Kartographie Andre

Volltext

(1)Neuere Anwendungsbeispiele von quantitativen Methoden, Computer und Plotter in der Geographie und Kartographie Andre Kilchenmann und Ernst Gächter. A.. Einleitung. Die rasche Entwicklung und Verbreitung der elek¬ tronischen Datenverarbeitungsanlagen in den ver¬ gangenen Jahren ermöglichte in vielen Wissen¬ schaften eine breite Anwendung von modernen statistischen Methoden. Während im amerikani¬ schen und englischen Sprachgebiet in der geogra¬ phischen Forschung denn auch immer intensiver mit solchen Methoden gearbeitet wird und fortlau¬ fend neue Techniken entwickelt und erprobt wer¬ den, liegen in der Schweiz erst wenige Arbeiten vor. In diesem Artikel soll von einigen Versuchen be¬ richtet werden, die in jüngster Zeit von den Verfas¬ sern am Geographischen Institut der Universität Zürich ausgeführt wurden. In den Kapiteln D und F wird an zwei Beispielen gezeigt, wie der Compu¬ ter zur Lösung von kartographischen Aufgaben herangezogen werden kann, während in den Kapi¬ teln B, C und E die Ergebnisse von zwei Klassifika¬ tionen mit Hilfe der Faktorenanalyse, der Distanz¬ gruppierung und des Trennverfahrens vorgelegt. werden. Prof. D. Steiner (jetzt Waterloo, Ontario, Kanada) hatte diese Methoden am Geographischen Institut eingeführt und im Jahre 1965 auch einen Artikel darüber in der «Geographica Helvetica» (Lit. 1) veröffentlicht. Eine etwas ausführlichere Darstellung der genannten Methoden, mit Hinwei¬ sen auf die Probleme ihrer Anwendung, findet sich in der angeführten Dissertation (Lit. 2). Neuerdings ist von K. Ueberla ein umfassendes Werk über die Faktorenanalyse erschienen (Lit. 3). Da sich der vorliegende Artikel ganz auf die prak¬ tische Anwendung konzentrieren will, können wir nur kurz die Zielsetzungen der drei Methoden zu¬ sammenfassen und müssen im übrigen auf die zitierte Literatur verweisen.. Distanzgruppierung: In der Distanzgruppierung wer¬ den n-Beobachtungen mit je k-Merkmalen (zum Bei¬ spiel die k-Faktoren der Faktorenanalyse) auf Grund der Strukturähnlichkeit gruppiert, wobei zu¬ nächst als Maß für diese Ähnlichkeit die paarweisen Distanzen der Beobachtungen im k-dimensionalen wird dann schrittweise «Prinzip des kleinsten Gruppendistanzzuwachses» gruppiert (siehe S. 35 von Lit. 2 und Lit. 4).. Raum berechnet werden. nach dem sogenannten. Es. Trennverfahren: Mit diesem Verfahren kann eine bestehende Gruppierung (in unseren Fällen die¬ jenige der Distanzgruppierung) mit Hilfe von be¬ rechneten Trennfunktionen getestet und optimal verbessert werden (siehe. S. 39. von Lit. 2).. Alle drei Methoden sind praktisch nur mit Hilfe eines Computers durchführbar. Bei den Beispielen der Kapitel B, C, D und E wurde der IBM-360/40Computer des Rechenzentrums der Universität Zürich benützt. Die Kartenbeispiele im Kapitel F zeichnete der «Plotter» des Computers am Rechen¬ zentrum der ETH nach einem Programm des Karto¬ graphischen Institutes. Für die Faktorenanalyse und das Trennverfahren standen zwei von D. Steiner leicht abgeänderte und erweiterte IBM-Programme zur Verfügung, während die Programme für die. Distanzgruppierung und die Choroplethenkarte von D.. Steiner geschaffen wurden (Lit. 4).. Rangliste der bündnerischen Gemeinden nach ihrer absoluten Fremdenverkehrsbedeutung.. B.. Das Ausgangsmaterial für das erste Beispiel liefern Fremdenverkehrsmerkmale (Variablen) für die 220 Gemeinden im Kanton Graubünden. Es sind dies Angaben über Betriebszahlen, vorhandene Bet¬. 52. Faktorenanalyse: Für eine Reihe von n-Beobachtungen sind je m Merkmale in numerischer Form vorhanden. Das Ziel der Faktorenanalyse ist es, die Vielzahl dieser Variablen auf Grund der bestehen¬ den Korrelationen Grad des Zusammenhanges zwischen den Variablen) auf eine kleinere Zahl von k-Faktoren zu reduzieren, die nicht mehr unter sich korreliert sind. Es sollen also die der gesamten Variation des Beobachtungsmaterials zugrundelie¬ genden Dimensionen Faktoren) herausgeschält. Ankünfte und Logiernächte, immer aufgeteilt nach Sommer- und Wintersaison (1965 bzw. 1965/ 1966) für Hotels/Pensionen und Ferien Wohnungen/ Ferienheime, teilweise noch nach der Nationalität der Gäste. Die Faktorenanalyse extrahiert aus diesen 52 Varia¬ blen neben anderen vernachläßigbaren Faktoren einen Hauptfaktor, der 73,3% der gesamten ur¬ sprünglichen Information der Fremdenverkehrsva¬ riablen zusammenfaßt und einen bedeutend unwich¬. werden.. tigeren Nebenfaktor (erklärter Streuungsanteil nur. 68. ten,.

(2) 11,6%). Der erste Faktor berücksichtigt so¬ zusagen alle ursprünglichen Variablen und kann so¬ mit als allgemeiner Fremdenverkehrsfaktor bezeich¬ net werden. Der zweite setzt sich aus relativ neben¬ sächlichen Variablen zusammen (Ankünftezahlen von Italienern, Amerikanern und Australiern), so¬ daß man ohne großen Verlust auf ihn verzichten noch. kann.. Dadurch ergibt sich die Möglichkeit, mittels des verbleibenden einen Wertes eine instruktive und Tabelle. 1:. Davos. 2. St. 3. 4. 5. 6.. 7. 8.. 9.. 10. 11. 12. 13. 14. 15. 17. 18.. Moritz. Arosa Klosters Flims Pontresina. Vaz/Obervaz Chur Scuol Samedan. Zernez Stampa Celerina Tavetsch Silvaplana. 16. Sils. (d. h.. Poschiavo Luzein. 24.. Mesocco Disentis Zuoz Bergün Savognin S-chanf. 25.. Churwalden. 19.. 9,926 6,747 4,688 3,244 2,658 2,527 2,253 1,975 1,118. 20. 21.. 22. 23.. 26. Parpan 27. Obersaxen. 1,053. 28. Thusis. 0,875 0,837 0,824 0,766. 29. Splügen 30. Tschiertschen 31.. Lantsch/Lenz. Samnaun 33. Wiesen. 32.. 0,671. 34. Sent. 0,543 0,529 0,471. i. E.. Mittelwert =0, Standardabweichung. 35.. Tarasp. 36. Susch. Klassifizierung der Gemeinden im Kanton Grau¬ bünden nach ihrer wirtschaftsgeographischen Struktur C.. Im. 1. Rangliste der bündnerischen Fremdenverkehrsgemeinden nach absteigenden Werten des 1. Faktors (allg. Fremdenverkehrsfaktor). Faktorenwerte standardisiert 1.. sinnvolle Rangliste der bündnerischen Gemeinden nach ihrem absoluten Fremdenverkehrsvolumen aufzustellen. Sinnvoll ist diese Rangliste vor allem, weil nicht nur ein Element des Fremdenverkehrs als Kriterium ausgewählt werden muß, sondern weil ein aussagekräftigerer komplexer Strukturwert, extra¬ hiert aus einer großen Menge von Informationen über das Ausmaß des Fremdenverkehrs einer Ge¬ zeigt den meinde, die Grundlage bildet. Tabelle das dieser Ende und Rangliste. Kopf. zweiten. Beispiel. werden. die. Resultate. einer. neuen, inhaltlich ergänzten Faktorenanalyse weiter verarbeitet, bis schließlich die 220 Gemeinden mit¬ tels Distanzgruppierung und Trennverfahren in 10. Klassen eingeteilt sind. Die Faktorenanalyse wird in diesem Fall mit rela¬ tiven Daten (Pro-Kopf-Werten) durchgeführt. Zu den schon erwähnten Fremdenverkehrsvariablen kommen noch 37 Variablen über Wohnbevölkerung,. Wohnverhältnisse, allgemeine Wirtschaftsverhält¬ nisse (Erwerbsstruktur, Arbeitsplätze, Pendler¬ wesen) und die landwirtschaftliche Struktur (Be¬ triebszahlen, Bedeutung von Viehzucht und Acker¬ bau) hinzu. Durch die Faktorenanalyse. werden aus den. nun. Variablen mit relativen Daten 12 Fak¬ insgesamt toren gebildet. Fünf davon sind Fremdenverkehrs¬ dimensionen (siehe Fig. 1). Fünf weitere Faktoren 81. 0,428 0,392 0,376 0,352 0,280 0,204 0,182 0,181 0,180 0,178 0,153 0,120 0,119 0,119 0,105 0,088 0,072 0,069. 1). 0,056 0,048 0,020 0,018 0,010 -0,014 -0,022 -0,024 -0,024 -0.034 -0,069. 37. Bever. Bivio 39. Langwies 40. Somvix. 38.. 41. Igis 42. Breil/Brigels. 43.. Waltensburg. 44. Andeer 45. Tiefencastel 46.. Feldis/Feulden. 47. Laax. 216. 217. 218. 219. 220.. Pratval Tersnaus Duvin. -0,332 -0,332 -0,332 -0,332 -0,332. Schnaus Riein. bezeichnen die relative Bedeutung der folgenden Wirtschaftszweige: a) Viehzucht, b) Ackerbau, c) Baugewerbe (zusammen mit dem Anteil der Fremdarbeiter), d) Industrie (zusammen mit Zupendlerindex), e) tertiärer Sektor (zusammen mit dem Prozentsatz jüngerer Frauen). Ein weiterer wirtschaftlicher Faktor beinhaltet als einziges sozioökonomisches Element das Verhältnis der modern eingerichteten Wohnungen (mit elektrischem Herd in der Küche sowie Bade- oder Duschgelegenheiten) zur Einwohnerzahl. Jetzt ist also jede der 220 Gemeinden. durch. 12. nur. noch. Strukturwerte (Faktoren) gekennzeichnet,. anstelle der ursprünglich 81 Variablenwerte. Damit wird es bedeutend einfacher, die Gemeinden nach ihrer Strukturähnlichkeit zu gruppieren. Die Di¬. stanzgruppierung liefert uns schrittweise verschie¬ dene Gruppen von Gemeinden, wobei nach dem zweitletzten Schritt noch zwei Gruppen vorliegen und am Schluß wieder alle Beobachtungen in einer einzigen Gruppe zusammengefaßt sind. Rückwärts¬ schreitend kann man den Schritt und die Gruppie69.

(3) Klasse. (5. 1. Klasse. Gemeinden). J^c^. (15. Gemeinden). 3. v. i. 6. 1. s. 2 8. i^5. und. 7. - 712. 3. 4. (7. Gemeinden). £. 3. Bedeutung der Faktoren:. 5 1. 6. 10. 3. 5. ^. 2 8. 4 V. 2, 6. 9. 7. 2. 1,. 4+y--. -11. 12,. Klasse. Klassen. .?-Vr. 9. 2. 3. Figur 1. Graphische Darstellung der Minima, Maxima und Mittel der Faktorenwerte der. 8-V4-. fc-. 4. 11. 0. Gemeinden). 6. 10. *?*3r~. (79. --10. 6. Tf-?^. -. 7. 1. -5. 5. r^**^"-. Klasse. 6. 10 2. Hotels/Pensionen Privatvermietungen Ausländer in Privatverm. Schweizer in Privatverm' Schweizer in Hotels/Pens. Landwirtschaft. 8. 4 9. 11 7. 12. Ackerbau Fremdarb./Baugew.. Zupendler/Industrie Wcgpendler Frauenanteil etc.. Altwohnungen. 9. -. 11 7. 12. Numerierung der Faktoren in der hierarchischen Reihenfolge der Extraktion durch die Faktorenanalyse. rung mit der gewünschten Anzahl Gruppen finden. Im vorliegenden Beispiel wird eine Einteilung in 10 Gruppen gewählt. Diese erfährt durch das Trenn¬ verfahren etliche Änderungen, so daß sich schließ¬ lich die weiter unten erwähnte, optimale Klassifi¬. zierung der Gemeinden im Kanton Graubünden er¬ gibt. Die Wirtschaftsstruktur der Gemeinden ist recht vielfältig. Durch eine Klassifizierung auf streng. mathematischer Grundlage,. in. der. alle. Faktoren. Wirtschaftsstruktur berücksichtigt werden, erscheinen verschiedentlich Gemeinden in Sonder¬ dieser. stellung innerhalb einer Klasse. Diese Extrem¬ gemeinden weichen stark vom Klassenmittel ab, müssen aber doch auf Grund der größten Ähnlich¬ keit ihren Klassen zugewiesen werden. Solche Streu¬ ungen innerhalb der Klassen sind am besten aus einer graphischen Darstellung der Minima, Maxima und Mittel der Faktorenwerte der Klassen, wie sie Figur zeigt, ersichtlich. Die folgende Beschreibung der Klassen richtet sich ausschließlch nach dem Klassenmittel: In der ersten Klasse handelt es sich um Gemeinden, in denen der Fremdenverkehr (vor allem die Hotel¬ lerie) vorherrscht. Die ganze Wirtschaft ist vom Tourismus beeinflußt und zieht viele Auswärtige (Fremdarbeiter, Frauen) an. Die Bedeutung der Landwirtschaft ist verschwindend klein (Pontre¬ sina, St. Moritz, Sils i. E., Silvaplana, Arosa). Im großen ganzen liegt in der zweiten Klasse eine Gruppe von relativ kleinen Gemeinden vor, in denen sehr viele Schweizer in Privatunterkünften logieren, in denen aber auch Hotels und Pensionen sehr gut besucht sind. Sonst sind diese Gemeinden wirtschaftlich eher farblos, weder die Landwirt¬ schaft noch andere Wirtschaftszweige stechen her¬ 1. 70. vor (Brienz, Splügen, Susch, Zernez, Stampa, Tschierv, Pagig). In der dritten Klasse kommen Gemeinden zusam¬ men, in denen sich ein sehr bedeutender, besonders privatbetrieblich betonter Fremdenverkehr entwikkelt hat, mit einer entsprechend großen Bedeutung der Berufe im tertiären Sektor für die Bevölkerung und einer eher geringen Bedeutung der Landwirt¬ schaft (Tiefencastel, Vaz/Obervaz, Lantsch/Lenz, Schmitten, Bergün, Wiesen, Bivio, Rona, Feldis/ Veulden, Flims, Tarasp, Scuol/Schuls, Castasegna, Bever, Celerina/Schlarigna, Madulain, La PuntChamues-ch, Samedan, S-chanf, Zuoz, Davos, Klo¬ sters, St. Antonien Castels, Parpan, Tschiertschen, Langwies). Die Gemeinde Marmorera bildet allein die vierte Klasse. Der Grund dieser Einzigartigkeit liegt darin, daß das einstige Siedlungsgebiet dieser Gemeinde durch den Bau eines Stausees unter Wasser gesetzt wurde und nur noch 28 Personen in einigen neu erbauten Häusern wohnen. Die Gemeinden der fünften Klasse können mit dem Stichwort «Fremdarbeitergemeinden» mit inten¬ sivem Straßen- und Kraftwerkbau bezeichnet wer¬ den. Doch sind sie wirtschaftlich nicht einseitig aus¬ gerichtet, auch der tertiäre Sektor, die Landwirt¬ schaft oder der Fremdenverkehr können eine, wenn auch bescheidene relative Bedeutung erlangen B.: (z. Avers, Andeer, Mesocco, Tavetsch). In der sechsten Klasse finden wir Gemeinden mit relativ vielseitiger und intensiver industriell-gewerb¬ licher Wirtschaft, aber mit höchstens nebensäch¬ licher Bedeutung des Fremdenverkehrs (z. B.: Ilanz, Thusis, Domat/Ems, Grono, Fideris, Küblis, Chur, Igis). In der siebten, größten Klasse sind Gemeinden ohne.

(4) Figur. 2:. Darstellung der schrittweisen Entwicklung. des. 3. 2. 1. +. +. + _. X. x2x. 4=. X. xx2 xx. +. XXX. 4. x. +. ;. xxx. + +. Grenze. -. x. Grenze. hervorstechende Merkmale und mit durchschnitt¬ lich recht bescheidenen Verhältnissen zusammen¬ gefaßt (Alvaschein, Filisur, Savognin, Poschiavo, Vais, Obersaxen, Fürstenau, Rothenbrunnen, Cazis, Guarda, Sent, Jenaz, Malix, St. Peter, Schiers, Seewis i. P., u.v.a.). In den Gemeinden der achten Klasse liegt das Hauptgewicht auf dem Ackerbau und in vielen Ge¬ meinden dazu auch noch auf der Industrie. Die sind Gemeinden durchwegs fremdenverkehrs¬ schwach (z. B. Paspels, Bonaduz, Rhäzüns, Fels¬ berg, Santa Maria i. M., Müstair, Haldenstein, Trimmis, Untervaz, Zizers, Fläsch, Jenins, Maien¬ feld). Die Gemeinden der neunten Klasse sind ausge¬ sprochene «Fremdarbeitergemeinden» mit ganz überragender Bedeutung des Baugewerbes (Stra¬ ßen- und Kraftwerkbau). Alle drei haben auch einen extrem hohen Anteil an neueren Wohnungen je Einwohner. In allen übrigen Dimensionen weisen sie nur ganz kleine Werte auf (Sufers, Außerferrera, :. Innerferrera). Zusammenfassend können wir die Gemeinden der zehnten Klasse als einseitig ausgerichtete Landwirt¬ schaftsgemeinden ohne Fremdenverkehr bezeich¬ nen (Mutten, Salouf, Safien, Flerden, Furna, St. Antonien, Ascharina usw.). Durch die drei angewandten Methoden ist ein Ver¬ fahren gegeben, das die Durchführung solcher Strukturanalysen mit den vorhandenen Computer¬ programmen jederzeit ohne großen Zeitaufwand er¬. .DRUCK. xxxxx====+ xxx2xx=4==i xxxxx +. + T. XXX. +. t. x. xxx. t. x. +. 4-. 1. Gemeindeareals. ren.. D.. tels. Regionalisierung des Kantons Graubünden mit¬ Choroplethenkarten. In diesem Kapitel soll die sogenannte «approxima¬ tive Choroplethenkarte» kurz besprochen werden, mit der es unter anderem möglich ist, die räum¬ liche Verteilung von Klassen mit dem Schnelldrukker («Printer») eines Computers innert kürzester Zeit auszudrucken, um so zu einer Regionalisierung des Kantons, d. h. zu einer Zusammenfassung von. gleichklassierten benachbarten Gemeinden. zu ge¬. langen. Weil die Zahl der Gemeinden groß ist, die Grenz¬ verhältnisse verworren (beispielsweise wegen der vielen Enklaven) und die Fläche vieler Gemeinden klein ist, ist es nicht möglich, die Gemeindegren¬ zen im Computer zu speichern und die wirkliche Fläche der Gemeinden mit den Klassensignaturen zu füllen. Deshalb wird ein approximatives Ge¬ meindeareal gebildet. Von jedem Gemeindezentrum aus werden die Gemeindefelder schrittweise qua¬ dratisch im freien Raum entwickelt, bis sie zusam¬ menstoßen oder auf die Grenze treffen, und diese Gemeindefelder werden dann mit den Signaturen. ausgefüllt (Fig.. 2).. 2.DRUCK. 3.DRUCK. 4. DRUCK. 1. 0. *. #. a. X. H. M. W. 3. 8. 4. H. 6. +. Grenze. laubt. Durch periodisch wiederholte Analysen mit den neuesten Daten hat man auch die Möglichkeit, die Entwicklung genau zu verfolgen und zu studie¬. 7. 5. j_. -. i. sr. # 1. 7. 8. 9. 10. Figur 3. Choroplethenkarte: Zeichenkombination der Signaturen für drucker. die. Darstellung mit dem Schnell¬. 71.

