A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 293, 2013

Transkrypt

1 A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 293, 2013 Joanna Górna *, Karolna Górna ** PRZESTRZENNE I PRZESTRZENNO-CZASOWE TENDENCJE I ZALEŻNOŚCI PKB W WYBRANYCH KRAJACH EUROPEJSKICH W LATACH WSTĘP Artykuł prezentuje analzę PKB per capta na wyodrębnonym obszarze ośmu krajów europejskch w latach , przy wykorzystanu metodolog z zakresu ekonometrycznego modelowana przestrzennych przestrzennoczasowych procesów stochastycznych Z( s ) oraz Z( s, t), gdze: s = [ x, ] y współrzędne lokalzacj na płaszczyźne, = 1, 2,, N jednostk przestrzenne (regony), t = 1, 2,, T. Celem artykułu jest: po perwsze, zbadane przestrzennych tendencj zależnośc PKB per capta w wybranych krajach europejskch w okrese przed po wstąpenu do UE oraz rozważene tendencj zależnośc przestrzenno-czasowych, po druge zaś, analza β-konwergencj w kontekśce powązań przestrzennych regonów NUTS-2 badanych krajów w okrese Przedmotem analzy są zmany w PKB per capta jako jednej z najważnejszych zmennych charakteryzujących wzrost gospodarczy. Wyższy pozom dochodu pozwala zaspokajać wszelke potrzeby w wększym stopnu. Wobec tego PKB per capta może być także dobrym przyblżenem pozomu rozwoju. Realzacja wyżej wymenonych celów zwązana jest z poszukwanem odpowedz na następujące pytana: 1) Czy na wyodrębnonym terene w badanym okrese występują trendy przestrzenne PKB per capta czy można zaobserwować trend przestrzennoczasowy? 2) Czy stneje autokorelacja przestrzenna PKB na wyodrębnonym obszarze w badanym okrese? Czy zmena sę ona w czase? 3) Jak jest prawdopodobny przestrzenno-czasowy model PKB per capta dla badanych krajów? 4) Czy zachodz zjawsko β-konwergencj regonów NUTS-2 rozważanych krajów europejskch? 5) Czy przy weryfkacj β-konwergencj należy uwzględnać powązana przestrzenne regonów? * ** Mgr, Unwersytet M. Kopernka w Torunu. Mgr, Unwersytet M. Kopernka w Torunu.

2 144 Joanna Górna, Karolna Górna Układ artykułu jest następujący: W rozdzale 2 określono przedmot zakres badana, sformułowano hpotezy badawcze oraz wskazano na sposoby metody ch weryfkacj. W rozdzale 3 scharakteryzowano krótko dane wykorzystane w badanu. Rozdzał 4 prezentuje metodologę badana. W rozdzale 5, który stanow główną część opracowana przedstawono uzyskane wynk. Podsumowane zawera wnosk wskazane na kerunk dalszych badań. 2. PRZEDMIOT I ZAKRES BADANIA Znaczene zależnośc przestrzennych w analzach ekonomcznych jest potwerdzone tzw. perwszym prawem ekonometr przestrzennej: wszystko jest powązane ze sobą, ale blższe obekty są bardzej zależne od sebe nż odległe (patrz, np.: Domańsk 2002, s. 23, Sucheck (red.) 2010, s.16). Toteż stotna dla wyjaśnena kształtowana sę procesów gospodarczych w wybranych regonach jest analza tych procesów w kontekśce powązań sąsedzkch mędzy regonam. Analzując wartośc PKB per capta na wyodrębnonym obszarze w ustalonym okrese zbadano przestrzenne przestrzenno-czasowe tendencje w kształtowanu sę tych wartośc oraz zależnośc mędzy nm w przekroju regonów wyodrębnonych zgodne z europejską klasyfkacją systemu NUTS-2. Zbadano także zmany regonalnych zależnośc w czase. W badanu wykorzystano koncepcje trendów przestrzennych przestrzenno-czasowych oraz przestrzennej autokorelacj. Ponadto, wyspecyfkowano zweryfkowano pewen ekonometryczny przestrzenno-czasowy model autoregresyjny. Przeprowadzono także analzę β-konwergencj w kontekśce powązań przestrzennych regonów NUTS-2 badanych krajów w okrese Hpoteza konwergencj gospodarczej jest jednym z najważnejszych zagadneń zwązanych z modelem wzrostu Solowa-Swana. Hpoteza ta zakłada, że w gospodarkach dzałają mechanzmy, powodujące wyrównywane sę pozomów bogactwa mędzy różnym regonam. Najbardzej popularnym rodzajem konwergencj jest właśne konwergencja typu β, która zakłada, że regony bednejsze mają szybsze tempo wzrostu nż regony początkowo bogatsze. W artykule uwagę ogranczono do tzw. konwergencj absolutnej, która oznacza, że wszystke badane gospodark zmerzają do tego samego pozomu zamożnośc. Jest on wyrażony przez PKB per capta. Przystępując do badana sformułowano następujące hpotezy badawcze: 1) Wartośc PKB per capta w sąsadujących regonach NUTS-2 badanego obszaru są podobne. Po wejścu krajów do UE podobeństwo to wzrasta. 2) Uzasadnone jest uwzględnene powązań przestrzennych w analze β-konwergencj regonów NUTS-2 na wyodrębnonym obszarze. Do weryfkacj hpotezy perwszej wykorzystano take sposoby narzędza analzy, jak: test Morana I autokorelacj przestrzennej, badane zman statystyk Morana w czase, modele trendu przestrzennego, przestrzenne modele autoregresyjne (SAR). Z kole, weryfkację hpotezy drugej przeprowadzono wykorzystując model tempa wzrostu PKB oraz porównując model tempa wzrostu

