Wissenschaftspolitik. Forschung und Geschichte

Inhalt

1. Wissenschaftspolitik: Athene, Clio und Historisierung

2. Historisierung: Periodisierung und Kliometrie

3. Kliometrisches Modell: Theorie und Empirie
3.1. Theorie: Periodisierungsmatrix
3.2. Empirie: R&D-Indikatoren

4. Fallbeispiel: USA
4.1. Ausgangspunkt: Wissenschaftsdiskurs und Fehlschlüsse
4.2. Modell-Anpassung: Indikatoren-Auswahl und Matrix-Spezifikation
4.3. Langzeitreihen: Originale, transformierte und geglättete Reihen
4.4. Periodisierung: Bezugs-, Basis-, Struktur- und Relations-Indikatoren
4.4.1. Bezugs-Indikator
4.4.2. Basis-Indikator
4.4.3. Struktur-Indikatoren
4.4.4. Relations-Indikatoren
4.4.5. Zusammenfassende Ergebnisse

5. Fazit: Bilanz und Agenda

6. Anhang
6.1. Verzeichnisse
6.1.1. Tabellenverzeichnis
6.1.2. Abbildungsverzeichnis
6.2. Daten-Tabellen
6.2.1. Originale Reihen
6.2.2. Transformierte Reihen
6.2.3. Geglättete Reihen
6.3. Abbildungen
6.3.1. Originale Reihen
6.3.2. Transformierte Reihen
6.3.3. Geglättete Reihen

7. Danksagung

8. Literaturverzeichnis

1. Wissenschaftspolitik: Athene, Clio und Historisierung

In der Sankt-Petersburger Ermitage findet sich unter der Inventarnummer A 185 ein Relief von der Vorderseite eines Sarkophags aus der Mitte des 3. Jahrhunderts. Es zeigt ein Motiv, das in der Kunstgeschichte in den verschiedensten Variationen immer wieder auftaucht^[1], und zwar das Zusammentreffen von Apollon, Athene und den neun Musen (Abbildung 1)^[2].

Abbildung 1: Sarkophag-Relief Ermitage

Abbildung in dieser Leseprobe nicht enthalten.

Auf dem Relief steht Apollon, der Musenführer, in der Mitte, kenntlich an seinen Attributen, der Leier und dem Greif. Links neben ihm sehen wir Athene, mit dem Helm und der Eule zu ihren Füßen. Auf Athenes Seite, ganz links außen, befindet sich Clio, die Muse der Geschichtsschreibung.

Wenn es eine Schutzpatronin der Forschungsrichtung Wissenschaftspolitik gibt, dann ist es Athene. Wie alle griechischen Götter ist sie ein personifizierter Widerspruch. Einerseits ist sie die Schirmherrin der Weisheit, des Wissens und der Wissenschaft, andererseits ist sie die Göttin der Strategie und des Kampfes. Kann es für die Disziplin „ Wissenschafts-Politik “ eine bessere Patrona geben als Athene, die römische Minerva?

Und Clio, wie ist ihr Verhältnis zu Athene? Es ist spannungsreich. Sie steht zwar auf, aber nicht direkt an ihrer Seite. Es gibt eine Distanz. Dieses Spannungsverhältnis zwischen der Göttin und der Muse durchzieht die Jahrhunderte – bis heute. Immer wieder gibt es Bemühungen, diese Distanz zu verringern. Dabei wird auch explizit auf Clio Bezug genommen. Teils nur metaphorisch und formal^[3], teils aber auch durchaus inhaltlich im Hinblick auf die Stellung dieser Muse innerhalb der griechischen Mythologie^[4].

Der mythologische Einstieg mag erstaunen, vielleicht sogar befremden, ist jedoch mit Bedacht gewählt. Spätestens seit den legendären „Dahlemer Vorlesungen“ von Heinrich dürfte klar sein, dass die griechische Mythologie keine Fantasiewelt fernab der Realität darstellt, sondern komprimierte Modelle der Realgeschichte liefert. Und dies mindestens in dreifacher Hinsicht, als Gattungsgeschichte, als Individualgeschichte und als aktuelle, gegenwärtige Geschichte. In den Vorlesungen und Schriften Heinrichs sind immer alle drei Dimensionen präsent, wenn auch jeweils in unterschiedlicher Gewichtung. Für die Disziplin Wissenschaftspolitik sind, so scheint mir, mindestens vier seiner Arbeiten von besonderem Interesse: allen voran natürlich „Tertium Datur. Eine religionsphilosophische Einführung in die Logik“ (Dahlemer Vorlesung 1)^[5], dann aber auch „Arbeiten mit Ödipus. Begriff der Verdrängung in den Religionswissenschaften“ (Dahlemer Vorlesung 3)^[6], „Vom Bündnis denken. Religionsphilosophie“ (Dahlemer Vorlesung 4)^[7] und „Der Gesellschaft ein Bewußtsein ihrer selbst geben. Reden und kleinere Schriften 2)^[8]. Heinrichs Arbeiten bilden ein theoretisches und methodologisches Reservoir, das bislang nicht ansatzweise an-, geschweige denn ausgeschöpft ist^[9], auch und gerade wenn es darum geht, die Differenz zwischen Athene und Clio zu verringern.

Nun gut, mag man einwenden, nichts gegen Athene, nichts gegen Clio und auch nichts gegen Heinrich, ganz im Gegenteil, solch ein bildungsbürgerliches „Nice-to-Have“ kann nie verkehrt sein. Im harten Alltag der WIPO-Forschung jedoch ist weder Zeit noch Raum, derartigen wissenschaftlichen Vorlieben über Gebühr zu frönen. So wichtig es sein mag, Athene und Clio näher aneinander zu bringen, die Geschichte der Wissenschaftspolitik ist ein gesondertes Forschungsfeld, das sich nicht nebenbei beackern lässt. Zudem gibt es eine Vielzahl von Untersuchungen, die der Geschichte der Wissenschaft im Allgemeinen und die der Wissenschaftspolitik im Besonderen gewidmet sind. Also nicht nur Studien zur Geschichte einzelner Wissenschaftsdisziplinen, wie der Mathematik, der Physik oder der Philosophie, sondern Analysen zur Geschichte wissenschaftlicher Institutionen, wie den Universitäten^[10], Akademien^[11], Räten^[12] und Gemeinschaften^[13], Forschungen zur Geschichte des Zusammenhangs von Wissenschaft und Politik^[14], Untersuchungen zu nationalen Wissenschaftspolitiken^[15] oder Arbeiten zu bestimmten wissenschaftspolitischen Systemen^[16], Problemen^[17] und Instrumenten^[18].

Solche Einwände sind nachvollziehbar, gehen aber am Kern des Problems vorbei. Es geht nicht darum, neben der Disziplin „Wissenschaftspolitik“ eine neue Parallel- oder Subdisziplin „Geschichte der Wissenschaftspolitik“ zu etablieren, wodurch die „Wissenschaftspolitik“ in eine logische und eine historische Forschungsrichtung aufgespalten würde. Die Distanz zwischen Athene und Clio wäre so nur scheinbar verringert, tatsächlich aber eher vertieft. Sie tatsächlich zu verringern bedeutet, die Forschungsgegenstände der Wissenschaftspolitik zu historisieren, das heißt, ihnen durch die Analyse eine historische Tiefenschärfe zu geben, um sie als sich verändernde, geschichtlich gewordene Forschungsgegenstände zu erfassen und so ihre historische Dimension herauszuarbeiten. Historisierung darf hier nicht im Sinne einer geschichtsverfälschenden Pseudoobjektivierung missverstanden werden, sondern meint eine methodologische Perspektive, wie sie die historisch-vergleichende Soziologie entwickelt^[19] und beispielsweise Wagner in seinen Arbeiten paradigmatisch formuliert^[20], vor allem aber praktiziert^[21].

Ausgehend von einem solchen Verständnis der Historisierung ließe sich für die Forschungsdisziplin „Wissenschaftspolitik“ ein Historisierungs-Theorem aufstellen, das in drei Varianten, einer schwachen, einer mittelstarken und einer starken, formuliert werden kann. Diese drei Varianten lauten:

- Schwache Variante: Eine Historisierung der Wissenschaftspolitik ist zulässig.
- Mittelstarke Variante: Eine Historisierung der Wissenschaftspolitik ist wünschenswert.
- Starke Variante: Eine Historisierung der Wissenschaftspolitik ist notwendig.

Die ersten beiden Varianten dürften kaum strittig sein. Sie tun niemandem weh und erfordern keinerlei forschungsprogrammatische Konsequenzen. Wird historisiert ist gut, wird nicht historisiert, geht das auch. Historisierung ist halt ein „Nice-to-Have“. Im Gegensatz dazu ist die dritte Variante schmerzhaft, denn sie bedeutet streng genommen, dass die Historisierung ein notwendiges, wenn auch nicht hinreichendes Kriterium für die Wissenschaftlichkeit der Forschungsdisziplin ist. Anders gesagt: Diese Disziplin ist nur dann wissenschaftlich, wenn sie historisiert. Historisierung allein garantiert noch keine Wissenschaftlichkeit, aber ohne Historisierung ist sie nicht wissenschaftlich. Ich bin ein Anhänger der dritten Variante, werde aber im Folgenden einen Ansatz vorstellen, der sich von den Anhängern jeder dieser drei Varianten nutzen lässt.

2. Historisierung: Periodisierung und Kliometrie

Ein Hauptweg der Historisierung ist die Periodisierung. Im Folgenden sollen grob das Spektrum möglicher Periodisierungen sowie typische Periodisierungsprobleme umrissen werden. Ausgehend davon wird dann die Kliometrie als ein möglicher Ansatz zur Lösung dieser Probleme vorgestellt.

