Определение направлений структурных реформ для обеспечения устойчивого развития: кластерный анализ и logit-моделирование

Табл. 6

Результаты кластерного анализа: порядок агломерации (кластеров)

Источник: расчеты автора

Agglomeration Schedule
Stage	Cluster Combined	Coefficients	Stage Cluster First Appears	Next Stage
	Cluster 1	Cluster 2		Cluster 1	Cluster 2
1	62	63	,217	0	0	33
2	7	21	,667	0	0	9
3	47	96	1,263	0	0	5
4	33	97	2,201	0	0	42
5	45	47	3,206	0	3	26
6	68	84	4,388	0	0	61
7	85	94	5,634	0	0	11
8	30	86	6,910	0	0	19
9	7	10	8,333	2	0	25
10	17	106	9,766	0	0	35
…	…	…	…	…	…	…
…	…	…	…	…	…	…
104	28	108	1021,782	93	0	106
105	5	13	1094,422	102	95	107
106	1	28	1188,081	100	104	109
107	5	6	1284,502	105	99	110
108	3	56	1381,684	103	0	109
109	1	3	1538,390	106	108	110
110	1	5	1980,000	109	107	0

Определив количество предполагаемых кластеров, проведем процедуру кластерного анализа с уже известным количеством ожидаемых кластеров: для этого выберем в программе SPSS количество кластеров равное трем.

Табл. 7

Результаты кластерного анализа: описательная статистика

Источник: расчеты автора

Case Processing Summarya
Cases
Valid	Missing	Total
N	Percent	N	Percent	N	Percent
111	98,2%	2	1,8%	113	100,0%
a. Squared Euclidean Distance used

В соответствии с описательной статистикой две страны не были учтены в кластеризации из-за пропущенных значений по признаку «terms of trade».

Теперь для каждого наблюдения выведем информацию о принадлежности к кластеру в таблице ниже:

Табл. 8

Результаты кластерного анализа: принадлежность объектов к кластеру

Источник: расчеты автора

Cluster Membership

Case	3 Clusters	Case	3Clusters	Case	3 Clusters
1:Afghanistan	1	39:Guinea	1	77:Nigeria	1
2:Angola	1	40:Guinea-Bissau	1	78:Nicaragua	2
3:Albania	2	41:Greece	3	79:Nepal	1
4:Argentina	2	42:Guatemala	2	80:Oman	3
5:Armenia	3	43:Guyana	1	81:Pakistan	2
6:Australia	3	44:Honduras	2	82:Panama	2
7:Austria	3	45:Croatia	3	83:Peru	3
8:Azerbaijan	1	46:Haiti	1	84:Philippines	2
9:Burundi	1	47:Hungary	3	85:Poland	3
10:Belgium	3	48:Indonesia	2	86:Portugal	3
11:Benin	1	49:India	2	87:Paraguay	2
12:Bangladesh	2	50:Israel	3	88:Qatar	3
13:Bulgaria	3	51:Italy	3	89:Romania	3
14:Bahrain	3	52:Jamaica	3	90:Russian Federation	3
15:Belarus	3	53:Jordan	3	91:Rwanda	1
16:Belize	2	54:Kazakhstan	3	92:Senegal	2
17:Brazil	3	55:Kenya	2	93:Singapore	3
18:Barbados	2	56:Kyrgyzstan	2	94:Serbia	3
19:Bhutan	1	57:Cambodia	1	95:Suriname	1
20:Botswana	2	58:Kuwait	3	96:Slovenia	3
21:Canada	3	59:Lebanon	3	97:Sweden	3
22:Chile	3	60:Liberia	1	98:Chad	1
23:China	2	61:Lesotho	2	99:Togo	1
24:Cameroon	1	62:Lithuania	3	100:Thailand	2
25:Colombia	2	63:Latvia	3	101:Tajikistan	2
26:Comoros	2	64:Morocco	2	102:Tunisia	3
27:Germany	3	65:Moldova	2	103:Turkey	2
28:Algeria	1	66:Madagascar	1	104:Uganda	1
29:Ecuador	2	67:Maldives	2	105:Ukraine	3
30:Spain	3	68:Mexico	2	106:Uruguay	3
31:Estonia	3	69:Mali	1	107:United States	3
32:Ethiopia	1	70:Mozambique	1	108:Uzbekistan	1
33:Finland	3	71:Mauritania	1	109:Vietnam	2
34:Fiji	2	72:Mauritius	3	110:Samoa	2
35:France	3	73:Malawi	1	111:Zambia	1
36:Gabon	1	74:Malaysia	3
37:United Kingdom	3	75:Namibia	2
38:Georgia	2	76:Niger	1

По данным таблицы Табл. 8 видно, что в первый кластер попала 31 страна (27,9%), во второй - 35 стран (31,5%), в третий - 45 стран (40,5%). Третий кластер получился самым большим. Первая группа стран включает в себя в основном страны Африки, а именно менее развитые из них. Во втором кластере оказались в большинстве, развивающиеся страны с большой плотностью населения и две страны бывшего СССР: Таджикистан и Кыргызстан. Третий кластер объединил в основном развитые страны и оставшиеся страны бывшего СССР: Россию, Казахстана, Литву, Латвию, Эстонию, Белоруссию (кроме Узбекистана - он вошел в 1 кластер).

Процесс объединения в кластеры завершился при рассмотрении Табл. 8, а графическое представление процесса объединения объектов представлен в виде дендограммы в Приложении 1, которое визуализирует процесс слияния, приведенный в обзорной таблице порядка агломерации. Кластеры, полученные в результате слияния, отображаются горизонтальными линиями (Приложении 1).

3.6 Содержательная интерпретация полученных кластеров: кластерные профили

Для того, чтобы понять значения полученных трех кластеров, обратимся к кластерным профилям. Для последовательности интерпретации, проанализируем результаты по частям. В качестве результатов выведем средние значения и стандартные отклонения переменных:



Табл. 9.1

Значения кластерных профилей: по признакам

Источник: расчеты автора

Ward Method	GDP per capita	KOFGI	HDI	agriculture
1	Mean	1930,29	50,04	0,54	23,60
	N	31	31	31	31
	Std. Deviation	2249,10	6,23	0,11	11,49
	% of Total N	27,90%	27,90%	27,90%	27,90%
	% of Total Sum	4,50%	21,40%	21,20%	55,90%
3	Mean	4928,05	61,64	0,69	11,70
	N	35	35	35	35
	Std. Deviation	3917,41	8,43	0,08	7,40
	% of Total N	31,50%	31,50%	31,50%	31,50%
	% of Total Sum	12,90%	29,80%	30,60%	31,30%
3	Mean	24619,55	78,3273	0,8436	3,7073
	N	45	45	45	45
	Std. Deviation	18362,45	7,97	0,06	3,05
	% of Total N	40,50%	40,50%	40,50%	40,50%
	% of Total Sum	82,70%	48,70%	48,10%	12,80%
Total	Mean	12073,88	65,17	0,71	11,78
	GDP per capita	1930,29	50,04	0,54	23,60
	Mean	31	31	31	31
	N	2249,10	6,23	0,11	11,49
	Std. Deviation	27,90%	27,90%	27,90%	27,90%

Видим, что в первый кластер попали страны, имеющие наибольшую долю сельского хозяйства (55,9% от общей суммы и 23,5% в среднем от ВВП), самые низкие показатели индекса глобализации (KOFGI), человеческого развития (HDI) и ВВП на душу населения. Страны из второго кластера отличаются средними показателями по всем признакам, кроме ВВП на душу населения - относительно общей суммы он занимает только 12,9%, что не является даже третью. И, наконец, страны третьего кластера характеризуются самыми высокими показателями по всем признакам, кроме сельского хозяйства - он занимает 12,8% от общей суммы и 3,7% в среднем от ВВП данных стран.

