Direkt zum Hauptbereich

die Unsicherheit steigt


Der “Economic Policy Uncertainty” (EPU)-Indikator hat zum Ziel, “the intensity of policy-related economic uncertainty” zu messen. Hintergrund ist, dass eine hohe Unsicherheit das wirtschaftliche Wachstum nachweislich bremst. Der Index wurde 2013 für die USA entwickelt und basiert auf der Häufigkeit von Zeitungsartikeln mit der Wörterkombination “economic/ economy” und “uncertain/ uncertainty” und “congress/ deficit/ Federal Reserve/ legislation/ regulation/ White House”; im Verhältnis zur gesamten Anzahl an Artikeln. Mit einer automatisierten Textanalyse wird in 1000 Zeitungen gesucht. Und wie ist aktuell die Lage angesichts Handelsstreitigkeiten, Zoll-Einigungen und -verschärfungen? Dazu laden wir uns als erstes den Datensatz für alle Länder herunter: anbei ein kleiner Einblick, wie die Länder als Spalten mit den jeweiligen Werten und Zeitpunkten in den Zeilen.

library(dplyr)
library(openxlsx)

data <- read.xlsx("https://www.policyuncertainty.com/media/All_Country_Data.xlsx", sheet=1) %>%
  as.data.frame()
head(data)
##   Year Month GEPU_current GEPU_ppp Australia Brazil    Canada Chile China
## 1 1985     1           NA       NA        NA     NA 106.92593    NA    NA
## 2 1985     2           NA       NA        NA     NA 114.69938    NA    NA
## 3 1985     3           NA       NA        NA     NA  79.58830    NA    NA
## 4 1985     4           NA       NA        NA     NA  73.37599    NA    NA
## 5 1985     5           NA       NA        NA     NA  75.60223    NA    NA
## 6 1985     6           NA       NA        NA     NA  43.14037    NA    NA

Für die weiteren Schritte bringen wir den Datensatz erst einmal ins long-Format und gruppieren zudem die Länder:

library(zoo)
library(reshape2)
data_long <- data %>%
  mutate(Date = as.yearmon(paste(.$Year, .$Month), "%Y %m")) %>%
  select(-Year, -Month, -GEPU_current, -GEPU_ppp) %>%
  melt(id.vars = "Date", variable.name = "country") %>%
  mutate(region = 
           ifelse(country %in% c("Australia", "China", "India", "Japan", "Korea", "Singapore", "SCMP China", "Mainland China"), 'Asia',
                  ifelse(country %in% c("Brazil", "Canada", "Chile", "Colombia",        "Mexico", "US"), 'Americas',
                         ifelse(country %in% c("France", "Germany", "Greece",       "Ireland", "Italy", "Netherlands", "Russia", "Spain", "UK", "Sweden"), 'Europe', 'Global'))))

head(data_long)
##       Date   country value region
## 1 Jan 1985 Australia    NA   Asia
## 2 Feb 1985 Australia    NA   Asia
## 3 Mar 1985 Australia    NA   Asia
## 4 Apr 1985 Australia    NA   Asia
## 5 May 1985 Australia    NA   Asia
## 6 Jun 1985 Australia    NA   Asia

Und nun können wir die Entwicklung visualisieren:

library(ggplot2)
library(ggrepel)
data_long %>%
  filter(Date >= "Jan 1990") %>%
  mutate(Date = as.Date(as.yearmon(.$Date))) %>%
  ggplot(aes(x=Date, y=value, color=country)) +
  geom_smooth(span=0.01, se=FALSE) +
  geom_text_repel(data = . %>% group_by(region) %>% filter(Date == max(Date)),
                  aes(label = country)) +
  scale_x_date(date_labels="%Y", date_breaks ="4 years") +
  expand_limits(x = as.Date(c("1990-01-01", "2028-01-01"))) +
  facet_grid(region~.) +
  theme_minimal() +
  theme(axis.title.x=element_blank(),
        axis.title.y=element_blank(),
        #axis.text.y=element_blank(),
        legend.position="none")

Interessanterweise sehen wir einen Anstieg der Unsicherheit weltweit; allerdings kaum in den USA. Insofern schauen wir uns nun einmal die USA genauer an; allerdings anhand der täglichen Daten, welche hierfür auch aufbereitet werden müssen. Die große Frage nun: Spiegeln die täglichen Werte die Hektik der Politik in den USA wider?

library(rio)
data_US_EPUdaily = import("http://policyuncertainty.com/media/All_Daily_Policy_Data.csv") %>%
  mutate(Date = as.Date(paste(.$year, .$month, .$day), "%Y %m %d"))

data_US_EPUdaily %>%
  filter(year >= 2019) %>%
  ggplot(aes(x=Date, y=daily_policy_index, group=1)) +
  geom_line(color="grey")+
  geom_smooth(span=0.05) +
  theme_minimal()+
  theme(axis.title.x=element_blank(), axis.title.y=element_blank()) +
  labs(
    title = paste("US Daily News Index"),
    subtitle = "tägliche Werte")

Wir sehen auch hier einen eindeutigen Trend nach oben. Ein großer Streitpunkt ist ja die Auseinandersetzung zwischen Trump und China. Können wir hier eine Entwicklung sehen? AUch hierzu gibt es einen spezifischen Index. Mit der Zählung von Artikeln welche die USA, China und Streitthemen und erkennbaren Spannungen. Wir sehen hier ein anhaltendes hohes Niveau:

library(tidyr)
data_US_China_EPU = import("https://www.policyuncertainty.com/media/UCT.csv") %>%
  separate(col = date, into = c("year", "month"), sep = "m") %>%
  mutate(Date = as.yearmon(paste(.$year, .$month), "%Y %m"))

data_US_China_EPU %>%
  #filter(year >= 2019) %>%
  ggplot(aes(x=Date, y=UCT, group=1)) +
  geom_line(color="grey")+
  geom_smooth(span=0.5) +
  theme_minimal()+
  theme(axis.title.x=element_blank(), axis.title.y=element_blank()) +
  labs(
    title = paste("US China Uncertainty"),
    subtitle = "monatliche Werte")

Bitte beachte, dass der EPU auf der Arbeit der folgenden Arbeiten fußt: Australia, Brazil, Canada, France, Germany, India, Italy, Mexico, South Korea, Russia, United Kingdom, United States: Baker, Bloom and Davis (2016). Chile: Cerda, Silva and Valente (2016). China: Baker, Bloom, Davis and Wang (2013). Colombia: Gil and Silva (2018) Global: Davis (2016). Greece: Hardouvelis, Karalas, Karanastasis and Samartzis (2018). Ireland: Zalla (2016). Japan: Arbatli, Davis, Ito and Miake (2019). The Netherlands: Kroese, Kok and Parlevliet (2015) Singapore: Davis (2016). Spain: Ghirelli, Perez, and Urtasun (2019). Sweden: Armelius, Hull, and Köhler (2017). References: Arbatli, E., S.J. Davis, A. Ito, and N. Miake, 2019. “Policy Uncertainty in Japan,” NBER Working Paper 23411. Revised, August 2019. Forthcoming in The Economic Challenges of Japan’s Aging and Shrinking Population, International Monetary Fund, edited by Paul Cashin and Todd Schneider. Armelius, H., I. Hull, and H.S. Köhler, 2017. “The Timing of Uncertainty Shocks in a Small Open Economy,” Economics Letters, 155 (June), 31-34. Baker, S.R., N. Bloom, S.J. Davis and Xiaoxi Wang, 2013. “Economic Policy Uncertainty in China,” unpublished paper, University of Chicago. Baker, S. R., N. Bloom, and S. J. Davis, 2016. “Measuring Economic Policy Uncertainty,” Quarterly Journal of Economics, 131, no. 4 (November), 1593-1636. Cerda, R., A. Silva and J. T. Valente, 2016. “Economic Policy Uncertainty Indices for Chile,” working paper. Davis, S. J., 2016. “An Index of Global Economic Policy Uncertainty.” Macroeconomic Review, October. Also available as NBER Working Paper No. 22740. Davis, S. J., Dingquian Liu and Xuguang Simon Sheng, 2019. “Economic Policy Uncertainty in China Since 1946: The View from Mainland Newspapers,” working paper, August. Ghirelli, C., J.J. Perez, and A. Urtasun, 2019. “A New Economic Policy Uncertainty Index for Spain,” Bank of Spain, WorkingPaper No., 1906. Gil, M. and D. Silva, 2018. “Economic Policy Uncertainty Indices for Colombia,” working paper. Hardouvelis, G. A., G. I. Karalas, D. I. Karanastasis and P. K. Samartzis, 2018. “Economic Policy Uncertainty, Political Uncertainty and the Greek Economic Crisis,” working paper, May. Kroese, L., S. Kok and J. Parlevliet, 2015. “Beleidsonzekerheid in Nederland,” Economisch Statistische Berichten, No. 4715, pp. 464-467. Zalla, R., 2016. “Economic Policy Uncertainty in Ireland,” working paper, 20 September.

