La capacità di selezionare correttamente i beneficiari di una politica pubblica contribuisce a rendere quest'ultima più efficace. Le tecniche di predizione sviluppate nell'ambito delle metodologie di Machine Learning (ML) offrono la possibilità di individuare questi soggetti.
Questo lavoro mostra un'applicazione delle tecniche di ML a un bonus fiscale introdotto in Italia nella primavera del 2014 a favore dei lavoratori dipendenti con un reddito inferiore a una certa soglia. In particolare il lavoro esamina l'efficacia di questo intervento (che può rispondere a una molteplicità di obiettivi) rispetto alla situazione ipotetica in cui l'unico obiettivo da conseguire fosse la massimizzazione dei consumi delle famiglie.
Ai fini dell'esperimento si utilizzano i dati dell'Indagine sui bilanci delle famiglie (IBF), individuando le famiglie che più probabilmente avrebbero utilizzato il bonus per incrementare i consumi piuttosto che i risparmi.
I principali risultati dell'esercizio di predizione, che utilizza l'algoritmo di ML denominato decision tree e si concentra sui soli effetti relativi alla spesa per consumi, suggeriscono una regola di assegnazione del sussidio basata sulle condizioni reddituali e patrimoniali dell'intera famiglia e non sul solo reddito da lavoro dipendente del singolo beneficiario.
La regola suggerita dall'esercizio di predizione avrebbe potuto comportare maggiori effetti in termini di crescita dei consumi: il 29 per cento della spesa (circa 2 miliardi di euro l'anno) è stato assegnato a beneficiari che l'algoritmo di ML non identifica come coloro che avrebbero aumentato i consumi a seguito della ricezione del bonus.
Pubblicato nel 2018 in: Journal of Economic Behavior & Organization, v. 156, pp. 86-102
