Lavoce.info

I beneficiari delle politiche? Meglio se li decide l’algoritmo*

Gli algoritmi, ormai sempre più presenti nella nostra vita, potrebbero aiutarci a indirizzare meglio i trasferimenti pubblici, come dimostrano due esempi. Ma occorre valutare gli effetti di una loro applicazione e fare molta attenzione alla trasparenza.

Come distribuire meglio 80 euro

La nostra vita quotidiana è sempre più assistita da computer che, attraverso sofisticati algoritmi di machine learning, facilitano lo svolgimento dei compiti più disparati. Facebook, per esempio, ci aiuta a ritrovare vecchi amici proponendoci una lista di persone che potremmo conoscere, almeno secondo le informazioni disponibili sulla piattaforma.
Gli algoritmi possono anche contribuire a migliorare le politiche pubbliche. Un ambito di applicazione è quello dei sussidi o trasferimenti pubblici: il machine learning può essere usato per predire a quali famiglie o imprese sarebbe preferibile indirizzarli per conseguire un determinato obiettivo. Due esempi ci aiutano a capire come.
Nell’assegnare un trasferimento monetario alle famiglie, il decisore pubblico potrebbe voler massimizzare l’effetto sui consumi. È il caso degli 80 euro. Un modo per farlo è selezionare i nuclei con maggiori vincoli alla capacità di spesa, che in teoria dovrebbero essere più propensi a consumare. La condizione è però osservabile solo in alcuni studi, come l’Indagine sui bilanci delle famiglie della Banca d’Italia che misura la capacità delle famiglie di arrivare a fine mese. Per indirizzare il bonus a beneficiari con maggiore propensione al consumo occorre quindi predire la condizione di “difficoltà nell’arrivare a fine mese” sulla base di informazioni che sono disponibili in archivi amministrativi e che sono note al decisore pubblico al momento dell’assegnazione del trasferimento.
In un recente lavoro, usiamo il machine learning a questo scopo. L’algoritmo, denominato decision tree, fornisce una predizione delle famiglie con vincoli alla capacità di spesa sulla base di alcune variabili (riferite principalmente al loro reddito e alla loro ricchezza; figura 1) che il decisore pubblico potrebbe utilizzare per assegnare il bonus. Ad esempio, le famiglie che hanno attività finanziarie inferiori a 13.255 euro e reddito disponibile sotto i 36.040 euro sono tra quelle a cui verrebbe assegnato il bonus. L’utilizzo dell’algoritmo al posto della regola oggi in vigore, basata solamente su soglie di reddito individuale, permetterebbe di meglio individuare i destinatari del sostegno. Si può calcolare che circa un terzo delle famiglie che hanno beneficiato del bonus non aveva – verosimilmente – vincoli al consumo, mentre circa due terzi di quelle non beneficiarie li aveva (figura 2).

Leggi anche:  Cancellazione del debito: breve vademecum

Figura 1 – Modello di previsione del decision tree per la condizione di famiglia con vincoli al consumo

Figura 2 – Percentuale di famiglie predette con vincoli al consumo suddivise in base alla percezione del bonus

Il Fondo di garanzia per il credito

Il secondo esempio riguarda le garanzie pubbliche per l’accesso al credito bancario, che dovrebbero essere rivolte alle imprese solvibili (altrimenti non sarebbero in grado di restituire il finanziamento alle banche e le perdite verrebbero sostenute dal settore pubblico), ma con difficoltà di accesso al credito (che, quindi, molto probabilmente non riceverebbero prestiti senza la garanzia). I sistemi di garanzia pubblica che già esistono si limitano invece a escludere i debitori con scarsa affidabilità creditizia. Anche in questo caso può venire in soccorso un algoritmo. In un altro nostro lavoro proponiamo un meccanismo per regolare l’accesso alla garanzia che si basa su un algoritmo (chiamato random forest) che predice quali sono le imprese affidabili, ma con maggiori difficoltà a ricevere finanziamenti dal settore bancario. In base all’algoritmo, solo il 60 per cento delle aziende che hanno beneficiato del Fondo di garanzia nel 2012 avrebbero dovuto accedervi. E la maggioranza delle imprese che non avrebbe dovuto ricevere la garanzia non ha difficoltà di accesso al credito.

Valutazione sempre necessaria

Come non sempre chi ritrova un amico (grazie a Facebook) trova un tesoro, così anche nel caso delle politiche pubbliche va capito se sia una buona idea individuarne i beneficiari sulla base degli algoritmi. Per farlo occorre una valutazione a posteriori, basata su metodi controfattuali (come d’altronde dovrebbe sempre essere per le politiche pubbliche). Nel caso del Fondo di garanzia, ad esempio, va dimostrato che, tra le imprese che hanno effettivamente ricevuto la garanzia, l’andamento dei prestiti bancari sia stato migliore per quelle che avremmo selezionato usando machine learning. Nel nostro lavoro mostriamo come ciò sembri essere vero, sia attraverso semplici confronti, sia utilizzando un metodo di valutazione più robusto (un regression discontinuity design).

