Dall’IA nuovi metodi per la finanza pubblica

Ogni anno le amministrazioni pubbliche approvano bilanci composti da migliaia di voci. Sono archivi dettagliati delle scelte pubbliche. E con l’aiuto dell’IA possono permettere di costruire nuove misure utili per la ricerca e per le decisioni pubbliche.

Cosa può “vedere” l’IA nei bilanci dei comuni

Per funzionare, l’intelligenza artificiale ha bisogno di dati. Di solito pensiamo a quelli del web: testi, immagini, post sui social. Ma per le politiche pubbliche quelli più utili sono spesso altri, meno vistosi, ma già disponibili, perché prodotti e resi accessibili dallo stato.

Tra questi, i bilanci pubblici hanno un ruolo speciale. Ogni anno migliaia di comuni italiani approvano un bilancio. È un documento di finanza pubblica, ma anche un archivio delle scelte dell’amministrazione: dice quante risorse arrivano da imposte e tariffe e quante dai trasferimenti; quanto va in opere pubbliche e quanto in scuole, assistenza sociale, raccolta dei rifiuti, infrastrutture o rimborso del debito. L’insieme delle voci racconta quindi come un’amministrazione raccoglie le risorse e le trasforma in servizi. Letti in questo modo, i bilanci sono dati “ad alta dimensionalità”: non una singola informazione, ma centinaia o migliaia di variabili che acquistano significato soprattutto nelle loro relazioni reciproche. I metodi predittivi di intelligenza artificiale possono cogliere queste relazioni e rendere misurabili fenomeni complessi, altrimenti difficili da osservare.

Mentre una regressione tradizionale è pensata per studiare, per esempio, quanto cambia il valore di una variabile quando se ne modifica un’altra, tenendo costante il resto, l’obiettivo qui è sfruttare grandi quantità di dati con il solo scopo di fare previsioni, lasciando eventuali stime causali ad analisi successive. La forza di questi modelli è proprio la capacità di gestire molte variabili, selezionare le più informative e cogliere interazioni o non linearità nelle relazioni che metodi econometrici standard rischierebbero di perdere.

Ciò che conta è quanto bene il modello ricostruisce dati che non ha mai visto. Per questo l’addestramento stesso, a differenza delle stime econometriche tradizionali, si fonda su una divisione dei dati: una parte serve al modello per imparare (training set), l’altra per essere messo alla prova (test set).

Tre studi per capire le potenzialità

Tre lavori recenti, condotti con diversi coautori, mostrano come questa prospettiva possa essere applicata concretamente.

Il primo esempio riguarda i comuni italiani: nello studio descriviamo il bilancio di ciascuno dei circa 8mila comuni italiani attraverso l’intera composizione delle sue voci di entrata e di spesa e misuriamo quanto due comuni si somiglino nelle loro scelte di bilancio.

L’intuizione è che molte scelte siano in parte prevedibili. Comuni simili per popolazione, struttura demografica e collocazione geografica tendono ad avere bilanci simili. Al punto che, partendo dalle sole caratteristiche locali, è possibile ricostruire con buona accuratezza la struttura attesa del bilancio. Diventa quindi interessante ciò che il modello non riesce a spiegare. Quando un bilancio si discosta da quello che le caratteristiche lascerebbero prevedere, quello scarto, che chiamiamo “divergenza fiscale”, segnala una deviazione rispetto al comportamento atteso. Non è di per sé un segnale positivo o negativo: può riflettere innovazione, vincoli istituzionali, scelte politiche o cattiva gestione. Ma l’aspetto importante è che diventa misurabile, e quindi studiabile. Per esempio, troviamo che la divergenza si riduce nell’anno che precede le elezioni. È un risultato coerente con l’idea che, a ridosso del giudizio degli elettori, gli amministratori preferiscano scelte di bilancio più prudenti o più convenzionali.

Il secondo esempio riguarda la corruzione nei comuni brasiliani. Qui uniamo gli esiti delle ispezioni dell’agenzia anticorruzione brasiliana alle centinaia di voci dei bilanci municipali e addestriamo un modello a riconoscere le tracce contabili che predicono la corruzione. Il modello mostra un’elevata capacità predittiva. Usando le sue previsioni per indirizzare gli audit, mostriamo come, a parità di numero di ispezioni, si individuerebbe una quantità quasi doppia di comuni corrotti rispetto a una selezione casuale. La conseguenza è importante: se i controlli costano e non si possono ispezionare tutti, questi punteggi aiutano a decidere le priorità su dove inviare gli ispettori. Non servono a dichiarare colpevole un’amministrazione, ma a usare meglio le risorse disponibili per il controllo.

Il terzo esempio viene dagli Stati Uniti. Nel lavoro ci chiediamo se dai soli bilanci dei governi locali si riesca a riconoscere l’orientamento politico di una contea. Se sì, significa che spesa e tasse riflettono in misura crescente l’appartenenza politica. Troviamo effettivamente che, negli ultimi cinquant’anni, il legame tra bilanci e colore politico si è fatto molto più netto, mentre quello con reddito, istruzione o età è rimasto stabile o si è indebolito. La polarizzazione della politica americana, quindi, non resta confinata ai discorsi dei politici, ma influenza anche le politiche fiscali locali.

Sono solo tre esempi di come dati pubblici, in apparenza ordinari, possano diventare strumenti per misurare fenomeni difficili da osservare e, soprattutto, per sostenere le decisioni pubbliche. Non si tratta di sostituire il giudizio umano con un algoritmo, ma di scegliere meglio dove guardare e dove destinare le risorse di controllo e di analisi.