英语原文共 23 页，剩余内容已隐藏，支付完成后下载完整资料
对罗马尼亚各区域经济发展的评价
摘要
本文的主要目的是确定现有资源和发展水平引起的区域概况差异。该文为当地资源的区域发展政策提供了可靠的信息。
该研究使用1990年后宏观经济统计数据的多元统计分析。研究结果指出以下结论：
- 地方资源在区域一级用于较小程度;
- 资源与经济发展水平之间的相互关系突出表明有必要采取更好地利用现有资源的发展政策。
关键词：经济发展，区域，概况，罗马尼亚，多变量分析
1.引言
区域经济发展是目前欧洲和全球层面的一个关键问题。出现的主要问题是经济活动的吸引力和经济巩固（有些地区面临转型，转型等问题）（VARGA和SCHALK 2004）。建立区域经济概况意味着要考虑一系列指标，不仅包括经济指标，还包括社会经济指标（CHIH-KAI，2008）。一个重要的角色是服务的需求，关键点是无障碍。建立区域剖面的重要性对于诊断地方当局的干预是至关重要的（GOSCHIN等，2008）。
区域经济发展的特点是强调各县及其发展前景的特殊性，观察有关地区之间的差异，并提供资源分配的因素，并作出正确的决定以减少这些差异（“公约” TREMBLA Y，2009; ARNTZ和WILKE，2009）。统计可靠性和指标的相关性是根据领土的经济现实实现特征描述的关键要素（SERBAN等人，2008;）。
本研究旨在通过多元统计方法来确定罗马尼亚社会经济发展的区域概况，以综合这一概念的许多方面。
2.变量和方法
最初，使用了从罗马尼亚国家统计局数据库提取的25个变量。这些变量列于表1。
本文中使用的统计方法是：主成分分析（PCA） - 用于数据的初步分析;集群分析 - 根据经济发展特征识别罗马尼亚各县的同质集群;判别分析 - 验证通过聚类分析获得的解。
数据在县一级记录，参考是2005年。数据来源是2006年罗马尼亚统计年鉴。使用SPSS软件进行统计数据处理。
3.结果
3.1 使用PCA的初步数据分析
主成分分析（PCA）由数据集维数（42个县的25个特征）证明，所有25个变量是定量连续的。使用PCA，通过从原始变量创建主成分来减少数据的维数（SCHOTT，2006）。
在本研究的上下文中，使用主成分分析来探索原始数据集，并选择用于确定罗马尼亚经济发展区域概况的适当变量。
为了验证因子分析的数据的充分性，Barlett的球形度检验（以测试零假设，即相关矩阵中的变量群体是不相关的），并且使用Kaiser-Meyer-Olkin的指标MSA（采样充足度的度量）（以评估每个变量可以通过所有其他变量预测的程度）。
通过SPSS数据处理获得的结果显示在表2中。与Barlett球形度试验相关的显着性水平Sig0.000更小，大于0.05（常规值），这意味着变量的非相关的零假设被拒绝。因此，可以得出结论，考虑的变量对于PCA是足够的。 KMO的指标MSA（0.798）的值大于0.5，非常接近于0.8，也表明所考虑的数据对因子分析的适用性（RICHARME，2001）。
所考虑的分析的变量的充分性的另一个指标是反图像相关矩阵。矩阵的主对角线的每个值显示相应项目的采样充分性（MSA）的测量。在我们的例子中，以下变量：工业占用人口的百分比，小学和中学教育的放弃率和使用旅游者住宿能力的净指标的函数具有的MSA值小于0.5。这些变量将被排除在进一步分析之外，因为结果表明它们是看起来不与其他变量的结构相关的变量。
提取共有性，即因子解决方案中的成分所占的每个变量的方差的估计，也可能暗示不适合的变量。在本研究的背景下，小学和中学教育的变量抛弃率和函数中旅游住宿能力的净使用指数具有这些估计值的0.5以下，不应该保留在进一步分析中，因为它们不适合以及与因子解决方案。从分析中消除3个变量（与其他变量的结构不相关）导致Kaiser-Meyer-Olkin的抽样适当性测度从0.767增加到0.846，保留的变量更适合于因子分析。主成分的解释力也提高了84.139％，方差解释为前两个轴从总方差的84.139％增加到67.208％。
图1：变量在前两个因子轴上的位置
在变量在前两个因子轴（图1）上的位置的图形表示中，可以注意到，第一个轴一方面反映描述农村人口百分比和农业占农业人口百分比的变量 ，另一方面，表示基础设施和经济结果发展的变量（JABA等，2007）。
图2：轴旋转后变量在前两个因子轴上的位置
