TV7 NEXT - CLIMA, QUANTO CI COSTA DAVVERO

Il cambiamento climatico non è soltanto una questione ambientale. È anche una questione economica. Ogni ondata di calore, siccità, alluvione, incendio o innalzamento del livello del mare produce effetti sui territori, sulle imprese, sulle famiglie, sulle infrastrutture e sui bilanci pubblici.
Il problema è capire quanto costi davvero tutto questo. Non in modo generico, ma con strumenti capaci di stimare dove i danni saranno più forti, quali settori saranno più esposti e quali politiche potranno ridurre i rischi.
Uno studio pubblicato su Nature Communications da Anton Orlov e Jana Sillmann affronta proprio questo tema: migliorare la valutazione economica degli impatti del cambiamento climatico usando il machine learning, cioè l’apprendimento automatico. Si tratta di tecniche di intelligenza artificiale capaci di analizzare grandi quantità di dati, riconoscere schemi complessi e supportare modelli previsionali.
Il punto di partenza è chiaro: oggi le stime economiche dei danni climatici variano molto da uno studio all’altro. Questo accade perché i modelli usati hanno approcci diversi, ipotesi diverse e limiti diversi. Alcuni guardano soprattutto ai dati storici, altri alla struttura teorica dell’economia. Entrambi sono utili, ma nessuno dei due basta da solo.

DUE MODI PER STIMARE I DANNI DEL CLIMA

Per valutare l’impatto economico del cambiamento climatico si usano principalmente due famiglie di modelli.
La prima è quella dei modelli statistici, o econometrici. Questi modelli osservano i dati del passato e cercano relazioni tra variabili climatiche, come temperatura e precipitazioni, e risultati economici, come il prodotto interno lordo. In pratica cercano di capire, guardando a ciò che è già successo, come il clima abbia influenzato produttività, reddito e crescita.
Il vantaggio è che partono dai dati reali. Il limite è che spesso non spiegano bene i meccanismi profondi. Possono dire che con temperature più alte la produttività diminuisca, ma non sempre mostrano con precisione attraverso quali canali: salute dei lavoratori, agricoltura, energia, infrastrutture, supply chain o investimenti.
La seconda famiglia è quella dei modelli strutturali. Questi modelli cercano di rappresentare il funzionamento dell’economia: imprese, famiglie, settori produttivi, scambi commerciali, prezzi, domanda, offerta e investimenti. Sono più teorici e permettono di simulare scenari futuri o politiche nuove, anche quando non esistono dati storici diretti.
Il limite è che devono semplificare molto. L’economia reale è piena di attriti, ritardi, disuguaglianze, comportamenti non perfettamente razionali, istituzioni, vincoli finanziari e shock improvvisi. Un modello può essere elegante sulla carta, ma la realtà tende ad arrivare con scarpe sporche e poco rispetto per le equazioni.
Lo studio sostiene che serva un approccio ibrido: combinare la forza dei dati con la struttura dei modelli economici. Qui entra in gioco il machine learning.

MODELLI IBRIDI: UNIRE DATI, ECONOMIA E DECISIONI

Il machine learning può aiutare in diversi modi. Prima di tutto può gestire grandi quantità di dati molto diversi tra loro: dati economici, immagini satellitari, informazioni sulle famiglie, dati finanziari, statistiche territoriali, indicatori sanitari e informazioni sulle catene di fornitura.
Questo è importante perché i danni climatici non si fermano al dato nazionale. Un’alluvione può colpire un’area produttiva, interrompere una filiera, aumentare i costi per alcune imprese e propagarsi anche in territori lontani. Una siccità può danneggiare l’agricoltura, ma anche l’energia, la logistica, i prezzi alimentari e il reddito delle famiglie.
Il machine learning può aiutare a scendere di scala. Significa passare da una stima generale, per esempio sul prodotto interno lordo di un Paese, a valutazioni più locali e dettagliate. Non solo quanto perde l’economia nazionale, ma quali quartieri, aziende, lavoratori o famiglie rischiano di più.
Questo passaggio è decisivo perché il Pil, da solo, racconta poco. Il prodotto interno lordo misura la produzione economica complessiva, ma non dice chi perda di più, chi sia più vulnerabile e dove convenga intervenire prima. Due Paesi possono avere lo stesso danno percentuale sul Pil, ma effetti sociali molto diversi.
I modelli ibridi possono essere utili anche per valutare le politiche di adattamento. Per esempio, capire se convenga investire in difese costiere, irrigazione più efficiente, reti elettriche più resilienti, assicurazioni climatiche, piani sanitari contro le ondate di calore o infrastrutture verdi nelle città.
Il punto è costruire strumenti che non siano soltanto più precisi, ma anche più utili per chi decide. Governi, amministrazioni locali, banche, assicurazioni e imprese hanno bisogno di capire dove si concentrino i rischi e quali investimenti possano ridurli.
Lo studio parla anche di un possibile sviluppo chiamato Economics-Informed Machine Learning, cioè machine learning informato dall’economia. L’idea è simile a quella già usata in alcuni campi scientifici: non lasciare che l’algoritmo impari solo dai dati, ma guidarlo con principi economici. Per esempio vincoli di bilancio, comportamento delle imprese, legami tra settori produttivi, commercio, domanda e offerta.
Questo può rendere i modelli più interpretabili. Ed è un punto fondamentale. Quando si parla di politiche climatiche, non basta avere un algoritmo che produca un numero. Serve capire perché lo produca, quali ipotesi usi e quanto ci si possa fidare.
Naturalmente il machine learning non è una bacchetta magica. Lo studio sottolinea anche i limiti: i dati socioeconomici spesso sono aggregati, incompleti o difficili da usare. Le relazioni sociali ed economiche cambiano nel tempo. Le imprese, le famiglie e le istituzioni non reagiscono sempre nello stesso modo. Un modello addestrato sul passato può faticare davanti a un futuro molto diverso.
Proprio per questo l’approccio ibrido è interessante. Non sostituisce gli economisti con l’intelligenza artificiale e non cancella i modelli tradizionali. Prova invece a farli lavorare insieme. La teoria economica aiuta a dare struttura. I dati aiutano a restare aderenti alla realtà. Il machine learning aiuta a collegare pezzi che, finora, sono rimasti spesso separati.
La crisi climatica è un fenomeno fisico, ma i suoi effetti sono anche sociali, economici e finanziari. Colpisce la salute, il lavoro, le migrazioni, i prezzi, le assicurazioni, le infrastrutture e la stabilità dei territori. Per questo servono modelli capaci di collegare più mondi.
Il messaggio dello studio è quindi molto concreto: se vogliamo prendere decisioni migliori, dobbiamo misurare meglio i danni. E misurare meglio significa andare oltre le medie, oltre il solo Pil e oltre i modelli che guardano un pezzo alla volta.
Il cambiamento climatico presenta il conto in molti modi. Il machine learning può aiutarci a leggerlo con più precisione. La scelta su come pagarlo, ridurlo o evitarlo resta però politica, economica e collettiva.

Servizio a cura di Claudia Chasen, redazione TV7.