“È difficile fare previsioni, specialmente sul futuro” – così dice il detto. Lo stesso vale per la modellizzazione economica. Questo non è solo il punto banale che è difficile fare previsioni su cose che sono incerte, anche se saresti sorpreso di quanti modelli economici sono espressi come deterministici, cioè senza limiti di probabilità., Pindyck fa il punto valido che gli input chiave sono spesso scelti arbitrariamente; anche il modello migliore sputa spazzatura se si pompa spazzatura . Ma voglio concentrarmi sul punto leggermente più sottile che le cose che sono più interessanti quando si tratta di fare previsioni decenni avanti sono quelle che sono più difficili da modellare., Il risultato è che il più delle volte non sono semplicemente modellati e di conseguenza i modelli ci dicono poco su come evolverà il futuro e ancora meno sui veri costi e benefici di politiche di lungo periodo come quelle per promuovere le tecnologie rinnovabili e l’efficienza delle risorse.
Un modello economico è essenzialmente un quadro semplificato per descrivere il funzionamento dell’economia. Esercita la disciplina di costringere il modellista ad articolare formalmente le ipotesi e stuzzicare le relazioni dietro quelle ipotesi. I modelli sono utilizzati per due scopi principali: la simulazione (ad es., come cambierebbe il mondo rispetto a qualche controfattuale se assumiamo un cambiamento in questa o quella variabile) e previsioni (ad esempio come potrebbe apparire il mondo nel 2030). I modelli economici sono ottimi strumenti per le simulazioni – dato quello che sappiamo sul funzionamento comportamentale dell’economia, e prendendo questi per lo più come dato, come potrebbe l’economia rispondere, ad esempio, a un picco dei prezzi dell’energia? Ma i modelli sono molto meno efficaci nel fornire previsioni con precisione, anche perché quando si fanno previsioni, molto poco può essere preso come dato., Maggiore è la previsione, maggiori sono le incertezze strutturali che rendono le proiezioni del modello al meglio illustrative, specialmente quando si cerca di prevedere l’impatto di impulsi non marginali come gli impatti dei cambiamenti climatici o la trasformazione del sistema energetico globale.
I modelli utilizzati dai ministeri delle finanze, dalle banche e dalle banche centrali prendono la struttura sottostante dell’economia come data e analizzano le perturbazioni ai margini attraverso equazioni comportamentali stimate., Sia i modelli di “nuovo keynesiano” stimati che i modelli di equilibrio generale computabili si basano su ipotesi su tendenze predeterminate a lungo termine o “convessità” associate a rendimenti marginali decrescenti e prodotti marginali decrescenti, al fine di convergere su uno stato stazionario. Poiché raramente guardano al di là di un orizzonte di quattro anni, tali ipotesi semplificanti rendono buone approssimazioni della realtà. Infatti al Tesoro, abbiamo prima fissato le principali variabili previsionali (crescita del PIL, disoccupazione, bilancia commerciale, inflazione, ecc then) e poi abbiamo eseguito il modello ., Questa è in realtà la norma per le previsioni macroeconomiche-il modello è essenzialmente utilizzato come controllo di coerenza e non come fonte di proiezioni. A condizione che i residui di previsione siano in linea con i modelli passati, la fissazione anticipata del percorso di previsione viene convalidata perché le proiezioni sono compatibili con il comportamento stimato in passato. Ma guardando più lontano, le incertezze crescono e così fanno le probabilità che le rotture strutturali spingano l’economia su nuovi percorsi guidati da nuove tecnologie, istituzioni e comportamenti., Caratterizzare le variabili chiave, come l’output, come tornare a una media deterministica è conveniente ma non realistico più si guarda.
Ciò causa problemi alle previsioni economiche incaricate di esaminare l’impatto di grandi cambiamenti trasformativi come il passaggio a un’economia globale efficiente sotto il profilo delle risorse per periodi più lunghi. Il requisito che un modello tende verso un equilibrio stazionario significa che molte dinamiche chiave sono modellate come tendenze verso quell’equilibrio, piuttosto che determinanti di esso. Il “cambiamento” e l’eterogeneità sono modellati come stati transitori., Eppure il mondo reale è ciò che gli economisti chiamano endogeno, cioè soggetto a cambiamenti sistemici che hanno origine all’interno del sistema. Processi eterogenei generano cicli di feedback che diventano caratteristiche permanenti del sistema, richiedendo una teoria del lungo periodo caratterizzata da tali processi. I fattori economici che sono soggetti a economie di scala, capitale e blocco istituzionale, irreversibilità, nuove reti e path-dependencies sono difficili da stimare empiricamente (in alcuni casi non sono mai accaduti, ancora) e ancora più difficili da modellare a causa delle dinamiche non lineari., Gli shock avranno effetti persistenti (si pensi 9/11), le scelte politiche avranno implicazioni ampie e amplificate (si pensi alla spesa per la difesa e a Internet) rendendo sempre più difficile la previsione. Diversi modelli meteorologici e previsioni fanno previsioni globali coerenti e accurate su un periodo di due settimane, ma poi iniziano a divergere a causa del famigerato effetto “ala di farfalla”. Oltre un mese o giù di lì, tali previsioni divergono selvaggiamente e sono considerate quasi inutili. Lo stesso vale per i modelli economici a lungo termine.
Prendi alcuni esempi del mondo reale., Investire in tecnologie di energia rinnovabile spinge il loro prezzo verso il basso come risultato della sperimentazione e dell’apprendimento dagli errori; il cosiddetto “learning-by-doing”. Queste cadute di prezzo rendono quindi l’investimento sempre più attraente rispetto alle tecnologie convenzionali in cui i guadagni derivanti dall’apprendimento o dal ridimensionamento aggiuntivi sono minori. Man mano che i costi diminuiscono, gli investimenti aumentano e gli ingegneri imparano come installare, collegare e riparare a basso costo la tecnologia (uno dei motivi per cui il fotovoltaico solare è notevolmente più economico in Germania che negli Stati Uniti), le istituzioni di pianificazione vengono aggiornate e nuove reti vengono costruite o trasfigurate., I consumatori cambiano comportamento e richiedono efficienza, riciclaggio e pedonalizzazione.
Molto rapidamente, una regione può passare da una rete tecnologica a un’altra poiché l’apprendimento e l’esperienza la rendono più attraente rispetto all’operatore storico. Ma tali dinamiche intrinsecamente bipolari dipendenti dal percorso sono difficili-se non impossibili-da modellare. Le città progettate su un modello di sviluppo denso con trasporto pubblico integrato diventano molti ordini di grandezza meno ad alta intensità di risorse rispetto alle città basate su un modello basato su auto tentacolare, pur avendo gli stessi livelli di reddito., Una volta costruiti, sono difficili da cambiare in modo retrospettivo man mano che i comportamenti e le infrastrutture diventano bloccati. Le circoscrizioni fanno pressione per abbassare i prezzi della benzina e più corsie autostradali nella città tentacolare e piste ciclabili, trasporti pubblici e congestion charging in quella densa ed efficiente. Le decisioni prese dai pianificatori in Cina, India e altrove andranno un lungo cammino per determinare l’efficienza e la sicurezza delle risorse delle loro economie nel loro complesso. Creano anche nuovi mercati considerevoli che stimolano innovatori e investitori in tutto il mondo.,
Ma nulla di tutto ciò è incorporato nei modelli standard perché la piena interazione di un sistema endogeno è diabolicamente complessa da replicare e qualsiasi errore si diffonde attraverso il modello come una malattia maligna. La modellazione richiede quindi l’astrazione. Non tutte le variabili possono essere incluse e non tutti i processi causali simulati. Ma l’astrazione va bene fino a quando non si astrae dalle proprietà chiave del sistema e quindi si pretende di prevedere quel sistema nel suo complesso., Nella maggior parte dei modelli, si presume che l’innovazione che guida le prospettive economiche a lungo termine avvenga e le caratteristiche chiave del capitalismo come la tendenza all’oligopolio vengono assunte a favore dell’ipotesi più trattabile della concorrenza.
