Новая формула помощи: как объективно распределять деньги на развитие сельского хозяйства развивающихся стран

В данной статье предлагается метод распределения официальной помощи развитию (ОПР) сельскохозяйственному сектору стран Африки, Карибского бассейна и Тихоокеанского региона (АКТ) на основе объективно измеряемых показателей развития экономик, определенных за период 2010–2022 гг. Эти показатели рассчитываются из статистических данных с использованием факторного анализа. Затем они применяются в модели линейного программирования для распределения бюджета на сельское хозяйство стран АКТ.

Результаты показывают, что предложенный подход распределяет средства в соответствии с заложенной логикой, поддерживая страны с низким и очень низким уровнем развития. Проведенное исследование может способствовать дискуссии о распределении помощи развитию сельскохозяйственному сектору потенциальными донорами, позволяя анализировать различные исходные предположения. Данное исследование также может послужить прелюдией к изучению феномена повышения эффективности сельскохозяйственного сектора в контексте потенциальных траекторий экономического развития анализируемых стран.

Развивающиеся страны формируют одну из крупнейших групп государств в мире, что имеет ключевое значение с точки зрения их потенциала развития. Исследования их положения, а также возможных перспектив и барьеров на пути развития относятся к числу ключевых аспектов экономики развития.

Экономика развития — дисциплина, анализирующая современные проблемы, связанные с разрывами между странами, методы их сокращения и модели роста в контексте прогрессирующих процессов глобализации, — представляет интерес для многих авторов. Исследования в этой области сосредоточены на поиске причин различий между странами [1,2,3,4], анализе ситуации в развивающихся странах [5,6,7], предложении возможных траекторий развития [8,9,10] и анализе влияния сельского хозяйства на уровни экономического развития [11,12,13].

Зачастую развивающиеся страны образуют группировки для создания источника сотрудничества и взаимной поддержки в социально-экономическом развитии. Одним из примеров международного сотрудничества является Организация африканских, карибских и тихоокеанских государств (АКТ), созданная в соответствии с Джорджтаунским соглашением 1975 года. Партнерство обеспечивало странам АКТ преференциальный доступ на европейские рынки и позволяло им защищать свои локальные рынки. Первоначально включавшая 46 стран, группа в настоящее время состоит из 79. В нее входят страны с низкими доходами на душу населения, большинство из которых характеризуются высокой долей сельского хозяйства в ВВП и высокой долей занятых в сельском хозяйстве. Установление сотрудничества между ЕЭС и АКТ следовало социальной и экономической ситуации в мире. На эти отношения повлияли прогрессирующий процесс европейской интеграции, колониальное прошлое европейских стран, движения за независимость заморских территорий и геополитическая ситуация после Второй мировой войны, включая, прежде всего, растущее соперничество между США и СССР. Важно, что группа является партнером Европейского союза и представляет своего рода ответ на декларацию Шумана, в которой подчеркивалась необходимость сотрудничества с регионом. В соответствии с Котонуским соглашением сотрудничество должно было основываться на трех основных столпах: экономическое сотрудничество, политическое сотрудничество и помощь в целях развития [14]. Соглашение было заключено на 20 лет, но в итоге было решено продлить его действие до 30 июня 2022 года. Вместо Котонуского соглашения должно быть введено так называемое «пост-Котону» соглашение, которое по состоянию на 2021 год ожидает окончательного одобрения обеими сторонами.

Развивающиеся страны, включая АКТ, сталкиваются со многими проблемами, такими как низкий уровень образования, высокий уровень бедности, несовершенная структура экономики и высокая безработица. В структуре экономик развивающихся стран ключевую роль играет сельскохозяйственный сектор, представляя один из основных источников занятости и высокую долю ВВП. Значительными остаются проблемы развития и эффективности сельского хозяйства, недостаточных инвестиций, дефектной аграрной структуры и непоследовательной аграрной политики. Предполагается, что по мере увеличения экономического развития наблюдается тенденция к уменьшению роли сельского хозяйства в национальной экономике, но это происходит при одновременном росте эффективности данного сектора [12,15]. Однако повышение эффективности сельскохозяйственного сектора в развивающихся странах требует поддержки аграрной политики, которую многие из этих стран не могут себе позволить.

Обычной реакцией на проблемы и потребности развивающихся стран является помощь, предлагаемая развитыми странами в различных формах, включая субсидии, займы или капиталовложения в рамках Официальной помощи развитию (ОПР), или частные схемы помощи, в которые вносят вклад многие страны. Также существует множество институтов и групп стран, созданных для оказания прямой помощи развивающимся странам, включая Комитет содействия развитию (КСР, 30 стран), институты ЕС, Международный валютный фонд, региональные банки развития (включая Африканский банк развития и Азиатский банк развития), Организацию Объединенных Наций (включая ФАО, ВОЗ и ЮНИСЕФ), Группу Всемирного банка (МБРР и МАР), другие соглашения и частных доноров [16]. В этом контексте особый упор следует сделать на помощь, предлагаемую КСР, поскольку на нее приходится примерно 45% общего объема помощи развивающимся странам [17,18], и в исследуемые годы она составила 15 382 млн долларов США. Результаты исследований свидетельствуют о том, что это единственный источник, который позволяет странам перейти на более высокий уровень развития или, в крайних случаях, удовлетворить свои основные потребности в выживании. Следует также отметить, что с каждым годом в развивающиеся страны поступает все больше средств помощи ОПР, и до 76% общих средств выделяется на поддержку сельского хозяйства.

Оптимальное распределение этих средств (и, как следствие, их эффективное использование) является серьезной проблемой для лиц, принимающих решения. Отсюда возникает вопрос о том, насколько распределение средств помощи между странами АКТ учитывает различия в их состоянии развития и какие критерии используются в процессе распределения. Рассматриваемая исследовательская проблема актуальна по нескольким причинам. Во-первых, система поддержки неэффективна и недейственна. Проблема заключается в колебаниях потока средств от доноров. Кроме того, страны, получающие поддержку, часто демонстрируют ограниченный системный потенциал.

