Clima e costi economici: il legame è ormai impossibile da ignorare. 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. Secondo gli autori, il machine learning può aiutare a costruire modelli ibridi più robusti, collegando dati, teoria economica e decisioni pubbliche. (nature.com)
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 cercano di rappresentare il funzionamento teorico 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 produttività, reddito o prodotto interno lordo. In pratica cercano di capire, guardando a ciò che è già successo, come il clima abbia influenzato economia, lavoro 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 diminuisce, 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.
Costi economici del clima: servono modelli ibridi
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.
Economics-Informed Machine Learning: che cosa significa
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.
Questo significa introdurre nei modelli vincoli e conoscenze già note: bilanci pubblici e privati, comportamento delle imprese, legami tra settori produttivi, commercio internazionale, domanda e offerta, vincoli finanziari, politiche fiscali e capacità di adattamento.
Questa strada 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.
Il machine learning può essere molto potente, ma rischia di diventare una nuova scatola nera. Per questo l’integrazione con l’economia è importante. 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.
Il machine learning non è una bacchetta magica
Naturalmente il machine learning non risolve tutto. 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.
Questo punto è essenziale. Il cambiamento climatico non è un fenomeno lineare e prevedibile in ogni dettaglio. Può generare shock improvvisi, effetti a cascata e impatti sistemici. Un’alluvione non danneggia solo case e strade: può bloccare imprese, trasporti, scuole, ospedali, assicurazioni, filiere produttive e finanza locale.
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 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.
Misurare meglio per decidere meglio
Il messaggio dello studio è molto concreto: se vogliamo prendere decisioni migliori, dobbiamo misurare meglio i danni. Misurare meglio significa andare oltre le medie, oltre il solo Pil e oltre i modelli che guardano un pezzo alla volta.
Sapere che il cambiamento climatico riduce la crescita economica globale è importante. Sapere dove, per chi e attraverso quali canali è ancora più importante. Un governo deve capire quali territori proteggere prima. Un’impresa deve sapere quali filiere rischiano di interrompersi. Una banca deve valutare l’esposizione climatica dei propri investimenti. Un’assicurazione deve stimare rischi sempre più difficili da calcolare.
Il machine learning può aiutare a leggere questa complessità. Può collegare dati climatici, economici e sociali. Può individuare vulnerabilità nascoste. Può simulare scenari più dettagliati. Può rendere più utili i modelli per chi deve prendere decisioni concrete.
La scelta su come usare queste informazioni resta però politica, economica e collettiva. Un algoritmo può indicare dove il rischio è più alto. Non può decidere da solo quali territori proteggere, quali settori sostenere o quali disuguaglianze correggere.
Il cambiamento climatico presenta il conto in molti modi. Il machine learning può aiutarci a leggerlo con più precisione. La decisione su come ridurlo, distribuirlo o evitarlo resta nelle nostre mani.
FAQ
Perché è difficile stimare i costi economici del clima?
Perché i danni climatici colpiscono molti settori diversi: salute, agricoltura, infrastrutture, lavoro, energia, prezzi, finanza e supply chain. I modelli devono collegare dati fisici, sociali ed economici molto complessi.
Che ruolo può avere il machine learning?
Il machine learning può analizzare grandi quantità di dati, individuare schemi complessi e aiutare a costruire modelli ibridi che uniscono dati reali e teoria economica.
Perché il Pil non basta per misurare i danni climatici?
Perché il Pil misura la produzione economica complessiva, ma non mostra chi perde di più, quali territori siano più vulnerabili e quali gruppi sociali siano più esposti.
Che cos’è l’Economics-Informed Machine Learning?
È un approccio che integra il machine learning con principi economici, come vincoli di bilancio, comportamento delle imprese, legami tra settori produttivi e dinamiche di domanda e offerta.
Se hai una bella storia di innovazione da raccontare, contatta la nostra redazione.
