Mettiti in comunicazione con noi

Economia & lavoro

La Grande Difficoltà ad Arrivare a Fine Mese nelle Regioni Italiane

Nel 2019 è stata pari ad un valore del 3,9% nel Nord, 5,9% nel Centro e 15,3% nel Mezzogiorno

Pubblicato

su

DI ANGELO LEOGRANDE

Credit foto  Lisa5588 license CC BY-NC 2.0

L’Istat calcola il valore della Grande difficoltà ad arrivare a fine mese. Tale variabile è definita come di seguito: Percentuale di persone in famiglie che alla domanda “Tenendo conto di tutti i redditi disponibili, come riesce la Sua famiglia ad arrivare alla fine del mese?” scelgono la modalità di risposta “Con grande difficoltà”.

Ranking delle regioni per valore della grande difficoltà ad arrivare a fine mese nel 2019. La Campania è al primo posto per valore della grande difficoltà ad arrivare a fine mese nel 2019 con un valore pari a 25,9, seguito dal Molise con un valore pari a 13,3 ed all’Abruzzo pari ad un valore di 12,8. A metà classifica vi sono Valle d’Aosta[1] con un valore pari a 6,8, seguito dalla Lombardia con un ammontare pari a 4,7 e dalla Toscana con un valore pari a 4,3. Chiudono la classifica Friuli-Venezia Giulia con un valore pari a 2,9, Umbria con un valore pari a 2,4 e Veneto pari a 2,3.

Ranking delle regioni per valore della variazione della grande difficoltà ad arrivare a fine mese tra il 2004 ed il 2019. La Valle d’Aosta è al primo posto per valore della variazione della grande difficoltà ad arrivare a fine mese con un valore pari a 9,7% pari ad un valore assoluto di 0,6 seguita dal Molise con un ammontare pari a 8,1% pari ad un valore assoluto di 1,00 e dalla Campania con una variazione pari a -1,1% equivalente a -0,3. A metà classifica vi sono la Basilicata con un ammontare pari a -50,5% equivalente ad un valore di -9,4 unità, seguito dall’Emilia Romagna con un valore pari a 51,9% ovvero pari a -4 unità, e dalla Liguria con un valore pari a -55,1% ovvero pari ad un valore di -4,9 unità. Chiudono la classifica il Friuli-Venezia Giulia con un valore pari a -71,8% pari ad un valore di -7,4 unità, l’Umbria con un valore di -76,5% pari ad un valore di -7,8 e dal Veneto con un ammontare pari a -76,8% pari ad un valore di -7,6 unità.

Clusterizzazione con il modello k-Means. Viene di seguito realizzata una analisi mediante l’algoritmo k-Means ottimizzato con l’indice Silhouette e rappresentato mediante algoritmo t-SNE. L’algoritmo ha individuato sostanzialmente due clusters ovvero:

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

Il valore della grande difficoltà ad arrivare a fine mese in termini di mediana degli elementi del Cluster 2 è pari a 10,75 ed è quindi superiore al valore corrispondente per le regioni del Cluster 1 che è pari a circa 4,1. Pertanto, ne deriva un ordinamento nell’interno del quale il Cluster 2 è superiore al Cluster 1. I dati mettono quindi in evidenza la presenza di una significativa differenziazione tra il Centro-Nord ed il Sud. Nel Cluster 2 che è sostanzialmente rappresentativo del Sud con eccezione dell’Abruzzo che invece viene inserito nel Cluster 1 il valore della grande difficoltà ad arrivare a fine mese è praticamente superiore di 2 volte almeno al valore corrispondente nel Nord.

Machine Learning and Predictions. Sono stati utilizzati 8 algoritmi di machine learning per predire il valore della grande difficoltà ad arrivare a fine mese nelle regioni italiane. Gli algoritmi sono stati confrontati in base alle seguenti tipologie di errori ovvero “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”, “Mean Signed Difference”. Gli algoritmi sono stati addestrati con il 70% dei dati disponibili con il restante 30% utilizzato per la predizione. Ne deriva pertanto che in base alla minimizzazione degli errori indicati viene prodotto il seguente ordinamento degli algoritmi ovvero:

  1. Simple Regression Tree con un payoff pari a 4;
  2. Random Forest con un valore di payoff pari a 8;
  3. Tree Ensemble con un valore del payoff pari a 12;
  4. ANN-Artificial Neural Network con un valore del payoff pari a 16;
  5. PNN-Probabilistic Neural Network con un valore del payoff pari a 21;
  6. Gradient Boosted Trees con un valore del payoff pari a 23;
  7. Linear Regression  con un valore del payoff pari a 28;
  8. Polynomial Regression con un valore del payoff pari a 32.

In base al Simple Regression Tree viene predetto un valore complessivo della grande difficoltà ad arrivare a fine mese come crescente per un valore complessivo pari a 10,04%. In modo particolare l’algoritmo predice l’andamento della grande difficoltà ad arrivare a fine mese come indicato di seguito ovvero:

  • Liguria con un valore predetto della grande difficoltà ad arrivare a fine mese in crescita da un valore pari a 4 ad un valore pari a 6,8 ovvero una variazione assoluta pari a 2,8 pari ad un valore di 70,00%;
  • Emilia Romagna con un valore predetto pari a 3,7 equivalente al medesimo valore del 2019 con un valore della variazione pari a 0,00%;
  • Toscana con un valore predetto in diminuzione da un valore pari a 4,3 nel 2019 fino ad un valore pari a 2,4 ovvero una riduzione pari a -1,9 unità pari ad una variazione di -44,2%;
  • Abruzzo con un valore in diminuzione da un ammontare pari a 12,8 fino ad un valore pari a 8,1 unità ovvero pari ad una variazione di -4,7 unità pari ad un valore di -36,7%;
  • Basilicata con un valore in aumento da 9,2 unità fino ad un valore di 11,2 unità ovvero pari ad una variazione di 2 unità pari ad una variazione di 21,7%
  • Calabria con una variazione in aumento da un valore pari a 8,3 fino ad un valore pari a 12,4 unità ovvero pari ad una variazione di 4,1 unità pari ad un ammontare di 49,4%.

Complessivamente, pertanto, l’algoritmo predice un aumento del valore della grande difficoltà ad arrivare a fine mese con un aumento del divario tra Centro-Nord e Sud.

Macro-Regioni. Il valore della grande difficoltà ad arrivare a fine mese nel Nord è diminuito nel periodo tra il 2014 ed il 2019 da un ammontare pari a 10,4 unità fino ad un valore pari a 3,9 unità ovvero pari ad una variazione di -6,50 unità ovvero pari ad un valore di -62,50%. Il valore della grande difficoltà ad arrivare a fine mese nel Centro è diminuito da un ammontare pari a 13,9 fino ad un valore pari a 5,9 unità ovvero pari ad una variazione equivalente a -8 unità pari a -57,55%. Il valore della grande difficoltà ad arrivare a fine mese è diminuito nel passaggio tra il 2014 ad il 2019 da un valore pari a 30,00 fino ad un valore di 15,3 unità ovvero pari ad una variazione di -14,70 unità pari ad un valore di -49,00%. I dati, quindi, mostrano che la percentuale di persone che nel Mezzogiorno hanno difficoltà ad arrivare a fine mese nel 2019 è stato pari a 3 volte circa il corrispondente valore del Nord e pari a 1,6 volte il corrispondente valore del Centro.

Conclusioni. In sintesi, possiamo verificare che il valore della grande difficoltà ad arrivare a fine mese nelle macro-regioni italiane nel periodo 2004-2019 ha una tendenza decrescente. Tuttavia, vi sono significative differenze tra le regioni del Sud e le regioni del Centro-Nord come indicato dall’analisi della clusterizzazione. Inoltre, occorre considerare che come indicato attraverso l’analisi predittiva il valore è predetto in diminuzione. Tuttavia, occorre considerare che i dati analizzati sono fermi al 2019 e quindi sono privi delle conseguenze economiche connesse alla crisi economico-sanitaria connessa al covid 19. Ne deriva pertanto che sicuramente la grande difficoltà ad arrivare a fine mese è certamente aumentata nelle regioni italiane ed in modo particolare in quelle del Sud che evidentemente sono caratterizzate da elementi significativi di fragilità finanziaria diffusa presso la popolazione.


[1] I dati della Valle D’Aosta per il 2019 essendo mancanti nel database originale sono stati computati come media degli esercizi 2018, 2017 e 2016.

RIPRODUZIONE RISERVATA © 

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.