中国校正失业变化率条件下的奥肯定律检验.doc

中国校正失业变化率条件下的奥肯定律检验温柏林 40201230 魏超 40201241 刘静 40201245内容提要：奥肯定律有两种理论形式，因此，在检验它的时候也就相应的有了两种思路，本文通过分析发现只有一条思路具有可行性；同时我们还面对着没有准确的失业率这个问题，中国的城镇登记失业率有严重的缺陷，利用它分析必然得到非常难以令人信服的结论。考虑到此，我们通过得出校正的失业率来对奥肯定律来检验，最后证明在中国条件下，奥肯定律并不能成立！关键词：奥肯定律 校正失业率 隐性失业率 一， 问题的提出为了研究失业率与经济增长的关系,美国经济学家把失业率作为一个代表由于资源闲置而对产出额产生的一切影响的因素,来分析(GDP)和社会总产出之间的关系;并从美国二十世纪六十年代的统计资料得出了“GDP增长3,则失业率下降1”的经验定律,说明了产出增长与失业变化率存在负的相关关系,并且该定律在美国经济中得到了很好的证明。奥肯定律给我们的启示并不是他当时提出的那个“3:1”关系的特殊值,而是给了我们一种研究劳动力与产出关系的思路:从定量分析的基础之上来考察两者的关系。因此,我们的研究任务也就应该是对某一具体的经济社会,通过它失业率的变化率和总产出的变化率之间关系的分析,得出一个能适应该国特色的具体的值,以便能从定量的角度来分析宏观经济。正是在以上述研究任务的约束下,经济学者通过奥肯定律的两个理论公式来分析中国经济的。但是,由于公式的不同,便形成了两种研究思路,但是由于本身的缺陷,以及中国实际统计资料不足,现有的两种思路都不能得到令人信服的结论。第一种思路是利用公式 , 分别为t年的失业率和自然失业率； ， 分别为第t年的实际总产出和潜在总产出；，为待估参数。它是通过考察失业率对自然失业率的偏离和产出缺口之间数量分析，得出 值，从而说明失业率的偏离对产出缺口的影响。但是，在实际经济中，作为自然失业率，是难以得出的，尽管有研究把自然失业率用平均失业率代替，即取 。但是由于各年的U难以得到真实值，并且该替代缺乏理论支持，所以这种方法难以令人信服；另外一个问题是作为潜在产出，代表的是在充分就业的条件整个经济所能生产出来的产出额，但是由于实际经济中难以有充分就业的条件，资源利用也并不充分，所以在实际统计中求出是难以实现的，因此，学者采取的多是间接估算法。邹蔚就是用把潜在产出和年份联系在一起，得出了较成功的潜在产出的数学公式。但是在以此为基础进行的奥肯定律估计的结果非常令人失望，R的值还不到0.2，与之间并无显著相关关系。正是由于这些困难，奥肯定律的另一种公式也就成为另一种研究思路。该公式为： 其中U，分别为即期，滞后一期的失业率，Y，分别为即期，滞后一期的产出，为待估参数。此公式避免了求与的误差，将奥肯定律转化为了产出的逐年增长率变化与逐年失业率的变化的关系。因此，这也成为了大多数文章的研究思路。但是，在实际经济中，特别是中国的城镇登记失业率严重失真的情况之下，用城镇登记失业率去代表U与的值时，就产生了严重的误差。同样在邹薇的那篇文章中，回归估计的结果仍不显著，与之间并没有显著的相关关系，与奥肯定律并不符合。产生这中结果的原因至少有二：1，失业率U取城镇登记失业率时，忽略了大量存在的一开始就没有找到工作的适龄劳动力和那些虽然失业但是并没有到有关部门登记者2，大量隐性失业存在，在农村特别严重。从这两点我们可以看出，把整个社会总产出变化仅和那些登记的失业者相对应，严重的误差就在所难免了。但是如前面的分析所述，第一种思路行不通（至少在目前条件下），我们就应考虑第二条思路的方法，但是它的关键变量U又不准确，所以我们能做的就是对U进行校正，排除其它因素，然后用校正后的失业率来研究奥肯定律，从而得出对中国经济有实际意义的值。 二， 理论支持 第一部分已经表明了我们研究奥肯定律要得到校正的失业率，必须把其它的非失业率变化因素排除。在下面，我们给出支持我们方法的理论，并且运用相应的推导得出计算校正失业率的公式。以柯布道格拉斯生产函数为起点 其中A为技术水平，K，L 为资本额，劳动力（已就业的），分别为资本.劳动力的产出系数。同时，考虑丁伯根的技术进步模型，因此有 为初期技术水平，t为年份，r为技术进步系数另外是阿罗的“边干边学模型” 为t时的技术水平， 为从t=1期到t年的逐年产出积累额， c为学习系数把引入式可得 故总体回归模型可设为 对式两边取对数可得 由于式中，t, ，都能从统计资料中查到或计算出，假设满足古典假设，则可用最小二乘法得出相应的系数。另外，我们得出与的关系其中N，代表即期，滞后一期的劳动力人口，L，为即期，滞后一期的就业人数。又由于两相连续年份的 11所以式可换算为 12再对两边对t求导，用差分代替微分可得 1312代入 13 ，并移项可得 14 通过公式14可得出一系列校正后的 （i=1,2,3,t） 然后利用公式进行回归分析，最后可得出。 值也就是中国实际情况下的值，表明在中国GDP增加1%，失业率变化为-% 。这样，我们就得出了中国经济条件下的奥肯定律。 三， 模型估计本文数据从1980年到2001年，没有考虑78、79年是因为那两年改革才开始，经济各方面都没有摆脱计划体制的痕迹。所以把它们排除在样本范围外！而由于数据的收集的困难，我们将上限定在了2001年！但是对结果是没有多大的影响！19802001年的GDP统计值Yt、逐年累计的GDP为gt、每年新增的投资okt（单位：亿元），劳动力人口nt、就业人数lt（单位：亿人）如下表：TYtGtOktntlt19804517.84517.8910.94.29034.236119814862.49380.296104.41654.372519825294.714674.91230.44.56744.529519835934.520609.41430.14.67074.643619847171027780.41832.94.84334.819719858964.436744.82534.25.01124.9873198610202.2469473120.65.15465.1282198711964.458911.43791.75.3065.2783198814928.373839.74753.85.4635.4334198916909.290748.94410.45.57075.5329199018547.9109296.845176.53236.4749199121617.8130914.65584.56.60916.5491199226638.1157552.78080.16.67826.6152199334634.4192187.113072.36.74686.6808199446759.4238946.517042.16.81356.7455199558478.1297424.620019.36.88556.8065199667884.6365309.222913.56.97656.895199774462.6439771.824941.17.086.982199878345.251811728406.27.20877.0637199982067.5600184.529854.77.27917.1394200089468.1689652.632917.77.39927.2085200197314.8786967.443499.97.44327.3025由于我们需要生产性资本KT的存量，但是去没有相应的统计数据，而且也不能够实际统计，所以在研究时都采用估算的方法。我们在这篇文章中采用舒元在中国经济增长分析中的估计模型，得到1979年的KT值为8000亿元，于是我们利用 Kt=8000+OKT 来计算各年的估计值的到KT。（单位：亿元）年份 kt 年份 kt19808910.9199113584.5 19818961.0199216080.119829230.4199321072.319839430.1199425042.119849832.9199528019.3198510534.2199630913.5198611120.6199732941.1198711791.7199836406.2198812753.8199937854.7198912410.4200040917.7199012517.0200151499.9另外，我们我们利用上面的数据可以得到lnyt，lngt，lnlt，以及GDP的逐年增长率Pyt。 在有这些数据后，用我们上面所讲到的模型，运用OLS对数据LNYT、T、LNGT、LNKT、LNLT进行回归，得到如下表的结果： Dependent Variable: LNYTMethod: Least SquaresDate: 12/20/04 Time: 10:37Sample: 1980 2001Included observations: 22VariableCoefficientStd. Errort-StatisticProb. C-5.6060613.399090-1.6492830.1174T-0.0301210.051108-0.5893500.5634LNGT0.2231400.1205911.8503890.0817LNKT1.0103330.2449534.1245950.0007LNLT1.9875520.5854993.3946320.0034R-squared0.993840 Mean dependent var10.00500Adjusted R-squared0.992391 S.D. dependent var1.065711S.E. of regression0.092963 Akaike info criterion-1.716511Sum squared resid0.146916 Schwarz criterion-1.468547Log likelihood23.88162 F-statistic685.6983Durbin-Watson stat1.046033 Prob(F-statistic)0.000000从回归结果来看，很显著，LNKT，LNLT的吸收都较显著。而T的系数不但不显著，而且还为负(-0.589350)，与经济意义相违背。