L’algoritmo per le previsioni macroeconomiche: una conversazione con Luciano Pietronero

backPrinter-friendly versionSend to friend

aspeniainternal

“L’economia è una scienza sociale, e deve sempre tenere conto del fatto che le scelte economiche sono compiute da essere umani e istituzioni; ci sono però importanti benefici che si possono trarre dall’adozione di metodologie di diversa provenienza. Io sono di parte, essendo un fisico di formazione, ma ritengo che la fisica dia un’ottima educazione su come modellizzare un fenomeno e su come rapportarsi con la dialettica teoria-esperimento. I modelli devono essere un punto di equilibrio tra il realismo e le metafore. La fisica ha un’ampia e poderosa storia, di circa 400 anni, in cui molti successi sono stati conseguiti grazie a questo approccio, e continua a formare studiosi con questo particolare know-how. L’economia, dal canto suo, è relativamente giovane come scienza in cui si confrontano teoria ed esperimento, anche se ha incorporato certamente la tecnica della modellizzazione e un notevole grado di formalizzazione matematica.”


Luciano Pietronero, dopo aver lavorato per dieci anni nella ricerca nei centri Xerox e Brown Boveri è stato per cinque anni professore in Olanda (Groningen). Dal 1987 è professore di Teoria della Struttura della Materia a La Sapienza e ha fondato e diretto (2004-2014) l’Istituto dei Sistemi Complessi del CNR. Recentemente, insieme al suo gruppo comprendente Matthieu Cristelli, Andrea Tacchella, Andrea Gabrielli, Andrea Zaccaria ed Emanuele Pugliese, ha sviluppato il campo di Economic Complexity, ed è consulente della Banca Mondiale. Discutiamo con lui di come si può costruire al meglio una sorta di ponte tra la fisica e un settore profondamente diverso come l’economia.

“La fisica tradizionale ha delle enormi pretese di riproducibilità, di precisione e chiarezza matematica – anche se spesso tollera alcune approssimazioni e procede senza disporre un rigore assoluto, cercando quantomeno di ridurre i margini di incertezza a posteriori. Parte in molti casi da intuizioni che ci si sforza di verificare. Questi criteri sono comunque difficili da applicare perfino ad altre scienze naturali: la biologia, che per definizione si occupa di esseri viventi, deve tenere conto di alcuni aggiustamenti, ma è riuscita comunque a raggiungere altissimi livelli di comprensione dei fenomeni, di precisione e di previsione. L’economia non è propriamente una scienza naturale, e pur con tutte le sue specificità può “importare” dalla fisica un quadro metodologico, alleggerendone in certa misura i criteri di rigore. Si entra in una delicata area grigia, perché se si allargano troppo tali criteri si fa confusione ma se si restringono troppo si potrebbe non accedere a problematiche interessanti. La mia convinzione è quindi che vi siano dei casi in cui si può applicare il metodo scientifico in modo molto rigoroso, e altri in cui è sensato e utile farlo in modo meno rigoroso. E il successo dell’operazione va comunque misurato soltanto con il risultato empirico e dal confronto critico con gli altri metodi.”


Come reagiscono solitamente gli economisti a queste osservazioni? E’ normale che ciascuna disciplina difenda in qualche modo i propri caratteri unici e distintivi. Ma si può trovare un punto di incontro costruttivo?

“Intanto c’è un terreno comune da cui partire: in economia ci sono molti dati numerici e si usa molta matematica; talvolta però si cerca di creare modelli esatti che finiscono per essere poco realistici. E’ decisivo curarsi del realismo dei modelli, e questo non mi sembra sempre del tutto accettato dagli economisti: perfino nella fisica più rigorosa c’è un continuo feedback tra teoria e osservazione, partendo da ipotesi non necessariamente precise. E quasi sempre il dato non si accorda perfettamente con il modello, per cui si ricorre ad aggiustamenti complessi. Gestire questo rapporto di corrispondenza biunivoca incompleta è un lavoro sofisticato, che la fisica ha imparato faticosamente. Da questa prospettiva, le teorie economiche sono ancora relativamente poco scientifiche: ho avuto varie esperienze dirette in cui economisti anche molto esperti hanno fatto prevalere il dogmatismo, arrivando a negare l’importanza dei dati empirici che non si accordavano con le loro teorie. Un primo elemento utile è dunque a mio parere elaborare teorie economiche magari meno rigorose di quanto si vorrebbe, ma più realistiche; e di continuare a raffinarle grazie ai dati che si rendono disponibili. 

Un punto strettamente collegato a questo è relativo alla reazione di fronte a gravi anomalie empiriche, appunto. Ad esempio, come ha risposto il filone neoliberista alla crisi finanziaria del 2007-8, che di fatto non avrebbe dovute esistere in un contesto dell’equilibrio perfetto e dei “mercati efficienti”? Una risposta diffusa è stata che gli attori finanziari sarebbero diventati troppo avidi… dal mio punto di vista di fisico, è un po’ come dire che gli elettroni che non soddisfano la mia teoria sono impazziti. Prima di giungere a questa conclusione, tenderei a rivedere la teoria e verificare se qualcosa mi sia sfuggito. Il problema è che sostenere la tesi per cui la finanza soffre di eccessiva avidità è può apparire ragionevole; ma la teoria, per essere tale, dovrebbe spiegare la natura del fenomeno osservato invece di fornire un programma di comportamento e una prescrizione di qualche tipo. Qui il quadro metodologico delle “scienze hard” può essere utile per ricordare di tenere ben distinti questi diversi piani.”


La grande sfida è quindi come riconciliare il “fattore umano” con il metodo scientifico nell’analisi dei fenomeni. I feedback che l’economista deve valutare sono difficili da usare, se dipendono da scelte individuali di esseri senzienti che agiscono con una conoscenza – almeno parziale – del sistema stesso in cui si trovano. Come si può uscire da questo circolo vizioso?

“Il Prof. Yi Cheng Zhang, fisico dell’Università di Friburgo, ha usato un esempio per illustrare il problema: chi vuole comprare un paio di scarpe vuole valutarne la qualità, ma la cosa è complicata e richiede molti parametri. Servirebbe consultare esperti di vari settori, dal cuoio agli altri materiali, la forma e le cuciture, il colore etc. Facendo però una semplice analisi statistica, troveremo che la qualità media delle scarpe è correlata con il prezzo, per cui si può tracciare una retta contornata con una nuvola di punti a indicare che al crescere del prezzo cresce anche la qualità e viceversa. Ora, se un individuo fa la sua scelta di acquisto in base al singolo criterio del prezzo, le cose non cambiano; ma se tale scelta viene fatta da un grande numero di consumatori, i produttori di scarpe finiranno per non prestare attenzione alla qualità e alzare semplicemente il prezzo. In altre parole, il comportamento degli attori economici rende inutilizzabile una correlazione che esiste davvero. Un apparente paradosso dello stesso tipo si verifica nella valutazione dell’attività scientifica da parte di ricercatori e accademici: se si utilizzano le pubblicazioni e citazioni come unico criterio per valutare la ricerca, il risultato sarà un costante sforzo di assicurarsi pubblicazioni e citazioni, perdendo di vista la risoluzione dei problemi – cioè il valore intrinseco dell’attività di ricerca. Ovviamente, contare citazioni è facile e per certi versi anche logico, ma questa tentazione numerologica porta a un effetto controproducente. Un po’ come per il criterio del prezzo nella valutazione della qualità di una scarpa o di qualsiai altro prodotto. Uscire dal circolo vizioso è oggettivamente difficile e le scorciatoie sono solitamente dannose.”


Avere a disposizione una massa di dati è insomma utile, ma certo di per sé non fornisce alcuna risposta. In questa era di “big data”, come possiamo gestire al meglio le informazioni e i numeri, senza cadere nella tentazione delle scorciatoie sbagliate? E in cosa alcuni modelli sono migliori di altri?

