Premessa
Il progetto “Coping with social vulnerability through datasets”[1], finanziato attraverso il bando Data Science for Science and Society di Fondazione Cariplo, pone una questione fondamentale: è possibile prevedere i processi di impoverimento su un territorio specifico? In questo contesto, la partnership progettuale mira a indagare l’evoluzione delle condizioni di povertà in tre ambiti del Nord Milano: Cinisellese, Rodhense e Bollatese. Nella figura 1 riportiamo i comuni coinvolti nella ricerca
Figura 1 – Comuni coinvolti nella ricerca
Nell’articolo Contrastare la vulnerabilità con la previsione dei fenomeni di impoverimento, è stato presentato il percorso metodologico del progetto, nel presente contributo, invece, saranno presentati i principali risultati: l’indicatore di vulnerabilità dei territori (denominato Veca Index), la dashboard predittiva e l’analisi delle cartelle sociali. I contributi presentano in maniera sintetica solo una parte delle attività realizzate, che possono essere approfondite nel volume “I molti volti della povertà” curato da David Benassi.
Il VECA Index e la dimensione previsionale
Il punto di partenza del Veca-index è il riconoscimento della vulnerabilità sociale come una variabile latente, ossia un fattore non direttamente osservabile ma deducibile da variabili manifeste. Partendo da 32 variabili[2], che intersecano le dimensioni di vulnerabilità identificate in letteratura con la disponibilità di dati a livello comunale, si è proceduto con un’analisi fattoriale per estrarre l’informazione latente. Questa tecnica ha permesso di sintetizzare le variabili in sei fattori principali, ciascuno rappresentante un aspetto distinto e significativo della vulnerabilità. I sei fattori identificati, sono stati successivamente aggregati utilizzando una media ponderata[3]. Di seguito li riportiamo.
- fattore 1 = bassi livelli di istruzione e di reddito
- fattore 2 = tasso di disoccupazione, immigrati, quote di contribuenti a basso reddito
- fattore 3 = costi abitativi rispetto al reddito
- fattore 4 = quota di popolazione anziana/malattie
- fattore 5 = bassa qualità dell’istruzione (bassi score invalsi)
- fattore 6 = quota di dipendenti in settori low tech
Per le previsioni future, il Veca-index si avvale di un modello autoregressivo ovvero che dipende dal valore della stessa variabile nell’anno precedente e da un’ipotesi di trend lineare di crescita. Questo approccio permette di tenere conto delle tendenze storiche delle variabili e di proiettarle nel futuro. L’inclusione di previsioni programmatiche governative, come quelle fornite dalla Nota Aggiornamento Documento Economia e Finanza (NADEF 2022)[4], incorpora nel modello aspettative macroeconomiche e politiche, rendendolo ancor più attinente e informativo.
Il Veca-index pensiamo possa rappresentare un passo interessante nel campo dell’analisi della vulnerabilità sociale. La sua capacità di integrare dati empirici, tecniche statistiche e previsioni macroeconomiche lo rende uno strumento prezioso per i policy maker e i ricercatori sociali. Questo indice non solo fornisce una misurazione accurata della situazione attuale, ma promette anche previsioni essenziali per la pianificazione e l’implementazione di politiche sociali maggiormente mirate. La continua evoluzione del contesto socio-economico richiederà aggiornamenti e adattamenti del modello, ma il Veca-index si pone come un punto di base su cui costruire una comprensione più profonda e un intervento più efficace nel campo del welfare e delle politiche sociali a livello locale.
Nel grafico 1 si mette evidenzia la variabilità dei comuni in relazione ai 6 fattori identificati.
Grafico 1 – Fattori di Vulnerabilità 2019
Complessivamente dall’analisi dei contesti, come evidenziato anche nel precedente contributo, emerge con chiarezza che il territorio, laddove osservato in dettaglio e con un approccio granulare, presenta una varietà di sfumature e peculiarità spesso inattese. In alcuni Comuni, ad esempio, si nota una netta prevalenza di popolazioni anziane, in altri la prevalenza di persone con background migratorio. Queste diverse composizioni demografiche tendono a rendere tali comunità maggiormente vulnerabili a particolari sfide socio-economiche legate, ad esempio, a emergenze sanitarie o a shock economici negativi.
In altri contesti, i redditi risultano significativamente inferiori alla media lombarda, suggerendo una maggiore esposizione a rischi di povertà materiale. Alcune aree, inoltre, presentano una concentrazione di lavoratori impiegati in settori caratterizzati da bassi livelli di competenza e bassa retribuzione, un aspetto che potrebbe avere ripercussioni sul benessere economico e sociale a lungo termine, specialmente dove si associ a una bassa qualità dell’istruzione. Le dinamiche immobiliari, i costi abitativi così come i profili sanitari delle popolazioni variano anch’essi notevolmente, aggiungendo ulteriori livelli di complessità al tessuto sociale ed economico del territorio.
