Course Syllabus
Obiettivi
Al termine del corso, gli studenti saranno in grado di definire, implementare e interpretare indicatori sintetici per misurare la sostenibilità e di applicare i principali approcci di machine learning per l'analisi di sistemi di dati complessi definiti da macro-indicatori di sostenibilità. In particolare, saranno in grado di:
- definire indicatori sintetici e padroneggiare gli elementi fondamentali dell'analisi multivariata e del processo decisionale multicriterio, selezionando il metodo più appropriato (conoscenza e capacità di comprensione)
- illustrare i metodi, interpretare criticamente gli indicatori costruiti e valutare le caratteristiche, i campi di applicazione, i vantaggi e gli svantaggi delle singole tecniche di machine learning (conoscenza e capacità di comprensione; autonomia di giudizio)
- condurre analisi statistiche utilizzando software statistici per implementare e calcolare gli indicatori, scegliendo e gestendo gli approcci di indagine più adatti alle finalità dell'analisi (capacità di applicare conoscenza e comprensione)
- comunicare i risultati e illustrare i metodi a un pubblico che potrebbe non avere familiarità con i metodi statistici o di machine learning (abilità comunicative)
- apprendere in modo autonomo ed esplorare ulteriori estensioni metodologiche o nuovi indicatori nazionali e internazionali (capacità di apprendimento)
Contenuti sintetici
- Definizioni di modello concettuale e di indicatore
- Costruzione degli indicatori
- Calcolo mediante software statistico e interpretazione degli indicatori
- Esempi di indicatori nazionali e internazionali per la sostenibilità
- Struttura e pre-trattamento dei dati nell'ambito del machine learning; covarianza e correlazione
- Strategie per l'esplorazione dei dati e la razionalizzazione di problemi complessi: Analisi delle Componenti Principali
- Misure di distanza per la similarità e la diversità
- Modellazione supervisionata per l'analisi degli indicatori di sostenibilità
- Strategie per il processo decisionale multicriterio
- Esperienze pratiche e casi di studio
Programma esteso
Definizione del modello concettuale e dell'indicatore:
- Introduzione alle definizioni fondamentali dei quadri concettuali e degli indicatori
- Classificazione delle tipologie di indicatori in base al fenomeno analizzato, all'ambito, al contenuto informativo e alla struttura di costruzione
Fasi per la costruzione degli indicatori:
- Sviluppo di un solido quadro teorico
- Criteri per la selezione delle variabili e screening dei dati
- Trattamento dei dati mancanti e tecniche di imputazione
- Metodi di normalizzazione, ponderazione e aggregazione
Calcolo mediante software statistico e interpretazione degli indicatori:
- Implementazione computazionale pratica degli indicatori mediante software statistico
- Linee guida pratiche per la corretta interpretazione degli indici sintetici
Esempi di indicatori nazionali e internazionali per la sostenibilità:
- Rassegna dei quadri internazionali (ad es. indicatori progettati per monitorare i progressi degli Obiettivi di Sviluppo Sostenibile dell'ONU)
La struttura dei dati multivariati:
- Covarianza e correlazione
- Scalatura e pre-trattamento dei dati: centratura, auto-scaling, range scaling, variance scaling
Strategie per l'esplorazione dei dati e la razionalizzazione di problemi complessi:
- Analisi della struttura ed esplorazione dei dati relativi a sistemi complessi nell'ambito dei macro-indicatori sintetici per la sostenibilità
- Analisi delle Componenti Principali (PCA): scores e loadings; autovalori e definizione delle componenti significative (analisi del rango)
- Esempi di PCA e casi di studio
Analisi della similarità e della diversità nei sistemi complessi:
- I concetti di analogia, similarità, dissimilarità e distanza
- Misure di distanza e similarità per dati quantitativi e binari
- Cluster Analysis: esempi e casi di studio
Modellazione supervisionata per l'analisi degli indicatori di sostenibilità:
- Il concetto di bias e i metodi di validazione; tecniche di validazione dei modelli supervisionati
- Metodi di regressione e classificazione multivariata: esempi e casi di studio
Strategie per il processo decisionale multicriterio:
- Funzioni di desiderabilità e di utilità per l'ordinamento razionale di dati multivariati; fronte di Pareto
- Esempi e casi di studio
Prerequisiti
Principi della statistica descrittiva
Modalità didattica
Synthetic Indicators for Sustainability
Lezioni frontali e attività pratiche di laboratorio:
- 10 ore, lezioni in presenza, didattica erogativa
- 10 ore, lezioni in presenza, didattica interattiva
- 10 ore, lezioni in presenza, didattica interattiva per la realizzazione di una relazione su un caso di studio, da analizzare a gruppi da parte degli studenti
Machine Learning and Ai-Applications for Data Management
Lezioni frontali e attività pratiche di laboratorio:
- 10 ore, lezioni in presenza, didattica erogativa
- 10 ore, lezioni in presenza, didattica interattiva
- 10 ore, lezioni in presenza, didattica interattiva per la realizzazione di una relazione su un caso di studio, da analizzare a gruppi da parte degli studenti
Materiale didattico
- OECD/European Union/EC-JRC (2008), Handbook on Constructing Composite Indicators: Methodology and User Guide, OECD Publishing, Paris, https://doi.org/10.1787/9789264043466-en.
- Mazziotta, M., & Pareto, A. (2025). Statistics for Composite Indicators. Springer.
- Slides
- Articoli scientifici resi disponibili sul sito e-learning del corso
- Dati e codice per le esercitazioni pratiche resi disponibili sul sito e-learning del corso
Periodo di erogazione dell'insegnamento
Primo semestre
Modalità di verifica del profitto e valutazione
Gli studenti dovranno preparare un report e una presentazione su un caso di studio fornito dai docenti e sviluppato in gruppo. La presentazione si terrà durante l'ultima lezione del corso.
