Produktivitetens konsekvenser Tjänstesektorns inverkan på ekonomisk tillväxt

NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet

Examensarbete D Författare: Per Stenfeldt

Handledare: Stefan Eriksson, Annika Alexius VT 2006

Produktivitetens konsekvenser

Tjänstesektorns inverkan på ekonomisk tillväxt

Sammandrag

Denna uppsats undersöker om tjänstesektorns storlek har någon effekt på ett lands ekonomiska tillväxt. Data för 92 länder under perioden 1975 till 2003 skattas i en dynamisk panelregression med tre alternativa metoder. Resultaten visar genomgående att effekten är negativ, dock med frånvaro av signifikans för vissa estimat. Detta resultat är i linje med den teoretiska bakgrunden som predicerar att produktivitetstillväxt är svårt att uppnå i tjänsteproduktion. Vidare säger teorin att den ekonomiska tillväxten blir lägre i länder med stor tjänstesektor eftersom långsiktig tillväxt per capita ytterst beror på produktivitetstillväxt.

Ur de estimerade resultaten kan även utläsas att effekten är större när urvalet begränsas till att endast gälla OECD länderna jämfört med när samtliga 92 länder ingår.

Nyckelord: produktivitet, tjänsteproduktion, ekonomisk tillväxt, globalisering, panel.

1 INLEDNING 4

2 GLOBAL STRUKTUROMVANDLIG 6

3 TEORETISK BAKGRUND 8

3.1 Produktivitet i tjänsteproduktion 8

3.2 Sambandet mellan produktivitet och tillväxt enligt Solow 11

4 EMPIRISK MODELL, DATA OCH RESULTAT 13

4.1 Ekonometri och modellspecifikation 13

4.2 Data 16

4.3 Resultat 18

4.4 Känslighetsanalys 22

5 SLUTSATS 25 APPENDIX 27 REFERENSER 28

1 Inledning

I pressen, dagliga diskussioner, vetenskaplig forskning och många andra forum pågår debatten om samhällsekonomins utveckling. Debatten handlar allt oftare om västvärldens ekonomier och det faktum att de går mot att bli serviceekonomier vilket innebär att större delen av ländernas bruttonationalprodukt (BNP) produceras i tjänstesektorn. Denna utveckling som innebär en ökad tjänsteproduktion i den rika delen av världen har givetvis flera förklaringar. Exempelvis medför en ökande globalisering att konkurrensutsatt varuproduktion flyttas till låglöneländer (Gao 2006). I Balassa och Samuelsons modell (Obstfeld och Rogoff 1996) görs en uppdelning där varor kallas ”tradables” och tjänster kallas ”nontradables”. Denna uppdelning beskriver att tjänsteproduktion är svårare att flytta till låglöneländer, för att sedan importeras, vilket ytterligare är en förklaring till varför tjänstesektorns storlek ökar. Vidare innebär en åldrande befolkningen att efterfrågan av service ökar, men även människors ökade inkomster bidrar till att höja efterfrågan på tjänster. En viktig fråga i sammanhanget är vilken betydelse en växande tjänstesektorn har för den ekonomiska tillväxten. Anledningen till att frågan är relevant är bl.a. att Baumol år 1967 visar att potentialen för produktivitetstillväxt är lägre i tjänsteproduktion än i varuproduktion. Konsekvensen av en växande tjänstesektor blir då lägre ekonomisk tillväxt eftersom den viktigaste faktorn för tillväxt är just produktivitet.

Men om nu trenden är att tjänstesektorn ökar vilket innebär ett större utbud av tjänster, varför finns det då så få hembiträden i västvärlden, och varför har inte den övre medelklassen eller ens överklassen heltidsarbetande tjänstefolk hemma längre? En förklaring kan vara rinnande vatten i hemmet, tvättmaskin, diskmaskin och andra tidssparande uppfinningar som gör hemarbetet mycket lättare. Men vidare ser vi hur charkdiskar, fiskdiskar och andra personalintensiva uppdrag i våra mataffärer i snabb takt bortrationaliseras och byts ut mot färdigpackade varor. Förklaringen till utvecklingen är att tjänstesektorn gör allt den kan för att dämpa den pågående kostnadsexplosionen som den låga produktivitetsökningen medför (Pugno 2006). Faktum är att allt som är möjligt att rationalisera bort försvinner även om det innebär sämre service för kunden. Utan tvekan är även undervisning och sjukvård två tydliga exempel på tjänsteproduktion som är svåra att rationalisera, och vad händer då med produktiviteten och tillväxten i ett samhälle där

människor utbildas under allt längre tid, befolkningen åldras i större utsträckning och efterfrågan på sjukvård och omsorg ständigt ökar? Kommer dessa samhällen att drabbas av låg produktivitet och låg tillväxt? Ytterligare en kritisk fråga är vad som kommer att hända i Europa, där stora delar av tjänstesektorn är i offentlig regi. När tjänstesektorn växer sig allt större innebär det att den kommer att kosta mer, och vad blir konsekvenserna av detta, när det inte går att öka skatterna i samma takt som utgifterna? En del av svaret ser vi redan idag;

ständiga neddragningar i den offentliga sektorn och utbrända människor som skall utföra sina uppgifter på allt kortare tid.

Vidare är det intressant att fundera över om denna utveckling innebär ekonomisk konvergens mellan länder? Om det är så, att de rikaste länderna i världen får lägre tillväxt för att de producerar mer tjänster samtidigt som utvecklingsländerna tar över delar av den högproduktiva industrisektor som västländerna flyttar ut, leder detta då till att de länder som deltar i denna omflyttning konvergerar mot varandra på lång sikt?

Det är således uppenbart att det finns ett antal intressanta frågor som berör sambandet mellan tjänsteproduktion, produktivitet och ekonomisk tillväxt. Syftet med denna uppsats är att svara på en av dessa: Har storleken på tjänstesektorn någon betydelse för ett lands ekonomiska tillväxt? Denna frågeställning blir extra intressant att undersöka eftersom jag kan konstatera en avsaknad på tidigare undersökningar av liknande karaktär. Faktum är att jag inte lyckats hitta någon studie inom detta område som har en liknande empirisk tillämpning.

Detta innebär att någon jämförelse med tidigare resultat är omöjlig och därmed inte förekommer i denna uppsats.

Resten av uppsatsen är disponerad enligt följande. Avsnitt 2 visar utvecklingen över tiden för produktionssektorerna för ett antal länder. I avsnitt 3.1 och 3.2 presenteras tidigare litteratur och teorier som berör detta område. Syftet är att dessa avsnitt skall ge en djupare förståelse och att den följande empiriska undersökningen inte enbart skall vara en jakt på korrelation utan snarare ett försök att finna i vilken riktning påverkan går. Är det rimligt att anta att tjänstesektorns storlek kan påverka den ekonomiska tillväxten? Den empiriska undersökningen består av att i avsnitt 4.1 konstruera en modell för ekonomisk tillväxt, som förutom standardvariablerna även innehåller en variabel som mäter tjänstesektorns storlek. I

avsnitt 4.2 presenteras de data som används för att kunna estimera modellen. Avsnitt 4.3 innehåller resultaten som framkommer av undersökningen och 4.4 är en känslighetsanalys av de estimerade resultaten. Avslutningsvis presenteras slutsatserna i avsnitt 5.

2 Global strukturomvandlig

Figur 1, 2 och 3 visar hur utvecklingen i tjänste-, industri- och jordbruksproduktion ser ut för fyra ekonomier. Västvärldens produktion av tjänster, som här representeras av Sverige och USA, ökar samtidigt som utvecklingsländerna tar över västvärldens utflyttade industriproduktion. Detta innebär en markant inkomstökning för dessa relativt fattiga utvecklingsländer vilket samtidigt medför att jordbrukssektorn i dessa länder blir mindre betydelsefull. Kina och Indonesien, som representerar utvecklingsländerna, är bra exempel på länder som öppnat för världshandel och därmed haft en mycket bra ekonomisk utveckling.

