SVILUPPO E IMPLEMENTAZIONE DI UN MODELLO DI …fondazione.cogeme.net/files/Archivio Tesi/si può...

Università degli Studi di Parma

Dipartimento di Bioscienze

Corso di Laurea Magistrale in Scienze e Tecnologie per l’Ambiente e le Risorse

SVILUPPO E IMPLEMENTAZIONE DI UN MODELLO DI PROGRAMMAZIONE

MATEMATICA POSITIVA PER LA VALUTAZIONE INTEGRATA DI POLITICHE

AGRO-AMBIENTALI

Development and implementation of a positive mathematical programming model for an integrated

assessment of agri-environmental policies

Relatore : Professor Michele Donati

Laureanda: Licia Tomasi

Anno Accademico 2012/2013


2

INDICE

Capitolo 1: Introduzione

Capitolo 2: La programmazione lineare 2.1 Il problema primario e il duale 2.2 Soluzione grafica del primario e del duale 2.3 Interpretazione del duale 2.4 Il saggio marginale di trasformazione 2.5 Il costo opportunità di un bene

Capitolo 3: La programmazione matematica positiva 3.1 Approccio normativo e positivo 3.2 La massima entropia 3.3 Assunzioni di base della PMP 3.4 Le tre fasi della PMP 3.4.1 Prima Fase 3.4.2 Seconda Fase 3.4.3 Terza Fase 3.5 GAMS 3.6 L’utilizzo della PMP per analisi politiche Capitolo 4: La valutazione integrata 4.1 La valutazione integrata di politiche agro-ambientali 4.2 L’utilizzo di modelli come strumento di valutazione 4.3 Requisiti fondamentali 4.4 Limiti 4.5 Un esempio : il modello AROPAj 4.6 La scelta del modello 4.7 Dalla PMP alla valutazione integrata

Capitolo 5: La Politica Agricola Comune 5.1 Gli obiettivi della Politica Agricola Comune 5.2 La nuova PAC 2014-2020 5.3 Il regime dei pagamenti diretti 5.3.1 L’attività agricola, l’agricoltore attivo e le soglie minime 5.3.2 Il pacchetto degli aiuti diretti 5.3.3 Convergenza e limiti agli aiuti 5.3.4 I vincoli di greening 5.4 Agricoltura e cambiamenti climatici 5.4.1 Anidride carbonica 5.4.2 Metano


3

5.4.3 Protossido di Azoto 5.5 Indicatori ambientali

Capitolo 6: Raccolta Dati 6.1 FADN 6.2 RICA 6.2.1 Obiettivi della RICA 6.2.2 Stratificazione del campione di osservazione 6.3 L’attività agricola nella Pianura Padana 6.4 Emissioni

Capitolo 7: Sviluppo di un modello di PMP per la valutazione integrata 7.1 Architettura del modello 7.1.1 Inserimento dati 7.1.2 Modulo di scaling 7.1.3 Modulo di calibrazione 7.1.4 Modulo di simulazione 7.1.5 Modulo di output 7.2 Rappresentazione analitica dei vincoli di greening 7.2.1 Diversificazione delle colture 7.2.3 Mantenimento di prati e pascoli permanenti 7.2.3 Aree di interesse ecologico 7.3 Rappresentazione analitica del vincolo di emissione

Capitolo 8 : Risultati 8.1 Confronto Baseline - PAC 2014-2020 8.1.1 Variazione ordinamento produttivo 8.1.2 Variazione margine lordo 8.1.3 Variazione delle emissioni di GHG 8.2 Emission Tax scenario 8.2.1 Variazione ordinamento produttivo 8.2.2 Variazione margine lordo 8.2.3 Variazione delle emissioni di GHG Capitolo 9 : Conclusioni

Riferimenti Bibliografici

Allegato 1 : Calcolo delle emissioni di CO2

Allegato 2 : Modello GAMSAllegato 3 : Risultati regionali

Ringraziamenti


4


5

1. INTRODUZIONE

Secondo il famoso report della Commissione Brundtland del 1987, l’adozione o la

modifica di strumenti politici comporta un impatto a livello economico, ambientale e

sociale. Una valutazione che si propone di analizzare le conseguenze di una certa

politica deve tener conto degli effetti su tutte e tre queste componenti e quindi è, per

sua natura, interdisciplinare o integrata. L’esigenza di sviluppare strumenti opportuni

per una valutazione integrata nasce dalla necessità di informare i decisori politici

circa le conseguenze economiche, sociali ed ambientali dell’adozione o la modifica di

strumenti normativi. L’impatto di una politica dipende da come questa influisce sui

processi decisionali che riguardano i singoli operatori economici e, dal momento che

non è possibile testare politiche alternative in laboratorio, i possibili effetti devono

essere simulati o analizzati prima, durante o dopo l’adozione di un provvedimento

legislativo (valutazione ex ante, mid term, o ex post). I metodi utilizzati per svolgere

una valutazione quantitativa sono dei modelli basati su nozioni matematiche,

economiche e/o statistiche. Ad oggi sono stati elaborati ed applicati diversi modelli,

molti dei quali tuttavia si focalizzano su un’analisi economica, tralasciando la più

auspicabile e completa visione integrata. Il presente lavoro di tesi nasce proprio da

questa mancanza, ponendosi come obiettivo generale lo sviluppo e

l’implementazione di un modello che si occupi della valutazione delle ricadute

ambientali, oltre che economiche, conseguenti all’introduzione di una politica. Nello

specifico, lo strumento normativo che ci proporremo di analizzare sarà la nuova

politica agricola comune (PAC), che nasce dall’accordo conclusosi il 26 giugno 2013

tra Commissione, Parlamento e Consiglio europei. La PAC è una politica comune a

tutti gli Stati membri dell’Unione europea, gestita e finanziata a livello comunitario.

Mentre in passato si proponeva come obiettivo principale il miglioramento della

produttività agricola, in modo da assicurare ai consumatori approvvigionamenti

alimentari stabili a prezzi accessibili, oggi la PAC punta al rafforzamento della

competitività del settore agricolo e alla lotta ai cambiamenti climatici.


6

La nostra valutazione ingrata è basata su un modello di programmazione matematica

positiva. Prima di arrivare alla presentazione del modello è necessario conoscere le

basi matematiche sulle quali è strutturato. Nei primi capitoli verranno quindi fornite le

nozioni di base sulla programmazione lineare e successivamente sulla

programmazione matematica positiva. Seguirà una visione generale sulla valutazione

integrata e sui modelli disponibili con riferimento alle motivazioni che hanno portato

alla scelta di un modello di programmazione matematica positiva come strumento di

analisi. A questo punto saremo pronti ad addentrarci nel modello e capirne la

struttura. Infine verranno riportati e discussi i risultati.


7

2. LA PROGRAMMAZIONE LINEARE

La programmazione lineare (PL) è stata definita matematicamente come il problema

di trovare il minimo (o il massimo) di una funzione lineare soggetta a vincoli lineari

che in termini generali si presenta in questo modo:

Max Z(xj)

soggetto a:

Ai(xj) ≤ Bi

xj ≥ 0

Dove Z è la funzione da massimizzare, chiamata funzione obiettivo, che rispecchia

appunto gli obiettivi posti da colui che prende le decisione con xj come variabili

decisionali. Bi sono le risorse scarse mentre Ai(xj) indica quanto ogni variabile

decisionale xi contribuisce all’uso delle risorse scarse. Questa è una formulazione

molto generale il cui significato sarà più chiaro dopo gli esempi illustrati nei paragrafi

seguenti.

2.1 PROBLEMA PRIMARIO E PROBLEMA DUALE

Il messaggio principale della programmazione lineare è che i problemi si presentano

in coppia: il problema originale quasi ovvio, chiamato primario, che contiene

l’informazione tecnologica e il problema associato, chiamato duale, che contiene

l’informazione economica. Prendiamo il semplice esempio di un agricoltore il cui

obiettivo è massimizzare il proprio profitto. Egli ha a disposizione 12 ettari di terra

che può coltivare a grano o a mais. Per produrre una tonnellata di grano sono

necessari 2 ettari di terreno, mentre la produzione di una tonnellata di mais richiede

l’impiego di 6 ettari. Inoltre l’agricoltore ha a disposizione un lavoratore che può

lavorare al massimo 8 ore al giorno. Per lavorare una tonnellata di grano sono

necessarie 4 ore di lavoro, mentre è sufficiente 1 ora di lavoro per trattare 1


8

tonnellata di mais. Il grano viene rivenduto sul mercato al prezzo p1 e il mais al

prezzo p2.

Possiamo riformulare i dati presenti nel testo con un linguaggio più matematico:

Massimizzare Z=p1x1+p2x2

soggetto a

2x1 + 6x2 ≤ 12 vincolo terra 4x1 + x2 ≤ 8 vincolo lavoro x1 ≥ 0 x2 ≥ 0

attività attività grano mais

x1 e x2 sono i livelli incogniti rispettivamente di grano e di mais da produrre per

massimizzare il profitto (Z), p1 e p2 sono i prezzi di mercato corrispondenti.

I coefficienti posti sul lato sinistro delle due disequazioni [2,6,4,1] sono i coefficienti

tecnici relativi al fabbisogno di risorse. Il coefficiente 2 ad esempio rappresenta le

unità di terra necessarie per produrre una unità di grano.

Il problema formulato in questo modo viene chiamato problema primario; è una

formulazione semplice, che rappresenta il problema così come noi siamo capaci di

descriverlo. Il problema primario contiene l’informazione tecnologica. I vincoli del

problema sono vincoli di produzione che possono essere letti nella forma generale

Ax≤B. A è detta matrice della tecnica, che contiene le informazioni tecnologiche,

mentre B sono le risorse scarse. In modo più esplicito potremmo dire che Ax è la

domanda totale dei fattori (D) e B l’offerta totale dei fattori (O), quindi D≤O.

A questo problema primario è associato un problema duale, di formulazione meno

ovvia, e che contiene l’informazione economica nascosta. Per ricavare il problema

duale partiamo da una considerazione opposta per cui l’agricoltore, anziché

massimizzare il proprio profitto, punta a minimizzare i costi.


9

Il duale è formulato come segue:

Minimizzare il costo totale dei fattori = CT

soggetto alle condizioni di equilibrio economico, o

CM ≣ costo marginale ≥ ricavo marginale ≣ RM.

Il costo marginale è definito come il costo per produrre un’unità in più di un bene. In

genere, il costo marginale è alto per le prime unità prodotte in quanto i costi fissi si

ripartiscono su poche unità. Mano a mano che la produzione aumenta, i costi fissi si

distribuiscono su un numero maggiore di unità prodotte e il costo marginale

diminuisce. Questo fino ad un certo livello di produzione, oltre il quale il costo

marginale torna ad aumentare. Se il prezzo del bene, che corrisponde al ricavo

marginale, non varia con la quantità prodotta (si dice che il produttore è price-taker),

la situazione può essere rappresentata dal grafico seguente.

Figura 2.1: curva di costo marginale e ricavo marginale

Il profitto marginale, cioè il profitto che l’imprenditore ottiene dalla vendita di

un’unità in più di prodotto, è dato dalla differenza tra ricavo marginale e costo

marginale. Fintanto che CM<RM è conveniente produrre un’ulteriore unità di quel

bene, poiché il suo profitto marginale sarà maggiore di zero. E’ chiaro che se CM<RM

nessuna quantità può rappresentare un punto di equilibrio, in quanto l’imprenditore


10

cercherà di aumentare il livello di produzione. Avendo escluso CM<RM la condizione

generale per l’equilibrio dell’impresa è CM ≥ RM.

Torniamo ora alla formulazione del problema duale.

Come precedentemente affermato, i vincoli del problema primario sono

interpretabili nel seguente modo:

(2x1 + 6x2) --> impiego (domanda) totale del fattore terra

(4x1 + x2) --> impiego (domanda) totale del fattore lavoro.

Ad ogni vincolo primario associamo una variabile duale. Al vincolo di terra associamo

la variabile y1 e al vincolo lavoro associano la variabile y2. Definiamo y1 e y2 come i

prezzi ombra, cioè i prezzi stimati, rispettivamente della terra e del lavoro. Il costo

totale dei fattori (CT) è quindi la somma delle loro quantità moltiplicate per i rispettivi

prezzi, vale a dire:

CT= (domanda totale dei fattori) x (prezzi ombra)

= (2x1 + 6x2) y1 + (4x1 + x2) y2

= (2y1 + 4y2) x1 + (6y1 + y2) x2

= CT del grano + CT del mais

= (offerta totale dei fattori) x (prezzi ombra)

L’equivalenza tra [(domanda totale dei fattori) x (prezzi ombra)] e [(offerta totale dei

fattori) x (prezzi ombra)] si basa sul concetto di bene in sovrappiù, o a prezzo zero.

Quando l’impiego (domanda) di un fattore è minore della sua disponibilità (offerta),

esso si definisce bene in sovrappiù. Secondo lo schema marginalista in regime di

concorrenza, a tutte le unità di un bene (fattore) deve essere imputato un prezzo in

proporzione al suo prodotto marginale (PM). Il prodotto marginale è definito come

l’incremento della produzione conseguente all’utilizzo di un’unità in più dell’input in

questione, ipotizzando che la quantità utilizzata di tutti gli altri fattori rimanga

costante. Se, per un dato fattore, PM = 0, allora anche il prezzo di quella risorsa è

uguale a zero. A sua volta, PM=0 quando la quantità disponibile di una risorsa non

può essere impiegata interamente in una produzione e non esistono possibilità

alternative di impiego della quantità eccedente, l’ultima unità della risorsa (unità


11

marginale) rivela un prodotto marginale nullo e, quindi, il suo prezzo è uguale a zero.

Ciò significa che anche le unità della risorsa impiegate nella produzione saranno

remunerate allo stesso prezzo zero. Quindi, in un regime di concorrenza i prezzi dei

beni sono positivi solo quando la loro offerta è limitata in rapporto alla domanda. In

via generale possiamo affermare che il prezzo di un bene è positivo solo quando la

sua offerta è uguale alla domanda. Questa interpretazione giustifica la formulazione

riportata sopra.

Il costo marginale si ricava calcolando la derivata prima del costo totale rispetto alla

quantità di prodotto.

(2y1 + 4y2) x1 CT del grano

𝜕CT = 2y1 + 4y2 ≣ CM del grano

𝜕x1

Ora siamo in grado di formulare il problema duale.

minimizzare CT=12y1 + 8y2

soggetto a

2y1 + 4y2 ≥ p1 vincolo prezzo del grano 6y1 + y2 ≥ p2 vincolo prezzo del mais y1 ≥ 0 y2 ≥ 0

attività attività costo costo terra lavoro

Possiamo notare che tra i due problemi è avvenuta una trasposizione dei coefficienti

tecnici. L’informazione tecnologica contenuta nel problema primario ed espressa

nella matrice :


12

appare trasposta nel problema duale, dove la stessa matrice si presenta come :

Questa caratteristica della programmazione lineare è una conseguenza della dualità.

Ciò significa che le disuguaglianze che rappresentano i vincoli lineari possono essere

lette in due modi diversi: come righe e come colonne. Ma questa non è l’unica

caratteristica: i prezzi p1 e p2 appaiono come coefficienti nella funzione obiettivo nel

primario e come coefficienti di vincolo nel duale. La disponibilità di terra e lavoro

sono coefficienti di vincolo nel problema primario e coefficienti della funzione

obiettivo in quello duale. Infine, la direzione dei vincoli è opposta nei due problemi.

L’insieme di queste caratteristiche costituisce una simmetria che, assieme alla dualità,

è una proprietà fondamentale della programmazione lineare.

2.2 SOLUZIONE GRAFICA DEL PRIMARIO E DEL DUALE

Data la semplicità dei problemi primario e duale forniti come esempio, è possibile

calcolare le corrispondenti soluzioni ottime mediante l’uso di diagrammi.

Figura 2.2: soluzione grafica del problema primario


13

Spazio dei Prodotti

Per risolvere il problema primario dobbiamo innanzitutto riportare un diagramma in

cui gli assi cartesiani sono definiti dai livelli di prodotto x1 (grano) e x2 (mais). Lo

spazio generato dai vettori x1 e x2 è detto spazio dei prodotti.

In questo spazio riportiamo i vincoli primari, considerati come equazioni. Nella figura

2.2 i diversi colori sono usati per identificare i vincoli di terra e di lavoro.

Immaginando che ad ogni vincolo sia associata una freccia perpendicolare (in termini

più precisi, un vettore ortogonale o normale) la cui direzione dipende dal verso della

disuguaglianza nel vincolo. L’intersezione di tutti i vincoli primari forma una regione

ammissibile. In un problema di programmazione lineare, la regione ammissibile è

sempre un poligono. I punti estremi di questo poligono sono particolarmente

importanti perché costituiscono la base della soluzione di un problema di

programmazione lineare. La funzione obiettivo è riportata nello stesso diagramma e

viene fatta “scivolare” parallelamente a se stessa nella direzione di ottimizzazione fino

a toccare la regione ammissibile in corrispondenza di un vertice del poligono, un

punto estremo. La soluzione ottima del problema corrisponde quindi alle coordinate

di tale punto. Si dice anche che la soluzione di un problema di programmazione

lineare è una soluzione d’angolo.

Un metodo grafico analogo è applicabile al problema duale. In questo caso gli assi

cartesiani sono definiti dai fattori di produzione terra e lavoro generando uno spazio

detto spazio dei fattori. La direzione delle disuguaglianze fa si che la regione dello

spazio duale ammissibile sia aperta, ma ciò non causa difficoltà poiché la direzione di

ottimizzazione della funzione obiettivo è opposta rispetto al caso precedente (la

funzione obiettivo del duale è una funzione di costo da minimizzare). I valori di y1 e y2

corrispondenti alla soluzione ottima sono i prezzi ombra rispettivamente dei fattori

terra e lavoro.


14

Figura 2.3: soluzione grafica del problema duale.

Confrontando le due figure, possiamo concludere che, benché il problema primario

e duale siano simmetrici, essi non sono certo identici.

