Данные по KOF-индексу глобализации были взяты с официального сайта Швейцарского экономического университета. Сайт KOF Swiss Economic Institute [Электронный ресурс] URL: https://www.kof.ethz.ch/en/forecasts-and-indicators/indicators/kof-globalisation-index.html (Дата обращения: 10.04.2018) Значения индекса глобализации лежат в интервале от 0 до 100. Чем выше значение показателя, тем больше та или иная страна вовлечена в глобализационные процессы. Значения индекса представлены как по странам, так и по группам стран. Так, KOF-индекс глобализации делит страны на государства с высокими доходами, низкими, с уровнем доходов выше среднего и ниже среднего. Первое место в соответствии с данным индексом в 2015 г. занимала Бельгия, далее - Нидерланды, Швейцария и Швеция (Рисунок 1). Замыкали этот список Афганистан, Центральная Африканская Республика и Эритрея.



Рис. 1. KOF-индекс глобализации, 2015 г.

Источник: KOF Swiss Economic Institute

экономическая конвергенция глобализация

Все группы стран в соответствии с уровнем доходов характеризуются положительной динамикой KOF-индекса глобализации (Рисунок 2). Более того средний темп роста индекса глобализации для стран с низким уровнем дохода больше, чем для стран с высокими доходами (0,484 против 0,432). Страны с доходами ниже среднего также обладали большими средними темпами роста KOF-индекса глобализации, чем страны с доходами ниже среднего (0,491 против 0,489). Таким образом, высокий средний темп роста для показателя вовлеченности стран в глобализационные процессы с 1970 по 2015 г. был у стран с доходами ниже среднего, низкий средний темп роста наблюдался у стран с высокими доходами. Кроме того темпы роста глобализации в последние годы заметно замедлились для всех рассматриваемых групп.



Рис. 2. Динамика KOF-индекса глобализации по группам стран в соответствии с уровнем доходов с 1970 по 2015 г.

Источник: KOF Swiss Economic Institute

Также наблюдается положительная динамика индекса глобализации по территориям мира (Рисунок 3). Наибольшие значения индекса глобализации характерны для стран Европы и Северной Америки. Наименьшие - для стран Африки к югу от Сахары и Южноазиатским странам. Здесь также наблюдается снижение темпа роста глобализации по группам стран в последние годы.



Рис. 3. Динамика KOF-индекса глобализации по территориям мира с 1970 по 2015 г.

Источник: KOF Swiss Economic Institute

Таким образом, в соответствии с приведенными выше рассуждениями, очевидно, что в странах мира наблюдается увеличение вовлеченности стран в глобализационные процессы, однако темпы роста глобализации снижаются в последние годы. Развивающиеся страны за рассматриваемый период являются главными движущими силами глобализации.

Система показателей экономической конвергенции и глобализации

Для исследования влияния глобализации на конвергенцию экономического развития стран мира в работе будет построена модель условной в-конвергенции для 184 стран с 1990 по 2015 г. В соответствии с уравнением (24) в качестве темпа экономического роста будет рассматриваться темп роста логарифма ВВП на душу населения по паритету покупательной способности (в постоянных ценах 2011 года) за 1990-2015 г. Сайт The World Bank [Электронный ресурс] URL: https://data.worldbank.org/indicator/NY.GDP.PCAP.PP.KD (Дата обращения: 10.04.2018), рассчитанный по следующей формуле:

Переменной, отвечающей за начальный уровень дохода, был взят логарифм ВВП на душу населения по паритету покупательной способности (в постоянных ценах 2011 года) в 1990 году. В качестве показателя глобализации выступал KOF-индекс глобализации за 2015 г. В работе использовалось не среднее значение данного показателя за исследуемый период, а значение за 2015 год в связи с тем, что KOF-индекс глобализации строится таким образом, что последующие значения индекса содержат в себе всю предыдущую информацию. Следовательно, KOF-индекс за 2015 год характеризует степень вовлеченности страны в глобализационные процессы за весь рассматриваемый период.

Также в модель были включены контрольные переменные, среди которых:

· Среднегодовой темп роста населения за 1990-2015 гг., выраженный в процентах; Сайт The World Bank [Электронный ресурс] URL: https://data.worldbank.org/indicator/SP.POP.GROW (Дата обращения: 20.03.2018)

· Средний уровень валовых сбережений в процентах от ВВП за 1990-2015 гг. Сайт The World Bank [Электронный ресурс] URL: https://data.worldbank.org/indicator/NY.GNS.ICTR.ZS (Дата обращения: 20.03.2018) Валовые сбережения равны валовому национальному доходу за вычетом общего потребления плюс чистые трансферты.

· Среднегодовой темп роста Индекса развития человеческого потенциала (ИРЧП) за 1990-2015 гг., выраженный в процентах; Сайт Human Development Reports [Электронный ресурс] URL: http://hdr.undp.org/en/composite/trends (Дата обращения: 20.03.2018)

· Наличие выхода к морю;

· Географическая широта, в градусах.

В Таблице 2 приведены описательные статистки для всех перечисленных выше переменных.

Таблица 2

Описательные статистики

Переменная	Обозначение	Среднее значение	СКО	Размах	К-нт Асимметрии	К-нт Эксцесса
Темп роста логарифма ВВП на душу населения	g25	0,05	0,12	0,89	1,52	5,02
Логарифм ВВП на душу населения в 1990 г.	lny0	7,78	2,95	11,62	-1,85	2,56
KOF-индекс глобализации	KOF	60,15	16,17	90,24	-0,55	1,51
Географическая широта	lat	18,59	23,85	107,39	-0,19	-0,60
Наличие выхода к морю	sea	0,34	0,47	1,00	0,70	-1,53
Средний уровень валовых сбережений, в % от ВВП	s	20,42	19,11	239,51	6,45	66,73
Среднегодовой темп роста ИРЧП, %	HDI	0,64	0,58	2,94	1,22	2,06
Среднегодовой темп роста населения , %	n	1,54	1,26	7,62	0,49	1,19

Источник: расчеты автора

В соответствии с Таблицей 2, очевидно, что данные неоднородные. Это демонстрируют высокие значения дисперсии и размаха. Более того наблюдается сильная правосторонняя асимметрия для показателей темпа роста логарифма ВВП на душу населения и среднего уровня валовых сбережений. Сильная левосторонняя асимметрия характерна для логарифма ВВП на душу населения в 1990 г. В соответствии с коэффициентом эксцесса распределение для темпа роста логарифма ВВП на душу населения, логарифма ВВП на душу населения в 1990 г. и среднего уровня валовых сбережений островершинное.

