قدرت عادت یا یادگیری حین کار؟ بررسی نقش عادت در پویایی چرخه‌های تجاری

مدل‌های چرخه‌های تجاری واقعی (RBC) سال‌هاست که در اقتصاد کلان به دلیل ظرافت و صرفه‌جویی نظری محبوب بوده‌اند. اما این مدل‌ها ضعف مهمی دارند: نمی‌توانند پایداری و شکل برآمدگی‌وار (hump-shaped) واکنش تولید به شوک‌های اقتصادی را توضیح دهند. به‌ویژه، خودهمبستگی رشد تولید در داده‌های واقعی مثبت است، در حالی‌که مدل استاندارد RBC آن را تقریباً صفر پیش‌بینی می‌کند.

در دهه‌های اخیر، پژوهشگران برای رفع این کاستی‌ها مدل‌های مختلفی توسعه داده‌اند. یکی از این اصلاحات مهم، افزودن مکانیزم یادگیری حین کار (Learning-by-Doing – LBD) بود. این مکانیزم می‌گوید ساعات کاری امروز مهارت کارگران را برای فردا افزایش می‌دهد و در نتیجه بهره‌وری آینده بالاتر می‌رود.

اما مقاله‌ای از حافظ بوعاقز و تاکاشی کانو با عنوان «یادگیری حین کار یا شکل‌گیری عادت؟» نشان می‌دهد که قدرت عادت توضیح کامل‌تر و سازگار‌تری برای چرخه‌های تجاری ارائه می‌دهد.

شباهت‌ها و تفاوت‌ها: یادگیری حین کار و شکل‌گیری عادت

نویسندگان نشان می‌دهند که مدل LBD و مدل RBC با شکل‌گیری عادت در نیروی کار در بسیاری از متغیرها (مثل تولید، مصرف و سرمایه‌گذاری) تقریباً نتایج مشابهی ارائه می‌دهند. به زبان اقتصادسنجی، این دو مدل در برابر این داده‌ها «معادل مشاهده‌ای» هستند.

اما تفاوت مهم در ساعات کاری ظاهر می‌شود.

• در مدل یادگیری، ساعات کار به‌طور یکنواخت تغییر می‌کند و قادر به بازتولید رفتار واقعی بازار کار نیست.
• در مدل عادت، افراد به سطح کاری گذشته‌شان وابسته‌اند. این «سطح مرجع» باعث می‌شود کارگران از تغییرات شدید در ساعات کار بیزار باشند و مسیر کاری خود را هموار کنند.

به همین دلیل، تنها مدل عادت می‌تواند واکنش برآمدگی‌وار ساعات کار به شوک‌ها را شبیه‌سازی کند؛ چیزی که داده‌های واقعی (و مدل‌های VAR) نشان می‌دهند.

مکانیزم قدرت عادت

در مدل عادت، مطلوبیت کارگر به سطح کاری فعلی نسبت به سطح کاری گذشته بستگی دارد. این یعنی:

• افراد تمایل دارند از تغییرات بزرگ در ساعات کار اجتناب کنند.
• واکنش‌ها به شوک‌ها آهسته‌تر و پایدارتر می‌شود.
• عادت‌ها نقش مکانیسم انتشار قوی‌تر را در چرخه‌های تجاری ایفا می‌کنند.

این همان چیزی است که نویسندگان از آن با عنوان قدرت عادت یاد می‌کنند.

شواهد تجربی: چرا قدرت عادت قوی‌تر است؟

برای تمایز بین دو مدل، پژوهشگران از داده‌های ایالات متحده (رشد تولید و ساعات کار) و روش‌های بیزی استفاده کردند. نتایج قاطع بودند:

1. تناسب آماری کلی
   مدل عادت نسبت به LBD برازش بسیار بهتری داشت. نسبت احتمال پسین نشان داد که شانس درست بودن مدل عادت در مقایسه با مدل یادگیری ۴۵,۵۱۰ به ۱ است. حتی با پیش‌فرض‌های غیرآگاهانه این عدد به حدود ۳۶۰,۰۰۰ به ۱ رسید.
2. توابع واکنش ضربه (Impulse-Response Functions)
   هر دو مدل توانستند پاسخ برآمدگی‌وار تولید را شبیه‌سازی کنند. اما تنها مدل عادت توانست همین رفتار را برای ساعات کار هم بازتولید کند، چیزی که داده‌های VAR نیز تأیید می‌کنند. مدل یادگیری در این زمینه شکست خورد.
3. خودهمبستگی‌ها
   مدل یادگیری کمی در توضیح خودهمبستگی رشد خروجی بهتر بود، اما مدل عادت عملکرد بهتری در شبیه‌سازی خودهمبستگی ساعات کار داشت. این دوباره نقش تعیین‌کننده‌ی قدرت عادت در رفتار بازار کار را نشان داد.

پایداری نتایج و چالش شناسایی

نویسندگان بررسی کردند که آیا نتایج به انتخاب پیش‌فرض‌ها حساس هستند یا خیر. حتی با تغییر پیش‌فرض‌ها، مدل عادت همچنان قوی‌تر باقی ماند. این نشان می‌دهد که یافته‌ها پایدار و معتبر هستند.

همچنین مقاله بر یک نکته‌ی مهم روش‌شناسی تأکید می‌کند: مدل‌های DSGE همیشه به‌طور کامل قابل شناسایی نیستند. اگر اقتصاددان فقط به داده‌های تولید و مصرف نگاه کند، ممکن است مدل یادگیری و مدل عادت را معادل ببیند. تنها زمانی که داده‌های ساعات کار وارد شوند، تفاوت آشکار می‌شود.

نتیجه‌گیری: اهمیت قدرت عادت در اقتصاد کلان

این مطالعه به روشنی نشان می‌دهد که قدرت عادت عاملی کلیدی در درک چرخه‌های تجاری است. برخلاف یادگیری حین کار که بیشتر به اثرات بیرونی تولید اشاره دارد، عادت‌ها بخشی از ترجیحات درونی انسان‌ها هستند و تمایل آن‌ها به هموارسازی مسیر کاری را توضیح می‌دهند.

به بیان دیگر، قدرت عادت همان حلقه‌ی گمشده‌ای است که مدل‌های استاندارد RBC فاقد آن بودند. این ویژگی باعث می‌شود واکنش‌های واقعی اقتصاد—از تولید گرفته تا ساعات کار—به‌طور دقیق‌تری بازتولید شوند.

نتایج این تحقیق پیام روشنی برای سیاست‌گذاری دارد: برای طراحی مدل‌های اقتصادی کارآمدتر و پیش‌بینی دقیق‌تر چرخه‌ها، باید «قدرت عادت» را در مرکز تحلیل‌ها قرار داد.

---

خلاصه مقاله: Learning-by-Doing or Habit Formation?