شناسایی عوامل تعیین کننده فساد مالی با در نظر گرفتن درونزایی متغیرهای توضیحی و نااطمینانی مدل

نوع مقاله : مقاله علمی

نویسندگان

1 دانشجوی دکتری اقتصاد، پردیس بین المللی ارس، دانشگاه تهران، تهران، ایران

2 استاد گروه اقتصاد، دانشگاه تهران، تهران، ایران

10.30495/eco.2020.674216

چکیده

چکیده
هدف مقاله بررسی اهمیت مولفه­های موثر بر فساد مالی با وجود نااطمینانی مدل و درون‌زایی متغیرهای توضیحی است. به این منظور، از تکنیک اقتصادسنجی میانگین­گیری بیزینی با متغیر ابزاری برای شناسایی عوامل اصلی موثر بر فساد مالی طی دوره زمانی 2010- 1991 استفاده شد. برای 123 کشور، از میان 36 متغیر توضیحی، متغیر حاکمیت قانون با احتمال پسینی یک و ضریب پسینی 662/0 و کارآمدی دولت با احتمال پسینی 964/0 و ضریب پسینی 358/0، در رتبه­های اول و دوم اهمیت قرار دارند. متغیر مجازی آسیا با احتمال پسینی 965/0 و ضریب پسینی 194/0-  نشان می­دهد فساد مالی در قاره آسیا معضلی جدی است. با تمرکز بر 95 کشور در حال توسعه، متغیر حاکمیت قانون با احتمال پسینی 999/0 و ضریب پسینی 684/0 مهم­ترین متغیر برای تحدید فساد مالی است. بر اساس نتایج، تقویت قانون‌مداری، ارتقای کارایی نهاد دولت و گسترش همکاری‌های بین‌المللی پیشنهاد می‌شود.

کلیدواژه‌ها

عنوان مقاله [English]

Identifying the Determinants of Corruption: An Application of Instrumental Variable Bayesian Model Averaging

نویسندگان [English]

  • Safoora Kashefi 1
  • Mohsen Mehrara 2
  • Ghahraman Abdoli 2
1 PhD student in Economics, Aras International Campus, University of Tehran, Tehran, Iran
2 Professor, Department of Economics, University of Tehran, Tehran, Iran
چکیده [English]

Abstract
Previous studies in the corruption literature have introduced numerous variables as the determinants of corruption. This articles aims to evaluate the robustness of potential determinants of corruption by addressing the model uncertainty and endogeneitry. The results derived from an instrumental variable Bayesian model averaging analysis indicate that based on the data of 123 countries, rule of law, with a posterior inclusion probability (PIP) of 1 and posterior mean of 0.662 has the most important role in keeping corruption under control among 36 explanatory variables. Government effectiveness, with a PIP of 0.964 and posterior mean of 0.358 is another significant variable in curbing corruption. Also, with a PIP of 0.965 and posterior mean of -0.194 the Asia dummy variable tells that corruption is a serious problem in the Asia region. Further, confining the analysis to 95 developing countries reveals that rule of law with a PIP of 0.999 and posterior mean of 0.684 is the most critical variable in the fight against corruption.

کلیدواژه‌ها [English]

  • JEL classification: C11
  • D72
  • D73. Keywords: Corruption
  • Endogeneity
  • Model Uncertainty
  • Rule of law
  • Bayesian Model Averaging

اصل مقاله

1.‌ مقدمه

بانک جهانی (2010) «فساد مالی[2]» را به عنوان یکی از مهم‌ترین موانع توسعه اقتصادی معرفی کرده است. فساد مالی، سالانه هزینه­ای در حدود 40-20 میلیارد دلار به کشورهای کم­درآمد و 6/2 تیریلیون دلار به اقتصاد جهانی تحمیل می­کند (بانک جهانی، 2010؛ سازمان همکاری و توسعه اقتصادی[3]، 2013).

این پژوهش، مولفه­های تعیین­کننده­ فساد مالی را بررسی می‌کند. در این حوزه، محققان بسیاری به بررسی نقش عوامل گوناگون اقتصادی، نهادی و جغرافیایی در تعیین گستره فساد مالی پرداخته­اند. به عنوان مثال، جها و سارانگی[4] (2018) نقش حضور زنان در ساختار سیاسی، اوبرتی[5] (2018) نقش ساختار سیاسی سوسیالیستی و پینتو و ژو[6] (2016) نقش سرمایه­گذاری مستقیم خارجی بر فساد مالی را بررسی کرده‌اند. هرچند ادبیات مربوط به فساد مالی بسیار غنی بوده و مطالعات تجربی زیادی زوایای پنهان آن را آشکار کرده‌اند؛ اما، محققان هنوز در مورد مولفه‌های اصلی و کنترل‌کننده فساد مالی به توافق جمعی دست نیافته‌اند. بر همین اساس، سوال کلیدی و اساسی این پژوهش این است که از میان متغیرهای مختلف موثر بر فساد مالی، کدامیک نقش اصلی و مسلط را در تعیین فساد مالی بر عهده دارند؟

«نااطمینانی مدل»[7] از مهم­ترین دشواری­های مطالعات تجربی فساد مالی است. نااطمینانی مدل به وضعیتی اطلاق می­شود که ادبیات اقتصادی عوامل متعددی را به عنوان مولفه­های بالقوه موثر بر متغیر وابسته معرفی می­نماید و محقق در مورد آن دسته از متغیرهای توضیحی که باید در سمت راست معادله اقتصادسنجی وارد شوند، دچار ناطمینانی است. «درون­زایی»[8] متغیرهای توضیحی دیگر معضل پیش­روی محققان در مطالعات تجربی پدیده فساد مالی است. این مشکل ناشی از رابطه متقابل فساد مالی و عوامل موثر بر آن است. به بیان دیگر، فساد مالی بر مولفه­های موثر بر خود اثرگذار است. در این مقاله از رویکرد میانگین­گیری بیزینی با متغیر ابزاری  (IVBMA)[9] برای غلبه بر مشکلات یاد شده استفاده می‌شود. این روش، تلفیقی از دو رویکرد میانگین­گیری بیزینی (BMA)[10] و «متغیر ابزاری»[11] است و توسط کارل و لنکوسکی[12] (2012) و کوپ، لئون-گونزالس و استراکان[13] (2012) معرفی شده است. هدف پژوهش این است که با استفاده از اطلاعات 123 کشور طی بازه زمانی 2010- 1991 میلادی، متغیرهای اصلی موثر بر فساد مالی از بین 36 متغیر توضیحی شناسایی شوند.

برای دست‌یابی به هدف، مقاله به این شکل سازماندهی می‌شود. در ادامه، در بخش دوم به بررسی اجمالی مطالعات صورت گرفته در زمینه شناسایی عوامل موثر بر فساد مالی پرداخته می‌شود. بخش سوم به معرفی رویکرد اقتصادسنجی اختصاص دارد. نتایج حاصل از پژوهش در بخش چهارم ارائه می­شوند. در بخش پنجم، نتیجه‌گیری و پیشنهادهای سیاستی مقاله عرضه می‌شود.

 

2. ادبیات موضوع

ادبیات فساد مالی سرشار از نظرات و نتایج متنوع و گاه، ناسازگار در زمینه متغیرهای موثر بر فساد مالی است. در اینجا، به اجمال پیشینه­ای از تلاش­های صورت گرفته در زمینه شناسایی مولفه­های موثر بر فساد مالی عرضه می‌شود.

 

2- 1.‌ مبانی نظری

2- 1- 1. مولفه­های اقتصادی

اقتصاددانان به این نتیجه دست یافته‌اند که با افزایش درآمد کشورها، فساد مالی کاهش می‌یابد (سرا[14]، 2006). آزادی تجارت، متغیر مهم و تاثیرگذار دیگر این گروه می­باشد. به طور کلی، مطالعات بر نقش مثبت افزایش آزادی تجارت و واردات در تحدید فساد مالی صحه گذاشته­اند (آریکان[15]، 2004؛ بادینجر و نیندل[16]، 2014). افزون بر این، سرمایه­گذاری مستقیم خارجی (FDI)[17] مورد توجه محققان مختلف بوده است؛ گرچه هنوز تا دست­یابی به توافق کلی در مورد رابطه FDI و فساد مالی فاصله وجود دارد (گاتی[18]، 2004؛ پینتو و ژو، 2016).

پدیده «نحسی منابع»[19] و رابطه وفور منابع طبیعی با فساد مالی از دیگر موارد قابل طرح در این گروه می­باشد. به نظر می­رسد بهره­مندی از منابع سرشار طبیعی به تشدید فساد مالی می‌انجامد (ناتسن، کوتسادام، اولسن و ویگ[20]، 2017).

هم‌چنین، متغیر دیگری که نظر پژوهش‌گران را به خود معطوف کرده است، شهرنشینی است. هرچند، محققان این متغیر را به عنوان شاخصی از سطح توسعه‌یافتگی دانسته‌اند؛ اما تاکنون توافقی در مورد نوع رابطه آن با فساد مالی حاصل نشده است (گلسر و ساکس[21]، 2006؛ گوئل و نلسون[22]، 2010). دونگ و تورگلر[23] (2013) با بررسی پژوهش‌های متعدد به این نتیجه دست یافته‌اند که گسترش آموزش و تحصیلات اثر مثبتی بر کنترل فساد مالی دارد.

