Die Diffusion von Innovationen. Der Effekt der Eisenbahn auf das wirtschaftliche Wachstum

Inhaltsverzeichnis

Tabellenverzeichnis

1 Innovationsdiffusion im Kontext der Faktormobilität

2 Einfluss der Eisenbahn auf wirtschaftliches Wachstum und Wohlstand
2.1 Höhere Faktormobilität
2.1.1 Hornung (2015) - Statistische Analyse eines kausalen Effekts
2.1.2 Atack, Bateman, Haines, Margo (2009) - Unterstützende Ergebnisse
2.2 Geringere Faktormobilität
2.2.1 Donaldson (2014) - Auswirkung und Relevanz im kolonialisierten Indien
2.2.2 Banerjee, Duflo, and Qian (2012) - Politische Rahmenbedingungen in China als relevante Einflussgröße

3 Kritisches Fazit - Thematik im Gesamtkontext

Literaturverzeichnis

Anhang

A Tabellenanhang

Exzerpt:

Schwerpunkt dieser Ausarbeitung ist es den Effekt der Eisenbahn auf das wirtschaftliche Wachstum plausibel in einem kausalen Rah- men zu erklären. Anhand einer wissenschaftlichen Abhandlung von Hornung wird eine Interpretation verschiedener Modellansätze zur Lösung der vorliegenden Endogenitätsproblematik aufgezeigt. Resul- tierend ergibt sich ein kausaler Effekt auf das jährliche Wachstum von 1 - 2 %.¹ Verstärkt eingegangen wird auf die Mobilität von Produktionsfaktoren - insbesondere Arbeit. Diese stellt sich für die ökonomischen Effekte als entscheidend heraus, welche die Eisenbahn in Gang setzte

Eingereicht von Julius König

Abgabetermin: 06. Juni

Tabellenverzeichnis

A.1 The impact of railroad access, cross-sectional estimates (Hornung, 2015, S. 711)

A.2 Testing for plausibility of the exclusion restriction (Hornung, 2015, S. 715)

A.3 Descriptive statistics after propensity score matching (Hornung, 2015, S. 717)

A.4 The impact of railroad access, cross-sectional IV estimations in matched samp- les (Hornung, 2015, S. 718)

1 Innovationsdiffusion im Kontext der Faktormobilität

Aus heutiger Perspektive sind als Treiber wirtschaftlichen Wachstums digitale Neuerungen nicht mehr wegzudenken. Innovative Technologien spielen eine zentrale Rolle für substanziel- les Wachstum von Volkswirtschaften.¹ Durch ihre Diffusion auf dem Arbeitsmarkt schaffen sie im Zeitablauf Produktivitätssteigerungen, die zusätzliche ökonomische Gewinne realisie- ren.² Ein fundamentaler Bestandteil dieses Wirkungsgefüges ist die Mobilität des Produk- tionsfaktors Arbeit. Durch eine begünstigte Migrationsumgebung können sich anschließende Urbanisierungseffekte einstellen, die einen Großteil der Einflüsse von Innovationsdiffusion auf Ökonomien darstellen. Weiterhin zählen auch freie Kapitalbewegungen zu den erforderlichen Rahmenbedingungen für die wirtschaftliche Nutzbarkeit von Innovationen.

In dieser Seminararbeit wird auf die historische Verbreitung der Innovation „Eisenbahn“ und dessen Effekt auf wirtschaftliches Wachstum eingegangen. Aus der Bestimmung des kausa- len Zusammenhangs wird eine besondere Bedeutung für das Forschungsumfeld abgeleitet. Die herangezogene Literatur bezieht sich auf unterschiedliche Nationen, die sich unter Messung der Mobilitätsintensität in zwei Kategorien teilen lassen. Die erste umfasst eine zunehmend in- dustrialisierte Wirtschaft mit ansteigender Faktormobilität. Demgegenüber gestellt wird eine bspw. agrarwirtschaftlich geprägte Umgebung, charakterisiert durch eine geringere Faktormo- bilität. Je genannter Kategorie wird die Auswirkung der Eisenbahn auf das wirtschaftliche Wachstum anhand von zwei wissenschaftlichen Ausarbeitungen diskutiert.

