{"title":"Interview mit Stefan Mittnik","authors":"Walter Krämer","doi":"10.1007/s11943-023-00316-y","DOIUrl":"10.1007/s11943-023-00316-y","url":null,"abstract":"","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"17 1","pages":"101 - 107"},"PeriodicalIF":0.0,"publicationDate":"2023-03-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://link.springer.com/content/pdf/10.1007/s11943-023-00316-y.pdf","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50465925","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"OA","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Emissionswirkungen der 2021 reformierten Kfz-Steuer: Eine empirische Analyse","authors":"Joschka Flintz, Manuel Frondel, Marco Horvath","doi":"10.1007/s11943-022-00310-w","DOIUrl":"10.1007/s11943-022-00310-w","url":null,"abstract":"<div><h2>Zusammenfassung</h2><div><p>Im Jahr 2021 wurde die emissionsabhängige Komponente der Kfz-Steuer angepasst und progressiv gestaltet, sodass sich die Steuerbelastung für Fahrzeuge mit hoher Emissionsintensität überproportional erhöht hat. Vor diesem Hintergrund analysiert dieser Beitrag die Effektivität der reformierten Kfz-Steuer in Bezug auf ihre Lenkungswirkung und ihr Einsparpotential an Kohlendioxid (CO<sub>2</sub>) mit Hilfe des Nachfragemodells von Berry et al. (1995). Dieses Modell ermöglicht eine realitätsnähere Darstellung der Nachfrageseite als Conditional- oder Nested-Logit-Modelle. Unsere Schätzergebnisse zeigen, dass infolge der Reform jährlich ungefähr 21.000 Autos weniger verkauft werden dürften, die mittlere CO<sub>2</sub>-Intensität sich um 0,74 g/km verringert und der jährliche CO<sub>2</sub>-Ausstoß neu gekaufter Fahrzeuge um rund 60.000 t sinken könnte. Diese geringen Effekte sind intuitiv verständlich: Eine durchschnittliche Steuererhöhung von rund 11 € pro Jahr entfaltet nicht die Lenkungswirkung, derer es bedarf, um die Emissionen substanziell zu senken. Unsere Simulationsergebnisse einer fiktiven Kfz-Besteuerung mit stärker progressiven Steuersätzen, die eine mittlere Steuererhöhung von ca. 90 € zur Folge hätte, zeigen: Dies würde deutlich stärkere Effekte haben und die durchschnittlichen spezifischen CO<sub>2</sub>-Emissionen neuer Autos um gut 5 g/km senken sowie die Anzahl an Neuzulassungen um rund 195.000 Pkw. Dadurch könnten jährlich rund 450.000 t CO<sub>2</sub> eingespart werden. Verglichen mit den jährlichen Emissionen der Autoflotte in Deutschland von ca. 100 Mio. Tonnen wären aber selbst die Effekte der fiktiven Kfz-Besteuerung mit höheren Steuersätzen recht begrenzt.</p></div></div>","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"16 3-4","pages":"255 - 276"},"PeriodicalIF":0.0,"publicationDate":"2022-11-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://link.springer.com/content/pdf/10.1007/s11943-022-00310-w.pdf","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50503128","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"OA","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Grenzen und Fortschritte indikatorengestützter Politik am Beispiel der Corona-Pandemie","authors":"Gert G. Wagner","doi":"10.1007/s11943-022-00314-6","DOIUrl":"10.1007/s11943-022-00314-6","url":null,"abstract":"<div><h2>Zusammenfassung</h2><div><p>Indikatoren sollen der Steuerung von (sozialen) Prozessen dienen. Sie beschreiben jedoch die Realität in der Regel nur deskriptiv und unvermeidlich mit mehr oder weniger großen und systematischen Messfehlern behaftet. Insofern ist es im Allgemeinen alles andere als einfach mit Hilfe von Indikatoren zu steuern; insbesondere dann, wenn für Problembereiche (fehlerbehaftete) Zielwerte vorgegeben werden, für deren Erreichung die Indikatoren keine kausalen Pfade aufzeigen. Am Beispiel der Corona-Pandemie werden statistisch-methodische Probleme von (sozialen) Indikatoren aufgezeigt und auf ein zentrales Defizit der vorhandenen bzw. rasch entwickelten Pandemie-Indikatoren hingewiesen: fehlende Indikatoren für Instrumente der Risikokommunikation. Als eine positive Nebenwirkung der Pandemie wird die verbesserte „statistical literacy“ hervorgehoben und diskutiert.</p></div></div>","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"16 3-4","pages":"171 - 187"},"PeriodicalIF":0.0,"publicationDate":"2022-11-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://link.springer.com/content/pdf/10.1007/s11943-022-00314-6.pdf","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50503127","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"OA","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Interview mit Gerhard Arminger","authors":"Walter Krämer","doi":"10.1007/s11943-022-00313-7","DOIUrl":"10.1007/s11943-022-00313-7","url":null,"abstract":"","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"16 3-4","pages":"287 - 294"},"PeriodicalIF":0.0,"publicationDate":"2022-11-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50484581","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Small area estimation of health insurance coverage for Kenyan counties","authors":"Noah Cheruiyot Mutai","doi":"10.1007/s11943-022-00312-8","DOIUrl":"10.1007/s11943-022-00312-8","url":null,"abstract":"<div><p>Health insurance is important in disease management, access to quality health care and attaining Universal Health Care. National and regional data on health insurance coverage needed for policy making is mostly obtained from household surveys; however, estimates at lower administrative units like at the county level in Kenya are highly variable due to small sample sizes. Small area estimation combines survey and census data using a model to increases the effective sample size and therefore provides more precise estimates. In this study we estimate the health insurance coverage for Kenyan counties using a binary M‑quantile small area model for women <span>((n=14{,}730))</span> and men <span>((n=12{,}007))</span> aged 15 to 49 years old. This has the advantage that we avoid specifying the distribution of the random effects and distributional robustness is automatically achieved. The response variable is derived from the Kenya Demographic and Health Survey 2014 and auxiliary data from the Kenya Population and Housing Census 2009. We estimate the mean squared error using an analytical approach based on Taylor series linearization. The national direct health insurance coverage estimates are <span>(18%)</span> and <span>(21%)</span> for women and men respectively. With the current health insurance schemes, coverage remains low across the 47 counties. These county-level estimates are helpful in formulating decentralized policies and funding models.