A causa delle conseguenze che il fenomeno comporta, sia sul piano finanziario sia sul fronte dell'economia reale, l'analisi e la previsione delle insolvenze societarie continua a rappresentare un argomento attuale nell'ambito della ricerca economica. I recenti sforzi condotti dal Comitato di Basilea verso la diffusione di criteri di valutazione del rischio di credito più precisi ed oggettivi, hanno ulteriormente accresciuto l'importanza della materia. L'obiettivo del presente studio è l'analisi del fenomeno del fallimento sul territorio italiano, al fine di valutare quali variabili sono più efficaci nell'individuazione di una situazione di dissesto dell'impresa. Per l'analisi si sono sviluppati dei modelli di previsione delle insolvenze in grado di individuare i segnali early warning di dissesto finanziario. L'analisi econometrica è basata su un campione ampio ed originale di fallimenti rilevati negli anni 2003 e 2004: a tal fine sono stati costituiti dei campioni comparabili di imprese fallite e non fallite ed è stato verificato, mediante l'applicazione di una metodologia logit, il potere previsivo di diversi indici di bilancio e di variabili di tipo non finanziario. I risultati ottenuti sono stati validati su un campione hold-out. L'analisi si evidenzia l'importanza delle caratteristiche del settore di attività nel determinare la forma del processo di fallimento: i modelli sector specific ottengono risultati migliori rispetto ai modelli generali stimati. Inoltre, alcuni fattori comuni ai diversi settori di attività si dimostrano particolarmente efficaci nella previsione dei dissesti aziendali: l'età, il livello di leverage e la composizione del debito d'impresa, così come la sua redditività. / Due to the consequences that the phenomenon entails both on the financial and real sides of the economy, the analysis and prediction of corporate failures continue to be a current topic in economic research. The recent efforts laid by the Basel Committee towards the diffusion of more precise and objective ways of assessing credit risk have further increased the importance of this matter. The purpose of the study is to analyse the bankruptcy phenomenon among Italian firms, in order to assess what firm-specific and industry variables are more important in determining corporate failure events. We develop a bankruptcy prediction model that aims at detecting early signals of financial distress. The econometric analysis is based on a wide and unique sample of recent failure events: comparable sets of bankrupt and non-bankrupt firms are identified and several prior balance-sheet and economic indicators are tested for their power in predicting failure probabilities in a logit modelling framework; model performances are cross-validated on hold-out samples. The analyses provide evidence of the importance of industry membership in determining and shaping corporate failure processes: sector-specific models produce a better assessment of financial distress than general ones. Also, some common factors emerge as important predictors of corporate collapse across different industries: age, gearing and the composition of a firm's debt, as well as its capability of generating profits.

Dopo una delle peggiori crisi economica e finanziaria mondiale , gli studi sulla previsione delle insolvenze sono diventato uno degli argomenti più dibattuti tra gli studiosi e ricercatori. Al fine di soddisfare le esigenze sia di valutazione interna sia degli investitori professionali , lo studio riscopre il modello "Z - score" di Altman nella sua forma originale , nota per la sua semplicità. Il modello, ancora largamente utilizzato nei mercati statunitensi, è per sua natura poco utilizzato nell’analisi di società europee. La tesi analizza e descrive le caratteristiche dello Z -score, valutandone i risultati come strumento per la previsione di insolvenza nel mercato europeo. Lo studio è condotto su 568 società , prese dagli indici azionari di 7 mercati europei , tra il 2000 e il 2010 . I risultati del test evidenziano una grande variabilità di risultato tra i diversi settori industriali. Il modello risulta semplice ed efficace, ma sostanzialmente incapace di prevedere il rischio di default in Europa, se utilizzato nella sua forma originale . La seconda parte della ricerca studia pertanto come i risultati del modello possano essere valutati da una nuova prospettiva per i mercati europei, concentrandosi su singoli settori industriali. Lo Z score viene testato su un campione di imprese in buona salute ed un altro di aziende insolventi, per 3 gruppi industriali diversi. La ricerca cerca anche di valutare elementi qualitativi accanto a quelli quantitativi, al fine di analizzare in maniera completa il rischio di insolvenza. / After one of the worst world economic and financial crisis, the insolvency prediction has become one of the most debatable topics among scholars. In order to satisfy both the professional investors’ needs and the internal evaluation process, the Thesis rediscovers the original Altman “Z-score” model, known for its convenience. This model is still largely used in the US equity markets but, also for its origin, has hardly been applied to the European equity index. The Thesis investigates and describes the operating characteristics of Altman’s Z-score, evaluating its performance as a tool for insolvency prediction in today's European market. The base model capability is tested examining 568 companies, listed in the main stock indexes of 7 European markets, between 2000 and 2010. A large variability among different industries arises from the analysis conducted. The Thesis results prove that the model is user-friendly but a substantial inability to predict the risk of default in Europe if used in its original form. The second research question try to analyse how could the model be useful for the European markets, testing the Z score over good heath and insolvent firms from 3 industrial groups. The research studies how the model’s results could be evaluated from a new perspective, focusing on individual industrial sectors results. The research also tries to evaluate qualitative elements alongside the quantitative ones, in order to give a harmonized and comprehensive estimation of the insolvency risk.

Survival analysis is a subfield of statistics where the goal is to analyse and model the data where the outcome is the time until the occurrence of an event of interest. Because of the intrinsic temporal nature of the analysis, the employment of more recently developed sequential models (Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM)) has been paired with the use of dynamic temporal features, in contrast with the past reliance on static ones. Such an abrupt shift of policy has left open the challenge of understanding how those two kinds of features influence the predictive capabilities of models. This thesis aims at assessing the effect of combining static and dynamic features on the most commonly used models in survival analysis. In doing so, we compare the error measurements of such models with dataset composed of purely dynamic features or a combination of static and dynamic ones. Empirical measurements have shown that models respond differently to the addition of static features to the analysis, with more complex, sequential models like the LSTM struggling to deal with the added data complexity (with a 12% increase in error), while non sequential models see reductions of up to 14.7% in error. The thesis also includes a clusterization task aimed at aiding the interpretation of survival analysis outcomes. / Överlevnadsanalys är ett delområde inom statistiken där målet är att analysera och modellera data där utfallet är tiden fram till dess att en händelse av intresse inträffar. På grund av analysens inneboende tidsmässiga karaktär har användningen av mer nyligen utvecklade sekventiella modeller (RNN och LSTM) kombinerats med användningen av dynamiska tidsmässiga egenskaper, i motsats till den tidigare förlitningen på statiska sådana. En sådan drastisk förändring av ansatsen har lämnat öppet för utmaningen att förstå hur dessa två typer av egenskaper påverkar modellernas förutsägande förmåga. Syftet med denna uppsats är att bedöma effekten av att kombinera statiska och dynamiska egenskaper på de vanligaste modellerna för överlevnadsanalys. I detta syfte jämför vi felmätningar av sådana modeller med dataset som består av rent dynamiska egenskaper eller en kombination av statiska och dynamiska egenskaper. Empiriska mätningar har visat att modellerna reagerar olika på tillägget av statiska egenskaper till analysen, där mer komplexa, sekventiella modeller som LSTM kämpar för att hantera den ökade datakomplexiteten (med en ökning av felet med 12 %), medan icke-sekventiella modeller ser en minskning av felet med upp till 14,7 %. Uppsatsen innehåller också en klusteruppgift som syftar till att underlätta tolkningen av resultaten av överlevnadsanalyser. / L’analisi della sopravvivenza è una branca della statistica il cui obiettivo è l’analisi e la modellazione di dati il cui risultato è il tempo che intercorre fino al verificarsi di un evento di interesse. A causa dell’intrinseca natura temporale dell’analisi, l’impiego di modelli sequenziali di più recente sviluppo (RNN e LSTM) è stato abbinato all’uso di attributi temporali dinamici, a differenza dell’uso più diffuso in passato di attributi statici. Questo brusco cambiamento ha lasciato aperta la sfida di capire come questi due tipi di attributi influenzino le capacità predittive dei modelli. Questa tesi si propone di valutare l’effetto della combinazione di attributi statici e dinamici sui modelli più comunemente utilizzati nell’analisi della sopravvivenza. A tal fine, confrontiamo le misure di errore di tali modelli con set di dati composti da attributi puramente dinamici o da una combinazione di statici e dinamici. I risultati empirici hanno mostrato che i modelli rispondono in modo diverso all’aggiunta di attrbiuti statici, con i modelli sequenziali più complessi, come l’LSTM, che faticano a gestire la complessità dei dati aggiunti (con un aumento dell’errore del 12%), mentre i modelli non sequenziali registrano riduzioni dell’errore fino al 14,7%. La tesi comprende anche una clusterizzazione volta a facilitare l’interpretazione dei risultati dell’analisi di sopravvivenza.