Далее анализируемые переменные были проверены на наличие выбросов и принадлежность нормальному закону распределения. В соответствии с Таблицей 14 (см. Приложение 1) большинство рассматриваемых переменных подчиняется нормальному закону распределения по тесту Колмогорова-Смирнова. В соответствии с рис. 11, 12, 13 (см. Приложение 1) для переменных темпа роста логарифма ВВП на душу населения, логарифма ВВП на душу населения в 1990 г. и среднего значения валовых сбережений существуют наблюдения, выходящие за пределы полутора единиц межквартильной разницы, т.е. для данных переменных есть выбросы. Проблема выбросов будет решена на следующем этапе исследования.

Также в данном исследовании рассматривались средние значения субиндексов KOF-индекса глобализации за 1990-2015 г.: экономическая, социальная и политическая глобализация. В Таблице 3 приведены основные описательные статистики для данных показателей. Также данные переменные были проверены на принадлежность нормальному закону распределения и наличие выбросов (см. Приложение 1, табл. 15, рис. 14).

Таблица 3

Описательные статистики

Переменная	Обозначение	м	у	R	As	E
Среднее значение для экономической глобализации за 1990-2015 г.	ec_m	51,48	18,46	91	-0,61	0,91
Среднее значение для социальной глобализации за 1990-2015 г.	soc_m	53,02	18,80	72,33	-0,09	-1,05
Среднее значение для политической глобализации за 1990-2015 г.	pol_m	57,41	22,68	91,13	-0,19	-0,74

Наконец, был осуществлен корреляционный анализ. Результаты представлены в Таблице 4.

Таблица 4

Корреляционная матрица

	g25	lny0	KOF	lat	sea	s	HDI	n	ec_m	soc_m	pol_m
g25	1
lny0	-0,874	1
KOF	0,193	0,097	1
lat	0,207	-0,042	0,429	1
sea	0,068	0,096	0,307	0,390	1
s	0,087	-0,061	0,119	0,058	0,170	1
HDI	-0,007	-0,097	0,007	-0,071	0,092	-0,030	1
n	-0,111	-0,008	-0,329	-0,397	0,007	-0,036	0,226	1
ec_m	0,187	0,070	0,757	0,230	0,193	0,161	-0,113	-0,140	1
soc_m	0,098	0,210	0,602	0,380	0,101	0,124	-0,404	-0,485	0,578	1
pol_m	-0,074	0,232	0,730	0,327	0,362	0,091	0,265	-0,182	0,364	0,208	1

Источник: расчеты автора

В соответствии с корреляционной матрицей между переменными, входящими в модель условной в-конвергенции, коэффициент корреляции не велик. Это говорит о том, что в построенной нами модели нет проблемы мультиколлинеарности.



Глава 3. Эконометрический анализ влияния глобализации на конвергенцию экономического развития в странах мира

Применение эконометрического аппарата в данной главе нацелено на определение количественной характеристики влияния глобализации на конвергенцию экономического развития в странах мира. В частности, на основе кластерного анализа выделены однородные группы стран, для которых построена модель условной в-конвергенции без и с учетом наличия пространственных взаимосвязей.

В продолжение комплексного анализа влияния глобализации на экономическую конвергенцию в странах мира проверена гипотеза о наличии устойчивой и долгосрочной связи между процессами глобализации и экономической конвергенции.

3.1 Моделирование условной в-конвергенции с позиции оценки влияния глобализации

Для оценки влияния глобализации на конвергенцию экономического развития в странах мира была построена модель условной в-конвергенции. В данном исследовании рассматривался период 1990-2015 г. Однако изначально с помощью кластерного анализа методом k-средних были выделены однородные группы стран. Данный шаг обусловлен предпосылками модели в-конвергенции, в соответствии с которыми экономическая конвергенция происходит в странах с одинаковыми характеристиками стационарного состояния. Более того как было отмечено в первой главе минусом большинства работ, посвященных исследованию влияния глобализации на экономическую конвергенцию в странах мира, является игнорирование межстрановых различий, что может привести к смещению оценок коэффициентов модели условной в-конвергенции.

Деление стран на группы осуществлялось на основе четырех показателей: темп роста ВВП на душу населения по паритету покупательной способности (в постоянных ценах 2011 года) за 1990-2015 г. (g₂₅) и средние по трем субиндексам KOF-индекса глобализации (экономическая (ec_m), политическая (pol_m) и социальная глобализация (soc_m)) за 1990-2015 г. Кластерный анализ осуществлялся с помощью метода k-средних. В анализе принимало участие 184 страны. Перед непосредственным применением данного метода из массива данных были исключены выбросы по всем переменным (см. Приложение 2, табл. 16). В результате, нами рассматривалось 156 стран.

Таким образом, образовалось три кластера (см. Приложение 2, табл. 17). Типичными представителями для первого кластера являются Боливия, Гватемала и Танзания, для второго кластера - Австралия и Канада, для третьего кластера - ОАЭ, Доминика. Нетипичными представителями для первого кластера являются Мозамбик, Бурунди и Алжир, для второго кластера - Сингапур и Гонконг, для третьего - Фиджи и Свазиленд. Основные описательные статистки для каждого кластера представлены в Таблице 5.

Таблица 5

Описательные статистики по кластерам

№	N	Статистики	g25	ec_m	soc_m	pol_m	s	HDI
1	52	среднее значение	0,021	42,07	37,33	63,57	19,29	1,194
		СКО	0,014	9,38	10,60	12,99	8,10	0,596
		максимум	0,054	59,70	57,93	89,92	45,76	2,890
		минимум	-0,015	21,89	17,89	36,69	3,01	0,000
2	53	среднее значение	0,019	66,83	70,50	76,18	24,14	0,573
		СКО	0,012	12,16	11,58	17,46	7,13	0,236
		максимум	0,043	91,27	87,34	97,93	46,54	1,153
		минимум	-0,014	40,45	43,04	28,74	3,84	0,000
3	51	среднее значение	0,010	45,25	49,50	38,39	12,02	0,188
		СКО	0,016	18,52	15,72	15,05	9,91	0,263
		максимум	0,051	76,84	75,94	72,89	34,01	0,814
		минимум	-0,021	0,00	14,67	10,16	-4,03	-0,048

Примечание: N - число наблюдений в каждом кластере.