Оптимизационное моделирование — один из возможных методов оценки распределения средств [19,20,21]. Его цель — придать некоторую прозрачность процессам принятия решений формальным образом, соответствующим заранее определенному методу. В случае политических решений о распределении, моделирование позволяет отслеживать влияние изменений в распределении на степень достижения целей и анализировать зависимости между целями. Согласно [22], оптимизация позволяет структурировать проблему, предлагает некоторые методы агрегирования предпочтений лиц, принимающих решения, и позволяет комбинировать количественные и качественные критерии, что очень важно при принятии политических решений. В работе [23] указывается, что использование методов оптимизации должно способствовать смягчению напряженности и конфликтов. В работе [24] считается, что оптимизационное моделирование является наиболее перспективным и быстро развивающимся методом поддержки процессов политического принятия решений.

Основной целью данной статьи является предложение распределения средств ОПР в странах АКТ с использованием модели оптимизации, основанной на социально-экономических детерминантах развития.

Как показывает обзор литературы, хотя значительные исследовательские усилия были посвящены анализу эффективности помощи развитию, до сих пор не предпринималось попыток использования модели оптимизации при оценке распределения средств помощи развитию на основе индексов социально-экономического развития. Достижение цели данной статьи позволит нам не только больше узнать об условиях эффективности помощи развитию сельского хозяйства, но и оценить распределение средств помощи между странами АКТ. В литературе приводятся примеры использования методов оптимизации в государственном секторе. Например, в работе [25] указывается на его практическое использование в финском государственном секторе, а в работе [26] обсуждается его эффективность при анализе бюджетного процесса в Порту-Алегри, Бразилия. В работах [27,28,29,30] предлагаются методы оптимизации для использования государственным сектором при структурировании своих процессов принятия решений, связанных с доступом к природным ресурсам. В работе [31] было предложено оптимизационное моделирование в контексте энергетических систем. Также методы многокритериальной оптимизации использовались для решения различных вопросов аграрной политики в работах [21,32,33,34,35,36]. Однако в работах [23,25] подчеркивается, что, несмотря на развитие и значительную полезность многокритериальных методов, их практическое применение в государственном секторе по-прежнему остается редким. Поэтому использование оптимизационного моделирования для оценки распределения помощи развитию сельского хозяйства в странах АКТ представляется обоснованным.

Структура статьи следующая. Во-первых, описывается метод исследования. Далее, с использованием значений факторов, определяется уровень развития стран АКТ для отнесения их к соответствующим типологическим классам, что становится отправной точкой для моделирования оптимального распределения помощи развитию сельского хозяйства. Наконец, статья завершается обсуждением возможностей бюджетного моделирования для стран АКТ.

Ввиду широкого спектра данных, характеризующих страны АКТ, в статье используется метод факторного анализа для выявления основных детерминант развития стран АКТ. Работа [37] была первой, в которой был введен термин «общий фактор» при изучении тестов интеллекта. Терстоун, в свою очередь, обобщил эту теорию, заложив теоретические основы методов многомерного анализа, к которым относится факторный анализ. Метод используется во многих научных областях, включая региональные, географические, медицинские и сельскохозяйственные исследования [38,39,40,41]. Факторный анализ предоставляет возможность разделить набор данных на подмножества, анализировать многомерные явления, классифицировать их и строить индексы. С точки зрения бухгалтерского учета, факторный анализ представляет собой линейную модель, описывающую группу исследуемых переменных. Он предполагает преобразование n наблюдаемых переменных в m новых некоррелированных между собой факторов. Процесс описывается следующей формулой [42,43]:

где zj — j — переменная (j = 1, 2, 3, …, n).

•    Fm — общие факторы;

•    aj1, …, ajm — нагрузки общих факторов;

•    Uj — специфический фактор;

•    dj — нагрузка специфического фактора.

Создание модели предполагает прохождение нескольких этапов. Во-первых, для анализа выбираются соответствующие входные переменные, так как конечная структура является функцией выбранных переменных. Неадекватное количество и качество признаков, введенных в модель, может привести к получению плохих, трудно интерпретируемых факторов [44]. В случае данного исследования первоначальное количество переменных составило 38, описывающих социально-экономическую ситуацию стран АКТ.

Второй этап исследования заключался в построении корреляционной матрицы и ее предварительном анализе. Использование факторного анализа обоснованно, если существуют достаточно большие значения коэффициентов корреляции между исследуемыми переменными. Предполагается, что все коэффициенты должны достигать значений больше 0,3. Такой уровень часто указывается в литературе [45]. Если набор первичных переменных включает полные переменные, которые не коррелируют или очень слабо коррелируют с другими переменными, их следует удалить из дальнейшего анализа. В противном случае могут получиться трудные для интерпретации или ненадежные результаты. Выбор переменных для исследования, описывающих страны АКТ, диктовался доступностью данных, а также произвольными решениями автора. Положение стран изучалось с 2010 по 2022 год, что подразумевало взятие среднего значения показателя для факторного анализа. С учетом вышеуказанных рекомендаций была проведена систематизация показателей, определяющих факторы развития в каждой стране АКТ. Исследование в значительной степени опиралось на общедоступные данные, включая, в первую очередь, базы данных ОЭСР, Всемирного банка, ФАОСТАТ и International Country Risk Guide. Мы собрали в общей сложности 38 переменных, характеризующих уровень социально-экономического развития стран АКТ.

Выбор показателей развития всегда связан с определенной степенью субъективности. Разные авторы [46,47] по-разному квалифицируют виды деятельности, которые должны привести к достижению поставленных целей, и присваивают им соответствующие меры. В работах [46,48] использовались переменные, аналогичные тем, что использовались в данной статье, для изучения уровня развития стран. В работе [49] анализировался уровень развития исключительно с точки зрения социальных факторов. В работах [50,51,52] были добавлены строго политические факторы, а в работе [53] дополнительно указывались экологические показатели.

Показатели охватывали социальные, экономические, сельскохозяйственные и политические аспекты. Затем мы удалили коррелированные переменные, чтобы получить набор из 27 переменных.

Всего для этого этапа исследования было отобрано 27 показателей, характеризующих страны АКТ:

•    X1 — доля населения трудоспособного возраста (% от населения).

•    X2 — уровень урбанизации (%).

•    X3 — доля экспорта товаров и услуг (% от ВВП).

•    X4 — прирост городского населения (%).

•    X5 — доля занятых в сфере услуг (%).

•    X6 — доля занятых в промышленности (%).

