Direkt zum Hauptbereich

Klima-Politik-Wandel als stochastischer Prozess




Die Wahrscheinlichkeit, dass die USA ihre Ausgaben für Umweltschutz in einem der kommenden zehn Jahre verdoppeln, liegt bei 8 Prozent.

Wie sich das Klima in den kommenden Jahren verändern wird, hängt davon ab, wieviel Geld Staaten bereit sind, in den Klimaschutz zu investieren.
Aus der Policy-Forschung wissen wir, dass sich Staatsausgaben nicht linear entwickeln, sondern heftigen Schwankungen ausgesetzt sind. Bryan Jones, Frank Baumgartner u. a. beschreiben dies in ihrer Punctuated Equilibrium Theory und weisen empirisch nach, dass dies für alle Industriestaaten gilt.[1]
Aufbauend auf diesen Arbeiten ist es nun möglich, Haushaltsdaten mit Extremwertverteilungen zu analysieren. Dadurch können wir die Wahrscheinlichkeit für große Politikumbrüche in einzelnen Politikbereichen stochastisch ermitteln. Methodisch wird eine Gumbel-Verteilung mit maximum-likelihood-Verfahren geschätzt, aus der sich dann Wahrscheinlichkeitswerte ableiten lassen.
Im Bereich Klimaschutz sind die Ausgaben für Forschung und Wissenschaft, Energie und Umweltschutz relevant.
Betrachtet man die prozentualen Veränderungen des US-Haushalts in diesen Politikfeldern[2], so sieht man über längere Zeiträume heftige Schwankungen. Die Histogramme zeigen, dass die empirische Verteilung in etwa einer geschätzten Gumbel-Verteilung folgt.

Die Wahrscheinlichkeit, dass in einem der nächsten 10 Jahre die Ausgaben für Forschung und Wissenschaft um 100 Prozent oder mehr gesteigert werden, liegt bei 12 Prozent. Im Energiebereich kann mit 97 prozentiger Wahrscheinlichkeit von einer Erhöhung um 100 Prozent oder höher ausgegangen werden. Im Bereich Umweltschutz liegt die Wahrscheinlichkeit eines solchen Politikwechsels bei immerhin 8 Prozent. Allerdings sind drastische Haushaltskürzungen ebenfalls wahrscheinlicher als in der Regel angenommen.
Lassen sich diese Überlegungen in die Klimaforschung einbeziehen?

Und hier der R-Code:

budget <- read.csv("http://www.utexas.edu/cola/_webservices/policyagendas/budget/instances.csv?from=1945&to=2012")
science = subset(budget, TopicCode==250, select=c("Year", "pctChng"))
energy = subset(budget, TopicCode==270, select=c("Year", "pctChng"))
env = subset(budget, TopicCode==300, select=c("Year", "pctChng"))
par(mfrow=c(2,3))
plot(science, type="l", main="US-Budget Science")
plot(energy, type="l", main="US-Budget Energy")
plot(env, type="l", main="US-Budget Environment")

library(VGAM)
fit.science = vgam(science$pctChng~1, family="gumbel")
fit.energy = vgam(energy$pctChng~1, family="gumbel")
fit.env = vgam(env$pctChng~1, family="gumbel")

hist(science$pctChng, freq=F, xlab="", main="US-Budget Science")
curve(dgumbel(x, location = Coef(fit.science)[1], scale = Coef(fit.science)[2]), lty = 3,lwd=2, add=T)

hist(energy$pctChng, freq=F,main="US-Budget Energy", xlab="")
curve(dgumbel(x, location = Coef(fit.energy)[1], scale = Coef(fit.energy)[2]), lty = 3,lwd=2, add=T)

hist(env$pctChng, freq=F, main="US-Budget Environment", xlab="")
curve(dgumbel(x, location = Coef(fit.env)[1], scale = Coef(fit.env)[2]), lty = 3,lwd=2, add=T)

# Mit pgumbel lässt sich nun die Wahrscheinlichkeit ermitteln, dass die prozentuelle
# Veränderung in einem Jahr einen Wert von weniger als 100 einnimmt.
# Die Wahrscheinlichkeit, dass in 10 Jahren immer ein Wert von unter 100% erreicht wird,
# ist dann ^10. Die Gegenwahrscheinlichkeit gibt dann den Wert an, dass in einem
# der nächsten 10 Jahre eine Verdopllung (oder mehr) des Budgets erreicht wird.
1-pgumbel(100, location = Coef(fit.science)[1], scale = Coef(fit.science)[2])^10
1-pgumbel(100, location = Coef(fit.energy)[1], scale = Coef(fit.energy)[2])^10
1-pgumbel(100, location = Coef(fit.env)[1], scale = Coef(fit.env)[2])^10

 

[1] Siehe u. a.: Baumgartner, Frank und Bryan Jones. 2009. Agendas and Instability in American politics. Chicago: The University of Chicago Press; Jones, Bryan D., Baumgartner, Frank R. und James L. True. 1998. Policy Punctuations: U.S. Budget Authority, 1947-1995. Journal of Politics 60:1-33; Jones, Bryan D., Sulkin, Tracy und Heather A. Larsen. 2003. Policy Punctuations in American Political Institutions. American Political Science Review 97:151-169; Jones, Bryan D., Baumgartner, Frank R., Breunig, Christian, Wlezien, Christopher, Soroka, Stuart, Foucault, Martial, Francois, Abel, Green-Pedersen, Christoffer, Koski, Chris, John, Peter, Mortensen, Peter B., Varone, Frédéric und Stefaan Walgrave. 2009. A General Empirical Law of Public Budgets: A Comparative Analysis. American Journal of Political Science 53:855-873.
[2] Die Daten stammen von dem Policy Agendas Project (http://www.policyagendas.org).
Labels:

Kommentare

Kommentar veröffentlichen

Beliebte Posts aus diesem Blog

Deep-Dive Impfeffektivität: Eine kritische Datenanalyse der RKI-Berechnungen / Teil 1: Die Methode

Die Einschätzung, wie effektiv die COVID-Impfung ist, ist eine der politisch relevantesten Kennzahlen derzeit. Insbesondere für die Einschätzungen der Angemessenheit einr Impfpflicht ist diese Zahl extrem wichtig. In der Vergangenheit hat sich immer wieder gezeigt, dass die Berechnungen des RKI nicht in jeder Hinsicht eindeutig sind, sondern auf vielen Annahmen beruhen, die man auch kritisch hinterfragen kann und muss. Für die politische Datenwissenschaft ist es daher essenziell, diese Berechnungen nachvollziehbar zu machen. In diesem Beitrag wird das methodische Vorgehen des RKI zur Berechnung der Impfeffektivität analysiert. Die Informationen dazu entstammen den RKI-Wochenberichten .  In einem zweiten Teil habe ich die konkreten Berechnungen des RKI so weit wie möglich rekonstruiert und kann daher zeigen, wie stark die Ergebnisse schwanken, wenn Annahmen leicht verändert werden. Meine Erkenntnisse aus der folgenden Analyse: Das RKI verwendet zur Berechnung der Impfeffektivität di...
Mehr anzeigen

#RTutorial: Using R to Harvest the Twitter STREAM API

Initializing the Twitter API In this tutorial, the so called STREAMING-API from Twitter is used. This API provides real-time access to Twitter, so the results are dependent from what is actually going on, right now. Before we start, we have to initialize the Twitter-API. To use the Twitter API, a consumer key and consumer secret is required. Therefore, you have to register as a developer who is creating a Twitter app. Create a Twitter account and then sign in at https://apps.twitter.com/. The account has to be verified with a phone number. This can be done on the Twitter webpage in the account settings. Fill in name, description and any valid URL with leading “http://”. It is important NOT to provide any call-back URL, because otherwise the registration from R will not function. After this, you can see a summary of your newly created app with a link to “manage keys and access tokens”. The consumer key and consumer secret that can be found there have to be copied into the following R-...
19 Kommentare
Mehr anzeigen

Zwischen #AfDErfolg und Medienberichten gibt es einen kausalen Effekt - und der lässt sich berechnen

BuzzFeed Deutschland  hat Daten zusammengetragen, mit denen sich der Einfluss der Medien auf die Umfragewerte der AfD berechnen lässt. Wir zeigen, dass es einen statistischen Kausalzusammenhang zwischen der Häufigkeit der Berichte über die AfD und ihren Umfragewerten gibt. Hierfür verwenden wir Granger-Causality-Analyse. Das Ergebnis ist, dass vier bis fünf Wochen, nachdem vermehrt über die AfD berichtet wurde auch die Umfragewerte signifikant steigen. Was ist in den Daten Die Daten enthalten vor allem eine Zeitreihe mit wöchentlichen Aktivitäten zur Suche „AfD“ bei Google News (über Google Trends bezogen) und die Umfrageergebnisse der Afd in den Umfragen der Institute EMNID, Forschungsgruppe Wahlen, GMS, Infratest dimap, Forsa, INSA/YouGov und Allensbach. Aus diesen Werten haben wir einen wöchentlichen Durchschnitt gebildet. AfD-Umfragen/Google News, absolut Die absoluten Werte geben erst einmal keinen Aufschluss über einen Zusammenhang. Die Analyse Zeitreihen h...
3 Kommentare
Mehr anzeigen