Dai dati comunali una mappa del rischio coronavirus

Il coronavirus ha causato il maggior aumento della mortalità nelle aree periferiche, più povere e dove le famiglie sono più numerose. Lo dimostrano i risultati di uno studio. Con lo stesso metodo si possono individuare le aree a rischio in tutta Italia.

Le differenze geografiche nell’impatto del Covid

La prima ondata di coronavirus nel nostro paese ha pesantemente colpito soprattutto alcune regioni: la Lombardia, parti del Piemonte, dell’Emilia e della Liguria. È difficile dire se le caratteristiche di queste zone abbiano favorito l’arrivo del virus: i territori colpiti nel Nord e quelli del Centro-Sud differiscono per molti aspetti e non è da escludere che l’epidemia si sia diffusa nelle regioni del Nord per motivi casuali. Allo stesso tempo, può essere istruttivo guardare all’impatto eterogeneo del virus all’interno delle regioni colpite, dove un gran numero di comuni con caratteristiche diverse è stato esposto all’epidemia, registrando però tassi di mortalità differenti.

Nella figura 1 riportiamo la mappa delle morti in eccesso a livello di comune, ovvero l’aumento delle morti a marzo 2020 rispetto alla media dello stesso mese negli anni 2017-2019. La mappa di sinistra riporta il dato su tutto il territorio nazionale, mentre a destra solo nelle province caratterizzate da un marcato aumento. Utilizziamo i dati sulle morti nel mese di marzo poiché fotografano il diffondersi del virus nella fase crescente dell’epidemia, in cui le contromisure erano ancora in una fase iniziale. Possiamo osservare due fenomeni: da un lato una chiara correlazione spaziale (comuni vicini mostrano un aumento della mortalità simile, come già analizzato da Federica Daniele su questo sito), dall’altro una considerevole eterogeneità geografica, con comuni che riportano aumenti di mortalità molto diversi anche nelle aree più colpite.

Figura 1 – Aumento della mortalità a marzo 2020 rispetto alla media di marzo 2017-2019, in tutta Italia (sinistra) e nelle provincie del quartile maggiormente colpito (destra).Fonte: elaborazione degli autori su dati Istat

Cosa può spiegare questo andamento?

A partire da queste considerazioni, in un recente studio (la cui versione completa è disponibile qui) proviamo a indagare quali sono le caratteristiche dei comuni in cui il Covid-19 ha causato un numero maggiore di morti. Utilizziamo i dati messi a disposizione da Istat sulle morti registrate nei comuni e quelli forniti da localopportunitieslab.it sulle caratteristiche ambientali e socio-economiche.

I risultati suggeriscono una correlazione positiva tra l’aumento della mortalità e alcuni fattori chiave, in particolare la dimensione media delle famiglie o la percentuale di lavoratori nel settore manifatturiero. Una minore mortalità si osserva invece nei comuni con mobilità, istruzione, reddito, prezzi delle case più alti, con maggiore densità abitativa e più lavoratori nel settore dei servizi e del commercio. La mappa che ne emerge sembra indicare che, all’interno delle regioni più colpite, i comuni ad aver risentito di più del Covid-19 sono stati quelli meno sviluppati e ricchi, diversamente da quello che si sostiene spesso nel dibattito pubblico.

È importante sottolineare che le caratteristiche sono solo mere correlazioni e non implicano alcuna causalità: per esempio, è presto per concludere che il coronavirus ha fatto meno morti nei comuni più ricchi proprio perché sono più ricchi. Il fatto che un comune sia ricco, infatti, può essere correlato con molte altre caratteristiche (istruzione dei cittadini, qualità delle infrastrutture, capitale sociale) che potrebbero in realtà essere la vera causa della minore diffusione del Covid-19.

Un esercizio predittivo

Un ultimo esercizio possibile è quello di utilizzare tutte le variabili disponibili nel ricco dataset di  localopportunitieslab.it per predire quali aree sono più a rischio Covid-19, indipendentemente da quanto sono colpiti i comuni limitrofi, e quindi per individuare da dove potrebbe partire una eventuale seconda ondata. Per fare ciò utilizziamo un metodo di machine learning per selezionare un numero di variabili che correla con l’aumento del numero di morti nel comune, controllando per la vicinanza ad altri comuni particolarmente colpiti.

La mappa di questo “rischio Covid” è riportata in figura 2: anche qui risulta chiaro come le aree più a rischio siano quelle interne e periferiche. I numeri suggersicono che le loro caratteristiche possono determinare una mortalità maggiore di 0,1 – 0,3 punti percentuali a causa del coronavirus, indipendentemente dalla vicinanza ad altri comuni colpiti.

Figura 2 – Rischio predetto di morti da coronavirus indipendentemente dalle morti avvenute nei comuni circostanti.

L’ultimo risultato è particolarmente prezioso per la politica, che si trova ad affrontare una difficile alternativa tra costi economici del virus e costi in termini di vite. Potrebbe ad esempio suggerire su quali aree concentrare gli sforzi di prevenzione o contrasto del virus.

In conclusione, la ricerca è solo a uno stato preliminare, ma l’utilizzo di dati granulari può essere importante per anticipare quali caratteristiche sono associate a un più grave rischio da coronavirus e per adattare le misure rispetto alle ampie differenze all’interno delle regioni.