由于一些变量呈现相关系数与在两个轴上具有可比值的因子轴，为了更好地解释PCA结果，还使用SPSS软件中提供的使用Direct Oblim方法的倾斜旋转产生旋转的解。
轴旋转后，变量与两个轴的相关性更好，主成分更容易观察：发展的潜力（第一轴）和资源的质量（第二轴）。
对轴转动前后获得的因子图的分析（图2）表明，在各县的经济发展和可用资源方面，区域概况有所不同。
前两个因子轴平面中的县的图形表示（图3）突出了离群值（布加勒斯特）的存在。 由于与其他行政 - 领土单位相比，该国首都呈现出非常不同的经济发展特征，因此需要对这些特征进行单独分析，并且不包括在进一步分析中。
图3：轴旋转后前两个阶乘轴上的县的图形表示
3.2 聚类分析的结果
聚类分析用于根据其经济发展来确定县的同质群体。
该分析通过根据现有资源和发展水平确定县的同质聚类，以便优化经济政策的决策，以图形方式呈现经济发展的区域概况（DEL CAMPO等，2008）。
由于研究人群的规模相当小（在消除异常值后n = 41个县），采用分级分类方法，并且使用经常用作间隔数据的不相似性度量的欧几里德距离测量的平方。
在应用SPSS中可用的分层分类方法之后，注意到以下方法群内联系，完全联系（Fontinhest neighbor）和沃德方法根据考虑的变量聚集最清楚的县，并产生最紧凑和平衡簇（JABA等，2008）。
为了建立最佳数量的聚类，没有预先确定的标准，但有关这个问题的有用信息可以从树形图和系数聚集时间表中淹没，显示县在每个阶段组合的方式分析。
通过独立分析三种方法的树状图和系数聚集时间表，确定了三种可能的解决方案，每种解决方案将5个簇中的县分组（最佳解在第6节中更详细地呈现）。
3.3判别分析（DA）
判别分析允许识别和描述各县之间的显着差异。
使用判别分析（VAUGHN和WANG，2008）以找出解决方案，其中获得在各县群之间提供最佳区分的预测变量的组合。
在我们的研究中，判别变量（预测变量）被认为是PCA选择的22个独立变量，分组变量，即受分类的变量，被认为是通过聚类分析获得的聚类成员。
组之间的显着差异由判别函数，不相关预测变量的线性组合来识别：Db1X1 b2X2 ...bpXp c其中D =判别函数; Xj =区分变异的向量; j = 1，p; bj =判别系数; c =常数。
使用判别分析意味着以下假设：
预测变量具有正态多变量分布（多变量分布的正态性），方差在组之间是相等的（同方差性），并且预测变量不完全相关（缺乏多重共线性）。
为了测试SPSS中的预测变量正态性，使用了Kolmogorov-Smirnov检验，文献中的例子非常多（D#39;ALIMONTE和CORNFORD，2008; SOLOMONOFF，2008），以及用于检验方差齐性的Levene检验。
测试结果一般显示假设的验证，正态性和均匀性假设几乎没有例外。判别分析相对稳健，即使违反正态性和同质性假设（LACHENBRUCH，1975）。根据该声明，可以应用判别分析而不影响基于其结果而淹没的结论。
表3示出了通过针对3个簇解决方案中的每一个的判别分析而正确分类的县的百分比。因此，在我们的研究中，对于所有3个解决方案，判别函数正确分类100％的总案例，即所有41个县。如果通过为辨别函数计算的分类分数将其分配给它真正属于的组，则情况被正确地分类。
原始分类的结果提供了过度乐观的估计。交叉验证可以解决这个问题，因为分析中的每种情况都是通过从除该情况之外的所有情况导出的函数来分类的。
交叉验证是用于通过估计误差率来评估分类规则的方法（LACHENBRUCH和MICKEY，1968）。
交叉验证的结果强调，完全链接方法正确分类生成最小错误率（22％）的最高数量的案例（78％，即41个县中的32个）。因此，该方法是根据分析的变量对县进行分组的最优解。
4.县级集体
4.1罗马尼亚各县的分类
图4中呈现的树形图清楚地显示了5个主群集中的县的分组：
- 集群3分组最发达的县，并具有非常重要的研发活动（Timis-TM，Cluj-CJ，Iasi-IS）;
- 在集群4中，可以识别具有发达的基础设施和公共事业的县，这些公共事业在共产主义制度（Brasov-BV，Sibiu-SB，Hunedoara HD，Constanta-CT）期间具有工业作用。
- 集群5仅由一个Ilfov-IF县组成，这受到邻近首都布加勒斯特的位置的积极和深刻的影响;
