Таблица 8

Значение некоторых показателей регрессий

Если мы посмотрим на корреляционную матрицу, представленную на рисунке 10, то можно заметить, что корреляция между регрессорами и регрессантами довольно высока. При этом, не наблюдается отрицательных значений, что расходится с предполагаемыми направлениями связи. Так, наблюдается положительная зависимость между HDI и интенсивностью экспорта. Это можно объяснить тем, что сельское хозяйство в наше время требует высококвалифицированных кадров, к примеру, для генной инженерии.

Рисунок 10. Корреляционная матрица

При этом достаточно высока взаимосвязь между ВВП на душу населения и индексом человеческого развития, что может говорить о мультиколлинеарности. Рассчитанный VIF для объясняющих переменных представлен в таблице 9. Как можно заметить, у двух переменных VIF на грани верхней границы - 10, но тем не менее превышение незначительно.

Таблица 9

Значения коэффициента VIF

Теперь рассмотрим полученные модели. Они представлены в таблице 10. Стоит отметить, что скорректированный R² в обеих моделях высокий, он составляет не менее 0,7. Также обе регрессии значимы. В модели для интенсивности экспортных потоков все коэффициенты значимы максимум на 15% уровне. При этом подтвердились все предполагаемые направления связи, кроме HDI. Это можно объяснить тем, что сельское хозяйство в современном мире также является высокотехнологичной отраслью, где требуются квалифицированные специалисты. Поэтому чем больше в стране уровень образования, тем лучше будет качество трудовых ресурсов, соответственно и экспорт будет выше.

В модели интенсивности импорта сельскохозяйственной продукции незначимыми оказались оценки коэффициентов кредита, выданного сельскохозяйственному сектору, и ВВП на душу населения. Это свидетельствует о том, что они не оказывают влияния на зависимую переменную. В то же время, уровень образованности населения и государственные расходы на сельское хозяйство значимы на 15% и 1% уровне значимости. Можно предположить, что положительная зависимость между государственными расходами и интенсивностью импорта связана с тем, что в выборке преобладают страны с высоким экономическим уровнем развития, а они могут заниматься перепродажей чужой продукции.

Таблица 10

Модель интенсивности экспорта и импорта сельскохозяйственной продукции

Стоит отметить, что в обеих моделях отсутствует гетероскедастичность на 5% уровне значимости, так как p.value больше 0.05. Об этом говорят результаты теста Уайта, представленные в таблице 11.

Таблица 11

Результаты теста Уайта

2.4 Построение регрессионной модели для объема торговых потоков

Теперь перейдем к моделированию объемов торговых потоков. В начале рассмотрим таблицу с предполагаемыми знаками зависимости между рассматриваемыми переменными. В случае с объемом торговых потоков мы будем рассматривать те же самые показатели, но с двух сторон: reporter - наблюдаемая страна - и partner - с кем reporter совершил сделку. Знаки для объясняющих переменных связанных с reporter, такие же, как и в случае с интенсивностью, а у связанных с партнером - противоположные.

Таблица 12

Предполагаемое направление связей

Теперь рассмотрим описательную статистику по всем переменным. Она представлена в таблице 13 и 14. Выборка для объема экспорта насчитывает 2 177 наблюдений, а для импорта - 2 332. При этом стоит учитывать, что предварительно были удалены все строки с пропусками в данных. Если говорить о выборке для объема экспорта признаков ошибок в данных не наблюдаем. Стоит отметить, что все переменные распределены ненормально, согласно статистике Харке-Бера.

Таблица 13

Описательная статистика для экспорта

Источник: составлено автором на основе данных FAOSTAT

То же самое можно сказать и для выборки для объема импорта. Все переменные имеют не нормальное распределение. Также можно отметить, что, как и в предыдущем случае, выборка скошена в пользу стран с более высоким уровнем образованности населения. На это указывает как минимальный HDI равный 0,43, что является довольно большим значением, так и его медиана 0,73.

Таблица 14

Описательная статистика для импорта

Источник: составлено автором на основе данных FAOSTAT

Так как переменные отвечающие за импорт, экспорт, кредиты и государственные расходы на сельскохозяйственный сектор, ВВП на душу населения представлены в миллионах долларов США необходимо прологарифмировать их, чтобы сделать их более пригодными для дальнейшего исследования.

После того как мы заменяем данные переменные на логарифм, проверим наличие выбросов. Посмотрим на графики box-plot, представленные на рисунке 11 и 12. В некоторых переменных присутствуют выбросы, но они связаны с малым количеством стран с низким уровнем развития в выборке. Также, можно сказать, что во обеих выборках переменные с выбросами одни и те же: hdi.Reporter, hdi.Partner (индекс человеческого развития); lg_cr_r, lg_cr_p (кредиты выданные сельскохозяйственному сектору).

Рисунок 11. Box-plot для экспорта

Рисунок 12. Box-plot для импорта

Теперь рассмотрим корреляционные матрицы, представленные на рисунках 13 и 14. Стоит отметить, что значения представлены в процентах.

Рисунок 13. Корреляционная матрица для экспорта

Так, некоторые объясняющие переменные (ВВП на душу населения, HDI, Кредит сельскохозяйственному сектору) имеют довольно высокую зависимость между собой в обеих выборках, что может свидетельствовать о наличии мультиколлинеарности.

Рисунок 14. Корреляционная матрица для импорта

Для того, чтобы проверить ее наличие, рассчитаем коэффициенты VIF. Они представлены в таблице 15. Как и предполагалось у 4 переменных VIF близок к 10 или даже превышает его.

Таблица 15

Коэффициенты VIF

Для того, чтобы избежать мультиколлинеарности заменим показатели ВВП на душу населения для наблюдаемой страны и ее партнера на индекс, рассчитанный по формуле 1:

, (1)

где - ВВП на душу населения в наблюдаемой стране,

- ВВП на душу населения в стране-партнере.

Таким образом, чем больше будет значение данного показателя, тем больше страна репортер превосходит партнера в экономическом развитии, чем меньше, тем больше отстает.

Предполагаем, что направление связи для объема экспорта будет отрицательное, для импорта положительное. После добавления в модель новой переменной все VIF коэффициенты не превышают 10, что можно увидеть в таблице 16.

Таблица 16

Новые значения VIF

Теперь мы можем перейти к построению моделей для объема экспорта и импорта сельскохозяйственной продукции. Они представлены в таблице 17. Можно сказать, что обе регрессии значимы. В то же время наблюдается достаточно низкий показатель скорректированного R², но у них достаточно низкие стандартные отклонения остатков модели, что говорит о большей точности модели.

Таблица 17

Модели объема экспорта и импорта сельскохозяйственной продукции

В модели для объема экспорта незначимыми оказались только коэффициенты индекса человеческого развития наблюдаемой страны и кредит сельскохозяйственному сектору в стране-партнере. Среди значимых переменных совпали все предполагаемые знаки зависимости. В модели для объема импорта сельскохозяйственной продукции незначимыми оказались коэффициенты у индекса человеческого развития страны-партнера, кредит сельскохозяйственному сектору наблюдаемой страны и индекс ВВП. Среди значимых переменных не совпало предполагаемое направление связи у государственных расходов на сельское хозяйство в наблюдаемой стране. Как и в случае с интенсивностью, данное расхождение можно объяснить тем, что положительная зависимость между государственными расходами и интенсивностью импорта связана с тем, что страны с высоким экономическим уровнем развития преобладают в выборке, а они могут заниматься перепродажей чужой продукции. Также, важно отметить, что обе модели были проверены на наличие гетероскедастичности. Для этого был использован тест Уайта. Его результаты приведены в таблице 18. Как можно заметить, p-value меньше 5% для обеих регрессий, значит нулевая гипотеза об отсутствии гетероскедастичности отклоняется. Поэтому в представленных выше моделях были применены поправки Уайта для коррекции вариационной матрицы коэффициентов.