•    X7 — доля занятых в сельском хозяйстве (%).

•    X8 — сальдо текущего счета (% от ВВП).

•    X9 — ожидаемая продолжительность жизни (лет).

•    X10 — валовой национальный продукт на душу населения (долл. США/человек).

•    X11 — валовой внутренний продукт на душу населения (долл. США/человек).

•    X12 — годовой прирост валового внутреннего продукта (%).

•    X13 — качество бюрократии.

•    X14 — продукция растениеводства и животноводства (тыс. долл. США).

•    X15 — продовольственные продукты, исключая рыбные продукты (тыс. долл. США).

•    X16 — выбросы CO2 (кг/человек).

•    X17 — прирост населения (%).

•    X18 — младенческая смертность (на 1000 живорождений).

•    X19 — коэффициент демографической нагрузки (% от населения трудоспособного возраста).

•    X20 — уровень безработицы (%).

•    X21 — доля сельского хозяйства в ВВП (%).

•    X22 — доля промышленности в ВВП (%).

•    X23 — суммарный коэффициент рождаемости (рождений на одну женщину в возрасте 15–49 лет).

•    X24 — число рождений на 1000 женщин в возрасте 15–19 лет.

•    X25 — внутренний конфликт.

•    X26 — коррупция.

•    X27 — религиозная напряженность.

Следующий этап исследования был связан с построением индикатора развития стран АКТ на основе полученных результатов факторного анализа. С этой целью было рассчитано среднее значение факторных оценок для всех определенных факторов в анализируемых странах, чтобы получить относительный индекс социально-экономического развития.

В нашей примерной модели мы предположили, что распределение будет осуществляться по типологическим группам стран, различающимся по уровню социально-экономического развития. Таким образом, мы использовали значения индекса для выделения четырех типологических групп стран АКТ.

В исследовании использовалось деление, принятое в работе [54], где значения индекса развития линейно упорядочивались по неубывающим значениям, и на этой основе выделялись типологические группы единиц. Был применен метод деления на четыре группы, использующий среднее арифметическое q- и стандартное отклонение sq-, рассчитанные из значений показателя:

•    Класс I: qi~ ≥ q- + sq.

•    Класс II: q- + sq > qi~ ≥ q-.

•    Класс III: q- > qi~ ≥ q--sq.

•    Класс IV: qi~ < q—sq.

Ранжировав страны по их индексу развития и поместив их в типологические группы, были определены коэффициенты целевой функции и граничные условия модели. Для проведения анализа использовались пакет Statistica 13.3 и надстройка Excel-Solver. Последний (и важнейший) этап состоял в анализе на основе модели различных вариантов распределения помощи развитию сельского хозяйства в странах АКТ и проверке того, как они соотносятся с фактическим распределением. В зависимости от первоначальных предположений можно получить оптимальное распределение объемов помощи между охваченными этим анализом странами АКТ. Фактическое распределение оценивается на основе его сравнения с результатами модели. Использование линейного программирования в моделировании экономической политики было впервые предложено в работе [55]. Он ввел целевую функцию, которую необходимо максимизировать, определил ограничения и рассмотрел проблему противоречивых политических и экономических целей. Авторы, развившие эту концепцию, включают [20,21]. Они использовали линейное программирование в качестве инструмента для анализа конкретных проблем принятия решений в области государственных финансов. В модели линейной оптимизации как целевая функция, так и все ограничения являются линейными функциями. Неотъемлемыми частями построения модели линейного программирования являются определение целевой функции; установление ограничений, которые определяют возможные варианты принятия решений; и определение способа сравнения решений и выбора того, которое лучше всего соответствует цели. Решения могут быть описаны как ряд переменных, принимающих числовые значения; условия — как система уравнений или неравенств; а степень достижения цели — как значение функции, называемой целевой функцией. Максимизируется или минимизируется эта функция — зависит от используемого критерия оптимизации [56].

Сущность линейного программирования, следовательно, заключается в построении относительно простых моделей принятия решений, которые могут быть поняты лицами, принимающими решения, и помочь им в принятии политических решений. Эти модели строятся для того, чтобы дать возможность анализировать последствия различных вариантов решений, взаимозависимости между решениями и реакцию системы на изменения и, таким образом, получить рекомендации по принятию решений, позволяющие лучше понять природу проблемы и последствия принятия определенных решений [57,58,59,60,61]. В предлагаемой конструкции, следуя [20,39], линейная целевая функция может быть определена следующим образом:

со следующими определениями:

•    Z — целевая функция;

•    Bi — бюджетные расходы для типологической группы стран i;

•    i = 1, …, n — индекс рассматриваемых групп стран;

•    zi — коэффициент целевой функции (значения социально-экономического индекса).

Уравнение подчиняется следующему:

для r = 1, …, m и Bi ≥ 0 для i =1, …, n

Здесь определения следующие:

•    r = 1, …, m — индекс ограничений (уравнений или неравенств);

•    ari — коэффициент ограничения r для группы i;

•    br — значение ограничения r.

В предложенном выше подходе zi являются показателями уровня развития типологических классов стран АКТ, рассчитанными на предыдущем этапе данного исследования. Максимизируя целевую функцию, модель распределяет общий бюджет помощи развитию сельского хозяйства между четырьмя группами стран АКТ при определенных ограничениях. Основными ограничениями являются бюджетное ограничение и верхние и нижние пределы распределения для каждой группы. Бюджетное ограничение гарантирует, что общий бюджет для всех групп АКТ не превышает определенного значения. Верхний и нижний пределы, то есть максимальное и минимальное количество, были рассчитаны на основе фактических (оригинальных) значений распределения ОПР по странам. В модели верхний предел принимается равным 1,2 от исходного бюджета, а нижний предел — минимум 0,2 от верхнего предела. Аналогичные пределы были приняты в работе [21]. Надстройка Excel-Solver была использована для этого этапа исследования.

По критерию сферичности Бартлетта p-значение составило 0,0481 (p-значение меньше 0,05), что означает, что гипотезу о том, что корреляционная матрица является единичной, следует отвергнуть, что является обоснованием для проведения анализа главных компонент. Уменьшение размерности оправдано. С другой стороны, общий критерий KMO для переменных составил 0,521, что также можно считать обоснованием для проведения дальнейшего анализа. На основе собственного значения и % объясненной дисперсии проанализированных переменных мы определили пять основных факторов (Таблица 1). Каждый принятый основной фактор состоял из набора переменных, которые были рассчитаны на основе статистических данных. Принятый подход охватил 79% общей дисперсии данных, причем наибольшее влияние оказал фактор один (объясняя более 48% общей дисперсии). Важно, что факторы с собственными значениями ниже 1 не включались в исследование.