(5) An der Stelle des Gemeindezentrums wird die Klas¬ sennummer der Gemeinde gesetzt. Bei den Signa¬ turen wurde durch Überdruck von verschiedenen Zeichen eine Grautonabstufung mit möglichst guter. Unterscheidbarkeit angestrebt (Fig. 3). Mit Hilfe der transparenten Gemeindenamenkarte kann jede Gemeinde identifiziert werden. Es werden je die ersten sechs Buchstaben des Namens ausge¬ druckt (falls kürzer, aufgefüllt mit *), wobei der letzte Buchstabe mit der Position der Klassennum¬ mer der betreffenden Gemeinde auf der Choro¬ plethenkarte übereinstimmt. In der Choroplethenkarte (Fig. 4) sind die im vor¬ herigen Kapitel klassierten Gemeinden ausgedruckt worden. Die Reihenfolge der Klassen ist so ge¬ wählt worden, daß die Gemeinden der ersten Klasse mit den durchschnittlich höchsten Werten auf dem ersten Faktor (relative Bedeutung der Hotels/Pen¬ sionen) am dunkelsten erscheinen. Die Gemeinden der zehnten Klasse weisen den niedrigsten Mittel¬ wert auf dem ersten Faktor auf und erscheinen des¬ halb als weiße Fläche. Durch die approximative Darstellung der Gemeindefläche ist natürlich nur eine schematisierte Zusammenfassung der Gemein¬ den zu Regionen möglich. Die Karte kann nur eine Aussage über das Ausmaß der Regionalisierung geben und die ungefähre Lage der Regionen zeigen. Ihre Grenzen lassen sich beispielsweise nicht in eine topographische Karte übertragen! Es braucht etwas Übung und möglicherweise eine gewisse Zeit des Angewöhnens, bis diese Computer¬ karte ohne Mühe gelesen werden kann. Am auffal¬ lendsten ist die deutliche Konzentrierung der Frem¬ denverkehrsgemeinden auf den östlichen Teil des Kantons (total 39 Gemeinden der Klassen 14). Wenn man die Karte genau untersucht, so lassen sich im weiteren recht schön die Gebiete der Acker¬ baugemeinden erkennen (Klasse 8 im Rheintal bis ins Domleschg und im Münstertal). Deutlich treten auch die Kraftwerk- und Straßenbaugebiete (Klas¬ und 9) im Lukmanier- und San Bernardinogebiet, sowie rund um das Ferrera- und Madrisertal in Erscheinung. Die Gemeinden mit dominierender Viehzucht (Klasse 6) scharen sich hauptsächlich im. sen. 5. weiten Kreis um das Safiental. Diejenigen mit «städtischer Wirtschaftsstruktur» (Klasse 6) liegen hingegen, wie zu erwarten ist, stark gestreut. Auf Grund der Kartierung läßt sich weiter erkennen, daß die Gemeinden der siebten Klasse meist um die städtischen Siedlungen und die Fremdenverkehrs¬ regionen herum liegen, was die Merkmalslosigkeit dieser «Einzuggebietsgemeinden» gut erklärt. Es soll zum Schluß noch betont werden, daß diese Choroplethenkarte als Arbeitskarte für den Geogra¬ phen gedacht ist, als Arbeitskarte, deren größter Vorteil in der raschen und jederzeit auch mit ande¬ ren und neuen Ergebnissen wiederholbaren Herstel¬ lung liegt.. 72. Der Industrialisierungsgrad der Länder. E.. Das Begriffspaar «IndustrieländerEntwicklungs¬ länder» ist heute zwar allgemeingebräuchlich, aber wie oft in solchen Fällen nicht scharf definiert. Es stellt sich deshalb die Frage, ob und wie die beiden. Begriffe quantitativ erfaßt werden können und ob eine saubere Trennung der beiden offenbar beste¬ henden Gruppen möglich ist. Aus der wirtschaftsgeographischen und ökonomi¬ schen Literatur sind eine ganze Reihe von Gliede¬ rungen bekannt, die auf qualitativen oder einigen einfachen quantitativen Merkmalen beruhen. Die United Nations (Lit. 5) setzten z. B. einen Betrag von 125US-S Wertvermehrung aus der Industrie je. Kopf der Gesamtbevölkerung 1958. als. Grenzwert. zwischen «Industrialized countries» und «Less industrialized countries». Erst die Entwicklung von komplexen statistischen Methoden und der Rechnungsautomaten ermöglich¬ te es, eine größere Zahl von quantitativen Varia¬ blen in die Analyse einzubeziehen. Ein erstes Bei¬ spiel dieser Art ist die Untersuchung von Berry (Lit. 6), der von 43 Variablen über Verkehr, Ener¬ gie, landwirtschaftliche Erträge, Verbrauchsstruk¬ tur, Volkseinkommen, Handel, demographische Struktur usw. für 95 Länder ausging. Die vorliegende Untersuchung (Lit. 7) hatte sich zum Ziel gesetzt, mit neuerem, zum Teil selbst be¬ rechnetem statistischem Material über Bergbau und Industrie eine Gruppierung der Länder vorzuneh¬ men. Für die Analyse konnten neun Variablen be¬ rücksichtigt werden, eine große Zahl von weiteren Kriterien mußte fallengelassen werden, da sie im heutigen Zeitpunkt für zu wenig Länder verfügbar sind. Als Hauptmerkmal diente das Bruttoinlandsprodukt zu laufenden Faktorkosten 1964 (abgekürzt BIP) in US-S. Die zur Anwendung gelangenden Umrech¬ nungsfaktoren spielen bei solchen internationalen Vergleichen natürlich eine entscheidende Rolle. Im vorliegenden Falle wurden für die meisten Länder die offiziellen Paritäten bzw. Wechselkurse benützt, für einige Länder Südamerikas mit stark manipu¬ lierter Parität wurden die Wechselkurse der «The Chase of Manhattan Bank», New York, eingesetzt. Die Werte für den Ostblock wurden mit Hilfe der zwischenstaatlichen Währungsvereinbarungen und dem sogenannten Verrechnungsdollar der DDR er¬ halten. Da einerseits die offiziellen Wechselkurse nicht für alle Länder in Frage kommen (Polen hätte. eineinhalbfache Bruttoinlandsprodukt Bundesrepublik) und anderseits zurzeit um¬ fangreichere Untersuchungen über die Kaufkraft¬ parität der Währungen noch fehlen, mußte zu der erwähnten Lösung gegriffen werden. Um die Bedeutung der Währungsumrechnungen etwas zu vermindern, wurden auch zwei nicht um-. damit der. das.

(6) **t*<r*. *«-*4. +. **+**. +. TAVETS. OlSGNT. MEDEU. *. SOMVIX. ». * *. UN»» SCHLAU. TR. *?. ?*¦?¦. »REU/ * +. *. ??«.,.*. s*n. vi. LANDAR. otico*. ARVICr. +**??***+*?»*?*? 8UGTP*. RnvFRf!. *. VIGENS. RUSCHE. FLOND* SIAT»* _ SURCAS HCRISS SCHNAU LADIR» UORSIL STRADA TERSNA CUMBa ILANZ» LAAX»» ST.HAR LUVEN» FELLER CAMUNS SEVGEI. SOAZZA. CAVfl**. ». RUEUN* SURCUC. VILLA». ST.MAR VFR0A8. GRflNP*. PIGNIU. IGELS». BRACH. LFf.(,!A. +. ANOIAS. LUMBRE. "nss»*. c«,?5ßENrmH«ST-DC''. WALTEN. (1BERSA. MFSO. *4»4»4+4. SAFIEN. DUVIN« PITASC. *. SCHLEU. CASTRI. RIEIN*. MEDELS. 444444+44+*4+. 4. FLIMS». SAGOGN. VALENC. SPIUEG. VERSAH. 4. TENNA». %tl9E. SÜF"sri,T, CASTI-. i. »o«*». PORTFI. HATHCN. ..~ ,-.. AN0EED?N«TH. ». «.. SARN**. RMEZU. TAR?;«"" "°EN. URME'N. T",MJ l. CLUGIN. LOHN»» MASEIN ROOCAZIS* PATZEN THUSIS PRATVA FELDIS RONGEL FUERST TUMEGL SILS I PASPEL D0MAT/ SCHARA SCHEID ZILIIS FELSBE TRANS» MUTTEN ALMENS HALDEN. 44444+44444*4»44444*444 AUSSER. SOGLIO. ,,.,. »CASTAS. RIO!***. AVERS«. ALVASC. HON»»». TIEFEN. SAVDGN. STAMPA. ""**. PARPAN. .-.,.... ROMA»*. MASTRI. TRIMMI. HALAOE PRAOEN. **. CJ«^«E. FILISU. SCHM. MALANS. VALZEI. """. FURNA». PEIST». IT. MAIE. JENINS. GRUESC. AROSA». TINIZO. IGIS»». ZIZERS. PAGIG» MOLINI ST.PET. ALVANE. SUR*»*. 44****»4444444FLAESC UNTERV. CHUR**. CHURWA. TSCHIE. CUNTER BRIENZ SURAVA. MARMOR. BIVIO*. u*7/no VAZ/DB. SALOUF PARSON. MULEGN. ». *. MALtX*. STIERV. 44*4 prmoa*. ». PIGNIA. FANAS». JENA!«. MIESEN. SCHIER. ?»?*???+++. SILS. I. SILVAP ST.AKT ST.MOR. SAAS*.. ST.AMT. "«". *. HADULA PUN. ZUOZ**. ?4*44+44* ??????????????**? LAVIN». 44444444. GIMROA. PRUSIC +. AROEl». ???4*4 44444444. TARASP. »4444444 FUL DER. SAHIMU. LUE»»» VALCHA. Namen. der. Gemeinden l. »4****44+++*+++ 4+ *. HÜESTA. +. ?¦ +. +*. +. ¦»?**?*?¦. +. +. *. *»»********44*»*. «,.-. KLOSTE. LA. ». *¦*. *.

