Questo studio analizza l’impatto della digitalizzazione sulla redditività di 766 aziende italiane a partecipazione pubblica tra il 2015 e il 2023. Utilizzando un dataset panel bilanciato, è stato costruito un Digital Score basato sul livello di digitalizzazione dei settori NACE. L’analisi prevede clustering (K-Means), modelli di machine learning (Random Forest e XGBoost) e approcci quasi-sperimentali (Difference-in-Differences e Propensity Score Matching). I risultati mostrano un impatto positivo ma marginale della digitalizzazione sul ROE. Gli indicatori di performance operativa, in particolare ROA ed EBITDA Margin risultano i principali driver della redditività. L’analisi quasi-causale non rileva effetti statisticamente signi!cativi della digitalizzazione nel breve periodo, suggerendo bene!ci potenziali solo nel medio-lungo periodo. Un test di robustezza basato su Noise Injection conferma che tali evidenze non dipendono dalla speci!ca costruzione dell’indicatore digitale.

Digitalizzazione e performance delle aziende pubbliche: un’analisi panel con machine learning e metodi causali / Sura, A., Di Ventura, E.. - In: AZIENDA PUBBLICA. - ISSN 1127-5812. - 2(2026), pp. 465-488. [10.30448/AP.2026.2.06]

Digitalizzazione e performance delle aziende pubbliche: un’analisi panel con machine learning e metodi causali

Sura A.;Di Ventura E.
2026

Abstract

Questo studio analizza l’impatto della digitalizzazione sulla redditività di 766 aziende italiane a partecipazione pubblica tra il 2015 e il 2023. Utilizzando un dataset panel bilanciato, è stato costruito un Digital Score basato sul livello di digitalizzazione dei settori NACE. L’analisi prevede clustering (K-Means), modelli di machine learning (Random Forest e XGBoost) e approcci quasi-sperimentali (Difference-in-Differences e Propensity Score Matching). I risultati mostrano un impatto positivo ma marginale della digitalizzazione sul ROE. Gli indicatori di performance operativa, in particolare ROA ed EBITDA Margin risultano i principali driver della redditività. L’analisi quasi-causale non rileva effetti statisticamente signi!cativi della digitalizzazione nel breve periodo, suggerendo bene!ci potenziali solo nel medio-lungo periodo. Un test di robustezza basato su Noise Injection conferma che tali evidenze non dipendono dalla speci!ca costruzione dell’indicatore digitale.
2026
digitalizzazione; aziende pubbliche; ROE; machine learning; K-Means; metodi causali
01 Pubblicazione su rivista::01a Articolo in rivista
Digitalizzazione e performance delle aziende pubbliche: un’analisi panel con machine learning e metodi causali / Sura, A., Di Ventura, E.. - In: AZIENDA PUBBLICA. - ISSN 1127-5812. - 2(2026), pp. 465-488. [10.30448/AP.2026.2.06]
File allegati a questo prodotto
File Dimensione Formato  
DiVentura_Digitalizzazione_2026.pdf

solo gestori archivio

Tipologia: Versione editoriale (versione pubblicata con il layout dell'editore)
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 329.63 kB
Formato Adobe PDF
329.63 kB Adobe PDF   Contatta l'autore
DiVentura_Digitalizzazione-Copertina-Indice_2026.pdf

solo gestori archivio

Note: Copertina e indice del fascicolo
Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 2.15 MB
Formato Adobe PDF
2.15 MB Adobe PDF   Contatta l'autore

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11573/1772114
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact