Examensarbete, 240 hp
Existerar The Home
Market Effect i ett urval av 15 länder i Europeiska
unionen?
En kvantitativ analys av stål och järn-sektorn
Aron Folke
Innehållsförteckning
Abstract………..……….….………....3
1. Introduktion….………...………...………….……….4
2. Tidigare forskning & Bakgrund..……….……….………....6
3. Teori & Modell..………...….……….…….………...….8
4. Empirisk specifikation & Metod……….………..………..……….12
5. Data………..………..……….………...……….15
6. Resultat……….………..………..…..19
6.1. Regression stål och järn vs plast för skol och kontorsprodukter……...……....19
6.2 Regression stål och järn vs verktyg för jord och skogsbruk…..…….………....20
7. Diskussion………...………..……….….22
8. Slutsats………...……….………..……….….24
Referenser………...……….………..25
Appendix………...……….27
Abstract
The following paper aims to investigate whether the home market effect can be found in the steel and iron sector. When the world trade has increased some argue that larger countries tend to export more of high scale, high transport cost goods. This is called the home market effect. Unlike previous work; this paper is studying 15 European
countries. The economy which is examined contains 15 exporting EU-countries and 2 of the largest importing countries. This paper uses a OLS – regression which includes some gravity variables to search for evidence of the home market effect in the steel and iron sector.
The paper finds no evidence of the existence of the home market effect in the iron and steel sector. However, evidence for some gravity variables is found which tells us that economic size and distance between two countries are relevant to include when studying international trade and/or the home market effect.
1. Introduktion
Från mitten av 1900-talet har världshandeln ökat kraftigt. 2007 var den totala exporten i världen 30 % av världens BNP (Ekonomifakta, 2021). Det finns många anledningar till att världshandeln har ökat. Undertecknandet av GATT och grundandet av WTO är två bidragande faktorer. GATT är ett av de tre huvudavtalen i WTO. Avtalet omfattar icke diskrimineringsprinciper, regler för tullförhandlingar, tullbindningar och förbud mot kvantitativa restriktioner. Nedan visas en graf över hur världshandeln har förändrats över tid.
Figur 1: Totala världsexporten presenterat som procent av världens totala BNP. (The World Bank, u.å.) x-axeln är år och y-axeln är den totala världsexporten som procent av världens totala BNP.
I och med den ökade världshandeln har det blivit allt viktigare att undersöka och förstå den internationella handelsmarknaden. Somliga argumenterar för att ett mönster har upptäckts där större länder exporterar relativt mer av produkter med stora skalfördelar och höga transportkostnader. Detta fenomen kallas för the home market effect och bör studeras för att öka förståelsen kring specialiseringen av produktion i länder. I längden kan detta bidra till en mer effektiv världsproduktion vilket även gynnar konsumenterna.
En mer effektiv världsproduktion leder till att världen kan producera ett större antal varor och tjänster till ett lägre pris jämfört med en mindre effektiv världsproduktion.
Om kostnaden för att producera ett antal varor minskar kommer även priset på dessa varor att minska vilket leder till att konsumenterna möter ett lägre pris. En ökad förståelse för the home market effect och internationell handel kan därför bidra till en bättre ekonomi för både företag och konsumenter.
Följande uppsats använder sig av Hanson och Xiang’s (2002) modell, för att undersöka om the home market effect existerar i stål och järn-sektorn. Denna modell kommer presenteras i kapitel 3 och 4. Tidigare arbeten har resulterat i att det idag råder delade meningar kring om the home market effect existerar. Denna uppsats undersöker the home market effect när 15 länder som är medlemmar i den Europeiska unionen studeras. För att undersöka detta används OLS och studien grundar sig i en jämförelse mellan en sektor med höga transportkostnader och stora skalfördelar och en sektor med låga transportkostnader och små skalfördelar. Genom denna jämförelse kan man se om ett land exporterar relativt mer av varor med höga transportkostnader och stora
skalfördelar kontra varor med låga transportkostnader och små skalfördelar.
Jämförelsen undersöker därför om the home market effect existerar.
Den första sektorn som är i fokus är stål och järn-sektorn. Detta är en sektor med höga transportkostnader och stora skalfördelar. Den andra sektorn som är i fokus är plast för skol och kontorsprodukter - en av sektorerna med låga transportkostnader och små skalfördelar. Sektorn stål och järn jämförs även med en tredje sektor - verktyg för jord och skogsbruk som även den räknas som en industri med låga transportkostnader och små skalfördelar. Världsekonomin har i detta arbete avgränsats till 15 exporterande länder som tillhör samma handelsområde (Europeiska unionen) och 2 importerande länder, USA och Kina. Avgränsningen har gjorts eftersom de exporterande länderna ska ingå i samma handelsavtal för att modellen ska bli representativ. Arbetet undersöker om det finns bevis för att the home market effect existerar i stål och järn-sektorn. Denna sektor studeras eftersom stål och järn-sektorn ofta innebär höga transportkostnader och stora skalfördelar. Resultatet av uppsatsen visar i jämförelsen mellan sektorerna stål och järn och plast för skol och kontorsprodukter att det inte finns några statistiska belägg för att the home market effect existerar i stål och järn - sektorn. När sektorn stål och järn jämförs med sektorn verktyg för jord och skogsbruk visar resultatet på en omvänd home market effect. Däremot finns det statistiska belägg för att gravitationsvariabler är
fördelaktigt att inkludera när internationell handel och/eller the home market effect ska studeras.
Resterande del av uppsatsen har följande upplägg. I kapitel 2 diskuteras tidigare studier.
I kapitel 3 används teori för att lägga grunden för den empiriska specifikationen. I
kapitel 4 presenteras den empiriska specifikationen och metoden. I kapitel 5 diskuteras data som används och hur inhämtandet av detta gått till. I kapitel 6 presenteras studiens resultat och jämförelser med tidigare studier presenteras. I kapitel 7 diskuteras arbetet och eventuella förbättringsmöjligheter. I kapitel 8 presenteras uppsatsens slutsats.
2. Tidigare forskning & Bakgrund
Linder (1961) lade grunden till the home market effect. Majoriteten av tidigare forskning hade fokuserat på kopplingen mellan omfördelning och vilka fördelar det hade för den internationella handeln. Linders teori grundade sig i Ricardo’s modell (1817) om komparativa fördelar och gav en nyanserad bild av Ricardo’s modell och bidrog till ökad förståelse för internationell handel. Linder belyser skillnaden i produktionsfunktioner som i sin tur är genererade från skillnader i internationell efterfrågan av diverse produkter. Linder menar att för två länder med liknande
efterfrågan så leder det till att de båda länderna kommer att utveckla liknande industrier som producerar liknande varor. De två länderna kommer sedan att handla med varandra där båda har liknande men differentierade varor. Ett exempel på en differentierade vara skulle kunna vara kläder där mycket kläder är lika men ändå olika. Klädföretag
differentierar sig från konkurrenter genom exempelvis olika märken och material.
Krugman’s (1980) arbete var startskottet för the home market effect. Krugman
presenterade ett alternativ till det Linder tidigare presenterat. Krugman fokuserade i sitt arbete, till skillnad från Linder, på skalfördelar. Hans arbete visar att ett land med invånare som konsumerar en större andel av en produkt kommer att erhålla ett överskott av produkten då den ökade inhemska efterfrågan på produkten gör att inhemska företag producerar mer av produkten och det ger i längden skalfördelar i den inhemska
produktionen. Med hjälp av dessa skalfördelar producerar de inhemska företagen mer än den inhemska efterfrågan vilket leder till att överskottet exporteras. Krugmans arbete förutspår att en stark inhemsk efterfrågan bör leda till en ökad export av inhemskt producerade varor.
Head och Ries (2001) fann att detta samband inte nödvändigtvis har empiriskt stöd.
Deras arbete ger blandade belägg för att the home market effect existerar. De undersöker två modeller med differentierade produkter, en med tilltagande
skalavkastning och en med konstant skalavkastning. I modellen med tilltagande skalavkastning, som Head och Reis benämner IRS (Increasing returns to scale), visar resultatet att en ökning i landets efterfrågeandel som del av efterfrågan i världen resulterar i att ökningen av landets produktionsandel av världsproduktionen är icke proportionerligt. Detta innebär att om landets efterfrågeandel ökar med 1 så ökar landets produktionsandel med mer en 1. I den andra modellen är skalavkastningen konstant och benämns NPD (National product differentiation). Resultatet från modellen visar motsatt effekt som IRS. En ökning i landets efterfrågeandel som del av efterfrågan i världen ger en mindre än proportionell ökning i landet produktionsandel av världsproduktionen. Om landets efterfrågeandel ökar med 1 ökar landets produktionsandel med mindre än 1.
Det finns förhållandevis mycket litteratur om the home market effect och arbetena har en stor variation. Variationen beror till stor del på hur de olika författarna definierar the home market effect. Både Linder (1961) och Krugman (1980) framhäver i sina arbeten vikten av skillnaden i efterfrågan mellan länder. 2016 publicerade Costinot et al, ett uppmärksammat arbete som bygger på Linder och Krugmans slutsatser. I detta arbete undersöker författarna om korrelationen mellan den förväntade inhemska efterfrågan och exporten är positiv och större än den förväntade inhemska efterfrågan och importen.
De undersöker läkemedelssektorn och kommer fram till att länder som har en hög inhemsk efterfrågan på ett läkemedel tenderar även att vara nettoexportörer av detta läkemedel vilket kan tolkas som ett bevis för att the home market effect existerar, åtminstone i läkemedelssektorn.
Behrens et al (2005) finner också belägg för att the home market effect existerar men först efter att deras modell utvecklats. De utvecklar modellen genom att korrigera produktionen och handeln för ländernas olika tillgång till världsmarknaden. Detta gör de genom att väga in ländernas relativa storlek och ländernas relativa distans i
modellen. Slutsatsen i arbetet är att den lokala marknadsstorleken har en betydande roll när man ska beskriva och förutspå handelsflöden, speciellt mellan OECD-länder.
Utgångspunkten för arbetet är Krugmans modell (1980) som redogör för kopplingen mellan ett lands storlek och distans till utländska marknader med dess attraktionskraft som produktionsplats. Författarna upptäcker att denna modell ger belägg för the home market effect efter att de korrigerat för skillnader i länders åtkomst till
världsmarknaden.
Hanson och Xiang (2002) utgör grunden i denna uppsats. Hanson och Xiang fann problem när man använder sig av gravitationsekvationer. En gravitationsekvation predikterar handelsflöden med hjälp av länders ekonomiska storlek och distansen mellan de två för att identifiera the home market effect. Problemet visas av Anderson och Van Wincoop (2001) som i deras arbete visar att många gravitationsappliceringar misslyckas med att kontrollera distansen för importerande länder vilket innebär att estimeringen blir snedvriden. Hanson och Xiang undersöker frågeställningen om större länder tenderar att exportera mer produkter från industrier med starka skalfördelar och höga transportkostnader jämfört med produkter från industrier med svaga skalfördelar och låga transportkostnader. Tillvägagångssättet har enligt författarna flera fördelar. De undersöker ekonomier som ingår i samma handelsavtal och menar att de därmed
minskar den påverkan som distans och tullar har på handelsflödet. Genom att separera industrier med hjälp av skalfördelar och transportkostnader fokuseras analysen på fall där the home market effect mest troligt existerar. Författarnas slutsats är att the home market effect existerar i industrier med höga transportkostnader och starka skalfördelar.
Författarna använder sig också av gravitationsvariabler1 för att kontrollera för distansen mellan de exporterande och de importerande länderna.
Thomas Chaney’s (2013) visar att den bilaterala handeln mellan två länder är proportionell till den ekonomiska storleken som i hans arbete mäts med hjälp av ländernas BNP. Den bilaterala handeln är omvänt proportionerlig till den geografiska distansen mellan de två länderna. Chaney beskriver även hur storlekens roll i den internationella handeln är välstuderad men att geografiska distansens roll för handeln fortfarande är något som vi inte förstått helt. Författarens resultat är att den
sammanlagda handeln är omvänt proportionerlig till distans vilket betyder att ett längre avstånd mellan två länder leder till mindre handel.
3. Teori & Modell
I detta kapitel beskrivs teorin som ligger till grund för denna uppsats och som bygger på teorin som Hanson och Xiang (2002) presenterar i sitt arbete. Definitionen av the home
1 Gravitationsvariabler: Variabler som predikterar handeln mellan två länder genom användandet av ekonomisk storlek och distansen mellan länderna.
market effect kan tolkas olika beroende på vilket sammanhang som är av intresse vilket blir tydligt när tidigare studier läses. För att kunna påbörja arbetet mot den slutgiltiga modellen krävs därför en klar och relevant definition på vad the home market effect är.
Den definition som används i denna uppsats och som har presenterats i tidigare kapitel är att the home market effect är att större länder tenderar att exportera relativt mer av varor med höga transportkostnader och stora skalfördelar jämfört med varor med låga transportkostnader och små skalfördelar. Denna definition är i linje med Hanson och Xiangs definition. När definitionen nu fastslagits behövs nu en modell som undersöker om större länder tenderar att exportera mer av varor med höga transportkostnader och stora skalfördelar.
För att hitta en estimeringsstrategi för att söka efter belägg för the home market effect används i grunden Helpman och Krugmans (1985) modell som innefattar tilltagande skalavkastning och monopolistisk konkurrens. Alla konsumenter har identiska Cobb Douglas preferenser. Anta nu att det finns J antal länder och M antal sektorer där varje sektor har ett stort antal olika variationer på produkterna. Skalfördelar existerar i
produktionen och den minimala kostnaden för att producera Xim enheter av produkttyp i i sektor m beskrivs i ekvation (1).
