Nel 1934 Simon Kuzinez, l’economista ideatore del Prodotto Interno Lordo (PIL), chiarì subito che il PIL non poteva essere una misura di benessere. Alcuni anni dopo Richard Easterlen (1974) mostrò in maniera inequivocabile che la felicità e il reddito non sono sempre correlati. Nonostante queste e altre evidenze fornite da un numero sempre crescente di studiosi, attualmente il PIL è ancora una delle metriche più utilizzate per misurare il benessere.

Una delle ragioni di tale successo e di tale sopravvivenza è che il PIL si presenta come un indicatore unico, che permette di confrontare in maniera lampante sistemi diversi. Questa estrema capacità di sintesi, infatti, non appartiene a nessuna delle nuove misure multidimensionali di benessere, tra le quali può essere annoverato il Benessere Equo e Sostenibile (BES), la cui ultima versione è stata presentata il 14 dicembre, giunto quest’anno alla sua quarta edizione (ISTAT, 2016).

Il BES è una di quelle misure che nasce dall’idea della Commissione Stiglitz, Sen e Fitoussi nel 2010, secondo la quale il benessere è qualcosa di multidimensionale, che va misurato tenendo conto, contemporaneamente, di vari aspetti della vita (Patrizii et al. 2016). Nello specifico il BES tiene conto di dodici aspetti: Salute; Istruzione e formazione; Lavoro e conciliazione dei tempi di vita; Benessere economico; Relazioni sociali; Politica e istituzioni; Sicurezza; Benessere soggettivo; Paesaggio e patrimonio culturale; Ambiente; Ricerca e innovazione; Qualità dei servizi.

Questa multidimensionalità, se da un lato permette di valutare in maniera sempre più dettagliata le singole dimensioni del benessere, dall’altro non permette una visione d’insieme, cha apparentemente è racchiusa nel PIL. Infatti il BES non esiste in quanto metrica in sé, ma è un insieme di metriche. E qualora lo si voglia trasformare in metrica, quindi farne un’unica misura, è necessario scegliere un grado di importanza tra le singole variabili per decidere in che modo sintetizzarle. È quindi inevitabile dare dei giudizi di valore rispetto alle singole dimensioni corrispondenti ai vari aspetti della vita.

In questi giudizi di valore, nelle misure di benessere, le preferenze individuali dei soggetti interessati hanno un ruolo determinante. In altre parole se voglio misurare il benessere di un insieme di individui appartenenti a una collettività, partendo dal BES devo tener conto che un uomo d’affari sarà probabilmente più interessato al ‘Benessere economico’ oppure che un anziano sarà evidentemente più interessato ai servizi per la ‘Salute’, e che una coppia di giovani guarderà con attenzione la variabile collegata ai servizi per l’infanzia ad esempio. Ogni individuo, nella sua unicità, ha esigenze diverse e di conseguenza il suo indicatore sintetico di benessere si differenzia da quello di un altro individuo pur partendo dallo stesso BES. In pratica questa differenziazione di ‘gusti’ tra gli individui, determina una differenza nel benessere percepito, e volendo classificare le regioni italiane in termini di BES, bisogna considerare che ogni individuo che vive in queste regioni avrà la sua personale classifica.

Tali evidenze, portate nella teoria economica dal lavoro seminale di Tiebout (1956), hanno spinto un gruppo di ricerca della Portsmouth Business School (UK) in collaborazione con l’Universita’ di Catania (Greco, Ishizaka, Matarazzo, Torrisi, 2015) a proporre una innovativa tecnica di aggregazione, la Stochastic Multiobjective Acceptability Analysis (SMAA, Lahdelma et al. 1998; Lahdelma, Salminen, 2001), che permette di prendere tutte le possibili preferenze individuali e, sulla base di esse stimare le probabilità che ogni regione ha di raggiungere una posizione piuttosto che un’altra, nelle classifiche del benessere.

In termini formali in un problema multi-criteriale (Ishizaka, Nemery, 2013; Greco et al. 2005), un insieme di alternative:

deve essere valutato sulla base di un insieme di criteri:

Nel caso del BES le alternative sono le regioni italiane e i criteri sono i singoli aspetti del benessere in esso contenuti. Assumendo una funzione di utilità lineare, per ogni regione  possiamo stimare il seguente indice unico di BES:

Dove w = w₁ + … + w_n sono i pesi che descrivono il grado di importanza che assegniamo ai singoli aspetti della vita (g_i Є  G). La SMAA prende tutte le combinazioni possibili tra questi pesi, corrispondenti a tutte le possibili opinioni rispetto al grado di importanza sui singoli indicatori del BES. Alcuni dettagli tecnici sono riportati in Appendice. Questo è un modo di calcolare un indice di benessere che rispecchia tutte le stratificazioni sella società con tutte le loro diverse esigenze.

Facendo delle simulazioni mediante SMMA sui dati BES 2016 emerge une quadro piuttosto noto. Nella mappa blu in Figura 1 è rappresentata la probabilità che le regioni hanno di raggiungere almeno il quinto posto. Nella mappa rossa è rappresentata invece la probabilità che le regioni hanno di raggiungere al massimo la quint’ultima posizione. In altre parole prese tutte le persone con tutte le loro possibili preferenze rispetto a tutti i dodici indicatori del BES, quante persone avranno in mente una classifica che mette le regioni nelle prime cinque posizioni? La risposta della mappa blu è che nessuno metterebbe una regione del Sud Italia tra le prime cinque. Al contrario la mappa rossa mostra che una buona quota di persone tra tutti i possibili individui (più del 40%) metterebbe tra le ultime cinque regioni la Campania, la Puglia, la Calabria e la Sicilia.

Figura 1 in blu la probabilità di essere tra le prime 5 regioni in termini di BES 2016; in rosso la probabilità di essere tra le ultime 5 regioni in termini di BES 2016; in verde la percentuale di Sì sul totale degli aventi diritto al voto nel Referendum Costituzionale del 4 Dicembre 2016[1].

Questi risultati evidenziano che il divario tra Nord e Sud Italia va oltre i singoli indicatori e le preferenze individuali, ma coinvolge tutte le dimensioni del benessere. Si osserva un dualismo generalizzato e unanime che coinvolge tutte le fasce della società a prescindere dalle loro esigenze e conseguenti preferenze rispetto ai singoli aspetti della vita misurati nel BES.

Questo dualismo ha delle ragioni storiche riconducibili alla ben nota questione meridionale (tra gli altri Monte, Luzenberger, 1989; Spadavecchia, 2007; Torrisi et al. 2015), e certamente non imputabili direttamente alla politica degli ultimi anni. Tuttavia laddove la politica mostra di ignorare questa segregazione territoriale, non invertendo una rotta che va avanti da anni, il dualismo si manifesta anche nei risultati elettorali.

Come segnalato nel rapporto Svimez (2016) ad esempio, nello storico declino della spesa in conto capitale in Italia, che grava largamente sul Mezzogiorno, gli investimenti pubblici hanno subito un vero e proprio crollo. In mancanza di una inversione di tendenza rispetto a questi temi, ovvero in assenza di interventi mirati a colmare i divari o quantomeno avviare processi di convergenza tra le diverse aree del paese, le segregazioni territoriali non possono che accentuarsi. Questo fa sì che una parte della popolazione viva un black-out istituzionale e una sorta di abbandono percepita come un tradimento da parte delle istituzioni. Ne consegue che quando queste istituzioni vanno a chiedere un sostegno ai cittadini, ad esempio personalizzando un voto sulla riforma costituzionale, la risposta degli elettori non può che rispecchiare esattamente il dualismo che si osserva su tutti gli aspetti della loro vita. La sfiducia nelle istituzioni non si manifesta solo nel risultato elettorale, ma anche nella bassa affluenza. Un modo per tenere conto di entrambi i fenomeni è osservare le percentuali del Sì sul totale degli aventi diritto al voto nel Referendum Costituzionale del 4 dicembre 2016, rappresentate nella mappa verde in Figura 1. Confrontando le due mappe del BES con la verde infatti, si osserva una netta correlazione tra le stime sul BES e le percentuali regionali di Sì.

