跳转至

Anticipated productivity and the labor market

作者: Ryan Chahrour, Sanjay K. Chugh, Tristan Potter
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 2/10
机构绿灯: Cornell University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe2029

一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是：在宏观经济学中，如何识别并量化“预期冲击”（news shocks）——即那些当前不改变全要素生产率（TFP），但会改变市场对未来TFP预期的信息——对经济周期波动的影响。 这是一个经典的因果识别问题：研究者观测到经济变量（产出、就业、股价）的协同波动，但无法直接观测到驱动这些波动的“预期”本身。当前该子方向的成熟度较高，已有多种识别策略（如长期约束SVAR、符号约束、叙事方法），但关于“预期冲击”是否真的能驱动就业和失业等实际变量，以及通过何种工资机制传导，仍存在争议。

发展脉络（history）

根据本文引言，该领域的发展脉络如下：

  1. 奠基工作：Beaudry & Portier (2006) 首次系统性地提出“TFP新闻冲击”（TFP news shock）的概念。他们使用一个包含股票价格和TFP的二元VAR，通过长期约束（限制新闻冲击对TFP的长期影响为正）来识别新闻冲击，并发现该冲击能解释大量经济波动。留下的口子：他们的识别策略依赖于一个特定的二元VAR，且未明确解释新闻冲击如何影响劳动力市场（如就业和失业）。

  2. 主要进展：Barsky & Sims (2011) 改进了识别方法，使用一个包含TFP、消费者信心、产出等多变量的VAR，通过“最大预测方差份额”（maximum forecast error variance share）的方法来识别新闻冲击。他们发现新闻冲击对TFP本身的影响是渐进的，但对产出和消费有即时影响。留下的口子：他们的方法虽然更灵活，但未能很好地匹配劳动力市场变量（如失业）的动态响应，且其模型预测的工资行为与实证数据存在矛盾。

  3. 当前frontier与本文位置：当前frontier集中在两个方向：一是改进识别策略（如使用更丰富的VAR或结构模型），二是构建能匹配实证脉冲响应的理论模型。本文直接回应了Barsky & Sims (2011) 留下的“工资-就业”矛盾。作者指出，标准搜索-匹配模型（如Mortensen-Pissarides模型）中，工资由匹配剩余（match surplus）的现值决定，这导致在新闻冲击下，工资会立即大幅上涨，从而抑制就业扩张，这与实证观察到的“新闻冲击后就业上升、工资温和上涨”不符。本文的核心贡献：提出一个替代性的工资决定机制——现金流分享规则（cash-flow sharing rule），即工资由企业当前现金流（而非未来预期剩余）决定，从而在模型层面解决了这一矛盾，并成功匹配了包括失业、劳动参与率、工时在内的多个劳动力市场变量的实证响应。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：识别策略（Identification Strategy）：聚焦于如何从时间序列数据中“提取”出新闻冲击。代表工作包括：

    • Beaudry & Portier (2006)：二元VAR + 长期约束。
    • Barsky & Sims (2011)：多变量VAR + 最大预测方差份额。
    • 本文：使用一个包含TFP、产出、消费、投资、就业、股价、工资、失业率、劳动参与率、工时、职位空缺、求职成功率的12变量VAR，并采用长期约束（限制新闻冲击对TFP的长期影响为正）来识别。作者认为，相比于Barsky & Sims (2011) 的方法，长期约束更直接地对应了“新闻冲击”的理论定义（即影响长期TFP的冲击）。

  • 线索二：传导机制（Transmission Mechanism）：聚焦于新闻冲击如何通过劳动力市场传导至实体经济。代表工作包括：

    • 标准搜索-匹配模型：工资由匹配剩余现值决定，预测新闻冲击后工资大幅上涨、就业扩张有限。
    • 本文：提出现金流分享规则，即工资是当前企业现金流（产出减去资本成本）的一个固定份额。这个规则的关键在于，它切断了工资与未来预期TFP的直接联系，使得在新闻冲击（预期TFP上升但当前TFP不变）下，工资不会立即上涨，从而允许企业扩大招聘和就业。

这个方向在追问的核心问题

  1. 识别问题：如何从观测到的经济变量中，干净地分离出“预期冲击”和“未预期冲击”（surprise shocks）？不同的识别策略（长期约束、符号约束、叙事方法）是否给出了一致的结论？
  2. 传导机制问题：预期冲击通过何种渠道影响劳动力市场？工资决定机制是关键：是前瞻性的（基于未来剩余），还是后顾性的（基于当前现金流）？
  3. 量化问题：预期冲击在多大程度上解释了经济周期的波动？其贡献是否被高估或低估？
  4. 模型-数据匹配问题：理论模型能否同时匹配多个经济变量（产出、就业、工资、股价）对新闻冲击的脉冲响应？现有模型在哪些维度上失败？

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将缺口明确frame为“标准搜索-匹配模型无法匹配新闻冲击后的劳动力市场动态”。他们指出，Barsky & Sims (2011) 的实证结果（新闻冲击后就业上升、工资温和上涨）与标准模型预测（工资大幅上涨、就业扩张有限）存在矛盾。因此，本文的“显然的下一步”就是修改工资决定机制，使模型能匹配数据。
  • 哪些竞争路线被他淡化或回避了：作者淡化了识别策略本身的争议。他们直接采用了长期约束SVAR，并声称这是“最直接”的方法，但并未深入讨论该方法可能存在的问题（如单位根假设、小样本偏差、对模型设定的敏感性）。他们也回避了与其他识别策略（如符号约束、叙事方法）的系统性比较。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：本文的intro中未提及“预期冲击”与“不确定性冲击” 的区分。在宏观经济学中，另一个重要的冲击是“不确定性冲击”（uncertainty shocks），它也会影响经济波动，但机制不同（通过影响企业推迟投资和招聘）。本文的新闻冲击是“一阶矩”冲击（改变均值），而“不确定性冲击”是“二阶矩”冲击（改变方差）。未讨论这一区分，可能意味着作者认为其识别的新闻冲击是主导性的，或者他们有意将问题简化。值得研究者去查的问题：是否存在文献表明，本文识别的“新闻冲击”实际上部分反映了“不确定性冲击”？

张力

未见明显对立引用。本文的贡献在于提出一个替代性模型，而非挑战已有的实证发现。其核心张力在于理论模型与实证证据之间的不匹配，而非文献之间的直接矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \( Y_t \)：t期的产出（GDP）。
    • \( C_t \)：t期的消费。
    • \( I_t \)：t期的投资。
    • \( N_t \)：t期的就业人数。
    • \( U_t \)：t期的失业人数。
    • \( V_t \)：t期的职位空缺数。
    • \( W_t \)：t期的实际工资。
    • \( P_t \)：t期的股票价格（股价指数）。
    • \( A_t \)：t期的全要素生产率（TFP）。
    • \( \varepsilon_t^{news} \)：t期的“TFP新闻冲击”（待识别的结构冲击）。
    • \( \varepsilon_t^{surprise} \)：t期的“TFP未预期冲击”（surprise TFP shock）。
    • \( \theta_t \)：t期的劳动力市场紧度（labor market tightness），定义为 \( \theta_t = V_t / U_t \)。
    • \( f(\theta_t) \)：t期的求职成功率（job-finding rate），是 \( \theta_t \) 的增函数。
    • \( q(\theta_t) \)：t期的职位填补率（vacancy-filling rate），是 \( \theta_t \) 的减函数。
    • \( \beta \)：贴现因子。
    • \( \delta \)：资本折旧率。
    • \( \alpha \)：资本在产出中的份额（Cobb-Douglas生产函数中的资本弹性）。
    • \( \eta \)：匹配函数的弹性（Cobb-Douglas匹配函数中空缺的弹性）。

  • 模型：本文构建了一个包含搜索摩擦的劳动力市场模型。核心是：

    1. 生产函数：\( Y_t = A_t K_t^\alpha N_t^{1-\alpha} \)，其中 \( K_t \) 是资本存量，\( A_t \) 是TFP。
    2. TFP过程：\( \log A_t = \rho \log A_{t-1} + \varepsilon_t^{surprise} + \varepsilon_{t-2}^{news} \)。这是一个关键设定：新闻冲击 \( \varepsilon_t^{news} \) 在发生2期后（\( t+2 \)）才影响TFP，但在当期（\( t \)）就被市场观测到。这模拟了“预期”效应。
    3. 劳动力市场：就业动态由匹配函数决定：\( N_{t+1} = (1-s)N_t + M(U_t, V_t) \)，其中 \( s \) 是外生离职率，\( M(U_t, V_t) = \mu U_t^\eta V_t^{1-\eta} \) 是匹配函数。
    4. 工资决定（本文核心创新）：工资由现金流分享规则决定：\( W_t N_t = \chi (Y_t - (r_t + \delta)K_t) \)，其中 \( \chi \) 是工人的议价能力参数，\( r_t \) 是资本租金率。这个规则意味着工资总额是当前企业现金流（产出减去资本成本）的一个固定份额。它不依赖于对未来匹配剩余的预期。

  • 可观测数据：研究者实际能观测到的是美国宏观时间序列数据，包括：\( Y_t, C_t, I_t, N_t, U_t, V_t, W_t, P_t, A_t \)（以及劳动参与率、工时等）。这些数据用于估计VAR模型，并得到各变量对新闻冲击的脉冲响应函数（IRFs）。想要但观测不到的是：结构冲击 \( \varepsilon_t^{news} \) 和 \( \varepsilon_t^{surprise} \) 本身，以及模型中的一些深层参数（如匹配函数弹性 \( \eta \)、离职率 \( s \)、贴现因子 \( \beta \) 等）。这些参数需要通过校准或估计来设定。

第二步：讲最小内核

本文的最小内核可以简化为一个两期模型，用于说明“现金流分享规则”如何解决标准模型与实证数据的矛盾。

  • 最简特例：假设只有两期：\( t=0 \)（当期）和 \( t=1 \)（未来）。在 \( t=0 \) 期，一个新闻冲击 \( \varepsilon_0^{news} > 0 \) 被市场观测到，它承诺在 \( t=1 \) 期TFP会永久性上升（\( A_1 > A_0 \)），但当期TFP \( A_0 \) 不变。企业可以雇佣工人，但工人一旦被雇佣，就会工作两期（简化离职率 \( s=0 \)）。

  • 标准模型（匹配剩余现值规则）：

    • 在 \( t=0 \) 期，企业决定雇佣多少工人 \( N_0 \)。企业的价值函数取决于未来利润的现值。
    • 由于 \( A_1 > A_0 \)，未来利润预期会很高。因此，一个工人的边际价值（即匹配剩余）在 \( t=0 \) 期就立即上升。
    • 工资 \( W_0 \) 由纳什议价决定，是匹配剩余现值的一部分。因此，\( W_0 \) 会立即大幅上涨。
    • 高工资抑制了企业的招聘意愿，导致 \( N_0 \) 的扩张有限。这与实证观察到的“新闻冲击后就业大幅上升”不符。

  • 本文模型（现金流分享规则）：

    • 工资由 \( W_0 N_0 = \chi (Y_0 - (r_0 + \delta)K_0) \) 决定。由于 \( A_0 \) 不变，\( Y_0 \) 不变，资本成本不变，因此当期工资总额 \( W_0 N_0 \) 不变。
    • 这意味着，如果企业想雇佣更多工人（\( N_0 \) 上升），每个工人的工资 \( W_0 \) 必须下降（因为工资总额固定）。
    • 由于工资下降，企业的招聘成本降低，因此企业有强烈动机在 \( t=0 \) 期扩大招聘（\( N_0 \) 大幅上升）。
    • 这个机制完美匹配了实证数据：新闻冲击后，就业上升，而工资温和上涨（甚至可能因为工资总额固定而下降）。

  • 核心思路：本文的关键想法是将工资与当前现金流挂钩，而不是与未来预期挂钩。这切断了“预期冲击”通过工资渠道立即推高劳动力成本的传导路径，从而允许企业在不增加当期工资成本的情况下，利用对未来高生产率的预期来扩大招聘。这个简单的两期模型抓住了全文的核心机制：工资的“后顾性”（backward-looking）而非“前瞻性”（forward-looking）是匹配新闻冲击后劳动力市场动态的关键。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文识别了驱动长期生产率预期波动的主要冲击（TFP新闻冲击），并发现该冲击能引发产出、消费、投资、就业和股价的强协同波动，即使TFP本身在两年内无显著变化。
  2. 核心工具/方法：采用结构向量自回归（SVAR） 方法，利用长期约束识别新闻冲击；并构建了一个包含搜索摩擦的劳动力市场模型，其关键创新是现金流分享工资规则，而非标准模型中的匹配剩余现值规则。
  3. 主要结论：现金流分享规则能使模型成功匹配新闻冲击后观察到的失业、劳动参与率、工时和就业率等变量的动态响应，而标准模型则无法做到。该规则也与工资对预期和非预期生产率变化的实证响应一致。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • VAR模型设定：

    • 使用一个包含12个变量的VAR：\( [\Delta TFP_t, \Delta Y_t, \Delta C_t, \Delta I_t, \Delta N_t, \Delta U_t, \Delta V_t, \Delta W_t, \Delta P_t, \Delta LFPR_t, \Delta Hours_t, \Delta JFR_t] \)（其中LFPR是劳动参与率，Hours是工时，JFR是求职成功率）。所有变量均取对数差分（增长率）。
    • 关键假设：TFP是单位根过程（I(1)），且新闻冲击对TFP的长期影响为正。这是长期约束的基础。
    • 识别假设：在12个结构冲击中，只有一个冲击（新闻冲击）能对TFP产生永久性影响。其他11个冲击对TFP的长期影响为零。这个假设将新闻冲击与其他所有暂时性冲击（如货币政策冲击、需求冲击）区分开来。
    • 与已有文献的比较：相比Beaudry & Portier (2006) 的二元VAR，本文使用了更丰富的信息集；相比Barsky & Sims (2011) 的最大预测方差份额方法，本文采用了更严格的长期约束，这被认为更直接地对应了“新闻冲击”的理论定义。

  • 理论模型设定：

    • 生产函数：Cobb-Douglas形式，\( Y_t = A_t K_t^\alpha N_t^{1-\alpha} \)。
    • TFP过程：\( \log A_t = \rho \log A_{t-1} + \varepsilon_t^{surprise} + \varepsilon_{t-2}^{news} \)。新闻冲击在2期后影响TFP。
    • 劳动力市场：标准DMP（Diamond-Mortensen-Pissarides）搜索匹配框架，包括匹配函数、外生离职率、企业招聘决策。
    • 工资决定（本文核心创新）：
      • 标准模型：\( W_t = \phi (S_t) \)，其中 \( S_t \) 是匹配剩余（match surplus）的现值，\( \phi \) 是纳什议价函数。
      • 本文模型：\( W_t N_t = \chi (Y_t - (r_t + \delta)K_t) \)。工资总额是当前企业现金流的一个固定份额 \( \chi \)。
    • 与已有文献的比较：本文的工资规则是对标准DMP模型的一个直接修改。作者论证，这个修改不仅简化了模型（无需计算复杂的匹配剩余现值），而且能更好地匹配数据。他们通过校准模型，展示了两种工资规则下脉冲响应的差异。

主要结果

本文的核心结果是实证脉冲响应和模型匹配。

  • 实证脉冲响应（来自SVAR）：

    • 新闻冲击（一个标准差的正向冲击）导致：TFP在2年内无显著变化，之后永久性上升。
    • 产出、消费、投资、就业、股价、劳动参与率、工时、求职成功率均在冲击后立即上升，并在约2-3年后达到峰值。
    • 失业率在冲击后立即下降。
    • 工资在冲击后温和上涨（约0.2%），但远低于标准模型预测的涨幅。
    • 职位空缺在冲击后立即上升。
    • 这些脉冲响应构成了本文要匹配的“目标”。

  • 模型匹配结果：

    • 标准模型（匹配剩余现值规则）：无法匹配上述实证结果。具体表现为：工资在冲击后立即大幅上涨（约1%），导致就业扩张非常有限，失业率下降不明显。
    • 本文模型（现金流分享规则）：成功匹配了实证脉冲响应的定性模式和定量幅度。特别是，工资上涨温和，就业和失业的动态与数据高度吻合。
    • 量化结论：作者通过计算模型生成的脉冲响应与实证脉冲响应之间的均方根误差（RMSE），定量证明了本文模型优于标准模型。例如，对于就业的脉冲响应，本文模型的RMSE远低于标准模型。

证明路线与技术技巧

本文是应用/方法型论文，而非纯理论型。其“证明”主要体现在模型校准和脉冲响应匹配上。

  • 整体路线：

    1. 第一步：实证识别。使用SVAR和长期约束，从美国宏观数据中识别出新闻冲击，并计算各变量对该冲击的脉冲响应函数（IRFs）。这是“目标”。
    2. 第二步：模型构建与校准。构建包含搜索摩擦和现金流分享工资规则的DSGE模型。通过校准（设定参数值，如贴现因子、折旧率、匹配函数弹性等），使模型在稳态下匹配美国经济的某些关键特征（如失业率、职位空缺率、工资份额等）。
    3. 第三步：模型模拟与匹配。在模型中加入与实证识别相同的新闻冲击（即TFP在2期后上升），模拟模型内生变量的动态响应。将模型生成的IRFs与实证IRFs进行对比。
    4. 第四步：模型比较。重复第三步，但使用标准模型（匹配剩余现值规则）。比较两个模型与实证IRFs的匹配程度，证明本文模型的优越性。

