Worldwide clustering of the corruption perception

Das Wesentliche

Stellen Sie sich die Länder der Welt als eine riesige, lärmende Party vor, auf der alle über die Ehrlichkeit oder Unehrlichkeit ihrer Nachbarn tuscheln. Die Autoren dieser Arbeit, Michal Paulus und Ladislav Kristoufek, beschlossen, nicht mehr auf das Getuschel zu hören, sondern stattdeteßen den Sitzplan zu betrachten. Sie wollten sehen, ob Länder von Natur aus „zusammen sitzen“, basierend darauf, wie korrupt sie wahrgenommen werden.

Hier ist die Geschichte ihrer Ergebnisse, in einfachen Worten erklärt:

Das Werkzeug: Eine „Freundschafts“-Karte

Normalerweise versuchen Wissenschaftler, Verbindungen zwischen Dingen zu finden, indem sie untersuchen, wie sie sich im Laufe der Zeit gemeinsam bewegen (wie zwei Aktien, die gleichzeitig steigen und fallen). Aber Korruption ist etwas anderes; es geht um das Niveau der Ehrlichkeit, nicht nur darum, wie sie sich verändert.

Anstatt also nach einem Tanzrhythmus zu suchen, verwendeten die Autoren ein Werkzeug namens hierarchisches Clustering. Stellen Sie sich das wie einen riesigen Stammbaum vor, aber anstatt zu zeigen, wer durch Blut verwandt ist, zeigt er, wer durch „Ehrlichkeit“ miteinander verwandt ist.

• Sie maßen 134 Länder mit einem „Freiheit von Korruption“-Score (0 bis 100, wobei 100 super ehrlich bedeutet).
• Sie berechneten die „Distanz“ zwischen den Ländern. Wenn Land A und Land B sehr ähnliche Werte haben, sind sie „enge Freunde“ (kurze Distanz). Wenn eines sehr ehrlich und das andere sehr korrupt ist, sind sie „Fremde“ (lange Distanz).
• Sie verwendeten eine Methode namens Average Linkage, was so ist, als würde man die durchschnittliche Distanz zwischen zwei Gruppen von Menschen finden, um zu entscheiden, ob die Gruppen verschmelzen sollten.

Das Ergebnis: Vier deutliche Nachbarschaften

Als sie diesen „Ehrlichkeits-Baum“ zeichneten, sah er nicht wie ein chaotischer Haufen aus. Er formte sich zu vier klaren Nachbarschaften (Clustern). Es war, als ob sich die Welt ganz natürlich in vier verschiedene Gruppen sortierte, basierend darauf, wie korrupt sie wahrgenommen werden.

Hier ist jede dieser Nachbarschaften:

1. Der Club der „ehrlichen Eliten“ (Cluster #1)

• Wer ist hier: Die USA, Japan, Westeuropa, Australien, Neuseeland, Singapur und Hongkong.
• Die Stimmung: Dies sind die am weitesten entwickelten Nationen der Welt. Sie haben eine sehr geringe Korruption (hohe Werte).
• Die Verbindung: Diese Gruppe ist eng vernetzt. Sie sind alle wohlhabend und alle sehr ehrlich. Es gibt fast keine armen Länder hier und keine afrikanischen Länder. Es ist eine sehr exklusive, leistungsstarke Gruppe.

2. Die „Aufhol“-Gruppe (Cluster #2)

• Wer ist hier: Länder wie Spanien, Portugal, Slowenien, Israel, Taiwan und Botswana.
• Die Stimmung: Dies sind die „Runner-up“. Sie sind nicht ganz so reich oder ehrlich wie der Elite-Club, aber sie machen einen ziemlich guten Job. Sie sind die „Mittelschicht“ der Welt.
• Die Verbindung: Sie versuchen, den Anführern einzuholen. Sie haben solide Wirtschaften und ein ordentliches Ehrlichkeitsniveau; sie sitzen mitten im Mittelfeld.

3. Die „Kampf“-Zone (Cluster #3)

• Wer ist hier: Dies ist die größte Gruppe mit 60 Ländern. Sie umfasst Russland, China, Indien, Brasilien und viele Nationen in Afrika und dem Nahen Osten. Sie beinhaltet auch Länder mit autoritären Regierungen.
• Die Stimmung: Diese Gruppe hat die höchsten Werte für wahrgenommene Korruption.
• Die Verbindung: Es ist ein bunter Mix aus Volkswirtschaften. Einige sind riesige, schnell wachsende Volkswirtschaften (wie China und Indien), während andere sehr arm oder in Konflikten sind. Trotz ihrer Größe oder ihres Potenzials teilen sie alle einen gemeinsamen Kampf mit Korruption. Die Autoren stellen fest, dass hohe Korruption wie ein schwerer Anker wirkt, der diese Länder daran hindert, das „Elite“-Niveau zu erreichen.

