Uso delle mappe cognitive per la nascita di nuove imprese in aree rurali in condizioni di incertezza

Introduzione

Lo sviluppo di nuove attività imprenditoriali è generalmente ostacolato da diversi tipi di incertezza come la mancanza di informazione e di esperienza relativa alle soluzioni tecnologiche, alle dinamiche di mercato e ai vincoli economici. Nelle aree rurali, in particolare, l’incertezza non solo è collegata al rischio insito nel nuovo investimento ma anche al mancato coinvolgimento degli stakeholder locali. Ciò può impedire di giungere a una visione condivisa e a una comune volontà di cooperare nel progetto, elementi fondamentali per attrarre risorse scarse (finanziarie, umane) necessarie al successo dell’investimento.
Un primo passo nell’affrontare questo tipo di incertezza consiste nell'analisi delle percezioni degli stakeholder, che consente di sviluppare una base informativa di partenza per individuare una strategia di massima tesa a creare le condizioni per lo sviluppo del progetto stesso. Tuttavia, quando si tratta di progetti innovativi, di cui non si ha una completa informazione relativa a dati scientifici e esperienze precedenti, la definizione della strategia può beneficiare notevolmente del contributo di modelli basati sulla conoscenza dei soggetti coinvolti (Ozesmi e Ozesmi, 2004).
La letteratura relativa ai metodi di analisi della percezione degli stakeholders è piuttosto ampia; i più citati sono rappresentati dalle interviste a testimoni privilegiati (Upham e Tomei, 2010), dalle tecniche di multi-criteria decision analysis (Elghali et al., 2007), la Q methodology (Cuppen et al., 2010).
L'utilizzo delle Fuzzy Cognitive Maps (FCMs), uno strumento semi-quantitativo per la rappresentazione della percezione degli stakeholders relativa ad un dato sistema1, viene consigliato nei seguenti casi (Özesmi e Özesmi, 2004): i) i dati scientifici sono incompleti ma risulta disponibile un certo livello di conoscenza locale, oppure quando ii) l'opinione degli stakeholder è particolarmente desiderabile, o infine iii) quando l'oggetto d'analisi o il problema da risolvere è complesso al punto da non consentire una soluzione semplice o univoca.
Rispetto agli altri approcci citati, le FCMs presentano la possibilità di pervenire ad una descrizione sistemica dell'oggetto di analisi, e di fornire una rappresentazione complessa del fenomeno, interpretata attraverso l'individuazione delle variabili maggiormente influenti, e delle relazioni di causalità fra di esse (Coban e Secme, 2005). Tale modalità di rappresentazione, ispirata alla teoria dei sistemi complessi, presenta il vantaggio di essere di semplice applicazione, flessibile, e rigoroso da un punto di vista scientifico.
Trattandosi di modelli di rappresentazione della realtà realizzati in collaborazione con gli stakeholders e risultanti della loro visione condivisa, anche partendo da informazioni incomplete o frammentarie di un sistema reale, le FCMs favoriscono il rafforzamento di una visione comune attraverso la circolazione delle informazioni generate. L'approccio delle FCMs può contribuire a identificare proprio quelle azioni di policy meglio in grado di valorizzare le risorse endogene e di coinvolgere e favorire l'iniziativa dei soggetti (privati e istituzionali) concretizzando effettivamente un processo di sviluppo dal basso.
Nell'esperienza presentata in questo lavoro, le FCMs sono state utilizzate al fine di esplorare le aspettative e i timori degli attori locali e individuare gli strumenti di policy necessari a supportare la realizzazione di una bioraffineria in un'area rurale.
Come nel caso dell'analisi SWOT, l'indagine effettuata attraverso questo approccio consente di evidenziare gli elementi su cui puntare e quelli da mitigare. Le aspettative espresse dagli stakeholder infatti possono essere intese come “opportunità” mentre le “paure” come “minacce” rispetto alla nuova attività imprenditoriale. A differenza dell'analisi SWOT, tuttavia, nell'approccio basato sulle FCMs, i possibili punti di forza e di debolezza risentono delle reciproche relazioni di rafforzamento o di indebolimento, e non vengono considerati a sé stanti. Azioni di policy possono essere concepite per stimolare un determinato aspetto che, a seguito della serie intricata di relazioni descritte nella mappa cognitiva, possono risultare particolarmente amplificati, consentendo così di tenere conto degli effetti “sistemici” che, in ultima analisi, favoriscono lo sviluppo del progetto iniziale.
Per evidenziare le potenzialità e la flessibilità di questo strumento nel trattare problematiche caratterizzate da incertezza, novità, mancanza di informazioni, lo strumento proposto verrà applicato ad un caso di studio localizzato in Puglia, nella provincia di Foggia. Anche partendo da una generica2 descrizione dell’investimento, i diversi attori coinvolti a vario titolo nella realizzazione del progetto, sono messi in grado di esprimere le loro percezioni (aspettative e paure) attraverso un approccio partecipativo il cui obiettivo finale è quello di pervenire ad una rappresentazione condivisa e razionale delle diverse percezioni. In tal modo, si perviene alla specificazione della mappa cognitiva, per mezzo della quale viene effettuata la simulazione degli effetti di un'eventuale azione esterna (ad esempio gli effetti di un'azione di politica sull'equilibrio del sistema) sull'intero sistema. In definitiva, dunque, la metodologia consente di rispondere a domande del tipo “what-if”, permettendo ai policy maker di delineare una strategia d'intervento mirata e specifica rispetto al contesto operativo reale.

La metodologia applicata: le FCMs

I metodi partecipativi, di cui fanno parte le FCMs, sono concepiti per strutturare processi di gruppo in cui soggetti non esperti rivestono un ruolo attivo nell’articolare le loro conoscenze, valori e preferenze (van Asselt Marjolein, Rijkens-Klomp, 2002). Il contesto generale in cui i metodi partecipativi si sono poi sviluppati è rappresentato dal Capability Approach3 sviluppato da Amartya Sen (1982). Il principale vantaggio di questi approcci consiste nel porre al centro dell’analisi la percezione degli stakeholder locali consentendo ai pianificatori/policy makers di sviluppare strategie e azioni adatte a soddisfare le loro aspettative e bisogni; le FCMs permettono di fare questo in una maniera molto flessibile. Infatti consentono l’utilizzo del linguaggio comune per permettere anche a soggetti non esperti di esprimere la propria percezione riguardo l’oggetto di studio. A partire da tali informazioni, è possibile eseguire delle simulazioni sui probabili effetti provocati da eventi esterni al sistema (Ozesmi e Ozesmi, 2004). Ciò risulta particolarmente utile quando è necessario comprendere i possibili effetti derivanti dall'adozione di misure di politica di sostegno per lo sviluppo del progetto, ma si dispone di informazioni incomplete. Da un punto di vista strutturale, le FCMs sono costituite da una struttura a rete di elementi (variabili quali ad esempio concetti, eventi, risorse, impatti, ecc.), collegati tra loro per mezzo di relazioni causali. Le fasi metodologiche seguite per l’applicazione dell’approccio delle FCMs sono le seguenti.
Costruzione della mappa sociale cognitiva. Si procede attraverso la realizzazione di focus group. Gli stakeholder invitati al focus group (a cui possono partecipare un numero di attori locali compreso tra 8 e 10) rappresentano le diverse categorie di soggetti interessati al progetto cui è chiesto di identificare le variabili collegate allo sviluppo del progetto e di definirne il ruolo. Una volta che i partecipanti hanno raggiunto una visione condivisa sulle variabili rilevanti, il gruppo individua le relazioni (direzione, intensità e segno) fra queste utilizzando tre livelli di intensità: debole, medio e forte. La condivisione è realizzata quando, attraverso un processo di discussione/negoziazione, si verifica l'accettazione da parte dei partecipanti delle variabili, delle relazioni esistenti fra esse, del segno e dell'intensità di tali relazioni. Il risultato finale viene espresso in forma grafica attraverso il disegno della mappa cognitiva.
Analisi della struttura della mappa sociale cognitiva. Viene effettuata attraverso l’applicazione di indicatori di Social Network Analysis4. Questa fase prevede la trasformazione della mappa in una matrice delle adiacenze5 formata dall’intersezione delle n variabili identificate dagli stakeholders. Le caratteristiche strutturali di questa matrice possono essere analizzate attraverso indici sia puntuali, relativi cioè al ruolo di ciascuna variabile, sia di rete, relativi alle caratteristiche dell’intero network. Il ruolo di ciascuna variabile dipende dalle modalità di collegamento con le altre variabili. Nello specifico, esse possono essere classificate in senders se hanno relazioni in uscita ma non in entrata (nella matrice delle adiacenze ciò corrisponde al fatto che la somma dei valori in colonna è zero, mente la somma dei valori in riga è positiva), transmitters se hanno relazioni sia in uscita che in entrata (la somma dei valori in colonna e in riga è positiva) e receivers se hanno relazioni in entrata ma non in uscita (la somma dei valori in colonna è positiva mente la somma dei valori in riga è zero). La tabella 1 mostra un esempio di matrice delle adiacenze. Nell'esempio le variabili 1 e 3 rappresentano esempi di senders, la variabile 2 è un esempio di transmitter, mentre la variabile 4 è un esempio di receiver.

Tabella 1 - Esempio di matrice delle adiacenze

Fonte: nostra elaborazione

Simulazione dei differenti scenari di policy. Si tratta dell’ultima fase, e consiste nell’impiego di reti neurali auto-associative (Reimann, 1998). Si tratta di reti neurali, costituite da una struttura fissa di elementi reciprocamente interconnessi (le variabili), aventi un livello di output tale per cui, tenendo conto di tutte le relazioni esistenti, il sistema raggiunge uno stato stazionario iniziale (steady state). Partendo da questa situazione, la simulazione della misura di policy consiste nel rafforzamento dell'output dell'elemento prescelto, e si valuta l'effetto sulla variabile target (lo sviluppo del progetto). La misura più efficace è quella in grado di determinare l'incremento maggiore di output sulla variabile target.

Il caso di studio

Il caso studio riguarda la promozione dello sviluppo rurale nella provincia di Foggia attraverso l'incentivazione di nuove attività imprenditoriali basate sull’industria delle bio-raffinerie. Quest’area geografica è caratterizza da tre principali debolezze di natura socio-economica: il basso livello di occupazione, la mancanza di apertura internazionale, e un elevato squilibro territoriale. Uno dei suoi punti di forza è rappresentato invece dall’abbondanza di materia prima di origine agricola. Infatti le biomasse di origine agro-forestale presenti nella provincia di Foggia costituiscono un elevato potenziale sia per la produzione energetica, sia di produzione di biomateriali. Inoltre, possono contribuire al rilancio dell'attività agricola, che riveste una notevole importanza sia per l’economia locale, sia per la conservazione delle risorse ambientali e paesaggistiche territoriali.
Il contributo maggiore in termini di approvvigionamento di materia prima risulta concentrato nell’area del Tavoliere, seguito dai monti Dauni. Il contributo delle paglie di cereali prevale nettamente in tutte le aree della provincia, con percentuali di incidenza comprese tra il 60% ed addirittura il 95%, ad eccezione del Tavoliere Meridionale dove si stima invece dell’ordine del 40% (ISTAT, 2000). Appare evidente come il territorio provinciale, sia in grado di garantire una disponibilità effettiva di residui agricoli da avviare ad una valorizzazione energetica che consentirebbe, tra l’altro, di compensare almeno in parte i costi di smaltimento.
Lo studio è stato condotto a gennaio 2011 in collaborazione con la Provincia di Foggia, il Gruppo di Azione Locale (GAL) Meridaunia e il GAL Piana del Tavoliere. Coerentemente con quanto indicato in letteratura (si veda ad esempio Krajnc e Domac, 2007), si è cercato di includere nei focus group diverse categorie di stakeholders (agricoltori, imprese private, consumatori, cittadini, istituzioni). Poiché il contributo maggiore in termini di approvvigionamento di materia prima risulta concentrato nell’area del Tavoliere, seguito dai Monti Dauni si è deciso di individuare, quali soggetti idonei a rappresentare la complessità delle diverse trame territoriali, i Gruppi di Azione Locale (GAL) Meridaunia per il Subappennino Dauno e Piana del Tavoliere per il Basso Tavoliee. Essendo espressione di partenariati locali, tali gruppi ben rappresentano sia la popolazione rurale - attraverso la presenza degli Enti pubblici territoriali, quali Comuni e Province - sia gli interessi economici locali - attraverso la presenza delle organizzazioni degli operatori economici sia il terzo settore attraverso le associazioni che intervengono in materia di ambiente, patrimonio, inserimento sociale e culturale.
I focus group organizzati sono stati:

• presso la sede del GAL Meridaunia a cui hanno partecipato un rappresentante di una istituzione locale, un responsabile dello sviluppo locale, un ambientalista, due esperti della comunicazione, due rappresentanti dei residenti, un responsabile della rete di sviluppo rurale e un agricoltore;
• presso la sede del GAL Piana del Tavoliere a cui hanno preso parte un rappresentante di una istituzione locale, un responsabile dello sviluppo locale, un ambientalista, un esperto della comunicazione, due rappresentanti dei residenti e un responsabile della rete di sviluppo rurale;
• presso la provincia di Foggia, al fine di ottenere una visione d'insieme. A tale gruppo sono stati invitati esperti facenti capo ad enti di rango provinciale: due ingegneri dei processi produttivi, un economista, un esperto di salute pubblica, due ricercatori dell’Università di Foggia, due tecnici dei servizi di sviluppo del Consorzio di Bonifica di Capitanata, un rappresentante di un'associazione ambientalista ed un imprenditore che opera nel campo delle agro-energie.

Risultati

Fase a): Indentificazione delle variabili

La figura 1, mostra le tre mappe cognitive costruite sulla base delle informazioni ricavate dai focus group, evidenziandone la complessità.

Figura 1 - Mappa cognitiva di Foggia

Figura 2 - Mappa cognitiva del GAL Meridaunia

Figura 3 - Mappa cognitiva del GAL Piana del Tavoliere

In ciascuna figura sono rappresentate 1) le variabili percepite come rilevanti in termini di sviluppo della bio-raffineria dagli stakeholder intervistati, 2) le relazioni logiche fra tali variabili. La direzione delle frecce indica il senso della causalità fra le variabili connesse, mentre lo spessore indica l'intensità della relazione. Il tratto continuo rappresenta un effetto di rinforzo ovvero una relazione positiva fra le due variabili connesse, mentre la linea tratteggiata rappresenta un effetto di indebolimento causato dalla variabile da cui parte la freccia sulla variabile che la riceve (relazione negativa). La visualizzazione delle mappe consente di farsi un’idea della complessità dei sistemi indagati, così come percepiti dagli stakeholder, nonché del ruolo delle variabili. Come ci si poteva attendere, in tutte e tre le mappe la variabile “sviluppo della bio-raffineria” assume un ruolo centrale, diffondendo stimoli alle altre parti del sistema e ricevendo impulso da alcune variabili. Ciò è particolarmente evidente nel caso di Foggia dove la variabile citata assume una centralità molto elevata. Le altre due mappe risultano caratterizzate da un numero più basso di variabili variamente connesse. La fase di analisi successiva consente di approfondire la conoscenza di tali strutture.

