Das Wachstum der Arbeitsproduktivität ist im Euroraum seit geraumer Zeit kraftlos. Dies liegt nur zum Teil an konjunkturellen Faktoren. Strukturelle Entwicklungen bremsen die Produktivitätsdynamik zusätzlich. Hierzu zählt auch der sektorale Strukturwandel. Er beeinflusst unter anderem, wie sehr sich Effizienzveränderungen in einzelnen Wirtschaftsbereichen auf die Gesamtwirtschaft auswirken. Ein weit verbreitetes Effizienzmaß ist die sogenannte totale Faktorproduktivität (TFP). Ihr Verlauf erfasst den Teil des Outputwachstums, der nicht auf Inputfaktoren wie Arbeitseinsatz oder den Kapitalstock zurückgeht. Es ist für zahlreiche fortgeschrittene Volkswirtschaften gut belegt, dass solche Effizienzsteigerungen in der Industrie, insbesondere im Verarbeitenden Gewerbe, in der Vergangenheit typischerweise höher ausfielen als in den Dienstleistungssektoren. Daher erscheint es naheliegend, dass der im Euroraum seit langem zu beobachtende Trend hin zur Dienstleistungsgesellschaft zur schwachen gesamtwirtschaftlichen Produktivitätsentwicklung beigetragen hat.

Allerdings spielt nicht nur die Verschiebung der sektoralen Anteile eine Rolle. Im Zuge des Strukturwandels veränderten sich auch die Vorleistungsbeziehungen zwischen den Sektoren. Diese Produktionsverflechtungen bestimmen maßgeblich, wie sich Effizienzveränderungen über die Wirtschaftsbereiche hinweg auf die Gesamtwirtschaft auswirken. Die Berücksichtigung der sektorübergreifenden Vorleistungsverflechtungen ist daher entscheidend, um die Effekte des Strukturwandels zu verstehen.

In den vier größten Ländern des Euroraums ließ das TFP-Wachstum im Verarbeitenden Gewerbe in den letzten zwei Jahrzehnten nach. Zusammen mit der durch den Strukturwandel bedingten geringeren makroökonomischen Wirkung dieser Effizienzimpulse ergab sich somit ein deutlich schwächerer Beitrag des Sektors zum gesamtwirtschaftlichen Produktivitätswachstum. In den Dienstleistungssektoren sank die Effizienz in drei dieser vier Länder sogar. In Verbindung mit dem gewachsenen Stellenwert der Dienstleistungen belastet dies die Produktivität in der Gesamtwirtschaft heute stärker als in früheren Jahrzehnten.

Der weltweite Trend hin zu mehr Dienstleistungen ist kein wirtschaftspolitisches Problem und zudem kaum beeinflussbar. Anders verhält es sich mit der Effizienzentwicklung innerhalb der Sektoren. Gerade im Dienstleistungsbereich, dessen gesamtwirtschaftliche Bedeutung erheblich zugenommen hat, kommt der Stärkung der Effizienzdynamik eine zentrale Rolle zu. Ein Vergleich mit den Vereinigten Staaten verdeutlicht, dass im Euroraum hierfür beträchtliches Potenzial besteht. Um dieses – gerade auch mit Blick auf technologische Neuerungen – auszuschöpfen, bedarf es jedoch geeigneter Rahmenbedingungen und struktureller Reformen.

Das Wachstum der Arbeitsproduktivität schwächelt im Euroraum seit geraumer Zeit. Hierzu dürften konjunkturelle Faktoren beigetragen haben. Schwere Rezessionen – etwa infolge der globalen Finanz- und Wirtschaftskrise oder der Coronaviruspandemie – können das Produktivitätswachstum nachhaltig dämpfen, indem sie die Entwicklung und Verbreitung von Innovationen schwächen oder die effiziente Allokation von Produktionsfaktoren beeinträchtigen. 1 Eine Betrachtung über einen längeren Zeitraum zeigt jedoch, dass sich die Verlangsamung des Produktivitätswachstums in den vier größten Euro-Ländern über mehrere Jahrzehnte erstreckt. Dies deutet auch auf strukturelle Ursachen der zuletzt schwachen Produktivitätsentwicklung hin.

Der sektorale Strukturwandel ist ein möglicher Faktor für die Verlangsamung des gesamtwirtschaftlichen Produktivitätswachstums. Er bezeichnet ganz allgemein die im Zeitverlauf zu beobachtende Verlagerung wirtschaftlicher Aktivität zwischen Wirtschaftszweigen. 2 Diese gilt neben der nachlassenden Innovations- und Adaptionsfähigkeit von Unternehmen, einer sich abschwächenden Unternehmensdynamik sowie regulatorischen Hemmnissen auf Arbeits- und Produktmärkten als eine mögliche strukturelle Ursache für das abnehmende Produktivitätswachstum im Euroraum. 3 Der sektorale Strukturwandel kann beispielsweise dazu führen, dass vergleichsweise produktive Wirtschaftszweige an gesamtwirtschaftlichem Gewicht verlieren, während die Bedeutung von Sektoren zunimmt, in denen das Wachstum der TFP – ein gängiges Maß für die Effizienzentwicklung – relativ schwach ist. Zudem können sich durch den sektoralen Strukturwandel die Verflechtungen zwischen Wirtschaftsbereichen wesentlich verändern. Jüngere Studien zeigen, dass Vorleistungen und ihr sektorübergreifender Einsatz eine wichtige Rolle für die Diffusion von Effizienzverbesserungen spielen. 4 Sektorale Entwicklungen wirken folglich nicht isoliert, sondern werden unter anderem über das Produktionsnetzwerk auf andere Wirtschaftsbereiche übertragen. 5

Der sektorale Strukturwandel zeigt sich in der Veränderung der Anteile einzelner Wirtschaftsbereiche an der gesamtwirtschaftlichen Aktivität. Statistische Voraussetzung für eine angemessene Erfassung des Strukturwandels ist eine sinnvolle Aufteilung der Gesamtwirtschaft in Wirtschaftsbereiche sowie eine konsistente Messung der wirtschaftlichen Aktivität in diesen Sektoren. Als grundlegende Klassifikation wird häufig die sektorale Dreiteilung in Landwirtschaft (Primärsektor), Industrie einschließlich des Verarbeitenden Gewerbes (Sekundärsektor) und Dienstleistungen (Tertiärsektor) herangezogen. Gängige Maße für die Quantifizierung der wirtschaftlichen Aktivität sind der geleistete Arbeitseinsatz sowie die Bruttowertschöpfung. 6 Der sektorale Strukturwandel wird dabei typischerweise im Kontext eines längeren wirtschaftlichen Entwicklungsprozesses untersucht. 7 Letzterer lässt sich anhand des BIP pro Kopf beschreiben. Die deskriptive Analyse konzentriert sich dabei auf den Kreis der fortgeschrittenen Volkswirtschaften – darunter auch die vier größten Euro-Länder sowie die Vereinigten Staaten. 8