Табл. 9.2

Значения кластерных профилей: по признакам

Источник: расчеты автора

Ward Method	Debt to GDP ratio	ст.отклтем.изм.rВВП20092018	Labor force participation rate	Contributing family workers
1	Mean	0,53	2,95	71,06	20,47
	N	31	31	31	31
	Std. Deviation	0,25	1,00	11,09	12,30
	% of Total N	27,90%	27,90%	27,90%	27,90%
	% of Total Sum	25,50%	28,90%	28,70%	59,00%
3	Mean	0,50	2,69	64,08	10,50
	N	35	35	35	35
	Std. Deviation	0,20	1,02	11,09	8,32
	% of Total N	31,50%	31,50%	31,50%	31,50%
	% of Total Sum	27,20%	29,70%	29,20%	34,20%
3	Mean	0,68	2,92	71,84	1,64
	N	45	45	45	45
	Std. Deviation	0,37	1,44	8,16	2,56
	% of Total N	40,50%	40,50%	40,50%	40,50%
	% of Total Sum	47,30%	41,40%	42,10%	6,90%
Total	Mean	0,58	2,85	69,18	9,70
	GDP per capita	111	111	111	111
	Mean	0,30	1,20	10,51	11,17
	N	100,00%	100,00%	100,00%	100,00%
	Std. Deviation	100,00%	100,00%	100,00%	100,00%

По Табл. 9.2 показатель долга к ВВП в кластерах 1 и 2 почти одинаковый (0,53 и 0,5 соответственно), однако в кластере 3 данный показатель равен 0,68, что говорит о высокой долговой нагрузке данных стран. Если вернуться в Табл. 8, то можно заметить, что в данный кластер входят такие страны как США, Италия, Франция, Греция и другие развитые страны, которым характерны такие высокие долговые нагрузки. Второй признак - показатель волатильности ВВП, в свою очередь, одинаков для стран первого и третьего кластеров, т.к. в этих странах за последние 5-10 лет было много как экономических, так и политических изменений. Высоким для этих же кластеров является показатель участия в рабочей силе, чего не скажешь про второй кластер. По последнему показателю «самозанятых в % от общего количества занятости» лидирующую позицию занимает кластер 1 со значениями 20,47% от общей занятости и 59% от общей суммы. Треть от суммы приходится на кластер 2 (10,5% от общей занятости), а кластер 3 имеет всего 1,6%.

Табл. 9.3

Значения кластерных профилей: по признакам

Источник: расчеты автора

Ward Method	LPI	GDPdefflator -CPI	ILOdata	средгод.тем.ER
1	Mean	2,27	2,27	0,22	104,16
	N	31	31	31	31
	Std. Deviation	0,67	4,60	0,20	4,99
	% of Total N	27,90%	27,90%	27,90%	27,90%
	% of Total Sum	22,90%	55,60%	19,90%	28,60%
2	Mean	2,52	0,57	0,27	99,32
	N	35	35	35	35
	Std. Deviation	0,88	1,77	0,19	17,30
	% of Total N	31,50%	31,50%	31,50%	31,50%
	% of Total Sum	28,70%	15,80%	26,90%	30,80%
3	Mean	3,3098	0,806	0,4084	102,0451
	N	45	45	45	45
	Std. Deviation	0,56	1,49	0,23	2,69
	% of Total N	40,50%	40,50%	40,50%	40,50%
	% of Total Sum	48,40%	28,60%	53,20%	40,60%
Total	Mean	2,77	1,14	0,31	101,78
	GDP per capita	111	111	111	111
	Mean	0,83	2,85	0,22	10,28
	N	100,00%	100,00%	100,00%	100,00%
	Std. Deviation	100,00%	100,00%	100,00%	100,00%

Третья часть (Табл. 9.3) кластерных профилей указывает на высокий уровень развитости логистики и занятости вне сельского хозяйства, и бюджетного сектора (ILOdata) для стран третьего кластера. Также, в данном кластере наиболее стабильные среднегодовые темпы изменения обменного курса. По признаку, который является прокси изменения условий торговли (GDPdefflator -CPI) наиболее подвержены кластер 1 и малость кластер 3. Наименьшая занятость вне бюджетного сектора и сельского хозяйства наблюдается в странах 1 и 2 кластеров, 22% и 27% соответственно.

Табл. 9.4

Значения кластерных профилей: по признакам

Источник: расчеты автора

Ward Method	Wage and salaried workers	Ease of doing business	Total natural resources rents	Terms of trade	secondary income
1	Mean	27,66	136,00	13,68	142,34	2 052 707 371,02
	N	31	31	31	31	31
	Std. Deviation	20,28	40,83	8,11	41,24	4661733632,80
	% of Total N	27,90%	27,90%	27,90%	27,90%	27,90%
	% of Total Sum	13,30%	44,10%	62,30%	31,50%	.
3	Mean	55,04	93,26	2,30	112,56	6 937 504 486,14
	N	35	35	35	35	35
	Std. Deviation	13,92	40,14	1,94	32,70	13669845876,61
	% of Total N	31,50%	31,50%	31,50%	31,50%	31,50%
	% of Total Sum	29,80%	34,20%	11,80%	28,20%	.
3	Mean	81,9489	46,1111	3,9202	125,2127	-7 722 949 946
	N	45	45	45	45	45
	Std. Deviation	11,56	31,18	7,29	28,68	21522784077,68
	% of Total N	40,50%	40,50%	40,50%	40,50%	40,50%
	% of Total Sum	57,00%	21,70%	25,90%	40,30%	.
Total	Mean	58,30	86,08	6,14	126,01	-370145604,11
	GDP per capita	111	111	111	111	111
	Mean	26,87	52,09	7,95	35,44	17021747679,48
	N	100,00%	100,00%	100,00%	100,00%	100,00%
	Std. Deviation	100,00%	100,00%	100,00%	100,00%	.

Последняя часть кластерных профилей (Табл. 9.4) интересна тем, что еще раз показывает наличие наибольшей занятости в странах третьего кластера, а также на лучшие условия ведения бизнеса по рейтингу Ease of doing business. Еще одним интересным явлением являются высокие рентные доходы в % от ВВП в странах кластера 1, что объясняет их приверженность к изменениям условий торговли. По данному признаку кластер 3 имеет 3,9% от ВВП, что также, объясняет умеренные влияния условий торговли. Последний признак «вторичные доходы» указывает на самые высокие показатели в кластере 2 (в среднем в размере 6,9 трлн. $) и отрицательные значения в последнем кластере (в среднем в размере -7,7 трлн. $), указывая на отток капитала из страны, что скорее всего связано с переводами трудовых мигрантов части заработной платы на родину.

Рассмотрим кластерные профили в разрезе факторных нагрузок с использованием их «квази-наименований»:

Табл. 10

Значения кластерных профилей: по факторам

Источник: расчеты автора

Report
Ward Method	FAC 1	FAC 2	FAC 3	FAC 4	FAC 5	FAC 6
1	Mean	-1,17	-0,16	0,59	0,22	0,08	0,27
	N	31	31	31	31	31	31
	Std. Deviation	0,86	1,05	1,13	0,69	0,95	1,21
2	Mean	-0,03	-0,30	-0,32	-0,65	-0,08	-0,29
	N	35	35	35	35	35	35
	Std. Deviation	0,54	1,07	0,83	0,69	0,80	1,25
3	Mean	0,83	0,34	-0,16	0,35	0,01	0,04
	N	45	45	45	45	45	45
	Std. Deviation	0,30	0,80	0,86	1,15	1,18	0,41
Total	Mean	0	0	0	0	0	0
	N	111	111	111	111	111	111
	Std. Deviation	1	1	1	1	1	1

По результатам кластерных профилей на основе факторных нагрузок, кластер 1 имеет отрицательный уровень экономического развития, низкую вовлеченность населения в этот самый рост, кроме того, является «квази-рентным» кластером с зависимостью от финансовых трансфертов своей диаспоры (фактор 2), и сильной волатильностью ВВП. Второй кластер имеет отрицательные значения для всех средних факторных нагрузок: самая низкая вовлеченность населения в экономический рост, который в свою очередь, обеспечивается за счет нестабильных источников - денежных переводов трудовых мигрантов (-0,65 для данного фактора) и высокого показателя долга к ВВП. Третий кластер имеет хорошие показатели по всем факторам и может служить примером направления структурных реформ для обеспечения устойчивого экономического развития.

Подведя итоги сравнительного анализа кластерных профилей, можно отнести кластер 3- к развитым (хорошим странам), 2 - к развивающимся (с самыми комплексными проблемами) и 1 - к менее развитым странам (проблема низкого экономического роста). Если рассмотреть ярких представителей каждого кластера, то можно выстроить общую картину происходящего: (i) третий кластер: США, Канада, Сингапур, Германия, Великобритания, Россия; (i) второй кластер: Аргентина, Пакистан, Вьетнам, Таджикистан, Кыргызстан, Молдова; (i) первый кластер: Нигерия, Бутан, Афганистан, Ангола.

В окончании данного раздела, еще раз обратимся к описательной статистике для визуального представления кластеризации нашей выборки, которую более подробно можно рассмотреть в Приложениях 4 - 8 данной работы.



Рис. 9 Описательная статистика: разделение на кластеры

Источник: расчеты автора

3.7 Мультиномиальная логистическая регрессия

В данном разделе постараемся определить направление структурных реформ посредством применения мультиномиальной логистической регрессии. Данный этап нашего анализа поможет ответить на наш второй вопрос, который ранее был представлен в разделе методологии: какие меры следует предпринять для повышения устойчивого роста? Меры по повышению устойчивого роста будут предложены исходя из оценок вероятностных изменений относительно найденных факторов на этапе факторного анализа. А сравнение откликов при изменении факторных оценок поможет определить приоритетные направления реформирования для наших объектов.

Для мультиномиальной логит-регрессии обозначим номера кластеров (1,2,3) зависимыми переменными, а полученные факторные нагрузки Методом Главных Компонент (6 фактора) независимыми. Важно помнить, что одной из важных предпосылок мультиномиальной логистической регрессии является отсутствие мультиколлениарности между независимыми переменными. Фактор нагрузки посредством Метода Главных компонент предполагает избавление от мультиколленеарности, однако, дополнительная проверка послужит дополнением. Рассмотрим фактор инфляции дисперсии (VIF) и (Табл. 12) диагностику коллениарности:

Табл. 11.1

Проверка на мультиколленеарность: фактор инфляции дисперсии

Источник: расчеты автора

Coefficientsa
Model	Unstandardized Coefficients	Standardized Coefficients	t	Sig.	Collinearity Statistics
	B	Std. Error	Beta			Tolerance	VIF
1	Constant	2,126	,035		60,919	,000
	FAC1	,671	,035	,817	19,132	,000	1,000	1,000
	FAC2	,184	,035	,224	5,249	,000	1,000	1,000
	FAC3	-,229	,035	-,279	-6,541	,000	1,000	1,000
	FAC4	,081	,035	,098	2,301	,023	1,000	1,000
	FAC5	-,017	,035	-,021	-,494	,623	1,000	1,000
	FAC6	-,062	,035	-,076	-1,772	,079	1,000	1,000
a. Dependent Variable: Ward Method

Исходя из Табл. 11.1 видим, что все значения численного измерения мультиколлениарности VIF (в какой степени каждый из факторов может привести к мультиколлениарности) указывают на то, что независимые переменные не имеют мультиколленеарности. Данное утверждение основывается на том, что значения VIF не превышают порогового значения: VIF < 3.

Табл. 11.2

Проверка на мультиколленеарность: диагностики коллениарности

Источник: расчеты автора

Collinearity Diagnosticsa
Model	Dimension	Eigenvalue	Condition Index	Variance Proportions
				(Constant)	FAC1	FAC2	FAC3	FAC4	FAC5	FAC6
1	1	1,000	1,000	,47	,00	,19	,01	,17	,01	,16
	2	1,000	1,000	,00	,15	,00	,68	,05	,11	,00
	3	1,000	1,000	,00	,83	,01	,13	,00	,03	,00
	4	1,000	1,000	,00	,00	,36	,00	,48	,16	,00
	5	1,000	1,000	,00	,00	,12	,17	,02	,69	,00
	6	1,000	1,000	,00	,00	,13	,00	,11	,00	,75
	7	1,000	1,000	,53	,00	,19	,01	,17	,01	,10
a. Dependent Variable: Ward Method

Табл. 11.2 при диагностике мультиколлениарности показывает отсутствие мультиколлениарности среди предикторов. Таким образом, можно заключить, что все предпосылки модели мультиномиальной логистической регрессии выполнены - можно приступать к ее построению.

Построим мультиномиальную логистическую регрессию, где для каждой зависимой переменной определим уравнение логистической регрессии. При этом кластер 3 обозначим опорной и все другие кластеры сравним с ней. Данное уравнение мультиномиальной логистической регрессии позволит спрогнозировать вероятность принадлежности к каждой категории зависимой переменной по значениям независимых переменных.



Табл. 12

Мультиномиальная logit-регрессия: описательная статистика

Источник: расчеты автора

Case Processing Summary
	N	Marginal Percentage
Ward Method	1	31	27,9%
	2	35	31,5%
	3	45	40,5%
Valid	111	100,0%
Missing	2
Total	113
Subpopulation	111a
a. The dependent variable has only one value observed in 111 (100,0%) subpopulations.

В Табл. 12, где приведена описательная статистика нашей выборки, можно заметить, сколько наблюдений имеют значение У равные единице (27,9%), двум (31,5%), и сколько - равные трем (40,5%).

Табл. 13

Мультиномиальная logit-регрессия: сводка для модели

Источник: расчеты автора

Model Fitting Information
Model	Model Fitting Criteria	Likelihood Ratio Tests
	-2 Log Likelihood	Chi-Square	df	Sig.
Intercept Only	241,135
Final	38,054	203,080	12	,000

Качество приближения регрессионной модели оценивается с помощью функции правдоподобия. Мерой правдоподобия служит отрицательное удвоенное значение логарифма этой функции (-2Log Likelihood), отображаемое в сводке для модели. Чем меньше это значение, тем лучше сформированная модель. В качестве начального значения для -2Log применяется значение, которое получается для регрессионной модели, содержащей только константы. После добавления переменных влияние значения -2Log равно 38,054; это значение на 203,080 меньше, чем начальное. Подобное снижение величины означает улучшение; разность обозначается как хи-квадрат (Chi-Square) и является значимой. Это означает, что начальная модель после добавления переменных влияния стала значительно лучше.

Табл. 14

Мультиномиальная logit-регрессия: описательная статистика

Источник: расчеты автора

Goodness-of-Fit
	Chi-Square	df	Sig.
Pearson	66,734	208	1,000
Deviance	38,054	208	1,000

Pseudo R-Square
Cox and Snell	,840
Nagelkerke	,947
McFadden	,842

Табл. 15

Мультиномиальная logit-регрессия: переменные в уравнении регрессии

Источник: расчеты автора

Likelihood Ratio Tests
Effect	Model FittingCriteria	Likelihood Ratio Tests
	-2 Log Likelihood of Reduced Model	Chi-Square	df	Sig.
Intercept	56,589	18,535	2	,000
FAC1	175,501	137,446	2	,000
FAC2	59,835	21,781	2	,000
FAC3	79,367	41,313	2	,000
FAC4	47,107	9,052	2	,011
FAC5	46,723	8,669	2	,013
FAC6	48,865	10,811	2	,004
The chi-square statistic is the difference in -2 log-likelihoods between the final model and a reduced model. The reduced model is formed by omitting an effect from the final model. The null hypothesis is that all parameters of that effect are 0.

По Табл. 15, переменные в уравнении регрессии статистически значимы на уровне 95%-го доверительного интервала, что говорит о пригодности всех факторов для дальнейшего построения логистической регрессии.

Табл. 16

Мультиномиальная logit-регрессия: оценка параметров 1

Источник: расчеты автора

Parameter Estimates
Ward Methoda	B	Std. Error	Wald	df	Sig.	Exp(B)	95% Confidence Interval for Exp(B)
							Lower Bound	Upper Bound
1	Intercept	-4,817	2,331	4,269	1	,039
	FAC1	-18,914	4,039	21,923	1	,000	6,109E-9	2,226E-12	1,676E-5
	FAC2	-4,401	,989	19,799	1	,000	,012	,002	,085
	FAC3	7,468	1,973	14,335	1	,000	1751,501	36,679	83638,601
	FAC4	-2,074	1,444	2,062	1	,151	,126	,007	2,132
	FAC5	3,859	1,137	11,511	1	,001	47,418	5,102	440,662
	FAC6	,838	2,360	,126	1	,723	2,311	,023	235,678
2	Intercept	2,114	,587	12,964	1	,000
	FAC1	-7,106	1,188	35,795	1	,000	,001	8,000E-5	,008
	FAC2	-2,659	,572	21,621	1	,000	,070	,023	,215
	FAC3	1,198	,519	5,334	1	,021	3,314	1,199	9,158
	FAC4	-2,617	,648	16,292	1	,000	,073	,020	,260
	FAC5	1,151	,350	10,850	1	,001	3,163	1,594	6,275
	FAC6	-1,325	,812	2,665	1	,103	,266	,054	1,305
a. The reference category is: 3.

На данном шаге, фактор 6 оказался статистически незначимым для обоих наблюдаемых групп, потому его следует удалить из выборки и заново запустить мультиномиальную логистическую регрессию без него:

Табл. 17

Мультиномиальная logit-регрессия: оценка параметров 2

Источник: расчеты автора

Parameter Estimates
CLU3_1a	B	Std. Error	Wald	df	Sig.	Exp(B)	95% Confidence Interval for Exp(B)
							Lower Bound	Upper Bound
1	Intercept	-1,947	1,111	3,067	1	,080
	FAC1	-14,099	1,844	58,446	1	,000	7,529E-7	2,027E-8	2,796E-5
	FAC2	-3,563	,706	25,456	1	,000	,028	,007	,113
	FAC3	4,813	,855	31,683	1	,000	123,092	23,036	657,736
	FAC4	-1,447	,905	2,554	1	,110	,235	,040	1,388
	FAC5	2,309	,604	14,614	1	,000	10,067	3,081	32,889
2	Intercept	2,150	,561	14,697	1	,000
	FAC1	-7,365	1,179	39,009	1	,000	,001	6,277E-5	,006
	FAC2	-2,622	,565	21,543	1	,000	,073	,024	,220
	FAC3	1,270	,498	6,509	1	,011	3,562	1,342	9,453
	FAC4	-2,629	,629	17,445	1	,000	,072	,021	,248
	FAC5	,968	,296	10,688	1	,001	2,632	1,474	4,703
a. The reference category is: 3.

Табл. 18

Мультиномиальная logit-регрессия: классификация

Источник: расчеты автора

Classification
Observed	Predicted
	1	2	3	Percent Correct
1	30	1	0	96,8%
2	1	29	5	82,9%
3	0	3	42	93,3%
Overall Percentage	27,9%	29,7%	42,3%	91,0%

В результате мультиномиальной логистической регрессии в программе SPSS, коэффициенты логистической модели стали достаточно сложно интерпретируемыми. Это объясняется тем, что нашими предикторами в модели выступают факторные нагрузки, которые в свою очередь рассчитаны на основе Метода Главных Компонент. Метод МГК использует в регрессии значения признаков после z-стандартизации, что и является главной причиной такой ситуации. В таком случае, следует избавиться от неопределенности и перейти к предельным (маржинальным) эффектам логистической регрессии.

Предельные эффекты мультиномиальной логистической регрессии - это ничто иное как производная вероятности: предельные эффекты показывают на сколько увеличится вероятность того, что второй(первый) кластер окажется в третьем кластере (у=3) с ростом фактора на единицу, соответственно. Поскольку, вероятность того, что y=3 функция распределения, то нам необходимо взять производную от функции распределения по и получаем:

где

- функция плотности

Можно заметить, что этот предельный эффект в отличие от МНК модели зависит от , т.е. реакция вероятности на изменение объясняющей переменной разная для разных наблюдений. Для одного наблюдения она может быть больше, а для другого меньше, тем не менее знак одинаковый. Поскольку функция плотности всегда положительна, то знак предельного эффекта определяется знаком коэффициента при изменяющем факторе -

Так как в SPSS нет функции расчета маржинальных эффектов логит и пробит моделей, то обратимся к другой статистической программе - Stata. Для каждого вывода приложим соответствующие команды во избежание всевозможных неопределённостей со стороны читателя. Они будут выделены серым цветом после каждой выведенной таблицы.

Для того, чтобы получить маржинальные эффекты, необходимо еще раз посчитать мультиномиальную логистическую регрессию в Stata. На этот раз выведем только таблицу оценок параметров, т.к. остальные описательные статистики были уже выведены в SPSS ранее. Не удивительно заметить, что результаты регрессии точь-в-точь схожи с результатами в SPSS:

Табл. 19

Мультиномиальная logit-регрессия: Stata

Источник: расчеты автора

Iteration 0: log likelihood = -120.56725

Iteration 1: log likelihood = -41.550151

Iteration 2: log likelihood = -35.273738

Iteration 3: log likelihood = -26.034189

Iteration 4: log likelihood = -24.483901

Iteration 5: log likelihood = -24.423262

Iteration 6: log likelihood = -24.423029

Iteration 7: log likelihood = -24.423029

Multinomial logistic regression Number of obs = 111

LR chi2(10) = 192.29

Prob > chi2 = 0.0000

Log likelihood = -24.423029 Pseudo R2 = 0.7974

------------------------------------------------------------------------------

CLU3_1 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

1 |

FAC1 | -14.11616 3.336207 -4.23 0.000 -20.655 -7.577311

FAC2 | -3.546426 1.279585 -2.77 0.006 -6.054367 -1.038486

FAC3 | 4.821689 1.546617 3.12 0.002 1.790375 7.853002

FAC4 | -1.440005 1.635164 -0.88 0.379 -4.644867 1.764856

FAC5 | 2.309658 1.089641 2.12 0.034 .1740007 4.445316

_cons | -1.963437 2.012912 -0.98 0.329 -5.908672 1.981797

-------------+---------------------------------------------------------------- 2 |

FAC1 | -7.360628 2.130391 -3.46 0.001 -11.53612 -3.185139

FAC2 | -2.626196 1.02534 -2.56 0.010 -4.635826 -.6165663

FAC3 | 1.266958 .8997902 1.41 0.159 -.496598 3.030515

FAC4 | -2.621339 1.134785 -2.31 0.021 -4.845477 -.3972009

FAC5 | .9608715 .5331058 1.80 0.071 -.0839966 2.00574

_cons | 2.144492 1.01386 2.12 0.034 .1573633 4.13162

-------------+----------------------------------------------------------------

3 | (base outcome)

------------------------------------------------------------------------------

Note: 4 observations completely determined. Standard errors questionable.

Перейдем к расчету маржинальных эффектов для кластеров 1 и 2 относительно самого лучшего кластера - 3 (Табл. 20). Попытаемся интерпретировать полученные вероятностные значения относительно направления и уровня структурных реформ для каждого кластера в индивидуальном порядке.

Во-первых, обратим внимание на значимость предельных эффектов каждого кластера по каждой объясняющей переменной - фактором. Так как фактор 6 был незначим на предыдущем шаге logit-регрессии, то его рассмотрение не предполагается в последующем. Так, можно заметить, что для стран первого кластера все выведенные значения являются незначимыми. Причиной тому ввиду интерпретации самого кластера является то, что страны третьего мира не могут разом перейти в группу развитых стран. Им для этого необходимо сначала пройти путь до кластера 2, а потом уже придерживаться траектории к кластеру 3. Поэтому, странам данного кластера, опорной группой стран логичнее должен быть кластер 2. Более подробно остановимся на этом при рассмотрении Табл. 21.

Во-вторых, для кластера 2 все факторы, кроме FAC3 («квази-рентная» экономика) являются значимыми. Например, увеличение экономического роста (FAC1) на единицу, повышает вероятность перехода стран из кластера 2 в кластер 3 на 49,4%. В то же время, рост FAC2 (низкая вовлеченность населения в экономический рост) и FAC4 (зависимость экономики от переводов трудовых мигрантов) на единицу повышает вероятность перехода на 17,6% и 17,5%, соответственно. Примечательным является то, что эффекты почти схожи. Скорее всего это связано с тем, что оба фактора связаны с одним и тем же - созданием рабочих мест для предоставления заработка как трудовым мигрантам, так и местному населению. При FAC4 следует быть осторожными в интерпретации и не запутаться, т.к. он отрицательно зависит от вторичных доходов (secondary income) и положительно от ВВП на душу населения, причем от первого куда больше, чем от второго. Так, отрицательные FAC4 для стран означают сильную зависимость от мигрантов, а ее увеличение говорит о снижении этой зависимости. Последний фактор FAC5 имеет отрицательный предельный эффект, что говорит о том, что увеличение макроэкономической нестабильности в странах второго кластера приведет к уменьшению их вероятности попадания в кластер 3 на 6,5%.

В-третьих, при предельных эффектах можно рассчитать вероятность попадания стран третьего кластера в тот же третий кластер. Это означает, что существуют страны, которые могут улучшить свои социально-экономические показатели относительно других (более лучших) стран этой же группы. Например, FAC2 и FAC4 при росте на одну единицу приведут к 14,4% и 14,1% росту вероятностей нахождения некоторых стран третьего кластера в группе развитых стран.

Таким образом, предельные эффекты перехода стран первого и второго кластеров в кластер 3 помогли определить направления реформ с их вероятностными откликами: для кластера 2 приоритетными направлениями реформирования являются: улучшение уровня человеческого развития, условий ведения бизнеса, снижение макроэкономической нестабильности и переход к иной модели экономического роста, основанного на создании рабочих мест в экспортоориентированных отраслях (текстильная промышленность, ряд направлений обрабатывающей промышленности). Данный подход позволил бы решить и проблему низкой занятости в экономике, и проблему снижения зависимости экономики от трудовых переводов.

Табл. 20

Предельные эффекты: по кластерам

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==3), predict(outcome(3))

dy/dx w.r.t.: FAC1 FAC2 FAC3 FAC4 FAC5

over : CLU3_1

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC1 |

CLU3_1 |

1 | .002179 .0060685 0.36 0.720 -.009715 .014073

2 | .4937177 .0610845 8.08 0.000 .3739944 .6134411

3 | .4093025 .0886494 4.62 0.000 .2355528 .5830522

-------------+----------------------------------------------------------------

FAC2 |

CLU3_1 |

1 | .0006173 .0016154 0.38 0.702 -.0025488 .0037833

2 | .1757962 .048556 3.62 0.000 .0806283 .2709642

3 | .1442065 .0530307 2.72 0.007 .0402682 .2481448

-------------+----------------------------------------------------------------

FAC3 |

CLU3_1 |

1 | -.0006322 .0016761 -0.38 0.706 -.0039173 .0026529

2 | -.0855552 .0554429 -1.54 0.123 -.1942213 .023111

3 | -.0733868 .0528203 -1.39 0.165 -.1769127 .0301392

-------------+----------------------------------------------------------------

FAC4 |

CLU3_1 |

1 | .0003904 .0010028 0.39 0.697 -.0015751 .0023558

2 | .1749678 .0617514 2.83 0.005 .0539373 .2959983

3 | .1413632 .0561171 2.52 0.012 .0313757 .2513507

-------------+----------------------------------------------------------------

FAC5 |

CLU3_1 |

1 | -.0003346 .000959 -0.35 0.727 -.0022142 .0015449

2 | -.0645628 .0307535 -2.10 0.036 -.1248387 -.004287

3 | -.0540041 .0282181 -1.91 0.056 -.1093106 .0013023

------------------------------------------------------------------------------

Далее, определим направление структурных реформ для стран с менее развитой экономикой опираясь на кластер 2 (Табл. 21). Для этого рассмотрим результаты рассчитанных предельных эффектов в таблице ниже. Для рассматриваемых стран значимыми факторами являются: FAC1 (экономическое развитие), FAC3 («квази-рентная» экономика). Причем увеличение FAC3 на единицу снижает вероятность попадания в кластер 2 на 17,2%, что объясняется тем, что среди всех групп стран, страны второго кластера имеют наименьшую зависимость от рентных поступлений. Основываясь на этом, по FAC3 направления реформ не могут быть определены, т.к. мы не можем точно сказать приведет ли это к улучшению или нет. Так, значимым направлением реформ остается экономическое развитие, улучшение которого на единицу приведет к повышению вероятности наступления уровня жизни как в кластере 2 на 32,6%.

Табл. 21

Предельные эффекты: по кластерам

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==2), predict(outcome(2))

dy/dx w.r.t.: FAC1 FAC2 FAC3 FAC4 FAC5

over : CLU3_1

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC1 |

CLU3_1 |

1 | .326325 .0779954 4.18 0.000 .1734568 .4791932

2 | -.2469355 .1010935 -2.44 0.015 -.4450752 -.0487959

3 | -.3900145 .0729823 -5.34 0.000 -.5330571 -.2469718

-------------+----------------------------------------------------------------

FAC2 |

CLU3_1 |

1 | .0443057 .0337913 1.31 0.190 -.0219239 .1105354

2 | -.1417907 .0558099 -2.54 0.011 -.251176 -.0324054

3 | -.139587 .0500303 -2.79 0.005 -.2376446 -.0415293

-------------+----------------------------------------------------------------

FAC3 |

CLU3_1 |

1 | -.171945 .0342929 -5.01 0.000 -.2391579 -.1047321

2 | -.0436759 .0636959 -0.69 0.493 -.1685176 .0811658

3 | .0664354 .046186 1.44 0.150 -.0240875 .1569582

-------------+----------------------------------------------------------------

FAC4 |

CLU3_1 |

1 | -.0574154 .0575621 -1.00 0.319 -.1702351 .0554044

2 | -.2171856 .0782947 -2.77 0.006 -.3706403 -.0637308

3 | -.1399402 .0551695 -2.54 0.011 -.2480705 -.0318099

-------------+----------------------------------------------------------------

FAC5 |

CLU3_1 |

1 | -.0651987 .0436257 -1.49 0.135 -.1507035 .0203061

2 | .0154131 .0430607 0.36 0.720 -.0689843 .0998105

3 | .0507773 .0259021 1.96 0.050 .0000101 .1015446

Использованные команды:. margins, dydx(*) over(CLU3_1) predict(outcome(2))

Дав рекомендации нашим трем кластерам, перейдем к рассмотрению частных предельных эффектов на примере выбранных двух стран: Таджикистан и Аргентина. Обе страны находятся в кластере 2. В дальнейших примерах Таджикистану дадим id = 1, а Аргентине id = 2. Проведем точечные структурные реформы и определим какое из направлений имеет более весомый отклик для перехода в группу стран кластера 3. Для этого из таблицы Факторных нагрузок (Приложение 9) выберем соответствующие значения для Таджикистана и Аргентины. Смысл в том, чтобы на каждом шаге (Табл. 22.1 подразумевает шаг 1 и т.д.) спрогнозировать отклик одного фактора, например, FAC1, оставив остальные факторы константами FAC2=-1.68765 FAC3=0.01601 FAC4=-0.89525 FAC5=0.77322. В реальной экономике это сложно представить, так как структурные реформы подразумевают систематическое воздействие, но на данных примерах нам лишь необходимы вероятностные значения для составления рейтинга самых значимых реформ в Таджикистане и Аргентине.

