Time Series Based CO2 Emission Forecasting and Energy Mix Analysis for Net Zero Transitions: A Multi Country Study

Sintesi Tecnica: Previsione delle Emissioni di CO₂ basata su Serie Temporali e Analisi del Mix Energetico per le Transizioni verso lo Zero Netto

Definizione del Problema
Gli sforzi globali per contrastare il cambiamento climatico affrontano una sfida persistente: allineare la crescita economica con le transizioni energetiche sostenibili. Nonostante gli accordi internazionali come il Protocollo di Kyoto e l'Accordo di Parigi, le emissioni globali di CO₂ continuano a crescere. Un fattore critico in questa divergenza è l'eterogeneità dei mix energetici nazionali. La composizione del sistema energetico di una nazione — specificamente l'equilibrio tra combustibili fossili, energie rinnovabili e tecnologie a basse emissioni di carbonio — determina la fattibilità e il ritmo del raggiungimento degli obiettivi di zero netto. Mentre le economie avanzate, le nazioni in rapida industrializzazione e gli stati in via di sviluppo ricchi di risorse affrontano pressioni climatiche globali simili, i loro percorsi di decarbonizzazione differiscono significamente a causa di distinti dotazioni di risorse, strutture industriali e capacità di governance. Esiste la necessità di strumenti basati sui dati che integrino la previsione delle emissioni a lungo termine con le specifiche caratteristiche del mix energetico nazionale per valutare se le traiettorie attuali siano allineate con gli obiettivi climatici globali.

Metodologia
Questo studio impiega un framework strutturato in più fasi per analizzare cinque grandi economie: Nigeria, Stati Uniti, Cina, Brasile e Russia. La metodologia procede attraverso quattro fasi distinte:

1. Determinazione del Mix Energetico (2000–2023): Dati storici provenienti dall'Agenzia Internazionale dell'Energia (IEA), da Our World in Data e dalle statistiche energetiche delle Nazioni Unite sono stati utilizzati per quantificare i contributi proporzionali dei combustibili fossili (carbone, petrolio, gas naturale), delle energie rinnovabili (idroelettrico, solare, eolico, bioenergia, geotermico) e dell'energia nucleare. I paesi sono stati classificati in tre profili basati su queste metriche: dipendente dai combustibili fossili, in fase di transizione o accelerato dalle rinnovabili.
2. Costruzione delle Serie Temporali: È stato compilato un dataset di emissioni territoriali annuali di CO₂ (in milioni di tonnellate) dal 2000 al 2023. Il pre-processing dei dati ha incluso l'interpolazione per i valori mancanti e il rilevamento degli outlier tramite diagnostica Z-score e intervallo interquartile.
3. Valutazione del Modello: Tre modelli di previsione delle serie temporali sono stati messi a confronto con i dati storici utilizzando una suddivisione train/test 80/20 e la validazione cross-origin rolling. I modelli valutati sono stati:
   • ARIMA: Per catturare trend lineari e dipendenze a breve termine.
   • SARIMA: Per tenere conto di schemi stagionali o ciclici.
   • Smoothing Esponenziale Holt-Winters: Per catturare l'evoluzione del trend attraverso il decadimento esponenziale.
     (Nota: Sebbene la sezione metodologica menzioni inizialmente Prophet e LSTM nel testo, i risultati e le tabelle valutano esclusivamente ARIMA, SARIMA e Holt-Winters.)
     La performance è stata valutata utilizzando l'Errore Assoluto Medio (MAE), l'Errore Quadratico Medio (RMSE), l'Errore Percentuale Assoluto Medio (MAPE) e il Coefficiente di Determinazione ($R^2$).
4. Proiezioni a Lungo Termine (2024–2060): Il miglior modello per ogni paese è stato riaddestrato sull'intero dataset 2000–2023 per generare proiezioni a 36 anni. Sono stati calcolati gli intervalli di previsione per quantificare l'incertezza.

Contributi Chiave

• Analisi Integrata: Lo studio colma il divario tra la profilazione del mix energetico e la previsione delle emissioni, dimostrando come le caratteristiche strutturali dell'energia influenzino le prospettive di decarbonizzazione a lungo termine.
• Framework Comparativo Multi-Paese: Analizzando cinque paesi con profili energetici distinti (dalla dominanza delle rinnovabili del Brasile alla dipendenza dai combustibili fossili della Nigeria), lo studio fornisce una ampiezza geografica che evidenzia la diversità delle sfide di decarbonizzazione globale.
• Guida alla Selezione del Modello: La ricerca identifica che nessun modello è universalmente superiore; piuttosto, la performance del modello dipende dalla volatilità e dalla struttura del trend della specifica storia delle emissioni di un paese.

Risultati

• Classificazioni del Mix Energetico:
  • Nigeria: Rimane inequivocabilmente dipendente dai combustibili fossili (indice medio di dominanza dei fossili dell'82,3%), con le rinnovabili che contribuiscono solo circa il 20,5% entro il 2023.
  • USA e Cina: Entrambi esibiscono profili in fase di transizione. Gli USA hanno ridotto le quote fossili dall'82,1% al 59,1%, mentre la Cina le ha ridotte dal 92,4% al 64,7%, sebbene entrambi mantengano una significativa dipendenza dai combustibili fossili.
  • Brasile: Rappresenta un archetipo accelerato dalle rinnovabili, con le quote di rinnovabili che sono aumentate fino all'88,7% entro il 2023, guidate da idroelettrico e bioenergia.
  • Russia: Mostra un modello in fase di transizione, ma rimane fortemente influenzata dalle risorse di idrocarburi, con un indice di dominanza dei fossili del 76,8%.
• Performance della Previsione:
  • Holt-Winters è emerso come il modello più accurato per Nigeria, USA, Cina e Brasile, caratterizzato dai valori di MAE/RMSE più bassi e dai valori di $R^2$ più elevati.
  • SARIMA ha performato meglio per la Russia, dove le emissioni sono relativamente stabili e confinate in un intervallo, risultando in una bassa varianza che ha complicato la performance degli altri modelli (evidenziato da valori di $R^2$ negativi per Holt-Winters nel set di test).
• Traiettorie a Lungo Termine (2024–2060):
  • Brasile: Proietta un futuro a basse emissioni coerente con il suo sistema a dominanza di rinnovabili.
  • Nigeria: Continua su una traiettoria di emissioni in aumento guidata dalla dipendenza dai combustibili fossili.
  • USA e Cina: Mantengono declini moderati, ma richiedono una mitigazione accelerata per soddisfare gli impegni di zero netto.
  • Russia: Le emissioni rimangono ampiamente piatte nelle attuali condizioni.

Significatività e Rivendicazioni
L'articolo sostiene che le prospettive di decarbonizzazione nazionale sono fortemente modellate dal bilancio strutturale dei sistemi energetici. I risultati sottolineano che i paesi con sistemi dipendenti dai combustibili fossili (come la Nigeria) affrontano percorsi divergenti rispetto agli obiettivi globali di zero netto, mentre quelli con sistemi accelerati dalle rinnovabili (come il Brasile) sono meglio posizionati. Lo studio conclude che, sebbene i modelli di serie temporali possano prevedere efficacemente gli scenari "business-as-usual", il raggiungimento degli obiettivi di zero netto richiederà riforme politiche energetiche mirate e cambiamenti strutturali che vadano oltre le attuali traiettorie. Gli autori suggeriscono modestamente che la ricerca futura dovrebbe esplorare la modellazione basata su scenari e integrare l'apprendimento automatico per catturare meglio le transizioni non lineari, riconoscendo che l'attuale studio si concentra sull'estrapolazione dei trend storici.