Päätösperäisen finanssipolitiikan vaikutukset Suomen kansantaloudessa : rakenteellinen VAR-analyysi
Notice bibliographique
Résumé
Mikä on finanssipolitiikan kerroin? Voiko julkisten menojen lisäys elvyttää taloutta nollakorkotilanteessa? Näihin kysymyksiin finanssipolitiikan empiirinen kirjallisuus on pyrkinyt vastaamaan vuoden 2008 finanssikriisin jälkeen. Tästä huolimatta Suomen aineistolla on toteutettu vain muutama empiirinen tutkimus finanssipolitiikan kerroinvaikutuksista. Tämä tutkielma laajentaa tätä niukkaa kirjallisuutta mallintamalla finanssipolitiikan kerrointa Suomen kansantaloudessa. \n \nAluksi käymme läpi päätösperäisen finanssipolitiikan toimintaa ja sen toteuttamiseen liittyviä haasteita. Tämän jälkeen siirrymme käsittelemään empiirisen kirjallisuuden keskeisimpiä tutkimustuloksia sekä viimeaikaisia kehitysaskelia. Empiirisen analyysin toteutamme rakenteellisella VAR-mallilla hyödyntämällä Suomen neljännesvuosiaineistoa vuosilta 1975–2017. Rakenteellisen VAR-mallin identifioinnissa sovellamme Blanchardin ja Perottin (2002) kehittämää identifiointimenetelmää. Lopuksi tarkastelemme tutkimustulosten luotettavuutta herkkyysanalyysin ja diagnostisten testien avulla. \n \nTulosten mukaan Suomen finanssipolitiikan kerroin on positiivinen, mutta vaihtelee merkittävästi eri ajanjaksojen välillä. Perusmallin kumulatiivinen kerroinvaikutus on 0,35 kahden vuoden jälkeen ja maksimaalinen kerroinvaikutus 1,11. Nämä tulokset ovat hyvin linjassa empiirisen kirjallisuuden kanssa. Toisaalta osa-aineistolla suoritetut estimoinnit sekä diagnostiset testit antavat vahvoja viitteitä finanssipolitiikan epälineaarisista kerroinvaikutuksista. Tutkimustulosten perusteella emme siis voi vakuuttavasti todeta, että finanssipolitiikan kerroinvaikutukset Suomen kansantaloudessa olisivat ykköstä suurempia. \n \nSeuraavassa laskusuhdanteessa päätöksentekijöillä on käytössään tarkempaa tietoa päätösperäisen finanssipolitiikan vaikutuksista, mutta valtioiden velkaantuminen saattaa asettaa joissain tapauksissa liian suuria rajoitteita ekspansiivisen finanssipolitiikan harjoittamiselle. Tässä suhteessa vieläkin tarkempi tutkimustieto auttaisi hahmottamaan sitä, minkälaisissa tilanteissa finanssipolitiikan käyttö todella on perusteltua.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».