Autocorrelazione Spaziale di Invecchiamento e Natalità (2001-2024) nelle Province di Arezzo, Siena e Grosseto

di Francesco Marzocchi (con la collaborazione di Cinzia Buccianti)

 

Introduzione

Negli ultimi decenni l’Italia ha vissuto profonde trasformazioni demografiche, con marcato invecchiamento della popolazione e calo della natalità. La fecondità nazionale è ai minimi storici (circa 1,18 figli per donna nel 2023) mentre la sopravvivenza è aumentata, conducendo a un rapido incremento dell’indice di dipendenza degli anziani (rapporto tra popolazione non in età attiva e popolazione attiva). Questi trend nazionali non sono omogenei sul territorio: si manifestano con diversa intensità da zona a zona, sollevando l’ipotesi di “demografia contagiosa”, ovvero fenomeni demografici che tendono a concentrarsi in cluster spaziali. In particolare, è lecito chiedersi se aree contigue mostrino similari livelli di invecchiamento (popolazione anziana) o di natalità, suggerendo processi di diffusione spaziale o fattori locali comuni. Comprendere i pattern spaziali dell’invecchiamento e della natalità è cruciale per la pianificazione territoriale: evidenziare hotspot di invecchiamento o deserti di natalità consente interventi mirati e una governance più efficiente.

Questo studio applica un’Analisi Spaziale Esplorativa dei Dati (Exploratory Spatial Data Analysis, ESDA) alle province toscane di Arezzo, Siena e Grosseto nel periodo 2001-2024. L’obiettivo è valutare se l’invecchiamento (misurato tramite l’Indice di Dipendenza Anziani) e la natalità (misurata tramite il Tasso di Fecondità Generale) presentino autocorrelazione spaziale significativa, ossia se comuni vicini tendono ad avere valori simili di tali indicatori. In altri termini, si indaga se esistono cluster territoriali di “aree anziane” o di “aree giovani” e cluster di alta o bassa fecondità, stabili nel tempo. Il concetto di autocorrelazione spaziale positiva implica che luoghi prossimi mostrano valori analoghi di un fenomeno (ad esempio, comuni contigui tutti a bassa natalità), mentre un’autocorrelazione negativa implica l’adiacenza di valori molto diversi (es. un comune a elevata natalità circondato da comuni a bassa natalità). Attraverso l’indice di Moran e gli indicatori locali LISA, si cercherà di quantificare questi fenomeni e di capire come sono evoluti tra il 2001 e il 2024. I risultati dell’analisi forniranno indicazioni utili per le politiche pubbliche, ad esempio in vista di una riperimetrazione dei distretti sanitari e socio-demografici basata su evidenze oggettive di distribuzione territoriale, migliorando così l’allocazione delle risorse e la pianificazione dei servizi in risposta ai bisogni locali.

 

Metodologia

Dati e indicatori: L’analisi considera due indicatori demografici chiave a livello comunale per le province di Arezzo, Siena e Grosseto nel periodo 2001-2024: (1) l’Indice di Dipendenza Anziani (quota percentuale di popolazione ≥ 65 anni rispetto alla popolazione 15-64 anni, indicatore di “carico” degli anziani sui potenziali attivi) e (2) il Tasso di Fecondità Generale (TFG), calcolato come il numero di nati vivi annui per 1.000 donne in età feconda 15-49 anni. Questi dati annuali provengono da fonti ufficiali (es. ISTAT) e offrono una serie storica ventennale, permettendo sia analisi trasversali (confronto tra comuni) sia longitudinali (trend temporali). Le tre province contano complessivamente circa un centinaio di comuni: ciò costituisce l’insieme delle unità territoriali per l’analisi spaziale. Per ciascun anno dal 2001 al 2024 sono stati calcolati gli indici globali di autocorrelazione, mentre per due anni chiave (l’inizio e la fine del periodo: 2001 e 2024) si sono condotte analisi locali di cluster.

Autocorrelazione spaziale globale (Indice di Moran): Per valutare la presenza di autocorrelazione spaziale globale in ciascun anno si è utilizzato l’Indice di Moran I. Questo indice fornisce una misura sintetica della correlazione tra i valori osservati in un’area e quelli nelle aree circostanti. Formalmente, Moran I varia da circa +1 (perfetta autocorrelazione positiva, ovvero forte clustering di valori simili nello spazio) a -1 (autocorrelazione negativa, distribuzione a checkerboard di valori dissimili fra vicini), mentre un valore prossimo a 0 indica assenza di autocorrelazione (disposizione casuale dei valori nello spazio). Un Moran I significativamente positivo per un dato anno suggerisce che comuni con alto (o basso) valore di un indicatore tendono ad essere adiacenti ad altri comuni con valori analoghi – evidenza di pattern spaziale non casuale (es. un “cluster” di territori tutti a bassa natalità, o tutti ad elevato invecchiamento). Nel nostro studio Moran I è stato calcolato annualmente sia per l’indice di dipendenza anziani sia per il TFG, producendo due serie temporali (2001-2024) di coefficienti. La significatività statistica di Moran I è stata valutata con test permutazionali (999 permutazioni casuali), al fine di escludere che un indice alto o basso possa risultare da fluttuazioni aleatorie nei dati.

Autocorrelazione locale (Indicatori LISA): Per esplorare la localizzazione dei cluster si è fatto ricorso ai LISA (Local Indicators of Spatial Association), in particolare al Local Moran’s I di Anselin. Gli indici LISA quantificano, per ogni unità territoriale, il grado di similarità del valore di quell’unità con quelli dei suoi vicini. In pratica permettono di individuare dove si concentrano eventuali sacche di autocorrelazione. Un LISA significativo classifica ciascun comune in uno dei seguenti tipi di cluster locali:

• Alto-Alto (High-High): comune con valore alto dell’indicatore circondato da comuni con valori alti (cluster di hotspot, punti caldi).
• Basso-Basso (Low-Low): comune con valore basso circondato da valori bassi (cluster di punti freddi, aree omogeneamente a livelli bassi dell’indicatore).
• Alto-Basso (High-Low): comune con valore alto circondato da vicini con valori bassi (outlier positivo, potenziale alto isolato).
• Basso-Alto (Low-High): comune con valore basso circondato da vicini con valori alti (outlier negativo, basso isolato).

Non significativo: nessuna autocorrelazione locale statisticamente significativa per quel comune.

Per ciascun comune nei due anni considerati (2001 e 2024) si è calcolato il Local Moran I e identificato il cluster di appartenenza, considerando significativi gli indici locali al livello p < 0,05 (dopo correzione per multiple testing tramite 999 permutazioni). I risultati sono stati visualizzati con mappe tematiche di cluster (mappe LISA) in cui i comuni sono colorati secondo il tipo di autocorrelazione locale (rosso per cluster Alto-Alto, blu per Basso-Basso, arancione per Alto-Basso, azzurro per Basso-Alto, bianco per non significativo). Questo approccio consente di mappare le aree a elevata concentrazione di anziani o di natalità e di rilevare eventuali cambiamenti spaziali tra l’inizio e la fine del periodo.

Matrice di contiguità (pesi spaziali): L’autocorrelazione spaziale richiede la definizione di “vicinato” tra le unità. In questo studio si è utilizzata una matrice dei pesi spaziali basata sui k-nearest neighbors (KNN), scegliendo k = 6. Ciò significa che, per ogni comune, sono stati considerati vicini i 6 comuni geograficamente più prossimi (in base alla distanza centroide-centroide). Questa scelta (rispetto ad altre possibili, come la contiguità di confine) garantisce che anche comuni isolati abbiano un numero sufficiente di vicini per stabilire relazioni spaziali, ed evita che alcune unità rimangano senza vicini in zone a bassa densità comunale. La matrice dei pesi è stata row-standardized (normalizzata per riga) in modo che ogni riga sommi a 1, come da prassi in PySAL. In sintesi, l’autocorrelazione globale e locale è stata calcolata assumendo che ciascun comune interagisca principalmente con i 6 comuni più vicini ad esso.

Strumenti: L’analisi è stata implementata in Python utilizzando la libreria PySAL (moduli ESDA per Moran’s I globale e locale) e il pacchetto splot per la visualizzazione di scatter plot e mappe LISA. Lo script B menzionato corrisponde al codice sviluppato per elaborare i dati demografici e produrre i risultati ESDA. Tutti i risultati grafici (trend degli indici di Moran nel tempo e mappe di cluster locali) sono stati generati con questi strumenti. I grafici risultanti sono riportati nelle sezioni seguenti a supporto della discussione.

 

Risultati

Autocorrelazione globale: trend 2001-2024

Figura 1: Andamento temporale dell’indice di Moran I per l’Indice di Dipendenza Anziani (2001–2024). I valori di Moran I sono positivi in tutti gli anni, indicando autocorrelazione spaziale globale significativa dell’invecchiamento nel territorio analizzato. Si osserva un trend lievemente decrescente: Moran I passa da circa 0,45 nei primi anni 2000 a circa 0,38 nel 2024, suggerendo che la concentrazione spaziale degli anziani – pur presente – si è attenuata col tempo. L’indice rimane comunque > 0, segno che fino al 2024 le popolazioni anziane tendono ancora a raggrupparsi territorialmente (fenomeno di “contagio” demografico), anche se in misura minore rispetto all’inizio del periodo.

 

Come mostra la Figura 1, l’invecchiamento demografico presenta una forte componente spaziale: nel 2001 Moran’s I ~0,45 indica un marcato clustering (comuni con alta percentuale di anziani adiacenti tra loro, così come comuni “giovani” vicini tra loro). Nel corso del tempo, l’indice di Moran per l’Indice di Dipendenza Anziani diminuisce gradualmente. Entro il 2015 circa, Moran I scende intorno a 0,40 e negli anni più recenti si attesta sui 0,38-0,39. Questo calo, per quanto non drastico, suggerisce una parziale dispersione territoriale: le differenze territoriali nell’invecchiamento si sono leggermente affievolite, segno che il fenomeno dell’anzianità estrema si è diffuso più uniformemente. In altri termini, all’inizio degli anni 2000 l’invecchiamento era maggiormente concentrato in specifiche zone, mentre al 2024 risulta un po’ più omogeneo (pur mantenendo cluster ben identificabili, come vedremo nell’analisi locale). È interessante notare che il Moran’s I dell’indice anziani non diventa mai vicino a zero o negativo: in ogni anno permane una correlazione positiva, a conferma di un persistente effetto di prossimità (i comuni tendono ad assomigliare ai vicini riguardo la proporzione di anziani). Ciò implica che dinamiche sociodemografiche strutturali (esodo dei giovani, attrattività/respingimento territoriale per fasce anziane) si propagano geograficamente con una certa continuità spaziale.

Figura 2: Andamento temporale dell’indice di Moran I per il Tasso di Fecondità Generale (TFG), anni 2001–2024. A differenza dell’indice anziani, Moran I per la natalità mostra valori più bassi e una maggiore volatilità nel corso del periodo. L’indice oscilla intorno a 0,0-0,15 per gran parte degli anni, con un picco pronunciato (circa 0,27) attorno al 2014 seguito da un calo fino a valori leggermente negativi nel 2016-2017. Dopo il 2020 Moran I torna positivo ma su livelli modesti (~0,1 nel 2024). Queste fluttuazioni indicano che la distribuzione spaziale della natalità è meno costante e meno strutturata rispetto a quella dell’invecchiamento.

 

In Figura 2 si evidenzia il comportamento irregolare dell’autocorrelazione spaziale del TFG. Nei primi anni 2000, Moran I ~0,10 suggerisce una leggera tendenza al clustering (es. alcune zone di maggiore fertilità e zone di bassa fertilità raggruppate), ma il valore è vicino allo zero, segno di una debole autocorrelazione globale. Tra il 2005 e il 2010 l’indice fluttua: si registra un primo aumento intorno al 2005-2006 (Moran I > 0,15) seguito da una discesa verso lo zero e addirittura lievemente sotto (intorno al 2010 alcuni valori negativi indicano una configurazione dove comuni ad alta natalità tendono a confinare con comuni a bassa natalità, uno schema a macchia di leopardo). Il dato più eclatante è il picco del 2014, in cui Moran I raggiunge ~0,27: ciò implica un periodo in cui la natalità era fortemente clusterizzata spazialmente, con zone ad alta fecondità ben delimitate. Subito dopo, però, questa situazione si ribalta: nel 2016-2017 l’indice scende a circa -0,05, indicando addirittura una lieve autocorrelazione negativa globale (probabilmente in quegli anni i pochi comuni con più nascite erano circondati da comuni a bassissima natalità). Negli anni recenti la tendenza pare stabilizzarsi su un debole clustering positivo: dal 2018 in poi Moran I risale poco sopra 0,05 e nel 2024 raggiunge ~0,12 – segnale di una modesta ricomparsa di pattern spaziali simili (forse dovuta a nuove differenze territoriali emerse sul finire del periodo). In sintesi, la natalità mostra un pattern spaziale molto meno stabile dell’invecchiamento: vi sono stati anni di clustering accentuato alternati ad anni di forte eterogeneità. Questo suggerisce che la distribuzione territoriale delle nascite può essere influenzata da fattori temporanei o locali (ad es. presenza di popolazione immigrata in età fertile concentrata in certi comuni, politiche locali pro-natalità, oppure semplicemente piccole coorti e oscillazioni statistiche in zone poco popolate). Nonostante tali fluttuazioni, il fatto che nel 2024 Moran I del TFG torni positivo (seppur modesto) indica che permangono differenze spaziali nella natalità regionale – tema che approfondiremo con le mappe locali.

 

Autocorrelazione locale: mappe LISA per cluster nel 2001 e 2024

Per comprendere la geografia dei fenomeni, le mappe LISA offrono una vista dettagliata dei cluster locali. Si presentano di seguito i risultati per l’indice di dipendenza anziani e per il TFG, confrontando il 2001 e il 2024.

Figura 3: Mappa LISA dei cluster locali per l’Indice di Dipendenza Anziani nel 2001. In rosso sono evidenziati i comuni facenti parte di cluster Alto-Alto (hotspot di invecchiamento), in blu i cluster Basso-Basso (aree relativamente “giovani”), in arancione comuni Alto-Basso (anzianità alta isolata, outlier rispetto a vicini più giovani), in azzurro comuni Basso-Alto (poche persone anziane circondate da comuni più vecchi). I comuni in bianco non mostrano autocorrelazione locale significativa nel 2001. Si noti nel 2001 la presenza di un vasto hotspot di anzianità nell’area meridionale e interna, contrapposto a un cluster di bassa anzianità in alcune porzioni settentrionali.

