دانلود رایگان ترجمه مقاله در مورد تاثیر نوسانات درآمد بر توزیع درآمد – الزویر 2018

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
۱. مقدمه
۲. مدل ها و روش ها
۳. نتایج

بخشی از ترجمه فارسی مقاله:

۱. مقدمه
فرضیه U معکوس یا وارونه که توسط کوزنتس (۱۹۵۵) معرفی شد اساسا سطح فعالیت اقتصادی را به عنوان عامل تعیین کننده اصلی نابرابری درآمدی مشخص می ‌کند. به طور دقیقتر، این امر تاکید دارد که در مراحل اولیه رشد اقتصادی، نابرابری درآمدی بدتر می ‌شود و فقط در مراحل بعدی بهبود می ‌یابد. حمایت تجربی از این فرضیه، نسبتا آمیخته است، که اغلب فرضیه را رد می ‌کند. با این حال، دسته دیگری از متون بحث می ‌کند که نوسان درآمد یا خروجی به عنوان یک معیار عدم اطمینان می ‌تواند نابرابری درآمدی را بدتر کند.
هاسمن و گیون (۱۹۹۷) شاید اولین مطالعه‌ ای باشد که تاثیرات مضر نوسان درآمد بر توزیع درآمد را به ما اظهار می‌ دارد، با این استدلال که اعضای فقیرتر جامعه به خوبی مجهز به جذب شوک های اقتصادی و یا عدم قطعیت نسبت به اعضای ثروتمند نیستند. با استفاده از داده ‌های مقطعی از ۵۶ کشور آمریکای لاتین و اقتصادهای صنعتی، آنها دریافتند که در حالی که نه رشد تولید ناخالص داخلی و نه تورم، هیچ تاثیر قابل‌ توجهی بر نابرابری درآمدی نداشته است، نوسانات تولید ناخالص داخلی واقعی تاثیر منفی قابل‌ توجهی بر نابرابری درآمد داشته است. همان مورد توسط کارولی و گارسیا-پنالوزا (۲۰۰۱) حمایت می ‌شود، که به تاثیرات نوسان دستمزد ها در تفاوت های دستمزدی بین کارگران دارای مهارت پایین و مهارت بالا نگاه داشته اند. هرچه ریسک تولید بالاتر باشد، نابرابری آموزشی بالاتر خواهد بود. سایر مطالعات مقطعی که از تاثیرات مضر نوسان خروجی بر توزیع درآمد پشتیبانی می‌ کنند عبارتند از برین و گارسیا-پنالوزا (۲۰۰۵) و لارسن و ماهاجان (۲۰۰۵).
در حالی که مطالعات فوق از داده‌ های مقطعی کشورهای مختلف استفاده نموده اند، دو مطالعه از داده ‌های پانلی در سراسر کشورها و در طول زمان استفاده برده اند. کالدرون و ییاتی (۲۰۰۹) از داده ‌های ۷۵ کشور در طول سال ‌های ۱۹۷۰ تا ۲۰۰۵ (مشاهدات دوره ای ۵ ساله) استفاده می نمایند تا نشان دهند که حتی در مدل پانل، نوسان خروجی اثرات زیان آوری بر نابرابری درآمد سنجیده شده توسط ضریب GINI داشته است. به نظر نمی ‌رسد که یافته‌ های آن‌ ها به معیارهای مختلف نوسان، و به معیارهای مختلف نابرابری درآمدی حساس باشد. آنها همچنین اثرات نامتقارن نوسانات خروجی را با تخصیص متغیرهای ساختگی به تنزلات خروجی و جهش‌ های خروجی ارزیابی می ‌کنند تا نشان دهند که نوسان خروجی اثرات نامتقارن در توزیع درآمد دارد.
در نهایت، هوانگ و همکاران (۲۰۱۵) از همه مطالعات فوق برای عدم استفاده از پیشرفتهای اخیر در تکنیکهای مدل سازی تصحیح خطا و استفاده از روش تصحیح خطای پانلی به جای روش مرسوم استفاده از داده ‌های مقطعی انتقاد می‌ کنند. داده‌ های پنلی آنها متفاوت از مورد کالدرون و ییاتی (۲۰۰۹) است که در آن آنها از داده های سالانه ۴۸ ایالت آمریکا از سال ۱۹۴۵ تا ۲۰۰۴ استفاده می کنند که یک مجموعه پانل متوازن با N = 48 و T = 60 را شکل می دهد. یافته ‌های آنها متفاوت از مطالعات قبلی نیست، که در آن آنها دریافتند که نوسان درآمد تاثیری زیان آور بر توزیع درآمد در ایالات متحده دارد و این نتیجه ‌گیری به معیارهای مختلف نابرابری درآمدی یا معیارهای مختلف نوسان حساس نیست.
مطالعات پانلی که در بالا مورد بررسی قرار گرفتند، از سوگیری تجمعی در آن چیزی که در یک واحد مقطعی درست است، رنج می ‌برند، که ممکن است لزوما در یک واحد مقطعی دیگر صادق نباشد. برای حل این مساله، ما فقط به مدل سازی سری ‌های زمانی پایبند هستیم و رابطه بین نوسان درآمد و نابرابری درآمدی در هر ایالت از ایالات ‌متحده را مورد بازنگری قرار می ‌دهیم. اکنون این امکان وجود دارد، از زمانی که فرانک (۲۰۰۹) مجموعه داده‌ های خود را تا سال ۲۰۱۳ گسترش داده ‌است که ۶۸ مشاهده سالانه برای هر ایالت ارائه می‌ دهد. از آنجا که این دو متغیر ممکن است ایستا یا غیر ایستا باشند، رویکرد مناسب رویکرد ARDL خطی پسران و همکاران (۲۰۰۱) خواهد بود. در چارچوب سری‌ های زمانی، ما گام دیگری را انتخاب می‌ کنیم و اثرات نامتقارن نوسانات بر توزیع درآمد را با استفاده از رویکرد ARDL غیر خطی شین و همکاران (۲۰۱۴) ارزیابی می ‌کنیم که به ما این امکان را می ‌دهد تا علیت نامتقارن را شناسایی کنیم. این یک پرسش محتمل است، زیرا نرخی که در آن نابرابری درآمد به افزایش نوسان درآمد پاسخ می ‌دهد می‌ تواند متفاوت از نرخی باشد که در آن به کاهش پاسخ می ‌دهد. در واقع، اگر اعضای فقیرتر جامعه نتوانند شوک های اقتصادی یا عدم قطعیت را به آسانی اعضای غنی تر جذب کنند، هر دو گروه نسبت به افزایش عدم قطعیت در مقایسه با کاهش عدم قطعیت، واکنش متفاوتی نشان می‌ دهند. بقیه مقاله به روش زیر سازماندهی شده ‌است. ما مدل‌ ها و روشهای خود را در بخش ۲ طرح نموده و نتایج تجربی خود را در بخش ۳ ارایه می ‌دهیم. بخش ۴ خلاصه ای را ارایه می دهد و یک ضمیمه، تعریف متغیر ها و منابع داده را نشان می‌ دهد.

