经济复杂性经济增长预测（2032）

经济复杂性的一个关键应用是预测长期经济增长。¹该应用建立在国民收入趋于在复杂性水平相似的国家之间收敛的事实之上。²⁻¹⁰在这里，您可以找到使用多维经济复杂性框架估计的87个国家的经济增长预测。¹¹这是一个使用国家出口、专利和研究出版物构成数据的框架，提供了对经济增长潜力更全面的看法。

经济增长预测表

2022年至2032年的年化预期复合年增长率

排名	国家	预测年均人均GDP增长	贸易ECI	研究ECI	技术ECI	人均GDP（购买力平价，2021年不变美元）	预测贸易ECI增长
No records to display

Rows per page

0-0 of 0

区域增长预测

根据我们的预测，南亚将在未来十年以2.62%的预期增长率领跑全球增长。该地区将由印度（4.20%）的增长引领，预计将成为全球顶尖表现者。我们还预计东亚及太平洋地区具有高增长潜力，菲律宾（3.79%）、越南（3.04%）和中国（2.93%）为该地区1.88%的平均增长率做出贡献。中亚预计将表现出更温和的增长，由乌兹别克斯坦（2.42%）的增长引领。

图1. 2032年各地区平均多维ECI增长预测。

图2. 2032年各国多维ECI增长预测。

拉丁美洲的经济增长预计平均为2.07%——由巴西（2.97%）、墨西哥（2.65%）和哥伦比亚（2.69%）领跑。在中美洲，巴拿马（1.70%）和哥斯达黎加（1.60%）预计将成为表现最佳者，反映出它们在传统贸易之外实现多元化的努力。

在非洲，撒哈拉和撒哈拉以南非洲呈现对比鲜明的情况。北非增长将由摩洛哥（2.82%）领跑，该国在某种程度上已过渡到制造业经济。撒哈拉以南非洲显示出更强劲的增长潜力，该地区为2.29%，由乌干达（3.18%）和南非（3.14%）作为表现最佳者领跑。

在欧洲，东欧预计在经济增长方面将超过西欧，平均增长率为1.95%，而西欧为1.20%。波斯尼亚和黑塞哥维那（2.59%）和塞尔维亚（2.28%）等国家似乎具有支持更高收入的经济复杂性水平。在西欧，葡萄牙（1.74%）和西班牙（1.70%）显示出最高的增长潜力。

FAQ

使用多维经济复杂性框架进行预测有什么好处？

虽然基于贸易的经济复杂性度量很有价值，但它们也有局限性。例如，高水平的经济复杂性（贸易ECI）有时反映的是一个国家融入全球价值链的程度，如斯洛伐克或墨西哥的情况，它们分别与德国和美国的制造业部门融合。¹²同样，地理上远离全球市场的国家可能表现出较低的贸易复杂性，因为它们更方便专注于自然资源出口（如澳大利亚、智利）。关于专利、研究论文和软件的细粒度数据可以克服其中一些局限性，因为这些经济产出形式较少受地理距离的限制。通过在多维方法中整合多个数据源，我们可以更准确地估计一个经济体的增长潜力。

您使用什么方法来预测增长？

我们遵循Stojkoski等人（2023）¹¹的方法，包括计算三个独立的经济复杂性指标：使用出口数据的贸易ECI、使用专利申请数据的技术ECI和使用研究出版物数据的研究ECI，并将它们作为解释年化人均GDP增长（2021年购买力平价美元）回归的解释变量。我们纳入初始人均GDP以考虑经济收敛，并纳入时期固定效应以捕捉这些十年中影响增长的全球因素。经过模型选择步骤，我们发现仅包含贸易ECI和技术ECI的模型在解释长期经济增长方面表现最佳（部分作为替代品，因为它们之间呈现负交互项）。我们称此模型为最终多维模型。我们使用跨越两个11年期间（1999-2010和2010-2021）的数据校准此模型，然后使用2021年数据创建基线，从中预测到2032年的年增长率（假设全球条件将保持与2010年估计的固定效应相似）。

与贸易ECI预测相比，多维ECI预测的准确性提高了多少？

在表2中，我们展示了多维经济复杂性回归模型的结果。我们发现，最佳的多维经济复杂性模型（包括贸易ECI、技术ECI及其交互项）在解释国际经济增长差异方面比仅基于贸易复杂性的模型好近4个百分点。即，最终多维ECI模型的调整后R平方（模型性能度量）为0.306（表2第9列），而贸易ECI模型为0.268（表2第2列）。

表2. 多维经济复杂性经济增长回归结果。

但多维模型与贸易ECI模型之间的差异不仅仅在于预测性能。

以中国为例。在比较多维ECI预测与仅基于贸易数据的预测时，中国是一个显著一致性的案例。其增长预测在两个模型之间几乎保持不变，贸易模型为2.91%，多维模型为2.93%。这种稳定性反映了中国在其经济战略中贸易和技术的平衡整合。但在比较多维方法和仅贸易方法时，中国是例外而非常态。

图3. 多维ECI预测与贸易ECI预测之间的差异。

以乌干达和印度为例。一方面，乌干达在基于贸易的模型中以3.99%的预测增长率成为表现最佳者，但在多维模型中该数字下降到3.18%。这一下降凸显了乌干达相对较低的技术复杂性，表明仅靠强劲的贸易活动可能不足以维持更高的长期增长。另一方面，印度显示出相反的趋势。虽然其基于贸易的预测已经很强劲，为3.65%，但在多维模型中攀升至4.20%，使其成为全球领导者。这一增长强调了印度技术进步在提升其整体经济潜力方面的关键作用。

还要考虑澳大利亚和德国，它们进一步说明了多维方法如何显著改变增长预测。澳大利亚的预测增长率大幅提高，从贸易模型的-0.54%上升到多维模型的正1.02%，这是由其对技术创新的强烈重视所推动的。相反，德国的增长潜力从贸易模型的1.82%下降到多维模型的1.19%，表明虽然德国在贸易方面表现出色，但其专利组合可能不如其贸易表现所显示的那样先进。这些例子强调了纳入多个经济活动维度以获得对未来增长潜力更准确和细致理解的重要性。

但即使多维方法也并非没有局限性。即，虽然我们的方法在突出结构性增长潜力方面表现出色，但重要的是要认识到它没有考虑通货膨胀、疫情或冲突等短期干扰。这些因素虽然在短期内有影响，但通常是暂时的，往往会随着时间的推移而平衡。由于我们的分析不包含这些干扰，在发生重大事件（如战争）的情况下，估计可能与当前现实有所不同。因此，虽然我们的方法提供了对长期增长潜力的稳健见解，但至关重要的是要考虑到外部因素可能导致与这些预测的偏差。

总之，经济复杂性的多维方法为政策制定者提供了预测未来增长的强大工具。通过整合经济复杂性的关键方面，我们可以更好地识别到2032年经济发展的驱动因素，确保战略与日益复杂的全球经济中各国的长期韧性和增长潜力保持一致。

与基于其他复杂度指标的模型相比，ECI模型的表现如何？

我们将基线贸易ECI模型的性能与使用另一种出口复杂度度量（称为EXPY）的模型进行了比较。EXPY指标本质上是出口相似商品组合的国家的平均人均收入。

我们的研究结果表明，ECI模型在解释经济增长方面明显更好（如表3第2列所示），而EXPY的对数则没有表现出相同的解释力（如表3第3列所示）。当两个度量都包含在组合模型中时，ECI明显优于EXPY的对数（表3第4列）。

这种差异的产生是因为EXPY与初始人均GDP的相关性更高——因为它是使用人均GDP数据构建的——这导致模型中EXPY与人均GDP之间存在高度多重共线性。因此，经济复杂性更擅长捕捉有关经济构成的信息，而这些信息尚未在其收入水平中体现（图4）。

表3. ECI和EXPY在解释经济增长方面的基线比较。

图4. 显示我们数据中贸易ECI、EXPY对数与人均GDP之间相关性的散点图。

这些结果对潜在的内生性问题是否稳健？

在Stojkoski等人¹¹中，我们尝试通过将每个国家的复杂性替换为其三个最相似的非邻国的平均复杂性来解决内生性问题。例如，日本与英国、德国和捷克有相似的出口结构。这种方法为我们提供了一个不受日本独特因素（如语言、文化或历史）影响但仍与日本生产结构密切相关的度量。虽然这不是一个完美的识别策略，但它有助于测试这些发现的稳健性。当使用相似非邻国的复杂性时，多维经济复杂性增长模型保持一致，表明结果可能由与出口、技术和研究构成相关的方面驱动。有关这种方法的更多信息可以在Stojkoski等人¹¹中找到，我们在其中更详细地讨论了这些方法及其含义。

参考文献

Hidalgo, C. A. & Hausmann, R. The building blocks of economic complexity. Proceedings of the national academy of sciences 106, 10570–10575 (2009).
Hausmann, R., Hidalgo, C. A., Bustos, S., Coscia, M. & Simoes, A. The Atlas of Economic Complexity: Mapping Paths to Prosperity. (Mit Press, 2014).
Chávez, J. C., Mosqueda, M. T. & Gómez-Zaldívar, M. Economic complexity and regional growth performance: Evidence from the Mexican Economy. Review of Regional Studies 47, 201–219 (2017).
Domini, G. Patterns of specialization and economic complexity through the lens of universal exhibitions, 1855-1900. Explorations in Economic History 83, 101421 (2022).
Koch, P. Economic Complexity and Growth: Can value-added exports better explain the link? Economics Letters 198, 109682 (2021).
Ourens, G. Can the Method of Reflections help predict future growth? Documento de Trabajo/FCS-DE; 17/12 (2012).
Stojkoski, V. & Kocarev, L. The relationship between growth and economic complexity: evidence from Southeastern and Central Europe. (2017).
Stojkoski, V., Utkovski, Z. & Kocarev, L. The impact of services on economic complexity: Service sophistication as route for economic growth. PloS one 11, e0161633 (2016).
Tacchella, A., Cristelli, M., Caldarelli, G., Gabrielli, A. & Pietronero, L. A new metrics for countries’ fitness and products’ complexity. Scientific reports 2, 1–7 (2012).
Cristelli, M., Gabrielli, A., Tacchella, A., Caldarelli, G. & Pietronero, L. Measuring the intangibles: A metrics for the economic complexity of countries and products. PloS one 8, e70726 (2013).
Stojkoski, V., Koch, P. & Hidalgo, C. A. Multidimensional economic complexity and inclusive green growth. Communications Earth & Environment 4, 130 (2023).
Salinas, G. & Muñoz, S. Proximity and Horizontal Policies: The Backbone of Export Diversification and Complexity. IMF Working Papers 2021, (2021).
Hausmann, R., Hwang, J. & Rodrik, D. What you export matters. Journal of economic growth 12, 1–25 (2007).