Un’analisi sperimentale per la misurazione del benessere dei comuni italian
Laureati 30-34 anni iscritti in anagrafe
3 Lettura dei risultati e approcci di analis
Utilizzando l’indice sintetico per approfondimenti di analisi del fenomeno, si pone l’accento sulla correlazione tra coppie di variabili (sotto-paragrafo 3.1) e si applica un metodo di classificazione per una migliore lettura territoriale dei dati (sotto-paragrafo 3.2).
Figura 2: Mappa del benessere nei comuni italiani. Anno 2015
3.1
Analisi esplorativa sull’associazione tra fattori
La costruzione di un indice composito di benessere consente di stilare una graduatoria dei Comuni. Per studiare e comprendere la morfologia del benessere occorre arricchire l’analisi, esaminando le relazioni reciproche con altre grandezze che possono essere considerate pienamente espressive del fenomeno [5].
La variabile e l'indicatore presi in considerazione per l'analisi sono: • ampiezza demografica dei comuni (popolazione iscritta in anagrafe);
• bassa intensità lavorativa delle famiglie anagrafiche3 (famiglie anagrafiche con
intensità lavorativa inferiore al 20% del proprio potenziale/totale famiglie anagrafiche per 100).
I risultati della correlazione, evidenziati in Figura 3, sottolineano come l’indice di benessere risulti non correlato con l’ampiezza demografica del comune: c’è variabilità nei livelli di benessere sia nei comuni piccoli che in quelli medio-grandi; di conseguenza
3 L’intensità lavorativa è convenzionalmente definita come il rapporto fra il numero totale di mesi lavorati dai componenti della famiglia durante l’anno di riferimento e il numero totale di mesi teoricamente disponibili per attività lavorative. Ai fini del calcolo di tale rapporto, si considerano i membri della famiglia di età compresa fra i 18 e i 59 anni, escludendo gli studenti nella fascia di età tra i 18 ei 24 anni. Famiglie composte soltanto da bambini, da studenti di età inferiore a 25 anni e/o persone di 60 anni o più non vengono considerate nel calcolo dell'indicatore.
sembra che il benessere non sia legato tanto alla grandezza in termini di popolazione del comune quanto alla sua localizzazione geografica lungo lo stivale. Di contro, l’indice composito di benessere è inversamente correlato con la percentuale di famiglie con bassa intensità lavorativa. Poiché quest’ultima è costruita sommando il numero di mesi in cui i componenti della famiglia registrano una copertura contrattuale, può essere interpretata come misura di inclusione/esclusione socio-economica.
Figura 3: Correlazione tra AMPI e ampiezza demografica e tra AMPI e bassa intensità lavorativa
3.2
Un esempio di rappresentazione territoriale del benessere
Per una migliore rappresentazione delle caratteristiche demografiche e territoriali dei comuni ai quali è associato un preciso livello di benessere è stato applicato un metodo di classificazione ad “Albero di regressione”4. Nell’applicazione sono stati considerati tre
variabili di tipo territoriale (ripartizione geografica, regione e classi di ampiezza demografica a livello comunale) come variabili indipendenti e l’indice composito di benessere come variabile dipendente.
Complessivamente risultano 72 nodi totali: i nodi terminali, in corrispondenza dei quali l’espansione dell’albero termina, sono 49. Essi rappresentano le migliori classificazioni per il modello scelto. Al primo livello la ripartizione geografica costituisce lo step migliore di classificazione. Proseguendo nella lettura del successivo livello, nodi 1-5, emerge una differente variabile di classificazione a seconda della ripartizione: se per il Nord-Ovest e il Nord-Est (il valore dell’indice è rispettivamente pari a 99,235 e 100,949) risulta essere la classe di ampiezza demografica, nelle ripartizioni del Centro, del Sud e delle Isole, invece, la discriminante è la regione.
Nella Figura 4 viene riportata, come esempio, la sezione dell’albero in cui è presente il nodo migliore, il nodo 18, costituito da 82 comuni del Nord- Est con una popolazione di oltre 15 mila abitanti (l’indice di benessere è in media pari a 102,629).
4 È stato scelto questo metodo in quanto non parametrico. Il metodo utilizzato è il CHAID (Chi-squared Automatic Interaction Detection.): per ogni passaggio, viene scelta la variabile (predittore) indipendente con la più forte interazione con la variabile dipendente. Le categorie di ogni predittore sono unite se non sono diverse in modo rilevante rispetto alla variabile dipendente.
164 Bernardini A., Bonardo D., Mazziotta M. e Quondamstefano V.
4 Conclusioni
Il tema della misurazione del benessere ha da tempo affiancato al carattere scientifico il punto di vista della programmazione economica nazionale. Scendere ad un dettaglio territoriale maggiormente fine consente di misurare il fenomeno a livello comunale dove la programmazione del territorio è particolarmente importante. La banca dati sperimentale dell’Istat “A misura di comune” contiene decine di indicatori socio- economici-demografici desunti da archivi amministrativi e disponibili con cadenza annuale. L’analisi sperimentale proposta nel paper disegna una geografia del territorio italiano assolutamente rispondente alla realtà raccontata dai dati prodotti dalle indagini campionarie nel corso degli ultimi anni. L’utilizzo di indici sintetici per la rappresentazione del fenomeno multidimensionale e il metodo di classificazione consentono una lettura semplificata della realtà che evidenzia la presenza di aree con differenti livelli di benessere.
Figura 4: Albero di classificazione
Riferimenti bibliografici
[1] Diamantopulos, A., Riefler, P., Roth, K.P. (2008). Advancing formative measurement models. Journal of Business Research, 61
[2] De Muro, P., Mazziotta, M., Pareto, A. (2011). “Composite Indices of Development and Poverty: An Application to MDGs”. Social Indicators Research 104: 1-18 [3] Garofalo, G. (2014). Il Progetto ARCHIMEDE obiettivi e risultati sperimentali. Istat
[4] Maggino, F., Nuvolati, G. (2012). Quality of Life in Italy. Springer
[5] Mazziotta, M. (2017). “Well-Being Composite Indicators for Italian Municipalities:
Case Study of Basilicata”. Working papers Series n.1/2017. Department of Social
Sciences and Economics, Sapienza University of Rome.
[6] Mazziotta, M., Pareto, A. (2011), “Nuove misure del benessere: dal quadro teorico alla sintesi degli indicatori”, Rivista on-line della Società Italiana di Statistica. [7] Mazziotta, M., Pareto, A. (2016). “On a Generalized Non-compensatory Composite
Index for Measuring Socio-economic Phenomena”. Social Indicators Research 127 (3): 983-1003
[8] Mazziotta, M., Pareto, A. (2017). “Synthesis of indicators: the composite indicators approach”. In: “Complexity in Society: From Indicators Construction to their
Synthesis”, Filomena Maggino Editors. Social Indicators Research Series: 159-191.
Springer
[9] Mazziotta M., Pareto A. (2018). “Use and Misuse of PCA for Measuring Well- being”. Social Indicators Research https://doi.org/10.1007/s11205-018-1933-0. pp. 1-26, Springer.