Таблица 1. Собственное значение и величина дисперсии, объясняемой отдельными факторами.

В Таблице 2 показаны факторные нагрузки для первых пяти факторов социально-экономического развития (нормализованное вращение варимакс). Они выражают взаимосвязь между каждой переменной и лежащим в основе фактором. Восемь переменных, относящихся к экономической картине, коррелировали с первым фактором, поэтому мы назвали первый фактор экономическим (X8, X10, X11, X12, X16, X20, X21 и X22). Затем девять переменных, коррелирующих со вторым фактором, относящимся к демографии и социальным явлениям, были включены в качестве социального фактора (X2, X4, X9, X13, X17, X18, X19, X23 и X24). Оставшиеся три фактора были названы, в свою очередь, сельскохозяйственным фактором (X14 и X15), трудовым фактором (X1, X5, X6 и X7) и политическим фактором (X25, X26 и X27), что стало результатом тематического отнесения к отдельным факторам. В рамках исследования полученные факторы характеризуют уровень социально-экономического развития стран АКТ, а определенные оценки показали уровень отдельных стран. Затем результаты усреднялись по странам для получения индекса социально-экономического развития АКТ, что позволило провести дальнейший анализ по типологическим группам стран АКТ (Таблица 3).

Таблица 2. Матрица факторных нагрузок.

Таблица 3. Значения факторов для отдельных стран и классов в рамках выделенных факторов.

В принятом методе чем выше значение индекса развития, тем более благоприятной является социально-экономическая ситуация в стране по сравнению с другими странами АКТ. В отношении рассчитанного индекса развития отдельных стран АКТ были выделены четыре типологические группы (Класс I — высокий уровень развития, Класс II — средний уровень развития, Класс III — низкий уровень развития и Класс IV — очень низкий уровень развития).

Страны с высоким значением индекса развития (0,441) были сосредоточены в первом классе. В эту группу вошли Южная Африка, Ботсвана, Габон, Суринам, Тринидад и Тобаго, Намибия, Кот-д'Ивуар и Доминиканская Республика. Во второй группе, странах со средним индексом развития, значение индекса варьировалось от 0,441 до 0 и включало Гану, Ямайку, Замбию, Конго, Респ., Гайану и Камерун. Наиболее многочисленной была группа III — страны с низким значением индекса развития, включая Буркина-Фасо, Папуа — Новую Гвинею, Того, Мадагаскар, Сенегал, Нигерию, Танзанию, Либерию, Кению, Анголу, Мозамбик, Гвинею-Бисау, Гвинею, Сьерра-Леоне, Уганду, Конго, Дем. Респ. и Мали, причем значение индекса варьировалось от 0 до −0,441. Страны с очень низким значением индекса развития были сосредоточены в группе IV. Значение индекса было ниже −0,441, что объединило в один класс Малави, Судан, Нигер и Гаити (Таблица 3, Рисунок 1).

Рисунок 1. Уровень развития стран АКТ по определенному индексу социально-экономического развития. Источник: собственная разработка.

Результаты показывают дифференциацию социально-экономического развития между типологическими классами. В Классе I практически все факторы были развиты лучше среднего и даже наиболее развиты (за исключением трудового фактора), а значимость сельскохозяйственного сектора (измеряемая долей сельского хозяйства в ВВП и долей занятых в сельском хозяйстве) была заметно ниже, чем в других группах. В Классе II экономический фактор, социальный фактор, сельскохозяйственный фактор, трудовой фактор и политический фактор приняли положительные значения, что означает, что их уровень выше среднего для стран АКТ. Кроме того, класс со средним значением индекса развития показал преимущество по всем факторам перед странами с низким и очень низким значением индекса развития. В Классе II наблюдается постепенное снижение значимости сельского хозяйства в экономике, в то время как доля промышленности оставалась стабильной, а значимость услуг возрастала. Отрицательные значения факторов, ниже среднего для стран АКТ, характеризовали класс III (за исключением трудового фактора). Последний класс — страны с очень низким значением индекса развития — характеризовался относительно высокими значениями экономического фактора и политического фактора (более высокие значения, чем в Классе III), в то время как другие факторы принимали самые низкие значения, значительно ниже среднего (Рисунок 2). В Классах III и IV сельскохозяйственный сектор играл ключевую роль в экономиках (Класс III: 54% занятых в сельском хозяйстве, 26% ВВП; Класс IV: 56% занятых в сельском хозяйстве, 25% ВВП).

Рисунок 2. Значения факторов развития в анализируемых типологических группах стран АКТ. Источник: собственная разработка.

Следующим шагом было построение оптимизационной модели для распределения помощи развитию сельского хозяйства. В предложенной модели мы использовали коэффициенты целевой функции для среднего уровня развития стран в выделенных типологических классах стран АКТ (Таблица 4). Указанная целевая функция для модели линейной оптимизации была построена таким образом, чтобы она максимизировала (Рисунок 3) и минимизировала (Рисунок 4) сумму коэффициентов целевой функции (индекс социально-экономического развития), умноженную на значения распределения для анализируемых типологических групп стран.

Рисунок 3. Предлагаемая модель распределения по сравнению с фактическим распределением, реализованным странами КСР для сельскохозяйственного сектора в странах АКТ (млн долл. США) (макс.). Источник: собственная разработка.

Рисунок 4. Предлагаемая модель распределения по сравнению с фактическим распределением, реализованным странами КСР для сельскохозяйственного сектора в странах АКТ (млн долл. США) (мин.). Источник: собственная разработка.

Таблица 4. Значения факторов индекса социально-экономического развития для классов стран АКТ.

В первой модели мы предположили, что при максимизации целевой функции группы стран с более низким уровнем развития будут поддерживаться больше. И наоборот, при минимизации функции должны поддерживаться более развитые (лучше функционирующие) страны. В дополнение к этому также предполагались бюджетные ограничения (нижний и верхний пределы). Верхний предел был принят равным 1,2 от текущего бюджета, в то время как нижний предел был принят как минимум 0,2 от верхнего предела. Аналогичные ограничения были приняты в работе [21].

