Document [original]

Einkommensunterschiede, Armut

und Vulnerabilität in Shenzhen

Stefan Gravemeyer

Inhaltsverzeichnis

Einleitung 9

1 Disparität, Bildung und Diskriminierung 13

1.1 Einkommensdeterminanten im urbanen China . . . . . . . . . . . . . . 14

1.2 Einkommensverteilung in Shenzhen . . . . . . . . . . . . . . . . . . . . 21

1.2.1 Disparitätsmaße........................... 22

1.2.2 Datensatzbeschreibung . . . . . . . . . . . . . . . . . . . . . . . 30

1.2.3 Deskriptive Fakten . . . . . . . . . . . . . . . . . . . . . . . . . 32

1.3 EmpirischeAnalyse............................. 35

1.3.1 Bildung als Einkommensdeterminante im Mincermodell . . . . . 36

1.3.2 Ökonometrisches Modell . . . . . . . . . . . . . . . . . . . . . . 40

1.3.3 Ergebnisse.............................. 46

1.3.4 Zerlegung .............................. 51

1.4 Einkommensdeterminanten in Shenzhen . . . . . . . . . . . . . . . . . 54

1.4.1 Humankapital............................ 55

Inhaltsverzeichnis 3

1.4.2 Persönliche Eigenschaften . . . . . . . . . . . . . . . . . . . . . 56

1.4.3 Soziale Normen und Politikmaßnahmen . . . . . . . . . . . . . . 57

1.4.4 Arbeitsplatzeigenschaften . . . . . . . . . . . . . . . . . . . . . 59

1.4.5 Auswirkung des Registrierungsstatuses bei Migranten . . . . . . 59

1.5 Zusammenfassung.............................. 63

2 Armut 65

2.1 Armut im urbanen China . . . . . . . . . . . . . . . . . . . . . . . . . . 65

2.2 ArmutinShenzhen............................. 70

2.2.1 Armutsindices............................ 71

2.2.2 Einkommenskorrektur . . . . . . . . . . . . . . . . . . . . . . . 76

2.2.3 Datensatzbeschreibung . . . . . . . . . . . . . . . . . . . . . . . 77

2.2.4 Deskriptive Fakten . . . . . . . . . . . . . . . . . . . . . . . . . 79

2.3 EmpirischeAnalyse............................. 82

2.3.1 Armutsdeterminierende Faktoren . . . . . . . . . . . . . . . . . 82

2.3.2 Ökonometrisches Modell . . . . . . . . . . . . . . . . . . . . . . 86

2.3.3 Ergebnisse.............................. 96

2.3.4 Zerlegung .............................. 104

2.4 Ursachen der Armut in Shenzhen . . . . . . . . . . . . . . . . . . . . . 105

2.4.1 Haushaltszusammensetzung . . . . . . . . . . . . . . . . . . . . 106

2.4.2 Produktionsfaktoren . . . . . . . . . . . . . . . . . . . . . . . . 107

2.4.3 Soziale Normen und Politikmaßnahmen . . . . . . . . . . . . . . 109

2.4.4 Arbeitsplatzeigenschaften . . . . . . . . . . . . . . . . . . . . . 110

2.4.5 Diskriminierung der Migranten . . . . . . . . . . . . . . . . . . 111

2.5 Zusammenfassung der Armutssituation . . . . . . . . . . . . . . . . . . 113

Inhaltsverzeichnis 4

2.6 Vulnerabilität als neues Konzept der Armutsforschung . . . . . . . . . . 115

2.6.1 Abgrenzung des Begriffs der Vulnerabilität . . . . . . . . . . . . 116

2.6.2 Abgrenzung zu klassischen Armutsmaßen . . . . . . . . . . . . . 118

2.7 EmpirischeAnalyse............................. 119

2.7.1 Ökonometrisches Modell . . . . . . . . . . . . . . . . . . . . . . 121

2.7.2 Ergebnisse.............................. 128

2.8 Ursachen der Gefährdung . . . . . . . . . . . . . . . . . . . . . . . . . 132

2.9 Zusammenfassung der Armutsgefährdungssituation . . . . . . . . . . . 137

Fazit 139

Literaturverzeichnis 142

Anhang 155

Abbildungsverzeichnis

1.1 Lorenzkurve der 16-65 jährigen mit Einkommen im Jahr 2005 . . . . . 32

1.2 Theil Index zerlegt nach Bildungsabschlüssen . . . . . . . . . . . . . . 34

2.1 Armutsquotenentwicklung in China . . . . . . . . . . . . . . . . . . . . 67

2.2 Unterschiede in den Variablen relativ zum Medianhaushalt mit dem Min-

destlohn als Armutsgrenze . . . . . . . . . . . . . . . . . . . . . . . . . 134

2.3 Unterschiede in den Variablen relativ zum Medianhaushalt mit relativer

Armutsgrenze................................ 136

Tabellenverzeichnis

1.1 Shenzhen Haushaltsbefragung 2005: Individualstichprobe . . . . . . . . 31

1.2 Variablen Beschreibung: Einfaches Mincermodell . . . . . . . . . . . . 43

1.3 Variablen Beschreibung: Erweitertes Mincermodell . . . . . . . . . . . . 45

1.4 Regressionsergebnisse mit Indikator Variablen. Einfaches- und erweiter-

tesMincermodell .............................. 46

1.5 Regressionsergebnisse mit Indikatorvariablen. Getrennte Regressionen . 48

1.6 Regressionsergebnisse mit Schuljahren. Einfaches und erweitertes Min-

cermodell .................................. 49

1.7 Regressionsergebnisse mit Schuljahren. Getrennte Regressionen . . . . 50

1.8 Bildungsrenditen .............................. 51

1.9 Oaxaca-Blinder Zerlegungsergebnisse mit Indikator Variablen . . . . . 53

1.10 Oaxaca-Blinder Zerlegungsergebnisse mit Schuljahren . . . . . . . . . . 54

2.1 Shenzhen Haushaltsbefragung 2005: Haushaltsstichprobe . . . . . . . . 77

2.2 Armutsindices für Shenzhen 2005 . . . . . . . . . . . . . . . . . . . . . 80

Tabellenverzeichnis 7

2.3 Armutsquoten nach Registrierungsstatus . . . . . . . . . . . . . . . . . 80

2.4 Variablen Beschreibung: Armutsregressionen . . . . . . . . . . . . . . . 95

2.5 Regressionsergebnisse der Probit Regression für alle Haushalte . . . . . 98

2.6 Regressionsergebnisse der Probit Regression für die städtisch registrier-

tenHaushalte................................ 99

2.7 Regressionsergebnisse der Probit Regression für die Migrantenhaushalte 99

2.8 Regressionsergebnisse der Tobit Regression für alle Haushalte . . . . . 100

2.9 Regressionsergebnisse der Tobit Regression für die städtisch registrierten

Haushalte .................................. 101

2.10 Regressionsergebnisse der Tobit Regression für die Migrantenhaushalte 102

2.11 Regressionsergebnisse der OLS Regression. Alle Haushalte, städtisch re-

gistrierte Haushalte und Migrantenhaushalte . . . . . . . . . . . . . . 103

2.12 Oaxaca-Blinder Zerlegungsergebnisse der Probit Regression . . . . . . 104

2.13 Oaxaca-Blinder Zerlegungsergebnisse der Tobit Regression . . . . . . . 104

2.14 Anteile stark gefährdeter Haushalte mit dem Mindestlohn als Armuts-

grenze .................................... 129

2.15 Anteile stark gefährdeter Haushalte mit relativer Armutsgrenze (1/2 Me-

dianeinkommen) .............................. 130

2.16 Anteile leicht gefährdeter Haushalte mit dem Mindestlohn als Armuts-

grenze .................................... 131

2.17 Regressionsergebnisse der Probit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Alle Haushalte . . . . . . . . . . . . . . . 156

2.18 Regressionsergebnisse der Probit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Städtisch registrierte Haushalte. . . . . . 157

Tabellenverzeichnis 8

2.19 Regressionsergebnisse der Probit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Migrantenhaushalte . . . . . . . . . . . . 158

2.20 Regressionsergebnisse der Tobit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Alle Haushalte . . . . . . . . . . . . . . . 159

2.21 Regressionsergebnisse der Tobit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Städtisch registrierte Haushalte . . . . . . 160

2.22 Regressionsergebnisse der Tobit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Migrantenhaushalte . . . . . . . . . . . . 161

2.23 Test auf Misspezifikation der Skedastizitätsfunktion . . . . . . . . . . . 162

2.24 ....................................... 163

2.25 ....................................... 164

2.26 ....................................... 165

2.27 Variablen Beschreibung: Erweitertes Mincermodell . . . . . . . . . . . . 166

2.28 Variablen Beschreibung: Armutsregressionen . . . . . . . . . . . . . . . 167

Einleitung

Ziel dieser Arbeit ist es, Einkommensunterschiede und Armut in der chinesischen Stadt

Shenzhen zu untersuchen. Shenzhen, gelegen in der Provinz Guangdong, befindet sich

in geographischer Nähe zu Hongkong. Die Stadt entwickelte sich von einem kleinen

Fischerdorf mit rund 20.000 Einwohnern im Jahre 1970 zu einer großen urbanen Ag-

glomeration mit 300.000 Einwohnern Ende 1980. Zu diesem Zeitpunkt wurde Shenzhen

eine der ersten Special Economic Zones (SEZ) in China. Hierbei handelt es sich um

die erste chinesische Stadt, die diesen Sonderstatus im Zuge einer allgemeinen Stra-

tegie der Öffnung der chinesischen Regierung verliehen bekam. Prinzipiell intendierte

die chinesische Regierung mit der Einführung von SEZ Sonderzonen eine Beschleuni-

gung der Entwicklung der chinesischen Wirtschaft sowie eine graduelle Öffnung für den

Welthandel. Dies sollte sowohl das Handelsvolumen erweitern als auch Innovation und

Wachstum durch ausländische Direktinvestitionen fördern. Die Einführung dieser Son-

derzonen erwies sich als ausgesprochen erfolgreich, insbesondere im Fall von Shenzhen.

Ende 2006 war aus dem Fischerdorf eine Stadt mit annähernd neun Millionen Einwoh-

Einleitung 10

nern geworden. Die Wachstumsrate des Bruttoinlandsprodukts war ebenso beachtlich

wie die Bevölkerungszunahme. Zwischen 1980 und 2006 wuchs das Bruttoinlandspro-

dukt durchschnittlich um 27%. Ende 2006 hatte Shenzhen somit ein nominales Brutto-

inlandsprodukt von umgerechnet $75.000.000 sowie ein Bruttoinlandsprodukt pro Kopf

von $8800. Dieses massive Wachstum und der damit verbundene Erfolg wird von den

Chinesen oftmals, in Anlehnung an den “American Dream”, als der Shenzhen Dream

bezeichnet. Der massive Zufluss von ausländischen Direktinvestitionen und ein enormes

Wachstum des Handelsvolumens, verursacht durch die Gründung der SEZ, ermöglich-

ten dieses rasante Wachstum (Yeung et al. 2009). Im Zuge dieses Wachstumsprozesses

veränderte sich die Wirtschaftsstruktur von Shenzhen. Früher vom primären Sektor

geprägt, entwickelte sich insbesondere der sekundäre Sektor äußerst schnell. Aufgrund

des Schwerpunktes in industrieller Fertigung wird Shenzhen auch allgemein als Zen-

trum der chinesischen Fabrik bezeichnet. Die Exportindustrie macht hierbei ungefähr

die Hälfte des Bruttoinlandsprodukts von Shenzhen aus. Hierbei werden die Exporte

dominiert von Softwareprodukten, Mikroelektronik, Unterhaltungselektronik, elektro-

mechanischer Integration sowie durch weitere leichte Industrieprodukte und Energie.

Trotz der weiterhin herausragenden Rolle des produzierenden Gewerbes gewinnt der

Servicesektor durch immer schnellere Wachstumsraten immer mehr an Bedeutung. Die

geographische Nähe zu Hongkong führte weiterhin dazu, dass Shenzhen den größten

Hafen neben Shanghai besitzt. Dies führte zu hohen Handelsvolumina zwischen bei-

den Städten. Große Mengen an Gütern werden von Hongkong importiert, in Shenzhen

weiterverarbeitet und re-exportiert.

Eine Begleiterscheinung, sowie treibender Faktor des Wachstums von Shenzhen, war

die Migration von Arbeitskräften in diese städtische Agglomeration. Der enorme Zu-

Einleitung 11

strom von Migranten1hatte seinen Hauptursprung in den eher armen ländlichen Ge-

bieten Chinas. Ein Resultat dieser starken Binnenmigration ist, dass Shenzhen eine

der jüngsten Städte in China ist, in welcher viele junge Einpersonenhaushalte zu fin-

den sind. Ein negativer Aspekt dieser bemerkenswerten Wachstumsgeschichte ist im

Hinblick auf die Einkommensunterschiede, dass Shenzhen ebenso zu den führenden

Städten in China bezüglich der Unterschiede zwischen arm und reich zählt. Auch in

dieser Hinsicht spielen die Migranten eine besondere Rolle.

Allgemein liegt das besondere Interesse an Shenzhen darin begründet, dass viele

Chinesen diese Stadt und ihre rasante Entwicklung als beispielhaft für eine weitere

Entwicklung des städtischen Chinas sehen. Fraglich ist hierbei inwiefern dieser öko-

nomische Erfolg das Einkommen und den Wohlstand der Einwohner beeinflusst und

verändert hat. Wie wichtig sind persönliche- oder Haushaltseigenschaften, soziale Nor-

men und diskriminierende Faktoren die ihren Ursprung in politischen Entscheidungen

haben für Einkommen, Armut und persönlichen Wohlstand in dieser Stadt? Haben die

Migranten ebenso wie die ursprünglichen städtisch registrierten Einwohner von diesem

Wachstum profitieren können oder werden sie diskriminiert? Wie hoch sind die Einkom-

mensunterschiede und die Armut in dieser Stadt und was bedingt sie? Wie verwundbar

sind die Haushalte und wie gestalten sich die Zusammenhänge zwischen Migration, Ar-

mut und Verwundbarkeit? Ziel dieser Arbeit ist es, eine Antwort auf diese Fragen zu

geben. Grundlage hierfür ist die Shenzhen Haushaltsbefragung 2005 die aufgrund ihrer

Struktur einen einzigartigen Blick auf diese Phänomene erlaubt. Auf Grundlage der

Arbeit an dieser Dissertation sind bereits zwei Veröffentlichungen erschienen auf die an

1In dieser Arbeit bezieht sich Migranten, falls es nicht anders explizit erwähnt wird, immer auf

inländische Land-Stadt Migranten.

Einleitung 12

dieser Stelle als weitere Quelle verwiesen sei. Hierbei handelt es sich um einen Journal-

(Gravemeyer, Gries und Xue 2011-1) sowie einen Buchbeitrag (Gravemeyer, Gries und

Xue 2011-2).

Einkommensdisparität und Armut sind zwei eng miteinander verknüpfte Phänomene.

Die Analyse gliedert sich aus diesem Grund in zwei Hauptteile: Zuerst werden im

ersten Kapitel die Einkommensunterschiede und die Zusammenhänge mit Bildung und

Diskriminierung in Shenzhen untersucht. Das zweite Kapitel baut auf den Ergebnissen

des ersten Kapitels auf und verwendet, soweit möglich, ähnliche erklärende Variablen,

legt aber den Schwerpunkt auf Armut und die Determinanten von Armut sowie auf die

Errechnung von Vulnerabilitätskennziffern für die Haushalte. Da in der Armutsanalyse

generell Haushaltsdaten zugrunde gelegt werden, wird jedoch im Gegensatz zum ersten

Kapitel auf die Haushaltsdaten der Shenzhen Haushaltsbefragung 2005 zurückgegriffen.

1 Disparität, Bildung und Diskriminierung

In den meisten Industrienationen ist Humankapital der dominante einkommensgenerie-

rende Faktor. Es stellt sich die Frage, inwiefern in Shenzhen dieser Produktionsfaktor

ebenso eine dominierende Rolle spielt, oder ob ein Großteil des Einkommens weiterhin

durch soziale Normen, Traditionen oder Diskriminierung bestimmt wird. Ein beson-

derer Schwerpunkt der Analyse liegt bei Faktoren, die einen möglichen Einfluss auf

das individuelle Einkommen ohne einen realen Produktivitätsgewinn haben. Im Zu-

sammenhang mit diesen Faktoren fällt oft auch der Begriff der Lohndiskriminierung.

Der Einfluss dieser Faktoren auf Einkommensunterschiede und Einkommen kann im

Allgemeinen als Indikator für sozio-ökonomische Entwicklung während eines Trans-

formationsprozesses betrachtet werden. Tanzi (1998) stellt fest, dass in Entwicklungs-

und Schwellenländern der Einfluss dieser Faktoren meist höher ist als in entwickelten

Industrienationen, in denen primär Marktkräfte dominieren. Um den Einfluss dieser

Faktoren zu isolieren, muss das in der später folgenden ökonometrischen Analyse zu-

grunde gelegte traditionelle Mincermodell um zusätzliche Variablen erweitert werden.

1.1 Einkommensdeterminanten im urbanen China 14

Zuerst wird jedoch nach einem Überblick über die in der Literatur diskutierten Ein-

kommensdeterminanten ein deskriptiver Überblick über die Einkommensverteilung in

Shenzhen gegeben. Auf diesem Kapitel basiert auch der Journalbeitrag Gravemeyer,

Gries und Xue (2011-1) auf den hier als zusätzliche englischsprachige Quelle verwiesen

sei.

1.1 Einkommensdeterminanten im urbanen China

Es existieren zahlreiche Studien, die sich mit Einkommen und den Einkommensdetermi-

nanten in China befassen. Der geographische Fokus ist hierbei äußerst unterschiedlich.

Die Spannweite umfasst sowohl länderübergreifende als auch regionale oder auf eine

Stadt fokussierte Studien. Die in der Literatur identifizierten Einkommensdeterminan-

ten werden im Folgenden den Kategorien Humankapital und Erfahrung, soziale Normen

und Politikmaßnahmen, sowie persönliche- und Arbeitsplatzeigenschaften zugeordnet.

Humankapital Humankapital und seine Auswirkung auf das persönliche Einkommen

ist ein in vielen Studien zu findender Zusammenhang.1Bezüglich der unterschiedlichen

Formen von Humankapital kann die Aufenthaltszeit in Shenzhen als ein Indikator für

Erfahrung betrachtet werden. Eine längere Aufenthaltszeit erlaubt es, regionenspezifi-

sche Fertigkeiten zu erlernen, sowie soziale Kontakte und Netzwerke aufzubauen. Dies

wird insbesondere von Fan (2001) und Liu et al. (2004) sowie von Wan (2006) her-

ausgestellt. Ihre Studien befassen sich insbesondere mit dem Stadtgebiet Hongkong

1Für eine Übersicht siehe u.a. Card (1999) oder Wößmann (2003).

1.1 Einkommensdeterminanten im urbanen China 15

und bestätigen eine positive Korrelation zwischen Einkommen und Aufenthaltsdauer.

Dies deutet auf einen positiven Einfluss des Assimilationsprozesses hin. Migranten er-

lernen regional spezifische Fähigkeiten, ebenso wie arbeitsplatzspezifische Fähigkeiten.

Dies führt zu einer besseren Adaption in den lokalen Arbeitsmarkt. Hierdurch wird

ihr Profil für den lokalen Arbeitsmarkt verbessert sowie ihre Produktivität erhöht. Die

positiven Effekte stehen in direktem Zusammenhang mit der Aufenthaltsdauer in der

Stadt. Trotz dieser positiven Effekte, die durch Assimilation verursacht werden, weisen

sie darauf hin, dass nicht davon ausgegangen werden kann, dass es zwangsläufig zu ei-

ner Angleichung der Migrantenlöhne mit denen der städtischen Ursprungsbevölkerung

kommen muss. Die Lohndifferenziale zwischen beiden Gruppen werden zwar verringert,

sind aber dennoch nicht in der Lage die Lohndifferenz, die durch Lohndiskriminierung

verursacht wird, auszugleichen. Des Weiteren wird auch ein Zusammenhang zwischen

Migrationsstatus und Arbeitsplatzmobilität sowie Jobwechseln gesehen. Yueh (2004)

unterstreicht, dass die Arbeitsplatzmobilität von Migranten weitaus höher ist als die

der städtischen Ursprungsbevölkerung. Ebenso ist ein deutlich niedrigeres Lohneinkom-

men der Migranten zu beobachten. In diesem Zusammenhang können niedrigere Löhne

für Individuen die oft den Arbeitsplatz wechseln einen generellen Mangel an Humanka-

pital abbilden. Firmenspezifisches und regionenspezifisches Humankapital wird durch

den Arbeitsplatzwechsel entwertet.

Da die Auswirkungen von persönlichen Eigenschaften, sozialen Normen, Traditio-

nen und institutionellen Faktoren auf das Einkommen einer der Schwerpunkte dieser

Arbeit sind, ist es notwendig, die relevanten nicht produktivitätsorientierten Faktoren

zu identifizieren. In der Literatur werden in Bezug auf China unterschiedliche Varia-

blen identifiziert, die diesen Kategorien zuzuordnen sind und nun im weiteren kurz

1.1 Einkommensdeterminanten im urbanen China 16

vorgestellt werden.

Persönliche Eigenschaften Geschlecht und Familienstand sind hierbei unter den am

meisten untersuchten persönlichen Determinanten des Einkommens. Ng (2004), Shu

(2005) und Ng (2007) kommen zu dem Schluss, dass Frauen mit vergleichbarer Ausbil-

dung ein niedrigeres Lohneinkommen haben als Männer, wobei dieses Lohndifferenzial

ihrer Aussage nach meist durch Diskriminierung und nicht durch Produktivitätsunter-

schiede verursacht wird. Diese Ergebnisse sind den Resultaten von Knight und Song

(2003) ähnlich. Hughes und Maurer-Fazio (2002) unterstreichen, dass Geschlechter-

diskriminierung mit höherem Bildungsniveau abnimmt. Ein weiteres Ergebnis ihrer

Studien ist, dass Familienstatus ebenso einen Effekt auf das Geschlechterlohndifferen-

zial hat. In China ist zu beobachten, dass das geschlechtsspezifische Lohndifferenzial

zwischen Frauen und Männern für unverheiratete Frauen größer ist als für Verheiratete.

Des Weiteren erläutern Bishop et al. (2005), dass der positive Einfluss einer Heirat für

Frauen geringer ist als für Männer, insbesondere für Frauen mit geringem Einkommen.

Sie argumentieren, dass dies durch die unterschiedlichen geschlechtsspezifischen Effek-

te der Heirat verursacht wird. Gerade Männer arbeiten im Durchschnitt härter und

haben eine höhere Produktivität in ihrer Rolle als Familienernährer, während verhei-

ratete Frauen ihren Arbeitseinsatz verringern, um sich um die Belange der Familie zu

kümmern. Dieses Argument wird ebenso von Li et al. (2006) herausgestellt, der zeigt,

dass in China Männer einen größeren Anteil an dem Beitrag zum Haushaltseinkommen

haben als Frauen. Das Argument, dass Heirat die männliche Produktivität erhöht, ist

ebenso geeignet das Lohndifferential zwischen verheirateten und unverheirateten Män-

nern zu erklären. Unterschiedlicher sozialer Status, der durch Heirat generiert wird,

1.1 Einkommensdeterminanten im urbanen China 17

kann ebenso ein Erklärungsfaktor sein.

Soziale Normen und Politikmaßnahmen Knight und Song (2003) als auch Cao and Nee

(2005) konstatieren einen positiven Einfluss von Parteimitgliedschaft auf das Einkom-

men. Allerdings ist anzumerken, dass sich eine Mitgliedschaft in der kommunistischen

Partei nicht nur aufgrund von besserer Vernetzung und besseren Kontakten positiv auf

das Einkommen auswirkt, sondern ebenso ein Indikator für Fähigkeit sein kann. Dies

wird insbesondere von Lam (2003) herausgestellt.

Des Weiteren kommt im Falle des urbanen China dem Hukou Registrierungssystem

eine besondere Bedeutung zu. Gravemeyer, Gries und Xue (2008) identifizieren das

Registrierungssystem als einen der Faktoren, der zu äußerst starker Diskriminierung

führt. Chen und Coulson (2002), Du et al. (2005) oder Lu und Song (2006) führen aus,

dass die Migration von armen ländlichen Gebieten in die großen Städte, verursacht

durch wirtschaftliche Anreize, zu einer großen Präsenz von Land-Stadt Migranten mit

einer ländlichen Registrierung in den urbanen Gebieten führt. Der originäre Gedanke

hinter dem Hukou Registrierungssystem bestand darin, Migration zu kontrollieren und

limitieren. Die Begrenzung der Migration durch das Hukousystem war allerdings nur be-

grenzt erfolgreich. Des Weiteren wurden die strikten Regeln des Registrierungssystems

im Laufe des Reformprozesses gelockert. Studien von Lu und Song (2006), Fan (2001)

und Wan (2006) zeigen, dass signifikante Einkommensunterschiede zwischen der Mi-

grantenpopulation in den Städten und der städtischen Ursprungspopulation mit städti-

scher Registrierung existieren. Diese Einkommensunterschiede sind nicht ausschließlich

durch eine bessere Ausstattung mit Produktionsfaktoren zu erklären, sondern werden

1.1 Einkommensdeterminanten im urbanen China 18

auch u.a. durch Lohndiskriminierung verursacht. Laut Liu (2005) sind nicht städtisch

registrierte Migranten neben den Lohnunterschieden ebenso dadurch benachteiligt, dass

viele Sozialleistungen und öffentliche Güter, wie beispielsweise kostenlose Schulbildung,

ihnen nicht zugänglich sind. Hierbei ist zu beobachten, dass die Wahrscheinlichkeit ei-

ne städtische Registrierung zu erhalten von der Höhe des Bildungsabschlusses oder der

Anzahl an Schuljahren beeinflusst wird.

Ein Hauptproblem der meisten Studien und Analysen ist, dass die Migrantenpopu-

lation in den Städten nicht berücksichtigt werden kann. Meng und Zhang (2001) und

Song et al. (2009) oder Lu und Song (2006) stellen fest, dass diese Knappheit an Da-

tenmaterial eine tiefergehende Analyse der Auswirkungen des Registrierungssystems

deutlich erschwert. Sehr wenige Studien, darunter die von Lu und Song (2006), Fan

(2001) oder Hussain (2003), liefern aus diesem Grunde eine detaillierte Analyse der

Situation der Migranten in den Städten. Selbst bei diesen Studien sind die vorliegen-

den Datenmengen gering und nicht von guter Qualität oder, wie im Falle von Lu und

Song (2006), ebenfalls auf eine Stadt begrenzt. Fan (2001) beschäftigt sich insbesonde-

re mit der Arbeitsmarktsegmentierung in Bezug auf Migranten in Guangzhou im Jahr

1998. Alle Autoren unterstreichen, dass dieser Datenmangel zu einer deutlichen Unter-

schätzung von Armut und Disparität in den chinesischen Städten führt. Aus diesem

Grunde kann eine Analyse der Armut und Disparität in Shenzhen einen notwendigen

Beitrag zur genaueren Erfassung der realen Umstände sowie zum besseren Verständnis

der Situation der Migranten leisten. Daher ist es Ziel dieser Studie, eine Analyse der

Einkommensverteilung sowie der einkommensdeterminierenden Faktoren in Shenzhen

unter Berücksichtigung der Migrantenpopulation durchzuführen.

1.1 Einkommensdeterminanten im urbanen China 19

Arbeitsplatzeigenschaften Ein weiterer für China sehr spezifischer Faktor sind staatsei-

gene Betriebe. Diese Betriebe zeichnen sich dadurch aus, dass sie eine höhere Arbeits-

platzsicherheit bieten, überdurchschnittlich gut entlohnen und zahlreiche Vergünsti-

gungen verschiedenster Art bieten (Knight und Song 2003). Arbeitnehmer im priva-

ten Sektor sind mit einer weitaus höheren Arbeitsplatzunsicherheit konfrontiert. Dies

wird insbesondere im wenig qualifizierten Bereich begleitet durch niedrigere Löhne, die

durch ein hohes Arbeitsangebot verursacht werden. Bezüglich einer generell besseren

Entlohnung sind die Meinungen jedoch differenziert, so ermitteln Lu und Song (2006)

oder Heckman und Li (2003) einen negativen Zusammenhang, und es lässt sich kei-

ne eindeutige Tendenz feststellen. Knight und Song (2003) stellen weiterhin fest, dass

Staatsbetriebe meist nur Personen mit einer städtischen Registrierung beschäftigen und

Migranten normalerweise im privaten Sektor arbeiten. Ein Teil des Lohndifferentials

zwischen Migranten und Nichtmigranten mit städtischer Registrierung lässt sich somit

durch Arbeitsmarktsegmentierung erklären. In Bezug auf Firmen, die sich ganz oder

zum Teil in ausländischer Hand befinden, ist eine generell bessere Entlohnung der Mit-

arbeiter zu erwarten (Knight und Song 2003). Ausländische Firmen haben aufgrund

ihres internationalen Netzwerks einen besseren Zugang zu fortschrittlichen Technologi-

en und Organisationsfähigkeiten. Diese Kombination führt zu einer höheren Faktorpro-

duktivität, die zum Teil an die Arbeiter in Form von höheren Löhnen weitergegeben

wird.

In diesem Kapitel wird zuerst die Frage beantwortet, ob diese urbane Erfolgsgeschich-

te sich auch positiv auf das Einkommen aller Einwohner auswirkte. Spielen soziale

Normen, Einstellungen, Traditionen und Diskriminierung immer noch eine gewichtige

Rolle für die Bestimmung des Einkommens? Oder hat Shenzhen einen Entwicklungs-

1.1 Einkommensdeterminanten im urbanen China 20

stand erreicht, wo nur Produktionsfaktoren wie Humankapital das Einkommen deter-

minieren. Welche Rolle spielen die Migranten? War es ihnen möglich an der drastischen

Steigerung des Durchschnittseinkommens teilzuhaben? Hatten sie einen ebenso großen

Wohlfahrtsgewinn wie die städtisch registrierten Einwohner? Gibt es einen Unterschied

in der Entlohnung zwischen Staats- und Privatbetrieben in Shenzhen?

Wie bereits erwähnt ist eine Beantwortung dieser Fragen aufgrund der Datenknapp-

heit meist gar nicht oder nur zum Teil möglich. Die meisten Haushaltsbefragungen

(insbesondere die offiziellen Statistiken) berücksichtigen keine Migrantenhaushalte oh-

ne städtische Registrierung. Diese Analyse verwendet daher die Shenzhen Haushaltsbe-

fragung aus dem Jahre 2005, um eine Antwort auf diese Fragen zu ermöglichen. Ziel ist

es, zu bestimmen, welche Faktoren das Einkommen determinieren und Einkommens-

unterschiede generieren. Ebenso soll der relative Einfluss, den eher institutionell oder

traditionsgeprägte Faktoren im Vergleich zu Produktionsfaktoren wie Humankapital

auf das Einkommen haben, ermittelt werden. Hierbei sollen insbesondere die Lebens-

bedingungen der Land-Stadt Migranten in Shenzhen tiefer gehend analysiert werden.

Um den Einfluss, den das Humankapital auf das Einkommen ausübt, besser analy-

sieren zu können, beginnt die deskriptive Analyse mit der Darstellung der Einkomms-

unterschiede sowie der Zerlegung dieser mittels des Theil Index. Die ökonometrische

Analyse beginnt mit der traditionellen Mincergleichung als Referenzmodell. Die Er-

gebnisse legen nahe, dass Humankapital ein signifikanter einkommensdeterminierender

Faktor ist. Anschließend werden verschiedene Variablen dem Standard Mincer Modell

hinzugefügt, um institutionelle und von Traditionen und sozialen Normen geprägte

Einflüsse berücksichtigen zu können. Die genannten Faktoren lassen sich grob in die

1.2 Einkommensverteilung in Shenzhen 21

Kategorien Humankapital, persönliche Charakteristiken, soziale Normen sowie Politik-

maßnahmen einteilen. Des Weiteren wird eine Oaxaca-Blinder Zerlegung durchgeführt

um den Einfluss von Diskriminierung auf das Einkommen der ländlich registrierten

Bevölkerung darstellen zu können.

1.2 Einkommensverteilung in Shenzhen

In welchem Ausmaß entlohnen die Märkte für zusätzliche Produktivität durch höhe-

re Bildung und Qualifikation? Falls zusätzliches Humankapital zusätzliches Einkom-

men generiert können, Unterschiede im Einkommen zumindest teilweise durch unter-

schiedliche Ausstattung mit Humankapital erklärt werden. Die Analyse beginnt mit

einer deskriptiven Darstellung der Einkommensunterschiede in Shenzhen. Mit Hilfe

des Theil Index wird anschließend die Einkommensdisparität zerlegt. Dies ermöglicht

die grafische Darstellung und Messung des Beitrages, den die formale Bildung auf

die Einkommensunterschiede hat. Hierzu wird die Bevölkerung in verschiedene Bil-

dungsgruppen aufgeteilt. Falls die existierenden Einkommensdifferenziale maßgeblich

zwischen den Gruppen beobachtet werden können, deutet dies auf einen starken Ein-

fluss des Humankapitals hin. Ist der Beitrag, den die formale Bildung auf die Summe

der Einkommensunterschiede hat gering, ist dies ein Hinweis darauf, dass ein Großteil

der Einkommensunterschiede innerhalb der verschiedenen Bildungsgruppen generiert

wird. Dann ist davon auszugehen, dass andere Faktoren als Humankapital maßgeblich

für die Bestimmung des Einkommens sind. Zuerst werden jedoch kurz die notwendigen

Eigenschaften von Disparitätsmaßen erläutert sowie die verwendeten Maße vorgestellt.

1.2 Einkommensverteilung in Shenzhen 22

1.2.1 Disparitätsmaße

Ein Disparitätsmaß, als Maß für die Verteilung des Einkommens in einer Population,

muss um sinnvolle und konsistente Aussagen zu ermöglichen, verschiedenen allgemeinen

Axiomen genügen. Diese Axiome stellen die Eigenschaften der unterschiedlichen Maße

dar und müssen nicht zwangsläufig alle erfüllt sein. Die Wahl des Disparitätsmaßes

steht im engen Zusammenhang mit den durch die Forschungsfrage gestellten Anforde-

rungen an die Eigenschaften der unterschiedlichen Disparitätsmaße. Ist beispielsweise

eine Zerlegung der Disparität gewünscht sowie die Gültigkeit einiger Grundannahmen

gefordert, so existiert nur eine Klasse von Disparitätsmaßen, die diese Anforderungen

erfüllt. Die Darstellung der Axiome beruht weitgehend auf Cowell (2008), der einen

exemplarischen Überblick über die verschiedenen Axiome liefert.

Ist Xdie Menge aller möglichen Einkommensverteilungen sowie eine Untermenge

von Rnund der Vektor ¯xein beliebiges Mitglied der Menge X. Dann sei die Funktion

I:Rn→Reine kontinuierliche und zumindest ordinale Repräsentation der Disparität

der Mitglieder der Menge X.

Eine zentrale Anforderung an die Funktion Iist, dass die Bezeichnung bzw. Reihen-

folge der Komponenten irrelevant ist. Man spricht in diesem Zusammenhang von der

Annahme der Symmetrie:

I(x1, x2, ..., xn) = I(x2, x1, ..., xn) = I(x3, x1, ..., xn) = ... (1.1)

Für die Disparität in einer Population ist bei Gültigkeit des Axioms unerheblich

1.2 Einkommensverteilung in Shenzhen 23

welches Mitglied welches Einkommen erhält. Im Weiteren kann nun davon ausgegangen

werden, dass die Einkommen der Größe nach aufsteigend geordnet sind.

Eine weitere häufige Forderung ist die Gültigkeit des Populationsprinzips oder Po-

pulationsrepliaktionsprinzips:

I(x1, x2, ..., xn) = I(x1, x1, x2, x2, ..., xn, xn) = I(x1, x1, x1, x2, x2, x2, ..., xn, xn, xn) = ...

(1.2)

Wird eine Population repliziert, oder zwei identische Populationen zusammengefügt,

verändert sich bei Gültigkeit die gemessene Disparität nicht. Die Disparität ist somit

unabhängig von der Größe der Population.

Cowell (1995) diskutiert die Problematik des Axioms und seine prinzipielle Wünsch-

barkeit mit folgendem Beispiel: Verdoppelt man eine Welt, in der eine Person das kom-

plette Einkommen und die zweite nicht besitzt, so dass zwei Personen sich das Einkom-

men aufteilen und zwei nichts besitzen, so bleibt bei Gültigkeit des Populationsprinzips

die gemessene Disparität gleich. Ob die Ungleichheit in beiden Populationen wirklich

als identisch angesehen werden kann, wird in der Literatur unterschiedlich diskutiert.

Sehr vorteilhaft ist, dass bei Gültigkeit von Symmetrie und Populationsprinzip eine

Einkommensverteilung vollständig durch eine Verteilungsfunktion beschrieben werden

kann (Cowell 2008).

Ein weiteres zentrales Axiom ist die Pigou-Dalton Transfereigenschaft:

1.2 Einkommensverteilung in Shenzhen 24

I(x1, ...xi, ...xj, ..., xn)< I (x1, ...xi−α, ...xj+α, ..., xn)

α > 0

xi< xj

xi−α > 0

(1.3)

Dieses Axiom besagt, dass der Transfer einer Einheit αvon Arm nach Reich die

Ungleichheit in der Population immer erhöht. Es beschreibt somit die Wirkung von

Umverteilung innerhalb der Einkommensverteilung. In der dargestellten Form handelt

es sich um die schwache Form des Transferaxioms. Die starke Form verlangt zusätz-

lich, dass die Veränderung der Ungleichheit bei einem Transfer ausschließlich von der

Distanz der relativen Einkommensanteile der beiden Mitglieder abhängt. Die starke

Transfereigenschaft erlaubt u.a. allen möglichen Einkommensverteilungen eine eindeu-

tige Rangordnung zuzuordnen.2

Die Skaleninvarianz eines Disparitätmaßes bedeutet, dass eine Multiplikation aller

Einkommen mit dem gleichen Wert die gemessene Disparität unverändert lässt:

I(x1, x2, ..., xn) = I(x2, x1, ..., xn) = I(αx1, αx2, ..., αxn) = ...

α > 0

(1.4)

2Für eine genaue Beschreibung der Auswirkungen dieser Annahme und ihrer Relevanz siehe Cowell

(1995).

1.2 Einkommensverteilung in Shenzhen 25

Diese Eigenschaft erlaubt es beispielsweise, die Einkommen in einer Population mit-

tels eines Wechselkurses zu transformieren, ohne dass sich die gemessene Ungleichheit

verändert.

Die Eigenschaft der Zerlegbarkeit ermöglicht eine differenzierte Untersuchung der

Ungleichheit innerhalb einer Population. Ist es möglich ein Disparitätsmaß zu zerlegen,

so lässt sich ein Zusammenhang zwischen der gesamten Ungleichheit in einer Populati-

on und der Ungleichheit innerhalb einzelner Subgruppen herstellen. Shorrocks (1980)

definiert die Zerlegbarkeit einer Einkommensverteilung in die Untermengen Xund Y

oder deren Aggregationsfähigkeit mit:

I(X, Y ) = A(I(X), I (Y),ΩX,ΩY)

A(x) := Stetige, strikt monoton steigende Aggregatorfunktion

Ωx:= Vektor von Verteilungsparametern der Gruppe X

Ωy:= Vektor von Verteilungsparametern der Gruppe Y

(1.5)

Ein Disparitätsmaß gilt zusätzlich als additiv zerlegbar in GUntermengen bzw. Un-

tergruppen, wenn gilt:

1.2 Einkommensverteilung in Shenzhen 26

I(X) = I(X1, ..., XG) =

i=1

wgI(Xg) + B

wg:= Koeffizientenvektor

B:= Innergruppen Disparität

(1.6)

Der Koeffizientenvektor wgund die Innergruppendisparität Bhängen hierbei aus-

schließlich von dem Durschnittseinkommen sowie der Größe der Untergruppen ab. Da-

mit ist es möglich, die gesamte Disparität einer Population in die Disparität innerhalb

der Gruppen sowie die Disparität zwischen den Gruppen zu zerlegen. Ist ein Dispa-

ritätsmaß nicht additiv zerlegbar sind Konstellationen denkbar, in denen trotz eines

Anstieges der Disparität in allen Subgruppen die insgesamt gemessene Disparität zu-

rückgeht. Weitere häufig vorausgesetzte Eigenschaften sind Stetigkeit und Differenzier-

barkeit.

Nach dieser Übersicht über die Eigenschaften von Disparitätsmaßen werden nun

die in dieser Analyse konkret verwendeten dargestellt. Der Gini Koeffizient misst die

Konzentration der Einkommen in einer Population (Cowell 2008):

1.2 Einkommensverteilung in Shenzhen 27

G=1

2n2µy

j=1

i=1

|yi−yj|

yi:= Einkommen des Individuums i

yj:= Einkommen des Individuums j

µy:= Durchschnittseinkommen

n:= Populationsgröße

(1.7)

Der Gini Koeffizient ist normiert auf den Wertebereich zwischen null und eins, wobei

null den Zustand einer vollkommenen Gleichverteilung des Einkommens und eins den

Besitz allen Einkommens durch eine Person abbildet. Oftmals wird er auch als die

normierte Fläche zwischen der Lorenzkurve und der Gleichverteilungsgerade definiert.

Der Gini Koeffizient ist zerlegbar, symmetrisch, genügt dem schwachen Transferaxiom,

ist skaleninvariant und genügt dem Populationsprinzip.

Der Theil Index ist ein Mitglied der General Entropy (GE) Index Familie. Die General

Entropy Index Familie besitzt die folgende allgemeine Darstellung (Cowell 1995; Cowell

und Kuga 1981):

1.2 Einkommensverteilung in Shenzhen 28

GE (c) = 1

c2−c"1

i=1 yi

µyc

−1#

c:= Sensitivitätsparameter

yi:= Einkommen des Individuums i

µy:= Durchschnittseinkommen

n:= Populationsgröße

(1.8)

Der Parameter cgibt hierbei die Sensitivität des spezifischen General Entropy In-

dexes gegenüber unterschiedlichen Teilen der Einkommensverteilung an (Cowell 1981;

Cowell 2000). Bei einer gegebenen Einkommensverteilung gewichtet ein negativer Wert

des Parameters cdie unteren Quantile der Einkommensverteilung stärker. Ein hoher

positiver Wert des Parameters cgewichtet die oberen Quantile proportional stärker.

Liegt der Schwerpunkt des Interesses auf den Einkommensdisparitäten bei den eher

armen Einkommensschichten, ist die Wahl eines niedrigen oder negativen Wertes für

csinnvoll. Sollen die Einkommensdisparitäten in den reicheren Schichten den Schwer-

punkt bilden, ist ein hoher positiver Wert für cadäquat. Ein Hauptvorteil der General

Entropy Index Familie besteht darin, dass sie die einzige Klasse von Ungleichheitsma-

ßen sind, die symmetrisch sind, das Populationsprinzip3erfüllen, sowie skaleninvariant,

stetig, differenzierbar, additiv zerlegbar sind und die starke Pigou-Dalton Eigenschaft

für Einkommenstransfers erfüllen (Bourguignon 1979; Cowell 1980; Shorrocks 1980).

Ein Nachteil ist jedoch, dass diese Indices nicht normiert sind und somit mitunter ein

Vergleich unterschiedlicher Populationen erschwert wird und keine sofortige intuitive

3Dies gilt nur für den Fall des Theilindex.

1.2 Einkommensverteilung in Shenzhen 29

Interpretation, wie beispielsweise beim Gini Koeffizienten, möglich ist.

Die Anwendung der L’Hospital’schen Regel und setzen von c=1 liefert aus 1.8 den

Theil Index T(1), der eine approximative Gleichgewichtung der Einkommensverteilung

vornimmt (Cowell 2000; Cowell und Kuga 1981):

GE (1) = "1

i=1 yi

µyln yi

µy#

yi:= Einkommen des Individuums i

µy:= Durchschnittseinkommen

n:= Populationsgröße

(1.9)

Die Eigenschaft der additiven Zerlegbarkeit des Theil Index ist für die vorliegende

Fragestellung von besonderem Interesse. Aufgrund dieser Eigenschaft kann die gesamte

Einkommensdisparität wie sie durch den Theil Index gemessen wird additiv zerlegt

werden, so dass der Beitrag, den die unterschiedlichen Subpopulationen an der Summe

der Disparität haben, errechnet werden kann. Des Weiteren ist es möglich, die gesamte

Disparität in den Anteil der innerhalb und den der zwischen den Gruppen geniert wird

zu zerlegen. Nach Shorrocks (1980) führt eine Zerlegung des Theil Index Thinsichtlich

der einzelnen Beiträge von GSubpopulationen zu der Gesamtdisparität zu:

g=1

sgTg+

g=1

sglnµg

µy

, mit sg=ngµg

nµy

µg:= Durchschnittliches Einkommen der Subpopulation g

sg:= Anteil der Gruppe gan der Summe der Einkommen

(1.10)

1.2 Einkommensverteilung in Shenzhen 30

Somit setzt sich die gesamte Disparität aus dem ersten Term, welcher die einkom-

mensgewichtete Disparität innerhalb jeder der gSubpopulationen ausdrückt und dem

zweiten Term, der die Disparität zwischen den einzelnen Subpopulationen wiedergibt

zusammen. Mittels dieser Zerlegung ist es im weiteren Verlauf möglich, den Einfluss

des Humankapitals auf die Einkommen, genauer zu analysieren.

1.2.2 Datensatzbeschreibung

Für die Analyse werden Daten einer Haushaltsbefragung aus dem Jahre 2005 in Shenz-

hen genutzt. Diese Haushaltsbefragung , war die erste ihrer Art die von einer nicht-

staatlichen Organisation in Shenzhen durchgeführt wurde. Im Gegensatz zu bereits

bestehenden Haushaltsbefragungen wurde die Migrantenpopulation explizit berück-

sichtigt. Die Befragung wurde mit Hilfe der Universität Shenzhen durchgeführt. Es

wurde eine mehrstufige Stichprobe gezogen.

Nach offiziellen Quellen (Shenzhen statistisches Jahrbuch 2005) besitzt ein Drit-

tel der Einwohner eine Shenzhen Registrierung während zwei Drittel keine Shenzhen

Registrierung besitzen. Diese Personen können also als Migranten betrachtet werden.

Die Befragung versucht diese Struktur der Grundgesamtheit abzubilden. Aufgrund fi-

nanzieller Einschränkungen wurde die Befragung nur in drei der sechs Stadtbezirke

von Shenzhen durchgeführt. Hierbei handelt es sich um die alte Sonderwirtschaftszo-

ne Louhu, dem Kultur und Bildungsdistrikt Nanshan sowie das neue Industrieviertel

Baoan. Da der Umfang der offiziellen Daten unzureichend war, war es notwendig Infor-

mationen über die Struktur der Stadt (Straßen, Wohnungen und Stadtbezirke) selbst

1.2 Einkommensverteilung in Shenzhen 31

zusammenzustellen. Hierzu wurde auf Regierungsinformationen, offizielle Statistiken

und Migrantenbefragungen, die von der Universität Shenzhen durchgeführt wurden,

zurückgegriffen. Nachdem diese Informationen zusammengestellt waren, wurden rund

zehn Straßen von jedem Bezirk zufällig ausgewählt. Anschließend wurden Häuser und

Gebäude und letztlich Haushalte ausgewählt. Die Befragung wurde direkt von einem

Interviewer durchgeführt. Der Datensatz setzt sich wie folgt zusammen:

Distrikt Stichproben-

größe

Shenzhen

Registrie-

rung

Ohne

Shenzhen

Registrie-

rung

Städtische

Registrierung

Ländliche Re-

gistrierung

Nanshan 1.031 368 663 577 454

Luohu 1.065 349 716 636 429

Baoan 850 92 758 350 500

Summe 2.946 809 2.137 1.563 1.383

Tabelle 1.1: Shenzhen Haushaltsbefragung 2005: Individualstichprobe

Fehlende Daten, ebenso wie offensichtlich nachgewiesen falsche Daten, wurden ent-

fernt, um den letztendlich genutzten Datensatz zusammenzustellen. Des Weiteren wur-

den Einkommen unter null oder über 1.250.000 Yuan entfernt und als Ausreißer be-

trachtet. Für die ökonometrische Analyse in diesem Kapitel wurde die Stichprobe wei-

terhin auf die Bevölkerung im arbeitsfähigen Alter zwischen 16 und 65 eingeschränkt.

Die Analyse der Einkommensunterschiede in diesem Kapitel beruht auf den Indivi-

dualdaten. Die Haushaltsdaten werden in den folgenden Kapiteln über Armut und

Vulnerabilität verwendet.

1.2 Einkommensverteilung in Shenzhen 32

1.2.3 Deskriptive Fakten

Die Analyse beginnt mit einem Blick auf die Einkommensunterschiede in Shenzhen. Da

in diesem Kapitel die individuellen Einkommen im Vordergrund stehen, wird der Gi-

ni Koeffizient auf Basis der individuellen Einkommen berechnet. Die in Abbildung 1.1

dargestellte Lorzenkurve der Personen zwischen 16 und 65 mit einem positiven Einkom-

men zeigt eine deutliche Ungleichverteilung des Einkommens. Der Gini Koeffizient von

0.6 bestätigt ein drastisches Maß an Disparität in dieser Stadt. Das außergewöhnliche

Wachstum der Stadt in den letzten Jahrzehnten hat zu einer großen Spanne zwischen

den Einkommen geführt.

Abbildung 1.1: Lorenzkurve der 16-65 jährigen mit Einkommen im Jahr 2005

1.2 Einkommensverteilung in Shenzhen 33

Berechnet man den Gini Koeffizienten nicht auf Basis der Individualdaten für die

einzelnen Einkommen, sondern auf Basis des pro Kopf Haushaltseinkommens, wie in

vielen Studien üblich, so beträgt er 0.56.4Vergleicht man diesen Wert mit dem Wert

von 0.42 für China insgesamt und mit denen der BRIC Staaten von 0.38 für Russland,

0.37 für Indien und 0.56 für Brasilien, so wird das Ausmaß der Disparität deutlich.5

Einzig in Brasilien herrscht eine ebenso ausgeprägte Einkommensungleichheit vor. Im

Weiteren sollen nun die Gründe für die Einkommensdifferentiale genauer betrachtet

werden.

Da Humankapital als eine der maßgeblichen Einkommensdeterminanten gilt sollten

formale Qualifikation und Einkommensunterschiede unter Marktbedingungen eng mit-

einander verknüpft sein. Wenn also formale Ausbildung und Qualifikation Einkommen

generiert, dann sollten Unterschiede in der formalen Qualifikation Einkommensdifferen-

ziale bedingen. Es stellt sich somit die Frage, ob diese Einkommensdifferentiale haupt-

sächlich zwischen den Ausbildungsgruppen beobachtet werden können oder innerhalb

dieser Gruppen. Hieraus lassen sich Rückschlüsse ziehen, ob Ausbildung der domi-

nante einkommensgenerierende Faktor ist oder andere persönliche Eigenschaften oder

soziale Normen und Politikmaßnahmen weitaus bedeutender sind. Die Bevölkerung

wird bezüglich verschiedener Bildungsabschlüsse beziehungsweise formaler Qualifikati-

on gruppiert. Abschlüsse und formale Qualifikationen werden als Gruppierungsmerk-

male gewählt, da davon auszugehen ist, dass auch in Entwicklungsländern der Einfluss

dieser Faktoren auf das Einkommen hoch ist. Die Ergebnisse der Theilindexszerlegung

bezüglich der verschiedenen Bildungsgruppen sind in Abbildung 1.2 beschrieben. Für

4Vgl. auch Gravemeyer, Gries, Xue 2011-1.

5Quelle: World Development Indicators, Weltbank 2005.

1.2 Einkommensverteilung in Shenzhen 34

Abbildung 1.2: Theil Index zerlegt nach Bildungsabschlüssen

1.3 Empirische Analyse 35

Shenzhen ergibt sich ein Zwischengruppen-Theil-Index von 0,198 und einen gruppenin-

terner Theil-Index von 0,486. Der Gesamtwert des Theil Disparitätmaßes beträgt 0,684.

Hieraus ist ersichtlich, dass ungefähr 30% der Summe der Einkommensdisparität durch

Einkommensunterschiede zwischen den verschiedenen Bildungsgruppen generiert wird.

Der Rest der Disparität (ungefähr 70%) wird durch Einkommensunterschiede innerhalb

der verschiedenen Bildungsstufen generiert. Hieraus lässt sich folgern, dass ein großer

Teil der Einkommensdifferentiale nicht ausschließlich durch unterschiedliche Ausstat-

tung mit Humankapital erklärt werden kann. Andere Faktoren scheinen ebenso von

großer Bedeutung zu sein.

Zweck der nun folgenden empirischen Analyse ist es, Faktoren zu finden, die die

Einkommensunterschiede innerhalb der Gruppen erklären können. Insbesondere soll

hierbei zusätzlich auf die Unterschiede zwischen Migranten und Nichtmigranten sowie

die Rolle des Registrierungssystems generell eingegangen werden.

1.3 Empirische Analyse

Auf die deskriptive Darstellung des Problems folgt nun die ökonometrische Analyse,

um den Einfluss, den sowohl Humankapital als auch Faktoren, die unabhängig vom

Humankapital sind auf das Einkommen und somit auch auf die Einkommensdispa-

rität haben, quantifizieren zu können. Politikmaßnahmen, persönliche Eigenschaften

sowie soziale Normen werden als Faktoren identifiziert, die einen signifikanten Einfluss

auf das Einkommen haben und somit die Disparität in den Bildungsgruppen erklären

können. Im Anschluss hieran wird, um den Grad und Einfluss, den Diskriminierung

1.3 Empirische Analyse 36

relativ zu den Produktionsfaktoren ausübt festzustellen, eine Zerlegung der Regression

vorgenommen.

1.3.1 Bildung als Einkommensdeterminante im Mincermodell

Das Mincermodell basiert auf der Humankapitalinvestitionsentscheidung wie sie zuerst

von Becker (1962) und Mincer (1958, 1962) vorgestellt wurde.6Hierbei wird unter-

stellt, dass die Menge an Bildung so gewählt wird, dass sie den Gegenwartswert aller

zukünftigen Einkommen bis zum Renteneintritt T, abzüglich den Kosten der Bildung,

optimiert. Im Optimum ist dann der Gegenwartswert des Schuljahres sgleich den Kos-

ten dieses weiteren Schuljahres. Die Bedingung für das Optimum ist:

T−s

t=1

ws−ws−1

(1 + rs)t=ws−1+cs

cs:= Kosten der Schulbildung

s:= Schuljahre

rs:= Interne Rendite

ws:= Lohn

(1.11)

Hieraus ergibt sich implizit, dass eine Investition in das Schuljahr sdann getätigt

wird, wenn die interne Rendite für dieses Schuljahr größer ist als die Verzinsung am

6Die hier folgende kurze Zusammenfassung beruht maßgeblich auf Harmon et al. (2001, 2003), die

einen ausführlichen Überblick über die Entwicklung der privaten Humankapitalinvestitionsent-

scheidung, deren empirische Umsetzung und der Kritik daran, liefern.

1.3 Empirische Analyse 37

Markt. Für T→ ∞ ergibt sich aus 1.11 die geometrische Reihe, die die folgende Lösung

hat:

ws−ws−1

=ws−1+cs(1.12)

Ist darüber hinaus csausreichend klein, so ergibt sich, dass die Rendite für das

Schuljahr sim Optimum gleich der Einkommensdifferenz zwischen dem Verlassen der

Schule zum Zeitpunkt sund s−1ist:

rs≈ws−ws−1

ws−1

(1.13)

Somit lässt sich die Rendite für die Schuljahre durch die Veränderung des Einkom-

mens bei Variation der Dauer der Ausbildung ermitteln. Um die letztlich verwendete

Schätzgleichung zu erhalten, müssen weitere Annahmen getroffen werden. Die Rendi-

te rwird als konstant im Verhältnis zu dem potentiellen Einkommen Ytund der in

Ausbildung verbrachten Zeit htangenommen.

r=4Yt

htYt

(1.14)

Bei einer Vollzeitausbildung gilt ht= 1 und somit für das Einkommen nach sJahren

Schule Ys=Y0ers. Für die Zeit nach der Vollzeit Schulausbildung wird von einer

linearen Abnahme der Zeit, die in Ausbildung verbracht wird, ausgegangen: ht=h0−

h0

Tt. Für das Jahr xnach der Schulausbildung gilt dann für das Einkommen:

1.3 Empirische Analyse 38

Yx=Ysexp rZx

htdt,mit:

htdt =h0x−1

Tx2

(1.15)

Kann nun Y0als lineare Funktion der persönlichen Eigenschaften Xausgedrückt

werden, dann gilt: Ys=Y0ers =Xβers. Durch einsetzen in 1.15 erhält man für das

Einkommen nach sSchuljahren und xJahren Erfahrung:

Yx=Y0ers exp rh0x−1

Tx2

⇔log Yx= log Y0+rs +rh0x−rh0

2Tx2

(1.16)

Setzt man nun für das tatsächliche Einkommen wx= (1 −hx)Yx=Yx−hxYxein,

so erhält man letztlich:

log wx=Xβ +rs +rh0x−rh0

2Tx2+ log (1 −hx)(1.17)

Die empirische Approximation dieses humankapialtheoretischen Zusammenhanges

ist die traditionelle Mincergleichung.7Mit ihr lässt sich die private Bildungsrendite

für das Individuum iermitteln. Der quadrierte Wert der potentiellen Erfahrung trägt

hierbei dem parabelförmigen Profil des Einkommens über den Lebenszyklus Rechnung:

7Für weitere Ausführungen zur Herleitung siehe Harmon (2001).

1.3 Empirische Analyse 39

log wi=Xiβ+rsi+δxi+γx2

i+i

X:= Persönliche Eigenschaften

x:= Maß für außerschulische Erfahrung bzw. potentielle Erfahrung

γ, β, r := Schätzparameter

i:= Störterm

(1.18)

Mit Hilfe dieser Gleichung lässt sich nun die private interne Rendite für die schu-

lische Ausbildung ermitteln. Der Koeffizient rgilt dann als private Rendite für ein

Jahr Schulausbildung. Oftmals werden auch Indikatorvariablen, die unterschiedliche

Bildungsabschlüsse repräsentieren anstatt der Schuljahre in der Gleichung verwendet.

Vor- und Nachteile beider Messmethoden werden in der Literatur kontrovers diskutiert.

Schulabschlüsse können eine Signalwirkung8haben und die Annahme eines konstanten

proportionalen Effektes der Schuljahre auf das Einkommen stören (u.a. Card 1999).

Auch Wößmann (2003) stellt die Problematik der Annahme proportionaler Renditen

heraus und plädiert dafür die Renditen in verschiedenen Schulformen unterschiedlich

zu gewichten. Auf der anderen Seite werden die Probleme bei der Bewertung nicht

vollendeter Schulabschlüsse gesehen. Die grundlegende Spezifikation der Mincerglei-

chung stellt er jedoch nicht in Frage. Park (1994) stellt in diesem Zusammenhang

heraus, dass die einfache lineare Spezifikation mittels Schuljahren in der Praxis wenig

Nachteile mit sich bringt. Im weiter unten beschrieben Modell werden um beiden Ar-

gumentationen Rechnung zu tragen, sowohl durchschnittliche Renditen, als auch die

8Oftmals auch als Sheepskin Effekt bezeichnet.

1.3 Empirische Analyse 40

Renditen pro Abschluss verwendet.

1.3.2 Ökonometrisches Modell

Als erster Schritt wird das Standard Mincermodell (Mincer 1958, 1962, 1974; Becker

1962; Becker und Chiswick 1966) eingesetzt, um die Bildungsrenditen zu schätzen.

Trotz häufiger Kritik am Mincermodell, die sowohl die funktionale Form betrifft (Har-

mon et al. 2003) und zahlreicher ökonometrischer Probleme, wie sie u.a. von Griliches

(1977), Murphy und Welch (1990) oder Card (2001) herausgestellt werden, wird das

Mincermodell im Allgemeinen immer noch als valide und robuste Methode zur Schät-

zung von Bildungsrenditen bzw. des Einflusses von Bildung auf das Einkommen gesehen

(Lemieux 2006). Ein häufig angebrachter Kritikpunkt bezieht sich auf unbeobachtete

Fähigkeit bzw. auf individuelle Effekte, die im Fehlerterm aufgefangen werden (Har-

mon et al. 2001). Korreliere diese unbeobachtete Fähigkeit mit der Schulentscheidung

entstünde eine Endogenitätsproblematik. Card (1999) stellt in diesem Zusammenhang

fest, dass die Bildungsrenditen, die mittels des traditionellen Mincermodells geschätzt

werden, nur eine geringe positive Verzerrung im Vergleich zu Zwillingsstudien aufwei-

sen. Dies wird auch durch Psacharopoulos und Patrionos (2002) bestätigt. Sie stellen

fest, dass die Ergebnisse im Durchschnitt mit ihrer international sehr breit aufgestellten

Zusammenfassung der Bildungsrenditen übereinstimmen und folgern, dass die genaue

Schätzmethodik wenig Einfluss auf die Ergebnisse ausübt. Auch Wößmann (2003) stellt

fest, dass sich die log-lineare Mincerspezifikation in zahlreichen arbeitsökonomischen

Studien als beste Approximation erwiesen hat.

1.3 Empirische Analyse 41

Einfaches Mincermodell

Die Analyse beginnt mit der einfachen Form des Mincermodells als Referenz- und Ver-

gleichsmodell. In einem nächsten Schritt werden weitere erklärende Variablen hinzuge-

fügt, um die Auswirkungen dieser Faktoren auf das Einkommen betrachten zu können.

Hierbei wird bewusst darauf verzichtet, dass spezifische Modell aus dem allgemeine-

ren zu entwickeln, um einen Anknüpfungspunkt zu weiteren vergleichenden Studien

zu erhalten. Erst später, im erweiterten Modell, werden insignifikante Variable ohne

zusätzlichen Informationswert aus dem voll spezifizierten Modell eliminiert, um das

verwendete Modell zu erhalten.

ln yi=α+β1agei+β2age2

i+β3lowi+β4seci+β5highi+i(1.19)

Auf der linken Seite der Regressionsgleichungen befindet sich der Logarithmus des

Stundenlohns yi, der hier als Maß für das Einkommen dienen soll. Vorteilhaft bei der

Verwendung des Stundenlohns im Vergleich zu Monats- oder Jahreslöhnen ist, dass ein

höherer Verdienst aufgrund längerer Arbeitszeit berücksichtigt wird. Auf der rechten

Seite befinden sich die Standardvariablen des einfachen Mincermodells. Hierbei han-

delt es sich um das Alter (age), das quadrierte Alter und Indikatorvariablen für die

verschiedenen Schulabschlüsse. Die Indikatorvariablen low, middle und high repräsen-

tieren die entsprechenden Bildungsabschlüsse und entsprechen einer Anzahl von 6, 10,5

und 16,6 Schuljahren. Aufgrund der vorhandenen Datenbasis werden in dieser Analyse

die Abschlüsse lediglich aus den Jahren generiert.

1.3 Empirische Analyse 42

Um eine bessere Vergleichbarkeit mit anderen Studien zu gewährleisten, wird die

gleiche Regression ebenso mit der Anzahl an Schuljahren anstatt der Indikatorvariablen

für die unterschiedlichen Bildungsabschlüsse durchgeführt.

ln yi=α+β1agei+β2age2

i+β3schoolingi+i(1.20)

Es wird das Alter und sein quadrierter Wert verwendet, um potentielle Erfahrung

sowie die abnehmenden Erträge über den Lebenszyklus abzubilden. Laut Harmon et al.

(2003) ist ein geringerer Einfluss dieser Variablen im Vergleich zum originalen Mincer-

modell, in dem das schulzeitbereinigte Alter verwendet wird, zu erwarten. Viele Studien

legen jedoch die Verwendung des Lebensalters als Schätzwert für die potentielle Erfah-

rung nahe (vgl. u.a. Mazumdar 1981).

Da in den Daten Heteroskedastizität, welche u.a. durch eine steigende Varianz der

Einkommen mit zunehmendem Lebensalter sowie zunehmende Messfehler bzw. Er-

hebungsfehler bei steigenden Einkommen verursacht werden kann, zu vermuten ist,

wurde ein Breusch-Pagan Test (Breusch und Pagan 1979) sowie ein White Test (White

1980) auf Heteroskedastizität durchgeführt. Der Breusch-Pagan Test verwirft die H0

Hypothese einer konstanten Varianz mit einem 95% Konfidenzniveau. Der White Test

verwirft die Annahme auf einem 99% Niveau. Zur Korrektur der vorliegenden Heteros-

kedastizität werden aus diesem Grunde White-korrigierte Standardfehler verwendet.

Zusätzlich zu den einzelnen in den Tabellen dargestellten Signifikanztests wurden

alle Koeffizienten auch auf blockweise Signifikanz getestet. Hierbei erwiesen sich auch

alle Koeffizientenblöcke bei einem Konfidenzniveau von 99% als signifikant. Neben dem

1.3 Empirische Analyse 43

Name & Erwartetes Vorzei-

chen

Beschreibung

ln yiLogarithmiertes Lohneinkommen pro Stun-

Humankapital

low (+) Abgeschlossene Grundschulausbildung

sec (+) Abgeschlossene Sekundärausbildung (Juni-

or High, High School, Technical College)

high (+) Abgeschlossene Tertiärausbildung (Junior

College, Universität, Postgraduierte)

schooling (+) Abgeschlossene Schuljahre

Potentielle Erfahrung

age (+) Alter in Jahren

agesq (+) Alter quadriert

Tabelle 1.2: Variablen Beschreibung: Einfaches Mincermodell

Namen und der Beschreibung der Variablen, wurde ebenso das erwartete Vorzeichen,

in Klammern hinter dem Namen, mit in die Übersicht in Tabelle 1.2 aufgenommen.

ln yi=α+β1agei+β2age2

i+β3lowi+β4seci+β5highi+i(1.21)

Erweitertes Mincermodell

In einem nächsten Schritt wird das Standard Mincermodell um zusätzliche Variablen

erweitert. Um die Relevanz anderer Faktoren als Humankapital festzustellen, sowie

ihren Einfluss auf das Einkommen quantifizieren zu können, werden weitere Variablen

zu dem einfachen Mincermodell hinzugefügt. Die zusätzlichen Variablen Xjlassen sich

in vier Gruppen aufteilen. Die Auswahl der Variablen basiert auf denen in der Literatur

identifizierten Faktoren. Variablen, die den Gesundheitszustand, Zufriedenheit oder

1.3 Empirische Analyse 44

Netzwerkbildung abbilden sollen, wurden aus dem Modell eliminiert. Sie erwiesen sich

als nicht signifikant und konnten ohne eine Verschlechterung des Informationskriteriums

entfernt werden.

ln yi=α+β1agei+β2age2

i+β3lowi+β4seci+β5highi+

j=6

βjXji +i(1.22)

1.3 Empirische Analyse 45

Name & Erwartetes Vorzei-

chen

Beschreibung

ln yiLogarithmiertes Lohneinkommen pro Stun-

Humankapital

low (+) Abgeschlossene Grundschulausbildung

sec (+) Abgeschlossene Sekundärausbildung (Juni-

or High, High School, Technical College)

high (+) Abgeschlossene Tertiärausbildung (Junior

College, Universität, Postgraduierte)

schooling (+) Abgeschlossene Schuljahre

Potentielle Erfahrung

age (+) Alter in Jahren

agesq (+) Alter quadriert

infedu (+) Informelle Ausbildung

stay (+) Aufenthalt in Shenzhen in Jahren

job_changes (+) Anzahl der Arbeitsplatzwechsel

Persönliche Eigenschaften

male (+) Indikator Variable für das Geschlecht

(Männlich=1)

married (+) Indikator Variable für Familienstand (Ver-

heiratet=1)

Soziale Normen und Politik-

maßnahmen

rural (-) Indikator Variable für die Registrierung

(Ländlich=1)

sez (+) Indikator Variable für den Wohnort (Inner-

halb SEZ=1)

commi (+) Indikator Variable für die Mitgliedschaft in

der KP (Mitglied=1)

friendjob (+) Indikator Variable=1 wenn der Arbeits-

platz durch einen Freund beschafft wurde

Arbeitsplatz Eigenschaften

stateshare (+) Indikator Variable=1 für ganzen oder teil-

weisen Staatsbesitz des Arbeitgebers

foreignshare (+) Indikator Variable=1 für ausländischen Ar-

beitgeber oder Joint Venture

Tabelle 1.3: Variablen Beschreibung: Erweitertes Mincermodell

1.3 Empirische Analyse 46

1.3.3 Ergebnisse

Die Ergebnisse aller Regressionen sind in den Tabellen 1.4, 1.5, 1.6 und 1.7 dargestellt.

Um einen Vergleich der Aussagekraft des erweiterten und des einfachen Mincermodells

zu ermöglichen wurde, das Akaike Informationskriterium (vgl. u.a. Greene 2003) aic

für beide Modelle berechnet. Ebenso wird das adjustierte R2(r2_a) sowie die Wurzel

der mittleren quadratischen Abweichung (rmse) angegeben.

model1 model2

b P-Wert SF b P-Wert SF

Age 0.098 (0.000) (0.018) 0.046 (0.011) (0.018)

agesq -0.001 (0.000) (0.000) -0.001 (0.003) (0.000)

low 0.103 (0.400) (0.122) 0.069 (0.492) (0.100)

sec 0.780 (0.000) (0.109) 0.344 (0.000) (0.090)

high 2.214 (0.000) (0.110) 1.232 (0.000) (0.106)

male 0.366 (0.000) (0.039)

infedu 0.173 (0.003) (0.058)

commi 0.199 (0.008) (0.075)

sez 0.208 (0.000) (0.043)

job_changes -0.033 (0.003) (0.011)

married 0.282 (0.000) (0.068)

friendjob -0.137 (0.004) (0.047)

stateshare 0.190 (0.112) (0.119)

foreignshare 0.330 (0.000) (0.062)

stay 0.025 (0.000) (0.003)

rural -0.716 (0.000) (0.055)

_cons -0.721 (0.018) (0.305) 0.571 (0.056) (0.299)

rmse 0.932 0.816

N 1891.000 1879.000

r2_a 0.420 0.555

aic 5108.044 4586.593

Tabelle 1.4: Regressionsergebnisse mit Indikator Variablen. Einfaches- und erweitertes

Mincermodell

Da in der Regression mit Indikatorvariablen für die Bildungsabschlüsse insbesondere

1.3 Empirische Analyse 47

zwischen dem Alter und seinem quadrierten Wert, sowie zwischen den Bildungsstufen

Multikollinearität vermutet werden kann, wurden die Varianz Inflationsfaktoren (VIF)

berechnet (Greene 2003). Wie vermutet liegen hohe Werte knapp unter 60 für die

Altersvariablen (age, agesq) vor. Für die sekundäre und tertiäre Bildung liegen sie

knapp unter sieben was im akzeptablen Bereich liegt. Ansonsten sind die Werte deutlich

unter zwei. Um aufgrund der hohen VIF Werte der Altersvariablen einen Einfluss auf

die Signifikanz der Ergebnisse auszuschließen, wurde die Regression mit Schuljahren

auch ohne Altersvariablen durchgeführt. Dies hat keine signifikante Auswirkung auf

die Signifikanz der erklärenden Variablen.

Nachdem sich, wie Tabelle 1.4 zu sehen ist, herausstellte, dass die ländliche Regis-

trierung ein relevanter Faktor ist, wurde die Äquivalenz der Koeffizienten für beide

Gruppen, ländlich registriert und nicht ländlich registriert, getestet. Hierzu wurde der

Chow-Test bzw. Chow F-Test (Chow 1960) herangezogen. Mit Hilfe dieses Verfahrens

kann mittels eines F-Tests überprüft werden, ob die Annahme konstanter Parameter

in zwei Gruppen aber auch z.B. über mehrere Querschnitte oder auch Zeitreihen, ge-

rechtfertigt ist (Johnston und Dinardo 1997). Mit einem 95% Konfidenzniveau muss die

Annahme gleicher Parameter für beide Gruppen verworfen werden. Hieraus ergab sich,

dass beide Gruppen signifikant unterschiedlich sind und nicht gepoolt werden sollten.

Aus diesem Grunde werden getrennte Regressionen für beide Gruppen durchgeführt.

Hierbei entsprechen die Ergebnisse mit der Endung aden Nichtmigranten und die

Ergebnisse mit der Endung bdenen der Migranten.

1.3 Empirische Analyse 48

model3a model3b

b P-Wert SF b P-Wert SF

Age 0.096 (0.003) (0.032) 0.053 (0.001) (0.016)

agesq -0.001 (0.006) (0.000) -0.001 (0.000) (0.000)

low 0.131 (0.787) (0.484) -0.002 (0.982) (0.075)

sec 0.153 (0.655) (0.342) 0.220 (0.002) (0.070)

high 0.983 (0.004) (0.344) 1.138 (0.000) (0.131)

male 0.333 (0.000) (0.059) 0.443 (0.000) (0.042)

infedu 0.131 (0.047) (0.066) 0.341 (0.003) (0.116)

commi 0.185 (0.022) (0.081) 0.077 (0.598) (0.146)

sez 0.410 (0.000) (0.074) 0.068 (0.133) (0.045)

job_changes -0.051 (0.005) (0.018) -0.019 (0.125) (0.012)

married 0.318 (0.001) (0.095) 0.311 (0.000) (0.073)

friendjob -0.243 (0.005) (0.086) -0.069 (0.164) (0.049)

stateshare 0.202 (0.080) (0.115) -0.014 (0.965) (0.317)

foreignshare 0.353 (0.000) (0.080) 0.233 (0.002) (0.074)

stay 0.024 (0.000) (0.004) 0.016 (0.019) (0.007)

_cons -0.440 (0.454) (0.587) 7.945 (0.000) (0.283)

rmse 0.879 0.634

N 976.000 924.000

r2_a 0.363 0.299

aic 2534.384 1794.562

Tabelle 1.5: Regressionsergebnisse mit Indikatorvariablen. Getrennte Regressionen

Die Unterschiede zwischen dem einfachen und dem erweiterten Mincermodell sind si-

gnifikant. Wie am Akaike Informationskriterium in Tabelle 1.4 zu sehen ist, ist die Güte

des erweiterten Modells höher als die des einfachen. Es ist ein deutlicher Einfluss der

zusätzlichen Variablen auf das Einkommen ersichtlich. Die Variablen des erweiterten

Modells wurden ebenso auf blockweise Signifikanz getestet. Bei einem Konfidenzniveau

von 99% erweisen sie sich als signifikant. Das erweiterte Modell hat mit einem R2von

ca. 54% sowohl für das Modell mit Indikatorvariablen, als auch für das Modell mit

Schuljahren als unabhängige Variable, einen sehr guten Erklärungsgehalt. Auch die

getrennten Regressionen im model3a und model3b weisen mit einem R2zwischen 0.29

1.3 Empirische Analyse 49

model1 model2

b P-Wert SF b P-Wert SF

Age 0.113 (0.000) (0.017) 0.063 (0.000) (0.018)

agesq -0.001 (0.000) (0.000) -0.001 (0.000) (0.000)

schooling 0.192 (0.000) (0.006) 0.107 (0.000) (0.008)

male 0.312 (0.000) (0.039)

infedu 0.190 (0.001) (0.057)

commi 0.204 (0.005) (0.072)

sez 0.209 (0.000) (0.045)

job_changes -0.033 (0.003) (0.011)

married 0.243 (0.001) (0.070)

friendjob -0.147 (0.002) (0.048)

stateshare 0.212 (0.054) (0.110)

foreignshare 0.344 (0.000) (0.064)

stay 0.021 (0.000) (0.003)

rural -0.746 (0.000) (0.058)

_cons -2.083 (0.000) (0.284) -0.339 (0.269) (0.306)

rmse 0.926 0.823

N 1879.000 1867.000

r2_a 0.427 0.547

aic 5048.196 4588.045

Tabelle 1.6: Regressionsergebnisse mit Schuljahren. Einfaches und erweitertes Mincer-

modell

1.3 Empirische Analyse 50

model3a model3b

b P-Wert SF b P-Wert SF

Age 0.098 (0.003) (0.034) 0.061 (0.000) (0.017)

agesq -0.001 (0.009) (0.000) -0.001 (0.000) (0.000)

schooling 0.132 (0.000) (0.015) 0.058 (0.000) (0.007)

male 0.302 (0.000) (0.059) 0.404 (0.000) (0.044)

infedu 0.131 (0.043) (0.065) 0.334 (0.004) (0.116)

commi 0.148 (0.066) (0.080) 0.078 (0.568) (0.136)

sez 0.375 (0.000) (0.075) 0.050 (0.285) (0.047)

job_changes -0.046 (0.010) (0.018) -0.024 (0.046) (0.012)

married 0.277 (0.005) (0.098) 0.287 (0.000) (0.078)

friendjob -0.281 (0.001) (0.085) -0.059 (0.235) (0.050)

stateshare 0.179 (0.092) (0.106) 0.106 (0.800) (0.419)

foreignshare 0.300 (0.000) (0.080) 0.350 (0.000) (0.088)

stay 0.022 (0.000) (0.004) 0.014 (0.026) (0.006)

_cons -1.588 (0.003) (0.532) 7.514 (0.000) (0.284)

rmse 0.879 0.644

N 970.000 918.000

r2_a 0.360 0.277

aic 2517.252 1811.267

Tabelle 1.7: Regressionsergebnisse mit Schuljahren. Getrennte Regressionen

1.3 Empirische Analyse 51

und 0.36 ebenso einen guten Erklärungsgehalt auf. Die Unterschiede in den Koeffizien-

ten der städtisch und der ländlich registrierten Untergruppen sind klar ersichtlich. Um

einen besseren Überblick insbesondere bezüglich der unterschiedlichen Bildungsrendi-

ten zwischen Migranten und Nichtmigranten zu erhalten, werden diese in Tabelle 1.8

aufgeschlüsselt dargestellt. Die Renditen ergeben sich direkt aus den entsprechenden

Koeffizienten der Regressionen wie im Abschnitt 1.3.1 theoretisch erläutert wurde.

Registrierung Primär Sekundär Tertiär Pro Schuljahr

Städtisch (0,13) (01,15) 0,98 0,13

Ländlich (-0,02) 0,22 1,14 0,06

Zusammen (0,07) 0.34 1,23 0,11

Tabelle 1.8: Bildungsrenditen

Eine genauere Interpretation der Ergebnisse erfolgt im Anschluss zusammen mit den

Resultaten der Regressionszerlegung.

1.3.4 Zerlegung

Auf Basis der ökonometrischen Analyse im vorherigen Kapitel wird die Oaxaca-Blinder

Zerlegungsmethode (Oaxaca 1973; Blinder 1973) für Regressionen verwendet, um fest-

zustellen, inwieweit eine unterschiedliche Faktorausstattung oder unterschiedliche Ren-

diten für die Faktoren, die Unterschiede im Durchschnittseinkommen für Migranten und

Nichtmigranten erklären können. Die Faktorausstattung bezieht sich in diesem Kontext

auf die Anzahl an Einheiten einer bestimmten Variable. In diesem Fall beispielsweise

Anzahl der Schuljahre. Die Rendite ergibt sich hierbei aus dem Regressionskoeffizien-

ten. Er spiegelt die Rendite wieder, die aus einer zusätzlichen Einheit dieses Faktors

1.3 Empirische Analyse 52

ceteris paribus generiert werden kann. Die Unterschiede zwischen dem Durchschnitt-

seinkommen beider Gruppen lassen sich dann durch Unterschiede in der Faktoraus-

stattung oder unterschiedlichen Renditen für die Faktoren erklären. Hierbei wird ein

Unterschied in der Rendite als ein nicht erklärter Unterschied aufgefasst, der auf Diskri-

minierung zurückzuführen ist. Zwei unterschiedliche Gruppen erhalten für den gleichen

Faktor eine unterschiedliche Entlohnung, welches ein Hinweis auf Lohndiskriminierung

ist (Oaxaca 1973). Die Zerlegung wird auf das erweitere Mincermodell mit Schuljahren

und Indikator Variablen angewendet. Das Subscript rbezieht sich auf die Bevölkerung

mit ländlicher Registrierung und das Subscript uauf die städtisch Registrierten. Die

allgemeine Formel der Zerlegung lautet (Oaxaca und Ransom 1994):

Yu−¯

Yr=¯

Xu−¯

Xrβ∗+¯

Xuˆ

βu−β∗+¯

Xrβ∗−ˆ

βr

β∗:= Ω ˆ

βu+ (I−Ω) ˆ

βr

Ω := Gewichtungsmatrix (Diagonalmatrix)

βi:= Vektor der Koeffizienten der Gruppe i

Xi:= Vektor der Mittelwerte der Variablenwerte der Gruppe i

Yi:= Durchschnittseinkommen der Gruppe i

I:= Einheitsmatrix

(1.23)

Die Oaxaca-Blinder Zerlegungsmethode benötigt die Wahl einer Referenzgruppe, zu

der die Unterschiede in das Verhältnis gesetzt werden können. Hierzu muss ein entspre-

chender Wert für die Gewichtungsmatrix Ωgewählt werden. In der Literatur werden

1.3 Empirische Analyse 53

ΩFaktorausstattung Rendite (Diskriminierung)

Nichtmigranten, Ω = 048 % 52 %

Migranten, Ω = I52 % 48 %

Tabelle 1.9: Oaxaca-Blinder Zerlegungsergebnisse mit Indikator Variablen

unterschiedliche Meinungen in Bezug auf die Wahl der optimalen Gewichtungsmatrix

vertreten (vgl. u.a. Oaxaca und Ransom 1994). Hierbei sind u.a. zwei extreme Gewich-

tungen möglich. In dem hier vorliegenden Fall werden bei Ω = 0die Nichtmigranten als

Referenzgruppe gewählt. Bei Ω = Ibilden die Migranten die Referenzgruppe. Dies ent-

spricht dem Vorgehen von Oaxaca und Ransom (1994) die sowohl die Werte für Ω = 0

als auch für Ω = Iberechnen. Sie gehen davon aus, dass der wahre Wert sich inner-

halb der Grenzen bewegt die durch die Berechnung mit den beiden unterschiedlichen

Gruppen als Referenz generiert werden. Für Ω = 0erhält man aus 1.23:

Yu−¯

Yr=¯

Xu−¯

Xrˆ

βr+¯

Xuˆ

βu−ˆ

βr(1.24)

⇔¯

Yu−¯

Yr=¯

Xu−¯

Xr(ˆ

βu−ˆ

βr)

2+(¯

Xu+¯

Xr)

2ˆ

βu−ˆ

βr(1.25)

Der Unterschied im Durschnittseinkommen ¯

Yu−¯

Yrder Migranten und Nichtmigran-

ten wird durch zwei Komponenten erklärt. Der erste Term gibt den Unterschied in der

Faktorausstattung an und der zweite Term den Unterschied in den Renditen der Fakto-

ren. Die Herleitung der Formel für Ω = Iist analog. Die Berechnung für das erweiterte

Modell für beide Referenzgruppen sind in den Tabellen 1.9 und 1.10 dargestellt.

Es ist ersichtlich, dass das Ausmaß an Diskriminierung, je nach Wahl der Referenz-

1.4 Einkommensdeterminanten in Shenzhen 54

ΩFaktorausstattung Rendite (Diskriminierung)

Nichtmigranten, Ω = 059 % 41 %

Migranten, Ω = I34 % 66 %

Tabelle 1.10: Oaxaca-Blinder Zerlegungsergebnisse mit Schuljahren

gruppe, im Modell mit Indikatorvariablen zwischen 48% und 52% schwankt. Dies be-

deutet, dass circa die Hälfte des durchschnittlichen Einkommensunterschiedes zwischen

den Einwohnern mit ländlicher und denen mit städtischer Registrierung durch einen

Unterschied in der Verzinsung der Faktoren und die andere Hälfte durch einen Unter-

schied in der Ausstattung mit diesen Faktoren erklärt werden kann. Die Auswirkung

der gewählten Referenzgruppe ist stärker im Modell mit Schuljahren zu beobachten.

Hier schwankt der Renditeeffekt zwischen 41% und 66%. Unabhängig von der Wahl

der Referenzgruppe und Definition des Modells lässt sich somit ein erhebliches Maß an

Lohndiskriminierung gegen Migranten feststellen.

1.4 Einkommensdeterminanten in Shenzhen

Die Ergebnisse der ökonometrischen Analyse sowie der Zerlegung werden, nach der

vorgenommenen Kategorisierung der Variablen gegliedert, nun im Folgenden genauer

betrachtet. Insgesamt lässt sich aussagen, dass das Hinzufügen der zusätzlichen Va-

riablen zu einer deutlichen Verbesserung des Basismodells geführt hat. Die Regressi-

onsergebnisse des erweiterten Modells deuten darauf hin, dass neben Humankapital

weitere Faktoren durchaus relevant für das Einkommen in Shenzhen sind. Dies gilt für

die Signifikanz der Variablen aller Kategorien, die gebildet wurden. Einzig die Variable

stateshare erweist sich als durchgehend insignifikant.

1.4 Einkommensdeterminanten in Shenzhen 55

1.4.1 Humankapital

Wie es laut Aussagen der Humankapitaltheorie zu erwarten war sind sowohl formelle

als auch informelle Bildung signifikant und beeinflussen das Einkommen positiv. Ein

Großteil des Einkommens kann durch formelle Bildung erklärt werden. Während ter-

tiäre und sekundäre Bildung einen starken positiven Einfluss auf das durchschnittliche

Einkommen zu haben scheinen, erscheint primäre Bildung insignifikant. Der positive

Einfluss von Bildung auf das Einkommen wächst mit der Höhe des Bildungsabschlusses.

Dies wurde ebenso im Allgemeinen für das städtische China nachgewiesen (Zhang et al.

2005). Die Bildungsrenditen, die sich in ihrer Studie aus dem einfachen Mincermodell

ergeben, sind ähnlich, obwohl sie eine größere Anzahl von Bildungsstufen verwenden

und das letzte beobachtete Jahr 2001 ist. Wird jedoch zu dem einfachen Mincermo-

dell der Indikatorvariable für das Geschlecht hinzugefügt, sind die Bildungsrenditen für

tertiäre Ausbildung deutlich geringer als in dieser Studie in der diese geschlechtsspe-

zifische Indikatorvariable ebenso verwendet wird. In der hier verwendeten Stichprobe

ist nur die Indikatorvariable für tertiäre Bildung betroffen, da der relative Anteil von

Männern mit dem Bildungsniveau steigt. Hierdurch reduziert die geschlechtsspezifische

Indikatorvariable die Rendite signifikant ab diesem Niveau der formalen Qualifikation.

Bezüglich der durchschnittlichen Bildungsrenditen wie sie durch die Schuljahre Varia-

ble schooling ausgedrückt wird, lässt sich sagen, dass Bildung einen stark positiven

Einfluss auf das Einkommen hat. Hierbei sind die Bildungsrenditen für Migranten und

Nichtmigranten durchaus unterschiedlich. Die Rendite für die städtisch Registrierten

ist deutlich höher als die OLS Schätzung von 8.5% von Heckman und Li (2003) für sechs

Provinzen im urbanen China im Jahre 2000. Der Wert nähert sich eher der Rendite von

1.4 Einkommensdeterminanten in Shenzhen 56

6% der Migranten in Shenzhen im Jahre 2005 an. Auf die Unterschiede in den Renditen

zwischen Migranten und Nichtmigranten wird weiter unten genauer eingegangen.

Die Informelle Ausbildung hat ebenso einen positiven und signifikanten Einfluss auf

das persönliche Einkommen. Der Haupterklärungsgrund hierfür liegt in dem Zusam-

menhang zwischen informeller Ausbildung und individueller Produktivität (Xiao 2002).

Die Häufigkeit der Arbeitsplatzwechsel hat einen deutlichen negativen Einfluss auf das

Einkommen. Dies liegt höchstwahrscheinlich darin begründet, dass die Häufigkeit der

Arbeitsplatzwechsel als Indikator für einfach substituierbares Humankapital betrach-

tet werden kann. Dieses wird hauptsächlich in minder qualifizierten Bereichen benötigt.

Des Weiteren hat sich gezeigt, dass die Länge des Aufenthaltes in Shenzhen einen po-

sitiven Einfluss auf das Einkommen hat. Dieses Ergebnis spricht für einen positiven

Effekt von Assimilation in die soziale Umgebung und Akkumulation regionenspezifi-

schen Wissens wie auch u.a. von Wan (2006) für Hongkong festgestellt wurde. Insgesamt

lässt sich jedoch feststellen, dass formelle Bildung einen deutlich größeren Einfluss als

informelle Bildung ausübt.

1.4.2 Persönliche Eigenschaften

Sowohl die Indikatorvariablen für Geschlecht ebenso wie diejenige für Familienstand

erweisen sich als hoch signifikant. Geschlechtsspezifische Diskriminierung bezüglich des

Lohneinkommens scheint hiermit auch in Shenzhen präsent zu sein. Auch die Ergebnisse

von Heckman und Li (2003), unterstreichen den positiven Einfluss den ein männliches

Geschlecht auf das Einkommen im urbanen China hat.

1.4 Einkommensdeterminanten in Shenzhen 57

Jedoch ist unklar, ob der positive Einfluss der Ehe hauptsächlich durch traditionel-

le Ansichten und Meinungen oder durch eine bessere Motivation und eine gesteigerte

Produktivität verursacht wird wie er von Bishop et al. (2005), die ebenso einen deut-

lich Einfluss der Heirat feststellen, erklärt wird. Auch eine positive Wirkung auf die

Gesundheit, die sich direkt in einer gesteigerten Produktivität niederschlägt, ist eine

mögliche Erklärung.

1.4.3 Soziale Normen und Politikmaßnahmen

Die Tatsache, dass ein Arbeitsplatz, der mit Hilfe eines Bekannten oder Familienmit-

gliedes beschafft wurde, erweist sich als negativ für das Einkommen. Dies erscheint

insbesondere interessant, da soziale Netzwerke im Allgemeinen in Entwicklungs- und

Schwellenländern eine wichtige Rolle im Allokationsmechanismus spielen und meist

einen positiven Einfluss auf das Einkommen ausüben. Aufgrund der in China sehr

häufigen innerfamiliären Kompensation und Hilfszahlungen und generell starker Fa-

milienbande wurde ein positiver Einfluss dieser Variable unterstellt. Ein positiver Zu-

sammenhang wäre, wie u.a. von Fan (2001) beschrieben, insbesondere für Migranten

zu erwarten gewesen. Aufgrund dieser Zusammenhänge war davon auszugehen, dass

besser bezahlte Positionen im Allgemeinen vorzugsweise mit Familienangehörigen oder

Bekannten besetzt werden.

Das Resultat ist hier jedoch das Gegenteil. Die bestbezahlten Arbeiter fanden, wie

aus dem Datensatz hervorgeht, ihren Arbeitsplatz durch Zeitungsanzeigen. Diese Er-

gebnisse sprechen für einen effizienten Arbeitsmarkt, in dem persönliche Eigenschaften

1.4 Einkommensdeterminanten in Shenzhen 58

und Produktivität ausschlaggebend sind und inoffizielle Arbeitsplatzvergabemechanis-

men, zumindest für besser bezahlte Arbeitsplätze, eher selten sind. Die Ergebnisse

deuten jedoch ebenso darauf hin, dass Hilfe bei der Arbeitsplatzsuche durch Freun-

de, Familie oder Bekannte hauptsächlich benötigt wird von Leuten, die eher minder

qualifiziert sind und daher eher gering bezahlte Arbeit annehmen.

Die Mitgliedschaft in der kommunistischen Partei scheint immer noch, zumindest

teilweise, von Bedeutung zu sein. Die Mitgliedschaft wirkt sich jedoch nur positiv für

die städtisch registrierte Bevölkerung aus. Dieser positive Einfluss der Parteimitglied-

schaft für städtisch Registrierte wird auch von Bishop et al. (2005) bestätigt. Sie stel-

len heraus, dass der Effekt jedoch bei den unteren Einkommensschichten am größten

und von zeitlich abnehmender Tendenz ist. Für den Fall Shenzhen lässt sich jedoch

auch beobachten, dass der Anteil an Mitgliedern in der kommunistischen Partei mit

zunehmendem Bildungsniveau drastisch zunimmt. Nahezu die Hälfte derer, die einen

postgraduierten Abschluss besitzen, sind Mitglieder der kommunistischen Partei, wobei

dies nur für ungefähr 10% der gesamten Stichprobe zutrifft.

Bewohner, die innerhalb der Stadtbezirke wohnen, die eine Special Economic Zone

im Jahre 1980 wurden, haben ein signifikant höheres Einkommen als Bürger, die nicht

in einem dieser Bereiche wohnen. Dies bedeutet einen klar positiven Effekt dieser Po-

litikmaßnahme. Dies stimmt mit den positiven Wachstumseffekten der SEZs in China

und insbesondere in Shenzhen überein (Yeung et al. 2009; Sklair 1991).

Auf die Auswirkungen des Resgistrierungsstatus wird aufgrund seiner großen Bedeu-

tung weiter unten getrennt eingegangen.

1.4 Einkommensdeterminanten in Shenzhen 59

1.4.4 Arbeitsplatzeigenschaften

In Bezug auf die Eigentumsverhältnisse der Arbeitgeber-Firma betreffend zeichnet sich

ein differenziertes Bild ab. Während Staatsbesitz sich nicht signifikant auf das persönli-

che Einkommen auswirkt, ist Besitz durch eine ausländische Firma oder eine Koopera-

tion mit einer ausländischen Firma signifikant positiv für das persönliche Einkommen.

Auch in der Literatur sind die Ergebnisse bezüglich staatseigenen Betrieben differen-

ziert. Die Ergebnisse von Heckman und Li (2003), ebenso wie die von Lu und Song

(2006), weisen eine deutlich negative Auswirkung von Staats- oder Kollektivbesitz aus.

Dies steht im Kontrast zu den Ergebnissen von Knight und Song (2003), die einen ca.

10% Lohnzuschlag bei staatseigenen Betrieben im Vergleich zu Betrieben in Privatbe-

sitz sehen. In Bezug auf ausländische Firmen oder Joint Ventures zeigt sich bei ihnen,

wie auch bei Lu und Song (2006) und in den hier vorliegenden Ergebnissen, ein deutlich

positiver Effekt auf das Einkommen.

1.4.5 Auswirkung des Registrierungsstatuses bei Migranten

Im Allgemeinen lässt sich feststellen, dass die Registrierung einen äußerst wichtigen

Einfluss auf das persönliche Einkommen ausübt. Die getrennten Regressionen die in

den Tabellen 1.5 und 1.7 abgebildet sind, analysieren die Unterschiede zwischen bei-

den Gruppen im Detail. Die Ergebnisse der Zerlegung deuten darauf hin, dass je nach

Berechnungsmethode, über 40% des Einkommens durch Diskriminierung determiniert

werden. Diese Benachteiligung der nicht städtisch registrierten Migranten ist im Ein-

klang mit den Resultaten von Fan (2001) und Lu und Song (2006) die insbesondere

1.4 Einkommensdeterminanten in Shenzhen 60

noch einmal den diskriminierenden Effekt der Registrierung im Falle von Tianjin her-

ausstellen.

Die Ergebnisse der getrennten Regression bestätigen, dass ländliche Registrierung

nicht nur einen absoluten negativen Effekt auf das Einkommen hat, sondern auch den

relativen Einfluss der verschiedenen einkommensdeterminierenden Faktoren verändert.

Viele der Faktoren, die das Einkommen der Personen mit städtischer Registrierung

beeinflussen, haben keinen Effekt auf das Einkommen derjenigen, die eine ländliche

Registrierung besitzen. Dies betrifft insbesondere die Mitgliedschaft in der kommu-

nistischen Partei, Wohnsitz in der SEZ oder Arbeitsplatzbeschaffung durch einen Be-

kannten. Diese Faktoren haben keinen Einfluss auf das Einkommen von Migranten mit

ländlicher Registrierung. Auch Lu und Song (2006) stellen die deutlichen Unterschiede

in den Koeffizienten für Migranten und Nichtmigranten in Tianjin heraus.

Bezüglich der Bildung lässt sich aussagen, dass Personen mit einer ländlichen Regis-

trierung sehr viel höhere relative Renditen für sekundäre und tertiäre Bildung haben als

Personen mit einer städtischen Registrierung. Dasselbe gilt für informelle Ausbildung.

Der Effekt kann maßgeblich durch die Verteilung der Bildung innerhalb der spezifi-

schen Subgruppen verursacht werden. Sehr viel weniger Land-Stadt Migranten haben

einen tertiären Bildungsabschluss. Ähnliches lässt sich bezüglich sekundärer Bildung

feststellen. Während für städtisch Registrierte sekundäre Bildung die Norm ist, haben

bei weitem nicht alle Land-Stadt Migranten sekundäre Bildung erfahren. Dies führt

zur Signifikanz dieser Variablen für ländlich Registrierte. Bezüglich der durchschnittli-

chen Bildungsrenditen, wie sie durch Schuljahre abgebildet werden, lässt sich bezüglich

der unterschiedlichen Gruppen sagen, dass primäre Bildung für beide Gruppen keinen

1.4 Einkommensdeterminanten in Shenzhen 61

signifikant positiven Einfluss auf das Einkommen zu haben scheint. Dies liegt darin

begründet, dass nur sehr wenige Personen keine primären Bildungungsabschluss ha-

ben und somit ein solcher Abschluss kein hinreichendes Differenzierungsmerkmal für

ein höheres Einkommen ist. Trotz der Tatsache, dass beinahe 8% der Personen mit

ländlicher Registrierung keinen primären Bildungsabschluss haben, wirkt sich dieser

dennoch nicht positiv auf das Einkommen dieser Gruppe aus. Hierbei ist offensichtlich,

dass ein längerer Aufenthalt im Bildungssystemen sich besonders positiv für Migranten

auswirkt. Dies trifft sowohl auf sekundäre Bildung als auch insbesondere auf tertiäre

Bildung zu. Sehr viel weniger Personen mit ländlicher Registrierung besitzen einen ter-

tiären Bildungsabschluss, was zu erheblichen Renditen für diesen Abschluss innerhalb

ihrer Gruppe führt. Hieraus lässt sich folgern, dass die Förderung der Bildungsmög-

lichkeiten für die Migranten, insbesondere im tertiären Bereich, sich positiv auf die

Einkommensungleichheiten auswirken könnte.

Wie bereits erwähnt, haben bisher nur sehr wenige Studien diese Problematik in Be-

zug auf China und unter Berücksichtigung der Migranten analysiert. Eine Vergleichs-

möglichkeit besteht mit den Resultaten einer Arbeiterstudie in Tianjin, die ähnliche

aber auch gegensätzliche Zusammenhänge wie in Shenzhen in Tianjin auffindet (Lu

und Song 2006). Lohndiskriminierung gegen Migranten ebenso wie gegen Frauen wer-

den ebenso in dieser Provinz gefunden. Generell berichten sie von einem positiven

Einfluss der absolvierten Schuljahre auf das Einkommen ebenso wie von einem posi-

tiven Einfluss von Fortbildung bzw. informeller Bildung im Allgemeinen. Sie kommen

in Bezug auf die Schuljahre ebenso zu dem Schluss, dass die Bildungsrenditen der Mi-

granten (8%) deutlich niedriger sind als bei den Nichtmigranten (18%). Eine weitere

Studie, die in der Lage ist Bildungsrenditen für Migranten zu berechnen, kommt in

1.4 Einkommensdeterminanten in Shenzhen 62

Shanghai in Bezug auf Schuljahre zu anderen Ergebnissen (Meng und Zhang 2001). Sie

schätzen die durchschnittliche Rendite pro Schuljahr auf 4.8% für Migranten und 3.8%

für Nichtmigranten. Sie vermuten, dass Migranten sich in Segmenten des Arbeitsmarkt

konzentrieren in denen die Rendite höher ist, was mit den hier vorliegenden Ergebnis-

sen für höhere Bildung übereinstimmen würde. Im Gegensatz zu den hier berichteten

Ergebnissen wirkt sich in ihrem Fall jedoch Fortbildung mehr positiv für städtisch

registrierte Personen aus, als für ländlich Registrierte. Ebenso wird eine drastische

Lohndiskriminierung gegen Land-Stadt Migranten bestätigt, welche in diesem Fall si-

gnifikant höher ist als die innerhalb der Beschäftigungsverhältnisse. In einer weiteren

Studie wird nochmals herausgestellt, dass die Land-Stadt Migranten den Hauptteil der

armen Bevölkerung in Changsha ausmachen, wobei das Registrierungssystem ebenso

als Hauptproblem identifiziert wird (Song et al. 2009).

Die vorliegenden Ergebnisse unterstreichen den Einfluss von persönlichen Eigenschaf-

ten, Politikmaßnahmen und sozialen Normen auf die Höhe des Arbeitslohnes in Shenz-

hen. Insbesondere das Hukou Registrierungssystem erscheint als ein entscheidender

Faktor. Aufgrund der Tatsache, dass Shenzhen als erste Stadt den Status einer SEZ

erhielt und sich anschließend besonders schnell entwickelte, hat es eine besondere Rele-

vanz und Vorbildfunktion für die Entwicklung im städtischen Festlandchina insgesamt.

Aufgrund dieses Sonderstatus von Shenzhen sind die hohen Einkommensunterschiede,

die relevant nicht produktiver Faktoren und insbesondere die starke Diskriminierung

von Land-Stadt Migranten von besonderem Interesse. Die Lösung der Probleme er-

scheint hierbei nicht nur relevant für Shenzhen, sondern ebenso wichtig für die weitere

Entwicklung des städtischen China insgesamt.

1.5 Zusammenfassung 63

1.5 Zusammenfassung

Shenzhen dient oftmals als Beispiel für erfolgreiche Stadtentwicklung in China. Die-

se Analyse dient einem besseren Verständnis dieses Urbanisations- und Transformati-

onsprozesses. In Schwellenländern kann allgemein festgestellt werden, dass einerseits

produktivitätsorientierte bzw. marktorientierte Faktoren das Einkommen beeinflussen.

Auf der anderen Seite beeinflussen auch nicht produktivitätsorientierte Faktoren wie

persönliche Eigenschaften, Politikmaßnahmen, soziale Normen und Traditionen das

Einkommen. Der relative Einfluss dieser Faktoren auf das Einkommen wird oft als In-

dikator des sozioökonomischen Entwicklungsstatus während des Entwicklungsprozesses

gesehen. Aufgrund dessen ist diese Analyse besonders interessiert an der Relevanz dieser

nicht produktivitätorientierten Faktoren, ebenso wie an dem Ausmaß an Lohndiskrimi-

nierung in dieser, von vielen Chinesen als vorbildlich angesehenen, Stadt. Wie übersetzt

sich dieser Wachstumsprozess in das Einkommen der Einwohner, beziehungsweise der

verschiedenen Subgruppen? Welchen Einfluss haben soziale Normen, Politikmaßnah-

men und institutionelle Faktoren?

Vielen Studien ist es aufgrund der Datenlage nicht möglich, Migranten explizit zu be-

rücksichtigen. Die Shenzhen Haushaltsbefragung aus dem Jahre 2005 erlaubt es, genau

diese Gruppe expliziter zu betrachten und die einkommensdeterminierenden Faktoren

zu analysieren. Dabei ist erstmalig ein Vergleich dieser Faktoren zwischen Land-Stadt

Migranten und der städtisch registrierten Bevölkerung möglich.

Die Ergebnisse der Theil Index Zerlegung legen nahe, dass ein Großteil der Einkom-

mensdifferentiale nicht ausschließlich durch die Ausstattung mit Humankapital erklärt

1.5 Zusammenfassung 64

werden kann. Die ökonometrische Analyse bestätigt, dass neben Humankapital weitere

Faktoren, die nicht mit Produktivität in Verbindung zu bringen sind, wie persönliche

Charakteristiken, soziale Normen und Einstellungen sowie Politikmaßnahmen, einen

deutlichen Einfluss auf das Einkommen in Shenzhen ausüben. Hierbei sind insbeson-

dere Geschlecht, Familienstatus sowie Eigentümerstruktur der Firma, als auch Politik-

maßnahmen wie die Bildung der SEZ hervorzuheben. Des Weiteren wird deutlich, dass

die Registrierung oder das Hukou System ein äußerst wichtiger Faktor ist. Demnach

hat der Besitz einer ländlichen Registrierung einen signifikant negativen Einfluss auf

das persönliche Einkommen, so dass Migranten, was das durchschnittliche Einkom-

men betrifft, deutlich schlechter gestellt sind. Abgesehen von dem absoluten negativen

Einfluss auf das Einkommen verändert die ländliche Registrierung auch die relative

Relevanz der anderen einkommensgenerierenden Faktoren. Viele Faktoren, die einen

Einfluss auf das Einkommen der ländlich registrierten Migranten haben, haben keinen

Einfluss auf das Einkommen der städtischen Ursprungsbevölkerung.

Diskriminierung, Politikmaßnahmen, soziale Normen und Einstellungen sowie insbe-

sondere das Registrierungssystem haben immer noch einen sehr starken Einfluss auf

das Einkommen der Einwohner in Shenzhen. Dies deutet darauf hin, dass dieses urbane

Zentrum, trotz seines rasanten Entwicklungsprozesses, seinen Transformationsprozess

bei weitem noch nicht abgeschlossen hat und Regierungsstellen ein besonderes Augen-

merk auf diese von Traditionen, sozialen Normen und Institutionen geprägten Faktoren

legen sollten.

2 Armut

Nach der Analyse der Determinanten von Einkommensunterschieden und Ungleichheit

in Shenzhen im letzten Kapitel soll nun die Situation der Armen und das Ausmaß der

Armut in Shenzhen näher untersucht werden. Hierbei liegt der Schwerpunkt auf den

Zusammenhängen zwischen Migration und Einkommen bzw. Armut.

2.1 Armut im urbanen China

Die von der Weltbank publizierten Armutskennziffern für das Jahr 2008 (World De-

velopment Report 2010) machen deutlich, dass Armut und Armutsbekämpfung welt-

weit weiterhin äußerst bedeutende Themen sind. Im Zuge des International Compar-

sion Projects (ICP) veröffentlichte die Weltbank neben den Armutskennziffern ebenso

neue Purchasing Power Parity (PPP) bzw. Kaufkraftparitätspreise. Diese, die wirkliche

Kaufkraft einer Region oder eines Landes widerspiegelnden Preisindices bzw. Wechsel-

kurse, ermöglichen es eine Währung so in US Dollar umzurechnen, dass sie einer nähe-

2.1 Armut im urbanen China 66

rungsweise überall gleichen Kaufkraft vor Ort entspricht. Die neuen PPP Schätzungen

der Weltbank aus dem Jahre 2008 liefern weltweite länderbasierte PPP Preisindices

bis 2005 die zu einer Anhebung der Weltbank Armutsgrenze von umgerechnet einem

US Dollar auf $1,25 führten. Der neue Armutsbericht unterstreicht nochmals, dass

insbesondere Entwicklungs- und Schwellenländer die Armutsbekämpfung intensivieren

müssen, um den verarmten Bevölkerungsteilen eine Partizipation an dem Wachstum

ihrer Volkswirtschaften zu ermöglichen. Bourguignon (2004) stellt in diesem Zusam-

menhang noch einmal heraus, dass generell davon ausgegangen werden kann, dass mit

zunehmenden Wirtschaftswachstum auch die Armut in einem Land rückläufig ist. Dies

lässt sich in Bezug auf absolute Armut auch für China feststellen. Doch obwohl, un-

abhängig von der Definition der absoluten Armutsgrenze, die gravierende Armut in

China drastisch rückläufig ist, bestehen weiterhin enorme Unterschiede zwischen den

städtischen und ländlichen Gebieten (Knight und Song 1999). Aufgrund dieser großen

Unterschiede zwischen Land und Stadt wurde Armut in China meist als ein ausschließ-

lich ländliches Problem aufgefasst (Khan 1998). Nachdem die Armutsproblematik in

den Städten aus diesem Grunde lange vernachlässigt wurde, tritt sie in der letzten Zeit

wieder deutlicher in den Vordergrund (Knight und Song 2003). Zwar ist die Armut in

den städtischen Gebieten Chinas nicht so gravierend wie in anderen Entwicklungs- und

Schwellenländern, doch ist sie groß genug, um nicht mehr ignoriert werden zu können

(Li 2006). Dies trifft insbesondere dann zu, wenn nicht absolute sondern relative Ar-

mutskennziffern betrachtet werden (Gustafsson et al. 2006). Das Armutsproblem in den

Städten wird insbesondere durch Migration aus den ländlichen Gebieten in die Städte

verstärkt. Begründet liegt dies in der Tatsache, dass die meisten Migranten deutlich

ärmer sind als die Bevölkerung der Städte, in die sie migrieren (Appleton et al. 2008).

2.1 Armut im urbanen China 67

Abbildung 2.1: Armutsquotenentwicklung mit verschiedenen Armutsgrenzen, Daten-

quelle: Weltbank

Ein Problem der Armutsforschung im urbanen China ist, dass die verschiedenen

Schätzungen der Armutskennziffern sehr stark variieren. Dies hängt mit der Verwen-

dung unterschiedlicher Datenquellen, Einkommensdefinitionen und Armutsgrenzen zu-

sammen. Betrachtet man zunächst die Definition der Armutsgrenzen, so existieren drei

prinzipiell unterschiedliche Methoden zu ihrer Berechnung (Coudouel et. al 2002). Eine

Möglichkeit besteht darin, einen für die Lebenshaltung absolut erforderlichen Mindest-

warenkorb zu konstruieren1. Der lokale Preis dieses Mindestwarenkorbes gilt dann als

Armutsgrenze. Eine weitere Möglichkeit besteht in der Verwendung der bereits erwähn-

ten Kaufkraftparitäten. Die Umrechnung eines bestimmten Dollar Wertes mittels der

PPP Wechselkurse führt zu einem Betrag in der lokalen Währung, der dann als Armuts-

1Auch als “cost of basic needs” Ansatz bekannt.

2.1 Armut im urbanen China 68

grenze verwendet werden kann. Der Vorteil dieses Vorgehens liegt in der einfacheren

internationalen Vergleichbarkeit von Armutskennziffern. Eine dritte Möglichkeit ist die

Verwendung von relativen Armutskennziffern. In diesem Fall wird die Armutsgrenze

relativ zu einem Referenzwert gesetzt, der hierbei meist das Medianeinkommen der

entsprechenden Population ist. Oft wird dann die Armutsgrenze bei zwei Dritteln oder

der Hälfte des Medianeinkommens gezogen.

Aufgrund der unterschiedlichen Herangehensweisen schwanken, wie bereits erwähnt,

auch die Ergebnisse der verschiedenen Studien zur städtischen Armut in China. Un-

ter Verwendung zweier unterschiedlicher Methoden zur Berechnung des Mindest- oder

Minimalwarenkorbes kommen Meng et. al (2008) zu dem Schluss, dass sowohl die

Armutsquote als auch die Tiefe der Armut in den Städten zwischen 1986 und 2000

deutlich gestiegen ist. Sie schätzen die einkommensbasierte Armutsquote in den Städ-

ten im Jahr 2000 mit 0,3-0,4%, je nachdem welcher Warenkorb zur Generierung der

Armutsgrenze verwendet wird. Ravallion und Chen (2004) verwenden einen wiederum

anders definierten Mindestwarenkorb und schätzen die städtische Armut im Jahre 2002

auf 0,54%.

Studien, die Kaufkraftparitäten zur Berechnung der Armutsgrenze nutzen, kommen

zu anderen Ergebnissen. Appleton et. al (2008) verwenden Daten des China Household

Income Project (CHIP), die es Ihnen ermöglichen, Sozialtransfers sowie kalkulatorische

Mieten zu berücksichtigen. Sie kommen zu dem Schluss, dass die Armutsquote in den

Städten zwischen 1988 und 2002 gesunken ist. Des Weiteren argumentierten Sie, dass

die offiziellen sowie die von der Weltbank vorgegeben Armutsgrenzen zu niedrig sind.

Für das Jahr 2002 errechnen sie eine Armutsquote von 2,88% und 8,52% bei einer

2.1 Armut im urbanen China 69

Armutsgrenze von $2 bzw. $3 pro Tag. Da Ihre Berechnungen mit der CHIP Welle aus

dem Jahre 1985 beginnen, verwenden Sie durchweg den realen PPP Wechselkurs aus

diesem Jahr. Kahn (1998) kritisiert im gleichem Maße die Verwendung von, zwar bei

der Weltbank üblichen, für China aber zu niedrigen Armutsgrenzen wie $1 pro Tag.

Er stellt in diesem Zuge fest, dass die Verwendung solch niedriger Armutsgrenzen zur

Wegdefinition der urbanen Armut in China führt.

Bezüglich der allermeisten Studien lässt sich jedoch die mangelnde Berücksichtigung

der Migranten kritisieren da, wie erwähnt, die meisten Mikrodatensätze nur städtisch

registrierte Einwohner erfassen oder bestenfalls nur sehr mangelhafte Informationen

über Migranten enthalten (Meng et al. 2008 oder Hussain 2003). Sowohl Appleton

(2008) als auch Park et. al (2004) unterstreichen jedoch die Wichtigkeit der Berück-

sichtigung von Migranten. Die starke Zunahme der Migrationsbewegungen in Kombi-

nation mit der Tatsache, dass die Landbevölkerung allgemein ärmer ist und versucht

durch Migration in die Städte der ländlichen Armut zu entkommen, werden hierfür

als Hauptgründe gesehen. Dieser offensichtliche Mangel an Daten ermöglicht es somit

nicht, die Auswirkungen von Migration auf Armut und die Zusammenhänge zwischen

Migration und Armut genauer zu betrachten. Eine Analyse der Determinanten von

Armut unter Berücksichtigung des Migrationsstatus ist somit bisher nicht möglich.

Ebenso sind Schätzungen von Armutsquoten und anderen Armutsindikatoren vermut-

lich dadurch nach unten verzerrt (Meng et al. 2008). Die Verwendung der Shenzhen

Haushaltsbefragung 2005 als Datenquelle ermöglicht es jedoch Migranten in die Ana-

lyse mit einzubeziehen und somit genauere Schätzungen zu erhalten. Auch können

die Faktoren die Armut begünstigen für Migranten und Nichtmigranten getrennt be-

trachtet werden. Folgende Fragen sollen in diesem Zusammenhang beantwortet werden:

2.2 Armut in Shenzhen 70

Besteht ein Zusammenhang zwischen Armut und Migration? Inwieweit sind Migran-

ten ärmer? Wie unterscheiden sich die Faktoren die Armut begünstigen für Migranten

und Nichtmigranten? Welche Unterschiede bestehen zwischen den Armen und den nicht

Armen? Die Antworten auf diese Fragen erlauben es festzustellen, ob spezifische Bevöl-

kerungsschichten ebenso an dem dramatischen Wachstum der Wirtschaft partizipieren

konnten oder nicht. Das Vorgehen ist wie folgt: Zuerst werden unterschiedliche Armuts-

kennziffern für Shenzhen berechnet. Im Anschluss wird eine ökonometrische Analyse

durchgeführt. Hierbei werden Probit zur Analyse der Armutsinszidenz sowie Tobit

Modelle zur Modellierung der Einkommenslücke geschätzt, um die Zusammenhänge

zwischen unterschiedlichen Faktoren mit Armut und Migration näher zu betrachten.

Schließlich werden die Regressionsergebnisse mit Hilfe einer verallgemeinerten Form

der Oaxaca-Blinder Methode zerlegt, um den Einfluss von Diskriminierung auf das Ar-

mutsrisiko bestimmen zu können. Auf Basis von Teilen dieses Kapitels ist ebenso der

englischsprachige Buchbeitrag Gravemeyer, Gries und Xue (2011-2) entstanden, der als

weitere Referenz dienen mag.

2.2 Armut in Shenzhen

Zur korrekten Quantifizierung der Armut müssen unterschiedliche Aspekte wie die

Wahl der Armutsgrenze, des Wohlfahrtsmaßes oder eine mögliche Bereinigung des

Wohlfahrtsmaßes berücksichtigt werden.

Die Analyse beschränkt sich im Folgendem auf das Einkommen als Wohlfahrtsmaß.

Die Auswirkungen, die die Wahl der Armutsgrenze hat, wurden bereits thematisiert.

2.2 Armut in Shenzhen 71

Des Weiteren ist es notwendig, das der Fragestellung entsprechend adäquate Armuts-

maß zu verwenden. Ebenso ist eine Korrektur des reinen Haushaltseinkommens, wie

im Weiteren erläutert wird, meist sinnvoll.

2.2.1 Armutsindices

Zusätzlich zu den im ersten Kapital vorgestellten Axiomen für Disparitätsmaße, welche

teilweise im gleichen Maße auch für Armutsmaße relevant sind, gilt es ebenso einige

für Armutsmaße spezifische Axiome zu berücksichtigen. Die Wahl des richtigen Maßes

ist maßgeblich davon abhängig, was über die Armut in der zu untersuchenden Popu-

lation in Erfahrung gebracht werden soll. Laut Sen (1976) sind zuerst die aufgrund

der Forschungsfrage gewünschten Eigenschaften, wie sie von den Axiomen beschrieben

werden, festzulegen und dann anschließend das Maß einzusetzen, das diese Axiome er-

füllt. In Ergänzung zu den bereits beschriebenen Axiomen für Disparitätsmaße werden

an dieser Stelle die zusätzlich benötigten Axiome für Armutsmaße erläutert. Die untere

Darstellung folgt maßgeblich Foster (2006) und Zheng (1997), die eine sehr ausführliche

Darstellung der Axiome und Armutsmaße liefern.

Ist Xdie Menge aller möglichen Einkommensverteilungen und eine Untermenge von

Rn, und seien die Vektoren ¯xund ¯ybeliebige Mitglieder der Menge Xund zeine

beliebige Armutsgrenze. Die Funktion P:Rn→Rsei eine kontinuierliche und zumin-

dest ordinale Repräsentation der Armut der Mitglieder der Menge X. Zusätzlich zur

Symmetrie und dem Populationsreplikaionsprinzip wird von den Armutsmaßen auch

Fokussierung erwartet. Wenn xaus ydurch eine Erhöhung des Einkommens einer nicht

2.2 Armut in Shenzhen 72

armen Person generiert wird, muss gelten:

P(x, z) = P(y, z)(2.1)

Dieses Axiom besagt, dass ein Einkommenstransfer außerhalb der armen Population,

der die Anzahl der Armen nicht verändert, auch das Armutsmaß unverändert lassen

soll. Dieses Axiom stellt den fundamentalen Unterschied zwischen Armuts- und Dis-

paritätsmaßen heraus. Armutsmaße befassen sich ausschließlich mit dem Einkommen

bzw. der Wohlfahrt der Armen und berücksichtigen nicht den Teil der Bevölkerung,

der über der Armutsgrenze lebt. Insofern gelten die für Disparitätsmaße aufgestellten

Axiome nur für den armen Teil der Bevölkerung. Eine weitere Eigenschaft, der im Blick

auf die Armutsmaße eine größere Wichtigkeit zukommt, ist die der schwachen Mono-

tonie. Wird xaus ydurch eine Verminderung des Einkommens der Armen generiert,

so muss gelten:

P(x, z)> P (y, z)(2.2)

Pgilt darüber hinaus als stark monoton, wenn gilt

2.2 Armut in Shenzhen 73

P(x, z)< P (y, z)(2.3)

wenn xaus ydurch eine Erhöhung des Einkommens der Armen entsteht. Eine Ver-

schlechterung des Einkommens unter den Armen führt zu einer Erhöhung der gemes-

senen Armut. Bei Vorliegen von starker Monotonie darf zudem die gemessene Armut

nicht steigen, falls die Erhöhung des Einkommens eines Armen dazu führt, dass er über

die Armutsgrenze gehoben wird, also die gemessene Häufigkeit der Armut abnimmt.

Zur Messung der Armut in Shenzhen werden Indizes der von Foster, Greer und

Thorbecke (1984) beschriebenen P-Alpha Familie von Armutsindizes herangezogen.

Hierbei handelt es sich um eine der am häufigsten verwendeten Klassen von Armuts-

maßen, was eine größtmögliche Vergleichbarkeit gewährleistet. Diese Klasse hat die

Eigenschaft der Symmetrie, erfüllt das Populationsreplikationsprinzip, ist fokussiert,

skaleninvariant, monoton, stetig und im Falle von α > 1genügt sie auch dem strengen

Transferprinzip. Die P-Alpha Familie von Armutsindizes hat die folgende allgemeine

Form (Deaton 1997):

2.2 Armut in Shenzhen 74

Pα=n−1

i=1 z−xi

zα

1{xi≤z}

α:= Armutsaversionsparameter

n:= Populationsgröße

xi:= Wohlfahrtsmaß, hier Haushaltseinkommen

z:= Armutsgrenze

1{} := Indikatorfunktion

(2.4)

Der Armutsaversionsparameter αist immer positiv. Je größer αgewählt wird, desto

stärker werden die Haushalte gewichtet, die sich am weitesten unterhalb der Armuts-

grenze befinden, was gleichbedeutend mit einer stärkeren Gewichtung der Tiefe der

Einkommenslücke ist. Für die weitere Analyse der Armut in Shenzhen werden die bei-

den bekanntesten Armutskennziffern der P-Alpha Familie verwendet. Setzt man α= 0

so erhält man die Armutsquote:

P0(z) = 1

i=1

1{xi≤z}(2.5)

Die Armutsquote gibt die absolute Anzahl der Haushalte an, deren Wohlfahrt bzw.

in diesem Fall Einkommen unterhalb der Armutsgrenze liegt. Ein Nachteil dieser Kenn-

ziffer ist, dass die Tiefe der Armut nicht mit berücksichtigt wird. Dies impliziert, dass

die Armutsquote unverändert bleibt, wenn die Schwere der Armut zurückgeht, aber

dieser Rückgang nicht groß genug, ist um die Haushalte über die Armutsgrenze zu

2.2 Armut in Shenzhen 75

heben. Ebenso ist es irrelevant, ob die arme Bevölkerung knapp unter der Armutsgren-

ze lebt oder weit darunter. Anderseits ist die Armutsquote streng monoton, so dass

durch Senkung der Häufigkeit der Armut auch die Armutsquote sinkt. Die Einschrän-

kungen, die sich aus den ersten beiden Eigenschaften für die Messung der Effektivität

von beispielsweise Armutsbekämpfungsmaßnahmen ergeben, sind offensichtlich. Soll die

Schwere der Armut in dem Armutsindex berücksichtigt werden, erhält man für α= 1

die Einkommenslücke:

P1(z) = 1

i=1 z−xi

z1{xi≤z}(2.6)

Der Beitrag eines Haushaltes zur Einkommenslücke ist größer je ärmer der Haushalt

ist. Die Einkommenslücke ist die Summe der Einkommensdifferenzen zur Armutsgrenze,

relativ zur Armutsgrenze und dividiert durch die Populationsgröße. Im Gegensatz zur

Armutsquote ist die Einkommenslücke lediglich monoton.2Die deskriptive Analyse

beschränkt sich auf die Berechnung der Armutsquote und der Einkommenslücke und

lässt weitere Mitglieder der P-Alpha Klasse außer Acht.

Wie bereits erwähnt, besteht eine weitere Schwierigkeit darin, eine adäquate Armuts-

grenze zu wählen. Aufgrund der einfacheren Vergleichbarkeit der unterschiedlichen PPP

Dollar Grenzen wird sich in dieser Arbeit gegen die Verwendung eines Minimalwaren-

korbes als Armutsgrenze entschieden. Ein weiterer Grund für die Verwendung von PPP

Dollar Armutsgrenzen ist, dass in dieser Analyse der Argumentation von Kahn (1998)

und Appelton et al. (2008) gefolgt wird und neben den üblichen auch höhere Armuts-

2Für eine detailliertere Beschreibung der unterschiedlichen Armutsindices und ihre praktische Aus-

sagekraft siehe u.a. auch Deaton (1997) oder Ravallion (1993).

2.2 Armut in Shenzhen 76

grenzen verwendet werden. Neben der in chinesischen Städten eher geringen absoluten

Armut werden ebenso relative Armutsgrenzen berechnet. Relative Armut im urbanen

China ist aufgrund ihrer sozialen und ökonomischen Auswirkungen von gleicher Wich-

tigkeit (Li 2006).

2.2.2 Einkommenskorrektur

Ein weiterer zu beachtender Faktor ist die Auswirkung der Haushaltsgröße sowie der

Haushaltszusammensetzung auf die Wohlfahrt des Haushaltes. Wenn davon ausgegan-

gen werden kann, dass größere Haushalte Skalenerträge realisieren können oder Kinder

und ältere Personen weniger Ressourcen benötigen, dann ist ein durch die Anzahl

der Personen dividiertes Gesamteinkommen kein adäquates Maß für die Haushalts-

wohlfahrt (Deaton 1997). Ohne eine Korrektur würde eine größere Anzahl an nicht

arbeitenden Haushaltsmitgliedern die gemessene Wohlfahrt stärker mindern als dies

real der Fall ist. Somit würde die Armut in einer Population überschätzt. Es existiert

eine Vielzahl verschiedener allgemeiner und spezifischer Methoden ein so korrigiertes

Äquivalenzeinkommen zu berechnen. Dies reicht von speziellen Tabellen für Regionen,

Länder, Geschlecht und Alter bis zu verallgemeinerten Formeln (Deaton 1997). Für

diese Analyse wird auf die allgemeine OECD Äquivalenzskala zurückgegriffen, um das

Äquivalenzeinkommen zu berechnen. Die Verwendung der OECD Skala erscheint im

Falle von Shenzhen berechtigt und ermöglicht größere Vergleichbarkeit. Die Skala korri-

giert das Haushaltseinkommen um Skalenerträge, berücksichtigt aber nicht die Struktur

des Haushaltes und wird wie folgt berechnet (Grootaert und Braithwaite 1998):

2.2 Armut in Shenzhen 77

xeq

i=xi

n0,7

xi:= Wohlfahrtsmaß

n:= Anzahl der jeweiligen Haushaltsmitglieder

(2.7)

2.2.3 Datensatzbeschreibung

Der Analyse liegen im Gegensatz zum ersten Kapitel, in dem auf Individualdaten zu-

rückgegriffen wurde, die Haushaltsdaten der Shenzhen Haushaltsbefragung 2005 zu-

grunde. Eine Schwierigkeit bestand hierbei in der Datenverfügbarkeit. Da die Rohda-

ten nicht alle notwendigen Variablen direkt auf Haushaltsebene enthalten, müssten die

Werte für einige Variablen zuerst aus den Individualdaten aggregiert und anschließend

mit den Haushaltsdaten verknüpft werden.

Distrikt Stichproben-

größe

Shenzhen

Registrie-

rung

Ohne

Shenzhen

Registrie-

rung

Städtische

Registrierung

Ländliche Re-

gistrierung

Nanshan 340 119 204 181 142

Luohu 343 117 243 216 144

Baoan 289 31 258 121 168

Summe 972 267 705 518 454

Tabelle 2.1: Shenzhen Haushaltsbefragung 2005: Haushaltsstichprobe

Da bei der Berechnung der Armutskennziffern u.a. auf Kaufkraftparitätspreisen ba-

sierende Armutsgrenzen zurückgegriffen wird, ist eine Umrechnung der Haushaltsein-

kommen notwendig. Zur Berechnung der realen Einkommen wird auf die neuen 2008 pu-

2.2 Armut in Shenzhen 78

blizierten Kaufkraftparitäten des Weltbank Internationl Comparsion Projektes (ICP)

zurückgegriffen. In diesem Bericht werden Kaufkraftsparitätsdaten für das Jahr 2005

erstmals veröffentlicht. Da die Daten der Shenzhen Haushaltsbefragung im Jahr 2005

erhoben wurden, liegen somit Wechselkurse für das gleiche Jahr vor. Problematisch

ist jedoch, dass die angegebene Kaufkraftparität für gesamt China angegeben wird.

Da sowohl große Unterschiede zwischen Stadt und Land sowie zwischen den Regionen

in China bestehen, würde die Verwendung dieser Kaufkraftparitäten die wahren Le-

bensbedingungen sowie das Preisniveau in Shenzhen nur stark verzerrt wiedergeben.

Dies gilt insbesondere vor dem Hintergrund, dass es sich bei Shenzhen um eine der

am weitesten entwickelten und reichsten Städte in China handelt. Um ein möglichst

unverzerrtes reales Einkommen zu erhalten, werden die ICP-Kaufkraftparitäten somit

mit einem regionalen Preisdeflator bereinigt. Brandt und Holz (2006) ermittelten die

umfangreichsten und genauesten regionalen Warenkörbe für ganz China. Da Ihre Da-

ten jedoch lediglich bis 2000 reichen, wird ihr regionaler Warenkorb für das städtische

Shenzhen mit Daten des staatlichen National Bureau of Statstics für die Jahre 2000

bis 2005 korrigiert. Zur Korrektur wird der offizielle regionale Konsumentenpreisindex

für die städtischen Regionen in Shenzhen verwendet. Mit Hilfe dieser Korrekturen sind

die Armutsschätzungen für Shenzhen mit Armutsschätzungen für andere Städte und

Regionen die ebenfalls auf realen relativen Preisen beruhen vergleichbar. Ebenso er-

möglicht diese Korrektur eine weitestgehend reale Abbildung der absoluten Armut in

Shenzhen.

2.2 Armut in Shenzhen 79

2.2.4 Deskriptive Fakten

Nach der Darstellung der angewandten Methodik und der Daten folgen nun die kon-

kreten Armutskennziffern für Shenzhen im Jahre 2005. Zuerst wurde die Armutsquote

für unterschiedliche absolute Armutsgrenzen berechnet, wobei als Armutsgrenze die

alte Weltbank Armutsgrenze von $1 pro Tag sowie die im ICP 2008 verwendete neue

Armutsgrenze von $1,25 pro Tag verwendet wird. Ebenso werden die breiter gefassten

$2 und $3 pro Tag Armutsgrenzen, die Appelton et al. (2008) vorschlagen verwendet,

um eine möglichst vollständige Sicht auf die absolute Armut in Shenzhen zu erhal-

ten. Zwecks Analyse der relativen Armut werden die Armutsindices auch mit dem

halben und zwei-drittel Medianeinkommen als Armutsgrenze berechnet. Um die loka-

len Verhältnisse besser abbilden zu können, wird ebenso der offizielle Mindestlohn als

Armutsgrenze gewählt.

Die Ergebnisse der Berechnungen für die unterschiedlichen Armutsgrenzen, Korrek-

turen und Indices sind in Tabelle 2.2 zusammengefasst.

Um einen Eindruck von der dem Zusammenhang zwischen Armut und Migrationssta-

tus zu erhalten, wurden die Armutsindices ebenso für Migranten und Nichtmigranten

in Tabelle 2.3 getrennt berechnet.

Die berechneten Werte legen nahe, dass die absolute Armut in Shenzhen sehr niedrig

ist, insbesondere in Anbetracht der Tatsache, dass Migranten berücksichtigt wurden.

Gemessen nach dem neuen Weltbank Standard aus dem Jahre 2008 von $1,25 pro Tag

leben sehr wenig Personen in Shenzhen unterhalb der Armutsgrenze. Legt man aller-

dings die breitere Definition von Armut mit den zwei oder drei Dollar Grenzen am Tag

2.2 Armut in Shenzhen 80

Armutsquote in % Armutslücke in %

Äquivalent Unverändert Äquivalent Unverändert

Unverändertes Einkommen

Relative Armut (1/2 Median) 24.8 22.8 8.41 7.77

Relative Armut (2/3 Median) 35.8 33.5 13.98 13.07

Shenzhen mind. Lohn (RMB 9,600) 15.9 26.23 4.4 9.26

Dollars a Day in PPP $1 0 0 0 0

Dollars a Day in PPP $1.25 0 0.28 0 0.03

Dollars a Day in PPP $2 0.34 0.97 0.02 0.2

Dollars a Day in PPP $3 0.81 4.41 0.18 0.98

CPI bereinigtes Einkommen

Dollars a Day in PPP $1 0 0.19 0 0.03

Dollars a Day in PPP $1.25 0.09 0.38 0.01 0.07

Dollars a Day in PPP $2 0.48 2.59 0.12 0.52

Dollars a Day in PPP $3 2.69 7.47 0.6 1.76

Tabelle 2.2: Armutsindices für Shenzhen 2005

Bereinigtes Einkommen

(pro Tag)

Armutsquote Migranten Armutsquote Nicht-

migranten

$1 0% 0%

$1,25 0,21% 0%

$2 0,86% 0,17%

$3 4,92% 0,87%

Shenzhen Mindestlohn 27,6% 6,1%

Tabelle 2.3: Armutsquoten nach Registrierungsstatus

2.2 Armut in Shenzhen 81

zu Grunde, zeigt sich eine deutliche Armut in Shenzhen. Die Tiefe der Armut, gemessen

in Form der Einkommenslücke, erweist sich, unabhängig von der gewählten Armuts-

grenze, als sehr niedrig. Eine Anpassung des Einkommens mittels Äquivalenzskalen hat

einen deutlichen Einfluss auf das Ausmaß der Armut. Dies spiegelt die Relevanz der

Haushaltsgröße in Amtsberechnungen wieder. Einen ebenso deutlichen Einfluss hat die

Anpassung des Einkommens durch den regionalen Warenkorb. Werden auf diese Art

und Weise die realen Lebenskosten in Shenzhen in Betracht gezogen, steigt die Armut

drastisch. Die Schätzungen der Armut, bei denen das Einkommen durch den regionalen

Konsumentenpreisindex korrigiert wurde, bei denen aber keine Äquivalenzskalenkorrek-

tur vorgenommen wurde, sind vergleichbar mit den Ergebnissen von Appelton et al.

(2008) für das städtische China im Ganzen. Von den durchgeführten Armutsschätzun-

gen sind jene, die sowohl eine Anpassung des Einkommens mittels Äquvalenzskalen

als auch durch den regionalen Konsumentenpreisindex zugrunde legen, am präzises-

ten. Die unter Verwendung des angepassten Einkommens berechneten Armutsindices

für Migranten und Nichtmigranten zeigen eine deutlich höhere Armut in der Migran-

tenpopulation. Wählt man die $3 Armutsgrenze, ist die geschätzte Armut circa fünf

mal höher bei Migranten als bei Nichtmigranten. Ein Blick auf die Schätzungen der

Armut unter Verwendung der relativen Armutsgrenzen zeigt eine deutlich stärkere Ar-

mut. Die Armut ist sowohl weiter verbreitet als auch tiefer. Ebenso verdienen vier mal

mehr Migranten im Vergleich zu Nichtmigranten weniger als den lokalen Mindestlohn.

Beinahe ein Drittel der Haushalte insgesamt verdienen weniger als den Mindestlohn.

Dieser Wert sinkt auf ca. 15% wenn das Haushaltseinkommen durch Äquivalenzskalen

angepasst wird. Dies ist ein weiterer Hinweis auf die hohen Einkommensunterschiede,

die in dieser Stadt vorzufinden sind.

2.3 Empirische Analyse 82

2.3 Empirische Analyse

In der ökonometrischen Analyse wird eine genaue Betrachtung der Faktoren vorge-

nommen, die relative Armut in Shenzhen verursachen. Die Wahl einer relativen Ar-

mutsgrenze erscheint sinnvoll und gerechtfertigt, da absolute Armut in Shenzhen eher

gering und die Stadt so hoch entwickelt ist, dass eine Nutzung des relativen Ansatzes,

wie er oft in den industrialisierten westlichen Staaten verwendet wird, interessanter

und adäquater ist. Es wird ein genauer Blick auf den Zusammenhang zwischen Regis-

trierungsstatus und Armut geworfen. Weiterhin wird versucht herauszufinden, welche

Unterschiede zwischen Migranten und Nichtmigranten im Hinblick auf die Faktoren,

welche Armut verursachen, bestehen. Werden Migranten diskriminiert? Da Migranten

einen immer größeren Anteil an der arbeitenden Bevölkerung in China haben, sind

diese Fragen für die Armutsanalyse von äußerster Wichtigkeit.

2.3.1 Armutsdeterminierende Faktoren

Die Weltbank definiert Armut als ein multidimensionales und dynamisches Phänomen

mit engen Verbindungen zu Vulnerabilität und Produktionsfaktoren. Wie erwähnt, wird

die folgende Untersuchung den Fokus auf die Einkommensdimension der Armut legen.

Einkommensarmut ist ein dynamisches Konzept, das aus mehreren Kategorien zusam-

mengesetzt ist. Produktionsfaktoren wie Arbeit, Humankapital und andere produktive

Faktoren, genauso wie die Haushaltszusammensetzung, soziales Kapital und weitere

soziale Faktoren, sind Teile des Armutskonzepts. Dabei sind Produktionsfaktoren alle

akkumulierten Faktoren, materiell oder immateriell, die es einem Haushalt erlauben,

2.3 Empirische Analyse 83

Einkommen durch die Verwendung dieser Faktoren zu generieren.

Für die nun folgende ökonometrische Analyse werden Variablen gewählt die diesen

Kategorien zuzuordnen sind. Die bekannten Kategorien werden um die Kategorie so-

ziale Normen und chinaspezifische Faktoren bzw. Politikmaßnahmen ergänzt, welche

Determinanten beinhaltet, von denen ein Einfluss auf die Armut erwartet wird, die

aber äußerst spezifisch für die Situation in China sind.

Es ist herrschende Meinung, dass die allgemeine Zunahme an Ungleichheit, die Ab-

schaffung von Nahrungsmittelgutscheinen, die Restrukturierung und Privatisierung der

staatseigenen Betriebe sowie weitere Reformen des Sozialstaates einen starken Einfluss

auf die Armutssituation in China hatten (Meng et al. 2008). Auf der Haushaltsebene

identifizieren sie die demographische Struktur des Haushaltes, Arbeitsmarktpartizipati-

on sowie Humankapital als Haupteinflussfaktoren. Des Weiteren werden der Sektor des

Arbeitsplatzes, Migrationsstatus und Selbständigkeit als Faktoren mit einem starken

Einfluss auf die Armutswahrscheinlichkeit eines Haushaltes gesehen (Khan 2008). Im

selben Zusammenhang stellt Khan auch den Zusammenhang zwischen Selbständigkeit

und Migration her, da weitaus mehr Migranten sich in Selbständigkeit befinden als die-

jenigen, die nicht migrierten. Auch von Xue und Zhong (2003) wird die Bedeutung von

Migration für die städtische Armut in ihrer Bedeutung herausgestellt. Ausgehend von

der Klassifizierung der Weltbank werden die den folgenden Kategorien zugeordneten

Variablen für die ökonometrische Analyse verwendet:

Haushaltszusammensetzung Die Kategorie Haushaltszusammensetzung fasst Charak-

teristika zusammen, die die Struktur und Größe des Haushaltes beschreiben. Die Zu-

2.3 Empirische Analyse 84

sammensetzung des Haushaltes wird als ein einflussreicher Faktor in Bezug auf den

Wohlstand eines Haushaltes und seine mögliche Armut gesehen (Meng et al. 2008).

Zur Abbildung der Altersstruktur des Haushaltes sowie vorhandener potentieller Er-

fahrung wird das durchschnittliche Alter aller Haushaltsmitglieder in die Analyse mit

einbezogen. Ebenso werden der Quotient aus nicht arbeitenden und arbeitenden Haus-

haltsmitgliedern als Maß für die Abhängigkeit sowie die Anzahl der Haushaltsmitglie-

der3mit aufgenommen.

Produktionsfaktoren Im Gegensatz zum ersten Kapitel, in dem die empirische Unter-

suchung auf Individualdaten basiert, werden alle Variablen, die Humankapital abbil-

den, hier als Produktionsfaktoren des Haushalts bezeichnet. Diese Bezeichnung ist im

Zusammenhang mit Haushaltseigenschaften eingänglicher und dient ebenso der besse-

ren Vergleichbarkeit mit den von der Weltbank definierten Kategorien (Coudouel et

al. 2002). Die Indikatorvariable für männliches Geschlecht des Haushaltsvorsitzenden

wurde ebenso dieser Kategorie hinzugefügt, obwohl der positive Einfluss, den ein männ-

liches Geschlecht auf das Einkommen ausübt, sowohl durch Produktivitätseffekte als

auch durch Diskriminierung verursacht werden kann (Shu 2005; Ng 2007). Für den

Haushalt stellt dieser Fakt in jeder Hinsicht einen Faktor dar, aus dem zusätzliches

Einkommen generiert werden kann. Aus diesem Grunde wurde die Variable nicht in

der Kategorie soziale Normen und Politikmaßnahmen eingruppiert.

Als Näherungswert für das in dem Haushalt vorhandene Humankapital werden die

durchschnittlichen Jahre der Schulausbildung sowie eine Indikatorvariable für infor-

3Es werden nur Haushaltsmitglieder bzw. Familienmitglieder erfasst, die auch tatsächlich in dem

Haushalt zu dem Zeitpunkt der Befragung gewohnt haben.

2.3 Empirische Analyse 85

melle Ausbildung dem Modell hinzugefügt. Der positive Einfluss von Humankapital

auf das Einkommen in China wurde vielfach nachgewiesen (u.a. Zhang et al. 2005).

Meng et al. (2008) unterstreichen ebenso die Bedeutung in Bezug auf die Armutssitua-

tion der Haushalte. Neben den durchschnittlichen Schuljahren werden ebenso die Jahre

des Aufenthaltes in Shenzhen berücksichtigt, da wie bereits in Abschnitt 1.1 erläutert,

davon ausgegangen werden kann, dass eine längere Aufenthaltsdauer die Bildung von

lokal spezifischen Wissen und sozialem Kapital ermöglicht (Fan 2001).

Soziale Normen und Politikmaßnahmen Unterschiede in dem Hukou Registrierungssta-

tus werden oft als einer der Haupterklärungsgründe für Einkommensunterschiede zwi-

schen Migranten und Nichtmigranten gesehen (Liu 2005). Da viele aus den meist eher

armen und unterentwickelten ländlichen Gebieten in die weiter entwickelten urbanen

Agglomerationen migrieren, lässt sich in den meisten chinesischen Großstädten eine

große Migrantenpopulation finden (Chen und Coulson 2002). Des Weiteren lässt sich

meist eine große Einkommensdifferenz zwischen diesen Land-Stadt Migranten und der

städtischen Ursprungsbevölkerung feststellen (Lu und Song 2006). Da aufgrund der

Ergebnisse der Mincer Regression auf Basis der Individualdaten im vorherigen Kapi-

tel davon auszugehen ist, dass der Hukou Registrierungsstatus einen Einfluss auf das

Haushaltseinkommen ausübt, wird eine Indikatorvariable für den Hukou Status in das

Modell eingefügt. Da, wie bereits in Kapitel eins erläutert, die Einführung der Son-

derwirtschaftszonen in Shenzhen ein wichtiger Grund für das rapide Wachstum der

Agglomeration war, wird hier ebenso eine Indikatorvariable für den Haushaltssitz in

der SEZ eingefügt (Yeung et al. 2009).

2.3 Empirische Analyse 86

Arbeitsplatzeigenschaften Eine weitere Einkommensdeterminante, die in dem ökono-

metrischen Modell berücksichtigt werden soll, sind die Eigenschaften des Arbeitsplat-

zes, den der Haushaltsvorsitzende inne hat. Staatsbetriebe entlohnen oftmals anders

als privatwirtschaftliche Unternehmen und stellen meist nur Bewohner mit einer städ-

tischen Registrierung ein (Knight und Song 2003). Selbständigkeit kann, wie bereits

erläutert, ebenso einen deutlichen Einfluss auf das Einkommen ausüben. Gleiches gilt

für ausländische Betriebe bzw. Kooperationen mit ausländischen Betrieben (Lu und

Song 2006). Aus diesem Grunde, werden Indikatorvariablen die Staatsbesitz, Selbstän-

digkeit oder die Beteiligung ausländischer Investoren abbilden, berücksichtigt.

2.3.2 Ökonometrisches Modell

Um die Auswirkungen der unterschiedlichen Variablen auf den Armutsstatus des Haus-

haltes ermitteln zu können, wird zuerst ein Probit Modell verwendet. Probit sowie Lo-

git Modelle finden in der Armutsforschung häufig Verwendung (z.B. Appleton 1996;

Grootaert 1997). Ein Hauptvorteil bei der Verwendung von Probit Modellen für die

Armutsanalyse liegt darin, dass sie keine Verzerrung bei einem steigenden Messfehler

aufweisen wie herkömmliche OLS Modelle (Grootaert und Braithwaite 1998). Diese,

teils Heteroskedastie verursachende, Verzerrung kann durch die Korrelation des Stör-

terms mit dem Haushaltseinkommen verursacht werden. Dies liegt darin begründet,

dass in Haushaltsbefragungen bei steigendem Einkommen dieses oftmals zunehmend

ungenauer erfasst werden kann. Die Transformation des Einkommens in eine binäre

Variable, wie sie für das Probit Modell vonnöten ist, umgeht dieses Problem, bringt

aber auch einen Informationsverlust mit sich. Aus diesem Grund ist seine Verwendung

2.3 Empirische Analyse 87

nicht unumstritten (Ravallion 1996). Trotz Kritik findet es in der Armutsforschung

weitgehend Verwendung und wird gerade auch aus dem Grunde der Vergleichbarkeit4

an dieser Stelle verwendet.

Das Probit Modell ist wie folgt spezifiziert:

PR (Y= 1|X) = Φ (α+Xβ)

Y:= Binäre Armutsindikatorvariable

Φ := Kumulative Verteilungsfunktion der Standardnormalverteilung

α:= Konstante

β:= Koeffizientenvektor

X:= Variablenvektor

PR () := Wahrscheinlichkeit

(2.8)

Das Probit Modell wird ebenso wie das Logit Modell zur multivariaten Analyse

binärer abhängiger Variablen angewendet.5Sowohl Logit und Probit als auch Tobit

Modelle sind sogenannte Limited Dependent Variable (LDV) Modelle. Hierbei handelt

es sich um Modelle, bei denen der Wertebereich der abhängigen Variable stark einge-

schränkt ist. Bei Logit und Probit Modellen handelt es sich um eine binäre abhängige

Variable.6Im Falle eines Tobit Modells ist die abhängige Variable in ihrem Wertebe-

4Siehe u.a. Appelton et al. (2008), Li (2006).

5Die folgenden Ausführungen zum Probit Modell basieren auf Wooldrige (2006).

6Sie werden aus diesem Grunde auch oft als Binary Choice Modelle bezeichnet (Greene 2003).

2.3 Empirische Analyse 88

reich von oben oder unten eingeschränkt. Die Schätzung der Parameter erfolgt mittels

der Maximum Likelihood Methode. Das Logit Modell verwendet im Unterschied zum

Probit Modell die kumulative Verteilungsfunktion der logistischen Verteilung.

Beide Modelle können aus einem Modell mit einer latenten bzw. unbeobachteten

Variable abgeleitet werden. Hierbei wird davon ausgegangen, dass für die unbeobachtete

Variable Y∗gilt:

Y∗=α+Xβ +eund Y= 1{Y∗>0}(2.9)

Hierbei nimmt die Indikatorfunktion 1den Wert eins an wenn Y∗größer Null ist

und Null falls Y∗kleiner oder gleich Null ist. Die latente Variable kann nicht direkt

beobachtet werden und drückt in diesem Zusammenhang die Nutzendifferenz zwischen

Y= 1 und Y= 0 aus. Es kann jedoch lediglich die Wahl zwischen Y= 1 und Y= 0

beobachtet werden, wobei Y= 1 gewählt wird, wenn die latente Variable Y∗größer

Null ist.

Die Wahrscheinlichkeit dass Y= 1 gewählt wird, ergibt sich unter der Annahme,

dass der Störterm eunabhängig und symmetrisch um null verteilt ist, aus:

PR (Y= 1|X) = PR (Y∗>0|X) = PR (e > −(α+Xβ)|X)

= 1 −Φ (−(α+Xβ)) = Φ (α+Xβ)

(2.10)

2.3 Empirische Analyse 89

Da aufgrund der latenten Variablendefinition lediglich der Effekt der unabhängigen

Variablen auf die latente Variable Y∗gemessen werden kann, ist der Koeffizientenwert

βiwenig aussagekräftig. Lediglich die Richtung des Effekts, die durch das Vorzeichen

gegeben wird, ist für Yund Y∗gleich. Um eine Aussage über die relative Auswirkung

der unabhängigen Variablen auf Yzu erhalten, müssen die marginalen Effekte errechnet

werden:

PR (Y= 1|X) = ∂PR (x)

∂xi

=φ(α+Xβ)

φ(z) := dΦ

dz (z)

(2.11)

Diese marginalen Effekte geben ceteris paribus den Anstieg in der Armutswahrschein-

lichkeit des Haushaltes bei einer marginalen Veränderung der entsprechenden Variable

an. Im Falle von Indikatorvariablen entspricht der Anstieg in der Wahrscheinlichkeit

einem Wechsel in der Variable von null auf eins.

Der Vektor der unabhängigen Variablen Xfasst die Charakteristiken des Haushal-

tes zusammen, von denen ein Einfluss auf den Armutsstatus des Haushalts erwartet

wird. Von allen möglichen Armutslinien erweist sich die Hälfte des Median Einkom-

mens als die sinnvollste und aussagekräftigste Armutsgrenze. Als Vergleich und zur

Ergebniskontrolle werden ebenso die Resultate der Regressionen unter Verwendung des

Mindestlohns als Armutsgrenze berichtet. Hierbei wird für das Haushaltseinkommen

lediglich ein Äquivalenzeinkommen berechnet, da eine Umrechnung in lokale Preise bei

2.3 Empirische Analyse 90

einem regionalen Mindestlohn nicht sinnvoll ist. Für alle anderen Regressionen wurde

als Ausgangsbasis das regional deflationierte Äquivalenzeinkommen verwendet.

Zwecks Modellierung der Einkommenslücke und zur Analyse der Einkommensdeter-

minanten der armen Bevölkerung wird ein Tobit Modell verwendet. Die Armutsgrenze

dient hierbei als Grenze für die Zensur. Mithilfe des von James Tobin 1958 vorgeschla-

genen Tobit Modells ist es möglich, für zensierte Daten konsistente Schätzergebnisse zu

erhalten, die mit einem herkömmlichen linearen OLS Modell nicht zu erhalten wären.

Im Falle der Armutsanalyse bietet sich die Armutsgrenze als Zensurpunkt an.

Das Tobit Model ist wie folgt definiert:

Y=z, wenn Y∗≥zund Y=Y∗,wenn Y∗< z

Y∗=α+Xβ +e

Y:= Logarithmus des bereinigten Äquivalenzeinkommens

α:= Konstante

β:= Koeffizientenvektor

X:= Variablenvektor

e:= Störterm

(2.12)

Um die benötigten bedingten Erwartungen zu erhalten, betrachtet man die ab-

geschnittene Normalverteilung. Für Ygilt die Annahme der Normalverteilung mit:

Y∼N[µ, σ2]. Für den Störterm wird davon ausgegangen, dass er mit e∼N[0, σ2]

2.3 Empirische Analyse 91

normalverteilt ist. Die Momente einer abgeschnittenen Normalverteilung haben folgen-

de Eigenschaften: 7

E(Y|AB) = µ+σλ (α)

V(Y|AB) = σ2[1 −δ(α)]

α=(a−µ)

λ(α) = φ(α)

1−Φ (α),falls für den Abtrennungspunkt AB gilt: x>a

λ(α) = −φ(α)

Φ (α),falls für den Abtrennungspunkt AB gilt: x<a

δ(α) = λ(α) [λ(α)−α]

Φ := Kommulative Dichtefunktion der Standardnormalverteilung

φ:= Dichtefunktion der Standardnormalverteilung

a:= Konstante

(2.13)

Im Falle der Armutsregression wird allgemein die Armutsgrenze zals Abtrennungs-

punkt verwendet. Die Funktion λ(α)wird auch als inverses Mills Verhältnis bezeichnet.

Für das Regressionsmodell mit µ=Xβ gilt dann für den Fall einer linksseitigen Grenze

für den bedingten Erwartungswert:

E(Y|Y > a) = Xβ +σλ (α) = Xβ +σφa−Xβ

σ

1−Φa−Xβ

σ(2.14)

7Die Darstellung folgt weitestgehend Greene (2003).

2.3 Empirische Analyse 92

Die bedingte Wahrscheinlichkeit E(Y|Y > a)ergibt sich aus der Summe aus dem

geschätztem Mittelwert und dem Produkt aus Standardabweichung und inversem Mills

Verhältnis. Bei einer Begrenzung der Daten von der rechten Seite gilt:

E(Y|Y < a) = Xβ +σλ (α) = Xβ +σ−φa−Xβ

σ

Φa−Xβ

σ(2.15)

Auch bei dem Tobit Modell haben die Werte der geschätzten Koeffizienten wenig

Aussagekraft. Ist man an der relativen Auswirkung der Variablen auf den nicht abge-

schnittenen Teil der Verteilung interessiert, muss die partielle Ableitung des bedingten

Erwartungswertes gebildet werden, um den marginalen Effekt zu erhalten. Für den

verallgemeinerten Fall, sowohl linksseitig oder rechtsseitig als auch beidseitig abge-

schnittener Daten, lautet partielle Ableitung des bedingten Erwartungswertes:

∂E (Y|x)

∂xi

=βPR (a<Y∗< b)

Y=awenn Y∗≤a

Y=bwenn Y∗≥b

Y=Y∗sonst

(2.16)

In dem hier vorliegenden Fall wird der marginale Effekt der erklärenden Variable auf

das Einkommen für einen Haushalt unter der Armutsgrenze angegeben.

2.3 Empirische Analyse 93

Zur Überprüfung der anderen Modelle sowie zur Analyse der Einkommensdeter-

minanten für die gesamte Bevölkerung wird auch eine einfaches lineares OLS Modell

geschätzt:

Y=α+βX +e

Y:= Logarithmus des bereinigten Äquivalenzeinkommens

α:= Konstante

β:= Koeffizientenvektor

X:= Variablenvektor

e:= Störterm

(2.17)

Die Verwendung aller drei Modelle unter Beibehaltung der gleichen erklärenden Va-

riablen ist Vorteilhaft für die Armutsanalyse (Grootaert and Braithwaite 1998). Das

lineare OLS Modell kann unter Verwendung schwächerer Annahmen bezüglich des Stör-

terms angewandt werden, zudem wird die Einkommensvariable nicht wie im Falle des

Probit Modells in eine binäre Variable transformiert (Ravallion 1996). Vielmehr wird

der Einfluss der erklärenden Variablen auf das Einkommen im Allgemeinen erklärt.

Ravallion (1996) plädiert in diesem Zusammenhang auch dafür, die geschätzten Wahr-

scheinlichkeiten direkt aus der OLS Regression zu errechnen und auf ein Probit oder

Logit Modell vollständig zu verzichten. Auch ließe sich anstatt des Tobit Modells auf

Quantil Regressionen zurückgreifen (Deaton 1997). Hierbei werden, ebenso wie bei der

Modellierung der Einkommenslücke mit dem Tobit Modell, keine konstanten Parame-

2.3 Empirische Analyse 94

ter über die Verteilung angenommen und eine Analyse der Einkommensdeterminanten

der unteren Einkommensschichten ist möglich. Dennoch ist die Verwendung der Pro-

bit, Tobit und OLS Verfahren in der Armutsforschung weit verbreitet und ermöglicht

es vor allem, die hier vorliegenden Ergebnisse mit den wenigen Studien, die Migran-

ten in China berücksichtigen können, zu vergleichen.8Ebenso stellt die relativ geringe

Stichprobengröße ein Problem dar.

In Tabelle 2.4 sind die verwendeten erklärenden Variablen, die sich aus Basis der vor-

angegangen Literaturdiskussion ergeben, zusammengefasst. Neben dem Namen und der

Beschreibung ist in Klammern das zu erwartende Vorzeichen angegeben. Die Richtung

des Vorzeichens bezieht sich auf die Auswirkungen auf das Einkommen. Bezüglich der

Armutswahrscheinlichkeit, wie sie mittels des Probit Modelles geschätzt wird, ist von

dem umgekehrten Vorzeichen auszugehen.

Die Berücksichtigung von Ausgaben für Medikamente oder allgemeinen Gesundheits-

ausgaben als Richtwert für den Gesundheitszustand wurde aufgrund des Endogenitäts-

problems zwischen Haushaltseinkommen und Gesundheitsausgaben verworfen. Ebenso

erwiesen sich die Indikatorvariablen für Arbeitsplatzbeschaffung durch einen Freund

oder Verwandten, Mitgliedschaft in der Kommunistischen Partei sowie Familienstand,

wie in den Mincer Regressionen mit Individualdaten verwendet, in allen Spezifikationen

als insignifikant und wurden aus dem endgültigen Modell entfernt.

Im nächsten Abschnitt folgt nun die Darstellung der Ergebnisse der verschiedenen

Regressionen.

8Siehe u.a. Appelton et al. (2008), Li (2006), Song (2009) et al., Meng et al. (2008).

2.3 Empirische Analyse 95

Name & Ewartets Vorzeichen Beschreibung

ln yiLogarithmiertes jährliches Pro-Kopf Äqui-

valenzeinkommen

Haushaltseigenschaften

av_age (-) Durchschnittsalter der Haushaltsmitglieder

dpr (-) Abhängigkeitsverhältnis (Alter < 16 & Al-

ter > 65 / 16 >= Alter <= 65)

family_size (+) Anzahl der Familienmitglieder im Haushalt

Produktionsfaktoren

av_schooling (+) Durchschnitt der abgeschlossenen Schuljah-

re der Haushaltsmitglieder

infedu (+) Haushaltsvorsitzender hat informelle Aus-

bildung genossen

male (+) Indikator Variable für das Geschlecht des

Haushaltsvorsitzenden (Männlich=1)

stay (+) Aufenthalt des Haushaltsvorsitzenden in

Shenzhen in Jahren

Soziale Normen und Politik-

maßnahmen

rural (-) Indikator Variable für die Registrierung des

Haushaltsvorsitzenden (Ländlich=1)

sez (+) Indikator Variable für den Wohnort (Inner-

halb SEZ=1)

Arbeitsplatz Eigenschaften

foreignshare (+) Indikator Variable=1 für ganzen oder teil-

weisen Besitz des Arbeitgebers des Haus-

haltsvorsitzenden durch ausländische Fir-

men

soe (+) Indikator Variable=1 für Staatsbesitz des

Arbeitgebers des Haushaltsvorsitzenden

self_employed (-) Indikator Variable=1 für Selbständigkeit

Tabelle 2.4: Variablen Beschreibung: Armutsregressionen

2.3 Empirische Analyse 96

2.3.3 Ergebnisse

Aufgrund des Chow Tests (Chow 1960)9ergibt sich, dass die Parameter der erklären-

den Variablen in allen Modellen signifikant unterschiedlich zwischen Migranten und

Nichtmigranten sind, wurden für alle Modelle ebenso getrennte Regressionen für beide

Subpopulationen durchgeführt.

Die Signifikanz aller Koeffzienten wurde mittels des Wald Tests (vgl. u.a. Greene

2003) auch auf Gruppenweise bzw. Blockweise Signifikanz getestet. Hierbei wurden die

in Tabelle 2.4 verwendeten Kategorien als Blöcke verwendet. In allen Modellen erwiesen

sich die Koeffizientenblöcke mit einem Konfidenzniveau von 99% als signifikant.

Für das OLS Modell werden zwecks Test auf Multikollinearität die Varianzinfla-

tionsfaktoren (VIF) errechnet (vgl. u.a. Greene 2003). Hierbei ergab sich ein durch-

schnittlicher VIF Wert von 1.23 und ein maximaler VIF Wert von 1.56, was keinen

deutlichen Hinweis auf ein Vorliegen von starker Multikollinearität liefert. Da in den

Daten Heteroskedastizität, welche u.a. durch eine steigende Varianz der Einkommen

mit zunehmendem Lebensalter sowie zunehmende Messfehler bzw. Erhebungsfehler

bei steigenden Einkommen verursacht werden kann, wurde ein Breusch-Pagan Test

(Breusch und Pagan 1979) sowie ein White Test (White 1980) auf Heteroskedastizität

durchgeführt.10 Der Breusch-Pagan Test verwirft die H0Hypothese einer konstanten

Varianz mit einem 99% Konfidenzniveau. Der White Test verwirft diese Hypothese

ebenso auf einem 99% Niveau. Zur Korrektur der vorliegenden Heteroskedastizität

9Siehe die Diskussion in Abschnitt 1.3.3.

10Bereits in der OLS Regression mit Individualdaten im ersten Kapitel wurde das Vorligen von He-

teroskedastizität festgestellt.

2.3 Empirische Analyse 97

werden aus diesem Grunde White-korrigierte Standardfehler für die OLS Regression

verwendet. Die Transformation des Einkommens in eine binäre Variable beseitigt das

Problem der Heteroskedastizität in den Probit Regressionen (Deaton 1997; Grootaert

und Braithwaite 1998). Für die Tobit Regression wurden Standardfehler ebenso Whi-

te korregierte Standardfehler berechnet. Außerdem wurden die Standardfehler mittels

des Bootstrap Verfahrens errechnet (Cameron und Trivedi 2009). Hierbei ergaben sich

keine Abweichungen bezüglich Signifikanz oder Richtung der Koeffizienten.

Da die Koeffizienten der Probit und Tobit Modelle keine Interpretation über den rela-

tiven Einfluss einer erklärenden Variablen zulassen, sondern wie erwähnt lediglich eine

Interpretation des Vorzeichens der Variablen zulassen, werden die marginalen Effekte

der Koeffizienten berichtet. Die Koeffizienten sind mit der Endung raw und die mar-

ginalen Effekte mit der Endung marg bezeichnet. Ebenso wird das pseudo R2(r2_p)

als Gütemaß berichtet.

2.3 Empirische Analyse 98

probit_a_raw probit_a_marg

b SF b Xmfx_X SF

med_cpi_eq_poor

av_age 0.010 (0.006) 0.002 30.334 (0.001)

family_size -0.164** (0.057) -0.038** 3.060 (0.013)

dpr 0.184** (0.060) 0.043** 0.760 (0.014)

av_schooling -0.137*** (0.021) -0.032*** 9.283 (0.005)

infedu (d) -0.688** (0.213) -0.122*** 0.148 (0.026)

stay -0.019* (0.008) -0.004* 9.525 (0.002)

male (d) -0.752** (0.275) -0.233* 0.960 (0.102)

rural (d) 0.682*** (0.119) 0.164*** 0.455 (0.029)

sez (d) -0.396*** (0.106) -0.099*** 0.691 (0.028)

soe (d) 0.197 (0.169) 0.049 0.120 (0.045)

foreignshare (d) -0.622** (0.227) -0.108*** 0.082 (0.028)

self_employed (d) 0.154 (0.116) 0.037 0.250 (0.029)

_cons 1.249** (0.422)

N 1026.000 1026.000

r2_p 0.252 0.252

Tabelle 2.5: Regressionsergebnisse der Probit Regression für alle Haushalte

2.3 Empirische Analyse 99

probit_ur_raw probit_ur_marg

b SF b Xmfx_X SF

med_cpi_eq_poor

av_age 0.009 (0.010) 0.001 30.289 (0.001)

family_size -0.415*** (0.119) -0.031** 3.166 (0.010)

dpr 0.215* (0.101) 0.016* 0.825 (0.008)

av_schooling -0.173*** (0.037) -0.013*** 10.733 (0.003)

infedu (d) -0.591* (0.285) -0.034* 0.222 (0.013)

stay -0.025* (0.012) -0.002* 11.125 (0.001)

male (d) -0.821* (0.365) -0.117 0.945 (0.081)

sez (d) -0.489** (0.189) -0.047* 0.755 (0.023)

soe (d) 0.163 (0.266) 0.014 0.170 (0.025)

foreignshare (d) -0.737 (0.434) -0.034** 0.104 (0.012)

self_employed (d) 0.473* (0.214) 0.049 0.143 (0.030)

_cons 2.437*** (0.602)

N 559.000 559.000

r2_p 0.262 0.262

Tabelle 2.6: Regressionsergebnisse der Probit Regression für die städtisch registrierten

Haushalte

probit_r_raw probit_r_marg

b SF b Xmfx_X SF

med_cpi_eq_poor

av_age 0.019* (0.008) 0.007* 30.387 (0.003)

family_size -0.039 (0.066) -0.015 2.934 (0.025)

dpr 0.227** (0.087) 0.087** 0.683 (0.033)

av_schooling -0.125*** (0.025) -0.048*** 7.547 (0.010)

infedu (d) -0.805* (0.331) -0.258** 0.060 (0.080)

stay -0.010 (0.010) -0.004 7.610 (0.004)

male (d) -0.687 (0.427) -0.268 0.979 (0.158)

sez (d) -0.279* (0.132) -0.107* 0.615 (0.051)

soe (d) 0.344 (0.259) 0.135 0.060 (0.103)

foreignshare (d) -0.520 (0.287) -0.180* 0.056 (0.087)

self_employed (d) 0.017 (0.136) 0.007 0.379 (0.052)

_cons 1.019 (0.575)

N 467.000 467.000

r2_p 0.105 0.105

Tabelle 2.7: Regressionsergebnisse der Probit Regression für die Migrantenhaushalte

2.3 Empirische Analyse 100

Die Probit Regressionen liefern die erwarteten Ergebnisse. Die getrennten Regressio-

nen zeigen die erwarteten Unterschiede zwischen beiden Subgruppen. Die Ergebnisse

mit dem Minimallohn bestätigen die Resultate der Regressionen unter Verwendung der

relativen Armutsgrenze. Die Ergebnisse erscheinen robust in Hinblick auf die Wahl der

Armutsgrenze.

tobit_a_raw tobit_a_marg

b SF b Xmfx_X SF

model

av_age -0.006* (0.003) -0.001* 30.334 (0.001)

family_size 0.045 (0.033) 0.009 3.060 (0.007)

dpr -0.133*** (0.030) -0.026*** 0.760 (0.006)

av_schooling 0.064*** (0.010) 0.012*** 9.283 (0.002)

infedu (d) 0.361** (0.114) 0.062*** 0.148 (0.017)

stay 0.014** (0.004) 0.003** 9.525 (0.001)

male (d) 0.430** (0.138) 0.105* 0.960 (0.041)

rural (d) -0.379*** (0.066) -0.076*** 0.455 (0.013)

sez (d) 0.225*** (0.052) 0.046*** 0.691 (0.011)

soe (d) -0.090 (0.084) -0.018 0.120 (0.018)

foreignshare (d) 0.378*** (0.113) 0.063*** 0.082 (0.016)

self_employed (d) -0.050 (0.057) -0.010 0.250 (0.011)

_cons 8.614*** (0.217)

sigma

_cons 0.551*** (0.030)

N 1026.000 1026.000

r2_p 0.250 0.250

Tabelle 2.8: Regressionsergebnisse der Tobit Regression für alle Haushalte

2.3 Empirische Analyse 101

tobit_ur_raw tobit_ur_marg

b SF b Xmfx_X SF

model

av_age -0.007 (0.006) -0.001 30.289 (0.001)

family_size 0.239** (0.081) 0.030** 3.166 (0.010)

dpr -0.161** (0.061) -0.020** 0.825 (0.008)

av_schooling 0.103*** (0.024) 0.013*** 10.733 (0.003)

infedu (d) 0.341 (0.176) 0.040* 0.222 (0.019)

stay 0.019* (0.008) 0.002* 11.125 (0.001)

male (d) 0.561* (0.225) 0.089* 0.945 (0.044)

sez (d) 0.304** (0.111) 0.041** 0.755 (0.016)

soe (d) -0.059 (0.151) -0.008 0.170 (0.020)

foreignshare (d) 0.465 (0.267) 0.050* 0.104 (0.025)

self_employed (d) -0.264* (0.119) -0.036* 0.143 (0.017)

_cons 7.639*** (0.395)

sigma

_cons 0.623*** (0.073)

N 559.000 559.000

r2_p 0.267 0.267

Tabelle 2.9: Regressionsergebnisse der Tobit Regression für die städtisch registrierten

Haushalte

2.3 Empirische Analyse 102

tobit_r_raw tobit_r_marg

b SF b Xmfx_X SF

model

av_age -0.011** (0.004) -0.003** 30.387 (0.001)

family_size -0.033 (0.035) -0.010 2.934 (0.011)

dpr -0.158*** (0.040) -0.048*** 0.683 (0.012)

av_schooling 0.053*** (0.011) 0.016*** 7.547 (0.003)

infedu (d) 0.405* (0.159) 0.101** 0.060 (0.032)

stay 0.009 (0.006) 0.003 7.610 (0.002)

male (d) 0.339* (0.169) 0.126 0.979 (0.075)

sez (d) 0.154* (0.062) 0.048* 0.615 (0.019)

soe (d) -0.179 (0.117) -0.060 0.060 (0.043)

foreignshare (d) 0.307* (0.127) 0.080** 0.056 (0.028)

self_employed (d) 0.023 (0.063) 0.007 0.379 (0.019)

_cons 8.834*** (0.247)

sigma

_cons 0.512*** (0.030)

N 467.000 467.000

r2_p 0.127 0.127

Tabelle 2.10: Regressionsergebnisse der Tobit Regression für die Migrantenhaushalte

Die Ergebnisse des Tobit Modells weisen auf große Unterschiede in den Determinan-

ten des Einkommens für die arme und nicht arme Bevölkerung hin. Gleiches lässt sich

für die unterschiedlichen getrennten Tobit Regressionen für Migranten und Nichtmi-

granten feststellen. Die Ergebnisse sind robust mit einer generell zufriedenstellenden

Güte.

2.3 Empirische Analyse 103

ols_all ols_ur ols_ru

b SF b SF b SF

av_age -0.006* (0.003) -0.009 (0.004) -0.010** (0.003)

family_size 0.110*** (0.027) 0.203*** (0.044) -0.001 (0.034)

dpr -0.078* (0.031) -0.080 (0.043) -0.081 (0.044)

av_schooling 0.084*** (0.009) 0.097*** (0.014) 0.071*** (0.011)

infedu 0.211** (0.066) 0.166* (0.079) 0.329** (0.111)

stay 0.013*** (0.003) 0.014*** (0.003) 0.006 (0.005)

male 0.343* (0.141) 0.293 (0.187) 0.414** (0.136)

rural -0.688*** (0.059)

sez 0.283*** (0.049) 0.386*** (0.080) 0.119* (0.059)

soe -0.072 (0.075) -0.108 (0.095) -0.109 (0.111)

foreignshare 0.388*** (0.080) 0.330** (0.102) 0.432*** (0.123)

self_employed -0.104 (0.056) -0.314** (0.105) 0.065 (0.061)

_cons 8.620*** (0.207) 8.276*** (0.272) 8.501*** (0.225)

rmse 0.718 0.794 0.583

N 1026.000 559.000 467.000

r2_a 0.461 0.253 0.186

Tabelle 2.11: Regressionsergebnisse der OLS Regression. Alle Haushalte, städtisch registrierte Haushalte und Mi-

grantenhaushalte

2.3 Empirische Analyse 104

Die Ergebnisse der linearen OLS Regressionen in Tabelle 2.11 bestätigen generell

die Ergebnisse der Probit Regressionen. Die Koeffizienten sind gleich signifikant und

besitzen, wie es zu erwarten war in, unterschiedliche Vorzeichen. Die genaue Diskussion

und Interpretation der Ergebnisse erfolgt, nach der Darstellung der Ergebnisse der

Zerlegung der Regressionen, geschlossen im nächsten Abschnitt.

2.3.4 Zerlegung

Zwecks Schätzung des Ausmaßes an Diskriminierung gegen Migrantenhaushalte wird

eine Oaxaca-Blinder Zerlegung der Probit und Tobit Regressionen vorgenommen. Der

Renditeanteil der Zerlegung dient auch hier als Schätzwert für das Ausmaß an Diskrimi-

nierung. Da die traditionelle Oaxaca-Blinder Zerlegungsmethode nur für den linearen

Fall angewendet werden kann, findet hier die Generalisierung der Methode für den nicht

linearen Fall von Bauer und Sinning (2006) Anwendung. Die Ergebnisse der Zerlegung

sind in den Tabellen 2.12 sowie 2.13 zusammengefasst.11

ΩFaktorausstattung Rendite (Diskriminierung)

Nichtmigranten, Ω = 0 50,8% 49,2%

Migranten, Ω = I48,3% 51,7%

Tabelle 2.12: Oaxaca-Blinder Zerlegungsergebnisse der Probit Regression

ΩFaktorausstattung Rendite (Diskriminierung)

Nichtmigranten, Ω = 0 48,8% 51,2%

Migranten, Ω = I32,2% 67,8%

Tabelle 2.13: Oaxaca-Blinder Zerlegungsergebnisse der Tobit Regression

11Für eine genauere Darstellung der Methode siehe Abschnitt 1.3.4.

2.4 Ursachen der Armut in Shenzhen 105

2.4 Ursachen der Armut in Shenzhen

Die Ergebnisse der ökonometrischen Analyse unterstreichen die Multidimensionalität

der Ursachen von Armut. Haushaltszusammensetzung, Produktionsfaktoren, soziale

Faktoren und die Eigenschaften des Arbeitsplatzes haben alle einen signifikanten Ein-

fluss auf den Armutsstatus. Selbiges lässt sich für die Relevanz dieser Variablen für

das Einkommen der Armen sowie das Einkommen der Gesamtbevölkerung aussagen.

Die meisten Variablen innerhalb dieser Kategorien sind signifikant und robust in Bezug

auf unterschiedliche Schätzmethoden für Armut und unterschiedliche Subpopulationen.

Die Hauptergebnisse sind: Migranten haben eine sehr viel höhere Wahrscheinlichkeit

arm zu sein als Nichtmigranten. Die Determinanten der Armut unterscheiden sich sub-

stantiell zwischen Migranten und Nichtmigranten. Insbesondere Produktionsfaktoren

scheinen von größerer Bedeutung für Migranten zu sein. Migranten sind mit einem

großen Ausmaß an Lohndiskriminierung konfrontiert.

Aufgrund der Ergebnisse wird deutlich, dass Migranten ein deutlich niedrigeres Ein-

kommen erzielen als Nichtmigranten. Des Weiteren erhöht ihr ländlicher Registrierungs-

status drastisch die Wahrscheinlichkeit für Armut. Die getrennten Regressionen zeigen

deutlich, dass sowohl das Einkommen der Armen als auch die Faktoren die den Ar-

mutsstatus an sich bedingen, äußerst unterschiedlich für Migranten und Nichtmigranten

sind. Der Armutsstatus von Migrantenhaushalten scheint mehr von Produktionsfakto-

ren und den Eigenschaften des Arbeitsplatzes des Haushaltsvorsitzenden bestimmt zu

werden als bei Nichtmigranten. Ähnliches gilt für den Einfluss von Produktionsfak-

toren auf das Einkommen der Armen insgesamt. Auf der anderen Seite ergeben die

Resultate der Zerlegung, dass es für Migranten schwerer ist, Nutzen aus ihren Pro-

2.4 Ursachen der Armut in Shenzhen 106

duktionsfaktoren zu generieren, da die Einkommensdifferenz zwischen Migranten und

Nichtmigranten zu einem großen Teil durch Lohndiskriminierung erklärt werden kann.

Diese Tatsache ist besonders besorgniserregend, da die Datenanalyse gezeigt hat, dass

das Einkommen und der Armutsstatus der Migrantenhaushalte insbesondere durch die

Produktionsfaktoren des Haushalts beeinflusst wird.

2.4.1 Haushaltszusammensetzung

Betrachtet man die Kategorien einzeln wird deutlich, dass die Haushaltszusammen-

setzung von großer Bedeutung ist. Ein höheres durchschnittliches Alter des Haushalts

erhöht die Armutswahrscheinlichkeit. Die Familiengröße ebenso wie der Quotient aus

nicht arbeitenden Haushaltsmitgliedern und arbeitenden Haushaltsmitgliedern hat den

erwarteten Effekt sowie die erwarteten unterschiedlichen Vorzeichen in Bezug auf die

Wahrscheinlichkeit des Haushaltes arm zu sein. Eine Familie mit weniger arbeitenden

Haushaltsmitgliedern hat größere Probleme das notwendige Einkommen zu generieren,

das sie frei von Armut hält. Auch das Einkommen der Armen wird durch mehr abhän-

gige Familienmitglieder negativ beeinflußt. Diese Resultate sind vergleichbar mit den

Ergebnissen für ganz China von Appelton et al. (2008) wobei der negative Effekt der

Famliengröße12 auf das Einkommen im Falle von Shenzhen nur für arme Migranten-

haushalte gilt. Li (2006) erkennt in diesem Zusammenhang einen negativen Einfluss

der Familiengröße auf die Armutswahrscheinlichkeit, der auch für Shenzhen bestätigt

werden kann. Auch Meng et. al (2008) entdecken einen positiven Zusammenhang zwi-

schen Haushaltsgröße und Armut. Sie nehmen anstatt des Abhängigkeitsverhältnisses

12Appelton et al. (2008) verwenden die Anzahl erwachsener Haushaltsmitglieder anstatt der Haus-

haltsgröße.

2.4 Ursachen der Armut in Shenzhen 107

den Prozentsatz der arbeitenden Haushaltsmitglieder in die Gleichung mit auf.

Unterscheidet man zwischen Migranten und Nichtemigrantenhaushalten, wird deut-

lich dass das durchschnittliche Alter im Haushalt, sowie das Abhängigkeitsverhältnis,

die Wahrscheinlichkeit arm zu sein im Fall eines Migrantenhaushalts weitaus stärker

beeinflusst als im Fall des Nichtmigrantenhaushalts, in welchem Fall die Familiengrö-

ße von größerer Wichtigkeit ist. Das Gleiche lässt sich für das Einkommen der armen

Haushalte aussagen. Betrachtet man die Unterschiede zwischen armen und nicht ar-

men Haushalten insgesamt, ist die Größe des Haushalts ein sie stark unterscheidender

Faktor.

2.4.2 Produktionsfaktoren

Humankapital ausgedrückt durch durchschnittliche Bildungsjahre sowie informelle Aus-

bildung übt einen großen Einfluss auf den Armutsstatus des Haushalts aus. Das Vor-

handensein einer ausreichenden Menge an Humankapital erlaubt es, dem Haushalt Ein-

kommen zu generieren und reduziert seine Armutswahrscheinlichkeit. Dieser negative

Einfluss der Bildung auf die Armutswahrscheinlichkeit wird auch von Meng et al. (2008)

bestätigt. Auch Appelton et al. (2008) unterstreichen den negativen Zusammenhang

zwischen Armut und Bildung.

Es existieren jedoch große Unterschiede zwischen Migranten und Nichtmigranten.

Der Einfluss von Humankapital auf den Armutsstatus des Haushaltes ist weitaus größer

im Falle der Migrantenpopulation. Hier handelt es sich um den Faktor mit dem größten

Einfluss. Betrachtet man die Bildungsrenditen ist offensichtlich, dass die Armen eine

2.4 Ursachen der Armut in Shenzhen 108

weitaus geringere Bildungsrendite generieren können als die Durchschnittsbevölkerung.

Unabhängig davon, ob arm oder nicht, haben Migranten ebenso eine niedrigere Rendite

für Humankapital. Auf der anderen Seite ist ihre Rendite für informelle Ausbildung

höher als bei Nichtmigranten.

Die Aufenthaltsdauer des Haushaltsvorsitzenden in Shenzhen, die als Indikator für

die Ausbildung sozialer Netzwerke sowie die Akkumulation regionenspezifischen Wis-

sens betrachtet werden kann, hat einen negativen Einfluss auf die Armutswahrschein-

lichkeit. Die Auswirkung dieses Effekt ist jedoch relativ klein. Dieser negative Effekt

ist konform mit dem positiven Einfluss den Wan (2006) für das Einkommen feststellt.

Die Wirkung eines männlichen Haushaltsvorsitzenden ist unterschiedlich. Für alle be-

deutet ein männlicher Haushaltsvorsitzender ein weitaus geringeres Armutsrisiko. Ein

positiver Effekt auf das Einkommen lässt sich ebenso für die armen Migranten als auch

für die Migranten im Allgemeinen feststellen, nicht jedoch für die durchschnittlichen

Nichtmigranten. Auch Meng et al. (2008) und Li (2006) ermitteln, dass die Armuts-

wahrscheinlichkeit in China durch einen weiblichen Haushaltsvorsitzenden erhöht wird.

Die Analysen von Appelton et al. (2008) bestätigen den negativen Einfluss eines weib-

lichen Geschlechts des Haushaltsvorsitzenden sowie den des Abhängigkeitsquotienten.

Der stärkere Einkommenseffekt eines männlichen Haushaltsvorsitzenden im Falle von

Migrantenhaushalten wird auch von Song et al. (2009) im Falle von Changsha festge-

stellt.

2.4 Ursachen der Armut in Shenzhen 109

2.4.3 Soziale Normen und Politikmaßnahmen

Alle sozialen und China spezifischen Faktoren erweisen sich als signifikant. Die ländli-

che Registrierung des Haushaltsvorsitzenden übt einen sehr negativen Einfluss auf das

Einkommen und einen positiven Einfluss auf die Armutswahrscheinlichkeit aus. Die

Diskriminierung ländlich registrierter Arbeiter ebenso wie der Mangel an adäquater

Ausbildung in ländlichen Gebieten, welches einen negativen Einfluss auf das Humanka-

pital hat, führt zu der signifikant höheren Wahrscheinlichkeit der Armut für Haushalte

mit einem ländlich registrierten Haushaltsvorsitzenden. Es wird deutlich, dass die Mi-

granten, deren ursprüngliches Ansinnen es ist, der Armut in den ländlichen Regionen

durch Migration zu entkommen, ein weitaus größeres Armutsrisiko besitzen als städ-

tisch registrierte Nichtmigranten. Diese Ergebnisse stimmen mit dem für ganz China

nachgewiesenen großen Einkommensdifferential zwischen Migranten und Nichtmigran-

ten überein (Liu 2005). Auch Song et al. (2009) können für Changsha eine explizite

Benachteiligung der Migranten nachweisen. Gleiches gilt für Lu und Song (2006) im

Falle von Tianjin. Ebenso ist zu erkennen, dass der negative Einfluss der ländlichen

Registrierung auf das Einkommen weniger drastisch für die arme Population ist.

Die Politikmaßnahme der Sonderwirtschaftszone erweist sich als ebenso signifikant.

Befindet sich der Haushalt in einer dieser SEZ in Shenzhen sinkt die Armutswahr-

scheinlichkeit. Dies deutet daraufhin, dass innerhalb der Sonderwirtschaftszonen bes-

sere Arbeitsplätze und Arbeitsmöglichkeiten vorhanden sind, was konform mit dem

generell konstatierten ökonomischen Erfolg der Sonderwirtschaftszonen in China und

insbesondere in Shenzhen ist (Yeung et al. 2009; Sklair 1991). Die Politikmaßnahme

der Sonderwirtschaftszone hat den stärksten Einfluss auf das Einkommen der Nichtmi-

2.4 Ursachen der Armut in Shenzhen 110

granten.

2.4.4 Arbeitsplatzeigenschaften

Die Ergebnisse für die Indikatorvariablen, die die Arbeitsplatzeigenschaften abbilden,

sind gemischt. Ein unerwartetes Ergebnis hierbei ist, dass der Staatsbesitz des Arbeit-

gebers einen positiven Einfluss auf die Armutswahrscheinlichkeit ausgeübt. Die Variable

ist jedoch nicht signifikant. Ursprünglich wurde in diesem Zusammenhang ein positiver

Zusammenhang zwischen Armut und Selbständigkeit und ein negativer Zusammenhang

mit dem Staatsbesitz der Firma vermutet. Jedoch zeigen die Ergebnisse für Shenzhen,

dass weder der stabilisierende, noch der Selektionseffekt eines Staatsbetriebes einen

Einfluss ausübt. Dieser positive Einfluss auf die Armutswahrscheinlichkeit ist ähnlich

den Ergebnissen von Heckman und Li (2003) oder Lu und Song (2006). Diese weisen

eine deutlich negative Auswirkung von Staats- oder Kollektivbesitz auf das Einkom-

men aus. Li (2006) sieht einen leicht negativen Zusammenhang zwischen Armut und

Staatsbesitz, wobei dies stark von der Art des Staatsbetriebes abhängig ist. Städtische

Kollektivbetriebe führen zu einer erhöhten Armutswahrscheinlichkeit der Angestellten.

Auf der anderen Seite stellen Knight und Song (2003) einen ca. 10% Lohnzuschlag bei

staatseigenen Betrieben im Vergleich zu Betrieben in Privatbesitz fest.

Selbständigkeit, welche im Normalfall mit wenig Lohn und Einmannunternehmen

in Zusammenhang gebracht wird, ist nicht relevant für Migranten, jedoch relevant für

Nichtmigranten. Sie übt einen negativen Einfluss auf das Einkommen der armen so-

wie auf das Einkommen des durchschnittlichen städtisch registrierten Einwohners aus.

2.4 Ursachen der Armut in Shenzhen 111

Hierbei wird ebenso die Wahrscheinlichkeit unter die Armutsgrenze zu fallen, erhöht.

Li (2006) berichtet in diesem Zusammenhang von einer leicht erhöhten Armutswahr-

scheinlichkeit für Selbständige in allen Bevölkerungsteilen in ganz China.

Eine vollständige oder teilweise ausländische Beteiligung an dem Arbeitgeber hat

einen negativen Einfluss auf die Armutswahrscheinlichkeit. Dies mag in der Tatsache

begründet sein, dass Joint Ventures, beziehungsweise ausländische Firmen, einen hö-

heren Lohn zahlen, oder aber auch darin begründet sein, dass eine größere Anzahl

qualifizierter Arbeiter in diesen Firmen angestellt sind. Der Einfluss dieses Effekts ist

besonders stark für Migranten. Ihre Armutswahrscheinlichkeit wird dadurch deutlich

gesenkt. Auch Lu und Song (2006) ermitteln einen deutlichen positiven Effekt von

ausländischer Beteiligung auf das Einkommen. Song et al. (2009) können in Changsha

allerdings hauptsächlich eine positiven Einkommenseffekt für die städtische Bevölke-

rung und nicht für die Migranten ausmachen.

2.4.5 Diskriminierung der Migranten

Die Ergebnisse der Oaxaca-Blinder Zerlegung zeigen, dass in Abhängigkeit von der

Referenzgruppe 49-68% des Einkommensunterschiedes zwischen Migranten und Nicht-

migranten auf Lohndiskriminierung zurückzuführen ist. Dieser Wert steigt auf 50-68%

an, werden die Ergebnisse der Tobit Regression, die das Einkommen der Armen abbil-

det, zugrunde gelegt. Diese Benachteiligung der Migranten stimmt mit den Resultaten

von Fan (2001) und Lu und Song (2006) überein, die insbesondere noch einmal den

diskriminierenden Effekt der Hukou Registrierung herausstellen.

2.4 Ursachen der Armut in Shenzhen 112

Desweiteren unterstreichen die Ergebnisse der ökonometrischen Analyse die Schwie-

rigkeit der Situation, in der sich Migranten befinden. Die Unterschiede in den Fakto-

ren, die Armut zwischen Migranten und Nichtmigranten generieren sind äußerst un-

terschiedlich. Der Migrantenpopulation war es nicht möglich im gleichen Umfang an

den starken Wohlfahrtsgewinnen teilzuhaben und sieht sich hierbei weiterhin starker

Lohndiskriminierung ausgesetzt. Hierbei bestätigt die Situation in Shenzhen die Be-

nachteiligung der Migranten, die in ganz China vorzufinden ist (u.a. Liu 2005; Fan

2001).

Politikmaßnahmen, die eine bessere Faktorakkumulation für Migranten erlauben,

insbesondere die von Humankapital, scheinen angebracht. Ebenso erscheint ein Vor-

gehen gegen die existierende Lohndiskriminierung gegen Migranten als sinnvoll. Auf

der anderen Seite lassen sich eventuell auch positive Effekte, die auf das Hukou Re-

gistrierungssystem zurückzuführen sind, finden. Zwar ist dieses Registrierungssystem

allgemein einer der Hauptgründe für das niedrigere Einkommen und größere Armut

unter Migranten in ganz China (Liu 2005). Auf der anderen Seite jedoch, kann es zur

Milderung anderer negativer Effekte, die durch Migration verursacht werden, beitra-

gen. Da das Hukou Registrierungssystem die Opportunitätskosten von Migration in

die Städte deutlich erhöht, indem es die Kosten für die Migranten durch unterschied-

liche Kanäle steigert, kann es auch als Migrationsbarriere interpretiert werden. Diese

Barriere gegen zu große Migration kann mit dazu beitragen dass negative Effekte zu

starker Migration in die Städte hinein, wie es in vielen Entwicklungsländern beobach-

tet werden kann, vermieden werden. Aus diesem Grunde ist eine genaue Abwägung der

Kosten und des Nutzens der unterschiedlichen Armutsbekämpfungsmaßnahmen not-

wendig. Des Weiteren sollte angemerkt werden, dass viele der Land-Stadt Migranten

2.5 Zusammenfassung der Armutssituation 113

im Falle der vollständigen Verarmung die Option der Rückkehr in die Dörfer haben.

Diese Option kann als ein letztes Sicherungsnetz interpretiert werden.

2.5 Zusammenfassung der Armutssituation

Die Schätzungen der Armut im urban China schwanken aufgrund der Vielzahl an un-

terschiedlichen Definitionen von Armutslinien und der Verwendung unterschiedlicher

Wohlfahrtsmaße. In dieser Arbeit wird eine breitere Definition der Armut verwendet,

um die Armutsinzidenz auf Basis unterschiedlicher Armutsgrenzen für Shenzhen zu

berechnen. Die Zusammenhänge zwischen Migration und Armut wurden beleuchtet

und versucht, eine Antwort auf die Frage zu geben, warum Migranten ärmer sind als

Nichtmigranten. Des Weiteren wurden die Unterschiede in den Faktoren, die Armut

bei Migranten und Nichtmigranten verursachen, herausgearbeitet. Ebenso wurde ana-

lysiert inwiefern sich die arme von der nicht armen Bevölkerung in Hinsicht auf diese

armutsgenerierenden Faktoren unterscheidet.

Zur präziseren Schätzung der Armut in Shenzhen war es notwendig, eine Einkom-

menskorrektur mittels eines für das Jahr 2005 aktualisierten regionalen Preisdeflators

vorzunehmen. Hierzu wurde der von Brandt und Holz (2006) erstellte Warenkorb in

regionalen Preisen, aktualisiert mit Werten des regionalen städtischen Konsumenten-

preisindex, der vom nationalen chinesischen Amt für Statistik herausgegeben wird,

verwendet. Zwecks Berücksichtigung von Skalenerträgen innerhalb eines Haushaltes

wurde auch das Äquivalenzeinkommen berechnet. Die absolute Armut ist gering, va-

riiert jedoch stark in Abhängigkeit von den Einkommensanpassungen. Dies und der

2.5 Zusammenfassung der Armutssituation 114

mit westlichen Industriestaaten vergleichbare ökonomische Entwicklungsstand legen

die Verwendung einer relativen Armutsgrenze für die Analyse der Determinanten von

Armut in Shenzhen nahe.

Um eine genauere Kenntnis über die Ursachen der Armut in Shenzhen zu erhalten,

wurden multiple Regressionen unter Verwendung verschiedener Modelle durchgeführt.

Zur Identifizierung der Faktoren, die die Armutswahrscheinlichkeit beeinflussen, wur-

de ein Probit Modell verwendet. Zwecks Modellierung der Einkommenslücke und der

Determinanten des Einkommens der Armen wurde ein Tobit Modell verwendet. Ab-

schließend wurde zur Abbildung der einkommensgenerierenden Faktoren im Allgemei-

nen sowie zur Überprüfung ein lineares OLS Modell verwendet. Um die Migranten und

Nichtmigranten getrennt betrachten zu können, wurden jeweils getrennte Regressio-

nen für beide Subpopulationen durchgeführt. Um das Ausmaß an Lohndiskriminierung

abschätzen zu können, wurde eine Zerlegung der Regressionen vorgenommen. Die ver-

wendeten erklärenden Variablen lassen sich den Kategorien Haushaltseigenschaften,

Produktionsfaktoren, soziale Normen und Politikmaßnahmen sowie Arbeitsplatzeigen-

schaften zuordnen.

Als ein Hauptergebnis lässt sich festhalten, dass der Migrationsstatus einen stark po-

sitiven Einfluss auf das Armutsrisiko sowie einen negativen Einfluss auf das Einkommen

ausübt. Migranten sind zusätzlich einem erheblichen Ausmaß von Lohndiskriminierung

ausgesetzt. Dieser Tatbestand ist von besonderer Bedeutung, da der Armutsstatus so-

wie das Einkommen der armen Migranten besonders stark durch die Produktionsfak-

toren des Haushaltes beeinflusst werden.

Die hier vorgestellten Ergebnisse stellen die problematische Situation, in der sich

2.6 Vulnerabilität als neues Konzept der Armutsforschung 115

Land-Stadt Migranten befinden, heraus. Hieraus kann gefolgert werden, dass obwohl

Shenzhen eines der Paradebeispiele für eine erfolgreiche ökonomische Entwicklung auf

dem Festland von China ist, Probleme der Armutsbekämpfung und Diskriminierung

akut sind und raschen Handelns bedürfen.

2.6 Vulnerabilität als neues Konzept der Armutsforschung

In diesem Abschnitt soll die Vulnerabilität der Haushalte in Shenzhen als Erweiterung

zu den klassischen Armutskennziffern ermittelt werden. Vulnerabilität wird hierbei als

eine Kennziffer verstanden, die die Wahrscheinlichkeit ausdrückt, mit der ein Haushalt

in der Zukunft arm oder noch ärmer ist (Coudouel et al. 2002; Pritchett et al. 2000).

Das Konzept der Vulnerabilität bietet aufgrund seiner dynamischen, in die Zukunft

gerichteten Sichtweise der Armutsproblematik einige Vorteile gegenüber den Ansätzen

der traditionellen Armutsforschung. Die konkrete Umsetzung des Konzepts gestaltet

sich jedoch oft schwierig. Nach einer Einführung in das Konzept der Vulnerabilität

werden auf Basis der vorgenommenen Vulnerabilitätsschätzungen für Shenzhen meh-

rere Kennziffern vorgestellt, um einen Überblick über die Vulnerabilität der Haushalte

und die Zusammenhänge mit den bereits vorgestellten klassischen Armutskennziffern

zu erhalten.

2.6 Vulnerabilität als neues Konzept der Armutsforschung 116

2.6.1 Abgrenzung des Begriffs der Vulnerabilität

In ihrem aktuellen weltweiten Entwicklungsbericht betont die Weltbank die Zusam-

menhänge zwischen Sicherheit, Chancengleichheit und Armut.13 Im Zusammenhang

hiermit stehen die Konzepte von Unsicherheit und Risiko, wobei Unsicherheit als das

Risiko eines negativen Wohlfahrtsschocks interpretiert werden kann. Diese Schocks kön-

nen sowohl ideosynkratischer als auch systemischer Natur sein (Ligon und Schechter

2003). Ist das Ausmaß eines solchen Schocks groß genug, vermag er einen Haushalt un-

ter die Armutsgrenze zu drücken. Häufig genannte ideosynkratische Schocks die einen

großen negativen Einfluss auf die Wohlfahrt des Haushalts haben können, sind unter

anderem Tod, Krankheit oder Arbeitslosigkeit und häufige systemische Schocks sind

Krieg, Dürren sowie politische Instabilität (Coudouel et al. 2002). All jene Faktoren,

die einen negativen Einfluss auf das Haushaltseinkommen haben können, erhöhen das

Armutsrisiko. Sie erhöhen somit ebenso die Vulnerabilität des Haushalts, indem sie ihn

verletzlicher, beziehungsweise anfälliger machen. Aufgrund von Datenbeschränkungen

werden in der folgenden Analyse ausschließlich ideosynkratische Schocks berücksichtigt.

Neben dem Risiko eines negativen Wohlfartsshocks werden weitere Determinanten

der Vulnerabilität in der Literatur diskutiert. Alwang et al. (2002) teilen die gesamte

Vulnerabilität eines Haushalts in drei verschiedene Komponenten auf: Das Risiko an

sich, Möglichkeiten des Risikomanagements sowie die Realisation in Form des Wohl-

fahrtsverlustes. Abhängig vom Forschungsschwerpunkt wird unterschiedliches Gewicht

auf eine dieser Dimensionen gelegt. Risiko steht in direkter Verbindung mit Vulne-

13Soweit nicht anders angegeben, basieren die folgenden Aussagen bezüglich der Vulnerabilität maß-

geblich auf dem World Development Report 2010 sowie dem Poverty Reducation Strategy Paper

(PRSP) Sourcebook.

2.6 Vulnerabilität als neues Konzept der Armutsforschung 117

rabilität, da es Haushalte anfällig für unerwünschte Zustände macht (Alwang et al.

2002). Risiken unterscheiden sich in Ausmaß und Dauer. In Abhängigkeit davon ob ein

Ereignis bereits eingetreten ist, können Risiken durch ex-ante und ex-post Risikoma-

nagementmaßnahmen des Haushaltes abgeschwächt werden. Das Risiko in Verbindung

mit der Antwort des Haushalts auf dieses Risiko führt schließlich zum realisierten Er-

gebnis. Dieses Ergebnis wird meist in Form von Wohlfahrtsverlust quantifiziert und

hängt von dem Ausmaß und der Dauer des Risikos, ebenso wie von den Risikoma-

nagementmaßnahmen des Haushaltes ab. Das realisierte Ergebnis wird oft mit einem

minimal akzeptablen Ergebnis verbunden, um eine Analyse zu ermöglichen (Alwang et

al. 2002). Oft wird eine Armutsgrenze als dieses minimal akzeptable Ergebnis genutzt.

Politikmaßnahmen zur Bekämpfung von Vulnerabilität können an allen drei Risikodi-

mensionen ansetzen. Die empirische Untersuchung in dieser Arbeit befasst sich jedoch

ausschließlich mit dem Risiko der Armut und betrachtet weder das Risikomanagement

noch den Wohlfahrtsverlust.

Das Konzept der Wohlfahrt ist ebenso sehr breit definiert. Unterschiedliche Fakto-

ren wie Gesundheit, Bildung und Einkommen bilden zusammen die Wohlfahrt eines

Haushalts und können alle auf unterschiedliche Art und Weise durch Risiken gefähr-

det sein. Aufgrund der Allgemeinheit der Konzepte ist eine Begrenzung zur besseren

Analyse notwendig. Die weitere Analyse wird sich somit auf die Einkommensdimensi-

on der Vulnerabilität beschränken. Zwar ist die Beschränkung auf Einkommen als das

Wohlfahrtsmaß durchaus diskutabel, doch erscheint es in diesem Zusammenhang und

aufgrund seiner guten Beobachtbarkeit als sinnvoll. Des Weiteren wird eine Armuts-

grenze als minimal akzeptables Ergebnis gewählt und Wohlfahrtsverluste, die nicht zu

Armut führen, ignoriert. Die hier zu Grunde gelegte Definition begreift also Vulnera-

2.6 Vulnerabilität als neues Konzept der Armutsforschung 118

bilität als das aktuelle Risiko in der Zukunft arm oder noch ärmer zu sein (Coudouel

et. al 2002; Pritchett et al. 2000). Hierbei werden lediglich die Einkommensseite und

die ideosynkratischen Schocks berücksichtigt.

2.6.2 Abgrenzung zu klassischen Armutsmaßen

Das Konzept der Vulnerabilität unterscheidet sich von klassischen Methoden der Ar-

mutsmessung in mehrerlei Hinsicht.14 Im Gegensatz zur statischen Armutsanalyse ist

das Konzept der Vulnerabilität dynamischer Natur. Die klassische Kennziffer der Ar-

mutsquote erlaubt es beispielsweise festzustellen, wie viele Individuen beziehungsweise

Haushalte heute arm sind. Dies kann als ein ex-post Indikator oder als ex-post Maßzahl

für den Wohlstand eines Haushaltes betrachtet werden. Diese Kennziffer sagt jedoch

nichts über die Wahrscheinlichkeit und die Möglichkeiten eines armen Haushalts, in Zu-

kunft der Armut zu entkommen aus. Ebenso wenig wird die Wahrscheinlichkeit, dass

ein nicht armer Haushalts in der Zukunft arm sein könnte, berücksichtigt. Da viele

Politikmaßnahmen darauf ausgerichtet sind, die Armut in Zukunft zu reduzieren oder

Haushalte von der Armut zu bewahren, scheint ein in die Zukunft gerichtetes Konzept

der Armutsschätzung und Messung sinnvoll (Coudouel et al. 2002). Das Konzept der

Vulnerabilität bietet sich aufgrund seiner dynamischen Natur als ein solches voraus-

schauendes Instrument an. Die Vulnerabilität eines Haushalts betrachtet die aktuelle

Realisation eines dynamischen Prozesses. Sie ist ein Ergebnis, das durch frühere syste-

mische oder ideosynkratische Ereignisse und Charakteristiken beeinflusst wird, sowie

eine Schätzung der möglichen Entwicklung der Haushaltswohlfahrt in der Zukunft.

14Vgl. hierzu Ligon und Schechter (2003).

2.7 Empirische Analyse 119

Diese Art von dynamischen Prozessen wird am besten unter Verwendung von Längs-

schnittdaten analysiert. Viele Studien zur Vulnerabilität verwenden deshalb Längs-

schnittdatenmethoden, falls die nötigen Daten vorhanden sind. Jedoch müssen teils

rigide Annahmen getroffen werden um Vulnerabilitätskennziffern ermitteln zu können.

Unter Verwendung einer ähnlichen Definition von Vulnerabilität messen Pritchett et

al. (2000) die Vulnerabilität in Indonesien. Raghav und Imai (2009) verwenden sowohl

die oben erwähnte Definition von Vulnerabilität, als auch zwei weitere Definitionen, um

Vulnerabilität in Indien unter Verwendung eines Längsschnittdatensatzes zu schätzen.

Problematisch ist hier, dass viele Datensätze aus Entwicklungsländern keine richtigen

Längsschnittdaten sind, sondern es sich lediglich um mehrfache Querschnitte handelt.

Aus diesem Grunde können Längsschnittdatenmethoden, die traditionell zu Berech-

nungen und Schätzung von Vulnerabilität verwendet werden, hier keine Anwendung

finden. Diese Restriktionen auf der Datenseite sollten jedoch nicht zu einer vollstän-

digen Ablehnung des Konzepts der Vulnerabilität für diese Art von Daten führen, da

die Vorteile dieser Methode die Nachteile, welche sich in notwendigen methodologi-

schen Restriktionen und theoretischen Annahmen manifestieren, aufwiegen könnten

(Chaudhuri et al. 2002).

2.7 Empirische Analyse

Da das Konzept der Vulnerabilität, wie es hier als das erwartete Armutsrisiko An-

wendung findet, mögliche Einkommensschocks mit abbilden soll, muss neben dem

Mittelwert des Haushaltseinkommens ebenso die Varianz des Haushaltseinkommens

2.7 Empirische Analyse 120

berücksichtigt werden. Diese Varianz des Haushaltseinkommens kann als die Summe

der ideosynkratischen und systemischen Risiken, denen der Haushalt ausgesetzt ist,

interpretiert werden (Ligon und Schechter 2003). Die Vulnerabilität eines Haushalts

bestimmt sich somit aus zwei Größen, dem Mittelwert seines Einkommens sowie der

Varianz dieses Einkommens. Hieraus folgt, dass auch ein Haushalt mit einem hohen

Durchschnittseinkommen eine hohe Vulnerabilität aufweisen kann, falls die Varianz

dieses Einkommens groß genug ist. Ein Schätzwert dieser Varianz wird im optimalen

Fall aus den historischen Zeitreihendaten des Haushaltseinkommens generiert (Prit-

chett et al. 2000). Das Vorliegen solcher Daten in Verbindung mit makroökonomischen

Zeitreihendaten erlaubt im besten Fall eine Berücksichtigung sowohl ideosynkratischer

als auch systemischer Schocks (Ligon und Schechter 2003). Da es sich bei dem hier ver-

wendeten und bereits vorgestellten Shenzhen Haushaltsdatensatz jedoch lediglich um

einen einfachen Querschnittdatensatz handelt, ist ein solches Vorgehen nicht möglich.

Um diese Datenrestriktion zu umgehen, findet im Weiteren ein Ansatz von Chaudhuri

(2003) und Chaudhuri et al. (2002) Anwendung. Grundsätzlich besteht seine Herange-

hensweise darin die erklärbare Varianz des Haushaltseinkommens aus dem Querschnitt

zu schätzen und dann, zusammen mit dem geschätzten Mittelwert des Einkommens

mit Hilfe der Normalverteilung, einen Schätzwert für die Vulnerabilität des Haushalts

zu ermitteln. Es sei jedoch angemerkt, dass aufgrund der zu treffenden Annahmen die

so ermittelten Vulnerabilitätskennziffern in ihrer Aussagekraft eingeschränkt sind.

2.7 Empirische Analyse 121

2.7.1 Ökonometrisches Modell

Chaudhuri (2003) stellt ein ökonometrisches Modell vor, mit dem unter Verwendung

des dreistufigen Feasible Generalizes Least Squares (FGLS), wie es von Amemiya (1977)

definiert wird, Vulnerabilitätsschätzungen aus Querschnittdaten gewonnen werden kön-

nen. Das FGLS Verfahren wird meist zweistufig angewendet, um vorliegende Heteros-

kedastie in den Daten zu bereinigen. Der Unterschied zu dem Weighted Least Squares

Verfahren (WLS) bzw. Generalized Least Squares (GLS) liegt darin, dass die Werte

mittels denen die Daten zur Beseitigung der Heteroskedastizität transformiert werden

müssen unbekannt sind und geschätzt werden müssen (Greene 2003). Im zweistufigen

Fall werden die Residuen einer OLS Regression auf dieselben erklärenden Variablen

regressiert und anschließend die geschätzten Werte als Gewichte in einer gewichteten

OLS Regression verwendet. Chaudhuri (2003) verwendet hingegen das Verfahren mit

drei Stufen. Neben Chaudhuri (2003) und Chaudhuri et al. (2002) findet die Metho-

dik im gleichen Zusammenhang bei Tesliuc und Lindert (2002), Alayande (2004) und

in angepasster Form bei Jadotte (2010) sowie Thomas (2003) Anwendung. Die von

ihm vorgeschlagene Neuerung liegt jedoch nicht in dem Verfahren an sich, sondern pri-

mär in der Idee und den damit verbundenen Annahmen, die es ermöglichen aus einem

Querschnitt eine Schätzung der Varianz des Haushaltseinkommens zu ermitteln. Da die

obige Definition der Vulnerabilität als Armutsrisiko eines Haushaltes sich aus seinem

Einkommen sowie aus der Varianz des Einkommens zusammensetzt, ist eine präzise

und konsistente Schätzung der Varianz des Haushaltseinkommens notwendig. Anders

als andere Studien nimmt Chaudhuri (2003) diese Varianz nicht als konstant über alle

Haushalte im Querschnitt an, sondern setzt sie in Abhängigkeit zu den Haushaltseigen-

2.7 Empirische Analyse 122

schaften. Um diese sowie das erwartete Einkommen effizient und konsistent schätzen

zu können wendet er dann das FGLS Verfahren an.

Es wird davon ausgegangen, dass der folgende Prozess das Haushaltseinkommen

generiert:15

ln ih=Xhβ+eh

ih:= Pro Kopf Äquivalenzeinkommen des Haushalts h

Xh:= Vektor der Haushaltscharakteristiken

β:= Koeffizientenvektor

eh:= Störterm mit E(eh)=0

(2.18)

Der Störterm ehbildet in dieser Spezifikation die ideosynkratischen Schocks, die

ein Haushalt erfährt ab und erklärt somit die Einkommensunterschiede zwischen zwei

ansonsten identisch ausgestatteten Haushalten.16 Es muss die Annahme getroffen wer-

den, dass diese Schocks identisch und gleich verteilt über die Zeit, aber nicht über alle

Haushalte sind. Ebenso wird ein stabiler, sich nicht verändernder Koeffizientenvektor β

angenommen. Dies impliziert eine sich nicht verändernde Makroökonomie und schließt

jedwede systemische bzw. aggregierte Schocks aus. Diese limitierenden Annahmen sind

notwendig, um Vulnerabilitätsschätzungen aus einem reinen Querschnitt genieren zu

können (Chaudhuri et al. 2002). Weiterhin wird die Annahme getroffen, dass die Va-

15Die Darstellung der Methodik folgt Chaudhuri et al. (2002). Für eine ausführliche Darstellung der

Methodik siehe auch Chaudhuri (2003). Eine allgemeine Darstellung der FGLS Methode ist u.a.

in Greene (2003) oder Wooldrige (2010) zu finden.

16Zur Bildung des Äquivalenzeinkommens siehe Abschnitt 2.2.2.

2.7 Empirische Analyse 123

rianz des Haushaltseinkommens von den gleichen erklärenden Variablen abhängig ist

wie das Haushaltseinkommen selbst:

σ2

eh=XhΘ

σ2

eh:= Varianz des Haushaltseinkommens des Haushalts h

Xh:= Vektor der Haushaltscharakteristiken

Θ := Koeffizientenvektor

(2.19)

Die Koeffizientenvektoren βund Θwerden mittels eines dreistufigen FGLS Verfah-

rens ermittelt (Amemiya 1977). Der Vorteil dieses Verfahrens liegt u.a. in der Korrektur

von Messfehlern und Verzerrungen, die Heteroskedastizität verursachen. Des Weiteren

ist es im Vergleich zur Verwendung von White-korrigierten Standardfehlern und einer

normalen OLS Regression effizienter solange der Typ bzw. Form der Heteroskedastizi-

tät bekannt ist (Wooldrige 2010).

Zuerst wird das in 2.18 spezifizierte Modell mittels OLS geschätzt. Die aus dieser

Schätzung herrührenden Residuen werden quadriert und anschließend auf dieselben

erklärenden Variablen mittels OLS regressiert:

e2OLS,h =XhΘ + h(2.20)

Hierbei muss eine spezifische Fehlervarianzmatrix bzw. Skedastizitätsfunktion un-

terstellt werden Ωˆ

Xh=XhΘ. Der geschätzte Mittelwert dieser Regression wird

2.7 Empirische Analyse 124

anschließend verwendet, um die Gleichung zur Schätzung der Varianz zu transformie-

ren:

e2OLS,h

Xhˆ

ΘOLS

=Xh

Xhˆ

ΘOLS Θ + h

Xhˆ

ΘOLS

(2.21)

Die so transformierte Regressionsgleichung wird anschließend ebenfalls mittels OLS

geschätzt. Die sich hieraus ergebende Schätzung ist asymptotisch effizient und liefert

eine konsistente Schätzung der ideosynkratischen Varianz des Haushaltseinkommens

ˆσ2

e,h =Xhˆ

ΘF GLS. Dies rührt daher, dass der OLS Schätzer ˆ

β=X0X−1X0ynur

der minimalvariante linearere erwartungstreue Schätzer ist, wenn die Annahmen des

Gauß-Markov-Theorems gelten (u.a. Judge et. al 1988). Dies setzt unabhängige bzw.

unkorrelierte und homoskedatische Fehler voraus. Für die Fehlervarianzmatrix Ωgilt

dann Ω = σ2I(Cameron und Trivedi 2008). Gilt diese Annahme nicht und wird von

einer bekannten Fehlervarianzmatrix ausgegangen, so erhält man den Generalized Least

Squares Schätzer (GLS): ˆ

β=X0Ω−1X−1X0Ω−1y. Durch die Transformierung des

Modells erhält man wiederum unkorrelierte und homoskedastische Fehler und somit

einen minimalvarianten lineareren erwartungstreuen Schätzer (Cameron und Trivedi

2008). Da Ωjedoch in der Praxis nicht bekannt ist, muss die Fehlervarianzmatrix

geschätzt werden. Dies führt zum FGLS Schätzer: ˆ

β=X0ˆ

Ω−1X−1

X0ˆ

Ω−1y. Ist die

Fehlervarianzmatrix ˆ

Ω = Ω ˆ

Xhrichtig spezifiziert, so ist auch der FGLS Schätzer

ein minimalvarianter linearerer erwartungstreuer Schätzer und liefert konsistente und

effiziente Schätzergebnisse (Cameron und Trivedi 2008).

Da die Varianz des Störterms hier als Schwankung des Haushaltseinkommens in-

2.7 Empirische Analyse 125

terpretiert wird und direkten Einfluss auf die Vulnerabilität des Haushaltes hat, ist

die Korrektur besonders wichtig, da ansonsten die Verwundbarkeit überschätzt werden

könnte und nicht nur lediglich die Signifikanz der Variablen betroffen wäre. Ähnliches

gilt für das weiter unten geschätzte erwartete Einkommen, das ebenso zur Berechnung

der Vulnerabilität verwendet wird. Eine Verzerrung des geschätzten Wertes nach oben

würde zu einer Unterschätzung der Vulnerabilität führen. Hierin liegt auch ein maß-

geblicher Unterschied zu den Standardverfahren zur Schätzung der Vulnerabilität von

Haushalten, da die Varianz des Haushaltseinkommens nicht als reiner Störterm inter-

pretiert und für alle Haushalte als gleich angenommen wird, sondern ebenso von den

Haushaltseigenschaften abhängt (Chaudhuri 2003).

Im Weiteren wird die Wurzel aus der geschätzten Varianz des Haushaltseinkommens

benötigt:

ˆσe,h =pXhˆ

ΘF GLS (2.22)

Diese wird verwendet, um letztlich die Ausgangsgleichung 2.18 zu transformieren,

um nach dem oben beschriebenen FGLS Verfahren eine konsistente und asymptotische

effiziente Schätzung der Koeffizienten zu ermöglichen.

ln ih

ˆσe,h

=Xhβ

ˆσe,h

+eh

ˆσe,h

(2.23)

Die geschätzten Koeffizienten ˆ

βund ˆ

Θwerden anschließend verwendet, um das er-

wartete Haushaltseinkommen sowie die erwartete Varianz des Haushaltseinkommens

2.7 Empirische Analyse 126

zu ermitteln:

E[ln ih|Xh] = Xhˆ

V[ln ih|Xh] = σ2

eh=XhΘ

(2.24)

Die Varianz und der Erwartungswert des Haushaltseinkommens sind nun als Ver-

teilungsparameter des Haushaltseinkommens ermittelt. Um unter Verwendung dieser

Parameter die Vulnerabilität bzw. Armutswahrscheinlichkeit zu ermitteln, muss eine

Verteilungsannahme getroffen werden. Chaudhuri (2003) folgt der in der Literatur häu-

fig vorzufindenden Annahme eines normalverteilten logarithmieren Einkommens (vgl.

u.a. Deaton 1997).

Unter der Annahme, dass der Logarithmus des Haushaltseinkommens normalverteilt

ist, kann nun unter Verwendung der geschätzten Verteilungsparameter die Vulnerabi-

lität des Haushalts, in Form eines Schätzwertes für die mögliche zukünftige Armut des

Haushalts, errechnet werden. Verwendet man zals minimal akzeptables Einkommen

bzw. Armutsgrenze, dann ergibt sich unter Verwendung der Verteilungsfunktion der

kumulativen Standardnormalverteilung die Wahrscheinlichkeit, dass ein Haushalt in

Zukunft unter die Armutsgrenze fallen könnte aus:

vh=PR (ln ih<ln z|Xh)=Φ ln z−Xhˆ

pXhˆ

Θ!(2.25)

Um dem Problem einer einer Fehlspezifikation der Skedastizitätsfunktion zu begeg-

2.7 Empirische Analyse 127

nen, die in Gleichung 2.20 unterstellt wurde, schlagen Cameron und Trivedi (2009) die

OLS Schätzung mit den FGLS Gewichten unter Verwendung von White-korrigierten

Standardfehlern durchzuführen. Ein Vergleich beider Modelle weist nur sehr geringe

Unterschiede in den Signifikanzen und Standardfehlern auf und ist ein Indikator für die

Robustheit der Ergebnisse.

Das angewendete Verfahren weist laut Chaudhuri et al. (2002) mehrere Vorteile

auf: Einer der Vorteile dieser Methode zur Berechnung von Vulnerabilitätswerten auf

Basis von Regressionsergebnissen liegt darin, dass die Varianz des Einkommens, wie er-

wähnt, direkt von den Haushaltscharakteristiken abhängig ist. Somit kann die Varianz

des Einkommens zwischen den Haushalten variieren und muss nicht, wie bei anderen

Methoden, als konstant angenommen werden. Dies impliziert auch, dass zwischen dem

Mittelwert des Einkommens und dessen Varianz keine monotone Abhängigkeit besteht

und beide unabhängig von einander schwanken können. Da ein Haushalt durchaus arm

sein und somit trotz eines niedrigen Durchschnittseinkommen, eine hohe Varianz des

Einkommens aufweisen kann, bildet diese Eigenschaft des Modells die Realität besser

ab. Weiterhin wird durch die Korrektur der geschätzten Varianz ein möglicherweise

vorliegender Mess- bzw. Erhebungsfehler in den Daten bereinigt. Wie bereits an mehr-

facher Stelle erwähnt, kann das Vorliegen eines solchen Messfehlers zu Heteroskedas-

tie und einer Verzerrung der geschätzten Werte nach oben führen. Meist betrifft dies

die Schätzung des durchschnittlichen Einkommens. Die Korrektur beseitigt ebenso die

Auswirkungen unbeobachteter aber deterministischer Effekte, denen ein Haushalt aus-

gesetzt sein kann. Dies bezieht sich ebenso auf unbeobachtete geographische Ereignisse

mit Auswirkungen auf das Haushaltseinkommen. Jedoch bleibt, wie bereits erwähnt,

die Aussagekraft der Kennziffern aufgrund der verfügbaren Daten und notwendigen

2.7 Empirische Analyse 128

Annahmen eingeschränkt.

2.7.2 Ergebnisse

Die Schätzungen der Vulnerabilität beruhen auf den Haushaltsdaten der Shenzhen

Haushaltsbefragung 2005. Als erklärende Variablen wurden dieselben Variablen ge-

wählt, die zur Erklärung der Armut herangezogen wurden. Aufgrund der engen Ver-

knüpfung zwischen Armut und Vulnerabilität erscheint es sinnvoll, die bereits erprobten

Modellvariablen zu verwenden.17

Starke Gefährdung

Im folgenden Schritt wird mit Hilfe der geschätzten Werte der Varianz und des Mit-

telwerts die Vulnerabilität des Haushalts mittels der kumulativen Standardnormalver-

teilung berechnet. Als Armutsgrenze fungiert der offizielle Mindestlohn in Shenzhen.

Die durchschnittliche Vulnerabilität aller Haushalte ist dann 0,22 mit einer Standard-

abweichung von 0,23. Wählt man einen Vulnerabilitätswert von 0,5 als Grenzwert, um

einen Haushalt als verwundbar zu bezeichnen, dann gelten 16,6% der Haushalte in

Shenzhen als gefährdet bzw. verwundbar. Dies steht einem Wert von 15,9% der Haus-

halte gegenüber, die unterhalb der Armutsgrenze leben und somit im klassischen Sinne

als arm gelten. Ein Vulnerabilitätsgrenzwert von 0,5 besagt, dass ein Haushalt eine

Wahrscheinlichkeit von 50% oder größer, hat in der Zukunft arm zu sein. Die Festle-

gung einer 50% Grenze ist zwar gewissermaßen willkürlich, wird in der Literatur aber,

17Für eine genaue Darstellung der Variablen und der Gründe für ihre Berücksichtigung sei auf Tabelle

2.4 verwiesen.

2.7 Empirische Analyse 129

Kennziffer Gesamt Nichtmigranten Migranten

Durchschnittliche Vulnerabilität 0,22 0,083 0,39

Prozent der gefährdeten Haushalte 16,6% 1,07% 35,3%

Quotient Vulnerabilität/Armut 1,04 0,17 1,27

Tabelle 2.14: Anteile stark gefährdeter Haushalte mit dem Mindestlohn als Armuts-

grenze

nicht zuletzt wegen der intuitiven Zugänglichkeit, als häufigste Grenze gewählt (u.a.

Pritchett et al. 2000).

Teilt man die Stichprobe in Migranten und Nichtmigranten auf und berechnet die

durchschnittliche Vulnerabilität getrennt, so unterscheiden sich die Werte deutlich. Die

städtisch registrierten Nichtmigranten haben eine durchschnittliche Vulnerabilität von

0,083 mit einer Standardabweichung von 0,10. Verwendet man denselben 50% Grenz-

wert, dann gelten 1,07% der Nichtmigrantenhaushalte als gefährdet. Die Migrantenpo-

pulation weist eine durchschnittliche Vulnerabilität von 0,39 mit einer Standardabwei-

chung von 0,24 auf. Hierbei hat sie einen Anteil von insgesamt 35,3% an gefährdeten

Haushalten insgesamt.

Um das Verhältnis von Armut und Vulnerabilität in Shenzhen genauer untersuchen

zu können, wurde ebenso der Quotient aus Vulnerabilität und der Armutsquote berech-

net (Pritchet et al. 2000). Für die gesamte Population beträgt dieser Quotient 1,04. Für

die Nichtmigranten 0,17 sowie für die Migranten 1,27. Je höher dieser Quotient ausfällt,

desto gleichmäßiger ist die Vulnerabilität in der entsprechenden Population verteilt. Die

Migrantenpopulation weist also eine gleichmäßigere Verteilung der Armutsgefährdung

auf. Die Ergebnisse sind in Tabelle 2.14 zusammengefasst.

Die Vulnerabilität der Haushalte wurde, um Robustheit der Ergebnisse gegenüber

2.7 Empirische Analyse 130

Kennziffer Gesamt Nichtmigranten Migranten

Durchschnittliche Vulnerabilität 0,26 0,11 0,44

Prozent der gefährdeten Haushalte 20,6% 1,07% 43,7%

Quotient Vulnerabilität/Armut 0,83 0,12 1,09

Tabelle 2.15: Anteile stark gefährdeter Haushalte mit relativer Armutsgrenze (1/2 Me-

dianeinkommen)

der Wahl der Armutsgrenze und eine gute Vergleichbarkeit mit den Armutskennziffern

zu ermöglichen, ebenso für das halbe Median Einkommen als relative Armutsgrenze

berechnet. Die durchschnittliche Vulnerabilität ist, wie zu erwarten, höher als bei den

Schätzungen, denen der Mindestlohn zugrunde liegt. Gleiches gilt für die Vulnerabilität

in den Subgruppen und den drastischen Unterschieden zwischen ihnen. Die Verteilung

der Armutsgefährdung ist in allen Fällen gleichmäßiger.

In einer der wenigen Studien, die vergleichbar sind, kommen Tesliuc und Lindert

(2002) bezüglich der Situation der Migranten in Guatemala zu unterschiedlichen Ergeb-

nissen bezüglich der starken Armutsgefährdung. Die durchschnittliche Vulnerabilität

beträgt 0.58. 64.1% aller Haushalte sind demnach stark gefährdet. Sie ermitteln eine

durchschnittliche Vulnerabilität von 0.57 für Nichtmigranten und 0.75 für Migranten.

Die Spanne zwischen beiden Gruppen ist somit ebenso beachtlich, die jeweiligen Nive-

aus sind jedoch deutlich höher. Die Unterschiede in dem Quotienten aus Vulnerabilität

und Armutsquote sind mit 1.15 für Migranten und 1.08 für Nichtmigranten deutlich

kleiner. Somit ist die Gefährdung in beiden Gruppen gleichmäßiger verteilt. Dies liegt

vor allem jedoch in der weitaus größeren Armut der Nichtmigranten begründet, die

mit 54.8% äußerst hoch ist. Alayande (2004) errechnet in Nigeria eine Durchschnittli-

che Vulnerabilität der Bevölkerung von 68.5 mit 87% stark gefährdeten Haushalten. Der

Quotient aus Vulnerabilität und Armut beträgt 1.37. Chaudhuri et al. (2000) errechnet

2.7 Empirische Analyse 131

Kennziffer Gesamt Nichtmigranten Migranten

Prozent der gefährdeten Haushalte 44,1% 16,0% 77,7%

Quotient Vulnerabilität/Armut 2,77 1,0 4,88

Tabelle 2.16: Anteile leicht gefährdeter Haushalte mit dem Mindestlohn als Armuts-

grenze

in Indonesien eine durchschnittliche Vulnerabilität von 0.23, wobei 8% der Haushalte

stark gefährdet sind. Leider liegen keine Vergleichsmöglichkeiten mit Schwellen- oder

Industriestaaten vor, die eine größere Ähnlichkeit mit Shenzhen aufweisen würden.

Leichte Gefährdung

Der gewählte Grenzwert von 50% für die Gefährdung eines Haushaltes kann auch le-

diglich als Grenze für eine starke Gefährdung gesehen werden (Chaudhuri et al. 2000).

Chaudhuri schlägt die Verwendung eines relativen Wertes als Grenze für die Verwund-

barkeit eines Haushaltes vor. Hierbei wird die aktuelle Armutsquote herangezogen. Ist

die Wahrscheinlichkeit eines Haushaltes in der Zukunft arm zu sein höher als die ak-

tuelle Armutsquote, gilt er als leicht gefährdet. Legt man diese Definition zu Grunde

und errechnet die Anteile der gefährdeten Haushalte in Shenzhen, so ergibt sich, das

in Tabelle 2.16 dargestellte Bild.

Wiederum ist die Vulnerabilität unter den Migrantenhaushalten weitaus höher als

bei den Nichtmigranten. Ebenso ist die Armutsgefährdung weitaus gleicher verteilt.

Festzustellen ist, dass der Anstieg in der Anzahl der gefährdeten Haushalte insbeson-

dere bei den Nichtmigranten besonders hoch ist, wenn die leichte anstatt die starke

Armutsgefährdung betrachtet wird. Viele städtisch registrierte Nichtmigranten schei-

2.8 Ursachen der Gefährdung 132

nen leicht aber nicht stark armutsgefährdet zu sein. Zwar sind fast zwei Drittel der

Migranten leicht gefährdet, es sind jedoch auch bereits ein Drittel stark gefährdet. Ver-

gleicht man den Prozentsatz aller leicht gefährdeten Haushalte mit dem von 37% den

Chaudhuri et al. (2000) für Indonesien errechnet, so erscheint die hauptsächlich durch

Migranten verursachte leichte Gefährdung hoch.

2.8 Ursachen der Gefährdung

Um zu ermitteln, inwiefern die Haushalte eher aufgrund eines zu geringen Durchschnitt-

seinkommens oder aufgrund einer zu hohen Varianz des Einkommens gefährdet sind,

werden die die Vulnerabilität verursachenden Komponenten nun im einzelnen betrach-

tet. Chaudhuri (2003) schlägt vor, hierzu einen repräsentativen Haushalt zu generieren.

Dieser fiktive Haushalt wird mit den Median Werten des Einkommens, der Varianz des

Einkommens sowie dem Median der Vulnerabilität ausgestattet. Anschließend wer-

den die Differenzen in den jeweiligen Werten der Variablen der Haushalte zu diesem

repräsentativen Medianhaushalt betrachtet. Gruppiert man die Population, so ist es

möglich, den maßgeblich die Vulnerabilität verursachenden Faktor zu ermitteln. Die

Ergebnisse für die gesamte Population, sowie für die städtisch registrierte und ländlich

registrierte Migrantenpopulation, sind in Grafik 2.2 zusammengefasst. Die erste Grafik

gibt die Abweichung vom Medianhaushalt an der vertikalen Achse abgezeichnet, die

untere an der horizontalen Achse. An der Höhe der Abweichung der jeweiligen Vul-

nerabilitätskomponente im Vergleich zur Abweichung zu dem Medianhaushalts bzw.

den entsprechenden Werten der anderen Gruppe, lässt sich die primäre Quelle für eine

2.8 Ursachen der Gefährdung 133

erhöhte oder erniedrigte Vulnerabilität erkennen. Wie erwähnt setzt sich die Vulne-

rabilität eines Haushaltes aus erwartetem Einkommen oder Varianz des erwarteten

Einkommens zusammen. Die Abweichung in der Höhe der Vulnerabilität im Vergleich

zum Medianhaushalt ist ebenso abgezeichnet. Betrachtet man beispielsweise in Abbil-

dung 2.2 die obere Grafik, so ist ersichtlich, dass die ländlich registrierten Haushalte

ein deutlich niedrigeres erwartetes Einkommen haben als der Medianhaushalt. Dies ist

die Hauptquelle für ihre erhöhte Vulnerabilität. Ebenso sieht man, dass die städtisch

registrierte Bevölkerung ein deutlich höheres erwartetes Einkommen besitzt als der Me-

dianhaushalt. Die deutlich erhöhte Vulnerabilität der Migrantenhaushalte ist ebenfalls

abgezeichnet. Die Varianz des Einkommens ist ebenso höher als bei den Nichtmigran-

ten. Die untere Grafik überträgt den selben Sachverhalt in ein Säulendiagramm bei

dem die Unterschiede zum Medianhaushalt auf der Horizontalen Achse abzulesen sind.

2.8 Ursachen der Gefährdung 134

Abbildung 2.2: Unterschiede in den Variablen relativ zum Medianhaushalt mit dem

Mindestlohn als Armutsgrenze

2.8 Ursachen der Gefährdung 135

Man erkennt, dass die Migranten maßgeblich aufgrund eines geringen Durchschnitt-

seinkommens gefährdet sind. Der durchschnittliche Migrantenhaushalt weist aber eben-

so eine höhere Varianz des Einkommens auf als die städtisch registrierten Nichtmigran-

ten. Bezüglich des Einkommens sind die Unterschiede jedoch weit drastischer. Verwen-

det man die relative Armutsgrenze für die Schätzung der Vulnerabilität werden diese

Aussagen bestätigt. Eine zu hohe Varianz als Hauptquelle für Verwundbarkeit ist auch

in Indonesien aufzufinden. Chaudhuri (2003) stellt fest, dass 40% der Haushalte auf-

grund einer zu hohen Varianz des Einkommens verwundbar sind.

2.8 Ursachen der Gefährdung 136

Abbildung 2.3: Unterschiede in den Variablen relativ zum Medianhaushalt mit relativer

Armutsgrenze

2.9 Zusammenfassung der Armutsgefährdungssituation 137

Die Ergebnisse machen deutlich, dass wenn man ideosynkratische Risiken in ein in

die Zukunft gerichtetes Vulnerabilitätsmaß integriert, viele Haushalte in Shenzhen als

gefährdet angesehen werden können. Hierbei sind die Unterschiede zwischen den Mi-

granten und Nichtmigranten deutlich. Die Migrantenhaushalte weisen im Durchschnitt

eine weitaus höhere Vulnerabilität auf. Sie ist auch gleichmäßiger zwischen den Haus-

halten verteilt. Die Vulerabilität wird maßgeblich durch ein zu niedriges Einkommen

verursacht. Das geringe Durchschnittseinkommen sowie die geringe Einkommensstreu-

ung in dieser Gruppe sind vereinbar mit diesen Ergebnissen. Bezüglich der Nichtmi-

granten lässt sich eine Konzentration der Gefährdung auf eine relativ kleine Gruppe

feststellen. Jedoch steigt die Anzahl der verwundbaren Haushalte drastisch an, wenn

schwache anstatt starke Armutsgefährdung betrachtet wird.

2.9 Zusammenfassung der Armutsgefährdungssituation

Die Bekämpfung der Armut ist ein wichtiges Thema in den meisten Entwicklungs-

und Schwellenländern. Da die klassischen Armutsmaße nur ein ex-post Bild der vor-

handenen Armut liefern, sind sie zur Entscheidungsunterstützung bei Armutsbekämp-

fungsmaßnahmen nicht optimal geeignet. Vulnerabilitätsmaße auf der anderen Seite

ermöglichen im Optimalfall eine dynamische, in die Zukunft gerichtete Analyse, wie

sie mit den klassischen Armutsmaßen nicht möglich ist. Da es sich bei der Shenz-

hen Haushaltsbefragung 2005 lediglich um einen Querschnittdatensatz handelt, wird

eine neue, jedoch eingeschränkte, Methodik zur Ermittlung von Vulnerabilitätskenn-

ziffern aus Querschnittdaten verwendet. Da der Datensatz eine getrennte Betrachtung

2.9 Zusammenfassung der Armutsgefährdungssituation 138

von Migranten und Nichtmigranten ermöglicht, werden die Unterschiede zwischen bei-

den Gruppen betrachtet. Die empirische Analyse legt offen, dass Migrantenhaushalte

weitaus gefährdeter sind als Nichtmigrantenhaushalte. Mehr als ein Drittel der Mi-

grantenhaushalte gelten als gefährdet im Vergleich zu etwas mehr als einem Prozent

der Nichtmigrantenhaushalte. Die Vulnerabilität unter den Migrantenhaushalten ist

gleichmäßiger verteilt und wird maßgeblich durch ein zu geringes Durchschnittsein-

kommen verursacht. Im Vergleich zu den Migranten steigt die Anzahl der leicht gefähr-

deten Haushalte bei den städtisch registrierten Nichtmigranten deutlich stärker an. Die

berechneten Vulnerabilitätswerte deuten auf die Möglichkeit einer steigenden Armut

unter den Migranten hin. Maßnahmen, die das Durchschnittseinkommen der Migran-

ten erhöhen, würden zu einer Reduktion ihres Armutsrisikos stark beitragen. Da die

Gefährdung unter den Migranten relativ gleich verteilt ist, sollten Politikmaßnahmen

möglichst auf alle Migrantenhaushalte gerichtet sein. In Bezug auf die Nichtmigranten

wären einzelne, gezielte Maßnahmen für gefährdete Haushalte am sinnvollsten.

Fazit

Ungleiche Einkommensverteilung, Armut und Vulnerabilität sind eng miteinander ver-

knüpfte Phänomene. Je nach Schwerpunkt der Analyse, werden die unterschiedlichen

Eigenschaften einer Einkommensverteilung mit den entsprechenden Methoden analy-

siert, um die entsprechende Forschungsfrage zu beantworten. Diese Arbeit beleuchtet

alle drei Aspekte der Einkommensverteilung in Shenzhen, um ein möglichst vollständi-

ges Bild von den Lebensumständen der Bewohner zu liefern. Hierbei wurde klar, dass

das rasante Wachstum von Shenzhen und die damit verbundenen Wohlfahrtsgewinne

nicht alle Teile der Bevölkerung gleichermaßen haben profitieren lassen. Insbesondere

die Land-Stadt Migranten, die in großen Mengen in diese urbane Agglomeration wan-

derten und ihr schnelles Wachstum erst ermöglichten, sind in vielerlei Hinsicht schlech-

ter gestellt als die städtisch registrierte Urbevölkerung. Der durch das Hukou System

festgelegte Registrierungsstatus wirkt sich für Migranten äußerst negativ aus. Zwar ist

das Einkommen in Shenzhen generell äußerst ungleich verteilt, doch ist die Gruppe

der Migranten besonders benachteiligt. Ihr Durchschnittseinkommen ist deutlich ge-

Fazit 140

ringer und die Renditen, die Migranten für ihre formale Bildung generieren können,

sind im Durchschnitt deutlich niedriger. Ein deutliches Maß an Lohndiskriminierung

ist erkennbar. Die Faktoren, die Einkommen generieren, unterscheiden sich substantiell

zwischen Migranten und Nichtmigranten.

Migranten haben nicht nur ein geringeres Einkommen als Nichtmigranten, sondern

sind auch deutlich ärmer. Zwar ist die absolute Armut in Shenzhen sehr gering, was

als ein sehr positives Ergebnis des Wachstumsprozesses und der damit einhergegangen

Politikmaßnahmen gewertet werden sollte. Die relative Armut ist jedoch substantiell

und weitaus präsenter bei den Migranten. Die Faktoren, die Armut verursachen als auch

die Faktoren die das Einkommen der Armen determinieren sind äußerst unterschiedlich

in beiden Gruppen. Auch bei der Zerlegung der Armutsregressionen lässt sich ein großes

Maß an Diskriminierung gegen Migranten feststellen.

Die Betrachtung der Vulnerabilität in Shenzhen schließt die Analyse ab, indem sie

sowohl einen Blick in die Zukunft als auch eine Einbeziehung der Einkommensschwan-

kungen an sich ermöglicht. Es zeigt sich, dass starke Armutsgefährdung bei Migranten

weitaus ausgeprägter ist. Bei der urbanen Urbevölkerung ist die Abweichung von der

gemessen Armut minimal, wobei die Gefährdung bei den Migranten deutlich höher

ist als die gemessenen Armut. Legt man eine relative Gefährdungsgrenze zu Grunde

und erfasst die schwach gefährdeten Haushalte, so sind auch unter den Nichtmigranten

nicht unerheblich viele Haushalte gefährdet. Insbesondere steigt die Anzahl der gefähr-

deten Haushalte bei den Nichtmigranten beim Wechsel der Gefährdungsgrenze stärker

an. Allgemein ist die Armutsgefährdung unter den Migranten deutlich gleichmäßiger

verteilt.

Fazit 141

Insgesamt lässt sich feststellen, dass Maßnahmen seitens der Politik, die Ungleich-

heit und Armut bekämpfen wollen, insbesondere bei den Migranten ansetzten soll-

ten. Gezielte Maßnahmen, um ihr Einkommen zu stärken, Bildung zu fördern und die

Schwankungen in ihrem Einkommen einzudämmen, würden einen großen Beitrag zur

Verbesserung ihrer Wohlfahrt leisten. Ebenso wäre das generelle Überdenken des Re-

gistrierungssystems sinnvoll, da es Diskriminierung erleichtert. Da Shenzhen oftmals

als herausragendes Beispiel und Vorbild für die Entwicklung anderer Städte in Fest-

landchina gesehen wird, sind die Probleme, die hier erkannt und gelöst werden von

großer Bedeutung für die Entwicklung in China insgesamt.

Literaturverzeichnis

•Alayande, B. (2004), A quantitative and qualitative assessment of vulnerability

to poverty in Nigeria, Paper submitted for presentation of CSAE Conference on

Poverty reduction, Growth and Human Development in Africa, March, 2004.

•Alwang, J., et al. (2002), Vulnerability as Viewed from Different Disciplines, Inter-

national Symposium Sustaining Food Security and Managing Natural Resources

in Southeast Asia, 2002, Chiang Mai, Thailand.

•Amemiya, T. (1977), The maximum likelihood estimator and the non-linear three

stage least squares estimator in the general nonlinear simultaneous equation mo-

del, Econometrica, 45, 955-968.

•Appleton, S., et al. (2008), Growing out of Poverty: Trends and Patterns of Urban

Poverty in China 1988-2002, IZA Working Paper No. 3459.

•Appleton, S. (1996), Women headed households and household welfare: An em-

pirical deconstruction for Uganda, World Development, 24 (12), 1811-1827.

Literaturverzeichnis 143

•Bauer, K., Sinning, M. (2006), An Extension to the Blinder-Oaxaca Decomposi-

tion to Non- Linear Models, RWI Discussion Paper No. 49.

•Becker, G.S. (1962), Investment in Human Capital: A Theoretical Analysis, Jour-

nal of Political Economy, 70, 9-49.

•Becker, G.S., Chiswick, B.R. (1966), The Economics of Education. Education

and the Distribution of Income, American Economic Review, 56(2), 358-369.

•Bishop, J.A., et al. (2005), Economic transition, gender bias, and the distribution

of earnings in China, Economics of Transition, 13(2), 239-259.

•Bian, Y., Ang, S. (1997), Guanxi Networks and Job Mobility in China and Sin-

gapore, Social Forces, 75(3), 981-1005.

•Blinder, A. (1973), Wage discrimination: Reduced form and structural estimates,

Journal of Human Resources, 8(4), 436-455.

•Bourguignon, F. (1979), Decomposable Income and Inequality Measures, Econo-

metrica, 47(4), 901-920.

•Bourguignon, F. (2004), The Poverty-Growth-Inequality Triangle, Working Paper

presented at the Indian Council for Research on International Economic Relati-

ons, New Delhi.

•Brandt, L., Holz, A. (2006), Spatial Price Differences in China: Estimates and Im-

plications, Economic Development and Cultural Change, University of Chicago,

Chicago.

Literaturverzeichnis 144

•Breusch, T., Pagan, A. (1979), A simple test for heteroskedasticity and random

coefficient variation, Econometrica, 87, 115-143.

•Cameron, C., Trivedi, P. (2008), Microeconometrics methods and applications,

Cambridge.

•Cameron, C., Trivedi, P. (2009), Microeconometrics using Stata, Stata Press.

•Cao, Y., Nee, V. (2005), Remaking Inequality: Institutional Change and Income

Stratification in Urban China, Journal of the Asia Pacific Economy, 10(4), 463-

485.

•Card, D. (1999), The Causal Effect of Education on Earnings, Center of Labor

Economics, University of California, Berkeley, Working Paper No. 2.

•Card, D. (2001), Estimating the Returns to Schooling: Progress on Some Persis-

tent Econometric Problems, Econometrica, 69(5), 1127-1160.

•Chaudhuri, S. (2003), Assessing vulnerability to poverty: concepts, empirical me-

thods and illustrative examples, Columbia University.

•Chaudhuri, S., et al. (2002), Assessing Household Vulnerability to Povery from

Cross-sectional Data: A Methodology and Estimates from Indonesia, Columbia

University Discussion Paper Series, Paper 0102-52.

•Chen, A., Coulson, N.E. (2002), Determinants of Urban Migration: Evidence from

Chinese Cities, Urban Studies, 39(12), 2189-2197.

•Chen, X., Sun, J. (2006), Sociological Perspectives on Urban China: From Fami-

Literaturverzeichnis 145

liar Territories to Complex Terrains, China Information, 20(3), 519-551.

•Chiswick, B.R. (2006), Jacob Mincer, Experience and the Distribution of Ear-

nings, in: Grossbard-Shechtman, S. (Ed.), Jacob Mincer: A Pioneer of Labor

Economics, Springer Publishing, 109-126.

•Chow, G. (1960), Tests of EqualityBetween Sets of Coefficientsin Two LinearRe-

gressions, Econometrica, 38, 591-605.

•Coudouel, A., et al. (2002), Poverty Measurement and Analysis. PRSP Source-

book Chapter 1, World Bank, Washington. URL: http ://go.worldbank.org/3I8LY LXO80

•Cowell, F.A. (1980), On the Structure of Additive Inequality Measures, Review

of Economic Studies, 47, 521-531.

•Cowell, F.A. (1981), Generalized Entropy and the Measurement of Distributional

Change, European Economic Review, 13, 147-159.

•Cowell, F.A. (1995), Measuring Inequality, 2nd ed, Prentice Hall.

•Cowell, F.A. (2000), Measurement of Inequality, in: Handbook of Income Distri-

bution, Vol.1, Elsevier Science.

•Cowell, F.A. (2008), Inequality Measurement, The New Palgrave Dictionary of

Economics, Second Edition, The New Palgrave Dictionary of Economics Online.

•Cowell, F.A., Kuga, K. (1981), Additivity and the Entropy Concept: An Axio-

matic Approach to Inequality Measurement, Journal of Economic Theory, 25,

131-143.

Literaturverzeichnis 146

•Deaton, A. (1997), The Analysis of Household Surveys, The World Bank, Wa-

shington.

•Du, Y., et al. (2005), Migration and rural poverty in China, Journal of Compa-

rative Economics, 33, 688-709.

•Fan, C. (2001), Migration and labor-market returns in urban China: Results from

a recent survey in Guangzhou, Environment and Planning, 33, 479-508.

•Foster, J. (2006), Poverty Indices, in: Poverty inequality and development, Sprin-

ger Publishing, 41-66.

•Foster, J.E., J. Greer, E. Thorbecke (1984), A Class of Decomposable Poverty

Indices, Econometrica 52, pp.761-766.

•Gerber, T. P. (2000), Membership Benefits or Selection Effects? Why Former

Communist Party Members Do Better in Post-Soviet Russia, Social Science Re-

search, 29(1), 25–50.

•Gravemeyer, S., Gries, T., Xue, J. (2011-1), Income Determination and Income

Discrimination in Shenzhen, Urban Studies, Accepted 2009 and Forthcoming

•Gravemeyer, S., Gries, T., Xue, J. (2011-2), Poverty in Shenzhen, Rising China

in a changing world economy, Rutledge, Accepted 2010 and Forthcoming April

2011

•Gravemeyer, S., Gries, T., Xue, J. (2008), Discrimination, Income Determination

and Inequality – The case of Shenzhen, CIE Working Paper, 2008, published

Literaturverzeichnis 147

later in Urban Studies as Income Determination and Income Discrimination in

Shenzhen

•Greene, H. (2003), Econometric Analysis, Prentice Hall, Pearson Education.

•Griliches, Z. (1977), Estimating the Returns to Schooling: Some Econometric

Problems, Econometrica, 45(1), 1-22.

•Grootaert, C., Braithwaite, J. (1998), Poverty Correlates and Indicator based

Targeting in Eastern Europe and the Former Soviet Union, Policy Research Wor-

king Paper 1942, The World Bank, Washington.

•Grootaert, C. (1997), The determinants of poverty in Cote d’Ivoire in the 1980s,

Journal of African Economics, 6(2), 169-196.

•Guo, W., Feng, Y. (2007), Special Economic Zones and Competitiveness, PRM

Policy Note, Asian Development Bank.

•Gustafsson, G., et al. (2006), Can a subjective poverty line be applied to ur-

ban China? Assessing poverty among urban residents in 1999, Unemployment,

Inequality and Poverty in Urban China, Routledge, New York.

•Harmon, C., et al. (2001), Introduction to Education and earnings in Europe –

A cross country analysis of returns to education. Edward Elgar Press.

•Harmon, C., et al. (2003), The Returns to Education: Microeconomics, Journal

of Economic Surveys, 17 (2), 115- 155.

•Heckman, J., Li, X. (2003), Selection Bias, Comparative Advantage and Hete-

Literaturverzeichnis 148

rogeneous Returns to Education: Evidence from China in 2000, IZA Discussion

Papers 829, Institute for the Study of Labor (IZA).

•Hughes, J., Maurer-Fazio, M. (2002), Effects of Marriage, Education and Occu-

pation on the Female/Male Wage Gap in China, Pacific Economic Review, 7(1),

137-156.

•Hussain, A. (2003), Urban Poverty in China: Measurement, Patterns and Policies,

International Labour Organization, Geneva.

•Jadotte, E. (2010), Vulnerability to Poverty: A Microeconometric Approach and

Application to the Republic of Haiti, Working Paper, Departament d’Economia

Aplicada.

•Jian, T., et al. (1996), Trends in Regional Inequality in China, China Economic

Review, 7(1), 1-21.

•Johnston, J., Dinario, J. (1997), Econometric Methods, McGraw-Hill.

•Judge, G., et al. (1988), Introduction to the theory and practice of econometrics,

Wiley.

•Khan, A. (2008), Growth, Inequality and Poverty A Comparative Study of Chi-

na’s Experience before and after the Asian Crisis, in: Inequality and Public Policy

in China, 145-181, Cambridge.

•Khan, A. (1998), Poverty in China in the era of globalization, Issues in Develop-

ment Discussion Paper 22, International Labour Organization, Geneva.

Literaturverzeichnis 149

•Knight, J., Song, L. (2003), Increasing Urban Wage Inequality in China. Extent,

elements and evaluation, Economics of Transition, 11(4), 597-619.

•Knight, J., Song, L. (1999), The rural urban divide: Economic disparities and

interactions in China, Oxford University Press, Oxford.

•Lam, K. (2003), Earnings Advantage of Party Members in Urban China, Working

Paper, Business Research Centre, Hong Kong Baptist University, Hong Kong.

•Lemieux, T. (2006), The ’Mincer Equation’ thirty years after ’Schooling, Experi-

ence and Earnings’, in: Grossbard-Shechtman, S. (Ed.), Jacob Mincer: A Pioneer

of Modern Labour Economics, Springer Publishing, 127-145.

•Li, H., et al. (2006), Relative earnings of husbands and wives in urban China,

China Economic Review, 17, 412-431.

•Li, S. (2006), Rising poverty and its causes in urban China, Unemployment,

Inequality and Poverty in Urban China, Routledge, New York.

•Ligon E., Schechter, L. (2003), Measuring Vulnerability, Economic Journal, Royal

Economic Society, 113(486), 95-102.

•Liu, P., et al. (2004), Occupational segregation and wage differentials between

natives and immigrants: evidence from Hong Kong, Journal of Development Eco-

nomics, 73, 395-413.

•Liu, Z. (2005), Institution and inequality: the hukou system in China, Journal of

Comparative Economics, 33, 133-157.

Literaturverzeichnis 150

•Lu, Z., Song, S. (2006), Rural-urban migration and wage determination: The case

of Tianjin, China, China Economic Review, 17, 337-345.

•Mazumdar, J. (1981), The Urban Labor Market and Income Distribution: A

Study of Malaysia, Oxford University Press, Oxford.

•Meng, X. et al. (2008), China’s Urban Poverty and it’s Contributing Factors

1986-2000, in: Understanding Inequality and Poverty in China Methods and Ap-

plications, 219-249, Helsinki.

•Meng, X. (2004), Economic restructuring and income inequality in urban China,

Review of Income and Wealth, Series 50, 3, 357-379.

•Meng, X., Zhang, J. (2001), The Two-Tier Labor Market in Urban China, Journal

of Comparative Economics, 29, 485-501.

•Mincer, J. (1958), Investment in Human Capital and Personal Income Distribu-

tion, Journal of Political Economy, 66, 281-302.

•Mincer, J. (1962), On-the-Job Training: Costs, Returns and Some Implications,

Journal of Political Economy, 70, 50-79.

•Mincer, J. (1974), Schooling, Experience and Earnings, New York: Columbia

University Press for the National Bureau of Economic Research.

•Mouw, T. (2003), Social Capital and Finding a Job: Do Contacts Matter? Ame-

rican Sociological Review, 68, 868-898.

•Murphy, K.M., Welch, F. (1990), Empirical Age-Earnings Profiles, Journal of

Literaturverzeichnis 151

Labor Economics, 8(2), 202-229.

•Ng, Y.C. (2004), Economic development, human capital, and gender earnings

differentials in China, Economics of Education Review, 23(6), 587-603.

•Ng, Y. C. (2007), Gender Earnings Differentials And Regional Economic Deve-

lopment in Urban China 1988-97, Review of Income and Wealth, Series 53, 1,

148-166.

•Oaxaca, R. (1973), Male-female wage differentials in urban labour markets, In-

ternational Economic Review, 9(3), 693-709.

•Oaxaca, R., Ransom, R. (1994), On discrimination and the decomposition of

wage differentials, Journal of Econometrics, 61, 5-21.

•Park, J. (1994), Returns to schooling: A peculiar deviation from Linearity, Prin-

ceton University Industrial relations section Working Paper 335.

•Park, A., et al. (2004) Is migration helping China’s poor?, Paper presented at the

conference on Poverty, Inequality, Labour Market and Welfare Reform in China,

25-27 August, Australian National University, Canberra.

•Psacharopoulos, G., Patrinos, A. (2002), Returns to Investment in Education: a

Further Update, The World Bank Working Paper 2881.

•Pritchett, L., et al. (2000), Quantifying vulnerability to poverty: a proposed mea-

sure with application to Indonesia, Worldbank Policy Research Paper 2437.

•Raghav, G., Imai, K. (2009), Measuring vulnerability and poverty: Estimates

Literaturverzeichnis 152

for rural India, Vulnerability in Developing Countries, United Nations University

Press, Tokyo, 13-54.

•Ravallion, M., Chen, S. (2004), China’s (uneven) Progress against Poverty, World

Bank Policy Research Paper No. 3408.

•Ravallion, M. (1996), Issues in modelling poverty, The Economic Journal, 106,

1328-1343.

•Ravallion, M. (1993), Poverty Comparisons: A guide to concepts and methods,

LSMS Working Paper 88, The World Bank, Washington D.C.

•Sen, A. (1976), Poverty: An Ordinal Approach to Measurement, Econometrica,

44, 219-31.

•Shorrocks, A.F. (1980), The Class of Additively Decomposable Inequality Mea-

sures, Econometrica, 48, 613-626.

•Shu, X. (2005), Market Transition and Gender Segregation in Urban China, Social

Science Quarterly, 86, 1299-1323.

•Sicular, T., et al. (2007), The Urban–Rural Income Gap And Inequality In China,

Review of Income and Wealth, 53(1), 93-126.

•Sklair, L. (1991), Problems of Socialist Development: the Significance of Shenzhen

Special Economic Zone for China’s Open Door Development Strategy. Interna-

tional Journal of Urban and Regional Research, 15, 197–215

•Song, S., et al. (2009), Urban Poor in China, The Chinese Economy, 18 42(4),

Literaturverzeichnis 153

44-62.

•Tanzi, V. (1998), Fundamental Determinants of Inequality and the Role of Go-

vernment, IMF Working Paper 98/178.

•Tesliuc, A., Lindert K. (2002), Vulnerability: A Quantitative and Qualitative

Assessment, Wolrdbank Guatemala Poverty Assessment Program.

•Theil, H. (1967), Economics and Information Theory, North Holland Publishing.

•Thomas, S. (2003), A Macro-Level Methodology for Measuring Vulnerability to

Poverty, with a Focus on MENA Countries, Presentation for the Fourth Annual

Global Development Conference Globalization and Equity Cairo, Egypt, January

21, 2003.

•Wan, A. (2006), On discrimination and the status of immigrants in the Hong

Kong labour market, Economic Bulletins, 10(6), 1-17.

•White, H. (1980), A heteroskedasticity consistent covariance matrix estimator

and a direct test for heteroskedasticity, Econometrica, 48, 817-838.

•Wößmann, L. (2003), Specifying Human Capital. Journal of Economic Surveys,

17: 239–270.

•Wooldrige, J. (2006), Introductory Econometrics A Modern Approach, Thomson

Higher Education, Mason.

•Wooldrige, J. (2010), Econometric Analysis of Cross Section and Panel Data, 2nd

Edition, MIT Press.

Literaturverzeichnis 154

•Worldbank (2010), World Development Report 2010: Development and Climate

Change, The Worldbank, New York.

•Worldbank (PRSP), Poverty reduction strategy paper sourcebook, World Bank,

Washington, http ://go.worldbank.org/3I8LY LXO80.

•Xiao, Y. (2002), Determinants of salary growth in Shenzhen, China: an analysis

of formal education, on-the-job training, and adult education with a three-level

model, Economics of Education Review, 21, 557-577.

•Xue, J., Zhong, W. (2003), Unemployment, Poverty and Income Disparity in

Urban China, Asian Economic Journal, 17 (4), 383-405.

•Yang, D.T. (2005), Determinants of schooling returns during transition: evidence

from Chinese cities, Journal of Comparative Economics, 33, 244-264.

•Yeung, Y., et al. (2009), China’s Special Economic Zones at 30, Eurasian Geo-

graphy and Economics, 2009, 50 (2), 222–240.

•Yueh, L.Y. (2004), Wage Reforms in China During the 1990s, Asian Economic

Journal, 18(2), 149-164.

•Zheng, B. (1997), Aggregate poverty measures, Journal of Economic Surveys, 11

(2), 123-162 .

•Zhang, J., et al. (2005), Economic returns to schooling in urban China, 1988 to

2001, Journal of Comparative Economics, 33, 790-752.

Anhang

Anhang 156

probit_amw

b SF

minw_eq_poor

av_age 0.001 (0.001)

family_size -0.007 (0.010)

dpr 0.044*** (0.010)

av_schooling -0.016*** (0.003)

infedu (d) -0.073*** (0.020)

stay -0.005** (0.002)

male (d) -0.207* (0.095)

rural (d) 0.120*** (0.025)

sez (d) -0.066** (0.022)

soe (d) 0.046 (0.036)

foreignshare (d) -0.061** (0.023)

self_employed (d) 0.011 (0.022)

_cons

N 1026.000

r2_p 0.207

Tabelle 2.17: Regressionsergebnisse der Probit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Alle Haushalte

Anhang 157

probit_urmw

b SF

minw_eq_poor

av_age 0.000 (0.000)

family_size -0.012 (0.007)

dpr 0.012* (0.006)

av_schooling -0.005* (0.002)

infedu (d) -0.013 (0.009)

stay -0.003*** (0.001)

male (d) -0.055 (0.048)

sez (d) -0.020 (0.013)

soe (d) 0.004 (0.013)

foreignshare (d) -0.013 (0.009)

self_employed (d) 0.014 (0.014)

_cons

N 559.000

r2_p 0.268

Tabelle 2.18: Regressionsergebnisse der Probit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Städtisch registrierte Haushalte.

Anhang 158

probit_rmw

b SF

minw_eq_poor

av_age 0.005 (0.003)

family_size 0.027 (0.021)

dpr 0.093*** (0.028)

av_schooling -0.029*** (0.007)

infedu (d) -0.162* (0.063)

stay -0.003 (0.004)

male (d) -0.312 (0.171)

sez (d) -0.093* (0.045)

soe (d) 0.190 (0.099)

foreignshare (d) -0.111 (0.073)

self_employed (d) -0.009 (0.046)

_cons

N 467.000

r2_p 0.098

Tabelle 2.19: Regressionsergebnisse der Probit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Migrantenhaushalte

Anhang 159

tobit_amw

b SF

model

av_age -0.001 (0.001)

family_size 0.001 (0.006)

dpr -0.025*** (0.005)

av_schooling 0.008*** (0.002)

infedu (d) 0.045** (0.015)

stay 0.003*** (0.001)

male (d) 0.079* (0.033)

rural (d) -0.062*** (0.012)

sez (d) 0.032** (0.010)

soe (d) -0.012 (0.015)

foreignshare (d) 0.046** (0.015)

self_employed (d) -0.001 (0.010)

_cons

sigma

_cons

N 1026.000

r2_p 0.226

Tabelle 2.20: Regressionsergebnisse der Tobit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Alle Haushalte

Anhang 160

tobit_urmw

b SF

model

av_age -0.001 (0.001)

family_size 0.019* (0.009)

dpr -0.019** (0.006)

av_schooling 0.008*** (0.002)

infedu (d) 0.020 (0.016)

stay 0.005*** (0.001)

male (d) 0.046 (0.027)

sez (d) 0.025* (0.012)

soe (d) 0.003 (0.015)

foreignshare (d) 0.031 (0.018)

self_employed (d) -0.014 (0.012)

_cons

sigma

_cons

N 559.000

r2_p 0.304

Tabelle 2.21: Regressionsergebnisse der Tobit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Städtisch registrierte Haushalte

Anhang 161

tobit_rmw

b SF

model

av_age -0.002* (0.001)

family_size -0.015 (0.008)

dpr -0.042*** (0.010)

av_schooling 0.010*** (0.003)

infedu (d) 0.071** (0.027)

stay 0.002 (0.002)

male (d) 0.101 (0.062)

sez (d) 0.036* (0.017)

soe (d) -0.054 (0.035)

foreignshare (d) 0.057* (0.025)

self_employed (d) 0.009 (0.017)

_cons

sigma

_cons

N 467.000

r2_p 0.124

Tabelle 2.22: Regressionsergebnisse der Tobit Regression unter Verwendung des Min-

destlohnes als Armutsgrenze. Migrantenhaushalte

Anhang 162

fgls_test1 fgls_test2

b SF b Xmfx_X SF

av_age -0.004 (0.003) -0.004 (0.003)

family_size 0.110*** (0.026) 0.110*** (0.027)

dpr -0.086** (0.031) -0.086** (0.031)

av_schooling 0.079*** (0.008) 0.079*** (0.009)

infedu 0.221*** (0.066) 0.221*** (0.067)

stay 0.014*** (0.003) 0.014*** (0.003)

male 0.346** (0.108) 0.346* (0.134)

rural -0.682*** (0.056) -0.682*** (0.060)

sez 0.272*** (0.050) 0.272*** (0.049)

soe -0.062 (0.073) -0.062 (0.075)

foreignshare 0.377*** (0.087) 0.377*** (0.081)

self_employed -0.105 (0.056) -0.105 (0.057)

_cons 8.921*** (0.174) 8.921*** (0.202)

N 1026.000 1026.000

r2_p

Tabelle 2.23: Test auf Misspezifikation der Skedastizitätsfunktion

Anhang 163

Tabelle 2.24:

stats income (I) Age schooling stay jobchanges married friendjob

mean 50779.46 34.62274 11.32523 8.943634 .9651685 .8697183 .168008

sd 79384.11 9.431422 4.137843 8.444526 1.500684 .3366978 .3739675

p50 24000 33 12 7 0 1 0

N 1988 1988 1974 1987 1958 1988 1988

Maßzahlen. Mittelwert (mean), Standardabweichung (sd), Median (p50), Anzahl (N)

Anhang 164

Tabelle 2.25:

stats income (H) equivincome av_age av_schooling family_size dpr self_employed

mean 140759.6 61497.11 30.34509 9.2624 3.07197 .7665237 .2452652

sd 656674 271387.9 9.090807 3.498795 1.052431 .9271324 .4304482

p50 50000 23391 29.1 9 3 .5 0

N 1056 1056 1056 1056 1056 1049 1056

Maßzahlen. Mittelwert (mean), Standardabweichung (sd), Median (p50), Anzahl (N)

Anhang 165

Tabelle 2.26:

stats stateshare foreigshare male infedu commi sez

mean .0201207 .0779678 .5809859 .1358149 .0875252 .7032193

sd .1404486 .2681884 .4935218 .3426781 .2826742 .456954

p50 0 0 1 0 0 1

N 1988 1988 1988 1988 1988 1988

Maßzahlen. Mittelwert (mean), Standardabweichung (sd), Median (p50), Anzahl (N)

Anhang 166

Name & Erwartetes Vorzei-

chen

Beschreibung

ln yiLogarithmiertes Lohneinkommen pro Stun-

Humankapital

low (+) Abgeschlossene Grundschulausbildung

sec (+) Abgeschlossene Sekundärausbildung (Juni-

or High, High School, Technical College)

high (+) Abgeschlossene Tertiärausbildung (Junior

College, Universität, Postgraduierte)

schooling (+) Abgeschlossene Schuljahre

Potentielle Erfahrung

age (+) Alter in Jahren

agesq (+) Alter quadriert

infedu (+) Informelle Ausbildung

stay (+) Aufenthalt in Shenzhen in Jahren

job_changes (+) Anzahl der Arbeitsplatzwechsel

Persönliche Eigenschaften

male (+) Indikator Variable für das Geschlecht

(Männlich=1)

married (+) Indikator Variable für Familienstand (Ver-

heiratet=1)

Soziale Normen und Politik-

maßnahmen

rural (-) Indikator Variable für die Registrierung

(Ländlich=1)

sez (+) Indikator Variable für den Wohnort (Inner-

halb SEZ=1)

commi (+) Indikator Variable für die Mitgliedschaft in

der KP (Mitglied=1)

friendjob (+) Indikator Variable=1 wenn der Arbeits-

platz durch einen Freund beschafft wurde

Arbeitsplatz Eigenschaften

stateshare (+) Indikator Variable=1 für ganzen oder teil-

weisen Staatsbesitz des Arbeitgebers

foreignshare (+) Indikator Variable=1 für ausländischen Ar-

beitgeber oder Joint Venture

Tabelle 2.27: Variablen Beschreibung: Erweitertes Mincermodell

Anhang 167

Name & Ewartets Vorzeichen Beschreibung

ln yiLogarithmiertes jährliches Pro-Kopf Äqui-

valenzeinkommen (equivincome)

Haushaltseigenschaften

av_age (-) Durchschnittsalter der Haushaltsmitglieder

dpr (-) Abhängigkeitsverhältnis (Alter < 16 & Al-

ter > 65 / 16 >= Alter <= 65)

family_size (+) Anzahl der Familienmitglieder im Haushalt

Produktionsfaktoren

av_schooling (+) Durchschnitt der abgeschlossenen Schuljah-

re der Haushaltsmitglieder

infedu (+) Haushaltsvorsitzender hat informelle Aus-

bildung genossen

male (+) Indikator Variable für das Geschlecht des

Haushaltsvorsitzenden (Männlich=1)

stay (+) Aufenthalt des Haushaltsvorsitzenden in

Shenzhen in Jahren

Soziale Normen und Politik-

maßnahmen

rural (-) Indikator Variable für die Registrierung des

Haushaltsvorsitzenden (Ländlich=1)

sez (+) Indikator Variable für den Wohnort (Inner-

halb SEZ=1)

Arbeitsplatz Eigenschaften

foreignshare (+) Indikator Variable=1 für ganzen oder teil-

weisen Besitz des Arbeitgebers des Haus-

haltsvorsitzenden durch ausländische Fir-

men

soe (+) Indikator Variable=1 für Staatsbesitz des

Arbeitgebers des Haushaltsvorsitzenden

self_employed (-) Indikator Variable=1 für Selbständigkeit

Tabelle 2.28: Variablen Beschreibung: Armutsregressionen