Advertisement

Die Bestimmung der strukturellen Arbeitslosenquote: Alternative Methoden

  • Christian Jasperneite
Chapter
  • 23 Downloads
Part of the DUV Wirtschaftswissenschaft book series (DUVWW)

Zusammenfassung

Im Kapitel 4 wurden in einer graphischen Analyse die Mechanismen bestimmt, welche das Niveau der strukturellen Arbeitslosenquote beeinflussen; die gewählte graphische Analyse war allerdings nicht in der Lage, quantitative Aussagen über das exakte Niveau der strukturellen Arbeitslosenquote zu machen. Es muß daher nach einem alternativen Verfahren gesucht werden, das eine quantitative Bestimmung der strukturellen Arbeitslosenquote zuläßt. Dazu werden in diesem Kapitel zunächst Modelle besprochen, die sich zumindest prinzipiell für eine derartige Bestimmung eignen könnten. Diese Modelle werden im Rahmen des Kapitels auf ihre Eignung hinsichtlich der exakten Bestimmung einer strukturellen Komponente der Arbeitslosigkeit geprüft; neben ökonometrischen Kriterien steht die grundsätzliche theoretische Eignung sowie die Frage nach der Kompatibilität mit dem graphischen Konsen-modell aus Kapitel 3 im Vordergund.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Dabei fließen in die Berechnungen Daten für 1997 und 1998 ein, die von der OECD (1997) für diesen Zeitraum geschätzt wurden. Die Verwendung geschätzter Daten ist deswegen notwendig, um sog. Endpunktprobleme bei Glättungen von Zeitreihen zu verhindern. Ohne die Verwendung solcher Schätzungen wurden die Berechnungen bezüglich des Jahres 1995 ungenau ausfallen, wobei bei allen entscheidenden Berechnungen folgender Kapitel auch nur Werte bis 1995 ökonomisch interpretiert werden. In diesem Zusammenhang soll schon an dieser Stelle darauf verwiesen werden, daß der jeweilige Stützzeitraum einiger Berechnungen auch aus Sub-perioden des Zeitraumes von 1980–1998 bestehen kann. Derartige (Regressions-)Analysen mit z.B. 10 Datenpukten sind i.d.R. nicht dazu geeignet, stabile Regressionskoeffizienten herzuleiten, wodurch die Verläßlichkeit in derartige Ergebnisse eingeschränkt ist. Auf der anderen Seite wird sich zeigen, daß es bei einigen Methoden keine Alternative zur Verwendung dieser besonders kurzen Stützzeiträume gibt, da die Ergebnisse sonst aus anderen Gründen einer jeden Sinnhaftigkeit entbehren.Google Scholar
  2. 2.
    Vgl. OECD (1997) und OECD (1998).Google Scholar
  3. 3.
    Vgl. Bruno und Sachs (1985), Kapitel 11.Google Scholar
  4. 4.
    Vgl. Bruno und Sachs (1985), S. 220.Google Scholar
  5. 5.
    Vgl. Brunu und Sachs (1985), S. 221.Google Scholar
  6. 6.
    Vgl. Hauser, Kleinhenz et al. (1996), S. 67.Google Scholar
  7. 7.
    Einen Einblick in die Schwierigkeiten der Harmonisierung bei unterschiedlichen nationalen Definitionen gibt z.B. das Statistische Amt der Europäischen Gemeinschaften (1987), insbesondere S. 1–17.Google Scholar
  8. 8.
    Auf Heteroskedastie, Multikolliniaritäten und das Identifikationsproblem soll aus Gründen der Übersichtlichkeit an dieser Stelle nicht eingegangen werden; die Aspekte werden in den jeweiligen Kapiteln problematisiert, in denen ein konkreter inhaltlicher Anlaß dazu besteht.Google Scholar
  9. 9.
    Vgl. Schneeweiß (1978), S. 186.Google Scholar
  10. 10.
    Vgl. Assenmacher (1995), S. 149.Google Scholar
  11. 11.
    Vgl. Schneeweiß (1978), S. 189.Google Scholar
  12. 12.
    Vgl. Schneeweiß (1978), S. 189.Google Scholar
  13. 13.
