Oakens lag. Okuns koefficient: definition, formel

2024 Författare: Henry Conors | [email protected]. Senast ändrad: 2024-02-12 13:06

Okuns lag används ofta för att analysera den ekonomiska situationen. Koefficienten, som härleddes av forskaren, kännetecknar förhållandet mellan arbetslösheten och tillväxttakten. Den upptäcktes på grundval av empiriska data 1962 av vetenskapsmannen som den döptes efter. Statistik visar att en ökning av arbetslösheten med 1 % leder till en minskning av faktisk BNP från potentiell BNP med 2 %. Detta förhållande är dock inte konstant. Det kan variera beroende på stat och tidsperiod. Sambandet mellan kvartalsvisa förändringar i arbetslösheten och real BNP är Okuns lag. Formeln, det bör noteras, kritiseras fortfarande. Dess användbarhet för att förklara marknadsförhållanden ifrågasätts också.

Oakens lag

Koefficienten och lagen bakom den dök upp som ett resultat av bearbetningen av statistiska data, det vill säga empiriska observationer. Den byggde inte på den ursprungliga teorin, som sedan testades i praktiken. Arthur Melvin Oaken såg mönstret när han studerade amerikansk statistik. Det är ungefärligt. Det är kopplat tillDet faktum att bruttonationalprodukten påverkas av många faktorer, och inte bara av arbetslösheten. En sådan förenklad syn på förhållandet mellan makroekonomiska indikatorer är dock ibland också användbar, vilket Okens studie visar. Koefficienten som härleds av vetenskapsmannen visar ett omvänt proportionellt förhållande mellan produktionsvolymen och arbetslösheten. Okun trodde att ökningen med 2 % i BNP berodde på följande förändringar:

fall i cyklisk arbetslöshet med 1 %;
0,5 % ökning av sysselsättningen;
en ökning av antalet arbetstimmar för varje arbetare med 0,5 %;
1 % ökning i produktivitet.

Genom att minska Okuns cykliska arbetslöshet med 0,1 % kan vi alltså förvänta oss att real BNP kommer att öka med 0,2 %. Detta förhållande varierar dock för olika länder och tidsperioder. Sambandet har prövats i praktiken för både BNP och BNP. Enligt Martin Prachovny är en minskning av produktionen med 3 % förknippad med en minskning av arbetslösheten med 1 %. Han menar dock att det bara är ett indirekt beroende. Enligt Prachovny påverkas produktionsvolymerna inte av arbetslöshet, utan av andra faktorer, såsom kapacitetsutnyttjande och antalet arbetade timmar. Därför måste de kasseras. Prachovny beräknade att en minskning av arbetslösheten med 1 % leder till en BNP-tillväxt på endast 0,7 %. Dessutom blir beroendet svagare med tiden. 2005 gjordes en analys av färsk statistik av Andrew Abel och Ben Bernanke. Enligt dem ökar ökningenarbetslöshet med 1 % leder till en minskning av produktionen med 2 %.

Reasons

Men varför överstiger BNP-tillväxten den procentuella förändringen av arbetslösheten? Det finns flera förklaringar till detta:

Aktion av den multiplikativa effekten. Ju fler sysselsatta, desto större efterfrågan på varor. Därför kan produktionen växa snabbare än sysselsättningen.
Ofullständig statistik. Arbetslösa individer kan helt enkelt sluta söka arbete. Om detta händer försvinner de från statistikbyråernas "radar".
Återigen, de som faktiskt är anställda kan börja arbeta mindre. Det visas praktiskt taget inte i statistiken. Denna situation påverkar dock produktionsvolymerna avsevärt. Därför kan vi, med samma antal anställda, faktiskt få olika indikatorer på bruttoprodukten.
Minskad arbetsproduktivitet. Detta kan bero inte bara på en försämring av organisationen, utan också på ett alltför stort antal anställda.

Oakens lag: formel

Introducera följande konventioner:

Y är verklig utdata.
Y’ är potentiell bruttonationalprodukt.
u är verklig arbetslöshet.
u’ är den naturliga nivån för föregående indikator.
c – Okuns koefficient.

Med hänsyn till ovanstående konventioner kan vi härleda följande formel: (Y’ – Y)/Y’=с(u – u’).

I USA, sedan 1955, har den senaste siffran vanligtvis varit 2 eller 3, så härvisat av ovanstående empiriska studier. Denna version av Okuns lag används dock sällan eftersom potentiella arbetslöshets- och bruttonationalproduktnivåer är svåra att uppskatta. Det finns en annan version av formeln.

Hur man beräknar BNP-tillväxt

För att beräkna BNP-tillväxttakten introducerar vi följande symboler:

Y är den faktiska emissionsvolymen.
∆u är förändringen i den faktiska arbetslösheten jämfört med förra året.
C – Okuns koefficient.
∆Y är förändringen i faktisk produktion från förra året.
K är den genomsnittliga årliga produktionstillväxten vid full sysselsättning.

Med hjälp av dessa beteckningar kan vi härleda följande formel: ∆Y/Y=k – c∆u.

För den moderna perioden i USA:s historia är koefficienten C 2 och K är 3%. Således härleds ekvationen: ∆Y/Y=0,03 - 2∆u.

Använd

Att veta hur man beräknar Okuns förhållande hjälper ofta med trending. Men ofta är de resulterande siffrorna inte särskilt exakta. Detta beror på variabiliteten av koefficienten för olika länder och tidsperioder. Därför bör de mottagna prognoserna om BNP-tillväxt till följd av skapande av arbetstillfällen beaktas med en viss grad av skepsis. Dessutom är kortsiktiga trender mer korrekta. Detta beror på att eventuella marknadsförändringar kan påverka koefficienten.

I praktiken

Anta att arbetslösheten är 10 % ochfaktisk bruttonationalprodukt - 7500 miljarder valutaenheter.

Vi måste hitta mängden BNP som skulle kunna uppnås om arbetslösheten motsvarade den naturliga indikatorn (6 %). Detta problem löses enkelt med Okuns lag. Koefficienten visar att överskridandet av den faktiska arbetslösheten jämfört med den naturliga med 1 % leder till en förlust på 2 % av BNP. Så först måste vi hitta skillnaden mellan 10% och 6%. Således är skillnaden mellan den faktiska och naturliga arbetslösheten 4 %. Därefter är det lätt att förstå att BNP i vårt problem släpar efter sitt potentiella värde med 8%. Låt oss nu ta den faktiska bruttonationalprodukten som 100 %. Vidare kan vi dra slutsatsen att 108% av real BNP är 75001,08=8100 miljarder monetära enheter. Det måste förstås att detta exempel bara är ett exempel från en ekonomikurs. I verkligheten kan situationen vara en helt annan. Därför är användningen av Okuns lag endast lämplig för korttidsprognoser, där det inte finns något behov av extremt noggranna mätningar.