Drd. Camelia BARABAŞ Academia de Studii Economice din ...
Transcript of Drd. Camelia BARABAŞ Academia de Studii Economice din ...
Drd. Camelia BARABAŞ
Academia de Studii Economice din Bucureşti
Program Doctoral Cibernetică şi Statistică
E-mail: [email protected]
ANALIZA DISPARITĂŢILOR REGIONALE DIN ROMÂNIA* 1
REGIONAL DISPARITIES ANALYSIS IN ROMANIA
Abstract. Lately, the concentration analysis presents an increased interest in
regional research, which can help illustrate the intensity of certain phenomena on
economic and social categories and which allows comparability of data between
identical or different phenomena, starting from the same or different number of units,
for the same year or different years, etc. This paper analyzes the development level of
regions in Romania. The aim of this paper is to classify the districts in Romania based
on their economic development. Also, the paper studies the disparities between
regions in Romania in order to conclude in which area/areas should be adopted
regional policies.
Keywords: cluster analysis, economic growth, regional disparities,
Gini/Struck coefficients.
JEL Classification: E32, R1, R12, R15
Introducere
Economia mondială în schimbare oferă atât oportunităţi, cât şi provocări.
Pentru a îmbunătăţi unele aspecte economice (inflaţie, şomaj, dezvoltarea
infrastructurii etc.) Uniunea Europeană promovează şi sprijină o serie de politici,
inclusiv politica de dezvoltare regională (sau coeziunea economică şi socială). Prin
măsurile şi instrumentele sale, politica de dezvoltare regională a UE face posibilă
dezvoltarea tuturor regiunilor, contribuind astfel la o uniune mai competitivă şi mai
echilibrată. (Constantin, 2007).
*Această lucrare a fost cofinanţată din Fondul Social European, prin Programul Operaţional
Sectorial Dezvoltarea Resurselor Umane 2007-2013, proiect numărul
POSDRU/159/1.5/S/138907„Excelenţă în Cercetarea Ştiinţifică, Interdisciplinară, Doctorală şi
Postdoctorală, în Domeniile Economic, Social şi Medical - EXCELIS”, coordonator Academia
de Studii Economice din Bucureşti”
Camelia Barabaş
Metodele şi tehnicile de analiza a datelor reprezintă instrumentul cel mai
adecvat pentru identificarea structurilor cauzale şi de a obţine reprezentări simplificate
a unor informaţii extrem de complexe. Rolul analizei datelor este de a procesa şi a
filtra informaţiile cuprinse în datele studiate, cu scopul de a captura esenta sau extrage
informaţiile cuprinse în date şi de a evidenţia esenţa informaţiilor într-o formă de
reprezentare uşor de înţeles, sugestiva şi simplificata.
Scopul principal al analizei este de a determina caracteristicile definitorii ale
judeţelor din România şi de a le clasifica în funcţie de performanţele lor economice,
dar şi de a analiza disparităţile în cele opt regiuni de dezvoltare din România în anii
2007, 2009 şi 2012. Datele pe care vom efectua transformări sunt reprezentate de
informaţiile deţinute de aproximativ 41 de judeţe din România, plus
municipiulBucureşti, pentru fiecare dintre aceste judeţe luându-se în considerare cinci
indicatori macroeconomici, precum şi cele opt regiuni, fiecare dintre ele cuprinzând
mai multe judeţe.
Dezvoltarea regională este un nou concept care are ca scop stimularea şi
diversificarea activităţilor economice, stimularea investiţiilor în sectorul privat,
reducerea şomajului şi îmbunătăţirea nivelului de trai. Pentru a aplica politici de
dezvoltare regională au fost înfiinţate opt regiuni, numite după poziţia geografică din
ţară, acoperind întreg teritoriul României.
Principalele obiective ale politicii de dezvoltare regională include reducerea
disparităţilor regionale existente, prevenirea producerii de noi dezechilibre, criteriile
de integrare în structurile europene, stimularea cooperării inter-regionale, interne şi
internaţionale. (Ministerul Dezvoltarii Regionale, 2010).
Principalele domenii care pot fi vizate de politicile regionale sunt: dezvoltarea
întreprinderilor, piaţa forţei de muncă, atragerea investiţiilor, transferul de tehnologie,
dezvoltarea IMM-urilor, îmbunătăţirea infrastructurii, calitatea mediului, dezvoltarea
rurală, sănătate, educaţie, educaţie şi cultură.
În România obiectivul principal al politicii de dezvoltare regională este de a
reduce disparităţile economice şi sociale dintre regiuni şi în interiorul acestora,
dezvoltarea echilibrată a întregului teritoriu şi realizarea coeziunii cu structurile UE.
Această lucrare este organizată după cum urmează: secţiunea a doua prezintă
câteva studii anterioare, care includ cercetarea recenta a disparităţilor regionale,
analiza cluster şi analiza componentelor principale; partea a treia prezintă cadrul
metodologic; sectiunea a patra prezintă descrierea datelor; în partea a cincea
rezultatele empirice sunt discutate. În cele din urmă, lucrarea este completata de
concluziile privind rezultatele şi explicaţia fenomenului care a dus la aceste rezultate.
Literatura de specialitate
Conceptul de cluster fost propus pentru prima dată în 1990 de Michael Porter
de la Harvard Business School (Porter, 1990). Acesta a atras imediat atenţia
guvernelor, consultanţilor şi cadrelor universitare. Clusterele sunt considerate
importante pentru economiile regionale, deoarece acestea creează creştere economică
Analiza disparităţilor regionale din România
regională şi avantaje competitive. Mai mult decât atât, clusterele atrag forme
specializate de muncă, creează industriile complementare şi permit întreprinderilor
mici să concureze în economii de scară prin reducerea costurilor de afaceri.
Două cărţi scrise de Fisher şi Cole şi o a treia carte scrisă de (Anderson, 1973)
sunt o bibliografie vastă de analiză statistică multi-variată. (Fisher,1969) dezvoltă o
teorie de clustering şi agregare şi o aplică tipurilor de bază de probleme economice.
(Cole, 1969) prezintă o colecţie de lucrări prezentate la un colocviu în Taxonomia
Numerica, care descriu evoluţia şi aplicaţiile unor astfel de metode.
Potrivit lui (Jolliffe, 2002), este general acceptat faptul că analiza
componentelor principale a fost descrisa pentru prima data de Karl Pearson în 1901. În
articolul său " On lines and planes of closest fit to systems of points în space" Pearson
discută reprezentarea grafică a datelor şi liniilor care reprezintă cel mai bine datele. El
afirmă, de asemenea, că analiza utilizată în lucrarea sa poate fi aplicata mai multor
variabile.
(Shlens, 2005) oferă o imagine de ansamblu cu privire la modul de a efectua o
analiză a componentelor principale. Coeficientul Gini este o măsura a dispersiei
statistice utilizate în special pentru a reprezenta distribuţia venitului. Coeficientul Gini
a fost inventat de statisticianul italian Corrado Gini şi publicat în 1912 în cartea sa
intitulată "Variabilitatea şi mutabilitate”.
(Kurian, 2000) evaluează disparităţile în ceea ce priveşte indicatorii
demografici, de alfabetizare, produse de stat domestic şi de sărăcie, de investiţii şi de
dezvoltarea infrastructurii. (Shlens, 2005) evaluează evoluţia disparităţilor regionale
din China. Pe baza acestei evaluări, lucrarea sa prezintă liniile generale ale unei
strategii de armonizare a creşterii economice. Ei consideră trei elemente ale acestei
strategii: de infrastructură, investiţii şi protecţie socială, precum şi reforma
guvernanţei. Politicile specifice în cadrul acestei strategii sunt apoi discutate în lumina
experienţei internaţionale.
