konf6_08

A.E.Varkentin

Economic and institutional factors of Japanese foreign trade partners clusterization: enhanced machine learning approach

Abstract. The article comprises analysis of Japanese foreign trade partners in 2018 by the means of machine learning, which has been used to identify clusters of homogeneous countries, particularly K means and Random Forest algorithms have been applied. The results of clusterizati on were interpreted via SHAP values library. The outcomes make it po ssible to state that economic factors, especially those considering export volumes, are more significant in determining clusters, rather than institu tional features, among which only the Human Development Index was underlined. Thus, machine learning methods can be considered to be used in International Economics.

Keywords: Japanese foreign trade, machine learning, clusters, ex ports.

Author: Andrey E. VARKENTIN, PhD candidate in Moscow State University (е mail: andrei.varkentin@yandex.ru).

В экономической науке используются различные классифика ции стран для выделения групп со схожими особенностями разви тия экономики, например, подход, используемый Всемирным бан ком. Подобные методы также помогают в объяснении развития от дельных стран, их перехода из одного сегмента в другой.

Тем не менее, далеко не всегда можно утверждать, что в основе такой классификации лежат признаки, в полной мере отражающие экономическую реальность. Более того, в случае анализа внешне торговых партнеров, для каждой страны модель взаимоотношений с контрагентами может различаться. В этой работе мы постараемся разрешить это противоречие, выделив отдельные группы японских торговых партнеров методами машинного обучения; будет представ лено не только разделение стран на кластеры, но и предпринята по пытка выделения наиболее весомых факторов разбиения.

Необходимо подчеркнуть, что похожих работ по методологии и данным найдено не было, поэтому обзор будет базироваться на не скольких срезах литературы: во первых, статьи, анализирующие особенности внешней торговли Японии в целом, во вторых, иссле дования ключевых характеристик международной торговли при рас

смотрении двухсторонних связей, и, в третьих, работы, включаю щие варианты применения машинного обучения в экономике.

М. Бамани Оскои и А. Рата [Bahmani#Oskooee M., Ratha A.] рас сматривают вопросы взаимосвязи условий торговли и торгового ба ланса. Результаты изучения указанных данных по Японии и ее парт нерам показывают, что подтверждается гипотеза о S образной кри вой, характеризующей взаимосвязь параметров.

Вдругой статье М. Бамани Оскои и Дж. Госвами [Bahmani# Oskooee M.M., Goswami G.G.] проверяют феномен J образной кривой на данных японской внешней торговли с девятью основными торго выми партнерами. На агрегированных данных наличие кривой не подтверждается, однако, при переходе на уровень двух сторон, дан ная кривая наблюдается в торговле с Германией и Италией.

Вкачестве примера исследования похожих проблем в других странах можно привести статью С. Нараяна и др. [Narayan S., Nguyen T.T.], где он проводит анализ данных двухсторонней торгов ли Вьетнама. В результате оценок гравитационной модели С. Нара ян приходит к выводу, что объем торговли более чувствителен к факторам влияния, если торговля ведется со странами с более высо кими подушевыми доходами, чем с низкими.

Ван и др. [Wang M., Kong R.] применяют графовые методы для анализа сетей торговли нефтью между странами. В качестве резуль тата был получен вклад каждой страны в общемировую торговлю, а также выявлено, что импортеры также сильно влияют на экспорте ров нефти, как и экспортеры на импортеров. В качестве репрезента тивного примера методологии работы с графами торговли можно привести статьи Г. Гарсиа Переза [Garcia#Perez G. et al.] и Ч. Пик карди [Piccardi C., Tajoli L.].

Заслуживают нашего внимания работы, где предпринимаются попытки совместить экономические методы и машинное обучение. Например, Басучоудари и др. [Basuchoudhary A. et al.] посвящает свою книгу применению машинного обучения для прогнозирования темпов экономического роста. В данной публикации обосновыва ются основные алгоритмы, описывается срез литературы, посвя щенный достоинствам и недостаткам эконометрического подхода для решения поставленной задачи. Более того, авторы выделяют

ключевые факторы, влияющие на вероятность рецессий, и форму лируют практико ориентированные рекомендации по экономиче ской политике государств.

