Banca d’Italia ha pubblicato uno studio che confronta i modelli statistici e le tecniche di machine learning per prevedere le crisi finanziarie dei Comuni italiani.
L’analisi integra le informazioni contenute nei rendiconti e nei bilanci di previsione con i dati giornalieri relativi alle anticipazioni di tesoreria. L’obiettivo è valutare il rapporto tra accuratezza delle previsioni e tempestività nell’individuazione delle situazioni di rischio, contribuendo al rafforzamento dei sistemi di allerta precoce.
Dallo studio emerge una maggiore capacità dei modelli di machine learning di individuare le amministrazioni esposte a difficoltà finanziarie. Le performance predittive risultano generalmente migliori su orizzonti temporali di due o tre anni rispetto alle previsioni a un anno. Tale risultato è legato anche alla capacità di queste tecniche di intercettare relazioni complesse tra diversi indicatori finanziari.
Sebbene gli indicatori giornalieri sulle anticipazioni di tesoreria abbiano, presi singolarmente, un limitato potere predittivo, essi forniscono informazioni tempestive sulle condizioni di liquidità e possono potenziare i sistemi di allerta precoce se integrati con le previsioni di bilancio o i dati contabili.
Tra i fattori che assumono particolare rilevanza nella previsione delle crisi finanziarie figurano:
- l’indebitamento
- il ricorso alle anticipazioni di tesoreria
- la debolezza della spesa per investimenti.
Lo studio considera infine l’interpretabilità dei modelli, che permette di individuare i principali fattori alla base delle previsioni e di fornire elementi utili per comprendere le situazioni di rischio e supportare le attività di monitoraggio e supervisione degli enti locali.