Источник: расчеты автора

В соответствии с Таблицей 5, очевидно, что кластеры заполнены равномерно (52, 53 и 51 наблюдений в каждом кластере соответственно). Более того для каждого кластера были рассчитаны статистики по дополнительным переменным (объем средних валовых сбережений за рассматриваемый период 1990-2015 (s), среднегодовой темп роста Индекса развития человеческого потенциала в процентах (HDI)).

В первый кластер вошли в основном страны Африки (Нигер, Египет, Замбия) и станы Ближнего Востока (Ирак, Иран) (см. Приложение 2, табл. 18). В данный кластер попали страны с низким темпом экономического роста, с высоким значением среднегодового темпа роста ИРЧП и высоким показателем политической глобализации. В соответствии с данными особенностями в первый кластер также были отнесены следующие страны (из числа выбросов): Афганистан, Венесуэла, Мьянма и другие. Действительно в странах из первого кластера в основном все изменения происходят за счет влияния внешних политических сил, надстройки. Многочисленные революции, перевороты, кризисы - все это можно было наблюдать в последние десятилетия в данных странах. Более того странам из первого кластера присущи сильные политические связи с западными (дальними) странами. Исходя из этого, страны, относящиеся к первому кластеру, можно охарактеризовать, как неразвитые, но с высоким показателем политической глобализации.

Во второй кластер вошли развитые европейские и азиатские страны, страны ОЭСР и Россия. Также в состав данного кластера вошло большинство нефтедобывающих стран (Азербайджан, Катар, Кувейт и т.д.). Во второй кластер попали страны с умеренным темпом экономического роста, с высоким показателем экономической и социальной глобализации и высоким значением валовых сбережений. Действительно между данными странами наблюдаются огромные миграционные потоки, потоки технологий и инвестиций. Более того в состав второго кластера входят страны участницы различных торговых и экономических альянсов, среди которых НАФТА, ВТО, ОПЕК и т.д. Таким образом, страны, входящие во второй кластер можно охарактеризовать, как развитые и вовлеченные в глобализационные процессы.

В состав третьего кластера вошли в основном островные страны (Фиджи, Гренада, Самоа и т.д.). Данные страны характеризуются низким значением темпа экономического роста, низким уровнем валовых сбережений и низкой вовлеченностью в глобализационные процессы. Можно предположить, что в данных странах наблюдается стагнация в экономике. Таким образом, данные страны можно охарактеризовать, как неразвитые, с низкой степенью вовлеченности в глобализационные процессы.

Далее для каждого кластера была построена модель условной в-конвергенции. Итак, в общем виде данная модель выглядит следующим образом:

,

Где - темп роста ВВП на душу населения, рассчитываемый по формуле: для i-той страны; - логарифм ВВП на душу населения в начальном (нулевом) году в i-той стране, - матрица дополнительных факторов, влияющих на процесс сходимости экономического развития среди стран. В нашем случае матрица состоит из одной переменной, а именно KOF-индекса глобализации, отражающий степень вовлеченности той или иной страны в глобализационные процессы.

Необходимо отметить, что теоретическая модель не подразумевает включение в модель дополнительных, контрольных переменных. Это связано с тем, что предполагается, что экономика находится в стационарном состоянии. Иными словами моделью предполагается, что уровень капитала на единицу эффективного труда (k) постоянно. Отсюда следует, что объем выпуска (y=f(k)) и потребление (с=(1-s)y) на единицу эффективного труда также будут постоянны. Причем k, с и y в стационарном состоянии будут расти с одинаковым темпом роста равным темпу технического прогресса (g). Другие экзогенные переменные (норма сбережения, норма амортизации, темп роста населения) не оказывают влияния на темп экономического роста в стационарном состоянии. Однако в реальности экономика очень чувствительна к различным шокам и не находится в стационарном состоянии. Поэтому в модель необходимо включить дополнительные переменные (контрольные), которые бы элиминировали проблему пропущенных переменных и обеспечили бы высокую объясняющую способность модели.

В качестве контрольных переменных в модель были включены следующие показатели:

1. Среднегодовой темп роста населения за 1990-2015 гг., выраженный в процентах ().

2. Средний уровень валовых сбережений в процентах от ВВП за 1990-2015 гг. ().

3. Среднегодовой темп роста Индекса развития человеческого потенциала (ИРЧП) за 1990-2015 гг., выраженный в процентах ().

4. Фиктивная переменная, отражающая наличие выхода к морю.

5. Географическая широта, в градусах (lat).

Выбор именно перечисленных выше контрольных переменных объясняется следующим образом:

· Во-первых, показатель валовых сбережений и темп роста населения являются экзогенными параметрами неоклассической теории роста Солоу, влияющими на экономический темп роста, следовательно, их шоки ведут к изменению характеристик стационарного состояния.

· Во-вторых, Индекс развития человеческого потенциала (ИРЧП) является двигателем экономического роста в моделях эндогенного роста.

· В-третьих, наличие выхода к морю и географическая широта являются природными экзогенными переменными, которые с точки зрения концепции географического детерминизма, основоположником которой является Шарль Монтескье, оказывают влияние на экономическое развитие той или иной территории.

Таким образом, далее для всех кластеров будут оценены модели условной в-конвергенции:

В Таблице 6 представлены результаты МНК-оценки модели условной в-конвергенции для стран первого, второго и третьего кластеров.

