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
- 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.
- Gestione dello Sbilanciamento tra Classi (
SMOTEvs.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).
- 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: