Prinzipal ist der Auftraggeber, der die Machtbefugnis besitzt, Anordnungen zu erlassen. So könnte der Prinzipal

6.1 Korruption

65

z. B. ein Unternehmen oder – abstrakter gedacht – der Staat sein (Graeff 2009: 148 f.), der mit einem Agenten ein Vertragsverhältnis eingeht. Dieses Verhältnis ist gekennzeichnet durch einen „(…) contract under which one or more persons (the principal (s)) engage another person (the agent) to perform some service on their behalf which involves delegating some decision making authority to the agent“ (Jensen & Meckling 1976: 308). So übergibt der Staat den Agenten eine Verfügungsgewalt zur Durchführung von staatlichen Aufgaben, welche die Agenten im Sinne des Staates und unter Einhaltung gesetzlicher und behördlicher Regeln vollziehen sollen. In der deutschen Verwaltung sind diese Agenten in der Regel Amtsträger, die durch ihre Position eine Weisungsbefugnis bzw. spezifische Ermächtigung erhalten, bspw. im Straßenverkehrsamt die Befugnis, Kraftfahrzeuge zuzulassen. Die Arbeit des Agenten soll in Abstimmung mit und auch im Sinne des Prinzipals durchgeführt werden (was handlungstheoretisch an den „affinen Agenten“ (Coleman 1995) erinnert). Die Regeln zur Arbeitsdurchführung sind für die Agenten meist eindeutig (und in den Gesetzestexten und Verordnungen auch nachzuschlagen), sodass hinsichtlich dieses Beispiels für die Agenten eindeutig ist, wann ein Kraftfahrzeug bspw. eine Zulassung (in Form einer Plakette) erhält oder nicht. Erhält nun ein Kraftfahrzeug keine Zulassung, weil es den Vorgaben nicht entspricht, dann wäre es ein legales Vorgehen, wenn der Kraftfahrzeughalter (Klient) die Mängel beseitigen lässt, damit die Zulassungsvoraussetzungen erfüllt werden. Ist der Klient jedoch nicht bereit, die Schritte des vorgeschriebenen Weges einzuhalten, weil er z. B. die Zulassung sofort benötigt, dann könnte er dem Agenten einen Deal anbieten: der Agent erhält eine ausgehandelte Summe und der Klient erhält dafür die Zulassung. Der Agent müsste entgegen seiner Anweisung durch den Prinzipal handeln (Graeff 2009: 149). Aus einer ökonomischen Perspektive erklärt sich das korrupte Verhalten des Agenten dahingehend, „[if] both parties [- principal and agent -] to the relationship are utility maximizers there is good reason to believe that the agent will not always act in the best interests of the principal“ (Jensen & Meckling 1976: 308). Aus sozialwissenschaftlicher Perspektive kann korruptes Verhalten auf der Maxime der Nutzenmaximierung basieren, aber es lassen sich auch soziale Komponenten (Vetternwirtschaft, Bevorzugung) zur Begründung finden. An dieser Stelle ist man wieder am Ausgangspunkt, die die Bereicherung zum eigenen Vorteil (Nutzenmaximierung, Vetternwirtschaft) durch die Ausnutzung einer öffentlichen Position als weit gefasste Korruption definiert (TI 2018, Nye 1967). Graeff (2009: 149 f.) verweist darauf, dass der Agent sowie der Klient die Korruptionsbeziehung freiwillig eingehen, was auch zu dem juristischen Verständnis passt, nach dem kein Zwang zwischen den Korruptionspartnern, sondern eine Übereinkunft (Kollusion) existiert (Niehaus 2012). Die Korruption kennzeichnet zudem drei Aspekte: 1) der Vorgang (die Korruption) ist illegal, 2) der Vorgang ist privat und soll nicht bekannt werden und 3) bei Nicht-Einhaltung der Absprache können keine juristischen Schritte eingeleitet werden (Graeff 2009: 149). Die untenstehende Abbildung 5 illustriert das Prinzipal-Agenten-Modell der Korruption. Die Pfeile suggerieren die Beziehung zum jeweiligen Akteur. Das Beschäftigungsverhältnis zwischen Prinzipal und Agent sowie die reguläre Dienstleistung zwischen Agenten und Klienten wird durch die durchgehenden Pfeile dargestellt. Der zusätzliche (innere) Kreislauf der gestrichelten Pfeile spiegelt die Korruptionsbeziehung, insbesondere das private „Geschäft“ wider,

66

6 Negatives soziales Kapital

bei dem der Agent eine private Gegenleistung für seinen Amtsmissbrauch vom Klienten erhält und der Klient den von ihm erstrebten Vorteil entgegen den formalen Regularien erhält.

Abbildung 5: Das Prinzipal-Agenten Modell der Korruption (eigene Darstellung, in Anlehnung an Graeff (2009: 149))

Erklärungsansätze Da es keine eigene Korruptionstheorie gibt, ziehen die meisten Autoren Erklärungsansätze aus anderen Kontexten heran. Der Erklärungsansatz von Korruption über die Sozialkapitaltheorie wurde bereits am Anfang dieses Kapitels erörtert. Weiter gefasst kann dieser Ansatz auch mit sozialen Austauschtheorien (wie z. B. nach Homans (1961) oder Blau (1967)) in Verbindung gebracht werden. Soziologische Erklärungsversuche von Korruption knüpfen oftmals auch an die Devianztheorien nach Durkheim (1965 [1895]) und Merton (1938) an. Im Folgenden werden diese Ansätze daher kurz besprochen. Für eine ausführlichere Darstellung von Theorieansätzen sei auf soziologische (z. B. Graeff & Dombois 2012) und kriminologische (z. B. Thiel 2012) Beiträge verwiesen.

6.1.3.1 Soziale Austauschtheorie Bedeutende Beiträge zur sozialen Austauschtheorie gehen auf die Ansätze von Homans (1961) und Blau (1964) zurück. Beide Ansätze unterscheiden sich graduell in ihren Ausgangspunkten zur Betrachtung des sozialen Austauschs. Dieser liegt bei Blau (1964: 4) bei zwischenmenschlichen Beziehungen und sozialer Interaktion, während er bei Homans (1961) bei Zweierbeziehungen liegt (vgl. Cook & Rice 2006: 54). Auch die Erklärungsrichtungen unterscheiden sich, da Homans (1961) seinen Schwerpunkt vornehmlich auf die Beschreibung und Erklärung sozialer Verhaltensprozesse legt, während bei Blau (1964) der reziproke Austausch und die Entstehung bzw. Erhaltung sozialer Strukturen im Mittelpunkt stehen (vgl. Cook & Rice 2006: 55).

6.1 Korruption

67

Die Austauschtheorien bieten eine theoretische Grundlage, um soziologisch die Austauschprozesse in Sozialkapitalbeziehungen zu betrachten, was sowohl für deren positive wie negative Konsequenzen gilt. Auch bei korrupten Akteuren gibt es reziproke Transferleistungen, die austauschtheoretisch bedeutsam werden können. Dabei steht in der Soziologie über die formalen Bedingungen des Transfers hinweg auch die soziale Beziehung im Vordergrund (Graeff & Dombois 2012: 138). Der soziale Austausch bezieht sich nach Blau (1964: 91) auf „voluntary actions of individuals that are motivated by the returns they are expected to bring and typically do in fact bring from others“. Die Reziprozitätsnorm liegt jeglichem Austausch zugrunde, wenn „individuals, in the interest of continuing to receive needed services, discharge their obligations for having received them in the past“ (Blau 1964:92). Bei Blau fungiert die Reziprozität vor allem zur Stabilisierung und Verstärkung des sozialen Austausches. „[It] involves the principle that one person does another a favor, and while there is a general expectation of some future return, its exact nature is definitely not stipulated in advance“ (Blau 1964: 93). Nach Blau (1964: 93) stellen die unspezifischen Verpflichtungen im sozialen Austausch einen grundlegenden Unterschied zu formalen Verträgen dar. Bei unspezifischen Verpflichtungen erfolgt der Transfer mit der Erwartung, dass die Verpflichtungen eingehalten werden, da sie mit formalen Mitteln nicht durchgesetzt werden können. Die dabei gezeigte Vertrauenswürdigkeit spielt folglich eine zentrale Rolle, welche schrittweise erhöht werden kann, wenn ein reziproker Austausch stattfindet. „By discharging their obligations for services rendered […] individuals demonstrate their trustworthiness, and the gradual expansion of mutual service is accompanied by a parallel growth of mutual trust“ (Blau 1964: 94). Für Austauschbeziehungen spielt nach Homans (1961: 232) das „Gesetz der ausgleichenden Gerechtigkeit“ eine bedeutende Rolle: jemand erhält das, was ihm zusteht. Das bedeutet, dass jemand in einem Tauschgeschäft genauso viel erhält (bspw. Wert eines Gutes), wie er gegeben hat (bspw. Geld oder Gegenleistung). Sollten die Regeln der ausgleichenden Gerechtigkeit nicht eingehalten werden, sodass eine Person benachteiligt wird, stellen sich nach Homans (1961) nicht nur negative Emotionen wie Ärger ein, sondern auch ein Lerneffekt. „They learn to avoid activities that get them into unjust exchanges (…)“ (Homans 1961: 232). Ein Austausch, der nach dem „Gesetz der ausgleichenden Gerechtigkeit“ verläuft, kann aber zur Zufriedenheit der Austauschpartner erfolgen, selbst wenn der Wert der transferierten Güter und Leistungen extrem unterschiedlich ist. Die Bedeutung eines transferierten Wertes – bzw. die Leistung, die jemand erbringt – kann sich dabei von Person zu Person und darüber hinaus im Laufe der Zeit ändern (Homans 1961: 44). Homans führt an, dass für die eine Person zum Zeitpunkt x eine Hilfestellung zur Erledigung einer Aufgabe einen hohen Wert haben kann, während für eine andere Person diese Hilfe einen niedrigen Wert besitzt, z. B. weil sie Aufgabe auch eigenständig erledigen kann. Anders als bei einem ökonomischen Austauschprozess, der Leistung und Gegenleistung vertraglich regelt, kann die Gegenleistung in den sozialen Austauschbeziehungen ungenau bestimmt sein. Dieser

68

6 Negatives soziales Kapital

Ansatz ist auch bei Coleman (1995) zu finden, wenn er Erwartungen und Verpflichtungen in Sozialkapitalbeziehungen betrachtet (vgl. Kapitel 3.1). Diese sehr kurz umrissenen Austauschtheorien könnten in der Lage sein, bestimmte Aspekte von korrupten Austauschvorgängen zu verdeutlichen und auf ihren sozialen Gehalt hin zu untersuchen. Ähnlich wie bei Blau (1964) basieren die Prozesse des Austausches in Korruptionsbeziehungen nicht auf einklagbaren Verträgen. Üblicherweise werden die Übereinkünfte nicht einmal schriftlich festgehalten. Damit werden einerseits keine Beweismittel verfügbar gemacht, falls die Korruption entdeckt werden sollte. Andererseits werden viele „Gegenleistungen weder in Art noch im Zeitraum spezifiziert […] (Beispiele sind Vetternwirtschaft und Nepotismus, Ämterpatronage; Gefälligkeiten; Guan-Chi) (…)“ (Graeff & Dombois 2012: 139). Blau (1964: 92 ff.) betont in seiner Theorie, dass darauf vertraut wird, dass der eine Austauschpartner seine Verpflichtung gegenüber dem anderen einhält. In Bezug auf Korruption kann das bedeutsam werden, wenn bspw. Verpflichtungen gegenüber dem anderen zielgerichtet aufgebaut werden. Einige Forscher sprechen hier von einem Lerneffekt in Form des „Anfütterns“ (Sorgatz 2018: 194; Wolf 2014: 21). Beim Anfüttern werden kleinere Geschenke, Dankeschön-Spenden (Sorgatz 2018: 194) oder gar Gefälligkeiten an eine Person verteilt, die lediglich der Beziehungspflege dienen, aber noch keine explizite Gegenleistung erwarten lassen. Die Strategie des Anfütterns zielt aber darauf ab, zunächst zu testen, inwiefern das Gegenüber für Vorteilsnahmen empfänglich ist, ohne dass eine Pflichtverletzung (Amtsmissbrauch) ausgeübt wird (Wolf 2014: 21). Die „Geschenke“ signalisieren die Zuneigung bzw. Gunst für die andere Person (Niehaus 2016: 49). Wenn eine hinreichende Anzahl an Gunstbezeugungen abgegeben wurde, wird ein Austausch vorgeschlagen, der eine Pflichtverletzung bzw. einen Amtsmissbrauch beinhaltet (typischerweise eine klassische Bestechung, in der der Amtsträger seine Macht zugunsten eines Klienten ausnutzt und von diesem dafür entlohnt wird). Lehnt eine Person hingegen die Versuche des Anfütterns konsequent ab, lernt das Gegenüber, dass hier wohl keine korrupten Tauschbeziehungen möglich sind. Darüber hinaus lassen sich auch langfristige korrupte Austauschbeziehungen mit den Theorien von Blau und Homans in Verbindung bringen. Vertrauen kann ein zentraler Aspekt in solchen Beziehungen sein, weil sich die Austauschpartner nicht auf juristisch abgesicherte Vertragsregelungen verlassen können. Zuweilen basieren die Austauschprozesse nicht auf spezifischen Verpflichtungen wie z. B. bei Vetternwirtschaft (Vater verschafft seiner Tochter einen Job in der Firma, in der er arbeitet, ohne die Personalrekrutierungsregeln zu beachten), sondern auf unspezifischen Verpflichtungen im Sinne von Blau (1964). Des Weiteren ist Korruption freiwillig, ebenso wie der Austausch bei Blau (1964).

6.1 Korruption

69

6.1.3.2 Devianztheorie In der Soziologie wird Korruption oftmals als deviantes Verhalten verstanden, was dann eine Erklärungsnähe zur Anomietheorie nach Merton oder Durkheim nahelegt. Ausgangspunkt derartiger Erklärungen sind Handlungsklassifikationen in normale und abweichende Verhaltensweisen. Korruption fällt üblicherweise nicht in den normalen Verhaltensraum – es weicht vielmehr von dem üblichen Verhalten ab (Graeff & Dombois 2012: 137). Was als abweichend verstanden wird, hängt vom jeweiligen Gesellschaftskontext ab. So sind bspw. Dankesbekundungen in Form von kleinen Aufmerksamkeiten gegenüber Beamten in China üblich, während diese in Deutschland bereits unter den Verdacht der Bestechung fallen (Osburg 2018). Anomie ist zwar ein zentraler Begriff in der Durkheim’schen Theorie. Der Begriff wird aber inzwischen in vielfältiger Weise verwendet. Von zentraler Bedeutung bei allen Verständnisweisen ist, dass Anomie mit sozialer Desintegration und der Erosion gesellschaftlich geltender Normen einhergeht (Thiel 2012: 170). Anomische gesellschaftliche Zustände zeichnen sich dadurch aus, dass Werte an Bedeutung verlieren, Individuen sich zunehmend weniger gesellschaftlich orientieren können und in der Folge deviantes Verhalten und Normbrüche zunehmen. Die Gründe für das Auftreten von Anomien sind vielfach, insbesondere aber werden gesellschaftliche Veränderungsprozesse nicht adäquat umgesetzt (Durkheim 1965). Anomie trifft die gesamte Gesellschaft, so Durkheim. Soziale Veränderungsprozesse, die auch eine starke Abweichung in der Kriminalitätsrate hervorbringen, können mit Anomien in Verbindung gebracht werden. Durkheim (1965) geht davon aus, dass ein gewisses Ausmaß an Kriminalität (bzw. Devianz) in einer Gesellschaft normal (und u. U. sogar normbekräftigend) ist (Durkheim 1965: 155). Merton (1938) hat Durkheims Ideen über Anomie aufgegriffen, verwendet den Begriff aber weniger in Bezug auf ein gesamtgesellschaftliches Phänomen, sondern eher in Bezug auf Personengruppen in sozial ungünstigen Positionen, wie bspw. der Unterschicht. Von zentraler Bedeutung bei Merton (1938) ist die Diskrepanz zwischen gesellschaftlich propagierten Zielen und Mitteln, diese Ziele zu erreichen. Auch nach Merton (1938) ist Anomie ein Zustand der Normenlosigkeit. „Als Anomie wird schließlich der Zusammenbruch der kulturellen Struktur bezeichnet, der besonders dort erfolgt, wo eine scharfe Diskrepanz besteht zwischen kulturellen Normen und Zielen einerseits und den sozial strukturierten Möglichkeiten, in Übereinstimmung hiermit zu handeln, andererseits“ (Merton 1968: 292). Anders als bei Durkheim (1965) führt nach Merton (1938) eine Ziele-Mittel-Diskrepanz zu abweichendem Verhalten (Lamnek 1977: 51 ff.). Unter dem ersten Element versteht er die kulturellen bzw. gesellschaftsabhängigen Ziele, wie Absichten und Interessen der Menschen in einer Gesellschaft. Das zweite Element, welches nach Merton (1938) einen entscheidenden Einfluss zur Bildung abweichenden Verhaltens hat, sind die legitimen institutionalisierten Mittel, mit denen Ziele erreicht werden können. Normen regeln die Art und Weise der Zielerreichung. Merton untersucht hierbei „in welcher Weise die soziale und kulturelle Struktur auf

70

6 Negatives soziales Kapital

Personen in unterschiedlichen Situationen in dieser Struktur einen Druck ausübt, sich sozial abweichend zu verhalten“ (Merton 1968: 284). Merton (1938) nennt dies auch den anomischen Druck. Da der Zugang zu den legitimen Mitteln in den höheren sozialen Schichten leichter als in den unteren ist, ergibt sich ein höherer Druck auf die unteren Schichten, die gewünschten Ziele zu erreichen. Jedoch anders als bei Durkheim ist bei Merton abweichendes Verhalten an sich mit Anomie verbunden und nicht erst eine stark erhöhte oder stark verringerte Devianzquote. Während Durkheims Anomieverständnis auf einem gesamtgesellschaftlichen Ansatz basiert, verwendet Merton einen deutlich individuumszentrierten Ansatz, welchen er für eine allgemeine Theorie des abweichenden Verhaltens ausarbeitet (Lamnek 1977: 50). Im Zentrum seiner Theorie steht eine Klassifikation, die Möglichkeiten aufzeigt, wie Individuen auf die Diskrepanz zwischen kulturellen Zielen und den zur Verfügung stehenden Mitteln reagieren. Diese Klassifikation beinhaltet die Kategorien der Konformität, der Innovation, des Ritualismus, des Rückzugs und der Rebellion. Bei der Konformität werden die kulturellen Ziele sowie die legitimen Mittel der Gesellschaftsmitglieder akzeptiert. Bei stabilen Gesellschaften mag die Gruppe der Konformen den Großteil der Individuen umfassen. Falls die kulturellen Ziele akzeptiert werden, aber die legitimen Mittel fehlen bzw. abgelehnt werden, spricht Merton (1938: 676) vom Typus der Innovation. Beim Typus Ritualismus ist es genau umgekehrt: die Mittel werden akzeptiert bzw. sogar ritualisiert, ohne aber die Ziele anzuerkennen. Beim Rückzug werden hingegen weder Ziele noch Mittel akzeptiert (bspw. gesellschaftliche Aussteiger). Die Rebellion ist eine spezielle Reaktionsmöglichkeit, da hier die Ziele und Mittel abgelehnt, jedoch durch neue substituiert werden (Merton 1938: 676). Für korruptes Verhalten ist das Reaktionsmuster der Innovation von Interesse. Kriminelles Verhalten ist generell dieser Kategorie zuordnen – korrupte Individuen sind in diesem Sinne innovativ, wenn sie den legalen (vorgesehenen) Ablauf umgehen und stattdessen eine anvertraute Machtposition zu ihrem Vorteil ausnutzen. Grundsätzlich zeigen alle Typen ein von der Konformität abweichendes Verhalten im Sinne Mertons, wobei die stärkste Ausprägung bei den Typen der Innovation sowie der Rebellion aufzufinden ist (Lamnek 1977: 53). Wird Korruption als normabweichendes Verhalten des innovativen Typus betrachtet, liegt es nahe, Konflikte zwischen partikularen und universalistischen Normen anzunehmen, bei denen partikulares Vertrauen zu Korruptionspartnern und soziale Netzwerke (Sozialkapital) bedeutsam werden (Graeff & Dombois 2012). In der Folge werden universalistische Normen desto stärker geschwächt, je häufiger Korruption in einer Gesellschaft auftritt. Wie bereits Rothstein (2013) anmerkte, führen etablierte Korruptionspraktiken in einer Gesellschaft zu Misstrauen unter den Bürgern. Dabei hat ein vertrauensvolles Miteinander durchaus Vorteile, denn „people who believe that most other people in their society in general can be trusted are also more inclined to have a positive view of their democratic institutions, participate more in politics, and be more active in civic organizations“ (Rothstein 2013: 1010). Eine hohe

6.1 Korruption

71

Ausprägung an generalisiertem Vertrauen in einer Gesellschaft geht zudem mit einer toleranteren Einstellung gegenüber Minderheitsgruppierungen einher, die sich bspw. ethnisch, religiös oder politisch von der Mehrheit der Gesellschaftsmitglieder unterscheiden (Rothstein 2013). Eine Abwendung vom sozialen Vertrauen kann zu einer Verstärkung des partikularen Vertrauens führen (Uslaner 2002). Der Umkreis des Vertrauens richtet sich nur auf noch bekannte Personen, wie Familienmitglieder, Freunde oder Bekannte. Andere werden dann nicht mehr fair und vertrauenswürdig wahrgenommen und gegenseitiges, generalisiertes Vertrauen der Gesellschaftsmitglieder kann nicht entstehen.

7

Untersuchungen zum sozialen Kapital

In der empirischen Sozialkapitalforschung gilt soziales Kapital nicht nur als wichtiger Bestandteil persönlicher – partikularer – Beziehungen, sondern auch als ein Kollektivgut, welches das gesellschaftliche Miteinander prägt. Was soziales Kapital auf gesellschaftlicher Ebene ausmacht, wird in den wissenschaftlichen Studien über verschiedene Sozialkapitalindikatoren in unterschiedlicher Weise abgebildet. Daher werde ich in dieser Arbeit die heterogene Verwendung der Studieninhalte mit einer einheitlichen, homogenen empirischen Darstellung zwar nicht erschöpfend, aber dennoch auf den Wesenskern bezogen darstellen. Über die bisherigen Studien konnten soziale Dynamiken und Prozesse in einer Gesellschaft abgebildet werden und auch Aussagen darüber getroffen werden, welche Einstellungen, Normen und Werte in bestimmten Regionen vorherrschen und in welcher Weise das gesellschaftliche Miteinander vollzogen wird. In der Sozialkapitalforschung spielen dabei Vereine und Gruppen, z. B. im Sport und in der Politik, eine wichtige Rolle. Die Untersuchungsperspektive geht dabei von Kollektivphänomenen auf der Makroebene aus und beleuchtet soziale Tendenzen auf der nationalen Ebene, die sich aber im Einzelfall bis hinab auf die unteren Ebenen, z. B. auf der Bundesländerebene oder innerhalb von Raumordnungsregionen, betrachten lassen. Der Blick auf das soziale Kapital auf der Makroebene erlaubt es, Unterschiede einzelner Komponenten, wie bspw. soziales Vertrauen (Svendsen & Svendsen 2015) zwischen den Ländern – oder innerhalb Europas (Hooghe et al. 2009; Pichler & Wallace 2007; Christoforou 2005; Paldam & Svendsen 2001) – aufzuzeigen. Für den europäischen Bereich sind vor allem zu nennen die Untersuchungen von Freitag (2004, 2014), Freitag & Bühlmann (2006, 2007) sowie Freitag & Bauer (2014) für die Sozialkapitalausstattung innerhalb der Schweiz sowie Freitag & Traunmüller (2008) für Deutschland. Es gibt aber auch detaillierte Analysen zum sozialen Kapital in bspw. den skandinavischen Ländern (Rothstein & Stolle 2003), wie Dänemark (Torpe 2003) oder Schweden (Mattisson et al. 2015), den osteuropäischen Ländern wie Russland (Rose 2000) oder Polen (Lasinska 2013), in Großbritannien (Richards & Heath 2015), Frankreich (Worms 2002) und den südeuropäischen Ländern wie Italien (Crescenzi et al. 2013; Putnam 1993), Spanien (Alm & Gomez 2008) oder Griechenland (Jones et al. 2008). Diese Studien kommen teilweise trotz sehr unterschiedlicher Operationalisierungen47 zu ähnlichen Ergebnissen, bspw. in dem Sinne, dass soziales Kapital für ältere Personen wichtiger wird (UK: Gray 2009; D: Kroll & Lampert 2007; S: Sundquist et al. 2014; NL: Cramm et al. 2012; EU: Gannon & Roberts 2014) oder dass eine höhere Sozialkapitalausstattung das subjektive Wohlbefinden verbessert (Puntscher et al. 2015). Die Sozialkapitalforschung, die sich mit Deutschland als Untersuchungsobjekt befasst, nimmt unterschiedliche Formen des sozialen Kapitals in den Blick, unter denen insbesondere die Vereins- und Vertrauensforschung hervorsticht (z. B. Botzen 2016; Franzen & Botzen 2011; Frei-

47

Das British Household Panel Survey (BHPS) und das SOEP sind ähnliche Panelstudien und erheben beide das Item zum Vertrauen in die Mitmenschen (Item: RV44; Wave: 17) mit einer dichotomen Ausprägung sowie einer Write-in Möglichkeit, bspw. bei Ehrenämtern.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_7

74

7 Untersuchungen zum sozialen Kapital

tag & Traunmüller 2009). Im nachfolgenden Kapitel werden diese Forschungen explizit aufgegriffen. Dabei wird deutlich werden, wie bedeutsam die unterschiedlichen Formen von sozialem Kapital in Deutschland ausgeprägt sind und in welcher Weise sie mit anderen gesellschaftlichen Faktoren wie Diversität, Religion oder wirtschaftlicher Prosperität und darüber hinaus vor allem mit Korruption verbunden sind. Weiterhin werden Studien zur Beständigkeit des sozialen Kapitals dargestellt, wobei im Hinblick auf meine eigene Untersuchung insbesondere Studien zur Messinvarianz behandelt werden.

7.1

Sozialkapitalforschung in Deutschland

Soweit ersichtlich, wurde die Sozialkapitalausstattung in Deutschland zum ersten Mal von Freitag & Traunmüller (2008) in ihrer Gesamtheit untersucht, wobei einschränkend festzuhalten ist, dass es „die“ Sozialkapitalausstattung als ein Konstrukt, über das Einigkeit herrscht, nicht gibt. Um eine Sozialkapitalausstattung zu erfassen, bieten sich gesellschaftliche Strukturdaten oder Surveydaten an. Unter die Strukturdaten fallen die Anzahl der Vereine oder intermediären Organisationen (nach Coleman 1995) je Region. Surveydaten zu sozialem Vertrauen, Hilfeleistungen oder Reziprozität werden ebenfalls zur Erfassung der Sozialkapitalaustattung verwendet. Die Surveys erfassen oftmals auch strukturelle Eigenschaften wie die Einbettung eines Befragten in Netzwerke oder die Mitgliedschaft in Vereinen. Die methodische Vorgehensweise erfolgt in den Studien, welche die Sozialkapitalausstattung darstellen, anhand der statistischen Auswertung dieser Daten. Dabei werden die Surveydaten entweder auf der Individualebene, aber häufiger auf aggregierten Ebenen wie den Raumordnungsregionen in Deutschland oder der Kreisebene (NUTS-3) ausgewertet. In den bisherigen Studien ergibt sich hierbei durchweg ein homogenes Bild der Elemente, welche die Sozialkapitalausstattung aus Sicht der Forscher ausmachen. Dabei beziehen sich die Forscher weitgehend auf die Theorien, auf die bereits in den vorherigen Kapiteln eingegangen wurde. Allerdings gibt es einige wenige Forscher und Studien, die für die Operationalisierung Anleihen bei Theorien machen (z. B. der Postmaterialismus-Theorie von Inglehart (1977)), die eigentlich einem anderen Theoriekontext zugerechnet werden. Solche Arbeiten verdeutlichen aber, dass es noch keinen Konsensus über die Kernelemente der Sozialkapitalausstattung gibt. In ihrer Studie verwenden Freitag & Traunmüller (2008) Daten des sozio-ökonomischen Panels (SOEP), um die Verteilung der Sozialkapitalausstattung in Deutschland darzustellen und geografisch zu visualisieren. Sie sprechen in ihrer Untersuchung von „Sozialkapitalwelten“, die sich aus der Kombination von drei Sozialkapitalindikatoren, gemessen zu unterschiedlichen Zeitpunkten, ergeben: die „Aktivität in Netzwerken“ (2003; 2005) gemessen über die Mitgliedschaften in verschiedenen Organisationen, das „generalisierte Vertrauen“ (2003) und die „Reziprozitätsnormen“ (2005). Als Analyseeinheit dienen die Raumordnungsregionen. Freitag & Traunmüller kommen zu dem Schluss, dass es ein Ost-West-Gefälle beim generalisierten Vertrauen und bei den Netzwerkaktivitäten gibt, wobei der Westen jeweils höhere Ausprägungen

7.1 Sozialkapitalforschung in Deutschland

75

aufweist. Die Reziprozitätsnormen sind mehr oder weniger einheitlich über die deutschen Regionen ausgeprägt. Freitag & Traunmüller (2008: 230) stellen in ihrem Beitrag fest, dass von ihnen gemessene Elemente des sozialen Kapitals in Deutschland kein „einheitliches Gebilde“ darstellen (also keinen einheitlichen Faktor zweiter Ordnung bilden). Vielmehr handele es sich um ein Konstrukt mit mehreren Dimensionen, die empirisch lediglich schwach miteinander in Beziehung stehen.48 Insbesondere findet sich in ihrer Studie kein Zusammenhang zwischen Reziprozitätsnormen und generalisiertem Vertrauen. Sie folgern aus den Ergebnissen ihrer Studie, dass zur Untersuchung der Sozialkapitalausstattung einzelne Komponenten herangezogen werden sollten. Eine Auswahl der Einzelkomponenten kann nur nach theoretischen Kriterien erfolgen und ist durch die Möglichkeiten der Operationalisierung begrenzt. In der Folge werden empirische Umsetzungen immer einen „trade-off“ zwischen theoretischer Vollständigkeit und empirischer Erfassung aufweisen. „Für die vergleichende Analyse subnationaler Sozialkapitalbestände bedeutet dies freilich, dass Regionen reich an einer spezifischen Form sozialen Kapitals sein und dabei gleichzeitig einen Mangel an einer anderen Form aufweisen können“ (Freitag & Traunmüller 2008: 232). Bezogen auf die Menge von Einzelkomponenten, die als Referenz für die Sozialkapitalausstattung bei Freitag & Traunmüller (2008) verwendet werden, weisen die östlichen Regionen in Deutschland ein geringes soziales Vertrauen und eine geringere Mitgliedsaktivität auf, bei gleichzeitig hoher Ausprägung der Reziprozitätsnorm. Blume & Sack (2008) definieren ihre eigenen Formen der Sozialkapitalausstattung und weichen inhaltlich stark von den Vorstellungen aller übrigen Forscher ab. Sie betrachten in ihrer Studie fünf Indikatoren, die sie aus Daten großer Survey-Untersuchungen (wie Forsa, SOEP usw.) für westliche deutsche Raumordnungsregionen zusammenstellen. Sie bilden über die Indikatoren die Ausprägung des sozialen Vertrauens, der post-materialistischen Werte und die Aktivitäten in politischen und zivilen Netzwerken ab. Außerdem erstellen sie einen Indikator für die Marktpräferenz, welche „entail the acceptance of social inequalities as well as the positive understanding of entrepreneurship and privatization“ (Blume & Sack 2008: 234). Sie operationalisieren diese bspw. über die prozentuale Zustimmung zur Privatisierung sozialer Sicherheit, über die Einstellung zur Akzeptanz von Ungleichheit oder die prozentuale Wahrscheinlichkeit, selbstständig (Entrepreneur) zu werden (Blume & Sack 2008: 235). Ihre Auslegung der Sozialkapitalausstattung begründen sie mit Studien Putnams, wobei sie die eigentlichen Kernmerkmale sozialen Kapitals, wie Vertrauen, mit den aus hohem Sozialkapital resultierenden Merkmalen, wie politisches Interesse oder Wahlbeteiligung, vermischen (Blume & Sack 2008: 230). Inwiefern solche Neuschöpfungen sinnvoll sind, kann einerseits über eine theoretische Untersuchung analysiert werden, andererseits können empirische Zusammenhänge die Validität der Konstrukte wiedergeben. Eine Prüfung auf einen Zusammenhang zweiter Ordnung, wie Freitag & Traunmüller (2008) ihn zuvor für ihre gemessenen Sozialkapitalkomponenten testeten, erfolgte nicht. 48

Freitag & Traunmüller (2008) demonstrierten anhand einer explorativen Faktorenanalyse wie die herangezogenen Items die jeweiligen Sozialkapitalmerkmale abbilden.

76

7 Untersuchungen zum sozialen Kapital

Nach ihrer Sozialkapitalauslegung finden Blume & Sack (2008) in ihrer Untersuchung zwei typische Indikatorenkonfigurationen. Die Raumordnungsregionen überwiegend in Bayern sowie vereinzelt in Baden-Württemberg und in einzelnen Regionen in Schleswig-Holstein und Niedersachen weisen starke zivile Netzwerke, hohe Vertrauenswerte und Marktpräferenz mit niedrigen post-materialistischen Werten sowie schwache politische Netzwerke auf (Typ B). Westliche Regionen – mit einzelnen Ausnahmen – weisen entgegengesetzte Charakteristika auf, nämlich hohe post-materialistische Werte und starke politische Netzwerke mit gleichzeitig schwachen zivilen Netzwerken, niedrigen Vertrauenswerten und niedriger Marktpräferenz (Typ A). Im Einklang mit Freitag & Traunmüller (2008) empfehlen auch Blume & Sack (2008: 242), die Komponenten sozialen Kapitals einzeln zu betrachten und zeigen, dass (soziales) Vertrauen sowie Marktpräferenz einen Einfluss auf das ökonomische Wachstum in einer Region haben. Traunmüller (2008; 2011) untersucht in zwei Studien den Zusammenhang von Religion und sozialem Kapital. Er wählt klassische, aber unterschiedliche Sozialkapitalauslegungen in den beiden Untersuchungen und geht damit auf verschiedene Bereiche des sozialen Kapitals ein. In der ersten Studie analysiert er den Einfluss religiöser Tradition, wie bspw. Gottesdienstbesuche, auf die Ausprägung von sozialen Kontakten (Treffen mit Freunden bzw. Familie und Bekannten). Die sozialen Kontakte spiegeln dabei die strukturelle Netzwerkkomponente (regelmäßige Teilnahme der Befragten an geselligen Zusammenkünften) wider. Nach Traunmüller (2008: 13 ff.) haben Religiosität sowie religiöse Kontexte eine sozial integrierende Funktion. Diese zeigt sich vor allem in der Einbindung und Ausübung von formalem und informalem Sozialkapital. Die beiden großen Konfessionen – Protestanten und Katholiken – spielen eine bedeutende Rolle in Deutschland hinsichtlich des ehrenamtlichen Engagements.49 Der regelmäßige Gottesdienstbesuch führt bei allen berücksichtigten Religionsgruppen auch zu einer Erweiterung der Freundschaftsnetzwerke. Außerdem führt er bei Protestanten, Katholiken und Muslimen zu einer Kräftigung bindenden Sozialkapitals (bspw. Besuch von Freunden) (Traunmüller 2008: 20 f.). Als Indikatoren für brückenbildendes Sozialkapital verwendet Traunmüller (2008: 21) die Alters-, Erwerbs- und Bildungsheterogenität sowie die Anzahl von Freunden anderer Nationalitäten. Seine Ergebnisse legen nahe, dass der theoretisch suggerierte Einfluss der Religion auf brückenbildendes Sozialkapital – analog zu den Ergebnissen in den USA – auch für Deutschland nicht gilt. In der zweiten Studie untersucht er den Einfluss einer protestantischen Tradition (sowie protestantische Identität) auf das soziale Vertrauen. Während die Ergebnisse der ersten Studie auf Individualdaten basieren, verwendet Traunmüller (2011) in der zweiten Studie auch Einflüsse von aggregierten Ebenen anhand eines Multilevel Modells. Hier wählt er einen häufig herangezogenen Proxy des sozialen Kapitals: das soziale Vertrauen, welches sich auf die Einstellung hinsichtlich fremder Personen bezieht – also Personen, die nicht dieselben Kernmerkmale (Geschlecht, Alter, Religion, Status etc.) wie man selbst haben. Ein Ergebnis ist, dass häufigere Gottesdienstbesuche die Ausprägung des sozialen Vertrauens signifikant positiv beeinflussen. Die Variable der Gottesdienstbesuche erweist sich in seinen Berechnungen erklärungsstärker 49

Dies liege u. a. an ihrer staatlich geförderten gesellschaftlichen Integration (Traunmüller 2008: 20).

7.1 Sozialkapitalforschung in Deutschland

77

als die Mitgliedschaften in Organisationen (Traunmüller 2011: 11) – ein Resultat, das aufgrund theoretischer Überlegungen (z. B. Putnam 1993) nicht zu erwarten gewesen wäre. Hohe religiöse Diversität in einer Region hat als Haupteffekt keinen Einfluss auf das soziale Vertrauen. Es gibt aber eine Cross-Level-Interaktion zwischen Muslimen und religiöser Diversität auf soziales Vertrauen. Diese wird nach Traunmüller (2011: 12) darauf zurückgeführt, dass zunehmende religiöse Diversität mit höherem Anteil muslimisch geprägter Regionen einhergeht. Es kommt in Regionen mit größeren muslimischen Gemeinschaften zu stärkeren Abgrenzungseffekten der Muslime. Ein Mehrwert von Traunmüllers Studien ist, dass er die Bedeutung der muslimischen Religion für das soziale Kapital herausstellt. Darüber hinaus prüft er, ob empirische Befunde aus den USA auf Deutschland übertragbar sind. Franzen & Botzen (2011) nehmen an, dass Vereine ein gesellschaftliches Strukturmerkmal sozialen Kapitals sind. Sie greifen damit ein Kernmerkmal des sozialen Kapitals auf, welches Putnam (1993) in seiner Italienstudie als wesentlichsten Faktor für die Unterschiede zwischen Nord- und Süditalien heranzieht. Die Vereine unterscheiden sich jedoch nach verschiedenen Vereinstypen. Daher wenden die Autoren eine explorative Faktorenanalyse an, um die zusammengefassten Vereinsgruppen zu ermitteln. Sie finden auf diese Weise drei Faktoren: „Natur-, Kultur- und Sportvereine“, „Politik-, Sozial- und Interessensvereine“ sowie „Freizeitvereine“. Für einen Überblick erstellen Sie eine detaillierte Landkarte mit Stadt- und Landkreisen Deutschlands sowie der Vereinsdichte50 der drei Faktoren, wodurch regionale Unterschiede deutlich werden. Beispielsweise sind in Baden-Württemberg und Thüringen verhältnismäßig viele Natur-, Kultur- und Sportvereine ansässig. Von Rheinland-Pfalz über Nordhessen nach Sachsen-Anhalt findet sich ein Gebiet mit einer hohen Konzentration an Freizeitvereinen (Franzen & Botzen 2011: 399–403). Grundsätzlich ist die Verteilung der Vereine in Deutschland jedoch heterogen und Franzen & Botzen (2011: 399) stellen fest, dass vor allem in kreisfreien Städten eine hohe Dichte an Vereinen herrscht. Diese Feststellung unterscheidet sich von den Ergebnissen einer vergleichbaren Untersuchung der Autoren in der Schweiz, in der sie eine hohe Vereinsdichte in ländlichen Regionen und relativ wenig Vereine in städtischen Gebieten finden (Franzen & Botzen 2014: 89). Neben der detaillierten Darstellung der Vereinsunterschiede und -dichte werden der Einfluss sozialen Kapitals auf den Wohlstand in einer Region, die Kriminalitätsdichte, die Wahlbeteiligung sowie die Arbeitslosenquote näher betrachtet. Während die Vereinsdichte sich nicht auf die Kriminalitätsdichte, die Wahlbeteiligung oder die Arbeitslosenquote auswirkt, können Franzen & Botzen einen Zusammenhang mit Wohlstand aufzeigen, wonach „(…) jeder zusätzliche Verein pro 100.000 Einwohner mit einem höheren Bruttoinlandsprodukt von etwa 2,4 Prozent einhergeht“ (Franzen & Botzen 2011: 407). Diesen Zusammenhang – zwischen Vereinsdichte und wirtschaftlichem Wohlstand – können Franzen & Botzen (2014) auch für die Schweiz aufzeigen. Sie zeigen damit, dass nicht nur das soziale Vertrauen als Referenz der Sozialkapitalausstattung mit wirtschaftlicher Prosperität in Beziehung gesetzt werden kann, sondern auch weitere Bereiche des sozialen Kapitals, wie etwa die Vereinsdichte.

50

Anzahl der Vereine auf 10.000 Einwohner (vgl. Franzen & Botzen 2011: 398).

78

7 Untersuchungen zum sozialen Kapital

Gundelach & Traunmüller (2014) ziehen für die Sozialkapitalausstattung die beiden Faktoren der relationalen Ebene – das soziale Vertrauen und die Reziprozitätsnorm – als abhängige Variable heran, die sie in Verbindung mit ethnischer und religiöser Diversität als unabhängiger Variable setzen. Ihre Untersuchung ist eine der wenigen, die die Reziprozität als Sozialkapitalmerkmal nicht nur theoretisch, sondern auch empirisch heranzieht. Ihr Verständnis des sozialen Kapitals beruht auf dem Sozialkapitalansatz Putnams (1993; 2000). Sie haben ebenfalls die SOEP-Daten auf der Aggregatebene der Raumordnungsregionen verwendet. Ihre Annahme, dass die Norm der Reziprozität im Hinblick auf kulturelle Diversität ein aussagekräftigeres Merkmal ist als das soziale Vertrauen, konnte anhand eines hierarchischen Linearen Models (HLM) bestätigt werden. „Whereas social trust is negatively affected by ethnic diversity as well as the presence of large and visible minorities, the commitment to norms of reciprocity remains unaffected under conditions of cultural diversity“ (Gundelach & Traunmüller 2014: 612). Diese Ergebnisse verdeutlichen den unterschiedlichen Einfluss von ethnischer und religiöser Diversität auf die Sozialkapitalindikatoren soziales Vertrauen und Reziprozitätsnorm. Darüber hinaus wird auch die Norm der Reziprozität stärker ins Blickfeld genommen, während in den empirischen Untersuchungen in der Regel eher das soziale Vertrauen als Proxy sozialen Kapitals herangezogen wurde oder die Netzwerkhäufigkeiten bzw. -aktivitäten in einer Region betrachtet wurden (Franzen & Botzen 2011; 2014; Botzen 2016). Auch Levels et al. (2015) untersuchen den Einfluss von ethnischer Diversität auf soziales Kapital in Deutschland (sowohl auf der Ebene der Raumordnungsregionen als auch auf der Individualebene), den Putnam (2007) als negativ postuliert. In ihrer Sozialkapitalauslegung setzen Levels et al. jedoch den Fokus auf formale sowie informale Netzwerke und ziehen vergleichsweise soziales Vertrauen heran. Sie können einen (schwachen) negativen Effekt ethnischer Diversität auf formale Netzwerke der politischen Partizipation finden. Anders als Gundelach & Traunmüller können Levels et al. keinen Zusammenhang zwischen sozialem Vertrauen und ethnischer Diversität finden. Hierbei ist zu beachten, dass nicht nur die Sozialkapitalausstattung unterschiedlich ausgelegt wird, sondern auch die Anwendung der herangezogenen – identischen – Items zur Operationalisierung des sozialen Kapitals eine Rolle spielt. Während Gundelach & Traunmüller (2014: 602) Faktorwerte zur Abbildung des sozialen Vertrauens heranziehen, verwenden Levels et al. zusammengefasste manifeste Items. Darüber hinaus werden auch die informalen Netzwerke, wie Treffen mit der Familie oder Freunden, durch ein zunehmend ethnisches Umfeld nicht beeinflusst (Levels et al. 2015: 11). Zudem können Levels et al. auch keine signifikanten Unterschiede zwischen den östlichen (neue Bundesländer) und westlichen Regionen (alte Bundesländer) in Bezug auf das Vertrauen finden, welches Traunmüller & Freitag (2008) in ihrer grafischen Darstellung aufzeigten. Auch ihre Annahme, dass aufgrund der ehemaligen DDR-Struktur in den Regionen eine stärkere Ausprägung des informalen Sozialkapitals vorläge, können sie nicht bestätigen. Im Hinblick auf Treffen mit der Familie gibt es keinen Unterschied zum Westen, gleichwohl aber treffen sich Ostdeutsche weniger mit Freunden und nehmen seltener an formalen Netzwerken teil. Die Autoren schließen daraus, dass „[…] while the effects of post-communism on trust in Germany

7.1 Sozialkapitalforschung in Deutschland

79

are slowly petering out, the effects on the behavioural forms of social capital are more persistent“ (Levels et al. 2015: 11). Während die Arbeitslosenquote das soziale Vertrauen signifikant beeinflusst, hat die Aufklärungsrate von Kriminalität einen nicht stabilen negativen Effekt auf soziales Vertrauen. Die Stabilität des Effektes wurde über Längsschnitt-Analysen (mit einem Fixed-Effects-Modell) berechnet. Die Aufklärungsrate von Kriminalität hat ebenso einen instabilen, aber positiven Effekt auf ehrenamtliche Tätigkeiten. Das negative Vorzeichen des Befundes, dass eine höhere Aufklärungsrate im Querschnittsdesign zu einem signifikanten niedrigeren sozialen Vertrauen führt, verwundert, da die Kriminalitätsaufklärung als staatliches Engagement angesehen werden kann, welches positiv von der Bevölkerung aufgenommen werden sollte und das soziale Vertrauen stärken müsste. Die Ergebnisse der Querschnittsuntersuchungen suggerieren allerdings auch, dass das soziale Vertrauen durch steigende registrierte Kriminalfälle in der Region zunimmt. Diese theoretisch non-konformen Ergebnisse sind in den Längsschnitt-Analysen insignifikant, müssten aber hinsichtlich der problematischen Hellfelddaten (Daten der Polizeilichen Kriminalstatistik) diskutiert werden. Heinz (2013: 281) diskutiert die Problematik der Hellfelddaten ausführlich und gibt zu bedenken, dass die „Struktur der registrierten Kriminalität (…) systematisch verzerrt [ist] (…)“. Vor allem schwerere Delikte seien überrepräsentiert, da diese eher bei der Polizei gemeldet würden als leichtere Straftaten. Darüber hinaus sollte bedacht werden, dass die Hellfelddaten keinen „Ist-Zustand“ widerspiegeln, da „es in Deutschland keine bundesweit repräsentative, kontinuierlich durchgeführte statistikbegleitende Dunkelfeldforschung [gibt]“ (Heinz 2013: 280). Bereits diese angemerkten Problematiken der polizeilichen Kriminalstatistik können zu Verzerrungen führen und theoretisch non-konforme Ergebnisse begründen. Hanslmaier (2014) hat den Schwerpunkt seiner Untersuchung auf den Zusammenhang zwischen sozialem Kapital und Kriminalität in Bayern gelegt. Auch er benutzt die polizeiliche Kriminalstatistik als Indikator der Kriminalitätsentwicklung, jedoch reflektiert er die Problematik und begründet seine Auswahl mit mangelnden Alternativen (Hanslmaier 2014: 372 f.). Anhand der bayerischen Landkreise und kreisfreien Städte (NUTS-3) geht er der Frage nach, ob soziales Kapital ein kriminalitätsreduzierender Faktor ist (Hanslmaier 2014: 361). Er analysiert die NUTS-3 Regionen mit einem Längsschnittdesign von 15 Jahren. Das soziale Kapital operationalisiert Hanslmaier über die Partizipation in formalen Organisationen, die Ausprägung lokaler Netzwerke sowie die Einstellung zum Altruismus in den jeweiligen Regionen. Diese Einzelkomponenten, die als Referenz für die Sozialkapitalausstattung herangezogen werden, sind nicht typisch, da die Kernmerkmale sozialen Kapitals mit den Auswirkungen vermischt werden. Zum Beispiel werden die lokalen Netzwerke über die Anzahl der Einfamilienhäuser, die Scheidungsrate und die Mobilitätsrate in einer Region operationalisiert. Für Putnam (1995b: 667) sind die steigenden Scheidungs- sowie Mobilitätsraten Faktoren, die zu der Abnahme des Sozialkapitalbestandes führen, nicht aber Sozialkapital selbst. Die Kriminalität misst Hanslmaier einerseits generell über die Häufigkeitsziffer aller registrierten Delikte pro 100.000 Einwohner (PKS), zusätzlich betrachtet er spezifische Formen wie Gewaltkriminalität, einfacher Diebstahl und Sachbeschädigung (Hanslmaier 2014: 373). Der Einfluss des sozialen Kapitals auf die Kri-

80

7 Untersuchungen zum sozialen Kapital

minalität in einer Region ist jedoch nur bedingt und eingeschränkt, sodass eine höhere Mobilitätsrate mit einem Anstieg der Kriminalität einhergeht. Aber auch der Anteil von Einfamilienhäusern steht im positiven Zusammenhang mit steigender Sachbeschädigung, sodass der Indikator „lokale Netzwerke“ des sozialen Kapitals nur bedingt Einfluss auf die Kriminalität ausübt. Während die Untersuchungen keinen Zusammenhang von Mitgliedschaften in religiösen Gemeinschaften (Partizipation) zur Kriminalitätsneigung zeigen, führt für einen Teil der bayerischen Landkreise eine stärker ausgeprägte altruistische Einstellung in der Region (über die Blutspende gemessen) zu einer Abnahme der Gesamtkriminalität und einfachem Diebstahl. Hanslmaier (2014: 387) konnte in seiner Untersuchung nicht alle bayerischen Landkreise verwenden, „da für die anderen Landkreise keine Daten zur Blutspende vorlagen“. Der Autor verweist jedoch darauf, dass das letzte Ergebnis nicht überbewertet werden sollte, da zum einen lediglich eine Teilstichprobe vorliegt und zum anderen der Effekt nicht in allen spezifischen Modellen signifikant ist (Hanslmaier 2014: 387). Hanslmaier (2014: 392) spricht von einem moderaten Effekt des sozialen Kapitals auf die Kriminalitätsentwicklung, der weiterer Forschung bedarf. Botzen (2016) hat den Fokus auf die strukturelle Dimension sozialen Kapitals – die Anzahl der freiwilligen Organisationen pro 1000 Einwohnern – gelegt und anhand räumlicher Zusammenhänge (Spatial Analysis) für Deutschland untersucht. Die Untersuchung basiert auf den 390 Landkreisen und kreisfreien Städten der NUTS-3 Regionen. Demnach gibt es eine regionale Ausweitung des sozialen Kapitals, die sich auf einen Radius von weniger als 250 Kilometer bezieht (Botzen 2016: 17). Durch die Spatial-Analyse konnte Botzen die regionale Verbindung zwischen sozialem Kapital und wirtschaftlichem Wohlstand aufzeigen. „(…) social capital is locally associated with economic well-being but has no effects on adjacent regions. Hence, this result underpins exploratory insights, suggesting social capital acts rather regionally“ (Botzen 2016: 17). Die Ergebnisse der Untersuchung sind neuwertig, es sind die ersten Spatial-Analysen in Bezug auf soziales Kapital in Deutschland. Es stellt sich jedoch die Frage, ob die Aussage, dass soziales Kapital eher regional wirkt, auch auf die einstellungsbezogenen Merkmale, wie das soziale Vertrauen und die Reziprozitätsnorm, übertragen werden kann.

7.2

Soziales Kapital und Korruption

Theoretische Ausführungen zu Korruption und sozialem Kapital stellen einen Zusammenhang zwischen sozialen Hilfeleistungen und deviantem Verhalten her (z. B. Höffling 2002; Graeff 2016b), während die empirische Korruptionsforschung, meist unter Verwendung des Korruptionswahrnehmungsindexes (engl. Corruption Perception Index, CPI)51, Bezüge zwischen Korruptionswahrnehmungen und gesellschaftlich oder ökonomischen Variablen herstellt. So wird 51

Der Corruption Perception Index (CPI) ist ein Korruptionsindex, der auf der Einschätzung von Experten und der Auswertung von Befragungen beruht. Transparency International stellt diesen Index seit Mitte der 90erJahre her. In der Literatur besteht Einigkeit darüber, dass der CPI nicht das exakte Korruptionsniveau eines Landes angibt, sondern lediglich die Wahrnehmung von Korruption durch Experten und Befragte erfasst.

7.2 Soziales Kapital und Korruption

81

Korruption häufig mit politischem Vertrauen (u. a. Morris & Klesner 2010; Obydenkova & Arpino 2018; Wroe et al. 2013), Wirtschaftswachstum bzw. Wohlstand (u. a. Cieślik & Goczek 2018; Downing 2015; Neanidis et al. 2017) sowie Unterschieden hinsichtlich der politischen Systeme (u. a. Qualität der Institutionen, Art der Regime) in Verbindung gebracht (u. a. Becker et al. 2011; Rothstein & Varraich 2017; Sønderskov & Dinesen 2016). Diese Verbindungen werden auch explizit anhand asiatischer Studien diskutiert (Hongdao et al. 2018; Huang 2016; Rothstein 2015), nach denen eine niedrige Korruption mit gleichzeitiger niedriger Staatsqualität (Sozialpolitik) und steigendem Wirtschaftswachstum einhergeht; ein Beispiel hierfür ist das China-Paradoxon. In der empirischen Sozialforschung wird soziales Kapital, vornehmlich soziales Vertrauen, als Gegenpart zur Korruption in einem Land betrachtet (Rothstein 2013). Die zweite Forschungsfrage meiner Arbeit geht dem Zusammenspiel zwischen Sozialkapital (gemessen über die einzelnen Sozialkapitalindikatoren) und Korruption nach und untersucht, ob soziales Kapital die Wichtigkeit von Korruption (als Mittel zum Erfolg) beeinflusst. Die folgenden Untersuchungen haben diesen Zusammenhang bereits analysiert und werden daher kurz dargestellt. Rothstein & Uslaner (2005) nehmen in ihrer Untersuchung einen wechselseitigen Einfluss zwischen sozialem Vertrauen, Korruption und Ungleichheit an. Ihre Untersuchungen basieren auf cross-nationalen Analysen, bei der die Anzahl der beobachteten Länder stark schwankt und Aussagen bzgl. der Einflüsse nicht immer auf der gemeinsamen gleichen Fallzahl beruht. Sie konstatieren eine hohe „stickiness“ (Rothstein & Uslaner 2005: 65) der drei Merkmale, sodass ein einmal erreichtes Niveau an Ungleichheit, sozialem Vertrauen oder Korruption sich über die Zeit nur wenig verändert. „In the virtuous cycle, some countries have low inequality, high trust, honest governments, and universal social welfare policies. These countries are continually ‚blessed’ as they begin with a more level playing field and have the social fabric, the wellfunctioning institutions, and the policies that will keep inequality in check“ (Rothstein & Uslaner 2005: 67). Wenn Länder aber in einem „Teufelskreis“ aus hoher Ungleichheit, niedrigem Vertrauen und einer korrupten Regierung gefangen sind, können sie diesem Zustand langfristig kaum entfliehen. Die Autoren zeigen für 84 Länder (die sowohl positive wie negative Bedingungen an Ungleichheit, Vertrauen und Korruption besitzen), dass ein höheres soziales Vertrauen mit einem niedrigeren CPI einhergeht (Rothstein & Uslaner 2005: 68). Diese gegenseitige Wechselbeziehung versucht Uslaner (2008; 2013) in einer Studie zu untersuchen, in der er Datensätze von zwei osteuropäischen Ländern (Rumänien, Estland) sowie umfangreichere länderübergreifende Datensätze verwendet. Für Rumänien stellt er einen Zusammenhang zwischen der Wahrnehmung, ob eine Regierung mit Korruption umgehen kann, und sozialem Vertrauen her. Diese Wahrnehmung hat in Rumänien keinen Einfluss auf das soziale Vertrauen. Umgekehrt geht aber mit einem höheren sozialen Vertrauen auch eine stärkere Wahrnehmung, dass die Regierung mit Korruption umgehen kann, einher (Uslaner 2008: 135). Anders als für Rumänien kann für Estland ein wechselseitiger Einfluss zwischen sozialem Vertrauen und Korruptionswahrnehmung festgestellt werden (Uslaner 2008: 162 f.). Uslaner (2013: 3605) resümiert aufgrund seiner länderübergreifenden Untersuchungen, dass „(1) inequality depresses trust; (2) low trust leads to high levels of corruption; and (3) a high level of

82

7 Untersuchungen zum sozialen Kapital

corruption leads to more inequality—thus forming a ‚loop’ with lower trust and more corruption in turn“. Auch Bjørnskov & Paldam (2005) „document that the main force driving the variation in corruption trends is in fact underlying trends in social capital“. Basierend auf einem Subsample von 22 europäischen Ländern52 zeigen sie, dass ein höheres soziales Vertrauen (Indikator für soziales Kapital) zu einer niedrigeren Korruption führt, während sich der Zusammenhang in die umgekehrte Richtung weniger deutlich zeigt (Bjørnskov & Paldam 2005: 68). Die Autoren operationalisieren das soziale Vertrauen über die Zustimmung des World Value Survey (WVS)Items, dass man den meisten Menschen vertrauen kann, und die Korruption über den K-Index von TI. Dieser K-Index setzt sich aus 17 Primärindizes zusammen, sodass auch länderübergreifende Korruptionsniveaus untersucht werden können. Neben dem dargestellten Zusammenhang zwischen sozialem Vertrauen und Korruption zeigen Bjørnskov und Paldam (2005) vornehmlich die Entwicklung von Korruption auf. Sie zeigen anhand Kendalls τ, dass bspw. in afrikanischen und post-kommunistischen (europäischen) Ländern ein positiver Korruptionstrend zu verzeichnen ist (Bjørnskov & Paldam 2005: 70). Graeff & Svendsen (2013: 2834) gehen in ihrer Untersuchung der Frage nach, ob in europäischen Ländern eine hohe Ausprägung von Korruption und eine niedrige Ausprägung an sozialem Kapital mit einem niedrigen Wohlstand (wealth) einhergehen. Die Makro-Studie basiert auf 25 europäischen Ländern. Es werden unterschiedliche Datenquellen herangezogen, um die Merkmale der Korruption, des sozialen Kapitals und den Wohlstand eines Landes zu erfassen. Die Korruption wird über den CPI von Transparencey International (TI) abgebildet. Über das Item „in general, you can trust other people, or you cannot be too careful when dealing with others“ des European Values Surveys (EVS) wurde das soziale Kapital in Form des sozialen Vertrauens erfasst. Der Wohlstand wird über das durchschnittliche Bruttoinlandsprodukt pro Kopf in US-Dollar eines jeweiligen Landes wiedergeben. Die Angaben stammen von der World Bank (Graeff & Svendsen 2013: 2830). Die Autoren demonstrieren anhand eines Pfad-Modells, dass Korruption einen signifikanten, direkten negativen Einfluss auf das soziale Vertrauen sowie auf den Wohlstand hat. Darüber hinaus hat Korruption auch einen signifikanten, indirekten negativen Einfluss auf das Wirtschaftswachstum via sozialem Vertrauen (Graeff & Svendsen 2013: 2838). Über ein Granger-Kausalitätsmodell zeigen Graeff & Svendsen (2013: 2842), dass Korruption im Gegensatz zum sozialen Vertrauen nicht Granger-kausal ist, aber soziales Vertrauen einen Granger-kausalen Einfluss auf Korruption hat. Sie schließen hieraus, dass „[t]rust can counteract the negative consequences of corruption although it will not lead to a direct improvement of wealth. Corruption harms wealth directly and can violate trust as well, if trust is not augmented in a country (…)“ (Graeff & Svendsen 2013: 2843, Hervorh. im Original). Die obigen Studien zeigen, dass Korruption sehr unterschiedlich operationalisiert wird, was möglicherweise auch verschiedene Zusammenhänge zu sozialem Kapital mitbedingen kann. 52

You (2018: 487) zeigt ebenfalls für demokratische Länder, dass ein starker bivariater Zusammenhang zwischen sozialem Vertrauen und der Kontrolle über Korruption besteht (r=.74), welcher jedoch bei nicht-demokratischen Regimen nicht bestätigt werden kann.

7.3 Messinvarianzverfahren zu den Konstrukten des sozialen Kapitals

83

Soziales Kapital wird dabei lediglich über den Indikator des sozialen Vertrauens abgebildet. You (2018) gibt einen Überblick über die verschiedenen Studien, die einerseits die Kausalwirkung des Vertrauens auf Korruption und andererseits die Wirkungsrichtung der Korruption auf das Vertrauen zeigen. Andere Indikatoren sozialen Kapitals wie z. B. Reziprozität oder Netzwerke werden nicht betrachtet. Damit erfassen Untersuchungen darüber, ob sich Korruption und soziales Vertrauen wechselseitig beeinflussen, nur einen eingeschränkten Teil der theoretischen Überlegungen zum sozialen Kapital (Serritzlew et al. 2014). Uslaner & Rothstein (2005) und Uslaner (2008) haben die Bedeutung der (Einkommens-) Ungleichheit und der politischen Institutionen für soziales Kapital und Korruption in ihren Studien herausgestellt. Übertrüge man ihre Schlussfolgerungen auf meine Untersuchung, müsste man Ungleichheitsmaße (wie den Gini-Koeffizienten) für die Regionen heranziehen. Solche Maße sind in Datenquellen für die Raumordnungsregionen allerdings nicht verfügbar. Außerdem sind bestimmte Merkmale, die zwischen Ländern variieren (wie z. B. die Art und die Qualität des politischen Systems) im Falle meiner Untersuchung konstant, weil sich die Raumordnungsregionen nur auf Deutschland beziehen.

7.3

Messinvarianzverfahren zu den Konstrukten des sozialen Kapitals

Nachdem in den letzten Abschnitten die empirischen Forschungen zum sozialen Kapital in Deutschland sowie der Zusammenhang zwischen sozialem Kapital und Korruption erörtert wurden, soll nun im nächsten Schritt der Blick auf die Methode der Messinvarianz gerichtet werden. Das Verfahren der Messinvarianz wird zumeist herangezogen, um die Beständigkeit eines latenten Konstrukts in unterschiedlichen Gruppen bzw. zu unterschiedlichen Erhebungszeitpunkten zu prüfen. Ein latentes Konstrukt kann als Variable nicht direkt beobachtet werden, während eine manifeste Variable auf direktem Weg gemessen und beobachtet werden kann (Baur 2009). Das Verfahren der Messinvarianz wird häufig in Ländervergleichen zu unterschiedlichen Thematiken eingesetzt (Cieciuch et al. 2014; Coromina & Davidov 2013; Fischer et al. 2018; Jovanović & Brdar 2018; Maksim et al. 2018; Mayerl 2017; Rantanen et al. 2015; Whisman & Judd 2016). Meine Untersuchung wird sich in Abgrenzung zu diesen Anwendungsstudien aber mit der Konstruktinvarianz über die Zeit beschäftigten. Im Folgenden wird ein Überblick über Studien gegeben, das Verfahren der Messinvarianz auf Sozialkapitalindikatoren bezogen haben. Martinez et al. (2002) haben in ihrer Studie das wahrgenommene Nachbarschaftsengagement von Müttern über zwei Erhebungszeitpunkte untersucht. Dabei haben die Autoren vier Dimensionen der wahrgenommenen Nachbarschaftsskala verwendet (engl. Perceived Neighborhood Scale (PNS)). Diese Dimensionen zeigen sich in ihren Daten auch anhand der Faktorstruktur über die beiden Erhebungszeitpunkte. Die vier Dimensionen sind soziale (nachbarschaftliche) Einbettung, Gemeinschaftsgefühl, Zufriedenheit mit der Nachbarschaft und Angst vor Verbrechen. Jede einzelne Dimension wurde über mehrere Itemsets mit mehreren Einzelitems unterteilt. Die Autoren berichten allerdings nicht, ob die Einzelitems auch die gleichen Inhalte in den



8QWHUVXFKXQJHQ]XPVR]LDOHQ.DSLWDO

 ,WHPVHWVZLHGHUVSLHJHOQ6LHZHLVHQPLWLKUHP'HVLJQVWULNWH0HVVLQYDULDQ]GHU)DNWRUHQVWUXN WXUGHU316EHUGLHEHLGHQ(UKHEXQJV]HLWSXQNWHQDFK0DUWLQH]HWDO 6LHEHWRQHQ DXFKGLH:LFKWLJNHLWLKUHU0HVVLQYDULDQ]WHVWXQJPLWIROJHQGHQ:RUWHQ0DUWLQH]HWDO   Ä)UHTXHQWO\E\XVLQJWKHVDPHLQGLFDWRUVRYHUWLPHZHDUHDVVXPLQJWKDWERWKPHDV XUHPHQWLHQXPHULFDOYDOXHVDFURVVZDYHVDUHRQWKHVDPHVFDOH DQGFRQFHSWXDOL]D WLRQLHWKHFRQVWUXFWUHWDLQVWKHVDPHLQWHUSUHWDWLRQDFURVVWLPH DUHFRQVWDQW+RZ HYHUZKHQVWXG\LQJFKDQJHRYHUWLPHUHVHDUFKHUVQHHGWREHFHUWDLQWKDWLWLVWKHSKH QRPHQRQWKDWLVFKDQJLQJUDWKHUWKDQWKHSV\FKRPHWULFSURSHUWLHVRIWKHVFDOHXVHGWR PHDVXUHWKHFRQVWUXFW³ 0DUWLQH]HWDO ]LHKHQLQLKUHU8QWHUVXFKXQJHQWJHJHQYLHOHUDQGHUHU0HVVLQYDULDQ]WHV WXQJHQDXFK,WHPVKHUDQGLHQLFKWQXU(LQVWHOOXQJHQVRQGHUQDXFK9HUKDOWHQVKlXILJNHLWHQEH LQKDOWHQ]%GLH'LPHQVLRQGHUVR]LDOHQ(LQEHWWXQJ 'LHVH+lXILJNHLWHQEDVLHUHQDXIHLQHU IQIVWXILJHQ6NDODGLHYRQVHKURIWWlJOLFK EHURIWPLQ[Z|FKHQWOLFK PDQFKPDOPLQ [PRQDWOLFK VHOWHQPLQ[DOOH0RQDWH ELVVHKUVHOWHQYHUOlXIW'DVWULNWH0HVVLQYDULDQ] HUUHLFKWZLUGVFKHLQHQGLHXQWHUVFKLHGOLFKHQ,WHPDUWHQNHLQH3UREOHPHGDU]XVWHOOHQhEHUGLH ,QWHUNRUUHODWLRQ]HLJWVLFKXDHLQEHVWlQGLJHUSRVLWLYHU=XVDPPHQKDQJ]ZLVFKHQGHU'LPHQ VLRQGHUVR]LDOHQ(LQEHWWXQJXQGGHP*HPHLQVFKDIWVJHIKOJHPl‰GHQ(UZDUWXQJHQGHU$X WRUHQ0DUWLQH]HWDO 1HEHQGHUVWULNWHQ0HVVLQYDULDQ]NDQQDXFKGLH.RQVWUXNW YDOLGLWlWEHVWlWLJWZHUGHQLQGHPGLH316LQ=XVDPPHQKDQJPLWQDFKEDUVFKDIWOLFKHQ.RQWH[ WLQIRUPDWLRQHQ=HQVXV%HZHUWXQJHQ JHVWHOOWZLUG0DUWLQH]HWDOI  /LOOEDFND HUIDVVWGDV.RQVWUXNWGHVVR]LDOHQ.DSLWDOVEHUYHUVFKLHGHQH.RPELQDWLRQHQ YRQ6R]LDONDSLWDOLQGLNDWRUHQ±ZLH0LWJOLHGVFKDIWHQLQHLQHUIUHLZLOOLJHQ9HUHLQLJXQJGDV9HU WUDXHQLQDQGHUHGLH(LQVWHOOXQJ]XU6HOEVWZLUNVDPNHLWXQGGLH,QWHJUDWLRQLQVWDELOHVR]LDOH %H]LHKXQJHQ/LOOEDFND YHUVWHKWGLH6HOEVWZLUNVDPNHLWDOVLPSOL]LWHQ7HLOGHVVR ]LDOHQ.DSLWDOVZHLOÄLWVHUYHVDVDPHDQVIRUDFKLHYLQJDLPV³'DUEHUKLQDXVELOGHWHUGLH 0LWJOLHGVFKDIWHQLQIUHLZLOOLJHQ9HUHLQLJXQJHQEHUXQWHUVFKLHGOLFKH,WHPVHWVDE6HLQH)RU VFKXQJVIUDJH LVW RE VLFK GLH 0HVVLQYDULDQ] GLHVHV .RQVWUXNWV IU GUHL VSH]LILVFKH %HY|ONH UXQJVJUXSSHQLQ)LQQODQGQDFKZHLVHQOlVVW'LH$XIWHLOXQJGHU*UXSSHQHUIROJWQDFKVR]LR |NRQRPLVFKHQXQGGHPRJUDILVFKHQ(LJHQVFKDIWHQZLH$OWHURGHU(LQNRPPHQ/LOOEDFND  'LH6R]LDONDSLWDOLQGLNDWRUHQZHUGHQGDQQLQYHUVFKLHGHQHQQDFK$QVLFKWYRQ/LOOEDFND WKHRULHJHOHLWHWHQ .RPELQDWLRQHQGHU'LPHQVLRQHQPRGHOOLHUW]%LQ$QOHKQXQJDQ3XWQDP RGHU&ROHPDQ /HW]WOLFKHUZHLVWVLFKLQVHLQHQ5HFKQXQJHQQXUHLQHGLHVHU0RGHOOLHUXQJHQDOV PHVVLQYDULDQWEHUGLH*UXSSHQ'LH,QGLNDWRUHQGHVPHVVLQYDULDQWHQ6R]LDONDSLWDONRQVWUXNWV VLQGGDV9HUWUDXHQLQDQGHUHGLHVR]LDOHQ%H]LHKXQJHQGHU%HIUDJWHQVRZLHGLH:DKUQHKPXQJ GHU6HOEVWZLUNVDPNHLW/LOOEDFND 'LHVH0RGHOOLHUXQJEULQJW/LOOEDFND PLW VHLQHU/HVDUWGHU.RQ]HSWLRQGHVVR]LDOHQ.DSLWDOVQDFK&ROHPDQ LQ9HUELQGXQJ$OOH 0RGHOOHGLHGHQ,QGLNDWRUGHUÄ0LWJOLHGVFKDIWHQLQHLQHUIUHLZLOOLJHQ9HUHLQLJXQJ³EHLQKDOWHQ XQGVLFKDXIGDV9HUVWlQGQLVGHVVR]LDOHQ.DSLWDOVQDFK3XWQDPEH]LHKHQZHUGHQKLQVLFKWOLFK  



 6HOEVWZLUNVDPNHLWLVWHLQSV\FKRORJLVFKHV(UNOlUXQJVNRQVWUXNWGDVELVKHUVHOWHQLQGHQ6R]LDONDSLWDODQVlW]HQ YHUZHQGHWZXUGH(LQHH[SOL]LWHWKHRUHWLVFKH%HJUQGXQJJLEW/LOOEDFND QLFKW

7.3 Messinvarianzverfahren zu den Konstrukten des sozialen Kapitals

85

der Stabilität des Konzepts verworfen. Der Indikator der „Mitgliedschaften in einer freiwilligen Vereinigung“ erweist sich in der Untersuchung als ohne Beitrag zum Konstrukt des sozialen Kapitals. Nach Ansicht Lillbackas (2006: 217) ist dieses Ergebnis problematisch, weil es die theoretisch-fundierte vorherrschende Stellung des Indikators infrage stellt. Hierbei ist jedoch zu beachten, dass die drei verschiedenen Itemsets zur Mitgliedschaft in einer freiwilligen Vereinigung willkürlich zusammengestellt wurden (Lillbacka 2006: 210), und inhaltlich unterschiedliche Bereiche beinhalten (bspw. 1: die Mitgliedschaft in einer Partei, in einem Berufsverband und religiöse Verbände). Eine faktorenanalytische Überprüfung des Konstrukts erfolgt nicht. Während die Items zur Erfassung der Sozialkapitalmerkmale von Martinez et al. und Lillbacka auf eigenen Erhebungen beruhen, haben Reeskens & Hooghe (2008) mit den drei meist verwendeten Items54 zur Erfassung des Konstrukts des generalisierten Vertrauens aus dem European Social Survey (ESS) länderübergreifend die Vergleichbarkeit des Konstrukts (Messinvarianz) untersucht. Die Daten basieren auf den beiden Erhebungswellen 2002 und 2004. Reeskens & Hooghe können mithilfe einer Multiple-Gruppen Konfirmatorischen Faktorenanalyse (MGCFA) für die Länder des ESS eine metrische Messinvarianz nachweisen. Die Faktorladungen über die Länder sind daher invariant. Die Testung auf skalare Messinvarianz, die eine Vergleichbarkeit der latenten Mittelwerte über die Länder erlaubt, wird jedoch nicht erreicht (Reeskens & Hooghe 2008: 530). Daraus schließen die Autoren, dass es erstens umso wichtiger ist, mehrere Items zur Erfassung des generalisierten Vertrauens heranzuziehen als nur eines, insbesondere da ein einzelnes Item keine zuverlässige Messung des Konstrukts darstellt. Zweitens weisen Reeskens & Hooghe (2008: 528) darauf hin, dass bei Verwendung der drei Items des ESS als Konstrukt in Erklärungsmodellen der länderspezifische Anteil am sozialen Vertrauen berücksichtigt werden sollte. Wird das Konstrukt des generalisierten Vertrauens bspw. in einer Regression als erklärende Variable verwendet, können kulturelle bzw. länderspezifische Gegebenheiten, wie das Bruttoinlandsprodukt, die verfehlte skalare Messinvarianz (bzw. faktorielle Invarianz) ausgleichen. Bei der länderspezifischen Betrachtung des Konstrukts des sozialen Vertrauens über die beiden Erhebungswellen 2002 und 2004 konnte für die meisten Länder, darunter auch für Deutschland, eine skalare Messinvarianz erreicht werden, sodass Vergleiche des Konstrukts innerhalb dieser Länder über die beiden Zeitpunkte unbedenklich sind (Reeskens & Hooghe 2008: 526). Jedoch zeichnen sich teilweise deutliche Unterschiede für Deutschland, aber auch Österreich, Großbritannien und Luxemburg ab, wenn anstatt des latenten Mittelwerts der strukturelle (über die manifesten Items) gebildete Mittelwert verwendet wurde (Reeskens & Hooghe 2008: 528). Diese Problematik greifen Coromina & Davidov (2013) explizit in ihrem Paper auf, worauf später noch eingegangen wird. Darüber hinaus schien das Item „Would you say that most of the time people try to be helpful or that they are mostly looking 54

Der Wortlaut der Items ist (vgl. ESS 2002): 1) „Generally speaking, would you say that most people can be trusted, or that you can’t be too careful in dealing with people?“ (PEOPLE TRUST) 2) „Do you think that most people would try to take advantage of you if they got the chance, or would they try to be fair?“ (PEOPLE FAIR) 3) „Would you say that most of the time people try to be helpful or that they are mostly looking out for themselves?“ (PEOPLE HELP).

86

7 Untersuchungen zum sozialen Kapital

out for themselves?“ am problematischsten zu sein (Reeskens & Hooghe 2008: 530). Die Autoren (2008: 525) stellen heraus, dass dieses Item die Kriterien der Messinvarianz am schlechtesten erfüllt und sogar bei vier von 21 Ländern55 variant gehalten werden muss. Mit Bezug auf meine eigene Untersuchung ist diese Information wichtig, da das Item zur Hilfsbereitschaft („anderen zu helfen“) auch Teil des herangezogenen Datensatzes (SOEP) – mit identischem Wortlaut – ist. Dinesen (2011) hat sich in seinem Paper mit der Forschungsfrage beschäftigt, ob nach Dänemark immigrierte Personen dasselbe Verständnis des Konstrukts des generalisierten Vertrauens haben wie Einheimische. Um dieser Frage nachzugehen, untersucht er Dänen und Immigranten (aus den Herkunftsländern Türkei, Irak, Ex-Jugoslawien, Libyen und Palästina) aus zwei Generationen. Die eine Generation bezieht sich auf Schulkinder in der siebten bis neunten Klasse. Die zweite Generation sind die Eltern der Schulkinder (Dinesen 2011: 173). Dinesen (2011: 174) zeigt, dass das Konstrukt des generalisierten Vertrauens für Immigranten sowie Dänen vergleichbar ist, da skalare Messinvarianz besteht. Aufgrund dieser Ergebnisse kann Dinesen (2011: 174 f.) bei einem Vergleich von Dänen und Immigranten herausstellen, dass die Einheimischen hinsichtlich ihrer Einstellung zum generalisierten Vertrauen eine homogenere Gruppe darstellen und auch höhere Vertrauenswerte aufweisen als die Immigranten. Die Differenz der Vertrauenswerte fällt hingegen bei den Schulkindern deutlich geringer aus als bei den Erwachsenen. Dinesen (2011: 177) weist darauf hin, dass die ermittelten Vertrauenswerte der Eltern den Ergebnissen von Reeskens & Hooghe (2008) des dänischen Subsamples des ESS entsprechen. Allum et al. (2011) demonstrieren in ihrem Aufsatz anhand des sozialen und politischen Vertrauens die nicht-technischen Schritte der Messinvarianz ebenfalls anhand der Methode der MGCFA. Die Analyse der Autoren bezieht sich ebenso wie bei Reeskens & Hooghe (2008) auf die Daten des ESS, wobei Allum et al. (2011) drei Erhebungswellen (2002; 2004 und 2006) verwenden. Auch die Items des Konstrukts des generalisierten Vertrauens – VERTRAUEN, FAIRNESS und HILFSBEREITSCHAFT – entsprechen denen bei Reeskens & Hooghe (2008). Ausgehend von 17 Ländern, die in allen drei Erhebungswellen Teil des ESS waren (Allum et al. 2011: 41), zeigen sie, dass für 12 europäische Staaten volle skalare Messinvarianz vorliegt (Allum et al. 2011: 44 ff.). Diese Länder sind Belgien, Dänemark, Finnland, Frankreich, Deutschland, Ungarn, Norwegen, Polen, Slowenien, Spanien, Schweden und die Schweiz (Allum et al. 2011: 45). Da die Autoren in ihrem Aufsatz insbesondere die Darstellung der zeitübergreifenden Veränderung der Konstrukte veranschaulichen wollen, verzichten sie im Vergleich zu anderen Studien (vgl. Coromina & Davidov 2013; Reeskens & Hooghe 2008) auf die Testung der partiellen Messinvarianz. Da für 12 Länder volle skalare Messinvarianz vorliegt, analysieren Allum et al. (2011) deren Veränderungen im sozialen und politischen Vertrauen über die Zeit. Dieser Zeitvergleich ergibt keinen signifikanten Unterschied im durchschnittlichen generalisierten Vertrauen über die Erhebungszeitpunkte 2002 und 2004. In der 55

Diese Länder sind Österreich, Polen, die Tschechische Republik und Schweden (Reeskens & Hooghe 2008: 525).

7.3 Messinvarianzverfahren zu den Konstrukten des sozialen Kapitals

87

dritten Erhebungswelle (2006) zeigt sich jedoch ein signifikant höherer latenter Faktormittelwert im Vergleich zu den beiden anderen Zeitpunkten. Für das politische Vertrauen können hingegen nach einer signifikanten Abnahme von 2002 auf 2004 für 2004 und 2006 stabile Werte aufgezeigt werden. Die Studie von Coromina & Davidov (2013) untersucht genauso wie Allum et al. (2011) das Konstrukt des sozialen sowie politischen Vertrauens. Sie beziehen die Items ebenfalls vom ESS und prüfen die Konstrukte anhand einer MGCFA. Hierbei werden sieben west europäische Länder (Belgien, Frankreich, Deutschland, Portugal, Spanien, Schweiz und die Niederlande) und vier Erhebungszeitpunkte (2002, 2004, 2006 sowie 2008) herangezogen, die zusammen die 28 Gruppen der Analyse bilden. Für die beiden Konstrukte des sozialen und politischen Vertrauens56 können die Autoren eine partielle skalare Messinvarianz für bestimmte Länder nachweisen (Coromina & Davidov 2013: 45 ff.). Vergleiche des Mittelwerts für das Konstrukt des sozialen Vertrauens sind aufgrund der Ergebnisse für die Länder Frankreich, Niederlande, Belgien, Portugal und Schweiz über verschiedene Zeiträume zulässig. Deutschland und Spanien weisen keine partielle skalare Messinvarianz auf. Das Konstrukt des politischen Vertrauens erlaubt lediglich für die drei Länder Frankreich, Niederlande (über alle Erhebungszeitpunkte) und die Schweiz (über zwei Erhebungszeitpunkte) einen Vergleich der Mittelwerte (Coromina & Davidov 2013: 46). Alle anderen Länder erfüllen nicht die Kriterien der Messinvarianz nach denen Vergleiche zulässig sind. Die Studie zeichnet sich dadurch aus, dass sie die jeweiligen Länder zu den gegebenen Zeitpunkten separat betrachtet und somit detailliertere Aussagen über die Nicht-Vergleichbarkeitsbedingungen je nach den vorhandenen Ländern/Zeitpunkten machen kann. Aus der Untersuchung von Coromina & Davidov (2013: 49) lässt sich schließen, dass ein Länder-Ranking unterschiedlich ausfällt, je nachdem, ob es auf latenten oder manifesten Mittelwerten beruht. Wenn Mittelwerte über manifeste Items gebildet werden, bleiben die Messfehler sowie die Unterschiede in den Faktorladungen und Achsenabschnitte unberücksichtigt (Coromina & Davidov 2013: 47). Daher sind Vergleiche dieser Mittelwerte problematisch, sofern nicht mindestens partielle skalare Messinvarianz vorliegt. Freitag & Bauer (2013) untersuchen in ihrer Studie drei Dimensionen des Vertrauens: partikulares, identitätsbasiertes und generalisiertes (soziales) Vertrauen. Hierbei bezieht sich partikulares Vertrauen auf das Vertrauen in spezifische Personen wie Nachbarn oder Freunde (Freitag & Bauer 2013: 29). Hingegen beruht identitätsbasiertes Vertrauen auf einer Gruppenidentität, die ähnliche Eigenschaften oder gleiche Verhaltensweisen einschließt wie bspw. geografische Nähe, Ethnizität oder Traditionen. Letztlich bezieht sich generalisiertes bzw. soziales Vertrauen auf Fremde (Personen, die man zum ersten Mal trifft) oder auf die meisten Menschen generell. Die Autoren sprechen sich dagegen aus, Vertrauen als ein einheitliches Konzept zu sehen und schlagen stattdessen vor, es als eine multidimensionale Konzeptualisierung (mit mindestens diesen drei Dimensionen) zu verstehen. In ihrer Untersuchung mit Daten aus der Schweiz und 56

Coromina & Davidov (2013: 43) zogen die Items „People trust“, „People help“ und „People fair“, die denselben Wortlaut wie die SOEP-Items haben, als Indikatoren des sozialen Vertrauens heran. Für das Konstrukt des politischen Vertrauens wurden die Vertrauen-Items „Parlament“, „Politicians“ und „Legal system“ herangezogen.

88

7 Untersuchungen zum sozialen Kapital

dem WVS zeigen sie, dass eine Messung mit diesen drei Dimensionen die Kriterien einer skalaren Messinvarianz erfüllt, sodass latente Mittelwerte über kulturelle Kontexte miteinander verglichen werden können (Freitag & Bauer 2013: 24). Ihre Untersuchung zeigt auch, dass Befragte aus verschiedenen kulturellen Kontexten (wie der deutsch-, italienisch und französischsprechenden Schweiz) die Formulierungen der Vertrauen-Items in ähnlicher Weise verstehen, was aus Sicht der Autoren eine grundlegende Voraussetzung für die international vergleichende Forschung über Vertrauen darstellt.

8

Forschungsfrage und Hypothesen

In den vorherigen Kapiteln wurde der theoretische Rahmen des sozialen Kapitals skizziert und die einzelnen Sozialkapitalindikatoren auf theoretischer Ebene vorgestellt. Nach einigen Sozialkapitaltheoretikern besteht soziales Kapital aus mehreren Dimensionen. Diese Auffassung spiegelt sich in dieser Arbeit wieder – in der Differenzierung des sozialen Kapitals in einzelne Indikatoren. Diese Indikatoren sollen in der empirischen Untersuchung detailliert erfasst werden. Eine derartige Abbildung der Indikatoren zeigt den Bestand an sozialem Kapital in Deutschland, aufgegliedert nach Regionen. Auf diese Weise werden die Hauptbestandteile sozialen Kapitals nach Putnam (1993, 2000) erfasst. In diesem Kapitel werden die eingangs gestellten Forschungsfragen in die zu testenden Hypothesen überführt, bevor dann im weiteren Verlauf die methodische Herangehensweise und die Ergebnisse der empirischen Analysen vorgestellt werden. Diese Arbeit wirft zwei Forschungsfragen auf. Die erste widmet sich der Verteilung der Sozialkapitalindikatoren in den Jahren 2003–2015 in Deutschland. Die zweite beschäftigt sich mit dem Einfluss spezifischer Komponenten des sozialen Kapitals, nämlich des sozialen Vertrauens, der Norm der Reziprozität und der Netzwerkaktivitäten auf die subjektiv eingeschätzte Verbreitung von Korruption (in einer Region). Haben die Sozialkapitalindikatoren unterschiedlichen Einfluss auf die Wahrnehmung, wie wichtig Korruption in Deutschland auf dem Weg zum Erfolg ist? Nach Putnam (1993; 2000) und Uslaner (2002) sind soziales Vertrauen und die Norm der Reziprozität beständige Merkmale sozialen Kapitals, die schwer aufzubauen, aber leicht zu zerstören sind. Sie sind „quite stable over time“ (Uslaner 2002: 25). Da mit den in dieser Arbeit verwendeten Daten eine ungefähre Zeitspanne von mehr als 10 Jahren erfasst wird, ist aufgrund der angenommen Merkmalsbeständigkeit zu erwarten, dass sich die Ausprägung der Sozialkapitalindikatoren in einer Region über diesen Zeitraum nur wenig bzw. nicht stark verändert. Damit ein zeitlicher Vergleich über verschiedene Messzeitpunkte überhaupt erst vorgenommen werden kann, muss sichergestellt werden, dass die verwendeten Messkonstrukte tatsächlich auch dasselbe Konstrukt abbilden. Um diese Bedingung auf ihre Gültigkeit hin zu prüfen, wird in dieser Untersuchung daher zuerst die Messinvarianz des zu untersuchenden Konstrukts festgestellt, bevor die erste Forschungsfrage beantwortet werden kann. Im Wesentlichen wird die Methode der Messinvarianz herangezogen, um zu testen ob „under different conditions of observing and studying phenomena, measurement operations yield measures of the same attribute“ (Horn & McArdle 1992: 117). Hierzu werden die zugrundeliegenden Konstrukte (wie soziales Vertrauen) zwischen verschiedenen Gruppen – hier Erhebungszeiträumen – verglichen. Kann keine (ausreichende) Messinvarianz festgestellt werden, kommen unterschiedliche Gründe infrage. Beispielsweise können Unterschiede im Mittelwert auf Veränderungen zwischen den Jahren hindeuten. Es könnten aber auch systematische Verzerrungen vorliegen, weil Befragte die Fragen/Skalen zu verschiedenen Zeitpunkten unterschiedlich verstehen (vgl. Steenkamp & Baumgartner 1998). Die nachfolgend aufgeführten Hypothesen zur ersten Forschungsfrage werden ohne technische Begrifflichkeiten definiert. In einem der nachfolgenden

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_8

90

8 Forschungsfrage und Hypothesen

Kapitel wird detaillierter erläutert, was unter dem Konzept der Messinvarianz (vgl. Meredith & Teresi 2006; Meredith 1993) zu verstehen ist. An dieser Stelle sei nur darauf verwiesen, dass eine Vergleichbarkeit im Sinne einer kriterienorientierten Messinvarianzprüfung nach Lee et al. (2011: 77) bzw. van de Schoot et al. (2012) dann vorliegt, wenn die Stufe der metrischen Messinvarianz erreicht wird (s. Abbildung 7) und die durchschnittlich erfasste Varianz des Konstrukts > .25 ist (Mayerl 2017). Wird diese Stufe erreicht, lassen sich Aussagen über den Vergleich von Faktorwerten eines Konstrukts für verschiede Erhebungszeitpunkte treffen.

Die Hypothesen zur ersten Forschungsfrage lauten: Hypothese 1: Die Sozialkapitalindikatoren nach Putnam erreichen die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen. 1.1. Das Konstrukt des sozialen Vertrauens erreicht die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen. 1.2. Das Konstrukt der Reziprozität erreicht die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen. 1.3. Das Konstrukt der Netzwerke erreicht die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen.57 Hypothese 2: Es gibt einen signifikanten Unterschied zwischen der ost- und westdeutschen Sozialkapitalausstattung. Hypothese 3: Die Sozialkapitalausstattung in einer Region ist über die Zeit konstant. Die zweite Forschungsfrage setzt an der Beobachtung an, dass nicht jeder Indikator des (positiven) sozialen Kapitals in gleicher Weise auf einen Indikator des negativen Sozialkapitals wirkt (nämlich die Einstellung, dass man Korruption und Bestechung benötigt, um in der Gesellschaft weiter zu kommen). Beispiele für solches negative Sozialkapital ist das sogenannte Vitamin B oder der (kölsche) Klüngel – Korruptionsbeziehungen, welche auf positivem Austausch in einer Sozialkapitalbeziehung (zwischen korrupten Akteuren) beruhen. Mit der zweiten Forschungsfrage soll also untersucht werden, ob soziales Vertrauen, Reziprozität oder Netzwerkaktivitäten unterschiedlichen Einfluss auf das negative Sozialkapital besitzen (abgebildet über die Einstellung, durch korruptes Verhalten die eigenen Ziele durchzusetzen). Es ist zu vermuten, dass in Regionen, in denen die Wichtigkeit von Korruption als Weg zum Erfolg hoch ist, auch eine größere Korruptionsneigung existiert. Dafür sprechen die Evidenzen in einigen Studien, die mithilfe von Länderdaten oder in Experimenten gefunden wurden, so z. B., dass sich generalisiertes Vertrauen gegenläufig zu einer subjektiven Korruptionswahr-

57

Freitag & Traunmüller (2008) verwenden die Daten der Netzwerke als Konstrukte, obwohl es sich um Häufigkeitskategorien handelt.

8 Forschungsfrage und Hypothesen

91

nehmung (im Sinne des Corruption Perception Index) bzw. Korruptionseinschätzungen in Populationserhebungen oder Experimenten verhält (Banerjee 2016; Becker et al. 2016; Graeff & Svendsen 2013). Die theoretische Sicht einiger Devianz- und Sozialkapitaltheorien unterstützten ebenfalls die Gegenläufigkeit von positivem und negativem Sozialkapital. Für den (positiven) Sozialkapitalindikator der Reziprozität gibt es meines Wissens bisher keine Studien, die eine Richtung des Einflusses auf Indikatoren des negativen Sozialkapitals nahelegen könnten. Aus theoretischer Sicht jedoch kann ein positiver Zusammenhang zwischen der Reziprozität und der Korruption angenommen werden. Korruptionsbeziehungen beruhen typischerweise auf dem Reziprozitätsprinzip, da keine klassischen Verträge geschlossen werden, die Verpflichtungen dokumentieren. Nach dem Reziprozitätsprinzip bedingt eine Leistung eine Gegenleistung, sodass bspw. eine Bevorzugung (Vorteil) in der Erwartung gegeben wird, auf lange Sicht einen Austausch dafür (z. B. Geldzahlung) zu erhalten. Der Austausch der Korruptionsleistungen kann verzögert erfolgen, was üblicherweise bei lang andauernden Beziehungen der Korruptionspartner der Fall ist, also etwa bei Vetternwirtschaft. Anders kann es sich bei situativer Korruption verhalten, bspw. wenn ein Polizist von einem Autofahrer bestochen wird zu schnelles Fahren nicht zu ahnden. Diese Studie ist die erste in Deutschland, die die Reziprozität empirisch im Zusammenhang mit Korruption untersucht und geht in dieser Hinsicht über die bisherigen Untersuchungen hinaus. Anders verhält es sich in Bezug auf das Thema „soziales Vertrauen“, das von der Wissenschaft bereits umfangreich beleuchtet wurde. Die Sozialkapitaltheoretiker nehmen an, dass soziales Vertrauen in Korruptionsbeziehungen nicht bedeutsam ist, da es dort eher um spezifisches Vertrauen in konkrete Korruptionspartner geht (Graeff 2009; Uslaner 2009). In diesem Zusammenhang wird erneut die Unterscheidung zwischen brückenbildendem und bindendem Sozialkapital relevant. Ersteres bezieht andere ein. Korruptionsbeziehungen hingegen, die bindendes Sozialkapital darstellen, schließen Unbeteiligte aus. Für eine Korruptionsbeziehung ist die Reziprozitätsnorm ein zentrales Element. Sie stellt sicher, dass Gegenleistungen erfolgen, auch wenn nur informelle Absprachen vorliegen. Korruptionsbeziehungen können sich aber nicht wie brückenbildendes Sozialkapital gestalten, bei dem der Einzelne prinzipiell offen für Kontakte mit unähnlichen Personen ist. Es ist naheliegend, dass in Gesellschaften, in denen korrupte Austauschbeziehungen häufiger vorkommen, brückenbildendes Sozialkapital seltener auftritt. Mit diesen Ausführungen über brückenbildendes Sozialkapital sind keine Aussagen über die Häufigkeit und die Verbreitung von bindendem Sozialkapital getroffen. Hier könnte man annehmen, dass diese häufiger vorkommen, wenn korrupte Austauschbeziehungen öfter existieren. In Regionen, in denen ein bindendes Sozialkapital in Vereinen das gesellschaftliche Miteinander prägt, mögen partikulare Vereinsinteressen und spezifische Bevorzugungen von Vereinsmitgliedern häufiger auftreten und damit auch die Wichtigkeit verstärken, über Korruption zum Erfolg zu kommen.

92

8 Forschungsfrage und Hypothesen

Aufbauend auf diesen Überlegungen lassen sich die folgenden Hypothesen ableiten: Hypothese 4: Die Konstrukte des sozialen Kapitals wirken sich unterschiedlich auf die Wichtigkeit von Korruption als Weg zum Erfolg aus. 4.1. Das soziale Vertrauen senkt die Wichtigkeit, über Korruption zum Erfolg zu kommen. 4.2. Die Reziprozität erhöht die Wichtigkeit von Korruption als Weg zum Erfolg. 4.3. Netzwerke haben einen unterschiedlichen Einfluss auf die Wichtigkeit von Korruption als Erfolgsweg. 4.3.1. Netzwerke mit brückenbildendem Sozialkapitalcharakter beeinflussen die Wichtigkeit negativ, über Korruption zum Erfolg zu kommen. 4.3.2. Netzwerke mit bindendem Sozialkapitalcharakter beeinflussen die Wichtigkeit positiv, über Korruption zum Erfolg zu kommen.

9

Voraussetzungen, Operationalisierung und methodisches Verfahren

Aufbauend auf dem zuvor referierten Forschungsstand und den Hypothesen dieser Studie soll im Folgenden die empirische Umsetzung des Forschungsvorhabens dargelegt werden. Hierzu werden in einem ersten Schritt die Aggregatebene der zugrundeliegenden Untersuchung (die Raumordnungsregionen) sowie die Datenquellen (SOEP) beschrieben. Daran anknüpfend werden die Sozialkapitalindikatoren, auf die sich die späteren Berechnungen stützen, hinsichtlich ihrer empirischen Relevanz dargestellt und operationalisiert. Die Indikatoren des SOEP liegen als Individualdaten vor. Sie werden in späteren Berechnungen zur Beantwortung der zweiten Fragestellung mit zusätzlichen Variablen zusammengeführt. Diese Zusammenführung kann nur auf einer höher gelegenen Aggregatebene erfolgen, da sich die Individualdaten nicht auf Personenebene mit anderen (zusätzlichen) Daten (bzw. Datenquellen) verbinden lassen (da die erklärenden Variablen aus mehreren Datensätzen stammen, die auf unterschiedlichen Stichproben basieren). In dieser Studie wird die Aggregatebene der Raumordnungsregionen gewählt. Sie besitzt im Vergleich zu höheren Ebenen, wie z. B. den Bundesländern, den Vorteil einer größeren Fallzahl (n = 96). Auf die Besonderheit dieses aggregierten Datentypus wird zusätzlich eingegangen. Anschließend wird das methodische Verfahren der Messinvarianz vorgestellt, bevor die Analyse zur Prüfung der Sozialkapitalindikatoren auf Messinvarianz durchgeführt und deren Ergebnisse beschrieben werden.

9.1

Aggregatebene: Raumordnungsregionen

Die Raumordnungsregionen sind eine siedlungsstrukturelle Typisierung des Bundesamtes für Bauwesen und Raumordnung (BBSR). In dieser Studie stellen die sie den zu untersuchenden Raum dar (Baur 2014). Die Raumordnungsregionen sind zwar keine administrative Gebietseinheit des Bundes (Statistisches Bundesamt 2015), bilden aber die räumlichen Beobachtungs- und Analyseraster der Bundesraumordnung ab (BBSR Bonn 2018) und erfassen das Bundesgebiet vollständig (Statistisches Bundesamt 2015). Damit sind die Raumordnungsregionen eine wichtige Grundlage für die räumliche Planung, Forschung und Politik. Die Raumordnungsregionen basieren auf der Verwaltungseinheit der Kreisebene (Statistisches Bundesamt 2015), um eine Verbindung zur Regionalstatistik zu ermöglichen (BBSR Bonn 2018). In einer europäischen Gebietseinteilung sind sie zwischen der Ebene 2 (Regierungsbezirke und statistische Regionen) und der Ebene 3 (Landkreise/Kreise und kreisfreie Städte) der Systematik der Gebietseinheiten für die Statistik (kurz NUTS58-Klassifikation) einzugliedern (Eurostat 2015). Das BBSR Bonn (2018) nutzt die Raumordnungsregionen, um räumliche Analysen über die Strukturen (wie z. B. den Bedarf von neuen Wohnungen in bestimmten Gebieten) und die notwendigen Ausgaben für Infrastruktur durchzuführen. Des Weiteren dienen sie als Analyseeinheit bei der Vorhersage von zukünftigen Tendenzen, bspw. in der Bevölkerungsentwicklung. 58

Die Abkürzung NUTS setzt sich aus „Nomenclature of territorial units for statistics“ zusammen (Eurostat 2015).

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_9

94

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Mithilfe der Raumordnungsregionen lassen sich auch Unterschiede zwischen klein- und großflächigen Gebieten hinsichtlich verschiedener Merkmale wie z. B. der Einkommenssituation oder den infrastrukturellen Lebensbedingungen feststellen. Sie „(…) dienen der vergleichenden Beobachtung räumlicher Entwicklungsprozesse und der Beschreibung sozialer, ökonomischer und ökologischer Gegebenheiten auf der Grundlage der räumlichen Differenzierung der Bevölkerung (Siedlungsstrukturen)“ (Statistisches Bundesamt 2015: 2). In dieser Arbeit soll mithilfe der Raumordnungsregionen die Verteilung der Sozialkapitalindikatoren untersucht werden. Damit wird deutlich, in welchen Regionen soziales Kapital stark ausgeprägt ist und in welchen Regionen es weniger häufig vorkommt. Nach den letzten Kreisreformen in Mecklenburg-Vorpommern (04.09.2011) werden aktuell 96 Raumordnungsregionen gezählt.59 Sie bilden in dieser Arbeit die Makroperspektive der Aggregation ab. Die meisten Raumordnungsregionen gibt es in Bayern (18), gefolgt von NordrheinWestfalen (13), Niedersachen (13) und Baden-Württemberg (12). Die Anzahl der Raumordnungsregionen kann in Zusammenhang mit der Besiedlungsdichte des Bundeslandes gesetzt werden und spiegelt in annähernder Weise die Anzahl der Landkreise bzw. Kreise und kreisfreien Städte wider. Das Saarland ist das einzige Flächenland ohne Raumordnungsregion. Auf der Ebene der Raumordnungsregion ist das Saarland, ebenso wie die Stadtstaaten Hamburg, Bremen und Berlin, deckungsgleich zum jeweiligen Bundesland (Statistisches Bundesland 2017). Die Abbildung A.2 illustriert die Untergliederung der Bundesländer, die jeweils farblich abgestimmt die entsprechenden Raumordnungsregionen einem Bundesland zuordnen. Eine abgegrenzte Fläche entspricht einer Raumordnungsregion.

9.2

Datensets

Für die Untersuchung werden mehrere Datenquellen herangezogen. Im Folgenden werden diese Datenquellen und ihre Besonderheiten kurz vorgestellt. Die ersten beiden Datensets basieren auf Umfragedaten, wohingegen die letzte Datenquelle Regionalstatistiken in Form von ökonomischen Daten beinhaltet. Beginnend wird das Sozio-ökonomische Panel (SOEP) als Hauptdatensatz vorgestellt. Mit diesen Daten werden später die Messinvarianz-Modelle berechnet. Außerdem wird über die Daten die Verteilung des sozialen Kapitals in Deutschland verdeutlicht. Als weitere Datenquellen werden die Erhebungen der Allgemeinen Bevölkerungsumfrage in Deutschland (ALLBUS) und die Inkar-Datensets verwendet.

59

1996 wurden 97 Raumordnungsregionen aufgrund empirischer Analysen und in Abstimmung der Bundesländer entwickelt. Die ehemaligen Regionen Südwestsachsen und Chemnitz-Erzgebirge sowie der Landkreis Döbeln wurden zusammengeschlossen, wodurch die neuentstandene Raumordnungsregion Südsachen gebildet wurde und die Zahl der Raumordnungsregionen auf 96 sank.

9.2 Datensets

95

Sozio-ökonomisches Panel (SOEP) In diesem Abschnitt soll kurz das SOEP vorgestellt werden, das für diese Studie einen Hauptteil der Daten liefert (SOEP Group 2001). Das SOEP wurde als ein von der Deutschen Forschungsgemeinschaft (DFG) gefördertes Projekt von Hans-Jürgen Krupp und Wolfgang Zapf ins Leben gerufen. Es ist heute durch eine eigene Abteilung am Deutschen Institut für Wirtschaft vertreten (Trommsdorff 2008: 195). Die Daten des SOEP erhebt das Befragungsinstitut Infratest seit 1984 jährlich als Längsschnittdaten (Goebel et al. 2008: 77) und (die Abteilung des SOEP) stellt sie für Analysen wissenschaftlicher Forschung zur Verfügung (SOEP 2018). Das SOEP setzt sich aus Stichproben zusammen, welche die alten und seit 1989 auch die neuen Bundesländer repräsentativ erfassen. Es wird seit 2000 durch Auffrischungssamples ergänzt (vgl. Abb. A.3). Zusätzlich werden Daten von speziellen Gruppen wie Migranten oder Wohlhabenden erhoben (Trommsdorff 2008: 195). Dabei sind die ostdeutschen Regionen sowie Migranten und Zuwanderer überproportional erfasst, um eine ausreichend große Stichprobe dieser Gruppen zu erhalten. Gewichtungen zur Behebung von Verzerrungen stellt das SOEP bereit. Gleichwohl muss bedacht werden, dass auch wenn es sich um eine repräsentative Studie handelt, spezielle Bevölkerungsgruppen nicht erfasst sind, wie bspw. Obdachlose (vgl. Baur 2014: 264). Das SOEP basiert auf einer Haushaltsbefragung, die alle Haushaltsmitglieder ab 16 Jahren durch einen individuellen Fragebogen erfasst. Es werden darüber hinaus auch Informationen über die im Haushalt lebenden Kinder erhoben (SOEP 2018). Durch die Teilnahme an einer Befragung werden die Probanden Teil des Panels und im Idealfall so lange wieder befragt bis sie entweder versterben oder aus Deutschland wegziehen. Befragte, die an dem SOEP teilnehmen, sollen auch in zukünftigen Befragungen im Panel verbleiben. Nehmen Befragte mehr als zweimal hintereinander nicht an der Umfrage teil, scheiden sie aus (Panel Attrition). Bei der Befragung wird ein Anreizprogramm (engl. respondent-incentive program) verwendet: die Befragten erhalten einen Lotterieschein einer Wohltätigkeitsorganisation sowie Informationsmaterialen zur Studie (Schröder et al. 2013: 2) Die Datenerhebung erfolgt seit 2001 mittels einer CAPI-Befragung (Computer Assisted Personel Interviews), welche die Paper-und-Bleistift-Methode (PAPI) aus früheren Untersuchungsjahren abgelöst hat. Bei dieser Art der Befragung konnten die Probanden die Antworten einem Interviewer mitteilen, der den Fragebogen für die Befragten ausfüllte (SOEP 2018). Das SOEP, welches seine Befragung unter dem Titel „Leben in Deutschland“ durchführt, beinhaltet unterschiedliche Themenschwerpunkte wie z. B. „Familie und soziale Netzwerke“ oder „Einstellungen, Werte und Persönlichkeit“. Darüber hinaus gehören auch spezielle wissenschaftliche Thematiken wie „Surveymethodik“ (SOEP 2018) zum festen Bestandteil der Befragungsinhalte, die in regelmäßigen Abständen erfasst werden. Die Thematik des sozialen Kapitals, die für die vorliegende Arbeit von Interesse ist, wird in unterschiedlichen Zyklen abgefragt. Das generalisierte Vertrauen wird in Fünf-Jahresrhythmen seit 2003 erhoben. Seit 2005 ist auch die Norm der Reziprozität Bestandteil der Befragung, welche ebenfalls in Fünf-Jahresrhythmen

96

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

ermittelt wird. Die Sozialkapitalindikatoren der Netzwerke werden ebenfalls in unterschiedlichen Zyklen abgefragt. Während die Mitgliedschaften in Organisationen seit 2003 alle vier Jahre erhoben werden, werden zivilgesellschaftliche Aktivitäten alle zwei Jahre erfasst.60

Allgemeine Bevölkerungsumfrage der Sozialwissenschaften (ALLBUS) Der ALLBUS ist ein Projekt des Leibniz Institutes für Sozialwissenschaften GESIS, das seit 1980 die „Einstellungen und Verhaltensweisen der deutschen Bevölkerung“ (ALLBUS 2018) untersucht. Hierzu werden Deutsche und Ausländer in einem Rhythmus von zwei Jahren befragt. Der ALLBUS ist jedoch keine Panel-Studie wie das SOEP, in der dieselben Personen mehrfach befragt werden, sondern setzt sich aus einzelnen Querschnittsdatensätzen zusammen. Diese Querschnitte weisen in der Regel zwei thematische Schwerpunkte auf (wie z. B. Religion und Weltanschauung im Jahr 2012), die von Erhebung zu Erhebung wechseln. Es wird angestrebt, diese thematischen Schwerpunkte in einem Turnus von zehn Jahren erneut abzufragen, sodass Längsschnittanalysen ermöglicht werden (Wasmer et al. 2018: 5 ff.). Im Themenbereich zur Einstellung über die Gesellschaft wird bspw. gefragt, wie wichtig Korruption und Bestechung seien, „um in unserer Gesellschaft nach oben zu kommen“ (ALLBUS 2014). Dieses Item wurde 2004 erstmals und 2014 erneut abgefragt. Seit 1986 wird zusammen mit der allgemeinen Bevölkerungsumfrage auch der deutsche Teil des International Social Survey Programms (ISSP) erhoben, der einen eigenen einheitlichen Schwerpunkt in allen beteiligten Ländern erfasst. Der ALLBUS steht in Kooperation mit dem amerikanischen General Social Survey (GSS), um international vergleichende Gesellschaftsanalysen zu ermöglichen (ALLBUS 2018). Die Stichprobe der einzelnen Querschnittserhebungen wird aus dem Einwohnermelderegister anhand der Merkmale Alter und Geschlecht gezogen. Die ostdeutsche Bevölkerung wird auch im ALLBUS überproportional erfasst, sodass diese Verzerrung für Aussagen über das gesamte Bundesgebiet durch eine Gewichtung korrigiert werden muss (Wasmer et al. 2018: 46). Seit 2000 wurde auch beim ALLBUS die Erhebungsmethode von der PAPI-Befragung auf die CAPI-Befragung umgestellt (ALLBUS 2018).

INKAR Die Indikatoren und Karten für Raum- und Stadtentwicklung (INKAR) sind ein Onlineportal des BBSR (BBSR Bonn 2018). INKAR stellt regionalstatistische Informationen zur Verfügung, die Auskunft über regionale Unterschiede der Lebensbedingungen in Deutschland liefern. Die Regionalstatistiken lassen sich den Oberthemen Arbeitsmarkt, Bildung, Soziales, Demografie, Wirtschaft, Wohnen, Finanzen, Verkehr und Umwelt zuordnen. Über die INKAR Daten lässt 60

Mit einer Ausnahme: 2008 wurden die zivilgesellschaftlichen Aktivitäten zusätzlich erhoben.

9.3 Operationalisierung der Variablen

97

sich bspw. ermitteln, welche Region den wirtschaftlich größten Beitrag innerhalb der Bundesrepublik im letzten Jahr geliefert hat (gemessen über das Bruttoinlandprodukt je Erwerbstätigen oder je Einwohner). Diese Informationen gehen auf die Eurostat-Regionaldaten zurück und basieren auf der „Leben in Europa“-Studie (EU-SILC). Mittels des Onlineportals können durch interaktive Anwendungen Karten oder Daten für alle Kreise und Regionen in Deutschland und Europa erstellt werden. Ein Großteil des Datenmaterials steht ab dem Jahr 1995 zur Verfügung (BBSR Bonn 2018). Nach der Vorstellung der verschiedenen Datenquellen sollen im weiteren Verlauf die Konstrukte des sozialen Kapitals in Bezug auf die empirische Umsetzung und Erfassung durch das SOEP und den ALLBUS genauer beschrieben werden.

9.3

Operationalisierung der Variablen Soziales Vertrauen

In den empirischen Sozialwissenschaften wird das soziale Vertrauen basierend auf der Theorie von Putnam oftmals als Kernelement des sozialen Kapitals verwendet (vgl. u. a. Coromina & Davidov 2013; Graeff & Svendsen 2012; Uslaner 2002; Rothstein & Stolle 2008; Fukuyama 1995). Wird in internationalen und nationalen Umfragen das soziale Vertrauen als Konstrukt erfasst, dann oft in Bezug auf die Wahrnehmung von Fairness, Vertrauen und Hilfsbereitschaft der Mitmenschen (vgl. ESS, SOEP, WVS/EVS). Dabei wird meist metaphorisch die Annahme zugrunde gelegt, dass soziales Vertrauen in einer Gesellschaft wie ein „sozialer Kitt“ wirkt und dieser eben vor allem aus dem Vertrauen in Mitmenschen und zwischen sozialen Gruppen resultiert (vgl. u. a. Rothstein & Uslaner 2005; Breton et al. 2004). Positive Wirkungen habe das viele, so Putnam (2000: 136): „(…) people who trust their fellow citizens volunteer more often, contribute more to charity, participate more often in politics and community organizations, serve more readily on juries, give blood more frequently, comply more fully with their tax obligations, are more tolerant of minority views, and display many other forms of civic virtues“. Es ist daher nicht verwunderlich, dass das soziale Vertrauen, wie in Kapitel 7 dargestellt, in vielen empirischen Forschungen Anwendung findet, bspw. fördert es die Zufriedenheit und das subjektive Wohlbefinden und dies sogar in Krisensituationen (Helliwell et al. 2013). Es kann aber auch in einen politischen Bezug gesetzt werden. So geht ein höheres soziales Vertrauen mit einem höheren politischen Vertrauen einher und umgekehrt ist neben einem niedrigen sozialen Vertrauen ein geringes politisches Vertrauen zu verzeichnen (Zmerli & Newton 2017). Auch aus ökonomischer Perspektive ist das generalisierte Vertrauen relevant, da das Vertrauen in andere der Theorie nach Unsicherheiten und Transaktionskosten reduziert (vgl. Putnam 1993; 2000; Coleman 1995; Fukuyama 1995; Preisendörfer 1995). In den empirischen Untersuchungen werden üblicherweise zwei Formen von Vertrauen erfasst: das soziale Vertrauen, das sich auf unbekannte andere bezieht, und das Vertrauen in spezifische andere Personen. Die Entstehung und Aufrechterhaltung von sozialem Vertrauen wurde in Kapitel 4.2.3 beschrieben.

98

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Personalisiertes Vertrauen zwischen Personen beruht – anders als das generalisierte Vertrauen – auf lang andauernden Beziehungen. Es entsteht durch konkrete Erfahrungen in kooperativen Beziehungen (Deutsch 1958; Rotter 1991). Einige Autoren stellen es in einen direkten Zusammenhang mit der Entstehung von generalisiertem Vertrauen (z. B. Stolle 2002; Zmerli & Newton 2017). Beem (1999: 20) führt dazu aus: „Trust between individuals thus becomes trust between strangers and trust of a broad fabric of social institutions; ultimately, it becomes a shared set of values, virtues, and expectations within society as a whole. Without this interaction, on the other hand, trust decays; at a certain point, this decay begins to manifest itself in serious social problems (…) the concept of social capital contends that building or rebuilding community and trust requires face-to-face encounters.“ Personenbezogenes Vertrauen, das eher eine Domäne der Psychologie ist, wird in dieser Arbeit nicht weiter betrachtet. Dem sozialen Vertrauen wird in der Literatur eine höhere Bedeutung für gesamtgesellschaftliche Prozesse zugeschrieben und daher wird es in dieser Untersuchung auch im Vordergrund stehen. Im Folgenden wird deshalb nur auf dessen Operationalisierungen eingegangen, wie diese in den nationalen und internationalen Surveys verwendet werden. Das klassische Item zum generalisierten Vertrauen geht auf die „Faith in People“- Scale von Rosenberg (1956) zurück und wurde durch den GSS bzw. den WVS folgendermaßen operationalisiert: „In general, you can trust other people, or you cannot be too careful when dealing with others“61. Diese Operationalisierung hat Kritik in der Literatur hervorgerufen. Glaeser et al. (2000: 812) beschreiben das Item einerseits als „interessant“, andererseits als vage, abstrakt und schwer zu interpretieren. Schwierigkeiten der Interpretation finden sich auch in der Untersuchung von Miller und Mitamura (2003), weil sie empirisch zeigen können, dass sich Vertrauen und Vorsicht nicht gegenseitig ausschließen. Damit Probanden nicht zwischen Vertrauen und Vorsicht wählen müssen hat das deutsche SOEP das GSS-Item in zwei Bereiche aufgeteilt (Naef & Schupp 2009: 6). Im ersten Teil wird gefragt, inwiefern der Aussage „Im Allgemeinen kann man den Menschen vertrauen“ zugestimmt wird oder nicht. Im zweiten Teil geht es um die Aussage „Wenn man mit Fremden zu tun hat, ist es besser, vorsichtig zu sein, bevor man ihnen vertraut“. Eine solche Operationalisierung vermeidet zumindest eine Konfundierung von Vertrauen und Vorsicht, wenngleich in der Literatur oftmals argumentiert wird, dass bipolare Items idiosynkratrische Interpretationen durch die Vorgabe der gegenteiligen Dimension vermeiden. Offensichtlich ist aber in den Köpfen der Probanden Vorsicht nicht unbedingt das Gegenteil von Vertrauen (Miller & Mitamura 2003). Daher werde ich in meiner Untersuchung diese aus meiner Sicht vorteilhafte uni-dimensionale Operationalisierung von sozialem Vertrauen und Vorsicht verwenden. Die Erfassung von Konstrukten in empirischen Untersuchungen lässt sich hinsichtlich der Reliabilität und verschiedener Aspekte der Validität zuverlässiger beurteilen, wenn mehrere Items für die Abbildung des Konstrukts verwendet werden. Es gibt in den großen Surveys (wie dem 61

Eine andere, leicht veränderte Variation der Formulierung ist: „Generally speaking, would you say that most people can be trusted or that you can’t be too careful in dealing with people?“ (Glaeser et al. 2000: 812).

9.3 Operationalisierung der Variablen

99

SOEP oder dem ESS) auch andere Items, die Konstruktinhalte für soziales Vertrauen beisteuern können. Dazu gehören neben den Items zum „Vertrauen in andere“ und der „Vorsicht vor Fremden“ Fragen nach der „Fairness“ sowie nach der „Hilfsbereitschaft anderer“. Beide Items werden auch in der „Faith in People“-Scale verwendet (Rosenberg 1991 [1956]). In den großen deutschsprachigen Umfragen, wie dem ALLBUS oder dem SOEP, sind diese Items ein fester Bestandteil des Fragebogenrepertoires, wobei sich die Antwortskalen teilweise unterscheiden. Das Item „Vertrauen in andere/Vorsicht vor Fremden“ des ALLBUS’ basiert auf dem bipolaren GSS-Item62, während dieses Item im SOEP – wie oben beschrieben – in separate Fragen aufgeteilt wurde. In meiner Studie werden die folgenden Items für die Erfassung des sozialen Vertrauens herangezogen:     

„Im Allgemeinen kann man den Menschen vertrauen“ (TRUST). „Heutzutage kann man sich auf niemanden mehr verlassen“ (VERLASS). „Wenn man mit Fremden zu tun hat, ist es besser, vorsichtig zu sein, bevor man ihnen vertraut“ (VORSICHT). „Glauben Sie, dass die meisten Leute Sie ausnutzen würden, falls sie eine Möglichkeit dazu hätten oder versuchen würden, Ihnen gegenüber fair zu sein?“ (FAIR).63 „Würden Sie sagen, dass die Leute die meiste Zeit versuchen, hilfsbereit zu sein oder nur ihre eigenen Interessen verfolgen?“ (HILF).

Diese Items werden in den Erhebungswellen 2003, 2008 sowie 2013 im SOEP abgefragt. Die Items weisen verschiedene Skalierungen auf. Bei den ersten drei Items (TRUST, VERLASS, VORSICHT) wird eine vierstufige Likert-Skala verwendet – bei den beiden anderen Items (FAIR und HILF) eine bipolare Skala mit dichotomen Ausprägungen. Das Konstrukt des sozialen Vertrauens ist allerdings nur ein Teilbereich des sozialen Kapitals. Da auch andere Bereiche betrachtet werden sollen, die allerdings in anderen Surveys erhoben wurden, müssen diese unterschiedlichen Teilbereiche auf einer gemeinsamen Aggregatebene zusammengeführt werden. In meiner Studie sind das die 96 Raumordnungsregionen in Deutschland. Daher werden die zuvor aufgeführten Items des sozialen Vertrauens nur auf der

62

63

Das Item „Vertrauen in andere/Vorsicht vor Fremden“ des ALLBUS’ basiert auf dem bipolaren GSS-Item. Die Antwortskalen, mit denen dieses Item verwendet wird, unterscheiden zwischen dem ALLBUS und den internationalen Surveys. Im ALLBUS wird ein dreistufiges Item (mit den Kategorien „Vertrauen“, „Vorsicht“, „teils/teils“) mit einer zusätzlichen „Weiß nicht“-Option verwendet. Im WVS/EVS wird auf die „teils/teils“Kategorie verzichtet. Kroll & Lampert (2007) untersuchten den Gesundheitszustand im Zusammenhang mit den Sozialkapitalindikatoren. Für das generalisierte Vertrauen griffen sie alleinig auf das Item TRUST im SOEP zurück. Als Indikator für die Reziprozität setzten sie das Item FAIR ein. Freitag & Traunmüller (2008) konnten jedoch in ihren Berechnungen auf der Datenbasis für 2003 zeigen, dass das Item FAIR auf der Komponente des sozialen Vertrauens lud. Die Berechnungen beruhen auf einer Faktorenanalyse mit Maximum-Likelihood-Schätzern sowie einer Promax-Rotation. Das Item FAIR lud eindeutig mit einer Faktorladung von .848 auf dem Faktor des sozialen Vertrauens (Freitag & Traunmüller 2008: 231).

100

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Aggregatebene der Regionen in Deutschland betrachtet. Eine Untersuchung der Konstrukteigenschaft dieser Items auf der Individualebene wird lediglich kurz behandelt als Vorbedingung für die Aggregierung (s. Fußnote 85). Anstatt der Originalwerte im Individualdatensatz werden im aggregierten Datensatz Prozentwerte pro Itemausprägung verwendet (abgebildet über Werte zwischen 0 und 1). Um die Interpretation zu vereinfachen, beziehen sie sich meist auf die prozentuale Zustimmung zu der Frage. So gibt der Prozentsatz der Zustimmenden bei den Items FAIR und HILF wieder, wie hoch der prozentuale Anteil der Befragten in einer Region ist, die bei diesen Items die Ausprägungen „andere sind fair“ bzw. „andere sind hilfsbereit“ geäußert haben. Bei den restlichen Items – TRUST, VERLASS und VORSICHT – wird der Prozentsatz aus den ersten beiden Skalenpunkten („stimme eher“ bis „stimme voll und ganz zu“) ermittelt.

