Построение рейтинга стран-членов БРИКС методом TOPSIS по показателям экспорта-импорта продовольствия

Введение

В современной научной литературе категории рейтинг и ранкинг нередко используются как взаимозаменяемые, хотя между ними существует содержательное различие. Под рейтингом обычно понимается количественная оценка объекта по одному или нескольким признакам, позволяющая определить его место в исследуемой совокупности. Ранкинг, в свою очередь, представляет собой результат процедуры ранжирования, то есть упорядоченный список объектов, распределенных по величине выбранного показателя или интегральной оценки. Таким образом, рейтинг выступает как инструмент измерения и сопоставления, а ранкинг – как форма представления итогов такого сопоставления.

Интерес к построению рейтингов существенно возрос в связи с необходимостью сравнительной оценки сложных социальных-экономических процессов для целей управления системами на макро- и микроуровне. Простое сопоставление объектов по одному показателю не всегда позволяет адекватно отразить реальное положение дел, поскольку многие явления носят многомерный характер. По этой причине в научной практике получили развитие методы построения рейтинговых оценок, различающиеся по способу отбора признаков, нормированию данных, учету весов и интерпретации итоговых результатов.

Одним из наиболее известных прикладных подходов является ABC-анализ, широко применяемый в зарубежной, прежде всего американской, аналитической школе. Его методологическая основа во многом восходит к принципу Парето, согласно которому относительно небольшая доля факторов (20%) может определять основную часть результата (80%). В рамках ABC-анализа исследуемая совокупность объектов распределяется на несколько групп, как правило, три: A, B и C. Группа A включает наиболее значимые объекты, обеспечивающие основной вклад в итоговый результат; группа B – объекты средней значимости; группа C – наименее значимые. Несмотря на определенную простоту, данный метод является действенным инструментом предварительного ранжирования и структурирования данных, особенно в случаях, когда требуется выделить приоритетные направления анализа.

Смежным, но не тождественным подходом является присвоение объектам буквенных или символьных категорий, например: A++, A, B и т.д. Подобный способ оценки широко используется в экспертной, финансовой и институциональной практике. Его достоинство состоит в удобстве интерпретации результатов и возможности представить сложную аналитическую оценку в сжатой и наглядной форме. Вместе с тем буквенные рейтинги, как правило, опираются на предварительно рассчитанные количественные показатели либо на совокупность экспертных суждений. Следовательно, за внешне простой системой обозначений скрывается более сложная процедура агрегирования и сопоставления данных.

В качестве примера профессионально-прикладного рейтингового показателя можно привести Индекс эффективности государственного управления (Government Effectiveness Index), разрабатываемый Группой Всемирного банка. Основное назначение данного индекса связано с оценкой качества государственного управления через характеристики предоставления государственных услуг, качества бюрократического аппарата, степени независимости государственной службы от политического давления, качества разработки и реализации политики, а также доверия к государственным институтам. Данный пример показателен тем, что современная рейтинговая оценка все чаще строится не на одном статистическом индикаторе, а на системе частных признаков, интегрируемых в сводный показатель.

Если речь идет не об одномерном, а о многомерном рейтинге, то соответствующие методы относятся к группе методов многомерного сравнения. Их задача состоит в том, чтобы определить место каждого объекта в совокупности на основе заранее заданного набора показателей. В общем виде подобные методы опираются на идею измерения расстояния между фактическими характеристиками объекта и некоторым эталоном [6]. Наиболее распространенным вариантом является использование евклидова расстояния. В этом случае оценивается не только абсолютное значение отдельных показателей, но и степень близости конкретного объекта к условному образцу, принимаемому за эталон.

Существенный вклад в развитие методики рейтингового анализа внесла Г.В. Савицкая [9]. В ее подходе рейтинговая оценка формируется на основе расчета интегрального коэффициента по установленной формуле, после чего объекты ранжируются по величине полученного значения. Чем выше итоговый коэффициент, тем выше место объекта в рейтинге. Важной особенностью данной методики является учет весовых коэффициентов, отражающих относительную значимость отдельных показателей в общей системе оценки. Тем самым обеспечивается не механическое суммирование признаков, а их содержательно обоснованная интеграция.

