贝弗里奇曲线告诉我们软着陆的可能性是什么？

美国联邦储备委员会，华盛顿特区，ISSN 1936-2854（印刷版）ISSN 2767-3898（在线版） 贝弗里奇曲线告诉我们关于软着陆可能性的什么信息？ 请引用此论文如下：Figura, Andrew, 和 Chris Waller (2024). “What Does the Beveridge Curve Tell Us About Labor Market Dynamics?”关于软着陆的可能性？，”金融与经济讨论会2024-073. 华盛顿：美国联邦储备委员会理事会，https://doi.org/10.17016/FEDS.2024.073. 注意：金融与经济讨论系列（FEDS）中的员工工作论文是初步材料，用于激发讨论和批评性评论。本文所提出的分析和结论是作者的观点，并不代表研究团队成员或理事会成员的同意。在出版物中引用金融与经济讨论系列（除了致谢之外）的内容，应征得作者（们）的同意，以保护这些论文的初步性质。 贝弗里奇曲线告诉我们关于软着陆可能性的什么信息？* 安德鲁·菲古拉和克里斯·沃勒 2024年2月1日 摘要 任何关于劳动力市场软着陆可能性和特征的评价，都应考虑当前劳动力市场的状况以及未来劳动力市场可能的发展动态。围绕 Beveridge 曲线的现代劳动力市场模型是这一评估的有用工具。我们使用 Beveridge 曲线的一个简单模型来调查实现劳动力市场软着陆所需的条件，以及在大流行时期通货膨胀高峰期间这些条件出现的可能性。我们发现当时软着陆是一个可能的成果。自那时以来，劳动力市场的发展验证了这一预测。 本文为2023年10月13-14日圣路易斯联邦储备银行-杰德西经济发展委员会-圣加伦国际管理与发展学院-瑞士国民银行Gerzensee会议准备，对当时美国劳动力市场进行了解读。文中所述分析和结论均为作者观点，不代表研究团队其他成员或联邦储备委员会董事会的意见。我们感谢David Ratner、Charles Fleischman，以及《经济动力学与控制杂志》会议卷的编辑，以及一位匿名审稿人对本文提出的宝贵意见。所有错误均为我们自身所致。 任何关于劳动力市场软着陆的可能性和特征的评价，都应考虑当前劳动力市场的状况以及未来劳动力市场可能出现的动态。以贝弗里奇曲线为中心的现代劳动力市场模型是这项评估的有用工具。我们使用一个简单的贝弗里奇曲线模型来研究实现劳动力市场软着陆所需的条件，以及在大流行时期通货膨胀高峰期间这些条件的可能性。我们发现，当时软着陆是一个可能的结局。自那以后，劳动力市场的演变证实了这一预测。 引言 COVID大流行引发了美国和全球经济历史上前所未有的中断。在美国，2020年前半年的产出以接近20%的年率萎缩。美国失业率在短短两个月内急剧上升至接近15%，这是自1940年以来的最高水平，然后迅速下降，随着经济开始迅速复苏，以应对疫苗的快速发展、大规模财政刺激和非常宽松的货币政策。随着经济重新开放，职位空缺激增至前所未有的水平。与此同时，由于疫情期间移民和劳动力参与率急剧下降（对边境封锁和COVID担忧的回应），劳动供给远低于大流行前水平，导致严重的劳动力短缺。1在许多经济领域的需求远超供应，个人消费支出（PCE）通货膨胀，在过去十年中大部分时间都陷入低于2%的困境，在2022年第二季度飙升到近7%，而工资通货膨胀（按就业成本指数衡量）相对于疫情前水平翻了一番。 在如此极具挑战性的宏观经济环境中，一些观察者认为，在没有引发经济衰退的情况下，不可能将通货膨胀率降至2%。2评估这一论点和评估劳动市场和宏观经济可能结果的工具，关键在于贝弗里奇曲线。 Beveridge曲线是以威廉·贝弗里奇命名的，他首先注意到了失业和职位空缺之间曲线所描述的相关性。布兰查德和迪蒙德（1989，1990）强调了Beveridge曲线在理解影响劳动市场和宏观经济的多重冲击中的效用，并将Beveridge曲线带到了劳动和宏观经济分析的 forefront。Pissarides（2000）描述了Beveridge曲线的理论基础，这是下面所描述的简单模型的基础。该模型已成为现代劳动和宏观经济学的一个工作母机。 理论表明，沿向下倾斜的 Beveridge 曲线的变化源于劳动力需求的变化，而 Beveridge曲线的移动则是由于劳动力市场摩擦程度的变化所引起的，例如，由于失业者与职位空缺匹配效率的变化或工人跨工作机会再分配的速度变化。3 在我们的分析中，贝弗里奇曲线的两个方面特别值得关注。首先，正如Petosky-Nadeau、Zhang和Kuehn（2016）所强调的，贝弗里奇曲线高度非线性。在正常时期，当劳动力市场未处于贝弗里奇曲线的极端位置时，非线性通常可以安全地忽略。但2022年的前半部分是非常不寻常的 经济环境，使得考虑贝弗里奇曲线的非线性成为必要。其次，裁员速度的变化会影响贝弗里奇曲线，因此，在考虑劳动力需求变化时，重要的是要考虑这种变化是否会发生。在过去的周期性衰退中，裁员增加，推动贝弗里奇曲线向外移动，同时空缺率下降使经济沿着贝弗里奇曲线下降。因此，失业-空缺空间内的观察星座似乎描绘出一种相对平坦的关系。然而，在劳动力需求和空缺极高，劳动力短缺普遍的情况下，空缺可能下降而裁员不增加，或者至少，考虑这种可能性是明智的。在这种情况下，空缺-失业观察星座将不是描绘出相对陡峭的未移动的贝弗里奇曲线。 下一部分描述了 Beveridge 曲线的一个简单模型以及稳态失业率。然后，我们考察了在经济条件类似于 2022 年上半年的情况下，经济能够实现软着陆的条件。同时，我们也考虑了随着 Beveridge 曲线变得更加平缓和裁员增加，这种可能性如何改变。接下来，我们描述了从 2022 年初开始的劳动力市场演变，并将其与实现软着陆所需的条件进行比较。各种劳动力市场变量——职位空缺、裁员、离职和工资——的行为都符合实现软着陆的必要条件。最后，我们展示了自 2022 年初以来，美国劳动力市场职位空缺显著下降而失业率变化不大的现象，这也是美国区域劳动力市场和在疫情期间经历职位空缺激增的发达外国经济体劳动力市场的特征。因此，美国国家劳动力市场的近期事件并非偶然。相反，其在曲线上的陡峭程度 Beveridge curve 在空缺岗位极为高水平的背景下，似乎成为发达国家劳动力市场的更普遍特征。 贝弗里奇曲线的简单模型 我们首先介绍了我们的贝弗里奇曲线框架，这是一个相当标准的框架。在文献中，通常通过考虑个人进出失业状态的流动来解释劳动力市场的动态。因此，失业率的变化，ΔU，可以通过以下方式给出： 失业金流入等于分离率，乘以就业水平。E. 失业人数。我们注意到，我们的简单模型抽象了劳动力流入和流出的影响。在工作搜索和 job-to-job 流转。由于为了简单起见，我们使劳动力等于 1，就业等于 1 减去失业，即。在稳态中，进入失业的流转必须等于离开失业的流转，即上述方程的右侧$\\mathbf{U}$。因此，我们可以从失业的稳态方程导出 Beveridge 曲线，如方程 (1) 所示。4 重排此方程，得到稳态失业率的表达式，即方程（2）。5 因为失业流入和流出的流动相当高，实际失业率迅速收敛到稳态失业率，而稳态失业率通常与实际失业率紧密跟踪。6 职位寻找率可以通过匹配函数与以下相关：V-U比例。一个匹配函数，如方程式（3）所示，认为雇佣人数是职位空缺数量和寻找工作失业者数量的增函数：寻找工人的企业越多，寻找工作的工人越多，匹配或雇佣的人数就越多。 在许多文献中通常是标准的，我们假设匹配函数采取Cobb-Douglas形式。7在匹配函数中有两个关键参数：μ 和 σ。参数 μ 用于衡量匹配效率。匹配效率代表能够增加（或减少）的因素。 减少（hires）劳动力而不改变劳动力市场紧缩（tightness）。