Il lavoro confronta l'accuratezza dei modelli econometrici tradizionali con quella degli algoritmi di machine learning nel prevedere le crisi fiscali nelle economie emergenti e nei paesi a basso reddito, identificando le variabili che più influenzano la probabilità di crisi.
L'analisi mostra che gli algoritmi di machine learning producono previsioni di crisi fiscali più accurate rispetto ai modelli tradizionali. Le variabili con maggiore contenuto predittivo sono il debito pubblico, la sua componente detenuta da investitori esteri, la frequenza storica di crisi analoghe e la qualità delle istituzioni pubbliche. Vengono elaborati indici di rischio aggregati che evidenziano un significativo incremento delle probabilità di crisi a seguito della pandemia.
Pubblicato nel 2024 in: Open Economies Review. v. 35, 1, pp. 189-213.
