Analisi del rischio di business interruption mediante algoritmi di intelligenza artificiale = Business interruption risk analysis through artificial intelligence algorithms

Il presente lavoro di tesi ha l’obiettivo di analizzare gli effetti del verificarsi di un rischio sulla stabilità economica e organizzativa delle PMI italiane, con particolare attenzione ai settori service, commerce e public. L’elaborato ha considerato in particolare l’evento disruptive Covid-19 che ha influenzato l’economia mondiale nell’ultimo anno. Il lavoro presentato è stato redatto in collaborazione con Arisk s.r.l., spin-off del Politecnico di Torino. La startup ha sviluppato un algoritmo proprietario basato su tecniche di intelligenza artificiale e machine learning, utile all’analisi e al monitoraggio di rischi attuali e alla loro evoluzione nel tempo grazie all’uso di variabili e valori di ponderazione che sono aggiornati tenendo conto degli eventi futuri. Con il presente studio si vuole dimostrare come sistemi di predizione del rischio di default possano supportare le aziende nel prendere adeguate decisioni e contrastare tempestivamente la minaccia di business interruption determinata da tali eventi disruptive, esterni ed interni. In particolare, il sistema di supporto alle decisioni (DSS) fornito da Arisk, può aiutare i decision maker ad intraprendere prontamente azioni correttive o scelte decisionali, conducendo delle what if analysis. L’elaborato fornisce prima una descrizione dei concetti di rischio, di risk management, dell’applicazione dell’intelligenza artificiale al processo di gestione del rischio, della struttura del DSS di Arisk ed infine delle implicazioni del Covid-19 sulla business interruption delle PMI. Successivamente, è stato applicato il DSS all’analisi degli effetti del Covid-19 sullo stato di salute delle imprese italiane, analizzando le situazioni finanziarie ed economiche ex ante ed ex post, utilizzando i dati pubblici disponibili sul portale AIDA Bureau van Dijk/Moody’s. È dunque presentata l’analisi Pre-Covid sulle PMI italiane. I dati scaricati sono elaborati applicando l’algoritmo e ottenendo una predizione del rischio di default a 36 mesi. Per ogni settore sono state analizzate le performance economico-finanziarie e successivamente è stato proposto un confronto al fine di comprendere se i diversi trend sono dovuti alla specificità del settore analizzato e delle sue caratteristiche o sono indipendenti da esso. Segue l’analisi Post-Covid, ottenuta perturbando il modello, al fine di simulare un evento di lockdown e calo produttivo come quello di cui le PMI italiane sono state protagoniste. Tale studio è completato da un’ipotesi di intervento da parte dello Stato attraverso dei sussidi. L’obiettivo di questa fase è quello di comprendere come si è modificata la struttura dei tre settori e come, in essi, è variata la probabilità di sopravvivenza delle organizzazioni. Inoltre, l’analisi sulle policy applicate dal Governo offre un supporto decisionale al fine di fronteggiare l’evento disruptive. Il sussidio più adeguato è determinato attraverso l’osservazione dello stato di salute delle imprese nel lungo periodo. Per concludere, l’ultima parte della tesi ha mirato all’analisi della struttura organizzativa delle PMI italiane. L’obiettivo è quello di esaminare l’indice di governance definito dal machine learner, così da poter comprendere l’adeguatezza dell’organizzazione nella risposta ad eventi disruptive come quello della pandemia in esame.