11  NOVEMBRE 2018
 

Con riferimento a quest’ultima variabile, le informazioni sono state raccolte nel sistema ANThology secondo la classificazione ETHOS (European Typology of Homelessness and Housing Exclusion) sviluppata da FEANTSA (European Federation of National Organisations working with the Homeless). Le categorie di esclusione abitativa ETHOS sono quattro e fanno riferimento a tre domini (fisico, sociale e legale): 1) senza tetto (indisponibilità di qualunque tipo di riparo); 2) senza casa (con disponibilità temporanea di un riparo all’interno di un centro di accoglienza); 3) sistemazione insicura (alta probabilità di non disporre di una sistemazione a causa di possibile sfratto o violenza domestica); 4) sistemazione inadeguata (disponibilità di una sistemazione in un sito illegale o caratterizzato da estremo sovraffollamento). Agli utenti degli Help Center della rete ONDS è stata associata alternativamente una delle quattro categorie ETHOS, in caso di disagio abitativo, oppure la categoria “sistemazione sicura ed adeguata”.

Prima di procedere con i risultati delle analisi di regressione, in questa sezione vengono mostrate alcune statistiche descrittive. 

Nella Tabella 1 si nota che tra gli utenti uomini dei tre Help Center la classe di età più numerosa (29,6%) è quella 30-39 anni (seguita dalla 40-49 con il 26,1%); per il totale delle donne, invece, le classi di età maggiormente rappresentate sono la 40-49 e la 50-59. Guardando alle classi di età “estreme”, mentre per gli uomini risulta più numerosa la classe 18-29 (il 20,1%) rispetto agli over 60 (il 7,8%), per le donne non c’è molta differenza (rispettivamente il 13,8% ed il 14,1%). Confrontando i dati sui singoli Help Center non emergono differenze significative tra gli uomini; tra le donne, invece, la classe di età più anziana è maggiormente rappresentata a Napoli (26,2%) rispetto a quanto accade nelle altre due città (l’11,1% a Firenze ed il 13,8% a Roma). 

In termini di provenienza, dalla Tabella 2 emerge che gli utenti provenienti da un paese dell’Unione Europea o dall’Africa costituiscono, in generale, i gruppi più numerosi. Tuttavia, a Napoli la concentrazione degli utenti in questi due gruppi di provenienza è particolarmente alta solo per gli uomini (il 44,7% proviene da un paese dell’UE ed il 44,8% da un paese africano), mentre tra le donne il 60,5% proviene da paesi dell’UE, il 31,4% da un paese europeo non appartenente all’UE e solo il 5,8% dall’Africa5. Incrociando le informazioni sulla provenienza e sulla distribuzione per classi di età (Tabella 3) si nota che gli utenti provenienti dai paesi dell’UE si distribuiscono nelle tre classi di età centrali (con una più accentuata presenza nella classe 40-49), mentre gli utenti provenienti dall’Africa e dall’Asia risultano più giovani.

Per quanto riguarda il numero di accessi spontanei per utente, il valore medio riportato nella Tabella 4 risulta più alto per gli uomini (6,1) rispetto alle donne (4,0) e più alto per gli utenti provenienti dai paesi dell’UE (6,6) rispetto agli utenti provenienti dagli altri paesi. Inoltre, considerando congiuntamente età e provenienza (Tabella 5), il più alto numero medio di accessi spontanei per utente (7,4) si registra per gli utenti nella classe 40-49 e provenienti dai paesi dell’UE.

Infine, la Tabella 6 riporta la percentuale di utenti che ha espresso almeno una richiesta, distinguendo tra diverse tipologie, per Help Center, genere, classe di età e provenienza. In primo luogo, il 44,1% degli utenti ha richiesto accoglienza: ciò fornisce un primo indizio del fatto che una percentuale significativa degli utenti potrebbe avere una condizione abitativa disagiata. Non sorprende, inoltre, che rispettivamente il 38,9% e il 37,9% degli utenti abbia fatto richiesta di orientamento al lavoro e di segretariato sociale, vista la natura di sportello sociale degli Help Center. In secondo luogo, emerge una forte differenziazione tra gli Help Center rispetto alle categorie di richiesta. Questa evidenza può essere ragionevolmente spiegata sulla base della diversa natura e specializzazione degli Help Center. In particolare, il 91,7% degli utenti di Napoli richiede accoglienza, mentre tale percentuale scende a 37,2% a Roma e a 16,4% a Firenze. Al contrario, per quanto riguarda l’orientamento al lavoro, le percentuali sono molto più alte a Firenze e a Roma rispetto a Napoli. Infine, molto alta è la percentuale di utenti che fa richiesta di segretariato sociale a Firenze (90,5%) rispetto a Napoli (51,9%) e soprattutto a Roma (13,1%).