Таблица 6

Результаты оценивания модели условной в-конвергенции для стран первого кластера

	Переменная	I кластер	II кластер	III кластер
		Коэффициент
	const	0,211** (0,084)	0,263*** (0,024)	0,299*** (0,025)
Логарифм ВВП на душу населения в постоянных ценах 2011 г. за 1990 г.	lnGDP1990	-0,0383*** (0,005)	-0,0394*** (0,0007)	-0,0362*** (0,002)
KOF-индекс глобализации за 2015 г.	KOF2015	0,0021*** (0,0007)	0,0016*** (0,0003)	0,0007* (0,0004)
Средний уровень валовых сбережений в % от ВВП за 1990-2015 гг.	1990-2015	-0,0002 (0,0004)	0,0009*** (0,0003)	-0,00045 (0,0005)
Среднегодовой темп роста населения за 1990-2015 гг., в %	1990-2015	0,007 (0,012)	0,0065*** (0,002)	-0,0097** (0,0043)
Среднегодовой темп роста ИРЧП за 1990-2015 гг., в %		0,022** (0,015)	-0,016 (0,009)	-0,015 (0,016)
Наличие выхода к морю	sea	0,04 (0,021)	-0,008 (0,005)	0,034* (0,019)
Географическая широта, в градусах	lat	1,15E-05 (0,0006)	9,88E-05 (0,00012)	0,00016 (0,0003)
число наблюдений	63	63	58
	0,535	0,985	0,898
BIC	-2,135	-4,813	-3,352
Prob()	0,000	0,000	0,000

Примечание: *** - соответствует уровню значимости 1%, ** - уровню значимости 5%, * - уровню значимости 10%. В круглых скобках указана СКО оценок.

Источник: расчеты автора

Далее полученные модели были проверены на наличие проблемы гетероскедастичности. Для проверки остатков на гомоскедастичность был осуществлен тест Уайта (см. Приложение 2, Рисунок 15, Рисунок 16, Рисунок 17). Нулевая гипотеза теста Уайта формулируются следующим образом: (дисперсия ошибок не зависит от других переменных), для . Иными словами проверяется гипотеза об отсутствии гетероскедастичности. В данном тесте исследуется зависимость дисперсии ошибок от нескольких факторов, т.е. предполагается зависимость вида: , для . Предполагается проверка значимости вспомогательной регрессии: или . В соответствии с наблюдаемой статистикой (), которая равна 1,43 (p-value=0,167), 1,647 (p-value=0,09) и 1,334 (p-value=0,254) для первого, второго и третьего кластеров соответственно, гипотеза о гомоскедастичности остатков не отвергается на уровне значимости б=0,05. Таким образом, дисперсия ошибок модели не зависит от дополнительных переменных, т.е. гетероскедастичность в модели отсутствует.

Затем была осуществлена проверка остатков на принадлежность нормальному закону распределения с помощью теста Жарка-Бера. В данном тесте нулевая гипотеза формулируются следующим образом: . Иными словами предполагается, что остатки подчинены нормальному закону распределения. В соответствии с наблюдаемыми статистиками (, где , ), которые равны 519,67 (p-value=0,00), 13,28 (p-value=0,001) и 0,527 (p-value=0,768) гипотеза о принадлежности остатков нормальному закону распределения отвергается с вероятностью ошибки б=0,05 для первого и второго кластеров и не отвергается на уровне значимости б=0,05 для третьего кластера (см. Приложение 2, Рисунок 18, Рисунок 19, Рисунок 20).

В соответствии с приведенными результатами регрессионного анализа, коэффициенты при логарифме начального уровня ВВП (lnGDP1990) и KOF-индексе глобализации (KOF2015) значимы на уровне значимости 1% для всех групп стран. Более того объясняющая способность моделей для второго и третьего кластеров очень высокая (98,5% и 89,8% соответственно). Это свидетельствует о правильности подбора контрольных переменных для данных групп стран. Однако объясняющая способность модели для первого кластера достаточно низкая (53,5%). Действительно, как было отмечено ранее в данный кластер в основном входят страны Африки, Южной Азии и Ближнего Востока, которые сами по себе имеют более сложную социальную, политическую и экономическую структуру. Так, во многих африканских странах до сих пор существует племенной строй, в Индии - кастовая система. Иными словами данные территории имеют собственные специфические факторы, оказывающие влияние на процесс конвергенции экономического развития.

Кроме того осуществленная на первом этапе исследования группировка стран подтвердилась на уровне статистического анализа. Так для стран из первого кластера коэффициент при ИРЧП оказался значимым на уровне значимости б=0,05 и положительным. Для стран из второго кластера, для которых характерны высокие значения среднего уровня валовых сбережений и высокая степень вовлеченности в глобализационные процессы, коэффициенты при средних валовых сбережениях и KOF-индексе глобализации оказались значимыми на уровне значимости б=0,05 и положительными. Наконец, для стран из третьего кластера, в которых возможно происходит стагнация в экономике, характерны низкие значения коэффициента при логарифме начального уровня ВВП и KOF-индексе глобализации. Иными словами полученные коэффициенты подтверждают исходное деление стран на кластеры.

В соответствии с результатами оценки модели условной в-конвергенции, приведенных выше, была сформирована Таблица 7.

Таблица 7

Основные параметры модели условной в-конвергенции

	Коэффициент при lnGDP1990	Коэффициент при KOF2015	Скорость конвергенции:	Время (в годах), прохождения страной половины пути до стационарного состояния:
1 кластер	-0,0383***	0,0021***	0,126	5,5
2 кластер	-0,0394***	0,0016***	0,168	4,13
3 кластер	-0,0362***	0,0007*	0,094	7,36

Примечание: *** - соответствует уровню значимости 1%, ** - уровню значимости 5%, * - уровню значимости 10%

Источник: расчеты автора

Итак, мы можем сделать вывод о том, что во всех кластерах глобализация способствует конвергенции экономического развития (т.к. коэффициент в₁ во всех трех случаях отрицательный и значимый). Более того, сравнивая абсолютные значения коэффициента при логарифме начального уровня ВВП на душу населения, очевидно, что конвергенция экономического развития сильнее во втором кластере, самая слабая конвергенция наблюдается в третьем кластере. Данный результат также демонстрируют скорость конвергенции (наибольшая для второго кластера) и время прохождения страной половины пути до стационарного состояния (наименьшая для второго кластера). Более того влияние глобализации на темпы экономического роста для всех кластеров положительное. Однако для первого кластера данное влияние наибольшее, для третьего кластера - наименьшее. Это говорит о том, что глобализация приводит к конвергенции экономического развития стран мира за счет стран первого и второго кластера, в то время как страны из третьего кластера мешают или замедляют данный процесс. Действительно в первом кластере находятся страны с высокими показателями темпов экономического роста, во втором - со средними, в третьем - с низкими. Высокое значение коэффициента при глобализации приводит к еще более высоким значениям темпов экономического роста неразвитых стран (стран первого кластера), что и ведет к конвергенции экономического развития стран первого и второго кластеров. Однако страны из третьего кластера тормозят данный процесс, так как для них характерны низкие значения темпов экономического роста и низкое значение коэффициента при глобализации.

