Internationale Erfahrungen mit oeffentlich-privater Finanzierung der Verkehrsinfrastruktur
Bibliographic record
Abstract
Das weltweite Wirtschaftswachstum vergangenen Jahre hat zu einem steigenden Bedarf an Verkehrsinfrastruktur und entsprechender Finanzierung gefuehrt. Fuer den Zeitraum 2005 -2010 wird mit Investitionen in Verkehrsinfrastruktur von circa 330 Milliarden US-Dollar gerechnet (Asien 90 Milliarden, Westeuropa 72 Milliarden, USA 49 Milliarden, restliche Welt 118 Milliarden). Zur Verkehrsinfrastruktur zaehlen Strassen, die Schiene, Flughaefen und (See-) Haefen; zur Infrastruktur zaehlen darueber hinaus Telekommunikations-, Energieversorgungs- und Wasserversorgungsanlagen und -netze. In den letzten Jahren ist gleichzeitig ein signifikantes Wachstum so genannter Infrastrukturfonds festzustellen. Dazu zaehlen Infrastrukturfonds, die von spezialisierten Fondmanagern (zum Beispiel Macquarie, Morgan Stanley) verwaltet werden, Pensions-Fonds (zum Beispiel Ontario Teachers), Staatsfonds (zum Beispiel Mubadala) und Baufirmen (zum Beispiel Hochtief oder Ferrovial). Das verfuegbare Eigenkapital groesseren internationalen Fonds wird auf circa 145 Milliarden US-Dollar geschaetzt, welches unter Einbeziehung von Fremdkapital auf eine Anlagesumme von circa 900 Milliarden US-Dollar anwaechst. Die Infrastrukturfonds erhalten dabei unter anderem ihre Eigenkapitalmittel von institutionellen Anlegern wie zum Beispiel Pensionsfonds, Versicherern oder auch Privatanlegern und suchen daher langfristige Anlagemoeglichkeiten, die moderate Renditen bei ueberschaubarem Risiko versprechen. Verkehrsinfrastrukturprojekte sind somit ideale Anlageziele Fonds. Diese Investoren, Anlagekriterien und Finanzierungsinstrumente im jetzigen Kapitalmarktumfeld werden im vorliegenden Vortrag vorgestellt. Aus unterschiedlichen Gruenden (zum Beispiel Wirtschaftlichkeit, fehlende Mittel) sind die oeffentlichen Haushalte an Einbeziehung privater Investoren interessiert. Dabei kann es sich um die Privatisierung ganzer Unternehmen handeln (zum Beispiel BAA, Flughafen Budapest) oder um so genannte Public-Private-Partnerships, die beispielsweise seit circa 15 Jahren in Europa und Australien und seit circa fuenf Jahren in den USA umgesetzt werden. Auch in Deutschland wurden beispielsweise beim Bau von Strassen die so genannten A- und F-Modelle implementiert. Im Vortrag wird daher anhand zweier Beispiele aus dem Bereich der Strasse das Zusammenwirken oeffentlicher und privater Kapitalgeber im Hinblick auf die Finanzierung Projekte skizzieren. Am Ende des Vortrags wird die Frage aufgeworfen, welche Implikationen beziehungsweise Fragestellungen sich fuer Deutschland ergeben. (A) Der Beitrag liegt als Kurzfassung und als Praesentation vor. Beitrag zum ersten DVWG-Infrastrukturforum Droht Kollaps im Seehafenhinterlandverkehr? am 9. April 2008 in Hamburg. Siehe auch ITRD-Nummer D362148.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.003 | 0.004 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.001 | 0.005 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.034 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".