Micro and Macro Perspectives on Production-Based Markups

Dieser Artikel fasst den produktionsbasierten Ansatz zur Schätzung von Markups zusammen, erklärt deren Natur als Residuum, das durch Fehlspezifikationen verzerrt werden kann, und bietet Leitlinien zur besseren Unterscheidung zwischen echter Marktmacht und technologischen Schwankungen.

Das Wesentliche

🏭 Die große Mark-up-Schnitzeljagd: Wenn Mathematik auf Realität trifft

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden soll, wie viel Macht Unternehmen haben. In der Wirtschaftswelt nennen wir das „Mark-up" (Aufschlag). Es ist der Unterschied zwischen dem, was es kostet, ein Produkt herzustellen, und dem Preis, den Sie dafür zahlen.

Wenn ein Unternehmen einen hohen Mark-up hat, bedeutet das oft: Es hat eine starke Marktposition, kann Preise diktieren und macht hohe Gewinne. Das ist wichtig, weil zu viel Marktmacht die Wirtschaft bremsen kann (wie ein Stau auf der Autobahn), während ein bisschen davon notwendig ist, um Innovationen zu finanzieren.

Das Problem? Niemand hat eine perfekte Waage, um diesen Mark-up direkt zu wiegen. Also haben Ökonomen eine clevere Methode entwickelt: die Produktions-Methode.

1. Die clevere Idee: Der „Rest" (Der Solow-Residuum)

Stellen Sie sich eine Bäckerei vor.

• Sie wissen, wie viel Mehl, Hefe und Arbeitszeit reingehen (Input).
• Sie wissen, wie viele Brötchen rauskommen (Output).
• Sie wissen, wie viel die Bäckerei für das Mehl und die Arbeitszeit bezahlt hat.

Die Autoren sagen: Wenn wir genau wissen, wie effizient die Bäckerei ist (die Technologie), dann ist der Mark-up einfach das, was übrig bleibt.
Es ist wie beim Kochen: Wenn Sie wissen, wie viel Zutaten Sie gekauft haben und wie viele Portionen Sie serviert haben, aber das Gericht schmeckt plötzlich viel besser als erwartet, dann muss da etwas anderes im Spiel sein – vielleicht ein geheimes Talent des Kochs (hohe Effizienz) oder vielleicht hat der Koch einfach zu viel Geld verlangt (hoher Mark-up).

Die Methode ist genial, weil sie keine Annahmen über den Markt braucht. Man muss nicht wissen, ob die Bäckerei ein Monopolist ist oder ob es 100 Konkurrenten gibt. Man schaut nur auf die Zahlen.

2. Das Problem: Der „Garten der Gabelwege" 🌳

Hier wird es spannend. Die Autoren sagen: „Diese Methode ist wie ein riesiger Garten mit vielen Gabelwegen. Je nachdem, welchen Weg Sie wählen, landen Sie an einem völlig anderen Ort."

Wenn verschiedene Forscher dieselben Daten nehmen, aber kleine Entscheidungen anders treffen, kommen sie zu entgegengesetzten Ergebnissen.

• Wahl 1: Welches „Zutaten-Maß" nehmen wir?
  Nehmen wir die Arbeitsstunden oder die Kosten für Mehl?

  • Beispiel: In den USA sagen einige Studien: „Die Mark-ups sind in den letzten 50 Jahren explodiert!" (basierend auf Arbeitskosten).
  • Andere sagen: „Nein, sie sind gesunken!" (basierend auf Materialkosten).
  • Die Analogie: Es ist, als würden Sie versuchen, das Gewicht eines Elefanten zu messen. Wenn Sie nur das Gewicht des Rüssels nehmen, ist es leicht. Wenn Sie nur das Gewicht der Beine nehmen, ist es schwer. Beide sind Teil des Elefanten, aber sie erzählen unterschiedliche Geschichten, wenn man sie nicht richtig kombiniert.

• Wahl 2: Wie komplex ist unsere Formel?
  Nehmen wir eine einfache Formel (wie eine gerade Linie) oder eine komplexe (die Kurven und Sprünge erlaubt)?

  • Wenn die Formel zu starr ist, wird jede kleine Veränderung in der Effizienz der Bäckerei fälschlicherweise als „hoher Mark-up" abgetan.
  • Die Analogie: Stellen Sie sich vor, Sie versuchen, die Form einer Wolke zu beschreiben. Wenn Sie nur mit einem Lineal messen, denken Sie, die Wolke sei eine gerade Linie. Alles, was nicht gerade ist, schreiben Sie dem „Wetter" (dem Mark-up) zu, obwohl es eigentlich nur die Form der Wolke (die Technologie) ist.

