Contenuto
Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca»Unità di ricercaINIZIO_TESTO_DA_INDICIZZARE
UNITA' DI RICERCA
italiano - english
Bibliografia
Benzécri, J. P., (1992), Correspondence analysis handbook, Dekker, New YorkBoyd, S. (2002), Advances in Convex Optimization: Interior-point Methods, Cone Programming, and Applications, Proceedings of the CDC ’02 Conference on Decision and Control, Las Vegas, USA
Ghosh M., Rao J. N. K. (1994), Small area estimation: an appraisal, Statistical Science, Vol. 9, No. 1, pp. 55-93
Grosh M., Glewwe P. (2000): Designing household survey questionnaires for developing countries: Lessons from fifteen years of the Living Standards Measurement Study. Washington, D.C.: World Bank
He Z., Sun D. (2000), Hierarchical Bayes estimation of hunting success rates with spatial correlations, Biometrics, 56, 102-109
Huffman, W. (1988): “Human Capital for Agriculture” in Hildreth, R. editor Agricultural and rural areas approaching the twenty-first century: Challenges for agricultural economics. Ames: Iowa State University Press 1988; 499-517
Leff E. (2000): “Sustainable Development in Developing Countries: Cultural Diversity and Environmental Rationality” in Lee K.; Holland A.; McNeill D., (eds). Global sustainable development in the twenty-first century. Edinburgh: Edinburgh University Press; distributed by Columbia University Press, New York, 2000; 62-75
Malec D., Sedransk J., Moriarity C. L., LeClere F. B. (1997), Small area inference for binary variables in the National Health Intgerview Survey, Journal of the American Statistical Association, Vol. 92, 439, 815-826
McCulloch C. E. (1997), Maximum likelihood algorithms for generalized linear mixed models, Journal of the American Statistical Association, Vol. 92, 437, 162-170
Pardalos P. M., Resende M. G. C. (eds.) (2002), Handbook of Applied Optimization, Oxford University Press
Parrilo P., Sanjay L. (2004), Semidefinite programming relaxations and algebraic optimization in Control, Proceedings of the American Control Conference, Boston, USA
Petrucci A., Salvati N. (2004), Small area estimation using spatial information. The Rathbun Lake Watershed case study, preprint, 2
Randall A. (2002): “Valuing the outputs of multifunctional agriculture” in European Review of Agricultural Economics 29(3): 289-307
Rao J. N. K. (2002), Small area estimation with applications to Agriculture, Proceedings of the Conference on agricultural and environmental statistical applications in Rome, Vol. III, pp. 555-564
Robinson G. K. (1991), That BLUP is a good thing: the estimation of random effects, Statistical Science, Vol. 6, No. 1, 15-51
Russo C., Sabbatini M., Salvatore R. (2004), General linear models in small area estimation: an assessment in agricultural surveys, Proceedings of Third International Conference on Agricultural Statistics, Mexico
Sarndal C. E., Swensson B., Wretman J. H. (1992), Model Assisted Survey Sampling, New York, Springer-Verlag
Programma di ricerca
L'informazione statistica in agricultura: necessita' attuali e sviluppi futuri.Università di riferimento
Università degli Studi di CASSINO - ECONOMIA E TERRITORIO - CASSINO(FR)Responsabile dell'Unità di ricerca
Massimo SABBATINIDescrizione
Il progetto PRIN si ha l'obiettivo di individuare soluzioni organizzative per migliorare l'efficienza del sistema delle statistiche agrarie riducendo i costi di rilevazione e incrementando la capacità informativa. In quest'ambito l'Unità operativa di Cassino partecipa al progetto valutando l'impatto sul sistema delle statistiche di criteri alternativi di definizione dell'azienda agraria.L'obiettivo della ricerca consiste nell'individuazione di un criterio di definizione dell'azienda agraria che consenta al tempo stesso di ridurre i costi di rilevazione (sia a livello censuario che di indagini campionarie) che di mantenere una adeguata capacità informativa. Il problema affrontato dallo studio può essere riassunto nella ricerca di metodologie statistiche avanzate finalizzate all'utilizzo di informazioni raccolte su di un campo di osservazione ristretto per inferenza di stime relative alle aziende escluse dal campo di osservazione stesso. L'adozione di un criterio definitorio restrittivo comporta infatti la perdita del patrimonio informativo relativo alle osservazioni escluse. Tali informazioni, tuttavia, possono assumere una notevole rilevanza, a causa della elevata frammentarietà del tessuto produttivo nazionale: l'esclusione delle micro-aziende dal campo di osservazione comporta una caduta significativa sia in termini di numerosità aziendale che di superficie agricola stimata. Ad esempio i dati del censimento 2000 mostrano che le aziende con SAU inferiore ad un ettaro sono 1.163.793 (pari a circa il 45% del totale) con un grado di copertura pari appena al 4,8% della superficie totale e al 3,9% della SAU complessivamente rilevata.
