Mikro, Makro, Institutionen und Empirie laufen auf eine Frage zu: 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. In ihr vollzog sich auch die dramatischste methodische Revolution der modernen Ökonomik: der 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.
Wachstumstheorie (Kap. 13) liefert den Rahmen. Institutionen (Kap. 18) liefern die tiefen Determinanten. Ökonometrie (Kap. 10) liefert die Identifikationsinstrumente, also Instrumentalvariablen, Regressionsdiskontinuität und die Logik kausaler Inferenz. Verhaltensökonomische Erkenntnisse (Kap. 19) informieren die Gestaltung von Entwicklungsinterventionen.
Am Ende dieses Kapitels werden Sie in der Lage sein:
Die stilisierten Fakten der globalen Einkommensverteilung und des Strukturwandels beschreiben
Das Lewis-Zwei-Sektoren-Modell formalisieren und den Lewis-Wendepunkt berechnen
Armutsfallen mithilfe von Phasendiagrammen und Modellen multipler Gleichgewichte analysieren
Die Debatte Institutionen vs. Geografie vs. Kultur mithilfe von IV-Identifikation bewerten
Die Rolle von Humankapital und Gesundheit als Entwicklungstreiber erklären
RCT-Evidenz zu Entwicklungsinterventionen interpretieren, einschließlich Powerberechnungen
Die Debatte um externe Validität und die Argumentation für strukturelle Schätzung bewerten
Entwicklungsökonomik mit zeitgenössischen Politikfronten verbinden
Voraussetzungen: Kap. 10 (Grundlagen der Ökonometrie mit IV und Regression), Kap. 13 (Wachstumstheorie mit Solow-Modell und Steady States), Kap. 18 (Institutionenökonomik mit AJR sowie extraktiven und inklusiven Institutionen), Kap. 19 (Verhaltensökonomik mit Nudges und RCTs).
Die reichsten Länder, unter ihnen Norwegen, die Schweiz und die Vereinigten Staaten, haben ein BIP pro Kopf von über \$60.000 (KKP). Am unteren Ende stehen Burundi, Südsudan und die Zentralafrikanische Republik mit einem 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.
BIP-pro-Kopf-Karte
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 hatte die Verteilung die deutlich bimodale Form der „Zwillingsgipfel“ angenommen (Quah 1996). Seit 2000 haben das schnelle Wachstum Chinas und Indiens die Lücke teilweise geschlossen, obwohl Subsahara-Afrika weitgehend am unteren Gipfel verbleibt.
Kuznets-Fakten.Eine Reihe stilisierter Regelmäßigkeiten über die Wirtschaftsstruktur im Zuge der Länderentwicklung: (i) Der BIP-Anteil der Landwirtschaft sinkt mit dem Einkommen; (ii) der Anteil der Industrie steigt zunächst und fällt dann (umgekehrtes U); (iii) der Anteil der Dienstleistungen steigt monoton; (iv) die Urbanisierung nimmt zu; (v) die Ungleichheit steigt zunächst und fällt dann (die Kuznets-Kurve, obwohl umstritten).
Strukturwandel.Die langfristige Umschichtung wirtschaftlicher Aktivität zwischen den drei großen Sektoren Landwirtschaft, Industrie und Dienstleistungen. Im Zuge der Entwicklung fällt der Anteil der Landwirtschaft von 50–70 % auf unter 5 %, die Industrie steigt und fällt dann, und Dienstleistungen dominieren schließlich.
Duale Wirtschaft.Eine Volkswirtschaft, die durch die Koexistenz eines großen, produktivitätsschwachen traditionellen Sektors (typischerweise Landwirtschaft) und eines kleinen, produktivitätsstarken modernen Sektors (typischerweise Industrie oder formale Dienstleistungen) gekennzeichnet ist. Der analytische Rahmen impliziert Wachstum durch den Transfer überschüssiger Arbeitskräfte vom traditionellen zum modernen Sektor.
Kaldor-Fakten vs. Entwicklungsfakten
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
Das Solow-Modell (Kap. 13) erfasst die Kaldor-Fakten gut. Es erfasst die Entwicklungsfakten nicht, denn 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 20.1. 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.
20.2 Das Lewis-Modell
Lewis-Modell.Arthur Lewis' (1954) Zwei-Sektoren-Modell der wirtschaftlichen Entwicklung, in dem ein produktivitätsschwacher Subsistenzsektor neben einem produktivitätsstarken modernen Sektor existiert. Wachstum erfolgt durch den Transfer überschüssiger Arbeitskräfte vom Subsistenz- zum modernen Sektor.
Formalisierung der dualen Wirtschaft
Der moderne Sektor setzt Kapital und Arbeit in einer Cobb-Douglas-Produktionsfunktion ein:
Überschüssige Arbeitskräfte.Arbeiter im Subsistenzsektor, deren Grenzprodukt null ist (oder unter dem Subsistenzlohn liegt). Wenn $L_S > \bar{L}$, gibt es $L_S - \bar{L}$ überschüssige Arbeiter, die ohne Reduktion der landwirtschaftlichen Produktion in den modernen Sektor umgeschichtet werden können.
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.
Der Lewis-Wendepunkt
Lewis-Wendepunkt.Der Moment, in dem überschüssige Arbeitskräfte im Subsistenzsektor erschöpft sind. Über diesen Punkt hinaus erfordert weitere Arbeitsabsorption das Abziehen von Arbeitern, deren Grenzprodukt den Subsistenzlohn übersteigt, was zu Lohnsteigerungen führt. Die Volkswirtschaft wechselt von „Wachstum durch Umschichtung von Arbeitskräften“ zu „Wachstum durch Produktivitätssteigerung“.
Warum das wichtig ist: Ein armes Land verfügt über ein scheinbar unerschöpfliches Reservoir an Landarbeitern, deren zusätzlicher Ertrag praktisch null ist. Nimmt man einen von ihnen aus der Landwirtschaft, geht nichts verloren. Der moderne Industriesektor kann deshalb beliebig viele zum gleichbleibenden Subsistenzlohn einstellen, die Gewinne reinvestieren und wachsen, indem er Arbeitskräfte absorbiert, statt die Löhne hochzutreiben. Dieser Vorteil hält an, bis das Reservoir erschöpft ist, also bis zum Lewis-Wendepunkt. Danach sind zusätzliche Arbeitskräfte nur noch über steigende Löhne zu bekommen, und das Wachstum muss darauf umstellen, jeden einzelnen Arbeiter produktiver zu machen. China zwischen 1980 und 2010 ist der Lehrbuchfall: Hunderte Millionen wechselten von den Feldern in die Küstenfabriken, während die Löhne flach blieben, bis sie um 2010–2015 endlich sprangen. In der Abbildung unten können Sie mit den Schiebereglern verfolgen, wie der moderne Sektor anschwillt und der Wendepunkt eintritt.
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 und achten Sie auf den Lewis-Wendepunkt. Ziehen Sie die Schieberegler zum Erkunden.
Beispiel 20.1 — Lewis-Modell-Berechnung
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): $Y_M^{\text{vorher}} = 2 \times 100^{0{,}4} \times 3^{0{,}6} \approx 24{,}40$. Nach Umschichtung von 1M Arbeitern ($L_M = 4$M): $Y_M^{\text{nachher}} = 2 \times 100^{0{,}4} \times 4^{0{,}6} \approx 28{,}99$. 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. Mit $MPL_M = \bar{w} = 1$ folgt $K_M^* \approx 3{,}80$, eine niedrige Schwelle, die den Reichtum an überschüssigen Arbeitskräften und den bescheidenen Subsistenzlohn widerspiegelt.
20.3 Armutsfallen und der Big Push
Armutsfalle.Ein selbstverstärkender Mechanismus, der dazu führt, dass Armut bestehen bleibt. Die Volkswirtschaft hat multiple Steady States, und ohne eine ausreichend große Intervention bleibt sie im niedrigen Gleichgewicht gefangen. Fallen entstehen durch Koordinationsversagen, Schwelleneffekte, Kreditbeschränkungen oder institutionelle Rückkopplungsschleifen.
Die S-förmige Produktionsfunktion
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 20.3. 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.
Der Big Push
Big Push.Ein koordiniertes, großangelegtes Investitionsprogramm, das darauf abzielt, eine Volkswirtschaft vom niedrigen Gleichgewicht über die instabile Schwelle hinaus auf einen konvergenten Pfad zum hohen Gleichgewicht zu bringen. Geht auf Rosenstein-Rodan (1943) zurück.
Multiple Gleichgewichte.Eine Situation, in der sich eine Volkswirtschaft in mehr als einem sich selbst erhaltenden Ergebnis einpendeln kann. Sowohl $k_L^*$ als auch $k_H^*$ sind Gleichgewichte, und die Anfangsbedingungen oder ein ausreichend großer Schock bestimmen, welches erreicht wird.
Das Murphy-Shleifer-Vishny-Modell
Murphy-Shleifer-Vishny-Modell.Eine Formalisierung der Big-Push-Idee, bei der die Industrialisierung in einem Sektor Nachfrage-Spillovers auf andere Sektoren erzeugt. Jeder Sektor kann eine traditionelle Technologie (konstante Skalenerträge) oder eine moderne Technologie (steigende Skalenerträge, aber mit Fixkosten $F$) verwenden. Ob es sich lohnt, zu modernisieren, hängt davon ab, wie viele andere Sektoren bereits modernisiert haben.
Koordinationsversagen.Eine Situation, in der alle Akteure besser gestellt wären, wenn sie gleichzeitig ihr Verhalten ändern könnten, aber kein Einzelner einen Anreiz hat, allein zu wechseln. Im MSV-Modell profitiert jedes Unternehmen nur dann von der Industrialisierung, wenn andere ebenfalls industrialisieren.
$$\pi_i(n) = \alpha\!\left(\frac{n}{N}\right)L - F \tag{Eq. 20.5}$$(Gl. 20.5)
Intuition
Warum das wichtig ist: Wenn sich die Produktionsfunktion bei niedrigem Kapital in die falsche Richtung krümmt, wenn also die ersten Kapitaleinheiten wenig bringen, sich die Investition aber jenseits einer Schwelle auszahlt, kann eine Volkswirtschaft zwei Ruhepunkte haben: eine Armutsfalle und ein prosperierendes Gleichgewicht, mit einem instabilen Kipppunkt dazwischen. Dass keine einzelne Fabrik von sich aus modernisiert, liegt daran, dass sich Modernisierung erst lohnt, wenn genügend andere Unternehmen es ebenfalls getan haben: Ein Stahlwerk braucht Kunden mit Geld, und die brauchen Arbeit in anderen modernen Unternehmen. Dass jeder auf jeden wartet, ist ein Koordinationsversagen, und es hält die Volkswirtschaft am unteren Punkt fest. Ein koordinierter „Big Push“, also Investitionen in viele Sektoren zugleich, hebt die gesamte Volkswirtschaft gemeinsam über den Kipppunkt. Ziehen Sie in der Abbildung unten den Punkt für das Anfangskapital über die instabile Schwelle und sehen Sie zu, wie die Volkswirtschaft in die Falle fällt oder zum Wohlstand aufsteigt.