2.3 INTERPRETAZIONE DEL PROBLEMA DUALE

Le variabili duali sono interpretabili come prezzi stimati corrispondenti ai fattori

limitanti. Spesso tali variabili sono chiamate prezzi ombra per distinguerle dai prezzi

di mercato che sono visibili a tutti. Un’altra espressione per le variabili duali

corrisponde al sacrificio marginale che un agente economico deve sostenere a causa

della presenza di un vincolo. Se quel vincolo potesse essere allentato di una unità il

valore della funzione obiettivo aumenterebbe di tanto quanto indicato dalla

corrispondente variabile duale. Per converso, se il vincolo diventasse più limitante, la

funzione obiettivo diminuirebbe di una quantità pari al valore della variabile duale. In

entrambi i casi la variabile duale è interpretata come il sacrificio marginale che deve

essere sostenuto a causa dell’esistenza in un vincolo soddisfatto con il segno di

equazione. L’agricoltore, naturalmente, desidera minimizzare il costo totale (stimato)

dei fattori limitanti (terra e lavoro) soggetto alle condizioni di equilibrio economico

secondo cui il costo marginale deve essere maggiore o uguale al ricavo marginale

per ciascun processo produttivo. Il costo marginale dell’attività grano che utilizza


15

Spazio dei Fattori

terra e lavoro deve essere maggiore o uguale al ricavo marginale del grano.

L’interpretazione economica dei vincoli duali si fonda sullo schema generale già visto

in precedenza CM ≥ RM.

Proviamo a fornire un’interpretazione del primo vincolo duale dell’esempio riportato

in precedenza, ovvero:

2y1 + 4y2 ≥ p1

L’attività grano utilizza terra e lavoro. Il suo costo marginale è dato dal costo

marginale della terra più il costo marginale del lavoro (parte sinistra della

disuguaglianza). Questo costo marginale deve essere maggiore o uguale al ricavo

marginale del grano, ossia al suo prezzo di mercato p1.

2.4 IL SAGGIO MARGINALE DI TRASFORMAZIONE

Al fine di una maggiore comprensione dell’informazione economica fornita da questi

modelli, è utile introdurre il concetto di saggio marginale di trasformazione. Nella

teoria economica, la nozione di funzione di trasformazione viene introdotta per

discutere la possibilità di scambio tra due beni: essi sono appunti “beni” nella teoria

del consumatore e prodotti o fattori nella teoria dell’impresa.

Si consideri la seguente funzione di trasformazione tra due beni x1 e x2.

f (x1,x2)=b

dove b è la quantità fissata di un terzo bene.

Il saggio marginale di trasformazione (SMT) è definito come il rapporto che misura di

quanto deve aumentare (diminuire) x1 per ottenere l’aumento unitario di x2. Ad

esempio, supponiamo che per produrre grano un agricoltore utilizzi due soli fattori,

terra (x1) e lavoro (x2). L’agricoltore userà una ben precisa combinazione di questi due

fattori per ottenere un dato livello di output che indichiamo con Q. Immaginiamo che

aumenti il costo del lavoro e l’agricoltore decida quindi di ridurre l’impiego di tale


16

fattore. Di quanto dovrà aumentare l’impiego del fattore terra per mantenere

costante il livello di produzione? La situazione è rappresentata nella figura 2.4.

Figura 2.4: Saggio Marginale di Trasformazione

Al limite, questo rapporto è dato dalla pendenza della retta tangente alla funzione

f(x1,x2)=b o, in modo equivalente, dalla derivata

SMT X2,X1 = - 𝜕x2

𝜕x1

In economia, questa relazione è chiamata con nomi diversi a seconda dei tipi di beni

interessati. Se i due beni sono fattori, come nel nostro esempio, il rapporto delle

derivate è detto saggio marginale tecnico di sostituzione. Se i beni sono uno un

prodotto e l’altro un fattore allora si parla di prodotto marginale. Infine, se sono

entrambi prodotti, il rapporto si chiama saggio marginale di trasformazione.


17

2.5 IL COSTO OPPORTUNITÀ DI UN BENE

Un altro concetto fondamentale è il costo opportunità di un bene, ossia il sacrificio

marginale sostenuto nella produzione di quel bene, misurato in termini di possibilità

alternative di produzione. Il costo opportunità del grano, nell’esempio riportato in

questo capitolo, è definito come segue:

costo opportunità del grano = sacrificio in termini di mais - ricavo unitario del grano

= (terra a grano/ terra a mais) x ricavo unitario del mais - ricavo unitario del grano

Il rapporto (terra a grano) / (terra a mais) non è altro che il saggio marginale di

trasformazione tra grano e mais.

Se il costo opportunità è negativo, significa che per l’agricoltore è conveniente

ridistribuire le risorse disponibili dal mais al grano.


18

3. LA PROGRAMMAZIONE

MATEMATICA POSITIVA

3.1 APPROCCIO NORMATIVO E POSITIVO

La programmazione lineare (PL) è in grado di dirci quale ordinamento produttivo

l’agricoltore dovrebbe applicare al fine di perseguire l’obiettivo unico di massimizzare

il proprio profitto. Si dice che la PL segue un approccio di tipo normativo, che simula

cioè la soluzione ottimale tra tutte le soluzioni ammissibili, utilizzando una predefinita

regola decisionale: la massimizzazione del profitto. Nei modelli normativi di

programmazione matematica (normative mathematical programming, NMP) i

parametri della funzione obiettivo e i vincoli non sono calibrati su dati storici, da

questo fatto deriva uno dei loro svantaggi principali: l’incapacità di garantire la

riproduzione della situazione osservata. Questo svantaggio può essere spiegato

anche con una rappresentazione grafica, così come mostrato in figura 3.1. Il grafico

riporta sui due assi cartesiani i livelli di output dei prodotti x1 e x2 (spazio dei

prodotti); nel nostro caso x1 e x2 sono due diverse colture. L’obiettivo del nostro

soggetto economico, l’agricoltore, è quello di massimizzare il proprio profitto. La

linea continua rappresenta i vincoli tecnici cui è sottoposta la produzione, infatti

mostra come diminuisce (aumenta) la produzione di x2 in seguito ad un aumento

(diminuzione) della produzione di x1 (SMT). La linea tratteggiata è la retta di iso-

profitto che rappresenta tutte le combinazioni di output (x1,x2) per le quali

l’agricoltore ottiene lo stesso profitto. Il profitto dipenderà a sua volta dal prezzo e dal

costo di ciascun prodotto. La soluzione ottimale si trova facendo scivolare la retta di

iso-profitto il più lontano possibile dall’origine degli assi ma restando sempre sul

vincolo imposto. Tale punto di ottimo è il punto “a” ed è evidente come esso non

corrisponda al livello produttivo realmente osservato.


19

Figura 3.1: rappresentazione grafica di un modello semplificato di NMP con solo due attività x1 e x2 e

una funzione obiettivo di massimizzazione del profitto.

Questa figura è in grado di evidenziare un altro punto debole dei modelli di NPM.

Immaginiamo di variare i prezzi e/o i costi dei prodotti x1 e/o x2. Questo influisce sulla

retta di iso-profitto che cambia la propria inclinazione. Tuttavia dal grafico si vede

chiaramente che per piccole variazioni dell’inclinazione della retta, la soluzione di

ottimo rimane il punto “a”. Oltre una certa variazione di pendenza, l’ottimo passa

bruscamente da “a” al punto “b”. Questa situazione è definita “staircase” tra i due

punti d’angolo e costituisce un secondo svantaggio di questi modelli.

La mancata coincidenza tra situazione riprodotta ed osservata deriva dal fatto che

nella realtà, la massimizzazione del profitto non è l’unico elemento che influisce sulla

scelta del soggetto economico, si pensi ad esempio all’avversione al rischio o alla

volontà di mantenere determinate pratiche o colture per motivi non sempre

economici. Questi elementi rappresentano di fatto un costo implicito, non evidente,

che si somma al costo contabile e si nasconde dietro al livello osservato di

produzione. Per comprendere anche questa componente di costo non evidente,

sono stati sviluppati modelli di programmazione matematica positiva che sono in

grado di includere nella funzione di costo totale anche la parte implicita,

riproducendo esattamente il comportamento del singolo agricoltore; il termine

positivo è riferito proprio alla capacità di riprodurre la situazione osservata. Il

comportamento osservato viene utilizzato per calibrare la situazione simulata con il


20

modello normativo. La programmazione matematica positiva (PMP) si fonda sull’idea

di base che è più conveniente osservare i livelli produttivi, piuttosto che i costi di

produzione, rivelando in questo modo l’esatto ordine di scelta predisposto

dall’agricoltore sulla base di una funzione di costo percepita. Come per i modelli di

NMP, una rappresentazione grafica può essere utile per rappresentare l’idea di fondo

della PMP.

Figura 3.2: rappresentazione grafica di un modello semplificato di PMP con due attività x1 e x2 e un

funzione obiettivo di massimizzazione del profitto.

A differenza della NMP, la PMP parte dal concetto che la situazione osservata è già la

situazione ottima, e riflette il comportamento dell’agricoltore considerando tutti i

vincoli e i costi, sia espliciti che non. Viene stimata una funzione di costo non lineare,

che incorporata nella funzione di profitto produce una nuova funzione obiettivo in

grado di riprodurre esattamente l’osservato.

La calibrazione, ossia l’aggiustamento di alcuni parametri per consentire la

riproduzione della situazione osservata, e l’utilizzo di una funzione non-lineare

permettono di evitare anche il problema della situazione “staircase”.

L’obiettivo di questi modelli è fornire una ricostruzione fedele del comportamento

degli agenti economici, fondamentale per interpretare e prevedere le scelte nel

modo più realista possibile.


21

3.2 LA MASSIMA ENTROPIA

Per quanto riguarda il settore agricolo, spesso molte informazioni non sono

prontamente disponibili. Quando la quantità di informazioni è insufficiente per una

stima convenzionale dei parametri ricercati, si parla di problemi mal posti (ill-posed

problems). In altre parole, quando il numero di parametri sconosciuti è più alto del

numero di osservazioni, il problema è detto mal posto. I modelli econometrici

propongono solo due alternative in questi casi: l’imposizione di restrizioni su un certo

numero di parametri, in modo che i rimanenti possono essere stimati, o l’abbandono

dell’intera analisi. La programmazione matematica positiva riesce a superare questo

tipo di ostacoli grazie all’applicazione della massima entropia.

L’entropia venne per la prima volta definita come misura dell’informazione da

Shannon nel 1948. Pertanto per chiarire il concetto di entropia è utile cominciare con

la definizione di funzione di misura dell’informazione nel quadro della teoria

dell’informazione. Prendiamo ad esempio un evento aleatorio E del quale

conosciamo la probabilità p a priori per il quale ovviamente 0<p<1 e la cui

realizzazione è osservata attraverso un certo messaggio M. Quanto più alta è la

probabilità dell’evento tanto maggiore sarà l’informazione trasmessa del messaggio

M, e vice versa. Ovviamente, è più facile che si verifichi un evento con probabilità

p=0,99 piuttosto che uno con probabilità p=0,01. La teoria dell’informazione misura

il contenuto dell’informazione del messaggio attraverso la seguente funzione

logaritmica:

I (p) = log 1/p.

Ora, introduciamo l’evento contrario Ē la cui probabilità è 1-p e il cui contenuto

d’informazione sarà:

I (1-p) = log 1/(1-p).


22

Supponiamo di non sapere quale dei due messaggi verrà trasmesso in seguito della

realizzazione di uno dei due eventi E o Ē. Questa situazione non permette che il

calcolo del valore sperato del contenuto informativo dei due messaggi:

H(p,1-p) = p log (1/p) + (1-p) log [1/(1-p)].

H (p) è detto entropia della distribuzione di probabilità p e 1-p. L’entropia misura il

grado di incertezza legato alla realizzazione di un certo fenomeno. Nel caso appena

considerato, se p=0,99 allora 1-p=0,01 e l’entropia (incertezza) è minima. Nel caso in

cui p=0,5 allora la distribuzione di probabilità trai due eventi è esattamente uguale e

l’entropia è massima.

Nel caso generale di n possibili eventi di uno stesso fenomeno:

H(p1, p2,..., pn) = ∑ pi log 1/pi , i=(1,...,n)

la distribuzione è uniforme per pi=1/n e la funzione H(p) è massima.

Il caso di distribuzione uniforme corrisponde al caso in cui non abbiamo alcuna

informazione disponibile su un certo avvenimento, ovvero non ci sono ragioni per

scegliere una distribuzione differente. Tuttavia, se disponiamo di informazioni che

derivano da delle osservazioni, possiamo massimizzare l’entropia ponendo dei vincoli

utilizzando le informazioni possedute. Il problema si presenta quindi come un

problema di programmazione matematica:

max H(p) = -∑pi log pi

(pi)

soggetto a

∑ pigj (xi) = aj, i=(1,...,n), j=(1,...,m) Vincolo imposto utilizzando le informazioni note

∑ pi = 1, i=(1,...,n)

pi ≥ 0, i=(1,...,n).


23

Il principio di massima entropia venne successivamente utilizzato da Jaynes per

derivare distribuzioni di probabilità che sono meno restrittive in termini di assunzioni

ma in accordo con le informazioni disponibili. Dal 1957, la massima entropia è stata

applicata in diversi campi (fisica, statistica, medicina, astronomia, etc.) con grandi

risultati. Ad esempio, un algoritmo di massima entropia (ME) è utilizzato per risalire

alla targa di una vettura da una foto scattata mentre il veicolo si trovava in movimento

e l’immagine prodotta risulta sfocata (ill-posed immage). Allo stesso modo si

utilizzano algoritmi di ME in astronomia per migliorare la risoluzione di fotografie

imperfette di galassie ottenute al telescopio. La lista di applicazioni di algoritmi di ME

è lunga; in tutti i casi si tratta di ricostruire un’immagine accettabile e informativa da

un’informazione limitata.

Recentemente alcuni autori hanno proposto l’applicazione della massima entropia a

modelli economici. Ai fini del presente lavoro di tesi, è utile considerare un sistema

produttivo composto da una serie di input ed output. Nel caso di un’azienda

agricola, l’informazione è spesso limitata alla quantità di terra destinata ad ogni

coltura, la produzione totale ed i livelli di prezzo. L’informazione riguardo agli input è

rappresentata dal costo totale, che spesso non è suddiviso per tipo di attività. Di

conseguenza ci troviamo davanti alla necessità di estrarre il massimo livello di

informazione economica a partire da un set incompleto di dati e in un modo che sia

utile ai fini di una valutazione politica. Nel prossimo paragrafo si vedrà come il

principio della massima entropia viene applicato all’interno della programmazione

matematica positiva.


24

3.3 ASSUNZIONI DI BASE DELLA PMP

Alla base della PMP vi sono tre idee fondamentali:

1. Il livello di produzione costituisce un sostituto perfetto dei costi variabili, in quando

rivela un ordine di scelta reso possibile da una funzione di costo che è percepita

dal produttore ma in maniera non esplicita. La riproduzione del piano di

produzione del produttore attraverso la stima di tale funzione costituisce l’obiettivo

della PMP. In particolare, questo risultato è ottenuto grazie all’imposizione di un

vincolo detto di calibrazione x≤xR , dove x è il livello di produzione calcolato e xR è

l’osservato. L’obiettivo del problema duale sarà quello di determinare la funzione di

costo ricercata.

2. L’imprenditore agricolo è un agente economico che mira a massimizzare il proprio

profitto. Questa ipotesi è in accordo con la teoria economica neoclassica, per la

quale il produttore sceglie l’allocazione di risorse che gli permette di conseguire il

massimo profitto. Il processo di calibrazione impone che il livello massimo di

produzione calcolato sia al più uguale al livello osservato xR.

3. La funzione di costo dovrà essere di tipo non lineare. La scelta è dettata da due

motivi:

a) una funzione di costo lineare produce un comportamento di tipo “staircase”

b) per evitate una degenerazione del problema.

3.4 LE TRE FASI DELLA PMP

L’applicazione della PMP si sviluppa in tre fasi, ognuna delle quali possiede un

obiettivo specifico:

1. la prima fase si pone come obiettivo la determinazione dei valori duali associati ai

vincoli del problema primario di programmazione lineare.

2. la seconda fase riguarda la stima di una funzione di costo variabile marginale

adeguata per calibrare la situazione di partenza.

3. La terza ed ultima fase consiste nella formulazione di un problema di

programmazione matematica non lineare in grado di riprodurre l’allocazione

iniziale, senza i vincoli di calibrazione.


25

Passiamo ad un’analisi più approfondita di ciascuna di queste fasi:

3.4.1 Prima Fase

La PMP cerca di recuperare l’informazione implicita nel livello produttivo, in modo da

poterla utilizzare per riprodurre la situazione iniziale. Nella prima fase si parte da un

semplice problema di programmazione lineare, in cui abbiamo una funzione

obiettivo da massimizzare soggetta a vincoli strutturali ai quali aggiungiamo anche i

vincoli di calibrazione. In forma generale possiamo descrivere il problema finora

costruito in questo modo:

max RT= {px-cx}

soggetto a

Ax ≤ B

x ≤ xR (1+ε)

Come sappiamo dallo studio della programmazione lineare, ad ogni vincolo

primario è associata una variabile duale. I vincoli sulla disponibilità di risorse

forniscono, nella trattazione duale, il costo marginale dei fattori utilizzati nel processo

produttivo, mentre le variabili duali associate ai vincoli di calibrazione permettono di

stimare la funzione di costo ricercata. E’ importante che il ricavo marginale si

distribuisca sui due vincoli, in modo che il prezzo ombra delle risorse disponibili sia

diverso da zero. Al fine di ottenere questa ripartizione, introduciamo un termine di

perturbazione ε piccolo a piacere, che quindi evita la dipendenza lineare tra i

vincoli. L’assenza di questo elemento potrebbe portare alla distribuzione del ricavo

solo sui limiti di calibrazione, lasciando il prezzo ombra dei fattori uguale a zero, cosa

che deve essere evitata.


26

Formuliamo ora il problema duale, associando una variabile a ciascun vincolo del

primario. Riprendiamo la formula generale appena presentata:

max RT= {px-cx}

soggetto a

Ax ≤ B y prezzi ombra

x ≤ xR (1+𝜀) λ costo variabile marginale di produzione

Nella realtà, un’azienda utilizza più di un fattore produttivo e intraprende più attività;

di conseguenza avremo una serie di vincoli strutturali, e non uno solo, come espresso

nella formulazione generale. “A” quindi non è più un vettore di coefficienti ma una

matrice di coefficienti (matrice della tecnica). Allo stesso modo y e λ non sono singole

variabili ma vettori di variabili duali. L’intuizione è che il costo marginale per la

produzione del livello di output definito dal vettore xR è dato dalla somma del vettore

costo contabile c e del vettore costo marginale variabile λ. c è un costo contabile,

esplicito, che si può dedurre dalla lettura dei libri contabili dell’azienda. λ invece è

un costo economico nascosto, implicito ma ricavabile dal livello di produzione xR .

