An Order-Invariant Decomposition of Input Accumulation in DEA–Malmquist Productivity Analysis
Dieses Papier schlägt eine pfad-symmetrisierte Zerlegungsmethode vor, die das Problem der Ordnungsabhängigkeit in der Multi-Input-DEA-Malmquist-Analyse löst und eindeutige, ordnungsinvariante sowie multiplikativ konsistente Maße für die Effekte der individuellen Input-Akkumulation liefert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Ökonomen versuchen seit langem zu verstehen, warum einige Nationen reicher und produktiver werden als andere. Um dies zu erreichen, betrachten sie oft den Output eines Landes – also das, was es produziert – und versuchen herauszufinden, wie viel dieses Wachstums auf härteres Arbeiten, den Einsatz besserer Werkzeuge oder schlichtweg auf eine effizientere Nutzung dessen zurückzuführen ist, was bereits vorhanden ist. Ein Standardwerkzeug für diese Art der Untersuchung ist eine Methode namens Data Envelopment Analysis, die wie eine Landkarte der bestmöglichen Leistungsfähigkeit fungiert, die eine Gruppe von Ländern zu einem gegebenen Zeitpunkt erreichen kann. Diese Landkarte, bekannt als die „Frontier“ (Grenze), zeigt den bestmöglichen Output für eine bestimmte Menge an Inputs, wie etwa Arbeit oder Kapital. Wenn ein Land näher an diese Frontier heranrückt, holt es auf; wenn sich die Frontier selbst nach außen verschiebt, bedeutet dies, dass sich die Technologie weiterentwickelt hat. Es gibt jedoch einen dritten Weg, wie Produktivität wachsen kann: indem man einfach mehr Inputs akkumuliert, etwa durch den Bau von mehr Fabriken oder die Ausbildung von mehr Arbeitnehmern. Dies wird oft als Bewegung entlang der bestehenden Frontier beschrieben, hin zu einem Punkt, an dem mehr Ressourcen eingesetzt werden, um mehr Output zu erzeugen.
Die Herausforderung entsteht, wenn ein Land mehr als eine Art von Input nutzt, wie zum Beispiel sowohl physische Maschinen als auch qualifizierte Arbeitskräfte. Wenn beide gleichzeitig zunehmen, wird es schwierig zu sagen, wie viel des Wachstums genau durch die Maschinen und wie viel durch die Bildung zustande kam. Das Problem ist, dass die Antwort variieren kann, je nachdem, welchen Faktor man zuerst betrachtet. Wenn man sich vorstellt, zuerst die Maschinen und dann die Arbeitskräfte hinzuzufügen, erhält man ein anderes Ergebnis. Wenn man sich vorstellt, zuerst die Arbeitskräfte und dann die Maschinen hinzuzufügen, erhält man ein anderes. Dies schafft eine verwirrende Mehrdeutigkeit, bei der die Geschichte des Wirtschaftswachstums völlig von der willkürlichen Reihenfolge abhängt, in der ein Forscher die Faktoren untersucht.
Kozo Kunimune, ein Forscher an der Kwansei Gakuin University, hat eine Lösung für dieses Rätsel vorgeschlagen. Er entwickelte eine neue Art und Weise, das aus der Akkumulation von Inputs resultierende Wachstum aufzuschlüsseln, sodass das Ergebnis nicht mehr von der Reihenfolge abhängt, in der die Faktoren betrachtet werden. Anstatt einer einzigen Sequenz zu folgen, betrachtet seine Methode jede mögliche Sequenz, in der die Inputs hinzugefügt werden könnten. Sie berechnet dann den Durchschnitt all dieser verschiedenen Pfade, um eine einzige, eindeutige Antwort darauf zu finden, wie viel jeder Input beigetragen hat. Dieser Ansatz stellt sicher, dass die endgültigen Zahlen fair und konsistent sind, unabhängig davon, wie die Berechnung angeordnet ist.
Um diese Idee zu testen, wandte Kunimune seine Methode auf reale Daten aus der Penn World Table an, einer bedeutenden Datenbank internationaler Wirtschaftsstatistiken. Er konzentrierte sich auf den Zeitraum zwischen 2000 und 2010 und untersuchte vierundsechzig Länder, für die vollständige Daten vorlagen. In seiner Analyse behandelte er physisches Kapital (Maschinen und Gebäude) und Humankapital (die Fähigkeiten und die Bildung der Erwerbsbevölkerung) als zwei separate Inputs. Durch die Anwendung seiner neuen Methode war er in der Lage, das Wachstum der Arbeitsproduktivität in drei klar unterscheidbare Teile zu zerlegen: Verbesserungen in der Effizienz, mit der Länder ihre Ressourcen nutzen, Verschiebungen der technologischen Frontier sowie die spezifischen Beiträge der Zunahme von physischem Kapital und der Zunahme von Humankapital.
Die Ergebnisse zeigten, dass sich die Art und Weise, wie wir Wirtschaftswachstum messen, signifikant ändern kann, je nachdem, wie wir die Inputs modellieren. Wenn das Humankapital ignoriert und nur das physische Kapital betrachtet wurde, erschien das Wachstum weitgehend durch technologische Verschiebungen getrieben. Als das Humankapital jedoch als separater Input einbezogen wurde, wurde ein Teil dieses zuvor dem technologischen Fortschritt zugeschriebenen Wachstums als Bewegung entlang der Frontier neu klassifiziert. Mit anderen Worten: Was zuvor wie ein technologischer Sprung aussah, war tatsächlich das Resultat der Investitionen der Länder in die Fähigkeiten ihrer Arbeiter. Diese Verschiebung war besonders deutlich bei Entwicklungsländern wie Kambodscha, Bangladesch und Vietnam zu beobachten, wo die Einbeziehung des Humankapitals als distinkter Faktor den gemessenen technologischen Wandel reduzierte und die gemessene Akkumulation von Inputs erhöhte.
Die Studie hob zudem Unterschiede zwischen fortgeschrittenen und Schwellenländern hervor. In vielen wohlhabenden Nationen, wie den Vereinigten Staaten, Kanada und Australien, wurde das Wachstum der Produktivität fast ausschließlich durch die Akkumulation von physischem Kapital getrieben, wobei das Humankapital eine minimale Rolle bei der gemessenen Expansion spielte. Im Gegensatz dazu zeigten mehrere Schwellenländer ein signifikantes Wachstum, das durch die Akkumulation von Humankapital getrieben wurde, was darauf hindeutet, dass Investitionen in Bildung und Qualifizierung ein wesentlicher Motor ihres wirtschaftlichen Fortschritts waren.
Durch die Entfernung des willkürlichen Elements der Reihenfolge bietet diese neue Methode ein klareres und stabileres Bild dessen, was das Wirtschaftswachstum antreibt. Sie ermöglicht es Forschern, die interne Struktur von Produktivitätsänderungen zu sehen, ohne die Verzerrung durch die Reihenfolge der Berechnung. Die Ergebnisse bestätigen, dass die Gesamtmenge des Wachstums zwar gleich bleibt, sich die Geschichte hinter diesem Wachstum jedoch ändert, wenn wir die spezifischen Rollen der verschiedenen Inputs berücksichtigen. Diese Klarheit ist essenziell für politische Entscheidungsträger und Ökonomen, die verstehen müssen, ob der Erfolg eines Landes auf besserer Technologie, effizienterem Management oder der stetigen Akkumulation von physischen und menschlichen Ressourcen beruht. Die Methode ist darauf ausgelegt, flexibel zu sein und kann auf verschiedene wirtschaftliche Kontexte angewendet werden, was einen transparenten Weg bietet, die komplexe Mechanik der Produktivität in einer Welt mit multiplen Inputs zu untersuchen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.