📈 economics

Agent-Based Modelling of Battery Electric Vehicle Adoption in Portugal

Questo articolo impiega un modello basato su agenti per dimostrare che, sebbene il reddito rimanga il principale motore dell'adozione di veicoli elettrici a batteria in Portogallo, l'investimento strategico nelle infrastrutture di ricarica è più efficace degli incentivi fiscali nel promuovere i tassi di adozione e nel ridurre la disuguaglianza spaziale.

Autori originali: Bento Gregório Maria

Pubblicato 2026-07-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Bento Gregório Maria

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il Portogallo come un enorme e vivace quartiere composto da molte diverse città (comuni). Alcune città sono ricche, con grandi case, mentre altre sono più piccole o con meno risorse. L'autore di questo articolo, Bento Maria, ha costruito un gioco di simulazione digitale per capire come le persone in queste città decidano di passare dalle auto a benzina ai veicoli elettrici a batteria (BEV).

Invece di guardare solo alle statistiche nazionali, questo gioco crea 1.000 "persone" virtuali (agenti) e le distribuisce attraverso le città in base ai numeri reali della popolazione. Queste persone virtuali hanno budget diversi e prendono decisioni in base alle condizioni specifiche della loro città.

Ecco come funziona il gioco e cosa ha scoperto l'autore, spiegato attraverso semplici analogie:

1. Il Tabellone di Gioco: Come si Connettono le Città

Nel mondo reale, le città non sono isole isolate; sono collegate da strade e da persone che si visitano a vicenda.

L'Analogia: Immagina che le città siano case in un quartiere. L'autore ha disegnato una "corda" tra ogni casa per vedere chi è vicino a chi. Poi, ha tagliato le corde troppo lunghe, lasciando solo le connessioni essenziali che mantengono collegato l'intero quartiere. Questo è chiamato Albero Ricoprente Minimo (Minimum Spanning Tree).
Perché è importante: Se il tuo vicino compra un'auto elettrica, potresti essere più propenso a comprarne una anche tu perché la vedi per strada, o perché sai che la stazione di ricarica lì vicino funziona bene. Il modello traccia questo "effetto vicino".

2. Le Regole del Gioco: Cosa Spinge le Persone a Cambiare?

Le persone virtuali decidono di acquistare un'auto elettrica in base a un "punteggio" che calcolano. Se il punteggio è abbastanza alto, effettuano il passaggio. Il punteggio è composto da:

Soldi (Reddito): Questo è il fattore principale. Le persone nelle città più ricche hanno generalmente un punteggio più alto.
Stazioni di Ricarica: Se una città ha molte colonnine, il punteggio sale. Il modello tratta la crescita delle colonnine come una pianta che cresce, con una certa dose di casualità (a volte cresce velocemente, a volte lentamente, proprio come nella vita reale).
Tasse e Sconti: Il Portogallo offre agevolazioni fiscali per le auto elettriche. Il modello testa se questi sconti cambiano effettivamente il comportamento.
L' "Effetto Matthew Inverso" (Il Livellatore): Di solito, nella vita, i ricchi diventano più ricchi (l' "Effetto Matthew"). Questo modello aggiunge una regola speciale per provare l'opposto: dà una piccola spinta extra alle persone nelle città più povere o nelle città con meno auto elettriche. È come un handicap in una corsa progettato per aiutare i corridori più lenti a recuperare il distacco.

3. L L'Esperimento: Testare Diverse Regole

L'autore non ha eseguito il gioco una sola volta. Lo ha eseguito molte volte con diversi manuali di istruzioni per vedere quale corrispondeva meglio alla realtà.

Manuale A (Semplice): Contano solo i soldi e le stazioni di ricarica.
Manuale B (Sociale): Aggiunge l' "effetto vicino".
Manuale C (Il Pacchetto Completo): Aggiunge tutto, compreso il rule del "livellatore" e i complessi trucchi fiscali.

La Scoperta Sorprendente:
Potresti pensare che la versione "Pacchetto Completo" con tutte le regole complesse sarebbe la più accurata. Non è stato così.
La versione più accurata era una più semplice che combinava:

Reddito (Soldi).
Effetti vicini (Sociale).
La regola del "livellatore" (Matthew Inverso).

Aggiungere più regole complesse rendeva le previsioni peggiori. È come cercare di preparare una torta: a volte aggiungere troppi ingredienti elaborati rovina la ricetta, mentre una miscela semplice di farina, zucchero e uova funziona meglio.

