Hvad er NAIRU og hvordan beregner man den?

Hvorfor reagerer renten nogle gange hurtigere end økonomien? Hvorfor stiger lønninger pludselig – og bliver siddende dér – mens priserne løber løbsk? Svaret gemmer sig ofte i et kryptisk akronym, der får øjne til at glide hen i søvndyssende rapportsider: NAIRU.

På Kapitalisme Online gør vi en ære i at pille abstrakte begreber ned fra de akademiske elfenbenstårne og omsætte dem til konkret beslutnings­værdi. I denne udgave af Kapitalistisk Ordbog dykker vi ned i spørgsmålet: “Hvad er NAIRU – og hvordan finder man den i praksis?”

Artiklen guider dig fra begrebets fødsel i den klassiske Phillipskurve, gennem de moderne statistik­værktøjer, økonomer bruger til at estimere NAIRU, og helt frem til den danske virkelighed, hvor politikere, virksomheder og lønmodtagere hver dag navigerer efter netop dette tal – bevidst eller ubevidst.

Uanset om du er nysgerrig studerende, portefølje­manager på jagt efter de næste basispoint eller blot vil forstå, hvorfor Nationalbanken holder øje med ledighedstal på decimalen, lover vi: Når du når sidste afsnit, vil NAIRU ikke længere være et bogstav­suppe-uhyre, men et værktøj i din egen økonomiske værktøjskasse.

Hvad er NAIRU? Begreb, intuition og relationer

NAIRU er akronymet for Non-Accelerating Inflation Rate of Unemployment – den arbejdsløshedsrate, hvor inflationen er stabil, dvs. hverken tiltager (accelererer) eller aftager. Idéen er, at når arbejdsmarkedet befinder sig præcis på dette niveau, balancerer løn- og prispresset: Virksomhedernes efterspørgsel efter arbejdskraft er høj nok til, at ledigheden ikke stiger, men ikke så høj, at lønningerne – og dermed priserne – begynder at løbe løbsk.

Nairu og phillipskurven

Begrebet udspringer af Phillipskurven, som viser en negativ sammenhæng mellem arbejdsløshed og løn- eller prisinflation på kort sigt. Forestil dig kurven som en faldende linje; dér hvor den skærer den vandrette linje for stabil inflation, finder vi NAIRU:

• Arbejdsløshed < NAIRU: Efterspørgslen efter arbejdskraft overstiger udbuddet. Lønningerne stiger hurtigere, virksomhederne hæver priserne, og inflationen accelererer.
• Arbejdsløshed > NAIRU: Der er ledig kapacitet på arbejdsmarkedet. Lønpres og prisstigninger aftager, og inflationen falder.
• Arbejdsløshed = NAIRU: Lønstigningerne er konsistente med centralbankens inflationsmål, og prisniveauet bevæger sig stabilt.

Nairu vs. “naturlig” og strukturel arbejdsløshed

I praksis overlapper begreberne:

• Den naturlige arbejdsløshed (Friedman, Phelps) kan fortolkes som NAIRU set over længere tid, hvor alle forventninger til inflation er fuldt tilpassede.
• Strukturel arbejdsløshed er en komponent af den naturlige arbejdsløshed – og dermed af NAIRU – men sætter fokus på de institutionelle og teknologiske forhold, der er svære at ændre.
• NAIRU kan derfor bevæge sig over tid, når fx arbejdsmarkedsreformer, globalisering eller demografi ændrer den underliggende struktur.

Hvorfor er nairu afgørende?

1. Pengepolitik: Centralbanker som Danmarks Nationalbank og ECB bruger NAIRU til at vurdere, hvor meget økonomien kan stimuleres uden at skabe overophedning. Ligger ledigheden under NAIRU, vil en alt for lempelig pengepolitik hurtigt slå igennem på højere løn- og prisinflation.
2. Løndannelse: Fagforeninger og arbejdsgiver­organisationer holder øje med, hvor tæt beskæftigelsen er på NAIRU, fordi det påvirker forhandlingsstyrken. Jo mindre ledige reserver, jo mere plads til lønkrav – og omvendt.
3. Konjunkturvurdering: Finansministeriet, De Økonomiske Råd og private analysehuse anvender NAIRU til at beregne output-gabet og beskæftigelsesgabet. Disse størrelser er nøglen til at bedømme, om finanspolitikken bør strammes eller lempes.
4. Budgetter og prognoser: En realistisk NAIRU-antagelse er nødvendig, når man skal fremskrive skatteindtægter, offentlige udgifter og gældsbyrde. For optimistiske antagelser (for lav NAIRU) kan undergrave budgetholdbarheden.

Kort sagt er NAIRU broen mellem makroøkonomiens realøkonomiske side (arbejdsmarkedet) og penge- og inflationsdynamikken. Kender man dens omtrentlige niveau – og forstår man usikkerheden omkring det – kan man bedre styre alt fra valuta- og renterisici til overenskomstforhandlinger og offentlige konjunkturpakker.

Sådan estimerer man NAIRU: data, metoder og antagelser

Hvad enten du laver en hurtig bag-kuvert-beregning til en blogpost eller en fuldblods modelsimulering til Nationalbanken, følger arbejdet med NAIRU som regel tre trin: hent data, vælg metode, test antagelser. Nedenfor finder du en praktisk guide, der spænder fra den klassiske Phillips-kurve til moderne Bayesian state-space-teknikker.

1. Hvilke dataserier skal du bruge?

• Arbejdsløshed – månedlige AKU- eller registrerede ledighedstal, gerne sæsonkorrigeret.
• Inflation – KPI, kerne-KPI eller deflator; vælg samme frekvens som arbejdsløsheden.
• Lønvækst – overenskomstmæssig løn eller timeløn fra nationalregnskabet.
• Inflationsforventninger – surveys (fx SPF) eller markedsbaserede mål (break-even-inflation).
• Valgfrie supplerende indikatorer: ledige stillinger (Beveridge-kurven), kapacitetsudnyttelse, demografi.

Tip: Hent data i realtid, fx via ALFRED eller DST’s ‘Tidsserie i realtime’, hvis du vil teste revisionsfølsomheden.

2. Tre populære estimationsstrategier

1. Statiske og dynamiske phillips-kurver

   Grundidéen er enkel: π_t = α + β(u_t − u* ) + ε_t. Her estimerer du u*, som er NAIRU, samtidig med hældningen β. I praksis bruges:

   • Statiske OLS-regressioner – én regression, ofte på årgennemsnit for at dæmpe støj.
   • Dynamiske versioner – inkluderer laggede inflationstermer, adaptive eller rationelle forventninger (π_t − E_t-1π).
   • Expectations-augmented – anvender surveys til E_t-1π for at reducere simultanitet.

   Fordele: let at forklare, kan køres i Excel. Ulemper: antager konstant NAIRU, følsom over for endogenitet og strukturelle brud.

2. Tidvarierende nairu i state-space og kalman-filter

   Her antager du, at NAIRU følger en stochastisk proces (random walk eller lokal trend):
   u*_t = u*_t-1 + η_t.

   Modellen har to ligninger:

   1. Observationsligning: π_t = α + β(u_t − u*_t) + ε_t
   2. Tilstandsligning: u*_t = u*_t-1 + η_t

   Kalman-filteret opdaterer så NAIRU kvartal for kvartal. Vær særlig opmærksom på signal-/støj-forholdet (σ²_ε / σ²_η) ­– det styrer, hvor glat serien bliver.

   Fordele: fanger strukturændringer i arbejdsmarkedet. Ulemper: kræver kode (R/Python/EViews) og stærke priorer om variansforhold.

3. Strukturelle og bayesianske dsge-inspirerede modeller

   Her indlejres NAIRU i et større system (produktion, lønprisspænd, monetær regel). Parameterne estimeres oftest med Bayesian MCMC (fx Dynare eller PyMC-3). Beveridge-kurven (ledige vs. jobåbninger) bruges tit som ekstern validering: Forskydninger i kurven antyder skift i ‘match-effektiviteten’ → ny NAIRU.

   Fordele: konsistent med hele økonomien, kan lave scenarie-analyser. Ulemper: komplekst, følsomt over for priorvalg, kræver betydelige datakrav.

3. Tidsvalg, glatning og filtre

En 20-30 års historik er normalt tilstrækkelig til at dække flere konjunkturcyklusser, men:

• Inden EMU-regimet (før 1999) kan adfærden i inflation-lønbeslutninger være anderledes.
• Krisen i 2008-09 og COVID-19 repræsenterer strukturelle brud; overvej dummy-variable eller regimeskift-modeller.

Filtre (HP, Beveridge-Nelson, Baxter-King) bruges somme tider somback-of-the-envelope-kontrol, men husk at de er rent statistiske og kan give alternative NAIRU-spor.

4. Software og praktiske værktøjer

5. Realtidsusikkerhed, modelvalg og identifikation

• Revisionsbias: NAIRU-estimater ændrer sig, når statistikker revideres. Test dine resultater på “first-release” data.
• Modelusikkerhed: Sammenlign flere metoder (model-averaging) og kommuniker et interval frem for et punktestimat.
• Identifikationsproblemet: Er det faktisk NAIRU, du ser, eller blot midlertidige udbudschok i inflationen? Brug flere informationskilder (fx lønprisinflation, Beveridge-kurve) for triangulering.
• Policy-endogenitet: Husk, at pengepolitikken selv forsøger at stabilisere inflationen. Det udvisker signalet i relationen mellem u og π.