3. Warum ist das so schwierig? (Die unsichtbaren Störfaktoren)

Warum passen die Zahlen nicht zusammen? Weil in der echten Welt Dinge passieren, die in der einfachen Formel nicht stehen:

• Versteckte Kosten: Manchmal sind Dinge, die wir als „fixe Kosten" ansehen (wie Marketing oder Forschung), eigentlich variable Kosten, die mit der Produktion schwanken. Wenn wir das falsch berechnen, sieht es aus, als hätte das Unternehmen mehr Macht, als es hat.
• Versteckte Preise: Wir sehen oft nur, wie viel Geld eine Firma einnimmt, aber nicht, wie viel sie wirklich verkauft hat (Menge vs. Preis). Wenn eine Firma teurer ist, weil sie besser ist (Technologie), oder weil sie einfach teurer ist (Mark-up)? Die Methode vermischt das oft.
• Versteckte Verträge: Manchmal zahlen Firmen nicht den aktuellen Marktpreis für Rohstoffe, weil sie langfristige Verträge haben. Das verzerrt die Rechnung.

4. Was sagen die Autoren uns? (Die Lösung)

Die Autoren sind nicht pessimistisch, aber sie wollen, dass wir ehrlicher sind. Sie schlagen drei Dinge vor:

1. Transparenz (Der R²-Check):
   Bevor man sagt „Der Mark-up ist gestiegen!", sollte man prüfen: Wie viel von der Veränderung kommt wirklich vom Mark-up und wie viel von der Technologie?

   • Die Analogie: Wenn Sie sagen „Ich bin schneller gelaufen, weil ich trainiert habe", sollten Sie prüfen, ob Sie nicht vielleicht nur einen Rückenwind hatten. Die Autoren wollen, dass Forscher genau aufschreiben, wie viel „Trainingsleistung" (Technologie) und wie viel „Rückenwind" (Mark-up) in ihren Zahlen steckt.

2. Stress-Tests:
   Man sollte die Ergebnisse mit anderen Methoden vergleichen.

   • Die Analogie: Wenn Sie eine Waage benutzen, um Ihr Gewicht zu messen, und sie sagt 80 kg, aber eine andere Waage sagt 70 kg, sollten Sie nicht einfach die erste glauben. Man muss prüfen, welche Waage besser funktioniert. In der Wirtschaft heißt das: Vergleichen Sie die Produktions-Methode mit Methoden, die direkt nachfragen, wie Kunden Preise wahrnehmen.

3. Vorsicht bei der Verallgemeinerung:
   Was für eine einzelne Bäckerei gilt, gilt nicht unbedingt für die ganze Welt. Man muss vorsichtig sein, wenn man von kleinen Firmen auf die ganze Volkswirtschaft schließt.

🎯 Das Fazit in einem Satz

Die Methode, Mark-ups zu berechnen, ist wie ein Spiegel: Sie zeigt uns etwas Wichtiges, aber je nachdem, wie man den Spiegel hält (welche Daten und Formeln man nutzt), sieht das Bild ganz anders aus.

Die Autoren sagen: „Hören Sie auf, die Zahlen einfach zu glauben. Seien Sie skeptisch, prüfen Sie Ihre Annahmen und geben Sie zu, wie viel Unsicherheit in Ihren Ergebnissen steckt." Nur so können wir verstehen, ob die Wirtschaft wirklich von wenigen mächtigen Riesen dominiert wird oder ob wir einfach nur unsere Messwerkzeuge falsch einstellen.

Technische Zusammenfassung

1. Problemstellung und Motivation

Das Papier untersucht die Schätzung von Aufschlägen (Markups), definiert als das Verhältnis von Preis zu Grenzkosten ($\mu = P/MC$), unter Verwendung des sogenannten „Produktionsansatzes" (Production Approach).

• Hintergrund: Das Interesse an Markups ist in der Makro- und Mikroökonomie stark gestiegen, da ein Anstieg der Markups als Erklärung für Phänomene wie sinkende Lohnanteile, steigende Unternehmensgewinne, schwache Produktivitätswachstumsraten und geringe Investitionsneigung dient.
• Das Dilemma: Obwohl der Produktionsansatz theoretisch elegant und skalierbar ist (er benötigt keine Nachfragefunktion oder Marktstrukturannahmen), zeigen empirische Studien extrem widersprüchliche Ergebnisse. Einige Studien (z. B. De Loecker et al., 2020) deuten auf einen drastischen Anstieg der Markups hin, während andere (z. B. Foster et al., 2024; Traina, 2018) keine solchen Trends finden oder sogar gegenteilige Entwicklungen beobachten.
• Kernfrage: Warum führen unterschiedliche Spezifikationen derselben Daten zu so unterschiedlichen Schlussfolgerungen? Das Papier argumentiert, dass der Produktionsansatz ein Residuum ist, das anfällig für Fehlspezifikation und Messfehler ist.

2. Methodik: Der Produktionsansatz

Der Ansatz basiert auf der ersten Ordnung Bedingung (FOC) der Kostenminimierung.

• Grundgleichung: Für einen vollständig flexiblen Input $j$ gilt:
  $$\gamma_{it}^j = \mu_{it} \cdot s_{it}^j$$
  wobei:

  • $\gamma_{it}^j$ die Output-Elastizität des Inputs ist,
  • $s_{it}^j$ der Umsatzanteil (Revenue Share) des Inputs ist,
  • $\mu_{it}$ der Markup ist.
    Daraus folgt: $\mu_{it} = \gamma_{it}^j / s_{it}^j$.

• Das Residuum-Argument: Da $\mu$ als Residuum berechnet wird, absorbiert es alles, was nicht durch die Elastizität $\gamma$ oder den Umsatzanteil $s$ erklärt wird.

  • Wenn die Produktionsfunktion zu restriktiv ist, wird technologische Heterogenität in den Markup „geladen".
  • Wenn Inputmärkte nicht perfekt sind (z. B. Anpassungskosten, Monopsonmacht), wird der „Keil" (Wedge) zwischen beobachtetem Preis und allokativen Kosten im Markup fehlinterpretiert.
  • Messfehler in den Daten verzerren das Verhältnis direkt.

• Implementierungsschritte:

  1. Wahl eines flexiblen Inputs (meist Arbeit oder Materialien).
  2. Messung des Umsatzanteils dieses Inputs.
  3. Schätzung der Output-Elastizität (oft mittels Produktionsfunktionen wie Cobb-Douglas, Translog oder CES).
  4. Berechnung des Verhältnisses.

3. Schlüsselbeiträge und Analyse der „Gärten der verzweigten Pfade"

Die Autoren identifizieren zwei Hauptentscheidungsstellen („Forks"), die die Ergebnisse drastisch verändern:

A. Wahl des Inputs (First Fork)

Die Theorie besagt, dass jeder flexible Input denselben Markup liefern sollte. Die empirische Realität zeigt jedoch massive Diskrepanzen:

• Beispiel: Raval (2023) zeigt, dass in den USA Markups basierend auf Arbeit zwischen 1970 und 2010 um 90% steigen, während Markups basierend auf Materialien um 50% fallen.
• Ursache: Unterschiedliche Inputs unterliegen unterschiedlichen „Keilen" (Wedges). Arbeit kann durch langfristige Verträge oder Anpassungskosten verzerrt sein, Materialien durch Lieferkettenprobleme. Die Wahl des Inputs bestimmt oft das Vorzeichen des Trends.

B. Flexibilität der Produktionstechnologie (Second Fork)

Wie flexibel wird die Produktionsfunktion modelliert?

• Restriktive Form (z. B. Cobb-Douglas auf 2-Stellen-Niveau): Erzwingt, dass Elastizitäten über alle Firmen konstant sind. Jede Variation im Umsatzanteil muss dann vom Markup erklärt werden $\rightarrow$ scheinbar steigende Markups.
• Flexiblere Form (z. B. Translog, CES mit arbeitserhöhendem Fortschritt): Erlaubt Elastizitäten, sich zu variieren. Dies absorbiert technologische Heterogenität, sodass weniger Variation auf den Markup fällt.
• Ergebnis: Studien, die flexiblere Technologien zulassen (z. B. Foster et al., 2024), finden oft stabile oder sinkende Markups, während restriktive Spezifikationen (De Loecker et al., 2020) starke Anstiege zeigen.

4. Zentrale Ergebnisse und technische Erkenntnisse

1. Messfehler und Datenqualität:

   • COGS vs. SG&A: Die Behandlung von „Selling, General, and Administrative Expenses" (SG&A) ist entscheidend. Wenn SG&A als fixer Overhead ausgeschlossen wird (wie in De Loecker et al., 2020), steigen die geschätzten Markups stark. Wenn SG&A als variabler Input einbezogen wird (Traina, 2018), verschwindet der Großteil des Anstiegs.
   • Rohdaten vs. Mengen: Die meisten Daten basieren auf Umsätzen (Revenue), nicht auf physischen Mengen. Da Preise und Mengen korreliert sind (höhere Markups führen zu niedrigeren Mengen), führt die Verwendung von Umsatzdaten zu einer Verzerrung der Elastizitätsschätzung (Layer 2 Endogenität). Ohne Firmenebene-Preisdaten ist der Markup oft tautologisch uninformiert (Bond et al., 2021).

2. Ökonometrische Herausforderungen:

   • Standard-Methoden (Control Functions wie Olley-Pakes/Levinsohn-Petrin) wurden für perfekte Konkurrenz entwickelt. Unter unvollkommener Konkurrenz sind die Annahmen (z. B. Monotonie der Proxy-Variablen, Skalare Unbeobachtbarkeit) oft verletzt.
   • Die Schätzung von Elastizitäten aus Umsatzdaten ohne Korrektur für Preise führt dazu, dass der geschätzte Markup mechanisch gegen 1 konvergiert oder stark verzerrt ist.

3. Bruttooutput vs. Wertschöpfung:

   • Die Verwendung von Wertschöpfungs-Produktionsfunktionen (Value-Added) ist theoretisch problematisch, da sie Intermediate Inputs nicht korrekt behandelt. Dies führt zu verzerrten Markups, die nicht direkt in makroökonomische Modelle (die oft Wertschöpfung nutzen) übertragen werden können, ohne starke Annahmen über die Input-Output-Struktur zu treffen.

5. Signifikanz und Empfehlungen (Call to Arms)

Das Papier schließt mit drei dringenden Empfehlungen für die Forschung, um die Glaubwürdigkeit der Markupschätzung zu erhöhen:

1. Transparenz ($R^2$-Zerlegung):

   • Forscher sollten systematisch berichten, wie viel Variation im Umsatzanteil ($s$) durch die geschätzte Elastizität ($\gamma$) erklärt wird und wie viel durch den Markup ($\mu$).
   • Eine hohe $R^2$ für den Markup (und niedrige für die Elastizität) ist ein Warnsignal, dass die Spezifikation zu restriktiv ist und technologische Variation fälschlicherweise als Marktmacht interpretiert wird.

2. Stresstests (Stress-Testing):

   • Produktionsbasierte Markups sollten mit anderen Methoden verglichen werden:
     • Nachfragebasierte Schätzungen aus der Industrieökonomik (IO).
     • Simulationen mit bekannten „Wahrheiten".
     • Natürliche Experimente (z. B. Fusionen, Regulierungsänderungen), um zu prüfen, ob die Schätzungen reale Schocks korrekt abbilden.

3. Aggregation auf Makroebene:

   • Es muss geklärt werden, wie Firmenebene-Heterogenität in makroökonomische Modelle integriert werden kann.
   • Unterscheidung zwischen „guten" Markups (Renditen auf Innovation, Skaleneffekte) und „schlechten" Markups (Markteintrittsbarrieren, Ineffizienz).
   • Berücksichtigung von Netzwerk-Effekten: Markups in der Vorleistungskette haben andere Wohlfahrtseffekte als Markups im Endverbrauch.

Fazit

Der Produktionsansatz ist ein mächtiges, aber zerbrechliches Werkzeug. Seine Stärke liegt in der Skalierbarkeit und dem Verzicht auf komplexe Nachfragestrukturen. Seine Schwäche ist, dass er als Residuum alles absorbiert, was nicht gemessen oder spezifiziert wurde (Messfehler, Anpassungskosten, technologische Heterogenität). Die Diskrepanzen in der Literatur sind nicht nur statistisches Rauschen, sondern Resultat fundamentaler konzeptioneller und datentechnischer Entscheidungen. Um Fortschritte zu erzielen, müssen Forscher transparenter über ihre Annahmen sein, ihre Ergebnisse gegen externe Evidenz testen und die Trennung zwischen Marktmacht und technologischen Faktoren verbessern.