Leggi anche:  Crisi politica e spread: non contiamo sulla Bce

L’utilizzo del machine learning avrebbe quindi permesso un sostanziale miglioramento dell’efficacia delle politiche, a parità di risorse pubbliche impiegate (oppure una significativa riduzione della spesa, a parità di effetti).
Una questione molto dibattuta riguarda l’interpretabilità della regola decisionale. Può non essere un’operazione agevole, specie per gli algoritmi più complessi, come ad esempio il random forest. Va però considerato che l’utilizzo di un algoritmo predittivo ci permette di incorporare già nella regola di accesso al beneficio considerazioni esplicite circa l’obiettivo che si vuole raggiungere. In altri termini, è vero che può essere meno banale capire a chi vanno gli aiuti pubblici, ma è sicuramente più chiaro qual è lo scopo del decisore pubblico (ovviamente a patto di rendere noti i dettagli relativi all’analisi che ha guidato la scelta dell’algoritmo).
Come ogni regola di selezione dei beneficiari di una politica pubblica, anche quelle ottenute con il machine learning individuano gruppi specifici (i target) a discapito di altri. La selezione è finalizzata a raggiungere un determinato obiettivo, ma potrebbe contrastare con altre finalità. Il decisore pubblico potrebbe, ad esempio, essere interessato tanto alle questioni di efficienza quanto a quelle di equità. L’utilizzo effettivo degli algoritmi potrebbe quindi richiedere alcuni accorgimenti per tenere conto anche di questi aspetti.

* Le opinioni qui espresse sono quelle degli autori e non riflettono necessariamente quelle della Banca d’Italia.

Lavoce è di tutti: sostienila!

Lavoce.info non ospita pubblicità e, a differenza di molti altri siti di informazione, l’accesso ai nostri articoli è completamente gratuito. L’impegno dei redattori è volontario, ma le donazioni sono fondamentali per sostenere i costi del nostro sito. Il tuo contributo rafforzerebbe la nostra indipendenza e ci aiuterebbe a migliorare la nostra offerta di informazione libera, professionale e gratuita. Grazie del tuo aiuto!

Precedente

Se Di Battista svela il complotto sul franco Cfa

Successivo

Intelligenza artificiale col botto: occhio ai rischi

  1. Savino

    Intanto, i furbi vengono scelti col lanternino, mentre, 19 anni dopo il 2000, non si è stati ancora capaci di definire al meglio lo stato di bisogno necessario per avvalersi dei modelli di welfare.

    • Emilio

      Condivido.
      Il flow mostrato può benissimo essere quello di una routine Cobol degli anni ’80.

  2. Ngarawe

    Sebbene nell’articolo venga più volte citato il machine learning, non sembra che i concetti esposti e gli esempi portati facciano realmente riferimento alla capacità degli algoritmi di apprendere e di evolvere.
    I due casi rappresentati infatti si riferiscono ad algoritmi più articolati di quelli altrimenti utilizzati, soprattutto con una selezione più mirata delle variabili da considerare (ad esempio, reddito e ricchezza invece dalla sola soglia di reddito individuale), ma sempre sulla base di una selezione statica delle variabili stesse, fatta ex-ante dal ricercatore, e non modificata autonomamente dall’algoritmo al fine di perseguire l’obiettivo prefissato.

    Resterebbe poi, a margine, la spinosissima questione della attendibilità dei dati sui quali operare la selezione, ma questa è tutt’altra materia, e benchè di certo estranea alle finalità dell’articolo, ritengo debba essere auspicabilmente oggetto di specifici contributi.

  3. Mlatta

    In merito al secondo esempio, l’incipit mi sembra errato. L’intervento pubblico, attuato mediante la concessione di garanzie pubbliche per favorire l’accesso al credito delle imprese, deve essere rivolto alle imprese NON solvibili altrimenti l’aiuto è concesso a chi non ne ha bisogno.

Lascia un commento

Non vengono pubblicati i commenti che contengono volgarità, termini offensivi, espressioni diffamatorie, espressioni razziste, sessiste, omofobiche o violente. Non vengono pubblicati gli indirizzi web inseriti a scopo promozionale. Invitiamo inoltre i lettori a firmare i propri commenti con nome e cognome.

Powered by WordPress & Theme by Anders Norén