2. Data en methode

2.1 Data

Voor dit onderzoek zijn twee tijdreeksen gebruikt:
— Het werkloosheidspercentage (U)
— Het vacaturepercentage (V)
In grafiek 2.1.1 wordt een beeld gegeven van het verloop tussen 1969-2018. Werkloosheid en vacatures zijn beide gedefinieerd als percentage van de beroepsbevolking. Hoewel de schattingen zijn gebaseerd op een lange tijdreeks van 1800-2018 (Lodder, 2019a; 2019b), worden hier de resultaten voor de periode 1969-2018 getoond. Binnen het CBS wordt 1969 als startpunt van veel reeksen genomen. In de reeksen van voor dat jaar komen namelijk veel trendbreuken voor, wat de analyse ervan complex maakt. Omwille van de duidelijkheid zijn ze daarom hier achterwege gelaten.

2.2 Decomposities

Er zijn twee soorten decomposities in de statistische benadering:
— De statistische decompositie
— De logische decompositie

Bij deze decomposities gaat het in eerste instantie alleen om een wiskundig-statistische berekening, nog zonder economische betekenis. De statistische decompositie is enigszins vergelijkbaar met de neoklassieke benadering, terwijl de logische decompositie raakvlakken heeft met de neokeynesiaanse traditie.

De statistische de compositie is:

U = TC + C_kort = T+ C_lang + C_kort ⁽¹⁾

waarbij:
U = werkloosheidspercentage
TC = trendcyclische component
T = trendmatige werkloosheid
C_kort = kortcyclische component
C_lang = langcyclische component
Alle componenten zijn aandelen (percentages) in de beroepsbevolking.

Met behulp van een structureel tijdreeksmodel is de statistische decompositie van de werkloosheid uitgevoerd. De OECD schat de NAIRU ook met een structureel tijdreeksmodel, waarbij de trendcyclische component (TC) de NAIRU is. Een eerste intuïtieve betekenis die aan de kortcyclische component kan worden toegekend is die van conjuncturele werkloosheid.

De logische decompositie is:

U = V + (U-V) = Q + N (2)

waarbij:
U = werkloosheidspercentage
Q = V = het aantal vacatures als percentage van de beroepsbevolking (vacature- percentage)
N = U-V = het percentage werklozen in de beroepsbevolking waarvoor geen vacatures zijn

Q is het gedeelte van de werkloosheid dat een gebrekkige aansluiting tussen openstaande vacatures en kwalificaties van werklozen weergeeft, de kwalitatieve werkloosheid. N is het gedeelte van de werkloosheid dat overblijft als alle openstaande vacatures zouden kunnen worden vervuld. N heeft betrekking op een kwantitatief tekort aan banen, de kwantitatieve werkloosheid.

De statistische decompositie kan vervolgens worden toegepast op de grootheid Q:

Q = Q_tc + Q_c ⁽³⁾

Waarbij:
Q_tc = de trendcyclische component van Q
Q_c= de cyclische component van Q

Vervolgens is de statistische decompositie van de grootheid N het resultaat van een
eenvoudige berekening:
N_tc = TC - Q_tc ⁽⁴⁾
N_c= C_kort - Q_c ⁽⁵⁾

Waarbij N_tc en N_c de trendcyclische en cyclische component van N zijn.
Dat levert de volgende matrix van componenten op:

Daarbij zijn de trend (T) en C_lang niet apart onderscheiden. Er geldt:

U = Q + N = {Q_tc + Q_c} + {N_tc + Nc} = {N_c+ Q_c} + {N_tc + Q_tc} = T_C + C_kort (6)

Alle componenten zijn uitgedrukt als percentages van de beroepsbevolking.

2.3 Schatting van de statistische decomposities

Met behulp van een structureel tijdreeksmodel zijn de statistische decomposities van U en Q geschat. De decompositie van N volgt als berekende grootheid uit die van U en Q. Op basis van de schattingsmethode zijn over de periode van 1800 tot en met 2018 een constante trend en meerdere cycli in de ontwikkeling van het werkloosheidspercentage geïdentificeerd. Voor wat betreft de decompositie van het werkloosheidspercentage (U)zijn er vier cycli gevonden en een constante trend. De eerste cyclus heeft een lengte van 4,4 jaar, de tweede van 7,8 jaar, de derde van 17,6 jaar en de vierde van 75,1 jaar. De trend blijkt een constante te zijn. Uit de analyse blijkt dat de helling niet significant van nul verschilt. De trend komt overeen met een werkloosheidspercentage van 4,3. Voor wat betreft de decompositie van Q (=V) zijn cycli gevonden van 5,6 jaar, 10,1 jaar en 15,2 jaar.

Een aandachtspunt is dat het wenselijk is dat de componenten van werkloosheid kleiner zijn dan de totale werkloosheid. Voor een aantal jaren (1969–1971) geldt echter dat het vacaturepercentage hoger was dan het werkloosheidspercentage. In dat geval zou Q>U zijn. Om dit te voorkomen is gewerkt met een minimumconditie: Q = Min (U,V) en N = Max (U-V,0). Voor de eenvoud is deze notatie weggelaten in formule (2).

2.4 Namen en interpretatie van de componenten

In het voorgaande is aan de componenten nog geen duidelijke economische betekenis toegekend. In deze paragraaf wordt voor de statistische decompositie, de logische decompositie en de combinatie daarvan een interpretatie gegeven en in het verlengde daarvan betekenisvolle namen toegekend.

Bij de statistische decompositie bestaat de kortcyclische component C_kort feitelijk uit twee cycli met perioden van respectievelijk 4,4 en 7,8 jaar, die overeenkomen met de bekendeconjunctuurcycli van Kitchin (3–5 jaar) en Juglar (7–11 jaar). Deze zijn samengevoegd tot één cyclus met een periode van 4,4 jaar. Als twee cycli worden samengevoegd, is de periode van de samengevoegde cyclus gelijk aan die van de cyclus met de kleinste periode,in dit geval 4,4 jaar. Vervolgens is aangetoond dat er een Granger causale relatie bestaat tussen economische groei (conjunctuur) en werkloosheid, maar niet omgekeerd. Dat betekent dat economische groei goed bruikbaar is als voorspeller van werkloosheid, maar andersom niet. Op basis hiervan interpreteren we de cyclus met een periode van 4,4 jaar als de conjuncturele werkloosheid. Het logische gevolg daarvan is dat de trendcyclische component (TC) kan worden geïnterpreteerd als de conjunctuur gecorrigeerde werkloosheid. De derde cyclus, met een periode van 17,6 jaar, komt overeen met de cyclus van Kuznets (15–25 jaar). Deze wordt samengevoegd met de vierde cyclus van 75,1 jaar (enigszins vergelijkbaar met de Kondratieff) tot de lange cyclus C_lang. De trend blijkteen constante te zijn over een periode van ruim 200 jaar (1800–2018). Hoewel dit een constante is over een lange periode, wordt deze hier niet geïnterpreteerd als natuurlijke werkloosheid.

Bij de logische decompositie sluit de verdeling van werkloosheid in een kwalitatieve (Q) en kwantitatieve (N) component aan bij de literatuur over marktimperfecties (Kuipers, 1978; Muysken, 1984; Erken, 2015). Om een goed beeld te hebben van wat marktimperfecties zijn, is het nodig om een definitie te geven van een perfecte markt. Als het model van volkomen concurrentie beschouwd wordt als een perfecte markt, dan zijn afwijkingen daarvan imperfecties. Het model kan worden samengevat in twee eigenschappen:flexibiliteit en eenheid, met corresponderende imperfecties rigiditeit en segmentatie. Simpel gezegd: omdat lonen star (rigide) zijn, en omdat arbeid heterogeen is (de markt is gesegmenteerd), is de arbeidsmarkt afwijkend van het model van volkomen concurrentie.Op basis van plausibele aannames kan aannemelijk worden gemaakt dat kwantitatieve werkloosheid wordt veroorzaakt door (loon) rigiditeit en kwalitatieve werkloosheid dooreen combinatie van rigiditeit en segmentatie. Deze analyse beperkt zich tot het zoeken van oorzaken op de arbeidsmarkt zelf. Daarnaast is het bekend dat bijvoorbeeld een crisis op de financiële markten ook een rol speelt bij het ontstaan van werkloosheid. Aangezien dit buiten de arbeidsmarkt plaatsvindt, is dit geen imperfectie van de arbeidsmarkt zelf en valt daarom buiten de logische analyse. Om een completer beeld te krijgen, moeten daarom ook beide analyses gecombineerd worden.

Bij de combinatie van beide decomposities wordt de statistische decompositie toegepast op de componenten van de logische decompositie. Daarmee worden componenten van werkloosheid verkregen die een combinatie van beide decomposities zijn. De namen van de componenten zijn zo gekozen dat beide decomposities daarin herkenbaar zijn, zie tabel 2.4.1.

2.5 Mismatches

De kwalitatieve werkloosheid (Q) geeft een indruk van de kwalitatieve discrepanties (mismatches) tussen vraag en aanbod. Het is gebruikelijk om vervolgens met meer detail aan te geven om wat voor soort mismatches het gaat. In de literatuur (zie bijvoorbeeld Erken, 2015) worden met name mismatches op het gebied van opleiding, regio en sectoren informatie genoemd. Voor kwalitatieve discrepanties op het gebied van informatie wordt doorgaans de term frictiewerkloosheid gebruikt. Om een beeld te hebben van welk soort mismatch het meest voorkomt, is per dimensie een bepaald kengetal berekend. Dit kengetal is de variatiecoëfficiënt, een statistische maat voor variatie. Vervolgens wordt deze score omgerekend als een aandeel in de kwalitatieve werkloosheid.