Antonio D'Alessio

La crisi finanziaria degli enti locali rappresenta una minaccia per la stabilità della finanza pubblica. Le procedure attuali, fondate su indicatori ex post e soglie rigide, risultano poco efficaci nel prevenire situazioni di squilibrio. Questo studio propone un modello predittivo basato sull’analisi dei flussi di cassa e applica l’algoritmo Random Forest a un dataset sperimentale relativo a 200 comuni di Campania, Calabria e Sicilia (2022–2024). L’analisi conferma la solidità del modello, dimostrando il potenziale del machine learning come strumento di allerta precoce. I risultati evidenziano l’importanza di integrare tecnologie predittive nei sistemi di monitoraggio e governance finanziaria degli enti locali. The financial crisis affecting local governments poses a significant threat to the stability of public finance. Current procedures, based on ex post indicators and rigid thresholds, have proven largely ineffective in preventing situations of fiscal imbalance. This study introduces a predictive model grounded in cash flow analysis and applies the Random Forest algorithm to an experimental dataset covering 200 municipalities in Campania, Calabria, and Sicily over the 2022–2024 period. The analysis confirms the robustness of the model and highlights the potential of machine learning as an early warning tool. The results underscore the importance of integrating predictive technologies into local governments’ financial monitoring and governance systems. La crise financière des collectivités locales constitue une menace majeure pour la stabilité des finances publiques. Les procédures actuelles, fondées sur des indicateurs ex post et des seuils rigides, se révèlent largement inefficaces pour prévenir les situations de déséquilibre budgétaire. Cette étude propose un modèle prédictif basé sur l’analyse des flux de trésorerie et applique l’algorithme Random Forest à un ensemble de données expérimentales concernant 200 communes de Campanie, de Calabre et de Sicile sur la période 2022–2024. L’analyse confirme la robustesse du modèle et met en évidence le potentiel du machine learning comme outil d’alerte précoce. Les résultats soulignent l’importance d’intégrer les technologies prédictives dans les systèmes de suivi et de gouvernance financière des collectivités locales.