Una volta ottenuto il Touristic Presence Index a livello comunale `e stato implemen- tato un meccanismo grazie al quale `e tale valore `e stato calcolato per singola sezione di censimento. L’assunzione su cui si fonda questo procedimento `e il fatto che a livello micro la distribuzione delle fotografie che compongono il dataset rispecchi il comportamento dei turisti, quindi `e possibile utilizzare tale dato come driver per la distribuzione delle presenze turistiche all’interno di ogni comune.
Per prima cosa `e stato necessario associare ad ogni sezione di censimento un valore che misuri la quantit`a di fotografie le cui coordinate cadono all’interno della sua area. Considerando come misura il numero assoluto di fotografie in una sezione si presenta il problema che tale valore `e sensibile alla dimensione della sezione stes- sa, nel senso che utilizzare questa metrica porta a privilegiare le sezioni di grandi dimensioni rispetto a quelle pi`u piccole in cui `e possibile che siano presenti meno fotografie in valore assoluto ma che in realt`a la loro concentrazione sia pi`u elevata. Visto questo problema `e stato ipotizzato di normalizzare tale valore in base all’a- rea della sezione di censimento, ottenendo cos`ı un valore di densit`a. Con questo approccio si verifica per`o il problema opposto ossia che per le aree molto piccole `e sufficiente avere un numero bassissimo di immagini per avere un valore di densit`a
CAPITOLO 7. STIMA DELLE PRESENZE TURISTICHE IN ITALIA 73
elevato. Vista la necessit`a di bilanciare queste due problematiche `e stato utilizzato un approccio intermedio che ci ha permesso di calcolare un indicatore della presenza di fotografie a cui ci riferiremo come IPF.
Analizzando la distribuzione di questo indicatore tra le sezioni dei comuni ab- biamo osservato che nella maggior parte dei casi tale dato segue una distribuzione a coda lunga. Questo significa che, per ogni comune, un numero basso di sezioni ha associato un IPF alto mentre per la maggior parte delle sezioni tale valore `e bas- sissimo. Anzich´e distribuire il numero di turisti in modo indipendente tra le singole sezioni abbiamo ritenuto pi`u corretto creare delle classi in cui raggruppare sezioni omogenee. Per raggiungere questo scopo `e stato utilizzato uno schema di classifica- zione in cui il numero delle classi e l’intervallo di valori che definisce ogni classe viene determinato naturalmente in base alla distribuzione dei dati. Come detto poco fa, in una distribuzione heavy-tailed c’`e sbilanciamento tra la porzione di dati che ricade nella testa e nella coda. E’ interessante il fatto che tale sbilanciamento ricorre anche nei valori appartenenti alla testa, permettendo cos`ı di dividere ricorsivamente i dati in classi omogenee. Questa caratteristica, comune a tutti i dati con distribuzione a coda lunga, `e la base su cui `e stato ideato lo schema di classificazione Head-Tail Breaks [25].
Questo modello inizialmente raggruppa i dati in due parti in base alla media arit- metica dei valori, distinguendo quindi la coda, che contiene i dati poco interessanti, dalla testa. Continua poi partizionando i valori superiori alla media ricorsivamente fino al verificarsi di una condizione di terminazione dell’algoritmo.
In Figura 7.6 viene riportato il codice dell’algoritmo Head-Tail Breaks imple- mentato in PySpark.
Figura 7.6: Head-Tail Breaks
Tale funzione `e stata applicata alle sezioni di tutti i comuni in cui il numero di fotografie scattate `e maggiore di 10, in quanto effettuando alcuni test `e stato os- servato che in comuni dove il numero di fotografie `e cos`ı basso la distribuzione dei dati non `e a coda lunga e quindi non ha senso utilizzare tale algoritmo. In questi casi le presenze turistiche sono state ripartite per sezione di censimento in modo
CAPITOLO 7. STIMA DELLE PRESENZE TURISTICHE IN ITALIA 74
proporzionale al numero di fotografie per sezione ma `e importante far notare che tali comuni sono realt`a di scarso interesse turistico.
Siamo in questo modo riusciti a creare per ogni comune un insieme di classi all’interno delle quali vengono raggruppate le sezioni che presentano un livello di attrattivit`a turistica simile.
Vediamo ad esempio il comportamento dell’algoritmo applicato alle sezioni di censimento del comune di Milano.
Osservando il grafico in Figura 7.7 `e evidente che in questo comune la distribu- zione delle fotografie tra le sezioni sia a coda lunga.
Figura 7.7: Distribuzione delle fotografie tra le sezioni di Milano
Le sezioni di censimento del comune di Milano, che in totale sono 6.085, vengo- no suddivise dall’algoritmo in 7 classi, con le numerosit`a mostrate nella Tabella 7.9.
Classe Numero sezioni 1 5.272 2 672 3 110 4 23 5 5 6 2 7 1
Tabella 7.9: Suddivisioni in classi delle sezioni del comune di Milano
Quindi l’86% delle sezioni, che costituisce la coda della distribuzione, viene inse- rita nella classe pi`u bassa e va a costituire l’area in cui il turismo `e nullo. I restanti valori sono stati distribuiti tra le 6 fasce pi`u alte seguendo la gerarchia intrinseca
CAPITOLO 7. STIMA DELLE PRESENZE TURISTICHE IN ITALIA 75
nella distribuzione.
Una volta ottenuta la suddivisione in classi delle sezioni di censimento di ogni comune italiano `e necessario individuare un metodo per assegnare alle sezioni di cia- scuna classe il numero corretto di turisti. Infatti la classe `e solamente un indicatore categorico mentre ci`o che ci interessa costruire `e un valore che indichi la percen- tuale di turisti rispetto al totale comunale da assegnare alle sezioni di censimento appartenenti ad una certa classe.
Per ogni comune `e stato calcolato l’IPF medio per ogni classe, tale valore viene normalizzato in base al massimo e minimo comunale in modo da ottenere un indi- catore compreso tra 0 e 1. In questo modo alla classe pi`u bassa non sar`a assegnato alcun turista, alle sezioni della classe pi`u alta viene assegnato il 100% dei turisti del comune, mentre per le altre fasce viene attribuita la frazione di turisti indicata dall’indicatore calcolato. In questo modo siamo riusciti ad attribuire ad ogni sezione di censimento una stima del numero di presenze medie annue, rappresentato dal Tourstic Presence Index.
Capitolo 8
Knowledge Consolidation
Il progetto descritto in questa tesi ha permesso di arricchire il dato Istat che pre- senta limiti notevoli nella rappresentazione del fenomeno turistico non prendendo in considerazione aspetti che invece risultano rilevanti. In questo capitolo riportiamo a livello esemplificativo alcune mappe relative a diverse aree del territorio italiano che permettono di capire come il Touristic Presence Index riesce a rappresentare il flus- so turistico in Italia e come le tre componenti da cui `e composto si integrano tra loro.
8.1
Mappe a livello comunale
In questa sezione vengono riportate alcune mappe a livello comunale in cui si cerca di descrivere come `e strutturato il fenomeno del turismo in Italia e come il Touristic Presence Index rappresenta effettivamente un miglioramento rispetto ai dati ufficiali forniti dall’Istat.
La Figura 8.1 riporta la mappa dell’Italia a livello comunale tematizzata in base al valore dell’indice Touristic Presence Index. Le zone colorate in grigio sono quelle considerate non turistiche in quanto il numero di presenze stimate `e troppo basso per classificare il comune come turistico. Coerentemente ai risultati riportati nella Sezione 7.1.4, si osserva che le zone con valori pi`u alti di Touristic Presence Index, colorate in blu scuro, corrispondono alle principali citt`a d’arte oltre che alla riviera romagnola e veneta. Si pu`o poi notare che il nostro indice permette di stimare un alto numero di presenze turistiche nella maggior parte dei comuni costieri, nelle zone interne della Toscana, lungo l’appennino Tosco-Emiliano e nelle principali localit`a montane di Trentino Alto Adige, Piemonte e Valle d’Aosta.
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 77
Figura 8.1: Mappa a livello comunale del Touristic Presence Index
Per evidenziare come questo indicatore vada ad arricchire il dato fornito dal- l’Istat, nella mappa in Figura 8.2, i comuni sono colorati in base alla variazione percentuale tra il Touristic Presence Index e il dato iniziale. Considerando poi le tre componenti da cui si ottiene il Touristic Presence Index si pu`o creare una map- pa a livello comunale tematizzata in base alla tipologia di turismo prevalente, come mostrato in Figura 8.3.
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 78
Figura 8.2: Mappa a livello comunale tematizzata in base alla variazione percentuale di presenze turistiche
Mettendo a confronto le due immagini si pu`o notare che l’incremento dato dal Touristic Presence Index `e maggiore nelle zone in cui il turismo non `e di tipo alber- ghiero. Nei comuni dove la prevalenza turistica `e data dai soggiorni nelle strutture ricettive ufficiali il valore del Touristic Presence Index `e molto vicino al dato fornito da Istat, come conferma il fatto che tali aree nella Figura 8.2 sono colorate in blu. E’ evidente per`o come nella maggior parte dei casi l’indice da noi calcolato vada a migliorare il dato iniziale, infatti su 1996 comuni considerati turistici solamente 105 rientrano nella classe dove la variazione percentuale `e bassa; ben 767 comuni rientrano invece nella classe in cui l’incremento rispetto al dato Istat `e molto alto.
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 79
Figura 8.3: Mappa a livello comunale tematizzata in base alla tipologia di turismo prevalente
Effettuare un analisi su questi dati a livello nazionale risulta complesso e poco significativo in quanto in realt`a `e pi`u interessante considerare ci`o che accade a livello locale. Per questo motivo andiamo ad analizzare pi`u dettagliatamente alcune zone d’Italia.
Il primo esempio che riportiamo riguarda la regione Sicilia dove nel 90% dei comuni considerati turistici la variazione percentuale tra il Touristic Presence Index e i dati Istat relativi al turismo risulta elevata. La componente di turismo nelle case vacanze prevale nettamente sulle altre due, come visibile dalle mappe in Figura 8.4.
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 80
Questo risultato ci dice che la ricettivit`a ufficiale non `e sufficiente ad accogliere la domanda turistica in Sicilia e le case vacanze vanno a sopperire a questa mancanza. Basandoci su ci`o che viene mostrato dalla mappa tematizzata in base alla tipo- logia di turismo prevalente l’escursionismo non appare ma ci`o non significa che tale fenomeno non esista.
(a) Variazione presenze turistiche
(c) Tipologia di turismo prevalente
Figura 8.4: Mappe tematiche della Regione Sicilia
Se infatti osserviamo le mappe in Figura 8.5 possiamo notare come le tre tipologie di turismo sono distribuite tra i vari comuni.
Confermando quanto appena sostenuto `e evidente che il turismo nelle case vacan- ze `e fortemente diffuso mentre l’escursionismo risulta essere presente in pochissimi comuni, in questo caso le mete pi`u frequentate risultano essere i principali capoluo- ghi di provincia, le Isole Eolie e le Isole Egadi. Si nota anche la carenza di turismo nelle strutture ricettive ufficiali, anch’esso concentrato principalmente nelle citt`a e negli arcipelaghi.
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 81
(a) Presenze Istat (b) Presenze in case vacanze
(c) Escursionisti (d) Touristic Presence Index
Figura 8.5: Presenze turistiche in Sicilia
Un’altra zona che abbiamo deciso di portare come esempio `e il Golfo di Napoli in cui invece il comportamento dei turisti risulta pi`u complesso, come visibile dalla Figura 8.6.
Anche in questo caso il Touristic Presence Index apporta un notevole migliora- mento rispetto al dato fornito dall’Istat in quanto riesce a stimare in maniera pi`u coerente alla realt`a il numero di presenze medie annue. Ad esempio si osserva che l’incremento `e molto alto nei comuni adiacenti le pendici del Vesuvio, dove la ca- pacit`a ricettiva `e scarsa mentre il nostro indice si discosta in modo meno netto da quello iniziale.
E’ interessante osservare come le tre tipologie di turismo si integrano in questo territorio. Nei comuni che si trovano sull’Isola di Ischia, Napoli e quelli della peni- sola sorrentina la forma di turismo prevalente risulta quello nelle strutture ricettive ufficiali. Anche in questa zona le case vacanze risultano essere una componente
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 82
(a) Variazione presenze turistiche
(c) Tipologia di turismo prevalente
Figura 8.6: Presenze turistiche nel Golfo di Napoli
particolarmente forte ma in alcuni comuni risulta prevalente l’escursionismo. Ad esempio il Touristic Presence Index corregge in modo significativo i dati ufficiali sul turismo relativi al comune di Pompei, il quale vanta la presenza di uno dei principali siti archeologici al mondo.
Mentre le presenze Istat registrate sono meno di 200.000, il Touristic Presence Index raggiunge circa il milione e mezzo, di cui l’80% sono escursionisti. Tale valore risulta coerente con il numero medio annuo di ingressi registrati ogni nel sito archeo- logico [26]. Anche in molti altri comuni della zona (come Ercolano, Capri, Anacapri, Amalfi, Positano) il fenomeno dell’escursionismo risulta la componente prevalente tra le tre. E’ quindi ragionevole ipotizzare che i turisti dormano nei comuni limitrofi e poi trascorrano la giornata in queste localit`a.
CAPITOLO 8. KNOWLEDGE CONSOLIDATION 83
(a) Presenze Istat (b) Presenze in case vacanze
(c) Escursionisti (d) Touristic Presence Index
Figura 8.7: Presenze turistiche nel Golfo di Napoli