Den weltweiten Solarboom visualisieren

TAZ hier  von Lalon Sander 15.05.2026

Rezept für Strom-Daten: Mit Python, Ember-Daten und Datawrapper zeigen, welche Länder 2025 den meisten Solarstrom produzierten.

Mit Datawrapper visualisiert sieht das Ergebnis für 2025 so aus :

Luxemburg führt mit über 30 Prozent, gefolgt von Ungarn, Chile und Nordmazedonien. Einige Graphen sind schon auf den ersten Blick interessant: Beispielsweise das schon sehr lange rechts regierte Ungarn oder die Stagnation in El Salvador. Auffällig ist, wie steil die Kurven in den meisten dieser Länder verlaufen: Was um 2015 noch kaum messbar war, hat sich in einem Jahrzehnt vervielfacht.

Pakistan ist dafür vielleicht das eindrücklichste Beispiel – von 0,3 Prozent auf 18 Prozent in zehn Jahren. Wie es dazu gekommen ist, dass gerade Pakistan und Chile heute zu den Solarspitzenreitern gehören, habe ich im vergangenen Jahr ausführlich beschrieben: Das Zeitalter der Sonne wird keiner mehr stoppen.

Seit einigen Jahren wächst der Solarausbau weltweit exponentiell:
Die Technologie ist extrem billig geworden und mehrere Energiekrisen haben die Risiken fossiler Energien verdeutlicht. Inzwischen eröffnet sie vielen Ländern einen realistischen Weg, ihr Energiesystem klimafreundlich umzubauen.  

Wer wissen will, wie der Ausbau in einzelnen Ländern verläuft, findet in den Daten der Denkfabrik Ember Energy eine gute Grundlage. Die Organisation recherchiert aufwändig Daten für 215 Länder und Regionen und bietet das Ergebnis frei zugänglich im Netz an. Diese zeigten im April, dass 2025 der Solarboom erstmals zu einem leichten Rückgang der Emissionen in der Stromerzeugung geführt hat.

Hintergrund

In diesem Post zeige ich, wie sich diese Daten mit wenigen Zeilen Python auswerten lassen. Für Python-Nutzer*innen gibt es hier ein Jupyter Notebook, mit dem sich die unten beschriebenen Schritte ausführen lassen.

Ember veröffentlicht jedes Jahr einen umfangreichen Datensatz. Er enthält die Stromerzeugung nach Energieträgern für mehr als 90 Länder, die mehr als 93 Prozent der weltweiten Stromproduktion ausmachen. Die Daten der anderen Länder kommen nach und nach hinzu. Deshalb ist der Datensatz für ein Jahr erst im übernächsten Jahr vollständig. Netterweise bietet Ember die Daten als einfache CSV-Datei auf einem öffentlichen Server an, die mit der Python-Bilbiothek pandas direkt aus dem Netz geladen und verarbeitet werden kann.

Der Datensatz liegt im „Long Format“ vor. Das heißt: Jede Zeile enthält genau eine Beobachtung – Land, Jahr, Energieträger, Einheit und Wert.  Um sinnvoll damit zu arbeiten, braucht es zunächst einige Filter. Wir betrachten nur Länder, keine Regionen wie „Europa“, nur Solarstrom und nur den prozentualen Anteil am Strommix, nicht die absoluten Terawattstunden. Der Prozentanteil ist aussagekräftiger, weil er den Vergleich zwischen großen und kleinen Ländern fair macht: Ein kleines Land, das 20 Prozent seines Stroms aus Solar holt, ist solarintensiver als ein großes Land mit mehr absoluter Solarleistung, aber nur fünf Prozent Anteil.

Mit der pivot-Methode schreiben wir die Daten anschließen um: Statt einer langen Tabelle mit einer Zeile pro Land-Jahr-Kombination entsteht eine Tabelle im „Wide Format“ – eine Zeile pro Land, eine Spalte pro Jahr. Das ermöglicht den Vergleich auf einen Blick. Wer den Code selbst ausführt, erhält eine Tabelle mit rund 200 Ländern und gut 25 Jahresspalten. Danach folgt die Sortierung nach dem aktuellsten Jahr, die Auswahl der Top 10 und das Speichern als CSV.