Come si vincono le elezioni?

Milano registra il reddito medio più elevato d'Italia e comprende, al tempo stesso, alcune fra le aree più fragili del Nord. La misura aggregata restituisce la prima informazione e occulta la seconda.

Abbiamo deciso di investigare come cambiano quindi le intenzioni di voto all'interno delle città metropolitane, e perchè. Il divario tra i quartieri più costosi e quelli meno costosi all'interno della stessa città aumenta nel tempo? La disuguaglianza è spiegata principalmente dalla dicotomia centro–periferia oppure emerge anche tra zone urbanisticamente simili? E quali segmenti immobiliari mostrano la maggiore divergenza interna nel corso del tempo?

Per provare a rispondere a queste domande, abbiamo deciso innanzitutto di adottare una scala di osservazione che lo rendesse possibile. Come unità di analisi abbiamo adottato le Aree Sub-Comunali di secondo livello (ASC2) dell'ISTAT, partizioni a confini stabili collocate fra il CAP e la sezione di censimento. Nelle sei città considerate ammontano a 419; Firenze ne comprende 74, a fronte di cinque quartieri amministrativi.

Su questa aree sub-comunali abbiamo fatto convergere diverse fonti di dati: le quotazioni immobiliari dell'Osservatorio del Mercato Immobiliare, i risultati elettorali della Camera ricostruiti a livello di sezione, un decennio di cronaca locale, l'indice ISTAT di vulnerabilità sociale e materiale, le dichiarazioni dei redditi del Ministero dell'Economia.

La seconda decisione riguarda l'orizzonte temporale. Le serie prendono avvio nel 2015. Per l'analisi predittiva abbiamo trattenuto le sole rilevazioni antecedenti a ciascuna consultazione, poiché l'impiego di osservazioni successive equivarrebbe a spiegare un esito elettorale mediante informazioni non ancora disponibili al momento del voto.

L'Osservatorio del Mercato Immobiliare pubblica ogni sei mesi i valori di compravendita relativi a quindici tipologie di immobili, distinti per zona omogenea. I perimetri OMI seguono tuttavia una delimitazione autonoma rispetto alle ASC2, e la quotazione di un singolo semestre lascia indeterminata la direzione del mutamento in corso.

L'analisi si è articolata in tre fasi. In primo luogo abbiamo consolidato la serie storica mediante rimozione selettiva delle osservazioni incoerenti e il riallineamento dei codici territoriali modificati nel tempo. Successivamente abbiamo convertito le quotazioni in indicatori di dinamica (variazioni semestrali, trend, volatilità, ampiezza dello scarto fra minimo e massimo). Infine abbiamo operato il trasferimento dai perimetri OMI alle ASC2, ponderando per quota di sovrapposizione territoriale.

Le quindici tipologie di immobili sono state ricondotte a sei categorie funzionali, dalle pertinenze al residenziale di pregio, dal produttivo alla logistica. I prezzi inoltre sono espressi in rapporto alla media comunale, così da preservarne la comparabilità tra città.

L'indice di dinamicità da noi adottato quantifica l'intensità del movimento dei prezzi. Un quartiere caratterizzato da elevata dinamicità può pertanto trovarsi in forte espansione o in forte contrazione.

Il portale Eligendo diffonde i risultati delle consultazioni elettorali aggregati per comune. Siamo risaliti ai dati di sezione, reperiti sui portali delle amministrazioni comunali, e li abbiamo georeferenziati attribuendo poi le varie sezioni alle aree ASC2 tramite spatial join.

La collocazione fisica dei seggi però muta da una consultazione all'altra. L'identificativo di sezione permane, ma l'edificio cambia, e la documentazione disponibile risulta frammentaria, ripartita fra portali Open Data e documenti non strutturati. La ricostruzione di tale corrispondenza costituiva la condizione per confrontare la medesima sezione fra il 2013 e il 2022.

I partiti sono ricondotti a un codice identificativo stabile nel tempo e aggregati in quattro correnti. La variabile impiegata nel seguito è dicotomica: rispetto alla tornata precedente, il vincitore del quartiere muta oppure permane?

