UPPSATS_KLAR__reparerad_ - Lund University Publications

Nationalekonomiska Institutionen
Omgivning och Tillväxt
–
Påverkar omgivningens tillväxt det enskilda landets
tillväxt?
Kandidatuppsats, VT-10
Författare: Alexandra Radak
Handledare:
Pontus Hansson
Abstract:
I denna uppsats undersöks huruvida omgivningen har en inverkan på ett enskilt lands tillväxt i
Afrika söder om Sahara och Västeuropa, samt om skillnader avseende den direkta
omgivningen föreligger beroende på om det enskilda landet befinner sig på någon av dessa
två kontinenter. Uppsatsen fokuserar på omgivning och tillväxt. En ekonometrisk modell
ställs upp med utgångspunkt i ekonomisk teori samt empiriska undersökningar. Resultaten är
oklara för en del av de omvärldsrelaterade variablerna men indikerar att länderna uppvisar
beroende med den region de befinner sig i.
2
Innehållsförteckning
1. Inledning…………………………………………………………..5
1.1. Geografisk indelning.……………………………………………….......6
1.2. Syfte och avgränsningar..……………………………………………....7
1.3. Disposition……………………………………………………………….8
2. Tillväxtmönster och interaktion…………………………………9
2.1. Tillväxtmönster………………………………………………………….9
2.2. Interaktion……………………………………………………………..10
2.2.1. Afrika söder om Sahara………………………………………………………..10
2.2.2. Västeuropa……………………………………………………………………...12
3. Tidigare forskning…...…………………………………………..13
3.1. Grannländer, omgivning och tillväxt…………………………………13
3.2. Kompletterande forskning…………………………………………….14
4. Data och variabler……………………………………………….15
4.1. Tillväxt i BNP per capita...……………………………………………16
4.2. Zonerna………………………………………………………………...16
4.3. Interaktionsvariabler……………………………………………….....17
Interaktionsvariabel 1 (IV1)………………………………………………………… 18
Interaktionsvariabel 2 (IV2)………………………………………………………….18
4.4. Kontrollvariabler…...………………………………………………….19
5. Metod……………………………………………………………..24
5.1. Panelregressioner..…………………………………………………….24
5.1.1. Panelregression………………..………………………………………………..24
5.1.2. Hypotesprövning………………………………………………………………..25
5.1.3. P-värde…………………………………………………………………………..26
5.1.4. Förklaringsgrad………………………………………………………………...26
5.1.5. Dummyvariabel………………………………………………………………...27
5.1.6. Tidsdummy……………………………………………………………………...28
3
5.3 Ekonometriska modeller och dess nackdelar………………………...28
6. Test för optimal modell …………………………………………29
6.1. Multikolinjäritet…………………………………………..…………...29
6.2. Hausman-test...………………………………………………………...31
6.3. Likelihood-ratio test (LR-test)….……..……………………………………..32
6.4. Normalitet och heteroskedasticitet………………………………….………33
6.4. Outliers…………………………………………………………………34
7. Resultat och analys………………………………………………38
7.1. Resultat och analys av skattningarna……………...………………….38
7.1.1. FE-modellerna exklusive tidsdummy…………………………………………38
7.1.2. FE-modellerna inklusive tidsdummy………………………………………….41
7.2. Nackdelar med modellen……….……………………………………..44
8. Sammanfattning och slutsats……………………………………46
9. Referenser………………………………………………………..47
9.1. Tryckta…………………………………………………………………47
9.2. Internet…………………………………………………………………49
10. Appendix
Appendix A1: Länder och koder………………………………………….51
Appendix A2: Residualanalys……………………………………………..52
Appendix A3: EViews output exklusive tidsdummy……………………..54
Appendix A4: EViews output inklusive tidsdummy……………………..57
4
1. Inledning
Under historiens gång har området i Afrika söder om Sahara (SSA) varit hårt drabbat
ekonomiskt. Området är rikt på naturresurser men är trots detta det sammantaget fattigaste
området i världen. Emedan andelen fattiga sjönk i resten av världen under perioden 19812001, steg den i SSA (se till exempel FN:s hemsida samt SIDA:s hemsida). Kontrasten mot
Västeuropa, ett av de ekonomiskt mest välmående områdena i världen, är enorm. Jag
undersöker om en tänkbar anledning till detta fenomen kan vara att grannländernas tillväxt har
en inverkan på det enskilda landets tillväxt samt resten av omgivningen som helhet. Att
befinna sig i en ekonomiskt välmående region kan ha effekt på hur det enskilda landet
presterar tillväxtmässigt.
Det är av flera anledningar relevant att analysera effekterna som den närliggande
omgivningen har på det egna landets tillväxt. Framförallt är det viktigt ur ett regionalpolitiskt
perspektiv. Ett stort antal projekt har inletts, och pågår, för att öka regional samverkan
eftersom det finns en stark tilltro till att ”grannens” tillväxt påverkar den egna (se till exempel
Roberts & Deichmann, 2009: s 1). Samtidigt är det viktigt att identifiera om det ligger till på
detta sätt eftersom det kan vara en indikator på om de enskilda länderna bör vända blickarna
intraregionalt eller utåt mot den vidare omvärlden, då de ekonomiska och tidsmässiga
möjligheterna att utföra olika omvärldsrelaterade koordineringsprojekt oftast är begränsade.
En anledning att analysera två ekonomiskt konträra regioner är eftersom eventuella skillnader
i grannländernas inverkan på den egna tillväxten kan vara en indikator på om länder behöver
uppnå en viss inkomstnivå för att beroendet av den direkta omgivningen skall avta, vilket
implicerar att regionalekonomiska samarbetsprojekt är viktigare för länder som befinner sig
på en lägre initial BNP-nivå.
Antalet studier som har utförts är dock få till antalet och uppvisar olika resultat. Mig
veterligen finns det ingen direkt studie som studerar om skillnader föreligger mellan de
direkta grannländernas inverkan på den egna tillväxten för industrialiserade länder och
utvecklingsländer. Jag har inte heller funnit någon studie som avgränsar sig till angränsningar
via land, och inte heller för perioden 1991-2005. Detta ämnar denna studie bidra med.
En panelregression kommer att ställas upp i statistikprogrammet EViews 7 för att analysera
om tillväxten i enskilda länder påverkas av omgivningens tillväxt samt om det föreligger
5
skillnader för länder som är geografiskt-ekonomiskt missgynnsamt placerade. Datat som
används i regressionen är hämtat från World Development Indicators databas om inte annat
anges.
1.1. Geografisk indelning
Afrika söder om Sahara (SSA) har av flera anledningar varit hårt drabbat genom historien. Än
idag är Afrikas ekonomi hårt ansträngd, speciellt söder om Sahara. Kontinenten Afrika är
världens mest indelade region med 165 gränser och 51 länder. 22 av dessa länder har ett
invånarantal om fem miljoner eller mindre, varav elva har ett invånarantal som understiger en
miljon. Hela Afrikas BNP är ungefär lika stor som Belgiens (UNECA, 1999: s 54). Den
största andelen fattiga människor i världen finns vidare i SSA. Under perioden 1981-2001 var
Afrika söder om Sahara den enda region i världen där antalet människor som lever i absolut
fattigdom steg, vilket kan jämföras med resten av världen där andelen sjönk från 40 procent
till 21 procent under samma period (Amnesty Press). År 2000-2001 levde 52 procent av
befolkningen på mindre än $1 om dagen (FN). Det är även den region som är längst ifrån att
nå de milleniemål om utveckling som världens ledare kom överens om att uppnå till år 2015
(SIDA). För 1990-talet var den genomsnittliga årliga tillväxten 2,1 procent, vilket betydligt
understiger den sjuprocentiga tillväxt som är nödvändig om fattigdomen på kontinenten skall
kunna halveras innan detta år (FN).
En stark kontrast till detta är Västeuropa, ett av världens ekonomiskt mest välmående
områden. I Västeuropa var också tillväxten under delar av 1990-talet förhållandevis låg, men
fattigdomen som definierad av FN är obetydlig i förhållande till Afrikas samtidigt som
sjukvård, utbildning och andra sociala skyddsnät är något som vi i Västeuropa har tillgång till,
till skillnad från stora delar av befolkningen i de afrikanska länderna.
Ovanstående diskussion är anledningen till att Afrika söder om Sahara och Västeuropa
inkluderats i undersökningen, till skillnad från hela Afrika och hela Europa, men även då jag
anser det rimligt att tänka sig att länderna i Afrika som delas av en hel öken bör skilja sig åt
ekonomiskt mer än de länder som ligger inom en och samma region. Liknande uppdelning
finns att finna i till exempel Sachs & Warner (1997). Även SIDA har en sektion för just
Afrika Söder om Sahara. Vilka resultat som kan förväntas är oklart då interaktionsmönstren
6
skiljer sig åt mellan länderna inom respektive region samt även i förhållande till
utomregionala länder.
1.2. Syfte och avgränsningar
Syftet med undersökningen är att utvärdera huruvida omgivningens tillväxt har haft en
inverkan på de enskilda ländernas tillväxt under perioden 1991-2005 och om denna avtar med
avstånd, genom att ställa upp en regression i vilken de direkt angränsande ländernas tillväxt,
världens tillväxt, den regionala handeln samt den regionala tillväxten ingår som förklarande
variabler. Omgivning definieras alltså här som de direkt angränsande länderna samt som
länderna i resten av regionen. Även tillväxten i världens BNP per capita inkluderas eftersom
länders tillväxt kan vara beroende av världens som helhets tillväxt. Jag delar upp
omgivningen i zon 1, zon 2 och världen och söker därigenom utvärdera om beroendet av den
regionala omgivningens tillväxt avtar med avstånd. Jag testar för skillnad i den direkt
angränsande omgivningens tillväxt inverkan på det enskilda landets tillväxt beroende på om
länder befinner sig i Afrika söder om Sahara eller i Västeuropa. Jag söker även utvärdera
huruvida handeln med de direkt angränsande länderna har en inverkan på tillväxten.
Med region avses här kontinenter eller områden som har haft en gemensamt liknande
utveckling, mer specifikt studeras i denna uppsats Afrika söder om Sahara och Västeuropa.
Vilka länder som ingår i Västeuropa varierar med syftet med definitionen, men i denna studie
avgränsar jag mig till de länder som av UCLA:s center för internationella studier definieras
som västeuropeiska (UCLA Center for Asian and Eurasian Studies). Studien till länder som
direkt angränsar till andra länder via land (vilket utesluter öar och ögrupper) och som, i
Västeuropas fall, åtminstone har ett västeuropeiskt land i sin direkta omgivning varför
Grekland genast exkluderas.
Nutida effekter av kolonialismen kommer till exempel inte att tas hänsyn till, och inte heller
inbördeskrig,
ekonomisk
befolkningstillväxt,
instabilitet
handel,
och
inflation,
dyl.
I denna
studie
sparande/investeringar,
inkluderas
humankapital
endast
samt
omgivningens tillväxt under perioden 1990-2005, med huvudfokus på SSA samt med
huvudfokus på omgivning och tillväxt. Det kommer endast ges en kort kommentar till övriga
variabler.
7
1.3 Disposition
Uppsatsen inleds i kapitel 2 med en diskussion kring intraregional interaktion och de
tillväxtmönster som har kunnat erfaras i Afrika söder om Sahara och Västeuropa under
perioden 1991-2005. En översikt över den rådande forskningen inom ämnet grannländer,
omgivning och tillväxt samt kompletterande forskning ges i kapitel 3. I kapitel 4 förs en
diskussion kring de variabler som inkluderats i undersökningen. Kapitel 5 tar upp den metod
som används för att analysera omgivningens inverkan på de enskilda ländernas tillväxt, och i
kapitel 6 genomförs ett antal tester för att utvärdera vilken estimeringsmetod som är den
optimala givet de observationer som finns tillgängliga. Kapitel 7 diskuterar dels de resultat
som erhållits ur regressionerna, dels undersökningens validitet och möjliga alternativa
uppställningssätt. Uppsatsen avslutas med en sammanfattning och en slutsats i kapitel 8.
8
2. Tillväxtmönster och interaktion
Nedan redogörs för de tillväxtmönster som länderna har uppvisat under 1990-talet och framåt
samt den interaktion som föreligger mellan länderna och deras omgivning.
2.1 Tillväxtmönster
1990-talet var en tid av stora ekonomiska framsteg i Afrika. Många länder uppvisade till och
med tvåsiffriga tillväxttal under perioden. Det ekonomiska klimatet blev gynnsammare för
investeringar, både nationella och utländska sådana, och kapitalmarknaderna effektiviserades.
I bland annat Europa ökade efterfrågan på afrikanska exportvaror inom främst
tillverkningssektorn (FN). För Europa som helhet var den genomsnittliga tillväxten endast två
procent under 1991-1999, för att därefter stiga till 3,1 procent år 2000 och sjunka igen efter
2001 (Regional Surveys of the World, 2003: s 22). Figur 2.1 illustrerar tillväxten i BNP per
capita för Afrika söder om Sahara samt för Västeuropa, i förhållande till världens
genomsnittliga tillväxt i BNP per capita.
Figur 2.1: Årlig tillväxt i SSA, Västeuropa1 samt världen som helhet för perioden 1991-2005
Vi kan observera att efter att ha uppvisat tillväxtsiffror som vida understiger Västeuropas och
världens tillväxtsiffror, så uppnår SSA under andra halvan av 1990-talet och framåt
tillväxtsiffror som ligger i nivå med övriga världen (och till och med överstiger världens
genomsnittliga tillväxt efter 2002). Kontinenten Afrika som helhet uppvisar under denna
period en fyraprocentig tillväxt, vilket överstiger befolkningstillväxten om 2,8 procent. Denna
1
WE = Western Europe = Västeuropa, de länder vars tillväxtsiffror finns tillgängliga i WDI:s databas
9
tillväxttrend är dock förhållandevis ömtålig, eftersom länderna i Afrika lider av utbredd
fattigdom och ojämlik inkomstfördelning samtidigt som sparandet är relativt lågt och
ekonomierna är känsliga för naturkatastrofer och yttre chocker (FN). Västeuropa, däremot,
uppvisar först uppgång efter finanskriserna i början och slutet på 1990-talet, därefter nedgång
och en tillväxt som understiger SSA:s och övriga världens för de senaste åren.