Таким образом, глобализация способствует конвергенции экономического развития в каждом из кластеров. Однако глобализация ведет к конвергенции экономического развития между странами первого и второго кластеров, страны из третьего кластера тормозят данный процесс.

3.2 Анализ роли пространственных межстрановых взаимодействий в процессе мировой экономической конвергенции

Межстрановые исследования подразумевают учет пространственных взаимосвязей, которые естественно возникают между странами. Игнорирование наличия пространственных взаимодействий может привести к тому, что полученные оценки коэффициентов будут смещенными и неэффективными. В дополнение к этому, на предыдущем этапе исследования нами было установлено, что остатки регрессий для первого и второго кластера не подчиняются нормальному закону распределения. Ненормальность остатков может быть вызвана пропущенными регрессорами, в том числе не включением в модель пространственных лагов. В связи с этим далее будет проанализировано влияние страновых взаимодействий на мировой процесс экономической конвергенции.

Таким образом, на данном этапе исследования мы проверяем гипотезу о том, что уровень экономического развития одной страны соотносится с данным показателем в других странах. Иными словами территории, окруженные быстрорастущими странами, будут также быстро расти, а территории, окруженные странами с низкими темпами экономического роста, будут расти также медленно. Исходя из вышесказанного, на следующем этапе исследования будет рассмотрено влияние глобализации на конвергенцию экономического развития в странах мира с учетом пространственных взаимосвязей.

Сначала было установлено наличие пространственной автокорреляции в модели по показателю конвергенции. Для этого была рассчитана глобальная статистика Морана для каждого кластера по следующей формуле:

Где N -число стран, - значение темпа экономического роста с 1990 по 2015 гг. в стране i, - значение темпа экономического роста в стране j с 1990 по 2015 гг, м - среднее значение темпа экономического роста с 1990 по 2015 гг, - элемент матрицы пространственных весов, отражающий расположение (локацию) двух стран i и j.

Статистика Морана подобна коэффициенту корреляции в том, что он сравнивает сумму перекрестных значений переменной для двух локаций одновременно, взвешенную с учетом обратного расстояния между двумя территориями и дисперсией этой переменной. Статистика Морана также принимает значения от -1 до 1. Чем выше значение данного показателя по модулю, тем сильнее пространственная автокорреляция между странами. Выводы в отношении знака пространственной автокорреляции делают в соответствии со значением теоретического значения статистики Морана, вычисляемого по следующей формуле:

Итак, если , то между странами наблюдается положительная автокорреляция, которая предполагает, что в соседних странах значения показателя подобны.

Если , то между странами наблюдается отрицательная автокорреляция, которая предполагает, что в соседних странах значения показателя сильно различаются.

Наконец, если , то значения показателя в соседних странах расположены случайным образом, т.е. между странами не наблюдается пространственной автокорреляции.

Нулевая гипотеза для статистики Морана заключается в отсутствии пространственной автокорреляции для переменной. Альтернативная - наблюдается положительная пространственная автокорреляция.

Перед тем как приступить к подсчету статистики Морана необходимо найти матрицу пространственных весов. Существует несколько видов матрицы весов, среди которых матрица соседства, матрица расстояний и различные ее спецификации.

В данном исследовании в качестве матрицы пространственных весов будет выступать матрица обратных расстояний, стандартизированная по строкам. Данная матрица была получена с помощью статистического пакета STATA. В общем виде значения данной матрицы формируются следующим образом:

,

Где - фактическое расстояние между странами i и j, - квартиль расстояний.

Итак, в Таблице 8 приведена глобальная статистика Морана для каждого кластера (см. Приложение 3, рис. 21, 22, 23).



Таблица 8

Глобальный индекс Морана

Номер кластера	IG	E(I)	p-value
1	0,004	-0,016	0,257
2	0,108***	-0,016	0,000
3	0,080***	-0,018	0,006

Примечание: *** - соответствует уровню значимости 1%, ** - уровню значимости 5%, * - уровню значимости 10%

Источник: расчеты автора

В соответствии с Таблицей 8 гипотеза об отсутствии пространственной автокорреляции не отвергается для стран из первого кластера на уровне значимости б=0,05 и отвергается для стран из второго и третьего кластера с вероятностью ошибки б=0,05. Иными словами в первом кластере страны в соответствии с темпом экономического роста расположены случайным образом, т.е. уровень экономического развития одной страны не зависит от уровня экономического развития другой страны. Напротив, во втором и в третьем кластерах страны располагаются таким образом, что значения темпа экономического роста для соседних стран подобны. Это говорит о том, что во втором и в третьем кластерах можно выделить еще более мелкие кластеры. Для этого были построены пространственные диаграммы рассеяния Морана.

На Рисунке 4 представлена пространственная диаграмма рассеяния Морана для темпа экономического роста для второго кластера. На оси абсцисс отложены стандартизированные значения темпа экономического роста, а на оси ординат - значения произведения матрицы пространственных весов и темпа экономического роста (Wg_y). Очевидно, что страны из второго кластера в основном располагаются на первой, второй и третьей координатных плоскостях, в квадрантах HH, LH и LL соответственно.

Страны, располагающиеся в первой координатной плоскости (в квадранте HH), характеризуются высокими значениями темпа экономического роста, т.е. страны с высокими значениями темпа экономического роста окружены странами также с относительно высокими значениями темпа экономического роста. Таким образом, в данных странах наблюдается наличие положительной пространственной автокорреляции.

Страны, располагающиеся во второй координатной плоскости (в квадранте LH), характеризуются низкими собственными значениями темпа экономического роста, но окружены странами с относительно высокими значениями темпа экономического роста. Таким образом, в данных странах наблюдается отрицательная пространственная автокорреляция.

Для стран, располагающихся в третьей координатной плоскости (в квадранте HH), присущи низкие собственные значения темпа экономического роста, а также низкие значения темпа экономического роста для соседних стран. Таким образом, в данных странах наблюдается положительная пространственная автокорреляция.

Рис. 4. Диаграмма рассеяния индекса Морана для темпа экономического роста с 1990 по 2015 гг. для второго кластера

На Рисунке 5 представлена диаграмма рассеяния Морана для темпа экономического роста для стран из третьего кластера. В данном случае страны в основном располагаются на третьей координатной плоскости, в квадранте LL. Это говорит о том, что для данных стран характерны низкие собственные значения темпа экономического роста и низкие значения данного показателя в соседних странах.

Рис. 5. Диаграмма рассеяния индекса Морана для темпа экономического роста с 1990 по 2015 гг. для третьего кластера

Источник: расчеты автора

Также были рассчитаны локальные индексы Морана (LISA) для каждой страны. Данная статистика отражает взаимодействие страны только с соседними странами. Локальный индекс Морана вычисляется по следующей формуле:

Где N -число стран, - значение темпа экономического роста с 1990 по 2015 гг. в стране i, - значение темпа экономического роста в стране j с 1990 по 2015 гг, м - среднее значение темпа экономического роста с 1990 по 2015 гг, - элемент матрицы пространственных весов, отражающий расположение (локацию) двух стран i и j.

Нулевой гипотезой для локального индекса Морана заключается также в отсутствии пространственной автокорреляции между странами.

В соответствии со значениями локального индекса для стран из второго и третьего кластеров (см. Приложение 3, рис. 24, 25) большинство индексов не значимы, это говорит о том, что большее влияние на страны оказывают удаленные территории. В тоже время большинство значимых локальных индексов для второго кластера положительные (), это говорит о наличии положительной пространственной автокорреляции, т.е. значение темпа экономического роста для страны i подобно значениям темпа экономического роста в соседних странах. Напротив, для стран из третьего кластера большинство значимых локальных индексов Морана отрицательные (, что свидетельствует о наличии отрицательной пространственной автокорреляции, т.е. значение темпа экономического роста для страны i сильно отличается от данного значения в соседних странах.

Данные выводы соотносятся с выводами, сделанными в соответствии с глобальным индексом Морана. Таким образом, во втором кластере в основном находятся страны, образующие ядро и периферию процесса конвергенции экономического развития, страны, стимулирующие высокие темпы экономического роста на соседних территориях. В то время как в третьем кластере в основном находятся страны, тормозящие процесс конвергенции экономического развития стран мира. Это страны, на которые не оказывают влияния ни страны, образующие ядро, ни страны, относящиеся к периферии процесса экономической конвергенции.

Приведенные выше рассуждения свидетельствуют о наличии проблемы пространственной автокорреляции в построенных ранее моделях условной в-конвергенции. Таким образом, возможно, этим и объясняется ненормальность остатков для модели условной в-конвергенции для второго кластера.

В соответствии с этим далее были построены модели, учитывающие наличие пространственных взаимодействий: модель пространственного лага (SAR) и модель пространственной ошибки (SEM).

Начнем с модели пространственного лага (SAR). Данная модель выглядит следующим образом:

Где Y - это вектор зависимых переменных, x - это матрица независимых переменных, W - матрица весов, б - вектор констант, с - коэффициент при пространственном авторегрессионном лаге, - вектор ошибок модели.

Данная спецификация пространственного взаимодействия стран предполагает, что регионы, располагающиеся в окружении быстрорастущих государств, будут также быстро расти.

В Таблице 9 приведены результаты оценки SAR модели с помощью метода максимального правдоподобия для второго и третьего кластеров. МНК оценивание коэффициентов в случае наличия пространственной автокорреляции является неэффективным, так как приводит к смещенным оценкам и завышенному значению коэффициента детерминации, следовательно, к несостоятельным выводам в отношении модели. Оценка коэффициентов с помощью метода максимального правдоподобия приводит к состоятельным, асимптотически эффективным и асимптотически нормальным коэффициентам (при условии правильной спецификации модели, т.е. при условии нормальности ошибок).



Таблица 9

Результаты оценивания SAR модели для стран второго кластера

	Переменная	II кластер	III кластер
		Коэффициент
	const	0,265*** (0,025)	0,305*** (0,024)
Логарифм ВВП на душу населения в постоянных ценах 2011 г. за 1990 г.	lnGDP1990	-0,0394*** (0,00067)	-0,03687*** (0,0018)
KOF-индекс глобализации за 2015 г.	KOF2015	0,0016*** (0,0003)	0,00087** (0,0004)
Средний уровень валовых сбережений в % от ВВП за 1990-2015 гг.	1990-2015	0,00086*** (0,0003)	-0,0003 (0,0005)
Среднегодовой темп роста населения за 1990-2015 гг., в %	1990-2015	0,0065*** (0,002)	-0,009** (0,004)
Среднегодовой темп роста ИРЧП за 1990-2015 гг., в %		-0,016 (0,009)	-0,018 (0,015)
Наличие выхода к морю	sea	-0,0083 (0,005)	0,0333* (0,017)
Географическая широта, в градусах	lat	0,0001 (0,0001)	0,00027 (0,0003)
Пространственный авторегрессионный лаг	с	-0,008 (0,07)	-0,2099 (0,224)
число наблюдений	63	58
	0,987	0,912
squared corr=corr{}	0,987	0,911
W	0,013	0,882

Примечание: *** - соответствует уровню значимости 1%, ** - уровню значимости 5%, * - уровню значимости 10%. В круглых скобках указана СКО оценки.W - статистика Вальда.

Источник: расчеты автора

В соответствии с результатами оценки модели с пространственным лагом коэффициент при пространственном лаге не значим в обоих случаях. Более того незначимость коэффициента с также демонстрирует тест Вальда. Это свидетельствует о том, что уровень экономического развития одной страны не зависит от данного показателя в соседних странах. Данный результат согласуется с приведенными выше локальными статистиками Морана. Большинство из них были незначимы. Однако глобальный индекс Морана указывает на наличие пространственных взаимодействий. Таким образом, далее были построены модели с пространственной ошибкой (SEM).

SEM (Spatial error model) модель выглядит следующим образом:

Где Y - это вектор зависимых переменных, x - это вектор независимых переменных, W - матрица весов, л - коэффициент при пространственной ошибке, б - вектор констант, и u - векторы ошибок модели.

