SIEDS 2010 Milano 27-29 MAGGIO 2010 LA PRESENZA STRANIERA IN ITALIA ATTRAVERSO L’USO DI MODELLI SPAZIALI MASSIMO MUCCIARDI* - PIETRO BERTUCCELLI**

Presentazione sul tema: "SIEDS 2010 Milano 27-29 MAGGIO 2010 LA PRESENZA STRANIERA IN ITALIA ATTRAVERSO L’USO DI MODELLI SPAZIALI MASSIMO MUCCIARDI* - PIETRO BERTUCCELLI**"— Transcript della presentazione:

1 SIEDS 2010 Milano MAGGIO 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 **Department S.E.Fi.S.A.S.T., University of Messina

2 Introduzione Il 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.

3 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).

4 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).

5 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.

6 Analisi dell’ autocorrelazione spaziale attraverso gli indici di Moran
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).

7 Moran scatterplot Unione europea

8 Valori z significativi per Unione europea
Moran I = 0.61 PROVINCIA LMiIndex COType Torino 0.9606 HH Bari 1.6138 LL Asti 0.9952 Taranto 1.8254 Arezzo 1.7888 Brindisi 1.9573 Siena 1.6521 Potenza 1.1345 Grosseto 1.9990 Matera 1.2166 Perugia 1.6073 Palermo 1.5375 Terni 3.0357 Caltanissetta 1.2317 Viterbo 4.1789 Enna 1.0599 Rieti 1.9088 Catania 1.1330 Roma 3.8999 Cagliari 2.0443 Latina 1.4860 Oristano 1.8918 Caserta 0.8933 Benevento 1.1752 Napoli 1.5536 Avellino 1.1395

9 Moran scatterplot Africa

10 Valori z significativi per Africa
Moran I =0.63 PROVINCIA LMiIndex COType Vercelli 0.6516 HH Bologna 0.9476 Novara 0.9452 Campobasso 1.0046 LL Milano 0.9858 Isernia 0.8264 Bergamo 2.4004 Benevento 1.0668 Brescia 3.0700 Avellino 1.0719 Cremona 2.0754 Taranto 1.3000 Mantova 3.5220 Brindisi 1.4042 Lecco 1.7324 Ragusa HL Lodi 2.4394 Verona 2.0116 Vicenza 0.8722 Piacenza 1.2025 Parma 2.2051 Reggio Emilia 2.2436 Modena 2.3034

11 Moran scatterplot America

12 Valori z significativi per America
Moran I = 0.50 PROVINCIA LMiIndex COType Alessandria 1.8647 HH Varese 1.0993 Como 0.6764 Milano 3.6125 Bergamo 1.1072 Pavia 1.7086 Lecco 0.7218 Lodi 1.9429 Savona 1.4837 Genova 6.4367 La Spezia 3.3264 Piacenza 3.0392 Parma 0.7414

13 Moran scatterplot Asia

14 Valori z significativi per Asia
Moran I =0.37 PROVINCIA LMiIndex COType Brescia 1.4445 HH Cremona 1.4139 Mantova 4.7475 Verona 1.3463 Reggio Emilia 1.3780 Modena 1.8689 Bologna 1.7988 Firenze 1.8680 Arezzo 0.8158 Prato 3.9407

15 Moran scatterplot paesi Europa dell’Est

16 Valori z significativi per paesi Europa dell’ Est
Moran I =0.71 PROVINCIA LMiIndex COType Trento 1.3220 HH Benevento 0.9836 LL Vicenza 1.7344 Catanzaro 1.1165 Belluno 1.0496 Palermo 1.9699 Treviso 2.0479 Messina 1.6415 Udine 1.3722 Agrigento 2.0325 Gorizia 2.0361 Caltanissetta 1.8196 Trieste 2.4491 Enna 1.7352 Pordenone 1.7825 Catania 1.6755 Rimini 1.6358 Siracusa 1.6077 Siena 0.8592 Nuoro 1.8573 Perugia 1.2843 Oristano 1.8557 Pesaro e Urbino 1.4816 Macerata 1.4454

17 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.

18 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 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, 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 Atlante Statistico dei comuni (2009) - ISTAT

19 FINE