📈 economics

Universality and Predictability of Technology Diffusion

Analizzando 120 tecnologie mature, questo articolo dimostra che un processo di Bertalanffy-Richards universale può prevedere accuratamente la diffusione tecnologica a curva a S con decenni di anticipo, rivelando che l'energia solare ed eolica raggiungerà probabilmente la dominanza globale entro il 2050 molto prima di quanto previsto dagli attuali scenari climatici.

Autori originali: Benjamin Wagenvoort, François Lafond, Joel Dyer, James Doyne Farmer

Pubblicato 2026-08-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Benjamin Wagenvoort, François Lafond, Joel Dyer, James Doyne Farmer

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

Ogni nuova tecnologia sembra avere la sua storia unica. Alcune arrivano silenziosamente, altre esplodono sulla scena, e la maggior parte alla fine si assesta in un ritmo costante diventando parte della vita quotidiana. Per decenni, scienziati ed economisti hanno cercato di trovare una singola regola che spieghi questo schema, una legge universale che predica quanto velocemente una nuova invenzione si diffonderà da un manipolo di utenti a tutto il mondo. Questa questione non è solo curiosità accademica; è una questione di sopravvivenza per il nostro pianeta. Mentre l'umanità corre per sostituire i combustibili fossili con le energie rinnovabili, sapere esattamente quanto velocemente i pannelli solari e le turbine eoliche possano essere implementati è la differenza tra raggiungere gli obiettivi climatici e fallirli. Eppure, i tentativi passati di prevedere queste transizioni sono stati spesso ampiamente inaccurati, lasciando i pianificatori a indovinare se una tecnologia decollerà o si esaurirà.

Un team di ricercatori dell'Università di Oxford ha affrontato ora questa incertezza guardando alla storia non come a una collezione di storie uniche, ma come a un enorme dataset di schemi. Hanno raccolto informazioni su 120 diverse tecnologie che hanno già raggiunto la maturità, dai canali antichi ai moderni telefoni cellulari. Studiando questi percorsi completati, hanno scoperto che, nonostante le loro diverse origini e scopi, tutte queste tecnologie seguono una forma sorprendentemente simile durante la loro crescita. Questa forma, spesso chiamata curva a S, inizia con una crescita lenta, accelera in un boom rapido e poi rallenta di nuovo man mano che il mercato diventa saturo. I ricercatori hanno scoperto che questo schema è così costante da poter essere descritto da un singolo processo matematico, che chiamano modello di Bertalanffy-Richards. Questo modello agisce come una mappa affidabile, permettendo loro di prevedere il percorso futuro di una nuova tecnologia con un livello noto di accuratezza, anche quando dispongono di una piccola quantità di dati iniziali.

Per testare se questa mappa funzioni, il team ha utilizzato un metodo chiamato previsione bayesiana, che permette di aggiornare le previsioni man mano che arrivano nuove informazioni. Hanno eseguito migliaia di simulazioni, fingendo di essere nel passato e cercando di prevedere il futuro basandosi solo sui dati disponibili a quel tempo. Hanno scoperto che il loro modello poteva prevedere la dimensione finale dell'adozione di una tecnologia con sorprendente precisione. Anche osservando una tecnologia che aveva raggiunto solo il cinque per cento del suo potenziale di mercato, il modello poteva prevedere la sua dimensione futura entro un fattore di due. Ciò significa che se una tecnologia dovesse raggiungere infine i 100 milioni di utenti, il modello prevederebbe un numero compreso tra 50 milioni e 200 milioni, un livello di accuratezza raro nelle previsioni a lungo termine. I ricercatori hanno anche confrontato il loro metodo con altri strumenti di previsione popolari e hanno scoperto che quei metodi più vecchi producevano spesso risultati sistematicamente troppo bassi o troppo sicuri di sé, mancando il vero potenziale della tecnologia.

Il team ha poi applicato questo nuovo metodo validato alle due tecnologie più critiche per il nostro futuro energetico: i pannelli fotovoltaici solari e le turbine eoliche. I risultati sfidano la saggezza prevalente presente in molti importanti rapporti climatici. Mentre gli scenari attuali di gruppi come l'Intergovernmental Panel on Climate Change e l'International Energy Agency spesso ipotizzano una crescita moderata per entrambi, l'analisi del team di Oxford suggerisce un esito molto diverso per l'energia solare. La loro previsione mediana indica che entro il 2050, l'energia solare potrebbe fornire circa 85 petawattora di energia utile annualmente. Questa è una cifra che sovrasta le aspettative attuali; è approssimativamente equivalente alla quantità totale di energia utile consumata da tutta la società umana oggi. Al contrario, la loro previsione per l'energia eolica è più modesta, prevedendo una fornitura di circa 5 petawattora, che è significativamente inferiore agli scenari ottimistici spesso presentati nei documenti politici.

