(AGENPARL) - Roma, 24 Novembre 2023 - (AGENPARL) – ven 24 novembre 2023 di stabilità
finanziaria
e vigilanza
N. 33
Novembre 2023
Sintesi………………………………………1
1. Introduzione………………………..1
2. I dati e la metodologia
di stima ……………………………….2
3. Il metodo K-means……………….3
4. Il clustering gerarchico…………..5
5. Conclusioni………………………….6
Banche a rilevanza sistemica nazionale:
analisi dei cluster per l’Italia
F. Francetti – M. Galardo*
Sintesi
La nota presenta esercizi di cluster analysis volti a identificare il
numero ottimale di cluster per classificare le banche italiane in
gruppi di rilevanza sistemica nazionale (O-SII) omogenei. La
cluster analysis è una tecnica di statistica descrittiva ampiamente
utilizzata a supporto della politica macroprudenziale, anche
a livello internazionale: il Comitato di Basilea e il Financial
Stability Board hanno sfruttato il clustering per identificare il
gruppo delle istituzioni a rilevanza sistemica globale; la BCE
ha applicato la cluster analysis per definire un livello minimo
dei buffer per le banche identificate come O-SII dalle autorità
macroprudenziali nazionali dei paesi facenti parte dell’SSM
(Single Supervisory Mechanism).
1. Introduzione
L’analisi dei gruppi (cluster analysis) è una tecnica di statistica
descrittiva ampiamente utilizzata per classificare i dati e
individuare insiemi di osservazioni con caratteristiche simili1.
Queste tecniche sono state utilizzate dal Comitato di Basilea
(BCBS) e dal Financial Stability Board (FSB) per identificare il
gruppo delle istituzioni a rilevanza sistemica globale (G-SIBs)
e definire quindi una soglia di rilevanza2. Anche la BCE ha
I contributi pubblicati nella serie
I“Note
contributi
pubblicati
nella serie
di stabilità
finanziaria
“Note
di stabilità
finanziaria
e vigilanza”
riflettono
le opinioni
edegli
vigilanza”
riflettono
le opinioni
autori e non impegnano
degli
autori e nondella
impegnano
la responsabilità
responsabilità
della
Banca d’Italia
Banca d’Italia
Grafica a cura
della Divisione Editoria e stampa della Banca d’Italia
ISSN 2284-4198 (online)
Si veda: Kaufman, L., and P. J. Rousseeuw, Finding Groups in Data: An Introduction
to Cluster Analysis, New York: Wiley (1990); Johnson, Richard Arnold, and Dean W.
Wichern, Applied multivariate statistical analysis (2002); Rui Xu, Donald C. Wunsch
II, Clustering (2008); Härdle, Wolfgang Karl, and Léopold Simar, Applied multivariate
statistical analysis (2019).
BCBS, Global systemically important banks: assessment methodology and the
additional loss absorbency requirement, 2011.
F. Francetti, M. Galardo, Dipartimento Economia e statistica.
applicato una cluster analysis ai dati di bilancio di un campione di banche appartenenti
all’SSM (Single Supervisory Mechanism) per definire la struttura a scaglioni (bucket)
utilizzata per associare un livello minimo di buffer (ECB O-SII buffer floor) al punteggio di
identificazione degli intermediari a rilevanza sistemica domestica (O-SII)3. Questa nota
presenta una serie di esercizi di analisi dei gruppi applicata ai dati di bilancio delle banche
italiane per identificare il numero ottimale di cluster per il sistema bancario italiano e
definire gruppi omogenei di intermediari per rilevanza sistemica nazionale. I punteggi di
rilevanza sistemica domestica (O-SII scores) degli intermediari bancari italiani sono stati
calcolati seguendo le indicazioni contenute negli orientamenti EBA (EBA/GL/2014/10).
Dall’analisi emergono i seguenti risultati principali:
• Nel sistema bancario italiano esistono cinque classi di intermediari con
caratteristiche simili: una raggruppa quelli più piccoli; una gli intermediari
più grandi con punteggio da 254 a 366; una include un solo intermediario
(con punteggio 511); due classi comprendono gli intermediari con punteggi
superiori a 2.700.
• Per separare le banche a rilevanza sistemica nazionale dalle altre, la
cluster analysis suggerirebbe una soglia intorno a 250 punti, più bassa
della soglia di identificazione standard definita dall’EBA (pari a 350 punti).