Проблема определения весовых коэффициентов занимает центральное место практически во всех многомерных методах рейтингования. Наиболее распространенным подходом является экспертная оценка, при которой проводится анкетный опрос специалистов, а веса показателей распределяются в интервале от 0 до 1 в зависимости от их значимости. Такой способ позволяет учитывать содержательную специфику исследуемой области, однако одновременно вносит в методику элемент субъективности. Поэтому в аналитической практике используются и более формализованные способы задания весов.

Одним из таких способов является корреляционный метод. Его суть состоит в том, что весовые значения определяются на основе расчета парных коэффициентов корреляции между показателями. Логика данного подхода заключается в выявлении степени взаимосвязанности признаков и оценке их вклада в общую структуру изучаемого явления. Применение корреляционного метода позволяет снизить долю субъективного компонента при формировании итоговой рейтинговой оценки, хотя и требует более строгой статистической проработки исходной информации. Для корректного применения данного подхода требуется предварительное нормирование данных. Его смысл заключается в приведении показателей, имеющих различную размерность и масштаб, к сопоставимому виду. Как правило, значения признаков анализируемых объектов выражаются по отношению к эталонному субъекту, параметры которого условно принимаются за единицу. Это позволяет избежать искажения итоговой оценки под влиянием различий в единицах измерения и обеспечивает методическую сопоставимость исходных данных. Именно нормирование выступает необходимым условием построения интегральных и агрегированных индексов, что подчеркивается и в трудах, посвященных разработке сводных статистических показателей. В частности, в работе М. Березовской, Н. Райской, А. Френкеля и И. Горячевой агрегированный индекс рассматривается как эффективный измеритель сложного явления, что методологически близко к построению интегральных рейтинговых оценок [3].

Вопросы комплексной сравнительной оценки хозяйствующих субъектов и построения обобщающих показателей получили развитие и в классических трудах по экономическому анализу, в частности у М.И. Баканова, М.В. Мельник, А.Д. Шеремета [1]. Рассматриваемые ими подходы к сравнительной оценке деятельности объектов анализа, основанные на системе показателей и их сопоставлении, во многом составляют теоретическую основу для дальнейшего развития рейтинговых методов в экономических исследованиях.

Еще одним перспективным подходом к оценке позиций субъектов в многомерном признаковом пространстве является группа методов многокритериального принятия решений (Multi-Criteria Decision Making – MCDM). По мнению российских и зарубежных ученых [10, 16, 17, 25, 26], эта группа методы делятся на две подгруппы из-за различий в постановке задач:

1. Многоаспектное принятие решений (Multi-Attribute Decision Making – MADM) – многокритериальный выбор с конечным числом альтернатив. К данной группе относится значительное количество методов, наибольшее распространение получили такие как: Аналитический иерархический процесс (Analytic Hierarchy Process – AHP); Метод предпочтения порядка на основе сходства с идеальным решением (Technique for Order Preference by Similarity to Ideal Solution – TOPSIS); Метод исключения и выбора, отражающего реальность (Elimination and Choice Expressing Reality – ELECTRE) [17].

2. Многоцелевое принятие решений (Multi-Objective Decision Making – MODM) – многокритериальная оптимизация с бесконечным числом альтернатив. В данном направлении наиболее частое применение получили такие методы как: Метод ε-ограничений (ε-Constraint); Метод взвешенной суммы (Weighted Sum Method); Целевое программирование (Goal Programming); Генетический алгоритм сортировки без доминирования II (Non-dominated Sorting Genetic Algorithm II – NSGA-II); Алгоритм эволюции силы Парето 2 (SPEA2 (Strength Pareto Evolutionary Algorithm 2 – SPEA2).

В рамках проводимого нами исследования остановимся на методе TOPSIS, так как он активно используется для решения задачи построения рейтингов социально-экономических объектов. В частности, можно указать на работы таких авторов как: Benli, M. [14], Deng H. [16], Gafarova L.A. [20], López-García A. [23], Кумратова А.М. [4], Лобкова Е.В. [5] и др.