Le sei città manifestano configurazioni divergenti. Bologna e Firenze conservano l'intero territorio per tre tornate consecutive. Milano e Torino presentano una frattura interna netta e temporalmente stabile. Napoli conosce nel 2018 un'alternanza pressoché generalizzata a favore del Movimento 5 Stelle. Roma permane frammentata lungo tutto il periodo, senza riconducibilità a un asse geografico definito.

In termini quantitativi, nel 2018 il vincitore muta nel 93% dei quartieri di Napoli e nel 50% di quelli di Milano, mentre a Bologna e Firenze l'incidenza è nulla. Nel 2022 il fenomeno si concentra su Roma, che passa dal 28% al 46%, e a Napoli scende al 14%.

Una componente della percezione che i residenti maturano del proprio territorio passa per la rappresentazione mediatica che si fa del quartiere stesso.

Abbiamo raccolto le edizioni locali del network Citynews e le abbiamo sottoposte a territorializzazione, individuando nei testi i riferimenti alle ASC2 e attribuendo ciascun articolo alla zona menzionata.

Ne abbiamo derivato due indicatori. La copertura, che quantifica le occorrenze giornalistiche relative a un quartiere nell'arco di un semestre, restituendo una misura di visibilità. La polarità, che quantifica il tono medio del racconto, che abbiamo inoltre standardizzato al fine di preservare la comparabilità fra città con volumi di cronaca eterogenei.

La copertura presenta una concentrazione marcata: il 10% delle zone assorbe il 45% delle occorrenze, e corrisponde ai nuclei centrali e ai principali poli funzionali. La polarità misura una dimensione distinta, ossia l'orientamento valutativo del racconto, e restituisce una distribuzione territoriale differente.

L'indice ISTAT di vulnerabilità sociale e materiale misura una fragilità connessa al ciclo di vita e alla tenuta delle reti familiari, ponderando la presenza di anziani soli, il carico di minori, l'instabilità abitativa e la quota di giovani esclusi dai percorsi formativi e occupazionali. Lo abbiamo ricostruito per le aree sub-comunali ASC2 per il 2011 e il 2021, mediante sette indicatori elementari e aggregazione con metodologia AMPI.

Nel corso del decennio le sei città seguono traiettorie divergenti. A Bologna lo scarto interquartile passa da 8,5 a 22,8 e a Torino più che raddoppia: in entrambi i casi la metà centrale dei quartieri si disperde. A Roma il medesimo scarto si contrae, con una mediana che scende sotto la soglia di riferimento, secondo un andamento condiviso con Napoli.

Il caso di Milano richiede una lettura articolata, poiché i due indicatori divergono. Lo scarto interquartile permane invariato, a indicare una metà centrale compatta quanto un decennio prima. La distanza fra il quartiere meno vulnerabile e quello più vulnerabile passa però da 28,7 a 48,5 punti: il movimento interessa le code della distribuzione.

I dati fiscali del Ministero dell'Economia, aggregati per ASC2, restituiscono per ciascun quartiere e per tre macro-periodi il reddito medio, l'indice di Gini interno e l'aliquota effettiva. Quest'ultima incorpora deduzioni e detrazioni, e quantifica pertanto il prelievo reale.

La relazione ricorre in tutti i periodi osservati: i quartieri a reddito più elevato presentano anche la maggiore disuguaglianza interna. Milano e Roma occupano le posizioni estreme su entrambi gli assi, con quartieri oltre gli 80.000 euro di reddito medio e indici di Gini superiori a 0,65.

Nel passaggio fra i periodi la distribuzione trasla verso destra per effetto della crescita nominale dei redditi, mentre la pendenza permane invariata. L'associazione conserva la propria intensità.

Nella classificazione, le caratteristiche del territorio precedono il voto e ne costituiscono la spiegazione. In questa sede la sequenza si inverte. La motivazione è di ordine pratico: disponiamo di tre periodi di dati immobiliari a fronte di due sole transizioni elettorali utilizzabili in chiave predittiva, e l'inversione rende disponibile il terzo periodo.

L'oggetto è un grafo multilayer composto da 1.257 nodi, ciascuno corrispondente a un quartiere in un dato periodo. Gli archi congiungono zone con dinamiche immobiliari affini e collegano ciascuna zona a se stessa nel periodo successivo. Su tale struttura l'algoritmo di Louvain individua comunità di quartieri, la cui evoluzione può essere seguita nei processi di consolidamento e di frammentazione.

L'ipotesi sottoposta a verifica postulava che l'instabilità di una comunità segnalasse un territorio in rapida trasformazione, e che tale trasformazione risultasse favorita da un contesto politico scarsamente pluralistico, nel quale un'amministrazione dotata di ampio consenso disponga di margini d'azione più estesi.

La variabile obiettivo è dicotomica e caratterizzata da forte squilibrio, poiché i casi di alternanza costituiscono la minoranza. La metrica di riferimento adottata è di conseguenza l'accuratezza bilanciata, che pondera in egual misura le due classi.

Sono stati posti a confronto tre modelli — una Random Forest con pesi bilanciati, XGBoost e una Random Forest con oversampling — sottoposti a due prove di trasferimento. La prima opera nel tempo, addestrando sul 2018 per prevedere il 2022. La seconda opera nello spazio, escludendo un'intera città dall'addestramento e richiedendone la classificazione senza alcuna osservazione pregressa.

Nel trasferimento temporale il modello consegue risultati apprezzabili. XGBoost raggiunge un'accuratezza bilanciata di 0,709 e individua il 77% dei casi di alternanza, a fronte di un elevato numero di falsi positivi. La Random Forest adotta un comportamento più conservativo, con la precisione più elevata e un richiamo dimezzato.

Tale capacità predittiva è imputabile a una sola variabile, ossia il margine fra prima e seconda corrente nella consultazione precedente. La sua rimozione riduce XGBoost da 0,709 a 0,634 e la Random Forest da 0,676 a 0,563, e nessuna variabile di contesto ne surroga la funzione.

La lettura per singola previsione ne precisa il verso. Valori contenuti del margine orientano verso la previsione di alternanza: laddove la competizione precedente si era decisa per scarti minimi, il mutamento del vincitore diventa più probabile. In posizione subordinata, con contributi sensibilmente inferiori, compaiono il reddito medio e la relativa volatilità, la polarità delle notizie, e la dinamicità dei prezzi nel comparto terziario.

La prova spaziale risulta più stringente. Con l'esclusione a rotazione di una città, l'accuratezza bilanciata media scende a 0,563, con dispersione elevata fra i casi.

Il caso di Napoli preclude la generalizzazione. È l'unica città nella quale l'inclusione del margine peggiora le prestazioni anziché migliorarle, a indicare che il medesimo margine elettorale assume significati differenti in funzione della struttura politica del territorio. Con l'esclusione della variabile, l'accuratezza media scende a 0,512, valore prossimo al livello casuale.

Bologna e Firenze rimangono escluse dalla tabella: in entrambe il vincitore permane invariato in ogni quartiere e in ogni tornata, e come insiemi di test risulterebbero privi di significato. Il loro apporto all'addestramento è tuttavia rilevante, poiché la loro rimozione riduce l'accuratezza media a 0,522.

Il lavoro ha prodotto una base dati integrata su una geografia fine e ne ha sottoposto a verifica la tenuta. Quanto risulta confermato indica che le città italiane, al di sotto della media comunale, presentano fra loro una varianza superiore a quella che un modello unitario è in grado di rappresentare.

Ai fini della previsione dell'alternanza, la storia elettorale recente possiede un contenuto informativo superiore a quello delle caratteristiche strutturali del territorio. Il margine della consultazione precedente si conferma dominante in ogni configurazione sottoposta a verifica, tanto nel trasferimento temporale quanto in quello spaziale. Questo significa anche che le variabili socioeconomiche, immobiliari e mediatiche hanno un peso che rimane tuttavia contenuto e, soprattutto, circoscritto al contesto di origine.

Il rilievo coincide con il presupposto della letteratura sul place-based approach: se le relazioni sono locali, una politica uniforme sull'intero territorio comunale difficilmente produce effetti omogenei.