Lo studio suggerisce che il mondo vedrà probabilmente una transizione verso l'energia solare molto più veloce di quanto ampiamente creduto, potenzialmente raggiungendo gli ambiziosi obiettivi climatici prima del previsto. I ricercatori osservano che questa crescita rapida non è garantita dalla sola politica, ma è guidata dalla dinamica intrinseca di come si diffondono le tecnologie di successo. Hanno scoperto che l'energia solare è attualmente in una fase in cui la sua crescita è ancora indistinguibile da una rapida ascesa esponenziale, rendendo difficile sapere esattamente quando inizierà a rallentare. Tuttavia, i dati suggeriscono fortemente che i limiti superiori dell'adozione del solare siano molto più alti di quanto assumano i modelli attuali. Ciò non significa che la transizione sarà facile o che tutti gli ostacoli svaniranno, ma fornisce una ragione scientificamente fondata per l'ottimismo. Lo studio conclude che comprendendo le leggi universali della diffusione tecnologica, possiamo andare oltre le congetture e prendere decisioni di investimento e pianificazione basate su un quadro più chiaro e accurato di ciò che è possibile.

Sintesi Tecnica: Universalità e Prevedibilità della Diffusione Tecnologica

Definizione del Problema

Prevedere la crescita e la diffusione delle tecnologie è fondamentale per la pianificazione e l'investimento, in particolare in settori come le energie rinnovabili e l'intelligenza artificiale. Storicamente, la crescita tecnologica è stata osservata seguire delle "curve a S", caratterizzate da una crescita iniziale lenta, un'accelerazione rapida e una saturazione finale. Tuttavia, la precisa forma funzionale che governa tale crescita è rimasta oggetto di dibattito, con vari modelli (ad esempio, logistico, Gompertz, Bass) proposti, ma nessuno dei quali ha raggiunto un consenso.

I precedenti tentativi di previsione hanno sofferto di due limitazioni primarie:

Mancanza di Verità Fondamentale (Ground Truth): Gli studi si sono spesso basati su tecnologie immature in cui il livello di saturazione finale è sconosciuto, rendendo impossibile validare le previsioni rispetto alla realtà.
Accuratezza Inaffidabile: L'adattamento di semplici curve a S ha storicamente prodotto risultati pessimistici o inaccurati, e i metodi probabilistici hanno mancato di una rigorosa validazione out-of-sample rispetto a tecnologie mature.

Di conseguenza, l'universalità dei processi di diffusione tecnologica e la capacità di effettuare previsioni con un'accuratezza nota sono rimaste altamente incerte.

Metodologia

Gli autori affrontano queste lacune attraverso un approccio empirico e statistico completo:

1. Assemblaggio dei Dati

Lo studio costruisce un database di 120 tecnologie mature (dai canali ai telefoni cellulari), selezionate perché hanno raggiunto almeno l'80% del loro deployment asintotico stimato. Questo dataset di "verità fondamentale" permette un rigoroso backtesting. La ricerca iniziale ha prodotto 1.362 serie temporali, filtrate per garantire la robustezza contro il bias di selezione.

2. Selezione del Modello e Formulazione Stocastica

Gli autori testano diverse forme funzionali per il tasso di crescita $r(t)$ all'interno dell'equazione differenziale $dY(t)/dt = r(t)Y(t)$. Identificano il processo di Bertalanffy-Richards (B-R) come il modello superiore, definito da:
$r(t) = k(1 - (Y(t)/L)^\beta)$
dove $L$ è il deployment asintotico, $k$ è il tasso di crescita iniziale e $\beta$ è un parametro di forma. Gli autori trovano che $\beta = 2/3$ sia un valore universale robusto.

Per tenere conto delle caratteristiche dei dati reali (non stazionarietà, autocorrelazione ed eteroschedasticità), il modello deterministico viene ricondotto a un processo stocastico:
$Y(t) = \frac{L}{[1 + \exp(-\beta k(t - t_0) + \beta\sigma(\epsilon_t + \rho\epsilon_{t-1}))]^{1/\beta}}$
dove $\sigma$ rappresenta l'ampiezza del rumore e $\rho$ è un parametro di autocorrelazione. Il rumore è moltiplicativo, risultando in una distribuzione approssimativamente log-normale per $Y(t)$ .

3. Previsione Bayesiana e Validazione

Gli autori utilizzano l'inferenza Bayesiana empirica per generare previsioni probabilistiche.

Prior: I prior per il tasso di crescita $k$ e la volatilità del rumore $\sigma$ sono derivati dall'analisi del campione completo delle 120 tecnologie.
Parametri Universali: Per migliorare la stabilità delle previsioni, gli autori assumono valori universali per il parametro di forma ( $\beta = 2/3$ ) e l'autocorrelazione ( $\rho = 0.8$ ), piuttosto che stimare essi individualmente per ogni tecnologia.
Backtesting: Viene eseguito un esteso backtesting out-of-sample. Le previsioni sono generate a vari origni di diffusione (5%, 10%, 25%, 50%) e confrontate con i dati reali futuri.
Metriche: L'accuratezza è misurata utilizzando l'Errore Assoluto Logaritmico Mediano (MedALE). La calibrazione è valutata tramite grafici Quantile-Quantile (Q-Q) e la Trasformata Integrale di Probabilità (PIT) per garantire che le distribuzioni delle previsioni siano ben calibrate.
Dati Surrogati: Un metodo di ensemble di dati surrogati è utilizzato per testare la significatività statistica, confrontando i risultati empirici con un modello idealizzato in cui ogni tecnologia segue strettamente il processo B-R.

