La maggior parte delle previsioni in economia sono caratterizzate dall’essere smentite dai fatti; questo poiché basate su un modello teorico che non è grado di descrivere la realtà e dunque tantomeno di fare previsioni corrette. In assenza di un affidabile modello teorico di riferimento, per eseguire previsioni, è possibile usare il “metodo degli analoghi”, che permette, dalla conoscenza dello stato del sistema fino a un tempo abbastanza remoto nel passato, di inferire lo stato futuro. Questo metodo non si può applicare a qualsiasi sistema, ma solo a quelli che mostrano un comportamento relativamente semplice, cioè a sistemi che non hanno un comportamento caotico per cui una piccola incertezza nella conoscenza del sistema a un certo tempo può causare una grandissima variazione nella conoscenza dell’evoluzione del sistema in un tempo futuro – il famoso effetto farfalla.
Un gruppo di colleghi fisici dell’Istituto dei Sistemi Complessi del CNR ha sviluppato un nuovo metodo, chiamato selective predictability scheme, per eseguire delle previsioni in economia che s’ispira al metodo degli analoghi (vedi qui per una discussione sulla rivista Nature e qui per l’articolo originale). Questo metodo si basa sui dati riguardanti i flussi delle esportazioni di ogni paese tra il 1995 e il 2010. L’evoluzione economica di ogni nazione è tracciata all’interno di un piano bidimensionale, dove si confronta una variabile monetaria – il Pil – con una variabile non-monetaria – la Fitness. La Fitness è una variabile che tiene conto della competitività economica di una nazione misurando, al contempo, il livello di diversificazione del sistema industriale e di complessità dei prodotti esportati da ogni paese. In questa maniera si riesce a estrarre da un complesso sistema economico, come quello di un paese industrializzato, un’informazione globale che ne descrive la sua qualità.
Nel piano Fitness-PIL (F-GDP per capita nel video) si notano dunque due macro-aree. Da una parte una zona non caotica (o laminare) dove giacciono le traiettorie corrispondenti alle nazioni che si evolvono in modo lineare e dunque prevedibile (dal basso verso l’alto): questa è una zona di bassissima caoticità. Questa prevedibilità è il segno che la Fitness è il fattore rilevante che determina la crescita. Nella zona caotica (a sinistra) invece giacciono traiettorie molto intricate – segno che l’evoluzione economica dei paesi che rappresentano è incoerente e pertanto imprevedibile come lo è un sistema molto caotico. In questo caso la loro evoluzione economica non è guidata dalla variabile Fitness, ma da fattori esogeni difficilmente misurabili, come ad esempio la mancanza di una politica industriale, guerre civili, disastri naturali, o eccessiva dipendenza dall’esportazione di materie prime. Questa enorme differenza tra le nazioni evidenzia come l’evoluzione delle economie dia luogo a un sistema molto eterogeneo, anche quando le condizioni iniziali, in termini di Pil, sono identiche.
La conclusione di questo studio è che le nazioni che cresceranno di più nel prossimo decennio sono quelle che si sono preoccupate di aumentare la loro Fitness, prima che il Pil, come dimostrato dalle loro traiettorie avute negli anni passati: ovvero i paesi che si sono occupati di meglio rafforzare il proprio sistema industriale, della ricerca e dell’innovazione. Per questo motivo, come conseguenza di un consistente aumento di Fitness, tali nazioni hanno avuto accesso a mercati via via sempre più esclusivi, e quindi sempre più remunerativi. Questo ha fatto sì che a un certo punto anche il loro Pil, prima basso se paragonato al valore della Fitness, abbia iniziato a crescere e continuerà a farlo per altri dieci anni, come mostrano chiaramente le traiettorie di tali nazioni, almeno fino a quando non si raggiungerà una sorta di equilibrio tra valore di Pil e di Fitness. Da questo modello emerge, ad esempio, che Cina e India continueranno a crescere stabilmente per almeno altri dieci anni, raggiungendo un Pil complessivo di 26 trilioni di dollari nel 2022; un risultato in controtendenza rispetto alle previsioni economiche standard.
Queste previsioni sono frutto di un lavoro molto innovativo in cui si cerca di immettere nell’analisi economica elementi che provengono dalla fisica dei sistemi complessi, con l’idea, dunque, di introdurre delle tecniche basate sull’analisi dei big data che permettono un’analisi più pragmatica e realistica dell’economia moderna ispirata ai metodi delle scienze naturali
(Pubblicato su Il Fatto Quotidiano)
Grazie a Roars (e, in particolare a FSL) per questo intervento. Essendo interessato a questa letteratura vi propongo qualche riflessione come contributo alla discussione, principalmente in campo economico ma anche, in parte, di più stretta attinenza alle tematiche classiche di Roars.