3 Przestrzenne przestrzenno-czasowe tendencje zależnośc PKB 145 PKB bez składnka kwantyfkującego powązana przestrzenne z modelem zawerającym tak składnk. Modele klasyczne estymowane były Klasyczną Metodą Najmnejszych Kwadratów (KMNK), a modele zawerające zależnośc przestrzenne Metodą Najwększej Warygodnośc (MNW). Oblczena zostały przeprowadzone w środowsku R-Cran w wersj DANE W przeprowadzonym badanu wykorzystano dane w przekroju 40 regonów 8 krajów (Czechy, Estona, Węgry, Łotwa, Ltwa, Polska, Słowacja Słowena) z 9 lat, zaczerpnęte z bazy Eurostatu (ec.europa.eu/eurostat/). Do badana wybrano kraje, które wstąpły do UE 1 maja 2004r. Pomnęte zostały wyspy Cypr Malta, które z wybranym krajam ne mają żadnych wspólnych granc. Okres badana został zdetermnowany przez dostępność danych w baze Eurostat. Rysunek 1 prezentuje mapę badanego obszaru wraz z prezentacją zman wartośc PKB per capta w latach według regonów. Rysunek 2 przedstawa geografczny rozkład PKB per capta w perwszym ostatnm roku badanego okresu. Rysunek 1. Mapa 40 regonów wyodrębnonych zgodne klasyfkacją systemu NUTS-2 8. krajów europejskch wraz z wartoścam PKB per capta dla lat

4 146 Joanna Górna, Karolna Górna 2009 (a) Rysunek 2. Przestrzenny rozkład PKB per capta w 40 europejskch regonach: (a) rok 2001, (b) rok (b) 4. METODOLOGIA Jedną z koncepcj metodologcznych wykorzystywaną w ekonometrycznych analzach zjawsk przestrzennych, takch jak PKB w regonach na wyodrębnonym obszarze, jest potraktowane ch jako stochastyczne procesy przestrzenne Z( s ) gdze: = [ x, y ] s współrzędne lokalzacj na płaszczyźne, = 1, 2,, N jednostk przestrzenne (regony). Metodologa badana procesu przestrzennego opera sę na konstrukcj modelu, który reprezentuje mechanzm generujący dane, tj. realzacje badanego zjawska. Symbolczne można 2005, s. 53), ż: zapsać (patrz np. Schabenberger&Gotway, Dane = Struktura + Błąd. Wynka stąd, że realzacje procesu stochastycznego (dane) posadają dwa główne składnk: determnstyczną /lub stochastyczną strukturę oraz losowe zakłócena. Modelowane struktury determnstycznej prowadz zazwyczaj do modelu trendu przestrzennego, zaś do opsu struktury stochastycznej wykorzystuje sę często modele autoregresyjne. W podobny sposób można opsać składnk danych przestrzenno-czasowych, które odnoszą sę do przestrzennoczasowych procesów stochastycznych Z( s, t), gdze: s, jak wyżej, t = 1, 2,, T. W badanu do opsu struktury determnstycznej wykorzystano modele trendów przestrzennych przestrzenno-czasowych stopna p, postac (patrz, np. Szulc 2009, s. 19):

5 Przestrzenne przestrzenno-czasowe tendencje zależnośc PKB 147 p p k m ( s ) = θ, gdze : +, (1) P x y k m p km p k = 0 m= 0 p k m ( s ) = θ, gdze : + +, (2) P x y k m l p km k = 0 m= 0 W przeprowadzonym badanu struktury autoregresyjnej ogranczono sę do rozważena autozależnośc perwszego rzędu. W tym celu wykorzystano test Morana I, następującej postac (por. np.: Schabenberger&Gotway, 2005, s. 21; Bvand n. 2008, s. 259): I = N N N = 1 j 1 j = j N N N 2 gdze: z( s ), ( ) = 1 j= 1 j = 1 j ( s ) ( s ) w z z z z, (3) w z ( s ) z z s wartość badanego zjawska w przestrzennej jednostce oraz j, z wartość średna, w j waga kwantyfkująca przestrzenne powązane jednostk oraz j (element macerzy sąsedztwa W). Stwerdzene autokorelacj przestrzennej w analzowanym procese ( ) Z s upoważna do wykorzystana przestrzennego modelu autoregresyjnego (SAR) postac: Z ( ) = ρ Z ( ) + ε ( ) s W s s, (4) lub, gdy w procese wykryto równeż trend przestrzenny, modelu: p p k m ( ) = θ + ρ ( ) + ε ( ) Z s x y WZ s s, (5) km k = 0 m= 0 Możlwe są re-specyfkacje uogólnające modele (4) (5), odpowedne do anal- Z s, t. zy procesów przestrzenno-czasowych ( ) Jednym z wątków przeprowadzonego badana było zagadnene konwergencj gospodarczej. W celu weryfkacj hpotezy β-konwergencj wykorzystano dwa podejśca: tradycyjne, gnorujące powązana przestrzenne mędzy regonam oraz druge, które take powązana uwzględna. Uwzględnane powązań przestrzennych mędzy regonam w analzach konwergencj gospodarczej można znaleźć w lteraturze z zakresu wzrostu gospodarczego np. w pracach: Arba G. (2006), Bode E., Rey S.J. (2006), Rey S.J., Le Gallo J. (2009). Podejśce tradycyjne polega na testowanu statystycznej stotnośc współczynnka β w modelu postac:

6 148 Joanna Górna, Karolna Górna gdze: Z ( s ) T, ( ) 0 Z ln Z ( s ) ( s ) T 0 = α + β ln Z + ε 0 ( s ) ( s ), (6) Z s odpowedno, PKB per capta w regone -tym w ustalonym okrese t, t = T oraz t = 0 (okres bazowy). W drugm podejścu wykorzystuje sę model postac: ( s ) ( s ) ( s ) ( s ) Z Z T T ln = α + β ln Z ( s ) + ρw ln + ε 0 s Z Z 0 0 gdze: Z ( s ) T, ( ) 0 ( ) Z s jw., W macerz powązań przestrzennych., (7) Współczynnk β w modelach (6) (7) stotne mnejsze od zera śwadczą o konwergencj. 4. WYNIKI ANALIZA TRENDÓW W celu zbadana trendów przestrzennych wykorzystano dwuwymarową funkcję welomanową model (1). Szacowano weryfkowano modele stopna 1, 2. oraz 3. dla kolejnych lat. Głównym kryterum wyboru modelu była statystyczna stotność parametrów, ocenana za pomocą testu t-studenta. Tabela 1. prezentuje wynk estymacj weryfkacj model trendu przestrzennego stopna 1. W badanym procese dla żadnego roku ne wykryto trendu przestrzennego wyższego stopna. Tabela 1. Wynk estymacj weryfkacj model trendu przestrzennego perwszego stopna PKB per capta w latach Ocena Rok ˆ θ 15140, , , , , , , , ,90 00 ( θˆ 00 ) S 6058, , , , , , , , ,70 t00 2,50 2,89 3,15 3,25 2,71 2,18 1,94 1,85 1,95 wartość p 0,02 0,01 0,00 0,00 0,01 0,04 0,06 0,07 0,06 ˆ θ 384,90 431,90 400,70 414,40 480,30 566,60 587,30 692,90 732,10 10 ( θˆ 10 ) S 126,90 146,70 159,00 172,40 196,70 221,40 261,80 289,20 290,90 t 10 3,03 3,95 2,52 2,40 2,44 2,56 2,24 2,40 2,52 wartość p 0,00 0,01 0,02 0,02 0,02 0,01 0,03 0,02 0,02

