La ricerca ha operato attraverso strumenti di analisi giuridica e di analisi economico-statistica. Le due unità hanno affrontato, da prospettive complementari, il problema dell'efficacia degli strumenti di allerta precoce, con particolare riguardo alle PMI.
AI-EWTDal quadro giuridico all'analisi predittiva della crisi delle PMI.
Percorsi di analisi
Diritto e analisi economico-statistica
La ricerca giuridica e l'analisi economico-statistica hanno concorso alla valutazione dei meccanismi di allerta da prospettive diverse ma coordinate.
Due prospettive complementari.
01Analisi giuridica. L'analisi giuridica ha esaminato il quadro normativo, fra cui il Codice della crisi, la direttiva (UE) 2019/1023 e le esperienze di altri ordinamenti europei, per individuare criticità applicative e verificare la coerenza degli strumenti di allerta con l'obiettivo della rilevazione precoce. L'opera collettanea pubblicata raccoglie gli esiti di questa fase.
02Analisi economico-statistica. L'analisi economico-statistica ha riguardato i dati economico-finanziari delle imprese italiane presenti in AIDA, la preparazione delle serie storiche e il confronto tra tecniche statistiche, di machine learning e di deep learning. Lo script pubblicato in questa pagina documenta questa fase tecnica.
Pubblicazioni
La ricerca giuridica
Il volume La gestione iniziale della crisi esplora le misure di allerta, le potenzialità dell’intelligenza artificiale nella rilevazione tempestiva della crisi e gli strumenti preconcorsuali di risanamento.
Cacucci EditoreLa gestione iniziale della crisi (Bari, 2024).
Esito del metodo
Il modello impiegato
La ricerca economico-statistica, sviluppata in raccordo con la ricerca giuridica, ha impiegato il modello documentato nello script R pubblicato. Il file prepara i dati, confronta più famiglie di modelli e organizza le valutazioni temporali. La sezione successiva descrive le operazioni verificabili nel codice.
Dati e serie storicheConfronto dei modelliValutazioni temporali
Modelli di ricerca
Il flusso sperimentale descritto nello script R
Lo script pubblicato nell'ambito del progetto PRIN 2022 - AI-EWT sperimenta più famiglie di modelli per classificare il target allert: regressione logistica, rete neurale feed-forward e rete LSTM multi-input.
Il file organizza valutazioni temporali sugli esercizi 2020, 2021 e 2022. La costruzione del target allert è esterna allo script pubblicato; per questo la pagina non attribuisce all'output un orizzonte temporale o una probabilità non esplicitati nel codice.
Pipeline
Pipeline di Elaborazione
La pipeline seguente riassume esclusivamente le operazioni leggibili nel TXT, senza aggiungere prestazioni, dimensioni del campione o tecniche non documentate nel file.
Fase 1Campione
Lettura AIDA, filtro S.r.l., ordinamento e serie annuali continue.
Fase 2Selezione
Normalizzazione, likelihood-ratio e riduzione della correlazione.
Fase 3Modelli
Regressione logistica, feed-forward e LSTM multi-input.
Fase 4Valutazione
Test 2020–2022, ROC, soglia di Youden e confusion matrix.
Codice
Scarica l’algoritmo
Il file è mostrato integralmente e senza modifiche. È materiale tecnico dedicato a esperti del settore e documenta preparazione dei dati, addestramento e valutazione.
Nota sui dati: i dati ulteriori utilizzati nella ricerca non sono pubblicati insieme allo script perché coperti dal copyright dei fornitori dei dati e dai relativi vincoli di utilizzo. Il TXT non è un servizio autonomo di previsione eseguibile nel browser.
Testa lo script pubblicato che combina una sequenza economico-finanziaria di tre esercizi, quattro variabili statiche e la regione. Scegli un esempio o costruisci uno scenario per vedere il flusso simulato.
Scegli un esempio: i dati impiegati verranno mostrati sotto le schede prima dell’esito.
Dati inseriti automaticamenteScenario selezionato
Tre esercizi economico-finanziari
Quattro aspetti statici
Regione
Scegli i dati dei tre rami e verifica se, nel caso costruito, il meccanismo di allerta si attiva.
RAMO 01
Sequenza economico-finanziaria
Nel TXT: tre esercizi e 51–53 variabili dipendenti dal tempo elaborate da una LSTM. Qui ogni esercizio è riassunto da una scelta comprensibile.
RAMO 02
Aspetti statici illustrativi
Si tratta di esempi di eventi comuni, utilizzati nel simulatore per rappresentare in modo comprensibile il ramo delle variabili statiche.
RAMO 03
Regione · embedding
L’algoritmo prevede anche lo studio della regione. Nel simulatore il contributo regionale è generato casualmente tra 0 e 6 punti, non dipende dalla regione selezionata e ha esclusivamente una funzione didattica.
Architettura visibile nel TXT
Come i segnali convergono
LSTM · 3 esercizi
Sequenza temporale
—Segnale sintetico della provaDense · 4 input
Informazioni statiche
—Segnale sintetico della provaEmbedding · 1 categoria
Regione
Indice dimostrativo
Verifica se, con i dati selezionati, il meccanismo di allerta si attiva. L’indice 0–100 è solo dimostrativo.
Privacy: i dati inseriti restano nel browser e non vengono trasmessi né salvati.
Simulazione semplificata e didattica: non stima una probabilità di insolvenza e non sostituisce una valutazione professionale. Il simulatore non riproduce esattamente il modello addestrato, perché per ragioni computazionali alcuni dati sono esclusi dalla simulazione.
Esito della simulazione
L’allerta si attiva?
Indice dimostrativo 0–100
0/100
IN ATTESA DI CALCOLO
Attivazione del meccanismo di allerta 0–100
Completa i tre rami o scegli uno scenario.
Poiché l’indice supera il 50%, il meccanismo di allerta si attiva. Nella proposta di legge, un risultato positivo determina una comunicazione automatica agli amministratori e all’organo di controllo o al revisore, ove nominati, affinché adottino le misure opportune.
Fattori che incidono maggiormente
Il dettaglio comparirà dopo il calcolo.
Come viene calcolato
La sequenza dei tre esercizi pesa il 70% del calcolo didattico; al suo interno gli esercizi pesano 20%, 30% e 50%. I quattro aspetti statici illustrativi pesano complessivamente il 30%, in parti uguali. Per ogni nuova scelta della regione viene generato casualmente un contributo dimostrativo compreso tra 0 e 6 punti.
Il diagramma riprende la struttura leggibile nello script: ramo LSTM, ramo dense, embedding regionale e concatenazione. Formula e intensità sono state create esclusivamente per questa dimostrazione e non sono coefficienti del modello di ricerca.
