Gewalttätige Angriffe auf humanitäre Mitarbeiter

Humanitäre Helfer werden immer häufiger Ziele von gewalttätigen Angriffen. Mit Hilfe der Datenbank “Aid Worker Security Database” der Organisation Humanitarian Outcomes untersuchen wir Trends und Veränderungen und möchten deren Ursachen verstehen.

Die Datenbank wird ermöglicht durch finanzielle Unterstützung des kanadischen Ministeriums für Außenpolitik und Internationalen Handel, dem amerikanischen Büro für ausländische Katastrophenunterstützung und durch die irische Regierung.

Zum Thema “Gewalt gegen humanitäre Mitarbeiter” hat der UN Sicherheitsrat im August 2014 eine Resolution beschlossen.

01 Angriffsvorfälle

Im Jahr 2003 wurden in der Datenbank aidworkersecurity.org weltweit 63 Zwischenfälle registriert, bei denen 143 humanitäre Helfer entführt, verletzt oder sogar getötet wurden. Bis 2013  stiegen diese Zahlen auf 264 Zwischenfälle mit 474 Opfern.

GRAFIK I: Anzahl der gewalttätigen Angriffe

Die Anzahl der gewalttätigen Angriffe zeigt im langfristigen Trend eindeutige Steigerungen. Quellenkritisch muss jedoch beachtet werden, dass die Aufmerksamkeit für solche Angriffe im Vergleichzeitraum gestiegen ist. Die erhöhte Aufmerksamkeit wiederum geht einher mit höhere Berichterstattung. Neben der gestiegen Anzahl der Vorfälle ist auch die Zahl der Opfer gewalttätiger Angriffe gestiegen.

GRAFIK II: Opfer von Gewalt Zeitverlauf absolute Zahlen 2009 bis 2013

Problem: Gesamtanzahl humanitärer Mitarbeiter Es gibt  Angaben zur Entwicklung der absoluten Anzahl humanitärer Mitarbeitern. Leider war nicht möglich die absoluten Zahlen aller globalen humanitären Mitarbeiter für das Jahr 2013 zu ermitteln.

In 2008, the total number of aid workers in the field (including both relief and development workers) was roughly 595,000. On average, the humanitarian fieldworker population has increased by approximately 6% per year over the past 10 years (Stoddard et al 2009) source:https://www.ifrc.org/docs/IDRL/The%20state%20of%20the%20humanitarian%20system,%20assessing%20performance%20and%20progress.pdf

Zusätzlich wäre es nötig, die Anzahl der humanitären Mitarbeiter pro Land zu erheben um die Anzahl der Vorfälle bzw. der Opfer,zu sehen.

02 Länder, in denen es 2013 vermehrt zu Angriffen kam

Gewalttätige Attacken konzentrieren sich geographisch auf den Mittleren Osten, Nordafrika, Afghanistan, Pakistan und Südsudan. Die meisten Angriffe finden vor allem in fünf Ländern statt. Syrien, Südsudan, Sudan, Afghanistan und Pakistan umfassen ¾ aller Angriffe. Die hohen Werte liegen vor allem an der Zunahme der Konflikte in Syrien und im Südsudan. Afghanistan hat die höchste absolute Zahl an Angriffen mit 81 dokumentierten Vorfällen. Im Vergleich dazu gab es  44 Angriffe in Syrien, 35 Vorfälle im afrikanischen Südsudan,17 in Pakistan und 16 in Sudan.

GRAFIK III: Weltkarte eingefärbt nach Häufigkeit, Vorfälle 2013 

Kritik an der Darstellung: Sudan und Südsudan sind hier noch ein Land trotz Unabhängigkeit im Jahr 2011. Mailkontakt mit Programmierer. Seine Antwort:”You’re right about the lack of South Sudan, I haven’t updated the borders since it became independent. I don’t have a quick fix for you unfortunately, the best you could do with OpenHeatMap is switch to displaying bubbles rather than country borders”

03 Angriffsorte

GRAFIK IV: Orte des Angriffs

2013 vermehrt Angriffe auf offener Straße

Jedes Jahr nehmen die Opfer zu, die bei Transporten bzw. während des Transits auf offener Straße attaktiert werden. 2013 fanden über die Hälfte aller Angriffe in diesem Zusammenhang statt. Die UN-Resolution fordert die Staatengemeinschaft auf, für sichere Transportwege für humanitäre Mitarbeiter zu sorgen. Da lokale Mitarbeiter sich vor Ort besser auskennen, werden Transporte durch lokale Angestellte durchgeführt. Diese sind lokale Mitarbeiter durch Transportfahrten stärker gefährdet für gewalttäige Angriffe. Keine klaren Antworten liefert die Forschung auf die Frage, ob die Angriffe auf humanitäre Mitarbeiter nicht zu verhindernde Zwischenfälle sind, weil diese zwischen die Fronten geraten oder zu welchem Ausmaß es sich um dezidiert(gezielte) Angriffe handelt.

“In Afghanistan [Anm.z.B.] verwendet das Rote Kreuz das Schutzzeichen des Roten Kreuzes nicht mehr, weil die terroristische Netzwerke dieses Kreuz als ein westliches Symbol sehen. Das hat dazu geführt, dass es geradezu zum Angriffsziel wurde.” (Quelle: http://www.dw.de/humanit%C3%A4re-hilfe-im-fadenkreuz/a-17861367)

04 Angriffsopfer

GRAFIK V: ORGANISATIONEN

Einheimische besonders betroffen Die Statistiken zeigen, dass es vor allem die lokalen Mitarbeiter der Hilfsorganisationen sind, die Opfer gewalttätiger Angriffe werden. Verschiedene divergierende Erklärungsansätze

Begründung 1: Sie sind meist in Führungspositionen. Folglich gibt es in den Projektländern weniger “Internationals” als “Locals” im Dienste der Hilfsorganisationen. Die stärkeren Schutzmaßnahmen für Unterkünfte und Büros, in denen “Internationals” wohnen und arbeiten, sowie die ständige Wachsamkeit führen zur Entfremdung.

Begründung 2: “Die lokalen Mitarbeiter gehen abends nach Hause zu ihren Familien. Die internationalen Helfer bleiben aber in den Anlagen und verbringen viel mehr Zeit unter sich. In einigen Fällen führt das zur Entfremdung von internationalen Helfern, lokalen Kräften und der Bevölkerung vor Ort.”

Quelle: http://www.dw.de/humanit%C3%A4re-hilfe-im-fadenkreuz/a-17861367

Begründung 3: UN lagert humanitäre Hilfe an lokale Projektpartner aus. “Implementierung” aus Kostengründen, deswegen auch höhere Angriffszahlen auf Einheimische (Information vom Geschäftsführer Ärzte ohne Grenzen, Österreich).

05 Methoden des Angriffs

GRAFIK VI: Methoden des Angriffs

Bei der Angriffsmethode lässt sich keine signifikante Methode erkennen. Ein Blick auf die Grafik suggeriert einen Anstieg bei allen Methoden. Auch hier gilt es wieder zu hinterfragen, ob diese Zahlen und damit die vermeintlichen Steigerungen nicht durch eine erhöhte Aufmerksamkeit und damit eine erhöhte Berichterstattung bedingt werden.

Die erhöhten Zahlen bei “kidnappings” zeigen, dass diese Methode zu einer Geschäft genutzt wird. “Terrororganisationen wie der „Islamische Staat“ finanzieren sich von dem Geld, das sie durch Entführungen erpressen. Die meisten Staaten zahlen, einige nicht. Beide Haltungen haben jedoch das „Kidnapping-Business“ nicht gestoppt. “(Kölner Stadt Anzeiger, 24.08.2014)

Quellenkritik

Bessere Dokumentation

Die Konfliktforscherin (USAID) Larissa Fast sieht als wesentlichen Grund für die gestiegenen Zahlen sei eine veränderte Berichterstattung. “In den späten 1990er Jahren haben wir das nicht so verfolgt wie heute”, argumentiert Fast.

Datenerhebung

Die Daten der Vorfälle in der Datenbank  stammen aus öffentlichen Quellen, die mittels gezielter Mediaanalyse erhoben wurden und wurden direkt von Hilfsorganisationen und Hilfseinheiten zur Verfügung gestellt.

Begriffdefinition

“Aid workers” werden als Angestellte Personen von non-profit Hilfsagennturen (national und international) bezeichnet, die Material und technische Hilfe im humanitären Kontext liefern. NGOs, the International Movement of the Red Cross/Red Crescent, donor agencies and the UN agencies belonging to the Inter-Agency Standing Committee on Humanitarian Affairs (FAO, OCHA, UNDP, UNFPA, UNHCR, UNICEF, WFP and WHO) plus IOM and UNRWA. The aid worker definition includes various locally contracted staff (e.g., drivers, security guards, etc.), and does not include UN peacekeeping personnel, human rights workers, election monitors or purely political, religious, or advocacy organizations.

