Validazione esterna dell’indicatore di rischio geopolitico settoriale

Confronto con proxy Eurostat: intensità energetica, dipendenza da input, esposizione commerciale

Rischio geopolitico
Settori
Eurostat
La nota verifica la coerenza della classificazione settoriale di rischio geopolitico (Medio / Medio-Alto / Alto per sezione ATECO) rispetto a tre proxy esterne indipendenti derivate da fonti Eurostat: intensità energetica (nrg_bal_s 2022), dipendenza da consumi intermedi (nama_10_a64 2022) ed…
Autore/Autrice

Paolo Volterra

Data di Pubblicazione

30 aprile 2026

Sommario

La nota verifica la coerenza della classificazione settoriale di rischio geopolitico (Medio / Medio-Alto / Alto per sezione ATECO) rispetto a tre proxy esterne indipendenti derivate da fonti Eurostat: intensità energetica (nrg_bal_s 2022), dipendenza da consumi intermedi (nama_10_a64 2022) ed esposizione alle esportazioni (SBS V15110 2019). Le tre dimensioni sono combinate in uno score composito esterno, normalizzato e confrontato con la classificazione interna. Su 13 sezioni ATECO, 6 risultano coerenti con le evidenze esterne; 1 presenta segnali di possibile sovrastima (G — commercio); 6 evidenziano possibili sottostime, in particolare nei trasporti marittimi/fluviali, nell’estrazione mineraria (B) e nei servizi di supporto alle imprese (N).

Parole chiave

ATECO 2025, rischio geopolitico, validazione, intensità energetica, export, input-output

1 Obiettivo e impostazione metodologica

La classificazione di rischio geopolitico adottata dall’Ufficio Studi assegna a ciascuna divisione ATECO 2025 un livello di rischio (Medio, Medio-Alto, Alto) sulla base di criteri prevalentemente qualitativi e di valutazione esperta. Questa nota pone una domanda semplice e operativamente rilevante:

I settori classificati come più rischiosi mostrano, nei dati osservabili, caratteristiche coerenti con un’esposizione geopolitica elevata?

La risposta richiede di costruire un indice di confronto esterno basato su proxy quantitative e indipendenti dall’indicatore interno. Le proxy utilizzate sono tre:

  1. Intensità energetica: il consumo finale di energia per unità di valore aggiunto è un indicatore consolidato di esposizione agli shock sui mercati energetici, che rappresentano il principale canale di trasmissione della crisi in Medio Oriente.

  2. Dipendenza da consumi intermedi: la quota di input intermedi sull’output totale misura quanto un settore dipenda da forniture esterne — incluse quelle internazionali — ed è quindi un proxy della sua vulnerabilità alle interruzioni di filiera.

  3. Esposizione alle esportazioni: la quota di esportazioni sull’output misura l’integrazione del settore nei mercati internazionali e la sua sensibilità a variazioni dei flussi commerciali globali.

1.1 Fonti dati

Proxy Dataset Eurostat Anno Unità
Intensità energetica nrg_bal_s (IEA sectoral) 2022 TJ / MLN EUR VA
Dipendenza da input nama_10_a64 (P2/P1) 2022 quota 0–1
Export intensity sbs_na_sca_r2 (V15110 / P1) 2019 quota 0–1

Il mapping tra settori IEA (utilizzati in nrg_bal_s) e sezioni NACE/ATECO è semplificato: i sub-settori industriali (acciaio, chimica, minerali non metalliferi, ecc.) sono aggregati alla sezione C; i trasporti IEA (FC_TRA_E) alla sezione H; i servizi commerciali e pubblici (FC_OTH_CP_E) alle sezioni di servizi proporzionalmente al valore aggiunto. La sezione D (energia) incorpora la quota di autoconsumo dell’industria residua.

1.2 Score composito esterno

Le tre proxy vengono normalizzate min-max e aggregate con pesi prefissati:

\[\text{Score\_ext} = 0.35 \times \text{energy\_norm} + 0.35 \times \text{input\_norm} + 0.30 \times \text{export\_norm}\]

Lo score composito viene poi convertito in classi (tercili) comparabili con la classificazione interna: basso → Medio, medio → Medio-Alto, alto → Alto.

2 Le tre dimensioni dello score esterno

Codice

fig, axes = plt.subplots(1, 3, figsize=(12, 4.5))

dim_info = [
    ("score_energy", "Intensità energetica\n(energia / VA)", "#8e44ad"),
    ("score_input",  "Dipendenza da input\n(input intermedi / output)", "#2980b9"),
    ("score_export", "Esposizione export\n(export / output)", "#27ae60"),
]

for ax, (col, title, color) in zip(axes, dim_info):
    sub = val.sort_values(col, ascending=True)
    ax.barh(sub["sezione"], sub[col], color=color, height=0.65)
    ax.set_xlabel("Score 0–1")
    ax.set_title(title, fontweight="bold", fontsize=9)
    ax.set_xlim(0, 1.1)
    for i, (_, row) in enumerate(sub.iterrows()):
        ax.text(row[col] + 0.02, i, f"{row[col]:.2f}", va="center", fontsize=8)

plt.tight_layout()
plt.savefig("OUT/fig_validation_dimensioni.png", dpi=150, bbox_inches="tight")
plt.show()

Figura 1: Tre proxy di esposizione geopolitica per sezione ATECO (score normalizzato 0–1)

Le tre proxy catturano aspetti distinti dell’esposizione geopolitica:

  • Intensità energetica: domina nei trasporti (H) e nell’energia (D), riflette l’esposizione diretta agli shock petroliferi e del gas naturale. Sezione H: 17,9 TJ/MLN EUR di VA, valore 8 volte superiore alla media dei servizi.

  • Dipendenza da input: la manifattura (C) e l’energia (D) mostrano la quota più alta di input intermedi sull’output (75–76%), indicando catene di fornitura dense e potenzialmente vulnerabili. L’immobiliare (L) è la sezione con la dipendenza da input più bassa (14%), coerentemente con la sua natura di settore labour/capital intensive a bassa trasformazione.

  • Esposizione export: estrazione (B) ed energia (D) mostrano elevata intensità di esportazione. Il dato per i servizi di supporto alle imprese (N) — relativamente alto — riflette le esportazioni di servizi di logistica integrata e noleggio internazionale registrate nell’anno di riferimento SBS.

3 Il confronto: classificazione interna vs evidenze esterne

Codice

fig, ax = plt.subplots(figsize=(8, 5))

# Jitter orizzontale per leggibilità
np.random.seed(42)
jitter = np.random.uniform(-0.08, 0.08, len(val))

col_esito = {"Coerente": "#27ae60",
             "Possibile sovrastima interna": "#e67e22",
             "Possibile sottostima interna": "#c0392b"}

for _, row in val.iterrows():
    color = col_esito.get(row["esito"], "#999")
    ax.scatter(row["rischio_num"] + 0.02, row["score_esterno"],
               color=color, s=120, zorder=5, edgecolors="white", linewidth=0.8)
    ax.annotate(row["sezione"], (row["rischio_num"] + 0.02, row["score_esterno"]),
                textcoords="offset points", xytext=(8, 0), va="center", fontsize=9)

# Banda di coerenza (±1 livello)
ax.axhspan(0, 0.33, alpha=0.06, color="#f1c40f")
ax.axhspan(0.33, 0.66, alpha=0.06, color="#e67e22")
ax.axhspan(0.66, 1.0, alpha=0.06, color="#c0392b")

ax.set_xlabel("Classificazione interna (1=Medio, 2=Medio/Alto, 3=Alto)")
ax.set_ylabel("Score esterno composito (0–1)")
ax.set_title("Coerenza classificazione interna vs evidenze esterne", fontweight="bold")
ax.set_xticks([1, 2, 3])
ax.set_xticklabels(["Medio", "Medio/Alto", "Alto"])
ax.set_ylim(0, 0.85)

handles = [mpatches.Patch(color=v, label=k) for k,v in col_esito.items()]
ax.legend(handles=handles, loc="upper left", fontsize=8, framealpha=0.8)

plt.tight_layout()
plt.savefig("OUT/fig_validation_scatter.png", dpi=150, bbox_inches="tight")
plt.show()