- 群1由具有中度和对比经济发展的县组成（Bihor-BH，Mures-MS，Arad-AR，Tulcea-TL，Maramures-MM，Braila-BR，Bacau-BC，Covasna-CV，Harghita- HR，Caras Severin-CS，Alba-AB，Galati-GL，Gorj-GJ，Prahova-PH，Valcea-VL，Arges-AG）
- 群2将具有重要农业活动的较不经济发达的县分组（Calarasi-CL，Olt-OT，Botosani-BT，Vaslui-VS，Buzau-BZ，Mehedinti-MH，Ialomita-IL，Giurgiu-GR，Teleorman-TR ，Neamt-NT，Suceava-SV，Dambovita-DB，Bistrita Nasaud-BN，Vrancea-VN，Satu Mare-SM，Salaj-SJ，Dolj-DJ）。
图4:县的分组5集群
在图5中突出显示了县的聚类。在PCA的阶乘图（图3）上的县聚类（图5）的叠加提供了所获得的聚类的一些特性。
第三组的县与其他县的明显不同之处在于它们与具有最高经济发展水平的两个因子轴的强相关性。这组县在获得卫生服务和教育轴方面具有最高的协调性，这可以通过群体组成来解释：三个县在教育（特别是高等教育），文化，卫生（卫生服务）方面有着强烈的传统，在同一时间，重要的人口权重。
另一个集群，其中县以高水平的发展标记为集群4.这个集群的县在第一个因子轴上具有最高的正贡献，这些贡献被解释为基础设施的高质量和经济的高价值指标。
群集1的县表示为围绕因子轴的原点，意味着中等程度的发展。这些县的特点是县内重要的差异，强大的工业化核心地区与欠发达地区相对立。
在第二个群集中，县显示在阶乘轴平面的第三个表盘中，在两个阶乘轴上具有最高的负坐标，显示最低的发展水平。初级部门的活动占主导地位。
图5的图形表示仅示出一个非典型县Ilfov：与最不发达国家类似，第一因子轴上的最高正坐标，以及另一轴上的负坐标，类似于较不发达国家。一个重要的角色扮演Ilfov县的邻国，因为它是在首都布加勒斯特附近。这种影响非常强烈，它解释了它在阶乘轴上的定位的矛盾。
4.2 阶乘的分析和集群定位地图
该分析允许通过3sigma;规则根据每个因子轴来识别最发达和较不发达的县。 必须寻找位于区间外的县：xplusmn;sigma;，xplusmn;2sigma;，
xplusmn;2sigma;对应于两个轴，并在图上用点划线（x = 0，sigma;= 1）标记（JABA，2007;DUuml;HR，2005）。
图5：在阶乘图上表示县的集群
经济结果的轴线和公共设施的基础设施将以下县列为最发达的县：Brasov（BV）和Ilfov（IF）。 它们被跟随，由Constanta（CT）和Cluj（CJ）关闭到区间x plusmn;的上限。 最低的经济结果和公共事业网络的获取特定于Vaslui（VS）和Teleorman（TR），主要农业活动县。
考虑健康和教育基础设施的最发达的县是Bihor（BH），Sibiu（SB），Iasi（IS），Timis TM和Cluj（CJ）位于x plusmn;间隔的右边。 较不发达的是位于第二个因子轴上的x plusmn;间隔左侧的卡拉拉西（CL），Ialomita（IL），Tulcea（TL）和Giurgiu。后一县的落后是由于缺乏经济活动的多样性（CL，IL，GR）以及孤立和难以进入（TL）。
图5中呈现的地图还突出显示了位于群集边界处的县，它们的发展特性的任何变化使得朝向相邻群集移动成为可能。这是卡拉斯塞韦林（CS）和图尔恰（TL）县位于群集1，但他们非常类似于群集2的较少发展县的情况。相反，Bistrita-Nasaud（BN）县从群2具有与第一群集中的县相似的特征。
胡内多阿拉县被吸收到最发达的县级组织（铁工和采矿业的重要活动，1990年后下降），虽然它位于几乎一个具有温和发展的县。锡比乌有最多的机会到达最发达的县集群，最接近这些。
分析区域分布的最佳解决方案的县级群，注意到它在很大程度上再现了地理分布，分组邻居县。
4.3 罗马尼亚各县群的地理分布
在某种程度上，解决方案再现了县的地理图（图6），并且当对小区域应用策略或针对更大区域（例如可以考虑目标县的区域
全文共10105字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144450]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
