sofia Diskussionsbeiträge 2017, No. 4 https://doi.org/10.46850/sofia.9783941627635

Es zählt zu den Besonderheiten des nordrhein-westfälischen Finanzausgleichs, dass die Bestimmung der interkommunalen Finanzbedarfsrelationen auf Gemeindeebene ausschließlich regressionsanalytisch erfolgt. Den Grund für die Überprüfung des hierzu aktuell verwendeten Regressionsverfahrens in Form der Pooled-OLS-Methode liefert die Erfahrung, dass die zur jeweiligen Vorbereitung der Gemeindefinanzierungsgesetze (GFG) der Jahre 2016 und 2017 durchgeführten Regressionsrechnungen nicht zu den erwarteten Ergebnissen geführt haben. Die genannte Methode wurde erstmals für das GFG 2015 unter der Zielsetzung verwendet, zu (zeit-)stabileren Resultaten bei der Ermittlung der finanzausgleichsrelevanten Bedarfsparameterwerte (Stufung der Hauptansatzstaffel, Gewichtung der Nebenansätze) zu gelangen. Die vorliegenden Rechenergebnisse legen jedoch die Schlussfolgerung nahe, dass das genannte Ziel nur teilweise erreicht werden konnte. So zeigt die durchgeführte Regressionsanalyse zum GFG 2016 auf Basis der Datenjahrgänge 2009-2012 eine Erhöhung des Gewichtungsfaktors für den Soziallastenansatz um knapp 2 Prozentpunkte auf 17,63 bei einer gleichzeitig reduzierten Spreizung der Hauptansatzstaffel um zwei Staffelklassen auf 142 % für die einwohnerstärkste Kommune (Köln). Diese Veränderung der Parameterwerte nimmt bei der Regressionsanalyse für das GFG 2017 unter Anwendung der Datenjahrgänge 2009-2013 noch weiter zu. Danach beläuft sich der Gewichtungsfaktor für den Soziallastenansatz auf 19,25 und steigt damit um zusätzliche 1,6 Prozentpunkte an, während die Spreizung der Hauptansatzstaffel um eine weitere Staffelklasse auf 139 % für Köln abnimmt.

Access full article

References

1. Baltagi, B.H. (2013): Econometric Analysis of Panel Data, 5. Auflage, Chichester.
2. Boisbunon, A., Canu, S., Fourdrinier, D., Strawderman, W. und M.T. Wells (2014): Akaike’s Information Criterion, Cp and Estimators of Loss for Elliptically Symmetric Distributions, in: International Statistical Review, Vol. 82, S. 422-439. DOI: https://doi.org/10.1111/insr.12052.
3. Burnham, K.P. und D.R. Anderson (2004): Multimodel Inference – Understanding AIC and BIC in Model Selection, in: Sociological Methods & Research, Vol. 33, S. 261-304. DOI: https://doi.org/10.1177%2F0049124104268644.
4. Büttner, T. und M. Thöne (2016): Finanzwissenschaftliche Überprüfung der Rechnungen zur Aktualisierung des GFG NRW – Im Anschluss an das Gutachten zur Weiterentwicklung des kommunalen Finanzausgleichs im Land Nordrhein-Westfalen aus dem Jahr 2013, Köln und Nürnberg.
5. Büttner, T. und U. Schneider (2013): Finanzwissenschaftliches Gutachten zum Gemeindefinanzierungsgesetz des Landes Nordrhein-Westfalen, Nürnberg.
6. Büttner, T., Holm-Hadulla, F., Parsche, R. und Ch. Stabatty (2008): Analyse und Weiterentwicklung des kommunalen Finanzausgleichs in Nordrhein-Westfalen, München.
7. Cox, D.R. und N. Wermtuh (1992): A Comment on the Coefficient of Determination for Binary Probit, in: The American Statistican, Vol. 46, S. 1-4. DOI: https://doi.org/10.2307/2684400.
8. Döring, T., Otter, N. und F. Rischkowsky (2012): Kommunale Finanzausstattung zwischen Sachgerechtigkeit und politischem Verteilungskampf, Baden-Baden. DOI: https://doi.org/10.5771/9783845240015.
9. Döring, T., Brenner, T. und F. Rischkowsky (2017): Interkommunale Finanzbedarfsermittlung im nordrhein-westfälischen Finanzausgleich, Berlin (in Drucklegung).
10. FiFo – Finanzwissenschaftliches Forschungsinstitut an der Universität zu Köln (2013): Weiterentwicklung des kommunalen Finanzausgleichs in Nordrhein-Westfalen, Köln.
11. Hall, A.R. (2005): Generalized Method of Moments – Advanced Tests in Econometrics, Oxford.
12. Koenker, R. (2005): Quantile Regression, New York. DOI: https://doi.org/10.1017/CBO9780511754098.
13. Laitila, T. (1992): A Pseudo-R2 Measure for Limited and Qualitative Dependent Variable Models, in: Journal of Econometrics, Vol. 56, S. 341-356. DOI: https://doi.org/10.1016/0304-4076(93)90125-O.
14. Mooney, C.Z. (1997): Monte Carlo Simulation, London und New Dehli. DOI: https://dx.doi.org/10.4135/9781412985116.
15. Staudte, R.G. (1990): Robust Estimation and Testing, New York. DOI: https://doi.org/10.1002/9781118165485.
16. Veall, M.R. und K.F. Zimmermann (1996): Pseudo-R2 Measures for Some Common Limited Dependent Variable Models, Ludwig-Maximillians-Universität München, Institut für Statistik, Sonderforschungsbereich 386, Paper 18. DOI: https://doi.org/10.1111/j.1467-6419.1996.tb00013.x.
17. Wilcox, R.R. (2011): Introduction to Robust Estimation and Hypothesis Testing, 3. Auflage, San Diego. DOI: https://doi.org/10.1016/C2010-0-67044-1.