4. Il Test sulle Politiche: Cosa Funziona Meglio?

L'autore ha usato la versione migliore del gioco per testare due diverse strategie governative per il futuro:

Strategia 1: Dare Più Soldi (Incentivi Fiscali). Immagina che il governo dica: "Ti daremo agevolazioni fiscali ancora più grandi!"
- Risultato: Questo non ha cambiato quasi nulla. Il gioco ha mostrato che le persone ricevevano già abbastanza agevolazioni fiscali; darne di più non ha convinto molti nuovi soggetti a cambiare.
Strategia 2: Costruire Più Caricatori (Infrastruttura). Immagina che il governo costruisca stazioni di ricarica nelle città che attualmente non ne hanno.
- Risultato: Questo è stato un grande successo. Non solo ha portato più persone ad acquistare auto elettriche, ma ha anche aiutato le città più povere a raggiungere quelle più ricche. Ha ridotto il divario tra i quartieri ricchi e quelli poveri.

In Breve

L'articolo conclude che:

I Soldi sono il Re: La cosa più importante per qualcuno per acquistare un'auto elettrica è avere i soldi per farlo.
I Vicini Contano: Vedere auto elettriche nelle città vicine aiuta a diffondere la tendenza.
I Caricatori sono la Chiave: Se il governo vuole mettere più auto elettriche su strada e assicurarsi che tutti abbiano una quota equa, costruire stazioni di ricarica è molto più efficace che distribuire più buoni sconto.

Il modello funge da palla di cristallo per i decisori politici, mostrando che se vogliono risolvere la "disuguaglianza territoriale" (dove le città ricche hanno tutte le auto elettriche e le città povere non ne hanno affatto), devono concentrarsi sull'infrastruttura fisica, non solo sul portafoglio.

Sintesi Tecnica: Modellazione Basata su Agenti dell'Adozione di Veicoli Elettrici a Batteria in Portogallo

Definizione del Problema
Il settore dei trasporti è un importante contributore alle emissioni di gas serra in Portogallo, il che spinge le politiche pubbliche a promuovere l'adozione di Veicoli Elettrici a Batteria (BEV) attraverso incentivi fiscali, esenzioni fiscali e sussidi. Tuttavia, è improbabile che l'adozione avvenga in modo uniforme nello spazio. La letteratura esistente evidenzia il ruolo degli incentivi, delle infrastrutture e della diffusione sociale, ma l'interazione tra politica fiscale, etogeneità municipale, effetti di rete e meccanismi comportamentali rimane sott esplorata nel contesto portoghese. Il documento affronta la domanda di ricerca: In che modo gli incentivi fiscali, le condizioni locali e le interazioni di rete influenzano la concentrazione spaziale dell'adozione di BEV nei comuni portoghesi?

Metodologia
Lo studio sviluppa un Modello Basato su Agenti (ABM) calibrato a livello municipale per simulare le dinamiche di adozione dei BEV nei comuni portoghesi. La metodologia procede attraverso cinque fasi:

Dati e Variabili di Stato: Il modello utilizza dati panel a livello municipale (2021–2024) che combinano dati sull'uso dei BEV (ACAP), strutture di incentivi fiscali (ISV, IUC, sussidi), incentivi per il parcheggio, indicatori socioeconomici (INE) e dati sulle infrastrutture di ricarica (MOBI.E). Le variabili chiave includono popolazione, reddito, quota osservata di BEV, densità di ricarica e numero di stazioni di ricarica.
Costruzione della Rete Spaziale: Una rete municipale spaziale viene costruita utilizzando un Albero Coprente Minimo (MST) derivato da un grafo completo pesato di distanze municipali. Viene stabilita una soglia di connettività ( $\delta$ ) basata sulla distanza massima dell'arco nell'MST, garantendo che tutti i comuni rimangano connessi pur filtrando la rilevanza della prossimità spaziale.
Popolazione di Agenti Sintetici: Una popolazione sintetica di 1.000 agenti è allocata tra i comuni proporzionalmente alla popolazione dell'anno base. Ogni agente possiede una dotazione legata al reddito municipale e un termine stocastico idiosincrasico, consentendo l'eterogeneità intra-municipale.
Dinamiche Infrastrutturali Stocastiche: L'espansione dell'infrastruttura di ricarica è modellata come un processo di diffusione logistica stocastica (approssimato tramite discretizzazione Euler–Maruyama). Ciò introduce incertezza riguardo ai tempi di investimento e all'implementazione delle politiche, catturando la volatilità del dispiegamento delle infrastrutture.
Meccanismi Comportamentali e Calibrazione: Il modello testa cinque specifiche incrementali per isolare il contributo di diversi meccanismi:
- Baseline: Determinanti economici centrali (dotazione, incentivi fiscali, infrastrutture).
- Sociale: Aggiunge effetti di peer locale.
- Spaziale: Aggiunge spillover di rete tra i comuni connessi.
- Ridistribuzione: Introduce un meccanismo di incentivo ridistributivo in cui gli incentivi fiscali sono ponderati da un "indice di svantaggio" (reddito, precedente adozione e infrastruttura).
- Effetto Matteo Inverso: Un meccanismo compensativo in cui gli agenti nei comuni con minore adozione precedente e minore dotazione ricevono uno stimolo all'adozione più forte.
- Modello Completo: Combina tutti i meccanismi.

