Lo Z-score di Altman
Oggi Vi racconto una storia che parte dal 1968 e arriva dritta al cuore delle vostre decisioni finanziarie di oggi.
La settimana scorsa, durante un comitato crediti, un giovane analyst ha alzato la mano:
“Perché usiamo ancora lo Z-Score, quando ormai abbiamo modelli di AI molto più precisi?”
Domanda legittima. E, secondo me, centrale nel 2025.
Mi sono fatta la stessa domanda, finché non mi sono trovata davanti a un imprenditore che aveva appena ricevuto un rifiuto su una richiesta di finanziamento sulla base di un algoritmo.
Il modello automatico aveva restituito un semaforo rosso. La motivazione era una riga generica: “Rischio superiore alla media di settore.” Formalmente corretta, ma completamente opaca.
Quando abbiamo ricostruito la valutazione usando lo Z-Score, il quadro è diventato leggibile:
- EBIT in diminuzione per due esercizi (X₃) → margini operativi sotto stress
- Capitale circolante negativo (X₁) → tensione finanziaria a breve
- Elevata leva bancaria (X₄) → sostenibilità del debito dipendente dai margini
Il problema non era “sei rischioso”. Il problema era come e dove il rischio stava emergendo.
E questo ha permesso di agire su liquidità, margini e struttura, non solo subire una decisione.
Lo Z-Score non è un sostituto dell’AI, ma può permettere di spiegare una decisione con onestà e criterio.
Da dove nasce lo Z-Score
Edward Altman era un professore della NYU quando, nel 1968, pubblicò uno studio che avrebbe cambiato il modo di valutare il rischio di credito.
Altman, E.I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance, 23(4), 589–609. https://onlinelibrary.wiley.com/doi/10.1111/j.1540-6261.1968.tb00843.x
Analizzò 66 aziende manifatturiere per capire cosa distinguesse quelle fallite da quelle sane e individuò 5 dimensioni chiave:
Variabili Z-Score di E. Altman
Formula originale:
Z = 1,2X₁ + 1,4X₂ + 3,3X₃ + 0,6X₄ + 1,0X₅
Tradotto in italiano: prendiamo il capitale circolante, gli utili non distribuiti, l’EBIT, il valore di mercato dell’equity e le vendite, li rapportiamo al totale attivo (tranne l’equity che va rapportato ai debiti), moltiplichiamo per dei coefficienti che Altman ha calcolato statisticamente, e otteniamo un numero.
Cosa ci dice quel numero “Z”? A quali soglie dobbiamo prestare attenzione?
Range rilevanti:
- Z > 2,99 → azienda solida
- Z < 1,81 → rischio elevato, problemi seri
- zona grigia → lettura tecnica dell’analista necessaria
La versione più coerente per aziende private europee
La formula originale era pensata per aziende quotate. Dopo anni di applicazione sul campo e considerando le peculiarità del mercato europeo, la formula aggiornata più utilizzata è quella aggiornata al 2017:
Altman, Iwanicz-Drozdowska, Laitinen, Suvas (2017). Financial Distress Prediction in an International Context Journal of International Financial Management & Accounting, 28(2), 131–171. https://doi.org/10.1111/jifm.12053
Formula per aziende private, non quotate in Europa (Z’-Score):
Z’ = 0,717X₁ + 0,847X₂ + 3,107X₃ + 0,420X₄ + 0,998X₅
È una buona base quando si lavora in contesti europei e non quotati.
Versione con adattamento coerente alle PMI italiane
Molte PMI italiane tuttavia condividono dinamiche ricorrenti e differenti:
- elevata dipendenza dal debito bancario
- bassi livelli di equity formale
- business operativo consolidato
- fatturato come driver principale
Per il mercato italiano, invece lo studio di Giacosa e Mazzoleni (2018) su Sustainability Journal che ha analizzato 300 PMI italiane, propone questa versione adattata:
Z-Score Italia = 0,877X₁ + 0,847X₂ + 3,107X₃ + 0,420X₄ + 0,998X₅
Dove:
- X₁ = (Attivo Circolante – Passivo Circolante) / Totale Attivo
- X₂ = (Utili Non Distribuiti + Riserve) / Totale Attivo
- X₃ = EBIT / Totale Attivo
- X₄ = Patrimonio Netto Contabile / Totale Debiti
- X₅ = Ricavi / Totale Attivo
Le nuove soglie sono quindi:
- Z > 2,75: Azienda solida
- 1,50 < Z < 2,75: Zona di attenzione
- Z < 1,50: Rischio concreto
Non è una formula alternativa a quella accademica. È una lente di lettura forse più coerente con il tessuto imprenditoriale italiano.
