Advertisement

Aufbau eines UWS-Investitionsmodells

  • Thomas Nestler
Chapter
  • 15 Downloads
Part of the Umwelt und Ökonomie book series (UMWELT, volume 18)

Zusammenfassung

Im ersten Schritt wird diskutiert, welche Motive die Produzenten des Verarbeitenden Gewerbes zur Durchführung von UWS-Investitionen haben und welche wirtschaftlichen Faktoren (dazu lassen sich auch technologische Abhängigkeiten zählen) den Umfang der UWS-Investitionen merklich beeinflussen könnten.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 3.
    mehr hierzu siehe z. B. bei Zahn/Gassert (1992), Hopfenbeck (1990), Senn (1986), oder Stahlmann (1994:33ff)Google Scholar
  2. 4.
    Manche Autoren vertreten die Ansicht, daß das Investitionsverhalten stark durch das Gewinnmaximierungsmotiv zu erklären sei. Siehe hierzu auch bei Heil (1985) und die dort angegebene Literatur.Google Scholar
  3. 6.
    Zur Definition der Indizes „Nettoproduktion“ und „Arbeitsproduktivität“ siehe z. B. bei Lippe (1990:266íf)Google Scholar
  4. 7.
    vgl. Statistisches Bundesamt: Statistisches Jahrbuch für die Bundesrepublik Deutschland, 12 Außenhandel; verschiedene Jahrgänge.Google Scholar
  5. 10.
    Okonometrische Schätzungen führten in der Vergangenheit zu recht guten Ergebnissen. vgl. Fritsch/Maas (1983:10)Google Scholar
  6. 11.
    Im Einzelfall läßt sich aus den Daten der vergangenen Bruttoinvestitionen und dem Kapitalstock der Modemitätsgrad des Kapitalstocks ableiten. Den so bestimmten Modemitätsgrad in die Liste der Erklärungsvariablen mitaufzunehmen hätte für unsere Untersuchung jedoch den entscheidenden Nachteil, daß dann die Erklärungsvariablen „sonstige Investitionen“, „Vermögensanlagebestand“ und „ Modemitätsgrad“ stark miteinander korreliert wären.Google Scholar
  7. 12.
    zur Beschreibung der generellen Vorgehensweise vgl. z. B. Heil, (1987:109,113) “ siehe hierzu auch bei Frohn ( 1995: 3, 4 )Google Scholar
  8. 14.
    zu dieser Vorgehensweise siehe z. B. bei Gollnick (1968:13–14)Google Scholar
  9. 15.
    mehr hierzu siehe z. B. bei Schaich/Hamerle (1984:13ff)Google Scholar
  10. 19.
    Nun kann es vorkommen, daß Wirtschaftssubjekte (hier: Betriebe des Verarbeitenden Gewerbes) ihr Verhalten ändern, allerdings können wir davon ausgehen, daß solche Verhaltensänderungen nicht augenblicklich, sondern allmählich erfolgen.Google Scholar
  11. 21.
    vgl. hierzu z. B. Heil (1987:53) oder Schneeweiß (1990:30). In einem solchen Regressionsmodell wird Y systematisch durch X beeinflußt, wobei der Einfluß von einer Zufallsgröße u überlagert wird.Google Scholar
  12. 26.
    Eine Überprüfung auf Vollständigkeit und Identifizierbarkeit wird im vorliegenden Fall hinfällig, da wir uns un vorliegenden Fall mit Eingleichungsmodellen beschäftigen, bei denen die Zahl der abhängigen Variablen die Zahl Eins nicht übersteigt.Google Scholar
  13. 27.
    vgl. Schönfeld (1969:7). Gehen wir bei einem der beschriebenen Zusammenhänge von einem exakten linearen Zusammenhang aus, so wird auch von einem linearen deterministischen Eingleichungsmodell gesprochen.Google Scholar
  14. 28.
    Wir werden uns insbesondere aus folgenden Gründen auf lineare Funktionen beschränken: Ihre statistischen Eigenschaften sind besser erforscht und sie sind leichter handhabbar als nichtlineare Funktionen (Hübler, 1989:13). Viele nichtlineare Funktionen lassen sich in lineare transformieren. Außerdem wäre es im einen oder anderen Fall schwierig, eine sinnvolle Interpretation für nichtlineare Zusammenhänge zu finden und es lassen sich fast alle Funktionen (zumindest innerhalb kleinerer Bereiche) annähernd als lineare Funktionen darstellen. Hierzu Schneeweiß (1990:34): „Selbst dann, wenn aus theoretischen Erwägungen mit einer nichtlinearen Funktion gerechnet werden muß, ist die zur Funktion gehörige Kurve in der Praxis oft so geringfügig gekrümmt, daß eine lineare Approximation auch innerhalb eines großen Variationsbereichs der exogenen Variablen gerechtfertigt erscheint.“Google Scholar
  15. 29.
    Wir werden später im Rahmen einer Korrelationsanalyse prüfen, ob und inwieweit die erklärenden Variablen unabhängig voneinander sind. Eine völlige Unabhängigkeit wirtschaftlicher Größen dürfte aufgrund der Vielfalt wirtschaftlicher Zusammenhänge allerdings von vornherein ausgeschlossen sein. Im Grenzfall kann auch die fest vorgegebene exogene Variable als Zufallsvariable aufgefaßt werden.Google Scholar
  16. 34.
    vgl. z. B. Schneeweiß (1990:47) sowie Hartung/Elpelt/Klösner ( 1991: 565, 579 )Google Scholar
  17. 35.
    vgl. z. B. Hartung/Elpelt/Klösner ( 1991: 566 )Google Scholar
  18. 36.
    Die geschätzten Parameter lassen sich bei einer Irrtumswahrscheinlichkeit von 0,05 und einem Freiheitsgrad von T - 2 = 16–2 = 14 (T - 4 = 64–4 = 60) als signifikant einstufen, wenn die Prüfgröße t den Wert 2,145 (2,000) übersteigt. Als eine Art Faustregel können wir uns merken, daß wenn die Schätzfehler nicht höher als 50% der geschätzten Koeffizienten sind, die Schätzungen den Signifikanzanforderungen genügen.Google Scholar
  19. 39.
    siehe z. B. bei Frohn (1995:106fï) oder bei Heil (1987:169ff und 228ff)Google Scholar
  20. 40.
    Statistisches Bundesamt: Lange Reihen zur Wirtschaftsentwicklung, Wiesbaden, verschiedene Jahrgänge; dasselbe: Statistisches Jahrbuch fir die Bundesrepublik Deutschland, verschiedene Jahrgänge; dasselbe: Umweltschutz, Fachserie 19, Reihe 3, Investitionen für Umweltschutz im Produzierenden Gewerbe, verschiedene Jahrgänge sowie dasselbe: Volkswirtschaftliche Gesamtrechnungen, Fachserie 18, Reihe 1.3 Konten und Standardtabellen, Hauptbericht 1990 und Reihe S. 17 Vermögensrechnung 1950 bis 1991Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1997

Authors and Affiliations

  • Thomas Nestler
    • 1
  1. 1.Alfred Weber-Institut für Sozial- und StaatswissenschaftenUniversität HeidelbergHeidelbergDeutschland

Personalised recommendations