Periodisierung

Herodot, Josephus, Carlyle, Ranke, Mommsen, Markov … wohl alle großen Historiker haben die Periodisierung genutzt, um Prozesse zu strukturieren, Abläufe zu gliedern, Entwicklungen zu formieren und so Ordnungen in den Fluss der Zeit zu bringen. Schon von daher gehört dieses Verfahren zum Kernbestand der Geschichtsschreibung. Kaven geht noch einen Schritt weiter. Er meint sogar, dass die Historiographie jene Wissenschaftsdisziplin sei, „welche Periodisierung als Instrument par exellence verwendet“^[22].

Das Spektrum geschichtlicher Periodisierungen ist thematisch ausgesprochen breit gefächert. Es gibt Periodisierungen der Menschheits^[23] - und der Weltgeschichte^[24], der kirchlichen Rechtsgeschichte^[25], der Heilsgeschichte^[26], der deutschen Literatur^[27] der Marketing-Geschichte^[28], der romanischen Sprachgeschichtsschreibung^[29], der Herausbildung naturwissenschaftlicher Disziplinen^[30], der Literaturgeschichtsschreibung^[31], der Technikgeschichte^[32], der Wirtschaftsgeschichte^[33], der Politik^[34], der demographischen Geschichte^[35], der Produktionsweisen^[36], der Nachkriegsgeschichte^[37] oder der neueren Geschichte^[38]. Diese Periodisierungen reichen zuweilen bis in filigrane wissenschaftsdisziplinäre Details, wie eine Untersuchung über die Menschheitsstufen bei dem spätantiken Dichter Prudentius^[39] oder eine motivgeschichtliche Analyse der byzantinischen Reichseschatologie^[40] zeigen, um hier nur zwei Beispiele zu nennen.

In diesem breiten Periodisierungs-Spektrum werden auch immer wieder Probleme diskutiert, seien es nun logische^[41], methodologische^[42], methodische^[43] oder inhaltliche, wie beispielsweise der Zusammenhang von Zeitalter und Menschenalter^[44]. Und Periodisierungen sind auch häufig Gegenstand grundlegender politisch-ideologischer Auseinandersetzungen. Der Streit um die marxistische Historiographie machte dies über Jahrzehnte sehr anschaulich deutlich^[45].

Mit Blick auf die thematische Breite der Periodisierungen und die Vielzahl der Probleme, die sich daraus ergeben, scheint es zunächst ausgenommen schwierig, wenn nicht gar unmöglich, einen halbwegs konsistenten und konsensfähigen Periodisierungsansatz zu entwickeln, auf den sich eine Historisierung der Wissenschaftspolitik stützen könnte. Die Schwierigkeiten lassen ebenso endlose wie unfruchtbare akademische Querelen erwarten, die der Forschungsdisziplin „Wissenschaftspolitik“ letztlich mehr schaden als nutzen. Drei Fragen mögen dies verdeutlichen:

- Worin bestehen die Kriterien für Periodisierungen und gibt es überhaupt allgemein verbindliche?^[46]
- Was nutzen Periodisierungen, insbesondere formale Periodisierungen?^[47]
- Gibt es zuverlässige Periodisierungsstrategien auf die man sich stützen kann?^[48]

Das schwerwiegendste Problem dürfte jedoch eins sein, das Borchardt in einem Essay zur Periodisierung der deutschen Nachkriegsgeschichte, der den Titel trägt „Zäsuren in der wirtschaftlichen Entwicklung. Zwei, drei oder vier Perioden?“ sehr pointiert so formulierte: „Vermutlich wird man es frivol finden, wenn ich frage: ‘Wie viele Perioden hätten Sie denn gerne? Zwei, drei oder vier?‘ Aber es liegt in der Natur der Sache, daß für jede Antwort gute Gründe geliefert werden können. Und so finden sich denn auch in der Literatur zur deutschen Wirtschaftsgeschichte der Nachkriegszeit recht verschiedene zeitliche Gliederungen“^[49].

Ganz so aussichtslos jedoch, wie es zunächst den Anschein hat, ist das Periodisierungsanliegen nicht. Einen möglichen Ansatz liefert eine Disziplin, die in den traditionellen Geistes- und Sozialwissenschaften eher weniger bekannt sein dürfte, nämlich die Kliometrie. Was ist Kliometrie? Oder, konkreter gefragt: Was ist der Gegenstand dieser interdisziplinären Forschungsrichtung und wie ist sie entstanden?

Kliometrie

Das Kunstwort „Kliometrie“ oder, im anglo-amerikanischen Sprachraum, „Cliometrics“, setzt sich aus den Begriff „Klio“ und der Nachsilbe „metrie“ zusammen, die auf die Kunst des Messens verweist. Die Cliometrics wird auch als „New Economic History“, „Historical Economics“ oder „Economic History“ bezeichnet^[50].Die einfachste, wenngleich leider wenig hilfreiche, weil zirkuläre Definition der Kliometrie lautet: „Cliometrics is what cliometricians do“^[51]. Kurz zusammengefasst ließe sich sagen, die New Economic History ist darauf fokussiert, die Disziplinen Ökonomie und Geschichte miteinander zu verbinden, und zwar indem versucht wird, durch die Anwendung quantitativer, speziell ökonometrischer und mathematischer Methoden qualitative Aussagen über gesellschaftliche Prozesse zu gewinnen. Wie kam es zu diesem Ansatz?

In der zweiten Hälfte der 50er Jahre mehrten sich in den USA die Versuche, die Differenz zwischen Ökonomen und Historikern zu überwinden, auf die Ashley in seiner Antrittsvorlesung in Harvard bereits 1893 aufmerksam machte^[52]. 1957 entwickelten Conrad und Meyer die Idee einer „New Economic History“^[53]. 1958 folgte ihr Aufsatz „The Economics of Slavery in the Ante Bellum South”^[54], der auf eine große Resonanz traf. Anfang der 60er Jahre ging es dann Schlag auf Schlag. Die „kliometrische Revolution“^[55] griff rasant Raum: Im Dezember 1960 organisierten Davis und Jonathan an der Purdue Universität einen Workshop der zur Keimzelle der späteren „Cliometrics Conferences“ werden sollte. Im gleichen Jahr wurden North und Parker Herausgeber des „Journal of Economic History“, das sowohl Ökonomen als auch Historiker lasen, und das in den Folgejahren zu dem wichtigsten Publikationsorgan der Kliometriker avancierte. Der Konflikt zwischen alter und neuer „Economic History“ artikulierte sich auch in Form eines Generationenkonflikts als Auseinandersetzung zwischen alten und jungen Wirtschaftshistorikern. Die Jungen, unter ihnen Fogel und North, waren begeistert von der neuen Forschungsrichtung und institutionalisierten die Disziplin alsbald mit der Gründung der „Cliometric Society“^[56].

Die beiden Arbeiten von Fogel, „Railroads and American Economic Growth: Essays in Econometric History“^[57], und North, „The Economic Growth of the United States, 1790-1860“^[58] wurden in den folgenden Jahren wegweisend für die kliometrische Forschung. Mit der Verleihung des Nobelpreises an die beiden Kliometriker nahm die kliometrische Revolution nicht nur in den USA, sondern auch in Europa Fahrt auf. Es gibt inzwischen eine Vielzahl von Surveys, die den jeweiligen Stand und die Entwicklung der kliometrischen Forschung seit den 60er Jahren des 20. Jahrhunderts dokumentieren, angefangen von Gesamt-^[59] und Länder-^[60] bis hin zu Themenübersichten^[61].

Eine zwar nicht neue, aber im westlichen Wissenschaftsbetrieb häufig übersehene Entwicklung betrifft die kliometrische Forschung in der Sowjetunion und ihren Nachfolgestaaten. Diese Richtung braucht weder konzeptionell noch methodisch oder empirisch einen Vergleich mit den zuvor skizzierten „Cliometrics“ zu scheuen. Dies zeigt beispielsweise der von Kowaltschenko 1972 herausgegebene Sammelband^[62], in dem der damalige Forschungsstand resümiert wurde und der 2012 eine Nachauflage erlebte^[63]. In den letzten zehn Jahren sind eine ganze Reihe sehr anregender kliometrischer Analysen erschienen, so etwa die Arbeiten von Grinin^[64], Malkov^[65] oder Negin^[66]. Wie produktiv die russischen Kliometriker sind zeigt exemplarisch die Homepage von Malkov^[67]. Neben den heuristischen und methodischen Impulsen der russischsprachigen Forschung sind es hier natürlich die Arbeiten zur Periodisierung, die besondere Aufmerksamkeit verdienen^[68].

Seit ihrer Entstehung sind die Cliometrics heftig umstritten. Es gibt nicht nur Stimmen, die berechtigterweise vor überspannten Erwartungen und Ansprüchen von Kliometrikern warnen^[69], sondern auch Wissenschaftsrichter, die diese Disziplin vom Grundsatz her für verfehlt halten. Hierzu gehören beispielsweise Boldizzoni und Salerno^[70], die die Kliometrie als neoklassisch beziehungsweise positivistisch aburteilen. Zum anderen wurde die „New Economic History“ auch zum Gegenstand akademischer Revierkämpfe. Wohin gehören die Wirtschaftshistoriker? Moscati zum Beispiel meint „More Economics, Please: We're Historians of Economics“ und plädiert dafür, dass die Wirtschaftshistoriker theoretisch und akademisch strikt in die Wirtschaftswissenschaften eingebunden werden sollten^[71]. Schliesser wiederum will sie vielmehr als bisher in den Philosophie-Departments der Universitäten vertreten sehen^[72].

Wie immer dem auch sei, mir scheint, dass sich Dumkes bereits 1986 gestellte provokative Frage „Clio's Climacteric?“^[73] nach wie vor abschlägig beantworten lässt. Nein, die Kliometrie und die „Cliodynamics“ sind immer noch heuristisch fruchtbar – theoretisch, methodisch und empirisch. Dies sollen nicht zuletzt auch die folgenden Ausführungen veranschaulichen.

