Dataset di riferimento e variabili di input

Obiettivo dell’analisi condotta in questo paragrafo è l’identificazione di specifiche tipologie di aree rurali, tra loro distinte sulla base delle relative caratteristiche socio- economiche. La cluster analysis è stata dunque applicata al dataset già utilizzato per l’analisi fuzzy. Anche in questo caso, sono 1.288 le osservazioni di partenza, che rappresentano altrettante unità territoriali di livello NUTS 3 nei paesi dell’UE-27 (cfr. capitolo 4). Tuttavia, dato il diverso focus dell’analisi e con l’obiettivo di ridurre (per quanto possibile) la presenza di outlier nell’analisi stessa51, sono stati eliminati a priori alcuni territori dalle caratteristiche sicuramente non rurali. A tal fine, sono stati utilizzati i risultati dell’indice di ruralità presentati nel capitolo 4, per identificare le aree ‘urbane’ da escludere da questa analisi.

Operativamente, si è scelto di escludere tutti quei territori NUTS 3 che avessero ottenuto un punteggio dell’indice di ruralità fuzzy inferiore a 0,2. La scelta di una simile soglia può apparire arbitraria (e dunque in parziale contraddizione con la stessa logica

fuzzy, utilizzata per superare la rigidità delle classificazioni della logica booleana). In

realtà, la ratio alla base di una simile operazione è semplice: rimuovere dal dataset i possibili outlier nell’analisi delle tipologie di aree rurali e dunque eliminare quei territori

51. Della sensibilità della cluster analysis alla presenza di outlier si è già detto [Kaufmann e Rousseeuw, 1990].

certamente urbani sulla base dell’indice fuzzy (da cui la scelta di una soglia dell’indice stesso volutamente bassa52). Altri territori, dalle caratteristiche comunque urbane ma meno marcate, sono stati dunque mantenuti all’interno del dataset che rappresenta il punto di partenza dell’analisi cluster.

Una conferma della ragionevolezza di un simile approccio proviene dall’analisi dei territori che sono stati esclusi adottando tale criterio. Le aree eliminate sono pari a 288 (il 22,4% dell’intero dataset). Tra i territori NUTS 3 esclusi, vi sono quelli che ospitano le capitali europee (Londra, Parigi, Madrid, Berlino) e altre aree urbane facenti capo a città di grandi dimensioni (come ad esempio Barcellona, Lione, Marsiglia). Anche le aree urbane localizzate nella regione della Rhur (Germania), così come buona parte del Belgio, dei Paesi Bassi e dell’Inghilterra centro-meridionale risultano escluse dall’analisi. In Italia, il correttivo apportato ha determinato l’eliminazione di 13 territori NUTS 3, localizzati prevalentemente nell’Italia settentrionale. Al Nord-Ovest, sono state eliminate le province di Torino (ITC11) e Genova (ITC33) e l’intera area metropolitana di Milano (ITC41 – Varese; ITC42 – Como; ITC43 – Lecco; ITC45 – Milano; ITC46 – Bergamo). Al Nord- Est, risultano escluse le province di Treviso (ITD34) e Venezia (ITD35) e la provincia di Trieste (ITD44). Nell’Italia peninsulare, sono solamente tre le province eliminate dall’analisi: Prato (ITE15); Roma (ITE43) e Napoli (ITF33). In Figura 5.1 è riportata la distribuzione territoriale delle regioni NUTS 3 escluse dall’analisi.

Dunque, sulla base delle correzioni apportate, il dataset di riferimento per l’analisi cluster risulta composto nel complesso da 1.000 territori NUTS 3.

52. In realtà, sono state condotte diverse analisi alternative, applicando all’indice di ruralità fuzzy soglie differenti (0,1; 0,15 e 0,25). I risultati ottenuti in quelle simulazioni non modificano sostanzialmente i risultati ottenuti nella presente analisi.

Figura 5.1 – Territori NUTS 3 esclusi dall’analisi cluster

Fonte: elaborazione personale (Software R, EuroGeographics per i confini amministrativi)

A differenza dell’analisi fuzzy, il cui obiettivo era principalmente rappresentato dall’identificazione del grado di ruralità dei territori europei (sotto l’ipotesi di un

continuum di situazioni esistenti tra urbano e rurale), l’analisi cluster ha come obiettivo

l’individuazione e la descrizione di tipologie di aree rurali tra loro differenti, in riferimento alle principali dimensioni socio-economiche.

Di conseguenza, il reperimento di informazioni statistiche in grado di dar conto di questi differenti profili di ruralità ha rappresentato un importante problema metodologico. In particolare, nel determinare le variabili maggiormente in grado di caratterizzare i diversi profili di ruralità in Europa, un importante strumento di indirizzo è rappresentato dagli interventi del Secondo Pilastro PAC. Il riferimento è alla sezione della politica agricola comunitaria destinata allo sviluppo rurale. Nel periodo di programmazione 2007-2013, tale pilastro risulta declinato in tre assi tematici principali: i) miglioramento della competitività del settore agricolo e forestale; ii) miglioramento dell’ambiente e dello spazio rurale; iii) qualità della vita nelle zone rurali e diversificazione dell'economia53 [Regolamento (CE) n. 1698/2005]. Muovendo da questo preciso riferimento normativo, è stato dunque possibile individuare sedici variabili, che fossero anche in grado di descrivere compiutamente la

ruralità in Europa (oltre che disponibili per l’intero complesso dell’Unione Europea a 27 al livello 3 della classificazione territoriale NUTS). Per maggiore semplificazione, Queste variabili sono state raccolte all’interno di cinque macro-categorie di riferimento, che rappresentano altrettante aree di criticità per le zone rurali, rispetto alle aree urbane:

1. Demografia: le aree rurali si sono caratterizzate, almeno nei decenni passati, per una forte tendenza allo spopolamento e all’invecchiamento della popolazione. Pertanto, le variabili comprese in questa categoria consentono di descrivere le principali caratteristiche socio-demografiche del modello insediativo delle aree rurali (densità della popolazione, tendenza all’invecchiamento, presenza di flussi migratori in entrata oppure in uscita);

1. Economia: della possibile arretratezza delle zone rurali rispetto alle aree urbane si è già detto. Il rapporto sullo sviluppo rurale dell’Unione Europea conferma come i dati su PIL pro capite e tassi di disoccupazione siano decisamente peggiori nelle aree rurali rispetto alle aree urbane [DG - Agriculture and Rural Development, 2011]. In questa sede si è deciso di analizzare il mercato del lavoro (tasso di disoccupazione), il grado di benessere economico conseguito (PIL pro-capite) e la rilevanza dei singoli settori economici (in particolare, rilevanza del settore agricolo oppure presenza di diversificazione manifatturiera sul territorio54);

2. Paesaggio rurale: rispetto alle aree urbane, nelle aree rurali prevalgono gli utilizzi agricoli dei suoli. Risulta dunque utile analizzare la quota del territorio ricoperta da terreni agricoli e (in misura complementare) la quota ricoperta da aree boschive e forestali. Altrettanto rilevante, nelle zone rurali, è la possibile presenza di svantaggi di natura geografica, che può rendere più critica la stessa attività agricola. In questo caso, l’individuazione di tali svantaggi è stata individuata facendo riferimento alla categoria delle LFA (Less Favoured Areas) riconducibili, normativamente, alla direttiva 75/268/CEE “sull’agricoltura di montagna e di talune zone svantaggiate”55

;

3. Accessibilità potenziale: come già evidenziato in sede di analisi fuzzy (cfr. capitolo 4) l’inaccessibilità rappresenta uno degli aspetti di maggiore criticità nell’analisi della ruralità europea. Anche per l’individuazione di cluster di aree rurali, viene dunque proposto l’indicatore di accessibilità potenziale multimodale

54. La presenza dell’attività terziaria non è stata rilevata: il dato tende a uniformare eccessivamente i risultati della cluster analysis.

55. In particolare, le aree svantaggiate sono identificate in primo luogo con le aree montane o collinari. Vi rientrano poi anche le aree a rischio di abbandono e altre aree affette da specifici handicap fisici o geografici.