Рассмотрим маржинальные эффекты для первого фактора (FAC1) при FAC2=-1.68765 FAC3=0.01601 FAC4=-0.89525 FAC5=0.77322 и FAC2=-1.12462 FAC3=-0.67651 FAC4=0.57664 FAC5=1.25191 для Таджикистана и Аргентины, соответственно. Далее значения факторов не будут отдельно приведены, т.к. их можно увидеть в приведенных таблицах параллельно с 1._at и 2._at.

Табл. 22.1

Предельные эффекты по странам: FAC1

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==3), predict(outcome(3))

dy/dx w.r.t.: FAC1

1._at : FAC2 = -1.68765

FAC3 = .01601

FAC4 = -.89525

FAC5 = -.77322

2._at : FAC2 = -1.12462

FAC3 = -.67651

FAC4 = .57664

FAC5 = 1.25191

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC1 |

_at |

1 | .4244233 .2545278 1.67 0.095 -.074442 .9232886

2 | .4508134 .0642922 7.01 0.000 .3248029 .5768239

Использованные команды:. margins, dydx(FAC1) at(FAC2=(-1.68765) FAC3=(0.01601) FAC4=(-0.89525) FAC5=(0.77322)) at(FAC2=(-1.12462)FAC3=(-0.67651) FAC4=(0.57664) FAC5=(1.25191)) predict(outcome(3))

Результаты интерпретируются следующим образом: при неизменных значениях всех факторов, увеличение на единицу первого фактора приведет к возрастанию вероятности перехода в кластер 3 на 42,4% для Таджикистана и 45,1% для Аргентины.

В Табл. 22.2 рассмотрим маржинальные эффекты для второго фактора (низкая вовлеченность населения в экономический рост) при неизменных всех остальных. Таким образом, при неизменных значениях всех факторов, увеличение на единицу второго фактора приведет к возрастанию вероятности перехода в кластер 3 на 25,4% и 14,9% для Таджикистана и Аргентины, соответственно. Повышение уровня вовлеченности населения в экономический рост для Таджикистана оказалось довольно значимым фактором, который повышает вероятность его перехода в кластер 3 в четверть раз.



Табл. 22.2

Предельные эффекты по странам: FAC2

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==3), predict(outcome(3))

dy/dx w.r.t.: FAC2

1._at : FAC1 = .13419

FAC3 = .01601

FAC4 = -.89525

FAC5 = -.77322

2._at : FAC1 = .613

FAC3 = -.67651

FAC4 = .57664

FAC5 = 1.25191

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC2 |

_at |

1 | .2548597 .0717426 3.55 0.000 .1142467 .3954726

2 | .1486955 .0550872 2.70 0.007 .0407265 .2566645

------------------------------------------------------------------------------

Использованные команды:. margins, dydx(FAC2) at(FAC1=(0.13419) FAC3=(0.01601) FAC4=(-0.89525) FAC5=(-0.77322)) at(FAC1=(0.613) FAC3=(-0.67651) FAC4=(0.57664) FAC5=(1.25191)) predict(outcome(3))

Табл. 22.3 описывает предельные эффекты для «квази-рентной экономики» и неизменных остальных факторов. Для обоих стран направление в становлении «квази-рентной экономики» снижает вероятности на 0,2% Таджикистану и намного больше - 26,3% Аргентине.

Табл. 22.3

Предельные эффекты по странам: FAC3

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==3), predict(outcome(3))

dy/dx w.r.t.: FAC3

1._at : FAC1 = .13419

FAC2 = -1.68765

FAC4 = -.89525

FAC5 = -.77322

2._at : FAC1 = .613

FAC2 = -1.12462

FAC4 = .57664

FAC5 = 1.25191

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC3 |

_at |

1 | -.0015868 .0029979 -0.53 0.597 -.0074626 .004289

2 | -.2627297 .1179099 -2.23 0.026 -.4938288 -.0316306

------------------------------------------------------------------------------

Использованные команды:. margins, dydx(FAC3) at( FAC1=(0.13419) FAC2=(-1.68765) FAC4=(-0.89525) FAC5=(-0.77322)) at( FAC1=(0.613) FAC2=(-1.12462) FAC4=(0.57664) FAC5=(1.25191)) predict(outcome(3))

Рассмотрим маржинальные эффекты для четвертого фактора (Табл. 22.4) при неизменных остальных факторах. Сразу можно заметить, что для аргентины увеличение притока мигрантов на единицу увеличивает ее вероятность попадания в кластер 3 на 32,4%. Дело в том, что у Аргентины наблюдается отток вторичных доходов, т.к. в стране одни из самых лучших условий для миграции, что свойственно странам третьего кластера. Это тот случай, когда страна совсем не зависит от трудовых переводов, а сама является источником данных денежных средств для других стран. Что касается Таджикистана, то снижение на одну единицу зависимости экономики от переводов трудовых мигрантов приведет к повышению вероятности перехода в кластер 3 на 7,1%.

Табл. 22.4

Предельные эффекты по странам: FAC4

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==3), predict(outcome(3))

dy/dx w.r.t.: FAC4

1._at : FAC1 = .13419

FAC2 = -1.68765

FAC3 = .01601

FAC5 = -.77322

2._at : FAC1 = .613

FAC2 = -1.12462

FAC3 = -.67651

FAC5 = 1.25191

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC4 |

_at |

1 | .0709223 .0632428 1.12 0.262 -.0530313 .1948759

2 | .3244624 .0640668 5.06 0.000 .1988938 .4500311

Использованные команды: margins, dydx(FAC4) at( FAC1=(0.13419) FAC2=(-1.68765) FAC3=(0.01601) FAC5=(-0.77322)) at( FAC1=(0.613) FAC2=(-1.12462) FAC3=(-0.67651) FAC5=(1.25191)) predict(outcome(3))

В Табл. 22.5 рассмотрим маржинальные эффекты для последнего фактора, который характеризует макроэкономическую нестабильность. Для Таджикистана увеличение макроэкономической нестабильности на одну единицу снижает вероятность перехода на 0,04%, в то время как для Аргентины данная вероятность снижается на 11,9%. Можно сделать вывод о том, что Аргентина сильно чувствительна к усилению макроэкономической нестабильности и это может стать серьезной проблемой для перехода в более высокий уровень экономического развития.

