Beyond the Exogenous Mask: Learning Feedback, Policy Thresholds, and Sensitive Intervention Points in Energy System Models

I sistemi energetici sono le complesse reti che generano e distribuiscono l'elettricità che alimenta la vita moderna. Per pianificare come allontanarci dai combustibili fossili verso fonti più pulite come il vento e il sole, gli scienziati costruiscono modelli informatici. Questi modelli agiscono come laboratori virtuali, testando diverse politiche per vedere quali riusciranno ad abbassare le emissioni di carbonio senza mandare in crisi l'economia. Una domanda centrale in questi modelli è come la tecnologia diventi più economica. Per decenni, l'approccio standard è stato quello di assumere che i costi scendano automaticamente nel tempo, come se la tecnologia migliorasse secondo un programma fisso indipendentemente da quanto ne venga effettivamente costruito. Questo metodo è computazionalmente semplice, ma ignora una forza potente del mondo reale: l'idea che produrre e utilizzare di più una tecnologia contribuisca effettivamente ad abbassarne il prezzo. Questo fenomeno, noto come "imparare facendo" (learning by doing), significa che ogni nuovo pannello solare o batteria installata aiuta a rendere la successiva più economica. Quando i modelli ignorano questo ciclo di feedback, perdono una dinamica cruciale che modella come avvengono le transizioni energetiche.

Uno studio di Nadav Mantel della Reichman University sfida il modo in cui questi modelli vengono costruiti. La ricerca sostiene che, trattando le riduzioni dei costi come una semplice funzione automatica del tempo, gli attuali modelli appiattiscono la realtà disordinata e non lineare di come avviene realmente l'adozione tecnologica. Il documento suggerisce che, quando si include il ciclo di feedback in cui la diffusione fa scendere i costi, la relazione tra politica e risultato cambia fondamentalmente. Invece di una curva fluida dove un po' più di denaro porta a un po' più di progresso, il sistema può sviluppare punti di svolta (tipping points) netti. In queste zone specifiche, un piccolo cambiamento nella politica può innescare un'esplosione massiccia e autosostenibile di diffusione, o viceversa, un piccolo calo del sostegno può causare il collasso dell'intero sforzo. Lo studio utilizza un modello informatico semplificato del sistema elettrico della Gran Bretagna per dimostrare che questi punti di svolta esistono e sono invisibili ai modelli standard utilizzati oggi dai decisori politici.

I ricercatori hanno costruito una versione snella della rete elettrica britannica, eliminando dettagli complessi come i colli di bottiglia della trasmissione o i ritardi edilizi locali per concentrarsi puramente sull'interazione tra costo e diffusione. Hanno eseguito questo modello in due modi diversi. Nella prima versione, hanno utilizzato il metodo tradizionale in cui i costi scendono automaticamente nel tempo, indipendentemente da quanta capacità viene costruita. Nella seconda versione, hanno abilitato il feedback del "learning by doing", in modo che ogni nuova unità di capacità costruita abbassasse immediatamente il costo per tutte le unità future. Hanno poi testato vari scenari politici, come tasse sul carbonio e sussidi per pannelli solari e batterie, per vedere come risponde il sistema. I risultati hanno rivelato una differenza netta tra i due approoli. Il modello tradizionale mostrava un aumento costante e prevedibile delle energie rinnovabili man mano che le politiche diventavano più aggressive. Il modello con il "learning by doing", tuttavia, mostrava che il sistema poteva incagliarsi in una trappola di bassa diffusione. In questo scenario, anche con le stesse politiche, le tecnologie solari e delle batterie non riuscivano a decollare perché non raggiungevano mai la scala necessaria per far scendere i propri costi.

La scoperta più sorprendente è stata l'individuazione di un punto di intervento sensibile, una soglia specifica dove il sistema passa dal fallimento al successo. Quando i ricercatori hanno testato i sussidi per l'accumulo di energia tramite batterie, hanno scoperto che, sotto le regole del "learning by-doing", il sistema rimaneva bloccato con pochissima capacità di batterie finché il sussidio restava al di sotto di un certo livello. Tuttavia, una volta che il sussidio ha superato una linea netta vicino alle £513 per kilowatt, la diffusione è accelerata improvvisamente. Un cambiamento nel sussidio di meno dell'uno per cento è stato sufficiente a spingere il sistema oltre questa soglia, portando a differenze di ordini di grandezza nel numero di batterie installate. Al di sotto di questa linea, la politica era inefficace; al di sopra di essa, la politica diventava auto-rinforzante, con la caduta dei costi che rendeva la diffusione redditizia senza bisogno di ulteriore aiuto. Questa transizione netta era completamente assente nel modello tradizionale, che mostrava un aumento fluido e graduale delle batterie indipendentemente dal sussidio.

