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, l.adilabbood@urmia.ac.ir
2 - Associate Professor of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran, (Crossponding Authur), Sj.mzonouzi@urmia.ac.ir
3 - Associate Professor of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran, yo.mohammadzadeh@urmia.ac.ir
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.
- - 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
Original Article
Examining the impact of the shadow economy on economic vulnerability
Luay Adil Abbood1, Seyed Jamaledin Mohseni Zonouzi
2,
Yousef Mohammadzadeh3
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, l.adilabbood@urmia.ac.ir
[2] **Associate Professor, Faculty of Economics and Management, Urmia University, Urmia, Iran, (Crossponding Authur), Sj.mzonouzi@urmia.ac.ir
[3] +Associate Professor, Faculty of Economics and Management, Urmia University, Urmia, Iran, yo.mohammadzadeh@urmia.ac.ir
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
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. l.adilabbood@urmia.ac.ir
[3] ** دانشیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران (نویسنده مسئول). Sj.mzonouzi@urmia.ac.ir
[4] + دانشیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. yo.mohammadzadeh@urmia.ac.ir
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:
(1) |
|
(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
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: |
Luay Adil Abbood | |
Seyed Jamaledin Mohseni Zonouzi | |
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
[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