Figur 1. Tjänsteproduktion

0 10 20 30 40 50 60 70 80

1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 År

Procent av nominell BNP

USA Sverige Indonesien Kina

1 Data från World Development Indicators, WDI, 2005.

Figur 2. Industriproduktion

0 10 20 30 40 50 60

1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 År

Procent av nominell BNP

Kina Indonesien Sverige USA

Figur 3. Jordbruksproduktion

0 5 10 15 20 25 30 35

1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 År

Procent av nominell BNP

Kina Indonesien Sverige USA

Figur 1 visar att ökningen av tjänsteproduktion är större i västvärlden än för utvecklingsländer. I mitten på 70-talet var storleksskillnaden ca 20 procentenheter mellan Indonesiens och Sveriges tjänsteproduktion, medan i början av 2000-talet översteg skillnaden 30 procent. För industriproduktion gäller det omvända, enligt figur 2 växer den i utvecklingsländer och minskar i västvärlden. Skillnaden mellan Sverige och Indonesien går från ca 5 procent i mitten på 70-talet till att vara ca 15 procent i början av 2000-talet.

3 Teoretisk bakgrund

I detta avsnitt presenteras först varför det är rimligt att, enligt Baumol, förvänta sig att produktiviteten är lägre i tjänsteproduktion än i varuproduktion. Sedan visar jag med hjälp av Solows tillväxtmodell vilka konsekvenser detta kan få för den ekonomiska tillväxten.

3.1 Produktivitet i tjänsteproduktion

Det finns uppenbara skäl att misstänka att tjänsteproduktion har lägre produktivitet än varuproduktion. Baumol (2001) visar detta med flera exempel. Ett exempel visar att kostnaden för att besöka en läkare i USA steg med 5,5 procent per år mellan 1948 till 1995 medan den genomsnittliga prisökningen (KPI) i ekonomin endast var strax under 4 procent.

Skillnaden kan tyckas vara liten, men faktum är att under den nämnda perioden steg kostnaden för läkarbesök med 1200 procent. Omräknat i dollarköpkraft steg kostnaden med över 100 procent samtidigt som den genomsnittliga prisökningen i ekonomin var mindre än hälften av de 1200 procenten. Denna extrema ökning bleknar i jämförelse med kostnadsökningen för ett sjukhusrum som under samma period var 5500 procent eller omräknat i dollarköpkraft 800 procent. En liknande kostnadsexplosion finner man även inom utbildningssektorn där prisökningen per student i dollarköpkraft var 348 procent under samma period. Detta är dock inte enbart ett amerikanskt fenomen, Baumol visar liknade statistik för både Japan, Kanada och de rikaste länderna i Europa.

Vad är då den bakomliggande förklaringen till denna utveckling? Baumol pekar i huvudsak ut två orsaker. Det första skälet är att tjänsteproduktion är svår att standardisera i samma utsträckning som varuproduktion. Innan en läkare kan ordinera en behandling eller innan en bilreparatör kan laga en trasig bil måste det föregås av en individuell undersökning som är specifik i varje enskilt fall. Detta skiljer sig mot t.ex. biltillverkning där det är möjligt att producera tusentals bilar på löpande band med hjälp av industrirobotar. Det andra skälet är att kvaliten på produktionen är starkt korrelerad med mängden arbetskraft som ingår. Med andra ord är det svårt att inom tjänstesektorn minska personalen utan att kvaliten blir lidande. Lärare som minskar sin undervisningstid per klass eller ökar klasstorleken, läkare som förkortar undersökningstiden per patient eller poliser som minskar sin närvaro i samhället är alla exempel på kvalitetsförsämringar som uppstår vid nedskärning av personal.

Detta är enligt Baumol anledningen till att tjänstesektorn vare sig har upplevt en stadig och

ihållande produktivitetstillväxt, eller lyckats minska personaltätheten (Baumol 2001). Enkelt uttryckt är en anställd inom tjänstesektorn en del av slutprodukten medan i varuproduktion är en anställd en utbytbar del i produktionen (Baumol 1967).

Att det är svårt att minska antal anställda i tjänsteproduktion är lätt att förstå intuitivt, men varför måste det leda till denna oerhörda kostnadsökning? För att förstå detta kan man titta på en enkel modell (Baumol 1967 & 2001). Modellen antar en ekonomi som består av två sektorer där den ena, den ”föränderliga sektorn”, har produktivitetsökning och den andra, den ”stillastående”, har konstant produktivitet. Den första sektorn producerar bilar och den andra Mozart kvartetter. Vidare antas att det i bilproduktionen sker teknologisk utveckling, vilket resulterar i att produktion per arbetad timma årligen ökar med 4 procent, medan produktiviteten för kvartettmedlemmarna förblir oförändrad. Om lönerna i bilindustrin följer den ökande produktiviteten tar de ökande lönekostnaderna och produktivitetsökningen ut varandra då kostnaderna och produktionen ökar i samma takt.

Detta innebär att personalkostnaden per producerad enhet förblir oförändrad. Denna utveckling, som kan pågå i oändlighet, innebär att lönerna för arbetare i bilindustrin kan öka varje år medan priset på bilar förblir konstant. Detta skiljer sig kraftigt från kvartettframträdanden. Om lönerna för kvartettmedlemmarna även de antas öka med 4 procent per år, samtidigt som produktiviteten förblir oförändrad, innebär det att personalkostnaderna per producerad enhet också måste stiga med 4 procent per år. Att lönerna ökar även i denna sektor är endast ett antagande i Baumols modell, dock är detta antagande logiskt eftersom motsatsen, troligen med tiden, skulle innebära att arbetsutbudet försvinner i denna sektor. I modellen har inte prisinflation någon betydelse och påverkar inte det centrala budskapet. Så länge lönerna över huvud taget ökar för musiker i denna ekonomi kommer kostnaderna för live uppträdanden att öka kumulativt och ihållande relativt till kostnaden för att producera en bil, oavsett om den generella prisnivån i ekonomin förändras.

Detta exempel som är en förenkling av verkligheten tycks innehålla en hel del sanning. Om man översätter den ”stillastående” sektorn i exemplet som producerar Mozart kvartetter till att gälla hela tjänstesektorn i verkligheten är det omöjligt att inte se slående likheter. Även om sjukvården har genomgått stora förändringar mot bättre kvalitet de senaste årtiondena samtidigt som läkarnas undersökningstid per patient har kunnat minskas har det endast

medfört en marginell minskning av antalet läkare (Baumol 2001). Vad gäller utbildning har det inte skett någon större förändring av klasstorleken, och därmed inte någon större förändring av antalet elever som blir undervisade per arbetad lärartimma, och det breda omdömet är att kvaliten inte nämnvärt förbättrats. Produktionen av en timme polisarbete, en timme brevutbärning eller en timme gatusopning har troligtvis ökat i termer av områdestäckning tack vare motorfordon, men ökningen är endast blygsam och inte ihållande och kumulativ. Produktiviteten i domstolar och hos live-musiker uppvisar en ytterst liten ökning och trots att bilreparationer och bilservice har presterat något bättre är ökningen betydligt lägre än produktivitetsökningen i varuproduktion. Även förhållandena i socialtjänsten är liknande. Det går att räkna upp flera områden inom tjänstesektorn där utvecklingen ser likadan ut men poängen är redan uppenbar; produktivitetsökningar i tjänstesektorn är svårt att uppnå om ens möjlig i vissa delar.

