Rischio dell’Impresa Rischio Paese Rischio Mercati … a cura del Coordinatore Scientifico Nazionale del Progetto Professor Maurizio Fanni La presente relazione generale contiene

1

DIPARTIMENTO DI ECONOMIA E TECNICA AZIENDALE

DIPARTIMENTO DI INGEGNERIA MECCANICA DELL’UNIVERSITA’ DI TRIESTE

Relazione scientifica sullo svolgimento della ricerca per la terza annualità del progetto:

“Tecniche softcomputing (reti neurali ed algoritmi genetici) per l’analisi

dei sistemi complessi applicati alla finanza moderna”

I Gruppi di ricerca:

Rischio dell’Impresa

Rischio Paese

Rischio Mercati Finanziari

2

3

Indice dei Contributi • Relazione scientifica sullo svolgimento della ricerca per la terza annualità Pag. 5 • Gruppo di ricerca: Rischio dell’Impresa

o Scheda riepilogativa dei contributi scientifici del gruppo di lavoro Rischio dell’Impresa Pag. 13 o Tecniche per lo studio della performance delle imprese: dall’indicatore sintetico di

dinamicità all’analisi statistica multivariata Pag. 19 o Il modello predittivo della rete neurale Multi-Layer Perceptron di tipo feed forward con

algoritmo di back propagation Pag. 113 o Modelli predittivi dell’insolvenza: il modello MEU evoluto (maximum expected utility) Pag. 127 o Valutazione della validità dei modelli sviluppati – le curve R.O.C. (Receiver Operating

Characteristic) Pag. 186 o DB COMPLEX – Banca Dati on line Pag. 196 o Aspetti qualitativi delle imprese: Assetti Manageriali e strategie finanziarie Pag. 201 o Benchmark sull’andamento delle imprese nazionali Pag. 248

• Gruppo di ricerca: Rischio Paese o Scheda riepilogativa dei contributi scientifici del gruppo di lavoro Rischio Paese Pag. 265 o Il Rischio Paese: metodi di analisi, costruzione di database, evidenza empirica Pag. 280 o Contributo dell’ISAE dott. Marco Fioramanti Pag. 339

• Gruppo di ricerca: Rischio Mercati Finanziari o Scheda riepilogativa dei contributi scientifici del gruppo di lavoro Rischio dei Mercati

Finanziari Pag. 343 o Meccanica quantistica e mercato dei capitali Pag. 347

o Principi di Econofisica applicati alla Finanza moderna Pag. 381 o Analisi tecnica e investigazione dei cicli Pag. 403 o Finanza comportamentale: nuovi strumenti per lo studio del rischio sui mercati finanziari.

Un modello di interpretazione della Prospect Theory per la definizione di strumenti di misurazione del rischio sui mercati finanziari Pag. 428

o La dinamica del Rating come processo di Markov Pag. 443 Allegato: Benchmark sull’andamento delle imprese nazionali Pag. 457

4

5



Relazione scientifica sullo svolgimento della ricerca per la terza annualità

Presentazione a cura del Coordinatore Scientifico Nazionale del Progetto Professor Maurizio Fanni

La presente relazione generale contiene la descrizione dei contributi scientifici inerenti il progetto di ricerca “Tecniche

softcomputing (reti neurali ed algoritmi genetici) per l’analisi dei sistemi complessi applicati alla finanza moderna”

per la terza annualità.

La relazione è organizzata riportando i contributi conseguiti nei tre filoni di ricerca in cui il progetto sin dall’inizio è

stato suddiviso. Detti filoni sono i seguenti:

Rischio dell’impresa

Rischio paese

Rischio dei mercati finanziari

Si ricorda che gli enti partecipanti alla ricerca sono i seguenti:

CERIS – CNR di Torino

ISAE di Roma

Osservatorio Industriale della Sardegna

Università degli Studi di Trieste – DETA

Università degli Studi di Trieste –Dipartimento di Ingegneria Meccanica (ex DIPENE)

Consorzio per l’AREA di ricerca scientifica e tecnologica di Trieste

6

Nello specifico i ricercatori dei vari enti hanno operato all’interno dei gruppi con le seguenti presenze:

Rischio dell’Impresa Università di Trieste - DETA Maurizio Fanni

Daria Marassi

Osservatorio Industriale della Sardegna Francesca Spada Vincenzo Certo Antonella De Arca Stefano Meloni Alessandra Mura Cristina Murroni Marzia Ravenna

Università di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE) Carlo Poloni Valentino Pediroda Mattia Ciprian

Consorzio per l’AREA di ricerca scientifica e tecnologica di Trieste Danilo di Stefano, assegnista presso Università di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE))

CERIS-CNR di Torino Giulio Calabrese Nadia D’Annunzio Greta Flavigna

ISAE di Roma Sergio De Nardis Marco Fioramanti Clemente de Lucia Luigi Giamboni

Rischio Paese Università di Trieste – Facoltà di Economia Maurizio Fanni

Francesca Bernè Università di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE) Carlo Poloni

Valentino Pediroda Mattia Ciprian

CERIS-CNR di Torino Giulio Calabrese Mario Coccia

ISAE di Roma Sergio De Nardis Marco Fioramanti Alessandro Girardi

Rischio dei Mercati Finanziari Università di Trieste - DETA Maurizio Fanni

Giulia Nogherotto Massimiliano Kaucic Michele Ibba Karla Bjelanovic Chiara Furlan

Università di Udine – Dottorato di ricerca in Finanza aziendale (Trieste) Silvia Bragagnini Università di Trieste – Dipartimento di Ingegneria Meccanica e dottorato di ricerca in Finanza aziendale (Trieste)

Carlo Poloni Valentino Pediroda Mattia Ciprian

Consorzio per l’AREA di ricerca scientifica e tecnologica di Trieste Danilo di Stefano (assegnista presso Università di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE))

CERIS-CNR di Torino Giulio Calabrese Nadia D’Annunzio

ICT e Banche Dati Università di Trieste - DETA Daria Marassi Osservatorio Industriale della Sardegna Francesca Spada

Vincenzo Certo Stefano Meloni

Università di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE) Valentino Pediroda Mattia Ciprian

Il gruppo delle Banche Dati è stato considerato alla stregua di una sezione funzionale ai tre gruppi principali sopra

indicati, operando sinergicamente nei confronti di ciascuno di essi.

7

Attuazione del progetto

Le attività sono state svolte nel periodo “operativo” del secondo anno del progetto che è cominciato nel mese n° 26

(luglio 2005) e si è concluso nel mese n° 38 (giugno 2006).

Obiettivi target ed attività della terza annualità

Si rinvia al progetto esecutivo per la descrizione degli obiettivi complessivi del progetto e la sua articolazione

temporale, come pure per l’informazione concernente le strutture e le risorse necessarie.

Con riguardo alla terza annualità le attività fondamentali di ricerca sono state:

a) Implementazione di modelli di predizione del rischio (operativo, finanziario e di default) attraverso reti neurali,

algoritmi genetici, metodologie statistiche predittive innovative, sfruttando e mettendo in azione i risultati

conseguiti negli anni precedenti;

b) Messa in opera di software modulari per l’analisi e la valutazione dei rischi economici, finanziari e politici dei

sistemi paese coordinati con modelli di economia internazionale;

c) Perfezionamento e messa in opera del primo archivio on line del sistema Italia con impiego della banca dati

relativa ai bilanci delle imprese nazionali (DBCOMPLEX) per interpretare la condotta ed i risultati delle

imprese e dei settori dell’economia italiana;

d) Metodologie di costruzione di matrici di transizione per la determinazione della probabilità di default delle

attività finanziarie;

e) Metodologie di econofisica applicate ai mercati finanziari.

Risultati della terza annualità

I vari obiettivi sono stati conseguiti.

In generale si può affermare che dopo la prima annualità, in cui ci si è particolarmente impegnati ad individuare le fonti

scientifiche, le metodiche di costruzione delle basi dei dati, e la messa a punto delle risorse diretta a sviluppare le

ricerche, e la seconda annualità che ha visto l’approfondimento delle tematiche con la scelta di processi di

classificazione dei dati, di analisi, di aggregazione e calcolo, nonché di progettazione e costruzione di modelli di

predizione del rischio, la terza annualità ha visto l’implementazione, il perfezionamento dei modelli e le applicazioni al

mondo delle imprese, agli investimenti in paesi esteri ed ai mercati finanziari, offrendo dati significativi alla comunità

scientifica nazionale ed internazionale.

È stato svolto un notevole lavoro diretto a stimolare nuove idee e innovativi approcci di indagine e studio.

8

C’è da sottolineare la capacità del progetto ad esplorare continuamente nuove prospettive di indagine, proprio in quanto

caratterizzato dalla partecipazione trasversale di competenze e mentalità economiche e matematico-ingegneristiche.

Il brainstorming delle idee è stato favorito dalla realizzazione del seminario conclusivo, svoltosi presso ISAE a Roma,

con la presenza di importanti discussant.

Si è proceduto a completare i preesistenti profili culturali del vari ricercatori; si sono create competenze con la

formazione di esperti che saranno chiamati, nell’immediato futuro, a gestire la complessità dei sistemi. .

Il lavoro svolto nella terza annualità ha consentito la messa a punto di attività di calcolo ed applicazioni delle varie

tecniche di analisi del rischio di default, le quali si sono concretizzate nel primo archivio on line diretto ad informare

sulla probabilità di insolvenza delle imprese e di perdita di valore dei titoli negoziati sui mercati finanziari, con l’intento

di rafforzare la struttura delle imprese, di operare contro le cause della loro vulnerabilità e mortalità, operando

nell’interesse dell’economia nazionale e favorendo l’avvento dell cultura del rischio.

I vari gruppi di lavoro hanno ottenuto i seguenti risultati:

Gruppo Rischio dell’Impresa

Realizzazione della struttura Web Service del DBCOMPLEX - sistema informativo integrato, personalizzato

per la costruzione di benchmark sullo stato di salute e sulla solvibilità delle imprese.

Modellizzazione del rischio con l’utilizzo di tecniche per lo studio della performance delle imprese:

dall’Indicatore sintetico di dinamicità all’analisi statistica multivariata

Modellizzazione del rischio di default mediante modelli di regressione non lineare (modello MEU)

Modellizzazione del rischio di default mediante modelli di reti neurali (MLP di tipo feed forward)

Confronto tra i modelli di rischio sviluppati

Costruzione delle tavole sintetiche riepilogative per il benchmarking per area geografica e settore di attività

economica (analisi svolta sui dati del DBCOMPLEX).

Analisi dei questionari sui rapporti tra proprietà e management delle imprese nazionali dell’industria e dei

servizi.

Gruppo Rischio Paese

sistemazione ed aggiornamento dell’archivio dati con organizzazione dello stesso in un database messo a

disposizione on line per tutti i partner del progetto;

continuazione delle sperimentazioni ed ottenimento di un prototipo di analisi del Rischio Paese a fini previstivi

attraverso l’utilizzo delle metodologie numeriche studiate ed applicate già nel corso del secondo anno.

Gruppo Rischio dei Mercati Finanziari

Econofisica con trasferimento alla finanza dei mercati della meccanica quantistica. Ridefinizione di mercato

finanziario ad efficienza forte ed analisi dell’energia per portafogli con borrowing e lending e del portafoglio

di mercato. Il portafoglio con energia di punto zero. Statistiche fisiche e spazi di Hilbert.

9

Analisi tecnica e investigazione dei cicli, con interpretazione dell’andamento delle serie storiche dei titoli

secondo la dinamica dei sistemi complessi

Funzioni di utilità, rivisitazione della Prospect theory di Kahneman, nuova spiegazione di quel modello e sua

combinazione con l’analisi VAR

Analisi delle matrici di transizione e predizione del default attraverso catene markowiane

Gruppo delle Banche Dati

Pur non essendo stato previsto specificatamente nel progetto iniziale, tale gruppo si è reso necessario da un lato per

organizzare in modo coerente ed aperto la grande mole di dati provenienti da fonti diverse, dall’altro lato per

predisporre i software per la costruzione della banca dati e la sua applicazione al sistema economico nazionale – la

facility nazionale.

A tale proposito il gruppo di ricercatori in particolare del Dipartimento di Ingegneria Meccanica (ex DIPENE) si è

costantemente tenuto in contatto con l’ICTP, in ottemperanza a quanto stabilito dagli accordi con il MIUR, per

coordinarsi sulle attività di messa a punto della facility nazionale su un sistema di GRID computing, la cui realizzazione

è compito dell’ICTP.

E’ stato così conseguita la messa a punto di un servizio WEB based per l’utility delle Imprese

(http://140.105.135.155/complexnew ), coerente e complementare all’uso del sistema GRID.

Convegni

Il giorno 15 giugno 2006 si è svolto presso la sede ISAE di Roma il convegno conclusivo del progetto di ricerca

“Tecniche softcomputing (reti neurali ed algoritmi genetici) per l’analisi dei sistemi complessi applicati alla finanza

moderna” nel quale sono stati presentati i risultati ottenuti ed esposti in detta relazione.

10

Programma del convegno: “Fronteggiare il rischio e l’incertezza dei mercati finanziari, del sistema delle imprese e

dei sistemi paese”

Apertura dei lavori: A. Majocchi, Presidente ISAE

Intervento introduttivo: R. Bonanni, Servizio trasferimento Tecnologico, Area Science Park di Trieste

Presentazione dei Risultati

Presentazione del progetto: M. Fanni, Professore di Finanza Aziendale, Università degli Studi di Trieste e Coordinatore Nazionale Progetto “Tecniche softcomputing per l’analisi dei sistemi complessi applicate alla finanza moderna”

“Approccio multicriteriale per la finanza moderna” C. Poloni, Professore di Macchine a Fluido, Università degli Studi di Trieste

Gruppo rischio mercati finanziari

Moderatore: S. de Nardis, Direttore della Unità Operativa Macroeconomia e Politica Economica Italiana e Internazionale, ISAE

“Principi di econofisica applicati alla finanza moderna” M. Fanni e M. Ibba, Università degli Studi di Trieste

“Studio del rischio sui mercati finanziari: metodologie, Modelli, applicazioni e frontiere attuali della ricerca” G. Nogherotto, Università degli Studi di Trieste

Discussant: R. Gandini, Responsabile Area Mercati Finanziari, Direzione Finanza, Inarcassa

Gruppo rischio imprese

Moderatore: G. Calabrese, Ricercatore CERIS - CNR

“Imprese italiane e stato di salute, applicazioni e confronto di metodologie di analisi del

rischio e della performance” F. Spada, Osservatorio Economico della Sardegna

“Aspetti qualitativi delle imprese: assetti manageriali e strategie finanziarie” G. Falavigna, CERIS-CNR Torino

“Applicazioni Web del sistema integrato per l’analisi sullo stato di salute delle imprese italiane DBComplex on line” V. Pediroda e D. Marassi, Università degli Studi di Trieste

Discussant: C. Zazzara, Area Studi Capitalia e Professore di Economia degli Intermediari Finanziari, Università Luiss-Guido Carli

Gruppo rischio paese

Moderatore: F. Manca, Direttore Generale Osservatorio Economico della Sardegna

“Risultati dell’indagine sul rischio paese, condotta con le metodologie MCDM e SOM” F. Bernè e M. Ciprian, Università degli Studi di Trieste

“Reti Neurali Artificiali quale strumento di previsione delle crisi di debito di emittenti sovrani” M. Fioramanti, ISAE

11

Discussant: R. Ascari, Chief Financial Officer, SACE

Chiusura dei lavori: G. Golinelli, Professore di Economia e gestione delle Imprese, Università degli Studi di Roma “La Sapienza”

Pubblicazioni della terza annualità del progetto

Il terzo anno del progetto “Tecniche softcomputing (reti neurali ed algoritmi genetici) per l’analisi dei sistemi

complessi applicati alla finanza moderna” ha visto la realizzazione delle seguenti pubblicazioni in merito ai temi di

ricerca sviluppati:

“Multi Criteria Credit Rating (MCCR): a Credit Rating Assignment Process for Italian enterprises according to Basel

II”, Francesca Bernè, Mattia Ciprian, Maurizio Fanni, Daria Marassi, Valentino Pediroda,

MCDM 2006 The 18th International Conference on Multiple Criteria Decision Making,

Chania, Greece, June 19-23, 2006

“Multiattribute Methodologies In Financial Decision Aid” Mattia Ciprian , Maurizio Fanni,Valentino Pediroda, Carlo

Poloni, Eurogen 2005, Monaco 12-14 Settembre 2005, ISBN 3-00-017534-2

“Logica del valore e processo di pricing” Francesca Bernè, collana Biblioteca di Finanza Giuffrè Editore Milano 2005,

ISBN 88-14-12024-2

“Dalla finanza classica a quella comportamentale” Luca Piras, collana Biblioteca di Finanza Giuffrè Editore Milano

2005, ISBN 88-14-13029-9

Il Coordinatore Scientifico Nazionale del Progetto

Professor Maurizio Fanni

12



Relazione sui risultati del III° anno del progetto:

“Tecniche softcomputing (reti neurali ed algoritmi genetici) per

l’analisi dei sistemi complessi applicati alla finanza moderna”

Gruppo di ricerca: Rischio dell’Impresa

14

15

Scheda riepilogativa dei contributi scientifici del gruppo di lavoro Rischio dell’Impresa

A cura di: Francesca Spada e Daria Marassi

Il presente rapporto contiene la descrizione dei contributi scientifici sviluppati all’interno del gruppo di ricerca

RISCHIO DELL’IMPRESA in ambito del progetto di ricerca “Tecniche softcomputing (reti neurali ed algoritmi

genetici) per l’analisi dei sistemi complessi applicati alla finanza moderna”, che ha visto la partecipazione congiunta

dei soggetti:

CERIS – CNR di Torino (Giulio Calabrese, Greta Flavigna, Nadia D’Annunzio)

ISAE di Roma (Sergio De Nardis, Marco Fioramanti)

Osservatorio Industriale della Sardegna (Francesca Spada, Vincenzo Certo, Stefano Meloni, Antonella De

Arca, Alessandra Mura, Cristina Murroni)

Università degli Studi di Trieste – DETA (Maurizio Fanni, Daria Marassi, Gabriella Schoier)

Università degli Studi di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE) (Carlo Poloni,

Valentino Pediroda, Mattia Ciprian)

Consorzio per l’AREA di ricerca scientifica e tecnologica di Trieste (Danilo di Stefano – assegnista presso

l’Università degli Studi di Trieste – Dipartimento di Ingegneria Meccanica (ex DIPENE))

Da un punto di vista operativo nel terzo anno del progetto il gruppo Rischio dell’Impresa a fronte dell’esperienza

maturata nel primo e nel secondo anno ha provveduto ad una suddivisione dei compiti sia da un punto di vista delle

competenze come anche degli specifici interessi di ricerca che fanno capo ad ognuno dei partecipanti coinvolti.

I seminari interni tenutisi nel corso del terzo anno di attività del progetto hanno permesso ai partecipanti del gruppo

Rischio dell’Impresa di confrontarsi sullo stato avanzamento lavori nonché di definire ai vari livelli l’indirizzo di

ricerca comune da seguire. I risultati conclusivi del terzo anno del gruppo Rischio dell’Impresa sono stati presentati

all’interno del seminario tenutosi a Roma presso l’ISAE nel quale i partner hanno presentato in modo organico i risultati

conclusivi raggiunti al terzo anno del progetto e che viene presentato in detta relazione.

Risultati della terza annualità di attività del progetto

Nell’ambito del percorso triennale di progetto: “Tecniche softcomputing (reti neurali ed algoritmi genetici) per l’analisi

dei sistemi complessi applicati alla finanza moderna”, l’attività dei ricercatori è stata orientata all’individuazione di

sistemi di indagine in grado di valutare lo stato di salute delle imprese italiane sia dal punto di vista della loro capacità a

permanere sul mercato in maniera efficiente e competitiva, che dal punto di vista della rischiosità finanziaria, in stretta

connessione con la rischiosità a livello del sistema paese Italia e dei mercati finanziari.

16

Questo lavoro d’indagine ha consentito di costruire una “mappatura” del tessuto produttivo nazionale, attraverso l’uso

delle informazioni economiche e contabili (bilanci e indicatori) come “aghi di bussole” in grado di interpretare e

valutare la condotta ed i risultati delle imprese e dei settori di appartenenza sul territorio italiano.

All’interno dell’area analisi del rischio impresa si è proceduto allo studio, all’implementazione e allo sviluppo di

modelli di analisi dei sistemi complessi, volti all’individuazione dello stato di salute delle imprese e della loro

rischiosità, con tecniche diversificate e caratterizzate da multidisciplinarietà (reti neurali, algoritmi genetici, modelli

matematici ed ingegneristici).

I risultati sulla qualità e sullo stato di salute delle imprese ottenuti dall’applicazione dei modelli sono stati poi

confrontati tra loro mediante le cosiddette curve ROC (Receiver Operating Charateristic), modello che permette di

studiare la capacità discriminante di un test, ossia la sua attitudine a separare propriamente la popolazione in studio in

“malati” e “sani” è proporzionale all’estrazione dell’area sottesa alla curva ROC (Area Under Curve o AUC) ed

equivale alla probabilità che il risultato di un test su un individuo (nel caso nostro l’impresa) estratto a caso dal gruppo

dei “malati” sia superiore a quello di uno strato a caso dal gruppo di “non malati”.

I modelli sono stati sperimentati e validati su un corposo set di informazioni economiche e contabili contenuto nel

database DBComplex- Sistema integrato di informazioni statistiche ed economiche nazionali per le sperimentazioni del

progetto, che al suo interno raccoglie indicatori qualitativi e quantitativi e drivers del valore sullo stato di salute delle

imprese nazionali per circa 40.000 unità produttive, rappresentative del sistema imprenditoriale italiano, di cui sono

stati raccolti i dati anagrafici e di bilancio, dal 1999 al 2004.

Il database costruisce lo scenario di sfondo in cui si muovono le imprese italiane e restituisce le informazioni qualitative

e quantitative sullo stato di salute delle imprese. La sua utilità trova manifestazione nell’uso degli indicatori e dei

drivers opportunamente studiati per l’analisi del rischio e delle capacità delle imprese a permanere sul mercato in

maniera efficiente.

Accanto alle informazioni contabili sono presenti i valori di classificazione sulle performance delle imprese e dei settori

che emergono dall’applicazione dei modelli e dall’impostazione dell’analisi secondo i criteri della Finanza Moderna.

I dati contenuti nel database DBComplex, nonché l’analisi di rischiosità delle imprese trattate, sono resi pubblici per

tutti i ricercatori che ne volessero far uso mediante interrogazioni via Internet. Da un punto di vista informatico il

database è reso pubblico mediante strumentazioni Web Service, sul portale Internet all’indirizzo

http://140.105.135.155/complexnew . La strumentazione costruita prevede la possibilità di rendere interattiva l’analisi

dei dati, permettendo la stesura di statistiche secondo i dettami del ricercatore che fa uso dello strumento DBComplex

on line.

I modelli applicati sui dati del DBComplex sono i seguenti: il Modello MEU – Maximum Expected Utility

sviluppato dall’Università di Trieste dai dipartimenti di Economia e Tecnica aziendale e dal Dipartimento di

Energetica della Facoltà di Ingegneria; la rete neurale MLP di tipo feed forward con algoritmo di

backpropagation, implementato a cura del CERIS CNR di – Torino; e l’analisi multivariata per lo studio delle

performance delle imprese, sviluppata dall’Osservatorio Economico della Sardegna.

17

L’attività di progettazione di modelli predittivi del rischio di insolvenza, a fronte sia delle analisi statistiche condotte sul

campione rappresentativo delle imprese nazionali, sia a fronte dell’evoluzione delle metodologie di predizione del

rischio desunte e rilevate dall’attività di ricerca bibliografica condotta in particolare nel primo anno di attività del

progetto, si è concentrata su tre fronti, ovvero sui modelli di carattere statistico (modello MEU), su reti neurali (MLP di

tipo feed forward) e sul modello più classico di nota derivazione finanziaria (modello soggettivo basato sulle analisi

delle corrispondenze multiple).

Il modello basato sull’analisi multivariata per lo studio della performance delle imprese è stato sviluppato al fine di

individuare la presenza di gruppi d’imprese con strategie e performance simili in relazione allo loro attitudine a

permanere sul mercato in maniera efficiente e quindi, anche la loro eventuale “incapacità” e la relativa insolvenza.

Per conseguire questo obiettivo del lavoro è risultata rilevante l’applicazione delle tecniche di analisi multivariata, sugli

indicatori di bilancio, in associazione con le variabili qualitative derivanti dall’ambiente di riferimento e dalla struttura

dei settori economici del campione nazionale del DBCOMPLEX. In particolare è stata scelta l’Analisi delle

Corrispondenze Multiple che ha come obiettivo l’esplorazione, la descrizione e la sintesi di una matrice di dati

economici (indicatori di bilancio), e presenta il vantaggio di esplicitare le eventuali relazioni non lineari tra le variabili,

che in altre tecniche d’analisi non sono prese in considerazione.

Le reti neurali, a differenza di modelli statistici, sono processi paralleli composti di singole unità di calcolo (neuroni),

che possiedono una naturale predisposizione a memorizzare le conoscenze sperimentalmente acquisite (data mining) ed

a renderle disponibili per l’uso successivo. Combinando in diversi modi i neuroni della rete si riescono a risolvere classi

di problemi differenti.

Nel modello sviluppato, viene utilizzata una rete neurale MLP di tipo feed forward con algoritmo di backpropagation.

Le reti neurali vengono costruite per prevedere il valore assunto da una variabile obiettivo e sono caratterizzate da strati

di neuroni. Tutti i neuroni di uno strato sono collegati ad ogni neurone dello strato successivo mediante connessioni a

cui sono associati dei pesi . Lo strato di input associa i neuroni alle variabili attive dell’analisi, lo stato di output associa

uno o più neuroni alla variabile target (in base alla sua natura). Tra questi due strati esistono degli strati intermedi

(nascosti).

Il modello MEU sviluppato si configura nell’ambito della più ampia classe dei modelli di regressione multipla non

lineare, che prevedono essenzialmente la modellazione (appunto non lineare) del valore atteso di una variabile

osservabile di interesse previsivo (nel nostro caso si tratta del rischio di default) in funzione di un vettore di parametri

non noto e di un vettore di variabili esplicative (nel nostro caso parliamo un vettore di indicatori di bilancio che possono

descrivere lo stato di solvibilità dell’impresa).

La scelta del modello di regressione si concretizza nella determinazione (in termini di qualità e numero) dei regressori

nonché nella precisione della espressione formale del valore medio condizionale della variabile aleatoria risposta come

funzione del vettore dei regressori e del vettore dei parametri del modello. Le metodologie di cui si è fatto uso, per la

scelta dei repressori, sono state: Parametro di t-Student, Default Frequency, SOM (Self Organizing Maps). Gli indici di

bilancio che vanno a descrivere lo stato di solvibilità di un’impresa vengono derivati dall’analisi condotta con la

metodologia Fund Accounting e incorporata nel database DBCOMPLEX.

18

La “mappatura” del tessuto produttivo italiano, i cui risultati sono raccolti in un compendio di tavole statistiche

“Benchmark sull’andamento delle imprese nazionali” - Elaborazioni statistiche sui dati del DBComplex”, costituisce un

allegato fondamentale di questo lavoro di analisi, perché ne costituisce lo scenario di sfondo.

Riepilogando, l’attività di modellazione ed analisi dell’insolvenza si riassume nei seguenti contributi:

1. Realizzazione della struttura Web Service del DBCOMPLEX - sistema informativo integrato, personalizzato

per la costruzione di benchmark sullo stato di salute e sulla solvibilità delle imprese.

2. Modellizzazione del rischio con l’utilizzo di tecniche per lo studio della performance delle imprese:

dall’Indicatore sintetico di dinamicità all’analisi statistica multivariata

3. Modellizzazione del rischio di default mediante modelli di regressione non lineare (modello MEU)

4. Modellizzazione del rischio di default mediante modelli di reti neurali (MLP di tipo feed forward)

5. Confronto tra i modelli di rischio sviluppati

6. Costruzione delle tavole sintetiche riepilogative per il benchmarking per area geografica e settore di attività

economica (analisi svolta sui dati del DBCOMPLEX).

7. Analisi dei questionari sui rapporti tra proprietà e management delle imprese nazionali dell’industria e dei

servizi.

Indice delle Relazioni

Tecniche per lo studio della performance delle imprese: dall’Indicatore sintetico di dinamicità

all’analisi statistica multivariata ……………………………………………………………………. Pag. 19

Il modello predittivo della rete neurale Multi-Layer Perceptron di tipo feed forward con algoritmo

di backpropagation ……....................................................................................................................... Pag 113

Modelli predittivi dell’insolvenza: il modello MEU evoluto (maximum expected utility)………….. Pag 127

Valutazione della validità dei modelli sviluppati - le curve R.O.C. (Receiver Operating

Characteristic)………………………………………………………………………………………… Pag 186

DB COMPLEX - Banca Dati on line………………………………………………………………… Pag 196

Aspetti qualitativi delle imprese: Assetti Manageriali e Strategie Finanziarie…...…………………... Pag 201

Benchmark sull’andamento delle imprese nazionali .……………………………………………...… Pag. 248

19

Tecniche per lo studio della performance delle imprese: dall’Indicatore sintetico di dinamicità

all’analisi statistica multivariata

Partecipanti: Osservatorio Economico della Sardegna, DETA

A cura di: Antonella De Arca, Francesca Spada, Vincenzo Certo

Nell’ambito del percorso triennale di progetto: “Tecniche softcomputing (reti neurali ed algoritmi genetici) per l’analisi

dei sistemi complessi applicati alla finanza moderna”, l’attività dei ricercatori è stata improntata all’individuazione di

un sistema di indagine in grado di valutare lo stato di salute delle imprese italiane sia dal punto di vista della loro

capacità a permanere sul mercato in maniera efficiente e competitiva, che dal punto di vista della rischiosità finaniaria,

in stretta connessione con la rischiosità a livello del sistema paese Italia e dei mercati finanziari.

Per conseguire l’obiettivo della ricerca i lavori sono stati suddivisi per area tematica: rischio impresa, rischio paese e

rischio mercati finanziari.

Per condurre le analisi sul “rischio impresa”, il gruppo di lavoro ha proceduto con lo studio e l’implementazione di

modelli di analisi dei sistemi complessi, volti all’individuazione dello stato di salute delle imprese, con tecniche

diversificate e caratterizzate da multidisciplinarietà.

Sono stati utilizzati modelli sia di matrice ingegneristica che statistica, e sono state sfruttate anche le tecnologie delle

reti neurali.

I risultati sulla qualità e sullo stato di salute delle imprese ottenuti dall’applicazione dei modelli sono stati poi

confrontati tra loro mediante le cosiddette curve ROC (Receiver Operating Charateristic), che studiano la capacità

discriminante di un test, ossia la sua attitudine a separare propriamente le imprese indagate, in imprese sane e non sane.

I modelli sono stati sperimentati su un corposo set di informazioni economiche e contabili contenuto nel database

DBCOMPLEX - Sistema integrato di informazioni statistiche ed economiche nazionali per le sperimentazioni del

progetto, che al suo interno raccoglie indicatori qualitativi e quantitativi e drivers del valore sullo stato di salute delle

imprese nazionali per circa 40.000 unità produttive di cui sono stati raccolti i dati anagrafici e di bilancio, dal 1999 al

2004.

Il database costruisce lo scenario di sfondo in cui si muovono le imprese italiane e restituisce le informazioni qualitative

e quantitative sullo stato di salute delle imprese. La sua utilità trova manifestazione nell’uso degli indicatori e dei

drivers opportunamente studiati per l’analisi del rischio e delle capacità delle imprese a permanere sul mercato in

maniera efficiente.

Accanto alle informazioni contabili sono presenti i valori di classificazione sulle performance delle imprese e dei settori

che emergono dall’applicazione dei modelli e dall’impostazione dell’analisi secondo i criteri della Finanza Moderna.

20

I modelli applicati sui dati del DBCOMPLEX sono i seguenti: il Modello MEU – Maximum Expected Utility

sviluppato dall’Università di Trieste dai dipartimenti di Economia e Tecnica aziendale e dal Dipartimento di Energetica

della Facoltà di Ingegneria; la rete neurale MLP di tipo feed forward con algoritmo di backpropagation, implementato a

cura del CERIS CNR di Torino; e l’analisi multivariata per lo studio delle performance delle imprese, sviluppata

dall’Osservatorio Economico della Sardegna.

L’indagine ha consentito di costruire una “mappatura” del tessuto produttivo nazionale, attraverso l’uso delle

informazioni economiche e contabili (bilanci e indicatori) come “aghi di bussole” in grado di interpretare e valutare la

condotta ed i risultati delle imprese e dei settori di appartenenza sul territorio italiano.

La “mappatura” del tessuto produttivo italiano, i cui risultati sono raccolti in un compendio di tavole statistiche

“Benchmark sull’andamento delle imprese nazionali” - Elaborazioni statistiche sui dati del DBCOMPLEX”, costituisce

un allegato fondamentale di questo lavoro di analisi, perché ne costituisce lo scenario di sfondo.

Per conseguire l’obiettivo della classificazione delle imprese, il gruppo di ricerca dell’Osservatorio Economico, ha

implementato un modello di “indicatore sintetico di dinamicità” che, a seguito della sperimentazione e del confronto

con i risultati degli altri algoritmi di classificazione costruiti dagli altri partner del gruppo di lavoro “rischio impresa”, si

è rivelato un efficace sistema per “fotografare” il livello di bontà delle performance conseguite dalle imprese.

L’indicatore mette in evidenza, attraverso una classificazione per livelli di bontà (da “nullo” ad “eccellente”),

raggruppamenti di società con prestazioni simili, e pur non caratterizzandosi come un indicatore predittivo del default,

segnala in maniera efficiente situazioni di rischio o patologie di alcune categorie di imprese. Contemporaneamente

mette in luce e raggruppa le imprese più brillanti del tessuto produttivo italiano e, nel riportarne tutte le caratteristiche

strutturali, suggerisce “come dovrebbe essere un’impresa in salute”.

Al fine della validazione del modello di indicatore sintetico di dinamicità per la classificazione in livelli di bontà è

risultata estremamente rilevante l’applicazione delle tecniche di analisi per cluster e di analisi multivariata, condotte

sugli indicatori di bilancio, in relazione alle variabili qualitative derivanti dall’ambiente di riferimento e dalla struttura

dei settori economici del campione nazionale del DBCOMPLEX. Sono state applicate l’Analisi delle Corrispondenze

Multiple (ACM), l’Analisi delle Componenti principali (ACP) e l’Analisi per Cluster, che hanno avuto come obiettivo

l’individuazione e la classificazione di raggruppamenti di imprese con performance simili, attraverso l’esplorazione, la

descrizione e la sintesi di una matrice di dati economici.

Dall’esame dei risultati ottenuti con le tecniche statistiche e con il modello dell’indicatore sintetico di dinamicità (detto

anche meccanismo dei punteggi in quanto assegna un “punteggio” a ciascuna impresa) emerge come ognuna delle

metodologie utilizzate fornisca informazioni differenti rispetto allo stato di salute delle imprese e al modo in cui si

possono raggruppare.

L’Analisi delle Corrispondenze Multiple ha consentito di individuare quali sono i fattori economico reddituali i più

rilevanti, tra quelli che caratterizzano la performance delle imprese, ed ha reso possibile separare efficacemente le

imprese cosiddette “estreme” (eccellenti o nulle) rispetto alle imprese tipiche (mediane).

21

L’Analisi per componenti principali, ha confermato le conclusioni sugli aspetti reddituali come elementi rilevanti per la

classificazione ed, inoltre, ha messo in luce anche una importante classificazione per attitudine allo sviluppo.

Infine, l’analisi condotta sulle partizioni generate attraverso l’applicazione del modello dell’indicatore sintetico di

dinamicità, ha messo insieme nel “punteggio” i risultati delle due precedenti metodologie, sintetizzando le informazioni

sulla capacità reddituale, sull’attitudine a generare cassa e sullo sviluppo, in un unico e sintetico score.

L’analisi svolta si apre a nuove prospettive di indagine di natura più specificatamente settoriale e introduce ad

approfondimenti nelle tecniche di studio, statistiche e non, che utilizzano grandi matrici di dati economici in serie

storica.

Schema del lavoro

• Introduzione

• Parte 1. L’Indicatore sintetico di dinamicità.

• Il modello per lo scoring ed individuazione dei gruppi di imprese per livello di bontà. Costruzione della matrice

di diagnosi.

• Parte 2. Applicazione delle tecniche di analisi multivariata:

• Parte 2.1. Analisi delle Corrispondenze Multiple (ACM) e Analisi per Cluster.

• Selezione degli indicatori ed analisi delle distribuzioni statistiche

o Individuazione delle variabili attive ed illustrative per la realizzazione dell’Analisi delle

corrispondenze multiple tra i set d’indicatori e di variabili qualitative definitorie delle imprese

considerate e dell’ambiente di riferimento

o Analisi bivariata tra le variabili attive e quelle illustrative(ASD)

o Analisi degli assi fattoriali che sintetizzano la matrice dei dati iniziale (ACM)

• Parte 2.2. Applicazione dell’Analisi delle Componenti Principali e Analisi per Cluster

Introduzione

Il lavoro contenuto in questa pubblicazione ha l’obiettivo di indagare lo stato di salute delle aziende italiane, attraverso

l’individuazione della presenza di gruppi d’imprese con performance simili in relazione allo loro attitudine a permanere

sul mercato in maniera efficiente.

La prima strada che è stata seguita lungo il percorso di ricerca è stata quella d’individuare gli studi precedentemente

condotti sul tema e gli indicatori di bilancio utilizzati con questo obiettivo, a partire dalla letteratura economica di

riferimento, che è stata raccolta ed organizzata durante i primi due anni di attività progettuale in un database tematico.

Dall’indagine complessiva sui contributi bibliografici e sui modelli utilizzati per lo studio degli elementi predittivi

22

dell’insolvenza delle imprese emergono alcune “liste” di indicatori altamente significativi, tra i quali è stata effettuata la

scelta per realizzare l’analisi sui dati del DBCOMPLEX, il Sistema integrato di informazioni statistiche ed economiche

nazionali per le sperimentazioni del progetto.

In allegato si riporta la tavola degli indicatori derivanti dalla ricerca bibliografica (Chiarimenti ed informazioni

integrative “Complex Systems in Economics 2005).

Per analizzare le performance delle imprese si usa un approccio fondato sul rapporto che intercorre tra i risultati

economici in generale e gli atti di gestione compiuti dagli amministratori nelle operazioni di investimento e

finanziamento delle attività aziendali. Quindi la valutazione dello stato di salute delle imprese scaturisce dall’indagine

sulle variabili prettamente economico/reddituali e di cash flow, indicative di valori di performance, mentre le

informazioni sulla struttura dei mercati/settori di riferimento (contesto), sulla dimensione delle imprese, ed in

particolare sulla struttura finanziaria e del capitale delle società analizzate costituiscono le variabili di sfondo all’analisi

e ne facilitano l’interpretazione.

Attraverso, l’analisi dei flussi e degli indici di bilancio si vogliono individuare quelle variabili che riassumono le scelte

strategiche adottate dalle imprese sugli investimenti e sulla raccolta del capitale, in stretta connessione con le

manifestazioni economiche e finanziarie legate all’attività produttiva1 (Flow and Funds Accounting ed in particolare

Analisi dinamica della liquidità e dei Drivers del Valore, M. Fanni 2000).

I comportamenti che emergono dallo studio della contabilità dei flussi di fondi sia a livello di singola impresa che di

settore, riguardano le scelte attuate dai managers sia per la selezione degli investimenti e più in generale sulle modalità

di attuazione dell’attività operativa, che per procurare le risorse per la soddisfazione dei fabbisogni finanziari collegati.

Per esempio, attraverso l’analisi dei flussi è possibile individuare atteggiamenti mirati al rinnovo dei macchinari

necessari alla produzione, all’acquisto o all’ideazione di nuovi brevetti per il miglioramento o l’innovazione delle

attività produttive, oppure le strategie adottate per gestire meglio il rapporto con i clienti ed i fornitori, per

l’ottimizzazione delle scorte e la razionalizzazione dei costi di varia natura.

Parte 1. L’Indicatore sintetico di dinamicità

I criteri di analisi economico-finanziaria propri della finanza moderna hanno come obiettivo fondamentale quello di

guidare l’analista nell’interpretazione dell’andamento e dello stato di salute delle singole imprese e dei settori a cui esse

appartengono. Per realizzare questi check-up aziendali e settoriali le indagini sui dati devono valutare in modo globale i

diversi aspetti della gestione dell’impresa. Successivamente, attraverso, le tecniche di benchmarking si possono

effettuare i confronti tra le aziende in senso orizzontale ed i confronti in termini di trend dei diversi aspetti dello

sviluppo, della redditività, dell’indebitamento e di tutti gli altri aspetti della gestione che ne caratterizzano il livello di

bontà.

1 Flow and Funds Accounting ed in particolare Analisi dinamica della liquidità e dei Drivers del Valore, M. Fanni 2000

23

Si può giungere ad una visione armonica dello stato di salute delle imprese, attraverso la costruzione di un indicatore

qualitativo sintetico, che deriva dall’insieme delle informazioni sulla bontà della gestione aziendale. Si è dunque cercato

di dar vita ad un nuovo indicatore che raccolga in se diversi aspetti dello stato di salute dell’impresa, dalla capacità di

sviluppo a quella reddituale e produttiva.

L’indicatore costruito esprime un giudizio qualitativo di soglia, basato sulla performance dell’impresa, che viene a

delinearsi dall’analisi dei dati di bilancio disponibili nell’ultimo triennio.

Il concetto di dinamicità che caratterizza il nuovo indicatore discende dal tipo di indici selezionati per la sua

composizione: indici di sviluppo e redditività. La combinazione delle valutazioni pesate di questi indici consente di

mettere in evidenza la capacità di un impresa di essere “in movimento” quindi non stazionaria, con i valori delle proprie

poste di bilancio in crescita e con attitudine alla redditività. Si è cercato di evidenziare la possibilità delle aziende di

essere virtuose nelle loro attitudini alla crescita e alla redditività. Ne è conseguita la creazione di una doppia scala di

valori, che pur nascendo per mettere in evidenza l’eccellenza, riesce a far emergere alcune delle situazioni di difficoltà

gestionale in modo molto netto.

Il concetto di “soglia” è il fulcro fondamentale del lavoro di analisi.

Viene definito in primis, a partire dallo studio della distribuzione statistica dei singoli indicatori prescelti per comporre

il giudizio sintetico. Questi indicatori vengono raggruppati in classi a seconda del quartile di appartenenza e per

ciascuna classe si genera un sistema di punteggi destinato a qualificare la prestazione aziendale.

Successivamente, si passa alla costruzione del vero e proprio indice sintetico come combinazione lineare dei punteggi

assegnati. Dall’analisi della sua distribuzione statistica nascono le nuove soglie o classi, ovvero i livelli di bontà di

performance aziendale derivanti direttamente dalle classi di decili del nuovo indicatore sintetico.

Infine si da vita ad una matrice di diagnosi che esprime lo stato di salute delle imprese, ponendo nelle righe gli

indicatori di bilancio e nelle colonne le classi individuate dai livelli di bontà delle performance aziendali ed i relativi

benchmark. Si da vita quindi ad una tavola di riepilogo che descrive per ogni colonna il comportamento tipico delle

imprese che abbiano avuto nel triennio uno stato di salute scarso, medio, eccellente.

Il modello ipotizzato rientra nella categoria degli “scoring”, e mira alla misurazione della capacità da parte delle

imprese di permanere sul mercato in maniera efficiente.

Il modello dell’Indicatore sintetico di dinamicità

La logica sottostante al lavoro ipotizza che la valutazione della prestazione dell’impresa possa essere espressa dalla

media dei singoli punteggi attribuiti in rapporto ai valori espressi dagli indicatori di bilancio.

Y = n

x..……+ x+ x nn2211 ααα = ∑

=

⋅k

i

i

nxi

1

α

24

Dove α rappresenta il peso attribuito a ciascun indicatore, mentre iX sta ad indicare il valore di ogni indicatore

considerato nella formula, e n indica il numero degli indicatori.

Vale a dire:

Indicatore sintetico di dinamicità = [P var % fatturato +P var % valore aggiunto +P ROI +P valore aggiunto su attivo

+P MOL su oneri finanziari +P cash flow su attivo]/n

dove P è uguale al punteggio attribuito per ogni singolo indicatore.

Più in dettaglio, le variabili selezionate sono :

• Indicatori di sviluppo: la variazione % del fatturato e del valore aggiunto che consentono di valutare la dinamicità

delle imprese del campione, sia dal lato del miglior conseguimento di quote di offerta che dal lato del valore aggiunto

prodotto.

• Indicatori di redditività e di capacità di generazione di flussi di cassa: il ROI, il Mol su Oneri Finanziari, il Valore

Aggiunto su Attivo, il Cash flow su Attivo. Questi indicatori, nel descrivere la relazione tra i risultati conseguiti (in

termini di utili o di cassa) e i capitali messi a disposizione dell’attività produttiva, costituiscono il naturale

collegamento tra la struttura delle imprese e la performance risultante. Misurano infatti la capacità delle imprese di

remunerare tutti i fattori della produzione, così come sono stati organizzati dai managers. In dettaglio:

o Il ROI viene definito come il tasso di redditività tipico degli investimenti di un’impresa ed è costruito

come il rapporto tra il risultato operating e la semisomma del valore iniziale e finale del complesso

delle attività dell’impresa.

o Il Mol su Oneri Finanziari esprime la proporzione dell’Utile netto caratteristico prima degli interessi e

prima delle imposte sul valore degli oneri finanziari.

o Il Valore aggiunto su Attivo. Questo indicatore è stato selezionato sull’evidenza che il contesto

nazionale di riferimento è caratterizzato dalla presenza di piccole imprese all’interno delle quali si

confondono vicende aziendali e vicende familiari che possono influire sulla determinazione dei risultati

di bilancio e quindi sui numeratori del Roe e del ROI. L’indice di bilancio considerato non risente,

infatti, degli effetti delle strategie di remunerazione dei soci/lavoratori delle piccole imprese, perché il

valore aggiunto è un saldo del conto del risultato economico sul quale non ha ancora influenza il costo

del lavoro.

o Il rapporto tra Cash flow Operating e Attivo misura le risorse liquide generate dalla gestione prima del

pagamento degli interessi in rapporto con il complesso del capitale investito. Tale indicatore costituisce

un buon segnale per interpretare la capacità di un’impresa di generare “cassa” attraverso le normali

attività di gestione, e suggerisce quindi quanto le aziende o i settori presi in considerazione sono in

grado di seguire un percorso di crescita proveniente dalla attività strettamente legate ai ricavi oppure si

affidano a fonti di liquidità di natura prettamente strutturale (disinvestimenti, maggior accesso al credito

a breve etc…).

25

Per la scelta degli indicatori, è stata di fondamentale importanza l’indagine (preventiva all’applicazione del modello)

sulla correlazione tra gli indici selezionati, necessaria per evitare di amplificare effetti positivi o situazioni di crisi, per

via dell’eventuale presenza nel modello di due o più variabili strettamente correlate.

Il risultato della correlazione e dei valori test ottenuti è stato sostanzialmente soddisfacente nel senso che gli indicatori

selezionati non sono apparsi eccessivamente correlati tra loro.

Tab. n. 1.1 Matrice delle correlazioni

Var % fatturato Var % valore aggiunto ROI % Val_agg su

Attivo % Mol su On_FinCash flow

operating su Attivo %

Var % fatturato 1,00Var % VA2 0,20 1,00ROI % 0,11 0,33 1,00Val_agg su Attivo % 0,05 0,13 0,40 1,00MOL su On_Fin 0,04 0,04 0,31 0,18 1,00Cash flow operating su Attivo % 0,08 0,06 0,39 0,27 0,18 1,00

Tab. 2.1 Matrice dei valori test





Applicazione della metodologia ai dati delle imprese del DB- Complex del 2004

Il meccanismo appena descritto è stato applicato ai dati delle imprese attive presenti al 2004 sull’archivio

DBCOMPLEX. Il Campione, stratificato per regione e per attività economica, risulta costituito da 38.125 società che

operano in tutti i settori economici (ad eccezione del comparto del tabacco e dei servizi finanziari) e che hanno

depositato un bilancio privo di errori o d’incongruità.

Gli indicatori selezionati vengono raggruppati in classi a seconda del quartile della distribuzione statistica di

appartenenza e per ciascuna classe si genera un sistema di punteggi destinato a qualificare ciascun aspetto della gestione

aziendale. Inoltre si definisce il valore soglia = 0 in quanto per tutti gli indicatori di bilancio è di per sé un valore

significativo.

La procedura prevede per l’anno di bilancio 2004, l’assegnazione di uno score più elevato a quelle imprese con una

variazione percentuale del fatturato superiore al 14,89% e che quindi ricadono nel ultimo quartile della distribuzione ed

un punteggio più basso a quelle aziende con una variazione negativa inferiore a -9,45% e che quindi sono collocate nel

primo quartile della distribuzione.

26

Tab. 3.1 Distribuzione dell’indice Var.% fatturato in classi di punteggio

Variazione % Fatturato Punteggio0 - 25° <=-9,45 -1025° - valore soglia >-9,45 and <=0 -5valore soglia - 50° >0 and <=2,42 250° - 75° >2,42 and <=14,89 675° - 100° >14,89 10

Quando si tratta di valutare l’incremento del valore aggiunto, l’analisi attribuisce il punteggio massimo alle imprese con

variazioni superiori al 17,71% in quanto sono posizionate nell’ultimo quartile della distribuzione.

Tab. 4.1 Distribuzione dell’indice Var.% valore aggiunto in classi di punteggio

Variazione % Valore aggiunto Punteggio0 - 25° <=-10,94 -1025° - valore soglia >-10,94 and <=0 -5valore soglia - 50° >0 and <=3,08 250° - 75° >3,08 and <=17,71 675° - 100° >17,71 10

La valutazione del ROI% conduce alla definizione delle successive cinque classi e all’individuazione dell’eccellenza

quando il ROI è superiore al 8,19%.

Tab. 5.1 Distribuzione dell’indice ROI % in classi di punteggio

Roi Punteggio<= valore soglia <=0 -10 valore soglia - 25° >0 and <=2,38 -525° - 50° >2,38 and <=4,85 250° - 75° >4,85 and <=8,19 675° - 100° >8,19 10

Per il Valore Aggiunto su Attivo il punteggio massimo viene attribuito a quelle imprese che presentano un livello

dell’indicatore superiore al 40,76% mentre quello minimo è assegnato a quelle aziende con un valore negativo.

Tab. 6.1 Distribuzione dell’indice Valore Aggiunto su Attivo % in classi di punteggio

Valore Aggiunto su Attivo % Punteggio<= valore soglia <=0 -10 valore soglia - 25° >0 and <=14,04 -525° - 50° >14,04 and <=24,85 250° - 75° >24,85 and <=40,76 675° - 100° >40,76 10

Nel caso del Mol su Oneri Finanziari, l’analisi attribuisce il punteggio massimo alle imprese con un livello superiore al

11,81%

Tab. 7.1 Distribuzione dell’indice Mol su Oneri finanziari in classi di punteggio

27

Cash flow su Attivo % Punteggio<= valore soglia <=0 -10 valore soglia - 25° >0 and <=1,85 -525° - 50° >1,85 and <=4,10 250° - 75° >4,10 and <=11,81 675° - 100° >11,81 10

Infine la valutazione del Cash flow su Attivo% conduce alla definizione delle successive cinque classi e

all’individuazione dell’eccellenza quando l’indice assume valori superiori al 16,73%.

Tab. 8.1 Distribuzione dell’indice Cash flow su Attivo% in classi di punteggio

Cash flow su Attivo % Punteggio0 - 25° <=-1,04 -1025° - valore soglia >-1,04 and <=0 -5valore soglia - 50° >0 and <=7,76 250° - 75° >7,76 and <=16,73 675° - 100° >16,73 10

Una volta definiti i punteggi per ogni indice analizzato si è proceduto con la costruzione del l’Indicatore sintetico di

dinamicità per impresa, secondo la formula definita precedentemente:

Indicatore sintetico di dinamicità = [P var % fatturato +P var % valore aggiunto +P ROI +P valore aggiunto su attivo

+P MOL su oneri finanziari +P cash flow su attivo]/n

dove P è uguale al punteggio attribuito per ogni singolo indicatore.

Viene analizzata la distribuzione in classi del nuovo indicatore per individuare i livelli di bontà di performance

aziendale derivanti direttamente dalle classi di decili. L’indagine viene effettuata sui dati di un anno e le classi cosi

determinate vengono mantenute fisse per esaminare la migrazione delle imprese da una classe ad un'altra. Si

costruiscono quindi dei raggruppamenti di imprese a seconda del livello di bontà (soglia) conseguito dalla gestione

aziendale di ogni singola società nel corso di ogni esercizio.

Infine si da vita ad una matrice di diagnosi che esprime lo stato di salute delle imprese nell’esercizio considerato,

ponendo nelle righe gli indicatori di bilancio e nelle colonne le classi individuate dai livelli di bontà delle performance

aziendali. Si crea quindi una tavola di riepilogo che descrive per ogni colonna il comportamento tipico delle imprese

che abbiano avuto nell’esercizio considerato uno stato di salute scarso, medio, eccellente.

La matrice di diagnosi che si ottiene è indicata nella tabella n. 10.1

Dalla lettura dei valori mediani (e dunque riferiti all’Italia complessivamente intesa) è possibile osservare che il gruppo

di società che si presenta, sulla base dei dati del 2004, in condizioni di estrema crisi (imprese “nulle”), è costituito da

imprese carenti dal punto di vista sia della crescita di quota d’offerta che dal lato delle variazioni del capitale netto (la

variazione del fatturato è pari -17,83% il che vuol dire che le imprese hanno perso più di un sesto del fatturato

nell’ultimo anno). Il ROE è negativo (ed è uguale a –8,74%, questo significa che per ogni 100 Euro che vengono

immesse nella gestione da coloro che apportano il capitale di rischio, la gestione ne sottrae 8,74 Euro sotto forma di

perdita d’esercizio). Anche il ROI, espressione della redditività operativa, evidenzia la situazione di crisi di queste

28

imprese (con un valore pari a -0,14%). La redditività di cassa mostra inoltre un bilanciamento negativo tra entrate ed

uscite monetarie derivanti dal flusso dei ricavi riscossi meno i costi pagati. Il grado d’indebitamento, indicato dal

Leverage, evidenzia un’elevata vulnerabilità e rende manifesto il problema della sottocapitalizzazione, le passività sono

quasi sette volte il patrimonio netto (6,67).

Il gruppo delle imprese, inserito nelle classi da “sufficiente” a “buono”, è caratterizzato invece da performance di livello

superiore alla media, esso comprende società che pur non mostrando uno sviluppo elevato dal punto di vista delle quote

d’offerta e di crescita del capitale netto (per le imprese buone la variazione del fatturato non supera i 6,53 punti

percentuali rispetto a quella dell’anno precedente mentre quella del patrimonio netto è pari a 6,42%), presentano una

discreta remunerazione del capitale proprio, che si colloca al di sopra dei rendimenti generalmente offerti da

investimenti alternativi caratterizzati da un minor grado di rischio. Con riferimento alla gestione operativa, il ROI si

attesta su livelli medi (5,83% per le imprese buone). La redditività di cassa (7,21 per le “sufficienti” e 9,47 per le

“buone”) e evidenzia inoltre la capacità di generare liquidità dall’attività di gestione operativa e di operare nel territorio.

Le imprese “eccellenti”, inserite nella classe 8, 9 e 10, sono invece caratterizzate da un’ottima dinamicità in tutti gli

aspetti indagati, esse mostrano una corsa alla crescita dei ricavi, 12,51%, ed un notevole incremento dei volumi di

capitale netto (14,24% ). Anche la redditività del capitale proprio si attesta su livelli elevati (15,58%) tale crescita si

spiega con l’andamento più elevato del ROI (9,54%), il che segnala un miglior rendimento lordo del capitale investito,

cioè una maggiore efficienza con cui si svolgono i processi della gestione caratteristica.

Tab. n. 9.1 Matrice di diagnosi delle imprese per classi di bontà dell’indicatore sintetico di dinamicità aziendale

Valori mediani

Italia NulloMolto

insufficiente Insufficiente Sufficiente Buono EccellenteNumerosità 38.125 7.538 4.053 3.106 7.459 4.414 11.555Parametri fondamentaliValore Aggiunto 624 217 493 563 665 804 1.059Fatturato 2.779 1.549 2.441 2.696 2.937 3.227 3.547Attivo totale 2.546 2.173 2.751 2.708 2.648 2.655 2.549Patrimonio Netto 373 168 296 327 384 418 559Indicatori sviluppoVariazione % del fatturato 2,36 -17,83 -5,85 -1,63 1,88 6,53 12,51Variazione % del valore aggiunto 3,16 -25,56 -6,18 -1,85 3,07 7,51 15,31Variazione % Attivo 3,49 -4,73 0,84 1,79 3,59 5,41 8,69Variazione % Netto 4,39 -8,62 1,21 2,68 4,64 6,42 14,24Variazione % Costi d'acquisto 1,86 -15,99 -3,99 -1,13 1,96 6,52 11,47Variazione % Costo del lavoro 4,71 -4,82 1,04 2,67 4,62 6,55 9,08Variazione % Oneri Finanziari -5,26 -11,64 -6,02 -2,76 -2,04 -1,56 -5,41Variazione % Mol 1,17 -51,98 -14,29 -5,93 -0,39 6,79 21,79Indicatori di redditività e di cash flowRoe % 4,38 -8,74 0,73 2,09 4,26 6,67 15,58Roi % 4,80 -0,14 3,03 3,93 4,84 5,83 9,54Valore Aggiunto su Attivo % 24,97 9,44 17,26 19,59 24,66 28,91 41,55Valore Aggiunto su valore della produzione 21,46 12,22 18,28 18,84 21,20 22,91 28,99Valore Aggiunto su Costo del lavoro 1,46 1,12 1,45 1,49 1,49 1,51 1,58Mol su Oneri Finanziari 4,02 0,47 2,39 2,94 4,01 5,30 12,43Cash flow Operating su Attivo % 7,88 -2,47 2,18 4,65 7,21 9,47 17,34Ros 4,06 -0,04 2,94 3,46 4,01 4,42 6,24Turnover 1,23 0,75 1,02 1,12 1,25 1,34 1,53Ebit su Totale Attivo 4,66 -0,17 3,01 3,82 4,69 5,60 9,10 Indici di struttura dell'attivo e del passivoImmobilizzazioni Immateriali su Immobilizzazioni 3,41 2,37 2,72 3,35 3,62 3,58 4,28Immobilizzazioni Materiali su Immobilizzazioni 79,75 74,03 78,62 80,00 80,95 81,31 81,19Passività a Bt su Passività totali % 84,85 87,88 86,64 85,93 85,03 84,34 82,53Indice di Dipendenza Finanziaria % 84,92 91,23 89,11 87,76 85,52 84,25 78,00Leverage 5,11 6,67 7,55 6,80 5,72 5,27 3,49Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 106,54 109,76 110,08 113,08 114,35 125,96

30

Qui di seguito si riportano alcune rappresentazioni grafiche che sintetizzano i risultati più rilevanti delle imprese

esaminate e mettono in evidenza l’ordinamento in termini di bontà delle performance dei diversi gruppi costruiti con il

meccanismo dei punteggi. Ne emerge dunque una classifica per distinti livelli di stato di salute delle imprese che, se si

sofferma l’attenzione sul gruppo più in basso in questa graduatoria (il gruppo delle imprese nulle), permette

d’individuare le società ad alto rischio di insolvenza, strettamente collegata all’incapacità di permanere sul mercato in

maniera efficiente. Risalendo lungo questa graduatoria ci si allontana sempre di più dalle situazioni di estremo rischio

fino ad arrivare ai livelli di eccellenza reddituale e di sviluppo.

Grafico 1.1 L’attitudine allo sviluppo del fatturato e del valore aggiunto delle imprese raggruppate per livelli di bontà

La dinamicità delle imprese in termini di quote d'offerta e di valore aggiuntoValori Mediani

-30,00

-25,00

-20,00

-15,00

-10,00

-5,00

0,00

5,00

10,00

15,00

20,00

Variazione % del fatturato -17,83 -5,85 -1,63 1,88 6,53 12,51

Variazione % del valore aggiunto -25,56 -6,18 -1,85 3,07 7,51 15,31

Nullo Molto insufficiente Insufficiente Sufficiente Buono Eccellente

Grafico 2.1 L’attitudine allo sviluppo dell’attivo e del netto delle imprese raggruppate per livelli di bontà

La dinamicità delle imprese in termini di investimenti realizzati e apporti di capitale nettoValori Mediani

-10,00

-5,00

0,00

5,00

10,00

15,00

20,00

Variazione % Attivo -4,73 0,84 1,79 3,59 5,41 8,69

Variazione % Netto -8,62 1,21 2,68 4,64 6,42 14,24


31

Grafico 3.1 La redditività operativa e del capitale proprio delle imprese raggruppate per livelli di bontà

La redditività operativa e del capitale proprio delle imprese Valori Mediani

-10,00

-5,00

0,00

5,00

10,00

15,00

20,00

Roe % -8,74 0,73 2,09 4,26 6,67 15,58

Roi % -0,14 3,03 3,93 4,84 5,83 9,54


Parte 2. Applicazione delle tecniche di Analisi Multivariata.

Parte 2.1. Analisi delle Corrispondenze Multiple e Analisi per Cluster

Nello studio dello stato di salute delle imprese è risultata estremamente rilevante l’applicazione delle tecniche di analisi

multivariata, sugli indicatori di bilancio, in associazione con le variabili qualitative derivanti dall’ambiente di

riferimento e dalla struttura dei settori economici. In particolare sono state scelte l’Analisi delle Corrispondenze

Multiple (ACM), l’Analisi delle Componenti principali (ACP) e l’Analisi per Cluster (AC). L’utilizzo di queste

metodologie permette di classificare i gruppi d’imprese secondo le variabili più rilevanti e consente di individuare

quelle imprese che si caratterizzano in maniera estrema secondo il profilo dello sviluppo o della redditività.

Nei paragrafi successivi si descrivono le diverse fasi seguite in questa parte del lavoro.

Selezione degli indicatori ed analisi delle distribuzioni statistiche: Individuazione delle variabili attive ed

illustrative per la realizzazione dell’Analisi delle corrispondenze multiple

L’Analisi delle corrispondenze multiple è una tecnica statistica che ha l’obiettivo di esplorare, descrivere e sintetizzare

un’intera matrice di dati qualitativi riducendola ad un numero minore di fattori (o assi) che esprimono delle

combinazioni delle variabili e sintetizzano gli aspetti fondamentali del fenomeno oggetto d’indagine.

32

Essa infatti presenta il vantaggio di evidenziare quali variabili attive e quali modalità contribuiscano in modo

significativo alla definizione degli stessi fattori.

E quindi dal punto di vista dell’analisi economico-finanziaria permette d’individuare quei fattori economici e reddittuali

caratterizzanti la performance delle imprese.

E’ una tecnica che consente inoltre di proiettare le modalità delle variabili su di un piano costituito dagli assi fattoriali

presi due a due. Può inoltre essere considerata un’estensione dell’analisi bivariata.

Gli indicatori che si intende impiegare in questo tipo di metodologia sono sia variabili qualitative che indici di bilancio,

i quali, però, per loro natura hanno la caratteristica di essere variabili continue, ossia capaci di assumere qualsiasi valore

contenuto in un intervallo reale predefinito. Per l’applicazione della metodologia le variabili continue sono state dunque

trasformate in variabili discrete, attraverso la costruzione di classi di valori i cui intervalli di definizione sono ottenuti a

partire dalla distribuzione statistica di ciascun indice, e che quindi costituiscono le modalità di ogni singola variabile.

Le variabili così costruite si possono distinguere in due grandi classi: variabili attive ed illustrative.

Le prime sono le variabili più influenti nell’analisi, si utilizzano infatti, “nella ricerca della soluzione fattoriale”2,

ovvero sono i dati della matrice che porta alla definizione dei fattori, le seconde servono ad interpretare in maniera più

efficace i risultati ottenuti attraverso la loro collocazione sugli assi, vengono definite anche variabili di sfondo o

variabili supplementari.

Figura n. 1 Le variabili utilizzate nell’Analisi delle Corrispondenze Multiple

Indicatori - VariabiliAnalisi delle corrispondenze multiple

Variabili Attive

Variabili Illustrative

Variabili di contesto Variabili di segnale

Variabili di sviluppo Variabili di redditivitàe flussi di cassa

Variabili dimensionali Parametri di strutturapatrimoniale e finanziaria

Indicatori - VariabiliAnalisi delle corrispondenze multiple

Variabili Attive

Variabili Illustrative

Variabili di contesto Variabili di segnale

Variabili di sviluppo Variabili di redditivitàe flussi di cassa

Variabili dimensionali Parametri di strutturapatrimoniale e finanziaria

Come VARIABILI ATTIVE sono stati scelti i sei indicatori considerati per la costruzione dell’indicatore sintetico di

dinamicità (meccanismo dei punteggi - variazione % fatturato, variazione % valore aggiunto, mol su oneri finanziari,

cash flow operating su attivo %, Roi %, valore aggiunto su attivo %) per complessive 60 modalità individuate a partire

dagli intervalli definiti dai decili della distribuzione statistica di ciascun indice.

Si riporta qui di seguito l’elenco completo di tali variabili e delle modalità con la sigla attribuita a ciascuna di esse.

2 Fabbris Luigi, Statistica Multivariata Analisi esplorativa dei dati, 1997

33

Tab. 10.1 Variabili attive, modalità e decili di riferimento

Variabili ModalitàDecile della distribuzione

Intervalli di riferimento

Classe Var fatturato Var Fattk1 0 - 1° <=-30,57Var Fattk2 1° - 2° >-30,57 e <=-13Var Fattk3 2° - 3° >-13,68 e <=-6,2Var Fattk4 3°- 4° >-6,23 e <=-1,38Var Fattk5 4° - 5° >-1,38 e <=2,41Var Fattk6 5° - 6° >2,41 e <=6,48Var Fattk7 6° - 7° >6,48 e <=11,54Var Fattk8 7° - 8° >11,54 e <=19,1Var Fattk9 8° - 9° >19,14 e <=35,4Var Fattk10 9° - 10° >35,40

Classe Var. Valore Aggiunto Var Val Aggk1 0 - 1° <=-34,73Var Val Aggk2 1° - 2° >-34,73 e <=-15Var Val Aggk3 2° - 3° >-15,53 e <=-7,2Var Val Aggk4 3°- 4° >-7,26 e <=-1,65Var Val Aggk5 4° - 5° >-1,65 e <=3,07Var Val Aggk6 5° - 6° >3,07 e <=7,95Var Val Aggk7 6° - 7° >7,95 e <=13,83Var Val Aggk8 7° - 8° >13,83 e <=22,8Var Val Aggk9 8° - 9° >22,84 e <=43,1Var Val Aggk10 9° - 10° >43,15

Classe Roi Roik1 0 - 1° <=-1,06Roik2 1° - 2° >-1,06 e <=1,68Roik3 2° - 3° >1,68 e <=2,94Roik4 3°- 4° >2,94 e <=3,91Roik5 4° - 5° >3,91 e <=4,85Roik6 5° - 6° >4,85 e <=5,91Roik7 6° - 7° >5,91 e <=7,26Roik8 7° - 8° >7,26 e <=9,37Roik9 8° - 9° >9,37 e <=13,59Roik10 9° - 10° >13,59

Classe Val Agg su Attivo Val Agg Att k1 0 - 1° <=6,60Val Agg Att k2 1° - 2° >6,60 e <=11,82Val Agg Att k3 2° - 3° >11,82 e <=16,1Val Agg Att k4 3°- 4° >16,15 e <=20,4Val Agg Att k5 4° - 5° >20,41 e <=24,8Val Agg Att k6 5° - 6° >24,85 e <=30,0Val Agg Att k7 6° - 7° >30,07 e <=36,6Val Agg Att k8 7° - 8° >36,64 e <=45,7Val Agg Att k9 8° - 9° >45,74 e <=63,8Val Agg Att k10 9° - 10° >63,83

Classe Cash su Attivo Cash su Attivok1 0 - 1° <=-15,67Cash su Attivok2 1° - 2° >-15,67 e <=-3,9Cash su Attivok3 2° - 3° >-3,99 e <=1,19Cash su Attivok4 3°- 4° >1,19 e <=4,74Cash su Attivok5 4° - 5° >4,74 e <=7,76Cash su Attivok6 5° - 6° >7,76 e <=10,79Cash su Attivok7 6° - 7° >10,79 e <=14,3Cash su Attivok8 7° - 8° >14,39 e <=19,5Cash su Attivok9 8° - 9° >19,50 e <=28,2Cash su Attivok10 9° - 10° >28,28

Classe Mol su On FinMol su On Fink1 0 - 1° <=-0,06Mol su On Fink2 1° - 2° >-0,06 e <=1,5Mol su On Fink3 2° - 3° >1,5 e <=2,20Mol su On Fink4 3°- 4° >2,20 e <=2,98Mol su On Fink5 4° - 5° >2,98 e <=4,10Mol su On Fink6 5° - 6° >4,10 e <=5,76Mol su On Fink7 6° - 7° >5,76 e <=9,07Mol su On Fink8 7° - 8° >9,07 e <=16Mol su On Fink9 8° - 9° >16 e <=38,97Mol su On Fink10 9° - 10° >38,97

K1,2,3,……..9, 10 descrivono i decili delle distribuzioni di riferimento.

Le classi migliori sono contrassegnate dalle modalità più elevate (K8, K9 e K10), le classi peggiori sono individuabili

dalle modalità inferiori (K1, K2, e K3).

34

Le variabili attive scelte rispettano i seguenti criteri:

• Omogeneità delle misure, ossia le modalità sono espresse in unità di misura omogenee, per poter calcolare

distanze sensate tra le stesse

• Omogeneità dei contenuti, ossia nella massa eterogenea degli indicatori di bilancio, sono stati individuati quelli

che sono maggiormente collegati al fenomeno oggetto d’indagine.

Le VARIABILI ILLUSTRATIVE scelte sono dodici e si distinguono in quattro grandi categorie:

• Variabili di contesto che indicano alcune caratteristiche di base dell’impresa, quali la sua natura giuridica, l’area

geografica di collocazione, il settore produttivo di appartenenza.

In particolare sono incluse nel lavoro

• la classe di attività economica (definita dai gruppi dell’ateco ISTAT a 2digit)

• l’area geografica (Nord-Ovest, Nord-Est, Centro, Mezzogiorno, Italia Insulare)

Le modalità individuate per queste variabili sono definite dai raggruppamenti sopra evidenziati.

