L'Italia del Riciclo

L’ITALIA DEL RICICLO:
ANALISI SULLA
PRODUZIONE DEI RIFIUTI
NOME COGNOME
Alessandro Piccirillo
Pietro Bartolomei
Andrea Pascuzzi
Ivan Balistreri

1. Introduzione ed obiettivi del lavoro
Una raccolta differenziata efficiente vuol dire meno esternalità negative, meno rifiuti da mandare in
discarica o all’inceneritore e quindi meno danni all’ambiente. Sia a livello europeo e sia
internazionale si è intervenuto a livello legislativo per stabilire gli obiettivi per la gestione dei rifiuti.
L’Italia ha già mancato l’obiettivo: entro il 31/12/2012 il Paese avrebbe dovuto raggiungere il 65%
di raccolta differenziata. Con lo studio che segue, si cercherà di inquadrare la situazione italiana nel
triennio 2017-2019, analizzando il comportamento dei 109 capoluoghi di provincia italiani in merito
alla produzione pro capite di rifiuti differenziati.
Nel dettaglio, si vuol dar risposta ai seguenti interrogativi:
1. Quali sono i capoluoghi di provincia considerati più virtuosi nell’ambito della raccolta
differenziata, ed al contempo, quali sono invece quelli considerati più negligenti?
2. È presente una correlazione tra un’alta percentuale di rifiuti riciclati e un alto reddito familiare
degli stessi capoluoghi e viceversa?
3. È possibile suddividere i 109 capoluoghi in diversi gruppi in base al loro comportamento di
riciclo tramite un’analisi cluster?
2. Dati, variabili e metodi.
La prima fase della ricerca ha visto la predisposizione di una matrice dei dati del tipo unità-variabili,
nella quale l’unità statistica è rappresentata dai 109 capoluoghi di provincia italiani, mentre le
variabili sono riferite alla raccolta differenziata per tipologia di rifiuto, quest’ultima espressa in
Kg/Ab. Si è scelto di utilizzare i valori pro capite e non assoluti per evitare l’effetto distorsione
causato da una elevata o bassa popolosità dei comuni capoluogo. La matrice dei dati è stata creata
utilizzando i dati forniti dall’ISTAT in merito al triennio 2017-2019123
. In seguito, è stata calcolata la
media annuale del triennio preso in esame in modo tale da avere un’unica base dati sulla quale
predisporre l’elaborazione. Infine, per ovviare alla mancanza di alcuni valori, è stata effettuata una
imputazione statistica, attraverso un calcolo delle medie di tutte le variabili e sostituendo i valori
ottenuti nei rispettivi record mancanti. Per rispondere alla prima domanda di ricerca, sono state prese
in considerazione le seguenti variabili: frazione organica, carta e cartone, vetro, legno, metalli,
materie plastiche, rifiuti elettronici (RAEE), rifiuti da costruzione e demolizione (C&D), raccolta
selettiva, tessili, ingombranti misti a recupero e altre tipologie. La variabile pulizia stradale a
recupero, originariamente presente nel dataset ISTAT, è stata esclusa per preservare l’attendibilità
1
https://www.istat.it/it/archivio/225505
2
3

dell’analisi, in quanto presentava ben 22 valori mancanti. Per rispondere alla seconda domanda di
ricerca è stata invece predisposta una seconda matrice dei dati sempre di tipo unità-variabile, nella
quale sono presenti due variabili: totale raccolta differenziata espressa in Kg/Ab, considerata come
media del triennio 2017-2019; reddito imponibile pro capite nell’anno 2018 nei 109 capoluoghi di
provincia. Per quest’ultima variabile si è scelto di utilizzare come fonte il sito web Indagodati4
, la cui
analisi si è avvalsa dei dati forniti dal Ministero dell’Economia e delle Finanze. Essendo la base dati
di partenza rappresentata da caratteri quantitativi, si è ritenuto necessario trasformare tali dati in
qualitativi, optando per un raggruppamento in 3 classi per entrambe le variabili in esame, calcolando
la distanza degli intervalli con la seguente formula: 𝑑 =
#$%&#'(
(.'(*+,-$..'
. Successivamente è stata creata
la tabella di contingenza grazie allo svolgimento di un’analisi Pivot. La scelta di ricondurre le 2
variabili a sole 3 classi di frequenza si è resa necessaria per evitare la presenza di modalità poco
popolate. Per rispondere alla prima domanda di ricerca è stata effettuata un’analisi in componenti
principali, in modo da visualizzare i capoluoghi in un’ipotetica graduatoria in base alla loro maggior
propensione a trattare rifiuti riciclati, mentre per rispondere alla seconda domanda di ricerca è stata
svolta un’analisi delle corrispondenze in modo tale da individuare una possibile correlazione tra alti
redditi e alta propensione al riciclaggio nei 109 capoluoghi. Infine, per rispondere alla terza domanda
di ricerca è stata utilizza una cluster analysis.
2. Risultati.
Procedendo con l’analisi in componenti principali, dopo aver standardizzato i dati della prima
matrice, sono stati identificati i sottospazi ottimi su cui proiettare i punti originari. L’identificazione
del numero di componenti da utilizzare è avvenuta tramite il criterio dell’autovalore maggiore di uno:
dalla Tabella 1 si evince che la scelta delle componenti da trattenere è ricaduta sulle prime tre; inoltre
quest’ultime spiegano complessivamente il 60% della varianza totale.
Tabella 1, Analisi in componenti principali
Il passo successivo riguarda l'interpretazione del significato delle componenti, ovvero analizzare la
correlazione tra le componenti principali e le variabili originarie. Come evidenziato nella Tabella 2,
4
http://www.indagodati.it/2020/04/23/redditi-2018/
Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7 Dim.8 Dim.9 Dim.10 Dim.11 Dim.12
Variance 4,82 1,29 1,10 0,90 0,84 0,68 0,63 0,48 0,42 0,38 0,28 0,20
% of var. 40,14 10,76 9,18 7,47 6,97 5,64 5,21 3,98 3,52 3,12 2,34 1,69
Cumulative % of var. 40,14 50,89 60,07 67,54 74,51 80,15 85,36 89,34 92,85 95,97 98,31 100,00

la prima dimensione è significantemente correlata positivamente con le variabili “organico”, “carta”,
“vetro”, “legno”, “metalli”, “plastica”, “RAEE” e “selettiva”.
Tabella 2, variabili originarie e componenti principali
In maniera analoga la seconda dimensione è correlata positivamente con le variabili “ingombranti” e
“altro”; per quanto riguarda la terza ed ultima dimensione, questa si presenta correlata negativamente
con la variabile “C&D” e positivamente con la variabile “tessili”. Si è cercato per quanto possibile di
identificare le componenti sotto tre diverse voci, in base agli elementi in comune ed alle affinità
concettuali delle variabili maggiormente correlate: la prima componente è stata identificata con il
termine “Raccolta Stradale e RAEE”, in quanto sono presenti in essa i rifiuti tipicamente più comuni,
con l’aggiunta dei rifiuti elettronici (i quali al giorno d’oggi rappresentano una tipologia di rifiuto
sempre più comune); la seconda componente è stata identificata sotto la voce “Ingombranti e Altro”,
mentre l’ultima “Edilizia e Tessile”. Giunti a disquisire di quelle che sono le interpretazioni
conclusive dei risultati riferiti alla prima domanda di ricerca, ci si avvale congiuntamente della
Tabella 3 e delle Figure 1-2.
Variabili Dim.1 Dim.2 Dim.3
Organico 0,758 0,256 0,001
Carta 0,744 0,156 0,021
Vetro 0,733 0,026 0,158
Legno 0,676 -0,017 -0,481
Metalli 0,823 -0,082 0,083
Plastica 0,739 0,039 -0,202
RAEE 0,598 -0,412 0,243
C.D 0,465 -0,266 -0,576
Selettiva 0,747 -0,221 0,208
Tessili 0,375 -0,362 0,443
Ingombranti 0,335 0,648 -0,121
Altro 0,295 0,592 0,39

Figura 1 – Analisi in componenti principali, coordinate dei punti 1-2 dimensione
Figura 2 – Analisi in componenti principali, coordinate dei punti 1-3 dimensione

