L’Adeguata Alimentazione nelle Regioni Italiane

 

Cresce in tutte le macro-regioni tranne che nel Sud Italia

 

L’ISTAT-BES calcola il valore dell’adeguata alimentazione. L’adeguata alimentazione è definita come “Proporzione standardizzata di persone di 3 anni e più che consumano quotidianamente almeno 4 porzioni di frutta e/o verdura sul totale delle persone di 3 anni e più”. I dati sono disponibili nel periodo 2005-2020.

Ranking delle regioni italiane per valore dell’adeguata alimentazione nel 2020. Il Piemonte è al primo posto nel ranking dell’adeguata alimentazione nel 2020 con un valore pari a 26,7, seguito dall’Emilia Romagna con un valore pari 23,2 e dalla Toscana con un ammontare pari a 22,8 unità. A metà classifica vi sono la Valle d’Aosta con un valore pari a 21, la Liguria con un ammontare pari a 20,6 ed il Veneto con un ammontare pari a 20,4 unità. Chiudono la classifica la Basilicata e la Calabria con un ammontare pari a 12,6 e la Campania con un ammontare pari a 10,7.

Ranking delle regioni italiane per variazione percentuale dell’adeguata alimentazione nel periodo 2005-2020. La Sardegna è al primo posto per variazione percentuale dell’adeguata alimentazione tra il 2005 ed il 2020 con un valore pari a 21,20% pari ad un ammontare di 3,90 unità, seguita dalla Calabria con un valore pari a 21,15% pari ad un ammontare di 2,20 unità e dalla Basilicata con un valore pari a 17,76% pari ad un ammontare di 1,90 unità. A metà classifica vi sono la Toscana con un ammontare pari a 5,56% pari ad un ammontare di 1,20 unità, seguita dal Molise con una variazione percentuale pari ad un ammontare di 5,00% pari a 0,80 unità e la Liguria con un ammontare pari a 4,04% pari ad un ammontare di 0,80 unità. Chiudono la classifica il Veneto con nu valore pari a -7,27% pari ad un ammontare di -1,60 unità, seguito dal Friuli-Venezia Giulia con un valore pari a 14,17% pari ad un ammontare di -3,60 unità e dalla Campania con un valore pari a 26,21% pari ad un ammontare di -3,80 unità.

Macro-Regioni italiane. Tra il 2005 ed il 2020 il valore dell’adeguata alimentazione è cresciuto in tutte le macro-regioni italiane con eccezione del Mezzogiorno. In modo particolare nel Nord Italia il valore dell’adeguata alimentazione è cresciuto da un ammontare di 21,00 unità fino ad un valore di 21,70 unità ovvero un ammontare pari a 0,70 unità pari ad una variazione di 3,33%. Tra il 2005 ed il 2020 il valore dell’adeguata alimentazione nel Centro Italia è cresciuto da un ammontare di 21,00 unità fino ad un valore di 21,10 unità ovvero pari ad un ammontare di 0,10 unità pari ad un ammontare di 0,48%. Tra il 205 ed il 2020 il valore dell’adeguata alimentazione è diminuita nel Sud Italia da un ammontare di 13,6 unità fino ad un valore di 13,4 unità ovvero pari ad una variazione di -0,20 unità pari ad un ammontare di -1,47%. Complessivamente in Italia il valore dell’adeguata alimentazione è cresciuto da un ammontare di 18,4 fino ad un valore di 18,8 unità ovvero una variazione di 0,40 unità pari ad un ammontare di 2,17%.

Clusterizzazione con algoritmo k-Means. Di seguito viene realizzata una clusterizzazione mediante l’utilizzo dell’algoritmo k-Means ottimizzato con il coefficiente Silhouette. Sono stati rilevati due clusters ovvero:

• •                     Cluster 1: Calabria, Puglia, Molise, Basilicata, Sicilia, Campania, Abruzzo;
• •                     Cluster 2: Emilia-Romagna, Friuli-Venezia Giulia, Toscana, Marche, Lombardia, Umbria, Piemonte, Lazio, Trentino-Alto Adige, Liguria, Sardegna, Veneto, Valle d’Aosta.  

