Pratica 3

Parte A: Misure di tendenza centrale

Obiettivo

L'obiettivo di questa prima parte è quello di applicare i principali indici di tendenza

centrale in un insieme di entità territoriali (comuni), per confrontarne il
comportamento geometrico, demografico e di accessibilità. Gli strumenti software
di QGIS sono stati utilizzati sullo shapefile WGS84_Comuni_confini.

A.1 – Calcolo dei baricentri (centri geometrici)

Il baricentro geometrico di ogni poligono che rappresenta un comune è stato

calcolato utilizzando il comando:

Strumenti di geometria vettoriale > > centroidi

L'opzione "Crea centroide per ogni parte" è stata attivata per ottenere un punto per
ogni parte del poligono in caso di geometrie multiparte. Il risultato è stato un nuovo
strato di punti con i centri
geometrici puri di ogni
comune.

A.2 – Calcolo del baricentro ponderato in base alla popolazione

Il baricentro ponderato è stato quindi calcolato da:

Strumenti di analisi della > vettoriale > le coordinate medie

Il campo corrispondente alla popolazione totale di ciascun comune è stato
selezionato come campo di ponderazione. Questo processo ha generato un nuovo
punto che rappresenta il
centro di ogni comune
adeguato al peso della sua
popolazione.

Lo spostamento visibile
rispetto al baricentro
geometrico mostra come la
concentrazione della
popolazione influenzi la
percezione del "centro" di un
territorio.

A.3 – Calcolo del centro di corsa minima (centro della mediana)

L'obiettivo era quello di individuare il punto che minimizza la somma delle

distanze da tutti i comuni, cioè il centro della mediana. Sono stati seguiti i seguenti
passaggi:

1. Generazione di matrice di distanza tra centroidi geometrici

tramite:Strumenti di analisi > vettoriale > Matrice di distanza con tipo:
"Matrice di distanza
riassuntiva (media, desv. est.,
min, max)"

2. Calcola l'inverso della

distanza media (1/MEAN)
nella tabella risultante
utilizzando il calcolatore di
campo, per utilizzare questo
valore come peso nel
passaggio successivo.

3. Calcolo delle coordinate

medie ponderate per
 1/MEDIA, che genera il punto che rappresenta il centro di minima
percorrenza di tutti i comuni.

Questo punto è rilevante dal punto di vista dell'accessibilità, in quanto si trova dove
la distanza media da tutti i comuni è ridotta al minimo.

Conclusioni della parte A

• Il baricentro geometrico dipende solo dalla forma del comune.

• Il baricentro ponderato viene spostato nelle aree più densamente popolate.

• Il centro di distanza minima offre una posizione centrale ottimale a livello

di accessibilità globale.

Questi strumenti consentono di caratterizzare spazialmente i dati con approcci

multipli in base ai criteri da ottimizzare: forma, popolazione o connettività.

Parte B: Quadrat Analysis (QA)

Obiettivo

L'obiettivo di questa parte è stato quello di verificare se i punti d'acqua

(WGS84_Punti_acqua) sono distribuiti in modo casuale sul territorio, o se
presentano un pattern spaziale (raggruppamento o dispersione), utilizzando il
metodo dell'analisi dei quadranti (Analisi Quadrata).

B.1 – Dati utilizzati

• Numero totale di punti (n): 2.251 punti d'acqua

• Area totale di analisi (A): [Link] m² (6.530 km²)

• Media dei punti per cella prevista (λ):

• Questa media è stata utilizzata per costruire la distribuzione teorica di

Poisson.

B.2 – Metodologia applicata in QGIS

1. Caricamento dati: è stato caricato il WGS84_Punti_acqua dello shapefile.

2. Calcolo dell'area di analisi:

Sono stati utilizzati strumenti di ricerca > vettoriali > Extract Layer Extension
ed è stata ottenuta l'area totale (A).

3. Calcolo della dimensione ottimale della cella (QS):

4. Creazione della griglia:

Una griglia di rettangoli con una dimensione di 1.702 x 1.702 m è stata creata
utilizzando gli strumenti di ricerca > vettoriale > Create Grid.

5. Conteggio dei punti in ogni cella:

È stato utilizzato Vector > Analysis Tools > Counting Points in Polygons.

6. Esporta in Excel:

Il risultato è stato esportato in CSV per l'analisi statistica.

B.3 – Analisi statistica in Excel e grafico

• La frequenza osservata delle celle è stata calcolata con 0, 1, 2... punti.

• È stato confrontato con la frequenza attesa secondo la distribuzione di

Poisson (λ = 0,366).
 • È stato generato il seguente grafico:

Conclusioni della Parte B

• L'analisi ha mostrato che la maggior parte delle cellule conteneva 0 o 1

punto, come previsto dalla distribuzione di Poisson.

• Le frequenze osservate non differiscono significativamente da quelle attese.

• Pertanto, si conclude che i punti d'acqua hanno una distribuzione spaziale

casuale, compatibile con un modello poissoniano.

Parte C: Analisi del vicino più prossimo (NNA)

Obiettivo

L'obiettivo di questa parte è stato quello di determinare se i punti d'acqua

(WGS84_Punti_acqua) hanno una distribuzione casuale, dispersa o
raggruppata, attraverso l'analisi del vicino più prossimo (NNA). Sono stati
applicati due metodi complementari: uno automatico con QGIS e uno manuale
basato sulla matrice delle distanze esportata.

C.1 – Metodo automatico in QGIS

È stato applicato l'algoritmo:

"Strumenti di analisi > vettoriale > Analisi del vicino più prossimo"

Risultati ottenuti (file HTML generato automaticamente da QGIS):

Indicatore Valore calcolato

Distanza media osservata 522,52 m sopra il livello del mare

Distanza media prevista 851,62 m sopra il livello del mare

R-Index (robs / rexp) 0,6136

Numero di punti analizzati 2.251

Punteggio Z -35,08

C.2 – Calcolo manuale dalla matrice delle distanze

La matrice è stata generata da:

"Strumenti di analisi > vettoriale > Matrice di distanza"
e l'opzione "Matrice di distanza lineare (N*K x 3)" è stata esportata con K = 1,
ovvero la distanza dal vicino più vicino.

Sulla base dei dati ottenuti sono stati calcolati i seguenti indicatori:

Concetto Valore calcolato

Distanza media osservata (robs) 522,52 m sopra il livello del mare

Distanza prevista casuale (rexp) 851,62 m sopra il livello del mare

Indice R 0,61

Densità spaziale (D) 3,45 × 10⁻⁷ punti/m²

Errore standard (SEr) 9,38 m sopra il livello del mare

Punteggio Z (Zr) -35,08

Interpretazione

• L' indice R < 1 indica che i punti tendono ad essere più vicini l'uno all'altro
di quanto ci si aspetterebbe in una distribuzione casuale → clustering
spaziale.

• Lo Z-score di -35,08 è molto più basso di -1,96, confermando che questa

differenza è statisticamente significativa (p < 0,001).
 • Entrambi i metodi (automatico e manuale) hanno offerto risultati identici,
il che convalida la procedura.

Conclusione della Parte C

I punti d'acqua non sono distribuiti in modo casuale, ma presentano un chiaro

schema di raggruppamento spaziale . Ciò può essere dovuto a fattori geologici,
all'accesso umano o ai modelli di utilizzo del suolo che concentrano i pozzi in
determinate aree.

Parte D: Analisi univariata

Obiettivo

L'obiettivo di questa parte è stato quello di analizzare la distribuzione statistica

della popolazione comunale (popol2001) utilizzando strumenti grafici e statistiche
di base forniti dal software GeoDa.

D.1 – Variabile analizzata

E' stato utilizzato il campo popol2001, corrispondente alla popolazione di ciascun

comune della Sicilia nell'anno 2001. Il numero totale di osservazioni è stato di 390
comuni.

D.2 – Risultati grafici

Per l'analisi sono stati generati i seguenti grafici:

Istogramma

L'istogramma mostra
una distribuzione
altamente asimmetrica,
con la stragrande
maggioranza dei comuni
(più di 350) con
popolazione inferiore a
10.000 abitanti, e
pochissimi con valori
elevati, che indicano
una distribuzione
inclinata verso destra.

Grafico a scatola

Questo grafico ci permette di visualizzare i valori

anomali, che in questo caso sono numerosi, riflettendo
l'esistenza di alcuni comuni con una popolazione
molto elevata rispetto al resto.

D.3 – Statistica descrittiva

Statistico Valore

Minimo 254

1er cuartil (Q1) 2.467

Statistico Valore

Mediano 4.800

3er cuartil (Q3) 10.459

Valore massimo 686.722

Intervallo interquartile (IQR) 7.992

Calza 12.741,0

Deviazione standard 41.712,4

Conclusione

La distribuzione della popolazione comunale in Sicilia nel 2001 mostra una forte
asimmetria positiva, con la maggior parte dei comuni di piccole o medie
dimensioni, e alcuni comuni (come Palermo, Catania o Messina) con una
popolazione significativamente più numerosa. Ciò si riflette nella differenza tra la
media (12.741) e la mediana (4.800), nonché nell'elevata deviazione standard e
nel numero di valori anomali.

Questa analisi serve come base per gli studi di autocorrelazione spaziale che
saranno effettuati nelle fasi successive (Parti E e F).

Parte E: Autocorrelazione spaziale globale (indice di Moran)

Obiettivo

L'obiettivo di questa sezione è stato quello di valutare se i valori della popolazione

(popol 2001) presentano raggruppamenti spaziali tra i comuni, utilizzando il
Global Moran Index con una matrice di contiguità di tipo Queen.

E.1 – Matrice dei pesi spaziali

È stata creata una matrice di pesi spaziali basata sulla contiguità del tipo Queen
(ordine 1), in cui i comuni che condividono uno spigolo o un vertice sono
considerati vicini.

Il file del peso è stato generato in formato .gal dal campo identificativo univoco
COD_AMM.

E.2 – Risultati del Global Moran Index

L'analisi è stata
effettuata da:
"Espacio > I de
Morán Univariate"
sulla variabile
popol2001.

Risultati:

Indicatore Valore

I di Moran 0,026

Punteggio Z (non esplicitamente mostrato nel grafico)

Valore P (non esplicitamente mostrato nel grafico)

E.3 – Interpretazione

• Il valore di Moran I = 0,026 indica un'autocorrelazione spaziale positiva

molto debole.

• Il grafico mostra una nuvola di punti strettamente raggruppata attorno

all'asse orizzontale, senza una tendenza chiara.

• Questo valore così vicino allo zero suggerisce che i comuni con
popolazioni simili non sono particolarmente raggruppati o
spazialmente dispersi, ma che la loro distribuzione è praticamente
casuale.

Nota: il risultato può essere influenzato dall'elevata asimmetria dei dati, che
spesso attenua il segnale spaziale nelle analisi globali.

Conclusione della Parte E

Non si osserva alcuna autocorrelazione spaziale globale significativa nella

variabile popol2001. Ciò implica che i comuni con una popolazione elevata non
tendono a raggrupparsi o a separarsi dai comuni con una popolazione inferiore.

Questo risultato giustifica l'uso dell'analisi locale (LISA) nella Parte F per rilevare
potenziali cluster locali significativi.
Parte F: Autocorrelazione Spaziale Locale (LISA)

Obiettivo

L'obiettivo di questa sezione è stato quello di identificare cluster territoriali locali

significativi di comuni con valori di popolazione alti o bassi (popol 2001),
attraverso l' indice LISA (Local Indicators of Spatial Association).

F.1 – Metodologia

L'analisi è stata eseguita in GeoDa, utilizzando lo stesso array di pesi spaziali .gal
creato in precedenza (contiguità di tipo Queen). L'analisi è stata applicata da:
Moran's > I Space Local Univariate, con 999 permutazioni per impostazione
predefinita.

Sono stati generati due output chiave:

• Mappa del significato LISA

• Mappa dei cluster LISA

F.2 – Mappa dei significati LISA

Risultati:

• Comuni non significativi: 280

• Comuni con significatività p < 0.05: 77

• Comuni ad alta significatività (p < 0,01): 21

• Comuni con rilevanza molto elevata (p < 0,001): 7

Ciò indica che più di 100 comuni hanno un'autocorrelazione locale
statisticamente significativa.

F.3 – Mappa dei cluster LISA

Cluster rilevati:

Tipo di cluster Numero di comuni

Alto-Alto 20

Basso-Basso 57

Bajo-Alto (valori anomali) 27

Alto-Bajo (valori anomali) 1

Non significativo 280

Vengono identificati cluster di comuni ad alta densità di popolazione circondati

da altri anch'essi ad alta densità di popolazione in aree urbane (es. Palermo,
Catania, ecc.), nonché cluster di piccoli comuni nelle aree interne o rurali della
Sicilia orientale e settentrionale.

Conclusione della parte F

L'analisi LISA consente di rilevare modelli spaziali locali che l'analisi globale non
ha chiaramente riflesso. L'esistenza di cluster High-High e Low-Low evidenzia
disuguaglianze territoriali nella distribuzione della popolazione, utili per la
pianificazione delle politiche regionali e degli studi socioeconomici.