Passiamo ora alla formulazione del problema duale che si presenta in questa formula

generale:

min CT = {b’y + λ’xR (1+ 𝜀)

soggetto a

A’y + λ + c ≥ p

La funzione obiettivo è una funzione di minimizzazione, vogliamo in questo caso

minimizzare il costo economico totale che è espresso come la somma tra il costo dei

fattori b’y e il costo associato con i limiti di calibrazione. Ricordiamo che il costo d’uso

dei fattori è dato dal prodotto tra disponibilità (offerta) e prezzi ombra. L’offerta si

assume uguale alla domande di fattori, affermazione che si basa sul concetto di bene


27

in sovrappiù, come già specificato nel capitolo 2. Questa funzione è soggetta a un

vincolo che va interpretato in questo modo:

Costo marginale ≥ Ricavo marginale

Il ricavo marginale di ciascun prodotto è uguale al suo prezzo di mercato.

Concentriamoci sulla prima parte della disequazione, il costo marginale totale.

Questo è composto da una parte riferita ai fattori fissi, Ay, in quanto i prezzi degli

input sono mantenuti costanti, e una parte variabile, λ + c, che varia a seconda del

livello di output. Quindi, integrando λ+c rispetto al livello di output x sull’intervallo

(0,xR) otteniamo la funzione di costo marginale variabile:

A questo punto sostituiamo questa funzione lineare di costo variabile marginale con

una di tipo non lineare. L’obiettivo è quello di ricavare una nuova funzione di costo

che ci permetta di riprodurre la situazione osservata, ma senza i limiti di calibrazione.

La letteratura offre una vasta scelta circa il tipo di funzione non lineare che può essere

impiegata. Nel nostro caso verrà utilizzata la forma quadratica.

Innanzitutto definiamo:

(λ + c) = Qx

dove Q è una matrice simmetrica positiva e semidefinita.

Da questa uguaglianza deriva:

1/2 x’R Q xR è la nuova funzione di costo variabile non lineare.

Ricordiamo che la scelta di sostituire la funzione di costo lineare con una di tipo non

lineare deriva dalla possibilità di rivelare delle informazioni economiche nascoste.


28

3.4.2.Seconda Fase

In questa fase vogliamo ricostruire la matrice Q. Questa è la fase in cui l’applicazione

del principio di massima entropia ci consente di risolvere il problema mal posto.

Notiamo che la quantità di informazioni disponibili per ricostruire la matrice Q è data

dal vettore dei costi marginali del problema di programmazione lineare (λ + c) e il

vettore del livello osservato di output xR. Siamo quindi di fronte ad un problema mal

posto in quanto alle J osservazioni sul costo marginale, corrispondono [J(J+1)/2]

parametri della matrice Q da stimare. Tuttavia, applicando la massima entropia, il

problema di recuperare tutti i [J(J+1)/2] parametri ha un’unica soluzione.

Q sappiamo essere una matrice positiva,simmetrica e semidefinita. Semidefinita

positiva significa che tutti gli elementi posti sulla diagonale sono non negativi.

Simmetrica significa che i valori della matrice che occupano posizioni opposte

rispetto alla diagonale sono uguali, ovvero:

q11, q22 , q33 (elementi della diagonale) > 0

q12 = q21

q13 = q31

q23 = q32

Al fine di garantire che la matrice che andiamo a ricostruire sia effettivamente

positiva, simmetrica e semidefinita, utilizziamo la fattorizzazione di Cholesky. La

matrice Q viene decomposta nel prodotto di tre matrici, in questo modo:

Q= LDL’

L : matrice triangolare inferioreD : diagonale L’ : matrice trasposta di L

La fattorizzazione di Cholesky, così come la successiva fase di ricostruzione delle

matrici L e D, si basano sul principio della massima entropia.


29

Ogni parametro delle matrici L e D viene espresso come il valore atteso da una

distribuzione di probabilità associata definita su un set di valori di supporto. Ovvero,

si assume che per ogni parametro (j,j’):

j,j’ = 1,..., J k = 1, ..., K

in forma matriciale possiamo scrivere

L=ZL PL

D=ZDPD

dove:

ZL e ZD = matrici di supporto

PL e PD = matrici di probabilità associata

Concentriamoci prima sulle matrici di supporto ZL e ZD. L’intervallo di supporto

dovrebbe essere centrato attorno al possibile valore dei parametri che stiamo

ricercando in modo da assicurare una soluzione ammissibile del problema.

Per ottenere questo risultato, il rapporto tra il costo marginale ed il livello di output

realizzato viene moltiplicato per un valore appropriato, il peso. Per una matrice Q

composta da (JxJ) parametri con ogni parametro definito con K valori di supporto, le

matrici ZL e ZD sono così definite:

a) per j=j’ ZD (j,j’,k) = [mc(j)/xR(j)] WD(k) k=1,...,K dove mc=λ+c=QxR e

b) per j≠j’ ZD (j,j’,k) = 0 WD, WL = pesi

c) per j>j’ ZL (j,j’,k) = [mc(j)/xR(j)] WL(k) k=1,...,K

d) per j=j’ ZL (j,j’,k) = 1

e) per j<j’ ZL (j,j’,k) = 0


30

La relazione a) definisce lo spazio di supporto per gli elementi della diagonale della

matrice D. La relazione b) impone che tutti gli elementi della matrice D posti al di

fuori dalla diagonale siano uguali a zero. La c) definisce lo spazio di supporto per gli

elementi della matrice triangolare inferiore L. Gli elementi sulla diagonale di L

assumono valore 1, come imposto da d), mentre e) pone gli elementi sulla

triangolare superiore uguali a 0. La scelta dei pesi per gli intervalli di supporto è

l’unica parte soggettiva di questa metodologia. L’ampiezza dell’intervallo in genere

influisce sulla stima della distribuzione di probabilità e, di conseguenza, sulla

ricostruzione della matrice Q ma non sulla funzione di costo variabile totale ricercata.

Si dice quindi che il modello è robusto rispetto a diverse definizioni di tali intervalli di

supporto.

Passiamo ora alle matrici di probabilità PL e PD. Ricordando quanto anticipato al

paragrafo 3.1 sulla massima entropia, formuliamo il seguente problema:

max H(PL, PD) = - ∑ PL (j,j’,k) log [PL(j,j’,k)] - ∑ PD(j,j’,k) log [PD(j,j’,k)] PL,PD j,j’,k j,j’,k

soggetta a

mc = QxR = LDL’ xR = (ZLPL)(ZDPD)(ZLPL)’ xR

∑ PL (j,j’,k) = 1 j,j’ = 1,...,J k

∑ PD (J,J’,K) = 1 j,j’ = 1,...,J k

Si tratta di un problema di massimizzazione. Nella prima funzione (funzione obiettivo)

massimizziamo H, ossia l’entropia, imponendo dei vincoli utilizzando le informazioni

che possediamo (primo vincolo). Ovviamente, la somma di tutte le probabilità

dev’essere uguale a 1, come espresso dal secondo e terzo vincolo.

Con questa impostazione, la funzione di costo variabile può essere ricavata da un

singolo set di informazioni, questo è l’aspetto innovativo di questo approccio. L’idea

alla base è che la prima osservazione contiene una grande quantitatà di informazione


31

mentre osservazioni successive aggiungono via via una parte sempre più contenuta.

Un numero maggiore di osservazioni è tuttavia utile per migliorare l’affidabilità dei

risultati ottenuti. La procedura appena descritta utilizza tutte le informazioni

disponibili per ottenere una funzione di costo. I modelli econometrici risolvono

problemi mal posti imponendo a priori delle restrizioni su molti parametri. La

massima entropia permette di evitare questo approccio, garantendo un’unica

soluzione del problema. L’importanza della massima entropia sta nella possibilità di

stimare tutti gli elementi della matrice Q posti al di fuori della diagonale, i quali ci

possono dare una misura del grado di sostituzione o complementarietà tra coppie di

prodotti (saggi marginali di trasformazione). Questo è un fatto cruciale ai fini di una

valutazione circa gli effetti di diversi prezzi o politiche di intervento. Ricavando i valori

delle matrici P e Z siamo in grado di ricostruire le matrici L e D e, di conseguenza, la

matrice Q.

3.4.3 Terza Fase

A questo punto, abbiamo ricostruito l’intera matrice Q. Nella terza e ultima fase non

ci resta che inserire la nuova funzione di costo non lineare nel problema di partenza.

Formuliamo un modello di programmazione matematica non lineare che riproduce

esattamente l’allocazione e il livello di output della situazione di base osservata, ma

senza i limiti di calibrazione. Il modello si presenta ora con questa formula generale:

max {p’x-(x’Qx)/2} x

soggetto a

Ax ≤ b

Se la matrice Q è positiva, simmetrica e semidefinita, questo ci garantisce che la

soluzione primaria e duale di questo problema saranno identiche alle soluzioni

primaria e duale del problema di programmazione lineare da cui siamo partiti (prima

fase della PMP). Se soddisfa tale condizione il modello si dice calibrato.


32

Il problema duale è formulato come segue:

min {b’y + (x’Qx)/2}

soggetto a

A’y + Qx ≥ b

3.5 GAMS

Una volta costruito un modello di programmazione matematica, dobbiamo

procedere alla risoluzione. Per i più semplici problemi di programmazione lineare è

possibile svolgere i calcoli manualmente, applicando dei metodi come quello del

simplesso. Quando applichiamo questi modelli al mondo reale, dobbiamo lavorare

con un quantitativo di dati molto grande e una risoluzione manuale del problema è

impensabile; a tal fine si utilizzano dei software. In questa tesi, il modello di PMP

sviluppato sarà risolto con il software GAMS (General Algebraic ModelIing System).

All’interno del programma inseriamo funzione obiettivo e vincoli utilizzando un

preciso linguaggio. Lo sviluppo di un modello all’interno di GAMS implica

l’introduzione di comandi utilizzando parole chiave e seguendo una precisa struttura.

Un semplice modello è strutturato come segue:

Sets : definizione degli indici.

Di regola ogni entità in GAMS deve prima essere dichiarata (dichiarare l’esistenza e

attribuire un nome) e poi definita (attribuire uno specifico valore o equazione).

Data entry: in questa fase inseriamo i dati già noti (variabili esogene). I dati inseriti

potranno essere disponibili in 3 forme: elenchi, matrici, attribuzione diretta. In GAMS

questi vengono dichiarati rispettivamente come Parameters, Tables e Scalar.

Variables : dichiarazione delle variabili decisionali (endogene).


33

Equation : definizione delle equazioni del modello, ovvero funzione obiettivo e

vincoli. Anche qui è necessario prima dichiarare e poi definire ogni uguaglianza o

disuguaglianza.

Model : vengono definite le “equation” che verranno considerate nella fase di

risoluzione.

Solve : parola chiave che richiama il risolutore da utilizzare.

L’output fornito contiene un grande quantitativo di informazioni, oltre ovviamente alla

soluzione del problema ricercata.

3.6 L’UTILIZZO DELLA PMP PER ANALISI POLITICHE

La PMP utilizza tutte le informazioni disponibili a livello della singola azienda agricola

ed è in grado di riprodurre esattamente la situazione osservata. Con il modello

presentato in questo capitolo è possibile quindi generare uno scenario di partenza,

definito scenario di base, che rappresenta l’osservato. All’interno di questo modello

base, possiamo inserire dei vincoli in riferimento alla variazione di alcuni parametri

economici (ad esempio diminuzione dei prezzi di mercato dei prodotti) o

all’introduzione di una nuova politica (ad esempio, l’imposizione di un certo

quantitativo di terra da dedicare al “set-aside”, ovvero da lasciare incolta, così come

previsto dalla vecchia PAC introdotta del 1992 per evitare il surplus produttivo). Il

modello così modificato simulerà un nuovo scenario, presentando come risultati una

nuova allocazione delle risorse e un diverso livello di output. A questo punto

possiamo mettere a confronto lo scenario base, che riproduce la situazione

osservata, con lo scenario nel quale abbiamo introdotto i nuovi vincoli. Dal momento

che la struttura è stata mantenuta costante nei due modelli, differenze nei risultati non

possono che derivare dall’imposizione dei nuovi vincoli. L’analisi politica si dimostra

inoltre robusta rispetto alla scelta, soggettiva, degli intervalli di supporto nella fase di

stima della matrice Q. Ciò significa che anche significative variazioni nella stima dei


34

parametri della matrice Q, la variazione dei risultati politici è limitata; questo giustifica

l’approccio utilizzato della massima entropia.

La PMP ha rinnovato l’interesse per l’applicazione di modelli matematici alla

valutazione di politiche agro-ambientali per diverse ragioni. Innanzitutto per la

relativa semplicità con cui è possibile rappresentare all’interno del modello vincoli

bio-economici o strumenti normativi, nonché la possibilità di sfruttare un dataset

limitato per trarre risultati plausibili grazie all’imposizione di vincoli e alla fase di

calibrazione. I risultati plausibili generati dal modello, non garantiscono comunque

che la risposta sia corretta. Tra i limiti principali di questa metodologia vi è

l’impossibilità di simulare modificazioni nella produzione dovute ad una modifica di

input quali l’impiego di fertilizzanti o pesticidi. E’ tuttavia possibile osservare

variazioni nell’impiego degli input a seguito di una riorganizzazione dell’ordinamento

produttivo. Inoltre, la definizione di una funzione di costo a livello della singola

azienda agricola, se da un lato riduce gli errori di aggregazione, dall’altro può

tralasciare il comportamento dell’agricoltore legato ad attività non presenti durante il

periodo di osservazione (baseline).


35

4. LA VALUTAZIONE INTEGRATA

4.1 LA VALUTAZIONE INTEGRATA DI POLITICHE AGRO-AMBIENTALI

Riprendendo quanto detto nel primo capitolo, per valutazione integrata si intende

l’analisi delle conseguenze sulla componente economica, ambientale e sociale in

seguito all’introduzione o alla modifica di strumenti normativi.

Questa tesi è rivolta alla valutazione integrata di politiche legate la settore agricolo.

Viene spontaneo chiedersi perché le politiche agricole richiedano strumenti specifici

per la valutazione integrata, e non possano invece avvalersi di strumenti applicati a

politiche di altri settori. La risposta sta nelle caratteristiche peculiari dell’attività

agricola, che la differenziano da ogni altro settore economico. Da un punto di vista

ambientale, l’agricoltura è fortemente dipendente dalla terra come fattore di

produzione. Di conseguenza, l’impatto della produzione agricola sull’ambiente, il

paesaggio e l’uso del suolo è prevalente rispetto all’impatto di altri settori economici.

Inoltre l’agricoltura basa la produzione sull’utilizzo di specie viventi in sistemi biologici

aperti, introducendo questioni legate alla salute animale e vegetale, e alla

biodiversità. Sistemi di questo tipo sono spesso una sorgente diffusa di esternalità.,

questo significa che causano flussi di massa e nutrienti che sono più difficili da

governare rispetto ai processi di produzione confinati in stabilimenti industriali e la

dispersione nell’ambiente di nutrienti e composti chimici (erbicidi, insetticidi,

fertilizzanti, etc.) è per certi versi inevitabile. Una volta nel suolo, nei corpi idrici o

nell’aria, questi composti vanno incontro ad un complesso processo di trasformazioni

biologiche difficile da gestire. Le soluzioni tecniche per la riduzione delle emissioni

applicate in altri settori, come il confinamento spaziale o l’utilizzo di filtri, sono

solitamente inapplicabili in agricoltura. Una moltitudine di impatti ambientali sono

legati all’attività agricola, come la contaminazione da nitrati e fosfati delle acque

superficiali e sotterranee o l’emissioni di ammoniaca e gas serra legati ai cambiamenti

climatici. Ricordiamo però che in tema di emissione di gas a effetto serra, l’agricoltura

gioca un duplice ruolo: da un lato è la fonte principale di gas che contribuiscono al


36

surriscaldamento globale, come N2O e CH4; dall’altro può contribuire alla riduzione

delle emissioni attraverso il sequestro di carbonio o la produzione di energia

rinnovabile. Di ritorno, i cambiamenti climatici hanno un forte impatto sull’agricoltura

e in futuro saranno necessari adattamenti per mantenere l’attuale capacità produttiva

di cibo, fibre ed energia.

Da un punto vista economico, il settore agricolo è caratterizzato da una struttura

puntiforme con molte piccole aziende a gestione familiare e una notevole

eterogeneità tra le diverse aziende agricole dovute a differenze nei sistemi di

gestione e nella localizzazione. Anche se il contributo del settore agricolo al prodotto

interno lordo dell’Unione Europea è piccolo (1,8% nel 2008 (Eurostat, 2010)), rimane

comunque un’attività economica fondamentale in molte zone rurali. Di conseguenza

una stretta separazione tra politiche di sviluppo rurale e politiche agricole non è

possibile. Questa situazione si riflette nella Politica Agricola Comunitaria (PAC) con

l’adozione di strumenti politici legati anche allo sviluppo rurale.

L’agricoltura è infatti uno tra i pochi settori ad essere definiti e gestiti a livello

comunitario. L’obiettivo di una politica sovranazionale è quello di indirizzare l’intero

settore agricolo, tenendo conto della moltitudine di aziende e sistemi di gestione.

Sfortunatamente, non tutte le politiche vengono implementate in modo uniforme nei

diversi stati membri. Ricordiamo inoltre che molti paesi sviluppati, tra cui l’UE, hanno

fornito e forniscono tuttora un supporto economico al settore agricolo riparandolo

dal mercato mondiale attraverso politiche di commercio e spesso garantendo il

minimo prezzo.

E’ evidente che l’agricoltura differisce per molti aspetti da altri settori economici, e

richiede di conseguenza strumenti specifici per la valutazione integrata che puntino

ad un’analisi olistica delle politiche che lo riguardano.


37

4.2 L’UTILIZZO DI MODELLI COME STRUMENTO DI VALUTAZIONE

L’utilizzo di modelli per la formulazione di scenari di previsione spesso è causa di

scetticismi circa l’affidabilità dei risultati forniti. Tuttavia, molti di noi utilizzano modelli

per ridurre la complessità dei problemi e facilitare le decisioni; talvolta un modello

può essere una semplice valutazione di esperienze passate in modo da fornire

un’analisi e facilitare future decisioni. Un altro tipo di modello è il processo di

osservare e analizzare comportamenti o risultati in modo da essere in grado di

ripeterli. I modelli matematici possono essere visti come un legame tra l’economia e i

dati da un lato, e l’orientamento delle politiche dall’altro. Sono delle astrazioni

imperfette ma che, in virtù della loro impostazione logica, possono fornire agli

analisti e ai decisori politici una rappresentazione economica del settore agricolo e

una sorta di laboratorio in cui testare le nuove proposte. I modelli matematici

applicati alla valutazione di politiche agricole possono essere classificati in diverso

modo. Le seguenti distinzioni sono particolarmente utili per fornire un

inquadramento generale dei modelli disponibili.

A seconda della scala spaziale a cui il modello viene applicato distinguiamo modelli:

- plot: sul singolo appezzamento agricolo

- farm: sulla singola azienda agricola

- region: su un’intera regione

- country: su scala nazionale

- globe: su scala internazionale o mondiale

Difficilmente una valutazione integrata si basa sull’utilizzo di un solo modello. Spesso

modelli diversi vengono concatenati (l’output di un modello è l’input del successivo)

o integrati. Ad esempio, un modello “farm scale” ci può fornire delle informazioni a

livello della singola azienda agricola. Per essere utili ai fini di una valutazione

integrata, i risultati di tale modello devono poter essere estesi su scala più ampia

(regionale o nazionale).

Per soddisfare questa esigenza, modelli a scale spaziali diverse possono essere

integrati, è il caso questo di modelli ibridi che combinano modelli farm scale e


38

regional. Dal momento che gli effetti di una politica dipendono da come questa

influisce sui processi decisionali che riguardano i singoli operatori economici, i

modelli “farm level” hanno un ruolo centrale e sono, di fatto, quelli più diffusi.

A seconda dei sistemi che si propongono di studiare abbiamo modelli:

- economici

- bio-fisici

- sociali

Per una valutazione sia delle ricadute ambientali che economiche di una politica sono

molto utilizzati modelli che integrano la componente bio-fisica con quella economica.

Si parla in questo caso di modelli bio-economici.

A seconda del modello matematico utilizzato abbiamo modelli :

- Econometrici

- Equilibrio Parziale

- CGE - Computable General Equilibrium

- Programmazione Matematica (MP)

I Modelli econometrici si basano sull’applicazione di metodi statistici e matematici per

l’analisi di dati economici con l’intento di dare riscontro empirico alle teorie

economiche. I modelli di equilibrio parziale si concentrano su un’aspetto particolare

del problema economico, prendendo in considerazione poche variabili e trattando

tutte le altre come esogene al modello. In questo modo è possibile effettuare analisi

di maggior dettaglio rispetto ai modelli di equilibrio generali. Quest’ultimi infatti

cercano di descrivere l’intero sistema economico, catturando non solo l’impatto

diretto di una politica su un certo mercato, ma anche l’impatto su altre aree

economiche e i feedback generati sul mercato d’interesse. I modelli CGE si

focalizzano su un’area molto piccola e le sue interazioni con il resto del mondo. Lo

scopo dei modelli di equilibrio è comunque più ampio rispetto ai modelli

econometrici e di programmazione matematica. Per analisi nel settore agricolo ed


39

economico, i modelli di programmazione sono diventati uno strumento molto diffuso

in quanto si presentano come problemi di ottimizzazione ed il loro utilizzo è legato al

problema economico fondamentale di sfruttare al meglio le risorse scarse. Essi sono

quindi in accordo con la teoria economica neoclassica che vede gli agenti economici

come “ottimizzatori”. L’utilizzo della programmazione matematica si è evoluto negli

ultimi anni; attualmente costituisce uno strumento importante per valutare, a diversi

livelli, l’impatto delle politiche agricole sull’offerta e sui sistemi socio-economici ed

ambientali legati all’agricoltura.

Infine, a seconda del tipo di approccio, possiamo distinguere tra modelli:

- Normativi

- Positivi

Questa distinzione tra modelli normativi e positivi è fondamentale. I modelli a

carattere normativo si propongono di rappresentare la realtà ma non sono in grado

di riprodurre esattamente la situazione osservata. E’ il caso questo di modelli basati

sulla programmazione lineare, che si pongono l’obiettivo di trovare una soluzione

ottima tra le possibili soluzioni utilizzando una prefissata regola decisionale (ad

esempio , trovare il livello di produzione che consenta di massimizzare il profitto). I

modelli positivi invece partono dal presupposto che la situazione osservata sia già la

situazione ottima (condizione incorporata nel modello in una fase definita di

calibrazione) dalla quale si parte per fare previsioni circa possibili scenari futuri.


40

4.3 REQUISITI FONDAMENTALI

Vi sono dei requisiti che i modelli devono soddisfare perché la loro applicazione

fornisca dei risultati utili ed attendibili. I tre requisiti fondamentali sono:

• SCALING UP : Il requisito fondamentale che devono avere tutti i modelli è la

presenza di un metodo che consenta di espandere le variabili economiche,

ambientali e sociali dal livello della singola azienda agricola a livelli di aggregazione

più ampi (regioni, nazioni); caratteristica che in inglese viene definita con il termine

“scaling up”. I metodi di “scaling” devono tenere conto:

- dell’eterogeneità delle aziende agricole nel tempo e nello spazio. Ogni

azienda agricola è caratterizzata da una serie di attributi e relazioni che

governano le interazioni con altre aziende. Al tempo t, ognuna possiede i

seguenti attributi: stato della natura, dotazione fissa e tecnologia. Lo stato

della natura al tempo t è determinato dai meccanismi di mercato ed

istituzionali che determinano i prezzi e le condizioni di mercato dei fattori

primari, input ed output, la disponibilità di nuove tecniche e le limitazioni

politiche, incentivi e disincentivi. Inoltre gli agricoltori differiscono nel modo

in cui valutano diversi obiettivi come il profitto, il rischio, le preferenze per

alcuni sistemi di gestione e l’utilità futura. Il valore di tutti gli attributi e degli

obiettivi al tempo t determinano la scelta dell’agricoltore riguardo l’uso degli

input e la produzione degli output che a sua volta determina l’impatto

dell’attività agricola sull’ambiente.

- dell’esistenza di feedback economici ed ecologici. Feedback economici sono

legati alle variazioni dei prezzi degli input e degli output determinati sul

mercato regionale o globale. I feedback ecologici dipendono dagli impatti

dell’agricoltura sull’ambiente che producono delle modificazioni le quali

hanno, a loro volta, effetti sull’agricoltura stessa. Sono un esempio i

cambiamenti climatici, il flusso di nutrienti o lo sviluppo da parte di certi

organismi di una resistenza ai pesticidi, come risultato di una continuo utilizzo

di tali sostanze.

- della non linearità di molte relazioni funzionali. La produzione agricola non

segue un andamento lineare, ciò significa che all’aumentare degli input


41

impiegati nel processo produttivo non corrisponde un lineare aumento degli

output. Di questa caratteristica si deve tener conto.

• GENERALIZZAZIONE: Il modello deve essere applicabile a tipologie di aziende

diverse, deve essere il più generico possibile. L’applicazione e la calibrazione del

modello non dovrebbero richiedere molti passaggi “ad hoc” o l’imposizione di

ingiustificati limiti di calibrazione. Inoltre uno stesso modello deve poter consentire

la valutazione di diversi strumenti politici.

• DISPONIBILITÀ DI DATI : Per semplicità, è preferibile che i modelli utilizzino

informazioni (tipo di azienda agricola, localizzazione, attività produttive,..) già

disponibili e facilmente reperibili. Alcuni modelli utilizzano i dati forniti dal FADN

(Farm Accouncy Data Network), in questo lavoro di tesi, come vedremo in seguito,

utilizzeremo i dati resi disponibili dal database RICA (Rete di informazione contabile

agricola). Informazioni più dettagliate sulla struttura e organizzazione del database

RICA e sul lavoro di reperimento dati per il presente lavoro di tesi, saranno trattate

successivamente.

Un modello generico che soddisfi contemporaneamente tutti e tre questi requisiti

non esiste: alcuni modelli si focalizzano sulla simulazione di specifiche tipologie di

aziende senza fornire molte opportunità di espansione della loro applicazione al di là

del target iniziale; altri richiedono una fase di raccolta dati molto laboriosa,

limitandone di fatto l’applicazione. Ogni modello possiede propri vantaggi e

caratteristiche che lo rendono adatto per specifici data-sets e applicazioni. Non esiste

un modello migliore in assoluto, ma esiste il modello che meglio si adatta alla

situazione che ci accingiamo ad analizzare.


42

4.4 LIMITI

Uno dei limiti principali che si riscontra nello sviluppo di un modello è la disponibilità

di dati, la quale influisce sulla rappresentazione dell’eterogeneità e, di conseguenza,

solo un numero limitato di aziende viene effettivamente incorporato nel modello. Gli

approcci attuali inoltre non considerano gli impatti ambientali che emergono dalle

interazioni tra le diverse aziende agricole, come quelli legati alla presenza di parassiti

o malattie. Ovviamente includere queste relazioni spaziali è complicato e richiede

una profonda comprensione dei meccanismi alla base di queste interazioni. Tuttavia,

avviare operazioni per il reperimento di informazioni sarebbe costoso in termini di

tempo oltre che di denaro. Inoltre operare con più dati significa utilizzare modelli più

elaborati e non è chiaro fino a che punto un aumento di complessità del modello

conduca a risultati sostanzialmente migliori. In altre parole si rischia di impiegare

molte più risorse per ottenere risultati di poco migliori rispetto a quelli attualmente

raggiungibili. Analizzando alcune tipologie di modelli descritte nei paragrafi

precedenti, possiamo osservare che i modelli farm-level consentono di catturare il

comportamento del singolo agricoltore ma non consentono lo scaling up e non

tengono in considerazione i feedback economici ed ambientali. I modelli che

operano a livello regionale sono in grado di rappresentare il comportamento

aggregato di una regione e alcuni modelli incorporano i feedback, come lo scambio

di input tra regioni e la modifica dei prezzi. Comunque i modelli regional non

considerano l’eterogeneità tra le diverse aziende, al contrario, ogni regione è trattata

come un’unica azienda. In linea teorica, modelli ibridi combinano i vantaggi degli

approcci farm e regional anche se combinare e integrare modelli è un’operazione

difficile.