Fase b): Analisi descrittiva delle mappe cognitive

Una sintesi delle caratteristiche di ciascuna mappa descritta attraverso la Social Network Analysis è illustrata nella tabella 2. Come evidenziato dall’analisi visiva delle tre mappe, quella prodotta dal gruppo di Foggia risulta composta da un numero maggiore di variabili. Questo è dovuto in particolar modo al maggior numero di receiver, che rappresentano le variabili terminali del sistema. I gruppi Meridaunia e Piana del Tavoliere mostrano una maggiore densità delle rispettive mappe rispetto a Foggia e dunque una struttura molto interconnessa. La mappa di Foggia è tuttavia quella con il più alto grado di complessità (rapporto fra receiver e sender). Ciò suggerisce che la percezione di tale gruppo è più ampia rispetto a quella degli altri due e/o che la realtà di Foggia è più complessa di quella delle aree rurali.

Tabella 2 - Caratteristiche delle FCMs

Fonte: Nostre elaborazioni

Nel complesso i tre gruppi hanno identificato 42 variabili (Tabella 2).

Tabella 3 - Elenco delle variabili

Nota: Variabili per ciascun gruppo: (a) V12 Sussidi alla bio-raffineria; V13 Redditività colture da biomassa; V14 Dispersione della biomassa sul territorio; V15 Disponibilità di biomassa da tare e aree non coltivate; V16 Diversificazione industriale; V17 Economie di scala; V18 Cambiamento nell'uso della terra; V19 Distorsioni di mercato; V20 Incertezza legata a sviluppo del nuovo settore; V21 Approvvigionamento di biomassa da colture dedicate; V22 Aumento dei prezzi al consumo; V23 Reputazione del territorio; V24 Perdita del benessere dei residenti; V25 Concentrazione del settore in pochi impianti industriali; V26 Piccoli impianti a biomassa diffusi sul territorio; V27 Perdita di competitività delle aziende non coinvolte nel settore; V28 Trasferimento tecnologico; (b) V29 Ricerca scientifica; V30 Capitale umano; V31 Normativa ambientale; V32 Difficoltà di approvvigionamento della biomassa; V33 Difficoltà di commercializzazione dei prodotti della bio-raffineria; V34 Sensibilità della popolazione locale rispetto a questioni ambientali; V35 Competizione da parte di fonti esterne di biomassa; V36 Valore aggiunto locale; (c) V37 Preoccupazione verso la fertilità del suolo; V38 Inerzia sociale e culturale; V39 Attività del GAL; V40 Rendite di posizione; V41 Assistenza tecnica; V42 Sviluppo locale;
Fonte: Nostre elaborazioni

Fase c): Simulazioni di Policy

Lo scopo della simulazione è stato quello di trovare, per ciascun gruppo, le variabili suscettibili di essere sottoposte ad un’azione di policy volta a incentivare lo sviluppo della bio-raffineria. A tal fine è stato utilizzato un software specifico per la simulazione su FCMs6 per misurare l’impatto del rafforzamento o dell’indebolimento di ciascuna variabile della mappa sullo sviluppo della bio-raffineria (Ozesmi e Ozesmi, 2004; Coban e Secme 2005) per i tre gruppi osservati. Le simulazioni sono realizzate utilizzando reti neurali auto-associative (Reimann, 1998). Tale metodo consiste nel moltiplicare il vettore dei valori iniziali delle variabili che compongono la mappa per la matrice delle adiacenze in cui è codificata la mappa stessa. Ciò consente, per ogni variabile, di calcolare l'input totale ricevuto dalle altre variabili. Il valore finale della singola variabile è dato da una funzione dell'input totale (di solito una Logistica) (Ozesmi e Ozesmi, 2004). I risultati sono riassunti in tabella 4, fra parentesi è indicata l’efficacia dell’effetto secondo tre gradi di intensità (alta:+++, media:++, bassa:+).

Tabella 4 - Identificazione delle misure di policy volte allo sviluppo di centrali a biomassa

Emerge per ciascun’area un piano d’azione caratteristico. In particolare, il gruppo provinciale (Foggia) sembra maggiormente orientato alla gestione economica del progetto. Infatti la maggior parte delle azioni riportate per questo gruppo riguarda la gestione di risorse finanziarie (sussidi) o naturali (disponibilità di biomassa, ecc.). Anche le economie di scala sono viste come un elemento da rafforzare per conseguire l’obiettivo di sviluppare la bio-raffineria. Nel caso del gruppo Meridaunia, la maggior preoccupazione sembra legata al divario tecnologico dell’area. Ciò induce a pensare che questo gruppo ha una chiara consapevolezza del gap tecnologico del territorio.
Nel caso di Piana del Tavoliere, il ruolo più importante è giocato dalle variabili sociali (preoccupazioni, inerzia sociale, rendite di posizione, informazione). Altre specificità di questo gruppo sono rappresentate dall’importanza data alle agenzie di sviluppo locale e al ruolo dell’assistenza tecnica che possono influire sulle variabili sociali. In definitiva il decisore politico dovrebbe formulare una policy che adotti le misure con maggiore efficacia riportate in tabella 4.

Considerazioni conclusive

Dall’applicazione empirica del metodo proposto, si evidenzia come, anche in caso di informazione incompleta, ma con una vaga descrizione delle caratteristiche dell’investimento, gli stakeholder siano in grado di esprimere le loro percezioni (aspettative e timori) e di convergere verso una visione condivisa. Nei casi presentati ciò è stato fatto inserendo nella mappa cognitiva solo le variabili e le relazioni su cui il gruppo manifestava accordo.
Soprattutto il metodo consente di cogliere le specificità dei diversi gruppi considerati consentendo di delineare strategie “su misura” date le condizioni di ciascun territorio. Nel caso presentato, per esempio, è emerso che il gruppo provinciale è più sensibile agli aspetti economici del progetto; il gruppo Meridaunia è preoccupato delle barriere tecnologiche; mentre i componenti del GAL Piana del Tavoliere sono più attenti al ruolo giocato da alcuni elementi sociali.
Lo studio condotto ha evidenziato l’adeguatezza dell’adozione integrata del metodo delle FCM, della Social Network Analysis e delle reti neurali nell’individuare e mappare le percezioni degli stakeholders al fine di identificare le azioni di policy più adeguate e che meglio si adattano ai bisogni delle comunità locali (si veda in proposito la tabella 4).
In particolare le linee strategiche individuate possono essere utilmente incorporate in documenti programmatici, come l'aggiornamento del piano triennale provinciale dell'agricoltura, o nei documenti di preparazione alla stesura del nuovo Piano di Sviluppo Regionale.
La natura semi-quantitativa delle mappe cognitive permette agli stakeholders di esprimere le loro aspettative attraverso una interazione reciproca e con un linguaggio per loro molto naturale e spontaneo.
Inoltre, la matrice delle adiacenze rappresenta la base per identificare matematicamente i drivers più sensibili (consentendo di pervenire ad un ranking delle variabili rilevanti) e per simulare differenti scenari di policy per lo sviluppo dei progetti.

Riferimenti bibliografici

• Bellman, R.E., Zadeh, L.A., (1970). Decision-making in a fuzzy environment. Management Science 17, B-141 – B-164

• Coban O., Secme G. (2005), “Prediction of socio-economical consequences of privatization at the firm level with fuzzy cognitive mapping”, Information Sciences, n. 169, pp.131-154

• Cuppen, E., Breukers, S., Hisschemö ller, M., Bergsma, E., (2010). Q methodology to select participants for a stakeholder dialogue on energy options from biomass in the Netherlands. Ecological Economics 69, 579 –591

• Elghali, L., Clift, R., Sinclair, P., Panoutsou, C., Bauen, A., (2007). Developing a sustainability framework for the assessment of bioenergy systems. Energy Policy 35 (12), 6075–6083

• Krajnc, N., Domac, J., (2007). How to model different socio-economic and environmental aspects of biomass utilisation: Case study in selected regions in Slovenia and Croatia. Energy Policy. 35, 6010-6020

• Mitchell J.C. (1969), “The Concept and Use of Social Network”, in J.C.Mitchell, Social Networks in Urban Situations, Manchester University Press, Manchester

• Ozesmi U., Ozesmi S.L. (2004), “Ecological models based on people’s knowledge: a multi-step fuzzy cognitive mapping approach”, Ecological Modelling, n.176, pp.43-64

• Reimann S. (1998), “On the design of artificial auto-associative neural networks”, Neural Networks, n.11, pp. 611–621

• Sen A., 1982. Choice, Welfare and Measurement, Oxford, Blackwell, and Cambridge, Mass., MIT Press

• Van Asselt Marjolein B.A., Rijkens-Klomp N. (2002), “A look in the mirror: reflection on participation in Integrated Assessment from a methodological perspective”, Global Environmental Change, n.12, pp. 167–184

• Upham, P., Tomei, J., (2010). Biofuels and regulatory co-production: critical stakeholder perceptions of carbon and sustainability reporting in the UK renewable transport fuel obligation. Tyndall Working Paper. Norwich: UEA 2010. Working Paper No. 143

• 1. L'approccio delle FCMs consente di pervenire ad una rappresentazione grafica della conoscenza rilevante o della percezione relativa ad un dato sistema. Tale approccio è basato sulla teoria dei grafi e sulla logica fuzzy. La teoria dei grafi consente di rappresentare Il sistema oggetto di indagine come un insieme di fattori (variabili o concetti) e relazioni fra tali fattori. La logica fuzzy è un metodo scientifico, basato sui principi degli insiemi fuzzy (Si veda tra gli altri Bellman e Zadeh, 1970) che permette di modellare un sistema facendo a meno di una descrizione matematica dettagliata, usando dati qualitativi e quantitativi.
• 2. La descrizione dell'oggetto dell'indagine viene fatta in maniera volutamente generica per: i) consentire la più ampia partecipazione di stakeholder locali che per la maggior parte risultano non essere esperti e dunque non familiari con definizioni “tecniche” dell'oggetto di indagine; ii) consentire al moderatore di mantenere un ruolo “neutrale” nella gestione del focus group evitando di influenzare gli intervistati con un'informazione molto dettagliata; iii) oggettiva mancanza di informazioni di dettaglio sul sistema da investigare.
• 3. L’Approccio delle Capacità è stato concepito nel 1980 da Sen come un approccio per l’economia del benessere e si basa su ciò che gli individui sono in grado di fare. In particolare, sottolinea l’importanza delle capacità funzionali (come la possibilità di vivere fino alla vecchiaia, impegnarsi in transazioni economiche o partecipare ad attività politiche) al posto dell’utilità e dell’accesso alle risorse.
• 4. La Social Network Analysis, sviluppata negli anni ’50 a partire dalla sociometria, si concentra sulla descrizione strutturale dei network con l’obiettivo di indagare la struttura di relazioni che connette un insieme finito di persone, oggetti, eventi presenti all’interno e all’esterno di una comunità o organizzazione (Mitchell, 1969).
• 5. Si tratta di una matrice quadrata, composta da tante righe e colonne quante sono le variabili individuate dagli attori. Per ogni coppia di variabili essa riporta la forza della relazione causale che le collega. La variabile in riga è la sorgente di tale relazione (source) mentre la variabile in colonna la destinazione (target). Tale relazione è rappresentata dall'elemento aij della matrice che può assume valore nell'intervallo -1,1 a seconda dell'intensità e del segno della relazione che intercorre fra le variabili i e j.
• 6. Il software utilizzato è FCMappers (http://www.fcmappers.net). Esso è un software non registrato sviluppato da Michael Bachhofer (University of Applied Arts, Vienna) e Martin Wildenberg (IFF Institute for Social Ecology, Vienna).