Werkzeuge und ökonometrische Hinweise

• Administrativ

  • Selbstklassifizierung

  • klare Grenzen

  • typisch in Analysen von Gesetzen, die mit Stadtgrenzen übereinstimmen

• morphologisch

  • kontinuierlich verbaute Fläche

  • aus Satellitenbildern gebaut (Landsat, Nachtlichter)

• funktional

  • Metropolregion, Pendlerzone

  • Versucht einen Arbeitsmarkt zu fangen

  • Aus Subeinheiten aggregiert

• Modelle von Salopp, Hotelling

  • Erstaunlich komplex

• Handelstheorie

• Überschneidungen mit Industrieökonomie

Diese Probleme sind gravierender, wenn

• Es wenige Flächen gibt

• Flächenform und Größe endogen sind

• Es wenig Variation in den Studienobjekten gibt (wenige Firmen in einem Land)

Schachbrett Zugang löst das Problem, wenn die Daten es erlauben. Kontinuierliche Datenquellen (Licht, GRUMP) können mit Rastern gemeinsam verwendet werden.

• Vergleichbar über Industrien

• Vergleichbar über die Zeit

• Unabhängig von anderen Agglomerationstendenzen (Kalifornien ist größer als Montana)

• Unabhängig von Industrie-interner Agglomeration (75 Prozent der Staubsauger in den USA werden in 4 Fabriken hergestellt, diese Asymmetrie ist nicht das gleiche wie Agglomeration.)

• Skaleninvariant

• Test für statistische Signifikanz

• Berechenbar

• Konsistent mit ökonomischer Theorie

• EG arbeitet mit aggregierten Daten (Flächen). Daten mit größerer Auflösung erlauben genauere Maße.

• Besonders für Analyse innerhalb einer Stadt wichtig.

• Maß anhand von paarweiser Distanz anstatt aggregierter Punkte

• Vergleich von paarweisen Distanzen von Firmen einer Industrie mit zufälligen Distanzen zwischen Firmen aller Industrien.

• Vergleichbar für verschiedene Industrien

• Unabhängig von allgemeiner Konzentration (Alle Firmen sind eher in Frankfurt als Heidelberg weil Frankfurt größer ist).

• Unabhängig von Industriekonzentration (Hier: mechanisch vergleichbare Kontrollgruppe)

• Skaleninvariant

• Signifikanztest

Ellison Glaeser konsistent mit den ersten drei, aber nicht den letzten zwei Eigenschaften.

• Gamma und Psi sind die Flächen über und unter den Konfidenzintervallen, für Distanzen geringer als Median.

• Ein paar willkürliche Annahmen und Parameter

  • Warum Mediandistanz?

  • Wie viele Simulationen?

• Konzeptuelles Problem: Was wenn es zwei separate Zentren gibt? Forscher brauchen präzise Definition von was konzentriert bedeutet.

• Unter Median sind alle Distanzen gleich wertvoll (Büro nebenan zählt gleich wie Büro 100 Meter entfernt)

• Rechenintensiv

• Schwierig, aber ein erfolgreicher Weg zu guten Publikationen

• Gute neue Daten führen oft zu wichtigen Ergebnissen

• Beispiel: Harari und Wong (2020): 28000 google street view Fotos um Gebäudehöhe in Jakarta zu messen

• Measuring Economic Growth from Outer Space (Henderson, Storeygard, Weil, 2012) (sehr einflussreich als Datenquelle)

• Nachtlichter um BIP zu messen

• Unabhängig von Ländergrenzen

• Erlaubt hohe Auflösung innerhalb von Ländern (interessant für Wirtschaftsgeografen)

• Einheitliche Datenquelle

Standardquelle für nationale Daten (inklusive BIP): Penn World Tables. Einige Probleme:

• Standardfehler für Subsahara Afrika ist zwischen 20 – 30 Prozent

• PWT revidiert Zahlen substantiell. Unter den 10 am schnellsten wachsenden Ländern zwischen Versionen 6.1 und 6.2 sind nur etwa 5 aus beiden Listen.

