Social Mood on Economic Index: un nuovo indicatore economico tra discipline e social network

L’Istat, sull’onda della nuova era digitale e sulle possibilità che i social network danno per la rilevazione dei dati, ha elaborato un nuovo indicatore tramite metodo sperimentale – con cui si intende che l’osservazione avviene su un gruppo di controllo simile[1] a quello su cui verrà effettuato l’intervento, detto comunemente gruppo sperimentale[2] – il Social Mood on Economic Index.

L’obiettivo dell’Istituto Nazionale di Statistica è quello di riuscire a misurare giornalmente, attraverso i social network con particolare attenzione a Twitter – questo perché è usato da un target di persone che hanno un modo di comunicare più diretto e sintetico, nonché siano in qualche modo critici sulle notizie di ampio spettro culturale, il sentiment degli utenti italiani sull’economia.

Prima di spiegare nel dettaglio i passaggi che vengono svolti per il raggiungimento di una serie storica giornaliera[3] dell’andamento, bisogna soffermarsi su cos’è il sentiment e l’analisi ad esso collegata: la sentiment analysis; la tecnica qui proposta si avvale di metodi per la rilevazione delle opinioni che gli utenti esprimono sul web, in particolar modo sui social network, in quanto elabora il linguaggio e analizza il testo per ricavare elementi caratteristici per l’indagine di riferimento, infatti per il suo stretto rapporto con i social è anche chiamata social media analysis; l’obiettivo fondante dell’analisi del sentimento è quello di determinare la polarità – con cui si intende la direzione positiva, negativa o neutrale – di un documento[4].

Affinché l’analisi ottenga dei risultati bisogna costruire un “vocabolario” in cui rientrano le parole, in italiano e in inglese, che si adattano all’argomento di indagine; oltre al vocabolario altro step da percorrere è lo stemming, processo con cui si riduce la forma flessa[5] di ogni parola, prima di questa frase si effettua solitamente una pulizia delle frasi andando a sostituire le emoticon utilizzate dagli utenti nell’esplicitazione dei “sentimenti” questo attraverso software di analisi del testo[6].

Tornando all’indice, è stato elaborato e utilizzato dal 10 febbraio al 30 settembre 2018, giornalmente per effettuare una stima dell’opinione pubblica in tema economico; la procedura di calcolo si avvale di una raccolta in blocco dei tweet, sulla base del vocabolario formato da filtri e parole inerenti, per poi essere “puliti”, infine il blocco è analizzato attraverso una tecnica di clustering con cui vengono divisi i tweet in tre classi: positivo, negativo e neutro e sulla base delle classi ottenute si procede col ricavare il valore dell’indice attraverso una misura di tendenza centrale.

Fonte: Istat – Social Mood on Economic Index [7]

L’indice si basa principalmente su tweet pubblici e dati anonimizzati e l’insieme delle analisi giornaliere sono schematizzate in delle serie storiche, rappresentate come la combinazione di tre andamenti:

1. Il livello della serie;
2. Il tasso di crescita (trend);
3. Una componente che coglie gli aspetti, sia negativi che positivi, stagionali;

Fonte: Istat – Social Mood on Economic Index [8]

Nell’ambito delle serie storiche dell’indice elaborato dall’Istat si fa riferimento a due fasi aggiuntive, la prima è l’identificazione e la stima degli effetti introducendo variabili dummy[9], la seconda invece è l’individuazione delle componenti della serie lineare; il grafico successivamente proposto si basa sui dati rilevati durante il biennio giugno 2016 e settembre 2018, in cui ci sono i picchi positivi. Osservando la vetta più vicina temporalmente a noi, possiamo dedurre che questo incremento sia dovuto alla Legge di Bilancio[10] 2019 che ha portato gli utenti ad avere la possibilità di sviluppare un’opinione a riguardo.

Fonte: Istat – Social Mood on Economic Index [11]

Concludendo con una riflessione, la costruzione dell’indice ci mostra come sia possibile effettuare un network, ovvero una rete, di diverse discipline, quali l’economia, la statistica e la sociologia; l’unione interdisciplinare ci mostra come sia possibile elaborare strumenti che siano al passo coi tempi – con la tecnologia e con nuovi utenti – che permettono di ottenere una mole di informazione (big data) che aprono nuove prospettive nell’analisi dei temi di dominio pubblico.

 

[1] La similitudine tra i gruppi è ottenuta tramite una un’assegnazione casuale dei soggetti o meglio detti casi su cui si effettuano le rilevazioni

[2] Martini, A. Metodo sperimentale, approccio controfattuale e valutazione degli effetti delle politiche pubbliche, gennaio 2006

[3] Per serie storica si intende un insieme di variabili ordinate rispetto al tempo, che permettono di osservare in un che modo un fenomeno varia nel tempo

[4] Sentiment analysis, http://www.themarketingfreaks.com/2017/01/cose-la-sentiment-analysis-utilita-limiti-e-tools-gratis-e-a-pagamento/

[5] Per forma flessa si intende qualsiasi variazione morfologica per indicarne i tratti grammaticali o sintattici di una parola alla sua forma radice detta tema

[6] Ad esempio, R o N-Vivo

[7] Istat, Social Mood on Economic Index, 23 ottobre 2018 – https://www.istat.it/it/archivio/219585

[8]  Istat, Social Mood on Economic Index, 23 ottobre 2018 – https://www.istat.it/it/archivio/219585

[9] Dummy, http://www.treccani.it/enciclopedia/variabili-dummy_%28Dizionario-di-Economia-e-Finanza%29/

[10] Per Legge di Bilancio si intende lo strumento economico più utile ad un Paese per definire le manovre finanziare per i tre anni successivi all’approvazione della legge, al fine di raggiungere degli obiettivi economici definiti nel disegno legislativo

[11] Istat, Social Mood on Economic Index, 23 ottobre 2018 – https://www.istat.it/it/archivio/219585

Fonte immagine: https://finanza.repubblica.it/Bloomberg/2018/10/01/chelsea_manning_says_ai_inflames_passions_on_social_media-PFXJES6K50XS01_BLE/