Dieses abschließende Kapitel führt die Stränge des Buches zusammen — Mikro, Makro, Institutionen und Empirie — um die folgenreichste Frage der Ökonomik zu beantworten: Warum sind manche Länder reich und andere arm, und was kann dagegen getan werden?
Entwicklungsökonomik ist nicht „angewandte Wachstumstheorie“. Sie befasst sich mit Koordinationsversagen, institutionellen Fallen, Humankapitaldefiziten und politischer Ökonomie, von denen Standardmodelle abstrahieren. Sie weist auch die dramatischste methodische Revolution der modernen Ökonomik auf: den Aufstieg randomisierter kontrollierter Studien als Instrument zur Bewertung von Interventionen — und, in jüngerer Zeit, die Gegenrevolution der strukturellen Schätzung, die über das hinausgehen will, was ein einzelnes Experiment sagen kann.
Dieses Kapitel synthetisiert das gesamte Lehrbuch. Wachstumstheorie (Kap. 13) liefert den Rahmen. Institutionen (Kap. 18) liefern die tiefen Determinanten. Ökonometrie (Kap. 10) liefert die Identifikationsinstrumente — Instrumentalvariablen, Regressionsdiskontinuität und die Logik kausaler Inferenz. Verhaltensökonomische Erkenntnisse (Kap. 19) informieren die Gestaltung von Entwicklungsinterventionen.
Voraussetzungen: Kap. 10 (Grundlagen der Ökonometrie — IV, Regression), Kap. 13 (Wachstumstheorie — Solow-Modell, Steady States), Kap. 18 (Institutionenökonomik — AJR, extraktive/inklusive Institutionen), Kap. 19 (Verhaltensökonomik — Nudges, RCTs).
Genannte Literatur: Lewis (1954); Rosenstein-Rodan (1943); Murphy, Shleifer & Vishny (1989); Acemoglu, Johnson & Robinson (2001); Nunn (2008); Mincer (1974); Bleakley (2007); Miguel & Kremer (2004); Banerjee, Duflo & Kremer (Nobelpreis 2019); Todd & Wolpin (2006); Attanasio, Meghir & Santiago (2012); Deaton (2010); Allcott (2015); Lin (2012); Rodrik (2004).
Die reichsten Länder — Norwegen, die Schweiz, die Vereinigten Staaten — haben ein BIP pro Kopf von über \$60.000 (KKP). Die ärmsten — Burundi, Südsudan, die Zentralafrikanische Republik — haben ein BIP pro Kopf unter \$500. Ein Faktor von über 100 trennt die reichsten von den ärmsten, und diese Kluft hat sich über zwei Jahrhunderte dramatisch vergrößert. Im Jahr 1800 betrug das Verhältnis der reichsten zu den ärmsten Ländern etwa 5:1. Bis 2000 überstieg es 100:1. Diese „Große Divergenz“ ist die zentrale Tatsache, die die Entwicklungsökonomik erklären muss.
Die Penn World Table offenbart mehrere Muster. Im frühen 19. Jahrhundert war die Verteilung annähernd unimodal: Fast alle Länder waren arm. Die industrielle Revolution schuf eine Divergenz, die sich im 20. Jahrhundert beschleunigte. In den 1970er–1980er Jahren war die Verteilung deutlich bimodal geworden — „Zwillingsgipfel“ (Quah 1996). Seit 2000 haben das schnelle Wachstum Chinas und Indiens die Lücke teilweise gefüllt, obwohl Subsahara-Afrika weitgehend am unteren Gipfel verbleibt.
| Kaldor-Fakten (Kap. 13) | Entwicklungsfakten (dieses Kapitel) |
|---|---|
| Konstantes Kapital-Output-Verhältnis | Steigendes Kapital-Output-Verhältnis während der Industrialisierung |
| Konstanter Lohnanteil | Sinkender Lohnanteil in der Landwirtschaft, steigend in der Industrie, dann in Dienstleistungen |
| Konstante Wachstumsrate der Produktion pro Arbeiter | Hoch variable Wachstumsraten; Episoden der Beschleunigung und Stagnation |
| Gleichgewichtiger Wachstumspfad | Strukturwandel; unausgeglichenes, sektorverschiebendes Wachstum |
Das Solow-Modell (Kap. 13) erfasst die Kaldor-Fakten gut. Es erfasst die Entwicklungsfakten nicht — es hat einen Sektor, eine Art von Arbeit und glatte Konvergenz. Entwicklungsökonomik erfordert Modelle mit mehreren Sektoren, heterogener Arbeit und der Möglichkeit von Fallen.
Abbildung 20.3. Globale Einkommensverteilung im Zeitverlauf (stilisiert). Schieben Sie durch die Jahrzehnte, um die Entwicklung von unimodal (1800) über Zwillingsgipfel (1970er) zu partieller Konvergenz (2000er) zu sehen. Verwenden Sie den Schieberegler oder die Abspieltaste.
Der Subsistenzsektor weist überschüssige Arbeitskräfte auf:
Der Subsistenzsektor weist überschüssige Arbeitskräfte auf:
Der moderne Sektor stellt Arbeiter ein, solange $MPL_M > \bar{w}$. Während der Phase überschüssiger Arbeitskräfte steht der moderne Sektor einem vollkommen elastischen Arbeitsangebot beim Lohn $\bar{w}$ gegenüber. Gewinne ($\Pi_M = Y_M - \bar{w}L_M$) werden reinvestiert, was einen positiven Kreislauf erzeugt: Kapitalakkumulation erhöht $MPL_M$, absorbiert mehr Arbeiter und generiert mehr Gewinne.
