Warum quantitative Methoden in der Wirtschaftsgeschichte wichtig sind

Während eines Großteils des 20. Jahrhunderts stützte sich die Wirtschaftsgeschichte stark auf qualitative Beschreibungen und institutionelle Analysen. Der Aufstieg der -Kliometrik – der systematische Einsatz von Wirtschaftstheorie und quantitativen Methoden zur Untersuchung der Geschichte – änderte dies. Heute besteht die Gefahr, dass die Analyse historischer wirtschaftlicher Auswirkungen ohne formale quantitative Methoden versteckte Muster, verwirrende Faktoren und das Ausmaß der Auswirkungen ausblendet. Quantitative Ansätze ermöglichen es Forschern, Hypothesen zu testen, andere Variablen zu kontrollieren und kontrafaktische Daten zu konstruieren – wie die Wirtschaft ohne das Ereignis ausgesehen hätte.

Dies vertieft nicht nur das historische Verständnis, sondern bietet auch Lehren für moderne politische Entscheidungsträger, die mit Krisen wie Pandemien, Finanzkollapsen oder Konflikten konfrontiert sind.

Der Übergang von der Erzählung zu Zahlen war weder schnell noch unumstritten. Pioniere wie Robert Fogel und Douglass North, beide Nobelpreisträger, zeigten, dass quantitative Beweise lang gehegte Überzeugungen umkippen könnten. Zum Beispiel zeigte Fogels Arbeit über US-Eisenbahnen, dass ihr Beitrag zum BIP-Wachstum viel geringer war als bisher angenommen, während Norths Analyse der Produktivität der Seeschifffahrt ergab, dass institutionelle Innovationen – nicht nur Technologie – wirtschaftliche Veränderungen herbeiführen. Diese Durchbrüche etablierten quantitative Methoden als unverzichtbare Werkzeuge, um Korrelation von Kausalität in historischen Kontexten zu unterscheiden.

Quantitative Kernmethoden für die historische Analyse

Zur Bewertung historischer Ereignisse werden üblicherweise mehrere statistische und ökonometrische Verfahren verwendet. Jede Methode ist je nach Art der Daten und des spezifischen untersuchten Ereignisses von Vorteil. Die Forscher kombinieren häufig mehrere Ansätze, um robuste Schätzungen zu triangulieren.

Regressionsanalyse und Zeitreihenmodelle

Das grundlegendste Werkzeug ist , die die Beziehung zwischen einem Ereignis (oder einer Politik) und einem wirtschaftlichen Ergebnis schätzt, während sie andere Einflüsse kontrolliert. In der historischen Arbeit ist die Regression von Zeitreihen besonders häufig - zum Beispiel die Analyse der jährlichen BIP-Daten vor und nach einem Krieg, um die durchschnittliche Veränderung zu schätzen, die auf den Konflikt zurückzuführen ist. Autoregressive Moving Average (ARMA) Modelle und Strukturbrüche Tests helfen zu identifizieren, ob ein Ereignis eine dauerhafte Verschiebung des wirtschaftlichen Trends verursacht hat. Ein wichtiger Fortschritt ist die Verwendung von Vektorautoregression (VAR), um die Interdependenzen zwischen mehreren wirtschaftlichen Variablen zu modellieren - wie Output, Handel und Investitionen - gleichzeitig, so dass Forscher die Welleneffekte eines historischen Schocks über mehrere Jahrzehnte verfolgen können.

Event Studies und Differenzen in Differenzen

Ein Rahmenwerk der event study misst abnorme Veränderungen in ökonomischen Variablen um das Datum eines spezifischen Ereignisses herum. In historischen Kontexten könnte dies die Betrachtung von Handelsvolumina vor und nach der Unterzeichnung eines Vertrags beinhalten. Der difference-in-differences (DiD)-Schätzer vergleicht die Veränderung eines Ergebnisses für eine von dem Ereignis betroffene Gruppe mit der Veränderung für eine ähnliche nicht betroffene Gruppe im gleichen Zeitraum. Zum Beispiel haben Ökonomen DiD verwendet, um die wirtschaftlichen Auswirkungen der Irish Potato Famine aus den 1840er Jahren abzuschätzen, indem sie Regionen mit unterschiedlichem Ernteausfall mit nicht betroffenen Gebieten in Nordeuropa vergleichen. Die Gültigkeit von DiD hängt von der Annahme parallelen Trends ab—dass die behandelten und die Kontrollgruppen ohne das Ereignis ähnliche Wege gegangen wären.

Forscher testen dies, indem sie Trends vor dem Ereignis untersuchen oder Placebo-Tests mit falschen Behandlungsdaten verwenden.

Synthetische Kontrollmethode

Eine in den 2000er Jahren entwickelte fortschrittlichere Technik, die Synthesekontrollmethode, konstruiert eine gewichtete Kombination von unbehandelten Einheiten, um eine kontrafaktische für die betroffene Einheit zu schaffen. Dies ist besonders wertvoll, wenn keine einzige natürliche Kontrollgruppe existiert. Eine berühmte Anwendung schätzte die wirtschaftlichen Kosten der deutschen Wiedervereinigung, indem sie ein synthetisches Westdeutschland aus anderen OECD-Wirtschaften konstruierte. Die Methode zeigte, dass die Wiedervereinigung einen signifikanten und anhaltenden Rückgang des westdeutschen Pro-Kopf-BIP im Vergleich zur synthetischen Version verursachte. Seitdem wird synthetische Kontrolle angewendet, um die wirtschaftlichen Auswirkungen von Handelsembargos, Naturkatastrophen und politischen Regimeänderungen zu bewerten.

Sein Vorteil liegt in der Transparenz: Forscher können genau zeigen, welche Kontrolleinheiten Gewicht erhalten und wie die synthetische Einheit die tatsächliche Einheit vor dem Ereignis verfolgt.

Instrumentale Variablen und natürliche Experimente

Um die Endogenität zu untersuchen – die Möglichkeit, dass das Ereignis selbst von den wirtschaftlichen Bedingungen beeinflusst wurde – verwenden Historiker instrumentelle Variablen (IV). Zum Beispiel, um die wirtschaftlichen Auswirkungen des Schwarzen Todes zu untersuchen (1347–1351), haben Forscher die zufällige Variation der Peststerblichkeit aufgrund der Geographie und der Handelsrouten als Instrument für den Bevölkerungsrückgang verwendet. Solche natürlichen Experimente liefern glaubwürdige Schätzungen der kausalen Auswirkungen. Ein weiteres klassisches Beispiel ist die Verwendung kolonialer Landverteilungspolitik als Instrument für Institutionen zur Untersuchung von Eigentumsrechten, um ihre Auswirkungen auf die langfristige Entwicklung zu untersuchen. Die Herausforderung besteht darin, ein gültiges Instrument zu finden - eines, das das Ergebnis nur durch das untersuchte Ereignis beeinflusst - was oft ein tiefes institutionelles Wissen und eine sorgfältige Verteidigung der Ausschlussbeschränkung erfordert.

Quantil- und Verteilungsmethoden

Über die durchschnittlichen Auswirkungen hinaus fragen Historiker zunehmend, wie sich historische Ereignisse auf verschiedene Gesellschaftssegmente auswirkten. Quantile Regression und Verteilungsanalyse ermöglichen es Forschern, die Auswirkungen an verschiedenen Stellen der Einkommens- oder Vermögensverteilung abzuschätzen. Zum Beispiel haben Studien der Weltwirtschaftskrise gezeigt, dass die ärmsten Haushalte den größten proportionalen Rückgang des Konsums erlebten, während es Elite-Grundbesitzern manchmal gelang, ihren Reichtum zu isolieren. Eine solche granulare Analyse bereichert unser Verständnis der historischen Ungleichheit und informiert Debatten über die Verteilungsfolgen moderner Krisen.

Datenquellen und ihre Herausforderungen

Quantitative Geschichte hängt von der Verfügbarkeit und Qualität der historischen Daten. Wichtige Quellen sind nationale Archive, Steuerunterlagen, Handelsbücher, Lohnbücher und in jüngerer Zeit digitalisierte Sammlungen von Institutionen wie dem und dem ] Weltbank Dennoch sind historische Daten mit Problemen behaftet:

  • Unvollständigkeit: Viele Datensätze sind verloren gegangen oder haben nie existiert. Forscher müssen häufig fehlende Werte mit statistischen Methoden wie Mehrfachimputation oder Kalman-Filtern interpolieren oder zurechnen. Im Extremfall müssen ganze Reihen aus spärlichen Hinweisen rekonstruiert werden, wie z. B. die Schätzung des frühneuzeitlichen BIP aus der Stadtbevölkerung und den Getreidepreisen.
  • Messfehler: Frühe BIP-Schätzungen stützten sich auf indirekte Proxies wie Urbanisierungsraten oder Getreidepreise. Moderne Forscher verwenden Techniken wie back-projection aus bekannten Trends, um sich auf Verzerrungen einzustellen. Selbst gut dokumentierte Serien wie die britische Industrieproduktion aus dem 18. Jahrhundert enthalten erhebliche Fehler aufgrund inkonsistenter Fabrikaufzeichnungen.
  • Nicht-Vergleichbarkeit: Definitionen von Beschäftigung, Einkommen oder sogar nationalen Grenzen ändern sich im Laufe der Zeit. Die Harmonisierung von Daten über Jahrhunderte hinweg erfordert eine sorgfältige Dokumentation und Konversion. Das Maddison-Projekt und das Clio-Infra-Projekt bieten umfangreiche harmonisierte historische Datensätze, die BIP, Ungleichheit und Gesundheit abdecken und Ländervergleiche erleichtern.
  • Auswahl-Bias: Überlebende Dokumente können erfolgreiche Volkswirtschaften oder gebildete Gesellschaften überrepräsentieren. Methoden wie Heckman-Korrektur können helfen, aber nur teilweise. Zum Beispiel überleben mittelalterliche Preisdaten oft nur von klösterlichen Anwesen, die Ressourcen möglicherweise anders verwaltet haben als säkulare Herrenhäuser.

Um diese Probleme zu lösen, triangulieren die Forscher mehrere Quellen und wenden Sensitivitätsanalysen an, um zu testen, wie sich Ergebnisse mit unterschiedlichen Annahmen verändern. Moderne Computer-Tools ermöglichen auch eine automatisierte Datensatz-Verknüpfung von Personen über Volkszählungen, Steuerlisten und Gemeinderegister hinweg, um longitudinale Mikrodatenbanken zu erstellen. Diese verknüpften Datensätze ermöglichen die Analyse der wirtschaftlichen Mobilität auf individueller Ebene über Generationen hinweg und eröffnen neue Grenzen in der historischen empirischen Forschung.

In-Depth Case Studies

Die folgenden Beispiele veranschaulichen, wie quantitative Methoden verwendet wurden, um die wirtschaftlichen Auswirkungen von entscheidenden historischen Ereignissen zu bewerten, und heben sowohl die Macht als auch die Herausforderungen dieser Techniken hervor.

Fallstudie 1: Der Schwarze Tod und die europäische Wirtschaft

Der Schwarze Tod tötete zwischen 1347 und 1351 schätzungsweise 30–60% der europäischen Bevölkerung. Anhand von Lohn- und Preisdaten aus England wandten die Forscher eine Zeitreihenanalyse an, um zu zeigen, dass sich die Reallöhne in der Zeit nach der Arbeitsknappheit verdoppelten. Ein DiD-Ansatz, der die Landgüter mit unterschiedlichen Sterblichkeitsraten verglich, ergab, dass die landwirtschaftliche Produktion pro Arbeiter stieg, die Gesamtproduktion jedoch stark sank. Neuere Arbeiten mit instrumentellen Variablen, die die Ankunft der Pest als Instrument verwendeten, schätzten, dass der Schock das Pro-Kopf-Einkommen im folgenden Jahrhundert dauerhaft um etwa 30% erhöhte. Dies unterstützt die Hypothese, dass der Schwarze Tod die Malthusianer-Falle vorübergehend durchbrach, obwohl die Bevölkerung bald wieder anstieg.

Die Auswirkungen variierten jedoch regional: Stadtzentren erholten sich schneller aufgrund der Einwanderung, während ländliche Gebiete anhaltende Arbeitsknappheit erlebten, die feudale Institutionen erodierte. Quantitative Studien haben auch die Pest mit Verschiebungen in Ehemustern und der Erwerbsbeteiligung von Frauen verbunden.

Fallstudie 2: Zweiter Weltkrieg und Nachkriegswachstum

Der Zweite Weltkrieg verursachte massive Zerstörung, führte aber auch zu einem schnellen Wiederaufbau und strukturellen Wandel. Mit Hilfe der synthetischen Kontrolle verglichen die Forscher Westdeutschland mit einem synthetischen Gegenstück, das aus anderen europäischen Volkswirtschaften gebaut wurde. Sie fanden heraus, dass der Wiederaufbau allein das jährliche Wachstum nicht erklären konnte. Institutionelle Reformen und die Marshall-Plan-Hilfe fügten 2-3 Prozentpunkte hinzu. Im Gegensatz dazu zeigte die Ereignisstudie für Japans Nachkriegsboom, dass der Verlust kolonialer Vermögenswerte das BIP zunächst gedrückt hat, aber die aggressive Industriepolitik und Technologieannahme eine Erholung trieb, die 15 Jahre dauerte, um die Vorkriegsspitzen zu erreichen.

Die quantitativen Beweise stellen vereinfachte Narrative in Frage, dass Krieg immer langfristiges Wachstum zerstört; die Art des Krieges und die institutionelle Reaktion sind sehr wichtig. Zum Beispiel expandierte die US-Wirtschaft während des Krieges, während die meisten europäischen Volkswirtschaften zusammenbrachen. Ein Vergleich der neutralen Länder (Schweden, Schweiz) mit den kriegführenden Ländern zeigte, dass direkte Zerstörung das physische Kapital reduzierte, aber auch den technologischen Aufholprozess in einigen Sektoren beschleunigte. Diese differenzierten Ergebnisse beruhen auf sorgfältig

Fallstudie 3: Die Teilung Indiens im Jahr 1947

Die Teilung verursachte eine der größten erzwungenen Migrationen in der Geschichte, mit 10-15 Millionen Menschen, die Grenzen überquerten. Mit Hilfe von FLT:0 und FLT:2 verglich Ökonomen Bezirke entlang der neuen Grenze mit Innenbezirken. Sie schätzten, dass Grenzregionen einen Rückgang der landwirtschaftlichen Produktion um 10-15 % und eine dauerhafte Verringerung der Handelsaktivität aufgrund abgetrennter Lieferketten erlebten. Neuere Arbeiten mit FLT:4] geographischen Daten und Nachtlichtintensität als Stellvertreter für wirtschaftliche Aktivitäten fanden heraus, dass die negativen Auswirkungen jahrzehntelang anhielten, insbesondere auf pakistanischer Seite. Dieser Fall unterstreicht die langfristigen Kosten schlecht geplanter institutioneller Desintegration.

Quantitative Methoden wurden auch verwendet, um die Auswirkungen auf das Humankapital zu untersuchen: Bezirke, die große Flüchtlingsströme erhielten, sahen langfristige Verbesserungen in der Alphabetisierungsrate, da vertriebene Bevölkerungen verschiedene Fähigkeiten und unternehmerische Energie mitbrachten. Das Partitionsbeispiel zeigt, wie ein Ereignis sowohl Gewinner als auch Verlierer hervorbringen kann und wie Geodaten kombiniert mit historischen Verwaltungsaufzeichnungen granulare Erkenntnisse liefern können.

