Tesi di laurea sul sistema provinciale di microcredito pistoiese

UNIVERSITÀ DEGLI STUDI DI PERUGIA

FACOLTÀ DI ECONOMIA Corso di Laurea Magistrale in Finanza e Statistica

TESI DI LAUREA

Microfinanza e microcredito in Europa: il caso studio “Sistema Provinciale di Microcredito Pistoiese”

LAUREANDA

RELATORE

Martina Ruggeri

Prof.ssa Elena Stanghellini

Anno Accademico 2011-2012

INDICE

INTRODUZIONE .....................................................................................................................1

1 – SVILUPPO DEL MICROCREDITO E DELLA MICROFINANZA NEL CONTINENTE EUROPEO ...........................................................................................3 1.1 Il microcredito e la microfinanza ..........................................................................................3 1.2 La povertà, l’esclusione sociale e l’esclusione finanziaria in Europa .................................7 1.3 Il concetto di microcredito e il panorama istituzionale e normativo nell’Unione Europea..............................................................................................................9 1.4 European Microfinance Network .......................................................................................13 1.5 Codice europeo di buona condotta per l’erogazione di microcrediti .................................15 1.6 European Financial Inclusion Network .............................................................................17 1.7 È giusto definire il “credito sociale” come “credito al consumo”? ...................................18 1.8 Il credit scoring e il microcredito: ha senso valutare l’affidabilità creditizia del richiedente di un microprestito? ..........................................................................................21 2 – IL MICROCREDITO NELL’UNIONE EUROPEA: LE INIZIATIVE COMUNITARIE E IL PROGETTO CAPIC ......................................................................27 2.1 Il microcredito: una priorità per l’Unione Europea ............................................................27 2.2 Le iniziative europee per la microfinanza e il microcredito: CIP, JEREMIE e JASMINE ............................................................................................................................29 2.3 European PROGRESS Microfinance Facility ....................................................................33 2.4 Il progetto comunitario CAPIC ...........................................................................................37 2.5 I quattro casi studio del progetto comunitario CAPIC .......................................................41 3 – IL “SISTEMA PROVINCIALE DI MICROCREDITO PISTOIESE”: UN’ANALISI APPROFONDITA .........................................................................................45 3.1 Il caso studio italiano dell’iniziativa CAPIC: il “Sistema Provinciale di Microcredito Pistoiese” .............................................................................................................................45

I

3.2 Il Sistema Provinciale di Microcredito Pistoiese: i soggetti coinvolti e le caratteristiche del progetto ..........................................................................................................................46 3.3 La raccolta e la valutazione delle richieste presso il Sistema Provinciale di Microcredito Pistoiese .........................................................................................................49 3.4 Regressione logistica ...........................................................................................................51 3.5 Gli alberi di classificazione .................................................................................................53 3.6 Analisi dati del Sistema Provinciale di Microcredito Pistoiese: descrizione dei data set utilizzati ...............................................................................................................................55 3.6.1 Alcune analisi descrittive .......................................................................................63 3.6.2 Applicazione del modello logistico ai dati del Sistema Provinciale di Microcredito Pistoiese ............................................................................................66 3.6.3 Applicazione pratica degli alberi di classificazione ai dati del Sistema Provinciale di Microcredito Pistoiese.....................................................................75 3.7 Considerazioni conclusive sull’analisi dati del Sistema Provinciale di Microcredito Pistoiese ...............................................................................................................................85

CONCLUSIONI ......................................................................................................................89

APPENDICE A Regressione logistica in R .......................................................................................................93

APPENDICE B Alberi di classificazione in R ................................................................................................115

BIBLIOGRAFIA ...................................................................................................................119

SITOGRAFIA ........................................................................................................................123

II

INTRODUZIONE

La complessa crisi economica degli ultimi anni ha generato rilevanti instabilità nei mercati finanziari e negli scenari socioeconomici di molti Paesi. Il fallimento del colosso bancario statunitense Lehman Brothers e la successiva crisi dell’area Euro hanno generato pesanti ripercussioni sulla crescita economica, sullo sviluppo e sul welfare di ogni Stato. I tassi di disoccupazione, soprattutto quella giovanile, crescono vertiginosamente mese dopo mese e, sulla stessa lunghezza d’onda, si muovono i tassi di povertà e di esclusione sociale e finanziaria, che implicano difficoltà nel ricorso al tradizionale credito al consumo. Ampie fasce di popolazione sia del Sud del Mondo sia dei paesi più industrializzati, infatti, non hanno la possibilità di accedere ai circuiti bancari per ottenere prestiti, in quanto prive di garanzie reali. Per questo, il bisogno di acquistare un nuovo elettrodomestico, un’automobile o pagare i canoni mensili di affitto di un’abitazione, rimarrà insoddisfatto e il consumatore si troverà, spesso inaspettatamente, a fronteggiare gravi situazioni debitorie. In questo aspro contesto, in cui gli istituti bancari e finanziari “non sono interessati” ai soggetti inaffidabili dal punto di vista creditizio o, quantomeno, poveri, si afferma il microcredito.

Sono venuta a conoscenza di questo potente strumento della microfinanza grazie ad uno stage presso la “Fondazione Cassa di Risparmio di Perugia”, nel corso del quale ho partecipato attivamente al progetto “Microcredito Perugia”. L’intento dell’iniziativa è concedere prestiti di piccolo ammontare a quei soggetti esclusi dai tradizionali circuiti bancari e privi di qualsiasi garanzia reale, siano essi persone fisiche o microimprese.

Partecipando, inoltre, ad un workshop sulla problematica dei partenariati nelle iniziative europee di microcredito sociale, organizzato dalla “Fondazione Un Raggio di Luce ONLUS” e tenutosi a Pistoia lo scorso 13 novembre 2012, ho potuto conoscere il progetto comunitario “CAPIC”, promotore della diffusione di buone pratiche di microcredito orientato al sociale e della cooperazione tra enti pubblici, enti non profit e istituzioni finanziarie.

Attraverso queste iniziative e grazie all’interesse che è scaturito in me, ho pensato che descrivere lo sviluppo e l’evoluzione del microcredito e della microfinanza nel contesto dell’Unione Europea fosse il migliore epilogo di una così importante e significativa esperienza.

1

Nel primo capitolo dell’elaborato mi sono concentrata sull’insediamento del microcredito in Europa, quindi sulla distribuzione geografica delle istituzioni di microfinanza e sui contesti normativi vigenti. La somiglianza tra “microcredito sociale” e “credito al consumo” fa spesso pensare all’esistenza, anche nell’ambito microfinanziario, di sistemi di credit scoring per valutare l’affidabilità creditizia del richiedente, non ancora particolarmente diffusi viste le finalità essenzialmente sociali del microcredito.

Nel secondo capitolo, la mia attenzione è stata rivolta all’impegno dell’Unione Europea verso la microfinanza e il microcredito. Grazie alle iniziative CIP, JEREMIE, JASMINE e, in particolare, PROGRESS Microfinance, vengono erogati finanziamenti alle istituzioni di microfinanza interessate alla crescita delle micro e piccole imprese. Mi sono focalizzata, inoltre, sul progetto CAPIC, co-finanziato dal programma comunitario PROGRESS e mirato alla diffusione delle conoscenze e competenze possedute dalle quattro iniziative di microcredito sociale analizzate nell’ambito del progetto stesso.

Argomento centrale del terzo capitolo di questa tesi è il “Sistema Provinciale di Microcredito Pistoiese”, uno dei quattro casi studio del progetto CAPIC. In quest’ultima parte illustro la struttura del microcredito pistoiese, i partner coinvolti e il processo di raccolta e valutazione delle richieste di microcredito. Con l’aiuto dei dati relativi al biennio 2010-2011, gentilmente concessimi, ho svolto alcune analisi avvalendomi della regressione logistica e costruendo alberi di classificazione, al fine di individuare quali variabili possono influenzare la decisione del Comitato di Valutazione che giudica l’idoneità di ciascuna domanda ai principi del microcredito.

Colgo l’occasione per ringraziare la Professoressa Elena Stanghellini, per i suoi preziosi insegnamenti, per la sua professionalità e per tutto l’aiuto fornito durante la stesura di questa tesi. Un sentito ringraziamento alla Fondazione Cassa di Risparmio di Perugia, in particolare al Dott. Sergio Pieroni, grazie ai quali ho potuto conoscere da vicino lo strumento del microcredito. Desidero, inoltre, ringraziare il Sistema Provinciale di Microcredito Pistoiese e la Fondazione Un Raggio di Luce ONLUS, per avermi offerto l’opportunità di partecipare ad un workshop internazionale e di trattare i loro dati.

2

CAPITOLO 1

SVILUPPO DEL MICROCREDITO E DELLA MICROFINANZA NEL CONTINENTE EUROPEO

1.1

Il microcredito e la microfinanza Il fenomeno della globalizzazione è stato determinante, non solo per l’evoluzione del

sistema socioeconomico mondiale ma, anche, per la sempre più forte interdipendenza tra le aree del pianeta. I problemi un tempo singoli per ogni paese, si sono trasformati in problemi globali, rappresentando a volte vere e proprie minacce al benessere della popolazione. Non a caso, gli elevati tassi di povertà dei paesi del Sud del Mondo sono diventati un “male” globale da combattere con la massima determinazione. Grazie alla maggior connessione tra i paesi in via di sviluppo e quelli più industrializzati, sono stati definiti molteplici meccanismi e strumenti, con caratteristiche di solidarietà e mutualismo, per combattere la povertà e l’esclusione finanziaria e sociale. Uno fra questi, noto come strumento di lotta alla povertà, è il microcredito.

Con il termine microcredito si definisce l’attività di erogazione di prestiti di piccole dimensioni a soggetti classificati come “non bancabili” (in inglese “unbanked”). Questi soggetti, appartenendo ad una fascia di reddito molto bassa ed essendo privi delle garanzie patrimoniali richieste dalle istituzioni di credito ordinario, non hanno la possibilità di accedere ai tradizionali circuiti bancari.

Nonostante ciò, grazie alla microfinanza ed, in particolare, al microcredito, gli unbanked potranno far fronte a temporanee mancanze di liquidità nella propria famiglia o avviare piccole attività imprenditoriali autonome.

Capita molto spesso di confondere il termine microfinanza con microcredito. In realtà, si tratta di due concetti che differiscono, pur rivolgendosi allo stesso target di persone e pur avendo gli stessi obiettivi. La microfinanza comprende tutti quei prodotti e servizi finanziari (concessione di crediti, gestione dei risparmi, dei pagamenti, l’utilizzo di carte di credito, assicurazioni e anche servizi di sviluppo aziendale e alfabetizzazione finanziaria) offerti da istituzioni finanziarie specializzate, comunemente dette “istituzioni di

3

microfinanza”, a soggetti reputati non solvibili. Le istituzioni di microfinanza sono associazioni senza scopo di lucro o Organizzazioni Non Governative che mettono a disposizione della propria “clientela” servizi di credito, assistenza tecnica e formazione per le piccole e le microimprese. Il microcredito è, invece, lo strumento con cui le istituzioni di microfinanza forniscono importi di basso ammontare a chi ne fa richiesta.

Avvalendosi dei meccanismi tradizionali dell’economia e della finanza, il microcredito trova valide soluzioni a tutte quelle situazioni di crisi di sviluppo, dove né l’economia né la finanza riescono ad arrivare o non vogliono intervenire. Anzi, economia e finanza hanno in precedenza generato squilibri di varia entità, che il microcredito si impegna a sanare rilanciando il valore “reale” dei rapporti finanziari.

Le due principali tipologie di microcredito sono: il “credito sociale”, definito spesso come “credito al consumo”, e il “credito all’impresa”, volto alla realizzazione o alla manutenzione di micro o piccole imprese.

Le origini del microcredito moderno risalgono alla metà degli anni ‘70. Muhammad Yunus, professore di economia presso l’Università di Chittagong, in Bangladesh, e Premio Nobel per la Pace nel 2006, avviò nel 1976 un’attività di concessione di piccoli prestiti ai poveri della zona, mettendo a disposizione una parte delle proprie risorse economiche e permettendo ai soggetti “beneficiari” di uscire dalla morsa degli usurai. Ovviamente Yunus prestò denaro senza chiedere in cambio nessuna garanzia patrimoniale ai suoi clienti. I risultati iniziali di questo esperimento furono, con grande stupore, positivi: il tasso di restituzione dei primi 27 dollari, prestati principalmente a giovani lavoratrici artigiane, fino a quel momento sfruttate a 2 centesimi di dollaro al giorno, fu del 100%.

Nonostante le critiche e le opposizioni allo sviluppo e alla diffusione dell’iniziativa, sollevate dalle banche del luogo e dalle istituzioni finanziarie mondiali, tra il 1979 e il 1983, con la collaborazione di alcuni suoi studenti, Yunus fondò la “Grameen Bank” o “banca del villaggio”.

Lo stesso Yunus afferma: “Quando oggi qualcuno mi chiede: ‘Come le sono venute tutte quelle idee innovative? Lei non ha una formazione specifica, come ha fatto a inventare Grameen?’, io rispondo: ‘Abbiamo guardato come funzionano le altre banche e abbiamo fatto il contrario’.”1

1

MUHAMMAD YUNUS, 2010, Il banchiere dei poveri, Milano, Universale Economica Feltrinelli, XIV edizione, p.115.

4

E’ proprio da questa espressione che, a mio avviso, è possibile evincere il principio sul quale si fonda l’intero sistema della Grameen Bank: non devono essere i clienti ad andare in banca, ma la banca ad andare dai clienti, perché per un povero, e per giunta analfabeta, un ufficio si presta come un luogo terrificante che porta ad aumentare la distanza “sociale” tra il cliente stesso e l’istituto di credito. La presenza in ufficio di un qualsiasi membro del personale, infatti, è considerata una violazione alle regole della Grameen Bank.

Secondo Yunus, la mera condizione di povero2 non è incompatibile con quella di destinatario del prestito. Questa affermazione è giustificata dal fatto che un “povero” di beni economici, se possiede spiccate capacità tecniche e imprenditoriali ed ha tutte le carte in regola per accedere al credito, almeno da un punto di vista di solvibilità può essere più meritevole di credito di un “non povero”.

L’attività di concessione di microcrediti, quindi, favorisce l’avvio di un processo di trasformazione e crescita economica, aiuta le persone a cambiare se stesse e a investire in un futuro migliore, privo dell’attuale stato di povertà e di esclusione finanziaria e sociale in cui si trovano.

La Grameen Bank, ad oggi, è diffusa in più di 80 mila villaggi, conta circa 2565 filiali ed ha più di 8 milioni di clienti, il 97% dei quali donne3. Questa realtà è senza dubbio il punto di riferimento per lo sviluppo del microcredito moderno, anche se le radici di questo importante strumento affondano in altre iniziative più lontane nel tempo.

Molte sono ad oggi le istituzioni di microfinanza che praticano il microcredito.

Queste operano a livello internazionale per promuovere congiuntamente la coesione sociale, l’accesso al credito da parte di individui privi di garanzie patrimoniali e la crescita all’interno dei mercati globali.

Il Rapporto 2012 della “Microcredit Summit Campaign”4 sintetizza i risultati che la microfinanza ha raggiunto su scala mondiale per combattere la povertà. Tale elaborazione è il frutto di una ricerca condotta per conto dell’ONU sull’attività delle varie istituzioni di microfinanza che hanno fornito, nel corso del 2011, i risultati da loro raggiunti nel 2010.

2

“Povero”, secondo l’ISTAT, è colui che si trova strutturalmente o temporaneamente in deficit di liquidità, ed è privo di fonti di reddito o di patrimonio da offrire in garanzia (definizione rielaborata).

3

Dati aggiornati al 2011. Per consultare altri dati relativi al bilancio, all’attività e alla rete della Grameen Bank si rimanda al sito Web http://www.grameen-info.org/.

4

Microcredit Summit Campaign è un progetto di RESULTS Educational Fund, un’organizzazione statunitense impegnata a contrastare la fame e la povertà nel mondo.

5

Al 31 dicembre 2010 gli istituti di microfinanza sono in tutto il mondo 3652 e raggiungono circa 205 milioni di clienti. Di questi, più di 137 milioni (+ 1710% rispetto al 1997) si trovano al di sotto della soglia di povertà assoluta5, vivendo con meno di un dollaro al giorno, e circa l’82,3% di questi soggetti poveri è di sesso femminile.

Se consideriamo la distribuzione geografica delle 3652 istituzioni, possiamo notare che 3493 si trovano nei paesi in via di sviluppo (1009 nell’Africa Sub-Sahariana, 1746 in Asia e nel Pacifico, 647 in America Latina e nei Caraibi, 91 in Medio Oriente e in Nord Africa), mentre le restanti 159 sono dislocate fra i paesi industrializzati (86 in Nord America ed Europa occidentale, 73 in Europa orientale e Asia centrale)6.

Alla luce dei dati riportati nella Tabella 1.1, estratta dal Rapporto 2012 della Microcredit Summit Campaign, possiamo constatare che la continua crescita del microcredito, soprattutto negli ultimi anni, dovuta anche alla recente crisi economica mondiale, avvicina l’obiettivo che si è posto l’ONU per il 2015. L’intenzione delle Nazioni Unite è di raggiungere circa 175 milioni di beneficiari, la maggior parte dei quali si trova, oggi, sotto la soglia di povertà, vivendo con meno di un dollaro al giorno. Considerato che nel 2010 i destinatari di microprestiti sono stati circa 138 milioni, c’è una forte convinzione di poter perseguire con successo l’obiettivo che l’Organizzazione si è posta.

Anno

N. Istituzioni di Microfinanza

N. totale destinatari (mln)

N. totale destinatari sotto la soglia di povertà assoluta (mln)

% dei destinatari sotto la soglia di povertà

1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2009 2010

618 925 1065 1567 2186 2572 2931 3164 3133 3316 3552 3589 3652

13,48 20,94 23,56 30,68 54,93 67,61 80,87 92,27 113,26 133,03 154,83 190,14 205,31

7,60 12,22 13,78 19,33 26,88 41,59 54,79 66,61 81,95 92,92 106,58 128,22 137,55

56 58 58 63 49 62 68 72 72 70 69 67 67

Tabella 1.1 Evoluzione della microfinanza nel mondo dal 1997 al 2010. Fonte: State of Microcredit Summit Campaign, Report 2012.

5

Come definito dall’ISTAT, “la povertà assoluta si riferisce all'incapacità di acquisire i beni e i servizi necessari a raggiungere uno standard di vita ritenuto ‘minimo accettabile’ nel contesto di appartenenza”.

6

Dati aggiornati al 2012. Per la consultazione del Rapporto della Microcredit Summit Campaign si rimanda al sito Web http://www.microcreditsummit.org/state_of_the_campaign_report/.

6

1.2

La povertà, l’esclusione sociale e l’esclusione finanziaria in Europa Negli ultimi decenni, in Europa, la microfinanza si è notevolmente diffusa.

Nonostante la sua eterogeneità interna, dovuta ai differenti sistemi giuridici ed istituzionali degli Stati membri dell’Unione Europea e alla diversa natura dei principali enti erogatori di microcredito, il contesto microfinanziario ha portato allo sviluppo del sempre più dinamico strumento del microcredito.

Le attività a sostegno delle fasce sociali più disagiate trovarono origine nella seconda metà dell’800 con le piccole banche di villaggio create da Raiffeisen in Germania, le Lending Charities inglesi, le casse rurali e le banche cooperative popolari in Italia. Sebbene la microfinanza e il microcredito abbiano radici ben più profonde e antiche di quanto si possa pensare, rimangono esperienze piuttosto recenti nel continente europeo, dove hanno trovato terreno fertile a partire dagli anni ‘80. Il credito “micro” è approdato prima nei paesi dell’Est Europa, negli anni della crisi e del dissolvimento del sistema sovietico, favorendo, soprattutto, lo sviluppo delle microimprese. Solo successivamente ha raggiunto le regioni occidentali del Vecchio Continente impegnandosi a garantire la crescita economica e la coesione sociale.

“European Anti-Poverty Network”7 riconduce le numerose definizioni di povertà all’interno di due concetti: la povertà assoluta e la povertà relativa. La povertà assoluta si riferisce all’impossibilità per una persona di procurarsi un dato paniere di beni e servizi primari il cui consumo è necessario per vivere in modo decoroso. La povertà relativa, invece, considera povero chi possiede risorse significativamente inferiori a quelle possedute, in media, dagli altri membri della società in cui vive.

Nell’Unione Europea tutte le persone che possiedono un reddito inferiore al 60% del valore della mediana dei redditi del proprio paese sono da considerare a rischio di povertà8.

La povertà è strettamente correlata al concetto di esclusione sociale. L’una può essere causa e, allo stesso tempo, conseguenza dell’altra. L’esclusione sociale è un fenomeno complesso, multidimensionale e multilivello. È multidimensionale poiché può essere generata da situazioni caratterizzate da bassi redditi, disoccupazione, mancato accesso alle strutture educative e informative, difficoltà nell’ottenere servizi socio-sanitari adeguati, ecc.

7

European Anti-Poverty Network è un network di Organizzazioni Non Governative (ONG) e altri gruppi, istituito nel 1990, costantemente impegnato nella lotta contro la povertà e l’esclusione sociale nei paesi membri dell’Unione Europea. Per ulteriori informazioni si rimanda al sito Web http://www.eapn.eu/en.

8

E’ possibile trovare informazioni sulle definizioni di povertà adottate dall’Unione Europea collegandosi alla pagina Web http://www.eapn.eu/en.

7

E’ multilivello, invece, quando le cause dell’esclusione possono derivare da misure adottate a livello individuale o nazionale.

Benché l’esclusione sociale in Europa sia difficile da quantificare, vari sono gli indicatori utilizzati che permettono di avere una panoramica sull’estensione di tale problema.

Alcuni fra questi sono il tasso di disoccupazione, il livello d’istruzione dei cittadini europei, il livello di soddisfazione delle cure e dei controlli medici e il tasso delle persone che non utilizzano Internet. A tal proposito, “l’esclusione da Internet” comporta l’allontanamento dai contatti sociali e da uno stock crescente di informazioni.

L’esclusione sociale, a sua volta, è sia una causa sia una conseguenza dell’esclusione finanziaria. Un soggetto è escluso dal circuito finanziario quando non ha alcun accesso (o accesso parziale) ai servizi offerti dagli istituti finanziari nel suo paese di residenza.

L’accesso ai tradizionali circuiti bancari e finanziari è, infatti, una condizione necessaria affinché ogni cittadino possa essere economicamente e socialmente integrato nella società in cui vive. In Europa, l’esclusione finanziaria può dipendere anche da altre caratteristiche, come l’età dei soggetti, il sesso, il livello d’istruzione, la loro posizione lavorativa e il reddito famigliare, e colpisce, con maggior probabilità, i seguenti soggetti: 

le famiglie mono-genitoriali;



i nuclei familiari privi di una fissa retribuzione;



le donne;



i disabili;



i giovani dai 18 ai 25 anni in Europa occidentale e persone di età superiore ai 65 anni nell’Europa orientale;



i disoccupati;



le persone con bassi livelli di istruzione;



gli immigrati e i soggetti appartenenti a comunità etniche;



chi vive nelle zone rurali.

Quindi, il settore della microfinanza nei paesi dell’Unione Europea, oltre a delineare

uno strumento molto utile quale è il microcredito, tenta di migliorare le condizioni socioeconomiche dei soggetti più svantaggiati e stimola una rete di sinergie tra istituzioni pubbliche e private, entità profit e non profit.

8

1.3

Il concetto di microcredito e il panorama istituzionale e normativo nell’Unione Europea Il microcredito è uno dei principali strumenti della microfinanza. In molti Stati

membri questo settore è particolarmente attivo e, a livello comunitario, incoraggia l’iniziativa imprenditoriale dei disoccupati e dei piccoli imprenditori, ma anche quella delle donne e dei membri delle minoranze etniche. Non esiste, però, una definizione comune per lo strumento del microcredito. Ogni Paese, infatti, a seconda del proprio contesto sociale, economico e politico, attribuisce a tale concetto un significato simile ma differente rispetto a quello utilizzato dagli altri Stati membri.

I termini e le condizioni di prestito applicati sono assai vari. Chiari esempi possono essere il diverso ammontare degli importi concessi e il termine di rimborso. La Commissione Europea con il termine microcredito si riferisce a prestiti non superiori ai 25 mila Euro. In Europa, in realtà, gli attori principali definiscono questo strumento come un microfinanziamento di importo molto inferiore a tale ammontare: la media è di dieci mila Euro per i quindici vecchi Stati membri e di 3.800 Euro per i dodici nuovi. I microcrediti sono, quindi, di un ammontare ridotto rispetto ai prestiti convenzionali e non è ammessa la similitudine con un tipico credito bancario. Per quanto riguarda il termine di rimborso, invece, è solitamente inferiore ai sei mesi e la durata del microprestito varia da un minimo di dodici mensilità ad un massimo di dieci anni, a discrezionalità del Paese.

Questo servizio offerto dalla microfinanza, però, ha anche alcune caratteristiche comuni a tutti i paesi europei ed extraeuropei ove è praticato. I microcrediti si distinguono dai tradizionali finanziamenti perché sono concessi non solo dalle banche ma, anche, da istituzioni non bancarie autorizzate e si riferiscono ad un certo target di potenziali beneficiari. Si tratta di prestiti con una durata ridotta, erogati a soggetti privi di garanzie reali.

I tassi di interesse applicati sono maggiori rispetto a quelli praticati sui tradizionali prestiti bancari, in quanto il microcredito comporta elevate spese di gestione. Inoltre, nei Paesi dove sono in vigore leggi specifiche sull’usura, è fondamentale che i finanziatori di microprestiti applichino tassi di interesse non superiori ai livelli massimi definiti. Tuttavia, l’assenza di una stessa definizione di microcredito adottata da tutti gli Stati membri dell’Unione Europea costituisce un ostacolo alla raccolta di dati in merito allo sviluppo di quest’attività, rendendo difficile così il monitoraggio del processo evolutivo dello strumento nel nostro continente.

Questa eterogeneità delle definizioni, inoltre, si riflette nel panorama europeo dei fornitori di

9

microcredito molto diversificato in termini di dimensioni, prodotti e servizi offerti, destinatari finali e forme giuridiche adottate.

Gli enti erogatori di microcredito si classificano in istituti bancari (banche commerciali, casse di risparmio, banche di credito cooperativo,…) e in istituti non bancari (fondazioni, Organizzazioni Non Goverantive e istituzioni religiose). Le banche erano inizialmente un po’ diffidenti nei confronti del microcredito. I motivi erano essenzialmente tre: il tipo di clientela al quale questo strumento si rivolge, gli altissimi costi operativi e tempi molto lunghi prima di perseguire un profitto. Successivamente, forse anche a causa della crisi, il settore bancario ha cominciato a guardare verso questo strumento, facendo del microcredito un’attività accessoria, considerata un’opportunità per partecipare allo sviluppo di un settore che, nel tempo, si sarebbe potuto rivelare redditizio. Inoltre, grazie alla loro attuale partecipazione in partenariati, che vedono coinvolte istituzioni pubbliche, private e enti non profit, gli istituti bancari possono beneficiare di molti vantaggi ed incentivi per la loro attività.

Per quanto concerne gli istituti non bancari, spesso definiti in tale contesto come “istituzioni di microfinanza”, questi erogano la maggior percentuale di microcrediti concessi nel territorio europeo. Sebbene la principale attività di molti istituti non bancari sia la concessione di microprestiti, vi sono alcune eccezioni: in alcuni Stati membri dell’Unione Europea esiste un monopolio bancario che limita l’attività di prestito ai soli istituti bancari; viceversa, in altri Stati membri, nonostante l’esistenza di un monopolio bancario, gli istituti non bancari sono, comunque, autorizzati alla concessione di microcrediti. Comune è, invece, la normativa bancaria europea che non autorizza questa tipologia di istituzioni alla ricezione di depositi da parte del pubblico. Infine, come le banche, anche le istituzioni microfinanziare non bancarie si inseriscono in partenariati caratterizzati dalla presenza di tre diversi promotori: le organizzazioni senza scopo di lucro, le banche e gli enti pubblici.

A proposito degli enti pubblici, quest’ultimi sono classificati tra i protagonisti più influenti nel settore del microcredito. Sia a livello europeo, nazionale che regionale, gli enti pubblici si impegnano per supportare gli istituti bancari e quelli non bancari nelle attività di organizzazione, gestione ed erogazione dei microprestiti, generando una valida e forte cooperazione tra le banche, le organizzazioni non profit e l’ente pubblico medesimo. Grazie ai fondi di garanzia, ai fondi strutturali dell’Unione Europea e ad altre risorse finanziarie, il settore pubblico interviene per colmare eventuali inadempienze e per finanziare le attività di microcredito, assicurandone il successo.

10

Oltre alla classificazione sopra descritta, eseguita in base alla tipologia istituzionale, le istituzioni attive nel settore della microfinanza e del microcredito possono essere distinte anche in base alle categorie di beneficiari. Le banche sono principalmente impegnate nella concessione di microfinanziamenti alle microimprese, essendo più elevati gli importi richiesti; gli istituti non bancari, invece, erogano piccoli prestiti alle persone socialmente ed economicamente escluse.

Infine, per poter svolgere delle attività di natura simile a quelle bancarie, le istituzioni, banche o meno, devono essere registrate presso un’autorità di vigilanza bancaria e ogni operazione da loro eseguita deve essere conforme alla normativa del paese in cui si trovano.

La varietà di definizioni date al concetto di microcredito e la diversità delle istituzioni che lo praticano si riflettono nei differenti quadri legislativi adottati, a tal proposito, dai diversi Paesi membri.

Per ovviare alla mancanza di una normativa unica, la Commissione Europea ha invitato gli Stati membri ad allineare i propri quadri normativi, istituzionali e commerciali, adottando misure idonee per promuovere l’efficace diffusione del microcredito e per aiutare le nazioni nella definizione degli obiettivi da perseguire in questo ambiente.

Nell’Unione Europea, solo la Francia, la Romania e, dal 2010, anche l’Italia, hanno delle legislazioni ad hoc per il microcredito. La Francia è il paese europeo che vanta il maggior numero di microprestiti concessi. Molte sono le iniziative a sostegno dei giovani e degli immigrati portate avanti da amministrazioni locali e regionali, al fine di sottolineare il ruolo che gioca il microcredito nello sviluppo sociale e nella lotta alla precarietà. Nel territorio francese solo le banche e altre istituzioni soggette alla stessa disciplina bancaria potevano impegnarsi nelle operazioni di concessione dei prestiti (crediti tradizionali e microcrediti). Solo a partire 2001, anche le associazioni senza scopo di lucro possono concedere prestiti e i beneficiari dovranno destinare i crediti ottenuti alla creazione e allo sviluppo di microimprese. Per essere ammesse all’attività di microcredito, però, le associazioni devono soddisfare alcune condizioni, come l’avanzata esperienza nel sostegno delle start-up e specifiche norme prudenziali. La “Legge Borloo” sulla coesione sociale, del 2005, attraverso il programma sostenitore dello sviluppo della microfinanza, “Soutenir le développement de la microfinance”, ha contribuito alla creazione del Fondo di Coesione Sociale, gestito dalla “Caisse del Dépôts et Consignations”, attraverso il quale alcune società forniscono garanzie per le attività di microcredito. Tale legge ha definito anche la nuova

11

tipologia del “microcredito sociale” in Francia, riservato ai soggetti esclusi dai tradizionali circuiti bancari. In seguito all’evoluzione della legislazione bancaria francese, l’associazione “ADIE – Association pour le droit à l’Initiative Economique”9, insieme a “France Initiative”, è il più grande programma di microfinanza in Francia e in Europa. L’ADIE, nata nel 1989 grazie all’economista Maria Novak, persegue la propria mission operando su tutto il territorio nazionale. Al programma partecipano anche gli enti pubblici, i quali sostengono con interesse l’attività e la forte azione sociale svolta sulla popolazione dall’Associazione.

In Romania la legge che regola il settore del microcredito è la Legge n. 93/2009.

Quest’ultima consente alle istituzioni non bancarie di erogare crediti e di fornire altri servizi e prodotti della microfinanza. Due sono le grandi banche romene ad operare nel contesto microfinanziario: “ProCredit Bank”10 e “Volksbank”11. La prima offre due tipologie di prodotti alle microimprese: “Rapid Credit”, un prestito fino a 12.000 Euro destinato alle piccole-medie imprese con più di tre mesi di vita; “Investment Credit”, un prestito di ammontare compreso tra 5.000 e 10.000 Euro. “Volksbank” è una banca commerciale, attiva dal Maggio del 2000, che offre, come la “ProCredit Bank”, due prodotti alle microimprese: “Easy Credit” e “Easy Invest”, entrambi prestiti fino a 15.000 Euro. Tutte le istituzioni microfinanziarie sono sottoposte alla vigilanza della Banca Centrale Romena, presso la quale devono essere registrate.

L’Italia, infine, con il D.lgs. n. 141 del 13 Agosto 2010, ha posto le basi per una revisione del Titolo V del Testo Unico Bancario che regola l’attività dei soggetti operanti nel settore finanziario. Nel nostro paese, i soggetti autorizzati allo svolgimento e alla gestione di iniziative di microcredito sono le istituzioni finanziarie, organizzate in forma di società e soggette alla vigilanza, e i soggetti giuridici senza fini di lucro, ad esempio le ONLUS, che possiedono i requisiti previsti dalla Banca d’Italia. Il microcredito in Italia può essere di due diverse tipologie: “microcredito all’impresa” e “microcredito sociale”. Il primo è un prestito che non può superare i 25 mila Euro. Il “microcredito sociale” è, invece, un prestito di importo massimo pari a 10 mila Euro, rivolto alle persone che si trovano momentaneamente e improvvisamente in un particolare stato di disagio economico. La gestione del microcredito in Italia deve essere orientata alla sostenibilità dei progetti a lungo termine e alla loro

9

Cfr. http//www.adie.org/.

10

Cfr. http//www.procreditbank.ro/en.

11

Cfr. http://www.volksbank.ro/.

12

efficienza. I ricavi devono essere destinati alla copertura dei costi e i crediti concessi devono essere recuperati per essere poi erogati ad altri soggetti o imprese bisognose.

Negli altri paesi europei, leggi in materia di microcredito sono ancora in via di definizione. Le istituzioni bancarie e quelle non bancarie operano in modo conforme alle normative che regolano la forma giuridica che esse assumono.

Il microcredito, quindi, raggruppa una vasta gamma di operatori, diversi tra loro e soggetti a leggi e politiche differenti da paese a paese. Valide soluzioni per favorire la concessione e la diffusione dello strumento del microcredito potrebbero essere: la creazione di un ambiente più favorevole per le istituzioni, maggiori garanzie sui crediti, maggiore trasparenza nelle operazioni finanziarie e un incoraggiamento alle cooperazioni tra istituzioni di diversa natura. Questi sono obiettivi che la Commissione Europea e i Paesi membri stanno cercando di perseguire grazie alla definizione e all’applicazione di iniziative e progetti europei nel contesto del microcredito e della microfinanza, illustrati nel prossimo capitolo due.

1.4

European Microfinance Network Tra i principali contributi della Commissione Europea alla diffusione della

microfinanza è da citare il supporto alla costituzione della “European Microfinance Network”, di seguito indicata come EMN. Si tratta di un’Organizzazione Non Governativa, nata nell’Aprile del 2003, che vede uniti 93 partner tra istituzioni di microfinanza, centri di ricerca e professionisti del settore, provenienti da 21 Paesi membri dell’Unione Europea.

Oggi, la European Microfinance Network è uno dei principali attori nel contesto della microfinanza in Europa. L’Associazione pone come suoi principali obiettivi:  il sostegno ai lavoratori autonomi e alle piccole imprese;  la diffusione dei servizi offerti dalle istituzioni di microfinanza;  lo sviluppo ed il consolidamento di attività di formazione e di assistenza rivolte sia alle realtà che operano nel settore sia ai destinatari dei “micro servizi”;  l’espansione delle istituzioni e dei loro programmi.

Per perseguire tali finalità, la EMN organizza nei Paesi membri dell’Unione Europea, nei Paesi candidati e presso la Commissione e il Parlamento Europeo, una serie di attività (seminari, workshop, ricerche, analisi, ecc.) per favorire la cooperazione e la diffusione della cultura microfinanziaria.

13

La EMN pubblica periodicamente dei rapporti che fotografano il panorama europeo in base a specifiche tematiche analizzate. A tal proposito, nel Gennaio 2010, la “Fundación Nantik Lum”12 si è occupata della stesura, per conto della EMN, del working paper “Overview of the Microcredit Sector in the European Union”, concentrandosi sulla diffusione del microcredito e sulle attività svolte dai membri del network nel periodo di riferimento 2008-2009. Da questo rapporto emerge che, nonostante il rallentamento e la crisi dell’economia e della finanza, molti sono stati i servizi offerti e in continua evoluzione che hanno fatto del microcredito lo strumento più utilizzato per la creazione di nuovi posti di lavoro e per la promozione di microimprese. Un’importante novità della corrente indagine è stata l’introduzione nel contesto europeo del “personal microcredit”: un prestito di dimensioni ridotte destinato alle persone aventi difficoltà nel soddisfare i bisogni di base, come il pagamento dell’affitto, le spese per l’istruzione, le spese sanitarie ed altri costi.

Queste conclusioni13, pubblicate nel working paper, sono il frutto di un’analisi condotta sui dati raccolti con l’ausilio di questionari sottoposti a 432 istituzioni presenti in 28 paesi europei14. Di queste, solo 170 hanno restituito il questionario debitamente compilato e 97 delle rispondenti hanno partecipato all’indagine per la prima volta. Circa il 61% delle istituzioni contattate non ha partecipato all’indagine. Il 24% delle istituzioni che hanno fornito i propri dati sono soprattutto istituzioni finanziarie non bancarie impegnate unicamente nell’erogazione di microcrediti, contro il 28% del 2006 e il 16% del 2005. Il restante 76% si dedica anche ad altre attività complementari.

In Europa orientale il settore della microfinanza è molto più maturo rispetto all’Europa Occidentale. Circa il 50% delle istituzioni dell’Est Europa, infatti, ha erogato i primi microcrediti nel nostro Continente tra il 1980 e il 1996; mentre, solo il 15% delle istituzioni occidentali, nello stesso periodo, si è preoccupato di distribuire e diffondere questo nuovo strumento nelle aree di appartenenza.

12

Fundación Nantik Lum è membro di EMN e coordinatrice dell’European Microfinance Network Research Working Group per gli anni 2007-2008 e 2009-2011. La Fondazione è stata creata nel 2003 in Spagna con l’obiettivo di lottare contro la povertà e l’esclusione dei soggetti più svantaggiati, avvalendosi del microcredito per sostenere le piccole imprese. Per maggiori dettagli sulla Fondazione si rimanda al sito Web http://www.nantiklum.org.

13

Per una rassegna approfondita del Rapporto, si rimanda alla pagina Web http://www.europeanmicrofinance.org/data/file/section_nos_services/publications/working_papers/survey-2008-2010.pdf.

14

Con “paesi europei” si fa riferimento agli stati già membri dell’UE, agli stati candidati all’UE e agli stati appartenenti all’European Free Trade Area (EFTA).

14

Il mercato della microfinanza in Europa è dominato dalle ONG e dalle fondazioni, seguite dalle altre istituzioni finanziare non bancarie, dalle credit union e, infine, dalle banche tradizionali.

Nel 2009, le 170 istituzioni rispondenti hanno erogato un totale di 84.523 microcrediti (-7% rispetto al 2008), per un ammontare complessivo di 828 milioni di Euro (+3% rispetto al 2008). In conformità a questi dati, l’Est Europa (Bulgaria, Estonia, Lettonia, Lituania, Ungheria, Polonia, Romania e Croazia) rappresenta il 26% del totale dei prestiti erogati e il 40% dell’ammontare complessivo, mentre l’Europa occidentale (Italia, Spagna, Portogallo, Svizzera, Germania, Francia, Paesi Bassi, Belgio, Svezia, Norvegia, Finlandia, Regno Unito e Irlanda) rappresenta il 74% del numero totale dei prestiti e il 60% del valore erogato.

L’importo dei microcrediti concessi oscilla tra i 220 Euro e i 37 mila. Questo varia significativamente a seconda del destinatario, sia esso una piccola impresa che un singolo individuo, e a seconda dei criteri in base ai quali opera l’istituzione. Alla fine del 2009, il numero dei clienti attivi nell’Unione Europea è stato 135.815, di cui il 27% erano donne, il 13% erano immigrati o minoranze etniche, l’11% erano giovani richiedenti. Nell’Europa orientale, valori più elevati di prestiti vengono erogati a favore delle piccole imprese, puntando sul loro sviluppo e sulla loro crescita nel territorio; in Europa occidentale, essendo le istituzioni focalizzate sull’esclusione sociale e finanziaria, sono molto più diffusi i prestiti ai singoli individui.

Il valore medio dei prestiti erogati nel 2009 è di 9.641 Euro e il tasso di interesse medio applicato dalle istituzioni è del 9%: quello più elevato (22,2%) è applicato nel Regno Unito, mentre il primato per il tasso più basso (2%) spetta alla Finlandia.

Gli scopi di questa pubblicazione sono tenere traccia dei cambiamenti del mercato e dell’industria, definire dei piani per favorire la crescita futura e, infine, migliorare la comprensione dei problemi e delle cause che conducono alla richiesta di un piccolo prestito.

1.5

Codice europeo di buona condotta per l’erogazione di microcrediti La European Microfinance Network, insieme con “Microfinance Centre”,

“Community Development Finance Association” ed altri soggetti europei attivi nel settore

15

della microfinanza, ha partecipato all’elaborazione del “Codice europeo di buona condotta per l’erogazione di microcrediti”15.

A causa dei differenti quadri normativi dei vari paesi europei, si è ritenuto necessario delineare un insieme di aspettative e regole comuni a tutti gli operatori del settore. Per questo, norme riguardanti la gestione dell’istituzione microfinanziaria, la gestione dei rischi, la governance, i rapporti con i clienti e con gli investitori, sono state approvate e riconosciute dall’Unione Europea come essenziali per l’efficace operatività dei soggetti.

Lo scopo del Codice non è quello di sostituire le normative vigenti, ma quello di stabilire una semplice serie di regole omogenee da seguire per lo svolgimento delle attività operative e per la regolamentazione degli enti stessi.

I destinatari non sono soltanto gli enti che erogano i microprestiti. Anzi, il Codice si rivolge ai clienti del settore, assicurandogli un trattamento equo ed eticamente corretto, agli investitori e ai finanziatori, garantendogli il rispetto delle norme sulla trasparenza, ai membri dei consigli di amministrazione degli enti e alle autorità di regolamentazione.

Essendo il settore del microcredito molto vario in Europa, non solo dal punto di vista degli attori coinvolti, ma anche nell’ottica legislativa, non tutte le norme indicate nel testo sono praticabili da ogni ente erogatore. Proprio per ovviare a tale “carenza”, il Codice tiene conto di questa situazione e specifica quali sono le istituzioni non soggette alla clausola in questione.

Il Codice europeo di buona condotta per l’erogazione di microcrediti è suddiviso in 5 sezioni:  “Rapporti con clienti e investitori”: in questa sezione sono presenti tutte le regole e gli obblighi che gli enti erogatori di microcrediti devono rispettare nell’ambito delle relazioni stabilite con clienti e investitori. Sono, inoltre, elencati tutti i diritti dei clienti e degli investitori;  “Governance”: è una sezione contenente le regole che la direzione e il consiglio di amministrazione dell’ente erogatore devono rispettare;  “Gestione del rischio”: in questa parte sono specificate tutte le procedure comuni per individuare e valutare i rischi ai quali gli enti erogatori di microcredito sono esposti e per gestire il credito e le frodi;

15

Per la consultazione del “Codice europeo di buona condotta per l’erogazione di microcrediti” si rimanda al sito Web http://ec.europa.eu/regional_policy/thefunds/doc/code_bonne_conduite_it.pdf.

16

 “Regole comuni di rendicontazione”: la quarta sezione è costituita da una serie di regole comuni di rendicontazione e divulgazione degli indicatori delle prestazioni sociali e finanziarie che, se adeguatamente seguite, garantiscono la trasparenza dell’attività svolta e facilitano i confronti tra le prestazioni dei diversi enti erogatori di microcrediti;  “Sistemi informativi gestionali”: l’ultima sezione del codice fissa le clausole da rispettare in merito alla completezza, alla sicurezza e all’espandibilità dei sistemi informativi gestionali degli enti.

L’auspicio della Commissione Europea e di tutte le associazioni che hanno contribuito alla redazione di questo Codice è che esso possa fornire un valido contributo al miglioramento della governance e della gestione del settore della microfinanza nell’Unione Europea.

1.6

European Financial Inclusion Network La European Microfinance Network non è la sola protagonista nel processo di

diffusione e promozione della microfinanza in Europa. Un altro network di uguale importanza è lo European Financial Inclusion Network (EFIN).

EFIN è un’associazione non profit, riconosciuta a livello internazionale, fondata a Novembre 2009 e gestita da “Réseau Financement Alternatif”. È il risultato di una coalizione tra 36 diversi attori europei operanti nel contesto microfinanziario e impegnati costantemente nella lotta all’esclusione finanziaria in 18 paesi dell’Unione Europea. A questo network aderiscono non solo le banche, le istituzioni finanziarie, le ONG e le istituzioni pubbliche, ma anche università e istituti di ricerca, esperti e professionisti nel settore finanziario e associazioni di consumatori.

L’obiettivo condiviso da questa varietà di soggetti consiste nello sviluppo e nella promozione di misure ad hoc per favorire l’inclusione finanziaria delle fasce più svantaggiate della popolazione europea. Il raggiungimento di tale fine è reso possibile grazie a differenti attività (dibattiti, ricerche, workshop) organizzate dal network e volte alla diffusione dei risultati ottenuti e delle informazioni raccolte presso le varie esperienze studiate.

Le motivazioni che hanno portato alla creazione di European Financial Inclusion Network sono essenzialmente tre: 

ampliare le conoscenze possedute circa il concetto di inclusione finanziaria;

17



coinvolgere le istituzioni politiche a livello nazionale e regionale, per garantire un migliore sviluppo locale degli adeguati strumenti di inclusione finanziaria;



creare un “luogo” dove sia possibile incontrare tutti i soggetti interessati al problema dell’esclusione finanziaria, favorendo il reciproco apprendimento in merito alle politiche in materia.

Per incontrare le esigenze dei cittadini europei colpiti dalla povertà ed esclusi dai

tradizionali circuiti bancari, EFIN partecipa alle iniziative intraprese dall’Unione Europea in ambito microfinanziario. Il network, infatti, supporta la diffusione dello strumento del microcredito e delle attività di educazione finanziaria. Garantisce la trasparenza delle operazioni bancarie e l’applicazione di tassi di interesse ragionevoli. Favorisce, inoltre, l’introduzione di strumenti finanziari idonei alle precarie condizioni di vita delle persone con basso reddito, che potranno così accedere al sistema bancario grazie ad una serie di agevolazioni.

L’azione dell’EFIN è fondamentale per lo sviluppo della microfinanza nel nostro continente. Grazie al suo contributo, infatti, si affermano nuovi servizi e strumenti studiati appositamente per contrastare l’esclusione finanziaria. I soggetti coinvolti possono ampliare le loro competenze in materia e conoscere nuovi attori presenti nel panorama europeo.

Insieme con European Microfinance Network, inoltre, partecipa alla diffusione della cultura microfinanziara e sostiene l’integrazione tra i soggetti aderenti ai due network.

1.7

E’ giusto definire il “credito sociale” come “credito al consumo”?

Capita spesso di indicare con “credito al consumo” il microcredito erogato ai soggetti

che hanno bisogno di piccoli importi per fronteggiare spese inaspettate o per liberarsi da situazioni di elevato indebitamento del proprio nucleo familiare. Quest’associazione deriva dai motivi, più o meno simili, che spingono una persona a fare richiesta di un prestito esiguo per procurarsi beni di prima necessità o durevoli, per sanare una pregressa situazione debitoria (affitti dell’abitazione, utenze domestiche, rate insolute per l’acquisto di un’automobile), per pagare servizi sanitari indispensabili, ecc. Nonostante ciò, nel contesto microfinanziario sarebbe più opportuno definire il “personal microcredit” come “credito sociale”, vista la sua missione di prevenire l’eccessivo indebitamento e di favorire la lotta all’esclusione finanziaria e sociale dei soggetti esclusi dai sistemi creditizi tradizionali.

Altre importanti differenze tra il termine “credito al consumo” ed il termine “credito sociale” risiedono nelle caratteristiche principali dei due strumenti. Prima fra tutte, la

18

normativa. Come detto in precedenza, è difficile trovare una normativa ad hoc per la microfinanza e per il microcredito. Essendo settori in via di sviluppo dopo lo scoppio della più grande crisi bancaria di tutti i tempi, l’Unione Europea si sta impegnando al fine di disciplinare tali contesti. L’intenzione è, anche, garantire regole di funzionamento e gestione simili per le istituzioni impegnate nell’erogazione di microcrediti e nell’offerta di micro servizi adatti alla clientela del mercato della microfinanza. Il credito al consumo, invece, è disciplinato in Europa dalla Direttiva 2008/48/CE del Parlamento Europeo e del Consiglio del 23 aprile 2008, relativa ai contratti di credito ai consumatori, dalla quale emerge l’importanza della tutela dei consumatori stessi. Il testo comunitario è stato approvato dopo un dibattito durato oltre cinque anni, nel corso dei quali sono state evidenziate significative disparità tra le legislazioni dei vari Stati membri nel settore del credito al consumo. L’intento è quello di coadiuvare la creazione di un quadro normativo moderno e condiviso da ogni Paese dell’Unione Europea, che contenga strumenti di tutela e assistenza del consumatore e una serie di obblighi e impegni che i finanziatori devono rispettare nel corso dell’erogazione del credito. Un’importante novità è stata l’introduzione di un obbligo di valutazione del merito creditizio del soggetto che richiede un finanziamento, da compiere in base alle informazioni disponibili adeguate.

La seconda differenza tra il credito sociale e il credito al consumo è rappresentata dalla diversità dei destinatari: il credito sociale si rivolge a tutte le persone che, in assenza dei requisiti e delle capacità richieste dai consueti circuiti di erogazione crediti, non possono recarsi in banca o presso una qualunque istituzione finanziaria per beneficiare di piccoli importi e, quindi, per ottenere il tradizionale credito al consumo.

Terzo elemento di distinzione tra le due tipologie di credito è l’ammontare dei prestiti erogati. Il credito sociale o microcredito è un prestito che ammonta fino ad un massimo di 25.000 Euro; il credito al consumo ha valori massimi molto più elevati: il valore minimo erogabile è di 200 Euro, mentre quello massimo è pari a 75 mila Euro.

Infine, ma non per ordine di importanza, le differenti garanzie richieste per ottenere un microprestito giocano un ruolo molto importante. Quando un soggetto si rivolge a un qualunque ente abilitato all’erogazione di microcrediti non deve possedere alcuna garanzia reale. Il rapporto che si instaura tra il cliente ed il creditore si fonda sulla fiducia reciproca e sulla speranza che la transizione finanziaria avviata vada a buon fine. Diverso è il caso della richiesta di un normale credito al consumo. Per ottenere questa tipologia di prestito è

19

necessario avere delle garanzie patrimoniali personali sulle quali il creditore potrà rivalersi nell’ipotesi di mancata restituzione del credito.

Nonostante la crisi che ha investito l’Europa negli ultimi anni, causando una brusca crescita del tasso di povertà e di non bancabilità dei cittadini dei principali Paesi europei, il credito al consumo è molto diffuso.

Da una recente indagine della Banca d’Italia sulle famiglie europee che ricorrono al credito al consumo16, emerge che i tassi più elevati di ricorso a tale strumento sono quelli relativi a famiglie con capofamiglia giovane e con elevati livelli di istruzione (diploma o laurea) o a famiglie particolarmente numerose; ciò deriva dai redditi medio-alti che rendono questi nuclei familiari meno rischiosi rispetto ad altri.

I risultati esposti nel testo della ricerca sono stati ottenuti dalle analisi svolte sui dati dell’indagine EU-SILC17 dell’EUROSTAT, con riferimento a 9 Paesi europei (Germania, Spagna, Portogallo, Francia, Italia, UK, Irlanda, Paesi Bassi e Finlandia) nel periodo 2005-2008. Cento mila sono state le famiglie intervistate alla fine del 2008. L’indagine identifica i nuclei familiari che ricorrono al credito al consumo, chiedendogli l’ammontare del prestito contratto e se sono in regola con i pagamenti.

Alla fine del 2010, il ricorso al credito al consumo da parte delle famiglie europee è avvenuto circa in ugual misura in tutti i Paesi dell’eurozona. L’Italia e i Paesi Bassi sono le nazioni con la minore percentuale di ricorso al credito al consumo, rispettivamente pari al 14,8% e al 14,5%; in Germania e in Portogallo è poco più alta, pari al 20%; in Spagna e in Francia ammonta al 27% e al 35%; mentre, in Finlandia, Irlanda e Regno Unito le famiglie che ricorrono al credito al consumo sono circa la metà delle famiglie complessive dei Paesi.

Per queste 3 nazioni non è cambiato molto dal 2005, anche se si sono venute a verificare alcune eccezioni. Ad esempio, è stato rilevato un intenso aumento del ricorso al credito al consumo in Finlandia e una piccola ma significativa diminuzione in Irlanda e nel Regno Unito. Inoltre, focalizzandoci sul nostro Paese, si è registrata una flessione del mercato del credito alle famiglie pari al -2,2% nel 2011 e al -11% nei primi tre mesi del 2012, dovuta alla criticità dell’economia che ha portato le famiglie italiane a contrarre gli acquisti di beni durevoli e gli investimenti in immobili.

16

Per la lettura del testo contenente i risultati dell’indagine si rimanda a Questioni di Economia e Finanza, “Which households use consumer credit in Europe?”, S.Magri, R.Pico, C.Rampazzi, Banca d’Italia, Luglio 2011.

17

“EU Statistics on Income and Living Conditions”.

20

Il credito al consumo è particolarmente diffuso anche tra le famiglie che vivono in appartamenti in affitto, tra le famiglie mono-genitoriali e, quindi, nella gran parte dei casi, mono-produttrici di reddito, nelle famiglie con capofamiglia avente un contratto di lavoro a tempo determinato, le quali hanno la stessa probabilità delle famiglie con capofamiglia avente contratto di lavoro a tempo indeterminato di usufruire di questo strumento.

Per quanto riguarda le famiglie con basso reddito o comunque con reddito inferiore al 60% della mediana nazionale dei redditi, definite povere, nonostante le chiare difficoltà che riscontrano nella restituzione del prestito, quelle che decidono di ricorrere al credito al consumo sono: il 15% circa in Italia, Paesi Bassi, Spagna e Inghilterra, il 12-13% in Finlandia, Germania, Irlanda e Portogallo, e l’8% in Francia. Le famiglie povere utilizzano questo strumento per tentare di migliorare la loro situazione reddituale, sperando in un miglioramento futuro delle loro condizioni economiche. Nonostante il loro ottimismo, esse rappresentano un alto tasso di insolvenza: un nucleo familiare al di sotto della soglia di povertà è insolvente 2 volte in più rispetto ad un nucleo con reddito medio-alto.

Il tasso di insolvenza delle famiglie europee con crediti al consumo oscilla tra il 2% e l’11%. Il mancato pagamento delle rate può dipendere da vari fattori, come la perdita del lavoro, la prolungata posizione di disoccupato, i molti debiti arretrati insoluti, ecc.

Chi non ripaga interamente il debito vede drasticamente diminuire il suo “score”. Lo score è un punteggio che indica la valutazione, in questo caso negativa, sull’affidabilità del cliente. Tale punteggio si ottiene grazie all’applicazione degli evoluti sistemi di scoring per valutare il merito creditizio.

1.8

Il credit scoring e il microcredito: ha senso valutare l’affidabilità creditizia del richiedente di un microprestito?

Per rendere meno costoso e più breve il processo di previsione del rischio di mancata

restituzione di un prestito e, quindi, per potersi tutelare dai “cattivi pagatori”, le banche e gli intermediari finanziari di tutto il mondo si avvalgono di avanzate tecniche quantitative.

Prima di concedere un credito, gli analisti applicano metodi o modelli statistici per valutare, con attenzione, il merito creditizio di ogni cliente. Per fare ciò, il soggetto finanziatore deve avere tutte le informazioni necessarie alla definizione del profilo di rischio del richiedente. Tali informazioni sono fornite dal consumatore stesso o acquisite tramite la Centrale di Rischio della Banca d’Italia, nel nostro Paese, e i vari Sistemi di Informazioni

21

Creditizie presenti in ogni Stato. Senza alcuni di questi dati è difficile ottenere un finanziamento.

Per valutare al meglio l’affidabilità del cliente, nel rispetto delle normative in materia di tutela della privacy e del consumatore, le informazioni che possono essere trattate sono:  dati anagrafici, codice fiscale e/o partita IVA;  dati relativi alla tipologia di contratto stipulata presso l’istituto di credito (importo del credito, durata);  informazioni riguardanti la situazione finanziaria, l’esposizione debitoria e l’andamento dei pagamenti passati del cliente;  informazioni in merito ad eccezionali vicende che incidono sulla situazione patrimoniale del soggetto o dell’impresa.

I dati sensibili, come la razza, l’orientamento religioso e politico del richiedente, e quelli giudiziari, non possono essere trattati al fine di evitare comportamenti discriminatori da parte degli istituti di credito. Il giudizio finale circa il merito creditizio deve essere assolutamente oggettivo. Inoltre, i dati sensibili, se inseriti tra le altre informazioni utilizzabili ma trattati da soli senza considerare alcuna relazione con le altre variabili in esame, non devono incidere negativamente sulla decisione finale di concessione del finanziamento. Nella maggior parte dei casi, comunque, l’utilizzo di informazioni strettamente personali è vincolato al consenso manifestato dal richiedente credito interessato.

I modelli statistici applicati per l’elaborazione delle informazioni sopra specificate, forniscono in output una misura quantitativa della rischiosità dell’operazione. In altre parole, i risultati ottenuti sono tradotti in un punteggio, o score, il quale rappresenta, in termini probabilistici o predittivi, l’affidabilità creditizia del cliente.

L’insieme di queste tecniche quantitative automatizzate è noto come credit scoring.

La Banca d’Italia definisce il credit scoring, nell’ambito del credito al consumo, come “un sistema automatizzato adottato dalle banche e dagli intermediari finanziari per valutare la solvibilità del consumatore”. È un sistema che permette di elaborare informazioni standardizzate, relative ai clienti, e di formulare giudizi oggettivi sul merito creditizio.

Lo score costruito sul potenziale cliente è confrontato con un dato valore di soglia.

Solo se lo score riguardante il cliente è superiore al valore di soglia definito, si procede alla concessione del finanziamento, poiché il cliente è stato giudicato come solvibile.

Molte istituzioni bancarie e finanziarie sviluppano anche altri strumenti di supporto alla gestione dell’istituzione stessa, nell’ambito delle fasi di valutazione del rischio di

22

credito. A tal proposito, viene definita la “score card”. Quest’ultima traduce la missione e la strategia della realtà in esame in un insieme di misure di performance, facilitandone la misurabilità. È uno strumento efficace per accelerare il processo di selezione di buoni e/o cattivi clienti, per impostare politiche per l’erogazione del prestito e per la determinazione del suo ammontare, in base al rischio connesso al soggetto richiedente. Lo sviluppo di una score card richiede buone capacità nel saper utilizzare modelli statistici; in mancanza di queste, a costi quasi sostenibili, è possibile rivolgersi a consulenze esterne per implementare l’intero sistema di scoring.

L’affermarsi del microcredito e della microfinanza ha spinto alcune istituzioni, che operano in tali contesti, ad avvalersi di opportuni sistemi di credit scoring per valutare l’affidabilità di un richiedente di microcredito. Tra queste sono da citare: “Banco Sol” in Bolivia, “African Bank/Credit Indemnity” e “Teba Bank” in Sud Africa, “Mibanco” in Perù, “United Bulgarian Bank” in Bulgaria e “Unibanka” in Lettonia. Ognuna ha sviluppato un preciso modello di scoring su specifici prodotti offerti e in base ai dati che esse hanno a disposizione.

Ciò nonostante, il credit scoring nel settore della microfinanza è ancora poco diffuso e non è detto che trovi terreno fertile su cui insediarsi in futuro, benché il microcredito sia un finanziamento a tutti gli effetti. Ciò deriva dal diverso contesto in cui tale strumento si è sviluppato, dalle sue finalità, principalmente sociali, e dalle valutazioni delle richieste di microcredito, nella maggior parte dei casi soggettive. Inoltre, poiché i richiedenti non possono accedere ai circuiti bancari e finanziari per mancanza dei requisiti necessari, è piuttosto laborioso andare a quantificare la loro solvibilità.

I modelli statistici implementati per la previsione dell’affidabilità creditizia nell’ambito del credito al consumo, come la regressione logistica, aiutano gli analisti a stimare la probabilità di restituzione, o meno, del prestito concesso. La variabile dipendente dei modelli costruiti è, quindi, binaria e, in generale, assume un valore pari ad 1, se il cliente esaminato è un “buon pagatore”, o pari a 0, se il cliente è un “cattivo pagatore”. Le espressioni “buon pagatore” e “cattivo pagatore” non sono, però, i termini più adeguati per classificare un beneficiario di un microcredito. Questo perché il rapporto che si instaura tra il richiedente e l’istituzione che eroga il microprestito è basato sulla fiducia.

Non avendo sufficienti informazioni in merito alla storia creditizia del soggetto e non potendo, quindi, misurare con metodi quantitativi la solvibilità del richiedente, l’istituzione valuta la richiesta avvalendosi dei pochi dati a disposizione e fidandosi del proprio “fiuto”.

23

Se la richiesta, presa in carico da un eventuale Comitato di Valutazione, è considerata “all’altezza” dei principi del microcredito, il prestito viene erogato e, con esso, anche la fiducia nella buona moralità del beneficiario. L’ente erogatore, infatti, spera e crede che il microcredito possa aiutare il beneficiario a superare lo stato di crisi in cui si trova, se riconosciuto come uno strumento con un potente valore sociale. Ciò che l’istituzione dovrà valutare, quindi, al termine della durata del prestito è, principalmente, se questo strumento di integrazione sociale e finanziaria ha contribuito a migliorare le condizioni di vita del soggetto richiedente. Ne consegue che, i modelli statistici che potrebbero essere costruiti in questo contesto avranno una variabile risposta sempre binaria, ma con un significato diverso.

Le informazioni come un reddito minimo disponibile, il numero dei figli a carico, i motivi che hanno spinto un soggetto a richiedere un microcredito, contribuiscono alla ricerca di una risposta alle seguenti domande: “Può il microcredito soddisfare con successo il bisogno economico imprevisto? Questo strumento può ristrutturare la situazione pre-crisi di un nucleo familiare?”. Le soluzioni a tali quesiti possono essere trovate stimando la probabilità di successo di questo strumento al momento della valutazione della richiesta. Il valore previsto potrà essere poi confrontato con l’esito effettivamente ottenuto al termine del rapporto tra l’istituzione e il richiedente. A questo punto, sarà possibile stabilire l’efficienza del microcredito riguardo alla richiesta analizzata.

Dopo aver svolto lo stage presso la “Fondazione Cassa di Risparmio di Perugia”18, grazie alla quale sono stata coinvolta attivamente nel progetto “Microcredito Perugia”, posso constatare che è difficile valutare l’affidabilità creditizia di soggetti che si rivolgono al microcredito. Trattandosi di un servizio offerto da iniziative, nella gran parte dei casi orientate al sociale, quello che interessa al soggetto finanziatore è l’efficacia del microcredito, oltra alla restituzione del prestito. Questo perché ogni ente erogatore è attento, prima di tutto, ai bisogni del soggetto richiedente. Esso si impegna a dedurre il vero motivo che ha portato quella persona a domandare un microcredito e richiede, inoltre, la dimostrazione di un minimo reddito, che garantisca la restituzione del microprestito e la possibilità di erogare finanziamenti ad altri richiedenti. Solo a questo punto, e con la massima discrezione, l’istituzione potrà ottenere informazioni sulla storia creditizia del soggetto, allo stesso modo di come procedono le banche nella concessione di un credito tradizionale. Ma, poiché alla base di ogni rapporto creato tra il soggetto finanziatore e il 18

Per informazioni in merito alla Fondazione Cassa di Risparmio di Perugia e alla sua attività si rimanda alla consultazione della pagina Web http://www.fondazionecrpg.com/.

24

soggetto che richiede il microcredito c’è la fiducia reciproca, perché trasformare questa relazione in un’altra, diversa e lontana dai principi ispiratori del microcredito?

L’applicazione di tecniche di credit scoring per prevedere il comportamento di un soggetto che richiede un microcredito ostacolerebbe le decisioni prese dagli enti erogatori, in quanto le valutazioni circa la solvibilità del richiedente condurranno alla decisione di non concedere il prestito. Alla luce di ciò, a mio avviso, il credit scoring non è uno strumento efficace nel contesto del microcredito o, quantomeno, è uno strumento improprio.

25

26

CAPITOLO 2 IL MICROCREDITO NELL’UNIONE EUROPEA: LE INIZIATIVE COMUNITARIE E IL PROGETTO CAPIC

2.1

Il microcredito: una priorità per l’Unione Europea Il microcredito e il suo sviluppo hanno rappresentato e rappresentano tuttora una

delle priorità dell’Unione Europea. Tra i vari servizi che la microfinanza offre ai soggetti esclusi dai circuiti finanziari, il microcredito è, con certezza, quello con il più elevato valore sociale. Nonostante sia spesso confuso con una tradizionale forma di beneficienza, questo potente strumento fuoriesce dalle logiche delle attività assistenziali, si basa quasi esclusivamente sulla fiducia e lotta costantemente contro la povertà e l’esclusione finanziaria e sociale.

La microfinanza ha raggiunto negli ultimi decenni i paesi più industrializzati, diffondendo il modello del Professor Muhammad Yunus in ogni parte del Mondo. In Europa, è stata recentemente riconosciuta e apprezzata l’importanza del microcredito in qualità di possibile risposta alla crisi economica ma, soprattutto, come strumento a sostegno dell’imprenditorialità, della crescita e della coesione sociale. Il microcredito, a tal proposito, riveste un ruolo considerevole nella strategia di crescita e sviluppo “Europa 2020”, in continuità con il ciclo della “Strategia di Lisbona”, concluso nel 2010. Si tratta di programmi strategici definiti e avviati dagli Stati membri dell’Unione Europea. L’obiettivo principale della Strategia di Lisbona era quello di fare dell’UE l’economia più competitiva e più dinamica del mondo, in grado di realizzare, tra il 2000 e il 2010, una crescita economica sostenibile, più posti di lavoro e una maggiore coesione sociale. Nel 2010, al termine del piano decennale avviato a Lisbona nel Marzo del 2000, le Istituzioni europee e gli Stati membri hanno definito una strategia post 2010, “Europa 2020”. Con quest’ultima, l’Unione si è posta cinque fondamentali obiettivi da perseguire entro il 2020, riguardanti l’occupazione, l’innovazione, l’istruzione, clima-energia e l’integrazione sociale.

Il microcredito, quindi, è un valido strumento che potrà migliorare in modo decisivo le precarie condizioni di vita attuali di molti soggetti e di molte microimprese. Se ben gestito,

27

inoltre, il miglior servizio offerto dalla microfinanza potrà favorire i processi educativi e formativi per i beneficiari.

Oggi sono molte le istituzioni di microfinanza presenti nel territorio europeo. Pur assumendo diverse forme e svolgendo diversi ruoli, a seconda del differente contesto socioeconomico e politico in cui si stabiliscono, queste istituzioni concedono microcrediti per incoraggiare la crescita del lavoro autonomo, per garantire la formazione e lo sviluppo di micro attività imprenditoriali e per contrastare la disoccupazione.

Il microcredito in Europa si rivolge a due categorie di destinatari: le “persone svantaggiate”, ovvero quelle socialmente escluse e i disoccupati, e le “microimprese”. Le prime desiderano uscire da una situazione economica disagiata o passare al lavoro autonomo attraverso l’avvio, se possibile, di piccole attività imprenditoriali. Per quanto riguarda le “microimprese”, invece, si fa riferimento a tutte le imprese operanti nel territorio europeo con meno di dieci dipendenti e un fatturato annuo non superiore ai due milioni di Euro.

L’obiettivo di una micro attività è ottenere microfinanziamenti al fine di avviare dei piani di risanamento aziendale o migliorare la propria attività, garantendo uno sviluppo sostenibile.

Negli ultimi decenni le microimprese si sono notevolmente diffuse nel nostro continente. Esse contribuiscono alla crescita del numero dei posti di lavoro disponibili, oggi maggiore rispetto a quello garantito dalle grandi aziende. Il 99% dei circa due milioni di start-up nate ogni anno è rappresentato da micro o piccole imprese. Ciò ha condotto a un’evoluzione dell’economia nell’Unione Europea. Si è passati da un modello economico trainato dalle grandi industrie a uno legato alle piccole imprese, operanti soprattutto nel settore dei servizi. Questa inversione di tendenza ha scatenato una maggiore domanda di microcredito, il quale ha contribuito anche alla costituzione di microimprese gestite, nella maggior parte dei casi, da persone prima disoccupate. Il risultato conseguito ha ulteriormente enfatizzato il ruolo d’integrazione economica e sociale che può svolgere il microcredito. Una delle sue peculiarità, infatti, è quella di offrire, oltre all’erogazione del finanziamento, servizi non finanziari, come formazione, assistenza, tutoraggio e monitoraggio dei beneficiari.

Nonostante un’iniziale indifferenza nei confronti dei discorsi e delle teorie del Professor Mohammad Yunus, l’epoca moderna ha richiesto l’attiva presenza del microcredito sul territorio del Vecchio Continente, generando così una diffusione capillare sia di questo strumento sia della microfinanza.

28

2.2

Le iniziative europee per la microfinanza e il microcredito: CIP, JEREMIE e JASMINE L’Unione Europea non concede direttamente microcrediti, ma gestisce programmi o

iniziative, grazie ai quali sono messi a disposizione delle istituzioni bancarie e non bancarie dei fondi per reperire le risorse necessarie allo svolgimento delle attività di microfinanza.

Dopo aver ottenuto garanzie, prestiti e capitali, gli “intermediari” potranno concedere i piccoli crediti alle persone svantaggiate o alle microimprese che ne faranno richiesta.

Facendo riferimento al ruolo della microfinanza nel panorama europeo, l’Unione Europea si è impegnata a promuovere iniziative per incoraggiare gli istituti finanziari a concedere microfinanziamenti, sia ai soggetti disoccupati con progetti imprenditoriali sia alle piccole imprese con meno di dieci dipendenti. L’obiettivo era quello di coinvolgere gli Stati membri, nel periodo di programmazione 2007-2013, nel processo di attuazione a livello comunitario, nazionale e regionale, di politiche e di riforme strutturali volte alla promozione di una maggiore crescita economica e di un aumento dell’occupazione. In questo modo, le istituzioni microfinanziarie hanno potuto ricevere finanziamenti da varie fonti europee, come il Fondo Sociale Europeo (FSE), il Fondo Europeo di Sviluppo Regionale (FESR), lo European Investment Fund (EIF), oppure grazie a programmi e/o iniziative complementari che aiutano a compensare gli elevati costi di gestione, a migliorare la governance e a gestire i rischi.

I programmi e le iniziative europee di microfinanza e di microcredito avviate sono quattro: CIP (“Programma quadro per la competitività e per l’innovazione”), JEREMIE (“Risorse europee congiunte per le micro, le piccole e le medie imprese”), JASMINE (“Azione comune a sostegno degli istituti di microfinanza in Europa”) e PROGRESS Microfinance (“Strumento europeo di microfinanza”). Il programma PROGRESS Microfinance, vista la sua complessità e la sua importanza in materia di microcredito, verrà approfondito nel paragrafo successivo.

Il programma quadro per la competitività e per l’innovazione CIP, acronimo di “Competitiveness and Innovation Framework Programme”19, con un budget di un miliardo di Euro, favorisce la creazione di piccole e medie imprese e aiuta quelle esistenti ad espandere la propria attività. CIP è particolarmente favorevole allo sviluppo di imprese ad alto potenziale innovativo o impegnate nei settori delle energie rinnovabili. Gli strumenti 19

Si veda in proposito la pagina Web http://www.ec.europa.eu/cip/index_en.htm.

29

finanziari che caratterizzano questo programma sono implementati e gestiti dallo European Investment Fund (EIF) e variano a seconda delle diverse esigenze e dallo stadio di sviluppo dell’attività dell’impresa interessata. Per quanto concerne il solo strumento del microcredito, il programma CIP offre supporto alle istituzioni di microfinanza europee grazie all’iniziativa “CIP Micro-credit Guarantee Window”, la quale incoraggia gli attori, pubblici e privati, all’erogazione di piccoli finanziamenti alle microimprese.

JEREMIE, acronimo di “Joint European Resources for Micro to Medium Enterprises”20, è un’iniziativa che permette ai Paesi membri dell’Unione Europea di accedere ai fondi strutturali europei per incentivare e migliorare l’accesso al credito alle piccole e medie imprese. Grazie alla collaborazione tra la Commissione Europea e lo European Investment Fund, le istituzioni di microfinanza nazionali e regionali di ogni Stato membro possono ricorrere alla parte dei fondi strutturali a loro destinata, in particolare al Fondo Europeo di Sviluppo Regionale, per finanziare: la creazione di nuove piccole o medie imprese, l’espansione di quelle esistenti, la ricerca e lo sviluppo, l’innovazione, l’imprenditorialità e investimenti produttivi al fine di salvaguardare l’occupazione. I contributi degli strumenti messi a disposizione dall’Unione Europea sono, quindi, destinati a prestiti, fondi di garanzia e capitali utilizzati dagli istituti di microfinanza per investire nelle imprese. JEREMIE, inoltre, interviene nelle attività di assistenza tecnica e di consulenza promosse a favore delle micro, delle piccole e delle medie imprese.

Il programma JASMINE21 (“Joint Action to support Microfinance Institutions in Europe”) è un’iniziativa pilota lanciata nel 2009 e sviluppata dalla Commissione Europea in collaborazione con la Banca Europea per gli Investimenti (BEI) e lo European Investment Fund. JASMINE può essere definita come il risultato operativo della comunicazione della Commissione Europea in data 13 Novembre 2007, che ha proposto l’“Iniziativa europea per lo sviluppo del microcredito a sostegno della crescita e dell’occupazione”22. Sfruttando la cooperazione esistente tra le banche, spesso incoraggiate da meccanismi di pubblico sostegno, e le istituzioni di microfinanza, questa iniziativa è articolata in quattro azioni: 1. “migliorare l’ambiente giuridico e istituzionale negli stati membri”: il presupposto è aumentare la disponibilità di risorse finanziarie al fine di consentire alle istituzioni non bancarie e alle banche, che operano nel contesto microfinanziario, di sviluppare, 20

Cfr. http://www.ec.europa.eu/regiona_policy/thefunds/instruments/jeremie_it.cfm.

21

Cfr. http://www.ec.europa.eu/regiona_policy/thefunds/instruments/jasmine_it.cfm.

22

COM(2007) 708 definitivo.

30

senza eccessivi costi di gestione, i propri progetti di microcredito. Non solo: l’iniziativa europea prevede una riduzione dei costi di funzionamento, tramite l’applicazione di regimi fiscali più favorevoli allo sviluppo dell’industria emergente, e una modifica dei limiti massimi dei tassi di interesse applicati sui prestiti. Alzare quanto basta il tasso di interesse permetterà alle banche di coprire i costi connessi alla gestione di ogni pratica di microcredito. È consentito, inoltre, l’accesso a tutti gli istituti di microcredito, anche a quelli non bancari, alle banche dati a livello europeo, che contengono le informazioni sui prestiti rimborsati, o meno, da singoli individui o dalle microimprese.

Con questa prima azione, quindi, la Commissione Europea, nell’ambito di questa iniziativa, tenta di categorizzare il microcredito nel settore bancario e nelle nuove norme contabili, migliorando così la sua sostenibilità e importanza a lungo termine; 2. “cambiare il clima per renderlo più favorevole all’imprenditorialità”: quando si ottiene un microcredito non si riceve solo un microfinanziamento. Questo, se considerato da solo, non potrà risolvere i problemi che si sono intromessi nella vita della persona o della microimpresa. Grazie al volontariato e anche alle risorse messe a disposizione dall’FESR, dall’FSE e dall’FEASR (Fondo Europeo Agricolo per lo Sviluppo Rurale), l’importo erogato è accompagnato, come anticipato nei paragrafi precedenti, da attività di formazione, tutoraggio e assistenza tecnica, messe a disposizione dei nuovi imprenditori. In questo modo, ogni soggetto potrà migliorare la possibilità di successo della propria micro attività; 3. “promuovere la diffusione delle migliori pratiche”: grazie ad una cooperazione tra le banche e gli istituti non bancari di microfinanza, vengono condivise le diverse esperienze, le competenze e le migliori pratiche. In questo modo, per le banche è possibile imparare molto dalle organizzazioni non bancarie, così come quest’ultime hanno a che fare con un ambiente molto vasto ed efficace dal quale trarre esempio; 4. “mettere maggiore capitale a disposizione degli istituti di microcredito”: per potenziare l’offerta di questo strumento e per aumentare, quindi, le risorse finanziare disponibili, la Commissione europea, tramite questa iniziativa, propone l’istituzione di una nuova struttura specifica per il microcredito. La struttura si rivolgerebbe alle istituzioni di microfinanza nuove e non bancarie garantendo: 

assistenza tecnica;

31



pubblicità dell’iniziativa promossa per gli Stati membri, per le regioni, per le banche o per gli istituti di microfinanza in generale;



pubblicazione di manuali, guide, software e organizzazione di conferenze e seminari;



accesso facilitato ai finanziamenti.

In continuità con tutti gli elementi contenuti nella presente iniziativa, il programma JASMINE sostiene le istituzioni di microfinanza non bancarie, aiutandole a divenire più sostenibili e a rendere migliore la qualità dei loro processi interni. Si tratta, quindi, di assistenza tecnica messa a disposizione delle istituzioni che decidono di partecipare a tale iniziativa. Nel settembre del 2009 ci fu la prima opportunità per gli erogatori di microcredito europei di esprimere il loro interesse nel ricevere assistenza tecnica. I richiedenti dovevano possedere alcuni requisiti: 

operare in un Paese membro dell’Unione Europea;



operare da almeno due anni nel settore del microcredito;



avere più di 150 clienti attivi nell’ultimo anno;



essere impegnati in azioni sociali;



dimostrare la propria strategia interna.

In seguito alla fase di selezione dei richiedenti, con la collaborazione di una delle due

agenzie di rating coinvolte nell’iniziativa, “Microfinanza Rating” o “Planet Rating”, sono state fatte una serie di stime e valutazioni in merito all’attività svolta dall’istituzione di microfinanza esaminata. Al termine di queste operazioni, sono state evidenziate le aree e gli aspetti da migliorare, al fine di intervenire, con il supporto degli esperti di “Microfinance Centre”, per mettere a disposizione dell’istituzione di microfinanza attività di training e formazione del personale. Una volta che il processo di valutazione delle performance dell’istituzione di microfinanza si è concluso, ogni soggetto riceverà “un’etichetta” a testimonianza della qualità dei suoi processi. Questa etichetta garantirà all’ente finanziatore una buona pubblicità tra tutti quei soggetti e tutte quelle microimprese interessate agli strumenti della microfinanza.

L’assistenza tecnica è, ovviamente, gratuita per tutte le istituzioni che sono state ammesse a partecipare all’iniziativa JASMINE. Dal 2010, 49 istituzioni operanti nel contesto della microfinanza e del microcredito hanno ricevuto supporto dalla Commissione Europea attraverso questo programma e, come già anticipato, una volta selezionati come potenziali beneficiari, gli enti hanno avuto libero accesso a diagnosi, tutoraggi e consulenza su misura.

32

La definizione di queste tre iniziative europee, insieme allo strumento PROGRESS Microfinance, si è rivelata molto importante per la creazione e lo sviluppo di un ambiente più adatto al microcredito in Europa. Questi programmi, inoltre, hanno spinto molte istituzioni verso il miglioramento della propria attività, soprattutto in seguito alla possibilità di accedere ai fondi strutturali europei e alla maggiore disponibilità di risorse economiche per finanziare validi progetti imprenditoriali.

2.3

European PROGRESS Microfinance Facility Tra le più aspre conseguenze della crisi finanziaria attuale, ci sono la quasi totale

mancanza di posti di lavoro e gli elevati tassi di esclusione sociale e finanziaria che ostacolano l’accesso al credito bancario per le micro e piccole imprese e per le persone inoccupate.

Un importante intervento dell’Unione Europea nei settori dell’occupazione e delle politiche sociali, che rientra nel periodo di programmazione strutturale 2007-2013, è stata la definizione del “Programma comunitario per l’occupazione e la solidarietà sociale PROGRESS23”. In continuità con gli obiettivi della Strategia di Lisbona, il programma quadro PROGRESS sostiene lo sviluppo e il coordinamento delle politiche dell’Unione Europea in cinque grandi settori di attività: occupazione, protezione e inserimento sociale, condizioni di lavoro, lotta contro la discriminazione e la diversità, uguaglianza fra uomini e donne. Il programma finanzia i seguenti tipi di azione per ogni settore di attività: 

“attività di analisi”: consistono nella raccolta, nell’elaborazione e successiva diffusione dei dati, nonché nella realizzazione di studi, analisi statistiche e calcolo di indicatori, i quali risultati devono essere diffusi sotto forma di relazioni, guide o altro materiale didattico tramite Internet o supporti mediatici;



“attività di apprendimento reciproco, di sensibilizzazione e di diffusione”: per favorire lo scambio di opinioni e l’apprendimento reciproco, vengono organizzate conferenze, seminari e workshop a livello nazionale o europeo, contribuendo alla realizzazione di partenariati e alla condivisione di valide esperienze;



“sostegno ai principali operatori”: si tratta di contributi alle spese di funzionamento delle principali reti europee, creazione di gruppi di lavoro per favorire la

23

Decisione n. 1672/2006/CE del Parlamento europeo e del Consiglio del 24 Ottobre 2006.

33

cooperazione tra le istituzioni di diversi Paesi membri, creazione di reti fra organismi specializzati e di osservatori a livello europeo.

Per ciascun settore di attività in cui opera il programma quadro PROGRESS, gli obiettivi da perseguire sono: 

migliorare la comprensione e la conoscenza del contesto sociale di ogni Paese membro;



elaborare analisi, strumenti, indicatori e metodi statistici;



sostenere l’attuazione degli obiettivi politici e della legislazione vigente nel Paese;



promuovere l’apprendimento reciproco attraverso la creazione di reti;



far conoscere ad ogni istituzione e cittadino europeo le politiche dell’Unione;



aiutare le principali reti dell’Unione Europea nel potenziamento delle loro capacità di sostegno e aiuto alla comprensione delle politiche comunitarie.

L’accesso al programma è previsto per tutte le organizzazioni e per gli organismi

pubblici e privati presenti: in uno degli Stati membri dell’UE, in uno degli Stati candidati o potenziali candidati, o in uno degli Stati EFTA/SEE (Norvegia, Islanda, Liechtenstein). Il budget proposto è di circa 683 milioni di Euro per il periodo di programmazione 2007-2013, ed è quasi equamente distribuito tra i diversi cinque settori di attività.

Nell’ambito del programma quadro PROGRESS, le precarie condizioni economiche e finanziare di molti Paesi dell’UE, che hanno costretto i nuovi piccoli imprenditori e le microimprese esistenti a dover fronteggiare molti ostacoli nel perseguimento dei loro obiettivi, hanno spinto la Commissione Europea a lanciare nel Marzo 2010, con la decisione n.283/2010/UE, lo strumento europeo “European PROGRESS Microfinance Facility (EPMF)”, di seguito PROGRESS Microfinance.

PROGRESS Microfinance, operativo dall’8 Aprile 2010, è la componente sviluppata nel settore della microfinanza del più ampio programma PROGRESS. È finanziato dalla Commissione Europea e dalla Banca Europea per gli Investimenti (BEI) ed è gestito dallo European Investment Fund (EIF). È il primo programma in assoluto nell’area Euro dedicato ai microcrediti per le micro e le piccole imprese, favorendo così l’aumento dei tassi di occupazione e l’integrazione sociale. La sua mission è quella di mettere a disposizione degli istituti di microfinanza, bancari o non bancari, strumenti di garanzia e strumenti di finanziamento. Gli strumenti di garanzia sono emessi dall’EIF a favore dei fornitori di microcredito o di istituti di garanzia che, a loro volta, emettono garanzie a copertura dei rischi delle istituzioni di microfinanza. Si tratta di strumenti destinati alla copertura dei rischi

34

per eventuali perdite subite dagli erogatori di microcredito. In questo modo, il “microfinanziatore” è più propenso a concedere piccoli prestiti anche a quei richiedenti più esposti al rischio di insolvenza, come giovani imprenditori alla prima esperienza o persone immigrate. In altri casi, la garanzia è utilizzata per ridurre i tassi di interesse applicati sui prestiti o per rendere meno severi i requisiti per la partecipazione. È, quindi, uno strumento per migliorare le condizioni “contrattuali”. Per quanto riguarda gli strumenti finanziari, è stato costituito uno speciale fondo di investimento dalla Commissione Europea e dalla BEI che fornisce prestiti e capitali azionari alle istituzioni di microfinanza. Gli strumenti finanziari sono di quattro tipologie: 

prestiti privilegiati, ovvero strumenti molto semplici da utilizzare, che forniscono agli intermediari liquidità destinata ad incrementare il loro volume dei prestiti;



prestiti subordinati, più sofisticati rispetto a quelli privilegiati, consentono una flessione dei limiti posti ai requisiti patrimoniali che gli intermediari devono possedere;



prestiti con condivisione del rischio, solitamente richiesti dalle banche;



partecipazioni al capitale sotto forma di investimenti diretti in una istituzione di microfinanza o di investimenti indiretti in un fondo che investirà, in seguito, nel soggetto erogatore di microcrediti.

Le garanzie e gli strumenti finanziari messi a disposizione da PROGRESS

Microfinance

sono

complementari.

Questa

caratteristica

aumenta

l’efficacia

sia

dell’iniziativa europea sia dell’attività svolta dagli erogatori di microcredito che si avvalgono di tali strumenti.

Lo strumento europeo PROGRESS Microfinance, quindi, non concede direttamente microcrediti ai piccoli imprenditori, ma finanzia gli erogatori di microfinanziamenti grazie alle risorse rese disponibili dalle principali istituzioni europee (Commissione Europea, EIF e BEI), permettendogli di aumentare il volume di prestiti disponibili.

Per il periodo che va dal 1° Gennaio 2010 al 31 Dicembre 2013, la Commissione Europea ha assegnato 103 milioni di Euro, dei quali Euro 60 milioni provenienti dal programma quadro PROGRESS, per la creazione dello strumento di microfinanza PROGRESS Microfinance. La Banca Europea per gli Investimenti ha aggiunto ulteriori 100 milioni di Euro, garantendo così un ammontare complessivo di 203 milioni di Euro ripartito tra i due strumenti messi a disposizione degli intermediari di microfinanza dallo strumento PROGRESS Microfinance: Euro 25 milioni per le garanzie e Euro 178 milioni per gli

35

strumenti finanziari. Si stima che i 203 milioni di Euro producano un effetto leva per un importo di 500 milioni di Euro in microfinanziamenti, ovvero circa 46 mila microcrediti.

I fornitori di microcredito che vogliono diventare intermediari di PROGRESS Microfinance devono dimostrare il loro interesse per gli strumenti di garanzia o presentare direttamente allo EIF la domanda per ottenere gli strumenti finanziari disponibili. Sulla base dei dati pubblicati nella “Relazione della Commissione al Parlamento Europeo, al Consiglio, al Comitato economico e sociale europeo e al Comitato delle regioni – Attuazione dello strumento europeo Progress di microfinanza – 2011”24, che comprende anche i dati più recenti, quando possibile, a Marzo 2012 lo EIF aveva firmato 18 contratti con i fornitori di microcredito di 12 Paesi membri: otto istituzioni non bancarie, sette banche e un solo ente pubblico. Questi fornitori, fino a Marzo 2012, avevano versato 2.933 microprestiti, dei quali 1.834 sotto forma di garanzie e 1.099 sotto forma di strumenti finanziari.

I beneficiari di un microcredito finanziato da PROGRESS Microfinance possono essere: 

i disoccupati o coloro che rischiano di perdere il lavoro;



chi ha difficoltà ad ottenere un finanziamento tradizionale, come le donne, i giovani, le persone con età molto avanzata, i disabili e i soggetti appartenenti a minoranze etniche;



qualsiasi soggetto appartenente ad una delle categorie sopra menzionate che voglia creare una microimpresa.

PROGRESS Microfinance è complementare alle altre iniziative europee avviate a

favore dello sviluppo della microfinanza in Europa e ai fondi strutturali europei. Alcuni beneficiari dell’iniziativa JASMINE si sono rivolti a PROGRESS Microfinance, così come vari intermediari che hanno ottenuto i finanziamenti dallo strumento europeo PROGRESS Microfinance hanno, in seguito, presentato domanda per beneficiare dell’assistenza tecnica garantita dal programma JASMINE. Molte organizzazioni di vari Stati membri ricorrono, invece, al Fondo Sociale Europeo, il quale finanzia lo sviluppo e la crescita di imprese. Per questo motivo, i fornitori di microcredito sostenuti da PROGRESS Microfinance sono spesso spinti a collaborare con queste organizzazioni.

Con i circa 200 milioni di Euro stanziati per il periodo 2010-2013 non si risolverà il problema dell’esclusione sociale e finanziaria nei Paesi membri dell’Unione Europea. Ciò nonostante, gli intermediari finanziari che esprimono il loro interesse nel ricevere un aiuto 24

COM(2012) 391 final (del 17/7/2012).

36

dallo strumento PROGRESS Microfinance saranno agevolati nella concessioni di microcrediti a chi ne fa richiesta, grazie soprattutto alle garanzie e alle risorse finanziarie messe a disposizione dalla Commissione, dalla BEI e dallo EIF.

2.4

Il progetto comunitario CAPIC Il “Programma europeo per l’occupazione e la solidarietà sociale PROGRESS”

fornisce un supporto finanziario al perseguimento degli obiettivi dell’Unione Europea nei settori dell’occupazione e degli affari sociali. Come già anticipato, in ogni settore di attività in cui interviene, il programma quadro PROGRESS finanzia una serie di azioni, volte alla realizzazione di analisi dei dati e pubblicazioni relative alle attività e agli obiettivi da raggiungere. Tutte le informazioni raccolte e gli eventuali punti di forza e di debolezza di ogni settore, saranno resi noti ai soggetti interessati a tali contesti attraverso l’organizzazione di seminari, workshop e conferenze, sia a livello nazionale che comunitario. A tal proposito, in linea con la necessità di combattere l’esclusione sociale e di garantire un aumento dell’occupazione, un progetto co-finananziato dal programma PROGRESS e lanciato recentemente dall’EFIN (European Financial Inclusion Network) è l’azione “CAPIC”, acronimo di “Cooperation for Affordable Personal Inclusive Credit”25. Il progetto analizza e promuove quattro iniziative europee avviate nel contesto del microcredito sociale, le quali favoriscono l’integrazione dei soggetti più vulnerabili di una popolazione. Lo scopo principale è quello di diffondere dei nuovi modelli di cooperazione che vedono coinvolta una triade di promotori diversi, sia per natura sia per funzioni svolte: un ente pubblico, un ente non proft o un’impresa privata e un’istituzione finanziaria.

L’azione CAPIC, quindi, si prefigge di divulgare nel territorio europeo, servendosi di newsletter, seminari di formazione e workshop, i buoni risultati raggiunti nell’ambito del microcredito sociale dalle iniziative analizzate.

Il progetto CAPIC ha una durata di diciotto mesi. È stato avviato il 1° Settembre 2011 e terminerà in data 1° Marzo 2013. I partenariati analizzati nel corso di questo periodo sono insediati nei contesti geografici della Francia, dell’Inghilterra, del Belgio e dell’Italia, e hanno una rilevanza sia nel territorio del proprio Paese sia a livello europeo. Questi possono essere considerati dei validi esempi europei di collaborazione tra soggetti diversi che, mossi

25

Cfr. http://www.fininc.eu/on-going-eu-projects,en,145.html.

37

dal desiderio di apprendere e di imparare buone pratiche dagli altri partner coinvolti, raggiungono un ampio insieme di potenziali beneficiari.

Il coordinatore dell’azione CAPIC è l’Organizzazione Non Governativa belga Réseau Financement Altérnatif (RFA). Oltre alle analisi, alle ricerche e alla diffusione dei risultati ottenuti in merito alla partnership belga in cui RFA è attivamente coinvolta, questa ONG svolge funzioni di gestione e di amministrazione del progetto comunitario nel suo complesso. RFA ha un continuo e diretto rapporto con la Commissione Europea e gestisce il lavoro, le questioni finanziare e i contatti con i progetti partner dell’azione CAPIC. Assicura, inoltre, l’organizzazione di incontri e la realizzazione di strumenti di diffusione delle informazioni, per favorire il reciproco apprendimento e la conoscenza di attività europee impegnate nella concessione di microcrediti sociali.

Per garantire l’efficacia dell’azione CAPIC, oltre alla ONG belga, in ogni iniziativa analizzata devono essere presenti soggetti aventi una maturata esperienza in merito alle questioni dell’esclusione finanziaria e della concessione di microprestiti. I protagonisti, quindi, sono: ricercatori, consulenti, reti create per la diffusione delle informazioni, esperti nella concessione di microcrediti, team specializzati nelle attività di training e formazione degli enti coinvolti. La partecipazione al progetto CAPIC di ognuno di questi attori garantisce il raggiungimento di significativi risultati in ogni dimensione dell’azione, a partire dalla ricerca dei casi studio da analizzare, alla comunicazione, alla sessione di formazione e training dei soggetti interessati, fino alla divulgazione dei successi dell’iniziativa.

Gli obiettivi specifici del progetto CAPIC sono i seguenti: 

favorire la lotta all’esclusione sociale e garantire migliori condizioni di lavoro per poter incrementare l’occupazione;



promuovere nuovi modelli di cooperazione che coinvolgono enti pubblici, enti non profit e istituzioni finanziarie. Ogni entità, in linea con i propri obiettivi, riuscirà a trarre vantaggi dalla partecipazione nei partenariati;



incoraggiare il reciproco apprendimento e ampliare l’offerta di microcrediti facilmente sostenibili dai beneficiari. Semplificare, inoltre, l’accesso ai beni e ai servizi essenziali e garantire benessere e autostima alla fascia più vulnerabile della popolazione;



analizzare le iniziative partecipanti al progetto CAPIC e garantire la diffusione e lo sviluppo delle buone pratiche;

38



misurare i risultati prendendo in considerazione gli effetti di ciascuna partnership sui propri beneficiari.

In linea con questi obiettivi, le principali attività da svolgere nel corso del progetto

sono: 1. analisi di quattro iniziative di microcredito sociale presenti in Inghilterra, Francia, Belgio e Italia; 2. organizzazione di tre workshop tematici internazionali per approfondire, analizzare e diffondere le pratiche di microcredito sociale; 3. elaborazione di un modulo formativo da divulgare ad altre partnership europee individuate in Germania, Spagna, Austria, Repubblica Ceca e Romania; 4. elaborazione di un video per ciascun workshop; 5. diffusione dei risultati del progetto grazie alle due reti europee “European Microfinance Network (EMN)” e “European Financial Inclusion Network (EFIN)”.

Per quanto riguarda la prima attività del progetto CAPIC, i casi studio analizzati saranno spiegati nel dettaglio nel prossimo paragrafo.

Per la seconda attività, al fine di favorire lo scambio delle conoscenze acquisite in materia di microcredito sociale da ciascuna delle iniziative analizzate nel corso della prima attività del progetto, l’azione CAPIC ha previsto l’organizzazione di tre conferenze, ognuna basata sull’approfondimento di uno dei tre diversi topic seguenti: 1. “Affordable personal credit: how can partnerships better consolidate and disseminate their experience?”

2. “Which public for affordable personal credit?”

3. “Affordable personal credit: sustainable long-term strategy?”

I tre workshop si sono tenuti rispettivamente in Italia, in Francia e in Inghilterra, e sono stati organizzati dalle istituzioni che prendono parte ai partenariati coinvolti nel progetto CAPIC. Il pubblico partecipante è venuto a conoscenza di ciascuna conferenza grazie alle newsletter e agli articoli pubblicati nelle due reti europee di promozione dell’inclusione finanziaria, quali EMN e EFIN. Il pubblico ha, inoltre, avuto l’opportunità di assistere ai dibattiti circa il topic di ogni workshop e di condividere le esperienze maturate nel contesto del microcredito attraverso dei “gruppi di lavoro”, i quali hanno caratterizzato la seconda parte di ogni workshop. I partecipanti provengono da ogni parte dell’Europa. Molti di questi sono ricercatori, altri sono membri di partenariati affermati in vari paesi

39

dell’Unione, altri ancora sono membri di progetti di microcredito nazionali, regionali o limitati ad aree più piccole.

La terza attività prevista dal progetto CAPIC prevede l’elaborazione di un modulo formativo da diffondere ad iniziative europee individuate in Germania, Austria, Spagna, Repubblica Ceca e Romania. Questo modulo è definito sulla base delle peculiarità di ciascuno dei quattro casi studio analizzati e aiuta i membri delle altre iniziative europee a migliorare l’efficacia dei propri progetti. I punti di forza e di debolezza di ogni partenariato variano a seconda dei differenti contesti nazionali, sia normativi sia istituzionali, e da come il pubblico corrispondente ha reagito all’attività svolta da ciascuna iniziativa. I risultati finali saranno utili considerazioni da prendere come esempio per realizzare dei partenariati simili a quelli esaminati nel corso dell’azione CAPIC. L’elaborazione di un video, ovvero la quarta attività prevista dal progetto comunitario, è un ottimo strumento per garantire una migliore diffusione, tra chi è stato presente e chi non ha potuto partecipare ai workshop, degli argomenti affrontati in ognuna delle tre conferenze organizzate. Il supporto video, inoltre, permette di venire a conoscenza delle testimonianze e delle considerazioni finali dei partecipanti in merito ad ognuna delle quattro iniziative analizzate.

Infine, la diffusione delle conclusioni di ciascun workshop e dei risultati ottenuti dalle analisi dei quattro partenariati è garantita dalla realizzazione di vari report e di adeguati prodotti, appositamente progettati per enti governativi, attori economici, sociali e per tutto il pubblico interessato a questi argomenti. A tal proposito, è rilevante il ruolo ricoperto dai due network EMN e EFIN. Grazie all’elevato numero di contatti tra ciascuna rete e gli intermediari microfinanziari europei, quest’ultimi sono costantemente informati sulle tematiche dell’esclusione finanziaria e sociale e del microcredito. Quattro newsletter sono inviate ai partner e ai potenziali soggetti interessati. L’obiettivo è quello di informare i destinatari di questi “strumenti innovativi di informazione” su ogni step del progetto CAPIC, su ogni caso studio analizzato e sugli strumenti disponibili nei siti Web delle due reti di microfinanza europee.

Ogni attività programmata dal progetto CAPIC, così come lo stesso progetto nella sua complessità, deve essere adeguatamente monitorata e valutata. Queste operazioni sono svolte dalla ONG coordinatrice dell’azione europea, RFA, in collaborazione con gli altri partner del progetto e con un soggetto esterno che fornisce una valutazione qualitativa oggettiva. Sono previsti due “coordination meetings”. Il primo ha avuto luogo all’avvio del

40

progetto, al fine di definire un chiaro piano di lavoro, la tempistica e i risultati attesi da tale azione, combinando le migliori strategie ed esperienze di ciascun partner coinvolto. Il secondo meeting si è tenuto, invece, sette mesi dopo il lancio del progetto, al termine del primo step di analisi di ciascuno dei partenariati esaminati. Il risultato finale è la definizione del modulo di formazione che verrà utilizzato nel corso dei tre workshop tematici.

I risultati attesi al termine del progetto comunitario CAPIC riguardano la diffusione di buone pratiche per la gestione di iniziative di microcredito. In particolare, la cooperazione di tre istituzioni molto diverse tra loro rende possibile un aumento delle conoscenze di ognuna di esse, un reciproco apprendimento e una più veloce risoluzione dei problemi connessi a ciascun progetto di microcredito sociale.

2.5

I quattro casi studio del progetto comunitario CAPIC Per favorire la diffusione nel territorio europeo di un nuovo modello di cooperazione,

che prevede la partecipazione ad una stessa iniziativa di microcredito di tre istituzioni diverse per natura e ruoli, il progetto comunitario CAPIC pone come sua principale attività l’analisi di quattro partenariati europei impegnati in progetti di microcredito sociale.

Le quattro iniziative sono affermate in quattro Paesi membri: Italia, Francia, Belgio e Regno Unito. Ognuna coinvolge un ente pubblico, un ente non profit o, nel caso studio inglese, un’impresa privata, e un’istituzione finanziaria.

In Italia, il partenariato analizzato è il “Sistema Provinciale di Microcredito Pistoiese”. È un progetto lanciato a Marzo 2009 che vede la partecipazione di un ente pubblico, ovvero la Provincia di Pistoia, vari enti non profit, quali la Fondazione “Un Raggio di Luce” ONLUS, la Fondazione Cassa di Risparmio di Pistoia e Pescia, l’Arciconfraternita della Misericordia di Pistoia e le Caritas di Pistoia e Pescia, e vari istituzioni finanziarie, ovvero il sistema bancario del territorio della Provincia pistoiese. Il Sistema Provinciale Pistoiese di Microcredito sarà analizzato nel dettaglio nel prossimo capitolo tre.

In Belgio, il partenariato analizzato coinvolge, in qualità di ente pubblico, la Regione della Vallonia, l’ente non profit “Fondazione Dexia” e, come istituzione finanziaria, Crédal Plus. L’obiettivo di questa iniziativa consiste nel permettere a tutti quei soggetti a basso reddito e esclusi sia da un punto di vista sociale che finanziario, l’accesso al credito per l’acquisto di beni e servizi essenziali. Grazie al microcredito, questi soggetti potranno prevenire situazioni di eccessivo indebitamento e potranno garantirsi migliori condizioni di vita. La Regione della Vallonia sostiene l’attività di Crédal Plus attraverso la concessione di

41

sovvenzioni per le attività svolte e la messa a disposizione di un fondo di garanzia in caso di mancato rimborso dei prestiti erogati. La Fondazione Dexia sostiene anch’essa l’istituzione finanziaria Crédal Plus, estendendo la sua attività e garantendo sussidi e personale volontario. Crédal Plus, infine, membro del più ampio gruppo Crédal, si impegna nella concessione di microcrediti alle micro o piccole imprese e alle persone svantaggiate. Gli importi dei microcrediti variano da un minimo di Euro 500 a un massimo di Euro dieci mila.

In Francia, il partenariato analizzato nell’ambito del progetto CAPIC pone tra i suoi obiettivi principali il finanziamento di “progetti di vita” di persone o famiglie, “vittime” dell’esclusione finanziaria e sociale e con bassi redditi. Ogni soggetto richiedente studia, insieme ai membri responsabili del progetto, il proprio “personal project”, favorendo la nascita di un rapporto umano e di fiducia tra il richiedente stesso ed il progetto. I partner coinvolti nell’iniziativa sono: l’organizzazione Sécours Catholique, affiliata alla rete Caritas Internazionale, in qualità di organizzazione non profit, che valuta le domande di microcredito contribuendo all’individuazione dei beneficiari e alla cura dei rapporti con le banche; l’istituzione finanziaria è la Federazione Nazionale Casse di Risparmio (“Fédération Nationale des Caisse d’Epargne”), la quale partecipa alle decisioni in merito alla concessione o meno dei microcrediti e segue i beneficiari nella fase post-erogazione del credito; lo Stato, unico ente pubblico coinvolto, il quale garantisce una forte presenza nel progetto, mettendo a disposizione un fondo di garanzia a copertura del 50% dei crediti erogati tramite la Caisse des Dépôts et Consignations. Il valore massimo dei microcrediti erogabili ammonta a 3.000 Euro, per una durata massima di cinque anni ed un tasso di interesse applicato che varia tra il 3% e il 4%.

Nel Regno Unito, invece, l’esperienza analizzata si discosta dalle altre iniziative di microcredito sociale coinvolte nel progetto CAPIC. Il partenariato di Nottingham, infatti, promuove una valida alternativa al microcredito tradizionale, in quanto è finalizzato a rendere molto più facile l’acquisto di elettrodomestici di prima necessità. Questa peculiarità del progetto è una conseguenza al fatto che, in Inghilterra, la maggior parte delle abitazioni sono affittate o vendute senza alcun arredamento interno. Per ovviare al problema della mancanza dei beni necessari per vivere in modo accettabile, le persone che decideranno di prendere in affitto o acquistare una di queste abitazioni si rivolgerà alle comuni finanziarie.

Queste, però, offrono crediti per l’acquisto di elettrodomestici a tassi di interesse annuali fino al 300%, generando un aumento del prezzo dell’elettrodomestico che sarà superiore di circa tre volte rispetto al costo effettivo. Grazie all’intervento del progetto inglese, è stato possibile

42

trovare una soluzione a questa situazione. Sono stati definiti microcrediti personalizzati più adatti e sostenibili per le persone che hanno bisogno di un microfinanziamento per arredare il proprio appartamento. Le tre istituzioni che prendono parte all’iniziativa sono: la Provincia di Nottingham, la Credit Union di Nottingham e Co-operative Electrical. La Provincia assume il ruolo di guida del progetto e garantisce lo sviluppo di una strategia volta alla promozione dell’inclusione finanziaria nel proprio territorio. La Credit Union di Nottingham offre una vasta gamma di servizi finanziari a costi accessibili, come conti correnti, prestiti e libretti di risparmio. Co-operative Electrical fornisce un elenco di elettrodomestici acquistabili a prezzi convenienti e adeguati alle esigenze del target di clientela del microcredito. Tale cooperativa garantisce anche l’assistenza post-vendita per tutti i prodotti acquistati. Questo progetto di microcredito è promosso grazie ad un’intensa campagna promozionale in tutta la città e la Provincia di Nottingham, al fine di servire un pubblico sempre più ampio e combattere attivamente contro l’esclusione finanziaria e sociale.

Il progetto CAPIC è considerato un’iniziativa concreta da ciascun partner dei quattro casi studio analizzati, mirata a garantire l’inclusione finanziaria dei soggetti aventi redditi bassi o nulli. L’azione comunitaria è una risposta innovativa alla mancanza di strumenti di credito appropriati ed efficaci per le persone escluse. Questo perché i microcrediti riescono a risolvere una situazione economica disagiata e garantiscono, allo stesso tempo, anche una formazione del soggetto, aiutandolo a non commettere gli stessi errori del passato e a salvaguardarsi da elevati tassi di indebitamento. I partner del progetto CAPIC, inoltre, reputano l’iniziativa stessa un mezzo adeguato per migliorare la capacità di dialogo tra i vari attori del contesto del microcredito, aventi culture e pensieri molto diversi tra loro.

La creazione delle due reti EMN ed EFIN è stata essenziale per la promozione di nuovi ed efficaci mezzi di comunicazione ed ha contribuito alla nascita di relazioni tra una moltitudine di soggetti coinvolti in iniziative di microcredito sociale.

L’aspetto organizzativo di ogni partenariato, nonostante ciò, deve essere migliorato per integrarsi più velocemente con le altre esperienze. Allo stesso modo, anche il quadro normativo europeo in materia di microcredito deve essere modificato e reso unico, al fine di garantire una più semplice comprensione e una più facile comunicazione tra gli enti e le diverse istituzioni, regolate in modo differente dai contesti legislativi dei paesi di appartenenza.

43

44

CAPITOLO 3 IL “SISTEMA PROVINCIALE DI MICROCREDITO PISTOIESE”: UN’ANALISI APPROFONDITA

3.1

Il caso studio italiano dell’iniziativa CAPIC: il “Sistema Provinciale di Microcredito Pistoiese” Il progetto “Sistema Provinciale di Microcredito Pistoiese” prende parte, in qualità di

caso studio italiano, all’iniziativa “Cooperation for Affordable Personal Inclusive Credit – CAPIC”, descritta nel precedente capitolo.

Ciò che accomuna il microcredito pistoiese alle altre tre realtà europee di microcredito socialmente orientato, coinvolte nell’iniziativa CAPIC, è l’obiettivo finale e la collaborazione tra istituzioni pubbliche, finanziarie e organizzazioni non profit, i tre promotori delle iniziative. L’obiettivo finale è promuovere una maggiore responsabilità finanziaria dei soggetti beneficiari e, quindi, aiutare i richiedenti del microcredito a prevenire e/o fronteggiare eventuali situazioni di sovra indebitamento.

In merito, invece, alla triade di promotori, si tratta di un modello operativo per mezzo del quale ognuno dei tre soggetti operanti nel partenariato deve impegnarsi adeguatamente e nel rispetto delle proprie funzionalità. Viene offerto, così, un contributo per rendere più efficaci: la diffusione e la capillarità dei servizi di microcredito sul territorio, il dialogo con le comunità locali e la gestione del partenariato stesso. Tale modello operativo, oltre ad essere comune alle quattro realtà facenti parte dell’iniziativa europea CAPIC, è dominante nel contesto italiano. È un modello al quale si sono ispirati molti progetti di microcredito avviati nel nostro Paese.

I tre soggetti chiave sono impegnati nelle fasi di valutazione delle richieste di microcredito e successiva erogazione dei prestiti. Nel dettaglio:  le istituzioni pubbliche mettono a disposizione i fondi di garanzia necessari per l’avvio e la continuità dell’attività;  le banche gestiscono la fase di erogazione dei microcrediti, adottando criteri operativi meno rigorosi di quelli a loro consueti;

45

 le organizzazioni non profit gestiscono le attività di raccolta e valutazione delle richieste, di selezione dei beneficiari e successiva educazione finanziaria degli stessi.

Monitorano, inoltre, la fase di post-erogazione credito grazie alla presenza di personale specializzato.

Un partenariato istituzionale diversificato può rappresentare, quindi, un valore aggiunto per le iniziative di microcredito, che sono interessate alla promozione dell’inclusione finanziaria di quei soggetti classificati come unbanked.

Il Sistema Provinciale di Microcredito Pistoiese è, a tal proposito, una delle prime esperienze italiane, se non la prima in assoluto, ad aver dato vita ad una collaborazione tra soggetti diversi. La missione è orientata alla ricerca di soluzioni a quelle situazioni di grave disagio economico e sociale che nemmeno il sistema bancario tradizionale può risolvere.

3.2

Il Sistema Provinciale di Microcredito Pistoiese: i soggetti coinvolti e le caratteristiche del progetto Il contesto socioeconomico del momento muta senza sosta. I mercati fanno da

scenario alla più aspra crisi finanziaria di tutti i tempi, avente come protagonisti elevati tassi di disoccupazione, povertà, inflazione e una sempre più scarsa, se non nulla, fiducia dei cittadini nei confronti delle istituzioni che li governano. Per questi motivi, le condizioni e le abitudini di vita di quasi tutta la popolazione europea sono costrette a cambiare e ad adattarsi.

Da alcuni anni si è assistito ad un proliferare di situazioni di bisogno particolarmente intenso, che rendono difficile sia la vita sia l’integrazione sociale delle persone con redditi molto bassi, per le quali è complicato trovare soluzioni attraverso la sola attività assistenziale o la tradizionale concessione di credito da parte delle banche.

Il territorio e gli abitanti della provincia di Pistoia presentano fenomeni e disagi economico-sociali del tutto nuovi rispetto al passato più recente. Diffuse sono le famiglie cadute nella morsa della povertà, specialmente quelle monoreddito, che si trovano a fronteggiare l’emergenza di eventi straordinari non attesi.

Il microcredito ha rappresentato e rappresenta tuttora una valida soluzione ai problemi economici della comunità pistoiese.

L’idea nacque a gennaio 2007 grazie alla collaborazione della Banca di Credito Cooperativo di Pistoia, la Fondazione “Un Raggio di Luce” ONLUS e l’Arciconfraternita della Misericordia di Pistoia. Il progetto, inizialmente chiamato “Mi fido di te”, si rivelò

46

molto efficace e valido per i risultati ottenuti. Per questi motivi, si decise di creare una rete più ampia che potesse coprire, oltre al territorio comunale, l’intero territorio provinciale, favorendo così la cooperazione tra enti di diversa natura. Due anni dopo, quindi, a marzo 2009, fu firmato l’accordo che istituì il Sistema Provinciale di Microcredito Pistoiese.

Promotore di questa intesa è stata la Fondazione Cassa di Risparmio di Pistoia e Pescia CARIPT che, volendo estendere l’iniziativa già avviata ad un pubblico più ampio, sollecitò non solo le parti già presenti ma anche le Caritas diocesane di Pistoia e Pescia, la Cassa di risparmio di Pistoia e della Lucchesia, le Banche di Credito Cooperativo di Masiano, Valdinievole, Vignole, Montecatini Terme e Bientina, Pescia e Montagna pistoiese, la Banca di Pistoia e la Provincia di Pistoia.

Il risultato ottenuto è, ancora oggi, un partenariato istituzionale tra enti con caratteristiche e ruoli diversi, impegnati nel perseguimento di un obiettivo sociale pienamente condiviso. L’amministrazione pubblica offre la garanzia legale per i crediti erogati ai beneficiari identificati dal Servizio Politiche Sociali della Provincia. La Fondazione CARIPT e i volontari della Fondazione “Un Raggio di Luce” ONLUS e dell’Arciconfraternita della Misericordia di Pistoia raccolgono le richieste di microcredito presso i quattro centri di ascolto istituiti, e svolgono il ruolo di garanti secondo i criteri e le modalità stabilite in un secondo accordo operativo. Infine, le banche locali si impegnano nella gestione ed erogazione del credito, adottando criteri operativi meno rigidi rispetto a quelli tradizionali.

La mission del Sistema Provinciale di Microcredito Pistoiese è quella di individuare le situazioni di bisogno economico e sociale sul nascere, per permettere al microcredito di intervenire nel momento giusto e di essere uno strumento di welfare davvero efficace. I vari enti coinvolti nel Sistema, quindi, devono saper risolvere con rapidità le situazioni di emergenza. Ogni intervento non deve essere fine a se stesso. Gli obiettivi sono, infatti, quelli di aiutare la persona a uscire dalla situazione di criticità in cui si trova e a ricostruire condizioni di vita migliore, nella speranza che non ripeta in futuro gli stessi errori.

I principali destinatari dei microprestiti concessi dal Sistema sono persone fisiche e organizzazioni, quali cooperative sociali, associazioni di volontariato, ONLUS e microimprese, in particolare a conduzione femminile. Per quanto riguarda le persone fisiche, l’importo finanziabile va da un minino di Euro 1.000 ad un massimo di Euro 7.000, ed è finalizzato principalmente ai seguenti scopi:  pagamento di spese straordinarie;

47

 interventi urgenti di manutenzione alla propria abitazione;  anticipo mensilità di affitto o cauzione abitazione;  attivazione o pagamento utenze;  interventi di carattere medico-chirurgico non coperti dal Sistema Sanitario Nazionale;  educazione e formazione dei figli;  acquisto o riparazione di auto e motocicli per raggiungere il luogo di lavoro.

Gli importi erogabili alle organizzazioni che si rivolgono al microcredito vanno, invece, da un minimo di Euro 5.000 ad un massimo di Euro 25.000. I motivi che spingono queste entità a rivolgersi al Sistema Pistoiese sono connessi alla volontà di avviare micro o piccole attività imprenditoriali, o alla necessità di sostenere attività socialmente utili.

I prestiti hanno una durata massima di 5 anni (60 mensilità). Il rimborso avviene a rate costanti mensili e il tasso di interesse applicato è il tasso fisso IRS + 0,50%26.

Il plafond iniziale dei finanziamenti complessivamente erogabili da parte delle banche ammonta a circa € 1.000.000, con moltiplicatore 1:2. Per ogni prestito concesso, a fronte di eventuali perdite per mancata restituzione, la garanzia rilasciata dai soggetti istituzionali è ripartita nelle percentuali seguenti: nel limite del 50% del credito, intervengono le garanzie della Fondazione CARIPT (20%), della Fondazione “Un Raggio di Luce” ONLUS (20%) e della Misericordia (10%); la restante metà del prestito è garantita dalle banche coinvolte nella pratica, fino al raggiungimento del plafond fissato per ogni istituto.

Per quanto riguarda l’intervento dell’istituzione pubblica, la Provincia di Pistoia mette a disposizione € 60.000 che, oltre ad integrare il fondo di garanzia iniziale, saranno destinati a garanzia delle richieste compilate dalle persone conosciute dai servizi sociali dell’ente. Nel dettaglio, la garanzia per ogni prestito erogato ai beneficiari segnalati dalla Provincia è ripartita tra le banche e la Provincia stessa. I due soggetti intervengono, rispettivamente, nella misura del 50%, qualora il credito non venga rimborsato.

Per ottenere il microcredito, non basta la corrispondenza tra i motivi che hanno spinto il soggetto a fare richiesta e le finalità previste ed ammesse nel protocollo di intesa firmato dai partner del Sistema. È indispensabile: dimostrare la disponibilità di un reddito minimo, che consenta di rimborsare il prestito in modo costante; avere reali bisogni finanziari straordinari e momentanei; essere di buona moralità.

26

Attualmente, il tasso di interesse applicato oscilla tra il 2% e il 3%.

48

L’esistenza di questi requisiti, o “criteri di eleggibilità”, per accedere al microcredito, è verificata nel corso del processo di raccolta e valutazione della richiesta.

3.3

La raccolta e la valutazione delle richieste presso il Sistema Provinciale di Microcredito Pistoiese Nel rispetto delle caratteristiche del Sistema Provinciale di Microcredito Pistoiese, il

processo di raccolta e di valutazione delle richieste è semplice, ma articolato.

I centri di ascolto, le banche e la Provincia di Pistoia, intervengo in almeno una delle tre fasi che costituiscono il processo di raccolta e valutazione (Figura 3.1), entro i propri limiti e in base alle necessità.

1a Fase Raccolta delle richieste presso i centri di ascolto e successivi colloqui per verificare l’idoneità della domanda alle caratteristiche del microcredito.

Richiesta Non Idonea

Richiesta Idonea

2a Fase Il Comitato di Valutazione decide se le domande sono da finanziare o meno.

Richiesta Non Idonea

Richiesta Idonea

3a Fase Le banche erogano e monitorano i crediti approvati dal Comitato di Valutazione.

Concessione del microcredito Figura 3.1 Processo di raccolta e valutazione delle richieste di microcredito.

Nel corso della prima fase del progetto, i volontari delle Fondazioni e della Misericordia di Pistoia raccolgono le richieste di microcredito. Ogni richiedente sarà

49

ascoltato con attenzione, al fine di verificare la sussistenza dei requisiti necessari per l’ottenimento del prestito.

Dopo uno o, se necessario, più colloqui, i centri di ascolto sono in grado di constatare l’idoneità o meno del soggetto allo strumento del microcredito. In caso di esito positivo, la richiesta sarà esaminata dal Comitato di Valutazione, altrimenti sarà respinta.

Nella seconda fase, il Comitato di Valutazione deve decidere, sulla base delle informazioni disponibili raccolte grazie al lavoro dei centri di ascolto, se le domande di microcredito sono da finanziare o no. Ogni richiesta è analizzata dal Comitato, al quale sono presenti: i volontari dei centri di ascolto che hanno raccolto quella domanda, il rappresentante della banca indicata nella pratica e i garanti designati in caso di mancata restituzione del prestito. I soggetti che compongono il Comitato di Valutazione variano in base alla provenienza e alle informazioni contenute nella domanda.

Conclusa la fase di valutazione della richiesta di microcredito, nel corso della quale sono fornite dalle banche informazioni finanziare circa il richiedente, il Comitato decide se approvare o no il finanziamento.

Se la decisione è positiva, la domanda passa al terzo stadio del processo di raccolta e di valutazione della richiesta. A questo punto, la banca incaricata alla gestione di quel microcredito eroga il prestito e si impegna a monitorare la fase post-erogazione del credito.

Al termine del processo sopra descritto, però, non corrisponde la fine dell’interesse alle condizioni di vita del richiedente da parte dei partner coinvolti. Questa è una delle peculiarità del microcredito pistoiese. L’intenzione del Sistema è, infatti, garantire una costante e continua disponibilità nei confronti dei beneficiari. A tal proposito, sono promosse attività di formazione finanziaria e di educazione al microcredito, con l’aiuto delle quali ogni soggetto potrà capire il valore del “bene” che gli è stato concesso. Un bene non solo finanziario ma, soprattutto, morale. Ciò che è effettivamente dato ai soggetti beneficiari è la fiducia che i partner del Sistema dimostrano di avere nei loro confronti. Le Fondazioni, la Misericordia e le banche sono i primi a credere fortemente nella volontà dei richiedenti di rispettare i principi ispiratori del microcredito. E, proprio per questo, sperano che la fiducia concessa sia adeguatamente premiata e mai tradita.

I risultati raggiunti dal Sistema Provinciale di Microcredito Pistoiese pongono l’accento sull’importanza e il valore educativo di questo strumento trasmessi agli utenti finali più prossimi. A Novembre 2012, 564 sono stati i soggetti che, recandosi presso i centri di ascolto, hanno fatto richiesta di microcredito. Dopo un numero di colloqui effettuati elevato e

50

una prima selezione, 304 sono state le pratiche inviate al Comitato di Valutazione. Di queste, 223 sono state approvate, per un importo totale di Euro 1.049.200, erogato e gestito dalle banche. Delle 223 richieste, 19 sono crediti alle imprese, per un importo di Euro 106.000, e 204 sono crediti sociali, per un ammontare complessivo di Euro 880.00027.

Benché sia importante dover sempre migliorare, l’intero territorio della Provincia pistoiese può ritenersi orgoglioso dell’operato e dell’efficacia del progetto di microcredito.

Grazie, inoltre, alla scelta della città di avvalersi degli strumenti offerti dal business sociale per rispondere ai bisogni locali più incombenti, come assistenza agli anziani, occupazione giovanile e salvaguardia dell’ambiente, Pistoia ha ricevuto la targa di “Social Business City”, la prima in Italia. Tale riconoscimento è stato consegnato alla città in data 11 Luglio 2012 direttamente dal Professor Muhammad Yunus, in occasione della giornata celebrativa per il conferimento ufficiale del titolo e per l’inaugurazione dell’iniziativa triennale “Pistoia prima Social Business City in Italia”. Il programma triennale dell’iniziativa, elaborato dallo “Yunus Social Business Centre University of Florence – YSBCUF” e avviato all’inizio del 2012 grazie ad un accordo tra lo stesso YSBCUF, la Fondazione CARIPT e la Fondazione “Un Raggio di Luce” ONLUS, prevede per Pistoia una serie di attività orientate al business sociale. Questo progetto dimostra, inoltre, il valore di una nuova esperienza vista come valida e concreta alternativa ai modelli economici tradizionali, avente i giovani come protagonisti assoluti.

3.4

Regressione logistica Per valutare il rischio che il soggetto che richiede un tradizionale credito al consumo

non sia in grado di rispettare gli impegni contrattuali, la banca, o un qualunque intermediario finanziario, si avvale di specifici sistemi automatizzati, noti come sistemi di credit scoring.

Come già anticipato nel capitolo 1, questi sistemi prevedono l’applicazione di metodi o modelli statistici, illustrati in modo approfondito in Stanghellini (2009)28, per valutare il rischio di credito. I risultati ottenuti si presentano sotto forma di indicatori numerici o

27

I risultati raggiunti fino a Novembre 2012 sono stati presentati nel corso del seminario internazionale “La problematica dei partenariati nelle esperienze italiane di microcredito sociale: punti di forza, di debolezza e prospettive”, previsto dall’iniziativa CAPIC, tenutosi a Pistoia presso la Biblioteca San Giorgio in data 13 Novembre 2012.

28

E. STANGHELLINI, 2009, Introduzione ai metodi statistici per il credit scoring, Milano, Springer-Verlag Italia.

51

punteggi, i quali rappresentano, in termini predittivi o probabilistici, la misura quantitativa del rischio associata all’operazione di finanziamento.

Fra i vari modelli statistici applicati al credit scoring, la regressione logistica consente di interpretare gli effetti esercitati dalle variabili indipendenti X k , con k=1, 2,…, p, sulla variabile dipendente Y, quando quest’ultima è una variabile casuale bernoulliana. La Y, infatti, in questo caso, si articola sempre in due categorie contrapposte (“SI”/ “NO”, “VERO”/ “FALSO”, “IDONEO”/ “NON IDONEO”), che possono essere trasformate nei valori numerici 0 o 1, a seconda dell’assenza o della presenza del fenomeno oggetto di studio. Ad esempio, se consideriamo un esperimento casuale che dà luogo a due eventi A e

A , dove A è l’evento “successo” e A è l’evento “insuccesso”, la variabile casuale di Bernoulli Y assume valore 1 se si verifica A, 0 altrimenti. Di conseguenza, indicheremo con

 la probabilità che si verifichi l’evento A e che, quindi, Y sia pari ad 1, e con 1   la situazione inversa.

Estendendo questi concetti ad un contesto più complesso, con la costruzione di un modello logistico, semplice o multiplo, possiamo stimare l’effetto di una o più variabili esplicative sulla variabile risposta Y, studiando la funzione che lega le variabili in esame.

In un modello di regressione logistica multipla, in presenza di più di una variabile esplicativa, si indica con ( X 1 , X 2 ,..., X p )T un vettore di p-dimensionale di variabili casuali, che assume valori xT  ( x1 , x2 ,..., x p ) . Indichiamo con  (x) la probabilità della variabile Y condizionata ai valori assunti dalle variabili esplicative, quando Y è pari ad 1, P(Y  1 X1  x1, X 2  x2 ,..., X p  x p )   (x) ,

e con 1   (x) la probabilità della variabile Y condizionata ai valori delle variabili esplicative, quando Y è posta pari a 0. Il logaritmo naturale del rapporto tra  (x) e 1   (x) , noto come logit o score, può essere immediatamente espresso in termini di una combinazione lineare di parametri e regressori, analoga a quella che si costruisce nel caso di un modello di regressione lineare multipla. Nel dettaglio, l’espressione seguente,

logit  x   log

 x     1 x1   2 x2  ...   p x p , 1   x 

52

rappresenta il modello di regressione logistica multipla. Il parametro  esprime il valore predetto di logit  x quando tutte le variabile esplicative incluse nel modello assumono un valore pari a 0; ciascun parametro  , invece, dice di quanto varia logit  x per ogni incremento unitario del regressore corrispondente, al netto degli effetti esercitati dagli altri regressori.

Quindi, il modello logistico è una funzione che lega il logit  x , o score, alle variabili esplicative in una forma lineare nei parametri.

Per confrontare un modello ridotto con un modello saturo, quindi per effettuare la verifica di ipotesi sul modello, ci si avvale dei test G2 e X2. Per ulteriori chiarimenti e dettagli circa l’applicazione del modello logistico, la verifica di ipotesi e le procedure di selezione dell’insieme migliore di covariate, si veda Stanghellini (2009).

3.5

Gli alberi di classificazione Un metodo per classificare le unità di una popolazione in base ai valori assunti da un

set di variabili, consiste nella costruzione di un albero di classificazione (in inglese “classification tree”).

Il classification tree è una tipologia di alberi decisionali, ossia uno strumento versatile applicato al contesto del data mining. Pur discostandosi dalle tradizionali tecniche statistiche, gli alberi decisionali sono metodi molti utilizzati, in quanto aiutano a trattare strutture di dati molto complesse grazie alla produzione di grafici facili da interpretare.

Gli alberi decisionali sono di due tipologie: 

alberi di classificazione, utilizzati nella nostra analisi;



alberi di regressione, costruiti per stimare il valore di una variabile quantitativa.

Analizzeremo, nel dettaglio, gli alberi di classificazione.

A tal proposito, la variabile risposta di interesse è una variabile qualitativa

(categoriale), a k livelli. Per semplicità, consideriamo una variabile qualitativa binaria, con solo k  2 modalità (0 e 1).

Un albero di classificazione assume la forma di un diagramma ad albero rovesciato.

Di fronte ad ogni scelta, effettuata in base al valore o di una delle variabili considerate o di una combinazione di più variabili, l’albero subisce una bipartizione. Il nodo di partenza, ossia quello più alto, è detto nodo radice, o root node. Al suo interno è possibile trovare tutte

53

le osservazioni oggetto della nostra analisi, classificate correttamente nelle due classi della variabile risposta. Il nodo radice, in base al criterio o alla condizione applicata, si divide in due rami, al termine dei quali è possibile trovare due nodi. La stessa operazione si ripete per ogni nodo presente nell’albero fino ad ottenere gruppi di unità omogenei rispetto alla variabile risposta. È possibile distinguere due tipologie di nodo: i nodi non terminali e quelli terminali, comunemente detti “foglie”. I primi sono ulteriormente divisibili. Le foglie, invece, non subiscono altre bipartizioni.

Ogni unità statistica è classificata seguendo un “percorso” lungo l’albero che la conduce dalla radice al nodo terminale. Con il termine “percorso” facciamo riferimento all’insieme dei rami che l’unità percorre prima di giungere alla foglia. Ogni ramo fornisce una serie di regole, o meglio condizioni, con cui avvengono le suddivisioni all’interno dell’albero.

L’algoritmo che viene implementato nel software statistico R per la costruzione degli alberi di classificazione è la procedura CART, acronimo di Classification And Regression Trees. Questa tecnica è stata introdotta nella pratica statistica da L. Breiman, J. Friedman, R. Olshen e C. Stone nel 1984, e viene utilizzata sia per la costruzione di alberi di classificazione sia per gli alberi di regressione.

L’algoritmo parte dai dati raggruppati nel nodo radice. Ad ogni passo esegue una ricerca tra tutte le possibili suddivisioni, scegliendo quella migliore, ossia quella che produce rami il più possibile omogenei tra di loro. Per valutare la bontà di una suddivisione, o split, si ricorre all’indice di impurità di Gini, così definito:

E k

nk Ik , n

dove n è la numerosità del campione, nk sono le frequenze osservate nel k-esimo nodo e Ik è un indice definito come segue: I k  pˆ k (1  pˆ k ) ,

dove pˆ k è la probabilità stimata di successo del k-esimo nodo, ovvero la frequenza relativa dei successi presenti in ogni nodo dell’albero. L’indice di impurità di Gini rappresenta la somma della varianza delle variabili casuali di Bernoulli che descrivono, in ogni foglia,

54

l’assegnazione di una nuova unità ad una delle due classi. Lo split scelto è quello che minimizza l’impurità media delle due foglie.

Una volta individuata la suddivisione migliore per il nodo radice, l’algoritmo CART ripete il processo di ricerca per ogni nodo fino a quando ciò non è più possibile. L’algoritmo, infatti, si arresta quando un nodo è costituito da un numero troppo esiguo di casi, posto pari a 20 per la libreria RPART (Recursive Partioning And Regression Trees) di R, o quando tutte le unità che compongono il nodo appartengono alla stessa classe.

Quando un nodo è definito terminale, è necessario stabilire come classificare i casi che sono contenuti al suo interno. Un criterio utilizzato consiste nell’assegnare, a quel nodo, l’etichetta del gruppo maggiormente rappresentato, come si evince dalla Figura 3.7 e dalla Figura 3.9 nel paragrafo 3.6.3.

La metodologia CART, quindi, suddivide l’albero finché possibile e esamina tutti i sotto-alberi ottenuti dalla potatura dell’albero di partenza. Tra i possibili sotto-alberi, si sceglierà quello migliore avvalendosi del criterio del minimo costo-complessità. Indichiamo con Ri una misura di adeguatezza relativa a ciascuna foglia dell’albero e con R la somma delle Ri. L’indice Rα da minimizzare è definito come segue: R  R  nT ,

dove nT è la dimensione dell’albero e α è un parametro di complessità che quantifica la penalizzazione subita dall’albero più complesso. Maggiore è il valore di α, maggiore è la preferenza per alberi con poche foglie. Gli algoritmi, per valutare quale sia il valore di α ottimale, ricorrono alla procedura nota come 10-fold cross-validation. Si tratta di una procedura di rivalidazione interna che divide l’insieme dei dati in dieci parti: nove vengono usate per sviluppare l’albero e la decima per effettuare una procedura di validazione.

3.6

Analisi dati del Sistema Provinciale di Microcredito Pistoiese: descrizione dei data set utilizzati Il Sistema Provinciale di Microcredito Pistoiese, nel corso della sua attività, si è

impegnato costantemente per rendere il processo di raccolta e valutazione delle richieste pervenute ottimale e sempre più adatto alle problematiche del microcredito.

55

Nelle prime due fasi del processo di raccolta e valutazione delle richieste, al fine di “lasciare traccia” dei dati relativi a ciascun richiedente, vengono costruiti dei database. In ognuna di queste basi di dati sono contenute tutte le informazioni utili all’identificazione del soggetto e alle caratteristiche della domanda di microcredito. In questo modo, i partner coinvolti nel Sistema Pistoiese possono analizzare accuratamente la richiesta di ogni richiedente e decidere, sulla base di tutte le informazioni disponibili, se concedere o meno il microfinanziamento.

I database creati sono distinti, ma in relazione tra loro.

Nella 1a fase del processo, i dati anagrafici del richiedente e le caratteristiche del prestito richiesto vengono raccolte presso i centri di ascolto in due basi di dati, rispettivamente chiamate, nella nostra analisi, “RICHIEDENTI” e “COLLOQUI” (Figura 3.2).

1a Fase Raccolta delle richieste presso i centri di ascolto e successivi colloqui per verificare l’idoneità della domanda alle caratteristiche del microcredito.

Richiesta Non Idonea

Creazione dei data set “RICHIEDENTI” e “COLLOQUI”

Richiesta Idonea 2a Fase Il Comitato di Valutazione decide se le domande sono da finanziare o meno.

Richiesta Idonea

Richiesta Non Idonea

3a Fase Le banche erogano e monitorano i crediti approvati dal Comitato di Valutazione.

Concessione del microcredito

Figura 3.2 Creazione dei data set “RICHIEDENTI” e “COLLOQUI” nel corso della prima fase del processo di raccolta e valutazione delle richieste.

Nel data set RICHIEDENTI, ogni volta che un soggetto diverso si reca presso il centro di ascolto per fare richiesta di microcredito, viene inserito un nuovo record contenente tutte le informazioni anagrafiche del richiedente. E’ definita, così, una graduatoria che stabilisce l’ordine in cui i soggetti vengono convocati ad un colloquio conoscitivo. Può

56

accadere che, non essendo chiare né sufficienti le informazioni acquisite nel corso del primo incontro, i volontari dei centri di ascolto decidano di convocare nuovamente il soggetto in esame. I dati recepiti durante questi colloqui, riguardanti la finalità della domanda e l’importo del prestito richiesto, sono inseriti nel secondo data set, chiamato appunto COLLOQUI, in relazione col primo. Poiché, qualche richiedente è stato incontrato nel corso della 1a fase più di una volta, si avranno delle righe del data set che contengono informazioni ridondanti.

Se il centro di ascolto ha valutato come “idonea” la richiesta di microcredito analizzata, terminata la 1a fase, questa passa alla 2a fase del processo di raccolta e valutazione delle richieste. A questo punto, è il Comitato di Valutazione a decidere se procedere all’erogazione del microfinanziamento. Le informazioni presenti nei data set costruiti nella fase precedente sono integrate con una serie di dati acquisiti presso le banche.

Si tratta di informazioni finanziarie, delle quali, per motivi di privacy, non è possibile venire in possesso. La decisione relativa alla concessione o meno del microcredito è tradotta in un valore numerico, rispettivamente pari ad 1 o a 0, inserito nel terzo data set, definito “PRESTITI”, creato nella 2a fase del processo (Figura 3.3).

1a Fase Raccolta delle richieste presso i centri di ascolto e successivi colloqui per verificare l’idoneità della domanda alle caratteristiche del microcredito.

Richiesta Non Idonea

Richiesta Idonea 2a Fase Il Comitato di Valutazione decide se le domande sono da finanziare o meno.

Richiesta Non Idonea

Creazione del data set “PRESTITI”

Richiesta Idonea

3a Fase Le banche erogano e monitorano i crediti approvati dal Comitato di Valutazione.

Concessione del microcredito

Figura 3.3 Creazione del data set “PRESTITI”.

In questo database, oltre al valore numerico corrispondente alla decisione presa dal Comitato di Valutazione, sono presenti le stesse informazioni inserite nel data set COLLOQUI. La differenza tra i due è che in PRESTITI è possibile trovare soltanto i soggetti

57

che, dopo aver fatto i colloqui, sono stati ritenuti “idonei” al microcredito da parte dei centri di ascolto. E, quindi, ci sarà un numero minore di richiedenti rispetto a quello presente sia nel data set COLLOQUI sia in RICHIEDENTI. Ai fini della nostra analisi, il data set COLLOQUI non verrà utilizzato. Il motivo, come introdotto nelle righe precedenti, riguarda la ridondanza delle informazioni, dovuta al verificarsi di più di un colloquio per lo stesso richiedente.

Dal 2007, anno di avvio del progetto di microcredito pistoiese, il biennio 2010-2011 è stato il più significativo in termini di quantità di richieste raccolte. Per questo motivo, i dati che analizzeremo sono quelli relativi alle domande di microcredito raccolte e valutate tra il 2010 e il 2011.

Il data set RICHIEDENTI è composto da 362 osservazioni e 20 variabili. Le variabili, qualitative sconnesse e quantitative, sono:



ID = numero progressivo;



DataInserimentoAnagrafica = data in cui è stata inserita la richiesta nel data set;



Tipologia = variabile qualitativa sconnessa con 2 modalità: “Individuo”, se il soggetto che richiede un microcredito è una singola persona; “AttivitàImprenditoriale”, se la richiesta viene fatta da parte di un soggetto che ha intenzione di avviare una piccola impresa o da una piccola società che deve affrontare dei problemi economici temporanei inerenti allo svolgimento dell’attività;



Nominativo;



Età;



Sesso = “M” (maschio) o “F” (femmina);



Indirizzo;



Comune;



Provincia = “Pistoia”;



Regione;



Cittadinanza = è una variabile qualitativa con 18 modalità;



NazioneProvenienza = variabile qualitativa con 19 modalità;



Telefono;



Altro recapito telefonico;



StatoCivile = variabile qualitativa sconnessa con 5 modalità: “Celibe/Nubile”, “Coniugato/a”, “Separato/a”, “Divorziato/a”, “Vedovo/a”;

58



NumeroFigli = da 0 ad un massimo di 8 per nucleo famigliare;



StatoOccupazionale = variabile qualitativa sconnessa con 3 modalità: “Occupato/a”, “Disoccupato/a”, “Pensionato/a”;



TipologiaOccupazione

=

variabile

qualitativa

sconnessa

con

11

modalità

corrispondenti alle professioni definite dall’ISTAT: - “Occupato/a” - “Disoccupato/a” - “Pensionato/a” - “Pensione invalidità” - “Studente” - “Trasporti” - “Artigiani, operai specializzati e agricoltori” - “Professioni esecutive nel lavoro di ufficio” - “Professioni mediche” - “Professioni non qualificate” - “Professioni qualificate nelle attività commerciali e nei servizi”; 

Codice Fiscale;



Partita IVA.

Alcune variabili del data set RICHIEDENTI sono state eliminate. Il nominativo del richiedente, l’indirizzo di residenza, telefono o altri recapiti, il codice fiscale e la partita IVA, sono dati sensibili che, ai fini della nostra analisi, non possono essere utilizzati, ma non sono nemmeno utili. Altre variabili, come “Comune”, “Provincia” e “Regione”, vengono tolte dal data set perché la Provincia è, ovviamente, in tutti i casi, Pistoia, la Regione è la Toscana per tutti i richiedenti, il Comune è una delle città o centri abitati presenti nella Provincia di Pistoia, quindi ininfluente. “DataInserimentoAnagrafica” è eliminata, in quanto ci interessa fare un’unica analisi su tutto il biennio 2010-2011. La variabile “TipologiaOccupazione” riporta una classificazione dettagliata delle professioni dei richiedenti. Poiché l’informazione a noi necessaria è contenuta nella variabile “StatoOccupazionale”, la quale sintetizza la posizione lavorativa del soggetto nelle sole 3 modalità Occupato/a, Disoccupato/a e Pensionato/a, toglieremo dal data set “TipologiaOccupazione” ed utilizzeremo soltanto “StatoOccupazionale”.

59

Al termine di queste operazioni, il data set RICHIEDENTI definitivo è formato da 362 osservazioni e 9 variabili. Quindi, le informazioni utili all’analisi sono: 

ID;



Tipologia;



Età;



Sesso;



Cittadinanza;



NazioneProvenienza;



StatoCivile;



NumeroFigli;



StatoOccupazionale.

Il data set PRESTITI è composto da 236 osservazioni e 8 variabili. Quest’ultime

sono: 

PrestitoN = numero progressivo identificativo di ogni soggetto che è stato ammesso alla 2a fase del processo;



DataConcessionePrestito = data di concessione del microcredito;



Richidente = nominativo del richiedente;



DurataPrestito = durata del prestito espressa in mesi (da 12 a 60 rate);



AmmontarePrestito = ammontare del prestito concesso con valore pari a 0, se non è stato erogato, e valori da 1000 a 15000 Euro in caso di erogazione;



FinalitàPrestito = variabile qualitativa sconnessa con 6 modalità: “Debiti arretrati”, “Spese abitazione”, “Studio”, “Spese mediche”, “Spese aziendali / avvio attività”, “Spese varie”;



Banca = variabile qualitativa sconnessa con 7 modalità relative alle diverse banche presso le quali è acceso il prestito: “Caript”, “Banca di Pistoia”, “BCC Valdinievole”, “BCC Vignole”, “BCC Masiano”, “BCC Montagna Pistoiese”, “BCC Pescia”;



Concesso = variabile qualitativa dicotomica. Assume valore pari a “TRUE” se il prestito è stato concesso, “FALSE” se non è stato erogato.

60

Anche in questo data set sono state eliminate alcune variabili. “Richiedente”, la variabile che indica il nome del soggetto, è esclusa dall’analisi perché è un dato sensibile e non necessario. Stessa operazione viene fatta per le variabili “DataConcessionePrestito”, perché l’analisi è effettuata per l’intero periodo 2010-2011, e “Banca”, poiché non è importante sapere quale l’istituto di credito ha concesso il microcredito.

Quindi, il data set PRESTITI modificato ha 236 osservazioni e le 5 variabili di seguito indicate: 

PrestitoN;



DurataPrestito;



AmmontarePrestito;



FinalitàPrestito;



Concesso.

Per lo svolgimento dell’analisi, i due data set, RICHIEDENTI e PRESTITI, verranno

importati nel software statistico R e, successivamente, saranno uniti in un unico data set, indicato con il nome “MICROCREDITO”. Questa unione è stata resa possibile dal confronto tra il numero progressivo assegnato ai richiedenti nel corso della 1a fase, che nel data set RICHIEDENTI è indicato dalla variabile ID, e la variabile PrestitoN del data set PRESTITI. È stata definita, a tal proposito, una nuova variabile, che chiameremo “Flag”. Questa assume un valore pari ad 1, se è possibile trovare una coincidenza tra la variabile “ID” e la variabile “PresitoN”, altrimenti un valore pari a 0 (Figura 3.4).

1a Fase Raccolta delle richieste presso i centri di ascolto e successivi colloqui per verificare l’idoneità della domanda alle caratteristiche del microcredito.

Richiesta Non Idonea

Richiesta Idonea

2a Fase Il Comitato di Valutazione decide se le domande sono da finanziare o meno.

Figura 3.4 Creazione della variabile “Flag”.

61

Creazione della variabile “Flag”

La “Flag”, quindi, indica se il richiedente, dopo aver effettuato i colloqui presso i centri di ascolto, è stato ritenuto “idoneo” alla seconda fase del processo o “non idoneo”, quindi respinto.

Il risultato di questa unione è il data set MICROCREDITO formato da 362 osservazioni e 15 variabili. Le osservazioni sono 362 perché sono le stesse del data set RICHIEDENTI, in quanto quest’ultimo è più grande di PRESTITI, che è un sottoinsieme dello stesso. Le variabili, invece, sono le seguenti: 

Flag;



ID;



Tipologia;



Età;



Sesso;



Cittadinanza;



NazioneProvenienza;



StatoCivile;



NumeroFigli;



StatoOccupazionale;



PrestitoN;



DurataPrestito;



AmmontarePrestito;



FinalitàPrestito;



Concesso.

La variabile “PrestitoN”, assumendo gli stessi valori della variabile “ID” quando i

centri di ascolto valutano “idonea” la richiesta di microcredito al termine dei colloqui, viene eliminata. Avremo, quindi, 14 variabili finali.

Nella fase intermedia tra il 2° e il 3° step del processo di raccolta e valutazione delle richieste di microcredito, come descritto in precedenza, sarà creato il data set PRESTITI e il Comitato di Valutazione prenderà una decisione in merito a ciascuna richiesta. Questa decisione è indicata, nello stesso database, con la variabile “Concesso”. Per facilità di trattazione, questa variabile verrà trasformata in R nella variabile categoriale “Esito”, che assume il valore 1, in caso di erogazione del prestito, 0 altrimenti (Figura 3.5).

62

2a Fase Il Comitato di Valutazione decide se le domande sono da finanziare o meno.

Richiesta Non Idonea

Richiesta Idonea

Creazione della variabile “Esito”

3a Fase Le banche erogano e monitorano i crediti approvati dal Comitato di Valutazione.

Figura 3.5 Creazione della variabile “Esito”.

Dopo la creazione del data set da analizzare, nei seguenti paragrafi verranno illustrate alcune statistiche descrittive, i risultati derivanti dall’applicazione del modello logistico, semplice e multiplo e la costruzione degli alberi di classificazione.

3.6.1 Alcune analisi descrittive Il data set MICROCREDITO, creato dopo aver importato ed unito in R i data set RICHIEDENTI e PRESTITO, è l’oggetto della nostra analisi.

Per trattare più agevolmente alcune variabili categoriali con k modalità, si è proceduto alla trasformazione delle stesse in variabili qualitative dicotomiche, o dummy. Nel dettaglio: 

“Cittadinanza” è stata trasformata nella variabile “cittadinanza”, la quale assume un valore pari a 1, se il richiedente ha la cittadinanza italiana, 0 altrimenti;



“NazioneProvenienza” è stata trasformata nella variabile “nazione”, la quale assume un valore pari a 1, se il soggetto ha nazionalità italiana, 0 in tutti gli altri casi.

La variabile “NumeroFigli” è stata, invece, suddivisa in 3 classi: nella prima classe

troviamo tutte quelle famiglie che hanno al massimo 1 figlio; nella seconda classe ci sono tutti i nuclei famigliari con un numero di figli compreso tra 2 e 3; infine, nella terza classe troviamo tutte le famiglie con più di 4 figli (valore massimo 8).

Sulla base delle richieste raccolte nel biennio 2010-2011, 344 sono microcrediti sociali e solo 18 sono microcrediti all’impresa. Questa carenza di domande da parte di organizzazioni non profit o piccole imprese può dipendere dai canali di raccolta delle richieste. Sarebbe opportuno, quindi, poter collaborare anche con altre associazioni di

63

Tipologia delle richieste Confcommercio, di microcredito raccolte tra il 2010 eper il categoria, come Confartigianato, Confagricoltura, diffondere lo 2011

strumento del microcredito ad una platea diversa da quella che richiede solo credito sociale.

5%

Credito sociale Credito all'impresa

95%

Il collettivo oggetto di studio è formato da 177 femmine e 185 maschi.

Sesso Numero soggetti F 177 M 185 Totale 362

Frequenze percentuali 49% 51% 100%

Dei 362 richiedenti totali, l’85% è italiano e l’87% ha la cittadinanza italiana, nonostante sia un immigrato. Confrontando la nazionalità con il possesso, o meno, della cittadinanza italiana, si evince che solo il 3% circa dei richiedenti proviene da un paese diverso dall’Italia, ma ha la cittadinanza italiana; il 12% proviene da un altro paese europeo o extracomunitario e non ha la cittadinanza italiana; l’84%, invece, è italiano e ha la cittadinanza.

Nazione 0 1 Totale

Cittadinanza 0 1 44 (12%) 9 (3%) 2 (1%) 307 (84%) 46 (13%) 316 (87%)

Totale 53 (15%) 309 (85%) 362 (100%)

L’età media dei richiedenti è pari circa a 49 anni e la maggior parte di essi è coniugata. Inoltre, il 61% dei soggetti ha al massimo 1 figlio a carico.

Un prerequisito importate per l’ottenimento del microcredito è una posizione lavorativa stabile. A tal proposito, 244 richiedenti sono occupati e, se le finalità del loro

64

prestito sono conformi ai principi del microcredito, questi avranno una maggiore probabilità di ottenere il microfinanziamento.

20%

Occupato/a Disoccupato/a

12%

Pensionato/a 68%

Delle 362 domande raccolte tra il 2010 e il 2011, solo 104 sono state esaminate dal Comitato di Valutazione nella 2a fase del processo di raccolta e valutazione delle richieste, perché valutate idonee dai centri di ascolto. Di queste 104, 69 sono state accolte e 35 sono state respinte. Quindi, le banche procederanno all’erogazione di microcrediti per il 66% delle richieste avallate dai volontari dei centri di ascolto.

Esito 0 1 Totale

Numero richieste 35 69 104

Frequenze percentuali 34% 66% 100%

Nella tabella seguente è riportata la distribuzione marginale della variabile “FinalitaPrestito”. Il 74% delle richieste è destinato all’estinzione di debiti arretrati, l’11% è destinato, invece, al pagamento di spese relative all’abitazione, il 7% all’avvio di attività imprenditoriali o manutenzione delle stesse, e solo il 4% dei richiedenti si rivolge al microcredito per il sostenimento di spese mediche.

Finalità del prestito Debiti arretrati Spese relative all’abitazione Spese aziendali o per l’avvito di un’attività Spese mediche non coperte dal SSN Spese di vario genere Spese per studio e formazione dei figli Totale

65

N. richieste 77 11 7 5 2 2 104

Frequenze percentuali 74% 11% 7% 4% 2% 2% 100%

3.6.2 Applicazione del modello logistico ai dati del Sistema Provinciale di Microcredito Pistoiese L’obiettivo dello studio è capire quali e se caratteristiche socio-demografiche (il sesso, l’età, lo stato civile, la cittadinanza italiana, il paese di origine, il numero di figli e l’attuale stato occupazionale) e caratteristiche inerenti al prestito richiesto, possono essere discriminanti sia nella prima fase del processo di raccolta e valutazione delle richieste sia nella fase in cui il Comitato di Valutazione delibera la concessione, o meno, del microprestito. Per fare ciò, applichiamo il modello logistico, al fine di individuare eventuali variabili che incidono sulla decisione di procedere all’erogazione o meno del credito.

La regressione logistica sarà svolta sul data set MICROCREDITO, ma in due momenti diversi: a) i primi modelli logistici semplici e multipli che costruiremo avranno come variabile risposta la variabile “Flag”, ovvero la decisione dei volontari dei centri di ascolto in merito all’idoneità della richiesta di microcredito. L’analisi verrà svolta, quindi, sulle complessive 362 richieste raccolte ed esaminate dai centri di ascolto nel biennio 2010-2011, nel corso della 1a fase del processo. Le variabili considerate per studiare una loro influenza sulla “Flag” saranno: Sesso, Età, Cittadinanza (con modalità 1 se italiana, 0 altrimenti), Nazione (con modalità 1 se “Italia”, 0 altrimenti), StatoCivile, NumeroFigli

(variabile

raggruppata

in

3

classi:

(0,1],

(1,3],

(3,8])

e

StatoOccupazionale; b) passando alla seconda fase del processo di raccolta e valutazione delle richieste, come anticipato nei precedenti paragrafi, le richieste che verranno analizzate dal Comitato di Valutazione sono quelle ritenute idonee dai centri di ascolto, ovvero quelle con la variabile “Flag” uguale a 1, che sono solo 104. I modelli logistici, che costruiremo in questo step, ci aiuteranno a capire quali tra le variabili considerate possono influire sulla decisione del Comitato di accogliere o respingere la richiesta di microcredito. La variabile risposta sarà, perciò, la variabile “Esito”, che assume un valore pari a 1 se la richiesta è accolta, 0 altrimenti. Mentre, le esplicative saranno: Sesso, Età, Cittadinanza, Nazione, StatoCivile, NumeroFigli, StatoOccupazionale e FinalitàPrestito.

Dal momento che i parametri del modello logistico rappresentano le distanze dei logit dal livello di riferimento, per ogni variabile con codifica numerica è stata posta come livello di riferimento la modalità corrispondente al numero più basso (per le variabili

66

Cittadinanza e Nazione è stato scelto il livello “0”, per la variabile NumeroFigli, raggruppata in classi, la prima classe). Per le variabili Sesso, StatoCivile, StatoOccupazionale e FinalitàPrestito, invece, i livelli di riferimento scelti sono: “F”, “Celibe/Nubile”, “Occupato/a” e “DebitiArretrati”.

In R i modelli logistici possono essere costruiti con l’ausilio della seguente istruzione: glm(formula, family = c(Gaussian,binomial,…), data, … )

dove glm (Generalized Linear Models) è una funzione che restituisce in output la descrizione e la stima del modello costruito, formula contiene la variabile risposta e le variabili indipendenti messe in relazione con essa per valutare i loro effetti, family è la distribuzione utilizzata (nel caso di regressione logistica, la sintassi è family=binomial(logit)), data è il data frame contenente i dati sui quali verrà stimato il modello.

I comandi e l’output di ogni modello sono riportati in Appendice A.

a)

1a fase del processo di raccolta e valutazione delle richieste di microcredito: i modelli logistici, semplici e multipli, hanno come variabile risposta la variabile “Flag” (valore pari a 1 se la richiesta è ammessa alla seconda fase del processo di raccolta e valutazione delle richieste, 0 altrimenti).

Per prima cosa andiamo a costruire i modelli logistici semplici. Le esplicative saranno

considerate una alla volta per studiare il singolo effetto di ognuna sulla variabile risposta.

Nella Tabella 3.1 sono riportati i risultati del confronto tra ogni modello con una sola esplicativa e il modello avente la sola intercetta.

Variabile esplicativa inserita nel modello Sesso Età Cittadinanza Nazione StatoCivile NumeroFigli StatoOccupazionale

Gradi di libertà 1 1 1 1 4 2 2

Differenza devianze 0.1850 3.7788 3.6045 1.1693 1.1121 4.0575 9.2722

p-value 0.6671 0.0519 0.0576 0.2795 0.8923 0.1315 0.0097

Tabella 3.1 Confronto tra i modelli logistici semplici con una sola esplicativa e variabile risposta “Flag” e il modello con la sola intercetta (data set “MICROCREDITO”).

67

Nella prima colonna della Tabella 3.1 troviamo la variabile esplicativa considerata in ciascun modello logistico semplice. Nella seconda colonna sono riportati i gradi di libertà relativi alla statistica test G2, nota come devianza del modello, la quale consente di effettuare un confronto tra un modello ridotto e un modello saturo. Il test G2 si distribuisce con una  2 con un numero di gradi di libertà pari ad 1, se la variabile in questione è continua (variabile Età), o pari a ( p  1) , se la variabile è categoriale (Sesso, Cittadinanza, Nazione, StatoCivile, NumeroFigli, StatoOccupazionale), dove p sono i livelli della variabile in esame. Per maggiori dettagli circa la costruzione e lo studio della statistica test G2 si veda Stanghellini (2009). Nella terza colonna della tabella è riportata la differenza tra la devianza del modello con la sola intercetta, pari a 434.19 e con 361 gradi di libertà, e la devianza del modello con un’esplicativa alla volta. Infine, nell’ultima colonna è indicato, per ogni modello costruito, il p-value29 della devianza G2, distribuita con una  2 con un numero di gradi di libertà pari ai valori riportati nella seconda colonna della Tabella 3.1.

Come si può notare, le variabili Età, Cittadinanza e, soprattutto, StatoOccupazionale, con modalità “Disoccupato/a” e “Pensionato/a” sono significative (si veda Appendice A). La modalità “Occupato/a” della variabile StatoOccupazionale è posta come livello di riferimento. Riteniamo, perciò, che possono essere ritenute rilevanti ai fini della decisione presa dal centro di ascolto in merito a ciascuna domanda. Una richiesta presentata da un soggetto privo di una posizione lavorativa o con età avanzata ha una maggiore probabilità di essere accolta rispetto all’analoga probabilità di una domanda proveniente da un lavoratore o da una persona giovane.

Dopo aver costruito modelli logistici semplici per ogni variabile, si passa alla regressione logistica multipla per studiare come le variabili indipendenti influenzano congiuntamente la variabile risposta “Flag”. Il modello stimato è il seguente: modello=glm(Flag~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli+ StatoOccupazionale, family=binomial(logit),data=microcredito).

Dall’output, riportato nella Tabella 3.2, le uniche variabili che hanno un p-value significativo o, comunque, prossimo al valore di α = 0.05 sono: Cittadinanza, NumeroFigli, in particolare la classe (1,3], e la variabile StatoOccupazionale, con modalità 29

Il p-value α è il livello di significatività osservato ed è la misura di evidenza contro l’ipotesi nulla H0 studiata.

Ponendo il valore di α, per convenzione, pari a 0.05, se il p-value della statistica test in esame è minore di 0.05, si rifiuta l’ipotesi nulla H0; per valori del p-value maggiori 0.05, viene accettata l’ipotesi nulla H0.

68

“Disoccupato/a”.

Variabile esplicative del modello logistico multiplo Sesso (modalità ‘M’) Età Cittadinanza Nazione StatoCivile (modalità ‘Coniugato/a’) StatoCivile (modalità ‘Divorziato/a’) StatoCivile (modalità ‘Separato/a’) StatoCivile (modalità ‘Vedovo/a’) Numero Figli (classe 1-3) Numero Figli (classe 3-8) Stato Occupazionale (modalità ‘Disoccupato/a’) Stato Occupazionale (modalità ‘Pensionato/a’)

βk 0.109416 0.008156 1.293906 -0.775608 -0.213192 0.104457 -0.166462 -0.209016 0.504545 0.417034 0.786761 0.383428

p-value 0.66397 0.51704 0.08940 0.26276 0.53232 0.83557 0.69137 0.71145 0.05697 0.52971 0.02369 0.34882

Tabella 3.2 Risultati del modello logistico multiplo con variabile risposta “Flag” (data set “MICROCREDITO”).

Nella prima colonna della Tabella 3.2 sono riportate le variabili esplicative del modello logistico multiplo. Per quanto riguarda le variabili categoriali con due o più modalità (Sesso, Cittadinanza, Nazione, StatoCivile, StatoOccupazionale), non sono stati riportati i valori del livelli di riferimento (rispettivamente: “F”, “0”, “0”, “Celibe/Nubile”, “Occupato/a”). Lo stesso vale per la variabile NumeroFigli, per la quale la classe di riferimento (0,1] non è presente nella Tabella 3.2. Questo perché i coefficienti βk di ogni variabile esplicativa possono essere interpretati, nell’ambito del modello logistico, in termini di logaritmi di odds ratio OR (Stanghellini (2009)).

In merito alle variabili con un p-value significativo, il coefficiente della variabile Cittadinanza vale 1.293906 e, essendo dicotomica, il livello di riferimento per questa variabile è la modalità “0” (cittadinanza non italiana). L’OR corrispondente sarà dato da e1.293906  3.65 . Tale valore indica che la probabilità di accettazione presso i centri di ascolto

delle domande presentate da soggetti aventi la cittadinanza italiana, a parità di condizioni con le altre variabili, è maggiore dell’analoga probabilità di chi presenta la domanda, ma non è in possesso della cittadinanza italiana. Se ripetiamo lo stesso procedimento per la variabile NumeroFigli, in particolare la classe (1,3], con livello di riferimento la classe (0,1], il coefficiente è 0.504545 e l’OR sarà dato da e0.504545  1.66 . Il valore dell’OR ottenuto indica che la probabilità di accettazione, da parte dei centri di ascolto, di una domanda il cui

69

richiedente ha 2 o 3 figli è maggiore rispetto alla stessa probabilità di chi ha al massimo un figlio, a parità di condizioni con le altre esplicative. Infine, per la variabile StatoOccupazionale, con modalità “Occupato/a” posta come livello di riferimento, il coefficiente corrispondente alla modalità “Disoccupato/a”, che risulta significativa nel modello logistico costruito, è pari a 0.786761. Un OR pari a e0.786761  2.19 indica che la probabilità per una domanda di essere accettata nel corso della 1a fase del processo di raccolta e valutazione è maggiore se il richiedente è disoccupato rispetto all’analoga probabilità di chi è occupato, a parità di condizioni con le altre variabili.

L’obiettivo di ogni analisi statistica è, però, individuare un modello composto dall’insieme k di variabili più parsimonioso nella classe di modelli che spiegano in modo adeguato i dati osservati. A tal proposito, per selezionare il miglior insieme di variabili esplicative, abbiamo utilizzato la procedura incrementale “backward” che, passo dopo passo, elimina dal modello con tutte le covariate il parametro βk con il p-value più elevato (Stanghellini (2009)). Partendo, quindi, dal modello logistico multiplo sopra costruito, abbiamo eseguito in R il seguente comando: modfinale = stepAIC (modello, direction = “backward”, test = “Chisq”).

La funzione stepAIC esegue la procedura incrementale definita dall’attributo direction = “”, che nel nostro caso è appunto backward. “modello” è il nome del modello

logistico

multiplo

costruito

con

tutte

le

covariate.

L’attributo

test = “Chisq”, invece, indica che per verificare l’ipotesi di significatività del modello ridotto confrontato con il modello ridotto ottenuto al passo precedente, verrà calcolata la statistica test G2, che si distribuisce con una χ2 con un numero di gradi di libertà pari alla differenza dei g.d.l. dei due modelli.

Riportiamo nella seguente tabella l’output della procedura backward che restituisce come modello ridotto più parsimonioso quello avente le sole variabili esplicative Cittadinanza e StatoOccupazionale.

70

Modello Mod.Base -StatoCivile -Sesso -Età -Nazione -NumeroFigli

g.d.l.

4 1 1 1 2

Devianze 416.65 417.40 417.55 417.86 418.92 422.87

Diff. devianze 0.7578 0.1433 0.3118 1.0599 3.9557

AIC 442.65 435.40 433.55 431.86 430.92 430.87

Tabella 3.3 Risultati della procedura backward applicata al modello logistico multiplo con variabile risposta “Flag” (data set “MICROCREDITO”).

La prima colonna della tabella contiene le variabili esplicative rimosse dal modello completo ad ogni passo della procedura backward: al primo passo viene eliminata la variabile StatoCivile, al secondo la variabile Sesso, e così via. La seconda e la terza colonna riportano, rispettivamente, il numero dei gradi di libertà relativi ad ogni variabile e le devianze del modelli ridotti, stimati step-by-step. La colonna “Diff. devianze” contiene le differenze tra la devianza di ogni modello ridotto stimato e la devianza del modello ridotto stimato al passo precedente. Nell’ultima colonna della tabella, infine, è riportato il valore della grandezza AIC, nota come “criterio di informazione di Akaike” (Stanghellini (2009)).

Verrà selezionato il modello con il più piccolo valore di tale grandezza AIC. Nel nostro caso, il modello ridotto reputato migliore nella classe di modelli che spiegano bene i dati è quello avente il valore dell’AIC pari a 430.87, ovvero il modello: modfinale = glm(Flag~cittadinanza+StatoOccupazionale, family = binomial(logit), data=microcredito),

dove è significativa la modalità “Disoccupato/a” della variabile Stato Occupazionale (livello di riferimento “Occupato/a”), con un p-value pari a 0.0123, e la modalità “Pensionato/a” della stessa esplicativa, con un p-value di poco superiore al valore di soglia 0.05, poiché pari a 0.0702.

Se decidessimo di effettuare un confronto tra questo modello ridotto, ottenuto dalla procedura backward, e il modello logistico multiplo con tutte le covariate, precedentemente calcolato, il test G2, pari alla differenza delle devianze dei due modelli, condurrà all’accettazione dell’ipotesi nulla. Essendo, infatti, il valore della statistica G2 pari a 6.2286 e il p-value corrispondente pari a 0.7168, ponendo α = 0.05, accetteremo l’ipotesi che il modello migliore è quello ridotto con le sole variabili Cittadinanza e StatoOccupazionale.

71

Questo risultato implica che, nel corso della prima fase del processo di raccolta e valutazione delle richieste di microcredito, potrebbe essere preferito un richiedente disoccupato, o al limite pensionato, rispetto ad un soggetto con una posizione lavorativa stabile. Ciò potrebbe dipendere dal fine sociale dello strumento del microcredito, destinato ad aiutare soggetti in temporanee situzioni di difficoltà economica o privi delle capacità di gestire in modo autonomo le proprie finanze. La variabile StatoOccupazionale non comporta, comunque, atteggiamenti discriminatori da parte dei volontari dei centri di ascolto.

Sebbene la variabile Età possa essere considerata rilevante sulla decisione dei volontari dei centri di ascolto solo se considerata separatamente dalle altre esplicative, i risultati dei modelli logistici semplici e del modello logistico multiplo ottenuto dalla procedura backward sembrano coincidere. Le variabili Cittadinanza e StatoOccupazionale sono, infatti, le più importanti. In particolare, in entrambe le tipologie di modelli logistici, le modalità “Disoccupato/a” e “Pensionato/a” della variabile StatoOccupazionale sono particolarmente significative rispetto a tutte le altre, sia se considerate da sole, sia se considerate congiuntamente. b) 2a fase del processo di raccolta e valutazione delle richieste di microcredito: i modelli logistici, semplici e multipli, hanno come variabile risposta la variabile “Esito” (valore pari ad 1 se il microcredito verrà concesso, 0 altrimenti).

Si procede, ora, alla ripetizione delle operazioni appena svolte, analizzando il campione di 104 unità, ovvero quelle con “Flag” pari ad 1, ottenuto dal passaggio dalla 1a alla 2a fase del processo di raccolta e valutazione delle richieste.

Costruiamo la Tabella 3.4, dove riportiamo i risultati del confronto tra il modello con l’intercetta e il modello con una sola variabile esplicativa e variabile risposta “Esito”.

Variabile esplicativa inserita nel modello Sesso Età Cittadinanza Nazione StatoCivile NumeroFigli StatoOccupazionale FinalitàPrestito

Gradi di Differenza libertà devianze 1 2.1315 1 0.0349 1 0.0565 1 0.3790 4 0.9041 2 3.4630 2 2.8346 5 8.4868

p-value 0.144 0.852 0.812 0.538 0.924 0.177 0.242 0.131

Tabella 3.4 Confronto tra modelli logistici semplici e modello con l’intercetta (data set “MICROCREDITO”).

72

Sulla base dei dati presenti nella Tabella 3.4, nessuna variabile è particolarmente significativa. Nessuna informazione, fra quelle a disposizione, implica comportamenti discriminatori da parte dei soggetti facenti parte del Comitato di Valutazione. Si preferisce, a tal proposito, il modello con la sola intercetta. Questo risultato è interessante perché potrebbe indicare che nessuna variabile, considerata da sola, incide sulla decisione presa dai membri del Comitato di Valutazione.

Se costruiamo il modello logistico multiplo, nel quale tutte le variabili esplicative sono considerate congiuntamente, mod=glm(Esito~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli+ StatoOccupazionale+FinalitaPrestito, family=binomial(logit)),

si evince, invece, che la modalità “Pensionato/a” della variabile StatoOccupazionale, con un p-value pari a 0.0373, può essere una caratteristica rilevante ai fini della valutazione della richiesta. Il valore del coefficiente relativo alla modalità “Pensionato/a” della variabile StatoOccupazionale è -1.79574. Il suo OR corrispondente, ponendo come livello di riferimento la modalità “Occupato/a”, è pari a e1.79574  0.17 e sta ad indicare che, a parità di condizioni con le altre variabili esplicative, la probabilità di erogazione del microcredito nel caso di un soggetto “Pensionato/a” è di poco maggiore all’analoga probabilità di un soggetto “Occupato/a”.

Questo risultato è, però, discordante con quelli ottenuti dalla stima dei modelli logistici semplici. Dalla costruzione dei modelli con una sola esplicativa alla volta, infatti, nessuna variabile è risultata significativa. Per questo, per cercare di giungere a conclusioni simili, anche per la seconda fase del processo di raccolta e valutazione delle richieste, applichiamo la procedura incrementale backward. L’intento è quello di trovare l’insieme delle k covariate più parsimonioso.

Il modello di partenza è il modello logistico multiplo appena costruito, con variabile risposta “Esito” e variabili esplicative: Sesso, Età, Cittadinanza, Nazione, StatoCivile, NumeroFigli, StatoOccupazionale e FinaliàPrestito. Passo dopo passo verrà eliminato dalla procedura backward il paramentro βk con il p-value più elevato. I risulati della procedura sono riportati nella Tabella 3.5:

73

Modello Mod.Base -StatoCivile -Cittadinanza -Nazione -Età

g.d.l.

4 1 1 1

Devianze 109.86 110.85 110.86 111.19 112.68

Diff. devianze 0.9878 0.0039 0.3371 1.4907

AIC 145.86 138.85 136.86 135.19 134.68

Tabella 3.5 Risultati della procedura backward applicata al modelo logistico multiplo con variabile risposta “Esito” (data set “MICROCREDITO”).

Come descritto precedentemente per la Tabella 3.3, la prima colonna contiene le variabili esplicative rimosse dal modello logistico multiplo ad ogni passo della procedura backward. La seconda e la terza colonna riportano, rispettivamente, il numero dei gradi di libertà relativi ad ogni variabile e le devianze del modelli ridotti. La colonna “Diff. devianze” contiene le differenze tra la devianza di ogni modello ridotto stimato e la devianza del modello ridotto stimato al passo precedente. Nell’ultima colonna della tabella, infine, è riportato il valore della grandezza AIC. Da questa procedura, il modello ridotto reputato migliore nella classe di modelli che spiegano bene i dati è quello avente il valore dell’AIC pari a 134.68, ovvero il modello: modfinale_2 = glm(Esito~Sesso + NumeroFigli

+ Stato Occupazionale +

FinalitaPrestito, family=binomial(logit), data=microcredito),

composto dalle sole variabili esplicative Sesso, NumeroFigli, StatoOccupazionale e FinalitàPrestito.

La modalità “M” della variabile Sesso e la modalità “Pensionato/a” della variabile StatoOccupazionale hanno un p-value di poco superiore al valore di soglia 0.05, rispettivamente pari a 0.0781 e 0.0879. Possono essere considerate, nonostante ciò, significative ai fini dell’analisi e, quindi, potrebbero essere congiuntamente influenti sulla decisione del Comitato di Valutazione presa nel corso della seconda fase del processo di raccolta e valutazione delle richieste di microcredito.

Se volessimo effettuare un confronto tra questo modello ridotto ottenuto dalla procedura backward e il modello logistico multiplo completo, chiamato mod, è necessario osservare il p-value della statistica test G2, distribuita con una χ2 con 7 gradi di libertà. Il valore del p-value è pari a 0.9012 ed essendo maggiore di α = 0.05 conduce all’accettazione dell’ipotesi nulla, ovvero l’ipotesi che il modello più parsiomonioso è quello ridotto con le

74

sole variabili esplicative: Sesso, NumeroFigli, StatoOccupazionale e FinalitàPrestito.

I risultati ottenuti dalla stima dei modelli logistici semplici e dal modello logistico multiplo avuto dall’applicazione della procedura backward non coincidono. Ogni variabile considerata separatamente dalle altre non ha alcuna influenza sulla variabile risposta “Esito”; se sono considerate congiuntamente, a parità di condizioni, sono rilevanti la modalità “M” della variabile Sesso (modalità “F” come livello di riferimento) e la modalità “Pensionato/a” della variabile StatoOccupazionale (modalità “Occupato/a” come livello di riferimento).

3.6.3 Applicazione pratica degli alberi di classificazione ai dati del Sistema Provinciale di Microcredito Pistoiese Dopo aver svolto l’analisi dei modelli di regressione logistica, procediamo con una classificazione dei soggetti sulla base delle variabili presenti nel data set MICROCREDITO. Questo è possibile grazie alla costruzione degli alberi di classificazione.

Il package in R per costruire i classification tree è RPART, mentre l’algoritmo implementato nel software statistico è CART (Classification And Regression Tree).

L’algoritmo parte dai dati raggruppati nel nodo radice, o root node, posizionato in alto, e ad ogni passo, in seguito ad una ricerca fra tutte le possibili suddivisioni, viene selezionato lo split migliore, ossia quella condizione che genera rami il più possibile omogenei tra loro secondo l’indice di impurità di Gini, presentato nel paragrafo 3.5. Dopo aver individuato la divisione migliore per il root node, l’algoritmo ripete il processo di ricerca per ogni nodo dell’albero, continuando a bipartire fino a quando non è più possibile.

Nel contesto dell’analisi dei dati del Sistema Provinciale di Microcredito Pistoiese, sono stati costruiti due alberi di classificazione. I comandi eseguiti in R sono riportati nell’Appendice B. Il

primo

è

ottenuto

implementando

l’algoritmo

CART

sul

data

set

“MICROCREDITO”, composto da tutte le 362 osservazioni. Quindi, la classificazione dei soggetti sarà effettuata per verificare in che modo le variabili incidono sulla scelta dei centri di ascolto. La variabile risposta sarà “Flag”.

Si costruisce l’albero di classificazione avvalendosi della seguente istruzione: albero=rpart(Flag~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli+StatoOc cupazionale, method="class", data=microcredito);

75

l’output ottenuto è > albero n= 362 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 362 104 0 (0.7127072 0.2872928) 2) StatoOccupazionale=Aoccupato/a 244 58 0 (0.7622951 0.2377049) 4) figli=[0,1] 153 30 0 (0.8039216 0.1960784) * 5) figli=(1,3],(3,8] 91 28 0 (0.6923077 0.3076923) 10) Eta>=46.5 42 9 0 (0.7857143 0.2142857) * 11) Eta< 46.5 49 19 0 (0.6122449 0.3877551) 22) StatoCivile=Coniugato/a,Vedovo/a 33 9 0 (0.7272727 0.2727273) * 23) StatoCivile=Celibe/Nubile,Divorziato/a,Separato/a 16 6 1 (0.3750000 0.6250000) * 3) StatoOccupazionale=Bdisoccupato/a,Cpensionato/a 118 46 0 (0.6101695 0.3898305) 6) Eta>=79.5 8 1 0 (0.8750000 0.1250000) * 7) Eta< 79.5 110 45 0 (0.5909091 0.4090909) 14) Eta< 74.5 100 37 0 (0.6300000 0.3700000) 28) Eta>=69.5 16 3 0 (0.8125000 0.1875000) * 29) Eta< 69.5 84 34 0 (0.5952381 0.4047619) 58) Eta< 59.5 54 18 0 (0.6666667 0.3333333) 116) figli=[0,1],(3,8] 36 8 0 (0.7777778 0.2222222) * 117) figli=(1,3] 18 8 1 (0.4444444 0.5555556) * 59) Eta>=59.5 30 14 1 (0.4666667 0.5333333) 118) StatoCivile=Coniugato/a,Divorziato/a,Separato/a 21 9 0 (0.5714286 0.4285714) * 119) StatoCivile=Celibe/Nubile,Vedovo/a 9 2 1 (0.2222222 0.7777778) * 15) Eta>=74.5 10 2 1 (0.2000000 0.8000000) *

dove: 

n = 362 è il numero delle osservazioni;



node) è il numero del nodo;



split è la condizione in base alla quale verrà effettuata la bipartizione in ogni nodo dell’albero;



n è la numerosità del nodo;



loss sono le unità mal classificate all’interno di ogni nodo;



yval è l’etichetta assegnata al gruppo maggiormente rappresentato in quel nodo (in questa analisi sarà 1 se il gruppo più numeroso è quello delle richieste accolte, 0 altrimenti);



(yprob) è la probabilità delle unità di essere, rispettivamente, mal classificate o no nel gruppo con maggiore numerosità in ogni nodo.

76

Quando alla fine di ogni nodo è presente il simbolo * significa che quello è un nodo terminale dal quale non ci saranno altre divisioni.

Se creiamo una tabella incrociando i valori reali della variabile “Flag” e i valori predetti dall’albero di classificazione (Tabella 3.6), si evince che l’albero costruito ha una percentuale di errore di classificazione del 24% circa, ottenuta dal rapporto 69 +18 (69 e 18 362 sono i casi mal classificati in ciascuna delle foglie dell’albero, ovvero i nodi che nell’output della procedura rpart di R sono contrassegnati dal simbolo *). Tale percentuale deriva dall’errore commesso dall’albero per aver classificato male unità valutate come “idonee” o “non idonee” al termine della 1a fase del processo di raccolta e valutazione delle richieste. 69 sono le unità classificate come “non idonee” dall’albero di classificazione, anche se sono state accolte nel corso della 1a fase del processo; 18 sono le unità classificate come “idonee” dall’albero, nonostante siano state respinte perché non conformi ai principi del microcredito.

Flag 0 1 Totale

Valori stimati dall’albero di classificazione 0 1 240 (66%) 18 (5%) 69 (19%) 35 (10%) 309 (85%) 53 (15%)

Totale 258 (71%) 104 (29%) 362 (100%)

Tabella 3.6 Errore di classificazione dell’albero di classificazione con variabile risposta “Flag”.

L’albero di classificazione ottenuto è stato omesso non solo perché è difficile da interpretare ma perchè, dopo aver realizzato il grafico relativo al minimo costo-complessità (Figura 3.6), l’albero che classifica meglio le unità sembra essere quello con un numero inferiore di foglie. La Figura 3.6, infatti, ci permette di scegliere un eventuale sotto-albero dell’albero di partenza, perché ritenuto migliore. Lungo l’asse dell’ascisse troviamo i valori del parametro di complessità α, in R chiamato cp, corrispondenti a sotto-alberi con diversi numeri di foglie. Lungo l’asse superiore troviamo numeri di foglie corrispondenti ai diversi sotto-alberi. Lungo le ordinate ci sono, invece, i valori degli error rate calcolati con il processo 10-fold cross-validation, per ognuno dei sotto-alberi considerati. Si sceglie l’albero più piccolo, quindi il più a sinistra possibile, il cui error rate corrispondente sia al di sotto della linea orizzontale tratteggiata.

Dal grafico riportato nella figura seguente, sembra che l’albero migliore sia quello con quattro foglie, in quanto ha il valore dell’error rate più piccolo tra quelli ad di sotto della

77

linea orizzontale.

Figura 3.6 Grafico minimo costo-complessità relativo al primo albero con variabile di classificazione “Flag”.

Si procede così alla "potatura” dell’albero (in inglese pruning). Se osserviamo l’output ottenuto con il comando printcp(albero) in R, che contiene i dettagli del grafico riportato nella Figura 3.6, all’albero con quattro foglie, ossia con tre split, corrisponde un valore cp pari a 0.016026. > printcp(albero) Classification tree: rpart(formula = flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale, data = microcredito, method = "class") Variables actually used in tree construction: [1] Eta figli StatoCivile StatoOccupazionale Root node error: 104/362 = 0.28729 n= 362 1 2 3 4

CP nsplit rel error 0.019231 0 1.00000 0.016026 3 0.94231 0.012821 7 0.87500 0.010000 10 0.83654

La

prima

colonna

xerror 1.0000 1.0577 1.0769 1.1442

della

xstd 0.082783 0.084141 0.084565 0.085939

tabella

contenuta

nell’output

dell’istruzione

printcp(albero) riporta i valori del paramentro cp corrispondenti ad alberi con diversi numeri di foglie. La colonna “nsplit” contiene il numero di suddivisioni relative ad ogni valore del paramentro di complessità cp. Il numero dei split, se sommato ad 1,

78

restituitsce il numero delle foglie dei sotto-alberi ottenuti. Ad esempio, la prima riga definisce l’albero con la sola radice, quindi l’albero con 0 divisioni e con un solo nodo, il root node. La seconda riga della tabella definisce un sotto-albero nel quale è possibile trovare solo 3 split e, quindi, 4 foglie. E così via. Nella terza colonna sono contenuti i “relative error”, dati dal rapporto tra la percentuale dei casi mal classificati in ogni sotto-albero e la corrispondente percentuale calcolata nel root node. Se moltiplichiamo, infatti, l’ultimo valore di tale colonna, 0.83654, per l’errore del nodo radice pari a 0.28729 (nell’output identificato come “Root node error”), si ottiene 0.24 (24%), ovvero la percentuale di errore di classificazione dell’albero con 11 nodi terminali (Tabella 3.6). Nelle ultime due colonne della tabella ottenuta dalla procedura printcp(albero) sono riportati il “Crossvalidation relative error” e l’errore standard corrispondende ad ogni albero.

Osservando la Figura 3.6, quindi, si evince che l’albero migliore è quello con quattro foglie; costruiremo così un sotto-albero fissando, nell’istruzione in R, il parametro cp = 0.016026 (Figura 3.7).

ROOT NODE (0) 258/104 Se StatoOccupazionale = Occupato/a

Se StatoOccupazionale = Disoccupato/a o Pensionato/a

FOGLIA 1 (0)

NODO 1 (0)

186/58

72/46 Se Età >= 80

Se Età < 80

FOGLIA 2 (0)

NODO 2 (0)

7/1

65/45 Se Età < 75

Se Età >= 75

FOGLIA 3 (0)

FOGLIA 4 (1)

63/37

2/8

Figura 3.7 Albero di classificazione con 362 osservazioni e variabile di classificazione “Flag”.

79

Nel root node abbiamo l’insieme completo delle 362 unità. L’etichetta (il numero indicato tra parentesi vicino al numero del nodo o della foglia), come spiegato nel paragrafo 3.5, indica il il gruppo maggiormente rappresentato e, nel nodo radice, assume un valore pari a “0”. Ciò significa che il numero delle richieste che non sono passate alla 2a fase del processo di raccolta e valutazione, quindi quelle con “Flag” pari a 0, è maggiore rispetto a quelle con “Flag” pari ad 1.

Dal root node si ha un primo split. Questa prima suddivisione avviene sulla base delle modalità che assume la variabile “StatoOccupazionale”. Se StatoOccupazionale = “Occupato/a”, otteniamo la prima foglia dell’albero (FOGLIA 1), altrimenti si ha un primo nodo, chiamato NODO 1 (StatoOccupazionale = “Disoccupato/a” o “Pensionato/a”).

In FOGLIA 1 sono classificate 244 unità e l’etichetta della foglia è posta pari a “0”. Il gruppo maggiormente rappresentato, infatti, è quello delle richieste “non indonee”, che sono pari a 186. Significa che, se StatoOccupazionale = “Occupato/a” nella 1a fase del processo di raccolta e valutazione delle domande di microcredito, è maggiore la probabilità che quella richiesta non venga reputata “idonea” per procedere alla 2a fase.

Se StatoOccupazionale = “Disoccupato/a” o “Pensionato/a”, si ottiene il NODO 1.

L’etichetta del corrente nodo è pari a “0”. Quindi, il gruppo maggiormente rappresentato in questo nodo è quello delle richieste con “Flag” = 0 (72 su 108). Essendo un nodo e non una foglia, si ha un’ulteriore suddivisione in base alla variabile “Età”. Se l’età è maggiore od uguale a 80 anni abbiamo la FOGLIA 2, altrimenti avremo il NODO 2, che conduce ad un nuovo split.

In FOGLIA 2, il gruppo più numeroso è quello delle richieste respinte, pari a 7, con “Flag” = 0. Non a caso, l’etichetta assegnata al nodo terminale è “0” e, dato che il numero delle unità è contenuto, non è possibile effettuare una nuova divisione delle stesse.

In NODO 2 il gruppo più numeroso è sempre quello delle richieste con “Flag” = 0 e l’etichetta del nodo è “0”. Queste 110 unità verranno, per l’ultima volta, suddivide in base alla variabile “Età”. Tale suddivisione genera due foglie: FOGLIA 3 e FOGLIA 4.

In FOGLIA 3, troviamo tutte le unità con età minore di 75 anni. Di queste, in totale 100, 63 verranno respinte e 37 accolte e valutate idonee per la seconda fase del processo.

L’etichetta della foglia è “0”, in quanto il gruppo più numeroso è quello delle unità “non idonee”.

In FOGLIA 4, invece, sono classificate 10 unità aventi età maggiore od uguale a 75 anni. In questo caso, l’etichetta del nodo terminale è pari ad “1”. Il numero delle richieste

80

giudicate “idonee” è, infatti, maggiore rispetto a quelle non reputate come tali. Anche se il risultato può sorprendere, sovente può capitare che, poiché il soggetto vive in un nucleo familiare dove altre persone producono redditi, vi è una maggiore garanzia di restituzione del prestito e, quindi, che la domanda sia ritenuta “idonea” da parte dei volontari dei centri di ascolto.

A questo punto, se costruiamo un grafico relativo al minimo costo-complessità per l’albero con solo quattro foglie, si nota che non sono possibili delle semplificazioni, in quanto l’albero migliore è quello, appunto, con quattro foglie (Figura 3.8)

Figura 3.8 Grafico minimo costo-complessità relativo all’albero con solo quattro foglie e variabile di classificazione “Flag”.

Dopo aver analizzato gli alberi di classificazione costruiti sulle 362 unità, è stato costruito il classification tree sul campione di 104 unità, quelle con “Flag” = 1, ovvero valutate come “idonee” dai volontari dei centri di ascolto. Percui, i soggetti che verrano classificati sono quelli ammessi alla 2a fase del processo di raccolta e valutazione delle richieste. La variabile risposta sarà, quindi, “Esito”. In R viene utilizzata la seguente istruzione: tree=rpart(Esito~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli2+StatoOc cupazionale+FinalitaPrestito, method="class",data=dati)

che restituisce in output:

81

> tree n= 104 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 104 35 1 (0.33653846 0.66346154) 2) FinalitaPrestito=DebitiArretrati,SpeseAbitazione,SpeseVarie 90 34 1 (0.37777778 0.62222222) 4) StatoOccupazionale=Cpensionato/a 23 11 0 (0.52173913 0.47826087) 8) StatoCivile=Coniugato/a,Divorziato/a,Vedovo/a 13 4 0 (0.69230769 0.30769231) * 9) StatoCivile=Celibe/Nubile,Separato/a 10 3 1 (0.30000000 0.70000000) * 5) StatoOccupazionale=Aoccupato/a,Bdisoccupato/a 67 22 1 (0.32835821 0.67164179) 10) Eta< 45.5 36 15 1 (0.41666667 0.58333333) 20) Sesso=F 18 8 0 (0.55555556 0.44444444) * 21) Sesso=M 18 5 1 (0.27777778 0.72222222) * 11) Eta>=45.5 31 7 1 (0.22580645 0.77419355) * 3) FinalitaPrestito=SpeseAziendali/AvvioAttivita,SpeseMediche,Studio 14 1 1 (0.07142857 0.92857143) *

I nodi contrassegnati dal simbolo * sono i nodi terminali e in questo albero di classificazione sono 6, come è possibile vedere anche dal grafico (Figura 3.9).

Dalla Tabella 3.7 è possibile calcolare l’errore di classificazione dell’albero appena costruito che è pari al 27% circa, ottenuta dal rapporto

12  16 . Tale percentuale deriva 104

dall’errore commesso dall’albero nell’aver classificato male unità accolte e unità respinte dal Comitato di Valutazione. Sedici unità, infatti, sono state classificate come “accolte” dall’albero, nonostante siano state respinte dal Comitato. Mentre 12 unità, accolte dal Comitato, sono state valutate negativamente attraverso l’albero e, quindi, classificate come respinte.

Esito 0 1 Totale

Valori stimati dall’albero di classificazione 0 1 19 (18%) 16 (16%) 12 (12%) 57 (54%) 31 (30%) 73 (70%)

Totale 35 (34%) 69 (66%) 104 (100%)

Tabella 3.7 Errore di classificazione dell’albero di classificazione costruito sulla 104 unità e con variabile di classificazione “Esito”

E’ riportato di seguito il grafico dell’albero di classificazione costruito con variabile risposta “Esito”.

82

ROOT NODE (1) 35/69 Se FinalitàPrestito = Spese Aziendali/AvvioAttivita, Spese Mediche o Studio

Se FinalitàPrestito = DebitiArretrati, SpeseAbitazione o SpeseVarie

NODO 1 (1)

FOGLIA 1 (1)

34/56

1/13

Se Stato Occupazionale = Pensionato/a

Se Stato Occupazionale = Occupato/a o Disoccupato/a

NODO 2 (0)

NODO 3 (1)

12/11

22/45

Se StatoCivile= Coniugato/a, Divorziato/a, Vedovo/a

Se StatoCivile= Celibe/Nubile, Separato/a

Se Età < 46

Se Età >= 46

FOGLIA 2 (0)

FOGLIA 3 (1)

NODO 4 (1)

FOGLIA 4 (1)

9/4

3/7

15/21

7/24

Se Sesso = F

Se Sesso = M

FOGLIA 5 (0) FOGLIA 6 (1) 10/8

5/13

Figura 3.9 Albero di classificazione costruito per classificare le 104 osservazioni sulla base della variabile “Esito”

83

Nel root node ci sono tutte le 104 unità, ossia quelle valutate come idonee dai volontari dei centri di ascolto, quindi con “Flag” pari ad 1. Dato che l’etichetta attribuita al nodo radice ha un valore “1”, il gruppo maggiormente rappresentato è quello delle unità che saranno accolte dal Comitato di Valutazione, 69 su 104.

Dal root node si ha una prima suddivisone in base alla variabile “FinalitàPrestito”.

Da questo split abbiamo un primo nodo (NODO 1) ed una prima foglia dell’albero (FOGLIA 1).

In FOGLIA 1 troviamo le 14 unità che hanno fatto richiesta di microcredito per i seguenti tre motivi: spese aziendali o avvio di una micro attività, spese mediche o spese per gli studi scolastici. Il gruppo maggiormente rappresentato è quello delle richieste accolte (13). Infatti, l’etichetta della corrente foglia è “1”.

Nel NODO 1, invece, sono classificate tutte le richieste finalizzate a: pagamento di debiti pregressi, spese abitazione o spese varie. Il gruppo più numeroso è quello delle richiesta accolte (etichetta pari ad 1), che sono 56 contro le 34 non accolte. Questo risultato protrebbe indicare che il Comitato di Valutazione è più propenso ad erogare prestiti a chi deve sanare un debito passato, ma non molto elevato, oppure a chi deve sostenere delle spese per l’abitazione. Dal NODO 1 abbiamo una seconda suddivisione dell’albero di classificazione, effettuata in base alla variabile “StatoOccupazionale”. Da questo split abbiamo due ulteriori nodi: il NODO 2, che contiene tutti i soggetti pensionati, e il NODO 3, contenente tutti soggetti occupati o disoccupati.

Nel NODO 2 il gruppo maggiormente rappresentato è quello delle richieste non accolte (12 su 23); mentre nel NODO 3 l’etichetta è “1”. Ciò implica che vi è una maggiore probabilità che la domanda presentata o da un soggetto con contratto di lavoro stabile o da un disoccupato venga accolta.

Il NODO 2 e il NODO 3 sono ancora una volta suddivisi.

Dal NODO 2, in seguito alla condizione posta sulla variabile “StatoCivile”, abbiamo due nodi terminali: se lo stato civile del soggetto è “Coniugato/a”, “Divorziato/a” o “Vedovo/a”, il nodo terminale è la FOGLIA 2 con 13 unità, 9 delle quali non saranno accolte; se lo stato civile è “Celibe/Nubile” o “Separato/a”, il nodo terminale è la FOGLIA 3 con 10 unità. Il gruppo maggiormente rappresentato, in questa foglia, è quello delle richieste accolte (7 su 10).

Dal NODO 3 si hanno due diversi risultati: se l’età del soggetto è maggiore o uguale a 46 anni, si ha la FOGLIA 4, costituita da 31 unità e con etichetta pari a “1” (24 su 31 sono

84

le richieste accolte); se il soggetto ha un’età inferiore ai 46 anni, tale condizione genera il NODO 4, dal quale si ha l’ultimo split. A questo punto, le due foglie finali dell’albero, FOGLIA 5 e FOGLIA 6, sono ottenute suddividendo le 36 unità presenti nel NODO 4 in base al “Sesso”. Se le unità sono tutte di sesso femminile, si ottiene la FOGLIA 5, costituita da 18 soggetti e con etichetta pari a “0”. Se le unità sono di sesso maschile, si ha FOGLIA 6 composta da 18 soggetti, dove il gruppo maggiormente rappresentato è quello delle richieste accolte (13 su 18).

Anche per questo albero di classificazione realizziamo il grafico di minimo costocomplessità (Figura 3.10). Tale rappresentazione grafica conduce alla scelta dell’albero composto dal solo nodo radice, in quanto l’unico error rate al di sotto della linea tratteggiata è quello relativo all’albero con il solo root node. Questo potrebbe significare che nessuna variabile classifica in modo corretto i soggetti richiedenti, ad eccezione della variabile “Esito”, posta come oggetto della condizione presente nel nodo radice. Il Comitato di Valutazione, quindi, secondo quanto previsto dall’albero di classificazione, potrebbe non avere alcun comportamento discriminatorio nel corso dell’analisi di ciascuna richiesta.

Figura 3.10 Grafico minimo costo-complessità relativo al secondo albero costruito con variabile di classificazione “Esito”.

3.7

Considerazioni conclusive sull’analisi dati del Sistema Provinciale di Microcredito Pistoiese L’applicazione del modello logistico sui dati del Sistema Provinciale di Microcredito

Pistoiese, inerenti alle richieste raccolte nel biennio 2010-2011, ha reso possibile lo studio

85

delle variabili esplicative e della loro influenza sulla variabile risposta. Nel nostro contesto, l’intenzione è stata quella di capire se il sesso, l’età, la cittadinanza italiana o straniera, il paese di provenienza, il numero dei figli a carico, lo stato civile, lo stato occupazionale e le finalità della domanda, abbiano o meno importanza sulle decisioni prese dai volontari del centri di ascolto e, in seguito, dal Comitato di Valutazione.

Le conclusioni ottenute ci hanno portato ad affermare che, nel corso della 1a fase del processo di raccolta e valutazione delle richieste, soltanto le modalità “Disoccupato/a” e “Pensionato/a” della variabile StatoOccupazionale possono giocare un ruolo importante sulla decisione presa dai centri di ascolto. Questo risultato è ottenuto sia se consideriamo la variabile in questione separatamente dalle altre, con la costruzione dei modelli logistici semplici, sia nel caso in cui vogliamo valutare l’effetto congiunto di tutte le covariate sulla variabile risposta “Flag”, con il modello logistico multiplo ottenuto dalla procedura backward. Alla luce di ciò, riteniamo che un soggetto inoccupato o pensionato potrebbe avere una maggior probabilità di essere giudicato idoneo alla seconda fase del processo di raccolta e di valutazione delle richieste. Ciò possiamo interpretarlo come una conseguenza del potenziale sociale dello strumento del microcredito, destinato ad aiutare chi si trova in situazioni economiche svantaggiate o chi non è in grado di gestire in modo responsabile le proprie finanze.

La variabile StatoOccupazionale si trova anche nell’albero di classificazione costruito nella stessa prima fase del processo di raccolta e valutazione delle richieste di microcredito.

Nel dettaglio, è la variabile in base alla quale viene eseguita la suddivisione del root node.

Le 362 unità del campione oggetto di studio verrano suddivise in due sotto-campioni: nel primo troviamo tutti soggetti aventi una posizione lavorativa stabile; nel secondo saranno collocati tutti i soggetti disoccupati e pensionati. Quest’ultimi hanno una maggior probabilità di essere valutati idonei ai principi del microcredito. Si avranno così due ulteriori sottocampioni ottenuti in base alle condizioni poste sulla variabile Età. Se osserviamo, infatti, la Figura 3.7, un eventuale beneficiario potrebbe essere un soggetto disoccupato o pensionato con età compresa tra i 75 e gli 80 anni. Risultato piuttosto sorprendente, soprattutto se consideriamo l’età troppo avanzata come un eventuale fattore di rischio.

Se ci spostiamo nella seconda fase del processo di raccolta e valutazione delle richieste di microcredito, abbiamo deciso di interpretare l’albero di classificazione piuttosto che i risultati del modello logistico. Questo perché gli alberi sono uno strumento di più facile

86

comprensione e consentono di delineare un eventuale “profilo-tipo” del soggetto beneficiario di un microcredito.

Osservando la Figura 3.9, le 104 unità valutate come idonee dai volontari dei centri di ascolto, ovvero quelle con la variabile “Flag” = 1, vengono suddivise inizialmente in due sotto-campioni in base alla variabile FinalitàPrestito. Riteniamo che le richieste finalizzate al pagamento di spese mediche, spese scolastiche o spese per l’avvio o la gestione di un’attività, hanno una maggior probabilità di essere accolte “in prima battuta” rispetto a quelle destinate al pagamento di debiti arretrati, spese per l’abitazione o spese di vario genere. Quest’ultime, infatti, vengono ulteriormente suddivise in base alla variabile StatoOccupazionale e, in seguito, in base alle variabili StatoCivile, Età e Sesso, prima di essere definitivamente accolte o respinte.

Le finalità del prestito sono un elemento importante da valutare, perché alcuni soggetti potrebbero essere più bisognosi di altri. Per quanto concerne lo stato civile, invece, l’essere coniugati o conviventi è una peculiarità importante, in quanto assicura maggiori entrate economiche nel nucleo familiare del soggetto che ha richiesto un microcredito. La variabile Età, infine, conduce a reputare idonee, rispetto ad altre, le richieste presentate da soggetti giovani piuttosto che anziani. Questo perché un soggetto di età avanzata non è l’ideale destinatario di un prestito, sia perché potrebbe compiere delle scelte finanziarie in modo poco responsabile, sia per il rischio di una sua improvvisa scomparsa, molto più elevato rispetto al rischio analago di una persona più giovane.

Pertanto, mettendo a confronto gli alberi di classificazione ottenuti nella prima e nella seconda fase del processo di raccolta e valutazione delle richieste, il Comitato di Valutazione ha criteri discordanti dai volontari dei centri di ascolto. Quest’ultimi sembra privilegiano gli anziani, i quali saranno però “fermati” alla fase successiva del processo, nel corso della decisione di erogazione o meno del microcredito.

Dalla classificazione avuta dalla costruzione dell’albero rappresentato in Figura 3.9, un eventuale profilo “ottimale” potrebbe essere quello corrispondente ad un soggetto avente le seguenti caratteristiche: il richiedente è di sesso maschile con età inferiore ai 46 anni, disoccupato o occupato e che necessita di un microprestito per saldare debiti arretrati o per pagare spese relative alla propria abitazione o spese di vario genere. È possibile giungere a questa conclusione seguendo il percorso che conduce il nodo radice alla FOGLIA 6, individuato nella Figura 3.9.

87

Il Sistema Provinciale di Microcredito Pistoiese, spinto dal bisogno di ritrovare la solidarietà e la voglia di aiutarsi a vicenda in momenti critici per l’economia e la società del paese, è un valido progetto degno del ruolo che riveste nel panorama nazionale e internazionale. I partner coinvolti valutano con attenzione tutte le richieste, cercando di cogliere i motivi principali che hanno portato ciascun soggetto a richiedere un microprestito.

Tale valutazione è fatta nel rispetto dei principi del microcredito, provvedendo all’erogazione del prestito anche quando, ad esempio, lo stato occupazionale del soggetto non garantisce, in una prima fase di valutazione della richiesta, la restituzione dell’importo concesso.

88

CONCLUSIONI

Il lavoro svolto nell’ambito del progetto “Microcredito Perugia”, nel corso dello stage presso la Fondazione Cassa di Risparmio di Perugia, mi ha permesso di conoscere lo strumento del microcredito e le sue peculiarità. Partecipando attivamente ad ogni fase del processo di raccolta, di valutazione e di erogazione dei microprestiti, ho constatato che è tutt’altro che facile esaminare ogni singola richiesta e captare i veri motivi che hanno spinto il soggetto a rivolgersi a tale iniziativa. Spesso è capitato che molti richiedenti vedessero nel microcredito un mero strumento di beneficienza; altri consideravano il microprestito come una risorsa per garantirsi uno stato di tranquillità e di sicurezza economica in un dato momento.

In realtà, il significato e l’obiettivo del microcredito sono ben altro. L’intento dei vari progetti avviati in Italia e in Europa è, infatti, aiutare un singolo individuo o una microimpresa a fronteggiare un bisogno economico inaspettato attraverso la concessione non solo dell’importo richiesto, ma anche della fiducia che l’ente erogatore ha nei confronti del beneficiario. Questo è uno dei motivi per i quali i sistemi di credit scoring non sono particolarmente diffusi né utilizzati nei contesti della microfinanza e del microcredito.

Data l’impossibilità per la maggior parte dei richiedenti di microcrediti di accedere ai tradizionali circuiti bancari, sono scarse le informazioni circa la storia creditizia passata di questi soggetti o, se presenti, indicano la non affidabilità degli stessi. Visto, inoltre, il potenziale sociale di questo strumento, ciò che conta è stimare e, in seguito, verificare se il microcredito contribuisce al miglioramento delle precarie condizioni di vita del richiedente.

L’intento degli enti erogatori, quindi, non sarà lo stesso degli istituti bancari e finanziari, i quali si avvalgono di tecniche quantitative per valutare il rischio di mancata restituzione del prestito. L’obiettivo dei progetti di microcredito sarà, bensì, capire l’efficacia che il microprestito potrà avere nella vita di quei soggetti che ne hanno beneficiato, siano essi affidabili o meno dal punto di vista creditizio.

Dall’Europa dell’Est a quella occidentale, il “microcredito sociale” e il “microcredito all’impresa” hanno raggiunto ampie fasce della popolazione più svantaggiata. La capillare presenza nel territorio europeo di diversi progetti di microcredito è, quindi, la dimostrazione dell’importanza e dell’efficacia di questo strumento.

89

La grande varietà degli enti coinvolti assicura la possibilità di raggiungere ogni tipologia di beneficiario. In seguito all’assenza di una normativa comunitaria unica in materia, però, i programmi avviati e gli enti che ne fanno parte operano nel rispetto del quadro legislativo del proprio Paese. Questo rende a volte complicato il confronto tra i risultati perseguiti da iniziative di microcredito appartenenti a differenti Stati membri. Sarà diverso, inoltre, anche il target di “clientela” da raggiungere, in quanto alcuni programmi erogano solo “microcrediti sociali”, altri la sola tipologia di “microcrediti alle imprese”, altri ancora operano in entrambi i contesti.

Nonostante questo panorama diversificato, l’Unione Europea si è impegnata nella definizione di iniziative ad hoc per incentivare la nascita e lo sviluppo delle istituzioni di microfinanza. Grazie all’attuazione dei programmi comunitari JASMINE e PROGRESS Microfinance, sono stati messi a disposizione degli istituti di microfinanza europei servizi di assistenza tecnica alla gestione della struttura e adeguate risorse finanziarie.

L’Unione Europea favorisce anche la diffusione di buone pratiche di microcredito per mezzo di seminari, newsletter, workshop, network e conferenze internazionali. Ciò è stato reso possibile con il progetto comunitario CAPIC, co-finanziato dal più ampio progetto PROGRESS. L’azione CAPIC promuove la presenza, nelle iniziative di microcredito, di tre enti differenti per natura e ruoli, al fine di unire le divere competenze e conoscenze e migliorare l’efficacia del progetto. Come validi esempi di applicazione di questo modello operativo, nell’ambito del progetto CAPIC sono state analizzate quattro realtà europee attive nel campo del microcredito orientato al sociale. I risultati delle analisi svolte sono stati presentati nel corso dei tre workshop previsti dall’azione CAPIC e sono stati, in seguito, diffusi per mezzo dei due network europei di microfinanza: EMN (“European Microfinance Network”) e EFIN (“European Financial Inclusion Network”).

Il caso studio italiano del progetto CAPIC è il Sistema Provinciale di Microcredito Pistoiese. Grazie alla presenza della Provincia di Pistoia, degli enti non profit e del sistema bancario locale, il Sistema è ben integrato con il territorio provinciale e raggiunge un’ampia fascia di soggetti che, per iniziare a vivere in condizioni migliori, riconoscono il valore dello strumento del microcredito. I volontari dei centri di ascolto e tutto il personale operativo possiedono una buona formazione e preparazione in materia. Ciò ha garantito un’adeguata valutazione, senza comportamenti discriminatori, per ogni domanda di microcredito.

Nonostante sia stata influenzata da considerazioni soggettive, l’analisi di ogni richiesta ha

90

ostacolato l’accesso al microcredito a tutti quei soggetti privi dei requisiti morali richiesti dai principi del strumento stesso.

Il processo di raccolta e di valutazione delle richieste di microcredito del Sistema Pistoiese è articolato in tre fasi: nella prima si assiste ad una valutazione delle richieste da parte dei volontari dei centri di ascolto e successivi incontri con i richiedenti; nella seconda fase, tutte le richieste valutate idonee ai principi del microcredito nel corso della prima fase sono esaminate da un Comitato di Valutazione, il quale deciderà se “accogliere” o “respingere” la domanda di microcredito; la terza e ultima fase del processo consiste nell’erogazione del microfinanziamento da parte del sistema bancario locale.

Soffermandomi sulla prima e sulla seconda fase del processo di raccolta e di valutazione delle richieste, ho costruito, avvalendomi nel software statistico R, modelli logistici semplici e multipli. Dopo aver definito le variabili dicotomiche “Flag” e “Esito”, che indicano rispettivamente la decisione dei centri di ascolto (prima fase del processo) e quella del Comitato di Valutazione (seconda fase del processo), il ricorso alla regressione logistica è stato utile nell’individuazione di quelle variabili che, da sole o congiuntamente alle altre, hanno una significativa influenza sulle variabili risposta dei modelli creati, ovvero “Flag” e “Esito”.

I risultati ottenuti dall’applicazione di queste tecniche quantitative mi conducono a ritenere che la sola variabile categoriale “StatoOccupazionale” riveste un ruolo significativo in entrambi le prime fasi del processo. In particolare, concentrandomi sul primo step del processo di raccolta e valutazione delle richieste, le modalità “Disoccupato/a” e “Pensionato/a” della variabile in questione sembrano essere influenti sulla variabile “Flag”, sia se consideriamo la variabile StatoOccupazionale da sola sia se considerata congiuntamente alle altre. Questo può essere interpretato facendo riferimento ai fini del microcredito, visto come strumento pronto ad intervenire in situazioni economiche particolarmente disagiate e come forma di aiuto nei confronti di quei soggetti che non sono in grado di gestire in modo responsabile le proprie finanze.

Una migliore interpretazione del ruolo ricoperto dalle caratteristiche dei richiedenti e del peso che ciascuna di queste ha sulle decisioni dei partner del Sistema, è fornita dall’albero di classificazione. Questo strumento versatile delinea vari sottoinsiemi della popolazione di partenza sulla base delle condizioni poste sulle variabili considerate. È stato possibile, così, definire un eventuale profilo del beneficiario-tipo di un microprestito.

91

Focalizzandomi sull’interpretazione dell’albero di classificazione costruito per la seconda fase del processo di raccolta e di valutazione delle richieste, l’intento è stato quello di utilizzare come variabile risposta la variabile “Esito” e capire quali condizioni poste sulle variabili esplicative hanno individuato il “profilo-tipo” del soggetto che ha ottenuto un microprestito. A partire dal nodo radice dell’albero, la popolazione è stata suddivisa ad ogni passo in due sotto-campioni, fino a giungere a vari nodi terminali. Tra questi, quello che classifica le unità in base ad un numero più elevato di condizioni sulle variabili e, quindi, quello che fornisce un raggruppamento dei soggetti più accurato, definisce il seguente profilo-tipo: il richiedente è un soggetto di sesso maschile, con età inferiore ai 46 anni, disoccupato o occupato e che necessita di un microprestito per saldare debiti arretrati o per pagare spese relative alla propria abitazione o spese di vario genere. Se il richiedente presenta queste caratteristiche, dall’interpretazione dell’analisi ritengo che la probabilità che la sua richiesta di microcredito venga accolta è più elevata rispetto all’analoga probabilità di un soggetto che è pensionato.

Il Sistema Pistoiese è un progetto modello per l’intero territorio italiano e europeo, non solo per la presenza della triade di istituzioni che lo gestisce, ma soprattutto per le modalità di valutazione delle domande, di assistenza offerta ai soggetti più prossimi e per l’assenza di comportamenti discriminatori.

La scoperta dello strumento del microcredito mi ha arricchito e resa ancora più sensibile alle problematiche sociali. È sorto così l’interesse nel voler approfondire le conoscenze sul microcredito, non limitandomi però al caso italiano, ma oltrepassando i confini del nostro Paese.

La mia speranza, come quella di esperti in materia, è che il microcredito possa con il tempo accrescere il suo valore sociale e possa riuscire a vincere la sua costante lotta contro la povertà e l’esclusione sociale e finanziaria che, oggi, colpiscono ampie fette della popolazione mondiale.

92

APPENDICE A

REGRESSIONE LOGISTICA IN R > richiedenti = read.csv2(file.choose(),h=T,sep=";",dec=",") #Importazione del data set RICHIEDENTI in R > str(richiedenti) 'data.frame': 362 obs. of 11 variables: $ ID: int 166 170 171 172 173 174 183 184 186 187 ... $ Tipologia: Factor w/ 2 levels "AttivitaImprenditoriale",..: 2 1 2 2 2 2 2 2 2 2 ... $ Eta: int 43 45 42 50 27 46 64 43 71 57 ... $ Sesso : Factor w/ 2 levels "F","M": 2 2 1 2 2 1 1 2 1 2 ... $ Comune: Factor w/ 28 levels "AGLIANA","ALTOPASCIO",..: 19 1 19 17 9 22 19 19 19 27 ... $ Cittadinanza: Factor w/ 18 levels "ALBANIA","BOSNIA-ERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ NazioneProvenienza: Factor w/ 19 levels "ALBANIA","BOSNIAERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ StatoCivile: Factor w/ 5 levels "Celibe/Nubile",..: 2 1 2 2 1 3 1 1 4 2 ... $ NumeroFigli: int 7 0 3 2 0 2 0 0 8 2 ... $ StatoOccupazionale: Factor w/ 3 levels "Aoccupato/a",..: 1 1 1 1 1 1 1 1 3 2 ... $ TipologiaOccupazione: Factor w/ 11 levels "ArtigianiOperaiSpecializzatiAgricoltori",..: 1 6 8 9 11 8 1 1 4 2 ... > richiedenti = richiedenti[,-11] #Eliminazione variabile “TipologiaOccupazione” > richiedenti = richiedenti[,-5] #Eliminazione variabile “Comune” > IDrichiedenti = richiedenti$ID > prestiti = read.csv2(file.choose(),h=T,sep=";",dec=",") #Importazione del data set PRESTITI in R > str(prestiti) 'data.frame': 236 obs. of 5 variables: $ PrestitoN: int 18 19 20 21 22 27 28 29 30 31 ... $ DurataPrestito: int 60 60 60 60 60 60 60 60 36 60 ... $ AmmontarePrestito: int 6000 3000 4500 2000 5000 15000 7000 7000 2500 2000 ... $ FinalitaPrestito: Factor w/ 6 levels "DebitiArretrati",..: 1 2 1 1 3 1 1 2 3 1 ... $ Concesso: int 1 1 1 1 1 1 1 1 1 1 ... > IDprestiti = prestiti$PrestitoN > m = match(IDrichiedenti,IDprestiti) #Con questa istruzione ho trovato una corrispondenza tra gli ID dei due data set importati > prestord = prestiti[m,] > microcredito = cbind(richiedenti,prestord) > str(microcredito) 'data.frame': 362 obs. of 14 variables: $ ID: int 166 170 171 172 173 174 183 184 186 187 ... $ Tipologia: Factor w/ 2 levels "AttivitaImprenditoriale",..: 2 1 2 2 2 2

93

2 2 2 2 ... $ Eta: int 43 45 42 50 27 46 64 43 71 57 ... $ Sesso: Factor w/ 2 levels "F","M": 2 2 1 2 2 1 1 2 1 2 ... $ Cittadinanza: Factor w/ 18 levels "ALBANIA","BOSNIA-ERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ NazioneProvenienza: Factor w/ 19 levels "ALBANIA","BOSNIAERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ StatoCivile: Factor w/ 5 levels "Celibe/Nubile",..: 2 1 2 2 1 3 1 1 4 2 ... $ NumeroFigli: int 7 0 3 2 0 2 0 0 8 2 ... $ StatoOccupazionale: Factor w/ 3 levels "Aoccupato/a",..: 1 1 1 1 1 1 1 1 3 2 ... $ PrestitoN: int 166 170 171 172 173 174 183 NA NA 187 ... $ DurataPrestito: int 60 0 60 60 60 48 60 NA NA 60 ... $ AmmontarePrestito: int 5000 0 7000 1500 5000 6000 5500 NA NA 3000 ... $ FinalitaPrestito: Factor w/ 6 levels "DebitiArretrati",..: 1 1 1 6 3 2 1 NA NA 1 ... $ Concesso: int 1 0 1 1 1 1 1 NA NA 1 ... > attach(microcredito) > Flag = ifelse(is.na(PrestitoN=="NA"),0,1) #Creazione della variabile Flag che assume valore ‘0’ se il soggetto non è presente nel data set PRESTITI, ‘1’ se, invece, è presente > table(Flag) Flag 0 1 258 104

#Frequenze assolute variabile “Flag”

> (table(Flag))/362 Flag 0 1 0.7127072 0.2872928

#Frequenze relative variabile “Flag”

> microcredito = cbind(Flag,richiedenti,prestord) > str(microcredito) 'data.frame': 362 obs. of 15 variables: $ Flag: num 1 1 1 1 1 1 1 0 0 1 ... $ ID: int 166 170 171 172 173 174 183 184 186 187 ... $ Tipologia: Factor w/ 2 levels "AttivitaImprenditoriale",..: 2 1 2 2 2 2 2 2 2 2 ... $ Eta: int 43 45 42 50 27 46 64 43 71 57 ... $ Sesso: Factor w/ 2 levels "F","M": 2 2 1 2 2 1 1 2 1 2 ... $ Cittadinanza: Factor w/ 18 levels "ALBANIA","BOSNIA-ERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ NazioneProvenienza: Factor w/ 19 levels "ALBANIA","BOSNIAERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ StatoCivile: Factor w/ 5 levels "Celibe/Nubile",..: 2 1 2 2 1 3 1 1 4 2 ... $ NumeroFigli: int 7 0 3 2 0 2 0 0 8 2 ... $ StatoOccupazionale: Factor w/ 3 levels "Aoccupato/a",..: 1 1 1 1 1 1 1 1 3 2 ... $ PrestitoN: int 166 170 171 172 173 174 183 NA NA 187 ... $ DurataPrestito: int 60 0 60 60 60 48 60 NA NA 60 ... $ AmmontarePrestito: int 5000 0 7000 1500 5000 6000 5500 NA NA 3000 ... $ FinalitaPrestito: Factor w/ 6 levels "DebitiArretrati",..: 1 1 1 6 3 2 1 NA NA 1 ... $ Concesso: int 1 0 1 1 1 1 1 NA NA 1 ...

94

> microcredito = microcredito[,-11] > attach(microcredito)

#Eliminazione variabile “PrestitoN”

Distribuzione marginale delle variabili nel data set “MICROCREDITO” con 362 osservazioni > table(Sesso) #Distribuzione marginale variabile “Sesso” F M 177 185 > table(Tipologia) #Distribuzione marginale variabile “Tipologia” AttivitaImprenditoriale 18 > summary(Eta) Min. 1st Qu. 22.00 40.00

Median 49.00

Individuo 344 Mean 3rd Qu. 49.45 58.00

Max. 89.00

> figli = cut(intero$NumeroFigli,breaks=c(0,1,3,8), include.lowest=TRUE) #Costruzione delle classi per la variabile “NumeroFigli” > table(figli) #Distribuzione marginale variabile “figli” [0,1] (1,3] (3,8] 221 129 12 > (table(figli))/362 #Frequenze percentuali variabile “figli” [0,1] (1,3] (3,8] 0.61049724 0.35635359 0.03314917 > cittadinanza = ifelse(intero$Cittadinanza=="ITALIA",1,0) #Trasformazione della variabile categoriale “Cittadinanza”, con k modalità, nella variabile dicotomica “cittadinanza”, che assume valore ‘1’, se il soggetto ha la cittadinanza italiana, ‘0’ in caso contrario > table(cittadinanza) #Distribuzione marginale variabile “cittadinanza” 0 1 46 316 > nazione=ifelse(intero$NazioneProvenienza=="ITALIA",1,0) #Trasformazione della variabile categoriale “NazioneProvenienza”, con k modalità, nella variabile dicotomica “nazione”, che assume un valore pari ad ‘1’ se il paese di origine è l’Italia, ‘0’ altrimenti. > table(nazione) #Distribuzione marginale variabile “nazione” 0 1 53 309 > table(StatoCivile) #Distribuzione marginale variabile “StatoCivile” Celibe/Nubile 84

Coniugato/a 162

Divorziato/a 29

95

Separato/a 60

Vedovo/a 27

> table(StatoOccupazionale) #Distribuzione marginale “StatoOccupazionale” Aoccupato/a Bdisoccupato/a 244 44

Cpensionato/a 74

> table(FinalitaPrestito) #Distribuzione marginale “FinalitaPrestito” DebitiArretrati SpeseAbitazione 77 11 SpeseMediche SpeseVarie Studio 5 2 2

SpeseAziendali/AvvioAttivita 7

> Esito = as.factor(microcredito$Concesso) #Creazione variabile “Esito” che vale ‘1’ se il microcredito è stato concesso, ‘0’ altrimenti > microcredito = cbind(microcredito,Esito) > str(microcredito) 'data.frame': 362 obs. of 15 variables: $ Flag: num 1 1 1 1 1 1 1 0 0 1 ... $ ID: int 166 170 171 172 173 174 183 184 186 187 ... $ Tipologia: Factor w/ 2 levels "AttivitaImprenditoriale",..: 2 1 2 2 2 2 2 2 2 2 ... $ Eta: int 43 45 42 50 27 46 64 43 71 57 ... $ Sesso: Factor w/ 2 levels "F","M": 2 2 1 2 2 1 1 2 1 2 ... $ Cittadinanza: Factor w/ 18 levels "ALBANIA","BOSNIA-ERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ NazioneProvenienza: Factor w/ 19 levels "ALBANIA","BOSNIAERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ StatoCivile: Factor w/ 5 levels "Celibe/Nubile",..: 2 1 2 2 1 3 1 1 4 2 ... $ NumeroFigli: int 7 0 3 2 0 2 0 0 8 2 ... $ StatoOccupazionale: Factor w/ 3 levels "Aoccupato/a",..: 1 1 1 1 1 1 1 1 3 2 ... $ DurataPrestito: int 60 0 60 60 60 48 60 NA NA 60 ... $ AmmontarePrestito: int 5000 0 7000 1500 5000 6000 5500 NA NA 3000 ... $ FinalitaPrestito: Factor w/ 6 levels "DebitiArretrati",..: 1 1 1 6 3 2 1 NA NA 1 ... $ Concesso: int 1 0 1 1 1 1 1 NA NA 1 ... $ Esito: Factor w/ 2 levels "0","1": 2 1 2 2 2 2 2 NA NA 2 ... > microcredito = microcredito[,-14] > str(microcredito)

#Eliminazione variabile “Concesso”

'data.frame': 362 obs. of 14 variables: $ Flag: num 1 1 1 1 1 1 1 0 0 1 ... $ ID: int 166 170 171 172 173 174 183 184 186 187 ... $ Tipologia: Factor w/ 2 levels "AttivitaImprenditoriale",..: 2 1 2 2 2 2 2 2 2 2 ... $ Eta: int 43 45 42 50 27 46 64 43 71 57 ... $ Sesso: Factor w/ 2 levels "F","M": 2 2 1 2 2 1 1 2 1 2 ... $ Cittadinanza: Factor w/ 18 levels "ALBANIA","BOSNIA-ERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ NazioneProvenienza: Factor w/ 19 levels "ALBANIA","BOSNIAERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ StatoCivile: Factor w/ 5 levels "Celibe/Nubile",..: 2 1 2 2 1 3 1 1 4 2 ... $ NumeroFigli: int 7 0 3 2 0 2 0 0 8 2 ... $ StatoOccupazionale: Factor w/ 3 levels "Aoccupato/a",..: 1 1 1 1 1 1 1 1 3 2 ...

96

$ DurataPrestito: int 60 0 60 60 60 48 60 NA NA 60 ... $ AmmontarePrestito: int 5000 0 7000 1500 5000 6000 5500 NA NA 3000 ... $ FinalitaPrestito: Factor w/ 6 levels "DebitiArretrati",..: 1 1 1 6 3 2 1 NA NA 1 ... $ Esito: Factor w/ 2 levels "0","1": 2 1 2 2 2 2 2 NA NA 2 ... > attach(microcredito) > table(Esito) #Frequenze assolute della variabile “Esito” 0 1 35 69 > (table(Esito))/104

#Frequenze relative della variabile “Esito”

0 1 0.3365385 0.6634615

Creazione dei modelli logistici semplici > library(MASS) > modinterc = glm(Flag~1,family=binomial(logit),data=microcredito) #Modello con la sola intercetta > modsesso = glm(Flag~Sesso,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “Sesso” > summary(modsesso) Call: glm(formula = Flag ~ Sesso, family = binomial(logit), data = microcredito) Deviance Residuals: Min 1Q Median -0.8400 -0.8400 -0.8051

3Q 1.5576

Max 1.6027

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.9602 0.1680 -5.716 1.09e-08 *** SessoM 0.1000 0.2326 0.430 0.667 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 434.00 AIC: 438

on 361 on 360

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4

97

> anova(modinterc,modsesso,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ Sesso Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 360 434.00 1 0.18504 0.6671 > modsesso$deviance [1] 434.0049 > modeta = glm(Flag~Eta,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “Eta” > summary(modeta) Call: glm(formula = Flag ~ Eta, family = binomial(logit), data = microcredito) Deviance Residuals: Min 1Q Median -1.0647 -0.8340 -0.7694

3Q 1.4399

Max 1.7863

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.729259 0.443829 -3.896 9.77e-05 *** Eta 0.016385 0.008444 1.940 0.0523 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 430.41 AIC: 434.41

on 361 on 360

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modinterc,modeta,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ Eta Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 360 430.41 1 3.7788 0.05191 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 >modcittadinanza= glm(Flag~cittadinanza,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “cittadinanza” > summary(modcittadinanza) Call: glm(formula = Flag ~ cittadinanza, family = binomial(logit),

98

data = microcredito) Deviance Residuals: Min 1Q Median -0.851 -0.851 -0.851

3Q 1.544

Max 1.870

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.5581 0.3890 -4.006 6.19e-05 *** cittadinanza 0.7289 0.4078 1.787 0.0739 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 430.59 AIC: 434.59

on 361 on 360

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modinterc,modcittadinanza,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ cittadinanza Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 360 430.59 1 3.6045 0.05762 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > modnaz = glm(Flag~nazione,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “nazione” > summary(modnaz) Call: glm(formula = microcredito)

Flag

~

Deviance Residuals: Min 1Q Median -0.8408 -0.8408 -0.8408

nazione,

family

3Q 1.5566

Max 1.7236

Coefficients: Estimate Std. Error z value (Intercept) -1.2287 0.3282 -3.744 nazione 0.3706 0.3510 1.056 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01

=

binomial(logit),

Pr(>|z|) 0.000181 *** 0.291098 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 433.02 AIC: 437.02

on 361 on 360

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4

99

data

=

> anova(modinterc,modnaz,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ nazione Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 360 433.02 1 1.1693 0.2795 > modSC = glm(Flag~StatoCivile,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “StatoCivile” > summary(modSC) Call: glm(formula = microcredito)

Flag

~

StatoCivile,

Deviance Residuals: Min 1Q Median -0.9196 -0.8067 -0.8067

3Q 1.4823

family

=

binomial(logit),

data

=

Max 1.6369

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.03609 0.24816 -4.175 2.98e-05 *** StatoCivileConiugato/a 0.08058 0.30390 0.265 0.791 StatoCivileDivorziato/a 0.39424 0.46283 0.852 0.394 StatoCivileSeparato/a 0.18879 0.37543 0.503 0.615 StatoCivileVedovo/a 0.34294 0.47776 0.718 0.473 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 433.08 AIC: 443.08

on 361 on 357

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modinterc,modSC,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ StatoCivile Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 357 433.08 4 1.1121 0.8923 > modfigli = glm(Flag~figli,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “figli” > summary(modfigli) Call: glm(formula = Flag ~ figli, family = binomial(logit), data = microcredito)

100

Deviance Residuals: Min 1Q Median -0.9263 -0.9005 -0.7565

3Q 1.4513

Max 1.6678

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.1047 0.1556 -7.100 1.25e-12 *** figli(1,3] 0.4805 0.2415 1.989 0.0466 * figli(3,8] 0.4115 0.6318 0.651 0.5149 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 430.13 AIC: 436.13

on 361 on 359

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modinterc,modfigli,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ figli Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 359 430.13 2 4.0575 0.1315 >modSO= glm(Flag~StatoOccupazionale,family=binomial(logit),data=microcredito) #Modello logistico con variabile indipendente “StatoOccupazionale” > summary(modSO) Call: glm(formula = Flag ~ StatoOccupazionale, family = binomial(logit), data = microcredito) Deviance Residuals: Min 1Q Median -1.0633 -0.7368 -0.7368

3Q 1.2960

Max 1.6951

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.1653 0.1504 -7.748 9.3e-15 *** StatoOccupazionaleBdisoccupato/a 0.8909 0.3395 2.624 0.00869 ** StatoOccupazionaleCpensionato/a 0.6110 0.2845 2.148 0.03174 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 424.92 AIC: 430.92

on 361 on 359

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4

101

> anova(modinterc,modSO,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ 1 Model 2: Flag ~ StatoOccupazionale Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 361 434.19 2 359 424.92 2 9.2722 0.009695 ** --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Costruzione del modello logistico multiplo > modello = glm(Flag~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli+StatoOccupaziona le, family=binomial(logit),data=microcredito) > summary(modello) Call: glm(formula = Flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale, family = binomial(logit), data = microcredito) Deviance Residuals: Min 1Q Median -1.3182 -0.8411 -0.6904

3Q 1.2494

Max 2.3451

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -2.122414 0.671833 -3.159 0.00158 SessoM 0.109416 0.251858 0.434 0.66397 Eta 0.008156 0.012587 0.648 0.51704 cittadinanza 1.293906 0.761755 1.699 0.08940 nazione -0.775608 0.692578 -1.120 0.26276 StatoCivileConiugato/a -0.213192 0.341394 -0.624 0.53232 StatoCivileDivorziato/a 0.104457 0.503245 0.208 0.83557 StatoCivileSeparato/a -0.166462 0.419311 -0.397 0.69137 StatoCivileVedovo/a -0.209016 0.565045 -0.370 0.71145 figli(1,3] 0.504545 0.265056 1.904 0.05697 figli(3,8] 0.417034 0.663592 0.628 0.52971 StatoOccupazionaleBdisoccupato/a 0.786761 0.347808 2.262 0.02369 StatoOccupazionaleCpensionato/a 0.383428 0.409261 0.937 0.34882 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 416.65 AIC: 442.65

on 361 on 349

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4

102

** .

. *

Procedura backward per la selezione del miglior insieme di variabili esplicative e verifica di ipotesi > modfinale=stepAIC(modello,direction="backward",test="Chisq") Start: AIC=442.65 Flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale Df Deviance AIC LRT Pr(Chi) - StatoCivile 4 417.40 435.40 0.7579 0.94401 - Sesso 1 416.83 440.83 0.1890 0.66376 - Eta 1 417.07 441.07 0.4205 0.51671 - nazione 1 417.88 441.88 1.2388 0.26570 - figli 2 420.35 442.35 3.7005 0.15720 <none> 416.65 442.65 - cittadinanza 1 419.56 443.56 2.9111 0.08797 .

- StatoOccupazionale 2 421.85 443.85 5.2028 0.07417 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=435.4 Flag ~ Sesso + Eta + cittadinanza + nazione + figli + StatoOccupazionale Df Deviance AIC LRT Pr(Chi) - Sesso 1 417.55 433.55 0.1433 0.70502 - Eta 1 417.72 433.72 0.3211 0.57092 - nazione 1 418.63 434.63 1.2255 0.26829 - figli 2 420.68 434.68 3.2806 0.19392 <none> 417.40 435.40 - cittadinanza 1 420.34 436.34 2.9339 0.08674 .

- StatoOccupazionale 2 422.90 436.90 5.4963 0.06405 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=433.55 Flag ~ Eta + cittadinanza + nazione + figli + StatoOccupazionale Df Deviance AIC LRT Pr(Chi) - Eta 1 417.86 431.86 0.3118 0.57659 - nazione 1 418.69 432.69 1.1473 0.28411 - figli 2 420.79 432.79 3.2397 0.19793 <none> 417.55 433.55 - cittadinanza 1 420.41 434.41 2.8617 0.09071 .

- StatoOccupazionale 2 423.13 435.13 5.5797 0.06143 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=431.86 Flag ~ cittadinanza + nazione + figli + StatoOccupazionale Df Deviance AIC LRT Pr(Chi) - nazione 1 418.92 430.92 1.0599 0.30323 - figli 2 421.57 431.57 3.7106 0.15641 <none> 417.86 431.86 - cittadinanza 1 420.71 432.71 2.8523 0.09124 .

- StatoOccupazionale 2 425.14 435.14 7.2848 0.02619 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

103

Step: AIC=430.92 Flag ~ cittadinanza + figli + StatoOccupazionale Df Deviance AIC LRT Pr(Chi) - figli 2 422.87 430.87 3.9557 0.13836 <none> 418.92 430.92 - cittadinanza 1 421.31 431.31 2.3894 0.12216 - StatoOccupazionale 2 426.08 434.08 7.1606 0.02787 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=430.87 Flag ~ cittadinanza + StatoOccupazionale Df Deviance AIC LRT Pr(Chi) <none> 422.87 430.87 - cittadinanza 1 424.92 430.92 2.0438 0.15283 - StatoOccupazionale 2 430.59 434.59 7.7116 0.02116 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > summary(modfinale) Call: glm(formula = Flag ~ binomial(logit), data = microcredito) Deviance Residuals: Min 1Q Median -1.083 -0.765 -0.765

cittadinanza

3Q 1.274

+

StatoOccupazionale,

family

Max 1.912

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.6515 0.3940 -4.192 2.77e-05 *** cittadinanza 0.5724 0.4179 1.370 0.1707 StatoOccupazionaleBdisoccupato/a 0.8539 0.3412 2.503 0.0123 * StatoOccupazionaleCpensionato/a 0.5248 0.2898 1.811 0.0702 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 434.19 Residual deviance: 422.87 AIC: 430.87

on 361 on 358

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > modfinale$anova Stepwise Model Path Analysis of Deviance Table Initial Model: Flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale Final Model: Flag ~ cittadinanza + StatoOccupazionale

104

=

Step Df Deviance Resid. Df Resid. Dev 1 349 416.6453 2 - StatoCivile 4 0.7578567 353 417.4032 3 - Sesso 1 0.1433062 354 417.5465 4 - Eta 1 0.3117846 355 417.8583 5 - nazione 1 1.0599201 356 418.9182 6 - figli 2 3.9557406 358 422.8739

AIC 442.6453 435.4032 433.5465 431.8583 430.9182 430.8739

> anova(modfinale,modello,test="Chisq") Analysis of Deviance Table Model 1: Flag ~ cittadinanza + StatoOccupazionale Model 2: Flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale 1 2

Resid. Df Resid. Dev Df Deviance Pr(>Chi) 358 422.87 349 416.65 9 6.2286 0.7168

Eliminazione dal data set “MICROCREDITO” di tutte le unità con valore della Flag=0 > dati = na.omit(microcredito) > dim(dati) [1] 104

14

> attach(dati) > str(dati) 'data.frame': 104 obs. of 14 variables: $ Flag: num 1 1 1 1 1 1 1 1 1 1 ... $ ID: int 166 170 171 172 173 174 183 187 188 189 ... $ Tipologia: Factor w/ 2 levels "AttivitaImprenditoriale",..: 2 1 2 2 2 2 2 2 2 2 ... $ Eta: int 43 45 42 50 27 46 64 57 44 29 ... $ Sesso: Factor w/ 2 levels "F","M": 2 2 1 2 2 1 1 2 2 1 ... $ Cittadinanza: Factor w/ 18 levels "ALBANIA","BOSNIA-ERZEGOVINA",..: 2 8 8 8 8 8 8 8 8 8 ... $ NazioneProvenienza: Factor w/ 19 levels "ALBANIA","BOSNIAERZEGOVINA",..: 2 8 8 8 8 8 8 8 9 8 ... $ StatoCivile: Factor w/ 5 levels "Celibe/Nubile",..: 2 1 2 2 1 3 1 2 2 1 ... $ NumeroFigli: int 7 0 3 2 0 2 0 2 2 0 ... $ StatoOccupazionale: Factor w/ 3 levels "Aoccupato/a",..: 1 1 1 1 1 1 1 2 2 2 ... $ DurataPrestito: int 60 0 60 60 60 48 60 60 0 0 ... $ AmmontarePrestito: int 5000 0 7000 1500 5000 6000 5500 3000 0 0 ... $ FinalitaPrestito: Factor w/ 6 levels "DebitiArretrati",..: 1 1 1 6 3 2 1 1 2 2 ... $ Esito: Factor w/ 2 levels "0","1": 2 1 2 2 2 2 2 2 1 1 ...

- attr(*, "na.action")=Class 'omit' Named int [1:258] 8 9 17 18 22 24 30 43 44 51 ... .. ..- attr(*, "names")= chr [1:258] "NA" "NA.1" "NA.2" "NA.3" ... > dati = dati[,-1]

#Eliminazione variabile “Flag”

105

> table(Esito) #Distribuzione marginale della variabile “Esito” 0 1 35 69

Distribuzione marginale delle variabili nel data set “MICROCREDITO” con 104 osservazioni (si ripetono le stesse istruzioni eseguite sul data set con le complessive 362 unità) > figli2 = cut(dati$NumeroFigli,breaks=c(0,1,3,8), #Suddivisione in classi della variabile “NumeroFigli”

include.lowest=T)

> cittadinanza = ifelse(dati$Cittadinanza=="ITALIA",1,0) > table(cittadinanza) 0 1 8 96 > nazione = ifelse(dati$NazioneProvenienza=="ITALIA",1,0) > table(nazione) 0 1 12 92

Creazione modelli logistici semplici > modi = glm(Esito~1,family=binomial(logit),data=dati) > modellosesso = glm(Esito~Sesso,family=binomial(logit),data=dati) > summary(modellosesso) Call: glm(formula = Esito ~ Sesso, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.6120 -1.3387 0.7981

3Q 1.0242

Max 1.0242

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.3716 0.2907 1.278 0.201 SessoM 0.6093 0.4197 1.452 0.147 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 130.72 AIC: 134.72

on 103 on 102

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4

106

> anova(modi,modellosesso,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ Sesso Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 102 130.72 1 2.1315 0.1443 > modelloeta = glm(Esito~Eta,family=binomial(logit),data=dati) > summary(modelloeta) Call: glm(formula = Esito ~ Eta, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.5100 -1.4608 0.8950

3Q 0.9086

Max 0.9359

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.820469 0.786602 1.043 0.297 Eta -0.002738 0.014635 -0.187 0.852 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 132.82 AIC: 136.82

on 103 on 102

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modi,modelloeta,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ Eta Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 102 132.82 1 0.034997 0.8516 > modellocitt = glm(Esito~cittadinanza,family=binomial(logit),data=dati) > summary(modellocitt) Call: glm(formula = Esito ~ cittadinanza, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.4823 -1.4823 0.9005

3Q 0.9005

Max 0.9695

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.5108 0.7303 0.699 0.484 cittadinanza 0.1823 0.7617 0.239 0.811 (Dispersion parameter for binomial family taken to be 1)

107

Null deviance: 132.85 Residual deviance: 132.80 AIC: 136.8

on 103 on 102

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modi,modellocitt,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ cittadinanza Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 102 132.80 1 0.056513 0.8121 > modellonaz = glm(Esito~nazione,family=binomial(logit),data=dati) > summary(modellonaz) Call: glm(formula = Esito ~ nazione, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.4971 -1.4971 0.8884

3Q 0.8884

Max 1.0383

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.3365 0.5855 0.575 0.566 nazione 0.3895 0.6264 0.622 0.534 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 132.47 AIC: 136.47

on 103 on 102

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modi,modellonaz,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ nazione Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 102 132.47 1 0.37902 0.5381 > modelloSC = glm(Esito~StatoCivile,family=binomial(logit),data=dati) > summary(modelloSC) Call: glm(formula = Esito ~ StatoCivile, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.6006 -1.4381 0.8446

3Q 0.9374

Max 1.0842

108

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.76214 0.45774 1.665 0.0959 .

StatoCivileConiugato/a -0.16743 0.55363 -0.302 0.7623 StatoCivileDivorziato/a 0.08516 0.82808 0.103 0.9181 StatoCivileSeparato/a 0.19337 0.69746 0.277 0.7816 StatoCivileVedovo/a -0.53900 0.81211 -0.664 0.5069 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 131.95 AIC: 141.95

on 103 on 99

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modi,modelloSC,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ StatoCivile Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 99 131.95 4 0.90408 0.924 > modellofigli = glm(Esito~figli2,family=binomial(logit),data=dati) > summary(modellofigli) Call: glm(formula = Esito ~ figli2, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.4823 -1.4224 0.9005

3Q 0.9508

Coefficients: Estimate Std. Error z (Intercept) 0.5596 0.2803 figli2(1,3] 0.1335 0.4226 figli2(3,8] 16.0065 1199.7724 --Signif. codes: 0 ‘***’ 0.001 ‘**’

Max 0.9508 value Pr(>|z|) 1.996 0.0459 * 0.316 0.7520 0.013 0.9894 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 129.39 AIC: 135.39

on 103 on 101

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 15 > anova(modi,modellofigli,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ figli2

109

1 2

Resid. Df Resid. Dev Df Deviance Pr(>Chi) 103 132.85 101 129.39 2 3.463 0.177

> modelloSO=glm(Esito~StatoOccupazionale,family=binomial(logit),data=dati) > summary(modelloSO) Call: glm(formula = Esito ~ StatoOccupazionale, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.7653 -1.2735 0.8909

3Q 0.8909

Max 1.0842

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.7191 0.2798 2.570 0.0102 * StatoOccupazionaleBdisoccupato/a 0.6026 0.6284 0.959 0.3376 StatoOccupazionaleCpensionato/a -0.4960 0.4778 -1.038 0.2992 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 130.02 AIC: 136.02

on 103 on 101

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 4 > anova(modi,modelloSO,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ StatoOccupazionale Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 101 130.02 2 2.8346 0.2424 >modellofinalita=glm(Esito~FinalitaPrestito,family=binomial(logit), data=dati) > summary(modellofinalita) Call: glm(formula = Esito ~ FinalitaPrestito, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.9728 -1.3730 0.7981

3Q 0.9936

Max 1.1774

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.4490 0.2337 1.921 0.0547 .

FinalitaPrestitoSpeseAbitazione 0.5319 0.7162 0.743 0.4577 FinalitaPrestitoSpeseAziendali/AvvioAttivita 1.3428 1.1051 1.215 0.2243 FinalitaPrestitoSpeseMediche 17.1171 1769.2576 0.010 0.9923 FinalitaPrestitoSpeseVarie -0.4490 1.4334 -0.313 0.7541 FinalitaPrestitoStudio 17.1171 2797.4419 0.006 0.9951 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

110

(Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 124.37 AIC: 136.37

on 103 on 98

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 16

> anova(modi,modellofinalita,test="Chisq") Analysis of Deviance Table Model 1: Esito ~ 1 Model 2: Esito ~ FinalitaPrestito Resid. Df Resid. Dev Df Deviance Pr(>Chi) 1 103 132.85 2 98 124.36 5 8.4868 0.1314

Costruzione modello logistico multiplo > mod = glm(Esito~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli2+StatoOccupazio nale+FinalitaPrestito, family=binomial(logit),data=dati) > summary(mod) Call: glm(formula = Esito ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli2 + StatoOccupazionale + FinalitaPrestito, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -1.9173 -1.0083 0.5711

3Q 0.8930

Max 1.5044

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.70256 1.53762 -1.107 0.2682 SessoM 0.82100 0.50508 1.625 0.1041 Eta 0.03019 0.02469 1.223 0.2214 cittadinanza 0.06041 1.22141 0.049 0.9606 nazione 0.50098 0.96977 0.517 0.6054 StatoCivileConiugato/a -0.27732 0.66206 -0.419 0.6753 StatoCivileDivorziato/a 0.38083 1.13157 0.337 0.7365 StatoCivileSeparato/a 0.26230 0.80179 0.327 0.7436 StatoCivileVedovo/a -0.25791 1.02912 -0.251 0.8021 figli2(1,3] 0.21299 0.50254 0.424 0.6717 figli2(3,8] 17.35480 1932.94244 0.009 0.9928 StatoOccupazionaleBdisoccupato/a 0.46194 0.70138 0.659 0.5101 StatoOccupazionaleCpensionato/a -1.79574 0.86213 -2.083 0.0373 * FinalitaPrestitoSpeseAbitazione 0.48757 0.82436 0.591 0.5542 FinalitaPrestitoSpeseAziendali/AvvioAttivita 1.17066 1.16857 1.002 0.3164 FinalitaPrestitoSpeseMediche 17.59456 1699.77287 0.010 0.9917 FinalitaPrestitoSpeseVarie -1.26265 1.79487 -0.703 0.4818 FinalitaPrestitoStudio 17.72659 2505.87371 0.007 0.9944 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 109.86 AIC: 145.86

on 103 on 86

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 16

111

Procedura backward per la selezione del miglior insieme di variabili esplicative e verifica di ipotesi > modfinale_2=stepAIC(mod, direction="backward", test="Chisq") Start: AIC=145.86 esito ~ Sesso + Eta + cittadinanza2 + nazione2 + StatoCivile + figli2 + StatoOccupazionale + FinalitaPrestito Df Deviance AIC LRT Pr(Chi) - StatoCivile 4 110.85 138.85 0.9878 0.91164 - cittadinanza2 1 109.87 143.87 0.0024 0.96058 - nazione2 1 110.13 144.13 0.2670 0.60538 - Eta 1 111.39 145.39 1.5283 0.21636 <none> 109.86 145.87 - figli2 2 113.99 145.99 4.1274 0.12698 - FinalitaPrestito 5 120.42 146.42 10.5545 0.06097 .

- Sesso 1 112.58 146.58 2.7184 0.09920 .

- StatoOccupazionale 2 116.45 148.45 6.5815 0.03723 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=138.85 esito ~ Sesso + StatoOccupazionale + FinalitaPrestito

Eta

+

cittadinanza2

+

nazione2

+

figli2

Df Deviance AIC LRT Pr(Chi) - cittadinanza2 1 110.86 136.86 0.0039 0.94990 - nazione2 1 111.05 137.04 0.1922 0.66112 - Eta 1 112.17 138.17 1.3165 0.25122 <none> 110.85 138.85 - figli2 2 115.33 139.32 4.4724 0.10686 - Sesso 1 113.53 139.53 2.6786 0.10171 - FinalitaPrestito 5 121.96 139.96 11.1055 0.04933 * - StatoOccupazionale 2 117.26 141.26 6.4070 0.04062 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=136.86 esito ~ Sesso + Eta + nazione2 + figli2 + StatoOccupazionale + FinalitaPrestito Df Deviance AIC LRT Pr(Chi) - nazione2 1 111.19 135.19 0.3371 0.56149 - Eta 1 112.17 136.17 1.3128 0.25189 <none> 110.86 136.86 - figli2 2 115.33 137.33 4.4774 0.10660 - Sesso 1 113.53 137.53 2.6749 0.10194 - FinalitaPrestito 5 121.97 137.97 11.1182 0.04909 * - StatoOccupazionale 2 117.28 139.28 6.4244 0.04027 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=135.19 esito ~ Sesso + Eta + figli2 + StatoOccupazionale + FinalitaPrestito - Eta <none>

Df Deviance AIC 1 112.68 134.68 111.19 135.19

112

LRT Pr(Chi) 1.4908 0.22209

+

- figli2 2 115.46 135.46 4.2664 0.11846 - FinalitaPrestito 5 122.39 136.39 11.1949 0.04765 * - Sesso 1 114.52 136.52 3.3259 0.06820 .

- StatoOccupazionale 2 117.65 137.65 6.4539 0.03968 * --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Step: AIC=134.68 esito ~ Sesso + figli2 + StatoOccupazionale + FinalitaPrestito Df Deviance AIC LRT Pr(Chi) <none> 112.68 134.68 - FinalitaPrestito 5 123.05 135.05 10.3618 0.06561 .

- figli2 2 117.48 135.48 4.7985 0.09078 .

- Sesso 1 115.90 135.90 3.2139 0.07301 .

- StatoOccupazionale 2 117.92 135.92 5.2346 0.07300 .

--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > summary(modfinale_2) Call: glm(formula = esito ~ Sesso + figli2 + StatoOccupazionale + FinalitaPrestito, family = binomial(logit), data = dati) Deviance Residuals: Min 1Q Median -2.2330 -1.1262 0.6049

3Q 0.8587

Max 1.6010

Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.02684 0.45409 -0.059 0.9529 SessoM 0.83471 0.47375 1.762 0.0781 . figli2(1,3] 0.23008 0.47003 0.489 0.6245 figli2(3,8] 17.45539 1937.63126 0.009 0.9928 StatoOccupazionaleBdisoccupato/a 0.66959 0.66927 1.000 0.3171 StatoOccupazionaleCpensionato/a -0.92964 0.54480 -1.706 0.0879 .

FinalitaPrestitoSpeseAbitazione 0.69941 0.77677 0.900 0.3679 FinalitaPrestitoSpeseAziendali/AvvioAttivita 1.19463 1.14642 1.042 0.2974 FinalitaPrestitoSpeseMediche 17.40624 1730.11284 0.010 0.9920 FinalitaPrestitoSpeseVarie -0.84035 1.52879 -0.550 0.5825 FinalitaPrestitoStudio 17.72727 2493.88867 0.007 0.9943 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 132.85 Residual deviance: 112.68 AIC: 134.68

on 103 on 93

degrees of freedom degrees of freedom

Number of Fisher Scoring iterations: 16

> modfinale_2$anova Stepwise Model Path Analysis of Deviance Table Initial Model: esito ~ Sesso + Eta + cittadinanza2 + nazione2 + StatoCivile + figli2 + StatoOccupazionale + FinalitaPrestito Final Model: esito ~ Sesso + figli2 + StatoOccupazionale + FinalitaPrestito

113

Step Df Deviance Resid. Df Resid. Dev 1 86 109.8648 2 - StatoCivile 4 0.987785152 90 110.8526 3 - cittadinanza2 1 0.003947267 91 110.8565 4 - nazione2 1 0.337137892 92 111.1937 5 - Eta 1 1.490797892 93 112.6845

AIC 145.8648 138.8526 136.8565 135.1937 134.6845

> anova(modfinale_2,mod,test="Chisq") Analysis of Deviance Table Model 1: esito ~ Sesso + figli2 + StatoOccupazionale + FinalitaPrestito Model 2: esito ~ Sesso + Eta + cittadinanza2 + nazione2 + StatoCivile + figli2 + StatoOccupazionale + FinalitaPrestito 1 2

Resid. Df Resid. Dev Df Deviance Pr(>Chi) 93 112.68 86 109.86 7 2.8197 0.9012

114

APPENDICE B

ALBERI DI CLASSIFICAZIONE IN R > library(rpart)

Albero di classificazione sul data set “MICROCREDITO” con 362 osservazioni e variabile risposta “Flag” >albero=rpart(Flag~Sesso+Eta+cittadinanza+nazione+StatoCivile+figli+ StatoOccupazionale, method="class", data=microcredito) > albero n= 362 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 362 104 0 (0.7127072 0.2872928) 2) StatoOccupazionale=Aoccupato/a 244 58 0 (0.7622951 0.2377049) 4) figli=[0,1] 153 30 0 (0.8039216 0.1960784) * 5) figli=(1,3],(3,8] 91 28 0 (0.6923077 0.3076923) 10) Eta>=46.5 42 9 0 (0.7857143 0.2142857) * 11) Eta< 46.5 49 19 0 (0.6122449 0.3877551) 22) StatoCivile=Coniugato/a,Vedovo/a 33 9 0 (0.7272727 0.2727273) * 23) StatoCivile=Celibe/Nubile,Divorziato/a,Separato/a 16 6 1 (0.3750000 0.6250000) * 3) StatoOccupazionale=Bdisoccupato/a,Cpensionato/a 118 46 0 (0.6101695 0.3898305) 6) Eta>=79.5 8 1 0 (0.8750000 0.1250000) * 7) Eta< 79.5 110 45 0 (0.5909091 0.4090909) 14) Eta< 74.5 100 37 0 (0.6300000 0.3700000) 28) Eta>=69.5 16 3 0 (0.8125000 0.1875000) * 29) Eta< 69.5 84 34 0 (0.5952381 0.4047619) 58) Eta< 59.5 54 18 0 (0.6666667 0.3333333) 116) figli=[0,1],(3,8] 36 8 0 (0.7777778 0.2222222) * 117) figli=(1,3] 18 8 1 (0.4444444 0.5555556) * 59) Eta>=59.5 30 14 1 (0.4666667 0.5333333) 118) StatoCivile=Coniugato/a,Divorziato/a,Separato/a 21 9 0 (0.5714286 0.4285714) * 119) StatoCivile=Celibe/Nubile,Vedovo/a 9 2 1 (0.2222222 0.7777778) * 15) Eta>=74.5 10 2 1 (0.2000000 0.8000000) * > pred = predict(albero, type="class") #Con questa istruzione troviamo i valori stimati della variabile “Flag” dall’albero di classificazione costruito > table(microcredito$Flag,pred) 0 0 240 1 69

1 18 35

115

>plot(albero,uniform=T,branch=0.5,compress=T,margin=0.1) #Rappresentazione grafica del primo albero di classificazione > text(albero,all=T,use.n=T,cex=0.7,fancy=T,fwidth=0.4,fheight=0.4) > plotcp(albero) #Creazione del grafico del minor costo-complessità dal quale si evince che si preferisce un albero con 4 foglie a quello appena costruito > printcp(albero) Classification tree: rpart(formula = flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale, data = microcredito, method = "class") Variables actually used in tree construction: [1] Eta figli StatoOccupazionale

StatoCivile

Root node error: 104/362 = 0.28729 n= 362 1 2 3 4

CP nsplit rel error 0.019231 0 1.00000 0.016026 3 0.94231 0.012821 7 0.87500 0.010000 10 0.83654

xerror 1.0000 1.0577 1.0769 1.1442

xstd 0.082783 0.084141 0.084565 0.085939

> prune=prune(albero,cp=0.016026) #Potatura dell’albero > prune n= 362 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 362 104 0 (0.7127072 0.2872928) 2) StatoOccupazionale=Aoccupato/a 244 58 0 (0.7622951 0.2377049) * 3) StatoOccupazionale=Bdisoccupato/a,Cpensionato/a 118 46 0 (0.6101695 0.3898305) 6) Eta>=79.5 8 1 0 (0.8750000 0.1250000) * 7) Eta< 79.5 110 45 0 (0.5909091 0.4090909) 14) Eta< 74.5 100 37 0 (0.6300000 0.3700000) * 15) Eta>=74.5 10 2 1 (0.2000000 0.8000000) * > plotcp(prune) > printcp(prune) #Da questa istruzione si evince che l’albero migliore è proprio quello appena costruito Classification tree: rpart(formula = flag ~ Sesso + Eta + cittadinanza + nazione + StatoCivile + figli + StatoOccupazionale, data = microcredito, method = "class") Variables actually used in tree construction: [1] Eta StatoOccupazionale Root node error: 104/362 = 0.28729 n= 362

116

CP nsplit rel error xerror xstd 1 0.019231 0 1.00000 1.0000 0.082783 2 0.016026 3 0.94231 1.0577 0.084141 > plot(prune,uniform=T,branch=0.1,compress=T,margin=0.1) #Rappresentazione grafica del secondo albero di classificazione > text(prune,all=T,use.n=T,cex=0.6,fancy=T,fwidth=0.4,fheight=0.4)

Albero di classificazione sul data set “MICROCREDITO” con 104 osservazioni e variabile risposta “Esito” > tree = rpart(Esito~Sesso+Eta+Cittadinanza+Nazione+StatoCivile+figli2+StatoOccupaz ionale+FinalitaPrestito, method="class",data=dati) > tree n= 104 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 104 35 1 (0.33653846 0.66346154) 2) FinalitaPrestito=DebitiArretrati,SpeseAbitazione,SpeseVarie 90 34 1 (0.37777778 0.62222222) 4) StatoOccupazionale=Cpensionato/a 23 11 0 (0.52173913 0.47826087) 8) StatoCivile=Coniugato/a,Divorziato/a,Vedovo/a 13 4 0 (0.69230769 0.30769231) * 9) StatoCivile=Celibe/Nubile,Separato/a 10 3 1 (0.30000000 0.70000000) * 5) StatoOccupazionale=Aoccupato/a,Bdisoccupato/a 67 22 1 (0.32835821 0.67164179) 10) Eta< 45.5 36 15 1 (0.41666667 0.58333333) 20) Sesso=F 18 8 0 (0.55555556 0.44444444) * 21) Sesso=M 18 5 1 (0.27777778 0.72222222) * 11) Eta>=45.5 31 7 1 (0.22580645 0.77419355) * 3) FinalitaPrestito=SpeseAziendali/AvvioAttivita,SpeseMediche,Studio 14 1 1 (0.07142857 0.92857143) * > predi=predict(tree, type="class") variabile “Esito” > table(dati$Esito,predi)

#Valori

stimati

dall’albero

della

0 1 0 19 16 1 12 57 > plot(tree,uniform=T,branch=0.5,compress=T,margin=0.1) #Rappresentazione grafica dell’albero di classificazione > text(tree,all=T,use.n=T,cex=0.7,fancy=T,fwidth=0.4,fheight=0.4) > plotcp(tree) #Da questa istruzione si ottiene il grafico del minor costo-complessità, dal quale si evince che l’albero migliore è quello con la sola radice. Si procederà, quindi, alla potatura dell’albero.

117

> printcp(tree) Classification tree: rpart(formula = Esito ~ Sesso + Eta + cittadinanza2 + nazione2 + StatoCivile + figli2 + StatoOccupazionale + FinalitaPrestito, data = dati, method = "class") Variables actually used in tree construction: [1] Eta FinalitaPrestito Sesso StatoOccupazionale Root node error: 35/104 = 0.33654

StatoCivile

n= 104 CP nsplit rel error 1 0.047619 0 1.00000 2 0.028571 3 0.85714 3 0.010000 5 0.80000

xerror xstd 1.0000 0.13768 1.3143 0.14471 1.2000 0.14297

> prune2 = prune(tree,cp=tree$cptable[which.min(tree$cptable[,”xerror”]),”CP”]) #Potatura dell’albero > prune2 n= 104 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 104 35 1 (0.33653846 0.66346154) * > plotcp(prune2) > printcp(prune2) Classification tree: rpart(formula = Esito ~ Sesso + Eta + cittadinanza2 + nazione2 + StatoCivile + figli + Stato Occupazionale + FinalitaPrestito, data = dati, method = "class") Variables actually used in tree construction: character(0) Root node error: 35/104 = 0.33654 n= 104 CP nsplit rel error xerror 1 0.047619 0 1 1

xstd 0.13768

118

BIBLIOGRAFIA

Aitkin M., Francis B., Hinde J., Darnell R., (2009), Statistical modelling in R, OUP Oxford.

Azzalini A. e Scarpa B., (2004), Analisi dei dati e data mining, Milano, Springer-Verlag Italia S.r.l..

Becchetti L., (2008), Il microcredito. Una nuova frontiera per l’economia, Bologna, Il Mulino.

Banca d’Italia, Magri S., Pico R. e Rampazzi C. (a cura di), (2011), Which households use consumer credit in Europe?, in Questioni di Economia e Finanza, Occasional Paper Numero 100.

Banca d’Italia, Carriero G. (a cura di), (2008), Il credito al consumo, in Quaderni di ricerca giuridica della Consulenza legale, Numero 48.

Berry M.J.A. e Linoff G.S., (2001), Data mining. L’azienda intelligente e la gestione strategica delle informazioni, Milano, Apogeo S.r.l., trad. Oberto M. e Lorenzin P., pp. 158168.

Bevacqua C., (2012), Relazione sul workshop CAPIC <<La problematica dei partenariati nelle iniziative di microcredito sociale: punti di forza, debolezza e prospettive>>, Pistoia, 13 novembre 2012.

Breiman L., Friedman J., Olshen R., Stone C., (1984), Classification and Regression Trees, Belmont, California, Wadsworth Internation Group.

C.Borgomeo&co. (a cura di), (2012), Microcredito. Dimensioni e prospettive del prestito sociale e imprenditoriale in Italia (VI° Rapporto del microcredito in Italia), Roma, Donzelli Editore.

119

Carboni Jaco B., Calderón Lacalle M., Garrido Rico S., Dayson K., Kickul J., (2010), Handbook of microcredit in Europe: social inclusion through microenterprise develpment, Edward Elgar Pub.

Caroli M.G., (2007), Il processo di internazionalizzazione delle piccole imprese, Milano, Franco Angeli, pp.46-64.

Ciravegna D. e Limone A. (a cura di), (2006), Otto modi di dire microcredito, Bologna, Il Mulino.

Corbetta P., Gasperoni G. e Pisati M., (2001), Statistica per la ricerca sociale, Bologna, Il Mulino.

Crouchley R. e Berridge D.M., (2011), Multivariate generalized linear mixed models using R, Boca Raton, Taylor & Francis Group, Chapman & Hall.

Curiat A. e Quaglio A. (a cura di), (2012), Microcredito. Chi lo fa, come si usa, Il Sole 24 Ore, Le guide di Plus 24, Risparmio e investimenti in tempo di crisi n.19.

European Commission, (2012), Relazione della Commissione al Parlamento Europeo, al Consiglio, al Comitato Economico e Sociale Europeo e al Comitato delle Regioni <<Attuazione delle strumento europeo Progress di microfinanza – 2011>>, COM(2012) 391 finale.

European Commission, (2011), Codice europeo di buona condotta per l’erogazione di microcrediti, Bruxelles.

European Commission, (2007), Comunicazione della Commissione al Consiglio, al Parlamento Europeo, al comitato Economico e Sociale Europeo e al Comitato delle Regioni <<Iniziativa europea per lo sviluppo del microcredito a sostegno della crescita e dell’occupazione>>, COM(2007) 708 definitivo.

120

European Commission, (2007), The regulation of microcredit in Europe, Expert Group Report.

European Microfinance Network, Fundación Nantik Lum, (2010), 2008-2009 Overview of the Microcredit Sector in the European Union, European Microfinance Network Working Paper n.6.

European Union, (2010), Supporting micro-credit providers with JASMINE, Lussemburgo.

Everitt B.S e Hothorn T., (2010), A handbook of statistical analysis using R, Second Edition, Boca Raton, Taylor & Francis Group, Chapman & Hall.

Jérusalmy O., (2007), Credit scoring: décryptage d’une pratique discriminante…et discriminatoire, Reseau Financement Alternatif, Belgio.

Jérusalmy O., (2007), Credit scoring: une approche objective dans l’octroi de crédit?, Reseau Financement Alternatif, Belgio.

Microcredit Summit Campaign, Maes J.P. e Reed L.R. (a cura di), (2012), State of the Microcredit Summit Campaign Report 2012, Washington.

Nowak M., (2005), Non si presta solo ai ricchi. La rivoluzione del microcredito, Torino, Einaudi Editore.

Schreiner M., (2000), Credit scoring for microfinanca: can it work? [Online], disponibile su: <http://www.microfinance.org/#Scoring>.

Stanghellini E., (2009), Introduzione ai metodi statistici per il credit scoring, Milano, Springer-Verlag Italia S.r.l..

Viganò L. (a cura di), (2004), Microfinanza in Europa, Fondazione Giordano dell’Amore e Fondazione Europea Guido Venosta, Milano, Giuffrè.

121

Yunus M., (2010), Il banchiere dei poveri, Milano, Universale Economica Feltrinelli, XIV Edizione.

122

SITOGRAFIA

<http://www.adie.org> <http://www.bancaditalia.it/> <http://www.eapn.eu/en> <http://ec.europa.eu/> <http://ec.europa.eu/epmf> <http://ec.europa.eu/eurostat > <http://ec.europa.eu/microfinance> <http://ec.europa.eu/regional_policy/thefunds/doc/code_bonne_conduite_it.pdf> <http://ec.europa.eu/regional_policy/thefunds/instruments/jeremie_it.cfm> <http://ec.europa.eu/regional_policy/thefunds/instruments/jasmine_it.cfm> <http://ec.europa.eu/social> <http://www.ecri.org> <http://www.eif.org> <http://eur-lex.europa.eu/it/index.htm> <http://www.european-microfinance.org/> <http://www.european-microfinance.org/emn-working-paper-series_en.php> <http://www.european-microfinance.org/personal-microcredit-capic_en.php> <http://www.fgda.org/> <http://www.fininc.eu/> <http://www.fininc.eu/on-going-eu-projects/cooperation-for-inclusive-affordable-personalcredit-2012-2013,en,146.html> <http://www.fondazionecrpg.com/> <http://www.fondazionecrpt.it/index.html> <http://www.grameen-info.org/> <http://www.istat.it/> <http://www.microcreditoitalia.org/> <http://www.microfinanza-italia.org/> <http://www.microcreditsummit.org/> <http://www.microcreditsummit.org/state_of_the_campaign_report/>

123

<http://www.misericordia.pistoia.it/index.php> <http://www.nantiklum.org> <http://www.provincia.pistoia.it/> <http://sbflorence.org/> <http://www.unraggiodiluce.org>

124