• Le variabili di segnale o variabili dicotomiche che segnalano la presenza di alcuni fenomeni rilevanti ai fini

dell’analisi.

o All’interno di tale categoria si è deciso di considerare la distinzione tra le imprese che chiudono

in utile e quelle che chiudono l’esercizio in perdita e tra quelle che rilevono un patrimonio netto

positivo e quelle che invece registrono un patrimonio positivo.

• Le variabili dimensionali correlate alla dimensione assoluta dell’impresa: quali ad esempio il valore della

produzione, il totale dei ricavi e del valore aggiunto, il livello del patrimonio netto. Le modalità vengono

individuate a partire dagli intervalli definiti dai quartili della distribuzione statistica di ciascun indice.

• Gli indici di struttura finanziaria e dell’attivo che mirano all’analisi degli investimenti e dei finanziamenti e

consentono d’indagare la relazione esistente tra la struttura e la performance delle imprese.

In particolare si è deciso d’inserire alcuni fondamentali rapporti di composizione:

• Immobilizzazioni Materiali su Attivo Fisso (per evidenziare il grado di rigidità degli investimenti)

• Passività Correnti su Passività Totali (per mettere in luce la tipologia dell’indebitamento)

• Leverage (che evidenzia il grado d’indebitamento delle imprese)

• L’Indice di dipendenza finanziaria (che evidenzia l’incidenza dei mezzi di terzi sul capitale investito)

Le modalità vengono individuate a partire dagli intervalli definiti dai decili della distribuzione statistica di ciascun

indice. Si riporta qui di seguito l’elenco completo di tali variabili e delle modalità con la sigla attribuita a ciascuna di

esse.

35

Tab. 11.1 Variabili illustrative, modalità e decili di riferimento

Variabili ModalitàDecile della distribuzione

Intervalli di riferimento

Classe ampia 1_Industria in Senso Stretto - -2_Energia, Gas e Acqua - -3_Costruzioni - -4_Commercio - -5_Servizi - -

Area geografica Italia Centrale - -Italia Insulare - -Italia Meridionale - -Italia Nord-Occidentale - -Italia Nord-Orientale - -

Utile Utile - -Perdita - -

Classe Fatturato Fattk25 0 - 25° <=1.609Fattk50 25° - 50° >1.609 and <=2.Fattk75 50° - 75° >2.964 and <=63Fattk100 75° - 100° >6.350,5

Classe Patrimonio Netto Patrimk25 25° <=105Patrimk50 50° >105 and <=383Patrimk75 75° >383 and <=1.27Patrimk100 100° >1.273

Classe Valore Aggiunto ValAggk25 25° <=315ValAggk50 50° >315 and <=679ValAggk75 75° >679 and <=1.53ValAggk100 100° >1.539

Classe Valore della produzione ValPro25 25° <=1.699ValPro50 50° >1.699 and <=3.ValPro75 75° >3.101 and <=66ValPro100 100° >6633,5

Classe Immobilizzazioni Materiali su Immobilizzazioni Attivo Fisso nulloImmMatsuImmK1 0 - 1° <=18,83ImmMatsuImmK2 1° - 2° >18,83 e <=38,7ImmMatsuImmK3 2° - 3° >38,79 e <=55,2ImmMatsuImmK4 3°- 4° >55,26 e <=69,4ImmMatsuImmK5 4° - 5° >69,43 e <=80ImmMatsuImmK6 5° - 6° >80 e <=88,02ImmMatsuImmK7 6° - 7° >88,02 e <=93,7ImmMatsuImmK8 7° - 8° >93,78 e <=97,3ImmMatsuImmK9 8° - 9° >97,35 e <=99,4ImmMatsuImmK10 9° - 10° >99,45

Classe Passività a Bt/Passività totali PassaBTsuPassK1 0 - 1° <=51,05PassaBTsuPassK2 1° - 2° >51,05 e <=64,6PassaBTsuPassK3 2° - 3° >64,68 e <=73,1PassaBTsuPassK4 3°- 4° >73,11 e <=79,5PassaBTsuPassK5 4° - 5° >79,54 e <=84,7PassaBTsuPassK6 5° - 6° >84,73 e <=88,8PassaBTsuPassK7 6° - 7° >88,87 e <=92,4PassaBTsuPassK8 7° - 8° >92,40 e <=95,4PassaBTsuPassK9 8° - 9° >95,49 e <=98,0PassaBTsuPassK10 9° - 10° >98,04

Classe Leverage Patrimonio netto negativoLeverage k1 0 - 1° <=1,02Leverage k2 1° - 2° >1,02 e <=1,78Leverage k3 2° - 3° >1,78 e <=2,67Leverage k4 3°- 4° >2,67 e <=3,82Leverage k5 4° - 5° >3,82 e <=5,35Leverage k6 5° - 6° >5,35 e <=7,54Leverage k7 6° - 7° >7,54 e <=11,09Leverage k8 7° - 8° >11,09 e <=17,3Leverage k9 8° - 9° >17,39 e <=33,8Leverage k10 9° - 10° >33,82

Classe Indice di dipendenza Dip FinK1 0 - 1° <=51,42Dip FinK2 1° - 2° >51,42 e <=65,0Dip FinK3 2° - 3° >65,06 e <=73,8Dip FinK4 3°- 4° >73,88 e <=80,3Dip FinK5 4° - 5° >80,34 e <=85,3Dip FinK6 5° - 6° >85,37 e <=89,4Dip FinK7 6° - 7° >89,40 e <=92,7Dip FinK8 7° - 8° >92,77 e <=95,6Dip FinK9 8° - 9° >95,61 e <=98,2Dip FinK10 9° - 10° >98,25

36

Analisi Statistica Descrittiva

L’analisi statistica descrittiva preliminare ha evidenziato le principali caratteristiche distributive delle singole variabili

attive.

La Tab. 12.13 mostra i valori dei più importanti indici sintetici di posizione (media aritmetica e mediana), di forma

(asimmetria, curtosi), di variabilità (coefficiente di variazione e deviazione standard), calcolati sui dati delle imprese

italiane al 2004 presenti nell’archivio DB COMPLEX4.

Tab. 12.1 Analisi univariata del 2004

n° imprese = 38.125 Var % fatturatoVar. % Valore

Aggiunto ROI %

Valore Aggiunto su

Attivo %Mol su Oneri

FinanziariCash flow

su Attivo %

Media 637,97 230,02 5,18 32,78 29,24 6,96Mediana 2,36 3,16 4,80 24,97 4,03 7,89Indice di asimmetria (Skewness) 179,66 88,05 24,70 110,09 44,54 -7,94Indice di Curtosi 33.059,46 10.487,45 4.533,61 16.948,68 2.694,76 294,45Coeficente di variazione* 102,57 47,36 3,84 1,99 10,51 3,95Deviazione Standard 65.437,72 10.894,04 19,88 65,18 307,36 27,51*Deviazione Standard / Media

Nella determinazione di tali misure l’indice di posizione considerato più significativo è la mediana anziché la media,

per i seguenti motivi:

• si tratta di una grandezza utilizzata dalla statistica descrittiva che fornisce una misura della tendenza centrale di una

distribuzione,

• le distribuzioni analizzate non sono simmetriche rispetto alla media ed in particolare sono oblique a destra (la

media è quasi sempre più elevata della mediana)

• la mediana risulta un buon indicatore di comportamento tipico in quanto non risulta influenzata dai valori aberranti

Dalla Tabella 12.1 si può notare che, mediamente, dal punto di vista dello sviluppo, le variazioni % intervenute nelle

quote di fatturato e di valore aggiunto evidenziano una dinamicità delle imprese non particolarmente marcata (2,36 %

var fatturato e 3,16% var valore aggiunto).

La redditività operativa, espressa dal Roi, è pari a 4,80%. Ciò significa che per ogni 100 Euro che vengono immesse

nella gestione a titolo di capitale investito, la gestione ne restituisce 4,80 Euro sotto forma di risultato operativo. La

redditività di cassa, indicata dal rapporto Cash flow su Attivo, mostra un bilanciamento positivo tra entrate ed uscite

monetarie derivanti dal flusso dei ricavi riscossi meno i costi pagati. Su 100 Euro d’investimenti le imprese riescono

infatti a generare 7,89 Euro di flussi di cassa. L’indicatore Valore Aggiunto su Attivo misura una buona remunerazione

dei fattori primari rispetto agli investimenti effettuati (pari a 24,97). Il rapporto Mol su Oneri finanziari completa il

3 E’ importante osservare come i valori della deviazione standard siano percentualizzati nel caso di tutti gli indicatori ad eccezione del rapporto Mol su Oneri Finanziari 4 Il DataBase DB COMPLEX comprende i record di dati anagrafici e contabili di un campione rappresentativo al 10% d’ imprese attive che operano in tutti i settori economici. La serie di dati è di sei anni per un totale di 253.866 osservazioni.

37

quadro degli indici di redditività ed esprime una buona copertura degli oneri finanziari con le risorse rimanenti dopo

aver pagato le materie i servizi e il lavoro; infatti il Mol risulta 4 volte più grande degli oneri finanziari.

E’ inoltre possibile osservare, dall’analisi del coefficiente di variazione5 e dallo studio della deviazione standard, la

minore variabilità degli indicatori di redditività e di cash flow (Roi%, Valore Aggiunto su Attivo%, Mol su Oneri

Finanziari e Cash Flow su Attivo) rispetto a quella delle variabili di sviluppo (Var.% Fatturato e Var.% Valore

Aggiunto). I valori assunti dall’indice di Skewness e di curtosi rendono evidente l’asimmetria6 (in prevalenza di tipo

positivo) e l’eccessiva curtosi di tutte le distribuzioni che non verificano, pertanto, le proprietà tipiche della

distribuzione normale.7

Analisi Statistica descrittiva per settore economico

A questo punto si può ripetere l’analisi univariata per ogni settore economico (considerando la classificazione Ateco

Istat secondo le sezioni ovvero a due Digit). La tabella 13.1 mette in luce attraverso i valori mediani i valori di tendenza

centrale o benchmark di riferimento a livello di settore.

La variabilità degli indicatori per settore economico viene misurata attraverso la deviazione standard ed è messa in luce

dalla tabella n 14.1.

5 Il Coefficiente di variazione è una misura relativa, permette di valutare la dispersione dei valori attorno alla media indipendentemente dall'unità di misura. ed è costruito come il rapporto tra la deviazione standard e la media 6 Un’asimmetria positiva si presenta ogni volta che la media risulta più elevata della mediana per la presenza di valori eccezionalmente elevati 7 Ai fini dell’applicazione del metodo ACM questo non rappresenta un problema dal momento che non è necessario introdurre alcun modello probabilistico (e quindi nemmeno quello normale), dato che l’ACM è una metodologia di esplorazione dei dati.

38

Tab. 13.1 Valori mediani degli indicatori. – DB Complex – N° imprese 38.125

ateco_2dgt Descrizione N. Imprese %Var. %

FatturatoVar. % Valore

Aggiunto Roi %

Valore Aggiunto su

AttivoMol su Oneri

Finanziari

Cash flow Operating su Attivo

11 Estrazione di Petrolio greggio e di gas naturale 1 0,0 - - - - - -13 Estrazione di Minerali metalliferi 1 0,0 - - - - - -14 Marmo, Granito e Altri Mat. Edilizia 146 0,4 4,67 1,33 5,53 24,76 6,58 9,1615 Alimentari 914 2,4 0,83 2,74 2,55 15,36 3,62 5,5117 Trattamento e Tessitura Fibre 629 1,6 -5,56 -4,38 3,64 21,24 2,65 7,0718 Abbigliamento 585 1,5 -2,89 -1,24 4,29 19,45 2,51 5,6519 Abbigliamento 415 1,1 -7,06 -4,45 4,41 29,20 3,17 7,5420 Legno e Sughero 303 0,8 2,12 2,75 5,04 26,83 3,56 7,6821 Carta 187 0,5 0,89 2,50 4,77 25,07 4,60 9,4822 Editoria e Stampa 734 1,9 2,45 4,07 5,53 33,33 6,00 12,0023 Petrolio 42 0,1 6,08 5,47 4,60 21,36 7,46 9,0424 Chimica 386 1,0 3,48 0,80 5,05 24,81 4,91 9,9625 Gomma 468 1,2 4,50 2,26 5,26 30,89 5,52 10,1726 Marmo, Granito e Altri Mat. Edilizia 575 1,5 3,17 2,30 4,39 24,97 4,86 8,2627 Metallurgia 206 0,5 13,76 5,69 4,97 28,40 5,45 9,7928 Fabbricazione e lavorazione dei prodotti in metallo 1.799 4,7 7,03 4,02 5,58 36,12 4,92 9,9329 Meccanica 1.331 3,5 4,88 3,16 5,28 30,81 4,58 9,2330 Fabbricazione di macchine per ufficio, di elaboratori e sistemi informatici 103 0,3 8,42 6,06 5,30 28,03 3,29 8,4531 Fabbricazione di macchine ed apparecchi elettrici 498 1,3 4,68 2,81 5,10 31,57 4,83 8,8532 Fabbricazione di apparecchi radiotelevisivi e di apparecchi per le comunicazioni 173 0,5 1,65 2,78 6,20 36,73 5,74 10,7533 Fabbricazione di apparecchi medicali, di apparecchi di precisione 290 0,8 3,28 2,09 5,83 35,08 5,28 9,6934 Fabbricazione di Autoveicoli, rimorchi e semirimorhi 123 0,3 7,66 5,84 5,17 30,90 3,74 11,0035 Fabbricazione di altri Mezzi di Trasporto 150 0,4 1,30 0,78 4,57 25,96 4,05 8,3936 Fabbricazione di Mobili; altre industrie manifatturiere 818 2,1 1,24 2,13 4,61 27,63 3,02 6,8137 Recupero e preparazione per il riciclaggio 61 0,2 12,20 3,43 5,10 25,59 4,62 7,4740 Energia Elettrica, Gas 87 0,2 3,73 10,82 6,26 19,01 9,53 12,5841 Raccolta depurazione e distribuzione d'acqua 47 0,1 3,00 1,20 2,99 15,06 7,88 5,7945 Costruzioni 5.411 14,2 2,73 3,92 4,46 21,56 3,32 4,7750 Commercio e Riparazione Auto e Motoveicoli 1.253 3,3 3,72 4,30 4,81 18,02 2,54 5,1951 Commercio all'Ingrosso 6.358 16,7 2,13 3,11 4,81 17,65 3,42 6,3652 Commercio al Dettaglio 3.235 8,5 0,57 4,10 4,75 24,41 3,76 5,8255 Attività Alberghiere e della Ristorazione 1.189 3,1 0,44 0,76 4,69 40,26 5,10 11,0660 Trasporti terrestri; trasporti mediante condotte 896 2,4 4,22 3,05 4,09 36,11 4,17 9,0561 Trasporti marittimi e per vie d'acqua 37 0,1 1,73 2,68 6,10 31,13 6,50 13,9662 Trasporti aerei 7 0,0 23,87 24,49 5,77 39,61 12,39 11,5563 Attività di supporto ed ausiliarie dei trasporti; attività delle agenzie di viaggio 1.074 2,8 3,67 3,98 5,42 30,79 6,36 10,3864 Poste e Telecomunicazioni 51 0,1 2,91 6,06 2,87 33,44 5,20 5,0070 Immobiliari 1.502 3,9 1,82 3,78 3,92 8,86 2,48 6,7271 Noleggio 156 0,4 4,56 4,61 5,34 29,60 6,24 13,6872 Informatica e Attività connesse 1.165 3,1 1,86 1,49 6,09 48,68 6,44 11,3973 Ricerca e sviluppo 89 0,2 0,52 2,09 4,79 33,82 7,41 6,6874 Società di Servizi alle Imprese 2.900 7,6 2,39 3,14 5,57 35,32 5,99 10,7780 Istruzione 110 0,3 0,78 3,26 4,61 30,93 5,19 9,5685 Sanità ed Assistenza Sociale 678 1,8 6,11 6,63 6,66 51,25 7,27 13,8090 Smaltimento rifiuti 156 0,4 4,70 4,07 5,24 32,29 5,67 11,2192 Attività ricreative 524 1,4 2,41 6,04 3,98 29,29 5,40 9,3793 Servizi alle famiglie 262 0,7 1,94 2,65 5,21 39,12 5,63 11,84

Totale 38.125

39

Tab. 14.1 Valori della Deviazione Standard degli indicatori – DB Complex – N° imprese 38.125

ateco_2dgt Descrizione N. Imprese %Var. %

FatturatoVar. % Valore

Aggiunto Roi %

Valore Aggiunto su

AttivoMol su Oneri

Finanziari

Cash flow Operating su Attivo

11 Estrazione di Petrolio greggio e di gas naturale 1 0,0 - - - - - -13 Estrazione di Minerali metalliferi 1 0,0 - - - - - -14 Marmo, Granito e Altri Mat. Edilizia 146 0,4 15.346,55 20.487,76 7,31 15,15 83,29 15,3915 Alimentari 914 2,4 13.411,70 1.820,62 7,65 19,97 92,31 23,8217 Trattamento e Tessitura Fibre 629 1,6 38,03 540,17 13,77 25,40 115,65 25,5218 Abbigliamento 585 1,5 14.535,84 2.532,04 15,52 29,51 61,78 22,4919 Abbigliamento 415 1,1 11.469,17 203,11 13,88 25,96 178,92 23,8920 Legno e Sughero 303 0,8 26,81 43,95 9,67 20,83 30,71 18,7921 Carta 187 0,5 21,24 224,14 8,05 14,79 86,58 19,1522 Editoria e Stampa 734 1,9 6.738,80 5.234,49 49,72 24,04 586,40 20,8523 Petrolio 42 0,1 36,44 60,95 6,84 14,22 142,81 16,0124 Chim ica 386 1,0 5.348,89 1.987,13 12,51 19,82 240,39 18,8725 Gomma 468 1,2 12.047,67 9.840,99 9,51 36,24 619,37 18,6526 Marmo, Granito e Altri Mat. Edilizia 575 1,5 34,28 1.125,71 10,74 17,85 436,91 19,3227 Metallurgia 206 0,5 840,21 1.426,01 9,37 19,09 97,36 20,2428 Fabbricazione e lavorazione dei prodotti in metallo 1.799 4,7 6.670,64 3.023,02 12,67 22,73 260,32 20,7829 Meccanica 1.331 3,5 92,70 1.103,48 11,90 20,41 306,91 21,3030 Fabbricazione di macchine per ufficio, di elaboratori e sistemi informatici 103 0,3 37,77 121,33 17,83 29,44 139,12 22,1931 Fabbricazione di macchine ed apparecchi elettrici 498 1,3 73,14 80,72 16,09 31,89 152,92 21,7332 Fabbricazione di apparecchi radiotelevisivi e di apparecchi per le comunicazioni 173 0,5 31,89 103,31 14,37 28,18 243,30 19,3033 Fabbricazione di apparecchi medicali, di apparecchi di precisione 290 0,8 11.473,45 6.681,55 10,62 22,80 121,74 17,1934 Fabbricazione di Autoveicoli, rimorchi e semirimorhi 123 0,3 34,62 1.685,91 9,27 19,31 31,31 15,4635 Fabbricazione di altri Mezzi di Trasporto 150 0,4 37,46 66,25 14,21 28,44 70,29 25,4936 Fabbricazione di Mobili; altre industrie manifatturiere 818 2,1 9.587,14 15.597,87 12,59 21,56 59,31 18,2037 Recupero e preparazione per il riciclaggio 61 0,2 36,57 45,09 9,45 20,74 99,28 21,1440 Energia Elettrica, Gas 87 0,2 216,87 348,75 10,75 17,07 224,98 22,8241 Raccolta depurazione e distribuzione d'acqua 47 0,1 37,78 211,07 15,65 13,91 28,34 11,8045 Costruzioni 5.411 14,2 173.569,84 22.500,91 10,08 22,63 310,43 28,9750 Commercio e Riparazione Auto e Motoveicoli 1.253 3,3 8.312,64 9.132,40 14,50 20,15 106,85 52,3451 Commercio all'Ingrosso 6.358 16,7 2.899,42 566,43 13,62 18,81 81,44 25,7752 Commercio al Dettaglio 3.235 8,5 4.303,59 4.802,96 18,13 22,66 172,02 39,5755 Attività Alberghiere e della Ristorazione 1.189 3,1 5.573,86 5.623,67 11,58 43,38 161,71 20,5460 Trasporti terrestri; trasporti mediante condotte 896 2,4 264,94 4.853,35 29,12 359,57 149,32 18,5161 Trasporti marittim i e per vie d'acqua 37 0,1 38,92 67,72 15,42 30,78 1.615,16 24,2962 Trasporti aerei 7 0,0 25,67 23,04 5,23 23,94 23,38 25,0663 Attività di supporto ed ausiliarie dei trasporti; attività delle agenzie di viaggio 1.074 2,8 1.573,90 453,88 12,32 61,31 583,64 20,9764 Poste e Telecomunicazioni 51 0,1 25.115,58 16.499,87 19,24 37,44 2.252,89 21,9770 Immobiliari 1.502 3,9 3.432,92 1.572,65 27,35 24,59 172,13 27,8671 Noleggio 156 0,4 65,80 64,73 9,69 22,84 104,24 19,1372 Informatica e Attività connesse 1.165 3,1 9.200,67 9.682,93 15,18 36,42 868,98 23,8673 Ricerca e sviluppo 89 0,2 43,76 54,63 12,81 37,12 138,65 25,7174 Società di Servizi alle Imprese 2.900 7,6 24.981,67 14.151,29 15,80 52,34 312,68 23,6380 Istruzione 110 0,3 40,87 63,61 14,03 40,10 612,95 21,9285 Sanità ed Assistenza Sociale 678 1,8 7.763,34 14.469,38 9,72 54,32 141,16 18,4090 Smaltimento rifiuti 156 0,4 641,15 782,84 9,24 36,99 66,87 17,0192 Attività ricreative 524 1,4 9.508,82 25.893,07 100,00 108,04 359,20 40,4393 Servizi alle famiglie 262 0,7 29,71 74,93 13,14 72,55 136,19 22,31

38.125

40

Individuazione dei valori anomali ed eliminazione dei missing

Un passo importante nella costruzione della base dati finale su cui applicare l’ACM è quello dell’identificazione dei

valori anomali (outlier) e del trattamento dei missing (valori non disponibili).

Con riferimento al primo punto, le metodologie che si intende impiegare sono basate sull’utilizzo dei controlli statistici

volti alla localizzazione di quelle osservazioni il cui comportamento anomalo, rispetto al resto delle unità osservate o è

il risultato della variabilità del fenomeno oggetto d’indagine, o è il frutto d’incongruenze ed errori8. Generalmente, la

localizzazione degli outlier avviene mediante la determinazione di regioni di accettazione nelle distribuzioni di ogni

variabile attiva, al di fuori delle quali (ed in particolare nelle “code”), una unità statistica è da considerare anomala e

quindi da sottoporre a controllo ed, eventualmente, ad eliminazione dalla base dati iniziale (Smith, 1987)9.

Nella tabella successiva sono indicati i valori dei percentili più vicini alle code delle distribuzioni statistiche di ogni

variabile attiva.

Tab. 15.1 Statistiche della distribuzione delle variabili attive: percentili, min, max e missing

n° imprese = 38.125 Var % fatturatoVar. % Valore

Aggiunto ROI %

Valore Aggiunto su

Attivo %Mol su Oneri

FinanziariCash flow su

Attivo

Minimo -100,00 -282.600,00 -1.292,86 -208,21 -3.913,00 -1.237,06Percentile 0,0005 -100,00 -2.999,54 -166,48 -92,50 -524,18 -253,53Percentile 0,00055 -100,00 -2.866,80 -156,77 -91,87 -402,95 -236,68Percentile 0,001 -100,00 -1.299,13 -121,03 -73,73 -215,82 -131,03Percentile 0,0015 -100,00 -928,00 -104,14 -62,16 -168,02 -116,88Percentile 0,005 -100,00 -327,06 -52,87 -30,35 -69,25 -85,49Percentile 0,01 -99,82 -179,95 -36,34 -14,22 -34,51 -70,62Percentile 0,05 -55,97 -67,26 -7,50 2,23 -4,14 -31,43Percentile 0,10 -31,63 -36,21 -1,46 6,12 -0,31 -16,04Percentile 0,95 63,55 93,58 20,52 89,72 91,00 40,35Percentile 0,96 76,58 114,49 22,77 98,29 116,00 44,39Percentile 0,97 97,32 158,25 25,83 111,70 153,99 49,77Percentile 0,98 143,11 257,14 30,66 130,76 224,18 58,24Percentile 0,99 328,48 567,84 40,00 161,61 420,09 73,19Percentile 0,995 1.014,27 1.524,57 50,65 193,84 725,36 91,74Percentile 0,9985 16.740,44 13.961,44 75,95 261,19 2.005,37 122,88Percentile 0,999 84.804,80 31.163,30 88,85 310,99 2.643,72 136,55Percentile 0,99945 200.886,72 109.619,92 105,83 367,41 4.387,49 162,84Percentile 0,9995 206.231,68 122.944,40 106,62 378,20 4.511,54 164,59Max 12.061.600,00 1.477.166,67 2.203,63 10.205,88 25.438,00 445,35Missing 3.208,00 3.072,00 0,00 3.032,00 2.033,00 3.032,00

I livelli soglia dei valori che individuano le osservazioni anomale sono definiti sulla base della distribuzione statistica di

ciascun indicatore, in modo da ottenere intervalli di valori che abbiano significatività statistica ma anche una

giustificazione economica10. Nell’individuazione degli outlier si è inoltre tenuto conto dell’asimmetria o simmetria delle

distribuzioni. Nel momento in cui la distribuzione si presenta simmetrica, si è deciso di eliminare la stessa percentuale

di osservazioni intorno la media, attraverso i “tagli” delle osservazioni outlier (ovvero quelle che ricadono oltre il livello

8 Una variazione del fatturato eccessivamente elevata potrebbe essere il frutto di un bilancio sbagliato dell’esercizio precedente 9 Smith T.M.F. (1987), “Influential observation in survey sampling”, Journal of Applied Statistics, Vol. 14, pp.143-152. 10 E’ evidente che un valore di mol su Oneri finanziari pari a circa 25.000 non ha alcuna significatività economica ma risulta il puro risultato matematico di un rapporto tra voci di un prospetto contabile disarmonico.

41

individuato dal percentile). Se invece la distribuzione risulta asimmetrica a destra o a sinistra, si è deciso di eliminare

una maggiore percentuale di valori nella coda della distribuzione11.

Tab. 16.1 Percentili utilizzati per individuare i livelli soglia dei valori delle osservazioni anomale (outlier)

n° imprese = 38.125

Var % fatturato

Var. % Valore

Aggiunto ROI %

Valore Aggiunto su

Attivo %

Mol su Oneri

FinanziariCash flow su Attivo

taglio sinistro - 0,0005 0,00055 - 0,001 0,001taglio destro 0,995 0,995 0,9995 0,9995 0,995 0,9995

Tab. 17.1 Confronto tra le Statistiche descrittive della base dati DB Complex prima e dopo i tagli

Var % fatturato Var. % Valore Aggiunto ROI %Valore Aggiunto su Attivo

% Mol su Oneri Finanziari % Cash flow su Attivo

Media 6,04 637,97 7,26 230,02 5,22 5,18 31,92 32,78 17,98 29,24 6,89 6,96Mediana 2,42 2,36 3,08 3,16 4,86 4,80 24,85 24,97 4,10 4,03 7,76 7,89Indice di Asimmetria (Skwennes) 6,82 179,66 -1,89 88,05 -1,72 24,70 2,68 110,09 6,29 44,54 -0,44 -7,94Indice di Curtosi 83,79 33.059,46 169,59 10.487,45 27,44 4.533,61 13,70 16.948,68 52,11 2.694,76 5,21 294,45Deviazione Standard 53,86 65.437,72 102,61 10.894,04 10,58 19,88 30,90 65,18 56,88 307,36 22,09 27,51Minimo -100,00 -100,00 -2.900,00 -282.600,00 -143,21 -1.292,86 -115,82 -208,21 -214,00 -3.913,00 -128,84 -1.237,06Max 1.013,94 12.061.600,00 1.522,63 1.477.166,67 105,96 2.203,63 377,00 10.205,88 721,00 25.438,00 161,44 445,35

dopo i tagliprima dei tagli

La tabella 17.1 mostra come i tagli effettuati non abbiano modificato in maniera sostanziale i valori di tendenza centrale

espressi dalla mediana della distribuzione degli indicatori ma hanno avuto un effetto estremamente positivo nella

riduzione della variabilità e nell’attribuzione di una maggiore significatività alla media. Se si osserva la variazione del

valore aggiunto si può notare che pur rilevando una mediana dopo i tagli pari a 3,08% praticamente in linea con il

3,16% della distribuzione la variabilità è notevolmente diminuita (la deviazione standard è infatti passata da 65.437 a

53,86) e i valori assunti dall’indice di skewness e di curtosi rendono evidente la minore asimmetria12 e la minore

curtosi della distribuzione (che sono infatti passate rispettivamente da 179,66 a 6,82 e da 33.059,46 a 83,79).

Analisi bivariata tra le variabili attive e quelle illustrative

Per l’applicazione dell’ACM, le variabili continue sono state trasformate in variabili discrete, attraverso la costruzione

di classi di valori i cui intervalli di definizione sono determinati sulla base della distribuzione statistica di ciascun

indice, e che quindi costituiscono le modalità di ogni singola variabile.

Su queste variabili viene condotta un’analisi bivariata con l’obiettivo di evidenziare le eventuali associazioni esistenti

tra gli indicatori o se sono indipendenti.

11 La base dati risultante su cui si applica l’Analisi delle Corrispondenze Multiple non contiene valori missing, è formata da 32.639 record, pari all’86% della base dati iniziale. La perdita delle osservazioni contenenti outlier è compensata dall’efficienza dei risultati delle analisi. Sono in corso d’analisi le ipotesi delle sostituzioni dei valori missing con l’applicazione di tecniche statistiche di sostituzione basate sulla similitudine o sulla vicinanza. 12 Un’asimmetria positiva si presenta ogni volta che la media risulta più elevata della mediana per la presenza di valori eccezionalmente elevati

42

Il procedimento si basa sull’esame della tabella di contingenza, una tabella di frequenze bivariate (frequenze assolute

congiunte), che contiene per ogni coppia di modalità, una cella con il numero di casi in cui si è osservata

congiuntamente la modalità di riga (relativa alla prima mutabile o variabile nominale) e la modalità di colonna (relativa

alla seconda mutabile).

Dalla lettura della tabella di contingenza si desume come si distribuiscono le osservazioni secondo le modalità/classi

individuate per ciascun indicatore e secondo la variabile illustrativa scelta. Vale a dire che se si prendono in

considerazione il ROI (variabile attiva, raggruppata in dieci classi o modalità che esprimono diversi livelli di redditività,

dal peggiore della prima modalità al migliore dell’ultima modalità) e la variabile illustrativa geografica si può osservare

la frequenza delle imprese del campione per classi di ROI e per Area geografica.

In ogni cella il numero in alto corrisponde al valore assoluto del numero di osservazioni, il secondo esprime la

percentuale di riga ed il terzo la percentuale di colonna.

E’ inoltre possibile rappresentare graficamente le diverse modalità ed i valori test.

Nella tabella successiva si è deciso di prendere in considerazione la variabile attiva ROI e la variabile area geografica.

Tab. 18.1 Tabella di contingenza relativa al ROI e all’Area Geografica.

1 2 3 4 5 6 7 8 9 10 TotaleITALIA NORD-ORIENTALE 756 838 786 815 830 829 845 778 858 882 8.217% Riga 9,2 10,2 9,6 9,9 10,1 10,1 10,3 9,5 10,4 10,7 100,0% Colonna 23,2 25,6 24,1 25,0 25,5 25,5 25,7 23,9 26,3 27,0 25,2ITALIA NORD-OCCIDENT 1.176 999 1.020 1.082 1.121 1.172 1.187 1.247 1.329 1.327 11.660% Riga 10,1 8,6 8,7 9,3 9,6 10,1 10,2 10,7 11,4 11,4 100,0% Colonna 36,1 30,5 31,2 33,2 34,4 36,0 36,2 38,3 40,7 40,6 35,7ITALIA MERIDIONALE 465 535 514 464 427 396 383 337 290 295 4.106% Riga 11,3 13,0 12,5 11,3 10,4 9,6 9,3 8,2 7,1 7,2 100,0% Colonna 14,3 16,3 15,7 14,2 13,1 12,2 11,7 10,4 8,9 9,0 12,6ITALIA CENTRALE 664 678 715 705 710 711 712 753 623 630 6.901% Riga 9,6 9,8 10,4 10,2 10,3 10,3 10,3 10,9 9,0 9,1 100,0% Colonna 20,4 20,7 21,9 21,6 21,8 21,9 21,7 23,1 19,1 19,3 21,1ITALIA INSULARE 200,0 225,0 230,0 193,0 172,0 144,0 155,0 139,0 164,0 133,0 1.755,0% Riga 11,4 12,8 13,1 11,0 9,8 8,2 8,8 7,9 9,3 7,6 100,0% Colonna 6,1 6,9 7,0 5,9 5,3 4,4 4,7 4,3 5,0 4,1 5,4Totali 3.261,0 3.275,0 3.265,0 3.259,0 3.260,0 3.252,0 3.282,0 3.254,0 3.264,0 3.267,0 32.639,0% Riga 10,0 10,0 10,0 10,0 10,0 10,0 10,1 10,0 10,0 10,0 100,0% Colonna 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 KHI =363,72 - 36 gradi di libertà (n-1 riga * n-1 colonna)

La significatività statistica tra le due variabili nominali è data dal test del chi-quadrato ed è evidenziata nei grafici

successivi. All’interno del grafico le barre assumono colore rosso (chiaro) se il fenomeno è sovrarappresentato, vale a

dire la frequenza delle osservazioni registrate nella cella è superiore a quella attesa nel caso d’indipendenza e quindi

rende manifesta un’associazione tra variabili. Se le barre assumono colore più scuro o blu il fenomeno è

sottorappresentato e quindi le variabili sono indipendenti. L’altezza delle barre corrisponde al valore test (valore

assoluto, chiaro/rosso se positivo e scuro/blu se è negativo)

Le imprese con una redditività operativa elevata (10) appartengono prevalentemente all’Italia Nord Orientale ed

Occidentale (individuate dalle barre rosse o chiare nel grafico).

Le società con un ROI molto basso (1) sono invece localizzate nell’Italia Meridionale ed Insulare.

43

Grafico 4.1 Redditività operativa ed area geografica

Nella tabella successiva si è deciso di prendere in considerazione la variabile attiva Cash flow su attivo e la variabile

area geografica.

Tab. 19.1 Tabella di contingenza relativa al Cash Flow /Attivo ed all’Area Geografica

1 2 3 4 5 6 7 8 9 10 TotaleITALIA NORD-ORIENTALE 727 724 807 807 842 838 909 873 902 788 8 217% riga 8,8% 8,8% 9,8% 9,8% 10,2% 10,2% 11,1% 10,6% 11,0% 9,6% 100,0%% colonna 22,3% 22,2% 24,7% 24,7% 25,9% 25,6% 27,9% 26,8% 27,7% 24,1% 25,2%ITALIA NORD-OCCIDENTALE 853 1 066 1 126 1 153 1 174 1 282 1 242 1 239 1 269 1 256 11 660% riga 7,3% 9,1% 9,7% 9,9% 10,1% 11,0% 10,7% 10,6% 10,9% 10,8% 100,0%% colonna 26,1% 32,7% 34,5% 35,3% 36,0% 39,2% 38,1% 38,0% 38,9% 38,5% 35,7%ITALIA MERIDIONALE 564 516 453 426 408 376 328 355 336 344 4 106% riga 13,7% 12,6% 11,0% 10,4% 9,9% 9,2% 8,0% 8,6% 8,2% 8,4% 100,0%% colonna 17,3% 15,8% 13,9% 13,0% 12,5% 11,5% 10,1% 10,9% 10,3% 10,5% 12,6%ITALIA CENTRALE 864 758 703 689 643 613 631 653 621 726 6 901% riga 12,5% 11,0% 10,2% 10,0% 9,3% 8,9% 9,1% 9,5% 9,0% 10,5% 100,0%% colonna 26,5% 23,2% 21,5% 21,1% 19,7% 18,7% 19,3% 20,0% 19,0% 22,2% 21,1%ITALIA INSULARE 257 199 178 191 190 161 152 142 134 151 1 755% riga 14,6% 11,3% 10,1% 10,9% 10,8% 9,2% 8,7% 8,1% 7,6% 8,6% 100,0%% colonna 7,9% 6,1% 5,4% 5,8% 5,8% 4,9% 4,7% 4,4% 4,1% 4,6% 5,4%Totale 3 265 3 263 3 267 3 266 3 257 3 270 3 262 3 262 3 262 3 265 32 639% riga 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 100,0%% colonna 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%

Anche in questo caso è possibile osservare una forte contrapposizione tra le imprese del Nord e quelle del Sud del

Paese.

Le società con una debole capacità di generare cassa sono per lo più localizzate nell’Italia Insulare, Centrale e

Meridionale (1), mentre quelle con un bilanciamento di liquidità eccellente sono per lo più presenti nell’Italia Nord

Occidentale (10).

44

Grafico 5.1 Redditività di cassa ed area geografica

Nella tabella successiva si è deciso di prendere in considerazione la variabile attiva Mol Su Oneri finanziari e la

variabile area geografica.

Tab. 20.1 Tabella di contingenza relativa al mol su oneri finanziari ed all’Area Geografica

1 2 3 4 5 6 7 8 9 10 TotaleITALIA NORD-OCCIDENTALE 1.175 1.081 1.048 1.134 1.151 1.118 1.179 1.170 1.251 1.353 11.660% Riga 10,08 9,27 8,99 9,73 9,87 9,59 10,11 10,03 10,73 11,60 100,00% Colonna 36,00 32,94 32,30 34,73 35,24 34,29 36,11 35,62 38,58 41,45 35,72ITALIA MERIDIONALE 449 465 425 448 450 435 366 431 340 297 4.106% Riga 10,94 11,32 10,35 10,91 10,96 10,59 8,91 10,50 8,28 7,23 100,00% Colonna 13,76 14,17 13,10 13,72 13,78 13,34 11,21 13,12 10,48 9,10 12,58ITALIA NORD-ORIENTALE 715 760 758 826 796 863 863 893 864 879 8.217% Riga 8,70 9,25 9,22 10,05 9,69 10,50 10,50 10,87 10,51 10,70 100,00% Colonna 21,91 23,16 23,36 25,30 24,37 26,47 26,43 27,18 26,64 26,93 25,18ITALIA CENTRALE 725 767 798 695 703 652 679 626 627 629 6.901% Riga 10,51 11,11 11,56 10,07 10,19 9,45 9,84 9,07 9,09 9,11 100,00% Colonna 22,21 23,37 24,59 21,29 21,52 20,00 20,80 19,06 19,33 19,27 21,14ITALIA INSULARE 200 209 216 162 166 192 178 165 161 106 1.755% Riga 11,40 11,91 12,31 9,23 9,46 10,94 10,14 9,40 9,17 6,04 100,00% Colonna 6,13 6,37 6,66 4,96 5,08 5,89 5,45 5,02 4,96 3,25 5,38Totale 3.264 3.282 3.245 3.265 3.266 3.260 3.265 3.285 3.243 3.264 32.639% Riga 10,00 10,06 9,94 10,00 10,01 9,99 10,00 10,06 9,94 10,00 100,00% Colonna 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00

45

Grafico 6.1 Mol su Oneri Finanziari ed Area geografica

Le società dell’Italia Meridionale registrano una scarsa copertura degli Oneri finanziari con il Margine Operativo lordo

(1), mentre quelle dell’Italia Nord Occidentale e Nord Orientale rilevano un eccellente livello di tale rapporto (10).

Nella tabella successiva si è deciso di prendere in considerazione la variabile attiva Valore Aggiunto su Attivo e la


Tab. 21.1 Tabella di contingenza relativa al valore aggiunto su attivo ed all’Area Geografica

1 2 3 4 5 6 7 8 9 10 TotaleITALIA NORD-OCCIDENTALE 1.083 1.001 994 1.092 1.129 1.206 1.278 1.344 1.278 1.255 11.660% Riga 9,29 8,58 8,52 9,37 9,68 10,34 10,96 11,53 10,96 10,76 100% Colonna 33,16 30,68 30,50 33,45 34,61 36,90 39,14 41,21 39,12 38,46 35,72ITALIA MERIDIONALE 441 523 550 498 450 378 333 332 310 291 4.106% Riga 10,74 12,74 13,40 12,13 10,96 9,21 8,11 8,09 7,55 7,09 100% Colonna 13,50 16,03 16,88 15,25 13,80 11,57 10,20 10,18 9,49 8,92 12,58ITALIA NORD-ORIENTALE 850 765 769 785 771 835 836 855 876 875 8.217% Riga 10,34 9,31 9,36 9,55 9,38 10,16 10,17 10,41 10,66 10,65 100% Colonna 26,03 23,44 23,60 24,04 23,64 25,55 25,60 26,22 26,81 26,82 25,18ITALIA CENTRALE 728 744 724 675 723 696 670 585 664 692 6.901% Riga 10,55 10,78 10,49 9,78 10,48 10,09 9,71 8,48 9,62 10,03 100% Colonna 22,29 22,80 22,22 20,67 22,16 21,30 20,52 17,94 20,32 21,21 21,14ITALIA INSULARE 164 230 222 215 189 153 148 145 139 150 1.755% Riga 9,34 13,11 12,65 12,25 10,77 8,72 8,43 8,26 7,92 8,55 100% Colonna 5,02 7,05 6,81 6,58 5,79 4,68 4,53 4,45 4,25 4,60 5,38Totale 3.266 3.263 3.259 3.265 3.262 3.268 3.265 3.261 3.267 3.263 32.639

10,01 10,00 9,98 10,00 9,99 10,01 10,00 9,99 10,01 10,00 100,00100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00

46

Grafico 7.1 Valore Aggiunto su Attivo ed Area geografica

Le società dell’Italia Meridionale, Centrale ed Insulare registrano un livello molto basso del rapporto tra il valore

aggiunto ed il totale dell’attivo (2), mentre quelle dell’Italia Nord Occidentale e Nord Orientale rilevano un eccellente

livello dell’indicatore (10).

Nella tabella successiva si è deciso di prendere in considerazione la variabile attiva Variazione % del Fatturato e la


Tab. 22.1 Tabella di contingenza relativa alla Variazione % del Fatturato ed all’Area Geografica

1 2 3 4 5 6 7 8 9 10 TotaleITALIA NORD-ORIENTALE 811 816 784 805 835 852 903 866 784 761 8 217% Riga 9,9% 9,9% 9,5% 9,8% 10,2% 10,4% 11,0% 10,5% 9,5% 9,3% 100,0%% Colonna 24,8% 25,0% 24,0% 24,7% 25,6% 26,1% 27,7% 26,5% 24,0% 23,3% 25,2%ITALIA NORD-OCCIDENTALE 1 062 1 161 1 145 1 207 1 193 1 144 1 184 1 173 1 214 1 177 11 660% Riga 9,1% 10,0% 9,8% 10,4% 10,2% 9,8% 10,2% 10,1% 10,4% 10,1% 100,0%% Colonna 32,5% 35,5% 35,1% 37,0% 36,5% 35,0% 36,3% 35,9% 37,2% 36,1% 35,7%ITALIA MERIDIONALE 474 424 399 402 397 407 362 376 441 424 4 106% Riga 11,5% 10,3% 9,7% 9,8% 9,7% 9,9% 8,8% 9,2% 10,7% 10,3% 100,0%% Colonna 14,5% 13,0% 12,2% 12,3% 12,2% 12,5% 11,1% 11,5% 13,5% 13,0% 12,6%ITALIA CENTRALE 728 706 751 679 674 681 631 673 662 716 6 901% Riga 10,5% 10,2% 10,9% 9,8% 9,8% 9,9% 9,1% 9,8% 9,6% 10,4% 100,0%% Colonna 22,3% 21,6% 23,0% 20,8% 20,6% 20,9% 19,3% 20,6% 20,3% 21,9% 21,1%ITALIA INSULARE 189 159 183 170 166 182 183 176 161 186 1 755% Riga 10,8% 9,1% 10,4% 9,7% 9,5% 10,4% 10,4% 10,0% 9,2% 10,6% 100,0%% Colonna 5,8% 4,9% 5,6% 5,2% 5,1% 5,6% 5,6% 5,4% 4,9% 5,7% 5,4%Totale 3 264 3 266 3 262 3 263 3 265 3 266 3 263 3 264 3 262 3 264 32 639% Riga 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 100,0%% Colonna 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%

Le società dell’Italia Meridionale registrano tavolta decrementi nelle vendite o variazioni molto basse (1), mentre quelle

dell’Italia Nord-Orientale rilevano una buona variazione del fatturato (7).

47

Grafico 8.1 Variazione % del Fatturato ed Area geografica

Di seguito si riporta la tabella di contingenza ed il grafico sui valori test relativi alla variabile Variazione % Valore

Aggiunto.

Tab. 23.1 Tabella di contingenza relativa alla Variazione % del Valore Aggiunto ed all’Area Geografica

1 2 3 4 5 6 7 8 9 10 TotaleITALIA NORD-OCCIDENTALE 1.091 1.127 1.193 1.190 1.210 1.158 1.174 1.164 1.148 1.205 11.660%Riga 9,4% 9,7% 10,2% 10,2% 10,4% 9,9% 10,1% 10,0% 9,8% 10,3% 100,0%% Colonna 33,4% 34,5% 36,6% 36,5% 37,1% 35,5% 36,0% 35,7% 35,2% 36,9% 35,7%ITALIA MERIDIONALE 489 431 380 382 406 376 384 366 469 423 4.106%Riga 11,9% 10,5% 9,3% 9,3% 9,9% 9,2% 9,4% 8,9% 11,4% 10,3% 100,0%% Colonna 15,0% 13,2% 11,6% 11,7% 12,4% 11,5% 11,8% 11,2% 14,4% 13,0% 12,6%ITALIA NORD-ORIENTAL 797 774 818 822 838 915 830 876 807 740 8.217%Riga 9,7% 9,4% 10,0% 10,0% 10,2% 11,1% 10,1% 10,7% 9,8% 9,0% 100,0%% Colonna 24,4% 23,7% 25,1% 25,2% 25,7% 28,1% 25,4% 26,8% 24,7% 22,7% 25,2%ITALIA CENTRALE 696 737 699 717 671 649 720 688 632 692 6.901%Riga 10,1% 10,7% 10,1% 10,4% 9,7% 9,4% 10,4% 10,0% 9,2% 10,0% 100,0%% Colonna 21,3% 22,6% 21,4% 22,0% 20,6% 19,9% 22,1% 21,1% 19,4% 21,2% 21,1%ITALIA INSULARE 191 195 174 153 140 164 156 170 209 203 1.755%Riga 10,9% 11,1% 9,9% 8,7% 8,0% 9,3% 8,9% 9,7% 11,9% 11,6% 100,0%% Colonna 5,9% 6,0% 5,3% 4,7% 4,3% 5,0% 4,8% 5,2% 6,4% 6,2% 5,4%Totale 3.264 3.264 3.264 3.264 3.265 3.262 3.264 3.264 3.265 3.263 32.639%Riga 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 10,0% 100,0%% Colonna 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%

Le società dell’Italia Meridionale registrano tavolta decrementi nel valore aggiunto o variazioni molto basse (1), mentre

quelle dell’Italia Insulare rilevano una eccellente variazione del valore aggiunto (10).

48

Grafico 9.1 Variazione % Valore Aggiunto ed Area geografica

49

Analisi degli assi fattoriali che sintetizzano la matrice dei dati iniziale

L’analisi condotta sui dati del campione ha dato luogo all’individuazione di una serie di fattori che spiegano la varianza

della matrice dei dati iniziale. Questi fattori sintetizzano nel miglior modo possibile le informazioni raccolte.

Figura n. 3

HISTOGRAMME DES 54 PREMIERES VALEURS PROPRES +--------+------------+----------+----------+----------------------------------------------------------------------------------+ | NUMERO | VALEUR | POURCENT.| POURCENT.| | | | PROPRE | | CUMULE | | +--------+------------+----------+----------+----------------------------------------------------------------------------------+ | 1 | 0.4960 | 5.51 | 5.51 | ******************************************************************************** | | 2 | 0.3518 | 3.91 | 9.42 | ********************************************************* | | 3 | 0.2409 | 2.68 | 12.10 | *************************************** | | 4 | 0.2310 | 2.57 | 14.66 | ************************************** | | 5 | 0.1974 | 2.19 | 16.86 | ******************************** | | 6 | 0.1957 | 2.17 | 19.03 | ******************************** | | 7 | 0.1908 | 2.12 | 21.15 | ******************************* | | 8 | 0.1811 | 2.01 | 23.16 | ****************************** | | 9 | 0.1790 | 1.99 | 25.15 | ***************************** | | 10 | 0.1752 | 1.95 | 27.10 | ***************************** | | 11 | 0.1749 | 1.94 | 29.04 | ***************************** | | 12 | 0.1742 | 1.94 | 30.98 | ***************************** | | 13 | 0.1729 | 1.92 | 32.90 | **************************** | | 14 | 0.1720 | 1.91 | 34.81 | **************************** | | 15 | 0.1720 | 1.91 | 36.72 | **************************** | | 16 | 0.1712 | 1.90 | 38.62 | **************************** | | 17 | 0.1706 | 1.90 | 40.52 | **************************** | | 18 | 0.1698 | 1.89 | 42.41 | **************************** | | 19 | 0.1696 | 1.88 | 44.29 | **************************** | | 20 | 0.1691 | 1.88 | 46.17 | **************************** | | 21 | 0.1684 | 1.87 | 48.04 | **************************** | | 22 | 0.1679 | 1.87 | 49.91 | **************************** | | 23 | 0.1669 | 1.85 | 51.76 | *************************** | | 24 | 0.1664 | 1.85 | 53.61 | *************************** | | 25 | 0.1658 | 1.84 | 55.45 | *************************** | | 26 | 0.1651 | 1.83 | 57.29 | *************************** | | 27 | 0.1649 | 1.83 | 59.12 | *************************** | | 28 | 0.1643 | 1.83 | 60.94 | *************************** | | 29 | 0.1641 | 1.82 | 62.77 | *************************** | | 30 | 0.1638 | 1.82 | 64.59 | *************************** | | 31 | 0.1635 | 1.82 | 66.40 | *************************** | | 32 | 0.1633 | 1.81 | 68.22 | *************************** | | 33 | 0.1623 | 1.80 | 70.02 | *************************** | | 34 | 0.1616 | 1.80 | 71.82 | *************************** | | 35 | 0.1607 | 1.79 | 73.60 | ************************** | | 36 | 0.1605 | 1.78 | 75.39 | ************************** | | 37 | 0.1587 | 1.76 | 77.15 | ************************** | | 38 | 0.1581 | 1.76 | 78.91 | ************************** | | 39 | 0.1574 | 1.75 | 80.65 | ************************** | | 40 | 0.1544 | 1.72 | 82.37 | ************************* | | 41 | 0.1519 | 1.69 | 84.06 | ************************* | | 42 | 0.1482 | 1.65 | 85.70 | ************************ | | 43 | 0.1438 | 1.60 | 87.30 | ************************ | | 44 | 0.1425 | 1.58 | 88.89 | *********************** | | 45 | 0.1376 | 1.53 | 90.41 | *********************** | | 46 | 0.1349 | 1.50 | 91.91 | ********************** | | 47 | 0.1283 | 1.43 | 93.34 | ********************* | | 48 | 0.1162 | 1.29 | 94.63 | ******************* | | 49 | 0.1042 | 1.16 | 95.79 | ***************** | | 50 | 0.1021 | 1.13 | 96.92 | ***************** | | 51 | 0.0890 | 0.99 | 97.91 | *************** | | 52 | 0.0774 | 0.86 | 98.77 | ************* | | 53 | 0.0633 | 0.70 | 99.48 | *********** | | 54 | 0.0472 | 0.52 | 100.00 | ********

Il primo fattore ottenuto riproduce il 5,51% della variabilità13, il secondo il 3,91%, il terzo 2,68%, il quarto 2,57% e cosi

via a decrescere. Se prendiamo in considerazione i primi due fattori siamo in grado di spiegare, rivalutando gli

autovalori14 di entità non trascurabile, il 91,80% dell’inerzia riscontrata nel campione15 (in particolare con il primo

fattore riusciamo ad interpretare il 69,77%, con il secondo il 22,03%).

13 In realtà il primo fattore ottenuto non viene indicato nell’Output di Spad in quanto l’autovalore è pari ad uno 14 Un’autovalore è una misura di variabilità del k esimo asse fattoriale sul quale si proiettano i punti. Esso permette di valutare il potere di sintesi del fattore estratto, più grande è l’autovalore, maggiore è la percentuale di varianza riprodotta da quel fattore. Ogni autovalore identifica un asse fattoriale ed è il risultato di una combinazione lineare delle modalità originarie in grado di riprodurre una certa quota di inerzia originaria 15 La varianza è ricalcolata con la formula di rivalutazione proposta da Benzecri. Questo studioso suggerisce di tenere conto solo degli autovalori λ non trascurabili ossia quelli il cui valore è superiore a 1/k (dove k è il numero di variabili attive). Nel nostro caso specifico abbiamo 1/6=0,16666. Secondo questo risultato, gli autovalori non banali sono i primi ventiquattro. “In questo modo si ponderano gli autovalori rilevanti elevando al quadrato le differenze tra gli autovalori originali e la costante derivante dal rapporto 1/p e ricalcolando la percentuale di varianza riprodotta sommando gli autovalori rilevanti e rapportando ciascun autovalore a questo nuovo totale” Di Franco Giovanni, Tecniche e modelli di analisi multivariata dei dati, Edizioni Seam (pg 52)

50

I criteri attraverso i quali si considerano solo i primi due fattori si basano sull’ analisi della varianza riprodotta16 e sul

numero degli indicatori impiegati.

Per interpretare questi fattori si può fare riferimento ai contributi assoluti17, a quelli relativi18, a quelli cumulati di ogni

variabile e alle coordinate fattoriali di ogni singola modalità oppure si possono considerare i contributi cumulati ed i

valori test19 delle modalità. Nel nostro caso si è scelto questo secondo approccio.

Iniziamo ad analizzare i contributi cumulati (ossia la somma dei contributi assoluti di ogni singola modalità) per

evidenziare quale variabile abbia fornito il contributo maggiore nella costituzione dei diversi fattori.

Tab 24.1 Rapporto tra le variabili attive e i primi due fattori espresso dal contributo cumulato

1° FattoreVariabile Contributo Cumulato % Cumulata

Roi 21,8 21,8Mol su Oneri Finanziari 20,6 42,4Valore Aggiunto su Attivo 18,7 61,1Variazione % Valore Aggiunto 18,7 79,8Variazione % Fatturato 12,7 92,5Cash su Attivo 7,5 100

2° FattoreVariabile Contributo Cumulato %CumulataRoi 30 30Mol su Oneri Finanziari 23,8 53,8Cash su Attivo 18,9 72,7Valore Aggiunto su Attivo 18,7 91,4Variazione % Valore Aggiunto 6,2 97,6Variazione % Fatturato 2,4 100

Il ROI interviene significativamente in tutti i fattori (nel primo registra un contributo del 21,8%, nel secondo fornisce un

contributo più elevato del 30%), risulta quindi la variabile più caratterizzante di tutta la matrice dei dati a disposizione.

Le variabili di sviluppo (Variazione % del Fatturato e Variazione % Valore Aggiunto) contribuiscono in maniera

rilevante alla formazione del primo fattore mentre sono scarsamente significative nel secondo.

Il rapporto Mol su Oneri Finanziari delinea il primo ed il secondo fattore.

Ed infine il Valore Aggiunto su Attivo contribuisce in maniera significativa alla costruzione del primo e del secondo

fattore.

Il passo successivo è quello di esaminare sia le rappresentazioni grafiche che i valori test delle modalità delle variabili

attive.

16 diagramma degli autovalori 17 Il contributo assoluto rappresenta la parte di varianza totale del fattore riprodotta dalla variabile-modalità cui si riferisce. 18 Il contributo relativo viene denominato anche qualità della rappresentazione o coseno quadrato. E’ un valore che consente di valutare il contributo che un certo asse fornisce alla riproduzione della varianza della variabile-modalità 19 il valore test è funzione del peso assunto dai contributi assoluti, a quelli relativi e dalle coordinate di ogni singola modalità. Tale stima indica quali modalità sono ben rappresentate (quelle maggiori di │2│) negli assi fattoriali.

51

Nel grafico 16.1 vengono proiettate le modalità di tutte le variabili attive sul piano ottenuto dall’incrocio dei due assi: il

1° fattore (asse delle ascisse) ed il 2° fattore (asse delle ordinate). Tali modalità si riferiscono all’intera popolazione,

ossia alle 32.639 imprese oggetto dell’indagine.

Grafico 10.1 Rappresentazione delle variabili attive e delle loro modalità sul piano fattoriale

I

dati si presentano come una nuvola di punti che assume la forma di un tipico ferro di cavallo, o effetto Guttman, ossia

come una parabola concava 20. Un andamento di questo tipo indica una sostanziale unidimensionalità delle frequenze

osservate; il secondo fattore è una riproduzione del primo e aggiunge solo alcune sfumature per l’interpretazione.

Nelle tabelle seguenti sono riportati i valore test di ogni modalità (positivi o negativi a seconda del semi asse preso in

considerazione). Queste stime evidenziano le modalità maggiormente rappresentate negli assi fattoriali.

20 Si tratta di una particolarità che si può presentare quando le variabili prese in esame hanno una stretta relazione tra di loro.

Tab. 25.1 Valori test delle modalità delle variabili

attive nella formazione del primo asse (1° fattore)

Variabile Modalità Valore-Test Peso

Classe Roi Roi K10 -51,92 3264,000Classe Roi Roi K9 -43,68 3264,000Classe Mol su On Fin Mol su On Fin K10 -43,28 3264,000Classe Val Agg su Attivo Val Agg Att K10 -40,17 3263,000Classe Val Agg su Attivo Val Agg Att K9 -37,69 3267,000Classe Cash su Attivo Cash su Attivo K9 -36,81 3262,000Classe Mol su On Fin Mol su On Fin K9 -36,00 3243,000Classe Roi Roi K8 -33,21 3264,000Classe Mol su On Fin Mol su On Fin K8 -30,77 3285,000Classe Cash su Attivo Cash su Attivo K8 -30,24 3262,000Classe Var Valore Aggiunto Var Val Agg K7 -29,31 3264,000Classe Val Agg su Attivo Val Agg Att K8 -28,71 3261,000Classe Var Valore Aggiunto Var Val Agg K8 -28,32 3264,000Classe Var Valore Aggiunto Var Val Agg K6 -27,25 3262,000Classe Var Valore Aggiunto Var Val Agg K9 -27,19 3265,000Z O N A C E N T R A L EClasse Roi Roi K3 13,64 3264,000Classe Cash su Attivo Cash su Attivo K4 14,78 3266,000Classe Var Valore Aggiunto Var Val Agg K2 26,31 3264,000Classe Var Fatt Var Fatt K2 30,30 3266,000Classe Cash su Attivo Cash su Attivo K3 30,48 3267,000Classe Val Agg su Attivo Val Agg Att K2 31,01 3263,000Classe Cash su Attivo Cash su Attivo K2 34,97 3263,000Classe Mol su On Fin Mol su On Fin K2 39,33 3282,000Classe Roi Roi K2 40,88 3264,000Classe Cash su Attivo Cash su Attivo K1 47,00 3265,000Classe Var Fatt Var Fatt K1 98,54 3264,000Classe Val Agg su Attivo Val Agg Att K1 99,90 3266,000Classe Mol su On Fin Mol su On Fin K1 99,90 3264,000Classe Var Valore Aggiunto Var Val Agg K1 99,90 3264,000Classe Roi Roi K1 99,90 3264,000

Tab 26.1 Valori test delle modalità delle variabili

attive nella formazione del secondo asse (2° fattore)ù


Classe Roi Roi K10 -99,90 3264,000Classe Cash su Attivo Cash su Attivo K10 -83,41 3265,000Classe Mol su On Fin Mol su On Fin K10 -75,33 3264,000Classe Val Agg su Attivo Val Agg Att K10 -71,49 3263,000Classe Mol su On Fin Mol su On Fin K1 -55,73 3264,000Classe Cash su Attivo Cash su Attivo K9 -52,38 3262,000Classe Roi Roi K1 -50,30 3264,000Classe Val Agg su Attivo Val Agg Att K9 -43,89 3267,000Classe Mol su On Fin Mol su On Fin K9 -43,75 3243,000Classe Var Valore Aggiunto Var Val Agg K1 -42,05 3264,000Classe Roi Roi K9 -37,48 3264,000Classe Val Agg su Attivo Val Agg Att K1 -33,80 3266,000Classe Var Valore Aggiunto Var Val Agg K10 -31,20 3263,000Classe Var Fatt Var Fatt K1 -28,72 3264,000Classe Cash su Attivo Cash su Attivo K8 -19,26 3262,000Z O N A C E N T R A L EClasse Val Agg su Attivo Val Agg Att K5 27,79 3262,000Classe Cash su Attivo Cash su Attivo K6 30,29 3270,000Classe Mol su On Fin Mol su On Fin K2 32,01 3282,000Classe Roi Roi K6 34,12 3263,000Classe Cash su Attivo Cash su Attivo K4 35,02 3266,000Classe Mol su On Fin Mol su On Fin K5 36,80 3266,000Classe Roi Roi K3 37,71 3264,000Classe Cash su Attivo Cash su Attivo K5 37,73 3257,000Classe Val Agg su Attivo Val Agg Att K4 38,46 3265,000Classe Val Agg su Attivo Val Agg Att K2 39,08 3263,000Classe Roi Roi K5 40,57 3264,000Classe Roi Roi K4 42,87 3264,000Classe Val Agg su Attivo Val Agg Att K3 43,10 3259,000Classe Mol su On Fin Mol su On Fin K4 45,00 3265,000Classe Mol su On Fin Mol su On Fin K3 47,71 3245,000

53


illustrative nella formazione del primo asse (1° fattore)


Utile Utile -97,02 23392,000Tipologia Patrimonio netto Patrimonio Positivo -67,90 31083,000Classe Valore Aggiunto ValAggk100 -39,63 8157,000Classe Valore Aggiunto ValAggk75 -31,08 8152,000Classe Fatturato Fattk100 -20,95 8160,000Classe Fatturato Fattk75 -20,73 8157,000Classe Valore della produzione ValPro75 -18,89 8154,000Classe Valore della produzione ValPro100 -18,09 8160,000Classe Patrimonio Netto Patrimk75 -17,44 8152,000Classe Fatturato Fattk50 -15,39 8148,000Classe Valore della produzione ValPro50 -14,83 8161,000Classe Indice di dipendenza Dip FinK2 -14,64 3264,000Classe Indice di dipendenza Dip FinK3 -14,57 3264,000Classe Leverage Leverage k2 -14,49 3108,000Classe Patrimonio Netto Patrimk100 -14,12 8155,000Z O N A C E N T R A L EClasse Immobilizzazioni Materiali su Immobilizzazioni ImmMatsuImmK10 7,70 3243,000

Classe Indice di dipendenza Dip FinK9 8,48 3262,000Classe Passività a Bt/Passività Totali PassaBTsuPassK1 9,37 3264,000

Area geografica ITALIA MERIDIONALE 9,71 4106,000

Classe ampia 3_Costruzioni 12,72 4635,000Classe Leverage Leverage k10 17,86 3109,000Classe Immobilizzazioni Materiali su Immobilizzazioni Attivo Fisso nullo 21,60 209,000

Classe Immobilizzazioni Materiali su Immobilizzazioni ImmMatsuImmK1 26,52 3243,000

Classe Passività a Bt/Passività Totali PassaBTsuPassK10 40,88 3264,000

Classe Patrimonio Netto Patrimk25 42,82 8175,000Classe Valore della produzione ValPro25 51,79 8164,000Classe Fatturato Fattk25 57,03 8174,000Classe Indice di dipendenza Dip FinK10 60,98 3265,000Tipologia Patrimonio netto Patrimonio Negativo 67,90 1556,000Classe Leverage Patrimonio netto neg 67,90 1556,000Classe Valore Aggiunto ValAggk25 82,06 8169,000Utile Perdita 97,02 9247,000


illustrative nella formazione del secondo asse (2°

fattore)


Classe Indice di dipendenza Dip FinK1 -37,99 3264,000Classe Leverage Leverage k1 -37,43 3109,000Classe ampia 5_Servizi -33,02 8788,000Tipologia Patrimonio netto Patrimonio Negativo -29,40 1556,000Classe Leverage Patrimonio netto neg -29,40 1556,000Classe Valore Aggiunto ValAggk100 -21,77 8157,000Classe Leverage Leverage k2 -21,18 3108,000Classe Indice di dipendenza Dip FinK2 -21,02 3264,000Classe Immobilizzazioni Materiali su Immobilizzazioni Attivo Fisso nullo -13,49 209,000

Classe Leverage Leverage k3 -11,31 3108,000Classe Indice di dipendenza Dip FinK10 -10,71 3265,000Classe Immobilizzazioni Materiali su Immobilizzazioni ImmMatsuImmK1 -10,39 3243,000

Classe Indice di dipendenza Dip FinK3 -10,24 3264,000Classe Valore della produzione ValPro25 -10,00 8164,000

Area geografica ITALIA NORD-OCCIDENT -9,45 11660,000

Classe Fatturato Fattk25 -8,52 8174,000Z O N A C E N T R A L E

Area geografica ITALIA MERIDIONALE 9,11 4106,000

Classe Leverage Leverage k6 10,70 3109,000Classe Indice di dipendenza Dip FinK6 12,00 3263,000Classe Leverage Leverage k7 14,34 3108,000Classe Passività a Bt/Passività Totali PassaBTsuPassK9 14,52 3263,000

Classe Indice di dipendenza Dip FinK7 18,08 3264,000Classe Leverage Leverage k10 20,10 3109,000Classe Leverage Leverage k8 21,12 3108,000Classe Valore Aggiunto ValAggk50 21,24 8161,000Classe Indice di dipendenza Dip FinK8 21,71 3265,000Classe Leverage Leverage k9 21,77 3108,000Classe Indice di dipendenza Dip FinK9 22,37 3262,000Classe ampia 4_Commercio 24,00 9419,000Tipologia Patrimonio netto Patrimonio Positivo 29,40 31083,000

Descrizione dei fattori derivanti dall’analisi

Per interpretare le caratteristiche delle società definite dai fattori è utile fare riferimento alle rappresentazioni grafiche.

L’ACM consente infatti di proiettare le modalità delle variabili attive e di quelle illustrative nei quattro semipiani

ottenuti dall’incrocio delle due dimensioni fattoriali. Valutando le posizioni dei punti rispetto agli assi e le distanze tra i

punti stessi si può desumere la struttura delle relazioni tra le variabili e tra queste ed i fattori. In generale si ritiene infatti

che più un punto è lontano dall’origine degli assi maggiore è il suo contributo alla formazione di quell’asse e maggiore

è il suo valore test. La vicinanza sul piano tra due punti esprime una stretta associazione dei caratteri che essi

rappresentano, ossia una distribuzione uniforme dei due diversi attributi tra le varie unità statistiche.

Osservando questi punti rispetto all’asse delle ascisse (1° fattore), è possibile notare come, procedendo da destra verso

sinistra, si passi da performance molto basse a performance eccellenti.

54

Rispetto all’asse corrispondente al fattore 1 risultano infatti contrapposte le imprese in difficoltà a quelle che rilevano

un ottimo stato di salute.

Le prime (imprese con gravi problemi di gestione) sono collocate sul semi asse positivo, e registrano prevalentemente

una perdita a fine esercizio, frutto di una gestione non efficiente del capitale e quindi di una bassa redditività operativa

(Roik121) e di cassa (Cash su Attivo k1) (vedi grafici n. 11.1 e 13.1.).

I problemi di gestione di queste imprese si rilevano anche nell’incidenza del valore aggiunto sul capitale investito (Val

Agg Att k1, vedi grafico 13.1.).

Esse inoltre rilevano una non soddisfacente copertura degli oneri finanziari con il margine operativo lordo (Mol su

Oneri Finanziari k1) e delle importanti variazioni in diminuzione nelle quote d’offerta (cosi come è possibile notare dai

grafici 11.1 e 14.1).

Le imprese rappresentate sul semiasse negativo (imprese eccellenti) chiudono prevalentemente il loro bilancio in utile,

riuscendo a raggiungere livelli eccellenti di redditività operativa (Roi K9 e K10) e di cassa (Cash su Attivo k9 e K10) ed

evidenziando l’attitudine a remunerare in maniera soddisfacente tutti i fattori della produzione impiegati nella gestione.

Esse inoltre conseguono una ottima copertura degli oneri finanziari con il margine operativo lordo (grafici 11.1 e 13.1).

Le modalità delle variabili di sviluppo che si collocano su questo versante del primo fattore forniscono altri interessanti

elementi informativi. Le imprese rappresentate su questo semi asse pur essendo caratterizzate da una redditività elevata

non registrano una dinamicità altrettanto elevata dei fatturati e del valore aggiunto (grafico 14.1), sebbene le modalità

migliori dal punto di vista dello sviluppo risiedono nello stesso semipiano.

Prendendo in considerazione le variabili illustrative, per interpretare meglio il primo fattore, si è concentrata

l’attenzione su quelle particolarmente significative e quindi quelle relative all’aspetto dimensionale e quelle relative

all’indebitamento.

Dal punto di vista della dimensione esiste una forte contrapposizione tra i diversi gruppi d’imprese. Proiettando le

modalità delle variabili dimensionali e della variabile attiva ROI (grafico 15.1) si può osservare come le imprese con

gravi problemi di gestione siano più piccole sia in termini di quote d’offerta (fatt k25, che corrisponde alla classe di

fatturato inferiore), che in termini di livelli di capitalizzazione (Patrimk25). Si evidenzia quindi una soglia dimensionale

al di sotto della quale ogni impresa difficilmente raggiunge livelli soddisfacenti di redditività.

Il livello di leverage delle imprese eccellenti corrisponde alla classe del secondo decile, che in particolare per questo

indicatore indica un buon equilibrio nel rapporto tra il capitale di terzi ed il capitale proprio (vedi tab. n. 26.1). In questa

classe il valore mediano del leverage è circa 2 che significa che per ogni euro di mezzi propri sono presenti 2 euro di

mezzi di terzi e di conseguenza le imprese sono dotate di un buon livello di autonomia patrimoniale pur sfruttando la

leva finanziaria.

Il fatto che tra le variabili illustrative la classe di attività economica non caratterizzi le imprese eccellenti implica che

tale condizione non dipende dal settore di appartenenza. 21 Si ricorda che Roi k1 e Roi k 10 corrispondono al primo e al decimo decile della distribuzione di riferimento.

55

Le imprese in difficoltà sono caratterizzate da una elevata dipendenza finanziaria (DipFink10), da un forte

indebitamento a breve (PassBTsuPassk10) e da un eccessiva incidenza dei mezzi di terzi sui mezzi propri

(Leveragek10). In questo caso sembra importante l’appartenenza delle imprese all’Italia Meridionale e al settore delle

Costruzioni (vedi tab. n. 26.1).

Rispetto al fattore 2 risultano invece contrapposte le imprese mediane a quelle che assumono valori estremi, ovvero le

precedenti.

Le imprese mediane rilevano un livello discreto di redditività operativa (compreso tra Roi k3 e Roi k6) e una altrettanta

discreta copertura degli oneri finanziari con il margine operativo lordo (compresa tra Mol su On Fin k3 e Mol su On Fin

k5, vedi grafico n. 11.1). Operano nel Comparto del Commercio, al contrario delle imprese estreme che svolgono la loro

attività nei servizi (cosi come è possibile notare dalla significatività dei valore test indicati nella tabella n. 27.122).

Grafico 11.1 Rappresentazione delle modalità della variabile ROI e della variabile Mol su Oneri Finanziari sul piano

fattoriale

22Il grafico non è stato inserito in quanto risulta meno esplicativo

Imprese con gravi problemi di gestione

Imprese Mediane

Imprese Eccellenti

56

Grafico 12.1 Rappresentazione delle modalità della variabile ROI e della variabile Valore Aggiunto su Attivo sul piano

fattoriale

Grafico 13.1 Rappresentazione delle modalità della variabile Cash flow su Attivo sul piano fattoriale


Imprese Mediane

Imprese Eccellenti

Imprese Eccellenti


Imprese Mediane

57

Grafico 14.1 Rappresentazione delle modalità della variabile ROI e della variabile Var Fatt sul piano fattoriale

Grafico 15.1 Rappresentazione delle modalità della variabile ROI e delle variabili dimensionali sul piano fattoriale

Imprese Eccellenti

Imprese Mediane


Imprese Eccellenti

Imprese Mediane


58

Determinazione dei cluster di imprese (Cluster Analysis)

Il passo successivo del lavoro è quello di applicare la Cluster Analysis per costruire gruppi omogenei di imprese

tenendo conto dei risultati ottenuti dall’ACM23.

Lo scopo è quello di individuare dei cluster di imprese che abbiano simili caratteristiche di performance economica e

capacità di generare flussi di cassa, per comprendere se le società possono essere classificate e poste in una graduatoria

ideale determinata a partire dai risultati della gestione.

La Cluster Analysis si configura infatti come uno strumento di classificazione capace di scomporre una realtà

complessa in partizioni ben definite. Dato l'obiettivo, è necessario procedere alla scelta di un idoneo algoritmo di

raggruppamento delle unità osservate.

Gli algoritmi possono essere gerarchico-aggregativi o di tipo non gerarchico.

I primi24 assumono come situazione di partenza una configurazione in cui ciascuna unità costituisce un gruppo a sé

stante. Questa tecnica aggrega tra loro i due gruppi meno dissimili e reitera tale procedimento finché non si perviene

alla riunione di tutte le unità in un solo gruppo.

Viceversa, gli algoritmi di tipo non gerarchico classificano direttamente le unità osservate in un numero prefissato di

gruppi in modo tale che la partizione così definita risponda al meglio ai concetti di omogeneità interna ai gruppi e di

eterogeneità tra gli stessi.

Nel caso in esame si è deciso di applicare la tecnica gerarchica in quanto la si ritiene più adatta25 per gli obiettivi della

ricerca in termini di classificazione e per la natura stessa dei dati oggetto dell’osservazione, che sono diretta espressione

delle imprese. Il criterio di aggregazione utilizzato è quello di Ward che tiene conto della varianza e tende ad

ottimizzare in ogni step la partizione ottenuta creando delle classi omogenee e differenti tra loro (rendendo minima la

varianza interna ad ogni gruppo e massima quella esterna).

Il dendrogramma che risulta dall’applicazione degli algoritmi, riportato di seguito, indica la presenza di due gruppi

relativamente robusti all’interno del campione esaminato che a loro volta si ripartiscono in più sottogruppi.

23 È evidente come i due approcci, quello dell’analisi delle corrispondenze multiple, descritto nel paragrafo precedente, e quello della Cluster Analysis, siano complementari tra loro: da un lato, la preventiva applicazione di un'analisi delle Corrispondenze consente di ridurre il numero di variabili su cui verrà condotta la successiva analisi per Cluster, dall'altro, risulta essere particolarmente efficace, dal punto di vista interpretativo, descrivere i gruppi mediante la rappresentazione dei baricentri degli stessi sul piano fattoriale . 24 I metodi gerarchici consentono di ottenere un insieme di gruppi ordinabili secondo livelli crescenti:

• al livello iniziale ogni unità costituisce un gruppo • negli stadi intermedi si aggregano gli elementi in gruppi via via sempre più numerosi • al livello finale tutte le unità sono riunite in un unico gruppo • la scelta del numero dei gruppi avviene contestualmente.

Vengono definiti algoritmi aggregativi quelli che procedono per aggregazioni successive di unita, ovvero dalle foglie alla radice del diagramma ad albero. 25 I metodi gerarchici vengono utilizzati principalmente quando si ha la necessità di investigare la struttura dei dati a differenti livelli.

59

Figura n. 2 Dendrogramma risultante dall’applicazione degli algoritmi dell’analisi per cluster

Classificazione gerarchica

**** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** ****

Sorge quindi la necessità di definire un criterio che sia di aiuto nell'individuazione del numero ottimale di gruppi da

considerare ai fini dell'interpretazione dei risultati.

A tale scopo, può essere utile esaminare i valori assunti dall'indicatore di Niveau (indice di disomogeneità) ottenuto

rapportando ad ogni passo di aggregazione la devianza tra i gruppi e la devianza totale. A rigore di logica, i valori

assunti dall'indicatore per diverse partizioni sono tendenzialmente decrescenti al crescere del numero di gruppi. Si

conviene allora di individuare quel numero di cluster in corrispondenza del quale il rapporto considerato subisce la

diminuzione relativa più elevata.

Grafico 16.1 Indice di disomogeneità

Indice de niveau

0,00000

0,05000

0,10000

0,15000

0,20000

0,25000

0,30000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Numero di cluster

60

Nel nostro caso si individuano 8 raggruppamenti ottimali tra le 32.639 imprese: nei cluster si contano 2.566 (cluster 8),

3.689 (cluster 5), 3.731 (cluster 6), 7.052 (cluster 3), 3.688 (cluster 1), 4.265 (cluster 2), 4.662 (cluster 4), e 2.986

(cluster 7) società. Il metodo selezionato garantisce infatti una buona ripartizione in termini numerici delle imprese del

campione senza eccessivi sbilanciamenti. Le partizioni individuate si possono evidenziare “tagliando” il dendrogramma

al livello 8 cosi come è evidenziato dalla figura successiva. Le percentuali indicate esprimono la numerosità di ogni

gruppo prima dell’aggregazione dei nuovi elementi.

Figura n. 4 Dendrogramma con l’indicazione del livello ottimale per la scelta dei gruppi

Classification hierarchique directe

**** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** ****

6% 11% 7% 13% 15% 17% 13% 19% 8

Per interpretare i diversi gruppi è utile fare riferimento alla rappresentazione grafica delle unità statistiche osservate,

(grafico 17.1). Intuitivamente, eventuali addensamenti di punti nello spazio tendono a costituire un gruppo, mentre unità

rappresentate da punti distanti fanno parte di gruppi diversi.

Nel grafico successivo è riportata la distribuzione delle 32.639 imprese e l’indicazione dei cluster ottenuti (ciascuno

degli otto cerchi ha il proprio centro nel baricentro del cluster e l’area proporzionale alla numerosità del cluster).

61

Grafico 17.1 Rappresentazione grafica delle imprese ed indicazione dei cluster

Grafico 18.1 Rappresentazione grafica delle modalità delle variabili attive e di quelle illustrative ed indicazione dei

cluster

Come si può notare i gruppi ottenuti si presentano ben separati. Il loro posizionamento lungo gli assi e l’analisi dei

valori mediani degli indicatori economico-finanziari all’interno di ciascun cluster permette di comprendere meglio le

62

caratteristiche di ogni partizione e consente di realizzare una sorta di mappatura del territorio nazionale. La descrizione

dei gruppi è inoltre possibile grazie al valore test calcolato per le singole modalità. 26

Cluster 8/8: Imprese con persistenti problemi di gestione

Iniziamo lo studio del primo cluster, collocato all’ estrema destra dell’asse orizzontale in una posizione significativa

rispetto al primo fattore (valore test27 129,45).

Si tratta di un cluster di imprese caratterizzate da persistenti problemi di gestione. Questa tipologia di società è quella

meno presente, e raccoglie il 7,86% (ossia 2.566 unità).

Grafico 19.1 Rappresentazione grafica delle modalità della variabile ROI, della variabile Var. % Fatturato ed

indicazione dei Cluster

Si tratta di società di piccola dimensione (fatturato mediano pari a 1.338 mgl €), con un livello di capitalizzazione

ridotto, in prevalenza con un patrimonio netto negativo (il 34,84% di società del cluster ha il patrimonio netto negativo,

mentre sulla popolazione la percentuale scende al 4,77%, vedi tabella n. 29.1).

26 “Tale valore è elevato quando sono elevate sia la proporzione di coloro che appartenendo al gruppo presentano quelle modalità, che la proporzione di coloro che presentando quella modalità appartengono al gruppo” Mura Alessandra e Giorgio Garau, Imprese ad alta crescita ed occupazione in Sardegna 27 il valore test esprime il grado di associazione tra il cluster preso in esame ed le dimensioni fattoriali ottenute con l’ACM

63

Tabella 29.1 Parametri dimensionali ed aspetti gestionali del Cluster 8

Variabili Modalità caratterizzanti

% della Modalità nella classe

% della Modalità nella popolazione

% Cla/Mod Valeur-Test Probabilité Poids

Utile Perdita 93,34 28,33 25,90 73,29 0,000 9247Tipologia Patrimonio netto Patrimonio Negativo 34,84 4,77 57,46 53,15 0,000 1556Classe Fatturato Fattk25 56,08 25,04 17,60 35,06 0,000 8174

La redditività operativa è la più bassa tra tutti gli otto cluster determinati ed è il frutto di una gestione non efficiente

nell’utilizzo del capitale (ROI mediano -7,75% contro 4,8% a livello nazionale, tabella 15.1). Il 93,34% di queste

imprese chiude infatti il proprio bilancio in perdita (tabella n. 30.1).

Gli indicatori di sviluppo evidenziano la situazione di crisi che caratterizza queste imprese (la variazione del fatturato -

24,35%, quella del valore aggiunto -62,16% e quella dei costi d’acquisto -23,88% sono pesantemente negative a livello

mediano, tabella 31.1).

La struttura patrimoniale è squilibrata: l’indice di

dipendenza finanziaria (costruito come il rapporto

tra passività ed attività) segnala una preoccupante

incidenza dei mezzi di terzi sul totale degli

investimenti (esso è infatti pari al 94,90% mentre a

livello nazionale è 84,93%, tabella 31.1).

Tab. 31.1 Benchmark per Cluster d'ImpreseValori Mediani - N. Imprese 32.639

Italia

8_Imprese con persistenti

problemi di gestione

Parametri FondamentaliValore Aggiunto 624 74Fatturato 2.779 1.338Attivo Totale 2.546 1.684Patrimonio Netto 373 73Indicatori di sviluppoVariazione % fatturato 2,36 -24,35Variazione % Valore Aggiunto 3,16 -62,16Variazione % Attivo 3,5 -13,32Variazione % Netto 4,39 -37,74Variazione % Costi d'Acquisto 1,86 -23,88Variazione % Costo del lavoro 4,71 -8,79Variazione % Oneri Finanziari -5,26 -14,71Variazione % Costi per Servizi 2,75 -13,17Variazione % Valore della produzione 2,45 -25,20Var. % mol 1,17 -125,10Indicatori di reddittività e di cash flowRoe% 4,38 -44,23Roi % 4,8 -7,75Ros % 4,06 -10,65Turnover 1,23 0,74Valore Aggiunto su Attivo 24,97 4,05Mol su Oneri Finanziari 4,03 -3,18Cash flow Operating su Attivo % 7,89 -2,85Valore Aggiunto su Valore della produzione % 21,46 6,20Valore Aggiunto su Costo del lavoro % 1,47 0,61Ebit su Totale Attivo % 4,66 -8,64Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16Imm Materiali su Attivo Immobilizzato % 80 69,79Passività a breve termine su Passività 84,85 87,79Indice di Dipendenza Finanziaria 84,93 94,90Leverage 5,11 4,70Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72

64

Cluster 5/8: Imprese in difficoltà

Il secondo cluster è collocato in una posizione significativa rispetto al primo asse (in quanto il valore test è pari a

55,77). Esso è costituito da 3.689 imprese che rappresentano 11,30% delle società considerate. Si tratta di un insieme di

imprese con difficoltà sia dal punto di vista della redditività che della crescita, ma in misura inferiore rispetto al cluster

precedente.



Pur non potendo contare su un valore test estremamente elevato per l’indicatore dimensionale sul fatturato (modalità

fattK25, vale a dire imprese di piccola dimensione, ha un valore test 17,62 contro il 35,06 del fattK25 del cluster 8 della

tab. n 32.1), si può rilevare che il cluster unisce aziende di dimensioni maggiori rispetto al gruppo precedente, sia dal

punto di vista del livello di capitalizzazione che dal lato delle quote d’offerta (fatturato mediano pari a 2.309 mgl €,

patrimonio netto pari a 328 mgl €, tab. n. 32.1).

Tab. 32.1 Parametri dimensionali del Cluster 5


% della Modalità nella

classe



Classe Fatturato Fattk25 37,35 25,04 16,86 17,62 0,000 8174

Nulla si può dire rispetto alle caratterizzazioni settoriali, per cui si conferma quanto visto con i fattori che mostravano

come sia le imprese che vanno molto bene che quelle che vanno molto male non appartengono ad un settore particolare

rispetto agli altri.

65

La collocazione nella parte destra del grafico dipende anche in questo caso da tutti gli indicatori che influenzano

maggiormente l’asse orizzontale, ma rispetto al cluster precedente, il gruppo si pone più a sinistra lungo la curva che

delinea le modalità del ROI dalla classe peggiore a destra a quella migliore a sinistra.

Gli aspetti che maggiormente

caratterizzano questo cluster possono

essere sintetizzati nei seguenti punti:

• La redditività operativa è

positiva pur essendo molto bassa

cosi come quella di cassa (ROI

1,47% e Cash Flow Operating su

Attivo% 1,81%, tab. n. 23.1)

• Gli indicatori di sviluppo

registrano delle variazioni

negative (-5,84% per il fatturato,

-7,80% per il valore aggiunto e -

4,41% per i costi d’acquisto, tab.

n. 23.1)

• Inoltre la struttura patrimoniale

non rende economicamente

conveniente un ulteriore

indebitamento per finanziare

attività con rendimenti pari a

quelli attuali. L’indice di

dipendenza finanziaria assume

livelli sempre preoccupanti

(90,93%, tab. n. 23.1), anche se

in misura inferiore rispetto al

cluster precedente.


Italia



5_ Imprese in difficoltà

Parametri FondamentaliValore Aggiunto 624 74 391Fatturato 2.779 1.338 2.309Attivo Totale 2.546 1.684 3.837Patrimonio Netto 373 73 328Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84Variazione % Valore Aggiunto 3,16 -62,16 -7,80Variazione % Attivo 3,5 -13,32 0,93Variazione % Netto 4,39 -37,74 0,00Variazione % Costi d'Acquisto 1,86 -23,88 -4,41Variazione % Costo del lavoro 4,71 -8,79 1,53Variazione % Oneri Finanziari -5,26 -14,71 -5,74Variazione % Costi per Servizi 2,75 -13,17 -3,30Variazione % Valore della produzione 2,45 -25,20 -3,94Var. % mol 1,17 -125,10 -20,00Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04Roi % 4,8 -7,75 1,47Ros % 4,06 -10,65 1,89Turnover 1,23 0,74 0,73Valore Aggiunto su Attivo 24,97 4,05 9,06Mol su Oneri Finanziari 4,03 -3,18 1,46Cash flow Operating su Attivo % 7,89 -2,85 1,81Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44Ebit su Totale Attivo % 4,66 -8,64 1,43Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26Passività a breve termine su Passività 84,85 87,79 88,29Indice di Dipendenza Finanziaria 84,93 94,90 90,93Leverage 5,11 4,70 8,93Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22

66

Cluster 6/8: Imprese insufficienti

Il Cluster n.6 raggruppa 3.731 imprese (l’11,43%), collocate in una posizione significativa rispetto al secondo asse (il

valore test è 36,72). Le imprese che vi appartengono sono caratterizzate da un’insufficienza dei valori sotto il profilo

reddituale e dello sviluppo, tuttavia complessivamente meno grave rispetto alla difficoltà gestionale delle società del

cluster precedente.



Come per il cluster precedente i valori test delle variabili dimensionali non sono molto elevati e quindi non si può fare

una caratterizzazione spiccata dal punto di vista prettamente dimensionale. Tuttavia, dall’analisi dei valori mediani si

può notare che la quota d’offerta di queste imprese non differisce sostanzialmente da quella del cluster precedente, e

quindi nella classe di imprese di piccola dimensione (fatturato mediano pari a 2.347 mgl €, tab. n. 21.1), mentre il

livello di capitalizzazione è più basso (il patrimonio netto mediano è infatti pari a 297 mgl €, mentre nel cluster 5 era

pari a 328 mgl €, tab. n. 24.1).

Pur non caratterizzandosi in maniera particolare, si può osservare che le aziende che sono state incluse nel cluster 6

sono per il 31,63% dell’industria in senso stretto (valore test 2,75), e per il 15% sono delle costruzioni (2,84).

67

Anche in questo caso si possono

mettere in evidenza alcuni aspetti

relativi alla performance delle

imprese:

• Il valore aggiunto di

queste imprese registra

una diminuzione rispetto

all’esercizio precedente (-

18,47%, tab. n. 24.1).

Tuttavia, rispetto al

cluster 5 (imprese in

difficoltà) le aziende del

cluster 6 producono, a

parità di fatturato

mediano, un volume di

valore aggiunto

superiore, generato

evidentemente da una

gestione dei costi della

produzione diversa e più

efficiente. Infatti il

ridimensionamento dei costi d’acquisto da un anno all’altro è più marcato e quindi più efficiente per il cluster 6

che per il cluster 5, (var% Costi d’acquisto -4,41% per il cluster 5, invece -13,36% per il cluster 6)

• La redditività operativa è positiva e più elevata rispetto ai cluster precedenti (3,67%). La scomposizione

dell’indicatore evidenzia come la performance realizzata sia imputabile alla lieve crescita dei margini di

profitto (ROS pari a +3,11%), collegati tuttavia ad una diminuzione dei volumi delle vendite (-15,94%), (vale a

dire si è venduto quantità inferiori ma a prezzi che permettono margini di guadagno più elevati).

• La struttura patrimoniale è ancora precaria (l’indice di dipendenza finanziaria decresce e passa a 86,24%, tab.

n. 24.1)


Italia




6_Imprese insufficienti

Parametri FondamentaliValore Aggiunto 624 74 391 523Fatturato 2.779 1.338 2.309 2.347Attivo Totale 2.546 1.684 3.837 2.191Patrimonio Netto 373 73 328 297Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47Variazione % Attivo 3,5 -13,32 0,93 -2,75Variazione % Netto 4,39 -37,74 0,00 0,55Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09Variazione % Costi per Servizi 2,75 -13,17 -3,30 -7,06Variazione % Valore della produzione 2,45 -25,20 -3,94 -13,98Var. % mol 1,17 -125,10 -20,00 -28,84Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92Roi % 4,8 -7,75 1,47 3,67Ros % 4,06 -10,65 1,89 3,11Turnover 1,23 0,74 0,73 1,10Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00Passività a breve termine su Passività 84,85 87,79 88,29 85,23Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24Leverage 5,11 4,70 8,93 5,80Indici di liquidità e di gestione del circolante

68

Cluster 3/8: Imprese Mediane

La tipologia delle Imprese Mediane è la più numerosa del campione, essa conta 7.052 imprese, più di un quinto delle

società considerate nella popolazione (21,61%). Il cluster comprende tutte quelle imprese rappresentative del

comportamento tipico della popolazione in quanto rispecchiano quasi perfettamente i benchmark di riferimento per tutti

gli aspetti di analisi economico finanziaria considerati. Si tratta di società più virtuose di quelle delle classi precedenti,

ma che tuttavia non delineano ancora uno stato di salute sufficiente e coerente rispetto ad una buona gestione d’impresa.

Come il cluster precedente si colloca in una posizione rilevante rispetto al secondo asse (il valore test è infatti pari a

73,77) ma nel quadrante in cui risiedono i valori maggiormente positivi.



L’appartenenza a questo gruppo è più elevata da parte delle società di dimensioni medie (identificate dalla sigla fatt k50

e Patrimk50 nella tabella n. 35.1, il fatturato mediano è pari a 3.068 mlg €, il patrimonio netto è invece pari a 363 mlg

€).

Tab. 35.1 Parametri dimensionali del Cluster n. 3





Classe Patrimonio Netto Patrimk50 27,55 24,99 23,82 5,55 0,000 8157Classe Fatturato Fattk50 27,03 24,96 23,39 4,48 0,000 8148

69

Si può osservare dalla tabella 36.1 i valori test non eccessivamente elevati delle variabili di contesto, il 34,67% delle

imprese inserite in questo cluster opera nel settore del Commercio (cosi come è emerso nell’ACM) mentre il 33,34%

svolge la propria attività nell’Industria in senso stretto.

Tab. 36.1 Aspetti settoriali del Cluster n. 3





Classe ampia 4_Commercio 34,67 28,86 25,96 12,00 0,000 9419

Classe ampia 1_Industria in Senso 33,34 29,67 24,28 7,54 0,000 9684


Italia





3_Imprese mediane

Parametri FondamentaliValore Aggiunto 624 74 391 523 691Fatturato 2.779 1.338 2.309 2.347 3.068Attivo Totale 2.546 1.684 3.837 2.191 2.726Patrimonio Netto 373 73 328 297 363Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94 0,10Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47 -0,22Variazione % Attivo 3,5 -13,32 0,93 -2,75 2,66Variazione % Netto 4,39 -37,74 0,00 0,55 2,67Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36 0,59Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11 3,57Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09 -3,61Variazione % Costi per Servizi 2,75 -13,17 -3,30 -7,06 1,15Variazione % Valore della produzione 2,45 -25,20 -3,94 -13,98 0,36Var. % mol 1,17 -125,10 -20,00 -28,84 -5,24Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92 2,52Roi % 4,8 -7,75 1,47 3,67 4,55Ros % 4,06 -10,65 1,89 3,11 3,66Turnover 1,23 0,74 0,73 1,10 1,23Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62 24,63Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67 3,44Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59 6,69Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75 20,82Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40 1,44Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66 4,44Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83 4,14Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00 81,82Passività a breve termine su Passività 84,85 87,79 88,29 85,23 83,84Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24 86,74Leverage 5,11 4,70 8,93 5,80 6,36Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22 112,80 110,69

Le società inserite in questo gruppo ottengono risultati che si allineano, soprattutto nel caso del ROI e degli indici di

produttività, al valore mediano rilevato sul totale del campione (ROI mediano +4,55% rispetto al +4,8% a livello

nazionale, Valore Aggiunto su Attivo mediano +24,63% rispetto al +24,97% a livello nazionale).

70

• Il fatturato, il valore aggiunto ed i costi d’acquisto di queste imprese sono sostanzialmente stabili nel passaggio

da un anno all’altro, mentre l’attivo e il patrimonio netto crescono seppure soltanto intorno al +2,6%.

• La redditività operativa è più elevata di quella dei cluster precedenti, sebbene sia ancora lontana da livelli di

efficienza (ROI% +4,55%, Ros +3,66% e Turnover 1,23 tab. n. 37.1.). Questi valori di redditività più elevati

sono collegati al maggior valore della produttività del capitale investito misurata con il valore aggiunto come

accennato precedentemente. Anche la redditività di cassa è migliore rispetto agli altri raggruppamenti, tuttavia

non è sufficiente a garantire un flusso di risorse di cassa abbastanza capiene per la corretta gestione

complessiva.

• Le imprese hanno un leverage particolarmente elevato, +6,36, e quindi sono indebitate in misura rilevante (6,3

euro di terzi rispetto ad 1 euro di capitale investito dai soci) e hanno un livello di dipendenza finanziaria (per

l’86,74%) preoccupante.

71

Cluster 1/8: Imprese in crescita

Il cluster n. 1 è collocato vicino all’origine degli assi (non è infatti correlato in maniera significativa con le due

dimensioni considerate), e raccoglie l’11,30% delle imprese considerate (ossia 3.688 unità). Si tratta di un

raggruppamento d’imprese estremamente particolare in quanto le società sono caratterizzate da una forte tendenza alla

crescita dei volumi sia del conto economico che dello stato patrimoniale.



Tab. 38.1 Variabili di sviluppo e di contesto del Cluster n. 1





Classe Var Fatt Var Fatt K10 68,00 10,00 76,84 97,93 0,000 3264Classe Var Valore Aggiunto Var Val Agg K10 58,00 10,00 65,55 81,78 0,000 3263Utile Utile 85,14 71,67 13,42 20,37 0,000 23392Classe ampia 3_Costruzioni 24,70 14,20 19,65 18,07 0,000 4635

In questo gruppo rientrano le società più dinamiche in termini di quote d’offerta e della produzione di valore d’aggiunto

Si tratta d’imprese che operano in tutti i settori ma, si riscontra la presenza di un nucleo d’imprese (pari al 24,70% del

panel) appartenenti al settore delle Costruzioni (cosi come è possibile notare dalla tabella n. 38.1) e che rilevano, in

corrispondenza dell’attribuzione delle commesse, un notevole incremento dell’attività.

72

Le società sono di grandi dimensioni, infatti registrano livelli di fatturato mediano elevati (nella tabella e nel grafico

successivo sono sovra rappresentati il terzo ed il quarto quartile della distribuzione indicati con fattk75 e fattk100).

Tab. 39.1 Parametri dimensionali del Cluster 1





Classe Fatturato Fattk100 32,57 25,00 14,72 10,96 0,000 8160Classe Fatturato Fattk75 27,90 24,99 12,61 4,27 0,000 8157

Presentano tutte le caratteristiche di società in crescita: il fatturato, il valore della produzione ed il valore aggiunto

crescono nettamente (+44,89%, +36,15% e +49,14%). Ed inoltre il margine operativo lordo registra una variazione

ancora più elevata pari a +58,08%.

La redditività del capitale investito e quella del capitale proprio sono superiori ai benchmark nazionali (ROI mediano

5,30% contro 4,8%, Roe mediano 8,85% contro 4,38%).

Il capitale netto cresce del 14,01%. Poiché il complesso del capitale investito cresce per un pari ammontare ne consegue

che l’imprese di questo cluster presentano una spiccata attitudine alla crescita in tutti i volumi, sia dell’attivo che delle

fonti di finanziamento.

In particolare si registra un livello elevato dell’indice di dipendenza finanziaria (88,26%), in linea comunque con i

cluster posizionati nel quadrante occidentale, ed inoltre il leverage è particolarmente alto (7,22 ossia queste imprese

sono indebitate per 7,22 volte il capitale proprio).

73


Italia





3_Imprese mediane

1 Imprese in crescita

Parametri FondamentaliValore Aggiunto 624 74 391 523 691 734Fatturato 2.779 1.338 2.309 2.347 3.068 3.867Attivo Totale 2.546 1.684 3.837 2.191 2.726 3.718Patrimonio Netto 373 73 328 297 363 438Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94 0,10 44,89Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47 -0,22 49,14Variazione % Attivo 3,5 -13,32 0,93 -2,75 2,66 14,77Variazione % Netto 4,39 -37,74 0,00 0,55 2,67 14,01Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36 0,59 33,50Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11 3,57 14,64Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09 -3,61 8,15Variazione % Costi per Servizi 2,75 -13,17 -3,30 -7,06 1,15 21,68Variazione % Valore della produzione 2,45 -25,20 -3,94 -13,98 0,36 36,15Var. % mol 1,17 -125,10 -20,00 -28,84 -5,24 58,08Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92 2,52 8,85Roi % 4,8 -7,75 1,47 3,67 4,55 5,30Ros % 4,06 -10,65 1,89 3,11 3,66 4,32Turnover 1,23 0,74 0,73 1,10 1,23 1,30Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62 24,63 21,13Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67 3,44 4,03Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59 6,69 6,07Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75 20,82 18,48Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40 1,44 1,64Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66 4,44 4,93Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83 4,14 2,88Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00 81,82 78,98Passività a breve termine su Passività 84,85 87,79 88,29 85,23 83,84 89,58Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24 86,74 88,26Leverage 5,11 4,70 8,93 5,80 6,36 7,22Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22 112,80 110,69 109,51

74

Cluster 2/8: Imprese discrete

Il cluster n. 2 raccoglie 4.265 imprese, il 13,07% del campione considerato (valore test rispetto al primo asse -31,88).

Nella classifica tra cluster in via di costruzione con i risultati di questa analisi ci si imbatte finalmente in un gruppo

d’imprese che presentano valori di redditività più che sufficienti.


indicazione dei Cluster.

.Pur non caratterizzandosi in maniera particolare, questo gruppo d’imprese registra una presenza superiore alla media di

società che operano nel Commercio (si può infatti osservare dalla tabella n. 41.1 che il 32,73% delle imprese appartiene

al comparto del Commercio).

Tab. 41.1 Aspetti settoriali del Cluster n. 2





Classe ampia 4_Commercio 32,73 28,86 14,82 5,91 0,000 9419

Ed in particolare si rilevano società con livelli di fatturato elevati (nella tabella e nel grafico successivo sono sovra

rappresentati il terzo ed il quarto quartile della distribuzione indicati con fattk75 e fattk100).

75

Tab. 42.1 Variabili dimensionali del Cluster n. 2





Classe Fatturato Fattk100 31,00 25,00 16,20 9,49 0,000 8160Classe Fatturato Fattk75 29,12 24,99 15,23 6,57 0,000 8157Classe Patrimonio Netto Patrimk50 28,75 24,99 15,03 5,98 0,000 8157

Nel grafico 25.1 emerge la presenza maggiore di queste imprese (fatt k75 e fatt k100) nel quadrante nord occidentale

(colore rosa chiaro).

Grafico 25.1 Rappresentazione delle imprese di maggiori dimensioni (Fattk75 e fattk100) sul piano fattoriale

A livello di indicatori queste società mostrano una dinamicità delle quote d’offerta e del valore aggiunto superiore alla

media (il 44,01% di società rileva variazioni elevate del fatturato (Var Fatt k9), mentre sulla popolazione la percentuale

scende al 9,99%, vedi tabella n. 43.1).

76

Tab. 43.1 Variabili di sviluppo del Cluster n. 2





Classe Var Fatt Var Fatt K9 44,01 9,99 57,54 65,52 0,000 3262Classe Var Valore Aggiunto Var Val Agg K9 37,80 10,00 49,37 54,42 0,000 3265Classe Var Valore Aggiunto Var Val Agg K8 30,18 10,00 39,43 40,63 0,000 3264Classe Var Fatt Var Fatt K8 26,73 10,00 34,93 34,23 0,000 3264

Il fatturato, il valore della produzione ed il valore aggiunto sono in aumento nel passaggio da un anno all’altro (17,23%,

16,01% e 18,67%) cosi come l’attivo e il patrimonio netto (10,83% e 8,33%). Anche i costi d’acquisto crescono, ma in

misura inferiore rispetto al valore della produzione garantendo cosi la crescita del valore aggiunto.

La crescita del Mol pari al 23,08% suggerisce che anche i risultati di bilancio avranno valori estremamente positivi:

infatti la differenza economicamente più rilevante rispetto ai precedenti cluster risiede nella redditività del capitale

proprio (+7,23%).

La redditività operativa è buona ed è leggermente superiore al valore registrato sull’intero campione (a livello mediano

il ROI è 5,79% contro il 4,8% dell’intera base dati). Rispetto ai cluster precedenti il maggior livello del ROI è collegato

alla più produttività del capitale investito (24,66%).


Italia





3_Imprese mediane


2_Imprese discrete

Parametri FondamentaliValore Aggiunto 624 74 391 523 691 734 781Fatturato 2.779 1.338 2.309 2.347 3.068 3.867 3.787Attivo Totale 2.546 1.684 3.837 2.191 2.726 3.718 3.103Patrimonio Netto 373 73 328 297 363 438 379Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94 0,10 44,89 17,23Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47 -0,22 49,14 18,67Variazione % Attivo 3,5 -13,32 0,93 -2,75 2,66 14,77 10,83Variazione % Netto 4,39 -37,74 0,00 0,55 2,67 14,01 8,33Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36 0,59 33,50 15,58Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11 3,57 14,64 12,41Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09 -3,61 8,15 3,52Variazione % Costi per Servizi 2,75 -13,17 -3,30 -7,06 1,15 21,68 11,74Variazione % Valore della produzione 2,45 -25,20 -3,94 -13,98 0,36 36,15 16,01Var. % mol 1,17 -125,10 -20,00 -28,84 -5,24 58,08 23,08Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92 2,52 8,85 7,23Roi % 4,8 -7,75 1,47 3,67 4,55 5,30 5,79Ros % 4,06 -10,65 1,89 3,11 3,66 4,32 4,22Turnover 1,23 0,74 0,73 1,10 1,23 1,30 1,36Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62 24,63 21,13 24,66Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67 3,44 4,03 4,42Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59 6,69 6,07 6,51Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75 20,82 18,48 19,66Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40 1,44 1,64 1,54Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66 4,44 4,93 5,47Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83 4,14 2,88 5,00Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00 81,82 78,98 81,25Passività a breve termine su Passività 84,85 87,79 88,29 85,23 83,84 89,58 86,77Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24 86,74 88,26 87,54Leverage 5,11 4,70 8,93 5,80 6,36 7,22 6,86Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22 112,80 110,69 109,51 109,22

77

Cluster 4/8: Imprese buone

Il cluster n. 4 unisce 4.662 imprese, circa un settimo delle società considerate (il 14,28%, valore test -58,07 rispetto al

primo asse), posizionate a sinistra dell’asse orizzontale, nel quadrante sud-occidentale in cui sono presenti i migliori

valori delle modalità delle variabili attive inseriti nell’analisi.

Si tratta d’imprese che rilevano una buona performance sotto il profilo reddituale e nella dinamicità.



Tab. 45.1 Variabili dimensionali del Cluster 4



classe



Classe Fatturato Fattk50 29,30 24,96 16,76 7,27 0,000 8148Classe Fatturato Fattk75 27,11 24,99 15,50 3,57 0,000 8157

Le imprese che vi appartengono sono in prevalenza di medie e grandi dimensioni (tabella n. 45.1, in particolare il

29,30% delle imprese ricade nel secondo quartile della distribuzione dei ricavi delle vendite, nella popolazione queste

dimensioni d’impresa sono rappresentate al 24,96%).

78

L’analisi non suggerisce una eventuale caratterizzazione settoriale di questo cluster, ma permette d’individuare una

lieve caratterizzazione geografica: le imprese appartengono all’italia Nord Occidentale e Nord Orientale in misura

lievemente superiore a quanto accade per la popolazione.


Italia





3_Imprese mediane


2_Imprese discrete

4_ Imprese buone

Parametri FondamentaliValore Aggiunto 624 74 391 523 691 734 781 1.044Fatturato 2.779 1.338 2.309 2.347 3.068 3.867 3.787 3.166Attivo Totale 2.546 1.684 3.837 2.191 2.726 3.718 3.103 2.303Patrimonio Netto 373 73 328 297 363 438 379 501Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94 0,10 44,89 17,23 3,70Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47 -0,22 49,14 18,67 4,65Variazione % Attivo 3,5 -13,32 0,93 -2,75 2,66 14,77 10,83 3,64Variazione % Netto 4,39 -37,74 0,00 0,55 2,67 14,01 8,33 9,41Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36 0,59 33,50 15,58 3,49Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11 3,57 14,64 12,41 5,20Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09 -3,61 8,15 3,52 -9,77Variazione % Costi per Servizi 2,75 -13,17 -3,30 -7,06 1,15 21,68 11,74 4,00Variazione % Valore della produzione 2,45 -25,20 -3,94 -13,98 0,36 36,15 16,01 3,72Var. % mol 1,17 -125,10 -20,00 -28,84 -5,24 58,08 23,08 3,10Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92 2,52 8,85 7,23 11,25Roi % 4,8 -7,75 1,47 3,67 4,55 5,30 5,79 9,42Ros % 4,06 -10,65 1,89 3,11 3,66 4,32 4,22 5,75Turnover 1,23 0,74 0,73 1,10 1,23 1,30 1,36 1,50Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62 24,63 21,13 24,66 41,57Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67 3,44 4,03 4,42 12,03Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59 6,69 6,07 6,51 16,26Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75 20,82 18,48 19,66 30,84Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40 1,44 1,64 1,54 1,49Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66 4,44 4,93 5,47 9,05Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83 4,14 2,88 5,00 4,08Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00 81,82 78,98 81,25 81,83Passività a breve termine su Passività 84,85 87,79 88,29 85,23 83,84 89,58 86,77 79,14Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24 86,74 88,26 87,54 78,38Leverage 5,11 4,70 8,93 5,80 6,36 7,22 6,86 3,57Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22 112,80 110,69 109,51 109,22 125,81

Il valore aggiunto è mediamente più alto di tutti i cluster precedenti (1.004 mlg €), mentre il fatturato medio è

lievemente più basso (3.166 mlg €) ed il patrimonio netto è intorno ai 500 mlg € (il 20% in più del patrimonio netto del

cluster imprese discrete).

Le società di questo gruppo mostrano nel passaggio da un esercizio all’altro, una dinamicità nella quota d’offerta

positiva ma non particolarmente elevata. Discorso analogo per il valore della produzione e per il valore aggiunto (tab.

35.1, +3,70% fatturato, +3,72% valore della produzione +4,65% valore aggiunto). Rilevano invece delle variazioni in

crescita buone nel capitale netto (+9,41%) e una corposa diminuzione degli oneri finanziari (-9,77%).

Questi valori suggeriscono che le imprese abbiano una politica di gestione del fabbisogno finanziario decisamente

migliore a quella dei cluster precedenti perché mettono in evidenza un maggior ricorso a fonti proprie e quindi un

miglior rapporto d’indebitamento (leverage 3,57), crescita del patrimonio netto e minori oneri finanziari.

Inoltre, queste imprese si caratterizzano, per l’eccellente redditività operativa (ROI mediano 9,42%), strettamente legata

alla eccellente produttività del capitale investito misurata in rapporto al valore aggiunto prodotto (41,57%). Esse inoltre

rilevano un’elevata redditività di cassa (Cash flow su Attivo 16,26%), più del doppio di quella registrata a livello

nazionale, che favorisce una buona flessibilità finanziaria attraverso l’impiego dei flussi stessi.

79

Cluster 7/8: Imprese Eccellenti

Quest’ultima tipologia raccoglie il 9,15% delle imprese (2.986 unità) collocate all’ estrema destra dell’asse orizzontale,

dove si concentrano le modalità migliori in assoluto e che quindi identificano l’eccellenza. Si tratta infatti di un cluster

d’imprese il cui stato di salute risulta ottimo in tutti gli aspetti della gestione.



Le società sono prevalentemente di medie grandi dimensioni.

Tab. 47.1 Variabili dimensionali del Cluster n. 7



classe



Classe Fatturato Fattk75 28,33 24,99 10,37 4,35 0,000 8157Classe Fatturato Fattk50 27,63 24,96 10,13 3,48 0,000 8148Classe Fatturato Fattk100 27,33 25,00 10,00 3,03 0,001 8160

Esiste inoltre una caratterizzazione settoriale nell’attività dei servizi e territoriale nelle regioni Nord Orientali e Nord

Occidentali.

Per il 96,48% sono imprese che chiudono in utile.

80


Italia





3_Imprese mediane


2_Imprese discrete

4_ Imprese buone

7_Imprese Eccellenti

Parametri FondamentaliValore Aggiunto 624 74 391 523 691 734 781 1.044 1.298Fatturato 2.779 1.338 2.309 2.347 3.068 3.867 3.787 3.166 3.372Attivo Totale 2.546 1.684 3.837 2.191 2.726 3.718 3.103 2.303 2.236Patrimonio Netto 373 73 328 297 363 438 379 501 745Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94 0,10 44,89 17,23 3,70 6,23Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47 -0,22 49,14 18,67 4,65 12,37Variazione % Attivo 3,5 -13,32 0,93 -2,75 2,66 14,77 10,83 3,64 7,95Variazione % Netto 4,39 -37,74 0,00 0,55 2,67 14,01 8,33 9,41 23,20Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36 0,59 33,50 15,58 3,49 4,09Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11 3,57 14,64 12,41 5,20 6,25Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09 -3,61 8,15 3,52 -9,77 -16,67Variazione % Costi per Servizi 2,75 -13,17 -3,30 -7,06 1,15 21,68 11,74 4,00 5,33Variazione % Valore della produzione 2,45 -25,20 -3,94 -13,98 0,36 36,15 16,01 3,72 6,02Var. % mol 1,17 -125,10 -20,00 -28,84 -5,24 58,08 23,08 3,10 15,88Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92 2,52 8,85 7,23 11,25 29,44Roi % 4,8 -7,75 1,47 3,67 4,55 5,30 5,79 9,42 18,59Ros % 4,06 -10,65 1,89 3,11 3,66 4,32 4,22 5,75 11,40Turnover 1,23 0,74 0,73 1,10 1,23 1,30 1,36 1,50 1,63Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62 24,63 21,13 24,66 41,57 55,90Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67 3,44 4,03 4,42 12,03 43,34Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59 6,69 6,07 6,51 16,26 28,99Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75 20,82 18,48 19,66 30,84 37,72Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40 1,44 1,64 1,54 1,49 1,86Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66 4,44 4,93 5,47 9,05 17,92Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83 4,14 2,88 5,00 4,08 3,84Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00 81,82 78,98 81,25 81,83 81,06Passività a breve termine su Passività 84,85 87,79 88,29 85,23 83,84 89,58 86,77 79,14 80,56Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24 86,74 88,26 87,54 78,38 65,66Leverage 5,11 4,70 8,93 5,80 6,36 7,22 6,86 3,57 1,89Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22 112,80 110,69 109,51 109,22 125,81 155,02

Il cluster riunisce le imprese che presentano il livello del patrimonio netto mediano più elevato (745 mlg € contro i 373

mlg € della popolazione).

Il valore aggiunto mediano è pari a 1,2 mln € (valore mediano più alto in assoluto nei cluster). Il fatturato è intorno ai

3,4 mln € .

Le società inserite in questo gruppo sono tra quelle che presentano un ottima redditività operativa (ROI mediano

18,59%). Il livello del ROI deriva dalla combinazione di un elevato livello dei margini sui ricavi (Ros 11,40% contro

4,06% della popolazione) con un miglior turnover sul capitale investito (i ricavi sono 1,63 volte il capitale investito

contro 1,23 della popolazione).

Rispetto al cluster n. 4 delle imprese buone che appartiene allo stesso quadrante, le imprese eccellenti rilevano un grado

di flessibilità finanziaria ancora più elevato: infatti i flussi di cassa generati dalla gestione sono molto consistenti

(l’indice cash flow su attivo si attesta al 28,99%) come pure l’indice di disponibilità pari a 155%.

La struttura del capitale è equilibrata, emerge infatti un ottimo livello di autonomia patrimoniale e una discreta

capitalizzazione (le passività sono circa due volte il capitale netto, il leverage è uguale a 1,89). L’indice di dipendenza

finanziaria si attesta ad un livello inferiore a quello nazionale (esso è infatti pari al 65,66% contro l’84,93% registrato a

livello nazionale).

81

Cluster e redditività

Qui di seguito si riportano alcuni grafici che sintetizzano le performance reddittuali più rilevanti e mettono in evidenza

l’ordinamento in termini di bontà delle performance dei cluster costruiti con l’analisi delle corrispondenze multiple. Ne

emerge dunque una classifica per distinti livelli di stato di salute delle imprese che, se si sofferma l’attenzione sul

cluster più in basso in questa graduatoria (l’ottavo quello delle imprese con persistenti problemi di gestione), consente

d’individuare le società ad alto rischio di insolvenza, strettamente collegata all’incapacità di permanere sul mercato in

maniera efficiente. Risalendo lungo questa graduatoria ci si allontana sempre di più dalle situazioni di estremo rischio

fino ad arrivare ai livelli di eccellenza reddituale e di sviluppo.

Grafico 28.1 La redditività operativa per cluster d’imprese

La Redditività operativa del Capitale InvestitoValori Mediani

-10,00

-5,00

0,00

5,00

10,00

15,00

20,00

Roi % -7,8 1,5 3,7 4,5 5,3 5,8 9,4 18,6

8_Imprese con

persistenti

5_ Imprese in diff icoltà

6_Imprese insuff icienti

3_Imprese mediane


2_Imprese discrete

4_ Imprese buone

7_Imprese eccellenti

Grafico 29.1 La redditività delle vendite per cluster d’imprese

La Redditività delle VenditeValori Mediani

-15,00

-10,00

-5,00

0,00

5,00

10,00

15,00

Ros % -10,65 1,89 3,11 3,66 4,32 4,22 5,75 11,40

8_Imprese con

persistenti


6_Imprese insuff icienti

3_Imprese mediane


2_Imprese discrete

4_ Imprese buone


82

Grafico 30.1 La redditività del capitale proprio per cluster d’imprese

La Redditività del Capitale proprioValori Mediani

-50,00

-40,00

-30,00

-20,00

-10,00

0,00

10,00

20,00

30,00

40,00

Roe% -44,23 -0,04 0,92 2,52 8,85 7,23 11,25 29,44

8_Imprese con

persistenti



3_Imprese mediane


2_Imprese discrete

4_ Imprese buone


Grafico 31.1 La redditività di cassa per cluster d’imprese

La Redditività di CassaValori Mediani

-5,00

0,00

5,00

10,00

15,00

20,00

25,00

30,00

35,00

Cash flow Operating su Attivo % -2,85 1,81 5,59 6,69 6,07 6,51 16,26 28,99

8_Imprese con persiste

5_ Imprese

in

6_Imprese

insuffici

3_Imprese

mediane

1 Imprese

in

2_Imprese

discrete

4_ Imprese buone

7_Imprese

eccellen

83

Il processo di aggregazione dei gruppi

Un ultima considerazione deve essere fatta sul processo che ha portato alla definizione degli otto cluster. A tal fine ci

serviamo ancora una volta del dendrogramma che indica la gerarchia di partizioni.

Figura n. 5 Dendrogramma ed indicazione dei diversi livelli di partizione

Classificazione gerarchica

**** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** ****

6% 11% 7% 13% 15% 17% 13% 19% 8 6% 11% 7% 13% 15% 17% 13% 19% 8

6% 11% 7% 15% 17% 13% 32% 7

6% 11% 7% 46% 29% 5

6% 7% 29% 58% 4

6% 7% 87% 3

6% 94% 2

Il processo di aggregazione in corrispondenza di ogni livello consta di due momenti fondamentali:

• l’inclusione di uno o più nuovi elementi diversi da quelli appartenenti ai gruppi che porta ad un incremento

della varianza di ciascuna variabile

• l’aggregazione definitiva dei casi che minimizzano l’incremento della varianza all’interno dei gruppi e

massimizzino la varianza esterna ai gruppi stessi.

Dalla tabella n 49.1 è possibile osservare la diminuzione della variabilità all’interno di quasi tutti gli otto cluster (ad

eccezione del gruppo delle imprese mediane dove si è verificato un debole aumento) e un’ incremento dell’inerzia

esterna da 1,013 a 1,16.

Il gruppo più omogeneo è quello delle imprese con gravi problemi di gestione (l’inerzia è infatti pari a 0,09), mentre

quello più variabile è rappresentato dal gruppo delle imprese mediane (l’inerzia è uguale a 0,26).

Tab. 49.1 Inerzia all’interno dei cluster e all’esterno

Inerzia prima dell'agregazione

dei nuovi elementi

Inerzia dopo dell'agregazione

dei nuovi elementi

N. imprese prima % N. imprese

dopo % Distanze prima

Distanze dopo

Inter-classes 1,01348 1,16221Intra-classeCluster 1 imprese in crescita 0,15442 0,14973 3.710 11,37 3.688 11,30 1,02384 1,09474Cluster 2 imprese discrete 0,16305 0,14415 4.244 13,00 4.265 13,07 0,60962 0,70867Cluster 3 Imprese mediane 0,25024 0,26443 6.081 18,63 7.052 21,61 0,44202 0,46892Cluster 4 imprese buone 0,20158 0,17917 4.804 14,72 4.662 14,28 0,66855 0,83377Cluster 5 imprese in difficoltà 0,21177 0,16064 4.087 12,52 3.689 11,30 0,93551 1,11301Cluster 6 imprese insufficienti 0,27919 0,15444 5.441 16,67 3.731 11,43 0,52926 0,93871Cluster 7 imprese eccellenti 0,11104 0,13098 2.432 7,45 2.986 9,15 2,33411 2,17944Cluster 8 imprese con persistenti problemi di gestione 0,05423 0,09325 1.840 5,64 2.566 7,86 4,57281 3,72700Totale 2,43899 2,43899 32.639 100,00 32.639 100,00Quoziente (I. inter / I. totale) 0,41553 0,47651

84

E’ interessante inoltre aggregare gli otto gruppi ottenuti “risalendo” il dendrogramma e considerando il livello

immediatamente superiore in corrispondenza del quale l’analisi determina 7 partizioni. Si può osservare come vengono

aggregati in un unico cluster i gruppi delle imprese discrete (13%) e quello delle imprese mediane (19%). I due gruppi

presentano infatti delle analogie come è stato evidenziato nei paragrafi precedenti (hanno una buona redditività di cassa,

chiudono il proprio bilancio in utile e operano in prevalenza nel comparto del commercio).

Al livello di 5 gruppi l’analisi aggrega in un'unica partizione le imprese discrete (13%), quelle mediane (19%) e quelle

buone (15%), in un altro gruppo le imprese insufficienti (10%) e quelle in difficoltà (13%) e lascia inalterati il gruppo

delle imprese eccellenti e quello delle imprese con gravi problemi di gestione.

Al livello di 2 soli gruppi si individuano da un lato le imprese con gravi problemi di gestione (6%) e dall’altro tutte le

altre società.

Ne deriva che il gruppo delle imprese con gravi problemi rappresenti una partizione ben individuata e gia omogenea

all’inizio dell’intero processo di agglomerazione.

Parte 2.2. Analisi delle Componenti Principali e Analisi per Cluster

La presenza di relazioni lineari tra gli indicatori di bilancio inseriti dell'analisi ha suggerito a questo punto del lavoro

l'utilizzo non solo dell’analisi delle corrispondenze multiple (ACM) ma anche dell'analisi delle componenti principali

(ACP).

L’ACP è una tecnica simile all’ACM che permette di ridurre una matrice di dati quantitativi mediante poche

combinazioni lineari delle variabili di partenza28.

L’idea di base è che la variabilità di un insieme complesso di p indicatori possa essere in larga parte spiegata da un

numero ristretto di variabili, dette componenti principali o fattori. Le k componenti principali contengono tutta

l’informazione disponibile nelle p variabili di partenza, e quindi permettono di sostituire il dataset originale, composto

da n misurazioni di p variabili, con un dataset alternativo, composto da n misurazioni di k < p componenti principali.

In altri termini, l’ACP consente di ridurre la complessità di determinati fenomeni, mettendo in evidenza quali sono le

due o tre dimensioni latenti che sono in grado di spiegare l’intera variabilità del fenomeno oggetto di studio.

Autovalori e Componenti Principali

I risultati ottenuti dall’analisi sono indicati nella figura n.5. Le sei componenti (tante quante sono le variabili che sono

state elaborate) sono disposte in ordine descrescente di capacità di sintesi. Si pone il problema di decidere quante usarne

per ottenere una più efficace descrizione della variabilità dei dati iniziali. Usando la rappresentazione grafica degli

28 A differenza dell’ACM non vengono individuate le relazioni non lineari

85

autovalori 29 si è deciso di considerare le prime tre componenti, si nota infatti un brusco cambio di pendenza dopo il

terzo autovalore. Tale andamento indica che i fattori più significativi risultano essere i primi tre, ed in particolare il

primo rispetto agli altri, i quali contribuiscono in modo marginale alla spiegazione delle variabili.

Su queste tre componenti si riesce a condensare oltre il 66% dell’ informazione contenuta nella matrice iniziale. Il

primo asse spiega il 33,62%, il secondo il 18,61%: e il terzo il 14,32% entrambi sono molto significativi e l’area del

piano in cui le diverse componenti s’intersecano fornisce una rappresentazione molto buona della “ nuvola” di punti

oggetto di studio.

Figura n. 5 Autovalori e percentuale di varianza spiegata

| NUMERO | VALEUR | POURCENT.| POURCENT.| | | | PROPRE | | CUMULE | | +--------+------------+----------+----------+----------------------------------------------------------------------------------+ | 1 | 2.0174 | 33.62 | 33.62 | ******************************************************************************** | | 2 | 1.1166 | 18.61 | 52.23 | ********************************************* | | 3 | 0.8595 | 14.32 | 66.56 | *********************************** | | 4 | 0.8335 | 13.89 | 80.45 | ********************************** | | 5 | 0.7078 | 11.80 | 92.25 | ***************************** | | 6 | 0.4652 | 7.75 | 100.00 | ******************* | +--------+------------+----------+----------+----------------------------------------------------------------------------------+

Grafico n. 32.1 Distribuzione degli Autovalori

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,60

1,80

2,00

2,20

Autovalori 2,02 1,12 0,86 0,83 0,71 0,47

1 2 3 4 5 6

29 Ciascuna CP (Componente Principale) è caratterizzata da un autovalore, che esprime la proporzione della varianza riprodotta dalla componente stessa;

86

Interpretazione della nuvola di punti

Per l’interpretazione delle tre componenti si utilizzano i factor loadings (pesi fattoriali o coefficienti di correlazione30)

esposti nella tabella successiva. Quanto più il valore del coefficiente di correlazione è elevato in assoluto, tanto più la

variabile esaminata si considera determinante per quel fattore, ovvero tanto più la “satura”.

Non esistono delle regole universali per fissare il limite dopo il quale una saturazione è rilevante. Si può prendere come

base di riferimento il suggerimento di Overall e Klett (1972) di prendere come valore minimo in assoluto 0,35.

Tab. n. 50.1 Matrice dei pesi fattoriali

Axe 1 Axe 2 Axe 3 Axe 4 Axe 5Var % fatturato -0,27 0,70 0,53 0,34 -0,20Var % valore aggiunto -0,46 0,64 -0,36 -0,37 0,21ROI % -0,82 -0,02 -0,13 -0,09 0,10Val_agg su Attivo % -0,65 -0,20 -0,30 0,16 -0,62MOL su On_Fin -0,50 -0,33 0,58 -0,53 -0,03Cash flow operating su Attivo % -0,62 -0,27 0,06 0,51 0,47

Dalla tabella n. 50.1 possiamo osservare che le variabili ROI, Valore Aggiunto su Attivo, il Mol su Oneri finanziari e il

Cash flow operating su Attivo presentano una correlazione elevata e negativa con il primo asse (il ROI ha infatti il

coefficiente -0,82, il Valore Aggiunto su Attivo % -0,65, il Cash flow su Attivo % -0,62 ed il Mol su Oneri Finanziari -

0,50). Tale componente può quindi essere interpretata come un indice sintetico di redditività.

Le variabili Var. % fatturato e Var % Valore Aggiunto presentano una correlazione elevata e positiva con il secondo

asse (la Var. % del fatturato ha come valore 0,70 mentre la Variazione % del Valore aggiunto 0,64). Le variabili

sintetizzate dalla seconda componente riguardano lo sviluppo delle imprese. Tale componente può essere considerata un

indice sintetico di sviluppo.

Le variabili Var. % fatturato, il Mol su Oneri finanziari e la Var % Valore Aggiunto hanno una correlazione elevata con

il terzo asse (la Var. % del fatturato 0,53, il Margine Operativo Lordo sugli Oneri finanziari 0,58 mentre la Variazione

% del Valore aggiunto -0,36). Tale componente può quindi essere definita, in maniera piuttosto complessa rispetto alle

precedenti come un indice sintetico di diminuzione dei margini in presenza di fatturati crescenti.

La correlazione tra variabili e componenti può essere analizzata anche attraverso il cerchio delle correlazioni dove si

rappresentano le variabili attive utilizzando come coordinate le correlazioni con le componenti.31

Figura n. 6 Cerchio delle correlazioni con l’indicazione delle variabili attive nel piano fattoriale ottenuto

dall’intersezione tra la prima e la seconda componente

30 i coefficienti di correlazione sono definiti cordonees nell’output di spad. 31 Così facendo si è in grado di valutare anche da un punto di vista grafico il grado di correlazione tra le componenti e le singole variabili e di escludere dalla matrice di dati le variabili con un peso non rilevante. Questo è un aspetto molto importante nella riduzione dei dati e nella scelta delle variabili; nel nostro caso specifico per la costruzione di un sistema d’indagine sullo stato di salute delle imprese, è possibile attraverso l’esame del cerchio delle correlazioni, effettuare uno studio sul tipo d’indicatori da utilizzare. Un particolare indicatore che porta informazione ridondante o nulla può essere sostituito da un altro che porta informazione più utile.

87

Figura n. 7 Cerchio delle correlazioni con l’indicazione delle variabili attive nel piano fattoriale ottenuto

dall’intersezione tra la prima e la terza componente

88

Quando due variabili sono lontane dal centro e vicine tra loro, e gli autovettori corrispondenti (indicati dalle frecce sul

piano) formano un angolo piccolo allora sono significativamente e positivamente correlate, se invece gli autovettori

sono ortogonali, e le variabili sono vicine al centro, allora le variabili non sono correlate.

Inoltre, tanto più una variabile forma un angolo piccolo con la dimensione fattoriale, tanto più è correlata con il fattore e

ne determina l’interpretazione.

Dal cerchio delle correlazioni si nota subito, come già suggerito dall’esame dei pesi fattoriali o coefficienti di

correlazione, la correlazione tra le variabili di redditività (ROI%, Valore Aggiunto su Attivo %, Cash flow Operatine su

Attivo e Mol su Oneri Finanziari), e la correlazione tra le variabili di sviluppo (Var. % fatturato e Variazione % Valore

Aggiunto). Gli altri aspetti che emergono possono essere sintetizzati nei seguenti punti:

• la prima componente ottenuta dall’analisi spiega la redditività delle imprese, la seconda componente spiega lo

sviluppo delle imprese, la terza prende in esame particolari aspetti della redditività e dello sviluppo.

• le variabili di redditività sono correlate negativamente con la prima componente (si noti la direzione della

freccia), di conseguenza le imprese eccellenti sono posizionate sul semiasse orrizzontale negativo.

• le variabili di sviluppo sono correlate positivamente con la seconda componente (si noti la direzione della

freccia), di conseguenza le imprese eccellenti dal punto di vista dello sviluppo sono posizionate sul semiasse

verticale positivo.

E’ inoltre evidente come le variabili influenzate dal primo fattore (in particolare il Mol su Oneri Finanziari) e quelle

influenzate dal secondo fattore (soprattutto la variazione % del fatturato) siano tra loro ortogonali. Questo significa che i

fenomeni descritti sono indipendenti e non esiste tra le variabili suddette una relazione di tipo lineare. Ad esempio

un’impresa con una variazione elevata del fatturato non necessariamente presenta una altrettanto elevata copertura degli

oneri finanziari con il Margine Operativo lordo (questo aspetto è emerso anche durante l’applicazione dell’ACM).

L’assenza di correlazione tra i due tipi di variabili è osservabile anche dalla matrice delle correlazioni (si nota in

particolare 0,04 tra la Variazione % del Fatturato e il Mol su Oneri finanziari).

Tab. n. 51.1 Matrice delle correlazioni





89

Tab. 52.1 Matrice dei valori test





Se si rappresentano nel grafico anche le variabili illustrative, in particolare il livello del fatturato (vedi figura

sottostante), dal cerchio delle correlazioni emerge una totale indipendenza tra la prima componente che esprime la

redditività di un’impresa e il livello del fatturato (la variabile fatturato è infatti posizionata nell’origine degli assi).

L’assenza di correlazione è osservabile anche dalla matrice delle correlazioni (-0,03 tra il fatturato e la prima

componente, tab. 51.1). Con l’applicazione dell’ACM (paragrafo Analisi degli assi fattoriali che sintetizzano la matrice

dei dati iniziale) è stato invece possibile evidenziare una relazione di tipo non lineare tra la variabile redditività e la

dimensione d’impresa, infatti si è visto che le imprese molto deboli dal punto di vista della redditività erano tutte di

piccola dimensione.

Figura n. 8 Cerchio delle correlazioni con l’indicazione delle variabili attive e della variabile fatturato

90

Tab. n. 53.1 Matrice delle correlazioni variabile - fattore

Axe 1 Axe 2 Axe 3 Axe 4 Axe 5

Fatturato -0,03 0,00 0,04 -0,02 0,03Passività a BT / Passività Totali 0,07 0,07 0,07 -0,05 0,07Leverage 0,04 0,03 0,00 -0,01 0,00Val_agg su Val_Prod % -0,05 0,00 -0,02 0,01 0,01Val_agg su Costo Lavoro -0,06 0,03 -0,01 -0,03 0,06ROS -0,01 -0,01 -0,01 0,00 0,01Turnover -0,19 0,02 -0,04 0,06 -0,17Disp su Esigibilità % -0,01 -0,01 0,00 -0,01 0,00EBIT su Totale Attivo -0,52 0,01 -0,13 -0,05 0,07Indice di dip fin % 0,24 0,03 -0,06 0,05 -0,06

Passiamo alla rappresentazione degli indici di struttura, in particolare proiettiamo sul semipiano l’indice di dipendenza

finanziaria (ottenuto rapportando le passività con le attività). Dalla figura n. 9 è possibile osservare come questa

variabile sia correlata positivamente con il primo asse (anche se in maniera non eccessivamente significativa, 0,24 vedi

matrice delle correlazioni). All’aumentare dell’incidenza dei mezzi di terzi sugli investimenti realizzati sembra che,

contrariamente a quello che si dovrebbe aspettare, diminuisce la redditività operativa di un’impresa. La spiegazione di

questo fenomeno può risiedere nell’eccessivo indebitamento delle imprese nei confronti dei terzi, e quindi nella

vanificazione dei benefici apportati tramite l’effetto leva (leverage popolazione pari a 5,11).

Figura n.9 Cerchio delle correlazioni con l’indicazione delle variabili attive e dell’indice di dipendenza finanziaria

Consideriamo l’indicatore che rapporta le Passività a BT con le Passività totali ed il Leverage. Dalla figura n. 10 e dalla

figura n. 11 è possibile notare come queste variabili non siano correlate con il primo asse.

91

Figura n. 10 Cerchio delle correlazioni con l’indicazione delle variabili attive e del rapporto passività a bt su passività

Figura n. 11 Cerchio delle correlazioni con l’indicazione delle variabili attive e del Leverage

92

Determinazione dei cluster di imprese (Cluster Analysis)

Il passo successivo è l’osservazione di come le imprese del campione si collocano su questa mappa d’interrelazioni.

Sulla base delle risultanze emerse è possibile applicare una metodologia di cluster di tipo gerarchico che utilizza le

variabili di sintesi originate per procedere ad una analisi classificatoria.

Grafico n. 33.1 Indice di Niveau

Indice di disomogeneità

0,00

0,10

0,20

0,30

0,40

0,50

0,60

0,70

0,80

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Dall’esame dell’Indice di Niveau si individuano 7 gruppi ottimali che sono indicati nel grafico n. 34.1. Nei cluster si

contano 513 (Cluster n. 4), 13.729 (Cluster 1), 250 (Cluster 5), 301 (Cluster 2), 14.779 (Cluster 3), 2.391 (Cluster 6),

676 (Cluster 7) società.

Il dendrogramma che risulta dall’applicazione degli algoritmi, riportato di seguito, indica la presenza di due gruppi

relativamente robusti all’interno del campione esaminato (analogo risultato è emerso dall’ACM) che a loro volta si

ripartiscono in più sottogruppi.

Al livello 7 si può osservare che i primi 5 gruppi ottenuti possono essere aggregati in un unico gruppo e si

differenziano, per la numerosità dai successivi 2 cluster, che a loro volta possono scindersi in due cluster o formarne

uno unico.

93

Figura n. 12 Dendrogramma ottenuto dall’analisi per cluster


**** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** ****

1% 1% 11% 2% 31% 2% 52% 7

Grafico n. 34.1 Indicazione dei Cluster sul piano fattoriale ottenuto dall’intersezione tra la prima e la seconda

componente

Bassa redditività

Elevato Sviluppo Elevata

Elevata redditività

Basso Sviluppo

Elevato Sviluppo Bassa redditività

94

Grafico n. 35.1 Indicazione dei Cluster sul piano fattoriale ottenuto dall’intersezione tra la prima e la terza componente

Se si osserva il grafico 34.1 le imprese esaminate possono essere distinte in due grandi gruppi che si identificano con i

due cerchi più ampi, e 5 cluster di confine (di numerosità ridotta) che a loro volta si caratterizzano in maniera estrema

secondo il profilo della redditività o dello sviluppo.

E’ inoltre evidente la differenza nel posizionamento dei cluster tra i cluster 3 ed 1 che sono relativamente vicini

all’origine e tutti gli altri che sono posizionati molto più vicini agli assi e quindi ne sono maggiormente caratterizzati

secondo i diversi aspetti.

Iniziamo l’analisi dalle imprese posizionate sull’asse orizzontale semiasse positivo.

95

Cluster 4 Imprese con persistenti problemi di gestione

Questa tipologia raccoglie le imprese con persistenti problemi di gestione e a differenza di quanto ottenuto nell’ACM

riunisce un numero più ridotto d’imprese solo l’1,57% (ossia 513 unità).

Si tratta di aziende di dimensioni ridotte con un fatturato ed un livello mediano di capitalizzazione pesantemente al di

sotto dei valori registrati a livello nazionale (974 mlg € e -244 mlg € ). La presenza di un patrimonio netto negativo

rappresenta un fattore di rischio per la sopravvivenza di queste imprese nel mercato e la loro solvibilità nei confronti dei

terzi creditori.

La redditività operativa è la più bassa tra i sette cluster ottenuti (ROI mediano -34,45% contro 4,8% a livello nazionale,

tabella n 54.1 ). La redditività di cassa mostra inoltre un bilanciamento fortemente negativo tra entrate ed uscite di cassa

(-16,53% contro il 7,89% a livello nazionale).

Gli indicatori di sviluppo evidenziano la situazione di estrema vulnerabilità che caratterizza queste imprese (la

variazione del fatturato -37,20%, quella del valore aggiunto -183,65% e quella dei costi d’acquisto –34,78% sono

pesantemente negative a livello mediano, tabella n 54.1).

Dal punto di vista della struttura patrimoniale queste imprese rilevano un’ elevata incidenza dei mezzi di terzi sugli

investimenti realizzati (l’indice di dipendenza finanziaria è pari a 125,21%).

Tab 54.1 Benchmark per Cluster d'ImpreseValori Mediani - N. Imprese 32.639

Italia



Parametri FondamentaliValore Aggiunto 624 -238fatturato 2.779 974Attivo totale 2.546 1.313Patrimonio netto 373 -244Indicatori di sviluppoVariazione % fatturato 2,36 -37,20Variazione % Valore Aggiunto 3,16 -183,65Variazione % Attivo 3,5 -31,36Variazione % Netto 4,39 -139,11Var % costi acquisto 1,86 -34,78Var % Costo lavoro 4,71 -15,02Var % MOL 1,17 -270,59Indicatori di reddittività e di cash flowROE % 4,38 -135,62ROI % 4,8 -34,46ROS 4,06 -51,52Turnover 1,23 0,69Valore Aggiunto su Attivo 24,97 -15,08Mol su Oneri Finanziari 4,03 -8,88Cash flow Operating su Attivo % 7,89 -16,53Valore Aggiunto su Valore della produzione % 21,46 -20,64Valore Aggiunto su Costo del lavoro % 1,47 -1,69Ebit su Totale Attivo % 4,66 -43,29Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21Leverage 5,11 4,43Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37

96

Cluster 1 Imprese in difficoltà

Il Cluster n. 1 è molto numeroso e raccoglie il 42,06% delle imprese (ossia 13.729 unità).

Si tratta d’imprese che rilevano difficoltà nella gestione dal punto di vista della redditività che della crescita.

Il fatturato ed il patrimonio netto sono in linea con i valori registrati a livello nazionale (2.669 mlg € contro 2.779 mlg €

a livello nazionale e 330 mlg € contro 373 mlg € a livello nazionale).

La redditività operativa è

bassa anche se in

miglioramento rispetto al

cluster precedente (ROI

mediano 2,86% contro

4,8% a livello nazionale,

tabella n. 55.1 ).

La redditività di cassa

mostra un bilanciamento

lievemente negativo tra

entrate ed uscite di cassa (-

1,24% contro il 7,89% a

livello nazionale), le

aziende inserite in questo

cluster non dispongono

infatti di risorse liquide

per finanziare gli

investimenti realizzati.

Gli indicatori di sviluppo

evidenziano la situazione

di difficoltà che

caratterizza queste imprese

(la variazione del fatturato -2,48%, quella del valore aggiunto -2,48% e quella dei costi d’acquisto –0,69% sono

negativi, tabella n. 55.1).


Italia




Parametri FondamentaliValore Aggiunto 624 -238 479fatturato 2.779 974 2.669Attivo totale 2.546 1.313 3.019Patrimonio netto 373 -244 330Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48Variazione % Valore Aggiunto 3,16 -183,65 -2,48Variazione % Attivo 3,5 -31,36 3,12Variazione % Netto 4,39 -139,11 1,12Var % costi acquisto 1,86 -34,78 -0,69Var % Costo lavoro 4,71 -15,02 3,47Var % MOL 1,17 -270,59 -7,49Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76ROI % 4,8 -34,46 2,86ROS 4,06 -51,52 2,62Turnover 1,23 0,69 1,03Valore Aggiunto su Attivo 24,97 -15,08 15,89Mol su Oneri Finanziari 4,03 -8,88 2,39Cash flow Operating su Attivo % 7,89 -16,53 -1,24Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42Ebit su Totale Attivo % 4,66 -43,29 2,76Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21 88,86Leverage 5,11 4,43 7,07Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28

97

Cluster 5 Imprese con fatturato in alta crescita

Il Cluster n. 5 è una tipologia poco presente all’interno del campione, riunisce solo 250 imprese (lo 0,76% delle società

considerate). Si tratta d’imprese che si caratterizzano per la elevata dinamicità dei ricavi di vendita (+373,94%).


Italia




5_Imprese con fatturato in

alta crescitaParametri FondamentaliValore Aggiunto 624 -238 479 622fatturato 2.779 974 2.669 4.578Attivo totale 2.546 1.313 3.019 6.481Patrimonio netto 373 -244 330 532Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48 373,94Variazione % Valore Aggiunto 3,16 -183,65 -2,48 29,51Variazione % Attivo 3,5 -31,36 3,12 -3,37Variazione % Netto 4,39 -139,11 1,12 8,60Var % costi acquisto 1,86 -34,78 -0,69 29,38Var % Costo lavoro 4,71 -15,02 3,47 13,69Var % MOL 1,17 -270,59 -7,49 52,08Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76 7,28ROI % 4,8 -34,46 2,86 3,23ROS 4,06 -51,52 2,62 4,87Turnover 1,23 0,69 1,03 0,72Valore Aggiunto su Attivo 24,97 -15,08 15,89 9,15Mol su Oneri Finanziari 4,03 -8,88 2,39 2,38Cash flow Operating su Attivo % 7,89 -16,53 -1,24 9,34Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75 17,90Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42 1,73Ebit su Totale Attivo % 4,66 -43,29 2,76 3,43Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21 88,86 90,41Leverage 5,11 4,43 7,07 8,59Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28 113,36

Le società considerate sono di dimensioni maggiori rispetto al valore mediano registrato a livello nazionale (622 mlg €

valore aggiunto e 4.578 mlg € fatturato).

Oltre all’elevata dinamicità del fatturato le aziende presentano una buona variazione nel valore aggiunto (+29,51%).

Esse rilevano una redditività operativa positiva anche se non soddisfacente se la si confronta con il valore registrato a

livello nazionale (ROI mediano 3,23% contro 4,8% a livello nazionale, tabella n. 56.1). Il livello del ROI è frutto di una

più elevata redditività delle vendite (Ros% mediano 4,87) e di un minor turnover delle vendite in rapporto al capitale

investito (Turnover mediano 0,72) rispetto al gruppo delle imprese in difficoltà.

Queste aziende registrano inoltre una buona redditività di cassa superiore a quella rilevata sull’intera popolazione

(9,34% contro il 7,89% a livello nazionale).

La struttura del capitale è precaria: l’incidenza dei mezzi di terzi sul totale degli investimenti è molto elevata, l’indice di

dipendenza finanziaria è infatti pari a 90,41%.

98

Cluster 2 Imprese con valore aggiunto in alta crescita

Anche il Cluster n. 2 è una tipologia poco presente all’interno del campione, riunisce solo 301 imprese (lo 0,92% delle

società considerate). Le società che vi appartengono si caratterizzano per l’elevata dinamicità del valore aggiunto

prodotto (var. % valore aggiunto mediano +546,07%).


Italia





alta crescita

2_Imprese con valore

aggiunto in alta crescita

Parametri FondamentaliValore Aggiunto 624 -238 479 622 491fatturato 2.779 974 2.669 4.578 1.984Attivo totale 2.546 1.313 3.019 6.481 2.698Patrimonio netto 373 -244 330 532 264Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48 373,94 5,82Variazione % Valore Aggiunto 3,16 -183,65 -2,48 29,51 546,07Variazione % Attivo 3,5 -31,36 3,12 -3,37 9,61Variazione % Netto 4,39 -139,11 1,12 8,60 38,49Var % costi acquisto 1,86 -34,78 -0,69 29,38 0,00Var % Costo lavoro 4,71 -15,02 3,47 13,69 3,14Var % MOL 1,17 -270,59 -7,49 52,08 123,65Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76 7,28 13,44ROI % 4,8 -34,46 2,86 3,23 5,72ROS 4,06 -51,52 2,62 4,87 5,30Turnover 1,23 0,69 1,03 0,72 0,96Valore Aggiunto su Attivo 24,97 -15,08 15,89 9,15 20,35Mol su Oneri Finanziari 4,03 -8,88 2,39 2,38 2,49Cash flow Operating su Attivo % 7,89 -16,53 -1,24 9,34 3,98Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75 17,90 22,18Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42 1,73 1,67Ebit su Totale Attivo % 4,66 -43,29 2,76 3,43 4,91Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21 88,86 90,41 87,47Leverage 5,11 4,43 7,07 8,59 5,00Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28 113,36 110,30

Si tratta d’imprese di dimensioni minori rispetto al valore registrato a livello nazionale (491 mlg € valore aggiunto e

1.984 mlg € fatturato).

La redditività operativa è positiva ed è superiore a quella rilevata sull’intera popolazione (ROI mediano 5,72% contro

4,8% a livello nazionale, tabella n. 57.1).

La redditività di cassa mostra un bilanciamento non soddisfacente tra entrate ed uscite di cassa attestandosi su un valore

inferiore a quello rilevato a livello nazionale (3,98% contro il 7,89% a livello nazionale). La differenza sostanziale

rispetto alle imprese con variazione del fatturato molto elevata risiede nell’impatto positivo della dinamicità del valore

aggiunto sulla redditività del capitale proprio. Il Roe è infatti pari a 13,44% garantendo la remunerazione dei soci ben al

di sopra dei valori nazionali. Anche la struttura del capitale ne trae beneficio (leverage pari a 5)

99

Cluster 3 Imprese discrete

Il Cluster n. 3 è il più numeroso del campione e riunisce circa il 45% delle imprese (14.779 unità). Le imprese inserite si

caratterizzano per il buon livello di quasi tutti gli indicatori.


Italia





alta crescita



3_Imprese discrete

Parametri FondamentaliValore Aggiunto 624 -238 479 622 491 789fatturato 2.779 974 2.669 4.578 1.984 3.261Attivo totale 2.546 1.313 3.019 6.481 2.698 2.606Patrimonio netto 373 -244 330 532 264 443Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48 373,94 5,82 5,84Variazione % Valore Aggiunto 3,16 -183,65 -2,48 29,51 546,07 5,98Variazione % Attivo 3,5 -31,36 3,12 -3,37 9,61 3,90Variazione % Netto 4,39 -139,11 1,12 8,60 38,49 7,45Var % costi acquisto 1,86 -34,78 -0,69 29,38 0,00 5,32Var % Costo lavoro 4,71 -15,02 3,47 13,69 3,14 5,73Var % MOL 1,17 -270,59 -7,49 52,08 123,65 5,67Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76 7,28 13,44 7,98ROI % 4,8 -34,46 2,86 3,23 5,72 6,58ROS 4,06 -51,52 2,62 4,87 5,30 4,92Turnover 1,23 0,69 1,03 0,72 0,96 1,35Valore Aggiunto su Attivo 24,97 -15,08 15,89 9,15 20,35 31,41Mol su Oneri Finanziari 4,03 -8,88 2,39 2,38 2,49 6,04Cash flow Operating su Attivo % 7,89 -16,53 -1,24 9,34 3,98 13,88Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75 17,90 22,18 24,01Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42 1,73 1,67 1,54Ebit su Totale Attivo % 4,66 -43,29 2,76 3,43 4,91 6,41Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21 88,86 90,41 87,47 82,59Leverage 5,11 4,43 7,07 8,59 5,00 4,63Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28 113,36 110,30 115,67

Si tratta d’imprese di dimensioni maggiori rispetto al valore nazionale (789 mlg € valore aggiunto e 3.261 mlg €

fatturato).

La redditività operativa è positiva ed è superiore al valore registrato a livello dell’intera popolazione (ROI mediano

6,58% contro 4,8% a livello nazionale, tabella n. 58.1).

La redditività di cassa mostra un bilanciamento soddisfacente dei flussi di cassa generati dalla gestione (13,88% contro

il 7,89% a livello nazionale).

Gli indicatori di sviluppo evidenziano la discreta dinamicità di queste imprese, attestandosi su valori superiori a quelli

registrati su tutta la popolazione (var. % fatturato 5,84%, var. % valore aggiunto 5,98% contro il 2,36% e il 3,16% a

livello nazionale).

L’indice di dipendenza finanziaria si allinea al valore nazionale (esso è infatti pari a 82,59% contro l’84,93%).

100

Cluster 6 Imprese buone

Il cluster n.6 raccoglie il 7,32% delle imprese ossia 2.391 unità. Le imprese che vi appartengono si caratterizzano per i

buoni livelli degli indicatori di redditività e di sviluppo e per l’eccellente redditività di cassa.


Italia





alta crescita



3_Imprese discrete

6_Imprese buone

Parametri FondamentaliValore Aggiunto 624 -238 479 622 491 789 1.563fatturato 2.779 974 2.669 4.578 1.984 3.261 2.862Attivo totale 2.546 1.313 3.019 6.481 2.698 2.606 1.563Patrimonio netto 373 -244 330 532 264 443 275Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48 373,94 5,82 5,84 4,93Variazione % Valore Aggiunto 3,16 -183,65 -2,48 29,51 546,07 5,98 7,94Variazione % Attivo 3,5 -31,36 3,12 -3,37 9,61 3,90 5,85Variazione % Netto 4,39 -139,11 1,12 8,60 38,49 7,45 13,73Var % costi acquisto 1,86 -34,78 -0,69 29,38 0,00 5,32 2,67Var % Costo lavoro 4,71 -15,02 3,47 13,69 3,14 5,73 5,85Var % MOL 1,17 -270,59 -7,49 52,08 123,65 5,67 8,39Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76 7,28 13,44 7,98 17,67ROI % 4,8 -34,46 2,86 3,23 5,72 6,58 12,37ROS 4,06 -51,52 2,62 4,87 5,30 4,92 6,15Turnover 1,23 0,69 1,03 0,72 0,96 1,35 1,87Valore Aggiunto su Attivo 24,97 -15,08 15,89 9,15 20,35 31,41 96,29Mol su Oneri Finanziari 4,03 -8,88 2,39 2,38 2,49 6,04 16,65Cash flow Operating su Attivo % 7,89 -16,53 -1,24 9,34 3,98 13,88 23,30Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75 17,90 22,18 24,01 54,83Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42 1,73 1,67 1,54 1,21Ebit su Totale Attivo % 4,66 -43,29 2,76 3,43 4,91 6,41 11,96Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21 88,86 90,41 87,47 82,59 81,57Leverage 5,11 4,43 7,07 8,59 5,00 4,63 4,07Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28 113,36 110,30 115,67 138,55

Si tratta d’imprese con un fatturato ed un livello mediano di capitalizzazione in linea con i valori registrati a livello

nazionale (2.862 mlg € e 1.563 mlg € ).

La redditività operativa è elevata, ed è il risultato anche dell’elevato rapporto tra il valore Aggiunto prodotto e l’attivo, a

dimostrazione di una gestione particolarmente efficiente nell’utilizzo del capitale investito (ROI mediano 12,37%

contro 4,8% a livello nazionale, tabella ).

La redditività di cassa mostra in positivo il più elevato bilanciamento dei flussi di cassa (23,30% contro il 7,89% a

livello nazionale) tra tutti i cluster ottenuti.

Gli indicatori di sviluppo evidenziano la situazione di “bontà” che caratterizza queste imprese (la variazione del

fatturato 4,93%, quella del valore aggiunto 7,94% e quella dei costi d’acquisto 2,67%, tabella n. 59.1).

101

Cluster 7 Imprese eccellenti

Il cluster 7 raccoglie il 2,07% delle imprese ossia 676 unità. Le imprese inserite in questo gruppo si caratterizzano per le

eccellenti performance conseguite sotto il profilo della redditività.


Italia





alta crescita



3_Imprese discrete

6_Imprese buone

7_ Imprese eccellenti

Parametri FondamentaliValore Aggiunto 624 -238 479 622 491 789 1.563 1.498fatturato 2.779 974 2.669 4.578 1.984 3.261 2.862 4.395Attivo totale 2.546 1.313 3.019 6.481 2.698 2.606 1.563 3.800Patrimonio netto 373 -244 330 532 264 443 275 1.691Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48 373,94 5,82 5,84 4,93 4,92Variazione % Valore Aggiunto 3,16 -183,65 -2,48 29,51 546,07 5,98 7,94 6,46Variazione % Attivo 3,5 -31,36 3,12 -3,37 9,61 3,90 5,85 6,90Variazione % Netto 4,39 -139,11 1,12 8,60 38,49 7,45 13,73 12,95Var % costi acquisto 1,86 -34,78 -0,69 29,38 0,00 5,32 2,67 5,54Var % Costo lavoro 4,71 -15,02 3,47 13,69 3,14 5,73 5,85 6,03Var % MOL 1,17 -270,59 -7,49 52,08 123,65 5,67 8,39 7,01Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76 7,28 13,44 7,98 17,67 19,63ROI % 4,8 -34,46 2,86 3,23 5,72 6,58 12,37 15,38ROS 4,06 -51,52 2,62 4,87 5,30 4,92 6,15 11,77Turnover 1,23 0,69 1,03 0,72 0,96 1,35 1,87 1,28Valore Aggiunto su Attivo 24,97 -15,08 15,89 9,15 20,35 31,41 96,29 42,23Mol su Oneri Finanziari 4,03 -8,88 2,39 2,38 2,49 6,04 16,65 289,00Cash flow Operating su Attivo % 7,89 -16,53 -1,24 9,34 3,98 13,88 23,30 21,08Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75 17,90 22,18 24,01 54,83 35,52Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42 1,73 1,67 1,54 1,21 2,05Ebit su Totale Attivo % 4,66 -43,29 2,76 3,43 4,91 6,41 11,96 14,86Indici di Struttura dell'Attivo e del PassivoIndice di Dipendenza Finanziaria % 84,93 125,21 88,86 90,41 87,47 82,59 81,57 51,64Leverage 5,11 4,43 7,07 8,59 5,00 4,63 4,07 1,07Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28 113,36 110,30 115,67 138,55 194,37

Le imprese che vi appartengono rilevano un fatturato ed un livello mediano di capitalizzazione superiore ai valori

registrati a livello nazionale (4.395 mlg € e 1.690,5 mlg € ).

La redditività operativa è la più elevata tra tutti i cluster considerati (ROI mediano 15,38% contro 4,8% a livello

nazionale, tabella ).

Il rapporto tra il margine operativo lordo e gli oneri finanziari indica un’ottima proporzione tra la remunerazione degli

investimenti caratteristici e la remunerazione che spetta ai fornitori del capitale di credito. Le imprese inserite in questo

gruppo sono infatti in grado di remunerare in maniera efficace il capitale proprio (il Roe mediano è elevato ed è pari a

19,63%). La redditività di cassa mostra un bilanciamento eccellente dei flussi di cassa (21,08% contro il 7,89% a livello

nazionale).

Gli indicatori di sviluppo evidenziano una discreta dinamicità di queste imprese (la variazione del fatturato 4,92%,

quella del valore aggiunto 6,46%, tabella n. 60.1).

Dal punto di vista della struttura del capitale queste società rilevano una spiccata attitudine all’autonomia patrimoniale

(le passività sono circa una volta il capitale netto, il leverage è uguale a 1,07). E chiaramente l’indice di dipendenza

finanziaria si attesta ad un livello inferiore a quello nazionale (esso è infatti pari al 51,64% contro l’84,93% registrato a

livello nazionale).

102

Il processo di aggregazione dei gruppi

Un ultima considerazione deve essere effettuata sui 7 cluster ottenuti e sul processo che ha portato alla loro definizione.

Si può notare dai valori riportati nella tabella sottostante, come il gruppo più omogeneo sia quello delle imprese con

valore aggiunto in alta crescita (l’inerzia è infatti pari a 0,135), mentre quello più variabile è rappresentato dalle imprese

in difficoltà (l’inerzia è uguale a 0,65).

Tab. 61.1 Inerzia all’interno dei cluster e all’esterno

Inerzia prima dell'agregazion

e dei nuovi elementi

Inerzia dopo dell'agregazion

e dei nuovi elementi

N. imprese prima % N. imprese

dopo % Distances avant

Distances après

Inter-classes 2,72423 3,02668Intra-classeCluster 1 imprese in difficoltà 0,79380 0,68841 16.951 51,93 13.729 42,06 0,45992 0,79135Cluster 2 imprese con valore aggiunto in alta crescita 0,15159 0,13501 396 1,21 301 0,92 21,04750 34,77000Cluster 3 imprese discrete 0,58521 0,65721 10.139 31,06 14.779 45,28 0,39967 0,26503Cluster 4 imprese con persistenti problemi di gestione 0,35125 0,31325 714 2,19 513 1,57 21,96930 31,27450Cluster 5 imprese con fatturato in alta crescita 0,30137 0,15189 558 1,71 250 0,77 26,08170 64,28760Cluster 6 imprese buone 0,50219 0,36310 3.473 10,64 2.391 7,33 5,14658 7,97708Cluster 7 imprese eccellenti 0,12520 0,19930 408 1,25 676 2,07 50,53740 33,06490

32.639 100,00 32.639 100,00Totale 5,53484 5,53484

Quotient (I. inter / I. totale) 0,49220 0,54684

E’ interessante aggregare i gruppi ottenuti “risalendo” il dendrogramma ottenuto dall’analisi.

Si consideri il livello immediatamente superiore in corrispondenza del quale l’analisi determina 6 partizioni.

Figura n. 5 Dendrogramma ed indicazione dei diversi livelli di partizione


**** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** **** ****

1% 1% 11% 2% 31% 2% 52% 7

1% 11% 2% 31% 2% 53% 6

1% 11% 2% 2% 84% 5

88% 12% 2

Si può osservare come vengono aggregati in un unico cluster i gruppi delle imprese in difficoltà (52%) e quello delle

imprese con valore aggiunto in alta crescita (1%). I due gruppi presentano infatti delle analogie come è stato evidenziato

nei paragrafi precedenti (la dimensione delle imprese, l’incidenza del margine operativo lordo sugli oneri finanziari e la

dipendenza finanziaria a livello mediano sono simili).

103

Al livello di 5 gruppi l’analisi aggrega in un'unica partizione le imprese in difficoltà (51%), quelle con un valore

aggiunto in alta crescita (1%) e quelle discrete (31%).

Al livello di 2 soli gruppi si individuano da un lato le imprese buone (11%) e le imprese eccellenti (1%) dall’altro tutte

le altre società.

Conclusioni del confronto tra le diverse metodologie

Dall’esame dei risultati ottenuti con le tecniche statistiche e con il modello dell’indicatore sintetico di dinamicità

emerge come ognuna delle metodologie utilizzate fornisca informazioni differenti rispetto allo stato di salute delle

imprese e al modo in cui si possono raggruppare. In particolare l’Analisi delle Corrispondenze Multiple individua nella

redditività operativa il fattore più rilevante che caratterizza la performance, mentre l’Analisi per Componenti Principali,

oltre a confermare gli aspetti reddituali come elementi rilevanti per la classificazione dello stato di salute delle imprese,

mette in luce in maniera dettagliata, anche una tipologia di classificazione per attitudine allo sviluppo.

L’analisi condotta sulle partizioni generate attraverso l’applicazione del modello di indicatore sintetico di dinamicità,

mette insieme nel “punteggio” i risultati delle due precedenti metodologie, sintetizzando le informazioni sulla capacità

reddituale, sull’attitudine a generare cassa e sullo sviluppo in un unico score.

L’indicatore di dinamicità fa rilevare un gruppo di società che si presenta, sulla base dei dati del 2004, in condizioni di

estrema crisi (imprese “nulle”), e che è costituito da imprese carenti dal punto di vista sia della crescita di quota

d’offerta che dal lato delle variazioni del capitale Sotto l’aspetto della redditività il gruppo presenta ROE negativo e

ROI, vicinissimo allo zero. La redditività di cassa mostra un bilanciamento negativo tra entrate ed uscite monetarie

derivanti dal flusso dei ricavi riscossi meno i costi pagati Il Leverage molto elevato evidenzia un’elevata vulnerabilità,

infatti le passività sono quasi sette volte il patrimonio netto e una forte dipendenza finanziaria.

In contrasto con questo primo gruppo si pone il cluster delle imprese “eccellenti”, che sono invece caratterizzate da

un’ottima dinamicità in tutti gli aspetti indagati, e mostrano una corsa alla crescita dei ricavi, un notevole incremento

dei volumi di capitale netto e redditività del capitale proprio su livelli elevati. Tale andamento si spiega con la presenza

di un buon livello del ROI e quindi di una maggiore efficienza con cui si svolgono i processi della gestione

caratteristica.

Si individua inoltre un gruppo d’imprese che risultano inserite nelle classi da “sufficiente” a “buono”. Questo corposo

insieme è caratterizzato da performance non eccezionali, ma comunque di livello pari o superiore alla media. Questo

raggruppamento comprende società che pur non mostrando uno sviluppo molto elevato dal punto di vista delle quote

d’offerta e di crescita del capitale netto, presentano una discreta remunerazione del capitale proprio ed una buona

redditività operativa e di cassa.

L’Analisi delle Corrispondenze Multiple, attraverso il risultati del primo fattore, evidenzia la contrapposizione tra

imprese in difficoltà a quelle che rilevano un ottimo stato di salute. Le prime (imprese con gravi problemi di gestione)

registrano prevalentemente una perdita a fine esercizio, frutto di una gestione non efficiente del capitale e quindi di una

104

bassa redditività operativa e di cassa. I problemi di gestione di queste imprese si rilevano anche nell’incidenza del

valore aggiunto sul capitale investito. Esse inoltre rilevano una non soddisfacente copertura degli oneri finanziari con il

margine operativo lordo e delle importanti variazioni in diminuzione nelle quote d’offerta. Sono caratterizzate da una

elevata dipendenza finanziaria, da un forte indebitamento a breve e da un eccessiva incidenza dei mezzi di terzi sui

mezzi propri. Sembra essere importante l’appartenenza delle imprese all’Italia Meridionale e al settore delle

Costruzioni.

Le imprese eccellenti chiudono prevalentemente il loro bilancio in utile, riuscendo a raggiungere livelli eccellenti di

redditività operativa e di cassa ed evidenziando l’attitudine a remunerare in maniera soddisfacente tutti i fattori della

produzione impiegati nella gestione. Esse inoltre conseguono una ottima copertura degli oneri finanziari con il margine

operativo lordo. Dal punto di vista della dimensione esiste una forte contrapposizione tra i gruppi d’imprese. Le imprese

con gravi problemi di gestione risultano essere più piccole sia per fatturato che per patrimonio netto. Si evidenzia quindi

una soglia dimensionale al di sotto della quale ogni impresa difficilmente raggiunge livelli soddisfacenti di redditività.

Inoltre il livello di leverage delle imprese eccellenti indica un buon equilibrio nel rapporto tra il capitale di terzi ed il

capitale proprio. In questa classe il valore mediano del leverage è circa 2 che significa che per ogni euro di mezzi propri

sono presenti 2 euro di mezzi di terzi e di conseguenza le imprese sono dotate di un buon livello di autonomia

patrimoniale pur sfruttando la leva finanziaria. Infine il fatto che tra le variabili illustrative, la classe di attività

economica non caratterizzi le imprese eccellenti, implica che tale condizione non dipende dal settore di appartenenza.

Attraverso l’analisi dei risultati del secondo fattore, risultano invece contrapposte le imprese mediane a quelle che

assumono valori estremi, ovvero le precedenti. Le imprese mediane rilevano un livello discreto di redditività operativa

e una altrettanta discreta copertura degli oneri finanziari con il margine operativo lordo.

Dall’Analisi dei risultati ottenuti con le Componenti Principali si nota la correlazione tra le variabili di redditività

(ROI%, Valore Aggiunto su Attivo %, Cash flow Operating su Attivo e Mol su Oneri Finanziari), e la correlazione tra

le variabili di sviluppo (Var. % fatturato e Variazione % Valore Aggiunto). Dal cerchio delle correlazioni è evidente

come le variabili di redditività e quelle di sviluppo sono tra loro ortogonali. I fenomeni descritti da questi indicatori

sono indipendenti e non esiste tra le variabili suddette una relazione di tipo lineare.

I cluster che si ottengono con le due tecniche multivariate non sono di facile sovrapposizione da un punto di vista

grafico (ossia è difficile vedere se i cluster delle imprese in difficoltà ottenuti con la prima tecnica corrispondono ai

cluster delle stesse imprese ottenuti con la seconda tecnica), tuttavia le imprese eccellenti sono sempre rappresentate sul

semiasse negativo e le imprese in crisi sono posizionate su quello positivo. In particolare, l’analisi per Cluster condotta

sui risultati dell’ACM ha portato a otto gruppi abbastanza bilanciati dal punto di vista della numerosità.

105

Grafico 37.1 Rappresentazione grafica delle imprese sul piano fattoriale ed indicazione dei cluster ottenuti- Analisi

delle Corrispondenze Multiple.

Invece nel caso dell’ACP le imprese vengono classificate in sette gruppi i primi due di numerosità più ampia, e i

successivi 5 cluster (di numerosità ridotta) che a loro volta si caratterizzano in maniera estrema secondo il profilo della

redditività o dello sviluppo (grafico 36.1).

Grafico 36.1 Rappresentazione grafica delle imprese sul piano fattoriale ed indicazione dei cluster ottenuti- Analisi

delle Componenti Principali.

106

Le partizioni ottenute si presentano in tutte le applicazioni realizzate ben separate. Il loro posizionamento lungo gli assi

e l’analisi dei valori mediani degli indicatori economico-finanziari all’interno di ciascun cluster permette di

comprendere meglio le caratteristiche di ogni gruppo e consente di realizzare una sorta di mappatura del territorio

nazionale. Ne emerge dunque una classifica per distinti livelli di stato di salute delle imprese che, se si sofferma

l’attenzione sul gruppo più in basso in questa graduatoria (il gruppo delle imprese nulle), permette d’individuare le

società ad alto rischio di insolvenza, strettamente collegata all’incapacità di permanere sul mercato in maniera

efficiente. Risalendo lungo questa graduatoria ci si allontana sempre di più dalle situazioni di estremo rischio fino ad

arrivare ai livelli di eccellenza reddituale e di sviluppo.

107

ALLEGATI

108

Tab. 66.1 Benchmark per Cluster d'ImpreseValori Mediani al 2004 - N. Imprese 32.639

Italia





3_Imprese mediane


2_Imprese discrete

4_ Imprese buone

7_Imprese Eccellenti

Numerosità 32.639 2.566 3.689 3.731 7.052 3.688 4.265 4.662 2.986Parametri FondamentaliValore Aggiunto 624 74 391 523 691 734 781 1.044 1.298Fatturato 2.779 1.338 2.309 2.347 3.068 3.867 3.787 3.166 3.372Attivo Totale 2.546 1.684 3.837 2.191 2.726 3.718 3.103 2.303 2.236Patrimonio Netto 373 73 328 297 363 438 379 501 745Indicatori di sviluppoVariazione % fatturato 2,36 -24,35 -5,84 -15,94 0,10 44,89 17,23 3,70 6,23Variazione % Valore Aggiunto 3,16 -62,16 -7,80 -18,47 -0,22 49,14 18,67 4,65 12,37Variazione % Attivo 3,5 -13,32 0,93 -2,75 2,66 14,77 10,83 3,64 7,95Variazione % Netto 4,39 -37,74 0,00 0,55 2,67 14,01 8,33 9,41 23,20Variazione % Costi d'Acquisto 1,86 -23,88 -4,41 -13,36 0,59 33,50 15,58 3,49 4,09Variazione % Costo del lavoro 4,71 -8,79 1,53 -3,11 3,57 14,64 12,41 5,20 6,25Variazione % Oneri Finanziari -5,26 -14,71 -5,74 -9,09 -3,61 8,15 3,52 -9,77 -16,67Var % MOL 1,17 -125,10 -20,00 -28,84 -5,24 58,08 23,08 3,10 15,88Indicatori di reddittività e di cash flowRoe% 4,38 -44,23 -0,04 0,92 2,52 8,85 7,23 11,25 29,44Roi % 4,8 -7,75 1,47 3,67 4,55 5,30 5,79 9,42 18,59Ros % 4,06 -10,65 1,89 3,11 3,66 4,32 4,22 5,75 11,40Turnover 1,23 0,74 0,73 1,10 1,23 1,30 1,36 1,50 1,63Valore Aggiunto su Attivo 24,97 4,05 9,06 21,62 24,63 21,13 24,66 41,57 55,90Mol su Oneri Finanziari 4,03 -3,18 1,46 2,67 3,44 4,03 4,42 12,03 43,34Cash flow Operating su Attivo % 7,89 -2,85 1,81 5,59 6,69 6,07 6,51 16,26 28,99Valore Aggiunto su Valore della produzione % 21,46 6,20 14,89 20,75 20,82 18,48 19,66 30,84 37,72Valore Aggiunto su Costo del lavoro % 1,47 0,61 1,44 1,40 1,44 1,64 1,54 1,49 1,86Ebit su Totale Attivo % 4,66 -8,64 1,43 3,66 4,44 4,93 5,47 9,05 17,92Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,16 1,54 3,83 4,14 2,88 5,00 4,08 3,84Imm Materiali su Attivo Immobilizzato % 80 69,79 76,26 80,00 81,82 78,98 81,25 81,83 81,06Passività a breve termine su Passività 84,85 87,79 88,29 85,23 83,84 89,58 86,77 79,14 80,56Indice di Dipendenza Finanziaria 84,93 94,90 90,93 86,24 86,74 88,26 87,54 78,38 65,66Leverage 5,11 4,70 8,93 5,80 6,36 7,22 6,86 3,57 1,89Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 99,72 107,22 112,80 110,69 109,51 109,22 125,81 155,02

BENCHMARK PER CLUSTER D'IMPRESE - ACMValori mediani

110

Tab 67.1 Benchmark per Cluster d'ImpreseValori Mediani al 2004 - N. Imprese 32.639

Italia





alta crescita



3_Imprese discrete

6_Imprese buone

7_ Imprese eccellenti

Numerosità 32.639 513 13.729 250 301 14.779 2.391 676Parametri FondamentaliValore Aggiunto 624 -238 479 622 491 789 1.563 1.498fatturato 2.779 974 2.669 4.578 1.984 3.261 2.862 4.395Attivo totale 2.546 1.313 3.019 6.481 2.698 2.606 1.563 3.800Patrimonio netto 373 -244 330 532 264 443 275 1.691Indicatori di sviluppoVariazione % fatturato 2,36 -37,20 -2,48 373,94 5,82 5,84 4,93 4,92Variazione % Valore Aggiunto 3,16 -183,65 -2,48 29,51 546,07 5,98 7,94 6,46Variazione % Attivo 3,5 -31,36 3,12 -3,37 9,61 3,90 5,85 6,90Variazione % Netto 4,39 -139,11 1,12 8,60 38,49 7,45 13,73 12,95Var % costi acquisto 1,86 -34,78 -0,69 29,38 0,00 5,32 2,67 5,54Var % Costo lavoro 4,71 -15,02 3,47 13,69 3,14 5,73 5,85 6,03Variazione % Oneri Finanziari -5,26 -13,79 -2,00 5,10 -3,88 -5,21 -7,20 -50,00Var % MOL 1,17 -270,59 -7,49 52,08 123,65 5,67 8,39 7,01Indicatori di reddittività e di cash flowROE % 4,38 -135,62 0,76 7,28 13,44 7,98 17,67 19,63ROI % 4,8 -34,46 2,86 3,23 5,72 6,58 12,37 15,38ROS 4,06 -51,52 2,62 4,87 5,30 4,92 6,15 11,77Turnover 1,23 0,69 1,03 0,72 0,96 1,35 1,87 1,28Valore Aggiunto su Attivo 24,97 -15,08 15,89 9,15 20,35 31,41 96,29 42,23Mol su Oneri Finanziari 4,03 -8,88 2,39 2,38 2,49 6,04 16,65 289,00Cash flow Operating su Attivo % 7,89 -16,53 -1,24 9,34 3,98 13,88 23,30 21,08Valore Aggiunto su Valore della produzione % 21,46 -20,64 15,75 17,90 22,18 24,01 54,83 35,52Valore Aggiunto su Costo del lavoro % 1,47 -1,69 1,42 1,73 1,67 1,54 1,21 2,05Ebit su Totale Attivo % 4,66 -43,29 2,76 3,43 4,91 6,41 11,96 14,86Indici di Struttura dell'Attivo e del PassivoImm. Immateriali su Attivo Immobilizzato % 3,62 3,53 3,16 0,89 2,61 3,85 6,30 2,93Imm. Materiali su Attivo Immobilizzato % 80 69,07 79,28 66,63 62,01 81,75 74,39 82,85Passività a breve termine su Passività % 84,85 92,12 87,43 89,75 87,43 84,16 72,96 83,38Indice di Dipendenza Finanziaria % 84,93 125,21 88,86 90,41 87,47 82,59 81,57 51,64Leverage 5,11 4,43 7,07 8,59 5,00 4,63 4,07 1,07Indici di liquidità e di gestione del circolanteDisp su Esigibilità % 114,54 69,37 108,28 113,36 110,30 115,67 138,55 194,37

BENCHMARK PER CLUSTER D'IMPRESE - ACPValori mediani

111

Tab. n. 68. 1 Matrice di diagnosi delle imprese per classi di bontà dell'Indicatore sintetico di dinamicità aziendaleValori Mediani al 2004

Italia NulloMolto

insufficiente Insufficiente Sufficiente Buono EccellenteNumerosità 38.125 7.538 4.053 3.106 7.459 4.414 11.555Parametri fondamentaliValore Aggiunto 624 217 493 563 665 804 1.059Fatturato 2.779 1.549 2.441 2.696 2.937 3.227 3.547Attivo totale 2.546 2.173 2.751 2.708 2.648 2.655 2.549Patrimonio Netto 373 168 296 327 384 418 559Indicatori sviluppoVariazione % del fatturato 2,36 -17,83 -5,85 -1,63 1,88 6,53 12,51Variazione % del valore aggiunto 3,16 -25,56 -6,18 -1,85 3,07 7,51 15,31Variazione % Attivo 3,49 -4,73 0,84 1,79 3,59 5,41 8,69Variazione % Netto 4,39 -8,62 1,21 2,68 4,64 6,42 14,24Variazione % Costi d'acquisto 1,86 -15,99 -3,99 -1,13 1,96 6,52 11,47Variazione % Costo del lavoro 4,71 -4,82 1,04 2,67 4,62 6,55 9,08Variazione % Oneri Finanziari -5,26 -11,64 -6,02 -2,76 -2,04 -1,56 -5,41Variazione % Mol 1,17 -51,98 -14,29 -5,93 -0,39 6,79 21,79Indicatori di redditività e di cash flowRoe % 4,38 -8,74 0,73 2,09 4,26 6,67 15,58Roi % 4,80 -0,14 3,03 3,93 4,84 5,83 9,54Valore Aggiunto su Attivo % 24,97 9,44 17,26 19,59 24,66 28,91 41,55Valore Aggiunto su valore della produzione 21,46 12,22 18,28 18,84 21,20 22,91 28,99Valore Aggiunto su Costo del lavoro 1,46 1,12 1,45 1,49 1,49 1,51 1,58Mol su Oneri Finanziari 4,02 0,47 2,39 2,94 4,01 5,30 12,43Cash flow Operating su Attivo % 7,88 -2,47 2,18 4,65 7,21 9,47 17,34Ros 4,06 -0,04 2,94 3,46 4,01 4,42 6,24Turnover 1,23 0,75 1,02 1,12 1,25 1,34 1,53Ebit su Totale Attivo 4,66 -0,17 3,01 3,82 4,69 5,60 9,10 Indici di struttura dell'attivo e del passivoImmobilizzazioni Immateriali su Immobilizzazioni 3,41 2,37 2,72 3,35 3,62 3,58 4,28Immobilizzazioni Materiali su Immobilizzazioni 79,75 74,03 78,62 80,00 80,95 81,31 81,19Passività a Bt su Passività totali % 84,85 87,88 86,64 85,93 85,03 84,34 82,53Indice di Dipendenza Finanziaria % 84,92 91,23 89,11 87,76 85,52 84,25 78,00Leverage 5,11 6,67 7,55 6,80 5,72 5,27 3,49Indici di liquidità e di gestione del circolanteDisponibilità su Esigibilità % 114,54 106,54 109,76 110,08 113,08 114,35 125,96

BENCHMARK PER CLUSTER D'IMPRESE - Indicatore sintetico di dinamicitàValori mediani

112

Bibliografia

Centro Studi dell’ Unione Industriale Biellese e Ufficio Studi della Camera di Commercio, Ciclo Economico e Risultati di Bilancio delle Imprese Tessili e Meccanotessili Biellesi (1997-2000), 2001 Centro Studi dell’ Unione Industriale Biellese e Ufficio Studi della Camera di Commercio, Ciclo Economico e Risultati di Bilancio delle Imprese Tessili e Meccanotessili Biellesi (1996-1999) Ceris Cnr, Osservatorio sulla dinamica economico finanziaria delle imprese della filiera del tessile e dell’abbigliamento in Piemonte, Dicembre 2004 Carraro Elisa, Probabilità di default: un’applicazione nell’area mutui , Tesi di laurea Anno Accademico 2003/2004 Università degli studi di Padova, Facoltà di Scienze Statistiche Brian S Everitt and Graham Dunn, Applied Multivariate Data Analysis, Arnold Luigi Fabbris, Statistica Multivariata analisi esplorativa dei dati, McGraw-Hill, 1997 Professore Ferrante, Facoltà di Economia Università di Bologna, Corso di Analisi dei dati per le strategie aziendali, Unità 3 Monteleone Carmela, L’Individuazione di Gruppi di Comuni della Provincia di Catanzaro adatti ad ospitare insediamenti industriali, Tesi di laurea Anno Accademico 2000/2001 Università degli studi della Calabria, Facoltà di Economia Antonio Mussino, Contributi Metodologici per individuare e caratterizzare la partecipazione sportiva degli italiani, Università Roma1 Dicembre 2004 Regione Campania, Monitoraggio dello sviluppo dell’E-Governement, Analisi Multivariata, Maggio 2002 Bolasco Sergio, Analisi Multidimensionale dei dati, Carocci Rundeddu Vincenzo, Un’Applicazione dell’Analisi Statistica Multivariata all’imprenditoria della Sardegna , Tesi di laurea Anno Accademico 2005/2006 Università degli studi di Cagliari, Facoltà di Economia Spada Francesca, Indagine economica e finanziaria sulle imprese e i settori industriali della Sardegna. Analisi dinamica dei benchmark di settore per le PMI, 2004 Unicredit Banca, Scenari Economici 2005, 2005 Michael Volle, Analyse des Donnes, Ecole Nazionale de la Statistique et de l’Administration èconomique et Centre d’Etudes des Programmes Economiques

113

Il modello predittivo della rete neurale Multi-Layer Perceptron di tipo feed forward con

algoritmo di backpropagation

Partecipanti: CERIS – CNR di Torino

A cura di: Greta Falavigna

L’ultima fase del progetto è stata dedicata all’applicazione dei modelli creati nel secondo anno al database DbComplex.

In particolare, il Ceris-CNR si è occupato di implementare ed ottimizzare il modello di reti neurali creato durante la fase

precedente, al fine di giungere alla definizione della probabilità di default delle imprese.

Il modello presentato nasce dall’utilizzo di due tecniche molto diffuse di data mining che risultano efficaci nella

classificazione dei dati.

Per data mining si intende il processo di selezione, esplorazione e modellazione di grandi masse di dati spaziali al fine

di scoprire regolarità o relazioni non note a priori. In particolare, attraverso questa tecnica, si vuole estrarre conoscenza

da un gran numero di dati spaziali complessi.

Le tecniche più utilizzate di data mining sono tre:

alberi decisionali;

analisi cluster (di cui si è fatto riferimento sopra);

reti neurali.

La prima delle tre tecniche è stata molto utilizzata in letteratura, tuttavia, ma in campo economico, come dimostrano le

fonti presente nel database bibliografico relativo al progetto, non è stata in grado di garantire dei buoni risultati.

Sostanzialmente gli alberi decisionali hanno lo scopo di ripartire un dataset in una serie di passi. Tale ripartizione

avviene in base alle relazioni che legano la variabile target che si cerca di prevedere ad una serie di variabili utilizzate

come predittori. Il risultato del modello può essere rappresentato da un set di regole per ottenere i valori delle variabili

target o da una struttura ad albero.

In particolare, i nodi di un albero decisionale (escluse le foglie) sono domande (i rami costituiscono complessivamente

regole di decisioni). Quando l’albero viene applicato ai dati in ingresso, ogni dato viene analizzato dall’albero lungo un

percorso stabilito da una serie di test sugli attributi (features) del dato stesso, finché questo non raggiunge un nodo

foglia, associato ad una categoria o classe (al dato viene assegnata una etichetta di classe, class label, per la

classificazione, mentre un valore numerico alla variabile target se si tratta di regressione).

Sulle reti neurali si parlerà approfonditamente nell’esposizione seguente del modello.

114

Il modello illustrato, unisce due tecniche di data mining molto utilizzate quali le reti neurali e l’analisi cluster. Le reti

neurali sono un processo parallelo composto di singole unità di calcolo (neuroni), che possiede una naturale

predisposizione a memorizzare le conoscenze sperimentalmente acquisite ed a renderle disponibili per l’uso.

Combinando in diversi modi i neuroni della rete si riescono a risolvere classi di problemi differenti. Le tipologie più

ricorrenti sono:

Multi-Layer Perceptron (MLP): basata su apprendimento supervisionato;

Self Organizing Map (SOM): basata su apprendimento competitivo.

Le caratteristiche principali della rete neurale sono:

Training: la conoscenza è acquisita dalla rete mediante un processo di apprendimento;

Aggiornamento dei pesi: le connessioni neuronali (pesi sinaptici) sono utilizzate per memorizzare le informazioni

acquisite;

Complessità;

Non-linearità di tipo “speciale”: nel senso che è distribuita all’interno della rete. È una proprietà importante

soprattutto se il fenomeno fisico che si vuol simulare è propriamente non lineare.

Adattività: la rete neurale ha una capacità di adattare i suoi pesi sinaptici ai cambiamenti dell’ambiente circostante.

Risposta evidente: in un contesto di patter classification una rete neurale può essere disegnata per fornire

informazioni sul livello di “confidenza” della decisione presa. Questa informazione può essere usata per rigettare

pattern ambigui.

Parallel Processing System (Sistema a processamento parallelo).

Nel modello illustrato, viene utilizzata una rete neurale Multi-Layer Perceptron di tipo feed forward con algoritmo di

backpropagation. Le reti neurali vengono costruite per prevedere il valore assunto da una variabile obiettivo e sono

caratterizzate da strati di neuroni. Tutti i neuroni di uno strato sono collegati ad ogni neurone dello strato successivo

mediante connessioni a cui sono associati dei pesi32. Lo strato di input associa i neuroni alle variabili attive dell’analisi,

lo stato di output associa uno o più neuroni alla variabile target (in base alla sua natura). Tra questi due strati esistono

degli strati intermedi (nascosti) ed in generale ne viene utilizzato uno solo.

Il tipo più diffuso di rete neurale ha un metodo di apprendimento backpropagation: riceve in input un’unità, in base ai

pesi iniziali associati ai neuroni formula una previsione e confronta il valore previsto con il valore reale. In caso di

errore rivede i pesi associati alle varie connessioni partendo dagli ultimi strati fino a tornare allo strato di input.

Si dice infatti che i neuroni della rete sono caratterizzati da un circuito teacher come viene rappresentato nella

successiva figura 1.

L’addestramento della rete con l’algoritmo della backpropagation ha come idea di base che per ogni dato in ingresso

(training set), si calcola l’errore e la direzione in cui modificare i pesi per minimizzare l’errore. Questa direzione è

rappresentata dal gradiente (dell’errore) cambiato di segno.

32 Quando le connessioni avvengono tra uno strato e l’altro in una sola direzione, si dice che la rete è di tipo feed-forward.

115

Le condizioni per fermarsi dipendono dalla convergenza alla soglia di errore minimo stabilito, dal numero di epoche33 o

dal tempo trascorso dall’inizio della costruzione del modello.

Figura 1: Neurone ed apprendimento teacher

In letteratura molti sono gli autori che hanno studiato una metodologia capace di analizzare il problema del default.

I pionieri, in questo caso, sono stati Odom e Sharda che già nel 1990 realizzarono uno studio dove venivano confrontati,

sulla base di efficacia ed efficienza, i modelli a reti neurali e l’analisi discriminante di Altman (1968). Gli autori

utilizzarono come inputs gli stessi indicatori finanziari utilizzati dal citato articolo di Altman e ottenerono che con le reti

neurali l’accuratezza dei risultati era decisamente migliore.

In questa direzione vanno anche gli studi effettuati da Coats e Fant (1993) e Kerling e Podding (1994) che confrontano

le reti neurali con l’analisi discriminante multivariata (MDA).

Unico risultato in controtendenza risulta essere quello di Altman, Marco e Varetto (1994) che, invece, dimostrano la

superiorità dell’analisi discriminante lineare (ADL) rispetto alle reti. In particolare, gli autori ritengono l’ADL

superiore, in quanto, all’aumentare della complessità del fenomeno e quindi dell’architettura della rete, i risultati

economico-finanziari sono più trasparenti e facili da interpretare rispetto a quelli generati dalle reti. Dunque, Altman et

al. concludono che le reti neurali non sono in grado di dominare i modelli statistici a differenza dell’analisi

discriminante lineare. Ulteriore punto di debolezza, che viene individuato, è quello per cui con le reti neurali non

sempre è così semplice identificare quali sono le variabili significative per l’analisi del problema.

Kiviluoto (1998) invece, propone il confronto tra reti neurali SOM (Self-Organizing Map)34, l’analisi discriminante

multivariata ed il modello di rete LVQ (Linear Vector Quantization)35.

33 Un’epoca è un ciclo di aggiornamento completo di tutti i pesi, dando in input l’intero set di training. 34 Le caratteristiche delle reti SOM sono le seguenti e sono tratte dall’articolo di Kohonen, 1990:

• Una serie di neuroni ricevono input coerenti e calcolano una semplice funzione di output;

• Un meccanismo confronta gli output ottenuti dalla rete in modo da poter selezionare il neurone che produce l’output massimo;

Σ

bi

x1i

fini

w1i

w1ixRi

Oi

Generatore diErrore in Uscita Ti

Algoritmo diApprendimento

Ei = Ti - Oi

Teacher

Neurone i-esimo

116

Le conclusioni sono che il genere di rete SOM dà ottimi risultati nonché più accurati se confrontati con gli altri modelli.

Negli ultimi, la tendenza è quella di costruire dei modelli che sono il risultato dell’unione di due o più modelli.

In particolare, si tende ad utilizzare un modello statistico per il pre-processamento dei dati, come ad esempio, il logit o il

probit.

Un primo tentativo è stato fatto da Foster, Collopy e Ungar (1992) che confrontano la regressione lineare con le reti ed

in un secondo tempo combinano queste tecniche. Il risultato che si ottiene è che la seconda metodologia utilizzata

genera risultati migliori.

Bach et al. (1996) utilizzano gli algoritmi genetici per la selezione degli inputs da inserire in una rete multistrato. Il

confronto tra le reti neurali, la MDA e la regressione lineare fa risultare vincenti le prime.

Tuttavia, il principale lavoro svolto sulle reti neurali artificiali ibride è stato fatto da Lee, Han e Kwon nel 1996 in cui le

reti neurali vengono combinate con altre tecniche statistiche. I risultati empirici mostrano la potenza dei modelli ibridi

ed è in questa direzione che sono progrediti gli studi.

In questo articolo vengono confrontati 3 modelli ibridi di reti neurali, analisi discriminante multivariata e ID3.

Come mostrato nella tabella 5, il modello che meglio prevede l’insolvenza è il SOFM(MDA)-assisted NN36.

In particolare, ID3 e MDA vengono utilizzati, in questo studio, in fase di “preprocessamento37” dei dati, dunque il

modello vincente risulta tale perché attraverso la MDA si riescono a caratterizzare meglio gli inputs in ingresso nella

rete.

Sempre su questo tema, più recente è il working paper di Yim e Mitchell del 2002. Gli autori analizzano se due tipi di

rete ibride MLP possano generare risultati migliori dei modelli statistici tradizionali.

I due approcci utilizzati per creare i modelli ibridi sono stati i seguenti:

• Un’interazione locale tra il neurone selezionato e quelli vicini;

• Un meccanismo adattivo che aggiorni i pesi delle interconnessioni.

In questo modo, tutti i neuroni nello strato di input sono completamente interconnessi a quelli nello strato competitivo.

Questa tecnica trasforma i dati di input in una mappa che ne mantiene la disposizione costituita dai neuroni competitivi e si ottiene come risultato

che le somiglianze tra campioni sono mappate in relazione alla vicinanza sullo strato competitivo. 35 Questa metodologia è rappresentata da reti supervisionate sottoposte ad una fase di training durante la quale devono visionare vettori di input allo

scopo di classificarli correttamente. I vettori di input del set di training sono articolati in classi; per ogni vettore di input la classe di appartenenza

costituisce il target della rete. 36 Questo tipo di rete significa Self Organizing Feature Map e nasce dalla combinazione del modello SOM (Self Organizing Map) e LVQ (Linear

Vector Quantization).

Nell’articolo questa modellistica combina il modello supervisionato e non supervisionato in modo sequenziale. Così facendo, si riduce la non

regolarità all’interno dei dati. Inizialmente si applica il modello non controllato agli inputs, in modo da generare un determinato numero di clusters, e

poi lo stesso modello viene applicato ai singoli clusters. 37 Durante tale momento, viene definita una prima classificazione dei dati ed in particolare per la selezione delle altre variabili di input importanti da

utilizzare nelle reti neurali.

117

Utilizzare i modelli statistici per selezionare le variabili inputs per le ANN.

Utilizzare l’output, stimato in termini probabilistici, come inputs della ANN. A questo proposito, Chilanti (1993)

aveva già formulato un’ipotesi di questo tipo introducendo l’output di una rete come input della rete successiva. In

questo modo le reti risultano legate a cascata in senso markoviano.

Lavori più recenti utilizzano le Supporto Vector Machine (SVM) o modelli neuro-fuzzy per l’analisi del rischio di

insolvenza o per la classificazione delle imprese in classi di rating38.

Il modello presentato in questo lavoro ha come obiettivo quello della generalizzazione cioè di fare in modo di

addestrare la rete neurale su imprese di cui si conosce lo stato di salute affinché sia in grado di riconoscere se imprese

con stesse caratteristiche ma mai introdotte nella rete sono sane o meno.

I dati relativi alle imprese sono stati estratti dalla base dati DbComplex e sono gli stessi utilizzati dagli altri gruppi per la

verifica dei risultati del modello.

Di ognuna delle imprese selezionate, si conosce lo stato di salute: 0 per le aziende sane e 1 per quelle insolventi.

Il campione di dati utilizzato è costituito da 1312 imprese. Di ognuna di queste si conosce la salute operativa ed in

particolare 1049 sono sane (indicatore di “buona salute” = 0) e 263 fallite (indicatore di “cattiva salute” =1).

Nella successiva tabella (tab.1) viene fatto un elenco degli indicatori introdotti nell’analisi39.

Tabella 1: Variabili introdotte nel modello.

Var1 (Rimanenza finale Totale Attivo - Rimanenza iniziale Totale attivo) / Rimanenza iniziale Totale Attivo

Var2 (Rimanenza finale Fatturato - Rimanenza iniziale Fatturato) / Rimanenza iniziale Fatturato

Var3 (Rimanenza finale Valore Aggiunto - Rimanenza iniziale Valore Aggiunto) / Rimanenza iniziale Valore Aggiunto

Var4 (Rimanenza finale Totale Patrimonio netto - Rimanenza iniziale Totale Patrimonio netto) / Rimanenza iniziale Totale Patrimonio netto

Var5 (Rimanenza finale Margine operativo lordo - Rimanenza iniziale Margine operativo lordo ) / Rimanenza iniziale Margine operativo lordo

Var6 (Rimanenza finale Costi per servizi - Rimanenza iniziale Costi per servizi ) / Rimanenza iniziale Costi per servizi

Var7 (Rimanenza finale Valore della produzione - Rimanenza iniziale Valore della produzione ) / Rimanenza iniziale Valore della produzione

38 Chen W. H., Shih J. Y., A study of Taiwan’s issuer credit rating systems using support vector machines, Expert Systems with Applications 30

(2006), 427-435

Huang Z., Chen H., Hsu C. J, Chen W. H. Wu S., Credit rating analysis with support vector machines and neural networks: a market comparative

study, Decision Support System 37 (2004), 543-558. 39 L’estrazione del campione di imprese utilizzato è avvenuta a cura dell’Osservatorio Industriale delle Sardegna dal database DbComplex.

118

Var8 Utile dopo gli interessi e imposte / semisomma del patrimonio netto

Var9 Calcolato come il ROE % apportando una modifica in formula per eliminare i data missing

Var10 Struttura delle immobilizzazioni: quota percentuale espressa dalle immobilizzazioni materiali sul totale immobilizzato

Var11 Struttura delle immobilizzazioni: quota percentuale espressa dalle immobilizzazioni immateriali sul totale immobilizzato

Var12 Utile prima degli interessi e imposte / Semisomma del Totale attivo

Var13 Flusso di cassa autogenerato prima degli interssi e imposte / semisomma del Totale attivo

Var14 Valore aggiunto / semisomma del Totale attivo

Var15 Valore aggiunto / Valore della produzione

Var16 Utile prima degli interssi e imposte / Ricavi di vendita

Var17 Ricavi di vendita / semisomma del Totale attivo

Var18 Cash Flow prima degli interessi e imposte / Totale attivo

Var19 Rapporto tra attività a breve termine (crediti, scorte e liquidità) e passività correnti (conti correnti bancari, fornitori e diversi) : misura con riferimento al successivo esercizio la presumibile produzione di liquidità riconoscibile a dette poste

Var20 (Utile corrente -+ proventi ed oneri finanziari) / totale attivo

Var21 Cash Flow prima degli interessi e imposte / Passività correnti

Var22 (Attivo disponibile + esigibilità) / Totale attività

Var23 Esigibilità / Totale attivo

Var24 Totale passività / Totale attività

Var25 Oneri finanziari / Margine operativo lordo

Var26 Esigibilità / Totale passività

Var27 Passività consolidate / Totale passività

Var28 Totale passività / patrimonio netto

Var29 Calcolato come il Leverage apportando una modifica in formula per eliminare i data missing

Var30 Flusso autogenerato di capitale liquido prima degli interessi e delle imposte / Totale passività

Var31 Flusso autogenerato di capitale disponibile netto / Totale passività

119

Var32 Totale attività / Totale passività

Var33 Riserve / Totale attività

Var34 Attività disponibili / Esigibilità

Var35 Oneri finanziari / Margine operativo netto

Var36 Oneri finanziari / Totale passività

Var37 Scorte attive / Totale attività

Var38 Patrimonio netto / Totale attività

Var39 (Ricavi finanziari + Ricavi finanziari a breve termine) / Ricavi di vendita

Var40 (Scorte attive / Ricavi di vendita) * 365

Var41 Attributo che indica se l'impresa è sana o fallita

Nel modello sono stati introdotti gli stessi indicatori che sono stati utilizzati per gli altri due modelli meno le variabili 8,

9, 28 e 29, corrispondenti a ROE e Leverage e a loro elaborazioni, in quanto molte imprese non presentano questi

valori.

Nel modello sono dunque stati introdotti 29 inputs che individuano il primo strato della rete, formato da 29 nodi.

La rete utilizzata per l’analisi di questi dati è formata da 3 strati di cui il primo è rappresentato da 29 nodi di input,

quello nascosto da 5 e, infine, quello di output costituito da 1 solo neurone.

La funzione tra lo strato di input e lo strato nascosto è del tipo tansigmoide mentre quella tra lo strato nascosto e quello

di output è logsigmoide (fig.2).

120

Figura 2: Rappresentazione delle funzioni tansigmoide e logsigmoide

Fonte: Neural Network Toolbox User’s Guide- Matlab, 2003

Relativamente ai dati, sono state utilizzate due metodologie di preprocessing in modo da minimizzare la variabilità

degli stessi.

La prima analisi compiuta è stata quella di calcolare le norme di ogni impresa in modo tale da poter eliminare quelle

aziende che presentano alti valori di norma.

La norma è stata calcolata in base alla seguente formula:

222

21 ... nxxxnorma ++=

Secondo la quale vengono sommati al quadrato tutti gli elementi del vettore per estrarne in seguito la radice quadrata.

Nel grafico successivo (fig.3) è possibile vedere come vi siano parecchie imprese la cui norma è molto alta (imprese

corrispondenti agli spike).

121

Figura 3: Spike esistenti nelle norme delle imprese

A questo punto, si à deciso di eliminare tutte quelle imprese che hanno ottenuto un valore di norma pari o superiore a

200040. Attraverso questo processo il numero di imprese è sceso a 987 per il set di training. Nella figura successiva

(fig.4) è possibile vedere che non ci sono più spike molto grossi; infatti, tutte le imprese selezionate hanno norma

inferiore a 2000.

In questo modo è stata creata la nuova matrice di allenamento a cui è stata applicata la cluster analysis per fare in modo

che le imprese introdotte nel training set fossero le più rappresentative del proprio gruppo. Anche per questo motivo si è

deciso di non eliminare troppe imprese con l’analisi della norma.

La cluster analysis fatta in questo caso viene applicata ai dati di ogni raggruppamento, in modo da eliminare da ogni

gruppo le imprese che presentano caratteri diversi.

Sostanzialmente, vengono ordinati i dati di tutte le imprese sane e separatamente di tutte quelle in default. Una volta

ordinate, vengono calcolate le distanze tra valori adiacenti e queste vengono memorizzate in un vettore. L’algoritmo

esamina il vettore delle distanze e trova quelle che superano la deviazione standard.

In questo modo x vicini risultano avere distanze piccole, come ad esempio g1 e g2, mentre x lontani risultano avere

distanze grandi, come g3 (fig.5). Nell’esempio in figura 5 g3 supera la deviazione standard quindi viene creato un

vettore di indici che indicano dove spezzare il vettore dei dati, nell’esempio in 3.

Quindi avremo x1, x2, x3 appartenenti al primo cluster e x4, x5, x6 al secondo gruppo.

40 Si ricorda che i dati non sono stati normalizzati prima della fase di preprocessamento.

122

Figura 4: Norme delle imprese rimanenti dopo la prima selezione basata sulla norma

Figura 5: Esempio su come lavora l’algoritmo di clustering

Dopo aver calcolato la deviazione standard, vengono spezzati i cluster che contengono elementi la cui distanza è

superiore alla deviazione standard, moltiplicata per una variabile impostabile a piacere dall’utente.

In seguito, sono eliminati, per ogni fascia, i cluster troppo piccoli in quanto non rappresentano bene il gruppo ed in

particolare sono eliminati quei gruppi che contengono una sola impresa.

A questo punto, dopo aver eliminato le imprese troppo diverse, il training set consta di 165 elementi, di cui 122 sani e

43 insolventi.

Una volta ottenuta la nuova matrice di dati da inserire nella rete neurale, questi vengono standardizzati tra -1 e +1, in

modo che siano pronti ad entrare nella rete neurale.

123

Per quanto concerne il modello neurale, è stata utilizzata una rete feed-forward con algoritmo della back propagation, la

cui struttura è stata spiegata in precedenza.

Per ottenere risultati migliori ed evitare il problema dell’overfitting cioè della superspecializzazione della rete sono state

utilizzate due tecniche: early stopping che garantisce che la funzione d’errore della rete converga a un minimo globale

anziché locale e la cross validation che viene fatta affinché la rete sia in grado di classificare set di dati in entrata che

non partecipano alla fase di training.

Inoltre, è stato implementato un algoritmo che ha permesso di calcolare la soglia ottima, cioè quella confine che genera

un numero di errori inferiore.

In particolare, è stato stabilito che:

se xì ≤ soglia, allora xi diventa 0;

se xì > soglia, allora xi diventa 1.

Dove xi rappresenta l’output empirico della rete.

In questo modo sull’output della rete sono stati calcolati due tipi di errori:

di primo tipo: la rete stima non sana un’impresa che invece è sana;

di secondo tipo: la rete stima sana un’impresa che invece non lo è.

La somma di questi due errori genera l’errore totale della rete e questo dice se il modello è stato in grado di classificare

correttamente le imprese o no.

Nella successiva figura (fig.6) vengono mostrati gli output empirici (indicatore blu), i target (indicatore rosso) e anche

la soglia (riga orizzontale verde) ottenuta attraverso il modello.

124

Figura 6: Output empirici, target e soglia ottima

Facendo girare tre volte il modello, attraverso la cross-validation, si ottiene un valore medio d’errore percentuale pari a

6.89%, mentre la soglia che genera un numero di errori inferiore è 0.394.

Questo ci consente di dire che il modello è stato in grado di classificare correttamente le imprese commettendo, grazie

alla soglia ottima, un errore percentuale medio pari all’6.89%.

Per testare ancora il risultato ottenuto dal modello, è stata fatta la cluster analysis sulla matrice di attivazione che è

formata dal prodotto tra la matrice degli input e la matrice dei pesi. Questa grandezza rappresenta la matrice di input

pesata in base alla regole estratte dalla rete. Come risultato sono stati ottenuti due gruppi principali che rappresentano

proprio le imprese sane e le imprese non sane.

Il gruppo 1 è formato da tutte imprese di tipo 0, mentre il cluster 2 è rappresentato da aziende di tipo 1.

La cluster analysis fatta sulla matrice di attivazione dell’impresa fa in modo che i risultati siano testati.

Se non ci sono gruppi omogenei corrispondenti alle classi utilizzate per la classificazione, significa che la rete non ha

svolto un buon compito.

Tuttavia, è possibile notare (fig.7) che la rete ha compiuto un ottimo lavoro, riuscendo a classificare correttamente la

maggior parte delle imprese.

125

Figura 7: Cluster analysis sulla matrice di attivazione

98

273

12

4111

1

2

3

4

5

6

7

8

Infine, dunque, si può vedere come la rete neurale sia un modello in grado di analizzare il problema dell’insolvenza, pur

commettendo un margine di errore di poco meno del 7%.

Tale difficoltà nella classificazione può essere ravvisabile nel ridotto numero di input che sono stati utilizzati per

allenare la rete.

Sicuramente, risultati migliori si possono ottenere combinando insieme diverse metodologie di analisi, sia nella fase di

preprocessamento che in quella di classificazione vera e propria.

Tuttavia, per confrontare i risultati raggiunti con quelli ottenuti dagli altri due modelli presentati, è stato utilizzato

l’indice ROC che come si può vedere dalla figura successiva (fig.8), decreta miglior modello nella determinazione della

probabilità di default il MEU.

Figura 8: ROC index sui tre modelli

126

Bibliografia

Altman E.I., 1968, “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”. Journal of

Finance 23, 589-609.

Altman E.I., Marco G., Varetto F., 1994, “Corporate distress diagnosis: Comparisons using linear discriminant

analysis and neural networks (the italian experience)”, Journal of Banking and finance, 18, pp. 505-529.

Back B., Laitinen T., Sere K., 1996, “Neural networks and genetic algorithms for bankruptcy predictions”, Expert

Syst. Appl., pp. 407–413.

Chen W. H., Shih J. Y., 2006, A study of Taiwan’s issuer credit rating systems using support vector machines,

Expert Systems with Applications 30, 427-435

Chilanti M., 1993, “Analisi e previsione delle insolvenze: un approccio neurale”, Finanza Imprese e Mercati, 3.

Coats P., Fant L., 1993, “Recognizing financial distress patterns using a neural network tool”, Financial

Management, vol. 22, pp. 142–155.

Foster W. R., Collopy F., Ungar L. H., 1992, “Neural network forecasting of short, noisy time series”, Computers

in Chemical Engineering, 16, 4, pp. 293-297.

Huang Z., Chen H., Hsu C. J, Chen W. H. Wu S., 2004, Credit rating analysis with support vector machines and

neural networks: a market comparative study, Decision Support System 37, 543-558. Kerling M., Poddig T., 1994, “Klassifikation von Unternehmen mittels KNN“, in Neuronale Netze in der

Ökonomie, H. Rehkugler and H. G. Zimmermann, Eds. München, Germany.

Kiviluoto K, 1998, “Predicting bankruptcies with the self-organizing map”, Neurocomputing, vol. 21, pp. 191–201.

Lee K. C., Han I., Kwon Y., 1996, “Hybrid neural network models for bankruptcy predictions”, Decision Support

Systems, 18.

Odom M., Sharda R., 1990, “A neural network model for bankruptcy prediction”, in Proc. Int. Joint Conf. Neural

Networks, San Diego, CA.

Yim J., Mitchell H., 2002, “A comparison of corporate failure models in Australia: Hybrid neural networks, logit

models and discriminant analysis”, School of Economics and Finance, WP No. 10.

127

Modelli predittivi dell’insolvenza: il modello MEU evoluto (maximum expected utility)

Partecipanti: Dipartimento di Economia e Tecnica Aziendale e Dipartimento di Ingegneria Meccanica – Università

degli studi di Trieste

A cura di: Valentino Pediroda, Daria Marassi

Schema del lavoro

1. Il rischio di default –presentazione del problema

1.1 Il quadro applicativo

2. La quantficazione del rischio d’insolvenza

2.1. I modelli per lo studio del rischio di credito proposti in letteratura

2.2. Considerazioni finali sul rischio d’insolvenza

3. Le basi teoriche del modello per lo studio del rischio d’insolvenza

4. Modello predittivo del rischio d’insolvenza sviluppato: MEU – Maximum Expected Utilità

4.1. Il prcesso di sviluppo del Modello MEU – Maximum Expected Utilità

4.2. Raccolta dei dati

4.3. Costruzione del campione stratificato

4.4. Cluster analysis per la definizione dei settori produttivi

4.5. Analisi di correlazione

4.6. Selezione degli indicatori predittivi del rischio di default

4.6.1. Parametro t-Student

4.6.2. Default Frequency

4.6.3. SOM – Self Organizing Maps

4.7. MEU Maximum Expected Utilità

4.7.1. Modello logit - LLR

4.7.2. Modello probit - LPR

4.7.3. Modelli misti logit e probit

4.7.4. …Un modello che tratti anche le iterazioni tra variabili…

4.7.5. Il modello MEU

4.7.6. Test numerico

4.7.7. I risultati del modello MEU

5. Conclusioni

1. Il rischio di default –presentazione del problema

Il problema della valutazione del merito di credito, nell’ambito delle scienze economiche, abbraccia una molteplicità di

differenti aspetti, che esprimono le diverse sfaccettature specifiche in cui è possibile scindere il rischio di credito.

128

Il problema di fondo che ci si è posti nel presente lavoro definisce il concetto di rischio di credito quale rischio di

insolvenza (o default risk) nell’ambito dello studio del rischio d’impresa.

Il rischio d’impresa che pur si struttura canonicamente in rischio operativo, finanziario e di default non può che essere

considerato nei vari aspetti tra loro correlati, poiché è evidente che il rischio operativo e quello finanziario già nel medio

periodo si aggravano a vicenda, e portano alla manifestazione concreta del rischio di default o vera e propria insolvenza.

La definizione del rischio d’insolvenza non è univoca. La letteratura riporta molte sfaccettature sull’argomento che

volta per volta tendono alla sua definizione. In generale, si tratta del rischio che l’obbligato non riesca o non voglia

ottemperare alle obbligazioni assunte nei confronti delle controparti, in termini di rimborso sia degli interessi sia del

capitale (per esempio si pensi al caso specifico delle obbligazioni).

In questo lavoro si è pervenuti alla considerazione del rischio d’insolvenza come quel rischio per l’impresa di non

riuscire a far fronte alle proprie obbligazioni entro un tempo tecnico prefissato.

Poiché nel caso dell’analisi condotta, ovvero quella relativa alla costruzione di un modello per lo studio dello stato di

salute dell’azienda basato sull’uso di dati di bilancio, si elabora una definizione di rischio d’insolvenza ampia e

prudenziale espressa in termini temporali dell’esercizio contabile. Questa concessione del rischio d’insolvenza porterà

nel proseguo del lavoro a considerare tutte quelle imprese che, non solo sono in stato di liquidazione o fallite, ma anche

che presentano segnali di elevata vulnerabilità, ovvero presentano all’interno dei propri conti situazioni patologiche

considerevoli per le quali, la solvibilità finanziaria è ritenuta scarsa o nulla.

1.1. Il quadro applicativo

Quattro fattori spingono verso una forte evoluzione dei processi di gestione del rischio di credito:

a. lo sviluppo teorico ed applicativo delle logiche di credit risk management,

b. il cambiamento in atto della normativa di vigilanza,

c. l’estensione del ripensamento delle logiche di gestione del rischio di credito dal profilo del portafoglio

management ai processi di selezione e di pricing individuali,

d. i primi segnali di trasformazione della natura dell’attività di prestito delle banche.

L’introduzione delle logiche del credit rating, ovvero della classificazione di un prenditore o di una specifica operazione

(nell’ambito bancario e non solo) in una o più classi di rischio creditizio predefinite in modo contiguo e ordinale,

normalmente espresse in lettere o numeri, rappresenta il momento chiave di tale evoluzione.

L’applicazione del rischio di credito delle intuizioni concettuali, metodologiche e operative sviluppatesi in questi ultimi

anni nell’ambito del financial risk management richiede un tassello preliminare fondamentale: l’allocazione dei debitori

o delle operazioni di credito in classi di rating.

129

2. La quantficazione del rischio d’insolvenza

I rating rappresentano “una valutazione del rischio di perdita conseguente all’insolvenza di una controparte, basata su

informazioni quantitative e qualitative… Le esposizioni appartenenti a ogni classe sono tratte come caratterizzate da

perdite specifiche e misurabili… Un sistema di rating comprende dunque, l’insieme degli elementi che giocano un ruolo

nel processo, inclusi i concetti di perdita e le relative misure, la metodologia per valutare il rischio, le responsabilità

degli operatori, le funzioni di uso dei rating prodotti”41.

In sintesi, i rating sono indicatori di misura discreti della probabilità di default o di perdita.

In conseguenza della definizione di rating adottata, e della conseguente separazione delle metodologie di

determinazione dei rating dalla modalità di espressione del livello del rischio di credito atteso, si deve affermare che le

alternative metodologiche possibili per assegare il rating sono estremamente variegate.

L’obiettivo del presente lavoro, comunque, è pervenire alla costruzione di un modello appartenente alla classe dei

modelli di regressione non lineare con il quale definire il livello di rischio di credito. Ciò in quanto si ritiene che una

possibile strada per la soluzione del problema della valutazione del rischio d’insolvenza per un’impresa rientri,

nell’ambito delle scienze statistico-economiche, nella classe dei modelli in cui una serie di variabili indipendenti

(indicatori e valori contabili non correlati tra loro) possa spiegare una variabile dipendente (nel nostro caso l’evento

di default).

Perché si possa affermare ciò si è provveduto ad un analisi critica delle diverse metodologie proposte in letteratura, al

fine anche di comprendere l’indirizzo dei diversi autori.

2.1. I modelli per lo studio del rischio di credito proposti in letteratura

I modelli analizzati nell’ambito dello studio del rischio di credito, proposti in letteratura, mirano alla quantificazione del

rischio d’insolvenza con la contemporanea definizione del livello di accuratezza delle previsioni. In particolare le

metodologie statistiche studiate si suddividono in:

♦ modelli di analisi univariata,

♦ modelli di analisi multivariata.

Mentre i primi appaiono limitati e dunque scarsamente utilizzati, i secondi risultano essere in continua evoluzione e

perfezionamento. Più del 45% circa di tali modelli esaminati utilizza l’analisi discriminante multipla (MDA) per la

previsione del rischio d’insolvenza, un altro 34% circa preferisce l’analisi logit, seguono le altre metodologie con

percentuali molto più basse.

41 Comitato di Basilea per la vigilanza bancaria (2000c)

130

Le tecniche diagnostiche che si riconnettono ai sistemi esperti di intelligenza artificiale, tra cui vengono ricompresi gli

applicativi di reti neurali, gli algoritmi genetici, sono definibili non parametriche, non lineari, e prescindono dalle

funzioni prettamente statistiche e probabilistiche, applicando algoritmi e funzioni di utilità appartenenti ad altre

discipline di indagine come l’ingegneria e la genetica.

Il lavoro di analisi delle metodologie utilizzate nello studio del rischio d’impresa (inteso in senso ampio) ha posto

attenzione sulle diverse classi di modelli di previsione, che presentano caratteristiche estremamente differenziate tra

loro. Per queste è tuttavia possibile proporre alcune considerazioni di ordine generale, valide per tutti i modelli, in

relazione all’effetto che alcune scelte metodologiche possono indurre sull’efficacia degli strumenti utilizzati e sul

conseguimento dei risultati (per esempio il dimensionamento dei campioni e la percentuale di imprese sane rispetto a

quelle malate etc…)

Nelle applicazioni considerate coesistono, fondamentalmente, due tendenze di costruzione dei campioni di allenamento

e validazione (o crossover):

♦ nella prima gli autori (tra cui rientra la Centrale dei Bilanci) rispettano una proporzione 50 % a 50 % tra

imprese sane e imprese a rischio

♦ nell’altra tendenza la dimensione del campione delle aziende sane è differente da quella delle aziende a

rischio o non è contenuta nella pubblicazione studiata.

Teoricamente l’evidenza della superiorità di una di queste tecniche non esiste, ma in pratica, rispettare la stessa

proporzione ha condotto le sperimentazioni verso risultati che presentano livelli d’errore inferiori.

Se infatti si considerano gli errori di primo tipo ossia le imprese a rischio erroneamente considerate sane e quelli di

secondo tipo rappresentati dalle imprese sane erroneamente considerate a rischio emergono i seguenti risultati42:

♦ gli errori di primo tipo oscillano, nel caso di campione con uguale proporzione (50% sane e a rischio),

all’interno del range compreso tra 5,26% - 13,51%, nel caso di una proporzione diseguale (diverso da 50%)

in un intervallo tra 3,77% e 33,00%.

♦ mentre gli errori di secondo tipo (imprese sane stimate per insolventi) variano da 0 fino a 16,22%, contro un

range compreso tra 0 – 17,00%.

Un altro aspetto delle metodologie analizzato ha riguardato la presenza o meno di un test sul campione.

È evidente che i risultati di previsione di qualsiasi lavoro empirico valgono di più in presenza di un test sul campione.

Ciò nonostante soltanto il 25% circa degli studi ha utilizzato un test sulle aziende per verificare le previsioni avanzate.

Questo punto debole delle diverse metodologie utilizzate al fine dello studio del default è uno degli aspetti indagati da

diversi studiosi tra cui dagli economisti Aziz m. Adnan e A. dar Humayon (2002).

42 Aziz m. Adnan e A.Dar Humayon, Predicting corporate bankruptcy: whither do we stand?

131

Al fine d’incrementare la perfomance di un modello, alcuni autori ad esempio il Barontini suggeriscono di definire con

estrema precisione le caratteristiche delle imprese considerate, selezionando ad esempio, società appartenenti ad uno

specifico settore o alla stessa classe dimensionale.

La scelta degli indici di bilancio da inserire in un modello non è un problema di facile soluzione. Si deve, infatti, tener

conto degli aspetti fondamentali della gestione individuando indicatori non eccessivamente correlati tra loro, evitando

inoltre di assegnare un peso elevato a variabili legate ad una particolare situazione congiunturale.

Convenzionalmente gli studi sulla previsione del rischio d’insolvenza hanno utilizzato indici di bilancio per prevedere il

fallimento aziendale selezionandoli, non sulla base di una teoria economica della crisi d’impresa, ma considerando i

risultati ottenuti da altri studi o applicando preventivamente un’analisi univariata o una procedura del tipo stepwise

backward o forward. Il 73% circa degli studi esaminati impiega indici contabili come variabili esplicative, mentre solo

il 18% circa utilizza anche indicatori di mercato.

Il lavoro di Choong Nyoung Kim, Sang – Gyung Jun, Kinsun Tan costruisce il modello delle reti neurali avvalendosi

inizialmente solo dei dati contabili, in una seconda applicazione dei dati di mercato e in un’applicazione finale di

entrambe le tipologie di dati. Il risultato migliore è ottenuto con i dati combinati.

Amir F. Atiya ha sviluppato un modello di previsione introducendo nuovi indicatori tratti dal mercato in aggiunta a

quelli tradizionali con un miglioramento significativo nella precisione (da 81,46% a 85,5% per una previsione

dell’evento tre anni prima)43.

Gli indicatori maggiormente usati sono quelli che evidenziano la struttura finanziaria dell’impresa.

L’ultimo argomento trattato nell’analisi della bibliografia sul tema è stato quello della valutazione in termini di

accuratezza dei modelli proposti.

I dati relativi alle previsioni non sono omogenei in tutti i lavori. In alcune ricerche sono riportati gli errori di I tipo

(ossia le imprese insolventi stimate per sane) e quelli di II tipo (imprese sane stimate per insolventi), in altre si distingue

tra errori nel Training set ed errori nel Validation Set, o si parla di accuratezza complessiva del modello.

Nel modello Zeta applicato da Altman l’analisi discriminante ha un’accuratezza di previsione, un anno prima

dell’evento, pari al 92,58%, e nel Modello Z Score l’accuratezza è maggiore pari al 95%44.

Nel paper di Back Barbro e Laitinen Teia sono applicate tre diverse tipologie di modelli, l’analisi discriminante

raggiunge una percentuale di accuratezza pari al 85,14%, la logit ottiene il 96,49% ed infine le Reti Neurali presentano

il 97,3%.

43 Adya M., Collopy F., How effective are neural networks at forecasting and prediction? A review and evaluation, Journal of forecasting, 17, 481-

495, 1998

44 Altman Edward I., Predicting financial distress of companies: revisiting The Z- Score and Zeta Models, 2000

132

2.2. Considerazioni finali sul rischio d’insolvenza

I lavori analizzati coprono un periodo di pubblicazione dal 1968 al 2003.

I modelli maggiormente impiegati nelle previsioni del rischio d’insolvenza sono quelli statistici, in particolare l’analisi

discriminante multipla e la logit. Singolarmente, l’analisi discriminante è usata con più frequenza, seguita dall’analisi

logit.

La tendenza predominante è quella di non utilizzare un test sul campione per verificare le previsioni realizzate.

La maggioranza degli studi utilizza solo indicatori di bilancio come variabili esplicative, vengono impiegati soprattutto

indici che evidenziano la struttura finanziaria di un impresa.

Nonostante lo sforzo dedicato di più di 35 anni, la comunità di ricerca tende ancora ad essere in disaccordo su quale

particolare approccio o modello sia più utile per il caso di previsione del rischio d’insolvenza aziendale.

Volendo effettuare una descrizione della modellistica analizzata è necessaria una prima suddivisione che caratterizza

modelli ad approccio strutturale oppure statistico (o empirico). Il primo modellizza le dinamiche dei tassi d’interesse e

le caratteristiche aziendali per ottenere una probabilità di default, secondo una logica reattiva agli eventi che

coinvolgono l’impresa.

Il secondo stima la probabilità di default in relazione alle caratteristiche d’impresa attraverso l’apprendimento di dati.

I modelli Rating System sono quelli che le agenzie di rating utilizzano per analizzare la qualità del credito della singola

impresa, in virtù di fattori quantitativi e qualitativi ad essa relativi. L’opinione sul credito consiste in una dichiarazione

sul livello di LGD (Loss Given Default) e di DP (Default Probability). Generalmente le classi di rating rispecchiano

l’affidabilità e la classe di rischio nella quale l’azienda è collocata.

White nel 2002 ha identificato 37 agenzie di rating con sede legale fuori dagli Stati Uniti. Ciascun sistema ha una sua

logica interna in relazione a differenti modalità di valutazione e di assegnazione del rating ed in relazione al peso che

ciascun fattore riveste all’interno di questo. Sebbene tutti i processi constano di un’istruttoria preliminare, di una analisi

qualitativa in relazione all’assetto competitivo e dell’analisi di bilancio. Questi modelli non sono segnaletici della

tendenza al default in quanto la decisione di variazione della classe di rating è attuata solo quando la variazione del

merito di credito è molto alta.

Mester (1997) rileva che il 97 percento delle banche usano il credit scoring nell’analisi di concessione delle carte di

credito, mentre il 70 percento delle banche lo utilizzano nella concessione di prestiti.

Ci sono quattro forme metodologiche dei modelli multivariati di credit scoring: modelli probabilistici lineari, modelli

logit, modelli probit, e modelli di analisi multidiscriminante.

Tutti questi modelli identificano variabili finanziarie che hanno notevole significatività statistica nel differenziare le

società insolventi da quelle solventi. All’ottenimento dei parametri, ai prestiti è assegnata un punteggio che li classifica

in buoni o cattivi. Lo Z-score a sua volta può essere convertito in una probabilità di default.

133

Le insufficienze di questa tipologia di modelli sono relative alla limitatezza dei dati e alle assunzioni di linearità.

L’analisi discriminante misura una funzione lineare di esplicazione delle variabili sui dati storici del default. Le variabili

esplicative sono sostanzialmente limitate a dati di bilancio, tali dati sono aggiornati meno frequentemente dei dati

disponibili sul mercato.

I credit scoring cercano di sfruttare la capacità previsiva insita nella relazione statistica empiricamente registrata tra un

valore in un dato momento degli indici di bilancio e lo stato di default del periodo successivo, in genere un anno.

Un limite sostanziale è che non sono fondati su una teoria economica forte che giustifichi la loro validità ma solo di tipo

empirico; mancano le relazioni di causalità tra condizione finanziaria dell’azienda e stato di default; vi è inoltre una

impostazione backward looking, l’uso dei dati storici non consente di scontare le aspettative di evoluzione futura

dell’azienda, limitando la capacità previsionale del modello e il passaggio allo stato di default non è definito in maniera

univoca tra i diversi modelli.

I modelli letteralmente tradotti come i moderni metodi per la misura del rischio fanno parte della più grande categoria

definita forward looking che consta sia modelli a Term Structure descritti da Jonkart (1979), Iben, Litterman (1989),

che si basano sulla struttura a termine dei tassi d’interesse e utilizzano quasi unicamente dati provenienti dai mercati

finanziari e modelli Option Pricing che utilizzano sia dati aziendali che dati di mercato. I modelli Option Pricing sono le

moderne metodologie di misura del rischio di credito che, secondo una serie di caratteristiche, vengono suddivisi in

modelli di prima generazione, modelli di seconda generazione e modelli in forma ridotta. Vengono considerate diverse

metodologie per realizzare la stima della probabilità di default, per ognuna delle quali vi è la specificazione di quattro

elementi quali la forma e parametri del processo che descrive la dinamica del valore dell’impresa, la probabilità di

default, il recovery rate in caso di default e il metodo di stima dei parametri del modello

Tuttavia, particolare rilievo hanno assunto, negli ultimi anni, i modelli che utilizzano le reti neurali che fanno parte dei

sistemi complessi. Queste ultime, infatti, risultano essere molto utilizzate in letteratura per la risoluzione di problemi

legati al rischio insolvenza. Questa tecnica viene utilizzata nella pratica comune per analizzare diversi fenomeni e

risolvere svariati problemi, come si attesta nel libro “La misurazione e la gestione del rischio di credito. Modelli,

strumenti e politiche”, edito da Bancaria editrice, a cura di Sironi e Marsella (1998). Secondo tale testo, le reti neurali

artificiali vengono utilizzate per il software di apparecchi fotografici e di ritocco immagini, di sonar e radar. Non solo le

reti vengono utilizzate anche nella previsione del tempo e ampiamente nella robotica.

Tuttavia questa modellistica presenta alcuni punti di debolezza che sono dovuti alla presenza di un gran numero di

parametri da stimare all’interno del modello.

Un primo problema che è necessario affrontare è quello dell’orizzonte temporale. Le reti neurali non necessitano di

serie storiche ma come attesta Atyia (2001) le reti sono in grado di prevedere lo stato di insolvenza delle imprese con

dati relativi ai due anni precedenti l’evento. Oltre i due anni, tale tecnica non è più in grado di dare risultati previstivi

soddisfacenti. Dunque un primo problema risulta essere il fatto per cui la rete non è in grado di fare previsioni di “lungo

periodo”. Inoltre nello stesso testo viene posto un ulteriore problema che è quello delle variabili da introdurre come

input. Anche in questo caso non vi sono regole per determinare le variabili rilevanti ma solo tentativi da effettuare.

134

Un ulteriore problema affrontato in letteratura è la dimensione del campione e la sua composizione. Una rassegna

interessante dei diversi campioni utilizzati è stata fatta da Adya e Collopy (1998) che fanno un confronto sui diversi

modelli utilizzati per affrontare il problema della previsione dell’insolvenza e sui campioni utilizzati. Dunque un

ulteriore punto centrale di analisi è quello della costruzione di un adeguato campione.

Il dibattito che però ha assunto sempre più importanza è quello relativo alla struttura del modello stesso di rete neurale

da utilizzare e al confronto tra la tecnica neurale e le altre utilizzate per la risoluzione del problema del default

aziendale.

Per quanto riguarda il secondo problema, sono molteplici le metodologie con cui si affronta il problema dell’insolvenza.

Nella quasi totalità dei testi analizzati le reti neurali risultano sempre la metodologia vincente (ad esempio: Hill,

Marquez e O’Connor, 1993, Yim e Mitchell,2002). Completamente in contro tendenza, l’articolo di Altman, Marco e

Varetto, “Corporate di stress diagnosis: comparisons using linear discriminant analysis and neural networks (the italian

experience)”, mette in evidenziata la superiorità dell’analisi discriminante sostenendo che quest’ultima è vincente nel

caso in cui il problema da risolvere si complichi a tal punto da richiedere una rete molto complessa.

Per quanto riguarda invece il problema del modello direte da utilizzare sembra che si sia trovato un punto di accordo

sulla struttura feed forward con backpropagation. Tuttavia accanto agli utilizzatori di questo modello vi sono anche

coloro, ed è la via da seguire nel futuro, che uniscono la rete neurale ad altri modelli. In questo caso si possono

richiamare in causa i lavori di Yim e Mitchell (2002) e di Chang Lee, Han e Kwon (1996). In entrambe i lavori si

evidenzia come l’unione dei modelli di reti neurali con l’analisi discriminante sia la risposta migliore per la risoluzione

del rischio di insolvenza.

In generale l’utilità di un modello dipende dall’obiettivo perseguito dalla ricerca e dalle caratteristiche delle

distribuzioni a disposizione degli analisti.

135

3. Le basi teoriche del modello per lo studio del rischio d’insolvenza

Il problema di natura statistica della determinazione del rischio d’insolvenza di un’impresa può essere definito in

termini numerici come la ricerca della probabilità condizionata p(y|x)=Prob(Y=1|x), dove x rappresenta le variabili

libere del problema (nel nostro caso gli indici di bilancio che sono predittivi del default, gia scremati con metodologie

statistiche quali t-Student, Default Frequency e Self Organizing Maps). Y è la variabile aleatoria che rappresenta la

probabilità di default, Y∈{0,1} dove (Y=1) per le imprese in default e (Y=0) per quelle non in default nell’intervallo di

tempo considerato.

Come si può osservare il problema esaminato può essere affrontato con le note metodologie ricavate della teoria del

Statistical Learning45. Tra i metodi più utilizzati si possono ricavare essenzialmente le metodologie di regressione

logistica (Fitting Logistic Regression Model) e più recentemente reti neurali e Support Vector Machines.

Queste metodologie, pur rappresentando un ottimo modello numerico per affrontare il problema in esame, soffrono del

fatto di non avere una base di provenienza finanziaria. Ad ovviare questa lacuna, recentemente è stato presentato un

nuovo modello numerico chiamato MEU (Maximum Expected Utily). Questa metodologia, sviluppata da Standard &

Poor’s presso il gruppo di ricerca per il rischio, prende origine da un’interpretazione economica che misura la qualità

del modello in termini finanziari, ottenendo perciò un chiaro miglioramento conoscitivo rispetto le metodologie

puramente statistiche menzionate precedentemente.

L’idea base della metodologia è cercare una misura di probabilità che massimizza la funzione utilità di un investitore

sui dati futuri; un’ipotesi è che l’investitore sceglierà la strategia di investimento che massimizza la propria utilità

rispetto un modello a cui crede. L’approccio MEU di conseguenza ricercherà asintoticamente questo risultato

selezionando di volta in volta il modello che massimizza la funzione utilità sui dati non noti o sconosciuti (quelli non

conosciuti dal modello, normalmente denominato cross-validation set).

L’aspetto interessante della metodologia è che la massimizzazione della qualità del modello numerico non è

semplicemente mono-obiettivo, ma multi obiettivo: contemporaneamente (secondo un approccio di Pareto) si cercherà

la consistenza con i dati (set di dati conosciuti, normalmente denominato training set) e con la misura di probabilità a

cui l’investitore crede prima di conoscere i dati. Il peso relativo tra i due obiettivi viene parametrizzata con un

parametro α definito dall’utente.

45 La teoria del Statistical Learning gioca un ruolo fondamentale nei settori della statistica, del data mining e

intelligenza artificiale, interagendo con le aree dell’ingegneria e altre discipline.

136

4. Modello predittivo del rischio d’insolvenza sviluppato

MEU – Maximum Expected Utility

Il modello predittivo per lo studio del rischio d’insolvenza sviluppato denominato MEU – Maximun Expected Utility

analizza le società di capitali italiane al fine di determinarne il loro grado di rischiosità in termini di probabilità di

default.

L’output che genera è la probabilità di un azienda di essere classificata nella categoria delle aziende insolventi in base ai

suoi dati contabili (dati di bilancio).

La definizione di probabilità di default dell’impresa utilizzata è quella di rischio dell’impresa di non riuscire a far

fronte ai propri impegni finanziari nel corso di un esercizio contabile.

Il rating, come gia analizzato, ha lo scopo di evidenziare il merito creditizio del debitore, in modo rigoroso e

trasparente, mediante la valutazione di una serie di fattori di rischio concernenti l’attività e le caratteristiche del debitore

stesso.

L’analisi della probabilità di default (come sopra definita) conduce a determinare la classe di rating di ogni azienda

trattata. L’obiettivo fondamentale in un modello di studio di default è di pervenire alla definizione del rischio

d’insolvenza.

Il processo di attribuzione della classe di rating (sviluppata nel presente lavoro) si attiva per mezzo dell’associazione del

rischio di defaut calcolato, sulla base del modello previsivo costruito, con la matrice di migrazione delle classi di rating

ad un anno pubblicata dall’agenzia di rating internazionale Standard’s and Poor’s.

Matrice di migrazione ad un anno (Standard and Poor’s) Classe di rating di arrivo

Probabilità di migrazione nella classe di rating ad un anno (%) AAA AA A BBB BB B CCC DEFAULT

AAA 93,66% 5,83% 0,40% 0,08% 0,03% 0,00% 0,00% 0,00%

AA 0,66% 91,72% 6,94% 0,49% 0,06% 0,09% 0,02% 0,01%

A 0,07% 2,25% 91,76% 5,19% 0,49% 0,20% 0,01% 0,04%

BBB 0,03% 0,25% 4,83% 89,26% 4,44% 0,81% 0,16% 0,22%

BB 0,03% 0,07% 0,44% 6,67% 83,31% 7,47% 1,05% 0,985

B 0,00% 0,10% 0,33% 0,46% 5,77% 84,19% 3,87% 5,30%

CCC 0,16% 0,00% 0,31% 0,93% 2,00% 10,74% 63,96% 21,94%

Cla

sse

di r

atin

g or

igin

ale

DEFAULT 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 100,00%

La tabella di cui sopra riporta le probabilità di migrazione tra le classi di rating degli esercizi 1981-2000. I dati sono

corretti per i rating withdrawals. Fonte: Standard and Poor’s.

La modellizzazione del rischio qui ricercata si configura in particolare nell’ambito del nuovo accordo dal Comitato di

Basilea, sottoscritto dai governatori delle banche centrali (tra cui la Banca d’Italia) è diretto ad assicurare la stabilità del

137

sistema economico e finanziario. In particolare disciplina in modo uniforme le modalità di determinazione del livello

minimo di patrimonio di vigilanza degli Istituti di Credito. Il patrimonio di vigilanza delle banche risulta così

dipendente dal rischio di credito degli affidamenti concessi.

Per le banche rappresenta uno strumento che va ad integrare, non a sostituire, le relazioni di clientela che continuano a

rappresentare un punto di riferimento importante attorno al quale ruotano tradizionalmente i rapporti banca/impresa.

Tuttavia i criteri introdotti con l’accordo di Basilea 2 mirano ad avviare il sistema verso procedimenti valutativi di tipo

oggettivo e trasparente circa il problema della copertura del rischio di credito sulle esposizioni. Come già detto, Basilea

2 spinge le banche ad avere più attenzione ai problemi delle imprese investendo in maniera efficiente in politiche di

approvvigionamento dei dati sul rischio di credito a cui sono esposte.

Il rating, quindi, è destinato a diventare uno strumento “gestionale” importante, un veicolo per rafforzare le relazioni di

clientela nonché un utile indicatore a supporto della definizione degli obiettivi di gestione per il management

contribuendo ad una più efficiente politica del capitale.

4.1. Il processo di sviluppo del Modello MEU – Maximun Expected Utility

La base informativa su cui è stato condotto lo sviluppo, nonché la prima validazione, del modello MEU sono i bilanci

delle imprese depositati presso le Camere di Commercio (bilanci d’esercizio redatti secondo il D.Lgs. 129/91),

investigati in modo da ricavarne i caratteri essenziali delle unità produttive nel tempo, grazie ad un database che genera

una vera e propria “radiografia del sistema” (seguendo la “Flow & Fund analysis”). I dati di bilancio, infatti, vengono

rielaborati in modo radicale, permettendo così di valutare le aziende con i principi della Finanza Moderna. Tutti i dati

qui citati sono stati estrapolati dalla Banca Dati DBComplex.

Flow & Fund Analysis

“Fund Accounting” costituisce uno dei più efficaci processi di analisi di check up aziendali esistenti. Il suo impiego

consente l’investigazione dei caratteri di ogni impresa contenuta nel database di partenza, con evidenziazione dei

sintomi delle eventuali patologie possedute, e genera una dimostrazione rigorosa ed efficace dei suoi punti di forza e di

debolezza, offrendo altresì le necessarie informazioni capaci, grazie anche ad altre elaborazioni specifiche, di condurre:

a) alla valutazione dell’impresa;

b) al rating tecnico.

Il software “Fund Accounting” (impiegabile su tutte le imprese, sia nuove e che stanno mettendo radici, sia già attive ed

in grado di competere con prospettive di sviluppo) contiene un metodo di Financial Management, efficace per

individuare i momenti cruciali della gestione dei capitali permanenti, delle scorte, del capitale finanziario a breve, della

liquidità, ed in grado di rispondere a domande del seguente tenore:

♦ conviene mantenere in vita l’impresa? È necessaria una sua ristrutturazione produttiva o finanziaria?

138

♦ qual è la sua redditività in rapporto alle altre imprese?

♦ che volume di cash flow è in grado di produrre?

♦ quale porzione del cash flow prodotto si traduce in remunerazione per gli investitori, divenendo free cash

flow? Quale si traduce in reinvestimento?

♦ alla luce della rischiosità dell’attività svolta qual è il costo medio ponderato del capitale dell'impresa?

♦ quali sono le fonti di liquidità dell'impresa e come vengono utilizzate per soddisfare il fabbisogno, per

investimenti ed altri impieghi?

♦ quali processi consentono di ottimizzare la gestione del capitale circolante, del capitale circolante finanziario

e dei flussi di cassa prodotti?

♦ come si orienta il “value process” dell’impresa? Quale modello di valutazione conviene adottare?

L’analisi ha quale set informativo di partenza il bilancio dell’impresa (anche per più annualità successive, in modo da

poter operare confronti interperiodali) e tutte le informazioni di carattere anagrafico che consentono di inquadrare

l’impresa all’interno di un settore di attività economica, una classe dimensionale e una collocazione geografica.

Il bilancio dell’impresa viene ricondotto informaticamente ad un piano dei conti standard (all’interno del quale si

possono agevolmente riconoscere tutte le voci che solitamente vengono utilizzate nella redazione pratica dei bilanci),

che configura le nuove classi contabili necessarie per svolgere le analisi finanziarie oggetto d’indagine.

I criteri di riclassificazione seguiti generano dapprima uno Stato Patrimoniale con le poste organizzate per grado di

disponibilità ed esigibilità, ed un conto del Risultato Economico in cui si suddividono i costi ed i ricavi secondo la

densità di potere d’acquisto e cioè secondo la loro appartenenza alle diverse categorie dei fondi evidenziati.

Il software trasforma successivamente le poste così ordinate per tipologie di fondi (capitale netto, capitale disponibile

netto, capitale disponibile finanziario netto, capitale liquido) generando distinti fogli elettronici che riportano via via lo

svolgimento di distinte “lavorazioni” contabili: la contabilità del capitale netto, del capitale disponibile netto, del

capitale disponibile finanziario netto, del capitale liquido con il loro pieno corredo di rimanenze, costi, ricavi,

movimenti strutturali.

L’enfasi dovuta alle nuove informazioni viene a compiersi proprio grazie all’analisi dei flussi. Questa implica la

formazione di flussi autogenerati (che nel loro insieme vengono a costituire una fondamentale griglia informativa in

rapporto al segno che assumono nei diversi esercizi) e di flussi strutturali correlati alle diverse tipologie di fondi.

L’analisi trova il suo punto culminante nella Cash Flow Analysis.

Nello sviluppo del processo illustrato e particolarmente nella sua fase conclusiva emergono numerosi strumenti ad alto

valore conoscitivo e che per la loro funzione di guida si denominano drivers del valore. Né sono esempi il Conto del

Risultato Economico per densità di potere d’acquisto, il prospetto delle Fonti e degli Impieghi di Liquidità

Autogenerati, il Bilancio Dinamico di Cassa, le diverse costruzioni di Free Cash Flow ottenute sia nell’ipotesi che

l’impresa agisca in condizioni di stazionarietà, sia nell’ipotesi che l’impresa persegua un sentiero di sviluppo ovvero di

regresso. Al riguardo significative sono le analisi dei vincoli di ricostituzione dei capitali consumati e di

autofinanziamento, e quelle dei vincoli di remunerazione degli stakeholders. Appartengono a questa famiglia di

139

indicatori anche i vari indici di natura patrimoniale, finanziaria ed economica sia generati da stime contabili che a valori

di mercato, costruiti allo scopo di perfezionare l’elaborazione e di interpretare in via finale i risultati.

Il sistema di Fund Accounting permette in sintesi di esprimere un’opinione sullo stato di salute, quale emerge

dall’analisi condotta e per i periodi di riferimento, giustificata da una stima anche qualitativa delle principali tipologie di

equilibri di fondi e impieghi di ricchezza, tutto interpretato nel contesto specifico in cui opera l’impresa (sistema

economico; settore; fattori specifici dell’impresa quali strategie, management, struttura, ecc.).

Il grafico che segue presenta le quattro fondamentali fasi di lavoro condotte per lo sviluppo del modello MEU.

4.2. Raccolta dei dati

Il secondo step di lavoro ha interessato la raccolta dei dati rielaborati (nello specifico si è scelto di lavorare sugli

indicatori di bilancio) organizzati elettronicamente. Detti dati andranno, come vedremo in seguito, a costituire il

campione di allenamento (o training set) per lo sviluppo del modello nonché il campione di validazione (o validation set

o crossover) dei dati.

In questa fase è importante sottolineare il fatto che la base dati costruita permette di disporre di dati sia di aziende sane

come anche di aziende decotte ovvero fallite. Dette imprese vengono individuate nel database DBComplex a livello di

anagrafica con il codice 0 se l’azienda risulta ad oggi ancora in vita, con il codice 1 se risulta fallita. In questo ultimo

caso si tiene conto anche dell’esercizio in cui l’unità produttiva ha cessato l’attività (vedi Time lag dei bilanci di seguito

esposto).

Per fallimento si sono considerate le diverse procedure “fallimentari” legiferate dal nostro legislatore per le quali si

deriva la cessazione dell’attività produttiva per cause determinate dall’insolvenza per le obbligazioni passive assunte.

Nel caso intendiamo la chiusura di attività per procedure di bancarotta, di liquidazione coatta e amministrativa, etc.

Per comprendere a fondo la natura della massa dei dati a disposizione si è provveduto ad una attenta analisi di statistica

descrittiva delle variabili.

Secondo quanto desunto anche dall’analisi dei modelli esistenti in letteratura sono stati trattati principalmente indici di

bilancio appartenenti alle classi di indicatori economici, indicatori di struttura, indicatori finanziari e indicatori di

140

copertura degli interessi. Per gli stessi la statistica descrittiva46 ha interessato lo studio della media, errore standard dalla

media, della deviazione standard, la mediana e i percentili di cui il 5°, il 25°, il 75° e il 95° percentile. L’analisi dei dati

è stata condotta su un arco temporale di tre esercizi consecutivi (anno 2001, 2002 e 2003). Ciò ha permesso di capire il

comportamento tipico (distribuzione delle variabili) degli indicatori di bilancio. Presentiamo qui alcuni stralci

dell’analisi condotta sugli indicatori esposti in tabella.

Ratio Categoria

EBITDA interest coverage ratio Earninge before interests taxes ammortizations and depretiations / Oneri finanziari (senza perdite su cambi) Copertura interessi

Financial coverage ratio Flusso autogenerato di capitale liquido operating / Oneri finanziari Copertura interessi

ROI – Return on Investments Utile operatig / Attività totali Equilibrio economico ROE – Return on Equity Utile netto / Patriminio netto Equilibrio economico ROS – Return on Sales Utile operating / Fatturato Equilibrio economico Crescita della ricchezza d'impresa Valore aggiunto / Attività totali Equilibrio economico Tasso di remunerazione dei fattori primari Valore aggiunto / Valore della produzione Equilibrio economico

Rapporto di leverage Passività totali / Patrimonio netto Equilibrio patrimoniale Indice copertura del passivo Attività totali / Passività totali Equilibrio patrimoniale Current ratio Disponibilità / Esigibilità Equilibrio patrimoniale Rapporto delle immobilizzazioni Totale imm.ni nette / Attività totali Struttura Rapporto passività consolidate Totale passività consolidate / Attività totali Struttura Capitalizzazione Patrimonio netto / Attività totali Struttura

Variazione del fatturato (Rimanenza finale di Fatturato - Rimanenza iniziale di Fatturato)/ Rimanenza iniziale di Fatturato Drivers descrittivi

46 Per l’analisi di statistica descrittiva i dati sono stati processati con il programma SPSS.

141

EBITDA coverage ratio

Conteggio Media Mediana Errore standard

della media Deviazione

standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 26302,99 4,03 544,42 173000,87 -0,65 1,92 11,72 160,672002 106639 27872,87 4,26 549,46 179428,23 -1,46 1,95 12,82 186,252003 106950 29501,58 4,37 566,43 185242,18 -1,75 2,00 13,00 196,00

200,00+

195,96-199,99

191,92-195,95

187,88-191,91

183,84-187,87

179,80-183,83

175,76-179,79

171,72-175,75

167,68-171,71

163,64-167,67

159,60-163,63

155,56-159,59

151,52-155,55

147,48-151,51

143,44-147,47

139,40-143,43

135,36-139,39

131,32-135,35

127,28-131,31

123,24-127,27

119,20-123,23

115,16-119,19

111,12-115,15

107,08-111,11

103,04-107,07

99,00-103,03

94,96-98,99

90,92-94,95

86,88-90,91

82,84-86,87

78,80-82,83

74,76-78,79

70,72-74,75

66,68-70,71

62,64-66,67

58,60-62,63

54,56-58,59

50,52-54,55

46,48-50,51

42,44-46,47

38,40-42,43

34,36-38,39

30,32-34,35

26,28-30,31

22,24-26,27

18,20-22,23

14,16-18,19

10,12-14,15

6,08-10,11

2,04-6,07

-2,00-2,03

<-2,00

40.000

30.000

20.000

10.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

EBITDA coverage ratio

Financial coverage ratio

Conteggio Media Mediana Errore standard


standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 21950,34 7,79 547,06 173839,08 -9,78 1,73 27,39 318,292002 106639 22428,89 5,05 552,03 180267,85 -14,04 1,00 17,26 234,252003 106950 22035,66 5,31 569,68 186303,29 -15,00 0,95 18,00 234,64

320,00+

313,29-319,99

306,58-313,28

299,87-306,57

293,16-299,86

286,45-293,15

279,74-286,44

273,03-279,73

266,32-273,02

259,61-266,31

252,90-259,60

246,19-252,89

239,48-246,18

232,77-239,47

226,06-232,76

219,35-226,05

212,64-219,34

205,93-212,63

199,22-205,92

192,51-199,21

185,80-192,50

179,09-185,79

172,38-179,08

165,67-172,37

158,96-165,66

152,25-158,95

145,54-152,24

138,83-145,53

132,12-138,82

125,41-132,11

118,70-125,40

111,99-118,69

105,28-111,98

98,57-105,27

91,86-98,56

85,15-91,85

78,44-85,14

71,73-78,43

65,02-71,72

58,31-65,01

51,60-58,30

44,89-51,59

38,18-44,88

31,47-38,17

24,76-31,46

18,05-24,75

11,34-18,04

4,63-11,33

-2,08-4,62

-8,79--2,09

-15,50--8,80

<-15,50

40.000

30.000

20.000

10.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Financial coverage ratio

142

ROI

Conteggio Media Mediana

Errore standard della

media Deviazione

standard Percentile 05 Percentile 25 Percentile 75 Percentile 952001 100977 7,50% 6,14% 0,04% 13,23% -2,66% 3,51% 10,14% 23,46%2002 106639 6,88% 5,74% 0,04% 12,74% -5,14% 3,02% 9,96% 24,47%2003 106950 6,18% 5,31% 0,04% 11,76% -5,04% 2,77% 8,94% 21,41%

,25+

,24-,24

,24-,23

,23-,23

,23-,22

,22-,22

,21-,21

,21-,20

,20-,20

,19-,19

,19-,18

,18-,18

,18-,17

,17-,17

,16-,16

,16-,15

,15-,15

,14-,14

,14-,13

,13-,13

,13-,12

,12-,12

,11-,11

,11-,10

,10-,10

,10-,09

,09-,09

,08-,08

,08-,07

,07-,07

,06-,06

,06-,05

,05-,05

,05-,04

,04-,04

,03-,03

,03-,02

,02-,02

,01-,01

,01-,00

,00-,00

,00--,01

-,01--,01

-,02--,02

-,02--,03

-,03--,03

-,04--,04

-,04--,05

-,05--,05

-,05--,06

-,06--,06

<-,06

7.000

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

ROI

ROE


Errore standard


standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 -17846,04% 6,29% 6104,54% 1939833,10% -106,43% 0,00% 20,90% 66,62%2002 106639 -17850,13% 5,65% 6004,27% 1960730,86% -142,95% -2,15% 21,85% 76,42%2003 106950 -19666,57% 4,27% 6131,05% 2005049,13% -133,33% -2,82% 17,22% 61,54%

,80+

,75-,79

,71-,74

,66-,70

,62-,65

,57-,61

,52-,56

,48-,51

,43-,47

,39-,42

,34-,38

,29-,33

,25-,28

,20-,24

,16-,19

,11-,15

,06-,10

,02-,05

-,03- ,01

-,07--,04

-,12--,08

-,17--,13

-,21--,18

-,26--,22

-,30--,27

-,35--,31

-,40--,36

-,44--,41

-,49--,45

-,53--,50

-,58--,54

-,63--,59

-,67--,64

-,72--,68

-,76--,73

-,81--,77

-,86--,82

-,90--,87

-,95--,91

-,99--,96

-1,04--1,00

-1,09--1,05

-1,13--1,10

-1,18--1,14

-1,22--1,19

-1,27--1,23

-1,32--1,28

-1,36--1,33

-1,41--1,37

-1,45--1,42

-1,50--1,46

<-1,50

20.000

15.000

10.000

5.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

ROE

143

ROS


Errore standard della

media Deviazione

standard Percentile 05 Percentile 25 Percentile 75 Percentile 952001 100977 8,00% 6,57% 0,05% 17,12% -1,15% 3,42% 11,32% 24,63%2002 106639 7,73% 6,42% 0,05% 17,52% -2,24% 3,20% 11,16% 24,70%2003 106950 7,21% 6,11% 0,04% 14,05% -2,53% 3,07% 10,46% 22,94%

,30+

,29-,29

,29-,28

,28-,28

,27-,27

,27-,26

,26-,26

,25-,25

,25-,24

,24-,24

,23-,23

,23-,22

,22-,22

,21-,21

,20-,20

,20-,19

,19-,19

,18-,18

,18-,17

,17-,17

,16-,16

,16-,15

,15-,15

,14-,14

,14-,13

,13-,13

,12-,12

,12-,11

,11-,11

,10-,10

,10-,09

,09-,09

,08-,08

,08-,07

,07-,07

,06-,06

,06-,05

,05-,05

,04-,04

,03-,03

,03-,02

,02-,02

,01-,01

,01-,00

,00-,00

-,01--,01

-,01--,02

-,02--,02

-,03--,03

-,03--,04

-,04--,04

<-,04

7.000

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

ROS

Crescita della ricchezza dell'impresa


Errore standard


standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 34,42% 27,78% 0,11% 34,49% 6,84% 17,22% 42,96% 82,85%2002 106639 34,27% 27,85% 0,10% 31,08% 5,87% 17,02% 43,17% 83,21%2003 106950 34,25% 27,39% 0,10% 31,33% 6,23% 16,92% 42,80% 83,79%

,85+

,83-,84

,82-,82

,80-,81

,79-,79

,77-,78

,75-,76

,74-,74

,72-,73

,71-,71

,69-,70

,67-,68

,66-,66

,64-,65

,63-,63

,61-,62

,59-,60

,58-,58

,56-,57

,55-,55

,53-,54

,51-,52

,50-,50

,48-,49

,47-,47

,45-,46

,43-,44

,42-,42

,40-,41

,39-,39

,37-,38

,35-,36

,34-,34

,32-,33

,31-,31

,29-,30

,27-,28

,26-,26

,24-,25

,23-,23

,21-,22

,19-,20

,18-,18

,16-,17

,15-,15

,13-,14

,11-,12

,10-,10

,08-,09

,07-,07

,05-,06

<,05

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Crescita della ricchezza dell'impresa

144

Tasso di remunerazione dei fattori primari


Errore standard


standard Percentile

05 Percentile

25 Percentile

75 Percentile

95 2001 100977 0,24 0,21 0,00 0,86 0,04 0,12 0,33 0,602002 106639 -18,51 0,21 13,26 4330,67 0,04 0,12 0,34 0,612003 106950 0,17 0,21 0,07 24,35 0,04 0,12 0,34 0,60

,64+

,62-,63

,61-,61

,60-,60

,59-,59

,58-,58

,56-,57

,55-,55

,54-,54

,53-,53

,52-,52

,50-,51

,49-,49

,48-,48

,47-,47

,46-,46

,44-,45

,43-,43

,42-,42

,41-,41

,40-,40

,38-,39

,37-,37

,36-,36

,35-,35

,34-,34

,32-,33

,31-,31

,30-,30

,29-,29

,28-,28

,26-,27

,25-,25

,24-,24

,23-,23

,22-,22

,20-,21

,19-,19

,18-,18

,17-,17

,16-,16

,14-,15

,13-,13

,12-,12

,11-,11

,10-,10

,08-,09

,07-,07

,06-,06

,05-,05

,04-,04

<,04

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

esa

2003,002002,002001,00

EsercizioBilancio

Tasso di remunerazione dei fattori primari

Rapporto di leverage


Errore standard

della mediaDeviazione

standard Percentile

05 Percentile

25 Percentile

75 Percentile

95 2001 100977 696,80 4,96 82,23 26131,57 0,39 2,00 12,86 57,452002 106639 667,73 4,73 78,46 25621,94 0,26 1,86 12,62 58,062003 106950 573,79 4,89 72,41 23680,82 0,30 1,91 13,06 58,37

60,00+

58,81-59,99

57,62-58,80

56,42-57,61

55,23-56,41

54,04-55,22

52,85-54,03

51,66-52,84

50,46-51,65

49,27-50,45

48,08-49,26

46,89-48,07

45,70-46,88

44,50-45,69

43,31-44,49

42,12-43,30

40,93-42,11

39,74-40,92

38,54-39,73

37,35-38,53

36,16-37,34

34,97-36,15

33,78-34,96

32,58-33,77

31,39-32,57

30,20-31,38

29,01-30,19

27,82-29,00

26,62-27,81

25,43-26,61

24,24-25,42

23,05-24,23

21,86-23,04

20,66-21,85

19,47-20,65

18,28-19,46

17,09-18,27

15,90-17,08

14,70-15,89

13,51-14,69

12,32-13,50

11,13-12,31

9,94-11,12

8,74-9,93

7,55-8,73

6,36-7,54

5,17-6,35

3,98-5,16

2,78-3,97

1,59-2,77

,40-1,58

<,40

20.000

15.000

10.000

5.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Rapporto di leverage

145

Indice di copertura del passivo


Errore standard


standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 1,42 1,18 0,01 1,93 1,01 1,07 1,43 2,432002 106639 1,45 1,18 0,02 6,50 1,00 1,06 1,45 2,472003 106950 1,43 1,18 0,02 7,23 1,01 1,06 1,44 2,46

2,50+

2,47-2,49

2,44-2,46

2,41-2,43

2,38-2,40

2,35-2,37

2,32-2,34

2,29-2,31

2,26-2,28

2,23-2,25

2,20-2,22

2,17-2,19

2,14-2,16

2,11-2,13

2,08-2,10

2,05-2,07

2,02-2,04

1,99-2,01

1,96-1,98

1,93-1,95

1,90-1,92

1,87-1,89

1,84-1,86

1,81-1,83

1,78-1,80

1,75-1,77

1,72-1,74

1,69-1,71

1,66-1,68

1,63-1,65

1,60-1,62

1,57-1,59

1,54-1,56

1,51-1,53

1,48-1,50

1,45-1,47

1,42-1,44

1,39-1,41

1,36-1,38

1,33-1,35

1,30-1,32

1,27-1,29

1,24-1,26

1,21-1,23

1,18-1,20

1,15-1,17

1,12-1,14

1,09-1,11

1,06-1,08

1,03-1,05

1,00-1,02

<1,00

12.000

10.000

8.000

6.000

4.000

2.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Indicatore di copertura del passivo

Current ratio


Errore standard


standard Percentile

05 Percentile

25 Percentile

75 Percentile

95 2001 100977 239,17 1,10 48,51 15415,03 0,58 0,94 1,40 2,602002 106639 179,69 1,11 40,87 13346,94 0,58 0,94 1,43 2,672003 106950 76,25 1,12 26,45 8648,48 0,59 0,95 1,45 2,71

2,75+

2,71-2,74

2,66-2,70

2,62-2,65

2,57-2,61

2,53-2,56

2,49-2,52

2,44-2,48

2,40-2,43

2,35-2,39

2,31-2,34

2,27-2,30

2,22-2,26

2,18-2,21

2,13-2,17

2,09-2,12

2,05-2,08

2,00-2,04

1,96-1,99

1,91-1,95

1,87-1,90

1,83-1,86

1,78-1,82

1,74-1,77

1,69-1,73

1,65-1,68

1,61-1,64

1,56-1,60

1,52-1,55

1,47-1,51

1,43-1,46

1,39-1,42

1,34-1,38

1,30-1,33

1,25-1,29

1,21-1,24

1,17-1,20

1,12-1,16

1,08-1,11

1,03-1,07

,99-1,02

,95-,98

,90-,94

,86-,89

,81-,85

,77-,80

,73-,76

,68-,72

,64-,67

,59-,63

,55-,58

<,55

8.000

6.000

4.000

2.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Current ratio

146

Rapporto delle immobilizzazioni


Errore standard


standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 24,89 19,50 0,06 20,61 1,94 8,31 36,34 66,702002 106639 24,75 19,26 0,06 20,70 1,82 8,16 36,17 67,002003 106950 24,35 18,79 0,06 20,48 1,76 7,91 35,63 66,12

68,00+

66,67-67,99

65,35-66,66

64,02-65,34

62,70-64,01

61,37-62,69

60,04-61,36

58,72-60,03

57,39-58,71

56,07-57,38

54,74-56,06

53,41-54,73

52,09-53,40

50,76-52,08

49,44-50,75

48,11-49,43

46,78-48,10

45,46-46,77

44,13-45,45

42,81-44,12

41,48-42,80

40,15-41,47

38,83-40,14

37,50-38,82

36,18-37,49

34,85-36,17

33,52-34,84

32,20-33,51

30,87-32,19

29,55-30,86

28,22-29,54

26,89-28,21

25,57-26,88

24,24-25,56

22,92-24,23

21,59-22,91

20,26-21,58

18,94-20,25

17,61-18,93

16,29-17,60

14,96-16,28

13,63-14,95

12,31-13,62

10,98-12,30

9,66-10,97

8,33-9,65

7,00-8,32

5,68-6,99

4,35-5,67

3,03-4,34

1,70-3,02

<1,70

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Rapporto delle immobilizzazioni

Rapporto delle passività consolidate


Errore standard


standard Percentile

05 Percentile

25 Percentile

75 Percentile

95 2001 100977 13,57 9,25 0,05 15,96 0,72 3,85 18,81 40,872002 106639 13,82 9,34 0,05 15,19 0,71 3,86 19,10 42,112003 106950 14,43 10,03 0,04 14,59 0,77 4,14 20,17 42,81

45,00+

44,11-44,99

43,23-44,10

42,34-43,22

41,46-42,33

40,57-41,45

39,68-40,56

38,80-39,67

37,91-38,79

37,03-37,90

36,14-37,02

35,25-36,13

34,37-35,24

33,48-34,36

32,60-33,47

31,71-32,59

30,82-31,70

29,94-30,81

29,05-29,93

28,17-29,04

27,28-28,16

26,39-27,27

25,51-26,38

24,62-25,50

23,74-24,61

22,85-23,73

21,96-22,84

21,08-21,95

20,19-21,07

19,31-20,18

18,42-19,30

17,53-18,41

16,65-17,52

15,76-16,64

14,88-15,75

13,99-14,87

13,10-13,98

12,22-13,09

11,33-12,21

10,45-11,32

9,56-10,44

8,67-9,55

7,79-8,66

6,90-7,78

6,02-6,89

5,13-6,01

4,24-5,12

3,36-4,23

2,47-3,35

1,59-2,46

,70-1,58

<,70

7.000

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Rapporto passività consolidate

147

Capitalizzazione


Errore standard


standard Percentile 05 Percentile 25 Percentile 75 Percentile 95 2001 100977 19,78% 15,25% 0,11% 36,03% 0,77% 6,21% 30,24% 58,90%2002 106639 19,79% 15,40% 0,08% 26,41% 0,44% 6,00% 31,00% 59,47%2003 106950 19,65% 15,05% 0,08% 25,41% 0,56% 5,91% 30,56% 59,36%

,60+

,59-,59

,58-,58

,56-,57

,55-,55

,54-,54

,53-,53

,52-,52

,50-,51

,49-,49

,48-,48

,47-,47

,46-,46

,44-,45

,43-,43

,42-,42

,41-,41

,40-,40

,38-,39

,37-,37

,36-,36

,35-,35

,34-,34

,32-,33

,31-,31

,30-,30

,29-,29

,28-,28

,26-,27

,25-,25

,24-,24

,23-,23

,22-,22

,20-,21

,19-,19

,18-,18

,17-,17

,16-,16

,14-,15

,13-,13

,12-,12

,11-,11

,10-,10

,08-,09

,07-,07

,06-,06

,05-,05

,04-,04

,02-,03

,01-,01

,00-,00

<,00

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Capitalizzazione

Variazione del Fatturato


Errore standard


standard Percentile

05 Percentile

25 Percentile

75 Percentile

95 2001 100977 108,04% 5,39% 20,81% 6612,09% -27,75% -4,93% 18,74% 79,90%2002 106639 124,66% 3,13% 16,48% 5381,73% -31,16% -7,36% 15,96% 76,01%2003 106950 138,05% 3,14% 35,22% 11518,37% -31,10% -7,63% 16,48% 83,36%

,85+

,83-,84

,80-,82

,78-,79

,76-,77

,73-,75

,71-,72

,68-,70

,66-,67

,64-,65

,61-,63

,59-,60

,57-,58

,54-,56

,52-,53

,50-,51

,47-,49

,45-,46

,43-,44

,40-,42

,38-,39

,35-,37

,33-,34

,31-,32

,28-,30

,26-,27

,24-,25

,21-,23

,19-,20

,17-,18

,14-,16

,12-,13

,09-,11

,07-,08

,05-,06

,02-,04

,00-,01

-,02--,01

-,05--,03

-,07--,06

-,09--,08

-,12--,10

-,14--,13

-,16--,15

-,19--,17

-,21--,20

-,24--,22

-,26--,25

-,28--,27

-,31--,29

-,33--,32

<-,33

7.000

6.000

5.000

4.000

3.000

2.000

1.000

0

N° i

mpr

ese

2003,002002,002001,00

EsercizioBilancio

Variazione Fatturato

148

Time lag dei bilanci

Nello sviluppo del modello si è tenuto conto della inefficienza informativa relativa alla disponibilità dei bilanci nel

sistema delle CCIAA italiane.

01/01/2000 31/12/2000 01/01/2001 31/12/2001 01/01/2002 31/12/2002

01/01/2000 31/12/2000 01/01/2001 31/12/2001 01/01/2002 31/12/2002

Esercizio del (probabile) default

Attività poste in essere nell'esercizio

Chiusura bilancio, approvazione, deposito CCIAA e la loro acquisizione/trasmissione

elettronica

Termine del possibile default default

Periodo amministrativo Reporting period Esercizio del (probabile) default

Esercizio finanziario Reporting period

Attività poste in essere nell'esercizio

Chiusura bilancio, approvazione, deposito CCIAA e la loro acquisizione/trasmissione

elettronica

Termine del possibile default default

Le società in Italia stilano il proprio rendiconto (stato patrimoniale e conto economico) a chiusura dell’anno contabile e

quindi alla fine del dodicesimo mese di attività, ovvero a chiusura dell’anno fiscale. Nell’esperienza italiana un

considerevole numero di aziende rende disponibili i propri bilanci d’esercizio solo a fine della prima metà dell’anno

successivo a quello della chiusura del bilancio relativa alle attività condotte nell’anno precedente. Questi rendiconti

contabili dopo essere stati depositati e validati dalle CCIAA vengono trattati elettronicamente e poi trasmessi ai vari

“acquirenti” presenti sul territorio e non. Ciò implica un ritardo nella disponibilità della massa dei dati di circa un

ulteriore anno contabile.

Per tali ragioni le informazioni riportate nel bilancio 2001 non possono essere usate per valutare le probabilità di default

nel corso dell’anno 2002, e ciò in quanto il bilancio 2001 sarà disponibile solo a fine anno 2002. Allo scopo di ridurre

detto gap informativo il modello MEU utilizza la fotografia contabile per esempio dell’esercizio 2001 per stimare la

probabilità di default nel corso dell’esercizio 2003.

Il risultato del modello MEU, che utilizza il concetto del Time Lag quale ipotesi di fondo, è quindi la probabilità di

default a un anno, ovvero il rating assegnato ha validità per il periodo 12-24 mesi successivi all’anno contabile

considerato.

4.3. Costruzione del campione stratificato

Per costruire modello di studio del rischio d’insolvenza corretto si è provveduto alla costruzione di un campione

rappresentativo della realtà nazionale delle imprese italiane.

Come è noto, l’indagine statistica ha sempre come oggetto di studio insiemi di unità – individui, oggetti o altri enti – in

cui si manifesta il fenomeno che interessa studiare. Questi insiemi, costituiti da un numero finito di unità, vanno sotto il

nome di popolazioni, o più precisamente, di popolazioni finite, quale si configura il problema in analisi.

149

L’indagine statistica mira ad ottenere informazioni sintetiche sulla popolazione, nel nostro caso mira ad individuare il

grado di rischiosità in termini di default delle imprese italiane.

Nell’ambito delle popolazioni finite il campione ha un

significato preciso: si tratta di un insieme di unità

estratte dalla popolazione con criteri che tendono a

farne una “buona rappresentazione” della popolazione.

Le principali tecniche di campionamento utilizzate in

statistica, nonché più congrue al problema di cui ci

occupiamo, sono:

♦ campionamento casuale semplice

♦ campionamento stratificato.

Nel primo tipo di selezione delle unità campionarie il risultato è affidato al caso e non tiene conto delle informazioni a

priori sulla struttura della popolazione e sulle caratteristiche distributive delle variabili.

La stratificazione del campione permette invece di considerare alcune variabili caratterizzanti la popolazione oggetto di

studio come, nel caso del problema che ci accingiamo ad affrontare, il settore di attività economica o la collocazione

territoriale, nonché i fattori di natura giuridica e dimensionali. Ricordiamo che i dati a cui si attinge sono relativi alle

imprese di capitali che depositano il bilancio di una certa dimensione, ovvero il database DBComplex tratta le realtà

economiche che depositano il bilancio47 con fatturato annuo prodotto maggiore/ uguale a 500 mila euro.

Il campionamento stratificato è caratterizzato dal fatto che la popolazione viene suddivisa preliminarmente in

sottopopolazioni omogenee dette strati, da ciascuna delle quali si estrae un campione casuale semplice.

Si supponga che la popolazione di N unità sia suddivisa in L numero di strati e che sia Nh, h= 1,2,3,…,L, il numero di

unità del generico strato. Sia n la dimensione del campione stratificato e nh la dimensione del campione casuale

semplice estratto dallo strato h. Valgono le due uguaglianze:

.,11

nnNNL

hh

L

hh == ∑∑

==

Le finalità della stratificazione è chiarita con il termine di omogeneità per la quale si vuole intendere il grado di

somiglianza delle unità appartenenti al singolo strato per quanto riguarda la variabile oggetto di studio. Tale

somiglianza è misurata dalla varianza di strato, per cui il grado massimo di omogeneità all’inizio dello strato h si ha nel

caso in cui Xh1 = Xh2 =…= XhNh = µh, dove con Xhi è il valore assunto dalla variabile oggetto di studio nelle unità i dello

strato h.

47 Le società di persone e le ditte individuali non sono soggette all’obbligo di deposito del bilancio, anche se risultano soggette al regime di contabilità

ordinaria, qualora abbiano fatto registrare un volume di fatturato pari ad almeno 309.000 euro per le attività di prestazioni di servizi o di 516.000 euro

per le altre attività.

Universo delle società italiane

Registrate Attive

Suddivisione tipologia

società attiveSocietà di capitali 1.022.943 600.513 12,02%Società di persone 1.225.899 889.155 17,80%Ditte individuali 3.462.667 3.404.505 68,15%Altre forme di società 193.374 101.565 2,03%Totale 5.904.883 4.995.738 100,00%

(fonte Infocamere – dati 2003)

150

Il problema che sussisteva nel nostro caso era in realtà anche la pianificazione del campione, per il quale bisognava

decidere, oltre che la dimensione complessiva del campione n, anche le dimensioni dei campioni per strato. Questo

problema, in statistica, è riconosciuto sotto il nome di allocazione del campione negli strati.

Data la dimensione complessiva n, due semplici soluzioni del problema sono percorribili:

♦ allocazione uniforme

♦ allocazione proporzionale.

Con il primo criterio, la dimensione totale n viene ripartita tra gli strati in parti uguali (o quasi uguali se n non è

multiplo di L).

Con il secondo, la suddivisione di n avviene in proporzione alla dimensione degli strati ponendo:

NN

nn hh =

4.4. Cluster analysis per la definizione dei settori produttivi

Ogni settore produttivo presenta delle proprie peculiarità che lo contraddistinguono da altre attività produttive. Ai fini di

un appropriato studio del rating è necessario considerare le caratteristiche di ciascun settore in quanto, date le particolari

funzioni produttive, sia in senso stretto che in senso lato, ciò che potrebbe risultare fisiologico per un particolare settore

dell’universo produttivo potrebbe rappresentare un potenziale stato patologico per un’altra tipologia di attività.

L’obiettivo di questa fase è l’identificazione di settori economici non meramente distinti da una classificazione secondo

codificativi adottati ad hoc (per natura di prodotto come nel caso della classificazione ATECO 2002), piuttosto che un

raggruppamento secondo una ragionata logica economico-finanziaria. Per queste ragioni, è stata condotta in primis

un’analisi teorico-economica su ciascun comparto produttivo ATECO 200248, seguita da un’analisi numerica, al fine di

mettere in evidenza le caratteristiche proprie di ciascun settore e segnalare le ragioni per cui questo si distingue dagli

altri settori.

Numericamente l’analisi è stata sviluppata con la metodologia della cluster analysis ovvero la partizione delle imprese

in gruppi o cluster.

48 L’analisi teorico-economica consta in una serie di riflessioni economiche sulla tipologia di imprese classificate per natura di prodotto in diversi

codici ATECO 2002. Le riflessioni, supportate da analisi statistico descrittive condotte sui settori ATECO 2002, concernevano la struttura dell’attivo

(vedi immobilizzazioni, scorte attive, etc.) nonché i livelli di redditività dei diversi settori.

151

I metodi di cluster analysis o clustering sono finalizzati alla classificazione delle unità statistiche attraverso l’utilizzo di

procedure che sono applicabili quando su ogni unità statistica sono state rilevate le modalità di M caratteri. Le

definizioni che sono state prese come riferimento sono le seguenti:

♦ Sokal: per il quale il processo di cluster consiste nel ripartire un insieme di unità elementari in modo che la

suddivisione risultante goda di alcune proprietà considerate desiderabili

♦ Gordon (1981) per il quale classificare delle unità statistiche significa formare dei gruppi in modo le unità,

che sono assegnate allo stesso gruppo, siano simili tra loro e che i gruppi siano il più possibile distinti tra

loro

In definitiva le due definizioni osservano il fenomeno da due prospettive differenti, una dall’alto che progressivamente

scinde gli elementi in modo da distinguere in base alle proprietà tipiche di ciascun gruppo, l’altra dal basso in modo da

dividere le unità in gruppi il più possibile distinte l’una dall’altra.

I fattori caratterizzanti il clustering sono:

♦ una misura del grado di diversità tra coppie di unità;

♦ un algoritmo con cui procedere alla realizzazione dei cluster.

Modificando la combinazione di questi fattori si creano diverse classificazioni alcune basate sul tipo di algoritmo altre

sul tipo di risultato. Nell’analisi sono state ritenute maggiormente significative quelle basate sul tipo di algoritmo che a

loro volta si distinguono in:

♦ metodi gerarchici

♦ metodi non gerarchici.

I primi sono caratterizzati da raggruppamenti successivi ordinabili secondo livelli crescenti o decrescenti della distanza

dei gruppi e si suddividono in metodi agglomerativi o in metodi scissori. Il metodo agglomerativo è più semplice da

programmare e ha la capacità di rispecchiare l’effettiva struttura dei dati.

I metodi non gerarchici, invece, sono metodi che dipendono generalmente dalla presenza o meno di centri principali di

cluster e sull’esistenza o meno di una funzione obiettivo. Le tipologie di algoritmi si distinguono in esatti o euristici. Il

first best è assegnato ai primi in virtù della omogeneità dei gruppi che riesce a generare pertanto si è utilizzato un

algoritmo esatto per la realizzazione dell’analisi.

Per la cluster anaysis è stata utilizzata la metodologia delle K-mean. Questa procedura consente di identificare gruppi di

casi relativamente omogenei in base alle caratteristiche selezionate, utilizzando un algoritmo in grado di gestire un

elevato numero di casi49.

49 L’algoritmo utilizzato è quello presente nel programma SPSS - analisi cluster K-mean.

152

Le caratteristiche selezionate per l’analisi di cluster sono stati i valori medi assunti nei tre esercizi consecutivi (2001-

2003) della struttura dell’attivo (dati relativizzati) delle imprese del campione estrapolato identificati con i primi due

digit del codice ATECO 2002.

In dettaglio la metodologia della cluster analysis e stata sviluppata secondo i seguenti step:

♦ il campione estrapolato (come descritto in precedenza) è stato sgmentato secondo i primi due digit del codice

ATECO 2002. È stato possibile così individuare 58 gruppi a cui riportare le imprese secondo la natura di

produzione;

♦ sono stati identificati una serie di indicatori caratterizzati l’attività di ogni singola impresa. Nello specifico si

è deciso di utilizzare quali fattori caratterizzati la struttura delle attività per singola impresa (lato sinistro

dello stato patrimoniale dell’attivo), i seguenti indicatori:

Ratio Categoria ROI – Return on Investments Utile operatig / Attività totali Equilibrio economico ROS – Return on Sales Utile operating / Fatturato Equilibrio economico Indice di rotazione degli investimenti Fatturato / Totale attività Equilibrio economico Current ratio Disponibilità / Esigibilità Equilibrio patrimoniale Quick ratio Disponibilità finanziarie / Esigibilità Equilibrio patrimoniale Rapporto delle immobilizzazioni immateriali Totale imm.ni immateriali nette / Attività totali Struttura

Rapporto delle immobilizzazioni materiali Totale imm.ni materiali nette / Attività totali Struttura

Rapporto delle immobilizzazioni finanziarie Totale imm.ni finanziarie nette / Attività totali Struttura

Rapporto attività disponibili realizzabili

Totale attività disponibili realizzabili / Attività totali Struttura

Rapporto attività disponibili realizzabili operative

Totale attività disponibili realizzabili operative / Attività totali Struttura

Rapporto crediti non operativi Totale crediti non operativi / Attività totali Struttura Rapporto liquidità Totale liquidità / Attività totali Struttura

Per ogni gruppo a due digit ATECO 2002 e sono state calcolate le relative medie degli indicatori50.

♦ Sono state analizzate le similarità tra settori applicando l’algoritmo con metodologia delle K-mean.

♦ I risultati ottenuti dalla cluster analysis sono stati vagliati mediante un’analisi analitico teorica di

significatività economico-finanziaria.

50 Si ricordi che nello specifico le medie possono essere utilizzate in quanto non ci sono problemi di oulier dato che tutti i fattori considerati assumono

valori tra [0, 1]

153

I risultati ottenuti fanno permesso di ridurre a 37 gruppi le imprese precedentemente classificate in 58 ragruppamenti

due digit ATECO 2002.

Classificazione cluster

(algoritmo K-mean)

Classificazione definitiva (con

revisione analitica)

Codice due digit

ATECO 2002

Descrizione

1A 1 B -05 PESCA, PISCICOLTURA E SERVIZI CONNESSI

1B 2 I -63 ATTIVITÀ DI SUPPORTO ED AUSILIARIE DEI TRASPORTI; ATTIVITÀ DELLE AGENZIE DI VIAGGIO

2A 3 CB-14 ALTRE INDUSTRIE ESTRATTIVE

2B 3 DF-23 FABBRICAZIONE DI COKE, RAFFINERIE DI PETROLIO, TRATTAMENTO DEI COMBUSTIBILI NUCLEARI

2B 3 DN-37 RECUPERO E PREPARAZIONE PER IL RICICLAGGIO 2A 3 O -90 SMALTIMENTO DEI RIFIUTI SOLIDI, DELLE ACQUE DI SCARICO E SIMILI

2C 4 K -71 NOLEGGIO DI MACCHINARI E ATTREZZATURE SENZA OPERATORE E DI BENI PER USO PERSONALE E DOMESTICO

2D 5 O -93 SERVIZI ALLE FAMIGLIE 3A 6 DA-15 INDUSTRIE ALIMENTARI E DELLE BEVANDE 3A 7 DJ-27 METALLURGIA 3B 8 DB-17 INDUSTRIE TESSILI 3B 9 DG-24 FABBRICAZIONE DI PRODOTTI CHIMICI E DI FIBRE SINTETICHE E ARTIFICIALI 3E 9 DH-25 FABBRICAZIONE DI ARTICOLI IN GOMMA E MATERIE PLASTICHE

3F 9 DI-26 FABBRICAZIONE DI PRODOTTI DELLA LAVORAZIONE DI MINERALI NON METALLIFERI

3G 9 DJ-28 FABBRICAZIONE E LAVORAZIONE DEI PRODOTTI IN METALLO, ESCLUSI MACCHINE E IMPIANTI

3B 10 DM-34 FABBRICAZIONE DI AUTOVEICOLI, RIMORCHI E SEMIRIMORCHI 3B 10 DM-35 FABBRICAZIONE DI ALTRI MEZZI DI TRASPORTO

3C 11 DD-20 INDUSTRIA DEL LEGNO E DEI PRODOTTI IN LEGNO E SUGHERO, ESCLUSI I MOBILI; FABBRICAZIONE DI ARTICOLI IN MATERIALI DA INTRECCIO

3D 12 DE-21 FABBRICAZIONE DELLA PASTA-CARTA, DELLA CARTA E DEL CARTONE E DEI PRODOTTI DI CARTA

3_11 13 A -01 AGRICOLTURA, CACCIA E RELATIVI SERVIZI 3_12 13 A -02 SILVICOLTURA E UTILIZZAZIONE DI AREE FORESTALI E SERVIZI CONNESSI 8_14 14 CA-10 ESTRAZIONE DI CARBON FOSSILE, LIGNITE, TORBA

5_17 14 CA-11 ESTRAZIONE DI PETROLIO GREGGIO E DI GAS NATURALE E SERVIZI CONNESSI, ESCLUSA LA PROSPEZIONE

3_13 14 CA-12 ESTRAZIONE DI MINERALI DI URANIO E DI TORIO 10A 14 CB-13 ESTRAZIONE DI MINERALI METALLIFERI

4A 15 DB-18 CONFEZIONE DI ARTICOLI DI ABBIGLIAMENTO; PREPARAZIONE, TINTURA E CONFEZIONE DI PELLICCE

4A 15 DC-19 PREPARAZIONE E CONCIA DEL CUOIO; FABBRICAZIONE DI ARTICOLI DA VIAGGIO, BORSE, MAROCCHINERIA, SELLERIA E CALZATURE

4A 16 DK-29 FABBRICAZIONE DI MACCHINE ED APPARECCHI MECCANICI

6B 17 DL-30 FABBRICAZIONE DI MACCHINE PER UFFICIO, DI ELABORATORI E SISTEMI INFORMATICI

4B 17 DL-31 FABBRICAZIONE DI MACCHINE ED APPARECCHI ELETTRICI N.C.A.

4A 17 DL-32 FABBRICAZIONE DI APPARECCHI RADIOTELEVISIVI E DI APPARECCHIATURE PER LE COMUNICAZIONI

4A 17 DL-33 FABBRICAZIONE DI APPARECCHI MEDICALI, DI APPARECCHI DI PRECISIONE, DI STRUMENTI OTTICI E DI OROLOGI

4A 18 DN-36 FABBRICAZIONE DI MOBILI; ALTRE INDUSTRIE MANIFATTURIERE 4B 19 F -45 COSTRUZIONI

4C 20 G -50 COMMERCIO, MANUTENZIONE E RIPARAZIONE DI AUTOVEICOLI E MOTOCICLI; VENDITA AL DETTAGLIO DI CARBURANTI PER AUTOTRAZIONE

4D 21 G -51 COMMERCIO ALL’INGROSSO E INTERMEDIARI DEL COMMERCIO, AUTOVEICOLI E MOTOCICLI ESCLUSI

4E 22 G -52 COMMERCIO AL DETTAGLIO (ESCLUSO QUELLO DI AUTOVEICOLI E DI MOTOCICLI); RIPARAZIONE DI BENI PERSONALI E PER LA CASA

5A 23 DA-16 INDUSTRIA DEL TABACCO 5B 24 K -70 ATTIVITÀ IMMOBILIARI 5C 25 O -91 ATTIVITÀ DI ORGANIZZAZIONI ASSOCIATIVE 8B 25 O -92 ATTIVITÀ RICREATIVE, CULTURALI E SPORTIVE 6D 26 K -72 INFORMATICA E ATTIVITÀ CONNESSE 6B 26 K -73 RICERCA E SVILUPPO 6E 26 K -74 ATTIVITÀ DI SERVIZI ALLE IMPRESE 6C 27 I -60 TRASPORTI TERRESTRI; TRASPORTI MEDIANTE CONDOTTE 6E 28 L -75 AMMINISTRAZIONE PUBBLICA 6F 29 M -80 ISTRUZIONE 6G 29 N -85 SANITÀ E ASSISTENZA SOCIALE 7A 30 E -40 PRODUZIONE E DISTRIBUZIONE DI ENERGIA ELETTRICA, DI GAS, DI CALORE

154

7_16 30 E -41 RACCOLTA, DEPURAZIONE E DISTRIBUZIONE D’ACQUA 7B 31 H -55 ALBERGHI E RISTORANTI 7A 32 I -61 TRASPORTI MARITTIMI E PER VIE D’ACQUA 8A 33 I -62 TRASPORTI AEREI

8_15 34 I -64 POSTE E TELECOMUNICAZIONI 6A 35 DE-22 EDITORIA, STAMPA E RIPRODUZIONE DI SUPPORTI REGISTRATI

9A 36 J -65 INTERMEDIAZIONE MONETARIA E FINANZIARIA (ESCLUSE LE ASSICURAZIONI E I FONDI PENSIONE)

18 37 J -66 ASSICURAZIONI E FONDI PENSIONE, ESCLUSE LE ASSICURAZIONI SOCIALI OBBLIGATORIE

19 37 J -67 ATTIVITÀ AUSILIARIE DELL’INTERMEDIAZIONE FINANZIARIA E DELLE ASSICURAZIONI

4.5 Analisi di correlazione

Ai fini della costruzione del modello statistico di regressione logistica dipendente da variabili esplicative tra loro

indipendenti si è proceduto allo studio delle correlazioni tra indicatori (le nostre variabili esplicative).

