Päätösperäisen finanssipolitiikan vaikutukset Suomen kansantaloudessa : rakenteellinen VAR-analyysi
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.024 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".