3. Kliometrisches Modell: Theorie und Empirie

Ausgangspunkt für den hier vorgeschlagenen kliometrischen Zugang zu einer wissenschaftspolitischen Historisierung ist ein Periodisierungstool, das im Rahmen einer wirtschaftsgeschichtlichen Analyse entwickelt und empirisch getestet wurde^[74]. Dieses Tool und seine mögliche Anwendung für eine wissenschaftspolitische Periodisierung werden in zwei Schritten vorgestellt. In einem ersten Schritt (Kapitel 3.1.) wird das Tool beschrieben. In einem zweiten Schritt (Kapitel 3.2) werden wissenschaftspolitische Indikatoren diskutiert, die eine empirische Anwendung dieses Tools ermöglichen.

3.1. Theorie: Periodisierungsmatrix

Dem kliometrischen Periodisierungstool, auf das sich die vorliegende Arbeit stützt, liegt zunächst eine ganz einfache, um nicht zu sagen simple Frage zugrunde. Sie lautet: Ist es möglich, aus der Entwicklungsdynamik von Prozessindikatoren charakteristische Entwicklungsperioden des Prozesses herauszufiltern, den diese Indikatoren beschreiben. Eine zweite, darauf aufbauende und schon nicht mehr ganz so simple Frage lautet: Ist es möglich, diese charakteristischen Entwicklungsperioden so herauszufiltern, dass sie weitgehend indikator- und filterinvariant sind. Das heißt: Gibt es ein Verfahren, das möglichst unabhängig von den ausgewählten Indikatoren und Filtern ist, so dass die Periodisierungsergebnisse wenig und im Idealfall gar nicht indikator- beziehungsweise filterbedingt sind. Der Sinn dieser Frage liegt auf der Hand. Periodisierungen, die beispielsweise hauptsächlich oder gar ausschließlich von dem gewählten Filter abhängen und sich von Filter zu Filter signifikant verändern, nutzen nichts, sondern führen in die Irre. Sie öffnen der oben von Borchardt erwähnten Beliebigkeit („Wie viele Perioden hätten Sie denn gerne?“^[75] ) Tür und Tor.

Die Antwort auf beide Fragen ist positiv, kann aber hier aus Platzgründen nur überblicksartig und nicht im Einzelnen referiert werden. Für eine detaillierte Beantwortung sei auf die entsprechende Untersuchung verwiesen^[76]. Komprimiert zusammengefasst sind folgende zwölf Schritte (siehe Abbildung 2) notwendig, um aus der Entwicklungsdynamik bestimmter Prozessindikatoren charakteristische, indikator- und filterinvariante Entwicklungsperioden dieses Prozesses herauszufiltern.

Abbildung 2: Die zwölf Schritte des kliometrischen Periodisierungsverfahrens

Abbildung in dieser Leseprobe nicht enthalten.

Auf den ersten Blick erscheinen diese zwölf Schritte ebenso langwierig wie mühselig. Dabei ist jedoch zu bedenken, dass sich die Schritte 3-10 durch entsprechende SPSS-basierte Rechenalgorithmen in Form einer Modul-Kette oder eines Gesamtmoduls automatisieren lassen. Die eigentlich schwierigen, weil nicht automatisierbaren Schritte sind die Schritte 1 und 2 sowie 11 und 12. Dazu zunächst einige kurze Bemerkungen.

Den Ausgangspunkt des gesamten Verfahrens bilden die Auswahl der Indikatoren und das Auffinden entsprechender Langzeitreihen für diese Indikatoren. Dabei handelt es sich um einen iterativen Prozess, der in aller Regel mehrmals durchlaufen werden muss. Die besten Prozessindikatoren nutzen nichts, wenn dazu keine Langzeitreihen existieren, die sich weiter bearbeiten lassen und umgekehrt: Die schönsten Langzeitreihen sind nichts wert, wenn deren Prozessindikatoren keine inhaltliche Aussagekraft besitzen. Über die Güte der Periodisierungsergebnisse wird in diesen ersten beiden Schritten entschieden. Die folgenden mathematischen Algorithmen können unzureichendes oder unpassendes Datenmaterial inhaltlich nicht verbessern.

Gleiches gilt für die Schritte 11 und 12. Die Ergebnisse der in den Schritten 3-10 vollzogenen Berechnungen können nicht einfach gedankenlos übernommen werden, sondern bedürfen zunächst einer kritischen Diskussion (Schritt 11) und dann einer darauf aufbauenden Hypothesenbildung, die auf die Erforschung der Ursachen für die vorliegenden Periodisierungsresultate gerichtet ist. Beides, die Diskussion und die Hypothesenbildung sind nicht verzichtbar.

Was nun die Schritte 3-10 betrifft, so lassen sich diese wie folgt stichpunktartig skizzieren: Sind im ersten und zweiten Schritt erfolgversprechende Langzeitreihen ausgewählt, so kann es sein, dass diese nicht vollständig sind und bestimmte Lücken aufweisen. Schritt 3 ist darauf gerichtet solche fehlenden Daten durch geeignete Schätzverfahren zu interpolieren, so dass eine vollständige Zeitreihe vorliegt. Um die Entwicklungsdynamik dieser Zeitreihe zu erfassen, wird sie im Schritt 4 in eine Wachstumsreihe transformiert, die nicht die absoluten Größen der Ausgangsreihe sondern die jährlichen Veränderungsraten in Prozent anzeigt. Im Schritt 5 wird diese transformierte Reihe durch entsprechende Filter-Verfahren geglättet. Dazu bieten sich mehrere Filter an. So beispielsweise der „Hodrick-Prescott“-Filter (HP-Filter)^[77], der „Baxter-King“-Filter (BK-Filter)^[78], der „Moving-Average“-Filter (MA-Filter)^[79], der „Extended-Exponential-Smoothing-Filter“ (EEG-Filter)^[80], der „Christiano-Fitzgerald“-Filter (CF-Filter)^[81] oder der „Trendfunktions“-Filter (TR-Filter)^[82]. Auf Basis dieser filtergeglätteten Langzeitreihen lässt sich eine Periodisierungs-Matrix erstellen, die das Kernstück des kliometrischen Tools bildet und im Folgenden noch etwas ausführlicher beschrieben wird. Aus dieser Periodisierungsmatrix wird dann in einem 7. Schritt eine Wendepunkt-Matrix berechnet, die die charakteristischen Wendepunkte erfasst, in denen sich das Wachstumsverhalten der geglätteten Kurven ändert. Diese Wendepunkt-Matrix lässt sich dann im 8. Schritt mit den üblichen Verfahren statistisch auswerten. Aus dieser Auswertung können dann Periodisierungsergebnisse abgeleitet (Schritt 9) und auf Indikator- und Filterinvarianz getestet werden (Schritt 10).

Ganz allgemein kann zunächst davon ausgegangen, dass die Entwicklungsdynamik eines Prozesses durch eine Folge von Wendepunkten charakterisiert wird, die eine Veränderung des Wachstumsverhaltens signalisieren. Die Periodisierungsmatrix enthält nun in den Zeilen die Zeitreihen, in den Spalten die Glättungsfilter und in den Feldern die transformierten, geglätteten Zeitreihen.

Idealerweise sollten alle Filter im Ergebnis zeitlich ähnliche Wendepunkte liefern, nur dann können die Wendepunkte für eine Periodisierung genutzt werden. Sollte es Wendepunkte geben, die durch die meisten, aber nicht durch alle Glättungsverfahren bestätigt werden, müssen diese gegebenenfalls gesondert untersucht und interpretiert werden.

Die nachfolgende Abbildung 3 veranschaulicht die Struktur der Periodisierungsmatrix, wobei folgende Bezeichnungen gelten sollen:

i - Zeitreihenindex (i = 1(1)m)

j - Filterindex (j = 1(1)n)

t - Zeitindex (t = 1(1)T)

Abbildung in dieser Leseprobe nicht enthalten - Realisierung der Zeitreihe Abbildung in dieser Leseprobe nicht enthalten zum Zeitpunkt t

Abbildung in dieser Leseprobe nicht enthalten - Zeitreihe Abbildung in dieser Leseprobe nicht enthalten: Abbildung in dieser Leseprobe nicht enthalten

Abbildung in dieser Leseprobe nicht enthalten - Filter j

Abbildung in dieser Leseprobe nicht enthalten - Elemente der geglätteten Zeitreihe Abbildung in dieser Leseprobe nicht enthalten nach Filter j zum Zeitpunkt t

Abbildung in dieser Leseprobe nicht enthalten - geglättete Zeitreihe Abbildung in dieser Leseprobe nicht enthalten nach Filter Abbildung in dieser Leseprobe nicht enthalten:Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Struktur der Periodisierungsmatrix

Abbildung in dieser Leseprobe nicht enthalten.

Die Periodisierungsmatrix P kann dann formal in folgender Form geschrieben werden:

Abbildung in dieser Leseprobe nicht enthalten

Dabei ist Abbildung in dieser Leseprobe nicht enthalteneine geglättete Zeitreihe.

Führen unterschiedliche Zeitreihen und unterschiedliche Verfahren zu gleichen oder ähnlichen Periodisierungen, dann ist die Gefahr zeitreihen- und filterabhängiger Periodisierungen zwar nicht vollends aus der Welt geschafft, aber doch erheblich reduziert. Auf dieser Grundlage lassen sich dann plausible Hypothesen über die Ursachen und den Verlauf bestimmter Entwicklungsperioden bilden. Generell ist jedoch das Problem der Zeitreihen- und Filterabhängigkeit im Auge zu behalten und im Bedarfsfall einer gesonderten Prüfung zu unterziehen. Grundsätzlich ist das vorgeschlagene Verfahren erweiter- oder modifizierbar sowohl durch die Hinzunahme weiterer oder anderer Zeitreihen als auch durch die Nutzung zusätzlicher oder anderer Glättungsverfahren. Soweit zu dem allgemeinen Modell, nun zum Ausgangspunkt des Modells, den Prozessindikatoren und den Langzeitreihen.

3.2. Empirie: R&D-Indikatoren

Das Feld möglicher Indikatoren, die zu einer wissenschaftspolitischen Periodisierung herangezogen werden können ist sehr breit. Es gibt Wissenschafts-, Technologie- und Innovationsindikatoren^[83], unterschiedliche konzeptionelle Frameworks, in denen solche Indikatoren eingebettet sind und aus denen sie abgeleitet werden können^[84], zusammengesetzte Indikatoren^[85], Indikatoren für komplexe Innovationssysteme^[86], Indikatoren für Firmen^[87], „R&D-Return-Indicators“^[88], „R&D-Social Return“-Indicators^[89], Indikatoren für das intellektuelle Kapital in F&E-Prozessen^[90], Studien zu den Fehlerursachen in R&D-Statistiken^[91] und vieles mehr. Welche Indikatoren man auswählt, hängt vor allem von zwei Faktoren ab. Zum einen, auf welche speziellen wissenschaftspolitischen Prozesse die angestrebte Periodisierung fokussiert ist. Zum anderen, welche Langzeitreihen zu den ausgewählten Indikatoren vorliegen. In aller Regel gilt es vermutlich einen Kompromiss zwischen der Präzision des Indikators und der Güte der Langzeitreihen zu finden. Es geht dabei also um die Optimierung des oben skizzierten iterativen Prozesses zwischen Indikatorauswahl und Auffinden geeigneter Langzeitreihen.

Die folgende Auflistung, die nicht den geringsten Anspruch auf Systematik oder gar Vollständigkeit erhebt, zeigt, wie breit die Palette möglicher Periodisierungsindikatoren ist:

- Anzahl der Studierenden an Universitäten, Hochschulen und Fachhochschulen
- Anteil der Studierenden an Universitäten, Hochschulen und Fachhochschulen an der Bevölkerung
- Anzahl der pro Jahr angemeldeten Patente
- Anzahl der pro Jahr bei ausländischen Patentämtern angemeldeten Patente
- Anzahl der Triaden-Patente
- Ausgaben für Forschung und Entwicklung
- Anteil der Ausgaben für Forschung und Entwicklung am Bruttosozialprodukt
- Ausgaben für Forschung und Entwicklung pro Kopf der Bevölkerung
- Ausgaben für Forschung und Entwicklung pro Berufstätigen
- Anteil der Beschäftigten mit einem Hoch- und Fachschulabschluss an den Beschäftigten insgesamt
- Anzahl der wissenschaftlichen Publikationen
- Anzahl der wissenschaftlichen Publikationen pro Wissenschaftler
- Anzahl der Artikel in Peer Reviewed Journals
- Anzahl der Artikel in Peer Reviewed Journals mit hohem Impact Faktor
- GERD-Indikatoren (Gross Domestic Expenditure on R&D)
- BERD-Indikatoren (Business Enterprise Expenditure on R&D)
- HERD-Indikatoren (Higher-education expenditure on R&D)
- PERD-Indikatoren (Public Expenditure in R&D)
- GovErd-Indikatoren (Government expenditure on R&D)
- Differenz zwischen GERD und BERD
- GBAORD-Indikatoren (Government Budget Appropriations or Outlays for Research and Development
- Anzahl der Unternehmen, die Innovationen entwickeln
- Anteil der Unternehmen, die Innovationen entwickeln, an der Gesamtzahl der Unternehmen
- Anzahl der Personen, die in Prozessen lebenslangen Lernens eingebunden sind
- Anzahl der Beschäftigten in High-Tech-Sektoren
- Anzahl neuer Produkte
- Anteil der High-Tech-Exporte an den gesamten Exporten
- Anzahl der Kooperationen zwischen Firmen und Forschungsinstituten

Das Hauptproblem bei der Anwendung des beschriebenen Periodisierungstools besteht meines Erachtens weniger in fehlenden Indikatoren, als vielmehr in lückenhaften oder fehlenden Langzeitreihen. Gewiss, es gibt eine Vielzahl von Einzeluntersuchungen, die Zeitreihen enthalten. Hierzu gehören beispielsweise „Trends in the Global Distribution of R&D since the 1970s: Data, their Interpretation and Limitations. R&D Data”^[92], „A Time Series Analysis oft he Development in National R&D Intensities and National Public Expenditures on R&D“^[93], „Economic Growth in the U.S. and Europe: The Role of Knowledge, Human Capital and Inventions”^[94], „The Relations between Government R&D and Private R&D Expenditure in the APEC Economies: A Time Series Analysis”^[95] oder „R&D Expenditure in G7 Countries and the Implications for Endogenous fluctuations and Growth”^[96]. Und was Deutschland und die OECD-Staaten betrifft, so liegen mit den periodischen Veröffentlichungen der „Main Science and Technology Indicators“^[97], des OECD Science, Technology and Industry Qutlook“^[98] sowie des „OECD Science, Technology and Industry Scoreboard“^[99] auch vergleichbare Zeitreihen vor.

Das Problem ist jedoch, dass es sich dabei nicht oder nur sehr bedingt um tatsächliche Langzeitreihen handelt. So beginnen, um hier nur ein Beispiel zu nennen, die „Main Science and Technology Indicators“ der OECD erst 1981. Für Deutschland lassen sich zwar Daten vor 1981 aus entsprechenden vorher liegenden Forschungsberichten der Bundesregierung^[100] oder anderen Veröffentlichungen^[101] zusammentragen, doch erstens bleiben dabei Lücken, zweitens sind diese Daten nicht mit den späteren OECD-Daten kompatibel und drittens reichen sie auch nur bis Mitte der 60er Jahre zurück. Aus dieser disparaten Datenlage einheitliche konsistente Zeitreihen zu berechnen ist prinzipiell möglich, aber aufwendig.

Nun ist der Begriff der Langzeitreihen sicher dehnbar und auch 30-Jahres-Reihen lassen sich als Langzeitreihen betrachten, doch ist dies im Hinblick auf die hier angestrebte wissenschaftspolitische Periodisierung problematisch. Zum einen ist es wünschenswert, dass sich die für eine Periodisierung herangezogenen Zeitreihen auf zentrale volkswirtschaftliche und gesellschaftliche Langzeitreihen, wie etwa das Bruttoinlandsprodukt beziehen lassen und da wäre es für Deutschland sehr fragwürdig, wenn dabei gerade der Nachkriegsboom der 50er und der ersten Hälfte der 60er Jahre unbeachtet bliebe, weil die F&E-Zeitreihen erst Mitte der 60er Jahre einsetzen. Zum anderen sind 30-Jahres-Zeitreihen mit Blick auf die Cliometrics und speziell eine ihrer Unterdisziplinen, die Kliodynamik^[102], keine Lang-, sondern eher Kurzzeitreihen.

Da es mir in der vorliegenden Arbeit zunächst vor allem darum geht, einen möglichen kliometrischen Zugang für eine wissenschaftspolitische Historisierung vom Prinzip her zu demonstrieren, werde ich mich auf einige wenige mehr oder weniger klassische F&E-Indikatoren beschränken, und dazu Langzeitreihen der U.S. „National Science Foundation“ nutzen.

4. Fallbeispiel: USA

Im Folgenden soll das kliometrische Periodisierungstool an einem konkreten Fallbeispiel, und zwar an dem der USA, erläutert werden. Dies wird in fünf Schritten geschehen. In einem ersten Schritt werden zunächst mögliche Fehlschlüsse diskutiert, die sich aus dem Diskurs über die Wissens- und Wissenschaftsgesellschaft für eine empirisch basierte Periodisierung der Wissenschaftspolitik ergeben können (Kapitel 4.1.). Im zweiten Schritt (Kapitel 4.2.) wird eine Modell-Anpassung vorgenommen, und zwar sowohl im Hinblick auf die Indikatoren-Auswahl als auch in Bezug auf die Spezifikation der im Kapitel 3.1. vorgestellten allgemeinen Periodisierungs-Matrix. Der dritte Schritt (Kapitel 4.3.) ist darauf fokussiert, die empirische Basis der kliometrischen Periodisierung, nämlich die originalen, transformierten und geglätteten Langzeitreihen vorzustellen. Im vierten Schritt (Kapitel 4.4.) werden diese drei Typen von Langzeitreihen Zug um Zug für verschiedene Indikatorgruppen und einzelne Indikatoren entwickelt, um dann daraus Periodisierungen abzuleiten. Im fünften Schritt (Kapitel 4.5.) schließlich werden die zuvor entwickelten Periodisierungsergebnisse zusammenfassend resümiert.

Im gesamten Kapitel 4, insbesondere jedoch in dem Kapitel 4.4. wird sehr viel mit Grafiken gearbeitet, weil diese erfahrungsgemäß das Verständnis für die einzelnen Periodisierungsschritte erheblich erleichtern. Wer solcher Grafiken nicht bedarf und/oder eher tabellarisch-numerische Darstellungen bevorzugt, sei auf das Kapitel 6.2. verwiesen, wo die entsprechenden Berechnungen komprimiert zusammengefasst sind.

