Francesco Finazzi – Università degli Studi di Bergamo
Alessandro Fassò – Università degli Studi di Bergamo
La pandemia innescata dal virus SARS-CoV-2 ha obbligato i governi di molti stati ad introdurre misure di distanziamento sociale che si sono tradotte in limitazioni alla mobilità personale mai adottate prima in tempo di pace. In assenza di un vaccino o cure efficaci, limitare l’interazione tra individui è infatti uno dei pochi strumenti per contrastare l’epidemia e per progettare un rientro alla normalità
In Italia, i Decreti del Presidente del Consiglio dei Ministri (DPCM) emanati dal 9 marzo 2020 in poi hanno introdotto misure via via più stringenti che hanno raggiunto il culmine con la chiusura delle realtà produttive non essenziali. D’altra parte, le deroghe previste dai DPCM consentono ai cittadini di muoversi dal domicilio per motivi di emergenza, di sussistenza alimentare e di lavoro nei settori essenziali.
Nell’ambito di una società complessa e di tessuti urbani caratterizzati da un’alta densità abitativa, valutare l’impatto delle deroghe di cui sopra risulta un compito difficile. È infatti difficile stimare il numero esatto di persone che necessitano muoversi, valutare la distanza che percorrono e la loro eventuale interazione con altri individui.
Durante il periodo di massima crescita di contagi e ospedalizzazioni (in particolare nella regione Lombardia), l’effettivo rispetto delle misure di limitazione della mobilità è stato valutato grazie alla tecnologia della telefonia cellulare. La rete cellulare è infatti composta da antenne distribuite geograficamente. Spostandosi nello spazio, il telefono cellulare “aggancia” antenne diverse consentendo agli operatori telefonici di capire quali smartphone si sono spostasti più di 300/500 metri dalla loro posizione originaria.
In questo lavoro, presentiamo risultati sulla mobilità che derivano dall’analisi di dati raccolti grazie alla tecnologia delle applicazioni smartphone (app). Sebbene, nella lingua italiana, “cellulare” e “smartphone” vengano spesso usati come sinonimi, i due termini hanno significati ben diversi. Senza entrare nei dettagli, la telefonia cellulare consente di effettuare chiamate telefoniche (e l’utilizzo di Internet) in modalità wireless tramite onde radio. La tecnologia smartphone riguarda invece il tipo di sistema operativo installato sul telefono cellulare e la possibilità di utilizzare applicazioni software sviluppate per quel sistema operativo.
Per poter fornire il servizio rispetto al quale sono state pensate e sviluppate, molte app rilevano periodicamente la posizione geografica dello smartphone stesso. La rilevazione della posizione è possibile grazie alla tecnologia della telefonia cellulare ma anche alla tecnologia Wi-Fi ed alla tecnologia GPS. Se l’app è sufficientemente diffusa a livello nazionale o globale, è possibile disporre di un data set sugli spostamenti degli smartphone per un campione della popolazione. Supponendo che lo smartphone sia sempre in compagnia del suo proprietario, è quindi possibile studiare la mobilità di quel campione di persone.
L’app considerata in questo lavoro è “Rilevatore Terremoto” del progetto “Earthquake Network” già discusso su questa rivista (Finazzi, 2017). Il progetto, a partecipazione volontaria, implementa una rete globale per il monitoraggio sismico in tempo reale e consente ai partecipanti di ricevere sul proprio smartphone allerte in caso di sisma.
Al fine di attuare il rilevamento in tempo reale ed al fine di allertare prima gli utenti più vicini all’epicentro, l’app rileva la posizione dello smartphone ogni circa 30 minuti. La posizione è inviata in modo anonimo al server di elaborazione che si occupa di identificare l’evento sismico grazie ad un approccio statistico (Finazzi and Fassò, 2017). Sebbene il dato sia anonimo, ogni utente ha ad esso associato un identificativo univoco. Nell’arco delle 24 ore è quindi possibile tracciare gli spostamenti di ogni singolo smartphone/utente. Il tutto avviene nel rispetto della privacy e del “Regolamento generale sulla protezione dei dati” (GDPR) consentendo all’utente di eliminare dal server i propri dati nel caso lo stesso ne faccia richiesta.