Таким образом, в рамках данной работы нами были поставлены следующие гипотезы:

1.Методы машинного обучения могут применяться для анализа внешнеэкономических данных.

2.Экономические факторы более значимы для разделения тор говых партнеров на группы, чем институциональные.

Данные для анализа в этой работе представляют собой панель по всем торговым партнерам Японии за 2018 г. и включают в себя 14 пе ременных: 11 характеризуют экономические факторы, 3 — институ циональные, а именно индекс развития человеческого капитала, ин декс восприятия коррупции, индекс легкости ведения бизнеса.

Процесс нашей работы был следующим: сначала было необхо димо «почистить» данные, заполнив пропуски. Затем следовало оп ределить, какой алгоритм кластеризации лучше применять и сколь ко кластеров необходимо выделить. Для ответа на первый вопрос был посчитан коэффициент силуэта на результатах оценки четырех алгоритмов. Наибольшее значение было получено у метода к сред них, поэтому именно он лег в основу кластеризации. Вторая же про блема не имеет однозначного решения в задачах кластеризации, и примерное количество (5 кластеров) было определено с помощью коэффициента инерции.

Для более наглядной визуализации были использованы подходы агломеративной кластеризации, результаты которой представлены би нарным деревом, и четыре модификации метода главных компонент.

После присвоения каждому наблюдению одного из пяти класте ров для определения вклада каждого фактора в получившееся раз биение можно применить любой «деревянный» алгоритм. В данной работе был использован случайный лес. Результаты обучения леса передавались на вход алгоритму SHAP оценок, который рассчиты вал и визуализировал вклад каждого фактора в разбиение данных по кластерам.

Метод к средних — один из наиболее распространенных алго ритмов кластеризации, последовательность его действий следую

щая: на плоскости выбирается заранее известное количество цен тров кластеров (центроид), от каждой точки до центроида считается расстояние, таким образом, каждому наблюдению присваивается метка кластера. В получившихся кластерах считается центр, куда пе ремещается центроид, и алгоритм рекурсивно повторяется.

Агломеративная кластеризация — метод кластеризации, при ко тором каждое наблюдение изначально составляет свой кластер, по том оценивается расстояние между кластерами, и наиболее близкие кластеры сливаются в один. Итогом служит бинарное дерево, на ко тором можно увидеть наблюдения, кластеры, а также расстояние ме жду ними.

Метод главных компонент — один из основных методов пони жения размерности данных. Его суть заключается в том, что нахо дятся собственные векторы и собственные значения матрицы кова риации изначальных признаков. Иными словами, компонента — это вектор, описывающий направление максимальной дисперсии дан ных, и нам необходимо отобрать несколько первых компонент по убыванию дисперсии. Кроме классического вида, на графиках также будут приведены следующие усовершенствования метода главных компонент:

•Kernel PCA — метод главных компонент с применением ядер ного подхода, что переводит изначально линейные операторы в гильбертово пространство;

•Sparse PCA — в отличие от стандартного подхода, когда ком понента является комбинацией всех признаков, этот метод также включает комбинации части этих признаков;

•Truncated PCA — считает ковариационную матрицу не на всех признаках, а на семпле данных.

Случайный лес — модель, при которой деревья решений строят ся, во первых, на сэмпле наблюдений, и во вторых, на семпле при знаков. Такой подход называется бэггинг и позволяет уменьшить переобучение модели.

SHAP оценки — подход для интерпретации моделей, оцениваю щий значения Шепли для значимости коэффициентов не только на уровне всей модели, но и на уровне отдельных наблюдений. График оценок комплексно характеризует сразу несколько параметров: зна

чимость фактора, его значение, корреляцию с зависимой перемен ной, размер влияния.

Результаты расчетов отображены ниже на графиках 1, 2, 3.

На риc. 1 представлены кластеры стран партнеров Японии по внешней торговле. На всех графиках отдельно выделяются кластеры 1 и 2, состоящие из одной точки — это США и Китай. Остальные страны разбиты еще на три кластера. Стоит отметить, что эти ре зультаты не зависят от модификации метода главных компонент.

Рис. 1. Кластеры стран партнеров Японии по внешней торговле (расчеты автора)

На рис. 2 изображено среднее влияние каждого признака на объем экспорта. Представленные данные наглядно демонстрируют, что максимальное влияние оказывают факторы, сопряженные с тор говыми характеристиками страны: объем экспорта страны партнера за предыдущий год и сальдо торгового баланса. Однако, вопреки ожиданиям, на последнем месте оказалась переменная по средним тарифам, инфляции и индексу легкости ведения бизнеса. В целом, институциональные факторы, апроксимировавшиеся через различ

Рис. 2. Общие оценки значимости признаков (расчеты автора)

Рис. 3. SHAP оценки признаков (расчеты автора)

ные индексы, оказались не столь значимыми для разбиения стран на кластеры.

По данным, отображенным на рис. 3, также можно оценить раз брос значений и концентрацию их основной доли. Например, по объему экспорта мы видим две красные точки справа от централь ной линии, что показывают два больших значения, которые поло жительно влияют на наш предиктор. Логично предположить, что это Китай и США, так как все остальные страны имеют небольшой объ ем экспорта и сконцентрированы в левой части графика.

По результатам анализа сформулируем следующие выводы:

1)вся совокупность внешнеторговых партнеров Японии разби вается на пять кластеров;

2)особую значимость для японского экспорта имеют КНР и

США;

3)наиболее весомыми факторами для отнесения страны к опре деленному кластеру служат объем экспорта в 2018 г., место стра ны экспортера в общемировых объемах экспорта, а наименее весо мыми — средние тарифы;

4)институциональные факторы, в целом, не так значимы в оп ределении кластеров внешнеторговых партнеров;

5)самым приоритетным институциональным фактором оказа лась степень развития человеческого капитала.

Таким образом, две наших изначальных гипотезы подтвержде ны. Данная работа наглядно демонстрирует перспективы примене ния методов машинного обучения в международной торговле. Полу ченные результаты свидетельствуют о том, что в торговле с Японией целесообразно рассматривать не единую внешнеторговую политику, а сегментировать ее на отдельные кластеры стран с аналогичными характеристиками.

В качестве направления для дальнейших исследований можно предложить рассмотреть динамику по времени разбиения, а также добавить дополнительные признаки, чтобы подразделить два самых больших получившихся кластера на более мелкие.

Библиографический список

Bahmani#Oskooee M., Ratha A. Bilateral S curve between Japan and her trading partners // Japan and the World Economy. 2007. Т. 19. № . 4. С. 483—489.

Bahmani#Oskooee M.M., Goswami G.G. A disaggregated approach to test the J curve phenomenon: Japan versus her major trading partners // Journal of Economics and Finance. 2003. Т. 27. № . 1. С. 102—113.

Narayan S., Nguyen T.T. Does the trade gravity model depend on trading partners? Some evidence from Vietnam and her 54 trading partners //International Review of Economics & Finance. 2016. Т. 41. С. 220—237.

Wang M., Kong R. Study on the characteristics of potassium salt international trade based on complex network //Journal of Business Economics and Management. 2019. Т. 20. № . 5. С. 1000—1021.

Garcia#Perez G. et al. The hidden hyperbolic geometry of international trade: World Trade Atlas 1870—2013 //Scientific reports. 2016. Т. 6. С. 33441.

Piccardi C., Tajoli L. Existence and significance of communities in the world trade web // Physical review e. 2012. Т. 85. № . 6. С. 066119.

Basuchoudhary A., Bang J.T., Sen T. Machine learning Techniques in Economics: New Tools for Predicting Economic Growth. Springer, 2017.

References

Bahmani#Oskooee M., Ratha A. (2007). Bilateral S curve between Japan and her trading partners // Japan and the World Economy. Т. 19. № . 4. С. 483—489.

Bahmani#Oskooee M.M., Goswami G.G. (2003). A disaggregated approach to test the J curve phenomenon: Japan versus her major trading partners //Journal of Economics and Finance. Т. 27. № . 1. С. 102—113.

Narayan S., Nguyen T.T. (2016). Does the trade gravity model depend on trading partners? Some evidence from Vietnam and her 54 trading partners // International Review of Economics & Finance. Т. 41. С. 220—237.

Wang M., Kong R. (2019). Study on the characteristics of potassium salt international trade based on complex network // Journal of Business Economics and Management. Т. 20. № 5. С. 1000—1021.

Garcia#Perez G. et al. The hidden hyperbolic geometry of international trade: World Trade Atlas 1870—2013 // Scientific reports. 2016. Т. 6. С. 33441.

Piccardi C., Tajoli L. Existence and significance of communities in the world trade web // Physical review e. 2012. Т. 85. № . 6. С. 066119.

Basuchoudhary A., Bang J.T., Sen T. Machine learning Techniques in Economics: New Tools for Predicting Economic Growth. Springer, 2017.

DOI: 10.24411/9999 043A 2020 10027

Я.В. Мищенко

ТОПЛИВНОDЭНЕРГЕТИЧЕСКИЙ КОМПЛЕКС ВЬЕТНАМА КАК ОБЪЕКТ СОТРУДНИЧЕСТВА И КОНКУРЕНЦИИ РОССИИ И ЯПОНИИ: СОВРЕМЕННЫЕ ТЕНДЕНЦИИ

Аннотация. Статья посвящена рассмотрению и анализу совре менных тенденций конкуренции и сотрудничества России и Япо нии за доступ к энергетическим рынкам стран Юго Восточной Азии на примере Вьетнама. С Вьетнамом у России традиционно развивается наиболее динамичное энергетическое сотрудничество по сравнению с другими странами ЮВА, еще с советских времен. В статье показано, что, например, в сегментах upstream и down stream нефтегазовой индустрии Вьетнама каждая из стран занимает свою нишу, хотя есть примеры взаимовыгодного трёхстороннего сотрудничества. Тогда как в атомной индустрии, которой у Вьетна ма пока нет (то есть в свободной нише), отчетливо проявились признаки конкуренции России и Японии за получение первых контрактов.

Ключевые слова: Россия, Япония, Вьетнам, энергетика, энерго ресурсы, топливно энергетический комплекс, энергетическое ма шиностроение.

Автор: Мищенко Яна Вадимовна, кандидат экономических наук, старший научный сотрудник Центра японских исследований Института Дальнего Востока РАН, старший преподаватель МГУ им. М.В. Ломоносова. E mail: yanamischenko@gmail.com

Ya.V. Mischenko

Fuel and energy complex of Vietnam as an object of cooperation and competition between Russia and Japan: contemporary trends

Abstract: The article is dedicated to the consideration and analysis of modern trends of competition and cooperation between Russia and Ja pan for access to the energy markets of South East Asia on the example of Vietnam. With Vietnam, Russia has traditionally developed the most dynamic energy cooperation in comparison with other Southeast Asian countries, since Soviet times. The article shows that, for example, in the upstream and downstream segments of the oil and gas industry of Viet nam, each of the countries occupies its niche, although there are examp les of mutually beneficial three sided cooperation. Meanwhile, in the nuclear industry, which Vietnam does not yet have, and this niche rema ins free, the signs of competition between Russia and Japan for obtaining the first contracts are most clearly manifested.

Keywords: Russia, Japan, Vietnam, energy, energy resources, fuel and energy complex, energy engineering.

Author: Yana V. MISCHENKO, PhD (Economics), Senior Resear cher at the Centre for Japanese Studies of Institute of Far Eastern Studi es, Russian Academy of Sciences; Senior Lecturer at Moscow State Uni versity (e mail: yanamischenko@gmail.com).

Россия и Япония — две энергетические сверхдержавы, правда, каждая в своей нише, активно участвуют в сложном, многоуровне вом, многообразном сотрудничестве в сфере энергетики в Восточ ной Азии.

Россия традиционно выступает на глобальном энергетическом рынке как экспортер энергоресурсов. Страна планирует расширять экспорт углеводородов в Восточную Азию, справедливо полагая, что российские энергоносители могут стать фактором смягчения услож няющейся там энергетической ситуации [Мищенко 2017]. Второе направление развития национальной энергетики, которое определи ла для себя Москва на ближайшую перспективу, — это развитие внешнего сотрудничества в области энергетических технологий, по ставок на зарубежные рынки современных энергосистем и продук ции энергомашиностроения. В настоящее время спрос на эти виды