Oakens lov. Okuns koefficient: definition, formel

2024 Forfatter: Henry Conors | [email protected]. Sidst ændret: 2024-02-12 05:30

Okuns lov bruges ofte til at analysere den økonomiske situation. Koefficienten, som blev udledt af videnskabsmanden, karakteriserer forholdet mellem arbejdsløshed og vækstrater. Det blev opdaget på grundlag af empiriske data i 1962 af den videnskabsmand, som det blev opkaldt efter. Statistikker viser, at en stigning i arbejdsløsheden på 1 % fører til et fald i det faktiske BNP fra potentielt BNP med 2 %. Dette forhold er dog ikke konstant. Det kan variere efter stat og tidsperiode. Forholdet mellem kvartalsvise ændringer i arbejdsløsheden og re alt BNP er Okuns lov. Formlen, skal det bemærkes, er stadig kritiseret. Der sættes også spørgsmålstegn ved dets anvendelighed til at forklare markedsforhold.

Oakens lov

Koefficienten og loven bag den dukkede op som et resultat af behandlingen af statistiske data, det vil sige empiriske observationer. Det var ikke baseret på den oprindelige teori, som så blev testet i praksis. Arthur Melvin Oaken så mønsteret, mens han studerede amerikanske statistikker. Det er omtrentligt. Det er forbundet medDet faktum, at bruttonationalproduktet er påvirket af mange faktorer, og ikke kun arbejdsløsheden. Et så forenklet syn på forholdet mellem makroøkonomiske indikatorer er dog nogle gange også nyttigt, som Okens undersøgelse viser. Koefficienten udledt af videnskabsmanden viser et omvendt proportion alt forhold mellem produktionsvolumen og arbejdsløshedsprocenten. Okun mente, at stigningen på 2 % i BNP skyldtes følgende skift:

• fald i cyklisk arbejdsløshed med 1 %;
• 0,5 % stigning i beskæftigelsen;
• en stigning i antallet af arbejdstimer for hver arbejder med 0,5 %;
• 1 % stigning i produktiviteten.

Ved at reducere Okuns cykliske arbejdsløshed med 0,1 % kan vi således forvente, at re alt BNP vil stige med 0,2 %. Dette forhold varierer dog for forskellige lande og tidsperioder. Sammenhængen er testet i praksis for både BNP og BNP. Ifølge Martin Prachovny er et fald på 3 % i produktionen forbundet med et fald på 1 % i arbejdsløsheden. Han mener dog, at der kun er tale om en indirekte afhængighed. Ifølge Prachovny påvirkes produktionsmængderne ikke af arbejdsløshed, men af andre faktorer, såsom kapacitetsudnyttelse og antal arbejdstimer. Derfor skal de kasseres. Prachovny beregnede, at et fald på 1 % i arbejdsløsheden fører til en BNP-vækst på kun 0,7 %. Desuden bliver afhængigheden svagere over tid. I 2005 blev en analyse af nyere statistikker udført af Andrew Abel og Ben Bernanke. Ifølge dem er stigningenen arbejdsløshed på 1 % fører til et fald i produktionen på 2 %.

Reasons

Men hvorfor overstiger BNP-væksten den procentvise ændring i arbejdsløshedsraten? Der er flere forklaringer på dette:

• Handling af den multiplikative effekt. Jo flere der er ansat, jo større er efterspørgslen efter varer. Derfor kan produktionen vokse hurtigere end beskæftigelsen.
• Ufuldkommen statistik. Arbejdsløse kan simpelthen stoppe med at søge arbejde. Hvis dette sker, så forsvinder de fra statistiske bureauers "radar".
• Igen, de faktisk ansatte kan begynde at arbejde mindre. Det er praktisk t alt ikke vist i statistikken. Denne situation påvirker imidlertid produktionsmængderne betydeligt. Derfor kan vi med det samme antal ansatte faktisk få forskellige indikatorer for bruttoproduktet.
• Fald i arbejdsproduktivitet. Dette kan skyldes ikke kun en forringelse af organisationen, men også et for stort antal medarbejdere.

Oakens lov: formel

Introducer følgende konventioner:

• Y er reelt output.
• Y’ er potentielt bruttonationalprodukt.
• u er ægte arbejdsløshed.
• u’ er det naturlige niveau for den forrige indikator.
• c – Okuns koefficient.

Under hensyntagen til ovenstående konventioner kan vi udlede følgende formel: (Y’ – Y)/Y’=с(u – u’).

I USA, siden 1955, har det sidste tal norm alt været 2 eller 3, som dettevist af ovenstående empiriske undersøgelser. Denne version af Okuns lov bruges dog sjældent, fordi potentielle arbejdsløsheds- og bruttonationalproduktniveauer er svære at estimere. Der er en anden version af formlen.

Sådan beregner man BNP-vækst

For at beregne BNP-vækstraten introducerer vi følgende symboler:

• Y er det faktiske nummer.
• ∆u er ændringen i den faktiske arbejdsløshedsprocent sammenlignet med sidste år.
• C – Okuns koefficient.
• ∆Y er ændringen i det faktiske output fra sidste år.
• K er den gennemsnitlige årlige produktionsvækst ved fuld beskæftigelse.

Ved brug af disse notationer kan vi udlede følgende formel: ∆Y/Y=k – c∆u.

For den moderne periode i amerikansk historie er koefficienten C 2, og K er 3%. Således udledes ligningen: ∆Y/Y=0,03 - 2∆u.

Brug

At vide, hvordan man beregner Okuns forhold, hjælper ofte med trending. Men ofte er de resulterende tal ikke særlig nøjagtige. Dette skyldes variabiliteten af koefficienten for forskellige lande og tidsperioder. Derfor bør de modtagne forudsigelser om BNP-vækst som følge af jobskabelse tages i betragtning med en vis grad af skepsis. Desuden er kortsigtede tendenser mere præcise. Dette skyldes, at enhver markedsændring kan påvirke koefficienten.

I praksis

Antag, at arbejdsløsheden er 10 % ogfaktisk bruttonationalprodukt - 7500 milliarder valutaenheder.

Vi er nødt til at finde mængden af BNP, der kunne opnås, hvis arbejdsløsheden svarede til den naturlige indikator (6%). Dette problem løses nemt ved hjælp af Okuns lov. Koefficienten viser, at overskridelsen af den faktiske arbejdsløshed over den naturlige med 1 % fører til et tab på 2 % af BNP. Så først skal vi finde forskellen mellem 10% og 6%. Forskellen mellem den faktiske og den naturlige arbejdsløshed er således 4 %. Derefter er det let at forstå, at BNP i vores problem h alter efter sin potentielle værdi med 8 %. Lad os nu tage det faktiske bruttonationalprodukt som 100 %. Yderligere kan vi konkludere, at 108% af re alt BNP er 75001,08=8100 milliarder pengeenheder. Det skal forstås, at dette eksempel kun er et eksempel fra et økonomikursus. I virkeligheden kan situationen være en helt anden. Derfor er brugen af Okuns lov kun egnet til kortsigtede prognoser, hvor der ikke er behov for ekstremt nøjagtige målinger.