 

2- 1- 2. مولفه­های نهادی

اغلب مطالعات، رابطه­ای معکوس بین اندازه دولت (که بیش‌تر به وسیله نسبت مخارج دولت به GDP اندازه­گیری می­شود) و فساد مالی ترسیم کرده‌اند (آل سینا و انگلتس[24]، 2005). افزون بر اندازه دولت، نتایج تحقیقات نشان می‌دهد افزایش کارآمدی دولت، متغیری مهم در کنترل فساد مالی است (درهر، کاتسوجیانیس و مک‌کوریستون[25]، 2009). به علاوه، صاحب­نظران بر نقش مثبت افزایش سطح دموکراسی در مقابله با فساد مالی تاکید دارند (کلستاد و ویگ[26]، 2016). هم‌چنین، به نظر می­رسد فساد مالی در کشورهایی که از نظام­ دموکراتیک کامل و راستینی برخوردار بوده و تجربه طولانی‌مدتی از برقراری دموکراسی واقعی دارند، کم‌تر است (پلگرینی[27]، 2011).

بیش‌تر تحقیقات پیشین بر اثر مثبت بهره­مندی اقشار جامعه از حقوق سیاسی به عنوان اهرم  کنترل‌کننده فساد مالی تاکید کرده‌اند (برونتی و ودر[28]، 2003؛ ایواساکی و سوزوکی[29]، 2012). حفاظت هرچه بهتر از حقوق مالکیت افراد نیز به کاهش فساد مالی منجر می­شود (لیما و دلن[30]، 2019). به علاوه، تاثیر مثبت گسترش آزادی رسانه­ها در تحدید فساد مالی مرکز توجه بسیاری از تحقیقات است (فریل، هاکو و نلر[31]، 2007).

یافته‌ها نشان می‌دهد حاکمیت قانون نیز در زمره عوامل اصلی کنترل­کننده فساد مالی است (ایواساکی و سوزوکی، 2012). بنیان حقوقی کشورها از دیگر عوامل مهم به شمار می‌رود. به طور مشخص، «رویه عرفی»[32] در انگلستان اثر مثبتی بر کنترل فساد مالی دارد (سرا، 2006؛ تریسمن[33]، 2007).

برخی از پژوهش‌گران اذعان کرده‌اند که در مورد جهت­گیری کلی نتایج مربوط به تمرکز ساختار سیاسی با فساد مالی نمی‌توان به طور قاطع حکم صادر کرد (فن، لین و تریسمن[34]، 2009؛ دل­آنو و تئوبالدلی[35]، 2015). علاوه بر این موارد، نظر غالب بر این است که افزایش تنوع قومی، زبانی و مذهبی موجب تشدید معضل فساد مالی می­شود (شن و ویلیامسون[36]، 2005).

در حالی که نوع رابطه مولفه جمعیت با فساد مالی هنوز مشخص نیست، تحقیقات از تاثیر مثبت جمعیت پروتستان در کاهش فساد مالی حکایت دارند (ناک و آزفر[37]، 2003؛ سرا، 2006). توانمندسازی زنان و به خصوص تصدی مناصب سیاسی توسط آنان با فساد مالی رابطه عکس دارد (سوامی، ناک، لی و آزفر[38]، 2001؛ موکان[39]، 2008). در نهایت، استعمار قدرت­های خارجی بر محیط نهادی کشورهای مستعمره و سطح فساد مالی آنان اثرگذار است (عاصم­اوقلو، جانسن و رابینسون[40]، 2001). به طور کلی، کشورهای تحت قیمومیت انگلستان، به هنگام استقلال، محیط نهادی مناسب‌تری نسبت به دیگر کشورهای مستعمره داشته­اند (تریسمن، 2000؛ گوگسکوس و نوریچ[41]، 2006).

 

2- 1- 3. مولفه­های جغرافیایی

لوپز- والکارسل، جیمنز و پردیگوئرو[42] (2017) و یو و نای[43] (2017) نشان داده­اند که فساد مالی دارای اثرات سرریز فضایی است و ویژگی «سرایت» یا «واگیر»[44] دارد. فساد مالی در یک منطقه مفروض بر فساد مالی مناطق مجاور اثرگذار بوده و از آنها اثر می­پذیرد. به همین دلیل، در این پژوهش، پنج «متغیر مجازی»[45] برای مناطق جغرافیایی مختلف درنظر گرفته شده است.

 

2- 2. پیشینه تحقیق

در جدول (1) خلاصه­ای از بعضی مطالعات اخیر در راستای بررسی عوامل موثر بر فساد مالی ارائه شده است.

 

جدول 1. پیشینه تحقیق

مطالعات خارجی

مطالعه

توضیحات

اکبری، بهرامی­راد،

کیمبروق[46] (2019)

بر مبنای اطلاعات 65 کشور جهان و با تمرکز ویژه بر کشور ایتالیا و به کارگیری رویکرد متغیر ابزاری نشان دادند ازدواج­های فامیلی به تقویت خویشاوندگرایی، ایجاد حلقه­های بسته اجتماعی و تشدید فساد مالی می­انجامد.

جها و سارانگی (2018)

با استفاده از اطلاعات 91 کشور جهان و هم‌چنین تمرکز بر 155 منطقه در 17 کشور اروپایی و با به کار بستن روش متغیر ابزاری نشان داده­اند حضور زنان در پارلمان موجب تحدید فساد مالی می­شود.

اوبرتی (2018)

با استفاده از اطلاعات 64 کشور جهان نشان داد سوسیالیزم و سابقه مستعمره امپراطوری عثمانی بودن موجب تشدید معضل فساد مالی می­شود. نتایج با استفاده از رویکرد متغیر ابزاری به دست آمده است.

کاپاسو و سانتورو[47] (2018)

بر مبنای داده­های 20 منطقه ایتالیا و با استفاده از مدل ARDL[48] نشان دادند انواع مخارج دولت، تاثیر متفاوتی بر فساد مالی دارند. به طور مشخص، مخارج مربوط به برنامه­های تامین اجتماعی و گسترش آموزش موجب ایجاد انگیزه در کارگزاران حکومتی جهت درگیر شدن در فعالیت­های فسادانگیز می­شوند.

لوپز- والکارسل و همکاران (2017)

با استفاده از اطلاعات 3413 شهرداری در اسپانیا و با به کارگیری مدل پروبیت فضایی نشان دادند فساد مالی دارای اثرات سرریز فضایی است و فساد مالی در هر منطقه، از فساد مناطق هم‌جوار تاثیر می­پذیرد.

مطالعات داخلی

باغچقی، خوشنودی و هراتی (1398)

بر مبنای داده­های 59 کشور جهان و با به کارگیری روش تحلیلی «داده­های تابلویی»[49] نشان دادند حفاظت از حقوق مالکیت افراد و کاهش فساد مالی هم‌بسته هستند. افزایش دموکراسی چنانچه همراه با تقویت حقوق مالکیت آحاد جامعه باشد، رابطه مثبتی با کاهش فساد مالی دارد.

ادیب­پور و کرباسی‌زاده (1397)

شش کشور منطقه «منا»[50] (خاورمیانه و شمال آفریقا) را با استفاده از رویکرد داده­های تابلویی بررسی کردند. نتایج آنان حاکی از آن است که رانت نفتی هم‌بستگی مثبتی با معضل فساد مالی دارد. هم‌چنین، متغیرهای درجه باز بودن اقتصاد، دموکراسی و محیط نهادی، رابطه منفی با فساد مالی دارند.

سپهردوست و برجیسیان (1397)

با استفاده از داده­های 53 کشور نشان دادند دموکراسی، حقوق مالکیت، رشد اقتصادی و سرمایه­گذاری رابطه منفی با فساد مالی دارند. از سوی دیگر، ضریب جینی و بی­ثباتی سیاسی رابطه مثبتی با فساد مالی دارند و افزایش این دو متغیر، مقارن با تشدید معضل فساد مالی است.

مرادی، رهنما و حیدریان (1396)

به بررسی عوامل موثر بر فساد مالی در دو گروه از کشورها در منطقه جنوب شرقی آسیا (11 کشور) و خاورمیانه (14 کشور) با به کارگیری روش Panel VAR اقدام نمودند. نتایج نشان داد در منطقه خاورمیانه، افزایش حاکمیت قانون، ثبات سیاسی و حق اظهار نظر و پاسخ‌گویی به کاهش فساد مالی می­انجامد. در مورد کشورهای جنوب شرق آسیا، افزایش کیفیت قوانین و مقررات و حق اظهار نظر و پاسخ‌گویی با کاهش فساد مالی همراه است.