Risultati Chiave

1. Universalità delle Forme delle Curve a S

Quando le 120 tecnologie vengono riscalate in coordinate adimensionali (normalizzando tempo, scala e crescita iniziale), le loro traiettorie di crescita collassano su un'unica curva.

Il modello di Bertalanffy-Richards con $\beta = 2/3$ spiega il 93% della varianza nei dati.
Ciò suggerisce che, sebbene fattori idiosincratici influenzino parametri specifici (come $k$ o $L$ ), la forma sottostante del percorso di crescita è sorprendentemente universale tra diverse tecnologie.

2. Accuratezza delle Previsioni

Previsioni Puntuali: Il modello B-R supera i modelli Logistico ( $\beta=1$ ) e Gompertz. Le previsioni puntuali effettuate da un'origine di diffusione al 5% sono tipicamente accurate entro un fattore di due (MedALE < 100%), anche per orizzonti che si estendono per decenni nel futuro.
Confronto tra Modelli: Il modello Gompertz esibisce un forte bias specificamente all'origine di diffusione del 5%, il che significa che le sue previsioni sono sistematicamente troppo basse e che è fortemente eccessivamente fiducioso in questo contesto. Sebbene mostri errori di previsione leggermente inferiori per orizzonti brevi in generale, il modello B-R è sostanzialmente migliore per orizzonti oltre il 50%. Il modello Logistico performa meglio del Gompertz ma è generalmente superato dal modello B-R, specialmente per orizzonti più lunghi.
Calibrazione: Le previsioni probabilistiche sono ben calibrate. Dopo un piccolo aggiustamento per ampliare la distribuzione predittiva per tenere conto della mis-specificazione del modello, la copertura empirica rientra negli intervalli di confidenza attesi.

3. Previsioni per il Fotovoltaico Solare e l'Energia Eolica

Applicando il metodo validato al fotovoltaico solare (PV) e all'energia eolica (misurata in energia utile, PWh/anno):

Fotovoltaico Solare: La previsione mediana per il 2050 è di circa 85 PWh/anno (intervallo al 90%: 18–290 PWh/anno). Ciò è paragonabile al consumo totale di energia utile globale odierno. Gli autori osservano che il solare è attualmente in una fase esponenziale rumorosa, rendendo l'estremo superiore della previsione altamente incerto.
Eolico: La previsione mediana per il 2050 è di circa 5 PWh/anno (intervallo al 90%: 4–17 PWh/anno).
Confronto con gli Scenari: La previsione mediana del solare degli autori è più di 10 volte superiore alla mediana degli scenari IPCC AR6, IEA e NGFS (che proiettano circa 8 PWh/anno). Al contrario, la previsione dell'eolico è circa la metà del tipico scenario IPCC. Lo studio conclude che gli scenari attuali sono probabilmente troppo pessimisti riguardo al solare e troppo ottimisti riguardo all'eolico.

Significato e Rivendicazioni

Il documento sostiene di aver risolto questioni di lunga data sulla natura della diffusione tecnologica dimostrando che:

L'Universalità Esiste: La crescita tecnologica segue una forma universale a curva a S descritta bene dal processo di Bertalanffy-Richards con $\beta \approx 2/3$ .
Prevedibilità con Accuratezza Nota: È possibile prevedere l'adozione futura delle tecnologie con un'accuratezza quantificabile, anche nelle fasi iniziali (5% di diffusione), a condizione che il processo segua una curva a S.
Avanzamento Metodologico: Lo studio fornisce un quadro validato e statisticamente rigoroso per la previsione che supera i modelli popolari esistenti (Logistico, Gompertz, Bass).
Implicazioni per la Transizione Energetica: I risultati suggeriscono che obiettivi climatici ambiziosi che coinvolgono l'energia solare potrebbero essere raggiunti più velocemente di quanto ampiamente creduto dagli attuali scenari politici, riducendo potenzialmente la dipendenza dalle tecnologie di emissioni negative.

Gli autori riconoscono i limiti, tra cui il potenziale bias di selezione verso le tecnologie di successo, l'esclusione di variabili ausiliarie (costo, politica) nelle previsioni incondizionate e l'assunzione di un asintoto costante. Tuttavia, affermano che i metodi sviluppati offrono una base robusta per guidare l'investimento e la pianificazione per le tecnologie emergenti, estendendosi oltre l'energia fino a campi come l'IA.