2. I dati e la metodologia di stima
Il calcolo degli O-SII scores per l’analisi dei cluster è stato effettuato per ciascuna banca
o gruppo bancario italiano4, seguendo le indicazioni contenute negli orientamenti EBA
per la valutazione degli enti a rilevanza sistemica (EBA/GL/2014/10). In particolare, gli
orientamenti prevedono che gli intermediari vengano valutati secondo quattro profili
(dimensione, importanza per l’economia domestica, complessità e interconnessione
con il sistema finanziario) quantificati mediante 10 indicatori (Tavola 1); per il sistema
bancario italiano, i punteggi degli indicatori – e, di conseguenza, dei singoli profili di
rilevanza – sono calcolati sulla base delle segnalazioni di vigilanza armonizzate e dei
dati Target2 riferiti alla fine di ogni anno.
I punteggi così calcolati – che descrivono sinteticamente le caratteristiche di ciascun
intermediario bancario operante nel sistema italiano – sono stati quindi impiegati
nell’analisi dei cluster secondo due metodologie: l’algoritmo K-means e il clustering
gerarchico basato sull’approccio bottom-up.
ECB, Macroprudential Bullettin, Issue n. 3, giugno 2017. Alla fine dello scorso anno, la BCE ha pubblicato un aggiornamento
dei floor volto a ridurre l’elevata eterogeneità dei buffer fissati nei diversi paesi europei: ECB, Governing Council statement
on macroprudential policies, dicembre 2022.
Il calcolo viene effettuato al più alto livello di consolidamento. Secondo le Linee Guida EBA sulla valutazione delle O-SII
“le autorità pertinenti dovrebbero calcolare un punteggio per ogni entità pertinente almeno al più alto livello di consolidamento
della parte del gruppo che rientra sotto la loro giurisdizione”, (EBA/GL/2014/10, Titolo II, paragrafo 5).
Banca d’Italia
Note di stabilità finanziaria e vigilanza N. 33 – Novembre 2023
Tav. 1 – Metodologia EBA: indicatori obbligatori per l’assegnazione del punteggio
Criterio
Indicatori
Dimensione
Totale attività
Importanza
(compresa sostituibilità/
infrastruttura del sistema
finanziario)
Valore delle operazioni di pagamento nazionali
8,33%
Depositi del settore privato da parte di depositanti nell’UE
8,33%
Prestiti del settore privato in favore di destinatari nell’UE
8,33%
Valore dei derivati OTC (nozionale)
8,33%
Passività inter-giurisdizionali
8,33%
Crediti inter-giurisdizionali
8,33%
Passività verso altri enti finanziari
8,33%
Attività verso altri enti finanziari
8,33%
Titoli di debito in circolazione
8,33%
Complessità/attività
transfrontaliera
Interconnessione
Ponderazione
25,00%
3. Il metodo K-means
L’algoritmo K-means richiede di impostare il numero dei clusters (k) a priori,
l’esercizio è stato ripetuto ipotizzando un numero di cluster da 2 a 10 e confrontando
diverse misure della qualità dei clusters per identificarne il numero ottimale. Vengono
utilizzate quattro misure: (i) la devianza interna (Within Sum of Square, WSS), ossia
la somma degli scarti di ciascun punteggio dalla media del proprio gruppo; (ii) la
riduzione della WSS per l’analisi che assume k gruppi rispetto all’analisi basata su
(k-1) gruppi (Proportional Reduction in Error, PRE); (iii) l’indice eta-quadro dato dal
rapporto tra la devianza esterna, ossia la somma degli scarti delle medie di categoria
dalla media generale, e la devianza totale, ossia la somma dello scarto di ciascun
punteggio dalla media generale; (iv) la radice quadrata della media degli errori al
quadrato (Root Mean Square Error, RMSE). Inoltre, poiché i risultati dell’algoritmo
K-means potrebbero dipendere dalla scelta del punto di inizializzazione (il centro
del cluster iniziale), per ogni k l’esercizio è stato replicato 500 volte selezionando
casualmente il punto di partenza e riportando come risultato quello che si verifica
con la maggiore frequenza unitamente alle bande che identificano l’intervallo tra
i risultati minimo e massimo. Le analisi sono state condotte sui punteggi calcolati
in base ai dati dei bilanci dal 2018 al 2022. Le evidenze sono riportate nella Figura
1. Nel pannello (a) si presentano gli indicatori ottenuti considerando i punteggi del
2022 e nel pannello (b) quelli ottenuti considerando tutti i punteggi dal 2018 al
2022. In entrambi gli esercizi la WSS ha un forte calo per k=3, continua a scendere
fino a k=6 per poi rimanere pressoché stabile. L’indicatore eta-quadro segnala una
riduzione della WSS di oltre il 99 per cento già per k=4. Per l’esercizio che assume 4
e 5 gruppi, PRE segnala riduzioni tra l’80 e il 20 per cento, l’indicatore risale da k=6
ma la riduzione della devianza interna (WSS) è limitata per valori di k superiori a 5.
