Erweiterung des Basismodells I: Nutzung der Panelstruktur der Daten

Nutzung der Panelstruktur der Daten

Das Basismodell modelliert den Zusammenhang zwi-schen den ESIF-Förderintensitäten und der Verände-rung der Outcome-Variablen zwischen 2000 und 2017 im Querschnitt. Derartige Regressionsanalysen kön-nen zwar die Existenz und Signifikanz eines solchen Zusammenhangs belegen, lassen aber kaum Rück-schlüsse auf die Kausalität des gefundenen Zusam-menhangs zu. Gemäß der Literatur zur mikroökono-metrischen Wirkungsanalyse (etwa Angrist – Pischke, 2008) wäre zur eindeutigen Identifikation eines kau-salen Zusammenhangs ein natürliches Experiment nötig, in dem eine zufällige Auswahl von Regionen

ei-Übersicht 7.9: Wachstumsmodell für die (modifizierten) Arbeitsmarktbezirke, gesamter Wirkungszeitraum

Wachstum Arbeitslosigkeit Arbeitsort 1995–2017 (1) (2) (3) (4) OLS OLS OLS OLS

ln(Förderintensität ESI EU 1995–2017) –0,004 –0,019*

(0,010) (0,010) ln(Förderintensität ESI EU + national 1995–2017) –0,006 –0,019*

(0,011) (0,010) Arbeitslosenquote Arbeitsort –0,383* –0,504*** –0,387* –0,511***

(0,204) (0,186) (0,203) (0,189) ln(Beschäftigung) –0,028 –0,039* –0,029 –0,039*

(0,024) (0,023) (0,024) (0,022) ln(Bevölkerung) 0,023 0,039 0,025 0,039*

(0,024) (0,023) (0,024) (0,023) Bevölkerungsanteil im erwerbsfähigen Alter –0,004 –0,005 –0,004 –0,005 (0,006) (0,005) (0,006) (0,005) Beschäftigtenanteil im Sekundärsektor (im Vgl. –0,010** –0,009*** –0,010** –0,009***

zu jenem im Agrarsektor) (0,004) (0,003) (0,004) (0,003) Beschäftigtenanteil im Tertiärsektor (im Vgl. –0,009** –0,009*** –0,009** –0,009***

zu jenem im Agrarsektor) (0,004) (0,003) (0,004) (0,003) ln(Bevölkerungsdichte) 0,018** 0,009 0,017* 0,009 (0,008) (0,009) (0,009) (0,010) RURAL 0,019 0,039** 0,019 0,039**

(0,014) (0,018) (0,014) (0,017) Bundesländerfixe Effekte Nein Ja Nein Ja Beobachtungen 81 81 81 81 Adjustiertes R² 0,237 0,517 0,238 0,513

Q: Arbeitsmarktdatenbank, Statistik Austria, WIFO-Berechnungen. Heteroskedastizität-robuste Standardfehler in Klammern. *** . . . p < 0,01, ** . . . p < 005, * . . . p < 0,10. Die Kontrollvariablen werden im Startjahr der untersuchten Periode gemessen.

ne Förderung erhält, und die anschließende Entwick-lung dieser geförderten Regionen mit jener von nicht geförderten, aber sonst gänzlich identischen Regio-nen (als Kontrollgruppe) verglichen wird. Die

Bedin-gungen für ein solches natürliches Experiment liegen in der Praxis naturgemäß nicht vor. Auch eine Annä-herung eines solchen Experiments mittels eines Ver-gleichs der unterstützten Regionen mit – vor der

Un-WIRKUNGEN DER AUSZAHLUNGEN EUROPÄISCHER FONDS AUF KLEINRÄUMIGER EBENE KAP. 7

Übersicht 7.10: Wachstumsmodell für die (modifizierten) Arbeitsmarktbezirke, gesamter Wirkungszeitraum, nach Fonds und Maßnahmenlinien

Wachstum Arbeitslosigkeit Arbeitsort 1995–2017 (1) (2) OLS OLS

ln(Förderintensität EFRE EU 1995–2017) –0,001 0,000 (0,005) (0,004) ln(Förderintensität ESF EU 1995–2017) 0,000 –0,004 (0,005) (0,005) ln(Förderintensität ELER EU 1995–2017) –0,014 –0,025**

