Diese Studie untersucht, wie die betrieblichen Erträge zwischen deutschen Industrieunternehmen und ihren Beschäftigten aufgeteilt werden. Dafür werden Energiepreisänderungen auf Unternehmensebene und die daraus resultierenden Veränderungen im Unternehmensertrag betrachtet. Wir finden heraus, dass höhere Energiepreise die Löhne drücken und dass ein Rückgang bei den Erträgen um 10% zu einem Rückgang der Löhne um 2% führt. Dieser Zusammenhang ist asymmetrisch, was bedeutet, dass die Löhne nicht von Senkungen der Energiepreise profitieren, aber durch Energiepreiserhöhungen sinken. Kleine Unternehmen geben Schwankungen im Ertrag stärker an die Beschäftigten weiter als Großunternehmen.

Der deutschen Klimapolitik fehlt die große strategische Linie. Die Menschen werden sich nur dann für mehr Klimaschutz einsetzen und bereit sein, dafür finanzielle Opfer zu bringen, wenn die Lasten des Strukturwandels gerecht verteilt sind. Gerecht heißt, dass dort klimaschädliche Gase eingespart werden, wo es am kostengünstigsten ist. Ohne Märkte und die richtigen Preisanreize geht das nicht.

Die grüne Transformation, verstanden als ein Prozess, Energie zunehmend treibhausgasneutral zu erzeugen, kann mit marktwirtschaftlichen Instrumenten und dafür erforderlichen Rahmenbedingungen kostengünstiger umgesetzt werden als mit staatlicher Steuerung des Energieverbrauchs und der Energieerzeugung. Kosteneffizienz ist von entscheidender Bedeutung für die Bereitschaft und Fähigkeit der Bevölkerung, die Lasten der Transformation zu tragen, und für eine gerechte Verteilung der Lasten.

The substantial fluctuations in oil prices in the wake of the COVID-19 pandemic and the Russian invasion of Ukraine have highlighted the importance of tail events in the global market for crude oil which call for careful risk assessment. In this paper we focus on forecasting tail risks in the oil market by setting up a general empirical framework that allows for flexible predictive distributions of oil prices that can depart from normality. This model, based on Bayesian additive regression trees, remains agnostic on the functional form of the conditional mean relations and assumes that the shocks are driven by a stochastic volatility model. We show that our nonparametric approach improves in terms of tail forecasts upon three competing models: quantile regressions commonly used for studying tail events, the Bayesian VAR with stochastic volatility, and the simple random walk. We illustrate the practical relevance of our new approach by tracking the evolution of predictive densities during three recent economic and geopolitical crisis episodes, by developing consumer and producer distress indices that signal the build-up of upside and downside price risk, and by conducting a risk scenario analysis for 2024.