Cosa succede quando gli scenari energetici falliscono nel prevedere eventi che rivoluzionano il panorama energetico mondiale? Com’è possibile che ciò accada e come far fronte a questa incertezza? Su Energia 4.19, Adam Reed, Sean Ericson, Morgan Bazilian, Jeffrey Logan, Kevin Doran e Chris Nelder ci spiegano come affrontare l’incertezza delle previsioni
Chi è chiamato a delineare politiche ed investimenti nel settore energetico si affida agli scenari elaborati da importanti agenzie, come l’EIA degli Stati Uniti, l’IEA dell’OCSE o l’OPEC dei paesi esportatori di petrolio. Agenzie che forniscono analisi credibili delle tendenze energetiche, ma che rischiano quasi certamente di mancare gli eventi dirompenti (disruptive) potenzialmente in grado di cambiare il corso degli eventi. Su Energia 4.19, Adam Reed, Sean Ericson, Morgan Bazilian, Jeffrey Logan, Kevin Doran e Chris Nelder prendono ad esempio il caso dello shale gas per fare luce sulle sfide che si affrontano nella gestione e nella comunicazione di due importanti tipi di incertezza: quella epistemica (unknown unknowns) e quella stocastica (known unknowns).
Fare previsioni è molto difficile, soprattutto se riguardano il futuro – proverbio danese
“L’intento di questa analisi è di evidenziare le lezioni che si possono apprendere da questo particolare evento, non di castigare gli sforzi della comunità che opera nella modellistica energetica, molti dei quali conoscono molto bene gli argomenti qui discussi (…). Il nostro obiettivo è quindi quello di rivolgerci ai decisori (…) che generalmente non si occupano dei meccanismi dei modelli, pur facendo affidamento su di essi. La nostra speranza è che discernendo la differenza tra ciò che pensavamo sarebbe accaduto – dato il verificarsi di alcune ipotesi chiave – e ciò che effettivamente è accaduto, possiamo iniziare a migliorare il modo in cui i previsori comunicano le incertezze ai decision makers e il modo in cui questi ultimi comprendono e utilizzano le previsioni energetiche di lungo termine”.
Ma cos’è successo con lo shale gas? “Lo shale gas non è solo emerso come la più grande fonte di gas negli Stati Uniti, ma ha arrestato un declino della produzione gas che sembrava inevitabile” (1. Una sfera di cristallo (idraulicamente fratturata)). La cosa straordinaria è che nessuno ha previsto un simile fenomeno. Nel 2008, infatti, “l’EIA prevedeva che lo shale gas avrebbe fornito circa 2,2 trilioni di piedi cubi (trl pc) nel 2030 (…). Nel 2013 le stime al 2030 erano state riviste al rialzo del 535%, a 14,2 trl pc, e nel 2018 di un ulteriore 90%, a 26,9 trl pc”. Stessa mancanza ha riguardato la IEA che nel 2008 “prevedeva nel suo scenario di riferimento un tasso di crescita medio annuo negativo dello 0,1% tra il 2006 e il 2030 che si è invece rivelato essere del +5,7% tra il 2006 e il 2019 per un complessivo +69%”.
Come possono le principali previsioni energetiche non aver colto un così grandioso sviluppo? Due sono le grandi sfide che possono portare a grandi errori di previsione di sistemi complessi. “La prima riguarda il fatto che nei sistemi complessi ci sono più variabili di quante se ne possano considerare. Spesso descritte come incertezza epistemica, queste variabili non modellizzate – le unknown unknowns (incognite sconosciute) – possono portare a una realtà drammaticamente divergente dalle previsioni. La seconda è inerente alla natura intrinsecamente non lineare di molti sistemi energetici. Ciò si traduce in una combinazione di incertezze stocastiche – known unknowns (incognite conosciute) – che a loro volta possono portare a risultati del mondo reale che si discostano significativamente dalle previsioni (2). Gli eventi che causano grandi errori di previsione dovuti all’incertezza epistemica sono spesso definiti «cigni neri» (black swan) (…). Per i grandi errori dovuti a incertezze stocastiche si parla invece di «cigno morente» (dying swan)” (2. Cigni neri e cigni morenti).
I previsori energetici non possono di fatto predire il futuro, ma tutti credono che lo possano fare
“EIA era a conoscenza del potenziale di shale gas da molti decenni (ma) non si aveva un’idea precisa di quando sarebbe potuto diventare disponibile (se mai) e in quale ammontare (che di fatto ancora non si sa)”. La rivoluzione dello shale gas può quindi essere vista sia attraverso le lenti “cigno nero” (“Soprattutto negli anni precedenti l’inizio del boom, pochi o nessun previsore o attore di mercato potevano immaginare la dimensione della market disruption”) che attraverso quelle “cigno morente” (“Processi come il learning-by-doing funzionano come una spirale virtuosa, in cui ciascun pozzo perforato rende quelli futuri più economici (…). Queste spirali virtuose portano a futuri potenzialmente divergenti, con incertezza su se e quando verrà raggiunta una massa critica, ma vi sono pochi dubbi che alla fine si verificherà una crescita significativa”) (3. Incertezza statistica ed epistemica nella rivoluzione dello shale gas).
Prevedere equivale inevitabilmente a «sbagliare» in senso assoluto
“Dobbiamo riconoscere che gli errori di previsione sono inevitabili a causa di fattori esogeni che il modello non ha saputo o potuto considerare.” Non bisogna tuttavia ritenere “che gli errori di modellizzazione sono dovuti a improbabili eventi una tantum (perché) non consente di comprendere in che misura questo avviene e può spingere (specie chi non è del mestiere ma si affida ai risultati dei modelli) verso l’euristica di un equilibrio naturalistico: convincersi che «ora le cose sono normali» o che presto lo saranno” (4. Errori di previsioni e apologetica del modellatore).
Come e quanto affidarsi a modelli per loro natura incerti è un problema che non riguarda (solo) chi i modelli li elabora (“nessuno è più consapevole di questo dei modellisti stessi, che hanno fatto di tutto per far fronte al problema”) ma soprattutto i loro fruitori: politici, investitori e analisti.
“Le previsioni sono strumenti utili e necessari per fare luce sulla natura dei trade-off e dei relativi rischi. Eppure c’è una tensione (…) un buon processo decisionale richiede sia modelli maneggevoli in grado di fornire previsioni comprensibili, sia l’uso di risultati che non scontino involontariamente le incertezze inerenti alle previsioni. (…) In un ipotetico caso di abuso delle previsioni, i politici possono richiedere che i modellisti producano risultati deliberatamente semplificati così da sostenere una posizione che hanno già adottato (…). La via d’uscita sembra risiedere in una migliore comprensione dei modelli – in particolare da parte di chi le previsioni le utilizza e che non sono esperti di modellistica – di ciò che può andare storto e perché” (5. Incorporare l’incertezza nelle previsioni energetiche).
Il nostro primo impulso nel sentire un forte annuncio dovrebbe essere quello di vedere quanto potrebbe essere sbagliato
Dopo aver formulato alcune raccomandazioni, gli autori avanzano qualche riflessione conclusiva. “Per molte recenti tecnologie, il grado di incertezza riguardo alla generazione futura è aumentato negli ultimi anni. Il calo dei costi di tecnologie come eolico, solare e lo stoccaggio di energia le mette in grado di concorrere con le tecnologie di generazione convenzionali. Le prime hanno mostrato miglioramenti learning-by-doing ancora più marcati dello shale gas. Allo stesso modo, i mercati delle auto elettriche e del demand response, per citarne alcuni, sottendono la possibilità di drastici cambiamenti. Anche modesti cambi di costi e politiche possono portare a grandi cambiamenti nella futura adozione di queste tecnologie. (…) Un primo passo per i decisori potrebbe forse essere quello di adattarsi a un mondo sempre più incerto e dinamico creando una narrativa più fantasiosa, che consideri sfumature e dubbi come occasioni per opportunità e trasformazioni e consideri le previsioni come l’inizio di una discussione politica o d’investimento piuttosto che la sua fine” (6. Conclusioni).
Il post presenta l’articolo Sull’incertezza delle previsioni energetiche: il caso dello shale gas (pp. 46-55) di Adam Reed, Sean Ericson, Morgan Bazilian, Jeffrey Logan, Kevin Doran e Chris Nelder pubblicato su Energia 4.19
Adam Reed, Endymion Research & Consulting
Sean Ericson, University of Colorado
Morgan Bazilian, Colorado School of Mines
Jeffrey Logan, Colorado School of Mines
Kevin Doran, University of Colorado
Chris Nelder, Rocky Mountain Institute
Photo by Alina Vilchenko from Pexels
Per aggiungere un commento all'articolo è necessaria la registrazione al sito.
0 Commenti
Nessun commento presente.
Login