Appendice

Al fine di tener conto dell’incertezza rispetto a questi giudizi di valore e l’imprecisione nei dati SMAA considera due distribuzioni fW(w) su W e fχ(ξ) su χ, dove:

e χ è lo spazio di valutazione, ovvero lo spazio dei valori che possono essere assunti dai singoli indici misurati nel BES (g_i Є  G).

La SMAA introduce così una funzione classificatoria relativa alla regione a_k:

Quindi per ogni regione a_h, per ogni valore che può essere assunto dai singoli indici ξ ∈ χ e per ogni posizione in classifica p = 1, …, l, SMAA calcola l’insieme di pesi per i quali la regione a_k assume la posizione in classifica p:

La valutazione in SMAA si basa sul calcolo del Rank Acceptability Index, che è la misura relative dell’insieme dei vettori di pesi e di indicatori per i quali per i quali la regione a_k raggiunge la posizione p:

Dove b_k^p è la probabilità che la regione a_k si posizioni nella posizione p-esima nella classifica delle preferenze. Da un punto di vista computazionale questi integrali multidimensionali sono stimati mediante simulazioni di Monte Carlo.

In assenza di informazioni rispetto ai pesi si assume una distribuzione uniforme di probabilità fW(w) su W, mentre ipotizzando che i dati del BES non siano affetti da imprecisione non si considera la distribuzione di probabilità fχ(ξ).

*Università di Roma Tre, Portsmouth Business School

Riferimenti

^{Easterlin, R. A. (1974), “Does Economic Growth Improve the Human Lot?”, in Paul, A. D. and Melvin, W. R. (eds.), Nations and Households in Economic Growth: Essays in Honour of Moses Abramovitz, Academic Press, Inc., New York.}

^{Greco, S., Figueira, J., &Ehrgott, M. (2005). Multiple criteria decision analysis. Springer’s International series.}

^{Greco, S., Ishizaka, A., Matarazzo, B., & Torrisi, G. (2015). Stochastic Multiattribute Acceptability Analysis: an application to the ranking of Italian regions. MPRA Paper No. 68508.}

^{Ishizaka, A., &Nemery, P. (2013). Multi-criteria decision analysis: methods and software. John Wiley & Sons.}

^{ISTAT (2016), Rapporto Bes 2016: il benessere equo e sostenibile in Italia, Roma.}

^{Kutznets, S. (1934), National income 1929-32. Letter from the Acting Secretary of Commerce transmitting in Response to Senate Resolution  22: 7.}

^{Lahdelma, R., &Salminen, P. (2001). SMAA-2: Stochastic multicriteria acceptability analysis for group decision making. Operations Research, 49(3), 444-454.}

^{Lahdelma, R., Hokkanen, J., &Salminen, P. (1998). SMAA-stochastic multiobjective acceptability analysis. European Journal of Operational Research, 106(1), 137-143.}

^{Ministero dell’Interno (2016), Archivio Storico delle Elezioni, Roma.}

^{Monte, A. D., &Luzenberger, R. D. (1989). The effect of regional policy on new firm formation in Southern Italy. Regional Studies, 23(3), 219-230.}

^{Patrizii, V., Pettini, A., & Resce, G. (2016). The Cost of Well-Being. Social Indicators Research, 1-26.}

^{Spadavecchia, A. (2007). Regional and national industrial policies in Italy, 1950s–1993. Where did the subsidies flow?.Economics and management discussion paper, 48.}

^{Stiglitz, J. E., Sen, A., & Fitoussi, J. P. (2010). Report by the commission on the measurement of economic performance and social progress. Paris: Commission on the Measurement of Economic Performance and Social Progress.}

^{Swimez. (2016). Rapporto 2016 sull’economia del Mezzogiorno. Roma}

^{Tiebout, C. M. (1956). A pure theory of local expenditures. The journal of political economy, 64, 416-424.}

^{Torrisi, G., Pike, A., Tomaney, J., & Tselios, V. (2015). (Re-) exploring the link between decentralization and regional disparities in Italy. Regional Studies, Regional Science, 2(1), 123-140.}

^{[1] Elaborazioni dell’autore su dati ISTAT (2016) e Ministero dell’Interno (2016).}