Il caldo fa aumentare i femminicidi?

Il caldo fa aumentare i femminicidi?

Quando a fine agosto mi è comparso nel feed di Instagram un articolo di Open intitolato “Il caldo fa aumentare i femminicidi?”, il commento mi era venuto in automatico: “Suvvia, oramai anche il mio gatto ha imparato che correlazione non è causalità 🤦🏻‍♀️”.

Ero lì lì per scriverlo. Poi, per scrupolo, sono andata a cercare lo studio originale, e mi sono accorta che la faccenda era anche meglio di così.

Ne è uscita una storia scritta un po’ di getto, con i punti che mi erano saltati all’occhio sfogliando il PDF:

• a sorpresa, il titolo del giornale per una volta non tradiva il paper: sono gli autori stessi a rivendicare un nesso causale, e non solo una correlazione;
• il dato sui femminicidi, però, non regge quel peso: il test che dovrebbe stabilire se l’effetto esiste non supera la soglia standard;
• manca un confronto con gli omicidi di uomini, senza il quale non si può dire che c’entri il genere della vittima;
• i femminicidi sono contati a partire da una rassegna stampa, e gli autori liquidano il problema in due righe;
• l’unica cosa che regge davvero è l’aumento delle chiamate al 1522, che è una notizia diversa e più ambigua.

Le storie, però, spariscono dopo un giorno, e non lasciano il tempo di ricontrollare quello che si è scritto. Così mi sono presa qualche sera e ho letto tutte le 56 pagine, comprese le appendici.

Com’è andata? Quei punti reggono quasi tutti, ma un paio li devo correggere (lo farò man mano); e nel frattempo ne sono emersi altri, più seri, che una lettura veloce non poteva mostrarmi. Soprattutto uno: talvolta le spiegazioni offerte lungo il testo si contraddicono tra loro, e in più di un caso contraddicono le tabelle che dovrebbero sostenerle.

Ma andiamo con ordine.

Burning Rage: di cosa parliamo#

Lo studio si intitola Burning Rage: How Heat Shapes Gender-Based Violence ed è firmato da tre economisti italiani: Carmen Aina, Lavinia Parisi e Matteo Picchio [Aina et al. 2026].

Una nota sul formato: è un discussion paper della serie IZA, cioè una versione preliminare diffusa per raccogliere commenti prima dell’invio a una rivista, e quindi non ancora sottoposta a peer review. Niente di strano, tra economisti è prassi; ma è bene saperlo quando un giornale scrive che “uno studio italiano svela” qualcosa.

La domanda di ricerca è semplice da enunciare: le fluttuazioni di temperatura di breve periodo influenzano la violenza di genere in Italia? E la risposta, nell’abstract, è altrettanto netta:

Questo studio identifica l’impatto causale delle fluttuazioni di temperatura di breve periodo sulla violenza di genere in Italia […]. Troviamo che temperature più alte aumentano sia la ricerca di aiuto sia la violenza di genere letale.

Nessuna ambiguità, quindi: non si parla di correlazione ma di causa, a partire dal titolo stesso (shapes, cioè “modella”, “plasma”).

I dati#

Per misurare la violenza di genere gli autori usano due fonti.

La prima sono le chiamate al 1522, il numero antiviolenza gestito dal Dipartimento per le Pari Opportunità: l’Istat fornisce il numero di chiamate per provincia e per settimana dal 2013 al 2022, e gli autori usano solo quelle effettuate dalle vittime (ho approfondito in questo articolo).

Qui il paper fa un ragionamento che trovo corretto e anche piuttosto onesto. Le chiamate non misurano la violenza in sé, ma la richiesta di aiuto; e il caldo potrebbe influenzare quest’ultima in entrambe le direzioni [p. 6]:

Da un lato, il caldo estremo può scoraggiare le vittime dal segnalare a causa della stanchezza e della ridotta mobilità […]. Dall’altro, il caldo potrebbe facilitare le segnalazioni se le donne trascorrono più tempo online a casa […]. Distinguere tra un reale impatto del caldo sulla violenza di genere e i cambiamenti nel comportamento di segnalazione […] è quindi un problema di identificazione complesso.

Tutto giusto. Ed è proprio per aggirare questo problema che entra in gioco la seconda fonte: i femminicidi, ricavati dai report annuali della Casa delle donne di Bologna.

Il problema dei femminicidi#

Ecco come il paper giustifica la scelta [p. 7]:

A differenza delle chiamate, i femminicidi sono eventi osservabili che difficilmente sfuggono alla rilevazione, poiché i decessi sono eventi verificabili e formalmente registrati. Di conseguenza, il conteggio dei femminicidi è in gran parte indipendente dal comportamento di segnalazione delle vittime.

