Historische statistische Daten in der Forschung verstehen

Die Einbeziehung historischer statistischer Daten in die Forschung verwandelt ein Argument von Spekulationen in evidenzgestützte Analysen. Numerische Aufzeichnungen aus der Vergangenheit - wie Zählungen, Handelsbücher und Sterblichkeitstabellen - ermöglichen es den Wissenschaftlern, demografische Verschiebungen, wirtschaftliche Schwankungen und soziale Transformationen präzise zu verfolgen. Wenn sie richtig verwendet werden, bieten diese Daten eine konkrete Grundlage für das Testen von Hypothesen, die Identifizierung langfristiger Trends und das Zeichnen von Vergleichen über Zeiträume. Die Arbeit mit historischen Zahlen erfordert jedoch mehr als das Ziehen einer Tabelle aus einem Archiv. Sie müssen den Kontext verstehen, in dem die Daten gesammelt wurden, Einschränkungen erkennen und analytische Methoden anwenden, die für unvollkommene Aufzeichnungen geeignet sind. Dieser erweiterte Leitfaden deckt alles ab, vom Auffinden zuverlässiger historischer Datensätze bis hin zur Vermeidung von häufigen Fallstricken, um sicherzustellen, dass Ihre Forschung Glaubwürdigkeit und Tiefe gewinnt. Die folgenden Abschnitte bieten einen schrittweisen Rahmen für die Einbeziehung historischer Statistiken in Ihre Arbeit, komplett mit Beispielen, Werkzeugen und Best Practices.

Was sind historische statistische Daten?

Historische statistische Daten beziehen sich auf alle in der Vergangenheit erfassten quantitativen Informationen, die für die zeitgenössische Analyse verwendet werden können.

  • Volkszählungen – zehnjährige Zählungen von Einwohnern, oft nach Alter, Geschlecht, Rasse, Beruf und Familienstand aufgeschlüsselt.
  • Wirtschaftsindikatoren – BIP-Schätzungen, Inflationsraten, Handelsbilanzen und Preisindizes, die von Wirtschaftshistorikern rekonstruiert wurden.
  • Sozialstatistiken – Kriminalitätsraten, Bildungseinschreibung, Metriken für die öffentliche Gesundheit (z. B. Sterbetafeln, Krankheitsinzidenz). Die Definitionen von „Kriminalität haben sich über Jahrhunderte dramatisch verschoben.
  • Politische Aufzeichnungen – Wahlergebnisse, namentliche gesetzgeberische Aufrufe, Berichte über Regierungsausgaben.
  • Geospatial- und Umweltdaten – historische Karten, klimatologische Aufzeichnungen, Landnutzungserhebungen. z.B. die NOAA Paläoklimatologie-Datensätze bieten jahrhundertelange Baumring- und Eiskerndaten.

Diese Datensätze existieren in so unterschiedlichen Formaten wie handgeschriebene Bücher, gedruckte Regierungsberichte und digitalisierte Datenbanken. Der Schlüssel liegt darin, zu verstehen, dass historische Daten selten so sauber oder konsistent sind wie moderne Umfragedaten. Definitionen ändern sich im Laufe der Zeit (z. B. was 1900 als "Arbeitslosigkeit" im Vergleich zu heute gilt), Sammlungsmethoden unterscheiden sich und Lücken sind üblich. Die Anerkennung dieser Mängel ist der erste Schritt zu einer strengen Analyse.

Warum historische statistische Daten verwenden?

Forscher wenden sich aus mehreren zwingenden Gründen historischen Daten zu:

  • Identifizieren Sie langfristige Muster - Analyse von 150 Jahren Temperaturaufzeichnungen, um den Klimawandel zu untersuchen, oder Verfolgung von Kriminalitätsraten über ein Jahrhundert hinweg, um die Auswirkungen der Urbanisierung zu verstehen.
  • Testtheorien gegen vergangene Ereignisse – Wirtschaftshistoriker verwenden historische Handelsdaten, um die Auswirkungen von Zollpolitik, Kriegen oder Pandemien zu bewerten.
  • Bieten Sie Kontext für aktuelle Themen – Das Verständnis historischer Ungleichheitstrends informiert moderne politische Debatten über Vermögensverteilung und soziale Mobilität.
  • Füllen Sie Lücken, wo qualitative Quellen schweigen – Volkszählungsaufzeichnungen können demografische Veränderungen aufdecken, die zeitgenössische Schriftsteller übersehen oder entlassen haben.
  • Erhöht die Glaubwürdigkeit der Forschung – Die Kombination quantitativer Beweise mit narrativen Quellen stärkt Argumente und ermöglicht Reproduzierbarkeit.