Figur 2.2: Årlig tillväxt i enskilda länder i SSA (t.v.) och Västeuropa (t.h.) för perioden 1991-2005
I figur 2.2 (ovan) illustreras tillväxten i enskilda länder i Afrika söder om Sahara (vänster) och
Västeuropa (höger). Det tycks vid en första anblick föreligga någon form av enhetlighet i
tillväxten mellan länderna på respektive kontinent. Undantaget enskilda, avvikande länder så
tycks tillväxten ligga inom ett förhållandevis jämnt intervall och följa samma mönster. Vi kan
till exempel observera att då tillväxten i ett land i Västeuropa ökar, så tycks tillväxten öka i
övriga länder. Även om detta tydligare framkommer för Västeuropa kan ett liknande mönster
observeras för SSA. Detta kan vara en indikator på att ländernas tillväxt påverkas av övriga
länders tillväxt inom samma region. Givetvis kan detta även bero på tidsfaktorer, det vill säga
konjunkturen, vilket också kommer utredas.
2.2 Interaktion
2.2.1 Afrika Söder om Sahara
Många länder i SSA ingår i någon form av union eller samarbetsprojekt med sin regionala
omgivning. CFA franc-zonen etablerades till exempel redan 1945, då skapandet av den
gemensamma valutan CFA franc för de tidigare franska kolonierna initierades. (Metzger,
2008: s 17). År 1963 bildades i Addis Abeba organisationen Organization for African Unity
(OAU). Organisationens övergripande syfte var att främja ekonomin i de afrikanska staterna.
10
Samarbetet initierades mellan trettiotvå länder, men antalet medlemmar utökades genom åren.
Sydafrika blev den femtiotredje och sista medlemmen efter apartheidregimens fall 1994. Elfte
juli 2000 omorganiserades OAU till Afrikanska Unionen samtidigt som planen utökades till
att inkludera även andra faktorer såsom skydd för mänskliga rättigheter (Om Organization for
African Unity).
1969 bildades den Södra Afrikanska Tullunionen (SACU), vars ursprungliga syfte var att
underlätta och omfördela tullintäkterna medlemsländerna emellan. En av SACU-avtalets
nyckelinstrument är införandet av gemensam handelspolitik, till exempel gemensamma
tullavgifter. Sydafrika står dock i centrum i samarbetet, även om avtalet inbegriper också
monetärt främjande av utveckling i de mindre länderna samt diversifiering och
industrialisering av deras ekonomi. Andra samarbetsprojekt inkluderar Common Monetary
Area (CMA) som baseras på ett avtal som signerades mellan tre SACU-medlemmar år 1986,
och som bland annat innebär fast växelkurs och liberaliserat kapitalflöde länderna emellan.
Den finansiella sektorn inom CMA är väldigt integrerad tack vare valutaavtalet länderna
emellan och tack vare att de opererar under instrument liknande en monetär union. Sedan
1970-talet har en trend i konjunkturanpassningen även uppvisats mellan länderna i CMA.
(Metzger, 2008: s 3 ff.) SACU-medlemmarna ingår vidare i samarbetsprojektet SADC,
efterföljaren till Southern African Development Coordination Conference, tillsammans med
nio andra länder. För medlemmarna ses detta intraregionala samarbete som ett medel för att
minska fattigdomen i området och skapa en jämnare ekonomisk fördelning mellan länderna.
(ibid: s 12). Det västafrikanska ECOWAS etablerades 1975 genom Lagosavtalet som skrevs
under av femton medlemmar. Dess huvudsyfte var att främja handel, samarbete och
självständighet. 1993 reviderades Lagosavtalet med målet att stärka den ekonomiska
integrationen och det politiska samarbetet. Det långsiktiga målet är att medlemsstaterna ska
ingå i en ekonomisk och monetär union (ibid: s 23).
Även om det vid en första anblick föreligger viss interaktion mellan länderna i SSA är inte
denna utan sina problem. I Metzger (2008) konstateras till exempel stora subgrupperingar
inom SSA och samarbetsprojekten som pågår samt att konflikter och inbördeskrig pågår
mellan en del av länderna. Andra problem är regeringarnas ovilja att lämna över
makroekonomiska frågor till en regionalmakt och att importera från högpris-länder. Oro
föreligger även kring hur kostnader för ett intraregionalt samarbete kommer fördelas, samt för
att bryta de redan existerande samarbeten med icke-medlemmar som länderna ingår i.
11
Ytterligare problem involverar makroekonomisk instabilitet i många länder och avsaknad av
stabilt politiskt engagemang hos regeringarna (Geda & Kibret, 2002: s 3). Därutöver är den
etniska mångfalden förhållandevis hög vilket kan skapa sociala barriärer som inverkar
negativt på möjligheten till positiva spridningseffekter i formen av till exempel
kunskapsspridning (Ofodile, 2001: s 26). Kommerskollegium (2009, s 25) konstaterar vidare i
sin rapport att den intraregionala varuexporten (exporten inom regioner) år 2006 uppgick till
cirka 74 procent i Europa och endast cirka 9 procent i Afrika. Motsvarande siffra för 1990talet var 69,9 procent respektive 8,4 procent (FAO).
2.2.2 Västeuropa
Att länderna inom Västeuropa interagerar starkt både med varandra och med resten av världen
är ingen nyhet. I samarbetsprojektet EU ingår till exempel de flesta västeuropeiska länder, och
även de som inte ingår samarbetar inomregionalt som om de gjorde det. EU-samarbetet
innebär bland annat fri rörlighet för varor, tjänster, kapital och personlighet, även benämnt de
fyra friheterna (Sveriges Riksdag). Samarbetet innebär också en gemensam utrikes-och
säkerhetspolitik samt polissamarbete och straffrättsligt samarbete inom unionen (Europa).
Utåt agerar länderna ofta som en gemensam part, inför till exempel WTO och IMF. EU var år
2000 den största enskilda handelsregionen i världen, och som sådan starkt beroende av den
globala ekonomiska utvecklingen. Exklusive intraregional handel stod de dåvarande EUländerna år för 17,3 procent av den globala exporten och 18,3 procent av den globala
importen, varav fyra femtedelar var handel i varor. Inkluderas intraregional export och import
ökar siffran till 36,4 procent (för varor och tjänster gemensamt). Asien, Nordamerika samt
Öst- och Centraleuropa var vid denna tidpunkt de största exportmarknaderna för EU-länderna
(Regional Surveys of the World, 2003: s 21).
12
3. Tidigare forskning
Föregående avsnitt fokuserade på de interaktionsmönster som föreligger bland länderna i
Afrika samt länderna i Västeuropa. I avsnittet nedan redogörs för den forskning som mig
veterligen finns tillgänglig inom ämnet omgivning och tillväxt. Det redogörs även för en del
kompletterande forskning.
3.1 Grannländer, omgivning och tillväxt
Om regional tillväxtspridning mellan länder med likartad struktur har inte litteraturen särskilt
mycket att bidra med då fokus på just detta ämne fortfarande är förhållandevis nyutvecklat.
(Roberts & Deichmann, 2009: s 6)
En studie som fångar upp potentiella spridningseffekter i ländernas tillväxtmönster är Easterly
& Levine (1997, s 2 ff.). I en studie med speciell fokus på Afrika söder om Sahara, utförd med
en panelregression, dras slutsatsen att grannländers tillväxt påverkar det enskilda landets
tillväxt. Slutsatsen dras även att grannländernas tillväxt multiplicerar tillväxten i det enskilda
landet både positivt och negativt. Effekten av omgivningen belyses i studien via
dummyvariabeln för Afrika som uppvisar negativ statistisk signifikans. Detta tolkas som att
länderna i Afrika söder om Sahara (SSA) uppvisar lägre ekonomisk tillväxt delvis på grund av
att de befinner sig i just Afrika söder om Sahara, vilket i sin tur är en indikator på att
omgivningens tillväxt påverkar det enskilda landets tillväxt (i detta fall negativt). Författarna
spekulerar även i anledningen till varför denna spridningseffekt uppstår. En teori är att en
utomstående investerare, vid valet mellan två länder, väljer det av två grannländer med minst
osäkerhet. En annan är att länder härmar de grannländer som implementerar framgångsrik
policy.
Sachs & Warner (1997, s 17 f.) menar att inkluderandet av en variabel för öppenhet gör
dummyvariablen för Afrika insignifikant. Författarna inkluderar även direkt angränsande
länders tillväxt i studien och drar istället slutsatsen att grannländernas tillväxt inte påverkar
det enskilda landets tillväxt. De påpekar dessutom att det inte behövs någon speciell Afrikateori med avseende på anledningar till tillväxt.
13
En annan studie som indirekt belyser effekten av omgivningen på det egna landet är Ades &
Chua (1997, s 281). Här identifieras två huvudkanaler via vilka politisk instabilitet i en region
påverkar hela omgivningen. Den första uppstår på grund av att regional instabilitet har en
negativ inverkan på handelsflödena. Handel med varor tenderar att vara lägre i länder som
ingår i en region med hög regional instabilitet. Den andra uppstår eftersom instabilitet i
regionen ökar investeringar i militära medel och minskar investeringar i annat. Studien
belyser alltså de negativa effekterna av omgivningen på det enskilda landets tillväxt.
Dessa studier innefattar dels andra variabler än de som inkluderas i denna studie, dels en
annan tidsperiod. Jag inkluderar även en interaktionsvariabel som inte finns i ovan nämnda
studier. Noteras bör att jag för Västeuropa inte har funnit några specifika undersökningar
inriktade på omgivning och tillväxt överhuvudtaget.
3.2 Kompletterande forskning
Tidigare forskning har kommit fram till att ett antal variabler påverkar länders ekonomiska
tillväxt. En av de mer renommerade undersökningarna är Barro (1991) i vilken data från 98
länder sammanställs i en panelregression. En av huvudslutsatserna som dras i studien är att
humankapital har en signifikant påverkan på tillväxten i BNP per capita. Länder med högre
humankapital har vidare, enligt studien, även lägre fertilitetstal och högre andel investeringar i
relation till BNP.
En annan välkänd studie är Sala-i-Martin (1997) där 4 miljoner regressioner involverandes 63
variabler utförs för att isolera de som inverkar på tillväxten. I denna studie är öppenhet är en
av de variabler som uppvisar signifikans för tillväxten hur den ekonometriska modellen än
ställs upp. Ett annat resultat är att en del variabler, till exempel krig, kupper och revolutioner,
inte längre är signifikanta då investeringar exkluderas ur regressionen. Detta kan enligt Sala-iMartin tolkas som att ovan nämnda variabler har en påverkan på tillväxten endast genom sin
inverkan på investeringarna.
Barro (1995) baserar sin studie om inflationens inverkan på tillväxten på data från 100 länder
under perioden 1960-1990 och drar i denna slutsatsen att, givet att andra faktorer hålls
konstanta, så kommer en genomsnittlig tioprocentig årlig ökning i inflationen att sänka ett
lands årliga tillväxt i BNP per capita med mellan 0,2 och 0,3 procentenheter per år och graden
av investeringar i relation till BNP med 0,4 till 0,6 procentenheter per år. I studien dras även
14
slutsatsen att statistisk signifikans endast uppvisas vid hög inflation, men att även om
effekterna på kort sikt tycks små så innebär en tioprocentig ökning av inflationen att BNP per
capita sjunker med mellan fyra och sju procent på trettioårig sikt. Burdekin et al. (2000) drar
vidare slutsatsen att den nivå på inflationen vid vilken tillväxten påverkas negativt skiljer sig
åt för industrialiserade länder och utvecklingsländer. Emedan industrialiserade länders
inflation uppvisar statistiskt negativ signifikans då den årliga inflationen är åtta procent eller
högre, uppvisas negativ statistiskt samband för utvecklingsländer redan vid en årlig
treprocentig inflation.
Ur diskussionen ovan kan två saker härledas; dels att studierna relaterade till omgivning och
tillväxt är få och uppvisar olika resultat, dels att ett antal variabler har en inverkan på ett lands
tillväxt.
15
4. Data och variabler
I avsnittet ovan konstaterades dels att det är oklart huruvida länder påverkas av grannländers
tillväxt samt att forskningen kring detta ämne inte är så ingående, dels att det finns flera
anledningar till varför länder uppvisar tillväxt. Att ta med alla tänkbara variabler som inverkar
på tillväxten är varken möjligt eller effektivt. Nedan diskuteras de variabler som kommer att
ingå i denna undersökning samt anledningen till att just dessa inkluderats. Variablerna är
hämtade dels ur ekonomisk teori, dels ur tidigare forskning. Datat för kontrollvariablerna
kommer vidare från World Development Indicators databas för alla variabler förutom
investeringar. För denna variabel är datat hämtat ur Penn World Tables.
4.1 Tillväxt i BNP per capita
I denna studie används real tillväxt i BNP per capita (i 2000 års priser) som beroende
variabel. BNP per capita är inte ett mått på inkomster utan ett produktionsmått. Det mäter inte
inkomstnivån i ett land och inte heller välfärden, samt tar inte hänsyn till faktorer som
kapitalförslitning och miljöförstöring. Ytterligare problem involverar mätmetoderna samt det
faktum att en stor del ekonomisk aktivitet inte räknas in i måttet, till exempel svart arbete och
hemarbete (Lindbeck [u.å.]: p 42 ff.) Trots det är många ekonomiers mål att höja tillväxten
eftersom inkomstskillnader tenderar att jämnas ut då länder blir rikare (se till exempel Erixon,
2002: s 6).
Tillväxten i BNP per capita, y, vid tidpunkten t (gyt) beräknas här enligt
Tillväxten är alltså skillnaden mellan årets tillväxt och föregående års tillväxt dividerat med
föregående års tillväxt.
4.2. Zonerna
Omgivningens tillväxt i regionala termer mäts i denna uppsats genom zonindelning.
Anledningen till denna zonindelning är flera. Zon 1 har valts eftersom det är de närmast
16
angränsande länderna och inga andra land- eller havsområden finns emellan vilket torde
underlätta rörligheten mellan länderna.
Införandet av zon 2 tillåter uppfångningen av eventuella spridningseffekter av tillväxt från
resten av regionen, det vill säga de länder som inte direkt angränsar till det enskilda landet,
samtidigt som det tillåter för kontroll för att eventuell tillväxtspridning härstammar från
övriga länder och inte nödvändigtvis de närmast angränsande. Anknutet till zon 1 kan det
även testa om tillväxteffekten avtar med avståndet. En eventuell svagare tillväxteffekt från
zon 2 än från zon 1 torde indikera att närmare grannländer har en starkare inverkan på det
enskilda landets tillväxt och att effekten minskar med avståndet.
Syftet med att införa världens tillväxt i regressionen är givetvis för att testa huruvida världens
som helhets tillväxt är signifikant. Det kan vara så att länder har ett starkare ekonomiskt
beroende av hela världen som helhet än av endast den region som de befinner sig i, eller
svagare vilket skulle överensstämma med idén att beroendet avtar med avståndet. Tillväxten i
zon 1, zon 2 samt världen har härletts enligt följande:
-
I zon 1 ingår de direkt angränsande länderna
-
I zon 2 ingår resten av regionen
I denna undersökning har jag följt proceduren i Sachs & Warner (1997, s 8) för härledning av
omgivningens tillväxt för de länder som ingår i regressionen. För varje zon har först
summerats BNP per capita. Därefter har tillväxttakten härletts och beräknats som för övriga
genomsnitt. Samma procedur har följts för världen med reservation för att ett antal länder har
exkluderas med anledning av brist på data. I ”världen” har för varje land inkluderats alla
länder vars BNP per capita finns tillgänglig i World Development Indicators databas
exklusive det enskilda landet. Vad för resultat som kommer erhållas är oklart då tidigare
forskning inte är enhetlig, men givet globaliseringen kan det ändå med försiktighet antas att
världens tillväxt är signifikant för enskilda länder.
4.3 Interaktionsvariabler
Interaktionsvariabler söker identifiera hur två förklarande variabler i samverkan påverkar den
beroende variabeln. Om den ena förklarande variabeln ökar med en enhet leder detta till en
17
ökning i den beroende variabeln som motsvarar styrkan på interaktionsvariabeln gemensamt.
(Chambers, [u.å]: s 6 f.)
4.3.1. Interaktionsvariabel 1 (IV1)
Att inkludera intraregional handel och dennas inverkan på tillväxten i en regression är
komplicerat då data för intraregional handel inte går att finna, i vart fall inte för Afrika och
därför används den inte för Västeuropa heller. Jag inkluderar istället interaktionsvariabel 1,
tillväxten i zon 1 multiplicerat med handel.
Denna variabel tillåter mig att delvis fånga upp eventuella intraregionala effekter av handel.
Givet att variabeln är signifikant innebär det att handeln med zon 1 har en inverkan på
tillväxten för det enskilda landet, eftersom en del av tillväxten ”fångas upp” av handeln med
direkt angränsande länder. När handel ökar med en enhet beror då ökningen i tillväxten även
på tillväxten i zon 1 gemensamt med handeln om variabeln är signifikant. Det fångas upp en
ökning i tillväxten i zon 1 som beror på handeln med just zon 1 eller tvärtom.
Det påpekas ofta att den intraregionala handeln i delar av Afrika söder om Sahara är låg (se
avsnitt 2.2.1.). Iapadre & Lucetti (2009) menar dock att detta inte stämmer om man ser till
helhetsbilden. Författarna refererar till denna allmänna uppfattning att den intraregionala
handeln mellan länderna i Afrika (speciellt Afrika söder om Sahara) är låg och gör en extensiv
studie i vilken slutsatsen dras att så inte är fallet, utan att det istället förhåller sig tvärtom;
länderna handlar dels mer med varandra intraregionalt med tanke på deras handelsstorlek
relativt resten av världen, dels handlar de med varandra mer än vad de handlar med
omvärlden. (Iapadre & Lucetti, 2010: s 11 ff.). Utifrån diskussionen ovan kan vi förvänta oss
positiv signifikans för denna variabel.
4.3.2. Interaktionsvariabel 2 (IV2)
Interaktionsvariabel 2 har beräknats med utgångspunkt i en dummyvariabel som antar värdet
1 om ett givet land ingår i regionen Afrika, och 0 annars (om landet ingår i Västeuropa).
Denna lutningsdummys värde har multiplicerats med tillväxten i zon 1. Detta tillåter mig att
fånga upp eventuella skillnader i inverkan på tillväxten av grannländernas tillväxt för ett land
18
som befinner sig i Afrika söder om Sahara relativt ett land som befinner sig i Västeuropa. Om
variabeln är signifikant kan slutsatsen dras att det föreligger skillnader mellan direkt
angränsande länders inverkan på det enskilda afrikanska landets tillväxt relativt det enskilda
västeuropeiska landets tillväxt. Signifikans innebär nämligen att lutningen för den anpassade
regressionslinjen för länderna i SSA skiljer sig från lutningen för den anpassade linjen för
länderna i Västeuropa (se avsnitt 5.1.5. om dummyvariabler), vilket innebär att tillväxten i
zon 1 har en annorlunda inverkan på länderna i SSA än för länderna i Västeuropa. Därför är
denna variabel tillämpbar i denna undersökning. Vad för resultat som kommer härledas ur
denna variabel är oklart, även om det kan tänkas negativ signifikans givet att tillväxten i zon 1
är negativt signifikant eftersom länderna i Afrika har många underliggande problem och
samarbetssvårigheter.
4.4. Kontrollvariabler
Inflation anses negativt för en ekonomi då inflation ökar osäkerheten vid långivning och
investering, och även om framtida priser och löner, vilket minskar investeringar och
möjligheter att erhålla lån för investeringar. Även konsumtionen i landet kan påverkas
negativt (Sveriges Riksbank, 2005: s 7). I den onda cirkeln som uppstår leder hög inflation
ofta till ännu högre inflation vilket ökar osäkerheten i ekonomin ytterligare. Det kan alltså
förväntas att inflationen uppvisar negativ signifikans. Den rikligare tillgängligheten på data
har gjort att inflation i denna studie mäts utifrån BNP-deflatorn. BNP-deflatorn är, som
bekant, ett prisutvecklingsmått på allt som tillverkas i en ekonomi.
Det finns enligt litteraturen flera sätt genom vilka handel i sig påverkar en ekonomi positivt.
Detta omfattar inte endast varor och tjänster utan även handel med teknologi. Via
handelsvägar kan nya teknologiska innovationer spridas över världen. Det är också
lönsammare att utveckla varor och tjänster om det finns en hel världsmarknad att tillgå, vilket
ytterligare stimulerar teknologisk innovation. Vidare pressas priserna genom ökad konkurrens
och utnyttjande av de stordriftsfördelar som handel medför. Det gäller även att länder som är
öppna för handel tenderar att ha högre tillväxt. (Kommerskollegium, 2005: s 5 ff.) Handel,
närmare bestämt export, är även i många studier en approximation för öppenhet mot
omvärlden. Här kommer att användas (export+import)/BNP som en approximation för
öppenhet mot omvärlden samtidigt som länder som handlar mer tenderar att vara rikare,
19
varför handel kan anses vara en drivkraft även för tillväxt. Jag inkorporerar import eftersom
import under vissa omständigheter bidrar till en ökad teknologisk mottaglighet i en ekonomi
(se till exempel Acharya & Keller, 2008: s 33). Till skillnad från inflationen bör handel alltså
uppvisa positiv signifikans.
I den ursprungliga Solow-modellen är länder med mer sparande/investeringar rikare
eftersom de ackumulerar mer kapital per arbetare och producerar därmed mer output per
arbetare. En ökning i sparandet/investeringarna innebär att länder ackumulerar mer fysiskt
kapital, eftersom ekonomin antas vara sluten så att sparande är lika med investeringar. Under
en övergångsperiod ökar då tillväxten i ekonomin fram tills den når sitt nya steady state (den
långsiktiga tillväxtnivån då alla variabler för tillväxt växer i konstant takt), varefter ingen
ökad tillväxt uppvisas men ekonomin har blivit rikare. Kortsiktigt sjunker ett lands BNP per
capita då investeringar genomförs, men på längre sikt ökar BNP per capita i steady state.
(Jones, 2002: s 30 ff.) I denna studie kommer att undersökas både investeringar och sparande,
om än separat då jag befarar att sparande och investeringar kan spegla samma sak och därmed
ge missvisande resultat. Samtidigt är det ett sätt att testa om undersökningen är robust, genom
att byta ut en variabel i undersökningen. Investeringsdatan är hämtad ur Penn World Tables
och anges som gross capital formation i procent av BNP. Problem med detta mått involverar
bland annat varierande mätmetoder mellan länder. Data för sparande anger det inhemska
sparandet i procent av BNP.
Humankapital definieras av OECD som den ”kunskap, färdighet, kompetens och attribut
som är förkroppsligad i individer och som främjar skapandet av personligt, socialt och
ekonomiskt välmående.”2 Utbildning tros höja kompetensen hos arbetsstyrkan, vilket innebär
att denna kan ta sig an mer komplexa arbetsuppgifter och mer välbetalda jobb som i sin tur
leder till högre tillväxt i en ekonomi. Keeley anger även att sambandet mellan utbildning och
tillväxt fungerar åt båda håll: dels stimulerar högre tillväxt en högre utbildning då möjligheter
till arbete skapas, dels skapar utbildning möjligheter till högre tillväxt. (Keeley 2007: s 30).
Mankiw, Romer och Weil noterar också att Solow-modellen kan förbättras om konceptet
humankapital införs, det vill säga om hänsyn tas till att arbetskraften i olika ekonomier har
olika nivå av utbildning samt olika färdigheter (i litteraturen betecknas dessa färdigheter som
skills). (Jones, 2002: s 54 f.)
2
Fritt översatt ur Keeley (2007, s 29)
20
Det är vanligt att humankapitalet i ett land approximeras som andelen av befolkningen som
har avslutat en given nivå av utbildning.
Här tillämpas andelen elever som intas i
mellanstadiet (secondary school). Denna variabel har också funnits robust i undersökningar
(se till exempel Price-Smith & Tauber, 2007: s 5). Det är dessutom rimligt att anta att en
grundläggande nivå av utbildning är nödvändig för att kunna ta till sig och använda den
information och teknologi som finns tillgänglig. Denna variabel fångar upp de individer som
har avslutat en grundläggande utbildning och antas åtminstone kunna läsa och skriva. För de
flesta länder är inte årlig data för denna variabel tillgänglig, varför de saknade värdena har
interpolerats fram med hjälp av Excel. En konstant tillväxttakt i humankapitalet har antagits
under de perioder som saknas, så att humankapitalet beräknas som ett årligt genomsnitt för de
år som saknas mellan det tidigaste och det senaste tillgängliga året. Nackdelen med detta mått
är att det inte säger något om kvalitén på utbildningen. Regler för att erhålla ett betyg kan
dessutom skilja sig mellan länder, regioner och skolor. (Keeley, 2007: s 115)
I de nyare tillväxtmodellerna bestäms teknologin inom modellens ramar varför de även
benämns endogena tillväxtmodeller. Befolkningstillväxt är i dessa modeller en av de
avgörande faktorerna bakom en bestående ökning i BNP per capita i steady state. En
banbrytande modell inom detta område är Romer-modellen som förklarar hur och varför
avancerade ekonomier uppvisar kontinuerlig tillväxt. Modellen påvisar att teknologiska
framsteg uppstår tack vare forskning och utveckling i den rika världen, som i sin uppstår som
ett resultat av folkökning vilket leder till fler sysselsatta inom detta område.
Befolkningstillväxt är alltså positivt för den rika världen. För fattiga länder som endast tar till
sig teknologi och inte skapar den gäller det omvända; befolkningstillväxt leder fortfarande
endast till förslitning av realkapitalet. (Jones, 2002: s 97 ff.) Om vi antar att
befolkningspyramiden utvecklas konstant över en längre tid kan dessutom arbetskraften i ett
land approximeras med befolkningstillväxt (eftersom utvecklingen i arbetskraft i sådana fall
blir procentuellt lika med utvecklingen i befolkning). Variabeln befolkningstillväxt inkluderar
även migration eftersom jag inte har använt mig av den naturliga folkökningen. Givet
diskussionen ovan är det svårt att på förhand ange om signifikansen för denna variabel
kommer vara positiv eller negativ eftersom regressionen innefattar både industrialiserade
länder och utvecklingsländer. Samtidigt är denna undersöknings huvudsyfte inte att utvärdera
folkökning och tillväxt varför det inte gås närmare in på detta fenomen.
21
Jag inför även variabeln logaritm av initial BNP per capita för att kontrollera för
möjligheten att initial inkomst kan påverka tillväxten i BNP per capita och signifikansen som
övriga variabler har för tillväxten. Enligt teori om steady state och konvergens uppvisar länder
som ligger långt under sitt steady state en högre tillväxt under en övergångsperiod (Jones,
2002) varför denna variabel kan vara tillrådlig att inkludera. Vad för resultat som kommer
härledas ur denna variabel är dock oklart eftersom i regressionen både ingår industrialiserade
länder och utvecklingsländer.
Femåriga genomsnitt tycks kutym inom tillväxtundersökningar. Jag använder också femåriga
genomsnitt dels för att ekonomisk tillväxt är ett långsiktigt fenomen, men även då jag vill
rensa för konjunktursvängningar samt då problem med icke-stationäritet i tidsserierna kan
medföra missvisande resultat i regressionen. I många undersökningar används dessutom
längre genomsnitt än så, varför jag inte ansett det lämpligt att göra avsteg från det femåriga
även om kortare genomsnitt medför fler frihetsgrader. Ett annat alternativ hade varit att
inkludera perioden 2006-2010 och interpolera fram värdet för 2010 för att därmed erhålla fler
tidsperioder, men jag befarade att den ekonomiska depressionen 2009 skulle inverka på
resultaten så att de inte blir tillförlitliga och skapar outliers då detta är ett så avvikande år från
övriga, inklusive de år då finanskriser har upplevts. Tabell 4.1. (se nästa sida) presenterar de
koefficienter som här kommer användas samt deras förväntade resultat, och summerar
därigenom den ovanstående diskussionen.