Tutto lo scrupolo della pagina precedente, insomma, si esaurisce in due righe.

Il punto è che il dato non viene da un registro ufficiale: i report della Casa delle Donne sono costruiti con dati raccolti sulla stampa nazionale e locale [Casa delle Donne 2025]. Il ragionamento degli autori confonde quindi due cose diverse:

• la registrazione del decesso, che effettivamente avviene sempre;
• la sua rilevazione e classificazione come femminicidio da parte di un’associazione che segue i giornali.

Che la seconda sia tutt’altro che scontata l’ho già raccontato quando ho scritto di come la parola “femminicidio”, oggi, indichi almeno tre cose diverse, a seconda di chi conta e con quali criteri.

Nella storia avevo aggiunto che la copertura giornalistica ha una sua stagionalità notoria. Questo argomento lo devo ritirare: come vedremo tra poco, il modello tiene già conto di ciò che accade a livello nazionale in ogni settimana, cronaca compresa. Per falsare i risultati, i giornali dovrebbero coprire i casi in modo diverso a seconda del caldo che fa in quella provincia, in quella settimana: non è lo scenario più probabile.

Resta il fatto che il paper non lo verifica, perché non confronta la fonte con i dati Istat o del Ministero dell’Interno, nemmeno a livello annuale. E soprattutto, sono gli autori stessi a smentire questo assunto, cinquanta pagine più avanti. Ci torneremo.

Il metodo: no, non è (solo) una correlazione#

Premetto che la statistica l’ho studiata da ingegnera, non da economista: racconto le cose come le ho capite io, semplificando dove serve, e chi ne sa più di me è benvenuto a correggermi.

Gli autori incrociano i dati sulla violenza con le rilevazioni meteorologiche del programma europeo Copernicus, per un totale di 109 province, 522 settimane e 55.905 osservazioni provincia-settimana.

Se si limitassero a osservare che nelle settimane calde ci sono più chiamate, avremmo una semplice correlazione: d’estate cambiano molte cose (ferie, scuole chiuse, abitudini…), e attribuire tutto al caldo sarebbe un salto logico.

Il modello però include i cosiddetti effetti fissi, cioè variabili che “assorbono” tutto ciò che resta costante all’interno di un certo gruppo di osservazioni. In questo caso sono due:

• un effetto fisso per ogni combinazione di provincia, mese e anno (es. Bologna, luglio 2019): tutto ciò che caratterizza quella provincia in quel mese – il clima tipico, il mercato del lavoro, le ferie – viene tolto di mezzo;
• un effetto fisso per ogni settimana del calendario (es. III settimana di luglio 2019): tutto ciò che succede in tutta Italia in quella settimana – una campagna del 25 novembre, un lockdown, una partita dei Mondiali – viene tolto di mezzo anch’esso.

Tradotto: il confronto non avviene tra Belluno a gennaio e Foggia a luglio, e nemmeno tra l’estate e l’inverno. Avviene tra settimane diverse dello stesso mese nella stessa provincia, chiedendosi se quelle più calde del normale abbiano più chiamate (o più femminicidi) di quelle più fresche.

È la strategia standard di questa letteratura, ed è seria: “correlazione non è causalità”, qui, non basta a liquidare il lavoro.

Due ultimi dettagli tecnici, che serviranno più avanti:

• le temperature sono divise in fasce di due gradi (sotto i 4 °C, 4-6 °C, … sopra i 30 °C), e ogni fascia viene confrontata con quella tra 6 e 8 °C, usata come riferimento;
• per le chiamate si usa una regressione lineare classica, mentre per i femminicidi, che sono eventi rari e quasi sempre pari a zero, una regressione di Poisson, pensata apposta per i conteggi.

I risultati principali#

Nel grafico in alto ci sono le chiamate al 1522, in quello in basso i femminicidi. Ogni pallino è la stima per una fascia di temperatura, e la barra verticale il suo intervallo di confidenza: in parole povere, il margine entro cui è plausibile che si trovi il valore vero. Se la barra attraversa la linea tratteggiata dello zero, non possiamo escludere che in quella fascia l’effetto sia nullo.

Le chiamate al 1522#

Qui il risultato è piuttosto chiaro: le chiamate crescono con la temperatura, e sopra i 28 °C di massima media settimanale sono circa il 19-21% più alte rispetto alla fascia 6-8 °C. Il test che verifica se gli effetti della temperatura, presi tutti insieme, siano diversi da zero dà p = 0,0050, ben sotto la soglia convenzionale del 5%.