Tabella 3, Analisi in componenti principali, coordinate dei punti e cos2
Possiamo affermare che Lucca risulta essere la città più “interessante” tra tutte quelle prese in esame,
poiché presenta valori elevati sulla prima componente, la quale risulta essere la più significativa, in
quanto spiega il 50% della variabilità, e contemporaneamente presenta elevati valori anche sulle altre
due componenti, ognuna delle quali contribuisce a rappresentare il 10% della variabilità originaria.
Come conferma di questa conclusione, si può analizzare il cos2
dell’unità statistica Lucca, il quale
presenta valori abbastanza buoni su tutte e tre le componenti principali. Altre due città che presentano
valori elevati per la componente identificata sotto la voce “Rifiuti stradali e RAEE”, sono
rispettivamente Ferrara e Verbania, le quali presentano però una qualità molto bassa della
riproduzione della norma originaria nelle restanti due componenti. Notiamo inoltre come la città di
Capoluoghi Dim.1 Cos2 Dim.2 Cos2 Dim.3 Cos2 Capoluoghi Dim.1 Cos2 Dim.2 Cos2 Dim.3 Cos2
Ferrara 4,74 0,82 -0,56 0,01 -0,91 0,03 Firenze 0,05 0,00 3,50 0,72 1,88 0,21
Verbania 4,40 0,73 -0,45 0,01 -0,08 0,00 Livorno -0,03 0,00 0,96 0,20 -0,62 0,08
Lucca 4,14 0,52 2,26 0,16 2,58 0,20 Ascoli Piceno -0,08 0,00 -0,74 0,14 0,12 0,00
Vicenza 3,70 0,56 -0,02 0,00 -0,91 0,03 Alessandria -0,25 0,02 -0,19 0,01 -0,48 0,09
Piacenza 3,68 0,45 0,29 0,00 -1,41 0,07 Arezzo -0,25 0,01 -0,15 0,00 0,81 0,11
Rovigo 3,56 0,72 -1,54 0,13 0,24 0,00 Savona -0,31 0,02 -1,08 0,27 -0,32 0,02
Pesaro 3,19 0,29 -0,99 0,03 -3,26 0,30 Imperia -0,34 0,02 0,16 0,01 1,11 0,25
Modena 3,02 0,68 0,04 0,00 -1,30 0,13 Ancona -0,40 0,03 -1,36 0,37 0,20 0,01
Rimini 2,90 0,49 0,12 0,00 -2,23 0,29 Trieste -0,42 0,02 -1,09 0,14 -0,15 0,00
Mantova 2,84 0,66 1,14 0,11 0,16 0,00 Grosseto -0,46 0,03 0,59 0,05 1,10 0,18
Pisa 2,74 0,50 2,29 0,35 -0,01 0,00 Verona -0,47 0,08 0,48 0,08 -0,11 0,00
Trento 2,68 0,45 -1,28 0,10 -1,10 0,07 Milano -0,55 0,06 0,61 0,07 0,55 0,06
Venezia 2,60 0,46 0,49 0,02 1,26 0,11 Lecce -0,79 0,03 1,26 0,07 -0,73 0,02
Reggio nell'Emilia 2,50 0,45 0,63 0,03 -1,96 0,28 Roma -0,86 0,16 0,49 0,05 -0,03 0,00
Prato 2,33 0,32 0,88 0,05 0,91 0,05 Andria -0,99 0,05 0,28 0,00 0,25 0,00
Cremona 2,33 0,72 -0,18 0,00 -0,23 0,01 Barletta -1,02 0,18 0,30 0,02 -0,40 0,03
Biella 2,32 0,25 0,39 0,01 0,61 0,02 Rieti -1,09 0,16 -1,04 0,14 0,81 0,09
Belluno 2,30 0,35 -1,12 0,08 1,21 0,10 Caserta -1,13 0,36 0,26 0,02 0,22 0,01
Aosta 2,30 0,39 -1,02 0,08 0,69 0,03 Torino -1,14 0,22 -0,40 0,03 -1,02 0,18
Vercelli 2,28 0,40 -1,24 0,12 -1,94 0,29 Catanzaro -1,22 0,22 1,50 0,33 0,74 0,08
Bolzano 2,19 0,34 -1,94 0,26 0,55 0,02 Benevento -1,25 0,28 0,16 0,00 0,98 0,17
Pordenone 2,17 0,13 2,45 0,17 2,19 0,13 Avellino -1,26 0,29 1,04 0,19 -0,26 0,01
Parma 2,13 0,49 0,90 0,09 -0,27 0,01 Pistoia -1,29 0,41 0,68 0,11 0,72 0,12
Treviso 2,12 0,43 -0,83 0,07 -0,08 0,00 Pescara -1,34 0,54 0,11 0,00 0,38 0,04
Bergamo 2,09 0,68 0,30 0,01 -0,15 0,00 Reggio di Calabria -1,50 0,08 -2,02 0,15 1,54 0,09
Ravenna 2,08 0,43 0,61 0,04 -1,44 0,21 Salerno -1,53 0,32 1,62 0,36 -0,20 0,01
Cuneo 2,00 0,53 -1,43 0,27 -0,46 0,03 Massa -1,53 0,08 3,34 0,38 -0,14 0,00
Brescia 1,99 0,55 1,33 0,25 0,41 0,02 Viterbo -1,56 0,31 -0,14 0,00 0,56 0,04
Oristano 1,97 0,29 -1,06 0,08 0,50 0,02 Cagliari -1,64 0,33 -0,31 0,01 0,45 0,02
Udine 1,68 0,27 -1,27 0,15 -1,63 0,25 Genova -1,84 0,58 -0,64 0,07 -0,42 0,03
Como 1,55 0,35 0,28 0,01 0,08 0,00 Teramo -1,84 0,43 -0,23 0,01 0,37 0,02
Gorizia 1,54 0,33 -1,28 0,23 -0,49 0,03 Potenza -1,98 0,49 -0,40 0,02 1,37 0,23
Lecco 1,41 0,23 -0,13 0,00 -0,80 0,07 Bari -2,04 0,44 1,62 0,28 -0,33 0,01
Forlì 1,31 0,10 2,24 0,30 -2,34 0,32 Frosinone -2,06 0,44 -0,02 0,00 1,14 0,14
Perugia 1,27 0,27 -1,13 0,21 0,19 0,01 L'Aquila -2,15 0,60 -0,89 0,10 0,70 0,06
La Spezia 1,20 0,18 1,25 0,19 0,06 0,00 Napoli -2,28 0,45 1,77 0,27 -0,43 0,02
Terni 1,00 0,26 -1,01 0,26 -0,52 0,07 Latina -2,52 0,70 -0,88 0,08 -0,29 0,01
Padova 0,98 0,20 0,00 0,00 0,87 0,16 Brindisi -2,60 0,73 0,00 0,00 -0,49 0,03
Carbonia 0,94 0,16 -0,73 0,09 -0,64 0,07 Cosenza -2,67 0,64 1,33 0,16 0,46 0,02
Macerata 0,89 0,19 0,42 0,04 0,56 0,07 Ragusa -2,75 0,74 0,05 0,00 -0,24 0,01
Sassari 0,72 0,06 -1,28 0,18 0,62 0,04 Trapani -2,78 0,73 -0,72 0,05 -0,03 0,00
Asti 0,71 0,06 0,51 0,03 -0,68 0,06 Agrigento -2,83 0,74 0,94 0,08 -0,73 0,05
Vibo Valentia 0,67 0,01 -4,20 0,29 4,17 0,29 Caltanissetta -3,00 0,68 -0,04 0,00 -1,31 0,13
Sondrio 0,65 0,08 0,37 0,03 0,00 0,00 Matera -3,07 0,74 -0,88 0,06 0,12 0,00
Lodi 0,59 0,13 0,05 0,00 0,18 0,01 Enna -3,12 0,79 -0,80 0,05 -0,98 0,08
Varese 0,56 0,04 1,89 0,49 1,49 0,31 Trani -3,31 0,83 -0,59 0,03 -0,29 0,01
Isernia 0,48 0,02 -0,08 0,00 1,02 0,07 Foggia -3,47 0,56 -0,65 0,02 -2,02 0,19
Siena 0,44 0,03 0,38 0,02 1,58 0,35 Campobasso -3,50 0,86 -0,89 0,06 0,74 0,04
Bologna 0,34 0,03 0,08 0,00 -0,50 0,08 Crotone -3,60 0,66 -0,75 0,03 -0,71 0,03
Pavia 0,34 0,02 0,43 0,03 0,40 0,03 Messina -4,01 0,90 -0,49 0,01 -0,17 0,00
Chieti 0,32 0,04 0,01 0,00 0,36 0,05 Catania -4,17 0,67 -0,56 0,01 -2,00 0,16
Monza 0,20 0,02 0,39 0,06 0,05 0,00 Siracusa -4,31 0,94 0,01 0,00 -0,75 0,03
Nuoro 0,18 0,01 -1,67 0,46 0,55 0,05 Taranto -4,43 0,88 0,78 0,03 -0,87 0,03
Fermo 0,15 0,00 -1,05 0,17 1,04 0,17 Palermo -4,56 0,94 0,11 0,00 -0,03 0,00
Novara 0,14 0,00 -0,92 0,19 0,06 0,00

Firenze presenti un’ottima performance nella componente “Ingombranti e Altro”, mentre Vibo
Valentia a sua volta presenta valori rilevanti nella terza componente, avendo un’alta produzione di
rifiuti tessili e una bassa produzione di rifiuti C&D; è interessante notare che nel caso di Pesaro tali
valori risultano opposti. Per quel che riguarda le città meno virtuose nella raccolta differenziata,
troviamo agli ultimi posti le città di Messina, Catania, Taranto, Siracusa e Palermo, le quali
presentano valori estremamente negativi sulla prima componente: grazie all’inserimento della
variabile illustrativa che indentifica le varie regioni, notiamo infatti una notevole vicinanza dei
capoluoghi di Sicilia e Puglia nel secondo e terzo quadrante dei grafici in questione. Sempre
utilizzando tale la variabile illustrativa, emerge la presenza di capoluoghi virtuosi con valori simili
tra loro e facenti parte della stessa regione, come nel caso dell’Emilia-Romagna e della Lombardia.
Per quanto riguarda la seconda domanda di ricerca, lo studio è proseguito confrontando i valori di
basso, medio ed alto riciclaggio con i rispettivi livelli di reddito. Dalla figura 3 emerge come ci sia
una relazione tra bassi livelli di riciclaggio e basso reddito e anche tra medi livelli di reddito e medi
livelli di riciclaggio. Non emerge una relazione significativa invece tra alti livelli di reddito e alti
livelli di riciclaggio. Tuttavia, tali risultati non possono essere considerati del tutto attendibili, in
quanto analizzando l’indice di connessione χ2 relativo, avente valore 0,12, emerge una bassa
connessione tra le due variabili.
Figura 3 – Analisi delle corrispondenze