Indem Sie Ihre Arbeit auf empirischen Daten gründen, gehen Sie über Anekdoten hinaus und bieten Erkenntnisse, die andere Wissenschaftler replizieren oder herausfordern können. Historische Statistiken ermöglichen auch interdisziplinäre Verbindungen, die Geschichte mit Wirtschaft, Soziologie, Politikwissenschaft und öffentlicher Gesundheit verbinden.

Schritte zum Einbinden historischer statistischer Daten in Ihre Forschung

1. Identifizieren Sie zuverlässige Quellen

Beginnen Sie mit dem Auffinden von maßgeblichen Repositorien. Regierungsarchive, Universitätsdatendienste und angesehene Forschungsorganisationen sind Ihre besten Wetten.

  • U.S. National Archives and Records Administration (NARA) – hält Bundeszählungsdaten, Militärakten und Wirtschaftsstatistiken. Erkunde die statistischen Bestände von NARA.
  • ICPSR (Inter-university Consortium for Political and Social Research) – das weltweit größte Archiv sozialwissenschaftlicher Daten, einschließlich historischer Studien. Besuche ICPSR.
  • UK Data Archive – hostet Daten der britischen Volkszählung ab 1801. UK Data Service.
  • Historische Statistik der Vereinigten Staaten (HSUS) – ein Kompendium von US-Daten aus der Kolonialzeit bis zur Gegenwart. Zugriff auf HSUS.
  • Weltbank-Datenkatalog – enthält historische Wirtschaftsindikatoren für die meisten Länder. Weltbank Open Data.
  • Europäische historische Statistik – zusammengestellt von Brian Mitchell, erhältlich in gedruckter Form und online in vielen Universitätsbibliotheken.

Wenn Sie eine Quelle verwenden, überprüfen Sie deren Herkunft. Wer hat die Daten gesammelt? Zu welchem Zweck? Gibt es Dokumentationen (Codebücher), die Variablendefinitionen erklären? Seriöse Repositorien liefern diese Metadaten. Überprüfen Sie auch den Digitalisierungsprozess: Wurden Tabellen manuell eingegeben oder OCR'd? Manuelles Keying ist für Quellen aus der Zeit vor dem 20. Jahrhundert genauer.

2. Den Kontext der Datenerhebung verstehen

Historische Daten sind ein Produkt seiner Zeit. Eine Volkszählung aus dem 19. Jahrhundert könnte von Zählern gemacht worden sein, die von Tür zu Tür gingen; spätere Volkszählungen stützten sich auf verschickte Formulare. Gesetze, Technologien und soziale Normen prägten, welche Fragen gestellt wurden und wie Menschen reagierten. Zum Beispiel war die US-Volkszählung von 1850 die erste, die den Namen jedes freien Individuums aufzeichnete, aber versklavte Menschen wurden nur als Eigentum unter dem Namen ihres Versklavers gezählt. In ähnlicher Weise spiegeln historische Kriminalitätsstatistiken oft die Prioritäten der Polizei wider, anstatt tatsächliche Inzidenz. Um Fehlinterpretationen zu vermeiden:

  • Lesen Sie die Originalanweisungen für Datensammler (viele sind in Archiv-Codebüchern verfügbar).
  • Anmerkung Änderungen in geographischen Grenzen (z.B. Grafschaftlinien, nationale Grenzen).
  • Recherchieren Sie die verwendeten rechtlichen Definitionen (z. B. bedeutete "Arbeitslos" vor der Arbeitslosenversicherung etwas anderes; "Bauer" könnte Mieter und Arbeiter umfassen).
  • Achten Sie auf Unter- oder Überzählungen, die sich aus politischer Manipulation, logistischen Herausforderungen oder Widerstand von Bevölkerungen ergeben, die sich vor der Regierung hüten.

Kontext ist nicht optional, sondern grundlegend für gültige Analysen. Investieren Sie Zeit in Sekundärliteratur, die die Erstellung Ihres Datensatzes diskutiert.