4. Die „Dazwischen“-Gruppe (Cluster #4)

• Wer ist hier: Dies ist ein seltsamer Mix. Er umfasst postkommunistische Länder wie Polen, Ungarn und die Tschechische Republik, aber auch Italien, Griechenland und nordafrikanische Nationen wie Ägypten und Marokko.
• Die Stimmung: Diese Länder stecken in der Mitte fest. Sie sind nicht so korrupt wie die „Kampf“-Gruppe, aber auch nicht so sauber wie die „Aufhol“-Gruppe.
• Die Verbindung: Es ist interessant, dass Italien und Griechenland (die normalerweise als wohlhabend gelten) hier vertreten sind, was darauf hindeutet, dass ihre wirtschaftlichen Probleme mit ihrem Korruptionsniveau verknüpft sein könnten. Gleichzeitig werden die osteuropäischen Länder mit ihnen gruppiert, was zeigt, dass sie sich noch im Übergang befinden.

Das große Ganze: Geld und Ehrlichkeit gehen Hand in Hand

Das wichtigste Ergebnis der Arbeit ist ein perfektes Spiegelbild.

• Wenn man die Länder danach rangiert, wie viel Geld sie pro Kopf erwirtschaften (BIP), erhält man eine Liste.
• Wenn man die Länder danach rangiert, wie ehrlich sie sind, erhält man exakt dieselbe Liste.

Das Papier sagt nicht, dass Geld die Ehrlichkeit verursacht oder dass Ehrlichkeit das Geld verursacht. Es sagt nur, dass sie zusammengehalten sind wie zwei Seiten derselben Münze. Die „ehrlichen Eliten“ sind die reichsten, und die „Kampf“-Gruppe mit der meisten Korruption ist die ärmste.

Warum das wichtig ist

Vor dieser Studie wusste man zwar, dass Korruption schlecht für die Wirtschaft ist, aber man hatte keine Karte, die zeigt, wie sich Länder basierend auf diesem Merkmal natürlich gruppieren. Diese Arbeit ist die erste, die diese spezifische „Stammbaum“-Methode verwendet, um zu zeigen, dass die Welt nicht einfach eine zufällige Mischung aus korrupten und ehrlichen Orten ist, sondern eine strukturierte Hierarchie, in der Entwicklung und Korruptionswahrnehmung tief miteinander verwoben sind.

Kurz gesagt: Die Welt sortiert sich in vier klare Gruppen, und in jeder Gruppe passt das Niveau der Korruption perfekt zum Niveau des Wohlstands.

Technische Zusammenfassung

Problemstellung
Während eine umfangreiche empirische und theoretische Literatur über die negativen Auswirkungen von Korruption auf Wirtschaftswachstum, Ungleichheit und Investitionen existiert, bleibt eine spezifische Lücke in der Literatur bestehen: Bisherige Studien haben die tatsächliche Clusterbildung von Ländern basierend auf ihrem Korruptionsniveau oder ihrer Korruptionswahrnehmung nicht untersucht. Die bestehende Forschung behandelt Korruption oft als eine kontinuierliche Variable, die ökonomische Indikatoren beeinflusst, versäumt es jedoch zu untersuchen, ob sich Länder in natürlicher Weise in distinkte Hierarchien oder Cluster gruppieren. Diese Studie zielt darauf ab, diese Lücke zu schließen, indem sie Werkzeuge aus der Komplexitätsforschung anwendet – spezifisch das hierarchische Clustering – auf den speziellen Fall der Korruption, um potenzielle strukturelle Beziehungen zwischen Nationen aufzudecken.

Methodik
Die Autoren analysieren einen Datensatz von 134 Ländern anhand des „Freedom from Corruption“ (COR)-Index der Heritage Foundation, der den Zeitraum von 1996 bis 2014 abdeckt. Der COR-Index leitet sich vom Corruption Perception Index (CPI) von Transparency International ab und ist auf einer Skala von 0 bis 100 skaliert (wobei höhere Werte eine geringere Korruption anzeigen).

Um der spezifischen Natur der Daten gerecht zu werden, weichen die Autoren von standardmäßigen korrelationsbasierten Clustering-Methoden ab. Standard-Korrelationskoeffizienten de-meanen Zeitreihen, wodurch Informationen über das absolute Niveau der Korruption verloren gehen, welches die primäre Variable von Interesse ist. Stattdessen nutzt die Studie den Euklidischen Abstand ($d_{xy}$) zwischen den Zeitreihen-Vektoren jedes Länderpaares, um eine Unähnlichkeitsmatrix zu konstruieren.