L’errore di Malthus è stato notoriamente quello di prendere la struttura dell’economia globale come data. Il suo modello presupponeva che tecnologie e processi sarebbero rimasti invariati, in modo tale che il mondo sarebbe a corto di risorse di fronte alla crescita della popolazione e della domanda. Infatti, ogni bocca umana in più è venuto con un cervello umano., Ed è stata l’innovazione umana che ha permesso i rendimenti agricoli a razzo e l’industrializzazione per fornire una gamma senza precedenti di possibilità di consumo. Per modellare l’innovazione è necessario comprendere le conseguenze non intenzionali che derivano dallo sversamento di conoscenze da un settore all’altro. Mariana Mazzucatto racconta una storia avvincente di come quasi tutte le tecnologie radicali dietro l’iPhone sono stati finanziati dal governo, per lo più attraverso i fondi di ricerca della difesa: questo include internet, GPS, display touchscreen, e anche il nuovo assistente personale Siri a comando vocale ., Queste dinamiche sottostanti sono note e prevedibili come processi, ma non in termini di risultati specifici. Di conseguenza, quasi tutti i modelli astraggono queste relazioni chiave.
Ci sono anche una serie di dinamiche comportamentali da tenere in considerazione. Ad esempio, l’azione collettiva globale è soggetta a giochi in cui i pay-off all’azione del singolo agente (paesi, regioni, aziende) dipendono da come agiscono gli altri. Se un numero sufficiente di giocatori agisce, viene raggiunta una massa critica o un “set di mance” dove vale anche la pena agire., Ad esempio, può pagare per un’impresa o un’economia per ritardare il costo di investimenti efficienti sotto il profilo delle risorse, ma man mano che altri fanno l’investimento, può sempre più lottare per vendere in nuovi mercati in cui gli standard di efficienza migliorano (come nel caso delle case automobilistiche statunitensi). Tali dinamiche possono essere modellate, ma sono difficili da incorporare nei modelli integrati esistenti. Chi avrebbe potuto determinare deterministicamente l’apertura del commercio mondiale nella seconda metà del secolo scorso? Eppure queste dinamiche sottostanti sono note e prevedibili e alla fine sono queste che modelleranno il mondo.,
I potenziali benefici derivanti dalla politica che dirige il cambiamento strutturale finiranno per ridurre i costi distorsivi del primo round associati a una tassa sul carbonio qui, o a un nuovo standard per l’efficienza lì. Come per la spesa per la difesa, uno sforzo concertato per promuovere la ricerca verde & D avrà probabilmente effetti moltiplicati sull’innovazione in tutta l’economia., Ciò significa che per i responsabili politici, pianificare un’economia competitiva ed efficiente in termini di risorse adatta a un ventunesimo secolo sfidato potrebbe essere una priorità più importante rispetto al calcolo del costo a breve termine di un insieme di energie rinnovabili, anche se rilevante. Eppure i modelli si concentrano quasi esclusivamente su questioni ristrette di quest’ultimo tipo, solo perché possono, generando una serie di costi per ogni azione, con poca comprensione dei benefici potenziali completi., La conseguente predisposizione a rimandare l’azione mette in cortocircuito le questioni più pertinenti su come realizzare il cambiamento strutturale in modo trasparente e favorevole al mercato, che promuove la concorrenza e la crescita e limita la possibilità di ricerca di affitti da parte di interessi acquisiti.
Questo significa che dovremmo abbandonare i modelli economici? Assolutamente no. Dovremmo ancora cercare di stimare e modellare processi complessi noti. I modelli sono strumenti essenziali per aiutarci a formulare, esaminare e comprendere le relazioni interattive., Eppure, mentre i modelli economici integrati applicati a lungo termine hanno prodotto preziose intuizioni, non sono mai stati progettati per servire come stime degli impatti totali di cose come le politiche per ridurre le emissioni e migliorare l’efficienza delle risorse. I sistemi endogeni completamente integrati rendono molto difficile la modellazione di lunghi periodi perché anche piccoli errori persistono ed esplodono e alterano gli output del modello come una malattia maligna. I modelli tentano di aggirare questo problema assumendo che le parti chiave di quella storia siano predeterminate, ma questo non le rende più realistiche., Ciò che è necessario è una teoria coerente dietro processi a lungo termine di cambiamento sistemico e questi sono meglio modellati separatamente, e non come parte di un modello completamente integrato che impartisce false nozioni di determinismo e precisione. I modelli non sono l’intera storia; sono semplicemente frasi di supporto alla storia e devono essere compresi e trattati come tali. In un sistema sufficientemente complesso può effettivamente essere più facile guidare il cambiamento che prevederlo.
Dimitri Zenghelis è Co-responsabile della politica presso il Grantham Research Institute presso il LSE e in precedenza è stato responsabile delle previsioni economiche presso HM Treasury., Questo articolo è stato originariamente pubblicato su Business Green il 18 settembre 2013.