Diese Grafiken des Kapitels 4.4. werden möglicherweise früher oder später nicht nur ermüdend, sondern auch demotivierend wirken, weil das gleiche Grundprinzip immer wieder an den verschiedenen Indikatoren gebetsmühlenartig durchdekliniert wird und so sehr leicht der Eindruck entstehen kann, dass die hier vorgestellte kliometrische Periodisierung ein ebenso langwieriger wie intellektuell öder Prozess ist. Es sei deshalb noch einmal ausdrücklich darauf hingewiesen, dass die hier ausführlich in grafischer Form präsentierten Periodisierungsschritte normalerweise in der numerischen Black-Box des mathematischen Modells verschwinden, die sie in Sekundenbruchteilen ausführt, und aus der sie, noch ehe das Kaffeewasser kocht, abgerufen werden können. Das Kapitel 4.4. ist deshalb doppelt zu lesen, einmal im Hinblick auf den fallspezifischen Periodisierungsprozess und seine Ergebnisse, zum anderen als Blick in die kliometrische Black-Box des allgemeinen Modells.

4.1. Ausgangspunkt: Wissenschaftsdiskurs und Fehlschlüsse

Seitdem Lane^[103] und Bell^[104] den Begriff der postindustriellen „Wissensgesellschaft“ und Kreibich^[105] den der „Wissenschaftsgesellschaft“ geprägt haben, hat sich um diese beiden Termini ein Diskurs entwickelt, der auch und gerade die Theorie und Praxis der Wissenschaftspolitik, ihre Forschung und Geschichte, substanziell betrifft. In diesem Diskurs wird die Herausbildung der Wissens- beziehungsweise der Wissenschaftsgesellschaft sehr häufig in kaum zu überbietenden Superlativen beschrieben. So beispielsweise, wenn Miegel davon spricht, dass sich damit „der dritte gewaltige Paradigmenwechsel in der Geschichte der Menschheit“^[106] vollzieht. In diesem Diskurs der Superlative ist dann auch von einer „Informationsexplosion“^[107] und „Wissensexplosion“^[108] die Rede. Diese Explosions-Metapher wiederum scheint in statistischen Analysen der Wissensproduktion ihre unumstößliche Bestätigung zu finden, wie sie prototypisch Dobrov^[109] und Price^[110] entwickelt haben und die ein exponentielles Wachstums des Wissens diagnostizieren.

Ausgehend von dieser Explosions-Metapher sind es dann auch vor allem zwei Bilder, die intuitiv den Erwartungshorizont für eine wissenschaftspolitische Periodisierung vorstrukturieren. Zum einen das Bild einer Explosion (das Chaos-Bild), zum anderen das Bild einer steil nach oben strebenden exponentiellen Wachstumskurve (das Ordnungs-Bild). Überspitzt formuliert: Je mehr man in die Vergangenheit zurückgeht, desto gemächlicher und beschaulicher erscheint die Wissenschaftspolitik und je mehr man sich der Gegenwart nähert, desto explosiver und eruptiver werden die Prozesse, die sie zu bändigen hat. Diese beiden Bilder führen dann unterschwellig zu der Erwartung, dass alle wissenschaftspolitischen Periodisierungs-Indikatoren mehr oder weniger Zunahme, Wachstum, Vergrößerung, Geschwindigkeitserhöhung etc. signalisieren. Aus dieser Perspektive sind zwar punktuelle Ausnahmen möglich, stellen aber Anomalien dar, die die Explosions-Regel bestätigen.

Nun gibt es nicht nur eine ganze Reihe von Untersuchungen, die eine derartige Sicht nicht teilen und der Herausbildung einer Wissens- oder gar Wissenschaftsgesellschaft nüchterner und kritischer gegenüberstehen^[111], sondern auch Analysen, die bereits sehr früh die exponentiellen Wachstumsdynamiken in Frage stellten^[112], dennoch halten sich die beschriebenen suggestiven Chaos- und Ordnungs-Bilder und die daraus resultierenden Vor-Urteile und Erwartungen zäh.

Die in der vorliegenden Arbeit entwickelte kliometrische Periodisierungsanalyse kann mit dazu beitragen, die unter dem Titel „Wissensgesellschaft“ oder „Wissenschaftsgesellschaft“ verhandelten Entwicklungsprozesse differenzierter zu sehen. Notwendig indes ist es, bei der Auswahl und Interpretation des entsprechenden statistischen Materials mögliche Fehlschlüsse zu vermeiden. Wie schnell man solchen Fehlschlüssen erliegen kann, möchte ich im Folgenden an zwei Beispielen demonstrieren.

Nimmt man einen klassischen GERD-Indikator (Gross Domestic Expenditure on R&D) und sieht sich an, welchen Wert dieser Indikator für die USA, sagen wir, in den Jahren 1964, 1985, 2004 und 2011 angenommen hat^[113], dann ergibt sich folgendes Bild (Abbildung 4):

Abbildung 4: Anteil der F&E-Ausgaben am Bruttoinlandsprodukt

Abbildung in dieser Leseprobe nicht enthalten.

Was zeigen diese Werte, auf welche Tendenz verweisen sie? Sinkt der Anteil der F&E-Ausgaben am Bruttoinlandsprodukt (1964 → 1985 → 2004 oder 1964 → 2011), steigt er (2004 → 2011) oder bleibt er annähernd konstant (2004 → 2011)?

Es liegt auf der Hand, dass sich diese Frage auf Basis dieser vier singulären Daten nicht zuverlässig beantworten, da man nicht weiß, ob es sich bei diesen GERD-Werten um „Ausreißer“ handelt oder nicht. Allein dieses einfache Beispiel macht schon sehr anschaulich deutlich, dass es bei der Periodisierung wissenschaftspolitischer Prozesse mit punktuellen Daten nicht getan ist, sondern dass für solche Periodisierungen Langzeitreihen erforderlich sind.

Aber auch Langzeitreihen als solche sind noch längst keine Garantie für eine zuverlässige empirische Datenbasis, wie das folgende Beispiel^[114] (Abbildung 5) zeigt, in der die gesamten F&E-Ausgaben (F&E-Ausgaben insgesamt, kurz F&E-AI) der USA für 57 Jahre, nämlich von 1953 bis 2010, dargestellt sind:

Abbildung 5: F&E-Ausgaben in laufenden Preisen und Trendfunktion

Abbildung in dieser Leseprobe nicht enthalten.

Betrachtet man die Trendfunktion dieser Langzeitreihe (Expon), dann handelt es sich um eine exponentielle Kurve. Das oben beschriebene Ordnungs-Bild einer Wissens- und Wissenschaftsexplosion scheint hier eine geradezu grandiose empirische Bestätigung zu finden.

Ein Blick auf die Maßeinheit indes zeigt, dass hier die F&E-Ausgaben in Mrd. $ zu laufenden Preisen gemessen werden. Letzteres, die laufenden Preise, ist dabei der springende Punkt. Diese Preise beinhalten nämlich die Inflationseffekte und die wiederum können gravierende Auswirkungen auf den Trend der Periodisierungsindikatoren haben, wie das folgende Beispiel^[115] deutlich macht. In der Abbildung 6 sind die F&E-Ausgaben der USA insgesamt (F&E-AI) für den Zeitraum 1953-2010 zu laufenden und zu konstanten Preisen von 2005 einschließlich der beiden dazugehörigen Trendfunktionen angegeben.

Abbildung 6: F&E-Ausgaben in laufenden und konstanten Preisen mit Trendfunktionen

Abbildung in dieser Leseprobe nicht enthalten.

Den Verlauf der F&E-AI zu laufenden Preisen und deren Trendfunktion sind schon aus Abbildung 5 bekannt (dunkelgraue Kurven). Hier kommen noch der Verlauf der F&E-AI zu konstanten Preisen von 2005 und deren Trendfunktion hinzu (schwarze Kurven). Letztere zeigen ein ganz anderes Bild. Von einer explosionsartigen Zunahme der F&E-Ausgaben kann bei ihnen nicht die Rede sein. Es handelt sich schlicht und einfach um eine lineare Trendfunktion. Der Vergleich macht deutlich, dass die exponentielle Trendfunktion ausschließlich der Angabe in laufenden Preisen, sprich dem Inflationseffekt geschuldet ist.

Diese beiden Beispiele illustrieren noch einmal, welchen Stellenwert die im Kapitel 3 beschriebene Auswahl der Langzeitreihen auf den nachfolgenden Periodisierungsprozess hat und wie leicht es ist, Fehlschlüssen zu erliegen, insbesondere, wenn sie in einem entsprechenden Erwartungshorizont liegen und durch implizite Vor-Urteile vorformatiert sind.

Vor diesem Hintergrund wird nun am Beispiel der USA eine mögliche kliometrische Periodisierung wissenschaftspolitischer Prozesse demonstriert. Dazu wird zunächst eine Anpassung des im Kapitel 3 beschriebenen Modells vorgenommen.

4.2. Modell-Anpassung: Indikatoren-Auswahl und Matrix-Spezifikation

Die Anpassung des allgemeinen Modells an das zu analysierende empirische Fallbeispiel USA erfolgt in zwei Schritten. Im ersten Schritt werden die Periodisierungsindikatoren und Langzeitreihen ausgewählt und im zweiten Schritt wird die Periodisierungsmatrix spezifiziert.

Indikatoren-Auswahl

Grundlage für die Auswahl der Indikatoren und die entsprechenden Langzeitreihen bilden die gemeinsamen Veröffentlichungen der „National Science Foundation“ und des „National Centers for Science and Engineering Statistics“ der USA, speziell die „National Patterns of R&D Resources“, die den Zeitraum von 1953-2010 umfassen und die regelmäßig aktualisiert und präzisiert werden^[116].

Aus diesem Datenpool wurden vier Indikator-Haupt und zwei -Untergruppen mit insgesamt 13 Einzelindikatoren ausgewählt, wobei die Gruppennomenklatur (kursiv unterstrichen) und die Indikatorzuordnungen von mir stammen. Im Einzelnen handelt es sich dabei um folgende Gruppen und Kenngrößen:

- Bezugs-Indikatoren
Bruttoinlandsprodukt (BIP)
- Basis-Indikatoren
Forschungs- und Entwicklungsausgaben insgesamt (F&E-AI)
- Struktur-Indikatoren
- Quellenstruktur-Indikatoren
Bundesfinanzierte Forschung und Entwicklung (B-F&E)
Nichtbundesfinanzierte Forschung und Entwicklung (NB-F&E)
- Ausgabestruktur-Indikatoren
Forschungs- und Entwicklungsausgaben für Grundlagenforschung (F&E-AG)
Forschungs- und Entwicklungsausgaben für angewandte Forschung (F&E-AA)
Forschungs- und Entwicklungsausgaben für Entwicklung (F&E-AE)
- Relations-Indikatoren
Anteil der F&E-Ausgaben insgesamt am Bruttoinlandsprodukt (F&E-AI/BIP)

Anteil der bundesfinanzierten Forschung und Entwicklung an den F&E-Ausgaben insgesamt (B-F&E/F&E-AI)

Anteil der nichtbundesfinanzierten Forschung und Entwicklung an den F&E-Ausgaben insgesamt (NB-F&E/F&E-AI)

Anteil der F&E-Ausgaben für Grundlagenforschung an den F&E-Ausgaben insgesamt (F&E-AG/F&E-AI)

Anteil der F&E-Ausgaben für angewandte Forschung an den F&E-Ausgaben insgesamt (F&E-AA/F&E-AI)

Anteil der F&E-Ausgaben für Entwicklung an den F&E-Ausgaben insgesamt (F&E-AE/F&E-AI)

Diese Indikatorauswahl ermöglicht eine Periodisierung der F&E-Ausgaben im Hinblick auf ihr Verhältnis zum Bruttoinlandsprodukt sowie in Bezug auf die Struktur ihrer Finanzierungsquellen und Ausgaben. Und durch die Relations-Indikatoren ist es möglich, auch Anteils-Entwicklungen zu erfassen und so Trends im Hinblick auf die relative Bedeutung einzelner Indikatoren zu erfassen. Selbstredend handelt es sich bei diesen 13 Indikatoren nur um eine Grobstruktur, die sich schon an Hand der „National Patterns of R&D Resources“ verfeinern ließe. Da es in der vorliegenden Arbeit schwerpunktmäßig darum geht, die Funktionsweise des kliometrischen Periodisierungstools zu demonstrieren, reichen diese 13 Indikatoren, um sich einen ersten Eindruck zu verschaffen.

Um eine gewisse Übersichtlichkeit zu wahren, ist es unumgänglich, im Folgenden mit den Kurzbezeichnungen der einzelnen Indikatoren zu arbeiten und nicht jedes Mal mit deren Langbezeichnung zu operieren. Dies erfordert anfänglich etwas Mühe und Konzentration, die sich jedoch im weiteren Verlauf der Untersuchung sehr schnell auszahlen wird.

Für jeden einzelnen dieser 13 Indikatoren wird zunächst die entsprechende Langzeitreihe für den Zeitraum von 1953-2010 aus den „National Patterns of R&D Resources“, speziell dem Update von Boroush^[117], direkt entnommen beziehungsweise auf Basis diese Updates berechnet. Die entsprechenden numerischen Daten sind tabellarisch in Kapitel 6.2. aufgelistet.

Diese 13 Langzeitreihen werden dann anschließend in zwei Schritten bearbeitet. In einem ersten Schritt werden die originalen Reihen in Wachstumsreihen transformiert (transformierte Zeitreihen). Im zweiten Schritten werden dann diese transformierten Reihen mit Hilfe des HP-Filters geglättet (HP-Filter geglättete Zeitreihen). Die transformierten Zeitreihen erhalten zur Unterscheidung ein W für Wachstum vor die Indikatorabkürzung und die HP-Filter geglätteten Zeitreihen ein HP für Hodrick-Prescott-Filter. Das heißt, BIP ist die originale Langzeitreihe für das Bruttoinlandsprodukt, W-BIP die transformierte Zeitreihe und HP-W-BIP die HP-Filter geglättete transformierte Zeitreihe.

Wie die Transformation und die anschließende Glättung der Zeitreihen vorgenommen werden, wird im nächsten Kapitel 4.3. beschrieben. Die folgende Abbildung 7 fasst nochmal die Indikatoren, die originalen Zeitreihen sowie die daraus abgeleiteten transformierten und geglätteten Reihen mit den jeweiligen Kurzbezeichnungen komprimiert zusammen. Diese Zusammenfassung dient auch der Orientierung bei den detaillierten Untersuchungen im Kapitel 4.4. sowie in den Daten-Tabellen und Abbildungen des Anhangs (Kapitel 6.2. und Kapitel 6.3.).

Abbildung 7: Zusammenfassung der Indikatoren und Zeitreihen mit ihren Kurzbezeichnungen

Abbildung in dieser Leseprobe nicht enthalten.

Matrix-Spezifikation

Mit der zuvor beschriebenen Indikatoren-Auswahl wurde bereits eine erste Spezifikation des im Kapitel 3.1. vorgestellten kliometrischen Tools (Abbildung 2) und seines Herzstücks, der Periodisierungsmatrix (Abbildung 3), vollgenommen.

Zunächst wurden damit die ersten beiden Schritte („Indikatoren auswählen“ und „Langzeitreihen finden“) vollzogen. Da die Langzeitreihen von 1953-2010 für alle ausgewählten Indikatoren vollständig sind und keine Lücken aufweisen, entfällt der Schritt 3 („Langzeitreihen ergänzen“). Schritt vier („Langzeitreihen transformieren“ und Schritt drei („Langzeitreihen glätten“), werden im folgenden Kapitel 4.3. durchgeführt. Die entsprechenden numerischen Berechnungen finden sich im Kapitel 6.2. Damit sind dann alle Voraussetzungen für Schritt sechs („Periodisierungs-Matrix erstellen“ gegeben.

Die Periodisierungsmatrix, die in ihrer allgemeinen Form m Zeilen (Anzahl der Indikatoren) und n Spalten (Anzahl der Glättungsfilter) hat, wird im vorliegenden Fallbeispiel zu einer 13zeiligen und 1spaltigen Matrix. Die Zeilenanzahl 13 ergibt sich aus der Anzahl der ausgewählten Indikatoren. Die Spaltenzahl 1 resultiert daraus, dass hier zur Demonstration des kliometrischen Tools nur ein Filter, und zwar der Hodrick-Prescott-Filter verwandt wird. D Die Verwendung anderer Filter und die Auswertung der jeweiligen Filterergebnisse erfolgt nach dem gleichen Prinzip, wobei dann zusätzlich noch Filtervergleiche durchgeführt werden sollten. Die Felder dieser 13zeiligen und 1spaltigen Matrix lauten dann: y11, y21, y31 … y13/1. Damit nimmt die allgemeine Periodisierungsmatrix folgende konkrete Form an:

Schritt sieben („Wendepunkt-Matrix berechnen“) und acht („Wendepunkt-Matrix statistisch auswerten“) sollen entfallen, da die Periodisierungsergebnisse hier nicht numerisch, sondern graphisch abgeleitet werden, um Sinn und Zweck der sonst in einer mathematischen Black Box verschwindenden Rechenprozedur zu veranschaulichen. Damit ist Schritt 9 („Periodisierungsergebnisse ableiten“), der im Kapitel 4.4. vollzogen wird, zwar nicht so akkurat und elegant wie im allgemeinen Modell, dafür aber leichter verständlich und trotzdem hinreichend genau.

Auch Schritt zehn („Periodisierungsergebnisse testen“) soll hier bei dieser Fallbeispiel-Demonstration entfallen, da dabei vor allem der Einfluss verschiedener Statistiken und unterschiedlicher Filter auf das Periodisierungsergebnis geprüft wird. Da im vorliegenden Fall nur eine Statistik und ein Filter verwandt werden, wird auf solche Tests verzichtet. Schritt elf („Periodisierungsergebnisse diskutieren“) wird in den Kapiteln 4.4.5. und 5. durchgeführt. Der Schritt 12 („Periodisierungshypothesen formulieren“), der darauf fokussiert ist, mögliche Ursachenfelder für die Periodisierungsergebnisse ausfindig zu machen und dementsprechende Forschungsrichtungen zu formulieren wird hier nur ansatzweise im Rahmen der Ergebnisdiskussion beschreiben, indem drei naheliegende Hypothesen von vornherein abgelehnt werden können.

In der folgenden Abbildung 8 wird die Anpassung des allgemeinen Modells an das konkrete Fallbeispiel noch einmal komprimiert zusammengefasst.

Abbildung 8: Anpassung des allgemeinen kliometrischen Modells an die Fallstudie

Abbildung in dieser Leseprobe nicht enthalten.

4.3. Langzeitreihen: Originale, transformierte und geglättete Reihen

In dem folgenden Kapitel werden der Zusammenhang zwischen originalen, transformierten und geglätteten Reihen sowie sie Berechnung der beiden letzten Reihen-Typen erläutert. Dies wird an Hand eines konkreten Beispiels, und zwar des Bezugs-Indikators BIP, geschehen. Da im Kapitel 4.4. bei der Periodisierung der 13 Indikatoren immer der gleiche Algorithmus angewandt wird, nämlich originale Reihe → transformierte Reihe → geglättete Reihe → Periodisierung, sollen die einzelnen Stufen dieses Verfahrens einmal an dem BIP-Beispiel genau und Schritt für Schritt vorgestellt werden. Das Vorgehen bei allen anderen 12 Indikatoren ist analog und kann sowohl numerisch (Kapitel 6.2.) als auch grafisch (Kapitel 6.3.) an Hand der dort zusammengestellten Tabellen und Abbildungen nachvollzogen werden.

Originale Reihen

Für jeden einzelnen dieser 13 Indikatoren wird zunächst die entsprechende Langzeitreihe für den Zeitraum von 1953-2010 aus den „National Patterns of R&D Resources“, speziell dem Update von Boroush^[118], entnommen oder berechnet und in einer Ausgangstabelle (Kapitel 6.2.1.) erfasst.

Grundsätzlich gibt es zwei verschiedene Klassen von Langzeitreihen. Zur ersten Klasse gehören insgesamt 7 Indikatoren, und zwar der Bezugs- und der Basis-Indikator sowie die Struktur-Indikatoren, die alle in absoluten Größen (Mrd. $ zu konstanten Preisen von 2005) gemessen werden. Dies sind also im Einzelnen: BIP, F&E-AI, B-F&E, NB-F&E, F&E-AG, F&E-AA und F&E-AE.

Zur zweiten Klassen gehören die 6 relationalen Indikatoren, die jeweils Anteile zum Ausdruck bringen und in Prozent (%) angegeben werden. Hierbei handelt es sich um F&E-AI/BIP, B-F&E/F&E-AI, NB-F&E/F&E-AI, F&E-AG/F&E-AI, F&E-AA/F&E-AI und F&E-AE/F&E-AI.

Zunächst muss davon ausgegangen werden, dass sowohl die Indikatoren der ersten als auch der zweiten Klasse in ihrem zeitlichen Verlauf über die 57 Jahre von 1953-2010 jeweils eine spezifische Wachstumsdynamik aufweisen. Das BIP kann beispielsweise in bestimmten Jahren steigen, trotzdem können die F&E-Ausgaben in diesen Jahren sinken, die F&E-Ausgaben für Grundlagenforschung können sinken, und die für angewandte Forschung können steigen, obgleich die F&E-Ausgaben insgesamt konstant bleiben usw. Ob und inwieweit diese verschiedenen Wachstumsdynamiken ähnliche oder gar gleiche Muster aufweisen, muss die Periodisierungsanalyse zeigen und kann nicht von vornherein unterstellt werden.

Außerdem sind die Indikatoren der beiden Klassen im Hinblick auf die Periodisierung gleichberechtigt. Nicht nur die absoluten Größen (Mrd. $) können steigen, sinken oder unverändert bleiben, sondern auch die relationalen Größen (%). Anteile können sich vergrößern, verkleinern oder konstant bleiben. Das heißt, sowohl absolute als auch relationale Größen können über eine je spezifische Wachstumsdynamik verfügen. Die im Folgenden am Beispiel des absoluten Bezugs-Indikators (BIP) beschriebenen Schritte gelten also sowohl für alle anderen absoluten Indikatoren als auch für alle relationalen Indikatoren.

Stellt man die originale Langzeitreihe der Entwicklung des BIP aus den „National Patterns of R&D Resources“ für den Zeitraum von 1953-2010 grafisch dar, dann ergibt sich folgendes Bild (Abbildung 9):

Abbildung 9: BIP originale Reihe

Abbildung in dieser Leseprobe nicht enthalten.

Diese Abbildung zeigt die Entwicklung des BIP, aber nicht dessen Entwicklungs dynamik. Um die in den Blick zu bekommen, ist es notwendig, die originale Langzeitreihe zu transformieren.

Transformierte Reihen

Um die Entwicklungsdynamik einer Langzeitreihe zu erfassen, wird die originale Reihe in eine Zeitreihe transformiert, in der die Veränderungsraten des Indikators sichtbar werden und die interessante statistische Eigenschaften besitzt, die für eine Periodisierung wichtig sind, wie beispielsweise die Stationarität^[119]. Da es sich bei der originalen BIP-Reihe der „National Patterns of R&D Resources“ um eine Langzeitreihe mit Jahreswerten handelt, beziehen sich die Veränderungsraten jeweils auf diese Jahreswerte. Es handelt sich also um jährliche Veränderungsraten.

Die jährlichen Veränderungsraten können auf unterschiedliche Art und Weise berechnet werden. Eine vor allem im Risikomanagement zur Berechnung von Volatiliäten häufig benutzte Methode besteht in der Berechnung der sogenannten „logarithmischen Renditen“, die auch als „Logreturns“, „logarithmischen Differenzen“, „logarithmierte Renditen“ oder „stetige Renditen“ bezeichnet werden. Die mit dieser Methode berechneten Veränderungsraten sind nahezu identisch mit den auf übliche Weise ermittelten Raten, bieten jedoch darüber hinaus eine Reihe von mathematisch-verfahrenstechnischen Vorteilen, die hier jedoch nicht im Detail diskutiert werden müssen^[120].

Kurz zusammengefasst werden die Veränderungsraten wie folgt berechnet: Wenn Abbildung in dieser Leseprobe nicht enthaltendie Originalwerte sind, dann ist Abbildung in dieser Leseprobe nicht enthalten die Veränderung vom Zeitpunkt (t -1) zum Zeitpunkt t. Die Veränderungsrate rit vom Zeitpunkt t-1 zum Zeitpunkt t wird dann nach folgender Formel ermittelt

Abbildung in dieser Leseprobe nicht enthalten

Nach dem Verfahren der logarithmischen Differenzen wird die entsprechende Veränderungsrate rit vom Zeitpunkt t-1 zum Zeitpunkt t folgendermaßen berechnet

Abbildung in dieser Leseprobe nicht enthalten

Transformiert man nun die gesamte originale BIP-Langzeitreihe nach diesem Verfahren der logarithmischen Differenzen, dann ergibt sich daraus die transformierte Langzeitreihe W-BIP, deren Werte in % angegeben werden. Wie die originale Reihe BIP lässt sich auch die transformierte Reihe W-BIP grafisch darstellen. Beide Reihen zusammen ergeben dann folgendes Bild (Abbildung 10):

Abbildung 10: BIP originale und transformierte Reihe

Abbildung in dieser Leseprobe nicht enthalten.

Die numerischen Werte für W-BIP und alle anderen transformierten Reihen sind im Anhang im Kapitel 6.2.2. aufgeführt. Die grafischen Darstellungen der transformierten Reihen finden sich im Kapitel 6.3.2.

Gegenüber der originalen Reihe BIP wird in der transformierten Reihe W-BIP die Entwicklungsdynamik des Indikators anschaulich deutlich. Diese transformierte Reihe ist, wie man sieht, sehr volatil. Der Nachteil dieser Darstellung ist ebenfalls deutlich erkennbar. Sie besteht darin, dass es schwer und für das ungeübte Auge nahezu unmöglich ist, den spezifischen Trend dieser Entwicklungsdynamik in dem ständigen Auf und Ab der Veränderungsraten zuverlässig zu bestimmen. Um dieses Manko auszugleichen, werden die transformierten Reihen geglättet.

Geglättete Reihen

Die Glättung der transformierten Langzeitreihen kann, wie oben bereits erwähnt, durch sehr unterschiedliche Filter erfolgen. Das grundlegende Funktionsprinzip solcher Glättungsfilter besteht darin, dass sie die Trendkomponente und die irregulären Komponenten voneinander separieren^[121]. Dies geschieht jeweils mit unterschiedlichen mathematischen Verfahren, die wiederum spezifische Vor- und Nachteile haben.

Der Hodrick-Prescott- oder kurz HP-Filter ist einer der gebräuchlichsten Filter und wird insbesondere in der Konjunkturforschung eingesetzt. Auch er ist darauf fokussiert, Trendkomponente und irreguläre Komponente voneinander zu trennen^[122]. In der Literatur sind viele praktische Erfahrungen, die bei der Anwendung des HP-Filters gesammelt wurden, beschrieben^[123]. Ich sehe mich hier gezwungen, auf eine nähere Beschreibung des mathematischen Verfahrens zu verzichten, weil diese im Gegensatz zu den bisher erläuterten Prozeduren und verwandten Termini den gymnasialen Schulstoff übersteigen würde und zu weitläufig geriete, wenn sie verständlich bleiben soll. Stattdessen verweise ich für Interessierte auf einführende Erklärungen^[124], die entsprechende Literatur^[125] sowie auf eine detaillierte Anwendung des HP-Filters zur Periodisierung volkswirtschaftlicher Prozesse^[126]. Darüber hinaus kann jede oder jeder, die oder der etwas mit Excel vertraut ist, den HP-Filter selbst testen, weil Annen ein entsprechendes „Hodrick Prescott Excel Add-In“ entwickelt und als Freeware-Download ins Netz gestellt hat^[127].

Glättet man nun die transformierte Reihe W-BIP mit dem HP-Filter, dann ergibt sich daraus die geglättete Langzeitreihe HP-W-BIP, deren Werte ebenfalls in % angegeben werden. Wie die originale Reihe BIP und die transformierte Reihe W-BIP lässt sich auch die geglättete Reihe HP-W-BIP grafisch darstellen. Alle drei Reihen zusammengenommen ergeben dann folgendes Bild (Abbildung 11):

Abbildung 11: BIP originale, transformierte und geglättete Reihe

Abbildung in dieser Leseprobe nicht enthalten.

Die numerischen Werte für die geglättete Langzeitreihe HP-W-BIP und alle anderen nach dem gleichen Prinzip geglätteten Reihen sind im Anhang im Kapitel 6.2.3. aufgeführt. Die dazugehörigen grafischen Darstellungen dieser geglätteten Reihen finden sich ebenfalls dort im Kapitel 6.3.3.

Gegenüber der transformierten Reihe W-BIP tritt nun in der mit dem HP-Filter geglätteten Reihe HP-W-BIP sehr klar ein Trendverlauf der Entwicklungsdynamik des Indikators hervor, der in der volatilen W-BIP-Reihe nur schwer oder gar nicht erkennbar war.

Mit der originalen (BIP), der transformierten (W-BIP) und der geglätteten (HP-W-BIP) Reihe des Bezugs-Indikators sind nun alle Voraussetzungen gegeben, um daraus eine indikatorspezifische Periodisierung ableiten zu können. Wie dies genau geschieht, wird nun im folgenden Kapitel 4.4. beschrieben.