بخشی از مقاله انگلیسی:

I. Introduction

The inverted-U hypothesis, introduced by Kuznets (1955), basically identifies the level of economic activity as the main determinant of income inequality. More precisely, it asserts that at the early stages of economic growth, income inequality worsens and it only improves at the later stages. Empirical support for the hypothesis is rather mixed, mostly rejecting the hypothesis.1 Another strand of the literature, however, argues that income or output volatility as a measure of uncertainty can worsen income inequality. Hausmann and Gavin (1997) is perhaps the first study that alludes us to the adverse effects of income volatility on income distribution by arguing that poorer members of society are not well equipped to absorb economic shocks or uncertainties relative to richer members. Using cross-sectional data from 56 countries in Latin America and industrial economies, they found that while neither GDP growth nor inflation had any significant effects on income inequality, the volatility of real GDP had significantly adverse effects on income inequality. The same is supported by Caroli and Garcia-Penalosa (2001), who looked at the effects of volatility of wages on wage differentials between low skilled and high skilled workers. Similar arguments are extended to the distribution of human capital rather than distribution of income by Checchi and Garcia-Penalosa (2004) who develop a theoretical model, showing that aggregate production risk determines the average level of education and its distribution. The higher the production risk, the higher the educational inequality. Other cross-sectional studies that support the adverse impact of output volatility on income distribution are Breen and Garcia-Penalosa (2005) and Laursen and Mahajan (2005). While the above studies have used cross-sectional data from different countries, two studies have used panel data across countries and over time. Calderon and Yeyati (2009) uses data from 75 countries over the 1970-2005 (5-year period observations) to show that even in a panel model, output volatility has adverse effects on income inequality measured by GINI coefficient. Their findings do not seem to be sensitive to different measures of volatility, nor to different measures of income inequality. They also assess asymmetric effects of output fluctuations by assigning dummy variables to output drops and output jumps to show that output volatility has asymmetric effects on income distribution. Finally, Huang et al. (2015) criticize all of the above studies for not using recent advances in error-correction modelling techniques and employ a panel error-correction approach instead of the conventional method of using cross-sectional data. Their panel data is different than that of Calderon and Yeyati (2009) in that they use annual data from the 48 states of the continental U.S. from 1945 to 2004 which forms a balanced panel set with N = 48 and T = 60.2 Their findings are no different than any of the previous studies, in that they also find that volatility of income has an adverse effect on income distribution in the U.S. and this conclusion is not sensitive to different measures of income inequality, nor to different measures of volatility. The panel studies reviewed above do suffer from aggregation bias in that what is true in one cross-sectional unit, may not necessarily be true in another cross-sectional unit. To resolve the issue, we adhere to time-series modelling only and reconsider the relation between income volatility and income inequality in each state of the U.S. This is now possible, since Frank (2009) has extended his data set through 2013, providing 68 annual observations for each state. Since the two variables could be stationary or non-stationary, the appropriate approach will be the linear ARDL approach of Pesaran et al. (2001). Within time-series framework, we will take an additional step and assess the asymmetric effects of volatility on income distribution by using the nonlinear ARDL approach of Shin et al. (2014) which also allows us to detect asymmetric causality. This is a plausible inquiry since the rate at which income inequality responds to an increase in income volatility could be different than the rate at which it responds to a decline. Indeed, if poorer members of the society cannot absorb economic shocks or uncertainties as easily as richer members, both group will react differently to increased uncertainty compared to decreased uncertainty, hence asymmetric response. The rest of the paper is organized in the following manner. We outline our models and methods in Section II and present our empirical results in Section III. Section IV provides a summary and an Appendix reveals definition of variables and sources of the data.