Reziprozität Aus theoretischer Perspektive stehen generalisiertes Vertrauen und Normen der Reziprozität in engem Zusammenhang (Putnam 1993, 2000; Coleman 1995; Portes 1998; Nahapiet & Ghoshal 1998). Wer vertraut, geht mit dem Vertrauen in Vorleistung und hofft, dass der andere dieses Vertrauen nicht ausnutzt, sondern sich mit einer Gegenleistung revanchieren wird (Preisendörfer 1995). Coleman (1995) spricht in diesem Zusammenhang von einem Kredit, den der Vertrauensgeber dem Vertrauensnehmer gibt. Auf einer kollektiven Ebene sind zudem die gemeinsamen Normen und Werte einer Gruppe, Organisation oder Gesellschaft nach Coleman ebenso entscheidend dafür, ob gemeinschaftliche Interessen und Ziele verwirklicht werden können. Je beständiger und größer die Grundlage an gemeinsamen Normen und Werten ist, desto eher sind die Gruppen handlungsfähig und können, wenn individuelle Interessen zum Wohle der Allgemeinheit zurückgehalten werden, die gemeinsamen Ziele realisieren. Beispiele sind die Rücksichtnahme auf Senioren, Kranke und Schwangere insbesondere in öffentlichen Verkehrsmitteln. Wer ihnen gegenüber rücksichtslos ist, bricht die allgemeine Norm, dass Alten und Bedürftigen respektvoll zu begegnen ist. Wer seinen Platz anbietet, erwartet, dass er selbst zu einem späteren Zeitpunkt oder ihm nahestehende ältere oder kranke Menschen ebenso behandelt werden. Der OECD beschreibt Normen als „society’s unspoken and largely unquestioned rules“ (OECD 2001: 103), sodass sie zur relationalen Komponente der Sozialkapitalindikatoren zählen (Nahapiet & Ghoshal 1998). Sie ermöglichen das Zusammenleben und die Zusammenarbeit der Menschen und dienen als Grundlage einer kulturellen Identität (vgl. Hall 1994). Die World Bank (2017) bringt es wie folgt auf den Punkt: „norms […] shape the quality and quantity of a society’s social interactions“. Gundelach & Traunmüller (2014) betonen in ihrem Artikel, dass die Reziprozitätsnorm eine allgemeinere Form des sozialen Kapitals darstellt, die beständiger und weniger beeinflussbar ist als das soziale Vertrauen. In der Theorie sind die Reziprozität und das soziale Vertrauen auf

9.3 Operationalisierung der Variablen

101

der relationalen Dimension verankert, sodass ihnen eine fundierte Nähe zugesprochen werden kann. „Reciprocity is the key foundation on which trust can be gradually built and which turns social trust into a societal asset in the first place“ (Gundelach & Traunmüller 2014: 613). Freitag & Traunmüller (2008: 235) haben in ihrer Untersuchung aufgezeigt, dass die Verteilung der Reziprozität über Deutschland im Jahr 2005 einigermaßen ausgeglichen ist, während für das soziale Vertrauen sowie die sozialen Netzwerke ein Ost-West-Gefälle verzeichnet werden konnte. Es ist daher interessant, wie sich die Reziprozität über die Zeit verhält. Für Verteilung der Sozialkapitalindikatoren in Deutschland ist die Reziprozität daher relevant. Während in der Sozialkapitaltheorie die Normen und Werte, vor allem die Norm der Reziprozität, ein fester Bestandteil sind, wurden in quantitativen empirischen Untersuchungen, wie dem EVS/WVS, ESS oder ALLBUS, lange Zeit generelle Einstellungen zu abweichendem Verhalten, wie bspw. Schwarzfahren oder Steuerbetrug, abgefragt, um daraus Normen und Werte abzuleiten.64 Auch Freitag & Traunmüller (2008: 224) betonen in ihrer Analyse, dass durch den SOEP erstmals angemessene Instrumente zur Messung reziproken Verhaltens vorliegen, sodass auch der spezifische Sozialkapitalindikator der Reziprozität genauer betrachtet werden kann. Der ALLBUS hat 2010 erstmals Items zum Konstrukt der Reziprozität erhoben, die im Wortlaut (fast) identisch sind mit der Itemformulierung des SOEPs. Allerdings wurde in späteren Erhebungen lediglich eins der drei Items erhoben, sodass eine Vergleichbarkeit über die Zeit hinweg lediglich hinsichtlich der Stabilität geprüft werden kann, nicht hinsichtlich des Konstrukts (Single-Item-Skala in der Erhebungswelle 2016). Das SOEP erhebt alle drei Items zur Reziprozität im Rhythmus von fünf Jahren, sodass die Einstellung hinsichtlich eines reziproken Gebens und Nehmens in den Erhebungswellen 2005, 2010 und 2015 erfasst wurden. Items, die die Reziprozität abbilden, sind:   

„Wenn mir jemand einen Gefallen tut, bin ich bereit, dies zu erwidern“ (ERWIDERN). „Ich strenge mich besonders an, um jemandem zu helfen, der mir früher schon mal geholfen hat“ (FRÜHER). „Ich bin bereit, Kosten auf mich zu nehmen, um jemandem zu helfen, der mir früher einmal geholfen hat“ (KOSTEN).

Diese Items beruhen einheitlich auf einer siebenstufigen Likert-Skala und wurden im SOEP in den Erhebungswellen 2005, 2010 sowie 2015 erhoben. Die Items der Reziprozität stellen eine Seltenheit in den empirischen Fragebogeninstrumenten dar. Durch die Hinzunahme dieser Items lässt sich allerdings ein wesentlicher Teil der Theorie nach Putnam empirisch untersuchen. Es ist jedoch anzumerken, dass bei genauerer Betrachtung der Formulierung der Items eher eine spezifische Reziprozität abgefragt wird. In der Theorie nach Putnam wird die generalisierte Reziprozität herausgestellt, jedoch liegen keine weiteren Daten zum generalisierten reziproken Verhalten vor, sodass auf die vom SOEP erhobenen Daten zurückgegriffen wird. 64

Adloff & Mau (2005: 9) verweisen darauf, dass „die Norm der Reziprozität als so grundlegend für das soziale Leben und als so ubiquitär angesehen [wird], dass eine intensivere Beschäftigung mit diesem „Hintergrundphänomen“ als nicht lohnend erscheint. Oder, was häufiger der Fall ist, man überlässt das Feld Anthropologen oder Ethnologen […].“



9RUDXVVHW]XQJHQ2SHUDWLRQDOLVLHUXQJXQGPHWKRGLVFKHV9HUIDKUHQ

 $XFKEHLGHQ5H]LSUR]LWlW,WHPVZHUGHQGLH2ULJLQDOZHUWHDXVGHP,QGLYLGXDOGDWHQVDW]LPDJ JUHJLHUWHQ'DWHQVDW]]X3UR]HQWZHUWHQSUR,WHPDXVSUlJXQJDEJHELOGHWEHU:HUWH]ZLVFKHQ XQG   'LH SUR]HQWXDOH =XVWLPPXQJ ]X GHU )UDJH ZLUG DXV GHQ OHW]WHQ GUHL 6NDOHQSXQNWHQ ÄWULIIWHKHU]X³ELVÄWULIIWYROO]X³HUPLWWHOW$QDORJ]XGHQ9HUWUDXHQ,WHPVUHSUlVHQWLHUWGLH +|KHGHVSUR]HQWXDOHQ$QWHLOVGHU%HIUDJWHQLQHLQHU5DXPRUGQXQJVUHJLRQGLH%HIUZRUWXQJ GHU,WHPV(5:,'(51)5h+(5XQG.267(1   1HW]ZHUNH $XVWKHRUHWLVFKHU3HUVSHNWLYHQDFK3XWQDP VLQG1HW]ZHUNHGHU$XVJDQJVSXQNWIUGLH 6R]LDONDSLWDOELOGXQJGDGDULQ9HUWUDXHQXQG1RUPHQHLQJHEHWWHWXQGDXVJHOHEWZHUGHQ1HW] ZHUNHVWHOOHQVRPLWHLQH9HUELQGXQJ]ZLVFKHQ,QGLYLGXHQXQG*UXSSHQGDUGDJHUDGHGXUFK VR]LDOH1HW]ZHUNH]LYLOJHVHOOVFKDIWOLFKHV(QJDJHPHQWHQWVWHKWZHOFKHVZLHGHUXPGHU'UHK XQG$QJHOSXQNWGHVWKHRUHWLVFKHQ6R]LDONDSLWDODQVDW]HVQDFK3XWQDPLVW *UXSSHQXQG2UJDQLVDWLRQHQPLW1HW]ZHUNVWUXNWXUHQVLQGIULKUH0LWJOLHGHUHLQH4XHOOHVR]L DOHQ.DSLWDOVGDVLHXD8QWHUVWW]XQJXQG+LOIHOHLVWXQJHQELHWHQ&ROHPDQ ]XU:HL WHUJDEHYRQ,QIRUPDWLRQHQGLHQHQ3XWQDP*UDQRYHWWHU HLQHP$NWHXU9RUWHLOH GXUFKGLH0LWJOLHGVFKDIWVLFKHUQ3RUWHV RGHUDXFKGLH0|JOLFKNHLWGHU=XVDPPHQDUEHLW ]XU(UUHLFKXQJJHPHLQVDPHU=LHOHSUlVHQWLHUHQ)XNX\DPD 'DKHULVWHVQLFKWYHUZXQ GHUOLFKGDVV1HW]ZHUNHDXFKKLQVLFKWOLFKLKUHU6WUXNWXUHQQlKHUXQWHUVXFKWZHUGHQZLHEVSZ EHL%XUWRGHU/LQ XQGVHSDUDWXQWHUHLQHPDQGHUHQ$QVDW]GHU6R]LDONDSLWDOWKHRULH1HW]ZHUN DQDO\VH HUIRUVFKWZHUGHQ'LHHPSLULVFKHQ6WXGLHQ]LHKHQXQWHUVFKLHGOLFKVWH1HW]ZHUNHKHUDQ XQGZHUWHQVLHDXVEVSZGLJLWDOHVR]LDOH1HW]ZHUNHZLH)DFHERRNXD(OOLVLRQHWDO  1HW]ZHUNHLQ2UJDQLVDWLRQHQ*ODHVHUHWDO %HUXIVYHUElQGHRGHUGLHNODVVLVFKHQ 9HUEDQGVPLWJOLHGVFKDIWHQHQJODVVRFLDWLRQDOPHPEHUVKLS 3XWQDP)UDQ]HQ %RW]HQ  1HW]ZHUNHELHWHQGDKHUYLHOHYHUVFKLHGHQH]XXQWHUVXFKHQGH)DNWRUHQDQGLHZLHGHUXP DXI XQWHUVFKLHGOLFKH %HUHLFKH EH]RJHQ ZHUGHQ N|QQHQ ZLH |NRQRPLVFKHU :DFKVWXP XQG :RKOVWDQG.QDFN .HHIHU3XWQDP)UDQ]HQ %RW]HQYJODXFK-HGLQJHU  HWKQLVFKH'LYHUVLWlW/HYHOVHWDO $UEHLWVORVHQTXRWHRGHU:DKOEHWHLOLJXQJ)UDQ ]HQ  %RW]HQ   3XWQDP    UHVPLHUW Ä1HWZRUNV RI FLYLF HQJDJHPHQW OLNH QHLJKERXUKRRG DVVRFLDWLRQV FKRUDO VRFLHWLHV FRRSHUDWLYHV VSRUWV FOXEV PDVVEDVHGSDUWLHV >«@DUHDQHVVHQWLDOIRUPRIVRFLDOFDSLWDO7KHGHQVHUVXFKQHWZRUNVLQDFRPPXQLW\WKHPRUH OLNHO\WKDWLWVFLWL]HQVZLOOEHDEOHWRFRRSHUDWHIRUPXWXDOEHQHILWV³ 1DFK3XWQDP VLQGYRUDOOHPIRUPDOH1HW]ZHUNHHLQZLFKWLJHU%HVWDQGWHLOGHVVR]LDOHQ .DSLWDOVLQHLQHU5HJLRQ'LHVHIRUPDOHQ1HW]ZHUNH]HLFKQHQVLFKGXUFKLKUH)|UGHUXQJ]LYLO JHVHOOVFKDIWOLFKHQ(QJDJHPHQWVDXV$XFKDOVVRJHQDQQWHVIRUPDOHVVR]LDOH.DSLWDOEH]HLFKQHW *HVWKXL]HQHWDO ZLUGGLHV]XPHLVWLQ6XUYH\VZLH62(3:96(96(66$//%86  HQWZHGHUGXUFK9RUKDQGHQVHLQHLQHU0LWJOLHGVFKDIWGXUFKÄ-D³Ä1HLQ³ RGHUGXUFKGLH,QWHQ VLWlWGHUUHJHOPl‰LJHQ7lWLJNHLWLP62(3EVSZÄWlJOLFK³ÄPLQGHVWHQVHLQPDOSUR:RFKH³ 

9.3 Operationalisierung der Variablen

103

„mindestens einmal pro Monat“, „seltener“ oder „nie“) abgefragt. Das SOEP fragt in unterschiedlichen Abschnitten schwerpunktartig nach der Mitgliedschaft im Rahmen von sozialen oder politischen sowie beruflichen Netzwerken. Die Variablen umfassen:        

Die Beteiligung in Bürgerinitiativen, in Parteien, in der Kommunalpolitik (BÜRGERINITIATIVE). Die Ehrenamtliche Tätigkeiten in Vereinen, Verbänden oder sozialen Diensten (EHRENAMT). Den Kirchgang, Besuch religiöser Veranstaltungen (KIRCHE). Die Mitgliedschaft in einer Gruppe oder Organisation, die sich für die Erhaltung und den Schutz von Umwelt und Natur einsetzt (UMWELT). Die Mitgliedschaft in einer Gewerkschaft (GEWERKSCHAFT). Die Mitgliedschaft in einem Berufsverband (BERUF). Die Mitgliedschaft im Betriebs- oder Personalrat der Firma oder Behörde, in der Sie arbeiten (BETRIEB). Die Mitgliedschaft in einem Verein oder einer sonstigen Organisation (SONSTIGE).

Der dritte Teilaspekt der Sozialkapitalindikatoren stellt somit die Teilnahme an Netzwerken dar. Die ersten drei Items (BÜRGERINITIATIVE, EHRENAMT, KIRCHE) wurden in Form der Ausübung (Intensität der Tätigkeit auf einer fünfstufigen Einteilung täglich, „mindestens einmal pro Woche“, „mindestens einmal pro Monat“, „seltener“ oder „nie“) alle zwei Jahre abgefragt (2003, 2005, 2007, 2009, 2011, 2013, 2015). Sie sind mit sieben Erhebungswellen am häufigsten vertreten, wobei nur vier Erhebungszeitpunkte (2003, 2007, 2011 und 2015) verwendet werden, um die Berechnungen mit den anderen Items zu ermöglichen, da die generelle Mitgliedschaft wurde alle vier Jahre formal vom SOEP (2003, 2007, 2011 und 2015) abgefragt („Ja“/„Nein“). Die Skalierung ist entsprechend dichotom. Die aggregierten Ausprägungen werden erhalten, indem pro Region der durchschnittliche Prozentsatz ermittelt wird, mit der die Befragten eine Mitgliedschaft bejahten. Die Ausprägungen der drei ersten Items – BÜRGERINITIATIVE, EHRENAMT, KIRCHE – setzten sich aus dem Prozentsatz der ersten drei Skalenpunkte („täglich“ bis „mindestens einmal pro Monat“) zusammen, da hier von einer regelmäßigen Ausübung ausgegangen werden kann. Somit ergeben sich auch hier Werte zwischen 0 und 1, die als der prozedurale Anteil der Region betrachtet werden können, welche die regelmäßige Beteiligung zu dem Merkmal vertreten.

Korruption Nachdem die Sozialkapitalindikatoren operationalisiert wurden, soll zur Beantwortung der zweiten Forschungsfrage (der Einfluss der Sozialkapitalindikatoren auf die Korruption) die Korruption in ihrem empirischen Gebrauch vorgestellt werden. Die Korruption kann jedoch nicht erfasst werden, da sie sich typischerweise im Verborgenen abspielt und demnach keine genauen Daten vorliegen. Vielmehr werden zur Operationalisierung von Korruption entweder

104

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Einschätzungen von Experten (zum Korruptionsniveau), Surveydaten oder Hellfelddaten herangezogen. Die Problematik der Hellfelddaten wurde in Kapitel 7.1 im Hinblick auf die Untersuchung von Levels et al. (2015) bereits kurz erörtert. Die Korruptionseinschätzung ist bei länderübergreifenden Untersuchungen sinnvoll. In der vorliegenden Arbeit wird jedoch eine subnationale Analyse durchgeführt, sodass auf Surveydaten zurückgegriffen wird. Die Einstellung zur Korruption wird hierbei als negative Auswirkung sozialen Kapitals aufgefasst. In der Forschungsliteratur wird typischerweise die Korruption als Gegenspieler des sozialen Vertrauens als Sozialkapitalindikator genutzt. Die Operationalisierung der Korruption ist die letzte Komponente der Surveydaten.

9.3.4.1 Erfassung der Korruption Korruption ist messtheoretisch nicht einfach zu erfassen. Einerseits wird die Befürwortung von Korruption und Bestechung, zumindest in westlichen Ländern größtenteils gesellschaftlich verurteilt, sodass bei Umfragen eine soziale Erwartung zu berücksichtigen ist. Anderseits ist das Ausmaß an Korruption und Bestechung bspw. in einer Region oder einem Land kaum zu erfassen, da Korruption und Bestechung unter Ausschluss der Öffentlichkeit stattfinden. In einer Korruptionsbeziehung findet ein Austausch von Gefälligkeiten statt, der beide Seiten zu einem Vorteil verhilft. Beide Parteien haben ein Interesse daran ihre Absprachen geheim zu halten. Gleichzeitig gibt es bei einer Korruptionsbeziehung kein direktes Opfer, welches ein eigenes Interesse daran hätte, den Fall öffentlich zu machen. In einem internationalen Ländervergleich ist der Korruptionswahrnehmungsindex (CPI), erstellt durch Transparency International, eines der bekanntesten Instrumente zur Erfassung von Korruption auf der Länderebene. Der CPI gibt die Einschätzung von Experten (u. a. Analysten) hinsichtlich der Korruptionswahrnehmung wieder. Für Vergleiche auf nationaler Ebene der Korruptionswahrnehmung kann einerseits auf Umfragedaten zurückgegriffen werden, welche die Einschätzung der Probanden in ihrem Umfeld abbilden. Diese Umfragedaten geben die subjektive Wahrnehmung wieder. Andererseits kann ein objektiver Indikator herangezogen werden, der die tatsächliche Häufigkeit von Korruptionsfällen misst. Zum Beispiel ist die polizeiliche Kriminalstatistik (PKS) ein solcher Indikator, der durch das jeweilige Landeskriminalamt unter dem Schlüssel 650000 die Bestechung und Vorteilsnahme für Regionen erfasst. Die PKS dokumentiert die offiziell zur Anzeige gebrachten Fälle. Im Gegensatz zum sogenannten Dunkelfeld repräsentiert der Erfassungsschlüssel zur Bestechung und Vorteilsnahme der PKS eine Hellfeldziffer. Das Dunkelfeld umfasst alle getätigten Korruptionsfälle, die nicht offiziell wurden.65 In der vorliegenden Arbeit soll die Einstellung zur Korruption in der Region erfasst werden, sodass auf Umfragedaten zurückgegriffen wird. Die internationalen Surveys, wie der WVS/EVS oder auch das Eurobarometer, enthalten Fragen, inwiefern Korruption wichtig ist 65

Auf die Problematik der PKS soll hier nicht weiter eingegangen werden, jedoch wird Korruption in den jeweiligen Bundesländern unterschiedlich stark verfolgt (vgl. Müller 2012).

9.3 Operationalisierung der Variablen

105

bzw. benötigt wird, um die eigenen Ziele zu verwirklichen. Da diese Daten jedoch lediglich auf der Individualebene vorliegen und zusätzlich die Information der Bundesländer beinhalten, können die Daten nicht auf die gewünschte Ebene der Raumordnungsregion aufgeschlüsselt werden. Der ALLBUS66 stellt unter gesonderten Bedingungen67 die Ebene der Raumordnungsregionen zur Verfügung, sodass die Individualdaten diesen zugespielt werden können. Um die wahrgenommene Verbreitung von Korruption in Regionen zu erfassen, wird auf ein Item des ALLBUS’ zurückgegriffen. Im ALLBUS 2004 sowie 2014 werden die Probanden danach gefragt: „Wie kommt man in unserer Gesellschaft am ehesten nach oben? Beurteilen Sie bitte die Wichtigkeit der Eigenschaften und Umstände auf diesen Karten [Weg zum Erfolg: BESTECHUNG, KORRUPTION]“ (KORRUPTION). Dieses Item wird auf einer vierstufigen Likert-Skala erfasst. Die Zustimmung, inwiefern Korruption und Bestechung in der Bundesrepublik wichtig sind, um Erfolg zu haben, ergibt den prozentualen Wert in einer Raumordnungsregion. Die Skalenpunkte „sehr wichtig“ und „wichtig“ werden zusammengefasst und auf der Ebene der Raumordnungsregion aggregiert, sodass sich Werte zwischen 0 und 1 ergeben. Die Werte repräsentieren den prozeduralen Anteil hinsichtlich der Wichtigkeit über Korruption persönlich weiterzukommen in der Region. Es wird also nicht die tatsächliche Korruption gemessen, weder die reale Häufigkeit noch die Experten-Einschätzung von Korruptionsfällen in einer Region, sondern die Wahrnehmung, ob man durch unlautere Tauschbeziehungen eher erfolgreich ist bzw. seine Ziele verwirklichen kann. Es soll im Rahmen der zweiten Forschungsfrage untersucht werden, inwiefern das generalisierte Vertrauen, die verbreitete Einstellung der Reziprozität und die Netzwerkaktivitäten Einfluss auf diese Wahrnehmung haben. Nach der Beschreibung der Umfragedaten werden im Anschluss die Kontrollvariablen veranschaulicht, die regionale Kontextinformationen beinhalten. Da die Umfragedaten auf Individualdaten basieren und für die vorliegende Arbeit aggregiert wurden, wird danach anschließend auf die Besonderheit von Aggregatdaten eingegangen.

66

67

Das ISSP fragt ebenfalls zur Korruption im öffentlichen Amt/Dienst und Politiker. Diese Items erscheinen aber unangebracht, da diese Wahrnehmung stark durch die Medien geprägt wird. Darüber hinaus gibt dieses Item nichts zur eigenen Einstellung preis. Der ALLBUS Datensatz mit Raumordnungsregionen ist im Secure Data Center beim GESIS-Datenarchiv für Sozialwissenschaften in Köln zugänglich. Um Zugang zu den Daten zu erhalten, sind Forscher verpflichtet, einen speziellen Datennutzungsvertrag zu unterzeichnen und in einer individuell eingerichteten sicheren, virtuellen Arbeitsumgebung zu arbeiten.

106

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Kontrollvariablen Zur Berechnung der zweiten Forschungsfrage werden drei Kontrollvariablen hinzugenommen und in Bezug zur Wichtigkeit von Korruption als Mittel zum Erfolg gesetzt. Das Bruttoinlandprodukt (je Erwerbstätigen) wird verwendet, um regionale Unterschiede im Bezug auf die Prosperität abzubilden. Die theoretisch postulierte Einflussrichtung der Korruption auf den Wohlstand ist negativ, was auch in Studien zuvor bestätigt wurde (z. B. Graeff & Svendsen 2013). Die Begründungen dazu lassen sich aus den korrupten Tauschgeschäften selbst herleiten, die den Beteiligten individuelle Vorteile bringen, aber üblicherweise auch mit gesellschaftlichen Kosten verbunden sind. Diese externen Kosten der Gesellschaft wirken sich u. a. auch auf die Volkswirtschaft aus, indem kompetentere Konkurrenten benachteiligt werden (Lambsdorff 2007: 59). „Korruption zerstört den Wettbewerb und somit den Mechanismus, der Angebot und (öffentliche) Nachfrage zu einem optimalen und effizienten Ergebnis führt“ (Beck & Nagel 2012: 36). Durch korrupte Geschäfte im öffentlichen Bereich werden bspw. Aufträge vergeben, die ggf. eine qualitativ schlechtere Dienstleistung aufweisen und kostenintensiver sind, was höhere Steuerausgaben zu Folge haben kann (Beck & Nagel 2012). Darüber hinaus nehmen die Transaktionskosten der Geschäftsabwicklung zu. Dies kann das Wirtschaftswachstum negativ beeinflussen. In Regionen, in denen korrupte geschäftliche Prozesse unüblich sind, ist daher die wirtschaftliche Prosperität höher. Auf der Operationalisierungsebene können die von INKAR bereitgestellten Daten zum Bruttoinlandsprodukt als Indikator für den regionalen wirtschaftlichen Wohlstand verwendet werden. Sie liegen für die Jahrgänge 2000–2014 vor. Als Messgröße wird ein Quotient verwendet, der das Bruttoinlandsprodukt eines Jahres durch die Anzahl der Erwerbstätigen im selben Jahr durch 1.000 teilt, sodass der Wert das Bruttoinlandsprodukt in 1.000 € je Erwerbstätigen einer Raumordnungsregion wiedergibt (INKAR 2017). Für die zweite Kontrollvariable – den „siedlungsstrukturellen Regionstyp“ (BBSR Bonn 2017) – kann ebenfalls auf INKAR zurückgegriffen werden. Bei diesem Indikator werden die Raumordnungsregionen den drei Kategorien „ländliche Regionen“, „Regionen mit Verstädterungsansätzen“ und „städtische Regionen“ zugeordnet. Die beiden Kategorien „Regionen mit Verstädterungsansätzen“ und „städtische Regionen“ werden zu einer dichotomen Variablen STADTLAND zusammengezogen. „0“ bezeichnet die ländlichen Regionen, „1“ die städtischen Regionen bzw. Regionen mit Verstädterungsansätzen. Eine Begründung für die Wahl dieser Kontrollvariablen liefern Studien, die Korruption und Urbanität miteinander in Beziehung setzen. Engels & Monier (2017: 16 ff.) analysieren Korruption aus historischer Perspektive als „Phänomen der Großstadt“ und ziehen Parallelen zur generellen Kriminalität. Anhand historischer Untersuchungen zu Stadt und Korruption zeigen Engels & Monier (2017) auf, dass durch das Bekanntwerden der korrupten öffentlichen (meist städtischen) Behörden sowie der medialen Berichterstattung darüber der Stereotyp der „korrupten Stadt“ (2017: 16) entstand.

9.4 Aggregatdaten

107

Als Beispiel sei an dieser Stelle auch der in der Republik weit verbreitete, bereits erwähnte sogenannte kölsche Klüngel genannt (Überall 2007, Scheuch & Scheuch 2013), der die Grauzone zwischen legalen und korruptionsbezogenen Austauschbeziehungen vor allem in der Kölner Kommunalpolitik bezeichnet. Engels & Monier (2017: 20) thematisieren die Korruptionsvorwürfe aus dem Jahr 1930 gegenüber der städtischen Ausgabenpolitik des Kölner Oberbürgermeisters Konrad Adenauer. Aber auch andere Großstädte weisen größere Häufigkeiten von Korruptionsskandalen auf, wie die Autoren in ihrer historischen Analyse zeigen. Dazu gehören Marseille, London und Berlin. Solche (öffentlichen) Skandale führten dazu, dass Städte eher mit Korruption assoziiert werden als ländliche Regionen. In ländlicheren Regionen, so die öffentliche Wahrnehmung, würden dagegen eher „Beziehungsskandale“ (Engels & Monier 2017: 16) stattfinden. Die Bezeichnung der Beziehungsskandale in den ländlichen Regionen ist irreführend, da schließlich auch Korruptionsskandale auf Beziehungsdelikten beruhen. Der Hauptunterschied ist aber, dass Korruptionsskandale im ländlichen Raum seltener thematisiert werden als in Städten. Die dritte Kontrollvariable teilt die Raumordnungsregionen den alten und neuen Bundesländern zu. Einzig Berlin, welches zur Zeit der Deutschen Demokratischen Republik (DDR) geteilt war und heute in einer einzelnen Raumordnungsregion aufgeführt wird, wird dem Osten Deutschlands zugeschrieben. Die dritte Kontrollvariable (OSTWEST) erfasst mit der Ausprägung „0“ die ostdeutschen und mit der „1“ die westdeutschen Bundesländer. Die dritte Kontrollvariable bildet mit ihrer Aufteilung nach Ost und West möglicherweise auch eine unterschiedliche historische Prägung im Nachkriegsdeutschland ab. Möglicherweise beeinflusst die unterschiedliche Sozialisation durch die politischen Systeme bis 1989 die Korruptionswahrnehmung bis heute. Eine Unterstützung für diese Vermutung liefern die Werte des CPI, wenn west- und osteuropäische Länder auch anhand jüngster Daten miteinander verglichen werden. Nach diesen Daten werden die osteuropäischen Länder der ehemaligen Sowjetunion bzw. mehrheitlich die osteuropäischen Länder als stärker korrupt eingestuft als die nord-westlichen europäischen Länder (CPI von 2014).

9.4

Aggregatdaten

Wie bereits zuvor geschildert, werden in der vorliegenden Arbeit die Erhebungen des SOEP als Datengrundlage verwendet. Diese Daten werden auf der Individualebene erfasst. Da das Forschungsinteresse sich auf die Ausprägung und den Zusammenhang der Sozialkapitalindikatoren auf regionaler Ebene richtet und eine Zusammenführung der unterschiedlichen Datenquellen auf einer höher gelagerten Stufe als der Individualebene vorgenommen werden muss, ist es erforderlich, die Datensätze auf die Ebene der Raumordnungsregionen zu aggregieren. „Aggregation bedeutet, dass Merkmale von Individuen zu einem Makromerkmal zusammengefasst werden“ (Opp 2014: 163; Hervorh. im Original). Diese Aggregate basieren auf

108

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

einer mathematischen Berechnung (Graeff 2014: 915; Opp 2014: 163). Im vorliegenden Fall geben die Aggregatdaten den prozentualen Wert in einer Raumordnungsregion für das entsprechende Merkmal wieder. Beispielsweise zeigen die Werte bei den Items der Netzwerke, wie viel Prozent der Befragten bejahen, ob sie einer bestimmten Organisation angehören. Die Werte der Items zu Reziprozität oder generalisiertem Vertrauen geben die prozentuale Häufigkeit pro Region von Befragten an, die sagten, reziprok bzw. vertrauensvoll zu handeln. Werden jedoch Aussagen auf aggregierter Ebene gemacht, dann stellen häufig Messfehler ein Problem dar (Graeff 2014: 918). Die Messfehler können bspw. durch gewichtete Aggregierungsprozesse entstehen. Es ergeben sich deutliche Unterschiede, wenn gewichtete Berechnungen ungewichteten gegenübergestellt werden, die auf gleichen Individualdaten basieren. Vor allem bei Vergleichen über die Zeit ist die Messfehlerproblematik eine typische Schwierigkeit (Graeff 2014: 918). Das SOEP stellt Gewichtungen für jede Querschnittserhebung sowie für Panelanalysen zur Verfügung. Diese Gewichtungen gleichen auch Unterschiede in den Daten auf der Individualebene aus, wenn bspw. Regionen in Ostdeutschland oder Migranten und Zuwanderer überproportional repräsentiert werden (Goebel et al. 2008: 88). Ein weiterer Kritikpunkt an den Aggregatdaten bezieht sich auf die Tatsache, dass nur „relativ wenige und nicht immer ausgewählte Fälle“ (Graeff 2014: 921; Hervorh. im Original) bei der aggregierten Einheit zugrunde liegen, die zu inferenzstatistischen Verzerrungen führen können. Da bspw. ostdeutsche Regionen gering besiedelt, häufig aber überproportional repräsentiert sind, sind auch auf höher gelegenen Aggregatebenen Analysen möglich, die den Kritikpunkt der wenigen und nicht ausgewählten Fälle zurückweisen. Diese Kritik gilt allerdings nicht für das SOEP. Seit der Stichprobenerweiterung des SOEPs im Jahr 2000 werden die Raumordnungsregionen im Durchschnitt durch eine akzeptable Anzahl von etwa 200 Haushalten vertreten (Spieß 2005: 59). Der größte Kritikpunkt der Aggregatdaten bezieht sich jedoch auf den ökologischen Fehlschluss (Graeff 2014: 921). Er entsteht, da „man Schlussfolgerungen von empirischen Ergebnissen auf der Makroebene auf die Mikroebene überträgt“ (Graeff 2014: 921). Es werden also Schlussfolgerungen aus aggregierten Daten gezogen, die bei tiefer gegliederten Einheiten, wie z. B. auf der Individualebene, nicht mehr zutreffen. Um diesem Fehlschluss zu entgehen, werden soweit möglich parallele Analysen auf der Individualebene durchgeführt und die Ergebnisse verglichen. Die umgekehrt wirkende „Aggregationsproblematik“ (Opp 2014) liegt vor (ein sogenannter individualistischer Fehlschluss), wenn Schlussfolgerungen aus Daten auf Individualebene nicht für das Aggregat gültig sind. Um die Aggregationsproblematik zu vermeiden, müssen nach Opp (2014) zwei Fragen geklärt werden. Erstens sollte deutlich sein, was die Makroeigenschaft ist. Zweitens sollte herausgearbeitet werden „auf welche individuellen Merkmale sich die Makroeigenschaft bezieht“ (Opp 2014: 164). In dieser Studie stellen die einzelnen Sozialkapitalindikatoren die Makroeigenschaften dar. Es werden also herangezogen: das durchschnittliche generalisierte Vertrauen, die durchschnittliche Einstellung zur Reziprozität, die durchschnittliche Anzahl der Mitgliedschaften in Organisationen sowie die durchschnittliche Durchführung zivilgesellschaftlicher Tätigkeiten in einer Region. Diese Makroeigenschaften

9.4 Aggregatdaten

109

geben zusammen die Höhe des Sozialkapitals einer Region wieder. Hierzu werden die repräsentativen Erhebungen des SOEPs herangezogen, bei denen jedes dieser Merkmale mit drei oder mehr Items erfasst wurde. Die regional durchschnittliche Wichtigkeit von Korruption für den persönlichen Erfolg ist eine weitere Makroeigenschaft, die in dieser Studie verwendet wird. Um diese zu erfassen, werden Daten des ALLBUS verwendet. Im Sinne der oben formulierten Fragestellungen werden diese Aggregatvariablen verwendet, um den Einfluss der einzelnen Sozialkapitalindikatoren in einer Region auf die Einstellung zum negativen Sozialkapital zu überprüfen. Ein nicht zu unterschätzender Vorteil von Aggregatdaten ist, dass verschiedene Datenquellen auf der Ebene des Aggregats verbunden werden können. Dazu werden aus Individualdaten Aggregate gebildet, die dann z. B. durchschnittliche oder prozentuale Ausprägungen von Merkmalen in einer bestimmten Region wiedergeben. Da das SOEP z. B. keine Fragen zur Einstellung hinsichtlich der Wichtigkeit von Korruption beinhaltet oder die Korruptionsneigung der Befragten abbildet, muss zwingend auf andere Datensätze zurückgegriffen werden, wenn der Einfluss der Sozialkapitalindikatoren auf die Korruptionsneigung überprüft werden soll. Aus meiner Sicht stellt die Kombination mehrerer Datenquellen und die Kombination von Erhebungs- und Strukturdaten eine bessere Grundlage dar, um Schlussfolgerungen über die Abhängigkeitsstruktur zwischen den Variablen zu ziehen, als lediglich eine der Datenquellen bzw. arten. Typischerweise wird in großen Bevölkerungserhebungen die Repräsentativität der Population nur an wenigen Merkmalen festgemacht. Es ist eine bisher unbeantwortete Frage, ob die Existenz eines common-method-Bias68 in repräsentativen Umfragedaten überhaupt auftreten kann. Sofern aber der Umfang der Repräsentativität nicht ausreichend wäre, würde damit eine Verzerrung durch das Erhebungsinstrument ins Spiel kommen, die durch die Hinzunahme anderer Datenarten und -quellen reduziert werden könnte. Da es sich bei den Makroeigenschaften der einzelnen Sozialkapitalindikatoren um latente Konstrukte handelt, die über mehrere Items und mindestens drei Umfragezeitpunkte erhoben wurden, muss zunächst die Beständigkeit dieser Konstrukte über die jeweiligen Indikatoren ermittelt werden. Dazu wird das Verfahren der Messinvarianz anwendet. Dieses Verfahren wird im Folgenden vorgestellt.

68

Der commom-method-Bias (vgl. Chang et al. 2010, Podsakoff et al. 2003) kommt dadurch zustande, dass die erklärende sowie die zu erklärende Variable aus derselben Datenquelle stammen. Chang et al. (2010: 178) beschreiben die Verzerrung als eine offensichtliche Korrelation zwischen Variablen aus derselben Datenquelle: „self-report data can create false correlations if the respondents have a propensity to provide consistent answers to survey questions that are otherwise not related. Thus, common methods can cause systematic measurement errors that either inflate or deflate the observed relationships between constructs, generating both Type I and Type II errors.“

110

9.5

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Messinvarianz

Die Messinvarianz zählt zu den psychometrischen Methoden und basiert auf der Annahme latenter Konstrukte. Latente Konstrukte werden zur Erfassung von Einstellungen, Wahrnehmungen oder Verhaltensaussagen herangezogen und in der Regel über ein Set an Items (Multi-ItemSkalen) erhoben, wenn das zugrundeliegende Phänomen nicht direkt oder nur schwer messbar ist. Diese Multi-Item-Skalen sind manifeste Variablen, die zur Erfassung des latenten Konstrukts dienen. Dabei wird angenommen, dass das Konstrukt bzw. Phänomen die Befragten zu bestimmten Reaktionen in ihrem Antwortverhalten veranlasst. Um das Antwortverhalten zu einem bestimmten Phänomen in unterschiedlichen Populationen zu vergleichen, wird angenommen, dass durch die Items des Fragebogens das latente Konstrukt in gleicherweise für Mitglieder unterschiedlicher Gruppen erfasst wird. Die Items (und gleichermaßen das zugrundliegende Phänomen als latentes Konstrukt) werden dann auch in vergleichbarer Weise interpretiert (van de Schoot et al. 2012).69 Die Messinvarianz geht diesem Anspruch nach und prüft, inwiefern verschiedene Gruppen (bspw. Vergleiche über Länder, unterschiedliche Messzeitpunkte oder Messinstrumente) das zugrundliegende hypothetische Konstrukt gleichermaßen erfassen (vgl. Mayerl 2017; Coromina & Davidov 2013; Widaman et al. 2010; Lang et al. 2011). Wird diese Prüfung nicht vollzogen, kann es zu missverständlichen Interpretationen kommen. So werden Rückschlüsse auf das Konstrukt gezogen, wobei auf die Items in unterschiedlichen Gruppen ggf. verschieden geantwortet wurde, sodass Gruppendifferenzen nicht vergleichbar und aussagekräftig sind. Diese verschiedenen Erwiderungen können auch aufgrund von Unterschieden im Verständnis oder in der Reaktion auf die Skalen auftreten (spezifische Assoziationen oder Konnotationen), sodass diese Bewertungen folglich nicht in derselben Art und Weise interpretiert werden sollten (Bowen & Mesa 2015: 230; vgl. Chen 2008). „Hier ist gefordert, dass die Messbeziehungen zwischen den beobachteten Indikatoren und ihren zugrunde liegenden latenten Variablen in den Gruppen gleich sind. Nur so ist sichergestellt, dass z. B. bei gleicher Ausprägung einer latenten Variablen in allen Gruppen auch für die einzelnen Indikatoren die jeweils gleichen Werte in den Gruppen zu erwarten sind“ (Temme & Hildebrandt 2009: 139). Bei der Prüfung auf Messinvarianz wird ein hierarchisches Testen mit zunehmend strengeren Restriktionen durchgeführt (vgl. Mayerl 2017: 188). Mittels einer Konfirmatorischen Faktorenanalyse (CFA) kann sodann zwischen konfiguraler Invarianz, metrischer (bzw. schwacher), skalarer (bzw. starker) und strikter (einzigartiger) Messinvarianz unterschieden werden (vgl. Bowen & Mesa 2015; Dimitrov 2010). Darüber hinaus können die Modelle auch auf faktorielle Invarianz überprüft werden, die die Beständigkeit der Varianz (und Kovarianz) des latenten Faktors70 betrifft (Dimitrov 2010: 125). Zusammengefasst sind die konfigurale Invarianz, die 69 70

Baur (2014: 268 ff.) spricht einen ähnlichen Aspekt an, in dem sie nicht nur auf die Äquivalenz der Konzepte, sondern auch auf die Äquivalenz der Instrumente oder der Durchführungspraxis hinweist. Üblicherweise werden die Varianz und der Mittelwert des Faktors über die Gruppen hinweg invariant gehalten (Mayerl 2017: 188).

9.5 Messinvarianz

111

Messinvarianz sowie die faktorielle Invarianz Aspekte der faktoriellen Invarianz (Dimitrov 2010; Meredith & Teresi 2006). Abbildung 6 verdeutlicht das generelle Modell der Konfirmatorischen Faktorenanalyse, auf welchem die Prüfung der Messinvarianz basiert. Ƞj stellt dabei das latente Konstrukt dar, κ den dazugehörigen latenten Mittelwert. Die manifesten Items (yi) stellen die Indikatoren des latenten Faktors dar. Die Indikatoren werden dabei einerseits über die Faktorladungen (λij), die Zugehörigkeit zum Faktor ausdrücken, bestimmt und andererseits über ihren Intercept 71 (τi) und ihren zufälligen Messfehler (ei) (Coromina & Davidov 2013: 41; vgl. für generellen Überblick Bollen 1989).

Abbildung 6: Struktur eines latenten Konstrukts (Coromina & Davidov 2013: 41)

Generelles Vorgehen Als Ausgangspunkt wird in der Regel ein Grundmodell für alle Gruppen erstellt, welches jeweils gleich aufgebaut sein sollte. Um ein Modell auf Messinvarianz zu überprüfen, wird die Anpassungsgüte aufeinanderfolgender Modelle verglichen. Hierbei sind die aufeinander aufbauenden Modelle hinsichtlich ihrer eingeschränkten Parameter genestet (sogenanntes nested Model). Diese Parameter betreffen normalerweise die Faktorladungen, die Intercepts und die residualen Varianzen (Bowen & Mesa 2015: 231). Das Testen auf Messinvarianz kann nach zwei verschiedenen Ansätzen vollzogen werden: entweder nach der sogenannten forward-Methode oder der sogenannten backward-Methode. Bei der backward-Methode werden alle möglichen Restriktionen angewendet und schrittweise gelockert. Bei der forward-Methode werden schrittweise Restriktionen hinzugefügt (Dimitrov 2010: 125).

71

Die Begriffe Intercept, Konstante und Achsenabschnitt werden synonym verwendet.

112

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Üblicherweise wird zur Überprüfung der Messinvarianz mit der Testung der konfiguralen Invarianz begonnen, die eine gleiche (Faktor-)Struktur des Modells über alle Gruppen – im weiteren Verlauf sind hier die Erhebungswellen gemeint – hinweg gewährleisten soll. Das bedeutet, dass die Items in den unterschiedlichen Gruppen in vergleichbarer Weise auf demselben Faktor laden. Es werden keinerlei Restriktionen angesetzt, lediglich das Marker-Item wird bestimmt (Bowen & Mesa 2015: 231). Hierzu wird ein Item als Marker gesetzt – auch ReferentIndikator (Johnson et al. 2009) genannt – indem die Faktorladung auf 1.0 festgelegt wird, wodurch der Faktor dieselbe Skalierung wie das Marker-Item erhält (Steenkamp & Baumgartner 1998: 81). Ziel ist die Identifikation. Sollte die konfigurale Invarianz bereits nicht standhalten, also die Items auf unterschiedlichen Faktoren über die Gruppen hinweg laden und/oder die Ladungen sich stark unterscheiden, liegen unterschiedliche Konzepte vor (Temme & Hildebrandt 2009: 149). Wurde die Modelstruktur über die Gruppen hinweg als gleichbleibend erachtet, folgt die eigentliche Testung der Messinvarianz unter Hinzunahme von ersten Restriktionen. Wenn sich die Faktorladungen über die Gruppen hinweg als invariant erweisen, kann von einer äquivalenten Beziehung zwischen den Indikatoren (manifeste Items) und dem latenten Konstrukt ausgegangen werden (Dimitrov 2010: 124). Die Modellgüte, die aus dem Modell mit den Kriterien der metrischen Invarianz resultiert, wird mit der der konfiguralen Invarianz verglichen (Bowen & Mesa 2015: 231). Werden diese Kriterien erfüllt, liegt metrische Messinvarianz vor und die nächsthöhere Stufe kann getestet werden. „Under weak measurement invariance, (a) the relations between the latent factor and external variables can be compared across groups because a one-unit change in one group would be equal to one-unit change in any other group, yet (b) the factor means cannot be compared, as the origin of the scale may differ across groups“ (Dimitrov 2010: 124). Bei der nächsten zusätzlichen Restriktion werden neben den Faktorladungen auch die Konstanten gleich belassen. Es erfolgt ein Test auf skalare Messinvarianz (starke Invarianz). Nach Bowen & Mesa (2015: 231) ist dies die meist gewünschte Stufe in Forschung und Praxis, da Unterschiede in den Ausprägungen des Faktors nun auf das wahre Niveau in dem zugrundeliegenden Konstrukt zurückgeführt werden. Es können also die Mittelwerte des Faktors miteinander verglichen (Dimitrov 2010: 124) und hypothetische Zusammenhänge über die Faktoren getestet werden (Bowen & Mesa 2015: 231). Wird die skalare Invarianz nicht erreicht, liegt ein sogenannter Item-Bias (Dimitrov 2010: 124) vor, der auf gruppenspezifischen Mittelwertunterschieden basiert. Die letzte Stufe der Messinvarianz ist die strikte Invarianz. In diesem Level müssen die konfigurale, die metrische und die skalare Invarianz gegeben sein, sodass neben der Faktorstruktur, den Faktorladungen sowie den Konstanten auch die residualen Varianzen invariant gehalten werden können. Liegt strikte Invarianz vor, ist dies ein Indiz dafür, dass die Items mit derselben Präzision gemessen wurden (Dimitrov 2010: 124). Ungleiche Messfehlervarianzen können auf unterschiedliche Reliabilität und Selektionsgenauigkeit hindeuten (Temme & Hildebrandt

9.5 Messinvarianz

113

2008: 149). Die Abbildung 7 verdeutlicht die einzelnen Schritte der Messinvarianz noch einmal.

strikte Invarianz

skalare Invarianz

metrische Invarianz

konfigurale Invarianz

•Residuen sind zusätzlich konstant

•Intercepts sind zusätzlich konstant

•Faktorladungen sind konstant

•Struktur ist gleichbleibend

Abbildung 7: Abstufungen der Messinvarianz (eigene Darstellung)

Soll über die Messinvarianz auch die faktorielle Invarianz geprüft werden, werden die Kovarianzen und Varianzen des Faktors invariant gehalten.72 „In the context of construct validation, a decision regarding whether testing for structural invariance should be conducted would depend on whether the variability of target constructs and/or correlational relationships among them are deemed relevant to the generalizability aspect of validity“ (Dimitrov 2010: 125). Wenn alle möglichen Restriktionen zusammen Anwendung finden, spricht man auch von einer faktoriellen Invarianz (Gregorich 2006; Dimitrov 2010), die sich empirisch nur selten finden lässt (vgl. Milfont & Fischer 2010; Ippel et al. 2014). Der Vorteil dieses schrittweise aufeinander aufbauenden Testens ist nach Dimitrov (2010: 125), dass sich einerseits genau sagen lässt, welche Invarianz-Stufe der Testung standhält, wodurch weitere Testungen bei Nicht-Erreichung einer Stufe überflüssig werden. Andererseits lässt sich die Testung der Messinvarianz – vor allem bei komplexen Modellen – mit dem abbauenden

72

Andere Autoren empfehlen auch den Mittelwert des latenten Faktors hinsichtlich auf Invarianz zu prüfen (vgl. Marsh et al. 2009).

114

9 Voraussetzungen, Operationalisierung und methodisches Verfahren

Verfahren bei schlechter Anpassungsgüte schwieriger kontrollieren, da neben der Messinvarianzprüfung auch die Anpassungsgüte gleichzeitig ermittelt wird. Die Unterscheidung zwischen einem Modell und dem vorherigen kann über die Differenzen in Chi2-Werten und deren Freiheitsgraden bestimmt werden, da für jedes Modell über alle Gruppen genau ein Chi2-Wert vorliegt (Bollen 1989: 361). Hierbei wird die Differenz zwischen dem restriktiveren Modell und dem weniger restriktiven Modell gebildet (∆ = ∆ − ∆ ). Sollte diese Differenz auf dem 5 %-Niveau nicht signifikant sein, wird von einem statistisch nicht signifikanten Unterschied ausgegangen, sodass einer weiteren Testung auf Messinvarianz nachgegangen wird (Dimitrov 2010: 125).

Partielle Messinvarianz Nach Steenkamp & Baumgartner (1998: 81) ist volle Messinvarianz nicht unbedingt nötig, um Vergleiche des latenten Konstrukts vorzunehmen. Auch Dimitrov (2010: 127) ist der Ansicht, dass weitere Tests notwendig sind, wenn eine Stufe der Messinvarianz nicht erreicht wird. Die weitere Testung erfolgt mit Submodellen, deren Parameter teilweise frei variieren dürfen, denn „given the stringent nature of the hypotheses for invariance, the invariance is a matter of degree estimated by the proportion of parameters that are invariant“. In diesem Fall, wo nur teilweise die Parameter invariant sind, wird von einer partiellen Messinvarianz gesprochen (Millsap & Olivera-Aguilar 2012: 383; Dimitrov 2010: 127). Kann bspw. metrische Invarianz festgestellt werden, jedoch die nächst höhere Stufe (skalare Invarianz) nicht, können sogenannte Modifikationsindizes (Dimitrov 2010: 127) darüber Aussage treffen, welches Item sich nicht als invariant einordnen lässt. In der Regel wird das Item mit dem zu erwartenden am stärksten fallenden Chi2-Wert ausgewählt und dessen Parameter (in diesem Fall der Intercept) variant belassen (Dimitrov 2010: 127). Gelingt die Testung auf partielle skalare Invarianz, kann weiter auf partielle strikte Invarianz getestet werden, indem das variante Item ohne weitere Restriktion verwendet wird (Steenkamp & Baumgartner 1998). In der Literatur gibt es keine Empfehlung, wie viele Items variant sein sollten (Bowen & Mesa 2015: 232 f.; Dimitrov 2010: 127; Millsap & Olivera-Aguilar 2012: 384). Dimitrov (2010: 127) schlägt vor, dass lediglich 20 % der vorhandenen manifesten Items variant sein dürfen. Items, welche die Testung auf Invarianz nicht bestehen, sollten dann nicht einfach aus der Skala herausgenommen werden, falls damit wichtige Informationen über die Gruppenunterschiede verloren gingen (Bowen & Mesa 2015: 233). „When true differences in constructs exist across groups, removing affected items has the potential to make the scale less valid as a measure for one or more of the groups tested. Deletions might also reduce the adequacy of domain sampling of the scale in general“ (Bowen & Mesa 2015: 233). Die Autoren resümieren, dass eine geringe Anzahl von varianten Items zulässig sei und überdies immer noch Vergleiche des latenten Faktors hinsichtlich seiner Ausprägung zwischen den Gruppen mögliche wären. Anders verhält es sich hingegen, wenn die Items überwiegend nicht-invariant sind. Dann ist es nicht zulässig die

9.5 Messinvarianz

115

Werte des Faktors über die Gruppen hinweg als gleiches Konstrukt zu interpretieren. Die Konstrukte der einzelnen Gruppen sollten dann unabhängig voneinander betrachtet und separat in einzelnen Modellen aufgenommen werden. Nach Millsap & Olivera-Aguilar (2012: 384 f.) sollten Gruppenunterschiede bei verletzten Kriterien der Invarianz anhand der Effektstärke bemessen werden. Sie erläutern für partielle metrische und partielle skalare Invarianz, wie die Unterschiede zwischen den Gruppen über die Effektstärke berechnet werden könnten, sodass die Forscher dann jeweils datenabhängig eine Entscheidung treffen könnten, ob die partielle Messinvarianz zulässig ist oder nicht. Die Berechnungen werden mit Stata (Version 15) durchgeführt.

10

Konstrukt des sozialen Vertrauens

In diesem Kapitel erfolgt die zuvor beschriebene Prüfung auf Messinvarianz der Sozialkapitalindikatoren (Hypothese 1: Die Sozialkapitalindikatoren nach Putnam erreichen die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen). Es wird mit dem Konstrukt des sozialen Vertrauens begonnen. Bevor es hinsichtlich seiner Messinvarianz über die verschiedenen Erhebungswellen untersucht wird, soll zuvor ein kurzer Überblick über die deskriptive Statistik der einzelnen Items gegeben werden, die das Konstrukt des sozialen Vertrauens konstituieren.

10.1

Deskriptive Statistik

Das erste Item TRUST gibt die Zustimmung zur Aussage „Im Allgemeinen kann man den Menschen vertrauen“ wieder. Aggregiert auf die Raumordnungsebene ist über alle Regionen und alle Jahrgänge ein durchschnittliches Vertrauen von 61,53 % zu verzeichnen (s. Tabelle 1). Im Jahr 2003 stimmen dieser Aussage durchschnittlich etwas weniger zu (60,82 %) (vgl. Tab. B.1). In diesem Jahr weist die Raumordnungsebene Oberland-Spree den niedrigsten Item-Wert auf (37,59 %) und die Region Unterer Neckar den höchsten (87,22 %) (vgl. Tab. B.1.1). Die durchschnittlichen Item-Werte nach weiteren fünf und zehn Jahren schwanken um den oben genannten Mittelwert. So sinkt die Befürwortung des Items TRUST im Jahr 2008 im Durchschnitt auf 58,76 % ab, während es 2013 auf 65 % ansteigt73 (vgl. Tab. B.1). Die größte durchschnittliche Zustimmung ist in der Region Schleswig-Holstein Nord (73,24 %) zu verorten, die geringste in Uckermark-Barnim (44,63 %) (vgl. Tab. B.1.1). Die größten Unterschiede hinsichtlich der aggregierten Prozentwerte waren in der Raumordnungsregion Arnsberg zu verzeichnen, die im Mittel über die Erhebungswellen 2003, 2008 und 2013 zu 61,04 % eher bis voll zustimmen, ob man im Allgemeinen den Menschen vertrauen kann (2008 am wenigsten mit 39,87 % und 2013 am höchsten mit 80,05 %). Die stabilsten Antwortwerte werden in der Raumordnungsregion Braunschweig verzeichnet (ø: 63,65 %; 2008: 62,3 %, 2013: 65,28 %). Dem zweiten Item VERLASS „Heutzutage kann man sich auf niemanden mehr verlassen“ stimmen im Durchschnitt 42,49 % eher bis voll zu (s. Tabelle 1). Analog zum vorherigen VertrauenItem steigen die Prozentwerte 2008 im Mittel am höchsten auf 44,66 % an und sinken 2013 am tiefsten auf 39,78 % ab (vgl. Tab. B.1). Die größten Schwankungen weist die Raumordnungsregion Westmittelfranken auf (SD: 15,84), wo im Schnitt mehr als die Hälfte der Befragten (52,67 %) der Aussage zustimmen (am wenigsten in 2003: 37,15 % und am ehesten in 2008: 68,82 %). Die geringste Streuung innerhalb der drei Erhebungswellen verzeichnet die Region 73

Im Jahr 2008 sank neben dem durchschnittlichen Vertrauen auch die durchschnittliche Streuung innerhalb der Raumordnungsregionen (SD: 2003 = 10,44; 2008 = 9,49) (vgl. Tab. B.1). Arnsberg wies einen Wert von 39,87 % auf, während die Regensburger zu 80,78 % im Allgemeinen den Menschen vertrauten (vgl. Tab. B1.1). 2013 blieb die durchschnittliche Streuung (SD = 9,25) recht stabil, während die Befragten in den Raumordnungsregionen wieder häufiger angeben, dass sie vertrauen. Die Raumordnungsregion Uckermark-Barnim hatte 2013 den niedrigsten Vertrauenswert (42,02 %), während Bodensee-Oberschwaben über den höchsten Prozentwert (93,67 %) verfügt.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_10

118

10 Konstrukt des sozialen Vertrauens

Bremen-Umland (SD: ø 0,93). Sie weist den niedrigsten Prozentwert von 39,20 % in 2008 und dem höchsten Wert von 41,06 % in 2013 auf (vgl. Tab. B.1.2). Das Item VORSICHT wies von allen Indikatoren des generalisierten Vertrauens die konstantesten Werte über die drei Erhebungswellen auf, sodass im Mittel 88,51 % der Befragten eher bis voll der Aussage „Wenn man mit Fremden zu tun hat, ist es besser, vorsichtig zu sein, bevor man ihnen vertraut“ zustimmen (s. Tabelle 1) (2003: 88,82 %, 2008: 88,28 %, 2013: 88,44 %, vgl. Tab. B.1). In der Region Westpfalz bejahen etwa drei Viertel (74,16 %) der Befragten das Item und sind im Vergleich über die Regionen Fremden gegenüber am wenigsten vorsichtig, bevor sie ihnen vertrauen (vgl. Tab. B.1.3). Während in Bonn im Mittel 95,66 % vorsichtig gegenüber Fremden sind, dicht gefolgt von Nordthüringen (im Durchschnitt 95,49 %). Die letzten beiden Sozialkapitalindikatoren sozialen Vertrauens, die bipolar abgefragt wurden, stellen die Einstellung zu Fairness und Hilfsbereitschaft unter den Menschen in einer Region dar: „Glauben Sie, dass die meisten Leute Sie ausnutzen würden, falls Sie eine Möglichkeit dazu hätten oder versuchen würden, Ihnen gegenüber fair zu sein“ (FAIR). Das andere Item HILF „Würden Sie sagen, dass die Leute die meiste Zeit versuchen, hilfsbereit zu sein oder nur ihre eigenen Interessen verfolgen“ erfasst die generelle Hilfsbereitschaft. Der Mittelwert der Hilfsbereitschaft beträgt 39,40 % (s. Tabelle 1). Über alle Regionen sind mehr als die Hälfte (53,22 %) der Befragten der Meinung, dass eine generelle Fairness in Deutschland vorliege (s. Tabelle 1). Auch bei diesen beiden Items des sozialen Vertrauens sind die höchsten Durchschnittswerte über die 96 Raumordnungsregionen im Erhebungsjahr 2013 festzustellen (FAIR: 58,15 %, HILF: 44,44 %) (vgl. Tab. B.1). Die Werte für 2003 (FAIR: 50,86 %, HILF: 36,42 %) und 2008 (FAIR: 50,66 %, HILF: 37,35 %) fallen deutlich niedriger aus. Die Raumordnungsregion Arnsberg verzeichnet auch bei der Fairness (und wie schon zuvor beim Vertrauen) die größten Unterschiede hinsichtlich der aggregierten Prozentwerte, die im Mittel über die Erhebungswellen 2003, 2008 und 2013 zu 52,72 % eher bis voll zustimmen, ob die meisten versuchen würden ihnen gegenüber fair zu sein (2008 am wenigsten mit 28,27 % und 2003 am meisten mit 67,72 %) (vgl. Tab. B.1.4). Die geringste Streuung innerhalb der drei Erhebungswellen weist die Region Uckermark-Barnim auf (SD: ø 1,07). In der Region Rheinpfalz stimmen weit über die Hälfte (62,37 %) der Befragten der Aussage zu, dass die Leute die meiste Zeit versuchen, hilfsbereit zu sein. In der Region Anhalt-Bitterfeld-Wittenberg bejahen im Durchschnitt lediglich 18,95 % der Befragten diese Aussage (vgl. Tab. B.1.5).

10.2 Prüfung auf Messinvarianz

119

Tabelle 1: Übersicht der statistischen Kennzahlen der Items vom Konstrukt des sozialen Vertrauens (N=96)

Mittelwert ø

Standardabweichung ø

Min./Max.

TRUST

61.53

7.73

44.63/73.24

VERLASS

42.49

7.15

27.65/57.45

VORSICHT

88.51

3.79

74.16/95.66

FAIR

53.22

7.63

31.57/68.84

HILF

39.40

7.02

18.95/62.37

Anmerkung: Angaben in Prozent [%] (auf die zweite Nachkommastelle gerundet)

10.2

Prüfung auf Messinvarianz

Bereits bei der Prüfung der Messinvarianz des ersten Itemsets, welches das Konstrukt des sozialen Vertrauens widerspiegelt, ergibt sich das Problem, dass die fünf Items – TRUST, FAIR, VERLASS, HILF und VORSICHT – keine einheitliche Struktur aufweisen. Konfigurale Messinvarianz liegt also nicht vor. Die standardisierten Koeffizienten von VORSICHT unterscheiden sich in den drei Erhebungswellen 2003, 2008 und 2013 (vgl. Tabelle B.2.1-B.2.3). Alle standardisierten Faktorladungen liegen mit Werten von -.2568, -.2091902 und -.3878687 deutlich unter .5,74 sodass fraglich ist, ob das Vorsicht-Item zum Faktor des sozialen Vertrauens dazu gezählt werden sollte. Weitere Zweifel an der Zugehörigkeit des Items zum Konstrukt ergeben sich bei Betrachtung der Ergebnisse einer Faktorenanalyse (bestimmt mit der Methode der principalcomponent factors) (vgl. Tabelle B.3). Wenn das Item VORSICHT in dem Faktor enthalten ist, sinkt die erklärte Varianz um ca. 10 %. Die Uniqueness des Items VORSICHT ist über alle drei Erhebungswellen höher als die Ladung auf dem zugrundeliegenden Faktor des sozialen Vertrauens.75 Diese fünf Items, die für die Prüfung auf Messinvarianz verwendet wurden, sind die Fragen, mit den im SOEP das soziale Vertrauen abgebildet werden soll und die auch von verschiedenen Autoren (z. B. Freitag & Traunmüller 2008, Levels et al. 2015) dafür verwendet wurden. Meine obigen Ergebnisse weisen aber darauf hin, dass das Item VORSICHT aus dem Konstrukt des sozialen Vertrauens vielleicht besser herausgenommen werden sollte. Für eine solche Entscheidung sprechen aber auch andere Befunde, die sich in der Literatur finden und die nun in einem Exkurs dargestellt werden.

74 75

Die dazugehörigen Standardfehler sind deutlich höher als die der anderen Items FAIR, TRUST, VERLASS und HILF. Bereits bei Freitag & Traunmüller (2008) deutete sich aufgrund der hohen Uniqueness eine Fehlplatzierung an.

120

10 Konstrukt des sozialen Vertrauens

Exkurs: Problematik des Items VORSICHT Das Item VORSICHT „Wenn man mit Fremden zu tun hat, ist es besser, vorsichtig zu sein, bevor man ihnen vertraut“ geht auf das GSS- bzw. WVS/EVS-Item zurück. Dieses GSS- bzw. WVS/EVS-Item wird mit gegenteiligen Inhalten abgefragt („Generally speaking, would you say that most people can be trusted, or that you can’t be too careful in dealing with people?“ (WVS 2014)). Diese Formulierung legt nahe, dass Vorsicht das Gegenteil von Vertrauen sei. Das Item stammt ursprünglich aus der „Glauben an den Menschen“-Skala („Faith in People“Scale) von Rosenberg (1991).76 Wenn das Item in dieser Weise in einer Befragung einbezogen wird, müssen die Befragten sich zwischen Vertrauen und Vorsicht entscheiden. Ob diese beiden Dimensionen tatsächlich Gegenteile darstellen, ist in der Literatur öfters in Zweifel gezogen worden (z. B. Miller & Mitamura 2003). Nur wenige Befragungen haben bisher die beiden Dimensionen separat erfasst. Zu den Ausnahmen gehört bspw. das SOEP 2003, 2008 und 2013. Wenn die beiden Dimensionen mit unterschiedlichen Items abgebildet werden, kann festgestellt werden, ob es Befragte gibt, für die sowohl Vertrauen als auch Vorsicht hoch ausgeprägt sind.

Tabelle 2: Kreuztabellierung von Vertrauen und Vorsicht (N=19141)

SOEP 2013

Wenn man mit Fremden zu tun hat, ist es besser, vorsichtig zu sein, bevor man ihnen vertraut

Im Allgemeinen kann man den Menschen vertrauen

Stimme voll zu

76

Stimme voll zu Stimme eher zu

Stimme eher zu

1.89

2.94

Lehne eher ab

Lehne voll ab

Total [ %]

1.51

0.34

6.68

8.10

0.72

59.70

55.72 20.40

30.49

Lehne eher ab

16.40

11.53

1.64

0.31

29.89

Lehne voll ab

3.12

0.41

0.09

0.11

3.73

Total [ %]

41.81

45.37

11.34

1.48

100

Originaler Wortlaut: „Some people say that most people can be trusted. Others say you can't be too careful in your dealings with people. How do you feel about it?“ (Rosenberg 1957). Die „Faith in People“-Scale besteht aus fünf Items.

10.2 Prüfung auf Messinvarianz

121

Um die obige Frage zu überprüfen, wird auf die Daten der Individualebene im SOEP zurückgegriffen. Die ansonsten in dieser Studie verwendeten aggregierte Daten geben lediglich die (Prozentwerte der) Zustimmung des Vertrauens bzw. der Vorsicht wieder und können daher hier nicht verwendet werden. Die Tabelle 2 ist exemplarisch ausgewählt und zeigt die Einstellung zu Vertrauen und Vorsicht im Jahr 2013. Wie anhand der Werte zu sehen ist, stimmen über die Hälfte (55,72 %) der Befragten voll oder eher zu, dass sie gleichzeitig vorsichtig sind und vertrauen. Dieses Ergebnis lässt sich auch für die anderen beiden Erhebungszeitpunkte 2003 und 2008 reproduzieren (2003: 51,87 %, 2008: 51,53 %, vgl. Tab. B.4.1–4.2). Das Resultat erscheint daher als beständig. Zudem legt es nahe, dass für Deutsche Vorsicht und Vertrauen demnach zwei unterschiedliche Eigenschaften sind, die sich nicht gegenseitig ausschließen und gleichzeitig auftreten können.77 Diesen letzten Punkt unterstützen auch Daten aus dem ALLBUS. Ein Vergleich von Auswertungen aus dem ALLBUS mit Auswertungen aus dem SOEP bietet sich daher an, weil beide Erhebungen repräsentative Bevölkerungsumfragen für Deutschland darstellen. Im ALLBUS wird das allgemeine Vertrauen über die Antwortmöglichkeit „Vorsicht“ vs. „Vertrauen“ erfasst. Zusätzlich können Befragte mit „Das kommt drauf an“ und „Sonstiges, und zwar“ bzw. „Weiß nicht“ antworten.78 Wenn Vertrauen und Vorsicht tatsächlich gegenteilige Kategorien wären, würden sich die Befragten vermutlich für eine der beiden Kategorien entscheiden. Stattdessen zeigt sich in den Erhebungen des ALLBUS, dass stets über ein Drittel der Befragten die Kategorie „Das kommt drauf an“ auswählen (2016: 41,96 %, 2014: 33,45 %, 2012: 39,34 %, 2010: 35,02 %, 2008: 37,14 %, vgl. Tab. B.5.1–B.5.5) und sich folglich für keine der beiden Dimensionen (Vorsicht oder Vertrauen) aussprechen. Auch dieser Befund spricht eher gegen die Annahme der Gegenteiligkeit von Vertrauen und Vorsicht, die Rosenberg für sein Item angenommen hat. Miller & Mitamura (2003: 66) konstatieren für US-Bürger, dass diese ebenfalls dazu tendieren, gleichzeitig ein hohes Vertrauen und eine stark ausgeprägte Vorsicht anzugeben. Auch Yamagishi et al. (1999) zeigen in ihrer Studie, dass Personen mit niedrigem Vertrauen ebenso wie Personen mit hohem Vertrauen jeweils eine hohe Vorsichtsausprägung aufweisen. „These results suggest that being prudent or cautious in dealing with others does not necessarily imply that the person is distrustful of others in general“ (Yamagishi et al. 1999: 148). Die Ergebnisse unterstützen die Kritik von Seifferth-Schmidt & Itzenplitz (2009: 48), die das Item des WVS kritisch betrachten, weil sich Vertrauen und Vorsicht aus ihrer Sicht auch nicht ausschließen müssen.

77 78

Wuthnow (2002) kommt in seiner Studie zu ähnlichen Ergebnissen für die USA. Das Item lautet im Fragebogen: „Manche Leute sagen, dass man den meisten Menschen trauen kann. Andere meinen, dass man nicht vorsichtig genug sein kann im Umgang mit anderen Menschen. Was ist Ihre Meinung dazu?“ (ALLBUS 2016). Die Kategorien „Sonstiges, und zwar“, „Weiß nicht“ und „Keine Angaben“ wurden als Missing kodiert und nicht berücksichtigt. Die Ausprägung „Sonstiges“ ist einerseits kaum ausgewählt worden (< 1 %) und andererseits wird nicht ersichtlich, was damit gemeint ist.

122

10 Konstrukt des sozialen Vertrauens

Aus methodischer Sicht werfen die Befunde die Frage nach der Validität des Rosenberg-Items bzw. nach der „Faith in People“-Scale auf, die bereits in der Literatur (Miller & Mitamura 2003; Neaf & Schupp 2009; Reeskens & Hooghe 2008) in unterschiedlicher Weise diskutiert wird. Miller & Mitamura (2003: 66 f.) zeigen, dass durch die Verwendung des Rosenberg-Items in international vergleichenden Studien eher Unterschiede in der Vorsichtsdimension erfasst werden und weniger in der Vertrauensdimension. Die Autoren kritisieren, dass die Antwortmöglichkeiten im Rosenberg-Item konzeptuell unterschiedlich sind (Miller & Mitamura 2003: 63). Der erste Teil des Items frage nach einer generellen (Vertrauens-) Einschätzung gegenüber anderen Personen („Would you say most people can be trusted“), während der zweite Teil die eigene Verletzlichkeit und Risikobereitschaft betone („you can´t be too careful“). Demnach fragt das Rosenberg-Item also zur gleichen Zeit nach einer Selbst- und Fremdeinschätzung. Um die Einschätzung zu erfassen, inwiefern anderen Personen vertraut werden kann, empfehlen die Autoren eine Skala heranzuziehen, in der Misstrauen das Gegenteil von Vertrauen ist. Prinzipiell bleibt bei dem Rosenberg-Item unklar, inwieweit Erhebungsteilnehmer mit eigentümlichen Interpretationen auf die Frage nach Vorsicht bzw. Vertrauen reagieren. Reeskens & Hooghe (2008: 516) haben diesen Punkt kritikhaft aufgegriffen, indem sie die Idiosynkrasie des Begriffes „Vorsicht“ betonen: „the concept of ‚careful‘ might be just as problematic, as ‚carefulness’ might mean something else for someone who is weak and vulnerable, compared to an athletic, bright and well-off person“. Ein weiterer Kritikpunkt wird von Miller & Mitamura (2003) in die Diskussion eingebracht. Nach ihrer Ansicht hängen die Ausprägung des (angegebenen) Vertrauens und die Ausprägung der (angegebenen) Vorsicht voneinander ab, z. B. wenn Umgebungsfaktoren die Beziehung zwischen den Items/Merkmalsausprägungen moderieren. Sie führen eine starke Ausprägung des generalisierten Vertrauens auf Umgebungsbedingungen zurück, „because people (…) [who, SF] live in a safe, closed environment, which leads to unusually low levels of caution“ (Miller & Mitamura 2003: 68). Die Autoren operationalisieren eine sichere Umgebung u. a. über eine niedrige Kriminalitätsrate. Auch wenn dieser Zusammenhang zunächst nahe liegt, so ist die dahinter liegende Annahme, nach der Umgebungsfaktoren die Ausprägung von Persönlichkeitsmerkmalen prägen, zumindest fragwürdig. Typischerweise gehen Psychologen und Soziologen davon aus, dass das Rosenberg-Item ein Persönlichkeitsmerkmal misst, das relativ unabhängig von der Umgebung auftritt (z. B. Uslaner 2002). Auch wenn das Rosenberg-Item sehr häufig in der Literatur verwendet wird, legt die Erläuterung der mit ihm verbundenen Problematiken nahe, beide Dimensionen separat abzubilden, was Miller & Mitamura (2003) sowie Naef & Schupp (2009: 6) explizit empfehlen: „Although trust and caution are difficult to disentangle, it is important to measure them separately, since trust and caution are not necessarily mutually exclusive”. Neben den zuvor genannten Kritikpunkten lassen sich auch methodische Probleme aufzeigen, die sich an der „Komplexität“ des Rosenberg-Items festmachen. Diese Begrifflichkeit lässt sich am besten verstehen, wenn die Prozesse betrachtet werden, die bei der Beantwortung eine Rolle

10.2 Prüfung auf Messinvarianz

123

spielen. Eine der am häufigsten zitierten Theorien, welche die wesentlichen psychischen Vorgänge bei der Befragung abbildet, ist die Theorie von Krosnick (1999). Krosnick nimmt an, dass das Ziel der Befragung darin besteht, eine Antwort zu ermitteln, die so nah wie möglich an der „wahren“ Antwort liegt. Die dabei beteiligten kognitiven Prozesse (Krosnick 1999) lassen sich in vier Schritte gliedern. Im ersten Schritt muss der Befragte die Frage inhaltlich verstehen. Dazu ist es nach Krosnick (1999) vorteilhaft, wenn das Item einerseits nicht zu lang ist und andererseits keine mehrdeutigen Wörter beinhaltet. Im zweiten Schritt wird das, was der Interviewte im ersten Schritt verstanden hat, an eine Erinnerung geknüpft. Je mehr Inhalte (bei Krosnick „Objekte“) in einer Frage genannt werden, desto schwieriger ist die Erinnerung, da mehr Inhalte miteinander bzw. mit dem vergangenen Geschehen verknüpft werden müssen (Krosnick 1991: 221). In einem dritten Schritt kann darauf aufbauend eine Interpretation der Erinnerung erfolgen. Anschließend, im vierten und letzten Schritt des kognitiven Prozesses, erfolgt eine Beurteilung. Befragte entscheiden sich dann für eine Antwortkategorie. Werden nicht alle vier Schritte durchlaufen, wird angenommen, dass der Proband eine Antwort gibt, die nicht der „wahren“ Antwort entspricht. Probanden scheuen z. B. davor zurück, aufwändige Erinnerungsarbeit zu betreiben und antworten spontan, was ihnen in den Sinn kommt. Sie versuchen eine für sich „zufriedenstellende“ Antwort zu geben (sogenannte „satisficing“ Strategie). Dies ist umso wahrscheinlicher, je eher die Befragten mit komplexen „high task difficulty“-Items (hohe Aufgabenschwierigkeit) konfrontiert werden. Diese hohe Aufgabenschwierigkeit führt dazu, dass die Motivation der Probanden, das Item „wahrheitsgemäß“ zu beantworten, sinkt. Darüber hinaus nimmt die Aufgabenschwierigkeit zu, wenn die Fragenformulierung mehrdeutig ist oder auf mehr als einen Aspekt abzielt (Krosnick 1991: 222).79 Werden diese theoretischen Überlegungen auf das (eindimensionale) Vertrauen-Item des SOEP und auf das Rosenberg-Item angewendet, dann scheint das SOEP-Item eine geringere Aufgabenschwierigkeit zu haben als das Rosenberg-Item. Das Rosenberg-Item ist deutlich länger als SOEP-Item (was eine längere Erfassungs- und Verstehenszeit nahelegt) und mit seiner dichotomen Ausprägung schwieriger zu beurteilen. Diese Eigenschaften sprechen nach Krosnick (1999) eher für eine hohe Aufgabenschwierigkeit. Ein weiterer Aspekt, der die adäquate Erfassung der Einstellung sicherstellt, ist nach Krosnick (1999) eine mehrstufige Skala, im Idealfall eine sieben-stufige Skala. Das Item des SOEP umfasst lediglich vier (bipolare) Antwortmöglichkeiten zu der Aussage, dass man Mitmenschen im Allgemeinen vertrauen kann. Diese reichen von „stimme voll zu“ über „stimme eher zu“ bis zu „lehne eher ab“ oder „lehne voll ab“. Die Antwortmöglichkeiten des Rosenberg-Items umfassen allerdings nur zwei Ausprägungen („Vertrauen“ oder „vorsichtig sein“), von „weißnicht“-Antwortkategorien in bestimmten Befragungen abgesehen. Das SOEP-Item ist nach Naef & Schupp (2009: 3) präziser, weil es eindimensional nach dem Vertrauen in Fremde fragt (vgl. Lundmark et al. 2016). An der Verwendung des Rosenberg-Items im WVS kritisieren sie,

79

Der letzte Sachverhalt trifft genau für das Rosenberg-Item zu.

124

10 Konstrukt des sozialen Vertrauens

dass „[t]he question is rather imprecise, the possible answers are not mutually exclusive, and only one item is not considered to be a reliable measurement“ (Naef & Schupp 2009: 2). Diese Überlegungen und Kritikpunkte sollen in der vorliegenden Studie Berücksichtigung finden. Da im SOEP Vertrauen und Vorsicht über zwei unterschiedliche Items (TRUST sowie VORSICHT) unipolar erfasst werden, können einige der vorherigen Kritikpunkte im Zusammenhang mit der Betrachtung der Messinvarianz aufgegriffen werden. Zurückgehend zu den Berechnungen zur Prüfung der Messinvarianz des Konstrukts des sozialen Vertrauens zeigen nähere Betrachtungen (vgl. Tabelle B.6), dass das Item VORSICHT den Eigenwert des Faktors kaum beeinflusst. Darüber hinaus wird die durchschnittlich erfasste Varianz (engl. Average-Variance Extraktion (AVE)) gesenkt (von .5979 auf .4918), wenn das Item VORSICHT im Faktor enthalten ist (vgl. Tabelle B.7). Auch die interne Konsistenz, die über Cronbachs Alpha ermittelt wird, zeigt deutlich, dass das Item VORSICHT etwas anderes zu messen scheint als soziales Vertrauen (s. Tabelle 3). Daher wird das Item VORSICHT nicht zu den Items gezählt, die in dieser Studie das Konstrukt des sozialen Vertrauens konstituieren. Die verbleibenden vier Items – VERTRAUEN, FAIR, HILF, VERLASS – weisen dann akzeptable Werte der internen Konsistenz auf (Cronbachs Alpha: 2003 = .8376, 2008 = .8238, 2013 = .8518). Aufbauend auf diesen Überlegungen wird im Folgenden eine neue Testung auf Messinvarianz vorgenommen, die sich nur auf diese vier Items bezieht. Tabelle 3: Prüfung der Internen Konsistenz über Cronbachs Alpha

Cronbachs Alpha

2003

2008

2013

mit dem Item VORSICHT

.8000

.7795

.8263

ohne das Item VORSICHT

.8376

.8238

.8518

Ergebnisse der Messinvarianz: Konstrukt des sozialen Vertrauens Ohne das Vorsichts-Item zeigen die Items des sozialen Vertrauens FAIR, TRUST, VERLASS und HILF über alle drei Erhebungswellen dieselbe Struktur mit standardisierten Faktorladungen > .5 (vgl. Tab. B.8). Damit existiert für diese Items eine konfigurale Messinvarianz, auf deren Grundlage nun die weiteren Prüfschritte höher Messinvarianzstufen unternommen werden können.80 Zur Untermauerung der Resultate zur konfiguralen Messinvarianz wurde auch die Konstanz der Eigenwerte bzw. der erklärten Varianz mit einer explorativen Faktorenanalyse mit Maximum-Likelihood-Schätzern ermittelt und als gleichbleibend festgestellt (vgl. Tab. B.6). Wenn die vier Items verwendet werden, zeigte sich immer ein Eigenwert größer 2.1. Das Item FAIR diente bei der Prüfung zur konfiguralen Invarianz als Marker und wird auch für die weiteren Prüfschritte als Marker verwendet. Ein statistischer Auswahlgrund dafür ist, dass es über die drei Wellen die höchste standardisierte Faktorladung (.8289) aufweist (vgl. Tab. B.8). Auch 80

Da die Daten aggregiert sind, wurde die Struktur auch auf Individualebene mit vergleichbaren Werten nachgeprüft, um ggf. eine Verzerrung durch die Aggregation aufzudecken.

10.2 Prüfung auf Messinvarianz

125

andere Untersuchungen kommen zu ähnlichen Ergebnissen. So erweist sich z. B. das Item zur Fairness aus dem GSS in der Untersuchung von Glaeser et al. (2000: 833) als „[t]he strongest subcomponent of that index“, wenn gleichzeitig die Items zum Vertrauen und zur Hilfsbereitschaft für die Konstruktbestimmung des sozialen Vertrauens verwendet werden.81 Eine inhaltliche Begründung für die Verwendung des Items FAIR als Marker ist, dass es oft als eine begünstigende Bedingung für die Entstehung des (generalisierten) Vertrauens gesehen wird, z. B. in Arbeitsorganisationen (vgl. Butler 1991) oder in der Gesellschaft allgemein (Uslaner 2004a; Hooghe & Stolle 2003). Nach You (2005: 14) beeinflusst Fairness das soziale Vertrauen positiv über dessen Wirkung auf normative gesellschaftliche Regelungen und individuelle Vertrauenseinschätzungen: „Fair societies enhance norms and perceptions of trustworthiness“. Für den umgekehrten Fall wird vermutet, dass eine wahrgenommene Ungleichheit Vertrauen zerstören kann (Uslaner 2004a). Tabelle 4 zeigt in einer Übersicht die Testung der verschiedenen Modelle und deren Anpassungsgüte (goodness-of-fit). Die Schwellenwerte der Anpassungsgüte orientieren sich an den Richtlinien nach Hu & Bentler (1999). Nach deren Vorgaben ist die Anpassungsgüte des skalaren Invarianzmodells unzureichend. Damit wird die skalare Messinvarianz (Modell 3), bei der alle Faktorladungen und Achsenabschnitte konstant gehalten werden, nicht erreicht. Es liegt eine signifikante Verschlechterung zum vorherigen Modell vor (Modell 2: metrische Invarianz). Bei näherer Betrachtung des skalaren Modells wird ersichtlich, dass das Item HILF die größte Varianz der Achsenabschnitte (Intercept) aufweist. Zugleich besteht dieser Parameter (Intercept) die Testung auf Beständigkeit innerhalb der Gruppe nicht (Chi 2-Wert: 16.370). Die zugrundeliegende Hypothese, dass die eingeschränkten Parameterschätzwerte über die drei Erhebungswellen gleich gehalten werden können, muss verworfen werden. Nach Steenkamp & Baumgartner (1998: 81) ist es zulässig die Restriktionen der skalaren Messinvarianz zu reduzieren, um die Testung der Messinvarianz nicht auf sich beruhen zu lassen. Hierfür wird ein Submodell geprüft, in dem der problematische Parameter (die Konstante) des Items HILF variieren darf und partielle skalare Messinvarianz vorliegt. Die Parameter der übrigen Items FAIR, TRUST und VERLASS werden weiterhin konstant gehalten. Die Testung der partiellen skalaren Messinvarianz belegt, dass es keinen signifikanten Unterschied zum metrischen Modell gibt (s. Tabelle 4). Die Werte der Anpassungsgüte (RMSEA > .1, CFI < .9, SRMR > .1) übersteigen die akzeptablen Grenzen einer guten Passung. Eine Möglichkeit, das Modell unter diesen Umständen zu optimieren, ist es, Fehlerterme miteinander korrelieren zu lassen. Im vorliegenden Modell kann eine solche Korrelation auf der Annahme basieren, dass die Hilfsbereitschaft und der „Verlass auf niemanden“ Merkmale sind, die mit einer vertrauenswürdigen bzw. nicht-vertrauenswürdigen Person in Beziehung stehen. Eine Hilfeleistung, bspw. nach Coleman (1995), wird anderen Personen gegeben, wenn darauf vertraut wird, dass einem bei Bedarf selbst geholfen wird. Die Einstellung, dass auf andere Verlass ist, hängt ebenso mit dem Vertrauen zusammen, das auf der Zuverlässigkeit,

81

Das Item VERLASS ist nicht im GSS enthalten, was die Vergleichbarkeit der Ergebnisse einschränkt.

126

10 Konstrukt des sozialen Vertrauens

dem Pflichtbewusstsein und der Gewissenhaftigkeit anderer basiert. Fairness hingegen bezieht sich auf eine Gerechtigkeitsvorstellung, die mit dem Konstrukt des sozialen Vertrauens zusammenhängt, aber prinzipiell nicht bei einer Hilfeleistung oder dem Verlass auf jemanden eine Rolle spielen muss. Hilfsbereitschaft hängt zudem nicht zwangsläufig mit Verlässlichkeit zusammen. Eine unzuverlässige Person könnte prinzipiell hilfsbereit sein.82 Diese theoretischen Überlegungen legen nahe, dass die vorliegenden Modelle dahingehend verbessert werden könnten, indem eine Fehlerkorrelation jeweils zwischen TRUST und HILF sowie zwischen TRUST und VERLASS berücksichtigt wird. Das untenstehende Pfadmodell zeigt die Modifikation mit korrelierten Fehlertermen (s. Abbildung 8) .

Abbildung 8: Pfadmodell des sozialen Vertrauens

Tabelle 5 gibt eine Übersicht der Indizes zur Anpassungsgüte. Durch die korrelierten Fehlerterme kann das Modell deutlich verbessert werden, sodass die Werte der Anpassung bis zur partiellen skalaren Messinvarianz recht akzeptabel sind (RMSEA = .07, CFI >.9, SRMR =.08, Chi2 = 19.17 (df =13), negativer BICs183). Die nächst höhere Stufe der partiellen strikten Messinvarianz kann jedoch nicht erreicht werden, da sich einerseits eine signifikante Verschlechterung im Vergleich zum dritten Modell ergibt (Δ Chi2 = 81.01 (Δ df = 11)) und andererseits zugleich die Werte der Anpassungsgüte die Toleranzgrenze übersteigen. Dimitrov (2010) empfiehlt, dass – auch wenn die strikte Messinvarianz nicht erreicht wurde – in einer weiteren Testung auf faktorielle Invarianz geprüft wird, bei der neben den Faktorladungen und den Kon-

82 83

Neben der inhaltlichen Begründung spricht auch eine statistische gegen eine weitere Korrelation der Fehlerterme, da das Modell dann nur noch just identifiziert ist. Zudem sind die Teststatistiken zufriedenstellend. Der BICs1 bezieht sich auf die 12. Formel in Bollen et al. (2014: 4). Negative Werte repräsentieren einen guten Fit, die das zugrundeliegende (hypothetische) Modell unterstützen, während positive Werte eine schlechte Anpassungsgüte darstellen, die für das saturierte Grundmodell sprechen. Werden Modelle und deren BIC s1 verglichen, gibt der höchste negative Wert die beste Passung wieder.

10.2 Prüfung auf Messinvarianz

127

stanten die Varianz des Faktors invariant gehalten wird (Modell 5a). Wenn dieses Modell getestet wird, zeigt sich keine signifikante Verschlechterung zum partiellen skalaren Messinvarianz-Modell (Modell 3). Die meisten Fitindizes (RMSEA, CFI, BICs1) weisen akzeptable Werte auf, sodass die Anpassungsgüte des Modells als gut zu beurteilten ist. Nur der SRMR-Wert liegt außerhalb des tolerierbaren Bereichs. Werden darüber hinaus die Mittelwerte des latenten Faktors zusätzlich invariant gehalten (wie es in Modell 5b geschieht), ist die Anpassungsgüte nicht mehr akzeptabel und es gibt eine signifikante Verschlechterung zum dritten Model. Nach Dimitrov (2010: 128) ist es aber nicht unbedingt nötig, die Mittelwerte des latenten Faktors konstant zu halten, um von einer faktoriellen Invarianz sprechen zu können. Denn eine gleiche (invariante) Varianz bzw. Kovarianz des Faktors kann in gleicher Weise interpretiert werden wie eine homogene Varianz-Covarianz Matrix der Multivariaten Varianzanalyse (MANOVA). Fasst man diese Ergebnisse zusammen, dann lässt sich erschließen, dass eine partielle faktorielle Invarianz über die Erhebungszeitpunkte im Modell 5a erreicht wird. Bei detaillierterer Betrachtung der latenten Mittelwerte zeigt sich, dass das soziale Vertrauen für die Jahre 2003 und 2008 Werte in ähnlicher Höhe aufweist (2003: .5086, 2008: .5066). Im Jahr 2013 steigt der latente Mittelwert signifikant an (2013: .5815) (vgl. Tab. B.9). Die latenten Mittelwerte sowie die Differenzen zwischen diesen können wie Prozentwerte interpretiert werden (vgl. Allum et al. 2011: 47), da die Konstruktskala dieselbe ist wie die des Key-Items (FAIR), dessen Werte zwischen 0 und 1 liegen. (Zur Erinnerung, diese Werte geben den prozentualen Anteil der Zustimmung in einer Region wieder.) Bei Interpretation der latenten Mittelwerte zeigt sich, dass das soziale Vertrauen 2013 in Deutschland um knapp 8 % gegenüber den beiden vorherigen Erhebungszeitpunkten steigt.

90.55 111.65 95.91 114.92

Modell 2 metrisch (Ladungen)

Modell 3 skalar (Intercepts)

Modell 3 partiell skalar (Intercepts)

Modell 4 partiell strikt (residuals)

25

19

21

15

9

df

35.47 19.17 100.18 24 21.57 55.30

Modell 3 skalar (Intercepts)

Modell 3 partiell skalar (Intercepts)

Modell 4 partiell strikt (Residuals)

Modell 5a partiell faktoriell (Faktor

Varianz) Modell 5b partiell faktoriell (Faktor Varianz + Mittelwert)

19.01

5.36

21.01

2.04

delta Chi2

6

4

6

6

delta df

3

3

3

2

2

1

-

36.13

2.4

81.01

3.91

20.21

1.97

4

2

11

4

6

6

ref. Modell delta Chi2 delta df

3

2

2

1

-

ref. Modell

0.0000

0.3012

0.0000

0.4183

0.0025

0.9224

p

0.0041

0.2523

0.0018

0.916

p

0.153

0.068

0.182

0.070

0.119

0.085

0.189

RMSEA

0.194

0.205

0.212

0.229

0.303

RMSEA

.917

.986

.835

.987

0.956

.986

0.978

CFI

0.805

0.833

0.803

0.836

0.828

CFI

0.126

0.096

0.154

0.080

0.113

0.070

0.045

SRMR

0.162

0.114

0.139

0.106

0.095

SRMR

-22.29

-46.89

-9.364

-40.16

-32.99

-25.81

-.403

BICs1

.811

9.187

15.8

22.08

47.41

BICs1

Kriterien der Anpassungsgüte: CFI > 0.95 (min. 0.92); RMSEA < 0.05 (min. 0.08); SRMR < 0.05 (min. 0.08) (vgl. Hu & Bentler 1999); BICs1 (-) (vgl. Bollen et al. 2014)

17

15

13

15

9

15.26

Modell 2 metrisch (Ladungen)

3

df

13.29

Chi2

Modell 1 alle Parameter sind frei

Modell: generalisiertes Vertrauen

Tabelle 5: Übersicht der Anpassungsgüte (mit korrelierten Fehlertermen)

88.49

Chi2

Modell 1 alle Parameter sind frei

Modell: generalisiertes Vertrauen

Tabelle 4: Übersicht der Anpassungsgüte (ohne korrelierte Fehlerterme)

128 10 Konstrukt des sozialen Vertrauens

10.3 Zusammenfassung

10.3

129

Zusammenfassung

Die obigen Berechnungen und Erläuterungen zeigen, dass partielle skalare Messinvarianz für das Konstrukt des sozialen Vertrauens mit den vier Indikatoren FAIR, TRUST, VERLASS und HILF aus dem SOEP besteht. Dieses Ergebnis passt zu den Resultaten der Studien, die soziales Vertrauen mit den Daten des ESS untersucht haben, denn auch diese haben in der Regel das Niveau der (partiellen) skalaren Messinvarianz erreicht (Coromina & Davidov 2013; Allum et al. 2011; van der Veld & Saris 2011; Reeskens & Hooghe 2008). In meiner Studie zeigt sich außerdem, dass die volle skalare Messinvarianz wegen des Items HILF nicht erreicht werden kann. Ein ähnliches Ergebnis zeigte sich bereits in der Untersuchung von Reeskens & Hooghe (2008: 530). Eine Vermutung, warum dieses Item dazu beiträgt, dass die volle skalare Messinvarianz nicht erreicht wird, kann aus den Überlegungen von Uslaner (2015; 2002) hergeleitet werden. Er führt ein „think aloud“-Experiment an, in dem sich zeigt, dass Befragte vor allem bei dem Item der Hilfsbereitschaft an persönliche Situationen denken, wie z. B. „dass jemand die Türe aufhielt, wenn man die Hände voll hatte, oder jemand einem etwas reicht, wenn man im Supermarkt nicht dran kommt“ (Uslaner 2002: 73). Generalisiertes Vertrauen wird aber nach seiner Einschätzung nicht aus spezifischen Erfahrungen abgeleitet. Die Items, die soziales Vertrauen konstituieren, sind solche, die generalisierte (und eben keine spezifischen) Einstellungen abbilden. Für die Items HILF, TRUST and FAIR nimmt Uslaner an (2015: 65; Hervorh. im Original): „People do think about these items differently“. Da das Hilf-Item inhaltlich mit Vertrauensaspekten assoziiert ist, unterstützt es zwar das Konstrukt des generalisierten Vertrauens; sein Bezug zu persönlichen Erfahrungen könnte aber eine spezifische Fehlervarianz in die Berechnungen einbringen, die sonst bei den anderen Items nicht vorhanden ist. In meiner Studie mussten die Kriterien für das Item HILF gelockert werden, was in der Folge zu einer partiellen skalaren Messinvarianz führt. Auf dieser Stufe der Messinvarianz sind Vergleiche der manifesten Mittelwerte des Konstrukts nicht gestattet. Millsap & Olivera-Aguilar (2012) führen aber eine Ausnahme von dieser Regel an: Vergleiche sind dann doch erlaubt, wenn es keinen bedeutenden Unterschied zwischen partieller und vollständiger skalarer Messinvarianz gibt. Um diesen Unterschied zu ermitteln, empfehlen Millsap & Olivera-Aguilar (2012) zusätzlich die „Effektstärke“ (effect size) des Items zu berechnen, das für das Verfehlen der vollen skalaren Messinvarianz verantwortlich ist. Zur Berechnung der Effektstärke bei partieller skalarer Messinvarianz wird die Differenz der Achsenabschnitte zweier Erhebungszeitpunkte bei diesem Item durch die Differenz der manifesten Itemmittelwerte (zu diesen zwei Erhebungszeitpunkten) geteilt (Pornprasertmanit 2018). In meiner Studie ergeben sich damit drei Paarvergleiche von Erhebungszeitpunkten. Millsap & Olivera-Aguilar (2012: 384) schlagen vor, den Unterschied zwischen partieller und vollständiger skalarer Messinvarianz zu vernachlässigen, wenn der Quotient aus Achsenabschnitten und Mittelwerten 0.2 nicht übersteigt. Wenn das Kriterium erreicht wird, sind die Differenzen zwischen den postulierten Mittelwerten des Modells mindestens um das Fünffache kleiner als die Differenzen der tatsächlichen Mittelwerte.

130

10 Konstrukt des sozialen Vertrauens

Wird dieser Vorschlag von Millsap & Olivera-Aguilar (2012) in meiner Studie umgesetzt, weisen die Effektstärken bei allen Paarvergleichen höhere Werte als 0.2 auf (vgl. Tab. B.10). Besonders kritisch ist der Quotient beim Vergleich von 2003 auf 2008 zu betrachten, da der Wert 1.3 beträgt (vgl. Pornprasertmanit 2018). Ein Wert größer 1 bedeutet, dass es mehr Differenz in dem postulierten Modell gibt als Differenz in den manifesten Mittelwerten existiert. Die anderen beiden Quotienten (2008 & 2013: 0.4251, 2003 & 2013: 0.5262) sind deutlich über 0.2, sodass von erhebungszeitpunkt-spezifischen Mittelwertunterschieden beim Item HILF auszugehen ist. Die Verletzung der Invarianz sollte somit nicht außer Acht gelassen werden, sodass auch nach dieser erneuten Prüfung von keiner vollständigen skalaren Messinvarianz auszugehen ist. Zuvor wurde gezeigt, dass sich das soziale Vertrauen um knapp 8 % im Vergleich zum Jahr 2013 erhöht hat. Die variierenden Intercepts des Items HILF über die Erhebungszeitpunkte könnten ein Grund für diese Erhöhung der Mittelwertunterschiede des latenten Konstrukts sein. Eine alternative Erklärung ist, dass sich die Steigerung aufgrund einer wahren Erhöhung des sozialen Vertrauens ergeben hat (vgl. van de Schoot et al. 2012). Da bei drei der vier Indikatoren die Faktorladungen sowie die Achsenabschnitte invariant gehalten werden, sind statistisch gültige Schlussfolgerungen und Vergleiche der latenten Mittelwerte über die Gruppen zulässig (van de Schoot et al. 2012: 5; Steenkamp & Baumgartner 1998: 84). Die Bedingungen in meiner Studie machen es eher unwahrscheinlich, dass die Erhöhung des latenten Mittelwerts aufgrund der variierenden Hilf-Intercepts zustande gekommen ist. Da die Mehrzahl der Ladungen und Achsenabschnitte über die Erhebungszeitpunkte invariant sind, kann das latente Konstrukt auch zuverlässiger gemessen werden, sodass Unterschiede des latenten Mittelwerts über die Erhebungszeitpunkte die Unterschiede zwischen den manifesten Mittelwerten über die Erhebungszeitpunkte wiederspiegeln (Steenkamp & Baumgartner 1998: 81 f.). Daher legt diese Invarianz nahe, dass die Erhöhung wegen der Vergleichbarkeit der latenten Mittelwerte (über die Erhebungszeitpunkte) eher über eine Steigerung des wahren Vertrauensmittelwerts in der Realität zustande kam. Ein Vergleich der manifesten Konstruktmittelwerte ist in meiner Studie nicht möglich. Diese wäre erst bei vollständiger skalarer Messinvarianz erlaubt (van de Schoot et al. 2012; Lee et al. 2011). Im Einklang mit der Literatur werden daher in den nachfolgenden Berechnungen die Werte des latenten Konstrukts verwendet (Coromina & Davidov 2013). Um die Konstruktvalidität des sozialen Vertrauens zu beurteilen, wird die durchschnittlich erfasste Varianz (engl. Average Variance Extracted (AVE)) betrachtet (s. Tabelle 6). Zu deren Berechnung werden die standardisierten Faktorladungen verwendet. Diese sind durchgängig – jedoch mit einer Ausnahme 2008 beim Item VERLASS (.48) – über alle Modelle größer .5. Die Werte der AVE sind im Mittel als zufriedenstellend zu beurteilen (vgl. Mayerl 2017: 195).

10.3 Zusammenfassung

131

Zusammen mit der partiellen faktoriellen Invarianz kann somit von einer konvergenten Validität ausgegangen werden.84 Tabelle 6: Übersicht der durchschnittlich erfassten Varianz (AVE) Werte.

AVE: Mittelwert

AVE über die Welle (höchster – niedrigster Wert)

Modell 1: alle Parameter sind frei

.362

Hi: 2003 .384 Lo: 2008 .345

Modell 2: metrisch (Ladungen)

.366

Hi: 2008 .369 Lo: 2013 .361

Modell 3.1: partiell skalar (Intercepts)

.367

Hi: 2003 .369 Lo: 2013 .363

AVE > 0.25 gilt als minimales Kriterium (vgl. Mayerl 2017: 195)

Da diese Berechnungen auf der Ebene der Raumordnungsregionen (durch eine Aggregation) durchgeführt werden, muss auch noch gezeigt werden, dass eine reliabele Erfassung des Konstrukts auch auf der Ebene der Individualdaten möglich ist. Auf diese Weise können Verzerrungen, die durch die Aggregation entstehen könnten, aufgedeckt werden. Dazu wurden die Individualdaten in gleicher Weise auf Messinvarianz getestet, wie es bereits für die Raumordnungsregionen geschehen ist. Auch auf der Individualebene (der SOEP-Daten) konnte die strikte Messinvarianz in meiner Studie nicht erreicht werden. In der Folge können die Fehlerterme der manifesten Items auf Individual- sowie Aggregatebene über die Erhebungszeiträume nicht konstant gehalten werden. Jedoch kann auf der Individualebene volle skalare Messinvarianz erreicht werden, sodass die Problematik, die mit dem Item HILF verbunden ist, erst auf der Aggregatebene entsteht. Der wichtigste Punkt ist aber, dass eine (fast) vergleichbare Stufe der Prüfung auf Messinvarianz auf beiden Ebenen erreicht wird, sodass eine Verzerrung der Messinvarianzaussagen durch die Aggregation auszuschließen ist.85 Die Aggregatebene kann 84

85

Bei der Messinvarianzprüfung können neben der partiellen Abstufung der Messinvarianz (durch Lockerung der Restriktion der Items) auch Erhebungszeitpunkte herausgelassen werden, um eine höhere Messinvarianzstufe zu erreichen (Allum et al. 2011; Coromina & Davidov 2013). Das Konstrukt des sozialen Vertrauens erreicht die Messinvarianzstufen der partiellen skalaren Messinvarianz bzw. partielle faktorielle Invarianz mit einer als gut erachteten AVE über drei Erhebungszeitpunkte erreicht (s. Tabelle 5). Damit sind Vergleiche über alle Erhebungszeitpunkte möglich. Um nicht lediglich Aussagen über zwei Erhebungszeitpunkte (ggf. auf einer höheren Messinvarianzstufe) treffen zu müssen, wird von weiteren Prüfungen mit paarweisen Erhebungszeitpunkten abgesehen. Die Berechnungen wurden auch mit den aggregierten Stammpersonen durchgeführt und die Ergebnisse unterscheiden sich nicht von denen der Aggregatebene (vgl. Tab. B.11). Als Stammpersonen werden Personen bezeichnet, die in allen drei Erhebungszeiträumen Teil des Panels sind. Die Berechnungen auf der Individualebene basieren auf polychorischen Korrelationen, sodass die unterschiedlichen Skalierungsarten (zum Teil dichotom) berücksichtigt wurden (vgl. Tab. B.12).

132

10 Konstrukt des sozialen Vertrauens

im Bezug auf Konstrukte, die dieses Kriterium erfüllen, als ein Spiegelbild der Individualebene betrachtet werden. Die Ergebnisse zeigen zusammenfassend, dass die Items FAIR, TRUST, VERLASS und HILF zur Erfassung des Konstrukts des sozialen Vertrauens auf aggregierter Ebene der Raumordnungsregionen über die drei Erhebungswellen des SOEP partielle skalare Messinvarianz erreichen, bzw. teilweise sogar partielle faktorielle Messinvarianz. Vergleiche des Konstrukts sind daher über die Zeiträume 2003, 2008 und 2013 möglich, sodass die erste Unterhypothese 1.1. bestätigt werden kann (Das Konstrukts des sozialen Vertrauens erreicht die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen). Die Problematiken, die sich mit dem Item HILF ergeben, sollten zukünftige Forschungen weiterverfolgen, was auch Reeskens & Hooghe (2008) fordern. Die Prozedur der Testung auf Messinvarianz wird im folgenden Kapitel für das Konstrukt der Reziprozität und der Netzwerke wiederholt.

11

Konstrukt der Reziprozität

Der zweite Indikator des sozialen Kapitals, der auf Messinvarianz untersucht wird, ist das Konstrukt der Reziprozität. Dieses Konstrukt wird durch die drei Items – ERWIDERN, FRÜHER, KOSTEN – im SOEP in den Jahren 2005, 2010 sowie 2015 erhoben. Diese Erhebungszeiträume bilden die Subgruppen des Vergleichs. Da die Items der Reziprozität bisher nur durch das SOEP kontinuierlich und in vollem Umfang erhoben wurden,86 sind Vergleiche zu anderen Studien der Messinvarianz des Konstrukts der Reziprozität nicht möglich. Ein erster Überblick über die statistischen Kennzahlen der manifesten Indikatoren zeigt bereits, dass die Mittelwerte der einzelnen Items über die drei Erhebungswellen kaum variieren (vgl. Tab. B.13).

11.1

Deskriptive Statistik

Bei der Durchsicht der statistischen Kennzahlen fällt auf, dass die durchschnittliche Streuung der Reziprozität-Items kleiner ist als die durchschnittliche Streuung der Items zum sozialen Vertrauen (durchschnittliche Streuung der Reziprozität von 2,6 %–5,65 % zu 7,02 % –7,73 % beim sozialen Vertrauen) (vgl. Tab. B.1 & B.13). Die größte Zustimmung über die drei Erhebungszeitpunkte weist das Item ERWIDERN auf, gefolgt von KOSTEN und FRÜHER (vgl. Tab. B.13). Der Aussage des Items ERWIDERN „Wenn mir jemand einen Gefallen tut, bin ich bereit, dies zu erwidern“ wird dabei im Mittel (2005–2015) zu 95,24 % zugestimmt (s. Tabelle 7). Hierbei weist die Raumordnungsregion Westmittelfranken den niedrigsten Durchschnittswert mit 84,44 % auf, während die regionale höchste Zustimmung (mit einem Mittelwert von 98,76 %) in der Region Oldenburg zu verorten ist (vgl. Tab. B.13.1). In der Raumordnungsregion Donau Iller (BY) wird das Item ERWIDERN am unbeständigsten mit einer durchschnittlichen Streuung von 13,39 % über die Erhebungszeitpunkte beantwortet. Dabei steigt die Zustimmung von 70,95 % im Jahr 2005 auf 94,32 % im Jahr 2015 an. Im Kontrast dazu wird in der Region Bodensee-Oberschwaben die Aussage zur Erwiderung von Gefallen am beständigsten bejaht (mit einem durchschnittlichen Mittelwert von 95,13 % und einer Standardabweichung von 0,14 %). Das zweite Item des Sozialkapitalindikators der Reziprozität erfasst, ob man sich besonders anstrengt, um jemandem zu helfen, der einem früher schon mal geholfen hat (Item FRÜHER). Dieser Aussage stimmen die Befragten im Mittel über die drei Erhebungswellen zu 70,97 % zu (s. Tabelle 7). Das Item FRÜHER weist im Vergleich zu den anderen Reziprozität-Items die größte durchschnittliche Streuung auf (5,65 % zu 2,6 % (ERWIDERN) und 3,73 % (KOSTEN)). In den Raumordnungsregionen Schleswig-Holstein Süd-West (57,13 %), Westmittelfranken (51,84 %) und Südheide (50,43 %) wird dem Item FRÜHER am wenigsten zugestimmt, während in den Regionen Bremerhaven (79,59 %), Main-Rhön (82,74 %) und Würzburg (86,91 %) die

86

Der ALLBUS fragt 2010 erstmals drei Items zur Reziprozität ab, wovon allerdings nur eins der drei Items 2016 wieder erhoben wird (Für empfangene Hilfe anderen helfen).

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_11

134

11 Konstrukt der Reziprozität

höchste Zustimmung festgestellt wird (vgl. Tab. B.13.2). Die geringste durchschnittliche Streuung (1,06 %) zum Item FRÜHER ist in der Raumordnungsregion Nordhessen zu verorten. Dagegen weist die Raumordnungsregion Donau Iller (BY) die größte Streuung (21,02 %) über die Erhebungszeitpunkte auf. Die Prozentwerte der Zustimmung zum Item FRÜHER verdoppeln sich in Donau Iller (BY) von 40,19 % (2005) auf 79,09 % (2015). Das Item KOSTEN, welches die Erfassung der Reziprozität letztlich vervollständigt, lautet: „Ich bin bereit, Kosten auf mich zu nehmen, um jemandem zu helfen, der mir früher einmal geholfen hat“. Dieser Aussage stimmen im Durchschnitt 86,98 % der Befragten zu (s. Tabelle 7). Der geringste Mittelwert bei höchster durchschnittlicher Streuung tritt bei diesem Item in den beiden Regionen Donau Iller (BY) und Westmittelfranken auf (vgl. Tab. B.13.3). In Donau Iller (BY) bejahen im Durchschnitt 70,73 % (mit einer durchschnittlichen Streuung von 26,52 %) der Befragten, dass sie Kosten auf sich nehmen würden, um jemandem zu helfen, der ihnen früher einmal geholfen hat, in Westmittelfranken sind es 76,24 % (mit einer Standardabweichung von 15,62 %). In Arnsberg (93,1 %), Main-Rhön (93,17 %) und am Mittleren Oberrhein (93,51 %) kann dagegen die durchschnittlich höchste Zustimmung verzeichnet werden. Tabelle 7: Übersicht der statistischen Kennzahlen der Reziprozität-Items

Mittelwert ø

Standardabweichung ø

Min./Max.

ERWIDERN

95.24

2.6

84.44/98.76

KOSTEN

86.98

3.73

70.73/93.51

FRÜHER

70.97

5.65

50.43/86.91

11.2

Prüfung auf Messinvarianz

Bei Betrachtung der Struktur des Konstrukts der Reziprozität zur Bestimmung der konfiguralen Invarianz fällt auf, dass die standardisierten Faktorladungen teilweise stark schwanken (bspw. bei ERWIDERN in 2005 von .9 auf .5 in 2010) (vgl. Tab. B.14.1-B.14.3). Diese Werte sind mit einer Ausnahme – ERWIDERN in der Welle 2015 (.472) – konstant größer .5, was prinzipiell ein erster Hinweis auf konfigurale Messinvarianz gibt. Um die strukturelle Gleichheit über Erhebungszeiträume sicherzustellen, werden wegen der zuvor erwähnten Schwankungen, die auf eine Unbeständigkeit der Struktur hindeuten, weitere Analysen durchgeführt. Die hohen Schwankungen der Werte der internen Konsistenz (Cronbachs Alpha: 2005 = .7671, 2010 = .6213, 2015 = .529) sprechen nicht für ein durchgängig konsistent erfasstes Merkmal (Trait) (vgl. B.15). Das legt nahe, dass die Konstruktvergleichbarkeit über die Erhebungszeitpunkte schwieriger ist. Die Faktorzugehörigkeit, die mittels einer Faktorenanalyse mit Maximum-Likelihood-Schätzern durchgeführt wird, ist zwar über die drei Items gegeben (vgl. Tab. B.16). Die Eigenwerte sinken vom Jahr 2005 (1.962) bis 2015 deutlich ab. Für den zweiten Erhebungszeitraum (2010) kann noch ein Eigenwert von 1.23 ermittelt werden. Jedoch weisen

11.2 Prüfung auf Messinvarianz

135

die Items eine deutlich höhere Uniqueness als 2005 auf. Für den dritten Erhebungszeitraum (2015) erfüllt der höchste Eigenwert des Faktors das Kaiserkriterium (> 1) nicht mehr und fällt auf .876 (im Vergleich zu 2005 und 2010) ab. Ein möglicher Grund für diesen Abfall der Eigenwerte könnte eine verzerrte Aggregation der Items von der Invidiudalebene sein. Um diese Vermutung zu überprüfen, werden die Berechnungen auf der Individualeben wiederholt. Dabei zeigen sich jedoch die gleichen Auffälligkeiten.87 Das gleiche Resultat tritt auch auf, wenn man bei den Berechnungen nur die Befragten heranzieht, die in allen Erhebungszeitpunkten geantwortet haben (vgl. Tab. B.18). Die auf der Aggregatebene relativ konstante Faktorzugehörigkeit über alle drei Erhebungszeitpunkte und die annehmbaren standardisierten Faktorladungen machen es wahrscheinlich, dass die Strukturen über die Erhebungswellen gleich sind. Der nächste Schritt ist daher auf metrische Messinvarianz zu testen. Damit wird festgestellt, ob die Befragten dem Konstrukt die gleiche Bedeutung zuschreiben (van de Schoott et al. 2012). Als Marker-Item wird das Item KOSTEN verwendet, da dieses im Durchschnitt die höchste standardisierte Faktorladung aufweist (.4854) (vgl. Tab. B.14.1-B.14.3). Tabelle 8 zeigt, dass die Anpassungsgüte des Modells inakzeptabel ist und bereits metrische Invarianz nicht erreicht wird. Das Item ERWIDERN scheint nach den Modifikationindizes in diesem Modell problematisch zu sein. Aber auch eine Variation des Items ERWIDERN über die Zeitpunkte hinweg (Modell 2.1 partielle metrische Invarianz) ergibt keine annehmbare Anpassungsgüte (RMSEA >.2, CFI .1), auch wenn sich dieses Modell im Vergleich zum vorherigen nicht signifikant unterscheidet. Der BICs1 nach Bollen et al. (2014) ist durchgängig positiv, was die schlechte Passung weiter verdeutlicht. Eine Möglichkeit das gegebene Modell zu verbessern ist es, die Korrelation von Fehlertermen zuzulassen. In dem oben gegebenen Modell bietet sich eine Korrelation zwischen ERWIDERN und FRÜHER an. Beide Items messen im Wesentlichen ähnliche Inhalte im Vergleich zu dem Marker-Item KOSTEN. Das Item FRÜHER fragt nach der (besonderen Anstrengung bei der) Erwiderung einer früheren Hilfeleistung („Ich strenge mich besonders an, um jemandem zu helfen, der mir früher schon mal geholfen hat“), während das Item ERWIDERN nach der Erwiderung eines Gefallens fragt („Wenn mir jemand einen Gefallen tut, bin ich bereit, dies zu erwidern“). Das Item KOSTEN grenzt sich inhaltlich von den beiden Items ab, weil es explizite Kosten anspricht, die bei der Erwiderung einer Hilfeleistung anfallen („Ich bin bereit, Kosten auf mich zu nehmen, um jemandem zu helfen, der mir früher einmal geholfen hat.“). Die anderen beiden Items, ERWIDERN und FRÜHER, können auch ohne explizite Kosten mit einem wechselseitigen Austausch zum Vorteil beider Parteien geschehen. Bei dieser Interpretation muss davon ausgegangen werden, dass aus Sicht der Befragten eine „besondere Anstrengung“ nicht gleichbedeutend mit „hohen Kosten“ ist.

87

Auch auf Individualebene nimmt die erklärte Varianz sukzessiv ab. Im Jahr 2005 (N= 21105) kann durch den Faktor (Methode des Principal-Component-Factors) 62,76 % der Varianz erklärt wird, während 2010 (N= 18913) 59,63 % der Varianz und 2015 (N=) noch 49,21 % durch den Faktor erklärt wird (vgl. Tab. B.17).

136

11 Konstrukt der Reziprozität

Das Modell 1 (ohne Restriktionen) ist durch die Hinzunahme der korrelierten Fehlerterme nur identifiziert (engl. just identified), sodass keine Werte zur Anpassungsgüte bestimmt werden können (s. Tabelle 9). Dieser Umstand muss für das weitere Vorgehen zunächst einmal hingenommen werden. Im Modell 2 werden die Faktorladungen konstant gehalten, um eine weitere Stufe der Messinvarianz zu überprüfen. Auf dieser Stufe (metrische Invarianz) wird die Passung des Modells (bezogen auf das Modell ohne korrelierte Fehler) verbessert (negativer BIC s1 Wert). Die Anpassungsgüte ist aber inakzeptabel. Da es keinen Chi2-Difference-Test zur Überprüfung einer Verschlechterung zum vorherigen „just identified“-Modell gibt, müsste die Anpassungsgüte als Kriterium zur Beurteilung herangezogen werden. Die Anpassungsgüte wurde bereits zuvor als inakzeptabel festgestellt, sodass sich als Zwischenstufe für das weitere Vorgehen eine Überprüfung der partiellen metrischen Invarianz anbietet. Die Ergebnisse zu diesem Test sind in Modell 2.1 (Tabelle 9) dargestellt. Für die partielle metrische Messinvarianz wird die Restriktion (der Ladungsgleichheit über die Erhebungszeitpunkte) bei dem Item ERWIDERN aufgehoben. In diesem Modell wird die Anpassungsgüte durch die Lockerung der Restriktionen akzeptabel. Jetzt kann nach diesem Ergebnis auf die nächst höhere Stufe der Messinvarianz getestet werden. Der Chi2 -Difference-Test zeigt beim Vergleich der letzten Stufen aber eine signifikante Verschlechterung und auch die Werte der Anpassungsgüte liegen nicht mehr im akzeptablen Bereich. Eine partielle skalare Invarianz wird daher nicht erreicht. Das untenstehende Pfadmodell zeigt die Modifikation mit korrelierten Fehlertermen (s. Abbildung 9).

Abbildung 9: Pfadmodell der Reziprozität

Aufgrund der partiellen metrischen Messinvarianz ist eine äquivalente Beziehung zwischen den Items und dem latenten Konstrukt der Reziprozität über die drei Erhebungszeitpunkte festzustellen (Dimitrov 2010: 124), da mindestens zwei Items invariant gehalten werden. Um die Bedeutsamkeit der Verletzung der metrischen Invarianz zu testen, könnte auch hier die Berechnung der Effektstärke hilfreich sein (Millsap & Olivera-Aguilar 2012: 384). Hierzu ist jedoch die Ermittlung eines spezifischen Wertes nötig, der auf eine bedeutsame Differenz bei den manifesten Items hinweist. „If a meaningful difference cannot be specified, the procedure cannot be used. We would argue, however, that it will be difficult in this case to evaluate the results of any invariance study of the measure“ (Millsap & Olivera-Aguilar 2012: 385). Ab wann von

11.2 Prüfung auf Messinvarianz

137

einer bedeutsamen Differenz bei dem manifesten Item ERWIDERN ausgegangen werden kann, ist unklar. Millsap & Olivera-Aguilar (2012) empfehlen, wenn nur partielle metrische Invarianz erreicht werden kann, die Itemformulierungen oder die Erfassung der relevanten Items zu überprüfen. Diese Aspekte scheinen hier aber schwer anwendbar. Eine mögliche Kritik gegen alle Items der Reziprozität ist, dass sie vermutlich auf spezifischen Reziprozitätserfahrungen beruhen, die sich auf bestimmte Personen beziehen, von denen früher einmal Hilfeleistungen an Befragte gegangen sind. Diese spezifischen Personen haben den Befragten also eine Reziprozitätserfahrung vermittelt, die aber nicht notwendigerweise generalisiert werden muss. Inwieweit dieser Erklärungsvorschlag zutrifft, kann nur mit zukünftiger Forschung überprüft werden. Dabei müsste geklärt werden, wie aus persönlichen Erfahrungen universelle Einstellungen resultieren und inwieweit spezifische Erfahrungen (ähnlich wie bei dem Item HILF) mit persönlichen Erlebnissen der Befragten zusammenhängen, die mit zeitlicher Nähe zum Erhebungszeitpunkt gesammelt wurden. Im statistischen Sinne könnte man die starken Schwankungen der Eigenwerte des Faktors über die Erhebungswellen hinweg und die auffallend zunehmende Uniqueness als weitere Anhaltspunkte für eine spezifische Reziprozität heranziehen. Auch wenn die Erklärungsgründe noch offen sind, so lässt sich aufgrund der statistischen Resultate vermuten, dass sich das Verständnis des Konstrukts über die Erhebungszeiträume verändert. Dafür spricht auch, dass die Werte der AVE im Durchschnitt kleiner .25 sind, was im Mittel für standardisierte Faktorladungen kleiner .5 spricht (s. Tabelle 10). Da die Werte des AVE über die Erhebungswellen stark schwanken, muss davon ausgegangen werden, dass keine konvergente Validität vorliegt. Da lediglich eine partielle metrische Messinvarianz mit einer nicht ausreichenden durchschnittlich erfassten Varianz (AVE) über die drei Erhebungszeitpunkte 2005, 2010 und 2015 erhalten wurde, wird in einem weiteren Schritt jeweils ein Erhebungszeitpunkt herausgelassen, um eine höhere Messinvarianzstufe zu erreichen. Aber auch durch diese paarweise Prüfung auf Messinvarianz kann keine höhere Messinvarianzstufe erreicht werden. Tabelle 10: Übersicht der durchschnittlich erfassten Varianz (AVE) Werte

Modell 1: alle Parameter sind frei

AVE:

AVE über die Welle

Mittelwert

(höchster – niedrigster Wert)

.234

Hi: 2005 .445 Lo: 2015 .091

Modell 2.1: partiell metrisch (Ladungen)

.234

Hi: 2005 .417 Lo: 2015 .141

AVE > 0.25 gilt als minimales Kriterium (vgl. Mayerl 2017: 195)

138

11.3

11 Konstrukt der Reziprozität

Zusammenfassung

Die Ergebnisse zeigen, dass die Indikatoren KOSTEN, FRÜHER und ERWIDERN zur Erfassung des Konstrukts der Reziprozität auf aggregierter Ebene der Raumordnungsregionen über die drei Erhebungswellen des SOEP lediglich partielle metrische Messinvarianz erreichen und keine konvergente Validität erlangen. Vergleiche des Konstrukts sind daher über die Zeiträume 2005, 2010 und 2015 nicht möglich, da die latenten Mittelwerte aufgrund der fehlenden skalaren Messinvarianz nicht verglichen werden dürfen. Bereits wenn lediglich von einer relationalen Struktur zwischen Faktor und manifesten Items ausgegangen wird, ist mit einem sogenannten Item-Bias Dimitrov (2010) zu rechnen. Dieser Item-Bias geht auf gruppenspezifische Mittelwertunterschiede – hier also auf Unterschiede zwischen den Erhebungsjahren – zurück. Darüber hinaus ist jedoch die in einzelnen Erhebungszeitpunkten niedrige AVE zu kritisieren, was gegen ein einheitlich erfasstes Konstrukt spricht. Es wird im Folgenden davon abgesehen das Konstrukt der Reziprozität in künftige Berechnungen einzubeziehen. Stattdessen wird auf die einzelnen manifesten Items zurückgegriffen. Damit gehen natürlich auch die Vorteile verloren, die mit der Operationalisierung über ein Konstrukt (anstatt der Operationalisierung über Einzelitems) zusammenhängen. Insbesondere lassen sich bei der Verwendung von einem Item (für die Abbildung eines Konstrukts) keine Aussagen über dessen Reliabilität treffen. Um Aussagen über eine zuverlässige Messung zu machen müssen mehrere Items herangezogen werden (vgl. Naef & Schupp 2009: 2). Da die Kriterien der Messinvarianzprüfung bei dem Konstrukt der Reziprozität nicht erreicht werden (und insbesondere die AVE-Werte inakzeptabel sind), wird die zweite Unterhypothese 1.2 (Das Konstrukt der Reziprozität erreicht die Stufe der Messinvarianz, auf der sich verschiedene Erhebungszeitpunkte miteinander vergleichen lassen) verworfen. Im letzten Schritt soll die strukturelle Dimension des sozialen Kapitals, die formalen Netzwerke, untersucht werden.

35.34 24.20 41.87

Modell 2: metrisch (Ladungen)

Modell 2.1: partiell metrisch (Ladungen)

Modell 3.1: partiell skalar (Intercepts)

9

5

7

3

df

13.92 3.01 20.43

Modell 2: metrisch (Ladungen)

Modell 2.1: partiell metrisch (Ladungen)

Modell 3.1: partiell skalar (Intercepts)

6

2

4

.

2.1

-

-

-

df ref. Modell

17.42

.

.

.

delta Chi2

17.67

3.01

14.15

.

delta Chi2

4

.

.

.

delta df

4

2

4

.

delta df

0.0016

.

.

.

p

0.0014

0.222

0.0068

.

p

.158

.073

.161

.

RMSEA

.195

.200

.205

.251

RMSEA

.922

.995

.947

.

CFI

.823

.897

.847

.902

CFI

.126

.057

.121

.

SRMR

.139

.099

.138

.079

SRMR

-6.956

-6.119

-4.337

.

BICs1

.791

1.378

3.39

7.493

BICs1

Kriterien der Anpassungsgüte: CFI > 0.95 (min. 0.92); RMSEA 0.95 (min. 0.92); RMSEA |z|

[95% Conf. Intervall]

.2394964 .6821855 -.2917285 -14.02236

.1209395 .0951417 .0979027 1.286473

-1.98 6.64 -2.98 -10.9

0.048 0.000 0.003 0.000

-.4765334 .4457112 -.4836143 -16.5438

-.0023594 .8186598 -.0998427 -11.50092

.2579139 .1639878 .301517 .2056215 -3.96366

.0959947 .11435 .1193874 .0961494 1.557611

2.69 1.43 2.53 2.14 -2.54

0.007 0.152 0.012 0.032 0.11

.0697678 -.0601341 .067522 .0171721 -7.016521

.44606 .3881097 .5355119 .3940708 -.9107984

-0.0522559 .0699725 -.1094466 .0244106 .35511 -.1800616 -.3880265 -2.458422

.0990802 .1097834 .1092124 .1201117 .1033117 .1160715 .1262469 3.296876

-0.53 0.64 -1.00 0.20 3.44 -1.55 -3.07 -0.75

0.598 0.524 0.316 0.839 0.001 0.121 0.002 0.456

-.2464496 -.1451991 -.3234991 -.2110041 .1526227 -.4075576 -.6354659 -8.920181

.1419377 .285144 .1046058 .2598253 .5575972 .0474344 -.1405872 4.003336

var(e.PUTNAM) .710763 .0753738 .5773751 var(e.Social TRUST) .5945844 .0740561 .4657957 var(e.KORRUPTION) .6302317 .0738544 .5009002 LR test: Modell vs. saturated: Chi2(2) = 3.29, Prob > Chi2 = 0.8571

.8749668 .7589821 .7929562

STADTLAND _cons SOCIAL TRUST PUTNAM GDP OSTWEST STADTLAND _cons KORRUPTION PUTNAM SOCIAL TRUST FRÜHER ERWIDERN

KOSTEN GDP OSTWEST _cons

Zunehmende Untersuchungen differenzieren zwischen brückenbildendem sozialem Kapital, welches durch das zivile Engagement in verschiedenen ehrenamtlichen Organisationen gekennzeichnet ist, und bindendem sozialem Kapital, welches Beziehungen über Familie und Freunde abbildet. Auf der Individualebene konnte mehrfach aufgezeigt werden, dass brückenbildendes soziales Kapital bspw. auf das Gesundheitsempfinden, das ökonomische Wohlbefinden (economic wellbeing) oder das Wohlbefinden (am Arbeitsplatz) einen positiven Effekt ausüben (Iwase et al. 2012; Lancee 2010; Tu & Zhang 2015). Eine größere Netzwerkaktivität mit zivilem Engagement in ländlichen Regionen stellt eine wertvolle Ressource dar, vor allem da das soziale Vertrauen stets in den städtischen Regionen und Regionen mit Verstädterungsansatz überwog.

182

14 Korruption

Tabelle 19: Anpassungsgüte zum Strukturmodell der Korruption

Gütekriterien

Chi2

df

p

RMSEA

CFI

SRMR

BICs1

3.29

2

.8571

0.000

1

0.013

-12.612

Der zweite Teil dieser Dissertation geht der Frage nach, ob die Sozialkapitalindikatoren unterschiedlichen Einfluss auf die Wichtigkeit haben, über Korruption erfolgreich zu sein. Diese Frage wird in der vierten Hypothese aufgegriffen (vgl. Kapitel 8) und kann aufgrund der Untersuchungsergebnisse bestätigt werden. Hypothese 4.1., die einen negativen Einfluss des sozialen Vertrauens auf die Wichtigkeit von Korruption als Mittel zum Erfolg postuliert, muss in dieser Untersuchung verworfen werden, da sich im Modell kein signifikanter Einfluss nachweisen lässt. Die Hypothese 4.2, nach der die Reziprozität einen positiven Einfluss auf die Wichtigkeit von Korruption als Mittel zum Erfolg besitzt, bezieht sich auf das Konstrukt (der Reziprozität). Aufgrund der niedrigen Messinvarianzstufe und der fehlenden konvergenten Validität konnte, wie schon mehrfach angesprochen, die Reziprozität nicht als Konstrukt erfasst werden. Um dieser Problematik zu begegnen werden die Mittelwerte der manifesten Einzelitems über die beiden Erhebungszeitpunkte 2005 und 2010 verwendet. Die Items FRÜHER und ERWIDERN besitzen keinen signifikanten Einfluss. Das Item KOSTEN erhöht aber die Wichtigkeit zur Korruption signifikant. Da der Inhalt dieses Items den Kern der Reziprozität widergibt, kann die Hypothese 4.2 über dieses Item als bestätigt angesehen werden, auch wenn damit kein Konstrukt erfasst wird. Die Reziprozität wird über die verwendeten Items als spezifische Form des sozialen Kapitals erfasst bei der sich die Austauschaspekte auf konkrete Personen beziehen. Damit spricht diese Reziprozität die Inhalte von partikularem Vertrauen an, das einen anderen Einfluss auf Korruption besitzt als generalisiertes Vertrauen (vgl. Tonoyan 2005). Über partikulares Vertrauen wird in der Literatur berichtet, dass es (die Bedeutsamkeit von) Korruption erhöht, während soziales Vertrauen das Gegenteil bewirkt (vgl. Uslaner 2009; Graeff 2011). Die Netzwerke des sozialen Engagements haben keinen signifikanten Einfluss auf die Wichtigkeit von Korruption als Mittel zum Erfolg, sodass Hypothese 4.3 verworfen wird. Die in dieser Arbeit vorgestellten Ergebnisse gehen in verschiedener Weise über die bisher publizierten Befunde hinaus. Soweit mir bekannt, hat noch keine (quantitative) Studie den Einfluss unterschiedlicher Sozialkapitalindikatoren (nach Putnam) auf die Bedeutsamkeit von Korruption untersucht. Darüber hinaus konnte noch keine andere Studie den (positiven) Einfluss der Reziprozität auf die Bedeutsamkeit von Korruption in dieser Weise feststellen. Andere Studien fokussieren sich weitgehend auf das soziale Vertrauen als Determinante (vgl. Serritzlew et al. 2014: 133 ff.). Meine hier vorgestellten Ergebnisse geben neue Einblicke in den Zusammenhang von sozialem Kapital und der Wichtigkeit von Korruption. Das brückenbildende Sozialkapital, das auch im

14.2 Das Strukturmodell

183

sozialen Vertrauen und über die Netzwerke des sozialen Engagements erfasst wird, wird in der Literatur häufig als Antagonist der Korruption dargestellt (Putnam 2000; Graeff & Svendsen 2013). Bindendes Sozialkapital, das sich nur auf Hilfeleistungen gegenüber konkreten Personen, denen man sich verpflichtet fühlt, bezieht, fehlt bisher als Erklärungsvariable in den empirischen Studien – wenngleich es in der theoretischen Debatte seit Langem diskutiert wird. Diese Eigenschaft bindenden Sozialkapitals bildet das Item KOSTEN ab (über die Formulierung „Ich bin bereit, Kosten auf mich zu nehmen, um jemandem zu helfen, der mir früher einmal geholfen hat“). Dieser Befund verdeutlicht, dass Sozialkapital nicht einfach das Gegenteil von Korruption ist. Es ist der Effekt der sozialen Beziehungen, der den antagonistischen Charakter des Sozialkapitals zur Korruption ausmacht. Damit stellt sich aber auch unmittelbar die Frage, ob eine generelle Reziprozität andere Wirkungen besitzt als die spezielle Reziprozität, die sich in meiner Studie als bedeutsam erweist. Darüber hinaus müsste in zukünftiger Forschung herausgefunden werden, inwiefern partikulare Formen des sozialen Vertrauens neben der Reziprozität auf die Bedeutsamkeit von Korruption als Erfolgsfaktor einwirken.

15

Diskussion und Schlussfolgerungen

15.1

Einschränkungen

Neben den oben genannten Erkenntnissen über Sozialkapital (und der Wichtigkeit von Korruption) weist die vorliegende Studie auch einige methodologische Problematiken auf, die im Folgenden diskutiert werden sollen. Eine offensichtliche Begrenzung liegt in der (geringen) Fallzahl der 96 Raumordnungsregionen. Diese Fallzahl stellt nur eine begrenzte Anzahl an Freiheitsgraden zur Verfügung, was einer komplexen Modellierung bei einer relativ hohen Anzahl von Parametern Grenzen setzt. Da einige Regionen im ALLBUS für bestimmte Erhebungszeitpunkte nicht vorliegen, reduziert sich die Fallzahl bei der Analyse der zweiten Fragestellung weiter. Bei der Modellierung von Strukturgleichungsmodellen spielt die Fallzahl bei verschiedenen Überlegungen eine Rolle (vgl. Wolf et al. 2013). Um die „wahre“ Beziehung zwischen Variablen zu finden, benötigt man eine hinreichende statistische Power. Eine höhere Fallzahl erhöht typischerweise die statistische Power. Weiterhin spielt die Fallzahl bei der Güte der Parameterschätzung und bei der Ermittlung der Standardfehler eine Rolle. Eine geringe Fallzahl kann dazu führen, dass bei der Modellschätzung Probleme beim Konvergieren der Modelle auftreten. Die Begrenzung der Fallzahl zeigt sich in dieser Studie möglicherweise bei der Modellierung der zweiten Fragestellung. Dort konnten die manifesten Items als Prädiktoren des latenten Konstrukts (des sozialen Vertrauens und der Netzwerke des sozialen Engagements) nicht in die Modellschätzung mit aufgenommen werden, da ansonsten das Modell nicht konvergierte. Stattdessen wurden die Faktorwerte der latenten Konstrukte allein als Prädiktoren verwendet. Dennoch bleibt an dieser Stelle festzuhalten, dass die 96 Fälle bei dieser Art der Analyse und den zugrundeliegenden Daten eine deutliche Verbesserung in der Stichprobengröße etwa im Vergleich zu der Anzahl der Bundesländer darstellt. Eine weitere Problematik liegt bei einigen dichotomen Items auf Individualebene vor. Ein Vergleich zwischen der Faktorstruktur auf Individualebene und der Faktorstruktur auf Ebene der Raumordnungsregionen wird durch diese Items erschwert (vgl. Kapitel 13). Die Schätzungen in den Strukturgleichungsmodellen basieren auf Kovarianz- oder Korrelationsmatrizen. Diese Matrizen lassen sich mit dichotomen Items nicht ohne Weiteres herstellen. Daher konnte auch nicht sofort die Faktorstruktur auf der Individualebene mit diesen Items bestimmt werden. Es war vielmehr nötig, eine polychorische Korrelationsmatrix zu erstellen, für die die Annahme einer multivariaten Normalverteilung gilt (Kolenikov & Angeles 2009). Eine weitere Problematik bei den verwendeten Sekundärdaten stellt die alleinige Verwendung des Items WICHTIGKEIT VON KORRUPTION als abhängige Variable dar. Einzelitems verfügen meist nur über sehr begrenzte Ausprägungen und lassen sich nicht als Konstrukt betrachten. Auch können nur sehr eingeschränkt Gütekriterien der Messung für dieses Item bestimmt werden. Es wäre vorteilhaft gewesen, wenn die Wichtigkeit von Korruption als Konstrukt mit mehreren manifesten Items erfasst worden wäre. Im ALLBUS finden sich neben dem in dieser Stu-

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8_15

186

15 Diskussion und Schlussfolgerungen

die verwendeten Item nur noch zwei weitere Items zur Korruption, die sich jedoch auf die vermutete Anzahl (bspw. einige, alle) von korrupten Politikern und Beamten beziehen. Sie stellen die Messung eines zu spezifischen Inhalts dar, der nur peripher mit den Sozialkapitalindikatoren hätte erklärt werden können. Im Übrigen unterscheiden sich diese Items inhaltlich von der subjektiv empfundenen Bedeutung von Korruption für den eigenen Erfolg. Das Eurobarometer verfügt über mehrere Items zur Korruption, allerdings liegen entsprechende Daten nur auf Bundeslandebene vor, sodass die Fallzahl für die Auswahl zu gering gewesen wäre. Um ein Konstrukt in einem Strukturgleichungsmodell zu konstituieren, werden mindestens drei manifeste Items benötigt. Diese Bedingung schränkt die Modellierung dann ein, wenn nur eine begrenzte Anzahl an Items für ein Konstrukt in den Sekundärdaten existiert und sich herausstellt, dass ein Faktor nicht alle Items hinreichend linear determiniert. In diesem Fall wird der Faktor nur über weniger als drei Items gebildet und die schwach ladenden Items müssten eigentlich durch andere adäquate Items ersetzt werden. Diese Ersetzung ist aber wegen der begrenzten Itemanzahl in den Sekundärdaten nicht möglich. Ein solcher Fall liegt in meiner Untersuchung für das Konstrukt der Reziprozität vor. Im Laufe der Analyse zeigt sich, dass die Faktorladungen des Items ERWIDERN bei der Prüfung auf metrische Messinvarianz variieren. Damit konnte für das Konstrukt nicht die volle metrische Messinvarianzstufe mit akzeptablen statistischen Gütekriterien erreicht werden. Es musste daher auf alle drei zur Verfügung stehenden Items zurückgegriffen werden, um das latente Konstrukt der Reziprozität zu erstellen. Wenn es auch nur drei Items im SOEP zur Reziprozität gibt, so muss positiv vermerkt werden, dass diese durchgängig in den Erhebungen erfasst werden, was bspw. im ALLBUS nicht der Fall ist. Dort wird nur ein Item regelmäßig abgefragt. Das SOEP stellt zwar neben den in dieser Studie verwendeten Reziprozität-Items auch Items zur Verfügung, die als negative Reziprozität gelten können – sie beziehen sich aber auf Inhalte wie Rache oder Ähnliches (vgl. Caliendo et al. 2010; Dohmen et al. 2008). In einigen Studien konnte gezeigt werden, dass diese Items zur negativen Reziprozität nichts mit dem Konstrukt der Reziprozität zu tun haben, die in dieser Studie als Teil des sozialen Kapitals verwendet werden (Egloff et al. 2013; Dohmen et al. 2009). Neben diesen methodologischen Schwierigkeiten stellt sich auch die Frage, ob sich in dem vorhandenen Material an Items und den daraus resultierenden Konstrukten überhaupt ein „Gesamtphänomen“ des Sozialkapitals finden lässt. Die Operationalisierung wurde eng an Vorgängerstudien (Freitag & Traunmüller 2008) vorgenommen, inwiefern hiermit aber die Komplexität des sozialen Kapitals hinreichend Berücksichtigung findet, bleibt offen.

15.2

Zentrale Ergebnisse und Schlussfolgerungen für die Forschung

In theoretischer Hinsicht lässt sich ein Gesamtphänomen des Sozialkapitals relativ leicht konstruieren, sei es in Putnams (1993; 2000) oder Colemans (1995) Theorien. In der Empirie mischen sich aber Operationalisierungen auf der Handlungsebene (wie Netzwerkaktivitäten) und Einstellungen (wie Vertrauen, Normen und Werte), sodass der Komplexität dieses Phänomens

15.2 Zentrale Ergebnisse und Schlussfolgerungen für die Forschung

187

durch die Operationalisierung Rechnung getragen wird, sich aber über die Erhebungszeitpunkte nur unterschiedliche Stufen der Messinvarianz erreichen lassen. Damit unterscheiden sich die Repräsentationen des sozialen Vertrauens, der Reziprozität und der Netzwerke des sozialen Engagements im Verständnisraum der Befragten bei gleichen Itemformulierungen über verschiedene Erhebungen hinweg. Untersuchungen zu Überprüfungen der invarianten Erfassung des sozialen Vertrauens gibt es häufig – die meisten europäischen Studien verwenden den ESS und analysieren soziales Vertrauen im Ländervergleich (Coromina & Davidov 2013 etc.). Untersuchungen, die sich mit dem nationalen Verständnis eines solchen Konstrukts beschäftigen, gibt es vergleichsweise seltener. Panelstudien gehen manchmal von der Annahme einer Invarianz eines Konstrukts innerhalb eines Landes aus (z. B. Levels et al. 2015) und übersehen damit mögliche Variationen in den Konstrukten (über verschiedene Erhebungszeiträume), wie sie sich in meiner Untersuchung gezeigt haben. Umgekehrt kann eine umfassende Untersuchung hinsichtlich der Messinvarianz Sicherheit über die korrekte statistische Verwendung der Konstrukte in den nachfolgenden Analysen geben. So kann bspw. in meiner Studie aufgrund der gefundenen Ergebnisse das soziale Vertrauen als Konstrukt auf der Grundlage von SOEP-Daten für Vergleiche über unterschiedliche Erhebungszeitpunkte verwendet werden. Dabei ist es wichtig, dass das Item VORSICHT nicht zum Konstrukt des sozialen Vertrauens dazu genommen wird, wie es in anderen Studien der Fall ist (vgl. Freitag & Traunmüller 2008; Levels et al. 2015 etc.). Eine theoretisch vorgegebene Zuordnung eines Items zu einem Konstrukt ist keine hinreichende Begründung, falls die Repräsentation des Konstrukts im Verständnisraum der Befragten als Kriterium verwendet wird. Vielmehr sollte an dieser Stelle den empirischen Methoden der Messinvarianz bzw. der CFA und deren Ergebnissen der Vorzug gegeben werden. Studien über die Sozialkapitalmerkmale der Reziprozität und der Netzwerke des sozialen Engagements sind deutlich seltener als solche, die soziales Vertrauen behandeln. Daher können die von mir gefundenen Resultate zu den beiden Sozialkapitalmerkmalen als weitestgehend neu gelten. Sie können aber dennoch in den theoretischen Rahmen oder die empirischen Befunde anderer Studien eingeordnet werden (z. B. Gundelach & Traunmüller 2014). Meine Studie spricht aber auch Problematiken an, die in der empirischen Sozialkapitalforschung häufig anzutreffen sind. Erstens scheint es in der Sozialkapitalforschung ein höheres Interesse an der Messung des sozialen Vertrauens zu geben (z. B. Lundmark et al. 2016; Bäck & Christensen 2016; Staubli 2016; Bayram 2017) als an der Messung anderer einzelner Sozialkapitalelemente, insbesondere der Reziprozität. Die empirische Netzwerkforschung ist in den letzten Jahren deutlich vorangetrieben worden (Lin 2001; Franzen & Bozen 2011; Franzen & Bozen 2014), allerdings fehlen in großen Surveys wie dem ESS oder WVS Items, die Konstrukte wie die Reziprozität erfassen. Das soziale Vertrauen ist dagegen relativ häufig in großen länderübergreifenden Surveys zu finden. Damit ist es aber nicht möglich, internationale Untersuchungen zu spezifischen Sozialkapitalkomponenten durchzuführen. Solche Untersuchungen wären aber notwendig, um die Frage zu klären, warum sich in meiner Studie lediglich eine niedrige Messinvarianzstufe für die Reziprozität nachweisen lässt.

188

15 Diskussion und Schlussfolgerungen

Zweitens taucht im Zusammenhang mit dem Konstrukt der Netzwerke die Frage auf, ob die Methode der Messinvarianz tatsächlich für die Analyse von (Klassen von) Häufigkeiten geeignet ist. Die Netzwerk-Items werden mit Antwortkategorien wie „täglich“, „wöchentlich“ usw. abgefragt. Ob hier die Methode der Messinvarianz angemessen ist, die eigentlich für die Überprüfung von Einstellungsdaten entwickelt wurde, ist nicht unmittelbar klar. Zumindest liegt es nahe, dass mit diesen Items Regelmäßigkeiten auf der Handlungsebene erfasst werden, die vielleicht in ähnlicher Weise variieren können wie Einstellungsdimensionen. Letztlich stellt sich auch die Frage, was Residualkategorien bei der Messung von Sozialkapital eigentlich erfassen und wie mit ihnen methodologisch in sinnvoller Weise umgegangen werden kann. In meiner Studie habe ich für das Item SONSTIGE, das eine Residualkategorie von Netzwerkaktivitäten beinhaltet, eine pragmatische Vorgehensweise gewählt und sie aufgrund statistischer Kriterien dem sozialen Engagement zugeordnet. Nach Einordnung meiner Ergebnisse in den bestehenden Forschungskontext lassen sich weitere Erkenntnisse für die empirische Sozialkapitalforschung und auch für die Datenproduzenten wie das SOEP aufzeigen. Greift man etwa die Studie von Gundelach & Traunmüller (2014) mit ihren Ergebnissen auf, dann wird die Bedeutung der Reziprozität als ein wesentlicher Faktor für das soziale Kapital in Deutschland deutlich. Möglicherweise sind Reziprozitätsnormen für den sozialen Zusammenhalt deshalb bedeutsamer, weil diese dem sozialen Vertrauen vorgelagert sind (Gundelach & Traunmüller 2014: 613). Die Autoren finden in ihrer Studie auch Hinweise darauf, dass eine hohe ethnische oder religiöse Diversität in Deutschland Reziprozitätsnormen nicht erodiert. Soll die Sozialkapitalforschung weiter vorangetrieben werden, ist es daher zunehmend wichtiger, die messtheoretischen Eigenschaften der Konstrukte zu erfahren, um auch verlässliche Aussagen über manifeste wie latente Veränderungen der Konstrukte treffen zu können. Dazu ist es nötig, die Konstrukte über verschiedene Erhebungszeitpunkte in vergleichbarer Weise zu erfassen. Es scheint in jedem Fall methodologisch vorteilhaft, die Sozialkapitalindikatoren als Konstrukte zu verstehen und zu verwenden, sei es als das zu erklärende Phänomen, wie bei Gundelach & Traunmüller (2014), oder als Prädiktoren, wie es in dieser Untersuchung in Bezug auf die Wichtigkeit von Korruption getan wurde. Für die Sozialkapitalforschung, die sich mit Korruption als negativem Sozialkapital befasst, sind meine Ergebnisse dahingehend aufschlussreich, dass insbesondere die Reziprozität mit der Wichtigkeit, über Korruption weiterzukommen, in Zusammenhang steht. Bisher wurde in der empirischen Forschung der Korruption überwiegend das soziale Vertrauen als Sozialkapitalindikator entgegengesetzt. Weitere Forschungen, die sich auch mit der Reziprozität beschäftigen, könnten neue Impulse für die Sozialkapital- sowie die Korruptionsforschung geben. Allerdings wirft der von mir gefundene Zusammenhang zwischen Reziprozität und der Wichtigkeit von Korruption die Frage auf, ob die Reziprozitätsnormen mit bindendem Sozialkapitalcharakter auch tatsächlich eine negative Wirkung aufweisen. Es ist also in zukünftiger Forschung nötig, den Zusammenhang zwischen bindendem Sozialkapital und (spezifischen und generellen) Reziprozitätsnormen herauszuarbeiten.

15.2 Zentrale Ergebnisse und Schlussfolgerungen für die Forschung

189

Dabei könnte es auch bedeutsam werden, die Messinvarianz für die verwendeten Konstrukte zwischen verschiedenen Aggregationsniveaus nachzuweisen. In dieser Studie stellt sich die Makroperspektive auf der Ebene der Raumordnungsregionen in Bezug auf die Sozialkapitalindikatoren als ein Spiegel der Individualebene dar. Für die Konstrukte können auf beiden Ebenen ähnliche Stufen der Messinvarianz erreicht werden. Dieses Resultat ist methodisch bedeutsam, da Untersuchungen mit Aggregatdaten nicht selten kritisch betrachtet werden. Ein nahe liegender Kritikpunkt ist, dass Aggregierungen auch Verzerrungen mit sich bringen und Schlussfolgerungen über die Betrachtungsebene hinaus schwieriger machen, wie bereits beim ökologischen Fehlschluss (Robinson 1950) gezeigt wurde. Durch die Erreichung der (fast) gleichen Stufe der Messinvarianz gibt es in dieser Studie eine Äquivalenz bezüglich der zugrundeliegenden Merkmale. So verstehen bspw. die Befragten über die Erhebungszeitpunkte das soziale Vertrauen in gleicher Weise. Auf der Aggregatebene der Raumordnungsregionen, auf der eine ähnliche Messinvarianzstufe wie auf der Individualebene erreicht wird, wird das soziale Vertrauen auch in den Regionen über die Erhebungszeitpunkte in gleicher Weise verstanden. Dieses Resultat ist für die Datenproduzenten von Interesse. Es zeigt auch, dass aufgrund des zuverlässigen methodischen Vorgehens und wegen des passenden Erhebungsdesigns des SOEPs Aussagen auf Mikro- wie auf Makroebene möglich sind. Meine Ergebnisse sind auch für politische Fragestellungen relevant. Hier ist insbesondere der Befund bezüglich des Ost-West-Gefälles des sozialen Vertrauens zu nennen, der durch den zeitlichen Vergleich hinsichtlich der Regionen in Deutschland aufgezeigt werden konnte. Das Ost-West-Gefälle kann über alle drei Erhebungszeitpunkte festgestellt werden. Diese Arbeit will aber nicht die Begründungszusammenhänge darlegen. Sie kann aber als Ausgangspunkt dienen, die unterschiedlichen Entwicklungsdynamiken bezüglich der Sozialkapitalindikatoren in Ost- und Westdeutschland weiter zu analysieren, sodass auch gesellschaftliche und politische Maßnahmen ergriffen werden können, um Unterschieden in Zukunft gegenzusteuern. Ein Ansatzpunkt könnte das soziale Vertrauen sein, bei dessen Förderung eine höhere Toleranz gegenüber Minderheiten oder generell anderen zu erwarten ist sowie eine größere Zufriedenheit (Rothstein 2013). Dafür könnten die Unterstützungen von sozialen Netzwerkaktivitäten in Vereinen oder sonstigen zivilgesellschaftlichen Institutionen wie kirchlichen Einrichtungen hilfreich sein, was nicht nur zu einer höheren Ausstattung an sozialen Vertrauen führen, sondern auch einer sozialen Spaltung und einer Radikalisierung von Einstellungen entgegenwirken sollte. In methodischer Hinsicht eignet sich meine Studie als Ausgangspunkt für weitere Forschungen zu Sozialkapitalkonstrukten. Eine andere Herangehensweise, als ich sie gewählt habe, könnte eine MGCFA sein, die nicht mit aggregierten Daten, sondern auf Individualebene durchgeführt wird und neben den Erhebungszeitpunkten auch die Regionen als Gruppen betrachtet. Auch auf diese Weise können detailliertere Ergebnisse zur Messinvarianz bei den Sozialkapitalindikatoren erhalten werden. Um die Gruppengröße überschaubar zu halten, könnten bspw. die Bundesländer als Gruppeneinheit der Regionen bei einer MGCFA herangezogen werden. Durch diese Untersuchungen könnten Regionen herausgestellt werden, die sich in ihrer konstanten Einstellung in einem spezifischen Erhebungszeitpunkt von den anderen unterscheiden.

190

15 Diskussion und Schlussfolgerungen

Neben den erweiterten Möglichkeiten der MGCFA stellen Davidov et al. (2014: 67) auch weitere statistische Methoden vor, um die Äquivalenz der Messungen (measurement equivalence) ohne CFA zu überprüfen. Solche alternativen Methoden sind insbesondere für Forscher von Interesse, die die Prüfung auf Messinvarianz mit CFA als zu restriktiv empfinden und weniger strikte Kriterien für vertretbar halten. In der Tat scheitern gerade Untersuchungen mit Einstellungsdaten häufig an niedrigen Messinvarianzstufen (wie es auch in dieser Untersuchung im Fall der Reziprozität passiert ist). Damit werden Vergleiche des latenten Mittelwerts nicht mehr zulässig. Deng & Yuan (2016) schlagen in diesem Zusammenhang ein Vorgehen vor, dass das Identifizieren und Abschätzen der latenten Faktormittelwerte ermöglicht, ohne dass die Kriterien der Messinvarianz (mindestens skalare Messinvarianz mit gleichen Intercepts) erfüllt werden. Es stellt sich die Frage, ob das Vorgehen der konservativen CFA-Methode zur Prüfung der Messinvarianz in dieser Untersuchung ebenfalls durch alternative Methoden hätte ersetzt werden sollen, um ggf. die latenten Mittelwerte aller Sozialkapitalindikatoren über die Erhebungszeitpunkte vergleichen zu können. Grundsätzlich ist es interessant, welches Ergebnis mit diesen neuen und alternativen Methoden hinsichtlich der Sozialkapitalindikatoren erzielt werden kann. Jedoch wurde die konservative CFA-Methode hier gewählt, da, anders als in cross-nationalen Vergleichen, in dieser Untersuchung zu den unterschiedlichen Erhebungszeitpunkten weitgehend die gleichen Personen (Panel-Untersuchungen) erfasst wurden. Somit können (bspw. kulturelle und politische) Unterschiede ausgeschlossen werden, wie sie in länderübergreifenden Untersuchungen vorkommen. In solchen Untersuchungen lassen sich die alternativen Methoden, bei denen „weniger strikte“ Kriterien angewendet werden, zur Prüfung der Messinvarianz rechtfertigen. Die Operationalisierung der Sozialkapitalindikatoren folgt in dieser Arbeit einer theoretischen Auffassung, die viele Forscher als Grundlage verwenden. Konkret werden in dieser Studie wesentliche Elemente des Sozialkapitalansatzes nach Putnam (2000) bzw. Coleman (1995) aufgegriffen. Die Operationalisierung der Dimensionen des Sozialkapitals anhand der SOEP-Daten folgt Vorbildern aus der Forschungsliteratur (Freitag & Traunmüller 2008), sie kann aber keinesfalls als umfassend für diese Ansätze gelten. Vielmehr wurden Indikatoren des sozialen Kapitals verwendet, die sich in diese Theorien einpassen. Die Indikatoren wurden in meiner Studie differenziert betrachtet, wobei sich herausstellt, dass der Indikator der Reziprozität spezifische Aspekte im Sinne bindenden Sozialkapitals (also Hilfeleistungen bezogen auf konkrete, einzelne Personen) abbildet, während die Indikatoren des sozialen Vertrauens und der Netzwerke des sozialen Engagements brückenbildende Eigenschaften erfassen. Damit sind Elemente des Sozialkapitalansatzes von Putnam (2000: 23) aufgegriffen, die bereits in der Theorie getrennte Dimensionen von Hilfeleistungen darstellen. Beide Dimensionen haben ihre Berechtigung im gesellschaftlichen Leben. Diese unterschiedlichen Dimensionen erweisen sich in meiner Studie aber in messtheoretischer Hinsicht als schwierig nachweisbar, weil die Reziprozität nicht als Konstrukt erfassbar ist. Die Frage, ob es mithilfe meiner Operationalisierung möglich gewesen

15.2 Zentrale Ergebnisse und Schlussfolgerungen für die Forschung

191

wäre, auch eine „singuläre latente Größe oder ein einheitliches Syndrom“ (Freitag & Traunmüller 2008: 232) des sozialen Kapitals zu finden, lässt sich mit den vorliegenden Daten nicht beantworten.104 Es hätte auch alternative theoretische Grundlagen geben können, je nachdem, welche inhaltliche Ausrichtung im Vordergrund stehen soll, wie z. B. der Ansatz nach Bourdieu (in einer eher marxistischen Theorietradition) oder Rothstein (in einer eher politikwissenschaftlichen Theorietradition). Es ist eine offene Frage, inwiefern Resultate empirischer Untersuchungen zu diesen Ansätzen mit meinen Ergebnissen vergleichbar sind, sofern in die Operationalisierung der Sozialkapitalvariablen bereits andere Konzepte eingeflossen sind, wie etwa das der Ungleichheit (im Sinne von Bourdieu). Möglicherweise treten Inkommensurabilitäten deshalb auf, weil die theoretisch motivierten Indikatoren inhaltlich zu unterschiedlich sind. Dort aber, wo gleiche Indikatoren verwendet werden, können auch Vergleiche bei unterschiedlicher theoretischer Ausrichtung gezogen werden, wie etwa in politikwissenschaftlichen Studien (wie Rothstein & Stolle 2008), in denen das soziale Vertrauen ebenfalls über das Item des WVS operationalisiert wurde. Unmittelbar anknüpfen an meine Ergebnisse können diejenigen Studien, die eine ähnliche oder gleiche theoretische Basis haben (z. B. Freitag & Traunmüller 2008). Es wird mit meiner Studie aber nicht der Anspruch erhoben, diejenigen Elemente der Sozialkapitalausstattung zu operationalisieren, die gemäß der zugrunde liegenden theoretischen Ausrichtung die allein maßgeblichen sind. Weiterhin gibt es natürlich noch andere, bedeutsame Formen sozialen Kapitals. Die Entwicklung der sozialen Medien eröffnet neue Formen der Kommunikation und der Hilfeleistung. Das wirkt sich auch auf die Diskussion über die elementaren Inhalte der Sozialkapitalausstattung aus (z. B. Ellison et al. 2007; 2014). So unterliegt dieser Forschungsbereich gerade in den letzten Jahren Wandlungsprozessen, die theoretische und gesellschaftliche Veränderungen mit sich bringen. Andererseits beeinflusst die Sozialkapitalforschung diese Veränderungen mit und gibt Möglichkeiten an die Hand, gesellschaftliche Prozesse zu gestalten. Meine Studie kann einen Beitrag leisten zum Verständnis von Faktoren, die die Korruption in Deutschland beeinflussen. Daher ist sie auch für die Korruptionsforschung interessant. Die Befunde zeigen empirisch erstmals unterschiedliche Effekte der Sozialkapitalindikatoren auf. Einschränkend ist jedoch zu bemerken, dass viele Untersuchungen von einer anderen Kausalitätsrichtung ausgehen. In vielen Studien sind Korruptionsinhalte (wie die Wichtigkeit von Korruption) die beeinflussenden Faktoren des positiven Sozialkapitals (z. B. You 2005) und nicht die erklärten Variablen. So z. B. auch bei Rothstein & Varraich (2017), die eine politikwissenschaftliche Perspektive einnehmen. Auch wenn Uneinigkeit herrscht über die Kausalitätsrichtung und vermutlich in der Realität ohnehin Feedbackeffekte zwischen Korruption und positivem Sozialkapital vorliegen (die zum gegenwärtigen Zeitpunkt kaum angemessen berücksichtigt werden können), so verbindet diese Forschungen, dass sie sich auf einer abstrakteren Ebene mit öffentlichen Gütern beschäftigen (oder mit ihren Gegenteilen). Nach Rothstein & Varraich 104

Ein Faktor zweiter Ordnung ließ sich über die Konstrukte in meinen Daten nicht finden.

192

15 Diskussion und Schlussfolgerungen

(2017) kann eine korruptionsfreie Gesellschaft als öffentliches Gut betrachtet werden. Gibt es in einer Gesellschaft viel Korruption und ist Korruption damit vermutlich wichtig (für den eigenen Erfolg), kann Korruption folglich als Kollektivproblem betrachtet werden. Rothstein & Varraich (2017: 53) stärken diese Annahme, indem sie das Kernelement der Korruption in der Bevorzugung von Personen sehen, denen die Bevorzugung in dieser Weise nicht zusteht (damit auch: in der ungerechtfertigten Behandlung von Personen). Korruption verletzt demnach das Prinzip öffentlicher Güter und deren Werte (bei Rothstein & Varraich 2017 auch: die Menschenrechte). Hier findet sich eine Parallele zu Putnams (1993; 2000) Ansatz, der eine große Ausstattung an sozialem Kapital ebenfalls als öffentliches Gut betrachtet, das der Trittbrettfahrer-Problematik unterliegt (vgl. Kapitel 4). Da niemand von öffentlichen Gütern ausgeschlossen werden kann, können Trittbrettfahrer diese nutzen, ohne etwas dafür zu leisten. In gewisser Weise könnte auch eine weit verbreitete Meinung, z. B. dass Korruption als Erfolgsfaktor wichtig ist, ein negatives öffentliches Gut darstellen und damit ein Trittbrettfahrer-Problem hervorrufen. Wer diese Meinung vertritt, kann nur eingeschränkt brückenbildende Sozialkapitalbeziehungen aufbauen und wird eher ein niedrigeres soziales Vertrauen zeigen. Wenn nahezu alle Gesellschaftsmitglieder diese Meinung vertreten, würde die Wichtigkeit von Korruption zur Norm. Personen, die nicht nach ihr handeln, würden bestraft werden, da sie ohne Korruption ihre Ziele nicht erreichen. Diejenigen, die eigentlich aufgrund der Strafandrohung Korruption vermieden hätten, können nun diese Norm als Trittbrettfahrer ausnutzen und laufen weniger Gefahr, für Korruption bestraft zu werden. Umgekehrt kann das Aufbauen von positivem Sozialkapital als Norm (insbesondere die generelle Erwartung, dass man anderen bzw. Fremden vertrauen kann) das positive öffentliche Gut darstellen, das die negative Auswirkung solcher Meinungen über Korruption reduziert (vgl. Uslaner 2008). Diese theoretischen Überlegungen gehen allerdings deutlich über meine empirischen Befunde hinaus. Sie zeigen soziale Dynamiken des sozialen Kapitals auf, die über den bloßen Zusammenhalt einer Gesellschaft hinausgehen und widersprechen der Ansicht von Portes & Vickstrom (2011: 472), die die Bedeutung von sozialem Kapital in Zweifel gezogen haben. Soziales Kapital ist eben nicht nur „nice to have“, sondern wirkt an neuralen Stellen ökonomischer oder devianter Entwicklungen. Die Überlegungen zum Trittbrettfahrer-Problem zeigen aber auch einen weiteren Forschungsbedarf an, der angesichts meiner Resultate eher vom sozialen Vertrauen weg und hin zu Operationalisierungen der (generellen) Reziprozität geht. Es wäre mit Blick auf die Argumente von Rothstein & Varraich (2017) zum öffentlichen Gut auch weiterführend, empirische Bezüge zur subjektiven Gerechtigkeitsforschung herzustellen, da Bevorzugungen (wie bei der Korruption) oder Gleichbehandlungen (wie beim brückenbildenden Sozialkapital) auch mit Ideen über einen „gerechten“ sozialen Austausch verbunden sind (Neckel 1995). Vielleicht bieten zukünftige Operationalisierungen in den großen Surveys, wie dem SOEP, Möglichkeiten derartige Zusammenhänge zu untersuchen. Damit ist aber auch gesagt, dass diese empirische Studie nur auf die Untersuchungsmittel und Daten zurückgreifen konnte, die zurzeit gegeben sind. Die Lebensweisheit „Das Leben ist nicht immer so, wie man es sich wünscht. Der einzige Weg, um glücklich zu sein, ist, das Beste daraus zu machen“, die von Jeanette Churchill, der Mutter

15.2 Zentrale Ergebnisse und Schlussfolgerungen für die Forschung

193

des britischen Premierministers Winston Churchill, stammen soll, kann in dieser Weise auch auf die empirische Sozialforschung angewendet werden. Denn die Datenlage ist nicht immer so, wie der Forscher es sich wünscht. Der einzige Weg, um dennoch seine Forschungsinteressen zu verwirklichen, ist, das Beste daraus zu machen.

Literaturverzeichnis ADAM, Frane (2007). The Distribution of Social Capital and the Quality of Data from Cross– national Surveys. In: ADAM, F. (Ed). Social Capital and Governance: Old and New Members of the EU in Comparison. 21–50. ADLER, Paul S. & KWON, Seok-Woo (2000). Social Capital: The Good, the Bad, and the Ugly. In: Lesser, Eric L. (Ed.). Knowledge and Social Capital: Foundations and Applications. Oxford: Butterworth-Heinemann, 89–115. ADLER, Paul S. & KWON, Seok-Woo (2002). Social Capital: Prospects for a New Concept. The Academy of Management Review, 27/1, 17–40. ADLOFF, Frank & MAU, Steffen (Hrsg.) (2005). Vom Geben und Nehmen. Zur Soziologie der Reziprozität. Frankfurt/Main: Campus. ALLBUS (2014). Fragebogendokumentation. Material zu den Datensätzen der Studiennummern ZA5240 und ZA5241. Forschungsdatenzentrum ALLBUS. Verfügbar unter: https://www.gesis.org/allbus/inhalte-suche/studienprofile-1980-bis-2016/2014/ [letzter Abruf 12.10.2018] ALLBUS (2018). Allgemeine Informationen. https://www.gesis.org/allbus/allbus/allgemeineinformationen/ [Stand: 01.02.2018]. ALLUM, Nick, READ, Sanna & STURGIS, Patrick (2011). Evaluating Change in Social and Political Trust in Europe. In: Davidov, E., Schmidt, P. & Billiet, J. (Eds.). Cross-Cultural Analysis. New York: Routledge, 35–54. ALM, James & GOMEZ, Juan L. (2008). Social Capital and Tax Morale in Spain. Economic Analysis and Policy, 38/1, 73–87. ALSCHER, Mareike, DATHE, Dietmar, PRILLER, Eckhard & SPETH, Rudolf (2009). Bericht zur Lage und zu den Perspektiven des bürgerschaftlichen Engagements in Deutschland. Wissenschaftszentrum Berlin für Sozialforschung (WZB). Herausgegeben vom Bundesministerium für Familie, Senioren, Frauen und Jugend. Verfügbar unter: https://www.wzb.eu/system/files/docs/sine/zeng-bericht-engagement-2009.pdf. [letzter Abruf 22.05.2018] ALTVATER, Elmar (2003). Was passiert, wenn öffentliche Güter privatisiert werden? Peripherie, 90–91/23, 171–201. AREZZO, Maria F. & GIUDICI, Cristina (2015). Social capital and self-perceived health among European older adults. Social Indicators Research, 130/2, 665–685. ARLACCHI, Pino (1986). Mafia business: The Mafia ethic and the spirit of capitalism. London: Verso.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8

196

Literaturverzeichnis

ARROW, Kenneth J. (2000). Observations on social Capital. In: Dasgupta, P. & Serageldin, I. (Eds.). Social Capital. A multifaced perspective. Washington DC: The World Bank. 3– 5. ASHFORTH, Blake E. & ANAD, Vikas (2003). The Normalization of Corruption in Organizations. Research in Organizational Behavior, 25, 1–52. BÄCK, Maria & CHRISTENSEN, Henrik S. (2016). When trust matters—a multilevel analysis of the effect of generalized trust on political participation in 25 European democracies. Journal of Civil Society, 12/2, 178–197. BALBOA, Jenny D. & TAKENAKA, Shinji (2010). Corruption and Development, Revisited. Discussion Paper Series No. 2010–2013. Verfügbar unter: https://dirp4.pids.gov.ph/ris/dps/pidsdps1013.pdf [letzter Abruf 1.10.2018] BANERJEE, Ritwik (2016). Corruption, norm violation and declay of social capital. Journal of Public Economics, 137, 14–27. BANFIELD, Edward. C. (1975). Corruption as a feature of governmental organisation. Journal of Law and Economics, 18/3, 587–605. Bayram, A. Burcu (2017). Aiding Strangers: Generalized Trust and the Moral Basis of Public Support for Foreign Development Aid. Foreign Policy Analysis, 13, 133–153. BBSR BONN (Bundesinstitut für Bau-, Stadt- und Raumforschung) (2018). Laufende Raumbeobachtung – Raumabgrenzungen Raumordnungsregionen. Verfügbar unter: http://www.bbsr.bund.de/BBSR/DE/Raumbeobachtung/Raumabgrenzungen/Raumord nungsregionen/raumordnungsregionen_node.html. [letzter Abruf: 01.02.2018] BEBBINGTON, Anthony (1999). Capitals and Capabilities: A Framework for Analyzing Peasant Viability, Rural Livelihoods and Poverty. World Development, 27/12, 2021–2044. BECK, Lotte & NAGEL, Volker (2012). Korruption aus ökonomischer Perspektive. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 31–40. BECKER, Gary (1993). Human Capital: A Theoretical and Empirical Analysis with Special Reference to Education. Chicago: University of Chicago Press. BECKER, Sascha O., BOECKH, Katrin, HAINZ, Christa & WOESSMANN, Ludger (2011). Wie das längst untergegangene Habsburger Reich noch heute in den osteuropäischen Verwaltungen sichtbar ist. Ifo Schnelldienst, 64, 20–23. BECKER, Sascha O., BOECKH, Katrin, HAINZ, Christa & WOESSMANN, Ludger (2016). The Empire is dead, long live the empire! Long-run persistence of trust and corruption in the bureaucracy. The Economic Journal, 126, 40–74.

Literaturverzeichnis

197

BEEM, Christopher (1999). The Necessity of Politics. Reclaiming America public life. Chicago: University of Chicago Press. BEHR, Rafael (2009). Warum Polizisten schweigen, wenn sie reden sollten. Ein Essay zur Frage des Korpsgeistes in der deutschen Polizei. Verfügbar unter: http://akademie-der-polizei.hamburg.de/contentblob/4499822/36ea322951246288ef6d8d6089f23dae/data/essay-korpsgeist-und-code-of-silenece.pdf [letzter Abruf 20.04.2018] BEHR, Rafael (2010). Korpsgeist oder Binnenkohäsion? Ein Essay zur Organisationskultur in der deutschen Polizei. In: DIE POLIZEI, 11, 317–322. Verfügbar unter: http://akademie-der-polizei.hamburg.de/contentblob/2664584/c276fc3e466b16fd16679de9d600306b/data/pdf-korpsgeist.pdf [letzter Abruf 20.04.2018] BJØRNSKOV, Christian (2006). Determinants of generalized trust: A cross-country comparison. Public Choice, 130/1, 1–21. BJØRNSKOV, Christian & PALDAM, Martin (2005). Corruption trends. In: Lambsdorff, J. G., Taube, M., Schramm, M. (Eds.). The New Institutional Economics of Corruption. London: Routledge, 59–75. BLAU, Peter (1964). Exchange and Power in Social Life. New Brunswick/London: Transaction Publishers. BLUME, LORENZ & SACK, Detlef (2008). Patterns of Social Capital in West German Regions. European Urban and Regional Studies, 15/3, 229–248. BOLLEN, Kenneth A. (1980). Issues in the Comparative Measurement of Political Democracy. American Sociological Review, 45/3, 370–390. BOLLEN, Kenneth A. (1989). Structural Equations with Latent Variables. New York: John Wiley & Sons. BOLLEN, Kennth A., HARDEN, Jeffrey J., RAY, Surajit & ZAVISCA, Jane. (2014). BIC and Alternative Bayesian Information Criteria in the Selection of Structural Equation Models. Structural Equation Modeling: A Multidisciplinary Journal, 21/1, 1–19. BOTZEN, Karin (2016). Social capital and economic well-being in Germany’s regions: An exploratory spatial data analysis, REGION, 3/1, 1–24. BOURDIEU, Pierre (1983). Ökonomisches Kapital, kulturelles Kapital, soziales Kapital. In: Kreckel, R. (Hrsg.). Soziale Ungleichheiten. Göttingen: Schwartz. 183–198. BOURDIEU, Pierre (1985). The forms of capital. In: Richardson, J. G. (Ed.). Handbook of Theory and Research for the Sociology of Education. New York: Greenwood, 241–258.

198

Literaturverzeichnis

BOWEN, Natasha K. & MESA, Rainier D. (2015). Conducting Measurement Invariance Tests with Ordinal Data: A Guide for Social Work Researchers. Journal of the Society for Social Work and Research, 6/2, 229–249. BOWLES, Samuel & GINTIS, Herbert (2002). The Inheritance of Inequality. Journal of Economic Perspectives. 16/3, 3–30. BREHM, John & RAHM, Wendy (1997). Individual-Level Evidence for the Causes and Consequences of Social Capital. American Journal of Political Science, 41/3,999–1023. BRETON, Raymond, HARTMANN, Robert J., LENNARDS, Jos L. & REED, Paul (2004). A Fragile Social Fabric? Fairness, Trust, and Commitment in Canada. Montreal: McGill-Queen's University Press. BREUSKIN, Isabelle (2012). Social Capital and Governmental Institutions. Living Reviews in Democracy, 3, 1–11. BUCHANAN, James M. (1965). An Economic Theory of Clubs. Economica, 32/125, 1–14. BKA – BUNDESKRIMINALAMT (2017). Bundeslagebild Korruption 2016. Verfügbar unter: https://www.bka.de/SharedDocs/Downloads/DE/Publikationen/JahresberichteUndLagebilder/Korruption/korruptionBundesla gebild2016.html;jsessionid=9B304F608175A8734AF1E513FAF37B6F.live0611?nn=28078 [letzter Abruf 20.04.2018] BURT, Ronald S. (1992). Structural Holes. Cambridge, MA: Harvard University Press. BURT, Ronald S. (1997). A note on social capital and network content. Social Networks, 19, 355–373. BURT, Ronald S. (2000). The Network Structure of Social Capital. Research in Organizational Behaviour, 22, 345–423. BUTLER, John K., Jr. (1991). Toward Understanding and Measuring Conditions of Trust: Evolution of a Conditions of Trust Inventory. Journal of Management, 17/3, 643–663. BUTLER, John K., Jr., & CANTRELL, R. Stephen (1984). A behavioral decision theory approach to modeling dyadic trust in superiors and subordinates. Psychological Reports, 55, 19 – 28. BUONANNO, Paolo, Montolio, Daniel & Vanin, Paolo (2009). Does Social Capital Reduce Crime? Journal of Law and Economics, 52, 145–170. CHANG, Sea-Jin, VAN WITTELOOSTUIJN, Arjen & EDEN, Lorraine (2010). From the Editors: Common method variance in international business research. Journal of International Business Studies, 41, 178–184.

Literaturverzeichnis

199

CHEN, Yanjing, YASAR, Mahmut & REJESUS, Roderick M. (2008). Factors Influencing the Incidence of Bribery Payouts by Firms: A Cross-Country Analysis. Journal of Business Ethics, 77, 231–244. CHRISTOFOROU, Asimina (2005). On the Determinants of Social Capital in Greece Compared to Countries of the European Union. Verfügbar unter: http://ssrn.com/abstract=726142 [letzter Abruf 20.04.2018] CIECIUCH, Jan, DAVIDOV, Eldad, VECCHIONE, Michele, BEIERLEIN, Constanze & SCHWARTZ, Shalom H. (2014). The cross-national invariance properties of a new scale to measure 19 basic human values. A test across eight countries. Journal of Cross-Cultural Psychology, 45/5, 764–779. CIEŚLIK, Andrzej & GOCZEK, Łukasz (2018). Control of corruption, international investment, and economic growth – Evidence from panel data. World Development, 103, 323–335. COLEMAN, James S. (1986). Mirco Foundations and Macrosocial Theory. In: Lindenberg, S. Coleman, J. S., Nowak, S. (Eds.). Approaches to Social Theory. New York: Russell Sage, 345–363. COLEMAN, James S. (1987). Families and Schools. Educational Researcher, 16/6, 32–38. COLEMAN, James S. (1988). Social Capital in the Creation of Human Capital. American Journal of Sociology 94, 95–120. COLEMAN, James S. (1990). Foundations of Social Theory. Cambridge: The Belknap Press of Harvard University Press. COOK, Karen S. & RICE, Eric (2006). Social Exchange Theory. In: Delamater, J. (Ed.). Handbook of Social Psychology. New York: Springer Science + Business Media, 53–76. COROMINA, Lluis & DAVIDOV, Eldad (2013). Evaluating Measurement Invariance for Social and Political Trust in Western Europe over Four Measurement Time Points (2002– 2008). Ask Research & Methods, 22(1), 37–54. HEALY, Tom & COTE, Sylvain (2001). The well-being of nations: the role of human and social capital. Education and skills, OECD, Paris, Verfügbar unter: http://www.oecd-ilibrary.org/education/the-well-being-of-nations_9789264189515-en [letzter Abruf 20.04.2018] CRAMM, Jane M., VAN DIJK, Hanna M. & NIEBOER, Anna P. (2012). The Importance of Neighborhood Social Cohesion and Social Capital for the Well Being of Older Adults in the Community. The Gerontologist, 53/1, 142–152. CRESCENZI, Riccardo, GAGLIARDI, Luisa & PERCOCO, Marco (2013). Social capital and the innovative performance of Italian provinces. Environment and planning A, 45/4, 908– 929.

200

Literaturverzeichnis

DASGUPTA, Partha (2000). Economic Progress and the Idea of Social Capital. In: Dasgupta, P. & Serageldin, I. (Eds.). Social Capital. A multifaceted perspective. Washington: The World Bank, 325–424. DAVIDOV, Eldad, MEULEMAN, Bart, CIECIUCH, Jan, SCHMIDT, Peter & BILLIET, Jaak (2014). Measurement Equivalence in Cross-National Research. Annual Review of Sociology, 40, 55–75. DELHEY, Jan & NEWTON, Kenneth (2004). Determinaten sozialen Vertrauens, ein internationaler Theorietest. In: Klein, A., Kern, K., Geißel, B. & Berger, M. (Hrsg.): Zivilgesellschaft und Sozialkapital-Herausforderungen politischer und sozialer Integration. Wiesbaden: Springer VS, 151–168. DELHEY, Jan, NEWTON, Kenneth & WELZEL, Christian (2011). How General Is Trust in “Most People”? Solving the Radius of Trust Problem. American Sociological Review, 76/5, 786–807. DENG, Lifang & YUAN, Ke-Hai (2016). Comparing latent means without mean structure models: a projection-based approach. Psychometrika, 81/3, 802–29. DEUTSCH, Morton (1960). The effect of motivational orientation upon trust and suspicion. Human Relations, 13, 123–139. DEUTSCHES ROTES KREUZ (DRK) (2018). Geschichte. https://www.drk.de/das-drk/geschichte/ [letzter Abruf 24.09.2018] DIEKMANN, Andreas (1993). Sozialkapital und das Kooperationsproblem in sozialen Dilemmata. Analyse & Kritik, 15, 22–35. DIEKMANN, Andreas (2004). The Power of Reciprocity. Fairness, Reciprocity, and Stakes in Variants of the Dictator Game. The Journal of Conflict Resolution, 48/4, 487–505. DIMITROV, Dimiter M. (2010). Testing for Factorial Invariance in the Context of Construct Validation. Measurement and Evaluation in Counseling and Development, 43/2, 121– 149. DINCER, Oguzhan C. & USLANER, Eric M. (2010). Trust and growth. Public Choice, 142/1, 59– 67. DINESEN, Peter T. (2011). A Note on the Measurement of Generalized Trust of Immigrants and Natives. Social Indicators Research, 103/1, 169–177. DOHMEN, Thomas J., FALK, Armin, HUFFMAN, David & SUNDE, Uwe (2008). Representative Trust and Reciprocity: Prevalence and Determinants. Economic Inquiry, 46/1, 84–90.

Literaturverzeichnis

201

DOHMEN, Thomas J., FALK, Armin, HUFFMAN, David & SUNDE, Uwe (2009). Homo Reciprocans: Survey Evidence on Behavioural Outcomes. Economic Journal, 119/536, 592– 612. DOWNING, Gareth M. (2015). Decentralisation, Corruption and Economic Growth: A Macroeconomic Perspective. Verfügbar unter: https://www.escholar.manchester.ac.uk/jrul/item/?pid=uk-ac-man-scw:260566 [letzter Abruf 24.09.2018] DURKHEIM, Émile (1965 [1895]). Die Regeln der soziologischen Methode. KÖNIG, R. (Hrsg.). Frankfurt/Main: Suhrkamp. DURKHEIM, Émile (1988 [1893]). Über soziale Arbeitsteilung. Studie über die Organisation höherer Gesellschaften. Frankfurt/Main: Suhrkamp. FOLEY, Michael W. & EDWARDS, Bo (2013). Is It Time to Desinvest in Social Capital. Journal of Public Policy, 19/2, 141–173. EGLOFF, Boris, RICHTER, David & SCHMUKLE Stefan C. (2013). Need for conclusive evidence that positive and negative reciprocity are unrelated. Proceedings of the National Academy of Sciences, 110/9, E786. EHRHARDT, Jens (2009). Ehrenamt. Formen, Dauer und kulturelle Grundlagen des Engagements. Frankfurt/M: Campus Forschung. ELLISION, NICOLE B., STEINFIELD, CHARLES & LAMPE, CLIFF (2007). The Benefits of Facebook “Friends:” Social Capital and College Students’ Use of Online Social Network Sites. Journal of Computer-Mediated Communication, 12/4, 1143–1168. ELLISION, NICOLE B., VITAK, JESSICA, GRAY, REBECCA & LAMPE, CLIFF (2014). Cultivating Social Resources on Social Network Sites: Facebook Relationship Maintenance Behaviors and Their Role in Social Capital Processes. Journal of Computer-Mediated Communication, 19/4, 855–870. ENGELS, Jens I. & MONIER, Frédéric (2017). Moderne Stadtgeschichte und Korruption. Einführende Überlegungen. In: Engels, J. I., Fahrmeir, A., Mattina, C. & Monier, F. (Hrsg.). Stadt – Macht – Korruption. Stuttgart: Franz Steiner Verlag. 11–29. ERIKSON, ERIK (1957). Kindheit und Gesellschaft. Zürich: Pan-Verlag. ERIKSON, Erik (1966). Identität und Lebenszyklus. Drei Aufsätze; Frankfurt/M.: Suhrkamp Taschenbuch Verlag. ESS – European Social Survey (2002). ESS1 Source Main Questionnaire. Verfügbar unter: http://www.europeansocialsurvey.org/docs/round1/fieldwork/source/ESS1_source_main_questionnaire.pdf [letzter Abruf 12.10.2018] ESSER, Hartmut (1999). Soziologie. Allgemeine Grundlagen. Frankfurt/M./New York: Campus Verlag.

202

Literaturverzeichnis

EUROSTAT (2015). Regions in the European Unit. Nomenclature of territorial units for statistics NUTS 2013/EU-28. Verfügbar unter: http://ec.europa.eu/eurostat/de/web/nuts/overview [letzter Abruf 24.09.2018] EVS – European Value Survey (2008). Master Questionnaire. Verfügbar unter: https://dbk.gesis.org/dbksearch/file.asp?file=ZA4800_q.pdf [letzter Abruf 12.10.2018] FISCHER, Felix, GIBBONS, Chris, COSTE, Joel, VALDERAS, Jose M., ROSE, Matthias & LEPLÈGE, Alain (2018). Measurement invariance and general population reference values of the PROMIS Profile 29 in the UK, France, and Germany. Quality of Life Research, 27/4, 999–1014. FRANZEN, Axel & BOTZEN, Karin (2011). Vereine in Deutschland und ihr Beitrag zum Wohlstand der Regionen. Soziale Welt, 62, 391–413. FRANZEN, Axel & BOTZEN, Karin (2014). „Mir hei e Verein“: Eine Studie über Vereine, Sozialkapital und Wohlstand im Kanton Bern. Swiss Journal of Sociology, 40/1, 79–98. FRANZEN, Axel & POINTER, Sonja (2007). Sozialkapital: Konzeptualisierung und Messungen. In: Franzen, A. & Freitag, M. (Hrsg.). Sozialkapital. Wiesbaden: VS Verlag, 66–90. FARR, James (2004). Social Capital. A Conceptual History. Political Theory, 32/1, 6–33. FAYOL, Henri (1949). General and industrial management. London: Pitman. FREITAG, Markus (2004). Das Konzept des Sozialkapitals und Ansätze zu seiner Messung. In: Wilbers, K. (Hrsg.): Sozialkapital und Schule, Die Bedeutung von Netzwerken, gemeinsamen Normen und Vertrauen für die Arbeit von und in Schulen. Bielefeld: Verlag Bertelsmann, 7–24. FREITAG, Markus (2006). Bowling the State Back in: Political Institutions and the Creation of Social Capital, in: European Journal of Political Research, 45, 123–152. FREITAG, Markus (2014). Das soziale Kapital der Schweiz. Zürich: NZZ Libro. FREITAG, Markus & BAUER, Paul C. (2013). Testing for measurement equivalence in surveys. Dimensions of Social Trust across Cultural Contexts. Public Opinion Quarterly, 77, 24– 44. FREITAG, Markus & BÜHLMANN, Marc (2006). Individual and Contextual Determinants of Electoral Participation. A Multi-Level Analysis of the 2003 Swiss Election. Swiss Political Science Review, 12, 13–47. FREITAG, Markus & BÜHLMANN, Marc (2007). Freiwilligkeit als soziales Kapital der Gesellschaft. Makrosoziologische Untersuchungen für die Schweizer Kantone. In: Farago, P. (Hrsg.). Freiwilliges Engagement in der Schweiz: Ergebnisse neuer Forschungen. Zürich: Seismo, 56–107.

Literaturverzeichnis

203

FREITAG, Markus & KIRCHNER, Antje (2011). Social Capital and Unemployment: A MacroQuantitative Analysis of the European Regions. Political Studies, 59, 389–410. FREITAG, Markus & TRAUNMÜLLER, Richard (2008). Sozialkapitalwelten in Deutschland. Soziale Netzwerke, Vertrauen und Reziprozitätsnormen im subnationalen Vergleich. Zeitschrift für Vergleichende Politikwissenschaft, 2/1, 221–256. FREITAG, Markus & TRAUNMÜLLER, Richard (2009). Spheres of Trust: An empirical analysis of the foundations of particularised and generalised trust. European Journal of Political Research 48/6, 782–803. FRINGS, Cornelia (2010). Soziales Vertrauen. Eine Integration der soziologischen und der ökonomischen Vertrauenstheorie. Wiesbaden: Springer VS. FUKUYAMA, Francis (1995). Trust: The Social Virtues and the Creation of Prosperity. New York: Free Press. FUKUYAMA, Francis (2000). Social Capital and Civil Society. IMF Working Paper 00/74. Washington, DC: International Monetary Fund. GAGGIO, Dario (2004). Do Social Historians Need Social Capital? Social History, 29/4, 499– 513. GAMBETTA, Diego (1993). The Sicilian Mafia. The Business of Private Protection. London: Harvard University Press. GANNON, Brenda & ROBERTS, Jennifer (2014). The multidimensional nature of social capital: An empirical investigation for older people in Europe. Sheffield Economic Research Paper Series, 2014014. GARGIULO, Martin & BENASSI, Mario (1999). The Dark Side of Social Capital. In: Leenders R.T.A.J. & Gabbay S.M. (Eds.). Corporate Social Capital and Liability. Boston: Springer, 298–322. GESTHUIZEN, Maurice, SOLGA, Heike, KÜNSTER, Ralf (2011). Context Matters. Economic Marginalization of Low-educated Workers in Cross-national Perspective. European Sociological Review, 27/2, 264–280. GLAESER, Edward L., LAIBSON, David I., SCHEINKMAN, José A. & SOUTTER, Christine L. (2000). Measuring Trust. The Quarterly Journal of Economics, 3, 811–846. GLAESER, Edward L., LAIBSON, David & SACERDOTE, Bruce (2002). An Economic Approach to Social Capital. The Economic Journal, 112, 437–458. GOEBEL, Jan, GRABKA, Markus M., KRAUSE, Peter, KROH, Martin, PISCHNER, Rainer, SIEBER, Ingo & SPIEß, Martin (2008). Mikrodaten, Gewichtung und Datenstruktur der Längs-

204

Literaturverzeichnis

schnittstudie Sozio-oekonomisches Panel (SOEP). Vierteljahrshefte zur Wirtschaftsforschung 77/ 3, 77–109. Verfügbar unter: https://www.diw.de/de/diw_02.c.234831.de/ publikationen_veranstaltung en/publikationen/0051381.html [letzter Abruf 24.09.2018] GOULDNER, Alvin W. (1960). The norm of reciprocity. A preliminary statement. American Sociological Review 25, 161–78. GOULDNER, Alvin W. (2005). Etwas gegen nichts. Reziprozität und Asymmetrie. In: Adloff, F. & Mau, S. (Hrsg.). Vom Geben und Nehmen. Frankfurt/Main: Campus, 109–123. GRAEFF, Peter (2009). Social Capital: the dark side. In: Svendsen, G. T. & Svendsen G. L. H.. Handbook of Social Capital. Northampton, MA: Edward Elgar Publishing, 143–161. GRAEFF, Peter (2011). Korruption und Sozialkapital: eine handlungstheoretische Perspektive auf die negativen externen Effekte korrupter Akteursbeziehungen. In: Priddat, B. P. & Schmid, M. (Hrsg.). Korruption als Ordnung zweiter Art. Wiesbaden: VS Verlag für Sozialwissenschaftler, 11–41. GRAEFF, Peter (2012). Begriffsverwendungen und Korruptionsverständnisse in der Forschung: Ein Vergleich von Definitionen und Ansätzen. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 209–230. GRAEFF, Peter (2014). Aggregatdaten. In: Baur, N. & Blasius J. (Hrsg.). Handbuch Methoden der empirischen Sozialforschung, Wiesbaden: Springer VS, 915–924. GRAEFF, Peter (2016a). Ethics and Corruption: An Introduction to the Special Issue. In: Wolf, S. & Graeff, P. (Eds.). Ethical Challenges of Corrupt Practices. German Law Journal, 17/1, 1–6. GRAEFF, Peter (2016b). Social mechanisms of corruption: Analytical Sociology and its applicability to corruption research. Analyse & Kritik, 37/1, 17–39. GRAEFF, Peter & DOMBOIS, Rainer (2012). Soziologische Zugänge zur Korruptionsproblematik. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 135–152. GRAEFF, Peter & SVENDSEN, Gert T. (2013). Trust and corruption: the influence of positive and negative social capital on the economic development in the European Union. Quality & Quantity, 47/5, 2829–2846. GRANOVETTER, Mark (1992). Problems of explanation in economic sociology. In: Nohria N. & Eccles R. (Eds.). Networks and Organizations. Boston, MA: Harvard Business School Press, 25–56. GRANOVETTER, Mark (1985). Economic Action and Social Structure. The Problem of Embeddedness. American Journal of Sociology 91, 481–510.

Literaturverzeichnis

205

GRANOVETTER, Mark (1973). The Strength of Weak Ties. American Journal of Sociology, 78/6, 1360–1380. GRAY, Anne (2009). The social capital of older people. Ageing & Society, 29, 5–31. GROOTAERT, Christian & VAN BASTELAER, Thierry (2002. Understanding and Measuring Social Capital: A Multi-Disciplinary Tool for Practitioners. Washington: World Bank. GREGORICH, Steven E. (2006). Do Self-Report Instruments Allow Meaningful Comparisons Across Diverse Population Groups? Testing Measurement Invariance Using the Confirmatory Factor Analysis Framework. Medical Care, 44/11, 78–94. GUNDELACH, Birte & TRAUNMÜLLER, Richard (2014). Beyond Generalized Trust: Norms of Reciprocity as an Alternative Form of Social Capital in an Assimilationist Integration Regime. Political Studies, 62, 596–617. HALL, Stuart (1994). Rassismus und kulturelle Identität. Hamburg: Argument. HAMANO Tsuyoshi, FUJISAWA, Yoshikazu, ISHIDA Yu, SUBRAMANIAN, S. V., KAWACHI, Ichiro & SHIWAKU Kuninori (2010). Social Capital and Mental Health in Japan: A Multilevel Analysis. PLoS ONE, 5/10, e13214. HANIFAN, Lyda J. (1916): The rural school community center. Annals of the American Academy of Political and Social Science, 67, 130–138. HANNERZ, Ulf (1969). Soulside. Inquiries into Ghetto Culture and Community. Chicago: University of Chicago Press. HANSLMAIER, Michael (2014). Mehr Sozialkapital – weniger Kriminalität? Eine makrosoziologische Längsschnittanalyse bayerischer Landkreise. In: Eifler, S. & Pollich, D. (Hrsg.). Empirische Forschung über Kriminalität. Wiesbaden: Springer, 361–404. HARDIN, Garrett (1968). The Tragedy of the Commons. Science, 162 (3859), 1243–1248. HEINZ, Wolfgang (2013). Das System der deutschen Kriminal- und Strafrechtspflegestatistiken – gestern, heute und (vielleicht) morgen. In: Schiller, H. & Tsambikakis, M. (Hrsg.). Kriminologie und Medizinrecht. Heidelberg: C. F. Müller, 269–304. HELLIWELL, John F. & PUTNAM, Robert D. (2004). The social context of well-being. The Royal Society, 359, 1435–1446. HELLIWELL, John F., HUANG, Haifang & WANG, Shun (2013). Social Capital and Well-Being in Times of Crisis. Journal of Happiness Studies, 15/1, 145–162. HESSISCHES LKA – Landeskriminalamt (2017). VORSICHT! Wachsamer Nachbar! Vom 10.03.2017. https://www.polizei.hessen.de/icc/internetzentral/nav/315/broker.jsp?uCon=63b60e68-8bb5-ba51-66ec-18b5ef798e7b&uTem=bff71055-bb1d-50f1-286072700266cb59&uMen=31570ee1-825a-f6f8-6373-a91bbcb63046 [letzter Abruf 24.09.2018]

206

Literaturverzeichnis

HEYWOOD, Paul M. & JONATHAN, Rose (2015). Curbing Corruption or Promoting Integrity? Probing the Hidden Conceptual Challenge. In: Hardi, P., Heywood, P. M. & Torsello, D. (Eds.): Debates of Corruption and Integrity. New York: Palgrave Macmillan, 102– 119. HIRSCH, Paul M. & LEVIN, Daniel Z. (1999). Umbrella Advocates Versus Validity Police: A Life-Cycle Model. Organization Science, 10/2, 199–212. HIRSCHI, Travis (1969). Causes of Delinquency. Berkeley: University of California Press. HÖFFLING, Christian (2002). Korruption als soziale Beziehung. Opladen: Leske & Budrich. HOOGHE, Marc & STOLLE, Dietlind (2003). Introduction: Generating Social Capital. In: Hooghe, M. & Stolle, D. (Eds.). Generating Social Capital. Civil Society and Institutions in Comparative Perspective. New York: Palgrave Macmillan, 1–18. HOOGHE, Marc, REESKENS, Tim, STOLLE, Dietlind & TRAPPERS, Ann (2009). Ethnic Diversity and Generalized Trust in Europe. A Cross-National Multilevel Study. Comparative Political Studies, 42/2, 198–223. HOMANS, George C. (1961). Social Behavior. Its Elementary Forms. New York: Harcourt, Brace & World. HONGDAO, Qian, MUMTAZ, Ayesha, MUKHTAR, Hamid, SALEEM, Hafiz A.R. & AZAM, Sonia (2018). Corruption Prevention and Economic Growth: A Mediating Effect of Rule of Law. International Journal of Social Science Studies, 6/2, 128–143. HORN, John L. & MCARDLE, John J. (1992). A practical and theoretical guide to measurement invariance in aging research. Experimental Aging Research, 18/3, 117–144. HU, Li-tze & BENTLER, Peter M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6/ 1, 1–55. HUANG, Chiung-Ju (2016). Is corruption bad for economic growth? Evidence from Asia-Pacific countries. The North American Journal of Economics and Finance, 35/C, 247–256. INGLEHART, Ronald (1977). The Silent Revolution. Changing Values and Political Styles Among Western Publics, Princeton: Princeton University Press. INKAR (2017). Indikatoren und Karten zur Raum- und Stadtentwicklung. Bundesinstitut für Bau, Stadt- und Raumforschung (BBSR) im Bundesamt für Bauwesen und Raumordnung (BBR) (Hrsg.). Bonn: Bundesamt für Bauwesen und Raumordnung. IPPEL, Lianne, GELISSEN, John & MOORS, Guy (2014). Investigating Longitudinal and Cross Cultural Measurement Invariance of Inglehart’s Short Post-materialism Scale. Social Indicators Research: An International and Interdisciplinary Journal for Quality-of-Life Measurement, 115/3, 919–932.

Literaturverzeichnis

207

IWASE, Toshihide, SUZUKI, Etsuji, FUJIWARA, Takeo, TAKEO, Soshi, DOI, Hiroyuki & KAWACHI, Ichiro (2012). Do bonding and bridging social capital have differential effects on self-rated health? A community based study in Japan. Journal of Epidemiology & Community Health, 66/6, 557–62. JACOBS, Jane (1961). The Death and Life of Great American Cities. New York: Random House. JACKMAN, Robert W. & MILLER, Ross A. (1998). Social Capital and Politics. Annual Review of Political Science, 1, 47–73. JANSEN, Dorothea (2007). Theoriekonzepte in der Analyse sozialer Netzwerke: Entstehung und Wirkungen, Funktionen und Gestaltung sozialer Einbettung. FÖV Discussion Papers, 39. JEDINGER, Sofie (2013). Making Capitalism Work. Empirische Befunde zum Einfluss von Sozialkapital auf Wirtschaftswachstum. Politische Vierteljahresschrift, 54/2, 337–362. JELLINEK, Georg (1892). System der subjektiven öffentlichen Rechte. Freiburg i. B.: Akademische Verlagsbuchhandlung von J. C. B. Mohr. JENSEN, Michael C. & MECKLING, William H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3/4, 305–360. JOHNSON, Emily C., MEADE, Adam W., & DUVERNET, Amy M. (2009). The Role of Referent Indicators in Tests of Measurement Invariance. Structural Equation Modeling, 16, 642– 657. JONES, Nikoleta, MALESIOS, Chrisovaladis, IOSIFIDES, Theodoros & SOPHOULIS, Costas M. (2008). Social capital in Greece: measurement and comparative perspectives. South European Society and Politics, 13/2, 175–193. JOVANOVIĆ, Veljko & BRDAR, Ingrid (2018). The cross-national measurement invariance of the Satisfaction with Life Scale in a sample of undergraduate students. Personality and Individual Differences, 128, 7–9. KEIZER, Kees, LINDENBERG, Siegwart & STEG, Linda (2008). The Spreading of Disorder. Science, 322/5908, 1681–1685. KLITGAARD, Robert (1988). Controlling Corruption. Berkeley: University of California Press. KNACK, Stephen & KEEFER, Philip (1997). Does Social Capital Have an Economic Payoff? A Cross-Country Investigation. The Quarterly Journal of Economics, 112/4, 1251–1288. KOLENIKOV, Stanislav & ANGELES, Gustavo (2009). Socioeconomic status measurement with discrete proxy variables: Is principal component analysis a reliable answer? Review of Income and Wealth, 55/1, 128—165.

208

Literaturverzeichnis

KROLL, Lars E. & LAMPERT, Thomas 2007. Sozialkapital und Gesundheit in Deutschland. Gesundheitswesen, 69/3, 120–127. KROSNICK, JON A. (1991). Response Strategies for Coping with the Cognitive Demands of Attitude Measures in Surveys. Applied Cognitive Psychology, 5, 213–236. KROSNICK, JON A. (1999). Survey Research. Annual review of Psychology, 50, 537–567. KUMLIN, Stefan & ROTHSTEIN, Bo (2005). Making and Breaking Social Capital. The Impact of Welfare-State Institutions. Comparative Political Studies, 38/4, 339–365. KWON, Seok-Woo & ADLER, Paul S. (2014). Social Capital: Maturation of a Field of Research. The Academy of Management Review, 39/4, 412–422. LA PORTA, Rafael, LOPEZ-DE-SILANES, Florencio, SHLEIFER, Andrei & VISHNY, Robert W. (1997). Trust in Large Organizations. The American Economic Review, 87/2, 333–338. LAMBSDORFF, Johann Graf (2007). The Institutional Economics of Corruption and Reform. Theory, Evidence, and Policy. Cambridge: Cambridge University Press. LAMNEK, Siegfried (1977). Kriminalitätstheorien. München: Fink. LANCEE, Bram (2010). The Economic Returns of Immigrants’ Bonding and Bridging Social Capital: The Case of the Netherlands. imr – International Migration Review, 44/1, 202– 226. LANG, Frieder R., JOHN, Dennis, LÜDTKE, Oliver, SCHUPP, Jürgen, & WAGNER, Gert G. (2011). Short assessment of the Big Five: robust across survey methods except telephone interviewing. Behavior Research Methods, 43/2, 548–567. Verfügbar unter: http://doi.org/10.3758/s13428-011-0066-z [letzter Abruf 12.10.2018] LASINSKA, Katarzyna (2013). Social Capital in Eastern Europe. Poland an Exception? Wiesbaden: Springer VS. Lee, Jaehoon, Little, Todd D. & Preacher, Kristopher J. (2011). Methodological Issues in Using Structural Equation Models for Testing Differential Item Functioning. In: Davidov, E., Schmidt, P. & Billiet, J. (Eds.). Cross-Cultural Analysis. New York: Routledge, 55–84. LERNER, Gerda (1986). The Creation of Patriarchy. New York/Oxford: Oxford University Press. LEUNG, Ambrose, KIER, Cheryl, FUNG, Tak, FUNG, Linda & SPROULE, Robert. (2011). Searching for Happiness: The Importance of Social Capital. Journal of Happiness Studies, 12, 443–462. LEVELS, Mark, SCHEEPERS, Peer, HUIJTS, Tim & KRAAYKAMP, Gerbert (2015). Formal and Informal Social Capital in Germany: The Role of Institutions and Ethnic Diversity. European Sociological Review, 31/6, 766–779.

Literaturverzeichnis

209

LEVI, Margaret (1996). Social and unsocial capital: A review essay of Robert Putnam’s Making Democracy Work. Politics and Society, 24/1, 45–55. LILLBACKA, Ralf (2006). Measuring Social Capital. Assessing Construct Stability of Various Operationalizations of Social Capital in a Finnish Sample. Acta Sociologica, 49/2, 201– 220. LIN, Nan (1982). Social Resources and Instrumental Action. In: Marsden, P. V. & Lin, N. (Eds.). Social Structure and Network Analysis. Beverly Hills: Sage. LIN, Nan (2001). Social Capital. A Theory of Social Structure and Action. Cambridge: Cambridge University Press. LINDENBERG, Siegwart (1981). Erklärung als Modellbau: Zur soziologischen Nutzung von Nutzentheorie. In: Schulte, W. (Hrsg.). Soziologie in der Gesellschaft: Referate aus den Veranstaltungen der Sektionen der Deutschen Soziologie, der Ad-hoc Gruppen und des Berufsverbandes Deutscher Soziologen beim 20. Deutschen Soziologentag in Bremen 1980. Bremen. LODEWIJKX, Hein F. M. (2008). The norm of reciprocity. In: Darity, W. A. Jr. (Ed.). International Encyclopedia of the social science. Detroit: Macmillan Reference, 107–109. LOURY, Glenn C. (1977): A dynamic theory of racial income differences. In: Wallace, P. A. & LeMund, A. (Hrsg.). Woman, minorities and employment discrimination. Lexington: Lexington Books. LUHMANN, Niklas (1989). Vertrauen. Ein Mechanismus zur Reduktion sozialer Komplexität. Stuttgart: Enke. LUNDÅSEN, Susanne (2010). Methodological Problems with Surveying Trust. JSM Proceedings, presented at AAPOR 2010. American Statistical Association, 5806—5815. LUNDMARK, Sebastian, GILLJAM, Mikael & DAHLBERG, Stefan (2016). Measuring generalized trust. An examination of question wording and the number of scale points. Public Opinion Quarterly, 80/1, 26–43. MARTINEZ, M. Loreto, BLACK, Maureen & STARR, Raymond H. (2002). Factorial Structure of the perceived neighborhood scale (PNS): A test of longitudinal invariance. Journal of Community Psychology, 30/1, 23–43. MATTISSON, Kristoffer, HÅKANSSON, Carita & JAKOBSSON, Kristina (2015). Relationships Between Commuting and Social Capital Among Men and Women in Southern Sweden. Environment and Behavior, 47/7, 734–753. MAYERL, Jochen (2017). Environmental Concern in Cross-National Comparison − Methodological Threats and Measurement Equivalence. In: Telesiene, A. & Groß, M. (Eds.). Green European. London/New York: Routledge, 182–204.

210

Literaturverzeichnis

MEREDITH, William (1993). Measurement invariance, factor analysis and factorial invariance. Psychometrika, 58/4, 525–543. MEREDITH, William & TERESI, Jeanne A. (2006). An Essay on measurement and factorial invariance. Medical Care, 44/11 (Suppl. 3), 69–77. MERTON, Robert K. (1938). Social Structure and Anomie. American Sociological Review, 3/5, 672–682. MIES, Maria (1988). Patriarchat und Kapital: Frauen in der internationalen Arbeitsteilung. Zürich: Rotpunktverlag. MILFONT, Taciano L. & FISCHER, Ronald (2010). Testing Measurement Invariance across Groups: Applications in Cross-Cultural Research. International Journal of Psychological Research, 3, 111–121. MILGRAM, Stanley, MANN, Leon & HARTER, Susan (1965). The Lost-Letter Technique: A Tool of Social Research. Public Opinion Quarterly, 29/3, 437–438. MILLER, Alan S. & MITAMURA, Tomoko (2003). Are Surveys on Trust Trustworthy? Social Psychology Quarterly, 66/1, 62–70. MILLSAP, Roger E. & OLIVERA-AGUILAR, Margarita (2012). Investigating measurement invariance using confirmatory factor analysis. In: Hoyle, R. H. (Ed.). Handbook of structural equation modeling. New York: Guilford Press, 380–392. MORRIS, Stephen D. & KLESNER, Joseph L. (2010). Corruption and Trust: Theoretical Considerations and Evidence From Mexico. Comparative Political Studies, 43/10, 1258–1285. MÜLLER, Denny (2012). Korruptionsbekämpfung in Deutschland: Institutionelle Ressourcen der Bundesländer im Vergleich. Transparency International Deutschland e.V. Verfügbar unter: https://www.transparency.de/aktuelles/detail/article/korruptionsbekaempfung-in-deutschland-institutionelle-ressourcen-der-bundeslaender-im-vergleich/ [letzter Abruf 12.10.2018] NAEF, Michael & SCHUPP, Jürgen (2009). Measuring Trust: Experiments and Surveys in Contrast and Combination. IZA Discussion Paper No. 4087. Verfügbar unter: http://ftp.iza.org/dp4087.pdf [letzter Abruf 24.09.2018] NAHAPIET, Janine & GHOSHAL, Sumantra (1998). Social Capital, Intellectual Capital, and the Organizational Advantage. Academy of Management Review, 23/2, 242–266. NEANIDIS, Kyriakos, RANA, Maria P. & BLACKBURN, Keith (2017). An empirical analysis of organized crime, corruption and economic growth. Annals of Finance, 13/3, 273–298. NECKEL, Sighard (1995). Der unmoralische Tausch. Eine Soziologie der Käuflichkeit. In: Michel, K. M. & Spengler, T. (Hrsg.). Kursbuch 120: Korruption. Rowohlt: Berlin, 9–16.

Literaturverzeichnis

211

NEWTON, Kenneth (1997). Social Capital and Democracy. American Behavioral Scientist, 40/5, 575–586. NEWTON, Kenneth (1999).Social Capital and democracy in modern Europe. In: Maraffi, M., Newton, K., van Deth, J. & Whiteley, P. (Eds.). Social Capital and European Democracy. Oxon: Routledge, 3–23. NEWTON, Kenneth (2001). Trust, social capital, civil society, and democracy. International Political Science Review, 22/2, 201–214. NEWTON, Kenneth (2006). Political Support: Social Capital, Civil Society and Political and Economic Performance. Political Studies, 54/4, 846–864. NIEHAUS, Holger (2012). Annäherung an einen Korruptionsbegriff des (deutschen) Strafrechts. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 55–66. NIEHAUS, Holger (2016). Donations Granted Amongst “Friends” in Public Office – Kindness or Corruption? – There Ain’t No Such Thing as a Free Lunch. In: Wolf, S. & Graeff, P. (Eds.). Ethical Challenges of Corrupt Practices. German Law Journal, 17/1, 41–52. NYE, Joseph (1967). Corruption and political development: a cost-benefit analysis. American Political Science Review, 61/2, 417–427. OBYDENKOVA, Anastassia V. & ARPINO, Bruno (2018). Corruption and Trust in the European Union and National Institutions: Changes over the Great Recession across European States. Journal of Common Market Studies, 56/3, 594–611. OFFE, Claus (1984). Contradictions of the Welfare State. Cambridge: MIT Press. OLSON, Mancur (1982). The Rise and Decline of Nations: Economic Growth, Stagflation, and Social Rigidities. New Haven: Yale University Press. OPP, Karl-Dieter (2014). Das Aggregationsproblem bei Mikro-Makro-Erklärungen. Kölner Zeitschrift für Soziologie und Sozialpsychologie (Suppl), 66, 155–188. OSBURG, John (2018). Making Business Personal: Corruption, Anti-corruption, and Elite Networks in Post-Mao China. OSTROM, Elinor (1994). 6. Constituting Social Capital and Collective Action. Journal of Theoretical Politics, 6/4, 527–562. OSTROM, Elinor (1999). Die Verfassung der Allmende: jenseits von Staat und Markt. Tübingen: Mohr Siebeck. OSTROM, Elinor & AHN, T.K. (2009). The meaning of social capital and its link to collective action. In: Svendsen, G. T. & Svendsen, G. L. H. (Eds.). Handbook of Social Capital. Cheltenham: Edward Elgar, 17–36.

212

Literaturverzeichnis

PALDAM, Martin & SVENDSEN, Gert T. (2001). Missing social capital and the transition in Eastern Europe. Journal of Institutional Innovation, Development and Transition, 5, 21–34. PAXTON, Pamela (2002). Social capital and democracy: An interdependent relationship. American Sociological Review, 67/2, 254–277. PICHLER, Florian & WALLACE, Claire (2007). Patterns of Formal and Informal Social Capital in Europe. European Sociological Review, 23/4, 423–435. PINTO, Jonathan, LEANA, Carrie R. & PIL, Frits K. (2008). Corrupt Organizations or Organizations of Corrupt Individuals? Two Types of Organization-Level Corruption. Academy of Management Review, 33/3, 685–709. PODER, Thomas G. (2011). What is Really Social Capital? A Critical Review. The American Sociologist, 42, 341–367. PODSAKOFF, Philip M., MACKENZIE, Scott B., LEE, Jeong-Yeon & PODSAKOFF, Nathan P. (2003). Common Method Biases in Behavioral Research: A Critical Review of the Literature and Recommended Remedies. Journal of Applied Psychology, 88/5, 879–903. PORNPRASERTMANIT, Sunthud (2018). A Note on Effect Size for Measurement Invariance. Verfügbar unter: https://cran.r-project.org/web/packages/semTools/vignettes/partialInvariance.pdf [letzter Abruf 24.09.2018] PORTES, Alejandro (1998). Social Capital: Its Origins and Applications in Modern Sociology. Annual Review of Sociology, 24, 1–24. PORTES, Alejandro & LANDOLT, Patricia (2000). Social Capital: Promise and Pitfalls of its Role in Development. Journal of Latin American Studies, 32, 529–547. PORTES, Alejandro & VICKSTROM, Erik (2011). Diversity, Social Capital, and Cohesion. Annual Review of Sociology 37, 461–479. PRETTY, Jules & SMITH, David (2004). Social Capital in Biodiversity Conservation and Management. Conservation Biology, 18/3, 631–638. PREISENDÖRFER, Peter (1995). Vertrauen als soziologische Kategorie. Zeitschrift für Soziologie 24/4, 263 272. PUTNAM, Robert D. (1993). Making Democracy Work: Civic Traditions in Modern Italy. Princeton: Princeton University Press. PUTNAM, Robert D. (1995a). Bowling Alone: America´s declining social capital. Journal of Democracy, 6/1, 65–78. PUTNAM, Robert D. (1995b). Turning In, Turning Out. The Strange Disappearance of Social Capital in America. Political Science and Politics, 28/4, 664–683.

Literaturverzeichnis

213

PUTNAM, Robert D. (1996). The Strange Disappearance of Civic America. The American Prospect 24, 34–48. PUTNAM, Robert D. (2001). Social Capital: Measurement and Consequences. Canadian Journal of Policy Research [Internet], 2, 41–51. PUTNAM, Robert D. (2000). Bowling Alone. The collapse and revival of American community. New York: Simon & Schuster. PUTNAM, Robert D. (2007). E Pluribus Unum. Diversity and Community in the Twenty-first Century. The 2006 John Skytte Prize Lecture. In: Scandinavian Political Studies 30/2, 137–174. PUTNAM, Robert D. (2015). Our Kids. The American Dream in Crisis. New York: Simon & Schuster. PUTNAM, Robert D. & GOSS, Kristin A. (2001). Einleitung zu Gesellschaft und Gemeinsinn. In: Putnam, Robert D. (Hrsg.): Gesellschaft und Gemeinsinn. Sozialkapital im internationalen Vergleich. Gütersloh: Bertelsmann Stiftung, 15–45. PUNTSCHER, Sibylle, HAUSER, Christoph, WALDE, Janette & TAPPEINER, Gottfried (2015). The Impact of Social Capital on Subjective Well-Being: A Regional Perspective. Journal of Happiness Studies, 16/5, 1231–1246. QUIBRIA, Muhammad G. (2002). Growth and Poverty: Lessons from the East Asian Miracle Revisited. ADB Institute Research Paper Series, 33. RABL, Tanja (2012). Korruption aus der Perspektive der Psychologie. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 153–168. RAHN, Wendy M. & TRANSUE, John E. (1998). Social Trust and Value Change: The Decline of Social Capital in American Youth, 1976–1995. Political Psychology, 19/3, 545–565. RANTANEN, Johanna, FELDT, Taru, HAKANEN, Jari J., KOKKO, Katja, HUHTALA, Mari, PULKKINEN, Lea & SCHAUFELI, Wilmar (2015). Cross-national and longitudinal investigation of a short measure of workaholism. Industrial Health, 53, 113–123. RAUB, Werner, BUSKENS, Vincent & VAN ASSEN, Marcel (2011). Mirco-Macro Links and Mircofoundations in Sociology. Journal of Mathematical Sociology, 35, 1–25. REESKENS, Tim & HOOGHE, Marc (2008). Cross-cultural measurement equivalence of generalized trust. Evidence from the European Social Survey (2002 and 2004). In: Social Indicators Research, 85, 515–532. RICHARDS, Lindsay & HEATH, Anthony F. (2015). CSI 15: the uneven distribution and decline of social capital in Britain. Verfügbar unter: http://csi.nuff.ox.ac.uk/wp-content/uploads/2015/11/CSI_15_The_uneven_distribution.pdf [letzter Abruf 12.10.2018]

214

Literaturverzeichnis

RICHEY, Sean (2010). The Impact of Corruption on Social Trust. American politics Research, 38/4, 676–690. ROBINSON, William S. (1950). Ecological correlation and the behaviour of individuals. American Sociological Review, 15/3, 351–357. ROCCO, Lorenzo & SUHRCKE, Marc (2012). Is social capital good for health? A European perspective. Copenhagen, WHO Regional Office for Europe. Verfügbar unter: http://www.euro.who.int/__data/assets/pdf_file/0005/170078/Is-Social-Capital-goodfor-your-health.pdf [letzter Abruf 12.10.2018] ROSE, Richard (2000). How much does social capital add to individual health? A survey study of Russians. Social Science & Medicine, 51, 1421–1435. ROSENBERG, Morris (1991 [1957]). Organizations and values. In: Robinson, J. P., Shaver, P. R., & Wrightsman, L. S. (Eds.). Measures of personality and social psychological attitudes. San Diego: Academic Press, 404–406. ROSS, Stephen A. (1973). The Economic Theory of Agency: The Principal’s Problem. American Economic Review, 63/ 3, 134 –139. ROTHSTEIN, Bo (2011). The Quality of Government: Corruption, Social Trust, and Inequality in International Perspective. Chicago/London: The University of Chicago Press. ROTHSTEIN, Bo (2013). Corruption and Social Trust: Why the Fish Rots from the Head Down. Social Research, 80/4, 1009–1032. ROTHSTEIN, Bo (2015). The Chinese Paradox of High Growth and Low Quality of Government: The Cadre Organization Meets Max Weber. Governance and International Journal of Policy Administration and Institutions, 28/4, 533–548. ROTHSTEIN, Bo & STOLLE, Dietlind (2008). The State and Social Capital: An Institutional Theory of Generalized Trust. Comparative Politics, 40/4, 441–459. ROTHSTEIN, Bo & USLANER, Eric M. (2005). All for All: Equality, Corruption, and Social Trust. World Politics, 58/1, 41–72. ROTHSTEIN, Bo & VARRAICH, Aiysha (2017). Making Sense of Corruption. Cambridge: Cambridge University Press. ROTTER, Julian B. (1980). Interpersonal trust, trustworthiness, and gullibility. American Psychologist, 35, 1–7. ROUSSEAU, Denise M., SITKIN, Sim B., BURT, Ronald S., & CAMERER, Colin (1998). Not so different after all: A cross-discipline view of trust. Academy of Management Review, 23, 393– 404.

Literaturverzeichnis

215

RUDNEV, Maksim, LYTKINA, Ekaterina, DAVIDOV, Eldad, SCHMIDT, Peter & ZICK, Andreas (2018). Testing Measurement Invariance for Second-Order Factor: A Cross-National Test of the Alienation Scale. Methods, data, analyses: a journal for quantitative methods and survey methodology (mda), 12/1, 47–76. SAMPSON, Robert, RAUDENBUSH, Stephen & EARLS, Felton (1997). Neighborhoods and Violent Crime: A Multilevel Study of Collective Efficacy. Science, 277, 918–924. SAMPSON, Robert (2011). Neighborhood Effects, Causal Mechanisms, and the Social Structure of the City. In: Demeulenaere, Pierre. Analytical Sociology and Social Mechanisms. Cambridge: Cambridge University Press, 227–250. SEELEY, John R., SIM, R. Alexander & LOOSLEY, Elizabeth W. (1956). Crestwood Heights: A Study of the Culture of the Suburban Life. New York: Basic Books. SCHEUCH, Erwin K. & SCHEUCH, Ute (2013). Cliquen, Klüngel und Karrieren. Münster: Lit. SCHLEICHER, Jürgen (2002). Sozialkapital und Netzwerkökonomik, Frankfurt/M.: Peter Lang. SCHLICHT, Ekkehart (1984). Cognitive Dissonance in economics. In: Todt, H. (Hrsg.). Normengeleitetes Verhalten in den Sozialwissenschaften, Berlin: Duncker & Humblot, 61–82. SCHRÖDER, Mathis, SAßENROTH, Denise, KÖRTNER, John, KROH, Martin & SCHUPP, Jürgen (2013). Experimental Evidence of the Effect of Monetary Incentives on Cross-Sectional and Longitudinal Response: Experiences from the Socio-Economic Panel (SOEP). Verfügbar unter: http://www.diw.de/sixcms/detail.php?id=diw_01.c.432410.de [letzter Abruf 12.10.2018] SCHULLER, Tom & FIELD, John (1998). Social capital, human capital and the learning society. International Journal of Lifelong Education, 17/4, 226–235. SCRIVENS, Kathrine & SMITH, Conal (2013). Four Interpretations of Social Capital: An Agenda for Measurement. OECD Statistics Working Papers, 2013/06, OECD Publishing. Verfügbar unter: http://dx.doi.org/10.1787/5jzbcx010wmt-en [letzter Abruf 12.10.2018] SEIFFERTH-SCHMIDT, Nicole (2014): Die Theorie des Sozialkapitals und dessen empirische Genese und Wirkung in Deutschland. Lohmar: Joseph Eul Verlag. SEIFFERTH-SCHMIDT, Nicole & ITZENPLITZ, Anja (2009). Sozialkapital im innerdeutschen Vergleich – Konzept, Messung und Empirie. In: Jaenichen, S., Steinrücken, T., SeifferthSchmidt, N. & Itzenplitz A. (Hrsg.). Empirische und theoretische Analysen aktueller wirtschafts- und finanzpolitischer Fragestellungen. Ilmenau: Universitätsverlag Ilmenau, 33–67. SERRITZLEW, Søren, SØNDERSKOV, Kim M. & SVENDSEN, Gert T. (2014). Do Corruption and Social Trust Affect Economic Growth? A Review. Journal of Comparative Policy Analysis: research and Practice, 16/2, 121–139.

216

Literaturverzeichnis

SMELSER, Neil J. (1971). Stability, Instability, and the Analysis of political Corruption. In: Barber, B. & Inkeles, A. (Eds.). Stability and social Change. Boston: Little, Brown and Company, 7–29. SOEBEL, Joel (2002). Can We Trust Social Capital? Journal of Economic Literature, 40, 139– 154. SOEP

– Sozio-ökonomisches Panel (2018). Übersicht über das https://www.diw.de/de/diw_02.c.222508.de/uebersicht_ueber_das_soep.html Abruf 29.01.2018]

SOEP. [letzter

SOEP Group (2001): The German Socio-Economic Panel (GSOEP) after more than 15 years – Overview. In: Holst, E., Lillard, D. R. & DiPrete, T. A. (Hrsg.): Proceedings of the 2000 Fourth International Conference of German Socio-Economic Panel Study Users (GSOEP2000), Vierteljahrshefte zur Wirtschaftsforschung, 70/ 1, 7–14. SØNDERSKOV, Kim M. & DINESEN, Peter T. (2016). Trusting the State, Trusting Each Other? The Effect of Institutional Trust on Social Trust. Political Behavior, 38, 179–202. SORGATZ, Ingo (2018). Schulungs- und Sensibilisierungsveranstaltungen für Beschäftigte in Korruptionsrisikobereichen der öffentlichen Verwaltung. In: Wolf, S. & Graeff, P. (Hrsg.). Korruptionsbekämpfung vermitteln. Wiesbaden: VS Verlag für Sozialwissenschaftler, 181–196. SPIEß, C. Katharina (2005). Das Sozio-oekonomische Panel (SOEP) und die Möglichkeiten regionalbezogener Analysen. In: Grönzinger, G. & Matiaske, W. (Hrsg.). Deutschland regional. Sozialwissenschaftliche Daten im Forschungsverbund. Augsburg: Rainer Hampp Verlag, 57–64. STADELMANN-STEFFEN, Isabelle & FREITAG, Markus (2007). Der ökonomische Wert sozialer Beziehungen. Eine empirische Analyse zum Verhältnis von Vertrauen, sozialen Netzwerken und wirtschaftlichem Wachstum im interkulturellen Vergleich. Kölner Zeitschrift für Soziologie und Sozialpsychologie, 59/47, 294–320. STATISTISCHES BUNDESAMT (2017). Daten aus dem Gemeindeverzeichnis. Raumordnungsregionen nach Fläche und Bevölkerung auf Grundlage des ZENSUS 2011 und Bevölkerungsdichte. Gebietsstand: 31.12.2015. Verfügbar unter: https://www.destatis.de/DE/ZahlenFakten /LaenderRegionen/Regionales/Gemeindeverzeichnis/NichtAdministrativ/Aktuell/31Raumordnungsregionen.html [letzter Abruf: 01.02.2018] STATISTISCHES BUNDESAMT (2015). GV-ISys. Verzeichnis der Gebietseinheiten. Verfügbar unter: https://www.destatis.de/DE/ZahlenFakten/LaenderRegionen/Regionales/Gemeinde verzeichnis/Administrativ/Beschreibung_Gebietseinheiten.html [letzter Abruf: 01.02.2018]

Literaturverzeichnis

217

STAUBLI, Silvia (2016). Vertrauen in die Schweizer Polizei. Zur Rolle institutioneller Anerkennung, prozeduraler Gerechtigkeit und sozialem Vertrauen. Soziale Probleme, 27, 49– 74. STRAUß, Susanne (2008). Volunteering and Social Inclusion. Interrelations between Unemployment and Civic Engagement in Germany and Great Britain. Wiesbaden: Springer VS. STEENKAMP, Jan-Benedikt E.M. & BAUMGARTNER, Hans (1998): Assessing Measurement Invariance in Cross-National Consumer Research. Journal of Consumer Research, 25, 78– 90. STOLLE, Dietlind (2002). Trusting strangers – the concept of generalized trust in perspective. Österreichische Zeitschrift für Politikwissenschaft, 31/4, 397–412. SUNDQUIST Kristina, HAMANO, Tsuyoshi, LI, Xinjun, KAWAKAMI, Naomi, SHIWAKU, Kuninori, & SUNDQUIST, Jan (2014). Linking social capital and mortality in the elderly: A Swedish national cohort study. Experimental Gerontology, 55, 29–36. SVENDSEN, Gunnar L.H. & SVENDSEN, Gert T. (2015). The Puzzle of the Scandinavian Welfare State and Social Trust. Issues in Social Science, 3/2, 90–99. TAJFEL, H. & TURNER, J. C. (1986). The social identity theory of intergroup behavior. In: Worchel, S. & Austin, W.G. (Hrsg.). Psychology of intergroup relations, Chicago: Nelson-Hall, 7–24. TAORMINA, Robert J., KOUK, Angus C., WEI, Wei (2012). Social Capital as Dehumanizing Terminology. Advances in Applied Sociology, 2/2, 143–148. TAVITS, Margit (2006). Making Democracy Work More? Exploring the Linkage between Social Capital and Government Performance. Political Research Quarterly, 59/2, 211–225. THIEL, Stephanie (2012). Korrupiton als Forschungsthema der Kriminologie. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 169–188. TEMME, Dirk & HILDEBRANDT, Lutz (2009). Gruppenvergleiche bei hypothetischen Konstrukten – Die Prüfung der Übereinstimmung von Messmodellen mit der Strukturgleichungsmethodik. Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung (ZfbF), 61/2, 138–185. TOCQUEVILLE, Alexis de (1987). Über die Demokratie in Amerika. München: DTV. TONOYAN, Vartuhi (2005). The dark side of trust: corruption and entrepreneurship – a crossnational comparison between emerging and mature market economies. In: Höhmann, H.-H. & Welter, F. (Eds.). Trust and entrepreneurship. Northampton: Edward Elgar, 39– 58.

218

Literaturverzeichnis

TORPE, Lars (2003). Social Capital in Denmark: A Deviant Case? Scandinavian Political Studies, 26/1, 27–48. TRANSPARENCY INTERNATIONAL (TI) (2018). What is Corruption? Verfügbar unter: https://www.transparency.org/what-is-corruption. [letzer Abruf: 12.10.2018] TRAUNMÜLLER, Richard (2008). Religion als Ressource sozialen Zusammenhalts? Eine empirische Analyse der religiösen Grundlagen sozialen Kapitals in Deutschland. SOEPpapers, 144. TRAUNMÜLLER, Richard (2011). Moral Communities? Religion as a Source of Social Trust in a Multilevel Analysis of 97 German Regions. European Sociological Review 27/3, 346–363. TROMMSDORFF, Gisela (2008). 25 Wellen des Sozio-oekonomischen Panels (SOEP): Gewinn für interdisziplinäre Forschung. Vierteljahrshefte zur Wirtschaftsforschung 77/ 3, 195– 202. Verfügbar unter: https://www.diw.de/de/diw_02.c.234831.de/publikationen_ veranstaltungen/ publikationen/0051381.html [letzter Abruf: 20.04.2018] TU, Yidong & ZHANG, Shuxia (2015). Loneliness and Subjective Well-Being Among Chinese Undergraduates: The Mediating Role of Self-Efficacy. Social Indicators Research, 124/3, 963–980. ÜBERALL, Frank (2007). Der Klüngel in der politischen Kultur Kölns. Bonn: Bouvier. UMWELTBUNDESAMT (2013). Trinkwasser wird bleifrei. Neuer Grenzwert für Blei im Trinkwasser ab 1. Dezember 2013. Dessau-Roßlau: Umweltbundesamt. USLANER, Eric M. (2002). The Moral Foundations of Trust. Cambridge: University Press. USLANER, Eric M. (2004a). Trust and Corruption. The new institutional economics of corruption, 90–106. USLANER, Eric M. (2004b). Trust, civic engagement, and the Internet. Political Communication, 21/2, 223–242. USLANER, Eric M. (2008). Corruption, Inequality, and the Rule of Law: The Bulging Pocket Makes the Easy Life. Cambridge: Cambridge University Press. USLANER, Eric M. (2009). Corruption. In: Svendsen, G. T. & Svendsen G. L. H. (Eds.). Handbook of Social Capital. Northampton: Edward Elgar, 127–142. USLANER, Eric M. (2013). Trust and corruption revisited: how and why trust and corruption shape each other. Quality & Quantity, 47/6, 3603–3608. USLANER, Eric M. (2015). The roots of trust. In: Li, Yoajun. Handbook of Research Methods and Applications in Social Capital. Northampton: Edward Elgar, 60–75.

Literaturverzeichnis

219

USLANER, Eric M. & ROTHSTEIN, Bo (2005). All for all: Equality, corruption, and social trust. World politics 58/1, 41–72. USLANER, Eric M. & ROTHSTEIN, Bo (2016). The Historical Roots of Corruption: State Building, Economic Inequality, and Mass Education. Comparative Politics, 48/2, 227–248. VAN DE SCHOOT, Rens, LUGTIG, Peter & HOX, Joop (2012). A checklist for testing measurement

invariance. European Journal of Development Psychology, 9/4, 486–492. VAN DE SCHOOT, Rens, SCHMIDT, Peter, DE BEUCKELAER, Alain, LEK, Kimberly & ZONDERVAN-

ZWIJNENBURG, Marielle (2012). Editorial: Measurement Invariance. In: van de Schoot, R., Schmidt, P. & de Beuckelaer, A. (Eds). Measurement Invariance. Frontiers in Psyochology, 5–9. VELD, William & SARIS, Willem E. (2011). Causes of Generalized Social Trust. In: Davidov, E., Schmidt, P. & Billiet, J. (Eds.). Cross-Cultural Analysis. New York: Routledge, 207–248.

VAN DER

VITAK, Jessica, ZUBE, Paul, SMOCK, Andrew, CARR, Caleb T., ELLISON, Nicole & LAMPE Cliff (2011). It's complicated: Facebook users' political participation in the 2008 election. Cyberpsychology, Behavior, and Social Networking, 14/3, 107–114. VITELL, Scott J. & SINGHAPAKDI, Anusorn (2008). The Role of Ethics Institutionalization in Influencing Organizational Commitment, Job Satisfaction, and Esprit de Corps. Journal of Business Ethics, 81/2, 343–353. WASMER, Martina, BLOHM, Michael, WALTER, Jessica, JUTZ, Regina & SCHOLZ, Evi (2017): Konzeption und Durchführung der „Allgemeinen Bevölkerungsumfrage der Sozialwissenschaften“ (ALLBUS) 2014. GESIS Papers 2017/20. Verfügbar unter: https://www.gesis.org/allbus/inhalte-suche/methodenberichte/ [letzter Abruf: 20.04.2018] WEBER, Max (1980 [1922]). Wirtschaft und Gesellschaft. Tübingen: Mohr. WHISMAN, Mark A. & JUDD, Charles M. (2016). A cross-national analysis of measurement invariance of the Satisfaction With Life Scale. Psychological Assessment, 28/2, 239– 44. WIDAMAN, Keith F., FERRER, Emilio & CONGER, Rand D. (2010). Factorial Invariance within Longitudinal Structural Equation Models: Measuring the Same Construct across Time. Child development perspectives 4.1, 10–18. PMC. Web. 1 Nov. 2017. WILSON, James Q. & KELLING, George L. (1982). Broken windows: the police and neighborhood safety. Atlantic Monthly, 249/3, 29–38.

220

Literaturverzeichnis

WINKELMANN, Rainer (2006). Unemployment, Social Capital, and Subjective Well-Being. IZA Discussion Paper, 2346. Verfügbar unter: https://ssrn.com/abstract=937887 [letzter Abruf 12.10.2018] WOLF, Erika J., HARRINGTON, Kelly M., CLARK, Shaunna L. & MILLER, Mark W. (2013). Sample Size Requirements for Structural Equation Models: An Evaluation of Power, Bias, and Solution Propriety. Educational and Psychological Measurement, 76/6, 913–934. WOLF, Sebastian (2012). Politikwissenschaftliche Korruptionsforschung. In: Graeff, P. & Grieger, J. (Hrsg.). Was ist Korruption? Baden-Baden: Nomos Verlagsgesellschaft, 113– 134. WOLF, Sebastian (2014). Korruption, Antikorruptionspolitik und öffentliche Verwaltung. Einführung und europapolitische Bezüge. Wiesbaden: VS Verlag für Sozialwissenschaftler. WOOLCOCK, Michael (1998). Social Capital and Economic Development: Toward a Theoretical Synthesis and Policy Framework. Theory and Society, 27, 2, 151–208. WORLD BANK (2016). Anti-Corruption Guidelines for World Bank Guarantee and Carbon Finance Transactions. Verfügbar unter: https://policies.worldbank.org/sites/ppf3/PPFDocuments/090224b0823725d0.pdf [letzter Abruf 12.10.2018] WORLD BANK (2017). What is Social Capital? Verfügbar unter: http://www.worldbank.org/en/webarchives/archive?url=http%3A%2F%2Fweb.worldbank.org%2Farchive%2Fwebsite01360%2FWEB%2F0__CO-10.HTM&mdk=23354653 [letzter Abruf 11.04.2017] WORLD VALUE SURVEY (WVS) (2012). WVS6 Official Questionnaire V4. Verfügbar unter: F00001101-WV6_Official_Questionnaire_v4_June2012.pdf [letzter Abruf: 01.02.2018] WORMS, Jean-Pierre (2002). Old and new civic and social ties in France. In: Putnam, R. (Ed.). Democracies in flux: The evolution of social capital in contemporary society. Oxford: Oxford University Press, 137–188. WROE, Andrew, ALLEN, Nicholas & BIRCH, Sarah (2013). The role of political trust in conditioning perceptions of corruption. European Political Science Review, 5/2, 175–195. WUTHNOW, Robert (2002). Bridging the privileged and the marginalized? In: Putnam, R. (Ed.). Democracies in flux: The evolution of social capital in contemporary society. Oxford: Oxford University Press, 59–102. YAMAGISHI, Toshio, KIKUCHI, Masako & KOSUGI, Motoko (1999). Trust, gullibility, and social intelligence. Asian Journal of Social Psychology, 2, 145–161. YOU, Jong-Sung (2005). Corruption and Inequality as Correlates of Social Trust: Fairness Matters More Than Similarity. The Hauser Center for Nonprofit Organizations and The John

Literaturverzeichnis

221

F. Kennedy School of Government Harvard University Working Paper No. 29. Verfügbar unter: https://cpl.hks.harvard.edu/files/cpl/files/workingpaper_29.pdf [letzter Abruf: 01.02.2018] ZMERLI, Sonja & NEWTON, Kenneth (2017). Objects of Political and Social Trust: Scales and Hierarchies. In: Zmerli, S. & van der Meer, T. W. G. (Eds.). Handbook on Political Trust. Cheltenham: Edward Elgar, 104–124.

Daten ALLBUS ALLBUS 2002 (ZA3700, v2.0.0), doi: 10.4232/1.11138 ALLBUS 2004 (ZA3762, v2.0.0), doi: 10.4232/1.10977 ALLBUS 2006 (ZA4500, v2.0.0), doi: 10.4232/1.10832 ALLBUS 2008 (ZA4600, v2.1.0), doi: 10.4232/1.12345 ALLBUS 2010 (ZA4610, v1.1.0), doi: 10.4232/1.10760 ALLBUS 2012 (ZA4614, v1.1.1), doi: 10.4232/1.11753 ALLBUS 2014 (ZA5240, v2.1.0), doi: 10.4232/1.12288 ALLBUS: sensitive Regionaldaten 1980-2016 (ZA5260), doi: 0.4232/1.12646 INKAR http://www.inkar.de/Default# [letzter Abruf 12.10.2018] Siedlungsstrukturelle Regionstypen http://www.bbsr.bund.de/BBSR/DE/Raumbeobachtung/Downloads/downloads_node.html [letzter Abruf 12.10.2018] SOEP Erhebungszeitpunkte inkl. Regionaldaten: 2003, 2007, 2008, 2010, 2011, 2013, 2015

Anhang Abbildungen

Abbildung A.1: Anstieg der Publikationen zum sozialen Kapital (Datenquelle: Web of Science)

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 S. Fuchs, Geltungsbereiche des sozialen Kapitals in Deutschland, https://doi.org/10.1007/978-3-658-28877-8

224

Anhang

Abbildung A.2: Übersicht über Raumordnungsregionen in Deutschland (eigene Darstellung)

Abbildungen

Abbildung A. 3: Stichprobenentwicklung (Quelle: SOEP 2018)

Abbildung A.4: Soziales Vertrauen in den Bundesländern 2003, 2008 und 2013 (eigene Darstellung)

225

226

Anhang

Abbildung A.5 Netzwerke des sozialen Engagements in den Bundesländern 2003, 2007 und 2011 (eigene Darstellung)

Abbildungen

227

Abbildung A. 6 Geographische Darstellung über die Raumordnungsregionen der Reziprozität 2005 (Konstrukte über die Zeit nicht einheitlich erfasst und folglich nicht vergleichbar mit anderen Zeitpunkten) (eigene Darstellung)

228

Anhang

Abbildung A.7 Geographische Darstellung über die Raumordnungsregionen der Reziprozität 2010 (Konstrukte über die Zeit nicht einheitlich erfasst und folglich nicht vergleichbar mit anderen Zeitpunkten) (eigene Darstellung)

Tabellen

229

Tabellen Die statistischen Kennzahlen der deskriptiven Statistik (Tab. B.1, B.13 und B.19) sind zur besseren Lesbarkeit und Interpretation mit 100 multipliziert. Tab. B.1: Übersicht der statistischen Kennzahlen der Items vom Konstrukt des sozialen Vertrauens über die Raumordnungsregionen (N=96). Mittelwert

Standardabweichung

Min./Max.