(adottato in ESPON 1.1.1 [2006] e tratto dai lavori di Eskelinnen et al. [2000; 2002]);

4. Diversificazione dell’attività agricola: tale aspetto viene evidenziato come prioritario dalle politica comunitaria al fine di garantire una migliore qualità della vita nelle zone rurali (cfr. Asse 3 del II Pilastro PAC). In particolare, tra le variabili considerate ai fini della cluster analysis vi sono la presenza di strutture turistiche (posti letto turistici ogni 1.000 abitanti) e l’incidenza, tra le strutture agricole, di altre fonti di reddito diverse dall’agricoltura. [DG - Agriculture and Rural Development, 2011]

Rispetto a queste macro-categorie di riferimento, in Tabella 5.1 sono riportate le singole variabili utilizzate. All’interno della stessa tabella sono riportate anche le fonti statistiche utilizzate e l’anno di riferimento.

Per ciascuna di queste variabili di input, sono poi riportate, in Tabella 5.2, le principali statistiche descrittive: i) valore medio, ii) deviazione standard, iii) valori di minimo e di massimo, iv) quartili e mediana.

Tabella 5.1 - Variabili utilizzate nell’analisi cluster

Etichetta Descrizione Definizione Fonte Anno

Dem o g ra fi a Popolazion

e Popolazione Il dato è espresso in migliaia di abitanti (000) Eurostat 2009 Densità Densità popolazione Eurostat 2009 Dip_anzian i Indice dipendenza anziani Eurostat 2009 Migr Saldo migratorio

netto Eurostat 2008 Ec o n o m ia

PIL PIL pro-capite PIL pro-capite (€/ab.), espresso in PPA Eurostat 2009 Disoccup Tasso di

disoccupazione

% di persone senza occupazione sul totale

della popolazione attiva Eurostat 2009

VA_ Agri

% V.A. Agricoltura sul totale

Percentuale del valore aggiunto lordo del settore A (classif. NACE, rev. 2)56 sul valore aggiunto lordo totale. Il valore aggiunto lordo è il risultato netto dell’output prodotto e valutato a prezzi base meno i consumi intermedi (valutati a prezzi dell’acquirente).

Eurostat 2009

VA_Ind % V.A. Industria sul totale

Percentuale del valore aggiunto lordo dei settori B-E (classif. NACE, rev. 2) sul valore aggiunto lordo totale.

Eurostat 2009 Occ_ Agri % Occupati agricoltura sul totale

Percentuale di occupazione nel settore A

(classif. NACE, rev 2) sull’occupazione totale. Eurostat 2009 Occ_

Ind

% Occupati Industria sul totale

Percentuale di occupazione nei settori B-E

(classif. NACE, rev 2) sull’occupazione totale. Eurostat 2009

Pa e s a g g io Aree_ agri % aree agricole (sul totale dell'area)

Percentuale di superficie territoriale coperta da aree agricole (aree arabili non irrigate, aree ad irrigazione permanente, risaie, vigne, frutteti, oliveti, pascoli, raccolti permanenti, pattern di coltivazioni complesse, aree agroforestali)

Eurostat- CORINE 2006

Foreste % aree forestali (sul totale dell'area)

Percentuale di superficie territoriale coperta da foreste nonché da superfici semi-naturali.

Eurostat- CORINE 2006 LFA % aree agricole in

regioni LFA

Aree agricole in zone svantaggiate (Less

Favoured Areas, da cui l’acronimo LFA) sul

totale delle aree agricole

Eurostat FSS 2007 Ac c e s s ib ili tà Multi_ access Indice di accessibilità potenziale multimodale

L’indice corrisponde all’Indice di accessibilità potenziale proposto da Eskelinnen et al. [2000; 2002]. L’indice descrive quanto facilmente le persone in una regione riescono a raggiungere le persone che vivono in altre regioni. Come nel capitolo 4, l’accessibilità potenziale è calcolata sommando la popolazione in tutte le regioni Europee, pesate per il tempo necessario per raggiungerla. L’indice è poi standardizzato rispetto all’accessibilità media della UE-27 (UE-27 = 100).

Progetto ESPON 1.1.1 2006 Div e rs ifi c a z . a tt iv ità a g ri c o la Turist Posti letto in strutture turistiche per 1.000 abitanti

Numero totale di posti letto in strutture turistiche (hotel, campeggi turistici, alloggi per vacanze e altre strutture collettive) pesate per la popolazione residente

Eurostat 2010

Multifunz

% aziende agricole con altre fonti di reddito

% di imprenditori agricoli che presentano attività di guadagno diverse dall’attività agricola (diversificazione del reddito)

Eurostat FSS 2007

Fonte: elaborazione personale

56. I dati relativi all’incidenza dei singoli settori economici utilizzati nella presente analisi sono tratti dalle statistiche relative ai conti economici regionali di Eurostat. Dall’analisi di questi dati in serie storica, è tuttavia emersa la presenza di possibili incongruenze, in particolare per alcune osservazioni (circa 10) in Romania e Svezia. In attesa di un riscontro da Eurostat, si è comunque deciso di continuare a fare riferimento a tali dati ufficiali.

Tabella 5.2 – Statistiche descrittive: variabili analisi cluster

Media Dev.St. Minimo 1° Qu. Mediana 3° Qu. Massimo

Popolazione (000) 330,3 288,6 19,4 130,3 234,7 444,3 2.513,9 Densità 140,8 141,8 1,9 58,8 102,7 172,4 1.549,0 Dip_anziani 28,7 6,4 12,1 24,3 28,9 33,0 51,7 Migr 1,5 6,4 -19,7 -2,1 0,4 4,2 39,6 PIL (€) 19.537,0 6.653,7 5.100,0 15.600,0 19.600,0 23.600,0 62.500,0 Disoccup (%) 8,4 4,1 1,6 5,3 7,6 10,6 26,9 VA_agri (%) 3,683 3,467 0,025 1,409 2,499 4,593 23,783 VA_ind (%) 21,498 9,195 1,626 15,028 20,649 26,634 60,538 Occ_agri (%) 9,063 9,954 0,000 3,185 5,420 10,317 63,612 Occ_ind (%) 19,470 7,868 2,878 13,483 18,636 24,486 47,533 Aree_agri (%) 55,0 20,0 1,0 41,0 57,0 70,0 93,0 Foreste (%) 37,0 22,0 0,0 19,0 36,0 52,0 92,0 LFA (%) 51,62 33,44 0,0 25,75 50,90 83,06 100,00 Multi_access 83,68 32,43 15,70 57,90 84,10 108,88 179,10 Turist 82,37 114,04 1,27 20,92 40,72 90,01 843,81 Multifunz 37,78 14,24 3,82 27,48 37,48 45,74 90,75 Numero di osservazioni: 1000

Fonte: elaborazione personale

I valori qui riportati fanno riferimento alle sole osservazioni utilizzate per la cluster

analysis e, dunque, non tengono conto delle 288 aree urbane, escluse in questa fase. È

possibile tuttavia apprezzare, anche all’interno delle sole regioni considerate come rurali57

, un’elevata eterogeneità, relativamente alle principali caratteristiche socio-economiche. In modo particolare, il livello di benessere economico delle regioni non appare uniforme: il PIL pro-capite, ad esempio, varia da un minimo di 5.100 € pro-capite ad un massimo di 62.500 €; il tasso di disoccupazione, in modo analogo, tocca valori superiori al 26% in alcune province dell’Andalusia (Spagna Meridionale), a fronte di una media complessiva pari a 8,4%. Anche la densità della popolazione, benché nelle aree considerate risulti mediamente inferiore ai 150 abitanti / kmq, varia da meno di 2 abitanti / kmq (Finlandia Settentrionale) ad oltre 1.500 abitanti / kmq. Lo stesso indirizzo agricolo non presenta caratteristiche di uniformità. In media, infatti, il settore primario risulta molto sviluppato (3,6% del valore aggiunto totale; oltre il 9% dell’occupazione totale): tuttavia, alcune regioni presentano un’incidenza del settore primario inferiore all’1%, altre addirittura superiore al 10%.

Prima di procedere all’analisi multivariata, si segnala infine che la presenza di eventuali valori mancanti è stata colmata ricorrendo ai dati disponibili per il livello territoriale immediatamente superiore (generalmente il livello NUTS 2 o regionale). In alcuni casi, si è dovuto procedere sistematicamente ad alcune correzioni (ad esempio, su

57 . Si ricorda che si stanno considerando tutti i territori NUTS 3 con punteggio dell’indicatore fuzzy superiore a 0,2.

alcuni dati relativi alla struttura delle aziende agricole e tratti dall’indagine Farm Structure

Survey)58.