Examining the impact of the shadow economy on economic vulnerability

Subject Areas : Economic Development, Innovation, Technological Change, and Growth

Luay Adil Abbood ¹ , S. Jamaledin Mohseni Zonouzi ² , Yousef Mohammadzadeh ³

1 - PHD student of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran, [e-mail]
2 - Associate Professor of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran, (Crossponding Authur), [e-mail]
3 - Associate Professor of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran, [e-mail]

Received: 2025-01-05 Accepted : 2025-05-03 Published : 2025-07-19

Keywords: Shadow Economy, Economic Vulnerability, PSTR Approach JEL Classification: O17, O40, C33,

Abstract :

In recent decades, economic vulnerability has become a pressing concern for developing countries, driven by factors such as globalization and structural instability. Despite its significance, the role of the shadow economy in exacerbating this vulnerability has received limited attention. This study investigates the nonlinear impact of the shadow economy on economic vulnerability in emerging economies from 2007 to 2021, emphasizing the moderating effect of natural resource endowments. Utilizing the Panel Smooth Transition Regression (PSTR) method, which captures threshold-dependent dynamics, the analysis differentiates between resource-rich and resource-poor countries. The results indicate that the shadow economy significantly increases economic vulnerability, but this effect is less severe in countries with abundant natural resources. Additionally, the study finds that financial development and strong governance—particularly government efficiency and control of corruption—can mitigate vulnerability. Policy recommendations include reforming tax systems, improving monitoring of economic transactions, strengthening financial institutions, enhancing governance, and managing natural resources more effectively. By incorporating both the nonlinear effects of informality and the influence of natural resources, the study offers a nuanced framework for policymakers in emerging economies.

References:

- - اسدزاده، احمد و جلیلی، زهرا (1394). اقتصاد سایه و نابرابری درآمد در ایران. فصلنامه مدلسازی اقتصادی، 9(2)، 101-91.
- حسن مهیجر، جابر، حکمتی فرید، صمد، رضازاده، علی و محمدزاده، یوسف (1404). بررسی تأثیر اقتصاد سایه بر عملکرد بازار مالی و بخش بانکی کشورهای عضو BRICS (رویکرد Panel SUR). مدیریت دارایی و تامین مالی. 13(2)، 28-1. https://doi.org/10.22108/amf.2024.142315.1905
- خاندوزی، سیداحسان و میرنظامی، ابراهیم (1398). سنجش تاثیر پیچیدگی اقتصادی بر شاخص آسیب¬پذیری و تاب¬آوری. جستارهای اقتصادی، 16(32 )، 33-9. https://doi.org/10.30471/iee.2020.5502.1777
- شنیشل، ذرسعدون، محمدزاده، یوسف، بشیر خداپرستی، رامین و جهانگیری، شهاب (1403). بررسی تاثیر ریسک سیاسی بر اقتصاد سایه: رویکرد پانل کوانتایل. فصلنامه مدل‌سازی اقتصادی، 18(65)، 72-45. https://doi.org/10.71849/ECO.2024.1127783
- فراهتی، محبوبه (1399). مدل¬سازی اثرات جایگزینی مالیات¬ها بر اندازه اقتصاد سایه (کاربرد تجربی برای اقتصاد ایران). مدلسازی اقتصادی، 14(50)، 76-53. https://doi.org/10.30495/eco.2020.674217
- فربد، دانیال، فلاحی، محمدعلی و صالح¬نیا، نرگس (1400). بررسی تأثیر ریسکهای اقتصادی، مالی و سیاسی بر شاخص آسیب¬پذیری نفرین منابع در کشورهای منطقه منا. پژوهشنامه اقتصاد انرژی ایران، 11(11)، 161-131. https://doi.org/22054/jiee.2022.67575.1905
- Alvarado, R., Tillaguango, B., López-Sánchez, M., Ponce, P., & Isık, C. (2021). Heterogeneous impact of natural resources on income inequality: The role of the shadow economy and human capital index. Economic Analysis and Policy, 69, 690-704. https://doi.org/10.1016/j.eap.2021.01.015
- Angeon, V., & Bates, S. (2015). Reviewing composite vulnerability and resilience indexes: A sustainable approach and application. World Development, 72, 140-162. doi.org/10.1016/j.worlddev.2015.02.011
- Asadzadeh, A., & Jalili, Z. (2015). Shadow economy and income inequality in Iran. Economic Modeling, 9(2), 30, 91-109. (in persian)
- Audu, S. I. (2020). National transparency and the performance of the financial market in Nigeria. International Journal of Business and Financce Management Research, 8(1), 10-14. doi.org/10.33500/ ijbfmr.2020.08.002
- Baker, C. (2009). The economic implications of the nformal economy: A guide to dumping and informal trade. Journal of Economic Perspectives, 23(1), 139-157.
- Berdiev, A. N., & Saunoris, J. W. (2016). Financial development and the shadow economy: A panel VAR analysis. Economic Modelling, 57, 197-207. doi.org/10.1016/j.econmod.2016.03.028
- Biswas, S., & Nautiyal, S. (2023). A review of socio-economic vulnerability: The emergence of its theoretical concepts, models and methodologies. Natural Hazards Research, 3(3), 563-571. doi.org/10.1016/j.nhres.2023.05.005
- Bhattacharyya, S., & Hodler, R. (2014). Do natural resource revenues hinder financial development? The role of political institutions. World Development, 57, 101-113. doi.org/10.1016/j.worlddev.2013.12.003
- Briguglio, L., Cordina, G., Farrugia, N., & Vella, S. (2014). Economic vulnerability and resilience: concepts and measurements. In Measuring Vulnerability in Developing Countries, Routledge, 47-65. doi.org/10.1080/13600810903089893
- Buehn, A., & Schneider, F. (2012). Size and development of the shadow economies of 31 European and 21 other OECD countries from 2003 to 2013. Johannes Kepler University.
- Chaudhuri, S., & Mukhopadhyay, U. (2009). Revisiting the informal sector: a general equilibrium approach. Springer Science & Business Media.
- Çiçek, D., & Elgin, C. (2011). Cyclicality of fiscal policy and the shadow economy. Empirical Economics, 41, 725-737. doi.org/10.1007/s00181-010-0409-0
- Dada, J. T., Ajide, F. M., Arnaut, M., & Al-Faryan, M. A. S. (2024). On the contributing factors to shadow economy in Africa: Do natural resources, ethnicity and religious diversity make any difference? Resources Policy, 88, 104478. doi.org/10.1016/j.resourpol.2023.104478
- Dell’Anno, R. (2016). Analysing the determinants of the shadow economy with a “separate approach”. Journal of Economic Studies, 43(3), 497-528. doi.org/10.1016/j.worlddev.2015.08.026
- Elgin, C. (2020). The informal economy: Measures, causes, and consequences. Routledge Frontiers of Political Economy. 1st Edition.
- Elgin, C., & Oztunali, O. (2012). Shadow economies around the world: Model based estimates. Boğaziçi University Working Paper. Bogazici University, Department of Economics.
- Farahati, M. (2020). Modeling the effects of tax substitution on the size of the shadow economy (An empirical application for Iran's economy). Economic Modeling, 14(2), 53-76. doi.org/10.30495/eco.2020.674217 (in persian)
- Farbod, D., Falahi, M. A., & Salehnia, N. (2021). Investigating the impact of economic, financial, and political risks on the resource curse vulnerability index in MENA region countries. Iranian Energy Economics Research Journal, 11(11), 161-311. doi.org/22054/jiee.2022.67575.1905 (in persian)
- Fay, M., & Opal, C. (2000). Urbanization without growth: A not so uncommon Policy Research working Paper; No. 2412. World Bank Publications.
- Feige, E. L. (2016). Reflections on the meaning and measurement of unobserved economies: What do we really know about the "shadow economy"? Journal of Tax Administration, 2(1), 5-25.
- Feld, L. P., & Schneider, F. (2010). Survey on the Shadow Economy and Undeclared Income in OECD Countries. OECD Economic Studies. doi.org/1111/j.1468-0475.2010.00509.x
- Gonzalo, J., & Pitarakis, J. Y. (2002). Estimation and model selection based inference in single and multiple threshold models. Journal of econometrics, 110(2), 319-352. doi.org/10.1016/S0304-4076(02)00098-2
- Hajilee, M., Stringer, D. Y., & Hayes, L. A. (2021). On the link between the shadow economy and stock market development: An asymmetry analysis. The Quarterly Review of Economics and Finance, 80, 303-316. doi.org/10.1016/j.qref.2021.02.011
- Hasan Mhejir, J., Hekmati Farid, S., Rezazadeh, A., & Mohammadzadeh, Y. (2025). Investigating the impact of the shadow economy on financial market performance and the banking sector of BRICS countries (Panel SUR approach). Asset Management and Financing, 13(2), 1-28. doi.org/10.22108/amf.2024.142315.1905 (in persian)
- Hinds, R. (2015). Economic growth and fragility. GSDRC Helpdesk Research Report.
- Junior, C. J. C., Garcia-Cintado, A. C., & Usabiaga, C. (2021). Fiscal adjustments and the shadow economy in an emerging market. Macroeconomic Dynamics, 25(7), 1666-1700. doi.org/10.1017/S1365100519000828
- Kao C. (1999). Spurious regression and residual-based tests for cointegration in panel data. Journal of Econometrics, 90(1), 1–44. doi.org/10.1016/S0304-4076(98)00023-2
- Kar, S., & Bhanumurthy, N. R. (2019). Impact of informal economy on macro-economic indicators: Evidence from India. The Journal of Economic Asymmetries, 18, e00103. doi.org/10.3390/su141911989
- Kelikume, I. (2021). Digital financial inclusion, informal economy and poverty reduction in Africa. Journal of Enterprising Communities: People and Places in the Global Economy, 15(4), 626-640. doi.org/10.1108/JEC-06-2020-0124
- Khandoozi, S. A., & Mirnezami, E. (2019). Measuring the impact of economic complexity on vulnerability and resilience index. Economic Essays, 16(32), 9-33. doi.org/10.30471/iee.2020.5502.1777 (in persian)
- Levine, R. (2005). Finance and growth: theory and evidence. NBER Working Paper. No. 10766. doi.org/10.3386/w10766
- Levitt, S. D., & Venkatesh, S. A. (2000). An economic analysis of a drug-selling gang's finances. Quarterly Journal of Economics, 115(3), 755-789. doi.org/10.1162/003355300554908
- Maloney, W. F. (2004). Informality revisited. World Development, 32(7), 1159-1178. doi.org/10.1016/j.worlddev.2004.01.008
- Mazhar, U., & Jafri, J. (2017). Can the shadow economy undermine the effect of political stability on inflation? Empirical evidence. Journal of applied economics, 20(2), 395-420. doi.org/10.1016/S1514-0326(17)30018-1
- Medina, L., & Schneider, F. (2018). Shadow economies around the world: What did we learn over the last 20 years? IMF Working Paper No. 18/17.
- Modica, M., & Reggiani, A. (2015). Spatial economic resilience: overview and perspectives. Networks and Spatial Economics, 15, 211-233. doi.org/10.1007/s11067-014-9261-7
- Murray, C. (2007). The anti-politics machine: Development, depoliticization and bureaucratic power in Lesotho. University of Calgary Press.
- Nguyen, D. V., & Duong, M. T. H. (2021). Shadow economy, corruption and economic growth: an analysis of BRICS countries. The Journal of Asian Finance, Economics and Business, 8(4), 665-672. doi.org /10.13106/jafeb.2021.vol8.no4.0665
- Ohnsorge, F., & Yu, S. (2021). The long shadow of informality. World Bank Group. /doi.org /10.1596/978-1-4648-1753-3
- Ortiz, C., Alvarado, R., Méndez, P., & Flores-Chamba, J. (2022). Environmental impact of the shadow economy, globalisation, and human capital: capturing spillovers effects using spatial panel data approach. Journal of Environmental Management, 308, 114663. doi.org/10.1016/j.jenvman.2022.114663
- Pesaran, M. H. (2021). General diagnostic tests for cross-sectional dependence in panels. Empirical economics, 60(1), 13-50. doi.org/10.2139/ssrn.572504
- Pham, M. H., Truong, H. D. H., & Hoang, D. P. (2024). Economic complexity, shadow economy, and income inequality: fresh evidence from panel data. International Economic Journal, 38(2), 270-292. doi.org/10.1080/10168737.2024.2311704
- Saadoon-Shnaishel, T., Mohammadzadeh Y., Bashir-Khodaparasti, R., & Jahangiri, S. (2024). Investigating the impact of political risk on the shadow economy: A quantile panel approach. Economic Modeling, 18(65), 45-72. doi.org/10.71849/ECO.2024.1127783 (in persian)
- Sachs, J. D., & Warner, A. M. (2001). The curse of natural resources. European Economic Review, 45(4-6), 827-838. doi.org/10.1016/S0014-2921(01)00125-8
- Safuan, S., Habibullah, M. S., & Sugandi, E. A. (2021). Mitigating the shadow economy through financial sector development in Indonesia: some empirical results. Heliyon, 7 (12), e08633. doi.org/10.1016/j.heliyon.2021.e08633
- Saha, S., Beladi, H., & Kar, S. (2021). Corruption control, shadow economy and income inequality: Evidence from Asia. Economic Systems, 45(2), 100774. doi.org/10.1016/j.ecosys.2020.100774
- Schneider, F. (2013). Size and development of the shadow economies of 31 european and 21 other OECD countries from 2003 to 2013. Johannes Kepler University.
- Schneider, F., & Buehn, A. (2012). Shadow economies in highly developed economies: What are the driving forces? International Economic Journal, 26(4), 543-558. doi.org/10.2139/ssrn.2161228
- Schneider, F., & Enste, P. (2000). Shadow economies: Size, causes, and consequences. Journal of Economic Literature, 38(1), 77-114. doi.org/10.1257/jel.38.1.77
- Schneider, F., & Williams, C. C. (2013). The shadow economy. Institute of Economic Affairs Monographs, doi.org/10.2139/ssrn.3915632
- Stojanović, I., Ateljević, J., & Stević, R. S. (2016). Good governance as a tool of sustainable development. European Journal of Sustainable Development, 5(4), 558-558. doi.org/10.14207/ejsd.2016.v5n4p558
- Tanzi, V., & Davoodi, H. (1997). Corruption, public investment, and growth. IMF Working Paper. No. 1997/139.
- Torgler, B. (2003). The nature of the underground economy: A comparative study of the situation in Europe and the United States. Applied Economics Letters, 10(7), 439-442.
- Unver, M., & Dogru, B. (2015). The determinants of economic fragility: case of the fragile five countries. Akdeniz İ.İ.B.F. Dergisi, 31, 1-42.
- Achim, M. V., & Borlea, S. N. (2020). Economic and financial crime: Corruption, shadow economy, money laundering, (20). Springer Nature. doi.org/10.1007/978-3-030-51780-9
- Williams, C. C., & Martinez-Perez, A. (2016). Why do consumers purchase goods and services in the informal economy? Journal of Business Research, 69(3), 979-985. doi.org/10.1016/j.jbusres.2013.11.048
- Yevdokimov, Y., Melnyk, L., Lyulyov, O., Panchenko, O., & Kubatko, V. (2018). Economic freedom and democracy: Determinant factors in increasing macroeconomic stability. Problems and Perspectives in Management, 16(2), 279-290. doi.org/10.1016/ppm.16(2).2018.26