L'esame consiste in una prova orale, che comprende la discussione degli argomenti trattati nel corso e la discussione del report, con una votazione compresa tra 18 e 30/30. La presentazione costituisce parte integrante della valutazione: aggiunge fino a un massimo di 2 punti al voto della prova orale, solo se quest'ultima ha riportato un voto maggiore o uguale a 18.
La valutazione si concentra sui seguenti punti: (1) conoscenza e capacità di comprensione; (2) uso corretto della terminologia; (3) capacità di analizzare i dati e valutare criticamente i risultati; (4) capacità di spiegare i metodi utilizzati e comunicare i risultati.
Orario di ricevimento
Su appuntamento via email
Sustainable Development Goals
Aims
By the end of this course, students will be able to define, implement, and interpret synthetic indicators to measure sustainability and to apply the main machine learning approaches for the analysis of complex data systems defined by macro indicators of sustainability. In particular, they will be able to:
- define synthetic indicators and master the fundamental elements of multivariate analysis and multicriteria decision making, selecting the proper method (knowledge and understanding)
- explain the methods, critically interpret the constructed indicators, and evaluate the characteristics, fields of application, advantages, and disadvantages of the individual machine learning techniques (knowledge and understanding; making judgements)
- perform statistical analysis using statistical software to implement and compute indicators, and choose and manage the investigation approaches most suited to the purposes of the analysis (applying knowledge and understanding)
- communicate the results and explain the methods to an audience that might not be familiar with statistical or machine learning methods (communication skills)
- learn independently and explore further methodological extensions or novel national and international indicators (learning skills)
Contents
- Definition of conceptual model and indicator
- Indicator construction
- Computation using statistical software and interpretation of indicators
- Examples of national and international indicators for sustainability
- Data structure and data pre-processing in the framework of machine learning; covariance and correlation
- Strategies for data exploration and the rationalization of complex problems: Principal Component Analysis
- Distances for similarity and diversity measures
- Supervised modelling for the analysis of indicators for sustainability
- Strategies for Multicriteria Decision Making
- Practical experience and case studies
Detailed program
Definition of conceptual model and indicator:
- Introduction to the core definitions of conceptual frameworks and indicators
- Classification of indicator types based on the analyzed phenomenon, scope, information content, and structural construction
Steps to construct indicators:
- Developing a robust theoretical framework
- Criteria for variable selection and data screening
- Missing data treatment and imputation techniques
- Normalization, weighting, and aggregation methods
Computation using statistical software and interpretation of indicators
- Hands-on computational implementation of indicators using statistical software
- Practical guidelines for the correct interpretation of synthetic indexes
Examples of national and international indicators for sustainability
Review of international frameworks (e.g., indicators designed to monitor the progress of the UN Sustainable Development Goals).
The structure of multivariate data:
- Covariance and correlation
- Data scaling and pre-treatment: centering, auto-scaling, range scaling, variance scaling
Strategies for data exploration and the rationalization of complex problems:
- Analysis of the structure and exploration of data related to complex systems in the framework of macro synthetic indicators for sustainability
- Principal Component Analysis (PCA): scores and loadings; eigenvalues and definition of significant components (rank analysis)
- Examples of PCA and case studies
Analysis of similarity and diversity in complex systems:
- The concepts of analogy, similarity, dissimilarity and distance
- Distance and similarity measures for quantitative and binary data
- Cluster Analysis: examples and case studies
Supervised modelling for the analysis of indicators for sustainability:
- The concept of bias and validation methods; validation techniques of supervised models
- Multivariate regression and classification methods: examples and case studies
Strategies for Multicriteria Decision Making:
- Desirability and utility functions for the rational ranking of multivariate data; Pareto front
- Examples and case studies
Prerequisites
Basic concepts of descriptive statistics
Teaching form
Synthetic Indicators for Sustainability
Face-to-face lectures and practical laboratory activities:
- 10 hours, in-person lectures, delivered didactics
- 10 hours, in-person lectures, interactive teaching
- 10 hours, in-person lectures, interactive teaching to produce a report on a case study, to be analysed by the students in groups
Machine Learning and Ai-Applications for Data Management
Face-to-face lectures and practical laboratory activities:
- 10 hours, in-person lectures, delivered didactics
- 10 hours, in-person lectures, interactive teaching
- 10 hours, in-person lectures, interactive teaching to produce a report on a case study, to be analysed by the students in groups
Textbook and teaching resource
- OECD/European Union/EC-JRC (2008), Handbook on Constructing Composite Indicators: Methodology and User Guide, OECD Publishing, Paris, https://doi.org/10.1787/9789264043466-en.
- Mazziotta, M., & Pareto, A. (2025). Statistics for Composite Indicators. Springer.
- Slides
- Scientific papers made available on the e-learning website of the course
- Data and code for practical sessions made available on the e-learning website of the course
Semester
First semester
Assessment method
Students will prepare a report and a presentation on a case study provided by the teachers and developed in groups. The presentation will take place during the last lecture of the course.
The exam consists of an oral exam, which comprises the discussion of the topics covered in the course and the discussion of the report, with a mark between 18 and 30/30. The presentation is an integral part of the assessment: it adds up to a maximum of 2 points to the mark of the oral exam, only if the latter is equal to or higher than 18.
The assessment focuses on the following points: (1) knowledge and understanding; (2) correct use of terminology; (3) ability to analyse data and critically assess results; (4) ability to explain the methods used and communicate the results.
Office hours
By appointment scheduled via email
Sustainable Development Goals
Staff
-
Viviana Amati
-
Davide Ballabio