(1) 𝑓!(𝑤!, 𝑥"!) = 𝑤!(𝑎!+ 𝑏!𝑥"!)
Där am och bm är konstanter och wm är enhetskostnaden (bland annat lönen för att producera en enhet) som antas vara konstant över olika produkttyper i alla sektorer. I jämvikt produceras varje produktvariant av ett företag och ekonomins marknadsform är monopolistisk konkurrens. Det finns ett stort antal produktvarianter (nm) och den monopolistisk konkurrensen innebär att det är fritt inträde till marknaden. Detta gör att vinsterna drivs ner till noll och priset på produktvarianten blir lika med den
genomsnittliga produktionskostnaden.
Beakta nu produktprisernas variation mellan länder. C.i.f - priset2 för produktvariant i i sektor m som är producerad av land j och såld i land k är:
2 (C.i.f – priset är priset för en vara som fraktas till gränsen av det importerande landet och inkluderar eventuella försäkringar och fraktkostnader fram till gränsen)
(2) 𝑃"!#$ = 𝑃"!#𝑡!#$(𝑑#$)%! = (&&!
!'()𝑏!𝑤!#𝑡!#$(𝑑#$)%!
Där Pimj är f.o.b.3 priset för produkt i i sektor m som är producerad i land j. tmjk är ett plus land k’s tullavgift på importer från sektor m från land j. Distansens mellan land j och land k representeras av djk. gm är elasticiteten av transportkostnaden med respekt till distansen och större än 0. sm är substitutionselasticiteten mellan produkterna i sektor m.
Den sista delen av ekvation (2) ersätter Pimjk med ett prispålägg som är större än marginalkostnaden. Detta prispålägg är konstant över alla sektorer. För att förenkla analysen antar Hanson och Xiang att prispålägget är en multiplicerad funktion av produktionskostnaden, tullar och transportkostnader.
Beakta nu efterfrågan i land k för produktvarianterna i sektor m som producerats i land j. Låt därför Cimjk vara kvantiteten av produktvarianterna från sektor m som land k köper från land j. Detta kan skrivas:
(3) 𝐶"!#$ = 𝜇!𝑌$∑ ∑(*"!#$)%&!
(*"!'$)(%&!
)!'"*(
+ '*(
Där Yk är nationalinkomsten för land k. µm är en parameter i individens nyttofunktion och är den andel av individens utgifter som går till konsumtion av produktvarianter från sektor m. Därefter definieras Smjk som den totala försäljningen av produktvariationerna i sektor m från land j till land k i ekvation (4) nedan.
(4) 𝑆!#$ ≡ ∑ 𝑃" "!#$𝐶"!#$
3 (f.o.b – priset (free on board)) betyder att säljaren sätter ett pris som inkluderar kostnaden för att leverera en vara till närmaste hamn. Därefter står köparen för utgifterna som krävs för att leverera varan från hamnen till dess slutgiltiga destination.
Genom att anta att produktvariationernas teknologi och preferenser är symmetriska och genom att ignorera produktvariationernas notationer så kan den totala försäljningen uttryckas enligt ekvation (5).
(5) 𝑆!#$= 𝜇!𝑌$𝑛!#(**!#$
!$)('&!
Där Pmk är prisindexet i land k för produkterna i sektor m. Genom att kombinera ekvation (2) och (5) tas den relativa differensen mellan land j och land h’s export av produkter från sektor m fram. Detta visas i ekvation (6).
(6) --!#$
!'$ = ..!#
!'(//!#
!')('&!(00#$
'$)(('&!)%!
I ekvation (6) antas att land h och j har liknande produktionsteknologi och att de båda länderna möter samma typ av tullar i land k. I denna uppsats är detta ett faktum då alla länder som jämförs är med i EU och därav ingår i samma handelsavtal. Genom att uttrycka den totala försäljningen (Smjk) i relativa termer försvinner prisindexet i land k från ekvationen. När jämförelsen är mellan två länder som ställs inför samma
tullavgifter hos land k försvinner även detta ur ekvationen.
När substitutionselasticiteten mellan produkterna i sektor m är större än 1 (sm> 1) tolkas det som att för vissa sektorer m, är land j’s export till land k mer sannolikt att vara större än land h’s export till land k. Sannolikheten för detta ökar om land j’s relativa
produktionskostnader är mindre än land h’s. Om land k är närmare land j relativt till land h ökar också sannolikheten för att land j exportera mer än land j till land k. Om land j producerar fler produktvariationer än land h är sannolikheten större att land j exporterar relativt mer till land k än land h. Det kan vara så att land j producerar fler produktvariationer än land h på grund av the home market effect men för att isolera denna effekt krävs en jämförelse mellan två sektorer som kalls sektor m och sektor o.
Från ekvation (6) tas kvoten för den relativa försäljningen av produkter från sektor m och o från land j och land h till land k fram. Detta visas i ekvation (7).
(7) --!#$⁄-!'$
,#$⁄-,'$ = ..!#⁄.!'
,#⁄.,'
(/!#⁄/!')(%&!
(/,#⁄/,')(%&, (𝑑#$⁄𝑑2$)(('&!)%!'(('&,)%,
Där ..!#⁄.!'
,#⁄.,' kan tolkas som den relativa skillnaden i marknadsstorlek mellan de två länderna j och h.
nmj är antalet produktvarianter i sektor m i land j och nmh är antalet produktvarianter i sektor m i land h. noj och noh är antalet produktvarianter i sektor o i land j respektive land h.
För ett stort land är antalet produktvarianter stort och i ett litet land är antalet
produktvarianter mindre. The home market effect existerar därför där kvoten (nmj/nmh) / (noj/noh) är större ju större land j är relativt till land h. Detta går att beskriva lättare med ord: Kvoten mellan land j’s och land h’s relativa export av en produkt med stora skalfördelar och höga transportkostnader (sektor m) jämfört med en produkt med små skalfördelar och låga transportkostnader (sektor o) kommer att vara större desto större land j är relativt till land h. I detta arbete är sektor m stål och järn och sektor o är plast för skol och kontorsmaterial alternativt verktyg för skogs och jordbruk. I en jämförelse mellan två länder så kommer det större landet att producera relativt mer av stål och järn jämfört med plast för skol och kontorsmaterial alternativt verktyg för skogs och
jordbruk. När teorin nu är presenterad är nästa steg att ta fram en empirisk specifikation för att undersöka om the home market effect existerar i stål och järn-sektorn.
4. Empirisk specifikation och Metod
Med hjälp av ekvation (7) tas den empiriska specifikationen fram. --!#$⁄-!'$
,#$⁄-,'$
logaritmeras och bildar den beroende variabeln i vänster led där behandlingsgruppen är industri m som karaktäriseras av stora skalfördelar och höga transportkostnader och kontrollgruppen är industri o som karaktäriseras av små skalfördelar och låga transportkostnader. Den beroende variabeln är för de två länderna log differensen i deras export av produkt m med stora skalfördelar och höga transportkostnader minus log differensen i deras export av produkt o med små skalfördelar och låga
transportkostnader.
I ekvation (7) återfinns termen ..!#⁄.!'
,#⁄.,' som kan tolkas som den relativa skillnaden i exportörernas marknadsstorlek. I den empiriska specifikationen ersätts denna med den relativa skillnaden i BNP som också kan anses vara ett mått på den relativa skillnaden i exportörernas marknadsstorlek då större länder har ett större antal produktvariationer. I ekvation (8) skrivs detta därför som den relativa skillnaden i BNP mellan land j och land h.
Den relativa skillnaden i produktionskostnader mellan land j och h visas av
(/!#⁄/!')(%&!
(/,#⁄/,')(%&, i ekvation (7). Skillnader i produktionskostnad kan påverkas av ett flertal variabler. I den empiriska specifikationen benämns dessa kontrollvariabler därför som
3#
3'. Samtliga kontrollvariabler som ingår i 33#
' presenteras i tabell 1 nedan.
Tabell 1 – tabell över de kontrollvariabler som ingår i !!
!" i ekvation (8).
(𝑑#$⁄𝑑2$)(('&!)%!'(('&,)%, är den relativa skillnaden mellan ländernas distans och det importerande landet k. I detta arbete är de importerande länderna Kina och USA. I den empiriska specifikationen visas detta av de sista två termerna.
För att ta fram den fullständiga empiriska specifikationen logaritmeras samtliga variabler och ekvation (8) bildas.
(8) 𝑙𝑛(--!#$⁄-!'$
,#$⁄-,'$) = β4+ β(𝑙𝑛(56*56*#
') + 𝑙𝑛( 33#
') + β7𝑙𝑛(8$8$#
') + lnβ9(8:8:#
') + 𝜀!;#$2 Den första förklaringsvariabeln är en gravitationsvariabel som är ett mått på ländernas relativa marknadsstorlek i form av relativt BNP. I varje jämförelse mellan två länder är det land med störst BNP betraktad som det största landet av de två och är därför land j i
Variabelnamn Population
Genomsnittlig utbildning Humankapital
Genomsnittlig årslön Kapital per arbetare
denna och efterföljande variablerna. Hanson och Xiang använder även ett alternativt mått som inte används i denna uppsats som de kallar relativ marknadspotential som tar hänsyn till grannländers efterfrågan och produktion. Detta alternativ är inte möjligt att använda i denna uppsats då det kräver data som inte är tillgängligt för allmänheten.
Den andra termen i högerledet innehåller den logaritmerade relativa skillnaden i
produktionskostnader mellan land j och h och de visas i tabell 1. De sista två termerna i ekvation (8) är gravitationsvariabler som kontrollerar för avståndet till de importerande länderna, Kina och USA. Dessa inkluderas i modellen då tidigare studier, däribland Chaney (2013), visat att avstånd kan ha en stor inverkan på två länders handel med varandra.
I linje med Hanson och Xiang så estimeras ekvation (8) med hjälp av OLS för att undersöka om det finns statistiskt signifikanta belägg för att the home market effect existerar i stål och järn-sektorn. Den variabel som är av intresse är β1 och om detta estimat är större än 0 och statistiskt signifikant finns belägg för att the home market effect existerar. Med andra ord är det ett test för att undersöka om större länder
exporterar relativt mer av produkter med stora skalfördelar och höga transportkostnader.
The home market effect antyder att för två länder, j och h, kommer kvoten mellan deras relativa export av produkt m jämfört med deras relativa export av produkt o vara högre desto större BNP land j har jämfört med land h. Ländernas relativa export av produkt o med låga transportkostnader och små skalfördelar kontrollerar för att ett större land exporterar mer av alla varor vilket skulle göra utfallsvariabeln mer tillförlitlig. Om den logaritmerade skillnaden mellan två länders export av produkt m används istället så är det inte längre möjligt att tolka β1 som en estimator av the home market effect eftersom större länder eventuellt exporterar relativt mer av alla typer av varor.
Även om mycket av teorin i denna uppsats utgår från Hanson och Xiang så finns det skillnader. En skillnad är givetvis att denna uppsats studerar en mindre världsekonomin vilket leder till att denna uppsats har färre observationer. En andra skillnad är att
Hanson och Xiang kan med sitt data räkna ut exakta värden på hur höga
transportkostnaderna är och hur stora skalfördelar en sektor och genom detta ranka sektorer efter dessa värden för att på så vis kunna undersöka vilka av dessa sektorer som the home market effect existerar. Denna uppsats har inte har tillgång till samma data på
de olika sektorerna och har därför inte haft möjlighet att genomföra detta. Lösningen på detta är att arbetet förlitar sig mycket på tidigare arbeten, däribland Hanson och Xiang, som i deras arbeten konstaterar att sektorer som används i denna uppsats är relevanta.
Denna uppsats skiljer sig även från Hanson och Xiangs i antalet variabler eftersom deras publikation innehåller ytterligare gravitationsvariabler. Dessa variabler kontrollerar för om det exporterande landet och det importerande landet har en gemensam gräns och/eller ett gemensamt språk. Detta är inte nödvändigt i denna uppsats eftersom inget av de exporterande länderna delar någon gräns med vare sig Kina eller USA och endast Irland delar ett gemensamt språk med USA.
5. Data
I denna uppsats har världsekonomin avgränsats till 15 exporterande länder och 2 importerande länder vilket visas i tabell 2 nedan.
Tabell 2 – Tabell över de importerande och exporterande länderna i modellen.
Modellen har 15 importerande länder som med alla de möjliga kombinationerna de emellan utgör 105 observationer. Det är totalt 7 parametrar som ska estimeras vilket gör att antalet frihetsgrader summeras till 98. De importerande länderna är noggrant utvalda för att de ska ställas inför samma handelsavtal och handelsbarriärer. Alla länderna tillhör Europeiska unionen vilket automatiskt innebär att de ingår i samma handelsavtal.
De importerande länderna har valts eftersom USA och Kina är två av de största Exporterande Länder Importerande Länder
Sverige Kina
Finland USA
Danmark Tyskland Frankrike Italien Spanien Slovakien Nederländerna Belgien
Portugal Tjeckien Österrike Grekland Irland
importörerna i världen och detta underlättar i hanterandet av data. Detta på grund av att om ett exporterande land inte exporterar någonting till vare sig Kina eller USA skulle modellen ha utelämnade observationer vilket leder till en mindre tillförlitlig modellen.
År 2007 var USA det största importerande landet medan Kina var det tredje största importerande landet. Tillsammans stod de för 19.11 % av all import i världen detta år (World Trade Summary, u.å.). Allt data är från 2007 med undantag för variabeln utbildning som är från 2010. Varför denna variabel inte är från samma år som de andra förklaras senare i detta avsnitt. I de fall då variabler är presenterade i amerikanska dollar är de alltid omräknade till värdet de hade 2007. Deskriptiv statistik på alla variabler går att hitta i tabell 3. I tabell 4 och 5 i appendixet går det att finna deskriptiv statistik för den relativa differensen mellan länderna samt den logaritmerade relativa differensen mellan länderna.
Tabell 3 - Deskriptiv statistik över ursprungligt data
BNP
Data för denna variabel är hämtat från Worldbank (u.å.) och är mätt i antal miljoner amerikanska dollar. Medelvärdet för BNP i de studerade länderna är 728 413 miljoner dollar och det är en stor skillnad mellan det land med lägst BNP och det land med högst.
Population
Data till denna variabel är hämtad från Worldbank (u.å.) och är mätt i antal människor i landet 2007. Medelvärdet för ländernas population är 22.9 miljoner men variationen är väldigt stor då standardavvikelsen är 25.9 miljoner.
Export av Plast för Skol och Kontorsmaterial
Variabelnamn Medelvärde Std.Dev Min Max
BNP (i miljoner USD) 728412,7 834438,3 69260 2740668
Population (antal) 22900000 25900000 4398942 82300000
Export av Plast för Skol & Kontorsmaterial (USD) 1457826 1953665 584 6441087 Export av Stål & Järn (USD) 439000000 527000000 2317719 1820000000 Export av Verktyg för Skogs & Jordbruk (USD) 1114408 1770876 1 6856619
Distans till Kina (Km) 7827,78 853,08 6323,92 9673,72
Distans till USA (Km) 6587,06 685,62 5448,43 8260,89
Genomsnittlig utbildning (antal år) 11 1,57 7,2 13,16
Genomsnittlig Årslön (USD) 32746,73 8660,3 15807 44008
Kapital per Arbetare (milj USD per milj sysselsatta) 383073,3 68031 195692,8 470255,3
Humankapital 3,14 0,36 2,28 3,63
Data är även här hämtat från UN Comtrade (u.å.) och är mätt i amerikanska dollar. Plast för skol och kontorsmaterial är en sektor som har små skalfördelar och låga
transportkostnader. Exporten av plast för skol och kontorsmaterial till Kina och USA adderas ihop. Det är en stor variation i denna variabel vilket tydliggörs av den stora standardavvikelsen. Slovakien exporterar minst från denna sektor och Danmark exporterar mest.
Export av Järn & Stål
Stål och järn räknas som en sektor med stora skalfördelar samt höga transportkostnader.
I denna uppsats görs två regressioner som jämför stål och järn - sektorn med två olika sektorer som båda har låga skalfördelar och små transportkostnader. Comtrade (u.å.) används för att hitta data. Ett lands totala export till Kina och USA adderas ihop i denna variabel. Exporten är mätt i amerikanska dollar. Det är en stor skillnad mellan Tyskland, som exporterar mest, och Slovakien som exporterar minst vilket visas i tabell 3.
Export av Verktyg för Skogs och Jordbruk
Även detta data är hämtat från UN Comtrade (u.å.) och är mätt i amerikanska dollar.
Industrin verktyg för skogs och jordbruk räknas som en industri med små skalfördelar och låga transportkostnader. Detta data har hanterats precis likadant som exporten av järn och stål samt exporten av plast för skol och kontorsmaterial det vill säga, exporten av produkten till Kina och USA har adderats ihop. Även i denna sektor är det en stor differens mellan det land som exporterar mest (Finland) och det som exporterar minst (Slovakien).
Distans till Kina & USA
I ekvation (8) återfinns två gravitationsvariabler. De är hämtade från Jon Havemans´s international trade data (u.å.) och är ett mått på distansen mellan de olika exporterande länderna och de importerande. Distansen är uträknad genom användning av ”the great circle-distance” mellan ländernas huvudstäder.
Genomsnittlig utbildning
Variabeln är mätt i antal år och dess data är från Barro & Lee, 2013. Till skillnad från övriga variabler som är från 2007 är den genomsnittliga utbildningen från 2010. Detta anses inte vara ett stort problem då den genomsnittliga utbildningen i ett land mest
troligt inte förändras så drastiskt på 3 tre år och data från 2010 bör därför även vara representativt för 2007. Medelvärdet för den genomsnittliga utbildningen är 11 år och standardavvikelsen är 1.57 år vilket tyder på att länderna i detta arbete har en liknande utbildningsnivå.
Genomsnittlig årslön
Den genomsnittliga årslönen är mätt i amerikanska dollar. Här skiljer sig typen av data från Hanson och Xiang (2002) då de i deras arbete istället använder data på den
genomsnittliga lönen för lågkvalificerade jobb. Denna uppsats har inte haft tillgång till samma typ av data och därför används den genomsnittliga årslönen i ett land som kontrollvariabel. Denna variabel bör vara ett bra alternativ det man vill kontrollera för är produktionskostnaden. För att få tillgång till data används OECD.stat (u.å.).
Medelvärdet för den genomsnittliga årslönen i dessa länder är 32 747 amerikanska dollar.
Kapital per arbetare
För att få fram data på kapital per arbetare används Penn World Table (Feenstra, Inklaar
& Timmer, 2015) där data på ländernas kapitalstock och antal sysselsatta, båda mätt i antal miljoner, går att hitta. Efter detta divideras ländernas kapitalstock med deras antal sysselsatta och därigenom tas kapital per arbetare fram. Enheten för kapital per arbetare är miljoner amerikanska dollar per miljoner sysselsatta. Medelvärdet är 383 073
miljoner per miljon sysselsatt.
Humankapital
Ett alternativt sätt för att kontrollera utbildningen i ett land är att använda sig av humankapital istället för genomsnittlig utbildning. Eftersom den genomsnittliga
utbildningen är från 2010 och humankapital är från 2007 är det av intresse att se om de två regressionerna skiljer sig beroende på vilken av de två som används. Data för humankapital är hämtat från Penn World Table’s (Feenstra, Inklaar & Timmer, 2015) Human capital index som är baserat på antal utbildningsår samt avkastning på
utbildning. Den deskriptiva statistiken visar att ländernas humankapital är relativt lika vilket visas av variabelns standardavvikelse.
6. Resultat
Uppsatsens syfte är att studera huruvida den finns belägg för att the home market effect existerar i stål och järn-sektorn i denna mindre, tidigare presenterade, världsekonomi som består av 15 exporterande länder och 2 importerande. Alla antaganden för OLS är uppfyllda och robusta standardfel tillämpas i samtliga regressioner för att kontrollera för heteroskedasticitet och autokorrelation.
När ett korrelationstest görs med de logaritmerade förklaringsvariablerna upptäcks att humankapital och kapital per arbetare är perfekt korrelerade och kan därför inte användas i samma modell eftersom det skulle leda till problem med perfekt multikollinaritet. I tabell 6 i appendix återfinns en korrelationsmatrix för de
logaritmerade förklaringsvariablerna. Det görs därför två separata regressioner där varje regression har 3 varianter. Detta görs för att få ett mer robust resultat samt för att
variablerna humankapital och kapital per arbetare inte kan appliceras i samma regression.
6.1 Regression stål och järn vs plast för skol och kontorsprodukter
I den första regressionen jämförs sektorn stål och järn med sektorn plast för skol och kontorsprodukter. Nedan visas tre olika varianter av den första regressionen.
Anledningen till att det görs tre olika varianter är för att se hur estimeringen skiljer sig beroende på vilka variabler som används. Den första varianten innehåller variablerna BNP, population, genomsnittlig utbildning, genomsnittlig årslön, kapital per arbetare och distans till både Kina och USA. I denna återfinns inga statistiskt signifikanta belägg för att the home market effect existerar i stål och järn-sektorn eftersom estimatet för det logaritmerade relativa BNP’t är statistiskt icke signifikant. I variant två ersätts variabeln genomsnittlig utbildning med humankapital och kapital per arbetare inkluderas inte i denna variant. I den tredje varianten återtas variabeln genomsnittlig utbildning men variabeln kapital per arbetare är inte inkluderad i estimeringen. Resultatet påverkas inte avsevärt av valet mellan genomsnittlig utbildning och humankapital. Ett resultat som är värt att poängtera är att distansen till både Kina och USA är statistiskt signifikanta.
Dock ska tolkningen av resultatet beaktas med försiktighet eftersom detta är en modell som främst är intresserad av den logaritmerade relativa differensen i BNP. Det som kan konstateras är att distansen är relevant när man ska undersöka om the home market effect existerar i stål och järn – sektorn.
Tabell 7: Variant 1, Regression 1 för industrierna Stål&Järn och Plast för Skol och Kontorsprodukter.
* = P<0.05, ** = P<0.01, *** = P<0.001
Tabell 8: Variant 2, Regression 1 för industrierna Stål&Järn och Plast för Skol och
Kontorsprodukter. Humankapital istället för Genomsnittlig utbildning och utan Kapital per arbetare.
* = P<0.05, ** = P<0.01, *** = P<0.001
Tabell 9: Variant 3, Regression 1 för industrierna Stål&Järn och Plast för Skol och Kontorsprodukter utan kapital per arbetare
* = P<0.05, ** = P<0.01, *** = P<0.001
6.2 Regression stål och järn vs verktyg för jord och skogsbruk Den andra regressionen har identiska varianter som regression 1 men visar ett
annorlunda resultat. Estimatet av intresse, det logaritmerade relativa differensen i BNP är statistiskt signifikant på en 0,1% - signifikansnivå i alla varianter. Det intressanta
Variabelnamn Koefficient 95% - konfidensintervall
Log relativ differens Bnp -1.21 (-3.40) - (0.98)
Log relativ differens Population 1.70 (-0.25) - (3.64) Log relativ differens Utbildning -0.70 (-2.73) - (1.34) Log relativ differens Distans Kina -7.74 ** (-12.07) - (-3.42) Log relativ differens Distans USA 5.25 ** (1.99) - (8.51) Log relativ differens Årslön -1.32 (-3.55) - (0.91) Log relativ differens Kapital per Arbetare 0.42 (-2.12) - (2.97)
Variabelnamn Koefficient 95% - konfidensintervall
Log relativ differens Bnp -1.26 (-3.42) - (0.91)
Log relativ differens Population 1.71 (-0.23) - (3.65) Log relativ differens Humankapital 0.60 (-1.85) - (3.04) Log relativ differens Distans Kina -7.07 ** (-11.32) - (-2.82) Log relativ differens Distans USA 5.57 ** (2.34) - (8.80)
Log relativ differens Årslön -1.23 (-3.42) - (0.96)
Variabelnamn Koefficient 95% - konfidensintervall
Log relativ differens Bnp -1.03 (-2.82) - (0.76)
Log relativ differens Population 1.54 (-0.05) - (3.14) Log relativ differens Utbildning -0.83 (-2.76) - (1.10) Log relativ differens Distans Kina -7.44 *** (-11.21) - (-3.68) Log relativ differens Distans USA 5.46 ** (2.53) - (8.39)
Log relativ differens Årslön -1.35 (-3.60) - (0.90)
med detta resultat är att det visar på en omvänd home market effect. I Hanson och Xiang återfinns belägg för en omvänd effekt i ett par sektorer. De tolkar det inte som att det finns en omvänd home market effect utan istället tolkar de dessa resultat som att det inte finns några belägg för att the home market effect existerar.
Tabell 10: Variant 1, Regression 2 för industrierna Stål&Järn och Verktyg för Jord och Skogsbruk
* = P<0.05, ** = P<0.01, *** = P<0.001
Tabell 11: Variant 2 Regression 2 för industrierna Stål&Järn och Verktyg för Jord och Skogsbruk. Humankapital istället för Genomsnittlig utbildning och utan Kapital per arbetare.
* = P<0.05, ** = P<0.01, *** = P<0.001
Tabell 12: Variant 3, Regression 2 för industrierna Stål&Järn och Plast för Skol och Kontorsprodukter utan kapital per arbetare
* = P<0.05, ** = P<0.01, *** = P<0.001
Det är relevant att jämföra den här uppsatsens resultat med Hanson och Xiang’s (2002) eftersom de utgår från i stort sett samma empiriska specifikation. De kommer fram till att BNP i somliga sektorer har en större påverkan på den relativa exporten vilket tyder på att the home market effect inte nödvändigtvis går att finna i alla sektorer. I deras regressioner där de studerar olika sektorer har 73% positiva koefficienter för den
Variabelnamn Koefficient 95% - konfidensintervall
Log relativ differens Bnp -7.04 *** (-10.90) - (-3.19) Log relativ differens Population 6.54 *** (3.13) - (9.95) Log relativ differens Utbildning -1.34 (-4.50) - (1.80) Log relativ differens Distans Kina 2.63 (-4.52) - (9.77) Log relativ differens Distans USA 8.72 *** (4.30) - (13.13) Log relativ differens Årslön 6.94 ** (2.51) - (11.39) Log relativ differens Kapital per Arbetare -7.68 *** (-11.03) - (-4.34)
Variabelnamn Koefficient 95% - konfidensintervall
Log relativ differens Bnp -7.13 *** (-10.91) - (-3.34) Log relativ differens Population 6.57 *** (3.18) - (9.97) Log relativ differens Humankapital -7.35 *** (-10.53) - (-4.17) Log relativ differens Distans Kina 3.92 (-2.11) - (9.96) Log relativ differens Distans USA 9.33 *** (5.07) - (13.60)
Log relativ differens Årslön 7.11 ** (2.82) - (11.42)
Variabelnamn Koefficient 95% - konfidensintervall
Log relativ differens Bnp -10.33 *** (-13.46) - (7.20) Log relativ differens Population 9.28 *** (6.35) - (12.21) Log relativ differens Utbildning 1.06 (-2.53) - (4.66) Log relativ differens Distans Kina -2.83 (-10.25) - (4.59) Log relativ differens Distans USA 4.99 * (0.66) - (9.32) Log relativ differens Årslön 7.52 *** (3.74) - (11.30)
logaritmerade differensen i BNP och i 52% av alla regressioner är koefficienterna positiva och statistiskt signifikant på 10% signifikansnivå. Detta är inget övertygande resultat för the home market effect men de finner även att det finns ett starkare samband när de undersöker de sektorer med högst transportkostnader. Dessa produkter är
lerprodukter, stålverk och stålrör.
Av de sektorerna som Hanson och Xiang studerar är den som liknar stål och järn- sektorn mest den sektor som direktöversatt benämns järnproduktion. Hanson och Xiang’s resultat när järnproduktionen undersöks är blandad. I fyra av de tretton regressionerna är koefficienten för BNP negativ, precis som i detta arbete. Detta beror på vilken industri som de jämför järnproduktionen med. Flera av sektorerna som undersöks kan kopplas till stål och järn som studeras i detta arbete vilket gör att det är svårt att driva några felfria jämförelser mellan dessa två arbeten. Det viktigaste resultatet i båda arbetena är att koefficienterna för BNP varierar och därmed varierar resultaten mycket beroende på vilka sektorer som undersöks och vilka sektorer som dessa jämförs med.
Ytterligare ett resultat som kan vara av intresse är att skillnaden mellan att använda humankapital och genomsnittlig utbildning i regressionerna inte är avsevärt stort.
Hanson och Xiang använder endast humankapital för att kontrollera för kunskap men detta arbete visar att även genomsnittlig utbildning går att använda för samma ändamål.
Då det ofta finns en diskussion om hur man bäst kontrollerar för kunskap visar detta arbete att skillnaden mellan humankapital och genomsnittlig utbildning är tillräckligt liten för att man kan använda båda.
7. Diskussion
I denna uppsats används BNP för att undersöka om det finns statistiskt stöd för the home market effect. I Hanson och Xiang används även marknadspotential vilket ger ett annorlunda resultat än om BNP används. Om BNP används finns det starka statistiska bevis för att the home market effect existerar i sektorer med väldigt höga
transportkostnader men svaga statistiska bevis för att det existerar i sektorer med
medelhöga transportkostnader. Om istället marknadspotential används är sambandet det omvända – starka statistiska bevis för att the home market effect existerar i sektorer
med medelhöga transportkostnader och svaga statistiska bevis i sektorer med väldigt höga transportkostnader. Det är svårt att svara på vilket av dessa två mått som är det bästa men om marknadspotential hade använts i denna uppsats hade resultat mest troligt påverkats. I detta arbete har marknadspotential inte varit möjligt att använda eftersom det kräver mer detaljrikt data som allmänheten inte har tillgång till.
Bristen på detaljerarat data har även lett till begränsningar till vilka sektorer som går att undersöka. Stål och järn-sektorn som undersöks i detta arbete är en bredare sektor än de som Hanson och Xiang väljer att studera. Hälften av alla de sektorer som undersöks producerar produkter som på något sätt är kopplade till stål och järn. Detta gör det svårt att jämföra resultaten på ett felfritt sätt.
Tidigare har denna uppsats slagit fast att statistiskt stöd för att the home market effect existerar beror väldigt mycket på vilken sektor som undersöks och vilken sektor den jämförs med. I arbetet undersöks endast en behandlingsgrupp (stål och järn) som jämförs med två kontrollgrupper. Det finns gott om utvecklingspotential i detta arbete då det alltid går att addera ytterligare behandlingsgrupper eller kontrollgrupper. Om detta hade gjorts i den här uppsatsen hade det varit möjligt att diskutera mer kring vilka sektorer som the home market effect existerar i. I de bästa av världar hade det varit önskvärt att dela upp stål och järn-sektorn i mindre subgrupper för att kunna bedriva en mer precis analys av olika sektorer. Att sektorerna som används i detta arbete är så pass breda är ett bekymmer och det gör det svårt att uttala sig om mindre sektorer då de ofta ryms i de stora sektorerna som används i denna uppsats.
Något som hade varit intressesant att studera är grannländernas marknad och hur den påverkar de studerade landens efterfrågan och produktion. Om ett mindre land ligger mellan två större länder så borde rimligtvis en del av efterfrågan i de större länderna spilla över på det mindre landets produktion. Detta kan vara en variabel som kan vara värd att inkludera i den här sortens modell då det mest troligt har en påverkan på den relativa exporten. En utveckling av den modell som används i denna uppsats skulle därför kunna vara att använda sig av marknadspotential istället för BNP eftersom marknadspotential tar hänsyn till grannländers marknad.
8. Slutsats
Målet med denna uppsats är att undersöka om the home market effect existerar i stål och järn-sektorn i 15 länder som alla tillhör Europeiska unionen och därmed ställs inför samma handelshinder. Stål och järn-sektorn innefattar ofta höga transportkostnader och stora skalfördelar vilket gör den till en bra kandidat för att undersöka the home market effect. Denna sektor jämförs sedan med två andra sektorer – plast för skol och
kontorsmaterial och verktyg för skogs och jordbruk. Dessa två sektorer är med i
jämförelsen eftersom de ofta innefattar låga transportkostnader och svaga skalfördelar.
Arbetet finner inga statistiska belägg för att the home market effect existerar i stål och järn – sektorn i den studerade världsekonomin. Uppsatsens resultat visar att
gravitationsvariabler är fördelaktigt att inkludera i modeller vars mål är att studera the home market effect. Resultatet styrker på sätt och vis tidigare resultat som är
motstridiga, där somliga arbeten funnit stöd för the home market effect medan andra inte har funnit det. De olikartade resultaten beror ofta på olika tillvägagångssätt i modellarbetet och att olika sektorer används och jämförs. Modellen som appliceras i denna uppsats kan utvecklas och användas för att undersöka om the home market effect existerar i andra sektorer.
Referenser
Anderson, J. and van Wincoop, E., 2001. Gravity with Gravitas: A Solution to the Border Puzzle. [online] nber.org. Tillgänglig på:
<https://www.nber.org/papers/w8079> [Hämtat 20 Mars 2021].
Barro, Robert and Jong-Wha Lee, 2013, “A New Data Set of Educational Attainment in the World, 1950-2010.” Journal of Development Economics, vol 104, pp.184-198.
[online] Tillgänglig på: <http://www.barrolee.com/> [Hämtat 23 Mars 2021].
Behrens, K., Lamorgese, A., Ottaviano, G. and Tabuchi, T., 2005. Testing the "home market effect" in a multi-country world: A theory based approach. [online]
reasearchgate.net. Tillgänglig på: <https://www.researchgate.net/profile/Kristian- Behrens/publication/4740293_Testing_the_Home_Market_Effect_in_a_Multi- Country_World> [Hämtat 14 Mars 2021].
Burenstam Linder, S., 1961. An Essay on Trade and Transformation. [online]
Ex.hhs.se. Tillgänglig på: <https://ex.hhs.se/dissertations/221624- FULLTEXT01.pdf> [Hämtat 14 Mars 2021].
Chaney, T., 2013. The Gravity Equation In International Trade: An Explanation.
[online] Nber.org. Tillgänglig på:
<https://www.nber.org/system/files/working_papers/w19285/w19285.pdf>
[Hämtat 24 April 2021].
Comtrade.un.org. u.å. Download trade data | UN Comtrade: International Trade Statistics. [online] A Tillgänglig på: <https://comtrade.un.org/data/> [Hämtat 23 Mars 2021].
Costinot, A., Donaldson, D., Kyle, M. and Williams, H., 2016. The More We Die, The More We Sell? A Simple Test of the Home-Market Effect. [online] nber.org.
Tillgänglig på:
<https://www.nber.org/system/files/working_papers/w22538/w22538.pdf>
[Hämtat 18 Mars 2021].
Country_World/links/00b495229bdbccf33a000000/Testing-the-Home-Market-Effect- in-a-Multi-Country-World.pdf> [Hämtat 19 Mars 2021].
Data.worldbank.org. u.å. Countries | Data. [online] Tillgänglig på:
<https://data.worldbank.org/country> [Hämtat 23 Mars 2021].
Data.worldbank.org. u.å. Exports of goods and services (% of GDP) | Data. [online]
Tillgänglig på:
<https://data.worldbank.org/indicator/NE.EXP.GNFS.ZS?end=2019&start=1960
&view=chart> [Hämtat 28 April 2021].
Ekonomifakta.se. 2021. Världshandelns utveckling - Ekonomifakta. [online] Tillgänglig på: <https://www.ekonomifakta.se/fakta/ekonomi/frihandel/varldshandelns- utveckling/?graph=/25259/1/all/> [Hämtat 28 April 2021].
Feenstra, Robert C., Robert Inklaar and Marcel P. Timmer (2015), "The Next
Generation of the Penn World Table" American Economic Review, 105(10), 3150- 3182, [online] Tillgänglig på: www.ggdc.net/pwt [Hämtat 23 Mars 2021].
Hanson, G. and Xiang, C., 2002. The Home Market Effect and Bilateral Trade Patterns.
[online] nber.org. Tillgänglig på: <https://www.nber.org/papers/w9076> [Hämtat 10 Mars 2021].
Haveman, J., u.å. International Trade Data. [online] Macalester.edu. Tillgänglig på:
<https://www.macalester.edu/research/economics/page/haveman/trade.resources/
Data/Gravity/dist.txt> [Hämtat 23 Mars 2021].
Head, K. and Ries, J., 2001. Increasing Returns versus National Product Differentiation as an Explanation for the Pattern of U.S.-Canada Trade. [online] JSTOR.org.
Tillgänglig på: <https://www.jstor.org/stable/2677816?seq=1> [Hämtat 17 Mars 2021].
Helpman, E. & Krugman, P., 1985. Market Structure & Foreign Trade .... 7th ed.
Cambridge: The MIT Press.
Krugman, P., 1980. Scale Economies, Product Differentiation, and the Pattern of Trade. [online] Princeton.edu. Tillgänglig på:
<https://www.princeton.edu/~pkrugman/scale_econ.pdf> [Hämtat 16 Mars 2021].
Ricardo, D., 1817. On The Principles of Political Economy and Taxation. [online]
Socialsciences.mcmaster.ca. Tillgänglig på:
<https://socialsciences.mcmaster.ca/econ/ugcm/3ll3/ricardo/Principles.pdf>
[Hämtat 14 Mars 2021].
Stats.oecd.org. u.å. Average annual wages. [online] Tillgänglig på:
<https://stats.oecd.org/Index.aspx?DataSetCode=AV_AN_WAGE> [Hämtat 23 Mars 2021].
Wits.worldbank.org. u.å. World Trade Summary 2007 | WITS | Text. [online]
Tillgänglig på:
<https://wits.worldbank.org/CountryProfile/en/Country/WLD/Year/2007/Summar ytext> [Hämtat 28 April 2021].
Appendix
Tabell 4 – Deskriptiv statistik över den relativa differensen mellan länderna
Tabell 5 – Deskriptiv statistik över den logaritmerade relativa differensen mellan länderna
Tabell 6 – Korrelationsmatris över förklaringsvariablerna. Log rel diff är förkortningar och står för den logaritmerade relativa differensen.
Variabelnam
n Log rel diff
Årslön Log rel diff
Bnp Log rel diff
Humankapital Log rel diff Kapital per Arbetare
Log rel diff
Distans USA Log rel diff
Distans Kina Log rel diff Genomsnittlig Utbildning
Log rel diff Population
Log rel diff
Årslön 1
Log rel diff
Bnp 0,15 1
Log rel diff
Humankapital 0,42 0,37 1
Log rel diff Kapital per Arbetare
0,42 0,37 1 1
Log rel diff
Distans USA -0,17 -0,1 -0,06 -0,06 1
Log rel diff
Distans Kina -0,27 0,28 0,22 0,22 -0,51 1
Log rel diff
Utbildning -0,04 -0,13 -0,44 -0,44 0,07 -0,49 1
Log rel diff
Population -0,34 0,85 0,11 0,11 -0,2 0,45 -0,13 1
Variabelnamn Medelvärde Min Max
Relativ differens Export Stål & Järn 59,76 0,02 783,21
Relativ differens Export Verktyg 159277 0,00051 6856619
Relativ differens Export Plast 393,53 0,012 11029,26
Relativ differens BNP 5,24 1 39,57
Relativ differens Population 4,36 0,42 18,7
Relativ differens Utbildning 1,02 0,55 1,76
Relativ differens Distans Kina 1,04 0,65 1,46
Relativ differens Distans USA 1 0,74 1,51
Relativ differens Genomsnittlig Årslön 1,34 0,69 2,78
Relativ differens Kapital per Arbetare 200,58 0,75 2,4
Relativ differens Humankapital 1,02 0,63 1,59
Variabelnamn Medelvärde Min Max
Log relativ differens Export Stål & Järn 2.03 -4.15 6.66
Log relativ differens Export Verktyg 2.73 -7.57 15.74
Log relativ differens Export Plast 1.75 -4.45 9.30
Log relativ differens BNP 1.23 0.00 3.68
Log relativ differens Population 0.99 -0.87 2.93
Log relativ differens Utbildning 0.00 -0.60 0.57
Log relativ differens Distans Kina 0.02 -0.43 0.38
Log relativ differens Distans USA -0.01 -0.30 0.42
Log relativ differens Genomsnittlig Årslön0.22 -0.37 1.02
Log relativ differens Kapital per Arbetare 0.13 -0.29 0.88
Log relativ differens Humankapital 0.13 -0.29 0.88
