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 massimo.mucciardi@unime.it

**Department S.E.Fi.S.A.S.T., University of Messinapbertuccelli@unime.it

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