Ws2011 sessione1 calabrese_coccia_manieri_mondauto

296 views
238 views

Published on

Workers’ level of inclusion in the labour market: an example of territorial classification. Calabrese S., Coccia G., Manieri M., Mondauto L.

Published in: Technology, Economy & Finance
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
296
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Ws2011 sessione1 calabrese_coccia_manieri_mondauto

  1. 1. <ul><li>Gruppo Valorizzazione delle Statistiche Pubbliche </li></ul><ul><li>Workshop </li></ul><ul><li>Enhancement and Social Responsibility of Official Statistics </li></ul><ul><li>Principles - Methods and Techniques – </li></ul><ul><li>Applications for the Production and Dissemination </li></ul>Workers’ level of inclusion in the labour market: an example of territorial classification S.Calabrese, G.Coccia, M.Manieri, L.Mondauto Rome April 28 – 29 2011
  2. 2. L’analisi degli indicatori territoriali relativi al MdL mostrano come le differenze risultino molto profonde, sia in termini quantitativi ( tassi di occupazione, disoccupazione, attività, etc ) sia in termini qualitativi ( tipo settore, tipologie contrattuali, etc ); Tali peculiarità sono tali da ritenere del tutto inefficaci interventi standardizzati, pensati cioè senza declinare l’uso degli strumenti di politica alle specificità del territorio ( Sorcioni et al, 1996 ); Peculiarità ben maggiori della grossolana distinzione, pur fortemente marcata, fra le regioni del Nord e quelle del Sud. “ Agire localmente e pensare globalmente”
  3. 3. Lo studio si pone l’obiettivo di fornire una descrizione dettagliata della condizione socio-economica del Paese, tentando di classificare i territori in gruppi omogenei sulla base delle performance registrate negli ultimi dieci anni, focalizzando, in particolare, l’attenzione all’ultimo biennio di crisi; Attraverso l’analisi delle fonti statistiche ufficiali sul MdL è possibile cogliere le dinamiche di sofferenza che a livello territoriale hanno segnato i sistemi occupazionali italiani, restituendo una geografia dei mercati del lavoro regionali e provinciali sensibilmente diversa da quella già ampiamente conosciuta. Obiettivo
  4. 4. Passo I: Selezione di 87 indicatori sul MdL ( in grado di descrivere in maniera esauriente le dinamiche territoriali relative all’occupazione, alla partecipazione attiva dei giovani e delle donne ); Passo II: Riduzione a 20 indicatori; Passo III: Analisi e confronto delle due tavole a 20 e 87 indicatori attraverso l’ACP; Passo IV: Analisi della tavola a 20 indicatori attraverso l’AFM; Passo V: Classificazione dei territori negli spazi generati dai fattori dell’AFM. Strategia di Classificazione
  5. 5. Dato l’alto numero di indicatori e visti i problemi di carattere computazionale legati all’impossibilità di procedere ad un’analisi fattoriale multipla con un numero elevato di variabili, si è deciso di effettuare una selezione. Piuttosto che ricorrere ad una arbitraria selezione, abbiamo preferito utilizzare una tecnica di ranking (Orlocì, 1973, 1976), basata sulla quantità di inerzia della tavola dei dati spiegata da ogni variabile. Riduzione degli indicatori da 87 a 20
  6. 6. Questa tecnica vede le unità statistiche come punti in uno spazio euclideo generato dalle p variabili considerate. Nel nostro caso dunque ogni territorio è rappresentato geometricamente da un punto a 87 dimensioni. La tecnica di ranking si basa sul principio che, dato uno spazio vettoriale dotato di un prodotto scalare, è sempre possibile dotarlo di una base di vettori ortogonali. Il procedimento è noto come metodo di Gram – Schmidt ( Lang, 1972 ) e consiste nel selezionare di volta in volta un vettore e di togliere da tutti gli altri la loro proiezione ortogonale sul vettore scelto. Riduzione degli indicatori da 87 a 20
  7. 7. Al primo passo, si sceglie la variabile sulla quale l’inerzia proiettata è massima: Come opera l’algoritmo? Sia tale variabile. Si passa a questo punto a ripetere la selezione nello spazio ortogonale a quello generato da e generato dai vettori ottenuti dalle variabili rimanenti sottraendo da ciascuna la sua proiezione su , cioè:
  8. 8. Ne risulta un processo iterativo che si può arrestare naturalmente dopo un numero finito di passi uguale alla dimensione dello spazio generato dalle variabili, che può essere minore od uguale a p, a seconda che si sia in presenza o meno di collinearità tra le variabili. Applicando questo procedimento al nostro caso, si ottiene un certo numero di variabili che, in ordine decrescente, spiegano la maggior parte delle restanti. Come opera l‘algoritmo?
  9. 9. E’ ovvio che i vettori così selezionati spiegano ciascuno una quantità d’inerzia minore dei precedenti, sicché è possibile fissare una soglia d’inerzia complessiva spiegata ed arrestare il processo ad una dimensione minore, avendo nota la quantità d’informazione che si perde in questo modo; Risultato analogo si sarebbe ottenuto mediante un’ACP, che avrebbe però condotto alla determinazione di nuovi costrutti obbligando già in questa primissima fase all’interpretazione degli stessi ( Camiz et al; 2007 ). Riduzione degli indicatori da 87 a 20
  10. 10. Nella seconda parte sono riportati, in ordine decrescenti i venti indicatori selezionati sui quali si proietta la maggior parte dell’inerzia totale della tavola dei dati. Il confronto con l’inerzia spiegata dai primi 20 fattori dell’ACP mostra come i risultati siano confrontabili e non peggiori ACP vs Ranking
  11. 11. a) Rappresentazione di tavole di dati multiple – tipo “impilate”: 103 *n osservazioni attive (le province ogni anno), 20 supplementari (le regioni ogni anno) e 20 indicatori attivi; b) Rappresentazione di tavole di dati multiple – tipo “parallelepipedo”: n tavole bidimensionali, una per anno, costituite da 103 osservazioni attive e 20 supplementari e 20 indicatori attivi che formano gli strati di un parallelepipedo, le cui tre dimensioni corrispondono ad unità, variabili ed occasioni. ACP vs AFM
  12. 12. L’ AFM, effettuata sui venti indicatori selezionati mostra una struttura prevalentemente tridimensionale, sintetizzando oltre il 70% dell’inerzia complessiva, con un quart’asse comunque da non trascurare (circa il 7% d’inerzia spiegata), in perfetta analogia con l’ ACP; Inoltre, osservando correlazioni e contributi fra i gruppi e gli assi fattoriali, s’osserva che tutti gli anni contribuiscono ai primi tre assi fattoriali in modo piuttosto bilanciato Principali risultati
  13. 13. Il primo fattore riproduce le informazioni delle principali variabili strutturali del mercato del lavoro. Correlazioni significative con tassi d’occupazione e di disoccupazione consentono di individuare questo asse come il livello d’inclusione sociale presente nel Paese, ovvero la capacità del mercato di garantire o meno un’ampia partecipazione al lavoro; Il secondo fattore è rappresentativo del carico sociale , inteso come il rapporto tra la parte della popolazione fuori dal mercato del lavoro e quella che attivamente contribuisce allo sviluppo economico del Paese. In questo caso, le differenze regionali vanno ben oltre la distinzione Nord Sud. I primi due assi
  14. 14. I RISULTATI Variazione del livello di inclusione nel mercato del lavoro registrata nel biennio 2008-2009 Tassi Cluster Disagio Forte scoraggia mento Lieve peggioramento Equilibrio Tasso di occupazione -2,9 -1,2 -0,7 1,6 Tasso di disoccupazione 1,5 -0,7 1,3 0,2 Tasso di inattività 2,1 1,8 -0,9 -1,9
  15. 15. Gruppo I - “ Disagio ” : 31 province con notevole variazione negativa del tasso di occupazione, variazione positiva del tasso di disoccupazione e aumento del tasso di inattività. Gruppo II - “ Forte scoraggiamento ” : 20 province nelle quali si evidenziano variazioni negative del tasso di occupazione e di disoccupazione e variazione positiva del tasso di inattività. Gruppo III - “ Lieve peggioramento ” : 44 province mostrano una situazione di diminuzione del tasso di occupazione ma di minore entità rispetto ai due cluster precedenti, aumenti del tasso di disoccupazione e una diminuzione, lieve, del tasso di inattività. Gruppo IV - “Equilibrio” : 12 province presentano un aumento del tasso di occupazione, un aumento del tasso di disoccupazione e una diminuzione di quello di inattività. I RISULTATI
  16. 16. Gruppo I - “Forte scoraggiamento” : Avellino; Cagliari; Caserta; Catania; Catanzaro; Cosenza; Crotone; Frosinone; Gorizia; Isernia; Napoli; Nuoro; Potenza; Ragusa; Reggio Calabria; Rovigo; Taranto; Trieste; Verbania; Vibo Valentia. Gruppo II - “Disagio”: Arezzo; Ascoli Piceno; Bari; Belluno; Benevento; Bologna; Brindisi; Caltanissetta; Campobasso; Carbonia-Iglesias; Chieti; Como; Imperia; La Spezia; L'Aquila; Macerata; Medio Campidano; Modena; Ogliastra; Olbia-Tempio; Padova; Parma; Perugia; Pescara; Pisa; Siena; Teramo; Trapani; Treviso; Udine; Varese. Gruppo III - “Lieve peggioramento”: Agrigento; Alessandria; Ancona; Asti; Bergamo; Biella; Bolzano/Bozen; Brescia; Cremona; Cuneo; Ferrara; Firenze; Foggia; Forlì-Cesena; Grosseto; Latina; Lecce; Lecco; Livorno; Lodi; Mantova; Matera; Messina; Milano; Novara; Oristano; Palermo; Piacenza; Pistoia; Pordenone; Ravenna; Reggio Emilia; Rieti; Rimini; Roma; Salerno; Terni; Torino; Trento; Aosta; Venezia; Verona; Vicenza; Viterbo. Gruppo IV - “Equilibrio”: Enna; Genova; Lucca; Massa; Pavia; Pesaro-Urbino; Prato; Sassari; Savona; Siracusa; Sondrio; Vercelli. I RISULTATI

×