Full-Text:



Economic Modeling sanad.iau.ir/journal/eco

 

Original Article

Examining the impact of the shadow economy on economic vulnerability

Luay Adil Abbood¹, Seyed Jamaledin Mohseni Zonouzi², 
Yousef Mohammadzadeh³

https://doi.org/10.71849/ECO.2025.1195608

Abstract  In recent decades, economic vulnerability has become a pressing concern for developing countries, driven by factors such as globalization and structural instability. Despite its significance, the role of the shadow economy in exacerbating this vulnerability has received limited attention. This study investigates the nonlinear impact of the shadow economy on economic vulnerability in emerging economies from 2007 to 2021, emphasizing the moderating effect of natural resource endowments. Utilizing the Panel Smooth Transition Regression (PSTR) method, which captures threshold-dependent dynamics, the analysis differentiates between resource-rich and resource-poor countries. The results indicate that the shadow economy significantly increases economic vulnerability, but this effect is less severe in countries with abundant natural resources. Additionally, the study finds that financial development and strong governance—particularly government efficiency and control of corruption—can mitigate vulnerability. Policy recommendations include reforming tax systems, improving monitoring of economic transactions, strengthening financial institutions, enhancing governance, and managing natural resources more effectively. By incorporating both the nonlinear effects of informality and the influence of natural resources, the study offers a nuanced framework for policymakers in emerging economies.

Received: 01/05/2025   Accepted: 03/05/2025   Keywords:  Shadow Economy, Economic Vulnerability, PSTR Approach   JEL Classification:  O17، O40، C33

 

 

 

1.‌ Introduction

Economic vulnerability—an increasingly pivotal topic in economic and social research—captures the constellation of economic and social conditions that renders certain population groups especially susceptible to shocks, with consequences ranging from income inequality, poverty, and unemployment to social instability and diminished quality of life (Parry et al., 2007; Frisch & Acker, 2020). Evidence suggests that large informal sectors exacerbate these outcomes by depressing labor‑market conditions and undermining equitable income distribution; in many countries, individuals gravitate toward informal employment when formal jobs are scarce or access to them is highly unequal (Feld & Schneider, 2010). Although policymakers and scholars increasingly recognize economic vulnerability as a pressing challenge, the specific role of the shadow economy in shaping a country’s vulnerability remains under‑explored. This study therefore, examines how the size of the shadow economy influences economic vulnerability in emerging economies. The remainder of the paper reviews theoretical and empirical literature, describes the data and model, presents estimation results, and concludes with a discussion of policy implications.

 

2. Research Method and Data

To investigate the impact of the shadow economy on economic vulnerability, this study employs a nonlinear panel data methodology. Specifically, the Panel Smooth Transition Regression (PSTR) approach is used to assess how natural resource abundance moderates this relationship, with the level of resource abundance serving as the transition variable. The analysis is based on a sample of 47 emerging economies, selected according to established studies and indices, covering the period from 2007 to 2021 to ensure sufficient data availability for robust and comprehensive analysis.

 

3.‌ Analysis and Discussion

Across the two regimes, the shadow economy is positively associated with economic vulnerability, though its impact moderates as natural‑resource rents rise: below the 5.79 %‑of‑GDP threshold, each unit increase in the shadow economy raises vulnerability by 0.1828 units, whereas above the threshold the coefficient falls to 0.1585. Financial development lowers vulnerability in both regimes, and its mitigating effect doubles from –0.0485 to –0.1006 when rents exceed the threshold, indicating stronger protection in resource‑rich economies. The buffering influence of per‑capita GDP weakens beyond the threshold, shifting from –0.1035 to –0.012, while urbanization’s adverse effect intensifies from 0.0684 to 0.0812. Economic freedom remains a significant stabilizer, yet its benefit drops sharply in the high‑rent regime (from –0.5394 to –0.0029). Governance quality also reduces vulnerability in both regimes, with its effect strengthening from –0.0205 to –0.0813 once natural‑resource rents surpass the threshold.

 

4.‌ Conclusion

The findings indicate that the size of the shadow economy exerts a positive impact on economic vulnerability. In emerging countries, the shadow economy is often linked to illegal activities and corruption, which generate economic uncertainty and instability, thereby heightening vulnerability. Moreover, widespread tax evasion within the shadow economy reduces government revenue, limiting public investment in infrastructure and essential services, and increasing exposure to external shocks. Illegal operations, corruption, diminished fiscal capacity, and underinvestment in public goods collectively contribute to rising economic vulnerability. However, significant disparities in natural resource endowments among emerging countries may alter the intensity of these effects. To examine this heterogeneity, the study applies the PSTR approach to distinguish between resource-rich and resource-poor countries. The results demonstrate that the adverse effects of the shadow economy on economic vulnerability are less severe in resource-rich countries, suggesting that abundant natural resources may buffer or offset some of the negative consequences associated with informal economic activity.

 

Funding

There was no financial support received for this study.

 

Declaration of Competing Interest

The authors declare that they have no conflict of interest.

 

Acknowledgments

We gratefully acknowledge the anonymous reviewers for their valuable comments and suggestions, which significantly contributed to improving our work.

 

---

[1] *PHD Student in Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran, [e-mail]

[2] **Associate Professor, Faculty of Economics and Management, Urmia University, Urmia, Iran, (Crossponding  Authur), [e-mail]

[3] +Associate Professor, Faculty of Economics and Management, Urmia University, Urmia, Iran, [e-mail]

How to Cite: Adil Abbood, L., Mohseni Zonouzi, SJ., Mohammadzadeh., Y (2025), Examining the impact of the shadow economy on economic vulnerability. Economic Modeling. 19 (69): 27-52.                                            

پژوهشی                   

بررسی تاثیر اقتصاد سایه بر آسیب­پذیری اقتصادی¹

لوی عادل عبود²، سیدجمال­الدین محسنی زنوزی³، یوسف محمدزاده⁴

https://doi.org/10.71849/ECO.2025.1195608

تاریخ دریافت: 16/10/1403 تاریخ پذیرش: 13/02/1403   واژگان کلیدی:  اقتصاد سایه، آسیب­پذری اقتصادی، رویکرد PSTR    طبقه‌بندی JEL: O17، O40، C33

چکیده در دهه­های اخیر، آسیب­پذیری اقتصادی علی­الخصوص در کشورهای درحال­توسعه، تحت تأثیر چالشهای پیچیده، به موضوعی حیاتی تبدیل شده است. با این­حال، نقش اقتصاد سایه، یکی از عوامل کلیدی مؤثر بر این آسیب­پذیری، کمتر مورد توجه پژوهش­های پیشین قرار گرفته است. هدف این مقاله، تحلیل تأثیر غیرخطی اقتصاد سایه بر آسیب­پذیری اقتصادی کشورهای نوظهور طی دوره ۲۰۲۱-۲۰۰۷ است. با به­کارگیری روش رگرسیون انتقال ملایم آستانه­ای (PSTR)، که امکان بررسی آثار متغیر با توجه به آستانه­های خاص را فراهم می‌کند، رابطه پویا بین اقتصاد غیررسمی و آسیب­پذیری اقتصادی در دو گروه از کشورها (دارای منابع طبیعی غنی و فاقد آن) سنجش شد. یافته­ها نشان می­دهد که اقتصاد سایه تأثیر مثبت و فزاینده­ای بر آسیب­پذیری اقتصادی دارد، اما شدت این رابطه در کشورهای برخوردار از منابع طبیعی به­طور معناداری کاهش می­یابد. همچنین، توسعه مالی و بهبود شاخص­های حکمرانی (مانند کارآمدی دولت و کنترل فساد) به­عنوان عوامل کاهنده آسیب‌‌پذیری شناسایی شدند. در راستای این نتایج، محدودسازی اقتصاد سایه از طریق اصلاحات ساختاری در نظام مالیاتی و نظارت بر تراکنش­های اقتصادی، تقویت نهادهای مالی و شفافیت بازارها برای کاهش انگیزه فعالیت­های غیررسمی، بهبود کارآمدی دولت­ها و کنترل فساد و مدیریت بهینه منابع طبیعی به­منظور تعدیل اثرات منفی اقتصاد زیرزمینی از توصیه‌های سیاستی این مطالعه است.

 

 

---

[1]  این مقاله مستخرج از رساله دکتری نویسنده اول  است.

[2] * دانشجوی دکتری علوم اقتصادی، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. [e-mail]

[3] ** دانشیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران (نویسنده مسئول). [e-mail]

[4] + دانشیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.             [e-mail]

1.‌ مقدمه

آسیب‌پذیری اقتصادی به شرایطی اشاره دارد که گروه‌های خاصی از جامعه در برابر تغییرات اقتصادی، اجتماعی و محیطی آسیب‌پذیرتر می‌شوند. این پدیده با عواملی مانند نابرابری درآمدی، فقر، بیکاری و کاهش کیفیت زندگی مرتبط است. اقتصاد سایه (فعالیت‌های اقتصادی غیررسمی) به فعالیت‌هایی اطلاق می‌شود که خارج از نظارت قانونی و سیستم مالیاتی دولت انجام می‌شوند، مانند مشاغل غیررسمی و مبادلات نقدی غیرشفاف (اشنایدر و ویلیامز¹، 2013؛ مدینه و اشنایدر²، 2018). این پدیده نقش دوگانه دارد: از یک سو، مکانیسمی انطباقی برای جبران ناکارآمدی نهادهای رسمی است و ازسوی دیگر، با تضعیف نظام مالیاتی، آسیب‌پذیری ساختاری اقتصاد را تشدید می‌کند (دل‌آنو³، ۲۰۱۶). اقتصاد سایه در کشورهای درحال توسعه به­دلیل ضعف نظام مالیاتی، بوروکراسی ناکارآمد، بیکاری بالا و محدودیت‌های تجاری، سهم بزرگتری نسبت به کشورهای صنعتی دارد (فراهتی، ۱۳۹۹؛ کاستا-جونیور و همکاران⁴، 2017). با این حال، ماهیت پنهان این فعالیت‌ها، اندازه‌گیری دقیق و تحلیل عوامل مؤثر بر آن را دشوار می­کند(سعدون شنیشل و همکاران، ۱۴۰۳).

