SIEDS 2010Milano 27-29 MAGGIO 2010
LA PRESENZA STRANIERA IN ITALIA ATTRAVERSO L’USO DI MODELLI
SPAZIALI
MASSIMO MUCCIARDI* - PIETRO BERTUCCELLI**
*Department D.E.S.Ma.S. “V. Pareto”, University of Messina [email protected]
**Department S.E.Fi.S.A.S.T., University of [email protected]
IntroduzioneIl presente lavoro si prefigge di offrire un quadro quantitativo sulla distribuzione
spaziale degli immigrati distinti per provenienza geografica. In questa fase
della ricerca, sebbene una prima stima dei modelli sia già stata eseguita,
presenteremo esclusivamente i risultati concernenti la fase esplorativa delle
variabili. A partire dai dati presenti sull’Atlante Statistico dei Comuni (Istat,
2009) sono stati applicate tecniche di analisi di autocorrelazione spaziale
locale per esaminare la distribuzione territoriale degli stranieri presenti sul
territorio provinciale italiano.
L’analisi condotta allo stato attuale del lavoro, evidenzia una sostanziale
differenza tra le aree geografiche di provenienza degli immigrati (Unione
Europea, paesi dell’Est Europa, Africa, Asia e America). In modo particolare, i
risultati suggeriscono una forte presenza di fenomeni di clusterizzazione
spaziale.
Alcune metodologie utilizzate per il fenomeno migratorio
• Il meccanismo delle “catene di richiamo” (REYNERI, 1979);
• Analisi dei flussi (Tobler, 1987);• Quadrat analysis (elaborata per analizzare il
particolare fenomeno della collocazione e disposizione di un insieme di punti su una superficie) (Altavilla- Mazza, 2008).
I fenomeni migratori dal punto di vista dell’analisi spaziale (1)
L’applicazione di tecniche di analisi spaziale ai fenomeni migratori è stata finora piuttosto limitata o piuttosto trascurata in favore di tecniche di analisi più “classiche”. In realtà, la scarsa disponibilità di dataset georeferenziati ha sempre limitato l’applicazione delle molte metodologie che compongono il corpus letterario riguardante l’analisi statistica dei dati spaziali, in cui risulta fondamentale il legame tra dato e coordinate (in qualsiasi sistema di riferimento).
I fenomeni migratori dal punto di vista dell’analisi spaziale (2)
Negli ultimi anni, lo sviluppo delle tecnologie informatiche, in particolare i GIS e, più in generale, le basi di dati, ha comunque favorito a incrementare l’interesse della comunità scientifica verso questo tipo di analisi. Infatti, la possibilità utilizzare nuovi strumenti quali, per esempio, le mappe tematiche, ha enormemente ampliato le possibilità esplicative e interpretative di una moltitudine di casi studio. Soprattutto in campo demografico, le applicazioni di tipo territoriale hanno visto un notevole sviluppo. Tematiche come la fertilità (Lesthaeghe and Neels, 2002; White et al.,2007) hanno trovato ampia trattazione.
Analisi dell’ autocorrelazione spaziale attraverso gli indici di Moran
n
ijjjijii zwzI
,
Dove le osservazioni zi and zj sono in forma standardizzata e i pesi wij sono elementi generici della matrice di interconnessione W (generalmente in forma standardizzata per riga ).La matrice dei pesi utilizzata nella presente applicazione è stata generata attraverso l’algoritmo “maxmin” (Mucciardi, 1998) (distanza di soglia di 80,8 Km). Evidenzieremo ora i risultati più importanti che abbiamo ottenuto considerando l’analisi dei cluster e degli outlier spaziali. Essi sono basati sull’indice globale di Moran (Moran I) e sull’ indice locale (Anselin’s Local Moran, 1995) calcolati attraverso Sjoint (Mucciardi-Bertuccelli, 2007) e mappati attraverso l’uso del GIS (ARCGIS 9.1).
Moran scatterplot Unione europea
3,02,01,00,0-1,0-2,0
Unione_st
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
Un
ion
e_
W
Oristano
Cagliari
Catania Enna
Agrigento
Matera
Potenza
Brindisi
Taranto
Caserta
Latina
RomaRieti
ViterboTerni
PerugiaGrosseto
Siena
ArezzoAsti
Torino
Sassari
Palermo
Vibo ValentiaCrotone
Reggio Calabria
Cosenza
Isernia
Pescara
Teramo
L'AquilaAscoli Piceno
Ancona
Prato
Pisa
Livorno
Firenze
PistoiaLucca
Massa Carrara
Rimini
Forli'-CesenaFerrara
Reggio EmiliaParma
Genova
PordenoneTrieste Udine
Padova
Belluno Vicenza
Verona
Trento
Bolzano
Lodi
CremonaBrescia
Sondrio
Varese
Aosta
Cuneo
Sign
No signsign_unione
Valori z significativi per Unione europeaMoran I = 0.61
PROVINCIA LMiIndex COType PROVINCIA LMiIndex COType
Torino 0.9606 HH Bari 1.6138 LL
Asti 0.9952 HH Taranto 1.8254 LL
Arezzo 1.7888 HH Brindisi 1.9573 LL
Siena 1.6521 HH Potenza 1.1345 LL
Grosseto 1.9990 HH Matera 1.2166 LL
Perugia 1.6073 HH Palermo 1.5375 LL
Terni 3.0357 HH Caltanissetta 1.2317 LL
Viterbo 4.1789 HH Enna 1.0599 LL
Rieti 1.9088 HH Catania 1.1330 LL
Roma 3.8999 HH Cagliari 2.0443 LL
Latina 1.4860 HH Oristano 1.8918 LL
Caserta 0.8933 LL
Benevento 1.1752 LL
Napoli 1.5536 LL
Avellino 1.1395 LL
Moran scatterplot Africa
3,02,01,00,0-1,0-2,0-3,0
Africa_st
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
Afr
ica
_W
Ragusa
Brindisi
Taranto
Benevento Isernia
BolognaModena
Reggio Emilia
Parma
Vicenza
Verona
Lodi
Lecco
Mantova
Cremona
Brescia
Bergamo
Milano
Vercelli
SiracusaCatania
Agrigento
Messina
Trapani
Catanzaro
Cosenza
Ascoli Piceno
Macerata
Ancona
Terni
Perugia
Prato
Siena
Arezzo
Firenze
Pistoia Lucca
Massa Carrara
Rimini
Forli'-Cesena
Ravenna
FerraraLa Spezia
Gorizia
Rovigo
Padova
Trento
Bolzano
Pavia
Sondrio
Aosta
Cuneo
Sign
No signsign_africa
Valori z significativi per Africa
Moran I =0.63
PROVINCIA LMiIndex COType PROVINCIA LMiIndex COType
Vercelli 0.6516 HH Bologna 0.9476 HH
Novara 0.9452 HH Campobasso 1.0046 LL
Milano 0.9858 HH Isernia 0.8264 LL
Bergamo 2.4004 HH Benevento 1.0668 LL
Brescia 3.0700 HH Avellino 1.0719 LL
Cremona 2.0754 HH Taranto 1.3000 LL
Mantova 3.5220 HH Brindisi 1.4042 LL
Lecco 1.7324 HH Ragusa -1.1383 HL
Lodi 2.4394 HH
Verona 2.0116 HH
Vicenza 0.8722 HH
Piacenza 1.2025 HH
Parma 2.2051 HH
Reggio Emilia 2.2436 HH
Modena 2.3034 HH
Moran scatterplot America
3,02,01,00,0-1,0-2,0-3,0
America_st
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
Am
eri
ca
_W
Enna
Parma
Piacenza
La SpeziaGenova
Savona
Lodi
Lecco
Pavia
BergamoMilano
Como
Varese
Alessandria
Nuoro
SassariAgrigento
Vibo Valentia
Bari
Isernia
Campobasso
Pescara
Teramo
Latina
Roma
RietiViterbo
Ascoli Piceno
Macerata
Terni
PerugiaGrosseto
Arezzo
LivornoFirenze
Pistoia
Lucca
Massa Carrara
Rimini
Ravenna Bologna
Imperia
Cremona
Asti
CuneoNovara
Vercelli
Torino
Sign
No signsign_america
Valori z significativi per America
Moran I = 0.50
PROVINCIA LMiIndex COType
Alessandria 1.8647 HH
Varese 1.0993 HH
Como 0.6764 HH
Milano 3.6125 HH
Bergamo 1.1072 HH
Pavia 1.7086 HH
Lecco 0.7218 HH
Lodi 1.9429 HH
Savona 1.4837 HH
Genova 6.4367 HH
La Spezia 3.3264 HH
Piacenza 3.0392 HH
Parma 0.7414 HH
Moran scatterplot Asia
5,04,03,02,01,00,0-1,0-2,0-3,0-4,0-5,0
Asia_st
5,0
4,0
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
-5,0
As
ia_
W
Prato
Arezzo Firenze
Bologna
Modena
Reggio Emilia
VeronaMantova
Brescia
Sassari
Messina
Palermo
PescaraTeramo
L'Aquila Roma
Rieti Ascoli Piceno
MacerataTerni
Perugia
Siena
Pisa
Pistoia
Lucca
Parma
Gorizia
Treviso Vicenza
Trento
Biella
Sign
No signsign_asia
Valori z significativi per Asia
Moran I =0.37
PROVINCIA LMiIndex COType
Brescia 1.4445 HH
Cremona 1.4139 HH
Mantova 4.7475 HH
Verona 1.3463 HH
Reggio Emilia 1.3780 HH
Modena 1.8689 HH
Bologna 1.7988 HH
Firenze 1.8680 HH
Arezzo 0.8158 HH
Prato 3.9407 HH
Moran scatterplot paesi Europa dell’Est
3,02,01,00,0-1,0-2,0-3,0
Paesi_Est_st
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
Pa
es
i_E
st_
W
OristanoNuoro
Siracusa
Ragusa
AvellinoBenevento
Macerata
Pesaro e Urbino
Perugia
Siena
Rimini
Trieste
GoriziaUdine
Belluno
Trento
SassariCrotone
Potenza
Foggia
Napoli
Caserta
Isernia Chieti
Pescara
Teramo
L'Aquila
Frosinone
Roma
RietiViterbo
Ascoli Piceno
Ancona
Prato
Arezzo
Pisa
Livorno
Firenze
Pistoia
Massa Carrara
Ferrara
ParmaPiacenza
La Spezia
Venezia
Pavia
Bergamo
Como
Aosta
Biella Asti
Sign
No signsign_paesiest
Valori z significativi per paesi Europa dell’ EstMoran I =0.71
PROVINCIA LMiIndex COType PROVINCIA LMiIndex COType
Trento 1.3220 HH Benevento 0.9836 LL
Vicenza 1.7344 HH Catanzaro 1.1165 LL
Belluno 1.0496 HH Palermo 1.9699 LL
Treviso 2.0479 HH Messina 1.6415 LL
Udine 1.3722 HH Agrigento 2.0325 LL
Gorizia 2.0361 HH Caltanissetta 1.8196 LL
Trieste 2.4491 HH Enna 1.7352 LL
Pordenone 1.7825 HH Catania 1.6755 LL
Rimini 1.6358 HH Siracusa 1.6077 LL
Siena 0.8592 HH Nuoro 1.8573 LL
Perugia 1.2843 HH Oristano 1.8557 LL
Pesaro e Urbino 1.4816 HH
Macerata 1.4454 HH
Sviluppi futuri
• Individuare un insieme di variabili che aiuti a spiegare i fenomeni di clusterizzazione spaziale riscontrati con le analisi degli indici di Moran.
• Costruire modelli di regressione geografica pesata (GWR, Fotheringham 2002) che tengano conto della forte presenza di autocorrelazione spaziale.
• Cercare di valutare, attraverso opportuni metodi di stima, il peso della componente clandestina sui flussi migratori regolari.
Riferimenti• L Anselin, (1995) – Local Indicators of spatial association; Geographical Analysis 27(2):93-115• AS Fotheringham, C Brunsdon, M Charlton (2002) - Geographically weighted regression: the
analysis of spatially varying relationships; John Wiley & Sons• R Lesthaeghe, K Neels (2002) - From the First to the Second Demographic Transition: An
Interpretation of the Spatial Continuity of Demographic Innovation in France, Belgium and Switzerland. In: European Journal of Population 18, pp. 325-360.
• M Mucciardi, P Bertuccelli (2007) - S-Joint: a new software for the analysis of spatial data; Atti della Riunione Scientifica Intermedia della Società Italiana di Statistica, Venezia.
• M Mucciardi (1998) - La procedura D.S.M.A. per la misura dell’intensità dei legami tra unità spaziali di tipo puntuale; SIS XXXIX Riunione Scientifica, Sorrento, 773-779.
• M J White, G Gabrielli, L Bernardi, D I Kertzer, S Perra (2007): Regional Context and Fertility. Population Association of America 2007 annual meeting program, New York march 29-31.
• Atlante Statistico dei comuni (2009) - ISTAT
FINE