È il risultato più solido del paper; ma, come riconoscono gli stessi autori, le chiamate possono aumentare perché aumenta la violenza, perché aumenta la propensione a chiedere aiuto, o per entrambe le cose.

I femminicidi#

Nel secondo grafico, invece, le barre attraversano quasi tutte la linea dello zero. La Tabella 1 lo conferma:

Riassumendo:

• dei quattordici coefficienti stimati per i femminicidi (colonna 2), solo tre risultano significativi, e due di questi soltanto al 10% (un asterisco);
• il test congiunto, nell’ultima riga, dà p = 0,0618: non supera la soglia del 5% che gli autori usano come riferimento nel testo;
• se si tolgono i pesi per popolazione, come fanno gli autori stessi nelle analisi di sensibilità, il profilo si appiattisce e anche l’effetto del caldo estremo perde significatività al 5% [p. 24].

Il coefficiente per le settimane sopra i 30 °C (2,9346) ha poi un errore standard (1,3453) pari a quasi la metà del suo valore: l’intervallo di confidenza va da un aumento dei femminicidi del 35% circa a un aumento di oltre 260 volte¹. Ci dice che l’effetto è probabilmente positivo, e poco altro.

Notate anche il numero di osservazioni in fondo alla colonna 2: per come funziona il modello, il calcolo usa solo le combinazioni provincia-mese con almeno un femminicidio, cioè 3.825 osservazioni su 55.905. È tecnicamente corretto, ma dà un’idea di quanta poca informazione ci sia a disposizione.

Quasi il 300% di femminicidi in più?#

Nel commentare questi risultati, il testo riporta che sopra i 30 °C “il numero atteso di femminicidi è quasi il 300% più alto che a 6-8 °C” [p. 12].

L’origine della cifra si ricostruisce facilmente: il coefficiente stimato in Tabella 1 è 2,9346, e 2,9346 × 100 ≈ 293%. Questa lettura, però, vale per i modelli lineari come quello usato per le chiamate al 1522, dove il coefficiente misura direttamente la variazione. In una regressione di Poisson la relazione è esponenziale: il coefficiente misura la variazione del logaritmo del valore atteso, e l’effetto relativo si ottiene come e^β − 1.

Moltiplicare il coefficiente per cento è una scorciatoia molto diffusa, ma funziona solo quando il coefficiente è piccolo. Man mano che cresce, lo scarto rispetto al valore corretto si allarga rapidamente:

Coefficiente	Lettura approssimata (β × 100)	Variazione effettiva (eβ − 1)
0,05	+5%	+5,1%
0,178	+17,8%	+19,5%
0,5	+50%	+65%
1	+100%	+172%
2,93	+293%	+1.781%

Il secondo valore è l’effetto di un grado in più sui femminicidi, che il paper riporta come “+17%” [p. 20]: un indizio che la stessa conversione sia stata usata in tutto il testo, incluso il risultato più enfatizzato dell’intero paper, come vedremo tra poco.

Facendo il calcolo esponenziale, e^2,9346 ≈ 18,8: il modello non implica un aumento del 300%, ma di circa il 1.780%, cioè una frequenza di femminicidi moltiplicata per circa 19 nelle settimane sopra i 30 °C.²

La questione non è solo aritmetica. Formulato nella sua portata reale, il risultato sarebbe apparso subito poco verosimile, e avrebbe portato l’attenzione su ciò che conta davvero: la precisione della stima in quella fascia, che come abbiamo visto è molto bassa. Più che sull’effetto del caldo, un numero del genere ci informa sui limiti di ciò che i dati riescono a stimare sopra i 30 °C.

Causale o associato?#

A questo punto si capisce perché, altrove, il linguaggio si faccia più prudente. Già a pagina 3 le temperature più alte “sono associate a” incrementi di chiamate e femminicidi; e nelle conclusioni, a un paragrafo di distanza, convivono entrambe le versioni [p. 25]:

Utilizzando un disegno a effetti fissi […], identifichiamo gli effetti causali sia delle ondate di freddo sia delle ondate di caldo sulla violenza. I risultati indicano che temperature più alte sono associate a un aumento sia della ricerca di aiuto […] sia della violenza letale […].

Probabilmente è la normale oscillazione di un testo scritto a sei mani; ma l’abstract è l’unica parte che quasi tutti leggono, giornalisti compresi, e lì c’è la versione forte.

(Per inciso, degli effetti del freddo nel paper non si parla mai: l’unica traccia è un coefficiente sulle chiamate significativo al 10%, che nessuno commenta.)

L’assuefazione al caldo? Anche qui la cautela sparisce per strada#

Un’ultima cosa, prima di lasciare i risultati principali. Gli autori si chiedono anche se l’effetto del caldo si accumuli nel tempo o se il corpo (e il comportamento) si adattino, distinguendo l’effetto della settimana in corso da quello della settimana precedente [p. 14].

Sulle chiamate non trovano nulla: rispondono solo alla temperatura della settimana in corso. Sui femminicidi, invece, l’effetto delle temperature estreme si attenua quando il caldo persiste per due settimane di fila – un profilo compatibile con l’assuefazione.

Compatibile, ma non l’unica lettura possibile, e sono gli autori stessi a dirlo, subito dopo [p. 15]:

L’attenuazione dell’effetto alle temperature molto alte nella specificazione ritardata potrebbe in parte riflettere la rarità e la natura non ricorrente dei femminicidi. Se il caldo estremo di una settimana scatena un episodio in una data area, il bacino di casi potenziali nella settimana successiva, spesso in condizioni di caldo simili, potrebbe ridursi meccanicamente, generando una correlazione seriale negativa nei dati piuttosto che un vero effetto ritardato della temperatura.

Tradotto: un evento raro che “consuma” i casi disponibili in una zona produce esattamente lo stesso profilo grafico di un’assuefazione reale, senza che ci sia nessuna assuefazione – è un artefatto della rarità del fenomeno, non una scoperta sul comportamento umano. Gli autori lo sanno, lo scrivono, e non propongono alcun modo per distinguere le due ipotesi.

Nelle conclusioni, però, quella cautela non arriva [p. 25]:

I femminicidi mostrano dinamiche compatibili con l’assuefazione, con l’impatto del caldo estremo che si indebolisce quando le temperature elevate persistono per settimane consecutive.

Stessa struttura già vista per il resto del paper: l’ipotesi alternativa esiste, è degli stessi autori, ed è la versione con la cautela – quella senza cautela – a sopravvivere fino al riassunto finale.

La notte, il risultato più citato e il meno verificabile#

Oltre alla temperatura diurna, il paper ne considera anche una seconda: la minima settimanale, usata come proxy delle condizioni notturne, perché il sonno disturbato dal caldo è associato in letteratura a un aumento dell’aggressività [p. 15].

Il risultato, secondo gli autori, è più marcato di quello diurno: quando la minima settimanale supera i 24 °C, le chiamate al 1522 salgono di circa il 31% rispetto al riferimento, e “il numero atteso di femminicidi è di circa il 390% più alto” rispetto alla stessa fascia di riferimento [p. 16]. Nelle conclusioni questo diventa il risultato di punta: le temperature notturne elevate avrebbero un ruolo “particolarmente rilevante”, più delle massime diurne [p. 25].

C’è però un problema: il coefficiente dietro quel 390% non compare in nessuna tabella di tutto il paper. È mostrato solo in un grafico (Figura 5), da cui non si può leggere un valore preciso. Per il 300% sui femminicidi diurni, discusso sopra, la Tabella 1 permette di risalire al coefficiente esatto (2,9346) e verificare che il calcolo giusto dia +1.780%, non +293%. Per il 390% notturno questo controllo non si può fare: non c’è modo di sapere se anche qui sia stata usata la stessa conversione sbagliata (β × 100 invece di eᵝ − 1), anche se, visto che l’errore ricorre già almeno una volta in un dato verificabile, è l’ipotesi più probabile.

Resta il fatto, di per sé, che il singolo numero che il paper indica come il proprio risultato più importante è anche l’unico che un lettore non può ricontrollare.

Caldo medio o ondate di calore?#

Gli autori si chiedono poi, giustamente, se conti di più il caldo medio della settimana o i picchi, e spiegano perché la distinzione è importante [p. 17]:

Se la violenza risponde principalmente al caldo medio, le implicazioni riguardano l’adattamento di lungo periodo a un clima più caldo; se aumenta principalmente durante le ondate di calore, l’attenzione delle politiche dovrebbe invece concentrarsi sui sistemi di allerta precoce e sugli interventi preventivi di breve periodo.

Per rispondere, aggiungono al modello la variabilità delle temperature all’interno della settimana e il numero di giorni di caldo estremo.