تحقیقات نشان می‌دهد اقتصاد غیررسمی با اثرات منفی بر بازار کار و توزیع عادلانه درآمد مرتبط است. در بسیاری کشورها، کمبود شغل رسمی یا شرایط ناعادلانه، افراد را به بخش غیررسمی سوق می‌دهد (فلد و اشنایدر⁵، 2010). این وضعیت چرخه باطل فقر ایجاد و نابرابری اقتصادی را تشدید می‌کند (ساحا و همکاران⁶، 2021). همچنین، فعالیت‌های غیررسمی نهادهای دولتی و اجتماعی را تضعیف کرده و با افزایش فساد و کاهش شفافیت، پایداری اقتصادی-اجتماعی را تهدید می‌کند (اسدزاده و جلیلی، ۱۳۹۴). بزرگ شدن اقتصاد سایه پیامدهایی مانند تعمیق نابرابری درآمدی (آلوارادو و همکاران⁷، 2021)، کاهش بهره­وری و تشکیل سرمایه(انسورگ و یو⁸، 2022)، رشد فساد، رانت­خواری و جرمهای مالی(اچیم و بورلا⁹، 2020)، تخریب محیط­زیست(اورتیز و همکاران¹⁰، 2022)، افزایش شدت انرژی(دادا و همکاران¹¹، 2024)، تخریب بازارهای رقابتی مثل بازار سهام(هاجیلی و همکاران¹²، 2021) و تضعیف ثبات و کارایی مالی دولت­ها(بردیو و سانوریس¹³، 2016) دارد. بنابرین می­توان انتظار داشت، اندازه اقتصاد سایه بر میزان آسیب­پذیری اقتصادی کشورها اثر قابل­توجهی داشته باشد، ولی این موضوع مورد توجه جدی مطالعات قبلی واقع نشده است. همچنین با توجه به ماهیت دوگانه اقتصاد سایه در تشدید یا کاهش آسیب­پذیری اقتصادی با تمرکز بر سازوکارهایی مانند فرار مالیاتی، توسعه بازارهای غیررسمی و تعامل ناکارآمد با نهادهای نظارتی است، این اثرگذاری ممکن است در سطوح مختلف اندازه اقتصاد غیررسمی دارای آثار متفاوتی باشد که در مطالعات قبلی به آن توجه نشده است.

بنابرین هدف این مطالعه بررسی مهمترین تعیین­کننده­های آسیب­پذیری اقتصادی با تاکید بر اثرات اقتصاد سایه و کانالهای اثرگذاری آن بر آسیب­پذیری اقتصادی در کشورهای نوظهور است. در ادامه به بررسی ادبیات نظری و تجربی موضوع پرداخت شده و در بخش سوم به معرفی داده­ها و مدل تحقیق پرداخت خواهد شد. در نهایت نتایج برآورد مدل تحقیق ارائه شده و مورد بحث و نتیجه­گیری ارائه خواهد شد.

 

2.‌ مروری بر ادبیات

اقتصاد سایه و پنهان به فعالیت‌های اقتصادی خارج از چارچوب قوانین رسمی اطلاق می‌شود که به‌ویژه در کشورهای درحال‌توسعه و نوظهور، تحولات ساختاری قابل­توجهی ایجاد کرده است (اشنایدر و انسته¹⁴، ۲۰۰۰). این بخش شامل مشاغل غیرثبت، کارگران بدون قرارداد و فعالیت‌های غیرقانونی است که چالش‌های جدی برای سیاستگذاران اقتصادی به همراه دارد (تورگلر¹⁵، 2003؛ سافوان و همکاران¹⁶، 2021). برآورد حجم اقتصاد سایه به­دلیل فقدان شاخص‌های رسمی، همواره پیچیده بوده است (الجین¹⁷، 2020).

نهادهای سایه (شامل شبکه‌ها و سازوکارهای غیررسمی) خارج از نظارت دولت فعالیت می‌کنند و نقش دوگانه دارند: از یک سو با فراهم‌آوری زیرساخت‌های انعطاف‌پذیر (مانند سیستم‌های مالی غیررسمی)، تاب‌آوری جوامع در برابر شوک‌هایی مانند تحریم‌ها را افزایش می‌دهند، و ازسوی دیگر، به­دلیل ماهیت غیرشفاف، ریسک‌هایی مانند پولشویی و فرار مالیاتی را تشدید می‌کنند (فیج¹⁸، 2016؛ ویلیامز و مارتینز-پرز¹⁹، 2016).

بررسی­های متعددی در خصوص اثرات اقتصاد سایه بر ابعاد مختلف اقتصادی و اجتماعی جوامع انجام شده است. ولی یکی از مفاهیم مهم که اخیرا در ادبیات بخش اقتصادی کشورها مورد توجه جدی قرار گرفته است، میزان آسیب‌پذیری آن است. آسیب‌پذیری اقتصادی به­معنای حساسیت کشورها به شوک‌های داخلی و خارجی است که با عوامل ساختاری مانند اقتصاد سایه و ناپایداری سیاست‌ها تشدید می‌شود (بیسواس و نوتیال²⁰، 2023). این مفهوم شامل توانایی سیستم اقتصادی در مواجهه با بحران‌هاست و شاخص‌های آن توسط بریگوگلیو و همکاران (۲۰۱۴) توسعه یافته است (آنگیون و باتس، ۲۰۱۵؛ مودیکا و رگیانی²¹، ۲۰۱۵).مطالعات متعددی عوامل مؤثر بر آسیب‌پذیری اقتصادی را بررسی کرده‌اند، اما نقش اقتصاد سایه در این زمینه کمتر مورد توجه بوده است. با توجه به ماهیت دوگانه اقتصاد سایه، می‌توان استدلال کرد این پدیده از طریق کانال‌هایی مانند کاهش درآمدهای مالیاتی، رشد فساد، تضعیف بخش رسمی اقتصاد و کاهش شفافیت بر آسیب‌پذیری اقتصادی اثر می‌گذارد.

یکی از این کانال­ها کاهش درآمدهای مالیاتی است. اقتصاد سایه با عدم ثبت فعالیت‌ها، درآمدهای مالیاتی دولت را کاهش می‌دهد و توانایی تأمین خدمات عمومی و سرمایه‌گذاری در زیرساخت‌ها را تضعیف می‌کند (اشنایدر²²، ۲۰۱۳). این امر همچنین هزینه‌های اضافی برای نظارت و کنترل فعالیت‌های غیررسمی به دولت تحمیل می‌کند و کارایی نهادهای رسمی را کاهش می‌دهد (بردیو و سانوریس²³، 2016). گسترش بخش غیررسمی، مکانیسم‌های مقابله با شوک‌های بیرونی را ناکارآمد می­کند (چیچک و الجین²⁴، 2011).

کانال دیگر رشد فساد در بخش غیررسمی اقتصاد است. فعالیت‌های غیررسمی با افزایش فساد و رشوه‌خواری، بی‌اعتمادی سرمایه‌گذاران و کاهش جذب سرمایه‌های خارجی را به همراه دارد (تازی و داوودی²⁵، 1997). فقدان شفافیت در این بخش، ریسک‌های مالی و بحران‌های بانکی را تشدید می‌کند.

کانال دیگر اثرگذاری اقتصاد سایه برآسیب­پذیری اقتصادی، تضعیف بخش‌های رسمی اقتصاد است. اقتصاد سایه با کاهش رقابت‌پذیری شرکت‌های رسمی، سرمایه‌گذاری داخلی و خارجی را محدود کرده و بیکاری را افزایش می‌دهد (باکر²⁶، 2009). این پدیده همچنین اجرای سیاست‌های اقتصادی را مختل می‌کند، چراکه سیاستگذاران با عدم دسترسی به داده‌های دقیق، قادر به پیش‌بینی پیامدهای سیاست‌ها نیستند. تقاضای منابع مالی در بخش غیررسمی، هزینه‌های تأمین مالی (مانند نرخ بهره) را افزایش داده و فرآیند تامین مالی را تضعیف می‌کند (ماژار و جفری²⁷، 2017). افزون بر این، افزایش فعالیت‌های غیرشفاف اقتصاد سایه، عملکرد بخش مالی را مختل می‌کند (آدو²⁸، 2020). این عدم شفافیت، آسیب‌پذیری سیستم اقتصادی را در برابر بحران‌ها تشدید می‌کند. در نمودار ۱ خلاصه کانال­های تاثیرگذاری اقتصاد سایه بر آسیب­پذیری اقتصادی نمایش داده شده است.

 

 

نمودار 1. کانال­های تاثیرگذاری اقتصادی سایه برآسیب­پذیری اقتصادی

 

اقتصاد سایه در ایران به­دلیل ویژگی­های ساختاری منحصربه­فرد (مانند نهادهای نیمه­دولتی با معافیت­های مالیاتی گسترده و عدم شفافیت گزارش­دهی) نقش پیچیده­ای در افزایش آسیب­پذیری اقتصادی ایفا می­کند. این نهادها در حوزه­هایی مانند انرژی و املاک، با اتصال به شبکه­های موازی، تعادل رقابتی را مختل کرده و زمینه­ساز فساد و نابرابری درآمدی هستند. برآوردها سهم اقتصاد سایه را 30-35 درصد از تولید ناخالص داخلی نشان می­دهند. این بخش با جبران کاستی­های نظام مالیاتی و ایجاد اشتغال موقت، انعطاف­پذیری اقتصاد را افزایش می­دهد، اما ازسوی دیگر، با کاهش درآمدهای دولت و تشدید نابرابری، آسیب­پذیری ساختاری را در برابر بحران­ها تقویت می­کند. نهادهای موازی (شامل شبکه­های اعتباری غیررسمی و کانال­های توزیع خارج از چارچوب رسمی) به­ عنوان سازوکارهای انطباقی در پاسخ به تحریم­ها و بوروکراسی پیچیده شکل گرفته­اند. این نهادها تاب­آوری اقتصادی را در کوتاه­مدت افزایش می­دهند، اما با تشدید فرار مالیاتی و تضعیف حاکمیت قانون، ریسک­های سیستماتیک بلندمدت را دامن می­زنند. این دوگانگی، ضرورت بازتعریف نقش نهادهای نظارتی و طراحی سیاست­های یکپارچه برای کاهش هزینه­های اقتصاد سایه را آشکار می­سازد.

 

مطالعات تجربی

تأثیرات اقتصاد سایه بر آسیب‌پذیری اقتصادی کشورها موضوعی پیچیده است که در مطالعات متعددی با روش‌شناسی‌های متنوع بررسی شده است. اشنایدر و انسته(2000) با تمرکز بر کشورهای OECD، رابطه معکوس بین اندازه اقتصاد سایه و رشد اقتصادی را نشان داد. این پژوهش با استفاده از داده‌های تولید ناخالص داخلی و مشاغل غیررسمی، استدلال کرد که کاهش درآمدهای مالیاتی ناشی از فعالیت‌های غیرشفاف، توانایی دولت‌ها در ارائه خدمات اساسی را محدود می‌کند. تورگلر²⁹(2003) در مقاله‌ای تحت موضوع طبیعیت اقتصاد زیرزمینی، به بررسی ابعاد اقتصادی و اجتماعی اقتصاد سایه پرداخت. نتایج نشان‌دهنده این بود که اقتصاد سایه می‌تواند به کاهش اعتماد عمومی به نهادها به ضعف اقتصادی منجر شود. در سطح خرد، مورای³⁰(۲۰۰۷) با استفاده از داده‌های پیمایشی، پیامدهای کار در بخش غیررسمی بر ناپایداری درآمدی و محرومیت از حمایت‌های اجتماعی را تحلیل کرد. این پژوهش تأکید داشت که فقدان دسترسی به بیمه‌های اجتماعی و قراردادهای رسمی، تاب‌آوری اقتصادی خانوارها را به شدت کاهش می‌دهد.

باکر (۲۰۰۹) در مطالعه‌ای بر کشورهای توسعه‌یافته، ارتباط بین بازار کار غیررسمی و فساد ساختاری را بررسی کرد. نتایج نشان داد که فعالیت‌های غیرشفاف در بخش‌هایی مانند ساخت‌وساز و خدمات، شبکه‌های رانتی را تقویت کرده و اجرای سیاست‌های ضدفساد را با چالش مواجه می‌سازد. چادوری و ماکوپادای³¹(2009) نیز در پژوهش خود، تأثیر اقتصاد سایه بر ناپایداری اقتصاد کلان را تحلیل کردند. این مطالعه با تمرکز بر بازارهای در حال توسعه، استدلال کرد که فقدان داده‌های دقیق از بخش غیررسمی، توانایی دولت‌ها در طراحی سیاست‌های پولی و مالی کارآمد را تضعیف می‌کند. بوان و اشنایدر³²(2012) در تحلیل ۵۰ کشور، رابطه معکوس بین حجم اقتصاد سایه و جذب سرمایه‌گذاری مستقیم خارجی (FDI) را نشان دادند. این پژوهش تأکید کرد که سرمایه‌گذاران بین‌المللی به دلیل ریسک بالای فعالیت در اقتصادهای غیرشفاف، تمایل کمتری به ورود به بازارهای با سهم بالای بخش غیررسمی دارند. در همین راستا، سینا و شارما³³(2014) با بررسی موردی هند، کاهش درآمدهای مالیاتی و ضعف در توسعه زیرساخت‌ها را از پیامدهای کلیدی اقتصاد سایه معرفی کردند. آنور و دوگرو³⁴(۲۰۱۵) در مطالعه‌ای تجربی بر کشورهای بریکس، رابطه پایداری مالی با متغیرهایی مانند نرخ ارز، ذخایر خارجی و بدهی عمومی را تحلیل کردند. نتایج نشان داد که نوسانات نرخ ارز و وابستگی به واردات انرژی، آسیب‌پذیری مالی این کشورها را تشدید می‌کند. پژوهش ماستروریلو و همکاران (۲۰۱۶) نیز نشان داد که کاهش پیش‌بینی‌پذیری سیاست‌های اقتصادی و افزایش آسیب‌پذیری بنگاه‌های کوچک از تبعات اقتصاد سایه است.

در حوزه حکمرانی، گودوی و همکاران (۲۰۱۸) استدلال کردند که غفلت از بخش غیررسمی در طراحی سیاست‌ها، مشروعیت نهادهای دولتی را تضعیف می‌کند. این مطالعه با تمرکز بر کشورهای آفریقایی، نشان داد که شبکه‌های غیررسمی توزیع کالا، گاهی جایگزین کارکردهای دولت در مناطق محروم می‌شوند و این پداده به دوگانگی در حکمرانی دامن می‌زند. کار و بانومارسی³⁵(2019) در نمونه کشور هند، نشان دادند که سهم بزرگ بخش غیررسمی می‌تواند به آسیب‌هایی در شاخص‌هایی چون تولید ناخالص داخلی و نرخ بیکاری منجر شود. کاپاسو و دآگوستینو (۲۰۲۰) نیز در تحلیل نظام مالی اروپا، ارتباط بین حجم اقتصاد سایه و ناپایداری بازارهای مالی را تأیید کردند. مطالعات اخیر به بررسی نقش فناوری و شمول مالی پرداخته‌اند. کلیکوم³⁶(2021) در مطالعه‌ای بر ۴۲ کشور آفریقایی، نشان داد که افزایش ضریب نفوذ موبایل و اینترنت، اگرچه توسعه بخش غیررسمی و کاهش فقر را تسهیل می‌کند، اما ممکن است در بلندمدت با تشدید فرار مالیاتی، آسیب‌پذیری سیستم مالی را افزایش دهد. نگوین و دانگ³⁷(2021) در تحلیل کشورهای بریکس، تأثیر مثبت اما نامطمئن اقتصاد سایه بر رشد اقتصادی (با احتمال 62 درصد) را شناسایی کردند و هشدار دادند که اتکا به این بخش می‌تواند تاب‌آوری بلندمدت را تضعیف کند. پام و همکاران³⁸(2024) در مطالعه­ای اثرات پیچیدگی اقتصادی و اقتصاد سایه را بر نابرابری درآمد برای مجموعه داده­های پانل 99 کشور بررسی کرده­اند. یافته‌ها نشان می‌دهد که اختلاف درآمد به‌طور معنادار و غیرخطی با پیچیدگی اقتصادی و اقتصاد سایه مرتبط است. تأثیر اقتصاد سایه بر نابرابری درآمد، یک الگوی U شکل معکوس را نشان می‌دهد.

در مطالعات داخلی، خاندوزی و میرنظامی (۱۳۹۸) با تحلیل داده‌های ۱۱۸ کشور، تأثیر منفی پیچیدگی اقتصادی و حکمرانی خوب بر آسیب‌پذیری اقتصادی را نشان دادند. نتایج مطالعه فربد و همکاران (1400) برای کشورهای منطقه منا (MENA) نیز حاکی از وجود رابطة معکوس و معنی­دار بین متغیرهای ریسکهای کشوری بر شاخص آسیب­پذیری نفرین منابع بوده است. همچنین حسن مهیجر و همکاران(1404) طی مطالعه­ای برای کشورهای بریکس طی دوره 2000 تا 2020، نشان دادند که اندازۀ اقتصاد سایه تأثیر منفی هم بر عملکرد بازارهای مالی و هم بر عملکرد بانک‎‌ها داشته است؛ بنابراین، می‎‌توان گفت اقتصاد سایه از مهم‌ترین تعیین‎‌کننده‎‌های عملکرد بازارها و نهادهای مالی است.

مرور مطالعات پیرامون پیامدهای اقتصاد سایه، نشان می­دهد که در مطالعات پیشین تنها تا حدودی به اثرگذاری اندازه اقتصاد سایه بر روی یکی از مولفه­های آسیب­پذیری اقتصادی مانند نابرابری اقتصادی پرداخته شده است. مطالعه حاضر از شاخص ترکیبی آسیب­پذیری اقتصادی بهره­مند شده و همچنین به تجزیه­وتحلیل روابط غیرخطی با استفاده از رویکرد پانل آستانه­ای پرداخته است. بنابرین این بررسی می­تواند به گسترش ادبیات این حوزه کمک کند.

 

3. روش پژوهش 

هدف این پژوهش، بررسی تأثیر غیرخطی اقتصاد سایه بر آسیب‌پذیری اقتصادی در کشورهای نوظهور با تأکید بر نقش تعدیل‌گری منابع طبیعی است. با توجه به ناهمگنی ساختاری این کشورها (مانند تفاوت در برخورداری از منابع طبیعی) و ماهیت دوگانه اقتصاد سایه (همراه با اثرات مثبت و منفی)، استفاده از روش‌های غیرخطی مانند رگرسیون انتقال ملایم پانلی³⁹(PSTR) بسیار مفید است. این مدل با شناسایی آستانه‌های بهینه و تحلیل انتقال تدریجی بین رژیم‌های اقتصادی، امکان درک رفتار متفاوت اقتصاد سایه در سطوح مختلف منابع طبیعی را فراهم می‌کند. مدل PSTR به‌دلیل توانایی در نمایش روابط پویا و غیرخطی، برتری قابل‌توجهی نسبت به مدل‌های خطی مرسوم دارد. به‌عنوان مثال، ممکن است تأثیر اقتصاد سایه بر آسیب‌پذیری تا یک آستانه خاص (مثلاً  ۱۵ درصد از تولید ناخالص داخلی) ناچیز باشد، اما پس از عبور از این آستانه، به‌صورت نمایی تشدید شود. این مدل با بهره‌گیری از داده‌های پانلی، تغییرات زمانی-مکانی و تعامل پیچیده بین متغیرها را تحلیل می‌کند (گونزالو و پیتاراکیس⁴⁰، 2002). فرایند تخمین شامل مراحل آزمون آستانه، تخمین پارامترها (با روش‌های GMM یا ML)، و ارزیابی پایایی (با معیارهای AIC/BIC) است. انتخاب PSTR در این مطالعه مبتنی بر دو دلیل کلیدی است. اول، غیرخطی بودن رابطه که در این خصوص شواهد نظری و تجربی نشان می‌دهند اثر اقتصاد سایه بر آسیب‌پذیری، تحت تأثیر سطح منابع طبیعی کشورها، به‌صورت آستانه‌ای تغییر می‌کند. دوم، انعطاف‌پذیری روش است. PSTR انتقال تدریجی بین رژیم‌ها (مثلاً کشورهای با منابع غنی در مقابل کشورهای فاقد منابع) را مدل می‌کند. این روش پایه‌ای علمی برای طراحی سیاست‌های تفکیک‌شده بر اساس سطح منابع طبیعی فراهم می‌کند.

این رویکرد نه‌تنها همسو با ذاتی پدیده‌های اقتصادی است، بلکهبه‌عنوان مثال، کشورهای با منابع طبیعی فراوان ممکن است نیازمند سیاست‌های انقباضی برای کنترل اقتصاد سایه پس از عبور از آستانه بحرانی باشند، درحالی‌که کشورهای فاقد منابع، بر تقویت نهادهای رسمی متمرکز شوند. 

برای مدلسازی تحقیق حاضر از با توجه به مباحث نظری مطرح شده و همچنین مطالعات تجربی مانند بریگولیو و همکاران⁴¹(2014) و آنور و دوگرو (2015) در نهایت رگرسیون زیر به عنوان مدل عوامل تعیین­کننده آسیب­پذیری اقتصادی در کشورهای نوظهور در نظر گرفته می­شود:

EcoFragile شاخص آسیب­پذیری اقتصادی که عوامل مرتبط با افت اقتصادی در یک کشور را در نظر می­گیرد. به عنوان مثال، این شاخص به الگوهای کاهش تدریجی اقتصادی جامعه به عنوان یک کل نگاه می­کند که با درآمد سرانه، تولید ناخالص ملی، نرخ بیکاری، تورم، بهره­وری، بدهی، سطح فقر یا شکست­های تجاری اندازه­گیری می­شود. همچنین کاهش ناگهانی قیمت بازارها، درآمدهای تجاری یا سرمایه­گذاری خارجی و هرگونه سقوط یا کاهش ارزش پول ملی را در نظر می­گیرد. این شاخص بین عدد 0 (کمترین مقدار آسیب­پذیری و عدد 10 (بیشترین مقدار آسیب‌پذیری) امتیازدهی می­شود(منبع داده­ها: صندوق صلح⁴²). Shadow، اقتصاد سایه شامل فعالیت­های پنهان و زیرزمینی در اقتصاد می­شود که مجوزهای قانونی لازم را ندارند، و مالیات بر درآمد یا ارزش افزوده پرداخت نمی‌کنند (بانک جهانی با روش MIMIC). Resource، رانت منابع طبیعی شامل مجموع رانت نفت، رانت گاز طبیعی، رانت زغال سنگ (سخت و نرم)، رانت معدنی و رانت جنگل. این متغیر به صورت درصدی از GDP(بانک جهانی). GDPP، سرانه تولید ناخالص داخلی به قیمت ثابت (بانک جهانی). Financialdev، شاخص ترکیبی توسعه مالی که عملکرد بازارهای مالی و موسسات مالی را در سه حوزه عمق، دسترسی و کارایی مالی نشان می­دهد. هرچه مقدار این شاخص به عدد یک نزدیک‌تر باشد، نشان‌دهنده توسعه‌یافتگی بیشتر نظام مالی آن کشور است. Ecofree، شاخص آزادی اقتصادی که شامل، حجم و اندازه دولت، ساختار قانونی و امنیت حقوق مالکیت، قدرت پول، کارایی نظارتی و بازارهای باز محاسبه می­شود (موسسه لگاتوم⁴³). Urban، نرخ شهرنشینی بصورت درصد جمعیت شهری به کل جمعیت است (بانک جهانی). Governance، شاخص حکمرانی خوب شامل محدودیت­های اجرایی، پاسخگویی سیاسی، حاکمیت قانون، صداقت دولت، اثربخشی دولت، کیفیت نظارتی و اعتماد نهادی می­باشد (موسسه لگاتوم⁴⁴).

در این معادله  تابع انتقال بوده و بیانگر یک تابع پیوسته و کران­دار بین صفر و یک است که توسط مقدار متغیر آستانه­ای تعیین شده و به صورت تابع لجیستیکی زیر خواهد بود:

            (2) 

تابع انتقال نیز بصورت زیر در نظر گرفته می­شود:

(1)

: پارامتر شیب است که سرعت تعدیل از یک رژیم به رژیمی دیگر را نمایش می­دهد. : متغیر انتقال یا آستانه­ای است که می­تواند از بین متغیرهای توضیحی، وقفه متغیر وابسته و یا هر متغیر دیگر خارج از مدل که از نظر مبانی نظری در ارتباط با مدل باشد و سبب ایجاد رابطه خطی شود، انتخاب گردد.

کشورهای نوظهور وابسته به منابع طبیعی، به دلیل اتکای شدید به درآمدهای نفتی و عدم تنوع اقتصادی، مستعد گسترش اقتصاد سایه و افزایش آسیب‌پذیری هستند. رانت منابع طبیعی به‌عنوان یک عامل ساختاری کلیدی، همزمان هم به شکل‌گیری اقتصاد غیررسمی دامن می‌زند و هم آسیب‌پذیری اقتصاد را در برابر شوک‌های خارجی (مانند نوسانات قیمت نفت) تشدید می‌کند. این رانت، در نقش متغیر آستانه‌ای در مدل‌های غیرخطی، امکان شناسایی نقاط بحرانی را فراهم می‌سازد که فراتر از آنها، اثر اقتصاد سایه بر آسیب‌پذیری به‌صورت تصاعدی افزایش می‌یابد.

همچنین در این معادله : برداری از پارامترهای حد آستانه­ای یا مکان­های وقوع تغییر رژیم مدل PSTR با بیش از یک تابع انتقال است:

(4)

r: بیانگر تعداد توابع انتقال برای بررسی رفتار غیرخطی مدل می­باشد.

برآورد مدل PSTR با آزمون خطی بودن رابطه بین متغیرها آغاز می‌شود. برای این منظور، از آماره‌های لاگرانژ (LM، LMF، LR) استفاده می‌شود که بر پایه مقایسه مجموع مربعات باقی‌مانده مدل خطی (SSR₀) و مدل غیرخطی (SSR₁) عمل می‌کنند. رد فرضیه خطی بودن (H₀: B₁=…=Bₘ=0) نشان‌دهنده وجود رابطه غیرخطی است. در مرحله بعد، تعداد توابع انتقال با آزمون‌های توالی تعیین می‌شود: ابتدا وجود یک تابع انتقال(r=1) در مقابل حداقل دو تابع (r≥2) آزمون می‌شود. اگر فرضیه صفر (H₀: عدم نیاز به توابع اضافی) رد شود، فرآیند افزودن توابع انتقال تا رسیدن به مدل بهینه ادامه می‌یابد.