[...]

---

^[1] So etwa auch als das Zusammentreffen von Apollon und den Musen oder von Athene und den Musen. Zu einer Begegnungen aller drei siehe beispielsweise ein Sarkophag aus dem alten Museum in Berlin (Altes Museum 2014) oder ein Bild des Barockmalers Johann Georg Bergmüller (Deutsche digitale Bibliothek 2014).

^[2] Ancientrome 2013

^[3] Clough 1945; Fasseur 1990; Reingold 1982; Rosenzweig 2011; Roth und Ryckman 1995; Kohler und Olesko 2012

^[4] Beauvois und Blondel-Lucas 1995; Davies 1987; Munro 1941; Rengger 1996

^[5] Heinrich 1981

^[6] Heinrich 1993

^[7] Heinrich 2000

^[8] Heinrich 1998

^[9] So schrieb ein Schüler Heinrichs zu dessen 85. Geburtstag: „Künftige Wissenschaftshisto-riker werden zeigen, wie viel von ihm in den Zeiten seiner Berliner Lehrtätigkeit bereits vorgedacht worden war. Nicht nur der mittlerweile durch den banalen Anglizismus ‚gender‘ ersetze Begriff des Geschlechterverhältnisses stammt von ihm, auch der philosophische Dekonstruktivismus wurde in Dahlem schon gelehrt, bevor er offiziell überhaupt erfunden war“ (Kohl 2012). Dazu gehört auch die Herausarbeitung der Bedeutung figurativer Quellen, wie Reliefs, Bilder, Plastiken etc., als unverzichtbares Komplement zu textlichen Überlieferungen, auf die Heinrich immer wieder aufmerksam macht. Hierzu siehe beispielsweise „Arbeiten mit Herakles. Zur Figur und zum Problem des Heros: antike und moderne Formen seiner Interpretation und Instrumentalisierung“ (Heinrich und Kücken 2006)

^[10] Strobel 1994; Schubring 1991; Reulecke und Roelcke 2008

^[11] Graf 2013; Fischer-Defoy 1997; Bolewski 2009

^[12] Bartz 2007; Flachowsky 2008

^[13] Hammerstein 1999; Wiegand 2011

^[14] Alter 1982; Wagner 1990; Weber 2014; Hoff und Sitte 2001

^[15] Breinig et al. 2001; Glatz 1999; Pfetsch 1994; Tandler 2000; Lambrecht 2007; Henningsen 1999; Rudloff 2007

^[16] Grüttner 2003, 2004; Dainat und Danneberg 2003; Jagemann 2005; vom Bruch und Kaderas 2002; Sing 1996

^[17] Franzmann und Wolbring 2007; Weingart 2011; Simon et al. 2010; Kraus 2013; Barlösius 2008; Hoppe und Pfähler 2001

^[18] Krause 1988; Osborn 2001; Fähnrich 2013

^[19] Zu einem Überblick über die verschiedenen Ansätze siehe zum Beispiel Spohn 2006

^[20] Siehe beispielsweise Wagner 2001a, S. 1–6, 2001b, S. 1–14

^[21] Hierzu siehe vor allem Wagner 1990, 1995, 2001a, 2009, 2010

^[22] Kaven 2011, S. 2

^[23] Kuczynski 1973

^[24] Engelberg und Küttler 1978; Bentley 1996; Green 1995

^[25] Feine 1950

^[26] Diner 1990

^[27] Baesecke 1924

^[28] Hollander et al. 2005

^[29] Timm 2007

^[30] Scholz 1983

^[31] Orr 2005

^[32] König 1990

^[33] Demeulemeester 2009; Judt 1999, Böhme und Marz 2014b, 2014a

^[34] Shafer 2005

^[35] Smith 2007

^[36] Sakellaropoulos 2009

^[37] Broszat 1990

^[38] Osterhammel 2006

^[39] Schmid 1953

^[40] Podskalsky 1972

^[41] Eder 1977

^[42] Küttler 1983; Besserman 2014; Diner 1990

^[43] Rabinowitz 2014

^[44] Esch 1984

^[45] Böss 1963; Geiss 1974

^[46] Shukow 1979; Schlieben-Lange 1995

^[47] Kaven 2011; Jordheim 2012; Kaufmann 2010

^[48] Liebermann 2001; Pomeranz 2013

^[49] Borchardt 1990, S. 21

^[50] Fogel 1966; Woodman 1972

^[51] Eddie 1997, S. 12

^[52] Carlos 2010, S. 98

^[53] van der Wee 2007, S. 38

^[54] Conrad und Meyer 1958

^[55] Grantham 1997; Williamson et al. 2008

^[56] van der Wee 2007, S. 38

^[57] Fogel 1964

^[58] North 1966

^[59] Crafts 1987, Diebolt 2012a, 2012b; Greif 1997; Meyer 1997; Greasley und Oxley 2011

^[60] Tilly 1997, 2001; Eddie und Komlos 1999; Grantham 1997

^[61] Darné und Diebolt 2006; Diebolt 2005; Ransom 2006; Savona und Sapsed 2013; Tunzelmann 1990

^[62] Kowaltschenko et al. 1972

^[63] Kowaltschenko 2003

^[64] Grinin 2006a, 2006b; Grinin 2007

^[65] Malkov 2013a, 2013b

^[66] Negin und Mironos 2012

^[67] Malkov 2013a

^[68] Grinin 2006b

^[69] Franzosi 1996

^[70] Boldizzoni 2011; Salerno 2002

^[71] Moscati 2008

^[72] Schliesser 2008

^[73] Dumke 1986

^[74] Böhme und Marz 2014b, 2014a

^[75] Borchardt 1990, S. 21

^[76] Böhme und Marz 2014a, 2014b

^[77] Ahumada und Garegnani 1999; Harvey und Trimbur 2008

^[78] Baxter und King 1999; Schenk-Hoppé 2001

^[79] Eckstein 2010; Deutsche Bundesbank 2013

^[80] Stamford 2005; Tödter 2002

^[81] Nilsson und Gyomai 2011

^[82] Böhme und Marz 2014a

^[83] Freeman und Soete 2009

^[84] Godin 2009

^[85] Grupp und Mogee 2004; Grupp und Schubert 2010

^[86] Katz 2006

^[87] Poti und Cerulli 2011

^[88] Wörner und Grupp 2003

^[89] Jones und Wiliams 1998

^[90] Kim und Kumar 2009

^[91] Shi et al. 2012

^[92] Arond und Bell 2010

^[93] European Commission 2008

^[94] Gong et al. 2001

^[95] Kim und Oh 1999

^[96] Wälde und Woitek 2003

^[97] OECD 2010

^[98] OECD 2012

^[99] OECD 2013

^[100] Bundesminister für Bildung und Wissenschaft 1972; Bundesminister für Forschung und Technologie 1975, 1977; Deutscher Bundestag 8. Wahlperiode 28.06.1979

^[101] United Nation University 2013

^[102] Die Kliodynamik (Cliodynamics) hat bestimmte Berührungspunkte zur Theorie der „Langen Wellen“, unterscheidet sich jedoch mindestens in zwei Punkten deutlich von ihr. Zum einen geht es nicht schlechthin um „lange“, sondern um „superlange“ Prozesse, die sich nicht nach Jahrzehnten, sondern nach Jahrhunderten und Jahrtausenden bemessen. Zum anderen werden auch Prozesse analysiert, die bei der klassischen Untersuchung der „Langen Wellen“ bisher kaum oder gar nicht berücksichtigt wurden, wie beispielsweise soziodemographische Langfristprozesse. Zu den bekanntesten Vertretern der Cliodynamics gehören Turchin, Komlos, Nefedov und Korotayev. Die wichtigste Zeitschrift der Cliodynamiker ist „Cliodynamics: The Journal of Theoretical and Mathematical History“.

^[103] Lane 1966

^[104] Bell 1973

^[105] Kreibich 1986

^[106] Miegel 2001, S. 203

^[107] Jungk 1975

^[108] Lämmert 1997

^[109] Dobrov 1971

^[110] Price, Derek J. de Solla 1974

^[111] Bittlingmayer 2001; Gemperle 2007; Junge 2008; Kübler 2009; Laughlin 2008

^[112] Stuhlhofer 1983, 1980 (seit seiner Heirat 1994 trägt er den Doppelnamen Graf-Stuhlhofer)

^[113] Daten siehe Boroush 2013, S. 7–8

^[114] Daten siehe Boroush 2013, S. 7–8

^[115] Daten siehe Boroush 2013, S. 7–8

^[116] Hierzu siehe beispielsweise Boroush 2012a, 2013, 2012b

^[117] Boroush 2013

^[118] Boroush 2013

^[119] Böhme und Marz 2014a; Wikipedia 2014c

^[120] Dazu siehe unter anderem Böhme und Marz 2014a, Wikipedia 2014b, 2014d

^[121] Böhme und Marz 2014a, S. 60–74

^[122] Stamford 2005, S. 24; Doorn 2006, S. 1864

^[123] Hierzu siehe beispielsweise Ahumada und Garegnani 1999; Fukuda 2010; Jönsson 2010; Nilsson und Gyomai 2011; Razzak 1997; Schlicht 2005; Yamada 2012

^[124] Wikipedia 2014a

^[125] Ash, J. C. K. et al. 2001; Büttler 2007; Cogley und Nason 1995; Ehlgen 1998; Flaig 2012; Gyomai und Wildi 2012; Kaiser und Maravall 2005; McElroy 2008; Metz 1996; Mise et al. 2005; Paige und Trindade 2010; Pedersen 2001; Polasek 2011

^[126] Böhme und Marz 2014a, S. 60–88

^[127] Annen 2005