Setul de date analizat
Obiectivul : Ne propune sa analizam efectivul populatiei, densitatea populatiei, respectiv gradul de concentratie a populatiei la nivelul fiecarei regiuni istorice a Romaniei.
Pozitia Romaniei pe harta
Efectivul populatiei
Efectivul populatiei este determinat fie la nivelul României, fie, în funcție de structura administrativ teritorială, la nivelul județelor, la nivelul regiunilor de dezvoltare economica (macroregiuni, regiuni de dezvoltare etc.) etc.
Regiunea istorica Muntenia este regiunea cu cea mai mare populatie (cu un total de 5806321 locuitori rezidenti), urmat de Transilvania (cu un total de 3848529 locuitori rezidenti) si Moldova (cu un total de 3004289 locuitori rezidenti). La polul opus se situeaza Maramures si Dobrogea cu un total de locuitori rezidenti de 781391 locuitori, respectiv 843701 locuitori.
Densitatea populatiei
Formula utilizata:
\[\text{Densitatea populatiei} = \frac{\text {Populatie_regiune_istorica}}{\text {Suprafata_regiune_istorica}} (loc./km^2)\]
Observam ca Muntenia prezinta cea mai mare valoare pentru acest indicator (~ 7154.89 \(loc./km^2\)), urmat de Transilvania, Moldova si Oltenia. La polul opus regasim regiuni istorice precum: Banat, Dobrogea etc. unde locuitori sunt mai dispersati sau gradul de aglomerare in aceste regiuni istorice este mai mic.
Coeficientul de arealitate
Formula utilizata:
\[\text{Coeficientul de arealitate} = \frac{\text {Suprafata_regiune_istorica}}{\text {Populatie_regiune_istorica}} (km^2/loc.)\]
Reprezinta suprafata ce revine unei persoane aflata pe teritoriul Romaniei. Fiind inversul densitatii observam ca regiunile istorice cu grad mare de aglomerare sunt cele cu valori mici ale acestui coeficient, in timp ce regiunile istorice cu valori ridicate pentru acest coeficient sunt cele in care numarul de locuitori este mic.
Distanta medie dintre doi locuitori
Formula utilizata:
\[ \text{Distanța medie dintre doi locuitori} = 1.2 \cdot \sqrt{\frac{\text{Suprafata_regiune_istorica}}{\text{Populatia_regiune_istorica}}} \; (\text{km}/\text{loc.}) \]Valori ridicate reflecta faptul ca populatia in aceste regiuni istorice este foarte dispersata, in timp ce valori scazute ale acestui indicatori reflecta regiuni istorice cu un grad de concentrare ridicat.
Gradul de concentrare
Formula utilizata:
\[\text{Gradul de concentrare} = \frac{\text{Populatie_regiune_istorica / Populatie_totala}}{\text{Suprafata_regiune_istorica/ Suprafata_totala}}\]Gradul de concencentrare este un indicator care ne ofera informatii cu privire la distributia populatiei pe teritoriul Romaniei.
Prin urmare, distributia efectivului populatiei, pe regiuni istorice, in anul 2025 evidentiaza diferente semnificative intre regiuni. Regiunile istorice care prezinta un grad ridicat de concentrare sunt caracterizate de o serie de factori precum: grad ridicat de aglomerare urbana, infrastructura dezvoltata, densitate demografica ridicata lucru care sprijina economia, accesul la servicii, interactiune sociala etc.La polul opus, regiunile istorice care prezinta valori scazute gradului de concentrare (o populatie mai dispersata) sunt caracterizate de localitati aflate la distanta mare unele de altele, populatie scazuta si imbatranita, acces limitat la infrastructura si servicii, ceea ce ar putea impiedica dezvoltarea regionala, dezvoltarea economica etc. Indicatori calculati la nivelul fiecarui regiuni istorice permit identificarea zonelor cu potential de dezvoltare si a celor care necesita o planificare regionala si alocare mai eficienta a resurselor.
Bibliography
Wickham H, Averick M, Bryan J, Chang W, McGowan LD, Françoi R, Grolemun G, Haye A, Henr L, Heste J, Kuh M, Pederse TL, Mille E, Bach SM, Müll K, Oo ,J, Robins ,D, Seid ,DP, Spi ,V, Takahas ,K, Vaugh ,D, Wil ,C, W ,K, Yutani ,H (2019). “Welcome to the tidyverse.” Journal of Open Source Software, 4(43), 1686. doi:10.21105/joss.01686 https://doi.org/10.21105/joss.01686.
Wickham H, Hester J, Bryan J (2025). readr: Read Rectangular Text Data. doi:10.32614/CRAN.package.readr https://doi.org/10.32614/CRAN.package.readr, R package version 2.1.6, https://CRAN.R-project.org/package=readr.
Xie Y (2025). knitr: A General-Purpose Package for Dynamic Report Generation in R. R package version 1.50, https://yihui.org/knitr/.
Yihui Xie (2015) Dynamic Documents with R and knitr. 2nd edition. Chapman and Hall/CRC. ISBN 978-1498716963
Yihui Xie (2014) knitr: A Comprehensive Tool for Reproducible Research in R. In Victoria Stodden, Friedrich Leisch and Roger D. Peng, editors, Implementing Reproducible Computational Research. Chapman and Hall/CRC. ISBN 978-1466561595
H. Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016.
Zhu H (2024). kableExtra: Construct Complex Table with ‘kable’ and Pipe Syntax. doi:10.32614/CRAN.package.kableExtra https://doi.org/10.32614/CRAN.package.kableExtra, R package version 1.4.0, https://CRAN.R-project.org/package=kableExtra.
de Vries A, Ripley BD (2024). ggdendro: Create Dendrograms and Tree Diagrams Using ‘ggplot2’. doi:10.32614/CRAN.package.ggdendro https://doi.org/10.32614/CRAN.package.ggdendro, R package version 0.2.0, https://CRAN.R-project.org/package=ggdendro.
How to Calculate Euclidean Distance in R?, https://www.geeksforgeeks.org/r-language/how-to-calculate-euclidean-distance-in-r/
Distance Matrix Computation, https://stat.ethz.ch/R-manual/R-devel/library/stats/html/dist.html
Zach Bobbitt, How to Calculate Euclidean Distance in R (With Examples), https://www.statology.org/euclidean-distance-in-r/
http://statistici.insse.ro:8077/tempo-online/#/pages/tables/insse-table
Tennekes M (2018). “tmap: Thematic Maps in R.” Journal of Statistical Software, 84(6), 1-39. doi:10.18637/jss.v084.i06 https://doi.org/10.18637/jss.v084.i06.
15 Cheng J, Schloerke B, Karambelkar B, Xie Y, Aden-Buie G (2025). leaflet: Create Interactive Web Maps with the JavaScript ‘Leaflet’ Library. doi:10.32614/CRAN.package.leaflet https://doi.org/10.32614/CRAN.package.leaflet, R package version 2.2.3, https://CRAN.R-project.org/package=leaflet.
Pebesma, E., & Bivand, R. (2023). Spatial Data Science: With Applications in R. Chapman and Hall/CRC. https://doi.org/10.1201/9780429459016
Pebesma, E., 2018. Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal 10 (1), 439-446, https://doi.org/10.32614/RJ-2018-009
South A, Michael S, Massicotte P (2024). rnaturalearthdata: World Vector Map Data from Natural Earth Used in ‘rnaturalearth’. doi:10.32614/CRAN.package.rnaturalearthdata https://doi.org/10.32614/CRAN.package.rnaturalearthdata, R package version 1.0.0, https://CRAN.R-project.org/package=rnaturalearthdata.
Massicotte P, South A (2025). rnaturalearth: World Map Data from Natural Earth. doi:10.32614/CRAN.package.rnaturalearth https://doi.org/10.32614/CRAN.package.rnaturalearth, R package version 1.1.0, https://CRAN.R-project.org/package=rnaturalearth.
Aden-Buie G, Sievert C, Iannone R, Allaire J, Borges B (2026). flexdashboard: R Markdown Format for Flexible Dashboards. doi:10.32614/CRAN.package.flexdashboard https://doi.org/10.32614/CRAN.package.flexdashboard, R package version 0.6.3, https://CRAN.R-project.org/package=flexdashboard.
C. Sievert. Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida, 2020.
Massicotte P, South A (2025). rnaturalearth: World Map Data from Natural Earth. doi:10.32614/CRAN.package.rnaturalearth https://doi.org/10.32614/CRAN.package.rnaturalearth, R package version 1.1.0, https://CRAN.R-project.org/package=rnaturalearth.