Die öffentliche Datenlandschaft kartieren: Register, Verwaltungsdaten und Surveydaten

# Die öffentliche Datenlandschaft kartieren: Register, Verwaltungsdaten und Surveydaten

Eine Familie beantragt Mietzuschuss in Cook County, Illinois. Die Sachbearbeiterin der Wohnungsbehörde ruft drei Zahlen auf: das Haushaltseinkommen aus einem Steuerdatensatz, Größe und Zusammensetzung des Haushalts aus einer Erhebung des Census Bureau und die Räumungshistorie aus einem Fallverwaltungssystem der Gerichte. Die drei Quellen widersprechen sich in fast jedem Detail. Der Steuerdatensatz ist ein Jahr alt. Die Survey-Schätzung bezieht sich auf ein Viertel, nicht auf diese Adresse. In der Gerichtsakte ist der Name der Familie in zwei Varianten geschrieben. Die Sachbearbeiterin muss in Echtzeit entscheiden, welcher Zahl sie traut. Das ist kein Sonderfall. Das ist der Alltag der Datenarbeit im öffentlichen Sektor, und genau deshalb ist ein Verständnis der Landschaft aus Registern, Verwaltungsdaten und Surveys wichtiger als jedes einzelne Dashboard.

Die drei Familien öffentlicher Daten

Daten im öffentlichen Sektor stammen überwiegend aus drei strukturell verschiedenen Quellen, und sie zu verwechseln ist der häufigste analytische Fehler der Branche.

Register sind offizielle, gesetzlich vorgeschriebene Verzeichnisse: Geburten- und Sterberegister, Handelsregister, Grundbücher, Wählerverzeichnisse. Sie zielen auf Vollständigkeit innerhalb einer gesetzlich definierten Grundgesamtheit und werden in der Regel fortlaufend gepflegt.

Verwaltungsdaten sind das Abfallprodukt des Programmbetriebs: Steuererklärungen, Leistungsakten, Schüler-Anmeldesysteme, Aufnahmedaten von Krankenhäusern. Sie existieren, weil jemand einen Vorgang bearbeiten musste, nicht weil jemand einen Forschungsdatensatz entworfen hat. In der EU werden sie zunehmend unter Rahmenwerken wie den Leitlinien zu Verwaltungsdaten von Eurostat verknüpft, die die Wiederverwendung staatlicher Daten gegenüber neuen Erhebungen bevorzugen.

Surveydaten entstehen, indem eine Stichprobe einer Population befragt und die Antworten anschließend gewichtet werden, um das Ganze abzubilden. Der American Community Survey (ACS) des US Census Bureau ist das Standardbeispiel: rund 3,5 Millionen Haushalte pro Jahr in der Stichprobe (Census Bureau, Methodikstand 2024), um zwischen den Vollerhebungen alle zehn Jahre Schätzungen für die gesamte US-Bevölkerung zu erzeugen.

Jede Familie hat ein anderes Verhältnis zur Wahrheit. Register beanspruchen, die Wahrheit für eine rechtliche Kategorie zu sein (wem gehört dieses Grundstück). Verwaltungsdaten spiegeln, was in einem bestimmten Vorgang passiert ist (wer hat eine Leistung erhalten). Surveys schätzen einen Populationsparameter, konstruktionsbedingt mit einer Fehlermarge.

Warum sie sich widersprechen und wie man entscheidet

Zurück zur Wohnungsbehörde. Der Steuerdatensatz erfasst informelles Einkommen und Gig-Einkommen zu niedrig. Die ACS-Schätzung ist ein modellierter Durchschnitt für einen Census Tract (eine kleine geografische Einheit mit etwa 1.200 bis 8.000 Personen), nicht für diesen Haushalt. Die Gerichtsakte kann eine abgeschlossene Räumung abbilden, die das aktuelle Risiko nicht mehr beschreibt.