 

In Figura 3 (anno 2001) emergono chiaramente alcuni pattern: gran parte della provincia di Grosseto e il sud della provincia di Siena formano un cluster Alto-Alto significativo per l’indice di dipendenza anziani. Ciò significa che nel 2001 questi comuni (colorati in rosso) avevano percentuali elevate di popolazione anziana e che anche i loro comuni adiacenti presentavano valori alti simili. In pratica, l’area meridionale dello studio – corrispondente alle zone collinari e interne della Maremma e dell’Amiata – costituiva un hotspot di invecchiamento già all’inizio del secolo. Questo può riflettere fenomeni come lo spopolamento giovanile cronico di aree rurali/periferiche e la permanenza o concentrazione di anziani in loco. Al contrario, alcuni comuni nell’area nord-orientale (provincia di Arezzo) appaiono in blu, indicando cluster Basso-Basso: zone in cui la popolazione anziana era proporzionalmente meno numerosa, circondate da territori similmente “giovani”. È plausibile che i centri urbani maggiori o le aree meglio collegate avessero, nel 2001, popolazioni relativamente più giovani (forse per maggior presenza di famiglie con figli o attrazione di migranti interni). Si notano inoltre alcuni comuni in arancione (alto-basso) lungo i margini dei cluster: ad esempio, ai confini tra la zona rossa e quella blu compaiono comuni con alto indice anziani isolato in mezzo a vicini più giovani, suggerendo micro-aree di forte invecchiamento anche in contesti non anziani (potrebbero essere piccoli comuni rurali circondati da comuni leggermente più grandi o con politiche demografiche diverse). Viceversa, qualche macchia azzurra (basso-alto) indica comuni che nel 2001 erano relativamente giovani ma contigui a comuni vecchi, forse piccoli centri urbani circondati da campagne anziane. Complessivamente, nel 2001 il quadro locale conferma la non casualità spaziale dell’invecchiamento: esistono aree contigue accomunate da alta anzianità (in primis sud Siena-Grosseto) e aree accomunate da bassa anzianità (alcune parti di Arezzo e nord Siena), con poche zone miste.

Figura 4: Mappa LISA dei cluster locali per l’Indice di Dipendenza Anziani nel 2024. Si osserva la persistenza di un significativo cluster Alto-Alto (rosso) nell’area meridionale, sebbene con qualche variazione nell’estensione rispetto al 2001. Emergono inoltre nuovi cluster e outlier: ad esempio, un comune in Alto-Alto appare nell’estremo nord-est; aumentano i comuni in blu (Basso-Basso) nell’area centrale; permangono zone isolate Alto-Basso e Basso-Alto ai bordi dei cluster principali. Nel complesso, l’invecchiamento resta geograficamente concentrato nel 2024, ma con una configurazione spaziale parzialmente diversa dal 2001.

 

Passando al 2024 (Figura 4), l’analisi locale mostra sia continuità che cambiamento nei pattern di invecchiamento. La continuità più evidente è la persistenza di un esteso cluster Alto-Alto nel sud della regione analizzata: molti comuni tra il sud della provincia di Siena e la provincia di Grosseto rimangono rossi, confermando che quella zona è ancora, dopo vent’anni, un polo di invecchiamento. Tuttavia, la forma e l’estensione di questo cluster sono mutate: alcuni comuni che nel 2001 erano hotspot potrebbero non esserlo più (passati a non significativi o ad outlier) e viceversa alcuni comuni contigui sono entrati nel cluster. Ad esempio, nel 2024

compaiono hotspot di anzianità anche in alcuni comuni dell’Aretino orientale (si noti un comune rosso nell’angolo nord-est della mappa, indicante che quella località – plausibilmente nell’area montana di Arezzo – è diventata anziana insieme ai suoi vicini). Questo suggerisce un allargamento geografico dell’invecchiamento: zone prima relativamente meno vecchie (es. zone collinari aretine) hanno “raggiunto” i livelli dei territori già anziani, entrando a far parte di cluster Alto-Alto. Parallelamente, i cluster Basso-Basso (blu) sembrano essersi spostati leggermente più a sud e consolidati. Nel 2001 le aree “giovani” riguardavano alcuni comuni sparsi a nord; nel 2024 si nota un gruppo più ampio di comuni blu nell’area centrale e semi-urbana (forse attorno al capoluogo Siena o in Valdichiana aretina/senese), suggerendo che queste zone hanno mantenuto o acquisito una composizione relativamente più giovane rispetto al contesto circostante. Questo potrebbe essere dovuto alla presenza di poli attrattori (università, economia, servizi) che trattengono popolazione in età attiva. Gli outlier locali nel 2024 confermano situazioni particolari: troviamo comuni in arancione ai margini dei cluster blu, indicanti comuni con alta anzianità isolata in mezzo a zone più giovani – potenzialmente piccoli borghi all’interno di aree periurbane; e comuni azzurri ai bordi dei cluster rossi, indicanti enclave più giovani dentro aree anziane – ad esempio, un centro con maggior ricambio demografico circondato da campagne spopolate di giovani. In definitiva, dal 2001 al 2024 il pattern spaziale dell’anzianità mantiene uno schema di fondo simile (nord più giovane, sud più vecchio) ma con cluster meridionali leggermente attenuati e una maggiore articolazione di cluster giovani al centro-nord. Ciò riflette probabilmente l’effetto diffusivo dell’invecchiamento (aree contigue tendono tutte ad invecchiare col tempo), combinato con specificità locali (alcuni comuni riescono a rinnovarsi più di altri, magari grazie a politiche locali o migrazioni).

Figura 5: Mappa LISA dei cluster locali per il Tasso di Fecondità Generale nel 2001. La distribuzione spaziale della natalità in quell’anno mostra un cluster Alto-Alto (rosso) concentrato in una porzione del territorio – indicativo di un’area con tassi di fecondità relativamente elevati rispetto al contesto – contrapposto a un cluster Basso-Basso (blu) altrove, dove la natalità era uniformemente bassa. Nel 2001 si notano inoltre alcuni comuni outlier: in arancione comuni con natalità alta isolati in aree a bassa natalità, e in azzurro comuni con natalità bassa isolati in aree più prolifiche.

 

La Figura 5 rivela come nel 2001 la natalità avesse già un certo grado di struttura spaziale, sebbene meno marcata dell’invecchiamento. In particolare, si individua un cluster Alto-Alto di TFG localizzato presumibilmente in alcuni comuni della Valdichiana/Aretino meridionale (area a cavallo tra sud Arezzo e Siena): quei comuni in rosso presentavano tassi di fecondità relativamente alti per l’epoca (ad esempio, potremmo ipotizzare TFG più elevati legati alla presenza di comunità tradizionali o giovani coppie in quei comprensori), e formavano un insieme contiguo significativo. Questo cluster “pro-natalità” nel 2001 contrasta con un cluster Basso-Basso di natalità in altre zone, in particolare verso l’estremo sud (forse alcuni comuni periferici di Grosseto e dell’Amiata). I comuni colorati in blu indicano che quelle aree avevano i più bassi tassi di fecondità ed erano circondate da territori similmente a bassa natalità – segno di un “deserto demografico” locale già agli inizi del secolo, possibilmente dovuto a spopolamento giovanile o contesti socio-economici poco favorevoli alla famiglia. È interessante osservare la presenza di outlier: ad esempio, un comune arancione all’interno dell’area blu (Alto-Basso) segnala un caso anomalo di natalità più alta isolato in mezzo ad aree a bassa natalità. Ciò potrebbe corrispondere a un comune che nel 2001 aveva qualche peculiarità (per esempio, un piccolo centro con politiche familiari locali efficaci, o un istituto religioso, o semplicemente un evento demografico contingente) che lo differenziava nettamente dai vicini. All’opposto, un comune azzurro ai margini del cluster rosso indica un basso tasso di natalità isolato in un contesto di natalità alta – forse un’area urbana più anziana incastonata in una zona rurale più giovane. Complessivamente, nel 2001 la mappa LISA del TFG suggerisce che coesistevano zone con dinamiche di fertilità molto diverse a breve distanza: alcune enclavi con fertilità relativamente sostenuta contro ampie fasce di territorio con natalità debole, evidenziando un mosaico territoriale variegato.

Figura 6: Mappa LISA dei cluster locali per il Tasso di Fecondità Generale nel 2024. Si notano cambiamenti significativi rispetto al 2001: i cluster ad alta natalità (rosso) si sono spostati e risultano in altre aree (ad esempio, compaiono comuni Alto-Alto nel settore sud-occidentale), mentre zone un tempo prolifiche non mostrano più autocorrelazione significativa. Il cluster di bassa natalità (blu) nel 2024 interessa diversi comuni contigui nell’area centro-orientale, suggerendo un consolidamento del “deserto demografico”. Persistono alcuni outlier (arancioni e azzurri) ai margini dei cluster, segnalando comuni che divergono dai loro vicini in termini di natalità. In sintesi, il pattern locale di natalità nel 2024 appare rimodulato rispetto al 2001, riflettendo nuove geografie della fecondità.

 

La Figura 6 (anno 2024) mostra una riconfigurazione notevole dei cluster di natalità sul territorio. Anzitutto, il cluster Alto-Alto identificato nel 2001 non è più presente nella medesima posizione: i comuni che erano hotspot di fecondità all’inizio del periodo non risultano più tali nel 2024. Al loro posto, emerge un nuovo cluster ad alta natalità in un’altra parte del territorio – dai colori della mappa, si direbbe nella porzione sud-occidentale, forse comprendendo comuni della

fascia costiera grossetana o limitrofa. Questa traslazione suggerisce che le determinanti locali della natalità positiva si siano spostate geograficamente: ad esempio, può darsi che negli anni 2020 alcune comunità abbiano beneficiato della presenza di popolazione immigrata giovane (notoriamente concentrata in certe aree agricole o turistiche della Maremma, contribuendo alle nascite), oppure che vi siano state politiche locali incentivanti in zone diverse rispetto al passato. Parallelamente, il cluster Basso-Basso di natalità appare più esteso e definito nel 2024, coprendo diversi comuni contigui soprattutto nell’entroterra tra Siena e Arezzo (indicativamente la Valdichiana senese-aretina e aree limitrofe). Ciò indica un ampio territorio accomunato da bassissima fecondità: potremmo trovarci di fronte a zone rurali interne e collinari dove il declino delle nascite è divenuto strutturale negli ultimi vent’anni, probabilmente a causa dell’emigrazione dei giovani e del calo generale della fecondità che in certe aree già fragili demograficamente produce effetti ancora più marcati. Il confronto 2001 vs 2024 rivela dunque che alcuni territori una volta “fertili” hanno perso vigore demografico, mentre poche aree mantengono o acquisiscono un relativo vantaggio di natalità (anche se va sottolineato che il contesto generale nel 2024 è di natalità molto bassa ovunque in Italia). Gli outlier locali persistono anche nel 2024: per esempio, comuni in arancione lungo il margine del cluster blu indicano piccoli “oasi” di natalità meno bassa all’interno del deserto demografico (forse comuni con comunità straniere più numerose o con politiche familiari locali efficaci che li differenziano dai vicini). Viceversa, comuni in azzurro adiacenti all’hotspot rosso segnalano eccezioni di bassa natalità in zone relativamente più vivaci (ad esempio, un comune con popolazione molto anziana incastonato in un’area dove invece risiedono più giovani famiglie). In sintesi, la geografia locale della natalità nel 2024 risulta profondamente cambiata rispetto al 2001: l’eterogeneità spaziale rimane, ma i cluster si sono rimescolati. Questo ribadisce la natura meno strutturata e più volatile della dinamica di natalità rispetto all’invecchiamento: fattori come flussi migratori, mutamenti economici locali (es. chiusura o apertura di attività lavorative per giovani), ed eventi contingenti possono ridefinire nel giro di pochi decenni la mappa delle aree più fertili o sterili.

 

Conclusioni

L’analisi condotta sulle province di Arezzo, Siena e Grosseto dal 2001 al 2024 evidenzia chiaramente che invecchiamento e natalità non sono distribuiti a caso nello spazio, ma mostrano schemi di autocorrelazione spaziale significativi. In altri termini, esiste una componente territoriale ai fenomeni demografici: comuni vicini tendono a condividere simili profili demografici, delineando vere e proprie “zone” omogenee in termini di età della popolazione.

Per quanto riguarda l’invecchiamento (Indice di Dipendenza Anziani), sia la misura globale (Moran’s I) sia le analisi locali LISA confermano un forte pattern di clustering positivo. Fin dal 2001, la popolazione anziana risulta concentrata in specifiche aree contigue – in particolare nell’area meridionale (sud della provincia di Siena e Grosseto) – suggerendo un fenomeno contagioso nel quale il declino demografico e l’invecchiamento si diffondono oltre i confini comunali. Nel tempo, questo pattern è rimasto robusto: anche nel 2024 si osservano hotspot di invecchiamento nella medesima macro-zona, sebbene con intensità lievemente ridotta (Moran I globale in calo da ~0,45 a ~0,38) e con qualche espansione verso nuovi comuni (ad esempio nell’Aretino). Ciò indica che le differenze territoriali nell’invecchiamento, anziché appianarsi, permangono e in parte si evolvono: le zone già vecchie restano tali e tendono ad “allargarsi”, coinvolgendo progressivamente territori adiacenti. Tale risultato è coerente con la realtà socio-demografica italiana, dove aree interne e rurali soffrono di spopolamento giovanile cronico, auto-alimentando cluster di anzianità sempre più estesi. All’opposto, zone relativamente più giovani (cluster Basso-Basso) persistono nelle aree urbane o periurbane meglio collegate, che fungono da serbatoi di popolazione attiva. In sintesi, l’invecchiamento nelle tre province ha una dimensione spaziale di lungo periodo: esistono aree “fragili” che condividono lo stesso destino demografico e rimangono nettamente distinguibili da aree più dinamiche.

La natalità (TFG) presenta anch’essa autocorrelazione spaziale, ma con caratteristiche diverse. Globalmente Moran’s I per il TFG è risultato più basso e variabile, riflettendo una maggiore instabilità nei pattern spaziali della fecondità. Ci sono stati momenti (es. metà anni 2010) in cui la natalità ha mostrato cluster pronunciati (Moran I > 0,2, segno di zone di alta natalità contrapposte a zone di bassissima natalità), alternati a periodi in cui lo schema spaziale era quasi casuale o invertito (Moran I prossimo a 0 o negativo). Le mappe LISA corroborano questa discontinuità: tra il 2001 e il 2024 i cluster locali di natalità cambiano posizione e consistenza. Una zona che nel 2001 era un’isola di fertilità relativamente alta non lo è più vent’anni dopo, mentre emergono hotspot altrove. Il cluster di bassissima natalità, invece, tende ad ampliarsi, segno che il declino delle nascite ha coinvolto progressivamente un numero maggiore di comuni contigui. Nel complesso, ciò suggerisce che la geografia della natalità è più suscettibile a mutamenti in tempi brevi rispetto alla geografia dell’invecchiamento. Fattori come flussi migratori (immigrazione di famiglie giovani concentrata in certi distretti produttivi), cambiamenti socio-economici locali (es. crisi occupazionali che spingono i giovani ad andarsene) o interventi mirati (bonus bebè comunali, servizi per l’infanzia) possono alterare il panorama in pochi anni, creando o dissolvendo cluster demografici. Nonostante questa variabilità, anche per la natalità permane l’evidenza di fondo di una dimensione spaziale: le aree limitrofe tendono ad assomigliarsi nei tassi di fecondità, il che implica che le decisioni familiari e i comportamenti demografici non sono indipendenti dallo spazio, ma influenzati da contesto e prossimità (culturale, economica, infrastrutturale).

In sintesi, l’analisi ESDA ha confermato l’ipotesi iniziale di fenomeni demografici “contagiosi”: sia l’invecchiamento sia la denatalità mostrano pattern clusterizzati. L’invecchiamento risulta fortemente autocorrelato e sostanzialmente persistente nella localizzazione dei cluster (continuità delle aree critiche), mentre la natalità mostra autocorrelazione più debole e cluster in evoluzione (discontinuità e spostamento dei poli di fecondità residua). Questi risultati arricchiscono la comprensione delle dinamiche demografiche territoriali in Toscana meridionale e offrono spunti importanti per interpretare i fenomeni in atto: ad esempio, indicano che la semplice dicotomia urbano/rurale non è sufficiente a spiegare i pattern, essendoci microzone di eccezione, e che i confini amministrativi tradizionali spesso tagliano aree omogenee dal punto di vista demografico.

 

Raccomandazioni per le Politiche Pubbliche

Le evidenze spaziali emerse da questa analisi suggeriscono diversi indirizzi di policy, soprattutto in ottica di pianificazione territoriale sociosanitaria e di sviluppo locale. In particolare, riconoscere i cluster demografici può aiutare a disegnare interventi più mirati ed efficaci. Di seguito alcune raccomandazioni chiave:

1. Riperimetrazione dei distretti socio-sanitari basata su omogeneità demografica: I risultati indicano la presenza di zone contigue con problemi demografici affini (es. aree ad alta anzianità concentrata). Si raccomanda di tenere conto di questi cluster nella definizione dei confini dei distretti sanitari e dei distretti socio-assistenziali. Ad esempio, i comuni facenti parte di un medesimo hotspot di invecchiamento dovrebbero idealmente ricadere nello stesso distretto socio-sanitario, così che i servizi (assistenza domiciliare, strutture per anziani, ecc.) possano essere pianificati su scala sovracomunale coerente con il bacino effettivo di bisogno. Questo approccio data-driven è in linea con le indicazioni emergenti a livello nazionale: il progetto AGENAS-ISTAT sui distretti sanitari sottolinea la necessità di utilizzare indicatori sociodemografici per l’analisi dei bisogni e la programmazione dei servizi distrettuali. Una “nuova geografia dei distretti” calibrata su parametri demografici può migliorare l’equità e l’efficienza: ad esempio, aggregare in un unico distretto le aree interne della Maremma senese-grossetana ad alta densità di anziani permetterebbe di dedicare risorse mirate (come più geriatri, unità mobili di cure primarie, trasporto sociale) tarate sul fatto che l’intero comprensorio è caratterizzato da età media elevata e bassa natalità. Viceversa, distretti comprendenti aree blu (bassa anzianità, maggiore presenza di giovani) potranno focalizzarsi su servizi per la famiglia, asili nido, politiche di sviluppo giovanile. In sostanza, la pianificazione dovrebbe superare i rigidi confini amministrativi storici in favore di perimetrazioni funzionali basate su omogeneità di bisogni.
2. Interventi mirati nei cluster critici (“zone rosse” e “zone blu”): Identificare sul territorio le “zone rosse” demografiche (hotspot di invecchiamento e/o denatalità) consente di attuare politiche place-based. Nelle aree caratterizzate da forte invecchiamento (es. sud di Siena-Grosseto) è prioritario sviluppare reti di assistenza domiciliare integrata, potenziare la medicina territoriale (unità di comunità, infermieri di famiglia) e prevedere incentivi per trattenere giovani professionisti (medici, OSS) in loco. Si può valutare l’istituzione di “zone franche demografiche” dove agevolazioni fiscali e servizi dedicati incentivino la permanenza o il ritorno di famiglie giovani, al fine di riequilibrare la struttura per età. Allo stesso modo, le “zone blu” della natalità (aree a bassissima fecondità) dovrebbero ricevere attenzione: qui vanno rafforzati i servizi per l’infanzia (asili nido comunali, supporto alla genitorialità) e magari sperimentate politiche di attrazione di giovani coppie (ad esempio, housing sociale a basso costo, smart working hubs per consentire a giovani di vivere in aree rurali). In parallelo, andrebbero studiati i casi di outlier positivi (comuni che performano meglio dei vicini, ad esempio un comune con TFG più alto in area depresse): queste realtà possono offrire best practice da estendere (es. se un comune ha successo con politiche per la famiglia, tali misure potrebbero essere replicate nei comuni limitrofi per diffondere l’effetto positivo). Le evidenze di cluster suggeriscono inoltre che le politiche non dovrebbero fermarsi ai confini comunali: se un’area omogenea (p.es. un’intera valle) versa in crisi demografica, un approccio consortile tra i comuni di quell’area – pianificando insieme interventi su lavoro, servizi e incentivi demografici – ha maggiori chance di successo che interventi frammentati.
3. Monitoraggio e aggiornamento continuo degli indicatori spaziali: Data la dinamicità riscontrata specialmente nella distribuzione della natalità, si raccomanda di istituzionalizzare un monitoraggio periodico degli indicatori demografici con strumenti di analisi spaziale. Gli enti di pianificazione (Regione, Province, ASL) dovrebbero aggiornare annualmente mappe e indicatori di autocorrelazione per cogliere tempestivamente l’emergere di nuovi trend (ad esempio, se dovesse formarsi un nuovo cluster di denatalità in un’area finora esente, o se un territorio mostrasse segnali di inversione). Questo permetterebbe di adattare prontamente le politiche. L’uso di strumenti GIS e librerie open source (come PySAL usato in questo studio) rende questa attività relativamente economica e replicabile. Inoltre, la diffusione di una cultura dei dati presso gli amministratori locali è fondamentale: comprendere concetti come autocorrelazione spaziale e vedere mappe LISA dei propri territori può aiutare i decisori a riconoscere fenomeni latenti e adottare una prospettiva di area vasta. Si suggerisce quindi di includere tali analisi nei documenti di programmazione (piani socio-sanitari, piani strutturali intercomunali, ecc.), corredandoli di mappe intuitive per evidenziare le aree di intervento prioritario.
4. Coordinamento intercomunale e interprovinciale: I cluster identificati spesso trascendono i confini amministrativi esistenti (provinciali o comunali). Ad esempio, l’area interna ad alta anzianità coinvolge comuni sia della provincia di Siena sia di Grosseto; un cluster di bassa natalità in Valdichiana interessa comuni del senese e dell’aretino. Questo impone un livello di coordinamento interprovinciale e intercomunale nelle strategie demografiche. Si raccomanda la creazione di tavoli di area vasta o convenzioni tra enti locali contigui per affrontare congiuntamente le sfide comuni: ad esempio, i comuni di un cluster potrebbero sviluppare un unico progetto integrato di servizi sociali, condividendo risorse e buone pratiche. La Regione Toscana potrebbe facilitare tali forme di cooperazione sovra-comunale, riconoscendo formalmente le “zone demografiche omogenee” emerse dall’analisi e incentivando progetti pilota su di esse. Ciò sarebbe in linea con strategie già discusse a livello nazionale, come la Strategia Nazionale per le Aree Interne (SNAI), fornendo un’ulteriore base empirica (i nostri dati ESDA) per selezionare territori target e misurare l’impatto degli interventi.
5. Approccio place-based alla crescita e all’attrazione di giovani: Infine, le politiche di sviluppo locale dovrebbero incorporare la dimensione demografica spaziale. Ad esempio, nel definire incentivi per nuove attività produttive o allocare fondi europei (es. FSE, FESR), sarebbe opportuno prioritizzare i territori che sono cluster di declino demografico, in quanto questi presentano chiari segnali di vulnerabilità e rischio di marginalizzazione a lungo termine. Al contempo, riconoscere i piccoli segnali positivi (come i comuni outlier a maggiore natalità) aiuta a individuare leve su cui agire. Un approccio place-based integrato potrebbe prevedere: supporto alle imprese giovanili localizzate in aree a rischio spopolamento, potenziamento di infrastrutture digitali e trasporti per connettere meglio le zone periferiche ai poli (riducendo l’isolamento che spesso alimenta i cluster di anzianità), promozione di circuiti di silver economy nelle zone di concentrazione anziani (trasformando un problema in opportunità di sviluppo, ad esempio con servizi e tecnologie per la terza età che creino anche occupazione locale). In parallelo, nelle zone a maggiore presenza di giovani famiglie (per quanto poche), conviene investire in qualità della vita (scuole, servizi ricreativi, ambiente) per consolidare e attirare popolazione attiva.

In conclusione, l’analisi spaziale demografica fornisce una base conoscitiva solida per interventi di governance territoriale mirata. Pianificare “sul luogo” e “per il luogo” – con evidenze di cluster demografici – consente di non disperdere risorse in interventi generici, ma di concentrarle dove il bisogno è più acuto e dove le caratteristiche omogenee del territorio permettono approcci coordinati. Le province di Arezzo, Siena e Grosseto, come molte aree d’Italia, si trovano ad affrontare sfide epocali di invecchiamento e crollo delle nascite: affrontarle con strumenti innovativi come l’ESDA significa dotarsi di mappe e bussole aggiornate per navigare il cambiamento, creando politiche resilienti e su misura per le comunità locali. Come sostenuto dalla collaborazione AGENAS-ISTAT sui nuovi distretti, integrare gli indicatori spaziali nelle decisioni di pianificazione è non solo auspicabile ma necessario, affinché la geografia delle politiche rispecchi la geografia reale dei fenomeni demografici. In tal modo, si potrà perseguire un assetto territoriale più coeso e sostenibile, attenuando i divari demografici e orientando le aree in declino verso una prospettiva di ripresa condivisa.