Табл. 22.5

Предельные эффекты по странам: FAC5

Источник: расчеты автора

Average marginal effects Number of obs = 111

Model VCE : OIM

Expression : Pr(CLU3_1==3), predict(outcome(3))

dy/dx w.r.t.: FAC5

1._at : FAC1 = .13419

FAC2 = -1.68765

FAC3 = .01601

FAC4 = -.89525

2._at : FAC1 = .613

FAC2 = -1.12462

FAC3 = -.67651

FAC4 = .57664

------------------------------------------------------------------------------

| Delta-method

| dy/dx Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

FAC5 |

_at |

1 | -.0004857 .0012544 -0.39 0.699 -.0029443 .0019729

2 | -.1194529 .0704216 -1.70 0.090 -.2574766 .0185708

------------------------------------------------------------------------------

Использованные команды:. margins, dydx(FAC5) at( FAC1=(0.13419) FAC2=(-1.68765) FAC3=(0.01601) FAC4=(-0.89525)) at( FAC1=(0.613) FAC2=(-1.12462) FAC3=(-0.67651) FAC4=(0.57664)) predict(outcome(3))

Основываясь на полученных результатах нашего исследования, построим таблицу маржинальных эффектов для каждого фактора и обозначим направление структурных реформ для каждой из исследуемых стран:

Фактор	Таджикистан	Аргентина
FAC1	42,4%	45,1%
FAC2	25,4%	14,9%
FAC3	-0,2%	-26,3%
FAC4	7,1%	32,4%
FAC5	-0,04%	-11,9%

Таким образом, основными приоритетными направлениями для Республики Таджикистан являются: повышение уровня человеческого развития, улучшение бизнес среды, повышение вовлеченности населения в экономический рост посредством создания новых рабочих мест и снижение зависимости экономики от трудовых переводов.

Что касается рекомендаций Аргентине, то они должны основываться на повышении компетенции работников, решении проблем безработицы, снижении сильной зависимости от внешних потрясений, особенно по отношению к государственному долгу. Первостепенной задачей реформирования для данной страны является стабилизация макросреды.



Заключение

В данной работе была произведена попытка определения приоритетных направлений структурных реформ для 111 стран с 18 макроэкономическими показателями. Практическим направлением исследования стало применение факторного анализа на основе Метода Главных Компонент, кластеризация иерархическим агломеративным методом, объяснение полученных кластеров посредством кластерных профилей и расчет предельных эффектов логистической регрессии с целью предоставления конечного результата в виде рекомендаций по повышению устойчивого экономического роста. Построение упомянутых моделей способствовало формированию экономически логичных ответов на наши ранее поставленные вопросы:

Во-первых, в каких странах встречаются риски устойчивого экономического роста? Ответ на данный вопрос крылся в кластеризации и факторном анализе, а кластерные профили интерпретировали их результаты. В результате, страны нашей выборки разделились на три кластера: развитые, развивающиеся и менее развитые страны. В последних двух кластерах обнаружились низкий экономический рост и нестабильная макроэкономическая среда, причем для менее развитых стран ситуация обострена и требует незамедлительного вмешательства. Развитые страны показали хорошие результаты относительно экономического развития и уровня вовлеченности населения в экономической рост, показав некую волатильность в показателях долга к ВВП, что в большинстве случаях не имеет негативное влияние. Развивающиеся страны охарактеризовали себя как страны с низкой вовлеченностью населения и высокой зависимостью от переводов трудовых мигрантов. Ввиду такой зависимости, страны этого кластера прибавили к своим пробелам экономической политики выраженную макроэкономическую нестабильность. Таким образом, на результатах кластерных профилей мы заключили, что кластеры 1 - менее развитые и кластер 2 - развивающиеся страны имеют риски устойчивого роста и потому, необходимость в проведении структурных реформ.

Во-вторых, какие меры следует предпринять для повышения устойчивого роста? На данный вопрос мы нашли ответ посредством предельных эффектов мультиномиальной логистической регрессии, где зависимой переменной стали номера кластеров, а объясняющими оценки факторных нагрузок. Опорной категорией стал третий кластер, где наблюдались наилучшие показатели по всем социально-экономическим признакам. Простая логистическая модель показала сложно интерпретируемые результаты, однако переход к предельным эффектам сгладил данный дефект. Исследования предельных эффектов были проведены как на уровне кластеров, так и на уровне отдельно взятых стран, а именно Таджикистана и Аргентины.

Анализ отдельных кластеров показал, что улучшение ключевых показателей экономического роста в странах с менее развитой экономикой на единицу приведет к увеличению вероятностей перехода во второй кластер на 32,6%. Страны второго кластера, в свою очередь, должны улучшить уровень человеческого развития, условия ведения бизнеса и создать новые рабочие места для решения проблем низкой вовлеченности населения и зависимости экономики от переводов трудовых мигрантов.

Предельные эффектны для развивающихся стран показали, что улучшение на некую единицу первых двух индикаторов приведет к повышению вероятности попадания в группу развитых стран на целых 49,4%, в то время как улучшение политики на рынке труда принесет дополнительные 17,6%. Что касается отдельно взятых стран, то схожими приоритетными направлениями являются увеличение экономического роста. Так, для Таджикистана повышение вовлеченности населения в экономический рост на некую единицу улучшит вероятность устойчивого роста на 25,4%, а для Аргентины всего на 14,9%. Сильные расхождения наблюдаются в зависимости экономики от переводов трудовых мигрантов. Если для Таджикистана наблюдается приток денежных средств со стороны своей внешней диаспоры, то в Аргентине наблюдается обратная картина - отток вторичных доходов из -за высокой миграции в страну. Примечательным являются предельные эффекты относительно показателя макроэкономической нестабильности. Ее повышение для некую единицу снижает вероятность перехода на третий кластер для Таджикистана на 0,04%, а для Аргентины на -11,9%. Сильный спад вероятности для Аргентины оказался связанным с уже давно существующей нестабильностью в стране, особенно по отношению к государственному долгу.

Таким образом, комбинация инструментов макроэкономического, статистического и эконометрического анализа смогла в полной мере ответить на поставленные нами вопросы и исполнить цели, и задачи данного исследования.



Список литературы

1. Barnes S. et al. The GDP impact of reform: a simple simulation framework //OECD Economic Department Working Papers. 2011. №. 834. С. 0_1.

2. Beetsma, Roel M., and Xavier Debrun. Reconciling Stability and Growth: Smart Pacts and Structural Reforms. Palgrave Macmillan Journals on behalf of the International Monetary Fund

3. Boscб J. E. et al. Tax reforms and labour-market performance: an evaluation for Spain using REMS //Moneda y Crйdito. 2009. Т. 228. С. 145-188.

4. Callen T., Reynolds P., Towe C. M. (ed.). India at the Crossroads--Sustaining Growth and Reducing Poverty. International Monetary Fund, 2001.

5. Cameron A. C., Trivedi P. K. Microeconometrics using stata. College Station, TX: Stata press, 2009. Т. 5. С. 706.

6. Cases C. STRUCTURAL REFORMS AND MACROECONOMIC PERFORMANCE: INITIAL CONSIDERATIONS FOR THE FUND. 2015.

7. Cubeddu M. L. M. et al. Emerging markets in transition: Growth prospects and challenges. International Monetary Fund, 2014. №. 14-16.

8. Dabla-Norris E. et al. Anchoring growth: the importance of productivity-enhancing reforms in emerging market and developing economies //Journal of International Commerce, Economics and Policy. 2014. Т. 5. №. 02. С. 1450001.

9. Dabla-Norris M. E., Srivisal M. N. Revisiting the link between finance and macroeconomic volatility. International Monetary Fund, 2013. №. 13-29.

10. Domйnech R., Gonzбlez-Pбramo J. M. Budgetary stability and structural reforms in Spain: Lessons from the recession and options for the future //BBVA Research WP. 2017. Т. 17. №. 11.

11. Draghi M. Structural reforms, inflation and monetary policy. 2015.

12. Everaert M. L., Schule W. Structural reforms in the euro area: Economic impact and role of synchronization across markets and countries. International Monetary Fund, 2006. №. 6-137.