Infine, per rispondere all’ultima domanda di ricerca ci si è avvalsi della cluster analysis: in primis, si
nota una bassa correlazione tra le 12 variabili utilizzate nello studio della prima domanda di ricerca
(Tabella 4); inoltre studiando il box plot nella Figura 4, si identifica la presenza di un certo numero
di dati anomali. Per questi motivi, nell’analisi cluster gerarchica che segue, verrà utilizzata una delle
metriche appartenente alla famiglia di Minkowski: in particolar modo si preferirà utilizzare la metrica
di Manhattan rispetto a quella euclidea. Infine, data la bassa correlazione delle varabili oggetto di
studio, è stata data maggiore enfasi all’analisi in cluster effettuata a partire dalle componenti
principali.
Tabella 4, Matrice di correlazione delle variabili oggetto di studio
Figura 4 – Boxplot valori anomali
Procediamo con l’analisi utilizzando inizialmente alcuni dei metodi gerarchici a disposizione, per
poter farsi un’idea del numero dei cluster da utilizzare attraverso la visualizzazione dei
Organico Carta Vetro Legno Metalli Plastica RAEE C.D Selettiva Tessili Ingombranti Altro
Organico 1,00 0,56 0,53 0,43 0,50 0,65 0,33 0,25 0,46 0,18 0,28 0,31
Carta 0,56 1,00 0,54 0,46 0,54 0,52 0,29 0,26 0,47 0,22 0,20 0,28
Vetro 0,53 0,54 1,00 0,36 0,67 0,45 0,36 0,20 0,50 0,21 0,18 0,17
Legno 0,43 0,46 0,36 1,00 0,46 0,49 0,34 0,49 0,40 0,14 0,28 0,08
Metalli 0,50 0,54 0,67 0,46 1,00 0,59 0,52 0,31 0,59 0,25 0,22 0,19
Plastica 0,65 0,52 0,45 0,49 0,59 1,00 0,38 0,28 0,36 0,19 0,24 0,06
RAEE 0,33 0,29 0,36 0,34 0,52 0,38 1,00 0,21 0,54 0,25 -0,05 0,12
C.D 0,25 0,26 0,20 0,49 0,31 0,28 0,21 1,00 0,36 0,10 0,05 0,01
Selettiva 0,46 0,47 0,50 0,40 0,59 0,36 0,54 0,36 1,00 0,41 0,21 0,17
Tessili 0,18 0,22 0,21 0,14 0,25 0,19 0,25 0,10 0,41 1,00 0,05 0,03
Ingombranti 0,28 0,20 0,18 0,28 0,22 0,24 -0,05 0,05 0,21 0,05 1,00 0,25
Altro 0,31 0,28 0,17 0,08 0,19 0,06 0,12 0,01 0,17 0,03 0,25 1,00

dendrogrammi: con il metodo del legame completo, otteniamo il dendrogramma della Figura 6,
optando per un taglio che ci restituisca 6 gruppi.
Figura 5 – Cluster Analysis effettuata con metodo legame completo e distanza di Manhattan sulle CP
Successivamente procediamo con il metodo del legame medio; anche in questo caso optiamo per un
taglio che ci restituisca 6 gruppi.
Figura 6 – Cluster Analysis effettuata con metodo legame medio e distanza di Manhattan sulle CP

Infine, costruiamo il dendrogramma utilizzando il metodo del legame singolo. In questo caso risulta
meno immediata la distinzione in gruppi formatasi tramite il processo di clusterizzazione.
Figura 7 – Cluster Analysis effettuata con metodo legame singolo e distanza di Manhattan sulle CP
Notiamo che cambiando la metodologia, vi è una significativa variabilità della posizione dei singoli
capoluoghi all’interno dei dendrogrammi. Inoltre, utilizzando i vari metodi di clusterizzazione non
gerarchica con le variabili originali, notiamo che la distribuzione delle unità statistiche presenta
alcune differenze. Nella Figura 8 è presente un esempio dove si è utilizzato il metodo del legame
medio.

