Nelle situazioni di grande incertezza, assumono una sempre maggior importanza le analisi congiunturali, ossia le analisi in grado di utilizzare al meglio le informazioni disponibili per misurare le modifiche economiche avvenute nel passato più prossimo.

Un caso di particolare interesse sono le previsioni che hanno ad oggetto le dinamiche di commercio estero. L’importanza di poter disporre di un aggiornamento tempestivo delle principali statistiche commerciali è infatti duplice: da un lato esse rappresentano un benchmark di mercato oggettivo per le imprese esportatrici, al fine di valutare la propria performance verso le principali geografie servite, dall’altra solo il monitoraggio costante di questi dati consente di inseguire le destinazioni più resilienti a un ciclo economico in rallentamento come quello attuale.

Disporre del maggior numero di informazioni possibili, al fine di poter godere tempestivamente di dato quanto più aggiornato possibile, non è tuttavia banale e richiede una particolare attenzione. Non tutti i paesi rendono infatti disponibili con lo stesso timing le statistiche di commercio estero.
Ad esempio, i dati di commercio estero dei paesi europei vengono resi disponibili dall’Eurostat attraverso la banca dati Comext, solitamente con un ritardo di circa due mesi (ad oggi abbiamo quelli relativi a gennaio 2023). Tuttavia vi è un timing di pubblicazione diverso per i flussi di commercio verso i paesi Intra-UE e quelli Extra-UE: i primi sono infatti dichiarati solamente da un campione ristretto di paesi, mentre i secondi vengono dichiarati da tutti i paesi europei, provocando un disallineamento di un mese fra le due di dichiarazioni.

Un primo modo di superare questa difficoltà sarebbe quella di considerare come ultimo periodo di analisi quello in cui vi è piena disponibilità dell'informazione per tutti i paesi del campione. Tuttavia, tale modo di procedere farebbe perdere informazioni importanti, che possono risultare determinanti per una lettura congiunturale corretta.
Si comprende, quindi, come esista un trade-off tra campione di paesi da considerare e aggiornamento della stessa stima nell’analisi delle informazioni di commercio estero. Se si considerano i soli paesi più veloci nel pubblicare i dati commercio estero è possibile costruire una misura della dinamica degli scambi internazionali molto aggiornata, ma con una minore rappresentatività della popolazione di paesi. Viceversa, se si vuole avere un campione che si avvicina all’intera popolazione si devono necessariamente considerare anche quei paesi che sono in ritardo nelle proprie dichiarazioni.

Come ExportPlanning supera tali difficoltà?

Vi sono una serie di metodi stocastici applicabili per ovviare a questo problema, anticipando i dati di alcuni mesi e “pareggiando” i paesi del campione che ancora non hanno dichiarato.
I modelli ARIMA (Autoregressive Integrated Moving Average) consentono di fare delle previsioni di breve periodo molto affidabili. Questi modelli econometrici si basano sul concetto che il futuro comportamento di un certo fenomeno è funzione del comportamento che ne ha caratterizzato il passato. Così il compito di previsione diventa, in sostanza, un'attenta analisi del passato più un presupposto che gli stessi modelli e relazioni si manterranno nel futuro. Al fine di applicare questo modello sono necessari alcuni passaggi, come la verifica che la serie storica sia stazionaria (le caratteristiche statistiche della serie temporale non cambiano nel tempo) e l’identificazione dei parametri di tipo autoregressivo (AR), di integrazione o differenziazione (I), e a media mobile (MA).
I modelli ARIMA ExportPlanning utilizzano degli algoritmi di machine learning supervisionati creati ad hoc al fine di determinare le giuste componenti per poter applicare ai dati un modello di stima più robusto e corretto possibile.
Le serie storiche in esame vengono stimate ad un livello dettagliato di codice prodotto Harmonized System a 6 digit e di singolo flusso dichiarante-partner, così da isolare i singoli scambi in modo efficace.
Il vantaggio di poter disporre di questi modelli è quello di poter stimare le dichiarazioni dei paesi mancanti, oltre che stimare in modo robusto le serie storiche portandole qualche mese in avanti, così da poter chiudere l’andamento del trimestre con largo anticipo.

Un esempio pratico sui dati europei

Un esempio pratico dell’efficacia di questa metodologia è l’applicazione degli ARIMA ai flussi di commercio dei paesi europei.
Il grafico che segue mostra i tassi di variazione delle esportazioni europee, dove l'elemento di attenzione è rappresentato dal IV trimestre 2022. Le barre grigie rappresentano i tassi di variazione trimestrale delle esportazioni europee calcolati sulla base dei dati totalmente storici aggiornati a dicembre 2022; le barre verdi riportano, invece, il tasso di variazione trimestrale ricavato sulla base dei dati aggiornati a ottobre 2022 per Intra-UE e novembre 2022 per Extra-UE, poi completati fino a dicembre tramite l’utilizzo dei modelli di previsione ARIMA.

Fonte: Elaborazioni ExportPlanning.

Come possiamo osservare dal grafico, è evidente la forte prossimità dei due risultati relativi al IV trimestre 2022, con una differenza minima, a testimonianza dell’efficacia della stima effettuata più di due mesi prima. Questa metodologia ci ha permesso di pre-stimare la chiusura d’anno delle esportazioni europee in anticipo rispetto alla pubblicazione del dato storico da parte dell’Eurostat.

Conclusioni

L’analisi appena effettuata ha dimostrato l’importanza della stima dei dati mancanti e delle previsioni a breve termine delle serie storiche utilizzando gli ARIMA.
Tramite questa metodologia viene garantita la robustezza delle stime di commercio estero di tutte le banche dati ExportPlanning. Ciò è particolarmente importante per una lettura congiunturale tempestiva e può aiutare le aziende che vogliono esportare ad acquisire un vantaggio informativo nei confronti dei principali concorrenti.