Per correlazione si intende una relazione tra due variabili tale che a ciascun valore della prima variabile corrisponda con

una certa regolarità un valore della seconda. Non si tratta necessariamente di un rapporto di causa ed effetto ma

semplicemente della tendenza di una variabile a variare in funzione di un'altra. Talvola le variazioni di una variabile

dipendono dalla variazioni dell’altra (relazione tra la statura dei padri e quella dei figlio ad esempio), talvolta sono

comuni (relazioni tra la statura e il peso di un individuo); talvolta sono reciprocamente dipendenti (relazione tra prezzo

e domanda di una merce: il prezzo influisce sulla domanda e la domanda influisce sul prezzo).

La correlazione si dice diretta o positiva quando variando una variabile in un senso anche l'altra varia nello stesso senso;

si dice indiretta o inversa quando variando una variabile in un senso l'altra varia in senso inverso. La correlazione dicesi

semplice quando i fenomeni posti in relazione sono due; doppia quando i fenomeni sono tre; tripla quando sono quattro

etc...

Il grado di correlazione fra due variabili viene espresso mediante i cosiddetti indici di correlazione. Questi assumono

valori compresi tra zero (quando vi sia assenza di correlazione cioè quando variando una variabile l'altra non varia o

varia in modo del tutto indipendente) e l’unità (quando vi sia correlazione assoluta cioè quando alla variazione di una

variabile corrisponde una variazione rigidamente dipendente dall’altra).

I coefficienti di correlazione sono derivati dagli indici di correlazione tenendo presenti le grandezze degli scostamenti

dalla media.

Gli indicatori a disposizione vengono sottoposti ad un’analisi di correlazione statistica al fine di eliminare i fattori

ridondanti, ovvero che soddisfano al seguente indici di correlazione:

( ) ( )( )( ) ( )

75,0;22≥

−−

−−=

∑ ∑∑

yyxx

yyxxYXCorr

155

Nel caso in cui due indici fossero altamente correlati, sia direttamente che inversamente, è stato scelto quello che da un

punto di vista teorico presentava un alto grado di informazione finanziaria dell’impresa nell’ottica della solvibilità.

Nello specifico si prenda, per esempio, il settore 21 Commercio all’ingrosso.

x = FA CDN prima degli interessi e delle imposte / Oneri finanziari

y = FA CDFN operating / Oneri finanziari

Risulta che l’indice x e l’indice y siano tra loro correlati al 0,995.

Nel modello è stato mantenuto, per il settore 21, l’indicatore y ovvero l’indice Financial coverage ratio, il quale risulta

teoricamente più adatto a spiegare le difficoltà o i vantaggi dell’impresa in termini del default.

La depurazione degli indici con il metodo della correlazione statistica ha permesso di ridurre la loro numerosità a circa

42 ratios.

Si è cercato quindi di comprendere per il campione estrapolato, singolarmente per settori produttivi, il comportamento

di detti indici, conducendo per singolo ratio l’analisi statistica descrittiva.

Come in precedenza esposto le imprese del campione sono state suddivise in settori produttivi attraverso la cluster

analysis condotta.

4.6. Selezione degli indicatori predittivi del rischio di default

Il modello MEU si configura, come gia visto, nell’ambito della più ampia classe dei modelli di regressione multipla non

lineare, che prevedono essenzialmente la modellazione (appunto non lineare) del valore atteso di una variabile

osservabile di interesse previsivo (nel nostro caso si tratta del rischio di default) in funzione di un vettore di parametri

non noto e di un vettore di variabili esplicative (nel nostro caso parliamo un vettore di indicatori di bilancio che possono

descrivere lo stato di solvibilità dell’impresa).

La scelta del modello di regressione si concretizza nella determinazione (in termini di qualità e numero) dei regressori

nonché nella precisione della espressione formale del valore medio condizionale della variabile aleatoria risposta come

funzione del vettore dei regressori e del vettore dei parametri del modello.

Gli indici di bilancio che vanno a descrivere lo stato di solvibilità di un’impresa vengono derivati dall’analisi condotta

con la metodologia Fund Accounting e incorporata nel database DBComplex.

Gli indicatori ovvero i dati di input del modello MEU vengono anche definiti indicatori predittivi del default in quanto

possiedono un forte valore predittivo verso l’insolvenza dell’impresa.

156

Al fine di definire un indicatore quale predittivo del default è stato necessario distinguere le aziende in due

sottocampioni:

♦ Imprese fallite

♦ Imprese non fallite

Su detti ratio sono state condotte tre diverse tipologie di analisi statistiche al fine di far emergere, rispetto a tutti gli

indicatori disponibili, quelli che effettivamente presentavano una correlazione significativa con lo stato di insolvenza

delle imprese analizzate.

Ricordiamo che questa analisi è stata effettuata su indici già scremata con l’analisi di correlazione.

Le metodologie di cui si è fatto uso sono state:

Parametro di t-Student;

Default Frequency;

SOM (Self Organizing Maps).

4.6.1 Parametro t-Student

Il Parametro di t-Student è un indicatore statistico utilizzato nello studio della significatività della media di due

popolazioni distinte, nel nostro caso Default-No default.

Una delle metodologie statistiche che si rivelano più efficienti per la determinazione degli indici con più alto potere

predittivo rispetto il default è senz’altro il parametro di t-Student. Con questo parametro si riesce a stabilire se, date due

distribuzioni distinte, la loro differenza è importante in termini statistici: minore è il parametro di t-Student, più

rilevante è la differenza tra esse (la zona di incertezza si riduce).

L’applicazione di questa metodologia alla determinazione della predizione degli indici di bilancio verso il default viene

effettuata creando due diverse popolazioni per ogni indice, a seconda che l'indice appartenga alla metà inferiore o

superiore del suo intervallo globale di variazione; a questo punto per ogni indice viene valutato il parametro di t-Student

tra imprese in default e non default: gli indici con parametro di t-Student minore saranno quelli più interessanti per la

successiva valutazione del modello MEU.

Ogni indice viene diviso in due intervalli (metà inferiore-metà superiore).

⎟⎟⎠

⎞⎜⎜⎝

⎛+

−+

⎟⎠⎞

⎜⎝⎛ −+⎟

⎠⎞

⎜⎝⎛ −

=∑∑

twoonetwoone

two twoione onei

D NNNN

xxxxS 11

2

_2_

157

D

twoone

Sxx

t__

+=

4.6.2. Default Frequency

Come sostenuto dai maggiori esperti di rischio di credito, ogni indice di bilancio racchiude in sé un certo potere

predittivo nei confronti del default; uno strumento che si è rivelato utile nella identificazione del soprascritto potere

predittivo è la default frequency.

Lo scopo primario di questa tecnica è la riduzione al numero più o meno significativo di variabili (rappresentanti

altrettante caratteristiche del fenomeno analizzato).

L’analisi si propone di identificare le variabili sottostanti, che spiegano il modello di correlazioni all’interno di un

insieme di variabili osservate. Questa analisi viene in genere utilizzata per la riduzione dei dati in quanto consente di

identificare un numero ridotto di valori che spiegano la maggior parte dei valori di varianza osservati in numerose

variabili manifeste. L’analisi può inoltre essere utilizzata per generare ipotesi relative a meccanismi causali oppure per

esaminare le variabili per le analisi successive (ad esempio per identificare la collinearità prima di eseguire un’analisi di

regressione lineare).

La default frequency viene realizzata procedendo lungo i seguenti passi:

♦ costituire un archivio (o dataset) che includa la storia degli indici di bilancio di aziende sane e fallite;

♦ individuare il range di variazione di ciascun indice e dividerlo in sottointervalli (è buona pratica effettuare la

divisione per percentili);

158

♦ distinguendo tra aziende fallite e non, computare la frequenza relativa di ogni indice; questo avviene

contando (e relativizzando) il numero di volte che l’indice assume un valore compreso tra gli “edges” dei

sottointervalli prima menzionati;

♦ detti f_D ed f_ND rispettivamente i valori della frequenza relativa, per ogni sottorange dell’indice, il valore

della default frequency è pari a:

DF = f_D/(f_D + f_ND)

Per chiarire il concetto e per capire come un semplice calcolo di frequenze possa rappresentare uno strumento efficace

nella comprensione del potere predittivo degli indici di bilancio, riportiamo di seguito due esempi.

Indice con alto potere predittivo

Appare chiaro come, per l’indice riportato, la distribuzione delle aziende fallite (in colore verde) sia decrescente al

crescere dell’indice; analoghe ma opposte considerazioni possono essere fatte analizzando la distribuzione delle aziende

sane (in colore giallo); conseguentemente l’andamento della default frequency è fortemente monotono decrescente.

Nell’esempio proposto è rappresentato l’indicatore EBITDA coverage ratio (Earninge before interests taxes

ammortizations and depretiations / Oneri finanziari (senza perdite su cambi)) appartenente alla categoria di indici di

copertura interessi.

159

Indice con basso potere predittivo

Appare chiaro come la distribuzione dei valori dell’indice sia simile nel caso di aziende sane (in giallo) e di aziende

fallite (in verde); la default frequency, infatti assume valori oscillanti attorno allo 0,5 il che significa, riprendendo la

definizione al precedente punto 4., che f_D ≈ f_ND.

Nell’esempio, di cui sotto, si riporta l’indice di rotazioni degli investimenti

X5 = Ricavi delle vendite / Totale attivo

160

Altri esempi:

♦ Relazione con il default dell’indicatore ROI – Return on investment = Utile operating / Attività totali

♦ Relazione con il default dell’indicatore ROS – Return on Sales = Utile operating / Fatturato

161

♦ Relazione con il default dell’indicatore Rapporto di leverage = Passività totali / Patrimonio netto

♦ Relazione con il default dell’indicatore Tasso di remunerazione dei fattori primari = Valore aggiunto /

Valore della produzione

162

♦ Relazione con il default dell’indicatore Capitalizzazione = Patrimonio netto / Attività totali

L’utilizzo dello strumento “default frequency” ha permesso di comprendere con notevole precisione il grado

d’importanza degli indici e del valore esplicativo che essi ricoprono nei confronti del default.

4.6.3. SOM – Self Organizing Maps

Rispetto all’analisi condotta con il parametro t-Student e mediante la Default frequency sono stati ritenuti utili ulteriori

strumenti più efficienti di indagine. Nello specifico sono state utilizzate le SOM – Self Organizing Maps.

Le SOM – Self Organizing Maps permettono di esplicitare i rapporti tra gli elementi per mezzo di una proiezione non

lineare da uno spazio di dati multi-dimensionale ad un piano bidimensionale. Ciò ha permesso di arricchire l’analisi sul

valore predittivo degli indicatori anche analizzando le relative correlazioni degli stessi con lo stato di default delle

aziende a livello locale.

L’algoritmo SOM

Le Self Organizing Maps, proposte per la prima volta da Teuvo Kohonen nel 1982, prendono spunto dalla capacità del

cervello umano di organizzare in maniera topografica gli stimoli sensoriali, in modo tale che un determinato tipo di

stimolo venga processato in zone specifiche. Gli algoritmi che tentano di riprodurre questa caratteristica vengono detti

auto-organizzanti e le SOM ne sono l’esempio principale. Esse sono un efficace strumento sia per la visualizzazione di

dati multidimensionali che per l’individuazione di gruppi di dati simili tra loro senza conoscenza a priori del numero e

163

del tipo di classi eventualmente presenti (unsupervised clustering). Le SOM hanno trovato utile applicazione in

discipline diverse, al punto da essere, tra gli algoritmi generalmente classificati come parte del soft computing, quello

che ha raccolto il maggior numero di citazioni in letteratura. L’algoritmo, operando una regressione vettoriale non

lineare a topologia ordinata, permette di proiettare dati a molte dimensioni su un piano bidimensionale, generalmente a

pianta esagonale, in modo tale che dati vicini nello spazio originale siano riportati in zone contigue anche in questo

piano. Ne risulta quindi una vera e propria mappa dei dati. Segue una schematica descrizione dell’algoritmo.

Sia ( )dj xxxX ,...,, 21= un dato in uno spazio d-dimensionale, con j=1,…,N

1. Crea una griglia con i nodi (i=1,…,K). A ciascun nodo vengono assegnati due sistemi di coordinate: uno nello

spazio d-dimensionale di input ( )dj WWWW ,...,, 21= , detti vettori di riferimento, l’altro nel sistema di

riferimento bidimensionale r della griglia.

2. Inizializza i vettori di riferimento su ciascun nodo: Wi(0); ai vettori di riferimento viene quindi assegnata una

dipendenza temporale discreta Wi(t); ogni ciclo dell’algoritmo incrementa la variabile temporale t.

L’inizializzazione può essere effettuata con numeri casuali (in questo caso, però, a parità di altri fattori, la

convergenza richiede un numero di cicli maggiore) oppure con metodi che permettano di partire da una

situazione quanto più possibile simile a quella dei dati (Principal Component Analysis).

3. Definisce i parametri iniziali della neighborhood function

( ) ( )( )ttrrht ci ,/σα −

che regola l’aggiornamento a cui vanno soggetti i vettori di riferimento. ( )tα è la velocità di apprendimento e

regola l’entità dell’aggiornamento: decresce linearmente o esponenzialmente con la variabile t. ( )tσ è la

funzione di prossimità e determina quali nodi sono coinvolti nell’aggiornamento.

4. (Ciclo) Seleziona uno dei dati di input Xj

4.1 Calcola le distanze tra il vettore di input Xj e tutti i vettori di riferimento Wj; seleziona il vettore W(c)

più simile (più vicino) a Xj

4.2 Calcola il valore attuale della neighborhood function e aggiorna i vettori di riferimento dei nodi

topologicamente vicini nella mappa, con entità direttamente proporzionale alla loro distanza |ri-rc| dal

nodo W(c)

4.3 Calcola l’errore di quantizzazione Eq , che indica quanto sono mediamente vicini i vettori di

riferimento ai dati iniziali; è calcolato come la radice quadrata della distanza media tra ciascun dato ed

il rispettivo W(c)

2/1

1

1⎟⎠

⎞⎜⎝

⎛−= ∑

=

N

iciq i

WXN

E

164

4.4 Criterio di terminazione: numero di cicli desiderato oppure valore minimo di Eq

L’algoritmo utilizza quindi un insieme di vettori-sonda (i vettori di riferimento) e, con procedimento iterativo, li porta a

convergere sui dati nello spazio d-dimensionale; contemporaneamente, assegna a ciascuno di questi vettori-sonda una

posizione in una griglia bidimensionale che può essere utilizzata come una sorta di display dei dati stessi, poiché il

procedimento è tale per cui viene rispettata la topologia originale.

Una possibile variante a questo algoritmo, che è la versione base di una SOM, è l’algoritmo SOM-batch, in cui

l’aggiornamento dei vettori di riferimento viene fatto solo dopo che tutti i dati sono stati presentati e tutte le distanze

sono state calcolate. Il pregio principale della variante batch è la maggior velocità di convergenza, a scapito però della

capacità di rispettare la topologia originale dei dati.

Per chiarire il concetto e per capire come interpretare i grafici prodotti dalle SOM nella comprensione del potere

predittivo degli indici di bilancio, riportiamo di seguito due esempi.

Indice con alto potere predittivo

165

Spiegazione dei grafici:

♦ grafico a sinistra presenta due cluster (rosso e blu) corrispondenti alla scala dei valori 0 (blu – valori bassi) e

100 (rosso – valori alti). Il grafico rappresenta in rosso la classificazione nel cluster delle imprese fallite,

individuate appunto con il valore 100 mentre in blu la classificazione nel cluster delle imprese non fallite,

individuate appunto con il valore 0

♦ grafico a destra presenta più cluster corrispondenti alla nidificazione dei vari valori dell’indice (nel nostro

caso ROI) assunti dalle stesse imprese (fallite e non fallite). Le diverse scale di colori corrispondono ad un

minimo (blu) fino ad un massimo (rosso) assunto dall’indicatore (nell’esempio: min=-0,0235 e max=0,213).

Ogni neurone della mappa a destra corrisponde al neurone nella setssa posizione della mappa a destra.

Quindi le imprese fallite, individuate con la zona rossa (in alto) del grafico a sinistra, corrispondono alla

stessa zona della mappa (in alto) nel grafico a destra.

Quasi si potesse leggere i grafici sovrapposti, possiamo affermare che le imprese che non falliscono assumono tutte

valori alti del indice, ovvero i valori per l’indice discriminanti sono superiori al 0,0947, che corrispondono al valore

verde. Infatti si noti che la mappa mostra che alcune imprese fallite hanno assunto detto valore (macchia giallo-verde).

Nell’esempio proposto è rappresentato l’indicatore ROI (Utile operatig / Attività totali) appartenente alla categoria di

indici economici.

Indice con basso potere predittivo

Ricavando le stesse indicazioni per l’interpretazione delle mappe di cui prima qua si vede che il grafico a destra mostra

una distribuzione di valori (colori) su tutte le zone, al che non possiamo affermare che esista una zona di

discriminazione tra l’intera scala dei valori possibili assunti dall’indice relazionandoli all’evento di default delle

imprese.

166

Nell’esempio si riporta l’indice Esigibilità su totale passivo (indice di struttura)

X5 = Esigibilità / Totale passivo e netto

Altri esempi:

♦ Relazione con il default (buona) dell’indicatore EBITDA interest coverage ratio = EBITDA / Oneri

finanziari (senza perdite su cambi)

♦ Relazione con il default (non buona) dell’indicatore ROE – Return on equity = Utile netto / Patrimonio netto

167

♦ Relazione con il default (buona) dell’indicatore ROS – Return on Sales = Utile operating / Fatturato

♦ Relazione con il default (buona) dell’indicatore Rapporto di leverage = Passività totali / Patrimonio netto

168

♦ Relazione con il default (buona) dell’indicatore Indice di copertura del passivo = Attività totali / Passività

totali

♦ Relazione con il default (buona) dell’indicatore Current ratio = Disponibilità / Esigibilità

169

♦ Relazione con il default (no buona) dell’indicatore Crescita della ricchezza d’impresa = Valore aggiunto /

Valore della produzione

♦ Relazione con il default (buona) dell’indicatore Rapporto di leverage = Passività totali / Patrimonio netto

I dati di bilancio, che quindi costituiscono i dati di input del modello, sono gli indicatori che presentano un legame con

lo stato di default – fallimento. Detti indicatori vengono anche definiti predittivi del default.

170

4.7. MEU – Maximum Expected Utility

L’approccio classico proposto da E.I. Altman51 porta al separare le imprese in due classi distinte di imprese buone e

cattive. Con gli sviluppi teorici (nonché tecnologici) dei modelli di probabilità di default gli operatori possono fare delle

separazioni più affini al concetto di rischio d’insolvenza.

Il modello sviluppato da Altman denominato Z-score si basa sulla metodologia della regressione lineare indicando le

imprese sane distinte da quelle non sane. Resta comunque nella metodologia stessa un risultato intermedio definito zona

d’indifferenza, ovvero l’impresa che si colloca nella prossimità di questa zona non può essere ne classificata di per certo

buona ne cattiva.

4.7.1. Modello logit – LLR

Con lo sviluppo delle tecniche econometriche sono stati sviluppati diversi modelli logistici tra cui probabilmente il più

popolare risulta essere la Regressione Logistica Lineare (LLR) che descrive la probabilità dell’ambiente. Questa tecnica

viene anche definita Logit lineare o Logit. La funzione è data da:

( )iii xe

xpβ∑+

=−1

1|1

L’espressione è la notazione matematica per la probabilità di default condizionata dalle variabili esplicative.

L’espressione destra dell’equazione è la funzione logistica della combinazione lineare ∑ iii xβ , con range di

probabilità definite nell’intervallo [0, 1]. Possiamo pensare alla regressione logistica lineare come forma funzionale

semplice della probabilità che si trovi tra 0 e 1.

Nello sviluppo del modello conosciamo la condizione di default delle singole imprese nonché i valori delle variabili

esplicative (o predittive) delle stesse imprese, dati che costituiscono gli input del modello al fine di determinare i

parametri βi del modello. Detti parametri devono minimizzare l’errore prodotto funzione di probabilità, ovvero

massimizzare la stima della probabilità. In altre parole si cercheranno i parametri βi al fine di massimizzare la

( )( ) ( ) ( )( )[ ]∑ −−+= iiiii xpyxpylikelihood 1log1log)log(

dove yi è 0 o 1 (default o non default) mentre p(xi) è la probabilità di default, per la quale dati βi viene derivata dalla

51 E.I. Altman in Financial ratios, Discriminant Analysis an the Prediction of Corporate Bankruptcy, Journal of Finance, September 1968

171

( )iii xe

xpβ∑+

=−1

1|1

Intuitivamente se yi è 1, allora i termini tra le parentesi si riducono a p(xi) (fintanto che il secondo termine non diventa

0). Questa è la probabilità (o likelihood) di osservare 1. Il logaritmo di questa probabilità è preso quale log-likelihood

per singola osservazione.

Analogamente se yi è 0, allora i termini tra le parentesi si riducono a (1-p(xi)) (o 1 meno la probabilità di osservare 1).

Questa è la probabilità (o likelihood) di osservare 0. Questo numero è generalmente moltiplicato da 1, fintantoché (1- yi)

o (1- 0) è 1.Il logaritmo di questa probabilità è preso quale log-likelihood per singola osservazione.

Il modello ricava i parametri β massimizzando la likelihood function su un campione di dati di allenamento. Detta

procedure di ottimizzazione è ritenuta numericamente robusta, in quanto deriva a stime sostanzialmente precise del

parametro β. Infatti, la ricerca del parametro β è classificato quale problema di ottimizzazione di funzioni concave, un

tipo di problema con proprietà numeriche eccellenti.

Benché LLR sia una tecnica di modellizzazione numericamente robusta, la probabilità di default calcolata deriva da un

approssimazione della funzione lineare. Ciò significa che quando i dati (nel loro insieme) presentano caratteristiche di

complessità i modelli LLR, con le tecniche di approssimazione lineare, risultano troppo rigidi.

4.7.2. Modello probit – LPR

Meno famoso del modello logit (LLR), sebbene anche questo molto utilizzato, e il modello probit (LPR). È del tutto

analogo al modello logit, dal quale differisce essenzialmente per la scelta della funzione dichiarata; tale scelta è spesso

dettata da considerazioni di trattabilità algebrica del modello, piuttosto che da motivi teorici.

Limiti dei modelli logit e probit

Modello Capacità di trattare

variabili non lineari

Capacità di trattare

variabili non monotone

Capacità di trattare

iterazioni tra variabili

LLR No No No

LPR No No No

4.7.3. Modelli misti logit e probit

In modellistica esistono ad ogni modo metodi che combinano tra loro, a seconda della tipologia e numero di variabili

trattate il LLR e il LPR. Sostanzialmente dette metodologie scompongono il problema in tanti modelli quante risultano

172

essere le variabili esplicative (da trattare), le analizzano separatamente, applicando LLR o LPR a seconda della

tipologia di variabile interessata e producono quindi tanti risultati intermedi quante sono le variabili trattate. Per

esempio se la funzione obiettivo o probabilità di default è spiegata da 5 variabili o indicatori, questa tipologia di

metodologie sviluppa 5 modelli di probabilità. Si impiegano le tecniche diverse in diverse regioni dello spazio di

probabilità per approssimare meglio la non linearità e la non monotonicità delle variabili esplicative (Nearest-Neighbor

Methods).

L’ultimo step dei modelli è sviluppare una probabilità derivante dalle n variabili del modello di default, combinando i

valori tracciati con le variabili esplicative.

Sebbene questi modelli permettano di risolvere il problema della non monotonicità e non linearità delle variabili

esplicative non riescono ancora a trattare le iterazioni tra le diverse variabili.

Limiti dei modelli

Modello Capacità di trattare variabili non lineari

Capacità di trattare variabili non monotone

Capacità di trattare iterazioni tra variabili

LLR No No No LPR No No No Metodi misti LLR e LPR Si Si No

4.7.4. …Un modello che tratti anche le iterazioni tra variabili…

Il modello sviluppato cerca di ovviare ai problemi appena esposti, trattando anche l’iterazione tra variabili esplicative.

La performance del modello, comunque, è soggetta alla qualità dei dati trattati, della quale però non tratteremo in questo

lavoro52.

Il modello sviluppato, basato sul Statistical Learning Theory, punta a modelizzare le reali probabilità di default in un

dato arco temporale (come già detto in un esercizio contabile) dato un vettore di variabili esplicative. Il vettore di

variabili esplicative è relativo agli indicatori di natura economica, patrimoniale, finanziaria o copertura degli interessi e

di struttura rimasti a seguito delle scremature effettuate con i processi di correlazione, t-Student, Default Frequency e

considerazioni economico-finanziarie intervenute. In altre parole si tratta del vettore degli indicatori (residui) predittivi

dello stato di default dell’impresa.

Il modello proposto, trattando la non linearità, la non monotonicità e l’iterazione dei dati introdotti riduce notevolmente

il problema dell’overfitting. L’overfitting infatti si verifica nel momento in cui il modello presenta molti gradi di libertà

il che porta a non poter generalizzare bene i dati al di fuori del campione di allenamento (training set).

52 La qualità dei dati è soggetta da prima all’editing dei bilanci, all’esatta codificazione dei settori per anagrafica d’impresa, alla costruzione degli

indicatori, al segno assunto da alcuni indicatori, non per ultimo ai valori outlier e ai missing data.

173

Modello Capacità di trattare variabili non lineari

Capacità di trattare variabili non monotone

Capacità di trattare iterazioni tra variabili

LLR No No No LPR No No No Metodi misti LLR e LPR Si Si No MEU model Si Si Si

4.7.5. Il modello MEU53

Per riuscire a comprendere in modo esaustivo la metodologia proposta per la ricerca della probabilità di default è utile

dare alcune definizioni fondamentali e applicare il modello ad un caso semplice ma molto utilizzato in letteratura quale

la determinazione delle puntate ottime in caso di corse di cavalli.

Noi cerchiamo il modello che rappresenti la distribuzione di probabilità di una variabile discreta casuale Y, tale che

possa assumere i valori y1,…,ym. Nel caso della probabilità di default avremo m=2 con y1=0 e y2=1. Per i seguenti

sviluppi, definiamo le due misure di probabilità:

yYp

yYp

y

y

==

==

che amodellizat probabiltà

che empirica probabiltà~

La probabilità modellizata p=(py1,…, pym) è quello che noi vogliamo determinare (il modello probabilistico), mentre la

probabilità empirica )~,,~(~1 ymy ppp L= è quella conosciuta dall’analisi dei dati (dati “in-sample”). Definiamo anche

il simplesso delle probabilità quale:

⎭⎬⎫

⎩⎨⎧

=≥= ∑y

ypppQ 1,0:

Per capire meglio la metodologia MEU è utile fare il seguente esempio:

Definizione 1 La corsa di cavalli è un mercato caratterizzato da una variabile discreta random Y con m possibili stati,

nel quale un investitore può puntare un dollaro su uno stato Y=y che paga Oy>0 se e solo se la variabile estratta è y.

Consideriamo un investitore che punti una quantità di denaro by sull’evento Y=y, dove

53 Per una descrizione accurata della teoria matematica di base si veda:

♦ C. Friedman and J. Huang, A. De Servigny and E. Salinas, “A Utility-Based Private Firm Default Probbility Model”, Working paper,

2003

♦ C. Friedman and S. Sandow, “Model performance Measures for Expected Utility Maximizing Investors”, International Journal of

Theoretical and Applied Finance, 6, 2003, p.355

♦ C. Friedman and S. Sandow, Learning Probabilistic Models: An Expected Utility Approach”, Journal of Machine Learning Research, 4,

2003, p. 257

174

∑ =y

yb 1

Assumiamo che l’investitore allocchi i propri beni massimizzando la propria utilità, che ovviamente segue il modello

probabilistico a cui crede.

{ }∑∑=

= yyyy

bbObUppb

y y

)(maxarg)(1:

*

Il nostro obiettivo è determinare il modello che massimizza l’utilità dell’investitore sui dati futuri (sconosciuti). Di

conseguenza è possibile quantificare la differenza in utilità tra due modelli p1 e p2

( )( ) ( )( )[ ]∑ −=y

yyyyyOU OpbUOpbUppppG 1*2*12, ),,(

Questa definizione è identica alla definizione di entropia relativa probabilistica, che può essere definita come:

( )( ) ( )( ) ( )∑∑ =−=y

OUyyyy

yyyOU pppGOpbUpOpbUpppD ,,)( 0,

0**0,

che può essere interpretata come la perdita per l’investitore nell’utilità con il modello p0 quando la misura di probabilità

vera è p.

Di conseguenza si è giunti alla definizione del modello che cerchiamo; il vantaggio della metodologia proposta si

ritrova da definizioni finanziarie (massimizzazione della funzione utilità dell’investitore), integrandola con una

necessaria base statistica (coerenza con i dati conosciuti, rappresentati dalla funzione probabilità empirica

)~,,~(~1 ymy ppp L= )

Per la coerenza con i dati conosciuti, bisogna definire una quantità molto usata nelle metodologie di machine learning:il

concetto di feature. La consistenza esiste se la quantità:

[ ] [ ] JjfEfEpc jpjpj ,,1,)( K=<−= α

dove le funzioni ℜ→ℜ:jf sono le funzioni feature e si fa riferimento alla probabilità empirica sui dati conosciuti.

Come si nota, le funzioni f possono essere definite in qualunque modo, per questo motivo potranno essere definiti

diversi kernel del modello, per un’ampia flessibilità dei risultati così ottenuti.

Nel nostro caso, presenza di due stati per la variabile aleatoria 0 e 1 (no default, default) il problema diventa la

massimizzazione della discrepanza tra la misura di probabilità p e quella a priori p0:

175

[ ] [ ][ ]

[ ] (5) xyfxypxpfE

(4) xyfxypxpfE

(3) fEfEc(2) cNc

xypxyp

xypxpppD

x yp

x yp

pp

T

x y

∑ ∑

∑ ∑

∑ ∑

=

=

−

=

=

=

−=≤Σ

=

1,0~

1,0

~

1

1,00

0

),()(~)(~

),()()(~

)1()()(

log)()(~)(

α

Nelle relazioni precedenti l’equazione (1) esprime mediante entropia relativa di Kullback-Leibler l’incremento nella

funzione utilità (in questo caso logaritmica) data dal modello con probabilità p rispetto al modello di probabilità p0.

La definizione di entropia relativa per due modelli q1 e q2 è la seguente:

( )( ) ( )( )∑∑ −=y

yyyy

yyyOU OqbUqOqbUqqqD 2*

1*

21, )(

dove U è la funzione utilità. Si definisce il modello 1 migliore del modello 2 se e solo se DU,O(q1||q2)>0 cioè se il

modello 1 porta ad una funzione utilità sui dati reali (qy) maggiore.

Nelle equazioni (4) e (5) compaiono dei termini f(y,x) che vengono definiti funzioni di kernel. Il loro utilizzo nasce

principalmente nella teoria Machine Learning, all’interno della metodologia Support Vector Machine. La loro utilità è

trasformare una coppia duale (y,x) in un unico valore reale; è facile comprendere come le possibilità nella scelta della

definizione numerica di kernel sia amplissima: si parla di kernel lineare, quadratico, esponenziale, logaritmico, ecc.

La metodologia così sviluppata è stata implementata all’interno del software di progettazione numerica MATLAB; lo

schema logico dell’implementazione è il seguente:

∑

∑

=

=

=

=

Σ−=

=

1,0

),(0

0),()(

1

)(

*

)|()(

)|()(

1)|(

)6()(log1)(con

)(maxarg Trovare

y

xyfx

xyf

x

N

k

Tkk

T

T

exypZ

xypeZ

xyp

Nxyp

Nh

h

β

ββ

β

β

β

β

ββαβ

ββ

Un aspetto interessante della metodologia implementata è l’utilizzo di un kernel particolarmente complesso dato dalla

combinazione di kernel lineare, quadratico e esponenziale.

),( leesponenzia Kernel

(x))(),( quadratico Kernel

)(),( lineare Kernel

2

2)(

j

σax

i

j

exyf

xxyf

xxyf

−−

=

=

=

176

A causa del numeroso numero di parametri liberi del problema, come algoritmo di ottimizzazione si è utilizzato uno

basato sul gradiente della funzione obiettivo, precisamente l’algoritmo BFGS di derivazione Quasi-Newton.

Una considerazione importante da fare riguarda la seconda parte dell’equazione (6). Come si nota da un punto di vista

numerico essa porta ad una minimizzazione del valore assoluto dei parametri liberi del problema (pesati con il kernel);

il motivo di ciò sta nella minimizzazione del rischio di overfitting. Per overfitting si intende la bassa capacità predittiva

nel modello numerico in esame, pur avendo basso errore sui dati conosciuti (in altri termini basso errore sul trainig set

ed alto errore sul validation set). Normalmente questo problema può essere risolto solo con una metodologia ricorsiva,

al contrario della metodologia MEU che assume nella sua fase teorica la formulazione per evitare l’overfitting.

4.7.6. Test numerico

La metodologia implementata è stata successivamente testata su due casi: il primo di trattazione teorica, il secondo su

un database di imprese per testare l’efficienza nella ricerca della probabilità di default.

Il primo test tratta la ricostruzione di un modello di probabilità dato dalla seguente equazione:

[ ]1,0,21),|1(

21

212121

∈−−+=

xxxxxxxxp

Questa distribuzione di probabilità è molto interessante in quanto, come dimostrato i metodi classici quali regressione

logistica falliscono nella ricostruzione della funzione, creando semplicemente una funzione di probabilità costante 0,5.

I risultati ottenuti da MEU possono essere riassunti nel grafico seguente:

177

Si può osservare come la funzione originale sia stata quasi perfettamente ricostruita. Una lieve differenza si nota

nell’andamento della funzione ai limiti di definizione delle variabili che nel caso di MEU non è lineare, a differenza del

comportamento originario. Questa differenza può essere spiegata con il fatto che noi utilizziamo un kernel complesso,

con presenza di termini sia quadratici che esponenziali; ciò porta ad avere una metodologia numerica flessibile su dati

complessi, ma che può peccare lievemente in qualità quando si richiede un comportamento perfettamente lineare

(almeno in alcune zone di definizione della distribuzione di probabilità).

4.7.7. I risultati del modello MEU

Visto il buon risultato ottenuto nella ricostruzione di una distribuzione di probabilità analitica, si è passati ad una prima

sperimentazione del modello MEU sui dati reali del settore 21 Commercio all’ingrosso.

Il risultato ottenuto è la stima numerica della probabilità di default di un’impresa, probabilità ricavata dai dati di

bilancio.

Il primo passo è stato quello di determinare un set di imprese non in default (p=0) e imprese in default (p=1). Come già

detto i dati sono stati estrapolati dal database DBComplex.

In totale sono state processate 60.532 imprese ripartite tra 60.161 non in default e 371 in default54 ovvero il 0,61%. Si

può subito comprendere come il numero di imprese in default coinvolte sia estremamente basso, ma quello che si

voleva comprendere dal primo test è come il modello risponde ad una analisi reale e se i risultati ottenuti siano

realmente interessanti da un punto di vista applicativo.

Il numero di indici di bilancio utilizzati è di 11, scremati da un approfondito studio statistico come in precedenza

descritto. Questo passo è estremamente importante per la qualità dei risultati finali, poiché fondamentale è che i valori 54 L’evento di default ricomprende la chiusura di attività per procedure di bancarotta, di liquidazione coatta e amministrativa, etc.

178

in ingresso al modello siano effettivamente importanti per il risultato da ottenere (in altri termini bisogna sempre

ricercare gli indici di bilancio che abbiano il maggiore potere predittivo rispetto al rischio di default).

Ratio processati Categoria EBITDA Interest coverage ratio EBITDA / Oneri finanziari Copertura interessi Cash flow interest coverage ratio Flusso autogenerato di capitale liquido / Oneri finanziari Copertura interessi ROI – Return on Investments Utile operatig / Attività totali Equilibrio economico ROE – Return on Equity Utile netto / Patrimonio netto Equilibrio economico ROS – Return on Sales con EBITDA EBITDA / Fatturato Equilibrio economico ROS – Return on Sales con Utile operating Utile operating / Fatturato Equilibrio economico

Indice di rotazione degli investimenti Fatturato / Totale attivo Equilibrio economico Crescita della ricchezza d'impresa Valore aggiunto / Attività totali Equilibrio economico Produttività del lavoro Valore aggiunto / Costo del personale Equilibrio economico Tasso di remunerazione dei fattori primari Valore aggiunto / Valore della produzione Equilibrio economico

Cash flow ratio Flusso autogenerato di capitale liquido / Totale passivo Equilibrio patrimoniale Rapporto di leverage Totale passivo / Patrimonio netto Equilibrio patrimoniale Current ratio Disponibilità / Esigibilità Equilibrio patrimoniale Indice Oneri finanziari su utile operating Oneri finanziari / Utile operating Equilibrio patrimoniale

Costo storico del debito Oneri finanziari / Passività finanziarie Struttura

CDN su totale attivo Rimanenza finale del fondo di capitale disponibile netto / Totale attività Struttura

Scorte attive su totale attivo Scorte attive / Totale attivo Struttura Scorte passive su totale passivo Scorte passive / Totale passivo Struttura Capitalizzazione Patrimonio netto / Totale attivo Struttura Rapporto attività disponibili Totale attività disponibili / Attività totali Struttura

Variazione EBITDA (Rimanenza finale EBITDA – Rimanenza iniziale EBITDA) / Rimanenza iniziale EBITDA Struttura

Processado il modello MEU sui dati del settore 21 Commecio all’ingrosso e fermando le iterazioni al sesto passo gli

indici scelti risultano essere nell’ordine:

Ratio scelti Categoria Capitalizzazione Patrimonio netto / Totale attivo Struttura ROS – Return on Sales con Utile operating Utile operating / Fatturato Equilibrio economico

Cash flow ratio Flusso autogenerato di capitale liquido / Totale passivo Equilibrio patrimoniale Current ratio Disponibilità / Esigibilità Equilibrio patrimoniale EBITDA Interest coverage ratio EBITDA / Oneri finanziari Copertura interessi Cash flow interest coverage ratio Flusso autogenerato di capitale liquido / Oneri finanziari Copertura interessi Produttività del lavoro Valore aggiunto / Costo del personale Equilibrio economico ROS – Return on Sales con EBITDA EBITDA / Fatturato Equilibrio economico

179

Uno degli elementi fondamentali nella costruzione del modello è evitare l’overfitting, cioè il buon adattamento ai dati

conosciuti, ma il poco potere predittivo rispetto a dati sconosciuti. Come già mostrato nella sezione teorica del modello

MEU, l’overfitting può essere numericamente rappresentato dal valore assoluto assunto dai parametri liberi del

problema.

Si può osservare come l’algoritmo ha determinato i pesi con valore assoluto medio attorno a 0,3; da prove sperimentali

effettuate questo può essere un buon risultato, avendo osservato come valori assoluti dei pesi attorno a 1,3 sono indice

di incipiente overfitting.

L’utilità della metodologia MEU si può altrimenti riscontrare nella possibilità di visualizzare graficamente la relazione

esistente tra due indici di bilancio e la probabilità di default (fissando i valori di tutti gli indici rimanenti). Alcune di

queste relazioni sono visualizzate nei grafici che seguono, dove è possibile osservare interessanti comportamenti; le

relazioni esistenti variano in modo notevole tra le zone di definizione degli indici e tra gli indici stessi: questa è una

caratteristica unica della metodologia MEU che si ritrova nell’utilizzo di un kernel complesso; in questo modo il

modello numerico si adatta in modo differente nelle diverse zone con notevole flessibilità, andando di conseguenza a

massimizzare l’accuratezza della densità di probabilità trovata.

180

Alcuni esempi:

Iterazione tra: Capitalizzazione-ROS-Default

Iterazione tra: ROS-Cash flow ratio-Default

181

Iterazione tra: Cash flow ratio-Current ratio-Default

Iterazione tra: Current ratio-Valore aggiunto su costo del lavoro-Default

182

Iterazione tra: Valore aggiunto su costo del lavoro-ROS con EBITDA-Default

Iterazione tra: Capitalizzazione-Current ratio-Default

183

Iterazione tra: Capitalizzazione-ROS con EBITDA-Default

Iterazione tra: ROS-Valore aggiunto su costo del lavoro-Default

L’ultimo grafico ad essere mostrato nella trattazione della metodologia MEU è la frequenza di probabilità di default dei

dati studiati. La considerazione da fare è che il metodo trova delle distribuzioni che seguono quelle che normalmente si

trovano in letteratura per i maggiori gruppi mondali di definizione del rischio di default (Standard & Poor’s,

Moody’s,etc).

184

5. Conclusioni

Si è osservato come la metodologia MEU sia un potente mezzo numerico per la ricerca della probabilità di default

d’impresa, partendo dai dati di bilancio. Uno dei vantaggi essenziali del metodo è la partenza teorica non da

considerazioni puramente numeriche-statistiche, ma da considerazioni di carattere finanziario. La metodologia è

altamente efficiente, grazie anche alla costruzione di un kernel complesso, che, se può perdere in accuratezza nei casi

più semplici, certamente lascia una notevole flessibilità numerica all’algoritmo per l’accuratezza finale dei risultati.

Infatti, il modello si colloca nella fascia di accurratezza dei modelli in uso presso le diverse realtà economiche.

Nell’applicazione proposta, purtroppo, si è riscontrata una mancanza di dati relativi alle imprese in default, dettata dal

fatto che le aziende in Italia che avviano una procedura di fallimento o analoga come quelle considerate risultano essere

poche in relazione al numero di società di capitali con fatturato annuo prodotto maggiore/uguale a 1 milione di euro.

I problemi di fondo di questa metodologia si possono raggruppare essenzialmente in due punti:

1) necessità di avere un database rappresentativo della realtà che si vuole esaminare; certamente sarà necessario

creare vari modelli per le varie problematiche aziendali (divisioni in settori, sottosettori, fatturato, ecc);

2) necessità di ridurre (visto anche tempi di calcolo necessari all’algoritmo) al minimo il numero di variabili

libere (indici di bilancio); per questo motivo lo studio a priori del potere predittivo degli indici rispetto al

default, è un passaggio assolutamente necessario e fondamentale, al fine di utilizzare solo informazioni

coerenti con il problema da esaminare.

185

Bibliografia

C. Friedman and J. Huang, A. De Servigny and E. Salinas, “A Utility-Based Private Firm Default Probbility Model”,

Working paper, 2003

C. Friedman and S. Sandow, “Model performance Measures for Expected Utility Maximizing Investors”, International

Journal of Theoretical and Applied Finance, 6, 2003, p.355

C. Friedman and S. Sandow, Learning Probabilistic Models: An Expected Utility Approach”, Journal of Machine

Learning Research, 4, 2003, p. 257

Xuelong Zhou, Jinggang Huang, Craig Friedman, Robert Cangemi and Sven Sandow Private firm default probabilities

via statistical learning theory and utility maximization, Journal of Credit Risk, Volume 2, Number 1, 2006

186

Valutazione della validità dei modelli sviluppati - le curve R.O.C. (Receiver Operating

Characteristic)

Partecipanti: Dipartimento di Economia e Tecnica Aziendale e Dipartimento di Ingegneria Meccanica – Università

degli studi di Trieste


Quando si parla di “verifica di ipotesi statistiche” si vuole esprimere una qualunque congettura relativa ad una o più

caratteristiche ignote riguardanti una o più popolazioni. In particolare si è interessati a valutare la conformità dei dati ad

una qualsiasi di queste ipotesi, che si presumono formulate a priori rispetto all’esperimento casuale che genera i dati.

Le ipotesi che vengono formulate possono essere raggruppate in due grandi famiglie: quella delle ipotesi

“parametriche”, che precisano alcuni condizioni circa i parametri della popolazione a cui appartiene il campione

sperimentale, e qualla delle ipotesi “non parametriche” che comprende ogni altro tipo di ipotesi.

La formulazione del problema della verifica comporta sempre l’individuazione di due affermazioni reciprocamente

esclusive, in altre parole viene definito un sistema di ipotesi. Viene individuata con H0 l’ipotesi nulla, ossia

l’affermazione che viene assunta come vera in partenza, e quindi da sottoporre alla verifica per essere confermata o

rigettata. L’altra affermazione viene indicata con H1 ed è conosciuta con il nome di ipotesi alternativa.

Alla fine si giunge all’accettazione o al rifiuto dell’ipotesi nulla (ipotesi principale) e la regola che, sulla base

dell’informazione campionaria, porta all’accettazione o al rifiuto di tale ipotesi è conosciuta con il nome di “test

statistico”.

In base alla tipologia di responso fornito, i test possono essere classificati in due categorie. Alla prima appartengono i

test “qualitativi”, ossia che restituiscono un output (risposta) dicotomico (es. positivo/negativo, vero/falso ecc.); la

seconda, numericamente più consistente, comprende i test di tipo quantitativo, ossia che producono risultati sotto forma

di variabili numeriche “discrete” o “continue”.

Per i test quantitativi, l’ottenimento di risultati affidabili è subordinato alla condizione che il parametro misurato

possieda una distribuzione approssimativamente unimodale sia nella classe, nel nostro caso, delle imprese sane che in

quella delle imprese non sane o fallite, ovviamente con medie differenti per ciascuna classe. Tale ipotesi di

distribuzione viene detta “bi-normale”.

187

E’ evidente che, per i test quantitativi (siano essi discreti o continui), occorre individuare sulla scala di lettura un valore-

soglia (“cut point” o “cut off”) che discrimini i risultati da dichiarare “positivi” da quelli “negativi”55 .

Ciò consente di categorizzare in “positivi” e “negativi” la gamma di tutti possibili risultati e di equiparare

l’interpretazione di un test quantitativo a quella di un test qualitativo.

Il problema di base che genera incertezza nell’interpretazione di un test risiede nel fatto che – nella grande maggioranza

dei casi – esiste una zona di sovrapposizione fra le distribuzioni dei risultati del test medesimo applicato in popolazioni

di imprese rispettivamente sane e non sane.

Infatti, se le due popolazioni restituissero valori separati (Figura 1) allora sarebbe facile individuare sull’asse delle

ascisse il valore di cut off capace di discriminare con precisione assoluta le due popolazioni.

Figura 1. Distribuzione degli esiti di un ipotetico test nelle classi di imprese sane e non sane, senza sovrapposizione

inter-classe.

Purtroppo, invece, nella pratica si verifica sempre una sovrapposizione più o meno ampia delle due distribuzioni (Figura

2) ed è perciò impossibile individuare sull’asse delle ascisse un valore di cut off che consenta una classificazione

perfetta, ossia tale da azzerare sia i falsi positivi che i falsi negativi.

55 Per semplicità, nella trattazione si farà sempre riferimento a test applicati per determinare lo stato di “salute” o

“malattia” di una singola impresa. Tuttavia, l’analisi ROC può essere utilizzata anche per test quantitativi capaci di

accertare qualsiasi altra condizione.

188

Figura 2. Distribuzione degli esiti di un ipotetico test nelle classi di individui malati e non malati, con sovrapposizione

inter-classe.

Le curve ROC: il principio di base

Le problematiche ora accennate, può essere affrontata attraverso l’analisi ROC (Receiver Operating Characteristic o

Relative Operating Characteristic).

Si tratta di una metodologia sviluppata per la prima volta durante la II Guerra mondiale per l’analisi delle immagini

radar e lo studio del rapporto segnale/disturbo. Essa venne ben presto applicata in altri campi della tecnica e in

particolare, a partire dagli anni ’70, in campo medico (Lusted, 1971) inizialmente allo scopo di quantificare

l’attendibilità dei responsi di immagini radiografiche interpretate da operatori diversi (Goodenough e coll., 1974;

Hanley e McNeil, 1982). In tempi più recenti, l’utilizzo delle curve ROC si è fatto relativamente comune per la

valutazione dei modelli predittivi statistici, applicate quando è possibile considerare le popolazioni composte da due

sole classi (convenzionalmente indicate con 0 ed 1).

L’analisi ROC viene effettuata attraverso lo studio della funzione che – in un test quantitativo – lega la probabilità di

ottenere un risultato vero-positivo nella classe delle fallite-vere (ossia la sensibilità) alla probabilità di ottenere un

risultato falso-positivo nella classe delle non-fallite (ossia 1-specificità). In altre parole, vengono studiati i rapporti fra

allarmi veri (hit rate) e falsi allarmi.

La relazione tra i suddetti parametri può venire raffigurata attraverso una linea che si ottiene riportando, in un sistema di

assi cartesiani e per ogni possibile valore di cut off, la proporzione di veri positivi in ordinata e la proporzione di falsi

positivi in ascissa. Se il risultato del test è riportato su scala continua, si possono calcolare i valori di sensibilità e 1-

specificità per ogni valore registrato (oppure, in modo del tutto equivalente, utilizzando la media tra ogni valore e quello

precedente).

189

L’unione dei punti ottenuti riportando nel piano cartesiano ciascuna coppia (Se) e (1-Sp) genera una curva spezzata con

andamento a scaletta (ROC plot). Per interpolazione, è possibile eliminare la scalettatura (smoothing) ed ottenere una

curva (ROC curve) che rappresenta una stima basata sui parametri del data set sperimentale (Figura 3).

Fig. 3. Curva ROC prima e dopo interpolazione (“smoothing”)

Valutazione della capacità discriminante di un test e scelta di cut off ottimali

La capacità discriminante di un test, ossia la sua attitudine a separare propriamente la popolazione in studio in “fallite” e

“non fallite” è proporzionale all’estensione dell’area sottesa alla curva ROC (Area Under Curve, AUC) ed equivale alla

probabilità che il risultato di un test su un impresa estratta a caso dal gruppo delle imprese fallite sia superiore a quello

di una estratta a caso dal gruppo delle non-fallite (Bamber, 1975; Zweig e Campbell, 1993). Per chi è familiare con

metodi di statistica non parametrica, risulta evidente la stretta relazione che lega la AUC alla statistica U di Wilcoxon e

Mann-Whitney. Nel caso di un test perfetto, ossia che non restituisce alcun falso positivo né falso negativo (capacità

discriminante = 100%), la AUC passa attraverso le coordinate {0;1} ed il suo valore corrisponde all’area dell’intero

quadrato delimitato dai punti di coordinate (0,0), (0,1), (1,0) (1,1), che assume valore 1 corrispondendo ad una

probabilità del 100% di una corretta classificazione. Si noti che, in tale caso limite che corrisponde ad una distribuzione

separata della variabile nei due gruppi a confronto (Figura 1), i valori predittivi non dipendono più dalla prevalenza.

Al contrario, la ROC per un test assolutamente privo di valore informativo è rappresentata dalla diagonale (“chance

line”) che passa per l’origine, con AUC=0,5. In una curva ROC esistono in genere due segmenti di scarsa o nulla

importanza ai fini della valutazione dell’attitudine discriminante del test in esame. Essi sono rappresentati dalle frazioni

di curva sovrapposte rispettivamente all’asse delle ascisse ed all’asse delle ordinate. Infatti, i corrispondenti valori

possono essere scartati in quanto esistono altri valori di cut-off che forniscono una migliore Sp senza perdita di Se o,

viceversa, una migliore Se senza perdita di Sp.

190

Infine è da ricordare che la valutazione di un test attraverso l’AUC viene compiuta attribuendo ugual importanza alla Se

e alla Sp, mentre in molti casi è necessario, nella pratica, differenziare il peso da assegnare ai suddetti parametri.

Nella maggioranza degli studi, l’individuazione del cut off ottimale viene effettuata assumendo una distribuzione

normale per la variabile in studio e si raggiunge adottando un valore pari a: [media aritmetica + 2 deviazioni standard]

dei risultati generati dal gruppo di imprese sane di referenza. Questo approccio rigido corrisponde ad ottenere un test

con specificità pari a 97,5% e presenta lo svantaggio di trascurare completamente il valore della sensibilità. Un’altra

possibilità è quella di selezionare un livello di cut off sulla base dei percentili della distribuzione delle non-fallite (ad

esempio, il 90° percentile), e di considerare come potenzialmente falliti i soggetti con valori superiori. Tale metodo

corrisponde a fissare a priori la specificità del test (si noti, infatti, che il 90° percentile nella distribuzione delle non-

fallite corrisponde a settare la specificità al 90%).

Un approccio più adeguato può essere adottato tenendo in considerazione la relazione che lega sensibilità e specificità,

ovvero studiando la curva ROC. L’utilizzo della curva ROC rappresenta, infatti, un criterio più “flessibile”, in quanto

offre la possibilità di visualizzare, dato un valore a scelta di Sp, la corrispondente Se e viceversa. Come regola generale,

si può affermare che il punto sulla curva ROC più vicino all’angolo superiore sinistro rappresenta il miglior

compromesso fra sensibilità e specificità.

Valutazione della performance di un singolo test mediante una curva ROC

L’area sottesa ad una curva ROC rappresenta un parametro fondamentale per la valutazione della performance di un

test, in quanto costituisce una misura di accuratezza non dipendente dalla prevalenza (“pure accuracy”). Poiché AUC

rappresenta una stima da popolazione campionaria finita, risulta quasi sempre necessario testare la significatività della

capacità discriminante del test, ovvero se l’area sotto la curva eccede significativamente il suo valore atteso di 0,5. Tale

procedura corrisponde a verificare se la proporzione dei veri positivi è superiore a quella dei falsi positivi. Dalle

proprietà della statistica U, AUC può essere considerata una variabile normale, per cui si può costruire un test z nella

seguente maniera:

AUCAUCz

2

5,0σ

−=

ove σ2 rappresenta la varianza di AUC.

Se, ad esempio, il valore di z eccede il valore critico di 1,96, si può affermare che il test diagnostico presenta una

performance significativamente superiore a quella di un test non discriminante, con p <0,05. Se il test z risulta invece

significativamente inferiore (curva ROC al di sotto della chance line), occorre invertire il criterio di classificazione, in

quanto il marcatore evidenziato dal test presenta valori mediamente più elevati nella popolazione dei non-malati

(evenienza di difficile riscontro).

191

Stima dell’area sottesa ad una curva ROC

Il calcolo dell’AUC per una curva empirica (cioè ottenuta da un campione finito) può venire effettuato semplicemente

connettendo i diversi punti del ROC plot all’asse delle ascisse con segmenti verticali e sommando le aree dei risultanti

poligoni generati nella zona sottostante. Come sopra accennato, questa tecnica, detta “regola trapezoidale”, può fornire

risultati sistematicamente distorti per difetto. I metodi di stima dell’area “vera” e di interpolazione delle curve ROC per

dati ordinali vanno oltre i limiti della presente trattazione. Tuttavia, in pratica, il calcolo della AUC può essere eseguito

al calcolatore per mezzo di pacchetti statistici completi (NCSS, R, SAS, SPSS, SimStat, Stata, SYSTAT ecc.) oppure di

software specifico per la valutazione dei test diagnostici e delle curve ROC.

Per quanto riguarda l’interpretazione del valore di AUC, si può tenere presente la classificazione della capacità

discriminante di un test proposta da Swets (1998). Essa è basata su criteri largamente soggettivi ed avviene secondo lo

schema seguente.

• AUC=0,5 test non informativo

• 0,5<AUC≤0,7 test poco accurato

• 0,7<AUC≤0,9 test moderatamente accurato

• 0,9<AUC<1,0 test altamente accurato

• AUC=1,0 test perfetto

La comparazione di due test mediante analisi ROC

Sotto l’ipotesi bi-normale sopra descritta, due test possono essere quindi confrontati tra di loro comparando le accuracy

stimate mediante l’area sottesa alle corrispondenti curve ROC (Figura 4). Un test z (cioè basato sulla distribuzione

normale standardizzata) può essere eseguito rapportando la differenza delle due aree all’errore standard di tale

differenza. Nel caso di indipendenza dei due test, tale parametro viene facilmente stimato dalla radice quadrata della

somma della varianza di ogni area.

192

Figura 4. Confronto tra due test diagnostici mediante analisi ROC. Sotto l’ipotesi bi-normale (curve ROC proprie), tale

confronto corrisponde a testare la differenza tra le rispettive aree. Risulta evidente la superiorità del test A la cui curva

ROC teorica si trova interamente al di sopra di quella corrispondente al test B.

Test z per il confronto tra due curve ROC indipendenti:

22

21

21

σσ +

−=

AUCAUCz

Nel caso i due test non siano indipendenti (situazione che può verificarsi quando essi vengono applicati agli stessi

soggetti), l’errore standard della differenza delle due aree viene a dipendere dalla correlazione r esistente tra esse:

2122

21

21

2 σσσσ r

AUCAUCz−+

−=

Violazioni dell’ipotesi bi-normale: curve ROC non proprie

Lo scostamento dall’ipotesi bi-normale produce curve ROC non proprie, ovvero si assiste ad una perdita della concavità

oppure della simmetria rispetto alla diagonale discendente. Un caso piuttosto frequente consiste nell’incrocio della

curva con la chance line; ciò può indicare l’esistenza di una distribuzione bimodale all’interno di uno dei due gruppi a

confronto, come illustrato nella Figura 5.

193

Figura 5. Distribuzione bimodale di uno dei gruppi a confronto e corrispondente Curva ROC non propria.

In tal caso risulta che la popolazione delle imprese non fallite è costituita da (almeno) due diverse sottopopolazioni di

cui una presenta un valore di marcatore mediamente più elevato rispetto al gruppo delle fallite, e l’altra mediamente più

basso. In linea teorica si potrebbe quindi generare una regola di classificazione basata su due valori diversi di cut off.

Tuttavia, visto che la prevalenza delle diverse sottopopolazioni nel gruppo delle imprese non-fallite non è nota, in

genere un simile risultato induce al rigetto del test.

Test sui modelli sviluppati

I risultati possono essere riassunti nel grafico di accuratezza del modello espresso con la curva ROC (Receiver

Operating Characteristic o Relative Operating Characteristic).

Riepilogando la capacità discriminante di un test, ossia la sua attitudine a separare propriamente la popolazione in

studio in “malati” e “sani” è proporzionale all’estrazione dell’area sottesa alla curva ROC (Area Under Curve o AUC)

ed equivale alla probabilità che il risultato di un test su un individuo (nel caso nostro l’impresa) estratto a caso dal

gruppo dei “malati” sia superiore a quello di uno strato a caso dal gruppo di “non malati”. In un test perfetto, ossia che

non restituisce alcun falso positivo ne falso negativo (capacità discriminante = 100%)56 la AUC passa attraverso le

coordinate [0, 1] ed il suo valore corrispondente all’area dell’intero quadrato delimitato dai punti di coordinate (0, 0),

(0, 1), (1, 0) e (1, 1), che assume valore 1 corrispondendo ad una probabilità del 100% di una corretta classificazione

(nel grafico rappresentata dall’Optimal model).

Al contrario, la ROC per un test assolutamente privo di valore informativo è rappresentata dalla diagonale o “chance

line” che passa per l’origine, con AUC=0,5 (nel grafico rappresentata dal Random model).

56 Nel nostro caso è stata scelta una capacità discriminante = 99%

194

Il confronto è stato effettuato utilizzando tutte e tre le metodologie, sopra descritte, sviluppate durante lo svolgimento

del progetto COMPLEX: Maximux Expected Utility (MEU), Rete Neurale e Indicatore Sintetico di Dinamicità. Le

imprese utilizzate sono le medesime per i metodi proposti (circa 1300 imprese di cui 300 in default), per rendere

omogenea la comparazione modellistica. I risultati ottenuti possono essere riassunti nel grafico ROC che mette in

comparazione il modello ideale (“Optimal Model”) con il modello random assieme ai modelli di predizione default

proposti (vedi grafico sopra).

Per il confronto è utile anche mostrare i valori di Accuracy Ratio ottenuti dai vari modelli:

Dal confronto delle tre metodologie il modello MEU ha un’accuratezza maggiore nella predizione del rischio di default,

come si può notare sia dal grafico ROC (maggior area sottesa del grafico MEU), sia dal valore dell’ACCURACY

RATIO. Il modello Rete Neurale e Indicatore di Dinamicità mostrano invece un andamento peggiore rispetto a MEU e

sono pressoché confrontabili tra loro. Interessante è però notare come tutte e tre le metodologie abbiano un valore di

195

accuracy ratio paragonabile con i modelli più conosciuti esistenti in letteratura ( valutabili mediamente attorno a 0.75-

0.8). La maggiore accuratezza del metodo MEU può essere spiegata principalmente in due punti:

1) le dimensioni del database limitato con una buona rappresentanza di imprese fallite: senz’altro questa è la

migliore situazione per un modello statistico, che, in questi casi, lo fa preferire ad un modello tipo Indicatore di

Dinamicità. Certamente in casi di database molto esteso o bassa rappresentanza di imprese fallite57 l’accuratezza

del modello MEU va a decrescere a vantaggio del modello Indicatore di dinamicità.

2) il modello MEU (a differenza del modello Rete Neurale) valuta in modo complesso e coerente le interazioni tra i

diversi indici di bilancio nella predizione del default. L’utilizzo di un kernel gaussiano ha certamente agevolato

questo comportamento.

A conclusione del lavoro si può affermare come tutte tre le modellistiche sviluppate possono essere utilizzate in modo

efficiente per la predizione del rischio di insolvenza di società di capitale, con la possibilità di scelta tra i diversi metodi

che vanno a privilegiarsi in diverse condizioni di lavoro quali database esteso, il modello Indicatore di Dinamicità e

database limitato, modelli statistici quali MEU e Rete Neurale.

57 In media annualmente le imprese che presentano casi di fallimento in Italia risultano circa il 4% del totale società di capitali registrate presso il registro delle imprese, di qualsiasi dimensione. Questo valore risulta assai esiguo è non risulta assolutamente sufficiente ad allenare un modello statistico sulla totalità delle imprese sane.

196

DB COMPLEX - Banca Dati on line

Partecipanti: Osservatorio Economico della Sardegna, Dipartimento di Economia e Tecnica Aziendale e Dipartimento

di Ingegneria Meccanica – Università degli studi di Trieste


Il DBComplex: Il Sistema Integrato di Analisi Economica e Finanziaria per le Sperimentazioni del Progetto sui Dati

di Bilancio

Il DBComplex costituisce un prototipo che consente di monitorare lo stato di salute delle imprese italiane, considerate

sia in relazione all’attività economica svolta, che in relazione al territorio di appartenenza, e nel contempo permette di

effettuare la stima del grado di insolvenza delle imprese attraverso i modelli derivanti dalla ricerca. Il sistema

costituisce la base per le sperimentazioni del progetto, e a tale scopo si fonda su dati di natura economica e contabile,

derivanti dai bilanci di quelle imprese soggette all’obbligo di deposito presso il Registro delle Imprese.

Il sistema ha come obiettivo la costruzione una “mappatura” delle caratteristiche del sistema industriale e dei servizi a

livello nazionale, secondo la logica di “scenario analysis and risk mapping techniques”.

Per la sua costruzione sono stati identificati diversi sentieri guida d’analisi, per favorire l’interpretazione

dell’andamento economico del sistema “imprese”, attraverso lo studio di parametri e di indici di bilancio a livello

d’azienda e di settore.

Le informazioni offerte (connotazioni economiche territoriali applicate al modello d’analisi impiegato) si possono

utilizzare quali aghi di bussole per i diversi obiettivi della ricerca: analisi dello stato di salute delle imprese, rischiosità

del sistema, solvibilità e solidità.

Gli strumenti che confluiscono nel DBCOMPLEX traggono origine dai criteri metodologici della Finanza Moderna.

Con essa non si vuole intendere una “finanza separata e sradicata” dalla finanza d’azienda tradizionale, bensì si vuole

considerare quell’approccio dell’analisi economica che vede nei filoni1 conoscitivi della Cash flow analysis, della teoria

di Modigliani e Miller e del Capital Asset Pricing Model, ulteriori (e diversificati) sentieri d’indagine per giungere ad

una efficace teoria del valore dell’impresa.

In particolare l’analisi dello stato di salute delle imprese e della loro solvibilità trae un grande beneficio

dall’impostazione metodologica della Finanza Moderna soprattutto per la parte che riguarda il filone della Flow and

Funds Analysis. Infatti i nuovi drivers del valore derivanti dall’analisi per flussi, le nuove architetture contabili (bilanci

dinamici) e gli automatismi tecnici applicati al database dei dati di bilancio e ripetibili in modo standardizzato nel

tempo e per la più vasta gamma di imprese, consentono di comprendere in modo globale l’andamento di un’azienda in

particolare, oppure di un settore o di un raggruppamento regionale. Inoltre questi strumenti consegnano più chiavi di

lettura per l’analisi sullo stato di salute: dalla redditività allo sviluppo e alla liquidità, dalla struttura del capitale

investito e del patrimonio ai flussi di risorse da questi generati.

197

Si tratta quindi di costruire ed utilizzare gli strumenti costruiti per il Data Base Management System (DBMS) che

corrisponde ad un insieme di dati tra loro collegati e in aggiunta un sistema software in modalità web service per la

gestione di essi. Gli strumenti permettono l’aggiornamento, la manutenzione e la consultazione di un insieme di

registrazioni contenute in un supporto di memoria di massa. Il DBMS, pertanto, è costituito dal database e da un

insieme di programmi, che sono rivolti alla gestione di dati memorizzati in archivi e nel nostro caso è l’archivio base dei

bilanci delle imprese trattato e trasformato nel DBCOMPLEX, ovvero nel sistema informativo integrato per l’analisi

economica e finanziaria con la metodologia della finanza moderna.

Banca Dati on line

Uno degli elementi qualificanti per il progetto di ricerca COMPLEX è la pubblicazione per tutti i ricercatori che ne

volessero far uso, dei dati e delle metodologie sviluppate durante i tre anni di ricerca. Per realizzare questo scopo è stato

reso pubblico il database dei bilanci DBComplex, con l’analisi di rischiosità delle imprese trattate. A questo è stato

aggiunta la possibilità di rendere interattiva l’analisi dei dati, permettendo la stesura di statistiche secondo i dettami del

ricercatore.

Da un punto di vista informatico si è scelta la strada del WEB-SERVICE, vale a dire rendere interattiva l’analisi dei dati

mediante portale INTERNET.

Da un punto di vista operativo il collegamento avviene al seguente link:

http://140.105.135.155/complexnew

La pagina internet appare come:

198

Dopo la digitazione dell’user e della password (da richiedere a [email protected]) si entra nella pagina principale del

servizio, dove viene data la possibilità al ricercatore di effettuare diverse interrogazioni al database, tra cui ricerche per

Regione di appartenenza della società, anno di deposito del bilancio, settore economico di produzione, ecc

199

L’interrogazione più completa si ha digitando la prima interrogazione dove c’è la possibilità di richiedere un notevole

numero di dati di bilancio, indicatori di bilancio e indicatori di qualità delle imprese richieste:

I risultati delle interrogazioni possono essere visualizzati sulla pagina web oppure scaricati sul proprio computer in

formato Excel.

200

Entrando in un’altra sezione del servizio c’è la possibilità di richiedere un ampio spettro di statistiche sia a livello

provinciale che regionale.

I risultati di queste statistiche possono essere direttamente visualizzati come grafici oppure salvati in fogli Excel.

201

Aspetti qualitativi delle imprese: Assetti manageriali e Strategie Finanziarie

Partecipanti: Osservatorio Economico della Sardegna, CERIS – CNR di Torino, Dipartimento di Economia e Tecnica

Aziendale Università di Trieste

A cura di: Greta Falavigna

Relazione sui questionari ISAE relativi al fabbisogno finanziario e copertura

L’Istituto ISAE di Roma ha provveduto, durante i primi tre mesi del 2006, ad elaborare un questionario sul fabbisogno

finanziario e sulla copertura. Tale inchiesta è stata in seguito sottoposta all’attenzione di un campione di imprese ISAE.

Le domande poste alle imprese in questa indagine, sono state formulate in base a suggerimenti del Prof. M.Fanni e si

pongono come obiettivo quello di indagare la disponibilità di risorse presso l’impresa, nonché la struttura delle fonti di

finanziamento della stessa.

Il questionario è stato strutturato in tre sezioni (razionamento del credito, finanziamenti e copertura) all’interno delle

quali sono stati posti alcuni quesiti riguardanti la materia di indagine.

In particolare, la sezione Razionamento del credito, si compone di tre domande sulla disponibilità di credito bancario,

sulla redazione e sulla eventuale modifica di un budget.

La sezione Finanziamenti invece, è formata da due quesiti che analizzano in che percentuale investimenti e attività

correnti siano finanziati da finanziamenti a breve e medio lungo termine. La risposta a tale quesito prevede di valutare

l’esistenza di equilibrio finanziario all’interno dell’impresa per quanto concerne la copertura delle attività a breve

termine e a medio lungo termine con un finanziamento della stessa durata temporale. Questa analisi permette di chiarire

se l’impresa sarà in grado di far fronte ai suoi impegni finanziari nel breve e nel medio-lungo periodo.

L’ultima sezione, dedicata alla Copertura, interroga i soggetti sull’utilizzo di strumenti tradizionali e derivati per la

copertura dei rischi quali: il rischio di variazione dei tassi di cambio, il rischio di variazione dei tassi di interesse, il

rischio di variazione del presso di vendita del bene prodotto o di quello di acquisto dei fattori produttivi, il rischio di

credito e il rischio di liquidità.

Attraverso queste osservazioni, si vuole indagare la capacità dell’impresa di far fronte alle passività correnti, ricorrendo

anche a strumenti di monitoraggio del credito, come il budget. In particolare, si potrà vedere se sono le grandi imprese

che hanno la possibilità di finanziare la redazione di un budget e o se esso è presente anche nelle piccole imprese.

Inoltre, da tale inchiesta dovrebbe venir fuori la capacità dell’impresa di creare equilibrio finanziario tra fonti e

impieghi di breve e lungo periodo.

202

Infine, è stata fatta un’indagine sulla copertura in modo da capire se le imprese si tutelano rispetto alcunetipologie di

rischio.

a) I dati

Il campione selezionato è composto a 4.001 imprese appartenenti a tutte le regioni di Italia, ripartite in macroaree

geografiche secondo la seguente tabella (tab.1)

Tabella 1: Imprese selezionate suddivise in base alla macroarea geografica di appartenenza

Macroarea Geografica Numero di imprese

Numero percentuale di imprese

Italia Nord Occidentale 766 19.15%Italia Nord Orientale 1147 28.67%Italia Centrale 1048 26.19%Italia Meridionale 786 19.65%Italia Insulare 254 6.35%Totale 4001 100.00%

Come si può vedere dalla precedente tabella la macroarea geografica maggiormente rappresentata, risulta essere l’Italia

Nord-Orientale (28.67%), seguita dall’Italia Centrale (26.19%), dall’Italia Meridionale (19.65%), dall’Italia Occidentale

(19.15%) ed infine dall’Italia Insulare (6.35%).

All’interno di ogni macroarea geografica, le regioni che maggiormente sono state soggette all’indagine sono,

rispettivamente: Lombardia (9.30%), Veneto (10.17%), Marche (7.87%), Campania (5.50%) e Sicilia (3.72%).

Su base regionale è possibile vedere, nel successivo grafico (Figura 1), la numerosità delle imprese suddivise nelle

regioni italiane analizzate.

203

Figura 1: Numero di imprese selezionate suddivise per regione italiana

Imprese suddivise per regione

6.17%

9.30%

3.67%

8.27%

5.35%

4.87%

10.17%

5.25%

7.97%

7.85%

5.12%

4.17%

1.55%

3.22%

5.50%

1.45%

3.75%

2.62%

3.72%

0.00% 2.00% 4.00% 6.00% 8.00% 10.00% 12.00%

P iemo nte

Lo mbardia

Liguria

Emilia Ro magna

Friuli Venezia Giulia

Trentino Alto Adige

Vene to

Lazio

Marche

To s cana

Umbria

Abruzzo

Bas ilica ta

Calabria

Campania

Mo lis e

P uglia

Sardegna

Sic ilia

Le regioni italiane con un maggior numero di imprese intervistate risultano essere il Veneto, la Lombardia e l’Emilia

Romagna (rispettivamente: 10.17%., 9.30% e 8.27%)

La tabella successiva (tab.2) riporta la suddivisione del campione su base dimensionale.

Tabella 2: Suddivisione del campione in base alla macroarea geografica e alla classe dimensionale di

appartenenza

Macroarea geograficaClasse dimensionale

Italia Nord-Occidentale

Italia Nord-Orientale

Italia Centrale

Italia Meridionale

Italia Insulare TToottaallii

MMiiccrroo 15.93% 16.83% 21.37% 23.66% 24.02% 19.65%Piccola 25.33% 27.72% 30.53% 34.10% 40.16% 30.04%Media 26.37% 24.06% 24.81% 25.06% 22.05% 24.77%

Grande 22.45% 23.80% 18.61% 14.38% 12.60% 19.62%Molto Grande 9.92% 7.59% 4.68% 2.80% 1.18% 5.92%

Totale 100.00% 100.00% 100.00% 100.00%100.00%100.00%

In questo caso, mentre nell’Italia Nord-Occidentale e in quella Nord-Orientale si ha prevalenza di piccole, medie e

grandi imprese (rispettivamente: 25.33%, 26.37%, 22.45% e 27.72%, 24.06%, 23.80%) seguite dalle micro e dalle

molto grandi (rispettivamente: 15.93%, 9.92%, e 16.83%, 7.59%), nell’Italia Centrale, in quella Meridionale ed

Insulare, la numerosità maggiore si rileva sulle piccole, medie e micro (rispettivamente: 30.53%, 24.81%, 21.37%;

34.10%, 25.06%, 23.66% e 40.16%, 22.05%, 24.02%,), seguite da grandi e molto grandi (rispettivamente: 18.61%,

4.68%; 14.38 2.80% e 12.60%, 1.18%).

204

Le imprese sono poi state suddivise ulteriormente in base alla classe di attività economica di appartenenza. In

particolare, nelle tabelle successive è possibile vedere a livello di regione e macroarea geografica il peso di ogni settore.

Dalla tabella 3, si evince che i settori più importanti nell’Italia Nord-Occidentale sono metallo e prodotti in metallo

(17.10%), tessile e abbigliamento (14.23%), elettronica (11.75%) e meccanica (10.05%). Questi settori rappresentano,

sommando le percentuali, il 52% circa delle imprese Nord-Occidentali intervistate decretando dunque la supremazia di

queste industrie nella macroarea considerata.

Tabella 3: Imprese suddivise in base ai settori per la macroarea geografica Italia Nord-Occidentale.

Regione Classe di attività economica

Liguria LombardiaPiemonte Italia Nord-Occidentale

Estrattive 1.36% 2.15% 1.62% 1.83%Altre manifatturiere 2.72% 3.23% 4.05% 3.39%Alimentari 10.88% 3.23% 7.69% 6.14%Tessile ed Abbigliamento 8.84% 17.47% 12.55% 14.23%Legno e sughero 4.76% 2.96% 2.43% 3.13%Carta 1.36% 1.61% 1.21% 1.44%Editoria e stampa 4.08% 2.96% 2.43% 3.00%Petrolio 0.68% 0.27% 0.40% 0.39%Chimica 6.80% 9.68% 2.43% 6.79%Gomma 4.76% 6.72% 12.15% 8.09%Marmo Granito ed altre forme per l'edilizia 8.84% 4.30% 4.45% 5.22%Metallo e prodotti in metallo 18.37% 17.47% 15.79% 17.10%Meccanica 7.48% 10.22% 11.34% 10.05%Elettronica 8.84% 13.98% 10.12% 11.75%Mezzi di trasporto 9.52% 3.76% 11.34% 7.31%Costruzioni 0.68% 0.00% 0.00% 0.13%Totale 100.00% 100.00% 100.00% 100.00%

Nella tabella 4 si nota invece che nell’Italia Nord-Orientale a prevalere è il settore del tessile e abbigliamento (18.40%),

decisamente incisivo nella regione Veneto (29.98%), seguito dal settore del metallo e prodotti in metallo (14.47%) e

dalla meccanica (13.69%), quest’ultimo prevalente in Emilia Romagna (21.45%).

205

Tabella 4: Imprese suddivise in base ai settori per la macroarea geografica Italia Nord-Orientale.


Emilia Romagna

Friuli Venezia Giulia

Trentino Alto Adige Veneto Italia

Nord-Orientale

Estrattive 1.51% 0.93% 6.67% 0.49% 1.92%Altre manifatturiere 1.51% 22.90% 4.10% 10.32% 9.07%Alimentari 7.85% 6.54% 12.31% 4.42% 7.15%Tessile ed Abbigliamento 17.22% 7.48% 8.21% 29.98% 18.40%Legno e sughero 3.93% 14.49% 12.31% 3.93% 7.32%Carta 1.21% 2.34% 1.54% 3.93% 2.44%Editoria e stampa 2.72% 1.87% 4.10% 2.95% 2.88%Petrolio 0.60% 0.00% 0.51% 0.00% 0.26%Chimica 2.42% 2.34% 2.56% 1.47% 2.09%Gomma 4.23% 3.27% 3.59% 6.14% 4.62%Marmo Granito ed altre forme per l'edilizia 8.76% 5.14% 7.69% 5.16% 6.63%Metallo e prodotti in metallo 16.01% 16.36% 15.38% 11.79% 14.47%Meccanica 21.45% 7.94% 13.85% 10.32% 13.69%Elettronica 7.25% 6.54% 7.18% 6.88% 6.97%Mezzi di trasporto 3.32% 1.87% 0.00% 1.97% 2.01%Costruzioni 0.00% 0.00% 0.00% 0.25% 0.09%Totale 100.00% 100.00% 100.00% 100.00% 100.00%

Rispetto all’Italia Centrale, è possibile vedere in tabella 5, la prevalenza dei seguenti settori: tessile ed abbigliamento

(31.20%) e metallo e prodotti in metallo (12.21%), particolarmente forti nella Toscana (42.68% per il tessile e

l’abbigliamento e 12.42% per metallo e prodotti in metallo), nelle Marche (rispettivamente 38.24% e 12.23%) ed in

Umbria (23.90% per il tessile ed abbigliamento e 17.07% per metallo e prodotti in metallo). Inoltre, sono rilevanti il

settore dell’elettronica e della chimica in Lazio (rispettivamente 17.14% e 10.48%), quello alimentare (10.24%), marmo

granito ed altre forme per l’edilizia (10.24%) nonché meccanica in Umbria (11.22%).

Tabella 5: Imprese suddivise in base ai settori per la macroarea geografica Italia Centrale.


Lazio Marche Toscana Umbria Italia Centrale

Estrattive 2.86% 0.63% 1.27% 1.46% 1.43%Altre manifatturiere 1.90% 13.48% 7.96% 3.90% 7.63%Alimentari 9.05% 0.94% 3.82% 10.24% 5.25%Tessili ed Abbigliamento 10.48% 38.24% 42.68% 23.90% 31.20%Legno e sughero 4.76% 5.33% 3.50% 2.44% 4.10%Carta 4.76% 1.25% 1.59% 3.41% 2.48%Editoria e stampa 8.10% 1.57% 1.91% 6.83% 4.01%Petrolio 1.43% 0.31% 0.64% 0.00% 0.57%Chimica 10.48% 0.63% 3.50% 1.95% 3.72%Gomma 3.33% 3.76% 2.55% 3.41% 3.24%Marmo Granito ed altre forme per l'edilizia 7.14% 4.08% 7.01% 10.24% 6.77%Metallo e prodotti in metallo 7.14% 12.23% 12.42% 17.07% 12.21%Meccanica 6.19% 9.72% 4.14% 11.22% 7.63%Elettronica 17.14% 6.58% 2.23% 2.44% 6.58%Mezzi di trasporto 5.24% 0.94% 4.78% 1.46% 3.05%Costruzioni 0.00% 0.31% 0.00% 0.00% 0.10%Totale 100.00%100.00%100.00%100.00% 100.00%

206

Nell’Italia Meridionale sono invece maggiormente rilevanti i settori: tessile ed abbigliamento (21.88%), prevalente in

Abruzzo (32.34%), alimentari (13.99%), metallo e prodotti in metallo (13.61%), marmo granito ed altre forme per

l’edilizia (12.09%), particolarmente forte in Basilicata ed in Calabria (rispettivamente 20.97% e 19.38%).

Tabella 6: Imprese suddivise in base ai settori per la macroarea geografica Italia Meridionale.


Abruzzo BasilicataCalabriaCampania Molise Puglia Italia Meridionale

Estrattive 1.80% 1.61% 2.33% 0.45% 1.72% 4.00% 1.91%Altre manifatturiere 5.39% 9.68% 5.43% 2.27% 1.72% 4.00% 4.33%Alimentari 8.98% 19.35% 22.48% 10.00% 22.41% 12.67% 13.99%Tessili ed Abbigliamento 32.34% 8.06% 11.63% 25.00% 15.52% 22.67% 21.88%Legno e sughero 0.60% 4.84% 4.65% 3.64% 5.17% 4.67% 3.56%Carta 1.20% 1.61% 0.00% 3.18% 0.00% 2.00% 1.65%Editoria e stampa 1.80% 3.23% 3.88% 2.73% 0.00% 6.67% 3.31%Petrolio 0.60% 1.61% 2.33% 1.36% 1.72% 0.67% 1.27%Chimica 1.80% 3.23% 3.10% 5.45% 1.72% 2.00% 3.18%Gomma 5.39% 1.61% 1.55% 2.27% 3.45% 4.67% 3.31%Marmo Granito ed altre forme per l'edilizia 5.99% 20.97% 19.38% 7.73% 25.86% 10.00% 12.09%Metallo e prodotti in metallo 18.56% 11.29% 13.18% 14.55% 12.07% 8.67% 13.61%Meccanica 5.39% 1.61% 3.88% 4.09% 1.72% 4.67% 4.07%Elettronica 5.99% 6.45% 3.88% 8.18% 5.17% 6.00% 6.23%Mezzi di trasporto 4.19% 4.84% 2.33% 8.64% 1.72% 6.67% 5.47%Costruzioni 0.00% 0.00% 0.00% 0.45% 0.00% 0.00% 0.13%Totale 100.00% 100.00% 100.00% 100.00%100.00%100.00% 100.00%

In tabella 7 invece, possiamo vedere la suddivisione settoriale del campione di imprese estratto dall’Italia Insulare. Le

industrie prevalenti risultano essere: alimentari (21.65%), metallo e prodotti in metallo (16.93%) e marmo granito ed

altre forme per l’edilizia (13.39%).

207

Tabella 7: Imprese suddivise in base ai settori per la macroarea geografica Italia Insulare.


Sardegna Sicilia Italia Insulare

Estrattive 7.62% 8.05% 7.87% Altre manifatturiere 0.95% 6.04% 3.94% Alimentari 20.00% 22.82% 21.65% Tessili ed Abbigliamento 6.67% 5.37% 5.91% Legno e sughero 9.52% 3.36% 5.91% Carta 1.90% 2.01% 1.97% Editoria e stampa 2.86% 4.70% 3.94% Petrolio 3.81% 0.67% 1.97% Chimica 1.90% 3.36% 2.76% Gomma 1.90% 4.70% 3.54% Marmo Granito ed altre forme per l'edilizia 17.14% 10.74% 13.39% Metallo e prodotti in metallo 18.10% 16.11% 16.93% Meccanica 2.86% 5.37% 4.33% Elettronica 2.86% 4.03% 3.54% Mezzi di trasporto 1.90% 2.68% 2.36% Costruzioni 0.00% 0.00% 0.00% Totale 100.00%100.00% 100.00%

Dalla tabella (tab.8) e dal grafico (fig.2) successivi, è possibile vedere la distribuzione delle imprese in base alla classe

di attività economica per ogni macroarea analizzata e per il totale complessivo.

Tabella 8: Imprese suddivise in base ai settori per macroaree geografiche e totale complessivo.

Macroarea Geografica Classe di attività economica

Italia Centrale

Italia Insulare

Italia Meridionale

Italia Nord-Occidentale

Italia Nord-

Orientale

Totale Complessivo

Estrattive 1.43% 7.87% 1.91% 1.83% 1.92% 2.15%Altre manifatturiere 7.63% 3.94% 4.33% 3.39% 9.07% 6.35%Alimentari 5.25% 21.65% 13.99% 6.14% 7.15% 8.72%Tessili ed Abbigliamento 31.20% 5.91% 21.88% 14.23% 18.40% 20.84%Legno e sughero 4.10% 5.91% 3.56% 3.13% 7.32% 4.85%Carta 2.48% 1.97% 1.65% 1.44% 2.44% 2.07%Editoria e stampa 4.01% 3.94% 3.31% 3.00% 2.88% 3.35%Petrolio 0.57% 1.97% 1.27% 0.39% 0.26% 0.67%Chimica 3.72% 3.54% 3.18% 6.79% 2.09% 3.72%Gomma 3.24% 2.76% 3.31% 8.09% 4.62% 4.55%Marmo Granito ed altre forme per l'edilizia 6.77% 13.39% 12.09% 5.22% 6.63% 7.90%Metallo e prodotti in metallo 12.21% 16.93% 13.61% 17.10% 14.47% 14.37%Meccanica 7.63% 4.33% 4.07% 10.05% 13.69% 8.92%Elettronica 6.58% 3.54% 6.23% 11.75% 6.97% 7.42%Mezzi di trasporto 3.05% 2.36% 5.47% 7.31% 2.01% 4.00%Costruzioni 0.10% 0.00% 0.13% 0.13% 0.09% 0.10%Totale 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

208

Figura 2: Imprese suddivise in base ai settori per macroaree geografiche e totale complessivo.

Percentuali dei settori totali ed in base alle macro aree geografiche

0 ,00% 5,0 0% 10 ,00 % 15,00 % 20 ,00% 25,00 % 3 0 ,00 % 35,00 %

11_Estrat t ive

110_ Altre Manifat turiere

12_Alimentari

13_Tess ili e d ell'Ab b ig liamento

14 _Legno e Sughero

151_Carta

152 _Ed ito ria e Stamp a

161_ Petro lio

16 2_Chimica

163_ Gomma

17_Marmo e Granito e Altri Mat . per l'Ed ilizia

18_ Metallo e p rodo tt i in metallo

19 1_ Meccanica

192 _Elet tronica

19 3_Mezzi d i Trasporto

3 0_ Co s truzio ni

I totali corrispondono alla barra rosa-rossa ed è possibile vedere come i settori maggiormente rappresentati in questo

campione siano il tessile ed abbigliamento (20.84%) e metallo e prodotti in metallo (14.37%).

I settori meno numerosi sono quelli delle costruzioni e del petrolio (rispettivamente. 0.10% e 0.67%); il primo poco

presente ovunque mentre il secondo presente soprattutto in Sardegna con una percentuale pari al 3,8% sul totale delle

imprese presenti sul territorio insulare.

b) I questionari

In questa sezione vengono analizzate e commentate le risposte delle imprese al questionario.

Razionamento del credito

Domanda 1:

Negli ultimi 12 mesi, la disponibilità di credito bancario rispetto alle esigenze della vostra azienda è stata

sufficiente? Si (1); No (2); Non risponde (3).

209

Nella tabella 9 vengono presentate le risposte al quesito e come è possibile vedere, le imprese all’80.99% non hanno

avuto problemi di disponibilità liquida negli ultimi 12 mesi. La percentuale di imprese che nel complesso non risponde

è del 5.80% mentre la percentuale di aziende che hanno dovuto far fronte a problemi di liquidità sono in media del

13.21%.

Le percentuali riportate in tabella sono calcolate come numero di imprese appartenenti ad una determinata macroarea

geografica e classe di addetti sul numero complessivo di imprese appartenenti alla macroarea geografica in analisi e alla

classe di addetti. Ad esempio, la percentuale di imprese grandi e appartenenti all’Italia Centrale che hanno dato una

risposta pari a 1 è 86,67%. Tale percentuale è stata calcolata dividendo il numero di grandi imprese dell’Italia Centrale

che hanno risposto sì, sul totale grandi imprese dell’Italia Centrale.

Tabella 9: Risposte alla Domanda 1.

Macroarea geografica Classi di addetti 1 2 3 Totale Complessivo

Italia Centrale Grande 86.67% 7.18% 6.15% 100.00% Media 79.15% 12.74% 8.11% 100.00% Micro 77.23% 17.41% 5.36% 100.00% Molto Grande 87.76% 2.04% 10.20% 100.00% Piccola 73.75% 20.31% 5.94% 100.00%Totale Italia Centrale 78.89% 14.52% 6.59% 100.00%Italia insulare Grande 81.25% 6.25% 12.50% 100.00% Media 76.79% 17.86% 5.36% 100.00% Micro 70.49% 19.67% 9.84% 100.00% Molto Grande 0.00% 100.00% 0.00% 100.00% Piccola 72.55% 21.57% 5.88% 100.00%Totale Italia insulare 73.23% 19.29% 7.48% 100.00%Italia Meridionale Grande 79.65% 14.16% 6.19% 100.00% Media 79.70% 17.26% 3.05% 100.00% Micro 73.12% 21.51% 5.38% 100.00% Molto Grande 77.27% 4.55% 18.18% 100.00% Piccola 73.13% 22.39% 4.48% 100.00%Totale Italia Meridionale 75.83% 19.21% 4.96% 100.00%Italia Nord Occidentale Grande 90.70% 5.23% 4.07% 100.00% Media 85.57% 6.47% 7.96% 100.00% Micro 71.31% 19.67% 9.02% 100.00% Molto Grande 86.84% 7.89% 5.26% 100.00% Piccola 83.51% 10.82% 5.67% 100.00%Totale Italia Nord Occidentale 84.05% 9.54% 6.41% 100.00%Italia Nord Orientale Grande 90.11% 4.40% 5.49% 100.00% Media 87.32% 8.70% 3.99% 100.00% Micro 78.24% 17.62% 4.15% 100.00% Molto Grande 86.05% 5.81% 8.14% 100.00% Piccola 86.48% 8.81% 4.72% 100.00%Totale Italia Nord Orientale 86.13% 8.99% 4.89% 100.00%Totale complessivo 80.99% 13.21% 5.80% 100.00%

È possibile notare, inoltre, che le imprese appartenenti all’Italia Nord-Orientale e Nord-Occidentale hanno avuto meno

problemi nella disponibilità di liquidità (rispettivamente 84.03% e 86.13%), mentre le tre grandi imprese appartenenti

all’Italia insulare sono risultate essere tutte in difficoltà (100%).

210

Allo stesso modo, sono le imprese micro nell’Italia Nord-Occidentale e Nord-Orientale maggiormente in difficoltà

(rispettivamente 19.67% e 17.62%), mentre nell’Italia Meridionale e Centrale sono le piccole a dover affrontare ostacoli

più impegnativi (rispettivamente 22.39% e 20.31%).

L’Italia Insulare presenta invece le molto grandi imprese in difficoltà per quanto riguarda la disponibilità di liquidità

(100%), seguite dalle piccole (21.57%) e micro imprese (19.67%).

Eliminando la variabile macroarea geografica, i risultati confermano quelli precedenti come mostrato in tabella 10

Tabella 10: Risultati della domanda 1 sulla base delle classi di adddetti

Classi di addetti 1 2 3 Totale complessivo

Grande 87.52% 6.75% 5.73% 100.00% Media 82.71% 11.53% 5.76% 100.00% Micro 75.06% 18.96% 5.98% 100.00% Molto Grande 84.75% 6.78% 8.47% 100.00% Piccola 78.45% 16.31% 5.24% 100.00% Totale complessivo 80.99% 13.21% 5.80% 100.00%

Anche in questo caso micro (18.96%) e piccole (16.31%) imprese risultano avere maggiori difficoltà nel reperire risorse

liquide.

Redazione budget

Domanda 2

In relazione alla pianificazione aziendale, la vostra azienda redige un Budget (o piano di previsione) formale

(ovverosia in forma scritta)? Sì (1); No (2); Non risponde (3).

211

Tabella 11: Risposta alla domanda 2 sulla redazione del budget



In tabella 11 sono riportate le risposte alla domanda sulla redazione del budget. È possibile notare che per ogni

macroarea geografica il numero di imprese che non compila il budget è maggiore della percentuale di quelle che lo

redigono.

Anche il totale complessivo conferma questo risultato, infatti, il 40.40% delle imprese considerate redige il budget

mentre il 55.10% non ne elabora uno. Tuttavia, vi è una diversità tra le imprese delle diverse macroaree geografiche.

Quelle appartenenti all’Italia Nord-Occidentale e Nord-Orientale compilano il budget nella misura del 45.88% e

45.11%. Le imprese dell’Italia Centrale seguono con una percentuale di aziende che redigono il piano finanziario pari al

40.11%. Invece, l’Italia Meridionale e Insulare presenta una percentuale di imprese che elaborano il budget, inferiore,

rispettivamente: 32.95% e 26.77%.

Dalla tabella successiva (tab.12) è invece possibile vedere che, nel complesso, le imprese molto grandi 85.17%

redigono il budget, seguite dalle grandi imprese (67.64%), dalle medie (40.14%), dalle piccole (28.37%) e dalle micro

(18.45%).

212

Tabella 12: Risposta alla domanda 2 sulla base della classe di addetti

Classi di addetti 1 2 3 Totale Cmplessivo

Grande 67.64%28.15%4.20% 100.00%Media 40.14%55.21%4.65% 100.00%Micro 18.45%77.48%4.07% 100.00%Molto Grande 85.17% 8.47%6.36% 100.00%Piccola 28.37%67.14%4.49% 100.00%Totale complessivo40.40%55.10%4.50% 100.00%

Con la diminuzione della dimensione aziendale, sono in numero inferiore le imprese che elaborano un piano finanziario.

Questo fatto è concorde con la letteratura in quanto una piccola impresa possiede risorse finanziarie inferiori ed è

maggiormente in difficoltà nel reperimento delle stesse per la redazione di un budget.

Modifica del budget

Domanda 3

In conseguenza all’insufficiente disponibilità di credito bancario, la vostra azienda ha modificato tale budget? No

(1); In misura modesta (2); In misura significativa (3); Non risponde (4).

Alle imprese che hanno risposto affermativamente alla domanda 2, cioè hanno elaborato un budget, è stato chiesto se

hanno dovuto modificare tale documento durante l’esercizio.

Il 47.03% delle imprese ha risposto di aver modificato il budget in misura modesta, rilevando quindi una certa capacità

da parte dei manager di valutare le prospettive finanziarie aziendali, il 18.92% è dovuta ricorrere a modifiche sostanziali

sottolineando l’incapacità dell’impresa di attenersi al piano finanziario redatto.

Solo il 31.89% delle imprese è stato in grado di non apporre modifiche al budget, denotando la capacità di manager ed

impresa di saper sottostare agli obiettivi finanziari prefissati.

213

Tabella 13: Risposta alla domanda numero 3

Macroarea geografica Classi di addetti 1 2 3 4 Totale complessivoItalia Centrale Grande 30.00% 60.00% 10.00% 0.00% 100.00% Media 23.08% 61.54% 15.38% 0.00% 100.00% Micro 27.27% 45.45% 27.27% 0.00% 100.00% Molto Grande 100.00% 0.00% 0.00% 0.00% 100.00% Piccola 39.13% 52.17% 8.70% 0.00% 100.00%Totale Italia Centrale 32.76% 53.45% 13.79% 0.00% 100.00%Italia insulare Grande 0.00%100.00% 0.00% 0.00% 100.00% Media 25.00% 25.00% 25.00%25.00% 100.00% Micro 0.00%100.00% 0.00% 0.00% 100.00% Molto Grande 50.00% 0.00% 50.00% 0.00% 100.00% Piccola 0.00%100.00% 0.00% 0.00% 100.00%Totale Italia insulare 16.67% 58.33% 16.67% 8.33% 100.00%Italia Meridionale Grande 12.50% 87.50% 0.00% 0.00% 100.00% Media 50.00% 35.71% 14.29% 0.00% 100.00% Micro 25.00% 50.00% 0.00%25.00% 100.00% Molto Grande 0.00% 0.00%100.00% 0.00% 100.00% Piccola 25.00% 62.50% 6.25% 6.25% 100.00%Totale Italia Meridionale 30.23% 55.81% 9.30% 4.65% 100.00%Italia Nord Occidentale Grande 50.00% 25.00% 12.50%12.50% 100.00% Media 37.50% 37.50% 25.00% 0.00% 100.00% Micro 40.00% 40.00% 20.00% 0.00% 100.00% Molto Grande 60.00% 20.00% 20.00% 0.00% 100.00% Piccola 0.00% 50.00% 50.00% 0.00% 100.00%Totale Italia Nord Occidentale 40.00% 33.33% 23.33% 3.33% 100.00%Italia Nord Orientale Grande 36.36% 27.27% 36.36% 0.00% 100.00% Media 7.69% 53.85% 38.46% 0.00% 100.00% Micro 20.00% 40.00% 40.00% 0.00% 100.00% Molto Grande 75.00% 25.00% 0.00% 0.00% 100.00% Piccola 44.44% 22.22% 33.33% 0.00% 100.00%Totale Italia Nord Orientale 30.95% 35.71% 33.33% 0.00% 100.00%Totale complessivo 31.89% 47.03% 18.92% 2.16% 100.00%

Finanziamenti di attività correnti con passività a breve termine e a medio-lungo termine

Domanda 4

Fatto 100 il valore complessivo del finanziamento dell’attività corrente della Vostra azienda, mi può indicare la

ripartizione percentuale tra finanziamento a breve termine e finanziamento a medio/lungo termine?

c) Breve (inferiore ai 18 mesi) (esempio: autofinanziamento, credito commerciale, scoperto di conto corrente

credito bancario, prestiti bancari, etc)

|__|__|__|% (0-100; Mancata risposta = 999)

d) Medio/lungo termine (superiore ai 18 mesi) (esempio: capitale sociale, prestiti bancari, emissioni di

obbligazioni e altri strumenti finanziari)

|__|__|__|%(0-100; Mancata risposta = 999)

Totale |1| 0| 0|%

214

Tabella 14: Risposta alla domanda 4a

Risposte possibili

Italia Centrale

Italia Insulare

Italia Meridion

ale

Italia Nord

Occidentale

Italia Nord

Orientale

Totale Complessiv

o

000 8.07% 3.49% 6.92% 5.34% 5.24% 6.22%001 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%005 0.00% 0.44% 0.00% 0.15% 0.00% 0.06%006 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%009 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%010 0.76% 0.00% 0.41% 1.68% 0.86% 0.84%011 0.00% 0.00% 0.14% 0.00% 0.00% 0.03%013 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%014 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%015 0.11% 0.00% 0.00% 0.30% 0.19% 0.14%020 2.07% 2.18% 1.09% 4.12% 2.10% 2.26%022 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%025 0.65% 0.00% 0.00% 0.15% 0.38% 0.31%030 1.74% 3.06% 1.90% 3.05% 2.86% 2.42%031 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%032 0.00% 0.00% 0.14% 0.00% 0.00% 0.03%033 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%035 0.11% 0.44% 0.00% 0.30% 0.67% 0.31%036 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%037 0.11% 0.00% 0.00% 0.30% 0.00% 0.08%040 1.20% 3.06% 1.36% 3.81% 2.67% 2.26%042 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%045 0.22% 0.44% 0.00% 0.76% 0.10% 0.25%046 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%047 0.00% 0.44% 0.00% 0.00% 0.00% 0.03%048 0.22% 0.00% 0.14% 0.00% 0.00% 0.08%049 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%050 4.58% 5.68% 5.56% 8.38% 5.62% 5.85%051 0.11% 0.00% 0.14% 0.00% 0.10% 0.08%054 0.00% 0.44% 0.00% 0.00% 0.00% 0.03%055 0.11% 0.00% 0.00% 0.15% 0.10% 0.08%056 0.11% 0.00% 0.00% 0.30% 0.10% 0.11%057 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%058 0.00% 0.00% 0.00% 0.30% 0.10% 0.08%060 1.74% 2.62% 2.04% 4.27% 4.19% 3.04%061 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%062 0.11% 0.00% 0.00% 0.30% 0.00% 0.08%063 0.11% 0.00% 0.00% 0.15% 0.00% 0.06%064 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%065 0.44% 0.00% 0.27% 0.61% 0.38% 0.39%066 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%067 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%070 2.62% 3.06% 3.80% 4.57% 4.10% 3.68%071 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%073 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%074 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%075 0.33% 0.87% 0.14% 0.76% 0.29% 0.39%077 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%078 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%079 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%080 4.80% 6.55% 2.85% 8.08% 6.20% 5.52%081 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%082 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%

215

084 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%085 0.65% 0.00% 0.14% 0.46% 0.57% 0.45%086 0.00% 0.00% 0.14% 0.00% 0.00% 0.03%087 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%090 2.62% 1.31% 1.49% 3.05% 4.00% 2.79%092 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%095 0.22% 0.00% 0.54% 0.76% 0.86% 0.56%097 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%098 0.22% 0.00% 0.27% 0.00% 0.19% 0.17%099 0.00% 0.00% 0.14% 0.30% 0.10% 0.11%100 65.10% 65.94% 70.42% 46.34% 56.05% 60.17%Totale complessivo 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

La precedente tabella (tab.14), riporta le percentuali delle risposte delle imprese suddivise per macroarea geografica. Ad

esempio, si può vedere che le imprese che hanno un finanziamento totalmente a breve termine son0 il 60.17%, mentre

in media non utilizzano passività a breve termine il 6.22%. Le aziende che utilizzano maggiormente risorse a breve

termine sono quelle appartenenti alle macroaree Meridionale (70.42%), Insulare (65.94%) e Centrale (65.10%). Una

struttura più variabile invece si trova per le aree Nord-Occidentale e Nord-Orientale, anche se prevale la struttura di

finanziamento a breve per le attività correnti (rispettivamente: 56.05% e 46.34%).

A questo proposito, è necessario notare che si tratta di finanziamento di attività a breve termine, dunque, un utilizzo

esclusivo di fonti a lungo termine può apparire eccessivo.

Tuttavia, si evince che la maggior parte delle imprese dunque utilizza solo risorse a breve termine per finanziare le

attività correnti.

Analizzando le risposte sulla base della dimensione aziendale si può notare che sono maggiormente le micro, piccole e

medie imprese (rispettivamente il 72.34%, 65.16 e 57.53%) che ricorrono a finanziamenti a breve termine mentre le

grandi e molto grandi (rispettivamente 47.59% e 44.56%) presentano una struttura finanziaria più variabile.

Per quanto riguarda dunque l’equilibrio finanziario di breve periodo, più del 50% delle imprese risulta essere in

equilibrio finanziario di breve termine in quanto coprono le attività a breve termine con finanziamenti della stessa

natura temporale.

Dalla tabella 15, si possono valutare le percentuali relative all’utilizzo di fonti a medio-lungo termine per il

finanziamento delle attività correnti.

Il 60.26% delle imprese non utilizzano passività consolidate per la copertura di attività a breve termine. Il 6.13% delle

aziende invece, finanzia le attività correnti solo attraverso le passività a medio-lungo termine. Anche questo conferma

l’equilibrio finanziario delle imprese italiane.

Alla domanda sulla percentuale di finanziamento a lungo termine rivolto ad attività correnti, l’Italia Centrale,

Meridionale e Nord-Occidentale (rispettivamente: 7.96%, 6.92% e 5.18%) risultano le macroaree che maggiormente

finanziano le attività a breve con passività a medio-lungo termine.

216

Tuttavia, tali percentuali sono molto basse e quindi accettabili. Dal lato dell’equilibrio finanziario di breve periodo, le

imprese non hanno particolari problemi di liquidità e copertura.

Per quanto riguarda la dimensione delle imprese, sono le micro, piccole e medie imprese (rispettivamente: 72.34%,

65.16% e 57.76%) che non utilizzano finanziamenti a medio-lungo termine per coprire le attività correnti. Grandi e

molto grandi aziende non usano tali fonti nelle percentuali, rispettivamente, del 47.59% e 45.08%.

Tabella 15: Risposta alla domanda 4b

Risposte possibili

Italia Centrale

Italia Insulare

Italia Meridion

ale

Italia Nord

Occidentale

Italia Nord

Orientale

Totale Complessi

vo

000 65.21% 65.94% 70.42% 46.49% 56.15% 60.26%001 0.00% 0.00% 0.14% 0.30% 0.10% 0.11%002 0.22% 0.00% 0.27% 0.00% 0.19% 0.17%003 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%005 0.22% 0.00% 0.54% 0.76% 0.86% 0.56%008 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%010 2.62% 1.31% 1.49% 3.05% 4.00% 2.79%013 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%014 0.00% 0.00% 0.14% 0.00% 0.00% 0.03%015 0.65% 0.00% 0.14% 0.46% 0.57% 0.45%016 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%018 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%019 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%020 4.80% 6.55% 2.85% 8.08% 6.20% 5.52%021 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%022 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%023 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%025 0.33% 0.87% 0.14% 0.76% 0.29% 0.39%026 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%027 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%029 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%030 2.62% 3.06% 3.80% 4.57% 4.10% 3.68%033 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%034 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%035 0.44% 0.00% 0.27% 0.61% 0.38% 0.39%036 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%037 0.11% 0.00% 0.00% 0.15% 0.00% 0.06%038 0.11% 0.00% 0.00% 0.30% 0.00% 0.08%039 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%040 1.74% 2.62% 2.04% 4.27% 4.19% 3.04%042 0.00% 0.00% 0.00% 0.30% 0.10% 0.08%043 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%044 0.11% 0.00% 0.00% 0.30% 0.10% 0.11%045 0.11% 0.00% 0.00% 0.15% 0.10% 0.08%046 0.00% 0.44% 0.00% 0.00% 0.00% 0.03%049 0.11% 0.00% 0.14% 0.00% 0.10% 0.08%050 4.58% 5.68% 5.56% 8.38% 5.62% 5.85%051 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%052 0.22% 0.00% 0.14% 0.00% 0.00% 0.08%053 0.00% 0.44% 0.00% 0.00% 0.00% 0.03%054 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%055 0.22% 0.44% 0.00% 0.76% 0.10% 0.25%058 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%

217

060 1.20% 3.06% 1.36% 3.81% 2.67% 2.26%063 0.11% 0.00% 0.00% 0.30% 0.00% 0.08%064 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%065 0.11% 0.44% 0.00% 0.30% 0.67% 0.31%067 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%068 0.00% 0.00% 0.14% 0.00% 0.00% 0.03%069 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%070 1.74% 3.06% 1.90% 3.05% 2.86% 2.42%075 0.65% 0.00% 0.00% 0.15% 0.38% 0.31%078 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%080 2.07% 2.18% 1.09% 4.12% 2.10% 2.26%085 0.11% 0.00% 0.00% 0.30% 0.19% 0.14%086 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%087 0.11% 0.00% 0.00% 0.00% 0.10% 0.06%089 0.00% 0.00% 0.14% 0.00% 0.00% 0.03%090 0.76% 0.00% 0.41% 1.68% 0.86% 0.84%091 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%094 0.00% 0.00% 0.00% 0.15% 0.00% 0.03%095 0.00% 0.44% 0.00% 0.15% 0.00% 0.06%099 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%100 7.96% 3.49% 6.92% 5.18% 5.15% 6.13%Totale complessivo 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

Finanziamenti di investimenti con passività a breve termine e a medio-lungo termine

Domanda 5

Fatto 100 il valore complessivo del finanziamento degli investimenti della Vostra azienda, mi può indicare la

ripartizione percentuale tra finanziamento a breve termine e finanziamento a medio/lungo termine?

a) Breve (inferiore ai 18 mesi) (esempio: autofinanziamento, credito commerciale, scoperto di conto corrente

credito bancario, prestiti bancari, etc)


b) Medio/lungo termine (superiore ai 18 mesi) (esempio: capitale sociale, prestiti bancari, emissioni di

obbligazioni e altri strumenti finanziari)


Totale | 1| 0| 0|%

Nella tabella successiva (tab.16), si può vedere la percentuale di imprese che hanno utilizzato finanziamenti a breve

termine per finanziare investimenti, quindi attività consolidate.

Il 28.47% delle imprese non utilizza risorse a breve per finanziare investimenti, mentre il 23.63% delle imprese

intervistate finanzia attività a lungo termine con passività correnti.

218

Il 23.63% delle aziende ha finanziato interamente investimenti con attività correnti e si troverà a gestire problemi di

equilibrio finanziario. Infatti, le fonti dovranno essere ripagate entro i 18 mesi mentre l’investimento si realizzerà nel

lungo periodo. Potrebbe essere difficile per queste imprese far fronte agli impegni finanziari di breve periodo.

Tabella 16: Risposta alla domanda 5a

RRiissppoossttee possibili

Italia Centrale

Italia Insulare

Italia Meridionale

Italia Nord

Occidentale

Italia Nord

Orientale

Totale Complessivo

000 33.89% 31.72% 26.80% 18.72% 30.24% 28.47%001 16.89% 28.63% 23.13% 14.51% 15.22% 18.01%005 0.11% 0.44% 0.41% 1.25% 0.57% 0.54%008 0.00% 0.00% 0.14% 0.16% 0.10% 0.08%010 1.67% 0.88% 1.63% 2.34% 2.20% 1.89%011 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%012 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%014 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%015 0.56% 0.00% 0.27% 0.47% 0.38% 0.39%016 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%018 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%019 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%020 4.00% 5.29% 2.72% 4.99% 4.69% 4.20%022 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%025 0.00% 0.88% 0.14% 0.16% 0.48% 0.25%030 3.11% 1.76% 3.81% 4.52% 3.54% 3.55%035 0.00% 0.88% 0.27% 0.16% 0.10% 0.17%037 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%040 0.78% 2.20% 1.36% 2.65% 2.30% 1.78%044 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%045 0.33% 0.00% 0.00% 0.31% 0.00% 0.14%046 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%048 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%050 3.89% 6.17% 5.85% 7.80% 4.50% 5.33%053 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%055 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%056 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%057 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%060 1.11% 1.32% 1.77% 2.50% 1.34% 1.58%062 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%063 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%064 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%065 0.11% 0.00% 0.14% 0.31% 0.10% 0.14%067 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%070 0.89% 0.88% 1.36% 3.43% 2.30% 1.86%075 0.00% 0.44% 0.00% 0.31% 0.10% 0.11%076 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%080 2.22% 2.20% 1.22% 4.21% 1.72% 2.23%083 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%085 0.22% 0.00% 0.14% 0.16% 0.29% 0.20%090 1.44% 0.44% 0.68% 1.09% 2.11% 1.35%095 0.11% 0.00% 0.14% 0.62% 0.57% 0.34%098 0.11% 0.00% 0.14% 0.00% 0.10% 0.08%099 0.00% 0.00% 0.14% 0.00% 0.10% 0.06%100 28.00% 15.86% 27.76% 28.08% 26.12% 26.63%Totale complessivo

100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

219

Nella tabella 17, invece, vengono riportate le risposte alla domanda sul finanziamento degli investimenti attraverso

passività consolidate.

Il 26.72% delle imprese non utilizza fonti a lungo termine, invece il 28.38% delle imprese utilizzano solo passività

consolidate per finanziare investimenti.

Inoltre, le imprese dell’Italia Centrale (33.78%) sono le più numerose ad aver utilizzato solo fonti a lungo termine per

finanziare investimenti.

Il 18.01% delle aziende ha utilizzato l’1% delle fonti consolidate per finanziare le attività a lungo termine. Se si somma

questa percentuale con il 26.72%, si ottiene il 44.73% che rappresenta una percentuale molto alta di imprese che non

hanno utilizzato fonti a medio-lungo termine per finanziare delle attività di lungo periodo.

Tabella 17: Risposta alla domanda 5b

Risposte possibili

Italia Centrale

Italia Insulare

Italia Meridionale

Italia Nord

Occidentale

Italia Nord

Orientale

Totale Complessivo

000 28.11% 15.86% 27.76% 28.24% 26.22% 26.72%001 16.78% 28.63% 23.13% 14.51% 15.31% 18.01%002 0.11% 0.00% 0.14% 0.00% 0.10% 0.08%005 0.11% 0.00% 0.14% 0.62% 0.57% 0.34%010 1.44% 0.44% 0.68% 1.09% 2.11% 1.35%015 0.22% 0.00% 0.14% 0.16% 0.29% 0.20%017 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%020 2.22% 2.20% 1.22% 4.21% 1.72% 2.23%024 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%025 0.00% 0.44% 0.00% 0.31% 0.10% 0.11%030 0.89% 0.88% 1.36% 3.43% 2.30% 1.86%033 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%035 0.11% 0.00% 0.14% 0.31% 0.10% 0.14%036 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%037 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%038 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%040 1.11% 1.32% 1.77% 2.50% 1.34% 1.58%043 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%044 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%045 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%047 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%050 3.89% 6.17% 5.85% 7.80% 4.50% 5.33%052 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%054 0.00% 0.00% 0.00% 0.00% 0.19% 0.06%055 0.33% 0.00% 0.00% 0.31% 0.00% 0.14%056 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%060 0.78% 2.20% 1.36% 2.65% 2.30% 1.78%063 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%065 0.00% 0.88% 0.27% 0.16% 0.10% 0.17%070 3.11% 1.76% 3.81% 4.52% 3.54% 3.55%075 0.00% 0.88% 0.14% 0.16% 0.48% 0.25%078 0.11% 0.00% 0.00% 0.00% 0.00% 0.03%080 4.00% 5.29% 2.72% 4.99% 4.69% 4.20%081 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%082 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%084 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%

220

085 0.56% 0.00% 0.27% 0.47% 0.38% 0.39%086 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%088 0.00% 0.00% 0.00% 0.00% 0.10% 0.03%089 0.00% 0.00% 0.00% 0.16% 0.00% 0.03%090 1.67% 0.88% 1.63% 2.34% 2.20% 1.89%092 0.00% 0.00% 0.14% 0.16% 0.10% 0.08%095 0.11% 0.44% 0.41% 1.25% 0.57% 0.54%099 0.11% 0.00% 0.14% 0.00% 0.00% 0.06%100 33.78% 31.72% 26.80% 18.56% 30.14% 28.38%Totale complessivo

100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

Questo dato evidenzia uno squilibrio nella struttura finanziaria di lungo periodo in quanto gli investimenti dovrebbero

essere finanziati da passività consolidate.

Le imprese che si trovano in questa situazione dovranno far fronte a problemi di liquidità quando i finanziamenti a

breve, dedicati al finanziamento di investimenti a lungo termine, saranno estinti. Le attività finanziate in questo modo

non saranno coperte.

Copertura

Domanda 6 (a, b, c, d, e)

La vostra impresa, al fine di garantire, in tutto o in parte, la propria situazione reddituale e/o patrimoniale da eventi

inattesi, utilizza strumenti tradizionali o strumenti derivati di copertura dai seguenti rischi? Sì (1); No (2); Non

risponde (3).

In altre parole, la Vostra impresa utilizza strumenti tradizionali o derivati per la copertura del:

a - Rischio variazione dei tassi di cambio

b - Rischio di variazione dei tassi di interesse

c - Rischio di variazione del prezzo di vendita del bene prodotto, o di quello di acquisto dei fattori produttivi

d - Rischio di credito

e - Rischio di liquidità

Nella tabella 18, vi è la risposta alla domanda sulla copertura dal rischio di variazione dei tassi di cambio suddivisa sia

sotto il profilo della macroarea geografica che rispetto la dimensione aziendale.

221

Tabella 18: Risposta domanda 6a - Rischio variazione dei tassi di cambio


Italia Centrale Grande 18.97% 71.28% 9.74% 100.00% Media 6.95% 80.31% 12.74% 100.00% Micro 2.23% 88.39% 9.38% 100.00% Molto Grande 28.57% 51.02% 20.41% 100.00% Piccola 4.38% 88.44% 7.19% 100.00%

Totale Italia Centrale 8.40% 81.47% 10.12% 100.00%Italia insulare Grande 21.88% 68.75% 9.38% 100.00%

Media 12.50% 82.14% 5.36% 100.00% Micro 3.28% 85.25% 11.48% 100.00% Molto Grande 0.00% 100.00% 0.00% 100.00% Piccola 6.86% 84.31% 8.82% 100.00%

Totale Italia insulare 9.06% 82.28% 8.66% 100.00%Italia Meridionale Grande 16.81% 72.57% 10.62% 100.00%


Totale Italia Meridionale 7.00% 84.73% 8.27% 100.00%Italia Nord Occidentale Grande 23.84% 68.60% 7.56% 100.00%


Totale Italia Nord Occidentale

15.69% 75.82% 8.50% 100.00%

Italia Nord Orientale Grande 22.34% 70.33% 7.33% 100.00% Media 8.33% 86.59% 5.07% 100.00% Micro 2.59% 94.30% 3.11% 100.00% Molto Grande 45.35% 44.19% 10.47% 100.00% Piccola 3.14% 92.77% 4.09% 100.00%

Totale Italia Nord Orientale

12.04% 82.55% 5.41% 100.00%

Totale complessivo 10.61% 81.39% 8.00% 100.00%

Come si può notare, l’81.39% delle imprese , ha dichiarato di non utilizzare strumenti di copertura per il rischio di

variazione dei tassi di cambio.

Le imprese che maggiormente utilizzano tali strumenti sono quelle dell’Italia Nord-Occidentale e Nord-Orientale

(12.04%), mentre sono quelle dell’Italia Meridionale (7.00%) che non vi ricorrono.

Rispetto alla dimensione aziendale, sono soprattutto le imprese grandi e molto grandi che si preoccupano di adottare

questi strumenti per la copertura.

La risposta alla domanda sulla copertura del rischio di variazione dei tassi di interesse, è riassunta nella tabella

successiva (tab.19).

Il 78.44% delle imprese ha risposto di non utilizzare strumenti di copertura per il rischio di variazione dei trassi di

interesse.

222

Italia Nord-Occidentale e Italia Nord-Orientale presentano le percentuali più elevate di utilizzo, rispettivamente 15.56%

e 16.32%.

Anche in questo caso sono soprattutto le imprese grandi e molto grandi che utilizzano tali strumenti di copertura.

Tabella 19: Risposta alla domanda 6b - Rischio di variazione dei tassi di interesse

Macroarea geografica Classi di addetti 1 2 3 Totale

Complessivo Italia Centrale Grande 22.56% 68.21% 9.23% 100.00%

Media 11.20% 75.68% 13.13% 100.00%Micro 4.91% 85.27% 9.82% 100.00%Molto Grande 22.45% 57.14% 20.41% 100.00%Piccola 7.81% 85.00% 7.19% 100.00%

Totale Italia Centrale

11.46% 78.32% 10.22% 100.00%

Italia insulare Grande 18.75% 71.88% 9.38% 100.00%Media 17.86% 76.79% 5.36% 100.00%Micro 4.92% 83.61% 11.48% 100.00%Molto Grande 0.00% 100.00% 0.00% 100.00%Piccola 9.80% 81.37% 8.82% 100.00%

Totale Italia insulare

11.42% 79.92% 8.66% 100.00%

Italia Meridionale Grande 18.58% 69.91% 11.50% 100.00%Media 14.21% 77.66% 8.12% 100.00%Micro 4.30% 90.32% 5.38% 100.00%Molto Grande 13.64% 68.18% 18.18% 100.00%Piccola 8.96% 81.72% 9.33% 100.00%

Totale Italia Meridionale

10.69% 80.66% 8.65% 100.00%

Italia Nord Occidentale

Grande 22.67% 69.19% 8.14% 100.00%


Totale Italia Nord Occidentale

15.56% 75.95% 8.50% 100.00%

Italia Nord Orientale

Grande 23.81% 68.86% 7.33% 100.00%


Totale Italia Nord Orientale

16.32% 78.36% 5.32% 100.00%

Totale complessivo 13.48% 78.44% 8.08% 100.00%

Per quanto concerne la copertura dal rischio di variazione del prezzo di vendita del bene prodotto, o di quello di

acquisto dei fattori produttivi, le risposte dichiarate sono espresse nella tabella successiva (tab.20).

In questo caso, l’85% circa delle imprese ha dichiarato di non utilizzare strumenti di copertura e solo grandi e molto

grandi risultano fare un minimo uso di questi mezzi.

223

Tabella 20: Risposta alla domanda 6c – Rischio di variazione del prezzo di vendita del bene prodotto, o di quello di

acquisto dei fattori produttivi

Macroarea geografica Classi di addetti 1 2 3 Totale complessivo

Italia Centrale Grande 12.82% 77.44% 9.74% 100.00% Media 6.56% 80.31% 13.13% 100.00% Micro 4.46% 86.16% 9.38% 100.00% Molto Grande 6.12% 71.43% 22.45% 100.00% Piccola 6.88% 85.31% 7.81% 100.00%

Totale Italia Centrale 7.35% 82.14% 10.51% 100.00% Italia insulare Grande 6.25% 84.38% 9.38% 100.00%


Totale Italia insulare 6.30% 85.04% 8.66% 100.00% Italia Meridionale Grande 13.27% 75.22% 11.50% 100.00%


Totale Italia Meridionale 8.40% 82.95% 8.65% 100.00% Italia Nord Occidentale

Grande 8.72% 82.56% 8.72% 100.00%


Totale Italia Nord Occidentale 8.24% 83.27% 8.50% 100.00% Italia Nord Orientale

Grande 4.40% 88.28% 7.33% 100.00%


Totale Italia Nord Orientale 4.10% 90.23% 5.67% 100.00% Totale complessivo 6.73% 85.02% 8.25% 100.00%

La tabella 21 riassume la domanda sulla copertura del rischio di credito.

224

Tabella 21: Risposta alla domanda 6d – Rischio di credito

Macroarea geografica Classi di addetti 1 2 3 Totale

complessivo


Nemmeno in questo caso le imprese tendono ad utilizzare strumenti di copertura. Imprese grandi, molto grandi e medie

sono quelle che ne utilizzano.

L’ultima tabella (tab.22) considera il rischio di liquidità. Non sorprendono i risultati che mostrano l’84,24% delle

imprese non utilizzare strumenti derivati per la copertura dal rischio di liquidità. Tuttavia, grandi e molto grandi imprese

sono le aziende che si coprono maggiormente da questo rischio ma accompagnate, almeno per quanto riguarda la

situazione dell’Italia Centrale, Insulare e Meridionale, dalle piccole imprese che sembrano interessarsi al problema della

mancanza di liquidità. Questo fatto può trovare conferma nella risposta alla prima domanda nella quale le imprese delle

tre macroaree geografiche citate hanno dimostrato di avere una più alta percentuale di aziende con difficoltà di

disponibilità liquide.

225

Tabella 22: Risposta alla domanda 6d – Rischio di liquidità

Macroarea geografica Classi di addetti 1 2 3 Totale complessivo


e) Conclusioni

In conclusione, possiamo osservare che, in riferimento al razionamento del credito, sono soprattutto le imprese

dell’Italia Centrale, Insulare e Meridionale che si trovano in difficoltà. In generale, maggiori problemi, sotto questo

profilo, vengono incontrati dalle micro, piccole e medie imprese, pur rimanendo su percentuali basse.

Rispetto all’equilibrio finanziario, se per le passività correnti non si rilevano particolari problemi di copertura, per

quelle a lungo termine si evidenzia la tendenza delle imprese a finanziare con passività correnti, investimenti che

genereranno liquidità solo dopo la scadenza dei finanziamenti a breve.

Rispetto alla copertura, il rischio non viene gestito dalle imprese attraverso idonei strumenti. Molto grandi e grandi

imprese sono le uniche a preoccuparsi di tale problema.

226

Relazione sui questionari ISAE relativi all’inchiesta sul management delle aziende italiane

L’Istituto ISAE, durante il 2005, ha provveduto a elaborare dei questionari da inviare alle imprese riguardanti l’assetto

manageriale delle stesse.

Tali questionari sono stati sottoposti sia alle imprese di servizio che a quelle manifatturiere dunque, il seguente lavoro è

suddiviso in due sezioni, la prima dedicata alle aziende manifatturiere e la seconda alle imprese di servizi.

Gli obiettivi con i quali è stato redatto il questionario sono quelli di capire l’assetto societario italiano, quindi di poter

valutare che tipo di management hanno le imprese di servizi e di manifatture.

Inoltre, per le imprese di capitale è sembrato opportuno inserire una domanda sull’appartenenza ad un gruppo d’imprese

mentre per quelle di persone si è domandato il tipo di conduzione presente in azienda.

1 Indagine sulle imprese manifatturiere

I dati

Le imprese manifatturiere intervistate sono 3.966 e sono state estratte da tutta Italia come mostra la successiva tabella

(tab.1)

Tabella 23: Suddivisione del campione in base alla classe di attività economica e alla zona geografica

Classe di Attività economica

Italia Centrale

Italia Insulare

Italia Meridionale

Nord Occidentale

Nord Orientale

Totale complessivo

Estrattive 1.55% 8.27% 2.19% 1.74% 1.81% 2.22%Altre Manifatturiere 7.68% 3.54% 4.63% 3.35% 8.54% 6.25%Alimentari 5.05% 21.65% 14.14% 5.63% 7.25% 8.65%Tessili e dell'Abbigliamento 32.75% 6.30% 23.14% 14.08% 18.98% 21.63%Legno e Sughero 3.98% 6.30% 3.21% 3.08% 7.16% 4.74%Carta 2.53% 2.76% 1.93% 1.47% 2.33% 2.17%Editoria e Stampa 3.79% 3.94% 2.96% 2.95% 3.02% 3.25%Petrolio 0.58% 1.97% 1.03% 0.40% 0.26% 0.63%Chimica 3.98% 3.54% 3.21% 6.57% 2.07% 3.73%Gomma 3.01% 2.76% 3.08% 8.04% 4.57% 4.41%Marmo e Granito e Altri Mat. per l'Edilizia 6.90% 13.39% 11.57% 4.96% 6.82% 7.84%Metallo e prodotti in metallo 11.76% 15.75% 13.24% 18.77% 13.98% 14.27%Meccanica 7.58% 3.15% 4.76% 10.59% 14.06% 9.20%Elettronica 6.03% 4.33% 5.78% 11.26% 7.08% 7.16%Mezzi di Trasporto 2.82% 2.36% 5.14% 7.10% 2.07% 3.83%Totale complessivo 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

227

È possibile vedere come il campione delle manifatturiere sia composto in prevalenza dal settore del tessile e

dell’abbigliamento (21.63%) e dalle imprese di metallo e prodotti in metallo (14.27%).

Prescindendo da questi due settori, si può notare che nell’Italia Insulare e Meridionale risultano importanti il settore

alimentare (rispettivamente: 21.65% e 14.14%) e quello di marmo, granito e altri materiali per l’edilizia

(rispettivamente: 13.39% e 11.57%). Nell’Italia Nord-Occidentale e Nord-Orientale risultano invece importanti il

settore della meccanica (rispettivamente 10.39% e 14.06%) e per il settore Nord-Occidentale quello dell’elettronica

(11.26%).

Dalla tabella successiva è invece possibile analizzare l’appartenenza delle imprese, suddivise per ogni categoria

dimensionale, ai diversi settori (tab.2):

Tabella 24: Suddivisione delle imprese in base alla classe dimensionale e al settore

Classe di Attività economica Grande Media Micro Molto

Grande Piccola

Estrattive 1.25% 3.26% 1.45% 0.00% 2.95%Altre Manifatturiere 7.10% 8.05% 5.39% 5.98% 4.80%Alimentari 8.84% 9.28% 9.74% 6.41% 7.74%Tessili e dell'Abbigliamento 16.69% 22.43% 25.66% 10.26% 23.99%Legno e Sughero 3.49% 4.49% 6.58% 1.71% 5.22%Carta 3.86% 1.73% 1.45% 2.14% 1.85%Editoria e Stampa 1.99% 2.14% 4.47% 2.99% 4.29%Petrolio 0.37% 0.61% 0.79% 0.85% 0.67%Chimica 3.86% 2.55% 3.68% 8.12% 3.79%Gomma 4.86% 5.40% 3.16% 5.13% 3.96%Marmo e Granito e Altri Mat. per l'Edilizia 7.35% 8.87% 7.76% 6.84% 7.58%Metallo e prodotti in metallo 14.07% 12.64% 15.53% 8.97% 15.99%Meccanica 11.46% 8.56% 5.79% 19.23% 8.42%Elettronica 9.22% 6.42% 6.05% 11.11% 6.31%Mezzi di Trasporto 5.60% 3.57% 2.50% 10.26% 2.44%Totale complessivo 100.00%100.00%100.00%100.00%100.00%

Si può notare che le imprese molto grandi appartengono alla meccanica (19.23%), all’elettronica (11.11%), tessili ed

abbigliamento (10.26%) e ai mezzi di trasporto (10.26%).

Le imprese grandi sono soprattutto legate al tessile e all’abbigliamento (16.69%), al metallo e prodotti in metallo

(14.07%) e alla meccanica (11.48%).

Le medie imprese caratterizzano invece il settore del tessile e dell’abbigliamento (22.43%) e del metallo e prodotti in

metallo (12.64%).

Le piccole aziende operano soprattutto nei settori del tessile ed abbigliamento (23.99%) e metallo e prodotti in metallo

(15.99%).

Infine, le micro imprese sono presenti nel tessile ed abbigliamento (25.66%) e nel metallo e prodotti in metallo

(15.53%).

228

Nei successivi grafici è possibile vedere le percentuali delle imprese suddivise per settore (fig.1), per macroarea

geografica (fig.2) e per classi dimensionale (fig.3).

Dalla prima figura (fig.1) si può notare che i settori maggiormente rappresentati sono il tessile e l’abbigliamento (22%)

seguiti dal metallo e prodotti in metallo (14%), le industrie meno presenti invece sono petrolio (1%), estrattive (2%),

carta (2%) e editoria e stampa (3%).

Dal secondo grafico (fig.2) invece, si evince la distribuzione del campione su base geografica e si vede chiaramente che

le imprese estratte appartengono prevalentemente all’Italia Nord-Orientale (29%), a quella Centrale (26%), seguite dalla

Meridionale (20%) e dall’Italia Nord Occidentale (19%). In netta minoranza si trovano le imprese che appartengono alle

isole (6%).

Analizzando la dimensione aziendale (fig.3) si vede che il 30% delle imprese appartenenti al campione è rappresentato

da piccole imprese, il 25% da medie imprese, il 20% da grandi imprese seguite dalle micro con il 19% ed infine le

molto grandi imprese che non rappresentano che il 6% delle aziende italiane.

Figura 3: Imprese suddivise in base al settore

Imprese suddivise per classe di attività economica2% 6%

9%

22%

5%2%3%1%4%4%8%

14%

9%7% 4%

Estrattive Altre Manifatturiere

Alimentari Tessili e dell'Abbigliamento

Legno e Sughero Carta

Editoria e Stampa Petrolio

Chimica Gomma

Marmo e Granito e Altri Mat. per l'Edilizia Metallo e prodotti in metallo

Meccanica Elettronica

Mezzi di Trasporto

229

Figura 4: imprese suddivise in base alla macroarea geografica

Imprese suddivise in base alla macroarea geografica

Italia Centrale26%

Italia Insulare6%

Italia Merid ionale20%

Nord Occidentale19%

Nord Orientale2 9%

Figura 5: Imprese suddivise in base alla classe dimensionale

Imprese suddivise in base alla classe dimensionale

Grande20%

Media25%

Micro19%

Molto Grande6%

Piccola30%

Le risposte al questionario

Domanda 1:

Qual è la forma giuridica della Vostra azienda?

230

- Ditta individuale (1)

- Società di persone (S.n.c., S.a.s. e altre forme di società di persone) (2)

- Società di capitali (S.r.l., S.p.a., Società Cooperativa) (3)

- Non risponde (4)

- Studio associato (5)

- Altro (esempio: Consorzio pubblico, etc) (6).

Questa domanda analizza la forma giuridica aziendale delle imprese italiane ed è stata posta a tutte le aziende

selezionate.

Suddividendo il campione per settori otteniamo i risultati presentati in tabella 3.

Tabella 25 Risposta alla domanda 1 in base al settore di appartenenza

Classe di attività economica 1 2 3 4 6 Totale complessivo

Estrattive 1.68% 15.13% 83.19% 0.00% 0.00% 100.00%Altre Manifatturiere 0.57% 11.44% 86.27% 1.72% 0.00% 100.00%Alimentari 0.74% 14.96% 82.82% 0.84% 0.63% 100.00%Tessili e dell'Abbigliamento 2.61% 21.78% 74.80% 0.54% 0.27% 100.00%Legno e Sughero 1.03% 27.98% 70.99% 0.00% 0.00% 100.00%Carta 0.00% 11.48% 88.52% 0.00% 0.00% 100.00%Editoria e Stampa 2.67% 20.77% 74.78% 0.00% 1.78% 100.00%Petrolio 0.00% 11.27% 88.73% 0.00% 0.00% 100.00%Chimica 0.23% 5.57% 93.27% 0.93% 0.00% 100.00%Gomma 0.61% 10.10% 88.48% 0.81% 0.00% 100.00%Marmo e Granito e Altri Mat. per l'Edilizia 0.81% 13.47% 85.71% 0.00% 0.00% 100.00%Metallo e prodotti in metallo 0.91% 17.31% 81.78% 0.00% 0.00% 100.00%Meccanica 0.78% 10.13% 89.09% 0.00% 0.00% 100.00%Elettronica 1.25% 8.77% 89.47% 0.50% 0.00% 100.00%Mezzi di Trasporto 0.45% 5.44% 93.20% 0.91% 0.00% 100.00%Totale complessivo 1.22% 15.12% 83.06% 0.44% 0.17% 100.00%

È possibile vedere che la maggioranza delle imprese ha una forma di società di capitali (83.06%, seguita dalle società di

persone (15.12%, da quelle individuali (1.22%) e dall’assenza quasi totale di studi associati (0%). La percentuale di

imprese che decide di non rispondere è bassa (0.44%).

Le maggiori imprese di capitale si trovano nel settore della chimica (93.27%), e dei mezzi di trasporto (93.20%). I

settori che contano un numero inferiore di imprese di capitale sono: legno e sughero (70.99%), editoria e stampa

(74.80%) e tessile ed abbigliamento (74.80%).

Le ditte individuali prevalgono nel settore tessile e dell’abbigliamento (2.61%) ed editoria e stampa (2.67%).

Suddividendo il campione sulla base della dimensione aziendale, vi sono i risultati presentati in tabella 4.

231

Tabella 26: risposta alla domanda 2 in base alla classe dimensionale

Classe di addetti 1 2 3 4 6 Totale complessivo

Grande 0.21% 1.42% 97.95% 0.17% 0.25% 100.00% Media 0.43% 8.05% 91.10% 0.43% 0.00% 100.00% Micro 2.82% 36.23% 60.52% 0.43% 0.00% 100.00% Molto Grande 0.00% 0.00% 98.02% 1.13% 0.85% 100.00% Piccola 2.04% 22.98% 74.27% 0.52% 0.19% 100.00% Totale complessivo 1.22% 15.12% 83.06% 0.44% 0.17% 100.00%

In questo caso possiamo vedere che la quasi totalità delle imprese molto grandi assumono la forma di società di capitale

(98.02%), seguite dalle imprese grandi (97.95%). Le micro e le piccole imprese invece presentano molte società sia di

persone (rispettivamente 36.23% e 22.98%) che di capitali (rispettivamente. 60.52% e 74.27%). A conferma di quanto

ci si sarebbe aspettato, diminuendo la dimensione aziendale, diminuisce anche la complessità dell’impresa e

l’opportunità di ingrandirsi per diventare impresa di capitali.

Suddividendo il campione in base alla macroarea geografica, è possibile vedere dove sono collocate le imprese in base

alla loro forma societaria.

I risultati di tale elaborazione sono mostrati in tabella 5.

Tabella 27: Risposta alla domanda 1 sulla base dell’area geografica di appartenenza

Macroarea Geografica 1 2 3 4 6 Totale complessivo

Italia Centrale 4.08% 23.32% 72.01% 0.58% 0.00% 100.00%Italia Insulare 7.09% 20.87% 72.05% 0.00% 0.00% 100.00%Italia Meridionale 4.37% 21.08% 74.29% 0.13% 0.13% 100.00%Nord Occidentale 1.47% 17.02% 81.37% 0.13% 0.00% 100.00%Nord Orientale 2.33% 20.28% 76.88% 0.35% 0.17% 100.00%Totale complessivo 3.33% 20.65% 75.64% 0.30% 0.08% 100.00%

Come si può notare tutte le macroaree geografiche analizzate hanno in prevalenza società di capitali, soprattutto per

quanto riguarda l’Italia Nord occidentale (81.37%), mentre le ditte individuali si trovano soprattutto nell’Italia Insulare

(7.09%), nella Meridionale (4.37%) e in quella Centrale (4.08%).

Tutto questo conferma quanto detto per le elaborazioni precedenti.

A questo punto, il campione di imprese è stato trattato in questo modo:

- le imprese che hanno risposto 1, 5, 6 non continuano l’intervista (ditta individuale, studio associato e altra forma

aziendale);

- le imprese che hanno risposto 3, passano alla domanda numero 2 (società di capitali);

- le imprese che hanno risposto 2 o 4 passano alla domanda numero 3 (società di persone e quelle imprese che non

hanno risposto alla prima domanda).

232

Domanda 2 (solo per le imprese di capitali)

La vostra azienda fa parte di un “gruppo d’impresa” ossia di un gruppo di aziende legate tra di loro da partecipazioni

azionarie di maggioranza?

In altre parole, la Vostra azienda fa parte di un gruppo di imprese al cui interno vi sono relazioni di maggioranza, cioè

imprese che detengono il controllo di altre società con quote maggiori del 50%? Si (1); No (2); Non risponde (3)

Questa domanda intende indagare se le imprese appartengono ad un gruppo di imprese o no.

Sulla base dell’appartenenza al settore le risposte sono contenute nella tabella seguente (tab.6)

Tabella 28: Risposta alla domanda 2 sulla base del settore di appartenenza

Classe di attività economica 1 2 3 Totale complessivo

Estrattive 19.70% 80.30% 0.00% 100.00% Altre Manifatturiere 15.92% 84.08% 0.00% 100.00% Alimentari 21.37% 78.24% 0.38% 100.00% Tessili e dell'Abbigliamento 13.18% 85.02% 1.81% 100.00% Legno e Sughero 14.78% 85.22% 0.00% 100.00% Carta 29.17% 69.44% 1.39% 100.00% Editoria e Stampa 19.05% 80.95% 0.00% 100.00% Petrolio 33.33% 66.67% 0.00% 100.00% Chimica 29.85% 70.15% 0.00% 100.00% Gomma 28.08% 71.92% 0.00% 100.00% Marmo e Granito e Altri Mat. per l'Edilizia 24.39% 75.20% 0.41% 100.00% Metallo e prodotti in metallo 20.76% 78.76% 0.48% 100.00% Meccanica 30.82% 68.52% 0.66% 100.00% Elettronica 23.95% 73.95% 2.10% 100.00% Mezzi di Trasporto 36.50% 61.31% 2.19% 100.00% Totale complessivo 22.13% 77.03% 0.83% 100.00%

Le aziende che appartengono a gruppi di imprese sono quelle legate al petrolio (33.33%), ai mezzi di trasporto (36.50%)

e alla meccanica (30.82%). Tuttavia, rimangono numerose le imprese di capitali che non fanno parte di un gruppo, in

particolare, legno e sughero, tessile ed abbigliamento ed altre manifatturiere (rispettivamente: 85.22%, 85.02% e

84.08%).

Valutando la risposta alla domanda 2 sulla base della classe dimensionale abbiamo i risultati presentati in tabella 7.

Le molto grandi imprese sono legate ad un gruppo (80.09%), seguite dalle grandi (35.17%), mentre le micro imprese,

come prevedibile, sono quelle che meno fanno parte di gruppi di imprese (5.38%).

233

Tabella 29: Risposta alla domanda 2 sulla base della classe dimensionale

Classe di addetti 1 2 3 Totale complessivoGrande 35.17%63.80%1.03% 100.00%Media 13.25%85.70%1.06% 100.00%Micro 5.38%94.09%0.54% 100.00%Molto Grande 80.09%19.91%0.00% 100.00%Piccola 9.41%89.80%0.78% 100.00%Totale complessivo22.13%77.03%0.83% 100.00%

Questo risultato appare abbastanza chiaro: per gestire una grande azienda spesso è necessario avere delle risorse esterne

che risiedono proprio nelle imprese del gruppo di appartenenza.

Infine, suddividendo per area geografica, otteniamo i risultati riportati in tabella 8.

L’area geografica che ha una percentuale più alta di imprese appartenenti ad un gruppo è quella dell’Italia Nord

Occidentale (26.03%), mentre l’Italia insulare risulta l’area che, al suo interno, ha meno aziende appartenenti ad un

gruppo (18.03%).

Tabella 30: Risultati alla domanda 2 sulla base della macroarea geografica

Macroarea Geografica 1 2 3 Totale complessivoItalia Centrale 18.62%80.30%1.08% 100.00%Italia Insulare 18.03%81.42%0.55% 100.00%Italia Meridionale 18.17%80.62%1.21% 100.00%Nord Occidentale 26.03%73.31%0.66% 100.00%Nord Orientale 25.81%73.63%0.56% 100.00%Totale complessivo 22.13%77.03%0.83% 100.00%

Domanda 3 (per le società di persone e quelle che non hanno risposto riguardo alla forma giuridica)

La Vostra azienda appartiene ad un’unica famiglia ossia il titolare, i soci o azionisti di maggioranza della Vostra

azienda appartengono ad una stessa famiglia? Si (1); No (2); Non risponde (3).

Attraverso questa domanda si vuole sapere il tipo di conduzione aziendale. L’indagine ha dunque l’obiettivo di capire se

in Italia vi è la prevalenza di imprese di tipo familiare o meno.

Suddividendo il campione in base al settore di appartenenza abbiamo i risultati presentati in tabella 9.

234

Tabella 31: Risposta alla domanda 3 in base al settore delle imprese

Classe di attività economica 1 2 3 Totale complessivo

Estrattive 65.48%34.52%0.00% 100.00%Altre Manifatturiere 65.16%32.79%2.05% 100.00%Alimentari 70.45%27.46%2.09% 100.00%Tessili e dell'Abbigliamento 75.84%23.03%1.13% 100.00%Legno e Sughero 75.41%24.04%0.55% 100.00%Carta 62.79%36.05%1.16% 100.00%Editoria e Stampa 62.18%36.97%0.84% 100.00%Petrolio 64.00%36.00%0.00% 100.00%Chimica 60.54%38.10%1.36% 100.00%Gomma 64.53%31.98%3.49% 100.00%Marmo e Granito e Altri Mat. per l'Edilizia67.11%30.92%1.97% 100.00%Metallo e prodotti in metallo 61.59%36.59%1.81% 100.00%Meccanica 60.50%38.10%1.40% 100.00%Elettronica 56.20%40.15%3.65% 100.00%Mezzi di Trasporto 54.67%42.67%2.67% 100.00%Totale complessivo 66.14%32.11%1.75% 100.00%

Si può notare come in quasi tutti i settori vi sia la prevalenza di aziende a conduzione familiare.

In particolare, i settori del tessile e dell’abbigliamento (75.84%) e del legno e sughero (75.41%). Le aziende che

risultano invece più slegate alla famiglia proprietaria sono quelle appartenenti ai settori dei mezzi di trasporto (54.67%)

e dell’elettronica (56.20%).

Dividendo il campione in base alla dimensione aziendale otteniamo i risultati presentati in tabella 10.

Tabella 32: Risposta alla domanda 3 in base alla classe dimensionale

Classe di addetti 1 2 3 Totale complessivoGrande 61.98% 36.39% 1.63% 100.00%Media 66.56% 31.37% 2.06% 100.00%Micro 74.29% 24.58% 1.13% 100.00%Molto Grande 36.91% 59.66% 3.43% 100.00%Piccola 69.66% 28.74% 1.60% 100.00%Totale complessivo 66.14% 32.11% 1.75% 100.00%

Anche in questo caso si nota come quasi tutte le imprese siano, relativamente alla propria fascia dimensionale, di

proprietà familiare, tranne che per le aziende molto grandi che presentano valori in controtendenza rispetto alle altre,

infatti, solo il 36.91% delle imprese è di proprietà familiare.

Relativamente alla collocazione geografica, i risultati sono elencati in tabella 11.

235

Tabella 33: Risposta alla domanda 3 in base all’area geografica

Macroarea Geografica 1 2 3 Totale complessivoItalia Centrale 64.24% 33.74% 2.03% 100.00%Italia Insulare 64.83% 34.75% 0.42% 100.00%Italia Meridionale 71.20% 27.73% 1.08% 100.00%Nord Occidentale 65.71% 32.65% 1.63% 100.00%Nord Orientale 65.04% 32.65% 2.30% 100.00%Totale complessivo 66.14% 32.11% 1.75% 100.00%

Si può notare che vi è un risultato unanime che decreta l’impresa familiare vincente in ogni macroarea geografica.

Domanda 4 (solo per le imprese che hanno risposto sì alla domanda precedente, in pratica sono aziende caratterizzate

da conduzione familiare):

Il management della Vostra azienda è affidato ai familiari della famiglia proprietaria dell’azienda?

In altre parole, l’insieme delle funzioni che riguardano la direzione e la gestione amministrativa è affidata ai familiari

della famiglia proprietaria dell’azienda? Sì (1); No (2); Non risponde (3).

Attraverso questa domanda si vuole indagare se la conduzione dell’impresa è affidata solo alla famiglia proprietaria o

meno.

In base al settore, le risposte sono state le seguenti (tab.12).

Tabella 34: Risposta alla domanda 4 sulla base del settore di appartenenza

Classe di attività economica 1 2 3 Totale complessivoEstrattive 85.45% 14.55% 0.00% 100.00%Altre Manifatturiere 86.79% 13.21% 0.00% 100.00%Alimentari 87.29% 12.71% 0.00% 100.00%Tessili e dell'Abbigliamento 88.94% 11.06% 0.00% 100.00%Legno e Sughero 79.71% 20.29% 0.00% 100.00%Carta 88.89% 11.11% 0.00% 100.00%Editoria e Stampa 83.78% 16.22% 0.00% 100.00%Petrolio 87.50% 12.50% 0.00% 100.00%Chimica 77.53% 22.47% 0.00% 100.00%Gomma 86.49% 13.51% 0.00% 100.00%Marmo e Granito e Altri Mat. per l'Edilizia 86.76% 12.75% 0.49% 100.00%Metallo e prodotti in metallo 86.47% 13.53% 0.00% 100.00%Meccanica 80.56% 19.44% 0.00% 100.00%Elettronica 78.57% 20.78% 0.65% 100.00%Mezzi di Trasporto 75.61% 24.39% 0.00% 100.00%Totale complessivo 85.12% 14.80% 0.08% 100.00%

In tutti settori, l’impresa familiare è governata, nella maggioranza dei casi, dagli stessi proprietari dell’impresa. I settori

che risultano gestiti maggiormente non dai familiari sono il chimico (22.47%) e i mezzi di trasporto (24.39%).

I risultati, suddividendo il campione in base alla classe dimensionale, sono mostrati nella tabella successiva (tab.13).

236

Tabella 35: Risposta alla domanda 4 in base alla classe dimensionale

Classe di addetti 1 2 3 Totale complessivoGrande 70.04% 29.76% 0.20% 100.00%Media 86.98% 13.02% 0.00% 100.00%Micro 93.73% 6.27% 0.00% 100.00%Molto Grande 50.00% 50.00% 0.00% 100.00%Piccola 91.19% 8.68% 0.13% 100.00%Totale complessivo 85.12% 14.80% 0.08% 100.00%

Come per la domanda precedente, le molto grandi imprese sono quelle che presentano una percentuale inferiore (50%)

rispetto le altre aziende, seguite dalle grandi (70.04%). Le micro e le piccole imprese sono, nella quasi totalità, gestite

dai proprietari dell’azienda (rispettivamente: 93.73% e 91.19%).

2 Indagine sulle imprese di servizi

Le imprese dei servizi intervistate sono complessivamente 1.887.

Nella successiva tabella (tab.14) si può vedere la distribuzione del campione in base alla macroarea geografica.

Il settore maggiormente rappresentato è quello delle società di servizi alle imprese e studi professionali (37.36%),

seguito dalle aziende di informatica, ricerca e sviluppo (17.44%), dai trasporti, spedizioni e attività dei corrieri (14.73%)

e dall’attività alberghiere e della ristorazione (13.35%). Nell’Italia Centrale sono presenti in misura maggiore le società

di servizi alle imprese e studi professionali (28.02%), seguite dal settore dell’informatica, ricerca e sviluppo (20.05%) e

trasporti, spedizioni e attività dei corrieri (17.31%).

Tabella 36: Suddivisione del settore in base alla distribuzione geografica

Classe di attività economica

Italia Centrale

Italia Insulare

Italia Meridionale

Nord Occidentale

Nord Orientale

Totale complessivo

Attività Alberghiere e della Ristorazione 14.81% 20.73% 14.29% 8.13% 22.38% 13.35%Trasporti, Spedizioni e Attività dei Corrieri 17.31% 26.83% 25.47% 10.69% 13.66% 14.73%Telecomunicazioni 2.51% 1.22% 2.48% 1.28% 1.45% 1.70%Finanziarie 3.19% 4.88% 3.73% 3.37% 4.94% 3.71%Immobiliari 2.28% 3.66% 4.35% 2.21% 2.91% 2.60%Noleggio 2.73% 3.66% 5.59% 1.97% 3.78% 2.86%Informatica, Ricerca e Sviluppo 20.05% 10.98% 10.56% 20.21% 11.92% 17.44%Società di Servizi alle Imprese Studi Profess 28.02% 21.95% 22.98% 47.39% 34.59% 37.36%Altri Servizi Pubblici, Sociali e Personali 9.11% 6.10% 10.56% 4.76% 4.36% 6.25%Totale complessivo 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%

L’Italia Insulare è rappresentata in misura maggiore da imprese di trasporti, spedizioni e attività dei corrieri (26.83%),

seguite da società di servizi alle imprese e studi professionali (21.95%) e attività alberghiere e della ristorazione

(20.73%).

237

Il 25.47% delle imprese meridionali, nel seguente campione, appartengono al settore dei trasporti, spedizioni e attività

dei corrieri. Seguono, le società di servizi alle imprese e studi professionali (22.98%) e le attività alberghiere della

ristorazione (14.29%).

L’Italia Centrale è rappresentata per il 28.02% da società di servizi alle imprese e studi professionali, seguite dalle

imprese di informatica e ricerca e sviluppo (20.05%) ed infine da aziende di trasporto, spedizioni e attività dei corrieri

(17.31%).

L’Italia Nord-Occidentale è rappresentata per il 47.39% da società di servizi alle imprese e studi professionali, seguite

da aziende di informatica, ricerca e sviluppo (20.21%).

Il 34.59% delle imprese dell’Italia Nord-Orientale sono società di servizi alle imprese e studi professionali, mentre il

22.38% sono attività alberghiere e della ristorazione.

Suddividendo il campione in base alla classe di attività economica e alla classe dimensionale i risultati sono quelli

esposti nella tabella successiva (tab.15).

Tabella 37: Suddivisione del campione in base all’attività economica e alla classe dimensionale

Classe di attività economica Grande Media Micro Molto Grande PiccolaAttività Alberghiere e della Ristorazione 10.37% 13.75% 12.58% 0.00% 16.80%Trasporti, Spedizioni e Attività dei Corrieri 15.56% 20.45% 9.06% 17.65% 21.86%Telecomunicazioni 1.48% 1.86% 1.28% 9.80% 1.62%Finanziarie 5.93% 7.06% 2.45% 7.84% 3.24%Immobiliari 0.00% 1.12% 4.37% 0.00% 1.01%Noleggio 0.74% 4.09% 2.67% 0.00% 3.44%Informatica, Ricerca e Sviluppo 24.44% 18.22% 18.02% 27.45% 12.96%Società di Servizi alle Imprese Studi Profess 28.89% 25.65% 45.31% 27.45% 31.98%Altri Servizi Pubblici, Sociali e Personali 12.59% 7.81% 4.26% 9.80% 7.09%Totale complessivo 100.00%100.00%100.00% 100.00% 100.00%

Le grandi imprese sono per il 28.89% società di servizi alle imprese e studi professionali, seguite dalle aziende di

informatica per il 24.44%.

Il 25.65% delle medie imprese è rappresentato da società di servizi alle imprese e studi professionali, mentre le aziende

di trasporti, spedizioni e attività di corrieri sono il 20.45%.

Le micro imprese sono rappresentate da società di servizi alle imprese e studi professionali per il 45.31%, seguite

dall’informatica, ricerca e sviluppo (18.22%).

Società di servizi alle imprese e studi professionali e informatica, ricerca e sviluppo rappresentano rispettivamente il

27.45% ciascuno per le imprese molto grandi.

Il 31.98% delle piccole imprese sono società di servizi alle imprese e studi professionali, seguite da trasporti, spedizioni

e attività dei corrieri. (21.86%).

238

Nei grafici successivi vi è la rappresentazione grafica del campione in base alla classe di attività economica (fig.4), alla

macroarea geografica (fig.5) e alla classe dimensionale (fig.6)

I risultati mostrati in figura 4 sono la rappresentazione grafica di quanto detto rispetto alla tabella 14

Figura 6: Suddivisione del campione in base alla classe di attività economica

Suddividendo il campione in base alla macroarea geografica di appartenenza (fig.5), si nota che per il 46% le imprese

fanno parte del settore Nord Occidentale, mentre l’Italia Centrale è rappresentata per il 23%, seguita dall’Italia Nord-

Orientale (18%), dall’Italia Meridionale (9%) ed infine dall’Italia Insulare (4%).

Relativamente alla classe dimensionale (fig.6) è possibile notare che il campione è rappresentato per il 50% da micro

imprese, seguite dalle piccole (26%), dalle medie, che pesano per il 14%, dalle grandi (7%) ed infine dalle molto grandi

(3%).

Campione suddiviso in base alla classe di attività economica

13%

15%

2%4%3%3%17%

37%

6%

Attività Alberghiere e della Ristorazione Trasporti, Spedizioni e Attività dei Corrieri Telecomunicazioni finanziarie

Immobiliari Noleggio

Informatica, Ricerca e Sviluppo Società di Servizi alle Imprese Studi Profess

Altri Servizi Pubblici, Sociali e Personali

239

Figura 7: Suddivisione delle imprese in base alle macroarea geografica

Suddivisione del campione in base alla macroarea geografica

Italia Centrale23%

Nord Occidentale

46%

Nord Orientale18%

Italia Insulare4%

Italia Meridionale

9%

Figura 8: Suddivisione delle imprese in base alla classe dimensionale

Suddivisione del campione in base alla classe dimensionale

Grande7%

Molto Grande3%

Piccola26%

Micro50%

Media14%

Le risposte al questionario

Domanda 1:

Qual è la forma giuridica della Vostra azienda?

- Ditta individuale (1)

240

- Società di persone (S.n.c., S.a.s. e altre forme di società di persone) (2)

- Società di capitali (S.r.l., S.p.a., Società Cooperativa) (3)

- Non risponde (4)

- Studio associato (5)

- Altro (esempio: Consorzio pubblico, etc) (6).

La prima analisi rappresenta le risposte del campione in base alla classe di attività economica. I risultati sono presentati

in tabella 16.

Tabella 38: Risposta alla domanda 1 in base alla classe di attività economica

Classe di attività economica 1 2 3 4 5 6 Totale complessivoAttività Alberghiere e della Ristorazione 3.17%61.51%35.32%0.00% 0.00%0.00% 100.00%Trasporti, Spedizioni e Attività dei Corrieri 0.00%39.93%58.99%0.00% 0.00%1.08% 100.00%Telecomunicazioni 3.13%12.50%84.38%0.00% 0.00%0.00% 100.00%Finanziarie 7.14%37.14%55.71%0.00% 0.00%0.00% 100.00%Immobiliari 4.08%40.82%53.06%0.00% 0.00%2.04% 100.00%Noleggio 5.56%25.93%68.52%0.00% 0.00%0.00% 100.00%Informatica, Ricerca e Sviluppo 3.34%25.84%69.91%0.30% 0.30%0.30% 100.00%Società di Servizi alle Imprese Studi Profess16.45%23.40%43.69%0.14%15.74%0.57% 100.00%Altri Servizi Pubblici, Sociali e Personali 3.39%21.19%72.03%0.00% 0.00%3.39% 100.00%Totale complessivo 7.95%32.06%53.26%0.11% 5.94%0.69% 100.00%

Complessivamente le imprese sono per il 53.26% società di capitali mentre per il 32.06% sono società di persone. In

questo caso, contrariamente che nei settori manifatturieri, vi sono parecchie imprese anche di persone oltre che di

capitali. Inoltre anche le ditte individuali hanno un peso superiore (7.93%) in questo tipo di settori che in quelli

manifatturieri.

Vi sono soprattutto imprese di persone nei settori delle attività alberghiere e della ristrutturazione (61.51%), in quello

immobiliare (40.82%) e trasporti, spedizioni e attività dei corrieri (39.93%).

L’84.38% delle imprese di telecomunicazioni hanno forma societaria di capitali come il 72.03% delle imprese di servizi

e il 69.91% delle aziende di informatica, ricerca e sviluppo.

Il 15.74% delle società di servizi alle imprese e studi professionali sono studi associati.

Suddividendo il campione in classi dimensionali, si ottengono i seguenti risultati, presentati nella successiva tabella

(tab.17).

241


Classe di addetti 1 2 3 4 5 6 Totale complessivoGrande 0.74% 4.44%91.85%0.00%0.74%2.22% 100.00%Media 0.74% 14.13%83.27%0.00%1.49%0.37% 100.00%Micro 13.97% 42.11%34.54%0.00%8.96%0.43% 100.00%Molto Grande 0.00% 0.00%94.12%1.96%0.00%3.92% 100.00%Piccola 3.24% 33.60%57.69%0.20%4.66%0.61% 100.00%Totale complessivo 7.95% 32.06%53.26%0.11%5.94%0.69% 100.00%

Le grandi imprese sono per il 91.85% imprese di capitali e solo per il 4.44% società di persone.

Le medie imprese sono per l’83.27% società di capitali e per il 14.13% società di persone.

Le aziende individuali sono per lo più micro imprese (13.97%) che sono rappresentate per il 42.11% da imprese di

persone e per il 34.54% da società di capitali.

Le imprese molto grandi sono per il 94.12% aziende di capitale, mentre le piccole imprese sono rappresentate dal

57.69% da società di capitale e dal 33.60% da società di persone.

Un’analisi ulteriore è stata compiuta con riferimento all’area geografica di appartenenza e si è potuto notare che (tab.18)

le imprese dell’Italia Centrale sono per il 55.35% imprese di capitale, quelle dell’Italia Insulare sono per il 54.88% di

capitale, il 32.93% di persone e il 9.76% individuale. Per il l’Italia Meridionale, il 56.52% è di capitale, il 31.06% di

persone e il 6.83% individuale.

Italia Nord-Occidentale e Nord-Orientale sono rappresentate per il, rispettivamente, 50.17% e 56.40%, da imprese di

capitale ma nell’Italia Nord-Occidentale vi è comunque una considerevole percentuale di ditte individuali (10.22%) e di

studi associati (8.94%).

Tabella 40: Risposta alla domanda 1 sulla base della macroarea geografica

Macroarea Geografica 1 2 3 4 5 6 Totale complessivoItalia Centrale 4.33%36.45%55.35%0.00%3.64%0.23% 100.00%Italia Insulare 9.76%32.93%54.88%0.00%1.22%1.22% 100.00%Italia Meridionale 6.83%31.06%56.52%0.00%3.73%1.86% 100.00%Nord Occidentale 10.22%29.85%50.17%0.23%8.94%0.58% 100.00%Nord Orientale 6.98%32.27%56.40%0.00%3.49%0.87% 100.00%Totale complessivo 7.95%32.06%53.26%0.11%5.94%0.69% 100.00%

Come nel caso delle manifatture, il campione di imprese è stato trattato in questo modo:

- le imprese che hanno risposto 1, 5, 6 non continuano l’intervista (ditta individuale, studio associato e altra forma

aziendale);

- le imprese che hanno risposto 3, passano alla domanda numero 2 (società di capitali);

- le imprese che hanno risposto 2 o 4 passano alla domanda numero 3 (società di persone e quelle imprese che non

hanno risposto alla prima domanda).

242

Domanda 2 (solo per le imprese di capitali)

La vostra azienda fa parte di un “gruppo d’impresa” ossia di un gruppo di aziende legate tra di loro da partecipazioni

azionarie di maggioranza?

In altre parole, la Vostra azienda fa parte di un gruppo di imprese al cui interno vi sono relazioni di maggioranza, cioè

imprese che detengono il controllo di altre società con quote maggiori del 50%? Si (1); No (2); Non risponde (3)

Dalla successiva tabella (tab.19), si può notare che per quasi tutti i settori, le imprese non fanno parte di un gruppo.

Tuttavia, nel settore finanziario, le aziende che fanno parte di un gruppo sono il (43.59%) ed anche nelle

telecomunicazioni la percentuale arriva al 33.33%.

Tabella 41: Risposta alla domanda 2 sulla base del settore

Classe di attività economica 1 2 3 Totale complessivo Attività Alberghiere e della Ristorazione 15.73% 83.15% 1.12% 100.00%Trasporti, Spedizioni e Attività dei Corrieri 17.68% 80.49% 1.83% 100.00%Telecomunicazioni 33.33% 59.26% 7.41% 100.00%Finanziarie 43.59% 53.85% 2.56% 100.00%Immobiliari 15.38% 84.62% 0.00% 100.00%Noleggio 8.11% 91.89% 0.00% 100.00%Informatica, Ricerca e Sviluppo 20.43% 79.13% 0.43% 100.00%Società di Servizi alle Imprese Studi Profess 14.61% 85.39% 0.00% 100.00%Altri Servizi Pubblici, Sociali e Personali 21.18% 77.65% 1.18% 100.00%Totale complessivo 18.51% 80.60% 0.90% 100.00%

Suddividendo il settore in base alla classe dimensionale (tab.20), le grandi imprese non fanno parte di un gruppo per il

62.10%, le medie per il 76.79%, le micro per il 90.12%, le molto grandi, per il 43.75% e le piccole per l’87.02%.


Classe di addetti 1 2 3 Totale complessivo Grande 37.10% 62.10% 0.81% 100.00%Media 22.77% 76.79% 0.45% 100.00%Micro 8.95% 90.12% 0.93% 100.00%Molto Grande 50.00% 43.75% 6.25% 100.00%Piccola 12.63% 87.02% 0.35% 100.00%Totale complessivo 18.51% 80.60% 0.90% 100.00%

L’ultima analisi (tab.21) riguarda la scomposizione del campione in macroaree geografiche, dalla quale si evince che le

imprese dell’Italia Centrale fanno parte di un gruppo per il 76.13%, quelle dell’Italia insulare per il 93.33%, quelle

dell’Italia Meridionale per l’84.62%, quelle dell’Italia nord-Occidentale per l’81.02% e l’Italia Nord-Orientale per

l’80.40%.

243


Macroarea Geografica 1 2 3 Totale complessivo Italia Centrale 23.05% 76.13% 0.82% 100.00%Italia Insulare 6.67% 93.33% 0.00% 100.00%Italia Meridionale 15.38% 84.62% 0.00% 100.00%Nord Occidentale 17.59% 81.02% 1.39% 100.00%Nord Orientale 19.07% 80.41% 0.52% 100.00%Totale complessivo 18.51% 80.60% 0.90% 100.00%

Domanda 3 (per le società di persone e quelle che non hanno risposto riguardo alla forma giuridica):

La Vostra azienda appartiene ad un’unica famiglia ossia il titolare, i soci o azionisti di maggioranza della Vostra

azienda appartengono ad una stessa famiglia? Si (1); No (2); Non risponde (3).

La prima analisi fatta si riferisce al campione suddiviso per classi di attività economica (tab.22).

Le imprese i cui titolari appartengono alla stessa famiglia sono presenti soprattutto nel settore del noleggio (66.67%),

seguite dalle attività alberghiere e della ristorazione (81.56%).

I titolari non appartengono alla stessa famiglia nella percentuale del 69.23% per il settore delle finanziarie e del 67.41%

per le aziende di informatica, ricerca e sviluppo.

Tabella 44 Risposta alla domanda 3 sulla base della calsse di attività economica

Classe di attività economica 1 2 3 Totale complessivo Attività Alberghiere e della Ristorazione 81.56% 18.03% 0.41% 100.00%Trasporti, Spedizioni e Attività dei Corrieri 62.91% 36.36% 0.73% 100.00%Telecomunicazioni 35.48% 58.06% 6.45% 100.00%Finanziarie 29.23% 69.23% 1.54% 100.00%Immobiliari 56.52% 43.48% 0.00% 100.00%Noleggio 66.67% 33.33% 0.00% 100.00%Informatica, Ricerca e Sviluppo 31.65% 67.41% 0.95% 100.00%Società di Servizi alle Imprese Studi Profess 41.35% 58.65% 0.00% 100.00%Altri Servizi Pubblici, Sociali e Personali 48.18% 50.91% 0.91% 100.00%Totale complessivo 50.31% 49.07% 0.62% 100.00%

La seconda elaborazione (tab.23) considera le classi di addetti e quindi la dimensione dell’impresa (tab.23).

Il 76.15% delle grandi imprese non appartiene ad un’unica famiglia, così come il 54.20% delle medie imprese, il

43.25% delle micro, l’81.63% delle imprese molto grandi e il 44.03% delle piccole. Anche in questo caso possiamo

notare la forte diversità che c’è tra le imprese molto grandi e le micro sulla base della proprietà d’impresa.

L’ultima analisi prende in considerazione la macroarea geografica (tab.24), dalla quale si evince che sono soprattutto le

imprese dell’Italia Insulare che hanno come proprietaria una stessa famiglia (68.06%), mentre le imprese che hanno una

compagine azionaria più variabile si trovano nell’Italia Centrale (53.60%).

244



Tabella 46: Risposta alla domanda 3 sulla base delle macroaree geografiche


Domanda 4 (solo per le imprese che hanno risposto sì alla domanda precedente, in pratica sono aziende caratterizzate

da conduzione familiare):

Il management della Vostra azienda è affidato ai familiari della famiglia proprietaria dell’azienda?

In altre parole, l’insieme delle funzioni che riguardano la direzione e la gestione amministrativa è affidata ai familiari

della famiglia proprietaria dell’azienda? Sì (1); No (2); Non risponde (3).

Nella prima tabella (tab.25) troviamo la descrizione delle risposte alla domanda 4 sulla base dei settori di appartenenza.

Ricordiamo che questa domanda è stata rivolta solo alle aziende che sono di proprietà di un’unica famiglia.

In media, l’87.30% delle imprese non solo ha come proprietaria un’unica famiglia, ma questa gestisce anche la

conduzione aziendale.

Solo il 12.45% delle imprese appartenenti ad un unico soggetto sono condotte da un assetto manageriale estraneo alla

famiglia proprietaria.

Il settore che in misura maggiore è caratterizzato da conduzione familiare è quello delle telecomunicazioni (100%),

seguito dalle attività alberghiere e della ristorazione (93.97%), trasporti, spedizioni e attività dei corrieri (92.49%) e

società immobiliari (92.31%). In controtendenza, le aziende di altri servizi pubblici, sociali e personali (22.64%), le

società di servizi alle imprese e studi professionali (20.41%) e le società di noleggio (17.65%).

245

Tabella 47: Risposta alla domanda 4 sulla base dei settori di appartenenza

Classe di attività economica 1 2 3 Totale

complessivo

Attività Alberghiere e della Ristorazione 93.97% 6.03% 0.00% 100.00%Trasporti, Spedizioni e Attività dei Corrieri 92.49% 7.51% 0.00% 100.00%Telecomunicazioni 100.00% 0.00% 0.00% 100.00%Finanziarie 84.21% 15.79% 0.00% 100.00%Immobiliari 92.31% 7.69% 0.00% 100.00%Noleggio 79.41% 17.65% 2.94% 100.00%Informatica, Ricerca e Sviluppo 87.00% 13.00% 0.00% 100.00%Società di Servizi alle Imprese Studi Profess 79.08% 20.41% 0.51% 100.00%Altri Servizi Pubblici, Sociali e Personali 77.36% 22.64% 0.00% 100.00%Totale complessivo 87.30% 12.45% 0.25% 100.00%

Nella tabella 26, viene analizzata la risposta alla domanda 4 sulla base del campione suddiviso per dimensione

aziendale.

Tutte le imprese presentano alte percentuali di risposte affermative, tranne le aziende molto grandi (25%). Nuovamente,

si ha la contrapposizione tra le micro e le molto grandi, infatti, se queste ultime per il 75% hanno un management

estraneo alla famiglia proprietaria, le micro sono condotte quasi esclusivamente dai familiari (92.14%).



Infine, viene condotta l’analisi in base alla macroarea geografica di appartenenza (tab.27).

In tutte le zone considerate, la prevalenza è di un management appartenente alla famiglia proprietaria. Questa

circostanza si presenta soprattutto nell’Italia Nord-Occidentale (90.50%), seguita dall’Italia Insulare (87.76%), da quella

Meridionale (87.65%), da quella Centrale (84.15%) e dalla zona Nord-Orientale (83.85%).



246

3 Conclusioni: manifatture e servizi a confronto

In questa sezione l’obiettivo è quello di valutare le percentuali medie delle risposte alle domande che hanno dato le

imprese appartenenti a settori manifatturieri e a quelli di servizi.

La tabella 28 illustra le percentuali medie delle risposte alla domanda 1, confrontando i risultati ottenuti dalle risposte

delle aziende manifatturiere e dei servizi.

È possibile vedere che c’è variabilità maggiore per le imprese di servizi sulla base della forma societaria.

Infatti, mentre per le manifatture vi sono soprattutto società di capitali (83.06%), per i servizi vediamo la presenza forte

di società di capitale (53.26%) ma non nettamente predominante. A questo proposito, si può notare che le società di

persone rappresentano una fetta importante delle aziende di servizi (32.06%, per le manifatturiere solo il 15.12%).

Sono presenti, inoltre, le ditte individuali con un 7.95%, relativamente ai servizi tra i quali vi è anche un 5.94% di studi

associati, totalmente inesistenti nei settori manifatturieri.

Tabella 50: Risposta alla domanda 1 – Manifatture vs Servizi

Qual è la forma giuridica della Vostra azienda? - Ditta individuale (1) - Società di persone (S.n.c., S.a.s. e altre forme di società di persone) (2) - Società di capitali (S.r.l., S.p.a., Società Cooperativa) (3) - Non risponde (4) - Studio associato (5) - Altro (esempio: Consorzio pubblico, etc) (6).

1 2 3 4 5 6 Manifatture 1.22% 15.12% 83.06% 0.44% 0% 0.17% Servizi 7.95% 32.06% 53.26% 0.11% 5.94% 0.69%

Nella tabella 29 vediamo il confronto tra le risposte delle imprese di servizi e manifatture alla domanda 2.

In questo caso le risposte non sono molto diverse, infatti, la maggioranza delle imprese di entrambe i campioni non

appartiene a gruppi di imprese (Manifatture: 77.03% e Servizi: 80.60%).

Per quanto riguarda la tabella 30, che contiene la risposta alla domanda 3, si può notare come i campioni siano

differenti. Infatti, il 66.14% delle imprese manifatturiere hanno come unico proprietario la stessa famiglia, mentre per le

aziende di servizi tale percentuale si abbassa al 50.31%.

Relativamente all’ultima domanda (tab.31), i campioni mostrano all’incirca le stesse percentuali, decretando la

supremazia di un management interno alla famiglia proprietaria sia per le imprese manifatturiere che per quelle di

servizi (rispettivamente: 85.12% e 87.30%).

247


La vostra azienda fa parte di un “gruppo d’impresa” ossia di un gruppo di aziende legate tra di loro da partecipazioni azionarie di maggioranza? In altre parole, la Vostra azienda fa parte di un gruppo di imprese al cui interno vi sono relazioni di maggioranza, cioè imprese che detengono il controllo di altre società con quote maggiori del 50%? Si (1); No (2); Non risponde (3)

1 2 3 Manifatture 22.13% 77.03% 0.83% Servizi 18.51% 80.60% 0.90%


La Vostra azienda appartiene ad un’unica famiglia ossia il titolare, i soci o azionisti di maggioranza della Vostra azienda appartengono ad una stessa famiglia? Si (1); No (2); Non risponde (3).



Il management della Vostra azienda è affidato ai familiari della famiglia proprietaria dell’azienda? In altre parole, l’insieme delle funzioni che riguardano la direzione e la gestione amministrativa è affidata ai familiari della famiglia proprietaria dell’azienda? Sì (1); No (2); Non risponde (3).


Sostanzialmente dunque, si può concludere che le imprese italiane sono per la maggior parte di proprietà di una stessa

famiglia e che la conduzione delle stesse e’ affidata in percentuale molto elevata agli stessi membri della famiglia.

Quanto detto vale soprattutto per le imprese di piccole dimensioni che restano ancora in mano alla stessa famiglia.

248

Benchmark sull’andamento delle imprese nazionali

Partecipanti: Osservatorio Economico della Sardegna

A cura di: Vincenzo Certo, Antonella De Arca, Francesca Spada

L’intero lavoro, di seguito esposto, è il frutto di un percorso articolato che ha tratto origine dall’analisi statistica

esplorativa di una corposa matrice di informazioni economiche a livello di singola impresa, ed ha l’obiettivo di cogliere

i comportamenti tipici e le tendenze di riferimento del Sistema delle imprese italiane per costruire una sorta di

mappatura economica dello stesso secondo la logica di “scenario analysis and risk mapping techniques”.

Il sistema DBCOMPLEX è stato costruito con un database relazione SQL, nel quale risiedono le informazioni contabili

ed anagrafiche, i bilanci riclassificati, gli indici ed i benckmark di riferimento, di un campione nazionale di circa 45.000

società di capitale italiane, stratificato per regione e settore economico di appartenenza. Le imprese contenute nel

DBCOMPLEX hanno fatto registrare un livello del fatturato superiore a 500 mila euro ed hanno presentato un bilancio

formalmente corretto per tutti e cinque gli esercizi considerati.

La relazione si articola in tre sezioni.

Il capitolo 1 “Benchmark per area geografica e per settore di attività economica” contiene le tavole statistiche dei

benchmark per settore e area geografica, e per livello di bontà della performance calcolata con l’Indicatore sintetico di

dinamicità. Le tavole sono strutturate in modo da rendere agile il confronto tra gli indicatori mediani dei diversi

raggruppamenti anno per anno.

Il capitolo 2 “Grafici e tavole sintetiche dei principali indicatori per area geografica e per macrosettore di attività

economica” contiene le rappresentazioni grafiche e le tabelle utili per apprezzare l’andamento dei benchmark lungo il

periodo considerato, sempre per settore e raggruppamento territoriale.

Il capitolo 3 “Bilanci aggregati per area geografica e per macrosettore di attività economica” raccoglie le tavole dei

bilanci aggregati settoriali e territoriali con le specifiche sulla distribuzione del valore aggiunto.

249

I dati e la Metodologia

La Banca Dati del sistema DBCOMPLEX, su cui si fondano le elaborazioni statistiche che seguono, costituisce la

matrice di dati di base per le sperimentazioni del progetto e si fonda su dati di natura economica e contabile, derivanti

dai bilanci di quelle imprese soggette all’obbligo di deposito.

Come risulta dalla figura sopra riportata, si tratta di un sistema integrato d’informazioni, costruito secondo le

metodologie d’analisi consolidate all’interno dell’Osservatorio Economico, derivanti dai principi della finanza

moderna, fondamentali per la costruzione di informazioni di tipo “benchmark”, ovvero indicatori tipici dello stato di

salute per imprese, settore produttivo e comparto economico. si tratta di un database relazionale1 dove le informazioni

offerte possono essere utilizzate per i diversi obiettivi della ricerca: analisi dello stato di salute delle imprese.

Dalla banca dati è stato selezionato un campione rappresentativo del sistema produttivo italiano, stratificato

sull’universo delle società attive, per regione e per settore economico (definito dalla classificazione Ateco Istat 2002 per

sezioni, ossia a 2 digit). Il campione è costituito da circa 266 mila bilanci in serie storica dal 1999 al 2004, appartenenti

a 44.4962 imprese nazionali attive con fatturato >=500mila euro, aventi forma giuridica di società di capitale e società

1 La fonte da cui è stato estratto il campione DBCOMPLEX per le sperimentazioni del progetto è il NAB - Nuova Banca Dati dei Bilanci dell’Osservatorio Economico, vale a dire il sistema informativo per l’analisi economica e finanziaria per le imprese e per i settori economici costruito dall’Osservatorio attraverso un’integrazione tra dati e metodologie statistiche per l’analisi dello stato di salute delle imprese. La fonte originale dei documenti contabili è il database AIDA, pubblicato dalla Bureau Van Dijk – Electronic Publishing. La Banca Dati NAB è aggiornata ai bilanci chiusi nell’esercizio 2004. 2 Nel 2003 e nel 2004 la numerosità del campione diminuisce del 20% circa, senza però alterare significativamente la rappresentatività del campione che, per poter essere aggiornato alle ultime due annualità, è stato riproporzionato sull’universo.

Informazioni anagrafiche

Bilanci

Drivers del Valore

Indici di BilancioIndici di Solvibilità e Scoring

Benchmark

Analisi dell'insolvenza

DBCOMPLEXBilanci riclassificati per densità di potere generico d'acquisto

Risultati delle sperimentazioni del progetto ComplexNuovo Sistema Informativo per l'analisi statistico-economica e finanziaria delle imprese

250

cooperative a responsabilità limitata. Le imprese individuate operano nel comparto estrattivo, manifatturiero, edile, del

commercio e dei servizi (esclusi i servizi finanziari).

Il campione è stato strutturato per

classi di attività economica, tenendo

conto dei codici della classificazione

delle attività economiche Istat Ateco

2002, e per macrocategorie di attività

economica. L’Industria in senso stretto

è suddivisa in imprese Estrattive,

Alimentari, Marmo e Granito e Altri

Materiali per l’Edilizia, Tessili, Legno e Sughero, Carta, Editoria e stampa, Petrolio, Chimica e Gomma, Metallo,

Meccanica, Elettronica, Mezzi di trasporto ed Altre Manifatture. Le Costruzioni sono considerate un unico settore, cosi

come il comparto Energia gas e acqua; il Commercio è invece suddiviso in Ingrosso, Dettaglio, Commercio riparazione

autoveicoli e motoveicoli. Il settore dei Servizi è

ripartito in Alberghi e ristoranti, Attività culturali

ricreative e sportive, Trasporti e spedizioni,

Telecomunicazioni, Immobiliari, Noleggio, Informatica

ricerca e sviluppo, Servizi alle imprese e Studi

professionali, Altri servizi pubblici, sociali e personali.

Le imprese si distribuiscono nelle distinte aree

geografiche secondo le seguenti proporzioni: Italia

Nord Occidentale per il 35,44%, Italia Nord Orientale

con una percentuale del 23,72%, Italia Centrale con il

21,31%, Italia Meridionale con il 14,01%, ed infine

Italia Insulare con il 5,52%.

Analisi descrittiva degli indicatori

L’Analisi statistica è stata condotta in forma puramente

esplorativa, per ottenere le principali informazioni di

statistica descrittiva sui dati del campione. Essa ha

incluso una serie di operazioni di trasformazione, gestione e “pulizia” dei dati, orientate al controllo della qualità delle

informazioni, una sorta di costo d’ingresso per garantire la validità delle informazioni grezze elaborate e contenute nel

sistema DBCOMPLEX.

Il programma utilizzato per la costruzione delle statistiche è il software Stata 8.0 in quanto la mole di dati a disposizione

è particolarmente ampia e tale software è in grado di gestirla con facilità.

Distribuzione per settore di attività economica delle imprese del sistema Italia(valori assoluti e valori percentuali)

N. Imprese %Industria in Senso Stretto 12.738 28,34Energia, gas e Acqua 172 0,38Costruzioni 6.402 14,24Commercio 12.834 28,55Servizi 12.800 28,48

Totale 44.946 100,00

Distribuzione per area geografica delle imprese del sistema Italia(valori assoluti e valori percentuali)

N. Imprese %Italia Nord Occidentale 15.927 35,44 Lombardia 11.919 26,52 Piemonte 2.952 6,57 Liguria 1.032 2,30 Valle d'Aosta 24 0,05

Italia Nord Orientale 10.659 23,72 Trentino-Alto Adige 708 1,58 Veneto 4.473 9,95 Friuli 1.001 2,23 Emilia-Romagna 4.477 9,96

Italia Centrale 9.580 21,31 Lazio 4.352 9,68 Toscana 3.462 7,70 Marche 1.177 2,62 Umbria 589 1,31

Italia Insulare 2.481 5,52 Sicilia 1.667 3,71 Sardegna 814 1,81

Italia Meridionale 6.299 14,01 Puglia 1.647 3,66 Molise 112 0,25 Basilicata 166 0,37 Calabria 630 1,40 Abruzzo 725 1,61 Campania 3.019 6,72

Totale 44.946 100,0

251

L’analisi ha previsto lo studio della variabilità delle osservazioni, con la conseguente evidenziazione degli outliers e la

determinazione di alcune misure di sintesi delle caratteristiche delle distribuzioni esaminate.

Nella determinazione di tali misure l’indice di posizione considerato più significativo è la mediana anziché la media,

perché, non risultando influenzata dai valori outliers o aberranti, riesce a cogliere in maniera efficace il comportamento

tipico delle imprese studiate. Infatti la mediana è una delle misure di tendenza centrale di una distribuzione che

rappresenta il valore corrispondente al dato che occupa la posizione centrale sul campione ordinato. Poiché le

distribuzioni degli indici di bilancio non sono simmetriche rispetto alla media, la mediana risulta più efficiente della

media per l’individuazione dei benchmark sintetici.

Al fine di mostrare l’efficacia della soluzione adottata si rifletta sul seguente grafico:

Distribuzione statistica di un indice generico

-350 -250 -150 -50 50 150 250Indice

Frequenza

media -7,5

mediana + 0,3

La distribuzione statistica di cui sopra mostra come si differenziano il valore della media aritmetica e quello della

mediana dell’indicatore prescelto. Può constatarsi come il valore medio, pari a –7,5% sia notevolmente influenzato

dalla presenza di dati pesantemente negativi, che sono espressione del comportamento di alcune imprese isolate

(indicate dalle frecce). Il valore mediano pari a +0,3 segue invece il comportamento tipico delle imprese, per quanto

appiattito sull’universo di riferimento.

Gli indici di bilancio

L’approccio metodologico della Finanza Moderna, adottato per la riclassificazione dei bilanci e per la costruzione delle

architetture contabili e degli indicatori di supporto alle analisi, mira all’individuazione degli aspetti strutturali più

importanti del sistema economico italiano siano essi di carattere patrimoniale, economico e finanziario e alla possibilità

di confronto tra i settori o le aree geografiche.

L’analisi ha previsto il calcolo di un numero ampio di indicatori, per tenere conto sia dei risultati derivanti dalle ricerche

bibliografiche condotte sul tema della predizione dell’insolvenza e dell’analisi dello stato di salute delle imprese, che

dei principi della finanza moderna.

252

Si considerano come strumenti teorici di riferimento la Fund Accounting e la Cash Flow Analysis che consentono di

leggere la formazione dei flussi di valore generati nell’attività di impresa e permettono di interpretare i risultati degli atti

di gestione degli amministratori3.

Variabili di posizionamento

La prima categoria di parametri utilizzati definisce la dimensione mediana delle imprese per settore e/o per area

geografica, in modo da definirne il posizionamento all’interno del Sistema Italia considerato, in termini di risultato

d’esercizio, di fatturato o volume di offerta al mercato, di valore aggiunto prodotto, di investimenti ed infine sulla base

del livello di patrimonializzazione conseguita. Il fatturato definisce l’assetto dimensionale delle imprese, il valore

aggiunto misura invece il contributo dell’impresa alla produzione finale del sistema e nel contempo indica la

remunerazione acquisibile dai fattori primari (capitale proprio, capitale di credito, lavoro e Stato).

• Sviluppo

Gli indici di sviluppo invece lo scopo di segnalare l’evoluzione nel tempo dei diversi aspetti della gestione. Le variabili

per le quali sono calcolati sono: l’Attivo, il Fatturato, il Valore Aggiunto, il Capitale Netto, i Costi d’acquisto, i Costi

del lavoro, il Margine Operativo lordo, il Margine Operativo netto, gli Oneri finanziari, i Costi per servizi, gli Altri costi

finanziari ed il valore della produzione: questa categoria d’indicatori ha il vantaggio di evidenziare il settore o l’area

geografica in cui le imprese sono più dinamiche.

Nella tabella sottostante si riportano le relative formule di calcolo utilizzate.

3 Per maggiori informazioni sulla Finanza Moderna e sui criteri di riclassificazione delle banche dati applicata si veda Fanni M. Manuale di Finanza dell’Impresa, Giuffrè 2000; Fanni M. Spada, Analisi dinamica della Liquidità e Drivers del valore delle PMI. 2000; Fanni M. Spada F. Indagine sulle imprese e i settori industriali della Sardegna, Osservatorio Economico, 2004

Variazione % Fatturato (Ricavi netti [t1]- Ricavi Netti [t0]/ Ricavi Netti [t0]*100

Variazione % Valore Aggiunto (Valore Aggiunto [t1] – Valore Aggiunto [t0]/ Valore Aggiunto [t0])*100

Variazione % Capitale netto (Capitale netto [t1] – Capitale netto [t0]/ Capitale netto [t0])*100

Variazione % Costi d’acquisto (Costi d’acquisto [t1] – Costi d’acquisto [t0]/ Costi d’acquisto [t0])*100

Variazione % Margine Operativo lordo (Margine Operativo lordo [t1] – Margine Operativo lordo [t0]/ Margine Operativo

lordo [t0])*100

Variazione % Margine Operativo Netto (Margine Operativo Netto[t1] – Margine Operativo Netto [t0]/ Margine Operativo

Netto [t0])*100

Variazione % Oneri Finanziari (Oneri Finanziari [t1] – Oneri Finanziari [t0]/ Oneri Finanziari [t0])*100

Variazione % Costi per Servizi (Costi per Servizi [t1] – Costi per Servizi [t0]/ Costi per Servizi [t0])*100

Variazione % Altri Costi Finanziari (Altri Costi Finanziari [t1] – Altri Costi Finanziari [t0]/ Altri Costi Finanziari [t0])*100

Variazione % Valore della Produzione (Valore della Produzione [t1] – Valore della Produzione [t0]/ Valore della

Produzione [t0])*100

253

• Redditività

Con riguardo alla gestione reddituale, gli indicatori selezionati descrivono la relazione tra i costi, i ricavi ed i capitali

impiegati per l’attività di gestione, considerando sia rapporti legati al risultato complessivo, sia valori indicativi della

“parte operativa” del conto economico. Il R.O.E. misura la redditività del capitale proprio, ottenuta rapportando il

risultato economico d’esercizio dopo gli interessi e dopo le imposte, alla semisomma del valore iniziale e finale del

patrimonio netto. Il R.O.I. esprime il tasso di redditività tipico degli investimenti di un’impresa indipendentemente da

come questa è finanziata ed è costruito come il rapporto tra il risultato operating e la semisomma del valore iniziale e

finale del complesso delle attività dell’impresa.

Per quanto concerne la redditività di cassa, uno degli indicatori più importanti è il Cash flow Operating su Attivo che

rapporta le risorse liquide generate dalla gestione prima del pagamento degli interessi con il complesso del capitale

investito. Tale indicatore costituisce un buon segnale per la comprensione della capacità di un’impresa di generare

“cassa” attraverso le normali attività di gestione. L’attitudine di un’azienda alla produzione di un flusso costante di

liquidità o di capitale finanziario netto (flusso di risorse non perfettamente liquido ma prontamente liquidabile) è uno

degli aspetti fondamentali di salvaguardia dell’integrità strutturale e quindi della stessa sopravvivenza sul mercato, in

quanto garantisce la possibilità di essere solvibili con i fornitori, con i terzi che apportano capitale di finanziamento e di

remunerare il capitale proprio attraverso il pagamento dei dividendi.

All’interno della categoria degli indicatori di redditività si è inoltre tenuto conto che, non per tutte le imprese il risultato

di bilancio sintetizza efficacemente l’aspetto reddituale, in particolare per quei casi in cui i soci e coloro che lavorano

all’interno dell’impresa (in qualità di dipendenti o amministratori) coincidono e quindi risultano alterate le politiche di

remunerazione del capitale e la distribuzione delle remunerazioni. Gli indici che sono stati introdotti per risolvere

questo tipo d’inconveniente sono quelli che rapportano il Valore Aggiunto all’Attivo. In tal modo, rapportando al

Capitale investito quei saldi del Conto economico in forma scalare che non scontano le politiche di gestione dei soci-

lavoratori, si può ottenere una misura di redditività-produttività più rappresentativa dell’effettiva capacità aziendale.

R.O.E. % (Risultato netto rettificato/ ((Attivo [t0] + Attivo [t1])/2))*100

R.O.I. % ((Oneri finanziari + Risultato rettificato ante imposte)/((Attivo [t0] +Attivo [t1] )/2))*100

R.O.S..% (Risultato operativo/Ricavi netti)*100

Turnover (Ricavi netti/Totale Attivo)

Valore Aggiunto su Attività % (Valore Aggiunto complessivo/Totale Attivo)*100

Valore Aggiunto su Valore della produzione % (Valore Aggiunto complessivo/Valore della produzione)*100

Valore Aggiunto su Costo del lavoro % (Valore Aggiunto complessivo/Costo del lavoro)*100

Ebit su Totale Attivo % (Oneri finanziari + Risultato rettificato ante imposte)/Attivo)*100

Oneri finanziari su Fatturato % (Oneri finanziari / Ricavi netti)*100

Mol su Oneri finanziari (Margine Operativo lordo/Oneri finanziari)

Oneri finanziari su Mol % (Oneri finanziari / Margine Operativo lordo)*100

Cash flow operating su Attivo % ((Cash flow/((Attivo [t0] + Attivo [t1])/2))*100

Flusso di Capitale liquido / Oneri finanziari (Flusso di capitale liquido operativo / Oneri finanziari)

Flusso di Capitale finanziario netto / Oneri finanziari (Flusso di capitale finanziario netto operativo / Oneri finanziari)

Gestione Operativa (Ricavi finanziari + Ricavi finanziari a breve termine) / Ricavi di vendita

254

• Struttura degli investimenti e dei finanziamenti

La categoria degli indici di struttura consente di esprimere giudizi sulla tipologia degli investimenti, dei finanziamenti e

sui rapporti tra le singole voci dello Stato Patrimoniale. Essa prende in esame la composizione dell’indebitamento ed

evidenzia il grado di dipendenza delle imprese rispetto alle fonti di finanziamento esterne.

Il Leverage è uno degli indicatori più importanti, consente d’interpretare la crescita del rischio finanziario dell’impresa

e di misurare assieme all’aliquota d’imposta il vantaggio fiscale dell’indebitamento4. Chiaramente alti livelli del

Leverage sottolineano una forte dipendenza dal capitale di terzi-creditori, e mostrano i segni di una vulnerabilità

aziendale crescente.

All’interno di questa categoria troviamo inoltre indicatori che evidenziano le correlazioni esistenti tra l’attivo fisso e le

fonti di finanziamento, come il Margine di Struttura primario e secondario che permettono di osservare come venga

finanziato l’attivo fisso in quali proporzioni tra mezzi propri, passività consolidate e passività correnti.

• Gestione del circolante e della liquidità

Gli indicatori di gestione del circolante e della liquidità tendono a descrivere l’attitudine delle imprese ad equilibrare

entrate e uscite di liquidità, senza pregiudicare l’equilibrio economico. Essi si desumono statisticamente alla fine di ogni

esercizio, ad eccezione del Cash flow Operating su Esigibilità, che presuppone un’analisi di tipo dinamico.

Infatti questo indicatore, nel confrontare il flusso delle risorse liquide generate dalla gestione con le passività a breve

termine, fornisce un quadro dinamico del soddisfacimento del fabbisogno finanziario a breve termine.

4 Secondo la letteratura prevalente, un quoziente maggiore di 2 segnala il ricorso ad un notevole indebitamento e quindi una frequente

sottocapitalizzazione delle imprese.

Capitalizzazione Patrimonio netto / Totale attività

Indice di solidità patrimoniale 1b Flusso autogenerato di capitale liquido prima degli interessi e delle imposte / Totale passività

Indice di solidità patrimoniale 1s Flusso autogenerato di capitale disponibile netto / Totale passività

Indice di solidità patrimoniale 5 Totale attività / Totale passività

Riserve / Attività Riserve / Attività

Capitale netto su passività % (Patrimonio netto / totale passività) *100

Indice di dipendenza finanziaria % (Totale passività / Totale attività) *100

Margine di struttura primario (Capitale netto – Attivo fisso)

Margine struttura secondario ((Capitale Netto + Passività Consolidate) – Attivo fisso)

Passività a breve termine su passività (Passività a breve termine / Passività Totali) *100

Passività a mlt su passività (Passività a medio lungo termine / Passività Totali) *100

Posizione finanziaria (Esigibilità finanziarie + Passività consolidate finanziarie - Disponibilità

finanziarie) / Patrimonio netto

Costo storico del debito Oneri finanziari / Totale passività

Leverage Totale passività / patrimonio netto

255

Sintesi sui risultati derivanti dall’analisi dei principali benchmark

Il Sistema Italia è caratterizzato da imprese che vedono una ripresa al 2004 rispetto agli anni immediatamente

precedenti, con volumi crescenti di ricavi e valore aggiunto (in particolare le aziende dell’Italia Nord Occidentale

registrano al 2003 e 2004 degli incrementi superiori al valore medio nazionale), tuttavia ancora lontani dai ritmi di

crescita fatti registrare nel 2000, per tutti i parametri di riferimento considerati.

A livello di settore si nota

in modo marcato come il

ritmo di crescita dei

fatturati, precipitato tra il

2000 e il 2003, migliora nel

2004, pur non riuscendo a

ritornare sui ritmi del 2000,

in particolare per

l’industria, ma anche per il

commercio, i servizi e le

costruzioni, mentre per

l’energia rimane costante.

Le imprese esaminate mostrano una discreta liquidità che consente loro di essere solvibili con i fornitori dei fattori

produttivi, ma sono segnate da una redditività debole e in lento miglioramento solo a partire dal 2003, con ritmi

differenziati per aree

geografiche di appartenenza

delle imprese.

Le società considerate

presentano inoltre livelli di

leverage molto elevati e una

conseguente forte

dipendenza dai capitali di

terzi.

Disponibilità su esigibilità % (Attività disponibili / Esigibilità) *100

Cash flow Operating su Esigibilità % (Cash Flow operating / Esigibilità) *100

Capitale Circolante Netto su totale Attività % ((Attivo disponibile + esigibilità) / Totale attività)*100

Esigibilità su totale Attivo % (Esigibilità / Totale attivo) *100

Days Inventory gg (Scorte attive / Ricavi di vendita) * 365

ROI % per Area Geografica(valori mediani)

2,00

4,00

6,00

8,00

10,00

ITALIA 5,92 5,84 5,27 4,98 4,80

Industria in Senso Stretto 5,74 5,41 3,91 4,96 4,80

Energia, Gas e Acqua 4,44 5,23 5,13 4,18 5,15

Costruzioni 6,25 7,13 6,12 4,71 4,46

Commercio 8,38 8,22 6,08 4,95 4,79

Servizi 6,98 6,62 4,45 5,22 5,03

2000 2001 2002 2003 2004

Var. % Fatturato per settore di attività economica

(valori mediani)

-3,00

2,00

7,00

12,00

17,00

ITALIA 8,47 4,24 0,58 0,21 2,36Industria in Senso Stretto 10,60 4,07 -0,06 -0,67 2,75Energia, Gas e Acqua 16,85 13,81 -2,70 3,27 3,27Costruzioni 7,17 6,04 0,50 0,71 2,73Commercio 7,86 4,01 1,21 0,25 1,72Servizi 7,34 4,15 0,74 0,99 2,61

2000 2001 2002 2003 2004

256

Andamento e dimensione delle imprese per area geografica

Nel passaggio dal 2000 al 2004 il campione esaminato registra a livello mediano una lieve crescita dei volumi dei ricavi

di vendita e del valore aggiunto

prodotto.

Se si considerano le singole aree

geografiche si nota come i fatturati

per impresa, come prevedibile,

sono più elevati nelle aree Nord

Occidentale ed Orientale, tuttavia

le imprese appaiono

sostanzialmente “livellate” tra i

2,3 e i 2,8 milioni di euro. Si tratta

quindi di una struttura produttiva

rappresentata da medie imprese

affiancate da alcune imprese di

dimensioni molto elevate, la cui

presenza è più marcata nel Nord del Paese.

Il campione fa emergere un sistema

produttivo concentrato, basta l’8%

delle imprese a totalizzare il 70% del

fatturato complessivo (2004). L’Italia

Meridionale presenta il livello di

concentrazione più basso, serve il 17%

delle aziende per raggiungere il 70%

del fatturato, mentre le Isole e l’Italia

centrale sono caratterizzate dalla

presenza di alcune imprese molto grandi rispetto alle altre. E’ di grande interesse il confronto nell’Italia del Nord: nella

parte orientale le imprese sono più livellate per fatturato e quindi più simili le une alle altre di quanto invece non accada

per l’Italia Nord Occidentale, in cui risiedono le più grandi imprese nazionali.

Concentrazione

Livello_soglia (Σ Fatturati

/100)*70

Numero imprese a

livello soglia % sul totaleITALIA 305.467.556 3.085 8,09 Italia Nord-Orientale 58.448.497 1.290 13,83 Italia Nord-Occidentale 143.238.078 776 5,63 Italia Centrale 63.178.846 527 6,52 Italia Meridionale 24.628.069 873 17,68 Italia Insulare 15.974.067 126 6,18 dati in migliaia di euro

Andamento del Fatturato per Area geograficadati mediani per impresa - valori in migliaia di euro

2000-2004

0500

1.0001.5002.0002.5003.000

2000 2.516 2.398 2.283 2.433 2.656 2.539

2001 2.635 2.490 2.390 2.593 2.778 2.674

2002 2.615 2.472 2.314 2.522 2.747 2.718

2003 2.798 2.660 2.536 2.666 2.895 2.897

2004 2.779 2.595 2.562 2.668 2.905 2.864

ITALIA ITALIA CENTRALE

ITALIA INSULARE

ITALIA MERIDIONALE

ITALIA NORD-OCCIDENTALE

ITALIA NORD-ORIENTALE

257

Analisi dello sviluppo per area geografica

Dall’analisi degli indicatori di sviluppo è possibile osservare la capacità di crescita delle imprese in termini di quota

offerta, di valore aggiunto prodotto e di investimenti.

Appare evidente come le società del campione presentano nel 2004 una dinamicità in crescita del fatturato rispetto ai

due anni immediatamente precedenti. In particolare, le imprese dell’Italia Nord Occidentale (+2,57%) e quelle

dell’Italia Nord Orientale

(+2,73%) registrano un

aumento dei ricavi superiore

a quello evidenziato a

livello dell’intero sistema

(+2,36%). Anche l’Italia

Insulare (+2,51%) mostra

un ritmo di crescita

lievemente superiore a

quello complessivo. Le

imprese appartenenti

all’Italia Meridionale e

all’Italia Centrale mostrano

incrementi inferiori rispetto a quelli mediani tuttavia l’Italia Centrale registra un importante inversione di tendenza

rispetto al 2003 (passa infatti da una variazione negativa -0,18% ad una variazione di segno opposto +1,82%).

La variazione intervenuta

nel valore aggiunto mostra

al 2004 un sostanziale

incremento sia a livello di

sistema che di singole aree

geografiche. A livello

nazionale si attesta infatti

intorno al +3,16% rispetto

allo +0,96% del 2003; per

quanto riguarda le aree

geografiche la variazione

oscilla tra il +2,56%

dell’Italia Meridionale fino al +3,68% dell’Italia Insulare.

Dal lato degli impieghi, il trend è simile a quello visto nei precedenti grafici, e il livello di crescita presente al 2004 è

superiore rispetto a quello fatto registrare negli anni precedenti, sia a livello di sistema (+3,5%, contro l’+1,87% del

2003) che di raggruppamenti geografici. In particolare, si evidenziano al 2004 variazioni nell’ordine del +4,35% per

l’Italia Meridionale e del +3,43% per l’Italia Nord Occidentale.

Var. % Fatturato per area geografica

(valori mediani)

-1,000,001,002,003,004,005,006,007,008,009,00

Italia 8,47 4,24 0,58 0,21 2,36Italia Nord Orientale 8,45 4,50 1,86 0,69 2,73Italia Centrale 8,85 3,90 0,72 -0,18 1,82Italia Meridionale 8,43 5,05 0,31 0,22 1,86Italia Insulare 7,12 3,74 0,00 2,45 2,51Italia Nord Occidentale 8,55 4,05 -0,06 -0,17 2,57

2000 2001 2002 2003 2004

Var. % Valore Aggiunto per area geografica

(valori mediani)

0,00

2,00

4,00

6,00

8,00

10,00

12,00

Italia 9,03 6,40 2,78 0,96 3,16Italia Nord Orientale 9,21 6,08 3,64 1,01 3,40Italia Insulare 8,86 6,72 3,57 4,00 3,68Italia Meridionale 9,91 7,83 3,04 2,29 2,56Italia Centrale 9,43 7,07 2,81 0,00 2,66Italia Nord Occidentale 8,36 5,63 2,00 0,75 3,30

2000 2001 2002 2003 2004

258

Var. % Attivo per area geografica

(valori mediani)

0,00

2,00

4,00

6,00

8,00

10,00

12,00

Italia 9,28 4,23 2,77 1,87 3,49

Italia Nord Orientale 9,49 4,20 3,72 1,68 3,50

Italia Nord Occidentale 9,06 3,25 2,32 1,07 3,43

Italia Centrale 9,20 4,90 2,74 2,02 3,19

Italia Meridionale 9,86 5,91 2,48 3,41 4,35

Italia Insulare 8,70 3,94 1,66 3,75 3,13

2000 2001 2002 2003 2004

Analisi della redditività per area geografica

L’analisi della redditività del capitale proprio e del capitale investito risulta essere un interessante elemento per la

valutazione della competitività delle imprese nazionali.

I livelli di ROE individuati al 2004 per l’intero sistema, sono in crescita rispetto ai valori registrati nell’anno precedente

(+4,38% contro il +3,85%

del 2003) il che sta ad

indicare una maggiore

remunerazione per il capitale

di rischio immesso nella

gestione sottoforma di

risultato dell’esercizio. Se si

analizzano le diverse aree

geografiche, si evidenzia la

differenza tra il Nord ed il

Sud del paese. L’Italia Nord

Orientale presenta un ROE

pari al +4,88%, l’Italia

Nord-Occidentale si attesta

al +3,98%, mentre l’Italia Meridionale si attesta sul livello di redditività più basso pari a +3,21%. E’ importante

evidenziare che questi bassi livelli del ROE sono strettamente legati alla frequente sottostima degli utili contabili.

ROE % per Area Geografica(valori mediani)

2,00

3,00

4,00

5,00

6,00

7,00

8,00

Italia 6,80 6,70 4,99 3,85 4,38Italia Nord Orientale 7,23 7,27 5,85 4,12 4,88Italia Nord Occidentale 7,56 7,21 5,15 5,18 3,98Italia Centrale 7,00 6,60 5,26 3,94 3,96Italia Meridionale 5,01 5,86 3,32 2,95 3,21Italia Insulare 4,42 4,72 2,90 2,96 3,43

2000 2001 2002 2003 2004

259

Nel 2004 la redditività del

capitale investito espressa

dal ROI, mostra una leggera

flessione a livello del

Sistema Italia rispetto al

2003 passando dal +4,98%

al +4,80%: ciò significa che,

per ogni 100 Euro investiti

nell’attività caratteristica,

(capitale di rischio o di terzi)

la gestione restituisce 4,8 €

sotto forma di reddito

operativo.

La flessione viene avvertita anche a livello delle singole aree geografiche (con l’eccezione dell’Italia Nord-Occidentale

e dell’Italia Insulare che incrementano leggermente la propria performance rispetto al 2003).

I livelli di remunerazione sono lievemente differenti tra il Nord ed il Sud del paese, le imprese del Nord si attestano al di

sopra dei valori medi di sistema, mentre quelle meridionali ed insulari si attestano su livelli inferiori di circa un punto

percentuale.

La migliore redditività

operativa del Nord Italia è

strettamente legata alla più

elevata redditività delle

vendite. Le imprese

dell’Italia Nord Occidentale

e dell’Italia Nord Orientale

hanno infatti una maggiore

capacità di conseguire i più

alti margini sui ricavi

rispetto alle altre aree

geografiche, rilevano infatti

un ROS superiore alla

media nazionale (pari

rispettivamente al 4,30% e al 4,10%).

La redditività di cassa, espressa attraverso il Cash Flow Operating su Attivo, è positiva e mostra come tutte le aree

geografiche riescano ad avere un bilanciamento positivo tra entrate ed uscite monetarie derivanti dal flusso dei ricavi

riscossi meno i costi pagati, rispetto al complesso dei capitali investiti. Tale indicatore, nel periodo considerato, subisce

un forte incremento nel 2001, ed un trend opposto negli anni successivi, assumendo un valore pari al +7,89% a livello

di sistema nel 2004. La capacità di “fare cassa” è particolarmente evidente nelle aree nord occidentale e nord orientale

ROI % per area geografica (valori mediani)

3,00

3,50

4,00

4,50

5,00

5,50

6,00

6,50

7,00


2000 2001 2002 2003 2004

ROS %per area geografica

(valori mediani)

3,00

4,00

5,00

Italia 4,35 4,48 4,29 4,06 4,06Italia Centrale 4,25 4,40 4,26 4,05 4,00Italia Insulare 3,62 3,92 3,57 3,69 3,60Italia Meridionale 3,72 3,90 3,63 3,63 3,60Italia Nord-Occidentale 4,64 4,74 4,51 4,26 4,30Italia Nord-Orientale 4,53 4,58 4,44 4,11 4,10

2000 2001 2002 2003 2004

260

del Paese, dove i valori ottenuti sono superiori alla media. Le imprese delle aree meridionale ed insulare fanno

registrare un netto calo rispetto agli esercizi precedenti ed al valore mediano nazionale.

Cash flow operating su Attivo % per area geografica

(valori mediani)

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00


2000 2001 2002 2003 2004

Analisi del grado d’indebitamento per area geografica

Il Leverage a livello dell’intero

Sistema Italia si attesta su un

valore mediano pari a +5,11 il

che significa che l’importo

delle passività è uguale a più di

5 volte quello dei mezzi propri

e questo fa emergere un

problema di eccesso di ricorso

al capitale di terzi nelle

imprese italiane legato alla

minor presenza di capitali

propri. Considerando le singole aree geografiche, è possibile notare come le imprese dell’Italia Centrale, Nord Orientale

ed Insulare registrino nel periodo

considerato un leverage

costantemente al di sopra del

valore mediano; quelle dell’Italia

Meridionale e Nord Occidentale

hanno invece un leverage al di

sotto della media.

Tuttavia, l’indice di dipendenza

finanziaria delle imprese,

Leverage per area geografica

(valori mediani)

4,00

4,50

5,00

5,50

6,00

6,50

7,00

7,50


2000 2001 2002 2003 2004

Indice di dipendenza finanziaria per area geografica

(valori mediani)

78,0

80,0

82,0

84,0

86,0

88,0

90,0

92,0


2000 2001 2002 2003 2004

261

costruito rapportando le passività con il totale delle attività, appare in miglioramento, presenta infatti a livello

dell’intero sistema una progressiva diminuzione dal 2000 al 2004 (88,2% nel 2000 e 84,9% nel 2004).

L’analisi dei margini di struttura, primario e secondario, permette di evidenziare la struttura del capitale e le eventuali

situazioni di squilibrio esistenti. Nel grafico successivo si rappresenta il margine di struttura primario (ottenuto

sottraendo al Capitale Netto l’Attivo Fisso), e risulta evidente come, sia a livello di sistema che di singole aree

geografiche, il capitale di rischio non sia in grado di coprire completamente l’attivo fisso, anche se la situazione appare

in leggero miglioramento nel 2004, per

quasi tutte le aree geografiche.

Se si considera il margine di struttura

secondario la situazione cambia: esso

risulta positivo in tutte le aree, cioè le

fonti di finanziamento permanenti

finanziano completamente l’attivo

fisso ed in parte l’attivo circolante e

vediamo come, a livello mediano,

l’Italia Nord Occidentale abbia un

migliore andamento rispetto al sistema

Italia.

Margine di Struttura Secondario per area geografica

dati mediani - valori in migliaia di euro

0

50

100

150

200

250

Italia 60 98 113 157 195Italia Centrale 46 79 93 141 160Italia Insulare 33 56 55 82 116Italia Meridionale 42 75 89 147 187Italia Nord-Occidentale 90 129 148 196 244Italia Nord-Orientale 54 98 110 146 186

2000 2001 2002 2003 2004

Margine di Struttura Primario per area geografica

(valori mediani)

-150

-130

-110

-90

-70

-50

-30

-10

Italia -53 -53 -51 -48 -39Italia Centrale -58 -61 -57 -57 -51Italia Insulare -89 -102 -117 -103 -115Italia Meridionale -59 -69 -76 -69 -59Italia Nord-Occidentale -38 -35 -28 -24 -13Italia Nord-Orientale -60 -57 -52 -60 -47

2000 2001 2002 2003 2004

262

Analisi della gestione del circolante e della liquidità per area geografica

Un ulteriore aspetto

dell’analisi riguarda la

capacità delle imprese di

equilibrare entrate ed uscite

di liquidità nel breve

periodo. A tal fine si è scelto

di concentrare l’attenzione

su due indici: il Current

Ratio (dato dal rapporto tra

Disponibilità ed Esigibilità)

ed il Cash Flow Operating

su Esigibilità

Il rapporto Disponibilità su Esigibilità al 2004 per il sistema Italia risulta pari a 114,54% (e quindi in aumento rispetto

all’esercizio precedente). Esso evidenzia staticamente una buona capacità delle aziende di far fronte con le disponibilità

all’estinzione delle passività correnti. L’analisi, per meglio comprendere il rapporto tra le attività e le passività correnti,

può essere trasformata da statica a dinamica utilizzando il Cash flow operating su Esigibilità.

Tale rapporto mette in evidenza come le imprese analizzate riescono in generale ad avere un buon bilanciamento tra i

flussi di liquidità in entrata ed in uscita, rispetto all’indebitamento a breve termine , anche se questa capacità di generare

risorse liquide è in

diminuzione (a livello di

sistema si passa dal 15,2% al

12.5%); in particolare le

imprese dell’Italia Nord

Occidentale ed Orientale

sono quelle che ottengono

livelli superiori rispetto al

valore mediano complessivo,

mentre quelle dell’Italia

Centrale, Insulare e

Meridionale registrano

livelli inferiori e quindi, in proporzione si affidano maggiormente all’indebitamento corrente con banche e fornitori,

piuttosto che contare sulle risorse liquide generate dalla gestione.

Statistiche in allegato: “Benchmark sull'andamento delle imprese nazionali”

Disponibilità su Esigibilità per area geografica

(valori mediani)

100,00102,00104,00106,00108,00110,00112,00114,00116,00118,00120,00


2000 2001 2002 2003 2004

Cash Flow operating su Esigibilità % per area geografica

(valori mediani)

0,0

5,0

10,0

15,0

20,0

25,0

30,0


2000 2001 2002 2003 2004

Documents

Rischio dell’Impresa Rischio Paese Rischio Mercati … a cura del Coordinatore Scientifico Nazionale del Progetto Professor Maurizio Fanni La presente relazione generale contiene