1. prevenzione e mitigazione de
1.6 metodologia di analis
1.6.3 Analisi cluster
Per l’analisi statistica degli indicatori si sono analizzate diverse possibili metodolo- gie di analisi territoriale su base GIS e si è scelto di applicare un’analisi cluster, poiché in grado di correlare i dati e caratterizzare le criticità riguardanti la risorsa idrica all’interno delle aree indagate. L’elaborazione di algoritmi dell’analisi cluster permette di raggruppare le unit nei e più dissimili possibile tra loro.
L’analisi dei gruppi permette, quindi, di individuare e di localizzare le maggiori pres- sioni sulla risorsa idrica, facendo altresì emergere tra queste le principali criticità su cui concentrare gli sforzi di politica.
Negli studi statistici applicati al territorio si procede, in genere, con l’individuazione di unità o gruppi omogenei per determinate caratteristiche in seguito all’elaborazione di opportuni indicatori, processo che consente di individuare aree suscettibili in cui attuare politiche comuni di intervento (Coccorese e Pellecchia, 2005). Ciò, inoltre, consente di mettere in atto azioni mirate ad una gestione sostenibile del territorio, analizzando serie storiche di dati e valutando le trasformazioni in atto (Bodesmo et al., 2012 a,b).
Pertanto, la metodologia di analisi statistica scelta per lo studio è l’analisi cluster, proprio perché consiste in un insieme di tecniche statistiche atte ad individuare gruppi di unità tra loro simili rispetto ad un insieme di caratteri presi in considerazione e secondo uno specifico criterio.
Il processo di clustering permette sostanzialmente, date le variabili prescelte (indi- catori), di associare delle unità statistiche tra di loro, nel nostro caso le province, a seconda del grado di somiglianza tra le stesse e allo stesso modo di separare quelle meno simili. La similitudine è data da valori omogenei delle differenti variabili; al contrario, valori forte-
mente dissimili di ciascuna variabile porteranno ad una maggiore disaggregazione tra le unità statistiche.
Per poter procedere all’elaborazione dell’analisi, i valori degli indicatori descritti sono stati sottoposti ad un’analisi di correlazione che ha permesso di confrontare tutte le coppie di indicatori al fine di eliminare o sostituire i primi con valori di r (correlazione) signifi- cativi (Zhou et al., 2004); questi ultimi sono stati, quindi, sottoposti ad una standardizza- zione (trasformazione Z), in quanto le variabili esprimono delle informazioni diverse e in differenti unità di misura.
La metodologia ha previsto opportune modifiche all’analisi cluster, al fine di assicu- rare che i gruppi individuati siano costituiti da unità territorialmente connesse (Coccorese e Pellecchia, 2005, Carangiu et al., 1999). Le unità statistiche sono, in altri termini, suddi- vise in gruppi a seconda del loro livello di somiglianza, valutata a partire dai valori che le variabili prescelte assumono in ciascuna unità (Dulli et al., 2009).
Nel presente lavoro la tecnica di clustering applicata è stata quella gerarchica, trami- te la quale le stesse classi sono state distinte in gruppi; il procedimento di raggruppamento delle variabili è stato ripetuto a livelli differenti fino a costruire un albero. Il prodotto finale del metodo è rappresentato graficamente attraverso un dendrogramma (o diagramma ad albero) dal quale è possibile determinare l’agglomerazione scaturita dal processo di cluster (la fig 1.2 rappresenta un esempio di dendrogramma relativo ad un processo di clustering elaborato da INEA). In detto diagramma è riportato sull’asse delle ordinate il livello di distanza o dissimilarità, mentre sull’asse delle ascisse sono riportate le singole unità, nel nostro caso corrispondenti ai territori provinciali, unità territoriali di riferimento dell’ana- lisi. Dallo sviluppo dei rami del diagramma (linee verticali) si originano uno o più grappoli (REScoop, 2006, Dulli et al., 2009).
Figura 1.2 dendrogramma – risultato del processo di clustering
Lo sviluppo di due o più rami (linea verticale) individua il livello di distanza al quale i grappoli si fondono. I metodi gerarchici si distinguono per il modo in cui, dopo la p-esima fusione, vengono calcolate le distanze tra il nuovo grappolo ed i rimanenti. Gli algoritmi gerarchici proposti in letteratura (metodo del legame singolo, metodo del legame completo, metodo del legame medio, metodo del centroide, metodo di Ward) si differenziano uni- camente per il diverso criterio che regola la valutazione delle distanze tra i gruppi ai fini delle aggregazioni in serie. Il processo agglomerativo, durante le iterazioni, tende a massi- mizzare l’omogeneità tra i gruppi all’interno dello stesso cluster (bassa differenza) mentre massimizza la diversità tra i vari cluster (REScoop, 2006).
Nella presente analisi, la misura della dissomiglianza scelta tra le unità statistiche è la distanza euclidea, mentre l’algoritmo gerarchico di raggruppamento scelto è stato quello del criterio del legame medio tra i gruppi. L’adozione di questo algoritmo per la composi- zione dei gruppi semplifica la composizione dell’albero costruito con l’algoritmo completo ed inoltre, essendo basato sulla media delle distanze, fornisce risultati più̀ attendibili e restituisce gruppi più omogenei e ben differenziati tra di loro (ISTAT, 2006).
Dalla lettura del dendrogramma e dalla conoscenza dei valori degli indicatori, è possibile capire, nel nostro caso, quali province all’interno di ciascun Distretto presentino un determinato livello di pressioni imputabili alla stessa causa od alle stesse n-cause e quali invece siano soggette a tipologie di pressioni differenti, ovvero quali non risentano di particolari pressioni ambientali. Va da sé che lo studio degli indicatori e del cluster non è esaustivo per trarre delle conclusioni sullo stato ambientale della risorsa idrica in ciascuna provincia, ma i risultati forniscono indicatori sulle maggiori pressioni esercitate dall’agricoltura.
Una precisazione importante va fatta per la lettura e la corretta interpretazione dei risultati dell’analisi cluster nei 3 Distretti interessati: l’analisi è stata applicata separata- mente nei 3 differenti contesti. I risultati ottenuti non hanno quindi la stessa scala di gran- dezza, cioè le criticità rappresentate nei diversi Distretti non necessariamente presentano valori simili degli indicatori. La gerarchia delle pressioni può risultare simile nei 3 diversi contesti, ma i relativi valori di riferimento possono avere grandezze molto diverse. Per fare un esempio, il carico zootecnico che può emergere come pressione prevalente nelle pro- vince di Latina e Caserta, non è paragonabile a quello del Nord Italia. Tuttavia, in ciascuno dei 3 differenti contesti alcune province sono soggette a maggiori pressioni da carico zoo- tecnico rispetto ad altre pressioni. L’analisi è svolta separatamente nei 3 Distretti proprio per evidenziare pressioni prevalenti in contesti territoriali tra loro più simili, evitando che i valori assoluti più alti e più bassi degli indicatori influenzassero i risultati appiattendone il significato nell’analisi territoriale.