7 Przestrzenne przestrzenno-czasowe tendencje zależnośc PKB 149 Rok Ocena ˆ θ 43,55 116,60 200,40 239,70 171,80 75,91 67,01 28,29 68,35 01 ( θˆ 01 ) S 134,70 155,60 168,70 182,90 208,60 234,90 277,20 306,80 308,60 t 01 0,32 0,75 1,19 1,31 0,82 0,32 0,24 0,09 0,22 wartość p 0,75 0,46 0,24 0,20 0,42 0,75 0,81 0,93 0,83 R 2 0,26 0,28 0,27 0,27 0,23 0,21 0,16 0,17 0,19 Rysunek 3 przedstawa dopasowane powerzchn trendu przestrzennego do danych dla lat Rysunek 3. Trendy przestrzenne perwszego stopna PKB per capta: (a) rok 2001, (b) rok 2009 W wynku badana trendów przestrzennych PKB w kolejnych latach dopasowano także model trendu przestrzenno-czasowego, tj.: ^ PKB, t = x y t R 2 = ( 0,0015) ( 0,0000) ( 0,9818) ( 0,0000). (8) Model (8), podobne jak modele trendów czysto przestrzennych (patrz tabela 1), charakteryzuje sę nskm stopnem dopasowana oraz autokorelacją reszt. Zatem modele te ne są wystarczające do charakterystyk PKB per capta na wyodrębnonym obszarze w badanym okrese.

8 150 Joanna Górna, Karolna Górna 5. ANALIZA AUTOKORELACJI Badane autokorelacj przestrzennej PKB per capta na wyodrębnonym obszarze przeprowadzono najperw dla danych rzeczywstych (warant I), a następne dla reszt z model trendu przestrzennego (warant II). Wykorzystano statystykę Morana I, oblczaną według wzoru (3). Tabela 2 przedstawa wynk uzyskane w warance I badana, natomast tabela 3 zawera wynk uzyskane w warance II. Tabela 2. Wynk testowana autokorelacj przestrzennej PKB per capta w latach (warant I) Rok I E(I) Var(I) wartość p ,2710 0,0256 0,0111 0, ,2984 0,0256 0,0111 0, ,3407 0,0256 0,0113 0, ,3381 0,0256 0,0114 0, ,2466 0,0256 0,0112 0,0051 Tabela 2. Wynk testowana autokorelacj przestrzennej PKB per capta w latach (warant I) cąg dalszy Rok I E(I) Var(I) wartość p ,2447 0,0256 0,0111 0, ,2089 0,0256 0,0110 0, ,1784 0,0256 0,0107 0, ,1933 0,0256 0,0106 0,0167 Tabela 3. Wynk testowana autokorelacj przestrzennej PKB per capta w latach (warant II) Rok I E(I) Var(I) wartość p ,1411 0,0256 0,0117 0, ,1395 0,0256 0,0115 0, ,1903 0,0256 0,0117 0, ,1818 0,0256 0,0118 0, ,1117 0,0256 0,0116 0, ,1355 0,0256 0,0115 0, ,1308 0,0256 0,0114 0, ,0927 0,0256 0,0111 0, ,0865 0,0256 0,0108 0,1401 Wynk prezentowane w tabelach 2 3 pozwalają na sformułowane następujących wnosków: 1) Stwerdzono autokorelację przestrzenną PKB per capta w poszczególnych latach. Wartośc statystyk Morana I oblczone dla danych przed elmnacją trendów przestrzennych były wyższe nż wartośc statystyk oblczone na podstawe danych po elmnacj trendu.

9 Przestrzenne przestrzenno-czasowe tendencje zależnośc PKB 151 2) Po roku 2004 zaobserwowano spadek wartośc oraz obnżene statystycznej stotnośc statystyk I. Rysunek 3 prezentuje zmany wartośc statystyk I w badanym okrese, oblczanej: dla PKB (warant I) oraz na podstawe reszt z model trendu przestrzennego (warant II). Wnosek o zmnejszającym sę podobeństwe PKB per capta w sąsadujących regonach po 2004 roku został potwerdzony przez kształtowane sę wartośc współczynnka regresj w przestrzennych modelach autoregresyjnych (modele postac (4) (5)). Tabela 4 przedstawa szacunk parametru ρ otrzymane w odpowednch modelach. Wartośc współczynnka ρ w modelach SAR dla wartośc rzeczywstych PKB per capta były wysoke statystyczne stotne, tj. ρ (0,41 0,59). Natomast w modelach SAR dla reszt po elmnacj trendu ρ (0,24 0,40). Wartośc statystyk Morana I warant I warant II Rysunek 3. Wartośc statystyk Morana I w latach Tabela 4. Wartośc współczynnka autokorelacj przestrzennej w latach Rok Warant I Warant II ρ wartość p ρ wartość p ,5164 0,0120 0,2998 0, ,5483 0,0061 0,3117 0, ,5922 0,0020 0,4018 0, ,5873 0,0022 0,3931 0, ,4795 0,0220 0,2669 0, ,4935 0,0203 0,3179 0, ,4491 0,0428 0,3112 0, ,4051 0,0778 0,2385 0, ,4273 0,0584 0,2304 0,3526

10 152 Joanna Górna, Karolna Górna 6. PRAWDOPODOBNY MODEL PRZESTRZENNO-CZASOWY Łączna analza przestrzenno-czasowa PKB per capta na wyodrębnonym obszarze w badanym okrese doprowadzła do sformułowana następującej hpotezy modelowej: PKB = θ + θ x + θ y + θ t + ρw PKB + ε. (9), t , t, t Wynk estymacj weryfkacj modelu (9) prezentuje tabela 5. Tabela 5. Wynk estymacj weryfkacj modelu (9) Parametr Ocena parametru Błąd standardowy wartość p θ 000 θ 100 θ 010 θ , ,032 57, , ,457 73,748 71,832 81,720 0,0000 0,0000 0,4200 0,0000 ˆρ = 0,33112 test LR: 18,683, wartość p: 0,0000 Statystyka Walda: 29,811, wartość p: 0,0000 AIC: 6904,2 (AIC dla lm: 6920,9) Autokorelacja reszt Test LM: 0,64365, wartość p: 0,42239 Test Morana: 0,2227, wartość p: 0,4119 Przestrzenno-czasowy model empryczny charakteryzuje sę stotnym parametram oraz brakem autokorelacj w resztach. 7. ANALIZAβ-KONWERGENCJI UJĘCIE TRADYCYJNE Do badana zjawska β-konwergencj w ujęcu tradycyjnym wykorzystano model (6). Tabela 6 zawera wynk estymacj weryfkacj tego modelu. Tabela 6. Wynk estymacj weryfkacj modelu (6) Parametr Ocena parametru Błąd standardowy wartość p α β 0,1653 0,0412 0,8491 0,0987 0,8470 0,6790 R 2 : 0,0046 Statystyka F: 0,174, wartość p: 0,6789 Autokorelacja reszt Test Morana: 3,8017, wartość p: 0,0001

11 Przestrzenne przestrzenno-czasowe tendencje zależnośc PKB 153 Hpoteza o absolutnej β-konwergencj ne została potwerdzona (parametr β statystyczne nestotny). Poneważ w resztach modelu występuje autokorelacja, należy zaproponować nny model. 8. ANALIZA β-konwergencji MODEL Z POWIĄZANIAMI PRZESTRZENNYMI Do badana zjawska β-konwergencj gospodarczej rozważanych regonów wykorzystano równeż model (7), który uwzględna powązana przestrzenne mędzy regonam. Wynk estymacj weryfkacj modelu (7) przedstawa tabela 7 ponżej. Równeż w tym wypadku hpoteza o absolutnej β-konwergencj ne została potwerdzona. Jednak ze względu na lepsze własnośc modelu, wnosek ten jest bardzej warygodny nż w podejścu tradycyjnym. Tabela 7. Wynk estymacj weryfkacj modelu (7) Parametr Ocena parametru Błąd standardowy wartość p α 0,0937 0,6750 0,8896 β 0,0343 0,0784 0,6613 ρ = 0,6134 test LR: 11,67, wartość p: 0,0006 Statystyka Walda: 21,152, wartość p: 0,0000 AIC: 17,242 (AIC dla LM: 7,5718) Autokorelacja reszt Test LM: 0,9000, wartość p: 0,3428 Test Morana: 0,5781, wartość p: 0, PODSUMOWANIE Hpoteza o przestrzennej autokorelacj PKB per capta regonów NUTS-2 na wyodrębnonym obszarze krajów w badanym okrese została potwerdzona. Jednakże, przypuszczene, że autokorelacja wzrasta po wstąpenu tych krajów do UE ne zostało potwerdzone (patrz, tabele 2 3).Hpoteza stwerdzająca, ze tradycyjne podejśce do badanaβ-konwergencj wymaga modyfkacj w kerunku włączena do modelu wzrostu powązań przestrzennych mędzy regonam, została potwerdzona. Model ze składnkem przestrzennym (model (7)) ma lepsze właścwośc nż model tradycyjny (model (6)). W dalszych badanachβ-konwergencj pownno rozważać sę kolejne respecyfkacje modelu tradycyjnego, w szczególnośc kolejne modele z zakresu ekonometr przestrzennej przestrzenno-czasowej.

12 154 Joanna Górna, Karolna Górna BIBLIOGRAFIA Anseln L. (1988), Spatal Econometrcs: Methods and Models, Dordrecht, Kluwer Academc Publshers. Arba G. (2006), Spatal Econometrcs. Statstcal Foundatons and Applcatons to Regonal Convergence, Sprnger-Verlag Berln Hadelberg. Bvand S.R., Pebesma E.J., Gómez-Rubo V. (2008), Appled Spatal Data Analyss wth R, Sprnger Scence+Busnes Meda, LLC. Bode E., Rey S.J.(2006),The spatal dmenson of economc growth and convergence. Papers n Regonal Scence, 85 (2), s Domańsk R. (2002), Gospodarka przestrzenna Wydawnctwo Naukowe PWN. LeSage J., Pace R. K. (2009), Introducton to Spatal Econometrcs, Champon & Hall/CRC, New York. Rey S.J., Le Gallo J. (2009), Spatal analyss of economc convergence. (w:) T.C. Mlls, K. Patterson (eds.), Palgrave Handbook of Econometrcs, Volume II: Appled Econometrcs. Palgrave MacMllan, New York, s Schabenberger O., Gotway A.C. (2005), Statstcal Methods for Spatal Data Analyss, Champon & Hall/CRC, New York. Sucheck B. (red.) (2010), Ekonometra przestrzenna. Metody modele analzy danych przestrzennych, Wydawnctwo C.H. Beck, Warszawa. Szulc E. (2007), Ekonometryczna analza welowymarowych procesów gospodarczych, Wydawnctwo UMK, Toruń. Szulc E. (2009), Modelng of Dynamc Spatal Processes, (w:) Dynamc Econometrc Models, Ncolaus Coperncus Unversty, vol. 9, Wydawnctwo UMK, Toruń. Joanna Górna, Karolna Górna SPATIAL AND SPATIO-TEMPORAL TENDENCIES AND DEPENDENCE OF GDP IN SELECTED EUROPEAN COUNTRIES IN THE YEARS The paper presents the analyss of per capta GDP n the area of eght European countres n the perod before and after ther accesson to the European Unon. They are: the Czech Republc, Estona, Hungary, Latva, Lthuana, Poland, Slovaka and Slovena. In partcular, the spatal and spato-temporal tendences of GDP and the dependence among the values of per capta GDP across the establshed regons accordng to the European classfcaton system NUTS-2 are consdered. The changes n tme of the dependence are analyzed as well. In the nvestgaton the deas of spatal and spato-temporal trends and spatal autocorrelaton were used. Addtonally some econometrc space-tme autoregressve model was specfed and verfed. The concept of β-convergence of NUTS-2 regons of the nvestgated countres n the context of spatal connectons was analyzed. The data relatng to the establshed regons was taken from the database released by Eurostat.