Fallstudie 4: Die Große Depression und Finanzregulierung

Die Große Depression der 1930er Jahre ist ein Wendepunkt für die quantitative Wirtschaftsgeschichte wegen der Fülle von neu gesammelten nationalen Einkommenskonten und Bankdaten. Mithilfe von Ereignisstudie schätzten die Forscher, dass der Börsencrash von 1929 allein die Industrieproduktion um 10-15% im folgenden Jahr reduzierte, aber die nachfolgenden Bankenpaniken verstärkten den Abschwung. Eine Analyse der synthetischen Kontrolle, die die USA mit einem gewichteten Durchschnitt anderer Länder vergleicht, legt nahe, dass das Fehlen einer Einlagensicherung und einer passiven monetären Reaktion die Depression um zusätzliche 8% des BIP vertieft hat. Diese Ergebnisse haben die moderne makroprudenzielle Regulierung beeinflusst. Die Große Depression zeigt auch den Wert der Daten auf Mikroebene: Die Analyse einzelner Bankbilanzen ermöglichte es den Forschern zu identifizieren, dass Bankausfälle größere Spillover-Effekte hatten als Aktienkursrückgänge, die Gestaltung der Gestaltung der aktuellen Stresstests.

Die Rolle der kontrafaktischen Analyse

Im Mittelpunkt der meisten quantitativen Auswertungen steht die Konstruktion eines glaubwürdigen ]kontrafaktischen —was passiert wäre, wenn das Ereignis nicht eingetreten wäre. Die synthetische Kontrollmethode ist explizit darauf ausgelegt, ein solches kontrafaktisches System aus einem gewichteten Durchschnitt von Kontrolleinheiten zu erstellen. In einfacheren Zeitreihenmodellen ist das kontrafaktische System eine Extrapolation des Vorereignistrends. Die Gültigkeit jedes kontrafaktischen Modells hängt jedoch von der Annahme ab, dass externe Faktoren stabil bleiben. Die Forscher müssen die parallelen Trends in DiD-Designs testen und auf Vorereignisdivergenzen prüfen.

Wenn die Annahme fehlschlägt, können alternative Ansätze wie unterbrochene Zeitreihen (ITS) mit einer schrittweisen Einführung des Ereignisses verwendet werden.

Für Ereignisse mit globaler Reichweite (z. B. die Große Depression, die COVID-19-Pandemie) gibt es keine glaubwürdige Kontrollgruppe. In diesen Fällen werden strukturelle Wirtschaftsmodelle verwendet, die die Weltwirtschaft simulieren. Zum Beispiel wurden Modelle von computable general equilibrium (CGE) angewendet, um die Wohlfahrtskosten der Siege of Paris (1870-1871) oder die wirtschaftliche Störung durch die koloniale Extraktion im 19. Jahrhundert abzuschätzen. Obwohl diese Ansätze modellschwer sind, ermöglichen sie eine Sensitivitätsanalyse über Schlüsselparameter.

Eine neuere Entwicklung ist die Verwendung von Bayesian structural time-series-Modellen, die die kontrafaktische als latente Variable behandeln und Vorinformationen enthalten, die eine Unsicherheitsquantifizierung ermöglichen, die in klassischen Methoden oft fehlt. Unabhängig von der Technik sollten Forscher immer mehrere kontrafaktische Spezifikationen präsentieren und die Robustheit gegenüber alternativen Annahmen testen - eine Praxis, die in Top-Zeitschriften wie der [[

Einschränkungen und Kritik der quantitativen Geschichte

Trotz ihrer Macht stoßen quantitative Methoden auf echte Grenzen:

  • Endogeneität: Historische Ereignisse sind selten zufällig. Kriege können durch wirtschaftlichen Niedergang verursacht werden, nicht umgekehrt. Während Methoden wie IV versuchen, dies anzugehen, sind gültige Instrumente selten und oft umstritten. Zum Beispiel ist die Verwendung von Wettervariationen zur Untersuchung der Konfliktintensität üblich, beruht jedoch auf der Annahme, dass Wetter nur die Wirtschaft durch Konflikte beeinflusst - eine Annahme, die häufig verletzt wird.
  • Messung und Überlebensvorurteile: Quantitative Geschichte beruht auf dem, was überlebt hat. Zum Beispiel sind europäische Daten vor 1500 stark auf Klöster und königliche Güter ausgerichtet, was möglicherweise gut geführte Institutionen überrepräsentiert. In ähnlicher Weise stammen Daten über historische Ungleichheit oft aus Nachlassaufzeichnungen der Reichen, was einen offensichtlichen Rückgang der Ungleichheit verursacht, der teilweise ein Artefakt der sich ändernden Dokumentation ist.
  • Reduktionismus: Rein quantitative Ansätze können institutionelle, kulturelle oder psychologische Faktoren übersehen, die qualitative Berichte erfassen. Die beste Arbeit kombiniert beides, indem quantitative Ergebnisse verwendet werden, um tiefere Archivuntersuchungen zu motivieren. Zum Beispiel wurden Regressionsergebnisse, die einen großen Einfluss des Protestantismus auf die Alphabetisierung im Deutschland des 19. Jahrhunderts zeigen, erst vollständig verstanden, nachdem sie lokale Schulinspektionsberichte gelesen hatten, die Unterschiede in der Pädagogik aufdeckten.
  • P-Hacking und Overfitting: Die Flexibilität der modernen Ökonometrie kann Forscher dazu bringen, Spezifikationen auszuwählen, die ihre Priorisierung bestätigen. Die Vorregistrierung von Studien und die Replikation mit neuen Daten sind wesentliche Sicherheitsvorkehrungen. Historische Datensätze sind oft klein und nicht experimentell, so dass sie besonders anfällig für falsche Ergebnisse sind.
  • Nichtstationarität und strukturelle Brüche: Wirtschaftliche Zeitreihen ändern oft ihre zugrunde liegende Struktur nach Großereignissen. Standardtests können möglicherweise nicht das richtige Modell identifizieren, was zu falschen Ergebnissen führt. Unit Root Tests können beispielsweise eine permanente Verschiebung mit einer vorübergehenden Trendreihe verwechseln.
  • Ethische und interpretatorische Fallstricke: Die Verwendung historischer Daten, um politische Empfehlungen zu machen, birgt die Gefahr, menschliches Leid zu vereinfachen. Der quantitative Ökonom muss sich immer daran erinnern, dass hinter den Koeffizienten echte menschliche Verluste stecken - ob in Kriegen verlorene Leben, durch Hungersnöte zerstörte Lebensgrundlagen oder durch Politik vertriebene Gemeinschaften.

Eine gesunde Literatur erkennt diese Fallstricke an. Das Journal of Economic History und die jüngsten Ausgaben von Journal of Economic Literature veröffentlichen regelmäßig Rezensionen, die die Robustheit der Ergebnisse aus quantitativen historischen Studien kritisch bewerten. Die beste Forschung umfasst jetzt explizite ]Robustness-Berichte-Tabellen, die zeigen, wie sich Schätzungen unter verschiedenen Spezifikationen ändern, Ausreißer ausschließen und unterschiedliche Zeiträume.

Schlussfolgerung

Quantitative Methoden haben die Art und Weise, wie wir die wirtschaftlichen Auswirkungen historischer Ereignisse bewerten, grundlegend verändert. Vom Schwarzen Tod über den Zweiten Weltkrieg bis hin zu modernen Finanzkrisen, ermöglichen diese Techniken es Forschern, kausale Effekte zu isolieren, explizite Kontrafaktuale zu konstruieren und Unsicherheit zu quantifizieren. Datenherausforderungen bleiben gewaltig, aber die fortschreitende Digitalisierung und verbesserte ökonometrische Methoden treiben die Grenzen weiter. Die Synergie zwischen quantitativer Analyse und historischer Erzählung liefert Erkenntnisse, die weder allein noch allein möglich sind. Politische Entscheidungsträger, die sich heute mit Krisen befassen, täten gut daran, die Lehren zu beachten, die in Jahrhunderten quantitativer historischer Beweise enthalten sind - Lektionen über die Erholungspfade, die Bedeutung von Institutionen und den langen Schatten von disruptiven Ereignissen.

Das Feld der historischen Ökonomie ist nicht nur eine Frage der Vergangenheit: Es bietet eine strenge empirische Grundlage für das Verständnis der Gegenwart und die Gestaltung der Zukunft.