Жолос Т. О., аспірант, Київський національний університет імені Тараса Шевченка, м. Київ, Україна

ORCID ID: 0000-0003-3839-0991
e-mail: taras.zholos@gmail.com

Мазуренко В. І., д-р екон. наук, доцент, Київський національний університет імені Тараса Шевченка, м. Київ, Україна

ORCID ID: 0000-0002-7167-215X
e-mail: mvi1210@ukr.net

Місце України серед європейських ділових циклів: кластерний аналіз

Класифікація даних у кластери використовується в багатьох галузях досліджень, зокрема в економіці та бізнесовій статистиці. Кластерний аналіз дозволяє якісно сегментувати дані та візуалізувати зв’язок між різними спостереженнями, що особливо корисно, коли існує велика кількість різнорідних спостережень. В економічній літературі за допомогою кластерного аналізу ефективно вирішувалися значна кількість важливих проблем. Водночас багато досліджень підкреслюють важливі недоліки цього методу аналізу, такі як певний рівень суб’єктивності у виборі найбільш адекватних методів кластерного аналізу й відсутність комплексного комерційно доступного програмного забезпечення, яке реалізує нові методи, що, своєю чергою, вимагає спеціального програмування, а це ускладнює доступ і можливість відтворення результатів отриманих іншими дослідниками.

Таким чином, мета цього дослідження полягала в аналізі кластеризації ділового циклу України шляхом виділення циклічного компонента часового ряду реального ВВП України та порівняння його з подібним чином отриманими та проаналізованими даними для 34 інших європейських країн з використанням як ієрархічної, так і неієрархічної кластеризації даних, алгоритми яких реалізовані у програмному пакеті OriginPro.

Флуктуації значень циклічного компонента ВВП для різних європейських країн за період часу з 2-го кварталу 2006 року до 4-го кварталу 2021 року включно (2006Q2-2021Q4) поділяються на 4 кластери для змінних і 5 кластерів для спостережень (країни). Подібності у спільних компонентах циклічного ВВП, що виявились з використанням кластерного аналізу в Origin, вказують на те, що найближчими сусідами України у зазначеному порядку є Литва, Фінляндія та Естонія. Кластеризація України з Литвою та Фінляндією була також підтверджена кластеризацією К-середніх.

Аналіз специфічних компонентів циклічного ВВП кожної країни за допомогою ієрархічного кластерного аналізу з подальшою кількісною оцінкою результатів методом кластеризації К-середніх показав, що для більшості європейських країн часові ряди циклічного ВВП поділяються на два основні кластери, які, за кількома винятками, представляють країни Західної та Східної Європи.

Таким чином, було показано, що часовий ряд спільного компоненту циклічного ВВП України чітко утворює кластер з даними для двох балтійських і однієї скандинавської країни ЄС, які були розташовані у тому самому порядку їх подібності до України – це Литва, Фінляндія й Естонія. Специфічний компонент циклічного ВВП України, як якісно, як було виявлено ієрархічною кластеризацією, так і кількісно, як було виявлено методом К-середніх, протягом усього аналізованого періоду часу кластеризувалися з більшістю країн Східної Європи. Отримані результати мають як теоретичне, так і практичне значення в рамках політики інтеграції Україна-ЄС.

Ключові слова: ділові цикли; кластерний аналіз; ієрархічна кластеризація; метод кластеризації К-середніх; зовнішні комплексні шоки; глобальні ризики; Євроінтеграція.

Література:

1. The World by Income and Region. Retrieved from https://datatopics.worldbank.org/world-development-indicators/the-world-by-income-and-region.html [in English].
2. The World Bank Atlas method – detailed methodology. Retrieved from https://datahelpdesk.worldbank.org/knowledgebase/articles/378832-what-is-the-world-bank-atlas-method [in English].
3. Jain, A. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666. Retrieved from https://doi.org/10.1016/j.patrec.2009.09.011 [in English].
4. Sethi, S. (1971). Comparative cluster analysis for world markets. Journal of Marketing Research, 8(3), 348-354. Retrieved from https://doi.org/10.2307/3149574 [in English].
5. Szilágyi, G. (1991). Cluster analysis in international comparisons. Journal of Official Statistics, 7(4), 425-435 [in English].
6. Barr, B.M., Waters, N.M. & Fairbairn, K.J. (1980). The application of cluster analysis to entrepreneurial perception of regional economic environments. Environment and Planning A, 12, 869-879 [in English].
7. Hoen, A. (2002). Identifying linkages with a cluster-based methodology. Economic Systems Research, 14(2), 131-146. Retrieved from https://econpapers.repec.org/article/tafecsysr/v_3a14_3ay_3a2002_3ai_3a2_3ap_3a131-146.htm [in English].
8. Grein, A.F, Sethi, S.P. & Tatum, L.G. (2010). A dynamic analysis of country clusters, the role of corruption, and implications for global firms. East-West Journal of Economics and Business, XIII(2), 33-60 [in English].
9. Balasankar, V., Penumatsa, S.S.V. & Vital, T.P.R. (2021). Empirical statistical analysis and cluster studies on socio-economic status (SES) dataset. IOP Conference Series: Materials Science and Engineering, 1085, 012030. DOI: 10.1088/1757-899X/1085/1/012030 [in English].
10. Brauksa, I. (2013). Use of cluster analysis in exploring economic indicator differences among regions: The case of Latvia. Journal of Economics, Business and Management, 1(1), 42-45. DOI: 10.7763/JOEBM.2013.V1.10 [in English].
11. Zhang, Z. & Gao, Y. (2015). Emerging market heterogeneity: Insights from cluster and taxonomy analysis. International Monetary Fund (IMF) Working Papers. Working Paper No. 2015/155. Retrieved from https://www.imf.org/en/Publications/WP/Issues/2016/12/31/Emerging-Market-Heterogeneity-Insights-from-Cluster-and-Taxonomy-Analysis-43085 [in English].
12. Scutariu, A-L, Șuşu, Ș, Huidumac-Petrescu, C-E & Gogonea, R-M. (2022). A cluster analysis concerning the behavior of enterprises with e-commerce activity in the context of the COVID-19 pandemic. Journal of Theoretical and Applied Electronic Commerce Research, 17(1), 47-68. https://doi.org/10.3390/jtaer17010003 [in English].
13. Responding to the Pandemic: IMF Concessional Financing Support for Low-income Countries. International Monetary Fund. Retrieved from https://www.imf.org/en/About/FAQ/low-income-countries-concessional-financing-support [in English].
14. Řezanková, H. (2014). Cluster analysis of economic data. Statistika: Statistics and Economy Journal, 94(1), 73-86 [in English].
15. Ma, H. (2021). The role of clustering algorithm-based big data processing in information economy development. PLoS ONE, 16(3) :e0246718. https://doi.org/10.1371/journal.pone.0246718 [in English].
16. Wang, W. & Lu, Y. (2021). Application of clustering analysis of panel data in economic and social research based on R software. Academic Journal of Business & Management, 3(10), 98-104. https://doi.org/10.25236/AJBM.2021.031018 [in English].
17. Data Catalog. Global Economic Monitor. The World Bank. Dataset v.3. Retrieved from https://datacatalog.worldbank.org/search/dataset/0037798/Global-Economic-Monitor [in English].
18. Phillips, P. C. & Shi, Z. (2021). Boosting: why you can use the HP filter. International Economic Review, 62, 521-570. Retrieved from: https://arxiv.org/pdf/1905.00175.pdf [in English].
19. OriginLab: Algorithms (Hierarchical Cluster Analysis). Retrieved from https://www.originlab.com/doc/Origin-Help/HCA-Algorithm [in English].
20. OriginLab: Cluster Analysis. Retrieved from https://www.originlab.com/doc/Origin-Help/Cluster-Analysis [in English].
21. OriginLab: Data Analysis>Optimal Cluster Number. Retrieved from https://www.originlab.com/fileExchange/details.aspx?fid=609 [in English].
22. Xu, D. & Tian, Y.  (2015). Comprehensive survey of clustering algorithms. Annals of Data Science, 2(2), 165–193. https://doi.org/10.1007/s40745-015-0040-1 [in English].