(Quellen: Aid Worker Security Database, http://www.princeton.edu/~pcglobal/conferences/aid2013/papers/Narang_AidWorkerAttack_Princeton.pdf und http://www.iar-gwu.org/node/63)

Autoren auf Twitter folgen: Sandra Barthel & Claudia Tschabuschnig

Best online storytelling and journalism 2014

This very inspiring list with 30 of the best journalistic online projects contains a lot of best practice examples for dealing with data.

Author Josh Stearns has grouped the list around key themes:

  1. The Year Audio Went Viral
    e.g. Serial

    If you only listened to Serial then you missed a lot of great aspects of the story which were only available on the podcast’s website in blog posts, source documents, maps and more.

  2. Telling Stories With Sensors and Satellites
    e.g. Losing Ground

    The team used a mix of great local reporting paired with striking satellite imagery and historical maps to show the pace of change on the Louisiana coastline.

  3. Get The Picture? Graphic Journalism in 2014
    e.g. Terms of Service

    Aljazeera America created a print comic book, Terms of Service, about a very digital topic: privacy, security and big data. In addition, they released the tool they created so others could create graphic journalism like this.

  4. Immersive Stories on Health and the Environment
  5. A Big Year for Crowdsourcing and Eyewitness Media
  6. Structuring Journalism For Context
    e.g. Assets, Objects, Points

    how the fundamental elements of stories can be collected, organized, presented and reused (by journalists or members of the community) through unique story-driven databases.

    structured-journalism

  7. A Web of Many Languages — Multilingual Multimedia Storytelling
    e.g. Inside the Firewall: Tracking the news that China blocks

Best primer to different types of charts ever

There are quite some sober and more vivid overviews of different charts, easily found via a search phrase of your choosing.

But there is one outstanding introduction to the power of charts and graphs – and the advantages of a certain type:

Turning 30: Described in Charts and Graphs provides a data-driven “completely scientific analysis of what it means to turn the dirty 30”. And, most relevant for our datajournalism class, gives great examples for different charts:

Bar Chart:
bar-charts

Stacked Bar Chart:
stacked-bar-chart

Spider Chart:
spider-chart

Area Chart:
area-chart

See Turning 30: Described in Charts and Graphs for more.

Maps – considering projections

Maps should be used in moderation

says Friedrich Lindenberg – and he is right. It is tempting to use maps for all kinds of visualizations, but there a quite a lot of pitfalls (a classic one: your data actually relates to the number of people living in a certain area, not the size of that area).

One aspect for maps relating to the size of countries (or continents) that has to be considered is the choice of the projection. The definitive must-see in this field is The True Size of Africa.

True size of Africa

 

Compare that with the classic Mercator projection (as used in Google Maps and also Infogr.am):

world-mercator

And see a Robinson projection for contrast. The size of Greenland is almost as stunning as Africa.

world-robinson

Screenshots for projections from Mapstarter.

Tools, tools, tools

Recommendations for simple charts:

Datawrapper

Infogr.am

Chartbuilder

RAW

 

Very helpful list for a broad range of tools: Digital Resources for investigative reporters, by Friedrich Lindenberg.

Some quotes:

Data driven marketing – ein Beispiel für verspätete Quellenkritik beim Guardian

Dem Guardian ist in diesem Artikel ein lehrreicher und typischer Fehler bei der Übernahme einer Agenturmeldung unterlaufen. Der Artikel ging mit der Headline “Britain’s most popular baby boy’s name? Muhammad” live.

Hier der entsprechende Screenshot:

guardian-babynames

Wenig später erkannte man beim Guardian, dass die Aussage des Artikels in der zugespitzten Form nicht haltbar war. Die Artikel stützte sich auf Daten aus einer Umfrage der Seite BabyCentre, suggerierte aber eine Repräsentativität für die Gesamtbevölkerung in Großbritannien.

In einer Überarbeitung des Artikels wurde der Titel relativiert: “Britain’s most popular baby boy’s name? Muhammad, survey claims”

Im Anreisser wurde auch nicht mehr festgestellt, dass die BabyCentre Website einen Anstieg arabischer Namen “enthüllt” (“reveals”) habe, sondern dass sie das lediglich “behaupte” (“says”). Ein beigestellter Artikel des Guardian Data Blog beleuchtete die tatsächliche Faktenlage.

Hier der Screenshot des aktualisierten Artikels:

guardian-babynames-corrections

Eine Erklärung über die Editierung des Artikels:

guardian-babynames-corrections-explained

Und der Datablog Artikel, der den Umfragedaten der Webseite BabyCentre, repräsentativere Zahlen zur Namensstatistik entgegenhält. Die zuvor behauptete Topposition von “Muhammad” als populärster Bubenname 2014 wird durch die offiziellen Zahlen von 2013 widerlegt. Muhammad liegt auf Platz 15 und ist auch bei Berücksichtigung verschiedener Schreibweisen nicht auf Platz 1 (weil dann auch für andere Namen verschiedene Schreibweisen zusammengefasst werden müssten, etwa “Oliver” und “Ollie”).

 

guardian-datablog

 

guardian-datablog-data

In einem weiteren Artikel beleuchtet der Guardian schließlich die “Wahrheit über Britanniens missverstandensten Namen Muhammad”:

 

So why does the story keep returning? Partly, perhaps, because it plays on fears of both immigration and cultural change. While Muslims make up 4.4% of the UK population, a more significant factor is that, while the rest of the population is increasingly choosing from a wider pool of names (think Tyrion and Piper, apparently inspired by Game of Thrones and Orange is the New Black), Muslims are sticking with Muhammad.

Der Guardian kratzt mit dieser offensiven Auseinandersetzung mit einem Quellenfehler also nochmal die Kurve und dreht das Thema glaubwürdig  weiter.

 

Lessons learned:

  • Quellen für Daten hinterfragen
  • Repräsentative Daten der Gesamtbevölkerung? Oder ein Sample aus einer Umfrage von einer (nicht repräsentativen) Seite oder Studie?
  • Wer ist der Absender der Daten, wer hat sie erhoben? Wie? Mit welchem Interesse?
  • Ein Beispiel für Data driven marketing: eine scheinbar objektive Story mit hohem Newswert steigert die Aufmerksamkeit für die Webseite BabyCentre

Spreadsheet to the rescue

Unser Test-Datensatz: Bevölkerung Wien – Entwicklung 2001-2013 nach Bezirken.
https://docs.google.com/spreadsheets/d/1aDShs4ipYLcLNSnY1CrFB0DTANA2B-jCLRnll-6F5rg/edit?usp=sharing

Quelle: Open Data Portal Österreich

Hinweis: der originale Datensatz enthält mehr Daten (bis zurück nach 1869). Für eine leichtere Handhabung und einfachere Darstellung bei den Screenshots habe ich auf die Jahre ab 2001 (in 2-Jahressprüngen bis 2013) reduziert.

Ein erster Blick auf unseren Datensatz: wir haben eine Spalte mit den Bezirken von 01 bis 23 und sieben weiteren Spalten mit den Jahren ab 2001 in denen die Bevölkerungszahl für den jeweiligen Bezirk enthalten sind.

a-data

Die farbliche Formatierung der ersten Spalte und aller Spaltenüberschriften hilft bei der Orientierung. Wir frieren die erste Spalte und die erste Reihe auch ein – damit bleiben sie stehen beim Scrollen in der Tabelle.

b-formatiert

Bislang haben wir in der Tabelle nur Zahlen und Text – den beiden grundlegenden Typen von Zellinhalten in einem Tabellenkalkulationsprogramm wie Google Spreadsheet oder Microsoft Excel.

Sowohl mit Text als vor allem natürlich mit Zahlen können in einer Tabellenkalkulation eine Vielzahl von Bearbeitungen und Berechnungen durchgeführt werden. Eine Formel wird durch ein Ist-gleich Zeichen eingeleitet, danach folgen die Bezeichnung der eigentlichen Funktion und die übergebenen Argumenten (Bereich auf den die Formel angewandt wird, evtl. weitere Optionen).

Wir wollen jetzt für jedes Jahr die Gesamtbevölkerung Wiens ausrechnen, also die Werte der Bezirke addieren. Wir setzen den Cursor in der Spalte B (Jahr 2001) ans Ende und definieren den Bereich der addiert werden soll – die Zellen B2 bis B24.

Nachdem wir den Wert für die erste Jahresspalte berechnet haben, übertragen wir die Formel auf die benachbarten Zellen: Cursor ins rechte Eck der Zelle setzen, ein Fadenkreuz erscheint, das zieht man mit gedrückter Maustaste nach rechts auf die weiteren Jahresspalten. Es werden die Summen für die weiteren Jahre gebildet.

Als nächstes wollen wir die Veränderung des aktuellsten zum ältesten Wert analysieren, welcher Bezirk ist am stärksten gewachsen? Die absolute Veränderung von 2001 zu 2013 erhält man ganz einfach durch die Subtraktion der jeweiligen Jahreswerte in den Zellen H2 bzw. B2 (für den ersten Bezirk).

Das Ergebnis für den ersten Bezirk kann dann analog durch den Klick in der rechten Ecke auf die anderen Bezirke übertragen werden (Google Spreadsheet versteht die Absicht, die Formel analog für die weiteren Reihen auszuführen, und berechnet folglich für den 2. Bezirk H3-B3, für den 3. Bezirk H4-B4 etc.). Wir haben in unserer Formel einen sogenannten relativen Bezug auf bestimmte Zellen definiert.

d-veraenderung-2001-2013

Nachdem wir die absoluten Werte für alle Bezirke berechnet haben, setzen wir jetzt den jeweiligen Zuwachs in Relation zur Größe des jeweiligen Bezirks. Das geschieht über die Formel (H2-B2)/B2*100 – also zuerst die absolute Differenz zwischen den Werten der Jahre 2013 und 2001 berechnen, dann durch den Wert von 2001 dividieren, und mit 100 multiplizieren, damit ein Prozentwert entsteht.

Wir können jetzt schon erkennen, dass der 10. Bezirk sowohl in absoluten Zahlen als auch relativ (+21,22%) am stärksten gewachsen ist, gefolgt vom 22. Bezirk. Der Bezirk mit dem drittgrößten prozentuellen Zuwachs ist der 11. Bezirk (+19,99%) – in absoluten Zahlen wäre der 11. Bezirk aber hinter dem 21. Bezirk, der aber aufgrund der höheren Einwohnerzahl relativ “nur” um 14,26% gewachsen ist.
e-sort

Eine weitere Ausprägung des Wachstums kann über die Wachstumsrate getroffen werden, die den Zuwachs pro Intervall der vorliegenden Zeitreihe angibt. Die entsprechende Formel lautet die Differenz hoch des Kehrwerts der Anzahl der Intervalle minus 1. Siehe dazu die Erklärung in Berechnung einer Wachstumsrate.

Wir können jetzt den Datenbereich auch entsprechend sortieren – dazu den Cursor in den Datenbereich setzen und auf/absteigend nach der gewünschten Spalte sortieren (Spalten J, K, L liefern die gleiche Reihenfolge, da sie alle die prozentuelle Veränderung widerspiegeln. Interessant ist der Vergleich zur Sortierung nach Spalte I mit den absoluten Zahlen).

f-wachstumsrate

Eine Gruppierung der Bezirke innerhalb bzw. außerhalb des Gürtels liefert die Erkenntnis, dass das hauptsächliche Wachstums Wiens seit 2001 in den äußeren Bezirken erfolgt ist. Innerhalb des Gürtels ist kein Bezirk mit mehr als 10% gewachsen, außerhalb des Gürtels sind nur wenige Bezirke (13., 18., 19.) unterhalb von 10% gewachsen.

g-gruppierung-guertel

Für eine Visualisierung der Daten zur prozentuellen Veränderung von 2001 auf 2013 für alle Bezirke braucht es im Tool Chartbuilder eine Umkehrung der Spalten und Zeilen. Das kann über die Funktion “transpose” einfach gelöst werden.

h-transpose

Die Daten werden dann via Copy&Paste in Chartbuilder einfgefügt – und ein einfaches aber aussagekräftiges Chart wie dieses kann erstellt werden.
Bezirke-Bev-lkerungswachstum-Relativ-2001-2013_chartbuilder

 

Weiterführende Links:

Charming Charting

Ein Beispiel für einfache Visualisierungsmöglichkeiten durch ein Chart. Aus einer eher spröden Tabelle wie z.B. dieser:
wien-stats-spreadsheet

https://www.wien.gv.at/statistik/wirtschaft/tabellen/ankuenfte-laender-zr.html

kann sehr einfach ein Chart erzeugt werden, das einen bestimmten Aspekt herausarbeitet. Entwicklungen wie z.B. der Anstieg von Gästen aus Asien und Amerika sind auf einen Blick erkennbar (not exactly breaking news, but it’s just an example).

 

 

Herkunft Gäste in Wien 2007-2013-sterreich-Nachbarl-nder-Europ-ische-L-nder-Amerika-Asien-Sonstige_chartbuilder

Die Erstellung des Charts erfolgte über Chartbuilder das Chartframework von Quartz. Unter können Charts für unseren Kurs erstellt werden: http://joechler.info/chartbuilder/Chartbuilder-master/
wien-stats-transpose

Einzige Voraussetzung sind die entsprechenden Daten in Spalten und Reihen, die über Copy-Paste eingefügt werden. Dazu braucht es einige grundlegende Skills in der Tabellenkalkulation, Schwerpunkt unseres Workshops am 22.11.

 

 

Infographics showcase: dadaviz

dadaviz.com is a neverending source of inspiration – showing the best of today’s infographics, high frequency, tremendous resource, must see!

a sample infographic from washingtonpost.com:
where-you-can-both-smoke-weed-and-get-a-same-sex-m-1415281089.65-7548633