22
TABELL 4.1: Förväntat tecken på de förklarande variablerna i skattningen
Koefficient
Beteckning
Förväntat tecken
Sparande
S
+
Log av initial BNP/capita
LOG
Oklart
Investeringar
I
+
Handel
T
+
Befolkningstillväxt
P
Oklart
Humankapital
SE
+
Inflation
INFL
-
Interaktionsvariabel 1
IV1
+
Interaktionsvariabel 2
IV2
-
Tillväxt i zon 13
ZON1
Oklart
Tillväxt i zon 2
ZON2
Oklart
Världens tillväxt
W
+
Interaktionsvariabel 1 fångar alltså delvis upp effekter av intraregional handel och
interaktionsvariabel 2 fångar upp skillnaden i omgivningens inverkan för länder som befinner
sig i SSA mot länder som befinner sig i Västeuropa. Med zonindelning söks identifiera
huruvida tillväxtspridningen avtar med avstånd eller om effekterna från övriga länder är
starkare än från de direkt omgivande, vilket kan vara en indikator på att hela regionen är
viktig ur tillväxtsynpunkt.
3
Genomsnittlig tillväxt i BNP per capita används för både zon 1, zon 2 och världen
23
5. Metod
I avsnitt 5 redogör jag för den metod som jag har använt för att skatta den ekonometriska
modellen med. Avsnittet inleds med en introduktion till panelregressioner för att ge en inblick
även för den oinvigde läsaren. Det resoneras även kort kring grundläggande begrepp som
hypotesprövning, t-värde, F-värde, förklaringsgrad och dummyvariabler.
5.1. Panelregressioner
5.1.1 Panelregression
Ett set med paneldata innehåller värden för en och samma grupp av individer över en längre
tidsperiod. Fördelen med en panelregression är, givet syftet med denna undersökning,
möjligheten att undersöka många länder och variablers inverkan på tillväxten samtidigt.
Denna metod används ofta vid tillväxtundersökningar eftersom tidsperioderna för vilka data
finns att tillgå ofta är små samtidigt som tillväxt är ett långsiktigt fenomen, vilket leder till att
antalet tidsperioder krymper ytterligare. En tredje anledning är, som ovan nämnt, möjligheten
att studera många länder samtidigt för att isolera allmängiltiga orsaker till tillväxt för den
urvalsgrupp som ingår i modellen. Formellt kan skrivas
I ekvationen ovan representerar x’it en K-dimensionell vektor av förklarande variabler.
(Verbeek, 2005: s 356 f.) Här kommer skattas en ekonometrisk modell i vilken de förklarande
variablerna är handel, sparande/investeringar, befolkningstillväxt, utbildning, tillväxten i zon
1, tillväxten i zon 2, logaritmen av initial BNP per capita samt världens tillväxt. Den beroende
variabeln är de enskilda ländernas tillväxt. De ekonometriska modeller som ställs upp här är
alltså en form av multipla regressionsmodeller med data för många länder enligt:
(Eq. 5.1.)
samt
(Eq. 5.2.)
24
Det totala stickprovet i en panelregression är n*T observationer, det vill säga antalet länder
gånger antalet tidsperioder, vilket avsevärt ökar möjligheterna till inferens på variablerna
jämfört med om endast enskilda länder används i uppställningen av modellen. Här är den
totala siffran 156. Dock försvinner frihetsgrader vid diverse estimeringar (se avsnitt 6).
Det finns två modeller som panelregressioner vanligen skattas med: fixed effects-modell (FEmodell) samt random effects-modell (RE-modell). I en FE-modell tilldelas varje individ en
dummyvariabel så att
Dummyvariabeln ai fångar upp effekten att den genomsnittliga nivån i en förändring i x kan
skilja sig åt för enhet i och enhet j genom att varje individ ges olika intercept. Detta kan vara
tillämpbart för stickprov där urvalsgruppen i övrigt är förhållandevis homogen (som i fallet
med till exempel länder). Det individspecifika interceptet fångar upp alla skillnader mellan
individerna i stickprovet som är konstanta över tiden och som vi inte kan observera (Verbeek,
2005: s 357 samt s 367).
I RE-modellen är αi + ui en felterm bestående dels av en individspecifik komponent som antas
vara konstant över tid, dels av en kvarvarande komponent som antas vara okorrelerad över tid.
Modellens utseende skiljer sig från FE-modellens (ibid: s 364).
Här antas αi vara okorrelerad med de förklarande variablerna vilket många gånger inte är
fallet. Heterogeniteten i αi, som är oobserverbar, påverkar då resultaten. (ibid: s 356 f.)
5.1.2 Hypotesprövning
Statistisk inferens är den process i vilken vi försöker dra slutsatser om populationen utifrån ett
stickprov. Nollhypotesen H0 specificerar ett speciellt värde på den eller de sanna parametrar
som vi är intresserade av att slutsatser kring. Nollhypotesen ställs mot en alternativhypotes H1
som innefattar alla situationer då nollhypotesen inte gäller. (Westerlund, 2005: s 115 ff.)
Beroende på vad för hypotes man vill testa står ett antal fördelningar till ens förfogande. För
test av enskilda parametrar används t-fördelningen där
25
Under nollhypotesen följer teststatistikan en t-fördelning med (n-k) frihetsgrader. Ett t-värde
högre än det kritiska t-värdet (som varierar beroende på antalet observationer och antalet
förklarande variabler) innebär att teststatistikans värde hamnar i t-fördelningens ”svansar”,
den kritiska regionen, vilket medför att nollhypotesen förkastas till förmån för mothypotesen.
(Westerlund, 2005: s 115 ff.)
För test av flera parametrar samtidigt används istället F-statistika som under nollhypotesen
följer en F-fördelning med J frihetsgrader i täljaren och N-K frihetsgrader i nämnaren. Fvärdet beräknas enligt (ibid: s 151 ff.):
Samma beslutsregel gäller som för t-fördelningen. Om p-värdet är mindre än signifikansnivån
förkastas nollhypotesen att koefficienterna gemensamt är skilda från noll.
5.1.3 P-värde
Istället för att studera t- eller F-värde och leta i tabeller efter motsvarande kritiskt värde kan
det av EViews framräknade p-värdet användas för att förkasta eller inte förkasta
nollhypotesen. P-värdet anger den sannolikhet med vilken nollhypotesen felaktigt förkastas
givet att denna är sann. För en signifikansnivå α om fem procent (som vanligen används inom
ekonometrin) förkastas nollhypotesen om det angivna p-värdet understiger 0,05 (Westerlund,
2005: s 124 f.) I denna studie används också en femprocentig signifikansnivå.
5.1.4 Förklaringsgrad
Förklaringsgraden, R2, anger hur stor del av variationen i den beroende variabeln som
förklaras av de förklarande variablerna. Ju högre förklaringsgrad desto ”bättre” anpassad
modell, såtillvida att en mindre andel av variationen i datat förklaras av feltermen (effekterna
som inte fångas upp av de förklarande variablerna). Justerad förklaringsgrad tar även hänsyn
26
till antalet frihetsgrader, det vill säga antal förklarande variabler i modellen (antal
observationer som försvinner på grund av själva skattandet av modellen). (Gujarati, 2006: s
187 samt s 228).
5.1.5 Dummy-variabel
En dummyvariabel är en binär variabel vilket innebär att variabeln endast antar två värden; ett
om en given utsaga är sann och noll annars. Mer formellt kan skrivas
Med en dummyvariabel kan alltså tillåtas att vissa observationers parametrar antar ett annat
värde i stickprovet. En interceptdummy tillåter skift i en regressions intercept. En
lutningsdummy tillåter lutningen i regressionslinjen att förändras givet att en utsaga är sann.
Lutningsdummyn studerar alltså skillnader mellan grupper i ett urval. (Westerlund, 2005: s
165 ff.) Ett konkret exempel är könstillhörighet (man eller kvinna) och lön. Med hjälp av en
interceptdummy kan studeras om vilket kön en individ tillhör påverkar ingångslönen. En
lutningsdummy kan studera om könstillhörighet leder till en fördelaktigare löneutveckling.
Förutom dummyvariabeln ai i FE-modellerna införs här en dummyvariabel för att undersöka
huruvida inverkan av direkt angränsande länders tillväxt på de enskilda ländernas tillväxt
varierar beroende på om ett land ligger i Västeuropa eller i Afrika (se avsnitt 4.2).
5.1.6 Tidsdummy
Ett naturligt test för att avgöra om en regression är robust är införandet av andra variabler,
exempelvis tidsvariabler. I denna regression kommer en tidsdummy att införas för att försäkra
sig om att tillväxten i länderna inte samvarierar med tidseffekter såsom till exempel
konjunkturen i världen (Bleany & Castilleja-Vargas, 2007). Tidsdummyn inkluderar en
tidskomponent som är gemensam för alla individer i stickprovet men specifik för period t. Det
införs T-1 (i detta fall 2) tidsdummy för att undvika perfekt kolinjäritet (Fougère & Kramarz,
[u.å.]: s 19 f.).
Ett problem med införandet av ovan nämnda dummyvariabler är att antalet frihetsgrader
försvinner snabbt (en för varje land under en FE-estimering, ytterligare för införandet av
27
tidsdummyvariabler, därutöver fler för övriga kategorier), vilket gör modellen mindre robust
för inferens.
5.2 Ekonometriska modeller och dess nackdelar
Grunden till tidigare forskning inom ekonomisk tillväxt och dess determinanter ligger i olika
regressionsmodeller som har ställts upp och skattats, vanligtvis i statistiska datorprogram. Då
även denna studie bygger på en regression, anser jag det vara på sin plats att notera eventuella
problem med denna sorts analys.
Resultaten av tidigare regressioner har visat att beroende på hur den ekonometriska modellen
ställs upp, erhålls inkonsekventa resultat för olika variablers inverkan på den ekonomiska
tillväxten. Som exempel kan nämnas Sala-i-Martin (1997), som genom att ställa upp modeller
på 4 miljoner olika sätt har kommit fram till att specificeringen av modellen har stor betydelse
för vilka parameterestimat, även kallat skattningar för betavärde, som kommer att erhållas
samt för deras signifikans. Ciccone & Jarocinski (2008) kommer fram till slutsatsen att de
skattningar som fås fram dessutom är känsliga för små skillnader i beräkningar av de
förklarande variablerna. Till exempel ogiltiggörs en del tidigare signifikanta variabler för
tillväxten i BNP per capita om denna härleds ur köpkraftsjusterad BNP per capita i stället för
real BNP per capita med BNP-deflator. Det bör dock påpekas att trots att ekonometriska
metoder lider av brister, är det för närvarande det effektivaste tillvägagångssättet för att på ett
numeriskt sätt ha möjligheten att mäta olika variablers inverkan på tillväxten.
28
6. Test för optimal modell
Innan en panelregression med robusta resultat kan estimeras bör ett antal tester utföras för att
utvärdera hur modellen bäst bör skattas givet urvalets egenskaper, samt för att försäkra sig om
att resultaten som erhålls inte påverkas av outliers och andra anomaliteter i residualerna.
Nedan redogörs för de tester som jag har använt mig av i denna undersökning.
6.1. Multikolinjäritet
Ett antagande vi gör när vi skattar en modell är att de förklarande variablerna inte är linjära
funktioner av varandra, eftersom beroendet i de förklarande variablerna kan föranleda
missvisande resultat när modellen skattas med OLS. Det problem som uppstår då de
förklarande variablerna uppvisar ömsesidigt beroende kallas för multikolinjäritet. Ett sätt att
upptäcka multikolinjäritet är genom att studera korrelationen mellan de förklarande
variablerna. En korrelation som överstiger 0,8 indikerar multikolinjäritet mellan variablerna.
Då korrelationen är lika med ett uppvisar variablerna perfekt kolinjäritet. (Gujarati, 2006: s
363 ff.). Nedan presenteras korrelogrammet i tabell för de förklarande variablerna i ekvation
5.1. respektive 5.2. Jag har inte inkluderat interaktionsvariablerna eftersom de i egenskap av
funktioner av de förklarande variablerna med nödvändighet är korrelerade med dessa. Detta är
något som bör has i åtanke vid analys av resultaten men kan dessvärre inte undvikas.
TABELL 6.1: Korrelogram för förklarande variabler, ekvation 5.1.
LOG
S
LOG
1.000000
0.644263
0.335596 -0.081898
S
0.644263
1.000000
T
0.335596
0.068630
P
-0.081898 -0.012222 -0.054700
SE
0.937424
0.559766
T
P
SE
ZON1
ZON2
W
0.937424 -0.035678
0.259208
0.002491
0.203658
0.068630 -0.012222
0.559766
0.074370
0.069288
0.099115
0.091454
1.000000 -0.054700
0.283859
0.173455
0.228148
0.052394
0.027771
1.000000 -0.043255
0.001775
0.044685
0.125377 -0.039763
1.000000 -0.133227
0.335458
0.062261
0.283859 -0.043255
INFL
0.235342
INFL
1.000000 -0.039101 -0.081806 -0.023780
-0.035678
0.074370
0.173455
0.001775 -0.133227
ZON1
0.259208
0.069288
0.228148
0.044685
0.335458 -0.039101
1.000000
0.599822
0.020447
ZON2
0.002491
0.099115
0.052394
0.125377
0.062261 -0.081806
0.599822
1.000000
0.010351
W
0.203658
0.091454
0.027771 -0.039763
0.235342 -0.023780
0.020447
0.010351
1.000000
Ur tabell 6.1 kan utläsas att nästan perfekt kolinjäritet tycks föreligga mellan logaritmen av
initial BNP per capita och humankapitalet i ekvation 5.1. Detta kan tänkas rimligt om vi
påminner oss om diskussionen i avsnitt 4.4. där sambandet mellan humankapital och skolgång
29
fungerar åt båda hållen så att humankapitalet (mätt som utbildning) ökar då inkomsten ökar.
Länder med hög initial inkomst torde då uppvisa en större andel inskrivna i utbildning varför
utbildning kan vara en funktion av initial inkomst. För ekvation 5.2. erhålls följande
korrelationstabell:
TABELL 6.2: Korrelogram för förklarande variabler, ekvation 5.2.
LOG
LOG
I
T
P
SE
INFL
ZON1
ZON2
W
1.000000
0.728272
0.335596 -0.081898
0.937424 -0.035678
0.259208
0.002491
0.203658
I
0.728272
1.000000
0.424603 -0.137374
0.711315
0.134796
0.291022
0.003754
0.158330
T
0.335596
0.424603
1.000000 -0.054700
0.283859
0.173455
0.228148
0.052394
0.027771
P
-0.081898 -0.137374 -0.054700
1.000000 -0.043255
0.001775
0.044685
0.125377 -0.039763
SE
0.937424
0.711315
0.283859 -0.043255
1.000000 -0.133227
0.335458
0.062261
INFL
-0.035678
0.134796
0.173455
0.001775 -0.133227
ZON1
0.259208
0.291022
0.228148
0.044685
0.335458 -0.039101
1.000000
0.599822
0.020447
ZON2
0.002491
0.003754
0.052394
0.125377
0.062261 -0.081806
0.599822
1.000000
0.010351
W
0.203658
0.158330
0.027771 -0.039763
0.235342 -0.023780
0.020447
0.010351
1.000000
0.235342
1.000000 -0.039101 -0.081806 -0.023780
Detta korrelogram uppvisar, som förväntat, samma resultat som föregående. Investeringarna
uppvisar inte heller högre korrelation än 0,8 med någon förklarande variabel. Jag skattar en
regression i vilken förklarande variabel är logaritmen av initial BNP per capita för att närmare
utvärdera om och med vilken styrka utbildningen påverkas av denna variabel.
TABELL 6.3: Signifikanstest för korrelationen mellan logaritm av initial BNP/capita och humankapital
Dependent Variable: SE
Total panel (balanced) observations: 156
Variabel
Koefficient
Std. fel
t-statistika
Intercept
LOG
-88.81912
44.48277
4.255429
1.331409
-20.87196
33.41030
Förklaringsgrad, R2
Justerad R2
0.878764
0.877977
p-värde (F-statistika)
p-värde
0.0000
0.0000
0.000000
Tabell 6.3 illustrerar att koefficienten för initial BNP per capita är starkt signifikant och att
cirka 88 procent av variationen i antalet inskrivna i utbildning härrör från initial inkomst.
Detta är en relativt hög siffra. Variance Inflation Factor (VIF-test) kan ge information om hur
många gånger variansen i humankapitalet blåses upp av detta ömsesidiga beroende mellan
variablerna och beräknas som 1/(1-R2). (Gujarati, 2006: 375). Högre förklaringsgrad ger
därmed högre tal. I detta fallet blir siffran 8,33 vilket är förhållandevis högt. Jag väljer att
exkludera logaritmen av initial BNP per capita eftersom humankapital oftare än initial BNP
30
per capita anges som en avgörande faktor för en högre ekonomisk tillväxt och jag därför inte
vill exkludera denna. Modellerna blir då
(Eq. 6.1.)
samt
(Eq. 6.2.)
Detta är de två modeller som kommer att estimeras och utvärderas i EViews.
6.2 Hausman-test
Då N är stort och T är litet kan skillnaderna i det estimerade betavärdet vara avsevärda
beroende på om en fixed effects-modell eller en random effects-modell estimeras. Det är
alltså viktigt att använda datat så effektivt som möjligt när antalet observationer är litet. I ett
Hausman-test testas nollhypotesen att xit inte är korrelerad med ai mot hypotesen att så inte är
fallet. (Verbeek, 2005: s 368 f.). Efter estimering av en RE-modell beräknas W-statistikan
som under nollhypotesen följer en en chi-två-fördelning med antal beta (K-1) frihetsgrader
och både en RE- modell och en FE-modell är konsistenta, varför RE-modellen föredras då
antalet frihetsgrader är fler. (Hudson, John [u.å.]). Under H0 är modellerna likartade och bör
därmed alstra koefficienter som är likartade. Under alternativhypotesen är endast FEmodellen adekvat att skatta den ekonometriska modellen med givet det antagande om
stickprovets egenskaper som RE-modellen gör. En stor och signifikant Hausman-statistika
innebär därmed stora skillnader mellan RE-modellen och FE-modellen, vilket implicerar att
om nollhypotesen förkastas så är FE-modellen den optimala av dessa två modeller givet de
observationer som finns tillgängliga (STATA forum). Det tenderar dock att gälla att då antalet
tidsperioder (t) är litet i förhållande till antalet individer (i) i stickprovet så är RE-modellen
det adekvatare sättet att skatta den ekonometriska modellen med. (Kunst, 2009: s 6). Ett
Hausman-test påvisar följande resultat för de två modellerna:
31
TABELL 6.4: Resultat av Hausman-test för ekvation 6.1. och 6.2.
MODELL
Chi-tvåstatistika
Antal χ2frihetsgrader
p-värde
Sparande
30,60
10
0,0007
Investeringar
34,77
10
0,0001
”Modell” anger om regressionen har skattats med investeringar eller sparande som en av de
förklarande variablerna. I tabell 6.4 kan vi observera att p-värdet för W-statistikan vida
understiger 0,05 för båda modeller, varmed nollhypotesen förkastas och slutsatsen dras att
skillnaden mellan FE-modellen och RE-modellen är tillräckligt påtaglig och att modellen bör
estimeras med FE. Intuitivt kan även FE-modellen motiveras med att länderna i respektive
regioner faktiskt inte är ett godtyckligt stickprov med individer ur en stor population utan hela
populationen (exklusive de länder som utgår) för sin region, samt att variationen mellan dem
beror på inre faktorer.
6.3 Likelihood-ratio test (LR-test)
Jag utför även ett likelihood-ratio-test med tidsdummy för modellerna, om än med FE för
båda. Om p-värdet för F-värdet understiger α förkastas nollhypotesen att effekterna inte är
signifikanta, egentligen att de är överflödiga (EViews 7 User Guide II: s 672 ff.). Testet ger
mig dels en eventuell bekräftelse av Hausman-testet, dels en andra inblick i hur modellen med
investeringar bör skattas, samt en inblick i om tidsdummy förbättrar modellernas passform.
TABELL 6.5: LR-test med FE inklusive tidsdummy, för ekvation 6.1.
Redundant Fixed Effects Tests
Equation: 6.1.
Test cross-section and period fixed effects
Effects Test
Cross-section F
Cross-section Chi-square
Period F
Period Chi-square
Cross-Section/Period F
Cross-Section/Period Chi-square
Statistic
2.295782
73.845951
2.503561
9.053185
2.387384
79.402524
32
d.f.
Prob.
(27,44)
27
(2,44)
2
(29,44)
29
0.0069
0.0000
0.0934
0.0108
0.0045
0.0000
TABELL 6.6: LR-test med FE inklusive tidsdummy, för ekvation 6.2.
Redundant Fixed Effects Tests
Equation: 6.2.
Test cross-section and period fixed effects
Effects Test
Cross-section F
Cross-section Chi-square
Period F
Period Chi-square
Cross-Section/Period F
Cross-Section/Period Chi-square
Statistic
2.405558
76.162793
3.552122
12.572943
2.519491
82.197505
d.f.
Prob.
(27,44)
27
(2,44)
2
(29,44)
29
0.0047
0.0000
0.0371
0.0019
0.0028
0.0000
I tabeller 6,5–6,6 kan vi också observera att FE-modeller är det adekvata sättet att skatta
regressionen med för båda modeller. Tidsdummyn uppvisar också signifikans i kombination
med tvärsnittseffekter (det vill säga individuella intercept) varför det kan vara en idé att
inkludera även denna.
6.4. Normalitet och heteroskedasticitet
Ett antagande vi gör om residualerna i en modell är att de är normalfördelade. Om antagandet
om normalitet bryts kan vi inte utföra adekvat inferens. Med ett Jarque-Bera-test testas
nollhypotesen att residualerna är normalfördelade mot hypotesen att så inte är fallet. (Gujarati,
2006: s 192). Om p-värdet är mindre än 0,05 förkastas antagandet om normalitet. I appendix
A2 återfinns dessa normalitetstest som indikerar att residualerna inte är normalfördelade för
varken Eq. 6.1. eller Eq. 6.2. H0: homoskedasticitet förkastas även på en enprocentig
signifikansnivå (som påvisas av p-värdet om 0,0000 för JB-statistikan).
Vi kan inte heller utföra korrekt inferens om heteroskedastcitet föreligger i datat, det vill säga
variansen inte är densamma för alla observationer. (Verbeek, 2008: s 88 ff.) Att testa för
heteroskedasticitet kan göras via ett Whites test (New York University), men dessvärre är
detta inte möjligt för denna regression eftersom observationerna är för få. Heteroskedasticitet
är dock troligt att observera i paneldata (Westbrook, 2003: s 18) samt observerbart i
residualerna för modellen (vilka dock inte presenteras här). Jag skattar därför modellen med
EGLS. Figurer 6.1–6.2. illustrerar residualernas fördelning efter skattningen.
33
FIGUR 6.1: Normalitetstest för Eq. 6.1. efter skattning med EGLS
Jarque-Bera-test för normalitet
10
Eq. 6.1
Sample 1995 2005
Observations 111
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-4.40e-17
-0.012330
3.032402
-2.843283
1.511892
0.084487
1.908513
Jarque-Bera
Probability
5.642022
0.059546
0
-3
-2
-1
0
1
2
3
FIGUR 6.2. Normalitetstest för Eq. 6.2. efter skattning med EGLS
12
Series: Standardized Residuals
Sample 1995 2005
Observations 111
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
2.60e-17
0.161855
3.410540
-2.767956
1.443337
0.029391
2.096270
Jarque-Bera
Probability
3.793348
0.150067
0
-3
-2
-1
0
1
2
3
Figur 6.1. och 6.2. belyser att residualerna efter skattning med EGLS är normalfördelade för
båda ekvationer, samt att outliers förekommer (se nedan). I figur 6.2. är detta extra tydligt.
Slutsatsen är dock svag för ekvation 6.1.
6.5 Outliers
Ett problem som kan uppstå vid estimering av en modell är att enstaka observationer avviker
så mycket från övriga att resultaten av en regression och den efterföljande inferens inte är
tillförlitliga. Resultaten i regressionen kan då bero på endast ett fåtal observationer. Detta
problem uppstår eftersom OLS-estimatorns intercept och lutning är känsliga för observationer
som ligger långt från den sanna regressionslinjen (Notre Dame University). Observationer
som avviker så mycket från övriga att inferensen inte blir tillförlitlig kallas i litteraturen för
outliers. Mig veterligen finns ingen adekvat översättning till svenska varför jag använder mig
av det engelska begreppet.
34
En plot av de genomsnittliga tillväxttakterna för perioden 1991-2005 ger information om
inom vilket intervall tillväxttakten är fördelad för de olika länderna i Afrika söder om Sahara
och Västeuropa samt vilka, om några, länder som avviker från detta mönster.
FIGUR 6.1: Genomsnittlig tillväxt för länderna i Afrika under perioden 1991-2005
I figur 6.1 (ovan) har plottats ländernas i Afrika söder om Saharas genomsnittliga tillväxttakt
för perioden 1991-2005. Vi kan observera att tillväxttakterna rör sig inom intervallet -5 till +5
procent för merparten av länderna. Endast två observationer avviker från detta mönster:
Demokratiska Republiken Kongo (DRK) och Ekvatorialguinea (som har haft en genomsnittlig
tjugoprocentig tillväxt under perioden). DRK avviker dock inte avsevärt från övriga
observationer varför landet inkluderas till skillnad från Ekvatorialguinea som utesluts i ett
första steg.
FIGUR 6.2: Genomsnittlig tillväxt för länderna i Västeuropa under perioden 1991-2005
För de flesta länderna i Västeuropa gäller att tillväxten under perioden 1991-2005 har legat
inom intervallet en till cirka tre procent (figur 6.2 ovan). En klart avvikande observation är
Irland vars tillväxt överstiger fem procent för perioden. Även Schweiz tillväxt avviker,
understigandes en procent, men då denna avvikelse är förhållandevis liten utesluts inte
Schweiz ur regressionen emedan Irland utesluts. Uteslutandet av Irland medför att även
Storbritannien utesluts, då landet till följd därav inte angränsar till något västeuropeiskt land.
35
I ett andra steg skattar jag ekvationerna såsom påvisats av Hausman-testet, och undersöker
residualerna
för
regressionerna.
Även
om
jag
inte
tror
att
det
är
i
just
sparandet/investeringarna som de största avvikelserna återfinns väljer jag att göra på detta sätt
för att försäkra mig om att resultaten inte skiljer sig för modellerna. En boxplot är en bra
indikator för outliers eftersom den anger vilka observationer som avviker mest från övriga.
Boxploterna (figurer 6.3 och 6.4) uppvisar att vissa perioder är outliers i vissa länder men
anger inte vilka länder som respektive outlier tillhör, varför jag även undersökt tabeller över
numeriska värden för residualerna för alla länder och uteslutit de som enligt boxploten
uppvisar outliers i någon period. Dessa återfinns i Appendix A2, tabell A1 och är markerade
med fetstilt. De länder med observationer som är lika med eller mer än minsta negativa
avvikelse samt minsta positiva avvikelse har uteslutits.
FIGUR 6.3: Boxplot för residualerna i ekvation 6.1.
Ekvation 6.1. - Fixed Effects
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
Minsta positiva avvikelse: +3,1
Minsta negativa avvikelse: -3,2
FIGUR 6.4: Boxplot för residualerna i ekvation 6.2.
Ekvation 6.2. - Fixed Effects
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
Minsta positiva avvikelse: +4,5
Minsta negativa avvikelse: -3,3
För båda regressioner exkluderas därmed Angola, Guinea Bissau, Sierra Leone, Tchad samt
Demokratiska Republiken Kongo. De exkluderas dock inte ur omgivningens tillväxt eftersom
jag undersökte detta ovan och inte fann så stora avvikelser. Eftersom samma länder inte
längre ingår i regressionen kan det vara en idé att göra om Likelihood-Ratio-testet och
Hausman-testet. När ekvationerna nu skattas med RE-modellen uppvisar de dels låg DurbinWatson-statistika (1,87 för ekvation 6.1. och 1,8 för ekvation 6.2.), dels låg justerad
förklaringsgrad (cirka 30 procent för båda modeller). Detta indikerar autokorrelation och dålig
36
passform. FE-modellerna uppvisar däremot Durbin-Watson-statistika som överstiger 2,5 för
båda ekvationer samt en justerad förklaringsgrad om cirka 87 procent för ekvation 6.1. och 93
procent för ekvation 6.2. Givet dessa resultat samt diskussionen om fixed effects i stycket
ovan estimerar jag modellerna med fixed effects.
En ny boxplot uppvisar dessvärre förekomsten av nya outliers i datat. Intervallet som
residualerna rör sig inom sjunker dock jämfört med figurer 6.3 och 6.4, men nya outliers kan
påträffas. Ett Jarque-Bera-test påvisar dock normalitet i residualerna redan efter första urvalet
(med förhållandevis högt p-värde) och framförallt små intervall i boxploten och
histogrammen varför jag lämnar det därhän. Resultatens tillförlitlighet sjunker förvisso med
alldeles för stora avvikelser, men även med antalet länder som exkluderas.
37
7. Resultat och analys
I avsnitt 6 användes diverse test varigenom den optimala ekonometriska modellen härleddes
givet de observationer som finns tillgängliga. I avsnitt 7 presenteras de resultat som erhållits
ur skattningarna samt en analys av dessa resultat. Avsnittet inleds med resultat och analys för
de olika modeller som skattats. Därefter följer en diskussion kring eventuella förbättringar
som hade kunnat infogas i modellen samt problematiken kring dessa.
7.1 Resultat och analys av skattningarna
Nedan redogörs för resultaten av de skattningar som gjorts i Eviews för de modeller som
ställts upp. Jag rapporterar endast de variabler som är kopplade till omgivning och tillväxt.
För exakta resultat hänvisar jag till Appendix A3 och A4.
Beroende variabel är i skattningarna genomsnittlig femårig tillväxt i BNP per capita. Metoden
är som tidigare Panel EGLS, det vill säga en estimering korrigerad för heteroskedasticitet. Jag
har korrigerat med White cross-section weights.
7.1.1 FE-modellerna exklusive tidsdummy
Tabellen nedan redogör för skattningarna exklusive tidsdummy. Den vänstra kolumnen är
resultaten för ekvation 6.1., estimeringen som inkluderar sparande som förklarande variabel.
Den högra kolumnen anger resultaten för ekvation 6.2, ekvationen som inkluderar
investeringar som förklarande variabel.
38
TABELL 7.1: Resultat av skattningar för Eq. 6.1. och Eq. 6.2.
Sparande
Beta
Variabel
(se)
-0.354768
(0.136166)
-0.610088
(0.119859)
0.786881
(0.204577)
0.292631
(0.061175)
-2.15E-05
(1.44E-05)
IV 1
IV 2
Zon 1
Zon 2
Världen
DW-statistika
Justerad
R2
SSE
t-värde
Investeringar
p-värde
Beta
(t-värde)
(se)
-2.605414
0.0118
-5.090067
0.0000
3.846382
0.0003
4.783514
0.0000
-1.494228
0.1409
t-värde
-0.271884
(0.132031)
-0.558148
(0.132990)
0.625139
(0.210650)
0.304331
(0.056794)
-4.12E-05
(2.06E-05)
p-värde
(t-värde)
-2.059250
0.0443
-4.196903
0.0001
2.967669
0.0045
5.358504
0.0000
-2.002913
0.0502
2,67
2,72
0,97
0,94
64,78
64,81
TABELL 7.2: Resultat av skattningar exklusive insignifikanta variabler
Sparande
Variabel
Beta
(se)
IV 1
IV 2
Zon 1
Zon 2
-0.366226
(0.096287)
-0.691575
(0.111815)
0.839581
(0.149062)
0.292631
(0.053522)
t-värde
Investeringar
p-värde
Beta
(t-värde)
(se)
-3.803492
0.0003
-6.185022
0.0000
5.632437
0.0000
5.565496
0.0000
-0.366226
(0.096287)
-0.691575
(0.111815)
0.839581
(0.149062)
0.292631
(0.053522)
t-värde
p-värde
(t-värde)
-3.803492
0.0003
-6.185022
0.0000
5.632437
0.0000
5.565496
0.0000
DW-statistika
2,65
2,65
Justerad R2
0,99
0,99
SSE
66,34
66,34
Resultaten som erhålls ur ekvationerna skiljer sig inte mycket åt mellan modellerna. Varken
sparande, investeringar, handel, världens tillväxt i BNP per capita eller humankapital uppvisar
signifikans i någon av modellerna, samtidigt som R2 är högt (för exakta resultat se Appendix
A3, tabell A2 och A4). Detta är inte konsistent med ekonomisk teori. Övriga variabler är dock
signifikanta. Om insignifikanta variabler exkluderas kvarstår sambandet för båda modeller
som då ser likadana ut. Enligt tabellen uppvisar interaktionsvariabel 1, handel multiplicerat
med tillväxten i zon 1, negativ signifikans. En ökning i handel eller tillväxten i zon 1 med en
procentenhet över en femårsperiod medför i det enskilda landet en tillväxtminskning med 0,35
39
procentenheter respektive 0,27 procentenheter (0,37 för båda modeller efter exkluderande av
insignifikanta variabler). Siffran kan tänkas vara lägre i verkligheten, men en tänkbar
anledning till att negativa samband uppvisas är att länder, då inkomsterna ökar, också handlar
mer med länder på längre avstånd bland annat eftersom transportkostnaderna blir mindre
betungande. De direkt angränsande länderna börjar kanske söka sig utåt mot en vidare
omgivning varför handeln med direkt angränsande länder sjunker så att en ökad tillväxt i zon
1 föranleder en negativ effekt för den egna tillväxten, vilket i modellen illustreras med en
negativ koefficient. Alternativt kan tänkas att länder som upplever en minskad inkomst eller
tillväxt börjar handla mer med den närliggande omgivningen vilket i modellen illustreras av
att tillväxten i zon 1 kombinerat med handel har en negativ effekt på den egna tillväxten.
Vi kan också observera att interaktionsvariabel 2, dummyvariabel som antar värdet 1 för SSA
multiplicerat med tillväxten i zon 1, antar negativ signifikans. För det enskilda landet innebär
det att om de direkt angränsande länderna befinner sig i Afrika söder om Sahara (det vill säga
de direkt angränsande länderna är afrikanska) så sänker det den egna tillväxten med 0,61
(0,69) respektive 0,55 (0,69) procentenheter över en femårsperiod jämfört med Västeuropa.
Även denna siffra är förhållandevis hög. Även om detta kan tyckas ekonomiska orimligt och
kan vara ett resultat av det begränsade antalet observationer illustrerar en negativ siffra de
ekonomisk-geografiska svårigheter som länder i Afrika söder om Sahara upplever. Trots de
många integrationsprojekt som länderna är involverade i är enligt tabellen Afrika fortfarande
utsatt på grund av att regionen är just Afrika. En tänkbar anledning kan vara att länderna i
Västeuropa är mer homogena i fråga om religion och etnisk mångfald än vad länderna i
Afrika söder om Sahara är, varför färre konflikter upplevs. En annan anledning kan vara att
länderna behöver effektivare samverkan i fråga om monetär samordning och minskade tullar
för
att
dessa
skillnader
gentemot
den
industrialiserade
världen
ska
sjunka.
Resultaten i tabellen ovan stödjer idén att beroendet av grannländerna i regionen avtar med
avståndet. Effekten av omgivningen är i båda modellerna stark, men mer än dubbelt så stark
för zon 1 än zon 2 (resten av regionen exklusive de direkt angränsande länderna). Då
tillväxten i zon 1 ökar med en procentenhet ökar tillväxten i det enskilda landet med 0,62
procentenheter. För zon 2 är effekten svagare, och för världen som helhet uppvisas ingen
signifikans (men nästan i modellen som inkluderar investeringar). Skillnaden mellan zon 1
40
och zon 2 ökar då insignifikanta variabler exkluderas. Återigen bör tillförlitligheten i
skattningarna och det begränsade antalet observationer nämnas.
De preliminära resultaten indikerar att ett närmare samarbete med omgivningen, framförallt
den närliggande, är viktig för länderna och speciellt för Afrika som lider av
samarbetssvårigheter som kontinent, eftersom det enskilda landets tillväxt beror till viss del av
omgivningens tillväxt. Även om vi bortser från att vissa förklarande variabler är beroende av
varandra (IV 1, IV2 och tillväxten i zon 1) så är zon 2 fortfarande starkt signifikant och
förhållandevis hög med tanke på att siffrorna beräknats i procent.
Resultaten är också konsistenta med både Easterly & Levine (1997) och Sachs & Warner
(1997), i det att regionen tycks spela en signifikant roll för tillväxten emedan endast den
direktangränsande omgivningen inte gör det.
7.1.2. FE-modellerna inklusive tidsdummy
Ett sätt att testa om regressionen är robust är att införa tidsdummyvariabler. Dessa går inte att
estimera med EGLS varför de skattas med Whites cross-section standard errors & covariance.
För exakta resultat för alla variabler hänvisas till tabell A6 och A8 i Appendix A4, men
resultaten för de omvärldsrelaterade som erhålls blir då följande (tabell 7.3. och 7.4 nästa
sida):
TABELL 7.3: Resultat av skattningar för Eq. 6.1. och Eq. 6.2.
Sparande
Variabel
Beta
(se)
IV 1
IV 2
Zon 1
Zon 2
Världen
-0.397694
(0.097585)
-0.121426
(0.012912)
0.149424
(0.170165)
0.480075
(0.069439)
-5.70E-05
(2.75E-05)
t-värde
Investeringar
p-värde
Beta
(t-värde)
(se)
-4.075376
0.0002
-9.403845
0.0000
0.878112
0.3839
6.913642
0.0000
-2.074467
0.0430
-0.291676
(0.101296)
-0.051396
(0.010793)
0.027317
(0.144938)
0.511342
(0.072326)
-7.84E-05
(2.69E-05)
t-värde
(t-värde)
-2.879430
0.0058
-4.761950
0.0000
0.188476
0.8512
7.069990
0.0000
-2.912017
0.0053
DW-statistika
2,47
2,48
Justerad R2
0,66
0,68
SSE
62,58
60,17
41
p-värde
TABELL 7.4: Resultat av skattningar exklusive insignifikanta variabler
Sparande
Variabel
Beta
(se)
IV 1
Zon 2
Världen
-0.444806
(0.145258)
0.459143
(0.069248)
-6.05E-05
(1.92E-05)
Investeringar
p-värde
Beta
(t-värde)
(se)
-3.062186
0.0029
—
6.630410
0.0000
-3.145320
0.0023
t-värde
0.313568
(0.084286)
-3.96E-05
(9.22E-05)
t-värde
(t-värde)
—
—
3.720267
0.0003
-4.299248
0.0000
DW-statistika
2,08
1,99
Justerad R2
0,41
0,38
275,29
294,19
SSE
p-värde
Ur tabellen kan utläsas att alla omvärldsrelaterade variabler i undersökningen vid en första
anblick är signifikanta då det kontrolleras för tidseffekter. Då de insignifikanta variablerna
exkluderas är det endast interaktionsvariabel 1 (-0,44 och endast för ekvation 6.2.), tillväxten i
zon 2 (0,45 respektive 0,31) samt världens tillväxt (-0,000061 samt -0,00004) som är
signifikanta på en femprocentsnivå. Detta är inte så underligt eftersom IV2 och zon 1 är
funktioner av varandra. Resultaten för modell ”sparande” är konsistenta med Bleany &
Castilleja-Vargas i det att införandet av tidsdummy medför att den handelsrelaterade variabeln
handel multiplicerat med tillväxt i zon 1 inte längre är signifikant, vilket antyder att denna
variabel samvarierar med tidsrelaterade faktorer såsom konjunkturen. Summan av de
kvadrerade residualerna är dock är mycket högre vilket indikerar sämre passform. Detta
indikeras även av den mycket lägre förklaringsgraden, cirka 0,66 respektive 0,68 procent
vilket innebär att modellen förklarar mindre av variationen i tillväxten än vad som kunde
utläsas då ingen hänsyn till tidseffekter togs. Även DW-statistikan sjunker vilket tyder på
eventuell autokorrelation. Sammantaget överensstämmer denna modell bättre med vad vi kan
förvänta oss av verkligheten, och antyder problematisk multikolinjäritet i tabell 7.1.
Tillväxten i direkt angränsande länder är inte längre signifikant då det kontrolleras för tiden.
En variabel som dock fortfarande är signifikant är tillväxten i zon 2, som uppvisar något
större värde på koefficienten. Då tillväxten i regionen ökar, så ökar därmed det enskilda
landets tillväxt med 0,45 procentenheter över en femårsperiod för modellen som inkluderar
sparande. Denna variabel är för övrigt positivt signifikant i alla skattningar. Trots att siffrorna
kan verka orimliga emellanåt, så tycks sammantaget regional tillväxt ha inverkan på tillväxten
42
i enskilda länder. Detsamma gäller interaktionsvariabeln i regressionen som inkluderar
sparande, varför resultatet förvisso kan sägas vara oklart men det kan även med försiktighet
anas att handeln med zon 1 trots allt inverkar negativt på det enskilda landets tillväxt (eller
snarare omvänt – se avsnitt 7.1.1). Samtidigt indikeras även att det kanske krävs att hela
regionen ingår i ett gemensamt samarbete för att effekterna ska vara märkbara på tillväxten,
givet att endast zon 2 är signifikant. Då blir betydelsen av regionala samverkansprojekt desto
mer betonad.
För världen som omgivning innebär resultaten ovan att då tillväxten i världen ökar med en
procentenhet, så sjunker det enskilda landets ekonomiska tillväxt med 0,000061
procentenheter respektive 0,0000396 procentenheter över en femårsperiod. Den negativa
signifikansen kan svårligen förklaras, men en tänkbar förklaring är att vissa länder uppvisar
tillväxt på bekostnad av andra länder. Detta är ofta ett omdebatterat ämne inom bland annat
globaliseringsprocessen. Det som kan observeras är att regionen har en starkare inverkan på
tillväxten än världens tillväxt, vilket kan vara en implikation att beroendet trots allt avtar med
avstånd. Det kan också observeras att tillväxten i zon 2 har en svagare inverkan på tillväxten
då interaktionsvariabel 1 också exkluderas, om vi jämför modellerna i tabell 7.4. Gemensamt
tycks variablerna alltså vara svagare funktioner av varandra vilket är en ytterligare indikator
på att regional tillväxt inverkar på det enskilda landets tillväxt. Hur det går för regionen
avspeglas i den egna tillväxten och grannländernas tillväxt.
Det verkar även som att det föreligger skillnader mellan länderna i Afrika söder om Sahara
och länderna i Västeuropa. Länderna i Västeuropa tycks ha en fördelaktigare egen utveckling
av de direkta grannländernas utveckling, vilket fångas upp av den negativa koefficienten för
interaktionsvariabel 2 (som innebär att länder placerade i Afrika söder om Sahara har en
negativare utveckling i förhållande till länderna i Västeuropa med avseende på grannländernas
tillväxt). Koefficienten implicerar att en ökning i tillväxten för de närmsta grannländerna i
Afrika leder till en minskning i det enskilda landets tillväxt jämfört med Västeuropa. Det är
inte orimligt att tänka sig att eftersom tillväxten i zon 2 är signifikant i alla skattningar så
innebär det att sambandet gäller för regionen som helhet även om tillväxten i enbart zon 1
samvarierar med tiden. Det indikerar även att samarbetsprojekten bör sträcka sig till regional
nivå, eftersom hela regionen är signifikant.
43
Sammantaget tycks trots allt omgivning och tillväxt uppvisa ett samband. Regionala
integrationsprojekt är därmed ytterst viktiga, speciellt för länderna i Afrika söder om Sahara
för vilka en högre tillväxt är nödvändig så att milleniemålen skall kunna uppnås och länderna
någonsin skall kunna komma ikapp de industrialiserade länderna.
7.2. Nackdelar med modellen
I denna undersökning har jag, i valet mellan att inkludera fler länder eller fler tidsperioder,
valt att inkludera fler länder snarare än tidsperioder vilket har lett till färre frihetsgrader. Jag
har fokuserat på 1990-talet och framåt dels då jag inte har funnit undersökningar som har gjort
detta, och dels då datat för åren tidigare än 1990-talet är mer bristfällig och innebär, enligt den
sortens undersökning som jag har valt att utföra, att för många länder utesluts. Givetvis kan
därmed antalet frihetsgrader bli något som bör has i åtanke vid jämförelse med tidigare
undersökningars resultat. Samtidigt medför fler länder i sig självt fler tidsperioder, närmare
bestämt antal fler länder gånger antal tidsperioder men vid införande av dummyvariabler blir
detta en belastning. Begränsningen i tidsperioder har också begränsat möjligheten att testa
alla
möjliga
för
undersökningen
relevanta
variabler.
Till
exempel
hade
fler
interaktionsvariabler med dummyvariabler inneburit att resultaten inte längre är tillförlitliga
eftersom antalet observationer är för litet för att kunna utföra inferens. Hur variablerna
beräknas har givetvis också en inverkan på vilka regressionsresultat som erhålls. Resultaten
för till exempel humankapitalets inverkan på tillväxten hade kanske skilt sig från de erhållna
om en annan variabel, såsom antal år i skolan, hade använts. Då denna analys huvudfokus inte
ligger på humankapitalet estimeras inte en sådan regression här. En annan sak som bör has i
åtanke vid analys är att för de flesta variabler görs ingen åtskillnad mellan om ett enskilt land
ligger i Västeuropa eller Afrika söder om Sahara. Då förutsättningarna för länderna ofta
varierar kan andra resultat för signifikans av olika variabler erhållas om för alla variabler
hänsyn till placering tas för länderna.
Ett sätt som modellen eventuellt hade kunnat förbättras på är om en djupare analys gjordes av
enskilda länder så att de enskilda länderna i en given inomregional zon testades med samma
variabler som inkluderats i de modeller som jag har estimerat. Detta kan vara relevant
eftersom det förekommer intraregionala skillnader inom regionerna, i Afrika söder om Sahara
större sådana än i Västeuropa. Problemet är dock att för tidsperioden 1991-2005 blir antalet
44
frihetsgrader i sådana fall färre, vilket kan medföra icke-robusta regressionsresultat.
Ytterligare test hade kunnat kontrollera för det faktum att skillnader föreligger mellan länder
som ingår i någon form av monetärt eller direkt politiskt samarbete med grannländer eller
andra länder i världen och länder som inte gör det, genom exempelvis dummyvariabler.
Att lagga omgivningens tillväxt med en period eller två är ett ytterligare sätt att fördjupa
analysen på, då en tillväxtökning i omgivningen under en period precis som andra förklarande
variabler kan uppvisa samband vid ett senare tillfälle. I denna modell är detta inte möjligt
eftersom det implicerar att kortare genomsnitt hade behövt beräknas, vilket leder till problem
med icke-stationäritet och integration av olika ordning i variablerna som i förlängningen
innebär att de inte kan estimeras i en och samma regression. Konjunkturseffekter försvinner
inte heller om modellen estimeras på detta sätt, samtidigt som effekter av olika ekonomiska
förändringar behöver några år på sig att ha genomslagskraft på tillväxten (en ökning i antalet
inskrivna i utbildning har till exempel ingen eller till och med negativ initial inverkan på
tillväxten eftersom mängden arbetskraft sjunker). Givet de resultat som erhållits för världens
tillväxt kan en relevant analys också vara om inte vissa länder i vissa regioner i världen
uppvisar tillväxt på bekostnad av andra länder.
45
8. Sammanfattning och slutsats
I Afrika söder om Sahara befinner sig världens fattigaste länder. Det finns många förklaringar
till varför det förhåller sig på detta sätt. Kontrasten mot Västeuropa, som under flera hundra år
varit ett av de områdena med den ekonomiskt ledande ställningen i världen, är stor. Att ta med
alla tänkbara orsaker till tillväxt i en och samma ekonometriska modell är varken möjligt eller
effektivt. I denna studie har undersökts om omgivning och tillväxt är korrelerade med
varandra för enskilda länder i Afrika söder om Sahara och Västeuropa. Resultaten indikerar
att det föreligger ett beroende mellan enskilda länder och den region de befinner sig i
(egentligen om ländernas grannländer är afrikanska eller västeuropeiska), men att direkt
angränsande länders effekt på tillväxten är oklar och även huruvida det föreligger skillnader
mellan länder i Västeuropa och länder i Afrika söder om Sahara i det avseendet. Samtidigt
tycks finnas svagare indikatorer på att det de facto förhåller sig så. Världens tillväxt tycks
uppvisa viss signifikans för enskilda länders tillväxt. Sammantaget är därmed de regionala
samarbetsprojekten viktiga för länderna för en ökad möjlighet att ta sig ur det dåliga
ekonomiska tillstånd som många av dem befinner sig i. En implikation för vidare forskning är
en fördjupad analys för att utvärdera om ökad inkomst i själva verket leder till minskat
beroende, vilket är en ytterligare anledning till att samarbetsprojekten för låginkomstländerna
är ytterst viktiga, och varför länderna i sådana fall uppvisar ett sådant mönster. En annan
implikation för vidare forskning är att utvärdera exakt vilka regioner som står för ett
eventuellt beroende samt varför det förhåller sig på detta sätt. Därmed kan omvärldsrelaterade
projekt inriktas lättare. Detta är speciellt viktigt för Afrika som har mer begränsade
ekonomiska resurser att agera med än Västeuropa.
46
9. Referenser
9.1. TRYCKTA
Acharya, Ram C. & Keller, Wolfgang (2008) Estimating the Productivity Selection and
Technology Spillover Effects from Imports, Colorado University
Ades, Alberto & Chua, Hak B. (1997) Thy Neighbor’s Curse: Regional Instability and
Economic Growth. Journal of Economic Growth, 2: pp. 279-304
Barro, Robert J. (1991) Economic Growth in a Cross Section of Countries. The Quarterly
Journal of Economics Vol 106, No 2: pp. 407-443
Barro, Robert J. (1995) Inflation and Economic Growth. NBER Working Paper Nr. 5326
Bleany, Michael & Castilleja-Vargas, Liliana (2007) Regional growth patterns and growth
contagion. Journal of Economic Studies Vol 34, No 1: pp. 4-12
Burdekin et al. (2000) When Does Inflation Hurt Economic Growth? – Different
Nonlinearities for Different Economies. Claremont Colleges Working Paper in Economics
[u.o.]
Chambers, Matthew S. [u.å.] Using Indicator and Interaction Variables Towson University,
Maryland
Ciccone, Antonio & Jarocinski, Marek (2008) Determinants of Economic Growth: Will data
tell? ECB Working Paper Series, European Central Bank [u.o.]
Erixon, Lennart (2002) Nationalekonomins syn på tillväxtens bestämningsfaktorer.
Nationalekonomiska Institutionen, Stockholms Universitet
Fougère, Denis & Kramarz, Francis [u.å.] The linear panel data model with fixed effects.
Applied Econometrics – 4th session, École Polytechnique, Frankrike
Garita, Gus & van Marrewijk, Charles (2008) Countries of a feather flock together.
Timbergen Institute Working Paper TI 2008-067/2, Amsterdam
Geda, Alemayehu & Kibret, Haile (2002) Regional Economic Integration in Africa: A Review
of Problems and Prospects with a Case Study of COMESA [u.o]
Gujarati, Damodar N. Essentials of Econometrics 3:e uppl International Edition. McGraw
Hill, New York
Hudson, John [u.å.] Panel Data University of Bath, Storbritannien
Iapadre, Lelio & Luchetti, Francesca (2010) Trade Regionalisation and Openness in Africa.
EUI Working Paper RSCAS 2010/54
47
Jones, Charles I. (2002) Introduction to Economic Growth. 2:a uppl. W.W. Norton &
Company, Inc. USA
Kommerskollegium (2009:5) Globala handelsmönster. Stockholm
Keeley, Brian (2007) Human Capital. How what you know shapes your life. OECD
Publishing [u.o.]
Kunst, Robert M. (2009) Econometric Methods for Panel Data – Part II. University of
Vienna, Wien
Lindbeck, Assar [u.å.] Svensk ekonomisk tillväxt i internationellt perspektiv. Studentlitteratur
[u.o.]
Metzger, Martina (2008) Regional cooperation and integration in Sub-Saharan Africa. United
Nations Conference on Trade and Development discussion paper Nr. 189
Ofodile, Adora (2001) The impact of ethnic diversity on economic growth: the case of African
countries Duke University, Durham NC
Price-Smith, Andrew & Tauber, Steve (2007) The Globalization of Disease: Implications for
Human Capital Consolidation and Endogenous Sustainable Development. Global Health
Governance, Vol. 1, NO. 2
Regional Surveys of the World (2003) Western Europe. 5:e uppl. Europa Publishing Ltd.,
London
Roberts, Mark & Deichman, Uwe (2009) International Growth Spillovers, Geography and
Infrastructure. World Bank Policy Research Paper Nr. 5153
Sachs, Jeffrey D. & Warner, Andrew M (1997) Sources of Slow Growth in African
Economies. Journal of African Economies Volume 6, Number 3: pp. 335-376
Sala-i-Martin, Xavier X. (1997) I just ran four million regressions NBER Working Paper Nr.
6252
UN Economic Comission for Africa (1999) The ECA and Africa: Accelerating a Continent’s
Development ECA Publications
Sveriges Riksbank (2005) Vad gör riksbanken?
Verbeek, Marno (2004) A guide to modern econometrics, 2:a uppl. John Wiley & Sons, Ltd.
England
Westbrook, Daniel M (2003) Introduction to EViews [u.o.]
Westerlund, Joakim (2005) Introduktion till ekonometri. Studentlitteratur [u.o.]
48
Manual:
EViews 7 User Guide II
9.2. INTERNET
(datum för senaste besök anges inom parentes enligt ÅÅÅÅ-MM-DD om inte annat anges)
Afrikagruppernas hemsida (2010-07-17):
http://www.afrikagrupperna.se/srhr-kampanjen/hiv-situationen-i-soedra-afrika
Amnesty Press hemsida (2010-07-17):
http://www2.amnesty.se/andranyheter.nsf/0/c0c4e7fffae27555c1256ed80033bb9b?OpenDocu
ment
Europa:s hemsida (2010-08-23):
http://europa.eu/scadplus/glossary/eu_pillars_sv.htm
FN:s hemsida (2010-08-22):
http://www.un.org/Depts/rcnyo/newsletter/nl10/survey.htm
Food and Agriculture Organization of the UN, FOA (2010-08-22):
http://www.fao.org/docrep/004/y4793e/y4793e0a.htm
New York Universitys hemsida (2010-08-27)
http://www.nyu.edu/its/pubs/connect/fall03/yaffee_primer.html
Notre Dame Universitys hemsida (2010-07-17):
http://www.nd.edu/~rwilliam/stats2/l24.pdf
OECD:s hemsida (2010-07-17):
http://www.oecd.org/document/63/0,3343,en_21571361_43893445_44566335_1_1_1_1,00.ht
ml
Om Organization of African Unity (2010-07-17):
http://actrav.itcilo.org/actravenglish/telearn/global/ilo/law/oau.htm#Establishmentandmembers
49
Republic of South Africa’s hemsida (2010-07-17):
http://www.dfa.gov.za/foreign/Multilateral/africa/oau.htm
SIDA:s hemsida (2010-07-17):
http://www.sida.se/Svenska/Lander--regioner/Afrika/Regionalt-Samarbete/Utvecklingen-iAfrika/
STATA:s forum (2010-07-24):
http://www.stata.com/statalist/archive/2003-09/msg00595.html
Sveriges Riksdag (2010-07-20):
http://www.eu-upplysningen.se/Amnesomraden/Fri-rorlighet/
UCLA Center for Asian and Eurasian Studies (2010-08-10):
http://www.international.ucla.edu/euro/countries/westeurope/index.asp
DATA:
World Development Indicators databas:
http://data.worldbank.org/data-catalog
Penn World Tables:
Alan Heston, Robert Summers and Bettina Aten, Penn World Table Version 6.3, Center for
International Comparisons of Production, Income and Prices at the University of
Pennsylvania, August 2009.
http://pwt.econ.upenn.edu/php_site/pwt63/pwt63_form.php
50
Appendix A1: Länder och koder4
SSA
LAND
KOD
LAND
KOD
LAND
KOD
Angola
Benin
Botswana
Burkina Faso
Burundi
Kamerun
Demokratiska
Republiken
Kongo
Centralafrikanska
Republiken
Kongo
Elfenbenskusten
Djibouti
Eritrea
Etiopien
AGO
BEN
BWA
BFA
BRD
CAM
Ekvatorialguinea
Gabon
Gambia
Ghana
Guinea
Guinea-Bissau
GNQ
GAB
GMB
GHA
GIN
GNB
Niger
Rwanda
Senegal
Sierra Leone
Sydafrika
Sudan
NER
RWA
SEN
SLE
ZAF
SDN
ZAR
Kenya
KEN
Swaziland
SWZ
CAF
Lesotho
LSO
Tchad
TCD
CGO
CIV
DJI
ERI
ETH
Malawi
Mali
Mauretanien
Moçambique
Namibia
MWI
MLI
MRT
MOZ
NAM
Tanzania
Togo
Uganda
Zambia
Zimbabwe
TZA
TGO
UGA
ZMB
ZWE
VÄSTEUROPA
4
LAND
KOD
LAND
KOD
Belgien
Danmark
Finland
Frankrike
Irland
Italien
Luxembourg
Nederländerna
BEL
DNK
FIN
FRA
IRL
ITA
LUX
NLD
Norge
Portugal
Schweiz
Spanien
Storbritannien
Sverige
Tyskland
Österrike
NOR
PRT
CHE
ESP
GBR
SWE
DEU
AUT
Landsbeteckningar, exklusive de länder som data saknas för
51
Appendix A2: Residualanalys
FIGUR A1: Normalitetstest för ekvation 6.1.
16
Series: Standardized Residuals
Sample 1995 2005
Observations 111
14
12
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
2.00e-17
0.190371
10.18796
-6.607789
2.361253
0.638796
6.400369
Jarque-Bera
Probability
61.02573
0.000000
0
-6
-4
-2
0
2
4
6
8
10
FIGUR A2: Normalitetstest för ekvation 6.2.
16
Series: Standardized Residuals
Sample 1995 2005
Observations 111
14
12
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-6.12e-16
-0.034547
9.449043
-6.331584
2.324240
0.672518
6.051382
Jarque-Bera
Probability
51.43023
0.000000
0
-6
-4
-2
0
2
4
6
8
52
TABELL A1: Residualerna för de estimerade modellerna 6.1 och 6.2
EQ 6.1. - Fixed Effects
1
2
AGO -4.603441 4.654440
EQ 6.2. - Fixed Effects
3
-0.050999
1
2
3
-4.643058 4.511874
0.131184
BDI
-0.583565 -0.090611 0.674176
-0.897243 0.237091
0.660152
BEN
0.861288
1.121570
-1.982858
0.810213
1.220445
-2.030658
BFA
-0.009058 1.237562
-1.228504
-0.410015 1.272660
-0.862645
BWA -0.981289 2.200557
-1.219269
-1.163324 2.281121
-1.117797
CAF
1.577564
-2.704645
1.176462
-2.466048
ETH
-1.219039 0.165979
1.053060
-1.556149 0.338923
1.127080
1.289586
1.217226
GAB 1.922771
-1.255679 -0.667091
2.306846
-1.482782 -0.824064
GHA 1.379512
0.112370
-1.491882
1.131907
-0.162420 -0.969487
GIN
0.831839
-1.073542
0.150116
0.483426
GMB -1.359064 0.944586
0.414478
-0.958133 0.950726
0.007407
GNB 3.124790
-3.162672
1.008640
0.662991
-1.671631
0.179109
0.663179
-0.378034 -0.285145
0.201633
-0.816113 0.614480
0.241703
0.037882
KEN
-0.261596 0.082487
LSO
1.823285
MLI
-0.018309 0.489857
-1.071879 -0.751406
MOZ -1.152760 1.017353
NAM 0.208295
-0.633542
-0.471548
-0.445320 0.626004
-0.180685
0.135407
-1.249876 0.737267
0.512609
-0.070331 -0.137964
1.462672
-0.351195 -1.111477
NER
-0.009449 0.244751
-0.235302
0.081160
0.341463
-0.422623
SEN
0.170163
-0.488648
0.617713
0.268932
-0.886645
SLE
-3.552395 -4.481550 8.033945
0.318484
SWZ -0.313261 1.005922
-0.692660
-3.631772 -4.959289 8.591061
0.245238
1.048017
-1.293255
TCD
-2.738684 -4.376155 7.114839
-1.940001 -3.498672 5.438673
TGO
-0.269559 1.558973
-1.289414
0.130776
TZA
-1.439754 0.313133
1.126621
-1.622576 0.445195
UGA 2.093287
-0.164528 -1.928759
1.810782
1.186977
-1.317753
1.177381
-0.089298 -1.721484
ZAF
-0.195139 0.209013
ZAR
1.023537
-3.745984 2.722447
1.106721
BEL
0.075180
0.330724
-0.405903
-0.080883 0.096050
-0.015167
DNK
0.003828
0.090385
-0.094213
0.004044
0.095738
-0.099783
DEU
1.292306
-0.868598 -0.423708
0.719857
-0.901633 0.181776
ITA
0.991932
-0.704072 -0.287860
0.845538
-0.303023 -0.542515
LUX
0.070012
1.292784
-1.362796
-0.140941 0.816101
-0.675161
NLD
0.369967
0.629989
-0.999955
0.564418
0.300295
-0.864713
NOR 1.903324
-0.936770 -0.966553
1.607687
-0.907830 -0.699857
PRT
0.161228
0.668648
0.554004
0.525224
-1.079228
ESP
-0.081669 -0.015442 0.097112
0.088058
0.414487
-0.502545
SWE -1.146524 0.527781
-0.013874
-0.829876
0.618742
-0.150628 0.149369
0.001259
-3.309410 2.202689
-1.715617 1.012080
53
0.703537
Appendix A3: EViews output exklusive tidsdummy5
TABELL A2: EViews output för ekvation 6.1.
Dependent Variable: G
Cross-sections included: 32
Total panel (balanced) observations: 96
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
T
P
SE
INFL
IV1
IV2
ZON1
ZON2
W
0.882166
0.007541
-0.003636
0.013829
0.007617
-0.088803
-0.354768
-0.610088
0.786881
0.292631
-2.15E-05
0.494973
0.012579
0.005801
0.004264
0.011952
0.012924
0.136166
0.119859
0.204577
0.061175
1.44E-05
1.782252
0.599530
-0.626819
3.243318
0.637286
-6.871120
-2.605414
-5.090067
3.846382
4.783514
-1.494228
0.0803
0.5513
0.5334
0.0020
0.5266
0.0000
0.0118
0.0000
0.0003
0.0000
0.1409
Effects Specification
Cross-section fixed (dummy variables)
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
5
0.985766
0.974958
1.095309
91.21166
0.000000
Mean dependent var
S.D. dependent var
Sum squared resid
Durbin-Watson stat
2.546528
6.550070
64.78385
2.672125
Regressionerna har skattas med Panel EGLS. Beroende variabel är tillväxt i BNP per capita, t=3
54
TABELL A3: EViews output för ekvation 6.1. exklusive insignifikanta variabler
Dependent Variable: G
Cross-sections included: 32
Total panel (balanced) observations: 96
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
P
INFL
IV1
IV2
ZON1
ZON2
1.093299
0.013845
-0.089977
-0.366226
-0.691575
0.839581
0.297876
0.134724
0.004630
0.009109
0.096287
0.111815
0.149062
0.053522
8.115091
2.990140
-9.877514
-3.803492
-6.185022
5.632437
5.565496
0.0000
0.0041
0.0000
0.0003
0.0000
0.0000
0.0000
Effects Specification
Cross-section fixed (dummy variables)
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.994737
0.991379
1.069494
296.2552
0.000000
Mean dependent var
S.D. dependent var
Sum squared resid
Durbin-Watson stat
1.838147
11.73876
66.34143
2.648980
TABELL A4: EViews output för ekvation 6.2.
Dependent Variable: G
Cross-sections included: 32
Total panel (balanced) observations: 96
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
I
T
P
SE
INFL
IV1
IV2
ZON1
ZON2
W
0.129387
0.069116
-0.005453
0.012289
0.007659
-0.097999
-0.271884
-0.558148
0.625139
0.304331
-4.12E-05
0.697467
0.039491
0.006033
0.004110
0.012350
0.014067
0.132031
0.132990
0.210650
0.056794
2.06E-05
0.185510
1.750180
-0.903829
2.990160
0.620124
-6.966573
-2.059250
-4.196903
2.967669
5.358504
-2.002913
0.8535
0.0858
0.3701
0.0042
0.5378
0.0000
0.0443
0.0001
0.0045
0.0000
0.0502
Effects Specification
Cross-section fixed (dummy variables)
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.965610
0.939500
1.095574
36.98149
0.000000
Mean dependent var
S.D. dependent var
Sum squared resid
Durbin-Watson stat
55
2.758550
5.230835
64.81530
2.727551
TABELL A5: Eviews output för ekvation 6.2 exklusive insignifikanta variabler
Dependent Variable: G
Cross-sections included: 32
Total panel (balanced) observations: 96
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
P
INFL
IV1
IV2
ZON1
ZON2
1.093299
0.013845
-0.089977
-0.366226
-0.691575
0.839581
0.297876
0.134724
0.004630
0.009109
0.096287
0.111815
0.149062
0.053522
8.115091
2.990140
-9.877514
-3.803492
-6.185022
5.632437
5.565496
0.0000
0.0041
0.0000
0.0003
0.0000
0.0000
0.0000
Effects Specification
Cross-section fixed (dummy variables)
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.994737
0.991379
1.069494
296.2552
0.000000
Mean dependent var
S.D. dependent var
Sum squared resid
Durbin-Watson stat
56
1.838147
11.73876
66.34143
2.648980
Appendix A4: Eviews output inklusive tidsdummy6
TABELL A6: Eviews output för ekvation 6.1
Dependent Variable: G
Cross-sections included: 32
Total panel (balanced) observations: 96
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
T
P
SE
INFL
IV1
IV2
ZON1
ZON2
W
-1.308229
0.010861
0.006260
0.012743
0.031749
-0.070586
-0.397694
-0.121426
0.149424
0.480075
-5.70E-05
0.684975
0.025047
0.004526
0.004913
0.022563
0.009637
0.097585
0.012912
0.170165
0.069439
2.75E-05
-1.909892
0.433621
1.383137
2.593954
1.407157
-7.324587
-4.075376
-9.403845
0.878112
6.913642
-2.074467
0.0617
0.6664
0.1725
0.0123
0.1653
0.0000
0.0002
0.0000
0.3839
0.0000
0.0430
Effects Specification
Cross-section fixed (dummy variables)
Period fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.816117
0.664059
1.097032
62.58097
-115.6795
5.367161
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
6
1.339316
1.892727
3.326657
4.501983
3.801743
2.476417
Modellerna har skattats med White cross section standard errors & covariance (d.f. corrected). Beroende
variabel är tillväxten i BNP per capita, t=3
57
TABELL A7: Eviews output för ekvation 6.1 exklusive insignifikanta variabler
Dependent Variable: G
Cross-sections included: 47
Total panel (balanced) observations: 141
White cross-section standard errors & covariance (d.f. corrected)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INFL
IV1
ZON2
W
0.843340
-0.030887
-0.444806
0.459143
-6.05E-05
0.292318
0.002012
0.145258
0.069248
1.92E-05
2.885012
-15.35279
-3.062186
6.630410
-3.145320
0.0049
0.0000
0.0029
0.0000
0.0023
Effects Specification
Cross-section fixed (dummy variables)
Period fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.633680
0.417219
1.768708
275.2928
-247.2402
2.927448
0.000004
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
58
1.092999
2.316879
4.258726
5.367125
4.709141
2.080895
TABELL A8: EViews output för ekvation 6.2.
Dependent Variable: G
Cross-sections included: 32
Total panel (balanced) observations: 96
White cross-section standard errors & covariance (d.f. corrected)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
I
T
P
SE
INFL
IV1
IV2
ZON1
ZON2
W
-2.295587
0.099819
0.005445
0.010718
0.022983
-0.068539
-0.291676
-0.051396
0.027317
0.511342
-7.84E-05
1.072400
0.007989
0.005588
0.004751
0.025512
0.005797
0.101296
0.010793
0.144938
0.072326
2.69E-05
-2.140608
12.49446
0.974509
2.255885
0.900859
-11.82228
-2.879430
-4.761950
0.188476
7.069990
-2.912017
0.0370
0.0000
0.3343
0.0283
0.3718
0.0000
0.0058
0.0000
0.8512
0.0000
0.0053
Effects Specification
Cross-section fixed (dummy variables)
Period fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.823188
0.676978
1.075732
60.17435
-113.7972
5.630180
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
59
1.339316
1.892727
3.287442
4.462768
3.762528
2.487025
TABELL A9: EViews output för ekvation 6.2. exklusive insignifikanta variabler
Dependent Variable: G
Cross-sections included: 47
Total panel (balanced) observations: 141
White cross-section standard errors & covariance (d.f. corrected)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
P
INFL
ZON2
W
0.731521
0.011193
-0.030905
0.313568
-3.96E-05
0.213183
0.005308
0.002027
0.084286
9.22E-06
3.431429
2.108575
-15.24996
3.720267
-4.299248
0.0009
0.0378
0.0000
0.0003
0.0000
Effects Specification
Cross-section fixed (dummy variables)
Period fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.608529
0.377205
1.828420
294.1945
-251.9218
2.630634
0.000031
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
60
1.092999
2.316879
4.325131
5.433530
4.775546
1.993991