منبع: گردآوری محقق

بررسی ادبیات اقتصادی نشان می‌دهد اکثر مطالعات تجربی انجام شده در زمینه شناسایی متغیرهای موثر بر فساد مالی، در فرایند مدل­سازی از تعداد محدودی متغیرهای توضیحی استفاده کرده‌اند. ضرایب رگرسیونی حاصل از چنین مدل­هایی ممکن است دچار «تورش»[51] ناشی از حذف متغیرهای اصلی[52] باشند. در همین راستا، نوآوری این پژوهش را می‌توان رفع این شکاف تحقیقاتی تلقی نمود. بدین منظور در این مقاله، با به کارگیری تکنیک نسبتا جدید IVBMA به بررسی کمّی رابطه تعداد زیادی از متغیرهای توضیحی با شاخص فساد مالی پرداخته شده است.

 

3. روش تحقیق

با توجه به گستره موضوع، محققان از تکنیک­های اقتصادسنجی مختلفی بهره گرفته‌اند؛ برای آگاهی از این تکنیک‌ها به معرفی اهمّ آنها پرداخته می‌شود.

 

 

 

3- 1. میانگین­گیری بیزینی

مشابه با سایر برآوردگرهای بیزینی این برآوردگر هم اطلاعات و عقاید پیشین محقق در مورد اجزای مجهول مدل را با اطلاعات حاصل از داده‌ها ترکیب می‌کند. اجزای کلیدی آن، تابع درست‌نمایی نمونه، توزیع پیشین برای پارامترهای رگرسیون مدل  و توزیع پیشین برای فضای مدل است (مهرآرا و قبادزاده، 1395).

اگر فرض شود که مدل  صحیح باشد؛ پس، تابع درست‌نمایی نمونه به کار رفته به وسیله مدل را می‌توان به صورت زیر نوشت:

(1)

  

 

اطلاعات پیشین در مورد پارامترهای مدل  با در نظر گرفتن یک تابع پیشین غیرآگاهی‌بخش در مورد پارامترهای  و واریانس خطا ، به علاوه یک تابع آگاهی‌بخش برای پارامترهای کمکی  منجر به توزیع پیشین توام شرطی به شکل زیر می­شود:

 

(2)

که در آن، ماتریس واریانس- کوواریانس توزیع پسین  براساس فرم استاندارد پیشنهاد شده برای آن توسط زلنر[53] (1986) و فرناندز، لی و استیل[54]  (2001) به صورت زیر است.

(3)

  

 

g یک ضریب ثابت برای هر مدل است. گرایش در استنباط بیزینی، ترکیب کردن تابع درست‌نمایی با توزیع پیشین شرطی است تا توزیع پسین شرطی  به دست آید. بعد از محاسبه توزیع پسین شرطی برای این تابع پیشین عمومی، تخمین‌های شرطی برای  و  برای مدل  به صورت زیر است[55].

(4)

  
 

(5)

به شرطی که . باور اولیه محقق در مورد فضای مدل با این فرض ارائه شده است که هر مدل براساس احتمال پسین خود وزن داده شده است.

(6)

  

 

که  احتمال پیشین برای مدل  و  درست‌نمایی نهایی y برای مدل داده شده  است. با اختصاص دادن احتمال پیشین یکسان برای هر مدل و به کار بردن فروض بالا برای توزیع پیشین، می‌توان نشان داد که:

(7)

  

 

در آن، C یک مقدار ثابت نرمال شده انتخاب شده که  بیش‌تر از یک باشد. تخمین­های غیرشرطی BMA برای  و  و اجزای ماتریس واریانس کوواریانس پسین آنها به صورت زیر محاسبه می‌شود:

(8)

  

(9)

  

 

که Tiماتریس   توسط  تعریف شده است.[56] در ادامه رویکرد متغیر ابزاری معرفی می‌شود.

 

3- 2. رویکرد متغیر ابزاری

معادله رگرسیونی زیر را در نظر بگیرید:

(10)

  

 

در این معادله، یکی از فروض «گوس- مارکوف»[57] برای برقراری ویژگی BLUE[58] بودن تخمین­زن­های OLS به شرح زیر است:

(11)

  

 

این فرض بیان می‌کند که جزء اخلال (ε) هیچ رابطه­ای با متغیرهای توضیحی  ندارد. اما، این فرض، در جهان واقع در همه حالات برقرار نیست. به عبارت دیگر، مواردی وجود دارند که جزء اخلال (ε) (که دربرگیرنده اثرات مشاهده نشده یا متغیرهای لحاظ نشده در مدل است) با بعضی یا تمام متغیرهای توضیحی  ارتباط دارد. در این حالت، برآوردهای OLS از ضرایب مدل  تورش­دار هستند. هم‌چنین، در مواردی که متغیر وابسته (y) بر بعضی یا تمام متغیرهای توضیحی  اثرگذار باشد (به این حالت، علیت معکوس[59] گفته می­شود)، فرض (11) نقض شده و تخمین­­زننده­های OLS قابل اتکا نمی­باشند. در این موارد اصطلاحاً بیان می­شود که مدل، دچار درون‌زایی متغیرهای توضیحی است. برای رفع این مشکل، در اقتصادسنجی از روش متغیرهای ابزاری (IV) استفاده می‌شود.

تصور کنید متغیرهای توضیحی  در معادله (10) را به دو گروه تفکیک نماییم:         1) متغیرهای توضیحی که دچار مشکل درون‌زایی هستند  (این گروه یا تحت تاثیر متغیر  قرار دارند یا جزء اخلال ε یا هر دو) و 2) متغیرهای توضیحی برون‌زا . در روش متغیر ابزاری، با استفاده از رویکرد SLS2، اثر علّی متغیرهای  و  بر  بر اساس دو معادله زیر (که به آنها به ترتیب، فرم «ساختاری»[60] و «خلاصه شده»[61] می­گویند) برآورد می­شوند:

(12)

  

(13)

  

 

در اینجا  نشان­دهنده متغیرهای ابزاری است. برای هر متغیر توضیحی درون‌زا، باید حداقل یک متغیر ابزاری انتخاب شود. متغیر ابزاری مناسب دارای دو ویژگی است. نخست اینکه متغیر ابزاری باید با متغیر توضیحی درون‌زای متناظر با خود، هم‌بستگی بالایی داشته باشد؛ دوم اینکه، متغیر ابزاری نباید هیچ‌گونه تاثیر مستقیمی بر متغیر وابسته داشته باشد؛ بلکه باید صرفا از کانال متغیرهای توضیحی درون‌زا بر متغیر وابسته اثرگذار باشد. به ویژگی دوم Excludability اطلاق می­شود. معادله (13) نشان می­دهد که با استفاده از متغیرهای برون‌زا  و ابزاری ، باید یک معادله رگرسیون برای هر یک از متغیرهای توضیحی درون‌زا تخمین زد و با استفاده از این معادله رگرسیون، برآوردهایی از تک تک متغیرهای درون‌زا به دست آورد. سپس، تخمین­های حاصل شده برای  از معادله (13) را در معادله (12) قرار داده و ضرایب  و  محاسبه شوند. ضرایب محاسبه شده در معادله (12) اثر علّی متغیرهای  و  بر  را نشان می­دهند.

 

3- 3. رویکرد میانگین­گیری بیزینی با متغیر ابزاری

در این پژوهش، روش میانگین­گیری بیزینی با متغیر ابزاری، معرفی شده توسط کارل و لنکوسکی (2012) به کار گرفته شد. معادلات (12) و (13) را در نظر بگیرید. کارل و لنکوسکی، نااطمینانی مدل را در هر دو معادله فوق وارد کردند. به بیان دیگر، نه تنها مشخص نیست که بهترین متغیرهای توضیحی برای تبیین روند متغیر وابسته کدام هستند (نااطمینانی در معادله (12))؛ بلکه مشخص نیست که بهترین متغیرهای ابزاری و برون‌زا برای به دست آوردن بهترین برآوردها از متغیرهای درون‌زا کدامند (نااطمینانی در معادله (13)).

هدف نهایی در یک مدل IVBMA، مشخص کردن برترین متغیرهای توضیحی (درون‌زا و برون‌زا) جهت تبیین تغییرات متغیر وابسته در معادله (12) است. این امر مستلزم غلبه بر ناطمینانی مدل در هر دو معادله (12) و (13) می‌باشد. بدین منظور، کارل و لنکوسکی (2012) پیشنهاد کرده‌اند که یک عامل شرطی بیز یا CBF[62] در Gibbs Sampler «تعبیه»[63] شود و با استفاده از این ابزار، فضای مدل در هر دو معادله (12) و (13) جستجو شود. برای روشن شدن بحث، گفتنی است که برای هر یک از معادلات (12) یا (13) یک فضای مدل وجود دارد. الگوریتم Gibbs Sampler وظیفه جستجوی این دو فضای مدل و پیشنهاد دادن مدل­های جدید در هر یک از دو فضای مدل را بر عهده دارد. به علاوه، در هر یک از دو فضای مدل، همه مدل­های حاضر در آن فضای مدل، شانس انتخاب برابر دارند و مدل­هایی که با یکدیگر مقایسه می­شوند، تنها در یک متغیر توضیحی با یکدیگر متفاوتند. در هر یک از دو فضای مدل، جهت مقایسه مدل­ها و تعیین مدل برتر، از CBF استفاده می­شود که خود بر مبنای درست­نمایی حاشیه­ای دو مدل تحت مقایسه بنا شده است.

در روش پیشنهادی کارل و لنکوسکی (2012) دو مدل در فضای مدل معادله (13) بر مبنای درست­نمایی حاشیه­ای با یکدیگر مقایسه می­شوند. مدل برتر انتخاب شده و برآوردهایی از متغیر درون‌زا به دست می­آید. برآوردهای متغیر درون‌زای حاصل شده از مرحله قبل وارد معادله (12) می­شود. در اینجا، دو مدل از فضای مدل معادله (12) انتخاب شده و بر مبنای درست­نمایی حاشیه­ای با یکدیگر مقایسه می­شوند تا مدل برتر انتخاب شود. با تکرار این عمل به دفعات زیاد، مدل­های برتر در هر دو فضای مدل (12) و (13) شناسایی شده و امکان شناسایی متغیرهای توضیحی برتر در معادله (12) فراهم می­آید.

 

4. برآورد مدل و تجزیه و تحلیل نتایج

در این بخش، نخست، متغیرهای پژوهش معرفی می‌شود. در ادامه توضیحاتی در مورد نحوه انتخاب متغیر­های ابزاری ارائه می‌شود. در پایان، نتایج تشریح می‌شود.

 

4- 1. داده­ها

در جدول (2) اطلاعات مربوط به متغیرهای پژوهش عرضه شده است.

 

جدول 2. معرفی متغیرهای پژوهش

متغیر

نماد

منبع

توضیحات

متغیر وابسته

 

 

 

کنترل فساد

avgCC

بانک جهانی

شاخص Control of Corruption

حداقل فساد مالی: 5/2+

حداکثر فساد مالی: 5/2-

متغیرهای توضیحی

 

 

 

متغیرهای اقتصادی

 

 

 

درآمد سرانه*

avglngdpcap

بانک جهانی

لگاریتم طبیعی GDP سرانه به قیمت ثابت سال 2000 به دلار آمریکا

درجه باز بودن تجارت*

avgtrade

بانک جهانی

نسبت مجموع صادرات و واردات به GDP

آزادی تجاری*

avgtradefreedom

Index of Economic Freedom

حداقل آزادی تجاری: صفر

حداکثر آزادی تجاری: 100

واردات*

avgimports

بانک جهانی

نسبت واردات کالاها و خدمات به GDP

FDI*

avgfdi

بانک جهانی

نسبت FDI به GDP

منابع طبیعی

avgnatres

بانک جهانی

نسبت رانت کل منابع طبیعی به GDP

شهرنشینی

avgurbanization

بانک جهانی

نسبت جمعیت شهرنشین به کل جمعیت

طول ابتدایی

avgedu1

بانک جهانی

طول مقطع ابتدایی به سال

طول دبیرستان

avgedu2

بانک جهانی

طول مقطع دبیرستان به سال

ثبت نام دبیرستان

avgedu3

بانک جهانی

درصد ناخالص ثبت نام در مقطع دبیرستان

متغیرهای نهادی

 

 

 

اندازه دولت*

avgg1

بانک جهانی

نسبت مخارج مصرفی نهایی دولت به GDP

کارایی دولت*

avggoveff

بانک جهانی

شاخص Government Effectiveness

بالاترین کارآمدی دولت: 2.5+    کمترین کارآمدی دولت: 2.5-

دموکراسی*

avgpolity2

شاخص Polity IV

دموکراسی بالغ: 10+

دیکتاتوری مطلق: 10-

طول عمر دموکراسی

avgyearsdem

شاخص Polity IV

تعداد سال­های متوالی قبل از سال 2001 که شاخص Polity2>0 باشد

حقوق سیاسی*

avgpolrights

Quality of Government

Teorell et al., (2011)

حداکثر حقوق و آزادی­های سیاسی: 1

حداقل حقوق و آزادی­های سیاسی: 7

آزادی رسانه­ها*

avgfreepress

Freedom House

حداکثر آزادی رسانه­ها: صفر

حداقل آزادی رسانه­ها: 100

حقوق مالکیت*

avgpropertyrights

Quality of Government

Teorell et al., (2011)

حداکثر حفاظت از حقوق مالکیت: 100

حداقل حفاظت از حقوق مالکیت: صفر

حاکمیت قانون*

avgrule

Quality of Government

Teorell et al., (2011)

شاخص Rule of law

رویه عرفی انگلستان

avgcommonlaw

Treisman  (2000)

متغیر مجازی برای رویه عرفی انگلستان

فدرالیسم

avgfederal

Forum of Federations

متغیر مجازی برای نظام فدرالی

جمعیت

avglnpop

بانک جهانی

لگاریتم طبیعی جمعیت

پروتستانیزم

avgprotshare

International Religious Freedom Data

Grim & Finke, (2006)

درصد جمعیت پروتستان از کل جمعیت

تنوع قومی

avgethnic

Alesina et al. (2003)

تنوع قومی

تنوع زبانی

avglanguage

Alesina et al. (2003)

تنوع زبانی

تنوع مذهبی

avgreligion

Alesina et al. (2003)

تنوع مذهبی

زنان در سیاست

avgfem2

بانک جهانی

درصد نمایندگان زن در پارلمان­های ملی

مستعمره

avgbritish

 

متغیر مجازی مستعمره انگلستان

avgspanish

 

متغیر مجازی مستعمره اسپانیا

avgportuguese

 

متغیر مجازی مستعمره پرتغال

avgfrench

 

متغیر مجازی مستعمره فرانسه

avgdutch

 

متغیر مجازی مستعمره هلند

متغیرهای جغرافیایی

 

 

 

منطقه جغرافیایی

avgeurope

 

متغیر مجازی اروپا

avgafrica

 

متغیر مجازی آفریقا

avgasia

 

متغیر مجازی آسیا

avgsmamerica

 

متغیر مجازی آمریکای جنوبی

avgnamerica

 

متغیر مجازی آمریکای شمالی و مرکزی

متغیرهایی که با علامت * نشانه­گذاری شده­اند، متغیرهای درون‌زا در مدل­های IVBMA می­باشند.

منبع: گردآوری محقق

 

اطلاعات متغیرهای معرفی شده در جدول (2) برای 123 کشور طی دوره زمانی 2010- 1991 گردآوری شده است. جدول (5) لیست کامل 123 کشور تحت بررسی در این تحقیق را به تفکیک مناطق جغرافیایی ارائه ­­­می­دهد.

 

4- 2. متغیرهای درون‌زا و متغیرهای ابزاری

از میان 36 متغیر توضیحی، 12 متغیر که توافق قوی در مورد تاثیرپذیری آنها از فساد مالی وجود دارد، به عنوان متغیرهای توضیحی درون­زا انتخاب شده­اند.

تریسمن (2000) استدلال می­کند که کارگزاران حکومتی فاسد در پی افزایش اندازه دولت و مداخلات آن هستند تا سوءاستفاده­ها و دریافتی­های خود را افزایش دهند. هم‌چنین به بیان او، مسئولان فاسد دارای انگیزه­های قوی برای ایجاد مانع در مسیر آزادی تجاری هستند؛ زیرا موانع تجاری، فرصت­های بیش‌تری را برای دریافت رشوه فراهم می­کنند. افزون بر این، موسیلا و سیگ[64] (2010) تاکید می­کنند که فساد مالی، واردات و صادرات را تحت تاثیر قرار می­دهد.

با توجه به مطالعات یاد شده و نتایج آنها، متغیرهای اندازه دولت (avgg1)، کارایی دولت (avggoveff)، حاکمیت قانون (avgrule)، آزادی تجاری (avgtradefreedom)، واردات (avgimports)، و درجه باز بودن تجارت (avgtrade) را به عنوان متغیرهای درون‌زا در نظر گرفته شد. تریسمن (2000) اظهار می­دارد که مسئولان فاسد به دنبال تضعیف دموکراسی هستند. عاصم­اوقلو و وردیر[65] (1998) بیان می­کنند که کنترل فساد مالی، مقدمه حفاظت از حقوق مالکیت است. مطابق این نظرات، متغیرهای دموکراسی (avgpolity2)، حقوق سیاسی (avgpolrights) و حقوق مالکیت (avgpropertyrights) به فهرست متغیرهای درون‌زا اضافه شدند. در همین راستا استانیگ[66] (2015) اشاره می­کند که کارگزاران فاسد حکومتی انگیزه قوی جهت محدود نمودن آزادی رسانه­ها دارند. دی­آگستینو، دان و پیرونی[67] (2016) بر این مسئله که فساد مالی موجب کاهش رشد اقتصادی و درآمد کشورها می­شوند، تاکید دارند. اگر و وینر[68] (2006) نیز بیان کرده‌اند فساد مالی، FDI را تحت تاثیر قرار می­دهد. هم‌چنین، بر اساس این نتایج، متغیرهای آزادی رسانه­ها (avgfreepress)، درآمد سرانه (avglngdpcap) و سرمایه‌گذاری مستقیم خارجی (avgfdi) درون‌زا تلقی شدند.

در مطالعه حاضر، ساختار داده­ها «مقطعی»[69] است. به عبارت دیگر، هر متغیر 123 مشاهده (به تعداد کشورهای تحت بررسی) دارد. برای تمامی متغیرهای توضیحی و متغیر وابسته، میانگین مشاهدات سالانه هر کشور طی دوره 2010- 2001 به عنوان داده، در تحلیل IVBMA وارد شدند. استفاده از میانگین­ متغیرها، دو ویژگی مثبت دارد: نخست اینکه با این روش اثرات «اختلالی»[70] حاصل از نوسانات تجاری تقلیل می­یابد؛ دوم اینکه خطاهای اندازه­گیری که ممکن است در بعضی سال­ها به وقوع پیوسته باشند نیز تا حدودی کاهش می­یابند.

برای هر یک از متغیرهای توضیحی درون­زا، از میانگین مشاهدات سالانه آن متغیر در هر کشور طی دوره 2000- 1991 به عنوان متغیر ابزاری استفاده شد. وقفه متغیر توضیحی درون‌زا، به عنوان متغیر ابزاری در مطالعات متعددی مطرح و به کار گرفته شده است (آرزکی و بروکنر[71]، 2011؛ مورتین[72]، 2013؛ ریید[73]، 2015). در پژوهش حاضر نیز از وقفه هر یک از متغیرهای توضیحی درون­زا (میانگین این متغیرها طی دوره 2000- 1991) به عنوان متغیر ابزاری برای آن متغیر درون‌زا استفاده شده است.

در حالت کلی، یک متغیر ابزاری مناسب باید دو ویژگی داشته باشد: مطابق ویژگی اول، متغیر ابزاری باید «هم‌بستگی»[74] بالایی با متغیر توضیحی درون‌زا داشته باشد. جدول (3) هم‌بستگی بین متغیرهای توضیحی درون‌زا و متغیرهای ابزاری را نشان می­دهد. همان‌گونه که جدول (3) نشان می‌دهد، هم‌بستگی بالایی بین متغیرهای توضیحی و متغیرهای ابزاری وجود دارد. ویژگی دوم به Excludability معروف است. مطابق این ویژگی، یک متغیر ابزاری مناسب نباید اثر مستقیمی بر متغیر وابسته بگذارد؛ بلکه باید صرفا از کانال متغیرهای توضیحی درون‌زا بر متغیر وابسته اثرگذار باشد. به بیان دیگر، متغیر ابزاری باید فقط متغیرهای توضیحی درون‌زای حاضر در مدل را تحت تاثیر قرار دهد و صرفا با متاثر کردن متغیرهای توضیحی درون‌زای حاضر در مدل بر متغیر وابسته اثرگذار باشد. برآورده کردن شرط Excludability بسیار سخت می­باشد و همان گونه که توسط بازی و کلمنس[75] (2013) بیان شده است، انتظار اینکه متغیرهای ابزاری فقط از کانال متغیرهای توضیحی درون‌زا بر متغیر وابسته اثرگذار باشند، انتظار بسیار سخت و سطح بالایی است و در اکثر مطالعات تجربی قابل دست‌یابی نیست. به علاوه، آزمون کمّی و رسمی برای بررسی تحقق شرط Excludability وجود ندارد و بررسی Excludability متغیرهای ابزاری متکی بر قضاوت­های شخصی و بحث­های نظری است. از آنجا که در این پژوهش، بر مبنای مطالعات پیشین و با الگو گرفتن از آرزکی و بروکنر (2011)، مورتین (2013) و ریید (2015) رویکرد متغیر ابزاری انتخاب شده است، می­توان تا حد زیادی اطمینان داشت که رویکرد متغیر ابزاری این پژوهش ریشه در ادبیات اقتصادی دارد و قابل اتکا است.

 

جدول 3. هم‌بستگی متغیرهای توضیحی درون‌زا با متغیرهای ابزاری

هم‌بستگی

نماد

متغیر

هم‌بستگی

نماد

متغیر

91/0

avgpolrights

حقوق سیاسی

88/0

avgpropertyrights

حقوق مالکیت

97/0

Avggoveff

کارایی دولت

97/0

Avgrule

حاکمیت قانون

99/0

avglngdpcap

درآمد سرانه

91/0

Avgfreepress

آزادی رسانه­ها

92/0

Avgtrade

درجه باز بودن تجارت

78/0

Avgtradefreedom

آزادی تجاری

88/0

avgimports

واردات

79/0

avgg1

اندازه دولت

5/0

Avgfdi

FDI

9/0

avgpolity2

دموکراسی

        منبع: یافته­های تحقیق

حال، با دانستن اطلاعات لازم در مورد متغیرها، به بررسی نتایج حاصل از مدل­ها پرداخته می‌شود. گفتنی است به هنگام تحلیل نتایج، با پیروی از ایچر، هن و پاپاگوریو[76] (2012) صرفا متغیرهای توضیحی را که احتمال شمول آنها در الگو ([77]PIP) بالاتر از 75/0 است، به عنوان متغیرهای توضیحی با اهمیت شناسایی شده‌اند. برای اجرای مدل BMA از بسته نرم­افزاری BMS و برای اجرای مدل­های IVBMA از بسته نرم­افزاری IVBMA در نرم­افزار R استفاده شده است. در همه مدل­ها، نتایج پس از سه میلیون «محاسبه»[78] الگوریتم [79]MCMC و با حذف دویست هزار «محاسبه نخست»[80] به دست آمده است.

 

4- 3. نتایج مدل­ها

در وهله نخست، نتایج مدل BMA ارائه می‌شود. تفاوت مدل­ها یاد شده با مدل­های IVBMA در این است که مدل BMA صرفا به رفع معضل نااطمینانی مدل می­پردازد و به مسئله درون‌زایی متغیرهای توضیحی توجهی ندارد. مدل BMA، متغیرهای توضیحی را که اهمیت بیش‌تری در توضیح فساد مالی دارند، بدون توجه به حل مشکل درون­زایی، شناسایی می­کند. سه ستون نخست از چپ در جدول (4) نتایج حاصل از مدل BMA را نشان می­دهد. همان گونه که از نتایج مدل (1) مشخص است؛ متغیر حاکمیت قانون (avgrule) با PIP معادل 1 مهم­ترین متغیر توضیحی جهت تبیین تفاوت­های مشاهده شده در سطح فساد مالی است. افزایش متغیر حاکمیت قانون (avgrule) با  ضریب پسینی 7292/0 اثر مثبتی در کاهش فساد مالی دارد.

با ثابت بودن سایر شرایط، هر یک واحد افزایش متغیر حاکمیت قانون، به طور میانگین، با 7292/0 واحد افزایش متغیر وابسته (شاخص کنترل فساد) «همراه»[81] است. از آنجا که در شاخص کنترل فساد بانک جهانی، مقادیر بزرگ­تر نشان­دهنده فساد مالی کم‌تر هستند، افزایش حاکمیت قانون با کاهش فساد مالی هم‌بستگی دارد؛ اما نتیجه یاد شده را نمی‌توان علت ساختاری از حاکمیت قانون نسبت به فساد تفسیر کرد و این نتیجه، تنها دلالت بر هم‌بستگی میان این دو متغیر دارد. در واقع، با توجه به اینکه نتایج مدل BMA بدون توجه به رفع مشکل درون­زایی به دست آمده است، از اهمیت چندانی برخوردار نیست؛ بر همین اساس، این پژوهش بر مدل­های IVBMA تمرکز می‌یابد. در ادامه نتایج حاصل از تحلیل IVBMA ارائه می­شود.

ستون­های چهارم تا ششم جدول (4) خروجی­های مدل IVBMA را برای 123 کشور تحت بررسی نمایش ­می­دهند. همان‌گونه که مشخص است سه متغیر حاکمیت قانون (avgrule)، متغیر مجازی آسیا (avgasia)، و کارآمدی دولت (avggoveff) به ترتیب با PIP‌های 1، 965/0 و 964/0 مهم­ترین متغیرها در توضیح تفاوت­های مشاهده شده در شاخص فساد مالی هستند.

مطابق نتایج مدل (2) هر یک واحد افزایش متغیر حاکمیت قانون، با ثابت بودن سایر شرایط، به طور میانگین، موجب 662/0 واحد افزایش شاخص کنترل فساد می­شود که این بدین معناست که افزایش حاکمیت قانون با ضریب یاد شده موجب کاهش فساد مالی می­شود. به طور مشابه، برای کشورهای منطقه آسیا، به طور میانگین، شاخص کنترل فساد، 194/0 واحد کم‌تر از شاخص کنترل فساد در حوزه اقیانوسیه[82] می­باشد که این به این معناست که کشورهای آسیایی در قیاس با کشورهای منطقه اقیانوسیه با فساد مالی گسترده­تری مواجه هستند.

هم‌چنین با ثابت بودن سایر شرایط، به طور میانگین، هر یک واحد افزایش شاخص کارآمدی دولت منجر به 358/0 واحد افزایش شاخص کنترل فساد می­شود که حاکی از این است که افزایش کارآمدی دولت تاثیر مثبت در تحدید فساد مالی دارد. نکته قابل تامل این است که پس از توجه به معضل درون­زایی متغیرهای توضیحی و تلاش برای رفع این مشکل از طریق به کارگیری رویکرد متغیرهای ابزاری، علاوه بر متغیر حاکمیت قانون (avgrule)، دو متغیر دیگر نیز (متغیرهای آسیا (avgasia) و کارآمدی دولت (avggoveff)) به عنوان متغیرهای مهم در تبیین فساد مالی شناسایی شدند. این مطلب نشان می­دهد که نادیده گرفتن درون‌زایی متغیرهای توضیحی تاثیر مهمی بر نتایج پژوهش دارد و برای حصول نتایج قابل اتکا لازم است مشکل درون‌زایی و راه­های غلبه بر آن مورد توجه قرار گیرد.

از آنجا که معضل فساد مالی در کشورهای در حال توسعه شدت بیش‌تری دارد، سعی شده است تحلیل IVBMA به طور خاص برای کشورهای در حال توسعه انجام شود. بدین منظور، 95 کشور که طی بازه زمانی 2010- 2001 عضور سازمان OECD نبوده­اند، به عنوان کشورهای در حال توسعه جدا شدند و سپس، با استفاده از رویکرد IVBMA اقدام به شناسایی متغیرهای توضیحی مهم فساد مالی در این گروه از کشورها شده است. ستون­های هفت تا نه در جدول (4) نتایج حاصل از این تحلیل را نشان می­دهند. همان‌گونه که از نتایج قابل تشخیص است متغیر حاکمیت قانون (avgrule) با PIP معادل 999/0 مهم­ترین متغیر توضیحی جهت تبیین تفاوت­های مشاهده شده در شاخص کنترل فساد در این گروه از کشورهاست. با ثابت بودن سایر شرایط، هر یک واحد افزایش متغیر حاکمیت قانون منتج به 684/0 واحد افزایش متغیر کنترل فساد در کشورهای در حال توسعه می­شود. این امر بیانگر اثر مثبت افزایش حاکمیت قانون در مقابله با فساد مالی در این دسته از کشورهاست.

دو نکته قابل تامل در مورد نتایج پژوهش حاضر وجود دارد. نخست اینکه مطابق نتایج، حاکمیت قانون و کارآمدی دولت دو مولفه مهم تعیین­کننده گستره فساد مالی هستند. هر دو این متغیرها در حوزه عملکرد دولت­ها قرار دارند و می­توان با برنامه­ریزی صحیح بر مبنای علم، خرد جمعی و تجربه جهانی وضعیت این مولفه­ها را در هر کشوری بهبود بخشید. مورد دوم اینکه مبارزه با فساد مالی نیازمند تلاش­های منطقه­ای و بین­المللی است. شناسایی متغیر مجازی آسیا به عنوان یکی دیگر از متغیرهای توضیحی مهم حکایت از این امر دارد که فساد مالی پدیده­ای فراملّی است و مبارزه کارآمد با آن نیازمند هماهنگی دولت­ها و تلاش­های چند جانبه است.

 

جدول 4. نتایج مدل­های BMA و IVBMA

 

BMA

مدل 1 -  123 کشور

IVBMA

مدل 2 -  123 کشور

IVBMA

مدل 3 -  95 کشور در حال توسعه

متغیر

PIP

Post Mean

Post SD

PIP

Post Mean

Post SD

PIP

Post Mean

Post SD

avgrule

000/1

719/0

139/0

000/1

066/0

126/0

999/0

684/0

166/0

avgasia

722/0

141/0-

102/0

965/0

194/0-

079/0

923/0

047/0-

081/0

avggoveff

697/0

222/0

167/0

964/0

038/0

129/0

557/0

149/0

162/0

avgsmamerica

422/0

087/0

112/0

487/0

080/0

101/0

743/0

174/0

126/0

avgg1

426/0

005/0

006/0

098/0

001/0

005/0

559/0

012/0

012/0

avgfem2

380/0

003/0

004/0

022/0

000/0

001/0

000/0

000/0

000/0

avgpropertyrights

219/0

001/0

003/0

002/0

000/0

000/0

000/0

000/0

000/0

avgedu2

138/0

007/0

026/0

048/0

002/0

011/0

247/0

018/0

036/0

avgtrade

107/0

000/0

000/0

003/0

000/0

000/0

007/0

000/0

000/0

avgurbanization

094/0

026/0

084/0

235/0

042/0

095/0

239/0

045/0

0.115

avgeurope

091/0

011/0-

045/0

282/0

043/0-

087/0

136/0

006/0-

0.054

avgimports

082/0

000/0

000/0

006/0

000/0

000/0

007/0

000/0

000/0

avgedu1

075/0

003/0-

014/0

043/0

001/0-

008/0

109/0

004/0-

016/0

avglnpop

074/0

002/0-

012/0

016/0

000/0

003/0

100/0

003/0-

009/0

avgprotshare

069/0

023/0

099/0

296/0

069/0

142/0

435/0

178/0

282/0

avgethnic

048/0

006/0

037/0

170/0

021/0

061/0

154/0

179/0

058/0

avgtradefreedom

047/0

000/0

001/0

005/0

000/0

000/0

010/0

000/0

001/0

avgafrica

044/0

000/0

027/0

123/0

013/0-

57/0

124/0

000/0

044/0

avgreligion

035/0

004/0

028/0

087/0

004/0

030/0

123/0

008/0

047/0

avgspanish

034/0

002/0

022/0

110/0

005/0

036/0

129/0

008/0

049/0

avgbritish

034/0

002/0-

017/0

166/0

016/0-

042/0

186/0

020/0

053/0

avgdutch

034/0

003/0-

027/0

104/0

007/0-

034/0

095/0

005/0-

029/0

avglanguage

031/0

003/0

024/0

095/0

005/0

032/0

107/0

005/0-

039/0

avgpolrights

029/0

000/0

004/0

018/0

000/0

003/0

030/0

000/0

005/0

avgnamerica

028/0

002/0-

026/0

187/0

026/0-

079/0

158/0

015/0-

067/0

avgportuguese

027/0

002/0

021/0

110/0

008/0

037/0

114/0

009/0

040/0

avgfreepress

024/0

000/0

000/0

002/0

000/0

000/0

020/0

000/0

000/0

avgfrench

024/0

001/0-

012/0

107/0

008/0-

028/0

088/0

004/0-

025/0

avgpolity2

023/0

000/0

001/0

008/0

000/0

001/0

009/0

000/0

001/0

avgedu3

021/0

000/0

000/0

002/0

000/0

000/0

003/0

000/0

000/0

avgcommonlaw

021/0

000/0

011/0

075/0

002/0-

020/0

103/0

006/0-

032/0

avglngdpcap

020/0

000/0

004/0

021/0

000/0

005/0

040/0

000/0

008/0

avgfdi

018/0

000/0

001/0

030/0

001/0-

005/0

088/0

003/0-

010/0

avgnatres

017/0

000/0

000/0

002/0

000/0

000/0

003/0

000/0

000/0

avgfederal

017/0

000/0

009/0

066/0

001/0

017/0

097/0

004/0

0310/0

avgyearsdem

016/0

000/0

000/0

002/0

000/0

000/0

002/0

000/0

000/0

احتمال پسینی: PIP، ضریب پسینی: Post mean، انحراف معیار پسینی: Post SD            منبع: یافته­های تحقیق

 

جدول 5. لیست کشورهای تحت بررسی به تفکیک مناطق جغرافیایی

کشور

کنترل فساد

کشور

کنترل فساد

کشور

کنترل فساد

کشور

کنترل فساد

آفریقا

 

چاد

383/1-

ازبکستان

127/1-

آمریکای شمالی و مرکزی

 

آنگولا

293/1-

توگو

949/0-

ویتنام

642/0-

کانادا

981/1

بروندی

020/1-

تونس

096/0-

اروپا

 

جمهوری دومینیکن

695/0-

بنین

595/0-

اوگاندا

843/0-

آلبانی

702/0-

هندوراس

880/0-

بورکینافاسو

211/0-

آفریقای جنوبی

330/0

ارمنستان

671/0-

مکزیک

263/0-

بوتسوانا

992/0-

آسیا

 

اتریش

891/1

پاناما

288/0-

ساحل عاج

095/1-

بنگلادش

260/1-

آذربایجان

132/1-

ترینیداد و توباگو

045/0-

کامرون

070/1-

بحرین

333/0

بلغارستان

103/0-

آمریکای جنوبی

 

