Disparitäten in der Daseinsvorsorge als Einflussfaktoren der Demokratie(un)zufriedenheit Die oben dargestellten Karten und Auswertungen haben gezeigt, dass es gewisse räumliche Überschneidungen zwi­schen Demokratie(un)zufriedenheit und ungleichen Le­bensverhältnissen in Deutschland gibt. Das betrifft sowohl Unterschiede zwischen wirtschaftlich dynamischen und strukturschwachen Regionen mit hohen Armutsrisiken wie auch Unterschiede zwischen verdichteten und infrastruktu­rell gut erschlossenen Räumen und eher peripheren ländli­chen Regionen mit Defiziten in der Erreichbarkeit und Da­seinsvorsorge. Die rein deskriptiven Analysen sind aller­dings nicht in der Lage, die komplexen Zusammenhänge zwischen unterschiedlichen Aspekten der Daseinsvorsorge und Demokratie(un)zufriedenheit zu erklären. Hierfür be­nötigt es Methoden, die es ermöglichen, eine Vielzahl von Variablen mit einzubeziehen, um zu verstehen, welche Ein­zelfaktoren tatsächlich eine signifikante Rolle bei der Erklä­rung der räumlichen Verteilung der oben dargestellten Wahlergebnisse spielen. Hier kommen multivariate Regres­sionsmodelle nach der etablierten Ordinary-Least-Squares­Methode 3 zum Einsatz. Sie sind gut geeignet, statistische Zusammenhänge zwischen erklärenden(unabhängigen) Variablen(in diesem Fall Aspekte der Daseinsvorsorge und weitere demografische wie auch sozioökonomische Ein­flussfaktoren) und zu erklärenden(abhängigen) Variablen (in diesem Fall die oben gezeigten Wahlergebnisse) auch unter der Berücksichtigung des Einflusses einer Vielzahl an weiteren Variablen zu bestimmen. Im Gegensatz zu einer rein bivariaten Korrelationsanalyse, die nur einzelne Zu­sammenhänge erfasst, gibt die multivariate Regressions­analyse also den geschätzten Zusammenhang zwischen abhängiger und unabhängiger Variable an, wenn der Ein­fluss aller anderen im Modell berücksichtigten erklärenden Variablen gleich null ist. Wie eingangs erwähnt, handelt es sich bei den in den Regressionsmodellen geschätzten Zu­sammenhängen nicht zwangsläufig um kausale Wirkungs­beziehungen. Um diese zu bestimmen, müssen bestimmte Voraussetzungen erfüllt sein, die in der Realität meist nicht gegeben sind. So kann selten ganz ausgeschlossen werden, dass noch weitere, im Modell nicht berücksichtigte Variab­len(in diesem Fall z. B. nicht messbare soziokulturelle oder historische Faktoren), die Ergebnisse der Regression verzer­ren. Weiterhin besteht die Möglichkeit, dass die unabhängi­gen Variablen und die abhängige Variable sich gegenseitig beeinflussen(umgekehrte Kausalität). Auch in diesem Fall lässt sich der reale Wirkungszusammenhang nicht eindeu­tig bestimmen. Die abhängigen Variablen unserer Regressionsmodelle sind die im vorherigen Kapitel beschriebenen Wahlergebnisse der BTW 2025(Zweitstimmenanteile der AfD und Wahlbe­teiligung) sowie ihre Entwicklung seit der vorangegangen BTW 2021. Die unabhängigen Variablen setzen sich zum einen aus demografischen und sozioökonomischen Indika­toren zusammen, von denen zu erwarten ist, dass sie die regionalen Wähler_innenstrukturen und Wahlergebnisse entscheidend beeinflussen(sogenannte Kontrollvariablen). Zum anderen werden verschiedene Indikatoren der Da­seinsvorsorge betrachtet. Unter Daseinsvorsorge versteht man im Allgemeinen die Bereitstellung öffentlicher Güter und Dienstleistungen, die dem Gemeinwohl und der Lebensentfaltung der Bevölke­rung dienen. Dazu zählen neben Infrastrukturen wie Elek­trizität und Wasserversorgung auch soziale Dienste wie Bil­dungs- und Pflegeeinrichtungen. Daseinsvorsorge kann da­mit als eine der Grundlagen zur Herstellung gleichwertiger Lebensverhältnisse angesehen werden. Eine eindeutige Zu­ordnung öffentlicher Aufgaben zur Daseinsvorsorge und eine klare gesetzliche Verankerung existiert in Deutschland jedoch nicht(Dehne 2019). Zur Messung unterschiedlicher Aspekte der Daseinsvorsoge eignen sich daher input- oder outputorientierte Indikatoren. Inputorientierte Indikatoren beschreiben in diesem Zusammenhang in der Regel die bloße Ausstattung einer Region mit Einrichtungen der Da­seinsvorsorge, etwa in Form von Dichtemaßen(z. B. Kran­kenhäuser je 100.000 Einwohner_innen) oder Erreichbar­keiten(z. B. die durchschnittliche Fahrzeit zum nächsten Krankenhaus). Da die Bedarfe nach bestimmten Einrich­tungen und Aspekten der Daseinsvorsorge aber regional stark unterschiedlich ausfallen können, sind inputorientier­te Indikatoren nur bedingt dazu geeignet, die tatsächliche Qualität der Daseinsvorsorge vor Ort zu bewerten. Output­orientierte Indikatoren(z. B. der Anteil der Schulabgänger_ innen mit Hochschulreife) geben hingegen wieder, wie er­folgreich die regionale Daseinsvorsorge bei der Bewälti­gung ihrer Aufgaben und der Herstellung gleichwertiger Lebensverhältnisse ist. Allerdings können auch hier struktu­rell unterschiedliche Ausgangsbedingungen die Ergebnisse 3  Die Ordinary-Least-Squares-Methode(Methode der kleinsten Abweichung) ist ein statistisches Verfahren, das es bei Regressionsmodellen ermöglicht, ein Ergebnis zu fin­den, das am besten zu den verwendeten Daten passt. Die Unterschiede zwischen dem, was das Modell vorhersagt, und dem, was in der Wirklichkeit gemessen wurde, soll dabei möglichst klein sein. Antidemokratische Wahlerfolge im ungleichen Deutschland 13