扩大劳动力市场视角：两个新的欧元区劳动力指标

2025年8月 扩展劳动力市场视角：两项新的欧元区劳动力指标 Ece Fisgin，Joaquin Garcia-Cabo，Alex Haag，Mitch Lott 请引用此论文：Fisgin，Ece，Joaquin Garcia-Cabo，Alex Haag和Mitch Lott（2025）。“扩展劳动力市场视角：欧元区两个新劳动指标，《国际金融》讨论文件1415。华盛顿：联邦储备系统理事会，https://doi.org/10.17016/IFDP.2025.1415. 注意：国际金融讨论文件（ifdps）是初步材料，用于促进讨论和批评性评论。所提出的分析和结论是作者的观点，并不表示研究团队其他成员或董事会成员的同意。出版物中对国际金融讨论文件系列（除致谢外）的引用应经作者（们）同意，以保护这些文件的试探性特点。最近的ifdps可在网站www.federalreserve.gov/pubs/ifdp/上获得。本文可从社会科学研究网络电子图书馆www.ssrn.com免费下载。 扩展劳动力市场视角：两项新的欧元区劳动力指标∗ 2025年7月31日伊赛·费斯金†胡安·加西亚-卡波‡亚历克斯·豪格§米奇·洛特¶ 摘要 我们通过将22个劳动力市场指标的信息合并为两个综合性序列，对欧元区劳动力市场状况进行主成分分析。这两个新型指标分别提供了对欧元区劳动力市场当前状态和前瞻性方向的系统性视图，并且与现有指标相比，显示出更优越的预测性能。关键地，我们发现货币政策设计存在重要启示：局部投影分析表明，当劳动力市场前瞻性指标处于高位时，ECB货币政策冲击对通货膨胀和失业的影响都会减弱。减弱的通胀反应要求比标准泰勒规则所规定的更紧的政策利率路径。最后，我们表明，仅关注官方失业率可能会低估实际的劳动力市场闲置，因此，劳动力市场健康与通胀动态之间的权衡关系。 JEL分类：E24，E27，J63关键词：就业、失业、劳动力市场预测、欧洲劳动力市场 1 引言 劳动力市场状况在经济增长形成和货币政策决策中发挥着关键作用。许多央行，包括美联储和欧洲央行（ ECB ），依赖劳动力市场指标来识别潜在的通胀压力，并衡量整体经济健康状况以指导其政策选择。然而，这些指标本身可能对就业市场构成令人困惑的图景。因此，政策制定者可能需要审视一系列广泛的指标，以提取关于市场健康状况的正确信号。1 此外，就业率和失业率等传统指标本质上具有滞后性。这种局限性对欧元区国家尤为突出，因为劳动力调查通常按季度发布，可能导致政策分析延迟。尽管存在一些前瞻性指标，但它们往往无法直接反映与决策者最相关的具体劳动力市场状况。 在本文中，我们提出了一种系统方法，通过主成分分析法将 22 个劳动力市场指标的信息合并为两个综合性指标，以分析欧元区的劳动力市场状况：级别和动量.2 第一个指标，我们将其定义为级别，有效捕捉了历史趋势，包括欧洲主权债务危机和COVID-19大流行的影响。第二个指标，我们称之为动量,具有前瞻性，擅长检测劳动力市场动态的变化。这两个劳动力市场指标相比于传统的单变量衡量指标，为政策制定者提供了更全面、实时的劳动力市场动态视图，以更好地为政策选择提供信息。 我们的研究发现动量指示器在预测失业率变化方面优于现有的前瞻性指标。此外，我们证明了劳动力市场势头显著影响货币政策冲击向通胀和失业的传导。具体而言，较高的劳动力市场势头会减弱货币紧缩对失业和通胀的影响，从而可能影响政策干预的预期结果。 本研究采用的方法结合了来自欧洲统计局、欧洲央行和欧洲委员会等多个统计机构提供的广泛劳动力市场指标。我们使用主成分分析（PCA）将这些22个变量从2010年第二季度开始，以季度频率提取为两个主要成分：水平和动量。虽然这些指标提供的是季度值，但随着月度信息的完善，模型估计会实时更新。我们通过备选规格来评估模型的稳健性，包括较长时间序列和较少纳入变量。