کنگو

391/1-

چین

527/0-

بلاروس

676/0-

آرژانتین

409/0-

جمهوری کنگو

083/1-

قزاقستان

015/1

سوئیس

080/2

بولیوی

632/0-

جیبوتی

0547-1

اندونزی

841/0-

دانمارک

403/2

برزیل

016/0-

الجزایر

0612/-

هند

404/0-

اسپانیا

228/1

شیلی

428/1

مصر

630/0-

ایران

547/0-

استونی

965/0

کلمبیا

217/0-

گابن

835/0-

اسرائیل

937/0

فنلاند

360/2

کاستا ریکا

589/0

غنا

139/0-

اردن

206/0

فرانسه

390/1

اکوادور

761/0-

گینه

042/1-

ژاپن

273/1

بریتانیا

820/1

گواتمالا

660/0-

گامبیا

600/0-

قرقیزستان

186/1-

گرجستان

325/0-

گویان

519/0-

گینه بیسائو

149/1-

کره جنوبی

500/0

یونان

268/0-

جامائیکا

318/0-

گینه استوائی

523/1-

کویت

549/0

اسلوونی

965/0

نیکاراگوئه

627/0-

کنیا

962/0-

لائوس

232/1-

کرواسی

124/0

پرو

241/0-

کامبوج

147/1-

سری لانکا

255/0-

مجارستان

574/0

پاراگوئه

440/1-

لیبی

032/1-

مغولستان

508/0-

ایرلند

601/1

اروگوئه

125/1

لسوتو

004/0-

مالزی

174/0

ایتالیا

362/0

ونزوئلا

098/1-

مراکش

285/0-

نپال

680/0-

لیتوانی

264/0

اقیانوسیه

 

ماداگاسکار

238/0-

عمان

496/0

لاتویا

254/0

استرالیا

981/1

مالی

582/0-

پاکستان

943/0-

مولداوی

750/0-

نیوزیلند

330/2

موزامبیک

528/0-

فیلیپین

687/0-

سوئد

204/2

فیجی

075/0-

موریتانی

509/0-

قطر

886/0

اکراین

899/0-

 

 

موریتوس

414/0

روسیه

953/0

هلند

085/2

 

 

مالاوی

619/0-

عربستان

075/0-

نروژ

033/2

 

 

نامیبیا

279/0

سوریه

938/0-

لهستان

357/0

 

 

نیجر

784/0-

تایلند

301/0-

پرتغال

104/1

 

 

سنگال

287/0-

تاجیکستان

170/1-

رومانی

259/0-

 

 

سوازیلند

314/0-

ترکیه

061/0-

اسلواکی

321/0

 

 

 ستون کنترل فساد، نشان­دهنده میانگین نمرات کنترل فساد هر کشور طی دوره 2010- 2001 است.      منبع: یافته­های تحقیق

 

5. نتیجه­گیری و پیشنهادها

در این تحقیق سعی شده است با استفاده از رویکرد میانگین­گیری بیزینی با متغیر ابزاری (IVBMA)، مهم­ترین متغیرهای توضیحی برای تبیین تغییرات فساد مالی شناسایی شوند. بدین منظور، اطلاعات 36 متغیر توضیحی برای 123 کشور جهان طی بازه زمانی 2010- 2001 گردآوری شده است. هم‌چنین در این پژوهش، از شاخص کنترل فساد بانک جهانی به عنوان متغیر وابسته استفاده شده است. از 36 متغیر توضیحی، تعداد 12 متغیر که خود تحت تاثیر فساد مالی قرار دارند، به عنوان متغیرهای توضیحی درون‌زا انتخاب شدند. برای هر یک از 12 متغیر توضیحی درون‌زا، وقفه آن متغیر توضیحی (میانگین متغیر طی دوره 2000- 1991) به عنوان متغیر ابزاری در مدل­های IVBMA وارد شده است. 

نتایج حاصل از تحلیل IVBMA برای کل 123 کشور تحت بررسی نشان داد سه متغیر حاکمیت قانون، متغیر مجازی آسیا و کارایی دولت، مهم­ترین مولفه­های اثرگذار بر فساد مالی هستند. افزایش حاکمیت قانون و کارایی دولت موجب کاهش معضل فساد مالی می­شوند. هم‌چنین، فساد مالی در کشورهای آسیایی، در قیاس با دیگر مناطق جهان مشکل حادتری است. در این پژوهش با تمرکز بر 95 کشور در حال توسعه جهان (کشورهایی که تا قبل از سال 2010 عضو سازمان OECD نبوده­اند)، مدل IVBMA بار دیگر مورد اجرا قرار گرفت. برای این گروه از کشورها، متغیر حاکمیت قانون به عنوان مهم­ترین متغیر توضیحی شناخته شد؛ به طوری که ارتقای حاکمیت قانون به کاهش فساد مالی می­انجامد.

 

                                            [2] Financial Corruption

[3] Organisation for Economic Co-operation and Development (OECD)

[4] Jha & Sarangi

[5] Uberti

[6] Pinto & Zhu

[7]Model Uncertainty

[8] Endogeneity

[9] Instrumental Variable Bayesian Model Averaging (IVBMA)

[10]Bayesian Model Averaging (BMA)

[11]Instrumental Variable

[12] Karl & Lenkoski

[13] Koop, Leon-Gonzalez & Strachan

[14] Serra

[15] Arikan

[16] Badinger & Nindl

[17]Foreign Direct Investment

[18]Gatti

[19] Resources Curse

[20] Knutsen, Kotsadam, Olsen & Wig

[21] Glaeser & Saks

[22] Goel & Nelson

[23] Dong & Torgler

[24] Alesina & Angeletos

[25] Dreher, Kotsogiannis & McCorriston

[26] Kolstad & Wiig

[27] Pellegrini

[28] Brunetti &Weder

[29] Iwasaki & Suzuki

[30] Lima &Delen

[31] Freille, Haque & Kneller

[32] Common Law

[33]Treisman

[34]Fan, Lin & Treisman

[35] Dell’Anno &Teobaldelli

[36]Shen & Williamson

[37] Knack & Azfar

[38] Swamy, Knack, Lee & Azfar

[39] Mocan

[40] Acemoglu, Johnson & Robinson

[41] Gokceku & Knörich

[42] Lopez-Valcarcel, Jiménez & Perdiguero

[43] You & Nie

[44] Contagious

[45] Dummy Variable

[46]Akbari, Bahrami-Rad & Kimbrough

[47] Capasso & Santoro

[48] Autoregressive Distributed Lag

[49] Panel Data

[50] MENA (Middle East and North Africa)

[51] Bias

[52] Omitted Variables

[53] Zellner

[54] Fernandez, Ley & Steel

[55] برای آگاهی از نحوه محاسبه اجزای ماتریس واریانس - کوواریانس این تخمین­ها به مقاله مگنوس، پاول و پروفر (2010) در فهرست منابع مراجعه شود.

[56] برای تحلیل جامع­تر ظرایف رویکرد BMA، رجوع شود به: هوتینگ، مادیگان، رافتری و وولینسکی (1999) و راهنمای «بسته»[56] نرم­افزاری BMS در نرم­افزار R.

[57] Gauss - Markov

[58] Best Linear Unbiased Estimator

[59]  Reverse Causality

[60] Structural Form

[61] Reduced Form

[62] Conditional Bayes Factor

[63] Embed

[64] Musila & Sigué

[65] Acemoglu & Verdier

[66] Stanig

[67] D'Agostino, Dunne & Pieroni

[68] Egger & Winner

[69] Cross Section

[70] Noise

[71] Arezki & Brückner

[72] Murtin

[73] Reed

[74]Correlation

[75] Bazzi & Clemens

[76] Eicher, Henn & Papageorgiou

[77] Posterior Inclusion Probability

[78] Draw (Iteration)

[79] Markov Chain Monte Carlo

[80] Burn in

[81] Correlate

[82] گفتنی است برای منطقه اقیانوسیه که متشکل از سه کشور استرالیا، نیوزیلند و فیجی است، متغیر مجازی منطقه‌ای تعریف نشده است. در این پژوهش، این سه کشور نقش گروه مرجع را ایفا می­کنند تا روشن شود، وضعیت فساد مالی در پنج منطقه جغرافیایی دیگر (شامل آسیا، اروپا، آفریقا، آمریکای شمالی و مرکزی، آمریکای جنوبی) نسبت به این منطقه چگونه است.

مراجع

¾       ادیب­پور، مهدی، کرباسی­زاده، سینا (1397). رانت نفتی و فساد در کشورهای منطقه خاورمیانه و شمال آفریقا (منا). فصلنامه مدلسازی اقتصادی، (44)12: 72- 47.
¾       باغچقی، اقدس، خوشنودی، عبداله، هراتی، جواد (1398). بررسی اثر متقابل دموکراسی و امنیت حقوق مالکیت بر فساد مالی در کشورهای مختلف. فصلنامه پژوهش­های اقتصادی (رشد و توسعه پایدار)، (3)98: 144- 109.
¾       سپهردوست، حمید، برجیسیان، عادل (1397). رابطه فساد با حقوق مالکیت، نابرابری درآمد و دموکراسی، شواهد تجربی کشورهای منتخب. دو فصلنامه جستارهای اقتصادی ایران، (29)15: 172-143.
¾       مرادی، ابراهیم، رهنما، علی، حیدریان، سمیرا (1396). تاثیر شاخص­های حکمرانی خوب بر کنترل فساد (مطالعه موردی: کشورهای خاورمیانه و جنوب شرق آسیا). فصلنامه اقتصاد مقداری، (4)14: 182- 151.
¾       مهرآرا، محسن، قبادزاده، رضا (1395). بررسی عوامل مؤثر بر تورم در ایران مبتنی بر رویکرد میانگین‌گیری بیزینی (BMA) و میانگین‌گیری حداقل مربعات (WALS). فصلنامه برنامه‌ریزی و بودجه، (1)21: 82- 57.
¾       Acemoglu, D., &Verdier, T. (1998). Property rights, corruption and the allocation of talent: A general equilibrium approach. The Economic Journal, 108(450): 1381–1403.
¾       Acemoglu, D., Johnson, S., & Robinson, J. A. (2001). The colonial origins of comparative development: An empirical investigation. American economic review, 91(5): 1369-1401.
¾       Akbari, M., Bahrami-Rad, D., & Kimbrough, E. O. (2019). Kinship, fractionalization and corruption. Journal of Economic Behavior & Organization.
¾       Alesina, A., & Angeletos, G. M. (2005). Corruption, inequality, and fairness. Journal of Monetary Economics, 52(7): 1227-1244.
¾       Alesina, A., Devleeschauwer, A., Easterly, W., Kurlat, S., & Wacziarg, R. (2003). Fractionalization. Journal of Economic Growth, 8(2): 155–194.
¾       Arezki, R., & Brückner, M. (2011). Oil rents, corruption, and state stability: Evidence from panel data regressions. European Economic Review, 55(7): 955–963.
¾       Arikan, G. G. (2004). Fiscal decentralization: A remedy for corruption? International Tax and Public Finance, 11(2): 175-195.
¾       Badinger, H., &Nindl, E. (2014). Globalisation and corruption, revisited. The World Economy, 37(10): 1424-1440.
¾       Bazzi, S., & Clemens, M. A. (2013). Blunt instruments: Avoiding common pitfalls in identifying the causes of economic growth. American Economic Journal: Macroeconomics, 5(2): 152–186.
¾       Brunetti, A., & Weder, B. (2003). A free press is bad news for corruption. Journal of Public economics, 87(7-8): 1801-1824.
¾       Capasso, S., & Santoro, L. (2018). Active and passive corruption: Theory and evidence. European Journal of Political Economy, 52: 103-119.
¾       d'Agostino, G., Dunne, J. P., & Pieroni, L. (2016). Corruption and growth in Africa. European Journal of Political Economy, 43: 71-88.
¾       Dell’Anno, R., & Teobaldelli, D. (2015). Keeping both corruption and the shadow economy in check: the role of decentralization. International Tax and Public Finance, 22 (1): 1-40.
¾       Dong, B., & Torgler, B. (2013). Causes of corruption: Evidence from China. China Economic Review, 26: 152-169.
¾       Dreher, A., Kotsogiannis, C., & McCorriston, S. (2009). How do institutions affect corruption and the shadow economy? International Tax and Public Finance, 16(6): 773.
¾       Egger, P., & Winner, H. (2006). How corruption influences foreign direct investment: A panel data study. Economic Development and Cultural Change, 54(2): 459–486.
¾       Eicher, T. S., Henn, C., & Papageorgiou, C. (2012). Trade creation and diversion revisited: Accounting for model uncertainty and natural trading partner effects. Journal of Applied Econometrics, 27(2): 296–321.
¾       Fan, C. S., Lin, C., & Treisman, D. (2009). Political decentralization and corruption: Evidence from around the world. Journal of Public Economics, 93(1-2): 14-34.
¾       Fernandez, C., Ley, E., & Steel, M. F. (2001). Model uncertainty in cross‐country growth regressions. Journal of applied Econometrics, 16(5): 563-576.
¾       Freille, S., Haque, M. E., & Kneller, R. (2007). A contribution to the empirics of press freedom and corruption. European Journal of Political Economy, 23(4): 838-862.
¾       Gatti, R. (2004). Explaining corruption: Are open countries less corrupt? Journal of International Development, 16(6): 851-861.
¾       Glaeser, E. L., & Saks, R. E. (2006). Corruption in America. Journal of public Economics, 90(6-7): 1053-1072.
¾       Goel, R. K., & Nelson, M. A. (2010). Causes of corruption: History, geography and government. Journal of Policy Modeling, 32(4): 433-447.
¾       Gokcekus, O., & Knörich, J. (2006). Does quality of openness affect corruption? Economics Letters, 91(2): 190-196.
¾       Grim, B. J., & Finke, R. (2006). International religion indexes: Government regulation, government favoritism, and social regulation of religion. Interdisciplinary Journal of Research on Religion, 2: 1–40.
¾       Hoeting, J. A., Madigan, D., Raftery, A. E., &Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical science: 382-401
¾       Iwasaki, I., & Suzuki, T. (2012). The determinants of corruption in transition economies. Economics Letters, 114(1): 54-60.
¾       Jha, C. K., & Sarangi, S. (2018). Women and corruption: What positions must they hold to make a difference? Journal of Economic Behavior & Organization, 151: 219-233.
¾       Karl, A., & Lenkoski, A. (2012). Instrumental variable Bayesian model averaging via conditional Bayes factors. ArXiv preprint arXiv: 1202.5846.
¾       Knack, S., &Azfar, O. (2003). Trade intensity, country size and corruption. Economics of Governance, 4(1): 1-18.
¾       Knutsen, C. H., Kotsadam, A., Olsen, E. H., & Wig, T. (2017). Mining and local corruption in Africa. American Journal of Political Science, 61(2): 320-334.
¾       Kolstad, I., & Wiig, A. (2016). Does democracy reduce corruption? Democratization, 23(7): 1198-1215.
¾       Koop, G., Leon-Gonzalez, R., & Strachan, R. (2012). Bayesian model averaging in the instrumental variable regression model. Journal of Econometrics, 171(2): 237-250.
¾       Lima, M. S. M., &Delen, D. (2019). Predicting and explaining corruption across countries: A machine learning approach. Government Information Quarterly, 101407.
¾       Lopez-Valcarcel, B. G., Jiménez, J. L., & Perdiguero, J. (2017). Danger: local corruption is contagious! Journal of Policy Modeling, 39(5): 790-808.
¾       Magnus, J. R., Powell, O., &Prüfer, P. (2010). A comparison of two model averaging techniques with an application to growth empirics. Journal of Econometrics, 154(2): 139-153.
¾       Mocan, N. (2008). What determines corruption? International evidence from microdata. Economic Inquiry, 46(4): 493-510.
¾       Murtin, F. (2013). Long-term determinants of the demographic transition, 1870–2000. Review of Economics and Statistics, 95(2): 617–631.
¾       Musila, J. W., & Sigué, S. P. (2010). Corruption and international trade: An empirical investigation of African countries. The World Economy, 33(1): 129–146.
¾       OECD (2013). The rationale for fighting corruption. https:// www. OECD. org/ cleangovbiz/ 49693613.pdf
¾       Pellegrini, L. (2011). Causes of corruption: a survey of cross-country analyses and extended results. In Corruption, development and the environment, Springer, Dordrecht: 29-51.
¾       Pinto, P. M., & Zhu, B. (2016). Fortune or evil? The effect of inward foreign direct investment on corruption. International Studies Quarterly, 60(4): 693-705.
¾       Reed, W. R. (2015). On the practice of lagging variables to avoid simultaneity. Oxford Bulletin of Economics and Statistics, 77(6): 897–905.
¾       Serra, D. (2006). Empirical determinants of corruption: A sensitivity analysis. Public Choice, 126(1-2): 225-256.
¾       Shen, C., & Williamson, J. B. (2005). Corruption, democracy, economic freedom, and state strength: A cross-national analysis. International Journal of Comparative Sociology, 46(4): 327-345.
¾       Stanig, P. (2015). Regulation of speech and media coverage of corruption: An empirical analysis of the Mexican press. American Journal of Political Science, 59(1): 175–193.
¾       Swamy, A., Knack, S., Lee, Y., &Azfar, O. (2001). Gender and corruption. Journal of development economics, 64(1): 25-55.
¾       Teorell, J., Samanni, M., Holmberg, S., & Rothstein, B. (2011). The quality of government basic dataset made from the QoG standard dataset version 6 Apr 11. The Quality of Government Institute, University of Gothenburg.
¾       Treisman, D. (2000). The causes of corruption: A cross-national study. Journal of public economics, 76(3): 399-457.
¾       Treisman, D. (2007). What have we learned about the causes of corruption from ten years of cross-national empirical research? Annu. Rev. Polit. Sci., 10: 211-244.
¾       Uberti, L. J. (2018). Corruption in transition economies: Socialist, ottoman or structural? Economic Systems, 42(4): 533-555.
¾       World Bank (2010).https://www.worldbank.org/en/news/feature/2010/12/06/corruption-hunters-rally-for-action-against-fraud
¾       You, J., & Nie, H. (2017). Who determines Chinese firms' engagement in corruption: Themselves or neighbors? China Economic Review, 43: 29-46.
¾       Zellner, A. (1986). On assessing prior distributions and Bayesian regression analysis with g-prior distributions. Bayesian inference and decision technique.

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار