Il team di lavoro composto da Gianfranco Giulioni, Edmondo Di Giuseppe, Piero Toscano, Francesco Miglietta e Massimiliano Pasqui, ha condotto uno studio, pubblicato nel 2019, costruendo un modello computazionale per l’analisi della formazione del prezzo internazionale del grano, delle sue dinamiche e della dinamica delle quantità scambiate a livello internazionale.
Questo modello è stato calibrato utilizzando i dati FAOSTAT dal 1992 al 2013, ed è in grado di generare i prezzi del grano in dodici mercati internazionali e di scambiare quantità di grano in ventiquattro regioni del mondo.
Cosa molto rilevante, in questo studio è stata prestata particolare attenzione all’impatto del divieto di esportazione di cereali della Federazione Russa del 2010 sul prezzo del grano e sulle quantità scambiate a livello internazionale.
Il modello in questione è il Commodity Markets Simulator (CMS), cioè un modello computazionale rivolto principalmente all’analisi della formazione dei prezzi spot delle materie prime, delle sue dinamiche e delle quantità scambiate.
Il modello in questione ha tre tipi di agenti: produttori, acquirenti e mercati. Tutti gli agenti sono caratterizzati da una posizione geografica data dalla latitudine e dalla longitudine e l’interazione tra gli agenti avviene nei mercati.
Considerando le attuali tecnologie dell’informazione e della comunicazione, i mercati sono pensati come luoghi virtuali in cui produttori e acquirenti inviano informazioni. Quindi, le merci non vengono fisicamente spostate sul mercato dal produttore e poi all’acquirente, ma direttamente dalla sede del venditore a quella del compratore. I mercati sono organizzati in sessioni, le quali sono associate ognuna ad un produttore.
Il modello CMS prevede che ogni produttore abbia un rapporto speciale con un acquirente e che un acquirente possa avere o meno un rapporto speciale con un produttore.
Posti 12 produttori e 24 regioni utilizzatrici del grano con frequenza mensile, il modello produce 12 prezzi e tutte le quantità scambiate tra loro. Si tratta di una grande quantità di dati che è molto più dei dati disponibili del mondo reale. La caratteristica principale del modello proposto è quella di generare endogenamente la dinamica dei prezzi e delle quantità. Tiene conto anche dell’interazione prezzi-quantità nel processo di generazione.
Questo modello consente, infatti, di monitorare congiuntamente la dinamica dei prezzi e delle quantità di scambio; essendo sia in grado di replicare le caratteristiche di base della rete commerciale che dei prezzi. Considerare il divieto di esportazione della Federazione Russa del 2010, permette di valutare gli effetti di un evento negativo reale che distrugge alcuni tratti della rete simulata.
Le tecniche analitiche tradizionali hanno difficoltà a prendere in considerazione una grande varietà di eventi che invece nella realtà si presenta spesso. Questo lavoro è un primo passo per sfruttare le tecniche computazionali per gestire tanti fattori. In particolare, si vuole costruire uno strumento per analizzare la dinamica dei prezzi dei cereali e delle quantità scambiate in condizioni economiche, ambientali e climatiche alternative.
L’attenta calibrazione del modello, insieme all’inclusione del prezzo del greggio, consente di replicare il prezzo mondiale ponderato annualmente empirico. Dal punto di vista quantitativo, si sono ottenuti risultati promettenti, anche se è necessario un ulteriore upgrade del modello; per esempio tenendo in considerazione i fattori climatici, oppure la gestione delle scorte di cereali che influisce direttamente sul prezzo internazionale.
Tutti questi sviluppi miglioreranno le prestazioni del modello. Potrebbe quindi essere utilizzato come strumento per produrre previsioni affidabili dei prezzi e delle quantità sia a livello globale che a livello regionale/nazionale. Un altro obiettivo importante del modello è quello di fornire raccomandazioni sulle politiche di prevenzione che riducono maggiormente gli effetti negativi degli eventi estremi, sulle misure di emergenza che implicano meno sacrifici per la popolazione e sulle misure per ridurre la volatilità dei prezzi.
Nella figura la rappresentazione visiva del modello CMS-Wheat (una strategia di modellazione che prevede un’introduzione graduale di elementi del mondo reale. Un confronto tra gli output della simulazione e i corrispondenti dati del mondo reale è una guida per migliorare progressivamente le scelte di modellazione e rimuovere le scorciatoie prese per mantenere le versioni iniziali del modello essenziali e facilmente comprensibili).
