In diesem Projekten befassen wir uns mit Kontexteffekten, d.h. Effekten, welche nicht dem Individuum, seinen Eigenschaften, Überzeugungen und Handlungen zugeschrieben werden können. Stattdessen resultieren solche Effekte daraus, dass bestimmte Merkmale kollektiv geteilt werden, bspw. auf Grund von Gruppenmitgliedschaften wie einer gemeinsamen Schulklasse oder durch das Leben in demselben räumlichen Kontext. Solche Kontexte sind dabei nicht fix: Neue Schülerinnen und Nachbarn kommen hinzu, Haltestellen des ÖVs werden verschoben, Läden oder die Post machen dicht. Diese Veränderungen können dabei individuelle Lebenschancen prägen: Wer zuvor noch bequem mit dem Bus zur Arbeit konnte, braucht auf einmal ein (zusätzliches) Auto, welches unter Umständen das Portemonnaie sprengt.
Wie können wir nun solche Effekte messen? In den von uns verwendeten Daten sind bereits unterschiedliche räumliche Kontexte vordefiniert: Quartiere grösserer Städte, Gemeinden, Bezirke, Regionen und Kantone. Für manche dieser Kontexte existieren weiterführende Angaben, etwa zur wirtschaftlichen Struktur (z.B. Anteil Beschäftigte in unterschiedlichen Sektoren). Für andere müssen solche Merkmale aus der Strukturerhebung des Bundes erst generiert werden. Diese Grössen können sodann als unabhängige Einflussfaktoren in die Schätzung unterschiedlicher Grössen aufgenommen werden, etwa das Arbeitslosigkeitsrisiko oder die Bildungschancen. Im vorliegenden Fall wurde dies mittels Mehrebenenmodelle gemacht, wobei wir diese lediglich dazu verwenden, die Variation auf der Kontextebene abzubilden.
Dieses Vorgehen sieht sich dabei jedoch mehreren Problemen ausgesetzt. Einerseits ist dem Umstand Rechnung zu tragen, dass unterschiedliche Personen sich nicht zufällig über die verschiedenen Kontexte verteilen. Unter Berücksichtigung der zur Verfügung stehenden Ressourcen und Möglichkeiten wählen Menschen den für sie geeigneten Wohnstandort. Gleichzeitig wirken weitere Mechanismen, etwa eine Diskriminierung auf dem Wohnungsmarkt, welche dazu führt, dass verschiedene Personen sich in unterschiedliche Kontexte selektieren. Dieser Selektions- und Wahlprozess kann in seiner Umfänglichkeit kaum abgebildet werden. Sind nun jedoch unbeobachtete individuelle Merkmale dafür verantwortlich, dass sich ähnliche Personen in denselben Kontexten wiederfinden, ist es möglich, dass wir fälschlicherweise einen Effekt dieses Kontexts auf die untersuchte Grösse feststellen. Machen wir ein Beispiel: Kunstaffine Personen suchen möglicherweise die Nähe zu kulturellen Institutionen und Angeboten, was dazu führt, dass diese Personen häufiger in städtischen Gebieten wohnhaft sind. Gleichzeitig wissen wir jedoch auch, dass eine solche kulturelle Nähe zu Werten des Bildungsbürgertums förderlich für den individuellen Schulerfolg von Kindern ist (was beispielsweise durch das zugegebenermassen etwas dürftige Mass der Anzahl Bücher im Haushalt in vielen Studie zu erfassen versucht wird). Da wir jedoch selten Daten über solche kulturellen Orientierungen besitzen, würden wir fälschlicherweise daraus schliessen, dass Kinder in der Stadt schulisch erfolgreicher sind als jene auf dem Land, obschon wir eigentlich Äpfel mit Birnen vergleichen (die Kinder haben ungleiche Ausgangslagen, da sich ihre Eltern deutlich voneinander unterscheiden). Dieses Problem, welches unter dem Namen des Selection Bias verhandelt wird, kann mittels Längsschnitt- oder (quasi-)experimentellen Daten und verfeinerten statistischen Methoden (Instrumentelle Variablen) etwas in den Griff gekriegt werden.
Andererseits handelt es sich bei obig angesprochenen Kontexten allesamt um fixe räumliche Einheiten (administrative Quartiere, Gemeinden, etc.). Somit wird unabhängig der individuellen Position der Befragten innerhalb eines Kontexts für alle derselbe gemeinsame mittlere Effekt geschätzt. Wieso ist dies problematisch? Nehmen wir das Beispiel des Quartiers: Einerseits sind administrative Quartiere oftmals vergleichsweise grosse Einheiten um so etwas wie eine Nachbarschaft abzubilden – manche Strassenzüge unterscheiden sich sowohl hinsichtlich der Bewohnerschaft wie auch der Infrastruktur deutlich von anderen Häuserblocks im selben Quartier. Durchschnittswerte für festgelegte kontextuelle Einheiten bilden somit die vorgefundenen Strukturen nur ungenügend ab. Andererseits spielt die exakte Position innerhalb des Kontextes sehr wohl eine bedeutsame Rolle. Nehmen wir wiederum das Beispiel der Nachbarschaft: Liegt mein Haus nahe der Grenze des administrativen Quartiers, so wird meine nähere Umgebung wohl deutlich ähnlicher zu jener jenseits der (unsichtbaren) Quartiersgrenze sein. Gut möglich, dass ich mich gänzlich auf das andere Quartier hin orientiere, da dort die nächste ÖV-Haltestelle und Einkaufsmöglichkeiten liegen. Um diesen Problemen Rechnung zu tragen, müssten eigentlich individuelle Kontexte rund um die jeweiligen Individuen herum konzipiert werden, etwa mittels geokodierter Daten. Solche sind für die Schweiz jedoch mit wenigen Ausnahmen nicht verfügbar.
Schliesslich gibt es noch weitere Herausforderungen in der Schätzung kontextueller Effekte, etwa die Abhängigkeit der gemessenen Effekte von der geographischen Auflösung (Modifiable Areal Unit Problem), die Überlagerung und gleichzeitige Wirkung verschiedener Kontexte (z.B. der Nachbarschaft und der Schule) oder die Differenzierung unterschiedlicher kontextueller und kompositionieller Effekte. Insbesondere der letzte Punkt ist dabei empirisch nur schwer zu lösen (siehe hierzu z.B. Manski 1993). Mit den verwendeten Daten können wir diesen Problemen nicht adäquat Rechnung tragen, so dass wir statt einer kausalen Erklärung lediglich eine Deskription von Unterschieden zwischen unterschiedlichen Kontexten vornehmen.
Geographie der Möglichkeiten 