Diese Arbeit beschäftigt sich mit der Verbreitung von erneuerbaren Energietechnologien in Deutschland. Grundlage der Analysen ist ein einmaliger Datensatz, der Aufstellungsort, Netzanbindungsdatum sowie Anlagengröße von allen bis 2011 installierten Photovoltaik-, Windkraft- und Biomasseanlagen zur Stromgewinnung enthält.

Die Verbreitung dieser Technologien wird seit dem Jahr 2000 durch das bundesweit gültige Erneuerbare-Energien-Gesetz gefördert. Anhand von Paneldatenschätzungen, die auf unterschiedlichen geographischen Aggregationsleveln zur Anwendung kommen, identifizieren wir sowohl fördernde als auch verbreitungshemmende Faktoren. Zudem decken wir Implikationen der Verbreitung erneuerbarer Energietechnologien auf.

Zunächst motivieren wir das Thema dieser Arbeit. Danach schaffen wir einen Literaturüberblick zum Thema Technologiediffusion. Zahlreiche Studien bestätigen, dass die Verbreitung einem S-förmigen, logistischen Verlauf folgt. Daraufhin beschreiben wir die institutionellen Rahmenbedingungen, aggregierte Trends und regionale Unterschiede in der Verbreitung von erneuerbaren Energietechnologien in Deutschland.

Das Ziel des nächsten Abschnitts dieser Arbeit ist, die Verbreitung von Photovoltaikanlagen in Deutschland quantitativ über Raum und Zeit zu analysieren. Wir überprüfen, ob Imitation die Verbreitung von Photovoltaikanlagen fördert. Wir aggregieren die Nutzungsdaten und verwenden ein epidemisches Diffusionsmodell mit einer räumlichen Komponente. Unsere Ergebnisse deuten darauf hin, dass imitierendes Adoptionsverhalten zwar örtlich stark begrenzt ist, aber dennoch einen wichtigen Faktor für die Verbreitung von Photovoltaikanlagen darstellt.

In dem darauffolgenden Abschnitt analysieren wir die Veränderung des Einflusses von Peer-Effekten (beziehungsweise Imitation) bei der Installation von Photovoltaikanlagen über Raum und Zeit. Den zuvor bereits genutzten Datensatz erweitern wir durch detaillierte Ortsinformationen zu potenziellen Nutzern der Technologie. Anhand eines diskreten Entscheidungsmodells bestätigen wir erneut, dass der identifizierte Peer-Effekt örtlich stark begrenzt ist. Zumeist tritt der Effekt innerhalb eines Radius von 500 Metern auf. Unsere Analyse zeigt auch, dass der Einfluss des Peer-Effekts, auf die Entscheidung eine Photovoltaikanlage zu installieren, mit der Zeit abnimmt.

Im nächsten Abschnitt machen wir uns den logistischen Verlauf von Diffusionskurven zunutze. Wir untersuchen, ob sich die Adoptionsrate von erneuerbaren Energietechnologien in deutschen NUTS-3-Regionen (Landkreisen und Kreisfreien Städten), in denen ein erfolgreicher Bürgerentscheid gegen den Bau einer bestimmten Anlage stattgefunden hat, von den restlichen NUTS-3-Regionen unterscheidet. Dabei nutzen wir, dass Bürgerentscheide in erster Linie auf Gemeindeebene gegen eine einzelne Anlage oder ein bestimmtes Baugebiet durchgeführt werden. Unsere Analyse ergibt, dass die Adoptionsrate, das heißt die erste Differenz des Diffusionslevels, tatsächlich in NUTS-3-Regionen niedriger ist, in denen ein erfolgreicher Bürgerentscheid durchgeführt wurde. Unser Ergebnis gilt für Windkraftanlagen und große Biomasseanlagen, folglich nur für industrielle Anlagen. Für Photovoltaikanlagen, die im Wesentlichen private Anlagen sind, gilt der Zusammenhang nicht. Unsere Ergebnisse weisen darauf hin, dass potenzielle Investoren in Windkraft- oder große Biomasseanlagen nicht nur Gemeinden meiden, in denen ein erfolgreicher Bürgerentscheid gegen die jeweilige Technologie durchgeführt wurde. Sie machen sogar einen Bogen um die gesamte NUTS-3-Region der Gemeinde.

Im letzten Abschnitt untersuchen wir Implikationen der Verbreitung von erneuerbaren Energietechnologien. Wir schätzen den Zusammenhang zwischen der Verbreitung von Photovoltaikanlagen und dem Stimmenanteil von Bündnis 90/Die Grünen bei Bundestagswahlen. Wir bilden die erste Differenz und verwenden das Diffusionslevel der Vorperiode als Instrument für die aktuelle Adoptionsrate. Das Diffusionslevel prädizieren wir durch eine logistische Diffusionskurve. Die unterschiedlichen Theorien über Nichtlinearitäten und die Allgegenwärtigkeit der logistischen Kurve hinsichtlich Technologiediffusion stellen sicher, dass sich unser prädiziertes Instrument orthogonal zu Variablen verhält, die Wahlverhalten direkt beeinflussen. Unsere Analyse zeigt, dass die Verbreitung von privaten Photovoltaikanlagen für ein Viertel des Stimmenzuwachses der Grünen zwischen 1998 und 2009 verantwortlich ist. Unsere Ergebnisse stützen wir durch eine abschließende Analyse von Umfragedaten des sozioökonomischen Panels.