1 Il sorpasso in valore dura un mese

Il capitolo 87 della nomenclatura doganale comprende tutti i veicoli stradali e le loro parti, non solo le automobili [2]. Le automobili per il trasporto di persone sono una sua voce, la 8703; i componenti e gli accessori sono la voce 8708.

In parole semplici: la linea blu è quanto la Germania vende alla Cina, quella rossa quanto compra. Dal 2022 la linea blu scende molto, la rossa sale piano; le due si incrociano solo all’ultimo mese.

L’export tedesco del capitolo 87 ha toccato 2.935 milioni di euro nel mese di marzo 2022 ed è sceso a 530 milioni nel mese di agosto 2026. L’import dalla Cina ha superato l’export in un solo mese su 56, agosto 2026, con 629 milioni contro 530. Anche per le sole automobili l’import ha superato l’export soltanto nel mese di agosto 2026.

Agosto è ogni anno il mese più debole per l’export tedesco: nel 2024, per esempio, il capitolo 87 è passato da 1.878 milioni a luglio a 1.314 milioni ad agosto. Il sorpasso cade quindi nel mese in cui la linea tedesca è più bassa per ragioni di calendario.

Il valore delle esportazioni è misurato al confine del paese che esporta, quello delle importazioni al confine del paese che importa, con trasporto e assicurazione inclusi [3].¹ A parità di merce, quindi, l’import incorpora qualche costo in più dell’export.

2 Che cosa vende la Germania: sempre più componenti

Una parte crescente dell’export tedesco verso la Cina non sono automobili, ma pezzi per le automobili. Nel mese di agosto 2026 i componenti (voce 8708) valevano il 59% dell’export del capitolo 87, contro il 32% nel mese di marzo 2022. È coerente con una produzione dei marchi tedeschi che si sposta in Cina e viene rifornita dalla Germania; i dati di commercio, però, non dicono chi compra i componenti.

3 In peso la Cina è già davanti

Le statistiche registrano anche il peso delle merci, cioè la massa netta senza imballaggio.² Il numero di automobili non è diffuso a questo livello di dettaglio, quindi il confronto in quantità si fa in tonnellate.

In parole semplici: a sinistra quante tonnellate di automobili passano nei due sensi, a destra quanto vale in media ogni chilo. La Cina spedisce in Germania più chili di auto della Germania verso la Cina, ma ogni chilo vale meno della metà.

Da gennaio ad agosto 2026 la Cina ha spedito in Germania 176.644 tonnellate di automobili, contro 120.801 nella direzione opposta; in tutto il 2025 erano state 125.864. Nello stesso periodo un chilo di automobile tedesca esportata valeva in media 24,2 euro, un chilo di automobile cinese importata 10,7 euro. Nel 2022 i due valori erano 32,6 e 17,1 euro: sono scesi entrambi, e il rapporto fra i due è rimasto intorno a due. Il confronto in euro mette quindi sullo stesso piano merci con prezzi molto diversi: in quantità il sorpasso cinese è già avvenuto, in valore resta limitato a un mese.

4 Benzina da una parte, elettrico e plug-in dall’altra

La nomenclatura distingue le automobili per tipo di motore: la voce 8703.80 comprende le auto con solo motore elettrico, la 8703.60 le ibride a benzina ricaricabili dalla rete.³

In parole semplici: le barre blu mostrano che cosa la Germania vende alla Cina, quasi solo auto a benzina; le rosse che cosa compra, soprattutto auto elettriche e ibride ricaricabili.

Nei primi otto mesi del 2026 la Germania ha esportato in Cina automobili per 2.918 milioni di euro, di cui 2.715 milioni (il 93%) a benzina con cilindrata fra 1.500 e 3.000 cc; le elettriche erano 59 milioni. L’import dalla Cina, 1.896 milioni, era fatto per 899 milioni di auto elettriche e per 741 milioni di ibride plug-in; nel 2024 le plug-in importate valevano 55 milioni.

5 Che cosa i dati non dicono

I dati di commercio non distinguono i marchi: un’automobile di un marchio europeo o americano prodotta in Cina e spedita in Germania conta come import dalla Cina. Per separare i marchi servono le immatricolazioni per marca. Il valore per chilogrammo è una misura media, che risente del mix di modelli e del peso delle batterie; non è il prezzo di un’automobile.

Nota metodologica

Questo documento nasce dall’interazione di tre componenti. L’autore definisce le domande, esercita il giudizio critico e assume la responsabilità scientifica ed editoriale del risultato. Strumenti di intelligenza artificiale generativa sono impiegati a supporto della ricerca bibliografica, della lettura, della sintesi, della riorganizzazione argomentativa e della revisione del testo. Un’infrastruttura open source sviluppata dall’autore automatizza il reperimento, l’armonizzazione e il controllo dei dati dalle fonti statistiche ufficiali, e mantiene l’elaborazione documentata e riproducibile.

Le fonti sono pubblicamente accessibili e citate con la loro denominazione ufficiale; l’analisi è pertanto integralmente auditabile e replicabile da terzi a partire da esse. Le tabelle e i grafici sono elaborazioni dell’autore: calcoli, aggregazioni, trasformazioni e scelte di rappresentazione sono attribuibili all’autore e non agli enti produttori dei dati.

La responsabilità per le fonti utilizzate, le analisi condotte, le elaborazioni effettuate, le interpretazioni proposte e le conclusioni formulate resta interamente in capo all’autore. L’intelligenza artificiale è stata impiegata come ambiente di supporto cognitivo ed editoriale, non come fonte primaria, autore autonomo o sostituto del giudizio critico.

1. L’universo e il controllo delle tavole

Ogni tavola ha un blocco di valori assoluti e uno di percentuali. Il notebook legge i valori assoluti e ricalcola le percentuali; il confronto con quelle pubblicate controlla la lettura.

Commento. La tabella conta le imprese dell’universo della Rilevazione: imprese attive con almeno 3 addetti nell’industria e nei servizi, esclusa la finanza. I valori hanno decimali perché sono stime campionarie riportate all’universo, non un conteggio. Le grandezze strutturali dell’edizione 2025 si riferiscono al 2024 (registro statistico delle imprese attive), quelle dell’edizione 2022 al 2021; le risposte al questionario riguardano invece l’anno della rilevazione.

Fra le due edizioni il totale resta quasi fermo (−0,2%), ma la composizione cambia. Le microimprese da 3 a 9 addetti scendono del 3,6%, le classi da 10 addetti in su crescono fra il 9,7% e il 17,8%. I macrosettori si muovono in direzioni diverse: commercio (−5,4%) e industria in senso stretto (−3,4%) perdono imprese, costruzioni (+5,8%) e altri servizi (+2,3%) ne guadagnano.

Questa tabella è il denominatore di tutto il notebook. Un cambiamento di composizione pesa sulle quote aggregate: se crescono le classi più grandi, che usano più spesso il credito bancario, la quota totale può salire anche senza che una singola classe cambi comportamento. La sezione 3 controlla questo effetto classe per classe.

Commento. Il grafico mostra la variazione 2022-2025 classe per classe. In tre macrosettori su quattro le microimprese calano: −7,4% nell’industria in senso stretto e nel commercio, −1,8% negli altri servizi. Le costruzioni sono l’eccezione: crescono anche le microimprese (+2,1%) e le classi da 20 addetti in su aumentano fra il 28,6 e il 36,7%. Negli altri servizi la crescita più forte è fra 20 e 49 addetti (+30,0%).

Le barre non dicono quanto pesa ciascuna classe. Le microimprese sono il 76,1% delle imprese nel 2025: il loro calo del 3,6% vale circa 28.600 imprese, più dell’aumento di tutte le altre classi messe insieme (circa 26.100). Per questo il totale scende leggermente anche se quasi tutte le barre sono blu.

Commento. La tabella controlla la lettura delle tavole. Per ogni tavola usata si ricalcolano le percentuali dai valori assoluti e si confrontano con quelle pubblicate da Istat nello stesso foglio; lo scarto massimo è zero in tutte. Ogni tavola usa il suo denominatore: l’universo per le fonti di finanziamento, le imprese che ricorrono a finanziamenti esterni per i motivi, le imprese che hanno chiesto un prestito per l’esito, le società di capitali per la ricapitalizzazione.

Il controllo dice che i numeri del notebook sono quelli di Istat; non dice nulla sulla precisione delle stime. L’appendice non pubblica gli errori campionari cella per cella, quindi le differenze di pochi decimi di punto fra due anni o due classi piccole vanno lette con cautela. Due voci hanno cambiato nome fra le edizioni. «Finanziamenti pubblici» (2022) e «Finanziamenti pubblici nazionali» (2025) sono trattate come la stessa voce, come fa Istat nel comunicato; i motivi «responsabilità sociale ed ambientale» (2022) e «sostenibilità ambientale» (2025) restano separati.

2. Fonti di finanziamento: 2022 e 2025

Quota di imprese che dichiara di aver usato ciascuna fonte fra le principali (risposta multipla).

Commento. La domanda chiede le principali fonti di finanziamento usate nell’anno, con risposta multipla: le quote non sommano a 100. L’ordine delle prime due fonti non cambia. L’autofinanziamento resta di gran lunga la più diffusa (dall’80,3 all’81,4%), il credito bancario a medio-lungo termine la seconda (dal 28,2 al 27,9%).

I movimenti più ampi sono fra le fonti esterne a breve. Il credito bancario a breve guadagna 2,7 punti (dall’11,5 al 14,2%), leasing e factoring 2,6 punti (dal 9,1 all’11,7%), il credito commerciale 1,4 punti (dal 5,5 al 6,9%). L’equity da mezzi propri passa dal 2,7 al 4,4%.

Il sostegno pubblico è stabile o in lieve calo: incentivi e agevolazioni dal 3,5 al 3,4%, finanziamenti pubblici nazionali dal 2,0 all’1,7%, contributi e fondi UE intorno al 2,5%. Gli strumenti di mercato restano marginali: venture capital, quotazione, project finance, crowdfunding e minibond stanno ciascuno sotto lo 0,2% delle imprese.

Nel comunicato Istat legge questi movimenti alla luce della discesa dei tassi della BCE nel 2025, dopo i rialzi del 2022: è l’interpretazione della fonte, non un risultato di questa tabella.

Commento. Il grafico riporta le fonti usate da almeno lo 0,5% delle imprese nel 2025. L’autofinanziamento sta in un pannello a parte perché la sua scala, intorno all’80%, schiaccerebbe tutte le altre. Il punto grigio è il 2022, quello colorato il 2025: blu se la quota sale, arancione se scende.

I segmenti più lunghi sono quelli del credito bancario a breve e di leasing e factoring. Le tre voci arancioni (credito bancario a medio-lungo termine, incentivi pubblici, finanziamenti pubblici nazionali) si muovono di pochi decimi di punto: a questa distanza la differenza fra salire e scendere è più piccola dell’incertezza di una stima campionaria.

Commento. Lo stesso confronto per macrosettore mostra che i movimenti non vengono da un solo settore. Il credito bancario a breve sale ovunque: industria in senso stretto dal 17,3 al 20,1%, commercio dal 13,0 al 16,5%, costruzioni dal 13,0 al 15,6%, altri servizi dal 7,9 al 10,3%. Il credito commerciale sale in tutti e quattro (nel commercio dal 7,9 al 10,5%), e così leasing e factoring, equity e prestiti infragruppo.

Il credito a medio-lungo termine è quasi fermo: cala di pochi decimi in industria, costruzioni e commercio e cresce di 0,3 punti negli altri servizi. L’industria in senso stretto resta il macrosettore più legato al credito bancario, gli altri servizi il meno legato; le costruzioni raddoppiano la quota di imprese che usa l’equity (dal 2,1 al 4,3%). I prestiti infragruppo restano sotto l’1,5% ovunque, perché riguardano soprattutto le imprese che appartengono a un gruppo.

3. Per classe di addetti

Le stesse quote per classe di addetti, totale dei settori.

Commento. Per classe di addetti la diffusione delle fonti esterne cresce con la dimensione. Nel 2025 usa il credito bancario a breve l’11,9% delle microimprese e il 31,5% delle imprese con 250 addetti e oltre; i prestiti infragruppo vanno dallo 0,4 al 15,4%. Il credito a medio-lungo termine fa eccezione: tocca il massimo fra 50 e 99 addetti (43,0%) e scende fra le imprese più grandi (40,6%).

La tabella sotto il grafico risponde alla domanda lasciata aperta nella sezione 1. L’aumento del credito a breve c’è in ogni classe, da +0,9 punti fra le grandi a +2,5 fra le microimprese: non è solo un effetto della composizione. Leasing e factoring crescono invece di più fra le grandi (+4,9 punti contro +2,2). Le imprese con 250 addetti e oltre sono l’unica classe in cui l’equity cala (−1,0 punti) e il credito a medio-lungo termine sale (+1,3).

4. Perché le imprese ricorrono al finanziamento esterno

Quota sulle imprese che hanno fatto ricorso a finanziamenti esterni (risposta multipla).

Commento. Qui il denominatore cambia: sono le imprese che hanno fatto ricorso a finanziamenti esterni, 459.615 nel 2025, cioè il 45,7% dell’universo (44,1% nel 2022). Anche questa domanda ammette più risposte.

I tre motivi principali restano gli stessi. Le esigenze di liquidità scendono dal 43,1 al 39,0%, l’attività ordinaria (personale, spese correnti) è stabile intorno al 37%, l’ampliamento della capacità produttiva sale dal 29,8 al 33,2%. Fra gli investimenti specifici, le nuove tecnologie digitali scendono dall’8,9 al 7,5%, quelle non digitali salgono dal 2,4 al 2,8%.

Il quadro è di un credito esterno meno legato al bisogno di cassa e un po’ più agli investimenti in capacità. Nel comunicato Istat aggiunge che le imprese piccole ricorrono al credito esterno soprattutto per l’attività corrente, quelle grandi per investire. La voce sulla sostenibilità ambientale (2025) e quella sulla responsabilità sociale e ambientale (2022) sono domande diverse e non si confrontano.

Commento. Il grafico ordina i motivi per la quota del 2025. Le due voci arancioni in alto (liquidità e attività ordinaria) indicano un ricorso al credito meno legato alla gestione corrente; il segmento blu dell’ampliamento della capacità produttiva è il movimento opposto. Le voci in fondo riguardano pochi punti percentuali: internazionalizzazione e partecipazioni in altre imprese restano sotto il 2% di chi ricorre al credito esterno.

5. Prestiti richiesti e ottenuti

Quota di imprese che ha chiesto un prestito a banche o altri intermediari e, fra queste, esito della richiesta. Nel 2022 la tavola riportava anche se il prestito era assistito da garanzia pubblica; nell’edizione 2025 quella domanda non c’è più.

Commento. La quota di imprese che ha chiesto un prestito a banche o altri intermediari è stabile: 24,0% nel 2022, 23,8% nel 2025. Fra chi l’ha chiesto, la quota che lo ottiene per l’intero importo sale dall’84,4 all’85,6%, quella che lo ottiene per un importo inferiore scende dal 9,5 all’8,2%, i rifiuti scendono dal 3,5 al 2,4%.

Due cautele. L’esito non ancora noto sale dal 2,6 al 3,9%: una parte delle richieste del 2025 era ancora in istruttoria e il suo esito finale non è nella tavola. La base delle percentuali sull’esito sono le imprese che hanno chiesto un prestito, come nella figura 25 del comunicato; nel testo del comunicato il 2,4% di rifiuti è riferito invece alle imprese con almeno 3 addetti. Sul totale delle imprese i rifiuti sarebbero circa lo 0,6%.

Secondo Istat, tre imprese su quattro non hanno chiesto prestiti e l’80,3% di queste non ne aveva bisogno (77% nel 2022).

Commento. Ogni barra è il 100% delle imprese che hanno chiesto un prestito. La parte scura, il prestito concesso per intero, occupa più dell’84% in entrambi gli anni. La differenza fra le due barre sta nelle code: si accorcia la parte concessa per un importo inferiore, si allunga quella con esito non ancora noto, si assottiglia quella dei rifiuti.

Commento. Solo l’edizione 2022 chiedeva se il prestito era assistito da una garanzia pubblica. Fra le imprese con almeno 3 addetti che avevano chiesto un prestito, il 48,7% aveva una garanzia pubblica: completa per il 17,6%, parziale per il 31,1%. Le tre colonne sommano al 100% delle imprese che hanno chiesto un prestito, comprese quelle che non l’hanno ottenuto.

La forma della garanzia cambia con la dimensione. La garanzia completa è più frequente fra le microimprese (19,4%) e scende fino al 7,3% fra le imprese con 250 addetti e oltre. La garanzia parziale prevale fra 10 e 249 addetti, con un massimo del 42,7% fra 50 e 99. Nel complesso la quota garantita più alta è fra 20 e 49 addetti (55,7%), la più bassa fra le imprese più grandi (33,8%).

È il dato della Rilevazione che si collega al Fondo di garanzia per le PMI. L’edizione 2025 non ripete la domanda: non si può dire da questa fonte se la quota di prestiti garantiti sia cresciuta o calata.

Commento. Il grafico separa la garanzia completa (blu) da quella parziale (azzurro). La lunghezza totale della barra disegna una curva: sale dalle microimprese fino alla classe 20-49 e poi scende, con un calo netto fra le imprese con 250 addetti e oltre. Il blu invece si accorcia con continuità al crescere della dimensione: più l’impresa è piccola, più spesso la garanzia copre tutto il prestito.

6. Ricapitalizzazione (solo 2025)

Le tavole 45-48 sono nuove nell’edizione 2025 e riguardano le sole società di capitali.

Commento. Le tavole sulla ricapitalizzazione sono nuove nell’edizione 2025 e riguardano solo le società di capitali con almeno 3 addetti, circa 482mila. Il 9,7%, quasi 47mila società, ha attuato o prevede una ricapitalizzazione.

Il canale prevalente è il capitale dei soci (5,5% delle società), seguito dagli incentivi pubblici o contributi (2,6%), dai nuovi soci (1,0%) e dai fondi di private equity o dalla quotazione (0,6%). La quota che si ricapitalizza varia poco con la dimensione, dal 9,1% delle microimprese all’11,5% della classe 50-99. Cambia invece il canale: il capitale dei soci sale dal 5,2 al 6,8% andando dalle micro alle grandi, private equity e quotazione dallo 0,5 all’1,7%, mentre gli incentivi pubblici toccano il massimo fra 10 e 19 addetti (3,1%) e scendono all’1,2% fra le grandi.

Nel comunicato Istat segnala una propensione più alta nel Mezzogiorno (12,0%).

Commento. La barra intera è la quota di società che prevede una ricapitalizzazione, quasi la stessa in ogni classe: circa una su dieci. La parte blu scura, il capitale dei soci, è sempre la più lunga. La parte arancione, private equity o quotazione, si allunga con la dimensione ma resta sotto il 2% anche fra le società con 250 addetti e oltre. L’azzurro degli incentivi pubblici si accorcia nelle classi più grandi: le imprese che ne fanno il canale prevalente sono soprattutto piccole.

Commento. La tabella riguarda le società di capitali che non prevedono una ricapitalizzazione, circa 435mila, con risposta multipla. La metà indica la volontà di mantenere invariato l’assetto proprietario (50,0%), quasi una su tre l’assenza di piani di espansione o investimento rilevanti (30,9%). I vincoli pesano poco: soci senza capitali da conferire 6,9%, incentivi inadeguati 3,5%, accesso difficile al capitale esterno 1,8%.

Con la dimensione i vincoli si riducono. L’impossibilità dei soci di conferire capitale passa dal 7,8% delle microimprese all’1,2% delle grandi; anche la mancanza di piani di investimento scende, dal 33,1 al 19,8%. L’assetto proprietario resta intorno alla metà in tutte le classi, fra il 47,4 e il 53,7%. Cresce invece con la dimensione l’«altro motivo», dal 20,1 al 39,4%: fra le società più grandi quattro su dieci indicano un motivo che il questionario non prevede.

Commento. Il grafico separa le scelte (blu) dai vincoli (azzurro); l’«altro motivo» è in grigio perché non si sa a quale gruppo appartenga. Le due scelte sommano 80,9 punti, i tre vincoli 12,2. Poiché la risposta è multipla, le due somme non dicono quante società indicano almeno una scelta o almeno un vincolo, ma il rapporto fra le due resta netto.

7. Confronto con BACH per macrosettore

BACH Italia, società non finanziarie, campione variabile, tutte le classi: voci del passivo in % del totale attivo. I macrosettori della Rilevazione si ricompongono dalle sezioni BACH, ponderando per il totale attivo. Industria in senso stretto = B-E; Costruzioni = F; Commercio = G; Altri servizi = H, I, J, L, M (senza sedi centrali), N, R, divisioni S95 e S96. Mancano in BACH le sezioni P (istruzione) e Q (sanità), presenti nella Rilevazione.

Commento. La tabella accosta, per ogni voce e macrosettore, la quota di imprese che usa la fonte (Istat, 2022 e 2025) e il peso della voce corrispondente nel bilancio delle società non finanziarie (BACH, 2022 e 2024, in % del totale attivo). Il raccordo fra le voci è: credito bancario a breve con i debiti verso banche entro 12 mesi (L21), a medio-lungo con quelli oltre 12 mesi (L22), credito commerciale con i debiti verso fornitori (L4), equity con il patrimonio netto (E), prestiti infragruppo con gli altri debiti finanziari (L31).

Le due fonti vanno nella stessa direzione in 13 casi su 25. L’equity concorda in tutti i macrosettori: più imprese usano i mezzi propri e il patrimonio netto pesa di più sull’attivo (dal 35,6 al 38,1% nel totale). Il credito bancario a medio-lungo concorda in quattro casi su cinque; fa eccezione negli altri servizi, dove la quota Istat sale di 0,3 punti e il peso BACH scende. Il credito commerciale concorda solo nelle costruzioni.

Il credito bancario a breve non concorda in nessun macrosettore: più imprese lo usano, ma pesa meno nei bilanci (dal 7,2 al 6,3% dell’attivo nel totale ricomposto). Il paragrafo sotto la tabella mostra che scende anche il terzo quartile BACH, quindi la divergenza non viene solo dalle imprese grandi. Una lettura compatibile, da verificare, è che più imprese usino un fido per importi piccoli rispetto all’attivo. Restano le differenze di metodo: anni diversi (BACH arriva al 2024), unità diverse (imprese contro bilanci), universi diversi (la Rilevazione comprende imprese individuali e società di persone).

Commento. Le serie BACH coprono il 2018-2024 per il totale ricomposto delle società non finanziarie. Il debito bancario, a breve e a medio-lungo, sale dal 2019 al 2021 (nel 2021 a breve 7,7%, a medio-lungo 7,4% dell’attivo) e poi scende fino al 2024 (6,3 e 5,8%). Il patrimonio netto cresce per tutto il periodo, dal 34,2% del 2018 al 38,1% del 2024; i debiti verso fornitori calano leggermente (dal 18,5 al 17,1%); gli altri debiti finanziari, soprattutto infragruppo, tornano nel 2024 al livello del 2018 (11,7%).

Il picco del 2021 è compatibile con i prestiti garantiti del periodo pandemico, ma è un’ipotesi: il notebook non scompone il debito per tipo di prestito. Il 2022, anno della seconda edizione della Rilevazione, cade già nella fase di discesa.

8. Confronto con BACH per divisione

Per ogni divisione Ateco presente in entrambe le fonti: quota di imprese che usa la fonte (Istat 2025) contro peso della voce nel bilancio (BACH 2024), come media ponderata e come terzo quartile. La mediana BACH non serve: per i debiti bancari è zero nella grande maggioranza delle divisioni (più di metà delle società non ne ha). Se le due fonti descrivono lo stesso fenomeno, le divisioni in cui più imprese usano il credito bancario dovrebbero essere anche quelle con più debito bancario in bilancio.

Commento. Il confronto per divisione Ateco guarda la sezione trasversale: in quali settori una fonte è più diffusa e in quali pesa di più nei bilanci. L’indice di Spearman misura quanto le due fonti ordinano le 71 divisioni comuni nello stesso modo.

Con il terzo quartile BACH il legame è forte per il credito bancario a breve (0,81) e a medio-lungo (0,77), buono per il credito commerciale (0,61), più debole per l’intra-gruppo (0,47) e per l’equity (0,28). Con la media ponderata i valori sono più bassi, perché la media riflette le poche società grandi di ogni divisione mentre la Rilevazione conta le imprese. La mediana non si usa: per i debiti bancari è zero nella grande maggioranza delle divisioni.

Il risultato completa quello della sezione 7. Le due fonti concordano su dove si usa il credito bancario, non su come cambia nel tempo. Per l’equity il legame debole ha una spiegazione semplice: la Rilevazione chiede se l’impresa ha usato i mezzi propri come fonte nell’anno, BACH misura il patrimonio netto accumulato.

Commento. Ogni punto è una divisione Ateco. Le nuvole salgono verso destra: le divisioni in cui più imprese usano il credito bancario sono quelle in cui le società più indebitate con le banche hanno più debito in bilancio. Le divisioni manifatturiere ad alta intensità di capitale, come la metallurgia (C24) per il breve e le bevande (C11) per il medio-lungo, stanno in alto a destra.

Alcuni punti estremi dipendono da divisioni con pochissime imprese. L’industria del tabacco (C12) ha 6 imprese nella Rilevazione e un terzo di esse usa il credito a breve; l’estrazione di petrolio e gas (B06) ne ha circa 7, nessuna con credito a breve. Su numeri così piccoli una sola risposta sposta la quota di molti punti: il legame si legge sull’insieme, non sui singoli punti.

9. Limiti

• Le quote della Rilevazione sono stime campionarie riportate all’universo; Istat non pubblica in appendice gli errori campionari per cella.

• La domanda sulle fonti di finanziamento chiede le fonti «principali», non tutte quelle in essere: una fonte usata poco può non essere dichiarata.

• Il confronto per divisione accosta 2025 (Rilevazione) e 2024 (BACH), e popolazioni diverse (tutte le imprese con almeno 3 addetti contro le società di capitali).

• La domanda sulla garanzia pubblica dei prestiti, presente nel 2022, manca nel 2025: non si può dire dalla Rilevazione se le garanzie siano cresciute o calate.

Nota metodologica

Questo documento nasce dall’interazione di tre componenti. L’autore definisce le domande, esercita il giudizio critico e assume la responsabilità scientifica ed editoriale del risultato. Strumenti di intelligenza artificiale generativa sono impiegati a supporto della ricerca bibliografica, della lettura, della sintesi, della riorganizzazione argomentativa e della revisione del testo. Un’infrastruttura open source sviluppata dall’autore automatizza il reperimento, l’armonizzazione e il controllo dei dati dalle fonti statistiche ufficiali, e mantiene l’elaborazione documentata e riproducibile.

Le fonti sono pubblicamente accessibili e citate con la loro denominazione ufficiale; l’analisi è pertanto integralmente auditabile e replicabile da terzi a partire da esse. Le tabelle e i grafici sono elaborazioni dell’autore: calcoli, aggregazioni, trasformazioni e scelte di rappresentazione sono attribuibili all’autore e non agli enti produttori dei dati.

La responsabilità per le fonti utilizzate, le analisi condotte, le elaborazioni effettuate, le interpretazioni proposte e le conclusioni formulate resta interamente in capo all’autore. L’intelligenza artificiale è stata impiegata come ambiente di supporto cognitivo ed editoriale, non come fonte primaria, autore autonomo o sostituto del giudizio critico.

Fondi Strutturali e Investimenti

I fondi saranno distribuiti tra diverse regioni italiane in base al loro livello di sviluppo:

• Regioni più sviluppate: 23,882 miliardi di euro
• Regioni in transizione: 3,612 miliardi di euro
• Regioni meno sviluppate: 46,575 miliardi di euro².

Programmi Interreg

L’Italia parteciperà a 19 programmi Interreg, con un budget totale di oltre 1,2 miliardi di euro, destinati a promuovere progetti innovativi e sostenibili. Questi programmi mirano a stimolare la cooperazione territoriale tra le regioni europee e si concentreranno su temi come la transizione verde, la digitalizzazione e l’inclusione sociale³.

Obiettivi Strategici

La nuova programmazione introduce cinque obiettivi strategici principali, che sostituiscono gli undici obiettivi tematici precedenti. Questi obiettivi mirano a garantire maggiore flessibilità nell’uso delle risorse e includono:

1. Un’Europa più intelligente
2. Un’Europa più verde
3. Un’Europa più connessa
4. Un’Europa più sociale
5. Un’Europa più vicina ai cittadini⁴⁵.

Ruolo delle Banche

Le banche italiane giocheranno un ruolo cruciale nel facilitare l’accesso a questi fondi attraverso strumenti finanziari specializzati. Saranno disponibili consulenze dedicate per le imprese che desiderano partecipare ai programmi di coesione, supportando così lo sviluppo economico e l’innovazione⁶⁷.

In sintesi, l’offerta delle banche italiane per la coesione 2021-2027 si configura come un’opportunità significativa per promuovere lo sviluppo regionale e la cooperazione europea, con un focus particolare su progetti innovativi e sostenibili.

Citations

1.0.1 Valutazione del Rischio e Credit Scoring

I dati sono fondamentali per determinare l’affidabilità creditizia di un cliente:

• Gli algoritmi analizzano reddito, spese e debiti per assegnare un punteggio di credito.
• Le banche usano il machine learning per rilevare potenziali insolvenze prima che si verifichino.

1.0.2 Prevenzione delle Frodi e Sicurezza

L’analisi dei dati permette di individuare transazioni sospette in tempo reale:

• Le banche monitorano pattern di spesa anomali per prevenire frodi.
• La biometria (impronte digitali, riconoscimento facciale) migliora la sicurezza basandosi su dati unici dei clienti.

1.0.3 Ottimizzazione della Customer Experience

I dati aiutano le banche a migliorare l’interazione con i clienti:

• Chatbot e assistenti virtuali personalizzano il supporto.
• Le app bancarie suggeriscono modi per risparmiare e investire in base allo storico del cliente.

1.0.4 Compliance e Regolamentazione

Nel settore bancario, la gestione dei dati è cruciale per rispettare normative come:

• GDPR (protezione dati personali)
• Basilea III (rischio di credito e capitale)
• AML (Anti-Money Laundering) per prevenire il riciclaggio di denaro.

Le banche che sfruttano al meglio i dati migliorano la sicurezza, la customer experience e la redditività. Chi padroneggia i dati, ha il vero potere nel settore finanziario.

1.1 Uso dell’Intelligenza artificiale in banca

L’Intelligenza Artificiale (AI) nei dati bancari sta trasformando il settore finanziario, rendendo i servizi più efficienti, sicuri e personalizzati. Ecco come viene applicata l’AI nei dati bancari:

2 Il tech in banca

Un report di Bloomberg Intelligence prevede che l’intelligenza artificiale causerà la riduzione di circa 200.000 posti di lavoro nel settore bancario globale nei prossimi 3-5 anni (Bloomberg News, 2025).

Nel marzo del 2023, Goldman Sachs aveva pubblicato una ricerca secondo la quale nei successivi 10 anni si sarebbero persi 300 milioni di posti di lavoro.

Secondo BCG l’utilizzo di strumenti di GenAI ridurrà i tempi di lavoro del 50% per singola attività.

Questo cambiamento riguarderà soprattutto mansioni ripetitive del back office e di assistenza clienti, ma porterà anche a un aumento della produttività e dei profitti per le banche, stimato tra il 12% e il 17%.

Sebbene molti posti di lavoro siano a rischio di automazione, si assisterà più a una trasformazione dei ruoli che a una sostituzione totale, con la creazione di nuove posizioni legate allo sviluppo e alla gestione dell’AI.

In un precedente articolo (Il Sole 24 Ore Mercoledì 4 Dicembre 2024) si discuteva dell’impatto della #GenAI evidenziando una mancanza di preparazione significativa da parte delle istituzioni.

Mentre molte banche si concentrano sul taglio dei costi tramite la GenAI (63% degli istituti secondo BCG), il successo delle strategie dipende soprattutto dal fattore umano (70%), attraverso la riqualificazione del personale e la trasformazione organizzativa.

Studi di Banca d’Italia confermano l’alta esposizione del settore finanziario alla sostituzione automatizzata di posti di lavoro, sottolineando la necessità di investimenti significativi in formazione e upskilling per evitare conseguenze negative.

Secondo il report #Bankit An assessment of occupational exposure to artificial intelligence in Italy, l’#IA è già presente e il suo impatto crescerà esponenzialmente.

C’è però scarsezza di piani specifici per lo sviluppo delle competenze in GenAI nel settore bancario a livello globale (solo il 5% delle banche ne ha uno).

3 Gli Investimenti Bancari in AI

Tendenze, Strategie e Impatti

Le banche stanno investendo miliardi di dollari nell’Intelligenza Artificiale (AI) per migliorare sicurezza, efficienza operativa e customer experience. L’AI non è più solo un’innovazione sperimentale, ma un elemento chiave per la competitività nel settore finanziario. Le banche stanno scommettendo fortemente sull’AI, perché porta vantaggi in termini di sicurezza, efficienza e soddisfazione del cliente. La sfida è bilanciare innovazione e compliance, evitando rischi etici e di cybersecurity.

4 I nuovi paradigmi normativi

AI Act, FIDA, DORA e NIS2, stanno ridefinendo il rapporto tra banche, tecnologia e gestione del rischio. Le istituzioni finanziarie, già altamente regolamentate, devono ora adattarsi a normative che mirano a garantire sicurezza, trasparenza e affidabilità nell’uso dell’Intelligenza Artificiale e delle infrastrutture digitali.

L’AI Act impone regole rigorose sull’uso di modelli AI nelle decisioni finanziarie, limitando il rischio di bias nei credit scoring o di frodi legate a sistemi automatizzati. Le banche devono implementare AI spiegabile e auditabile, riducendo il rischio di sanzioni per discriminazione algoritmica. Parallelamente, il FIDA spinge per una gestione responsabile dei dati finanziari, imponendo maggiore trasparenza sulle tecnologie impiegate.

Dal lato della sicurezza operativa, il DORA introduce requisiti più stringenti per la resilienza digitale, obbligando le banche a garantire la continuità dei servizi anche in caso di attacchi informatici. La NIS2, invece, amplia gli obblighi di cybersecurity, imponendo una gestione proattiva delle minacce su infrastrutture critiche.

In sintesi, questi regolamenti trasformano le banche in hub tecnologici più sicuri, trasparenti e resilienti, costringendole a un’evoluzione strategica che combina innovazione AI con rigide misure di compliance e cybersecurity.

5 La confusione fra AI, GenAI e RPA

AI (Intelligenza Artificiale), GenAI (Intelligenza Artificiale Generativa) e RPA (Robotic Process Automation) vengono spesso confusi, non solo dal cliente, ma anche dall’addetto: tutte e tre le tecnologie riguardano l’automazione e il miglioramento dei processi. Tuttavia, hanno differenze fondamentali

6 Fintech, AI e Comportamento della Clientela

Nuove Frontiere per Banche, Intermediari Finanziari e Finanza d’Impresa

L’innovazione tecnologica sta ridefinendo il settore finanziario, con Fintech e Intelligenza Artificiale (AI) che stanno trasformando l’interazione tra banche, intermediari finanziari e imprese. Queste nuove tecnologie automatizzano processi, migliorano l’efficienza e personalizzano i servizi, ridefinendo il comportamento della clientela e le strategie delle istituzioni finanziarie.

Fintech e AI stanno ridisegnando il settore bancario, imponendo un cambiamento nelle strategie delle banche, degli intermediari finanziari e delle imprese. L’automazione e la personalizzazione sono le chiavi per attrarre e fidelizzare una clientela sempre più digitale. Per restare competitivi, gli operatori finanziari devono abbracciare queste nuove tecnologie e adattarsi rapidamente alle nuove esigenze di mercato.

7 La Doppia (Tripla) Transizione: Digitale, Green e Generazionale

Il settore bancario si trova al centro di una doppia, se non tripla, transizione che coinvolge la digitalizzazione, la sostenibilità e il cambiamento generazionale. Tuttavia, fattori come l’analfabetismo informatico, l’età media elevata dei bancari e il digital divide rendono questa trasformazione complessa e ricca di sfide.

• Transizione Digitale → Automazione, AI, blockchain, neobank.
  
• Transizione Green → Investimenti ESG, finanza sostenibile.
  
• Transizione Generazionale → Cambio tra vecchia e nuova classe di bancari.

Sfida principale: bilanciare innovazione e sostenibilità, senza perdere il contatto con una clientela diversificata.

La digitalizzazione è inevitabile, ma il settore bancario deve affrontare sfide culturali e formative. Le istituzioni devono investire in formazione, mentorship e strategie inclusive per assicurare che l’innovazione non lasci indietro nessuno, favorendo una transizione armonica tra generazioni e modelli operativi.

8 La GenAI in banca

Fonte: Deloitte nell’ambito dell’**Osservatorio Fintech Innovation

9 Glossario

10 note

2 Registro Nazionale degli Aiuti di Stato

https://www.rna.gov.it/

3 Opencup

https://www.opencup.gov.it/portale

4 Opencoesione

https://opencoesione.gov.it/it/

## Biblio e sitografia

• https://www.mimit.gov.it/index.php/it/notizie-stampa/mise-45-milioni-alle-imprese-per-investimenti-in-blockchain-e-intelligenza-artificiale
• Fondo nuove tecnologie, al via domande per 45 milioni, Il Sole 24 Ore Mercoledì 21 Settembre 2022
• Incentivata la ricerca sull’intelligenza artificiale, Il Sole 24 Ore Giovedì 7 Luglio 2022

1.1 a cosa servono num=10&sca_esv=b7f49eb14b13d0ff&sxsrf=AHTn8zoX-WJU4kej-SU5uGy0Sl_AqaeURg:1739086839079&source=lnt&tbs=qdr:m&sa=X&ved=2ahUKEwjNmJuqi7aLAxXRywIHHS8CDDkQpwV6BAgEEA8&biw=1843&bih=1017&dpr=1.56

Questi parametri nell’URL della tua ricerca su Google hanno diverse funzioni specifiche:

• num=10 – Indica il numero di risultati per pagina. In questo caso, Google mostrerà 10 risultati per pagina.
• sca_esv=b7f49eb14b13d0ff – È un parametro di sessione che Google utilizza per il monitoraggio della ricerca. Non ha un impatto diretto sui risultati, ma serve a Google per ottimizzare la ricerca e migliorare l’esperienza utente.
• sxsrf=AHTn8zoX-WJU4kej-SU5uGy0Sl_AqaeURg – Fa parte del sistema di sicurezza di Google per prevenire attacchi CSRF (Cross-Site Request Forgery). Non influenza i risultati.
• source=lnt – Indica che la ricerca ha utilizzato un filtro temporale o altri strumenti avanzati di ricerca.
• tbs=qdr:m – Applica un filtro temporale alla ricerca. In questo caso, qdr:m significa che vengono mostrati solo i risultati pubblicati nell’ultimo mese.
• sa=X – È un parametro che indica che la ricerca è stata effettuata manualmente (senza passare da suggerimenti o altre fonti).
• ved=2ahUKEwjNmJuqi7aLAxXRywIHHS8CDDkQpwV6BAgEEA8 – È un parametro di tracking interno usato da Google per monitorare clic e interazioni con i risultati di ricerca.
• biw=1843&bih=1017 – Indicano la larghezza (biw) e l’altezza (bih) della finestra del browser in pixel al momento della ricerca. Questo può influenzare la disposizione dei risultati sulla pagina.
• dpr=1.56 – Indica il device pixel ratio, cioè il rapporto tra pixel fisici e pixel logici dello schermo. Google utilizza questo parametro per ottimizzare la visualizzazione dei risultati su schermi ad alta risoluzione.

1.2 nell’ultima settimana

Per filtrare i risultati della ricerca agli ultimi 7 giorni, devi modificare il parametro tbs=qdr:m (che filtra per l’ultimo mese) con tbs=qdr:w, che filtra per l’ultima settimana.

L’URL corretto per la tua ricerca diventa:

arduino Copia Modifica https://www.google.com/search?q=genai+finance+banking+filetype:pdf&tbs=qdr:w&num=10 📌 Spiegazione della modifica:

tbs=qdr:w → Mostra solo risultati pubblicati nell’ultima settimana. num=10 → Limita il numero di risultati per pagina a 10. filetype:pdf → Restringe la ricerca ai soli documenti PDF. Se vuoi un periodo ancora più ristretto (es. ultime 24 ore), puoi usare tbs=qdr:d.

1.3 per cercare nell’anno 2022 o in intervallo di date

ChatGPT ha detto: Per cercare documenti nell’anno 2022 o in un intervallo di date specifico su Google, devi usare il parametro tbs=cdr:1,cd_min:[data inizio],cd_max:[data fine].