L'incidenza complessiva delle micro-aziende le rende un fenomeno rilevante sia ai fini sociali che delle politiche agrarie. La perdita di tale patrimonio informativo conseguente alla contrazione del campo di osservazione si traduce in un quadro distorto della realtà territoriale, non pienamente in grado di fornire un informazione corretta ai decisori pubblici e – più in generale – ai fruitori delle statistiche. La possibilità di utilizzare tecniche di inferenza statistica per la descrizione delle aziende non censite diviene quindi un prerequisito indispensabile per l'adozione di criteri definitori alternativi.
Definizione dell'azienda agraria ai fini statistici. Una delle determinanti più significative del costo del censimento è stato l'elevato numero di aziende rilevate. Nel 2000, sono state censite circa 2,6 milioni di aziende, molte delle quali di modeste dimensioni economiche. Il fenomeno è oggetto di dibattito in sede Eurostat, dove sono stati definiti i criteri di rilevanza statistica. L'applicazione diretta di tale definizione all'universo italiano comporterebbe l'esclusione di circa un 1.100.000 aziende dal campo di osservazione. Il conseguente rilevante risparmio economico trova una contropartita nella esclusione di un patrimonio aziendale numericamente rilevante in particolare nelle regioni meridionali. La valutazione della perdita informativa, l'individuazione di criteri alternativi e di eventuali strumenti di monitoraggio costituisce un'area di interesse.
In particolare, la ricerca intende misurare e confrontare la distorsione del dato censuario e delle stime campionarie derivante dalla restrizione del campo di osservazione indotta dalle diverse definizioni di azienda agraria. L'adozione di una nuova (e necessariamente più restrittiva) definizione di azienda comporta un effetto diretto sul dato complessivo relativo all'universo ed un effetto indiretto attraverso la ridefinizione dei criteri di stratificazione dei campioni e del sistema di pesi per il riporto all'universo. Una attendibile valutazione dei costi e dei benefici di ciascuna definizione postula un'attenta misurazione di entrambi gli effetti.
La metodologia di analisi prevede l'impiego dei microdati aziendali raccolti con il V censimento generale dell'agricoltura. La prima fase del lavoro consiste nell'individuazione di un insieme di possibili definizioni di azienda agraria sulla base sia dei criteri adottati nelle diverse sedi statistiche (Eurostat, rete RICA, USDA, FAO ecc.) che di criteri innovativi (ad esempio classificazione tipologica, ecc.).
Successivamente si procederà alla stima dell'effetto diretto sui dati censuari attraverso il ricalcolo dei valori totali delle principali varabili relative ai diversi campi di osservazione (ovvero alle diverse definizioni di azienda). In tal modo è possibile stimare l'impatto dei criteri definitori sui valori aggregati nazionali. Di seguito si effettuerà una simulazione di analisi campionarie finalizzate sulla base delle diverse definizioni di azienda e di diverse tecniche di campionamento. In tal modo è possibile confrontare la variazione nell'errore statistico indotta dai diversi criteri di definizione. Lo studio verrà condotto attraverso una simulazione con metodo Montecarlo al fine di ottenere la distribuzione empirica di ciascun errore statistico.
A conclusione di questa fase i diversi criteri di classificazione verranno confrontati sulla base della riduzione attesa di costo e della misurazione della distorsione informativa indotta.
In sintesi, il programma di ricerca si articola in quattro fasi principali:
1. Analisi preliminare
2. Elaborazione metodologica
3. Valutazione empirica
4. Proposte Conclusive
Analisi preliminare. La prima fase del programma di lavoro consiste in un'attività di ricognizione della letteratura in tema di definizione dell'azienda agraria e – contestualmente – nella preparazione del dataset per l'analisi empirica. L'analisi dei temi economico-agrari relativi alla nozione di azienda agraria consentirà di individuare gli elementi chiave e le variabili che possono definire l'azienda agraria. L'evoluzione della letteratura fornisce infatti una insostituibile linea guida per circoscrivere i parametri definitori all'interno di un insieme limitato di variabili. All'analisi della dottrina economico-agraria si affianca nella prima fase, una rielaborazione del dato statistico volta alla costituzione di un dataset immediatamente utilizzabile per le future elaborazioni. Simultaneamente verrà condotta un'analisi delle fonti statistiche alternative, quali – ad esempio - i dati amministrativi, i censimenti dell'industria e della popolazione e le indagini campionarie. Da tali fonti sarà possibile derivare il vettore delle informazioni ausiliare utilizzato per coadiuvare la stima dei dati esclusi dal campo di osservazione. Al termine della fase di analisi preliminare, l'Unità Operativa sarà in grado di predisporre l'analisi empirica per la valutazione dei criteri di classificazione.
Elaborazione metodologica. In questa fase, l'Unità Operativa procederà a quattro compiti fondamentali: l'individuazione della distribuzione delle variabili obiettivo per la popolazione di riferimento, l'individuazione del vettore delle variabili ausiliarie sia per la popolazione di riferimento che per le osservazione escluse dal campo di rilevazione, l'adozione di un criterio obiettivo per la valutazione della definizione di azienda agraria e la definizione di un algoritmo per l'ottimizzazione del taglio della distribuzione.
In sintesi:
a) Il programma dell'unità di ricerca affronterà le questioni riguardanti la mancata osservazione delle unità statistiche descritte attraverso l'utilizzo di stimatori per regressione, con l'ausilio di informazioni ausiliarie desumibili dalle indagini effettuate. In particolare verranno utilizzati stimatori per regressione generalizzati.
b) Una corretta specificazione dei vettori di informazioni ausiliarie per ogni variabile d'indagine di tipo strutturale relativa alle classi tipologiche escluse o parzialmente incluse nel disegno censuario o campionari, verrà utilizzata come base di partenza per un procedimento di ottimizzazione dei valori soglia relativi a quelle variabili che permettono di includere nella rilevazione solo determinate aziende. In particolare verranno utilizzati algoritmi di ottimizzazione globale con funzioni obiettivo riguardanti le stime delle variabili strutturali provenienti dagli stimatori definiti al punto a).
c) Tali vettori di informazioni saranno poi utilizzati ai fini della pianificazione di un disegno campionario di allocazione ottima multivariata orientata ad ottenere informazioni sulla lista non indagata precedentemente, modello di allocazione modificato in ragione della presenza di stimatori per regressione. Tale modello utilizzerà l'algoritmo di allocazione di Bethel-Chromy.
d) Infine, verrà applicato un modello logistico generale misto che, a partire dai vettori di informazioni ausiliarie citati, fornirà una stima dell'appartenenza di tipologie aziendali ricadenti nella lista delle aziende escluse dalla lista di rilevazione a livello di piccole aree, affiancando così le informazioni provenienti da stime per piccole aree desumibili dai modelli classici per variabili quantitative continue. Le caratteristiche del modello verranno specificate sulla base di stime ottenute con metodi Markov Chain Monte-Carlo.
Valutazione empirica. In questa fase, si procederà all'utilizzo dei dati censuari e delle fonti integrative per la valutazione empirica delle diverse proposte di classificazione dell'azienda agraria. In particolare verranno valutate sia la distorsione delle stime totali che la capacità predittiva del nuovo campo di osservazione ai fini dell'inferenza sulle stime relative alle aziende escluse. L'analisi porrà a confronto i criteri classificatori proposti in letteratura con il valore ottimale individuato attraverso l'applicazione dell'algoritmo di ottimizzazione identificato nella fase di elaborazione metodologica.
Proposte conclusive. L'ultima fase del progetto prevede la valutazione dei costi e dei benefici dei diversi criteri di classificazione. Attraverso l'applicazione dei coefficienti di costo standard di rilevazione per le aziende sarà possibile valutare il costo sia dei futuri censimenti che delle indagini campionarie secondo i vari approcci. Inoltre, sulla base dei risultati delle fasi precedenti sarà possibile comparare il risparmio economico con la valenza informativa. I risultati verranno esposti attraverso il confronto fra i due criteri alternativi di valutazione di massimizzazione della valenza informativa con vincolo di costo e di minimizzazione del costo con vincolo di rappresentatività informativa.
