06.12.2022 Mobilität#

Intergenerational Mobility#

Mobilität zwischen Generationen

\[ log(y_{child}) - log(\bar{y}) = \beta \cdot(log(y_{parent})-log(\bar{y}))+\epsilon \]

  • \(\beta = 0\): komplette Mobilität, Elternhaus hat keinen Einfluss

  • \(\beta = 1:\) Einkommen Eltern = Einkommen Kind

= Intergenerational Income Elasticity

img

INtergenerational Correlation Coefficient:

\[ \rho = \beta \frac{LogVar_{Parent}}{LogVar_{Child}} \]

  • Anpassung von \(\beta\) um Veränderungen in Ungleichheit beider Generationen

  • Idee: Ungleichheit sinkt-> Kind nah an Elterneinkommen = höherer Wert

Lifetime Mobility#

Wie hat sich Position eines Individuums in der Einkommensverteilung über Zeit verändert?

  • Korrelation der Ränge in Einkommensverteilung

  • mithilfe von Spearman Rangkorrelationskoeffizient

  • Kovarianz der Ränge und Standardabweichungen

  • geringe Sensitivität für Ausreißer

\[ \rho = \frac{Cov\Big[r(y_1), r(y_2) \Big]}{s_r(y_1) \cdot s_r(y_2)} \]

  • \(p = -1\): Inverser Zusammenhang: arme werden reich

  • \(p = 1\): keine Veränderung

  • \(p = 0\): perfekte Mobilität = kein Zusammenhang

Übergangsmatrizen#

Wahrscheinlichkeit, dass Individuum Klasse wechselt

hier Beispiel mit Median m: img

  • \(p_{ba}\): in Periode 1 unter Median m, in Periode 2 über (=Aufstieg)

  • Hauptdiagonale = Stayers = keine Bewegung

  • je höher Werte auf Hautpdiagonale (Spur/Trace) = geringere Mobilität

Shorrocks Transition Matrix Mobility Index einer Matrix P

\[ S = \frac{N_{class}-\text{trace}(P)}{N_{class}-1} \]

  • Fehlende Mobilität: S=0

  • Komplette Mobilität: \(S=\frac{N_c}{N_c-1}\)

Matrix USA: img

Machine Learning#

nach Brunori et al (2018): Mustererkennung mit ML

Daten aus EU Survey of of Income and Living Conditions:

  • Geburtsort

  • Bildung Eltern

  • Berufe Eltern

  • Eigenheim Eltern

  • => nur nicht selbst beeinflussbare Faktoren!

mit Regressionsbaum

img

  • Bildung/Beruf des Vaters wichtigste Variable

  • dann Bildung Mutter und Rest

Gini der durch Umstände bestimmte Einkommen = 0.07 (in Deutschland)

macht etwa 25% des Ginis in DE aus = Inequality of Opportunity

Einkommensungleichheit in Deutschland#

im OECD-Vergleich:

  • hohe U. bei Bruttoeinkommmen

  • niedrige U. bie Nettoeinkommen

img

Historisch:

  • Westd. bis 1990 gleich

  • Dynamik seit Wiedervereinigung

  • Anstieg seit 00er Jahre

  • Ostd. höhere U. als West Brutto, aber nciht Netto

Anteile der oberen Gruppen: img

Anteile der Einkommen und ihr GE = Generalized Inequality Index:

img

  • größte Ungleichheit = Kapitaleinkünfte

  • größter Anteil: Selsbtständige Arbeit

Gründe für Ansteig seit 90ern:

  • Niedriglohnsektor (Hartz IV)

  • Outsourcing

  • Gewerkschaftsschwund

Lebenszeiteinkommen mit Daten aus Rentenversicherung

  • steigende U.: 1930-Gen = 0.16, 1950er = 0.21

  • inter-generative Lastenverteilung?

Vermögensungleichheit#

Deutschland Median und Mittelwert unter anderen EU-Ländern (EZB 2013)

img

Aber: Daten ungenau, und DE vom Durchschnitt auch weit oben

Ost vs. West:

  • kein Wachstum untere 50%

  • starkes Wachstum bei oberen 1% in beiden

  • West 450.000€, Ost 200.000€

img

Beachte bei Vermögen: Altersprofil:

  • Höhepunkt. ei 60/70 Jahren

  • Beginn negativ (Verschulden bei Berufseinstieg)

  • aber erklärt nicht Top 1%

Piketty#

Aurot von: „Capital in 21st. Century“

Zentrale These zu Vermögenskonzentration: \(r > g\)

  • Kapitalrendite r übersteigt

  • Wirtschaftswachstum g

img

Historisch:

  • bis 1900: Rendite=5% (Landrente) und kein Wachstum

  • 1900-1970: Wachstum hoch (Wirtschaftswunder) und Regulierung

  • seit 1970: Wachstum schwächer und weniger Regulierung

Kritik: Acemoglu und Robinson (2015)

Forderungen:

  • progressive Vermögensteuer (von 0.1 - 2%)

  • Einkommensteuerspitzensätze bis 80%