Mettiti in comunicazione con noi

Economia & lavoro

Il Peggioramento della Condizione delle Donne Occupate con Figli nelle Regioni Italiane nel Periodo 2015-2019

La Campania nel 2019 ha il valore più basso tra le regioni italiane del tasso di occupazione delle donne con figli in età prescolare in percentuale delle donne occupate senza figli, ovvero pari al 55,9%.

Pubblicato

su

DI ANGELO LEOGRANDE

Credit foto  ECohen license CC BY-SA 2.0

L’Istat calcola il valore della variabile “Rapporto tra i tassi di occupazione (25-49 anni) delle donne con figli in età prescolare e delle donne senza figli”. Tale variabile è presente nell’interno dell’ISTAT-BES computata per il periodo 2004-2019. La variabile calcolata come di seguito: “Tasso di occupazione delle donne di 25-49 anni con almeno un figlio in età 0-5 anni sul tasso di occupazione delle donne di 25-49 anni senza figli per 100.” Per semplificare di seguito tale variabile verrà indicata con l’acronimo seguente:DCFP/DSF.

Il ranking delle regioni italiane per valore del DCFP/DSF nel 2019. Le Marche sono al primo posto per valore di DCFP/DSF con un ammontare pari a 95,00% nel 2019, seguite da Abruzzo con un ammontare pari a 86,20% e dalla Valle d’Aosta con un valore pari a 85,8%. A metà classifica vi sono l’Emilia Romagna con un ammontare pari a 81,10%, la Basilicata con un valore pari a 80,9% ed il Molise con un ammontare pari a 80,8%. Chiudono la classifica il Trentino Alto Adige con un ammontare pari a 72,5%, la Sicilia con un ammontare pari a 65,9% e la Campania con un valore pari a 55,90%.

Il ranking delle regioni italiane per valore del DCFP/DSF per variazione nel periodo 2004-2019. La Sardegna è al primo posto per variazione del valore di DCFP/DSF nel periodo tra il 2004 ed il 2019 con un valore pari a 19,3, seguita da Basilicata con un ammontare pari a 17,6 e Marche con un valore pari a 16,7. A metà classifica vi sono Valle d’Aosta con un ammontare pari a 5, Piemonte con un valore pari a 4,4 e Veneto con un ammontare pari a1,9. Chiudono la classifica Emila Romagna con un ammontare pari a -3,1, Calabria con un valore pari a -6,5 e Campania con un valore pari a 7,8.

Nord. Il valore del DCFP/DSF nel Nord è diminuito nel periodo tra il 2015 ed il 2019 passando da un ammontare pari a 83,30 fino ad un valore pari a 81,10 ovvero una variazione pari a -2,20 unità pari ad una variazione del -2,64%. Nel passaggio tra il 2015 ed il 2016 il valore del DCFP/DSF è diminuito da un ammontare pari a 83,30 fino ad un valore pari a 80,60 ovvero una variazione pari ad un ammontare di -2,70 unità pari ad un valore di -3,24%. Nel passaggio tra il 2016 ed il 2017 il valore dell’ammontare del DCFP/DSF è nel Nord Italia è aumentato da un ammontare pari a 80,60 unità fino ad un valore pari a 80,80 unità ovvero pari ad una variazione di 0,20 unità pari ad un valore di 0,25%. Tra il 2017 ed il 2018 il valore di DCFP/DSF nel Nord Italia è diminuito da un ammontare pari a 80,80 fino ad un valore pari a 80,50 ovvero una variazione pari a -0,30 equivalente ad un valore di -0,37%. Nel passaggio tra il 2018 ed il 2019 il valore del DCFP/DSF è cresciuto da un ammontare pari a 80,50 unità fino ad un valore pari a 81,10 unità pari ad un valore di 0,60 unità equivalente ad una variazione di 0,75%.

Centro. Il valore del DCFP/DSF nel Centro Italia è diminuito nel periodo tra il 2015 ed il 2016 passando da un ammontare pari a 82,70 fino ad un valore pari a 83,70 unità ovvero pari ad una variazione di 1,00 unità pari ad un ammontare di 1,21%. Nel passaggio tra il 2016 ed il 2017 il valore dell’ammontare del DCFP/DSF è diminuito da un ammontare pari a 83,70 fino ad un valore pari a 80,70 unità ovvero pari ad una variazione di -3,00 unità equivalente ad una variazione di -3,58%. Nel passaggio tra il 2017 ed il 2018 il valore del DCFP/DSF nel Centro Italia è cresciuto da un ammontare pari a 80,70 unità fino ad un valore pari a 81,60 unità ovvero pari ad una variazione di 0,90 unità pari ad una variazione di 1,12%. Nel passaggio tra il 2018 ed il 2019 il valore del DCFP/DSF è cresciuto da un ammontare pari a 81,60 unità fino ad un valore pari a 81,70 unità ovvero pari ad una variazione di 0,10 unità equivalente ad una variazione di 0,12%. Complessivamente nel periodo considerato il valore di DCFP/DSF è diminuito di 1 unità pari ad una variazione di -1,21%.

Mezzogiorno. Il valore del DCFP/DSF è diminuito nel Mezzogiorno tra il 2015 ed il 2019 da un ammontare pari a 73,50 fino ad un valore pari a 66,80 ovvero una variazione pari a -6,70 unità pari ad un ammontare di -9,12%. Nel passaggio tra il 2016 ed il 2017 il valore del DCFP/DSF è diminuito da un ammontare pari a 73,50 unità fino ad un valore pari a 71,30 unità ovvero una variazione pari ad un valore di -2,20 unità pari ad un ammontare di -2,29%. Nel passaggio tra il 2016 ed il 2017 il valore di DCFP/DSF è rimasto costante ad un valore pari a 71,30. Tra il 2017 ed il 2018 il valore di DCFP/DSF è diminuito da un ammontare pari a 71,30 unità fino ad un valore pari a 65,30 unità ovvero una variazione pari a -6,00 unità equivalente ad una variazione di -8,42%. Nel passaggio tra il 2018 ed il 2019 il valore dell’ammontare del DCFP/DSF è aumentato da un ammontare di 65,30 unità fino ad un valore di 66,80 unità pari ad una variazione di 1,50 unità pari ad un valore di 2,30%.

Clusterizzazione. Per verificare la presenza di raggruppamenti anche detti clusters tra le regioni italiane in merito alla variabile di interesse è stata realizzata una attività di clusterizzazione con l’utilizzo dell’algoritmo k-Means e rappresentazione con algoritmi t-SNE. L’algoritmo ha individuato la presenza di 2 clusters ovvero:

  • Cluster 1: Abruzzo, Emilia-Romagna, Friuli-Venezia Giulia, Lazio, Liguria, Lombardia, Marche, Molise, Piemonte, Sardegna, Toscana, Umbria, Valle d’Aosta, Veneto;
  • Cluster 2: Basilicata, Calabria, Campania, Puglia, Sicilia, Trentino-Alto Adige.

I dati mostrano la presenza di due clusters dei quali il primo è sostanzialmente coincidente con il Centro-Nord con livelli più elevati di DCFP/DSF mentre il secondo è tende a coincidere con il Mezzogiorno con un livello basso di DCFP/DSF. Fa eccezione nel secondo cluster il Trentino-Alto Adige che quindi, sotto il punto di vista della variabile di interesse, performa come una regione meridionale.

Conclusioni. In sintesi, la variabile osservata rappresenta la capacità delle donne con figli in età prescolare di essere impiegate in attività lavorative a confronto con donne senza figli. I dati mostrano in generale un peggioramento della condizione lavorativa delle donne con figli in età prescolare rispetto alle donne senza figli in Italia ed anche nelle varie macro-regioni italiane nel periodo 2015-2019. La situazione è particolarmente grave nel Sud Italia dove in media sono occupate 7 donne con figli per ogni 10 donne senza figli, ed in modo particolare in Campania dove per lavorano 56 donne con figli in età prescolare per ogni 100 donne senza figli. Il dato manifesta quindi il fallimento delle politiche economiche della parità di genere e la mancanza di adeguati servizi in grado di consentire alle donne con figli in età prescolare una adeguata partecipazione al mercato del lavoro su base regionale.

Clusterizzazione con algoritmo k-Means. Tool: Orange.
Ranking delle regioni 2019. Fonte: ISTAT-BES.
Main Data con Indicazione delle variazione assolute e percentuali. Fonte: ISTAT-BES
Workflow Orange.
Andamento della variabile in Italia e nelle macro-regioni italiane. Fonte: ISTAT-BES.
Clusterizzazione delle Regioni. Tool: Orange.
Variazione assoluta della variabile osservata tra il 2004 ed il 2019. Fonte: ISTAT-BES.
Variazione della variabile osservata nel periodo considerato. Fonte: ISTAT-BES.
Grafico Silhouette per la verifica dell’efficacia dei clusters. Tool: Orange.

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.