</p></div>","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"16 3-4","pages":"231 - 254"},"PeriodicalIF":0.0,"publicationDate":"2022-11-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://link.springer.com/content/pdf/10.1007/s11943-022-00312-8.pdf","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50481758","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"OA","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Causality in statistics and data science education","authors":"Kevin Cummiskey, Karsten Lübke","doi":"10.1007/s11943-022-00311-9","DOIUrl":"10.1007/s11943-022-00311-9","url":null,"abstract":"<div><p>Statisticians and data scientists transform raw data into understanding and insight. Ideally, these insights empower people to act and make better decisions. However, data is often misleading especially when trying to draw conclusions about causality (for example, Simpson’s paradox). Therefore, developing causal thinking in undergraduate statistics and data science programs is important. However, there is very little guidance in the education literature about what topics and learning outcomes, specific to causality, are most important. In this paper, we propose a causality curriculum for undergraduate statistics and data science programs. Students should be able to think causally, which is defined as a broad pattern of thinking that enables individuals to appropriately assess claims of causality based upon statistical evidence. They should understand how the data generating process affects their conclusions and how to incorporate knowledge from subject matter experts in areas of application. Important topics in causality for the undergraduate curriculum include the potential outcomes framework and counterfactuals, measures of association versus causal effects, confounding, causal diagrams, and methods for estimating causal effects.</p></div>","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"16 3-4","pages":"277 - 286"},"PeriodicalIF":0.0,"publicationDate":"2022-11-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://link.springer.com/content/pdf/10.1007/s11943-022-00311-9.pdf","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50466732","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"OA","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Stille Reserve in Deutschland: Gemeinsamkeiten und Unterschiede zweier Konzepte","authors":"Martina Rengers, Johann Fuchs","doi":"10.1007/s11943-022-00309-3","DOIUrl":"10.1007/s11943-022-00309-3","url":null,"abstract":"<div><h2>Zusammenfassung</h2><div><p>Die Stille Reserve ist eine bedeutende Größe in der Arbeitsmarktberichterstattung, die sich nicht unmittelbar beobachten lässt. Es existieren unterschiedliche Konzepte bezüglich Definition, Datengewinnung und Blickwinkel auf den Arbeitsmarkt, mit denen eine Stille Reserve ermittelt wird. Der vorliegende Beitrag vergleicht die Schätzung der Stillen Reserve beim Statistischen Bundesamt (StBA) mit der beim Institut für Arbeitsmarkt- und Berufsforschung (IAB).</p><p>Das Statistische Bundesamt schätzt sie aus einer mikroökonomischen Perspektive heraus und schließt aus Angaben von Befragten des Mikrozensus beziehungsweise der darin integrierten Arbeitskräfteerhebung auf die Zugehörigkeit zur Stillen Reserve. Zur Anwendung kommt dabei das Labour-Force-Konzept der Internationalen Arbeitsorganisation. Danach gehören zur Stillen Reserve zum einen Personen, die aktiv eine Arbeit suchen, für eine solche aber kurzfristig nicht zur Verfügung stehen und zum anderen Personen, die aktuell keine Arbeit suchen, aber grundsätzlich gerne arbeiten würden und dafür auch verfügbar sind.</p><p>Das Institut für Arbeitsmarkt- und Berufsforschung schätzt die Stille Reserve aus einer makroökonomischen Perspektive unmittelbar aufgrund der jeweiligen Arbeitsmarktlage. In einem regressionsanalytischen Modell wird zuerst die Abhängigkeit einer langen Zeitreihe der Erwerbsquoten von der Arbeitsmarktlage geschätzt. Dabei ist die Datengrundlage der Erwerbsquoten zum einen der Mikrozensus, während die Lage des Arbeitsmarktes unter anderem über Quoten von registrierten Arbeitslosen der Bundesagentur für Arbeit abgebildet wird. Darüber hinaus wird ein sogenannter „Vollbeschäftigungswert“ für diese Arbeitslosenquoten ermittelt und die Stille Reserve als Folge der Anspannung am Arbeitsmarkt interpretiert, das heißt, je mehr die Vollbeschäftigungsarbeitslosigkeit vom tatsächlichen Wert abweicht, umso höher ist die Stille Reserve.</p><p>Hinsichtlich der Ergebnisse zur Stillen Reserve war die vom Institut für Arbeitsmarkt- und Berufsforschung geschätzte Stille Reserve in früheren Jahren immer etwas umfangreicher als die des Statistischen Bundesamtes. Die Differenzen sanken jedoch, bis schließlich für 2019 beide Ergebnisse mit jeweils knapp 900.000 Personen nahezu gleichauf lagen.</p></div></div>","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"16 3-4","pages":"189 - 230"},"PeriodicalIF":0.0,"publicationDate":"2022-07-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://link.springer.com/content/pdf/10.1007/s11943-022-00309-3.pdf","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"50519996","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"OA","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}