Dabei ist $n$ die Zahl der anderen Sektoren, die bereits industrialisiert haben, $N$ die Gesamtzahl der Sektoren, $L$ die Erwerbsbevölkerung und $F$ die Fixkosten der Übernahme moderner Technologie. Entscheidend ist: $\pi_i$ steigt in $n$, denn Nachfrage-Spillovers aus industrialisierten Sektoren erhöhen den Gewinn jedes Unternehmens, das modernisiert. Bei $n = 0$ gilt $\pi_i(0) = -F < 0$: Kein Unternehmen will allein industrialisieren. Bei $n = N$ gilt $\pi_i(N) = \alpha L - F > 0$, sofern $L$ groß genug ist. Das MSV-Modell erzeugt zwei Nash-Gleichgewichte: keine Industrialisierung ($n = 0$, die Armutsfalle) und vollständige Industrialisierung ($n = N$, das Entwicklungsgleichgewicht). Eine Regierung kann als Koordinierungsmechanismus dienen, indem sie gleichzeitige Investitionen über Sektoren hinweg subventioniert.
Wann existieren Fallen?
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.
Beispiel 20.2 — Steady States der Armutsfalle
Gegeben: $f(k) = k^2/(1+k^2)$ (S-förmig), $s = 0{,}20$, $n+\delta = 0{,}10$. Aus $sf(k) = (n+\delta)k$ folgen $k = 0$ und $k = 1$ (doppelte Wurzel, die Falle liegt an der Existenzgrenze).
Für ein reichhaltigeres Beispiel: $f(k) = k^{3}/(1+k^{3})$ mit $s = 0.25$, $n+\delta = 0.10$ ergibt drei Lösungen: $k_L^* \approx 0$ (Armutsfalle), $k_U \approx 0.76$ (instabile Schwelle), $k_H^* \approx 2.31$ (hohes Gleichgewicht). Bei $k_U$ ist die Produktionsfunktion lokal konvex, sodass $g'(k_U) > 0$ gilt und die Schwelle instabil ist. Der Big Push erfordert eine Injektion von $\Delta k \approx 0.76$ pro Arbeiter.
20.4 Institutionen und Entwicklung
Die Institutionenhypothese
Extraktive Institutionen (Wiederholung aus Kap. 18).Politische und wirtschaftliche Institutionen, die Macht und Reichtum in den Händen einer schmalen Elite konzentrieren und schlechte Anreize für breit angelegte Investitionen und Innovation schaffen.
Inklusive Institutionen (Wiederholung aus Kap. 18).Politische und wirtschaftliche Institutionen, die Macht breit verteilen, Eigentumsrechte durchsetzen, öffentliche Güter bereitstellen und gleiche Wettbewerbsbedingungen für wirtschaftliche Aktivität schaffen.
Die AJR-Identifikationsstrategie
Siedlersterblichkeit als Instrument.Eine Instrumentalvariable für Institutionenqualität basierend auf den Sterblichkeitsraten europäischer Siedler in kolonialen Territorien. Wo Siedler überlebten, bauten sie inklusive Institutionen; wo sie schnell starben, bauten sie extraktive. Die Siedlersterblichkeit vor Jahrhunderten ist plausiblerweise nicht mit dem heutigen Einkommen verbunden, außer über ihre Wirkung auf Institutionen.
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 ($\approx 0{,}52$), was mit Attenuation Bias durch Messfehler konsistent ist.
Intuition
Warum das wichtig ist: Dass Institutionen Wohlstand verursachen, lässt sich nicht schon damit belegen, dass reiche Länder gute Institutionen haben. Reiche Länder können sich gute Institutionen nämlich leisten, der Pfeil könnte also in die andere Richtung zeigen. Acemoglu, Johnson und Robinson fanden ein natürliches Experiment: Wo europäische Kolonisatoren auf tödliche Krankheiten trafen, konnten sie sich nicht niederlassen und errichteten rein extraktive Staaten; wo sie überlebten, bauten sie die inklusiven Institutionen auf, die sie kannten. Diese jahrhundertealten Sterberaten können das heutige Einkommen eines Landes nur über die von ihnen geprägten Institutionen beeinflussen, und genau das isoliert den kausalen Kanal. Dass die IV-Schätzung größer ausfällt als die rohe Korrelation, liegt nicht an Zauberei, sondern daran, dass fehlerhaft gemessene Institutionen den einfachen Vergleich verwischen. Im Streudiagramm unten können Sie auf der horizontalen Achse zwischen Siedlersterblichkeit, Breitengrad und Rechtsstaatlichkeit wechseln und sehen, wie eng jede Größe mit dem Einkommen zusammenhängt.
Atlantik-Handelskarte
Der Sklavenhandel und langfristige Entwicklung
Sklavenhandelsinstrument (Nunn).Nunn (2008) verwendet historische Sklavenexportdaten als Quelle der Variation in der Institutionenqualität und zeigt, dass stärker betroffene Regionen heute schlechtere Institutionen und niedrigeres Einkommen haben. Komplementär zur Identifikationsstrategie von AJR.
Geografie vs. Institutionen vs. Kultur
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.
Beispiel 20.3 — Interpretation der AJR-IV
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 $3 \times 0.94 = 2.82$ Log-Punkte, also ungefähr das 16,8-Fache.
(b) Bedrohungen der Ausschlussrestriktion: 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 $0.52/0.55 \approx 0.94$.
20.5 Humankapital und Gesundheit
Die Mincer-Gleichung
Mincer-Gleichung.Eine Regression des logarithmierten Lohns auf Schuljahre, Berufserfahrung und quadrierte Erfahrung: $\ln w_i = \alpha + \rho S_i + \beta_1 \text{Exp}_i + \beta_2 \text{Exp}_i^2 + u_i$. Der Koeffizient $\rho$ ist die Rendite eines zusätzlichen Schuljahres.
Bildungsrendite.Der prozentuale Lohnanstieg durch ein zusätzliches Schuljahr. Typische Schätzungen: 10–14 % in Niedrigeinkommensländern, 5–7 % in Hocheinkommensländern, was die Knappheit gebildeter Arbeitskräfte in Entwicklungsländern widerspiegelt.
Bildungsrenditen nach Entwicklungsniveau
Einkommensgruppe
Durchschnittliche Rendite ($\hat{\rho}$)
Länder mit niedrigem Einkommen
10,5 %
Unteres mittleres Einkommen
8,7 %
Oberes mittleres Einkommen
7,2 %
Länder mit hohem Einkommen
5,4 %
Gesundheit als Humankapital
Gesundheit als Humankapital.Körperliche Gesundheit, also Freiheit von Krankheit, ausreichende Ernährung und kognitive Entwicklung, ist eine Form von Humankapital, die Produktivität und Einkommen beeinflusst. Gesundheitsinvestitionen (sauberes Wasser, Impfungen, Entwurmung) haben Renditen vergleichbar mit Bildungsinvestitionen.
$$Y = A(H) \cdot K^\alpha \cdot (h \cdot L)^{1-\alpha}, \quad h = e^{\phi S + \psi \text{Gesundheit}} \tag{Gl. 20.8}$$(Gl. 20.8)
Intuition
Warum das wichtig ist: Jedes zusätzliche Schuljahr erhöht den Lohn eines Arbeiters um einen ungefähr konstanten Prozentsatz, und dieser Prozentsatz ist dort größer, wo gebildete Arbeitskräfte knapp sind. Die Rendite liegt deshalb in armen Ländern bei etwa 10–14 % und in reichen nur bei 5–7 %, schlicht weil Knappheit eine Prämie einbringt. Gesundheit ist Humankapital im selben Sinn: Ein Kind, das entwurmt und ernährt ist und keine chronische Krankheit hat, lernt in der Schule mehr und verdient als Erwachsener mehr, mit Renditen, die es mit der Schulbildung aufnehmen können. Deshalb gehören wenige Dollar für eine Entwurmung zum Kosteneffektivsten, was ein Entwicklungsbudget kaufen kann. In der Abbildung unten lassen sich Schuljahre und Renditesatz verschieben, um das Lohnprofil nachzuzeichnen.
Empirische Evidenz zu Gesundheit und Entwicklung
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 und ungefähr \$3,50 pro zusätzlichem Schuljahr, eine der kosteneffektivsten Entwicklungsinterventionen überhaupt.
Abbildung 20.5. Mincer-Gleichungs-Simulator. 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.
Beispiel 20.4 — Mincer-Regression
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.
20.6 Die RCT-Revolution
Hintergrund
Randomisierte kontrollierte Studie (RCT).Ein experimentelles Design, bei dem Einheiten zufällig Behandlungs- und Kontrollgruppen zugewiesen werden. Randomisierung stellt sicher, dass die Gruppen im Erwartungswert in allen Merkmalen identisch sind, sodass jeder Ergebnisunterschied kausal der Behandlung zurechenbar ist.
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.
Der ATE-Schätzer
Durchschnittlicher Behandlungseffekt (ATE).Die erwartete Differenz der Ergebnisse zwischen Behandlungs- und Kontrollgruppe, geschätzt als einfache Differenz der Stichprobenmittelwerte unter Randomisierung. Keine Regressionsanpassung ist für Erwartungstreue erforderlich.
Intention-to-Treat (ITT).Der kausale Effekt der Zuweisung zur Behandlung, unabhängig davon, ob die Behandlung tatsächlich empfangen wurde. Immer durch Randomisierung identifiziert. Es ist der politikrelevanteste Schätzwert, da Regierungen keine Teilnahme erzwingen können.
Lokaler durchschnittlicher Behandlungseffekt (LATE).Der kausale Effekt des Erhaltens der Behandlung für Complier. LATE = ITT / Compliance-Rate. Dies ist der IV-Schätzwert unter Verwendung der Zuweisung als Instrument für den Erhalt (Kap. 10).
Powerberechnungen
Statistische Teststärke.Die Wahrscheinlichkeit, einen Effekt zu entdecken, wenn er tatsächlich existiert. Konventionell 80 %. Studien mit zu geringer Teststärke entdecken echte Effekte nur mit geringer Wahrscheinlichkeit und tragen zum File-Drawer-Problem bei.
Warum das wichtig ist: Entscheidet eine Münze darüber, wer ein Programm erhält und wer nicht, sind die beiden Gruppen im Erwartungswert in allem gleich, arm wie reich, motiviert wie unmotiviert. Jeder Unterschied, der sich danach zeigt, muss deshalb auf das Programm zurückgehen, und man braucht kein Modell menschlichen Verhaltens, um das zu glauben. Diese Glaubwürdigkeit trug Banerjee, Duflo und Kremer 2019 den Nobelpreis ein. Der Haken ist die Stichprobengröße: Bei zu wenigen Personen verschwindet ein realer Effekt im gewöhnlichen Rauschen. Die Power-Formel übersetzt diese Sorge in eine Zahl, nämlich wie viele Personen (oder Dörfer) man einschließen muss, um einen Effekt gegebener Größe verlässlich zu entdecken. In der Abbildung unten lassen sich Effektgröße, Streuung und Clusterdesign einstellen und beobachten, wie die erforderliche Stichprobe ausschlägt.
Wichtige RCT-Ergebnisse
Intervention
Ergebnis
Studie
Entwurmung
25 % weniger Fehlzeiten; große Spillover-Effekte
Miguel & Kremer (2004)
Moskitonetze
Kostenlose Verteilung erzielt eine weitaus höhere Inanspruchnahme 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.
Beispiel 20.5 — RCT-Powerberechnung
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.
Standpunkt
„Hilfe ist nicht nur wirkungslos, sie ist aktiv zerstörerisch“, Dambisa Moyo, Dead Aid (2009)
Die sambische Ökonomin Dambisa Moyo erhob in Dead Aid und in ihrem TED-Talk eine brisante Anklage: Die Hilfe für Afrika, über 1 Billion Dollar, sei nicht nur gescheitert, sie habe „Abhängigkeit geschaffen, Korruption befeuert und afrikanisches Unternehmertum getötet“. Bill Gates nannte das Buch öffentlich „böse“. Jeffrey Sachs warf Moyo vor, eine Politik zu vertreten, die „zum Tod von Millionen führen“ würde. Moyo konterte, Sachs' eigenes Millennium Villages Project sei das eigentliche Scheitern. Die Debatte eskalierte. Aber wer hatte, gemessen an der Evidenz, eigentlich recht?
Fortgeschritten
Die populäre Version
Moyos TED-Talk-Version, „Hilfe ist das Problem, Handel ist die Lösung, Punkt“, ist ein Spiegelbild von Sachs' gleichermaßen grobem „Wenn reiche Länder einfach 0,7 % des BIP gäben, könnten wir die Armut beenden“. Beide sind Fälle, in denen die Tradition hier schwach ist, nicht nur der Vertreter dieser Position. Moyo behandelt alle Hilfe als identisch: Sie wirft Kalte-Kriegs-Bestechungen an Mobutu mit Malaria-Moskitonetzen, Budgethilfe mit GiveDirectly-Geldtransfers in einen Topf. Das ist, als würde man „Medizin“ bewerten, indem man Chemotherapie mit Homöopathie mittelt. Aber Sachs' Tradition hat ihr eigenes Problem: Jahrzehnte an Hilfe haben nicht die Konvergenz produziert, die seine Modelle vorhersagten, und das Millennium Villages Project produzierte in rigoroser Evaluation keinen nachweisbaren Effekt. Das ist ein ungewöhnlicher Fall, in dem beide populären Positionen echte Schwächen in ihren intellektuellen Herkunftstraditionen widerspiegeln, und selbst die Kenner der Materie sind hier ratlos. Dass Gates das Buch „böse“ nannte, war aufschlussreich: Es war eine emotionale Antwort auf ein strukturelles Argument, das er nicht vollständig widerlegen konnte.
Das stärkste Argument dafür
Bringt man Moyos Argument in seine stärkste Form, so stützt es sich stärker auf Angus Deaton und William Easterly als auf breite Polemik. Der strukturelle Mechanismus ist ernsthaft: Hilfe untergräbt die Rechenschaftsbeziehung zwischen Regierungen und Bürgern. Wenn Regierungen durch externe Geber statt durch heimische Besteuerung finanziert werden, sind sie den Gebern gegenüber rechenschaftspflichtig, nicht den Bürgern. Das bricht den Gesellschaftsvertrag, der die institutionelle Entwicklung antreibt. Es ist derselbe Mechanismus, der vom Ressourcenfluch betroffene Petrostaaten dysfunktional macht. Die Länder, die sich erfolgreich entwickelten, etwa Westeuropa, Ostasien und Botswana, taten dies hauptsächlich durch heimische Ressourcenmobilisierung und institutionelle Evolution, nicht durch Hilfe. Easterly erweitert das: Die Hilfeindustrie erzeugt ihre eigene Nachfrage durch bürokratische Anreize, die systematisch sichtbare, messbare, kurzfristige Projekte gegenüber der institutionellen Entwicklung bevorzugen, auf die es tatsächlich ankommt. Moyos stärkstes Argument: Afrika erhielt zwischen 1960 und 2010 über \$1 Billion an Entwicklungshilfe, und die aggregierte statistische Beziehung zwischen Hilfe und Wachstum ist nicht von null zu unterscheiden. Nicht leicht positiv. Null. Das ist eine vernichtende empirische Tatsache, die das Pro-Hilfe-Lager auf der Makroebene nie angemessen erklärt hat.
Das stärkste Argument dagegen
Die aggregierte Hilfe-Wachstums-Regression, auf die sich Moyo stützt, ist bedeutungslos, weil sie alle Hilfe als identisch behandelt. Strategische Hilfe aus der Kalten-Kriegs-Ära (US-Hilfe an Mobutus Zaire, sowjetische Hilfe an Satellitenstaaten) war geopolitische Bestechung, nie zur Entwicklungsförderung gedacht. Wenn man disaggregiert und auf spezifische, gut gestaltete Interventionen schaut, ist die Evidenz stark: Insektizidbehandelte Moskitonetze reduzieren Malariasterblichkeit um 50–70 % und kosten etwa \$5 pro vermiedenem DALY (GiveWell-Schätzungen). Entwurmungsprogramme zeigen persistente Effekte auf Einkommen ein Jahrzehnt später (Baird, Hicks, Kremer, Miguel). Orale Rehydrationstherapie hat Dutzende Millionen Kinderleben gerettet. Die RCT-Revolution (Banerjee, Duflo, Kremer, Nobelpreis 2019) hat uns Werkzeuge gegeben, um zu identifizieren, welche Interventionen funktionieren und welche nicht. Moyos „Handel statt Hilfe“-Alternative hat auch Probleme: Handelszugang erfordert Infrastruktur, Institutionen und Humankapital, die den ärmsten Ländern fehlen, und diese Dinge aufzubauen erfordert oft externe Finanzierung. Ihre Empfehlung, Anleihemärkte und ausländische Direktinvestitionen als Hilfeersatz zu nutzen, ignoriert, dass die hilfsabhängigsten Länder genau die sind, die keinen Zugang zu Kapitalmärkten haben.
Die Beurteilung
War Moyo also richtig, dass Hilfe „aktiv zerstörerisch“ sei? Die starke Version ihrer Behauptung scheitert: Gezielte Gesundheits- und Bildungsinterventionen funktionieren nachweislich und sollten großzügig finanziert werden. Moskitonetze retten Leben. Entwurmung erhöht Einkommen. Impfstoffe verhindern Todesfälle. Das „zerstörerisch“ zu nennen, ist empirisch falsch. Aber Moyos strukturelle Kritik, die sie von Deaton und Easterly geerbt hat, wurde von der RCT-Bewegung nicht beantwortet: Selbst erfolgreiche Mikrointerventionen mögen eine Abhängigkeitsstruktur fortschreiben, die die institutionelle Entwicklung verhindert, die der eigentliche Weg aus der Armut ist. Ein Land, das auf externe Moskitonetzverteilung angewiesen ist, entwickelt möglicherweise nie die heimische Kapazität im öffentlichen Gesundheitswesen, um Malaria selbst zu lösen. Die echte Antwort vertritt weder Moyo noch Sachs vollständig: Die aggregierte Frage „Funktioniert Hilfe?“ ist die falsche Frage, weil sie grundlegend unterschiedliche Aktivitäten kombiniert. Gezielte Gesundheitsinterventionen funktionieren. Regierungs- und Institutionenhilfe meistens nicht und mag kontraproduktiv sein. Die beste Hilfe ist Hilfe, die heimische Kapazität aufbaut, Probleme ohne Hilfe zu lösen, und das ist genau die Art von Hilfe, die am schwersten zu entwerfen, zu messen und zu finanzieren ist. Gates hatte unrecht, das Buch „böse“ zu nennen. Moyo hatte unrecht, alle Hilfe zerstörerisch zu nennen. Die Wahrheit erfordert eine Disaggregation, die die Soundbites beider Seiten nicht erlauben.
20.7 Externe Validität und strukturelle Schätzung
Das Problem der externen Validität
Externe Validität.Das Ausmaß, in dem ein in einem Kontext geschätzter Kausaleffekt auf andere Kontexte übertragbar ist. Ein RCT kann perfekte interne Validität haben, aber null externe Validität, wenn der Effekt von Merkmalen abhängt, die spezifisch für den Studienort sind.
Interne Validität.Das Ausmaß, in dem der geschätzte Kausaleffekt für die Studienpopulation unverzerrt ist. Randomisierung garantiert interne Validität. Notwendig, aber nicht hinreichend für Politikempfehlungen.
Standortauswahlverzerrung.Die Tendenz, RCTs dort durchzuführen, wo die Umsetzung am einfachsten und die erwarteten Effekte am größten sind, was ein nach oben verzerrtes Bild der Wirksamkeit erzeugt. Allcott (2015) dokumentierte abnehmende Effekte bei der Skalierung auf weniger günstige Standorte.
Strukturelle Schätzung als Ergänzung
Strukturelle Schätzung.Ein Ansatz, bei dem der Forscher ein theoretisches Verhaltensmodell spezifiziert, dessen Parameter schätzt und das Modell nutzt, um kontrafaktische Politiken zu simulieren oder Ergebnisse in neuen Umgebungen vorherzusagen. Macht Annahmen explizit und ermöglicht Extrapolation über beobachtete Daten hinaus.