故我们去掉T再用OLS进行回归得：Dependent Variable: LNYTMethod: Least SquaresDate: 12/20/04 Time: 10:38Sample: 1980 2001Included observations: 22VariableCoefficientStd. Errort-StatisticProb. C-3.6326970.574285-6.3255970.0000LNGT0.1664380.0713722.3319930.0315LNKT0.8770860.0925379.4781800.0000LNLT1.7816860.4612863.8624350.0011R-squared0.993714 Mean dependent var10.00500Adjusted R-squared0.992667 S.D. dependent var1.065711S.E. of regression0.091262 Akaike info criterion-1.787195Sum squared resid0.149918 Schwarz criterion-1.588824Log likelihood23.65914 F-statistic948.5420Durbin-Watson stat0.909554 Prob(F-statistic)0.000000此时我们可以看到，很大，LNGT ，LNKT，LNLT的系数都非常显著；Akaike info criterion，Schwarz criterion的值也得到了改善。模型中不存在多重共线性。现在对异方差进行检验，运用ARCH检验， ARCH Test:F-statistic0.010370 Probability0.919955Obs*R-squared0.011456 Probability0.914764Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 12/21/04 Time: 15:50Sample(adjusted): 1981 2001Included observations: 21 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C0.0064830.0028852.2469520.0367RESID2(-1)0.0369620.3629620.1018350.9200R-squared0.000546 Mean dependent var0.006677Adjusted R-squared-0.052057 S.D. dependent var0.009683S.E. of regression0.009932 Akaike info criterion-6.295769Sum squared resid0.001874 Schwarz criterion-6.196291Log likelihood68.10557 F-statistic0.010370Durbin-Watson stat1.351337 Prob(F-statistic)0.919955 P=1，（N-P）*OBS=0.011456，查表可得。所以应该接受原假设，即模型的随即误差项不存在异方差。但是我们看见DW值却变小了，同时，我们查表：N=22，K=3,，。所以存在着正的自相关。 我们运用广义差分法进行校正，取=1-D/2=0.545223。新的回归结果的DW=0.530034。更加存在自相关，说明广义差分法并没有对模型的随机扰动项的自相关性进行显著的校正。为此，我们考虑用COCHRANE-ORCUTT法进行校正，首先计算出残差Et序列，再对Et和Et（-1）进行OLS估计，得到一个=0.533230。再用建立一阶差分函数，最后估计结果DW=0.531241，仍然存在自相关；下面的步骤相同，到第四次时DW达到最大为1.431625，再进行下去就会变小。但我们可以看到，此时仍然小于Du，存在自相关。我们考虑它可能存在二阶自相关，运用德宾两步估计法，在小样本下，运用泰尔(Theil)给出的计算公式可得=0.5745，运用它建立回归模型，结果仍然存在显著的自相关性！由于所学有限，不能对它进行修正。因此，只好以它作为我们下面分析的基础了。为了检验变量之间是不是有协整关系，还要对变量进行平稳性检验。但是由于涉及的变量较多，难以一一找出他们的平稳性。所以我们可以直接对残差序列Et的平稳性检验来作为对整个模型平稳性的检验。1980 0.0075791991-0.1375431981-0.1019481992-0.1270461982-0.1803891993-0.1550431983-0.1861491994-0.0614021984-0.1500041995 0.0101081985-0.0953531996 0.0148311986-0.1044851997-0.0022531987-0.0863181998-0.0881641988-0.0237631999-0.1198211989 0.0583972000-0.1427921990-0.1677632001-0.307821通过对ET和ET（-1）进行回归，得到如下结果：Dependent Variable: ETMethod: Least SquaresDate: 12/27/04 Time: 12:31Sample(adjusted): 1981 2001Included observations: 21 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C-0.0559020.026409-2.1168130.0477ET(-1)0.5332300.2348942.2700840.0350R-squared0.213357 Mean dependent var-0.102606Adjusted R-squared0.171955 S.D. dependent var0.083381S.E. of regression0.075874 Akaike info criterion-2.229097Sum squared resid0.109380 Schwarz criterion-2.129619Log likelihood25.40552 F-statistic5.153283Durbin-Watson stat1.386764 Prob(F-statistic)0.035031在原假使为Ho：a=0，备择假使H1：a0时进行显著性检验，我们可以看到T=2.270084，大于了5%水平下的临界值2.080。所以我们拒绝Ho，认为a显著性的不为0，所以我们可以得到，对于序列Et没有单位根存在，也就是说模型中各变量的组合是协整的，不存在伪回归的问题。因此，我们可以从回归中得到如下的估计模型： （0.574285） （0.071372） （0.092537） （0.461286） （-6.325597） （2.331993） （9.478180） （3.862435） =0.993714 =0.992667 DF=18 DW=0.909554 F=948.5420然后利用公式（14） 估计出dut的值1980 NA 1991 0.1237681981 0.0578241992 0.1315641982 0.0490141993 0.1522361983 0.0335371994 0.1552391984-0.0010621995 0.2267961985 0.0008461996 0.2885501986 0.0805271997 0.3295301987 0.0799021998 0.3615431988 0.0629921999 0.3671661989 0.1170752000 0.3483221990 0.1378852001 0.370987再利用公式2，对dut和pyt进行回归，得到了如下的结果：Dependent Variable: DUTMethod: Least SquaresDate: 12/20/04 Time: 11:11Sample(adjusted): 1981 2001Included observations: 21 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C0.2631490.0571484.6046510.0002PYT-0.6094950.316558-1.9253830.0693R-squared0.163257 Mean dependent var0.165440Adjusted R-squared0.119218 S.D. dependent var0.128321S.E. of regression0.120429 Akaike info criterion-1.305123Sum squared resid0.275559 Schwarz criterion-1.205645Log likelihood15.70380 F-statistic3.707099Durbin-Watson stat0.041890 Prob(F-statistic)0.069283从回归的结果我们可以看到：各指标都不是很显著的，同时模型还存在着大的自相关性。因此，拟合并不成功。由于我们是在检验奥肯定律在中国的正确性，而不是要对它进行修正，所以在这里我们可以得出结论：在中国实际的经济条件下，失业率和国内生产总值之间并没有显著的线性关系。四， 原因分析从回归分析的结果我们可以看到，对于中国经济的特殊条件下，失业率的变化率与总产出的变化之间的关系非常的不显著（回归结果中很小）。表明两者之间的关系不大，奥肯定律也难以成立。 为什么回有这样的结果呢？为了回答这个问题，让我们先来看一看奥肯定律是在什么暗含条件下得出的。首先，由于美国市场经济发达，市场机制能够得到充分的发挥，这就为劳动力、资本等生产要素的自由流动提供了条件，因此，当经济不景气时，雇主可以自由地辞退劳动力，这样失业与产出之间的关系能够得到直接的反映；反观中国，虽然是计划经济向市场经济在转变，市场机制的作用也逐渐得到表现，但是，计划痕迹依然很重，同时我国公有制经济中解雇是不能随便实现的，因此即使经济增长滞缓的时候，劳动者并没有被解雇，而仍然在原单位得到一份工作，而这份工作原来本可以被另一个在岗劳动者承担的。这就导致了所谓的隐性失业，隐性失业使产出与失业率之间的反映关系被扭曲了。其次，中国在转轨时期中，部分闲置人员以及隐性失业者被“排挤”出来。同时由于中国人口基数大，每年新增劳动力巨大，这两者之和就成了巨大的急于寻找工作的待业人员。这就导