Данная модель подразумевает наличие пространственной автокорреляции в остатках модели. Если выразить и подставить данное выражение в основное уравнение модели, то получим:

Обозначим -лв=г, в результате получаем, следующее уравнение:

(25)



В результате мы получаем, что SEM модель предполагает наличие влияния как эндогенного пространственного лага (), так и экзогенного пространственного лага () на зависимую переменную.

В Таблице 10 приведены результаты оценки SEM модели с помощью метода максимального правдоподобия для второго и третьего кластеров.

Таблица 10

Результаты оценивания SEM модели для стран второго кластера

	Переменная	II кластер	III кластер
		Коэффициент
	const	0,251*** (0,016)	0,298*** (0,048)
Логарифм ВВП на душу населения в постоянных ценах 2011 г. за 1990 г.	lnGDP1990	-0,03913*** (0,0004)	-0,0379*** (0,0017)
KOF-индекс глобализации за 2015 г.	KOF2015	0,0017*** (0,0002)	0,00084** (0,00039)
Средний уровень валовых сбережений в % от ВВП за 1990-2015 гг.	1990-2015	0,0015*** (0,0002)	4,46E-06 (0,00047)
Среднегодовой темп роста населения за 1990-2015 гг., в %	1990-2015	0,007*** (0,001)	-0,0036 (0,0047)
Среднегодовой темп роста ИРЧП за 1990-2015 гг., в %		-0,025*** (0,009)	-0,0182 (0,0135)
Наличие выхода к морю	sea	-0,0116*** (0,003)	0,031* (0,0161)
Географическая широта, в градусах	lat	0,0001 (0,0001)	0,0002 (0,0004)
Пространственная ошибка	л	-3,98*** (1,159)	1,107*** (0,346)
число наблюдений	63	58
	0,991	0,954
squared corr= corr{}	0,985	0,905
W	11,811***	10,214***

Перед непосредственной интерпретацией полученных коэффициентов было установлено, что остатки модели с пространственной автокорреляцией в ошибках для второго кластера принадлежат нормальному закону распределения на уровне значимости б=0,01в соответствии со статистикой Жарка-Бера, в то время как остатки для третьего кластера не подчиняются нормальному закону распределения (см. Приложение 3, рис. 26, 27). Таким образом, полученные для второго кластера методом максимального правдоподобия оценки коэффициентов являются состоятельными и асимптотически эффективными. Ненормальность остатков для SEM модели для стран третьего кластера может быть вызвана наличием наблюдений с высокими значениями независимых переменных, которые с учетом пространственных лагов стали еще больше, что и привело к данному смещению.

В соответствии с результатами оценивания SEM модели коэффициент при пространственной корреляции ошибок значим для обоих кластеров. Это также демонстрирует тест Вальда. Более того объясняющая способность моделей высокая: высокий псевдо коэффициент детерминации () 99% и 95% соответственно, также высокий коэффициент корреляции между предсказанными по модели и исходными значениями (corr{}) 99% и 91% соответственно. Таким образом, темп экономического роста в стране связан с темпом экономического роста в других странах через эндогенный пространственный лаг и посредством экзогенного пространственного лага с начальным уровнем логарифма ВВП на душу населения и KOF-индексом глобализации. Однако коэффициент л (коэффициент пространственной корреляции остатков) для второго кластера отрицательный, в то время как для третьего кластера - положительный. Это свидетельствует о том, что наличие пространственных взаимодействий усиливает конвергенцию экономического развития стран за счет стран из второго кластера, а сраны из третьего кластера - тормозит дынный процесс. Если подставить значение коэффициента л в уравнение (25), то получаем следующие коэффициенты при экзогенных переменных с учетом матрицы пространственных весов:

(26)

Далее подставим полученные коэффициенты в выражение (26) для второго и третьего кластера соответственно:

(27)

(28)

В результате получаем следующие коэффициенты при экзогенных переменных (Таблица 11):

Таблица 11

Коэффициенты при экзогенных переменных для модели условной в-конвергенции с учетом пространственных взаимодействий

Второй кластер	Третий кластер
переменная	коэффициент	переменная	коэффициент
lnGDP1990	-0,039	lnGDP1990	-0,038
KOF2015	0,0017	KOF2015	0,00084
гW lnGDP1990	-0,155W	гW lnGDP1990	0,042W
гW KOF2015	0,0068W	гW KOF2015	-0,00093W

Источник: расчеты автора

В соответствии с полученными коэффициентами, очевидно, что для стран из второго кластера, расположенных рядом, учет пространственных взаимодействий приводит к усилению экономической конвергенции, а также к усилению положительного влияния глобализации на темп экономического роста (чем больше значения матрицы пространственных весов (W), тем ближе расположены страны). Для третьего кластера включение в модель пространственных взаимодействий ослабляет конвергенцию экономического развития для стран, расположенных рядом, за счет уменьшения коэффициента при логарифме начального уровня ВВП. Более того в данном случае влияние глобализации становится отрицательным.

Если соотносить данные выводы со степенью вовлеченности стран в глобализационные процессы, то во втором кластере сосредоточены страны с высокими значениями KOF-индекса глобализации, а также высокими значениями субиндексов KOF-индекса глобализации. В третьем кластере вовлеченность стран в глобализационные процессы в разы меньше, чем в странах из второго кластера. Все это говорит о том, что глобализация в целом положительно влияет на конвергенцию экономического развития в странах мира.

Исследование устойчивости динамических связей между процессами глобализации и экономической конвергенции

На предыдущих этапах исследования было продемонстрировано, что действительно глобализация оказывает положительное влияние на конвергенцию экономического развития в группах стран, однако в целом эффект глобализации не очевиден. В связи с этим далее нами будет исследован характер динамических связей между процессами глобализации и экономической конвергенции.

В качестве показателя глобализации выступал KOF-индекс глобализации для мира с 1970 по 2015 гг. Переменной экономической конвергенции являлся обратный коэффициент вариации логарифма ВВП на душу населения в постоянных ценах 2010 года по странам мира с 1970 по 2015 гг. (). Таким образом, чем выше значения данного показателя, тем сильнее экономическая конвергенция в мире и наоборот. Действительно коэффициент вариации является относительным коэффициентом, отображающий разброс того или иного показателя среди наблюдений, его изменчивость. Введенная прокси соотносится с процессом у-конвергенции, описанного ранее. Считается, что между странами наблюдается у-конвергенция, если показатели вариации (в том числе коэффициент вариации) убывают во времени.