La mia opinione è che questo filone della letteratura economica sia estremamente interessante ed utile per rifondare una disciplina in grave crisi, ma nasconda anche delle insidie di cui credo sia importante tener conto. I vantaggi credo siano principalmente due. In primo luogo si seppellisce definitivamente una visione dei sistemi economici basata sulla fisica ottocentesca (se non Newtoniana), per cui pochi assiomi ed un ridotto numero di variabili sono in grado di rappresentare tutto quello che c’e’ da sapere di un sistema. In secondo luogo, grazie a tecniche sofisticate di trattamento dei dati, si ottengono risultati molto rilevanti riuscendo a formalizzare risultati che gli studiosi empirici suggeriscono da tempo ma che non erano in grado di dimostrare. Ad esempio, ed in estrema sintesi, che la specializzazione produttiva può non essere (ed in genere non è) una strada percorribile per la crescita economica sostenibile di un paese.
Non aggiungo altri commenti sulle prospettive di questo approccio, che, ripeto, credo siano estremamente positive e meritino di essere seguite con attenzione. Voglio invece menzionare dei dubbi riguardo ad alcuni aspetti che, se non affrontati, rischiano di limitarne le potenzialità.
A quanto mi risulta (la letteratura è molto recente e frammentata), la maggior parte di lavori basati su questo approccio sono basati su una analisi pura dei dati, secondo una metodologia cara alle scienze fisiche. In pratica, si raccolgono tutti i dati disponibili e si elaborano cercando le migliori “interpolazioni” tra i dati disponibili che spieghino quanto osservato, producendo essenzialmente modelli che “fittano” bene i dati. Per quanto, ribadisco, utilissimo per certi scopi, questo approccio rischia però di rinforzare l’immagine dell’economista come l’ubriaco che cerca le chiavi della macchina sotto il lampione non perché potrebbe averle perse lì ma solo perché c’è la luce. In altri termini, si rischia di distorcere la visione del mondo in funzione della disponibilità dei dati, eliminando senza discussione tutto quello che è assente nel dataset. Ad esempio, le analisi di Hidalgo e Haussman si basano su dati di commercio estero (relativamente affidabili e standardizzati), ma sono interpretati in termini di capacità produttiva globale di un paese, notoriamente inaffidabili e sicuramente non confrontabili tra diversi paesi. Dato che non tutti i paesi e tutti i settori hanno lo stesso rapporto tra produzione interna, esportazioni ed importazioni, i risultati ottenuti sono sicuramente distorti, anche se probabilmente non in modo determinante per la maggior parte degli scopi. Ma questa approssimazione ha dei limiti, ed ignorarla, come si sta già facendo, rischia di produrre gravi errori in futuro.
In generale temo un’analisi economica basata esclusivamente su dati economici che, al contrario della fisica, non sono misure dirette di un fenomeno ben definito ed immutabile (e.g. velocità, massa, etc.) ma sono solo proxy parziali ed indirette distinte, anche se correlate, dai fenomeni economici, di per se non misurabili (e.g. PIL per prosperità economica). Al contrario delle scienze fisiche (alcune) le previsioni veramente utili non riguardano solo il livello delle variabili, ma anche aspetti qualitativi e/o comportamentali tanto fondamentali quanto non misurabili, ad esempio l’innovazione e le dinamiche sociali.
Il rischio dell’errore di interpretare proxy di un fenomeno con il fenomeno stesso cresce in maniera esponenziale nei casi in cui siano coinvolti attori interessati ai risultati dell’analisi, come nel caso di lavori finalizzati ad individuare indicazioni d policy. Il risultato di ignorare il comportamento degli attori è che producendo un apparente miglioramento dell’indice si rischia di avere alcun effettivo miglioramento del fenomeno di riferimento. Per inciso, questo vale sia per l’economia che in altri ambiti come, per fare esempio di interesse a Roars, nella valutazione della ricerca. In campo economico, ad esempio, si rischia di perseguire politiche che massimizzano il PIL ma che provocano il peggioramento delle condizioni economiche di ampie fasce della popolazione. In campo di valutazione si confonde il dato bibliometrico con la qualità della ricerca, spingendo per un aumento dell’indicatore senza alcuna garanzia che questo abbia effetti sulla qualità prodotta effettiva, rischiando addirittura di peggiorarla. In tutti e due i casi l’indicatore non è, di per se, sbagliato, ma trasformarlo da misura in obiettivo lo degrada come indicatore e distorce in modo casuale (e quindi, di solito, perverso) il fenomeno stesso che avrebbe dovuto misurare.
Non c’è dubbio che la strada da percorrere sia lunga e faticosa, ma il confronto con i dati e anzi l’utilizzo dei big data per costruire bottom-up un approccio data driven è sicuramente un percorso interessante e ricco di prospettive. Come si vede da questo approccio (che corregge e migliora quello di Hidalgo Hausmann …) la dinamica temporale (in pratica assente nei modelli di equilibrio) può essere tracciata per capire le relazioni di causa-effetto. E’ sicuramente un piccolo passo, ma è un passo robusto non basato su ideologie stantie ma sui migliori dati oggi disponibili. Poi certo non bisogna mia dimenticare che l’economia è una scienza sociale ….