(7) « +. ??4++**+*+. +. 44. 4 4 4. 444444444 4444. «444444««444444*4444« <<MIIM4HI4li4l1«.» 4 444444444444444444444+ «44444444444544444 44444 + +44444444444444444444444+ «44444444«444*444*»»*44==« «44444444 #44444 44#44#4« -«« «44444444444444444444===="? «4444444444444444444====-"=« 444444 444-4444 444 444=== *====« ?#4*««444444444»»4f#====«=== » »4444444444444444444=="= «444444444 4444444444===«=-=* 7==== 444444444444 5 44444444======= ?444444444444444444 44444=== «44444444444444444444444== »444444444444*4444444444= «4444444444«44444#444444 «44444444444444444544444444=* +44444444444444444444=======. «4444444444#4444*444=="". l8i==*. ??444+444««««= «««««««««« ???»????4##111i««544**. +. 444*. + 444Uf4«445-4« 444 »???.? »44« 44444444 «===444=*««44ftU«««==7= 44444*4444444 ,445-44|= 3 4*45== =-«44*445 4444444 7==*«*= 4444444***4*4. ==. »»==. =««#==4===«#=44 .==4««4 ==44*4 4f. 44*«<«««44«# *4«««4«««44 «4444««««« <f*«44««*«««. ¦. mit::. lliL. «». 7=. (,-===-»»7====. on8ttJ=fj:. ¦4444*««4«*4». 4***«**«4««*4. 444***4*5****«. «7»i..nil.tMH«M4 ===§M»Mfj». 444«4««444«44 444444444 «4444««4#. e»«43»ftft. 8. «4**4)44J«. 0 +. MMMMMHH. +. MHKMMMHM2HMMMIIN. 4NIM +. .44 4444. 4. r. 44 544. 4444=. 4«* ==7. 9. «?««. 444. .4«. ¦,. »4j4J4J4J«§4. ». 0 0. =7. »§*>»8. 8-. «J««~. ¦. -=«4J3«4j«-lH 3«*«. 1. *44444»4*««««««4«4«444t............ 9.. ft*M«44444«444444444 .**««-n-.^««.l« «t**l«l««4««# 54444 4«444«44444 4««M*«J««44*«4«44#«444***44 ** 4J«'41«#I4J*J)««#*** *«#«4###«444 +. +. ¦¦¦¦¦!¦. « «. +. ...HMHHIIH. «. «ff. ==«#== ====»##»#»? =«tR«4j3«J9«9«M 7===«M«*jflfl66«fl6». 4 «. il.. »444. 4. B-. ==4T+^====5===. »a«.Mii«*>e)f>t*>«#«444 4*4 544444444 0 0 0 M*ftft** 4444444 «44444444444 =4j«#4J4l«J#J«,«J4J434l4l4J *T 4= =#4A4A4«C4***««.»f «*«4«4««4« ««J== *M3«J«J«««J4J4)4J<4j4J===7 4¦========MHHMHNH«44444*444444*4454444 =«4J«t 3«!«= HM4j#4J«4J«4J««««4Jfl«6« 4* .NMNMMMNHII44«44 44444ft44«4««44A«l«*,== 7= ==«*l««l«l HHNM4J««4l«4j«««««4J««3fJ 4 HU 7tlHMHNHIIH«««4 44«4fl«A*rH»>44««f>«fl«« 7 =*i«^=HHH2NH^ ==#«)4«J4J««4Jfl««« B«11M|(4«*«**4MM#4441«1MHMHM4>*4J4J3«4J4^ ==7==MII*tlH ====«9«*1«J«««* «44««««««|(inni«*******«l|A4«M«*HMHHHM*;4p>9»>P>»-: *= MHM=== ==«*JMH4J« 4««« »###««M|j4 44 f4««#MU»*M*)»W<«Ml«t4- >MM4l==*====== 4444««4«44444444444«4M4«««444J«HHHM ===4J4J4J=== * «, z==flfflf.tl|tt « « «*4««4S 4444 444*4*440R4944«3tl««»>H= ,,««««« ===«-¦*=.« 44. tu. 44444. ??44444rS 4. 1. :::««. 444. ' .?44444 4444444. a. 3. 4. ¦¦¦«. «. ^MM? MHIIMHV. =RHMtlHmi 7====. *. x. "MMHIIIII"" ¦¦¦¦¦¦¦=. 444«« «4. r. 7 ««4«*«4S4444«*4ft**M*l.«a*,**H= ^= -= *=«««l«3«««J«t««« »##44 «4 «4 444444 44444«4MM«ftM*HM= *=========.====== r#4J«j4J4J44443*" ==«0«««««««««««iififfj== ^44«4«444444«444*444M4«W«»M4MHM ===*0*#««44444«== ==»«#»»#«A3#»«««lttM««««4#««0 ==>«.¦¦7====a 44444«444444««444444«Mte«*««4j#4jHW==< =f)4««4j4J««4««*M4J«t«««J«J«««flnt*>#fl#§»43%f;9' *3#«#444iH4 «444444«44|flMtB4««M«#WM *»9»»444|6 4444 >= «« ====»44444444«|f|M|«Htttttna= ¦t«««»i«*«44«44!«4»4^#«««««l«4J«4J«4j«l4J«4J«040«>»«4«*444444+f ===7-======«== ^ ¦ 444*4 b4. 4 * =44M #«4«««03«««4J««««fl«fl««*J««««««««4|«0«4J4>«4J4 T*-*^^ ,-.-.,.-.-,-. 3333R8.8..4. ""=. »¦¦¦¦¦¦¦¦¦¦¦«. «*« .......,;:i:;;:::ttt. '. "»«»4. *I!I!I!!!!I!!!I!II!!!!'!!Ii;:;;; !.II!!!!!H!!!!!!!!!.!;!?i";; '. ¦. *************"****«"«***«"***»*<,***«'i"". *******"*******"*"***********». 'iiiiiiimimiii" ......i....r..ii*.=*,:.*..**.;;*". *. *. ¦. *. «.. *.«« ....IUI.!!!!!. ?.«««««»««««««««.m«*««^. «..«,.......«. ...ti!....*:*,..**,*,!.!=!"*" lüüüIÜIÜÜlItüJt!* **"**********,»»»«¦¦¦¦¦»¦»¦»«¦<¦=««»ni»»«.. .««m««««5«. ¦Kl!!!!!!!!!!!"'""" **" ¦<«rrrrrrrrrrrrrrr. ,'!!!!!!!!!!!!M **""'*** «...... «¦ ::::::::!!!:"?*??"'*"'"*«*¦»»¦««»»»"» *» .-;:::::.:."..'«"«»««««¦»»«««»«««««¦««tm««=.==..,=«... "!;.:-"^-'*:°::::,!!!!!!!!!ü;i;;;;i***""**"*'*"*""""""""" "> «RRRRRRRRRRRRRRIR|rRR= .==7==,. ..........M..«*)<l. »-3..4 .................»¦¦¦¦¦mmamaairn,>a »»*=.MAftA.»«»RHRRHHRRRHNNHIMHHRHR= :::: 3333,3 3. »0*)=.«a=».0«««arhmrnnnrnnn»'nnriinmh. 4. =7=. =». rr» arrhhrrrrrhhnhhmr=>>3======»..? 4«4}errmhhhrhzrrhhhhrr=>3.,===«... 4Bs»iiiniOTnMMimiiHit===»*=====*==». »». »RR*¦MNNNRRRRRMRHMH====-=======7*==. *«R«lllmNHRMItHirailH]l= =.»=. 4ttHpmimmpwnl*...*.".«.*s«..«...t 4*}»)tiMiinia»firiMi»»»-**>*7.»»-*»>».»*.*« ==,« «HHNNNMNNNMMMR*; *},«««« >>-.*.:.»«..>s4 4HRHHMRRHMRM««.»>«««««e'.. , ... ««««1IN««««««»««= +. «= 4 4. v*. J«. ?I. »». mm. «* ?*. # II. 444*. ¦RRRRRRRR*5R«««««3«#R«R». 4. .=>7.'>==>4«4444 >. HRHHHMMHflR9R.R000RR90»9»=. sRiRRIRRRRl>§ft.....<.+3.+;.fl.s:»,B,,.. -=. a= .>==>= MMMNHHMMHHR«4).«4}4}«4!«4>*;*}*>». 4=MRHHNMHHRHR.««4}*}«««««8Re +== »== -" RRRR2RRRRRR«R«»)fl«««.+j.+;= 4=3..======. NMRHHRMM*«««».**. »»;».» 4.33. .3=.= nil||<MMUKN«U^. 4..«-3»..733 3. ¦.¦«f a.,BX«»3fr. +. =MR|niRRRRRRR»,.A*,»M»..S»..». I. ....». ..Bx=>. t.. a.sa,.._..B.=t .« =,an... «.,. .... E. ==.a.. RRRRRRR9»R.0»4HI«+)e«33. 0. HHIH!*M«i=si=: t«iiMin«.33=333 6. 454). »*¦.'= 333337BB.B333333 333. ?>. 6. =«e«4}. 444444*444. 44. ft66«3. 3. =3. 3. 333= 3.. 444..#333=3 =3=33333 44. .33333. ==3. 444444444. 3 3. =333 33. fi.. 33334. +. 44444444444. Figur. 4.. Choroplethenkarte Gemeindeklassierung im Kt. Graubünden (verkleinerte Wiedergabe der Originalkarte) 73.

(8) Tabelle. 2:. Prozentanteil der ursprünglichen Gesamt¬ variation, die durch den Faktor erklärt wird Faktorenladungen der einzelnen Variablen: BIP BIP BIP BIP. 1. 2. total aus. je. Kopf. Bergbau je Kopf. Industrie je Kopf aus Industrie je Fläche Prozentanteil des Bergbaus am BIP Prozentanteil der Industrie am BIP Zementproduktion je Kopf Stahlproduktion je Kopf Energieverbrauch je Kopf. 3. 4 5. 6 7 8. 9. aus. zurechnende Variablen (5, 6 in Tab. 2) und drei nichtmonetäre Variablen (79) in die Unter¬ suchung miteinbezogen. Die Analyse umfaßt 94 Länder, die sich nach der Klassifikation der United Nations folgendermaßen aufgliedern: 21 Industrie¬ länder, 66 Entwicklungsländer und 7 Länder mit sozialistischer Planwirtschaft. Die verwendeten Variablen sind aus Tabelle 2 ersichtlich. Es wurden nur relative Werte (je Kopf oder Flächeneinheit. Tabelle. 3:. Faktor. Faktor 54%. 20%. 0,909 0,179 0,957 0,734 -0,174 0,816 0,895 0,514 0,905. 0,084 0,948 0,015 -0,099 0,940 -0,099 -0,074 0,057 0,113. 9. 2. bzw. in Prozenten) berücksichtigt, um die stark ver¬ schiedenen Größen der Länder auszuschalten.. Die. Faktorenanalyse (Hauptkomponentenanalyse). ergab die schon von anderen Autoren erwähnte hohe Korrelation zwischen BIP total und BIP aus der Industrie einerseits und zwischen BIP total je Kopf und Gesamtenergieverbrauch je Kopf andrerseits (0,958 bzw. 0,794). Die Analyse (siehe Tab. 2) lie¬ ferte zwei Faktoren, wobei der erste Faktor 54%. Faktorenwerte. Industriefaktor Rang Land 1. 2 3. Luxemburg USA BRD. 4. DDR. 5. Schweiz Belgien. 6 7. Großbritannien. 8. CSSR. 9. Schweden Kanada. 10 11. 14. 22. 24 25. 26 30 32 33. 36 48 49 75. 90 94. 74. Anzahl Variablen:. Anzahl Länder: 94. Angaben zur Faktorenanalyse. Frankreich Australien Italien Israel Japan UdSSR Venezuela Spanien. Südafrika Griechenland Brasilien Volksrep. China Indien Nigeria Tansania. Bergbaufaktor Faktorenwert 4,054 2,407 2,191 2,088 2,048 1,968 1,747 1,717 1,716 1,494 1,387 1,213 0,711. 0,630 0,607 0,587. Rang Land 1. Libyen. 2. Sambia. 3. Irak Surinam Venezuela Saudi-Arabien. 4 5 6 7. Trinidad-Tobago. 8. Guyana Südafrika Kanada USA Sierra Leone Ungarn Luxemburg Jamaika Iran UdSSR. 9. 10 11. 12 13. 14 15. 16. 0,291 0,039. 18. -0,023 -0,164 -0,498 -0,499 -0,750 -0,937 -0,966. 20. Peru Schweden. 22. Malaysia. 24. Großbritannien Marokko Mexiko. 19. 26 33. 65 94. Schweiz Puerto Rico. Faktorenwert 6,002 3,358 2,918 2,632 2,324 2,021 1,146. 1,117 1,113. 0,980 0,879 0,872 0,552 0,540 0,512 0,318 0,220 0,180 0,152 0,127 0,016 -0,005 -0,164 -0,484 -0,676.

(9) der Gesamtvariation der ursprünglichen neun Variablen erklärt. Acht Variablen werden durch die neuen Faktoren gut bis sehr gut repräsentiert, ein¬ zig die Stahlproduktion ist in den neuen Dimensio¬ nen nur mittelmäßig berücksichtigt. Faktor I kann als Industriefaktor bezeichnet wer¬ den, da die Industrievariablen hohe Ladungen aufweisen. Die beiden Bergbauvariablen werden durch den zweiten Faktor, den Bergbaufaktor, er¬ setzt. Tabelle 3 zeigt je die zehn höchsten und einige weitere Faktorenwerte der beiden Faktoren. Die Reihenfolge der Länder auf den beiden Fakto¬ ren scheint uns vernünftig, abgesehen von wenigen Fällen, wo die ausgewählten Variablen extreme Werte besitzen. So erhält z. B. Luxemburg nur dank eines sehr hohen Wertes in der Stahlproduktion den höchsten Wert auf dem Industriefaktor. Bei der Interpretation der Rangfolge muß der Umstand im Auge behalten werden, daß einige Länder in der Analyse mangels statistischer Angaben nicht be¬ rücksichtigt werden konnten. Figur 5 zeigt die Lage der Länder im zweidimensio¬ nalen Raum der beiden Faktoren. Wenn wir die ver¬ tikale Verteilung der Punkte (Industriefaktor) näher betrachten, müssen wir feststellen, daß eine deutliche Trennung zwischen den Industrie- und den Entwicklungsländern nicht sichtbar wird. Die Punkte der industriearmen Länder liegen sehr eng geschart, während die Punkte der Industrieländer weit gestreut sind. Diese Erscheinung ist zum Teil auf die Wahl der Variablen zurückzuführen, die die Industrieländer stärker differenzieren. Eine Trenn¬ linie zwischen den beiden Gruppen läßt sich am ehesten etwa beim Faktorenwert 0,4 des Industrie¬ faktors ziehen. Mit Hilfe der Distanzgruppierung und des Trenn¬ verfahrens wurden die Punkte zu Gruppen zusam¬ mengefaßt. Die Gruppenbildung ist aus dem Auf¬ spaltungsstammbaum (Fig. 6) ersichtlich. Die erste Aufteilung erfolgte zwischen den Gruppen (industriearme Länder) und (Industrieländer; und deckt sich somit gut mit der oben erwähnten Grenze von 0,4 auf dem Industriefaktor. Im näch¬ sten Schritt wurden die Länder mit hoher Bedeu¬ tung des Bergbaus (Gruppen D, E) abgetrennt, im dritten Schritt die mittelstark industrialisierten Län-. FH. Tabelle. 4:. '. 1. 1*. Hfl-. 1. Fig.. '. Faktorenwerten/Gruppenbildung durch Distanzgruppierung und. Lage der Länder nach. 5. 1. Trenn verfahren '. S'.' G. \. \ (Industriefaktor). \ ,'. l. =_-''. Gruppen nach Korrektur durch Trenn verfahren. F. 1. ./. V. /»*.. Faktor. S**. s. s". :*,>. 1.*. ,.-<-. "1 i. \. D. C '4. ¦**. ".. \* ". J. 'N^. /. o. ._;. 1. Faktor. 2. (Bergb lufaktor). C. i-. t. G. AE. Industrieländer (Vergleich United Nations. Aufspaltungsstammbau der Gruppen (Faktorenanalyse/Distanzgruppierung Weltindu¬ strieproduktion) Figur. 6.. eigene Klassifikation. United Nations 1958. Eigene Klassifikation 1964. Westeuropa (ohne Spanien, Portugal, Griechenland, Jugoslawien), USA, Kanada, Israel, Japan, Australien, Neuseeland, Südafrika. Westeuropa (ohne Spanien, Portugal, Griechen¬ land, Jugoslawien, Irland), USA, Kanada, Israel, Japan, Australien, Neusee¬ land Bulgarien, CSSR, DDR, Polen, Rumänien, UdSSR,. Ungarn 75.

(10) Os. Fig.. Bergbau und Industrie. 7. (relative Bedeutung). Flächenkartogramm/Mosaikkarte. »**=. &. .. ._. !-=. *. t>. <¦..!. Ö I.. D. &. I. il. *. Dieses Muster erscheint nicht in der Karte, da nur Luxemburg in die Gruppe H gehört.. ustri. c. Bergbau. A. unbedeutend. B. schwach. C. mittel. E. unbedeutend bis mittel unbedeutend bis mittel unbedeutend. F. mittel. G. bedeutend. unbedeutend bis schwach schwach bis. H. sehr bedeutend. mittel mittel. D. Flächentreue Projektion nach ßriesemeister. nd. 0. unbedeutend bis schwach unbedeutend bis schwach. bedeutend extrem wichtig. nicht berücksichtigte Länder.

(11) der (Gruppe F) von den hochindustrialisierten sepa¬ riert usw. Für die kartographische Darstellung der Gruppen (siehe Fig. 7) wurden drei Hauptgrup¬. FH AB. CE. Bergbau¬ Industrieländer, pen gebildet: länder und übrige Länder. Die Gruppenzuge¬ hörigkeit der einzelnen Länder ist aus Figur 7 er¬. sichtlich. Vergleichen wir zum Schluß noch unsere Klassifi¬ kation mit jener der United Nations (Tab. 4). Wir stellen nur drei Unterschiede fest: Irland und Süd¬ afrika werden von den United Nations als Industrie¬ länder bezeichnet, erscheinen aber nicht in unserer Aufzählung. Die osteuropäischen Staaten und die UdSSR wurden von den United Nations zu einer eigenen Gruppe zusammengefaßt (Countries with centrally planned economy) ohne Angabe einer Zahl für die industrielle Wertvermehrung.. F.. Industriekarte. des. Kantons Zürich. Kartographie ist die Darstel¬ lung von ortsgebundenen absoluten Mengen ein relativ häufig auftretender Fall. Als Tabelle sind Datenreihen oft unübersichtlich und schwer inter¬ pretierbar, in der Form des Diakartogramms dage¬ gen ist die räumliche Verteilung und die sachliche Aufgliederung meist besser und rascher zu über¬. In der thematischen. blicken. Bis anhin mußte das Zahlenmaterial jeweils von Hand aufgearbeitet, die graphischen Elemente (Verhältnis KartenmaßstabFigurenmaßstab, gün¬ stigste Mengenzuordnung usw.) durch Probezeich¬ nungen mühsam ermittelt werden. Bei der großen Flut des statistischen Materials und den vielen peri¬ odisch wiederkehrenden Zählungen läßt sich diese Methode heute aus Zeitmangel oft nicht mehr durchführen. Deshalb wurden schon von verschie¬ denen Stellen Programme zur Automatisierung von Berechnung und Zeichnung mittels Computer und Plotter entwickelt. Das hier beschriebene Programm stammt von Prof. E. Spieß und B. Bolli (Karto¬ graphisches Institut der ETH, Lit. 8, 9) und wurde vom Verfasser für Untersuchungen über die Indu¬ strie des Kantons Zürich benutzt.. Tabelle. 5:. Variationsmöglichkeiten. Maßstab D i agram. mform. Darstellung von mehreren Mengen bzw. Teilmengen. Mengenzuordnung. Punktidentifikation. des. Programmsfür. Die Dateneingabe erfolgt über Lochkarten. Für jeden Punkt werden die folgenden Angaben einge¬ lesen: Nummer des Punktes, Kilometerkoordinaten, Punktname, zu verarbeitende statistische Werte. Im vorliegenden Falle handelt es sich um die Gemein¬ den des Kantons Zürich und Zahlen über die Be¬. schäftigten in sechs verschiedenen Industriesektoren und der Industrie insgesamt der Eidgenössischen Betriebszählung 1965. Die Koordinaten der Punkte (Gemeindezentren) wurden mittels eines Digimeters (Koordinatenabgreifgerät der Firma Coradi AG) auf der topographischen Karte eingestellt und direkt auf die Lochkarten abgelocht. In einer Stunde kön¬ nen bis 150 Punkte mit großer Genauigkeit berech¬ net werden. Das Programm weist eine große Zahl von Varia¬ tionsmöglichkeiten auf, die in Tabelle 5 zusammen¬ gestellt sind. Das in Figur 10 gezeigte Beispiel (179 Punkte) benötigte eine Rechenzeit von 1,5 Minuten auf der CDC-1604-A der ETH. Die berechneten graphischen Elemente werden einerseits durch den. Schnelldrucker herausgeschrieben, andererseits für Zeichnung auf Magnetband gespeichert.. die. Die Daten werden über eine 160-A-AnIage einzeln auf das Zeichengerät (Calcomp Plotter 565) zur Ausführung übertragen. Das Papierformat des Plotters ist in der Breite auf 27,7 cm, in der Länge auf etwa 3 m beschränkt. Überbreite Zeichnungen wer¬ den in Teilfiguren zerlegt. Der Zeichenstift kann nur horizontal, vertikal und in der Diagonale be¬ wegt werden, Kreise werden deshalb als Achteck. gezeichnet, schräge Linien treppenartig in horizon¬ tale bzw. vertikale und diagonale Stücke aufgelöst. Die Minimaldimension der Zeichenschritte beträgt 0,25 mm. In der Sekunde zeichnet der Stift im Mit¬ tel eine Linie von 9 cm Länge. In den Figuren 8 bis 9 sind einige Ausschnitte aus solchen «Computer¬ zeichnungen» zusammengestellt, sie sind alle im Originalmaßstab reproduziert. Figur 8 zeigt einige. Variationsmöglichkeiten der Diagrammform und der Mengenzuordnung, Figur 9 die Variation des Figurenmaßstabes bei sonst gleichbleibenden Para¬ metern. In Figur 10 ist ein Ausschnitt aus einem sol¬ chen Plot in Originalgröße reproduziert. Die Legenden. Entwurf von Mengendarstellungen. beliebige Figuren- und Kartenmaßstäbe Stab, Quadrat, Kreis. nebeneinanderstehende Stäbe, konzentrische Qua¬ drate und Kreise; horizontale Balken im Quadrat,. Kreissektoren linear (nur Stabdiagramm), flächenproportional, kubisch, exponentiell (mit beliebigem Exponenten), logarithmisch (mit beliebiger Basis) Nummer, Name, Nummer und Name, keine 77.

(12) 21S*-223*". *_n. 53. X *. 72. BW. _. *~~. 1*1. ^. 97. -5K55. 213*" 175*~. ^ 52. 66. JE.. r.51. m. 59. m 176*^. 137. 253 133. 8:. DK^^. 5*. *^. *". j^JJ. Figur. ISO. 3jf 200. 191. *. 230. Sit34-65*63. 3Ki. (ll dil. 224. r:,-'1-. x-iaa. jif_. 3*-. 3k>^*" 172. w. 194*^. Ausschnitte aus drei verschiedenen Zeichnungen. oben links: Quadratdiagramm mit horizontaler Schichtung der Teilmengen, Mengenzuordnung: exponentiell, Punkt¬. identifikation: keine. oben. rechts:. Stabdiagramm,. Mengenzuordnung:. linear,. Punktidentifikation: Gemeindenummer. unten links: Kreisdiagramm mit konzentrischen. Mengenzuordnung:. logarithmisch,. Kreisen,. Punktidentifikation:. keine. \. /. denfiguren (rechter Bildrand) wurden mittels fik¬ tiver Koordination gezeichnet. Die Plotzeit für die ganze Darstellung einschließlich Titel und Koordi¬ natenleisten betrug etwa 12 Minuten. Das beschriebene Programm weist folgende Vorteile auf: Mit dem gleichen Datensatz können in kurzer Zeit eine große Zahl von Möglichkeiten gerechnet und gezeichnet werden. Der Plot genügt zwar den hohen Ansprüchen der heutigen kartographischen Zeichnungs- und Reproduktionstechnik noch nicht, die Auswahl der günstigsten Variante für die Rein¬ zeichnung kann aber wesentlich beschleunigt und vereinfacht werden. In speziellen Fällen (z. B. rasche Orientierung über die Ergebnisse einer Ab¬ stimmung oder Zählung in der Tagespresse) kommt der Plot aber sicher direkt als Reproduktionsvor¬ lage in Frage. Der Output des Computers liefert uns die für die Reinzeichnung nötigen Angaben. 78. 11 zeigt einige Auswertungsmöglichkeiten und Plot von Datenoutput für thematische Dia¬ grammdarstellungen: Das erste Beispiel ist die klas¬ sische Form des Kreissektordiagramms. Im zweiten Falle werden im Entwurf mehrere Mengen als kon¬ zentrische Kreise dargestellt, in der Reinzeichnung wird daraus ein Kreissektordiagramm mit festen Sektoren und variablen Radien konstruiert. Im drit¬ ten Beispiel schließlich sind die Mengen zu zwei ver¬ schiedenen Zeitpunkten als konzentrische Kreise gezeichnet, in der endgültigen Ausführung wird daraus die bekannte Pilzform. Das geschilderte Programm zur Datenverarbeitung für thematische Karten kann, wie wir gesehen haben, weder den Kartenautor (Kartograph, Geo¬ graph) noch den ausführenden Kartographen er¬ setzen, leistet aber beiden in ihrer Arbeit eine große. Figur. Hilfe..

(13) Figur 9: Variation des Figurenmaßstabes bei gleich¬ bleibendem Bildmaßstab und gleicher Mengenzu¬ ordnung (exponentiell, Faktor 2,2). s7=^\ ¦. £0a. t*i*it.*i'?» Figur 11. Auswertungsmöglichkeiten der «Com¬ puterzeichnungen» für thematische Diagrammdar¬ stellungen 79.

(14) y-*. *. X. 239. 238. *. 237. SS. ». 236. UI. 5^»*s. 235. r^. 234. » 233. 5. ®. 232. Jöy. ®. 5j*i. feJ. &. S. s. /7J. /. SB. iav. ®. N. «Tl. 229. 228. H. ^H$. 5^. *. 230. N. tx&i. 231. B 227. ® 226. s. ®. w x. *. *. *. ii. -. 225. *. 224. 223. 222 1. oo oo. 80. 1. roo. i. 1. 85_. CO. 1. *». m. CO. CO. 1. oo. 1. CO. 1. 1. o. CO. Os. r-. 1. oo. i. t>. r-. 221.

(15) Literatur 1. Steiner D.: Die Faktorenanalyse ein modernes statistisches Hilfsmittel des Geographen für die. objektive Raumgliederung und Typenbildung, in: Geographica Helvetica 1/1965. 2. Kilchenmann A.: Untersuchungen mit quantita¬ tiven Methoden über die fremdenverkehrs- und wirtschaftsgeographische Struktur der Gemeinden im Kanton Graubünden, Diss. Zürich 1968. 3. Ueberla K.: Faktorenanalyse, Berlin 1968. 4. Steiner D.: Disgrup, Theorie und Programmbe¬ schreibung der Distanzgruppierung. Vervielfälti¬ Geographisches Institut der Universität, gung Zürich 1968. 5. United Nations: The Growth of World Industry 19381961, International Analyses and Tables, New York 1965. 6. Berry B. J. L.: An inductive Approach to the Regionalization of Economic Development, in: Essays on Geography and Economic Development, Uni¬ versity of Chicago, Dept. of. Geography, Research. thematische Karten. Vervielfältigung Kartograph. Institut ETH, Zürich 1967. 9. Spieß E.: Automatisierter Entwurf von Mengen¬ darstellungen, in: Internationales Jahrbuch für Kar¬. tographie VIII/1968.. Resume. Le.developpement rapide des machines de gestion electronique a permis, ces dernieres annees, ä de nombreuses disciplines scientifiques de recourir ä des methodes statistiques modernes, dans une me¬ sure beaucoup plus large qu'auparavant. Tandis que dans les pays de langue anglaise, de telles methodes rendent des Services de plus en plus grands dans les recherches geographiques, elles sont encore relative¬ ment peu connues en Suisse. Toutefois, des expe-. des. riences viennent d'etre faites ä l'Institut de geogra¬ phie de l'Universite de Zürich. L'etude presente se propose, d'une part, de montrer, de quelle facon l'ordination peut faciliter la Solution de problemes cartographiques. D'autre part, eile se fonde sur les resultats de deux classifications elaborees ä l'aide d'une analyse des facteurs numeriques, d'un groupement par distances et d'un procede de calculation. 8.. separee.. Paper No. 62, 1960. Gächter E.: Die Weltindustrieproduktion. 7.. eine. statistisch-kartographische. 1964. Untersuchung. sekundären Sektors, Diss. Zürich 1969. Bolli B.: Programm zur Datenvorbereitung für. Figur 10: Automatisierte Mengendarstellung/Industrie des Kantons Zürich. Kreisdiagramme mit Sek¬ toreneinteilung, Mengenzuordnung: exponentiell, Punktidentifikation: keine. Wert der Legendenfiguren (von oben nach unten): 20 000, 5000, 1000, 200, 50, 10 Arbeiter in der Industrie pro Gemeinde 1965. Bedeutung der Sektoren (im Gegenuhrzeigersinn): Nahrungsmittelindustrie, Textilindustrie, Verarbeitung von Holz und Steinen, Papierherstellung und Graphisches Gewerbe, chemische und petrochemische Indu¬ Winterthur strie, Metall- und Maschinenindustrie. Z Zürich, W .81.

(16)