(0,013) (0,011) ln(Förderintensität EMFF EU 1995–2017) –0,000 –0,001 (0,002) (0,003) Adjustiertes R² 0,221 0,531 ln(Förderintensität EFRE EU + national 1995–2017) –0,003 0,001 (0,005) (0,004) ln(Förderintensität ESF EU + national 1995–2017) 0,001 –0,004 (0,004) (0,005) ln(Förderintensität ELER EU + national 1995–2017) –0,017 –0,025**

(0,013) (0,011) ln(Förderintensität EMFF EU + national 1995–2017) 0,000 –0,001 (0,002) (0,003) Adjustiertes R² 0,229 0,533 ln(Förderintensität Prod. Umfeld EU 1995–2017) –0,022** –0,014 (0,009) (0,008) ln(Förderintensität Humanress. EU 1995–2017) –0,002 –0,001 (0,004) (0,004) ln(Förderintensität Infrastruktur EU 1995–2017) 0,016*** 0,011**

(0,006) (0,006) ln(Förderintensität Umwelt & Energie EU 1995–2017) 0,009 –0,003 (0,010) (0,012) ln(Förderintensität Technische Hilfe EU 1995–2017) –0,013 –0,012 (0,009) (0,007) Adjustiertes R² 0,400 0,574 ln(Förderintensität Produktives Umfeld EU + national 1995–2017) –0,023*** –0,014 (0,008) (0,009) ln(Förderintensität Humanressourcen EU + national 1995–2017) –0,002 –0,001 (0,004) (0,004) ln(Förderintensität Infrastruktur EU + national 1995–2017) 0,015** 0,010*

(0,006) (0,006) ln(Förderintensität Umwelt & Energie EU + national 1995–2017) 0,009 –0,002 (0,010) (0,012) ln(Förderintensität Technische Hilfe EU + national 1995–2017) –0,010 –0,010 (0,009) (0,007) Adjustiertes R² 0,415 0,568 Bundesländerfixe Effekte Nein Ja Beobachtungen 81 81

Q: Arbeitsmarktdatenbank, Statistik Austria, WIFO–Berechnungen. Heteroskedastizität–robuste Standardfehler in Klammern. *** . . . p < 0,01,

** . . . p < 005, * . . . p < 0,10. Die Kontrollvariablen werden im Startjahr der untersuchten Periode gemessen.

terstützung – möglichst ähnlichen Regionen ohne fi-nanziellen Zuschuss im Rahmen eines (binären) Mat-ching-Ansatzes ist in unserem Fall nicht möglich, weil kein einziger (modifizierter) Arbeitsmarktbezirk in Österreich im Beobachtungszeitraum keinerlei För-derung der europäischen Fonds erhalten hat.⁸⁷ Daher müssen neben der Förderhöhe in der Schätzung möglichst viele (im Idealfall alle) Merkmale der Regi-on bzw. ihrer Akteure berücksichtigt werden, welche die Entwicklung der Outcome-Variablen ebenfalls

beeinflussen könnten. Gelingt eine vollständige Kon-trolle für diese (übrigen) Einflussfaktoren, kann der Wirkungszusammenhang zwischen EU-Förderungen und regionaler Entwicklung isoliert werden.

Dieser Ansatz, der schon dem Basismodell zugrunde liegt, wird nun erweitert, indem wir die Jahr-zu-Jahr-Variation der untersuchten Variablen berücksichti-gen. Potenziell verzerrende Einflüsse auf den ge-schätzten Wirkungskoeffizienten der Förderungen

Übersicht 7.11: Wachstumsmodell für die Gemeinden, 2000–2016

Beschäftigungswachstum 2000–2016 (1) (2) (3) (4) (5) (6) OLS OLS OLS OLS OLS OLS

ln(Förderintensität ESI EU 2000–2016) 0,087*** 0,096*** 0,077***

(0,009) (0,010) (0,015) RURAL x ln(Förderintensität ESI EU/ 0,028* 0,029*

EU + national 2000–2016) (0,017) (0,017) ln(Förderintensität ESI EU + national 0,084*** 0,093*** 0,074***

2000–2016) (0,009) (0,010) (0,015) ln(Beschäftigung) –0,266*** –0,279*** –0,283*** –0,264*** –0,277*** –0,281***

