是什么导致贝弗里奇曲线在疫情期间在美国变高？

在大流行期间，是什么导致贝弗里奇曲线在美国走高？ Gene Kindberg - Hanlon和Michael GirardWP / 24 / 8 货币基金组织工作文件描述了作者正在进行的研究，并发表了这些论文，以引起评论并鼓励辩论。基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执行董事会或基金组织管理层的观点。 2024JAN IMF工作文件 研究部 在大流行期间，是什么导致贝弗里奇曲线在美国走高？由Gene Kindberg - Hanlon和Michael Girard编写 由Rafael Portillo授权分发2024年1月 货币基金组织工作文件描述了作者正在进行的研究，并发表了这些论文，以引起评论并鼓励辩论。基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执行董事会或基金组织管理层的观点。 摘要：在COVID大流行开始后，美国的贝弗里奇曲线大幅上升。2022年，所有行业的空缺率都达到了历史新高，而失业率降至大流行前的低点。与此同时，大流行导致了严重的劳动力短缺，我们估计，到2023年初，劳动力人数比趋势低了约200万。我们利用美国州一级的数据发现，较低的移民、较高的COVID超额死亡率以及老年工人劳动力参与率的下降与贝弗里奇曲线的较大向上变化有关。我们还发现，在接触密集型行业中就业集中度较高的州，其贝弗里奇曲线的向上位移更大。尽管在理论模型中已经显示了部门重新分配和重新雇用的影响，以提升贝弗里奇曲线，但我们表明，如果工人短缺增加了劳动的边际产品，也会导致贝弗里奇曲线向上移动。此结果在具有在职搜索的搜索和匹配模型中保持不变，但在没有在职搜索的情况下不保持不变。 工作文件 是什么导致了美国的贝弗里奇曲线在大流行期间向更高的方向移动？ 由Gene Kindberg - Hanlon和Michael Girard编写 Contents 1Introduction32文学53使用美国州级数据评估贝弗里奇曲线移动的协变量74导致劳动力短缺的因素125一种基于OJS的搜索与匹配模型166结论与展望25A模型27B估计匹配函数38 1Introduction 自COVID - 19大流行开始以来，美国的贝弗里奇曲线已经大幅上升（图1）。Beveridge曲线中失业率与职位空缺之间的反向关系反映了影响劳动力需求和失业工人群体的周期性因素，但关系的变化可以遵循一定范围的结构变化。到2022年底，失业率已回到大流行前的谷底约3 1 / 2％，这表明经济已从大流行冲击中基本周期性复苏，而空置率从大流行前的4 1 / 2％增加到约6 1 / 2％。空缺在广泛的行业中有所增加，而且增加的不仅限于受流行病影响最大的行业（图1）。贝弗里奇曲线的移动具有重要的宏观经济影响。例如，一些研究发现，空缺与失业率的比率，劳动力市场紧密度的度量与通货膨胀率之间存在非线性关系（Ball等人。，2022年；贝尼尼奥和埃格森，2023年)。自大流行以来，贝弗里奇曲线的转变意味着劳动力市场比失业率单独发出的信号更紧张。 利用州一级的数据，我们找到了对现有观点的支持，即疫情驱动的裁员和重新分配导致贝弗里奇曲线发生了变化，因为工人被重新雇用 进入他们以前的角色或新的部门和地点(Blachard等人。，2022年；菲古拉和沃勒，2022年)。在大流行恢复的早期，这一因素可能是最重要的。我们还发现，大流行带来的大量劳动力短缺推动了工人的激烈竞争，导致高招聘强度(进而导致空缺)、岗位间流动增加和裁员减少(图2)。我们估计，由于与COVID相关的死亡率，较低的老年工人参与率和较低的移民，到2023年初，劳动力人数约为200万。这种工人短缺，加上大流行导致的大规模初始裁员和重新分配效应，也是观察到的贝弗里奇曲线向上移动的重要原因。在2021-22年期间，相对于趋势的工人短缺高达400万，即使国内生产总值在2021年底恢复趋势。外生分离增加的影响，例如随着消费支出被大流行重定向，部门之间的重新分配，已经众所周知与贝弗里奇曲线的变化有关(Elsby等人。，2015)。据我们所知，工人短缺对贝弗里奇曲线的影响尚待研究。 我们发现，在搜索和匹配模型中，冲击会提升边际产品 劳动力的增加将导致贝弗里奇曲线的垂直移动。孤立地说，对劳动力供给的负面冲击将导致劳动力的边际产品上升和经济中的超额需求（正的产出缺口）（Gal '² et al。，2012)。新员工的更高回报激励公司承担更多空缺广告的更高成本，即使获得新公司与工人匹配的可能性很低。此外，虽然工人短缺会鼓励工人囤积，这应该通过降低离职率来降低贝弗里奇曲线，但在包含在职搜索（OJS此后）的模型中，情况并非如此。工人短缺将鼓励更大比例的工人从事OJS，以期获得更好的就业条件。OJS工人对公司工人匹配的竞争加剧，使失业工人无法获得给定数量的空缺。为了维持特定的失业率，空缺必须在均衡状态下更高。在校准模型中，我们发现，在关于大流行期间劳动边际产品上升的某些假设下，这种机制可以解释在低失业率下贝弗里奇曲线的正移动0.6个百分点。 本文的内容如下：我们首先概述了研究后 贝弗里奇曲线中的COVID变化以及关于OJS在理论框架中重要性的文献。然后，我们在后- 最后，我们概述了COVID驱动的整个美国劳动力减少，以及这如何在使用OJS增强的校准搜索和匹配模型中导致Beveridge曲线向上移动，并展示了COVID驱动的重新分配效应如何在同一模型中将Beveridge曲线移动得更高。 2文学 研究禽流感后贝弗里奇曲线变化的文献集中在曲线的斜率和曲线的位移上。Figra和Waller（2022）认为，贝弗里奇曲线明显向上垂直移动是一种错觉。具体而言，他们认为，在低失业率时，贝弗里奇曲线很陡峭，并且随着分离率最初上升，然后在COVID后下降，已经向内移动，这反映了部门劳动力重新分配的需要。在他们的框架中，陡峭倾斜的曲线向内移动会产生垂直移动的错觉。值得注意的是,它们在其理论框架或贝弗里奇曲线的参数估计中没有考虑OJS。Blachard et al.（2022年）表明，贝弗里奇曲线发生了垂直移动，曲线保持相对平坦，这意味着随着职位空缺的减少，就业方面的高权衡。他们的工作基于参数估计，其中包括反映OJS的工作间雇员数据，并得到历史经验的加强。Bi等人。（2022）。 找到历史证据表明，贝弗里奇曲线很少陡峭倾斜。 理论和实证工作已经研究了早期事件中贝弗里奇曲线向外移动的驱动因素。20世纪70年代，贝弗里奇曲线大幅向右移动，这可能是由于美国不同地区的增长不匹配所致。S.和有限的劳动力流动性，造成了美国各地劳动力需求和供应的不匹配S.国家（亚伯拉罕，1987）。这种对20世纪70年代结构变化的分析与我们对新冠肺炎后变化的分析有相似之处，因为我们注意到劳动力短缺可能是一个关键驱动因素。The.2008年全球金融危机后，美国贝弗里奇曲线也向外移动。这归因于匹配效率和搜索强度的恶化（Davis等人，2013年；Elsby等人，2010年）。 与我们论文最密切相关的工作特别将OJS纳入搜索和匹配模型，以解释COVID后的发展。Cheremhi和Restrepo - Echavarria (2022)认为，在双重劳动力市场格局中，失业者和就业者在不同的市场寻找工作，失业工人的贝弗里奇曲线在COVID后大致保持不变，而就业者的市场则保持陡峭。我们的框架是不同的，因为我们假设工人和失业者在同一市场上竞争工作，因此当更多的OJS发生时，失业工人会产生挤出效应。该特征导致贝弗里奇曲线的垂直移位。在一个程式化的框架中，Barlevy等人。(2023)还注意到OJS在推动疫情后贝弗里奇曲线变化方面的重要性。与我们的工作相反，他们将OJS的上升归因于工人在大流行后重新评估职业选择并寻求改善的工作与生活平衡。我们增加OJS的机制是不同的，相反，在劳动力短缺期间，工人被激励通过为工作转移者提供的工资来搜索。 我们注意到，搜索和匹配文献发现，OJS增加了这一类模型匹配劳动力市场数据的经验时刻的能力，但由于从事OJS的工人的不可观察性质，这些方法经常没有被采用。大约三分之一的招聘涉及使用CPS微观数据进行估计的工作到工作的过渡(Elsby等人。，2015年；Fallic和Fleischma，2004年），类似于职位空缺和劳动力流失调查（JOLTS）辞职和招聘数据所建议的。Fjita和Ramey (2012)发现具有OJS的模型更好地匹配U。S.相对于仅从失业过渡到就业的简单模型，劳动力市场动态。我们的模型包含Pissarides（1994）中首次提出的机制，该机制表明，在具有OJS和与任期相关的人力资本的模型中。 建筑，工人生产率的提高会导致贝弗里奇曲线的垂直移动。正是OJS模型的这一特征，我们将其与后COVID劳动力短缺联系起来，以解释贝弗里奇曲线向上移动的一部分。 3使用美国州级数据评估贝弗里奇曲线移动的协变量 为了评估我们认为劳动力短缺和重新分配在解释贝弗里奇曲线结构变化方面很重要的经验支持，我们利用了美国贝弗里奇曲线变化的交叉状态。我们首先使用以下规范分别在50个州和哥伦比亚特区估计一个简化的贝弗里奇曲线： Wheret是（每月）时间段，并且i是国家。v是空缺率，定义为JOLTS测量的空缺与劳动力的比率，以及u是失业率。平方失业率项允许关系中的非线性，并遵循亚伯拉罕（1987）使用的规范。1该规格是根据2001年至 end-2022,theavailablerangeoftheJOLTSdataforvaccances.Thespecificationincludesatime 趋势来解释自2000年以来美国曲线的上升漂移。虚拟变量(DMarch2020)确定自COVID大流行爆发以来截距的变化，并在2020年2月后取值为1。我们的估计显示每个州和COVID后的华盛顿特区，但差异很大，增幅从1.1到3.4个百分点不等。2 为了确定美国贝弗里奇曲线偏移的相关性，我们对截距的偏移进行回归以上估计在每个州(βi,1)在以下规范中的一系列变量上： WhereD是每个状态下估计的贝弗里奇曲线截距偏移的向量，X包含潜在的协变量，移位和β是系数的向量。这些包括与大流行驱动的部门中断有关的变量，以及与大流行对劳动力的影响有关的变量。具体来说，我们包括： 1.每个州的I-94临时工签证准入，相对于2019财年从2020年到2021年的延续率而言，缺口。数据来自国土安全部，以劳动力的比例表示。该数据显示了与工作相关的签证持有人及其家人进入每个州的人，并为每个州与工作相关的移民减少提供了代理。由于数据反映了以工作相关签证进入该国的情况，他们每年可以多次记录同一个人，并且还可以记录旅行减少的情况。然而，这一变量可以反映每个州移民工人的相对重要性，以及COVID在减少移民进入该州方面的影响。 2.2019年接触密集型行业的工人比例最容易受到COVID - 19大流行、休闲和酒店以及零售贸易行业的破坏。 3.国家间国内净移民的人口普查数据，以解释大流行后立即发生的大规模流动。3与签证签发的情况一样，这是根据2020-21年相对于2019年的累计缺口计算的。 4.人口普查网络国际移民，比纯粹以工人为重点的I-94工人入学所捕获的国际移民范围更广，并且更准确地反映了永久移民到一个州的人。相比之下，I-94准入可以捕获临时访问或旅行返回（但更具体的是工作而不是其他原因，例如学习和家庭原因）。 5.65岁以上的参与率在2019 - 21年间发生变化，以弥补这一年龄组参与率急剧下降导致的工人短缺。这个数字来自 3例如：https://www.census.gov/library/stories/2022/05/人口转移-城镇-pandemic.html CPS微观数据，不作为已发布的统计数据提供。 6.根据疾病预防控制中心国家卫生统计中心的计算，2020年至2021年之间15 - 64岁人群