Il risultato è netto: una volta considerato il caldo medio, né la variabilità né i giorni di caldo estremo aggiungono un effetto rilevabile, in nessuna delle quattro specificazioni provate (colonne 2-5). Gli autori ne concludono che la violenza risponde “all’esposizione prolungata a temperature più alte, piuttosto che a eventi di caldo estremo di breve durata” [p. 20].

È un risultato per nulla banale. Peccato che, una trentina di pagine dopo, le raccomandazioni dell’appendice parlino di “capacità di risposta rafforzata durante le ondate di calore” e di “sistemi di allerta precoce” [p. 53]. Cioè, secondo il criterio proposto dagli autori stessi, delle politiche adatte proprio allo scenario che la Tabella 2 non ha trovato.

Curiosamente, nell’intervista al Corriere [Nesi 2026] Carmen Aina è più coerente con la Tabella 2: parla di rafforzare informazione e servizi “nei periodi di temperature elevate”, senza nominare ondate di calore o sistemi di allerta.

L’eterogeneità, ovvero l’appendice che racconta il rumore#

Arriviamo alla parte che, nella storia, non avevo nemmeno sfiorato.

Gli autori dividono le province in due gruppi, sopra e sotto la mediana, lungo sette caratteristiche, e verificano se l’effetto della temperatura sia diverso tra i due gruppi:

1. area geografica (Nord vs Centro-Sud)
2. diffusione dell’aria condizionata
3. tasso di disoccupazione
4. quota di laureati
5. quota di stranieri
6. norme di genere (più o meno conservatrici)
7. presenza di centri antiviolenza

La colonna da guardare è quella del p-value del test di uguaglianza: se è sotto 0,05, la differenza tra i due gruppi è statisticamente significativa; se è sopra, i dati non permettono di distinguerli.

Riassumendo:

• i confronti sono quattordici (sette caratteristiche per due indicatori);
• uno solo è significativo al 5%: aria condizionata e femminicidi (p = 0,0002);
• un secondo lo è al 10%: laureati e chiamate (p = 0,0922);
• gli altri dodici non rilevano alcuna differenza.

Il testo principale lo riporta correttamente [p. 22]. Nell’appendice C, però, che commenta gli stessi confronti fascia per fascia, in circa la metà dei casi differenze che la tabella non trova diventano meccanismi e interpretazioni.

Per correttezza: la Tabella 3 confronta l’effetto lineare, e in teoria due gruppi potrebbero avere la stessa pendenza ma soglie diverse. L’appendice, però, non riporta mai un test a sostegno di queste soglie; e nel caso più raccontato il test c’è, e dice il contrario.

Nord e Centro-Sud#

Qui il testo costruisce un ragionamento piuttosto articolato [p. 41]:

Al Nord, l’impatto […] diventa significativo al 10% quando le temperature superano i 20 °C. Al Centro-Sud, invece, l’effetto […] raggiunge la stessa grandezza e significatività quando le temperature superano i 30 °C. Questa divergenza suggerisce che ciò che guida la relazione tra temperatura e violenza di genere non sia il livello assoluto del caldo, ma il suo scostamento dalle norme climatiche locali.

Segue un paragrafo sulle popolazioni meridionali “parzialmente adattate” al caldo. Una tesi elegante; peccato che la frase immediatamente precedente dica che “nessuno dei coefficienti per le province del Centro-Sud è significativamente diverso da quelli del Nord”, e che la nota sotto il grafico lo ripeta [p. 43]. In Tabella 3 i p-value sono 0,1357 e 0,6385: la differenza su cui si costruisce una teoria dell’adattamento, secondo i dati degli stessi autori, non si vede.

Disoccupazione e istruzione#

Lo schema si ripete.

Sulla disoccupazione vengono offerti due paragrafi di possibili meccanismi – indipendenza economica, mobilità, riservatezza, costo percepito del chiedere aiuto – per spiegare perché le chiamate crescerebbero di più nelle province con meno disoccupati [p. 46]. Il test su quel confronto dà p = 0,7076.

Sull’istruzione, l’appendice afferma che le province con meno laureati mostrano “un aumento più netto sia delle chiamate sia dei femminicidi”, e ne conclude che l’istruzione “rafforza la capacità individuale e collettiva di far fronte” allo stress climatico [p. 48]. Sui femminicidi, però, la differenza non è significativa (p = 0,2479), e sulle chiamate lo è solo al 10%.

Le norme di genere#

C’è poi un caso che, per quanto ho potuto verificare, mi sembra un errore a tutti gli effetti. Nel paragrafo su Nord e Centro-Sud, un po’ slegata dal resto del discorso, compare questa frase [p. 42]:

I femminicidi aumentano in modo più marcato nelle province con una maggiore diffusione dell’aria condizionata e norme di genere più conservatrici.