Antagandet ovan att den ”stillastående” sektorn kan översättas till att gälla hela tjänstesektorn är ett starkt antagande. Givetvis är inte tjänstesektorn homogen, utan det är möjligt att göra en viss uppdelning. Baumol (1985) gör en tredelad beskrivning av tjänstesektorn, där bl.a. sjukvård, undervisning och livemusik ingår i den första kategorin.

Denna kategori som utgör den största delen av tjänstesektorn och därmed innebär att den

”stillastående” sektorn i exemplet inte egentligen utgör hela tjänstesektorn men kan ses som en approximation för hela sektorn. Den andra kategorin som Baumol kallar den ”progressiva opersonliga” delen innefattar telekommunikation som det tydligaste exemplet. Denna kategori där elektronik är av stor betydelse karaktäriseras av att arbetskraften inte har någon direkt kontakt med konsumenterna. Den opersonliga servicen innebär att kunderna inte i lika hög grad påverkas av personaltäthet eller av personalens bemötande vilket ger utrymme för hög produktivitetsökning genom teknisk utveckling. Så har också varit fallet då den stora tekniska utvecklingen har resulterat i hög produktivitet, främst genom transistorer, mikrovågor och sattelitkommunikation. Den tredje kategorin, den ”asymptotiskt opersonliga stillastående” delen, är en kombination av de två första där tv-produktion, forskning och utveckling är bra exempel. Kategori två och tre har med andra ord potential för högre produktivitet än den första kategorin och därmed är dessa kategorier inte desamma som den

”stillastående” sektorn i exemplet. Det står dock klart att den första kategorin är den största

och därmed är det möjligt att förvänta sig att tjänstesektorns bidrag till produktivitetstillväxt är låg.

Givet att tjänsteproduktion har lägre produktivitetstillväxt än övrig produktion är det högst relevant att undersöka vad det får för konsekvenser för ett lands ekonomi. För att se effekterna av denna lägre produktivitet måste man först förstå hur produktivitet påverkar ekonomin. År 1956 presenterade Robert Solow en modell som förklarar hur ett lands ekonomiska tillväxt påverkas av kapitalackumulation, produktivitet- och populationsförändringar. Modellen, som är allmänt erkänd och ökar förståelsen av hur produktivitet påverkar ekonomisk tillväxt, passar därför mycket väl in i sammanhanget.

3.2 Sambandet mellan produktivitet och tillväxt enligt Solow

Solowmodellen bygger på att produktion (Y) skapas av kapital (K), och av effektiva arbetare (EL). Om någon av dessa insatsfaktorer ökar så ökar även den totala produktionen.

Produktion är således en funktion av dessa produktionsfaktorer.

) , ( _{t t t}

t F K E L

Y =

Effektiva arbetare definieras i modellen som antalet fysiska arbetare, L, multiplicerat med ett mått på hur produktiv varje arbetare är, E. Detta innebär att om det finns utvecklad teknik som innebär högre produktivitet per fysisk arbetare kan man se det som att antalet arbetare har ökat.

Modellen utgår ifrån ett långsiktigt jämviktsläge, steady state, där produktion per effektiv arbetare och kapital per effektiv arbetare är konstanta. Anledningen till detta är att produktion, kapital och effektiva arbetare växer med samma tillväxttakt i steady state. Med andra ord kan ett land enligt Solowmodellen som befinner sig i steady state öka sin produktionstillväxt på kort sikt genom att antingen öka sparandet, öka populationstillväxten eller öka den tekniska utvecklingen. Detta beskriver däremot endast landets totala produktionstillväxt/ekonomiska tillväxt, men det säger inte särskilt mycket om individens förändrade levnadsstandard. Om man tänker sig att den ökande produktionen endast

2 Obstfeld och Rogoff, 1996 kapitel 7.1 och Blanchard, 2000 kapitel 12.

kommer från populationstillväxt, så är det ju faktiskt fler som skall dela på det som blir producerat vilket leder till att individens standard inte förbättras trots att landets totala ekonomi har växt. För att kunna se vad tillväxten har för konsekvenser i individens liv måste man titta på produktion per capita i landet. När man gör det och fortfarande behåller det kortsiktiga perspektivet kan produktionen per capita endast växa genom ökat sparande och/eller ökad teknisk utveckling. Problemet med ökat sparande är dock att ekonomin upplever ökad tillväxt endast under tiden landet anpassar sig till sitt nya steady state, när detta har skett är landet på en högre nivå d.v.s. rikare än tidigare, men om inget annat görs blir återigen tillväxten per capita noll³. Det intressanta perspektivet är däremot vad som händer på lång sikt. Ska långsiktig tillväxt uppnås genom sparande måste sparkvoten kontinuerligt öka vilket i slutändan leder till att all produktion sparas och inget konsumeras vilket inte är hållbart. Det enda alternativ som återstår för att uppnå tillväxt på lång sikt är därmed teknisk utveckling. Med teknisk utveckling lämnar landet det läget där ekonomin endast växer med samma takt som befolkningen växer vilket medför att produktionen per capita blir större. Detta är en logisk slutsats då det är uppenbart att en arbetare kan arbeta effektivare om denne får bättre redskap och utrustning.

Med andra ord kan långsiktig tillväxt av BNP per capita endast uppnås genom produktivitetsökning vilket skapas genom teknisk utveckling. Detta innebär att den lägre produktiviteten i tjänsteproduktion som Baumol påvisar direkt innebär lägre ekonomisk tillväxt i denna sektor. Vidare är det inte svårt att dra slutsatsen att om tjänstesektorn växer sig större som andel av BNP bör ju också landets totala tillväxt bli lägre. För att undersöka om denna teoretiska prediktion kan visas empiriskt har jag valt att genomföra en statistisk undersökning som omfattar 92 länder med data för perioden 1975 till 2003.

3 Här antas att ekonomin endast växer genom ökat sparande. Finns produktivitetstillväxt i ekonomin återgår tillväxten per capita till denna i steady state och inte till noll.

4 Empirisk modell, data och resultat

I detta avsnitt kommer först den ekonometriska modellen att presenteras. Därefter beskriver jag de data som kommer att användas. Sedan följer de estimerade resultaten och analys av dessa. Avslutningsvis genomförs en känslighetsanalys av resultaten.

4.1 Ekonometri och modellspecifikation

Den statistiska metod som används kallas dynamisk panelregression. Detta innebär att jag inte endast undersöker ett land över tiden (tidserie) eller flera länder vid en viss tidpunkt (tvärsnitt), utan en kombination av dessa, d.v.s. flera länder över tiden (Gujarati 2003) (Tempel 1999). I statistikprogrammet Eviews 5.1 skattar jag en modell som förklarar variationen i ett lands tillväxt och inkluderar en variabel som mäter storleken på tjänstesektorn för att kunna observera ett negativt eller positivt tecken på denna variabel. I modellen ingår fyra standardvariabler som följer av Solowmodellen. För att fånga effekten av sparande inkluderar jag mått på investeringar i fysiskt kapital och i humankapital. Orsaken till detta är att i ekonomier med kapitalrörelser är det investeringar i landet snarare än sparande som påverkar tillväxten. Uppdelningen till två variabler kommer av att investering kan ske både i fasta tillgångar och i utbildning. För att fånga effekten av befolkningstillväxt inkluderas ett mått på befolkningens årliga tillväxt. Den fjärde variabeln mäter ett lands initiala BNP nivå. Denna variabel inkluderas eftersom i en öppen ekonomi enligt Solowmodellen ska, allt annat lika, ett initialt fattigt land växa snabbare än ett initialt rikt land (konvergens).