Il modello è calibrato sui dati 2021–2023 e validato out-of-sample rispetto ai dati 2024. Le prestazioni sono valutate utilizzando l'Errore Quadratico Medio (RMSE), l'Errore Assoluto Medio (MAE), la correlazione e il bias di previsione attraverso 500 replicazioni Monte Carlo.

Risultati Chiave

Determinanti dell'Adozione: Il reddito è identificato come il determinante più robusto dell'adozione dei BEV. Le variabili associate alle condizioni economiche locali appaiono in tutte le specifiche con le migliori prestazioni.
Parsimonia del Modello: Contrariamente all'assunto che la complessità migliori l'accuratezza, il modello più complesso ("Full Model") non supera le specifiche più semplici. I punteggi di validazione più elevati sono raggiunti da modelli parsimoniosi che combinano reddito, interazioni spaziali e il meccanismo del Matteo Inverso.
Dinamiche Spaziali: Le interazioni spaziali migliorano significativamente la rappresentazione dei modelli di diffusione locale. Le decisioni di adozione sono influenzate non solo dalle caratteristiche locali, ma anche dalle condizioni nei comuni vicini.
Incertezza Infrastrutturale: L'analisi di sensibilità rivela che l'importanza relativa dei meccanismi comportamentali dipende dalla volatilità delle infrastrutture. Sotto dinamiche deterministiche, il reddito domina. Sotto una volatilità moderata, la combinazione di reddito, effetti spaziali e il meccanismo del Matteo Inverso offre le prestazioni migliori. Sotto un'alta volatilità, gli effetti spaziali rimangono critici, mentre l'effetto del Matteo Inverso si indebolisce.
Simulazioni di Policy:
- Espansione delle Infrastrutture: Simulare un'espansione accelerata dell'infrastruttura di ricarica aumenta l'adozione totale dei BEV di circa il 3,9% e riduce la concentrazione spaziale (abbassando l'Indice di Herfindahl–Hirschman).
- Incentivi Fiscali: Simulare incentivi fiscali più forti nell'attuale quadro genera virtualmente alcuna adozione aggiuntiva e non riesce ad alterare le dinamiche di concentrazione, suggerendo rendimenti decrescenti sugli incentivi una volta raggiunta una certa soglia.

Significatività e Contributi
Il documento rivendica tre contributi primari alla letteratura:

Metodologico: Sviluppa un ABM a livello municipale per il Portogallo che integra agenti eterogenei, reti spaziali e dinamiche infrastrutturali stocastiche.
Teorico: Incorpora una rete spaziale filtrata basata sulla connettività MST e introduce un meccanismo di effetto Matteo Inverso per valutare se gli incentivi fiscali riducano o rafforzino le disuguaglianze spaziali.
Rilevanza Politica: I risultati evidenziano che l'investimento nelle infrastrutture è una leva più efficace rispetto agli ulteriori incentivi fiscali per aumentare simultaneamente l'adozione e ridurre le disparità territoriali. Il modello funge da laboratorio di simulazione politica, permettendo ai decisori di valutare scenari alternativi (ad esempio, espansione delle infrastrutture rispetto alle esenzioni fiscali) per valutare i livelli di adozione attesi e la potenziale emergenza di disuguaglianze territoriali prima dell'implementazione.

Lo studio conclude che la diffusione dei BEV è meglio spiegata da una combinazione di risorse economiche locali, effetti di interazione spaziale e dinamiche di adozione cumulativa, piuttosto che dall'inclusione simultanea di tutti i meccanismi comportamentali disponibili. Enfatizza che l'incertezza infrastrutturale condiziona la struttura comportamentale necessaria per riprodurre i modelli di adozione osservati.