Konklusionen? Der findes ikke én endegyldig NAIRU, men et interval af plausible rater, der bevæger sig over tid. Dit job som analytiker er at dokumentere dataserierne, stille dine antagelser helt åbent og være transparent om usikkerheden. Så er du allerede et skridt foran næste konjunkturprognose.

Fra beregning til beslutning: trin, tolkning og brug i dansk kontekst

Det glæder de fleste økonomer, at en NAIRU-beregning ikke behøver ligne raketvidenskab, men der er nogle disciplinerede trin, som gør forskellen mellem et hurtigt regneark og et analyseprodukt, der kan prikke til pengepolitik og overenskomstforhandlinger.

1. Indsamling og rensning af data
   • Hent månedlige/kvartalsvise serier for AKU-arbejdsløshed, CPI-inflation, timelønsindeks og inflationsforventninger (fx Survey of Professional Forecasters eller break-even inflationsrenter).
   • Kontroller brud (2011-revisionen af AKU, skift til COICOP 2016 i CPI osv.). Interpolér eller dummy-korrigér, så niveau-spring ikke forveksles med konjunkturer.
   • Seasonally adjust og anvend et mildt filter (HP(λ=1 600) for kvartalsdata) på inflation og lønvækst, hvis fokus er kernebevægelsen.
2. Baseline-Phillipskurve
   • Estimér en simpel specifikation: π_t = α + β(u_t - u*) + γπ_{t-1} + ε_t.
   • Start med OLS, hvor u* (NAIRU) følger af β(u_t - u*) = 0 => u* = α/β. Gem standardfejl for u* – de er sjældent små.
   • Brug immediat resultatet som benchmark, ikke som sandheden.
3. Diagnostik og robusthed
   • Tjek residual-autokorrelation (Durbin-Watson, Ljung-Box) og heteroskedasticitet (White-test). Instabilitet? – kør CUSUM/CUSUMSQ.
   • Variér inflationsmål (kerne-CPI, BNP-deflator), tidshorisont (pre- og post-konsumprisfald i 1980’erne) og slæb (π_{t-1}, π_{t-2}). NAIRU spræller? Godt – så er modellen følsom.
   • Udskift arbejdsløshed med beskæftigelsesgap (log-afvigelse fra trend). Hvis signalet forsvinder, er modellen sandsynligvis misspecificeret.
4. Tidvarierende NAIRU
   • Sæt modellen op i state-space:

      π_t = α_t + β(u_t - u*_t) + γπ_{t-1} + ε_t u*_t = u*_{t-1} + η_t 

   • Kør dlm-pakken i R eller statsmodels.tsa.statespace i Python. Kalman-filteret giver en glat serie for u*_t, inkl. konfidensbånd.
   • Tving evt. η_t til lav varians (random-walk ≈ næsten fast) for at undgå, at NAIRU blot følger arbejdsløsheden mekanisk.
5. Tolkning og policy-oversættelse
   • Output- og beskæftigelsesgab
     u_gap_t = u_t - u*_t og y_gap_t ≈ -κ · u_gap_t (Okun). Brug gabet til at checke, om BNP-væksten ligger over/under potentialet.
   • Lønpres
     Sammenhold timeløn + produktivitet – inflationsmål med u_gap. Positivt gab → forhandlingskraft hos lønmodtagere → risiko for omkostningsinflation.
   • Inflationsrisici
     Indsæt u_gap i en fremadskuende Phillipskurve for at projektere CPI 6-8 kvartaler frem. Rens for energi/moms for at ramme det, Nationalbanken kigger på.

Faldgruber

• Målefejl: AKU-ledigheden revideres løbende; kombiner med registerdata som krydstjek.
• Revisionsbias: BNP- og CPI-tal justeres bagud; kør realtids-backtests for at se, hvor meget NAIRU ville have ændret sig, hvis du kun havde haft datatidens information.
• Regimeskift: Strukturreformer (fx Efterlønsreformen 1999 eller Dagpengereformen 2010) kan flytte NAIRU brat. Indfør dummies eller allow for level-shifts.

Tommelfingerregler for kommunikation

Den bedste NAIRU-analyse er altså mindre et enkelt tal og mere en fortælling om balancen mellem arbejdsmarked, priser og politik. Hold modellerne simple nok til at forklare, men solide nok til at forudse – og lad aldrig tommelfingerregler stå alene uden et skud sund skepsis.