Dieses abschließende Kapitel führt die Stränge des Buches zusammen — Mikro, Makro, Institutionen und Empirie — um die folgenreichste Frage der Ökonomik zu beantworten: Warum sind manche Länder reich und andere arm, und was kann dagegen getan werden?
Entwicklungsökonomik ist nicht „angewandte Wachstumstheorie“. Sie befasst sich mit Koordinationsversagen, institutionellen Fallen, Humankapitaldefiziten und politischer Ökonomie, von denen Standardmodelle abstrahieren. Sie weist auch die dramatischste methodische Revolution der modernen Ökonomik auf: den Aufstieg randomisierter kontrollierter Studien als Instrument zur Bewertung von Interventionen — und, in jüngerer Zeit, die Gegenrevolution der strukturellen Schätzung, die über das hinausgehen will, was ein einzelnes Experiment sagen kann.
Dieses Kapitel synthetisiert das gesamte Lehrbuch. Wachstumstheorie (Kap. 13) liefert den Rahmen. Institutionen (Kap. 18) liefern die tiefen Determinanten. Ökonometrie (Kap. 10) liefert die Identifikationsinstrumente — Instrumentalvariablen, Regressionsdiskontinuität und die Logik kausaler Inferenz. Verhaltensökonomische Erkenntnisse (Kap. 19) informieren die Gestaltung von Entwicklungsinterventionen.
Voraussetzungen: Kap. 10 (Grundlagen der Ökonometrie — IV, Regression), Kap. 13 (Wachstumstheorie — Solow-Modell, Steady States), Kap. 18 (Institutionenökonomik — AJR, extraktive/inklusive Institutionen), Kap. 19 (Verhaltensökonomik — Nudges, RCTs).
Genannte Literatur: Lewis (1954); Rosenstein-Rodan (1943); Murphy, Shleifer & Vishny (1989); Acemoglu, Johnson & Robinson (2001); Nunn (2008); Mincer (1974); Bleakley (2007); Miguel & Kremer (2004); Banerjee, Duflo & Kremer (Nobelpreis 2019); Todd & Wolpin (2006); Attanasio, Meghir & Santiago (2012); Deaton (2010); Allcott (2015); Lin (2012); Rodrik (2004).
Die reichsten Länder — Norwegen, die Schweiz, die Vereinigten Staaten — haben ein BIP pro Kopf von über \$60.000 (KKP). Die ärmsten — Burundi, Südsudan, die Zentralafrikanische Republik — haben ein BIP pro Kopf unter \$500. Ein Faktor von über 100 trennt die reichsten von den ärmsten, und diese Kluft hat sich über zwei Jahrhunderte dramatisch vergrößert. Im Jahr 1800 betrug das Verhältnis der reichsten zu den ärmsten Ländern etwa 5:1. Bis 2000 überstieg es 100:1. Diese „Große Divergenz“ ist die zentrale Tatsache, die die Entwicklungsökonomik erklären muss.
Die Penn World Table offenbart mehrere Muster. Im frühen 19. Jahrhundert war die Verteilung annähernd unimodal: Fast alle Länder waren arm. Die industrielle Revolution schuf eine Divergenz, die sich im 20. Jahrhundert beschleunigte. In den 1970er–1980er Jahren war die Verteilung deutlich bimodal geworden — „Zwillingsgipfel“ (Quah 1996). Seit 2000 haben das schnelle Wachstum Chinas und Indiens die Lücke teilweise gefüllt, obwohl Subsahara-Afrika weitgehend am unteren Gipfel verbleibt.
| Kaldor-Fakten (Kap. 13) | Entwicklungsfakten (dieses Kapitel) |
|---|---|
| Konstantes Kapital-Output-Verhältnis | Steigendes Kapital-Output-Verhältnis während der Industrialisierung |
| Konstanter Lohnanteil | Sinkender Lohnanteil in der Landwirtschaft, steigend in der Industrie, dann in Dienstleistungen |
| Konstante Wachstumsrate der Produktion pro Arbeiter | Hoch variable Wachstumsraten; Episoden der Beschleunigung und Stagnation |
| Gleichgewichtiger Wachstumspfad | Strukturwandel; unausgeglichenes, sektorverschiebendes Wachstum |
Das Solow-Modell (Kap. 13) erfasst die Kaldor-Fakten gut. Es erfasst die Entwicklungsfakten nicht — es hat einen Sektor, eine Art von Arbeit und glatte Konvergenz. Entwicklungsökonomik erfordert Modelle mit mehreren Sektoren, heterogener Arbeit und der Möglichkeit von Fallen.
Abbildung 20.3. Globale Einkommensverteilung im Zeitverlauf (stilisiert). Schieben Sie durch die Jahrzehnte, um die Entwicklung von unimodal (1800) über Zwillingsgipfel (1970er) zu partieller Konvergenz (2000er) zu sehen. Verwenden Sie den Schieberegler oder die Abspieltaste.
Der moderne Sektor nutzt Kapital und Arbeit in einer Cobb-Douglas-Produktionsfunktion:
Der moderne Sektor nutzt Kapital und Arbeit in einer Cobb-Douglas-Produktionsfunktion:
Der moderne Sektor stellt Arbeiter ein, solange $MPL_M > \bar{w}$. Während der Phase überschüssiger Arbeitskräfte steht der moderne Sektor einem vollkommen elastischen Arbeitsangebot beim Lohn $\bar{w}$ gegenüber. Gewinne ($\Pi_M = Y_M - \bar{w}L_M$) werden reinvestiert, was einen positiven Kreislauf erzeugt: Kapitalakkumulation erhöht $MPL_M$, absorbiert mehr Arbeiter und generiert mehr Gewinne.
China ist die dramatischste moderne Illustration. Zwischen 1980 und 2010 hat China Hunderte Millionen Arbeiter von der ländlichen Landwirtschaft in die städtische Industrie transferiert und Wachstumsraten von 10 % pro Jahr erzielt. Ökonomen debattieren, ob China seinen Lewis-Wendepunkt um 2010–2015 erreicht hat, belegt durch schnell steigende Löhne in den Industriezonen an der Küste.
Abbildung 20.2. Lewis-Zwei-Sektoren-Modell. Links: MPL-Kurve des modernen Sektors und Subsistenzlohn. Rechts: Produktion nach Sektor. Erhöhen Sie das Kapital zur Arbeitsabsorption; achten Sie auf den Lewis-Wendepunkt. Ziehen Sie die Schieberegler zum Erkunden.
Die Republik Kaelani hat 10 Millionen Arbeiter. Derzeit arbeiten 7 Millionen im Subsistenzsektor mit einem Überschuss von 3 Millionen ($\bar{L} = 4$ Millionen). Moderner Sektor: $A_M = 2$, $K_M = 100$, $\alpha = 0{,}4$.
(a) Aktuelle Produktion des modernen Sektors ($L_M = 3$M): $Y_M^{\text{before}} = 2 \times 100^{0{,}4} \times 3^{0{,}6} \approx 24{,}40$. Nach Umverteilung von 1M Arbeitern ($L_M = 4$M): $Y_M^{\text{after}} = 2 \times 100^{0{,}4} \times 4^{0{,}6} \approx 28{,}99$. Produktionsgewinn = 4,59 Einheiten (18,8 % Steigerung), ohne Produktionsverlust im Subsistenzsektor, da die transferierten Arbeiter überschüssig waren.
(b) Am Wendepunkt gilt $L_M = L - \bar{L} = 6$M. Setze $MPL_M = \bar{w} = 1$: $K_M^* \approx 3{,}80$ — eine niedrige Schwelle, die den Reichtum an überschüssigen Arbeitskräften und den bescheidenen Subsistenzlohn widerspiegelt.
Das Standard-Solow-Modell weist eine konkave Produktionsfunktion auf, die einen eindeutigen stabilen Steady State garantiert. Armutsfallen erfordern eine S-förmige (lokal konvexe) Produktionsfunktion, die mehrere Schnittpunkte zwischen $sf(k)$ und $(n+\delta)k$ erzeugt.
Abbildung 20.1. Armutsfallen-Diagramm. Die S-förmige $sf(k)$-Kurve schneidet die $(n+\delta)k$-Linie an bis zu drei Punkten. Ziehen Sie den Punkt, um die Konvergenz zur niedrigen Falle oder zum hohen Gleichgewicht zu sehen. Passen Sie Sparquote und Krümmung mit den Schiebereglern an. Ziehen Sie den Anfangsbedingungspunkt zum Erkunden.
Das MSV-Modell erzeugt zwei Nash-Gleichgewichte: keine Industrialisierung (die Armutsfalle) und vollständige Industrialisierung (das Entwicklungsgleichgewicht). Eine Regierung kann als Koordinierungsmechanismus dienen — durch Subventionierung gleichzeitiger Investitionen über Sektoren hinweg.
Nicht alle armen Länder sind gefangen. Kraay und McKenzie (2014) finden begrenzte Evidenz für Armutsfallen auf Haushaltsebene. Auf Länderebene ist die anhaltende Unterentwicklung in Teilen Subsahara-Afrikas eher konsistent mit einer Fallendynamik, besonders in Kombination mit institutionellem Versagen und Konflikten.
Gegeben: $f(k) = k^2/(1+k^2)$ (S-förmig), $s = 0{,}20$, $n+\delta = 0{,}10$. Setze $sf(k) = (n+\delta)k$ und löse: $k = 0$ und $k = 1$ (doppelte Wurzel — die Falle ist an der Existenzgrenze).
Für ein reichhaltigeres Beispiel: $f(k) = k^{2{,}2}/(1+k^{2{,}2})$ ergibt drei Lösungen: $k_L^* \approx 0$ (Armutsfalle), $k_U \approx 0{,}72$ (instabile Schwelle), $k_H^* \approx 1{,}45$ (hohes Gleichgewicht). Bei $k_U$ ist die Produktionsfunktion lokal konvex, sodass $g'(k_U) > 0$ — instabil. Der Big Push erfordert eine Injektion von $\Delta k \approx 0{,}72$ pro Arbeiter.
Die grundlegende Herausforderung ist Endogenität: Reiche Länder können sich bessere Institutionen leisten. AJR (2001) schlugen eine IV-Strategie unter Verwendung der Siedlersterblichkeit vor. Der First-Stage-Koeffizient $\beta$ ist negativ und hochsignifikant (F-Statistik > 20). Die 2SLS-Schätzung $\hat{\delta} \approx 0{,}94$ übersteigt OLS ($\approx 0{,}52$) — konsistent mit Attenuation Bias durch Messfehler.
Natürliche Experimente verstärken die Institutionenhypothese: Nord- vs. Südkorea, Ost- vs. Westdeutschland, China vor und nach der Reform und Botswana vs. seine Nachbarn illustrieren alle, wie institutionelle Divergenz Einkommensdivergenz antreibt.
Abbildung 20.4. Institutionen vs. Geografie — Streudiagramm. Wechseln Sie die X-Achsen-Variable, um Siedlersterblichkeit, Breitengrad und Rechtsstaatlichkeit als Prädiktoren des Einkommens zu vergleichen. Verwenden Sie das Dropdown zum Umschalten der Ansichten.
Ergebnisse: First-Stage F = 22,9, $\hat{\beta} = -0{,}61$, 2SLS $\hat{\delta} = 0{,}94$ (SE = 0,16), OLS = 0,52. (a) Eine Einheit Verbesserung der Institutionenqualität verursacht einen Anstieg des BIP/Kopf um 0,94 Log-Punkte. Der Wechsel vom 25. Perzentil (Score 5) zum 75. (Score 8) prognostiziert einen Anstieg um \$1 \times 0{,}94 = 2{,}82$ Log-Punkte — ungefähr das 16,8-Fache.
(b) Bedrohungen der Ausschlussbeschränkung: Siedlersterblichkeit könnte die aktuelle Krankheitsumgebung abbilden (direkte Produktivitätsreduktion); Europäer könnten über Institutionen hinaus unterschiedlich in Infrastruktur investiert haben. (c) IV > OLS wahrscheinlich aufgrund von Attenuation Bias: Wenn das Reliabilitätsverhältnis ~0,55 beträgt, dann \$1{,}52/0{,}55 \approx 0{,}94$.
| Einkommensgruppe | Durchschnittliche Rendite (ρ̂) |
|---|---|
| Länder mit niedrigem Einkommen | 10,5 % |
| Unteres mittleres Einkommen | 8,7 % |
| Oberes mittleres Einkommen | 7,2 % |
| Länder mit hohem Einkommen | 5,4 % |
Bleakley (2007) nutzte geografische Variation in der Hakenwurmprävalenz und zeigte einen Einkommensanstieg von 17 % pro Standardabweichung Reduktion. Miguel & Kremer (2004) fanden, dass Entwurmung die Schulfehlzeiten um 25 % reduzierte mit großen Spillovers — ungefähr \$3,50 pro zusätzlichem Schuljahr, eine der kosteneffektivsten Entwicklungsinterventionen überhaupt.
Abbildung 20.5. Mincer-Gleichungs-Explorer. Passen Sie Schuljahre und Renditen an, um zu sehen, wie sich das Log-Lohn-Profil verschiebt. Die gestrichelte Linie zeigt die Prämie für 4 zusätzliche Jahre. Ziehen Sie die Schieberegler zum Erkunden.
Land A (niedriges Einkommen): $\hat{\rho} = 0{,}10$, $\hat{\beta}_1 = 0{,}03$, $\hat{\beta}_2 = -0{,}0005$. Land B (hohes Einkommen): $\hat{\rho} = 0{,}05$, $\hat{\beta}_1 = 0{,}05$, $\hat{\beta}_2 = -0{,}0008$. Die Bildungsprämie für 4 zusätzliche Jahre: Land A = $e^{0{,}40}-1 = 49{,}2\%$; Land B = $e^{0{,}20}-1 = 22{,}1\%$.
Lohnspitze bei $\text{Exp}^* = \beta_1 / (2|\beta_2|)$: Land A bei 30 Jahren, Land B bei 31,25 Jahren. Renditeunterschiede aufgrund von Knappheit, Fähigkeitsverzerrung, Kreditbeschränkungen, Schulqualität und Signaling- vs. Humankapitaleffekten.
Banerjee, Duflo und Kremer erhielten 2019 den Nobelpreis für ihren experimentellen Ansatz zur Linderung globaler Armut. Wichtige Befunde: Geldtransfers wirken und reduzieren nicht die Arbeitsmotivation; Mikrofinanz ist nicht transformativ; Entwurmung ist außerordentlich kosteneffektiv. Der größte Beitrag der RCT-Revolution war, Vorannahmen durch Evidenz zu ersetzen.
| Intervention | Ergebnis | Studie |
|---|---|---|
| Entwurmung | 25 % weniger Fehlzeiten; große Spillover-Effekte | Miguel & Kremer (2004) |
| Moskitonetze | Kostenlose Verteilung erzielt weitaus höhere Annahme als Kostenbeteiligung | Cohen & Dupas (2010) |
| Mikrofinanz | Bescheidene Auswirkungen auf Geschäftseinkommen; keine transformative Armutsreduktion | Banerjee et al. (2015) |
| Geldtransfers (unbedingt) | Empfänger investieren produktiv; Effekte sind nachhaltig | GiveDirectly (Haushofer & Shapiro 2016) |
| Geldtransfers (bedingt, Progresa) | +8 Pp. Einschulung, verbesserte Ernährung | Schultz (2004) |
| Lehreranreize | Leistungsbasierte Vergütung verbessert Testergebnisse; Designdetails sind entscheidend | Muralidharan & Sundararaman (2011) |
Abbildung 20.6. RCT-Power-Rechner. Sehen Sie, wie Effektgröße, Varianz, Signifikanzniveau und Clustering die erforderliche Stichprobengröße beeinflussen. Die gestrichelte Linie markiert 80 % Power. Ziehen Sie die Schieberegler zum Erkunden.
Kaelanis Ministerium erwartet einen Einkommenseffekt von \$30/Monat ($\sigma = 120$). Bei $\alpha = 0{,}05$, 80 % Power: $N = 2 \times 120^2 \times (1{,}96+0{,}84)^2 / 30^2 \approx 251$ pro Arm. Bei Cluster-Randomisierung (42 Dörfer, 60 Haushalte je, ICC = 0,04): Designeffekt = 3,36, effektive Stichprobe = 750 — deutlich über 251.
Wenn das Budget nur 1.500 pro Arm erlaubt: effektive Stichprobe $\approx 446$. MDE $= \sqrt{2 \times 14400 \times 7{,}84 / 446} \approx \$22{,}50$/Monat — kleiner als der erwartete \$30-Effekt, sodass die Studie ausreichend gepowert bleibt.
Zambian economist Dambisa Moyo's Dead Aid and her TED talk made the incendiary case: over \$1 trillion in aid to Africa hadn't just failed — it had "created dependency, fueled corruption, and killed African entrepreneurship." Bill Gates publicly called the book "evil." Jeffrey Sachs accused Moyo of advocating policies that would "lead to the deaths of millions." Moyo fired back that Sachs's own Millennium Villages Project was the real failure. The debate went nuclear. But who was actually right about the evidence?
FortgeschrittenTodd und Wolpin (2006) validierten ein strukturelles Modell gegen den Progresa-RCT und nutzten es dann, um ungetestete Kontrafaktische zu simulieren. Attanasio et al. (2012) zeigten, dass das CCT primär durch Reduktion der Opportunitätskosten der Bildung wirkte und nicht durch Lockerung von Budgetbeschränkungen — ein mechanismusbasiertes Verständnis, das Transportabilität ermöglicht.
Die Lösung ist nicht strukturell versus reduzierte Form — es ist strukturell und reduzierte Form. RCTs liefern glaubwürdige kausale Schätzungen; strukturelle Modelle liefern Rahmen für die Verallgemeinerung. Der ideale Workflow: Einen RCT nutzen, um Parameter zu identifizieren, sie in ein strukturelles Modell einspeisen, gegen experimentelle Daten validieren und dann mit ehrlichen Unsicherheitsbändern extrapolieren.
Abbildung 20.8. Strukturelle vs. reduzierte Form — Vergleich. Das linke Panel zeigt die ursprüngliche RCT-Schätzung; das rechte zeigt Vorhersagen für einen neuen Standort. Je stärker die Kontexte divergieren, desto ehrlicher passt das strukturelle Modell an, während naive Extrapolation fälschlich präzise bleibt. Verwenden Sie den Umschalter zum Wechseln der Szenarien.
Miguel & Kremer fanden 25 % Fehlzeitenreduktion in Kenia; eine Replikation in Indien fand ~3 Pp (nicht signifikant). Zentrale strukturelle Unterschiede: Helminthenprävalenz 75 % (Kenia) vs. 20–30 % (Indien); unterschiedliche Schulqualität und -zugang; unterschiedliche Opportunitätskosten der Kinderarbeit; geringere Spillover-Effekte.
Ein strukturelles Schulmodell mit Gesundheitsinputs, kalibriert auf Kenia, prognostiziert 7 Pp. Rekalibriert mit indischen Parametern: 2–3 Pp — konsistent mit der Replikation. Das Modell „weiß, was es nicht weiß“: Es passt Vorhersagen an und erweitert Konfidenzintervalle, statt fälschlich zu extrapolieren.
Die neue Strukturökonomik (Lin) argumentiert, dass Regierungen Industrien identifizieren sollten, die mit dem latenten komparativen Vorteil vereinbar sind. Rodrik erweitert dies auf grüne Industriepolitik: Die Energiewende erfordert koordinierte öffentliche Investitionen, weil CO2-Externalitäten unterbepreist sind und Learning-by-Doing-Spillovers nicht internalisiert werden.
Die Debatte zwischen bedingten und unbedingten Geldtransfers (UCTs) ist zentral für die zeitgenössische Politik. GiveDirectlys Programme zeigen, dass UCTs gut funktionieren — Empfänger investieren produktiv und Effekte halten an. Bedingungen können relevant sein, wenn Verhaltensverzerrungen optimale Investitionen verhindern (Bezug zu Kap. 19), aber möglicherweise unnötig, wenn Haushalte ohnehin in das Humankapital ihrer Kinder investieren wollen.
Abbildung 20.7. Geldtransfer-RCT-Simulator. Passen Sie Transferbetrag, Dauer und Bedingungen an, um zu sehen, wie Behandlungseffekte über Outcomes variieren. Signifikanzsterne erscheinen, wenn das KI die Null ausschließt. Ziehen Sie die Schieberegler zum Erkunden.
Die Kolonialzeit (vor 1945) schuf die institutionellen Grundlagen. Die Nachunabhängigkeitsära (1945–1980) war vom Big-Push-Denken dominiert. Der Washington-Konsens (1980–2000) förderte Märkte. Die RCT-Revolution (2000–2019) verlagerte den Fokus auf Mikroevidenz. Die Post-2015-Ära synthetisiert: Große Fragen brauchen strukturelles Denken; spezifische Politikfragen brauchen experimentelle Evidenz.
You've now traversed the full arc: GDP measurement (Ch 7), capital accumulation (Ch 9), endogenous growth (Ch 13), institutions (Ch 18), and the empirical frontier (this chapter). This is the final stop — and the honest resolution is that no single theory wins.
The RCT revolution shows that specific interventions work: cash transfers increase income and welfare (GiveDirectly), deworming has large long-run returns (Miguel & Kremer), and information interventions change behavior. But the effect sizes are small relative to the income gap. A bed net that prevents malaria saves lives but doesn't explain the 50x difference in per capita income. Structural estimation (Buera, Kaboski & Shin 2011) quantifies the contribution of misallocation and market failures to aggregate productivity gaps — and finds that capital market distortions alone can explain a factor of 2-3x in TFP differences. The development economics toolkit now has two layers: RCTs identify local causal effects of specific interventions; structural models embed those effects in general equilibrium to ask about aggregate consequences.
Deaton's critique of RCTs: RCTs answer "did this intervention work in this context?" but not "will it work elsewhere?" or "why does it work?" Without theory, RCT results don't generalize. External validity (§20.7) is the binding constraint. Pritchett's critique: The interventions that RCTs study — bed nets, textbooks, deworming — are too small to explain the development gap. The big drivers are national institutions, industrial policy, and macroeconomic management. You can't randomize a country's institutions. China's challenge: The most dramatic poverty reduction in history (800 million people) happened through domestic policy reform, not through the interventions the aid community studies. China didn't need RCTs; it needed institutional change — and the specific institutional changes it made (dual-track liberalization, SEZs, export orientation) don't fit neatly into any theoretical framework.
The frontier is moving toward combining RCTs with structural models. RCTs identify local parameters; structural models embed them in general equilibrium. This is the "credibility revolution meets structural estimation" synthesis. Simultaneously, the revival of industrial policy (Lin, Rodrik) represents a return to big-picture thinking — but with better empirical discipline than the import-substitution era. The profession is also more honest about what it doesn't know: the historical contingency of development (why Botswana and not Zambia?) may involve path-dependent processes that resist simple causal explanation.
The honest answer to "why are some countries poor?" is: institutions and ideas are the fundamental causes, operating through multiple channels — property rights, human capital, technology adoption, political stability. RCTs help us understand specific mechanisms. Geography and culture interact with institutions rather than being alternatives to them. No single theory explains everything, and the question remains genuinely open. This is itself an important thing for the reader to understand: the biggest question in economics does not have a clean, consensus answer. What we know is that the proximate causes (capital, human capital, TFP) are well-measured, the deep causes (institutions, geography, culture) are genuinely debated, and the policy levers (specific interventions vs. institutional reform) operate at different scales with different evidence bases. The best development economists hold all of these in tension rather than committing to one story.
This is the final stop for BQ02, but the question is far from closed. Industrial policy is making a comeback — does state-led development work? China's growth miracle challenges the "inclusive institutions" story. Climate change threatens to reverse decades of convergence, with the poorest countries bearing costs they didn't cause. The AI revolution could accelerate or widen the gap depending on whether developing countries can adopt and adapt the technology. And the deepest puzzle endures: if we know what "good institutions" look like, why can't countries adopt them? The answer likely involves political economy — those who benefit from extractive institutions have the power to maintain them. The path from knowing what works to implementing it may be the hardest problem in all of economics.
Targeted health interventions work. Governance aid doesn't. The aggregate question is the wrong question.
Fortgeschritten800 million lifted from poverty without inclusive institutions. Exception or alternative model?
FortgeschrittenAJR's settler mortality instrument says institutions are the channel. But institutional persistence is more complex than a single IV.
FortgeschrittenYou've seen the comparative advantage case (Ch 2), strategic trade under imperfect competition (Ch 6), and open-economy macro (Ch 17). Now the development perspective: East Asia's success involved strategic trade policy — but most countries that tried the same thing failed.
East Asian development involved export-oriented industrial policy: targeted protection of infant industries, export subsidies, and managed exchange rates — combined with strong human capital investment and macroeconomic discipline. Japan, South Korea, Taiwan, and China all deviated from free trade orthodoxy. This wasn't autarky — it was strategic engagement with global markets. The new structural economics (Lin) argues governments should identify industries consistent with latent comparative advantage and facilitate their development. Rodrik extends this to green industrial policy: the clean energy transition requires coordinated public investment because carbon externalities are underpriced and learning-by-doing spillovers are not internalized. The infant industry argument, dismissed for decades, has returned to mainstream respectability — with important caveats about implementation.
The selection problem: East Asia's success may have been despite industrial policy, not because of it. Countries that tried the same policies in Latin America and Africa failed — import substitution in Argentina, state-led industrialization in Tanzania and Ghana. The difference may be institutional quality, education levels, or cultural factors, not the trade policy itself. China's costs: China used industrial policy aggressively, but it also created massive overcapacity, zombie firms sustained by state banks, environmental destruction, and a real estate bubble. The costs of industrial policy are real and large. Government failure: Picking winners requires bureaucratic competence and insulation from rent-seeking. Most governments lack both. The theoretical conditions for beneficial strategic trade (Brander-Spencer) are knife-edge, and the practical conditions are even more demanding.
The development economics mainstream has softened on free trade absolutism. Rodrik's "industrial policy 2.0" argues for smart, accountable industrial policy with clear exit criteria — not the open-ended protection of the import-substitution era. The climate transition is creating a new rationale: green industrial policy (subsidies for renewables, EVs) is now mainstream in the US, EU, and China. The Stolper-Samuelson losers from trade still haven't been compensated in most countries, and the political backlash (Brexit, Trump tariffs) forced the profession to take distributional effects more seriously.
Pure free trade doctrine was too strong. Trade is beneficial, but the conditions under which strategic intervention works — strong institutions, bureaucratic accountability, hard budget constraints, export discipline — are demanding and uncommon. Most countries that tried industrial policy failed. The few that succeeded (Japan, Korea, Taiwan, China) did so under specific conditions that are hard to replicate. The honest answer: free trade is the right default for most countries most of the time; strategic intervention can work but usually doesn't; and the distributional effects of trade need to be addressed through domestic policy rather than ignored. The climate dimension adds a genuinely new element — carbon border adjustments, green subsidies, and supply chain reshoring are reshaping the trade landscape in ways the textbook framework needs to absorb.
This is the final stop for BQ05, but trade policy is evolving rapidly. Climate policy is reshaping trade: carbon border adjustments are being implemented in the EU, green subsidies are proliferating globally, and supply chain security concerns are driving reshoring decisions. The free trade framework needs to incorporate environmental externalities, geopolitical risk, and supply chain resilience — none of which the standard model handles well. The question "is free trade always good?" may be the wrong framing; the real question is "what combination of openness and strategic policy maximizes inclusive, sustainable development?" — and that question is wide open.
The development experience complicates the textbook answer. East Asia's strategic tariffs worked; Latin America's didn't.
EinführungChina's trade policy defied free trade orthodoxy and produced the fastest growth in history. But the institutional preconditions were unique.
FortgeschrittenYou've seen the efficiency-equity tradeoff (Ch 3), externality arguments for redistribution (Ch 4), mechanism design constraints (Ch 12), and optimal taxation (Ch 16). Now the global dimension: within-country inequality is dwarfed by between-country inequality, and the tools for addressing them are completely different.
Within-country inequality (Gini coefficients of 0.35–0.60) is dwarfed by between-country inequality (global Gini approximately 0.70). The richest decile in India earns less than the poorest decile in several OECD countries. Conditional cash transfers (Bolsa Familia, Progresa/Oportunidades) have reduced poverty and inequality in developing countries with modest efficiency costs. Human capital investment — education and health — is both efficiency-enhancing and equalizing: Mincer returns are higher in developing countries (10–14% vs. 5–7%), meaning the marginal year of schooling has larger returns precisely where inequality is greatest. Development economics provides a different set of tools from domestic tax-and-transfer: RCTs for evaluating specific interventions, structural policies for growth, and institutional reform for the deep determinants.
Growth vs. redistribution: In poor countries, growth is far more powerful than redistribution for reducing poverty. China lifted 800 million out of poverty through growth, not transfers. Redistributing a small pie does less than growing the pie. Focus on institutions and growth, not on dividing up what little there is. Against CCTs: Conditional transfers are paternalistic — why not unconditional? Targeting is costly and imperfect: administrative expenses consume resources, and the conditions assume governments know better than households what investments to make. Universal basic income may be simpler and more dignified. The migration question: If between-country inequality is the dominant dimension, the most powerful "redistribution" tool is allowing people to move from poor countries to rich ones. Open borders would do more for global equality than any tax system — but migration is politically unthinkable at the scale required.
The development community has moved toward a both/and position: growth and redistribution are complementary, not substitutes. Pro-poor growth — growth that disproportionately benefits the poor — is the goal. The GiveDirectly experiments on unconditional cash transfers have shown that recipients invest productively and effects persist, weakening the case for paternalistic conditionality. The global inequality literature (Branko Milanovic) has documented a "great convergence" since 2000: between-country inequality has fallen as China, India, and other emerging economies grew faster than rich countries. But within-country inequality has risen in many places, creating the "elephant curve" — global middle classes gained, the very rich gained, and the lower-middle classes of rich countries stagnated.
Inequality is a problem economics can partially solve — but the tools differ by scale. Within countries, optimal taxation and transfer design can reduce inequality with moderate efficiency costs (the Mirrlees-Diamond-Saez framework from Ch 16). Between countries, the answer is growth driven by institutions, human capital, and technology adoption. CCTs and development interventions help at the margin. The profession is more honest about this than it was a generation ago: the efficiency-equity tradeoff is real but smaller than many assumed, moderate redistribution has modest costs, and the biggest inequality is between countries, not within them. The uncomfortable truth is that the most powerful tools for reducing global inequality — institutional reform in poor countries, open migration, and technology transfer — are politically constrained in ways that economics alone cannot solve.
This is the final stop for BQ09, but the inequality frontier is shifting. Climate change is the next great inequality challenge — the poorest countries will bear the largest costs of a problem they didn't create. Climate adaptation finance, loss and damage compensation, and green technology transfer are where the equity question goes next. The AI revolution raises a parallel concern: will AI-driven productivity gains flow to countries and workers that already have the infrastructure to adopt it, or will they reach the global poor? And within rich countries, the political backlash against globalization has made inequality reduction harder, not easier — the distributional losers from trade and technology now vote for protectionism rather than redistribution. Economics can design better policies; whether those policies get implemented is a political question that the discipline is only beginning to engage with honestly.
GiveDirectly's results show unconditional cash works. But scaling from village experiments to national policy is the hard part.
MittelstufeDan Riffle popularized the slogan in 2019. In a development context, within-country wealth concentration meets between-country poverty. The scale mismatch frames the problem differently.
MittelstufeKaelani implementiert ein CCT: \$50/Monat an 2.500 zufällig ausgewählte ländliche Haushalte, bedingt durch 80 %+ Schulbesuch, für 18 Monate. Kontrollgruppe: 2.500 Haushalte. Powerberechnung (Gl. 20.10): Mit $\sigma = 120$ beträgt die MDE \$27/Monat bei 80 % Power. Der erwartete Effekt von \$30–35 liegt deutlich darüber.
Cluster-Randomisierung (42 Behandlungs- + 42 Kontrolldörfer, ICC = 0,04, Clustergröße 60) ergibt einen Designeffekt = 3,36. Effektive Stichprobe = 744 pro Arm, über dem Minimum von 309. Vorab registrierte Outcomes: Konsum, Einschulung, Ernährungsdiversität, Ersparnisse.
Ergebnisse nach 18 Monaten: Monatlicher Konsum +\$32 (p < 0,01), Einschulung +8 Pp (p = 0,01), Ernährungsdiversität +0,4 SD (p < 0,01), Ersparnisse +\$15 (p = 0,02), Arbeitsangebot Erwachsene −2 Std./Woche (p = 0,27, nicht signifikant). Compliance 94 %; Bedenken zum Arbeitsangebot ausgeräumt. Der \$50-Transfer generiert \$32 Konsumsteigerung, was auf lokale Ausgabenmultiplikatoren hindeutet.
Institutionenanalyse (Kap. 18): Das CCT baut staatliche Kapazität auf — Zahlungssysteme, Monitoring-Infrastruktur, bürokratische Rechenschaftspflicht. Die Schulbesuchsbedingung funktioniert, weil Kaelani während seiner Reform 2005 in den Schulbau investierte. Ohne Schulen ist die Bedingung bedeutungslos.
Externe Validität (Abschn. 20.7): Die Republik Talani möchte replizieren. Reduzierte Form: Naive Extrapolation ignoriert Talanis schwächere Institutionen und andere Demografie. Strukturelles Modell: prognostiziert +5 Pp Einschulung (vs. Kaelanis +8 Pp) und +\$28 Konsum (vs. \$32), mit 90 %-Intervall [+1 Pp, +9 Pp] für die Einschulung. Die Deaton-Kritik greift: RCTs beantworten „Hat es hier funktioniert?“, aber nicht „Wird es dort funktionieren?“
Die Stränge des Lehrbuchs konvergieren: Kaelanis Entwicklung hängt ab von Institutionen (Kap. 18), Wachstumsgrundlagen (Kap. 13), makroökonomischer Stabilität (Kap. 14–16), verhaltensökonomischen Erkenntnissen (Kap. 19) und evidenzbasierter Evaluation (dieses Kapitel).
| Bezeichnung | Gleichung | Beschreibung |
|---|---|---|
| Gl. 20.1 | $Y_M = A_M K_M^\alpha L_M^{1-\alpha}$ | Cobb-Douglas-Produktion des modernen Sektors |
| Gl. 20.2 | $Y_S = A_S \min(L_S, \bar{L})$ | Subsistenzsektor mit überschüssiger Arbeit |
| Gl. 20.3 | Lewis-Wendepunkt: $MPL_S = \bar{w} \Rightarrow L_S^* = \bar{L}$ | Schwelle der Erschöpfung überschüssiger Arbeit |
| Gl. 20.4 | $\dot{k} = sf(k) - (n+\delta)k$, $f$ S-förmig | Kapitalakkumulation mit Armutsfalle |
| Gl. 20.5 | $\pi_i = (1/\alpha - 1)(LF - 1)\alpha^{\alpha/(1-\alpha)}$ | MSV: Industrialisierungsgewinn (Koordination) |
| Gl. 20.6 | $\text{Inst}_i = \alpha + \beta\ln(\text{settler mort}_i) + \mathbf{X}_i'\gamma + \varepsilon_i$ | AJR IV First Stage |
| Gl. 20.7 | $\ln w_i = \alpha + \rho S_i + \beta_1 \text{Exp}_i + \beta_2 \text{Exp}_i^2 + u_i$ | Mincer-Lohngleichung |
| Gl. 20.8 | $Y = A(H)K^\alpha(hL)^{1-\alpha}$, $h = e^{\phi S + \psi\text{Health}}$ | Erweiterte Produktion (Gesundheit + Bildung) |
| Gl. 20.9 | $\hat{\tau}_{ATE} = \bar{Y}_T - \bar{Y}_C$ | ATE-Schätzer unter Randomisierung |
| Gl. 20.10 | $N = 2\sigma^2(z_{\alpha/2}+z_\beta)^2 / \tau^2$ | Mindeststichprobengröße für Power \$1-\beta$ |