Figura 8 – Cluster Analysis effettuata con metodo legame medio e distanza di Manhattan
Tuttavia, nonostante la divergenza che si presenta con l’utilizzo delle variabili originarie, appare
ragionevole effettuare un taglio che anche in questo caso porti alla formazione di 6 cluster. Di
conseguenza, si è deciso di effettuare un’analisi in cluster del tipo non gerarchico impostando un
numero di gruppi che si dovranno formare pari a 6.
Proseguiamo quindi con lo studio della cluster non gerarchica: dopo aver visualizzato i cluster di
appartenenza delle singole unità statistiche (Tabella 5), procediamo allo studio analizzando i valori
medi delle variabili per ogni gruppo formatosi (Tabella 6).
Nel cluster 1, sono presenti i capoluoghi di provincia che presentano una ottima percentuale di
riciclaggio delle variabili “Organico”, “Ingombranti” e “Altro”.
Nel cluster 2, sono presenti i capoluoghi di provincia che presentano ottimi valori di riciclaggio in
tutte le variabili ad eccezione di “Ingombranti” e “Altro”.
Allo stesso modo, il cluster 6 presenta caratteristiche simili.
Il cluster 4, il meno popolato dei 6, presenta alti valori nelle variabili “Selettiva”, “Tessili” e
“Ingombranti”.

Il cluster 5, il quale risulta essere il più popolato, contiene valori ordinari in tutte le variabili.
Infine, nel cluster 3 sono presenti tutti quei capoluoghi con valori bassi di riciclaggio.
Concludendo si può affermare che nei cluster migliori sono presenti prevalentemente capoluoghi di
provincia situati nel Nord Italia, mentre il cluster 5 è identificativo dell’andamento medio della
situazione italiana nella raccolta di rifiuti, vista la presenza di numerosi capoluoghi sparsi lungo tutta
la penisola; infine nel cluster 3, si evidenzia la situazione peggiore, riconducibile principalmente ai
territori del Mezzogiorno. La poca uniformità dei risultati raggiunti attraverso i vari modelli di analisi
cluster riportati, ci suggerisce un’affidabilità non sufficiente per poter giungere a conclusioni più
certe, tuttavia lo studio effettuato tramite l’analisi cluster non gerarchica potrebbe porre le linee guida
per una ricerca più dettagliata in relazione all’omogeneità del comportamento dei capoluoghi nello
svolgere la raccolta differenziata.
Tabella 5, Appartenenza delle unità statistiche ai gruppi
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6
Brescia Verbania Foggia Andria Torino Lecco
Forlì Bolzano Taranto Massa Savona Udine
Firenze Treviso Cosenza Vibo Valentia Siena Reggio nell'Emilia
Asti Venezia Trapani Ancona Vercelli
Sondrio Prato Enna Rieti Trento
Macerata Oristano Genova Teramo Gorizia
La Spezia Perugia Brindisi Caserta Modena
Varese Biella Crotone Nuoro Rimini
Lucca Aosta Palermo Pavia Piacenza
Pisa Cremona Catania Grosseto Ravenna
Mantova Vicenza Latina Roma Pesaro
Pordenone Rovigo Napoli Pescara
Parma Ferrara Messina Benevento
Cuneo Ragusa Novara
Como Trani Alessandria
Bergamo Agrigento Milano
Belluno Siracusa Lodi
L'Aquila Verona
Campobasso Padova
Bari Trieste
Matera Bologna
Caltanissetta Livorno
Fermo
Chieti
Barletta
Lecce
Catanzaro
Cagliari
Monza
Terni
Ascoli Piceno
Frosinone
Isernia
Avellino
Potenza
Carbonia
Imperia
Pistoia
Arezzo
Viterbo
Salerno
Reggio di Calabria
Sassari

