Il cuore vivo della rete: i gruppi tematici e le esperienze di ricerca delle diverse scuole della statistica sociale italiana — temi d’indagine, prospettive metodologiche, casi di studio.
Gruppi tematici
Per cominciare presentiamo i gruppi tematici guidati dai coordinatori della rete. Apri una scheda per leggerla. Ogni scheda segue lo stesso schema (temi e metodi; pubblicazioni, strumenti e iniziative; link), così che gli altri gruppi possano aggiungersi in modo confrontabile: per proporne uno scrivi a info [chiocciola] statisticasociale [punto] it.
Futures Studies: approcci statistici e data-driven al futuroReferente: Simone Di Zio (Università “G. d’Annunzio” di Chieti-Pescara)Il rigore della statistica negli studi sul futuro: giudizio degli esperti, scenari e decisioni pubbliche in condizioni di incertezza.Approfondisci
Il gruppo porta il rigore della statistica negli studi sul futuro: metodi per raccogliere e far convergere il giudizio degli esperti, costruire scenari e sostenere le decisioni pubbliche in condizioni di incertezza. Un tratto distintivo è la dimensione spaziale: varianti del metodo Delphi che lavorano direttamente sul territorio, per esempio per individuare dove collocare un servizio o dove un rischio è più probabile.
Temi e metodi
- Metodo Delphi e sue varianti: Spatial Delphi, Spatial Shang, Real-Time Spatial Delphi
- Costruzione di scenari e foresight basato sui dati
- Statistica spaziale e GIS per la convergenza delle opinioni sul territorio
- Supporto alle decisioni e analisi multicriterio (AHP integrato con Delphi)
- Scenari su criminalità e terrorismo, statistica criminologica e forense
Pubblicazioni, strumenti e iniziative
- Articoli metodologici su Technological Forecasting and Social Change e Futures (Spatial Delphi 2011, Spatial Shang 2014, Real-Time Spatial Delphi 2017, Delphi e AHP 2024)
- RT-GSCS, piattaforma web aperta per il Real-Time Spatial Delphi (2023)
- Future SIS Group della Società Italiana di Statistica, coordinato da Di Zio, e la Summer School SIS in Futures Studies: approcci statistici e data-driven
- Italy Node del Millennium Project, di cui Di Zio è co-chair, e la Cruise School 2027 sull’intelligenza artificiale per il cambiamento tecnologico e sociale
Per approfondire: Future SIS Group · Millennium Project – Italy Node · RT-GSCS
Science mapping e analisi quantitativa della letteratura scientificaReferente: Massimo Aria (Università di Napoli Federico II)Metodi e software per studiare la scienza con la statistica: struttura ed evoluzione dei campi di ricerca.Approfondisci
Il gruppo sviluppa metodi e software per studiare la scienza con la statistica: mappare la struttura concettuale, intellettuale e sociale di un campo di ricerca, seguirne l’evoluzione nel tempo e confrontare comunità diverse. Gli strumenti sono open source e usati da ricercatori di tutte le discipline; l’Atlante di questo sito ne è un’applicazione alla statistica sociale.
Temi e metodi
- Science mapping: analisi di co-citazione, co-occorrenza delle parole chiave e reti di collaborazione
- Evoluzione tematica dei campi di ricerca e revisioni sistematiche della letteratura su base bibliometrica
- Science mapping comparativo con l’uso dei metadati
- Raccolta di dati bibliografici da banche dati aperte (OpenAlex, Dimensions, PubMed)
- Analisi testuale e del contenuto degli articoli scientifici
Pubblicazioni, strumenti e iniziative
- bibliometrix, pacchetto R con l’interfaccia web biblioshiny (articolo di riferimento: Aria e Cuccurullo, Journal of Informetrics, 2017), oltre un milione e mezzo di download da CRAN
- Altri pacchetti R open source: openalexR, tall (Text Analysis for aLL), dimensionsR, pubmedR
- A Primer on Science Mapping Analysis with Biblioshiny (Aria e Cuccurullo, 2026)
- Summer School in Science Mapping (Napoli, ogni anno dal 2023; edizione 2027 dal 24 al 28 maggio)
- Progetto PRIN SciK-Health sulla produzione scientifica in ambito sanitario (vedi il caso studio)
Per approfondire: bibliometrix.org · Summer School in Science Mapping · codice su GitHub
Statistica per i trasporti e il turismoReferente: Massimo Aria (Università di Napoli Federico II)La statistica applicata alla mobilità e al turismo, insieme a ingegneri dei trasporti ed economisti del turismo.Approfondisci
Il gruppo applica la statistica a due settori che incidono direttamente sulla vita quotidiana e sullo sviluppo dei territori: la mobilità e il turismo. Le ricerche nascono dalla collaborazione con ingegneri dei trasporti ed economisti del turismo e uniscono dati di indagine, dati amministrativi ed esperimenti.
