Dokumentation zum Konsensworkshop - sofia

Die für die wirtschaftliche Entwicklung von Regionen für maßgeblich gehaltenen
Kennziffern werden zunächst benannt (S. 55) und anschließend herangezogen.
Eine Begründung für die konkrete Auswahl erfolgt nicht, stattdessen wird ohne
Einschränkung postuliert: „Anhand dieser Kennziffern lässt sich Stärke, Struktur
und Wettbewerbsfähigkeit der Wirtschaft in den Untersuchungsregionen kennzeichnen“
(S. 55). Die in diesem Zusammenhang auf S. 63 gezogenen Schlussfolgerungen
halten einer kritischen Überprüfung nicht stand.
Die Eingangsgrößen für den Luftverkehrswertigkeitsindex werden dagegen ohne
nähere Begründung benannt (S. 89) und dann auf eine nicht nachvollziehbare Art
und Weise gewichtet. Die Gewichtung wird knapp kommentiert (S. 89 f.). Die
Diskussionswürdigkeit der gewählten Vorgehensweise wird im Text nicht erkennbar,
wesentliche Beziehungsrichtungen werden ohne überzeugenden Grund
behauptet. Das Postulat, das Umsteigeaufkommen eines Flughafen sei ausschlaggebend
für die Zahl der angeflogenen Destinationen (S. 92 ff.) erschließt sich dem
Leser nicht. Die angebotene Regressionsschätzung ist absolut unzureichend.
Die Interpretation der Regressionsergebnisse erfolgt ausnahmslos oberflächlich
und stellt sich z.T. als offensichtlich fehlerhaft dar. Es werden keine alternativen
Ansätze geschätzt, die ermittelten Ergebnisse werden nicht kritisch hinterfragt.
Sehr negativ fällt der unzulängliche Umgang mit den ökonometrischen Methoden
ins Gewicht Es werden sowohl Zeitreihen- als auch Querschnittmodelle ökonometrisch
untersucht:
In keinem Modell wird geprüft, ob die Variablen stationär sind, offensichtliche
Hinweise auf Nicht-Stationarität bzw. Autokorrelation werden weitgehend ignoriert
(vgl. z.B. S. 94, S. 102, S. 119).
Die häufig numerisch hohen Bestimmtheitsmaße beruhen offenkundig auf dem
Phänomen der spurious regression, z.B. S. 119, wo endogene und exogene Variablen
im Zeitablauf beinahe streng monoton steigend verlaufen und die Regressionsmethode
an ihre Grenzen stößt, d.h. keine sinnvollen Aussagen mehr zulässt.
Die Universität Bielefeld hat ein schönes Beispiel für das Phänomen der spurious regression
und seiner Konsequenzen ins Internet gestellt. 10 Wie im Gutachten G 19.2 „Baum“ werden
in diesem Beispiel zwei Datenreihen einer Regressionsanalyse unterzogen, die auf den
ersten Blick eng miteinander korreliert sind und eine hohe Abhängigkeit voneinander anzudeuten
scheinen. Dies wird auch – scheinbar – durch die Regressionsanalyse bestätigt: Die
Regression ergibt ein hohes Bestimmtheitsmaß von 97%, der Durbin Watson-
Testparameter hat sehr hohe Werte, die t-Statistiken zeigen hoch signifikante Parameter –
alles wie im Gutachten G 19.2 „Baum“ beim „Beweis“ des „Einflusses der bestehenden
Luftverkehrsanbindung einer Region auf die regionale Wirtschaftskraft“ (G 19.2 auf
S.113). Nur: die zu erklärende Variable ist der Konsum in Deutschland und die erklärende
Variable das BIP von Australien. Dass man mit der Regressionsmethode „beweisen“ kann,
dass der Konsum in Deutschland vom BIP in Australien abhängt, liegt am Phänomen der
spurious regression, das auftritt, wenn die betrachteten Zeitreihen nicht stationär sind. Die
Universität Bielefeld schreibt zusammenfassend: „In einer spurious regression sind die
Aussagen der klassischen Regression ungültig.“ In Bezug auf das Gutachten G 19.2 heißt
dies: für die nicht stationären Zeitreihen gilt diese Aussage analog. Das Gutachten ist in
Bezug auf diese Zeitreihen vollkommen hinfällig.
10 http://www.wiwi.uni-bielefeld.de/~frohn/Lehre/timeseries/Skript/Spurious%20Regression.ppt.
23