Gli indicatori suggeriscono quindi un numero di clusters tra 3 e 5.
Banca d’Italia
Note di stabilità finanziaria e vigilanza N. 33 – Novembre 2023
Fig. 1 – Indicatori di qualità dei clusters ottenuti con l’algoritmo K-means (1)
Figura 1 – Indicatori di qualità dei clusters ottenuti con l’algoritmo K-means (1)
(a) Punteggio 2022
(b) Punteggi dal 2018 al 2022
(a) Punteggio 2022
(b) Punteggi dal 2018 al 2022
Elaborazioni
Bancatutti
d’Italia.
(1)Fonte:
Il campione
include
gli intermediari bancari che segnalano il totale attivo a ciascuna data di rilevazione. L’algoritmo K-
(1) Il campione include tutti gli intermediari bancari che segnalano il totale attivo a ciascuna data di rilevazione. L’algoritmo K-means utilizza
means
utilizza
come misura
dispersione
del cluster la distanza euclidea.
misura
della dispersione
del della
cluster
la distanza euclidea.
Fonte: Elaborazioni Banca d’Italia
La Tavola 2 riporta i risultati dell’analisi assumendo un numero di clusters da k=3 a k=5.
La Tavola 1 riporta i risultati dell’analisi assumendo un numero di clusters da k=3 a k=5. I due
I due intermediari
maggiori
vengono
sempre
a dueallo
gruppi
stesso
intermediari
maggiori vengono
sempre
assegnati
a dueassegnati
gruppi diversi;
stessodiversi;
modo, siallo
identifica
modo, si un
identifica
un gruppo
più numeroso
chiaramente
gruppo dichiaramente
intermediari (area
verde) di
piùintermediari
numeroso che(area
vieneverde)
confermato
in tutte le
che viene confermato in tutte le simulazioni.
simulazioni.
Tavola 1 – Clustering in base ai punteggi del 2022
(punti
base)
Tav. 2 – Clustering
in base
ai punteggi del 2022
Cluster
media
media
144 1
293085
Cluster
(punti base)
Media
Media
media
media
L’analisi
sistema 6bancario
4 che assume k=3 cattura solo in parte
137 l’eterogeneità
0 del 155
310 italiano,
254 tutti
366gli
intermediari
diversi
maggiori
vengono
infatti
classificati
unico
gruppo.
Aumentando
il numero dei cluster la rappresentazione diventa più accurata e si isola il gruppo degli intermediari
minori (con un punteggio compreso tra 0 e 155) da quello che, per k=4, raccoglie gli enti con
punteggi compresi tra 254 e 511 punti base. Per k=5 si ha un’ulteriore separazione con la creazione
chea assume
catturasolo
solol’intermediario
in parte l’eterogeneità
del sistema
bancario
italiano,
diL’analisi
un gruppo
cui vienek=3
assegnato
con score pari
a 511 punti
base che
dista
tutti
glipunti
intermediari
dai due
maggiori
unico
oltre
dalla mediadiversi
della classe
subito
inferiorevengono
(310 puntiinfatti
base). classificati
Per riflettereininun
maniera
adeguata
italiano
è consigliabile un clustering
5 gruppi.
gruppo.l’eterogeneità
Aumentandodelil sistema
numerobancario
dei cluster
la rappresentazione
diventaapiù
accurata e
si isola il gruppo degli intermediari minori (con un punteggio compreso tra 0 e 155) da
verificare
la robustezza
dei risultati
nella Tavola
1 l’esercizio
ripetuto
per Per
quello
che, per
k=4, raccoglie
gli entimostrati
con punteggi
compresi
tra 254èestato
511 punti
base.
al 2022. Laseparazione
Tavola 2 mostra
nel 2021die un
si forma
nuovo
cluster (area
k=5dal
si ha
un’ulteriore
con la
creazione
gruppo
a cuiunviene
assegnato
arancione)
unico
intermediario
punteggio
aumenta
rispetto
precedenti,
l’intermediario con score pari a 511 punti base che dista oltre 200 punti dalla media della
cluster
compattano
un unico
gruppo
di intermediari
più piccoli
(area bianca)
e resta
classeinferiori
subito siinferiore
(310inpunti
base).