Der wirtschaftliche Entwicklungsprozess geht mit ausgeprägten Verschiebungen des relativen sektoralen Arbeitseinsatzes einher. In den betrachteten fortgeschrittenen Volkswirtschaften folgt der Anteil der in Landwirtschaft, Industrie und Dienstleistungen geleisteten Arbeitsstunden an der gesamten Arbeitszeit einem charakteristischen Verlauf: Mit steigendem BIP pro Kopf sinkt der Arbeitszeitanteil der Landwirtschaft kontinuierlich. In der Industrie deutet sich der in der Literatur vielfach dokumentierte hügelförmige Verlauf mit zunächst zunehmendem und später rückläufigem Anteil an – wobei sich der im frühen Stadium des wirtschaftlichen Entwicklungsprozesses typischerweise zu beobachtende Anstieg des Arbeitszeitanteils aufgrund von Datenrestriktionen hier nur eingeschränkt abbilden lässt. 9 Demgegenüber nimmt der Arbeitsstundenanteil der Dienstleistungen mit zunehmendem BIP pro Kopf stetig zu. 10

Ähnliche Muster zeigen sich bei den sektoralen Anteilen an der gesamtwirtschaftlichen Bruttowertschöpfung. Dabei wird deutlich, dass die Dienstleistungssektoren bereits bei vergleichsweise niedrigem BIP pro Kopf einen erheblichen Anteil der Bruttowertschöpfung auf sich vereinen, der im Zuge des Trends hin zur Dienstleistungsgesellschaft noch einmal kräftig zulegt. 11 Relativ weit fortgeschritten ist diese Entwicklung in den Vereinigten Staaten. Dort trug die Industrie im Jahr 2020 nur noch etwa 18 % zur gesamtwirtschaftlichen Bruttowertschöpfung bei. Damit lag ihr Anteil in dem hier betrachteten Länderkreis am unteren Ende. Umgekehrt verhielt es sich mit den Dienstleistungen. Ihr Anteil war in den USA zum gleichen Zeitpunkt mit rund 81 % am höchsten. 

Auch bei wichtigen Verwendungskomponenten gibt es diese Anteilsverschiebungen. Die sektoralen Anteile der Industrie und der Dienstleistungen am privaten Konsum sowie an den Investitionen folgen im Zeitverlauf weitgehend den Mustern bei der Bruttowertschöpfung, wenngleich sich zwischen den Verwendungskomponenten deutliche Niveauunterschiede zeigen. 

Die beobachteten Verlaufsmuster stehen im Einklang mit gängigen Erklärungen des sektoralen Strukturwandels. So legen eine Reihe von Arbeiten nahe, dass die Beschäftigungsanteile insbesondere in jenen Wirtschaftsbereichen zurückgehen dürften, die die größten Effizienzsteigerungen aufweisen. Entsprechend zeigt sich für die vier größten Euro-Länder und die USA im Durchschnitt über die Zeit das höchste Wachstum der TFP in der Landwirtschaft, gefolgt von der Industrie und den Dienstleistungen. 12 Auch die sektoralen Verschiebungen der Bruttowertschöpfungsanteile lassen sich durch die divergierenden Produktivitätsentwicklungen zwischen den Wirtschaftssektoren erklären. Studien belegen zudem, dass langfristig wirkende Einkommenseffekte eine wesentliche Rolle für die Entstehung der charakteristischen Muster spielen dürften. So kann eine sich mit wachsendem Einkommen verschiebende Nachfrage nach Erzeugnissen einzelner Wirtschaftszweige den abnehmenden Stellenwert der Landwirtschaft sowie die zunächst steigende und später rückläufige relative Bedeutung der Industrie im Verlauf des Entwicklungsprozesses erklären (ein Überblick über zentrale Treiber des sektoralen Strukturwandels findet sich im Exkurs „Wichtige Treiber des sektoralen Strukturwandels“). 13

Der sektorale Strukturwandel wirkt sich auch auf den sektorübergreifenden Einsatz von Vorleistungen aus. In Industrieländern entfällt typischerweise ein großer Teil der Gesamtausgaben für Produktionsfaktoren auf Vorleistungen, denn gerade fortgeschrittene Volkswirtschaften sind durch eine ausgeprägte arbeitsteilige Organisation der Produktion gekennzeichnet. 14 Strukturelle Veränderungen spiegeln sich damit auch in den Vorleistungsbeziehungen wider. 15

Die Nutzung von Vorleistungen im Zuge des wirtschaftlichen Entwicklungsprozesses lassen sich mit Daten der Long-run World Input-Output Database und der OECD Inter-Country Input-Output Database nachvollziehen. Diese ermöglichen es, die sektoralen Anteile an den insgesamt in der Volkswirtschaft verwendeten Vorleistungen zu messen. Nicht zuletzt aufgrund ihrer gesamtwirtschaftlichen Relevanz liegt der Fokus hier auf dem Verarbeitenden Gewerbe sowie einer Gruppe ausgewählter Dienstleistungssektoren, die neben der Erbringung von freiberuflichen, wissenschaftlichen und technischen Dienstleistungen unter anderem den Bereich Information und Kommunikation umfassen. 16

Auch der sektorspezifische Einsatz von Vorleistungen folgt im Verlauf des wirtschaftlichen Entwicklungsprozesses ausgeprägten Mustern. Im Verarbeitenden Gewerbe deutet sich wieder eine hügelförmige Entwicklung an: Der Anteil der Vorleistungen, der dort eingesetzt wird, nimmt zunächst zu, bevor er im weiteren wirtschaftlichen Entwicklungsprozess sinkt. In den Dienstleistungssektoren steigt der Anteil der genutzten Vorleistungen deutlich an. Allerdings unterscheiden sich Ausmaß und zeitlicher Verlauf dieser Anpassungen zwischen den Ländern. In den Vereinigten Staaten stieg der Anteil der in den Dienstleistungssektoren eingesetzten Vorleistungen zwischen 1970 und 2020 beispielsweise um 20 Prozentpunkte auf rund 33 %, in Italien lediglich um 10 Prozentpunkte auf etwa 17 %. Im Verarbeitenden Gewerbe zeigt sich ein gegenläufiges Bild. In den Vereinigten Staaten sank der Anteil genutzter Vorleistungen an den gesamten Vorleistungen von rund 47 % auf 21 %, in Italien lediglich von 49 % auf 39 %. 17

Die Entwicklung der gesamtwirtschaftlichen Arbeitsproduktivität hängt maßgeblich davon ab, wie sich sektorale Effizienzveränderungen in der Volkswirtschaft entfalten. Effizienzfortschritte, beispielsweise infolge technischen Fortschritts, werden üblicherweise anhand der Entwicklung der TFP gemessen. 18 Das TFP-Wachstum ist neben der Kapitalintensivierung ein zentraler Treiber der Arbeitsproduktivität. Für die gesamtwirtschaftlichen Effekte kommt es dabei nicht nur auf die Stärke und Wirkungsrichtung des sektoralen Effizienzwachstums an. Entscheidend ist auch die Verflechtung der Sektoren, da sie bestimmt, über welche Kanäle sich die TFP-Veränderungen entfalten können. 19

Die Bedeutung des sektoralen Strukturwandels für das gesamtwirtschaftliche Produktivitätswachstum betrachten wir in zwei Schritten. Zunächst untersuchen wir mithilfe eines makroökonomischen Modells, wie sich die gesamtwirtschaftliche Wirkung eines gegebenen sektoralen TFP-Impulses im Zuge des Strukturwandels verändert. Die Implikationen hieraus für die Entwicklung der gesamtwirtschaftlichen Arbeitsproduktivität ergeben sich jedoch erst nach Einbeziehung der sektoralen TFP-Entwicklungen. Diese betrachten wir im zweiten Schritt.

Um die Wirkung des sektoralen Strukturwandels auf das gesamtwirtschaftliche Arbeitsproduktivitätswachstum zu untersuchen, bedarf es eines geeigneten Analyserahmens. Die empirischen Befunde zeigen, dass der sektorale Strukturwandel zu deutlichen Veränderungen auf Produktions- und Nachfrageseite führte. Welche Bedeutung diese Entwicklungen für das gesamtwirtschaftliche Wachstum der Arbeitsproduktivität haben – insbesondere im Hinblick auf veränderte Vorleistungsbeziehungen – lässt sich nicht unmittelbar aus den Daten ableiten. Hierfür ist ein analytischer Rahmen erforderlich, der die Beziehungen zwischen Wirtschaftssektoren explizit erfasst und sektorale Rückkopplungseffekte berücksichtigt. 

Das Bundesbank-Mehrsektorenmodell MuSe kann den Strukturwandel einschließlich der veränderten sektorübergreifenden Rolle der Vorleistungen abbilden. MuSe ist ein makroökonomisches Mehrsektorenmodell aus der Klasse der dynamischen stochastischen allgemeinen Gleichgewichtsmodelle (DSGE-Modelle). 20 Es stellt die Gesamtwirtschaft als Zusammenwirken verschiedener Wirtschaftsbereiche dar. In dem Modell werden die Erzeugnisse eines Sektors nicht nur für Konsum- oder Investitionszwecke verwendet, sondern gehen auch als Vorleistungen in die Produktionsprozesse anderer Wirtschaftsbereiche ein. Dabei wird berücksichtigt, dass Vorleistungen untereinander nur begrenzt substituierbar sind und dass sich die Vorleistungsgüterbündel zwischen Sektoren unterscheiden. Auf diese Weise lassen sich sektorale Produktionsverflechtungen und deren Bedeutung für die Transmission von exogenen Impulsen analysieren. Die hier verwendete Modellspezifikation teilt die Gesamtwirtschaft in acht Wirtschaftsbereiche auf. 21 Die im Vergleich zur deskriptiven Analyse höhere sektorale Gliederungstiefe ermöglicht es, Heterogenitäten im Zuge des Strukturwandels differenzierter zu berücksichtigen. 22 Im Fokus stehen die vier größten Volkswirtschaften des Euroraums; ergänzend wurde das Modell für die Vereinigten Staaten kalibriert.

Mit dem Modell MuSe lässt sich untersuchen, wie der Strukturwandel die Wirkung sektoraler TFP-Impulse auf die gesamtwirtschaftliche Arbeitsproduktivität verändert. Zentrale Kenngröße ist dabei der sektorale Arbeitsproduktivitätsmultiplikator. Dieser gibt an, wie stark eine unerwartete dauerhafte Erhöhung der TFP um 1 % in einem Wirtschaftsbereich des Modells die gesamtwirtschaftliche Arbeitsproduktivität langfristig beeinflusst. 23 Im Mittelpunkt stehen dabei die durch den sektoralen Strukturwandel bedingten Veränderungen des Arbeitsproduktivitätsmultiplikators im Verarbeitenden Gewerbe sowie in einer Gruppe ausgewählter Dienstleistungssektoren. 24

Um die Bedeutung der durch den sektoralen Strukturwandel veränderten Vorleistungsverflechtungen herauszuarbeiten, vergleichen wir drei Szenarien. Ausgangspunkt ist ein Basisszenario, in dem die Modellparameter dem Datenstand des Jahres 1970 entsprechen. 25 In einem zweiten, kontrafaktischen Szenario werden ausschließlich die Vorleistungsverflechtungen des Modells auf den Stand des Jahres 2020 aktualisiert. Auf diese Weise lässt sich isolieren, welchen Einfluss die im Zeitverlauf veränderten Vorleistungsbeziehungen auf die Transmission sektoraler TFP-Impulse ausüben. Im dritten Szenario werden schließlich alle Modellparameter an das Jahr 2020 angepasst. 26 Der Vergleich mit dem zweiten Szenario verdeutlicht dabei, welche Aspekte des Strukturwandels neben den Vorleistungsbeziehungen die gesamtwirtschaftliche Transmission eines TFP-Impulses beeinflussen, etwa Veränderungen in der Konsum- und Investitionsstruktur.

Die gesamtwirtschaftlichen Produktivitätseffekte von Effizienzveränderungen im Verarbeitenden Gewerbe ließen im Zuge des sektoralen Strukturwandels nach – nicht zuletzt infolge veränderter Vorleistungsverflechtungen. Die Simulationsergebnisse zeigen, dass die langfristigen Effekte einer dauerhaften TFP-Steigerung um 1 % im Verarbeitenden Gewerbe wesentlich von der Struktur sektoraler Verflechtungen abhängen. Werden die im Zeitverlauf zu beobachtenden Veränderungen der Vorleistungsbeziehungen im Modell explizit berücksichtigt (Szenario II), fällt der gesamtwirtschaftliche Produktivitätseffekt in den Euro-Ländern durchweg geringer aus als im Basisszenario. Ursache hierfür ist der im Zuge des Strukturwandels gesunkene Anteil der aus dem Verarbeitenden Gewerbe bezogenen Vorleistungen, wodurch die gesamtwirtschaftliche Weitergabe eines TFP-Impulses aus diesem Sektor geschwächt wird. Werden die Modellparameter anschließend vollständig für das Jahr 2020 kalibriert und damit der Strukturwandel umfassend einbezogen (Szenario III), reduziert sich die Multiplikatorwirkung einer dauerhaften TFP-Steigerung auf die gesamtwirtschaftliche Arbeitsproduktivität in vier der fünf betrachteten Länder nochmals. 27 Dies ist zum einen auf zuvor nicht berücksichtigte strukturelle Veränderungen auf der Angebotsseite zurückzuführen. Zum anderen ging die relative Nachfrage nach Erzeugnissen des Verarbeitenden Gewerbes für Konsum- und Investitionszwecke im Zuge des wirtschaftlichen Entwicklungsprozesses zurück. Dadurch verringert sich die gesamtwirtschaftliche Wirkung einer TFP-Veränderung in diesem Sektor zusätzlich. 

In den betrachteten Dienstleistungssektoren verstärkte der sektorale Strukturwandel die gesamtwirtschaftlichen Produktivitätseffekte von TFP-Veränderungen hingegen deutlich. 28 Die Simulationsergebnisse für die Dienstleistungsbereiche unterscheiden sich in mehrfacher Hinsicht von denen für das Verarbeitende Gewerbe. Im Basisszenario fallen die langfristigen gesamtwirtschaftlichen Arbeitsproduktivitätsgewinne infolge einer dauerhaften TFP-Erhöhung in diesen Bereichen in allen betrachteten Ländern vergleichsweise gering aus. Zudem führt die Berücksichtigung von sich im Zeitverlauf verändernden Vorleistungsbeziehungen (Szenario II) dazu, dass die gesamtwirtschaftliche Produktivitätswirkung in allen Ländern merklich ansteigt. Werden bei der Parametrisierung des Modells alle strukturellen Veränderungen zwischen 1970 (im Falle der USA 1980) und 2020 berücksichtigt (Szenario III), verstärkt sich die Multiplikatorwirkung eines dauerhaften TFP-Anstiegs typischerweise nochmals erheblich. Maßgeblich hierfür sind die im Zuge des sektoralen Strukturwandels veränderten Konsum- und Investitionsgüterkörbe, in denen die Dienstleistungen im Zeitverlauf erheblich an Bedeutung gewannen. Verglichen mit der Simulationsanalyse für die gesamtwirtschaftlichen Wirkungen von TFP-Impulsen im Verarbeitenden Gewerbe kommt den veränderten Vorleistungsverflechtungen damit eine geringere Rolle zu. 

Die gesamtwirtschaftliche Bedeutung der durch den Strukturwandel veränderten Transmissionskanäle zeigt sich erst in Verbindung mit den sektoralen Effizienzveränderungen. Die Simulationsanalysen zeigen, dass sich die Auswirkungen des Strukturwandels – gemessen an der Veränderung des Arbeitsproduktivitätsmultiplikators – erheblich zwischen dem Verarbeitenden Gewerbe und den betrachteten Dienstleistungssektoren unterscheiden. Im Jahr 2020 wirkte sich in den betrachteten Euro-Ländern eine Effizienzveränderung im Verarbeitenden Gewerbe deutlich schwächer auf die gesamtwirtschaftliche Arbeitsproduktivität aus als 50 Jahre zuvor. Demgegenüber fiel der Effekt einer entsprechenden TFP-Veränderung in den Dienstleistungen im Jahr 2020 grundsätzlich stärker aus als 1970. Vergleichbare Muster zeigen sich für die USA im Zeitraum von 1980 bis 2020. 29 Aus diesen Ergebnissen allein lässt sich jedoch noch nicht ableiten, welchen Beitrag der sektorale Strukturwandel zur Entwicklung der gesamtwirtschaftlichen Arbeitsproduktivität geleistet hat. Hierfür ist es erforderlich, die TFP-Entwicklung in den jeweiligen Wirtschaftsbereichen mit ins Bild zu nehmen. 

Sektorale TFP-Verläufe müssen geschätzt werden. Die TFP-Entwicklung kann nicht direkt beobachtet werden. Wir schätzen die TFP-Wachstumsraten in den einzelnen Wirtschaftszweigen mithilfe einer prototypischen Wachstumszerlegung der sektoralen Produktionswerte. 30 Auf diese Weise berücksichtigen wir explizit die im Produktionsprozess eingesetzten Vorleistungen. 31 Aufgrund der Datenverfügbarkeit beschränken wir die Schätzung der TFP-Entwicklung in den fünf betrachteten fortgeschrittenen Volkswirtschaften auf den Zeitraum von 1980 bis 2019. Um zeitliche Veränderungen abzubilden, unterscheiden wir zwischen zwei Teilperioden, und zwar die Jahre 1980 bis 1998 und die Jahre 1999 bis 2019.

Die TFP-Entwicklung in den Dienstleistungsbereichen bleibt im gesamten Beobachtungszeitraum hinter derjenigen des Verarbeitenden Gewerbes zurück. Den durchweg positiven durchschnittlichen TFP-Wachstumsraten im Verarbeitenden Gewerbe der betrachteten Länder stehen teilweise sogar erhebliche Effizienzverluste in den Dienstleistungssektoren gegenüber. 32 Letztere waren insbesondere in der Teilperiode von 1980 bis 1998 deutlich ausgeprägt. Aber auch im Zeitraum von 1999 bis 2019 weist die durchschnittliche TFP-Entwicklung in mehreren Ländern auf Effizienzverluste in den Dienstleistungssektoren hin.

Ein Vergleich der beiden Teilperioden zeigt für das Verarbeitende Gewerbe ein weitgehend einheitliches Länderbild. Im Verarbeitenden Gewerbe ließ das durchschnittliche TFP-Wachstum sowohl in den großen Ländern des Euroraums als auch in den Vereinigten Staaten im Zeitverlauf nach. Besonders ausgeprägt war diese Entwicklung in Italien, wo sich das durchschnittliche TFP-Wachstum zwischen den betrachteten Teilperioden auf weniger als ein Viertel verringerte. In Deutschland fiel der Rückgang am geringsten aus.

Für die betrachteten Dienstleistungsbereiche ergibt sich über beide Teilperioden hinweg ein heterogenes und stark länderspezifisches Bild. Mit Blick auf die Euro-Länder zeigt sich, dass die durchschnittliche TFP-Entwicklung in Deutschland und Frankreich im Zeitverlauf nachließ. Besonders ausgeprägt war der Rückgang in Deutschland: Während sich für die Zeitspanne zwischen 1980 und 1998 noch deutlich positive durchschnittliche TFP-Wachstumsraten ergeben, zeigen sich für die Jahre 1999 bis 2019 im Mittel Effizienzverluste. Anders stellt sich die Entwicklung in Italien und Spanien dar. Zwar gab es dort in beiden Teilperioden Effizienzverluste im Dienstleistungsbereich, allerdings verringerten sich diese im Zeitverlauf zum Teil erheblich. Eine auffällige Entwicklung zeigt sich in den Vereinigten Staaten. Nach deutlichen Effizienzverlusten zwischen 1980 und 1998 weisen die Schätzungen für die Jahre 1999 bis 2019 auf die im Ländervergleich mit Abstand höchsten TFP-Wachstumsraten hin. Ein wesentlicher Treiber hierfür ist das seit Mitte der 1990er Jahre teils außergewöhnlich kräftige TFP-Wachstum im Teilbereich Information und Kommunikation. 33

Das Zusammenspiel von sektoraler TFP-Entwicklung und veränderter Transmission liefert eine Erklärung für die schwache Produktivitätsentwicklung im Euroraum. Im Verarbeitenden Gewerbe nahm das TFP-Wachstum in den vier großen Euro-Ländern spürbar ab. Zugleich verringerte sich infolge des sektoralen Strukturwandels die positive Wirkung dieser Effizienzfortschritte auf die gesamtwirtschaftliche Arbeitsproduktivität deutlich. In den Dienstleistungen verstärkte sich die makroökonomische Wirkung sektoraler Effizienzveränderungen aufgrund des Strukturwandels. Allerdings waren die durchschnittlichen TFP-Entwicklungen in diesen Wirtschaftssektoren in drei der vier großen Euro-Länder in den vergangenen Jahrzehnten negativ. Solche Effizienzverluste belasten – infolge der durch den Strukturwandel bedingten höheren Multiplikatorwirkung – die gesamtwirtschaftliche Arbeitsproduktivität im Euroraum heute in höherem Maß als noch vor etwa 50 Jahren. Lediglich für Frankreich scheint ein positiver Effekt denkbar. Allerdings ließ dort das TFP-Wachstum in den Dienstleistungen im Zeitverlauf nach, sodass die gestiegene Multiplikatorwirkung hier mitunter lediglich kompensierend wirkte. 

Der sektorale Strukturwandel beeinflusst das gesamtwirtschaftliche Produktivitätswachstum über verschiedene Kanäle, darunter die sich verändernden Vorleistungsverflechtungen. Infolge des Strukturwandels entfalten TFP-Veränderungen im Verarbeitenden Gewerbe heute eine deutlich geringere Wirkung auf die gesamtwirtschaftliche Arbeitsproduktivität als noch vor rund 50 Jahren. Die Effizienzentwicklungen in den Dienstleistungen prägen hingegen die gesamtwirtschaftliche Arbeitsproduktivität inzwischen stärker. Ein wesentlicher Grund hierfür sind die Veränderungen der Vorleistungsverflechtungen zwischen Sektoren. Zusammen mit den TFP-Entwicklungen in den einzelnen Wirtschaftsbereichen bestimmen sie die gesamtwirtschaftliche Produktivitätsentwicklung.

Neben rückläufigen TFP-Wachstumsraten im Verarbeitenden Gewerbe prägen insbesondere Effizienzverluste in den Dienstleistungssektoren den produktivitätsdämpfenden Einfluss des Strukturwandels im Euroraum und eröffnen damit wirtschaftspolitisch relevante Ansatzpunkte. Der Strukturwandel hin zu Dienstleistungen und die damit verbundene nachhaltige Veränderung der Wirtschaftsstruktur können nur sehr begrenzt durch wirtschaftspolitische Maßnahmen beeinflusst werden und sollten es im Regelfall auch nicht. Anders steht es um die sektoralen Effizienzentwicklungen. Vor dem Hintergrund der im Zeitverlauf gestiegenen gesamtwirtschaftlichen Bedeutung der Dienstleistungen kommt der Stärkung der TFP-Dynamik gerade in diesem Wirtschaftsbereich besondere Bedeutung zu. Der Vergleich mit den Vereinigten Staaten deutet darauf hin, dass hier durchaus erhebliches Potenzial besteht. Dort fiel das durchschnittliche TFP-Wachstum im Dienstleistungsbereich in den vergangenen zwei Jahrzehnten im Ländervergleich überdurchschnittlich hoch aus, nicht zuletzt aufgrund der ausgeprägten Dynamik im Wirtschaftszweig Information und Kommunikation.

Eine zentrale Rolle bei der Effizienzentwicklung in den Dienstleistungsbereichen kommt der raschen und breiten Diffusion technologischer Neuerungen zu – darunter Anwendungen der künstlichen Intelligenz (KI). Analysen der Bundesbank zeigen, dass die produktivitätssteigernde Wirkung der Digitalisierung in den großen Ländern des Euroraums sowie in den Vereinigten Staaten maßgeblich davon abhängt, wie breit digitale Vorleistungen in den einzelnen Wirtschaftsbereichen eingesetzt werden. 34 Technologien, die sektorübergreifend als Vorleistungen eingesetzt werden können, haben ein besonders hohes Multiplikatorpotenzial. Generative KI könnte eine solche Schlüsseltechnologie darstellen. Jüngste Befragungen der Bundesbank unter deutschen Unternehmen weisen darauf hin, dass der Einsatz von generativer KI in den vergangenen Jahren deutlich zugenommen hat (vgl. Exkurs "Generative KI in deutschen Unternehmen: Verbreitung, Kosten und erwartete wirtschaftliche Auswirkungen"). Besonders stark verbreitet ist die Nutzung in den Dienstleistungssektoren. Dort erwartet die Mehrheit der befragten Unternehmen spürbare Produktivitätsgewinne, was das Potenzial einer breiten Anwendung der Technologie unterstreicht.

Damit Effizienzpotenziale genutzt werden können, bedarf es geeigneter Rahmenbedingungen. Effiziente Marktstrukturen, intensiver Wettbewerb, offene und integrierte Güter- und Dienstleistungsmärkte, der Zugang zu Finanzierung sowie ein Abbau regulatorischer Fragmentierungen sind nicht nur mit Blick auf eine rasche Diffusion neuer Technologien von wesentlicher Bedeutung für das gesamtwirtschaftliche Produktivitätswachstum. 35 Vor diesem Hintergrund ist die weitere Vertiefung und Vereinheitlichung des europäischen Binnenmarkts eine zentrale wirtschaftspolitische Forderung. Sie kann dazu beitragen, Skaleneffekte zu realisieren und innovationsfördernde Anreize zu stärken. 36 Eigene Arbeiten belegen zudem, wie wichtig ein reibungsloser Markteintritt sowie Marktaustritt von Unternehmen für die gesamtwirtschaftliche Arbeitsproduktivität ist. Die Unternehmensdynamik hat jedoch in zahlreichen fortgeschrittenen Volkswirtschaften – darunter auch im Euroraum – über die letzten Jahrzehnte abgenommen. 37

Flankierend sind Investitionen in digitale Infrastruktur, Datenzugang und Qualifikation entscheidend, um technologische Neuerungen produktiv in bestehende Produktionsnetzwerke zu integrieren. 38 Erst das Zusammenspiel aus technologischer Innovation, funktionierenden Märkten und sektorübergreifender Vernetzung ermöglicht es, die durch den Strukturwandel veränderten Transmissionsmechanismen produktiv zu nutzen und das gesamtwirtschaftliche Produktivitätswachstum nachhaltig zu stärken.

Die Analyse des sektoralen Strukturwandels und seiner Bedeutung für das Arbeitsproduktivitätswachstum stützt sich auf mehrere sich ergänzende internationale Datensätze. Zusammen ermöglichen sie eine konsistente Abbildung langfristiger Veränderungen der Wirtschaftsstrukturen – einschließlich der Vorleistungsverflechtungen – sowie sektoraler TFP-Entwicklungen. Neben der deskriptiven Analyse dienen die Daten auch der Parametrisierung des Mehrsektoren-DSGE-Modells MuSe.

Wir nutzen Daten der EU KLEMS-Datenbank, der Long-run World Input-Output Datenbank (LR-WIOD) sowie der OECD Inter-Country Input-Output (ICIO)-Datenbank. Die EU KLEMS-Datenbank enthält nominale und reale sektorale Angaben zum Produktionswert sowie zum Einsatz von Arbeit, Kapital und Vorleistungen. Auf dieser Grundlage werden Faktor- und Vorleistungsintensitäten des Produktionswerts abgeleitet, die sowohl für die Kalibrierung des MuSe-Modells benötigt als auch für die deskriptive Analyse genutzt werden. Für die vorliegende Untersuchung verknüpfen wir die EU KLEMS-Datenstände von 2009 und 2023, um den Zeitraum von 1970 bis 2020 abzudecken. 39 Für die Modell-Parametrisierung der Produktionsverflechtungen und der Endgüternachfrage werden LR-WIOD-Daten für den Zeitraum 1970 bis 1995 sowie OECD-ICIO-Daten für die Jahre 1996 bis 2020 herangezogen. 40 Die Kombination dieser Datensätze ermöglicht es, Veränderungen der sektoralen Produktionsnetzwerke sowie der Konsum- und Investitionsnachfrage über fünf Jahrzehnte hinweg abzubilden. Darüber hinaus dienen diese Quellen der Erstellung deskriptiver Statistiken zur Bruttowertschöpfung, zur Konsum- und Investitionsstruktur sowie zu Vorleistungsverflechtungen.

Um methodisch bedingte Brüche zwischen den Datensätzen zu überbrücken, werden die Daten über Wachstumsraten verknüpft. 41  Eine Verknüpfung von Niveaugrößen kann zu Sprungstellen in den Zeitreihen führen. Stattdessen dienen die Wachstumsraten der LR-WIOD-Daten dazu, die Zeitreihen ausgehend von den Niveaugrößen der OECD-ICIO-Daten im Jahr 1996 rückwärts zu extrapolieren. 42 Da die Kombination unterschiedlicher Datenquellen zu Inkonsistenzen zwischen Produktionswert, Vorleistungsverwendung und Wertschöpfung führen kann, werden die Input-Output-Tabellen anschließend im Niveau angepasst. Dabei gilt die Bedingung, dass der Produktionswert eines Sektors der Summe aus eingesetzten Vorleistungen und Bruttowertschöpfung entsprechen muss. Zur Wiederherstellung dieser Identität wird ein proportionales Skalierungsverfahren (one-sided RAS) angewendet. 43 Dabei werden sämtliche Einträge der Input-Output-Matrix eines Sektors proportional skaliert, sodass die Summe der verwendeten Vorleistungen mit den insgesamt eingesetzten Vorleistungen übereinstimmt, während die relativen Anteile der einzelnen Vorleistungsgüter an allen in diesem Sektor eingesetzten Inputs unverändert bleiben.

Die zugrunde liegenden Datenquellen basieren zudem auf unterschiedlichen Sektorklassifikationen. Das Akronym NACE (Nomenclature générale des Activités économiques dans les Communautés Européennes) bezeichnet die europäische Standardsystematik produktiver Wirtschaftstätigkeiten. Sie dient der systematischen Gliederung der Gesamtheit wirtschaftlicher Aktivitäten und ermöglicht die eindeutige Zuordnung einer statistischen Einheit zu einem Wirtschaftszweig. Zwischen den Jahren 2000 und 2007 wurde die NACE-Klassifikation grundlegend überarbeitet. Die daraus hervorgegangene Fassung NACE Rev. 2 löste die Version NACE Rev. 1.1 ab und galt von 2008 bis 2024. Mithilfe von Konkordanztabellen werden Angaben nach NACE Rev. 1.1 in die Systematik von NACE Rev. 2 überführt. 44

Die im DSGE-Modell MuSe maximal mögliche sektorale Gliederungstiefe wird durch die LR-WIOD-Datenbank bestimmt, die statt einzelner Wirtschaftsbereiche zum Teil nur aggregierte Sektorgruppen ausweist. Vor diesem Hintergrund werden in MuSe acht Wirtschaftszweige abgebildet. Diese umfassen: 1) Landwirtschaft, Forstwirtschaft und Fischerei, 2) Bergbau und Gewinnung von Steinen und Erden, 3) Verarbeitendes Gewerbe, 4) Energieversorgung und Wasserversorgung, Abwasser- und Abfallentsorgung sowie Beseitigung von Umweltverschmutzungen, 5) Baugewerbe, 6) Handel, Instandhaltung und Reparatur von Kraftfahrzeugen, Verkehr und Lagerei sowie Gastgewerbe/Beherbergung und Gastronomie, 7) Information und Kommunikation, Erbringung von Finanz- und Versicherungsdienstleistungen, Grundstücks- und Wohnungswesen, Erbringung von freiberuflichen, wissenschaftlichen und technischen Dienstleistungen sowie von sonstigen wirtschaftlichen Dienstleistungen und 8) Öffentliche Verwaltung, Verteidigung; Sozialversicherung, Erziehung und Unterricht, Gesundheits- und Sozialwesen sowie sonstige Dienstleistungen. 45 Die gegenüber der deskriptiven Analyse höhere sektorale Gliederungstiefe dient dazu, sektorspezifische Entwicklungen in der Modellanalyse differenzierter zu berücksichtigen. 46 Wie unterschiedlich sich der sektorale Strukturwandel beispielsweise in den Dienstleistungen vollzieht, zeigt sich anhand der Veränderung der Arbeitsstundenanteile zwischen 1970 und 2020. Dabei treten sowohl quantitative als auch qualitative Unterschiede zwischen den einzelnen Sektorgruppen teils deutlich hervor. Werden diese Heterogenitäten nicht berücksichtigt, kann dies zu einer verzerrten Beurteilung makroökonomischer Entwicklungen führen. 47

Die Modellanalyse beschränkt sich auf die vier größten Volkswirtschaften des Euroraums sowie auf die Vereinigten Staaten, während im Rahmen der deskriptiven Analyse weitere fortgeschrittene Volkswirtschaften berücksichtigt werden. Die Input-Output-Daten (LR-WIOD und OECD-ICIO) umfassen neben den vier größten Euro-Ländern und den Vereinigten Staaten auch Australien, Österreich, Belgien, Kanada, Dänemark, Finnland, das Vereinigte Königreich, Japan, Korea, die Niederlande, Portugal und Schweden. Aus der EU KLEMS-Datenbank werden zusätzlich zu den vier größten Volkswirtschaften des Euroraums und den USA Angaben für die Länder Österreich, Belgien, Dänemark, Finnland, das Vereinigte Königreich, Japan, die Niederlande, Portugal und Schweden genutzt.

Die EU KLEMS-Daten werden auch zur Schätzung sektoraler TFP-Verläufe herangezogen. Die Schätzung der sektoralen TFP-Entwicklung erfolgt anhand einer prototypischen Wachstumszerlegung des Produktionswerts. 48 Zu beachten ist, dass sich die auf diese Weise berechneten sektoralen TFP-Entwicklungen von bruttowertschöpfungsbasierten Ansätzen unterscheiden können, wie sich am Verlauf der beiden Maße für Deutschland zeigt. 49 Während letztere Vorleistungen implizit als gegeben behandeln, berücksichtigt die hier verwendete Produktionswertperspektive den Einsatz von Vorleistungen explizit als Produktionsfaktor. Unter üblichen Annahmen 50 besteht ein mechanischer Zusammenhang zwischen beiden Maßen: Die Wachstumsrate der bruttowertschöpfungsbasierten TFP entspricht näherungsweise der produktionswertbasierten TFP, skaliert mit dem Faktor \( 1/(1-S_M) \), wobei \( S_M \) den Anteil der Vorleistungen am Produktionswert bezeichnet. Je höher die Vorleistungsintensität, desto mehr können beide TFP-Maße voneinander abweichen. Da der Skalierungsfaktor größer als eins ist, fallen Veränderungen der bruttowertschöpfungsbasierten TFP typischerweise stärker aus als bei produktionswertbasierten Ansätzen. Entsprechend weisen bruttowertschöpfungsbasierte Zeitreihen häufig größere kurzfristige Ausschläge auf. Veränderungen in der Vorleistungsquote – etwa infolge zunehmender Arbeitsteilung, Outsourcing oder technologisch bedingter Anpassungen der Produktionsstruktur – schlagen sich bei bruttowertschöpfungsbasierten Ansätzen unmittelbar auf die gemessene sektorale Effizienzentwicklung nieder, während sie in der Produktionswertperspektive explizit als Faktorbeiträge ausgewiesen werden. Für Analysen sektoraler Produktionsverflechtungen ist die Produktionswertperspektive besonders geeignet, da sie Veränderungen im Einsatz von Vorleistungen nicht der TFP, sondern den entsprechenden Inputbeiträgen zuordnet. Die Wahl des ‚‚Outputkonzepts“ beeinflusst somit systematisch das Niveau und die Dynamik sektoraler TFP-Zeitreihen.

Acemoglu, D., P. Aghion, L. Bursztyn und D. Hemous (2012a), The Environment and Directed Technical Change, American Economic Review, Vol. 102 (1), S. 131 – 166.

Acemoglu, D., V. M. Carvalho, A. Ozdaglar und A. Tahbaz‐Salehi (2012b), The Network Origins of Aggregate Fluctuations, Econometrica, Vol. 80 (5), S. 1977 – 2016.

Adilbish, O., D. Cerdeiro, R. Duval, G. H. Hong, L. Mazzone, L. Rotunno, H. Toprak und M. Vaziri (2025), Europe’s Productivity Weakness: Firm-Level Roots and Remedies, IMF Working Paper, Nr. 2025/40.

Alder, S., T. Boppart und A. Müller (2022), A Theory of Structural Change That Can Fit the Data, American Economic Journal: Macroeconomics, Vol. 14 (2), S. 160 – 206.

Alessandria, G., R. C. Johnson und K. Yi (2023), Perspectives on trade and structural transformation, Oxford Development Studies, Vol. 51 (4), S. 455 – 475.

Baqaee, D. R. und E. Farhi (2019), The Macroeconomic Impact of Microeconomic Shocks: Beyond Hulten’s Theorem, Econometrica, Vol. 87 (4), S. 1155 – 1203.

Baumol, W. J., S. A. B. Blackman und E. N. Wolff (1985), Unbalanced Growth Revisited: Asymptotic Stagnancy and New Evidence, American Economic Review, Vol. 75 (4), S. 806 – 817.

Baumol, W. J. (1967), Macroeconomics of Unbalanced Growth: The Anatomy of Urban Crisis, American Economic Review, Vol. 57 (3), S. 415 – 426.

Boddin, D., M. Köhler und P. Smietanka (2023), Bundesbank Online Panel – Firms (BOP-F), Data Report 2023–07, Deutsche Bundesbank, Research Data and Service Centre.

Boppart, T. (2014), Structural Change and the Kaldor Facts in a Growth Model With Relative Price Effects and Non‐Gorman Preferences, Econometrica, Vol. 82 (6), S. 2167 – 2196.

Bresnahan, T. F., E. Brynjolfsson und L. M. Hitt (2002), Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence, Quarterly Journal of Economics, Vol. 117 (1), S. 339 – 376.

Brynjolfsson, E., D. Rock und C. Syverson (2021), The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, American Economic Journal: Macroeconomics, Vol. 13 (1), S. 333 – 372.

Buera, F. J. und J. P. Kaboski (2012), Scale and the origins of structural change, Journal of Economic Theory, Vol. 147 (2), S. 684 – 712.

Carvalho, V. M. und A. Tahbaz-Salehi (2019), Production Networks: A Primer, Annual Review of Economics, Vol. 11 (1), S. 635 – 663.

Comin, D., D. Lashkari und M. Mestieri (2021), Structural Change With Long‐Run Income and Price Effects, Econometrica, Vol. 89 (1), S. 311 – 374.

Cravino, J., A. Levchenko, M. Rojas (2022), Population Aging and Structural Transformation, American Economic Journal: Macroeconomics, Vol. 14 (4), S. 479 – 498.

Dell, M., B. F. Jones und B. A. Olken (2014), What Do We Learn from the Weather? The New Climate-Economy Literature, Journal of Economic Literature, Vol. 52 (3), S. 740 – 798.

Deutsche Bundesbank (2025), Nutzung von künstlicher Intelligenz im europäischen Ländervergleich, Monatsbericht, Mai 2025.

Deutsche Bundesbank (2024), Zur Entwicklung der Unternehmensdynamik im Euroraum, Monatsbericht, März 2024.

Deutsche Bundesbank (2023), Zur Bedeutung der Digitalisierung für die Entwicklung der Arbeitsproduktivität, Monatsbericht, März 2023, S. 45 – 67.

Deutsche Bundesbank (2022), Klimawandel und Klimapolitik: Analysebedarf und -optionen aus Notenbanksicht, Monatsbericht, März 2022, S. 33 – 62.

Deutsche Bundesbank (2021), Zur Verlangsamung des Produktivitätswachstums im Euroraum, Monatsbericht, Januar 2021, S. 15 – 46.

Duernecker, G. und M. Sanchez-Martinez (2023), Structural change and productivity growth in Europe – Past, present and future, European Economic Review, Vol. 151, 104329.

Eldridge, L. P. und S. G. Powers (2023), The importance of output choice: implications for productivity measurement, U.S. Bureau of Labor Statistics, Monthly Labor Review, September 2023.

Europäische Investitionsbank (2024), Investment Report 2023/2024: Transforming for competitiveness.

Europäische Kommission (2024a), Bericht zur Zukunft der europäischen Wettbewerbsfähigkeit.

Europäische Kommission (2024b), Bericht über den Stand der Digitalen Dekade 2024.

Europäische Kommission (2023), Bericht über den Stand der Digitalen Dekade 2023.

Europäische Kommission (2020), A New Industrial Strategy for Europe.

Eurostat (2008), NACE Rev. 2 – Statistische Systematik der Wirtschaftszweige in der Europäischen Gemeinschaft, Methodologies and working papers.

Foellmi, R. und J. Zweimüller (2008), Structural change, Engel’s consumption cycles and Kaldor’s facts of economic growth, Journal of Monetary Economics, Vol. 55 (7), S. 1317 – 1328.

Falck, E., O. Röhe und J. Strobel (2024a), Digital transformation and its impact on labour productivity: A multi-sector perspective, Diskussionspapier der Deutschen Bundesbank, Nr. 28/2024.

Falck, E., O. Röhe und J. Strobel (2024b), Digital transformation and its impact on labour productivity, Bundesbank Research Brief, Nr. 65.

Filippucci, F., P. Gal, K. Laengle und M. Schief (2025), Macroeconomic productivity gains from Artificial Intelligence in G7 economies, OECD Artificial Intelligence Papers, Nr. 41.

Filippucci, F., P. Gal und M. Schief (2024), Miracle or Myth? Assessing the macroeconomic productivity gains from Artificial Intelligence, OECD Artificial Intelligence Papers, Nr. 29.

Foerster, A. T., A. Hornstein, P. G. Sarte und M. W. Watson (2022), Aggregate Implications of Changing Sectoral Trends, Journal of Political Economy, Vol. 130 (12), S. 3286 – 3333.

Goldschmidt, D. und J. F. Schmieder (2017), The Rise of Domestic Outsourcing and the Evolution of the German Wage Structure, The Quarterly Journal of Economics, Vol. 132 (3), S. 1165 – 1217.

Hashimoto, K. und K. Tabata (2010), Population aging, health care, and growth, Journal of Population Economics, Vol. 23 (2), S. 571 – 593.

Herrendorf, B., C. Herrington und Á. Valentinyi (2015), Sectoral Technology and Structural Transformation, American Economic Journal: Macroeconomics, Vol. 7 (4), S. 104 – 133.

Herrendorf, B., R. Rogerson und Á. Valentinyi (2014), Chapter 6 – Growth and structural transformation, in: Aghion, P. und S. N. Durlauf (Hrsg.), Handbook of Economic Growth, Bd. 2, Elsevier, S. 855 – 941.

Highfill, T., D. Wasshausen und G. Prunchak (2025), Concepts and Challenges of Measuring Production of Artificial Intelligence in the U.S. Economy, BEA Working Paper Series, Nr. WP2025–1.

Hinterlang, N., A. Martin, O. Röhe, N. Stähler und J. Strobel (2023), The Environmental Multi-Sector DSGE Model EMuSe: A Technical Documentation, Deutsche Bundesbank, Technical Papers, Nr. 03/2023.

Hulten, C. R. (2010), Chapter 23 – Growth Accounting, in: B. H. Hall und N. Rosenberg (Hrsg., 2010), Handbook of the Economics of Innovation, Ed. 1, Vol. 2, S. 987 – 1031.

Hulten, C. R. (1978), Growth Accounting with Intermediate Inputs, The Review of Eco-nomic Studies, Vol. 45 (3), S. 511 – 518.

Kroeger, T., C. Schaffranka und M. Schnitzer (2025), Structural Change in Germany: Challenges for Growth and Productivity, Intereconomics, Vol. 60 (5), S. 290 – 296.

Kuznets, S. (1973), Modern economic growth: Findings and reflections, American Economic Review, Vol. 63 (3), S. 247 – 258.

Laitner, J. (2000), Structural Change and Economic Growth, Review of Economic Studies, Vol. 67 (3), S. 545 – 561.

Matsuyama, K. (2019), Engel's Law in the Global Economy: Demand‐Induced Patterns of Structural Change, Innovation, and Trade, Econometrica, Vol. 87 (2), S. 497 – 528.

Matsuyama, K. (2009), Structural Change in an Interdependent World: A Global View of Manufacturing Decline, Journal of the European Economic Association, Vol. 7 (2/3), S. 478 – 486.

McAdam, P., P. Meinen, C. Papageorgiou und P. Schulte (2025), Firms’ returns to scale: new evidence from European firm-level data, Bundesbank Research Brief, Nr. 73.

Moro, A. (2015), Structural Change, Growth, and Volatility, American Economic Journal: Macroeconomics, Vol. 7 (3), S. 259 – 294.

Ngai, L. R. und C. A. Pissarides (2007), Structural Change in a Multisector Model of Growth, American Economic Review, Vol. 97 (1), S. 429 – 443.

OECD (2001), Measuring productivity: Measurement of aggregate and industry-level productivity growth, OECD Manual, Paris.

Sachverständigenrat zur Begutachtung der gesamtwirtschaftlichen Entwicklung (2025), Strukturwandel in Deutschland: Produktivität, regionale Aspekte und Arbeitsmarkt, Jahresgutachten 2025/26.

Sposi, M. (2019), Evolving Comparative Advantage, Sectoral Linkages, and Structural Change, Journal of Monetary Economics, Vol. 103 (C), S. 75 – 87.

Święcki, T. (2017), Determinants of structural change, Review of Economic Dynamics, Vol. 24, S. 95 – 131.

Syverson, C. (2011), What Determines Productivity?, Journal of Economic Literature, Vol. 49 (2), S. 326 – 365.

Timmer, M. P., A. A. Erumban, B. Los, R. Stehrer und G. J. De Vries (2014), Slicing up global value chains, Journal of Economic Perspectives, Vol. 28 (2), S. 99 – 118.

Timmer, M. P., M. O'Mahony und B. van Ark (2007), Growth and productivity accounts from EU KLEMS: An overview, National Institute Economic Review, Nr. 200, S. 64 – 78.

Temursho, U., M. A. Cardenete, K. Wojtowicz, L. Rey Los Santos, M. Weitzel, T. Vandyck und B. Saveyn (2020), Projecting input-output tables for model baselines, Joint Research Centre, Technical Report, Nr. 120513.

Uy, T., K. Yi und J. Zhang (2013), Structural Change in an Open Economy, Journal of Monetary Economics, Vol. 60 (6), S. 667 – 682.

Van Neuss, L. (2019), The Drivers of Structural Change, Journal of Economic Surveys, Vol. 33, (1), S. 309 – 349.