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

В Табл. 5 рассмотрим матрицу компонент после вращения. Вращение факторов необходимо для создания упрощённой структуры. Данная математическая процедура позволяет объяснить содержательный смысл определенных на предыдущем этапе главных компонент, которые объясняют основную часть общей дисперсии переменных. Вращение варимакс, в свою очередь, позволяет оставить факторы независимыми (ортогональными) по отношению к друг другу - факторные оценки объектов не коррелируют с оценками по другим факторам.

Табл. 5

Результаты факторного анализа: повернутая матрица компонентов

Источник: расчеты автора

На данном этапе анализа, для каждого выделенного фактора проанализируем значимые признаки после вращения (если значение от 0,5 до 1, то признак значим для рассматриваемого фактора - выделен зеленым цветом для удобного рассмотрения) и постараемся экономически-логично интерпретировать полученные главные компоненты:

1. «Уровень экономического развития». Можно заметить, что для фактора 1, положительно значимыми признаками являются: ВВП на душу населения, Индекс глобализации (KOFGI), Индекс человеческого развития (HDI) и Wage and salaried workers. В то же время, он имеет отрицательную, но также и значимую взаимосвязь с уровнем сельского хозяйства (в % от ВВП), Contributing family workers и легкостью ведения бизнеса (чем выше показатель, тем сложнее условия бизнес-среды). Так, на основе значимых признаков следует интерпретировать фактор 1 как “уровень экономического развития”.

2. «Вовлеченностью населения в экономический рост». В отличие о первого фактора, главные компоненты фактора 2 имеют только положительную зависимость и включают в себя: Долю работающих от общего количества (labor force participation rate), Индекс эффективности логистики Всемирного Банка (LPI) и долю занятых вне бюджета и сельского хозяйства (ILOdata). Следует отметить, что Индекс эффективности логистики напрямую связан с созданием новых рабочих мест в секторе услуг, например, Международный аэропорт Мемфиса (штат Тенесси) отвечает за 220 000 рабочих мест в местной экономике, 95% из которых связаны с грузовыми перевозками. Международный аэропорт Луисвилля (Кентуки) - всемирный центр авиаперевозок для UPS, в котором работают более 55 000 человек. В порт Роттердама ежегодно прибывает в среднем 34 000 океанских судов и еще большее количество внутренних судов. Логистический сектор, который вырос вокруг порта, обеспечивает непосредственную занятость для более чем 50 000 работников и косвенную занятость на 90 000 человек. Таким образом, можно охарактеризовать фактор 2 «вовлеченностью населения в экономический рост».

3. «Квази-рентная экономика». Фактор 3 в свою очередь имеет 3 значимых признака: накопление основного капитала (gross capital formation), общая рента от природных ресурсов в % от ВВП (total natural resource rents, % of GDP) и Рейтинг стран по изменению условий торговли (terms of trade). Первый признак показывает уровень вложений резидентов в объекты основного капитала с целью их использования в будущем производстве для получения дополнительного дохода, в то время как последние два показателя характеризуют зависимость экономики от некого, для каждой страны индивидуального вида экспортного товара или услуги. Таким образом, можно выдвинуть гипотезу о том, что данная главная компонента имеет дело с «квази-рентной экономикой».

4. «Зависимостью экономики от денежных переводов трудовых мигрантов». Значимые показатели ВВП на душу населения и вторичных доходов в % от ВВП наблюдаются в факторе 4. Эти два признака вместе могут указывать на зависимость экономического роста от денежных переводов работающих, что в свою очередь, является нестабильным источником роста. Исходя из вышесказанного, фактор 4 можно назвать «зависимостью экономики от денежных переводов трудовых мигрантов».

5. «Макроэкономическая нестабильность». С фактором 5 связаны всего две главные компоненты: отношение долга к ВВП и показатель стандартного отклонения темпов изменения реального ВВП за последние 10 лет (2010-2019гг.). Первый показатель примечателен тем, что его накопление сверх возможности реального погашения может грозить дефолтом, а высокие значения второго показывают непостоянность экономики, т.е. сильную волатильность экономической конъектуры. По данным показателям, инвесторы и международные организации в основном взвешивают риски вложений в финансовые активы и определяют кредитные рейтинги стран. Потому, будет справедливо, если на основе данных характеристик назовем фактор 5 «макроэкономической нестабильностью».

6. «Изменение условий торговли». Фактор 6 похож на предыдущий, однако нестабильность проявляется в компонентах GDPdefflator-CPI (прокси изменения условий торговли) и средгод.тем.ER. Так как эти компоненты являются причинно-следственной связью друг друга сохраним для данного фактора название «изменение условий торговли».

Подводя итоги полученных значений повернутой матрицы компонент и их вышеприведенных интерпретаций, факторный анализ завершился следующими шестью факторами:

В дополнение к проделанному анализу, выведем графическое представление факторных нагрузок в системе координат выделенных соответствующих факторов:

Рис. 8 Компоненты во вращаемом пространстве

Источник: расчеты автора

3.5 Кластерный анализ иерархическим агломеративным методом

Следующим этапом статистического анализа является кластеризация объектов (стран) посредством агломеративного иерархического алгоритма классификации. Данная процедура является важным шагом в определении стран со схожей макроэкономической ситуацией по тем значимым признакам, которые были обнаружены в факторном анализе. Так, результаты кластеризации в дальнейшем будут зависимыми переменными logit - моделирования и помогут определить страны опорного кластера, т.е. кластера с успешно проведенными структурными реформами и наиболее устойчивым экономическим ростом.

Для расчета расстояния между объектами будет выбран квадрат евклидового расстояния и метод Уорда, который способствует оптимизации минимальной дисперсии внутриклассовых расстояний.

Для начала определим наиболее подходящее количество кластеров для разбиения областей на группы по всем признакам. Составим предварительную классификацию, которая позволит сделать наиболее целесообразное количество кластеров. В начале должно быть достаточно только вывода обзорной таблицы порядка агломерации. Для определения того, какое количество кластеров следовало бы считать оптимальным, решающее значение имеет показатель, выводимый под заголовком “Коэффициент”, который в нашем случае подразумевает расстояние между двумя кластерами, определенное на основании квадрата евклидова расстояния. В соответствии с этапом 108, где мера расстояния между двумя кластерами увеличивается скачкообразно с 1381 до 1538, процесс объединения в новые кластеры необходимо остановить, т.к. в противном случае были бы объединены уже кластеры, находящиеся на относительно большом расстоянии. Оптимальным считается число кластеров, равное разности количества наблюдений (111) и номера шага (108), после которого коэффициент увеличивается скачкообразно, т.е. 111-108 = 3 кластера. Полная таблица порядка алгомерации приведена в Приложении 1.

Табл. 6

Результаты кластерного анализа: порядок агломерации (кластеров)

Источник: расчеты автора

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

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