A Multi-Input Approach for SME Default Using Explainable Deep Learning

Nella complessa macchina di un'economia moderna, le piccole e medie imprese agiscono come gli ingranaggi essenziali che mantengono tutto in movimento. Esse impiegano milioni di persone, guidano l'innovazione e formano la spina dorsale della ricchezza nazionale. Eppure, queste aziende affrontano una costante scommessa ad alta posta in gioco: il rischio di insolvenza, ovvero l'incapacità di ripagare i propri debiti. Per le banche e i prestatori, prevedere quale azienda potrebbe fallire prima che ciò accada è una questione di stabilità finanziaria. Per decenni, gli esperti hanno cercato di risolvere questo enigma utilizzando modelli matematici che analizzano i bilanci di un'azienda — i suoi asset, i debiti e i profitti — per indovinare il suo futuro. Questi metodi tradizionali funzionano ragionevolmente bene, ma spesso trattano la storia di un'azienda come un singolo scatto fotografico, ignorando come quell'azienda sia cambiata nel corso degli anni. Tendono inoltre a trascurare altri dettagli cruciali, come chi gestisce l'azienda o dove si trova, concentrandosi quasi esclusivamente sui numeri del registro contabile.

Un team di ricercatori dell'Università degli Studi di Napoli "Parthenope" in Italia ha sviluppato un nuovo modo di guardare a questo problema, uno che tratta un'impresa più come una storia vivente che come una fotografia statica. Invece di affidarsi a una singola, rigida formula, hanno costruito un sofisticato sistema informatico capace di leggere più tipi di informazioni contemporaneamente. Questo sistema, che chiamano rete neurale multi-input, è progettato per digerire tre flussi distinti di dati: la storia finanziaria di un'azienda nel corso di diversi anni, le caratteristiche della sua leadership e struttura gestionale, e le condizioni economiche della specifica regione in cui opera. Intrecciando questi diversi fili, i ricercatori hanno creato un modello capace di vedere schemi e connessioni che i vecchi metodi perdono. Il loro lavoro suggerisce che, per comprendere veramente il rischio che un'impresa fallisca, bisogna guardare alla sua traiettoria passata, alla sua leadership attuale e al suo contesto, non solo al suo bilancio.

I ricercatori hanno testato questo nuovo approccio utilizzando un enorme dataset di piccole e medie imprese italiane, coprendo il periodo dal 2013 al 2022. Si sono concentrati su aziende consolidate che fossero in attività da almeno tre anni, escludendo le micro-imprese molto piccole perché i loro registri finanziari sono spesso troppo brevi o le loro strutture gestionali troppo semplici per fornire la storia dettagliata necessaria per questo tipo di analisi. Il team ha raccolto informazioni su migliaia di aziende, inclusi i profitti annuali, i debiti e gli asset, così come dettagli sui membri del consiglio di amministrazione, come l'età, il genere e l'esperienza. Hanno anche annotato la regione specifica in cui ogni azienda aveva sede, riconoscendo che le condizioni economiche locali possono influenzare il successo di un'impresa.

Per elaborare questa informazione diversificata, i ricercatori hanno costruito un'architettura digitale con tre percorsi specializzati, o "sottoreti", che alimentano un'unità centrale di processo decisionale. Il primo percorso era progettato per gestire i dati finanziari, che cambiano ogni anno. Invece di guardare solo i numeri dell'anno più recente, questa parte del sistema utilizza un tipo di intelligenza artificiale nota come rete Long Short-Term Memory. Questa tecnologia è particolarmente brava a ricordare le sequenze; osserva la storia finanziaria di un'azienda nel corso di diversi anni per comprenderne il trend, proprio come un medico potrebbe osservare i registri sanitari di un paziente nell'arco di un decennio piuttosto che solo la sua temperatura in un singolo giorno. Il secondo percorso elabora i dati di governance, che descrivono le persone al comando. Poiché i team di leadership non cambiano con la stessa frequenza dei numeri finanziari, questa parte del sistema tratta tali informazioni come un insieme stabile di fatti sulla struttura dell'azienda. Il terzo percorso gestisce i dati regionali, convertendo il nome di una regione in un codice numerico che permette al sistema di apprendere come le diverse aree geografiche influenzino il rischio d'impresa.

Una volta elaborati questi tre flussi di informazioni, essi vengono combinati in un quadro unico e coerente dell'azienda. Questa visione combinata viene poi passata a uno strato finale che calcola la probabilità che l'azienda sia insolvente nell'anno a venire. I ricercatori hanno confrontato questo nuovo sistema multi-input con altri tre metodi comunemente utilizzati nel settore: un modello statistico tradizionale noto come regressione logistica, uno strumento di machine learning potente chiamato XGBoost e un modello standard di deep learning che non tiene conto delle sequenze temporali. Hanno testato questi modelli chiedendo loro di prevedere quali aziende sarebbero fallite nel 2021 e nel 2022, basandosi sui dati disponibili l'anno precedente.

I risultati hanno mostrato che il nuovo approccio multi-input era il predittore più accurato. Nei test progettati per vedere quanto bene i modelli riuscissero a distinguere tra le aziende che sarebbero sopravvissute e quelle che sarebbero fallite, il nuovo sistema ha costantemente superato gli altri. Ha ottenuto i punteggi più alti nell'identificare correttamente sia le aziende che sarebbero sopravvissute sia quelle che sarebbero fallite, raggiungendo un equilibrio migliore rispetto agli altri modelli. Mentre il modello statistico tradizionale e gli strumenti standard di machine learning commettevano più errori, il nuovo sistema ha dimostrato una capacità superiore di adattarsi ai nuovi dati ed evitare il comune errore dell'overfitting, ovvero quando un modello memorizza i dati passati così perfettamente da non riuscire a prevedere il futuro.

Oltre a prevedere semplicemente chi sarebbe fallito, i ricercatori volevano capire perché il loro modello prendesse tali decisioni. I sistemi di deep learning sono spesso criticati per essere "black box" (scatole nere), il che significa che la loro logica interna è così complaesa che gli esseri umani non possono facilmente spiegare come siano giunti a una conclusione. Per affrontare questo, il team ha utilizzato una tecnica chiamata valori di Shapley, che agisce come un calcolatore di equità per misurare quanto ogni pezzo di informazione abbia contribuito alla previsione finale. Hanno scoperto che gli indicatori finanziari ed economici erano, come previsto, i driver più forti della previsione. Tuttavia, l'analisi ha rivelato qualcosa di importante: le caratteristiche della governance dell'azienda e la sua posizione geografica giocavano anche un ruolo significativo e non trascurabile. Sebbene i dati finanziari portassero il peso maggiore, il modello ha mostato che ignorare le persone al comando o il contesto economico locale avrebbe portato a previsioni meno accurate. I dati regionali, ad esempio, contribuivano per meno del 20 percento alla decisione finale, ma tale piccola quantità era comunque significativa abbastanza da migliorare l'accuratezza complessiva.

Questo studio conferma che guardare un'impresa attraverso una singola lente non è più sufficiente per una valutazione del rischio accurata. Integrando la storia finanziaria, i dettagli sulla leadership e il contesto regionale in un unico sistema flessibile, i ricercatori hanno creato uno strumento che offre una visione più completa e affidabile della salute aziendale. Il loro lavoro suggerisce che il futuro della previsione del fallimento aziendale risiede in modelli capaci di gestire diversi tipi di dati simultaneamente, rispettando il modo unico in cui ogni pezzo di informazione evolve nel tempo. Sebbene il modello sia stato testato specificamente su aziende italiane, l'approccio offre un modello di riferimento per come prestatori e analisti altrove possano comprendere meglio le complesse realtà delle imprese che sostengono. Le scoperte non eliminano il rischio di fallimento, ma forniscono una mappa più chiara e sfumata per navigarlo.