1️⃣ Cercare nell’anno 2022 Puoi usare questo URL:

arduino Copia Modifica https://www.google.com/search?q=genai+finance+banking+filetype:pdf&tbs=cdr:1,cd_min:01/01/2022,cd_max:12/31/2022&num=10 📌 Spiegazione:

tbs=cdr:1,cd_min:01/01/2022,cd_max:12/31/2022 → Filtra i risultati pubblicati tra il 1° gennaio 2022 e il 31 dicembre 2022.

2️⃣ Cercare in un intervallo di date specifico Se vuoi risultati pubblicati tra 1° giugno 2023 e 31 dicembre 2023, usa:

arduino Copia Modifica https://www.google.com/search?q=genai+finance+banking+filetype:pdf&tbs=cdr:1,cd_min:06/01/2023,cd_max:12/31/2023&num=10 📌 Personalizza l’intervallo di date:

cd_min:MM/DD/YYYY → Data di inizio della ricerca. cd_max:MM/DD/YYYY → Data di fine della ricerca. 3️⃣ Metodo Alternativo Manuale Se preferisci, puoi fare la ricerca direttamente su Google, poi:

Clicca su Strumenti (sotto la barra di ricerca). Seleziona Intervallo di date personalizzato. Inserisci le date desiderate. Questa tecnica è utile se vuoi un filtro più preciso senza dover modificare l’URL manualmente. 🚀

1.4 crea una routine bash che chiede testo da cercare numero di risultati e periodo da a . i risultati devono essere solo pdf. la ricerca deve essere salvata in un file markdown

1.5 script puppeteer

ChatGPT ha detto: Google Pdf Search Puppeteer Ho creato uno script Puppeteer in JavaScript che esegue una ricerca su Google per file PDF, con la possibilità di specificare un intervallo di date e un numero di risultati. I risultati vengono salvati in un file Markdown. Se hai bisogno di modifiche o miglioramenti, fammi sapere! 🚀

const puppeteer = require('puppeteer');
const fs = require('fs');

(async () => {
    const browser = await puppeteer.launch({ headless: true });
    const page = await browser.newPage();

    // Chiedi all'utente il testo da cercare
    const readline = require('readline-sync');
    const query = readline.question("Inserisci il testo da cercare: ");
    const numResults = readline.question("Inserisci il numero di risultati (es. 10): ");
    const startDate = readline.question("Inserisci la data di inizio (formato MM/DD/YYYY): ");
    const endDate = readline.question("Inserisci la data di fine (formato MM/DD/YYYY): ");

    // Formatta la query per l'URL
    const queryUrl = encodeURIComponent(query);
    
    // Costruisci l'URL di ricerca di Google
    const searchUrl = `https://www.google.com/search?q=${queryUrl}+filetype:pdf&tbs=cdr:1,cd_min:${startDate},cd_max:${endDate}&num=${numResults}`;
    
    console.log(`Navigating to: ${searchUrl}`);
    await page.goto(searchUrl, { waitUntil: 'domcontentloaded' });

    // Estrai i link dai risultati di ricerca
    const links = await page.evaluate(() => {
        return Array.from(document.querySelectorAll('a'))
            .map(anchor => anchor.href)
            .filter(href => href.endsWith('.pdf'));
    });

    // Salva i risultati in un file Markdown
    const outputFile = 'risultati.md';
    let outputContent = `# Risultati per: ${query}\n`;
    outputContent += `_Periodo: ${startDate} - ${endDate}_\n\n`;
    links.forEach(link => {
        outputContent += `- [${link}](${link})\n`;
    });
    
    fs.writeFileSync(outputFile, outputContent);
    console.log(`Risultati salvati in ${outputFile}`);

    await browser.close();
})();

1.6 routine bash

• che chiede testo da cercare numero di risultati e periodo da a .
• i risultati devono essere solo pdf.
• la ricerca deve essere salvata in un file markdown ChatGPT ha detto: Google Pdf Search Puppeteer modifica apportata Ho aggiornato lo script Bash per eseguire la ricerca di file PDF su Google, chiedendo all’utente il testo da cercare, il numero di risultati e l’intervallo di date. I risultati vengono salvati in un file Markdown.

#!/bin/bash

# Chiedi all'utente il testo da cercare
echo "Inserisci il testo da cercare:"
read query

# Chiedi all'utente il numero di risultati
echo "Inserisci il numero di risultati (es. 10):"
read num_results

# Chiedi l'intervallo di date
echo "Inserisci la data di inizio (formato YYYY-MM-DD):"
read start_date
echo "Inserisci la data di fine (formato YYYY-MM-DD):"
read end_date

# Converti la query per l'URL
query_url=$(echo "$query" | sed 's/ /+/g')

# Costruisci l'URL di ricerca
search_url="https://www.google.com/search?q=${query_url}+filetype:pdf&tbs=cdr:1,cd_min:${start_date},cd_max:${end_date}&num=${num_results}"

# Definisci il file di output
output_file="risultati.md"

# Esegui la ricerca e salva i risultati in Markdown
echo "# Risultati per: $query" > "$output_file"
echo "_Periodo: $start_date - $end_date_" >> "$output_file"
echo "" >> "$output_file"

# Usa wget e grep per estrarre i link
wget -qO- "$search_url" | grep -Eo 'https?://[^ ]+\.pdf' | sort -u | while read -r link; do
    echo "- [$link]($link)" >> "$output_file"
done

echo "Risultati salvati in $output_file"

1.7 script python

import requests
from bs4 import BeautifulSoup
import urllib.parse

# Chiedi all'utente il testo da cercare
query = input("Inserisci il testo da cercare: ")
num_results = input("Inserisci il numero di risultati (es. 10): ")
start_date = input("Inserisci la data di inizio (formato YYYY-MM-DD): ")
end_date = input("Inserisci la data di fine (formato YYYY-MM-DD): ")

# Converti la query per l'URL
query_url = urllib.parse.quote(query)
search_url = f"https://www.google.com/search?q={query_url}+filetype:pdf&tbs=cdr:1,cd_min:{start_date},cd_max:{end_date}&num={num_results}"

# Definisci il file di output
output_file = "risultati.md"

# Esegui la richiesta HTTP
headers = {'User-Agent': 'Mozilla/5.0'}
response = requests.get(search_url, headers=headers)
soup = BeautifulSoup(response.text, 'html.parser')

# Trova tutti i link ai file PDF
links = set()
for a in soup.find_all('a', href=True):
    href = a['href']
    if ".pdf" in href:
        links.add(href)

# Salva i risultati in un file Markdown
with open(output_file, "w", encoding="utf-8") as f:
    f.write(f"# Risultati per: {query}\n")
    f.write(f"_Periodo: {start_date} - {end_date}_\n\n")
    for link in links:
        f.write(f"- [{link}]({link})\n")

print(f"Risultati salvati in {output_file}")

1.1 l’anticipazione del Fondo per lo sviluppo e la Coesione (FSC)

L’anticipazione del Fondo per lo Sviluppo e la Coesione (FSC) si riferisce all’assegnazione anticipata di risorse finanziarie, provenienti dalla programmazione FSC 2021-2027, a favore di amministrazioni centrali, regioni o province autonome. Queste anticipazioni sono destinate a finanziare interventi che possono essere avviati immediatamente o a completare progetti già in corso, garantendo così una rapida attuazione delle politiche di coesione economica, sociale e territoriale.

Ad esempio, la Delibera CIPESS n. 79/2021 ha disposto un’assegnazione complessiva di circa 2,6 miliardi di euro a favore di regioni e province autonome, utilizzando in parte le risorse FSC 2014-2020 e in parte quelle della programmazione 2021-2027. Queste risorse sono state destinate a interventi immediatamente cantierabili o al completamento di progetti esistenti. PROGRAMMAZIONEECONOMICA.GOV.IT

Un ulteriore esempio è rappresentato dalla Delibera CIPESS n. 1/2022, che ha assegnato, a titolo di anticipazione, circa 4,68 miliardi di euro al Ministero delle Infrastrutture e della Mobilità Sostenibili per il finanziamento di opere strategiche e interventi locali, con l’obiettivo di promuovere la mobilità sostenibile e migliorare le infrastrutture nel Paese. PROGRAMMAZIONEECONOMICA.GOV.IT

Queste anticipazioni consentono di accelerare l’implementazione di progetti strategici, contribuendo al riequilibrio economico e sociale tra le diverse aree del Paese, in linea con le finalità del FSC.

1.2 perchè si usa l’anticipazione invece dei fondi previsti?

L’uso dell’anticipazione del Fondo per lo Sviluppo e la Coesione (FSC) invece dei fondi già previsti dipende da diversi motivi tecnici, burocratici e strategici. Ecco le principali ragioni:

1.3 come funziona l’iter di gestione di fondi e anticipazioni in modo che nel tempo si allineino

1.4 1️⃣ Programmazione e Pianificazione dei Fondi FSC

1. Definizione della programmazione pluriennale
   • Il Governo italiano, insieme alle Regioni e Province Autonome, stabilisce le priorità di investimento per il ciclo FSC (es. 2021-2027).
     
   • La programmazione viene approvata dal Comitato Interministeriale per la Programmazione Economica e lo Sviluppo Sostenibile (CIPESS).
     
   • Le risorse vengono suddivise tra macro-aree tematiche (infrastrutture, digitalizzazione, transizione verde, ecc.).
2. Ripartizione delle risorse e assegnazione ai progetti
   • Le amministrazioni centrali e regionali definiscono i progetti da finanziare.
     
   • Le risorse vengono assegnate progressivamente in base ai tempi di realizzazione e alla capacità di spesa dei soggetti attuatori.

1.5 2️⃣ Richiesta e Concessione dell’Anticipazione

3. Richiesta di anticipazione
   • Se un progetto necessita di fondi immediati, la Regione o l’Ente interessato può richiedere un’anticipazione sui fondi FSC futuri.
     
   • La richiesta deve essere motivata e dimostrare la capacità di spesa immediata.
4. Approvazione da parte del CIPESS e Ministero dell’Economia e delle Finanze (MEF)
   • Il CIPESS approva la richiesta e assegna le risorse in via provvisoria.
     
   • Il MEF verifica la disponibilità di fondi nel bilancio dello Stato e autorizza l’erogazione.
5. Erogazione dell’anticipazione
   • L’anticipazione viene versata all’ente beneficiario, che può utilizzarla per avviare il progetto.

1.6 3️⃣ Gestione e Monitoraggio dell’Allineamento

6. Monitoraggio della spesa e rendicontazione
   • Gli enti devono dimostrare di aver speso i fondi anticipati per gli scopi dichiarati.
     
   • Il Sistema Nazionale di Monitoraggio traccia lo stato di avanzamento dei progetti.
7. Allineamento con i fondi ordinari FSC
   • Quando le risorse FSC previste per quel ciclo diventano disponibili, si procede a un conguaglio finanziario.
     
   • L’anticipazione viene scalata dalle risorse ordinarie, evitando sovrapposizioni di finanziamento.
8. Rendicontazione finale e chiusura finanziaria
   • L’ente beneficiario presenta un bilancio finale.
     
   • Se l’anticipazione è stata spesa correttamente, il progetto viene ufficialmente chiuso.
     
   • Se vi sono risorse non utilizzate, possono essere riallocate.

1.7 🔄 Meccanismi di Equilibrio per Evitare Disallineamenti

• Vincoli di destinazione → Le anticipazioni devono essere utilizzate solo per spese strettamente collegate ai progetti FSC.
  
• Controlli periodici → Il MEF e il Dipartimento per la Coesione effettuano verifiche per garantire l’equilibrio tra anticipazioni e fondi ordinari.
  
• Clausole di compensazione → Se una Regione riceve un’anticipazione ma poi non utilizza i fondi, può subire riduzioni nelle assegnazioni future.
  
• Flessibilità → Se le risorse ordinarie FSC subiscono ritardi, è possibile prevedere ulteriori anticipazioni per evitare blocchi.

1.8 perchè hai usato un tempo così lungo?

Ho utilizzato un periodo lungo (2024-2030) perché il Fondo per lo Sviluppo e la Coesione (FSC) è strutturato su cicli pluriennali di programmazione (tipicamente 7 anni, es. 2014-2020, 2021-2027). Le anticipazioni servono a coprire i primi anni, in attesa della piena operatività dei fondi ordinari.

1.9 perchè il fsc non è stato rimborsato totalmente?

Il FSC non è stato rimborsato totalmente per diversi motivi strutturali e strategici legati alla gestione dei fondi pubblici. Ecco le principali spiegazioni:

1.10 usa l’esempio che parte dal 2014 e costa complessivamente 1000 euro. dammi grafico e tabella con valori negativi per i rimborsi delle anticipazioni

Cronoprogramma Con Costo Totale 1000€

Cronoprogramma Con Finanziamenti, Rimborsi E Cicli Di Programmazione

Ho generato il cronoprogramma con un costo totale di 1000€, includendo: ✔️ Tabella con i valori dettagliati (anticipazioni FSC, fondi FSC ordinari, FESR, PNRR e rimborsi). ✔️ Grafico a barre sovrapposte con linee verticali per i cicli settennali dell’UE (2021, 2028) e la scadenza del PNRR (2026).

Ora puoi vedere chiaramente quando e come i fondi vengono erogati e rimborsati. Fammi sapere se vuoi modifiche o altre visualizzazioni! 🚀 ​​

Hai detto: asse ascisse con numeri interi linee verticali coincidenti con le date min max dei cicli ChatGPT ha detto: Cronoprogramma Con Finanziamenti, Rimborsi E Cicli Di Programmazione

Ecco il grafico aggiornato, con: ✔️ Asse delle ascisse con numeri interi, migliorando la leggibilità. ✔️ Linee verticali corrispondenti esattamente all’inizio e alla fine dei cicli UE (2014-2020, 2021-2027, 2028-2034). ✔️ Linea per la scadenza del PNRR (2026).

Ora il grafico rappresenta con precisione i cicli di finanziamento e come si sovrappongono nel tempo. Se vuoi altre migliorie o personalizzazioni, fammelo sapere! 🚀 ​​

Hai detto: i cicli hanno un periodo di tolleranza (5+2?) il costo del progetto è noto dall’inizio e si può programmare quanto assorbirà nel tempo? ChatGPT ha detto: 📌 I Cicli di Programmazione e la Tolleranza Temporale (5+2) I cicli settennali dei fondi europei (come il FESR) seguono una logica di “N+2” (prima era “N+3”), il che significa che:

I fondi stanziati in un ciclo (es. 2014-2020) possono essere spesi fino a due anni dopo la fine del ciclo, cioè fino al 2022. Il ciclo 2021-2027 avrà risorse utilizzabili fino al 2029. Il ciclo 2028-2034 potrebbe estendersi fino al 2036, se manterrà la stessa regola. Questo periodo di tolleranza consente flessibilità nella spesa, riducendo il rischio di perdere fondi a causa di ritardi amministrativi.

📌 Il Costo del Progetto è Noto dall’Inizio? Sì, in teoria il costo complessivo del progetto è noto dall’inizio, ma con alcune considerazioni:

La pianificazione iniziale stabilisce un budget globale (es. 1000 milioni di € nel nostro esempio). L’assorbimento delle risorse varia nel tempo, dipendendo da: Disponibilità dei fondi (FSC, FESR, PNRR) Avanzamento del progetto (studi, appalti, realizzazione) Eventuali imprevisti (ritardi burocratici, costi aggiuntivi, nuove fonti di finanziamento) Gli enti programmano l’assorbimento nel tempo, ma con possibilità di variazione. 📌 È Possibile Pianificare Quanto un Progetto Assorbirà Ogni Anno? ✔️ Sì, in larga misura. L’assorbimento dei fondi può essere programmato in base a:

Il fabbisogno del progetto (spese di progettazione, cantierizzazione, realizzazione) Le disponibilità finanziarie (arrivo dei fondi UE e nazionali) Il periodo di spesa autorizzato (sfruttando il meccanismo “5+2”) 📌 Quindi, un progetto può essere strutturato per assorbire fondi FSC all’inizio e poi utilizzare FESR e PNRR nei cicli successivi, sfruttando la tolleranza “N+2”.

📌 Vuoi che modifichi il cronoprogramma per tener conto della tolleranza nei cicli? Posso adattare il grafico per mostrare che i fondi di un ciclo vengono assorbiti anche nei due anni successivi, rendendo più realistica la distribuzione nel tempo. 🚀

Hai detto: si ChatGPT ha detto: Cronoprogramma Con Periodo Di Tolleranza (N+2)

Cronoprogramma Con Periodo Di Tolleranza (N+2) Per I Cicli Di Programmazione

Ho aggiornato il cronoprogramma e il grafico a barre sovrapposte per includere la tolleranza N+2 nei cicli di programmazione UE. Ora puoi vedere chiaramente che:

✔️ I cicli settennali UE (2014-2020, 2021-2027, 2028-2034) si estendono di due anni (N+2), fino a 2022, 2029 e 2036. ✔️ I fondi FESR vengono assorbiti anche dopo la fine del ciclo principale, sfruttando la tolleranza. ✔️ Il PNRR ha una scadenza rigida (2026), senza tolleranza. ✔️ Il rimborso delle anticipazioni FSC è distribuito negli anni successivi.

Ora il grafico rappresenta in modo più realistico come un progetto può pianificare l’assorbimento dei fondi nel tempo. Fammi sapere se vuoi altre modifiche o approfondimenti! 🚀 ​​

Hai detto: nel grafico inserisci i fondi privati e i fondi anticipati a breve o a lungo termine dalle banche ChatGPT ha detto: Cronoprogramma Con Fondi Privati E Finanziamenti Bancari

Cronoprogramma Con Fondi Privati E Finanziamenti Bancari (Breve E Lungo Termine)

Ho aggiornato il cronoprogramma e il grafico includendo: ✔️ Fondi Privati (brown) → Capitale privato investito nel progetto. ✔️ Finanziamenti Bancari a Breve Termine (cyan) → Prestiti con durata breve per anticipare spese. ✔️ Finanziamenti Bancari a Lungo Termine (dark orange) → Prestiti con durata pluriennale.

Ora il grafico mostra tutte le fonti di finanziamento, inclusi i contributi pubblici, i finanziamenti privati e bancari, evidenziando anche le restituzioni delle anticipazioni FSC.

Se vuoi altre personalizzazioni o un’analisi più dettagliata, fammelo sapere! 🚀 ​​

Hai detto: dammi lo script python per realizzare il grafico e la tabella ChatGPT ha detto: Ecco lo script Python per generare il cronoprogramma con fondi pubblici, privati e bancari, includendo il grafico a barre sovrapposte e la tabella dei dati.

1.11 se a livello di progetto l’iter è complesso, a livello regionale nazionale comunitario è ancora più complesso in quanto le risorse devono concigliarsi con le misure missioni e obiettivi

1.12 📌 1. Complessità della Programmazione Pluriennale

A livello comunitario, nazionale e regionale, le risorse devono essere pianificate e distribuite nel tempo, rispettando: ✔️ Cicli di programmazione UE (7+2 anni) per i fondi strutturali (FESR, FSE+).
✔️ Vincoli e scadenze rigide per strumenti come il PNRR (2026).
✔️ Fondi FSC senza ciclo predefinito, ma che devono coordinarsi con altri strumenti.
✔️ Bilanci nazionali e regionali, che prevedono spese annuali.

Tutte queste fonti devono essere coerenti tra loro per evitare sovrapposizioni o fondi non spesi.

1.13 📌 2. Necessità di Conciliarsi con Misure, Missioni e Obiettivi

La spesa pubblica non può essere casuale: deve rispondere a strategie definite a livello UE, nazionale e regionale.

1.14 📌 3. Coordinamento tra le Diverse Fonti di Finanziamento

Uno dei problemi più critici è la sovrapposizione e il coordinamento tra le diverse fonti:

✔️ Evitare il doppio finanziamento → Un progetto non può ricevere sia PNRR che FSC per le stesse spese.
✔️ Garantire continuità → Se il PNRR si chiude nel 2026, bisogna prevedere un passaggio ai fondi strutturali UE.
✔️ Monitorare la spesa in tempo reale → Serve un sistema centralizzato per tenere traccia di quanto è stato speso e quanto rimane.

⚠️ Sfida: Gli enti devono gestire strumenti diversi con regole, tempistiche e vincoli differenti.

1.15 📌 4. Simulazione di Allocazione Fondi tra Misure e Obiettivi

📊 Vuoi che realizzi un’analisi visiva (es. grafico a barre, diagramma di flusso) per mostrare come i fondi devono essere allocati tra missioni e misure?
Posso creare una simulazione di allocazione fondi tra livelli UE, nazionali e regionali per evidenziare la complessità della programmazione! 🚀

1.16 come si fa allora a costruire una misura? si parte dalla misura e poi si cercano i fondi coerenti o si parte dagli obiettivi per costruire alla fine una misura?

1.17 📌 1. Approccio “Top-Down” → Dagli Obiettivi alle Misure

Questo approccio è tipico delle strategie di lungo termine e dei piani comunitari e nazionali (es. Fondi UE, PNRR, FSC).
Si parte da grandi obiettivi strategici e si costruiscono misure ad hoc.

🔹 Fasi principali: 1. Definizione degli obiettivi generali → Es. “Digitalizzare la PA entro il 2027”
2. Identificazione delle missioni → Es. “Migliorare i servizi digitali per le imprese”
3. Creazione della misura → Es. “Finanziamenti per la transizione al cloud nelle PA locali”
4. Individuazione delle fonti di finanziamento → Es. “PNRR, FESR, FSC”

✔️ Vantaggi:
- Coerenza con la programmazione strategica
- Ottimizzazione delle risorse in base agli obiettivi di policy
- Facile integrazione con altre iniziative

⚠️ Svantaggi:
- Lento da attivare (richiede pianificazione politica e negoziati)
- Rischio di poca flessibilità se i fondi disponibili non coprono le reali necessità

1.18 📌 2. Approccio “Bottom-Up” → Dai Fondi alle Misure

Questo approccio è più pragmatico e tipico dei livelli regionali e locali, dove si parte dalle risorse disponibili e si costruiscono misure operative.

🔹 Fasi principali: 1. Analisi delle risorse disponibili → Es. “Abbiamo 200 milioni di FESR per innovazione”
2. Definizione dei bisogni territoriali → Es. “Le PMI locali hanno bisogno di supporto per il digitale”
3. Creazione di una misura compatibile con i fondi → Es. “Voucher digitalizzazione PMI”
4. Allineamento con gli obiettivi strategici → Es. “La misura rientra nella strategia UE 2021-2027”

✔️ Vantaggi:
- Più rapido ed efficace (si parte da risorse già assegnate)
- Maggiore adattabilità ai bisogni locali
- Più semplice da implementare

⚠️ Svantaggi:
- Rischio di creare misure non completamente in linea con le strategie di lungo periodo
- Possibili sovrapposizioni o inefficienze se i fondi non sono coordinati

1.19 📌 Quale Approccio è Meglio?

🔹 A livello comunitario e nazionale → Approccio “Top-Down”
- Si definiscono prima gli obiettivi e le strategie
- Le misure vengono costruite per rispondere a questi obiettivi

🔹 A livello regionale e locale → Approccio “Bottom-Up”
- Si parte dalle risorse disponibili
- Si creano misure che rispondano ai bisogni territoriali

💡 La soluzione migliore?
🔹 Un modello misto, in cui i governi nazionali e regionali stabiliscono le priorità strategiche (Top-Down) ma lasciano flessibilità alle regioni e agli enti locali per adattare le misure ai bisogni reali (Bottom-Up).

1.20 ci sono poi anche i fondi regionali che necessitano di un coordinamento con quelli nazionali ed europei è il cipess che organizza?

1.21 📌 1. Quali sono i Fondi Coinvolti?

Il sistema finanziario per lo sviluppo del territorio si basa su tre livelli principali di fondi:

⚠️ Sfida: Ogni livello ha priorità e regole diverse, quindi serve un coordinamento forte per evitare duplicazioni o inefficienze.

1.22 📌 2. Il Ruolo del CIPESS nel Coordinamento

Il CIPESS (ex CIPE) è l’organo principale che garantisce il coordinamento della programmazione e dell’uso dei fondi pubblici, con particolare attenzione a FSC e fondi regionali.

🔹 Compiti principali del CIPESS: ✔️ Programmazione strategica → Definisce le priorità per l’uso del Fondo per lo Sviluppo e la Coesione (FSC).
✔️ Allocazione delle risorse → Decide la ripartizione dei fondi FSC tra Regioni, Ministeri e programmi nazionali.
✔️ Coordinamento con fondi UE e nazionali → Assicura che le risorse FSC siano complementari ai fondi strutturali UE e ai fondi regionali.
✔️ Monitoraggio della spesa pubblica → Verifica che i fondi siano spesi nei tempi e nei modi previsti.
✔️ Supervisione del PNRR → Anche se il PNRR è gestito principalmente dal MEF e dal Dipartimento per la Coesione, il CIPESS ha un ruolo di supporto nel coordinamento.

💡 Es. Decisioni del CIPESS:
- Assegna il FSC alle Regioni per finanziare infrastrutture, innovazione, ambiente.
- Allinea i fondi FSC con FESR e FSE+ per massimizzare l’impatto.
- Decide le anticipazioni FSC per avviare progetti strategici in attesa di fondi UE.

1.23 📌 3. Come Funziona il Coordinamento tra Fondi?

Per evitare sovrapposizioni e inefficienze, il CIPESS lavora con un modello multilivello, in cui i fondi vengono combinati e riallocati in base alle esigenze e alle strategie territoriali.

🔹 Coordinamento tra livelli di fondi: 1️⃣ Fondi Europei (FESR, FSE+, FEASR, PNRR indiretto)
- Destinati a obiettivi di sviluppo comunitari
- Gestiti dalle Regioni attraverso i Programmi Operativi Regionali (POR)
- Obbligo di cofinanziamento con risorse nazionali

2️⃣ Fondi Nazionali (FSC, PNRR, Bilancio di Stato, Contratti di Sviluppo)
- Servono a complementare i fondi europei
- Allocati dal CIPESS in base alle priorità del governo
- In alcuni casi, sostituiscono i fondi UE in caso di ritardi

3️⃣ Fondi Regionali
- Finanziano progetti specifici su scala locale
- Spesso cofinanziati da fondi UE o FSC
- Devono essere allineati con le strategie nazionali e comunitarie

💡 Esempio pratico di coordinamento: 1. Il CIPESS assegna FSC alla Regione X per infrastrutture digitali.
2. La Regione X usa FESR per coprire parte degli stessi investimenti.
3. Il bilancio regionale aggiunge risorse proprie per completare il progetto.

⚠️ Senza coordinamento, il rischio è che uno stesso intervento venga finanziato da più fonti senza una logica chiara.

1.24 📌 4. Come Viene Realizzata la Programmazione Integrata?

Per garantire coerenza tra i diversi livelli di fondi, il processo di programmazione segue questi passaggi:

1.25 📌 5. Strumenti di Coordinamento tra Fondi

Per garantire la coerenza e il corretto utilizzo delle risorse, esistono vari strumenti di coordinamento istituzionale:

🔹 Accordi di Coesione → Intese tra Stato e Regioni per l’uso integrato di FSC, FESR e PNRR.
🔹 Cabine di Regia PNRR → Tavoli tecnici per verificare l’attuazione delle misure.
🔹 Delibere CIPESS → Decisioni ufficiali sull’allocazione e la riprogrammazione dei fondi.
🔹 Sistemi di Monitoraggio (ReGiS, Opencoesione) → Strumenti per tracciare la spesa dei fondi.

1.26 📌 Conclusione

✔️ Il CIPESS è l’organo principale che coordina FSC, fondi regionali e nazionali con quelli UE.
✔️ Garantisce che le risorse siano usate in modo sinergico e senza duplicazioni.
✔️ Il coordinamento multilivello è essenziale per evitare inefficienze e accelerare la spesa pubblica.

👉 Vuoi che realizzi un diagramma di flusso per visualizzare il coordinamento tra fondi UE, nazionali e regionali? 🚀

1.27 riesco a ricostruire importi tempi e fondi di un progetto usano i dati di opencoesione opencup o altri opendata?

1.28 📌 1. Dati Disponibili su OpenCoesione

🔹 OpenCoesione è la piattaforma ufficiale del governo italiano che traccia i progetti finanziati con fondi UE e FSC.
🔹 Fornisce dati su: - Importo finanziato e speso
- Fondi di provenienza (FESR, FSE+, FSC, PNRR, Regionali, ecc.)
- Soggetti attuatori
- Date di inizio e fine progetto
- Settore e categoria del progetto
- Stato di avanzamento

💡 Come usare OpenCoesione per ricostruire un progetto? 1. Accedi al portale OpenCoesione
2. Cerca un progetto per nome, codice CUP o ente attuatore
3. Scarica il dataset e analizza le informazioni di finanziamento

1.29 📌 2. Dati Disponibili su OpenCUP

🔹 OpenCUP contiene informazioni su tutti i progetti di investimento pubblico in Italia, indipendentemente dal tipo di finanziamento.
🔹 Permette di tracciare un progetto a partire dal Codice Unico di Progetto (CUP).
🔹 Dati disponibili: - Importo totale e fonti di finanziamento (PNRR, FSC, FESR, bilancio statale, ecc.)
- Data di approvazione e cronoprogramma
- Soggetto beneficiario e localizzazione

💡 Come usare OpenCUP? 1. Vai su OpenCUP
2. Cerca un progetto per CUP
3. Analizza il finanziamento e le tempistiche

1.30 📌 3. Dati Disponibili su OpenPNRR

🔹 OpenPNRR è la piattaforma che traccia lo stato di attuazione dei progetti finanziati con il Piano Nazionale di Ripresa e Resilienza (PNRR).
🔹 Informazioni disponibili: - Fondi assegnati e spesi
- Scadenze e milestone previste
- Ministeri e Regioni responsabili
- Stato di avanzamento

💡 Come usare OpenPNRR? 1. Vai su OpenPNRR
2. Consulta i dati per missione, misura o ente attuatore
3. Scarica i dataset per analisi dettagliate

1.31 📌 4. Dati Aggiuntivi da Fonti Regionali e Ministeriali

Alcune Regioni e Ministeri pubblicano dati dettagliati su progetti finanziati, ad esempio: - Portali open data regionali → Con dati su progetti finanziati localmente.
- Banca dati ReGiS del MEF → Per il monitoraggio degli investimenti pubblici.
- Anagrafe Opere Pubbliche (MIT) → Con dettagli su progetti infrastrutturali.

💡 Esempio: Open Data Regione Lombardia 1. Vai su Open Data Lombardia
2. Scarica i dataset su fondi FESR e FSC
3. Incrocia i dati con OpenCoesione per ricostruire il progetto

1.32 📌 5. Posso Estrarre e Analizzare i Dati per un Progetto Specifico?

Se mi fornisci: - Il nome del progetto
- Il codice CUP (se disponibile)
- L’ente attuatore o il settore di riferimento

Posso cercare i dati su OpenCoesione, OpenCUP o OpenPNRR e fornirti un’analisi dettagliata con importi, fondi e tempi di realizzazione! 🚀

2 quale sono le misure più semplici per il corrdinamento delle risore-se? quali i più complessi?

3 come possono intervenire le banche momentaneamente al posto dei fondi pubblici?

4 come deve una impresa organizzarsi per ricevere fondi ?

import graphviz

# Creazione del blueprint del progetto con Graphviz
dot = graphviz.Digraph(format='png', engine='dot')

# Definizione dei nodi principali (attori coinvolti)
dot.node('Impresa', 'Impresa Beneficiaria', shape='box', style='filled', fillcolor='lightblue')
dot.node('Banca', 'Banca (Finanziamento Ponte)', shape='ellipse', style='filled', fillcolor='lightgrey')
dot.node('FondoUE', 'Fondo Comunitario (FESR, FSE+)', shape='ellipse', style='filled', fillcolor='lightgreen')
dot.node('FondoNaz', 'Fondo Nazionale (PNRR, Invitalia)', shape='ellipse', style='filled', fillcolor='lightyellow')
dot.node('FSC', 'Fondo per lo Sviluppo e la Coesione (FSC)', shape='ellipse', style='filled', fillcolor='lightcoral')
dot.node('FondoReg', 'Fondo Regionale (POR FESR, FSE+)', shape='ellipse', style='filled', fillcolor='lightsalmon')

# Collegamenti tra gli attori
dot.edge('Impresa', 'Banca', 'Richiesta Finanziamento Temporaneo')
dot.edge('Banca', 'Impresa', 'Erogazione Finanziamento Ponte')
dot.edge('Impresa', 'FondoUE', 'Domanda di Finanziamento')
dot.edge('Impresa', 'FondoNaz', 'Richiesta Cofinanziamento')
dot.edge('Impresa', 'FSC', 'Richiesta Fondi per Investimento')
dot.edge('Impresa', 'FondoReg', 'Richiesta Supporto Regionale')

# Flussi di finanziamento
dot.edge('FondoUE', 'Impresa', 'Erogazione Fondi UE')
dot.edge('FondoNaz', 'Impresa', 'Erogazione Fondi Nazionali')
dot.edge('FSC', 'Impresa', 'Erogazione Fondi FSC')
dot.edge('FondoReg', 'Impresa', 'Erogazione Fondi Regionali')

# Ritorno del finanziamento bancario
dot.edge('Impresa', 'Banca', 'Rimborso Finanziamento con Fondi Ricevuti')

# Creazione del diagramma
dot.render('blueprint_progetto', view=True)

'blueprint_progetto.png'

5 la misura è come una torta , i fondi gli ingredienti, il cipess il pasticcere

0.0.1 Quarto: Cos’è e a cosa serve?

Quarto è un sistema open-source per la creazione di documenti dinamici, report scientifici, presentazioni, siti web e libri utilizzando Markdown avanzato e blocco di codice eseguibile. È il successore di R Markdown ed è progettato per essere indipendente dal linguaggio di programmazione, supportando Python, R, Julia e ObservableJS.

0.1 🛠️ Funzionalità principali di Quarto

1. Markdown Esteso (.qmd)
   • Basato su Markdown, ma con supporto per codice eseguibile.
   • Include funzionalità avanzate come bibliografie, LaTeX, cross-referencing.
2. Esecuzione di codice (Python, R, Julia, ObservableJS)
   • Permette di integrare ed eseguire codice all’interno di un documento.
     
   • L’output (grafici, tabelle, statistiche) viene incluso automaticamente.
3. Supporto per più formati di output
   • 📄 HTML (per blog, siti web, dashboard)
     
   • 📊 PDF (con LaTeX)
     
   • 📜 Word
     
   • 🎞 Presentazioni (PowerPoint, Reveal.js, Beamer)
     
   • 📚 Libri e documentazione
4. Interattività
   • Supporta Shiny, ObservableJS e widgets interattivi.
   • Perfetto per dashboard dinamiche e documenti interattivi.
5. Automazione e Reproducibility
   • Può essere utilizzato in Data Science e Finanza per report aggiornabili in automatico.
   • Perfetto per analisi economiche, finanziarie e report aziendali.
6. Gestione YAML per configurazione avanzata
   • Consente di definire metadati, opzioni di rendering e layout.

0.2 📌 Differenza tra Quarto e Jupyter Notebook

0.3 🖥️ Come installare Quarto

Puoi installarlo con:

# Per Windows, Mac e Linux
https://quarto.org/docs/get-started/

Oppure, se usi Conda:

conda install -c conda-forge quarto

Esegui un test con:

quarto check

0.4 Quarto usa qmd e non md

• .md è un file Markdown tradizionale, usato principalmente per documentazione semplice.
• .qmd è un file Markdown esteso per Quarto, che permette di eseguire codice, generare report interattivi e produrre output in più formati.

Ecco la tabella completa con le differenze tra .md e .qmd:

0.5 📌 Quando usare Quarto?

• Per report finanziari e analisi economiche (può integrare dati aggiornati automaticamente).
• Per presentazioni su innovazione e AI (come il tuo intervento all’OPEN INNOVATION SUMMIT 2024).
• Per creare documentazione bancaria e normativa con output in PDF, HTML o Word.

1 Finalità

• creare
  • progetti
  • presentazioni
  • siti
  • blog
  • libri
  • manoscritti
  • dashboard
  • documenti confluence condivisi
• inserire codice Python (python) ,R (r), Julia (julia), Observable JavaScript (ojs), Bash, C, C++, SQL, Stan,, Fortran e altri, se installi i kernel appropriati
• pubblicare i risultati su Quarto Pub (serve login; questo è il mio), github (serve login, configurazione e GIT; questo è il mio ), Hugo, ecC. ogni sito ha proprie modalità per interfacciarsi e pubblicare; occorre studiarsele.

2 come

Il progetto si può creare da terminale, con RStudio, VSCode, Positron, PCharm, ecc. Si può fare tutto anche con notepad e terminale Da terminale però si capisce meglio cosa succede “sotto il cofano”: - entri in una cartella dedicata e scrivi quarto create project - il prompt guida la scelta per indicare - il tipo di progetto, - la sottocartella dove inserire il tutto, - il titolo del progetto, - l’IDE da utilizzare

Il progetto più semplice è default o manuscript Ci sono poi altri tipi di progetto che non sono riportati nella scelta da terminale: - dashboard - presentationi reveal.js (HTML),  PowerPoint (MS Office),  Beamer (LaTeX/PDF) - …

A questo punto Quarto costruisce la struttura del progetto, in base al tipo di progEtto selezionato - se si sceglie default Quarto costruisce 2 soli file principali - _quarto.yml → File di configurazione generale del progetto - File .qmd → Documento principale (di norma index.qmd)

Negli altri casi costruisce file utili al caso - per manuscript references.bib - per site about.qmd, style.css

tree /F

D:.
├───manoscritto
│       _quarto.yml
│       index.qmd
│       references.bib
│
├───sito prova
│       _quarto.yml
│       index.qmd
│       about.qmd
│       styles.css
│
└───default
        _quarto.yml
        prova.qmd

Per il preview scrivo quarto preview da terminal Per il rendering scrivo quarto render da terminal

Quarto costruirà prima la struttura di output (cartelle e files) e poi mostrerà l’output su browser. La cartella di output inizia con _ (es.: _manuscript _site) La porta è random ma può essere settata inserendo le informazioni nel preambolo YAML del .qmd Anche la dir di output può essere settata.

# esempio per manuscript

project:
  type: manuscript
  preview:
    port: 4200
    browser: false

Questo è il risultato:

tree /F

D:.
├───manoscritto
│   │   _quarto.yml
│   │   index.qmd
│   │   references.bib
│   │   styles.scss
│   │   MCC.css
│   │   styles.css
│   │
│   ├───.quarto
│   │   ├───preview
│   │   │       lock
│   │   │
│   │   ├───xref
│   │   │       INDEX
│   │   │       2f91f2fd
│   │   │       550746bb
│   │   │       3f709881
│   │   │       4d0e549a
│   │   │
│   │   └───idx
│   └───_manuscript
│       │   index.html
│       │   index.docx
│       │
│       └───site_libs
│           ├───clipboard
│           │       clipboard.min.js
│           │
│           ├───quarto-html
│           │       quarto.js
│           │       popper.min.js
│           │       tippy.umd.min.js
│           │       anchor.min.js
│           │       tippy.css
│           │       quarto-syntax-highlighting-549806ee2085284f45b00abea8c6df48.css
│           │
│           └───bootstrap
│                   bootstrap.min.js
│                   bootstrap-icons.css
│                   bootstrap-a1ff8711b79ae3724c050874b28d9907.min.css
│                   bootstrap-icons.woff
│
├───sito prova
│       _quarto.yml
│       index.qmd
│       about.qmd
│       styles.css
│       MCC.css
│       styles.scss
│
├───default
│       _quarto.yml
│       prova.qmd
│       styles.scss
│       MCC.css
│       styles.css
│
└───mybook
    │   _quarto.yml
    │   index.qmd
    │   intro.qmd
    │   summary.qmd
    │   references.qmd
    │   cover.png
    │   references.bib
    │   styles.scss
    │   MCC.css
    │   styles.css
    │
    ├───.quarto
    │   ├───preview
    │   │       lock
    │   │
    │   ├───idx
    │   │       index.qmd.json
    │   │       intro.qmd.json
    │   │       summary.qmd.json
    │   │       references.qmd.json
    │   │
    │   ├───xref
    │   │       INDEX
    │   │       d7202488
    │   │       5f634940
    │   │       e68c4dcb
    │   │       1066ac5e
    │   │
    │   └───cites
    │           index.json
    │
    └───_book
        │   index.html
        │   intro.html
        │   search.json
        │   summary.html
        │   references.html
        │
        └───site_libs
            ├───quarto-nav
            │       quarto-nav.js
            │       headroom.min.js
            │
            ├───clipboard
            │       clipboard.min.js
            │
            ├───quarto-search
            │       autocomplete.umd.js
            │       fuse.min.js
            │       quarto-search.js
            │
            ├───quarto-html
            │       quarto.js
            │       popper.min.js
            │       tippy.umd.min.js
            │       anchor.min.js
            │       tippy.css
            │       quarto-syntax-highlighting-549806ee2085284f45b00abea8c6df48.css
            │
            └───bootstrap
                    bootstrap.min.js
                    bootstrap-icons.css
                    bootstrap-icons.woff
                    bootstrap-8da5b4427184b79ecddefad3d342027e.min.css

3 Personalizzazione

il link al css va in _quarto.yml

4 tipi di progetto

5 file _quarto.yml

6 file .qmd

7 Esempi di codice

• 1️⃣ Python

```{python} import numpy as np print(np.array([1, 2, 3])) ```

• 2️⃣ R

```{r} summary(cars) ```

• 3️⃣ Julia

```{julia} using Statistics mean([1, 2, 3, 4, 5]) ```

• 4️⃣ Observable JavaScript

```{ojs} Plot.lineY([1, 2, 3, 4, 5]) ```

• Esempio in Bash

```{bash} echo "Hello from Bash!" ```

• Esempio in SQL

```{sql} SELECT * FROM my_table; ```

8 Siti interessanti

• https://ivelasq.quarto.pub/building-a-blog-with-quarto/lets-build-a-quarto-blog/
• https://samanthacsik.github.io/posts/2022-10-24-quarto-blogs/
• https://www.crumplab.com/blog/post_887_8_25_22_quartoblog/

1 Difference-in-Differences (DiD)

Il DiD confronta l’andamento dei risultati tra un gruppo trattato e un gruppo di controllo prima e dopo un evento/treatment. I passi principali sono:

• Dividi i dati in gruppi trattati e di controllo.
• Calcola le differenze nei risultati prima e dopo il trattamento per entrambi i gruppi.
• La differenza di queste differenze rappresenta l’effetto del trattamento.

2 Esempio in Python

Supponiamo di avere un dataset con le colonne group (trattato/controllo), time (pre/post), e outcome.

import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

# Dataset simulato
data = pd.DataFrame({
    'group': [0, 0, 0, 1, 1, 1, 0, 0, 1, 1],
    'time': [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
    'outcome': [5, 7, 6, 12, 5, 15, 6, 8, 5, 14]
})

# Aggiunta interazione trattato-tempo
data['group_time'] = data['group'] * data['time']

# Regressione DiD
model = smf.ols('outcome ~ group + time + group_time', data=data).fit()
print(model.summary())

# Effetto del trattamento
treatment_effect = model.params['group_time']
print(f"Effetto stimato del trattamento: {treatment_effect}")

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                outcome   R-squared:                       0.957
Model:                            OLS   Adj. R-squared:                  0.936
Method:                 Least Squares   F-statistic:                     44.66
Date:                Fri, 30 Oct 2026   Prob (F-statistic):           0.000169
Time:                        05:00:04   Log-Likelihood:                -11.494
No. Observations:                  10   AIC:                             30.99
Df Residuals:                       6   BIC:                             32.20
Df Model:                           3                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
Intercept      5.6667      0.569      9.954      0.000       4.274       7.060
group         -0.6667      0.900     -0.741      0.487      -2.869       1.536
time           1.8333      0.900      2.037      0.088      -0.369       4.036
group_time     6.8333      1.273      5.368      0.002       3.719       9.948
==============================================================================
Omnibus:                        2.318   Durbin-Watson:                   1.829
Prob(Omnibus):                  0.314   Jarque-Bera (JB):                0.540
Skew:                          -0.549   Prob(JB):                        0.763
Kurtosis:                       3.302   Cond. No.                         7.01
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
Effetto stimato del trattamento: 6.833333333333334

3 Propensity Score Matching (PSM)

Il PSM abbina le unità trattate con quelle di controllo che hanno una probabilità simile di ricevere il trattamento, basata su variabili osservabili. È utile per ridurre il bias di selezione.

Esempio in Python Supponiamo di avere un dataset con le colonne treatment, outcome, e alcune variabili predittive (X1, X2).

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import NearestNeighbors

# Dataset simulato
data = pd.DataFrame({
    'treatment': [1, 0, 1, 0, 1, 0, 1, 0],
    'outcome': [10, 5, 12, 6, 11, 4, 13, 7],
    'X1': [3, 2, 4, 2, 3, 1, 5, 2],
    'X2': [7, 6, 8, 5, 7, 4, 9, 5]
})

# Calcolo del propensity score
X = data[['X1', 'X2']]
y = data['treatment']
logit = LogisticRegression()
data['propensity_score'] = logit.fit(X, y).predict_proba(X)[:, 1]

# Matching usando i Nearest Neighbors
treated = data[data['treatment'] == 1]
control = data[data['treatment'] == 0]
nn = NearestNeighbors(n_neighbors=1)
nn.fit(control[['propensity_score']])
distances, indices = nn.kneighbors(treated[['propensity_score']])

# Creazione del dataset abbinato
matched_control = control.iloc[indices.flatten()].reset_index(drop=True)
matched_treated = treated.reset_index(drop=True)

# Unire i dati con suffissi
matched_data = pd.concat([matched_treated, matched_control], axis=1, keys=["treated", "control"])
matched_data.columns = [f"{col[0]}_{col[1]}" for col in matched_data.columns]

# Calcolo della differenza negli outcome
effect = matched_data['treated_outcome'].mean() - matched_data['control_outcome'].mean()
print(f"Effetto stimato del trattamento: {effect}")

Effetto stimato del trattamento: 6.5

4 cosa significa 6.5?

Quando il codice restituisce un valore come Effetto stimato del trattamento: 6.5, significa che l’effetto medio del trattamento (cioè la differenza media tra il gruppo trattato e il gruppo di controllo in termini di un determinato outcome) è pari a 6.5 unità

In termini pratici:

Il gruppo trattato ha ricevuto un trattamento o intervento specifico. Il gruppo di controllo non ha ricevuto il trattamento, ma viene utilizzato come punto di riferimento per capire cosa sarebbe successo al gruppo trattato in assenza del trattamento. 6.5 indica che, in media:

Il trattamento ha aumentato (o ridotto) l’outcome del gruppo trattato di 6.5 unità rispetto al gruppo di controllo. Un esempio pratico Supponiamo che tu stia valutando l’effetto di un programma di formazione aziendale sulla produttività dei dipendenti, e l’outcome misurato sia il numero di unità prodotte.

Il gruppo trattato (dipendenti che hanno partecipato al corso) ha una produttività media di 15 unità. Il gruppo di controllo (dipendenti che non hanno partecipato) ha una produttività media di 8.5 unità. L’effetto stimato del trattamento è:

15−8.5=6.5

L’intervento ha aumentato la produttività di 6.5 unità, in media.

##Limiti e considerazioni - Causalità: L’effetto stimato assume che tutti i bias di selezione e le - differenze osservabili/non osservabili tra i due gruppi siano correttamente - gestiti (ad esempio, con il Propensity Score Matching o un disegno - sperimentale ben fatto). - Significatività statistica: È importante verificare se l’effetto stimato è - statisticamente significativo (es. con un test statistico). - Unità di misura: Assicurati che il risultato sia chiaro in termini dell’outcome misurato (es. unità prodotte, reddito, vendite, ecc.).

5 Librerie utili:

• statsmodels: Per la regressione del DiD.
• sklearn: Per calcolare il propensity score e abbinare i dati.
• causalinference: Per analisi causali.
• econml: Per metodi avanzati di stima degli effetti causali.

1.1 L’importanza del linguaggio nella leadership: il valore del “noi”

La comunicazione è un elemento cruciale nella leadership, poiché le parole e il linguaggio utilizzati dai leader possono influenzare profondamente il clima lavorativo, la motivazione del team e il raggiungimento degli obiettivi. In questo contesto, l’uso di un linguaggio inclusivo e collaborativo, che enfatizza il concetto di “noi”, gioca un ruolo fondamentale.

1.2 Il Linguaggio del “Noi”: Un Catalizzatore per il Successo del Team

Quando un manager o un leader utilizza il “noi” anziché l““io”, sta mandando un messaggio potente: il successo è frutto del lavoro collettivo e non di un singolo individuo. Questo approccio è particolarmente importante per costruire una cultura aziendale inclusiva e motivante. In un contesto lavorativo, il senso di appartenenza è uno dei principali fattori che determinano la soddisfazione dei dipendenti e la loro produttività. Studi psicologici e manageriali dimostrano che i dipendenti che si sentono parte di un team coeso sono più motivati e tendono a lavorare meglio rispetto a quelli che percepiscono il successo come una conquista esclusivamente individuale.

1.3 Il linguaggio del “noi”: un catalizzatore per il successo del team

L’uso di un linguaggio inclusivo, in particolare attraverso l’adozione di pronomi come “noi”, “ci” e “nostro”, è fondamentale per promuovere un senso di unità e uno scopo condiviso all’interno di un team. Questo approccio non solo favorisce la collaborazione, ma contribuisce anche a creare un ambiente di lavoro positivo e produttivo.

1.4 L’Impatto del Linguaggio sul Team

Parlare al plurale ha un impatto diretto su come i membri del team percepiscono il proprio ruolo e la propria importanza all’interno del gruppo. Quando un leader dice: “Abbiamo raggiunto questo obiettivo”, ogni membro si sente riconosciuto e valorizzato. Questo approccio ha diversi vantaggi:

Incremento della coesione: I membri del team sentono di far parte di qualcosa di più grande di loro stessi, il che rafforza i legami interpersonali.

Motivazione collettiva: I successi condivisi generano entusiasmo e desiderio di raggiungere ulteriori traguardi.

Responsabilità condivisa: Quando le responsabilità e i successi sono percepiti come collettivi, i membri sono più propensi a collaborare e ad aiutarsi reciprocamente.

1.5 Il Caso Opposto: Il Linguaggio del “Io”

Al contrario, quando un leader usa prevalentemente il “Io” (“Io ho deciso”, “Io ho raggiunto”), il messaggio implicito è che il merito è solo suo. Questo può generare malcontento e demotivazione all’interno del team, portando a:

Frustrazione: I membri del team possono sentirsi ignorati o non apprezzati per il loro contributo.

Perdita di fiducia: Un leader che si prende tutto il merito rischia di alienare i propri collaboratori.

Riduzione della produttività: Senza un senso di appartenenza, i membri del team possono essere meno motivati a impegnarsi al massimo.

1.6 L’Esempio del Mister nel Calcio

Il mondo dello sport è una metafora perfetta per comprendere l’importanza del linguaggio nella leadership. Gli allenatori di successo raramente si prendono il merito delle vittorie. Al contrario, utilizzano il “noi” per sottolineare che ogni vittoria è il risultato di uno sforzo collettivo. Allenatori come Carlo Ancelotti, Jürgen Klopp o Pep Guardiola sono noti per attribuire i successi ai loro giocatori, sottolineando il lavoro di squadra e il contributo di ciascun membro.

Questa strategia non è solo una questione di umiltà: è un modo per rafforzare la coesione del gruppo e mantenere alta la motivazione. Un allenatore che si prende il merito delle vittorie rischia di perdere il rispetto e la fiducia dei suoi giocatori, mentre chi riconosce il valore del team crea un ambiente in cui tutti si sentono protagonisti.

1.7 L’esempio del Mister nel calcio

Il termine “mister” è un appellativo affettuoso e rispettoso utilizzato per designare gli allenatori di calcio, che ha origini storiche significative. Questo soprannome è emerso in Italia nel 1912, grazie a William Garbutt, un allenatore inglese che ha rivoluzionato il calcio italiano e che ha introdotto nuove metodologie di allenamento e tattiche di gioco.

1.8 Un Approccio Equilibrato

È interessante notare che, anche in caso di sconfitte, un buon leader sportivo non attribuisce la colpa a singoli individui. Frasi come “Abbiamo sbagliato” o “Dobbiamo migliorare” sono molto più efficaci nel mantenere unito il gruppo rispetto a “Lui ha sbagliato”. Questo approccio favorisce una cultura dell’apprendimento e del miglioramento continuo, invece di creare divisioni o tensioni.

1.9 Il Linguaggio nella Leadership Aziendale

Tornando al contesto aziendale, le dinamiche sono molto simili. Un manager che utilizza il linguaggio del “noi” può ottenere risultati sorprendenti in termini di motivazione e performance del team. Tuttavia, questo approccio deve essere autentico: il linguaggio deve essere accompagnato da azioni concrete che dimostrino che il leader crede davvero nel lavoro di squadra.

1.10 Come Utilizzare il Linguaggio del “Noi” in Azienda

Riconoscere i successi: Durante riunioni o comunicazioni ufficiali, sottolineare sempre il contributo del team nel raggiungimento degli obiettivi.

Includere tutti nei processi decisionali: Quando possibile, coinvolgere i membri del team nelle decisioni chiave per rafforzare il senso di appartenenza.

Accettare la responsabilità: In caso di errori o insuccessi, un leader deve assumersi la responsabilità senza scaricarla sui membri del team.

Creare una narrativa condivisa: Utilizzare storie e metafore per costruire una visione comune che ispiri e motivi il gruppo.

1.11 Il Ruolo dei Feedback

Un altro elemento cruciale è l’utilizzo del feedback. Un leader che apprezza il lavoro di squadra fornisce feedback costruttivi, riconoscendo i contributi individuali all’interno di un contesto collettivo. Frasi come “Il tuo contributo è stato fondamentale per il successo del team” sono molto più efficaci di semplici lodi individuali, poiché rafforzano il legame tra la performance personale e il successo collettivo.

1.12 Conclusioni

Il linguaggio che un leader utilizza è uno strumento potentissimo per costruire un team coeso e motivato. Scegliere il “noi” anziché l““io” è molto più di una semplice questione stilistica: è una scelta strategica che può fare la differenza tra un team che funziona e uno che fallisce. Lezione che si applica tanto al mondo aziendale quanto a quello sportivo, questa pratica riflette una leadership autentica e inclusiva, capace di ispirare e guidare verso il successo.