Tenendo conto dei risultati preliminari suggeriti dall’analisi descrittiva, la sezione successiva ha l’obiettivo di esplorare, attraverso apposite analisi di regressione, le relazioni tra le caratteristiche individuali degli utenti e il numero medio di accessi spontanei effettuati presso gli Help Center, in un primo momento, e tra le caratteristiche individuali degli utenti e la probabilità di fare richieste di diverso tipo, successivamente, secondo la strategia empirica delineata all’inizio di questa sezione.

romanotab1Tabella 1. Distribuzione degli utenti per Help Center, genere e classe di età

romanotab2Tabella 2. Distribuzione degli utenti per Help Center, genere e provenienza

romanotab3Tabella 3. Distribuzione degli utenti per provenienza e classe di età

romanotab4Tabella 4. Numero medio di accessi spontanei degli utenti per genere, classe di età e provenienza

romanotab5Tabella 5. Numero medio di accessi spontanei degli utenti per classe di età e provenienza

romanotab6Tabella 6. Le richieste degli utenti: percentuale di utenti per Help Center, genere, classe di età e provenienza

 

Risultati delle analisi di regressione

 

Gli accessi spontanei

La variabile di conteggio relativa al numero di accessi spontanei per utente è caratterizzata dal fatto che una percentuale relativamente alta di utenti (il 37,5%) fa un solo accesso nel corso del 2014 e dal fatto che la varianza risulta più alta della media (questa caratteristica si definisce overdispersion). Tali elementi suggeriscono che i modelli econometrici più adeguati per studiare in che modo il numero di accessi degli utenti sia associato alle loro caratteristiche individuali sono i cosiddetti modelli zero-inflation negative binomial (ZINB)6. Nello specifico, si considera che la presenza di un numero di esiti pari a 1 “in eccesso” possa derivare da processi diversi. Un utente potrebbe limitarsi ad un solo accesso presso l’Help Center perché è solo di passaggio per la città (ad esempio, è un migrante in transito) oppure per altre caratteristiche personali che lo allontanano dalla struttura. Ipotizzando quindi che due processi diversi possano determinare l’esito secondo cui un utente fa un solo accesso presso l’Help Center, il modello ZINB proposto risulta dalla combinazione di un modello per la stima del numero di accessi spontanei (uno o più) con un modello sulla probabilità di non fare più di un accesso. I risultati delle stime dei modelli ZINB sul numero di accessi spontanei effettuati dagli utenti sul Campione A e sul Campione B sono contenuti nella Tabella 7.

romanotab7Tabella 7. Risultati dei modelli di regressione sul numero di accessi effettuati dagli utenti

Nella parte sinistra della tabella sono riportati i modelli sulla probabilità di fare un solo accesso, dai quali non emergono relazioni statisticamente significative per le variabili considerate, salvo alcune eccezioni. In particolare, sembrerebbe che le donne abbiano una maggiore probabilità di fare un solo accesso rispetto agli uomini, ma tale relazione è statisticamente significativa soltanto nel modello relativo al Campione A. Al contrario, dal modello sul campione B, emerge che gli utenti provenienti dai paesi dell’UE hanno una probabilità minore di fare un solo accesso rispetto agli utenti che provengono dall’Africa; analogamente, gli utenti che si rivolgono all’Help Center di Firenze hanno una probabilità minore di fare un solo accesso rispetto a quelli che si rivolgono all’Help Center di Roma.

Nella parte destra della tabella sono invece riportati i modelli che studiano la relazione tra il numero di accessi effettuati dagli utenti e le loro caratteristiche. In questo caso, si trova evidenza di una relazione significativa e positiva tra l’età dell’utente e il numero di accessi. Più precisamente, il segno negativo e significativo del coefficiente relativo alla variabile “Età al quadrato” segnala la possibile esistenza di una relazione non lineare tra l’età e il numero di accessi spontanei e, in particolare, il fatto che il segno della relazione possa invertirsi dopo che sia stata raggiunta una “età massima”. Tale andamento a “U rovesciata”, in effetti, conferma quanto suggerito dalle statistiche descrittive sul numero medio di accessi per classe di età (Tabella 4). Inoltre, coerentemente con il risultato riportato nei modelli contenuti nella parte sinistra della tabella, essere donna è associato ad un numero minore di accessi spontanei. Per quanto riguarda la provenienza, invece, non emergono differenze significative tra gli utenti, ad eccezione del fatto che coloro che provengono dai paesi dell’UE sembrano effettuare un numero di accessi maggiore rispetto agli utenti africani (la relazione è però significativa soltanto nel modello stimato sul Campione A). Con riferimento all’Help Center cui l’utente si è rivolto, dai modelli stimati su entrambi i campioni risulta che, rispetto agli utenti dell’Help Center di Roma, il numero di accessi per utente è rispettivamente più basso nell’Help Center di Firenze e più alto nell’Help Center di Napoli. Infine, guardando ai risultati del modello stimato sul Campione B, mentre per lo stato civile non c’è evidenza di relazioni statisticamente significative, il fatto di trovarsi in una condizione di disagio abitativo appare associarsi ad un numero di accessi per utente più elevato.

 

Le richieste

I risultati relativi ai modelli di regressione che stimano la probabilità di esprimere una specifica richiesta si riferiscono a quattro macro-categorie (accoglienza, assistenza burocratica, orientamento al lavoro, beni e servizi)7 e sono presentati in due blocchi: il primo (Tabella 8 e Grafici 1-3) relativo al Campione A ed il secondo (Tabella 9 e Grafici 4-6) relativo al Campione B. Con riferimento al Campione A, in primo luogo, la Tabella 8 riporta i risultati delle stime dei modelli logit in cui le variabili dipendenti sono le variabili binarie relative all’aver fatto (1) o meno (0) la specifica richiesta indicata per colonna. In particolare, i risultati sono riportati in termini di odds ratios: il segno della relazione è da interpretare come negativo nel caso l’odds ratio sia minore di 1 e come positivo nel caso l’odds ratio sia maggiore di 1.

Innanzitutto, si nota che la probabilità di esprimere una richiesta di accoglienza e l’età (espressa in anni) sono legate da una relazione negativa e significativa ma che tale relazione cambia segno dopo aver raggiunto un minimo (per via del segno positivo associato alla variabile “Età al quadrato”), mentre l’opposto vale per la relazione tra la probabilità di esprimere una richiesta di orientamento al lavoro e l’età. L’essere donna, invece si associa sempre in modo positivo con la probabilità di esprimere i diversi tipi di richiesta, tranne nel caso di beni e servizi. Per quanto concerne la provenienza emergono risultati differenziati per i diversi tipi di richiesta. Considerando gli utenti africani come categoria di riferimento, nel caso dell’accoglienza, agli utenti provenienti dall’America del Sud e dai paesi dell’UE si associa una minore probabilità di esprimere una richiesta. Invece, nel caso dell’assistenza burocratica, la probabilità di richiesta è maggiore per gli utenti provenienti dai paesi dell’UE e, nel caso dell’orientamento al lavoro, essa è maggiore per gli utenti dell’America del Sud. Infine, la probabilità di richiedere beni e servizi è maggiore per gli utenti europei (sia per quelli provenienti dai paesi dell’UE che per quelli provenienti dai paesi al di fuori dell’UE). Con riferimento all’Help Center, si nota una differenza ancora più marcata tra le diverse macro-categorie di richiesta. Utilizzando come categoria di riferimento Roma, nel caso dell’accoglienza, la probabilità di fare richiesta è più alta per gli utenti di Napoli e più bassa per quelli di Firenze, mentre l’opposto vale nel caso dell’orientamento al lavoro. Da ultimo, sia per l’assistenza burocratica che per beni e servizi la probabilità di fare richiesta risulta più alta a Firenze e Napoli rispetto a Roma.

romanotab8Tabella 8. Modelli di regressione sulla probabilità di esprimere una richiesta (Campione A)

Eleonora Romano Sapienza Università Roma - ONDS