Таблица 18

Результаты теста Уайта

Заключение

Данное исследование было посвящено анализу торговых потоков на сельскохозяйственном рынке. Его основные цели заключались в выявлении особенностей структуры глобальной сельскохозяйственной торговой сети и выявлении факторов, влияющих на объем и интенсивность торговых потоков на этом рынке.

Для решения этих задач мы использовали метод многослойных сетей, который позволил отследить изменения в графе на протяжении 11 лет. Также была использована линейная регрессия для определения причин оказывающих влияние на объем и интенсивность торговых потоков.

В заключение можно сказать, что на мировом сельскохозяйственном рынке наблюдаются явные признаки глобализации. При анализе динамики основных характеристик сети были также найдены свидетельства негативного влияния глобальных экономических кризисов на торговлю на сельскохозяйственном рынке.

Согласно полученным моделям, на интенсивность экспорта оказывают влияние уровень развития граждан в стране, ВВП на душу населения, коммерческие кредиты и госрасходы на сельское хозяйство. Не подтвердилось предполагаемое направление связи для индекса человеческого развития, что можно объяснить тем, что в сельском хозяйстве требуются квалифицированные специалисты, так как туда входит, к примеру генная инженерия, требующая высокого уровня подготовки. На объем экспорта оказывают влияние такие факторы, как уровень развития граждан в стране-партнере, разница между ВВП на душу населения между странами, кредит и государственные расходы на сельское хозяйство в наблюдаемой стране, а также государственные расходы в стране-партнере.

В то же время на интенсивность импорта оказывает влияние уровень развития общества и государственные расходы на сельское хозяйство. Причем у последних наблюдается положительная связь с зависимой переменной. Для объема импорта значимыми оказались переменные HDI и государственные расходы на сельское хозяйство для наблюдаемой страны, кредит и государственные расходы на сельское хозяйство в стране партнере. Среди значимых переменных не совпало предполагаемое направление связи у государственных расходов на сельское хозяйство в наблюдаемой стране в обеих моделях. В обоих случаях данное расхождение можно объяснить тем, что положительная зависимость между государственными расходами и интенсивностью импорта связана с тем, что страны с высоким экономическим уровнем развития преобладают в выборке, которые могут заниматься перепродажей.

В дальнейшем это исследование может быть проведено в разрезе отдельных видов сельскохозяйственной продукции. Это позволит провести более точный анализ.

Список литературы

1. Горнова А.М. Анализ структур экспорта и импорта с использованием сетевых методов. Курсовая работа. - Нижний Новгород, 2019

2. Barnes J.A. Class and committees in a Norwegian island parish //Human relations. - 1954. - Т. 7. - №1. - С. 39-58.

3. Battiston F., Nicosia V., Latora V. Structural measures for multiplex networks //Physical Review E. - 2014. - Т. 89. - №3. - С. 032804.

4. Berlingerio M. et al. Multidimensional networks: foundations of structural analysis //World Wide Web. - 2013. - Т.16. - №5-6. - С. 567-593.

5. Bhattacharya K., Mukherjee G. Saramaki J, Kaski K, Manna SS. The international trade network: weighted network analysis and modeling / J Stat Mech. - 2008. - Т. 2. - С. P02002.

6. Brуdka P. et al. Analysis of neighbourhoods in multi-layered dynamic social networks // International Journal of Computational Intelligence Systems. - 2012. - Т. 5. - №3. - С. 582-596.

7. De Benedictis L. et al. Network Analysis of World Trade using the BACI-CEPII dataset //Global Economy Journal. - 2014. - Т. 14. - №. 03n04. - С. 287-343.

8. De Benedictis L., Tajoli L. The world trade network //The World Economy. - 2011. - Т. 34. - №8. - С. 1417-1454.

9. Della Rossa F., Dercole F., Piccardi C. Profiling core-periphery network structure by random walkers //Scientific reports. - 2013. - Т. 3. - №1. - С. 1-8.

