Le famiglie milanesi sono quelle che destinano la quota più elevata delle loro entrate per l’affitto: il 43% stando all’Ufficio Studi di idealista, che ha incrociato i dati relativi al reddito netto degli italiani stimato a livello cittadino, con i prezzi delle locazioni del primo trimestre 2020 per calcolare il "tasso di sforzo" per affittare un appartamento nei principali centri del nostro Paese.
Significa che ben oltre il 33% delle proprie entrate devono esser destinate a pagare un affitto. Supererebbero la regola generale di non destinare più di un terzo del reddito per pagare l'affitto soltanto altre 5 città capoluogo: Vicenza (40%), Como (37%), Prato e Carbonia (entrambe al 36%), mentre Firenze e Oristano si fermano sulla soglia del 33 per cento.
Quanto pesa, in termini di sforzo salariale, l’affitto di un’abitazione nel resto d’Italia?
In 20 città l’impegno economico destinato alla locazione è compreso in uno stretto intervallo di soli 2 punti percentuali, dal 32% di Ferrara e Siracusa al 30% di città come Roma, Bologna, Bergamo, Padova e Trieste per citare le città più grandi.
Nel restante 75% dei capoluoghi - praticamente in 3 centri italiani su 4 – lo sforzo economico delle famiglie destinato all’affitto è inferiore al 30 per cento. Scorrendo la graduatoria verso il basso troviamo Napoli, Bari (entrambe al 28%), Torino, Genova (con il 27% dello sforzo), quindi Verona (25%) e Palermo dove il rapporto canone-reddito raggiunge un’incidenza inferiore a quarto delle entrate familiari (24%).
Le città dove l’affitto incide meno sulle entrate delle famiglie sono Aosta, Caserta e Catanzaro: solo il 20% del loro reddito.
*Metodologia
Il nostro calcolo del tasso di sforzo è basato sul costo per l’affitto e le nostre stime sul reddito familiare netto.
Lo sforzo per l’affitto è calcolato come:
Tasso di sforzo = Prezzo medio di affitto annuale / Reddito familiare netto annuale.
Per il calcolo del prezzo di locazione è stato calcolato il valore mediano fornito dal database di idealista in ciascuna delle città capoluogo analizzate.
Per quanto riguarda il reddito familiare netto, non essendoci dati pubblici aggiornati, utilizziamo i nostri modelli di machine learning generati basati dui dati ISTAT che combinano informazioni di diverse metriche socioeconomiche provenienti da diverse fonti (pubbliche e di idealista). I nostri modelli di apprendimento automatico sono principalmente di tipo random forest e con gradient boosting (CatBoost), i quali si formano con dati di acceso pubblico (ISTAT, link).
Dato che le metriche presentano differenze in termine di campione o definizione, manteniamo la coerenza tra misure utilizzando modelli satellitari: un modello che stima la dimensione media della famiglia in termini di numero membri, a partire dal numero medio di stanze in una determinata zona. Ciò ci permette di trasformare il valore del reddito per dichiarazione (persona fisica) a valore del reddito per famiglia. Una volta formati i modelli, si applica l’interferenza per poter stimare i livelli di reddito per famiglia estesi su altre segmentazioni o zone. I nostri modelli ci permettono di ottenere una stima affidabile del livello di reddito con relativa velocità (frequenza trimestrale e senza alcun ritardo) e con un alto livello di disaggregazione territoriale, ottenendo stime per ogni quartiere, in qualsiasi città d’Italia.
Verifichiamo e perfezioniamo periodicamente nostri modelli affinché mantengano sempre un alto livello di precisione ed affidabilità.
per commentare devi effettuare il login con il tuo account