In definitiva, essere leader non significa prendere il controllo, ma condividere la responsabilità e il merito. Un vero leader sa che il successo è il risultato di un impegno collettivo, e sceglie il linguaggio per valorizzare e rafforzare questa realtà.

2 Link interessanti

• https://www.ferpi.it/news/quelli-del-noi-e-quelli-dellio

BAGNAI INTERROGA GIORGETTI SULL’ACCESSO AL CREDITO BANCARIO DA PARTE DELLE PICCOLE MEDIE IMPRESE

https://www.youtube.com/watch?v=IUWhHJxyOXw

Definizione e Processo di Riciclaggio:

• Il riciclaggio è definito come il processo attraverso cui la ricchezza di provenienza illecita viene occultata, trasferita per dissimularne l’origine e successivamente reinvestita nell’economia legale.

• Le azioni di contrasto al riciclaggio mirano a limitare gli effetti distorsivi sulla concorrenza, la crescita economica e il benessere dei cittadini.

• Il processo tipico di riciclaggio si articola in tre fasi: collocamento (placement), stratificazione (layering) e integrazione.

  • Il collocamento è la fase in cui il denaro sporco entra nel sistema finanziario, spesso attraverso intermediari regolamentati.

  • La stratificazione è la fase in cui il denaro viene trasferito attraverso una serie complessa di transazioni per offuscarne l’origine.

  • L’integrazione è la fase in cui il denaro riciclato viene reimmesso nell’economia legale.

Dimensioni del Riciclaggio:

• Le stime globali del riciclaggio variano, ma si attestano tra il 2 e il 5% del PIL mondiale.

• In Italia, le stime variano dall’1% fino al 12% del PIL.

• La dimensione del riciclaggio è difficile da stimare a causa della sua natura occulta e delle varie tecniche utilizzate per mascherare l’origine illecita dei proventi.

Tecniche di Riciclaggio:

• Le tecniche di riciclaggio sono in continua evoluzione.

• Il contante, a causa della sua facile utilizzabilità e non tracciabilità, è uno strumento spesso funzionale al riciclaggio.

• I riciclatori sfruttano la natura anonima delle criptoattività e le maggiori possibilità che offrono nella fase di stratificazione.

• Strumenti come i mixer (o tumbler) vengono utilizzati per mescolare criptoattività e offuscarne la provenienza.

• Il “chain peeling” è una tecnica che frammenta grandi quantità di criptovalute in piccole transazioni.

• L’uso di identità fittizie, prestanome e società di comodo sono tecniche comuni per nascondere i titolari effettivi di rapporti e transazioni.

Settori a Rischio:

• Il settore del commercio è considerato un ambito in cui si riscontra la maggior presenza di imprese “cartiere” utilizzate per riciclare denaro.

• Il settore delle costruzioni è tradizionalmente considerato profittevole per le organizzazioni criminali, che sfruttano lavoro irregolare e aggirano i vincoli normativi.

• Anche il settore del gioco è considerato vulnerabile, con punti gioco che non eseguono correttamente l’adeguata verifica dei giocatori.

• Le operazioni in oro sono soggette a dichiarazione alla UIF per importi pari o superiori a 12.500 euro, poiché questo settore può essere usato per finalità di riciclaggio.

• Il settore delle carte di pagamento è idoneo ad essere analizzato tramite l’analisi di rete, data l’elevata frammentazione delle operazioni.

• I finanziamenti a tasso agevolato nell’ambito del PNRR sono un’area di rischio, a causa di anomalie nelle richieste e dell’inadeguatezza economico-patrimoniale dei richiedenti.

• Le cessioni di crediti d’imposta sono state identificate come un’area di rischio, con la circolazione di crediti fittizi e l’infiltrazione della criminalità organizzata.

• Anche i rimborsi IRPEF possono essere oggetto di schemi fraudolenti, con soggetti a basso reddito che dichiarano ritenute maggiori per ottenere rimborsi.

• Le operazioni con il reddito di cittadinanza possono essere utilizzate per la monetizzazione del beneficio, aggirando i limiti al prelievo di contante.

• Le piattaforme estere online possono essere utilizzate per speculazioni o truffe nella vendita di dispositivi medici e sanitari.

Ruolo delle Autorità:

• L’Unità di Informazione Finanziaria (UIF) svolge un ruolo centrale nel monitoraggio e nell’analisi delle segnalazioni di operazioni sospette (SOS).

• La UIF collabora con gli organi investigativi per lo scambio di informazioni e la trasmissione di approfondimenti.

• La UIF conduce analisi operative di rischio, come “Austrian connection”, basata sulla valutazione di elementi informativi pervenuti dalla Banca d’Italia.

• Il Nucleo Speciale Polizia Valutaria della Guardia di Finanza è coinvolto in indagini e attività di polizia giudiziaria relative al riciclaggio.

• La Banca d’Italia svolge attività di vigilanza sugli intermediari finanziari per prevenire il riciclaggio.

• La Direzione Investigativa Antimafia (DIA) svolge indagini sulle segnalazioni connesse alla criminalità organizzata.

• Il GAFI (Gruppo di Azione Finanziaria Internazionale) identifica i paesi ad alto rischio e/o con legislazione antiriciclaggio carente.

Riciclaggio e Criptoattività:

• Le criptoattività offrono nuove opportunità per il riciclaggio, grazie alla loro natura pseudonima e alle possibilità di stratificazione.

• Il riciclaggio tramite criptoattività può avvenire sia attraverso la conversione di denaro fiat sporco in cripto, sia attraverso condotte illegali direttamente in cripto.

• La finanza decentralizzata (DeFi) pone sfide significative per l’applicazione delle normative antiriciclaggio, a causa dell’assenza di intermediari.

• Le piattaforme di scambio di criptovalute che operano senza adeguati controlli di verifica rappresentano un rischio.

• I mixer e i tumbler sono strumenti utilizzati per oscurare le transazioni in criptovalute.

Dati e Analisi:

• Le segnalazioni di operazioni sospette sono un’importante fonte di dati per l’analisi del riciclaggio.

• L’analisi della qualità delle segnalazioni è cruciale per individuare i fenomeni più rilevanti.

• La UIF conduce analisi sui flussi finanziari con l’estero, identificando anomalie per paese o settore.

Infiltrazione della Criminalità Organizzata:

• Le organizzazioni criminali (OC) infiltrano l’economia legale per riciclare denaro, perseguire ulteriori fonti di profitto e ricercare consenso sociale.

• Le imprese create dalle OC possono essere utilizzate per attività criminali, per ottenere vantaggi competitivi, o per creare connessioni politiche.

Misure di Contrasto:

• Le normative antiriciclaggio vengono continuamente aggiornate per includere le attività suscettibili di essere utilizzate per il riciclaggio.

• La collaborazione tra le FIU è essenziale per lo scambio di informazioni e il contrasto del riciclaggio a livello internazionale.

• L’adeguata verifica della clientela è un obbligo fondamentale per tutti i soggetti coinvolti nel sistema finanziario.

• L’uso di tecnologie come gli smart contract può essere utile per intercettare le operazioni anomale nella finanza decentralizzata.

2 Obiettivi principali:

1. Trasparenza: Pubblicare i dettagli degli aiuti concessi, garantendo che le informazioni siano accessibili a cittadini e imprese.
2. Monitoraggio: Assicurare che i limiti sugli aiuti stabiliti dalla normativa europea siano rispettati.
3. Controllo: Evitare il superamento delle soglie del regime “de minimis” e la concessione di aiuti incompatibili con le regole dell’Unione Europea.

3 La realizzazione

Il #RNA è stato realizzato come parte di un’importante azione di sistema cofinanziata dall’Unione Europea. In particolare, il progetto ha beneficiato di risorse pari a 17.715.920,01 euro, assegnate nell’ambito del Programma Operativo Complementare al PON Governance e Capacità Istituzionale 2014-2020.

La progettazione e la realizzazione di una prima versione prototipale del Registro sono state completate nel 2016, con un investimento di 2.652.236,00 euro.

Il #RNA è operativo dal 12 agosto 2017 e rappresenta uno strumento fondamentale per garantire la trasparenza e il controllo degli aiuti di Stato concessi in Italia.

4 Informazioni contenute nel Registro:

Il #RNA include informazioni come: - Identità del beneficiario (nome, partita IVA, codice fiscale). - Tipo di aiuto concesso (contributo a fondo perduto, credito d’imposta, agevolazione fiscale, ecc.). - Importo e intensità dell’aiuto. - Riferimenti alla normativa e al regime di aiuti in base al quale è stato concesso. - Ente erogatore.

5 Normativa di riferimento:

Il #RNA è disciplinato dal Decreto Legge n. 123/2017, che stabilisce obblighi per le amministrazioni pubbliche e i soggetti che gestiscono misure di aiuto. L’obiettivo è garantire che tutti gli aiuti siano comunicati e registrati.

6 Accesso al Registro:

Il #RNA è consultabile tramite una piattaforma online, accessibile sia dagli enti pubblici che dagli operatori economici.

Alcune informazioni, per motivi di riservatezza, potrebbero essere soggette a limitazioni.

7 Controlli sul “de minimis”:

Il #RNA permette di verificare se un’impresa ha superato la soglia prevista dal regime “de minimis” (200.000 euro nell’arco di tre esercizi finanziari, salvo eccezioni per alcuni settori).

Oltre all’interrogazione online, #RNA permette il download degli #opendata

8 Gli opendata RNA in xml

#RNA aggiorna costantemente il proprio DB conn le segnalazioni dovute dai mittenti normativamente previsti.

Le date degli opendata XML messi a disposizione corrispondono al mese della variabile “DATA_CONCESSIONE” contenuta in ognuno di loro

RNA riceve però anche informazioni datate e quindi aggiorna tutto.

Potenzialmente, quindi, tutti gli XML andrebbero riscaricati …

Di seguito, ad esempio, gli ultimi 3 file parquet del 2024 da me realizzati, la data di mia aggiornamento e i df.shape

9 Analisi sull’xml più recente

Appresso riporto alcune sintesi dell’ultimo XML -> parquet da me prodotto

df = con.execute("SELECT count(distinct(CF)), count((CF)), count(distinct(CAR)),count(distinct(CONCEDENTE)), sum(cast(NOMINALE as integer)), sum(cast(AIUTO as integer)) FROM 'OpenData_Aiuti_2025_01.parquet'").df()
df

df = con.execute("SELECT upper(misura) MISURA, count(CAR) CONCESSIONI, sum(cast(NOMINALE as integer)) NOMINALE, sum(cast(AIUTO as integer)) AIUTI FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 2 desc limit 20").df()
df

df = con.execute("SELECT upper(concedente) CONCEDENTE, count(CAR) CONCESSIONI, sum(cast(NOMINALE as integer)) NOMINALE, sum(cast(AIUTO as integer)) AIUTI FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 2 desc limit 10").df()
df

df = con.execute("SELECT upper(concedente) CONCEDENTE, count(CAR) CONCESSIONI, sum(cast(NOMINALE as integer)) NOMINALE, sum(cast(AIUTO as integer)) AIUTI FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 3 desc limit 10").df()
df

df = con.execute("SELECT CONCESSIONE, count(CAR) CONCESSIONI, sum(cast(NOMINALE as integer)) NOMINALE, sum(cast(AIUTO as integer)) AIUTI FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 1 desc").df()
df

df = con.execute("SELECT upper(REGIONE) REGIONE, count(CAR), sum(cast(NOMINALE as integer)), sum(cast(AIUTO as integer)) FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 3 desc limit 10").df()
df

df = con.execute("SELECT upper(SETTORE_ATTIVITA) SETTORE_ATTIVITA, count(CAR), sum(cast(NOMINALE as integer)), sum(cast(AIUTO as integer)) FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 3 desc limit 10").df()
df

df = con.execute("SELECT upper(DES_STRUMENTO) STRUMENTO, count(CAR), sum(cast(NOMINALE as integer)), sum(cast(AIUTO as integer)) FROM 'OpenData_Aiuti_2025_01.parquet' group by 1 order by 2 desc limit 10").df()
df

df = con.execute("SELECT IMPRESA, REGIONE, CONCEDENTE, MISURA, NOMINALE, AIUTO FROM 'OpenData_Aiuti_2025_01.parquet' order by 5 desc limit 20").df()
df

df = con.execute("SELECT upper(misura) MISURA, count(CAR) CONCESSIONI, sum(cast(NOMINALE as integer)) NOMINALE, sum(cast(AIUTO as integer)) AIUTI FROM 'OpenData_Aiuti_2025_01.parquet' where concedente like '%INVI%' group by 1 order by 3 desc limit 10").df()
df

df = con.execute("SELECT CONCESSIONE, count(CAR) CONCESSIONI, sum(cast(NOMINALE as integer)) NOMINALE, sum(cast(AIUTO as integer)) AIUTI FROM 'OpenData_Aiuti_2025_01.parquet' where concedente like '%INVI%' group by 1 order by 1 desc").df()
df

I comandi basilari

Non è necessario specificare manualmente il file .qmd in tutti i comandi, ma devi farlo nei comandi quarto render o quarto preview. Gli altri comandi possono lavorare con un approccio più generico, come git add ., per includere tutte le modifiche.

1. quarto preview d:/paolovolterra.github.io/posts/202508_RNA/RNA.qmd

2. quarto render d:/paolovolterra.github.io/posts/202508_RNA/RNA.qmd

3. git add d:/paolovolterra.github.io/docs/posts/202508_RNA/RNA.html

4. git add . (se hai rilevato altre modifiche e le voi introitare)

5. git status

6. git commit -m “Aggiornata la pagina: RNA”

7. git pull origin main –rebase

8. git push origin main

9. git log