Photo by Johannes Plenio: https://www.pexels.com/photo/scenic-view-of-ocean-during-sunset-2304423/

Labels:

Beliebte Posts aus diesem Blog

Sentiment-Analyse von deutschen Texten in R

Eine Sentiment-Analyse funktioniert im Grunde wiefolgt: die einzelnen Wörter werden eines Textes werden mit bestimmten Bibliotheken abgeglichen und eine Einteilung in "positiv/negativ" oder ein hinterlegter Sentiment-Wert abgegriffen. Die Summe dieser Werte ergibt schließlich den Sentiment-Score des ganzen Texts. Für englische Texte sind in R bereits Bibliotheken hinterlegt (z.B. im Package tidytext ). Für deutsche Texte habe ich auf meiner Recherche die Bibliothek  SentiWS  der Universität Leipzig gefunden. Die rund 16.000 positiven und 18.000 negativen Wörter sind mit einer Wertspanne von -1 zu 1 hinterlegt. Das Problem ist, dass diese in zwei Textdateien kommen, deren Format erst aufbereitet werden muss. So sieht die Bibliothek beim Einlesen aus: Mit folgendem Code habe ich mir die Bibliothek operationalisiert: library(dplyr) # SentiWS - Dateien hier runterladen: https://wortschatz.uni-leipzig.de/en/download # a) negative Wörter # die Textdatei einlesen negat...
Read more »

Was ist fremd?

brandy74 "Malstunde" Some rights reserved. www.piqs.de Der Begriff Fremdheit wird benutzt zur Charakterisierung einer Beziehung. Immer muss etwas bekannt sein um es auch als fremd zu bezeichnen; andernfalls kann es nicht beschrieben werden. Wissenschaftlich wird die Fremdheit oft auch als die Gleichzeitigkeit von Nähe und Entferntheit, von Verbundenheit und Getrenntheit charakterisiert. Wer demnach etwas als fremd bezeichnet, unterscheidet die Welt an dieser Stelle in ein Innen und ein Außen. Das Fremde sei jenseits einer einer imaginären Grenze. Diese Grenzen können unterschiedlich lokalisiert werden. Bei der kulturellen Fremdheit werden andere kulturelle Verhaltensweisen und Ansichten identifiziert und als fremd bezeichnet. Bei der sozialen Fremdheit ist der Fremde hingegen Teil der eigenen Gesellschaft, der eigenen Gemeinschaft. Durch die Zuschreibung der sozialen Fremdheit wird er aus dem eigenen Bereich, also dem eigenen sozialen Milieu, exkludiert. Drückt sich...
Read more »

Migration und Bevölkerungsentwicklung: Solidarität und Selbsthilfe

Aus: Neue Potenziale - zur Lage der Nation in Deutschland , Juni 2014,  Berlin-Institut für Bevölkerung und Entwicklung Vor ein paar Wochen war ich auf einem sehr spannenden Vortrag am ifo-Institut in München von Herrn Dr. Klingholz, Direktor des Berlin Instituts für Bevölkerung und Entwicklung. Der Vortrag widmete sich einerseits der Zusammensetzung und dem Bildungs- wie Integrationsgrad deutscher Migranten und andererseits der zukünftigen Bevölkerungsentwicklung in Teilen der Welt und deren Auswirkungen auf die Migration in Europa, bzw. Deutschland. Polarisierend Unterteilt man die Migranten(1) nach Gruppen hinsichtlich ihrer Herkunftsländer, so zeigt sich oft eine starke Polarisierung des Bildungsgrades. Beispiel Rumänien und Polen. Zwar ist der Anteil der Migranten aus Rumänien und Polen ohne Bildungsabschluss wesentlich höher als der Anteil der Einheimischen. Umgekehrt ist der Anteil an Akademikern bei Migranten aus Rumänien und Polen höher als bei Einheimischen. A...
Read more »

die Hot-Dog-Ökonomie

Diego Torres Silvestre " Ice Creams, Hot Dogs & Pretzels" Some rights reserved. www.piqs.de Man stelle sich eine Wirtschaft vor, in der nur zwei Güter hergestellt würden: Würstchen und Brötchen. Konsumenten würden Hotdogs kaufen; also jeweils ein Brötchen mit einer Wurst. Die Fertigung geschieht durch Menschenhand. So fing Paul Krugman 1997 einen Artikel für das Online-Magazine Slate an, in welchem er den Zusammenhang von Technologie, Jobs und Kapitalismus erklären will. Er fährt fort, dass in dieser Wirtschaft 120 Millionen Arbeiter beschäftigt sind, was einer Vollbeschäftigung entspreche. Zur Herstellung einer Wurst oder eines Brötchens benötige es zwei Arbeitstage. Die 60 Millionen Angestellten in der Brötchenproduktion und genauso viele in der Wurstfabrikationen produzieren demnach täglich 30 Millionen Brötchen und Würste. Angenommen es komme eine verbesserte Technologie auf, mit deren Hilfe ein Arbeiter zur Herstellung einer Wurst nur noch einen Tag ...
Read more »

die schöne Welt von Red Bull

Till Krech "wroooom" Some rights reserved. www.piqs.de Red Bull – vom Marktführer für Energiegetränke zum kommenden Medienimperium? Das Magazin Fast Company vergab in der Liste „The World´s 50 Most Innovative Companies“ den 29. Platz an Red Bull für genau diese Entwicklung. Gebündelt unter dem Dach der Red Bull Media House GmbH besitzt der Konzern mittlerweile verschiedene Medienbeteiligungen und Neugründungen. Kritiker bezeichnen es als eine gewaltige Marketingmaschine. Rund ein Drittel des Umsatzes wird für die Pflege des Marktauftritts ausgegeben. Eine firmeninterne Nachrichtenagentur sammelt Inhalte zu einen der vielen weltweiten aufsehenerregenden Red-Bull-Ereignisse, um sie externen Medien gebündelt und aufbereitet zur Verfügung zu stellen. Über eigene Medien werden die Konsumenten sogar direkt erreicht. Das 2007 gegründete Hochglanzmagazin "Red Bulletin" hat bereits eine Auflage von 5 Millionen Heften erreicht und wird mehrspraching in zwö...
Read more »

Verspargelung der Landschaft

FZ 18: "Mount Idarkopf" www.piqs.de Some Rights reserved. Vielleicht ist es, weil ich erst 22 Jahre alt bin. Vielleicht weil es bei meiner Heimatstadt schon seit mehr als zehn Jahren ein Windrad gibt. Aber das Argument einer Verspargelung der Landschaft durch Windräder zählt für mich nicht. Ich komme aus Baden-Württemberg. Insofern verfolgt mich das Argument der Verspargelung der Landschaft durch den ehemaligen baden-württembergischen Ministerpräsidenten Erwin Teufel fast genauso lange wie das Windrad vor meiner Haustür. Das Argument wird immer wieder von jenen hervorgebracht, welche gegen die Aufstellung von Windrädern sind. Die einen fürchten um die Landschaft, andere finden sie einfach nicht schön und noch andere bringen es nur als Vorwand. Besonders die Nähe zur Atomwirtschaft fällt einem bei der hießigen CDU auf. In Baden-Württemberg ist der Fall bei den Windrädern vielleicht ein bisschen spezieller. Wenn man hier die Windenergie effizient nutzen will, so...
Read more »