Le componenti principali pesate geograficamente per la definizione di indicatori compositi locali

Titolo Rivista RIVISTA DI ECONOMIA E STATISTICA DEL TERRITORIO
Autori/Curatori Alfredo Cartone, Paolo Postiglione
Anno di pubblicazione 2016 Fascicolo 2016/1 Lingua Italiano
Numero pagine 20 P. 33-52 Dimensione file 200 KB
DOI 10.3280/REST2016-001002
Il DOI è il codice a barre della proprietà intellettuale: per saperne di più clicca qui

Qui sotto puoi vedere in anteprima la prima pagina di questo articolo.

Se questo articolo ti interessa, lo puoi acquistare (e scaricare in formato pdf) seguendo le facili indicazioni per acquistare il download credit. Acquista Download Credits per scaricare questo Articolo in formato PDF

Anteprima articolo

FrancoAngeli è membro della Publishers International Linking Association, Inc (PILA)associazione indipendente e non profit per facilitare (attraverso i servizi tecnologici implementati da CrossRef.org) l’accesso degli studiosi ai contenuti digitali nelle pubblicazioni professionali e scientifiche

Il presente lavoro analizza il problema della costruzione degli indicatori compositi a livello locale. Gli indicatori rappresentano sempre più un valido strumento di ausilio per la definizione di interventi adeguati di policy che siano basati su un’effettiva analisi della realtà. Un indicatore composito misura concetti multidimensionali che sono difficili da comprendere attraverso l’analisi di una molteplicità di indicatori semplici. Il problema della sintesi degli indicatori semplici è un argomento spesso dibattuto nella letteratura specialistica. La tecnica statistica dell’analisi in componenti principali è uno strumento frequentemente utilizzato per risolvere tale problema. In generale, quando l’unità statistica di osservazione è geo-riferita, la versione classica dell’analisi in componenti principali risulta non adeguata per la sintesi di indicatori semplici. Infatti, usando l’analisi in componenti principali standard, vengono trascurati alcuni effetti spaziali che caratterizzano in modo cruciale le unità che si distribuiscono sul territorio. In particolare, possono essere considerati gli effetti di eterogeneità e dipendenza spaziale. In questo articolo, gli autori applicano una tecnica di analisi in componenti principali pesata geograficamente che è stata introdotta recentemente in letteratura. Tale tecnica tiene in debita considerazione l’effetto di eterogeneità spaziale. La metodologia è utilizzata al fine della definizione di indicatori compositi di benessere a livello locale. In particolare, il caso di studio riguarda le 110 province italiane per l’anno 2011. I risultati evidenziano come l’eterogeneità spaziale non possa essere ignorata quando si analizzano dati rilevati su unità territoriali, e pertanto, l’utilizzo del¬l’analisi in componenti principali modificata spazialmente risulta più adeguata per lo studio del fenomeno sotto investigazione.;

Keywords:Regressione pesata spazialmente, indicatori compositi, indicatori di benessere, econometria spaziale, funzione kernel

Jel codes:C01, C21, C43, C54.

  1. Anselin L. (1988), Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic Publishers.
  2. Bernini C., Guizzardi A., Angelini G. (2013), DEA-like Model and Common Weights Approach for the Construction of a Subjective Community Well-being Indicator, Social Indicator Research, 114, pp. 405-424.
  3. Brunsdon C., Fotheringham A.S., Charlton M. (1998), Geographically Weighted Regression – Modelling Spatial Non-stationarity, Journal of the Royal Statistical Society D, 47, pp. 431-443.
  4. Dumanski J., Pieri C. (1997), Application of the Pressure-state-response Framework for the Land Quality Indicators (LQI) programme, in Land Quality Indicators and Their Use in Sustainable Agriculture and Rural Development, in Proceedings of the Workshop organized by the Land and Water Development Division, FAO Agriculture Department and the Research, Extension and Training Division, FAO Sustainable Development Department, 25-26 January 1996.
  5. Fotheringham A.S., Brunsdon C., Charlton M. (2002), Geographically Weighted Regression – The Analysis of Spatially varying Relationships. Chichester, UK: Wiley.
  6. Gollini I., Lu B., Charlton M., Brunsdon C., Harris P. (2015), GWmodel: An R Package for Exploring Spatial Heterogeneity using Geographically Weighted Models, Journal of Statistical Software, 63, 17, pp. 1-50.
  7. Harris P., Brunsdon C., Charlton. M. (2011), Geographically Weighted Principal Components Analysis, International Journal of Geographical Information Science, 25, pp. 1717-36.
  8. Harris P., Clarke A., Juggins S., Brunsdon C., Charlton M. (2014), Geographically Weighted Methods and Their Use in Network Re-designs for Environmental Monitoring, Stochastic Environmental Research and Risk Assessment, 28, pp. 1869-1887.
  9. Harris P., Clarke A., Juggins S., Brunsdon C., Charlton M. (2015), Enhancements to a Geographically Weighted Principal Component Analysis in the Context of an Application to an Environmental Data Set, Geographical Analysis, 47, pp. 146-172.
  10. Hotelling H. (1933), Analysis of a Complex of Statistical Variables into Principal Components, Journal of Educational Psychology, 24, pp. 417-441.
  11. ISTAT (2015), Rapporto BES 2015.
  12. Jolliffe I.T. (2002), Principal Component Analysis. New York: Springer Verlag.
  13. Jombart T., Devillard S., Dufour A-B., Pontier D. (2008), Revealing Cryptic Patterns in Genetic Variability by a New Multivariate Method, Heredity, 101, pp. 92-103.

  14. Mazziotta M., Pareto A. (2013), Methods for Constructing Composite Indices: One for All or All for One?, Rivista italiana di economia, demografia e statistica, LXVII, 2, pp. 67-80.
  15. OECD (1993), OECD Core Set of Indicators for Environmental Performance Reviews, Environment Monographs, 83.
  16. Pampalon R., Raymond G. (2000), A Deprivation Index for Health and Welfare Planning in Quebec, Chronic Diseases in Canada, 21, pp. 104-13.
  17. Panzera D., Postiglione P. (2014), Economic Growth in Italian NUTS 3 Provinces, The Annals of Regional Science, 53, pp. 273-293.
  18. Pearson K. (1901), On Lines and Planes of Closest Fit to a System of Points in a Space, Philosophical Magazine (Series 6), 2, pp. 559-572.
  19. Postiglione P., Andreano M.S., Benedetti R. (2013), Using Constrained Optimization for the Identification of Convergence Clubs, Computational Economics, 42, pp. 151-174.
  20. Stiglitz J., Sen A., Fitoussi J. (2009), Report by the Commission on the Measurement of Economic Performance and Social Progress, http://www.insee.fr/fr/publications-et-services/dossiers_web/stiglitz/doc-commission/RAPPORT_anglais.pdf.

  • L'eterogeneità spaziale nello sviluppo locale in Italia: un'analisi basata sulla costruzione di un indicatore sintetico M. Simona Andreano, Roberto Benedetti, Andrea Mazzitelli, in RIVISTA DI ECONOMIA E STATISTICA DEL TERRITORIO 3/2017 pp.9
    DOI: 10.3280/REST2016-003002

Alfredo Cartone, Paolo Postiglione, Le componenti principali pesate geograficamente per la definizione di indicatori compositi locali in "RIVISTA DI ECONOMIA E STATISTICA DEL TERRITORIO" 1/2016, pp 33-52, DOI: 10.3280/REST2016-001002