(0,017) (0,017) (0,017) (0,016) (0,017) (0,017) ln(Kommunalsteuer) –0,004 –0,005 –0,005 –0,005 –0,005 –0,005 (0,006) (0,006) (0,006) (0,006) (0,006) (0,006) ln(Bevölkerung) 0,266*** 0,284*** 0,288*** 0,263*** 0,282*** 0,285***

(0,019) (0,020) (0,020) (0,019) (0,020) (0,020) Bevölkerungsanteil im erwerbsfähigen 0,009*** 0,006** 0,006** 0,009*** 0,006** 0,006**

Alter (0,003) (0,003) (0,003) (0,003) (0,003) (0,003) Beschäftigtenanteil im Sekundärsektor 0,007*** 0,007*** 0,008*** 0,007*** 0,007*** 0,008***

(im Vgl. zu jenem im Agrarsektor) (0,001) (0,001) (0,001) (0,001) (0,001) (0,001) Beschäftigtenanteil im Tertiärsektor 0,005*** 0,006*** 0,006*** 0,005*** 0,006*** 0,006***

(im Vgl. zu jenem im Agrarsektor) (0,001) (0,001) (0,001) (0,001) (0,001) (0,001) Beschäftigtenanteil mit max. Pflicht- –0,019*** –0,016*** –0,016*** –0,019*** –0,016*** –0,016***

schule (im Vgl. zu Universitätsabschluss) (0,002) (0,002) (0,003) (0,002) (0,002) (0,003) Beschäftigtenanteil mit max. Lehre od. –0,020*** –0,017*** –0,017*** –0,020*** –0,017*** –0,016***

BMS (im Vgl. zu Universitätsabschluss) (0,002) (0,003) (0,003) (0,002) (0,003) (0,003) Beschäftigtenanteil mit max. Matura –0,018*** –0,012*** –0,012*** –0,018*** –0,012*** –0,011***

(im Vgl. zu Universitätsabschluss) (0,003) (0,003) (0,003) (0,003) (0,003) (0,003) ln(Bevölkerungsdichte) 0,048*** 0,043*** 0,043*** 0,048*** 0,042*** 0,043***

(0,009) (0,010) (0,010) (0,009) (0,010) (0,010) RURAL –0,053*** –0,070*** –0,260** –0,052*** –0,069*** –0,279**

(0,020) (0,020) (0,114) (0,020) (0,020) (0,126) Bundesländerfixe Effekte Ja Nein Nein Ja Nein Nein NUTS-3-fixe Effekte Nein Ja Ja Nein Ja Ja Beobachtungen 2.100 2.100 2.100 2.100 2.100 2.100 Adjustiertes R² 0,276 0,299 0,299 0,274 0,296 0,297

Q: Arbeitsmarktdatenbank, Statistik Austria, WIFO-Berechnungen. Heteroskedastizität-robuste Standardfehler in Klammern. *** . . . p < 0,01,

** . . . p < 005, * . . . p < 0,10. Die Kontrollvariablen werden im Startjahr der untersuchten Periode gemessen. Das Schätzmodell enthält eine Dummy -variable, die die Nicht-Förderung aus dem EFRE, ELER bzw. EMFF abbildet.

87 Auf der Ebene der individuellen Förderempfänger, zu denen nicht zuletzt (vor allem kleine und mittlere) Unternehmen zählen, wäre ei-ne Analyse der Effekte auf die Entwicklung der geförderten Unterei-nehmen (bzw. Arbeitei-nehmerInei-nen) eiei-ne interessante weitere For-schungsfrage. Dazu wären aber weiterführende Individualdaten nicht nur zu den geförderten, sondern auch zu (möglichst ähnlichen) den nicht geförderten Unternehmen erforderlich. Im Idealfall wären zudem nähere Informationen zu anderen Förderungen notwen-dig, die Förderempfänger wie Kontrollgruppe aus anderen (etwa nationalen oder regionalen Quellen) bezogen haben.

können so aufgefangen werden. Dies sollte eine Überprüfung der im Basismodell gefundenen Ergeb-nisse zulassen.