60.82 43.04 88.82 50.86 36.42

10.44 9.53 6.8 10.73 10.5

37.59/87.22 14.08/63.27 56.85/98.08 22.43/71.99 12.8/71.43

58.76 44.66 88.28 50.66 37.35

9.49 9.32 5.24 9.85 8.21

39.87/80.79 21.26/68.81 69.67/99.55 23.13/72.15 11.56/58.73

65 39.78 88.44 58.15 44.44

9.25 8.6 4.70 9.17 8.05

42.02/93.67 19.62/61.67 74.43/98.84 35.05/75.61 25.51/62.76

2003 TRUST VERLASS VORSICHT FAIR HILF 2008 TRUST VERLASS VORSICHT FAIR HILF 2013 TRUST VERLASS VORSICHT FAIR HILF

Tab. B.1.1: Übersicht der statistischen Kennzahlen des Items TRUST über die einzelnen Raumordnungsregionen Raumordnungsregion

2003

2008

2013

Std. Abw. (ø)

71.42 80.41 46.16 78.42 72.55

Mittelwert (ø) 71.09 73.24 48.96 68.27 72.23

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg

62.28 63.10 42.23 65.44 79.22

79.56 76.22 58.49 60.96 64.91

74.62 63.37 53.74 58.56 74.51 75.11 62.94 61.23 43.93 64.94

67.11 62.30 44.44 42.46 57.92 59.39 63.45 63.59 52.61 68.07

71.31 65.28 58.96 66.39 75.34 65.96 59.04 72.26 57.59 76.33

71.01 63.65 52.38 55.80 69.26 66.82 61.81 65.69 51.38 69.78

3.76 1.51 7.35 12.20 9.83 7.89 2.41 5.81 6.91 5.88

8.64 9.03 8.48 9.07 7.16

230

Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut

Anhang

60.24 77.33 71.06 71.40 55.41 56.79 80.05 66.08 68.79 68.21 56.20 59.89 60.45 48.32 52.43 68.66 55.18 55.88 62.14 65.97 65.07 60.91 57.09 60.75 51.22 63.39 77.06 72.87 61.13 56.74 58.35 59.49 62.33 63.99 45.34 74.40 49.69 66.19 61.57 87.22 43.18 46.87 57.24 78.14 49.51 54.78

75.22 70.58 61.84 56.52 55.73 58.15 39.87 52.88 58.15 56.42 50.92 57.34 55.39 43.10 49.21 71.67 63.77 61.50 62.17 67.90 76.83 57.83 52.85 49.51 43.22 62.78 62.47 63.36 58.47 75.57 62.71 69.29 58.87 68.21 43.35 55.82 63.00 64.75 73.09 61.67 62.47 49.85 70.61 68.97 46.08 61.81

66.12 70.04 59.02 64.87 48.26 68.29 63.21 68.36 71.45 69.65 67.74 67.38 63.08 56.58 69.05 74.26 57.85 65.03 64.02 65.99 73.70 63.65 70.28 67.08 69.39 72.87 75.84 55.75 93.67 68.24 67.72 83.75 68.38 69.87 51.04 85.75 68.44 72.49 79.52 66.08 62.38 56.70 62.09 66.05 44.64 73.20

67.19 72.65 63.98 64.26 53.13 61.08 61.04 62.44 66.13 64.76 58.29 61.54 59.64 49.33 56.90 71.53 58.93 60.80 62.78 66.62 71.87 60.80 60.07 59.11 54.61 66.35 71.79 63.99 71.09 66.85 62.93 70.84 63.20 67.36 46.57 71.99 60.38 67.81 71.39 71.66 56.01 51.14 63.31 71.05 46.74 63.26

7.55 4.07 6.30 7.46 4.22 6.28 20.18 8.36 7.04 7.26 8.60 5.22 3.91 6.80 10.65 2.80 4.39 4.61 1.08 1.11 6.09 2.91 9.09 8.90 13.41 5.66 8.10 8.58 19.60 9.49 4.69 12.20 4.81 3.03 3.99 15.11 9.64 4.12 9.09 13.66 11.11 5.04 6.77 6.31 2.50 9.29

61.67 74.69

57.64 57.96

64.07 50.14

61.13 60.93

3.25 12.54

Tabellen

Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

231

69.45 68.12 75.42 79.58 51.85 54.56 69.02 71.83 66.26 68.67 55.10 64.59 63.31 52.25 37.59 45.54 42.08 72.77 47.96

64.62 63.47 71.52 62.71 62.19 57.23 80.79 59.01 40.57 74.50 55.72 61.07 66.10 51.10 45.10 53.21 49.80 63.04 43.77

73.51 71.13 65.56 45.53 79.03 61.38 67.80 68.00 54.76 76.29 56.03 67.30 68.88 63.82 51.74 68.05 42.02 66.07 61.25

69.19 67.57 70.83 62.60 64.36 57.72 72.53 66.28 53.86 73.15 55.62 64.32 66.09 55.72 44.81 55.60 44.63 67.29 50.99

4.45 3.86 4.97 17.03 13.72 3.44 7.17 6.58 12.87 3.99 0.47 3.12 2.78 7.04 7.08 11.44 4.48 4.98 9.12

61.49 48.98 55.98 58.13 56.81 56.09 64.84 52.12 44.39 46.53 68.23 46.69 38.01 58.38

47.38 41.59 48.95 64.69 47.92 59.78 54.72 47.15 49.74 48.50 63.68 45.04 52.18 55.34

57.68 54.57 61.82 55.16 54.74 66.03 60.23 49.52 55.26 56.22 69.84 55.95 56.38 58.09

55.52 48.38 55.58 59.32 53.16 60.63 59.93 49.59 49.80 50.41 67.25 49.23 48.86 57.27

7.30 6.51 6.45 4.88 4.65 5.03 5.07 2.49 5.44 5.12 3.19 5.88 9.63 1.68

Tab. B.1.2: Übersicht der statistischen Kennzahlen des Items VERLASS über die Raumordnungsregionen Raumordnungsregion

2003

2008

2013

Std. Abw. (ø)

40.15 20.79 27.35 24.10

Mittelwert (ø) 36.23 32.98 37.99 34.93

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland

36.77 47.11 44.99 42.80

31.76 31.03 41.63 37.88

48.64 28.26 34.99 40.06

32.08 31.13 44.83 39.20

27.17 31.60 36.66 41.06

35.96 30.33 38.83 40.11

11.25 1.81 5.27 0.93

4.22 13.27 9.37 9.69

232

Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg

Anhang

51.40 41.98 48.45 35.91 39.19 37.28 41.64 32.55 26.88 36.86 26.85 35.75 39.78 14.08 31.36 30.99 30.00 46.27 39.63 44.22 50.20 43.66 50.60 40.25 41.32 36.90 46.58 36.15 42.96 47.45 53.85 41.95 34.24 49.73 27.13 51.38 49.72 40.61 52.66 37.76 39.55 60.15 36.26 49.36 45.90 32.16 25.28 49.86 57.26

62.37 57.84 57.62 37.51 33.18 51.91 50.36 31.05 24.07 51.16 43.97 52.44 43.68 39.54 45.27 41.07 38.93 46.05 38.31 48.76 60.53 48.97 43.74 39.45 47.10 47.82 34.04 32.57 46.91 48.99 58.47 47.32 41.37 56.82 38.82 45.50 35.06 48.37 35.01 29.10 30.93 59.84 36.37 43.94 41.14 35.33 34.79 45.39 49.87

40.65 33.27 42.23 46.78 34.22 38.65 45.40 41.12 32.02 36.95 24.32 61.67 33.98 37.13 38.31 31.47 27.64 41.99 35.50 40.36 49.77 33.52 37.03 45.58 49.42 47.47 37.42 38.05 34.42 33.86 40.08 29.26 25.28 47.13 53.40 36.86 26.72 43.07 34.48 35.08 34.94 50.78 22.47 36.01 28.83 41.12 41.34 38.86 41.96

51.47 44.36 49.44 40.07 35.53 42.61 45.80 34.91 27.66 41.66 31.71 49.95 39.15 30.25 38.31 34.51 32.19 44.77 37.82 44.45 53.50 42.05 43.79 41.76 45.95 44.06 39.34 35.59 41.43 43.43 50.80 39.51 33.63 51.23 39.78 44.58 37.17 44.02 40.72 33.98 35.14 56.92 31.70 43.11 38.62 36.20 33.80 44.70 49.70

10.86 12.46 7.74 5.87 3.21 8.08 4.37 5.43 4.03 8.23 10.69 13.14 4.88 14.05 6.96 5.68 5.96 2.41 2.11 4.21 6.09 7.85 6.78 3.33 4.17 6.20 6.49 2.78 6.38 8.32 9.56 9.28 8.06 5.01 13.16 7.30 11.64 3.96 10.35 4.43 4.31 5.32 8.00 6.71 8.81 4.54 8.08 5.53 7.65

Tabellen

Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

233

33.87 59.10 55.52

39.68 43.00 53.02

36.54 37.05 48.53

36.70 46.38 52.36

2.91 11.41 3.54

45.89 37.01 35.19 33.50 32.95 30.01 30.68 45.72 42.24 48.21 42.67 37.15 37.69 41.91 41.12 40.96 46.54 54.25 58.12 62.43 50.67

42.61 41.14 58.77 37.46 34.54 21.26 45.91 43.05 49.28 30.33 50.87 68.82 41.44 36.34 38.82 46.16 47.17 53.44 52.00 46.34 54.15

42.44 47.49 55.69 34.83 28.25 40.75 52.22 19.62 48.26 29.74 45.14 52.04 37.01 46.30 36.03 46.10 38.79 45.66 48.57 48.76 34.80

43.65 41.88 49.89 35.26 31.91 30.67 42.93 36.13 46.59 36.09 46.23 52.67 38.71 41.51 38.66 44.41 44.17 51.12 52.90 52.51 46.54

1.94 5.28 12.81 2.01 3.27 9.76 11.07 14.36 3.81 10.50 4.20 15.84 2.39 4.99 2.55 2.98 4.67 4.74 4.84 8.68 10.32

41.24 47.66 48.98 42.08 54.57 47.10 49.99 46.84 59.98 57.08 58.51 31.96 56.09 63.27 57.57

40.60 53.17 55.08 55.76 49.77 55.15 43.60 44.30 57.27 61.53 45.46 37.70 62.17 54.05 47.53

46.71 50.44 36.42 37.02 42.17 48.13 41.86 46.55 54.12 53.05 50.04 33.67 54.10 49.26 47.86

42.85 50.42 46.83 44.95 48.84 50.13 45.15 45.90 57.12 57.22 51.34 34.44 57.45 55.53 50.99

3.36 2.76 9.52 9.70 6.25 4.38 4.28 1.39 2.93 4.25 6.62 2.94 4.20 7.12 5.70

Tab. B.1.3: Übersicht der statistischen Kennzahlen des Items VORSICHT über die Raumordnungsregionen Raumordnungsregion

2003

2008

2013

Schleswig-Holstein Mitte Schleswig-Holstein Nord

65.06 97.84

90.48 92.41

94.45 87.16

Mittelwert (ø) 83.33 92.47

Std. Abw. (ø) 15.95 5.34

234

Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald

Anhang

73.74 88.23

88.00 92.28

75.48 81.22

79.07 87.24

7.78 5.60

92.02 86.76 83.85 84.97 94.51 92.20 92.81 93.75 88.50 83.91 93.25 92.28 96.14 79.27 82.61 85.62 86.36 91.93 86.76 91.74 95.18 89.12 90.59 90.39 91.99 79.67 90.05 92.23 91.71 82.43 88.61 93.56 87.82 80.77 89.05 98.08 73.35 96.38 56.85 86.58 84.31 90.71 91.84 91.72 87.91 82.55

78.88 85.09 88.59 86.65 93.79 86.76 81.05 92.37 83.88 80.40 83.63 88.68 92.28 83.83 82.99 90.29 87.22 92.50 86.11 89.55 96.03 93.61 89.77 88.42 94.67 87.85 90.75 91.65 79.99 93.50 90.25 95.62 89.33 90.76 90.18 92.66 89.32 94.65 79.34 82.22 99.55 92.76 69.67 84.80 87.49 97.49

86.46 82.01 92.70 89.93 91.42 89.07 93.89 89.24 92.99 83.30 82.17 88.75 87.87 87.68 98.15 88.56 83.05 88.87 90.59 84.71 95.76 82.30 85.80 88.69 90.83 83.68 90.60 90.76 82.69 87.80 91.88 89.70 87.30 82.57 85.35 91.34 90.28 87.45 86.29 87.35 91.83 86.20 80.13 83.48 89.91 94.91

85.79 84.62 88.38 87.18 93.24 89.35 89.25 91.79 88.46 82.54 86.35 89.90 92.10 83.59 87.92 88.16 85.54 91.10 87.82 88.67 95.66 88.34 88.72 89.17 92.50 83.73 90.47 91.55 84.80 87.91 90.25 92.96 88.15 84.70 88.19 94.02 84.32 92.83 74.16 85.38 91.90 89.89 80.55 86.67 88.44 91.65

6.60 2.41 4.43 2.52 1.61 2.73 7.12 2.31 4.56 1.87 6.02 2.06 4.14 4.21 8.87 2.37 2.20 1.95 2.42 3.59 0.43 5.69 2.56 1.07 1.97 4.09 0.37 0.74 6.14 5.53 1.63 3.01 1.06 5.32 2.52 3.57 9.51 4.74 15.39 2.76 7.62 3.35 11.09 4.43 1.29 7.98

Tabellen

Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

235

88.81 92.14 87.64 90.34 81.38 95.76 97.74 88.12 96.41 91.39

92.25 84.36 88.69 90.23 79.79 86.18 91.50 79.24 85.30 87.20

88.73 86.49 91.40 82.01 87.80 87.19 89.52 91.51 85.18 90.53

89.93 87.66 89.24 87.53 82.99 89.71 92.92 86.29 88.96 89.71

2.01 4.02 1.94 4.78 4.24 5.26 4.29 6.34 6.44 2.22

86.87 77.66 86.60 86.97 91.03 95.64 97.57 81.99 90.01 94.19 90.14 95.07 96.95 94.40 82.84 84.48 93.76 87.03 93.53 89.76 87.80

90.50 80.11 98.57 86.49 88.58 87.14 87.89 85.77 79.35 86.24 81.67 91.14 94.78 95.41 79.19 86.02 88.11 92.00 91.27 92.09 91.71

85.51 95.49 92.81 89.51 80.56 91.42 91.39 74.43 91.77 83.18 87.20 95.84 91.06 89.38 85.44 84.83 89.08 96.78 80.24 95.63 86.91

87.63 84.42 92.66 87.66 86.72 91.40 92.28 80.73 87.05 87.87 86.34 94.02 94.27 93.06 82.49 85.11 90.32 91.93 88.35 92.49 88.80

2.58 9.67 5.99 1.62 5.48 4.25 4.90 5.77 6.72 5.69 4.30 2.52 2.98 3.23 3.14 0.81 3.02 4.88 7.11 2.96 2.56

91.01 88.39 93.51 90.24 93.16 90.60 86.95 89.54 94.19 92.58 91.45 72.30 97.08 92.71 91.28

90.81 90.41 93.59 88.22 88.76 87.77 84.43 78.88 94.36 89.10 88.49 86.66 95.19 90.18 79.20

90.62 98.84 94.14 89.76 88.59 90.17 83.02 84.95 82.24 95.35 89.88 90.26 94.22 93.62 91.59

90.81 92.55 93.75 89.41 90.17 89.52 84.80 84.46 90.26 92.34 89.94 83.07 95.49 92.17 87.36

0.19 5.54 0.34 1.05 2.59 1.52 1.99 5.34 6.95 3.13 1.48 9.50 1.45 1.78 7.07

236

Anhang

Tab. B.1.4: Übersicht der statistischen Kennzahlen des Items FAIR über die Raumordnungsregionen Raumordnungsregion

2003

2008

2013

Std. Abw. (ø)

69.39 67.37 63.74 66.91

Mittelwert (ø) 62.72 51.65 51.77 54.90

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben

57.67 40.04 29.99 49.35

61.10 47.55 61.56 48.43

50.65 66.60 52.53 38.01 48.40 56.35 49.72 61.74 62.24 46.41 44.01 66.68 68.59 42.64 48.15 50.17 55.83 67.72 61.79 62.18 62.80 61.86 55.52 52.54 33.96 52.08 59.17 52.68 57.30 60.87 59.65 57.38 54.08 58.21 52.99 49.79 61.99 46.50 71.99 52.03

58.42 66.62 46.68 43.63 55.18 39.94 58.91 61.10 59.24 40.73 42.34 67.39 71.89 48.07 60.55 50.34 48.48 28.27 51.40 52.53 53.13 51.94 39.43 51.94 42.63 48.86 58.65 55.44 46.67 59.76 55.52 55.06 50.27 44.42 50.98 51.31 50.59 63.17 58.72 53.72

57.19 69.18 60.37 53.18 65.68 50.51 56.95 46.58 70.61 58.60 75.61 55.06 66.05 58.49 41.36 46.90 62.16 62.18 61.92 65.02 66.25 59.31 60.58 54.95 47.28 68.31 66.98 61.00 63.90 53.97 64.05 60.05 59.61 60.32 59.05 64.28 60.06 73.84 50.23 65.86

55.42 67.47 53.19 44.94 56.42 48.93 55.19 56.47 64.03 48.58 53.99 63.04 68.84 49.73 50.02 49.14 55.49 52.72 58.37 59.91 60.73 57.70 51.85 53.14 41.29 56.42 61.60 56.37 55.95 58.20 59.74 57.49 54.65 54.32 54.34 55.13 57.55 61.17 60.31 57.20

4.18 1.49 6.87 7.67 8.70 8.32 4.84 8.57 5.89 9.13 18.75 6.92 2.93 8.05 9.73 1.94 6.85 21.36 6.03 6.55 6.80 5.15 11.04 1.59 6.76 10.43 4.67 4.24 8.69 3.71 4.27 2.50 4.70 8.64 4.20 7.96 6.10 13.78 10.96 7.55

6.03 14.12 18.89 10.42

Tabellen

Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S.

237

50.00 55.81 55.33 55.79 52.56 43.36 58.73 55.17 57.49 53.93 69.93 35.75 33.29 45.07 56.83 45.14

46.86 51.14 52.85 53.11 43.98 45.60 42.40 50.69 57.03 62.85 62.97 60.64 49.27 55.71 65.25 35.32

74.56 58.90 65.89 68.17 55.44 53.62 69.00 54.42 66.70 70.29 64.99 60.08 42.73 57.74 64.03 51.19

57.14 55.28 58.03 59.02 50.66 47.53 56.71 53.43 60.41 62.35 65.96 52.16 41.76 52.84 62.04 43.88

15.17 3.91 6.92 8.03 5.96 5.39 13.41 2.40 5.45 8.19 3.58 14.21 8.04 6.81 4.55 8.01

45.33 47.11 59.62 67.31 52.02 65.77 63.22 42.31 50.65 55.30 61.45 34.90 53.82 47.10 50.91 46.02 42.40 24.83 35.18 38.49 31.85

55.60 43.02 35.00 61.98 55.31 59.11 52.99 66.49 34.91 68.38 61.62 34.38 72.15 57.53 52.67 45.30 45.05 34.83 27.47 37.69 62.28

54.85 74.34 40.22 69.41 58.48 65.79 43.24 66.02 51.18 66.23 54.06 54.61 63.00 53.41 61.08 52.63 64.17 35.05 41.82 39.80 52.77

51.93 54.82 44.95 66.23 55.27 63.56 53.15 58.27 45.58 63.30 59.04 41.30 62.99 52.68 54.89 47.98 50.54 31.57 34.82 38.66 48.97

5.73 17.03 12.97 3.83 3.23 3.85 9.99 13.82 9.24 7.02 4.32 11.53 9.17 5.25 5.44 4.04 11.88 5.84 7.18 1.07 15.57

39.21 48.82 47.88 49.42 38.21 44.55 54.74 55.35 30.25 39.23

41.58 43.56 36.72 48.98 55.21 46.22 49.20 44.53 23.13 42.02

48.45 38.28 49.97 45.07 45.00 52.48 59.55 53.81 46.13 40.85

43.08 43.56 44.86 47.82 46.14 47.75 54.49 51.23 33.17 40.70

4.80 5.27 7.13 2.40 8.56 4.18 5.18 5.85 11.78 1.40

238

Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

37.62 68.99 22.43 29.07 45.87

41.62 47.60 41.22 46.15 43.38

47.67 61.95 57.35 55.33 69.37

42.30 59.51 40.34 43.52 52.87

5.06 10.90 17.47 13.33 14.34

Tab. B.1.5: Übersicht der statistischen Kennzahlen des Items HILF über die Raumordnungsregionen Raumordnungsregion

2003

2008

2013

Std. Abw. (ø)

53.40 53.60 52.67 44.34

Mittelwert (ø) 52.70 43.41 43.66 36.09

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main

56.34 38.57 46.46 29.75

48.35 38.07 31.86 34.17

24.04 37.35 38.35 27.31 34.78 39.87 34.45 38.64 32.13 28.55 47.48 50.06 55.00 36.77 39.86 35.25 32.94 25.51 52.53 36.16 51.29 33.77 32.95 34.32 35.67 44.80 34.29 35.02 33.22 30.21 40.86 46.78 27.23

43.81 41.61 41.88 42.19 33.08 41.70 35.08 42.03 35.57 33.71 32.54 55.85 58.73 38.98 53.35 42.15 31.42 25.68 33.23 40.37 48.71 37.98 29.56 36.10 36.56 36.83 46.35 49.86 25.24 42.04 40.04 42.77 35.42

45.80 55.42 53.19 42.88 51.52 57.87 41.43 37.31 45.28 37.41 52.68 43.59 56.79 38.93 39.39 34.37 49.10 36.92 42.82 48.96 53.48 40.90 38.28 47.23 38.52 44.53 51.00 50.61 53.04 41.05 47.04 57.75 40.93

37.88 44.79 44.47 37.46 39.79 46.48 36.99 39.33 37.66 33.22 44.23 49.83 56.84 38.23 44.20 37.26 37.82 29.37 42.86 41.83 51.16 37.55 33.60 39.22 36.91 42.05 43.88 45.16 37.17 37.77 42.64 49.10 34.53

12.03 9.45 7.75 8.80 10.19 9.91 3.86 2.43 6.82 4.45 10.45 6.13 1.87 1.26 7.93 4.26 9.80 6.54 9.65 6.52 2.39 3.58 4.40 7.00 1.46 4.53 8.62 8.79 14.31 6.56 3.82 7.76 6.89

4.04 8.83 10.68 7.48

Tabellen

Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg

239

37.73 26.63 41.86 70.04 37.68 63.71 38.61 12.80 46.00 37.62 25.10 39.58 32.17 33.49 35.46 46.45 36.08 71.43 35.48 31.80 34.64 51.68 24.84

41.25 43.06 41.42 54.32 49.80 55.09 50.67 37.23 42.70 35.80 30.37 33.59 20.45 31.15 39.56 41.04 38.45 46.13 46.40 26.13 42.66 51.25 29.18

32.10 43.40 41.04 62.76 59.59 40.46 44.08 55.37 46.47 50.71 51.31 52.11 38.16 56.44 45.67 49.44 51.74 41.62 43.90 35.87 44.45 38.48 31.53

37.03 37.69 41.44 62.37 49.02 53.09 44.45 35.13 45.05 41.38 35.59 41.76 30.26 40.36 40.23 45.64 42.09 53.06 41.93 31.27 40.58 47.14 28.51

4.61 9.59 0.41 7.87 10.98 11.75 6.03 21.36 2.05 8.13 13.87 9.45 9.01 13.97 5.14 4.26 8.44 16.07 5.72 4.89 5.22 7.50 3.39

32.95 35.90 46.31 26.37 41.16 47.13 41.93 36.17 48.55 31.01 37.08 37.33 43.21 37.38 35.13 28.84 32.41 15.75 37.22 26.53 44.60

39.83 32.57 29.66 24.46 36.49 32.15 35.78 44.34 39.06 39.91 37.12 28.76 43.39 44.73 30.80 30.72 32.82 25.40 28.91 21.17 36.31

46.85 33.19 35.93 45.51 42.83 40.04 29.87 58.55 45.69 49.68 38.63 48.49 56.43 31.44 52.34 51.09 52.82 25.51 34.16 28.63 42.18

39.88 33.89 37.30 32.11 40.16 39.77 35.86 46.35 44.43 40.20 37.61 38.20 47.67 37.85 39.42 36.88 39.35 22.22 33.43 25.44 41.03

6.95 1.77 8.41 11.64 3.29 7.49 6.03 11.32 4.87 9.34 0.89 9.89 7.58 6.66 11.40 12.34 11.67 5.60 4.20 3.84 4.27

23.54 32.83 32.23

26.73 33.54 36.83

40.29 44.60 32.94

30.19 36.99 34.00

8.89 6.60 2.48

240

Anhang

Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

37.95 23.58 36.24 36.42 37.06 13.07 25.66 22.03 38.48 15.78 15.05 34.34

31.37 29.87 34.13 35.70 36.34 11.56 34.09 35.19 37.87 27.86 35.89 33.54

37.13 32.46 34.40 48.89 52.12 32.21 35.60 40.06 48.19 35.87 39.91 44.83

35.48 28.64 34.92 40.34 41.84 18.95 31.78 32.43 41.51 26.50 30.28 37.57

3.58 4.57 1.15 7.42 8.91 11.51 5.36 9.33 5.79 10.11 13.35 6.30

Tabelle B.2.1-2.3: Konfirmatorische Faktoranalyse mit standardisierten Koeffizienten für jeden Erhebungszeitpunkt (2003, 2008 und 2013).

Tabelle B.2.1: 2003 Strukturgleichungsmodell Schätzmethode = ml

N=96

Standardisiert FAIR _cons

Koef. .8578096 4.763637

Std. Err. .0444106 .358616

z-Wert 19.32 13.28

P>|z| 0.000 0.000

[95% Conf. Intervall] .7707665 .9448527 4.060763 5.466512

TRUST _cons

.7591477 5.859443

.0543642 .4350112

13.96 13.47

0.000 0.000

.6525958 5.006837

.8656997 6.71205

-.7768942 4.542006

.0532651 .3433128

-14.59 13.23

0.000 0.000

-.8812918 3.869126

-.6724965 5.214887

.6211871 3.48772

.0721966 .2716097

8.60 12.84

0.000 0.000

.4796845 2.955375

.7626897 4.020065

VERLASS _cons HILF _cons VORSICHT _cons

-.2634657 .1038253 -2.54 0.011 -.4669597 -.0599718 13.139 .9537025 13.78 0.000 11.26978 15.00822 LR Test: Modell vs. saturiert: chi2(5) = 12.25, Prob > chi2 = 0.0315

Tabellen

241

Tabelle B.2.2: 2008 Strukturgleichungsmodell Schätzmethode= ml

N=96

Standardisiert Fair _cons

Koef. .7685972 5.169825

Std. Err. .066263 .3868078

z-Wert 11.60 13.37

P>|z| 0.000 0.000

[95% Conf. Intervall] .6387242 .8984701 4.411696 5.927955

Trust _cons

.8523299 6.221099

.0566803 .4604237

15.04 13.51

0.000 0.000

.7412384 5.318685

.9634213 7.123513

-.7081971 4.815235

.0660819 .3621872

-10.72 13.29

0.000 0.000

-.8377152 4.105361

-.578679 5.525109

.6093883 4.571031

.084773 .3453133

7.19 13.24

0.000 0.000

.4432362 3.894229

.7755403 5.247832

Verlass _cons Hilf _cons Vorsicht _cons

-.2091902 .1063622 -1.97 0.049 -.4176563 -.0007241 16.95069 1.227561 13.81 0.000 14.54471 19.35666 LR Test: Modelll vs. saturiert: chi2(5) = 18.42, Prob > chi2 = 0.0025

Tabelle B.2.3: 2013 Strukturgleichungsmodell Schätzmethode= ml

N=96

Standardisiert Fair _cons

Koef. .761313 6.376148

Std. Err. .0545621 .4713415

z-Wert 13.95 13.53

P>|z| 0.000 0.000

[95% Conf. Intervall] .6543733 .8682526 5.452335 7.29996

Trust _cons

.8615731 7.061637

.0429287 .5197491

20.07 13.59

0.000 0.000

.7774345 6.042947

.9457118 8.080326

-.7040945 4.650767

.0607604 .3508148

-11.59 13.26

0.000 0.000

-.8231826 3.963183

-.5850064 5.338351

.7509146 5.546892

.0555436 .4131183

13.52 13.43

0.000 0.000

.6420511 4.737195

.8597781 6.356588

Verlass _cons Hilf _cons Vorsicht _cons

-.3878687 .0943788 -4.11 0.000 -.5728477 -.2028897 18.90969 1.3685 13.82 0.000 16.22747 21.5919 LR Test: Modell vs. saturiert: chi2(5) = 2.79, Prob > chi2 = 0.7330

242

Anhang

Tabelle B.3: Vergleich der erklärten Varianz des Faktors mit und ohne das Item Vorsicht (Faktoranalyse mit principal-component factors) Faktorenanalyse:

2003

2008

2013

mit dem Item VORSICHT

.5607

.5351

.5914

ohne das Item VORSICHT

.6757

.6550

.6936

erklärte Varianz durch den Faktor

Dazugehörige Faktorladungen und Eigenwert des Items VORSICHT Faktorladung

Uniqueness

-.3869

.8503

-.2926

.9144

-.5027

.7473

2003 VORSICHT 2008 VORSICHT 2013 VORSICHT

Tabelle B.4.1: Kreuztabellierung zwischen Vertrauen und Vorsicht auf Individualebene (SOEP 2003)

Im Allgemeinen kann man den Menschen vertrauen

SOEP 2003

Wenn man mit Fremden zu tun hat, ist es besser, Vorsichtig zu sein, bevor man ihnen vertraut Stimme Stimme Lehne Lehne voll voll zu eher zu eher ab ab Stimme voll zu Stimme eher zu Lehne eher ab Lehne voll ab Total [%]

2.08

2.76 51.87

Total [%]

1.18

0.35

6.37

7.23

0.82

55.08

27.63 12.78

1.87

0.35

33.60

4.20

0.51

0.07

0.18

4.96

44.27

43.68

10.34

1.70

100

19.04 18.60

Tabellen

243

Tabelle B.4.2: Kreuztabellierung zwischen Vertrauen und Vorsicht auf Individualebene (SOEP 2008)

Im Allgemeinen kann man den Menschen vertrauen

SOEP 2008

Wenn man mit Fremden zu tun hat, ist es besser, Vorsichtig zu sein, bevor man ihnen vertraut Stimme Stimme Lehne Lehne voll voll zu eher zu eher ab ab Stimme voll zu Stimme eher zu Lehne eher ab Lehne voll ab Total [%]

1.85

2.40

Total [%]

1.24

0.33

5.82

7.54

0.69

55.51

51.53 18.59

28.69

18.33

13.24

1.98

0.38

33.93

3.75

0.53

0.14

0.33

4.74

42.52

44.86

10.89

1.73

100

Tabellen B.5.1-B.5.5: ALLBUS 2008-2016: Häufigkeitsangaben zum Vertrauen zu Mitmenschen VERTRAUEN ZU MITMENSCHEN Tab. B.5.1: 2016 MAN KANN TRAUEN MUSS VORSICHTIG SEIN KOMMT DARAUF AN Total

Häufigkeit 830 1187 1458 3475

Prozent 23.88 34.16 41.96 100

Tab. B.5.2: 2014 MAN KANN TRAUEN MUSS VORSICHTIG SEIN KOMMT DARAUF AN Total

Häufigkeit 886 1412 1155 3453

Prozent 25.66 40.89 33.45 100

Tab. B.5.3: 2012 MAN KANN TRAUEN MUSS VORSICHTIG SEIN KOMMT DARAUF AN Total

Häufigkeit 639 1460 1361 3460

Prozent 18.47 42.2 39.34 100

Tab. B.5.4: 2010 MAN KANN TRAUEN MUSS VORSICHTIG SEIN KOMMT DARAUF AN Total

Häufigkeit 613 1215 985 2813

Prozent 21.79 43.19 35.02 100

244

Anhang

Tab. B.5.5: 2008 MAN KANN TRAUEN MUSS VORSICHTIG SEIN KOMMT DARAUF AN Total

Häufigkeit 690 1475 1279 3444

Prozent 20.03 42.83 37.14 100

Tabelle B.6: explorative Faktoranalyse mit Maximum-Likelihood Schätzern (mit und ohne das Item VORSICHT) Faktor

Uniqueness

2003 TRUST FAIR VERLASS HILF VORSICHT

.7712 .859 -.7697 .6119

.4052 .262 .4076 .6256

.8471 .7752 -.7025 .6161

.2823 .399 .5065 .6204

.8602 .7604 -.7018 .7558

.2601 .4219 .5075 .4288

2008 TRUST FAIR VERLASS HILF VORSICHT

Faktor

Uniqueness

.7591 .8578 -.7769 .6212 -.2635

.4237 .2642 .3964 .6141 .9306

.8523 .7687 -.7082 .6094 -.2092

.2736 .4092 .4985 .6286 .9562

.8615 .7613 -.7041 .7509 -.3879

.2577 .4204 .5043 .4361 .8496

2.19170

2013 TRUST FAIR VERLASS HILF VORSICHT

Eigenwert 2.29959

Eigenwert 2.37095

2.23384

2.38175

2.53194

Tabelle B.7: Durchschnittlich erfasste Varianz (AVE) des Konstruktes des sozialen Vertrauens über 2003, 2008 und 2013 (N=96 bzw. N=288) AVE

AVE

AVE

AVE

2003-2013

2003

2008

2013

mit dem Item VORSICHT

.4918

.4742

.4468

.5064

ohne das Item VORSICHT

.5979

.5749

.5479

.5954

Tabellen

245

Tabelle B.8: Standardisierte Faktorladungen zum Konstrukt sozialen Vertrauens Strukturgleichungsmodell Schätzmethode= ml

N=288

Standardisiert FAIR _cons

Koef. .8288811 5.077618

Std. Err. .0276677 .2196201

z-Wert 29.96 23.12

P>|z| 0 0

TRUST _cons

.8260727 6.133331

.0277235 .262261

29.8 23.39

0 0

.7717357 5.619309

.8804096 6.647353

-.7301856 4.552954

.0339225 .1986473

-21.53 22.92

0 0

-.7966724 4.163613

-.6636987 4.942296

VERLASS _cons HILF _cons

[95% Conf. Intervall] .7746533 .8831088 4.647171 5.508066

.6991947 .0362526 19.29 0 .6281408 .7702486 4.089875 .1803116 22.68 0 3.73647 4.443279 LR Test: Modelll vs. saturiert: chi2(2) = 11.83, Prob > chi2 = 0.0027

Tabelle B.9: Übersicht der latenten Mittelwerte des Konstruktes soziales Vertrauen Strukturgleichungsmodell Schätzmethode= ml Standardisiert 2003 Mittelwert(S.TRUST) 2008 Mittelwert(S.TRUST) 2013 Mittelwert(S.TRUST)

N=288 Koef.

Std. Err.

z-Wert

P>|z|

[95% Conf. Intervall]

.5085707

.0100891

50.41

0.000

.4887964

.528345

.5065751

.0100891

50.21

0.000

.4868008

.5263494

.5814653

.0100891

57.63

0.000

.561691

.6012396

Tabelle B.10: Vergleich der Effektstärke nach Millsap & Olivera-Aguilar (2012: 384) vom Item HILF. Effektstärke Vgl. der Intercepts von 2003 & 2008 Vgl. der Intercepts von 2008 & 2013 Vgl. der Intercepts von 2003 & 2013

. 0950921 − . 3642319 − . 1071322 − . 3734843 − . 0950921 − . 3642319 −

.1071322 .3734843 .1372801 .4443872 .1372801 .4443872

1.3 .4251 .5262

3 9

4.571 18.115 14.041 27.103 139.86

Modell 2.1 partiell metrisch (Ladungen) Modell 3.1 partiell skalar (Intercepts) Modell 4.1 partiell strikt (Residuen)

1 2 3.1

ref. Modell 1 9.47 13.062 112,757

13.544

delta chi2

4 9 13

6

delta df

0.0504 0.1598 0.000

0.0352

p

.102 .106 .214

.074 .103

RMSEA

CFI

.988 .976 .805

.997 .984 .098 .117 .134

.028 .117

SRMR

-17.91 -32.23 21.19

-9.12 -22.96

BICs1

Anmerkung: Die Modelle mit den Stammpersonen (Personen, die an allen drei Erhebungszeitpunkten teilgenommen haben) erreichen partielle skalare Messinvarianz. Ein signifikanter Unterschied zwischen den Chi2-Werten (Chi2-Difference Test) der Modelle liegt erst für die partielle strikte Messinvarianz (Modell 4.1) vor. Der positive BICs1 zeigt ebenfalls, dass es eine deutliche Verschlechterung gibt (Die Werte des RMSEA und des SRMR übersteigen jedoch die Grenzwerte).

7 13 26

df

chi2

Modell: soziales Vertrauen Stammpersonen Modell 1 alle Parameter sind frei Modell 2 metrisch (Ladungen)

Tabelle B.11: Übersicht der Anpassungsgüte (mit korrelierten Fehlertermen)

246 Anhang

df 3 9 15 25

chi2 676.94 791.99 963.57 9534.75

ref. Modell 1 2 3 115.05 171.582 8571.18

delta chi2 6 6 10

delta df 0.000 0.000 0.000

p .107 .066 .057 .139

RMSEA .993 .991 .989 .894

CFI .023 .029 .029 .086

SRMR 643.97 693.07 798.7 9259.9

BICs1

Anmerkung: In den Modellen, die sich auf Individualdaten des SOEP beziehen, würde aufgrund der Chi2 -Werte keines als messinvariant gelten können. Bei diesen Daten sind die Fallzahlen extrem groß (2003: 21899, 2008: 19135, 2013: 18326). Das führt zu einer sehr hohen Wahrscheinlichkeit, dass Unterschiede in den Chi2-Werten verschiedener Modelle signifikant werden. Schermelleh-Engel et al. (2003: 34) erläutern diesen Punkt: „The χ2difference test applied to nested Models has essentially the same strengths and weaknesses as the χ2 test applied to any single Modell, namely, the test is directly affected by sample size, and for large samples trivial differences may become significant”. Daher wird von der ursprünglichen Vorgehensweise der Prüfung auf Messinvarianz Abstand genommen. Es wird nun anstatt der Chi2 -Differenz die Anpassungsgüte des RMSEA, CFI und SRMR herangezogen, sodass ab Modell 4 eine signifikante Verschlechterung zum vorherigen Modell verzeichnet werden kann (und auch der Chi2-Wert verändert sich proportional gesehen stark). Daraus wird geschlossen, dass skalare Messinvarianz mit einer guten Anpassungsgüte erreicht wird.

Modell: soziales Vertrauen Individualebene Modell 1 alle Parameter sind frei Modell 2 metrisch (Ladungen) Modell 3 skalar (Intercepts) Modell 4 strikt (Residuen)

Tabelle B.12: Übersicht der Anpassungsgüte (mit korrelierten Fehlertermen)

Tabellen 247

248

Anhang

Tabelle B.13: Übersicht der statistischen Kennzahlen der Reziprozitätsitems Mittelwert

Standardabweichung

Min./Max.

95.73 87.13 71.10

3.85 7.01 9.08

70.95/100 40.19/95.99 40.8/91.92

95.46 86.89 70.11

3.72 5.71 8.63

78.2/100 62.62/99.01 42.18/86.44

94.52 86.93 71.71

3.65 4.43 5.67

78.80/100 72.23/96.94 56.39/83.81

2005 ERWIDERN KOSTEN HELFE 2010 ERWIDERN KOSTEN HELFE 2015 ERWIDERN KOSTEN HELFE

Tabelle B.13.1-B.13.3: Übersicht der statistischen Kennzahlen der Items der Reziprozität für die einzelnen Raumordnungsregionen Tabelle B.13.1: Übersicht der statistischen Kennzahlen des Items ERWIDERN über die Raumordnungsregionen Raumordnungsregion

2005

2010

2015

Std. Abw. (ø)

91.78 98.87 100.00 92.25

Mittelwert (ø) 95.58 95.40 98.52 95.79

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld

97.06 93.62 97.16 99.64

97.91 93.70 98.39 95.48

93.94 98.51 97.44 99.17 97.53 97.24 98.67 93.14 95.33 96.74 99.75 98.21 98.73 99.45 90.45 100.00 95.00 98.53 97.39

100.00 96.93 96.33 95.49 99.03 92.84 94.93 98.05 97.01 97.06 97.20 99.37 98.66 94.18 78.20 94.49 94.06 90.43 94.88

98.51 96.47 93.79 93.02 97.46 96.48 95.57 92.01 96.04 97.67 93.11 98.71 95.03 93.48 88.41 89.59 97.51 96.57 95.59

97.48 97.31 95.86 95.90 98.01 95.52 96.39 94.40 96.13 97.16 96.69 98.76 97.48 95.70 85.69 94.70 95.53 95.18 95.96

3.16 1.07 1.87 3.10 0.89 2.35 2.00 3.21 0.84 0.47 3.35 0.58 2.11 3.27 6.57 5.21 1.78 4.23 1.29

3.32 3.00 1.42 3.71

Tabellen

Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern

249

95.97 98.89 94.66 97.21 94.02 97.46 97.89 95.95 94.20 88.92 93.90 97.29 92.96 94.23 92.71 90.93 93.22 98.58 97.53 99.65 95.25 90.44 97.78 96.36 97.27 96.61 93.36 96.79 94.35 97.65 96.83 88.70 97.03 96.13 97.35 70.95 97.72

97.18 96.72 96.35 95.65 96.56 94.05 94.72 97.94 100.00 100.00 88.83 95.18 86.20 96.93 93.38 93.02 99.93 95.67 80.49 99.50 94.98 90.65 98.01 84.91 96.85 90.68 94.73 99.19 93.28 98.37 98.70 98.64 96.73 97.75 95.00 93.96 94.01

97.61 98.47 97.91 94.76 94.29 94.63 90.41 97.79 96.99 95.04 94.97 96.58 97.70 96.68 96.30 94.58 97.59 85.75 85.26 92.44 95.16 98.35 95.35 88.37 94.49 78.81 95.89 98.17 91.66 92.17 94.04 93.18 97.26 94.26 93.19 94.32 94.11

96.92 98.03 96.31 95.87 94.95 95.38 94.34 97.23 97.06 94.65 92.56 96.35 92.29 95.95 94.13 92.84 96.91 93.33 87.76 97.20 95.13 93.15 97.05 89.88 96.20 88.70 94.66 98.05 93.10 96.07 96.52 93.51 97.01 96.04 95.18 86.41 95.28

0.85 1.15 1.63 1.24 1.40 1.82 3.75 1.11 2.90 5.55 3.28 1.07 5.78 1.49 1.91 1.83 3.41 6.73 8.79 4.12 0.14 4.51 1.47 5.87 1.50 9.06 1.26 1.20 1.35 3.39 2.35 4.97 0.27 1.75 2.09 13.39 2.12

96.57 96.63 91.16 99.62 95.76 98.47 96.96 92.58 89.35 96.57 96.45

95.35 99.06 96.69 96.78 96.27 93.41 99.15 97.66 96.70 97.97 92.40

95.68 97.73 95.08 94.47 94.48 94.78 96.39 89.58 90.98 95.62 95.67

95.87 97.81 94.31 96.96 95.50 95.55 97.50 93.27 92.34 96.72 94.84

0.63 1.22 2.85 2.58 0.93 2.62 1.46 4.08 3.86 1.18 2.14

250

Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

83.01 99.28 98.43 91.33 97.09 96.76 98.55 96.86 98.52 98.21

91.16 95.97 90.70 95.40 96.86 98.13 94.53 96.46 97.45 100.00

79.16 92.98 95.08 95.94 98.01 98.64 95.48 88.02 91.62 96.59

84.44 96.08 94.74 94.23 97.32 97.85 96.19 93.78 95.86 98.27

6.13 3.15 3.88 2.52 0.61 0.97 2.10 4.99 3.72 1.71

98.01 96.12 94.61 94.77 95.67 96.67 98.64 97.38 93.44 96.59 96.04 95.13 97.56 94.77 96.97

95.24 95.52 97.67 91.74 99.03 95.36 96.36 98.09 94.14 94.33 96.32 95.81 99.50 93.14 94.78

93.15 95.43 99.98 94.59 97.20 94.39 97.08 94.64 94.15 92.57 97.42 93.94 96.64 93.76 94.73

95.46 95.69 97.42 93.70 97.30 95.48 97.36 96.70 93.91 94.50 96.59 94.96 97.90 93.89 95.49

2.44 0.37 2.69 1.70 1.68 1.14 1.17 1.82 0.41 2.01 0.73 0.95 1.46 0.83 1.28

Tabelle B.13.2: Übersicht der statistischen Kennzahlen des Items FRÜHER über die Raumordnungsregionen Raumordnungsregion

2005

2010

2015

Std. Abw. (ø)

68.60 73.25 59.11 69.86

Mittelwert (ø) 75.09 70.56 68.52 71.50

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg

84.68 75.87 67.31 74.70

71.99 62.57 79.13 69.93

63.31 83.00 74.13 64.02 83.75 81.06 78.86 71.57 70.52 66.19 69.96 73.66

51.70 74.48 71.85 62.16 77.90 77.22 69.82 60.37 61.31 70.59 49.94 66.19

56.39 65.04 68.21 71.28 77.12 78.55 74.29 58.33 71.07 68.60 66.30 72.77

57.13 74.17 71.39 65.82 79.59 78.95 74.33 63.42 67.63 68.46 62.07 70.87

5.84 8.99 2.99 4.82 3.63 1.95 4.52 7.13 5.48 2.20 10.66 4.08

8.48 7.05 10.06 2.78

Tabellen

Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön

251

67.01 76.61 47.50 74.61 73.61 73.83 72.61 71.44 81.06 72.33 68.67 65.70 80.78 76.13 78.32 44.25 63.68 61.18 72.98 70.57 70.74 79.95 63.53 70.03 71.00 64.06 77.39 57.40 47.99 70.63 72.39 78.91 57.94 73.64 80.34 76.22 76.45 63.56 71.99 74.32 75.27 71.91 40.80 73.86

79.76 61.87 42.18 60.88 63.89 80.38 80.83 69.72 53.90 72.05 67.29 64.28 73.24 72.37 75.04 82.30 86.44 56.80 73.10 50.70 74.69 73.69 69.92 65.00 72.73 73.68 82.09 76.77 56.85 71.29 64.36 74.88 60.30 81.88 73.94 62.88 80.59 62.07 81.64 67.12 78.46 81.43 74.97 67.32

78.18 73.70 61.61 71.38 73.60 68.48 74.72 77.75 76.54 74.50 72.14 70.36 74.92 71.63 70.88 70.17 78.61 74.90 71.20 70.93 77.80 70.55 77.23 77.53 62.78 62.91 73.36 68.51 74.86 76.40 66.41 81.97 70.51 74.75 77.70 63.80 74.36 74.87 73.92 63.58 68.27 70.43 79.09 63.59

74.98 70.73 50.43 68.96 70.37 74.23 76.05 72.97 70.50 72.96 69.37 66.78 76.32 73.38 74.75 65.58 76.25 64.29 72.42 64.07 74.41 74.73 70.23 70.85 68.84 66.89 77.61 67.56 59.90 72.78 67.72 78.59 62.91 76.75 77.33 67.63 77.13 66.84 75.85 68.34 74.00 74.59 64.95 68.26

6.95 7.81 10.04 7.18 5.61 5.96 4.27 4.23 14.55 1.34 2.50 3.18 3.96 2.42 3.73 19.44 11.56 9.44 1.06 11.58 3.54 4.78 6.85 6.31 5.31 5.92 4.37 9.72 13.69 3.16 4.17 3.56 6.68 4.47 3.21 7.45 3.17 7.00 5.11 5.47 5.21 5.97 21.02 5.20

70.02 75.82 78.90 89.80

77.06 77.35 70.55 78.58

79.33 75.16 73.09 79.85

75.47 76.11 74.18 82.74

4.85 1.12 4.28 6.15

252

München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

80.40 88.41 59.86 64.56 61.74 77.09 69.79 43.21 91.92 79.29 67.04 66.37 63.10 64.63 70.25 73.04 69.79

73.14 66.00 74.95 67.84 62.75 67.73 62.52 49.61 85.01 71.35 67.60 76.47 70.49 77.21 84.01 67.18 80.60

77.71 73.83 66.29 72.91 73.80 77.96 79.79 62.71 83.81 71.75 72.81 71.75 71.96 78.95 73.62 65.54 75.13

77.08 76.08 67.03 68.44 66.10 74.26 70.70 51.84 86.91 74.13 69.15 71.53 68.52 73.60 75.96 68.59 75.17

3.67 11.37 7.57 4.21 6.69 5.67 8.67 9.94 4.38 4.48 3.18 5.05 4.75 7.81 7.17 3.94 5.41

70.80 69.26 78.43 74.33 71.22 71.44 74.90 77.75 66.62 64.46 68.54 75.91 73.70 69.32 78.22

74.00 78.97 78.18 67.37 66.78 74.31 70.53 61.49 66.06 72.52 61.73 75.51 64.62 65.83 71.87

61.88 73.59 65.19 77.63 76.23 67.31 79.78 67.87 71.35 58.01 65.01 73.59 68.60 68.96 70.93

68.89 73.94 73.93 73.11 71.41 71.02 75.07 69.04 68.01 65.00 65.09 75.01 68.97 68.04 73.67

6.28 4.86 7.57 5.23 4.73 3.52 4.62 8.19 2.91 7.27 3.41 1.24 4.55 1.92 3.96

Tabelle B.13.3: Übersicht der statistischen Kennzahlen des Items KOSTEN über die Raumordnungsregionen Raumordnungsregion

2005

2010

2015

Std. Abw. (ø)

84.19 87.26 80.70 86.02

Mittelwert (ø) 87.44 88.60 84.84 85.30

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven

93.72 86.24 77.50 90.00

84.41 92.29 96.33 79.88

95.39

93.62

87.01

92.01

4.42

92.40 92.00 81.44 89.37

86.59 81.95 86.17 92.65

82.20 85.59 76.65 86.90

87.06 86.52 81.42 89.64

5.11 5.09 4.76 2.89

5.44 3.24 10.08 5.10

Tabellen

Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain

253

93.79 92.62 88.21 88.84 89.12 94.14 80.61 85.10 91.83 90.88 88.91 86.27 90.37 87.15 89.29 95.48 83.86 86.79 82.69 87.19 87.97 92.94 84.46 74.11 79.05 93.79 83.67 88.79 85.32 79.86 89.61 81.70 80.21 94.90 83.85 81.40 84.57 87.37 95.09 87.12 77.49 94.43 91.58 92.20 91.22 82.27 87.31 88.51 95.99

91.35 90.50 79.98 85.20 93.72 88.50 79.38 92.29 88.54 85.84 72.14 89.03 91.98 87.70 85.90 83.20 83.39 84.90 84.55 81.15 81.86 90.76 91.55 99.01 76.32 91.25 89.76 89.29 84.12 81.32 87.96 87.13 90.08 94.03 93.08 86.06 88.93 70.76 94.28 84.57 91.61 89.42 77.30 90.38 85.60 95.78 92.76 95.60 84.14

92.71 85.01 85.37 91.04 82.73 90.15 85.32 91.51 82.78 82.93 72.23 89.06 96.94 89.81 91.49 81.64 81.35 84.66 86.41 82.67 85.73 85.29 93.91 80.62 86.52 90.40 87.07 89.89 81.04 88.66 92.94 79.81 88.04 85.43 93.94 88.82 88.60 83.13 91.15 80.84 95.94 87.49 85.21 89.77 88.78 88.73 84.50 87.78 89.65

92.62 89.38 84.52 88.36 88.52 90.93 81.77 89.64 87.71 86.55 77.76 88.12 93.10 88.22 88.89 86.77 82.87 85.45 84.55 83.67 85.18 89.67 89.97 84.58 80.63 91.81 86.83 89.32 83.49 83.28 90.17 82.88 86.11 91.45 90.29 85.43 87.37 80.42 93.51 84.18 88.35 90.45 84.70 90.78 88.54 88.93 88.19 90.63 89.93

1.22 3.92 4.18 2.95 5.52 2.90 3.13 3.95 4.58 4.02 9.65 1.60 3.43 1.41 2.82 7.58 1.33 1.17 1.86 3.14 3.09 3.94 4.92 12.91 5.28 1.77 3.05 0.55 2.21 4.72 2.54 3.80 5.21 5.23 5.59 3.75 2.43 8.63 2.08 3.16 9.65 3.59 7.16 1.26 2.82 6.75 4.20 4.32 5.93

254

Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

40.19 90.60

84.09 79.15

87.92 86.31

70.74 85.35

26.52 5.79

91.53

87.74

87.30

88.86

2.32

89.85 81.41 92.69 87.64 90.62 89.10 87.46 79.67 92.11 84.34 72.80 90.85 92.90 78.28 86.61 88.32 88.97 86.28 89.59 92.07

92.86 90.66 92.49 82.46 82.10 89.02 90.13 80.15 88.32 77.32 62.62 87.05 92.53 83.77 85.10 85.73 88.05 92.78 87.06 91.88

94.71 89.65 94.33 86.14 94.19 85.89 80.74 84.88 91.12 91.26 93.29 84.61 85.64 86.65 89.21 87.52 92.87 78.35 78.00 88.19

92.48 87.24 93.17 85.42 88.97 88.00 86.11 81.57 90.52 84.31 76.24 87.50 90.36 82.90 86.97 87.19 89.96 85.80 84.88 90.71

2.45 5.07 1.01 2.67 6.21 1.83 4.84 2.87 1.97 6.97 15.62 3.14 4.09 4.25 2.08 1.33 2.56 7.23 6.09 2.18

90.40

88.67

85.12

88.06

2.69

91.58 92.28 84.40 87.17 89.16 91.11 94.57 87.32 80.60 90.65 78.36 82.36 86.20 86.69

85.08 90.12 86.09 89.67 89.29 83.47 88.25 89.46 85.43 87.68 84.97 82.88 82.71 87.04

85.35 90.00 88.72 85.82 87.91 89.47 86.76 85.19 79.22 86.30 87.39 93.35 85.88 87.72

87.34 90.80 86.40 87.55 88.79 88.01 89.86 87.32 81.75 88.21 83.57 86.20 84.93 87.15

3.68 1.28 2.18 1.95 0.76 4.02 4.15 2.13 3.26 2.23 4.67 6.20 1.93 0.52

Tabellen

255

Tabelle B.14.1-14.3: Konfirmatorische Faktoranalyse mit standardisierten Koeffizienten für jeden Erhebungszeitpunkt (2003, 2008 und 2013).

Tabelle B.14.1: 2005 Strukturgleichungsmodell Schätzmethode = ml

N=96

Standardisiert KOSTEN _cons

Koef. .8451779 12.49192

Std. Err. .0505326 .9072859

z-Wert 16.73 13.77

P>|z| 0.000 0.000

[95% Conf. Intervall] .7461358 .9442199 10.71368 14.27017

ERWIDERN _cons

.9039123 25.01282

.0479275 1.808028

18.86 13.83

0.000 0.000

.8099762 21.46915

FRÜHER _cons

.6559154 .0663902 9.88 0.000 .525793 .7860377 7.871055 .5771405 13.64 0.000 6.73988 9.002229 LR Test: Modell vs. saturiert: chi2(0) = 0.00, Prob > chi2 = .

.9978485 28.55649

Tabelle B.14.1: 2010 Strukturgleichungsmodell Schätzmethode = ml

N=96

Standardisiert KOSTEN _cons

Koef. .6386293 15.29047

Std. Err. .1078173 1.108204

z-Wert 5.92 13.80

P>|z| 0.000 0.000

[95% Conf. Intervall] .4273113 .8499473 13.11843 17.46251

ERWIDERN _cons

.5094046 25.80797

.1038469 1.865324

4.91 13.84

0.000 0.000

.3058684 22.152

FRÜHER _cons

.749321 .1139217 6.58 0.000 .5260386 .9726034 8.168601 .5982877 13.65 0.000 6.995979 9.341224 LR Test: Modell vs. saturiert: chi2(0) = 0.00, Prob > chi2 = .

.7129408 29.46394

256

Anhang

Tabelle B.14.1: 2015 Strukturgleichungsmodell Schätzmethode = ml

N=96

Standardisiert KOSTEN _cons

Koef. .5779444 20.63517

Std. Err. .1443202 1.492708

z-Wert 4.00 13.82

P>|z| 0.000 0.000

[95% Conf. Intervall] .2950819 .8608069 17.70951 23.56082

ERWIDERN _cons

.472267 28.11413

.1308092 2.031528

3.61 13.84

0.000 0.000

.2158857 24.13241

FRÜHER _cons

.5648886 .142526 3.96 0.000 .2855428 .8442343 12.56131 .9122619 13.77 0.000 10.77331 14.34931 LR Test: Modell vs. saturiert: chi2(0) = 0.00, Prob > chi2 = .

.7286482 32.09585

Tabelle B.15: Prüfung der Internen Konsistenz über Cronbachs Alpha Cronbachs Alpha Items der Reziprozität

2005 .7671

2010 . 6213

Tabelle B.16: explorative Faktoranalyse mit Maximum-Likelihood Schätzern Faktor Uniqueness Eigenwert 2005 1.96158 KOSTEN .8452 .2857 ERWIDERN .9039 .1829 FRÜHER .6559 .5698 2010 1.22874 KOSTEN .6386 .5922 ERWIDERN .5094 .7405 FRÜHER .7493 .4385 2015 0.87615 KOSTEN .5779 .6660 ERWIDERN .4723 .7770 FRÜHER .5649 .6809

2015 . 5290

Tabellen

257

Tabelle B.17: explorative Faktoranalyse mit Maximum-Likelihood Schätzern (auf Individualebene) Faktor

Uniqueness

2005 KOSTEN ERWIDERN FRÜHER

.8396 .5156 .5403

.2951 .7342 .7081

.7705 .4922 .5522

.4064 .7577 .6951

.5415 .4543 .8186

.7068 .7936 .3301

2010 KOSTEN ERWIDERN FRÜHER 2015 KOSTEN ERWIDERN FRÜHER

Eigenwert 1.26267

Anzahl N=20908

1.14084

N=18764

1.16947

N=26187

Tabelle B.18: explorative Faktoranalyse mit Maximum-Likelihood Schätzern (mit aggregierten Stammpersonen (N=8561)) Faktor

Uniqueness

2005 KOSTEN ERWIDERN FRÜHER

.8227 .8357 .6512

.3232 .3016 .5760

.6825 .4065 .5982

.5342 .8348 .6421

.5020 .5075 .7107

.7480 .7425 .4949

2010 KOSTEN ERWIDERN FRÜHER

0.98887

2015 KOSTEN ERWIDERN FRÜHER

Eigenwert 1.79926

1.01463

258

Anhang

Tabelle B.19.1-B.19.8: Übersicht der statistischen Kennzahlen der Items der Netzwerke für die einzelnen Raumordnungsregionen Tabelle B.19.1 Übersicht der statistischen Kennzahlen des Items SONSTIGE über die Raumordnungsregionen Raumordnungsregion

2003

2007

2011

2015 27.23 43.87 41.83 39.51

Mittelwert (ø) 37.02 41.34 30.91 41.10

Std. Abw. (ø) 12.76 4.04 9.15 4.41

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz

55.66 35.52 19.72 46.24

34.35 44.27 32.89 42.74

30.84 41.71 29.19 35.92

35.28 30.96 42.68 32.14 49.52 57.00 58.42 46.48 56.20 52.59 20.83 38.83 41.49 24.77 34.13 27.97 31.10 15.24 43.83 32.79 14.44 34.69 32.99 27.20 22.65 28.74 50.96 46.63 44.40 54.01 59.40 37.37 41.78 40.89 34.62 38.83 29.76

37.43 31.53 42.69 42.20 43.92 49.52 51.25 47.38 42.25 52.54 40.88 42.93 35.23 23.28 30.67 31.19 35.14 15.07 46.46 34.77 26.35 34.22 28.02 27.01 24.16 31.31 41.91 41.67 44.80 58.43 57.45 41.81 33.44 36.97 30.68 39.54 31.22

43.59 30.99 38.34 44.44 28.67 45.06 53.93 44.77 38.24 63.51 46.30 42.61 25.27 28.31 29.45 30.31 29.30 24.44 37.71 34.09 18.65 33.52 30.38 27.08 19.47 27.38 41.19 47.27 55.03 59.53 47.00 36.00 31.22 37.47 26.52 42.01 34.23

38.20 27.33 39.85 47.97 37.91 68.91 46.10 46.00 46.30 56.12 44.82 46.50 48.53 30.85 21.80 24.02 30.85 34.32 19.85 30.34 30.94 42.25 31.44 34.75 35.34 39.58 29.59 31.01 27.17 34.43 37.68 25.79 53.61 48.86 43.02 37.05 35.70

38.62 30.20 40.89 41.69 40.01 55.12 52.43 46.16 45.75 56.19 38.21 42.72 37.63 26.80 29.01 28.37 31.60 22.27 36.96 33.00 22.59 36.17 30.71 29.01 25.40 31.75 40.91 41.64 42.85 51.60 50.38 35.24 40.01 41.05 33.71 39.36 32.73

3.53 1.93 2.16 6.79 8.92 10.43 5.15 1.09 7.70 5.16 11.81 3.13 9.87 3.42 5.20 3.20 2.49 9.15 11.99 1.95 7.43 4.08 2.09 3.83 6.91 5.46 8.76 7.52 11.55 11.69 10.07 6.77 10.14 5.49 7.03 2.05 2.72

Tabellen

Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark

259

49.96 16.37 45.30 54.60 50.49 50.42 55.57 40.18 37.21 72.35 46.23 34.85 41.19 18.48 34.93 30.13 60.60 22.86 49.96 34.25 50.18 38.26 30.07 33.89 35.05 37.32 24.28 45.79 30.69 59.00 50.74 50.97 39.52 20.53 25.09 34.96 26.86 30.19 26.14 18.03

37.61 27.06 35.41 46.58 49.13 36.84 49.75 36.60 33.45 37.42 37.24 35.90 40.08 21.93 33.22 28.03 59.22 19.90 46.46 38.42 48.99 37.11 41.22 35.40 34.76 41.01 42.42 36.88 47.62 47.54 56.83 45.40 41.74 22.57 29.33 27.96 11.32 19.18 35.67 33.35

45.04 35.60 27.57 47.53 40.11 42.23 42.12 37.54 33.40 49.73 41.11 32.08 41.86 34.30 38.04 30.13 57.84 36.47 48.04 35.36 42.47 43.17 64.59 38.71 36.69 41.88 34.39 34.27 45.52 55.62 68.33 39.01 33.03 22.82 23.42 33.53 14.45 31.50 23.62 31.27

27.32 46.27 32.36 33.97 44.43 35.26 40.47 52.03 47.99 48.13 36.52 45.01 39.81 33.09 43.02 43.85 45.41 47.44 48.91 41.99 47.97 51.74 38.57 50.20 47.10 34.51 48.86 28.41 34.01 64.89 40.46 41.60 37.24 26.54 30.70 32.51 24.69 36.39 18.03 26.39

39.98 31.32 35.16 45.67 46.04 41.19 46.98 41.59 38.01 51.91 40.28 36.96 40.74 26.95 37.30 33.03 55.77 31.67 48.34 37.50 47.40 42.57 43.61 39.55 38.40 38.68 37.49 36.34 39.46 56.76 54.09 44.24 37.88 23.12 27.13 32.24 19.33 29.32 25.86 27.26

9.85 12.70 7.49 8.58 4.73 6.84 7.01 7.12 6.89 14.68 4.45 5.60 0.96 7.93 4.31 7.28 7.00 12.75 1.48 3.47 3.41 6.66 14.77 7.38 5.86 3.41 10.61 7.23 8.36 7.24 11.65 5.19 3.72 2.50 3.44 3.03 7.60 7.26 7.36 6.81

30.56 19.49 19.68 31.88 28.22 21.83 20.63 38.35

25.28 27.39 18.33 27.91 22.16 23.03 19.39 28.26

23.62 30.80 29.56 27.33 22.20 24.07 28.09 31.10

40.97 16.28 17.82 32.69 18.76 25.20 26.56 24.23

30.11 23.49 21.35 29.95 22.84 23.53 23.67 30.48

7.82 6.75 5.53 2.72 3.93 1.44 4.30 5.95

260

Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

29.34 26.18 22.93 13.61 35.32 22.74 26.70

23.02 22.95 29.39 18.76 27.66 29.11 30.20

14.18 26.22 30.97 20.67 25.24 27.23 25.80

27.89 28.15 20.93 25.49 36.63 32.63 26.43

23.61 25.87 26.06 19.63 31.21 27.93 27.28

6.84 2.16 4.88 4.91 5.61 4.12 1.98

Tabelle B.19.2 Übersicht der statistischen Kennzahlen des Items BETRIEB über die Raumordnungsregionen Raumordnungsregion Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen

2003

2007

2011

2015

5.48 1.19 0.63 2.03

0.29 0.00 3.97 3.94

0.28 2.30 2.75 2.54

1.72 1.64 1.66 0.00

0.61 3.46 2.27 0.00 2.97 3.13 1.16 2.46 1.02 0.92 5.15 1.36 5.60 1.64 0.41 2.85 2.08 0.00 3.14 0.90 0.09 6.00 0.79 1.06 1.54 4.23 2.03 0.40 2.64 0.89 1.06

0.00 0.76 3.58 0.00 0.66 2.45 0.51 1.65 0.97 0.37 2.90 1.34 0.00 0.39 0.37 1.53 2.41 1.46 6.59 1.09 1.04 4.16 1.94 1.34 1.93 2.90 0.84 4.16 6.40 1.45 0.97

0.00 3.69 0.36 2.03 0.00 2.89 0.62 1.99 2.49 5.89 2.53 2.77 0.00 1.94 4.59 0.00 1.32 0.81 2.40 1.10 2.42 2.16 0.80 2.51 0.54 3.63 2.08 2.65 0.00 2.12 2.86

0.00 2.63 3.84 4.37 3.25 0.30 5.65 0.23 0.66 3.01 0.81 0.18 0.48 0.84 0.66 0.66 1.31 4.99 1.33 2.01 2.46 2.60 1.70 3.37 3.04 2.15 1.10 0.78 0.95 2.22 0.85

Mittelwert Std. Abw. (ø) (ø) 1.94 2.46 1.28 0.97 2.25 1.44 2.13 1.63 0.15 2.63 2.51 1.60 1.72 2.19 1.98 1.58 1.29 2.55 2.85 1.41 1.52 1.20 1.51 1.26 1.78 1.81 3.36 1.28 1.50 3.73 1.31 2.07 1.76 3.23 1.51 2.00 2.50 1.67 1.44

0.30 1.33 1.59 2.08 1.63 1.30 2.46 0.96 0.82 2.50 1.78 1.06 2.73 0.72 2.06 1.23 0.55 2.20 2.28 0.50 1.15 1.74 0.60 1.07 1.03 0.90 0.64 1.74 2.82 0.62 0.96

Tabellen

Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern

261

0.00 2.07 1.10 1.50 1.48 3.45 2.41 0.00 2.89 0.00 2.42 1.19 0.19 1.16 2.45 0.47 2.28 0.92 0.56 1.09 1.92 1.11 2.84 0.62 8.84 0.96 0.00 1.64 0.00 2.62 0.00 1.38 0.74 0.33 4.90 0.49 0.00 0.00 2.76 2.46 1.14 1.48 0.49 0.00 0.00 0.00

0.00 1.83 1.43 2.43 1.48 0.89 0.79 4.08 1.85 7.02 1.24 0.69 0.00 2.39 0.31 0.00 0.43 1.78 1.69 1.30 4.23 0.11 1.80 0.43 6.50 0.74 0.76 1.14 0.00 2.83 0.63 1.07 0.73 0.40 3.28 2.69 0.00 4.59 5.07 2.34 0.57 1.56 0.00 1.74 0.12 0.00

0.00 1.50 1.53 0.79 0.74 0.44 0.00 2.70 9.07 2.01 1.45 2.52 2.52 2.54 3.18 1.70 0.97 1.98 1.67 2.18 0.15 3.41 1.65 0.38 2.53 2.79 0.00 0.31 1.74 2.56 0.15 0.30 0.00 0.18 1.80 0.15 2.56 3.57 5.20 2.37 0.58 2.60 0.63 3.45 0.00 0.00

0.00 1.76 1.19 0.79 1.23 2.44 0.39 1.70 1.26 0.00 2.90 1.98 4.62 0.00 1.00 0.41 2.79 0.31 0.32 2.93 1.57 0.19 0.47 0.77 1.09 0.00 2.34 5.79 1.23 1.03 2.27 0.00 0.64 1.57 5.19 0.62 1.34 4.44 2.60 2.12 0.00 0.34 1.03 1.16 1.02 0.53

0.00 1.79 1.31 1.38 1.23 1.81 0.90 2.12 3.77 2.26 2.00 1.59 1.83 1.52 1.74 0.64 1.62 1.25 1.06 1.87 1.97 1.21 1.69 0.55 4.74 1.12 0.78 2.22 0.74 2.26 0.76 0.69 0.53 0.62 3.79 0.99 0.97 3.15 3.91 2.32 0.57 1.49 0.54 1.59 0.28 0.13

0.00 0.23 0.20 0.78 0.35 1.39 1.06 1.72 3.60 3.31 0.79 0.82 2.18 1.19 1.31 0.73 1.10 0.77 0.72 0.85 1.69 1.54 0.97 0.18 3.56 1.18 1.10 2.44 0.88 0.83 1.04 0.65 0.36 0.64 1.57 1.15 1.23 2.15 1.42 0.15 0.46 0.92 0.43 1.44 0.49 0.27

3.15 0.00

1.42 0.00

0.19 0.00

0.00 0.24

1.19 0.06

1.45 0.12

262

Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

0.27 1.20 2.53 1.28 1.28 0.00 1.19 0.00 1.87 1.09 1.18 1.91 0.96

0.15 1.38 1.40 1.37 1.14 0.70 9.23 0.46 0.58 2.65 1.36 1.96 1.76

0.00 0.31 2.41 1.99 2.92 2.10 6.08 0.38 1.78 3.01 2.51 1.74 0.54

0.57 1.51 4.09 1.39 3.92 0.00 0.00 3.05 0.57 1.34 1.25 1.04 0.54

0.25 1.10 2.61 1.51 2.32 0.70 4.12 0.97 1.20 2.02 1.57 1.66 0.95

0.24 0.54 1.11 0.33 1.34 0.99 4.30 1.40 0.72 0.95 0.63 0.42 0.57

Tabelle B.19.3 Übersicht der statistischen Kennzahlen des Items GEWERKSCHAFT über die Raumordnungsregionen Raumordnungsregion

2003

2007

2011

2015 8.28 15.23 7.69 16.33

Mittelwert (ø) 10.80 11.24 12.77 11.50

Std. Abw. (ø) 2.07 3.61 5.33 3.53

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe

10.68 8.80 19.37 11.84

10.91 7.62 14.74 9.49

13.34 13.30 9.29 8.35

19.38 15.93 22.78 17.43 9.37 11.62 19.51 9.73 13.55 9.48 16.84 14.72 12.74 11.33 3.15 12.35 14.15 4.45 15.81 17.95 9.22 23.65 22.69 11.84 19.47

10.19 15.17 20.58 13.15 11.48 10.29 14.04 10.26 11.31 11.62 23.81 10.96 9.79 11.13 12.78 17.63 11.35 5.43 15.49 15.34 4.59 19.44 19.79 10.58 17.56

14.10 15.83 22.23 12.31 16.61 8.09 18.98 4.61 9.69 11.94 26.13 8.88 7.54 11.90 8.41 8.10 8.64 6.11 11.89 16.52 7.72 16.73 16.97 7.17 22.11

23.59 11.79 6.52 8.91 6.10 18.01 14.86 15.61 15.95 11.14 11.37 4.65 13.55 5.25 2.82 5.55 10.64 18.17 11.07 8.42 9.46 8.88 14.76 8.78 14.08

16.82 14.68 18.03 12.95 10.89 12.00 16.85 10.05 12.63 11.05 19.54 9.80 10.90 9.90 6.79 10.91 11.20 8.54 13.56 14.56 7.75 17.18 18.55 9.59 18.30

5.88 1.95 7.73 3.51 4.41 4.26 2.80 4.50 2.72 1.09 6.72 4.20 2.77 3.12 4.75 5.28 2.28 6.45 2.44 4.23 2.24 6.22 3.44 2.04 3.38

Tabellen

Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree

263

17.69 16.44 9.57 16.26 10.74 20.22 23.33 10.44 10.61 18.01 14.59 18.40 11.79 5.08 25.05 7.85 9.31 19.81 12.78 7.11 23.93 19.59 11.82 8.76 20.28 4.61 6.07 9.60 11.84 1.06 14.64 18.88 7.13 12.85 22.11 7.96 8.31 14.90 7.32 11.75 14.87 14.23 25.03 20.47 20.10 13.01 24.94 18.53 20.25

13.89 12.21 8.23 17.44 11.23 19.84 19.19 9.07 10.45 13.29 12.13 12.96 11.76 4.65 19.92 9.22 9.40 8.79 20.24 13.25 19.63 22.24 12.15 8.65 15.12 6.86 5.74 12.23 11.24 4.06 11.94 13.26 6.19 6.06 18.95 6.69 7.68 13.72 5.90 14.68 14.09 12.20 17.21 16.87 15.87 9.66 15.95 12.56 16.02

15.50 12.97 11.43 19.29 15.55 19.64 21.95 11.06 8.70 13.43 7.24 14.97 10.60 13.63 26.21 12.11 9.25 17.96 14.55 12.05 16.19 16.93 4.46 9.35 9.61 14.33 7.15 14.19 15.18 9.91 12.55 11.83 5.49 11.14 11.99 4.91 6.38 9.39 4.38 11.39 15.50 11.63 36.13 16.37 16.96 8.28 11.90 14.94 7.21

22.02 18.17 11.25 16.80 7.97 11.58 17.24 13.87 17.28 8.58 12.66 15.01 9.06 9.84 8.26 19.27 10.39 22.09 11.02 11.15 24.31 9.25 14.92 17.99 6.89 8.90 12.94 13.53 14.04 5.11 11.43 10.21 10.36 18.43 13.19 19.74 11.65 14.06 7.34 14.54 13.27 10.98 5.53 7.50 18.21 9.20 16.35 7.61 9.54

17.27 14.95 10.12 17.45 11.37 17.82 20.43 11.11 11.76 13.33 11.66 15.33 10.80 8.30 19.86 12.11 9.59 17.16 14.65 10.89 21.02 17.00 10.84 11.19 12.98 8.68 7.98 12.39 13.08 5.04 12.64 13.54 7.29 12.12 16.56 9.82 8.50 13.02 6.23 13.09 14.43 12.26 20.97 15.30 17.79 10.04 17.29 13.41 13.25

3.53 2.83 1.51 1.32 3.13 4.17 2.73 2.02 3.78 3.85 3.13 2.26 1.29 4.26 8.20 5.09 0.54 5.83 4.00 2.66 3.85 5.61 4.47 4.55 5.95 4.16 3.36 2.03 1.85 3.68 1.41 3.77 2.15 5.10 4.79 6.73 2.25 2.47 1.41 1.76 0.96 1.40 12.89 5.51 1.82 2.07 5.49 4.58 5.97

264

Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

11.17 31.09 7.16

10.89 15.98 4.27

10.62 11.95 8.71

12.46 7.65 2.32

11.29 16.67 5.61

0.81 10.20 2.86

9.78 13.64 13.66 12.17 15.04 15.60 11.90 6.54 10.69 11.42 16.48 8.39 9.43 13.81 13.04

7.44 3.74 8.05 7.29 11.45 12.14 12.99 2.46 15.45 9.25 11.46 6.66 7.23 9.93 6.65

9.42 3.39 8.43 6.90 11.00 12.04 11.94 7.87 7.78 9.98 12.83 9.45 5.55 9.02 9.35

16.83 11.76 16.38 8.46 11.81 14.05 6.99 4.29 8.48 13.74 17.04 8.32 7.97 7.54 10.37

10.87 8.13 11.63 8.70 12.33 13.45 10.96 5.29 10.60 11.10 14.45 8.21 7.54 10.08 9.86

4.11 5.33 4.07 2.41 1.84 1.70 2.69 2.40 3.46 1.98 2.73 1.15 1.62 2.68 2.64

Tabelle B.19.4 Übersicht der statistischen Kennzahlen des Items BERUF über die Raumordnungsregionen Raumordnungsregion

2003

2007

2011

2015 12.33 6.85 5.18 4.56

Mittelwert (ø) 10.57 7.18 7.28 5.99

Std. Abw. (ø) 6.33 2.05 7.08 1.69

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld

18.72 5.91 17.80 5.21

6.46 10.16 3.04 5.77

4.76 5.77 3.10 8.41

3.69 8.48 7.46 7.77 11.43 10.74 7.74 6.47 2.86 4.89 5.96 9.15 6.98 13.14 7.72 8.74 12.11 0.96 5.77

1.26 5.44 9.86 5.05 5.02 10.75 7.30 6.63 7.90 4.54 6.71 11.23 7.21 5.88 6.34 5.29 6.38 1.46 4.87

4.63 7.53 6.42 5.61 9.21 9.64 8.42 3.32 5.05 4.62 10.49 12.52 4.85 7.31 3.15 4.84 4.49 2.11 3.81

3.19 6.93 6.14 2.00 1.31 8.58 4.75 4.32 8.16 3.90 5.60 4.11 6.23 3.98 4.11 6.02 2.20 5.37 5.37

3.19 7.09 7.47 5.11 6.74 9.93 7.05 5.18 5.99 4.49 7.19 9.25 6.32 7.58 5.33 6.22 6.29 2.48 4.95

1.42 1.27 1.69 2.38 4.49 1.04 1.60 1.63 2.52 0.42 2.25 3.70 1.07 3.95 2.08 1.75 4.23 1.99 0.85

Tabellen

Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern

265

5.43 6.39 8.56 6.30 5.69 5.91 8.28 6.81 10.96 9.63 4.69 13.59 1.58 8.42 6.58 4.34 7.96 3.18 9.28 4.03 2.90 19.18 4.80 11.21 11.47 6.17 5.45 23.86 8.44 7.25 4.70 6.02 14.17 2.90 14.36 11.18 8.59

8.58 11.38 6.90 2.86 4.03 5.31 12.32 8.37 13.29 3.45 7.32 9.82 12.24 6.04 6.64 2.76 7.71 5.65 7.29 12.22 2.09 20.18 7.23 3.51 11.69 4.14 4.13 3.11 4.56 6.20 3.71 4.64 7.52 5.36 13.53 6.32 6.64

4.16 7.04 6.60 5.62 6.02 3.22 7.16 8.36 10.81 15.81 10.51 5.92 8.18 5.99 4.73 4.95 3.83 4.55 7.91 5.45 3.71 7.93 10.59 5.38 11.88 7.47 4.08 4.47 1.47 6.33 9.55 7.66 7.71 4.15 5.95 6.87 7.28

7.84 5.01 5.24 8.23 4.83 10.25 7.57 6.88 6.95 1.26 4.15 8.99 0.00 7.23 4.02 7.27 2.12 3.11 1.80 3.25 5.42 4.67 6.86 3.15 8.34 21.78 2.29 8.57 7.89 9.17 7.92 6.74 4.38 3.18 22.52 9.58 4.10

6.50 7.45 6.82 5.75 5.15 6.17 8.83 7.61 10.50 7.53 6.67 9.58 5.50 6.92 5.49 4.83 5.41 4.12 6.57 6.24 3.53 12.99 7.37 5.81 10.85 9.89 3.99 10.00 5.59 7.24 6.47 6.27 8.45 3.89 14.09 8.49 6.65

2.06 2.75 1.36 2.23 0.90 2.95 2.37 0.88 2.63 6.55 2.91 3.15 5.72 1.16 1.32 1.87 2.89 1.22 3.29 4.09 1.42 7.85 2.40 3.73 1.68 8.04 1.29 9.53 3.24 1.37 2.73 1.28 4.11 1.11 6.78 2.29 1.88

9.59 9.47 5.93 3.61 8.34 3.35 6.38 4.22 11.53 14.84 10.73

4.94 13.62 4.46 6.79 9.40 6.08 7.94 6.25 14.58 13.73 4.49

4.87 10.19 1.23 8.10 9.74 5.53 3.52 4.80 8.75 12.37 6.79

10.45 5.76 9.09 4.98 0.00 2.58 5.33 4.75 3.92 4.64 12.44

7.46 9.76 5.18 5.87 6.87 4.38 5.79 5.00 9.70 11.39 8.61

2.97 3.22 3.26 1.98 4.62 1.69 1.86 0.87 4.53 4.61 3.63

266

Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

2.67 7.11 7.78 3.76 7.34 4.36 2.11 4.23 3.82 1.93

9.79 8.38 6.94 4.89 7.44 4.49 4.16 3.46 3.36 1.02

7.69 8.58 5.41 7.28 2.85 4.48 4.50 3.76 8.33 0.00

10.70 8.27 8.11 7.38 9.47 8.46 4.12 8.77 1.46 4.94

7.71 8.09 7.06 5.83 6.78 5.45 3.72 5.06 4.24 1.97

3.59 0.66 1.21 1.80 2.80 2.01 1.09 2.49 2.91 2.13

7.62 7.96 5.00 7.81 4.52 5.64 5.29 6.92 3.43 3.64 5.00 6.03 5.73 2.80 4.24

3.24 3.90 2.77 6.55 1.64 4.70 5.05 3.84 12.80 5.16 6.69 5.10 4.82 3.26 2.02

2.26 4.53 5.36 3.88 4.74 2.67 6.23 4.89 2.96 3.98 6.98 3.40 6.74 1.33 2.10

5.93 2.05 5.53 6.37 2.85 3.79 5.55 8.82 1.68 4.42 5.71 5.25 2.97 0.46 1.18

4.76 4.61 4.67 6.15 3.44 4.20 5.53 6.12 5.22 4.30 6.09 4.94 5.06 1.96 2.39

2.45 2.47 1.28 1.65 1.46 1.27 0.51 2.21 5.11 0.65 0.91 1.11 1.60 1.30 1.31

Tabelle B. 19.5 Übersicht der statistischen Kennzahlen des Items UMWELT über die Raumordnungsregionen Raumordnungsregion

2005

2010

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg

39.98 11.42 0.00 4.99

4.59 7.34 1.15 3.52

4.55 5.95 3.26 0.70 0.00 4.75 9.18 3.44 3.90 2.61 1.41 0.63

0.49 5.77 1.59 8.72 4.72 5.11 8.59 6.57 2.89 5.98 1.09 3.46

2015

Std. Abw. (ø)

3.97 4.60 6.32 6.80

Mittelwert (ø) 16.18 7.78 2.49 5.10

0.49 6.56 1.29 3.03 4.09 4.53 7.67 1.73 2.84 1.88 2.41 6.71

1.84 6.09 2.05 4.15 2.94 4.80 8.48 3.91 3.21 3.49 1.64 3.60

2.34 0.41 1.06 4.12 2.56 0.30 0.76 2.45 0.59 2.19 0.69 3.04

20.61 3.43 3.37 1.64

Tabellen

Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön

267

3.29 1.07 0.91 5.31 6.47 0.00 4.64 3.39 1.85 2.31 3.37 2.76 1.45 3.16 2.91 7.09 2.37 4.83 3.91 9.31 5.81 3.47 4.04 2.77 4.94 6.73 1.50 11.92 1.53 9.11 7.18 1.48 11.42 6.61 3.30 3.79 4.37 4.71 0.53 8.34 2.15 1.38 0.00 1.89

3.74 0.41 3.25 5.77 2.40 0.61 2.65 1.72 3.72 4.18 3.05 2.28 5.69 6.19 3.04 1.69 7.92 4.73 5.54 4.31 4.02 6.07 2.23 3.90 0.69 0.86 1.47 10.35 0.46 6.08 10.16 3.01 4.49 2.59 1.29 3.84 3.70 4.15 7.96 3.66 4.00 4.25 4.45 4.76

3.19 5.06 0.88 3.19 2.59 2.51 3.11 2.74 2.95 3.07 3.27 1.95 2.09 5.88 3.35 0.70 0.24 8.38 8.72 0.00 4.12 2.92 1.58 10.10 0.84 4.67 1.95 9.68 0.50 6.69 11.99 4.41 6.30 1.93 1.42 3.65 4.84 5.60 0.99 6.84 2.57 3.11 4.20 5.84

3.41 2.18 1.68 4.76 3.82 1.04 3.47 2.61 2.84 3.19 3.23 2.33 3.08 5.07 3.10 3.16 3.51 5.98 6.06 4.54 4.65 4.15 2.62 5.59 2.16 4.09 1.64 10.65 0.83 7.30 9.78 2.97 7.41 3.71 2.00 3.76 4.30 4.82 3.16 6.28 2.91 2.91 2.88 4.16

0.29 2.52 1.36 1.38 2.30 1.31 1.04 0.84 0.94 0.94 0.16 0.41 2.29 1.67 0.23 3.44 3.96 2.08 2.44 4.66 1.01 1.68 1.27 3.95 2.42 2.98 0.27 1.15 0.61 1.60 2.43 1.46 3.59 2.53 1.12 0.10 0.57 0.73 4.16 2.39 0.97 1.45 2.50 2.04

7.95 0.68 8.56 0.00

6.38 7.93 1.91 7.72

4.60 4.47 10.04 10.79

6.31 4.36 6.84 6.17

1.68 3.63 4.33 5.56

268

München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

4.48 1.81 3.73 5.24 10.47 7.09 5.79 2.48 3.11 5.56 4.53 2.07 2.08 5.25 3.59 0.00 1.84

7.66 3.97 4.81 15.59 7.07 5.46 5.23 27.46 1.19 9.10 4.43 2.37 3.48 7.68 3.97 3.61 0.00

9.45 2.19 1.96 13.09 2.49 6.99 4.07 11.62 2.47 7.19 4.53 2.29 1.65 4.87 6.68 0.58 0.60

7.20 2.66 3.50 11.31 6.68 6.52 5.03 13.85 2.26 7.28 4.50 2.24 2.40 5.93 4.75 1.40 0.81

2.52 1.15 1.44 5.40 4.00 0.91 0.88 12.64 0.98 1.77 0.06 0.15 0.96 1.53 1.68 1.94 0.94

0.46 1.14 0.55 1.85 0.16 0.77 2.03 0.00 2.43 2.61 2.05 0.00 2.45 2.21 1.97

0.74 0.74 1.53 1.88 0.61 1.71 1.86 1.98 0.00 3.59 3.10 0.37 1.88 3.21 4.72

2.89 1.04 1.35 1.14 0.93 1.67 3.24 3.15 0.41 2.51 1.81 2.51 2.51 2.12 1.05

1.36 0.98 1.14 1.62 0.57 1.39 2.38 1.71 0.95 2.90 2.32 0.96 2.28 2.51 2.58

1.33 0.21 0.52 0.42 0.38 0.53 0.75 1.59 1.30 0.60 0.69 1.35 0.35 0.61 1.91

Tabelle B.19.6 Übersicht der statistischen Kennzahlen des Items BÜRGERINITIATIVE über die Raumordnungsregionen Raumordnungsregion Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven

2003

2007

2011

2015 1.35 1.99 1.19 1.95

Mittelwert (ø) 3.32 1.51 0.70 2.23

Std. Abw. (ø) 3.52 1.13 0.83 1.31

8.57 1.40 1.62 2.10

1.20 0.00 0.00 4.02

2.15 2.65 0.00 0.87

1.51 3.43 2.35 0.00 1.89

0.00 1.99 1.49 3.99 1.91

1.02 1.45 1.50 1.76 0.00

1.11 2.66 1.48 3.54 0.52

0.91 2.38 1.71 2.32 1.08

0.64 0.85 0.43 1.82 0.97

Tabellen

Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain

269

1.76 1.25 2.05 7.91 4.30 4.43 2.44 3.13 0.00 0.00 2.98 7.16 1.49 2.89 0.73 0.43 1.14 0.75 1.05 1.64 3.07 1.84 2.24 0.00 2.70 1.70 17.00 3.40 1.48 7.37 1.00 5.35 9.19 3.05 0.44 0.00 0.00 6.43 0.81 1.90 0.00 2.41 3.38 1.48 0.88 0.77 4.96 0.15 4.50

0.70 1.15 1.46 4.37 4.65 1.75 2.04 5.71 1.91 0.60 3.36 3.90 0.00 1.42 0.21 1.32 2.66 1.01 1.12 0.33 4.82 2.19 1.05 0.63 2.69 1.42 5.60 2.34 3.57 3.08 0.37 1.35 1.83 4.30 0.93 0.00 1.18 1.76 1.97 1.20 0.45 0.00 2.97 1.58 1.85 0.69 0.00 0.29 6.14

1.81 6.51 1.20 5.13 3.51 3.59 1.08 4.81 4.08 4.34 0.20 4.54 5.36 3.57 1.48 1.62 2.08 0.28 2.32 2.26 2.63 2.78 0.00 2.19 11.10 1.52 8.85 1.90 1.66 3.60 4.10 0.62 7.08 4.63 0.00 0.00 2.16 3.22 6.59 0.77 0.00 3.48 2.87 1.77 2.79 1.81 2.51 1.47 0.93

5.05 2.57 0.87 0.77 3.66 4.12 1.70 4.25 1.23 0.71 0.09 3.35 0.74 2.51 1.63 3.05 3.20 1.72 1.81 3.97 0.00 0.51 1.58 0.47 4.03 1.43 7.33 1.96 3.11 7.73 2.79 1.74 6.77 7.15 1.34 1.42 2.89 0.78 6.00 0.27 0.28 1.09 1.32 8.31 1.24 1.44 0.56 2.43 3.78

2.33 2.87 1.40 4.54 4.03 3.47 1.81 4.48 1.81 1.41 1.66 4.74 1.90 2.60 1.01 1.60 2.27 0.94 1.58 2.05 2.63 1.83 1.22 0.82 5.13 1.52 9.69 2.40 2.46 5.44 2.06 2.27 6.22 4.78 0.68 0.35 1.56 3.05 3.84 1.03 0.18 1.74 2.64 3.29 1.69 1.18 2.01 1.09 3.84

1.88 2.51 0.50 2.94 0.54 1.20 0.57 1.08 1.71 1.98 1.75 1.69 2.39 0.90 0.66 1.09 0.88 0.60 0.60 1.51 1.99 0.96 0.95 0.95 4.03 0.13 5.05 0.70 1.04 2.45 1.70 2.11 3.12 1.72 0.58 0.71 1.25 2.47 2.88 0.69 0.22 1.52 0.90 3.35 0.84 0.54 2.24 1.08 2.17

270

Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

2.91 1.68

2.44 3.06

3.16 5.47

1.91 0.82

2.61 2.76

0.55 2.03

3.13 3.28 2.45 5.84 3.27 1.52 2.49 1.59 7.12 6.22 2.35 0.00 22.37 6.03 4.52 2.04 4.25 7.14 7.06 5.48 4.95

1.75 1.83 0.63 1.82 3.48 1.92 1.70 1.13 1.00 3.53 4.75 10.64 9.84 4.71 1.82 1.35 4.09 1.64 1.71 2.83 10.15

3.13 1.85 0.53 3.24 1.15 1.68 3.28 0.20 1.84 1.08 2.74 14.10 3.51 1.05 2.07 4.08 1.73 1.21 2.65 2.49 1.54

2.94 4.65 2.27 6.18 7.07 0.13 2.49 4.49 1.65 2.66 1.50 2.77 4.88 0.19 2.74 6.59 5.10 1.36 4.74 2.33 5.20

2.74 2.90 1.47 4.27 3.74 1.31 2.49 1.85 2.90 3.37 2.84 6.88 10.15 3.00 2.79 3.52 3.79 2.84 4.04 3.28 5.46

0.66 1.35 1.03 2.09 2.46 0.80 0.64 1.85 2.84 2.16 1.38 6.60 8.59 2.82 1.22 2.35 1.44 2.87 2.38 1.48 3.54

4.15 2.85 3.10 2.51 3.89 3.79 4.52 2.01 2.22 2.54 1.27 2.86 3.77 1.99 0.54

1.73 2.41 4.44 1.50 2.99 1.75 1.00 0.00 1.02 0.94 1.81 0.50 1.63 1.53 2.25

1.33 1.28 1.86 1.27 4.95 2.37 3.21 3.16 1.90 1.16 2.21 1.91 1.34 1.33 0.00

0.96 3.01 2.20 2.51 2.75 1.64 1.43 1.04 2.08 3.19 3.89 1.65 0.78 1.91 1.27

2.04 2.39 2.90 1.95 3.65 2.39 2.54 1.55 1.81 1.96 2.29 1.73 1.88 1.69 1.01

1.44 0.78 1.15 0.65 1.00 0.99 1.63 1.35 0.54 1.08 1.13 0.97 1.31 0.31 0.97

Tabelle B.19.7 Übersicht der statistischen Kennzahlen des Items EHRENAMT über die Raumordnungsregionen Raumordnungsregion

2003

2007

2011

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost

22.89 16.41 6.96

13.77 14.93 6.88

17.19 22.25 14.04

2015

Mittelwert (ø) 15.92 17.44 17.34 17.73 16.48 11.09

Std. Abw. (ø) 3.90 3.17 4.92

Tabellen

Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg

271

13.03

12.45

23.36

17.25

16.52

5.04

46.76 19.23 15.69 5.76 23.71 34.85 26.52 20.32 28.63 18.23 12.08 17.89 13.88 17.42 16.70 14.56 20.12 10.07 17.13 21.68 6.27 17.71 6.36 12.61 14.56 15.44 21.85 17.59 16.71 26.39 31.83 27.03 15.96 17.96 14.99 16.91 19.67 39.01 10.89 28.62 17.74 33.49 15.37 8.62 14.03 13.25 24.40

24.07 16.32 24.56 26.98 27.71 32.50 17.49 18.03 19.90 22.44 9.04 28.97 20.55 23.59 16.39 13.37 17.94 7.61 21.66 18.28 7.67 12.40 11.49 14.25 10.96 13.13 20.20 17.28 27.24 25.24 26.48 36.54 11.23 19.82 15.08 8.55 14.18 29.78 15.16 19.65 22.48 28.25 27.10 16.41 16.90 15.98 18.40

13.09 15.92 20.28 27.11 15.75 23.70 23.99 18.70 20.14 25.48 15.71 17.82 17.93 18.86 8.32 18.85 19.83 17.22 18.21 15.57 11.90 16.44 13.92 16.31 10.97 15.81 22.19 18.61 33.73 38.23 24.27 22.97 14.35 18.27 17.06 19.51 13.27 35.17 19.86 22.24 19.75 29.76 19.52 26.98 26.02 21.04 23.74

20.96 16.96 20.40 14.37 20.72 29.05 24.34 14.16 19.94 26.04 31.49 18.48 25.53 17.48 12.61 17.49 15.94 18.89 13.32 16.57 18.40 17.91 19.15 16.33 19.53 31.57 19.82 17.77 10.48 20.04 20.07 20.64 31.16 25.15 25.37 15.90 19.22 23.69 29.30 19.49 14.45 24.86 17.07 19.50 22.31 21.23 28.82

26.22 17.11 20.23 18.55 21.97 30.03 23.09 17.80 22.16 23.05 17.08 20.79 19.47 19.34 13.51 16.07 18.46 13.45 17.58 18.03 11.06 16.12 12.73 14.88 14.01 18.99 21.01 17.81 22.04 27.48 25.66 26.80 18.18 20.30 18.12 15.22 16.59 31.91 18.80 22.50 18.60 29.09 19.77 17.88 19.82 17.87 23.84

14.45 1.48 3.62 10.42 5.04 4.84 3.90 2.61 4.32 3.58 9.99 5.46 4.88 2.91 3.93 2.54 1.93 5.46 3.44 2.68 5.45 2.56 5.31 1.80 4.05 8.47 1.18 0.57 10.42 7.69 4.90 7.02 8.88 3.34 4.92 4.70 3.33 6.66 7.90 4.27 3.38 3.58 5.18 7.60 5.38 3.93 4.27

272

Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

Anhang

41.78 21.81 14.12 8.16 23.22 15.33 22.46 25.09 14.58

23.59 22.13 21.02 9.77 18.60 11.62 28.19 14.70 16.00

27.59 18.48 19.95 15.02 19.63 18.55 27.82 24.69 20.83

17.90 23.32 23.35 19.45 25.25 22.08 29.50 27.07 20.20

27.72 21.44 19.61 13.10 21.68 16.90 26.99 22.89 17.90

10.18 2.07 3.92 5.15 3.10 4.47 3.11 5.56 3.09

11.31 16.94 11.57 8.48 15.38 12.51 18.17 24.47 28.01 19.93 32.05 42.12 32.34 19.91 9.29 13.82 15.79 12.43 16.17 17.51 20.20

19.86 27.92 12.86 22.26 12.12 27.04 30.72 19.83 21.30 25.48 28.92 17.95 27.88 18.28 9.39 15.94 15.72 9.10 15.70 17.36 11.87

16.20 31.89 22.22 40.47 19.89 22.98 23.99 22.07 21.81 22.43 24.05 10.07 24.51 20.17 9.77 15.50 14.05 5.05 16.12 11.62 29.14

26.42 16.04 29.51 22.99 14.95 23.89 19.15 22.40 16.55 19.62 35.11 17.21 18.65 19.74 15.28 19.34 15.38 13.66 19.22 8.30 13.87

18.45 23.19 19.04 23.55 15.59 21.61 23.01 22.19 21.92 21.87 30.03 21.84 25.84 19.53 10.93 16.15 15.23 10.06 16.80 13.70 18.77

6.37 7.92 8.44 13.11 3.21 6.31 5.73 1.90 4.70 2.72 4.72 13.98 5.77 0.85 2.91 2.32 0.81 3.86 1.62 4.53 7.77

13.86 11.47 12.00 15.24 15.80 12.33 11.03 18.98 11.59 11.11 11.08 7.36 21.17 12.50 15.87

16.56 16.81 11.97 13.25 16.18 12.98 13.15 13.89 13.09 12.13 12.55 10.44 14.74 16.35 23.72

10.35 16.79 19.32 17.59 19.89 14.17 19.28 23.83 11.31 18.45 15.68 9.25 26.26 16.75 21.37

25.41 9.16 12.42 17.15 16.98 16.20 12.05 15.70 12.90 18.56 13.17 14.98 13.58 20.62 18.14

16.55 13.56 13.93 15.81 17.21 13.92 13.88 18.10 12.22 15.06 13.12 10.51 18.94 16.56 19.77

6.43 3.86 3.60 1.99 1.85 1.70 3.70 4.36 0.90 4.00 1.92 3.24 5.91 3.32 3.46

Tabellen

273

Tabelle B. 19.8 Übersicht der statistischen Kennzahlen des Items KIRCHE über die Raumordnungsregionen Raumordnungsregion

2003

2007

2011

2015 17.96 7.47 8.03 9.06

Mittelwert (ø) 9.03 9.03 14.63 10.91

Std. Abw. (ø) 6.11 1.64 7.16 1.74

Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein SüdWest Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben

7.26 11.32 11.70 10.04

4.14 8.88 14.08 13.03

6.78 8.44 24.70 11.50

8.38 7.64 20.93 5.21 4.67 36.24 29.11 6.46 14.30 23.24 9.79 14.31 38.95 19.70 17.04 12.05 30.79 27.46 18.35 24.62 23.43 13.35 16.84 18.04 18.36 23.04 28.44 32.09 12.21 19.61 13.28 61.31 14.73 9.52 25.13 29.31 24.17 34.64 31.07 20.15

1.23 15.03 20.56 5.09 4.29 35.09 22.08 7.58 12.80 20.48 8.35 13.37 33.93 15.04 11.09 6.19 23.45 24.15 16.09 20.99 18.58 13.92 14.42 16.81 18.99 21.94 24.15 23.87 25.82 19.88 17.54 28.27 14.08 19.07 20.65 22.55 25.08 26.77 13.15 21.57

3.76 9.86 20.21 9.96 8.32 26.77 10.40 6.14 13.47 20.20 6.76 15.49 30.08 19.22 6.36 9.23 18.07 18.89 17.51 18.93 12.87 15.68 17.51 17.82 16.88 15.65 25.88 15.10 14.83 25.06 16.00 39.66 16.61 14.87 18.13 27.45 18.45 35.26 17.81 7.31

3.01 9.29 12.52 11.65 6.28 5.41 12.72 6.70 19.12 32.90 22.90 5.49 5.60 22.15 9.03 11.22 16.50 17.44 19.86 15.17 14.50 17.03 14.89 17.05 15.78 21.02 14.13 22.75 14.62 16.24 17.81 27.51 22.25 16.60 21.33 14.97 19.13 22.54 16.19 20.52

4.09 10.45 18.56 7.98 5.89 25.88 18.58 6.72 14.92 24.21 11.95 12.16 27.14 19.03 10.88 9.67 22.20 21.99 17.95 19.93 17.34 14.99 15.92 17.43 17.50 20.41 23.15 23.45 16.87 20.20 16.16 39.19 16.92 15.02 21.31 23.57 21.71 29.81 19.56 17.39

3.05 3.19 4.03 3.34 1.83 14.29 8.65 0.62 2.87 5.96 7.40 4.54 14.81 2.95 4.54 2.61 6.45 4.65 1.58 3.95 4.71 1.68 1.49 0.59 1.45 3.28 6.27 6.95 6.08 3.64 2.08 15.76 3.71 4.05 2.89 6.41 3.40 6.20 7.92 6.74

274

Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S.

Anhang

33.83 23.39 21.93 22.70 7.89 20.03 32.58 42.89 31.75 31.72 29.72 18.77 26.42 20.38 34.52 38.89

16.97 22.75 16.16 24.51 15.94 17.83 22.36 37.16 20.30 22.70 26.22 16.58 20.15 24.78 15.31 39.04

12.59 21.22 25.66 18.17 18.50 15.35 38.51 30.86 18.52 25.52 10.49 20.12 22.41 23.57 24.12 29.87

8.46 24.32 14.98 15.63 20.79 30.34 23.30 12.55 34.77 25.63 14.11 21.66 28.71 31.15 25.22 36.58

17.96 22.92 19.68 20.25 15.78 20.89 29.19 30.87 26.34 26.39 20.14 19.28 24.42 24.97 24.79 36.10

11.14 1.31 5.01 4.08 5.62 6.58 7.74 13.16 8.13 3.80 9.28 2.15 3.86 4.52 7.86 4.30

22.91 35.69 13.44 47.56 17.78 38.83 37.46 51.75 27.84 57.75 40.56 31.61 58.09 23.43 11.19 11.14 6.48 5.11 9.80 12.27 6.49

18.31 29.54 28.09 51.37 15.42 38.98 34.39 41.83 34.23 49.82 22.74 25.29 37.55 16.03 5.92 7.34 3.99 4.74 9.18 6.85 3.01

14.78 33.23 34.55 34.30 18.23 37.76 28.16 32.75 27.12 41.07 31.03 26.45 32.67 14.49 5.66 9.51 4.70 1.40 8.17 4.49 1.52

22.27 25.18 26.08 26.55 33.66 17.72 24.91 26.80 24.96 19.01 23.92 15.70 22.45 15.59 8.48 7.58 4.45 5.92 3.29 0.82 1.97

19.57 30.91 25.54 39.95 21.28 33.32 31.23 38.28 28.54 41.91 29.56 24.76 37.69 17.39 7.81 8.89 4.91 4.29 7.61 6.11 3.25

3.79 4.58 8.84 11.54 8.35 10.41 5.72 10.90 3.99 16.72 8.19 6.64 14.99 4.08 2.58 1.79 1.09 1.99 2.96 4.80 2.25

4.58 4.37 1.66 8.60 8.61 14.06 7.75 14.30 0.00 5.24

6.52 5.27 1.37 13.06 6.19 12.21 12.32 24.95 5.59 7.90

7.68 3.66 4.61 9.23 11.18 12.17 15.68 12.89 2.59 5.13

0.00 3.32 6.05 7.78 6.31 12.24 8.03 12.11 3.89 6.13

4.70 4.16 3.42 9.67 8.07 12.67 10.94 16.06 3.02 6.10

3.38 0.86 2.28 2.34 2.35 0.92 3.79 5.99 2.36 1.28

Tabellen

Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

275

3.76 4.39 26.55 5.21 6.52

4.59 4.43 25.36 5.18 4.67

7.41 5.64 34.26 4.48 2.67

3.62 6.67 1.68 28.81 5.79

4.84 5.28 21.96 10.92 4.91

1.76 1.09 14.09 11.93 1.67

Tabelle B.20: Übersicht der statistischen Kennzahlen der Netzwerkitems

BUERGERINITIATIVE EHRENAMT KIRCHE GEWERKSCHAFT BERUFSVERBAND BETRIEBS/PERSONALRAT UMWELTORGANISATION SONSTIGE ORG.

BUERGERINITIATIVE EHRENAMT KIRCHE GEWERKSCHAFT BERUFSVERBAND BETRIEBS/PERSONALRAT UMWELTORGANISATION SONSTIGE ORG.

2003 Mittelwert (SD) 3.20 (3.24) 18.25 (8.14) 20.81 (13.44) 13.96 (5.66) 7.34 (4.03) 1.59 (1.55) 3.99 (4.67) 36.55 (12.58) 2011 Mittelwert (SD) 2.57 (2.24) 19.77 (6.19) 17.36 (10.01) 12.11 (5.24) 6.04 (2.78) 1.78 (1.55) 3.92 (2.92) 35.96 (10.71)

Min./Max. 0/22.37 5.75/46.76 0/61.30 1.06/31.08 0.95/23.85 0/8.83 0/39.97 13.60/72.34

Min./Max. 0/14.10 5.75/46.76 1.39/41.06 3.38/36.12 0/15.80 0/9.06 0/13.09 14.18/68.32

2007 Mittelwert (SD) 2.22 (2.03) 18.21 (6.43) 18.19 (10.71) 11.98 (4.59) 6.57 (3.44) 1.71 (1.77) 4.24 (3.61) 35.61 (10.11)

Min./Max. 0/10.64 6.87/36.54 1.22/51.36 2.46/23.80 1.01/20.17 0/9.22 0/27.46 11.32/59.21

2015 Mittelwert Min./Max. (SD) 2.57 (1.92) 0/8.31 19.61 (5.27) 8.29/35.1 15.75 (8.76) 0/36.57 11.92 (4.64) 2.31/24.3 5.85 (3.6) 0/22.52 1.56 (1.4) 0/5.78 . 36.99 (10.25

. 16.28/68.91

276

Anhang

Tabelle B.21: EVS 1999 & 2008: Häufigkeitsangaben zu den Mitgliederdaten der Gewerkschaft, Berufsgruppen und den Umwelt-, Ökologie- und Tierrechten. EVS (orig. Wortlaut) do you belong to trade unions not mentioned mentioned

do you belong to professional associations not mentioned mentioned

Häufigkeit Prozent Häufigkeit Prozent 1999 2008 1889.333 146.667 2036

92.8 7.2 100

1909.186 138.814 2048

93.22 6.78 100

1946.954 89.046 2036

95.63 4.37 100

1942.909 105.091 2048

94.87 5.13 100

do you belong to environment, ecology, animal rights not mentioned 1981.277 97.31 1948.549 95.14 mentioned 54.723 2.69 99.451 4.86 Total 2036 100 2048 100 Die Daten sind gewichtet, wodurch die Nachkommastellen zu Stande kommen Tabelle B.22.1 Konfirmatorische Faktoranalyse mit standardisierten Koeffizienten (mit Item SONSTIGE) für den Erhebungszeitpunkt 2011 (2003, 2007 und 2015 konvergieren nicht). Strukturgleichungsmodell Schätzmethode = ml

N=96

Standardisiert BERUF _cons

Koef. .5288528 2.183538

Std. Err. .0996647 .1877476

z-Wert 5.31 11.63

P>|z| 0.000 0.000

BETRIEB _cons

.05994 1.158609

.1264838 .1319401

0.47 8.78

0.636 0.000

-.1879636 .900011

.3078436 1.417207

GEWERKSCHAFT _cons

.4874929 2.321924

.1182645 .1962053

4.12 11.83

0.000 0.000

.2556987 1.937369

.7192871 2.70648

BÜRGERINITIATIVE _cons

.4720174 1.153466

.1107436 .1317053

4.26 8.76

0.000 0.000

.2549639 .8953289

.689071 1.411604

SONSTIGE _cons

[95% Conf. Intervall] .3335135 .7241921 1.815559 2.551516

.7578629 .1119426 6.77 0.000 .5384593 .9772664 3.372812 .2639431 12.78 0.000 2.855493 3.890131 LR Test: Modell vs. saturiert: chi2(5) = 10.71, Prob > chi2 = .0574

Tabellen

277

Tabelle B.22.2: Konfirmatorische Faktoranalyse mit standardisierten Koeffizienten (ohne Item SONSTIGE) über alle Erhebungszeitpunkte (2003, 2007, 2011 und 2015 konvergieren nicht). Strukturgleichungsmodell Schätzmethode = ml

N=96

Standardisiert BERUF _cons

Koef. .8266037 2.450081

Std. Err. 1.05586 .1020798

z-Wert 0.78 24.00

P>|z| 0.434 0.000

[95% Conf. Intervall] -1.242843 2.89605 2.250009 2.650154

BETRIEB _cons

.1277899 1.060627

.1569071 .0637881

0.81 16.63

0.415 0.000

-.1797424 .9356045

.4353221 1.185649

GEWERKSCHAFT _cons

.067528 1.830803

.1706246 .0834778

0.40 21.93

0.692 0.000

-.2668902 1.66719

.4019461 1.994417

BÜRGERINITIATIVE _cons

.2049104 .2490545 0.82 0.411 1.088531 .0643969 16.90 0.000 LR Test: Modell vs. saturiert: chi2(2) =

-.2832275 .6930484 .9623149 1.214746 6.29, Prob > chi2 = .0430

Tabelle B.23.1-B.23.5 ANOVA mit wiederholten Messungen B. 23.1 Item GEWERKSCHAFT N= 384 R2= 0. 5380

|

Root MSE= . 040245

|

Modell ROR Year Residuen Total

Partielle SS .53756051 .50975597 .02780454 .46159817 .99915868

df 98 95 3 285 383

Wiederholungsmessung:

df

F

Huynh-Feldt Epsilon

GreenhouseGeisser Epsilon

3 285

5.72

.7578 (0. 0025)

.7394 (0. 0027)

Year Residuen

F-Wert 3.39 3.31 5.72

p-Wert 0.0000 0.0000 0.0008

Box's conservative Epsilon .3333 (0. 0187)

p-Werte in Klammern

278

Anhang

Paarweise Testung Year 2007 vs 2003 2011 vs 2003 2015 vs 2003 2011 vs 2007 2015 vs 2007 2015 vs 2011

Kontrast -.0198276 -.0184664 -.0204501 .0013612 -.0006225 -.0019837

t-Wert (p-Wert) -3.41 (0.010) -3.18 (0.019) -3.52 (0.007) 0.23 (0.997) -0.11 (1.000) -0.34 (0.990)

B. 23.2 Item BERUF N= 384 R2= 0.4278

|

Root MSE= .030947

|

Modell ROR Year Residuen Total

Partielle SS .20403564 .19127608 .01275956 .27295784 .47699349

df 98 95 3 285 383

Wiederholungsmessung:

df

F

Huynh-Feldt Epsilon

GreenhouseGeisser Epsilon

3 285

4.44

.9355 (0.0056)

.9062 (0.0061)

Year Residuen

F-Wert 2.17 2.1 4.44

p-Wert 0.0000 0.0000 0.0045

Box's conservative Epsilon .3333 (0.0377)

p-Werte in Klammern Paarweise Testung Year 2007 vs 2003 2011 vs 2003 2015 vs 2003 2011 vs 2007 2015 vs 2007 2015 vs 2011

Kontrast -.0076629 -.0129722 -.0148659 -.0053093 -.007203 -.0018937

t-Wert (p-Wert) -1.72 (0.402) -2.90 (0.040) -3.33 (0.012) -1.19 (0.703) -1.61 (0.459) -0.42 (0.981)

Tabellen

279

B. 23.3 Item BETRIEB N= 384 R2= 0. 3484

|

Root MSE= . 01473

|

Modell ROR Year Residuen Total

Partielle SS .03306068 .03275399 .00030669 .06183748 .09489816

df 98 95 3 285 383

Wiederholungsmessung:

df

F

Huynh-Feldt Epsilon

GreenhouseGeisser Epsilon

3 285

0.47

. 9945 (0. 7016)

. 9612 (0. 6951)

Year Residuen

F-Wert 1.55 1.59 0.47

p-Wert 0.0027 0.0019 0.7026

Box's conservative Epsilon .3333 (0. 4941)

p-Werte in Klammern

B. 23.4 Item SONSTIGE N= 384 R2= 0. 6896

|

Root MSE= . 070625

|

Modell ROR Year Residuen Total

Partielle SS 3.1582171 3.1472744 .01094267 1.4215349 4.579752

df 98 95 3 285 383

Wiederholungsmessung:

df

F

Huynh-Feldt Epsilon

GreenhouseGeisser Epsilon

3 285

0.73

. 8065 (0. 5067)

. 7852 (0. 5033)

Year Residuen

F-Wert 6.46 6.64 0.73

p-Wert 0.0000 0.0000 0.5341

Box's conservative Epsilon .3333 (0. 3946)

p-Werte in Klammern

280

Anhang

B. 23.5 Item BÜRGERINITIATIVE N= 384 R2= 0. 4850

|

Root MSE= . 020253

|

Modell ROR Year Residuen Total

Partielle SS .11009764 .10533589 .00476174 .11690075 .22699838

df 98 95 3 285 383

Wiederholungsmessung:

df

F

Huynh-Feldt Epsilon

GreenhouseGeisser Epsilon

3 285

3.87

. 8414 (0. 0098)

. 8181 (0. 0145)

Year Residuen

F-Wert 2.74 2.70 3.87

p-Wert 0.0000 0.0000 0.0098

Box's conservative Epsilon .3333 (0. 0521)

p-Werte in Klammern Paarweise Testung Year 2007 vs 2003 2011 vs 2003 2015 vs 2003 2011 vs 2007 2015 vs 2007 2015 vs 2011

Kontrast -.0097642 -.006288 -.0062555 .0034762 .0035087 .0000324

t-Wert (p-Wert) -3.34 (0. 012) -2.15 (0.204) -2.14 (0.208) -1.19 (0.702) 1.20 (0.696) 0.01 (1.000)

Tabellen

281

Tabelle B.24 explorative Faktoranalyse mit Maximum-Likelihood Schätzern (mit und ohne das Item SONSTIGE) Faktor

Uniqueness

2003 EHRENAMT KIRCHE UMWELT SONSTIGE

.7526 .4092 .3624 .7583

.4336 .8326 .8687 .4249

.6962 .4951 .3952 .8933

.5154 .7549 .8438 .2020

.7701 .6386 .3936 .7708

.4069 .5922 .8451 .4059

.8943 .5403 . .7962

.2002 .7081 . .3661

2007

Eigenwert 1.44020

Faktor

Uniqueness

1.0 .3518 .2525

.0 .8762 .9363

.5087 .7865 .3284

.7412 .3814 .8922

.5825 .8695 .3824

.6607 .2439 .8538

1.68393

EHRENAMT KIRCHE UMWELT SONSTIGE 2011

0.98520

1.74992

EHRENAMT KIRCHE UMWELT SONSTIGE 2015

Eigenwert 1.18750

1.24169

1.72564

EHRENAMT KIRCHE UMWELT SONSTIGE

Tabelle B.25 ANOVA mit wiederholten Messungen (Item UMWELT) N= 384 R2= 0. 5141

|

Root MSE= . 032534

|

Modell ROR Year Residuen Total

Partielle SS .2128185 .21224655 .00057195 .20110764 .41392614

df 98 95 3 285 383

Wiederholungsmessung:

df

F

Huynh-Feldt Epsilon

GreenhouseGeisser Epsilon

3 285

0.27

.7556 (0. 7005)

.7463 (0. 6977)

Year Residuen

F-Wert 2.07 2.11 0.27

p-Wert 0.0000 0.0000 0.7635

Box's conservative Epsilon .5000 (0. 6044)

p-Werte in Klammern

. 1.91 11.27 36.38 25.83 20.07

Modell 1 alle Parameter sind frei Modell 2 metrisch (Ladungen) Modell 3 skalar (Intercepts) Modell 4 strikt (Residuen) Modell 4.1 partiell strikt (Residuen) Modell 5a strukturell (Faktor Varianz)

. 4 8 14 10 10

df

ref. model . . 2 3 3 3

delta chi2 . . 9.36 25.11 10.55 8.8

delta df . . 4 6 2 2

.269 .267 .257

Modell 1: alle Parameter sind frei

Modell 2: metrisch (Ladungen)

Modell 3: skalar (Intercepts)

AVE: Mittelwert Hi: 2003 .311 Lo: 2003 .221 Hi: 2007 .276 Lo: 2015 .262 Hi: 2003 .268 Lo: 2015 .25

AVE über die Welle (höchster – niedrigster Wert)

Tabelle B 27: Durchschnittlich erfasste Varianz (AVE) ohne den Erhebungszeitpunkt 2015

chi2

model: soziales Engagement . . 0.0527 0.0003 0.0051 0.0123

p . .00 .065 .129 .128 .102

RMSEA

Tabelle B26: Übersicht der Anpassungsgüte (mit korrelierten Fehlertermen) ohne den Erhebungszeitpunkt 2015

. 1 .983 .881 .916 .947

CFI . .048 .05 .110 .1 .110

SRMR . -16.35 -25.24 -27.52 -19.81 -25.57

BICs1

282 Anhang

Tabellen

283

Tabelle B.28: paarweiser t-Test zur Prüfung der latenten Mittelwerte 2003 und 2008 des Konstruktes soziales Vertrauen nach Ost/West Ost S. TRUST2003

Fallzahl

Mittelwert

Std. Err.

Std. Abw.

[95% Conf. Interval]

22 22

.4187921 .4347334

.0233357 .0181139

.1094542 .0849619

.3702629 .3970634

.4673214 .4724034

Unterschied 22 -.0159413 .0247131 .1159149 -.0673351 t-Wert = -0.6451 (df=21); einseitige Testung: p (T< t) = .2629; zweiseitige Testung p (|T|>|t|) = .5259

.0354525

S. TRUST2008

West S. TRUST2003

Fallzahl

Mittelwert

Std. Err.

Std. Abw.

[95% Conf. Interval]

74 74

.5352616 .5279335

.0106488 .0107377

.0916046 .0923694

.5140385 .5065332

.5564847 .5493337

74 .0073281 .0130077 .1118961 -.0185961 t-Wert = -0.5634 (df=73); einseitige Testung: p (T< t) = .2875; zweiseitige Testung p (|T|>|t|) = .5749

.0332524

S. TRUST2008 Unterschied

Tabelle B.29: Übersicht der Faktorwerte des sozialen Vertrauens über die Raumordnungsregionen Raumordnungsregion Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein Süd-West Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland Südheide Bremen Aachen Arnsberg Bielefeld

2003 0.5767 0.4004 0.2999 0.4935 0.5065 0.6660 0.5253 0.3801 0.4840 0.5635 0.4972 0.6174 0.6224 0.4641 0.4401 0.6668 0.6859 0.4264 0.4815 0.5017 0.5583 0.6772 0.6179

2008 0.6110 0.4755 0.6156 0.4843 0.5842 0.6662 0.4668 0.4363 0.5518 0.3994 0.5891 0.6110 0.5924 0.4073 0.4234 0.6739 0.7189 0.4807 0.6055 0.5034 0.4848 0.2827 0.5140

2013 0.6939 0.6737 0.6374 0.6691 0.5719 0.6918 0.6037 0.5318 0.6568 0.5051 0.5695 0.4658 0.7061 0.5860 0.7561 0.5506 0.6605 0.5849 0.4136 0.4690 0.6216 0.6218 0.6192

Mittelwert (ø) 0.6272 0.5165 0.5177 0.5490 0.5542 0.6747 0.5319 0.4494 0.5642 0.4893 0.5519 0.5647 0.6403 0.4858 0.5399 0.6304 0.6884 0.4973 0.5002 0.4914 0.5549 0.5272 0.5837

284

Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken

Anhang

0.6218 0.6280 0.6186 0.5552 0.5254 0.3396 0.5208 0.5917 0.5268 0.5730 0.6087 0.5965 0.5738 0.5408 0.5821 0.5299 0.4979 0.6199 0.4650 0.7199 0.5203 0.5000 0.5581 0.5533 0.5579 0.5256 0.4336 0.5873 0.5517 0.5749 0.5393 0.6993 0.3575 0.3329 0.4507 0.5683 0.4514 0.4533 0.4711 0.5962 0.6731 0.5202 0.6577 0.6322 0.4231 0.5065 0.5530 0.6145 0.3490

0.5253 0.5313 0.5194 0.3943 0.5194 0.4263 0.4886 0.5865 0.5544 0.4667 0.5976 0.5552 0.5506 0.5027 0.4442 0.5098 0.5131 0.5059 0.6317 0.5872 0.5372 0.4686 0.5114 0.5285 0.5311 0.4398 0.4560 0.4240 0.5069 0.5703 0.6285 0.6297 0.6064 0.4927 0.5571 0.6525 0.3532 0.5560 0.4302 0.3500 0.6198 0.5531 0.5911 0.5299 0.6649 0.3491 0.6838 0.6162 0.3438

0.6502 0.6625 0.5931 0.6058 0.5495 0.4728 0.6831 0.6698 0.6100 0.6390 0.5397 0.6405 0.6005 0.5961 0.6032 0.5905 0.6428 0.6006 0.7384 0.5023 0.6586 0.7456 0.5890 0.6589 0.6817 0.5544 0.5362 0.6900 0.5442 0.6670 0.7029 0.6499 0.6008 0.4273 0.5774 0.6403 0.5119 0.5485 0.7434 0.4022 0.6941 0.5848 0.6579 0.4324 0.6602 0.5118 0.6623 0.5406 0.5461

0.5991 0.6073 0.5770 0.5185 0.5314 0.4129 0.5642 0.6160 0.5637 0.5595 0.5820 0.5974 0.5749 0.5465 0.5432 0.5434 0.5513 0.5755 0.6117 0.6031 0.5720 0.5714 0.5528 0.5803 0.5902 0.5066 0.4753 0.5671 0.5343 0.6041 0.6235 0.6596 0.5216 0.4176 0.5284 0.6204 0.4388 0.5193 0.5482 0.4495 0.6623 0.5527 0.6356 0.5315 0.5827 0.4558 0.6330 0.5904 0.4130

Tabellen

Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

285

0.5382 0.4710 0.5091 0.4602 0.4240 0.2483 0.3518 0.3849 0.3185

0.7215 0.5753 0.5267 0.4530 0.4505 0.3483 0.2747 0.3769 0.6228

0.6300 0.5341 0.6108 0.5263 0.6417 0.3505 0.4182 0.3980 0.5277

0.6299 0.5268 0.5489 0.4798 0.5054 0.3157 0.3482 0.3866 0.4897

0.3921 0.4882 0.4788 0.4942 0.3821 0.4455 0.5474 0.5535 0.3025 0.3923 0.3762 0.6899 0.2243 0.2907 0.4587

0.4158 0.4356 0.3672 0.4898 0.5521 0.4622 0.4920 0.4453 0.2313 0.4202 0.4162 0.4760 0.4122 0.4615 0.4338

0.4845 0.3828 0.4997 0.4507 0.4500 0.5248 0.5955 0.5381 0.4613 0.4085 0.4767 0.6195 0.5735 0.5533 0.6937

0.4308 0.4356 0.4486 0.4782 0.4614 0.4775 0.5449 0.5123 0.3317 0.4070 0.4230 0.5951 0.4034 0.4352 0.5287

Tabelle B.30: Übersicht der Faktorwerte der Netzwerke des sozialen Engagements über die Raumordnungsregionen Raumordnungsregion Schleswig-Holstein Mitte Schleswig-Holstein Nord Schleswig-Holstein Ost Schleswig-Holstein Süd Schleswig-Holstein Süd-West Hamburg Braunschweig Bremen-Umland Bremerhaven Emsland Göttingen Hamburg-Umland-Süd Hannover Hildesheim Lüneburg Oldenburg Osnabrück Ost-Friesland

2003 0.2289 0.1641 0.0696 0.1303 0.4676 0.1923 0.1569 0.0576 0.2371 0.3485 0.2652 0.2032 0.2863 0.1823 0.1208 0.1789 0.1388 0.1742

2007 0.1377 0.1493 0.0688 0.1245 0.2407 0.1632 0.2456 0.2698 0.2771 0.3250 0.1749 0.1803 0.1990 0.2244 0.0904 0.2897 0.2055 0.2359

2011 0.1719 0.2225 0.1404 0.2336 0.1309 0.1592 0.2028 0.2711 0.1575 0.2370 0.2399 0.1870 0.2014 0.2548 0.1571 0.1782 0.1793 0.1886

Mittelwert (ø) 0.1795 0.1786 0.0929 0.1628 0.2797 0.1715 0.2018 0.1995 0.2239 0.3035 0.2267 0.1902 0.2289 0.2205 0.1228 0.2156 0.1745 0.1995

286

Südheide Bremen Aachen Arnsberg Bielefeld Bochum/Hagen Bonn Dortmund Duisburg/Essen Düsseldorf Emscher-Lippe Köln Münster Paderborn Siegen Mittelhessen Nordhessen Osthessen Rhein-Main Starkenburg Mittelrhein-Westerwald Rheinhessen-Nahe Rheinpfalz Trier Westpfalz Bodensee-Oberschwaben Donau-Iller (BW) Heilbronn-Franken Hochrhein-Bodensee Mittlerer Oberrhein Neckar-Alb Nordschwarzwald Ostwürttemberg Schwarzwald-Baar-Heuberg Stuttgart Südlicher Oberrhein Unterer Neckar Allgäu Augsburg Bayerischer Untermain Donau-Iller (BY) Donau-Wald Industrieregion Mittelfranken Ingolstadt Landshut Main-Rhön München Oberfranken-Ost Oberfranken-West

Anhang

0.1670 0.1456 0.2012 0.1007 0.1713 0.2168 0.0627 0.1771 0.0636 0.1261 0.1456 0.1544 0.2185 0.1759 0.1671 0.2639 0.3183 0.2703 0.1596 0.1796 0.1499 0.1691 0.1967 0.3901 0.1089 0.2862 0.1774 0.3349 0.1537 0.0862 0.1403 0.1325 0.2440 0.4178 0.2181 0.1412 0.0816 0.2322 0.1533 0.2246 0.2509 0.1458 0.1131 0.1694 0.1157 0.0848 0.1538 0.1251 0.1817

0.1639 0.1337 0.1794 0.0761 0.2166 0.1828 0.0767 0.1240 0.1149 0.1425 0.1096 0.1313 0.2020 0.1728 0.2724 0.2524 0.2648 0.3654 0.1123 0.1982 0.1508 0.0855 0.1418 0.2978 0.1516 0.1965 0.2248 0.2825 0.2710 0.1641 0.1690 0.1598 0.1840 0.2359 0.2213 0.2102 0.0977 0.1860 0.1162 0.2819 0.1470 0.1600 0.1986 0.2792 0.1286 0.2226 0.1212 0.2704 0.3072

0.0832 0.1885 0.1983 0.1722 0.1821 0.1557 0.1190 0.1644 0.1392 0.1631 0.1097 0.1581 0.2219 0.1861 0.3373 0.3823 0.2427 0.2297 0.1435 0.1827 0.1706 0.1951 0.1327 0.3517 0.1986 0.2224 0.1975 0.2976 0.1952 0.2698 0.2602 0.2104 0.2374 0.2759 0.1848 0.1995 0.1502 0.1963 0.1855 0.2782 0.2469 0.2083 0.1620 0.3189 0.2222 0.4047 0.1989 0.2298 0.2399

0.1380 0.1559 0.1929 0.1164 0.1900 0.1851 0.0861 0.1552 0.1059 0.1439 0.1216 0.1479 0.2141 0.1783 0.2589 0.2995 0.2753 0.2885 0.1385 0.1868 0.1571 0.1499 0.1571 0.3465 0.1530 0.2350 0.1999 0.3050 0.2066 0.1734 0.1899 0.1676 0.2218 0.3099 0.2081 0.1836 0.1098 0.2048 0.1517 0.2616 0.2149 0.1714 0.1579 0.2558 0.1555 0.2374 0.1580 0.2085 0.2429

Tabellen

287

Oberland Oberpfalz-Nord Regensburg Südostoberbayern Westmittelfranken Würzburg Saar Berlin Havelland-Fläming Lausitz-Spreewald Oderland-Spree Prignitz-Oberhavel Uckermark-Barnim Mecklenburgische Seenplatte Mittleres Mecklenburg/Rostock Vorpommern Westmecklenburg Oberes Elbtal/Osterzgebirge Oberlausitz-Niederschlesien Südsachsen Westsachsen Altmark Anhalt-Bitterfeld-Wittenberg Halle/S. Magdeburg Mittelthüringen Nordthüringen Ostthüringen Südthüringen

0.2447 0.2801 0.1993 0.3205 0.4212 0.3234 0.1991 0.0929 0.1382 0.1579 0.1243 0.1617 0.1751 0.2020

0.1983 0.2130 0.2548 0.2892 0.1795 0.2788 0.1828 0.0939 0.1594 0.1572 0.0910 0.1570 0.1736 0.1187

0.2207 0.2181 0.2243 0.2405 0.1007 0.2451 0.2017 0.0977 0.1550 0.1405 0.0505 0.1612 0.1162 0.2914

0.2212 0.2370 0.2261 0.2834 0.2338 0.2824 0.1945 0.0948 0.1508 0.1518 0.0886 0.1600 0.1550 0.2040

0.1386 0.1147 0.1200 0.1524 0.1580 0.1233 0.1103 0.1898 0.1159 0.1111 0.1108 0.0736 0.2117 0.1250 0.1587

0.1656 0.1681 0.1197 0.1325 0.1618 0.1298 0.1315 0.1389 0.1309 0.1213 0.1255 0.1044 0.1474 0.1635 0.2372

0.1035 0.1679 0.1932 0.1759 0.1989 0.1417 0.1928 0.2383 0.1131 0.1845 0.1568 0.0925 0.2626 0.1675 0.2137

0.1359 0.1502 0.1443 0.1536 0.1729 0.1316 0.1449 0.1890 0.1200 0.1390 0.1310 0.0902 0.2072 0.1520 0.2032

Tabelle B.31: Korrelation der beiden Korruptionsitems des ALLBUS von 2004 und 2014 KORRUPTION2014 KORRUPTION2004

.4971** (N=66, ** p|t|) = .0993

.0055788

KORRUPTION2004 KORRUPTION2014

66 66

.2607772 .2894829

Tabelle B.33: statistische Kennzahlen der Korruptionsitems Fallzahl

Mittelwert

Std. Abw.

Min

Max

KORRUPTION2004

77

.2601077

.1416572

0

.625

KORRUPTION2014

77

.2814138

.1461897

0

.6666667

KORRUPTION

88

.2674838

.1341163

0

.6