LEZIONE 7 13/10/2014

ARTICOLO 5: I modelli di previsione delle insolvenze: multiple discriminant analysis e

reti neurali a confronto (1994)
Questo lavoro offre diversi autori (Altman e 2 autori italiani, quali Marco E Varetto). Gli Autori mettono a confronto la
metodologia di diagnosi dell’insolvenza proposta da Altman (MDA) con la cosiddetta “metodologia delle reti neurali”
(neural networks - NN). Il metodo delle reti neurali, è generalmente usato nelle scienze biologiche. È un modello che
guarda l’impresa come un essere vivente e le informazioni si gestiscono nell’impresa come se fosse un essere vivente
(cioè si gestiscono le informazioni in maniera diversa tra le varie imprese). L’obiettivo è di tirare fuori dalle
informazioni, un modello diagnostico dell’insolvenza futura.
I ricercatori ripetono il test MDA e poi conducono e confrontano tale con il modello neurale.
L’analisi empirica è condotta su un campione di imprese italiane nella sede di Torino della Centrale dei Bilanci,
organismo confederale stabilito nel 1983 da Banca d’Italia, Associazione Bancaria Italiana e oltre 40 importanti banche
e istituti di credito italiani, che negli anni ’90 includeva oltre 70 membri.
Un progetto fondamentale della Centrale dei Bilanci è quello di costruire un database delle imprese italiane in rischio
di default, e contemporaneamente, contribuire alla ricerca sulla metodologia diagnostica dell’insolvenza.
La zona grigia è rappresentata dalle imprese “un-sound”, per le quali dai dati di bilancio NON si riesce a capre se
l’impresa è sana. Confronta l’imprese sane con le vulnerabili e le un-sound.
Scompone tutte le imprese. Prima trova una retta al centro.
dice che c’è un area grigia in cui c’è il dubbio che alcune
imprese NON lascino la riga.

Con la nuova tecnica, valuta i confini dell’area grigia.

IL MODELLO MDA:
- Analisi col metodo MDA di un campione di imprese in unsound e di un gruppo di pari sane (campionamento simile a
quello di Altman, 1968);
- vengono scelte imprese selezionate in un campione complessivo di 1,000 imprese industriali italiane di piccole e
medie dimensioni (ricavi di vendita<100 mld lire) con dati disponibili tra il 1985 e il 1992, selezionate in un campione
totale di circa 37,000 imprese. Scelto l’arco temporale tra 1985 e 1992, sulle 37.000 imprese con un fatturato massimo
di 100 mld di lire; di queste 37.000 ne sceglie 1000 a random e le classifica in 3 categorie (sane, un-bound o
vulnerabili). È probabile che durante l’arco temporale, tali imprese possano variare di categoria. Tali autori prima
analizzano le imprese sane su tutto il resto e poi le un-sound rispetto al resto;
- in generale esistono almeno 3 categorie in cui classificare le imprese: sane, normali (unsound) e vulnerabili.
L’ampiezza di ciascuna categoria cambia nel tempo e i confini sono difficili da definire. L’MDA non è in grado di
distinguere in modo accurato le imprese unsound da quelle vive ma vulnerabili, poiché di sicuro è più difficile
categorizzarle, considerando che sono due gruppi di imprese “malate”. È più semplice, invece, distinguere le sane
dalle malate.
NB: è interessante perché lavora anche su imprese che NON sono fallite.

Tenuto conto della difficoltà di discernimento tra la categoria intermedia e le altre, si decide di creare due sub-
modelli:
- F1: 404 unsound e 404 sane;
- F2: 404 unsound e 404 vulnerabili.
Dunque, nel 1° e 2° passaggio sceglie 404 e 404 imprese da valutare.
Unsound: selezionate dal database di 37,000 imprese nel caso in cui l’impresa:
1) ha subito procedimenti per bancarotta;
2) è stata insolvente in relazioni commerciali (assegno scoperto);
3) non ha soddisfatto un pagamento bancario in scadenza.
Per essere “unsound” devono avere 3 caratteristiche (le precedenti). Alla centrale rischi è arrivata una segnalazione
che può mettere in dubbio la qualità del bilancio dell’impresa.
Vulnerable : selezionate tra le 37,000 adoperando indicatori di bilancio (poi non adoperati nella regressione MDA)
Healthy: selezionate tra le 37,000 imprese come pair-match delle precedenti (per size, industry e location).
Questi ultimi 2 (vulnerable ed Healthy) sono un’accoppiata di indicatori di buona qualità con quelli di cattiva qualità.

Esclude le osservazioni con segno contraddittorio e con comportamento ambiguo (cioè tutte quelle imprese che
vanno su e giù da un passaggio all’altro).
Stima effettuata con modello Logit e con modello MDA. Poiché con la stima Logit NON si sono verificati miglioramenti
nelle stime, è stato mantenuto il solo modello MDA, ripetuto in t-1 e t-3. Ripete il test su t-1 e t-3, quindi ha archi
temporali piuttosto lunghi. Il modello MDA è molto buono quando siamo vicini al momento negativo, mentre meno
buono quando ci allontaniamo da esso.
I risultati dell’MDA sono incoraggianti:
- Nella F1 la stima effettuata 3 anni prima della classificazione dà l’86.4% di risultati corretti sulle unsound, che sale
a 96.5% in t-1;
- Nella F2 le stime sono peggiori: 60% sulle unsound in t-3, che arriva a 82.7% in t-1.

Unsound firms, sono i risultati visti in precedenza. Per le vulnerable firms, si mostra che la situazione va meglio.
Usa le variabili che Altman usava nel suo 1° paper (le 5 x) ed arriva ad una soluzione riguardo alla percentuale di
errore.
La solidità economica viene considerata un indicatore fondamentale (è interessante perché si tratta di un indicatore di
liquidità, considerato da tutti gli autori, tranne Altman, inutile). Viene il dubbio che l’analisi NON sia ufficiale, perché
analizzano SOLO tale indicatore di solidità.
In questi 2 grafici, sono analizzati i risultati a T-5. In questa data con l’MDA NON sono in grado di ottenere dei risultati
validi. Da T-3 in poi il risultato è un pò migliore.
Dal grafico si dimostra che a T-5 non lo beccano, T-4 è proprio fuori, la beccano a T-3.
Analizzano le imprese sane e poi le incerte.
In F2 analizzano le incerte, vulnerabili ed intensamente vulnerabili. Queste slide hanno riguardato il modello MDA.

IL MODELLO NN:
Una rete neurale (NN "Neural Network" in inglese) è un modello matematico di calcolo basato sulle reti neurali
biologiche. Tale modello è costituito da un gruppo di interconnessioni di informazioni costituite da neuroni artificiali e
processi che utilizzano un approccio di connessionismo di calcolo. Nella maggior parte dei casi una rete neurale
artificiale è un sistema adattivo che cambia la sua struttura basata su informazioni esterne o interne che scorrono
attraverso la rete durante la fase di apprendimento. In pratica, tale modello valuta 2 poli e misura la probabilità che
un polo sia influenzato a T-1, T-2 da altri poli. B è provocato da A per le sue connessioni con C, D, ecc..
In termini pratici le reti neurali sono strutture non-lineari di dati statistici organizzate come strumenti di modellazione.
Esse possono essere utilizzate per simulare relazioni complesse tra ingressi e uscite che altre funzioni analitiche non
riescono a rappresentare.
Una rete neurale artificiale riceve segnali esterni su uno strato di nodi (unità di elaborazione) d'ingresso, ciascuno dei
quali è collegato con numerosi nodi interni, organizzati in più livelli. Ogni nodo elabora i segnali ricevuti e trasmette il
risultato a nodi successivi.
L’obiettivo NON è valutare la relazione tra variabili di mercato ed insolvenza, ma si cercano comportamenti simili tra
imprese sane, un-sound ecc…

In sostanza, ogni unità (i) riceve un input (xi) dall’esterno o da altre i a cui è connessa, con un’intensità pari a wji ; ne
risulta un potenziale (Pi) da cui discende il risultato dell’analisi risultato yi.

y = impresa è sana o NON sana.

L’utilizzo delle NN in questo lavoro ha più obiettivi:

- verificare la capacità delle NN di riprodurre i risultati ottenuti con l’MDA. Dire che il risultato dell’NN NON è uguale
all’MDA, vuol dire fortificare questo modello intendendolo buono;
- verificare la capacità delle NN di separare le imprese sane da quelle in bancarotta (N.B.: si torna ad un modello
binario). L’obiettivo è di avere un risultato 0 o 1, valutando cosa è sano, da cosa è vulnerabile;
- verificare come cambia nel tempo la classificazione. La classificazione delle imprese, per valutare con la NN se
l’impresa si comporta diversamente in T-4, T-5 ecc…;
- verificare la capacità delle NN di distinguere 3 categorie: sane, unsound e vulnerabili. In altre parole valutare se il
risultato sarà migliore o differente.

RISULTATI:
In realtà, NON vi è netta distinzione fra default e NON-default, ma si individuano gruppi con comportamenti fa loro
coerenti: la linearità nel modello NN è una forzatura. Tuttavia, nessun gruppo è a cavallo della funzione discriminante
disegnata dal modello MDA.

La riga, distingue le imprese sane da tutto il resto, mentre

l’insieme di imprese sono quelle separate dalle NN. Ma NON è un modello valido al 100%. Nessuna di queste categorie
attraversa la linea messa dall’ MDA.
Dunque tutti i sottogruppi di imprese sane, si comportano diversamente dalle vulnerabili. Ciò porta a conclusioni che
potrebbero coesistere (sono risultati che NON sono conflittuali).

Il sistema conserva ed adopera i risultati storici, quindi vedere come T-1 influenza T-2, T-3, ecc…

Ho risultati da un lato con NN e dall’altro con tabelle discriminanti (con la funzione F1 per distinguere le imprese sane
da quelle un-bound).

Il risultato delle NN è buono, ma è sempre

di poco inferiore rispetto alle tabelle discriminanti.

CONCLUSIONI:
1) in realtà la capacità predittiva del modello MDA è maggiore di quella del modello NN, tuttavia le reti neurali
sembrano uno strumento molto interessante;
2) in realtà l’intento comparativo tra i due modelli ha obbligato i ricercatori ad alcune forzature nell’applicazione del
modello:
- lo studio delle NN come dipendenza lineare, che non è tipica di quel modello;
- l’esclusione di nodi che si comportano in maniera non logica o non accettabile, che in realtà è proprio uno dei
progressi esplorativi che possono ottenersi dalle NN;
3) NON arrivano a nulla di diverso, ma ad un risultato in linea con la storia;
4) è un modello nuovo plasmato su un modello vecchio che NON permette di avere risultati evidenti;
5) il modello delle NN adoperato NON nell’ottica della neutralità, può portare a nuove ricerche che prescindono da
portare al risultato 0 e 1;
6) permette di essere usato sulle imprese NON quotate, permettendo di risolvere problemi dei ricercatori precedenti
(il ricercatore americano NON le usa perché sono dati confidenziali; invece in Europa, tutti i dati sono pubblicati alla
Camera di Commercio e quindi può usarli);
7) NON valuta SOLO tra imprese fallite e NON, ma sul rischio. Però analizzando imprese NON ancora in bancarotta,
vuol dire anticipare le previsioni e fare una diagnosi precoce della bancarotta (andare alla Centrale rischio, vuol dire
anticipare). Ciò permette di anticipare di molto l’analisi, perché spesso si analizza senza sapere se poi ci sarà la
bancarotta (prevedendo anche con 3 anni di anticipo).