Figura 2: Classificazione interna vs score esterno per sezione ATECO

Codice

desc_sez = {
    "A":"Agricoltura, silvicoltura e pesca","B":"Estrazione di minerali",
    "C":"Attività manifatturiere","D":"Fornitura di energia elettrica, gas",
    "E":"Fornitura di acqua, rifiuti","F":"Costruzioni",
    "G":"Commercio all'ingrosso e al dettaglio","H":"Trasporto e magazzinaggio",
    "I":"Alloggio e ristorazione","J":"Servizi ICT",
    "L":"Attività immobiliari","M":"Attività professionali e scientifiche",
    "N":"Noleggio, agenzie, supporto alle imprese",
}
esito_symbol = {
    "Coerente": "✔ Coerente",
    "Possibile sovrastima interna": "▼ Possibile sovrastima",
    "Possibile sottostima interna": "▲ Possibile sottostima",
}

tab = val[["sezione","rischio_label","score_esterno","score_ext_label","esito"]].copy()
tab["Sezione"] = tab["sezione"]
tab["Descrizione"] = tab["sezione"].map(desc_sez)
tab["Rischio interno"] = tab["rischio_label"]
tab["Score esterno"] = tab["score_esterno"].apply(lambda x: f"{x:.3f}")
tab["Classe esterna"] = tab["score_ext_label"]
tab["Esito"] = tab["esito"].map(esito_symbol)

tab_out = tab[["Sezione","Descrizione","Rischio interno","Score esterno","Classe esterna","Esito"]].copy()
tab_out["_sort"] = tab["score_esterno"]
tab_out.sort_values("_sort", ascending=False).drop(columns="_sort").reset_index(drop=True)
Sezione Descrizione Rischio interno Score esterno Classe esterna Esito
0 H Trasporto e magazzinaggio Alto 0.744 Alto ✔ Coerente
1 B Estrazione di minerali Medio/Alto 0.627 Alto ▲ Possibile sottostima
2 D Fornitura di energia elettrica, gas Alto 0.472 Alto ✔ Coerente
3 C Attività manifatturiere Alto 0.466 Alto ✔ Coerente
4 N Noleggio, agenzie, supporto alle imprese Medio 0.464 Alto ▲ Possibile sottostima
5 E Fornitura di acqua, rifiuti Medio 0.434 Medio/Alto ▲ Possibile sottostima
6 J Servizi ICT Medio 0.358 Medio/Alto ▲ Possibile sottostima
7 F Costruzioni Medio 0.351 Medio/Alto ▲ Possibile sottostima
8 I Alloggio e ristorazione Medio 0.310 Medio/Alto ▲ Possibile sottostima
9 G Commercio all'ingrosso e al dettaglio Medio/Alto 0.298 Medio ▼ Possibile sovrastima
10 A Agricoltura, silvicoltura e pesca Medio 0.262 Medio ✔ Coerente
11 M Attività professionali e scientifiche Medio 0.222 Medio ✔ Coerente
12 L Attività immobiliari Medio 0.100 Medio ✔ Coerente

Tabella 1: Confronto classificazione interna vs score esterno per sezione ATECO

4 Principali evidenze

Su 13 sezioni analizzate:

  • 6 coerenti: le sezioni H (Trasporti), D (Energia), C (Manifattura), A (Agricoltura), M (Servizi professionali) e L (Immobiliare) presentano una classificazione interna allineata alle evidenze esterne. In particolare, le tre sezioni classificate Alto internamente (H, D, C) ricevono tutte punteggi alti o medio-alti dall’analisi esterna.

  • 1 possibile sovrastima — sezione G (Commercio): la classificazione interna Medio-Alto non trova pieno riscontro nello score esterno (Medio), che riflette intensità energetica bassa e dipendenza da input nella media dei servizi. Tuttavia, la classificazione Medio-Alto per G rimane difendibile in ottica di policy: il commercio all’ingrosso (div. 46) e al dettaglio (div. 47) fungono da intermediari di prodotti con elevata esposizione geopolitica, anche se il settore in quanto tale non è ad alta intensità di input energetici.

  • 6 possibili sottostime — B, E, F, I, J, N: queste sezioni, classificate internamente Medio o Medio-Alto, mostrano score esterni superiori alla classe assegnata. Le motivazioni variano per settore:

4.1 Sezione B — Estrazione di minerali

L’indicatore interno assegna un mix Alto/Medio-Alto alle divisioni dell’estrattivo. Lo score esterno colloca B nella classe Alto, principalmente per l’elevata quota di esportazioni di materie prime (indicatore V15110 SBS) e l’alta dipendenza da input. Il segnale è coerente con la natura dell’estrattivo: materie prime come nichel, rame e minerali critici hanno mercati fortemente influenzati da dinamiche geopolitiche.

4.2 Sezione N — Noleggio, agenzie, supporto alle imprese

La sezione N mostra un’esposizione commerciale elevata (8,6% di export su output nel 2019 secondo SBS), superiore a quanto suggerisce la classificazione Medio. La componente rilevante è il noleggio di macchinari e attrezzature industriali a clientela internazionale e i servizi di logistica contrattuale, che creano esposizione indiretta a mercati esteri.

4.3 Sezioni F, I, J, E — Costruzioni, Alloggio, ICT, Acqua/rifiuti

Per queste sezioni lo score esterno si colloca in classe Medio-Alto per effetto combinato della dipendenza da input intermedi (materiali da costruzione, attrezzature ICT, reagenti per il trattamento acque) e di flussi commerciali transfrontalieri non trascurabili. La classificazione interna Medio è conservativa ma operativamente difendibile, in quanto questi settori non hanno esposizione diretta alle rotte commerciali del Medio Oriente.

5 Limiti metodologici

5.1 1. Il mapping IEA → NACE è parziale per i servizi

I dati energetici Eurostat (nrg_bal_s) disaggregano l’industria con dettaglio sub-settoriale (acciaio, chimica, minerali) ma riportano i servizi come aggregato (FC_OTH_CP_E). L’allocazione alle sezioni di servizi in proporzione al valore aggiunto introduce uniformità artificiale nell’intensità energetica delle sezioni F–N, limitando il potere discriminante della dimensione energetica per i non-industriali.

5.2 2. Anni di riferimento eterogenei

I tre indicatori si riferiscono ad anni diversi (2019 per SBS export, 2022 per energia e conti nazionali). Il 2019 per le esportazioni evita le distorsioni COVID del 2020–2021 ma potrebbe non catturare ristrutturazioni recenti (es. supply chain reshoring post-2022).

5.3 3. Lo score esterno misura esposizione strutturale, non geopolitica diretta

Le tre proxy misurano la struttura produttiva e commerciale del settore, non la sua effettiva esposizione alla crisi in Medio Oriente. Un settore con alta export intensity ma orientato a mercati non coinvolti (es. USA, Cina) riceve un punteggio elevato anche se la sua esposizione mediorientale è bassa.

5.4 4. Il confronto è a livello di sezione (A-N), non di divisione

L’indicatore interno opera a livello di divisione (2 cifre) e sotto-divisione, catturando eterogeneità interna che lo score esterno — costruito per sezione — non può vedere. Il caso più evidente è la sezione C (manifattura): al suo interno coesistono divisioni ad Alto rischio (es. 19 raffinazione, 24 metallurgia) e divisioni Medio (es. 10 alimentare, 31 mobili), che lo score aggregato appiattisce.

6 Conclusioni

La validazione esterna conferma la coerenza di fondo della classificazione per i settori ad alta intensità energetica e industriale (H, D, C). Emerge tuttavia uno spazio di possibile revisione metodologica in due direzioni:

  1. Verso l’alto (possibili sottostime): l’estrazione mineraria (B) e i servizi di noleggio e supporto (N) mostrano esposizioni commerciali non pienamente catturate dalla classificazione corrente. Una revisione delle divisioni 08–09 (minerali non ferrosi) e delle divisioni 77–82 (noleggio industriale, logistica contrattuale) potrebbe essere opportuna.

  2. Verso il basso (possibile sovrastima): il commercio (G) presenta un’esposizione strutturale nella media dei servizi, anche se il suo ruolo di intermediario di merci ad alto rischio giustifica la classificazione Medio-Alto su base operativa.

Il risultato più importante della validazione non è il punteggio, ma la conferma che la dimensione energetica e la dipendenza da input sono i driver dominanti dell’esposizione geopolitica osservabile — coerentemente con l’impatto della crisi in Medio Oriente sulle forniture di idrocarburi e sulle rotte di trasporto marittimo.

Dati: Eurostat nama_10_a64 (2022), nrg_bal_s (2022), sbs_na_sca_r2 V15110 (2019). Elaborazione: Ufficio Studi. Mapping IEA→NACE a cura dell’Autore.

Torna in cima