No description available.

Die Dissertation untersucht verschiedene Einflussfaktoren auf die Finanzierungskosten von Staaten. Dabei werden die Eurokrise, Rohstoffpreise und Klimawandel als drei wesentliche Einflussfaktoren herangezogen und deren empirische Wichtigkeit statistisch untersucht. Ein weiterer Artikel beschäftigt sich mit der Integration von Finanzmärkten auf die Ausbreitung von Konjunkturzyklen.:Chapter 1: Introduction 1 1.1 Motivation: The Curious Case and Multiple Facets of Sovereign Debt . . . . 1 1.2 Outline and Contribution of this Thesis to the Literature . . . . . . . . . . . 6 A.1 Appendix to Chapter 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 References to Chapter 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Chapter 2: Avoiding the Fall into the Loop: Isolating the Transmission of Bank-to-Sovereign Distress in the Euro Area 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3 Data Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.3.1 Deriving Country-Specific Bank Distress . . . . . . . . . . . . . . . . . 24 2.3.2 Instrumenting Bank Distress using Exposure-Weighted Stock Market Returns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3 Set of Dependent and Explanatory Variables . . . . . . . . . . . . . . 30 2.3.3.1 Dependent Variable . . . . . . . . . . . . . . . . . . . . . . . 30 2.3.3.2 Control Variables . . . . . . . . . . . . . . . . . . . . . . . . 33 2.4 Empirical Specification and Results . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Robustness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.5.1 Comparison of IV and OLS during Eurozone Crisis . . . . . . . . . . . 38 2.5.2 Alternative Versions of the Dependent Variable . . . . . . . . . . . . . 40 2.5.3 Alternative Versions for Bank Distress Variable . . . . . . . . . . . . . 41 2.5.4 Alternative Versions for Instrumental Variable . . . . . . . . . . . . . 42 2.5.5 Strengthening the Exclusion Restriction of the Instrument . . . . . . . 46 2.5.6 Weekly Frequency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 2.5.7 Alternative Control Variables and Time Fixed Effects . . . . . . . . . 49 2.5.8 Wild Cluster Bootstrapping . . . . . . . . . . . . . . . . . . . . . . . . 52 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 A.2 Appendix to Chapter 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 A.2.1 Drivers of Bank-to-Sovereign Distress Transmissions . . . . . . . . . . 54 A.2.1.1 Macroeconomic Performance . . . . . . . . . . . . . . . . . . 57 A.2.1.2 Government Bond Issuances, Redemptions and Holdings . . 62 A.2.1.3 Banking Sector Structure and Stability . . . . . . . . . . . . 66 A.2.1.4 Political Stability . . . . . . . . . . . . . . . . . . . . . . . . 72 A.2.2 Additional Tables and Figures . . . . . . . . . . . . . . . . . . . . . . . 77 References to Chapter 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Chapter 3: What drives the Commodity-Sovereign Risk Dependence in Emerging Market Economies? 87 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 3.2 Data, Variables and Summary Statistics . . . . . . . . . . . . . . . . . . . . . 92 3.2.1 Dependent Variable: Sovereign Default Risk . . . . . . . . . . . . . . . 92 3.2.2 Deriving Country-specific Commodity Performance . . . . . . . . . . . 94 3.2.3 Set of Control Variables . . . . . . . . . . . . . . . . . . . . . . . . . . 97 3.3 Empirical Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 3.3.1 Baseline Specification and Results . . . . . . . . . . . . . . . . . . . . 98 3.3.2 Alternative Specifications . . . . . . . . . . . . . . . . . . . . . . . . . 101 3.4 Drivers of the Commodity-Sovereign Risk Dependence . . . . . . . . . . . . . 104 3.4.1 Commodity-related Factors . . . . . . . . . . . . . . . . . . . . . . . . 105 3.4.2 Macroeconomic and International Factors . . . . . . . . . . . . . . . . 110 3.4.3 Policy Measures against Commodity Dependence . . . . . . . . . . . . 117 3.5 Robustness Checks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 3.5.1 Dropping Countries with Liquidity Issues . . . . . . . . . . . . . . . . 127 3.5.2 Alternative Specifications for EMBI and Commodity Performance . . 129 3.5.3 Alternative Control Variables . . . . . . . . . . . . . . . . . . . . . . . 130 3.5.4 Alternative Fixed Effects, Frequency, Clustering and Time Series Results131 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 A.3 Appendix to Chapter 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 References to Chapter 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 Chapter 4: Financial Linkages and Sectoral Business Cycle Synchronization: Evidence from Europe 145 4.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 4.2 Empirical Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 4.2.1 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 4.2.2 Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 4.3 Estimation Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 4.3.1 Results for Overall Output Fluctuations (GDP) . . . . . . . . . . . . . 157 4.3.2 Results for Industrial Output Fluctuations . . . . . . . . . . . . . . . . 162 4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 A.4 Appendix to Chapter 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 References to Chapter 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180 Chapter 5: Physical Climate Change Risks and the Sovereign Creditworthiness of Emerging Economies 182 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182 5.2 Physical Climate Change Risk . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 5.2.1 Physical Climate Change Risk in Contrast to Transition Risk . . . . . 187 5.2.2 Physical Climate Change and Sovereign Creditworthiness . . . . . . . 189 5.3 Data and Descriptive Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . 191 5.3.1 Sovereign Creditworthiness . . . . . . . . . . . . . . . . . . . . . . . . 191 5.3.2 Temperature Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192 5.4 Empirical Specification and Results . . . . . . . . . . . . . . . . . . . . . . . . 195 5.5 Channels of Temperature-Sovereign Risk Connection . . . . . . . . . . . . . . 197 5.5.1 General Warmness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199 5.5.2 Seasonality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203 5.5.3 Month and Season Effects . . . . . . . . . . . . . . . . . . . . . . . . . 205 5.5.4 Economic Sector Specialization . . . . . . . . . . . . . . . . . . . . . . 208 5.5.5 Institutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 5.5.6 Combining relevant Channels . . . . . . . . . . . . . . . . . . . . . . . 215 5.6 Robustness Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218 5.6.1 Changing the Fixed Effects Specification . . . . . . . . . . . . . . . . . 218 5.6.2 Changing the Dependent Variable . . . . . . . . . . . . . . . . . . . . 220 5.6.3 Changing the Lag Structure . . . . . . . . . . . . . . . . . . . . . . . . 221 5.6.4 Changing the Historical Temperature Average Period . . . . . . . . . . 222 5.6.5 Dropping Countries with lower Data Coverage and larger Landmass . 226 5.6.6 Other Temperature Anomaly Measures . . . . . . . . . . . . . . . . . 227 5.6.7 Analyzing Debt Sustainability . . . . . . . . . . . . . . . . . . . . . . . 229 5.6.8 Testing for Transition Risks . . . . . . . . . . . . . . . . . . . . . . . . 229 5.6.9 Changing Economic Sector Specialization Measures . . . . . . . . . . . 231 5.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233 A.5 Appendix to Chapter 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234 References to Chapter 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

Flood risks in urban settlements are often determined based upon hydrological and hydrodynamic design events and the existing building stock. After a flood event, a high discrepancy between the assessed risk, the observed flow conditions and resulting loss and damage in flood prone areas is mostly found. This illustrates that flood risks are subject to high spatial and temporal dynamics. Hence, the assessment of the dynamics of flood risks involves considerable variability (variations in the mean state) and change (medium-/long-term trends). In addition, uncertainties play a significant role. Current risk assessment approaches do not sufficiently represent all processes relevant for the dynamics and uncertainties of flood risk generation. The aim of the thesis is a comprehensive research on the dynamics and uncertainties of fluvial flood risks due to variability and change. It pursues the objective to generate risk curves describing the dynamics (variability and change) and their epistemic uncertainties. To achieve this three research questions are answered. The first research question (RQ1) “What are the influences of the dynamics of flood risks?” identifies (i) major processes involved in flood risk generation, (ii) factors of these processes prone to variability and change, and (iii) drivers triggering the factor’s alteration. The second research question (RQ2) “What is an appropriate way to simulate and analyse the dynamics of flood risks?” concentrates on modules and tools for simulations of the entire flood risk system, the impacts of the drivers, and uncertainties. The answer of RQ2 focuses on climate change as one (group of) driver(s) of dynamics (change) and simulates the current state and future scenarios. The third research question (RQ3) ”What are the flood risk dynamics in a specific catchment?” is determined quantitatively resulting in risk curves with their uncertainty bounds. To investigate the dynamics and uncertainties of flood risks a three-tiered framework is designed including (1) a conceptual, (2) a methodological and (3) a technological framework. The Conceptual Framework (CF) is assigned to RQ1 focusing on the main drivers of the dynamics by conceptualisation of different subsystems for the assessment of flood risks. The Methodological Framework (MF) is used to answer RQ2 providing an appropriate way to simulate and analyse the dynamics of flood risks by methodical operationalisation of the subsystems through modules. It focuses on climate change considering simulations of future scenarios and various sources of uncertainties. The Technological Framework (TF) describes how different modules and methods are combined to implement the MF by technical realisation of the sequence of modules. An investigation area is selected for empirical testing of the three-tiered framework. Four modules are developed and tested by a comprehensive multi-model chain representing the flood risk system of the Mulde River catchment and the municipality of Bennewitz. The first module Climate Data Ensemble applies two climate data ensembles: WEREX V and COSMO-CLM accounting for climate variability as well as future change by climate scenarios and uncertainties due to climate models and realisation runs. The second module Hydrologic Modelling uses two models: HBV and WaSiM-ETH optimised by AMALGAM to generate flood events. This module addresses model and parameter uncertainty. The third module Hydrodynamic Modelling applies HEC-RAS and LISFLOOD-FP to derive inundation areas and to account for model uncertainty. The fourth module Damage Modelling combines construction and inventory damage. Risk curves with their bandwidth due dynamics and uncertainties are generated. The analysis of the dynamics and uncertainties is carried out by means of the ANOVA approach allowing for a quantification of the impacts due to the selected climate scenario, climate model, realisation, and hydrological parameter set. A large contribution of climate models and the rather small influence of hydrological parametrisation on rare flood events are detected. A wide range in the risk curves illustrates the influence of climate scenarios, climate models, and hydrologic parametrisations on monetary damages. The large number of high resolution, continuous long-term model runs as well as model coupling for the flood risk system, makes high performance computing (HPC) and big data assessment essential.:1 Introduction 1.1 Background 1.2 Problem Statement 1.3 Aim, Objective and Research Questions 1.4 Research Strategy and Outline 2 State of the Art 2.1 Flood Risks and Flood Risk Systems 2.2 Dynamics of Flood Risk Systems 2.3 Assessment of Flood Risk Considering Change and Uncertainty 3 Three-tiered Framework for the Assessment of the Dynamics of Flood Risks 3.1 Conceptual Framework 3.1.1 Major Processes of Flood Risk Generation 3.1.1.1 Atmospheric Processes 3.1.1.2 Hydrologic Processes 3.1.1.3 Hydrodynamic Processes 3.1.1.4 Loss and Damage Processes 3.1.1.5 Flood Risks 3.1.2 Factors Prone to Variability and Change 3.1.3 Identification of Drivers and Dynamics 3.2 Methodological Framework 3.2.1 Simulation of Flood Risks 3.2.1.1 Atmospheric Processes – Climate Data Ensemble Module 3.2.1.2 Hydrologic Processes – Hydrological Modelling Module 3.2.1.3 Hydrodynamic Processes – Hydrodynamic Modelling Module 3.2.1.4 Loss and Damage Processes – Damage Modelling Module 3.2.1.5 Flood Risks 3.2.2 Dynamics of Flood Risks Caused by Climate Change as Driver and Uncertainties 3.3 Technological Framework 3.3.1 Software Components 3.3.1.1 Climate Data Ensemble Module 3.3.1.2 Hydrological Modelling Module 3.3.1.3 Hydrodynamic Modelling Module 3.3.1.4 Damage Modelling Module 3.3.1.5 Flood Risks Investigated by Visual Analytics 3.3.2 Development Protocols 4 Implementation of the Framework as Methodology and Empirical Testing 4.1 Flood Risk System of the Mulde River and the Municipality of Bennewitz 4.2 Methodology Testing for the Mulde River and the Municipality of Bennewitz 4.2.1 Climate Data Ensemble Module 4.2.1.1 Module Implementation 4.2.1.2 Results for the Reference Period 4.2.1.3 Results for Future Projections 4.2.2 Hydrologic Modelling Module 4.2.2.1 Module Implementation 4.2.2.2 Results for the Reference Period 4.2.2.3 Results for Future Projections 4.2.3 Hydrodynamic Modelling Module 4.2.3.1 Module Implementation 4.2.3.2 Results for the Reference Period 4.2.3.3 Results for Future Projections 4.2.4 Damage Modelling Module 4.2.4.1 Module Implementation 4.2.4.2 Results for Future Projections 4.3 Dynamics of Flood Risks Resulting in Flood Risk Curves and Uncertainty Quantification 5 Discussion 5.1 Discussion of the Three-tiered Framework 5.2 Discussion of the Implementation of the Framework as Methodology and Empirical Testing 5.2.1 Climate Data Ensemble Module 5.2.2 Hydrologic Modelling Module 5.2.3 Hydrodynamic Modelling Module 5.2.4 Damage Modelling Module 5.2.5 Dynamics of Flood Risks Resulting in Flood Risk Curves and Uncertainty Quantification 6 Conclusions and Outlook 6.1 Conclusions 6.2 Outlook References A Appendix Basic Information B Appendix Results B.1 Appendix Results Climate Data Ensemble Module B.2 Appendix Results Hydrologic Modelling Module B.3 Appendix Results Hydrodynamic Modelling Module B.4 Appendix Results Damage Modelling Module B.5 Appendix Results Dynamics and Uncertainties of Flood Risks

To date, no observation-based proxy for climate change has been successful in quantifying the feedbacks between clouds and climate. The most promising, yet demanding, avenue to gain confi dence in cloud–climate feedback estimates is to utilize observations and large-eddy simulations (LES) or cloud-resolving modeling (CRM) to improve cloud process parameterizations in large-scale models. Sustained and improved satellite observations are essential to evaluate large-scale models. A reanalysis of numerical prediction models with assimilation of cloud, aerosol, and precipitation observations would provide a valuable dataset for examining cloud interactions. The link between climate modeling and numerical weather prediction (NWP) may be exploited by evaluating how accurate cloud characteristics are represented by the parameterization schemes in NWP models. A systematic simplifi cation of large-scale models is an important avenue to isolate key processes linked to cloud–climate feedbacks and would guide the formulation of testable hypotheses for fi eld studies. Analyses of observation-derived correlations between cloud and aerosol properties in combination with modeling studies may allow aerosol–cloud interactions to be detected and quantifi ed. Reliable representations of cloud dynamic and physical processes in large-scale models are a prerequisite to assess aerosol indirect effects on a large scale with confi dence. To include aerosol indirect effects in a consistent manner, we recommend that a “radiative fl ux perturbation” approach be considered as a complement to radiative forcing.

Es wird ein Überblick über mögliche Auswirkungen des Klimawandels auf den Anbau von Futterpflanzen gegeben, um daraus eventuelle Auswirkungen auf den Ackerfutterbau im Freistaat Sachsen abzuleiten.

Quantifying the economic effects of climate change is a crucial step for planning adaptation in developing countries. This study assesses the economy-wide and regional effects of climate change induced productivity and labor supply shocks in agriculture in Ethiopia. The study shows, in worst case scenario, the effects on national GDP may add up to -8% with uneven regional effects ranging from -10% in agrarian regions (e.g. Amhara) to +2.5% in urbanized regions (e.g. Addis Ababa). Cost-free exogenous structural change scenarios in labor markets and transaction costs may offset about 20-30% of the ripple effects of climate change. Therefore, the ongoing structural transformation in the country may underpin the resilience of the economy to climate change. Nevertheless, given the role of agriculture in the current economic structure of the country and the potency of biophysical impacts of climate change, adaptation in the sector is indispensable. Otherwise, climate change may hamper economic progress of the country, and make rural livelihood unpredictable.

Der 4. Sachstandsbericht des IPCC im Jahre 2007 enthielt die deutliche Warnung an die globale Weltgemeinschaft, dass der Klimawandel bereits im Gange ist und umfassende Maßnahmen notwendig sein werden, um seine Folgen für Mensch und Umwelt im erträglichen Maß zu halten. Nicht zuletzt ist dies auch ein deutliches Signal an die Weltwirtschaft, sich intensiv mit dem Thema Klimawandel auseinander zu setzen und daraus geeignete Maßnahmen insbesondere zur Anpassung an den Klimawandel abzuleiten. Der Sachstandbericht des IPCC richtet seinen Appell aber auch an die Regionen, sich mit der Thematik auseinanderzusetzen, um Anpassungsstrategien an die besonderen klimatischen lokalen Besonderheiten zu entwickeln. Im Rahmen des Projektes REGKLAM, dem Regionalen Klimaanpassungsprogramm, werden in der Modellregion Sachsen eben diese Forderungen umgesetzt. Als ein für diese Region bedeutsamer Wirtschaftszweig ist unter anderem die Baubranche identifiziert worden. Zur Verschaffung eines ersten Überblicks über die Auswirkungen des Klimawandels und mögliche Anpassungsstrategien der Baubranche in der Modellregion Dresden sind Experteninterviews mit Vertretern von Bauunternehmen durchgeführt worden. Deren Aussagen werden mit Hilfe der Inhaltsanalyse untersucht, um neben den Erkenntnissen für die Region einen Abgleich mit der gegenwärtig existierenden Literatur zu diesem Thema vorzunehmen. In der wissenschaftlichen Literatur wird die Baubranche als Gewinner des Klimawandels angesehen. Die Ursache liegt in dem enormen Schadenspotential, das durch den Klimawandel verursacht wird und daher sich daher positiv auf den Absatz der Baubranche niederschlagen soll. Dass diese Aussage kritisch zu betrachten ist, zeigt die vorliegende wissenschaftliche Abhandlung, die die einzelnen Wertschöpfungsstufen, Stakeholder und unternehmerischen Rahmenbedingungen näher betrachtet, um daraus die von der Baubranche selber wahrgenommen Chancen und Risiken zu identifizieren.

Vor dem Hintergrund des Klimawandels, insbesondere der erwarteten zunehmenden Hitzebelastung, soll die Effektivität verschiedener städtebaulicher Klimaanpassungsmaßnahmen untersucht werden. Dabei werden mithilfe von Stadtklimasimulationen die Wirkungen verschiedener Klimaanpassungsmaßnahmen quantifiziert und miteinander verglichen. Um Aussagen für ganz Nordrhein-Westfalen treffen zu können, die Anzahl der Simulationen aber möglichst gering zu halten, werden nur ausgewählte, für Hitze besonders anfällige Stadtquartiere modelliert. Zum einen werden dafür Stadtquartiere in der Beispielstadt Bonn herangezogen, zum anderen aus der Bebauungsstrukturklassifizierung abgeleitete, schematisierte (idealisierte) Stadtstrukturen verwendet. Zur Klassifizierung der Bebauungsstrukturen auf Baublockebene wird ein automatisiertes Klassifikationsverfahren verwendet, in welches flächendeckend verfügbare Geodaten eingehen. Dabei werden die Bebauungsstrukturen, in erster Linie basierend auf der Gebäudegrundfläche, -höhe und -form, der Flächennutzung sowie des Versiegelungsgrades bestimmt. Die Bebauungsstrukturklassifizierung dient sowohl dazu, typische Stadtquartiere für die Stadtklimasimulationen abzuleiten als auch die Ergebnisse aus der Stadt Bonn und den idealisierten Stadtquartieren auf ganz Nordrhein-Westfalen übertragbar zu machen. Die Ergebnisse sollen abschließend den Kommunen in Nordrhein-Westfalen über ein Webtool zur Verfügung gestellt werden.

Dieser Leitfaden ist ein Ergebnis des Forschungs- und Entwicklungsvorhabens BiKliTour: „Tourismusregionen als Modellregionen zur Entwicklung von Anpassungsstrategien im Kontext Biologische Vielfalt, Tourismus und Klimawandel“. Ziel des Projekts war es, Handlungsempfehlungen zu erarbeiten, wie trotz diverser Gefährdungspotenziale durch den Klimawandel die touristische Nutzung und die biologische Vielfalt nachhaltig gesichert werden können. Die Ergebnisse des o. g. Vorhabens wurden für die Praxis aufbereitet und in Form dieses Leitfadens der Öffentlichkeit zur Verfügung gestellt.

Hauptursache für den Klimawandel und die damit verbundenen Entwicklungen sind die menschengemachten Emissionen von Treibhausgasen. Obwohl das Klimasystem träge reagiert, sind zunehmend auftretende Witterungsextreme bereits heute spürbar – auch hier bei uns. Die Dynamik der bedrohlichen Entwicklung wird künftig zunehmen.