Tabella 6, dettaglio dei gruppi
Min. : 53.95 Min. : 41.96 Min. :29.23 Min. : 3.839 Min. :3.987 Min. :15.66 Min. :1.931 Min. : 1.146 Min. :0.6729 Min. :0.1175 Min. : 8.48 Min. : 1.292
1st Qu.:131.02 1st Qu.: 67.91 1st Qu.:35.58 1st Qu.:13.760 1st Qu.:5.336 1st Qu.:17.59 1st Qu.:4.073 1st Qu.: 6.748 1st Qu.:0.8052 1st Qu.:2.4126 1st Qu.:18.18 1st Qu.: 9.221
Median :143.75 Median : 83.59 Median :37.58 Median :17.636 Median :6.105 Median :27.26 Median :5.026 Median : 6.950 Median :1.1391 Median :2.9165 Median :20.60 Median :11.955
Mean :152.41 Mean : 76.07 Mean :38.63 Mean :19.292 Mean :6.086 Mean :26.78 Mean :4.918 Mean : 7.030 Mean :1.1074 Mean :2.6645 Mean :20.78 Mean :13.399
3rd Qu.:182.79 3rd Qu.: 86.34 3rd Qu.:42.95 3rd Qu.:21.191 3rd Qu.:6.980 3rd Qu.:32.38 3rd Qu.:5.554 3rd Qu.: 9.827 3rd Qu.:1.3046 3rd Qu.:3.5166 3rd Qu.:23.88 3rd Qu.:16.128
Max. :238.53 Max. :106.31 Max. :45.82 Max. :46.037 Max. :7.810 Max. :45.28 Max. :7.812 Max. :11.808 Max. :1.7407 Max. :4.5008 Max. :31.29 Max. :33.847
Min. : 78.75 Min. : 58.30 Min. :35.01 Min. : 5.33 Min. : 4.347 Min. :14.65 Min. :2.897 Min. : 0.2866 Min. :0.4956 Min. :1.586 Min. : 0.5923 Min. :0.2169
1st Qu.:127.88 1st Qu.: 73.25 1st Qu.:39.64 1st Qu.:15.92 1st Qu.: 8.163 1st Qu.:26.02 1st Qu.:4.563 1st Qu.: 5.4264 1st Qu.:1.1972 1st Qu.:2.623 1st Qu.: 6.9623 1st Qu.:1.1703
Median :139.46 Median : 84.92 Median :44.27 Median :20.06 Median : 9.293 Median :32.71 Median :5.238 Median : 8.1448 Median :1.4385 Median :3.781 Median :11.5917 Median :3.9490
Mean :142.23 Mean : 84.99 Mean :47.34 Mean :20.89 Mean : 9.730 Mean :33.47 Mean :5.535 Mean : 8.1310 Mean :1.4212 Mean :3.655 Mean :12.3312 Mean :3.4612
3rd Qu.:158.11 3rd Qu.: 87.42 3rd Qu.:57.51 3rd Qu.:25.46 3rd Qu.:11.246 3rd Qu.:41.27 3rd Qu.:6.590 3rd Qu.:11.1671 3rd Qu.:1.6110 3rd Qu.:4.491 3rd Qu.:15.5398 3rd Qu.:5.1804
Min. : 6.543 Min. :13.02 Min. : 4.143 Min. : 0.012 Min. :0.1720 Min. : 0.3989 Min. :0.8198 Min. : 0.2749 Min. :0.07064 Min. :0.06603 Min. : 0.8041 Min. :0.002565
1st Qu.: 22.220 1st Qu.:24.42 1st Qu.: 9.681 1st Qu.: 3.061 1st Qu.:0.5157 1st Qu.: 6.9945 1st Qu.:1.3849 1st Qu.: 1.7991 1st Qu.:0.15824 1st Qu.:0.73860 1st Qu.: 3.3532 1st Qu.:0.330594
Median : 43.890 Median :34.87 Median :17.828 Median : 5.344 Median :1.0761 Median :11.6259 Median :2.0002 Median : 4.3601 Median :0.25436 Median :1.00135 Median : 6.2705 Median :1.080681
Mean : 48.157 Mean :36.69 Mean :16.232 Mean : 6.412 Mean :1.4088 Mean :10.0678 Mean :2.1999 Mean : 5.2815 Mean :0.31426 Mean :1.59532 Mean : 8.0003 Mean :1.920554
3rd Qu.: 65.982 3rd Qu.:44.70 3rd Qu.:20.488 3rd Qu.: 8.079 3rd Qu.:1.8954 3rd Qu.:13.8221 3rd Qu.:2.7812 3rd Qu.: 7.4409 3rd Qu.:0.38698 3rd Qu.:2.65308 3rd Qu.:10.8429 3rd Qu.:3.604722
Min. : 69.77 Min. :37.45 Min. :18.84 Min. :5.344 Min. :0.5713 Min. : 5.352 Min. :0.8322 Min. :0.255 Min. :0.2909 Min. : 1.670 Min. : 4.10 Min. :4.190
1st Qu.: 78.61 1st Qu.:39.61 1st Qu.:19.25 1st Qu.:6.819 1st Qu.:1.2193 1st Qu.: 9.082 1st Qu.:1.1460 1st Qu.:3.543 1st Qu.:0.7323 1st Qu.: 5.001 1st Qu.:12.63 1st Qu.:4.370
Median : 87.46 Median :41.77 Median :19.65 Median :8.294 Median :1.8673 Median :12.812 Median :1.4598 Median :6.831 Median :1.1737 Median : 8.331 Median :21.15 Median :4.551
Mean : 91.30 Mean :41.48 Mean :19.59 Mean :7.444 Mean :1.5638 Mean :15.991 Mean :3.5332 Mean :5.470 Mean :1.3818 Mean : 7.812 Mean :24.13 Mean :4.598
3rd Qu.:102.07 3rd Qu.:43.49 3rd Qu.:19.97 3rd Qu.:8.495 3rd Qu.:2.0600 3rd Qu.:21.310 3rd Qu.:4.8837 3rd Qu.:8.078 3rd Qu.:1.9272 3rd Qu.:10.884 3rd Qu.:34.14 3rd Qu.:4.802
Min. : 48.61 Min. :26.67 Min. : 1.017 Min. : 0.006684 Min. : 1.695 Min. : 6.083 Min. : 2.305 Min. : 0.3003 Min. :0.1595 Min. :0.1241 Min. : 0.4736 Min. : 0.1002
1st Qu.: 74.86 1st Qu.:47.87 1st Qu.:27.256 1st Qu.: 6.4196731st Qu.: 3.132 1st Qu.:14.316 1st Qu.: 3.253 1st Qu.: 2.6901 1st Qu.:0.3698 1st Qu.:1.6992 1st Qu.: 5.2135 1st Qu.: 1.6447
Median : 94.49 Median :59.77 Median :33.258 Median :12.222004
Median : 4.368 Median :18.389 Median : 4.425 Median : 4.3964 Median :0.6688 Median :2.7405 Median : 9.3182 Median : 4.4436
Mean :101.49 Mean :59.17 Mean :33.374 Mean :11.605459
Mean : 4.563 Mean :20.700 Mean : 4.792 Mean : 4.8833 Mean :0.6717 Mean :2.4036 Mean : 8.8275 Mean : 4.9143
3rd Qu.:126.44 3rd Qu.:70.96 3rd Qu.:39.841 3rd Qu.:15.071164
3rd Qu.: 5.854 3rd Qu.:25.748 3rd Qu.: 5.486 3rd Qu.: 6.8306 3rd Qu.:0.8812 3rd Qu.:3.1522 3rd Qu.:12.6722 3rd Qu.: 7.7223
Max. :167.58 Max. :94.53 Max. :54.986 Max. :28.763274Max. :10.183 Max. :58.300 Max. :13.390 Max. :13.5187 Max. :1.6340 Max. :4.4169 Max. :17.7067 Max. :14.8533
Min. : 64.39 Min. : 47.58 Min. :33.53 Min. :13.28 Min. :5.080 Min. :21.35 Min. :3.740 Min. :14.65 Min. :0.6517 Min. :1.019 Min. : 0.193 Min. :0.5474
1st Qu.:128.89 1st Qu.: 61.42 1st Qu.:37.19 1st Qu.:25.85 1st Qu.:5.767 1st Qu.:25.08 1st Qu.:4.999 1st Qu.:14.96 1st Qu.:0.9488 1st Qu.:2.584 1st Qu.:11.047 1st Qu.:3.1850
Median :149.36 Median : 77.75 Median :39.09 Median :37.78 Median :6.838 Median :30.96 Median :6.029 Median :15.10 Median :1.0471 Median :2.797 Median :11.678 Median :4.1876
Mean :138.61 Mean : 82.12 Mean :40.05 Mean :35.29 Mean :7.021 Mean :30.92 Mean :5.669 Mean :15.67 Mean :1.1144 Mean :2.775 Mean :14.162 Mean :4.5745
3rd Qu.:158.13 3rd Qu.: 93.04 3rd Qu.:42.64 3rd Qu.:38.98 3rd Qu.:8.080 3rd Qu.:36.79 3rd Qu.:6.434 3rd Qu.:15.16 3rd Qu.:1.3453 3rd Qu.:3.268 3rd Qu.:19.038 3rd Qu.:6.0922
CLUSTER 1
CLUSTER 2
CLUSTER 3
CLUSTER 4
CLUSTER 5
CLUSTER 6

L'Italia del Riciclo

Recommended

Recommended

More Related Content

Similar to L'Italia del Riciclo

Similar to L'Italia del Riciclo (20)

L'Italia del Riciclo