China ist die dramatischste moderne Illustration. Zwischen 1980 und 2010 hat China Hunderte Millionen Arbeiter von der ländlichen Landwirtschaft in die städtische Industrie transferiert und Wachstumsraten von 10 % pro Jahr erzielt. Ökonomen debattieren, ob China seinen Lewis-Wendepunkt um 2010–2015 erreicht hat, belegt durch schnell steigende Löhne in den Industriezonen an der Küste.
Abbildung 20.2. Lewis-Zwei-Sektoren-Modell. Links: MPL-Kurve des modernen Sektors und Subsistenzlohn. Rechts: Produktion nach Sektor. Erhöhen Sie das Kapital zur Arbeitsabsorption; achten Sie auf den Lewis-Wendepunkt. Ziehen Sie die Schieberegler zum Erkunden.
Die Republik Kaelani hat 10 Millionen Arbeiter. Derzeit arbeiten 7 Millionen im Subsistenzsektor mit einem Überschuss von 3 Millionen ($\bar{L} = 4$ Millionen). Moderner Sektor: $A_M = 2$, $K_M = 100$, $\alpha = 0{,}4$.
(a) Aktuelle Produktion des modernen Sektors ($L_M = 3$M): $Y_M^{\text{before}} = 2 \times 100^{0{,}4} \times 3^{0{,}6} \approx 24{,}40$. Nach Umverteilung von 1M Arbeitern ($L_M = 4$M): $Y_M^{\text{after}} = 2 \times 100^{0{,}4} \times 4^{0{,}6} \approx 28{,}99$. Produktionsgewinn = 4,59 Einheiten (18,8 % Steigerung), ohne Produktionsverlust im Subsistenzsektor, da die transferierten Arbeiter überschüssig waren.
(b) Am Wendepunkt gilt $L_M = L - \bar{L} = 6$M. Setze $MPL_M = \bar{w} = 1$: $K_M^* \approx 3{,}80$ — eine niedrige Schwelle, die den Reichtum an überschüssigen Arbeitskräften und den bescheidenen Subsistenzlohn widerspiegelt.
Das Standard-Solow-Modell weist eine konkave Produktionsfunktion auf, die einen eindeutigen stabilen Steady State garantiert. Armutsfallen erfordern eine S-förmige (lokal konvexe) Produktionsfunktion, die mehrere Schnittpunkte zwischen $sf(k)$ und $(n+\delta)k$ erzeugt.
Abbildung 20.1. Armutsfallen-Diagramm. Die S-förmige $sf(k)$-Kurve schneidet die $(n+\delta)k$-Linie an bis zu drei Punkten. Ziehen Sie den Punkt, um die Konvergenz zur niedrigen Falle oder zum hohen Gleichgewicht zu sehen. Passen Sie Sparquote und Krümmung mit den Schiebereglern an. Ziehen Sie den Anfangsbedingungspunkt zum Erkunden.
Das MSV-Modell erzeugt zwei Nash-Gleichgewichte: keine Industrialisierung (die Armutsfalle) und vollständige Industrialisierung (das Entwicklungsgleichgewicht). Eine Regierung kann als Koordinierungsmechanismus dienen — durch Subventionierung gleichzeitiger Investitionen über Sektoren hinweg.
Nicht alle armen Länder sind gefangen. Kraay und McKenzie (2014) finden begrenzte Evidenz für Armutsfallen auf Haushaltsebene. Auf Länderebene ist die anhaltende Unterentwicklung in Teilen Subsahara-Afrikas eher konsistent mit einer Fallendynamik, besonders in Kombination mit institutionellem Versagen und Konflikten.
Gegeben: $f(k) = k^2/(1+k^2)$ (S-förmig), $s = 0{,}20$, $n+\delta = 0{,}10$. Setze $sf(k) = (n+\delta)k$ und löse: $k = 0$ und $k = 1$ (doppelte Wurzel — die Falle ist an der Existenzgrenze).
Für ein reichhaltigeres Beispiel: $f(k) = k^{2{,}2}/(1+k^{2{,}2})$ ergibt drei Lösungen: $k_L^* \approx 0$ (Armutsfalle), $k_U \approx 0{,}72$ (instabile Schwelle), $k_H^* \approx 1{,}45$ (hohes Gleichgewicht). Bei $k_U$ ist die Produktionsfunktion lokal konvex, sodass $g'(k_U) > 0$ — instabil. Der Big Push erfordert eine Injektion von $\Delta k \approx 0{,}72$ pro Arbeiter.
Die grundlegende Herausforderung ist Endogenität: Reiche Länder können sich bessere Institutionen leisten. AJR (2001) schlugen eine IV-Strategie unter Verwendung der Siedlersterblichkeit vor. Der First-Stage-Koeffizient $\beta$ ist negativ und hochsignifikant (F-Statistik > 20). Die 2SLS-Schätzung $\hat{\delta} \approx 0{,}94$ übersteigt OLS ($\approx 0{,}52$) — konsistent mit Attenuation Bias durch Messfehler.
Natürliche Experimente verstärken die Institutionenhypothese: Nord- vs. Südkorea, Ost- vs. Westdeutschland, China vor und nach der Reform und Botswana vs. seine Nachbarn illustrieren alle, wie institutionelle Divergenz Einkommensdivergenz antreibt.
Abbildung 20.4. Institutionen vs. Geografie — Streudiagramm. Wechseln Sie die X-Achsen-Variable, um Siedlersterblichkeit, Breitengrad und Rechtsstaatlichkeit als Prädiktoren des Einkommens zu vergleichen. Verwenden Sie das Dropdown zum Umschalten der Ansichten.
Ergebnisse: First-Stage F = 22,9, $\hat{\beta} = -0{,}61$, 2SLS $\hat{\delta} = 0{,}94$ (SE = 0,16), OLS = 0,52. (a) Eine Einheit Verbesserung der Institutionenqualität verursacht einen Anstieg des BIP/Kopf um 0,94 Log-Punkte. Der Wechsel vom 25. Perzentil (Score 5) zum 75. (Score 8) prognostiziert einen Anstieg um \$1 \times 0{,}94 = 2{,}82$ Log-Punkte — ungefähr das 16,8-Fache.
(b) Bedrohungen der Ausschlussbeschränkung: Siedlersterblichkeit könnte die aktuelle Krankheitsumgebung abbilden (direkte Produktivitätsreduktion); Europäer könnten über Institutionen hinaus unterschiedlich in Infrastruktur investiert haben. (c) IV > OLS wahrscheinlich aufgrund von Attenuation Bias: Wenn das Reliabilitätsverhältnis ~0,55 beträgt, dann \$1{,}52/0{,}55 \approx 0{,}94$.
| Einkommensgruppe | Durchschnittliche Rendite (ρ̂) |
|---|---|
| Länder mit niedrigem Einkommen | 10,5 % |
| Unteres mittleres Einkommen | 8,7 % |
| Oberes mittleres Einkommen | 7,2 % |
| Länder mit hohem Einkommen | 5,4 % |
Bleakley (2007) nutzte geografische Variation in der Hakenwurmprävalenz und zeigte einen Einkommensanstieg von 17 % pro Standardabweichung Reduktion. Miguel & Kremer (2004) fanden, dass Entwurmung die Schulfehlzeiten um 25 % reduzierte mit großen Spillovers — ungefähr \$3,50 pro zusätzlichem Schuljahr, eine der kosteneffektivsten Entwicklungsinterventionen überhaupt.
Abbildung 20.5. Mincer-Gleichungs-Explorer. Passen Sie Schuljahre und Renditen an, um zu sehen, wie sich das Log-Lohn-Profil verschiebt. Die gestrichelte Linie zeigt die Prämie für 4 zusätzliche Jahre. Ziehen Sie die Schieberegler zum Erkunden.
Land A (niedriges Einkommen): $\hat{\rho} = 0{,}10$, $\hat{\beta}_1 = 0{,}03$, $\hat{\beta}_2 = -0{,}0005$. Land B (hohes Einkommen): $\hat{\rho} = 0{,}05$, $\hat{\beta}_1 = 0{,}05$, $\hat{\beta}_2 = -0{,}0008$. Die Bildungsprämie für 4 zusätzliche Jahre: Land A = $e^{0{,}40}-1 = 49{,}2\%$; Land B = $e^{0{,}20}-1 = 22{,}1\%$.
Lohnspitze bei $\text{Exp}^* = \beta_1 / (2|\beta_2|)$: Land A bei 30 Jahren, Land B bei 31,25 Jahren. Renditeunterschiede aufgrund von Knappheit, Fähigkeitsverzerrung, Kreditbeschränkungen, Schulqualität und Signaling- vs. Humankapitaleffekten.
Banerjee, Duflo und Kremer erhielten 2019 den Nobelpreis für ihren experimentellen Ansatz zur Linderung globaler Armut. Wichtige Befunde: Geldtransfers wirken und reduzieren nicht die Arbeitsmotivation; Mikrofinanz ist nicht transformativ; Entwurmung ist außerordentlich kosteneffektiv. Der größte Beitrag der RCT-Revolution war, Vorannahmen durch Evidenz zu ersetzen.
| Intervention | Ergebnis | Studie |
|---|---|---|
| Entwurmung | 25 % weniger Fehlzeiten; große Spillover-Effekte | Miguel & Kremer (2004) |
| Moskitonetze | Kostenlose Verteilung erzielt weitaus höhere Annahme als Kostenbeteiligung | Cohen & Dupas (2010) |
| Mikrofinanz | Bescheidene Auswirkungen auf Geschäftseinkommen; keine transformative Armutsreduktion | Banerjee et al. (2015) |
| Geldtransfers (unbedingt) | Empfänger investieren produktiv; Effekte sind nachhaltig | GiveDirectly (Haushofer & Shapiro 2016) |
| Geldtransfers (bedingt, Progresa) | +8 Pp. Einschulung, verbesserte Ernährung | Schultz (2004) |
| Lehreranreize | Leistungsbasierte Vergütung verbessert Testergebnisse; Designdetails sind entscheidend | Muralidharan & Sundararaman (2011) |
Abbildung 20.6. RCT-Power-Rechner. Sehen Sie, wie Effektgröße, Varianz, Signifikanzniveau und Clustering die erforderliche Stichprobengröße beeinflussen. Die gestrichelte Linie markiert 80 % Power. Ziehen Sie die Schieberegler zum Erkunden.
Kaelanis Ministerium erwartet einen Einkommenseffekt von \$30/Monat ($\sigma = 120$). Bei $\alpha = 0{,}05$, 80 % Power: $N = 2 \times 120^2 \times (1{,}96+0{,}84)^2 / 30^2 \approx 251$ pro Arm. Bei Cluster-Randomisierung (42 Dörfer, 60 Haushalte je, ICC = 0,04): Designeffekt = 3,36, effektive Stichprobe = 750 — deutlich über 251.
Wenn das Budget nur 1.500 pro Arm erlaubt: effektive Stichprobe $\approx 446$. MDE $= \sqrt{2 \times 14400 \times 7{,}84 / 446} \approx \$22{,}50$/Monat — kleiner als der erwartete \$30-Effekt, sodass die Studie ausreichend gepowert bleibt.
Wenn das Solow-Modell Recht hat und armen Ländern Kapital fehlt, scheint die Lösung offensichtlich: Kapital aus reichen Ländern transferieren. Das ist die Logik der Entwicklungshilfe. Billionen von Dollar wurden auf dieser Prämisse ausgegeben. Dambisa Moyo argumentiert, dass es die Dinge verschlimmert hat.
FortgeschrittenTodd und Wolpin (2006) validierten ein strukturelles Modell gegen den Progresa-RCT und nutzten es dann, um ungetestete Kontrafaktische zu simulieren. Attanasio et al. (2012) zeigten, dass das CCT primär durch Reduktion der Opportunitätskosten der Bildung wirkte und nicht durch Lockerung von Budgetbeschränkungen — ein mechanismusbasiertes Verständnis, das Transportabilität ermöglicht.
Die Lösung ist nicht strukturell versus reduzierte Form — es ist strukturell und reduzierte Form. RCTs liefern glaubwürdige kausale Schätzungen; strukturelle Modelle liefern Rahmen für die Verallgemeinerung. Der ideale Workflow: Einen RCT nutzen, um Parameter zu identifizieren, sie in ein strukturelles Modell einspeisen, gegen experimentelle Daten validieren und dann mit ehrlichen Unsicherheitsbändern extrapolieren.
Abbildung 20.8. Strukturelle vs. reduzierte Form — Vergleich. Das linke Panel zeigt die ursprüngliche RCT-Schätzung; das rechte zeigt Vorhersagen für einen neuen Standort. Je stärker die Kontexte divergieren, desto ehrlicher passt das strukturelle Modell an, während naive Extrapolation fälschlich präzise bleibt. Verwenden Sie den Umschalter zum Wechseln der Szenarien.
Miguel & Kremer fanden 25 % Fehlzeitenreduktion in Kenia; eine Replikation in Indien fand ~3 Pp (nicht signifikant). Zentrale strukturelle Unterschiede: Helminthenprävalenz 75 % (Kenia) vs. 20–30 % (Indien); unterschiedliche Schulqualität und -zugang; unterschiedliche Opportunitätskosten der Kinderarbeit; geringere Spillover-Effekte.
Ein strukturelles Schulmodell mit Gesundheitsinputs, kalibriert auf Kenia, prognostiziert 7 Pp. Rekalibriert mit indischen Parametern: 2–3 Pp — konsistent mit der Replikation. Das Modell „weiß, was es nicht weiß“: Es passt Vorhersagen an und erweitert Konfidenzintervalle, statt fälschlich zu extrapolieren.
Die neue Strukturökonomik (Lin) argumentiert, dass Regierungen Industrien identifizieren sollten, die mit dem latenten komparativen Vorteil vereinbar sind. Rodrik erweitert dies auf grüne Industriepolitik: Die Energiewende erfordert koordinierte öffentliche Investitionen, weil CO2-Externalitäten unterbepreist sind und Learning-by-Doing-Spillovers nicht internalisiert werden.
Die Debatte zwischen bedingten und unbedingten Geldtransfers (UCTs) ist zentral für die zeitgenössische Politik. GiveDirectlys Programme zeigen, dass UCTs gut funktionieren — Empfänger investieren produktiv und Effekte halten an. Bedingungen können relevant sein, wenn Verhaltensverzerrungen optimale Investitionen verhindern (Bezug zu Kap. 19), aber möglicherweise unnötig, wenn Haushalte ohnehin in das Humankapital ihrer Kinder investieren wollen.
Abbildung 20.7. Geldtransfer-RCT-Simulator. Passen Sie Transferbetrag, Dauer und Bedingungen an, um zu sehen, wie Behandlungseffekte über Outcomes variieren. Signifikanzsterne erscheinen, wenn das KI die Null ausschließt. Ziehen Sie die Schieberegler zum Erkunden.
Die Kolonialzeit (vor 1945) schuf die institutionellen Grundlagen. Die Nachunabhängigkeitsära (1945–1980) war vom Big-Push-Denken dominiert. Der Washington-Konsens (1980–2000) förderte Märkte. Die RCT-Revolution (2000–2019) verlagerte den Fokus auf Mikroevidenz. Die Post-2015-Ära synthetisiert: Große Fragen brauchen strukturelles Denken; spezifische Politikfragen brauchen experimentelle Evidenz.
Sie haben nun den vollständigen Bogen durchlaufen: BIP-Messung (Kap. 7), Kapitalakkumulation (Kap. 9), endogenes Wachstum (Kap. 13), Institutionen (Kap. 18) und die empirische Grenze (dieses Kapitel). Das ist die letzte Station — und die ehrliche Auflösung ist, dass keine einzelne Theorie gewinnt.
Die RCT-Revolution zeigt, dass spezifische Interventionen funktionieren: Bargeldtransfers erhöhen Einkommen und Wohlfahrt (GiveDirectly), Entwurmung hat große langfristige Erträge (Miguel & Kremer), und Informationsinterventionen verändern Verhalten. Aber die Effektgrößen sind klein relativ zur Einkommenslücke. Ein Moskitonetz, das Malaria verhindert, rettet Leben, erklärt aber nicht den 50-fachen Unterschied im Pro-Kopf-Einkommen. Strukturelle Schätzung (Buera, Kaboski & Shin 2011) quantifiziert den Beitrag von Fehlallokation und Marktversagen zu aggregierten Produktivitätslücken — und findet, dass Kapitalmarktverzerrungen allein einen Faktor von 2–3-fach in TFP-Unterschieden erklären können. Der Werkzeugkasten der Entwicklungsökonomik hat jetzt zwei Schichten: RCTs identifizieren lokale kausale Effekte spezifischer Interventionen; strukturelle Modelle betten diese Effekte in allgemeines Gleichgewicht ein, um nach aggregierten Konsequenzen zu fragen.
Deatons Kritik an RCTs: RCTs beantworten „Funktionierte diese Intervention in diesem Kontext?“, aber nicht „Wird sie anderswo funktionieren?“ oder „Warum funktioniert sie?“. Ohne Theorie generalisieren RCT-Ergebnisse nicht. Externe Validität (§20.7) ist die bindende Beschränkung. Pritchetts Kritik: Die Interventionen, die RCTs studieren — Moskitonetze, Lehrbücher, Entwurmung —, sind zu klein, um die Entwicklungslücke zu erklären. Die großen Treiber sind nationale Institutionen, Industriepolitik und makroökonomisches Management. Man kann die Institutionen eines Landes nicht randomisieren. Chinas Herausforderung: Die dramatischste Armutsreduktion der Geschichte (800 Millionen Menschen) geschah durch heimische Politikreform, nicht durch die Interventionen, die die Hilfegemeinschaft studiert. China brauchte keine RCTs; es brauchte institutionelle Veränderung — und die spezifischen institutionellen Veränderungen, die es vornahm (Zweispur-Liberalisierung, SWZs, Exportorientierung), passen nicht sauber in irgendeinen theoretischen Rahmen.
Die Grenze bewegt sich in Richtung Kombination von RCTs mit strukturellen Modellen. RCTs identifizieren lokale Parameter; strukturelle Modelle betten sie in allgemeines Gleichgewicht ein. Das ist die Synthese „Glaubwürdigkeitsrevolution trifft strukturelle Schätzung“. Gleichzeitig repräsentiert die Wiederbelebung der Industriepolitik (Lin, Rodrik) eine Rückkehr zum großen Denken — aber mit besserer empirischer Disziplin als in der Ära der Importsubstitution. Die Profession ist auch ehrlicher darüber, was sie nicht weiß: Die historische Kontingenz der Entwicklung (warum Botswana und nicht Sambia?) mag pfadabhängige Prozesse beinhalten, die sich einfachen kausalen Erklärungen widersetzen.
Die ehrliche Antwort auf „Warum sind manche Länder arm?“ lautet: Institutionen und Ideen sind die grundlegenden Ursachen, die durch mehrere Kanäle wirken — Eigentumsrechte, Humankapital, Technologieadoption, politische Stabilität. RCTs helfen uns, spezifische Mechanismen zu verstehen. Geografie und Kultur interagieren mit Institutionen, statt Alternativen zu ihnen zu sein. Keine einzelne Theorie erklärt alles, und die Frage bleibt wirklich offen. Das ist selbst eine wichtige Sache, die der Leser verstehen sollte: Die größte Frage der Ökonomik hat keine saubere Konsensantwort. Was wir wissen, ist, dass die näheren Ursachen (Kapital, Humankapital, TFP) gut gemessen sind, die tiefen Ursachen (Institutionen, Geografie, Kultur) wirklich debattiert werden, und die politischen Hebel (spezifische Interventionen vs. institutionelle Reform) auf unterschiedlichen Skalen mit unterschiedlichen Evidenzbasen operieren. Die besten Entwicklungsökonomen halten all das in Spannung, statt sich auf eine Geschichte festzulegen.
Das ist die letzte Station der GF02, aber die Frage ist weit davon entfernt, geschlossen zu sein. Industriepolitik feiert ein Comeback — funktioniert staatlich geführte Entwicklung? Chinas Wachstumswunder fordert die „Inklusive-Institutionen“-Geschichte heraus. Klimawandel droht, Jahrzehnte der Konvergenz umzukehren, wobei die ärmsten Länder Kosten tragen, die sie nicht verursacht haben. Die KI-Revolution könnte die Lücke beschleunigen oder vergrößern, je nachdem, ob Entwicklungsländer die Technologie übernehmen und anpassen können. Und das tiefste Puzzle bleibt: Wenn wir wissen, wie „gute Institutionen“ aussehen, warum können Länder sie nicht übernehmen? Die Antwort beinhaltet wahrscheinlich politische Ökonomie — die, die von extraktiven Institutionen profitieren, haben die Macht, sie aufrechtzuerhalten. Der Weg vom Wissen, was funktioniert, zu seiner Umsetzung ist möglicherweise das schwierigste Problem der gesamten Ökonomik.
Gezielte Gesundheitsinterventionen funktionieren. Regierungshilfe nicht. Die aggregierte Frage ist die falsche Frage.
Fortgeschritten800 Millionen aus Armut gehoben ohne inklusive Institutionen. Ausnahme oder alternatives Modell?
FortgeschrittenAJRs Siedlermortalitäts-Instrument sagt, Institutionen seien der Kanal. Aber institutionelle Persistenz ist komplexer als ein einzelnes IV.
FortgeschrittenSie haben den komparativen Vorteil gesehen (Kap. 2), strategischen Handel unter unvollkommenem Wettbewerb (Kap. 6) und Makro der offenen Volkswirtschaft (Kap. 17). Jetzt die Entwicklungsperspektive: Ostasiens Erfolg beinhaltete strategische Handelspolitik — aber die meisten Länder, die dasselbe versuchten, scheiterten.
Ostasiatische Entwicklung beinhaltete exportorientierte Industriepolitik: gezielten Schutz junger Industrien, Exportsubventionen und gemanagte Wechselkurse — kombiniert mit starker Humankapitalinvestition und makroökonomischer Disziplin. Japan, Südkorea, Taiwan und China wichen alle von der Freihandels-Orthodoxie ab. Das war keine Autarkie — es war strategisches Engagement mit globalen Märkten. Die neue strukturelle Ökonomik (Lin) argumentiert, Regierungen sollten Industrien identifizieren, die mit latenten komparativen Vorteilen konsistent sind, und ihre Entwicklung fördern. Rodrik erweitert das auf grüne Industriepolitik: Der saubere Energiewandel erfordert koordinierte öffentliche Investitionen, weil CO₂-Externalitäten unterbepreist sind und Learning-by-Doing-Spillovers nicht internalisiert werden. Das Erziehungszollargument, jahrzehntelang abgetan, ist in den Mainstream-Respekt zurückgekehrt — mit wichtigen Vorbehalten zur Umsetzung.
Das Selektionsproblem: Ostasiens Erfolg mag trotz Industriepolitik gewesen sein, nicht ihretwegen. Länder, die dieselben Politiken in Lateinamerika und Afrika versuchten, scheiterten — Importsubstitution in Argentinien, staatlich geführte Industrialisierung in Tansania und Ghana. Der Unterschied mag institutionelle Qualität, Bildungsniveaus oder kulturelle Faktoren sein, nicht die Handelspolitik selbst. Chinas Kosten: China nutzte Industriepolitik aggressiv, schuf aber auch massive Überkapazitäten, von Staatsbanken gestützte Zombie-Firmen, Umweltzerstörung und eine Immobilienblase. Die Kosten der Industriepolitik sind real und groß. Staatsversagen: Gewinner auszuwählen erfordert bürokratische Kompetenz und Abschirmung vom Rent-Seeking. Den meisten Regierungen fehlen beide. Die theoretischen Bedingungen für vorteilhaften strategischen Handel (Brander-Spencer) sind knifflig, und die praktischen Bedingungen sind sogar noch anspruchsvoller.
Der Mainstream der Entwicklungsökonomik hat sich vom Freihandels-Absolutismus abgewandt. Rodriks „Industriepolitik 2.0“ argumentiert für smarte, rechenschaftspflichtige Industriepolitik mit klaren Ausstiegskriterien — nicht den offenen Schutz der Importsubstitutions-Ära. Der Klimawandel schafft eine neue Rationale: Grüne Industriepolitik (Subventionen für Erneuerbare, E-Autos) ist jetzt Mainstream in den USA, der EU und China. Die Stolper-Samuelson-Verlierer aus dem Handel wurden in den meisten Ländern immer noch nicht entschädigt, und die politische Gegenreaktion (Brexit, Trump-Zölle) zwang die Profession, Verteilungseffekte ernster zu nehmen.
Die reine Freihandelsdoktrin war zu stark. Handel ist vorteilhaft, aber die Bedingungen, unter denen strategische Intervention funktioniert — starke Institutionen, bürokratische Rechenschaftspflicht, harte Budgetbeschränkungen, Exportdisziplin —, sind anspruchsvoll und selten. Die meisten Länder, die Industriepolitik versuchten, scheiterten. Die wenigen, die erfolgreich waren (Japan, Korea, Taiwan, China), taten dies unter spezifischen Bedingungen, die schwer zu replizieren sind. Die ehrliche Antwort: Freihandel ist die richtige Standardeinstellung für die meisten Länder die meiste Zeit; strategische Intervention kann funktionieren, tut es aber meist nicht; und die Verteilungseffekte des Handels müssen durch heimische Politik adressiert werden, nicht ignoriert. Die Klimadimension fügt ein wirklich neues Element hinzu — CO₂-Grenzausgleiche, grüne Subventionen und Lieferketten-Reshoring gestalten die Handelslandschaft auf Weisen um, die der Lehrbuchrahmen absorbieren muss.
Das ist die letzte Station der GF05, aber Handelspolitik entwickelt sich schnell. Klimapolitik gestaltet Handel um: CO₂-Grenzausgleiche werden in der EU umgesetzt, grüne Subventionen vermehren sich global, und Lieferkettensicherheitssorgen treiben Reshoring-Entscheidungen. Der Freihandelsrahmen muss Umweltexternalitäten, geopolitisches Risiko und Lieferkettenresilienz integrieren — nichts davon handhabt das Standardmodell gut. Die Frage „Ist Freihandel immer gut?“ mag die falsche Rahmung sein; die eigentliche Frage lautet „Welche Kombination aus Offenheit und strategischer Politik maximiert inklusive, nachhaltige Entwicklung?“ — und diese Frage ist weit offen.
Die Entwicklungserfahrung verkompliziert die Lehrbuchantwort. Ostasiens strategische Zölle funktionierten; Lateinamerikas nicht.
EinführungChinas Handelspolitik trotzte der Freihandels-Orthodoxie und produzierte das schnellste Wachstum der Geschichte. Aber die institutionellen Voraussetzungen waren einzigartig.
FortgeschrittenSie haben den Effizienz-Gleichheits-Zielkonflikt gesehen (Kap. 3), Externalitätenargumente für Umverteilung (Kap. 4), Mechanismusdesign-Beschränkungen (Kap. 12) und optimale Besteuerung (Kap. 16). Jetzt die globale Dimension: Ungleichheit innerhalb von Ländern wird von Ungleichheit zwischen Ländern in den Schatten gestellt, und die Werkzeuge, sie anzugehen, sind völlig unterschiedlich.
Ungleichheit innerhalb von Ländern (Gini-Koeffizienten von 0,35–0,60) wird von Ungleichheit zwischen Ländern (globaler Gini etwa 0,70) in den Schatten gestellt. Das reichste Dezil in Indien verdient weniger als das ärmste Dezil in mehreren OECD-Ländern. Bedingte Bargeldtransfers (Bolsa Familia, Progresa/Oportunidades) haben Armut und Ungleichheit in Entwicklungsländern mit moderaten Effizienzkosten reduziert. Humankapitalinvestition — Bildung und Gesundheit — ist sowohl effizienzsteigernd als auch ausgleichend: Mincer-Erträge sind in Entwicklungsländern höher (10–14 % vs. 5–7 %), was bedeutet, dass das Grenzjahr der Schulbildung dort größere Erträge hat, wo Ungleichheit am größten ist. Entwicklungsökonomik liefert eine andere Menge von Werkzeugen als heimische Steuern-und-Transfers: RCTs zur Bewertung spezifischer Interventionen, strukturelle Politiken für Wachstum und institutionelle Reform für die tiefen Determinanten.
Wachstum vs. Umverteilung: In armen Ländern ist Wachstum zur Armutsreduzierung weit mächtiger als Umverteilung. China hob 800 Millionen aus der Armut durch Wachstum, nicht durch Transfers. Einen kleinen Kuchen umzuverteilen bewirkt weniger, als den Kuchen wachsen zu lassen. Fokus auf Institutionen und Wachstum, nicht auf die Aufteilung des Wenigen, was es gibt. Gegen CCTs: Bedingte Transfers sind paternalistisch — warum nicht bedingungslos? Zielgerichtetheit ist kostspielig und unvollkommen: Verwaltungskosten verbrauchen Ressourcen, und die Bedingungen setzen voraus, dass Regierungen besser wissen als Haushalte, welche Investitionen zu tätigen sind. Ein bedingungsloses Grundeinkommen mag einfacher und würdiger sein. Die Migrationsfrage: Wenn Ungleichheit zwischen Ländern die dominante Dimension ist, ist das mächtigste „Umverteilungs“-Werkzeug, Menschen zu erlauben, von armen in reiche Länder zu ziehen. Offene Grenzen würden mehr für globale Gleichheit tun als jedes Steuersystem — aber Migration ist auf dem erforderlichen Maßstab politisch undenkbar.
Die Entwicklungsgemeinschaft hat sich zu einer Sowohl-als-auch-Position bewegt: Wachstum und Umverteilung sind komplementär, keine Substitute. Pro-arm Wachstum — Wachstum, das überproportional den Armen nützt — ist das Ziel. Die GiveDirectly-Experimente zu bedingungslosen Bargeldtransfers haben gezeigt, dass Empfänger produktiv investieren und Effekte fortbestehen, was den Fall für paternalistische Bedingtheit schwächt. Die Literatur zu globaler Ungleichheit (Branko Milanovic) hat seit 2000 eine „große Konvergenz“ dokumentiert: Ungleichheit zwischen Ländern ist gefallen, als China, Indien und andere Schwellenländer schneller wuchsen als reiche Länder. Aber Ungleichheit innerhalb von Ländern ist an vielen Orten gestiegen und schuf die „Elefantenkurve“ — globale Mittelschichten gewannen, die sehr Reichen gewannen, und die unteren Mittelschichten reicher Länder stagnierten.
Ungleichheit ist ein Problem, das die Ökonomik teilweise lösen kann — aber die Werkzeuge unterscheiden sich nach Maßstab. Innerhalb von Ländern können optimale Besteuerung und Transfergestaltung Ungleichheit mit moderaten Effizienzkosten reduzieren (der Mirrlees-Diamond-Saez-Rahmen aus Kap. 16). Zwischen Ländern ist die Antwort Wachstum, getrieben von Institutionen, Humankapital und Technologieadoption. CCTs und Entwicklungsinterventionen helfen am Rande. Die Profession ist ehrlicher darüber als vor einer Generation: Der Effizienz-Gleichheits-Zielkonflikt ist real, aber kleiner, als viele annahmen, moderate Umverteilung hat moderate Kosten, und die größte Ungleichheit besteht zwischen Ländern, nicht innerhalb. Die unbequeme Wahrheit ist, dass die mächtigsten Werkzeuge zur Reduzierung globaler Ungleichheit — institutionelle Reform in armen Ländern, offene Migration und Technologietransfer — auf Weisen politisch beschränkt sind, die Ökonomik allein nicht lösen kann.
Das ist die letzte Station der GF09, aber die Ungleichheitsgrenze verschiebt sich. Klimawandel ist die nächste große Ungleichheitsherausforderung — die ärmsten Länder werden die größten Kosten eines Problems tragen, das sie nicht verursacht haben. Klimaanpassungsfinanzierung, Entschädigung für Verluste und Schäden und grüner Technologietransfer sind, wohin die Gerechtigkeitsfrage als Nächstes geht. Die KI-Revolution wirft eine parallele Sorge auf: Werden KI-getriebene Produktivitätsgewinne zu Ländern und Arbeitern fließen, die bereits die Infrastruktur haben, sie zu adoptieren, oder werden sie die globalen Armen erreichen? Und innerhalb reicher Länder hat die politische Gegenreaktion gegen Globalisierung Ungleichheitsreduzierung schwerer gemacht, nicht leichter — die Verteilungsverlierer von Handel und Technologie wählen jetzt Protektionismus statt Umverteilung. Ökonomik kann bessere Politiken entwerfen; ob diese Politiken umgesetzt werden, ist eine politische Frage, mit der sich die Disziplin erst beginnt, ehrlich auseinanderzusetzen.
GiveDirectlys Ergebnisse zeigen, dass bedingungsloses Bargeld funktioniert. Aber von Dorfexperimenten zur nationalen Politik zu skalieren ist der schwere Teil.
MittelstufeDan Riffle popularisierte den Slogan 2019. In einem Entwicklungskontext trifft Vermögenskonzentration innerhalb von Ländern auf Armut zwischen Ländern. Die Maßstabsdiskrepanz rahmt das Problem anders.
MittelstufeKaelani implementiert ein CCT: \$50/Monat an 2.500 zufällig ausgewählte ländliche Haushalte, bedingt durch 80 %+ Schulbesuch, für 18 Monate. Kontrollgruppe: 2.500 Haushalte. Powerberechnung (Gl. 20.10): Mit $\sigma = 120$ beträgt die MDE \$27/Monat bei 80 % Power. Der erwartete Effekt von \$30–35 liegt deutlich darüber.
Cluster-Randomisierung (42 Behandlungs- + 42 Kontrolldörfer, ICC = 0,04, Clustergröße 60) ergibt einen Designeffekt = 3,36. Effektive Stichprobe = 744 pro Arm, über dem Minimum von 309. Vorab registrierte Outcomes: Konsum, Einschulung, Ernährungsdiversität, Ersparnisse.
Ergebnisse nach 18 Monaten: Monatlicher Konsum +\$32 (p < 0,01), Einschulung +8 Pp (p = 0,01), Ernährungsdiversität +0,4 SD (p < 0,01), Ersparnisse +\$15 (p = 0,02), Arbeitsangebot Erwachsene −2 Std./Woche (p = 0,27, nicht signifikant). Compliance 94 %; Bedenken zum Arbeitsangebot ausgeräumt. Der \$50-Transfer generiert \$32 Konsumsteigerung, was auf lokale Ausgabenmultiplikatoren hindeutet.
Institutionenanalyse (Kap. 18): Das CCT baut staatliche Kapazität auf — Zahlungssysteme, Monitoring-Infrastruktur, bürokratische Rechenschaftspflicht. Die Schulbesuchsbedingung funktioniert, weil Kaelani während seiner Reform 2005 in den Schulbau investierte. Ohne Schulen ist die Bedingung bedeutungslos.
Externe Validität (Abschn. 20.7): Die Republik Talani möchte replizieren. Reduzierte Form: Naive Extrapolation ignoriert Talanis schwächere Institutionen und andere Demografie. Strukturelles Modell: prognostiziert +5 Pp Einschulung (vs. Kaelanis +8 Pp) und +\$28 Konsum (vs. \$32), mit 90 %-Intervall [+1 Pp, +9 Pp] für die Einschulung. Die Deaton-Kritik greift: RCTs beantworten „Hat es hier funktioniert?“, aber nicht „Wird es dort funktionieren?“
Die Stränge des Lehrbuchs konvergieren: Kaelanis Entwicklung hängt ab von Institutionen (Kap. 18), Wachstumsgrundlagen (Kap. 13), makroökonomischer Stabilität (Kap. 14–16), verhaltensökonomischen Erkenntnissen (Kap. 19) und evidenzbasierter Evaluation (dieses Kapitel).
| Bezeichnung | Gleichung | Beschreibung |
|---|---|---|
| Gl. 20.1 | $Y_M = A_M K_M^\alpha L_M^{1-\alpha}$ | Cobb-Douglas-Produktion des modernen Sektors |
| Gl. 20.2 | $Y_S = A_S \min(L_S, \bar{L})$ | Subsistenzsektor mit überschüssiger Arbeit |
| Gl. 20.3 | Lewis-Wendepunkt: $MPL_S = \bar{w} \Rightarrow L_S^* = \bar{L}$ | Schwelle der Erschöpfung überschüssiger Arbeit |
| Gl. 20.4 | $\dot{k} = sf(k) - (n+\delta)k$, $f$ S-förmig | Kapitalakkumulation mit Armutsfalle |
| Gl. 20.5 | $\pi_i = (1/\alpha - 1)(LF - 1)\alpha^{\alpha/(1-\alpha)}$ | MSV: Industrialisierungsgewinn (Koordination) |
| Gl. 20.6 | $\text{Inst}_i = \alpha + \beta\ln(\text{settler mort}_i) + \mathbf{X}_i'\gamma + \varepsilon_i$ | AJR IV First Stage |
| Gl. 20.7 | $\ln w_i = \alpha + \rho S_i + \beta_1 \text{Exp}_i + \beta_2 \text{Exp}_i^2 + u_i$ | Mincer-Lohngleichung |
| Gl. 20.8 | $Y = A(H)K^\alpha(hL)^{1-\alpha}$, $h = e^{\phi S + \psi\text{Health}}$ | Erweiterte Produktion (Gesundheit + Bildung) |
| Gl. 20.9 | $\hat{\tau}_{ATE} = \bar{Y}_T - \bar{Y}_C$ | ATE-Schätzer unter Randomisierung |
| Gl. 20.10 | $N = 2\sigma^2(z_{\alpha/2}+z_\beta)^2 / \tau^2$ | Mindeststichprobengröße für Power \$1-\beta$ |