Per riflettere
in maniera
adeguata
l’eterogeneità
4 del sistema bancario italiano è consigliabile un clustering a 5 gruppi.
Banca d’Italia
Note di stabilità finanziaria e vigilanza N. 33 – Novembre 2023
Per verificare la robustezza dei risultati mostrati nella Tavola 2 l’esercizio è
stato ripetuto per gli anni dal 2018 al 2022. La Tavola 3 mostra che nel 2021
e 2022 si forma un nuovo cluster (area arancione) con un unico intermediario
il cui punteggio aumenta rispetto agli anni precedenti, i due cluster inferiori si
compattano in un unico gruppo di intermediari più piccoli (area bianca) e resta
la classe intermedia a cui si associa un punteggio medio di 310 punti base (area
gialla). I due intermediari maggiori vengono sempre identificati in due cluster
diversi (area verde e azzurra).
Tav. 3 – Clustering per k=5 in base ai punteggi dal 2018 al 2022
(punti base)
Cluster
Media
Media
Media
Media
Cluster
Media
4. Il clustering gerarchico
L’analisi dei cluster secondo il metodo gerarchico non richiede di scegliere il numero dei
gruppi prima di classificare i dati. L’algoritmo parte considerando tutti gli intermediari
separati in gruppi individuali, e quindi procede iterativamente con l’aggregazione di
coppie di gruppi meno distanti tra loro, arrivando al termine a produrre un unico gruppo
contenente tutte le unità analizzate. Il risultato non è una sola partizione dei dati, ma
una serie di ripartizioni. La Figura 2 riporta i dendrogrammi ottenuti considerando
i punteggi del 2022. Il clustering gerarchico, come l’algoritmo K-means, evidenzia
chiaramente una prima forte distinzione tra i due intermediari maggiori e il resto del
sistema, identificata nella Figura 2.a dai due rami verdi più lunghi a cui corrisponde la
maggiore dissimilarità; gli altri due rami più lunghi del dendrogramma sono quelli rossi
che collocano i due intermediari più grandi in due cluster separati. Per avere una visione
Banca d’Italia
Note di stabilità finanziaria e vigilanza N. 33 – Novembre 2023
più chiara delle ramificazioni per il resto del sistema bancario italiano, i due intermediari
maggiori sono stati esclusi dall’analisi nella Figura 2.b. La prima distinzione (ramo più
lungo) riguarda gli intermediari con punteggio inferiore o uguale a 155 punti base; nel
gruppo di quelli rimanenti (punteggio sopra i 254 punti base) si distingue l’estremo
superiore a cui corrisponde un punteggio pari a 511 e restano appaiati in un unico
gruppo gli intermediari con punteggio da 254 a 366 punti base. Il clustering gerarchico,
in linea con l’algoritmo K-means, suggerisce un numero di clusters pari a 5, dove i tre
punteggi più alti vengono assegnati a tre gruppi diversi, i punteggi da 254 a 366 a un
unico gruppo e un ultimo cluster più numeroso di banche con punteggi più bassi.
Figura
Clusteringgerarchico
gerarchico in
in base ai punteggi
punteggi del
Fig. 22- -Clustering
del 2022
2022(1)
(puntibase)
base)
(punti
dendrogramma
(a) Intero
Intero dendrogramma
(b) Focus
escludendo
i due intermediari
(b) Focus
escludendo
i due intermediari
maggiori
maggiori
(1) Il campione include solo gli intermediari con un punteggio superiore ai 20 punti base. L’algoritmo associa i gruppi di osservazioni
Il campione
includedella
solosomma
gli intermediari
un punteggio
superiore
minimizzando
l’aumento
degli errori al
quadrato
(metodo di
Ward). ai 20 punti base. L’algoritmo associa i gruppi di
osservazioni minimizzando l’aumento della somma degli errori al quadrato (metodo di Ward).
Gli orientamenti EBA prevedono che i punteggi complessivi siano calcolati come somma
Gli orientamenti EBA prevedono che i punteggi complessivi siano calcolati come somma pesata dei
pesata dei punteggi che ogni intermediario ottiene in quattro categorie: dimensione,
punteggi che ogni intermediario ottiene in quattro categorie: dimensione, importanza, complessità
importanza, complessità e interconnessione (cfr. Tavola 1). La Figura 3 riporta le
e interconnessione (cfr. Tavola 1). La Figura 3 riporta le matrici dei grafici a dispersione dei punteggi
dei grafici
a dispersione
dei punteggi
quattro categorie.