Utöver de fyra ovan nämnda variablerna inkluderar jag två andra variabler i modellen som ofta förekommer i tillväxtstudier. Den ena variabeln anger omfattningen på ett lands handel med omvärlden medan den andra visar ett lands årliga inflation. Den förstnämnda tas med för att fånga i vilken utsträckning landet deltar i världsekonomin, vilket i sin tur även är ett mått på ett lands möjlighet att få tillgång till ny teknik (Cameron, Proudman och Redding, 2005). Den andra inkluderas eftersom inflationen kan ses som ett mått på ett lands stabilitet (Fischer 1991, 1993) (Rudebusch och Wilcox 1994). Detta är relevant då politisk instabilitet och oroligheter ökar osäkerheten i ett land och därmed kan skrämma bort potentiella investerare och andra viktiga aktörer.

Detta summerar således till en modell som förklarar tillväxt av BNP per capita, g, med hjälp av variablerna för landets initiala BNP per capita nivå (logaritmerad)(lnBNP), Populationstillväxt (Pop), Investeringar (fasta tillgångar)(Inv), Humankapital (utbildning)(Hum), Handel (Han), Inflation (Inf) och slutligen variabeln av intresse som mäter Tjänstesektorns storlek (Tjä). Modellen estimeras med fixa effekter för varje land, λ_i, men även för varje år, δ_t.⁴

t i t i t

i t

i t

i t

i t

i t

i t

i t

i BNP Pop Inv Hum Han Inf Tjä

g_, =λ +δ +β₁ln _, +β_{2 ,} +β_{3 ,} +β_{4 ,} +β_{5 ,} +β_{6 ,} +β_{7 ,} +ε _,

Valet att använda fixa effekter för länder faller sig naturligt eftersom det är rimligt att anta att det finns utelämnade landsspecifika effekter som påverkar den ekonomiska utvecklingen.

Anledningen att jag använder mig av fixa effekter för varje år är att jag vill kontrollera för den internationella konjunkturnivån.

Eftersom datamaterialet består av tidserier för makrovariabler bör man uppmärksamma att dessa serier innehåller konjunktureffekter. Dessa kan medföra att falska korrelationer uppstår, som endast beror på konjunktur och inte på den långsiktiga variationen som jag vill fånga. Det är fullt möjligt att ta hänsyn till detta, men det finns dock olika åsikter om vilken metod som är bäst. Ekonomer tenderar att starkt betona problemet med konjunktur och försöker rensa datamaterialet från detta, medan statistiker hävdar att rensning kan tillföra mer problem än det löser och därför tenderar att bortse från problemet. Darlauf, Johnson och Tempel (2004) hänvisar till tidigare studier där serierna rensas från konjunktur med hjälp av icke överlappande genomsnitt⁵. Icke överlappande genomsnitt innebär däremot att väldigt många observationer tappas och kan därmed leda till låg signifikans. Modellen kan även estimeras med överlappande genomsnitt för att få en modell som tar hänsyn till landsspecifik konjunktur men som inte tappar fullt så många observationer. Dessa två metoder förespråkas av ekonomer. Väljer man istället att använda en metod som förespråkas av statistiker innebär denna att serierna inte rensas utan endast kontrolleras med fixa effekter.

4 Mer detaljerad beskrivning av variablerna finns i tabell 1 sid 17.

5 Denna metod tillämpar Arora och Vamvakidis (2005) i en studie där de skattar en tillväxtmodell och inkluderar samtliga variabler som jag använder förutom variabeln för tjänstesektorn.

Eftersom det råder delade meningar om hur modellen bör estimeras väljer jag att estimera modellen med samtliga tre alternativa metoder. I den första (1) kontrollerar jag för landsspecifik konjunktur genom att använda sjuåriga överlappande genomsnitt (moving average). Nackdelen med detta är att man kan vänta sig problem med autokorrelation vilket leder till högt R²-värde och felaktigt signifikanta variabler. Dessutom tappar modellen observationer, då de första sex åren 1975-1980 dras in i det första genomsnittet. För att få bukt med signifikansproblemet estimerar jag modellen med Period SUR estimat som korrigerar standardfelen för både autokorrelation och heteroskedastitet. Men även om de sjuåriga genomsnitten får bort konjunkturen är problemet inte löst, dels p.g.a.

autokorrelation i standardsfelen, men även för att det är ett starkt antagande att förutsätta att samtliga länders konjunkturcyklar är sju år. I den andra metoden (2) tar jag inte hänsyn till landsspecifik konjunktur utan estimerar modellen utan genomsnittsvärden och då endast med fixa effekter för tid och länder. Poängen med detta är att kunna jämföra om genomsnitten får bort mer problem p.g.a. landsspecifik konjunktur, än de tillför. Den tredje metoden (3) baseras även den på genomsnitt. I artikeln av Durlauf, Johnson och Temple (2004), där denna metod förespråkas, diskuteras svårigheten att tolka resultaten som långsiktiga effekter vid avsaknad av genomsnittliga värden. Skillnaden är dock att i denna metod är genomsnitten inte överlappande, vilket resulterar i väldigt få observationer. I detta fall är tidserierna 29 observationer långa och om genomsnitten består av 5 observationer innebär det att endast 6 observationer återstår över tiden. Även här är syftet att ta hänsyn till landsspecifik konjunktur, men genom att inte tillämpa överlappning slippa problemet med autokorrelation. Trots detta kommer autokorrelation att uppstå ändå eftersom alla länders konjunkturcykler inte är lika långa och eftersom alla länder inte är på samma ställe i sin konjunkturcykel samtidigt. Därför estimeras även standardfelen i denna metod med Period SUR.

Vidare är förekomst av multikollinearitet att förvänta då t.ex. en hög populationstillväxt bör ha ett negativt samband med andel personer av årskullen som deltar i utbildning. Även högt deltagande i utbildning förväntas vara positivt korrelerad med en stor tjänstesektor, då båda förekommer i rika ekonomier. Ytterliggare en uppenbar korrelation att förvänta är mellan initial BNP nivå och storleken på tjänstesektorn då rika länder i regel producerar mer tjänster. Omvänd förklaringsriktning d.v.s. kausalitetsproblem bör inte vara något allvarligt

problem vad gäller förklaringsriktningen mellan variabeln för tjänstesektor och BNP per capita tillväxt. Det är visserligen rimligt att ett rikt land efterfrågar mer tjänster, men inte alls lika uppenbart att ett land med hög tillväxt efterfrågar mer tjänster. I ett längre perspektiv är det dock tänkbart om ett land har hög tillväxt under flera år vilket resulterar i högre BNP och därmed en större tjänstesektor. Men detta belägger snarare korrelationen mellan variablerna för tjänstesektor och initial BNP.

4.2 Data

Allt datamaterial som används i denna undersökning kommer från Världsbankens databas World Development Indicators, WDI. Förutom utbildningsvariabeln är data för alla variabler hämtade från WDI 2005. Data för utbildningsvariabeln fram till år 1996 har hämtats från Athanasios Vamvakidis på International Monetary Fund, IMF, som i sin tur refererar till WDI 2002, data från 1998 till 2002 kommer från WDI 2005, data för 1997 och 2003 kommer från Världsbankens årsböcker 2000 respektive 2005. Att antalet länder blev just 92 beror främst på begränsningar i databasen. Jag har endast valt de länder där det finns ordentligt med data tillgängligt för de centrala variablerna som ingår i modellen. Kriteriet jag använder är att det maximalt får saknas 5 observationer per tidserie och att dessa observationer ligger i början och/eller i slutet av serien. Vidare har jag uteslutigt samtliga länder från forna Sovjetunionen. Orsaken till detta är dels att data saknas och faller under ovanstående kriterium, men även där data finns är länderna uteslutna då jag inte har fullt förtroende för statistik som kommer från länder där tillämpning av planekonomi förekommer. Kina som officiellt är en kommunistisk regim och därmed bör tillämpa planekonomi har inkluderats p.g.a. landets intressanta ekonomiska utveckling, men även för att ekonomin i realiteten inte är en planekonomi eftersom privat ägande numera tillåts.

Officiellt finns det 24 medlemmar i OECD, i mitt material är dock endast 22 inkluderade då data saknas nästan genomgående för Schweiz och Sydkorea. I tabell 1 presenteras variablernas konstruktion och innehåll.

Tabell 1. Variabelbeskrivning

Variabelnamn Variabelbeskrivning BNP per capita tillväxt Årlig tillväxt i nominell BNP per capita.

Initial BNP per capita

nivå Nominell BNP per capita i logaritmerade värden. Omräknat till den internationella dollarkursen för 2000. Denna är PPP justerad och har samma köpkraft som US dollar år 2000.

Populationstillväxt Årlig populationstillväxt.

Investeringar Årliga investeringar i fasta tillgångar. Anges som procent av BNP. (gross capital formation tidigare gross domestic investment).

Humankapital Skoldeltagande. Andel som deltar i Secondary school (mellanting av högstadium och gymnasium) av storleken på motsvarande årskull. Andelen beräknas på total befolkning vilket innebär att värdet kan överstiga 100 %.

Handel Import och export av varor och tjänster. Anges som andel av BNP.

Inflation Årlig BNP deflator.

Tjänstesektor Andel av nominell BNP som produceras i tjänstesektorn.

För att de tre metoderna ska vara möjliga att estimera ser variabeln som anger initial BNP nivå annorlunda ut i de tre fallen. I den första metoden med överlappande genomsnitt ligger värdet för BNP per capita för 1975 konstant för de sju första genomsnitten, sedan ligger värdet för BNP per caoira för 1982 för nästa sju genomsnitt, osv. I metoden med endast fixa effekter ligger BNP per capita värdet för 1975 stilla för de sju första observationerna, sedan värdet för 1982 för de nästa kommande sju observationerna. Skillnaden mot den första metoden är att i den saknas de sex sista observationerna av detta rullande schema. I metoden med icke överlappande genomsnitt används BNP per capita värdet för det initiala året i varje genomsnitt d.v.s. 1975, 1980, 1985 osv. Tänkbart är att använda BNP värdet för 1975 som det enda värdet genom hela serien, i någon mening som en nivå dummy. Detta är dock inte möjligt i samband med fixa effekter för varje land då det uppstår perfekt samband mellan dessa. I tabell 2 presenteras variablerna deskriptivt och där anges också vilken effekt de förväntas ha på BNP per capita tillväxt.

Tabell 2. Deskriptiv statistik och förväntat tecken

Medelvärde Maxvärde Minvärde Standard-

avikelse Förväntat tecken BNP per capita tillväxt 1,30 19,75 -28,73 4,43

Ln (Initial BNP per capita) 8,33 10,52 6,24 1,11 - Populationstillväxt 1,90 5,70 -0,62 1,09 -

Investeringar 22,02 66,37 -5,74 7,47 +

Humankapital 53,79 178,15 2,00 34,41 +

Handel 65,45 289,53 6,32 36,01 +

Inflation 56,37 26762,02 -29,17 731,74 - Tjänstesektor 50,69 79,64 16,50 10,96 -

Överlag är det god täckning av observationer för de olika variablerna, men det finns svagheter. Variabeln för humankapital saknar många observationer och är, som nämndes tidigare, den enda variabel där jag varit tvungen att skarva datasetet med uppgifter från olika publikationer från Världsbanken. Trots detta saknas flera observationer, vilket resulterar i svag signifikans i de kommande resultaten. För inflationsvariabeln saknas helt uppgifter för Peru. Trots detta är landet med då inflation inte är en central variabel och informationen för övriga variabler är fullständig. Observationen för maxvärdet på inflationsvariabeln tillhör Kongo, demokratisk republik.

4.3 Resultat

När nu modellen och metoderna för att estimera denna är presenterade samt att variablerna är definierade är det dags att presentera resultaten. I tabell 3 kommer resultaten för samtliga 92 länder att presenteras. Sedan begränsas urvalet till att endast gälla OECD länderna i tabell 4. I tabellerna presenteras de tre estimationsmetoderna i var sin kolumn, där numret på respektive metod överensstämmer med det givna numret från avsnitt 4.1.

Tabell 3. Estimationsresultat för samtliga länder

Förklarande variabler (1) (2) (3) Initial BNP per capita -4.5862***

(0.5146) -3.7388***

(0.5032) -5.0487***

(0.8049) Populationstillväxt -0.5129*

(0.2832) -0.4614**

(0.2154) -0.3268 (0.3852) Investeringar 0.0995***

(0.0241) 0.1806***

(0.0169) 0.1666***

(0.0299) Humankapital 0.0127

(0.0135) 0.0197**

(0.0099) 0.0131 (0.0192) Handel 0.0375***

(0.0089) 0.0324***

(0.0066) 0.0035 (0.0022) Inflation -0.0008**

(0.0004) -0.0005***

(0.0001) -0.0007 (0.0006) Tjänstesektor -0.0707**

(0.0292) -0.1010***

(0.0194) -0.0420 (0.0378)

Antal länder 86 91 89

Antal tidsobs. 23 29 6 Totalt antal obs. 1249 2181 347

Adj. R² 0.76 0.26 0.51

d-w statistika 0.454 1.803 2.583 Koefficientskattningar för de tre estimationsmetoderna när samtliga länder är Inkluderade. (1)= överlappande genomsnitt, (2)= inga genomsnitt, (3)= icke överlappande genomsnitt. Standardfelen presenteras inom parentes. För metod 1 och 3 är standardfelen estimerade med period SUR. Signifikanta koefficienter markeras med ***, ** eller * och indikerar på 1, 5 respektive 10 procents signifikansnivå.

Av tabell 3 framgår att tjänstesektorns storlek genomgående har en negativ inverkan på landets ekonomiska tillväxt. Dock skiljer sig koefficientestimaten åt i storlek och koefficienten för tjänstesektorn är inte signifikant i metod 3. Trots detta är det möjligt att konstatera att tjänstesektorn har en negativ effekt på tillväxten. Även om det är möjligt att konstatera en negativ effekt bör storleken på denna effekt inte få för stor uppmärksamhet då den inte är stabil vid jämförelse mellan de tre metoderna. Det är ändå intressant att göra en viss tolkning av effekten för att få någon uppfattning om dess omfattning. Enligt den första metoden innebär 1 procentenhets ökning av tjänstesektorns storlek att BNP tillväxten blir 0,07 procentenheter lägre. För att se konsekvensen av denna effekt är det enklare att använda ett konkret exempel. Om skillnaden på två länders tjänstesektorer är 10 procentenheter kommer landet med den större tjänstesektorn att växa 0,7 procentenheter mindre per år. Men effekterna av ekonomisk tillväxt bör ses i ett långsiktigt perspektiv.

Består storleksskillnaden på 10 procentenheter mellan ländernas tjänstesektorer under tio år kommer BNP i landet med den större tjänstesektorn ha växt ca 7 procent mindre vid

periodens slut. Men som sagt, storleken av effekten är svår att bestämma då samma exempel resulterar i ca 11 procent skillnad efter tio år enligt metod 2 och endast 4 procent skillnad enligt metod 3.