Altman dichiarava un’accuratezza del 95% nel prevedere i fallimenti con un anno di anticipo. Studi recenti confermano questa robustezza:
- Begley, Ming e Watts (1996) nel Journal of Business Finance & Accounting: 83% di accuratezza su dati anni ’80-’90
- Grice e Ingram (2001): accuratezza dell’82-89% per aziende manifatturiere
- Kumar e Kumar (2012) in Expert Systems with Applications: confronto con 25 modelli alternativi, Z-Score ancora nel top 5 per accuratezza
- Per il mercato italiano, lo studio di Bottani, Manfredi, Vignali (2019) su 450 aziende del food & beverage mostra un’accuratezza dell’87% a un anno.
Ma funziona ancora nel 2025?
Lo Z-Score viene spesso criticato perché ha più di 50 anni. Eppure continua a essere utilizzato come benchmark nei confronti tra modelli predittivi moderni, proprio perché:
- è verificabile,
- è comparabile,
- è spiegabile a un board.
E questo lo rende utile nonostante non sia il modello più complesso sul mercato.
Non deve vincere. Deve chiarire.
Secondo il Risk Management Survey 2024 di McKinsey, il 73% delle banche europee usa ancora una qualche versione dello Z-Score nel processo di credit scoring, integrandolo con modelli più sofisticati. Il framework tipico è quello che Moody’s Analytics chiama “Cascade Approach“: Livello 1: Z-Score per screening di massa | Livello 2: Modelli ML interpretabili | Livello 3: Deep Learning per decisioni high-stakes
AI vs Z-Score? No. AI + Z-Score
Uno studio rilevante sul confronto tra modelli ML e indicatori finanziari è:
Barboza, Kimura & Altman (2017). Machine Learning Models and Bankruptcy Prediction, Expert Systems with Applications, 83, 405–417. https://www.sciencedirect.com/science/article/pii/S0957417417302415
Uno dei risultati chiave:
includere lo Z-Score come variabile nei modelli ML può migliorarne la precisione.
Non perché sia migliore. Perché porta logica finanziaria strutturata.
È questo il punto: non dobbiamo scegliere tra intuizione economico-finanziaria e AI. Dobbiamo integrarle.
Dove NON va usato come riferimento unico
Il futuro: ESG-Adjusted Z-Score
Lo studio più recente di Altman, Hotchkiss e Wang (2024) propone l’integrazione con metriche ESG:
Z-ESG = Traditional Z-Score × (1 + ESG_adjustment)
Dove ESG_adjustment varia da -0,2 a +0,3 basandosi su score ESG validati. Prime evidenze su 5.000 aziende europee mostrano miglioramento dell’accuratezza predittiva dal 87% al 91%.
La versione che uso io
Z-“new” = 0,9X₁ + 0,75X₂ + 3,5X₃ + 0,35X₄ + 0,85X₅
Con queste soglie operative:
- Z > 2,5: Credito normale
- 1,8 < Z < 2,5: Monitoraggio trimestrale
- 1,3 < Z < 1,8: Garanzie aggiuntive richieste
- Z < 1,3: Solo contro garanzie reali o fideiussioni bancarie
Questa formula pesa di più la redditività operativa (X₃) e meno la struttura patrimoniale (X₄) e riflette la realtà delle PMI italiane, spesso sottocapitalizzate.
Le mie conclusioni
Io credo che la domanda non sia: “Ha senso usare ancora lo Z-Score?”
La domanda giusta è: “Quale modello mi permette di prendere decisioni spiegabili, responsabili e coerenti con i fondamentali?”
Come scrive Altman stesso nel suo paper del 50° anniversario (2018): “The Z-Score’s longevity is not despite its simplicity, but because of it.”
In un mondo dove l’82% delle aziende sta implementando AI secondo il McKinsey Global AI Survey 2024, capire i fondamentali diventa paradossalmente più importante.
Il vero professionista usa lo Z-Score non al posto dell’AI, ma come “sanity check” dei modelli complessi. Quando l’algoritmo dice “buy” e lo Z-Score dice “danger”, è il momento di rimboccarsi le maniche e capire chi ha ragione, con equità e responsabilità.
“Qualità è fare le cose bene quando nessuno ti sta guardando.” (Cit. H. Ford)
Stay tuned & Buon Lavoro! Elisa
#ZScore #AltmanZScore #CreditRisk #RiskManagement #AnalisiFinanziaria #CFO #ControlloGestione #Finance #CorporateFinance #FinanzaAziendale #PMI #SmallBusiness #BankruptcyPrediction #FinancialAnalysis #ArtificialIntelligence #MachineLearning #FinTech #ItalianBusiness #ManagementControl #FinancialModeling #BusinessIntelligence #DataAnalytics #ESG #Sustainability #FinanceTools #ExcelFinance #FinancialRatios #DebtAnalysis #CreditScoring #RiskAssessment #ViselConsulting