Anche
in questo
permatrici
le quattro
categorie.
Anche in questo
caso, i per
due leintermediari
più grandi
si distinguono
caso, i duedal
intermediari
più grandi
siledistinguono
chiaramente
resto del
sistema per
chiaramente
resto del sistema
per tutte
categorie (Figura
3.a) e per dal
osservare
più chiaramente
tutte le categorie
(Figura
3.a) e per
osservare
più chiaramente
la dalla
dispersione
il resto
la dispersione
per il resto
del sistema
(Figura
3.b) è necessario
escluderli
matrice. per
Il cluster
del sistema
(Figura
3.b) per
è necessario
escluderli
dalla(area
matrice.
Il cluster
di intermediari
intermediari
minori
è visibile
tutte le quattro
categorie
cerchiata
in rosso)
mentre quelli
minori
è visibile
per tutteintermedi
le quattro
categorie
(area
cerchiata
in rosso)nelle
mentre
quelli
delle
banche
con punteggi
mostrano
maggiore
dispersione
categorie
delle banche
con punteggi
intermedi mostrano una maggiore dispersione nelle categorie
importanza,
complessità
e interconnessione.
importanza, complessità
e interconnessione.
Figura 3 – Matrici
di dispersione in base ai punteggi del 2022 (1)
(a) Intero campione
(b) Escludendo i due intermediari maggiori
5. Conclusioni
Le analisi dei cluster suggeriscono per il sistema bancario italiano l’esistenza di cinque classi di
intermediari con caratteristiche simili: una raggruppa quelli più piccoli; una gli intermediari
più grandi, con punteggio da 254 a 366; una include un solo intermediario (con punteggio
511); due classi comprendono gli intermediari con punteggi superiori a 2.700.
Banca d’Italia
Note di stabilità finanziaria e vigilanza N. 33 – Novembre 2023
la dispersione per il resto del sistema (Figura 3.b) è necessario escluderli dalla matrice. Il cluster di
intermediari minori è visibile per tutte le quattro categorie (area cerchiata in rosso) mentre quelli
delle banche con punteggi intermedi mostrano una maggiore dispersione nelle categorie
importanza, complessità e interconnessione.
Fig. 3 – Matrici di dispersione in base ai punteggi del 2022 (1)
Figura 3 – Matrici di dispersione in base ai punteggi del 2022 (1)
(a) Intero campione
(b) Escludendo i due intermediari maggiori
(a) Intero campione
(b) Escludendo i due intermediari maggiori
Conclusioni
Le analisi dei cluster suggeriscono per il sistema bancario italiano l’esistenza di cinque classi di
intermediari con caratteristiche simili: una raggruppa quelli più piccoli; una gli intermediari più
grandi, con punteggio da 254 a 366; una include un solo intermediario (con punteggio 511); due
classi comprendono gli intermediari con punteggi superiori a 2.700.
(1) Il campione include solo gli intermediari con un punteggio superiore ai 20 punti base.
(1) Il campione include solo gli intermediari con un punteggio superiore ai 20 punti base.
Per separare le banche a rilevanza sistemica nazionale dalle altre, l’analisi dei cluster
suggerirebbe
soglia intorno
ai 250 punti
base considerando
il valore
minimo
e intorno
separare una
le banche
a rilevanza
sistemica
nazionale dalle
altre,
l’analisi
dei acluster
punti considerando
la media.
Gliaiorientamenti
EBAconsiderando
raccomandano
per l’identificazione
delle a
6 suggerirebbe
una soglia
intorno
250 punti base
il valore
minimo e intorno
istituzioni
a rilevanza sistemica
domestica
la soglia di 350
base che può
essere
aumentata
punti considerando
la media.
Gli orientamenti
EBApunti
raccomandano
l’identificazione
o diminuita
per un
massimo di
75 punti domestica
base (i.e. fino
425 odi
a 275
dei essere
paesi
delle
istituzioni
a rilevanza
sistemica
la asoglia
350punti
puntibase).
baseAlcuni
che può
partecipanti
al Meccanismo
di massimo
vigilanza unico
Supervisory
Mechanism,
SSM)punti
utilizzano
aumentata
o diminuita
per un
di 75(Single
punti base
(i.e. fino
a 425 o a 275
base).
soglie
inferiori
punti
base.
particolare:
Austria,
Belgio
Croazia
hanno
fissato
soglia
Alcuni dei paesi partecipanti al Meccanismo di vigilanza unico (Single Supervisory Mechanism,
275 punti
base; ilsoglie
Lussemburgo
punti
basebase.
(Figura
Alcuni paesiAustria,
hanno invece
utilizzano
inferioria 325
ai 350
punti
In4).
particolare:
Belgioesercitato
e Croazia
hanno
fissato
soglia
punti
base;
Lussemburgo
punti
(Figura
Alcuni
il supervisory judgment per ampliare la platea delle banche identificate come O-SII;
paesi
hanno
invece
esercitato
supervisory
judgment
ampliare
platea
delle
banche
particolare, Belgio, Germania, Francia, Irlanda e Olanda. Austria, Croazia e Lussemburgo
identificate
O-SII; indella
particolare,
Belgio,
Germania,
Francia, Irlanda
e Olanda.
Austria,
combinanocome
la riduzione
soglia con
l’esercizio
del supervisory
judgment.
L’utilizzo
Croazia
Lussemburgo
combinano
riduzione
della
soglia
l’esercizio
supervisory
quest’ultimo ha portato, in alcuni casi, a identificare come O-SII anche intermediari con punteggi
judgment.
L’utilizzo
quest’ultimo
portato,
in alcuni casi, a identificare come O-SII
sotto la soglia
minimadiprevista
dall’EBAha
punti base).
anche intermediari con punteggi sotto la soglia minima prevista dall’EBA (275 punti base).
Figura 4 – Soglie di identificazione adottate dai paesi SSM
Fig. 4 – Soglie di identificazione adottate dai paesi SSM
Soglia di
identificazione adottata
Punteggio minimo di identificazione
(supervisory judgment)
Soglia standard
definita dall’EBA (350 pb)
Fonte:
Elaborazioni
Banca
d’Italia
su datisuEBA
(cfr.
ListEBA,
of O-SIIs
to the
EBA byto
year,
2022)
(cfr.2022)
ESRB, Systemically
Fonte:
Elaborazioni
Banca
d’Italia
(cfr.
List notified
of O-SIIs
notified
EBAe by
year,
e ESRB (cfr.important
ESRB,
institutions).
Systemically important institutions).
Banca d’Italia
Note di stabilità finanziaria e vigilanza N. 33 – Novembre 2023
Trending
- LUCA ZINGARETTI IN VISITA ALLA MOSTRA DI PALAZZO DEI DIAMANTI. UN RITORNO NELLA CITTÀ DEL SUO ESORDIO AL CINEMA. L’ATTORE IN QUESTI GIORNI A FERRARA PER “MARCO POLO E LE CITTÀ INVISIBILI”, IN SCENA AL TEATRO COMUNALE
- MANOVRA: BERGAMINI, “FORZA ITALIA LAVORA PER MIGLIORARLA, IL CAMPO LARGO PENSA A NUOVE TASSE
- GIORNATA VITTIME STRADA. DE CORATO (FDI): SICUREZZA È PRIORITÀ PER GOVERNO MELONI
- Le Commissioni consiliari di lunedì 16 novembre
- Emergenza abitativa, lunedì a Forlì il convegno sul Piano Casa. Tassinari «Più garanzie ai proprietari per rimettere in affitto le case sfitte»
- FERRARA, FABBRI SECONDO TRA I SINDACI DEI COMUNI TRA 120MILA E 260MILA ABITANTI CON IL 58,5% DI GRADIMENTO SECONDO IL SONDAGGIO LAB21. SINDACO: “UN RISULTATO CHE MI RENDE FELICE. IL CONSENSO VA CONQUISTATO OGNI GIORNO
- Domenica ecologica, oltre mille alberi e piantine donati ai cittadini al Parco San Giuliano
- MANIFESTAZIONI A PARMA, RUSSO (FDI): GRAZIE A FORZE DELL’ORDINE, SMENTITA LA NARRAZIONE DI UN GOVERNO CHE REPRIME IL DISSENSO
- NEWS RELEASE: Six months on, accessing hard-to-reach communities key to halting Ebola outbreak
- BASKET IN CARROZZINA, LA BRIANTEA84 CANTU’ CONQUISTA LA SUPERCOPPA MARTIN MANCINI