جامعه هدف مطالعه حاضر 48 کشور نوظهور بر اساس مطالعات مختلف و شاخص­بندی­ها به عنوان نمونه انتخاب شده است. همچنین دوره زمانی مورد مطالعه بر اساس وجود داده­های کافی، شامل دوره 2007-2021 می­شود.

 

4.‌ برآورد مدل و تجزیه و تحلیل یافته‌ها 

قبل از برآورد مدل تحقیق، ابتدا به بررسی آمارهای توصیفی متغیرهای نمونه مورد بررسی پرداخت می­شود. در جدول 2 آمارهای توصیفی متغیرها نشان داده شده است. آسیب­پذیری اقتصادی در کشورهایی مانند آرژانتین (با نوسان 4 تا 1/7) و نیجریه (4/5 تا 6/8) نوسانات بیشتری را تجربه کرده، درحالی­که کشورهایی مانند سنگاپور (1/1 تا 7/3) و کره جنوبی (4/1 تا 8/2) از ثبات بیشتری در مواجهه با شوک­های اقتصادی برخوردار بوده‌اند. رانت منابع طبیعی به­طور چشمگیری در اقتصادهای متکی به منابع (مانند کویت بین 9/24 تا 1/59 و عربستان سعودی با 3/17 تا 55) بالاست، درحالی­که کشورهای با تنوع اقتصادی بیشتر (مانند جمهوری چک و استونی) وابستگی کمتری به این متغیر دارند. اقتصاد سایه نیز در کشورهایی مانند گرجستان (8/60 تا 9/67) و مصر (7/31 تا 7/34) سهم بالایی از تولید ناخالص داخلی را به خود اختصاص داده است. از سوی دیگر، حکمرانی خوب در کشورهای اروپایی مانند استونی (3/76 تا 3/80) و پرتغال (71 تا 2/74) در سطح بالاتری قرار دارد، درحالی­که کشورهای آفریقایی مانند نیجریه (3/38 تا 1/40) و مصر (7/31 تا 6/39) با چالشهای جدی در این حوزه مواجه بوده­اند. در خصوص آزادی اقتصادی، شیلی (73/7 تا 17/8) و سنگاپور (56/8 تا 87/8) با نمرات بالای آزادی اقتصادی، از محیطی رقابتی و نهادهای شفاف برخوردارند. در مقابل، کشورهایی مانند ایران (58/4 تا 63/5) و پاکستان (68/5 تا 04/6) با محدودیت­های گسترده­تر در بازارها و مقررات دست­وپاگیر مواجه­اند.

 

جدول ۱. آمار توصیفی متغیرهای پژوهش

(3)

متغیر	مشاهدات	میانگین	ماکزیمم	مینیمم	انحراف معیار	کشیدگی	چولگی
آسیب­پذیری اقتصادی	720	89/4	60/8	10/1	40/1	65/2	009/0-
رانت منابع طبیعی	720	29/6	06/59	00/0	90/9	21/11	73/2
حجم اقتصاد سایه	672	33/30	98/67	58/11	75/11	42/3	79/0
توسعه مالی	720	41/0	85/0	11/0	16/0	76/2	51/0
سرانه تولید ناخالص داخلی	720	52/12431	27/73493	28/847	97/13030	10/9	33/2
شهرنشینی	720	90/65	00/100	19/18	32/19	52/2	26/0-
آزادی اقتصادی	720	89/6	87/8	53/4	78/0	86/2	12/0-
حکمرانی خوب	672	99/53	31/80	71/31	46/11	20/2	30/0

منبع: یافته­های پژوهش

 

در نمودار 2 شاخص آسیب­پذری اقتصادی برای کشورهای مورد بررسی در سال 2021 نمایش داده شده است. لیست کشورهای مورد بررسی در این مطالعه در این نمودار مشخص است. میانگین شاخص آسیب­پذیری اقتصادی در کشورهای مورد بررسی 89/4 است که بیشترین مقدار آن 60/8 مربوط به کشور نیجریه و کمترین مقدار 10/1 مربوط به کشور سنگاپور است. ایران با شاخص آسیب­پذیری 6/7 رتبه سوم در بین کشورهای مورد بررسی را دارد که نشان می­دهد یکی از آسیب­پذیرترین اقتصادهاست.

 

 

نمودار 2. شاخص آسیب­پذیری اقتصادی برای کشورهای نوظهور مربوط به سال 2021

منبع: یافته­های پژوهش

 

همچنین اندازه اقتصاد سایه در نمونه مورد بررسی به­طور متوسط 33/30 درصد(نسبت به تولید ناخالص رسمی کشورها) برای کشورهای مورد بررسی بوده است که بیشترین مقدار آن 98/67 درصد مربوط به کشور گرجستان (در سال 2009) و کمترین مقدار آن 58/11 درصد مربوط به کشور چین (در سال 2018) بوده است. داده‌های ارائه‌شده نشان می‌دهد که سهم اقتصاد سایه بین کشورها تفاوت قابل‌توجهی دارد، از مقادیر پایین‌تر در کشورهایی مانند سنگاپور و چین (حدود ۱۲ درصد) تا مقادیر بسیار بالا در کشورهایی نظیر گرجستان و نیجریه که بیش از 60 درصد از تولید ناخالص داخلی را تشکیل می‌دهند. نمودار 3 اندازه اقتصاد سایه برای کشورهای مورد بررسی در سال 2021 را برای کشورهای نوظهور نمایش می­دهد.

 

 

نمودار 3. شاخص اقتصاد سایه برای کشورهای نوظهور مربوط به سال 2021

منبع: یافته­های پژوهش

 

داده‌ها نشان می‌دهند که اقتصاد سایه در ایران طی سال‌های ۲۰۰۷ تا ۲۰۲۰ از 98/16 درصد (سال ۲۰۰۷) به 12/18 درصد (سال ۲۰۲۰) افزایش یافته است. این افزایش نشان‌دهنده گسترش فعالیت‌های غیررسمی در اقتصاد ایران است.

 

آزمون ریشه واحد

بررسی ایستایی متغیرها در داده‌های پانلی برای جلوگیری از رگرسیون کاذب و اطمینان از پایایی برآوردها ضروری است. با این حال، انتخاب روش مناسب برای آزمون ریشه واحد به ویژگی­های ساختاری داده­ها، به­ویژه وجود یا نبود وابستگی مقطعی بین واحدهای پانل، وابسته است. وابستگی مقطعی، در صورت نادیده گرفته شدن، توزیع آماره­های آزمون را مخدوش می­کند. ازاین­رو، گام نخست در فرآیند آزمون ریشه واحد، بررسی استقلال مقطعی با استفاده از آزمون­هایی مانند CD پسران(2021) است. فرضیه صفر این آزمون، نبود وابستگی مقطعی است. این آزمون برای تمامی متغیرهای مطالعه انجام و در جدول 3 گزارش شده است. با توجه به ماهیت ناپایای بسیاری از متغیرهای کلان اقتصادی، نخست وابستگی مقطعی با آزمون CD پسران (۲۰۲۱) ارزیابی شد. نتایج نشان داد دو متغیر توسعه مالی و حکمرانی خوب فاقد وابستگی مقطعی هستند(با مقادیر p-value بالاتر از 05/0)، درحالی­ که سایر متغیرها (مانند آسیب‌پذیری اقتصادی و اقتصاد سایه) وابستگی معناداری نشان دادند. برای متغیرهای مستقل از وابستگی مقطعی، از آزمون IPS استفاده شد که حکمرانی خوب را در سطح نامانا (نیازمند تفاضل‌گیری) و توسعه مالی را مانا شناسایی کرد. برای متغیرهای با وابستگی مقطعی، آزمون CIPS (مبتنی­بر میانگین‌های مقطعی وقفه‌دار) به کار گرفته شد، زیرا این روش با تعدیل اثرات وابستگی مقطعی، برای داده‌های با ابعاد زمانی بلند (T بزرگ) و ساختار همبسته مناسب‌تر است. بر اساس مقادیر بحرانی آزمون CIPS (سطوح %1، %5، و %10 به ترتیب 26/2-، 11/2- و 03/2-)، تنها متغیر سرانه تولید ناخالص داخلی در سطح با آماره 097/2- در مرز معناداری %5 قرار گرفت. سایر متغیرها در سطح ناایستا شناسایی شدند، پس از اعمال تفاضل­گیری مرتبه اول، آزمون CIPS مجدداً اجرا شد و نتایج نشان داد تمامی متغیرها در تفاضل اول ایستا هستند (انباشته از درجه یک).

جدول ۲. آزمون­های CD، IPS و CIPS برای بررسی ایستایی متغیرها

متغیر	CD test		IPS test		CIPS test
	مقدار آماره	ارزش احتمال	مقدار آماره	ارزش احتمال	مقدار آماره (در سطح)	مقدار آماره (تفاضل مرتبه اول)
آسیب­پذیری اقتصادی	1/18	0000/0	-	-	725/1-	198/3-
رانت منابع طبیعی	44/68	0000/0	-	-	011/2-	248/3-
حجم اقتصاد سایه	88/35	0000/0	-	-	773/1-	570/2-
توسعه مالی	27/1	206/0	13/5-	0000/0	-	-
سرانه تولید ناخالص داخلی	24/53	0000/0	-	-	097/2-	010/3-
شهرنشینی	99/127	0000/0	-	-	613/0-	040/2-
آزادی اقتصادی	06/20	0000/0	-	-	629/1-	561/3-
حکمرانی خوب	32/0-	749/0	17/3*	0000/0	-	-

* متغیر حکمرانی خوب در سطح مانا نبوده و مقدار آمار با یک­بار تفاضل­گیری گزارش شده است.

منبع: یافته­های پژوهش

 

با توجه به ناپایایی برخی متغیرها در سطح و ایستایی آنها در تفاضل اول، بررسی همگرایی بلندمدت بین متغیرها برای جلوگیری از رگرسیون کاذب ضروری است. در این مطالعه، از آزمون همگرایی کائو (۱۹۹۹) برای ارزیابی وجود رابطه تعادلی بلندمدت استفاده شد. این آزمون فرضیه عدم همگرایی را رد کرده و وجود حداقل یک رابطه پایدار بین متغیرها را تأیید می­کند. تأیید همگرایی، امکان مدل‌سازی در سطح متغیرها (بدون تفاضل‌گیری) را فراهم می‌سازد که برای تحلیل آثار بلندمدت ضروری است. طبق نتایج جدول 4، با توجه به ارزش احتمال آزمون کائو که کمتر از 05/0 هست می­توان به این نتیجه رسید که متغیرها در بلندمدت همگرا هستند.

 

جدول ۳. آزمون همگرایی کائو

ارزش احتمال	آماره t
0000/0	67/2-	ADF
	12/0	Residual variance
	16/0	HAC variance

منبع: یافته­های پژوهش

 

آزمون وجود روابط غیرخطی

پس از بررسی مانایی متغیرها، آزمون خطی بودن در مدل رگرسیون انتقال ملایم پانلی (PSTR) انجام می­شود. فرضیه صفر (رابطه خطی) با استفاده از آماره‌های نسبت درست‌نمایی (LR)، ضریب لاگرانژ فیشر(LMF)، و ضریب لاگرانژ والد(LMW)  بررسی شد. نتایج مربوط به آزمون وجود روابط غیرخطی در مقابل نبود روابط غیرخطی با توجه به متغیر آستانه رانت منابع طبیعی در جدول 5 گزارش شده است. با توجه به نتایج آزمون، نشان می­دهند که برای حدهای آستانه­ای 1m =   و 2m =  و تعداد رژیم­های حدی 1r =  از یک الگوی غیرخطی پیروی می­کنند. زیرا فرضیه صفر یعنی 0r =  رد می­شود؛ بنابراین رابطه غیرخطی میان متغیرها وجود دارد.

 

جدول ۴. آزمون وجود روابط غیرخطی

	متغیر آستانه: رانت منابع طبیعی
آماره آزمون	نسبت درستنمایی	ضریب لاگرانژ فیشر	ضریب لاگرانژ والد
M=1	70/63   (00/0)	24/10   (00/0)	78/60   (00/0)
M=2	31/117   (00/0)	72/9    (00/0)	64/107   (00/0)
نکته: r تعداد توابع انتقال و m تعداد مکان های آستانه­ای است. مقادیر احتمال هر آماره داخل پرانتز بیان شده است.

منبع: یافته­های پژوهش

 

پس از تأیید یک رابطه غیرخطی بین متغیرهای پژوهش، برای تعیین تعداد رژیم‌های حدی (توابع انتقال)، بررسی رابطه غیرخطی باقیمانده صورت می‌گیرد. به این منظور، طبق مطالعات گونزالز و همکاران (2005) و کولیتاز و هارولین (2006)، فرضیه صفر که وجود الگوی رگرسیون انتقال ملایم پانلی با دو رژیم حدی را مطرح می‌کند، آزمون می‌شود که نتایج آن در جدول 5 ارائه شده است. برای این آزمون، ابتدا مدل با m=1  وr  بهینه مربوطه برآورد می‌شود و مقادیر آماره‌های ضریب لاگرانژ والد، ضریب لاگرانژ فیشر و نسبت درستنمایی گزارش می‌گردد. طبق جدول 6، حالت سه رژیم حدی با r=2  قابل قبول است. با این­حال، به­دلیل هدف مقاله و برای جلوگیری از پیچیدگی محاسبات، از دو رژیم حدی برای برآورد استفاده شده است.

 

جدول ۵. آزمون وجود روابط غیرخطی باقی مانده

	متغیر آستانه: رانت منابع طبیعی
آماره آزمون	نسبت درستنمایی	ضریب لاگرانژ فیشر	ضریب لاگرانژ والد
M=1	15/112  (00/0)	34/18  (00/0)	29/103  (00/0)
M=2	35/24  (01/0)	84/1  (03/0)	91/23  (02/0)
نکته: r تعداد توابع انتقال و m تعداد مکان های آستانه­ای است. مقادیر احتمال هر آماره داخل پرانتز بیان شده است.

منبع: یافته­های پژوهش

 

تعیین تعداد مکان‌های آستانه‌ای (تابع انتقال)

پس از تعیین تعداد رژیم‌های حدی بهینه در مدل رگرسیون انتقال ملایم پانلی، مرحله بعدی انتخاب تعداد مکان‌های آستانه‌ای بهینه است. برای این منظور، از معیارهای مجذور مربعات باقیمانده (RSS)، معیار شوارتز (BIC) و همچنین معیار آکائیک (AIC) استفاده شد. نتایج این ارزیابی‌ها در جدول 7 ارائه شده است.

 

جدول ۶. انتخاب تعداد مکان­های آستانه­ای در یک تابع انتقال

	متغیر آستانه: رانت منابع طبیعی
	AIC	BIC	RSS
M=1	1.16-	07/1-	212.67
M=2	1.25-	16/1-	191.65

منبع: یافته­های پژوهش

 

با توجه به نتایج جدول 6، هر سه معیار مذکور، دلالت بر این دارد که یک مکان آستانه­ای برای برآورد مدل کافی است. بنابرین برای برآورد رگرسیون انتقال ملایم پانلی با وجود متغیر آستانه­ای رانت منابع طبیعی از یک مکان آستانه‌ای و دو رژیم حدی استفاده شده است.

 

برآورد مدل و استنتاج نتایج

پس از تعیین تعداد بهینه تابع انتقال و حد آستانه­ای بهینه، رگرسیون انتقال ملایم پانلی با توجه به متغیر آستانه وجود منابع طبیعی برآورد شده است که نتایج در جدول 8 گزارش شده است.

 

جدول ۷. نتایج برآورد پارامترهای مدل برای متغیر وابسته آسیب­پذیری اقتصادی در مدل PSTR

منبع: یافته­های پژوهش

نتایج حاصل از برآورد مدل رگرسیونی PSTR در جدول 7 ارائه شده است که روابط بین متغیرهای بررسی‌شده در 48 کشور نوظهور دنیا را نشان می‌دهد. نتایج این برآورد حاکی از آن است که پارامتر شیب، که نمایانگر سرعت تعدیل و انتقال از یک رژیم به رژیم دیگر است، برابر با 19/1 برآورد شده است. این مقدار شیب به­معنای انتقال از یک رژیم انتقالی پایین‌تر به یک رژیم انتقالی بالاتر است و به این نکته اشاره دارد که سطوح بالاتر از رانت منابع طبیعی می‌تواند آسیب‌پذیری اقتصاد را تحت تأثیر قرار دهد. همچنین، حد آستانه‌ای رانت منابع طبیعی که به‌عنوان نقطه عطف و تفکیک‌کننده دو رژیم در نظر گرفته می‌شود، برابر با 79/5 تعیین شده است. به­عبارت دیگر، زمانی که رانت منابع طبیعی از 79/5 بیشتر باشد، رفتار متغیرها طبق رژیم دوم خواهد بود و شدت و جهت تأثیر متغیرها بر آسیب‌پذیری اقتصاد تغییر خواهد کرد.

برای ارائه ویژگی‌های غیرخطی ضرایب، معمولاً دو رژیم حدی بررسی می‌شود تا نتایج برآورده‌شده به‌طور شفاف‌تری تفسیر شوند. به این ترتیب، در صورتی که پارامتر شیب به سمت بی‌نهایت میل کند، مقدار متغیر انتقال کمتر از حد آستانه‌ای خواهد بود و تابع انتقال دارای مقدار عددی صفر خواهد بود؛ در این حالت، ضرایب برآوردی متناظر با رژیم حدی اول خواهد بود. ازسوی دیگر، اگر پارامتر شیب به سمت یک میل کند، مقدار متغیر انتقال بزرگ‌تر از حد آستانه‌ای خواهد بود و تابع انتقال دارای مقدار عددی یک خواهد بود؛ در این حالت نیز ضرایب برآوردی متناظر با رژیم حدی دوم خواهد بود. بنابراین، در تخمین مدل با در نظر گرفتن میزان منابع طبیعی به‌عنوان متغیر انتقال، دو حالت حدی به‌صورت زیر تعریف می‌شود:

رژیم حدی اول ():

 

رژیم حدی دوم ():

 

با توجه به دو حالت تصریح شده برای رژیم اول و دوم و با توجه به سطوح مختلف منابع طبیعی کشورها، ارتباط مثبت و معناداری میان اقتصاد سایه و آسیب­پذیری اقتصاد در هر دو رژیم مشاهده می­شود. به­عبارتی، اثر اقتصاد سایه در کشورهای با رانت منابع طبیعی پایین­تر از حد آستانه 79/5 بر آسیب پذیری اقتصادی، 1828/0 واحد است که مقدار این اثر در کشورهای با رانت منابع طبیعی بالاتر از 79/5 برابر با 1585/0 است. به­عبارتی اثر رانت منابع طبیعی بر آسیب­پذیری اقتصاد در کشورهایی با رانت منابع پایین­تر، بیشتر است. این الگو را می­توان با وابستگی شدیدتر اقتصادهای فاقد منابع به فعالیت­های غیررسمی توجیه کرد. در این کشورها، فقدان درآمدهای پایدار حاصل از منابع طبیعی، سیستم مالیاتی را ضعیف­تر کرده و انگیزه فعالیت­های زیرزمینی را افزایش می­دهد. در مقابل، کشورهای دارای منابع غنی (مانند ایران یا نیجریه) با وجود اقتصاد سایه گسترده، به­واسطه درآمدهای نفتی یا معدنی، توانایی نسبی در جبران شوکهای اقتصادی دارند که این امر اثر مخرب اقتصاد غیررسمی را تعدیل می­کند. ازسوی دیگر، توسعه مالی در کشورهای با رانت منابع بالا (1006/0-) نسبت به کشورهای با رانت پایین (0485/0-) نقش کاهنده قویتری بر آسیب‌پذیری اقتصادی ایفا می­کند. این یافته نشان می­دهد در اقتصادهای متکی به منابع طبیعی، توسعه نهادهای مالی (مثل بانک­ها یا بازار سرمایه) می­تواند با کاهش اتکا به رانت و ایجاد تنوع اقتصادی، آسیب­پذیری را به­مراتب بیشتر کاهش دهد. این مسئله به­ویژه در کشورهایی مانند اندونزی یا شیلی که سیاست­های موفقیت­آمیز تنوع­بخشی اقتصادی داشته‌اند، مشهود است.

تولید ناخالص داخلی سرانه نیز در کشورهای با رانت پایین (1035/0-) نسبت به کشورهای با رانت بالا (012/0) تأثیر کاهشی بیشتری دارد. این الگو حاکی از آن است که در اقتصادهای فاقد منابع، رشد اقتصادی مبتنی­بر صنعت یا خدمات (نه رانت) به­طور مستقیم­تر بر ثبات اقتصاد کلان تأثیر می­گذارد. درحالی که در کشورهای دارای منابع، حتی با وجود رشد GDP، وابستگی به منابع طبیعی مانع از تبدیل رشد به کاهش پایدار آسیب­پذیری می­شود. نکته قابل‌تأمل، تشدید اثر شهرنشینی بر آسیب­پذیری اقتصادی در کشورهای با رانت منابع بالا (0812/0 نسبت به 0684/0) است. این امر ممکن است ناشی از مهاجرت گسترده به شهرها در کشورهای متکی به منابع (مثل ونزوئلا یا عربستان) باشد که بدون همراهی با ایجاد زیرساخت­های شهری و اشتغال­زایی، به حاشیه­نشینی و ناآرامی­های اجتماعی دامن می‌زند. در مقابل، اثر حکمرانی خوب در کشورهای با رانت بالا (0813/0-) نسبت به رانت پایین (0205/0-) قویتر است. این نشان می­دهد بهبود نهادهای حکمرانی (مانند شفافیت مالی یا مبارزه با فساد) در کشورهای دارای منابع طبیعی، به­علت حجم بالای رانت و ریسک فساد، تأثیر بیشتری بر کاهش آسیب­پذیری دارد.

 

5. نتیجه­گیری و پیشنهادها

آسیب‌پذیری اقتصادی در کشورهای نوظهور، به‌ویژه با توجه به وابستگی به منابع طبیعی، نوسانات بازار و ضعف نهادی، چالشی اساسی برای توسعه پایدار است. این کشورها با عدم تعادل اقتصادی، نرخ بالای فقر و نابرابری اجتماعی مواجهند که آنها را در برابر شوک‌های خارجی مانند نوسانات قیمت جهانی نفت یا بحران‌های مالی، به­شدت آسیب‌پذیر می‌کند. یکی از شرایطی که می­تواند، آسیب­پذیری اقتصادی در کشورها را تحت تاثیر قرار دهد، اندازه اقتصاد سایه یا اقتصاد غیررسمی است. این موضوع مورد توجه مطالعات قبلی نبوده است. عدم شفافیت و نبود حمایت‌های قانونی، گروه‌های آسیب‌پذیر را در برابر نوسانات بازار و وضعیت‌های بحرانی به شدت مضطرب می‌کند. در این راستا، آسیب‌پذیری اقتصادی ناشی از وابستگی به اقتصاد سایه، می‌تواند موجب عدم دسترسی به منابع مالی، خدمات اجتماعی و حقوق پایه‌ای برای قشرهای ضعیف‌تر شود و درنهایت، چالش‌های اجتماعی و اقتصادی بسیاری را به­وجود آورد. مطالعه حاضر با استفاده از مدل رگرسیون انتقال ملایم پانلی (PSTR) و داده‌های ۴۸ کشور نوظهور طی دوره ۲۰21–۲۰07، نقش اقتصاد سایه و سایر عوامل مؤثر بر آسیب‌پذیری اقتصادی را تجزیه و تحلیل کرده است.

نتایج تحقیق حاضر نشان داد که اندازه اقتصاد سایه تاثیر مثبت و فزاینده بر روی آسیب­پذیری اقتصادی دارد. اقتصاد سایه از طریق مکانیسم‌هایی مانند فرار مالیاتی، فساد و کاهش درآمدهای دولت، آسیب‌پذیری اقتصادی را تشدید می‌کند. این یافته با پژوهش‌های الجین و اوزتونالی⁴⁵(۲۰۱۲) همسو است که اقتصاد غیررسمی را عامل بی‌ثباتی مالی در کشورهای درحال توسعه می‌دانند. افزایش فعالیت­های غیرقانونی و فساد، فرار مالیاتی و تضعیف مالی دولت، کاهش سرمایه­گذاری در زیرساخت­ها و خدمات عمومی به­دلیل محدودیت منابع ازجمله کانال­هایی است که اقتصاد سایه موجب افزایش آسیب­پذیری اقتصادی می­شود. با این­حال، اثر اقتصاد سایه در کشورهای دارای منابع طبیعی (مانند ایران یا ونزوئلا) به­دلیل نقش تعدیل‌کنندگی رانت منابع، ضعیف‌تر است (1585/0 در کشورهای دارای منابع غنی، در مقابل 1828/0 در کشورهای فاقد منابع). این نتیجه با مطالعه باتاچاریا و هولدر⁴⁶ (۲۰۱۴) همخوانی دارد که نشان می‌دهد رانت منابع طبیعی، آثار منفی فساد را کاهش می‌دهد. بنابراین، سیاستگذاران در کشورهای فاقد منابع باید با اصلاح نظام مالیاتی (مانند معافیت­های مشوق رسمی­سازی) و تسهیل دسترسی به اعتبارات خرد، اقتصاد غیررسمی را محدود کنند، درحالی­که کشورهای دارای منابع طبیعی باید با ایجاد صندوق­های ثبات­ساز و شفافیت در قراردادهای استخراج منابع، اثرات منفی اقتصاد سایه را مدیریت کنند.

سیار نتایج این مطالعه نشان داد که، توسعه مالی تاثیر منفی بر روی آسیب­پذیری اقتصادی دارد. توسعه مالی به دسترسی گسترده‌تر به خدمات مالی، ازجمله وام، پس‌انداز و بیمه منجر می‌شود. این امر به خانوارها و بنگاه‌ها امکان می‌دهد تا بهتر در برابر شوک‌های اقتصادی مقاومت کنند و سرمایه‌گذاری در فعالیت‌های مولد را افزایش دهند. علاوه بر این، توسعه مالی می‌تواند منجر به بهبود کارایی تخصیص منابع شود و هزینه مبادله را در اقتصاد کاهش دهد. این نتیجه با یافته‌های لوین⁴⁷(۲۰۰۵) و آنور و دوگرو (۲۰۱۵) همسوست که توسعه مالی را کلید کاهش ریسک سیستماتیک می‌دانند. برای مثال، مالزی با توسعه بازارهای مالی پیشرفته، سرمایه‌گذاری در انرژی‌های تجدیدپذیر را افزایش داده است. در مقابل، کشورهای فاقد منابع مانند بنگلادش با ایجاد صندوق‌های تضمین وام برای بنگاه‌های کوچک، انگیزه فعالیت در بخش غیررسمی را کاهش می‌دهند. بنابرین، برنامه­های توسعه مالی از توصیه­های سیاستی مهم این مطالعه است.

نتایج مطالعه نشان می‌دهد آزادی اقتصادی با کاهش آسیب‌پذیری اقتصادی در کشورهای نوظهور مرتبط است. آزادی اقتصادی (شامل آزادی فعالیتهای اقتصادی، حقوق مالکیت، کاهش مداخله دولت و کنترل فساد) از طریق تقویت سرمایه‌گذاری، نوآوری، کارآفرینی و رشد اقتصادی، به ایجاد اشتغال، افزایش درآمد و بهبود استانداردهای زندگی کمک می‌کند. اقتصادهای آزادتر با افزایش انعطاف‌پذیری بنگاه‌ها و افراد، مقاومت بیشتری در برابر شوک­های اقتصادی دارند. همچنین، این آزادی با تقویت حاکمیت قانون، کاهش فساد و ایجاد محیط کسب‌وکار باثبات‌تر، جذب سرمایه‌گذاری را تسهیل می‌کند. مطالعه یدوکیمو و همکاران⁴⁸ (2018) از این یافته‌ها حمایت می‌کند. بر این اساس، سیاست­های پیشنهادی شامل کاهش مقررات دست‌وپاگیر، اصلاح نظام مالیاتی و بهبود نهادهای حاکمیتی است تا آسیب‌پذیری اقتصادی کاهش یابد.

نتایج مطالعه حاکی از تأثیر منفی شاخصهای حکمرانی خوب بر آسیب‌پذیری اقتصادی در کشورهای نوظهور است. حکمرانی خوب از طریق مکانیسم‌هایی مانند اجرای مؤثر سیاست­های اقتصادی، کاهش فساد و تخصیص کارآمد منابع، و ارتقای زیرساخت­ها، آموزش و بهداشت، ثبات اقتصادی را تقویت می‌کند. این عوامل با ایجاد محیطی قابل پیشبینی و باثبات، جذب سرمایه‌گذاری و تسهیل رشد اقتصادی را ممکن می‌سازند و تاب‌آوری در برابر شوکهای خارجی (مانند بحرانهای مالی) را افزایش می‌دهند. مطالعه استوجانویک و همکاران⁴⁹ (2016) نیز بهبود شاخص­های حکمرانی را عاملی کلیدی در ثبات اقتصادی ارزیابی می‌کند. سیاست­های پیشنهادی شامل افزایش پاسخگویی و شفافیت نهادها، تقویت حاکمیت قانون، مقررات‌زدایی، و مبارزه هدفمند با فساد است. در کشورهای دارای منابع طبیعی مانند ایران، اجرای طرح­هایی نظیر افشای دارایی‌های مسئولان در بخش معادن و نفت و راه‌اندازی سامانه‌های دیجیتال گزارش‌دهی مردمی فساد می‌تواند آثار مثبت حکمرانی خوب را تشدید کند.

شهرنشینی در کشورهای نوظهور، علیرغم ارتباط آن با توسعه اقتصادی، تأثیرات منفی بر آسیب‌پذیری اقتصادی دارد. افزایش نابرابری، حاشیه‌نشینی، آسیب‌پذیری در برابر بلایای طبیعی و هزینه‌های بالای زندگی در شهرها ازجمله دلایل این پدیده است. مطالعه فی و اوپال⁵⁰(2000) نیز نشان می­دهد که شهرنشینی سریع را در غیاب زیرساختهای اشتغال­زا، عامل تشدید نابرابری­های اقتصادی است. برای مثال، الگوی «شهر-صنعت» در کشورهایی مانند هند و چین مهاجران را به بخش‌های مولد جذب کرده است، و برنامه‌های مسکن اجتماعی در برزیل تا ۳۰ درصد آسیب‌پذیری اقتصادی را کاهش داده است. بنابراین، سیاست‌هایی که نابرابری را کاهش داده، حاشیه‌نشینی را از بین ببرند، تاب‌آوری در برابر بلایای طبیعی را افزایش دهند و هزینه‌های زندگی را برای خانوارهای کم‌درآمد کاهش دهند، می‌توانند به کاهش آسیب‌پذیری اقتصادی ناشی از شهرنشینی کمک کنند.

براساس تئوری‌های اقتصادی، رشد اقتصادی و درآمد سرانه از عوامل کلیدی در کاهش آسیب‌پذیری اقتصادی شناخته می‌شوند. در این مطالعه، درآمد سرانه به‌عنوان یکی از متغیرهای اصلی در مدلسازی آسیب‌پذیری اقتصادی در نظر گرفته شده است. مطالعاتی مانند هیندس⁵¹(2015) نقش رشد اقتصادی را در کاهش آسیب‌پذیری بررسی کرده‌اند و بهبود درآمد ملی سرانه را عامل اصلی این کاهش مطرح کرده‌اند. برای مثال، در کشورهایی مانند ویتنام، رشد اقتصادی مبتنی­بر صنعت و خدمات (و نه منابع طبیعی) به‌طور مستقیم ثبات اقتصادی را افزایش داده است. در مقابل، در کشورهای وابسته به منابع مانند ونزوئلا، حتی با درآمد سرانه بالا، آسیب‌پذیری کاهش نیافته که این موضوع نظریه «نفرین منابع» مورد بحث ساچس و وارنر⁵²(2001) را تأیید می‌کند. کشورهای با تولید سرانه مناسب، از طریق ایجاد اشتغال، جذب سرمایه‌گذاری، کاهش فقر و نابرابری، در کاهش آسیب‌پذیری اقتصادی موفق‌تر عمل کرده‌اند.

براساس یافته‌های این مطالعه، سیاستگذاران در کشورهای نوظهور باید راهبردهای ساختاری متناسب با شرایط منابع طبیعی و اقتصادی هر کشور طراحی کنند. در کشورهای فاقد منابع طبیعی، کاهش اقتصاد غیررسمی از طریق اصلاح نظام مالیاتی (مانند ایجاد معافیت‌های مشوق برای رسمی‌سازی فعالیت‌ها) و تسهیل دسترسی بنگاه‌های کوچک به اعتبارات خرد، می‌تواند انگیزه فعالیت در بخش غیررسمی را کاهش دهد. در مقابل، کشورهای دارای منابع طبیعی باید با ایجاد صندوق‌های ثبات‌ساز (مانند الگوی نروژ یا شیلی) و شفاف‌سازی فرآیندهای استخراج و توزیع درآمدهای منابع، آثار منفی وابستگی به منابع را محدود کنند. بهبود شاخص‌های حکمرانی خوب، به‌ویژه در مدیریت منابع (مانند افشای دارایی مسئولان و سامانه‌های گزارش‌دهی فساد)، نقش مهمی در تقویت آثار مثبت این منابع ایفا می‌کند. علاوه­بر این، توسعه مالی هدفمند (همچون انتشار اوراق قرضه سبز در کشورهای فسیلی‌محور یا ایجاد صندوق‌های تضمین وام برای بنگاه‌های کوچک)، مدیریت پیامدهای شهرنشینی از طریق توسعه قطب‌های صنعتی در حومه کلان‌شهرها (الگوی چین) و اجرای برنامه‌های مسکن اجتماعی (مانند تجربه برزیل)، تقویت آزادی اقتصادی با کاهش مقررات (مانند شیلی) و تمرکز بر رشد مبتنی­بر صنعت و خدمات (مانند ویتنام)، می‌توانند به کاهش آسیب‌پذیری اقتصادی و افزایش تاب‌آوری در برابر شوک‌های خارجی کمک کنند. این رویکردها با توجه به تفاوت‌های ساختاری بین کشورها، چارچوبی عملیاتی برای کاهش آسیب‌پذیری و پیشبرد ثبات اقتصادی ارائه می‌دهند.

 

حامی مالی

این مقاله حامی مالی ندارد.

تعارض منافع

تعارض منافع وجود ندارد.

سپاسگزاری

از افراد و نهادهایی که در اجرای پژوهش نقش موثری داشته‌‌اند، تشکر و قدردانی می‌شود. همچنین، نویسندگان از داوران ناشناسی که به بهبود کیفیت مقاله یاری رسانده‌اند، تشکر می‌کنند.

 

ORCID

متغیر	متغیر آستانه: Resource
	رژیم رگرسیون	مقدار ضرایب	آماره t	خطای استاندارد
اقتصاد سایه	رژیم اول	1828/0	06/5	0361/0
	رژیم دوم	0243/0-	50/2-	0097/0
توسعه مالی	رژیم اول	0485/0-	52/2-	0192/0
	رژیم دوم	0521/0-	07/2-	0252/0
سرانه تولید ناخالص داخلی	رژیم اول	1035/0-	06/6-	0170/0
	رژیم دوم	0915/0	24/3	0282/0
شهرنشینی	رژیم اول	0684/0	14/4	0165/0
	رژیم دوم	0128/0	40/1	0091/0
آزادی اقتصادی	رژیم اول	5394/0-	04/4-	1335/0
	رژیم دوم	0.5365	40/3	1578/0
حکمرانی خوب	رژیم اول	0205/0-	49/1-	0138/0
	رژیم دوم	0608/0-	30/3-	0184/0
	19/1
	79/5
توجه:  و به­ترتیب بیانگر پارامتر شیب و مکان وقوع تغییر رژیم هستند.

https://orcid.org/ 0009-0006-7658-9562	Luay Adil Abbood
https://orcid.org/ 2149-5174-0002-0000	Seyed Jamaledin Mohseni Zonouzi
https://orcid.org/0000-0002-4364-5832	Yousef Mohammadzadeh

 

 

 

 

 

منابع

-       اسدزاده، احمد و جلیلی، زهرا (1394). اقتصاد سایه و نابرابری درآمد در ایران. فصلنامه مدلسازی اقتصادی، 9(2)، 101-91.

-       حسن مهیجر، جابر، حکمتی فرید، صمد، رضازاده، علی و محمدزاده، یوسف (1404). بررسی تأثیر اقتصاد سایه بر عملکرد بازار مالی و بخش بانکی کشورهای عضو BRICS (رویکرد Panel SUR). مدیریت دارایی و تامین مالی. 13(2)، 28-1.  https://doi.org/10.22108/amf.2024.142315.1905

-       خاندوزی، سیداحسان و میرنظامی، ابراهیم (1398). سنجش تاثیر پیچیدگی اقتصادی بر شاخص آسیب­پذیری و تاب­آوری. جستارهای اقتصادی، 16(32 )، 33-9.  https://doi.org/10.30471/iee.2020.5502.1777

-       شنیشل، ذرسعدون، محمدزاده، یوسف، بشیر خداپرستی، رامین و جهانگیری، شهاب (1403). بررسی تاثیر ریسک سیاسی بر اقتصاد سایه: رویکرد پانل کوانتایل. فصلنامه مدل‌سازی اقتصادی، 18(65)، 72-45. https://doi.org/10.71849/ECO.2024.1127783

-       فراهتی، محبوبه (1399). مدل­سازی اثرات جایگزینی مالیات­ها بر اندازه اقتصاد سایه (کاربرد تجربی برای اقتصاد ایران). مدلسازی اقتصادی، 14(50)، 76-53. https://doi.org/10.30495/eco.2020.674217 

-       فربد، دانیال، فلاحی، محمدعلی و صالح­نیا، نرگس (1400). بررسی تأثیر ریسک‌های اقتصادی، مالی و سیاسی بر شاخص آسیب­پذیری نفرین منابع در کشورهای منطقه منا. پژوهشنامه اقتصاد انرژی ایران، 11(11)، 161-131. https://doi.org/22054/jiee.2022.67575.1905

-       Alvarado, R., Tillaguango, B., López-Sánchez, M., Ponce, P., & Isık, C. (2021). Heterogeneous impact of natural resources on income inequality: The role of the shadow economy and human capital index. Economic Analysis and Policy, 69, 690-704. https://doi.org/10.1016/j.eap.2021.01.015

-       Angeon, V., & Bates, S. (2015). Reviewing composite vulnerability and resilience indexes: A sustainable approach and application. World Development, 72, 140-162. doi.org/10.1016/j.worlddev.2015.02.011

-       Asadzadeh, A., & Jalili, Z. (2015). Shadow economy and income inequality in Iran. Economic Modeling, 9(2), 30, 91-109. (in persian)

-       Audu, S. I. (2020). National transparency and the performance of the financial market in Nigeria. International Journal of Business and Financce Management Research, 8(1), 10-14. doi.org/10.33500/ ijbfmr.2020.08.002

-       Baker, C. (2009). The economic implications of the nformal economy: A guide to dumping and informal trade. Journal of Economic Perspectives, 23(1), 139-157. 

-       Berdiev, A. N., & Saunoris, J. W. (2016). Financial development and the shadow economy: A panel VAR analysis. Economic Modelling, 57, 197-207. doi.org/10.1016/j.econmod.2016.03.028

-       Biswas, S., & Nautiyal, S. (2023). A review of socio-economic vulnerability: The emergence of its theoretical concepts, models and methodologies. Natural Hazards Research, 3(3), 563-571. doi.org/10.1016/j.nhres.2023.05.005

-       Bhattacharyya, S., & Hodler, R. (2014). Do natural resource revenues hinder financial development? The role of political institutions. World Development, 57, 101-113. doi.org/10.1016/j.worlddev.2013.12.003

-       Briguglio, L., Cordina, G., Farrugia, N., & Vella, S. (2014). Economic vulnerability and resilience: concepts and measurements. In Measuring Vulnerability in Developing Countries, Routledge, 47-65. doi.org/10.1080/13600810903089893

-       Buehn, A., & Schneider, F. (2012). Size and development of the shadow economies of 31 European and 21 other OECD countries from 2003 to 2013. Johannes Kepler University.

-       Chaudhuri, S., & Mukhopadhyay, U. (2009). Revisiting the informal sector: a general equilibrium approach. Springer Science & Business Media.

-       Çiçek, D., & Elgin, C. (2011). Cyclicality of fiscal policy and the shadow economy. Empirical Economics, 41, 725-737. doi.org/10.1007/s00181-010-0409-0

-       Dada, J. T., Ajide, F. M., Arnaut, M., & Al-Faryan, M. A. S. (2024). On the contributing factors to shadow economy in Africa: Do natural resources, ethnicity and religious diversity make any difference? Resources Policy, 88, 104478. doi.org/10.1016/j.resourpol.2023.104478

-       Dell’Anno, R. (2016). Analysing the determinants of the shadow economy with a “separate approach”. Journal of Economic Studies, 43(3), 497-528. doi.org/10.1016/j.worlddev.2015.08.026

-       Elgin, C. (2020). The informal economy: Measures, causes, and consequences. Routledge Frontiers of Political Economy. 1st Edition.

-       Elgin, C., & Oztunali, O. (2012). Shadow economies around the world: Model based estimates. Boğaziçi University Working Paper. Bogazici University, Department of Economics.

-       Farahati, M. (2020). Modeling the effects of tax substitution on the size of the shadow economy (An empirical application for Iran's economy). Economic Modeling, 14(2), 53-76. doi.org/10.30495/eco.2020.674217 (in persian)

-       Farbod, D., Falahi, M. A., & Salehnia, N. (2021). Investigating the impact of economic, financial, and political risks on the resource curse vulnerability index in MENA region countries. Iranian Energy Economics Research Journal, 11(11), 161-311. doi.org/22054/jiee.2022.67575.1905 (in persian)

-       Fay, M., & Opal, C. (2000). Urbanization without growth: A not so uncommon Policy Research working Paper; No. 2412. World Bank Publications.

-       Feige, E. L. (2016). Reflections on the meaning and measurement of unobserved economies: What do we really know about the "shadow economy"? Journal of Tax Administration, 2(1), 5-25.

-       Feld, L. P., & Schneider, F. (2010). Survey on the Shadow Economy and Undeclared Income in OECD Countries. OECD Economic Studies. doi.org/1111/j.1468-0475.2010.00509.x

-       Gonzalo, J., & Pitarakis, J. Y. (2002). Estimation and model selection based inference in single and multiple threshold models. Journal of econometrics, 110(2), 319-352. doi.org/10.1016/S0304-4076(02)00098-2

-       Hajilee, M., Stringer, D. Y., & Hayes, L. A. (2021). On the link between the shadow economy and stock market development: An asymmetry analysis. The Quarterly Review of Economics and Finance, 80, 303-316. doi.org/10.1016/j.qref.2021.02.011

-       Hasan Mhejir, J., Hekmati Farid, S., Rezazadeh, A., & Mohammadzadeh, Y. (2025). Investigating the impact of the shadow economy on financial market performance and the banking sector of BRICS countries (Panel SUR approach). Asset Management and Financing, 13(2), 1-28. doi.org/10.22108/amf.2024.142315.1905 (in persian)

-       Hinds, R. (2015). Economic growth and fragility. GSDRC Helpdesk Research Report.

-       Junior, C. J. C., Garcia-Cintado, A. C., & Usabiaga, C. (2021). Fiscal adjustments and the shadow economy in an emerging market. Macroeconomic Dynamics, 25(7), 1666-1700. doi.org/10.1017/S1365100519000828

-       Kao C. (1999). Spurious regression and residual-based tests for cointegration in panel data. Journal of Econometrics, 90(1), 1–44. doi.org/10.1016/S0304-4076(98)00023-2

-       Kar, S., & Bhanumurthy, N. R. (2019). Impact of informal economy on macro-economic indicators: Evidence from India. The Journal of Economic Asymmetries, 18, e00103. doi.org/10.3390/su141911989

-       Kelikume, I. (2021). Digital financial inclusion, informal economy and poverty reduction in Africa. Journal of Enterprising Communities: People and Places in the Global Economy, 15(4), 626-640. doi.org/10.1108/JEC-06-2020-0124

-       Khandoozi, S. A., & Mirnezami, E. (2019). Measuring the impact of economic complexity on vulnerability and resilience index. Economic Essays, 16(32), 9-33. doi.org/10.30471/iee.2020.5502.1777 (in persian)

-       Levine, R. (2005). Finance and growth: theory and evidence. NBER Working Paper. No. 10766. doi.org/10.3386/w10766

-       Levitt, S. D., & Venkatesh, S. A. (2000). An economic analysis of a drug-selling gang's finances. Quarterly Journal of Economics, 115(3), 755-789. doi.org/10.1162/003355300554908

-       Maloney, W. F. (2004). Informality revisited. World Development, 32(7), 1159-1178. doi.org/10.1016/j.worlddev.2004.01.008

-       Mazhar, U., & Jafri, J. (2017). Can the shadow economy undermine the effect of political stability on inflation? Empirical evidence. Journal of applied economics, 20(2), 395-420. doi.org/10.1016/S1514-0326(17)30018-1

-       Medina, L., & Schneider, F. (2018). Shadow economies around the world: What did we learn over the last 20 years? IMF Working Paper No. 18/17.

-       Modica, M., & Reggiani, A. (2015). Spatial economic resilience: overview and perspectives. Networks and Spatial Economics, 15, 211-233. doi.org/10.1007/s11067-014-9261-7

-       Murray, C. (2007). The anti-politics machine: Development, depoliticization and bureaucratic power in Lesotho. University of Calgary Press.

-       Nguyen, D. V., & Duong, M. T. H. (2021). Shadow economy, corruption and economic growth: an analysis of BRICS countries. The Journal of Asian Finance, Economics and Business, 8(4), 665-672. doi.org /10.13106/jafeb.2021.vol8.no4.0665

-       Ohnsorge, F., & Yu, S. (2021). The long shadow of informality. World Bank Group. /doi.org /10.1596/978-1-4648-1753-3

-       Ortiz, C., Alvarado, R., Méndez, P., & Flores-Chamba, J. (2022). Environmental impact of the shadow economy, globalisation, and human capital: capturing spillovers effects using spatial panel data approach. Journal of Environmental Management, 308, 114663. doi.org/10.1016/j.jenvman.2022.114663

-       Pesaran, M. H. (2021). General diagnostic tests for cross-sectional dependence in panels. Empirical economics, 60(1), 13-50. doi.org/10.2139/ssrn.572504

-       Pham, M. H., Truong, H. D. H., & Hoang, D. P. (2024). Economic complexity, shadow economy, and income inequality: fresh evidence from panel data. International Economic Journal, 38(2), 270-292. doi.org/10.1080/10168737.2024.2311704

-       Saadoon-Shnaishel, T., Mohammadzadeh Y., Bashir-Khodaparasti, R., & Jahangiri, S. (2024). Investigating the impact of political risk on the shadow economy: A quantile panel approach. Economic Modeling, 18(65), 45-72. doi.org/10.71849/ECO.2024.1127783 (in persian)

-       Sachs, J. D., & Warner, A. M. (2001). The curse of natural resources. European Economic Review, 45(4-6), 827-838. doi.org/10.1016/S0014-2921(01)00125-8

-       Safuan, S., Habibullah, M. S., & Sugandi, E. A. (2021). Mitigating the shadow economy through financial sector development in Indonesia: some empirical results. Heliyon, 7 (12), e08633.  doi.org/10.1016/j.heliyon.2021.e08633

-       Saha, S., Beladi, H., & Kar, S. (2021). Corruption control, shadow economy and income inequality: Evidence from Asia. Economic Systems, 45(2), 100774. doi.org/10.1016/j.ecosys.2020.100774

-       Schneider, F. (2013). Size and development of the shadow economies of 31 european and 21 other OECD countries from 2003 to 2013. Johannes Kepler University.

-       Schneider, F., & Buehn, A. (2012). Shadow economies in highly developed economies: What are the driving forces? International Economic Journal, 26(4), 543-558. doi.org/10.2139/ssrn.2161228

-       Schneider, F., & Enste, P. (2000). Shadow economies: Size, causes, and consequences. Journal of Economic Literature, 38(1), 77-114. doi.org/10.1257/jel.38.1.77

-       Schneider, F., & Williams, C. C. (2013). The shadow economy. Institute of Economic Affairs Monographs, doi.org/10.2139/ssrn.3915632

-       Stojanović, I., Ateljević, J., & Stević, R. S. (2016). Good governance as a tool of sustainable development. European Journal of Sustainable Development, 5(4), 558-558. doi.org/10.14207/ejsd.2016.v5n4p558

-       Tanzi, V., & Davoodi, H. (1997). Corruption, public investment, and growth. IMF Working Paper. No. 1997/139.

-       Torgler, B. (2003). The nature of the underground economy: A comparative study of the situation in Europe and the United States. Applied Economics Letters, 10(7), 439-442.

-       Unver, M., & Dogru, B. (2015). The determinants of economic fragility: case of the fragile five countries. Akdeniz İ.İ.B.F. Dergisi, 31, 1-42.

-       Achim, M. V., & Borlea, S. N. (2020). Economic and financial crime: Corruption, shadow economy, money laundering, (20). Springer Nature. doi.org/10.1007/978-3-030-51780-9

-       Williams, C. C., & Martinez-Perez, A. (2016). Why do consumers purchase goods and services in the informal economy? Journal of Business Research, 69(3), 979-985. doi.org/10.1016/j.jbusres.2013.11.048

-       Yevdokimov, Y., Melnyk, L., Lyulyov, O., Panchenko, O., & Kubatko, V. (2018). Economic freedom and democracy: Determinant factors in increasing macroeconomic stability. Problems and Perspectives in Management, 16(2), 279-290. doi.org/10.1016/ppm.16(2).2018.26

 

 

29

 

---

[1]  Schneider & Williams

[2]  Medina & Schneider

[3]  Dell’Anno

[4]  Costa-Junior et al

[5]  Feld & Schneider

[6]  Saha et al

[7]  Alvarado et al

[8]  Ohnsorge & Yu

[9]  Achim & Borlea

[10]  Ortiz et al

[11]  Dada et al

[12]  Hajilee et al

[13]  Berdiev & Saunoris

[14]  Schneider & Enste

[15]  Torgler

[16]  Safuan et al

[17]  Elgin

[18]  Feige

[19]  Williams & Martinez-Perez

[20]  Biswas & Nautiyal

[21]  Modica & Reggiani

[22]  Schneider

[23]  Berdiev & Saunoris

[24]  Çiçek & Elgin

[25]  Tanzi & Davoodi

[26]  Baker

[27]  Mazhar and Jafri

[28]  Audu

[29]  Torgler

[30]  Murray

[31]  Chaudhuri & Mukhopadhyay

[32]  Buehn & Schneider

[33]  Sinha & Sharma

[34]  Unver & Dogru

[35]  Kar & Bhanumurthy

[36]  Kelikume

[37]  Nguyen & Duong

[38]  Pham et al

[39]  panel smooth transition regression

[40]  Gonzalo & Pitarakis

[41]  Briguglio et al

[42]  Fund for Peace

[43]  Legatum

[44]  Legatum

[45]  Elgin & Oztunali

[46]  Bhattacharyya & Hodler

[47]  Levine

[48]  Yevdokimov et al

[49]  Stojanović et al

[50]  Fay & Opal

[51]  Hinds

[52]  Sachs & Warner

---