Per l’aria condizionata il dato c’è, come vedremo tra poco. Sulle norme di genere, invece, la Tabella 3 dà p = 0,6662, cioè nessuna differenza rilevabile tra i due gruppi; e la stima puntuale va anzi nella direzione opposta, con un coefficiente un po’ più basso nelle province conservatrici (0,159) che in quelle egualitarie (0,185).

La stessa appendice, del resto, arriva a una conclusione diversa una decina di pagine dopo, quando descrive i profili dei due gruppi come “sorprendentemente simili” e la risposta allo stress termico come “relativamente indipendente dalle norme di genere prevalenti” [p. 52].

Può darsi che sia un refuso, o un residuo di una versione precedente dell’analisi. In ogni caso, così com’è, la frase attribuisce alle norme di genere un ruolo che i risultati del paper non sembrano sostenere.

L’aria condizionata#

L’unico risultato davvero netto è quello sull’aria condizionata: dove è più diffusa, la sensibilità dei femminicidi al caldo è circa tre volte più alta (0,209 contro 0,070), con p = 0,0002.

Nel testo principale gli autori sono giustamente cauti: la diffusione dei condizionatori riflette anche altre caratteristiche del territorio, e il risultato va letto come “suggestivo” [p. 22]. In appendice, invece, arriva il meccanismo: dove l’aria condizionata è rara il caldo spinge le persone fuori casa, dove è diffusa si resta chiusi dentro, più vicini a potenziali aggressori e con meno controllo sociale [p. 44].

Il ragionamento, preso da solo, non è assurdo. Il problema è che nel paragrafo su Nord e Centro-Sud, a pagina 42, l’aria condizionata compariva tra le strategie di adattamento che spiegherebbero perché al Sud si regge meglio il caldo. Lo stesso oggetto è quindi protettivo in un paragrafo e aggravante in quello successivo.

Gli autori, a dire il vero, provano a conciliare le due cose: l’aria condizionata ridurrebbe lo stress da caldo ma aumenterebbe la letalità, con “effetti comportamentali che si compensano”. Ma è proprio questo il punto: se lo stesso fattore può spiegare sia un effetto più forte sia uno più debole, la teoria è compatibile con qualunque risultato.

C’è poi un dettaglio tecnico: i dati sull’aria condizionata sono regionali, quindi le province di una stessa regione finiscono per forza nello stesso gruppo. Il confronto è in realtà tra una ventina di regioni, e quel p = 0,0002 è con ogni probabilità più ottimista di quanto dovrebbe³.

I centri antiviolenza (e il ritorno dei femminicidi)#

Anche sui centri antiviolenza le differenze non sono significative, e gli autori lo ammettono. Subito dopo, però, offrono una spiegazione per ciascuno dei due andamenti [pp. 53-55]:

• le chiamate crescerebbero di più dove i centri sono pochi, perché lì il 1522 fa da sostituto ai servizi sul territorio;
• i femminicidi crescerebbero di più dove i centri sono tanti, perché lì i casi vengono rilevati e classificati meglio.

È la spiegazione che avevo promesso all’inizio. Per sostenerla, l’appendice cita studi secondo cui i servizi antiviolenza migliorano “la segnalazione e la classificazione amministrativa”, e conclude che le province con più centri potrebbero registrare più casi “grazie a una migliore rilevazione”, non per un’incidenza più alta [p. 55].

Ricordate pagina 7? Il conteggio dei femminicidi era “in gran parte indipendente” dalla segnalazione.

Delle due, l’una. Se il conteggio dei femminicidi può variare con la capacità di rilevazione quando serve a spiegare un risultato inatteso, allora non è indipendente dalla rilevazione nemmeno quando serve a validare l’indicatore. Lo standard di prova viene applicato con rigore alle chiamate e sospeso sui femminicidi, cioè proprio là dove l’intero impianto ne avrebbe avuto più bisogno.

E i giornali?#

Visto che è da lì che sono partita, ho ricontrollato anche come lo studio è stato raccontato: il 29 agosto il Corriere della Sera pubblica un’intervista a Carmen Aina [Nesi 2026], e il giorno dopo Open la riprende [Romano 2026].

L’intervista al Corriere#

Qui c’è una sorpresa, in positivo: nell’intervista l’autrice è più prudente del suo stesso abstract.

• Parla di una “relazione” tra temperature elevate e i due indicatori, non di un effetto causale.
• Spiega il metodo in modo corretto e comprensibile: si guarda cosa succede nella stessa provincia quando, in una certa settimana, fa più caldo del solito per quel territorio e quel periodo dell’anno.
• Riporta correttamente il +19-21% di chiamate sopra i 28 °C, e aggiunge da sola che le chiamate misurano il ricorso al servizio, non il numero di episodi di violenza.
• Sui femminicidi non cita il 300%, e invita a leggere il dato “con prudenza” perché si tratta di eventi molto rari.

Molte delle cautele che qui ho ricavato dalle tabelle, insomma, l’autrice le esprime spontaneamente a un pubblico non specialistico; peccato non siano finite anche nell’abstract.

La cornice giornalistica, invece, torna a sbilanciarsi: il testo scrive che i tre docenti “hanno dimostrato” che il caldo può alimentare conflitti e richieste d’aiuto, e il sommario attribuisce all’intervistata un “picco di richieste d’aiuto in estate”, mentre nell’intervista lei stessa spiega che il confronto non è tra stagioni ma tra settimane dello stesso periodo.

L’articolo di Open#

Innanzitutto, una correzione alla mia storia: avevo scritto che il titolo del giornale, per una volta, non tradiva il paper. A rileggerlo bene, Open è persino più prudente degli autori: mette un punto interrogativo nel titolo e nel testo parla di “correlazione”, mentre è l’abstract a scrivere che il caldo aumenta la violenza.

Per il resto:

• le cifre sulle chiamate sono corrette, perché riprese dall’intervista: sopra i 28 °C, +19-21% rispetto alla fascia 6-8 °C. L’espressione “rispetto ai periodi con temperature di riferimento più miti”, però, lascia intendere un confronto tra una settimana d’agosto e una di gennaio, che il modello esclude⁴;
• “ondate di calore” è un’aggiunta di Open: non compare nell’intervista, e come abbiamo visto lo studio trova un effetto del caldo medio settimanale, non delle ondate di calore;
• l’invito alla cautela sui femminicidi viene dall’intervista, non dal paper, dove una cautela del genere compare solo in una nota e nel paragrafo sugli effetti ritardati;
• mancano del tutto, sia qui sia sul Corriere, le temperature notturne (che per gli autori sono il risultato più rilevante) e il fatto che il test complessivo sui femminicidi non superi la soglia del 5%.

Nel complesso, il messaggio non si è semplicemente degradato passando dal paper ai giornali: si è spostato in direzioni diverse a ogni passaggio. L’abstract afferma un nesso causale, l’autrice in intervista parla di una relazione da prendere con prudenza, il Corriere scrive che gli autori “hanno dimostrato”, Open torna a parlare di “correlazione”. E nessuno dei quattro dice che il risultato sui femminicidi, a rigore, non supera la soglia di significatività.

Il grande assente: gli omicidi di uomini#

Era il punto della storia che mi sembrava più importante, e la lettura completa lo conferma.

In tutto lo studio non c’è alcun confronto con gli omicidi di uomini. Eppure sono gli autori stessi, nella rassegna della letteratura, a ricordare quanto il legame tra caldo e violenza sia ben documentato [p. 4]:

Temperature elevate sono sistematicamente associate a un aumento di aggressioni, lesioni e omicidi in un’ampia gamma di contesti, come mostrano recenti revisioni sistematiche e meta-analisi […]. Questo corpus di studi stabilisce un legame generale tra stress ambientale e violenza, ma è in gran parte neutro rispetto al genere.

Appunto. Se il caldo aumenta la violenza in generale, per poter parlare di violenza di genere bisognerebbe mostrare che aumenta di più, o in modo diverso, quando la vittima è una donna. Senza quel confronto non si distingue “il caldo aumenta la violenza” da “il caldo aumenta la violenza contro le donne”.

E il termine di paragone non mancherebbe di certo, visto che in Italia le vittime di omicidio sono in maggioranza uomini. Finché quel confronto non si fa, la dimensione di genere del risultato resta un’ipotesi, non una scoperta.

Conclusione#

A questo punto vale la pena mettere in fila quanto abbiamo visto, perché preso singolarmente ogni punto sembra un dettaglio, ma insieme disegna una direzione precisa.

• Un errore aritmetico che gonfia un effetto di sei volte, e che con ogni probabilità si ripete proprio nel risultato che gli autori indicano come il più importante.
• Un test congiunto sui femminicidi che non supera la soglia dichiarata dagli stessi autori.
• Un’appendice in cui circa metà delle differenze raccontate come meccanismi non esistono nelle tabelle che dovrebbero sostenerle.
• Uno stesso fattore, l’aria condizionata, presentato come protettivo in un paragrafo e come aggravante in quello successivo.
• Uno standard di prova sul sommerso dei femminicidi applicato con rigore alle chiamate e sospeso proprio dove l’impianto ne avrebbe avuto più bisogno.
• Una cautela sull’assuefazione al caldo, degli stessi autori, che non sopravvive fino alle conclusioni.

Non sono errori isolati né in direzioni casuali: vanno tutti nello stesso verso, quello che rende il risultato più forte di quanto i dati, per stessa ammissione del testo in più punti, permettano di dire.

Da precisare che nulla di tutto questo dimostra che l’effetto non esista. Un effetto reale ma piccolo, misurato su eventi rari, produrrebbe più o meno le tabelle che abbiamo visto, e il disegno di ricerca è di buona fattura.

La posizione che mi sento di difendere non è quindi la negazione, ma l’agnosticismo, accompagnato da una lista di verifiche che mi aspetterei di trovare nella versione definitiva:

• il confronto con gli omicidi di uomini, con lo stesso modello;
• la validazione della fonte sui femminicidi con i dati ufficiali, anche solo a livello annuale;
• un test che distingua l’assuefazione al caldo dal semplice spostamento temporale degli eventi – un’ipotesi che gli autori stessi sollevano, correttamente, a proposito degli effetti ritardati [p. 15], senza però verificarla;
• un’appendice che commenti solo le differenze che i test rilevano davvero;
• una lettura corretta dei coefficienti di Poisson, a partire da quello sopra i 30 °C.

Trattandosi di un discussion paper, c’è tutto il tempo per aggiungerle prima della pubblicazione su rivista.

Nella storia avevo concluso che l’unica cosa che regge davvero è che “d’estate aumentano le chiamate al 1522”. Anche qui serve più precisione: con quegli effetti fissi, l’estate in quanto tale è esclusa dal confronto. Quello che si può dire con ragionevole sicurezza è che nelle settimane più calde del normale, per quel mese e in quella provincia, le vittime chiamano di più il 1522.

È una notizia diversa da quella che avete letto, più ambigua e per certi versi più interessante. Non fa un gran titolo, però.

Due parole in più#

Rileggere per intero un paper dopo averne scritto a caldo (è proprio il caso di dirlo) è stato un buon esercizio: alcune cose reggevano, altre no, e aggiornare la propria mappa è in fondo il senso di questo blog.

Non vuole essere un attacco agli autori, che hanno fatto un lavoro serio in molte parti e hanno pubblicato tutte le tabelle, senza le quali questo articolo non sarebbe stato possibile. Ma studi come questo finiscono sui giornali e da lì nelle proposte di policy, e vale la pena leggerli fino all’ultima pagina.

Il paper è gratuito e le pagine citate sono tutte tra parentesi quadre: se trovate un errore, scrivetemi. Correggerlo mi interessa più che avere ragione.

---

Bibliografia#

---

Note#

Footnotes#

1. L’intervallo al 95% del coefficiente è circa 0,30–5,57 [Tabella 1, p. 13]. Facendone l’esponenziale, come si spiega nel paragrafo successivo, si ottengono femminicidi moltiplicati per un fattore compreso tra 1,35 e 263. ↩

2. Si potrebbe pensare che il 300% derivi da un calcolo diverso, per esempio dai valori attesi previsti dal modello - ma ció non sembra possibile: in una regressione di Poisson l’effetto di una fascia di temperatura è moltiplicativo, e il rapporto tra il valore atteso sopra i 30 °C e quello a 6-8 °C è e^β per ogni osservazione, qualunque siano gli effetti fissi, i controlli e i pesi. Qualsiasi modo di calcolare la variazione percentuale porta quindi allo stesso +1.780%. ↩

3. Gli errori standard sono raggruppati (clustered) per provincia e per mese. Quando una variabile cambia solo da una regione all’altra, però, le province di una stessa regione non sono osservazioni indipendenti rispetto a quella variabile, e il numero effettivo di confronti è molto più basso di quanto la tabella faccia pensare. ↩

4. Con effetti fissi per provincia e mese, la stima nasce dal “cucire insieme” tanti confronti tra settimane dello stesso mese, che raramente differiscono di più di qualche grado. È un modo legittimo di stimare la curva, ma una frase come “le chiamate sono il 20% più alte a 29 °C che a 7 °C” descrive una situazione che, nei dati, non si osserva mai direttamente. ↩