(Shenggen Fana, 2011) a efectuat o analiză econometrică pentru a stabili
relaţia dintre politicile economice şi modelele de inegalitate regională observate până
în anul 2000.
Cadrul metodologic
Analiza componentelor principale
Analiza componentelor principale este o tehnică de analiză a datelor, care are
scopul de a descompune variabilitatea totală în spaţiul cauzal iniţial ca un număr mic
de componente, fără ca acesta să conţină informaţii redundante. Aceste noi
componente sunt construite pentru a fi necorelate între ele, fiecare fiind o combinaţie
liniară a variabilelor originale.
Standardizare
Operaţia de standardizare a valorilor unei variabile constă în substituirea
valorilor ale fiecărei operaţiuni cu o nouă valoare care reprezintă raportul dintre
centrul acestei operaţiuni şi deviaţia standard a variabile respective.
Camelia Barabaş
unde este media variabilei i, iar este abaterea standard a variabilei .
Analiza Cluster
Clusterizarea se poate realiza prin mai multe metode, ele fiind utilizate pentru
a crea grupuri, pentru a măsura distanţele dintre puncte. În analiza cluster o problemă
importantă este necesitatea de a evalua distanţele dintre grupuri şi diferite metode pot
fi utilizate, cum ar fi metoda celui mai apropiat vecin.
În această lucrare am ales metoda de clusterizare WARD care evaluează
distanţa dintre două clustere bazată pe maximizarea gradului de omogenitate a
clusterelor, sau cu alte cuvinte, minimizând variabilitatea intracluster.
Coeficientul Gini/Struck
Coeficientul Gini este o măsură a dispersiei statistice utilizate în principal
pentru a reprezenta disparităţile în distribuţia de venit. Acesta este definit ca raportul
dintre valoarea cuprinsă între 0 şi 1 - reprezentat în procente se numeşte indicele Gini.
Dacă coeficientul Gini depăşeşte 0,3 se poate spune că există o anumită concentraţie,
iar dacă depăşeşte 0,5 concentraţia este importantă. Cu cât concentraţia este mai mare,
golurile sunt mai mari şi invers.
Pentru a calcula coeficientul Gini, se stabileşte lungimea vectorului j,
folosind următoarea formulă:
=>diversificare maximă;
=> concentrare maximă;
Coeficientul Struck este coeficientul Gini corectat şi are următoarea formulă:
Analiza descriptivă a datelor
Datele asupra cărora se efectuează transformări sunt reprezentate de informaţii
deţinute despre cele 41 de judeţe al României, plus municipiul Bucureşti, pentru
fiecare din aceste judeţe avându-se în vedere 5 indicatori macroeconomici. Scopul
Analiza disparităţilor regionale din România
final al acestei analize este acela de a stabili caracteristicile definitorii ale câtorva
judeţe din România şi de a le clasifica în funcţie de performanţa lor economică.
Cele 5 caracteristici ale fiecărui judeţ sunt: PIB-valoarea PIB exprimată în
mil.RON; EMPRATE-rata ocuparii forţei de muncă; SAL-slariul exprimat în lei RON;
POP- populaţia exprimată în numărul de persoane; EXPUNEMP- cheltuielile cu
şomajul exprimate în lei RON.
Variabila PIB
Figura 1. Statistice descriptive pentru PIB
Sursă: Calcul propriu al autorului
Media variabilei PIB pentru cele 42 de judeţe este 7688.971 mil.
RON;
Abaterea standard a variabilei PIB este 10321.20;
Coeficientul de asimetrie (skewness) este 5.5, deci avem o repartiţie
asimetrică la dreapta.
Coeficientul de aplatizare (kurtosis) arată că avem o repartiţie
leptocurtică.
Variabila EMPRATE- rata ocupării forţei de muncă
Media variabilei pentru cele 42 de judeţe este 61.9%.
Abaterea standard a variabilei rata ocupării forţei de muncă este
7.7;
Coeficientul de asimetrie (skewness) este 0.5, deci avem o repartiţie
usor asimetrica la dreapta.
Coeficientul de aplatizare (kurtosis) arată că avem o repartiţie
usor platicurtică.
Camelia Barabaş
2012
Valori extreme Salariu- Judeţete cu cel mai mare salariu în anul
2012 sunt Cluj, Timiş, Ilfov, Gorj, Bucureţti; Constanţa şi Prahova au fost inlocuite
de Cluj şi Timis. Judeţele cu cel mai mic salariu sunt Covasna, Harghita, Vaslui,
Neamt, Botosani. În acest caz Satu Mare, Bihor şi Maramures au fost înlocuite.
Valori extreme Populaţie- Judeţele cu cea mai mare populaţie sunt
Constanţa, Bacău, Prahova, Iasi, Bucuresti; judeţele cu cea mai mică populaţie sunt
Covasna, Sălaj, Tulcea, Giurgiu, Ialomiţa.
Valori extreme Populaţia- Judeţele cu cea mai mare populaţie sunt
Constanţa, Bacau, Prahova, Iasi, Bucuresti; judeţele cu cea mai mică populatie sunt
Covasna, Salaj, Tulcea, Giurgiu, Ialomiţa.
Valori extreme ale variabilei EXPUNEMP-cheltuieli cu şomajul- Judeţele cu cele mai mare cheltuieli cu şomajul sunt Alba, Prahova, Hunedoara,
Brasov, Bucuresti; judeţele cu cele mai mici cheltuieli cu şomajul sunt Ilfov, Calarasi,
Vrancea, Giurgiu, Braila.
Valori extreme ale variabilei EXPUNEMP-cheltuieli cu şomajul- Judelete cu cele mai mari cheltuieli cu şomajul sunt Constanţa, Hunedoara, Cluj,
Prahova, Bucuresti; Prahova şi Bucuresti raman în top; restul au fost inlouite; judeţele
cu cele mai mici cheltuieli cu şomajul sunt Ilfov, Calarasi, Satu Mare, Giurgiu,
Covasna. Vrancea şi Braila au fost inlocuite de Satu Mare şi Covasna.
Rezultate
Matricea de corelaţie
Matricea de corelaţie este o matrice importantă în contextul multor metode şi
tehnici de analiză a datelor. Pentru a vedea dacă indicatorii calculaţi sunt independenţi
sau nu, vom analiza matricea coeficienţilor de corelaţie. Matricea de corelaţii este
simetrică şi descrie legăturile dintre variabilele iniţiale şi determină componentele
principale.
Identificăm în matrice coeficienţii de corelaţie mari. De exemplu, în anul
2007, intre populaţie şi PIB se observă o corelaţie de 0.917, intre salariu şi PIB e o
corelaţie de 0.718.
Figura 2. Matricea de corelaţie în anul 2007
Sursă: Calcul propriu al autorului
În anul 2009 valorile coeficienţilor de corelaţie dintre variabile rămân
aproximativ aceiaşi, variaţia fiind de maxim +/- 10 procente. Pentru anul 2012,
Analiza disparităţilor regionale din România
observam o crestere semnificativa a corelaţiei dintre PIB şi cheltuielile cu şomajul şi
intre populatie şi cheltuielile cu şomajul.
Figura 3. Matricea de corelaţie în anul 2012
Sursă: Calcul propriu al autorului
Vectorii şi valorile proprii Cum componentele principale sunt combinatii liniare de variabile originale, le
putem privi sub forma unui vector de forma:
, unde , sunt
variabilele originale şi ponderile din tabelul de mai jos.
Figura 4. Vectorii şi valorile proprii
Sursă: Calcul propriu al autorului
Vectorii proprii sunt combinaţii liniare ale variabilelor originale. Ei ne spun
despre relaţia dintre variabilele originale şi factori.