“La domanda fondamentale è come mettere insieme i dati, e se puntare a poche variabili sintetiche o addirittura a una singola variabile per spiegare un fenomeno. Ad esempio, se due variabili per analizzare un sistema economico sono disomogenee come “istruzione e inquinamento” dovremo decidere come metterle in relazione tra loro. Questa relazione ha inevitabilmente elementi di arbitrarietà soggettiva che introduce un “rumore” in senso matematico nell’analisi. Questo tasso di “rumore” – contrapposto al “segnale” che stiamo cercando – può essere talmente elevato da rendere l’introduzione di troppi dati controproducente. Il “rumore” in senso matematico corrisponde, in senso colloquiale, alla confusione. Quando si aggiunge un nuovo dato si deve dunque valutare il vantaggio che si trae dalla maggiore informazione rispetto al danno che si ha dalla maggiore confusione. Nell’utilizzare i ‘big data’ conviene allora partire da ‘small data’: costruire uno scheletro che sia stabile e aggiungere poi altre informazioni, o immaginare un tronco prima di analizzare i rami e le foglie. Nel fare ciò, non esiste una ricetta valida sempre, perchè ogni fenomeno va studiato a sé. L’algoritmo di ricerca di Google è un grandissimo esempio di successo nella categorizzazione delle informazioni, ma esistono altri algoritmi per classificare informazioni diverse, come quelle economiche. Io e i miei collaboratori abbiamo sviluppato un nuovo algoritmo della competitività per misurare la ‘fitness’ di un sistema economico. Certamente i ‘big data’ offrono un grande spazio di creatività, in moltissimi campi, ma non parlano da soli. Vanno strutturati e non possono sostituire la comprensione analitica dei fenomeni. Prima di cercare le risposte si devono porre le domande giuste. Il modello che sto utilizzando guarda a ogni singolo prodotto in un sistema-paese includendovi tutti i fattori, dai macchinari alle skills umane fino alla corruzione e alla burocrazia. Su questa base si sviluppano le proiezioni, ma certo non si possono prevedere eventi unici ed esogeni come un cambio di governo (o addirittura di regime) e una catastrofe naturale.” E’ interessante notare che questo stesso algoritmo che abbiamo sviluppato per l’economia ma ispirandoci ai sistemi biologici si applica benissimo anche ai veri sistemi biologici come ha mostrato Miguel Muñoz nel 2014.


Cosa si intende qui per ‘fitness’? Quanto si può spingere in là l’analogia con la biologia evolutiva, guardando ai sistemi economici come a sistemi organici?

“Si tratta di qualcosa di più di un’allusione. Lo stesso modello da noi applicato ai paesi e ai prodotti è stato utilizzato per i sistemi ecologici, con risultati migliori di qualsiasi altro algoritmo. Ciò non è strano, peraltro, visto che l’economia riguarda i comportamente delle persone – dunque essere viventi – che cercano di ottimizzare un certo tipo di vantaggio biologico. Per precisare l’analogia, un sistema-paese è come un grande foresta (con animali, piante, laghi, fiumi etc.) in cui la diversità è un fattore di robustezza e resilienza; una singola azienda corrisponde ad un singolo animale, che come tale ha un set ristretto di competitori e tende a specializzarsi per sopravvivere e prosperare. Il nostro algoritmo funziona bene per il sistema-paese (la foresta) ma non per la singola azienda (l’animale) proprio perché per il primo è decisiva la diversificazione ma per il secondo è decisiva la specializzazione. In altre parole, l’argomento classico di David Ricardo sulla specializzazione è corretto per le singole aziende ma non per i sistemi nel loro complesso. E’ fondamentale capire però a quale livello di scala di passa da un livello all’altro – non un quesito semplice, perché si può guardare ad esempio al livello delle città o di clusters e filiere locali di aziende.”


Il fattore tempo è un altro aspetto essenziale, soprattutto per chi deve prendere decisioni in un mondo che cambia rapidamente e che spesso disorienta. Come si possono riconciliare, alla luce di questi modelli, i dati e i trend del passato con il margine di incertezza del futuro?

“Il nostro sforzo è basato sull’utilizzo di tutti i dati disponibili – dunque di tutte le esperienze, in forma quantificata – di chi è venuto prima di noi. Nella misura in cui qualcosa è già accaduto, si può proiettarlo verso il futuro. E’ allora difficile proiettare fenomeni che sono totalmente nuovi, per quanto questa sia una circostanza rara: è il caso del numero di persone che abitano in Cina e che compongono quel sistema-paese. Parliamo di una scala senza precedenti, per cui ad esempio è necessaria la massima cautela nel tentare un’analogia con il Giappone degli anni ’80 che aveva una popolazione pari a circa un decimo della Cina odierna. Ne deriva, tra l’altro, che assai probabilmente non sarà possibile per ogni cittadino cinese possedere un’automobile a benzina (per considerazioni di risorse disponibili ma anche per ragioni ambientali, di spazio etc.); d’altro canto, si può immaginare che ogni cinese possegga un giorno un’auto elettrica, e dunque il quadro previsionale cambia notevolmente nelle sue conseguenze ma potrebbe comunque essere una versione adattata di trend già osservati in passato. In breve, il metodo che propongo è comunque il migliore possibile per imparare dal passato ed estrapolare il futuro, pur tenendo conto con attenzione di alcune caratteristiche uniche dei sistemi che analizziamo.”


Un grande caso pratico che ha messo – e sta tuttora mettendo – in difficoltà gli economisti è quello delle maggiori economie emergenti, i famosi BRICs. Dei quattro grandi paesi, la Cina sembra smentire ripetutamente le previsioni di un forte rallentamento della crescita (ormai da ben oltre un ventennio  decennio), mentre l’India prosegue in modo abbastanza regolare (pur con enormi diseguaglianze interne), ma soprattutto Brasile e Russia sono bloccate ad un livello di crescita tutto sommato piuttosto bassa. Come si può spiegare questa divergenza tra i quattro paesi, e la divergenza tra previsioni e realtà?

“Le istituzioni internazionali e tutti i modelli più usati hanno misurato gli spostamenti del PIL e i fattori che li avrebbero causati, mentre il nostro modello misura la capacità industriale e il suo potenziale rispetto ai prodotti risultati effettivamente ottenuti del sistema-paese. Le due variabili sono qualitativamente diverse, e fanno emergere una diversa traiettoria di sviluppo. Così, il fatto che la crescita di Russia e Brasile poggi tuttora soprattutto sullo sfruttamento delle materie prime è decisivo; e perfino se il Presidente Putin, ad esempio, avesse deciso di investire le risorse delle rendite energetiche in modo migliore, la Russia avrebbe comunque corso il rischio di cadere nella “oil curse”, anche nota come “Dutch disease”, cioè la maledizione o la malattia dei paesi dotati di grandi risorse naturali. Il paese ha infatti avuto grandi difficoltà nel trasferire alcune capacità settoriali di eccellenza sostenuti dallo Stato – come quelle in alcuni settori scientifici e ingegneristici – in prodotti di largo consumo. Proprio l’opposto di quanto sono riusciti a fare gli Stati Uniti con le innovazioni della DARPA (la Defense Advanced Research Projects Agency), messe a disposizione del mercato fino a portare allo sviluppo di Internet.

In termini più generali, l’algoritmo mostra che è più facile per un paese passare da una situazione di povertà ad una di alta fitness e poi a una di relativa prosperità industriale, piuttosto che da una situazione di rendita energetica a una di alta fitness associata a una solida infrastruttura industriale che non sia preesistente. Meglio poveri ma bravi che relativamente ricchi ma male organizzati.”


Come si colloca l’Europa nell’ambito dei grandi trend globali? Con i suoi livelli multipli di governo, presenta delle complicazioni come macro-sistema economico, ma la sua grande dimensione aggregata dovrebbe essere un vantaggio.

“La fitness fornisce un valore medio delle componenti del sistema, e questo vale anche nel caso dell’Europa rispetto ai suoi paesi-membri. E’ comunque certamente un vantaggio per tutti far parte di un grande aggregato, per l’accesso a un mercato di vaste dimensioni che crea opportunità. La fitness dei membri di un insieme non si somma, ma contribuisce al valore medio.” I paesi europei sono molto strutturati in termini industriali e la sola fitness (dei prodotti) fornisce un’informazione parziale. Questa si può complementare con la fitness tecnologica e con quella scientifica che forniscono informazioni analoghe per la capacità innovativa (oltre che produttiva) di ogni paese. In questo modo ad esempio è possibile anche valutare i vantaggi e svantaggi relativi di un evento come Brexit.

Per quanto riguarda l’Italia, la sua produzione nel settore dei prodotti manifatturieri è tuttora molto competitiva grazie alle piccole e medie imprese (PMI), ma lo è meno per i servizi. Nel contesto di un rinnovamento del CNEL, con il nuovo Presidente Tiziano Treu, stiamo pianificando uno studio dettagliato del sistema Italia che identifichi le opportunità ideali di sviluppo nelle varie regioni, sia per i prodotti che per le opportunità innovative e le tecnologie.




Leggi anche:

La rivoluzione tecnologica in atto: chi governa davvero il futuro?
Ciro Cafiero

Ricerca e sviluppo come snodo per l’innovazione produttiva in Europa
Francesco Sylos Labini