Calcolando la mediana dei due clusters risulta evidente la dominanza del cluster 2 rispetto a quella del cluster 1 ovvero: C2=21,8>C1=12,9. Ne deriva che il valore della mediana dell’adeguata alimentazione del Centro Nord è pari a circa il 168% del valore delle regioni meridionali. Ne deriva pertanto che la differenza tra Centro-Nord e Sud non opera soltanto a livello reddituale quanto retroagisce anche a livello di adeguata alimentazione. E ovviamente mancando l’adeguata alimentazione è probabile che vi sia un maggiore carico dei sistemi sanitari meridionali rispetto al valore dei sistemi sanitari settentrionali. Ne deriva che le politiche sanitarie che agiscano nel cambiamento degli abitudini alimentari diventano anche delle politiche in grado di ridurre prospetticamente la spesa sanitaria pro-capite a livello regionale.

Network Analysis con l’utilizzo della distanza di Manhattan. Di seguito viene ad essere realizzata una network analysis attraverso l’utilizzo della distanza di Manhattan. I dati mostrano la presenza di due strutture a network delle quali una è complessa e l’altra presenta una struttura semplificata. La struttura complessa è costituita dalle seguenti regioni ovvero: Veneto, Lazio, Lombardia, Liguria, Trentino-Alto Adige. Le relazioni tra le regioni sono indicate di seguito:

• •                     Il Veneto ha una connessione con il Lazio con link avente valore pari a 1,1 e con la Lombardia con un valore pari a 1,2 unità;
• •                     Il Lazio ha una connessione con il Veneto con un link avente un valore pari a 1,1, e con la Lombardia con un valore pari a 1,2;
• •                     La Lombardia ha una connessione con il Veneto con un link avente un valore pari a 1,2, un link con il Lazio con un ammontare pari a 1,2, con la Liguria con un valore pari a 1,1, con il Trentino-Alto Adige con un valore pari a 0,87;
• •                     Il Trentino-Alto Adige ha una connessione con la Lombardia con un valore pari a 0,87 unità, e con la Liguria con un link pari a 0,85 unità.
• •                     La Liguria ha una connessione con la Lombardia pari ad un ammontare di 1,1 unità e con il Trentino-Alto Adige con un valore pari a 0,85 unità.
• Esiste inoltre un link semplificato tra Campania e Sicilia biunivoco avente un valore di 1,1 unità.

La struttura a network conferma l’idea della contrapposizione tra Centro-Nord e Sud e mette in risalto da un lato la centralità della dinamica numerica della Lombardia nel Centro-Nord e dall’altro lato la connessione tra Campania e Sicilia in termini di adeguata alimentazione.

Machine learning and predictions. Di seguito vengono confrontati nove algoritmi di machine learning per la predizione del valore futuro dell’adeguata alimentazione nelle regioni italiane. Gli algoritmi sono stati addestrati con l’80% dei dati disponibili. Inoltre, è stata realizzata una cross validation con 20 folds. Gli algoritmi sono stati confrontati in termini di efficienza predittiva sulla base della loro capacità di massimizzare l’R-quadro e di minimizzare gli errori statistici MSE, RMSE e MAE. I dati mostrano il seguente ordinamento degli algoritmi:

• 1.      Random Forest con un valore del payoff pari a 5;
• 2.      AdaBoost con un valore del payoff pari a 7;
• 3.      kNN con un valore del payoff pari a 12;
• 4.      Gradient Boosting con un valore del payoff pari a 16;
• 5.      SGD con un valore del payoff pari a 16;
• 6.      Tree con un valore del payoff pari a 24;
• 7.      SVM con un valore del payoff pari a 28;
• 8.      Linear Regression con un valore del payoff pari a 28.

Pertanto, utilizzando l’algoritmo Random Forest è stato possibile predire i seguenti risultati ovvero:

• •                     Piemonte con una variazione diminutiva da un ammontare di 26,70 fino ad un valore di 22,4 ovvero una variazione di -4,26 unità pari ad un ammontare di -15,96%;
• •                     Valle d’Aosta con una variazione aumentativa da un ammontare di 21,00 fino ad un valore di 21,46 ovvero pari ad una variazione di 0,46 unità pari ad un ammontare di 2,19%;
• •                     Liguria con una variazione aumentativa da un ammontare di 20,60 unità fino ad un valore di 21,46 unità ovvero pari ad una variazione di 0,34 pari ad un ammontare di 1,65%;
• •                     Lombardia con una variazione aumentativa da un ammontare di 19,70 unità fino ad un valore di 20,88 unità pari ad una variazione di 1,18 unità pari ad un ammontare di 5,99%;
• •                     Trentino-Alto Adige con una variazione diminutiva da un ammontare di 21,10 unità fino ad un valore di 20,73 unità ovvero pari ad una variazione di -0,37 unità pari ad un ammontare di -1,75%;
• •                     Veneto con una variazione aumentativa da un ammontare di 20,40 unità fino ad un valore di 20,48 ovvero pari ad un valore di 0,08 unità pari ad un ammontare di 0,42%;
• •                     Friuli-Venezia Giulia con una variazione aumentativa da un ammontare di 21,80 unità fino ad un valore di 22,31 unità ovvero pari ad una variazione di 0,51 unità pari ad un ammontare di 2,33;
• •                     Emilia-Romagna con una variazione diminutiva da un ammontare di 23,20 unità fino ad un valore di 22,65 unità ovvero pari ad un ammontare di -0,55 unità pari a -2,39%;
• •                     Toscana con una variazione diminutiva da un ammontare di 22,80 unità fino ad un valore di 21,63 unità ovvero pari ad un valore di -1,17 unità pari ad una variazione di -5,13%;
• •                     Umbria con una variazione aumentativa da un ammontare di 22,10 unità fino ad un valore di 22,30 unità ovvero pari ad un valore di 0,20 unità pari ad un ammontare di 0,90%;
• •                     Marche con una variazione da un ammontare di 21,90 unità fino ad un valore di 21,57 unità ovvero pari ad una variazione di -0,33 unità pari ad un ammontare di -1,51%;
• •                     Lazio con una variazione aumentativa da un ammontare di 19,70 unità fino ad un valore di 20,88 unità ovvero pari ad una variazione di 1,18 unità pari ad un ammontare di 5,99%;
• •                     Abruzzo con una variazione aumentativa da un ammontare di 14,30 unità fino ad un valore di 14,49 unità ovvero pari ad una variazione di 0,19 unità pari ad un ammontare di 1,33%;
• •                     Molise con una variazione diminutiva da un ammontare di 16,80 unità fino ad un valore di 13,07 unità ovvero pari ad una variazione di -3,73 unità pari ad un ammontare di -22,21%;
• •                     Campania con una variazione aumentativa da un ammontare di 10,70 unità fino ad un valore di 13,36 unità ovvero pari ad una variazione di 2,66 unità pari ad un ammontare del 24,86%;
• •                     Puglia con una variazione aumentativa da un ammontare di 12,90 unità fino ad un valore di 13,54 unità ovvero pari ad una variazione di 0,64 unità pari ad una variazione di 4,96%;
• •                     Basilicata con una variazione aumentativa da un ammontare di 12,60 unità fino ad una variazione di 14,00 unità ovvero pari ad una variazione di 1,40 unità pari ad un ammontare di 11,11%;
• •                     Sicilia con una variazione aumentativa da un ammontare di 14,00 unità fino ad un valore di 14,16 unità ovvero pari ad una variazione di 0,16 unità pari ad un ammontare di 1,14%;
• •                     Sardegna con una variazione aumentativa da un valore di 22,30 unità fino ad un valore di 20,44 unità ovvero pari ad un valore di -1,86 unità pari al -8,34%.

Complessivamente il valore medio dell’adeguata alimentazione è predetto in diminuzione da un ammontare pari a 18,86 unità fino ad un valore di 18,79 unità ovvero pari ad una variazione di -0,07 unità pari ad un ammontare di -0,37%.

Conclusioni. In sintesi, l’adeguata alimentazione è migliorata in tutte le macro regioni italiane tra il 2005 ed il 2020 con eccezione del sud Italia. L’analisi a cluster manifesta la presenza di un chiaro divario tra le regioni del centro-nord Italia che hanno dei valori elevati in termini di adeguata alimentazione e le regioni Meridionali che sono significativamente arretrate. La network analysis conferma la presenza di una struttura a rete complessa tra le regioni del Nord che ha nella Lombardia un elemento centrale mentre nel Sud Italia la dinamica della serie storica della Sicilia e della Campania risultano essere significativamente correlate. Inoltre, la predizione con il machine learning manifesta un andamento marginalmente riduttivo dell’adeguata alimentazione nelle regioni italiane. Occorre considerare che l’adeguata alimentazione svolge una funzione preventiva rispetto alla probabilità di utilizzare il sistema sanitario e pertanto regioni caratterizzate da una peggiore performance in termini di adeguata alimentazione potrebbero avere prospetticamente una crescita della spesa pubblica per i main diseases.