Componenta principală 1 se scrie:
Camelia Barabaş
Componenta principală 2 se scrie:
Componenta principală 3 se scrie:
Componenta principală 4 se scrie:
Componenta principală 5 se scrie:
Calculam valorile proprii ce ne arată cantitatea de informaţie extrasă de
fiecare componentă principală:
în spaţiul indivizilor;
în spaţiul variabilelor,
unde este componenta principala de ordin k şi valoarea proprie
corespunzatoare acesteia.
În Figura de mai sus, prima coloană sunt valorile proprii ce exprima varianta
explicată prin fiecare nouă componenta principală şi corelaţia dintre noua variabilă
şi variabilele vechi. A doua coloană reprezintă diferenta dintre 2 componente
consecutive. în a treia coloană a tabelului este exprimat procentul din inerţia totală a
norului de puncte reţinut pe fiecare axă. în a patra coloana este exprimat procentul
cumulativ al componente dinainte.
Deoarece prima valoare proprie este mai mare decât 1 (Criteriul Kaiser),
putem spune că avem 1 componente principale care sintetizează din punct de vedere
informaţional toate cele 5 variabile originale. Astfel prin intermediul primei
componente principale se asigura conservarea a 65% din varianta totală.
Varianta celei de-a două componente principale este egală cu valoarea proprie
0.85 şi reţine 17% din varianta totală; cea de-a treia reţine 10% iar cumulativ cu
primele 2 reţine 92%.
2009
În figura de mai jos avem rezultatele pentru anul 2009. Deoarece prima
valoare proprie este mai mare decât 1 (Criteriul Kaiser), putem spune că avem 1
componente principale care sintetizează din punct de vedere informaţional toate cele 5
variabile originale. Astfel prin intermediul primei componente principale se asigura
conservarea a 67% din varianta totală.
Analiza disparităţilor regionale din România
Varianţa celei de-a două componente principale este egală cu valoarea proprie
0.76 şi reţine 15% din varianta totală; cea de-a treia reţine 10% iar cumulativ cu
primele 2 reţine 93%.
Figura 5. Vectorii şi valorile proprii
Sursă: Calcul propriu al autorului
Analiza Cluster Folosim analiza cluster pentru a clasifica cele 41 de judeţe din România, plus
Bucuresti în trei clase. Rezultatele procedurii sunt urmatoarele:
Figura 6. Clasificarea Judeţelor din România
Sursă: Calcul propriu al autorului
Camelia Barabaş
Rezultatele de mai sus furnizează informaţii referitoare la soluţia de
clustering. Figura de mai sus arată ultimele 41 de generaţii de clasificare istorie; de
exemplu, clusterul 23 este format prin fuzionarea grupurilor OB3 şi OB42. Pentru a
determina numărul de clustere, un indicator util este SPRSQ pentru că trebuie să se
oprească atunci când creşte valoarea acestuia brusc. Aceste informaţii indică faptul că
în cazul nostru numărul de clustere este 3. Alte criterii utile în determinarea
numărului de clustere sunt pseudof, criteriul de clasificare cubic ( CCC ) şi statistica t
pătrat ( PST2 ). Ultima coloană din acest tabel arată relaţia dintre distanţele minime,
precum şi faptul că această coloană este necompletat arată că nu există o astfel de
legătură.
Figura 7. Istoria clasificării
Sursă: Calcul propriu al autorului
Observăm în figura de mai sus că obiectele au fost clasificate în 3 clustere, aşa
cum am specificat. Astfel, obiectul OB33-Municipiul Bucuresti a fost clasificat ca
Analiza disparităţilor regionale din România
aparţinând clusterului 3. Cea de-a doua clasa conţine următoarele judeţe: OB25
(Arges), OB34 (Dolj), OB13 (Bacau) şi OB22 (Galati), 21-Constanţa, 7-Alba, 41-
Hunedoara, 3-Cluj, 42-Timis.
