Analisi controfattuale e benchmarking basato sulla DEA: spiegare la performance ESG nel settore della logistica = Counterfactual Analysis and DEA-Based Benchmarking: Explaining ESG Performance in the Logistics Sector

Il miglioramento delle prestazioni delle istituzioni e delle altre Unità Decisionali (DMU) è tra gli obiettivi principali dell’analisi di efficienza. I modelli convenzionali offrono strumenti utili per misurare l’efficienza relativa, ma tali obiettivi risultano talvolta irrealistici dal punto di vista teorico-comportamentale, poiché possono essere matematicamente ottimali ma empiricamente irraggiungibili. Questa tesi presenta un riferimento di benchmarking più avanzato che impiega la Data Envelopment Analysis (DEA) in combinazione con il ragionamento controfattuale all’interno di un quadro di ottimizzazione a due livelli (bilevel optimization). Il nostro approccio individua le variazioni più piccole e realistiche negli input o negli output che renderebbero efficiente un’unità inefficiente, trasformando così gli indici astratti di efficienza in miglioramenti interpretabili e concretamente attuabili. A livello superiore, il modello controlla la sparsità, la magnitudo e la regolarità delle variazioni in base ai dati osservati, mentre a livello inferiore vengono imposti i vincoli di efficienza standard della DEA. Il modello risultante si inserisce inoltre nel contesto più ampio dell’analisi interpretabile e spiegabile, seguendo i principi dell’Intelligenza Artificiale Spiegabile (XAI), e fornisce spiegazioni trasparenti e comprensibili all’essere umano. Applichiamo il modello a un caso del settore della logistica, concentrandoci sui fattori ambientali, sociali e di governance (ESG), al fine di dimostrarne il potenziale nel promuovere miglioramenti complessivi dell’efficienza derivanti da questioni di sostenibilità. I risultati mostrano che la DEA controfattuale offre un nuovo modo di comprendere l’efficienza e accresce la rilevanza decisionale dell’analisi di efficienza rispetto alla prospettiva di ottimizzazione tradizionale, promuovendo una transizione da un’ideologia di ottimizzazione ricca ma opaca verso un quadro analitico più interpretabile e trasparente.