Lo studio ha anche scoperto relazioni nascoste tra diverse tecnologie che i modelli standard non colgono. Quando i ricercatori hanno esaminato insieme l'energia solare e l'accumulo tramite batterie, hanno scoperto che queste due tecnologie sono profondamente legate in un modo che crea una barriera all'ingresso. Nel modello del "learning by doing", il solare e le batterie erano bloccati in uno stato di bassa diffusione perché nessuno dei due poteva diventare abbastanza economico da competere senza l'altro. Il solare ha bisogno delle batterie per immagazzinare la sua energia, e le batterie hanno bisogno di un solare economico per fornire l'energia in eccesso che immagazzinano. Il modello tradizionale, che tratta i costi come indipendenti, non riusciva a vedere questo blocco. Il nuovo approccio ha mostrato che un sussidio coordinato sia per il solare che per le batterie poteva rompere questo stallo. Supportando entrambi simultaneamente, il costo totale dell'intervento poteva essere ridotto di circa il sei per cento rispetto al sussidiare solo le batterie, perché le due tecnologie si aiutavano a vicenda a superare la soglia dei costi.

Inoltre, la ricerca ha evidenziato i limiti del basarsi esclusivamente sulla tassazione del carbonio per lanciare nuove tecnologie. Nel modello che teneva conto del "learning by doing", un prezzo elevato del carbonio da solo non era sufficiente per dare il via a tecnologie emergenti come le batterie. Il prezzo del carbonio avrebbe dovuto essere impostato a un livello estremamente alto, ben oltre quanto tipicamente considerato politicamente sostenibile, per innescare la diffusione iniziale necessaria ad avviare il ciclo di riduzione dei costi. Ciò suggerisce che la tassazione del carbonio potrebbe essere uno strumento scarso per avviare i primissimi passi di una transizione per tecnologie che non hanno ancora percorso la loro curva di apprendimento. Lo studio implica che i sussidi diretti siano spesso necessari per spingere una tecnologia oltre la prima gobba, dopo la quale il mercato può prendere il sopravvento.

L'autore sottolinea che il suo lavoro non è una previsione di quanto denaro debba essere speso esattamente o di quali tecnologie vinceranno. I numeri specifici, come la soglia delle £513, sono risultati di un modello semplificato e cambierebbero se venissero aggiunti fattori del mondo reale come i limiti di costruzione o le condizioni del mercato locale. Tuttavia, l'intuizione centrale è robusta: l'esistenza di questi punti di svolta e la natura non lineare della transizione sono caratteristiche reali del sistema che i modelli attuali ignorano. Lo studio propone un nuovo strumento diagnostico per i decisori politici. Prima di impegnarsi in una politica importante, potrebbero eseguire una versione semplificata del loro modello che includa il "learning by doing" per controllare se la loro proposta politica si trova vicino a un punto di svolta. Se lo è, la politica è altamente sensibile e un piccolo errore di calcolo potrebbe portare al fallimento. Se è lontano da un punto di svolta, la politica è probabilmente più robusta.

Questo approccio offre un modo per evitare due trappole comuni. La prima è la falsa sufficienza, in cui una politica sembra andare bene in un modello standard perché sembra soddisfare a malapena gli obiettivi, ma in realtà si trova al di sotto del punto di svolta e risulta in quasi nessuna diffusione. La seconda è la falsa ridondanza, in cui una politica sembra uno spreco perché sembra che si stia spendendo molto più del necessario, quando in realtà è solo appena sopra la soglia ed è essenziale per mantenere in movimento il sistema. Identificando queste zone sensibili, il metodo aiuta i regolatori a capire che l'intensità del sostegno iniziale può contare più della sua durata. Un sussidio costante impostato appena sotto la soglia fallirà indefinitamente, mentre una spinta leggermente superiore può sbloccare una transizione autosostenibile.

La ricerca conclude che la scelta di come modellare i costi tecnologici non è solo un dettaglio tecnico, ma una decisione che modella gli esiti politici. Appiattendo le dinamiche non lineari dell'apprendimento, i modelli tradizionali potrebbero dare un falso senso di sicurezza sulla facilità con cui la transizione energetica può essere gestita. Il nuovo metodo non sostituisce i modelli complessi e dettagliati usati per la pianificazione a lungo termine, ma serve come controllo necessario. Agisce come uno schermo pre-implementazione per segnalare dove il sistema è fragile e dove piccoli cambiamenti nella politica possono portare a risultati sproporzionatamente grandi. In un mondo in cui la posta in gioco della transizione energetica è altissima, comprendere queste soglie nascoste è essenziale per progettare politiche che funzionino davvero. Lo studio suggerisce che, con gli strumenti giusti per identificare questi punti di intervento sensibili, sia possibile accelerare il passaggio alle energie pulite riducendo al contempo la spesa pubblica totale necessaria per arrivarci.