Temi e metodi
- Sicurezza stradale: data mining e metodi ad albero per l’analisi degli incidenti, esperimenti al simulatore di guida
- Domanda di trasporto e pianificazione: ferrovie dopo la pandemia, effetti delle nuove stazioni della metropolitana
- Fiducia dei cittadini nei trasporti e nello sviluppo turistico, con modelli a equazioni strutturali
- Comportamento di viaggio dei turisti e modelli a scelta discreta
- Competitività e governance delle destinazioni turistiche, cooperazione e reti tra imprese
Pubblicazioni, strumenti e iniziative
- Models and Applications of Tourists’ Travel Behavior (Pagliara, Aria, Mauriello, a cura di; Elsevier, 2025)
- Articoli su Tourism Management, Accident Analysis & Prevention, Transportation Research Record, Journal of Destination Marketing & Management
- Partecipazione al Centro Nazionale per la Mobilità Sostenibile (MOST, PNRR)
Per approfondire: volume Elsevier 2025 · Centro Nazionale MOST
Esperienze di ricerca
Brevi casi di studio in formato problema → metodo → risultato, per raccontare cosa fa concretamente la statistica sociale.
SciK-Health: che cosa produce la ricerca negli ospedali universitari?Caso studio · Science mappingUn dataset sui 49 centri ospedaliero-universitari pubblici italiani dal 2000 al 2024, indicatori in cinque dimensioni e due strumenti per cittadini e decisori.
Progetto PRIN 2022 (codice 2022825Y5E) · Università di Napoli Federico II e Università della Campania «Luigi Vanvitelli» · Responsabile scientifico: Massimo Aria
Il problema
Negli Academic Health Science Centres (AHSC) assistenza, didattica e ricerca convivono: sono le aziende ospedaliero-universitarie e gli istituti di ricovero e cura a carattere scientifico (IRCCS). La loro produzione scientifica dovrebbe tradursi in cure migliori, ma quanta ricerca producono, su quali temi e con quale impatto? Per rispondere servono fonti diverse rese confrontabili, e risultati leggibili da cittadini, professionisti e decisori.
Il metodo
Il progetto costruisce un dataset longitudinale sui 49 centri pubblici, dal 2000 al 2024: circa 229 mila pubblicazioni scientifiche e 15,8 mila sperimentazioni cliniche, insieme a finanziamenti competitivi, brevetti, dataset e attenzione online (fonti: OpenAlex, Dimensions, Altmetric). I centri appartengono a tre modelli organizzativi: IRCCS (23), aziende ospedaliere universitarie (17) e aziende integrate con il SSN (9). Su questa base:
- science mapping della struttura concettuale e sociale della ricerca: temi, collaborazioni, evoluzione nel tempo;
- indicatori in cinque dimensioni: bibliometrica, social e digitale, impatto industriale e innovazione, ricerca clinica, finanziamenti;
- un punteggio composito che sintetizza le cinque dimensioni;
- validazione con gli stakeholder: focus group con tre ospedali universitari, un ospedale di ricerca e un’agenzia sanitaria regionale.
Il risultato

Una web app rende interrogabili con una sola ricerca oltre 25 anni di produzione scientifica dei centri, con tre prospettive e accesso differenziato per profilo: i cittadini trovano centri, esperti e studi per patologia; i manager seguono produttività, impatto e talento dei ricercatori; i finanziatori valutano grant, brevetti, trial clinici e attenzione online. Per manager e finanziatori l’indicatore sintetico R-daisy riassume le cinque dimensioni in un profilo «a margherita». Il caso mostra come metodi nati per studiare la scienza diventino strumenti di trasparenza e di supporto alle decisioni pubbliche in sanità.
Per approfondire: sito del progetto SciK-Health
Il cane annusa le nostre emozioni?Caso studio · Disegno sperimentale e analisi multivariataUn esperimento con 40 cani mostra che l’odore della paura e quello della felicità umana cambiano il loro comportamento e il battito cardiaco.
D’Aniello, Semin, Alterisio, Aria, Scandurra, Animal Cognition, 2018 · Università di Napoli Federico II (Dipartimenti di Biologia e di Scienze Economiche e Statistiche) e ISPA – Instituto Universitário di Lisbona
Il problema
«Se hai paura, il cane se ne accorge»: lo si dice spesso, ma è vero? Quando proviamo paura o felicità il corpo rilascia segnali chimici con il sudore. La domanda era se questi segnali bastino a trasmettere un’emozione da una specie all’altra, dall’uomo al cane, e come dimostrarlo con dati invece che con aneddoti.
Il metodo
Un esperimento controllato, con le scelte tipiche di un buon disegno statistico:
- odori raccolti dal sudore di donatori che guardavano video capaci di suscitare paura o felicità, mescolando i campioni di più persone per neutralizzare le differenze individuali;
- 40 cani da compagnia (31 Labrador e 9 Golden retriever) assegnati a caso a tre condizioni: odore della paura (15), della felicità (15) e controllo senza odore (10);
- prove di due minuti in una stanza con il proprietario e un estraneo, entrambi all’oscuro della condizione («in cieco»), con videoregistrazione e cardiofrequenzimetro;
- comportamenti verso il proprietario, verso l’estraneo e segnali di stress codificati ogni 5 secondi, insieme alla frequenza cardiaca;
- analisi discriminante lineare per capire se dai dati si riconosce l’odore annusato, curve di smoothing per l’andamento nel tempo, ANOVA e test di Kruskal–Wallis per i confronti.
Il risultato
Sì, il cane «sente» le nostre emozioni. Con l’odore della paura i cani mostravano più segnali di stress e un battito cardiaco più alto; con quello della felicità cercavano meno il proprietario e si avvicinavano di più all’estraneo. L’analisi discriminante classifica correttamente l’87,5% delle osservazioni nella condizione di odore da cui provengono. La statistica è servita tre volte: per costruire bene l’esperimento, per raccogliere dati confrontabili e per misurare quanto i risultati confermano l’ipotesi.
Per approfondire: l’articolo su Animal Cognition
Come far rallentare le auto agli incroci?Caso studio · Comportamenti di guida e disegno sperimentaleCome si comportano gli automobilisti vicino a un incrocio? Al simulatore, 23 persone e dieci versioni della stessa strada: stili di guida a confronto per scegliere l’intervento più sicuro per un comune rurale.
Montella, Aria, D’Ambrosio, Galante, Mauriello, Pernetti, Accident Analysis and Prevention, 2011 · Università di Napoli Federico II (Dipartimenti di Ingegneria dei trasporti e di Matematica e statistica) e Seconda Università di Napoli
Il problema
In un comune rurale la strada principale è un lungo rettilineo e le auto arrivano agli incroci a oltre 100 km/h, con un rischio di incidenti elevato. La sicurezza stradale è prima di tutto una questione di comportamenti: la velocità la sceglie chi guida, in base a come percepisce la strada e il pericolo, e non tutti reagiscono allo stesso modo. Gli interventi «percettivi» a basso costo (segni sull’asfalto, colori, restringimenti) puntano proprio su questo: cambiare la percezione per cambiare il comportamento. L’amministrazione deve scegliere come intervenire, con un budget limitato. Quale soluzione cambia davvero il modo di guidare? E come saperlo prima di aprire il cantiere?
Il metodo
Un esperimento sul comportamento dei guidatori, condotto al simulatore di guida VERA del laboratorio TEST di Napoli (l’abitacolo di una vera auto su una piattaforma mobile, davanti a schermi che coprono 180 gradi):
- 30 automobilisti estratti a caso tra quelli che rispondevano ai criteri di selezione, bilanciati per genere ed età; 23 hanno completato la prova (gli altri hanno sofferto il malessere da simulatore);
- misure ripetute: ogni guidatore ha attraversato tutte e dieci le versioni dello stesso tratto (un rettilineo senza incrocio, due incroci senza interventi e sette con interventi), così ciascuno fa da confronto a se stesso; l’ordine era bilanciato tra i guidatori per neutralizzare l’effetto dell’abitudine;
- velocità e posizione nella corsia registrate lungo i 500 metri prima dell’incrocio: in tutto 207 profili individuali di guida;
- stili di guida: ogni profilo è stato classificato, per somiglianza con profili teorici, in uno di tre modi di avvicinarsi all’incrocio: chi accelera, chi frena tardi e in modo costante, chi frena presto e in modo graduale;
- analisi dei cluster per individuare gruppi di comportamento omogenei; analisi della varianza per dati categoriali (CATANOVA, basata sull’indice di eterogeneità di Gini) per confrontare gli stili tra le versioni; ANOVA e test t per velocità e posizione.
Il risultato
Senza interventi, un guidatore su tre accelera avvicinandosi all’incrocio (35%): è lo stile più rischioso. E più ci si avvicina, più i comportamenti si differenziano: la dispersione delle velocità tra i guidatori sale da 15 a 21 km/h. Con gli interventi percettivi lo stile di guida cambia in modo significativo: chi accelera scende al 9–22% e diventa prevalente lo stile prudente, chi frena presto e gradualmente (fino all’83% con l’isola rialzata).
I «denti di drago» (triangoli bianchi ai bordi che restringono otticamente la corsia), l’area dell’incrocio colorata e l’isola spartitraffico rialzata riducono anche la velocità di 13–23 km/h già da 250 metri prima. Le isole però, restringendo la corsia, spostano le auto di 40–60 cm verso il bordo della strada. Per il comune la scelta cade quindi sull’area dell’incrocio colorata con le bande sonore: frenata anticipata di 330 metri, velocità al centro dell’incrocio da 97 a 76 km/h, auto al centro della corsia. Un intervento a basso costo, scelto osservando come le persone guidano prima di posare un solo metro di asfalto.
Per approfondire: l’articolo su Accident Analysis and Prevention
Altri casi di studio arriveranno con i contributi della rete: per proporne uno scrivi a info [chiocciola] statisticasociale [punto] it.