Vad gäller övriga variabler i modellen har samtliga koefficienter i de tre metoderna förväntat tecken och storleken på estimaten är liknande jämfört med vad tidigare studier har funnit, se t.ex. Arora och Vamvakidis (2005). Det negativa tecknet på initial BNP per capita innebär ekonomisk konvergens mellan länder, vilket är i linje med vad Solowmodellen predicerar.

Vidare är det tänkbart, som nämndes i inledningen, att den negativa effekten som tjänstesektorn har på ekonomisk tillväxt ytterligare kan förstärka konvergensen mellan länder. Här i ligger dock problemet med att särskilja effekten på ekonomisk tillväxt mellan initial BNP och tjänstesektorns storlek. Eftersom korrelationen mellan dessa variabler är hög, p.g.a. att en stor tjänstesektor i regel förekommer i rika länder, är det svårt att bestämma hur stor effekten är från tjänstesektorn. Visserligen kontrolleras det i modellen för effekten som ett initialt rikt land har på ekonomisk tillväxt men trots detta bör resultaten tolkas med försiktighet då effekten är svår att isolera.

För att få någon indikator på autokorrelation tittar jag på Durbin-Watson statistikan. Inte helt oväntat avviker statistikan från 2 i betydligt högre grad för metod 1 och 3 än för metod 2 som är estimerad utan genomsnitt. Noterbart är att antalet observationer skiljer sig åt mellan de tre metoderna. I metod 1 och 3 beror detta på genomsnitten, då Eviews exkluderar icke kompletta genomsnitt. I metod 2 exkluderas Peru p.g.a. att data saknas för inflationen i detta land.

För att säga något om vilken metod som är mest tillförlitlig följer en jämförelse mellan de tre. Metod 3 som uppvisar svag signifikans för flera variabler oroar något då det är denna metod Arora och Vamvakidis använder när de få signifikanta resultat för flera av de variabler som inte är signifikanta i tabell 3. Metod 1 som kontrollerar för landsspecifik konjunktur och därmed dras med autokorrelationsproblem uppvisar resultat som är förvånansvärt lika metod 2. Därmed är det möjligt att fråga sig om landsspecifika konjunktureffekter är ett stort problem, eller om detta till viss del kontrolleras för via de fixa effekterna för åren. Detta kan vara möjligt att anta då de flesta länder följer världskonjunkturen, dock med viss fördröjning.

Med andra ord verkar det som att både metod 1 och 2 ger någorlunda lika estimat medan metod 3 har signifikansproblem, främst p.g.a. väldigt få tidsobservationer.

I resultaten ovan, där samtliga länder ingår som Världsbanken har information för, ingår många utvecklingsländer från Sydamerika, Afrika och Asien. Dessa länder, som är fattigare än OECD länderna, har därmed mindre resurser till informationsinsamling och säkerheten i beräkningsmetoder är lägre än i de rika västländerna. Med anledning av denna avsaknad av information och osäkerheten i de siffror som faktiskt finns är det lämpligt att även använda data från enbart OECD för att skatta de tre nämnda metoderna. Vidare är det intressant att endast studera OECD länderna p.g.a. deras högt utvecklade forskning och utveckling samt öppenhet för ny teknologi som enligt Scarpetta och Tressel (2002) leder till att produktiviteten ökar. Ytterliggare en anledning till att studera dessa länder är att deras tjänstesektorer i de flesta fall överstiger 60 procent av BNP, och i någon mening, p.g.a. deras position som rikast i världen visar vart resten av världens länder hamnar när de blir rikare.

Tabell 4. Estimationsresultat för OECD länderna

Förklarande variabler (1) (2) (3) Initial BNP per capita -1.6246

(1.9212) -3.6347***

(1.3469) -6.9588**

(3.2717) Populationstillväxt -1.4033***

(0.4074) -1.1536***

(0.2386) -1.0215 (0.6815) Investeringar 0.2340***

(0.0808) 0.2615***

(0.0322) 0.1488 (0.0995) Humankapital -0.0105

(0.0171) 0.0127*

(0.0072) 0.0039 (0.0235) Handel 0.1110***

(0.0288) 0.0671***

(0.0095) 0.0049 (0.0032) Inflation -0.0282

(0.0343) -0.0648***

(0.0166) -0.0264 (0.0437) Tjänstesektor -0.0343

(0.0798) -0.1795***

(0.0386) -0.0299 (0.1138)

Antal länder 20 22 22

Antal tidsobs. 22 29 5 Totalt antal obs. 290 536 80

Adj. R² 0.66 0.46 0.37

d-w statistika 0.398 1.440 2.746 Koefficientskattningar för de tre estimationsmetoderna när endast OECD länderna är inkluderade. (1)= överlappande genomsnitt, (2)= inga genomsnitt, (3)= icke överlappande genomsnitt Standardfelen presenteras inom parentes. För metod 1 och 3 är standardfelen estimerade med period SUR. Signifikanta koefficienter markeras med ***, ** eller * och indikerar på 1, 5 respektive 10 procents signifikansnivå.

I tabell 4 ser vi att även dessa resultat visar på tjänstesektorns negativa effekt på tillväxten.

Däremot är effekten inte signifikant i samma utsträckning som när samtliga länder är med.

Det är endast metoden utan genomsnitt som tydligt kan visa på en signifikant effekt, de två övriga uppvisar negativa tecken, men koefficienterna kan inte med säkerhet skiljas från noll.

Förklaringen till denna frånvaro av signifikans misstänker jag främst beror på problem av ekonometrisk karaktär. Först och främst blir samplet mindre när endast OECD länderna ingår vilket medför att antalet observationer faller till en fjärdedel jämfört med tidigare och för det andra är detta sampel förhållandevis homogent jämfört med de 92 länderna. Dessa två aspekter innebär att variationen mellan observationerna minskar och därmed möjligheten för ett signifikant mönster i datamaterialet. Vidare förstärks problemet med multikollinearitet som en direkt konsekvens av detta.

För att minska problemet med få observationer kommer jag i en känslighetsanalys att exkludera variabeln för humankapital som saknar observationer för flera år och nästan helt för Tyskland och Luxemburg. Med anledning av detta väntar jag med den kompletta tolkningen av resultaten tills detta gjorts. Jag kan dock redan nu säga något om det signifikanta resultatet i metod 2. Sätts detta in i förklaringsexemplet från tidigare innebär det att skillnaden i BNP per capita mellan de två länderna efter tio år skulle var ca 17 procent.

Vidare fortsätter samtliga variabler i de tre metoderna att uppvisa förväntade tecken, förutom humankapitalsvariabeln i metod 1 som ändrar tecken till negativt. Detta tolkar jag som en konsekvens av problemet ovan.

Vad gäller autokorrelation är resultaten som tidigare, större avvikelse i d-w statistikan från 2 i metod 1 och 3 där genomsnitt finns än i metod 2 där endast fixa effekter används.

4.4 Känslighetsanalys

För att ytterliggare undersöka de resultat som har presenterats i tabell 3 och 4 genomför jag en känslighetsanalys. Här kommer jag att utesluta variabler som jag misstänker kan störa koefficientskattningarna och dess signifikans. Variablerna som är aktuella att exkluderas är de som är stark korrelerade med variabeln för tjänstesektorn samt variabeln för humankapital som har lågt antal observationer. Från samplet med samtliga 92 länderna väljer jag att i tabell

5 skatta metod 1, överlappande genomsnitt, och metod 2, utan genomsnitt. Estimaten för metod 3 presenteras i appendix. Anledningen till detta beror på de få observationerna i metod 3 som ger osäkra icke signifikanta resultat. Samtliga tre metoder uppvisar övervägande negativa estimat för tjänstevariabeln, men det är endast i metod två som variabeln är signifikant. Vidare väljer jag att skatta metod 2 för OECD samplet i tabell 5 men undersöker även det icke signifikanta resultatet för metod 1 från tabell 4 för OECD samplet.

Tabell 5. Estimationsresultat för känslighetsanalys

Förklarande variabler (1):92 (1):92 (2):92 (2):92 (1):OECD (2):OECD Initial BNP per capita -4.8401***

(0.5258) -3.5322***

(0.4680) -4.5764***

(1.4661) -3.5759***

(1.0879) Populationstillväxt 0.1435

(0.1900) 0.0765

(0.2284) 0.3603***

(0.0846) 0.3529***

(0.0856) -0.9081**

(0.3928) -1.0672***

(0.2155) Investeringar 0.1175***

(0.0250) 0.1233***

(0.0303) 0.1946***

(0.0162) 0.1902***

(0.0164) 0.1243*

(0.0637) 0.2831***

(0.0298) Humankapital

Handel 0.0311***

(0.0086) 0.0210**

(0.0103) 0.0205***

(0.0065) 0.0113*

(0.0065) 0.0796***

(0.0133) 0.0595***

(0.0083) Inflation -0.0012***

(0.0003) -0.0011***

(0.0003) -0.0004***

(0.0001) -0.0004***

(0.0001) -0.0186

(0.0247) -0.0682***

(0.0157) Tjänstesektor 0.0071

(0.0230) -0.0240

(0.0276) -0.0438**

(0.0174) -0.0653***

(0.0173) -0.1038*

(0.0550) -0.1646***

(0.0336)

Antal länder 91 91 91 91 22 22

Antal tidsobs. 23 23 29 29 23 29

Totalt antal obs. 2046 2053 2596 2603 490 622

Adj. R² 0.68 0.60 0.23 0.21 0.65 0.47

d-w statistika 0.373 0.269 1.804 1.758 0.281 1.379 (1)= överlappande genomsnitt, (2)= inga genomsnitt. Standardfelen presenteras inom parentes. För metod 1 är standardfelen estimerade med period SUR. Signifikanta koefficienter markeras med ***, ** eller * och indikerar på 1, 5 respektive 10 procents signifikansnivå.

I den första och tredje kolumnen i tabell 5 utesluts variabeln för humankapital ur metod 1 och 2, dels p.g.a. lågt antal observationer, men även p.g.a. stark korrelation med variabeln för tjänstesektorn. Variabeln för humankapital förklarar 39 respektive 42 procent av tjänstevariabelns variation. I den andra och fjärde kolumnen exkluderas även variabeln för initial BNP per capita då denna variabel förklarar 49 respektive 46 procent av tjänstevariabelns variation. Den negativa effekten som tjänstevariabeln utgör på tillväxten kvarstår för metod två medan effekten inte kan skiljas från noll för metod 1. Det är värt att notera att variabeln för populationstillväxt ändrar tecken i samtliga fyra kolumner. Detta

tolkar jag som en konsekvens av korrelationen mellan populationstillväxt och humankapital.

Variabeln för populationstillväxt förklarar 56 procent av variationen i humankapitalvariabeln.

Vidare kan detta tolkas som att ett mått på humankapital bör ingå i tillväxtmodeller.

Även den sjätte kolumnen består av resultat från metod 2, nu är däremot samplet begränsat till att endast gälla OECD länderna. Även här består den negativa effekten när variabeln för humankapital exkluderas. Nu förklarar humankapitalvariabeln 36 procent av variationen i tjänstevariabeln. I den femte kolumnen studeras det icke signifikanta resultatet i metod 1 från tabell 4 som även det gäller OECD länderna. När variabeln för humankapital utesluts stiger antalet observationer från 290 till 490 och variabeln för tjänstesektorn uppvisar ett signifikant negativt resultat.

När jag exkluderar variabeln för humankapital i metod 3 och samplet består av samtliga 92 länder, kan inte koefficienten för tjänstevariabeln med säkerhet skiljas från noll (se appendix). Vidare är inte denna koefficient signifikant för metod 3 när variablerna exkluderas på motsvarande sätt som i kolumn 2 och 4 i tabell 5. När endast variabeln för tjänstesektorn står som förklarande, vilket innebär att påverkan från andra variabler inte är möjlig, är tecknet negativt för samtliga tre metoder, men det är endast för metod 2 som effekten är signifikant (se appendix).

Vidare kan jag konstatera att när variablerna för inflation och handel exkluderas påverkas inte koefficientstorleken för tjänstevariabeln nämnvärt och tecknet förblir negativt. Detta resultat gäller för samtliga tre metoder. Skattningarna för detta är inte presentera.

Att storleken på jordbrukssektorn och storleken på industrisektorn inte har inkluderats i den estimerade modellen beror på att dessa tillsammans med tjänstesektorn summerar till 1 vilket inte är möjligt att estimera. Inkluderas variablerna separat har de ingen signifikant effekt tillsammans med variabeln för tjänstesektor.

Det verkar som att den negativa effekten som tjänstesektorn har på ekonomisk tillväxt är ett robust resultat både bland OECD länderna och bland samtliga 92 länder. Däremot är det svårt att utläsa något precist punktestimat på denna koefficient. Man kan dock observera en

tendens av att effekten är något större bland OECD länderna. När samtliga 92 länder ingår och effekten är signifikant är den mellan 0.05 och 0.10, enligt tabell 3 och 5, medan när endast OECD länderna ingår är effekten 0.10 eller större enligt tabell 4 och 5. Detta innebär i termer av det tidigare exemplet att ett land med 10 procent större tjänstesektor efter tio år har växt ca 5 procent respektive ca 10 procent mindre än landet med den mindre tjänstesektorn.

För att undersöka om denna effekt är signifikant större hos OECD länderna genomför jag ett test. För att genomföra ett test behövs oberoende stickprov. Därför estimeras metod 2 med ett tredje sampel (samtliga länder (92) - OECD (22)) (se appendix). Nu är det möjligt att testa om effekten för OECD är större än för övriga länder. Jag använder mig av ett t-test med poolade standardfel. Nollhypotesen är att de två effekterna är lika stora medan den alternativa hypotesen är att effekten för OECD länderna är större. Antalet observationer är stort vilket innebär att antalet frihetsgrader kan approximeras med oändligheten. Testet genomförs på 10 procents signifikansnivå. Detta innebär att nollhypotesen förkastas om t värdet understiger -1,282.

( )

⁽

⁾

, 0 179505 ,

0 0

2

2 =−

+

−

−

→ −

−

−

= −

OECD OECD OECD OECD

V

t β β

β β

Testet visar på att nollhypotesen förkastas på 10 procents signifikansnivå till förmån för den alternativa hypotesen som innebär att effekten är större bland OECD länderna jämfört med icke OECD länder. Detta resultat gäller dock endast för metod 2 vilket innebär att resultatet bör betraktas med försiktighet.

5 Slutsats

Syftet med denna uppsats var att svara på frågan om storleken på tjänstesektorn har någon betydelse för ett lands ekonomiska tillväxt. Med hjälp av Baumol och Solows teorier är det rimligt att förvänta sig att storleken på tjänstesektorn har en negativ inverkan på den ekonomiska tillväxten. Resultatet från den empiriska undersökningen är att tjänstesektorn verkar ha betydelse, och att den observerade effekten är av betydande storlek. Dock kan inte denna negativa effekt alltid, med säkerhet, skiljas från noll eftersom några resultat från de tre estimerade metoderna inte är signifikanta. Detta innebär att resultaten bör betraktas med viss försiktighet. Det står däremot klart att inget av de estimerade resultaten uppvisar signifikanta

positiva effekter, utan när effekten är signifikant är den negativ. Storleken på effekten tenderar att variera något beroende på vilka länder som inkluderas. När modellen används på OECD länderna verkar det som att effekten är större än när samtliga 92 länder inkluderas.

