Gli esperti della Uif (Unità Finanziaria per l’Italia) hanno messo a punto un algoritmo di machine learning in grado di identificare con successo circa il 76% delle aziende collegate alla criminalità organizzata e il 74% delle aziende presumibilmente “sane”. Il modello è stato presentato con il n.22/2024 dei Quaderni dell’antiriciclaggio dell’Uif, dal titolo “Un modello di machine learning per l’identificazione di aziende collegate alla criminalità organizzata in Italia”, a cura di Pasquale Cariello, Marco De Simoni e Stefano Iezzi.
L’indicatore di rischio proposto nello studio, che è ancora in versione sperimentale, ha varie potenziali applicazioni. In ambito strategico, può consentire ad esempio l’elaborazione di mappe di rischio a livello territoriale o settoriale. In ambito operativo, può contribuire al patrimonio informativo che supporta le funzioni istituzionali dell’Uif; potrebbe anche essere utilizzato come strumento preliminare di screening per contribuire a orientare l’azione degli organi investigativi, ad esempio nel monitoraggio dell’utilizzo dei fondi pubblici (Pnrr). Conferme della sua validità operativa dovranno venire da ulteriori applicazioni sul campo.
Nello studio, disponibile nella versione integrale solo in lingua inglese, viene sviluppato un algoritmo di machine learning per rilevare aziende potenzialmente collegate alla criminalità organizzata. A questo scopo, si utilizza un dataset di imprese italiane ottenuto integrando informazioni finanziarie provenienti da varie fonti, tra cui principalmente dati di bilancio. Per addestrare e testare il modello, un campione di oltre 28.000 aziende italiane, caratterizzate da una elevata probabilità di essere collegate alla co, viene confrontato con sottoinsiemi di aziende presumibilmente “sane” selezionati casualmente.
Possibile calcolare l’indicatore di rischio per 900.000 società di capitale
L’algoritmo consente di calcolare un indicatore di rischio per oltre 900.000 società di capitale attive in Italia (sono stati usati i dati dei bilanci 2021): tale score è compreso tra 0 a 1 e può essere interpretato, indicativamente, come la probabilità che la singola impresa sia connessa a contesti di criminalità organizzata. Il 78,3% delle società di capitale ha uno score inferiore a 0,50; tra il restante 21,7% delle aziende con un punteggio superiore a tale soglia, l’1,8% ha uno score superiore a 0,95.
Sono stati anche effettuati diversi esercizi di validazione del modello con dati indipendenti. In particolare, i risultati delle prime versioni statistiche del modello sono stati confrontati massivamente sia con i dati Uif delle Segnalazioni di operazioni sospette, sia con le evidenze del Nucleo Speciale di Polizia Valutaria della Guardia di Finanza, con esiti sostanzialmente positivi.
Data set utilizzato e campione di imprese ad alto rischio
Il modello è rivolto a imprese con la forma giuridica di società di capitale. Per l’addestramento viene utilizzato un dataset di 1.804.278 imprese italiane, relativo al periodo 2010–2021, che incorpora dati di bilancio, informazioni sulla esposizione debitoria nei confronti del sistema bancario e finanziario, dati occupazionali e sull’assetto proprietario e di governance. Per l’addestramento dell’algoritmo è stato utilizzato un campione di 28.570 imprese ad alto rischio di collegamento con la criminalità organizzata; la selezione del campione è basata su fonti pubbliche e, in larga misura, su una selezione della cd. ‘mappatura’ delle imprese potenzialmente connesse a contesti di criminalità organizzata, sviluppata presso l’Uif (Rapporto Annuale Uif sul 2020, pagg. 47-48). Questo campione di addestramento rappresenta uno dei più ampi censimenti di imprese di questo tipo, e costituisce una delle innovazioni più rilevanti dello studio.
Il test ha riconosciuto 24.309 imprese (75,6%)
Come avviene in approcci di tipo machine learning, le prestazioni dell’algoritmo utilizzato per l’addestramento (XGBoost) sono state calibrate con l’obiettivo di massimizzare uno dei parametri che misurano la capacità previsiva del modello: il tasso di recall (o sensitività), che misura l’incidenza di imprese riconosciute dal modello come infiltrate sul totale delle imprese effettivamente infiltrate prese in esame.
Utilizzando come campione di test l’insieme di imprese infiltrate non utilizzate per l’addestramento, si ottiene un tasso di recall pari al 75,6%: in altri termini, su un totale di 32.166 osservazioni per impresa/anno di imprese infiltrate (distribuite nel periodo 2010-2021), il modello è stato in grado di riconoscerne correttamente 24.309.
Il test ha riconosciuto 24.801 imprese non infiltrate (74,2%)
Un altro importante parametro è la specificity, ossia la quota di imprese non-infiltrate riconosciute come tali dal modello, che risulta pari al 74,2%: ossia, su un totale di 33,410 osservazioni di imprese non-infiltrate, il modello ne riconosce correttamente 24.801.
“Questi risultati non si discostano molto da quelli ottenuti inizialmente addestrando il modello sull’intero campione di imprese infiltrate, fornendo segnali incoraggianti sulla stabilità del modello e sulla sua capacità di mantenere buoni livelli di prestazione anche se applicato a nuovi dati”, si legge nella sintesi del Quaderno dell’antiriciclaggio n. 22.
La validazione con provvedimenti interdittivi antimafia e white list
Da ultimo, la versione più aggiornata del modello è stata validata utilizzando alcuni dati relativi a:
- le aziende colpite da provvedimenti prefettizi di interdittiva antimafia;
- quelle incluse nelle cd. “white list”, ossia imprese operanti in specifici settori economici, maggiormente esposti al rischio di infiltrazione mafiosa, per le quali è attestata a livello prefettizio l’assenza di connessioni note con la criminalità organizzata.
Le imprese soggette a interdittiva presentano uno score di rischio mediano che supera di oltre due volte e mezzo quello delle imprese incluse nelle “white list”. Inoltre, il modello individua il 64,6% delle imprese soggette a interdittiva come infiltrate; simmetricamente, il 70,5% delle imprese nelle “white list” è riconosciuto come non infiltrato dal modello.
“L’ordine di grandezza di questi riscontri, ottenuti ‘sul campo’ con dati del tutto indipendenti dallo studio, non si discosta troppo da quello delle misure out of sample di recall e specificity prima riportate”, conclude l’analisi.
