Comuni italiani quali spese energetico ambientali e saving potenziale

A seguito dell’analisi svolta dall’ ing. Roberto Gerbo, Esperto in Gestione Energia certificato Secem e il PI Paolo Zanon è stato possibile mettere a sistema i costi dichiarati dai comuni e disponibili come open data dalla Ragioneria dello Stato sulla piattaforma Siope e alcune valutazioni per singola categoria.

L’analisi è stata ampliamente illustrata nel corso dell’evento “La transizione ecologica vista dai comuni”  organizzato da Canale Energia la cui visione è disponibile on line al seguente link.

A partire da oggi affronteremo settimanalmente una singola voce di spesa.
Ne abbiamo selezionate cinque. Iniziamo dai rifiuti.

Le diverse categorie analizzate sono individuate con specifici codici di spesa. Per fare una prima analisi sui costi che i comuni di Italia spendono nei rifiuti da loro prodotti e smaltiti sono stati quindi individuati i codici di spesa relativi queste attività. Nel complesso dai 20 codici (estratti dall’ analisi, spesa annua di circa 15.000 milioni €/anno,  emerge un importante valore di risparmio economico possibile per i comuni circa 4250 milioni €/anno di fatto una piccola finanziaria che si può attuare solo attingendo alle best pratices dei “vicini” di regione e dando un occhio ragionato alle spese. Seguiteci e vedrete nel dettaglio di cosa stiamo parlando.

E’ disponibile sul sito anche il calcolatore delle spese ambientali nei comuni italiani. Provalo è gratuito!

Analisi e stima di saving per la spesa rifiuti

La spesa nazionale dei rifiuti per l’Intera Italia è di 9017 milioni €/anno  un costo di cui abbiamo valutato un saving potenziale 2230 milioni €/anno di queste noi analizzeremo in dettaglio nel seguito del lavoro i dati di 3960 comuni ordinari.

Per ogni “codice” si riporta nel seguito la sintesi dei risultati delle analisi sviluppate attraverso la sintesi dei dati disponibili (n° Comuni, n° abitanti, spesa, ecc.) e il Target definito.

Vedremo a breve alcuni dati comparati tra loro che, per quanto esprimano degli andamenti che vanno approfonditi, evidenziano alcuni punti critici nella gestione rifiuti. Ad esempio sono emersi all’interno di ogni cluster notevoli differenze presenti nella stessa regione. Il fatto che alcune regioni non dispongano di discariche e siano obbligate a spedire fuori regione i rifiuti potrebbe essere una motivazione di maggiore spesa ma forse non tale da giustificare i valori rilevati (diffusa presenza di valori compresi tra il +50 e il +100% del Target). In ogni caso attestano una situazione fortemente da ottimizzare.

Le voci di spesa e i codici relativi ai rifiuti

Nell’esplicitare l’analisi del sistema messo a punto da Gerbo e Zanon per i rifiuti sono stati presi in considerazione i seguenti codici.

Rifiuti 1               1.03.02.15.004 – Contratti di servizio per la raccolta rifiuti indicatore di spesa largamente prevalente per l’Area Rifiuti e con dati disponibili su circa 78% dei Comuni.

Rifiuti 2               1.03.02.15.005 – Contratti di servizio per il conferimento in discarica dei rifiuti con dati solo sul 29% dei Comuni, in genere voce di spesa che si accompagna al Codice Rifiuti 1.

L’analisi è stata sviluppata sulla somma di Rifiuti 1 + Rifiuti 2 vedi il grafico

Riferendosi ai Comuni Ordinari con indicatore superiore al Target nel complesso il saving potenziale emerso dall’analisi, quindi il risparmio possibile valutato dalla comparazione tra comuni simili per area geografica e dimensione abitativa, è pari al 25% della spesa inerente (circa 0,93 miliardi €/anno).

Risultati relativi alle singole aree, anche differenziate per singoli cluster
Dalla messa a sistema dei dati si evidenzia in primis un’alta percentuale di Comuni con assenza dati. Si tratta di un fenomeno diffuso in tutti cluster (in media 18% ma con valori più alti nei Cluster con Comuni più piccoli). Tale condizione risulta difficilmente giustificabile visto il tipo di servizio riscontrabile in ogni Comune e mette in luce un aspetto da migliorare della raccolta dati Siope.

La curva di tendenza adottata per rappresentare il valore medio per ogni cluster è molto affidabile, come certificato anche dal livello di precisione relativa <=5 % per l’algoritmo adottato.

Il target risultante, ottenuto con una riduzione del solo 15% rispetto alla linea di tendenza del valore medio adottata, risulta essere molto cautelativo. Nonostante ciò in tutti i cluster, in media più del 60% dei Comuni, si configura una ottimizzazione della spesa.

Le aree di intervento possibile nella gestione rifiuti

Considerata la precisione relativa molto buona del valore medio adottato e nonostante la limitata riduzione percentuale del valore medio utilizzato per il Target, risulta una significativa e numerosa area di intervento di miglioramento, che può riguardare le tariffe (quindi modalità di lavorazione/strutture e/o Enti di gestione) e/o l’individuazione di aree a consumi elevati/assenza idonea raccolta differenziata

Una visione sintetica per Regione

Visto l’elevato saving potenziale vediamo di seguito alcuni grafici di analisi per Regione. Le più grandi in cui il numero dei Comuni con dati sia >50 nei cluster e un’altra categoria che identificheremo con “piccolo, medio, intermedio”. Rimane il fatto che dall’algoritmo elaborato è possibile redarre grafici analoghi per i tutti cluster, anche di ogni Regione.

PICCOLO – TARGET 92 €/abitante* anno

MEDIO – TARGET 103  €/abitante* anno

INTERMEDIO – TARGET 110 €/abitante* anno

Dai dati di analisi emerge un andamento sostanzialmente omogeneo della dispersione per tutti i cluster, ma con le seguenti evidenze:

• Regione Lombardia e Veneto sono caratterizzate da una prevalenza di Comuni con indicatore al di sotto del Target
• Altre Regioni del Nord registrano una presenza diffusa di Comuni sia con indicatore al di sotto e che al di sopra del Target
• Regioni dal Centro verso il Sud hanno una crescente presenza diffusa di Comuni con indicatore al di sopra del Target (Puglia e Sicilia casi più critici).

Nota: nei grafici i dati con valore unitario molto basso (es <5 €/abitante) sono numericamente pochissimi e probabilmente riconducibili a errori di imputazione/dati parziali (forse occorrerebbe un controllo automatico nel caricamento del dato a sistema: un altro risultato del presente studio) ma comunque non incidono nella valutazione del valore medio.