Analisi Settoriale e Gestione Competitiva - modelli di previsione della crisi

teorica che riguarda gli indici di bilancio. Pochi anni dopo, un ulteriore lavoro analizzò i bilanci di 183 società

fallite e dall’analisi emerse la regolarità negativa degli indicatori, che si aggravava in concomitanza della

cessazione dell’impresa. Questo filone di studi si arricchì del contributo di Merwin che analizzò le PMI

statunitensi individuando un range di oscillazione degli indici rappresentato dal risultato migliore e peggiore

delle imprese sane considerandone la media come valore di riferimento e di differenziazione dalle altre. Le

imprese fallite si allontanavano da questo valore e non rientravano nell’intervallo tra i due estremi.

Un’innovazione in questi studi fu introdotta da Tamari che considerò 6 indici con pari livello di

ponderazione. Un altro contributo impiegò l’approccio discriminante di tipo dicotomico, considerando due

soli indici per selezionare le realtà con l’analisi discriminante univariata.

Su questi presupposti si inserisce il lavoro di Altman che selezionò gli indici da ponderare impiegando

l’analisi discriminante. Quest’analisi, volta a classificare un determinato elemento E in un determinato

ambito, necessita che E appartenga ad uno dei due gruppi e che vi sia una preliminare conoscenza degli

elementi che li connotano. Si può procedere ad un confronto tra l’impresa focalizzata ed i risultati

dell’indagine campionaria svolta sui due gruppi, al fine di verificare la vicinanza di quest’impresa con uno o

con l’altro gruppo.

Proseguendo negli studi, Altman, insieme ad altri autori, ha perfezionato il sistema attraverso la selezione

degli indici più significativi e la ponderazione anche in funzione delle peculiarità degli ambiti osservati che

hanno superato i confini degli USA.

L’approccio individuato da Altman è stato accolto con ritardo in Italia per via della differente composizione

dell’assetto imprenditoriale che aveva determinato la tradizione di basare le proprie stime e proiezioni su

dati soggettivi, integrandoli con elementi oggettivi.

Anche in Italia si è generato un filone di studi che muove dallo Z score adattandolo a diverse situazioni e

contesti.

Tra i numerosi contributi di matrice statistica, importate risulta quello di Leticia Topa la quale, inserendosi

nel filone di Altman ed utilizzando anche tecniche di probabilità soggettiva, ha cercato di considerare

nell’analisi variabili di natura qualitativa. Il lavoro parte dalla verifica che il processo di credito è funzione di

fattori determinanti e di fattori complementari che consentono l’attribuzione numerica al parametro di

scoring.

MODELLO LOGISTICO

Nell’ambito dell’analisi discriminante, rientra il modello logistico che utilizza come tecnica di screening la

regressione, cercando la funzione che minimizza la distanza tra il giudizio sull’impresa e la curva di

rappresentazione del fenomeno “imprese fallite”. La peculiarità del modello è costituita dall’inserimento,

nell’ambito della selezione delle imprese, di una variabile qualitativa dipendente e di tante variabili

indipendenti per quanti sono gli indicatori utili a verificare le potenzialità di sopravvivenza dell’impresa.

In presenza di una funzione di densità di probabilità di tipo logistico si ha un modello “Logit”, mentre si ha

un modello “Probit” quando la funzione di densità di probabilità è di tipo normale.

L’analisi discriminante si propone di stabilire l’appartenenza di un’impresa ad una delle due categorie(sane

o fallite) tramite l’individuazione e la ponderazione di alcune prestabilite variabili. Il modello logistico non

discrimina le imprese in due categorie, ma cerca di individuare la distanza dall’insolvenza sulla base del

presupposto dell’esistenza di una relazione causa-effetto tra risultati contabili e probabilità di default.

Quando non è possibile prevedere la forma delle distribuzioni delle variabili o delle funzioni di densità della

probabilità, può essere utile l’applicazione dei modelli distribution-free tra i quali rivestono importanza il

metodo dell’istogramma ed il metodo di Kernel. 3

3. Modelli di intelligenza artificiale

L’intelligenza artificiale può definirsi come una parte dell’informatica, che riguarda vari ambiti disciplinari,

volti alla definizione di programmi impiegabili per la risoluzione di problematiche che richiederebbero

capacità cognitive e di calcolo rilevanti e laboriose.

Il progresso dell’informatica e l’approfondimento scientifico e filosofico hanno contribuito all’evoluzione di

questo approccio che oggi costituisce un importante strumento anche in ambito manageriale. Studi e

ricerche empiriche hanno dimostrato la validità delle reti neurali e della tecnica degli alberi decisionali,

soprattutto nell’ambito della previsione della crisi d’impresa.

RETI NEURALI

Le reti neurali replicano, per quanto possibile, il funzionamento del cervello umano e lo adattano a

differenti contesti in cui appare necessario assumere comportamenti razionali, ovvero avere rapide

informazioni derivanti da complesse rielaborazioni. Questo risultato è il frutto della riproduzione del

neurone biologico in processi informatici che danno vita ai nodi artificiali.

Una rete neurale è il risultato delle relazioni di numerosi neuroni che si attivano per effetto del

superamento di un determinato parametro da parte di questi segnali.

Le reti neurali biologiche, che costituiscono il modello di riferimento delle reti artificiali, presentano alcune

caratteristiche:

- resistenza al rumore, ovvero la capacità dei neuroni di filtrare le diverse notizie in ingresso

- doppio funzionamento, poiché i neuroni sono al tempo stesso memoria ed elaboratori di segnali

- resistenza alle lesioni, anche in caso di rottura di una componente la rete non perde le

informazioni in suo possesso

- auto-apprendimento, tramite l’esperienza la rete diventa efficiente e può confrontare le diverse

informazioni percepite

La rete neurale possiede la capacità di recepire le informazioni esterne , comprenderne le regole e adattarsi

all’ambiente auto-organizzandosi.

I processi di apprendimento possono distinguersi in :

- processi non supervisionati, per cui la replica della realtà deriva dall’autonoma elaborazione delle

informazioni esterne

- processi supervisionati, la rete riceve input ed output corrispondenti imparando il comportamento

da assumere

- processi per rinforzo, ovvero segnali di supporto offerti dall’esterno per consentire al sistema di

adottare la scelta migliore

La numerosità dei neuroni rendono complesso il funzionamento delle reti.

ALGORITMI GENETICI

Un’ulteriore applicazione dell’intelligenza artificiale è costituita dagli algoritmi genetici. Questo processo

evolutivo opera sulle popolazioni con un processo ciclico, privo di memoria e basato sulle esigenze

ambientali. La selezione genetica presuppone che la sopravvivenza non dipenda dalla forza degli individui,

ma dalla loro capacità di adattamento.

I modelli di previsione delle reti neurali e degli algoritmi genetici cercano di applicare i processi biologici di 4