شناسایی و تحلیل الگوی شبکه تجارت جهانی با استفاده از جدول داده-ستانده بین کشوری و روش اجتماع یابی

تجارت جهانی می‌تواند به مثابه یک شبکه محل تحلیل و بررسی قرار بگیرد. شبکه‌ای که گره‌های آن، فعالیت‌های اقتصادها است و روابط اقتصادی و تجاری میان آن‌ها، حکم لبه‌های شبکه را دارد. در این مطالعه با استفاده از نظریه شبکه و روش اجتماع‌یابی مبتنی بر زنجیره مارکوف تجمیعی، ویژگی‌ها و کاربردهای شبکه‌ تجارت جهانی شناسایی و مورد تحلیل قرار گرفت. این امر با استفاده جدول داده-ستانده بین‌کشوری ۲۰۱۶ با درج ایران انجام شده است. نتایج نشان می‌دهد که از ۱۰ اجتماع شناسایی شده، ۴ اجتماع از ساختارهای خوشه‌بندی نسبتا قوی برخوردارند. ضرایب خوشه‌بندی نیز بیانگر کیفیت بالای روابط درونی گره‌ها در این شبکه است. یافته‌های حاصل از این مطالعه بیانگر رتبه‌بندی فعالیت‌های اقتصادها در دل اجتماع خود و جایابی هرکدام در آن‌ها است. فعالیت‌های ۲۰گانه ایران به عنوان یکی از کشورهای حاضر در جدول، در ۳ اجتماع شناسایی شده است. فعالیت «صنایع غذایی» در اجتماع ۲ با ۵۲۱ گره، فعالیت‌های «بیمه و بانک»، «ارتباطات» و «سایر فعالیت‌ها» در اجتماع ۴ با ۱۰۸ گره و فعالیت‌های «صنایع شیمیایی»، «ماشین‌آلات و متفرقه»، «برق، آب و گاز»، «ساختمان»، «نساجی»، «نفت خام و گاز طبیعی»، «حمل و نقل»، «کشاورزی»، «بازرگانی»، «معدن»، «صنایع فلزات اساسی»، «صنایع معدنی غیر فلزی»، «صنایع چوب» و «صنایع کاغذ» در اجتماع ۹ با ۴۲ گره قرار گرفتند. رتبه‌بندی فعالیت‌های ۲۰گانه اقتصاد ایران و معناداری اجتماع‌ها گویای موثر نبودن ایران در جریان شبکه تجاری است. همچنین برخی از کشورهای هم‌خوشه ایران نظیر تونس و ویتنام نیز از ضریب معنادار و بالایی در همگرایی و حضور در زنجیره ارزش بالادست و پایین‌دست برخوردار نیستند و ساختاری مشابه ایران دارند.

Abstract

Global trade can be viewed and analyzed as a network, where the nodes represent the economic activities of various economies, and the edges signify trade relations between them. In this study, using network theory and a community detection method based on Lumped Markov chains, the features and applications of the global trade network were identified and analyzed. This analysis was conducted using the ۲۰۱۶ Inter-Country Input-Output (ICIO) table, which includes Iran. The results show that out of the ۱۰ detected communities, ۴ communities exhibit relatively strong clustering structures. The clustering coefficients indicate a high quality of internal relations between the nodes in this network. This study also provide a ranking of the economic sectors within their respective communities and their positions within them. The ۲۰ economic sector of Iran, as one of the countries included in the table, were identified within three different communities. The "Food Industry" is placed in Community ۲, which consists of ۵۲۱ nodes. "Insurance and Banking," "Communications," and "Other Activities" are part of Community ۴, which contains ۱۰۸ nodes. Finally, "Chemical Industries," "Machinery and Miscellaneous," "Electricity, Water, and Gas," "Construction," "Textiles," "Crude Oil and Natural Gas," "Tra ort," "Agriculture," "Commerce," "Mining," "Basic Metal Industries," "Non-metallic Mineral Industries," "Wood Industries," and "Paper Industries" are located in Community ۹, which comprises ۴۲ nodes. The ranking of Iran’s ۲۰ economic sectors and the significance of the communities reflect the limited role of Iran in the global trade network. Additionally, some of the countries that share communities with Iran, such as Tunisia and Vietnam, also display a similar structure, with low and insignificant convergence in both upstream and downstream value chains, suggesting that they, like Iran, do not have a strong presence in the global trade network.