Путем максимизации и минимизации целевой функции при заданном ограничении модель распределяет весь бюджет помощи развитию сельскохозяйственного сектора между четырьмя выбранными классами стран. На Рисунке 3 показана структура распределения модели в предположении максимизации целевой функции. Согласно логике модели, модель затем распределяет более высокие значения поддержки группам стран с показателями ниже среднего. Результат модельного распределения сравнивается с текущим (фактическим) распределением с 2010 по 2022 год.

В предположении минимизации бюджета поддержка будет направляться в более развитые страны. Результаты показывают, что более высокая, чем текущая, поддержка развития направляется в Классы I, II и III. Наибольший рост поддержки по отношению к фактическому распределению был для Класса III (Класс III должен получать примерно на 12,5% больше финансирования, чем текущий бюджет). В свою очередь, для класса стран с самым низким уровнем развития финансирование было сокращено на 24% по сравнению с текущим распределением. В ситуации минимизации построенной целевой функции больше поддерживаются страны с относительно лучшей социально-экономической ситуацией. Класс I получил относительно высокое финансирование. Классы I и II должны были увеличить свой новый бюджет в среднем на 20% (Рисунок 4).

Два первоначальных подхода суммированы на Рисунке 5. Класс III в обоих подходах должен финансироваться более сильно. Это подтверждается несколькими фактами. В основном страны этого класса характеризуются высокой средней занятостью в сельскохозяйственном секторе (более 53%) и высокой долей сельского хозяйства в ВВП (26%). Кроме того, этот класс является самым многочисленным, что приводит к самому высокому финансированию. Для других групп различия в модельном распределении двух вариантов распределения больше.

Рисунок 5. Предлагаемые модели распределения по сравнению с фактическим распределением, реализованным странами КСР для сельскохозяйственного сектора АКТ (в млн долл. США) (мин. и макс.). Источник: собственная разработка.

Эти страны АКТ сталкиваются со многими проблемами развития; тем не менее, самой большой из них, по-видимому, является неэффективное сельское хозяйство, что может напрямую отражаться на продовольственных проблемах. В работе [6] утверждается, что помощь развитию может стать источником капитала, который поможет странам встать на путь развития сельскохозяйственного сектора; однако для этого система должна быть гораздо более четкой и стандартизированной. Как указывает работа [62], адекватное финансирование является ключевым фактором достижения желаемых целей в развивающихся странах. Сельскохозяйственный сектор в странах АКТ страдает от недостаточных инвестиций, несовершенной аграрной структуры и низкой производительности. Одной из попыток преодолеть проблемы сельскохозяйственного сектора в развивающихся странах является поглощение международной помощи развитию. Исследования объема и эффективности помощи развивающимся странам проводились, среди прочих, в работах [18,63,64,65]. В них указывалась на необходимость эффективной фискальной и денежно-кредитной политики со стороны стран-получателей для действенного поглощения средств помощи [18] и обеспечения непрерывности помощи [64,65,66], а также на необходимость нацеливания помощи на страны, которые больше всего в ней нуждаются [63].

Сельское хозяйство в странах АКТ нуждается во внешней поддержке на пути к развитию [67]. В работе [68] утверждается, что сельское хозяйство, как и другие отрасли, вступает в новую эпоху, основанную на знаниях. С помощью помощи развитию сельское хозяйство развивающихся стран может стать более конкурентоспособным и ориентированным на рынок. Это повысит эффективность на малых фермах и минимизирует проблему продовольственной безопасности в развивающихся странах [69,70,71]. Помощь развитию может стать источником капитала, необходимого для повышения производительности сельского хозяйства [6]. Как подчеркивается в литературе, диспропорции в развитии развивающихся стран должны быть детерминантой объема предоставляемой помощи.

Подход, использующий факторный анализ и линейное программирование, представленный в этой статье, позволяет распределять помощь развитию сельского хозяйства в соответствии с предполагаемой логикой поддержки стран. При предположении, что более высокая поддержка должна направляться в экономически и социально неразвитые страны, целевая функция максимизируется. В отличие от этого, при предположении, что страны с уже более высокими уровнями развития должны получать более высокую поддержку, целевая функция может минимизироваться. Результаты показывают, что распределение, полученное с использованием модели, согласуется с наложенной логикой. В первом варианте (максимизация целевой функции) модель распределяет больше, чем в настоящее время, в страны с очень низкими показателями развития. Во втором, с другой стороны, от финансирования выигрывает класс, который объединяет страны с относительно более высокими темпами развития. Выбор варианта распределения может быть оставлен на усмотрение политиков. Руководствуясь критерием сокращения разрывов в развитии, следует использовать Вариант 1, в то время как Вариант 2 может быть выбран для поддержки стран, которые изначально более развиты и где эффективность использования средств может быть выше.

Модель распределения, предложенная в этой статье, является начальным этапом исследования по разработке работоспособного механизма поддержки сельского хозяйства в развивающихся странах, учитывающего социально-экономическую ситуацию бенефициаров. Следует отметить несколько пунктов для обсуждения.

Во-первых, степень анализа была ограничена доступностью статистических данных. Для анализируемой группы стран был собран набор из 38 показателей, определяющих социально-экономическую ситуацию с особым акцентом на переменные, характеризующие сельскохозяйственный сектор. Их отбор основывался на фактических соображениях и доступности данных. Выбор показателей развития всегда связан с определенной субъективностью. Различные авторы [46,47] по-разному квалифицируют виды деятельности, направленные на достижение поставленных целей, и присваивают им соответствующие меры, но концепция включения социально-экономических аспектов в исследование с упором на сельскохозяйственный и политический секторы соблюдалась. Таким образом, в данной статье отбор переменных основывался на литературных исследованиях. Однако, поскольку предлагаемая модель является лишь примерной, при применении модели могут быть рассмотрены другие измеримые и сопоставимые признаки.

Во-вторых, в статье предлагается авторский индекс социально-экономического развития, созданный на основе статистических данных с использованием факторного анализа. Однако следует подчеркнуть, что при построении целевой функции также могут использоваться другие индикаторы развития. Это могут быть такие показатели, как ИЧР или ВВП. Преимуществом нашей меры является то, что она учитывает показатели, описывающие сельскохозяйственный сектор в анализируемых странах.

В-третьих, типологическая группировка не является обязательной. Фактически, модельное распределение производится на уровне страны — общий доступный бюджет на данный период делится по странам. Каждая страна, при заданных ограничениях и с заданными индикаторами развития, следовательно, получает оптимизированный объем распределения. Использованная типология была лишь средством упрощения представления результатов (вместо 30 стран распределение представлено для четырех классов).

Предпринятая в этой статье попытка предложить модель распределения помощи развитию странам АКТ с использованием значения индикатора социально-экономического развития должна способствовать расширению дискуссии об объективации распределения помощи развитию, что имеет важное значение для развивающихся стран в контексте их дальнейшего развития. Следует подчеркнуть, что созданная модель является лишь примерной и дает основу для дальнейшей разработки. Она предоставляет направление поддержки, которое сосредоточено на странах с низким и очень низким уровнем развития, основанным в основном на непродуктивном и неэффективном сельском хозяйстве. Однако можно было бы учитывать различные критерии распределения (например, индексы производительности). Их выбор может быть оставлен на усмотрение лиц, принимающих решения, но распределение, выполняемое моделью, все равно будет объективным в соответствии с выбранным критерием распределения.

Оптимизированное распределение бюджетных ассигнований на сельское хозяйство на уровне отдельных экономик может стать важным источником информации для политиков на международной арене, включая международные организации, предоставляющие Официальную помощь развитию. Оно также должно стать обоснованием для структурирования основы рационализации принятия решений при формировании бюджета региональных программ развития сельского хозяйства, которые должны быть сосредоточены на модернизации сектора. Учитывая сложность представленного явления, представляется оправданным рассмотрение этого вопроса на национальном уровне с использованием показателей, связанных с производительностью сельского хозяйства.

1.    Todaro, M.; Smith, S. Economic Development; Perasons Education Limited: UK, London, 2015. [Google Scholar]

2.    Farias, D.B. Outlook for the ‘developing country’ category: A paradox of demise and continuity. Third World Q. 2019, 40, 668–687. [Google Scholar] [CrossRef]

3.    Mbaku, J. Foreign-aid and Economic-growth in Cameroon. Appl. Econ. 1993, 25, 1309–1314. [Google Scholar] [CrossRef]

4.    Liu, X.; Shu, C.; Sinclair, P. Trade, foreign direct investment and economic growth in Asian economies. Appl. Econ. 2009, 41, 1603–1612. [Google Scholar] [CrossRef]

5.    Todoro, M. Theoretical Note on Labour as an Inferior Factor in Less Developed Economies. J. Dev. Stud. 1969, 5, 252–261. [Google Scholar] [CrossRef]

6.    Ssozi, J.; Asongu, S.; Amavilah, V. The Effectiveness of Development Aid for Agriculture in Sub-Saharan Africa. J. Econ. Stud. 2019, 46, 284–305. [Google Scholar] [CrossRef]

7.    Ibe, G.I. Financial Intermediation and Human Capital Development for Sustainable Development: Evidence from Sub-saharan African Countries. Eur. J. Econ. Financ. Res. 2017, 2, 2–89. [Google Scholar]

8.    Roj, M. Financial dependence and growth: Further evidence. Appl. Econ. Lett. 2009, 16, 325–330. [Google Scholar] [CrossRef]

9.    Stiglitz, J.E. Rethinking Development Economics. World Bank Res. Obs. 2011, 26, 230–236. [Google Scholar] [CrossRef]

10. Niebel, T. ICT and economic growth—Comparing developing, emerging and developed countries. World Dev. 2018, 104, 197–211. [Google Scholar] [CrossRef]

11. Ravallion, M.; Datt, G. How important to India’s poor is the sectoral composition of economic growth? World Bank Econ. Rev. 1996, 10, 1–25. [Google Scholar] [CrossRef]

12. Smolińska, K. The Role of Agriculture in the National Economy of China and India—A longterm analysis. Ann. Pol. Assoc. Agric. Agribus. Econ. 2019, 21, 432–440. [Google Scholar] [CrossRef]

13. Witt, L. Measures for the Economic Development of Under-Developed Countries. J. Farm Econ. 1951, 33, 585–587. [Google Scholar] [CrossRef]

14. Kołodziejczyk, K. Przyszłość grupy krajów Afryki, Karaibów i Pacyfiku. Stos. Międzynarodowe 2016, 52, 253–264. [Google Scholar]

15. Tomczak, F. Gospodarka Rodzinna w Rolnictwie: Uwarunkowania i Mechanizmy Rozwoju; Instytut Rozwoju Wsi i Rolnictwa Polskiej Akademii Nauk: Warszawa, Poland, 2005. [Google Scholar]

16. Stokke, O. International Development Assistance: Policy Drivers and Performance; Springer: Berlin/Heidelberg, Germany, 2019. [Google Scholar]

17. OECD. Available online: https://www.oecd.org/en/topics/development.html (accessed on 20 January 2024).

18. Ahmed, M.M. Macroeconomic Determinants of Official Development Assistance in Developing Countries: A Cross Country Panel Study. J. Appl. Econ. Bus. Reserch 2019, 9, 127–140. [Google Scholar]

19. Chiang, A.C. Fundamental Methods of Mathematical Economics; 3. Auflage; Mc_Graw-Hill: Singapore, 1984. [Google Scholar]

20. Kirschke, D.; Jechlitschka, K. Interaktive Programmierungsansätze für die Gestaltung von Agrar-und Umweltprogrammen. Agrarwirtsch 2003, 52, 211–217. [Google Scholar]

21. Kiryluk-Dryjska, E.; Beba, P. Region-specific budgeting of rural development funds- An Application Study. Land Use Policy 2018, 77, 126–134. [Google Scholar] [CrossRef]

22. Bui, T.X.; Jarke, M. Communications design for co-oP: A group decision suport system. ACM Trans. Off. Inf. Syst. 1986, 4, 81–103. [Google Scholar] [CrossRef]

23. Matsatsinis, N.F.; Samaras, A.P. MCDA and preference disaggregation in group decision support systems. Eur. J. Oper. Res. 2001, 130, 414–429. [Google Scholar] [CrossRef]