Todd und Wolpin (2006) validierten ein strukturelles Modell gegen den Progresa-RCT und nutzten es dann, um ungetestete kontrafaktische Szenarien 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 solches mechanismusbasiertes Verständnis ermöglicht Transportabilität.
Kein Ansatz dominiert
Die Lösung kombiniert strukturelle und reduzierte-Form-Ansätze. RCTs liefern glaubwürdige kausale Schätzungen, strukturelle Modelle den 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 20.7. Strukturelle vs. reduzierte Form — Vergleich. Das linke Panel zeigt die ursprüngliche RCT-Schätzung, das rechte die Vorhersagen für einen neuen Standort. Je stärker die Kontexte divergieren, desto ehrlicher passt das strukturelle Modell seine Vorhersagen an, während naive Extrapolation fälschlich präzise bleibt. Verwenden Sie den Umschalter zum Wechseln der Szenarien.
Beispiel 20.6 — Analyse der externen Validität
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.
20.8 Zeitgenössische Entwicklungsökonomik
Wiederbelebung der Industriepolitik
Industriepolitik.Staatliche Eingriffe zur Förderung bestimmter Industrien durch Subventionen, Handelsschutz oder öffentliche Investitionen. Der neue Ansatz (Lin 2012, Rodrik) unterscheidet sich von der alten Importsubstitution: den latenten komparativen Vorteil fördern statt ihn zu bekämpfen.
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.
Handel und Entwicklung
Klimaanpassung und Entwicklung
Bedingte Geldtransfers
Bedingter Geldtransfer (CCT).Ein Sozialschutzprogramm, das armen Haushalten Geld gewährt, bedingt durch bestimmte Verhaltensweisen, typischerweise den Schulbesuch der Kinder und Gesundheitsvorsorgeuntersuchungen. In über 60 Ländern aktiv, steigern CCTs konsistent die Einschulungsquote (5–10 Pp), die Ernährung (0,2–0,5 SD) und die Nutzung des Gesundheitswesens.
Die Debatte zwischen bedingten und unbedingten Geldtransfers (UCTs) ist zentral für die zeitgenössische Politik. GiveDirectlys Programme zeigen, dass UCTs gut funktionieren, dass Empfänger produktiv investieren und dass die Effekte anhalten. 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 20.8. Geldtransfer-RCT-Simulator. Passen Sie Transferbetrag, Dauer und Bedingungen an, um zu sehen, wie Behandlungseffekte über Outcomes variieren. Signifikanzsterne erscheinen, wenn das Konfidenzintervall die Null ausschließt. Ziehen Sie die Schieberegler zum Erkunden.
Historische Perspektive
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.
Die Republik Kaelani — CCT-Evaluation
Kaelani 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 $\sigma = 120$ und einer effektiven Stichprobe von 744 je Arm (nach Cluster-Anpassung) beträgt die MDE \$17/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 251. 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 %. Die Bedenken zum Arbeitsangebot sind ausgeräumt. Der \$50-Transfer generiert \$32 Konsumsteigerung, was auf lokale Ausgabenmultiplikatoren hindeutet.
Institutionenanalyse (Kap. 18): Das CCT baut Staatskapazität auf, also Zahlungssysteme, Monitoring-Infrastruktur und 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).
Zusammenfassung
Die zentrale Tatsache der Entwicklung ist die 100-fache Einkommenslücke zwischen reichsten und ärmsten Ländern. Die globale Verteilung entwickelte sich von unimodal (1800) über Zwillingsgipfel (1970er–1980er) zu partieller Konvergenz (2000er).
Strukturwandel, der Weg von der Landwirtschaft über die Industrie zu den Dienstleistungen, ist das definierende Merkmal der Entwicklung. Das Lewis-Modell formalisiert die Umschichtung der Arbeitskräfte vom überschüssigen Subsistenzsektor zum modernen Sektor.
Der Lewis-Wendepunkt markiert die Erschöpfung überschüssiger Arbeitskräfte und den Übergang von einem Wachstum, das auf der Umschichtung von Arbeitskräften beruht, zu einem produktivitätsgetriebenen Wachstum.
Armutsfallen entstehen aus S-förmigen Produktionsfunktionen und Koordinationsversagen. Das MSV-Modell zeigt Nachfrage-Spillovers, die multiple Gleichgewichte erzeugen, wobei ein Big Push zum Entkommen erforderlich ist.
Institutionen sind die fundamentale Ursache (AJR). Die Siedlersterblichkeits-IV identifiziert den Kausaleffekt. Der Sklavenhandel (Nunn) liefert komplementäre Evidenz. IV > OLS aufgrund von Attenuation Bias.
Humankapital und Gesundheit sind zentrale Treiber. Mincer-Renditen sind in Entwicklungsländern höher (10–14 % vs. 5–7 %). Gesundheitsinterventionen (Entwurmung) sind außerordentlich kosteneffektiv.
Die RCT-Revolution lieferte glaubwürdige kausale Evidenz: Geldtransfers wirken; Mikrofinanz ist nicht transformativ; Entwurmung ist kosteneffektiv. Powerberechnungen disziplinieren das Studiendesign.
Externe Validität ist die zentrale Einschränkung. Strukturelle Schätzung ergänzt RCTs durch mechanismusbasierte Extrapolation mit ehrlicher Unsicherheit.