如果寻找工作的工人适合可用的职位，匹配效率将很高；另一方面，如果许多寻找工作的工人不适合可用的职位，匹配效率将很低。8参数σ捕捉了空缺职位在创造雇佣机会中的相对重要性。如果σ相对较低，空缺职位在创造匹配方面相对于失业工人来说相对不那么高效。 将方程（3）的两边除以失业率，我们得到方程（4），该方程将找到工作的比率表示为空缺职位与失业率之比，即劳动市场紧密度。 因为我们有方程（4）左右两侧的数据，我们可以对其进行估计，并得到与劳动力市场紧密度相关的就业弹性参数值 $\\sigma$ —控制 Beveridge 曲线曲率的关键参数——以及匹配效率。具体来说，我们使用最小二乘法（OLS）将（ ）回归到 JOLTS V, 美国劳工统计局（BLS）关于失业率的数据U BLS 长长长长长 on － 频率失业到就业的过渡f我们使用了2010年至2019年的数据。 我们现在解释这些数据选择和样本期间的依据，并考虑替代样本期间。我们使用失业到就业转变（u-to-e）的数据作为我们衡量就业情况的标准，因为我们认为它是最直接相关的衡量指标，当 分析失业率变化。首先，用于估计失业者到就业者转变的基本数据与用于计算失业率的当前人口调查（CPS）所使用的数据相同。此外，如方程（1）所示，在我们简单的模型中，从失业到就业的流动是理论上的正确衡量。相比之下，一些研究人员使用的JOLTS调查中的招聘包括从劳动力之外到就业以及岗位之间的流动，这些流动不会直接影响失业率。 正如Shimer（2012）所指出的，美国劳工统计局（BLS）发布的原始转换率存在时间聚合偏差。特别是，在月份t和月份t+1之间找到工作的某些失业人员在他们t+1期间的劳动力状态被观察到之前可能被解雇。因此，从失业到就业在t和t+1之间的真实风险率将因发布的转换率而低估。此外，偏差的程度会随着周期内解雇率的变化而变化。为了纠正时间聚合偏差，我们使用Shimer（2012）提出的方法来估计风险率。9 我们使用2010-2019的样本期间，因为在大萧条时期匹配效率发生了一次性水平变化，如图1所示。图1显示，在此期间，找到工作的比率相对于以下描述相当稳定。如方程（4）所示，这个比率等于匹配效率在“……”期间永久性下降。 匹配效率，其中我们使用我们偏好的大衰退估计值σσ，0.38，其中……。我们可以加入一个虚拟变量来控制这一转折点，从而将样本期扩展到2000年12月，那时JOLTS关于职位空缺的数据首次可用。我们还可以使用…… 数据来自“求人指数”以扩展我们的空缺岗位测量，正如Barnichon（2010）所述。如表1所示，在2001-2007年和2001-2019年（排除2008年和2009年）期间，对空缺岗位的估计与2010-2019年期间的估计相同。10在2000年之前的20年中，估计值略大。我们更倾向于使用最新数据的估计值，因为它采用了对职位空缺（JOLTS职位空缺）的一致估计 σσ。此外，较近的样本期可能反映了与当前市场更相似的劳动力市场。总的来说，我们跨各种样本期的估计相似，这表明对于美国劳动力市场来说，该参数在大约 的水平上相当稳定。我们偏好的估计值为0.38。虽然我们认为这些估计相当稳健，但我们还考虑了在替代值下我们的分析将如何变化。11 其他使用贝弗里奇曲线的工作基于文献中的先前估计进行校准。但这个参数在不同情况下可能并不相同。劳动力市场或不同就业寻找指标。由于我们的分析仅适用于美国劳动力市场以及u-至-e转换，我们认为使用相对较新的美国数据进行参数估计最为合适，尤其是在高质量数据可用的情况下。12 手头有匹配函数参数的估计值后，我们可以将求职的表达式代入方程（2），即稳态失业率，得到方程（5）。 方程（5）展示了空缺职位如何影响失业率。为了说明这种关系，我们保持匹配效率参数不变，解方程（5）的不同值。结果如图2所示，该图绘制了四条曲线，展示了不同分离率下空缺