24. Jelassi, T.; Kersten, G.; Zionts, S. An introdutoction to group decision nad negotiation suport. In Readings in Multiple Criteria Decision Aidm; Bana e Costa, C.A., Ed.; Springer: Berlin/Heidelberg, Germany, 1990. [Google Scholar]

25. Dyer, J.S.; Fishburn, P.C.; Steuer, R.E.; Wallenius, J.; Zionts, S. Multiple Criteria Decision Making, Multi attribute Utility Theory: The next ten years. Manag. Sci. 1992, 38, 645–654. [Google Scholar] [CrossRef]

26. Kim, J. A model and case for supporting participatory public decision making in e-democracy. Group Decis. Negot. 2008, 17, 179–193. [Google Scholar] [CrossRef]

27. De Agostini, P. Identifing the Best Combination of Environmental Functions Using Multi-Criteria Analysis. In Edward Elgar, Cheltenham; Cooper, J.C., Perali, F., Veronesi, M., Eds.; Integrated Assessment and Public Managment of public Resources: Northampton, UK, 2006; pp. 121–156. [Google Scholar]

28. Bell, M.; Hobbs, B.; Elliot, E.; Ellis, H.; Robinson, Z. An evaluation of multi-criteria methods in integrated assessment of climate policy. J. Multi-Criteria Decis. Anal. 2001, 10, 29–256. [Google Scholar] [CrossRef]

29. Kangas, J.; Kangas, A.; Leskinen, P.; Pykalainen, J. MSDA for Strategic Planning of Forestry on state-owned lands in Finland: Application and Experiences. J. Multicriteria Decis. Anal. 2001, 10, 257–271. [Google Scholar] [CrossRef]

30. Tecle, A.; Bijaya, P.; Shrestha, B.; Duckstein, L. A Multiobjective Decision Support System for Multi source Forest Managment. Group Decis. Negot. 1998, 7, 23–40. [Google Scholar] [CrossRef]

31. Johannsen, R.M.; Prina, M.G.; Østergaard, P.A.; Mathiesen, B.V.; Sparber, W. Municipal energy system modelling–A practical comparison of optimisation and simulation approaches. Energy 2023, 269, 126803. [Google Scholar] [CrossRef]

32. Schmid, J.; Häger, A.; Jechlitschka, K.; Kirschke, D. Programming rural development funds—An interactive linear programmingapproach applied to the EAFRD program in Saxony-Anhalt. In SiAg-Working Paper; Humboldt University Berlin, Department of Agricultural Economics: Berlin, Germany, 2010; p. 7. [Google Scholar]

33. Teich, J.E.; Wallenius, H.; Kuula, M.; Zionts, S. A Decision support approach for negotiation with an application to agricultural income policy negotiations. Eur. J. Oper. Res. 1995, 81, 76–87. [Google Scholar] [CrossRef]

34. Jin, G.; Peng, J.; Zhang, L.; Zhang, Z. Understanding land for high-quality development. J. Geogr. Sci. 2023, 33, 217–221. [Google Scholar] [CrossRef]

35. Wang, Q.; Guo, J.; Li, R. Official development assistance and carbon emissions of recipient countries: A dynamic panel threshold analysis for low-and lower-middle-income countries. Sustain. Prod. Consum. 2022, 29, 158–170. [Google Scholar] [CrossRef]

36. Yáñez-Sandivari, L.; Cortés, C.E.; Rey, P.A. Humanitarian logistics and emergencies management: New perspectives to a sociotechnical problem and its optimization approach management. Int. J. Disaster Risk Reduct. 2021, 52, 101952. [Google Scholar] [CrossRef]

37. Spearman, C. “General Intelligence” Objectively Determined and Measured. Am. J. Psychol. 1904, 15, 201–292. [Google Scholar] [CrossRef]

38. Czyż, T. Zastosowanie metody analizy czynnikowej do badania ekonomicznej struktury regionalnej Polski. Prace Geogr. 1971, 92. [Google Scholar]

39. Kiryluk-Dryjska, E. [Formalization of Public Choice Decisions. Application for the Allocation of Structural Funds of the EU Common Agricultural Policy in Poland], Formalizacja Decyzji Wyboru Publicznego. Zastosowanie do Alokacji Środków Strukturalnych Wspólnej Polityki Rolnej UE w Polsce; Wydawnictwo Naukowe PWN: Warszawa, Poland, 2014; ISBN 978-83-01-17549-8. [Google Scholar]

40. Kiryluk-Dryjska, E.; Beba, P.; Poczta, W. Local determinants of the Common Agricultural Policy rural development funds’ distribution in Poland and their spatial implications. J. Rural Stud. 2020, 74, 201–209. [Google Scholar] [CrossRef]

41. Smolińska-Bryza, K.; Józefowicz, K. Socio-economic development and urbanization in the organization of African, Caribbean and Pacific states. Sci. Pap. Silesian Univ. Technol.—Organ. Manag. Ser. 2023, 188, 605–620. [Google Scholar]

42. Zakrzewska, M. Analiza Czynnikowa w Budowaniu i Sprawdzaniu Modeli Psychologicznych; Wydawnictwo Naukowe Uniwersytetu im. Adama Mickiewicza w Poznaniu: Poznań, Poland, 1994. [Google Scholar]

43. Stanisz, A. Przystępny kurs Statystyki z Zastosowaniem STATISTICA PL na Przykładach z Medycyny; Tom 3. Analizy Wielowymiarowe; StatSoft Polska: Kraków, Poland, 2007. [Google Scholar]

44. Barrett, P.T.; Kline, P. The observation to variable ratio in factor analysis. Personal. Study Group Behav. 1981, 1, 23–33. [Google Scholar]

45. Beba, P. Modele Optymalizacyjne Regionalnej Alokacji Środków Strukturalnych Wspólnej Polityki Rolnej w Polsce; Wydawnictwo Uniwersytetu Przyrodniczego w Poznaniu: Poznań, Poland, 2017. [Google Scholar]

46. Stec, M. Analiza porównawcza poziomu rozwoju społeczno-gospodarczego Polski na tle krajów Unii Europejskiej i krajów do niej kandydujących. Nierówności Społeczne A Wzrost Gospod. 2004, 5, 9–22. [Google Scholar]

47. Głodowska, A. Edukacja a rozwój społeczno-gospodarczy w krajach Unii Europejskiej. Wyższa Szkoła Zarządzania W Rzesz 2008, 8, 329–330. [Google Scholar]

48. Cieślik, E. Rozwój gospodarki chińskiej w okresie realnego socjalizmu–analiza podstawowych wskaźników makroekonomicznych. Gdańskie Stud. Azji Wschod. 2017, 11, 59–82. [Google Scholar] [CrossRef]

49. Mazumdar, K. Level of development of a country: A possible new approach. Soc. Indic. Res. 1996, 38, 245–274. [Google Scholar] [CrossRef]

50. Świerczyńska, K.; Kryszak, Ł. Wpływ stabilności politycznej i praworządności na efektywność gospodarek w krajach Afryki Subsaharyjskiej. Ekonomista 2019, 5, 608–635. [Google Scholar] [CrossRef]

51. Świerczyńska, K.; Kaczmarek, F.; Kryszak, Ł. Political stability as a factor affecting growth in agricultural sub-Saharan African countries. Nierówności Społeczne A Wzrost Gospod. 2020, 63, 160–176. [Google Scholar] [CrossRef]

52. Moreno-Enguix, M.D.R.; Lorente-Bayona, L.V.; Gras-Gil, E. Social and Political Factors Affect the Index of Public Management Efficiency: A Cross-Country Panel Data Study. Soc. Indic. Res. 2019, 144, 299–313. [Google Scholar] [CrossRef]

53. Taniguchi, H.; Marshall, G.A. Trust, political orientation, and environmental behavior. Environ. Politics 2018, 27, 385–410. [Google Scholar] [CrossRef]

54. Wysocki, F.; Lira, J. Statystyka Opisowa; Wydawnictwo Akademii Rolniczej im. Augusta Cieszkowskiego w Poznaniu: Poznań, Poland, 2007. [Google Scholar]

55. Tinbergen, J. On the Theory of Economic Policy; North-Hollang Publishinh Company: Amsterdam, The Netherlands; Oxford, UK; American Elsevier Publishing Company, Inc.: New York, NY, USA, 1954. [Google Scholar]

56. Dorosiewicz, S.; Kłopotowski, J.; Kołatkowski, D.; Sosnowska, H. Matematyka, Oficyna Wydawnicza SGH; Szkoła Główna Handlowa: Warszawa, Poland, 2004. [Google Scholar]

57. Bankes, S.C. Exploratory Modeling and the Use of Simulation for Policy Analysis; Paper RAND Library Collection No. N-3093-A; RAND Institute: Santa Monica, CA, USA, 1992. [Google Scholar]

58. Geurts, J.L.A.; Joldersma, C. Methodology for participatory policy analysis. Eur. J. Oper. Res. 2001, 128, 300–310. [Google Scholar] [CrossRef]

59. Vennix, J.A.M. Mental Models and Computer Models: Design and Evaluation of a Computer Based Learning Environment for Policy Making. Ph.D. Thesis, Unversität Nijmegen [Hrsg.], Beuningen, The Netherlands, 1990. [Google Scholar]

60. Hao, X.; Li, Y.; Ren, S.; Wu, H.; Hao, Y. The role of digitalization on green economic growth: Does industrial structure optimization and green innovation matter? J. Environ. Manag. 2023, 325, 116504. [Google Scholar] [CrossRef]

61. Vågerö, O.; Zeyringer, M. Can we optimise for justice? Reviewing the inclusion of energy justice in energy system optimisation models. Energy Res. Soc. Sci. 2023, 95, 102913. [Google Scholar] [CrossRef]

62. Kopiński, D. Pomoc Rozwojowa. Teoria i Polityka; Wydawnictwo Difin: Warszawa, Poland, 2011. [Google Scholar]

63. Kherallah, M.W.; Beghin, J.C.; Peterson, E.W.F.; Ruppel, F.J. Impacts of Official Development Assistance on Agricultural Growth, Savings and Agricultural Imports. Agric. Econ. 1994, 11, 99–110. [Google Scholar] [CrossRef]

64. Mosley, P.; Suleiman, A. Aid, agriculture and poverty in developing countries. Rev. Dev. Econ. 2007, 11, 139–158. [Google Scholar] [CrossRef]

65. Ji, S.U.; Lim, S.S. An empirical analysis of the determinants of agricultural official development assistance. Agric. Econ. 2018, 64, 206–215. [Google Scholar] [CrossRef]

66. McArthur, J.; Sachs, J. Agriculture, Aid, and Economic Growth in Africa. World Bank Econ. Rev. 2019, 33, 1–20. [Google Scholar] [CrossRef]

67. Rajack-Talley, T. Agriculture, Trade Liberalization and Poverty in the ACP Countries. In Agricultural Development and Food Security in Developing Nations; IGI Global: Hershey, PA, USA, 2017; pp. 1–20. [Google Scholar]

68. Mondal, P.; Basu, M. Adoption of precision agriculture technologies in India and in some developing countries: Scope, present status and strategies. Prog. Nat. Sci. 2009, 19, 659–666. [Google Scholar] [CrossRef]

69. Jorgenson, A.; Kuykendall, K. Globalization, Foreign Investment Dependence and Agriculture Production: Pesticide and Fertilizer Use in Less-developed Countries, 1990–2000. Soc. Forces 2008, 87, 529–560. [Google Scholar] [CrossRef]

70. Flento, D.; Ponte, S. Least-Developed Countries in a World of Global Value Chains: Are WTO Trade Negotiations Helping? World Dev. 2017, 94, 366–374. [Google Scholar] [CrossRef]

71. Thiam, A.; Bravo-Ureta, B.; Rivas, T. Technical efficiency in developing country agriculture: A meta-analysis. Agric. Econ. 2001, 25, 235–243. [Google Scholar]

Smolińska-Bryza K, Kiryluk-Dryjska E. The Development Aid for the Agricultural Sector of African, Caribbean and Pacific Countries—Determinants and Allocation. Agriculture. 2025; 15(2):190. https://doi.org/10.3390/agriculture15020190

Перевод статьи «The Development Aid for the Agricultural Sector of African, Caribbean and Pacific Countries—Determinants and Allocation» авторов Usturo., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык