Sintesi Tecnica: Flussi Globali di Conoscenza Verde: Analisi Basata sulla Rete di Brevetti Verdi

1. Definizione del Problema

Sebbene esistano estese ricerche su come i fattori esterni (regolamentazioni, strumenti politici, shock di mercato) influenzino l'innovazione verde, esiste una lacuna significativa nella comprensione dei meccanismi interni del flusso, della struttura e dell'accumulo della conoscenza nei domini delle tecnologie verdi. La letteratura esistente, come Acemoglu et al. (2016), suggerisce che le reti di innovazione siano generalmente stabili, permettendo la previsione basata su schemi di citazione storici. Tuttavia, rimane poco chiaro se tali assunzioni di stabilità della rete si applichino alle tecnologie verdi, che affrontano sfide interdisciplinari uniche e obiettivi duali (economici e ambientali).

Il problema centrale affrontato è duplice:

1. Instabilità Strutturale: Non è noto come la rete dei brevetti verdi differisca dalle reti dei brevetti tradizionali in termini di stabilità ed evoluzione temporale.
2. Fallimento Predittivo: I modelli standard di previsione dell'innovazione, che assumono la coerenza della rete, potrebbero essere inefficaci per prevedere l'innovazione verde a causa della potenziale natura variabile nel tempo dei flussi di conoscenza verde.

2. Metodologia

Fonti e Costruzione dei Dati

• Dataset: Lo studio utilizza 6,65 milioni di brevetti di invenzione verdi globali depositati tra il 1990 e il 2019.
• Criteri di Selezione: I brevetti di modelli di utilità e di design sono stati esclusi. I brevetti sono stati selezionati utilizzando i criteri di classificazione "IPC Green Inventory" sviluppati dal Comitato di Esperti della Classificazione Internazionale dei Brevetti (IPC).
• Costruzione della Rete: È stata costruita una rete di input-output della conoscenza basata sulle citazioni retroattive dei brevetti. Il peso $w_{ij}$ rappresenta la quota di citazione del campo tecnico $i$ che cita il campo $j$:
  $$w_{ij} = \frac{cite_{ij}}{\sum_k cite_{ik}}$$
  Dove $cite_{ij}$ è il numero di citazioni dal campo $i$ al campo $j$. Questa matrice $\Omega$ mappa lo spillover e il flusso di conoscenza tra diversi campi tecnologici verdi.
• Robustezza della Classificazione: Lo studio ha testato molteplici granularità di classificazione per garantire la robustezza:
  • Primi 2 cifre dell'IPC.
  • Prime 4 cifre dell'IPC.
  • Categorie "IPC Green Inventory" (7 categorie principali).
  • Sottocategorie "IPC Green Inventory".
  • Numeri IPC completi.

Approccio Analitico

1. Analisi delle Metriche di Rete: Lo studio ha calcolato indicatori di rete complessa (es. centralità di grado, densità di rete, coefficiente di clustering, modularità, coefficiente di Gini) attraverso tre intervalli temporali (1990–1999, 2000–2009, 2010–2019) per caratterizzare l'evoluzione della rete.
2. Modelli di Previsione Comparativi: Sono stati testati due distinti approcci di previsione utilizzando la regressione dei Minimi Quadrati Ordinari (OLS):
   • Modello Lag Statico Tradizionale: Basato su Acemoglu et al. (2016), questo modello assume una rete stabile. Calcola un flusso di citazione fisso ($CiteFlow$) su una finestra di 10 anni e lo applica come un lag statico per prevedere il numero futuro di brevetti.
   • Modello di Previsione Rolling Dinamico: Proposto dagli autori per affrontare l'instabilità della rete. Questo metodo tratta il flusso di citazione ($CiteFlow$) come una variabile variabile nel tempo. Utilizza finestre temporali mobili per regolare dinamicamente i coefficienti del flusso di citazione, catturando la natura evolutiva degli spillover di conoscenza.

3. Contributi Chiave

1. Identificazione dell'Instabilità della Rete: Il documento dimostra che la rete dei brevetti verdi è fondamentalmente diversa dalle reti di innovazione tradizionali. A differenza delle reti stabili descritte nella letteratura precedente, la rete verde mostra una pronunciata instabilità spazio-temporale. I nodi chiave cambiano significativamente nel tempo e la struttura della rete transita dalle tecnologie di fine ciclo (es. incenerimento dei rifiuti) verso soluzioni preventive (es. energia pulita, gestione delle risorse).
2. Innovazione Metodologica: Gli autori propongono un approccio di previsione rolling dinamico specificamente calibrato per reti con pattern di conoscenza in evoluzione. Questo metodo supera i limiti dei modelli statici che assumono la coerenza della rete, fornendo un nuovo strumento per analizzare reti variabili nel tempo e instabili.
3. Analisi dei Driver Endogeni: Andando oltre l'attenzione sui driver esogeni (politica, mercato), lo studio elucida i meccanismi di guida interni dell'innovazione verde analizzando il ruolo dinamico delle reti di brevetti e dei flussi di conoscenza.

4. Risultati

Caratteristiche della Rete

• Squilibrio Spaziale: La rete mostra una distribuzione spaziale disomogenea. I nodi centrali (es. trattamento dell'acqua $C02F$, tecniche di separazione $B01D$, alimentazione elettrica $H02J$) dominano, mentre i nodi periferici (es. sistemi di motori specifici, riscaldatori di fluidi) hanno una connettività limitata.
• Evoluzione Temporale:
  • Connettività: La densità della rete è aumentata significativamente da 0,2023 (1990–1999) a 0,3969 (2010–2019), indicando uno scambio di conoscenze più frequente.
  • Centralità: La rete è diventata meno centralizzata (declino dell'indice di centralità e del coefficiente di Gini), suggerendo un passaggio da pochi nodi dominanti a una struttura più decentralizzata dove molteplici nodi condividono l'importanza.
  • Spostamento Strutturale: I nodi principali si sono spostati dalle tecnologie meccaniche/combustione tradizionali ($F01N, F23G$) negli anni '90 verso tecnologie di energia pulita, stoccaggio e riciclo ($H02J, H01M, B09B$) negli anni 2010.
• Tendenze delle Fonti di Conoscenza: La proporzione di brevetti verdi che citano altri brevetti verdi è aumentata bruscamente (1990–1993), è diminuita (1993–2006) man mano che i campi non verdi diventavano cruciali, e poi è tornata a crescere (post-2006), indicando una transizione dalla specializzazione verticale all'espansione orizzontale e ritorno alla specializzazione.

Prestazioni della Previsione

• Fallimento del Modello Statico: Il tradizionale modello di previsione lag statico non è riuscito a produrre correlazioni significative tra i valori previsti e quelli reali quando applicato alla rete dei brevetti verdi. Gli autori attribuiscono ciò all'incapacità del modello di tenere conto dell'inerente instabilità strutturale della rete.
• Successo del Modello Dinamico: Il proposto modello di previsione rolling dinamico ha raggiunto un'elevata accuratezza. Attraverso quattro diversi criteri di classificazione, i valori di $R^2$ hanno superato lo 0,93, con uno che ha raggiunto lo 0,978. Ciò indica che il modello dinamico può spiegare oltre il 90% delle future innovazioni verdi basandosi sui flussi di conoscenza del decennio precedente, superando significativamente i metodi statici.

5. Significato e Rivendicazioni

Il documento sostiene che i suoi risultati offrono un quadro metodologico robusto per prevedere le future innovazioni verdi, il che è critico per affrontare le sfide globali della sostenibilità.

• Per i Decisori Politici: La ricerca fornisce uno strumento per passare da una "risposta reattiva" a una "modellazione proattiva" nella governance ambientale. Suggerisce che le politiche non debbano essere statiche; invece, gli incentivi dovrebbero essere ottimizzati dinamicamente per allinearsi con la struttura evolutiva delle reti tecnologiche verdi. Avverte contro approcci di sussidio "standardizzati".
• Per le Imprese: Lo studio evidenzia l'importanza della cooperazione interdisciplinare e dello sfruttamento delle risorse tecnologiche esistenti. Suggerisce che le aziende debbano concentrarsi sull'integrazione delle tecnologie attraverso i centri di rete in movimento (es. passare dal trattamento dei rifiuti allo stoccaggio dell'energia).
• Per i Ricercatori: Il documento stabilisce che i flussi di conoscenza sono un driver endogeno critico dell'innovazione verde. Fornisce una nuova prospettiva per comprendere la generazione di tecnologie ambientali e offre un metodo validato per studiare le reti di innovazione variabili nel tempo.

Gli autori concludono che, rivelando l'essenza dinamica dei flussi di conoscenza, i loro risultati aiutano gli stakeholder ad allocare strategicamente le risorse per promuovere lo sviluppo delle tecnologie verdi, contribuendo così agli Obiettivi di Sviluppo Sostenibile (SDGs), in particolare riguardo al cambiamento climatico e alla crescita economica di alta qualità.

Nota: Gli autori riconoscono i limiti, inclusa la dipendenza dalla classificazione IPC per lo screening dei brevetti e l'assunzione che le finestre di citazione di 10 anni catturino completamente il flusso di conoscenza. Suggeriscono che il lavoro futuro potrebbe integrare l'apprendimento automatico (es. LLM) per una migliore identificazione dei brevetti e incorporare fattori esogeni come gli shock politici per affinare ulteriormente l'accuratezza della previsione.