Um für die Einflüsse auch (zeitinvarianter) unbeo -bachteter Faktoren zu kontrollieren, die das regionale Wachstum beeinflussen (können), nutzen wir also die

Panelstruktur der Daten und damit die Entwicklung aller Variablen über die Jahre innerhalb des Wir-kungszeitraums. Für die Schätzung wird hier nicht nur das Wachstum der zu erklärenden Outcome-Va-riablen (Beschäftigung, Kommunalsteueraufkom-men, Arbeitslosenquote) zwischen den Jahren 2000 (bzw. 1991) und 2017 herangezogen, sondern die

Ver-WIRKUNGEN DER AUSZAHLUNGEN EUROPÄISCHER FONDS AUF KLEINRÄUMIGER EBENE KAP. 7

Übersicht 7.12: Wachstumsmodell für die Gemeinden, 2000–2016, nach Fonds und Maßnahmenlinien

Beschäftigungswachstum 2000–2016 (1) (2) OLS OLS

ln(Förderintensität EFRE EU 2000–2016) 0,016*** 0,020***

(0,003) (0,003) ln(Förderintensität ELER EU 2000–2016) 0,059*** 0,064***

(0,009) (0,010) ln(Förderintensität EMFF EU 2000–2016) –0,001 –0,001 (0,007) (0,007) Adjustiertes R² 0,268 0,292 ln(Förderintensität EFRE EU + national 2000–2016) 0,016*** 0,020***

(0,003) (0,003) ln(Förderintensität ELER EU + national 2000–2016) 0,059*** 0,064***

(0,009) (0,010) ln(Förderintensität EMFF EU + national 2000–2016) 0,001 0,001 (0,007) (0,007) Adjustiertes R² 0,267 0,291 ln(Förderintensität Prod. Umfeld EU 2000–2016) 0,037*** 0,040***

(0,008) (0,008) ln(Förderintensität Humanres. EU 2000–2016) –0,001 0,005 (0,008) (0,008) ln(Förderintensität Infrastruktur EU 2000–2016) –0,003 0,001 (0,004) (0,004) ln(Förderintensität Umwelt & Energie EU 2000–2016) 0,035*** 0,037***

(0,009) (0,010) ln(Förderintensität Technische Hilfe EU 2000–2016) 0,005 0,004 (0,004) (0,004) Adjustiertes R² 0,271 0,290 ln(Förderintensität Produktives Umfeld EU + national 2000–2016) 0,036*** 0,039***

(0,008) (0,009) ln(Förderintensität Humanressourcen EU + national 2000–2016) –0,001 0,005 (0,008) (0,008) ln(Förderintensität Infrastruktur EU + national 2000–2016) –0,002 0,001 (0,004) (0,004) ln(Förderintensität Umwelt & Energie EU + national 2000–2016) 0,034*** 0,036***

(0,009) (0,010) ln(Förderintensität Technische Hilfe EU + national 2000–2016) 0,005 0,004 (0,004) (0,004) Adjustiertes R² 0,269 0,288 Bundesländerfixe Effekte Ja Nein NUTS-3-fixe Effekte Nein Ja Beobachtungen 2.100 2.100

Q: Arbeitsmarktdatenbank, Statistik Austria, WIFO–Berechnungen. Heteroskedastizität–robuste Standardfehler in Klammern. *** . . . p < 0,01,

**. . . p < 005, * . . . p < 0,10. Die Kontrollvariablen werden im Startjahr der untersuchten Periode gemessen. Das Schätzmodell enthält eine Dummy- variable, die die Nicht-Förderung aus dem EFRE, ELER bzw. EMFF abbildet.

änderungen der Kontrollvariablen und der

Entwick-88 Zwischen 1991 und 2000 fehlen jährlichen Daten zu den Kontrollvariablen. Darüber hinaus enthält die Förderdatenbank keine voll-ständigen Informationen zu den Auszahlungen des ESF in der Förderperiode 1995–1999.

89 Da die zeitliche Struktur der Förderungen, die zu Beginn der jeweiligen Förderperioden vergleichsweise geringe Auszahlungen und oft-mals noch relativ hohe Auszahlungen nach Ende der Periode aufweist, in der „Fixed Effects“-Schätzung nicht explizit berücksichtigt wird, könnte es sein, dass damit verbundene Wirkungen durch diesen Schätzansatz nicht aufgefangen werden können.

90 Ein Beispiel dafür könnte etwa das „innovative Milieu“ sein, also etwa die Bereitschaft bzw. Motivation der ökonomischen Akteure, ihre Produktivität zu verbessern. Auch Netzwerk- bzw. Lerneffekte könnten hier eine Rolle spielen.