所有规格都有效地捕捉了欧元区劳动力市场在欧元区债务危机和COVID-19大流行等重要近期事件中的转折。 我们进行了几种形式的分析，以证明我们指标的实际应用。我们首先比较了我们的动量指标与现有的劳动力市场健康状况前瞻性指标（如欧洲委员会的就业预期指标（EEI）和欧洲劳动力市场晴雨表（LMB））的预测准确性。结果表明，我们的动量指标在多个规范和抽样期间预测失业率未来变化的方面，均优于EEI和LMB。 我们接着探讨动量对通货膨胀和失业率反应的影响 从 ECB 货币政策冲击乔罗茨基和卡拉迪(2020) 使用局部投影 (约尔达,2005).这项分析表明，强劲的劳动力市场势头显著减弱了货币政策收紧对通胀和失业率的影响。然后，我们使用经过校准的泰勒规则来检验其对货币政策设计的启示。我们证明，与通胀和失业率对劳动力市场势头不敏感的情况下的标准泰勒规则路径相比，强劲的劳动力市场势头时期会导致更高的政策利率。这些发现强调了在设计最优货币政策响应时，考虑劳动力市场的强度和方向的重要性。 最后，鉴于失业率和通货膨胀之间的重要关系，我们研究了基于模型的劳动力市场闲置度指标在菲利普斯曲线估计背景下与传统指标的比较情况。我们的结果表明，基于模型的失业率与通货膨胀之间存在比官方失业率为基础的闲置度指标更强的负相关关系，这表明仅关注官方失业率可能会低估劳动力市场健康与通货膨胀动态之间的实际权衡。 我们的研究，结合了广泛范围的变量并利用先进的统计技术，为经济学家和政策制定者提供了一个灵活且稳健的实时分析工具。本研究中展示的应用凸显了这些指标在提升货币政策决策和深化对欧元区劳动力市场动态理解方面的潜在用例。随着中央银行继续应对复杂的经济环境，在制定有效的货币政策响应时，开发提供对劳动力市场状况全新见解的工具具有突出价值。 2 相关文献 本文对两篇主要文献做出了贡献。首先，我们为旨在利用计量经济学方法高效结合劳动力市场数据以进行政策分析的现有文献做出了贡献。例如，并且与我们的方法最为相关，哈基奥和威尔斯(2013) 使用主成分分析（PCA）方法来开发堪萨斯城联邦储备银行劳动力市场状况月度指标，目前该指标包含24个美国劳动力市场变量。自建立以来，该模型一直提供及时的分析 (格劳バー等,2021此外，巴恩斯等人 (2007应用PCA构建美国劳动力市场变量的统计摘要，并证明近年来的工资压力与其指标的相关性优于标准失业率差距，尽管其指标在关注价格的历史行为时未必表现更好。）钟等人(2015)，使用动态因子模型，以及最近吉尔克里斯和霍比恩(2021)通过主成分分析，是其他使用大量劳动力市场变量来总结经济趋势的例子。我们的论文通过实施主成分分析方法来分析欧元区的劳动力市场，补充了这一文献。欧元区由20个欧洲国家组成，它们共享一项货币政策，但财政权责不同。据我们所知，我们是第一个使用这种方法分析一个拥有约2亿劳动者且面临不同于美国的劳动力市场制度和政策的经济体的论文(加西亚-卡博等,2023对于欧元区，最接近的可用指标是欧洲劳动力市场晴雨表，这是一个基于调查的衡量17个欧洲国家失业和就业前景的指标，以及欧洲委员会的就业预期指标（EEI）。我们的方法通过及时纳入欧元区整体经济以及个别国家的硬数据发布，提供了一个互补的视角，从而实现对劳动力市场状况的实时分析和预测。 衡量货币政策冲击的影响，具体针对欧元区。我们关注欧洲中央银行（ECB）货币政策的意外，作为欧元区共同货币政策当局，如文中所述。乔罗茨基和卡拉迪(2020)，从我们那里获得了一系列货币政策的意外情况，以应对在1999年1月至2024年12月期间发布的280个ECB政策公告。有充分的证据表明货币政策冲击对家庭进行了传导（例如克洛恩等(2019)和哈丁和克莱因(2022)), 以及传动与储蓄等不同家庭变量的交互(费雷拉等人,2025）。我们的工作在现有文献的基础上，研究了宏观经济变量如何与劳动力市场状态相互作用，以及当劳动力市场紧张时货币政策的传导如何受到抑制。 3 一种主成分分析：两个指标 本节描述了我们的分析中的变量选择，包括来源、覆盖的时间范围以及变量的标准化。然后，我们转向描述如何使用主成分分析创建我们的基线指标，并提供一些稳健性分析。 3.1 数据来源 我们的数据集利用了来自不同统计机构的广泛劳动力市场指标，包括欧洲联盟统计局（Eurostat）、欧洲中央银行和欧洲委员会，我们主要通过Haver Analytics获得这些数据。我们在表中呈现了所有指标和来源。A.1. 我们首先包括一组传统的季度指标，如失业率和未充分就业率、非自愿性兼职导致的未充分就业、长期失业、总工时和人均工作时数、职位空缺率、就业率、就业人口比、劳动力参与率、劳动力市场转换流动、欧洲央行专业预测者调查（SPF）对欧元区失业率的预测（提前8个月）、长期失业以及短期合同。 我们用按季度平均的月度指标来补充这一数据。在这些月度发布中，我们考虑了劳动囤积指标等几种前瞻性指标3 ，以及HCOB欧元区制造业和服务业就业采购经理人指数。我们还包含几个大型欧元区经济体的特定国家指标，包括法国劳工部（Ministre du Travail, de l’Emploi et de l’Insertion）积极寻找工作的人员、德国联邦就业局（Bundesagentur für Arbeit）的 Kurzarbeit Notice（短期工作津贴）以及意大利国家社会保障 институт（Istituto Nazionale Previdenza Sociale）的 Cassa Integrazione Guadagni（工资保障基金），这些指标支持企业在经济衰退期间维持就业水平。 最后，我们还纳入了欧盟委员会的前瞻性就业预期指标（EEI），这是一个综合衡量关键行业管理人员招聘意愿的指标，经过标准化以反映与历史就业预期的偏差。 3.2 序列归一化和时间框架 我们的基线分析将观测单位定义为季度频率。对于月度可用的指标，我们通过将月度指标平均到季度来构建季度对应指标。所有变量都进行了季节性调整。我们执行了额外的检查，以确保我们序列的 同质性和 一致性。首先，当一个季度的最终月度观测值缺失时，我们将最近的值前移以补全该季度。其次，所有变量都标准化为零均值和单位标准差，以便在不同指标之间进行比较。为了更容易解释，逆周期变量被反转，以便更高的值始终反映劳动力市场的改善，例如失业率或劳动力囤积。第三，具有短期历史记录的一组变量通过相关指标（具有较长的历史记录）的线性回归进行逆向预测，以扩展覆盖范围。4 利用得到的数据，我们构建了两个基线模型：一个从2010年第二季度开始，延伸至2025年第二季度，使用了所有讨论过的变量；还有一个更长的模型，从2004年第二季度延伸至2025年第二季度，并考虑了该时间范围内所有年份可用的数据子集。 3.3 主成分估计 我们接下来使用主成分分析法组合来自22个变量的信息，用于我们的基准模型。因此时间序列受限于序列的最新起始点，基准模型包含从2010:Q2到2025:Q2的数据。我们随后通过扩展分析期来评估模型的稳健性，尽管模型规模较小。 对估计成分的初步检查表明，前两个成分大约解释了数据总变异的80%。5 这个结果与哈基奥和威尔斯(2013）针对美国而言。因此，我们保留这两个初始分量，然后使用方差最大化法对其进行旋转，并预测得分以获得两个指标序列，这是本节的主要结果。 对第一主成分贡献最大的变量与欧元区劳动力市场的水平或当前健康状况相关，而第二主成分载荷最大的变量则具有更强的前瞻性，如表所示1.6 尤其地，第一个分量主要受到与劳动力市场当前状态相关的变量的贡献，即失业率和就业率、就业人口比、当前的未充分就业和长期失业指标，以及专业预测者调查的失业率预测。第二个分量主要来自前瞻性就业调查、短期工作指标和劳动力利用不足指标，以及工作时长，工作时长是调整集约边际上劳动力利用的一种灵活方式。 由于这些载荷的差异，第一个成分捕捉欧元区劳动力市场的总体水平或当前健康状况，第二个成分捕捉更前瞻的方