Meinungen English Version English Version »

Statistische Tragödien vermeiden

Wegen Covid drohen Entwicklungsvorhaben vernachlässigt zu weden, die für arme Länder wichtig sind, etwa das Bemühen um grössere statistische Kapazitäten. Ein Kommentar Pinelopi Koujianou Goldberg.

Pinelopi Koujianou Goldberg
«Wir können nicht verbessern, was wir nicht messen können.»

In einem Artikel für die «Brookings Papers on Economic Activity» vom Juli 2020 zeigten Tristan Reed und ich, dass entgegen den Erwartungen die Covid-19-Todesfälle pro Kopf in den ärmeren Ländern viel niedriger waren als in den reicheren. Daraufhin erreichten uns sofort Kommentare aus unserer Leserschaft, dieses Ergebnis müsse auf eine Fehlmessung oder fehlende Daten für diese Länder zurückzuführen sein. Unser Ergebnis hat inzwischen einer genaueren Prüfung standgehalten, aber die anfängliche Reaktion war aufschlussreich: Statistiken aus Entwicklungsländern werden in der Regel mit Misstrauen betrachtet (und oft sogar ganz abgetan).

Ist diese Voreingenommenheit gerechtfertigt? In einem kürzlich erschienenen Beitrag für das «Journal of Economic Perspectives» mit dem Titel «Why is Growth in Developing Countries so Hard to Measure?» kommen meine Mitautoren und ich zum Schluss, dass sie es nicht ist. Mit Ausnahme einiger öffentlichkeitswirksamer Fälle von Datenmanipulation sind Wachstumsschätzungen aus Entwicklungsländern im Allgemeinen genauso zuverlässig wie die aus fortgeschrittenen Volkswirtschaften.

Natürlich gibt es kein einheitliches, klar definiertes Kriterium für die Beurteilung der Qualität von Wachstumsschätzungen eines Landes. Der traditionelle Ansatz in der wirtschaftswissenschaftlichen Literatur besteht jedoch darin, nach Korrelationen zwischen Schätzungen zu suchen, die aus verschiedenen Datenquellen stammen. Unter Anwendung dieser Methode haben wir Schätzungen verglichen, die auf drei verschiedenen Quellen beruhen: dem System der Volkswirtschaftlichen Gesamtrechnungen (SNA, System of National Accounts), Haushaltsumfragedaten und neu verfügbaren Satellitendaten (hauptsächlich über die nächtliche Beleuchtung, gelegentlich auch über die Vegetation).

Manipulation in Ländern mittleren Einkommens

Derartige Vergleiche zeigen, dass die Unterschiede bei den durchschnittlichen Wachstumsraten über die drei Datenquellen hinweg gering sind, in der Regel etwa 1,5 Prozentpunkte oder weniger. Obwohl Lücken dieser Grössenordnung für Länder mit hohem Einkommen (wo die jährlichen Wachstumsraten in letzter Zeit im Bereich von 3 bis 4% lagen) als gross angesehen werden könnten, sind sie für viele schnell wachsende Entwicklungsländer eher bescheiden. Eine durchschnittliche Fehlerspanne von etwa 1,5 Prozentpunkten erscheint angesichts der Unsicherheit, mit der diese Schätzungen behaftet sind, nicht gravierend.

Darüber hinaus zeigt eine neue Datenbank des Internationalen Währungsfonds und der Weltbank keine Hinweise darauf, dass die SNA-Daten von Ländern mit niedrigem Einkommen systematisch aus politischen Gründen manipuliert würden. Interessanterweise scheinen Länder mit mittlerem Einkommen problematischer zu sein, was darauf hindeutet, dass politisch motivierte Manipulation oberhalb eines gewissen Schwellenwerts an statistischer Kapazität und Ausgereiftheit eher möglich ist. In gewisser Weise sind diese Ergebnisse ein Grund zum Optimismus, denn sie zeigen, dass die in den Entwicklungsländern erstellten Statistiken tatsächlich aussagekräftig sind und dass es unklug wäre, sie von vornherein abzulehnen.

Nichtsdestotrotz könnten ärmere Länder natürlich von einer grösseren statistischen Kapazität profitieren. Wie Shanta Devarajan von der Weltbank in einem einflussreichen Artikel aus dem Jahr 2013 dargelegt hat, leiden einkommensschwache Länder, besonders in Afrika, unter einer «statistischen Tragödie». Wegen des Fehlens von Ressourcen für Datenerhebung, -verwaltung und -verbreitung sowie mangelnder Koordinierung zwischen Behörden und Interessengruppen müssen die politischen Entscheidungsträger in vielen Ländern mit niedrigem Einkommen auf alte Daten und nicht mehr aktuelle Methoden zurückgreifen.

