Meno giovani, meno donne, meno Sud: la nuova geografia demografica italiana

Sintesi

Tra il 1° gennaio 2019 e il 1° gennaio 2026 la popolazione residente in Italia scende da 59.816.673 a 58.942.828 persone: −873.845, pari a −1,46% (−0,21% medio annuo). Il calo è tre volte più forte tra le donne (−663.285, −2,16%) che tra gli uomini (−210.560, −0,72%).

• Invecchiamento. I ragazzi fino a 14 anni diminuiscono di oltre un milione (−13,0%), la popolazione in età lavorativa (15–64 anni) di quasi un milione (−2,6%), mentre gli over 65 crescono di 1,13 milioni (+8,2%). L’indice di vecchiaia passa da 174 a 216 anziani ogni 100 giovani.
• Divario territoriale. Il Nord resta quasi stabile (Nord-Ovest −0,27%, Nord-Est −0,08%); Sud (−3,27%) e Isole (−3,08%) perdono insieme 652.000 residenti, il 75% del calo nazionale. Crescono solo tre regioni: Trentino-Alto Adige (+1,56%), Lombardia (+0,55%) ed Emilia-Romagna (+0,39%).
• Province. Solo 25 province su 107 crescono nel totale; tra gli uomini sono 38, tra le donne appena 11. In testa Ragusa (+2,4%), Bolzano (+2,2%) e Lodi (+2,0%); in coda Isernia (−6,9%), Potenza (−6,9%) ed Enna (−6,7%).
• Econometria. Le province più grandi crescono di più: la legge di Gibrat (crescita indipendente dalla dimensione) è respinta, con +0,78 punti di crescita per ogni raddoppio della popolazione iniziale. Il vantaggio dimensionale però scompare a parità di struttura per età e sociale del 2019: pesano la quota di anziani (negativa), la quota di giovani e i divorzi (positive). A parità di struttura resta comunque una penalità di circa 1,7–1,8 punti per Sud e Isole.
• Machine learning. Un random forest validato con 10-fold cross-validation spiega il 68% della varianza fuori campione (RMSE 1,28 punti contro 2,25 del modello naïve), meglio dei modelli lineari (62–64%). Il clustering k-means distingue quattro Italie demografiche, tra cui un gruppo di 12 aree interne in calo di oltre il 5%.
• Prospettiva. Se i ritmi provinciali 2019–2026 proseguissero, nel 2030 l’Italia avrebbe circa 58,46 milioni di residenti (−483.000 rispetto al 2026).

1. Dati e metodo

L’analisi confronta maschi, femmine e totale dei residenti nelle 107 province italiane al 1° gennaio 2019 e al 1° gennaio 2026, con la struttura per età e per stato civile. Tutti i dati vengono da ISTAT, piattaforma demo.istat.it, “Popolazione residente per sesso, età e stato civile”.

Fonti e controlli di coerenza

I PDF del 2019 forniti riportano solo la popolazione maschile per stato civile. Femmine e totale 2019 sono stati quindi presi dal file CSV ufficiale per provincia della stessa piattaforma, che li contiene.

Metodo

1. Analisi descrittiva per sesso, classi di età, ripartizione, regione e provincia.
2. Econometria su sezione trasversale (N = 107): test della legge di Gibrat, regressioni OLS con errori standard robusti HC3, minimi quadrati ponderati (WLS) per popolazione, regressione quantilica sulla mediana, modelli separati per maschi e femmine, diagnostica (VIF, Breusch-Pagan, Jarque-Bera).
3. Machine learning: confronto in 10-fold cross-validation ripetuta 5 volte tra OLS, Ridge, random forest e gradient boosting; importanza delle variabili per permutazione fuori campione; clustering k-means e analisi delle componenti principali.
4. Scenario 2030 per estrapolazione dei tassi provinciali.

La variabile dipendente principale è la variazione percentuale della popolazione totale; la stessa formula vale per maschi (gᴹ) e femmine (gᶠ):

g_i = 100 \left( \frac{P_{i,2026}}{P_{i,2019}} – 1 \right)

I predittori sono misurati nel 2019, prima del periodo osservato, così da escludere la causalità inversa: logaritmo della popolazione, quota di over 65 e di under 15, quota di divorziati (maschi e femmine), unioni civili ogni 10.000 residenti, rapporto di mascolinità.

2. Il quadro nazionale: meno donne, meno giovani, più anziani

In sette anni l’Italia ha perso 873.845 residenti (−1,46%), quanto l’intera popolazione della provincia di Monza e Brianza. Tre quarti della perdita riguardano le donne.

Il calo più forte delle donne fa salire il rapporto di mascolinità da 94,9 a 96,3. Due fattori lo spiegano in modo plausibile: l’eccesso di mortalità del 2020–2022 tra i grandi anziani, in maggioranza donne, e flussi migratori in entrata a prevalenza maschile. Una parte può dipendere anche dalle revisioni anagrafiche tra il dato censuario 2019 e quello provvisorio 2026.

La struttura per età

Elaborazione su dati ISTAT demo.istat.it, residenti al 1° gennaio 2019 e 2026

Il saldo totale nasconde una ricomposizione molto più ampia: oltre due milioni di residenti in meno sotto i 65 anni e 1,13 milioni in più sopra.

L’indice di vecchiaia (over 65 ogni 100 under 15) sale da 174 a 216. Il crollo degli under 15 riflette la denatalità: le coorti nate negli ultimi anni sono molto meno numerose di quelle che escono dalla classe. È il dato con le conseguenze economiche più durature, perché anticipa la riduzione della forza lavoro dei prossimi decenni.

3. Ripartizioni e regioni: il Mezzogiorno perde il 3%

Sud e Isole perdono 651.989 residenti, il 75% del calo nazionale, mentre il Nord resta quasi fermo. In tutte e cinque le ripartizioni le donne diminuiscono più degli uomini; nel Nord gli uomini addirittura crescono.

La quota del Nord sul totale nazionale sale dal 46,2% al 46,8%, quella del Mezzogiorno scende dal 34,0% al 33,4%.

Struttura per età per ripartizione

Il Mezzogiorno partiva più giovane, ma è lì che la popolazione in età lavorativa cala di più: −5,8% al Sud e −6,1% nelle Isole, contro una sostanziale stabilità al Nord. Gli over 65 crescono soprattutto nel Mezzogiorno (+11%), dove l’invecchiamento sta recuperando rapidamente il ritardo.

Le regioni

Elaborazione su dati ISTAT demo.istat.it, 20 regioni; linea tratteggiata = media Italia

Crescono solo Trentino-Alto Adige, Lombardia ed Emilia-Romagna, grazie agli uomini: in Lombardia ed Emilia-Romagna le donne calano. In Liguria e Toscana gli uomini sono stabili ma le donne perdono oltre il 2%, segno di popolazioni molto anziane in cui i decessi colpiscono soprattutto donne. Nel Mezzogiorno il divario tra i sessi si riduce: in Sardegna e Calabria uomini e donne calano quasi allo stesso ritmo, perché l’emigrazione giovanile riguarda entrambi. Molise e Basilicata perdono quasi il 6% dei residenti in sette anni.

4. Le province: dove si cresce e dove ci si svuota

Solo 25 province su 107 hanno più residenti nel 2026 che nel 2019. Le dieci che crescono di più sono tutte al Centro-Nord tranne Ragusa; le dieci che calano di più sono tutte nel Mezzogiorno e quasi tutte aree interne.

Nelle province in crescita l’aumento è quasi tutto maschile: a Ragusa, Prato e Lodi gli uomini crescono di oltre il 3%, le donne meno dell’1%. È il segno di un’immigrazione da lavoro a prevalenza maschile, legata ad agricoltura intensiva (Ragusa), tessile (Prato) e logistica (Lodi).

Le grandi città metropolitane

Napoli da sola perde 93.347 residenti, oltre un decimo del calo italiano. Tra le grandi aree solo Milano e Bologna crescono. La crescita del Nord, quindi, è trainata più dalle province manifatturiere di media dimensione (Brescia, Bergamo, Monza) che dai capoluoghi metropolitani.

Il divario tra uomini e donne

In 104 province su 107 le donne calano più degli uomini; fanno eccezione solo Crotone, Cagliari e Barletta-Andria-Trani. In media la crescita maschile supera quella femminile di 1,6 punti. Le due dinamiche sono comunque fortemente legate (correlazione 0,94): dove cala la popolazione calano entrambi i sessi. Il divario è massimo dove c’è immigrazione maschile (Ragusa 3,7 punti, Prato 3,0) o una popolazione femminile molto anziana (Rovigo 3,3, La Spezia 3,1, Genova 3,0).

5. Analisi econometrica

Le province più grandi crescono di più, contro la legge di Gibrat. Il vantaggio però scompare a parità di struttura demografica e sociale del 2019: conta meno quanto è grande una provincia e più quanto è giovane e moderna. Anche a parità di struttura, Sud e Isole crescono circa 1,7–1,8 punti meno del Nord-Ovest.

5.1 Legge di Gibrat

La legge di Gibrat prevede un tasso di crescita indipendente dalla dimensione iniziale. Si verifica con la regressione:

g_i = \alpha + \beta \ln P_{i,2019} + \varepsilon_i \qquad H_0: \beta = 0

Con β > 0 le province grandi si allontanano dalle piccole (divergenza), con β < 0 si avvicinano (convergenza).

Elaborazione su dati ISTAT demo.istat.it, 107 province; retta OLS stimata sui punti

La stima è β = 1,12 (errore standard robusto 0,29; p < 0,001): l’ipotesi di Gibrat è respinta. Raddoppiare la popolazione iniziale si associa a circa +0,78 punti di crescita in sette anni. La dimensione da sola spiega però poco (R² = 0,13); il grafico mostra che a parità di dimensione le province del Mezzogiorno stanno quasi sempre sotto la retta.

5.2 Determinanti strutturali

Il modello completo aggiunge indicatori misurati nel 2019:

g_i = \alpha + \beta \ln P_{i} + \gamma_1 \mathrm{Over65}_i + \gamma_2 \mathrm{Under15}_i + \gamma_3 \mathrm{Div}_i + \gamma_4 \mathrm{UC}_i + \sum_k \delta_k D_{ik} + \varepsilon_i

Over65 e Under15 sono quote % sulla popolazione; Div è la quota % di divorziati e divorziate; UC sono le unioni civili ogni 10.000 residenti; D sono le dummy di ripartizione (base: Nord-Ovest). Errori standard robusti HC3 tra parentesi; *** p < 0,01, ** p < 0,05, * p < 0,10.

La colonna (5) pondera le osservazioni per la popolazione 2019; la (6) stima la mediana condizionata con regressione quantilica, robusta ai valori estremi.

5.3 Maschi e femmine a confronto

Stimando il modello completo separatamente per sesso, la struttura dei risultati è la stessa ma con pesi diversi.

L’invecchiamento frena soprattutto la popolazione femminile: le donne sono la maggioranza tra i grandi anziani, e dove gli anziani pesano di più i decessi riducono soprattutto la componente femminile. La penalità del Mezzogiorno è invece più forte per gli uomini, coerente con un’emigrazione verso il Centro-Nord e l’estero più marcata tra i giovani maschi.

5.4 Lettura dei risultati

• Invecchiamento. A parità di altre condizioni, un punto in più di over 65 nel 2019 vale circa 0,4 punti di crescita in meno. Il passaggio da una provincia giovane a una anziana (±1 deviazione standard, 2,4 punti di quota) vale circa 1 punto di crescita.
• Giovani. Senza le dummy territoriali la quota di under 15 è il predittore positivo più forte (+1 punto di crescita per ogni punto di quota): province giovani hanno più nascite e meno decessi.
• Modernizzazione. La quota di divorziati, indicatore di urbanizzazione e di modelli familiari più recenti, è positiva e significativa in tutte le specificazioni.
• La dimensione è un intermediario. L’effetto Gibrat scompare nelle colonne (3)–(6): le grandi province crescevano di più perché più giovani e moderne. Ponderando per la popolazione (WLS) diventa anzi lievemente negativo.
• Il divario Nord-Sud resta. La penalità territoriale di circa 1,7–2,0 punti non è spiegata dalla struttura per età: rimanda a reddito, occupazione ed emigrazione.

5.5 Diagnostica

I VIF sono tra 1,8 e 3,4 per dimensione, divorzi e unioni civili, ma salgono a 5,9 per la quota di under 15 e a 9,6 per quella di over 65: le due quote sono fortemente correlate e i loro coefficienti singoli vanno letti con prudenza. Il test di Breusch-Pagan (p = 0,004) indica eteroschedasticità, gestita con errori robusti HC3. I residui non sono normali (Jarque-Bera, p < 0,001) per casi estremi come Ragusa: la regressione sulla mediana, robusta agli outlier, conferma i risultati principali. Con 107 osservazioni di sezione trasversale le stime sono associazioni condizionate, non effetti causali.

6. Machine learning

Il random forest è il modello più accurato: spiega il 68% della varianza della crescita fuori campione, contro il 62–64% dei modelli lineari. Il guadagno è reale ma contenuto: con 107 province la relazione è in buona parte lineare.

6.1 Confronto predittivo

Ogni modello è valutato con 10-fold cross-validation ripetuta 5 volte (50 stime fuori campione). Gli input sono gli indicatori 2019 del modello econometrico, più quota di over 80, quota di celibi e nubili e rapporto maschi/femmine. L’errore è in punti percentuali di crescita della popolazione totale.

Il random forest riduce l’errore del 43% rispetto al benchmark naïve.

6.2 Quali variabili contano

L’importanza per permutazione misura quanto peggiora la previsione fuori campione quando i valori di una variabile vengono rimescolati a caso. Le dummy di ripartizione sono permutate insieme come blocco unico.

Elaborazione su dati ISTAT; permutation importance fuori campione, 10-fold × 5 ripetizioni, 5 permutazioni per fold

Due indicatori portano quasi tutta l’informazione. Le unioni civili per 10.000 residenti funzionano da indicatore sintetico di urbanità e modernizzazione e separano quasi perfettamente Centro-Nord e Mezzogiorno: per questo la ripartizione, una volta noto questo indicatore, non aggiunge nulla. La quota di under 15 cattura il potenziale naturale della popolazione.

Gli effetti parziali (partial dependence) mostrano relazioni non lineari che la regressione non coglie:

• Effetto soglia delle unioni civili. Passare da 0,3 a 1,6 unioni ogni 10.000 residenti porta la crescita prevista da −4,9% a −1,7%; oltre quel livello la curva è quasi piatta. Conta essere fuori dal gruppo delle province più tradizionali, non il livello in sé.
• Giovani. Passando dall’11,0% al 14,4% di under 15 la crescita prevista sale da −2,9% a −1,0%.

6.3 Classificazione delle province (k-means)

Su otto indicatori standardizzati (crescita totale, maschile e femminile; quote di over 65 e under 15; divorziati; unioni civili; rapporto maschi/femmine 2026) il k-means individua quattro profili. La soluzione a 4 gruppi (silhouette 0,32) è preferita a quella a 3 (0,33) perché separa le aree interne, un gruppo con caratteristiche proprie.

I profili tagliano la geografia amministrativa. Il Centro-Nord anziano ha la popolazione più vecchia d’Italia (26,5% di over 65) e perde soprattutto donne: è un declino da saldo naturale. Il Mezzogiorno in calo è invece ancora relativamente giovane (22% di over 65) ma perde residenti di entrambi i sessi: è un declino da emigrazione. Le aree interne sommano i due meccanismi, invecchiamento ed emigrazione, e perdono più del 5,5% in sette anni; includono Rieti e L’Aquila, a conferma che il fenomeno riguarda l’Appennino nel suo complesso e non solo il Sud.

Un’analisi delle componenti principali sugli stessi indicatori conferma due assi: il primo (49% della varianza) misura crescita e modernizzazione (crescita, divorzi, unioni civili); il secondo (33%) misura l’invecchiamento (più over 65, meno under 15).

7. Scenario al 2030, implicazioni economiche e conclusioni

Se ogni provincia mantenesse fino al 2030 il proprio ritmo medio annuo 2019–2026, l’Italia scenderebbe a circa 58,46 milioni di residenti: −483.000 in quattro anni (−0,82%), con 28,81 milioni di uomini e 29,65 milioni di donne. Quasi tre quarti del calo resterebbero concentrati nel Mezzogiorno.

Lo scenario è un’estrapolazione meccanica, non una previsione. Non incorpora l’invecchiamento progressivo, che tende ad accelerare il calo naturale, né cambiamenti nei flussi migratori. Per la pianificazione il riferimento restano le previsioni ufficiali ISTAT, costruite per componenti.

Implicazioni economiche

• Forza lavoro. In sette anni la popolazione 15–64 anni è scesa di quasi un milione, e oltre il 75% della perdita è nel Mezzogiorno (−5,8% al Sud, −6,1% nelle Isole). Con meno persone in età attiva, il PIL delle regioni meridionali può diminuire anche a produttività costante, e la convergenza con il Nord diventa più difficile.
• Welfare e finanza pubblica. Un milione di under 15 in meno e 1,1 milioni di over 65 in più spostano la domanda di servizi dalla scuola alla sanità e all’assistenza di lungo periodo. Aumenta anche la pressione sul sistema pensionistico, con meno contribuenti per ogni pensionato.
• Servizi locali. Le aree interne che perdono il 6–7% in sette anni devono mantenere scuole, presidi sanitari e trasporti con costi fissi su una base più piccola e più anziana. Il rischio è un circolo vizioso: chiusura dei servizi e ulteriore spopolamento.
• Mercato immobiliare. Domanda e prezzi tendono a divergere: tensione nei poli lombardi ed emiliani, eccesso di offerta e abbandono degli immobili nelle aree interne.
• Agglomerazione. Il rifiuto della legge di Gibrat indica un processo cumulativo: le aree più dense e moderne attraggono popolazione, che a sua volta ne rafforza l’attrattività. Senza politiche mirate il divario si autoalimenta.
• Immigrazione. Dove la popolazione cresce (Ragusa, Prato, Lodi, Brescia) la crescita è soprattutto maschile, segno di immigrazione da lavoro. Nell’orizzonte considerato è l’unico fattore in grado di compensare il saldo naturale negativo a livello locale.

Conclusioni

Tra il 2019 e il 2026 l’Italia ha perso 874.000 residenti (−1,46%). Il calo è stato più forte tra le donne (−2,16%) che tra gli uomini (−0,72%) e si è concentrato nel Mezzogiorno, che da solo spiega tre quarti della perdita. Sotto il saldo c’è una ricomposizione profonda: oltre due milioni di residenti in meno sotto i 65 anni e 1,1 milioni in più sopra.

L’econometria respinge la legge di Gibrat, ma il vantaggio delle province grandi dipende dalla loro struttura più giovane e moderna. L’invecchiamento frena la crescita, in particolare quella femminile; giovani e indicatori di modernizzazione la sostengono. Anche a parità di struttura, Sud e Isole crescono circa due punti meno del Nord.

Il machine learning conferma il quadro con una capacità predittiva superiore (R² fuori campione 0,68) e rivela effetti soglia che i modelli lineari non colgono. Il clustering distingue due tipi di declino: quello da invecchiamento del Centro-Nord e quello da emigrazione del Mezzogiorno, che si sommano nelle aree interne. Un passo successivo utile sarebbe scomporre la variazione in saldo naturale e migratorio con il bilancio demografico ISTAT, per passare dalle associazioni a una lettura causale.

Appendice: dati per provincia

Residenti al 1° gennaio, valori assoluti. Il profilo è il gruppo k-means della sezione 6.3; descrive il comportamento medio del gruppo, e singole province possono discostarsene (ad esempio Ragusa, classificata con il Nord dinamico per la sua crescita).

Fonti. ISTAT, demo.istat.it, “Popolazione residente per sesso, età e stato civile”: file per provincia POSAS_2019_it_Province e POSAS_2026_it_Province, e PDF “Popolazione residente al 1° gennaio 2026 per sesso” e “per età e sesso”, consultati il 9 novembre 2026 (demo.istat.it). Elaborazioni in Python (pandas, statsmodels, scikit-learn).