Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

Immaginate l'economia globale come un enorme e frenetico mercato, dove tutti cercano di scambiare, risparmiare e acquistare cose. Per molto tempo, questo mercato è stato principalmente fisico: era necessario recarsi in banca, portare con sé contanti o scrivere un assegno. Ma recentemente, è apparso uno strumento magico: i pagamenti digitali. Questi sono come monete invisibili che sfrecciano nell'aria tramite smartphone e computer, permettendo alle persone di pagare le cose senza mai toccare denaro cartaceo. Questo cambiamento è fondamentale perché aiuta le persone che erano precedentemente escluse dal mercato — come quelle in villaggi remoti o senza molto denaro — a partecipare finalmente alla festa. Questo si chiama "inclusione finanziaria", ed è la chiave per aiutare tutti a costruire una vita migliore.

Ma ecco la parte complicata: non tutti stanno ancora usando queste monete digitali. Alcuni si stanno tuffando a capofitto, mentre altri stanno guardando ai margini, confusi o spaventati. Scienziati ed economisti hanno cercato di capire esattamente perché alcune persone adottano questi nuovi strumenti mentre altre no. Cercano indizi come quanto guadagna una persona, quanti anni ha e se possiede uno smartphone. Tradizionalmente, usavano una matematica semplice per indovinare la risposta, ma il mondo è disordinato e complicato. A volte, gli indizi interagiscono in modi strani — come il fatto che avere uno smartphone non serve a nulla se non sai come usarlo, o che avere denaro non serve a nulla se non ti fidi di Internet. Per risolvere questo enigma, i ricercatori stanno ora usando il "machine learning", che è come insegnare a un robot super intelligente a guardare milioni di indizi contemporaneamente e trovare schemi che i cervelli umani potrebbero perdere.

In questo studio, un team di ricercatori ha deciso di costruire un detective robot super-intelligente per risolvere il mistero dell'adozione dei pagamenti digitali. Non hanno chiesto solo a un robot; hanno costruito un intero team di robot, ognuno con un modo diverso di pensare, e poi hanno insegnato loro a lavorare insieme. Hanno utilizzato un enorme dataset chiamato "Global Findex 2025", che è come un gigantesco album di foto contenente informazioni su 140.90 l'adulti di 141 paesi diversi. Dopo aver ripulito le parti disordinate dei dati, hanno ottenuto un quadro chiaro di 102.954 persone da studiare.

I ricercatori hanno iniziato fornendo al loro team di robot un elenco di 183 diversi indizi (variabili) da osservare, come i livelli di istruzione, l'accesso a Internet e le fonti di reddito. Per rendere il lavoro più facile, hanno usato un filtro intelligente per selezionare i 66 indizi più importanti e poi hanno combinato alcuni di essi in nuovi "super-indizi". Per esempio, hanno creato un "super-indizio" che moltiplicava il livello di istruzione di una persona per il suo utilizzo di Internet, perché il team sospettava che avere entrambi insieme fosse molto più potente che averne solo uno. Hanno anche creato nuovi indizi su quanti diversi modi una persona ha per guadagnare denaro e quanto sia "propensa finanziariamente" (come ad esempio se risparmia denaro o possiede una carta di credito).

Successivamente, i ricercatori hanno addestrato tre diversi tipi di robot "base" utilizzando algoritmi avanzati chiamati XGBoost, LightGBM e CatBoost. Pensate a questi come a tre detective diversi: uno è bravo a cogliere piccoli dettagli, un altro è veloce nell'elaborare enormi quantità di informazioni e il terzo è eccellente nel gestire dati categorici disordinati. Non si sono limitati a far indovinare questi robot; hanno usato uno strumento speciale chiamato Optuna per perfezionare le loro impostazioni, come regolare la messa a fuoco di una fotocamera, per assicurarsi che fossero il più nitidi possibile.

Ma la vera magia è avvenuta quando hanno deciso di mettere questi robot in un team di "stacking". Invece di lasciare che un solo robot prendesse la decisione finale, hanno fatto sì che i tre robot base facessero prima le loro ipotesi. Poi, hanno inserito queste ipotesi in un robot "meta-learner" (in questo caso, un classificatore ExtraTrees) il cui unico compito era ascoltare i tre robot base e decidere chi avesse ragione. È come avere tre esperti che danno le loro opinioni, e poi un giudice saggio che ascolta tutti per dare il verdetto finale. I ricercatori hanno testato questo team contro altri metodi, come chiedere a un solo robot o far votare i robot a maggioranza.

I risultati sono stati impressionanti. Il team di "stacking", specificamente la combinazione di LightGBM e XGBoost come detective base con il robot ExtraTrees come giudice, ha indovinato il 93,04% delle volte. Questo è stato il punteggio migliore che hanno trovato, superando i singoli robot e altre combinazioni di team. I ricercatori hanno anche usato uno strumento chiamato SHAP per sbirciare dentro il cervello del robot e vedere perché prendeva le sue decisioni. Hanno scoperto che il robot era fortemente influenzato da tre fattori principali: quanto livello di istruzione aveva una persona, se aveva accesso a Internet e quanto denaro guadagnava. Interessantemente, il robot ha imparato che l'istruzione e l'accesso a Internet funzionano meglio quando avvengono insieme; avere l'uno senza l'altro non era altrettanto utile.

Lo studio ha anche mostrato che, sebbene l'ottimizzazione degli iperparametri (fine-tuning) dei robot abbia aiutato un po', il vero ingrediente segreto era la struttura del team stesso. L'approccio di "stacking" ha reso le previsioni molto più stabili e accurate di quanto potesse fare un singolo robot da solo. Tuttavia, i ricercatori hanno notato che il loro robot ha ancora faticato un po' a prevedere il comportamento delle popolazioni a basso reddito e rurali. Ciò suggerisce che, per questi gruppi, esistono ancora barriere nascoste — come la mancanza di fiducia, la paura della sicurezza o la bassa velocità di Internet — che il robot non poteva spiegare completamente solo con i dati in suo possesso.

In conclusione, questo articolo mostra che, utilizzando un team di modelli di machine learning intelligenti e specializzati che lavorano insieme, possiamo prevedere con un'altissima precisione chi inizierà a usare i pagamenti digitali. Conferma che l'istruzione e l'accesso a Internet sono le chiavi d'oro per sbloccare l'inclusione finanziaria, ma ci avverte anche che costruire semplicemente l'infrastruttura non è sufficiente; dobbiamo assicurarci che le persone abbiano le competenze e la fiducia per usarla. I ricercatori suggeriscono che gli studi futuri dovrebbero osservare come questi comportamenti cambiano nel tempo e includere fattori economici più ampi, ma per ora, questo team di robot "impilati" offre la nostra visione più chiara finora di come la rivoluzione del denaro digitale si stia diffondendo in tutto il mondo.