Hohe Kosten und Ungewissheit

In der Tat sind mehrere öffentlichkeitswirksame Fälle von unzuverlässigen Wachstumsschätzungen eher auf veraltete Methoden als auf politisch motivierte Manipulation zurückzuführen. Selbst in diesen Fällen scheinen die lokalen Behörden in Anbetracht der Sachzwänge, mit denen sie konfrontiert waren, ein Wunder vollbracht zu haben, indem sie relativ zuverlässige Zahlen vorlegten.

Die Frage ist, wie die Entwicklungsländer ihre statistischen Kapazitäten ausbauen können. Das ist leichter gesagt als getan. Wie meine Mitautoren und ich im «Journal of Economic Perspectives» erklären:

«Die internationalen Bemühungen zur Unterstützung der nationalen Statistikämter konzentrieren sich häufig auf einmalige Datenerhebungen, wobei dem Aufbau von Fähigkeiten und Kenntnissen der nationalen Statistiker oder der Entwicklung von Datensystemen nur wenig Aufmerksamkeit geschenkt wird. Die Datenerhebung ist eine relativ klar definierte Aufgabe mit einem eindeutigen Enddatum, die in der Regel mit einem Abschlussbericht beendet wird. Investitionen zur Verbesserung der statistischen Kapazitäten sind viel schwieriger zu überwachen, weniger erfolgversprechend, zeitaufwändig und oft ohne klare Ergebnisse.»

Angesichts der hohen Kosten und der Ungewissheit, die mit solchen Investitionen verbunden sind, ist es unwahrscheinlich, dass sie zu einem Zeitpunkt durchgeführt werden, zu dem die Regierungen aufgrund der Covid-19-Krise bereits unter Haushaltsdruck stehen.

Technologie und neue Datenquellen nutzen

Glücklicherweise gibt es einen praktikableren Ansatz: die Nutzung der Technologie und neuer Datenquellen (in Kombination mit traditionellen Quellen), um die Ressourcenbeschränkungen zu verringern. Die explosionsartige Zunahme neuer und öffentlich verfügbarer Daten – Web Scraping, Google-Suche, digitale Transaktionen, Metadaten von Mobiltelefonen, Nutzung sozialer Medien und Satellitendaten – hat Forschern geholfen, wichtige wirtschaftliche Variablen zu geringeren Kosten zu schätzen.

Solche Datenquellen haben sich während der Pandemie als besonders nützlich erwiesen, da sie es Ökonomen ermöglichten, dringend benötigte Informationen über Armut, Inflation, Geschäftsaussichten und das Wohlergehen der Menschen zu erhalten, und das erst noch in Echtzeit. Weil diese Daten schneller und zu viel geringeren Kosten als mit herkömmlichen Methoden (wie z. B. Haus-zu-Haus-Befragungen) gewonnen werden können, sind sie eine Quelle der Hoffnung für ressourcenverarmte Entwicklungsländer.

Mangel an Repräsentativität

Diese neuen Daten sind jedoch nicht ohne Einschränkungen. Während die traditionellen Datenquellen die vollständige Erfassung der relevanten Bevölkerung anstreben, haben die neueren Daten in der Regel ein Selektionsproblem. Obwohl sie umfangreiche Stichproben liefern und sehr aktuell sein können, sind sie selten repräsentativ für die Bevölkerung eines Landes. Sie sind am besten geeignet, um traditionelle Daten zu ergänzen, nicht jedoch, um sie zu ersetzen.

Es mag naiv erscheinen, mitten in einer Pandemie bessere Daten zu fordern, wenn es vielen einkommensschwachen Ländern immer noch nicht gelungen ist, lebensrettende Impfstoffe für ihre Bevölkerung zu beschaffen. Doch eine der grössten Gefahren der Pandemie besteht darin, dass sie dazu führt, dass wichtige Entwicklungsvorhaben vernachlässigt oder auf unbestimmte Zeit verschoben werden. So wie die politischen Entscheidungsträger auf zusätzliche Massnahmen zur Stärkung der Rolle der Frau und zur Erhöhung der Investitionen in das Humankapital drängen müssen, so müssen sie sich auch um grössere statistische Kapazitäten bemühen. Wir können nicht verbessern, was wir nicht messen können.

Copyright: Project Syndicate.

Leser-Kommentare