Mettiti in comunicazione con noi

Economia & lavoro

Dipendenti con Bassa Paga nelle Regioni Italiane

Il centro Italia è l’area geografica con minore presenza di lavoratori a bassa paga tra le macro-aree italiane.

Pubblicato

su

DI ANGELO LEOGRANDE

Credit foto emilius da atlantide license CC BY-NC-SA 2.0

L’Istat nel 2019 calcola il valore dei dipendenti con bassa paga. I dipendenti con bassa paga vengono definiti come quella “Percentuale di dipendenti con una retribuzione oraria inferiore a 2/3 di quella mediana sul totale dei dipendenti[1].

Ranking delle regioni per valore dei dipendenti con bassa paga nelle regioni italiane. Al primo posto della classifica dei dipendenti con bassa paga nel 2019 c’è la Calabria con un valore pari al 21%, seguito dalla Campania con un valore pari a 17,4% e dalla Sicilia con un valore pari a 17,3%. Il Molise è al nono posto con un valore pari a 9,5% dei lavoratori con bassa paga, seguito dall’Umbria con un valore pari a 8,9% e dal Piemonte con un valore pari a 8,1%. Chiudono la classifica Friuli Venezia-Giulia con un valore pari a 6,1%, Lombardia con un valore pari a 5,7%, e Trentino-Alto Adige con un ammontare pari a 4,8%.

Il ranking delle regioni per variazione dei lavoratori con bassa paga nel passaggio tra il 2008 ed il 2019.  Se si guarda al valore della variazione del valore dei lavoratori con bassa paga nel passaggio tra il 2008 ed il 2019 allora è possibile verificare che vi sono i losers ed i winners. I losers sono quelle regioni nelle quali il valore dei lavoratori con bassa paga è cresciuto. I winners sono quelle regioni nelle quali il valore dei lavoratori con bassa è diminuito. Tra i losers vi sono la Sicilia, al primo posto, con un valore pari a 1,8%, la Valle d’Aosta al secondo posto con un valore pari a 1,00%, il Veneto e la Calabria con un valore pari a 0,3%, la Liguria con un valore pari a 0,2%, e l’Umbria con un valore pari a 0,1%. Tra i winners al primo posto vi è il Molise con un valore pari a -2,5%, seguita dalla Sardegna con -2,4% e dalle Marche con un valore pari a 2,00% e a seguire le altre regioni con valori compresi tra -1,0% e -0,1%.

Nord. Il valore della variazione percentuale dei lavoratori a bassa paga è diminuito nel Nord Italia dal 2015 al 2019 da un valore pari a 7,2% fino ad un ammontare pari a 6,4% ovvero pari ad un valore di -0,80 unità pari ad un valore di -11,11%. Nel passaggio tra il 2015 ed il 2016 il valore dei lavoratori con bassa paga è passato da un valore di 7,5% fino ad un valore pari a 6,5% ovvero pari ad una variazione di -0,70 unità pari ad un valore di -9,72%. Nel passaggio tra il 2016 ed il 2017 il valore dei lavoratori con bassa paga nel Nord è cresciuto da un valore pari a 6,5% fino ad un valore pari a 6,75 ovvero pari ad una variazione di 0,20 unità pari ad un valore di 3,08%. Nel passaggio tra il 2017 ed il 2018 il valore dei lavoratori con bassa paga è rimasto costante ad un valore di 6,7%. Tra il 2018 ed il 2019 il valore dei lavoratori con bassa paga è passato da un valore pari a 6,7% fino ad un valore pari a 6,4%.

Centro. Il valore della variazione della percentuale dei lavoratori a bassa paga è diminuito tra il 2015 ed il 2019 da un ammontare pari a 10,7% fino ad un valore pari a 9,2% ovvero una riduzione pari a -1,50 unità pari a -14,02%. Nel passaggio tra il 2015 ed il 2016 il valore della variazione percentuale dei lavoratori con bassa paga nel Centro è diminuito da un valore pari a 10,7% fino ad un valore pari a 10,1% ovvero pari ad una variazione di -0,60 unità pari ad un valore di -5,61%. Tra il 2016 ed il 2017 il valore della percentuale dei lavoratori con bassa paga è diminuito da un valore pari a 10,1% fino ad un valore pari a 9,3% ovvero pari ad una variazione di -0,80 unità pari ad un valore di -7,92%. Nel passaggio tra il 2017 ed il 2018 il valore della percentuale dei lavoratori con bassa paga è diminuito da un valore pari a 9,3% fino ad un valore pari a 9,1% ovvero pari ad un valore di -0,20 unità pari ad un valore di -2,1%. Nel passaggio tra il 2018 ed il 2019 il valore dei lavoratori con bassa paga è cresciuto da un valore pari a 9,1% fino ad un valore pari a 9,2% ovvero pari ad un valore di 0,10 unità pari ad un valore di 1,10%.

Mezzogiorno. La percentuale di lavoratori con bassa paga nel Sud Italia è diminuito da un valore pari a 17,2% nel 2015 fino ad un valore del 16,2% nel 2019 ovvero una variazione pari a -1,00 unità pari ad un valore di -5,81%. Nel passaggio tra il 2015 ed il 2016 il valore dei lavoratori con bassa paga è cresciuto da un valore pari a 17,2% fino ad un valore pari a 17,6% ovvero pari ad un valore di 0,40 unità pari ad un valore di 2,33%. Nel passaggio tra il 2016 ed il 2017 il valore dei lavoratori con bassa paga nel Mezzogiorno è diminuito da un valore pari a 17,6% fino ad un valore pari a 17,5% ovvero pari ad una variazione di -0,10 unità ovvero pari ad un valore di -0,57%. Tra il 2017 ed il 2018 il valore lavoratori con bassa paga è diminuito da un valore pari a 17,5% fino ad un valore pari a 17,4% ovvero pari ad una variazione di -0,10 unità pari ad un valore di -0,57%. Nel passaggio tra il 2018 ed il 2019  il valore dei lavoratori con bassa busta paga è diminuito da un valore pari a 17,4% fino ad un valore pari a 16,2% ovvero pari ad un ammontare di -1,20 unità pari ad un valore del 6,90%.

Clusterizzazioni. È stato utilizzato l’algoritmo k-Means[2] per verificare se la distribuzione delle regioni con lavoratori a bassa paga tende ad essere convergente con la classificazione dell’Italia in macro-regioni. Risultano quindi 3 clusters così composti:

  • C1: è il cluster che ha un valore più elevato di lavoratori a bassa paga costituito da Calabria, Campania, Puglia e Sicilia;
  • C2: è il cluster con un valore intermedio di lavoratori a bassa paga costituito da Emilia Romagna, Friuli Venezia Giulia, Liguria, Lombardia, Marche, Piemonte, Toscana, Trentino Alto Adige, Umbria, Valle d’Aosta, Veneto;
  • C3: è il cluster con valore ridotto di lavoratori a bassa paga costituito da Abruzzo, Basilicata, Lazio, Molise e Sardegna.

Il valore delle clusterizzazioni mostra evidentemente che il SUD, con eccezione della Basilicata è al primo posto per valore dei lavoratori a bassa paga. Contrariamente alle aspettative il Nord è invece nel secondo cluster intermedio. Mentre è il centro, con l’aggiunta di Basilicata e Sardegna, che ha il valore più ridotto di lavoratori a bassa paga. La clusterizzazione, pertanto, è controfattuale rispetto alle opinioni correnti sulle retribuzioni del NORD e conferma l’idea che in realtà negli ultimi anni sia stato il Centro ad avere massimizzato i vantaggi della crescita rispetto sia al Nord che al Sud.

Machine Learning[3] e Predictions[4]. È stato utilizzato il dataset per stimare l’ammontare dei lavoratori a bassa paga nel 2019 rispetto agli esercizi precedenti con un modello predittivo e con un sistema di machine learning con learning rate al 95%. I risultati mostrano che i modelli del tipo “Gradient Boosting[5], “Adaboost[6] e “Tree[7] sono maggiormente efficienti in termini di riduzione degli errori e di R-quadro.

Conclusioni. In sintesi, occorre considerare che in media 9 lavoratori italiani su 100 hanno delle paghe basse e tale valore arriva fino a 16 nel Mezzogiorno. Ovviamente il valore reale è ancora  più alto in quanto non tiene conto dei lavoratori a nero e dei tanti che nell’economia informale accettano redditi molto più bassi di quelli rilevati dall’ISTAT-BES.


[1] https://www.istat.it/it/files//2021/03/3.pdf

[2] https://en.wikipedia.org/wiki/K-means_clustering

[3] https://en.wikipedia.org/wiki/Machine_learning

[4] https://en.wikipedia.org/wiki/Prediction

[5] https://en.wikipedia.org/wiki/Gradient_boosting

[6] https://en.wikipedia.org/wiki/AdaBoost

[7] https://en.wikipedia.org/wiki/Tree_(graph_theory)

is Assistant Professor at the LUM University-Giuseppe Degennaro in Casamassima-Bari, where he is also researcher for the LUM Enterprise S.r.l. a firm oriented to develop digitalization services for SMEs. He worked at Dyrecta Lab Research Institute, a research institute officially recognized by the Italian Minister of University and Research-MIUR, where he acquired professional hard skills on the economic consequences of Industry 4.0, Big Data, Machine Learning and Artificial Intelligence. His research interests include Cooperative Banking, Business Ethics, Innovation Technology, Knowledge, and R&D.