📈 economics

Global Ease of Living Index: a machine learning framework for longitudinal analysis of major economies

Questo articolo introduce un framework di machine learning riproducibile che affronta le lacune nei dati e utilizza la riduzione della dimensionalità per costruire un indice globale della facilità di vivere, completo e longitudinale, per le principali economie dal 1970, fornendo ai decisori politici uno strumento trasparente per identificare e migliorare aree socio-economiche e infrastrutturali chiave.

Autori originali: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Pubblicato 2026-06-19

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover correggere la pagella di uno studente, ma invece di guardare solo i suoi voti in matematica e lettura, vuoi sapere quanto sia felice, sano, al sicuro e prospero nel complesso. Ora, immagina di fare questo per ogni paese del mondo, ma con un enorme problema: alcune pagelle hanno pagine mancanti, angoli strappati o intere materie che non sono mai state valutate perché i dati non sono stati raccolti.

Questo è esattamente ciò che gli autori di questo articolo si sono prefatti di fare. Hanno costruito un nuovo "report card" per il mondo chiamato Global Ease of Living Index (Global-EoLI). Ecco come l'hanno fatto, spiegato in modo semplice:

1. Il Problema: Pezzi Mancanti del Puzzle

Il mondo è pieno di modi diversi per misurare quanto sia buona la vita (come l' "Indice della Felicità" o il "PIL"), ma gli autori sostengono che siano imperfetti.

La Trappola della "Felicità": Alcuni indici si basano sul chiedere alle persone: "Sei felice?". Ma l'articolo dice che questo è come chiedere a una persona timida se è rumorosa; i pregiudizi culturali e il modo in cui le persone vogliono essere viste possono falsare i risultati.
I Dati Mancanti: Molti paesi, specialmente quelli in via di sviluppo, non hanno registri per tutto. Magari si sono dimenticati di tracciare il costo del pane per 20 anni, o non hanno contato quanti medici ci sono in una specifica regione. Se scarti semplicemente i paesi con dati mancanti, perdi una fetta enorme del quadro generale.

2. La Soluzione: L' "Officina di Riparazione dell'IA"

Per riparare le pagine mancanti delle pagelle, gli autori hanno usato il Machine Learning come un'officina di riparazione.

L'Analogia: Immagina di avere un puzzle con il 40% dei pezzi mancanti. Non puoi semplicemente indovinare a caso. Invece, guardi i pezzi che hai. Se vedi un modello di cielo blu e erba verde, puoi ipotizzare ragionevolmente che il pezzo mancante al centro sia probabilmente anch'esso blu o verde.
Lo Strumento: Hanno usato due modelli informatici intelligenti (chiamati Random Forest e MICE) per agire come esperti indovinatori. Questi modelli hanno osservato le relazioni tra diversi fatti (come il modo in cui il PIL di solito si relaziona con l'aspettativa di vita) per riempire i vuoti con i numeri più probabili. Hanno testato questi modelli per assicurarsi che le "ipotesi" si adattassero perfettamente all'immagine originale.

3. Costruire l'Indice: I Quattro Pilastri

Una volta ottenuto un set di dati completo, non hanno semplicemente sommato tutto. Hanno organizzato i dati in quattro "pilastri" o categorie principali, come le quattro gambe di un tavolo robusto:

Economico: Quanto denaro c'è? (Crescita, posti di lavoro, costo della vita).
Istituzionale: Quanto funziona bene il governo? (La legge è equa? C'è corruzione? Le persone possono parlare liberamente?).
Qualità della Vita: Le persone sono sane e al sicuro? (Aspettativa di vita, accesso all'assistenza sanitaria, tassi di criminalità).
Sostenibilità: Il pianeta è trattato bene? (Inquinamento, energia rinnovabile, emissioni di carbonio).

4. Il "Filtro Magico": Trovare la Storia Reale

Gli autori avevano centinaia di numeri diversi (indicatori). Per dare un senso a loro, hanno usato una tecnica statistica chiamata Analisi Fattoriale.

L'Analogia: Immagina di avere un sacchetto di 100 biglie di colori diversi. Alcune sono rosse, altre blu, altre verdi. L'Analisi Fattoriale è come un filtro magico che le smista in quattro contenitori distinti in base ai loro schemi di colore. Ti dice: "Ok, questi 25 numeri si muovono tutti insieme e rappresentano la 'Salute Economica', mentre questi altri 15 rappresentano la 'Qualità del Governo'".
Questo ha permesso loro di creare quattro sottoclassi chiare per ogni paese, che hanno poi combinato in un unico punteggio finale.

5. Cosa Hanno Trovato: Il Quadro Generale

Hanno eseguito questo indice dal 1970 al 2022 e hanno osservato le principali economie come USA, Cina, India, Australia e Germania.

Le Nazioni Sviluppate: Paesi come Australia, Germania e Giappone hanno ottenuto costantemente punteggi alti. Hanno "tavoli" forti con tutte e quattro le gambe (economia, governo, qualità della vita, ambiente) che stanno ben dritte.
I Giganti in Ascesa: Paesi come Cina e India hanno mostrato una crescita massiccia nella loro gamba Economica. Stanno costruendo il tavolo molto velocemente! Tuttavia, le loro gambe di Sostenibilità e Qualità della Vita stanno ancora recuperando, il che significa che stanno crescendo ricchi ma affrontano ancora sfide con l'inquinamento e l'accesso all'assistenza sanitaria.
Lo Scontro tra "Felicità" e "Facilità di Vita": L'articolo ha confrontato il loro nuovo indice con il famoso "Indice Mondiale della Felicità". Hanno trovato un grande distacco. Ad esempio, l'India si posiziona molto più in alto nel nuovo indice di "Facilità di Vita" (51°) rispetto all'indice di "Felicità" (139°).
- Perché? Gli autori sostengono che l'Indice della Felicità sia difettoso perché si basa su piccoli sondaggi che non rappresentano miliardi di persone e si concentra troppo sul denaro (PIL) senza considerare quanto sia costosa la vita. Il loro nuovo indice dice: "L'India potrebbe non essere il paese più 'felice' in un sondaggio, ma le condizioni reali di vita lì stanno migliorando e sono migliori di quanto suggerisca l'Indice della Felicità".

6. La Conclusione

Gli autori non si sono limitati a fare una lista di numeri; hanno costruito uno strumento trasparente e riproducibile.

Open Source: Hanno messo tutto il loro codice e i dati su internet (GitHub) in modo che chiunque possa controllare il loro lavoro o usarlo per aggiornare l'indice.
Per i Decisori Politici: Questo strumento aiuta i leader a vedere esattamente dove il loro paese è debole. Se un paese va alla grande per quanto riguarda il denaro ma è terribile per l'inquinamento, l'indice accende un segnale rosso sulla gamba della "Sostenibilità", dicendo loro: "Ehi, sistema questa parte specifica del tavolo".

In breve, questo articolo riguarda la costruzione di una pagella più equa e completa per il mondo, usando computer intelligenti per riempire i vuoti, in modo da poter vedere il vero stato di come le persone vivono, non solo quanto denaro guadagnano.

Sintesi Tecnica: Indice Globale della Facilità di Vita (Global-EoLI)

Problematica
Gli indici esistenti per la valutazione della qualità della vita e della facilità di vita, come il World Happiness Index o il Global Livability Index, soffrono di limitazioni significative. Queste includono una forte dipendenza da dati auto-riferiti soggettivi (che introducono bias culturali ed effetti di desiderabilità sociale), una mancanza di trasparenza nelle metodologie di ponderazione e un eccessivo affidamento su dati aggregati che potrebbero non riflettere le realtà locali. Inoltre, molti indici non riescono ad adeguatamente catturare la natura multidimensionale del benessere, isolando spesso i fattori economici dalle condizioni socio-economiche e infrastrutturali. Una sfida tecnica critica è la prevalenza di dati mancanti negli indicatori economici e sociali storici, in particolare per le nazioni in via di sviluppo e per specifici periodi (ad esempio, l'indice del costo della vita mancante dal 1970 al 2012, l'indice sanitario mancante fino al 92,44% in certi periodi). I semplici metodi di imputazione come la sostituzione con la media o l'eliminazione dei casi (listwise deletion) possono distorcere i modelli sottostanti dei dati e causare una perdita di informazioni.

Metodologia
Gli autori propongono un framework di machine learning per costruire un indice longitudinale della Facilità di Vita Globale (Global-EoLI) che copra le principali economie dal 1970 al 2022. La metodologia procede attraverso sette fasi distinte:

Raccolta Dati: I dati sono stati aggregati da fonti tra cui l'FMI, l'OMS e la Banca Mondiale, coprendo 70 paesi. Il dataset include quattro sotto-indici primari: Economico, Istituzionale, Qualità della Vita e Sostenibilità.
Imputazione dei Dati: Per affrontare i valori mancanti (che variano da circa il 2% a oltre il 90% per specifiche variabili), lo studio confronta due tecniche di imputazione avanzate:
- Random Forest Regressor (RFR): Un metodo d'insieme (ensemble) capace di catturare complesse relazioni non lineari senza forti assunzioni sulla distribuzione.
- Multiple Imputation by Chained Equations (MICE): Una tecnica statistica che genera molteplici dataset plausibili per tenere conto dell'incertezza dell'imputazione.
- Selezione: Lo studio valuta entrambi i metodi utilizzando l'Errore Quadratico Medio (RMSE) e l'Errore Assoluto Medio (MAE) su dati mancanti sintetici. Il RFR ha dimostrato prestazioni superiori, in particolare nel gestire dati ambientali non lineari e complessi, ed è stato prioritizzato per la costruzione dell'indice finale. I grafici di Stima della Densità del Kernel (KDE) sono stati utilizzati per verificare che le distribuzioni imputate si allineassero con i dati osservati.
Pre-elaborazione e Standardizzazione: I dati sono stati raggruppati per paese e anno. Le variabili ordinali e categoriche sono state rimosse prima della standardizzazione. Le variabili continue sono state sottoposte a standardizzazione z-score ( $x - \mu / \sigma$ ) dopo l'imputazione per garantire che i parametri di scala fossero derivati dal dataset completo, evitando bias.
Riduzione della Dimensionalità e Costruzione dei Sotto-indici:
- Analisi delle Componenti Principali (PCA): Utilizzata come strumento esplorativo per determinare il numero appropriato di fattori latenti basandosi sull'analisi degli autovalori (criterio di Kaiser) e per valutare la varianza spiegata.
- Analisi Fattoriale (FA): Impiegata con rotazione varimax come metodo principale per estrarre le dimensioni latenti e calcolare i punteggi fattoriali. Questo passaggio ha identificato quattro fattori distinti corrispondenti ai quattro sotto-indici (Istituzionale, Qualità della Vita, Economico e Sostenibilità). Il test di Kaiser-Meyer-Olkin (KMO) è stato utilizzato per verificare l'adeguatezza del campionamento; in particolare, il sotto-indice di Sostenibilità ha mostrato un'adeguatezza più debole (KMO < 0,5 con RFR), portando gli autori a trattare i suoi risultati con cautela e a preferire le specifiche basate su MICE per questa specifica dimensione.
Ponderazione e Aggregazione: I quattro sotto-indici sono stati aggregati nel Global-EoLI finale utilizzando pesi fissi ispirati all'Ease of Living Index del Ministero dell'Edilizia e degli Affari Urbani indiano, ma aggiustati per ridurre la dipendenza da fattori puramente economici. I pesi assegnati sono stati:
- Qualità della Vita: 0,35
- Economico: 0,25
- Istituzionale: 0,25
- Sostenibilità: 0,15
Analisi Longitudinale: L'indice risultante è stato utilizzato per classificare annualmente i paesi dal 1970 al 2021, con un focus sui membri del G20 e un mix di nazioni sviluppate (es. USA, Germania, Australia) e in via di sviluppo (es. India, Cina, Malaysia).

Risultati Chiave

Prestazioni dell'Imputazione: Il RFR ha superato il MICE in termini di RMSE e MAE nella maggior parte dei sotto-indici, in particolare nei domini della Sostenibilità e della Qualità della Vita dove le relazioni tra i dati sono non lineari.
Struttura Fattoriale: L'Analisi Fattoriale ha identificato con successo quattro fattori latenti coerenti. Il fattore Istituzionale è dominato da indicatori di governance (Stato di diritto, Controllo della corruzione), mentre il fattore Qualità della Vita è guidato da metriche di sviluppo umano (HDI, Aspettativa di vita).
Classifiche dei Paesi (2021): Le nazioni sviluppate (Australia, Giappone, Canada, Germania) si sono costantemente classificate alte nel Global-EoLI. L'Australia si è classificata 4ª, seguita dal Giappone (8ª) e dal Canada (17ª). Le economie emergenti come l'India (51ª) e la Cina (41ª) hanno mostrato classifiche complessive inferiori nonostante la forte crescita economica, evidenziando lacune nella stabilità istituzionale, nella qualità della vita e nella sostenibilità.
Confronto con l'Happiness Index: Lo studio ha riscontrato disparità significative tra il Global-EoLI e il World Happiness Index. Ad esempio, l'India si è classificata 51ª nel Global-EoLI ma 139ª nell'Happiness Index. Gli autori attribuiscono ciò alla dipendenza dell'Happiness Index da campioni ridotti (2.000–3.000 rispondenti) per popolazioni massicce e al suo forte peso sul PIL pro capite senza l'aggiustamento per il costo della vita.
Robustezza: L'analisi di sensibilità utilizzando schemi di ponderazione alternativi (es. pesi uguali, pesi maggiori per la sostenibilità) ha mostato che le classifiche delle nazioni sviluppate con le migliori prestazioni sono rimaste relativamente stabili, mentre le economie emergenti hanno mostrato maggiore volatilità, riflettendo la loro performance disomogenea attraverso le quattro dimensioni.

Significatività e Rivendicazioni
Il documento sostiene di offrire un framework trasparente, riproducibile e completo per valutare gli standard di vita che affronta i limiti degli indici esistenti. I contributi chiave includono:

Rigore Metodologico: L'integazione del machine learning (RFR) per gestire l'alto livello di dati mancanti in dataset longitudinali, garantendo la completezza dei dati senza ricorrere a una semplice eliminazione.
Prospettiva Multidimensionale: Combinando le dimensioni Economica, Istituzionale, Qualità della Vita e Sostenibilità, l'indice fornisce una visione più olistica del benessere rispetto agli indici centrati sul PIL o su un singolo fattore.
Utilità Politica: Il framework funge da strumento pratico per i decisori politici per identificare aree specifiche che richiedono interventi (ad esempio, sistemi sanitari, sicurezza pubblica, sostenibilità ambientale) in diversi contesti economici.
Trasparenza: Gli autori sottolineano che il codice e i dati sono open-source, permettendo la verifica indipendente e l'applicazione ad altri contesti.

Gli autori riconoscono modestamente i limiti, notando che le variabili con un tasso di dati mancanti estremamente elevato (ad esempio, >80%) si basano pesantemente sulla ricostruzione basata su modelli e dovrebbero essere interpretate con cautela. Notano inoltre che il sotto-indice di Sostenibilità ha presentato una affidabilità della struttura fattoriale più debole rispetto alle altre dimensioni. Lo studio conclude che, sebbene il Global-EoLI migliori rispetto alle metriche esistenti, il lavoro futuro dovrebbe esplorare l'inferenza bayesiana per la quantificazione dell'incertezza e incorporare metriche ambientali più granulari.