IDEAS home Printed from https://ideas.repec.org/p/zbw/rwimat/62.html
   My bibliography  Save this paper

Konjunkturprognosen in bewegten Zeiten: Die Kunst des Unmöglichen?

Author

Listed:
  • Döhrn, Roland

Abstract

Im Jahr 2009 hat der Ruf der Konjunkturprognostiker schwer gelitten. Hatten Sie nicht die schwerste Wirtschaftskrise seit dem Zweiten Weltkrieg nicht kommen sehen? Hatten Sie nicht ihre Prognosen erst angepasst, und dann auch nur zögerlich, als der Zusammenbruch des Finanzmarktes nicht mehr zu übersehen war? Ist es vor diesem Hintergrund nicht allzu verständlich, dass von einigen Seiten sogar gefordert wurde, man solle auf teure, mit öffentlichen Geldern hoch subventionierte Prognosen ganz verzichten? Nun wäre ein Verzicht mit hoher Wahrscheinlichkeit keine Lösung, da der Bedarf an Prognosen hoch ist. Finanzminister, die ihre Haushalte aufstellen, benötigen sie ebenso wie Unternehmen bei ihrer Produktionsplanung oder die Tarifparteien bei ihren Lohnverhandlungen. Insofern dürfte die Zukunft der Prognostiker gesichert sein. Wenn Prognosen allerdings so ungenau sind, stellt sich die Frage, ob man sie nicht mit einfacheren und kostengünstigeren Verfahren ableiten könnte. Auch dies wage ich zu bezweifeln. Erstens zeigen Analysen vergangener Prognosen und ihrer Fehler nahezu übereinstimmend, dass detaillierte Expertenprognosen einfache, rein statistische Modelle an Genauigkeit übertreffen. Zweitens sind die Nachfrager keineswegs nur an der Vorhersage der Zuwachsrate des Bruttoinlandsprodukts interessiert, auf die sich das ffentliche Interesse sehr stark konzentriert, sondern an einer Vielzahl ökonomischer Variablen, die sich aus einfachen Ansätzen nur schwierig konsistent ableiten lassen. Sicher, gute Prognostiker werden aus den jüngsten Fehlern lernen, wie sie aus jedem Fehler der Vergangenheit gelernt haben. Da jedoch jeder Konjunkturzyklus anders ist und sich die Geschichte selten in gleicher Weise wiederholt, besteht auch die Gefahr, dass sie das Falsche aus den jüngsten Erfahrungen lernen und daher bei künftigen Prognosen aufgrund unzureichender Analogien erneut zu falschen Schlüssen gelangen. Wichtiger scheint mir aber eine andere Konsequenz, die man aus den Erfahrungen der beiden vergangenen Jahren ziehen muss: Prognostiker müssen deutlich besser kommunizieren, was sie tun und wo die Grenzen ihrer Aussagen liegen. Gleichzeitig müssen die Nutzer der Prognosen auch deutlich stärker bereit sein, Grenzen prognostischer Aussagen zu akzeptieren und in ihren Planungen zu berücksichtigen. Vor diesem Hintergrund möchte ich etwas Verständnis für die Sache der Prognostiker zu wecken. Dabei kann ich mich durchaus an dem Stoffplan orientieren, den ich nunmehr seit 1993 versuche, den Studierenden hier in Essen in der Vorlesung 'Konjunkturdiagnose und -prognose' nahezubringen. Zunächst gehen die Überlegungen eher ins Grundsätzliche: Was ist eine Prognose und was können wir über die Zukunft wissen? Sodann soll auf den wichtigsten Rohstoff des Prognosegeschäfts eingegangen werden, auf die Daten, auf deren Grundlage wir unsere Vorhersagen erstellen, und die Anwender der Prognosen ihre Entscheidungen treffen. Der Ausflug ins Methodische soll an einem einfachen Beispiel verdeutlichen, wie schwierig es in der konkreten Situation sein kann, zu bestimmen, an welcher Position im Konjunkturzyklus sich die Wirtschaft befindet. Der vierte Abschnitt befasst sich mit der Evaluation früherer Prognosen und in diesem Zusammenhang mit der Frage, was man aus vergangenen Fehlern lernen kann und was die Forschung dazu beitragen könnte, künftige Prognosen zu verbessern. Aus alledem sollen abschließend einige Folgerungen gezogen werden.

Suggested Citation

  • Döhrn, Roland, 2010. "Konjunkturprognosen in bewegten Zeiten: Die Kunst des Unmöglichen?," RWI Materialien 62, RWI - Leibniz-Institut für Wirtschaftsforschung.
  • Handle: RePEc:zbw:rwimat:62
    as

    Download full text from publisher

    File URL: https://www.econstor.eu/bitstream/10419/61120/1/668215143.pdf
    Download Restriction: no
    ---><---

    References listed on IDEAS

    as
    1. Taleb, Nassim Nicholas, 2007. "Black Swans and the Domains of Statistics," The American Statistician, American Statistical Association, vol. 61, pages 198-200, August.
    2. David F. Hendry & Neil R. Ericsson (ed.), 2003. "Understanding Economic Forecasts," MIT Press Books, The MIT Press, edition 1, volume 1, number 0262582422, December.
    3. Simeon Vosen & Torsten Schmidt, 2011. "Forecasting private consumption: survey‐based indicators vs. Google trends," Journal of Forecasting, John Wiley & Sons, Ltd., vol. 30(6), pages 565-578, September.
    4. Kholodilin, Konstantin A. & Yao, Vincent W., 2005. "Measuring and predicting turning points using a dynamic bi-factor model," International Journal of Forecasting, Elsevier, vol. 21(3), pages 525-537.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. repec:zbw:rwimat:062 is not listed on IDEAS
    2. Roland Döhrn, 2011. "Konjunkturprognosen in bewegten Zeiten: Die Kunst des Unmöglichen?," RWI Materialien, Rheinisch-Westfälisches Institut für Wirtschaftsforschung, pages 26, 01.
    3. Martin Obschonka & Mingjie Zhou & Yixin Zhou & Jianxin Zhang & Rainer K. Silbereisen, 2019. "“Confucian” traits, entrepreneurial personality, and entrepreneurship in China: a regional analysis," Small Business Economics, Springer, vol. 53(4), pages 961-979, December.
    4. Parrini, Alessandro, 2013. "Importance Sampling for Portfolio Credit Risk in Factor Copula Models," MPRA Paper 103745, University Library of Munich, Germany.
    5. Child, K. & Desta, G. & Douthwaite, B. & Haileslassie, Amare & van Rooyen, A. & Tamene, L. & Uhlenbrook, Stefan, 2021. "Impact tracking: a practitioner-developed approach to scaling agricultural innovation in Ethiopia," IWMI Books, Reports H050789, International Water Management Institute.
    6. Wändi Bruine de Bruin & Michael F. Bryan & Simon M. Potter & Giorgio Topa & Wilbert Van der Klaauw, 2008. "Rethinking the measurement of household inflation expectations: preliminary findings," Staff Reports 359, Federal Reserve Bank of New York.
    7. Jacques Bughin, 2015. "Google searches and twitter mood: nowcasting telecom sales performance," Netnomics, Springer, vol. 16(1), pages 87-105, August.
    8. Robert Lehmann, 2021. "Forecasting exports across Europe: What are the superior survey indicators?," Empirical Economics, Springer, vol. 60(5), pages 2429-2453, May.
    9. Vosen, Simeon & Schmidt, Torsten, 2012. "A monthly consumption indicator for Germany based on Internet search query data," EconStor Open Access Articles and Book Chapters, ZBW - Leibniz Information Centre for Economics, vol. 19(7), pages 683-687.
    10. Katarina Juselius, 2022. "A Theory-Consistent CVAR Scenario for a Monetary Model with Forward-Looking Expectations," Econometrics, MDPI, vol. 10(2), pages 1-15, April.
    11. Konstantin A. Kholodilin, 2006. "Using the Dynamic Bi-Factor Model with Markov Switching to Predict the Cyclical Turns in the Large European Economies," Discussion Papers of DIW Berlin 554, DIW Berlin, German Institute for Economic Research.
    12. Chien-jung Ting & Yi-Long Hsiao, 2022. "Nowcasting the GDP in Taiwan and the Real-Time Tourism Data," Advances in Management and Applied Economics, SCIENPRESS Ltd, vol. 12(3), pages 1-2.
    13. Nikolaos Askitas & Klaus F. Zimmermann, 2015. "The internet as a data source for advancement in social sciences," International Journal of Manpower, Emerald Group Publishing Limited, vol. 36(1), pages 2-12, April.
    14. Goodwin, Paul & Önkal, Dilek & Thomson, Mary, 2010. "Do forecasts expressed as prediction intervals improve production planning decisions?," European Journal of Operational Research, Elsevier, vol. 205(1), pages 195-201, August.
    15. Götz, Thomas B. & Knetsch, Thomas A., 2019. "Google data in bridge equation models for German GDP," International Journal of Forecasting, Elsevier, vol. 35(1), pages 45-66.
    16. Fondeur, Y. & Karamé, F., 2013. "Can Google data help predict French youth unemployment?," Economic Modelling, Elsevier, vol. 30(C), pages 117-125.
    17. Zeynalov, Ayaz, 2014. "Nowcasting Tourist Arrivals to Prague: Google Econometrics," MPRA Paper 60945, University Library of Munich, Germany.
    18. Kristina Gligorić & Arnaud Chiolero & Emre Kıcıman & Ryen W. White & Robert West, 2022. "Population-scale dietary interests during the COVID-19 pandemic," Nature Communications, Nature, vol. 13(1), pages 1-14, December.
    19. Stephen L. France & Yuying Shi, 2017. "Aggregating Google Trends: Multivariate Testing and Analysis," Papers 1712.03152, arXiv.org, revised Mar 2018.
    20. Hendry, David F. & Mizon, Grayham E., 2014. "Unpredictability in economic analysis, econometric modeling and forecasting," Journal of Econometrics, Elsevier, vol. 182(1), pages 186-195.
    21. Caperna, Giulio & Colagrossi, Marco & Geraci, Andrea & Mazzarella, Gianluca, 2022. "A babel of web-searches: Googling unemployment during the pandemic," Labour Economics, Elsevier, vol. 74(C).

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:zbw:rwimat:62. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a bibliographic reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: ZBW - Leibniz Information Centre for Economics (email available below). General contact details of provider: https://edirc.repec.org/data/rwiesde.html .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.