Для установления наличия коинтеграции между глобализацией и экономической конвергенцией сначала оба временных ряда были проверены на стационарность, так как коинтегрированность является свойством нестационарных временных рядов, стационарных в первых разностях. Для этого был осуществлен тест KPSS (test Kwiatkowski-Phillips-Shmidt-Shin). Нулевой гипотезой данного теста является отсутствие единичного корня характеристического многочлена в модели ARIMA случайного процесса, порождающего данный временной ряд. Это соответствует стационарности этого процесса (тренд-стационарность). Альтернативная гипотеза тогда: нестационарность процесса. Предполагается, что временной ряд разлагается на сумму стохастического тренда, детерминированного тренда и стационарной остаточной части. Наблюдаемая статистика вычисляется по формуле:

Где , , .

Тест KPSS был осуществлен в статистическом пакете STATA. Итак, в соответствии с наблюдаемыми значениями тестовой статистики оба временных ряда являются нестационарными на уровне значимости б=0,05, однако их первые разности стационарны с вероятностью ошибки б=0,05 (см. Приложение 4, рис. 28, 29, 30, 31). Таким образом, процессы глобализации и экономической конвергенции являются процессами первого порядка интеграции, т.е. I(1). Следовательно, далее мы можем осуществить анализ на наличие коинтеграции между глобализацией и конвергенцией экономического развития.

Сначала был применен графический анализ переменных. Итак, на Рисунке 6 приведен график динамики KOF-индекса глобализации и прокси для экономической конвергенции, в соответствии с которым, очевидно, что между показателями глобализации и конвергенции экономического развития существует некоторое соотношение (линейная комбинация этих временных рядов), являющееся стационарным процессом.

Рис. 6. Динамика KOF-индекса глобализации и обратного коэффициента вариации логарифма ВВП на душу населения в постоянных ценах 2010 года за 1970-2015 г.

Источник: World Bank

Для установления коинтегрированности глобализации и конвергенции экономического развития в странах мира была применен тест Йохансена, разработанный в начале 90-х годов XX века. Данный тест позволяет найти линейные стационарные комбинации временных рядов.

Тест Йохансена на коинтеграцию осуществлялся с помощью статистического пакета EViews. На первом этапе необходимо найти оптимальное число лагов для модели векторной авторегрессии. В соответствии с рис. 32, 33, 34 (см. Приложение 4) оптимальное число лагов равно 1, так как при добавлении лагов в модель значения информационных критериев Акаике и Шварца увеличиваются. Далее непосредственно запускаем тест Йохансена, который выдает значения тестовых статистик и , для которых - МП оценка i-го корня полученного Йохансеном уравнения. Для trace statistic нулевая и альтернативная гипотеза формулируются следующим образом:

Где n - количество нестационарных временных рядов, r - число коинтегрирующих соотношений, rank - ранг матрицы П соответствующий ECM представлению модели ().

Для max statistic нулевая и альтернативная гипотеза формулируются следующим образом:

С помощью данных статистик определяется количество коинтеграционных соотношений, спецификация коинтегрирующего соотношения и уравнения коррекции ошибок. В нашем случае коинтегрирующий ранг равен или 0 (то есть временные ряды не коинтегрированы), или 1 (ряды коинтегрированы). В соответствии с Таблицей 12 обе статистики указывают на то, что ранг коинтеграции равен 1, то есть существует одно коинтеграционное соотношение, для модели с трендом и константой, включенных и в коинтеграционное соотношение и в векторную авторегрессию.



Таблица 12

Количество коинтеграционных соотношений и спецификация моделей

	CE: no const; no trend VAR: no const; no trend	CE: const; no trend VAR: no const; no trend	CE: const; no trend VAR: const; no trend	CE: const; trend VAR: const; no trend	CE: const; trend VAR: const; trend
trace statistic	0	0	0	0	1
max statistic	0	0	0	1	1

Источник: расчеты автора

Далее на основе полученных результатов была построена векторная модель коррекции ошибок (VECM), которая подтвердила результаты тестирования, в частности коэффициент при ECM (остатках коинтеграционного уравнения) значимый и отрицательный (см. Приложение 4, рис. 35).

Итак, мы получаем следующее уравнение коинтеграции (29) и уравнение модели коррекции ошибок (ECM) (30):

(29)

Где ,

(30)

Где

В Таблице 13 представлена оценка коинтеграционного соотношения и механизма коррекции ошибок.

Таблица 13

Оценка коинтеграционного соотношения и модели коррекции ошибок

Коинтеграционное соотношение	Модель коррекции ошибок
переменная	коэффициент	переменная	коэффициент
const	0,209	const	0,0013* (0,00068)
	0,005*** (0,00077)		-0,364*** (0,086)
	0,001		0,057 (0,132)
			-0,0006 (0,0007)
			-1,31Е-05 (2,2Е-0,5)
			0,2896
		BIC	-9,488

Примечание: *** - соответствует уровню значимости 1%, ** - уровню значимости 5%, * - уровню значимости 10%. В круглых скобках указана СКО оценок.

Источник: расчеты автора

Перед интерпретацией полученных результатов, была осуществлена диагностика построенной модели. Итак, с помощью многомерного аналога LM теста на автокорреляцию остатков (см. Приложение 4, рис. 36), нулевая гипотеза которого заключается в отсутствии автокорреляции в ошибках, было выявлено, что в ошибках нет автокорреляции на уровне значимости б=0,05 до 10 лага. Далее остатки были проверены на принадлежность многомерному нормальному закону распределения. Для этого был применен Тест Дурника-Хансена (см. Приложение 4, рис. 37). В соответствии с наблюдаемой статистикой JB_набл=13.21 (p-value=0.0103), нулевая гипотеза о принадлежности остатков нормальному закону распределения на уровне значимости б=0.01. Также модель была проверена на соответствие эмпирическим данным. Рисунок 7, на котором представлены корни характеристического многочлена оцененной модели многомерного случайного процесса, порождающего совокупность рассматриваемых временных рядов, соответствует выводу о наличии одного коинтеграционного соотношения для этого процесса. Таким образом, наша модель адекватна и мы можем приступить к ее интерпретации.