3. Bereinigung und Vorverarbeitung der Daten

Historische Datensätze enthalten oft fehlende Werte, inkonsistente Codes oder Transkriptionsfehler.

  • Standardisieren Formate - konvertieren Währung von alten Pfund zu modernen Äquivalenten, vereinheitlichen Datumsformate (z. B. Julian zu Gregorianischen Kalendern), harmonisieren Rasse / Ethnizität Kategorien über Jahrzehnte.
  • Impute missing values – Verwenden Sie Techniken wie lineare Interpolation, multiple Imputation oder maximale Wahrscheinlichkeit, aber dokumentieren Sie Ihre Annahmen klar in einem Vorverarbeitungsprotokoll.
  • Nach Ausreißern suchen – ein plötzlicher Anstieg könnte ein Datenfehler (z. B. dezimale Fehlmeldung, Transkriptionsfehler) oder ein reales Ereignis (z. B. Ernteausfall, Krieg) sein.
  • Erstellen Sie abgeleitete Variablen – berechnen Sie beispielsweise die Pro-Kopf-Raten aus den Gesamtbevölkerungszahlen oder generieren Sie Wachstumsraten aus Preisindizes.
  • Deal mit fehlenden Land/Region-Identifikatoren – historische Grenzen ändern sich (z.B. Preußen, Österreich-Ungarn), so dass Sie möglicherweise moderne Einheiten auf historische Entsprechungen abbilden müssen.

Software wie R (mit Paketen wie tidyverse, zoo und histor) oder Python (pandas, numpy) kann die Reinigung in großem Maßstab übernehmen. Der Schlüssel ist, ein transparentes Protokoll jeder Änderung zu führen, damit andere Ihre Arbeit replizieren können. Verwenden Sie die Versionskontrolle (z. B. Git) für Ihre Datenverarbeitungsskripte.

Wenn die Daten sauber sind, dann erkunde sie. Beginnen Sie mit deskriptiven Statistiken: Was sind die Mittelwerte, Mediane und Bereiche? Zeichnen Sie Variablen über die Zeit, um nach Trends, Zyklen oder Strukturbrüchen zu suchen.

  • Zeitreihenregression – Modellieren Sie den Einfluss einer Variablen auf eine andere, während Sie Zeittrends kontrollieren.
  • Differenz in Differenzen – vergleichen Sie eine Gruppe, die von einem historischen Ereignis betroffen ist (z. B. Politikwechsel, Naturkatastrophe), mit einer Kontrollgruppe vor und nach dem Ereignis.
  • Faktoranalyse – reduzieren viele historische Indikatoren in zugrunde liegende Dimensionen (z. B. einen „Modernisierungsindex aus Urbanisierung, Alphabetisierung und Industrieproduktion).
  • Clusteranalyse – Gruppenregionen oder Perioden mit ähnlichen statistischen Profilen, um Typologien der Entwicklung zu identifizieren.
  • Ereignisverlaufsanalyse – nützlich für das Studium von Dauern (z.B. Zeit, bis eine Stadt eine neue Technologie annimmt).

Behalten Sie immer Stichprobengrößen und Datenqualität im Auge. Eine kleine Anzahl von Datenpunkten unterstützt möglicherweise keine ausgefeilten Modelle. Konsultieren Sie Ressourcen wie Causal Inference for Historical Sociology für Methoden, die auf historische Daten zugeschnitten sind. Für allgemeinere Zeitreihenanleitungen bietet Forecasting: Principles and Practice by Hyndman and Athanasopoulos kostenlose Online-Kapitel an.

5. Effektive Visualisierungen verwenden

Historische Daten umfassen oft lange Zeiträume, was Visualisierungen unerlässlich macht. Gute Graphen können Muster aufdecken, die in Tabellen unsichtbar sind. Befolgen Sie diese bewährten Praktiken:

  • Verwenden Sie Liniendiagramme für Zeitreihen – das intuitivste Format für Trends.
  • Hinzufügen von Anmerkungen zu wichtigen Ereignissen – markieren Sie Kriege, politische Veränderungen, Wirtschaftskrisen oder klimatologische Ereignisse auf der Zeitachse.
  • Halten Sie Skalen konsistent über mehrere Graphen hinweg, um einen Vergleich zu ermöglichen, verwenden Sie jedoch Log-Skalen, wenn Daten Größenordnungen umfassen (z. B. BIP über Jahrhunderte).
  • Wähle farbenblindfreundliche Paletten – vermeide rot-grüne Kontraste.
  • Include Konfidenzintervalle, wenn Datenaggregation Unsicherheit einführt (z. B. durch Imputation oder Stichproben).
  • Gewährleiste die Lesbarkeit – verwende eine klare Schriftart, vermeide übermäßige 3D-Effekte und beschrifte Äxte direkt, anstatt dich, wenn möglich, auf Legenden zu verlassen.

Tools wie Tableau, ggplot2 in R und Pythons Matplotlib handhaben große Datensätze gut. Für interaktive historische Karten, betrachten Sie kepler.gl oder Leaflet für webbasierte Displays.

6. Cross-Verify mit mehreren Quellen

Kein einziger historischer Datensatz ist perfekt. Triangulation – der Vergleich der gleichen Messgröße aus verschiedenen Sammlungen – stärkt das Vertrauen. Zum Beispiel kann die Zählung der Einwanderer in den USA anhand von Schiffspassagierlisten oder Datensätzen auf staatlicher Ebene überprüft werden. Wenn zwei zuverlässige Quellen nicht übereinstimmen, untersuchen Sie, warum: Fehler, Deckungsunterschiede oder Definitionsänderungen. Melden Sie bei Ihrer Aufarbeitung Diskrepanzen ehrlich und erklären Sie, wie Sie damit umgegangen sind. Eine Sensitivitätsanalyse kann zeigen, wie Schlussfolgerungen unter verschiedenen Annahmen über die Datenqualität zu halten sind.

Überwindung von gemeinsamen Fallstricken

Anachronismus

Die größte Gefahr besteht darin, vergangene Daten mit modernen Kategorien zu belegen. Ein „Bauer des 19. Jahrhunderts könnte ein landloser Arbeiter, ein Kleinbauer oder ein Plantagenbesitzer gewesen sein – alles in einem Arbeitskodex zusammengefasst. Vermeiden Sie es, historische Zahlen in zeitgenössische Boxen einzufügen, es sei denn, Sie haben einen starken Beweis für Kontinuität. Verwenden Sie nach Möglichkeit aufgeschlüsselte Mikrodaten oder rekonstruieren Sie Kategorien aus ursprünglichen Klassifikationen.

Überlebensvorurteile

Es gibt nur Daten, die bis heute erhalten bleiben. Das führt oft zu wohlhabenderen, gebildeteren oder zentral verwalteten Gesellschaften. Zum Beispiel stammen mittelalterliche Handelsstatistiken hauptsächlich aus europäischen Häfen; afrikanische und asiatische Aufzeichnungen sind seltener. Erkennen Sie diese Lücken und überlegen Sie, ob sie Ihre Schlussfolgerungen systematisch beeinflussen. Verwenden Sie Archivführer und historische Bibliographien, um zu identifizieren, was möglicherweise fehlt.

Ökologischer Irrtum

Aggregierte Daten (z. B. Durchschnittseinkommen pro Landkreis) können nicht dazu verwendet werden, auf individuelles Verhalten zu schließen. Ein Trend auf Gruppenebene gilt möglicherweise nicht für eine bestimmte Person in dieser Gruppe. Wenn es sich bei Ihrer Forschungsfrage um Einzelpersonen handelt, suchen Sie nach Mikrodaten - anonymisierte Aufzeichnungen von Einzelpersonen oder Haushalten - anstatt Zusammenfassungen. Viele Volkszählungsstichproben (wie IPUMS) liefern Mikrodaten für die USA ab 1850.

Ignorieren von Messfehlern

Historische Daten sind voller absichtlicher und zufälliger Fehler. Volkszählungen können Obdachlose übersehen; Handelszahlen können den Schmuggel auslassen; BIP-Schätzungen beruhen auf Annahmen über die informelle Wirtschaft. Diskutieren Sie explizit Messfehler und testen Sie, wenn möglich, die Empfindlichkeit Ihrer Ergebnisse auf plausible Fehlerbereiche. Zum Beispiel führen Sie Ihre Regressionen unter der Annahme einer Fehlklassifizierungsrate von 10% in einer Schlüsselvariablen durch.

Auswahl-Bias in digitalisierten Datensätzen

Digitalisierungsprojekte priorisieren oft bekannte, leicht zugängliche Sammlungen. Das kann eine künstliche Konzentration auf bestimmte Regionen, Zeiträume oder Themen schaffen. Immer fragen: Welcher Anteil der Originalaufzeichnungen wurde digitalisiert? War die Auswahl zufällig? Wenn nicht, kann Ihre Analyse versehentlich die Prioritäten von Archivaren und nicht die historische Realität widerspiegeln.

Tools und Techniken für Advanced Analysis

Datenextraktion aus historischen Dokumenten

Viele historische Datensätze existieren nur als gedruckte Tabellen oder gescannte Seiten. Die optische Zeichenerkennung (OCR) hat sich dramatisch verbessert, kämpft aber immer noch mit alten Schriftarten, verschmutzter Tinte und mehrspaltigen Layouts. Für komplexe Dokumente verwenden Forscher:

  • Transkribus - eine KI-basierte Plattform für handschriftliche Texterkennung, die oft für Archivdokumente aus dem 17. bis 19. Jahrhundert verwendet wird.
  • Tabula – extrahiert Daten aus PDF-Tabellen, besonders nützlich für Regierungsberichte im PDF-Format.
  • Tesseract OCR – Open-Source-OCR-Engine mit Unterstützung für viele Sprachen; kann auf historischen Schriftarten trainiert werden.
  • DH-Tools – wie die Angebote des Linguistic Data Consortium für historische OCR (LDC).

Überprüfen Sie immer manuell eine Stichprobe automatisch extrahierter Daten, um Fehlerraten zu schätzen.

Verknüpfung von Datensätzen im Zeitverlauf

Die Erstellung von longitudinalen Daten erfordert oft die Verknüpfung von Datensätzen von verschiedenen Punkten – zum Beispiel die Verfolgung von Personen über mehrere Volkszählungen hinweg. Dies geschieht mithilfe probabilistischer Datensatz-Verknüpfungen (auch Fuzzy-Matching genannt). Software wie merge-names oder die AEI Linkage Tools kann helfen. Allerdings führt die Verknüpfung eine Selektionsverzerrung ein, wenn bestimmte Gruppen (die mobilen, die armen) schwerer zu vergleichen sind. Verwenden Sie die Blockierung von Variablen wie Geburtsort oder Alter, um die Genauigkeit zu verbessern.

Historisches GIS

Geografische Informationssysteme (GIS) ermöglichen es Ihnen, historische Daten auf historische oder moderne Grenzen zu übertragen. Das National Historical Geographic Information System (NHGIS) stellt US-Volkszählungsdaten und Grenzdateien ab 1790 zur Verfügung. Für andere Länder versuchen Sie es mit Historisches GIS Europas oder nationalen Archiven. Räumliche Analysen können regionale Unterschiede in Wohlstand, Gesundheit oder politischem Verhalten aufdecken, die die nationalen Statistiken vermasken. Seien Sie vorsichtig bei modifizierbaren Problemen mit Gebietseinheiten: Ändern der Grenzgrößen beeinflussen die Ergebnisse.

Die Wahl der richtigen statistischen Methoden für historische Daten

Da historische Daten häufig gegen Standard-Regressionsannahmen verstoßen (z. B. konstante Varianz, Unabhängigkeit), sollten Sie spezielle Methoden in Betracht ziehen:

  • Newey-West-Standardfehler – passen Sie die Autokorrelation und Heteroskedastizität in Zeitreihen an.
  • ARIMA-Modelle – für die Vorhersage oder das Testen kausaler Auswirkungen historischer Schocks.
  • Quantile Regression – untersucht Effekte über die Verteilung hinweg, nützlich, wenn Mittel irreführend sind (z.B. Vermögensungleichheit).
  • Bootstrapping – für Unsicherheitsschätzung mit kleinen oder unordentlichen Proben.

Die beste Methode hängt von Ihrer Datenstruktur und Forschungsfrage ab. Priorisieren Sie Robustheit vor Komplexität; ein einfacher Mittelunterschied mit Bootstrap-Konfidenzintervallen kann glaubwürdiger sein als ein fehlerhaftes Strukturgleichungsmodell.

Quantitative und qualitative Evidenz integrieren

Zahlen allein können nicht die ganze Geschichte erzählen. Kombinieren Sie Ihre statistischen Ergebnisse mit zeitgenössischen Briefen, Tagebüchern, Zeitungsartikeln oder legislativen Debatten. Qualitative Quellen erklären die Mechanismen hinter quantitativen Mustern. Wenn Sie beispielsweise einen Rückgang der Getreidepreise nach 1846 beobachten, könnten parlamentarische Aufzeichnungen zeigen, dass die Aufhebung der Maisgesetze die Änderung verursacht hat. Umgekehrt können qualitative Quellen Sie auf Datenprobleme aufmerksam machen: Ein Zeitungsartikel, der sich über die Unterzählung von Volkszählungen in einer bestimmten Nachbarschaft beschwert, legt nahe, dass die offizielle Zählung für dieses Gebiet unzuverlässig ist.

Wenn Sie schreiben, verweben Sie die beiden Arten von Beweisen. Ein Absatz könnte mit „Die statistischen Aufzeichnungen zeigen einen Rückgang von 12% beginnen, dann mit „die zeitgenössische Beobachter zuschreiben ... und zitieren Sie ein Bauerntagebuch. Diese Balance macht Ihre Argumentation reicher und überzeugender. Verwenden Sie Blockquoten sparsam für besonders aufschlussreiche Primärquellen, aber meistens paraphrasieren, um den Fluss zu erhalten.

Ethische Überlegungen

Historische Daten beinhalten oft schutzbedürftige Bevölkerungsgruppen – versklavte Menschen, Flüchtlinge, Arme – die keine Kontrolle darüber hatten, wie ihre Informationen aufgezeichnet oder verwendet wurden. Selbst wenn Aufzeichnungen Jahrhunderte alt sind, vermeiden Sie es, Individuen auf entmenschlichende Weise zu präsentieren. Konzentrieren Sie sich auf strukturelle Muster und nicht auf Einzelfälle, es sei denn, die individuelle Erzählung ist wichtig. Darüber hinaus erkennen Sie an, dass Datenextraktion und -analyse koloniale oder rassistische Annahmen reproduzieren können, wenn sie nicht kritisch behandelt werden. Überlegen Sie, wessen Perspektive in den Zahlen fehlt (Frauen, Minderheiten, nicht gebildete Gruppen) und sprechen Sie diese Stille in Ihrer Diskussion an. Wenn Sie Daten aus kolonisierten Gebieten verwenden, erkennen Sie die Machtdynamik an, die die Datensammlung und -erhaltung geprägt hat.

Wenn Sie historische Daten über eine Gemeinschaft analysieren, der Sie nicht angehören, konsultieren Sie Experten aus dieser Gemeinschaft oder lesen Sie zumindest Werke von Wissenschaftlern, die dies tun. Ethische historische Forschung geht es nicht nur um Genauigkeit, sondern auch um Respekt und Rechenschaftspflicht.

Schlussfolgerung

Historische statistische Daten sind ein mächtiges Werkzeug für Forscher, die sich ihnen mit Strenge und Demut nähern. Durch sorgfältige Auswahl von Quellen, das Verständnis ihres Kontextes, die Bereinigung und Analyse von Daten und die Anerkennung von Einschränkungen können Sie Forschung produzieren, die nicht nur die Vergangenheit beschreibt, sondern auch dauerhafte soziale und wirtschaftliche Kräfte beleuchtet. Das beste Stipendium kombiniert Zahlen mit Erzählung, Vorsicht mit Ehrgeiz. Wenn Sie sich mit Ihrem nächsten Projekt befassen, denken Sie daran, dass jeder historische Datensatz ein menschliches Artefakt ist - unvollkommen, partiell, aber wenn man mit Sorgfalt umgeht, immens aufschlussreich. Wenden Sie die hier beschriebenen Schritte an, überprüfen Sie Ihre Ergebnisse und Ihre Arbeit wird als glaubwürdiger Beitrag zum wissenschaftlichen Gespräch stehen. Ob Sie die Ausbreitung der Industrialisierung untersuchen, die Auswirkungen von Pandemien oder die Entwicklung der Demokratie, historische Statistiken bieten einen Weg zu evidenzbasiertem Verständnis, das sowohl akademische Debatten als auch reale Entscheidungen beeinflussen kann.