Work

Stochastic Spatial Areal Models for Mapping Territorial Vulnerability / Modelli Stocastici Areali per la Mappatura della Vulnerabilità Territoriale

Type: dissertation
Abstract: Questa tesi di dottorato indaga le disparità territoriali in Italia mediante inferenza statistica bayesiana, con particolare attenzione alla vulnerabilità a livello comunale in due ambiti applicativi: l’istruzione e il supporto alle donne vittime di violenza. Il lavoro empirico si articola in tre casi di studio, motivati dalla necessità di disporre di evidenze granulari e consapevoli dell’incertezza a supporto della pianificazione territoriale e delle politiche pubbliche. Sul piano metodologico, la tesi adotta modelli areali gerarchici che includono prior autoregressive condizionali (CAR), considerando la partizione comunale italiana come dominio spaziale discreto irregolare. L’inferenza è condotta principalmente tramite l’Integrated Nested Laplace Approximation (INLA), che sfrutta la struttura sparsa della matrice di precisione dei modelli autoregressivi condizionali e consente una stima efficiente dei modelli. Particolare attenzione è dedicata al problema del confondimento spaziale nell’interpretazione dei risultati di regressione. Sul piano applicativo, il primo lavoro di ricerca originale incluso nella tesi consiste in un’analisi esplorativa dei dati del sistema scolastico italiano, resa possibile da un’infrastruttura dati aperta e riproducibile integrata nel pacchetto R SchoolDataIT, che scarica e armonizza informazioni provenienti da fonti multiple ed è accessibile su CRAN. Il secondo lavoro di ricerca studia la relazione tra le competenze degli studenti del secondo anno della scuola secondaria di secondo grado e la dotazione infrastrutturale in tutti i comuni italiani. I punteggi comunali degli studenti sono ottenuti mediando indicatori standardizzati e spazialmente omogenei degli esiti scolastici forniti dall’Istituto Invalsi per due materie, Italiano e Matematica. Per spiegare la variabilità spaziale dei punteggi Invalsi, impieghiamo un modello latente bivariato intrinseco autoregressivo condizionale, definito alternativamente ai livelli di aggregazione superiori delle province o dei bacini di utenza dei poli infrastrutturali. I risultati mostrano che, accanto a un’associazione significativa con gli indicatori infrastrutturali selezionati come variabili esplicative, effetti latenti spazialmente strutturati restano necessari per spiegare le differenze negli esiti scolastici tra comuni. Il terzo lavoro di ricerca analizza gli accessi ai centri antiviolenza locali in Puglia nel periodo 2021--2024 mediante regressione di Poisson spazio-temporale, confrontando modelli autoregressivi condizionali standard — intrinsic CAR, proper CAR, Leroux proper CAR e modello Besag-York-Mollié scalato — e proponendo una costruzione congiunta di prior di complessità penalizzata per tutti i parametri dei modelli impiegati, estendendo il campo applicativo delle prior di complessità penalizzata nella modellazione areale. I risultati suggeriscono la presenza di vincoli spaziali nella ricerca di aiuto presso i centri antiviolenza, in particolare una diminuzione degli accessi all’aumentare della distanza dai centri; inoltre, livelli di istruzione più bassi possono contribuire a fenomeni di sotto-segnalazione nelle aree svantaggiate, mentre un maggiore sviluppo economico può essere associato a una minore incidenza di violenza denunciata. Nel complesso, questa tesi mostra come la modellazione spaziale bayesiana possa essere utile per quantificare l’incertezza, stabilizzare l’inferenza in contesti territoriali con dati sparsi e suggerire evidenze rilevanti per le politiche sulle disuguaglianze territoriali in Italia.
Language: English
Open Access status: green
OpenAlex ID: W7211982943
Cites:
Cited by:
Related to: 10