Applicazioni statistiche delle reti neurali alle insolvenze delle compagnie di assicurazione

 3
Il lavoro svolto ha evidenziato che la metodologia più indicata per la previsione 
delle insolvenze, relativamente alle imprese del settore assicurativo italiano, risulta 
essere l’analisi discriminante. Questo risultato è dovuto essenzialmente alla peculiare 
struttura del mercato stesso in cui vi è la carenza di un numero sufficientemente 
elevato di aziende-esempio da sottoporre ai modelli neurali per l’apprendimento. 
Un altro aspetto interessante riguarda le variabili adottate per l’analisi: dai 
risultati conseguiti si trae la conferma che gli indicatori utilizzati, che sono 
sostanzialmente quelli considerati anche in altri studi, posseggono un efficace potere 
discriminante. A questo riguardo va però precisato che il limite principale riscontrato 
in questo genere di indagine è rappresentato dalla persistente soggettività 
dell’analista nel decidere quali debbano essere le variabili da utilizzare per l’esame, 
anche se entrambi i modelli proposti permettono mediante alcune procedure di 
eliminare successivamente quelle che non sono da considerarsi particolarmente 
significative. 
Considerando il modello neurale in senso assoluto, il risultato della ricerca 
permette comunque di promuoverlo come strumento di indagine previsiva, purché 
venga rispettata la fondamentale ipotesi della significativa numerosità dei casi da 
sottoporre per il suo apprendimento. 
 7
 
PREMESSA 
 
Questo lavoro si pone l’obiettivo di valutare le potenzialità previsionali di uno 
degli strumenti dell’intelligenza artificiale che in questi anni hanno avuto il maggiore 
sviluppo: le reti neurali. 
Per mettere alla prova le suddette capacità, si è pensato di paragonare i risultati 
ottenibili mediante tale strumento con quelli ricavabili con una tecnica statistica 
“tradizionale” come l’analisi discriminante lineare. 
L’ambito nel quale si è deciso di confrontare i due modelli riguarda la previsione 
di insolvenza delle imprese di assicurazione. Uno dei motivi per cui è stata effettuata 
questa scelta è che tale campo di ricerca è in pieno fermento, soprattutto in Italia 
dove, grazie alla presenza e all’impulso dato dall’Organo di vigilanza, si stanno 
studiando degli strumenti che possano coadiuvare o sostituire parzialmente l’Autorità 
nello svolgimento delle sue funzioni istituzionali.  
L’altra motivazione che ha spinto l’Autore del presente lavoro a svolgere 
l’indagine proprio in questo particolare settore economico, discende principalmente 
dalla volontà di applicare concretamente quanto appreso nel corso degli studi svolti 
in questi anni. 
L’elaborazione affronta inizialmente, mediante un’approfondita analisi teorica, le 
metodologie adottate: nel primo capitolo si illustrano i meccanismi di funzionamento 
e le principali architetture delle reti neurali, ponendo l’accento in modo particolare 
sulla tipologia MLP (Multi-Layer Perceptron) che sarà oggetto di applicazione 
concreta; nel medesimo capitolo vengono proposte alcune realizzazioni di sistemi 
neurali, riscontrate nella letteratura scientifica, particolarmente significative. 
Nel secondo capitolo viene trattata la metodologia di analisi discriminante, con 
particolare attenzione relativamente alla funzione di tipo lineare. 
Il terzo capitolo illustra la tematica della solvibilità nel campo assicurativo, 
ponendo in risalto i principali strumenti adottati finora per la previsione delle 
insolvenze e gli studi svolti al riguardo in Italia. 
 8
Infine, nel quarto e ultimo capitolo si svolge la parte applicativa: dopo aver 
trattato gli aspetti economici degli indicatori utilizzati e le modalità con le quali si 
sono raccolti i dati di mercato e costruiti i campioni per l’analisi, si giunge alla 
elaborazione ed al successivo confronto dei risultati per determinare quale dei due 
modelli sia il più efficiente nella previsione delle insolvenze.  
 
 
 9
Introduzione 
 
Da sempre l’uomo ha cercato di studiare l’ambiente che lo circonda sia per 
soddisfare la propria curiosità, sia per il desiderio di conoscere i meccanismi di 
funzionamento della Natura. Grazie a questo stimolo è giunto ad ottenere conoscenze 
sempre più approfondite e precise; basti ricordare l’avvento dei computers che negli 
ultimi cinquanta anni ha permesso di realizzare idee fino a quel momento ritenute 
fantascientifiche. Ultima frontiera di questa continua ricerca è l’essere in grado di 
ricreare artificialmente se stesso, o quanto meno la propria intelligenza. Infatti 
“…Con il susseguirsi dei secoli, l’uomo ha sempre identificato la sua mente con 
alcune sue invenzioni che, di volta in volta, erano una novità assoluta nel campo 
scientifico di quel preciso momento storico “(Carrella, 1995). 
Attualmente l’attenzione è rivolta in modo particolare ai computers che grazie 
alle loro prestazioni rappresentano la migliore approssimazione della mente umana. 
Da qui l’esigenza di riuscire a far ragionare il computer in modo autonomo. A questo 
proposito è famoso il test di Turing, con il quale si tenta di capire se una macchina 
sia realmente intelligente o semplicemente ben istruita dall’uomo. Lo svolgimento è 
il seguente: in due stanze separate vi sono un uomo ed una “macchina pensante“ che 
dialogano
1
; se l’uomo, che non sa di comunicare con un congegno artificiale, dopo 
aver sottoposto ad esso una serie di prove è convinto che nell’altra stanza vi sia un 
altro essere umano, allora tale macchina può essere considerata dotata di intelligenza 
propria. Finora questo test non è mai stato superato. 
Fino a qualche anno fa la tendenza era quella di sviluppare dei sistemi artificiali 
detti “sistemi esperti”, cioè dei sistemi in grado di fornire da soli delle risposte 
sensate a domande precise sulla base di una conoscenza specifica di un particolare 
argomento: si pensava infatti che sviluppando tali sistemi, col passare del tempo si 
sarebbe potuta ricreare una vera intelligenza artificiale. 
Però, dopo qualche decennio ci si è resi conto che queste strutture hanno un grave 
difetto, ossia dipendono troppo dalla loro “base di conoscenza” e quindi, se viene  
                                                          
1
 Il dialogo può avvenire su temi ristretti e specifici oppure su tutto lo scibile: dipende dalle ambizioni 
del test. 
 10
loro sottoposto un quesito che esula dalla specificità del campo per cui sono state 
predisposte, si hanno risposte incongruenti. Il loro limite è costituito quindi 
dall’incapacità di generalizzare una conoscenza specifica, cioè di non essere in grado 
di fornire delle risposte sensate in qualunque circostanza, anche in presenza di 
“noise” cioè di dati parzialmente inesatti o addirittura carenti. 
Per questo motivo si è allora cercata una nuova strada di studio e si sono 
riscoperte le peculiarità del connessionismo, abbandonato per qualche decennio 
perché considerato inefficiente. 
Questa “scienza” è la risultante di una integrazione di diverse discipline 
scientifiche che vanno dalla fisica alla psicologia, dalla neurologia alla matematica, 
dall’informatica alla robotica e si propone di riprodurre su un calcolatore, con un 
approccio computazionale e simulativo, le capacità analitiche del cervello (Parisi, 
1989, pag. 13 e ss.). Queste capacità possono essere studiate solo mediante la 
costruzione di sistemi artificiali, che devono comportarsi come i fenomeni analizzati, 
e con l’utilizzo delle immense potenzialità simulative dei moderni calcolatori. 
I sostenitori del connessionismo ritengono che le caratteristiche fisiche della 
macchina intelligente siano molto importanti: l’intelligenza deve essere costruita 
proprio in base ai principi strutturali e di funzionamento del cervello (non è così per i 
propugnatori dei sistemi esperti, secondo i quali le proprietà dell’intelligenza sono 
puramente funzionali e quindi tali da poter essere realizzate su qualunque tipo di 
macchina). Da qui l’esigenza di ricreare dei modelli molto simili ad esso: le reti 
neurali, cioè dei sistemi in cui un gran numero di unità, dal meccanismo di 
funzionamento molto semplice, sono interconnesse tra di loro in modo tale che 
insieme “ragionino” come un tutt’uno.  
La caratteristica fondamentale delle reti neurali
2
 è la loro capacità di apprendere 
da casi concreti: esse quindi non devono essere programmate con un linguaggio 
costituito da istruzioni sequenziali (come nel caso dei sistemi esperti) o da simboli, 
ma imparano proprio come fa il cervello umano, sulla base delle esperienze che vive. 
Esse cioè nascono prive di conoscenza e devono essere addestrate per poter garantire 
una risposta efficace ai problemi loro sottoposti. Inoltre sono in grado di estrapolare 
                                                          
2
 Chiamate anche sistemi dinamici non lineari, sistemi dinamici complessi, PDP (Parallel Distributed 
Processing) (Parisi, 1989). 
 
 11
la conoscenza acquisita e generalizzarla per casi concreti mai visionati prima 
(quest’ultima è la loro caratteristica più interessante). 
Una delle maggiori critiche mosse contro questi sistemi è che non sono in grado 
di spiegare come funzionano e perché funzionano in quel particolare modo i 
fenomeni da loro analizzati: non rivelano cioè un loro meccanismo interno di 
ragionamento che permetta di capire la struttura intrinseca dei fenomeni che riescono 
comunque a simulare. Non possono essere quindi considerati dei comodi strumenti di 
spiegazione e di comprensione di un fenomeno fintantoché non siano stati sviluppati 
idonei dispositivi atti a permettere di capire che cosa succeda realmente all’interno 
della rete durante l’apprendimento
3
 (Parisi, 1989, pag 64). 
Le reti riescono però ad essere dei validi strumenti nel supporto alle decisioni in 
quanto hanno la capacità di fornire risposte adeguate anche per fenomeni descrivibili 
con modelli non lineari, senza il bisogno di assunzioni a priori. Possono essere quindi 
pensate come degli strumenti statistici per l’inferenza induttiva (Refenes, 1995), utili 
soprattutto nell’analisi di fenomeni non riconducibili a relazioni facilmente 
riconoscibili. 
Sebbene il futuro delle reti neurali come stimatori non lineari nelle problematiche 
finanziarie sembra essere promettente, lo sviluppo con successo di questi strumenti 
non è una facile procedura: occorre infatti avere una buona competenza sia nel 
campo di applicazione, sia nella tecnica di realizzazione di questi strumenti, poiché 
la scelta delle variabili da considerare, la loro correlazione e normalizzazione, il loro 
significato e il modo in cui ottimizzare i dati sono di importanza fondamentale. 
Anche la consapevolezza delle complesse relazioni tra i dati, dell’esatta regolazione 
dei parametri di apprendimento (learning rate, momentum, …) e della distinzione 
esistente tra il concetto di memorizzazione e quello di generalizzazione sono 
elementi alla base di uno sviluppo applicativo di successo (Refenes, 1995). 
                                                          
3
 Alcuni tentativi in questa direzione sono stati fatti mediante l’uso della tecnica statistica della cluster 
analysis: con essa si può tentare di creare una serie di raggruppamenti organizzati in una struttura 
gerarchica. In detti raggruppamenti vanno poi classificati i patterns di attivazione, cioè quei vettori 
che indicano il livello di attivazione di una particolare unità nascosta in modo tale da raccoglierli in 
gruppi di vettori simili. Oppure può essere utilizzata la tecnica del lesionamento della rete: in questo 
modo è possibile valutare il ruolo di determinate unità nella produzione di una certa prestazione 
(Parisi, 1989, pag. 66 e ss.). Si tenga però presente che il risultato delle reti neurali non dipende dagli 
input considerati singolarmente, ma dall’interazione che esiste tra di essi.