A caccia di aiuti di stato nascosti *

La regolamentazione degli aiuti di stato è fondamentale per garantire la competitività nel mercato unico dell’Ue. Non sempre però i paesi rispettano le norme, senza contare le sovvenzioni estere. Scoprire i beneficiari nascosti è possibile. Ecco come.

Gli aiuti di stato nel mercato unico

Il mercato unico europeo è una delle più grandi economie del mondo e rappresenta il 15 per cento circa del Pil globale. Ha l’obiettivo di garantire la libera circolazione di persone, beni, servizi e capitali tra gli stati membri e di vietare qualsiasi discriminazione tra operatori economici. Un’area economica così ampia che funziona come un unico mercato nazionale è un’istituzione vantaggiosa per tutti i paesi membri. Nella realtà, però, il quadro è meno roseo poiché a più di trent’anni dal lancio del mercato unico, la sua effettiva attuazione appare ancora incompiuta a causa della persistenza di numerose barriere interne. 

Un caso particolare di incompiutezza del mercato unico riguarda la regolamentazione degli aiuti di stato. In linea generale, il Trattato li vieta, salvo eccezioni giustificate da fallimenti di mercato (articolo 107). Restano però dubbi sull’effettivo rispetto della disciplina, essenzialmente per tre ragioni. Primo, gli stati membri potrebbero concedere aiuti non autorizzati, per esempio a sostegno dei cosiddetti campioni nazionali. Secondo, l’obbligo di trasparenza, che impone la pubblicazione delle informazioni sugli aiuti, potrebbe essere rispettato solo in parte. Infine, è possibile che un’impresa attiva nel mercato unico benefici di sussidi “esteri”, cioè di sostegni concessi da governi o enti pubblici extra-Ue. Ciò può accadere, per esempio, se l’impresa è di fatto controllata da un governo non europeo. Quest’ultima fattispecie non costituisce una violazione della regolamentazione in senso stretto, sebbene sia comunque rilevante per la concorrenza (e per ragioni di tipo geopolitico). Nonostante la rilevanza del tema, finora non disponiamo di alcuna evidenza sull’ampiezza del fenomeno degli aiuti “nascosti”.

Un nuovo approccio per rilevare aiuti potenzialmente nascosti

In un nostro recente lavoro proponiamo un approccio basato su algoritmi di machine learning per individuare i potenziali casi di imprese beneficiarie di aiuti nascosti. A tale fine, abbiamo combinato i dati pre-Covid del database Transparency Award Module (Tam), gestito dalla Commissione europea e che riporta i beneficiari di aiuti, con i bilanci d’impresa raccolti nella banca dati Orbis Bureau van Dijk. Con questo dataset (11 milioni di osservazioni e 187 variabili predittive) abbiamo addestrato tre modelli di classificazione (albero di classificazione, bagging e XGBoost, ciascuno con i suoi pro e contro che discutiamo nell’articolo), in grado di prevedere con accuratezza le imprese beneficiarie sulla base delle informazioni contabili. I tre modelli mostrano una capacità predittiva molto soddisfacente, classificando correttamente oltre il 90 per cento delle osservazioni. 

Dal punto di vista della policy, la categoria di interesse è quella dei falsi positivi: imprese non registrate come beneficiarie ma classificate come tali dai modelli perché mostrano caratteristiche di bilancio che suggeriscono la ricezione di un aiuto. Definiamo “sospette” le imprese che ricadono nella categoria dei falsi positivi secondo la maggioranza dei modelli (almeno due su tre). Questi casi possono riflettere sia errori di previsione sia situazioni effettivamente sospette: (i) aiuti incompatibili con il mercato unico; (ii) aiuti compatibili ma non comunicati come previsto dalle regole di trasparenza; (iii) aiuti concessi da stati extra-Ue che sfuggono alla normativa europea ma che possono comunque pregiudicare la concorrenza. Dal punto di vista statistico-econometrico non è possibile separare l’errore di previsione dalle altre componenti, ma più sono alte accuratezza, sensibilità e specificità (come nel nostro caso), minore è il peso dell’errore e maggiore la probabilità che un falso positivo rifletta un vero caso di aiuto nascosto. Aggregando le previsioni dei tre modelli, emergono circa 326 mila osservazioni sospette, quasi il 9 per cento del campione. 

Che caratteristiche hanno i casi sospetti?

In paesi come Cipro e Lituania, l’incidenza dei sospetti è più che doppia rispetto alla media, mentre in Italia, Malta, Spagna e Slovenia è più bassa. Le differenze sono ancora maggiori tra settori: le imprese manifatturiere, quelle estrattive e quelle operanti nei settori di energia e acqua hanno una probabilità molto più alta di essere segnalate come sospette. Anche la dimensione conta: la quota di sospetti cresce sensibilmente tra le imprese nel quartile superiore del totale attivo e si riduce quasi a zero tra quelle del primo quartile. 

Infine, abbiamo esaminato alcune variabili che, a livello di paese, correlano con la quota di imprese sospette (figura 1). I casi sono più frequenti nei paesi: (i) con maggiore presenza di imprese a proprietà pubblica (coerentemente con l’ipotesi di sostegno ai campioni nazionali, pannello A); (ii) destinatari di maggiori livelli di investimenti diretti esteri da paesi extra-Ue (coerentemente con l’interesse di governi “esteri” a sostenere le imprese operanti nell’Ue nelle quali hanno investito, pannello B); (iii) paesi che presentano indicatori di irregolarità sul rispetto di regole europee sulla concorrenza più elevati (misure basate su anomalie nelle segnalazioni nel database Tam, pannello C, o sul numero di infrazioni rilevate in materia di concorrenza e mercato interno, pannello D).

Figura 1 – Casi sospetti e correlazioni tra paesi

Oltre la classificazione

Cosa fare una volta individuati i casi sospetti? Si potrebbero avviare indagini mirate basate su informazioni qualitative, fonti alternative o ispezioni dirette. Dato l’alto costo di queste attività, potrebbe essere rilevante ridurre il numero di casi su cui concentrare le risorse investigative. I nostri algoritmi sono modulabili per rispondere a questa esigenza, per esempio segnalando un numero minore di falsi positivi, ma con una più elevata probabilità di essere tali. Fra l’altro, il nostro approccio è coerente con la nuova normativa europea sui sussidi “esteri”, in vigore dal 2023, che offre alla Commissione nuovi poteri contro gli aiuti da paesi extra-Ue: la metodologia qui proposta potrebbe fornire un primo filtro per stabilire quali imprese sottoporre a ulteriori verifiche. 

Riteniamo infine che questo schema metodologico abbia un’applicabilità più generale. In diversi ambiti vi sono comportamenti che alcuni agenti economici tengono nascosti perché, per esempio, illeciti e, al contempo, vi è l’interesse delle istituzioni, che non sono in grado di osservare questi comportamenti, a farsi un’idea di quanto siano diffusi. Stimato il modello di predizione dei comportamenti non osservabili, il passo successivo sarebbe quello di sperimentarlo in alcuni casi ben individuati, tenendone altri come gruppo di controllo (cosiddetto randomized control trial), per misurare l’effettivo valore aggiunto che lo strumento predittivo può dare alla policy.

* Questo contributo è una versione tradotta e riadattata di un articolo comparso originariamente sul sito Voxeu.

Correlati

Correlati

Guglielmo Barone

Professore ordinario di economia all’Università di Bologna. Laureato in Economia politica all’Università Bocconi, ha conseguito il dottorato di ricerca in Metodologia statistica per la ricerca scientifica presso l’Università di Bologna. In passato ha lavorato in consulenza, come economista della Banca d’Italia e ha insegnato all’Università di Padova. I suoi principali interessi di ricerca riguardano le politiche per lo sviluppo locale, l’economia del settore pubblico, l’economia industriale.

Marco Letta

Docente e ricercatore in Politica Economica presso il Dipartimento di Scienze Sociali ed Economiche dell’Università La Sapienza di Roma. Si occupa soprattutto di sviluppo economico, econometria applicata e valutazione controfattuale delle politiche pubbliche. Su questi temi ha pubblicato numerosi articoli su riviste scientifiche nazionali e internazionali.