10. Dong G. et al. Complex network approach for the structural optimization of global crude oil trade system //Journal of Cleaner Production. - 2020. - Т. 251. - С. 119366.

11. Du R. et al. A complex network perspective on interrelations and evolution features of international oil trade, 2002-2013 //Applied energy. - 2017. - Т. 196. - С. 142-151.

12. Eaton J., Kortum S. Technology, geography, and trade //Econometrica. - 2002. - Т. 70. - №5. - С. 1741-1779.

13. Evenett S.J., Keller W. On theories explaining the success of the gravity equation //Journal of political economy. - 2002. - Т. 110. - №. 2. - С. 281-316.

14. Fagiolo G., Reyes J., Schiavo S. On the topological properties of the world trade web: A weighted network analysis // Physica A: Statistical Mechanics and its Applications. - 2008. - Т. 387. - №15. - С. 3868-3873.

15. Food and Agricultural organization of United Nations [сайт]

16. Fortunato S., Hric D. Community detection in networks: A user guide // Physics reports. - 2016. - Т. 659. - С. 1-44.

17. Freeman L.C. A set of measures of centrality based on betweenness // Sociometry. - 1977. - С. 35-41.

18. He J., Deem M.W. Structure and response in the world trade network //Physical review letters. - 2010. - Т. 105. - №. 19. - С. 198701.

19. Homans G. C. Social Behaviour: Its Elementary Forms - 1961.

20. Kleinberg J. M. Authoritative sources in a hyperlinked environment // Journal of the ACM (JACM). - 1999. - Т. 46. - №5. - С. 604-632.

21. Konig D. Theorie der endlichen uinl unendlichen Graphen. - 1936.

22. McPherson M., Smith-Lovin L., Cook J. M. Birds of a feather: Homophily in social networks // Annual review of sociology. - 2001. - Т. 27. - №1. - С. 415-444.

23. Mitchell J.C. (ed.). Social networks in urban situations: analyses of personal relationships in Central African towns. - Manchester University Press, 1969.

24. Moreno J.L. Who shall survive? - Beacon Press, 1934. - №34.

25. Nadel S. F. The study of social structure //L.: Cohen & West. - 1957.

26. Newman M. Networks: an introduction. - Oxford university press, 2010.

27. Oselio B., Liu S., Hero A. Multilayer Social Networks //Cooperative and Graph Signal Processing. - Academic Press, 2018. - С. 679-697.

28. Piccardi C., Tajoli L. Existence and significance of communities in the world trade web // Physical review e. - 2012. - Т. 85. - №6. - С. 066119.

29. Radcliffe?Brown AR (1940) On social structure. In: Radcliffe?Brown AR (ed) Structure and function in primitive society. Cohen and West, London

30. Roethlisberger F.J., Dickson W.J. Management and the Worker. - Psychology press, 2003. - Т. 5.

31. Scott J. Social network analysis // Sociology. - 2012. - Т. 22. - №1. - С. 109-127.

32. Sun X. et al. Insights into the global flow pattern of manganese //Resources Policy. - 2020. - Т. 65. - С. 101578.

33. Tzekina I., Danthi K., Rockmore D. N. Evolution of community structure in the world trade web // The European Physical Journal B. - 2008. - Т. 63. - №4. - С. 541-545.

34. Wasserman S., Faust K. Social network analysis: Methods and applications. - Cambridge university press, 1994. - Т. 8.

35. Xi X. et al. Impact of the global mineral trade structure on national economies based on complex network and panel quantile regression analyses // Resources, Conservation and Recycling. - 2020. - Т. 154. - С. 104637.

Приложение 1

Cписок стран и их идентификаторов в выборке, используемой для построения сети

Продолжение приложения 1

Продолжение приложения 1

Приложение 2

Список товаров, используемой для построения сети, и их кодов в гармонической системе

Продолжение приложения 2

Продолжение приложения 2

Продолжение приложения 2

Продолжение приложения 2

Продолжение приложения 2

Продолжение приложения 2

Продолжение приложения 2

Продолжение приложения 2

Размещено на allbest.ru