13. Everaert M. L., Schule W. Structural reforms in the euro area: Economic impact and role of synchronization across markets and countries. International Monetary Fund, 2006. №. 6-137.

14. Faherty V. E. Compassionate statistics: Applied quantitative analysis for social services (with exercises and instructions in SPSS). Sage Publications, 2007.

15. Goldstein M. IMF structural conditionality: How much is too much? //Institute for International Economics Working Paper. 2001. №. 01-04.

16. Hadzi-Vaskov M. Assessing the Macroeconomic Impact of Structural Reforms in Chile. International Monetary Fund, 2018.

17. Imaenyin N. I. Agriculture in Nigeria: identifying opportunities for increased commencialization and investment //Вестник евразийской науки. 2015. Т. 7. №. 1 (26).

18. Lusinyan L., Muir D. Assessing the macroeconomic impact of structural reforms the case of Italy. International Monetary Fund, 2013. №. 13-22.

19. Lusinyan M. L. Assessing the Impact of Structural Reforms Through a Supply-side Framework: The Case of Argentina. International Monetary Fund, 2018.

20. Manasse P., Katsikas D. (ed.). Economic Crisis and Structural Reforms in Southern Europe: Policy Lessons. Routledge, 2017.

21. Mitra M. P. Avoiding the New Mediocre. International Monetary Fund, 2016.

22. Nabli M. K., Vйganzonиs M. A. Reforms and growth in MENA countries: New empirical evidence. World Bank, 2004. Т. 36.

23. Sacchi S. Conditionality by other means: EU involvement in Italy's structural reforms in the sovereign debt crisis //Comparative European Politics. 2015. Т. 13. №. 1. С. 77-92.

24. Sahay M. R., Goyal R. Volatility and growth in Latin America: an episodic approach. International Monetary Fund, 2006. №. 6-287.

25. Singh M. A. Macroeconomic volatility: The policy lessons from Latin America. International Monetary Fund, 2006. №. 6-166.

26. Tang T. C., Lau E. An empirical investigation on the sustainability of balancing item of balance of payment accounts for OIC member countries //Journal of Economic Cooperation and Development. 2009. Т. 30. №. 1. С. 1-16.

27. Tompson W., Dang T. T. Advancing Structural Reforms in OECD Countries. 2010.

28. Torres-Reyna O. Predicted probabilities and marginal effects after (ordered) logit/probit using margins in Stata //Princeton Universtiy. 2014.

29. Williams R. Using the margins command to estimate and interpret adjusted predictions and marginal effects //The Stata Journal. 2012. Т. 12. №. 2. С. 308-331.

30. Адам М. А., Елисеев В. М. Динамика основных экономических показателей республики Чад //Маркшейдерский вестник. 2007. №. 3. С. 60-62.

31. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. М.: Дело, 1997.

32. Орлова И. В. и др. Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS (учебное пособие) //Международный журнал прикладных и фундаментальных исследований. 2014. №. 3-2. С. 248-250.

33. Фитуни Л. Л. Место Африки в посткризисной мировой экономике //Азия и Африка сегодня. 2011. №. 1. С. 15-20.



Приложение. 1 Результаты кластерного анализа: порядок агломерации кластеров

Agglomeration Schedule
Stage	Cluster Combined	Coefficients	Stage Cluster First Appears	Next Stage
	Cluster 1	Cluster 2		Cluster 1	Cluster 2
1	62	63	,217	0	0	33
2	7	21	,667	0	0	9
3	47	96	1,263	0	0	5
4	33	97	2,201	0	0	42
5	45	47	3,206	0	3	26
6	68	84	4,388	0	0	61
7	85	94	5,634	0	0	11
8	30	86	6,910	0	0	19
9	7	10	8,333	2	0	25
10	17	106	9,766	0	0	35
11	13	85	11,338	0	7	38
12	27	37	12,999	0	0	18
13	25	109	14,677	0	0	21
14	11	24	16,408	0	0	44
15	53	102	18,253	0	0	74
16	54	90	20,108	0	0	32
17	44	87	21,983	0	0	39
18	27	35	23,942	12	0	82
19	30	51	25,977	8	0	77
20	38	100

Подобные документы

• Моделирование индикаторов устойчивого развития методом главных компонент для анализа и прогнозирования социально-экономического развития Российских регионов

  Создание модели анализа и прогнозирования социально-экономического развития Российских регионов методом главных компонент. Оценка основных экономических показателей региона. Формирование индикаторов устойчивого развития с использованием программы МИДАС.
  
  курсовая работа [969,1 K], добавлен 29.08.2015
  

• Моделирование устойчивого развития ООО "У Каравая"

  Описание моделей деятельности предприятия для выбора траектории устойчивого развития. Анализ ООО "У Каравая"; прогнозирование и планирование его развития и обеспечения конкурентоспособности на основе информационных моделей. Создание систем менеджмента.
  
  курсовая работа [922,5 K], добавлен 26.07.2015
  

• Детерминированные экономико-математические модели и методы факторного анализа

  Моделирование. Детерминизм. Задачи детерминированного факторного анализа. Способы измерения влияния факторов в детерминированном анализе. Расчёт детерминированных экономико-математических моделей и методов факторного анализа на примере РУП "ГЗЛиН".
  
  курсовая работа [246,7 K], добавлен 12.05.2008
  

• Методика факторного анализа

  Основная терминология, понятие и методы факторного анализа. Основные этапы проведения факторного анализа и методика Чеботарева. Практическая значимость факторного анализа для управления предприятием. Метода Лагранжа в решении задач факторного анализа.
  
  контрольная работа [72,9 K], добавлен 26.11.2008
  

• Определение коэффициентов корреляции и оценка адекватности регрессионной модели

  Определение методом регрессионного и корреляционного анализа линейных и нелинейных связей между показателями макроэкономического развития. Расчет среднего арифметического по столбцам таблицы. Определение коэффициента корреляции и уравнения регрессии.
  
  контрольная работа [4,2 M], добавлен 14.06.2014
  

• Кластерный анализ

  Выполнение кластерного анализа предприятий с помощью программы Statgraphics Plus. Построение линейного уравнения регрессии. Расчет коэффициентов эластичности по регрессионным моделям. Оценка статистической значимости уравнения и коэффициента детерминации.
  
  задача [1,7 M], добавлен 16.03.2014
  

• Кластерный анализ: типологическая регрессия

  Построение типологических регрессий по отдельным группам наблюдений. Пространственные данные и временная информация. Сферы применения кластерного анализа. Понятие однородности объектов, свойства матрицы расстояний. Проведение типологической регрессии.
  
  презентация [322,6 K], добавлен 26.10.2013
  

• Методы оценки взаимосвязей структурных сдвигов и устойчивости развития экономики региона

  Общая характеристика применения математических методов в экономике. Определение понятия "устойчивое развитие". Оценка общего влияния структурных сдвигов на устойчивый рост региональной экономики. Расчет индекса устойчивости промышленности региона.
  
  реферат [136,9 K], добавлен 31.01.2016
  

• Моделирование экономических процессов

  Эконометрическое моделирование стоимости квартир в Московской области. Исследование динамики экономического показателя на основе анализа одномерного временного ряда. Параметры линейной парной регрессии. Оценка адекватности модели, осуществление прогноза.
  
  контрольная работа [925,5 K], добавлен 07.09.2011
  

• Эконометрическое моделирование: расчет коэффициентов корреляции и регрессии, анализ одномерного временного ряда

  Эконометрическое моделирование стоимости квартир в московской области. Матрица парных коэффициентов корреляции. Расчет параметров линейной парной регрессии. Исследование динамики экономического показателя на основе анализа одномерного временного ряда.
  
  контрольная работа [298,2 K], добавлен 19.01.2011
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам