Das Design von Handelsabkommen und Wertschöpfungsketten

Präferenzielle Handelsabkommen (PTAs) reduzieren Handelsbarrieren zwischen zwei oder mehreren Staaten, ohne diese Liberalisierung auf alle Staaten der Welt anzuwenden. Seit dem Zweiten Weltkrieg haben Staaten aus allen Weltregionen mehr als 800 solcher Abkommen unterzeichnet. Bekannte Beispiele sind die EU, das Abkommen zwischen den USA, Mexiko und Kanada und das Freihandelsabkommen zwischen China und Australien. Alle PTAs enthalten Bestimmungen zum Abbau von Zöllen im Warenverkehr. Eine wachsende Zahl von Abkommen regelt zudem den Handel mit Dienstleistungen, geistige Eigentumsrechte und ausländische Direktinvestitionen. Viele enthalten sogar Bestimmungen zum Umweltschutz, zu Arbeitsrechten oder zur Sicherheit. PTAs unterscheiden sich stark voneinander. Einige sind thematisch begrenzter als andere und einige enthalten mehr Verpflichtungen für Staaten als andere. Diese Unterschiede zu erfassen ist wichtig, um zu verstehen, warum Staaten PTAs unterzeichnen und welche Folgen diese für Handel, die Umwelt oder Arbeitsrechte haben. Bisher wurde die Ausgestaltung von PTAs hauptsächlich durch manuelle Kodierung gemessen. Das von den Antragstellern geleitete Design of Trade Agreements (DESTA) Projekt ist der ehrgeizigste Versuch dazu. Die manuelle Kodierung einer großen Anzahl von PTAs ist aber sowohl arbeitsintensiv als auch potenziell fehleranfällig. Die Personen, die den Abkommen Werte für eine große Anzahl von Themen zuweisen müssen (z. B. welche Arten von Umweltbestimmungen in einem Abkommen enthalten sind), benötigen sehr viel Fachwissen. Dies macht es schwierig, den Datensatz kontinuierlich zu aktualisieren, wenn neue Abkommen unterzeichnet werden. Mit diesem Projekt wollen wir deshalb einen neuen Ansatz entwickeln, der sich auf Machine Learning und computergestützte Textanalyse stützt, anstatt auf menschliche Kodierer. Unser Ziel ist es, einen Ansatz zu finden, der (fast) ohne menschliches Zutun gültige und zuverlässige Werte über die Inhalte und die Ausgestaltung von PTAs liefert. Zu diesem Zweck werden wir mit Large Language Models arbeiten, wobei wir die frühere manuelle Kodierung nutzen, um die Modelle für die konkreten Aufgaben zu trainieren. Die resultierenden Daten dienen dazu, neue Erkenntnisse über PTAs zu gewinnen. Dabei interessiert uns vor allem, wie Staaten PTAs gestalten, um auf globale Wertschöpfungsketten zu reagieren. Eine globale Wertschöpfungskette existiert, wenn die Produktion eines Gutes in mehreren Ländern stattfindet. Ein Auto wird zum Beispiel in einem Land entworfen, die Teile und Komponenten in einem anderen Land hergestellt und das Fahrzeug dann in einem dritten Land endmontiert. Wir wollen auch besser verstehen, wie stark PTAs zur Öffnung von Märkten beitragen und welche Bestimmungen von einem Abkommen in andere übernommen werden. Insgesamt entwickeln wir also eine neue Methode, um Daten über die Ausgestaltung von PTAs zu gewinnen, die es uns erlauben, die Schaffung, Evolution und Auswirkungen von PTAs besser zu verstehen.