Nella figura 2 si riportano, invece, i risultati dell’indicatore di Vulnerabilità (Veca Index)
Figura 2 – Indice di vulnerabilità 2019
Si coglie come la realtà socio-economica di quello che comunemente viene definito come “Nord-Milano” è tutt’altro che omogenea. Contrariamente a una certa narrativa che tende a omologare questo ampio territorio, il Veca Index e le diverse analisi realizzate rivelano una complessità e una diversità che non possono essere ignorate nella formulazione di politiche pubbliche efficaci e mirate. Come anche nella valutazione dei sistemi di intervento.
Dall’immagine appare chiaramente come gli ambiti sociali del Sestese e del Cinisellese esprimano maggiori criticità, rispetto a quelli del Bollatese e del Rhodense. Quest’ultimo, in particolare vede comuni con un ranking particolarmente positivo (escluso Però).
Dall’analisi dei dati emergono altri elementi come una forte omogeneità, in relazione all’indice, tra i comuni di Sesto San Giovanni, Cologno Monzese e Cinisello Balsamo. Questo, probabilmente, racconto di percorsi di sviluppo simili e che hanno portato a specifiche criticità.
Elemento curioso, invece, nel Bollatese troviamo Arese[5], uno dei comuni che esprime minor criticità, e Baranzate, che è il territorio con l’indice di vulnerabilità più alto in assoluto in tutta la Città Metropolitana. Queste situazioni sono evidentemente indicatori di complessità territoriale.
Possiamo anche evidenziare, infine, come sostanzialmente i comuni limitrofi a Milano abbiamo un Indice di Vulnerabilità più alto. Questo potrebbe suggerire che i processi della metropoli, in qualche modo, si scaricano sui territori limitrofi, tale aspetto, per esempio, potrebbe essere sostenuto anche attraverso l’analisi delle dinamiche del mercato immobiliare.
La dashboard pubblica, che riporta i dati di tutti i comuni della Città Metropolitana, inoltre, permette anche di realizzare dei confronti tra comuni e quindi di avere dei benchmark con altri territori, aspetto che pensiamo possa migliorare la consapevolezza di amministratori e operatori.
Nella dashboard è possibile simulare la variazione dei 6 fattori e osservare quale sarebbe l’impatto rispetto a Veca Index. Questo aspetto permette di sviluppare dei ragionamenti programmatori, che facilitino lo sviluppo di policy maggiormente orientate allo sviluppo di politiche sociali data driven.
Analisi di cartelle sociali: una pista di lavoro da approfondire
Oltre allo studio ecosistemico che ha portato al Veca Index, il progetto ha approfondito in maniera più puntuale la situazione dei cittadini e delle cittadine che hanno interagito con i servizi. Sono state analizzate le cartelle sociali[6] delle persone che si sono rivolte al Servizio Sociale negli anni 2019-2021 così da acquisire, elaborare e analizzare le informazioni relative ai cittadini con bisogni di tipo sociale.
Tali informazioni sono state poi integrati con altre banche dati (ad esempio il dataset del ministero che contiene i dati sulla dichiarazione dei redditi e dell’ISEE) che consentono di avere maggiori informazioni sulle situazioni individuate.
L’analisi delle cartelle sociali è stata effettuata attraverso tecniche multivariate e indica, come principale risultato, che un aumento dell’importo medio erogato dal comune per ciascuna persona aumenti la probabilità di non tornare al servizio. È bene ribadire ulteriormente che è fondamentale interpretare i risultati con grande prudenza, considerando, da un lato, che riflettono solo un segmento della popolazione assistita e, dall’altro, invece, che i dati si riferiscono a due anni eccezionali, segnati dalla pandemia, che ha indubbiamente accentuato la vulnerabilità della popolazione nel suo insieme, e in particolare di coloro che erano già a rischio di povertà. Fatta questa premessa il modello restituisce che “un aumento dell’1% dell’importo medio erogato riduce la probabilità che gli utenti effettuino più di un accesso ai servizi sociali del 7%.”[7]
È interessante notare come tra gli operatori sia diffusa la convinzione – per altro abbastanza intuitiva – della necessità di fornire dei contributi mirati, ma più generosi, magari capaci di accompagnare un processo evolutivo (ottenere la patente di guida, trovare una casa, ecc) Questi dati sembrano mostrare come effettivamente tale convinzione sia fondata su evidenze di risultato e quindi confermare che contributi più cospicui, abbiano maggiore probabilità di sostenere in un percorso capacitante i cittadini e le cittadine più fragili.
Dall’incrocio tra la dimensione ecosistemica e i dati delle cartelle emerge anche che la probabilità di rimanere o uscire dalla “condizione di utente” è influenzata dal comune di appartenenza, queste variazioni possono essere attribuite a fattori intrinseci dei comuni e non direttamente osservabili, come il capitale sociale, la posizione geografica e le peculiarità culturali.
Queste prime evidenze appaiono interessanti e pensiamo possano meritare degli studi più ampi e puntuali che aiutino le operatrici e gli operatori a costruire modalità di lavoro maggiormente fondate su evidenze valutative.