Im Sinne dieser Überlegungen zeichnet sich die Identifikation möglicher Steuerungsalternativen für politische Entscheidungsträger ab, da Faktormobilitäten maßgeblich abhängig von den aktuellen regulatorischen Rahmenbedingungen sind. Es wäre somit denkbar, dass durch eine legislativ gestützte Mobilisierung der Produktionsfaktoren implizit eine Steuerung von ökonomischen Innovationseffekten ermöglicht würde.

2 Einfluss der Eisenbahn auf wirtschaftliches Wachstum und Wohlstand

Aufbauend auf der theoretischen Grundlage, dass die Diffusion von Innovationen wirtschaft- liches Wachstum induziere, wird der Einfluss der Eisenbahn als Innovation anhand von vier Ausarbeitungen analysiert. Hierbei findet sich die Kernproblematik der umgekehrten Kau- salität, dass wirtschaftliches Wachstum der Einführung der Eisenbahn vorausgegangen sein könnte, wieder. Explizit wird deshalb auf die damit verbundene Endogenitäts-Problematik, externe und interne Validität eingegangen, um die Resultate im Gesamtkontext bewerten zu können.

2.1 Höhere Faktormobilität

Die zwei vorliegenden Studien beziehen sich auf Daten unterschiedlicher geographischer Ge- biete. Hornung setzt sich mit dem Einfluss der Eisenbahn auf das wirtschaftliche Wachstum innerhalb des Preußischen Königreichs zwischen 1840 und 1871 auseinander. Atack, Bateman, Haines und Margo hingegen besprechen in ihrer Analyse den Einfluss auf den Mittleren Westen der Vereinigten Staaten von Amerika für den Zeitraum von 1850 bis 1860. In beiden Publika- tionen werden zur Datenerfassung Geoinformationssystem(GIS)-Techniken angewandt. Diese ermöglichen den Autoren eine Reihe von geographischen Meta-Daten miteinzubeziehen, wie z.B. geographische Lage, Höhenlage oder Entfernung zur nächstgelegenen Bahnstrecke einer Stadt.^{1 2}

2.1.1 Hornung (2015) - Statistische Analyse eines kausalen Effekts

Da aus dieser Zeit keine Daten über Einkommensveränderungen vorliegen, entsteht die ana- lytische Prämisse, dass die Akkumulation sowohl von Innovationen als auch von Human- und physischem Kapital in urbanen Zentren stattfand. Hornung nutzt deshalb Populations-Daten von ca. 1000 preußischen Städten und teilt sie in dreijährige Segmente von 1840 bis 1871 ein. Diese Informationen werden den Städten auf georeferenzierten Karten zugeordnet. Um auf be- stimmte Probleme bezüglich Endogenität und nicht beobachtbarer Heterogenität einzugehen führt der Autor unterschiedliche aufeinander aufbauende Modellansätze ein.³

Vorab muss das entscheidende Linearitätskriterium für das Instrument-Variablen-Modell und die zu analysierende „treatment group“ erläutert werden. Sämtliche preußische Eisenbahn- strecken wurden bis zur Mitte der 1860er Jahre eingerichtet, um große Städte zu verbinden. Zur Minimierung der Konstruktionskosten wurden diese größtenteils auf einer geraden Linie zwischen den Zentren errichtet. Nach Hornung haben die daran anliegenden Städte den Zu- gang zur Technologie „Eisenbahn“ durch Zufall erhalten, da diese nicht etwa wie Start-, End- oder Knotenstationen von besonderer wirtschaftlicher Bedeutung waren. Die Anbindungen abseits der geradlinigen Verknüpfung zweier Großstädte entschied sich durch ihre ohnehin vorhandenen positiven Wachstumsaussichten. Für diese Städte kann der Anschluss an das Ei- senbahnnetz auf endogene Faktoren zurückgeführt werden.⁴ Um dem Linearitäts-Kriterium gerecht zu werden, sind Städte bei der Analyse auszuschließen, die sich nicht innerhalb ei- nes 3km breiten Korridor um die geraden Linien auf den Karten befinden. Zusätzlich werden hieraus die Start-, Ziel und Knotenbahnhöfe ausgeschlossen, da diese ohnehin Wachstumspo- tential boten und somit ihren Anschluss an das Eisenbahnnetzwerk endogen begründeten.

