Methodik
Diese Seite erklärt die Datenquellen, Modelle und Annahmen hinter Wie arm bin ich?. Das Ziel: vollständige Transparenz — jede Zahl im Tool lässt sich bis zur Quelle und Berechnung zurückverfolgen.
Daten zur Vermögensverteilung
Daten zu Vermögensanteilen stammen aus World Inequality Database, das Distributional National Accounts (DINA) für Dutzende Länder veröffentlicht. Diese Konten teilen das Nationalvermögen in Gruppen:
- Untere 50 % — Die untere Hälfte der Bevölkerung nach Nettovermögen
- Mittlere 40 % — Vom 50. bis 90. Perzentil, oft „Mittelschicht“ genannt
- Obere 10 % — Das reichste Zehntel, das in den meisten Ländern 60–80 % des Vermögens hält
- Obere 1 % — Eine Untergruppe der oberen 10 %, die typischerweise 25–40 % des Vermögens hält
Diese Anteile definieren die Stützstellen, anhand derer du in der Verteilung verortet wirst. Je granularer die Stützstellen für ein Land, desto präziser das Endperzentil.
Einkommen-zu-Vermögen-Schätzung
Die meisten kennen ihr Einkommen, aber nicht ihr Nettovermögen. Um diese Lücke zu schließen, nutzt das Tool ein 18-Faktor-Schätzmodell, das das Verhältnis Einkommen/Vermögen anhand demografischer und finanzieller Merkmale anpasst:
- Altersgruppen (jüngere Menschen haben meist niedrigere Vermögens-zu-Einkommens-Verhältnisse)
- Bildungsniveau (höhere Bildung korreliert mit höherem Lebenseinkommen und Sparen)
- Beschäftigungstyp (selbständig vs. angestellt, öffentlich vs. privat)
- Sparquote und Investitionsverhalten
- Wohneigentum und Hypothekenstatus
- Offene Schulden (Studienkredite, Konsumschulden)
Jeder Faktor verringert die Unsicherheit. Ohne Faktoren liegt die Streuung bei rund ±70 %. Mit allen 18 Faktoren sinkt sie auf etwa ±10 %. Das Tool zeigt das Konfidenzband neben dem geschätzten Perzentil.
Perzentilberechnung
Sobald dein geschätztes Nettovermögen feststeht, verortet das Tool dich in der Verteilung mittels stückweise lineare Interpolation zwischen den bekannten Stützstellen. Beispiel: Halten die unteren 50 % 5 % und die mittleren 40 % 35 % des Gesamtvermögens, wird deine Position dazwischen linear interpoliert. Das ist eine Annäherung — reale Verteilungen sind nicht exakt linear — liefert aber mit den verfügbaren Daten eine vernünftige Schätzung.
Milliardärsvergleich
Der Modus „Wie lange würde es dauern?“ verwendet die Liste Forbes Real-Time Billionaires. Vermögensangaben werden zur Build-Zeit für die reichste Person jedes Landes gebündelt.
Die Berechnung „Jahre zum Verdienen“ ist bewusst einfach: das Vermögen des Milliardärs ÷ dein Jahreseinkommen, ohne Zinsen, Zinseszins, Steuern oder Inflation. Das ist Absicht — es geht nicht um Finanzplanung, sondern um eine fühlbare Darstellung der Lücke. Wenn die Antwort „4 Millionen Jahre“ lautet, ändert eine 7 %-Rendite nichts an der Aussage.
Quellen für Steuerdaten
Effektive Steuersätze nach Vermögensklassen stammen aus akademischer Forschung und amtlichen Statistiken. Anders als bei Vermögensverteilungsdaten gibt es keine einheitliche API; sie werden manuell aus den unten zitierten Quellen gepflegt.
| Country | Source | Year |
|---|---|---|
| 🇦🇺Australia | ATO Taxation Statistics; Leigh (2009, updated); Grattan Institute distributional analysis | 2022 |
| 🇦🇹Austria | Statistik Austria, Integrierte Lohn- und Einkommensteuerstatistik (integrated wage and income tax statistics). Social contributions ~18% employee share, capped. Flat 27.5% KESt on capital income reduces effective rates for top brackets. Sub-percentile rates estimated from capital income concentration data. | 2023 |
| 🇧🇪Belgium | Statbel fiscal income statistics (decile distribution of net taxable income, total tax, and average tax rate, income year 2023). Very high social contributions (~13% employee). No general capital gains tax; 30% withholding on dividends. Sub-percentile rates estimated from OECD/WID capital income concentration. | 2023 |
| 🇧🇷Brazil | Receita Federal; Morgan (2017), WID.world; Gobetti & Orair (2017) | 2021 |
| 🇨🇦Canada | Statistics Canada; PBO Distributional Analysis 2023; OECD Tax Database 2024 | 2022 |
| 🇨🇱Chile | SII (Servicio de Impuestos Internos) bracket data; WID.world Chile distributional accounts; López & Figueroa (Harvard CID). Highly regressive due to 19% IVA consumption tax burden on lower incomes and favourable capital income treatment. Top 1% earn ~25% of pre-tax income (WID). Sub-percentile effective rates estimated. | 2024 |
| 🇩🇰Denmark | Danish Ministry of Taxation; OECD Tax Database 2024; WID.world Denmark series | 2022 |
| 🇫🇮Finland | Statistics Finland income distribution statistics; Verohallinto public tax data. Finland's dual income tax system: progressive earned income tax up to ~51.4%, flat 30–34% capital income tax. Sub-percentile rates estimated from capital vs labour income shares. OECD Taxing Wages 2025: average net tax rate 30.3%. | 2023 |
| 🇫🇷France | Landais, Saez & Zucman (2020); WID.world France series; EU Tax Observatory (2024) | 2022 |
| 🇩🇪Germany | Bach, Beznoska & Steiner (2020), DIW Berlin; Bundesfinanzministerium Datensammlung; OECD 2024 | 2021 |
| 🇮🇪Ireland | Revenue Commissioners income tax distribution tables; CSO Ireland's Tax Statistics 2024; Social Justice Ireland effective rate analysis (10.3% at €25K, 39.0% at €120K). Top rate = 40% income tax + 8% USC. Top 1% (>€203K) pay ~19% of personal tax. Entrepreneur relief (10% CGT) benefits top brackets. | 2024 |
| 🇮🇹Italy | Ministero dell'Economia; Acciari & Morelli (2023); EU Tax Observatory (2024) | 2022 |
| 🇯🇵Japan | National Tax Agency statistics; Moriguchi & Saez (2008, updated); OECD Tax Database 2024 | 2022 |
| 🇳🇿New Zealand | NZ Inland Revenue, High-Wealth Individuals Research Project (April 2023): median effective rate of 8.9% for 311 high-wealth individuals on economic income incl. unrealised gains, vs 20.2% for middle NZ. Lower brackets from NZ Treasury distributional analysis. No general capital gains tax. | 2023 |
| 🇳🇴Norway | Alstadsæter, Johannesen & Zucman (2019); SSB tax statistics; WID.world Norway series | 2021 |
| 🇿🇦South Africa | SARS Tax Statistics; Chatterjee, Czajka & Gethin (2022), WID.world; National Treasury | 2021 |
| 🇪🇸Spain | Agencia Tributaria; Alvaredo & Saez (2009, updated); EU Tax Observatory (2024) | 2022 |
| 🇸🇪Sweden | Waldenström (2020), IFN Stockholm; SCB tax statistics; WID.world Sweden series | 2021 |
| 🇨🇭Switzerland | Swiss Federal Tax Administration; Brülhart et al. (2022); OECD Tax Database 2024 | 2022 |
| 🇳🇱The Netherlands | CPB Netherlands Bureau; CBS income statistics; EU Tax Observatory (2024) | 2022 |
| 🇬🇧United Kingdom | Advani, Chamberlain & Summers (2023); HMRC Survey of Personal Incomes; ONS household data | 2022 |
| 🇺🇸United States | Saez & Zucman (2019), The Triumph of Injustice; updated with IRS microdata through 2018 | 2018 |
Effective tax rates include all taxes: income, payroll, corporate (allocated to shareholders), property, estate, and consumption taxes, divided by total pre-tax economic income. Sources combine academic research, government tax statistics, and the EU Tax Observatory Global Tax Evasion Report (2024). Tax rate data is not API-fetchable and is maintained manually from published government statistics and academic papers.
Grenzen
- Unterschätzung an der Spitze — Befragungsbasierte Vermögensdaten unterschätzen die Bestände Superreicher systematisch, da sie in Haushaltsbefragungen unterrepräsentiert sind. WID korrigiert teilweise mit Steuerdaten, Lücken bleiben.
- Selbstauskunfts-Bias — Nutzer:innen geben ihr Einkommen selbst ein, das nicht zwingend die Gesamtvergütung abbildet (Boni, Equity, nicht realisierte Gewinne).
- Länderspezifische Vorbehalte — Datenqualität variiert je Land. Einige haben detaillierte steuerbasierte Vermögensdaten, andere stützen sich auf Befragungsschätzungen mit größerer Unsicherheit.
- Modellannäherung — Das 18-Faktor-Modell ist eine statistische Annäherung, keine personalisierte Finanzberatung. Individuelle Lebensumstände können stark vom Bevölkerungsdurchschnitt abweichen.
Aktualität der Daten
Alle Daten werden zur Build-Zeit gebündelt und statisch ausgeliefert — bei Nutzung des Tools werden keine externen Aufrufe gemacht. Ein einziges Fetch-Skript (scripts/fetch-all-data.mjs) zieht Daten aus:
- WID.world-API — Vermögens- und Einkommensanteile, Mittel-/Median-Vermögen, Gini-Koeffizienten
- Weltbank-API — Bevölkerung (SP.POP.TOTL)
- EZB / Frankfurter-API — Wechselkurse zur Währungsumrechnung
- Forbes-RTB-API — Vermögen der Milliardäre
- OECD / FRED — Löhne, VPI, Hauspreisindizes
Steuerdaten sind die Ausnahme — sie stammen aus Fachpublikationen und werden manuell mit vollständigen Quellenangaben gepflegt (siehe Tabelle oben).