Individuazione delle tipologie di pendolari nel Friuli Venezia Giulia

Nel presente lavoro si utilizza la matrice del pendolarismo, costruita a partire dai dati censuari, per l’individuazione di tipologie di pendolari a seconda che il motivo dello spostamento sia lo studio o il lavoro distinguendo tra comuni sotto e sopra i 20000 abitanti. La matrice del pendolarismo infatti fornisce informazioni relative ai movimenti giornalieri da e per i comuni di residenza e di lavoro (o studio), considerando i movimenti che prevedono il rientro in giornata all’abitazione di residenza. Il dettaglio territoriale considerato nella matrice (disponibile sul sito dell’Istat) è il comune, all’interno del quale vengono stratificati i pendolari sulla base di alcune variabili rilevanti, che non sono però le sole che possono influenzare e spiegare il pendolarismo. Al fine dell’identificazione delle tipologie di pendolari si utilizza la cluster analysis. La cluster analysis, ha l’obiettivo di riconoscere dei gruppi che appaiono con “naturalezza” nelle osservazioni e che si caratterizzano per un’elevata omogeneità all’interno dei gruppi stessi e per un’elevata eterogeneità tra di essi. In pratica, partendo dai dati, si vogliono ottenere dei cluster distinti di elementi raggruppati in base alla loro distanza o similarità misurata su alcune variabili rilevanti. Tra i diversi metodi si è scelta la two step cluster analysis in quanto permette di analizzare una grossa mole di dati e di considerare sia variabili quantitative che qualitative. This paper uses the matrix of commuting, constructed from Census data, for the identification of types of commuters travelling for study or work, distinguishing between municipalities below and over 20,000 inhabitants. The commuting matrix has information about daily movements to and from town of residence and work (or study). The considered territorial level is the municipality, whitin which the commuters are stratified on the basis of some rilevant variables. In order to identify the types of commuters the cluster analysis is used. Cluster analysis, aims at recognizing the groups that appear with “naturalness” in the observations and which are characterized by high homogeneity within the groups and high heterogeneity between them. In practice, starting from the data, we want to obtain clusters of elements grouped according to their similarity or distance measured on some relevant variables. Among the different methods, we choose the two-step cluster analysis as it allows to analyze a large amount of data and to consider both quantitative and qualitative variables.