मुझे विश्वास नहीं है कि खोज बेरोजगारी (एमपी) वास्तव में दक्षता मजदूरी पर "जीता" है। खोज साहित्य की पूरी चर्चा इस पोस्ट के लिए बहुत लंबी होगी, इसलिए मैं सबसे महत्वपूर्ण हिस्सों को स्किम करूंगा।
- (i) पहले के रूप में, शिमर (2005) चर्चा करता है कि सांसद मॉडल वास्तव में रोजगार प्राप्त करने में विफल रहता है (बाजार में मजबूती) अस्थिरता अधिकार
- (ii) उसी एईआर मुद्दे में, हॉल (2005) कठोर मजदूरी का प्रस्ताव करता है। वह और शिमर (अपनी पुस्तिका में) तर्क देते हैं कि मजदूरी का एक सेट है जो बारो (1977) को संतुष्ट करता है। इसके अलावा, वेतन कठोरता के लिए एक अंतर्ज्ञान यह है कि पुरानी मजदूरी नई बातचीत के लिए एक लंगर है
- (iii) कई कागजात कमोबेश यह दिखाते हैं कि औसत मजदूरी कठोर है, नए मैचों की मजदूरी वास्तव में काफी लचीली है ।
- (iv) बेवले (1999) सर्वेक्षण साक्ष्य प्रस्तुत करता है जहां प्रबंधक जवाब देते हैं कि वे मजदूरी कम नहीं करना चाहते हैं क्योंकि यह हानिकारक जलवायु को जन्म देगा।
सबसे पहले, एमपी मॉडल को वास्तव में क्षणों को सही तरीके से प्राप्त करने के लिए बहिर्जात मजदूरी कठोरता की आवश्यकता होती है, यह दक्षता मजदूरी पर नहीं जीता है , क्योंकि इन्हें एक पूरक सिद्धांत के रूप में समझा जा सकता है (मजदूरी के रूप में योग्यता के कारण, (ii) के लिए एक विकल्प)।
दूसरा, (iii) एक ही समय में एमपी और दक्षता मजदूरी दोनों के खिलाफ जाता है - कम से कम इस हद तक कि वे हाइरिंग में उतार-चढ़ाव को समझाते हैं। ध्यान दें कि यह बेरोजगारी के उतार-चढ़ाव के लिए प्रासंगिक मार्जिन है: [मुझे लगता है कि यह शिमर था] जिसने दिखाया कि श्रम में सबसे अधिक उतार-चढ़ाव हायरिंग में अस्थिरता से आते हैं, न कि फायरिंग से।
अंत में, एक व्यक्तिगत राय। मुझे खुद कहानी में दिलचस्पी थी, लेकिन मुझे नहीं पता कि आप हमारे पास मौजूद डेटा में दक्षता मजदूरी कैसे पा सकते हैं। साथ ही, पिछली शताब्दी में लिखे गए सैद्धांतिक घटक से वास्तव में अधिक नहीं है।
पिछले एक दशक में रुझान माइक्रोफाउंडेड, स्व-सुसंगत मॉडल पर गया है जो अनुभवजन्य डेटा का उपयोग करते हुए पाए जाते हैं। मुझे विश्वास नहीं है कि यह इस समय दक्षता मजदूरी कहानी के साथ वास्तव में संभव है। हमारा मानना है कि दक्षता मजदूरी मौजूद है, लेकिन हम उनका पता नहीं लगा सकते हैं और वे (यकीनन) शिमर पहेली की व्याख्या नहीं करते हैं, जो इन दिनों उन्हें कम दिलचस्प बनाता है।