Für die Konstruktion der hierarchischen Struktur verwenden die Autoren den Average Linkage Clustering-Ansatz (auch bekannt als UPGMA). Der Algorithmus identifiziert iterativ das nächste Paar von Knoten (Länder oder Cluster) basierend auf der Unähnlichkeitsmatrix, verschmilzt sie zu einem neuen Cluster und weist dem neuen Cluster einen Distanzwert zu, der dem Durchschnitt der Distanzen aller Elemente innerhalb des neu gebildeten Clusters entspricht. Dieser Prozess wiederholt sich, bis ein einzelnes Cluster gebildet ist, was zu einem Dendrogramm führt. Die Autoren merken an, dass sie primsär Average Linkage verwenden, aber auch Complete Linkage und den Ward-Algorithmus getestet haben und dabei qualitativ robuste Ergebnisse fanden.

Zentrale Ergebnisse
Die Anwendung des Average Linkage Clustering auf die 134 Länder offenbart eine klar definierte hierarchische Struktur, die den globalen Datensatz in vier distinkte Cluster unterteilt:

1. Cluster #1 (Niedrigste Korruption / Höchste Entwicklung): Dieser Cluster besteht aus entwickelten Nationen, darunter die USA, Japan, westliche EU-Staaten, Australien, Neuseeland und Singapur. Er weist den höchsten durchschnittlichen COR (82,92) und das höchste durchschnittliche BIP pro Kopf (52.138 $) auf. Er ist in Bezug auf sowohl Korruptionsniveau als auch wirtschaftliche Entwicklung deutlich von anderen Clustern getrennt.
2. Cluster #2 (Obere Mittelentwicklung): Diese heterogene Gruppe umfasst verschiedene EU-Staaten (z. B. Spanien, Portugal), Taiwan, Israel und Botswana. Sie hat einen durchschnittlichen COR von 59,21 und ein durchschnittliches BIP pro Kopf von 23.521 $. Die Autoren charakterisieren diese Nationen als „Runner-up“-Anführer auf ihren jeweiligen Kontinenten und repräsentieren eine Gruppe, die sich „erfolgreich im Übergang“ befindet oder „aufholt“.
3. Cluster #3 (Höchste Korruption / Niedrigste Entwicklung): Der größte Cluster (60 Mitglieder), diese Gruppe umfasst BRIC-Nationen (Brasilien, Russland, Indien, China), neue EU-Mitglieder wie Bulgarien und Rumänien sowie verschiedene autoritäre Regime. Er hat den niedrigsten durchschnittlichen COR (24,15) und das niedrigste durchschnittliche BIP pro Kopf (3.888 $), enthält jedoch eine breite Palette an wirtschaftlichem Potenzial.
4. Cluster #4 (Intermediär): Dieser Cluster liegt zwischen den vorangegangenen Gruppen mit einem durchschnittlichen COR von 41,28. Er umfasst die Visegrád-Gruppe (Tschechien, Ungarn, Polen, Slowakei), die baltischen Staaten, Kroatien und nordafrikanische Nationen. Er beinhaltet auch entwickelte Nationen mit wirtschaftlichen Schwierigkeiten, wie Italien und Griechenland. Sein durchschnittliches BIP pro Kopf beträgt 9.751 $.

Zentrale Beiträge und Erkenntnisse

• Identifizierung von Hierarchie: Die Studie deckt erfolgreich eine klare hierarchische Struktur in der Korruptionswahrnehmung auf und zeigt, dass Länder effektiv in vier distinkte Gruppen basierend auf diesen Metriken getrennt werden können.
• Korrelation mit Entwicklung: Eine starke Verbindung wird zwischen dem Korruptionsniveau und der Phase der wirtschaftlichen Entwicklung innerhalb der Cluster identifiziert. Das Ranking der Länder nach Korruptionswahrnehmung spiegelt das Ranking nach dem BIP pro Kopf perfekt wider.
• Strukturelle Einblicke: Das Clustering offenbart spezifische geopolitische und institutionelle Muster, wie etwa die Trennung neuer EU-Mitglieder (Bulgarien, Rumänien) vom Rest der EU, die Gruppierung der BRIC-Nationen und die Einordnung autoritärer Regime in den korruptesten Cluster.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Studie, nach bestem Wissen, die erste Anwendung von hierarchischen und Clustering-Methoden auf den spezifischen Fall der Korruption ist. Die Signifikanz der Arbeit liegt in der Überbrückung eines ökonomischen Themas mit Werkzeugen der komplexen Systeme und der interdisziplinären Physik.

Die Autoren wahren einen moderaten Ton hinsichtlich der Kausalität und stellen explizit fest, dass ihre Analyse keine potenziellen kausalen Mechanismen zwischen Korruption und wirtschaftlicher Leistung diskutiert. Sie postulieren jedoch, dass die beobachtete starke Korrelation und die klare Trennung der Länder in Cluster einen vielversprechenden Ausgangspunkt für die zukünftige sozialwissenschaftliche Forschung darstellen. Sie schlagen vor, dass solche Clustering-Methoden besonders vorteilhaft für Studien zum internationalen Handel sein könnten, in denen eine rigorose Differenzierung korrupter Länder derzeit mangelhaft ist.