Conclusione
Appare evidente come lo studio puntuale dei dati aiuti, da un lato, a conoscere in maniera più puntuale le peculiarità dei territori e così ad uscire da una serie di retoriche che in molti casi non aiutano a comprendere realmente le necessità e le specificità dei singoli comuni, dall’altro, invece, a individuare delle evidenze che possano agevolare nell’individuazione delle migliori modalità di intervento.
È chiaro che in alcuni casi si trovano conferme di quello che le operatrici e gli operatori già conoscono è altrettanto chiaro però che – soprattutto nella fase di progettazione delle politiche – avere delle evidenze sostenute da dati possa permettere ai decision makers di scegliere in maniera più consapevole.
È cruciale sottolineare che, nonostante le sfide legate alla privacy, diventa sempre più essenziale enfatizzare l’importanza della raccolta, sistematizzazione e analisi dei dati. Questi processi, sebbene possano essere complessi e talvolta percepirsi come distaccati dal lavoro quotidiano, come detto, sono fondamentali per una comprensione approfondita dei fenomeni e per l’identificazione di strategie d’azione efficaci per i territori. L’adozione di una logica open nell’utilizzo degli strumenti e nella divulgazione dei materiali, inoltre, contribuisce significativamente alla diffusione dei risultati e delle esperienze acquisite, permettendo così una loro maggiore applicabilità anche in contesti territoriali differenti. Questo approccio non solo potenzia la condivisione delle conoscenze, ma facilita anche la collaborazione e l’innovazione tra diversi attori sociali e territoriali, contribuendo a un’evoluzione più coordinata ed efficace delle politiche e delle pratiche di intervento.
[1] l progetto ha come capofila Fondazione Giangiacomo Feltrinelli mentre i partner sono l’Università di Bergamo (CESC – Centro sulle dinamiche economiche, sociali e della cooperazione), l’Università di Bologna, la Cooperativa Il Torpedone, le Aziende Consortili Comuni Insieme e Sercop.
[2] Le variabili utilizzate sono state le seguenti: 1. Quota di immigrati sul totale della popolazione, 2. Quota di persone di 65 anni e più sul totale della popolazione, 3. Quota di dipendenti impiegati in settori low skill, 4. Quota di dipendenti impiegata in settori high skill, 5. Tasso di occupazione, 6. Tasso di disoccupazione, 7. Reddito medio per contribuente nella fascia bassa di reddito (fino a 15000 euro) in termini reali, 8. Reddito medio per contribuente nella fascia media di reddito (da 15000 a 75000 euro) in termini reali, 9. Reddito medio per contribuente nella fascia alta di reddito (oltre i 75000 euro) in termini reali, 10. Quota di contribuenti nella fascia bassa di reddito sul totale dei contribuenti, 11. Quota di contribuenti nella fascia media di reddito sul totale dei contribuenti, 12. Quota di contribuenti nella fascia alta di reddito sul totale dei contribuenti, 13. Prezzo medio di 100 mq di abitazioni di tipo civile ed economiche sul reddito medio annuo, 14. Prezzo medio dell’affitto annuale di un’abitazione di 100mq di tipo civile ed economico sul reddito medio annuo, 15. Quota della popolazione senza titolo di studio, 16. Quota della popolazione con la sola scuola dell’obbligo, 17. Quota della popolazione con titolo di scuola media secondaria, 18. Quota della popolazione con titolo di studio terziario, 19. Valore medio dei risultati invalsi per le classi di grado 2 in italiano, 20. Valore medio dei risultati invalsi per le classi di grado 5 in italiano, 21. Valore medio dei risultati invalsi per le classi di grado 2 in matematica,22. Valore medio dei risultati invalsi per le classi di grado 5 in matematica, 23. Prevalenza di malattie cardiologiche, 24. Prevalenza di malattie renali, 25 Prevalenza di diabete, 26. Prevalenza di malattie gastrointestinali, 27 Prevalenza di malattie neurologiche, 28. Prevalenza di malattie del sistema endocrino, 29. Prevalenza di malattie del sistema immunitario, 30. Incidenza di tumori, 31. Prevalenza di mortalità, 32. Prevalenza di ricoveri
[3] I pesi attribuiti a ciascun fattore corrispondono alla quota di varianza totale da essi spiegata, assicurando così un indice bilanciato e rappresentativo delle diverse dimensioni della vulnerabilità sociale.
[4]https://www.dt.mef.gov.it/modules/documenti_it/analisi_progammazione/documenti_programmatici/nadef_2022/NADEF-2022.pdf
[5] Si posiziona al 169 su 173 tra i comuni della città metropolitana
[6] Le cartelle sociali a cui si è avuto accesso sono quelle dell’azienda consortile Comuni Insieme e riguardano solo alcuni comuni.
[7] D. Benassi, I molti volti della povertà, Edizioni Fondazione Gian Giacomo Feltrinelli, p. 79.