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”

mailto:[email protected]

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


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


În anul 2009 valorile coeficienţilor de corelaţie dintre variabile rămân

aproximativ aceiaşi, variaţia fiind de maxim +/- 10 procente. Pentru anul 2012,


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


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


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





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.


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


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


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


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


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


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


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.


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.

http://www.mdrt.ro/dezvoltare-regionala/politica-de-dezvoltare-regionala

Documents

Drd. Camelia BARABAŞ Academia de Studii Economice din