  • 关键跳跃点：

    • 从“标准模型”到“本文模型”的跳跃：这是全文最关键的跳跃。作者没有从第一性原理推导出现金流分享规则，而是直接假设它成立。这个假设的合理性在于：它简化了模型，且能更好地匹配数据。作者通过实证证据（工资对预期和非预期生产率变化的响应）来支持这个假设，但并未提供微观基础（如为什么工人和企业会同意这种工资规则）。
    • 从“实证IRFs”到“模型参数”的跳跃：模型参数是通过校准而非估计得到的。这意味着作者主观选择了参数值，而不是让数据来决定。这降低了模型匹配的统计严谨性，但也是宏观劳动经济学中的常见做法。

  • 技术技巧点名：

    • SVAR与长期约束：这是宏观经济学中识别结构冲击的标准工具。其核心是Cholesky分解，但长期约束施加了额外的限制（即某些冲击的累积脉冲响应为零）。
    • 脉冲响应匹配：这是结构估计中的一种常用方法，通过最小化模型生成的IRFs与实证IRFs之间的加权距离来评估模型。
    • 校准：通过设定参数值来匹配稳态矩，而非通过最大似然或贝叶斯方法进行估计。

真实例子与应用

  • 用的什么数据/场景：美国宏观时间序列数据，样本期为1959Q1-2007Q4（避免金融危机的影响）。数据来源包括Bureau of Labor Statistics (BLS), Bureau of Economic Analysis (BEA), Federal Reserve Board等。
  • 怎么把本文方法用上去：
    1. 估计一个12变量的VAR，施加长期约束，识别新闻冲击。
    2. 计算各变量对新闻冲击的脉冲响应函数（IRFs），并给出置信区间（通过bootstrap）。
    3. 构建理论模型，校准参数。
    4. 在模型中加入与实证识别相同的新闻冲击，模拟模型IRFs。
    5. 将模型IRFs与实证IRFs画在同一张图上，进行视觉和定量比较。
  • 得到什么结果：如上所述，本文模型成功匹配了实证IRFs，而标准模型失败。
  • 这个例子想说明什么：这个例子旨在验证本文提出的“现金流分享工资规则”是解释新闻冲击后劳动力市场动态的关键机制。它表明，标准搜索-匹配模型之所以失败，是因为其工资决定机制过于前瞻性，而一个更“后顾性”的工资规则能更好地捕捉现实。

🔎 结论是否比证明窄

  • 是的，结论比证明窄。作者在引言和结论中声称“现金流分享规则”是解释新闻冲击后劳动力市场动态的关键。然而，他们的“证明”仅限于一个特定校准的模型。这个模型依赖于许多其他假设（如特定的TFP过程、匹配函数形式、外生离职率等）。作者并未证明，在其他合理的模型设定下，现金流分享规则仍然是最优的。例如，如果TFP过程是更复杂的（如包含多个滞后期的新闻冲击），或者匹配函数是其他形式，结论是否依然成立？作者没有进行充分的稳健性检验。因此，其结论的普适性可能被高估了。

四、开放问题

  1. 微观基础问题：本文的现金流分享工资规则是一个简化假设，缺乏微观基础。为什么工人和企业会同意这种工资规则？是否存在一个博弈论或契约理论框架，能内生地推导出这种规则？扎根点：本文第4节“Model”中直接假设了该规则，未提供推导。
  2. 识别策略的稳健性：本文的实证结果依赖于长期约束SVAR。该识别策略对模型设定（如变量选择、滞后阶数）和单位根假设的敏感性如何？如果使用其他识别策略（如符号约束、叙事方法），是否还能得到相同的新闻冲击脉冲响应？扎根点：本文第3节“Empirical Results”中仅使用了一种识别策略，未进行系统性比较。
  3. 与其他冲击的交互：本文只关注了“TFP新闻冲击”。但经济周期中还存在其他重要冲击，如“不确定性冲击”、“货币政策冲击”、“财政政策冲击”。这些冲击与新闻冲击如何交互？新闻冲击的贡献是否被高估，因为它可能吸收了其他冲击的效应？扎根点：本文的VAR模型包含了12个变量，但只识别了一个结构冲击（新闻冲击）。其他11个冲击未被具体命名或分析。
  4. 模型-数据匹配的统计严谨性：本文通过“校准”而非“估计”来设定模型参数。这降低了模型匹配的统计严谨性。能否使用贝叶斯估计或模拟矩方法（SMM） 来更严谨地估计模型参数，并检验现金流分享规则是否在统计上显著优于标准规则？扎根点：本文第5节“Model Results”中明确使用了校准，并提到“我们选择参数值以匹配稳态目标”，未进行正式的统计推断。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论