L’analisi dati ha riguardato un campione di circa 20 mila utenti italiani con l’app installata ed osservati lungo il periodo 10-30 marzo 2020. Per ogni utente è stata analizzata la traiettoria giornaliera in modo da valutare la distanza media percorsa giornalmente dagli utenti e la percentuale di utenti che non si sono spostati nell’arco delle 24 ore. Il compito è stato reso più difficile dal fatto che la posizione è affetta da incertezza (da pochi metri a qualche chilometro) e dal fatto che lo smartphone può essere soggetto a spostamenti “fantasma”, dovuti all’aumento dell’incertezza sulla posizione piuttosto che ad un reale spostamento dello smartphone. In questo caso, tecniche quali il filtro di Kalman consentono di stimare una traiettoria fedele alla vera traiettoria percorsa dallo smartphone.
Figura 1 mostra gli andamenti inerenti distanza media e percentuale di utenti “#iorestoacasa” nel periodo sopra indicato. Gli intervalli di confidenza sono ottenuti con tecnica bootstrap e la loro ampiezza è anche funzione del numero di utenti attivi nel giorno specifico. Infatti, il singolo utente contribuisce al dato giornaliero solamente se lo smartphone ha inviato un numero sufficiente di rilevazioni della posizione. In media, circa 9 mila utenti compongono la statistica giornaliera. In Figura 1, si noti il trend iniziato il 10 marzo e stabilizzatosi domenica 22. Il dato di lunedì 30 marzo suggerisce che, stando alle deroghe attuali, difficilmente si assisterà ad un’ulteriore crescita nella percentuale di persone che restano a casa ed una diminuzione della distanza media.
![Figure 1: Mobilità in Italia stimata tramite i dati del progetto Earthquake Network. La spezzata in arancione rappresenta la percentuale degli utenti che non si sono spostati nell’arco delle 24 ore. La spezzata azzurra rappresenta la distanza media giornaliera in km. Intervalli di confidenza ottenuti tramite tecnica bootstrap. Sull’asse delle ascisse, in rosso i giorni sabato e domenica.](http://www.rivista.sis-statistica.org/cms/wp-content/uploads/2020/04/Figura1-2.png)
Figura 1: Mobilità in Italia stimata tramite i dati del progetto Earthquake Network. La spezzata in arancione rappresenta la percentuale degli utenti che non si sono spostati nell’arco delle 24 ore. La spezzata azzurra rappresenta la distanza media giornaliera in km. Intervalli di confidenza ottenuti tramite tecnica bootstrap. Sull’asse delle ascisse, in rosso i giorni sabato e domenica.
Figura 2 mostra invece la distribuzione geografica a livello regionale della percentuale di utenti “#iorestoacasa” valutata su tre mercoledì di seguito. Si noti la quasi omogeneità tra le regioni.
![Figure 2: Percentuale di utenti “#iorestoacasa” valutata su tre mercoledì di seguito. In bianco le regioni con un numero non sufficiente di utenti per ottenere una stima attendibile.](http://www.rivista.sis-statistica.org/cms/wp-content/uploads/2020/04/Figura2-2.png)
Figura 2: Percentuale di utenti “#iorestoacasa” valutata su tre mercoledì di seguito. In bianco le regioni con un numero non sufficiente di utenti per ottenere una stima attendibile.
Nel caso la pandemia perdurasse o si presentasse ciclicamente, è verosimile dovranno essere adottate misure di monitoraggio su larga scala della popolazione e del rischio di contagio. In questo contesto, sarà utile disporre della metodologia statistica utile a modellare la mobilità degli individui a livello personale e l’interazione tra di essi, così come disporre di app dedicate per la ricezione di allerte in caso di aumento del rischio.
Ulteriori analisi della mobilità italiana ed estera sono consultabili alla pagina Facebook Covid-19&Mobility.
Riferimenti bibliografici
- Finazzi F (2017) Earthquake Network: un progetto di citizen science per la rilevazione di terremoti in tempo reale, Statistica e Società, anno VI, numero 1/2017.
- Finazzi F, Fassò A (2017) A statistical approach to crowdsourced smartphone-based earthquake early warning systems. Stochastic Environmental Research and Risk Assessment; 31: 1649-1658.
![Share on Facebook Facebook](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/facebook.png)
![Share on Twitter twitter](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/twitter.png)
![Share on Linkedin linkedin](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/linkedin.png)
![Share by email mail](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/mail.png)