Är dessa estimat korrekta tyder det på att rika länder känner av effekten mer än andra. En möjlig förklaring till detta kan vara att marginaleffekten är tilltagande ju rikare ett land blir, eftersom det är svårare att finna rationaliseringsmöjligheter ju mer tjänstesektorn är utvecklad. Ytterligare en förklaring till denna större effekt bland OECD länderna kan vara att de är mer integrerade i världshandel vilket resulterar i att låg produktivitetsökning får större konsekvenser.

Resultat kan även tolkas som att ekonomisk konvergens mellan länder inte är helt oväntad p.g.a. den globala omflyttningen av produktion. När utvecklingsländerna tar över delar av den högproduktiva industrisektorn som västvärlden flyttar ut, samtidigt som tjänstesektorn växer i västvärlden, är det troligt att den observerade negativa effekten kan ha betydelse.

Vidare är det intressant att följa hur Europas rika länder kommer att hantera en växande tjänstesektor som till stor del är skattefinansierad. Om den negativa effekten tolkas som att tjänstesektorn har låg produktivitetstillväxt innebär detta att tjänstesektorn kommer att fortsätta att öka i andel av BNP, vilket i sin tur innebär att skatterna måste öka eller att de offentligt producerade tjänsterna privatiseras.

För att med säkerhet kunna finna vad den observerade negativa effekten beror på, och för att mer precist bestämma den, är en ide att direkt studera produktivitetens påverkan på ekonomisk tillväxt i olika produktionssektorer och i olika länder. Ytterligare kan även produktiviteten studeras i de olika delarna inom tjänstesektorn, då Baumol påpekar att produktivitetsökning är lättare att uppnå i de teknologiintensiva delarna.

Appendix

Tabell 1. Estimationsresultat för känslighetsanalys

Förklarande variabler (1):92 (2):92 (3):92 (3):92 (3):92 (3):OECD (2):t-test Initial BNP per capita -3.4967***

(0.5603) -2.3501

(1.7111) -4.1665***

(0.5844) Populationstillväxt 0.6482***

(0.1927) 0.6423***

(0.2050) -0.4383

(0.4575) -0.4452 (0.2834) Investeringar 0.1540***

(0.0244) 0.1404***

(0.0257) 0.2169***

(0.0656) 0.1875***

(0.0195)

Humankapital 0.0097

(0.0153)

Handel 0.0024

(0.0018) 0.0019

(0.0019) 0.0025

(0.0018) 0.0241***

(0.0079)

Inflation -0.0011***

(0.0003) -0.0010***

(0.0003) -0.0385

(0.0354) -0.0005***

(0.0001) Tjänstesektor -0.0057

(0.0289) -0.0516***

(0.0178) -0.0108

(0.0240) -0.0370

(0.0251) -0.0295

(0.0262) -0.0339

(0.0664) -0.1171***

(0.0227)

Antal länder 92 92 91 91 92 22 69

Antal tidsobs. 23 29 6 6 6 6 29

Totalt antal obs. 2095 2647 526 526 537 122 1645

Adj. R² 0.52 0.18 0.47 0.41 0.31 0.40 0.26

d-w statistika 0.248 1.701 2.241 2.254 2.306 2.256 1.85 (1)= överlappande genomsnitt, (2)= inga genomsnitt, (3)= icke överlappande genomsnitt. Standardfelen presenteras inom parentes

och är estimerade med period SUR. Signifikanta koefficienter markeras med ***, ** eller * och indikerar på 1, 5 respektive 10 procents signifikansnivå.

Tabell 2. Samtliga inkluderade länder

Algeriet El Salvador Japan* Niger Thailand

Argentina Elfenbenskusten Jordan Nigeria Togo

Australien* Fiji Kamerun Norge* Trinidad och Tobago Barbados Filippinerna Kanada* Nya Zeeland* Tunisien

Belgien* Finland* Kenya Pakistan Turkiet Benin Frankrike* Kina Papua Nya Guinea Tyskland*

Bolivia Gabon Kongo, Dem. Rep. Paraguay Uruguay

Botswana Gambia Kongo, Rep. Peru USA*

Brasilien Ghana Lesotho Portugal* Venezuela Burkina Faso Grekland* Luxemburg* Rwanda Zambia

Burundi Guatemala Madagaskar Saudiarabien Zimbabwe Centralafrika. Rep. Guinea-Bissau Malawi Senegal Österrike*

Chad Guyana Malaysia Sierra Leone

Chile Honduras Mali Spanien*

Colombia Indien Marocko Sri Lanka Costa Rica Indonesien Mauritius Storbritannien*

Danmark* Irland* Mexico Swaziland Dominikanska Rep. Island* Nederländerna* Sverige*

Ecuador Italien* Nepal Sydafrika

Egypten Jamaica Nicaragua Syrien

OECD länderna är markerade med *.

Referenser

Arora, Vivek och Athanasios Vamvakidis, 2005. “How much do trading partners matter for economic growth?”. IMF staff papers Vol. 52, no. 1.

Baumol, W.J., 1967. “Macroeconomics of unbalanced growth: The anatomy of urban crisis.

American Economic Review” 57, pp. 415-426.

Baumol, W.J., 1985. “Productivity policy and the service sector”. In: Inman, P. (Ed.), Managing the Service Economy. Cambridge University Press, Cambridge (Mass.), pp. 301-317.

Baumol, W.J., 2001. “Paradox of the service:exploding cost, persistent demand”. In: ten-Raa, T., Schettkat, R. (Eds.), The growth of service industries: The Paradox of exploding cost and persistent demand. Elgar, Cheltenham (UK) and Northampton (Mass.), pp. 3-28.

Blanchard, Oliver, 2000, Macroeconomics, second edition, Upper saddler river, New Jersey, USA, Prentice-Hall Inc.

Cameron, Gavin, James Proudman och Stephen Redding, 2005. “Technological convergence, R&D, trade and productivity growth”. European economic review 49, pp. 775- 807.

Darlauf, Steven N., Paul A. Johnson och Jonathan R.W. Tempel, 2004. “Growth econometrics”. Wisconsin Madison - Social Systems, Working papers: 18.

Fischer, Stanley, 1991. “Growth, macroeconomics and development”. NBER macroeconomics annual 6, pp. 329-364.

Fischer, Stanley, 1993. “The role of macroeconomic factors in growth”. Journal of monetary economics 32 (Dec.), pp. 485-512.

Gao, Ting, 2006. “ Trade costs, international production shifting, and growth”. European economic review, tillgänglig online mars 2006.

Gujarati, Damodar N., 2003, Basic Econometrics, fourth edition, New York, USA, McGraw- Hill.

Obstfeld, Maurice and Kenneth Rogoff, 1996, Foundation of international macroeconomics, Cambridge, (Mass.), The MIT Press.

Pugno, Maurizio, 2006. “The service paradox and endogenous economic growth”. Structural change and economic dynamics, no. 17 pp. 99-115.

Rudebusch, Glenn D. och David W Wilcox, 1994. “Productivity and inflation: evidence and interpretations”. Opublicerad, Federal reserve board (Maj).

Scarpetta, Stefano och Thierry Tressel, 2002. “Productivity and convergence in a panel of OECD industries: Do regulations and institutions matter?”. OECD economics department working papers, no. 342.

Tempel, Jonathan, 1999. “The New Growth Evidence”. Journal of Economic Literature, vol. 37, no. 1. (Mar.), pp. 112-156.

World development indicators, 2000.Washington, World Bank.

World development indicators, 2005.Washington, World Bank.

World development indicators, 2005 (CD-Rom). Washington, World Bank.