Folglich sind alle Städte Teil der „treatment group“, die weder Start-, Ziel- oder Knotenbahnhöfe besitzen, noch außerhalb des Korridors um eine Eisenbahnstrecke liegen. Durch den stetigen Ausbau des Eisenbahnnetzes fanden immer mehr Städte Anschluss an die Eisenbahn. Im Zeitablauf erfüllte so eine wachsende Anzahl von Städten die angeführten Kriterien der „treatment group“. Es entsteht ein exogen-variierendes Instrument bestehend aus der Gruppe der zu betrachtenden Städte über den Beobachtungszeitraum.⁶

Der Autor führt eine Dummy-Variable ein, die Städten, die im Zeitraum von 1838 bis 1848 an das Eisenbahnnetz angeschlossen wurden, den Wert 1 zuweist. Demzufolge gehen die Populationsdaten dieser Städte mit in die Berechnung der abhängigen Variable ein. Trifft dies nicht zu wird die Ausprägung 0 zugeordnet und der Datensatz wird um diese Ortschaft korrigiert. Die abhängige Variable stellt das dreijährige wirtschaftliche Wachstum dar, welches über den Proxy der dreijährigen urbanen Bevölkerungszunahme abgebildet wird. Die „control group“ umfasst hingegen das Bevölkerungswachstum aller Städte, die nach den oben genannten Kriterien bis 1848 nicht über einen Zugang zur Eisenbahn verfügten.⁷

Modell: Schätzer des Querschnittsdaten Ansatzes

KQS & IV

Zunächst wird nun die Beziehung zwischen der Eisenbahn und dem Wachstum in einem Kleinste-Quadrate-Schätzer-Modell, ohne die Start-, Ziel- und Knotenstädte miteinzubezie- hen, analysiert. Dieser Ansatz liefert einen signifikanten Anstieg des jährlichen Bevölkerungs- wachstums von 0,9% im Zeitraum von 1849-1871 für Städte mit Zugang zur Eisenbahn (A.1, Panel A, Main Periods). Die resultierenden Schätzer könnten jedoch im Falle von umgekehrter Kausalität und ausgelassenen Variablen befangen sein.⁸ Im Zuge dieser Erkenntnis wird von Hornung ein Instrument-Variablen-Ansatz eingeführt, der die „treatment group“ randomisiert und die exogene Variation ausnutzt. Dies geschieht unter Zuhilfenahme der Linearitätsbedin- gung, die eine Restriktion schaffen soll, die die Endogenität im Bezug auf umgekehrte Kau- salität mehrheitlich zu isolieren versucht. Zudem werden einige Kontrollvariablen eingeführt, die zusätzliche endogene Einflüsse auf die Zuteilung zur „treatment group“ eliminieren sollen. Angeführt werden u.a. die Rivalisierende Infrastruktur, Indikatoren für Urbanisierung und in- dustrielle Entwicklung, geographische Eigenschaften und die Altersstruktur einer Stadt.(A.1, Panel B & C, Main Periods).⁹ Bei der Verwendung des IV-Ansatzes muss zuerst die Rele- vanz der Instrument-Variablen geprüft werden. Somit wird der Versuch unternommen den tatsächlichen Zugang zur Eisenbahn im Jahre 1848 vorauszusagen. Dies geschieht durch Lo- kalisierung einer Stadt in dem geradlinigen Korridor von 3km Breite, zwischen zwei der je- weiligen Start-, Ziel- oder Knotenpunkte. Dieser Bereich wirkt sich randomisierend auf das Ergebnis aus. Alle anderen Städte seien nach Hornung aus endogenen Gründen zu ihrem Eisenbahnzugang gekommen. Erkennbar im Panel B¹⁰ ist, dass der tatsächliche Anschluss an das Eisenbahnnetz signifikant positiv korreliert ist mit der Lokalisierung in dem festgelegten Korridor (Ausschlusskriterium; first stage). Folglich ist die eingeführte Instrument-Variable als relevant anzunehmen.

In einer zweiten Stufe wird nun die Ergebnisvariable auf die vorhergesagten Werte aus der ersten Stufe regressiert. Somit müsste sich in Panel C der kausale Effekt der Eisenbahn auf das städtische Bevölkerungswachstum ablesen lassen (second stage). Dieser Ansatz lässt auf einen signifikanten Anstieg des Wachstums von 2.1% zwischen 1849-1871 schließen, welcher der Eisenbahn direkt kausal zugeordnet werden kann. Unterstützend wirkt hier die Beobachtung, dass in den Perioden vor 1838, sowohl KQS- als auch IV-Schätzer keinen signifikant positiven Zusammenhang im Sachverhalt ergeben.¹¹

Die Verletzung der Ausschlussbedingung anhand des Korridors wäre gegeben, wenn das In- strument mit dem Fehlerterm korreliert ist. Dies wäre der Fall, wenn die Lage einer Stadt im geradlinigen Korridor mit dem Bevölkerungswachstum in einer anderen Form, als durch die Eisenbahn zusammenhinge. (Ältere Handelsrouten) Um diesen Zweifel zu eliminieren wird im Panel D der Einfluss der Lage der Stadt im Korridor auf das Bevölkerungswachstum getestet. Hieraus ergibt sich kein statistisch signifikanter Zusammenhang im Zeitraum vor der Eisenbahn-Expansion (1831-1837). Um weiterhin Endogenitäten zu umgehen wird das Ausschlusskriterium bei allen Kontrollvariablen und Matching-Variablen auf Korrelation ge- testet.¹² Hieraus ergibt sich ein „Matched Sample“ , dass lediglich mit der Kontrollvariablen signifikant korreliert ist, welche die Distanz zum nächsten Verbindungsknoten wiedergibt. Da- von leitet sich die Aussage ab, dass Städte im geradlinigen Korridor 9 km näher an einem Knotenpunkt liegen. Demnach wird ein passender Vergleich für sehr nahegelegene Städte im geradlinigen Korridor erschwert.¹³

PSM

Um die Städte bestmöglich vergleichen zu können sollten sie sich einzig und allein in der Tatsache unterscheiden, ob sie im Korridor liegen oder nicht. Diese Aussage bestimmt die Zugehörigkeit zur „treatment-“ oder „control group“. Mit dem „Propensity-Score-Matching“- Ansatz ist es möglich diese Forderung in die Stichprobe zu übertragen. Hierfür werden einzelne Matching-Variablen gewählt, die hoch-vergleichbare Städte herausfiltern und zu einer neuen Stichprobe zusammenführen. Bei der Auswahl der Parameter wird darauf geachtet Städte nach ihrer Größe & kommerziellen Entwicklung vor der Zeit der ersten Eisenbahn vergleichbar zu machen.¹⁴ Somit wird versucht durch zwei PSM-Methoden die Endogenität, die durch beobachtbare Heterogenität begründet ist, aus der Analyse zu entfernen. Die finalen „matches“ ergeben ein signifikant höheres Bevölkerungswachstum für Städte die vor 1848 an das Eisenbahnnetz angeschlossen wurden von 0,6 - 0,7 %.¹⁵

Bezüglich der nicht observierten Heterogenität, die endogen den Eisenbahnzugang kausal be- einflusst haben könnte, besteht Ungewissheit. In einem nächsten Schritt wird der PSM- mit dem IV-Ansatz verknüpft. Dafür werden die Gewichtungen des Matchings eingeschlossen, um erneut den Effekt vom Eisenbahnzugang auf das Wirtschaftswachstum zu evaluieren. Folglich wird die Instrument-Variable auf das matched sample angewandt. Zwei Matching-Methoden - Kernel & Radius - erzeugen Gewichtungen anhand von Vor-Eisenbahnperiode-Variablen. In Verbindung mit der Instrument-Variablen ergeben diese Gewichtungen einen zwischen 1,1 bis 1,7% signifikanten Anstieg des Bevölkerungswachstums zwischen 1849-1871 (A.4, Panel A & B, Main Periods).¹⁶ Zusätzlich werden Vergleichsvariablen für die geographische Lage in Panel C eingeführt, die bei gleicher Anwendung des IV-Modells auf diesen neuen Match, einen wiederholt signifikanten Schätzwert von 1,7 % ergeben (A.4, Panel C, Main Periods).¹⁷

Da diese Schätzwerte etwas geringer sind als die vorherigen, lasse dies auf eine teilweise vorhandene nicht observierte Heterogenität schließen.¹⁸

Modell: Schätzer des Fixe-Effekte-Panel Ansatzes

KQS & IV

Bislang wurde Endogenität anhand observierter und nicht observierter Heterogenität bespro- chen. Im kommenden Modell schließt Hornung neue zeit-invariante Parameter mit ein, um die Problematik von zeitlich unabhängiger und nicht observierter Heterogenität zu behandeln. Dies wird durch Parameter fixer Effekte im Rahmen eines Panel-Ansatzes berücksichtigt. Hierdurch wird die Heterogenität auf Stadtebene in der Zeit vor der Eisenbahn in den Mat- ching Variablen ablesbar. Durch eben diese Stadt-fixen Effekte wird die Heterogenität begrenzt und speziell exogene Variationen zwischen Städten nutzbar gemacht. Hornung regressiert im Folgenden die Stadtgröße, ausgedrückt als natürlicher Logarithmus ihrer Zivilbevölkerung in einem bestimmten Jahr, auf eine Dummy Variable. Diese gibt an, ob der Eisenbahnzugang im vorausgehenden Jahr vorlag. Zudem werden Zeit-fixe Effekte für nationale Trends und Stadt- fixe Effekte für Variation zwischen Städten miteingebunden. Für die Panel-Analyse stehen weniger Kontrollvariablen zur Verfügung, da hierfür nur unvollständige Daten im Beobach- tungszeitraum von 1840 bis 1861 vorliegen.¹⁹

Die Resultate für den OLS-Ansatz liefern signifikante jährliche Wachstumsraten von 1,8 % und für das IV-Modell 2,4 %.²⁰ Diese sind ähnlich zu den Schätzern, die aus vorherigen Me- thoden hervorgehen. Somit ist zu schlussfolgern, dass zumindest qualitativ dargestellt wurde, dass die Eisenbahn einen kausalen Einfluss auf das wirtschaftliche Wachstum von Städten in Preußen zwischen 1838 bis 1848 hatte. Die quantitative Komponente einer Aussage über die- se Beziehung variiert je nach Ansatz, Stichproben- und Kontrollvariablenumfang. Somit sind interne und externe Validität eingeschränkt im Bereich der quantitativen Aussagekraft.

[...]

¹ Vgl. etwa Wößmann (2009)

² Vgl. etwa Wiederhold u. a. (2015)

¹ (Hornung, 2015, S. 699)

² (Atack u. a., 2009, S. 1)

³ (Hornung, 2015, S. 699)

⁴ (Hornung, 2015, S. 713)

⁵ (Hornung, 2015, S. 701)

⁶ (Hornung, 2015, S. 702)

⁷ (Hornung, 2015, S. 704, 705)

⁸ (Hornung, 2015, S. 709, 710)

⁹ (Hornung, 2015, S. 707, 708)

¹⁰ A.1

¹¹ (Hornung, 2015, S. 714)

¹² A.2

¹³ (Hornung, 2015, S. 714)

¹⁴ (Hornung, 2015, S. 716)

¹⁵ A.3

¹⁶ (Hornung, 2015, S. 716)

¹⁷ (Hornung, 2015, S. 717)

¹⁸ (Hornung, 2015, S. 719)

¹⁹ (Hornung, 2015, S. 719)

²⁰ (Hornung, 2015, S. 712, 722)