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