Zeitgenössische Entwicklung umfasst die Wiederbelebung der Industriepolitik, Handel über globale Wertschöpfungsketten, Klimaanpassungsherausforderungen und die Skalierung von CCTs. Die beste Politik kombiniert experimentelle Evidenz mit strukturellem Verständnis.
$Y = A(H)K^\alpha(hL)^{1-\alpha}$, $h = e^{\phi S + \psi\text{Gesundheit}}$
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 $1-\beta$
Übung
Eine Volkswirtschaft hat 7M Arbeiter: 5M im Subsistenzsektor (Überschuss = 2M, $\bar{L} = 3$M) und 2M im modernen Sektor. Moderner Sektor: $\alpha = 0{,}3$, $K = 50$, $A_M = 1$. (a) Berechnen Sie die aktuelle Produktion des modernen Sektors. (b) Schichten Sie 1M überschüssige Arbeiter um und berechnen Sie die neue Produktion und den Gewinn. (c) Gibt es einen Produktionsverlust im Subsistenzsektor?
Finden Sie die Steady States von $\dot{k} = 0{,}15 \cdot k^{1{,}5}/(1+k^{1{,}5}) - 0{,}08k$ numerisch. Klassifizieren Sie jedes als stabil oder instabil. Wie groß ist der minimale Big Push?
Ein RCT hat 8 Behandlungsschulen (Ergebnisse: 5,2, 3,8, 6,1, 4,5, 7,0, 3,2, 5,5, 4,7) und 8 Kontrollschulen (2,1, 3,5, 1,8, 2,9, 4,0, 1,5, 3,3, 2,7). (a) Berechnen Sie den ATE. (b) Berechnen Sie den gepoolten SE. (c) Testen Sie auf dem 5 %-Niveau.
Mincer-Gleichung mit $\rho = 0{,}08$, $\beta_1 = 0{,}04$, $\beta_2 = -0{,}0006$. (a) Berechnen Sie den Log-Lohn für Arbeiter A ($S=16$, Exp=10) und B ($S=12$, Exp=14). (b) Wer verdient mehr? Zerlegung. (c) Erfahrungsspitze?
Anwendung
Interpretieren Sie eine AJR-Regressionstabelle: First-Stage $\hat{\beta} = -0{,}58$ (SE 0,12), F = 23,4; Reduced-Form-Koeffizient -0,49; 2SLS $\hat{\delta} = 0{,}84$ (SE 0,19). (a) Überprüfen Sie 2SLS = Reduced-Form / First-Stage. (b) Bewerten Sie die Instrumentenstärke. (c) Zwei Bedrohungen der Ausschlussrestriktion.
Vergleichen Sie CCTs vs. UCTs hinsichtlich Einschulung, Ernährung und Arbeitsangebot. Wann ist die Bedingung wichtig? Welche Rolle spielen Verhaltensverzerrungen (Kap. 19)?
Entwerfen Sie einen RCT für ein Schulspeisungsprogramm. Wählen Sie Individual- vs. Cluster-Randomisierung. Berechnen Sie die Stichprobengröße ($\sigma = 0{,}8$ SD, $\tau = 0{,}15$ SD, $\alpha = 0{,}05$, 80 % Power). Bei Cluster-Randomisierung (30 Schüler/Schule, ICC = 0,10): Wie viele Schulen pro Arm? Zwei Bedrohungen der internen Validität.
Nunns Sklavenhandelsinstrument: Nennen Sie Relevanz und Ausschlussrestriktion. Vergleichen Sie mit AJR. Könnten beide gleichzeitig verwendet werden (überidentifizierte IV)? Welcher Test ist anzuwenden?
Herausforderung
Formalisieren Sie MSV: $N$ Sektoren, jeder nutzt traditionelle ($y_T = 1$) oder moderne Technologie ($y_M = \alpha > 1$, Fixkosten $F$). (a) Gewinn als Funktion von $n$ industrialisierten Sektoren. (b) Zeigen Sie, dass sowohl $n=0$ als auch $n=N$ Nash-Gleichgewichte sein können. (c) Wann ist der Big Push wohlfahrtssteigernd?
Ein strukturelles Modell findet, dass 60 % der scheinbaren Bildungsrendite Fähigkeitssortierung ist ($\rho_{\text{kausal}} = 0{,}04$, OLS $= 0{,}10$). Ein RCT findet 8 % pro Jahr für Stipendienempfänger. (a) Bringen Sie beide Befunde mithilfe von LATE vs. ATE in Einklang. (b) Für wen gilt jeweils welcher? (c) Welcher leitet die nationale Expansion?
Kritisieren Sie „Institutionen verursachen Wachstum“: (a) Wann ist Siedlersterblichkeit schwach? Konsequenzen für 2SLS? (b) Wenn das Reliabilitätsverhältnis = 0,6, wie groß ist die OLS-Verzerrung? Könnte IV überkorrigieren? (c) Schlagen Sie einen alternativen Kanal vor und testen Sie ihn.
Der Klimawandel reduziert die tropische Agrarproduktivität bis 2050 um 10–25 %. (a) Analysieren Sie einen 20%igen $A_S$-Rückgang mithilfe des Lewis-Modells. (b) Unterscheiden Sie zwei Szenarien für $\bar{L}$. (c) Schlagen Sie eine Anpassungsstrategie vor, die institutionelle Reform, Humankapital und CCTs einsetzt.
Quellen
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).