Так Gafarova L.A. использовала метод TOPSIS для анализа налоговых инструментов российской налоговой системы [20]. Коллектив авторов под руководством Deng H. использовали модифицированный метод TOPSIS для ранжирования конкурирующих компаний на основе множества финансовых коэффициентов [16]. López-García A. и соавторы применяют метод TOPSIS для ранжирования фирм на основе критериев устойчивого развития (ESG) [23]. В статье Кумратовой А.М. с применением «метода TOPSIS, было выполнено грейдирование альтернатив с выявлением идеальных и худших решений для определения активных федеральных округов, загрязняющих окружающую среду» [4]. В работе Лобковой Е.В. описан и апробирован метод TOPSIS как инструмент оценки устойчивости территорий, входящих в состав Сибирского федерального округа [5].

Таким образом, методы построения рейтинговых оценок варьируют от относительно простых процедур группировки и ранжирования до сложных многомерных моделей, основанных на нормировании данных, расчете интегральных коэффициентов и определении весов. Общей чертой всех подходов является стремление представить многомерную информацию в удобной для сопоставления форме. При этом качество итогового рейтинга во многом зависит от корректности отбора показателей, способа их стандартизации и обоснованности весовых коэффициентов. Именно эти элементы определяют аналитическую надежность рейтинговой оценки и ее практическую применимость в социально-экономических исследованиях.

В проводимом нами исследовании, обратимся к методам построения рейтинговой оценки для определения позиций стран-членов БРИКС относительно группы стран мира. При этом в качестве показателей, на основе которых будет строится рейтинг, будут выступать экспорт и импорт продовольствия, а также удельные веса валовой добавленной стоимости сельского хозяйства в ВВП.

Материалы и методы

Целью проводимого исследования заключается в выявлении позиций стран-членов БРИКС по показателям экспорта-импорта продовольствия относительно стран мира на основе количественных методов рейтинговой оценки.

Источником информации являются данные Всемирного банка [11, 12, 13, 18, 19]. В частности, были взяты следующие показатели: W1 – Экспорт продовольствия, % от товарного экспорта [11]; W2 – Экспорт сельскохозяйственного сырья, % от товарного экспорта [18]; W3 – Импорт продовольствия, % от товарного импорта [12]; W4 – Импорт сельскохозяйственного сырья, % от товарного импорта [19]; W5 – ВДС вида экономической деятельности «Сельское хозяйство, лесное хозяйство и рыболовство, добавленная стоимость», % от ВВП [13].

Также были использованы данные Статистического отдела ООН [24] о распределение долей видов экономической деятельности в ВВП.

Визуализация информации, а также аналитические расчеты были проведены в среде программирования R.

Схематично этапы проведения исследования позиций стран-членов БРИКС относительно развитых стран мира, отражены на рисунке 1.

Рисунок 1. Этапы проведения исследования, направленного на выявление позиций стран-членов БРИКС в мировом пространстве (Источник: авторская разработка)

Кратко остановимся на методах и инструментах, используемых на каждом этапе проводимого исследования.

Для визуализации вариации по группам стран БРИКС и G7 используем диаграмму под названием «бочка с усами» (ящик с усами, диаграмма размаха, усиковая диаграмма, коробчатая диаграмма, box plot) [2]. Суть этой диаграммы заключается в том, чтобы показать пять основных характеристик набора данных (Медиана; Q1 и Q3 – нижний и верхний квартиль; минимальное и максимальное значение) и выделить выбросы (аномальные значения).

Так как коробчатая диаграмма позволяет отображать вариацию по нескольким признакам, применительно к имеющимся в нашем распоряжении данным, можно установить наличие (отсутствие) различий между объектами по трем группирующим переменным: год (2009 г. и 2023 г.), принадлежность к союзу (БРИКС и G7), вид экономической деятельности.

Оценка вариации и различий на основе визуализации является так называемым «разведочным» анализом, который предваряет более сложные процедуры. Одной из таких является многомерная группировка (кластерный анализ).

Как отмечает в своей монографии В. Плюта «Метод Чекановского чаще всего используется для разбиения множества элементов на однородные подмножества, называемые группами. В состав однородных подмножеств входят сходные элементы, обладающие близкими значениями признаков.» [17]. Таким образом, предложенные Я. В. Чекановским в 1909 г. [15] метод является одним из методов многомерной группировки объектов. В сжатом виде алгоритм метода можно выразить в следующей последовательности этапов:

1. Формирование матрицы наблюдений размера n×m, где n – число объектов, m – число признаков (показателей).

2. Стандартизация признаков.

3. Расчет элементов матрицы расстояний и построение этой матрицы.

4. Построение неупорядоченной диаграммы Чекановского.

5. Упорядочение диаграммы и получение групп (кластеров) изучаемых объектов.

Таким образом, диаграмма Чекановского позволит нам в первом приближении оценить позиции стран БРИКС и G7 относительно друг друга. Для более углубленного сопоставления будем использовать один из методов MCDM, а именно «метод упорядочения по сходству с идеальным решением» – TOPSIS (Technique for Order Preference by Similarity to Ideal Solution).

Данный метод был разработан Хваном Ч. и Юном К. [22] в 1981 г. Основная идея метода заключается в том, что выбранная альтернатива должна быть геометрически как можно ближе к идеальному решению (PIS – positive ideal point) и как можно дальше от наихудшего (анти-идеального) решения (NIS – negative ideal point).

Опуская математический аппарат, лежащий в основе метода TOPSIS, который был многократно описан в научной литературе (к примеру, в работах [4, 5, 14, 16, 20, 23]), приведем лишь этапы проведения процедуры, которые представлены на рисунке 2.

Рисунок 2. Основные этапы ранжирования (рейтингования) объектов методом TOPSIS (Источник: составлено авторами на основе работ [4, 5, 14, 16, 20, 23])

Таким образом, используя аппарат метода TOPSIS, будет построен рейтинг стран БРИКС по показателям W1-W5.

Результаты исследования

1. Визуализация вариации по группам стран БРИКС и G7

Визуализация вариации играет большое значение на начальных этапах исследования, в частности, она помогает оценить разброс значений в подсовокупностях и выявить форму распределения показателя; установить соотношение групп относительно друг друга; показывает средние (медианные) значения по группам. В нашем случае наиболее подходящим графическим методом является диаграмма «бочка с усами», результаты построения которой представлены на рисунке 3.

Рисунок 3. Вариация удельных весов видов экономической деятельности стран БРИКС и G7 в 2009 г. и 2023 г., в % к ВВП (Источник: построено в среде программирования R на основе данных Статистического отдела Организации Объединенных Наций [24])

Согласно информации, представленной на рисунке 3 отчетливо проявляются различия между группами стран БРИКС и G7 по таким видам деятельности как: «Сельское хозяйство, охота, лесное хозяйство, рыболовство» (ISIC A-B); «Добыча полезных ископаемых, обрабатывающая промышленность, коммунальные услуги» (ISIC C-E); «Прочие виды деятельности» (ISIC J-P). Соответственно не проявляются различия по таким отраслям как: «Обрабатывающая промышленность» (ISIC D); «Строительство» (ISIC F); «Оптовая и розничная торговля, рестораны и гостиницы» (ISIC G-H); «Транспорт, хранение и связь» (ISIC I).

Для формализации выводов необходимо прибегнуть к статистическим тестам на сравнение средних в двух группах. Наибольшее распространение в экономических исследованиях получил t-критерий Стьюдента [8]. Но его применение сопряжено с важным начальным условием, а именно требованием нормальности распределения анализируемой совокупности. В нашем случаем имеем незначительные объемы подсовокупностей (БРИКС – 5 объектов, G7 – 7 объектов), а значит нормальность распределения не стоит ожидать. Соответственно необходимо обратится к непараметрическим критериям, которые не предъявляют строгих требований к форме распределения. Одним из таких является U-критерий Манна-Уитни, который использующийся для сравнения выраженности показателей в двух несвязных выборках.

Таблица 1. Соотношение средних значений удельных весов видов экономической деятельности между группами стран БРИКС и «Большой семерки»

Сопоставление структуры ВВП стран БРИКС и G7 за 2005 г. и 2024 г. выявляет глубокие структурные различия между группами стран. Главное отличие заключается в доминировании реального сектора в БРИКС при явном лидерстве сферы услуг в «Большой семерке». Доля сельского хозяйства и добывающей промышленности (ISIC А-В) в БРИКС почти в 9 раз превышает показатель «Большой семерки». Доля промышленного сектора (ISIC С-Е) в БРИКС также значительно выше, хотя к 2024 г. она снизилась до 24,9 % (у «Большой семерки» – 17,8 %).

В то же время страны «Большой семёрки» сохраняют значительное преимущество в сфере услуг (ISIC J-P), на долю которых приходится более половины их экономики (51,9 % против 32,0 % у БРИКС). Строительство (ISIC F) в странах БРИКС продемонстрировало заметный рост, опередив страны «Большой семёрки» в 1,44 раза, что отражает продолжающуюся индустриализацию и активное развитие инфраструктуры.

Обратимся к функции mann_whitney_test{sjstats} среды программирования R и представим результаты расчета теста в таблице 2.

Таблица 2. Результаты расчета U-критерия Манна-Уитни для сравнения средних значений в двух группах

Первым делом обращаем внимание на p-уровень значимости, при этом значение p < 0,05 указывает на статистически значимые различия между группами и наоборот p ≥ 0,05 говорит что нет различий. В нашем случае, фиксируем различия между группами стран БРИКС и G7 и в 2009 г. и в 2023 г. по показателям: доля сельского хозяйства (ISIC A-B), доля промышленности (ISIC C-E), доля сферы услуг (ISIC J-P). По остальным показателям не наблюдается статистически значимых различий.

Далее необходимо рассмотреть размер эффекта r, так как статистическая значимость не означает практическую значимость. Интерпретация r схожа с коэффициентом корреляции, соответственно значение меньше 0,5 указывает на незначительный эффект, тогда как значение больше этого порогового значения – большой эффект. В нашем случае в трех случаях (ISIC A-B – Аграрный сектор, ISIC C-E – Промышленный сектор, ISIC J-P – Сфера услуг) наблюдается большой эффект, в остальных случаях незначительный.

Таким образом, разведочный анализ показал наличие существенных различий как в 2009 г., так и в 2023 г. по трем видам экономической деятельности (или группам отраслей) в двух сопоставляемых подсовокупностях.

2. Группировка стран БРИКС и G7 по уровню экспорта-импорта продовольствия на основе диаграммы Чекановского

Перейдем к проведению процедуры кластеризации совокупности стран методом Чекановского, для этого используем функции библиотеки RMaCzek среды программирования R. Визуализация результатов расчета представлена на рисунке 4.

а) 2009 г.	б) 2023 г.

Рисунок 4. Диаграмма Чекановского позиций стран БРИКС и G7 (Источник: результаты получены на основе данных Всемирного банка [11, 12, 13, 18, 19] в пакете RMaCzek среды программирования R)

В результате работы алгоритма получаем тепловую карту, где строки и колонки переупорядочены так, чтобы максимально похожие по структуре экономик страны (с наименьшими расстояниями) находились рядом с диагональю.

Диаграмма Чекановского визуализирует матрицу расстояний между объектами. Темные (заполненные) ячейки обычно соответствуют малым расстояниям (большое сходство), а светлые/пустые – большим расстояниям (объекты сильно различаются). Четкие квадраты темных ячеек вдоль диагонали указывают на наличие кластеров.

Согласно представленной на рисунке 4а информации в 2009 г. основной мега-кластер (розовый блок) включает подавляющее большинство стран G7 и БРИКС. Это говорит о том, что на тот момент параметры экспорта/импорта продовольствия, сырья и доли сельского хозяйства в ВВП у этих стран были относительно схожими или находились в сопоставимых пропорциях. В свою очередь обособленная группа (синий блок): IND (Индия) и CHN (Китай) сформировали отдельный плотный кластер. Они сильно отличались от остальных стран, но были очень похожи между собой. Это обусловлено спецификой их экономик в 2009 г., а именно высокой долей сельского хозяйства в ВВП и колоссальными объемами внутреннего агропроизводства-потребления при специфической структуре внешней торговли.

За 14 лет структура взаимосвязей полностью изменилась (рисунок 4б), произошла четкая перегруппировка (кластеризация) стран по новым полюсам. Так на выделился кластер развитых экономик и «сервисных» импортеров (синий блок). В него вошли все страны G7 (ITA, JPN, DEU, GBR, FRA, USA, CAN), а также две страны БРИКС – ЮАР и Россия. Таким образом Россия и ЮАР по своей структуре торговли и доле АПК в ВВП стали гораздо ближе к западным постиндустриальным экономикам, чем к классическим развивающимся рынкам.

Второй малочисленный кластер (розовый блок) был сформирован тремя стран БРИКС. Так BRA (Бразилия) в 2023 г. полностью отделилась от группы развитых стран. Бразилия за эти годы укрепила статус мирового аграрного супергиганта, где экспорт продовольствия и сырья занимает доминирующую роль в товарном экспорте. В свою очередь IND (Индия) и CHN (Китай) остались в тесной связке друг с другом, но теперь к их блоку (по принципу промежуточного сходства) ближе именно Бразилия, а не страны G7.

Таким образом на основании группировки методом Чекановского можно сделать выводы что с течением времени произошло четкое разделение на кластер «потребителей / высокотехнологичных экономик» (синий блок) и кластер «крупнейших аграрных экономик / драйверов АПК» (Бразилия, Индия, Китай). Россия (RUS) за этот период сместилась из общего недифференцированного кластера 2009 г. в устойчивый кластер с развитыми странами, что указывает на схожие с ними пропорции импортозамещения, структуры потребления и доли добавленной стоимости АПК в ВВП к 2023 г.

3. Построение рейтинга стран БРИКС на основе метода многокритериального принятия решений TOPSIS

На завершающем этапе перейдем к непосредственному построению рейтинга стран БРИКС на основе показателей W1-W5. При этом наиболее важным является вопрос относительно веса каждого фактора (признака) в интегральном показателе. В этом направлении имеются несколько подходов, которые можно разделить на две большие группы: во-первых, это экспертные методы (к примеру: метод прямой расстановки, приписывания баллов, анализа иерархии и др.), что сопряжено с формированием минимального, но достаточного числа экспертов, специализирующиеся в анализируемой области; во-вторых, численные (формализованные) методы (к примеру, метод главных компонент, корреляционный анализ, метод энтропии), основанные на математико-статистических алгоритмах.

Остановим свой выбор на сравнительно простой в реализации оценки весов, основанной на методе главных компонент [21], для этого воспользуемся встроенной в среду программирования R функцию prcomp{stats}. Результаты расчета весовых коэффициентов представлены в таблице 3, при этом обратим внимание на тот факт, что сумма по столбцу дает нам единицу.

Таблица 3. Весовые коэффициенты факторов для построения рейтинга, полученные методом главных компонент

Весовые коэффициенты, представленные в таблице 3, показывают высокое значение экспорта и импорта продовольствия сырья как в базисном, так и в отчетном периодах. При этом в 2023 г. относительно 2009 г. наблюдается увеличение роли импорта сельскохозяйственного сырья (W4).

Прежде чем приступить к непосредственному построению рейтинга, необходимо так же решить еще одну задачу, а именно – определить, какой из пети показателей необходимо максимизировать («+»), а какой минимизировать («-»).

По-нашему мнению, максимизировать влияние на интегральную рейтинговую оценку необходимо по экспорту, соответственно минимизировать по импорты и доли сельского хозяйства в ВВП. Это решение основано на формировании устойчивой системы самообеспечения продовольствием и снижении импортозависимости.

Соответственно вектор направлений оптимизации показателей как в 2009 г., так и в 2023 г. будет иметь следующий вид:

Таблица 4. Рейтинг стран мира по показателям экспорта-импорта продовольствия методом TOPSIS

Перейдем к интерпретации характеристик, представленных в таблице 4. Так, значения, содержащиеся в столбцах «d+» и «d-», представляют собой расстояние от альтернативы до «положительного идеального решения» (чем меньше значение, тем лучше показатели страны) и «отрицательного идеального решения» (чем больше значение, тем дальше страна от конца рейтинга, что является позитивным фактором) соответственно. В столбце «eu» содержатся значения метрики относительной близости к идеальному решению (Евклидова метрика), формула для расчета которой представляет собой отношение: .

Чем выше значение «eu», тем выше ранг объекта (в нашем случае страны) среди остальных в анализируемой совокупности.

Полученные результаты рейтинга показывают, что лидирующие позиции в многомерном признаковом пространстве, как в 2009 г., так и в 2023 г. занимают преимущественно развивающиеся страны Африки и Океании (SLB – Соломоновы Острова, ZWE – Зимбабве, BFA – Буркина-Фасо, LBR – Либерия, BEN – Бенин). Высокий индекс «eu» у них обусловлен критически высокой долей сельского хозяйства в ВВП и сильной зависимостью товарного экспорта от сырья. Единственное исключение – это появление в топ-5 в 2023 г. Уругвая и Новой Зеландии, что говорит о формировании мощных, высокоэффективных ориентированных на экспорт аграрных экономик.

В нижней части рейтинга стабильно находятся крупные азиатские и ближневосточные государства (РАК – Пакистан, SYR – Сирия, BGD – Бангладеш, TJK – Таджикистан). Низкий рейтинг означает, что их структура сильно удалена от «идеального аграрного экспортера» – скорее всего, из-за сильной импортозависимости по продовольствию при низкой эффективности собственного АПК.

Группа БРИКС за период 2009-2023 гг. продемонстрировала разнонаправленную динамику, разделившись на явных аграрных лидеров и страны, уходящие в постиндустриальную (сервисную) структуру.

Бразилия за рассматриваемый период превратилась в абсолютного аграрного супергиганта. Рост рейтинга на 13 пунктов обусловлен колоссальным увеличением доли продовольственного экспорта в общей структуре торговли при удержании стабильных позиций АПК в ВВП.

Россия поднялась со 145-го на 27-е место, а её индекс «eu» увеличился с 0,35 до 0,42. Это прямой результат политики импортозамещения и аграрного бума после 2014 г. Россия резко снизила долю импорта продовольствия и превратилась в одного из крупнейших мировых экспортеров зерна и пищевой продукции, приблизившись к параметрам «идеального» аграрного баланса.

ЮАР сохраняет умеренно-сбалансированную структуру АПК с акцентом на экспорт фруктов и вина, но 6es резких структурных сдвигов. 0,37. Падение Индии в ранге со 110 до 127 места свидетельствует о том, что экономика страны постепенно диверсифицируется: растет доля сектора услуг и промышленности, что постепенно снижает относительную значимость аграрных показателей в масштабах всей огромной экономики, несмотря на рост физических объемов. аутсайдеров. Самый низкий рейтинг среди БРИКС наблюдается у Китая, позиции страны снизились с 168 до 179 места. Для Китая это позитивный экономический, но «негативный» для данного рейтинга маркер: страна является чистым мегаимпортером продовольствия и сырья для обеспечения гигантского населения, а доля сельского хозяйства в ВВП неуклонно падает на фоне доминирования промышленности и высоких технологий.

Заключение

Проведенный анализ позиций стран-членов БРИКС относительно остальных стран мира, в двух временных точках, позволяет нам сформулировать несколько выводов.

Во-первых, анализ «ящиков с усами» и тест Манна-Уитни выявили глубокие структурные различия между блоками БРИКС и G7 в 2009 г. и 2023 г. Статистически значимые расхождения с крупным размером эффекта зафиксированы по трем макропоказателям: доле сельского хозяйства (ISIC A-В), доле промышленности (ISIC С-Е) и доле сферы услуг (ISIC J-P) в составе ВВП. По остальным отраслям значимых различий не обнаружено.

Во-вторых, согласно результатам построения диаграммы Чекановского за 14 лет произошла кардинальная трансформация глобальной аграрной структуры. Единый мега-кластер 2009 г. распался и к 2023 г. сформировался блок развитых стран-потребителей, куда вошли вся G7, ЮАР и Россия. Ему противостоит аграрный блок Китая, Индии и примкнувшей к ним Бразилии, закрепившей статус мирового продовольственного супергиганта.

В-третьих, построение рейтинга стран мира методом TOPSIS показал полярную динамику внутри БРИКС. Главным прорывом стал взлет России со 145 на 27 место благодаря импортозамещению, сокращению продовольственного импорта и зерновому буму. Бразилия укрепилась в топ-10. ЮАР сохранила позиции, а Китай и Индия закономерно опустились в рейтинге из-за диверсификации и растущего внутреннего потребления.