Oaken's lov. Oaken koeffisient: definisjon, formel

Oakens lov brukes ofte til å analysere den økonomiske situasjonen. Koeffisienten, som ble utledet av forskeren, karakteriserer forholdet mellom arbeidsledighet og vekstraten. Det ble oppdaget på grunnlag av empiriske data i 1962 av en forsker, etter hvem han ble kalt. Statistikk viser at en økning i ledigheten med 1% fører til en nedgang i faktisk BNP fra en potensiell 2%. Dette forholdet er imidlertid ikke konstant. Det kan variere avhengig av tilstand og tidsperiode. Forholdet mellom kvartalsvise endringer i ledighet og reell BNP - dette er Oakens lov. Formelen, det skal bemerkes, blir fortsatt kritisert. Dets nytte for å forklare markedssituasjonen er også utspurt.

Oaken Law

Koeffisienten og loven bak den viste seg som et resultat av behandling av statistiske data, det vil si empiriske observasjoner. Det var ikke basert på den opprinnelige teorien, som deretter ble testet i praksis. Arthur Melvin Oaken så mønsteret, studerte statistikk over USA. Det er omtrentlig. Dette skyldes at bruttonasjonalproduktet påvirkes av mange faktorer, og ikke bare nivået på ledighet. En slik forenklet undersøkelse av forholdet mellom makroøkonomiske indikatorer er imidlertid også nyttig, slik det fremgår av Oakens studie. Den koeffisienten som utvinnes av forskeren, gjenspeiler et omvendt forholdsmessig forhold mellom produksjon og arbeidsledighet. Oaken mente at en økning i bruttoprodukt med 2% skyldes følgende skift:

• En nedgang i syklisk arbeidsledighet med 1%;
• Sysselsettingsveksten med 0,5%;
• En økning i antall arbeidstimer for hver arbeidstaker med 0,5%;
• Produktivitetsvekst med 1%.

Dermed kan vi redusere den sykliske Ouken-ledigheten med 0,1%, og vi kan forvente en økning i real BNP med 0,2%. Dette forholdet varierer imidlertid for forskjellige land og tidsperioder. Avhengigheten ble testet i praksis for både BNP og BNP. Ifølge Martin Pračovni skyldes en 3% reduksjon i produksjonen en nedgang på 1% i arbeidsledigheten. Han mener imidlertid at dette bare er en indirekte avhengighet. Ifølge Prachovny påvirkes produksjonsvolumet ikke av ledighet, men av andre faktorer, for eksempel utnyttelse av produksjonskapasitet og antall arbeidstimer. Derfor er det nødvendig å kaste dem bort. Prachovny anslår at en 1% reduksjon i ledigheten fører til BNP-vekst på bare 0,7%. Og avhengigheten blir mer og mer svak med tidenes forlengelse. I 2005 ble en analyse av nyere statistikk utført av Andrew Abel og Ben Bernarke. Ifølge deres estimater fører en økning i ledigheten med 1% til en nedgang i produksjonen med 2%.

årsaker

Men hvorfor BNP-vekstraten overstiger den prosentvise endringen i ledigheten? Dette kan gis flere forklaringer:

• Effekten av multiplikativ effekt. Jo flere personer er ansatt, desto større er etterspørselen etter varer. Derfor kan produksjonsvolumene vokse med en høyere rate enn sysselsettingsnivået.
• Imperfeksjon av statistikk. Arbeidsløse kan rett og slett slutte å lete etter jobb. Hvis dette skjer, forsvinner de fra "radar" av statistiske byråer.
• Igjen, faktisk travle mennesker kan begynne å jobbe mindre. I statistikk vises dette praktisk talt ikke. Denne situasjonen påvirker imidlertid produksjonsvolumene betydelig. Derfor, med det samme antall ansatte, kan vi faktisk få forskjellige indikatorer på bruttoprodukt.
• Redusere arbeidsproduktiviteten. Dette kan skyldes ikke bare forverringen av organisasjonen, men også for det store antall ansatte.

Oakens lov: formelen

Vi introduserer følgende notasjon:

• Y er den faktiske utgangen.
• Y 'er et potensielt bruttonasjonalprodukt.
• U er reell arbeidsledighet.
• U 'er det naturlige nivået for den forrige indikatoren.
• C er Oaken-koeffisienten.

Med tanke på ovennevnte notasjon kan vi utlede følgende formel: (Y '- Y) / Y' = c * (u - u ').

I USA, siden 1955, var den siste indikatoren vanligvis 2 eller 3, som vist ved de ovennevnte empiriske studier. Imidlertid brukes denne versjonen av Oakens lov sjelden, fordi potensielle nivåer av arbeidsledighet og bruttonasjonalprodukt er vanskelig å estimere. Det finnes en annen versjon av formelen.

Hvordan beregne BNP-veksten

For å beregne BNP-vekstnivå presenterer vi følgende notasjon:

• Y er den faktiske utgangen.
• Δu er endringen i den faktiske arbeidsledigheten sammenlignet med året før.
• C er Oaken-koeffisienten.
• ΔY er endringen i den faktiske produksjonen sammenlignet med året før.
• K - Gjennomsnittlig årlig produksjonsvekst ved full ansettelse.

Ved å bruke disse betegnelsene, kan vi utlede følgende formel: ΔY / Y = k - c * Δu.

For den moderne perioden i USAs historie er C-koeffisienten 2, og K er 3%. Dermed er ligningen avledet: ΔY / Y = 0,03-2Δu.

bruk av

Å vite hvordan å beregne Oaken-koeffisienten bidrar ofte til å bygge trender. Imidlertid er tallene som er oppnådd ofte ikke veldig nøyaktige. Dette skyldes variabiliteten av koeffisienten for forskjellige land og tidsperioder. Derfor er det nødvendig å ta hensyn til forventet BNP-vekst ved å skape jobber med litt skepsis. Og kortsiktige trender er mer nøyaktige. Dette skyldes at koeffisienten kan påvirke konjunkturendringer.

I praksis

Anta at ledigheten er 10%, og det faktiske bruttonasjonalproduktet er 7500 milliarder kroner.
Det er nødvendig å finne volumet av BNP som kunne oppnås dersom nivået på ledighet samsvarer med den naturlige indikatoren (6%). Dette problemet kan lett løses ved hjelp av Oakens lov. Koeffisienten viser at overskytelsen av den faktiske arbeidsledigheten over naturen med 1% fører til et tap på 2% av BNP. Derfor må vi først finne forskjellen mellom 10% og 6%. Dermed er forskjellen mellom den faktiske og den naturlige arbeidsledigheten 4%. Etter dette er det lett å forstå at BNP i vår oppgave ligger bak sin potensielle verdi med 8%. Ta nå det faktiske bruttoproduktet for 100%. Videre kan vi konkludere med at 108% av realt BNP er 7500 * 1,08 = 8100 milliarder monetære enheter. Det skal forstås at dette eksemplet bare er et eksempel fra økonomiens forløb. I virkeligheten kan situasjonen være helt annerledes. Derfor er bruken av Oaken-loven kun egnet for kortsiktig prognose, der det ikke er behov for ekstremt nøyaktige målinger.