• Einige „stilisierte Fakten“, wie etwa die Beziehung zwischen Volatilität und niedrigem BIP könnte nur durch Datenfehler zu erklären sein (Dawson et al 2001)

• Ein paar Länder fehlen (etwa Myanmar)

• Offizielle Alternativen wie IWF oder Weltbank verwenden offizielle Zahlen und ignorieren den oft sehr großen informellen Sektor

  • Beispiel: BIP Wachstum vom IWF gemessen durch Stromverbrauch kann um Faktor 10 größer sein als offizielles Wachstum.

• US Air Force Defense Meterological Satellite Program fotografiert den gesamten Planeten täglich, zwischen 8:30 und 10 Uhr Lokalzeit. Licht ist die Hauptvariable.

• Verfügbare Daten messen Jahresdurchschnitt, rechnen Wolken und Waldbrände raus. (denn: kurzfristige Schwankungen sind „Probleme“)

• Raster ist 30 arc-Sekunden (0.86 Quadratkilometer) mit Indikator für Intensität zwischen 0 und 63.

  • Top coding Problem, in den USA sind 0.6 pct der Lichter bei 63.

  • In neueren Versionen gelöst.

• Blendung (Nachbarzellen werden heller)

• Jahre 1992 bis 2008.

Wurde verwendet zum Beispiel für

• Effekte von Fluten und Erdbeben,

• Urbanisierung in Afrika (Geschwindigkeit und Ausmaß),

• Evaluierung von Hilfsprogrammen,

• Nachverfolgung von Epidemien,

• Migrationsbewegungen nach Krisen.

GRUMP: Global Rural-Urban Mapping Project, NASA und Columbia University Projekt dass globale Bevölkerung in einem Raster darstellt.

Sich entwickelnde Technologie

• Viel höhere Resolution als bei Nachtlicht

• Mehr Information (Farben, Winkelaufnahmen)

• Anwendungsfeld für neue KI Technologien (?)

Von großer Bedeutung aber schwer zu finden

• Residuum als Maß (Solow Residuum)

• Preis als Proxy

• Größe als Proxy

• Produktion pro Kopf als Proxy

Ein paar Papiere in letzter Zeit haben verwendet:

• Mobilfunkdaten zur Position von Menschen

• Oyster Karten zur UBahn in London

• Facebook Daten

• Google Suchen / Online Reviews

• Bibliothekskarten

Miyauchi, Nakajima und Redding (2021) working paper, `Consumption Access and Agglomeration: Evidence from Smartphone data'

• Smartphone Daten die Position in Tokio alle 5 Minuten messen

• Fakten zu Mobilität in Städten

  • Nicht arbeitsrelevante Trips sind häufig

  • Lokaler als Pendeln zur Arbeit o Häufige Trip-Ketten

• Mit Hilfe eines quantitativen Modells schließt die Studie:

  • Pendelmodell alleine ist irreführend

  • Konsum ist auch wichtig um Landpreisvariation zu erklären

  • Wohlfahrtsgewinne von Transportinvestitionen wird unterschätzt, wenn Konsum ignoriert wird

  • Muster in Reisetätigkeit auch falsch, wenn Konsum ignoriert wird

• Japanische Kartenapp (Dokomo Chizu NAVI)

• Bestimmt Position durch GPS alle 5 Minuten, unabhängig davon ob die App offen ist oder nicht

• `Aufenthalt' ist keine Bewegung innerhalb von 100 Metern für 15 Minuten

• 1.4 Milliarden Datenpunkte zu 545,000 Benutzern alleine im Juli 2019

• Zensusdaten um Orte zu klassifizieren

• Reiches quantitatives Modell wird hier übergangen

• Implikation: Konsum ist wichtig für Agglomeration

  • Schwer nachzuweisen wegen Datenproblemen

• Quantifizierung wichtig

• Autokorrelation von Standardfehlern in geografischen Schätzungen

• Lösung: Conley Standardfehler oder Conley, Bester, Hanson (2002) Raster

• Morgan Kelly (2019): Simulationen zeigen, dass falsche Signifikanz in geografischen Daten leicht zu erzeugen ist

• Viele Papiere könnten falsche Positive beinhalten. (Er ersetzt die wichtigste Erklärende oder Erklärte Variable mit geografischem Geräusch und zeigt, dass die t-Statistiken hoch bleiben)

• Mehr Ökonometrische Arbeit ist hier nötig