Simone De Bonis
Simone De Bonis
← Torna ai Progetti
Data Science13 marzo 2023

Predizione del Default dei Comuni Italiani

Sistema di early warning basato su Support Vector Machine (SVM), Multi-Layer Perceptron (MLP) e tecniche di bilanciamento sintetico (SMOTE & ROSE) per prevenire il dissesto finanziario dei comuni italiani.

#SVM#MLP#SMOTE & ROSE#Rischio di Credito#Data Science#Machine Learning
Apri Dashboard / Repository ↗

Il dissesto finanziario degli enti locali comporta gravi conseguenze socio-economiche per i cittadini e per la continuità dei servizi pubblici. In questo progetto universitario di ricerca, abbiamo sviluppato un sistema di early warning basato su algoritmi di Machine Learning per individuare preventivamente i comuni italiani a rischio di default.

Metodologia e Pipeline di Modellazione

  1. Feature Engineering e Indicatori di Bilancio:
    • Estrazione e costruzione di indicatori contabili, demografici, di sostenibilità del debito e capacità di riscossione dei comuni italiani.
    • Standardizzazione delle variabili continue e trattamento dei dati mancanti.
  2. Gestione dello Sbilanciamento tra Classi (SMOTE vs. ROSE):
    • Poiché il default comunale è un evento raro, i classificatori addestrati sul dataset sbilanciato soffrono di una recall prossima allo zero sulla classe minoritaria.
    • Abbiamo condotto un confronto empirico tra SMOTE (Synthetic Minority Over-sampling Technique) e ROSE (Random Over-Sampling Examples) applicati rigorosamente all’interno dei fold di training in cross-validation (vedi l’articolo dedicato Come Bilanciare i Dati: SMOTE vs. ROSE).
  3. Modelli Supervisionati (SVM & MLP):
    • Addestramento e validazione di Support Vector Machine (SVM) con kernel lineare e RBF e reti neurali Multi-Layer Perceptron (MLP).
    • Ottimizzazione delle soglie di classificazione per massimizzare la sensibilità del sistema di allerta precoce (Recall / F1 / ROC-AUC) riducendo i falsi negativi sui comuni in stato di fragilità finanziaria.
← Torna ai Progetti
Condividi articolo: