Dati geolocalizzati da social media e distribuzione spaziale della popolazione

This thesis work analyzes the spatial distribution of geolocated tweets in Italy, using ArcGIS Pro software, with the aim of observing possible changes in travel habits induced by the COVID-19 pandemic. The analysis was conducted considering five major Italian cities-Milan, Rome, Naples, Bologna, and Turin-and covering a time span that includes the months of March and April from 2018 to 2022. This interval allows comparison of the pre-pandemic period with the pandemic and post-pandemic period, highlighting the impact of restrictions on mobility and the introduction of smart working. After a pre-processing phase to correct for placement anomalies and filter out relevant data, geospatial tools were used to analyze the density and dispersion of tweets. Kernel density maps were used for density analyses, while the Getis-Ord Gi* index was used to identify hotspots. Techniques such as Standard Distance allowed for the study of the distribution and dispersion of hotspots over time, while scatter plots allowed for the comparison of density maps, highlighting the evolution of mobility patterns over the years. The results show a spatial redistribution of data during the pandemic, with a decrease in concentration in major urban centers and a greater spread in suburban areas. These changes can be thought to be attributable to health measures taken and new social and work habits, such as smart working. This thesis highlights how geolocated social media data can be an effective tool for analyzing variations in habits that impact spatial distribution in response to global events.

Il presente lavoro di tesi analizza la distribuzione spaziale dei tweet geolocalizzati in Italia, utilizzando il software ArcGIS Pro, con l’obiettivo di osservare eventuali cambiamenti nelle abitudini di spostamento indotte dalla pandemia di COVID-19. L’analisi è stata condotta considerando cinque città italiane principali – Milano, Roma, Napoli, Bologna e Torino – e coprendo un arco temporale che include i mesi di marzo e aprile dal 2018 al 2022. Questo intervallo consente di confrontare il periodo pre-pandemico con quello pandemico e post-pandemico, evidenziando l’impatto delle restrizioni sulla mobilità e l’introduzione dello smart working. Dopo una fase di pre-processamento per correggere anomalie di posizionamento e filtrare i dati rilevanti, sono stati utilizzati strumenti geospaziali per analizzare la densità e la dispersione dei tweet. Per le analisi della densità sono state impiegate mappe di densità di kernel, mentre l’indice di Getis-Ord Gi* è stato utilizzato per identificare gli hotspot. Tecniche come lo Standard Distance hanno permesso di studiare la distribuzione e la dispersione degli hotspot nel tempo, mentre gli scatter plot hanno consentito il confronto delle mappe di densità, evidenziando l’evoluzione dei modelli di mobilità negli anni. I risultati mostrano una redistribuzione spaziale dei dati durante la pandemia, con una diminuzione della concentrazione nei centri urbani principali e una maggiore diffusione nelle aree periferiche. Questi cambiamenti si può pensare che siano attribuibili alle misure sanitarie adottate e alle nuove abitudini sociali e lavorative, come lo smart working. La tesi evidenzia come i dati geolocalizzati dei social media possano rappresentare uno strumento efficace per analizzare variazioni delle abitudini che hanno un impatto sulla distribuzione spaziale in risposta a eventi di portata globale.