Die Faustregel, mit der Sachbearbeiter und Analysten arbeiten:

• Für die Anspruchsprüfung (eine rechtliche Feststellung zu dieser konkreten Person) gewinnen Verwaltungsdaten und Register. Sie kommen der ground truth für einen Einzelfall am nächsten, auch wenn sie unvollkommen sind.
• Für Prävalenz (wie viele Menschen allgemein von einem Zustand betroffen sind) gewinnen Surveydaten. Sie sind auf Verallgemeinerung ausgelegt, Verwaltungsdaten nicht, denn Verwaltungsdaten bilden nur Menschen ab, die bereits mit einem System interagiert haben (ein bekanntes Problem, das als „administrative undercount“ oder in der Leistungsforschung als „take-up gap“ bezeichnet wird).
• Für Trends und Targeting (wo wächst der Bedarf) triangulieren Sie. Die Überlagerung von ACS-Armutsschätzungen mit Daten zu Grundsteuerrückständen und Datenbanken zu Räumungsklagen (viele US-Gerichte veröffentlichen diese; siehe das Eviction Lab in Princeton) ergibt ein Bild, das keine einzelne Quelle allein liefert.

Datenqualitätskennzahlen, die tatsächlich genutzt werden

Nicht-technische Mitarbeitende nehmen oft an, „Datenqualität“ heiße „keine Fehler“. In der Praxis verfolgen Analysten im öffentlichen Sektor eine Handvoll konkreter Dimensionen:

• Vollständigkeit: Anteil der befüllten Pflichtfelder. Ein Fallverwaltungssystem im Wohnungsbereich mit 15 % fehlenden Sozialversicherungsnummern hat ein Vollständigkeitsproblem, das den Abgleich mit Steuerdaten blockiert.
• Aktualität: Verzögerung zwischen einem Ereignis und seinem Erscheinen im Datensatz. Daten zu Arbeitslosenversicherungsanträgen in den USA sind nahezu in Echtzeit verfügbar; Armutsschätzungen aus dem ACS hinken bei den 1-Jahres-Schätzungen etwa ein Jahr hinterher (Census Bureau, übliche Veröffentlichungstaktung).
• Abdeckung / Untererfassung: die Lücke zwischen der Zielpopulation und denjenigen, die tatsächlich in der Quelle auftauchen. Beim US Census 2020 lag die geschätzte Netto-Untererfassung der schwarzen Bevölkerung bei rund 3,3 % und der hispanischen/lateinamerikanischen Bevölkerung bei rund 4,9 % (US Census Bureau Post-Enumeration Survey, Veröffentlichung 2022, Zahlen sind Schätzungen des Bureau mit Fehlermargen).
• Match rate: Wenn zwei Quellen verknüpft werden (etwa Steuerdaten mit Wohnungsfallakten) über Name und Geburtsdatum, welcher Prozentsatz lässt sich erfolgreich zuordnen. Unterhalb einer match rate von etwa 85 bis 90 % sollten Analysten den verknüpften Datensatz als verzerrt behandeln, nicht bloß als kleiner.
• Dublettenrate: dieselbe Entität taucht mehrfach unter verschiedenen Identifikatoren auf, ein chronisches Problem in Registern ohne eindeutige nationale ID (die USA haben keinen einheitlichen nationalen Identifikator analog zu den nordischen Personennummern, was die Registerverknüpfung im Vergleich etwa zum dänischen CPR-System erschwert).

Ein einfaches Rechenbeispiel zur match rate:

Housing case files: 10,000 households
Successfully matched to tax records: 8,200
Match rate = 8,200 / 10,000 = 82%

Eine match rate von 82 % bedeutet, dass 1.800 Haushalte für jede Analyse unsichtbar sind, die beide Datensätze benötigt, und diese fehlenden 18 % sind selten zufällig. Sie neigen zu informellen Mietern, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzlich Umgezogenen und Menschen ohne Aufenthaltspapiere, also genau der Gruppe, die viele Wohnungsprogramme am dringendsten erreichen wollen.

Governance: Wer darf was sehen und verknüpfen

Datenqualität ist nur die halbe Geschichte. Governance entscheidet, ob Triangulation überhaupt zulässig ist.

In den USA schränkt der Privacy Act of 1974 ein, wie Bundesbehörden Datensätze mit personenbezogenen Informationen ohne Einwilligung oder eine spezifische gesetzliche Ausnahme systemübergreifend teilen dürfen. Der Confidential Information Protection and Statistical Efficiency Act (CIPSEA), aktualisiert 2018, regelt, wie statistische Behörden wie das Census Bureau identifizierbare Surveydaten mit anderen Behörden teilen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen (und meist nicht kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen), selbst für gute Zwecke wie Betrugserkennung.

In der EU setzt die Datenschutz-Grundverordnung (DSGVO) den Rahmen: Personenbezogene Daten dürfen nur für den Zweck verarbeitet werden, für den sie erhoben wurden, sofern nicht eine spezifische Rechtsgrundlage (etwa eine Aufgabe im öffentlichen Interesse) die Weiterverwendung rechtfertigt. Deshalb setzen statistische Ämter in der EU stark auf anonymisierte, aggregierte Verknüpfung statt auf behördenübergreifende Joins auf Fallebene.

Praktisch heißt das: Die Wohnungsbehörde aus unserem Eingangsbeispiel kann die Steuererklärung einer Person beim IRS (Internal Revenue Service) vermutlich nicht einfach abrufen. Sie kann aggregierte ACS-Schätzungen frei nutzen, konkrete Abgleiche mit Verwaltungsdaten nur im Rahmen einer Datenaustauschvereinbarung mit definierter Rechtsgrundlage anfordern und muss die Rechtsgrundlage für jede Verknüpfung dokumentieren, ein Audit Trail, den Aufsichtsbehörden und Inspectors General irgendwann prüfen werden.

Benchmarks, die Analysten kennen sollten

Einige Referenzpunkte, die man sich merken sollte, alle als Schätzungen gekennzeichnet, abhängig von Methodik und Erhebungsjahr:

• Die ACS-Fehlermarge für kleine Geografien (einen Census Tract) kann bei selteneren Merkmalen 20 bis 30 % des Schätzwerts selbst übersteigen, was bedeutet, dass Armutsquoten auf Tract-Ebene als Bandbreite und nicht als Punktwert behandelt werden sollten.
• Der EU-SILC-Survey von Eurostat (EU Statistics on Income and Living Conditions) erfasst jährlich rund 130.000 Haushalte in den Mitgliedstaaten (Eurostat, Stand der jüngeren Erhebungsjahre), das grobe EU-Pendant zum ACS für Armuts- und Einkommenskennzahlen.
• Ein häufig zitierter Benchmark für Datenverknüpfung: match rates über 90 % gelten bei probabilistischer Verknüpfung (Abgleich ohne gemeinsame eindeutige ID) im Gesundheitswesen und in sozialen Diensten als stark; unter 70 % signalisiert in der Regel, dass die verknüpfte Datei nicht für Rückschlüsse auf Populationsebene verwendet werden sollte.

🎬 [VIDEO: "How the Census Bureau Protects Your Data" - youtube.com/@uscensusbureau - ein kurzer offizieller Erklärfilm zu differential privacy und den Methoden zur Offenlegungsvermeidung im Census 2020, nützlich, um zu verstehen, warum veröffentlichte Zahlen bewusst verrauscht werden]

Key Takeaways

• Daten im öffentlichen Sektor kommen in drei strukturell verschiedenen Familien: Register (rechtliche Vollständigkeit), Verwaltungsdaten (Abfallprodukt von Vorgängen) und Surveys (Stichprobenschätzungen mit Fehlermargen). Wissen Sie, welche Sie nutzen, bevor Sie einer Zahl vertrauen.
• Für Entscheidungen über individuelle Ansprüche vertrauen Sie Verwaltungsdaten und Registern. Für Prävalenz- und Trendschätzungen auf Populationsebene vertrauen Sie Surveys. Für Targeting-Entscheidungen triangulieren Sie.
• Verfolgen Sie Vollständigkeit, Aktualität, Abdeckung/Untererfassung, match rate und Dublettenrate als konkrete, berechenbare Datenqualitätskennzahlen, nicht als vage Vorstellung von „sauberen Daten“.
• Governance-Regeln (Privacy Act und CIPSEA in den USA, DSGVO in der EU) schränken Verknüpfungen oft ein, bevor Datenqualität überhaupt zum limitierenden Faktor wird. Die Rechtsgrundlage für einen Join ist eine Voraussetzung, kein Nachgedanke.
• Eine match rate unter etwa 70 bis 85 % beim Verknüpfen von Datensätzen signalisiert in der Regel eine systematische Verzerrung dabei, wer herausfällt, nicht bloß eine kleinere Stichprobe.