Putem numi astfel clusterul 2 ca fiind cel ce conţine obiecte (judeţe) stabile
din punct de vedere economic, iar clusterul 1 ce contine restul judeţelor mai puţin
stabile.
În 2009, următoarele judeţe fac parte din al doilea grup : 19 - Braila, 29 -
Ialomiţa, 37 - Olt, 27 de Dambovita, 2 - Bistrita - Nasaud, 40 - Caras Severin, 23 -
Tulcea, 26 - Călăraşi, 5- Satu Mare, 31 - Teleorman, 24 - Vrancea, 14 - Botosani, 20 -
Buzau, 6- Salaj, 28 - Giurgiu, 10 - Harghita, 4- Maramures, 9 - Covasna, 36 -
Mehedinti. Bucuresti este clasificat în al treilea cluster.
2012
În 2009 următoarele judeţe fac parte din al doilea grup: 27 - Dambovita, 37 -
Olt, 4- Maramures, 20 - Buzau, 8 - Brasov, 25 de Arges, 16 - Neamt, 18 - Vaslui, 13 -
Bacau, 22 -Galati, 21 - Constanţa, 34 - Dolj, 17 - Suceava, 3 - Cluj, 42 - Timis, 15-
Iasi, 30 - Prahova, 35 - Gorj şi 32 de Ilfov.
Analiza disparităţilor regionale
Analiza disparităţilor se face cu calcularea Gini şi coeficienţii a lovit pentru
următorii indicatori: PIB, EMPRATE - rata ocupării forţei de muncă ; Salariul mediu;
populaţie, EXPUNEMP - cheltuielile cu şomajul.
Importanţa resurselor de muncă în economie
Este bine cunoscut faptul că rolul factorului uman în realizarea progresului
economic este destul de important. Motivul este că oamenii sunt factori decisivi în
influenţarea rezultatului economic.
Am observat că rata ocupării forţei de muncă este cea mai mare în regiunea de
dezvoltare Bucureşti - Ilfov ( 16 % din total ). În schimb, cea mai mică rată de ocupare
a forţei de muncă se înregistrează în regiunea Nord-Est ( 10 % ), în apropiere de
regiunea de Sud-Est ( 11 % ).
Că cea mai mare populaţie se află în regiunea de Nord-Est ( 17 % ). În
schimb, cea mai mică populaţie înregistrată în regiunea de vest de dezvoltare ( 9 % ),
în apropiere de regiunea de dezvoltare Sud -Vest ( 10 % )
Concentrarea resurselor de muncă
a) Concentrarea ratei ocupării forţei de muncă
Putem spune ca nu exista nicio concentrare a ratei ocupării forţei de muncă,
deoarece CG<0.3 în cele opt regiuni.
Camelia Barabaş
Figura 8. Concentrarea ratei ocupării forţei de muncă
Sursă: Calcul propriu al autorului
b) Concentrarea populaţiei
Prin analiza figurii 9, putem spune că nu există nici o concentrare a ratei de
ocupare ( CG < 0,3 ), în cele opt regiuni de dezvoltare.
Figura 9. Concentrarea populaţiei
Sursă: Calcul propriu al autorului
c) Concentrarea potentialului economic
Pentru a evalua concentrarea potenţialului economic la nivel regional s-au folosit
următorii indicatori: PIB-ul şi salariul. Am obţinut următoarele rezultate pentru
Gini / Struck coeficienţii :
Concentrare relativ scăzută a PIB-ului (coeficientul Gini este 0.206, iar
coeficientul este 0,152 în 2012 ) ; observăm că operaţiunea de concentrare a
crescut faţă de anul 2007.
Analiza disparităţilor regionale din România
Concluzii
Pe baza acestei analize efectuate asupra judeţelor şi regiunilor de dezvoltare
din România am putut determina care sunt judeţele cele mai dezvoltate şi cele cu cea
mai mica performanţa economică. Bucureşti a fost clasificat singur în al treilea grup în
toti cei trei ani de analiză 2007, 2009 şi 2012. De asemenea, am văzut câte judeţe au
migrat în clasa cu performanţa economică scăzută de la un an la altul. Dacă în 2007
am avut zece judeţe clasificate în al doilea grup al celor mai puternice judeţe
economice, în 2012 numărul acestora a crescut la 19.
Cu ajutorul Analizei Componentelor Principale am descompus variabilitatea
totală a spaţiului cauzal iniţial într-un număr mic de componente, fără ca aceasta
formula să conţină informaţii redundante. Astfel am demonstrat că modelul format din
cele cinci variabile originale poate fi scris cu un numar mai mic de componente
principale care păstrează aproximativ 70% din varianţa totală în cei trei ani de analiză.
Am făcut de asemenea, o evaluare a existenţei unei concentrări regionale la
nivelul celor patru indicatori macroeconomici: PIB-ul, salariul, rata ocupării forţei de
muncă şi a populaţiei. Pentru a analiza disparităţile în cele opt regiuni de dezvoltare
din România în anii 2007, 2009 şi 2012 am calculat doi coeficienţi de concentrare,
Gini Struck pentru cei patru indicatori. În ceea ce priveşte primul domeniu, resursele
de muncă, am obţinut că nu există nici o concentrare regională a ratei de populaţie sau
de muncă
Al doilea domeniu, potenţialul economic prezintă un nivel scăzut de
concentrare a PIB-ului, acesta fiind atribuit regiunii Bucureşti-Ilfov. Pentru salariu am
obţinut că gradul de concentrare este nesemnificativ. În general am observat o uşoară
creştere a concentraţiei în 2007-2012 pentru toţi indicatorii analizaţi.
În ceea ce priveşte direcţiile viitoare de cercetare, intenţia este de a creşte
numărul de domenii şi indicatori analizaţi în termeni de concentraţie regionala. De
asemenea, de a face analiza pentru statele membre ale UE şi de a încerca o selecţie de
ţări cu scopul de a construi regiuni uniforme. Ar fi interesant sa calculam dependenţa
unui judeţ de o anumita industrie.
BIBLIOGRAFIE
[1] Anderson, M. R. (1973), Cluster Analysis for Applications. London: Academic
Press;
[2] Cole, A. (1969), Numerical Taxonomy. London: Academic Press;
[3] Constantin, D. L. (2007), Socio-economic Cohesion and the Regional Policy.
ASE Bucharest;
[4] Fisher, W.D. (1969), Clustering and Aggregation in Economics. Baltimore.
John Hopkins;
[5] Gini, C. (1912), Variability and Mutability. C. Cuppini, Bologna;
Camelia Barabaş
[6] Jaba E., Balan C., Roman M., Viorica D., Roman, M. (2008), Employment
Rate Prognosis on the Basis of the Development Environment Trend Displayed by
Years-Clusters; Economic Computation and Economic Cybernetics Studies and
Research, vol. 42, nr. 3-4;
[7] Jolliffe, I. (2002), Principal Component Analysis. Springer Series în Statistics;
[8]Kurian, N. J. (2000), Widening Regional Disparities in India: Some Indicators
Economic and Political Weekly. Vol. 35, no. 7, Pp. 538-550;
[9] Porter, M. (1990), The Competitive Advantage of Nations, The Free Press, New
York;
[10] Shenggen Fan, Ravi. K., Xiaobo, Z. (2011), China’s regional disparities:
Experience and policy. Review of Development Finance, vol. 1, issue 1, pp.
47-56;
[11] Shlens, J. (2005), A Tutorial on Principal Component Analysis;
http://www.snl.salk.edu/˜shlens/pub/notes/pca.pdf
[12] *** Ministerul Dezvoltarii Regionale, (2010), Politica de dezvoltare
regionala - concepte. Preluat pe October 2014, de pe
http://www.mdrt.ro/dezvoltare-regionala/politica-de-dezvoltare-regionala.