    Vgl. Durbin und Watson (1951), S. 159–178. Im Fall endogener verzögerter Variablen in einer Regressionsgleichung ist die Durbin-Watson-Statistik systematisch gegen den Wert 2 verzerrt. Dies muß bei der Interpretation der Ergebnisse berücksichtigt werden.Google Scholar
  14. 14.
    Vgl. zu dem Problemkomplex der Nichtstationarität von Zeitreihen beispielsweise Eckey, Kosfeld und Dreger (1995), S. 197 ff.Google Scholar
  15. 15.
    Vgl.Jerger(1991),S.471.Google Scholar
  16. 16.
    Vgl. dazu beispielsweise Lilien et al. (1996), S. 271.Google Scholar
  17. 17.
    Vgl.Jerger(1991),S.474.Google Scholar
  18. 18.
    Vgl. Johansen (1991), S. 271.Google Scholar
  19. 19.
    Sind die Zeitreihen von einer unterschiedlichen Ordnung integriert — und das ist bei den folgenden Untersuchungen häufig der Fall — dann ist die Anwendung des Johansen-Testes überflüssig. Die Überprüfung der Integrationsordnung geschieht mit Hilfe des erweiterten Dicky-Fuller-Testes.Google Scholar
  20. 20.
    Vgl. dazu beispielsweise Harvey (1994), S. 293 ff.Google Scholar
  21. 21.
    Vgl. dazu beispielsweise Setterfield (1996), S. 64 ff., wo er schreibt: „Since cointegration is a necessary condition for the existence of any long-run relationship between two (or more) variables, it can be interpreted as a necessary condition for the existence of a long-run equilibrium relationship such as that postulated [in the NAIRU-equation].“Google Scholar
  22. 22.
    Vgl. Greene (1993), S. 567.Google Scholar
  23. 23.
    Setterfield (1996) lehnt das Konzept der NAIRU sogar ab und stellt es als ein statistisches Artefakt dar, da er in seinen Untersuchungen keine Kointegration zwischen den Variablen zur Berechnung der NAIRU finden kann. Es stellt sich hier allerdings die Frage, ob aufgrund dieser Tatsache das ganze NAIRU-Konzept verworfen werden muß. Vielmehr scheint hier ein Problem bei der Spezifikation der NAIRU-Berechnung vorzuliegen. Wenn die Methode der NAIRU-Berechnung Variablen enthält, die nicht kointegriert sind, dann ist dies u.U. ein Reflex der gewählten (und mitunter vielleicht fehlspezifizierten) Methode und nicht unbedingt Grund zur Ablehnung des ganzen Konzeptes. 24 Vgl. Phillips und Perron (1988).Google Scholar
  24. 25.
    Dabei werden die Residuen der statischen Regression (die statische Regression ist die Regression kointegrierter Zeitreihen auf Niveauebene) als Fehlerkorrekturterm in einer dynamischen first-difference-Regression verwendet, vgl. dazu auch Greene (1993), S. 567.Google Scholar
  25. 26.
    Eine Übersicht hinsichtlich ökonometrischer Probleme bei Strukturbrüchen findet sich beispielsweise bei Gujarati (1995), S. 262–265.Google Scholar
  26. 27.
    Hier ist zu unterscheiden zwischen einem a priori bekannten Zeitpunkt, an dem sich das Modell möglicherweise geändert haben könnte (z.B. die Geldnachfrage in Deutschland nach der Wiedervereinigung 1990) und einer langsamen Veränderung der Koeffizienten im Zeitablauf (z.B. ein sich langsam vollziehender Strukturwandel und dessen Wirkungen auf ein Modell). Derartige Strukturbrüche lassen sich mit einer Vielzahl von Strukturbruchtests feststellen. Dazu gehört beispielsweise der Chow-Breakpoint-Test, mit dessen Hilfe eine Schätzung des Modells für die Zeit vor dem Strukturbruch, nach dem (vermuteten) Strukturbruch und für die gesamte Zeitperiode durchgeführt wird. Der Chow-Breakpoint-Test stellt einen F-Test für die Gleichheit der Koeffizienten aller drei Schätzperioden dar. Alternativ wird häufig der Chow-Forecast-Test eingesetzt, der ein Modell bis zu einem (vermuteten) Strukturbruch testet. Auf Basis der so erhaltenen Schätzgleichung wird dann eine Vorhersage für den restlichen Zeitraum nach dem (vermuteten) Strukturbruch erstellt; der Test prüft auf signifikante Abweichungen zwischen den Residuen der geschätzten Periode und der prognostizierten Periode. Üblich ist auch der CuSum2-Test, mit dessen Hilfe die Quadrate der rekursiven Residuen (Residuen, die sich aufgrund der Schätzung der Folgeperiode im Anschluß an das Ende des Stützzeitraumes ergeben) in Relation zu einem Konfidenzband gestellt werden. Dieser Test hat im Vergleich zu den Chow-Tests den Vorteil, daß er nicht auf Vermutungen hinsichtlich denkbarer Strukturbrüche angewiesen ist.Google Scholar
  27. 28.
    Eine Fehlspezifikation einer Schätzgleichung auf Basis strukturbruchbehafteter Zeitreihen ließe sich nur vermeiden, wenn mit Hilfe exakter institutioneller Kenntnisse beispielsweise mit Dummyvariablen diese Strukturbrüche abgebildet werden könnten. In der Realität stellt dies aber ein schwer durchführbares Verfahren dar.Google Scholar
  28. 29.
    Beispielsweise die Verhinderung von Multikollinearität oder die Maximierung des (adjusted) R2. Google Scholar
  29. 30.
    Der hier verwendete Stützzeitraum ist für ökonometrische Analysen überaus kurz, was vor allem zu einer gewissen Unstabilität der Regressoren führt. Auf der anderen Seite soll mit der erhaltenen Gleichung eine strukturelle Arbeitslosenquote bestimmt werden können, die dann für den ganzen Stützzeitraum Gültigkeit besitzt. Aufgrund institutioneller Änderungen wäre dies bei langen Stützzeiträumen schon per Definition nicht möglich.Google Scholar
  30. 31.
    Dabei muß eingeräumt werden, daß eine solche Vorgehensweise theoretischer Natur ist; dies ist aber in diesem Zusammenhang nicht problematisch, da es hier nur um ein „Experiment“ zur Dokumentation einer kritisch zu beurteilenden Verfahrensweise geht.Google Scholar
  31. 32.
    Auf Angaben bezüglich der einzelnen Sig-T-Werte und des Johannson-Tests sowie des Durbin-Watson-Tests wurde hier aus Gründen der Übersichtlichkeit verzichtet. Zudem sei darauf verwiesen, daß für die meisten Länder keine Reintegration der Variablen nachgewiesen werden kann, was als ein Hinweis für die nicht vorhandenen Gleichgewichtseigenschaften der länderspezifischen Modelle gewertet werden kann. Die Toleranz-Werte bestätigen die Nichtexis-tenz von Multikollinearitäten, die für diese Form der Regressionsberechnung (multiple lineare OLS-Regression) nicht erwünscht sind.Google Scholar
  32. 33.
    Für eine kurze Abhandlung der Problematik der „spurious regression“ vgl. beispielsweise Gujarati (1995), S. 724 f.Google Scholar
  33. 34.
    Die gleiche Berechnung wurde auch für den Zeitraum von 1980 bis 1989 durchgeführt. Die Ergebnisse sind mit denen für die 90er Jahre vergleichbar.Google Scholar
  34. 35.
    Das folgende Kapitel orientiert sich hinsichtlich Aufbau und Inhalt an den dazu einschlägigen Ausführungen von Drèze und Bean (1990), S. 1–65; siehe dazu aber auch Europäische Kommission (1995), S. 135–155.Google Scholar
  35. 36.
    Siehe bezüglich dieser ökonometrischen Schätzmethode auch Europäische Kommission (1995), S. 149 f.Google Scholar
  36. 37.
    Vgl. Lambert (1988), S. 57.Google Scholar
  37. 38.
    Es soll im folgenden auf die konkrete Schätzmethode nicht eingegangen werden.Google Scholar
  38. 39.
    Die Aussage kann auch so verstanden werden, daß im makroökonomischen Gleichgewicht nur eine strukturelle Arbeitslosigkeit herrscht, die identisch ist mit der Arbeitslosenquote.Google Scholar
  39. 40.
    Bezüglich des Mismatches und seiner Bedeutung für Entwicklungen auf dem Arbeitsmarkt siehe auch Kleinhenz (1995), S. 39 f.Google Scholar
  40. 41.
    Es wird sich allerdings zeigen, daß dies nicht für alle Bewegungen der Beveridge-Kurve gilt.Google Scholar
  41. 42.
    Siehe beispielsweise Elmeskov und MacFarlan (1993), S. 62 ff.Google Scholar
  42. 43.
    Vgl. Winter-Ebmer (1991), S. 46 f. oder Bellmann und Jackman (1996a), S. 727.Google Scholar
  43. 44.
    Siehe beispielsweise Layard und Bean (1989), S. 378.Google Scholar
  44. 45.
    Vgl Drèze und Bean (1990), S. 26.Google Scholar
  45. 46.
    Vgl. Neudorfer, Pichelman und Wagner (1990), S. 116.Google Scholar
  46. 47.
    Einige Autoren sehen allerdings auch in einer Rechtsverschiebung der Beveridge-Kurve einen Indikator für zunehmende Mismatch-Arbeitslosigkeit, ohne auf die Möglichkeit der Existenz eines Persistenz-Effektes einzugehen, vgl. beispielsweise Beißinger (1996), S. 162 f.Google Scholar
  47. 48.
    Dieses Verfahren wird angewandt von Elmeskov und MacFarlan (1993), S. 63 ff.Google Scholar
  48. 49.
    So werden die Vakanzzahlen in den USA nicht erfaßt (Winter-Ebmer, (1991), S. 61). Aber auch in vielen anderen Ländern ist der Einschaltungsgrad (Bedeutung der Arbeitsämter für die Vermittlung von Arbeitssuchenden) der Arbeitsämter so gering, daß es sich bei den Statistiken bezüglich der Vakanzzahlen um sehr „weiche Statistiken“ handelt. Auch bezüglich Deutschland stellt sich die Frage, ob die Zahl der offenen Stellen wirklich so niedrig ist wie ausgewiesen, oder ob nicht im Laufe der Jahre die „Meldemoral“ nachgelassen hat. Sollte das der Fall sein, dann würde die Beveridge-Kurve sich nach rechts außen und nicht nur nach rechts verschoben haben. Vgl. vor diesem Hintergrund auch Franz (1987) mit einer Analyse der strukturellen und friktioneilen Arbeitslosigkeit unter Berücksichtigung des Beveridge-Kurven-Konzeptes in Deutschland.Google Scholar
  49. 50.
    Vgl. Hodrick-Prescott (1980) sowie Prescott und Kydland (1990).Google Scholar
  50. 51.
    Vgl. Giorno et al (1995), S. 171 f.Google Scholar
  51. 52.
    Vgl. Giorno et al (1995), S. 171 f.Google Scholar
  52. 53.
    Hieraus ergibt sich bei der konkreten Anwendung ein Dilemma: Wird der Wert der Dämp-fungsvariablen niedrig gewählt, dann bestünde u.U. die Gefahr, daß die konjunkturelle Komponente zu sehr in die Trendkurve eingeht, was aufgrund der Zielsetzung grundsätzlich vermieden werden sollte. Wird der Wert deswegen besonders hoch gewählt, dann besteht die Gefahr, daß auch exogene Schocks nicht mehr abgebildet werden können. Auch eine zeitnahe Berücksichtigung von Hysteresiseffekten wäre dann mit diesem Verfahren kaum noch möglich. Aufgrund dieser Probleme unterliegt die Wahl des Dämpfungsparameters λ einer gewissen Willkürlichkeit. Für die Berechnungen in den folgenden Kapiteln wird — wenn nicht anders vermerkt — für den Parameter λ der eher durchschnittlich hohe und von Hodrick und Prescott selbst vorgeschlagene und verwendete Wert 100 gewählt (dabei bezieht sich die Angabe auf die Dämpfung von Jahreswerten), was inzwischen einer in der Literatur üblichen Vorgehensweise entspricht.Google Scholar
  53. 54.
    Vgl. Krugman (1994), S. 114.Google Scholar
  54. 55.
    Auch hier ergibt sich wieder das grundsätzliche Problem kurzer Stützzeiträume; würden die Stützzeiträume allerdings länger gewählt, dann wäre die so ermittelte strukturelle Arbeitslosenquote aufgrund von Hysteresiseffekten in vielen Ländern für nicht unwesentliche Teile des (längeren) Stützzeitraumes nicht mehr repräsentativ.Google Scholar
  55. 56.
    Der folgenden Erläuterung der Berechnung des Output-Gaps wurde auch deswegen viel Raum gegeben, weil im Rahmen der Arbeit das Konzept des Output-Gaps noch mehrmals bei öko-nometrischen Verfahren eine bedeutende Rolle einnimmt und sich die Werte des Output-Gaps stark unterscheiden, je nachdem, welches Meßkonzept zugrunde gelegt wird, siehe auch Giorno et al. (1995), S. 180 ff.Google Scholar
  56. 58.
    Der wesentliche Unterschied liegt darin, daß bei der Berechnung bezüglich des Preisindexes nicht auf den sog. BSP-Deflator zurückgegriffen wird (wie bei der NAIRU-Berechnung), sondern auf den sog. Lohn-Deflator.Google Scholar
  57. 59.
    Vgl. Giorno et al. (1995), S. 172 f. Siehe zu dieser Thematik auch Torres und Martin (1989) sowie Torres et al. (1989).Google Scholar
  58. 60.
    Auch hier sind die Stützzeiträume wieder sehr kurz, was aus ökonometrischer Sicht als problematisch einzustufen ist. Eine Verlängerung der Stützzeiträume hätte aber wieder den Nachteil, daß es schon aufgrund ökonomischer Überlegungen unplausibel erscheint, eine SALQ für einen Stützzeitraum von z.B. 20 Jahren anzugeben. Aus Gründen der Übersichtlichkeit wird auf Angaben zum Signifikanzniveau des Parameters b verzichtet.Google Scholar
  59. 61.
    Die Häufung von Zeitreihen ohne Kointegrationsbeziehung vermag hier nicht zu überraschen, sondern entspricht den Erwartungen; schließlich beinhaltet die Regressionsgleichung (5–19) eine Variable auf Niveauebene mit einer starken Anfälligkeit für Trendbehaftung (u) sowie eine Variable, die per Definition keinem langfristigen Trend unterliegen kann (Output-Gap).Google Scholar
  60. 62.
    Die Berechnungen bezüglich der Reintegration und der Stationarität der Variablen wurden auf den längeren Zeitraum von 1980–1998 bezogen, da eine kürzere Periode vor dem Hintergrund der Funktionsweise dieses Testes nicht sinnvoll erscheint. Die Feststellung der Stationarität wurde mit dem Dicky-Fuller-Test auf dem Signifikanzniveau von 0,05 festgestellt. In der Prüfgleichung war eine Konstante und eine verzögerte endogene Variable enthalten.Google Scholar
  61. 63.
    Für Neuseeland liegen keine Angaben über das Output-Gap von der OECD vor. Hilfsweise wurde die Regression hier mit der Veränderung der Veränderung des BIP als erklärende Variable gerechnet.Google Scholar
  62. 64.
    In einem solchen Fall wäre die Verwendung der Daten besonders problematisch. Schwankt die Arbeitslosenquote Stochastiken um die Regressionsgerade, stellt sich die Frage, ob die strukturelle Arbeitslosenquote der Konstanten a gleichgesetzt werden kann, denn dies setzt gerade voraus, daß es einen konjunkturellen Zusammenhang gibt, der durch Einsetzen des Parameters b=0 genau „neutralisiert“ wird. Ist aber kein konjunktureller Zusammenhang erkennbar, kann das Einsetzen des Parameters b = 0 zu erheblichen Unscharfen fuhren, denn man unterstellt damit Zusammenhänge, die das Modell nicht abbilden kann.Erstaunlich ist in diesem Zusammenhang das auf den ersten Blick hohe Signifikanzniveau der T-Werte. Dies bedeutet, daß -bei allen Einschränkungen (s.o.) — die Hypothese Ho, nach der die Konstante keinen Einfluß auf die abhängige Variable hat, mit einer Vertrauenswahrscheinlichkeit von über 99,9% abgelehnt werden kann. Diese extrem hohe Vertrauenswahrscheinlichkeit überrascht zunächst; sie ist aber plausibel, wenn man bedenkt, daß der Einfluß des Regressors für die Berechnung der abhängigen Variable in diesem konkreten Modell eher gering ist (i.d.R. liegt der Wert für den Regressor b zwischen 0,3 und 0,8; d.h. eine Veränderung des Output-Gaps von 1 verändert die Arbeitslosenquote je nach Land um 0,3–0,8%). Die Konstante nimmt im Vergleich zum Regressor in diesem Fall eine so starke Bedeutung zur Erklärung der abhängigen Variable ein, daß daraus auch die hohe Vertrauenswahrscheinlichkeit resultiert. Diese hohen Werte dürfen aber nicht überinterpretiert werden und sind einzig Ergebnis der Tatsache, daß die Konstante einen besonders hohen Anteil bei der Erklärung der Arbeitslosenquote liefert, was aber kein Nachweis für die Modellgüte insgesamt bezüglich der Erklärung des Zusammenhanges von Arbeitslosigkeit und Auslastungsgrad ist.Google Scholar
  63. 65.
    Vgl. Klös (1992), S. 350.Google Scholar
  64. 66.
    Da beispielsweise die Durbin-Watson-Werte für die USA keine signifikante positive Autocorrelation erkennen lassen, könnte daraus geschlossen werden, daß die oben beschriebenen Effekte in den USA nicht existent sind. In der Tat stellen die USA ein Beispiel für ein Land dar, daß Hysteresis- oder Persistenzeffekte in den letzten 20 Jahren kaum erfahren hat. Da zudem der in Abb. 5.6 aufgezeigte Sachverhalt eher mit einer positiven Autokorrelation vereinbar ist, da in einem solchen Fall die Residuen eine auffallig geringe Neigung zum Vorzeichenwechsel haben (vgl. Schneeweiß 1978, S. 186), müßten bei Gültigkeit des oben geschilderten Zusammenhanges die meisten Länder eine positive Autokorrelation aufweisen. Auch dies ist der Fall, siehe Tab. 5.2.Google Scholar
  65. 67.
    Ablehnung der Hypothese der Nichtstationarität auf dem 0,01 Signifikanzniveau.Google Scholar
  66. 68.
    Vgl. Klös (1992), S. 351.Google Scholar
  67. 69.
    Die Möglichkeit zu einer besseren Abbildung bestünde in der zusätzlichen Verwendung einer Trendkomponente, so daß die Differenz zwischen Trendarbeitslosigkeit und tatsächlicher Arbeitslosigkeit dem Auslastungsgrad gegenübergestellt wird. In einem solchen Fall wäre die Korrelation bzw. die Konjunkturabhängigkeit der Arbeitslosenquote wieder recht deutlich zu sehen, die im obigen Modell nur schlecht abgebildet werden konnte. Zudem wäre bei einer derartigen Spezifikation auch wieder eine Kointegration der Variablen zu erwarten, was auf eine Gleichgewichtsbeziehung hindeuten würde. Exemplarisch kann diese Verfahrensweise anhand von Deutschland erörtert werden: Die schlechte Anpassung der Okun-Kurve für Deutschland in den 80er Jahren führte zu einem R2-Wert von 0,13, und die Residuen wiesen aufgrund der nicht „herausgefilterten“ Trendentwicklung eine ausgesprochen hohe Autokorre-lation auf. Berechnet man die Kurve allerdings mit Hilfe der trendbereinigten Arbeitslosenquote, dann verbessert sich die Modellgüte sprunghaft auf ein R2 von 0,75 (wobei der Johansen-Test die Nullhypothese der Nichtexistenz einer Kointegration nun im Gegensatz zu oben deutlich widerlegt). Dies ist ein Beispiel dafür, wie wichtig die Berücksichtigung von Trendentwicklungen bzw. Hysteresiseffekten bei der Bestimmung der strukturellen Arbeitslosenquote sein kann. Trotz der hohen Modellgüte eignet sich das obige den Trend berücksichtigende Modell in dieser Form allerdings nicht mehr zur direkten Berechnung der strukturellen Arbeitslosenquote, da nicht mehr mit absoluten, sondern mit modifizierten Arbeitslosigkeitswerten gerechnet wird, die nur noch die Bestimmung von Relationen, nicht aber von (hier gesuchten) absoluten Werten erlauben.Google Scholar
  68. 70.
    Andererseits muß eine Identität der tatsächlichen Arbeitslosenquote mit der NAIRU nicht unbedingt mit einem Output-Gap von Null einhergehen, wenn das Output-Gap auf NAWRU-Basis ermittelt wurde.Google Scholar
  69. 71.
    Aufgrund des Modellaufbaues bezüglich der Berechnung des Produktionspotentials mit der Gleichung In Y* = a + α In L* + β In K + φ T + φ2 T2 ist grundsätzlich nur die Faktoreinsatzmenge des Faktors Arbeit inflationsstabil; da aber davon ausgegangen werden kann, daß von der Höhe des tatsächlichen Kapitalstockes kaum Auswirkungen auf die Höhe der Inflation zu erwarten sind, kann vereinfachend von einem inflationsstabilen Auslastungsgrad gesprochen werden.Google Scholar
  70. 72.
    Dies dürfte auch erklären, warum die OECD in ihren Berechnungen der Okun-Kurve, die sie zum erstenmal 1989 durchgeführt hat, auch nicht auf ein Output-Gap zurückgreift, das bei dem Wert Null mit Inflationsstabilität kompatibel ist. Vielmehr verwendet sie ein Output-Gap, wie es sich bei dem Verhältnis des tatsächlichen realen Sozialproduktes zum aus gleitenden Jahresdurchschnitten abgeleiteten Trend (bzw. aus dem H-P-Filter geglätteten Trend) ergibt. Die Schwäche dieses Ansatzes liegt aber darin, daß exogene Schocks oder konjunkturelle Wendepunkte bei Verwendung dieses Konzeptes erst zeitverzögert in die Berechnungen einfließen. Der Verlauf der sich daraus ergebenden Okun-Kurve kann somit systematisch verzerrt sein; siehe auch Klös (1992), S. 350.Google Scholar
  71. 73.
    Viele Autoren machen keinen Unterschied zwischen dem graphischen Analyserahmen der SALQ und dem modelltheoretischen Konzept der NAIRU, sondern nutzen den graphischen Analyserahmen als Erklärung für das Konzept der NAIRU. Dies setzt aber gewisse Annahmen über Anpassungsmechanismen von Kurvenverläufen voraus, die aber eben mit dem graphischen Analyserahmen der SALQ nicht modellendogen erklärt werden können. Vielmehr setzt eine Anwendung des obigen makroökonomischen Analyserahmens im Zusammenhang mit dem NAIRU-Konzept voraus, daß die Lage der Kurven eine modellinhärente Tendenz zu einem inflationsstabilen Gleichgewicht haben und ihr Schnittpunkt mit der NAIRU kompatibel ist. Es gibt aber innerhalb des graphischen Konzeptes keinen modellendogenen Grund, warum dies zwingend so sein sollte. Damit stellen Abbildungen, auf denen eben diese Kompatibilität gezeigt ist, immer einen Spezialfall dar. Ein Beispiel für einen Beitrag, in dem dieser Spezialfall behandelt wird, ohne allerdings auf die Besonderheit des Falles hinzuweisen, ist Pichelmann und Schuh (1997), hier insbesondere S. 4.Google Scholar

Copyright information

© Deutscher Universitäts-Verlag GmbH, Wiesbaden 2001

Authors and Affiliations

  • Christian Jasperneite

There are no affiliations available

Personalised recommendations