4.5 UN ESEMPIO : IL MODELLO AROPAj

La letteratura scientifica offre un vasto numero di modelli e loro applicazioni, in

questo paragrafo viene riportato un esempio di applicazione di un modello di

programmazione lineare (AROPAj) per la valutazione spaziale delle fonti di emissione

e dei costi di abbattimento delle emissioni di metano e dell’ossido nitroso

provenienti dal settore agricolo dell’Unione europea (De Cara et al, 2005).


43

Ricordiamo che l’agricoltura è un’attività che contribuisce in modo significativo

all’emissione di gas ad effetto serra, in particolar modo CH4, CO2 e N2O. Più

precisamente, l’agricoltura rappresenta il 10% delle emissioni totali di gas serra

nell’Unione Europea, che corrispondono a 405 MtCO2eq. E’ chiaro che agire su

questo settore potrebbe essere utile ai fini del raggiungimento degli obiettivi imposti

da Kyoto. Nel loro articolo, DeCara e Jayet si propongono di valutare gli effetti sui

livelli di emissione in seguito all’introduzione di una “emission tax”. L’idea alla base è

che introducendo il pagamento di una tassa per ogni tonnellata di CO2 equivalente

emessa, il singolo agricoltore tenderà a modificare il proprio ordinamento produttivo

e le pratiche agricole adottate in modo da ridurre l’emissione di gas serra, e di

conseguenza, ridurre il costo derivante dall’imposizione della tassa (costo di

abbattimento). Quando si parla di riduzione o abbattimento è importante specificare

rispetto a quale situazione calcoliamo tale abbattimento. In questo caso la riduzione

si intende rispetto allo scenario che si prefigura in seguito all’adozione della politica

agricola comunitaria così come definita in seguito alle modifiche apportate nell’anno

2001. Gli autori lo definiscono “Reference year scenario” (RY-2001). I risultati ottenuti

sono sintetizzati nella figura 4.1 che mostra la curva di abbattimento per una tassa

che varia da 0 a 100 €/t CO2eq. Supponiamo di introdurre una tassa di 20 €/t CO2 eq

emessa. A questo prezzo, i risultati ottenuti con questo modello indicano che gli

agricoltori europei ridurranno le loro emissioni di gas serra del 3,9% in media

rispetto ai livelli del 2001. Ancora, un target di abbattimento di 27,5 MtCO2eq

implicherebbe un costo marginale di abbattimento appena sopra i 55 €. Questo

target rappresenta una riduzione dell’8% delle emissioni rispetto allo scenario

RY-2001. La figuara 4.1 mostra inoltre come l’ottimo “mix di abbattimento”, ovvero

l’importanza relativa delle diverse fonti di emissione nell’abbattimento totale, varia a

seconda dell’emission tax. Ciò fornisce un’indicazione interessante dei relativi costi di

abbattimento associati ad ogni fonte. Inizialmente, quando la tassa assume valori

bassi, la principale fonte di emissione dove si interviene per ridurre le emissioni è il

metano proveniente dalla fermentazione enterica. Ciò indica che il costo di

abbattimento per la fermentazione enterica è più basso che per le altre fonti di

emissione. La riduzione delle emissioni di CH4 si ottiene in primo luogo modificando

l’alimentazione del bestiame. Quando la tassa aumenta e la possibilità si sostituire i


44

mangimi animali è esaurita, l’agricoltore inizia ad intervenire su un’altra fonte di

emissione, l’N2O da suoli agricoli.

Figura 4.1: curva di abbattimento aggregata per fonte di emissione. Fonte: Methan and Nitrous Oxide Emissions from Agricolture in the EU : A Spatial Assessment of Sources and

Abatment Costs (De Cara et Jayet, 2005).

Un altro risultato interessante ottenuto con questo modello è relativo alla

distribuzione spaziale dei costi di abbattimento. Secondo la teoria economica, per

una data emission tax, il costo di abbattimento marginale è uguale per tutti gli

agricoltori. In realtà esiste una certa eterogeneità tra le diverse aziende agricole, il

che implica differenze nelle curve di costo di abbattimento marginale, con

conseguenti diversi livelli di abbattimento da un agricoltore all’altro. Il modello

raggruppa le categorie di agricoltori in diversi “farm-type”. L’abbattimento per ogni

farm-type è stato calcolato per un emission tax di 55.9 €/tCO2eq. Gli abbattimenti

sono stati poi aggregati a livello regionale e i risultati sono mostrati sinteticamente

nella figura 4.2 che mostra il tasso di abbattimento per ogni regione.


45

La figura 4.2 indica una grande variabilità nei tassi di abbattimento regionale, che va

da circa 0% al 24%. I colori più scuri sulla mappa indicano le regioni dove il tasso di

abbattimento è più alto. Il costo di abbattimento in queste regioni sarà senza dubbio

più basso, dal momento che gli agricoltori possono ridurre le loro emissioni di una

percentuale più alta ad un dato costo marginale t =55,8 €/tCO2.

Figura 4.2: eterogeneità spaziale dei tassi di abbattimento regionali. Fonte: Methan and Nitrous Oxide Emissions from Agricolture in the EU : A Spatial Assessment of Sources and

Abatment Costs (De Cara et Jayet, 2005).

Lo studio di DeCara e Jayet si estende anche ad altri elementi ed ipotesi, ma i risultati

qui riportati sono sufficienti per capire come questi modelli forniscano un sostegno

alla valutazione delle politiche.


46

4.6 LA SCELTA DEL MODELLO

In passato la programmazione lineare è stata utilizzata per costruire modelli che

consentissero l’analisi di determinati interventi normativi. Tuttavia l’utilizzo della PL è

stato abbandonato per via delle criticità imposte da questi modelli. Tra le ragioni che

portano ad un tale grado di insoddisfazione vi è il forte carattere normativo, la

tendenza a specializzarsi sul processo produttivo più profittevole e la rigidità delle

risposte a variazioni dei parametri del problema. Questi elementi hanno causato col

tempo l’abbandono dei modelli basati sulla PL. L’utilizzo della programmazione

matematica come strumento per la costruzione di modelli di previsione è stato

rivalutato dopo l’introduzione della programmazione matematica positiva che

consente di superare alcuni degli ostacoli imposti dalla programmazione lineare.

Come abbiamo visto, la PMP utilizza tutte le informazioni disponibili a livello della

singola azienda agricola ed è in grado di riprodurre esattamente la situazione

osservata. Tuttavia, ad oggi, i modelli di programmazione matematica positiva (PMP)

utilizzati per la valutazione integrata di politiche agricole analizzano di fatto solo le

conseguenze economiche, senza fornire elementi per una adeguata valutazione delle

ricadute ambientali. Da questa mancanza nasce il presente lavoro di tesi, che si pone

come obiettivo generale lo sviluppo e l’implementazione di un modello matematico

per la valutazione integrata (economica e ambientale) di politiche agricole. Nello

specifico, si partirà da un modello di PMP già esistente per la valutazione economica

e lo si integrerà con una nuova componente “ambientale”. E’ stato deciso di utilizzare

un modello di programmazione matematica positiva di tipo farm-level, scelta dovuta

all’inevitabile relazione tra introduzione di una politica e comportamento

dell’agricoltore. Infatti, anche quando le politiche sono organizzate a livello

sovranazionale, il loro recepimento e gli effetti sono altamente differenziati a seconda

del tipo di azienda e della sua localizzazione. Di conseguenza l’interazione tra il

processo decisionale dell’agricoltore e quello di sviluppo di una politica da parte del

governo è fondamentale. Quanto più locali e “farm-specifici” saranno gli interventi,

tanto più lo sviluppo di modelli farm-level diviene importante. Una buona descrizione

e comprensione dei processi che avvengono nella singola azienda facilita inoltre lo

sviluppo di modelli aggregati. Un approccio di tipo farm-level aumenta la

comprensione dei processi, delle decisioni e della disponibilità di risorse. Infine, la


47

singola azienda agricola è l’unità decisionale centrale e quindi l’interpretazioni di

risultati derivanti da un approccio di tipo farm-level è più semplice che per i modelli

aggregati.

4.7 DALLA PMP ALLA VALUTAZIONE INTEGRATA

Attualmente in letteratura esistono diversi esempi di applicazione della

programmazione matematica positiva ai fini di una valutazione economica delle

conseguenze circa l’adozione di determinati strumenti normativi. Già Q.Paris e R.E.

Howitt, in una pubblicazione del 1998, proponevano un approccio basato sulla

massima entropia per la risoluzione di problemi mal posti e fornivano, a titolo di

esempio, l’analisi della variazione del comportamento di un agricoltore in seguito alla

diminuzione dei prezzi del mais e dell’orzo rispettivamente del 10% e del 20%. Ad

oggi, tuttavia, non esiste un caso di studio che analizzi l’introduzione di nuove

politiche da un punto di vista ambientale oltre che economico. A partire da questa

mancanza, si è deciso per il presente lavoro di tesi di sviluppare ed implementare un

modello di PMP ai fini di una valutazione integrata, nell’ottica generale della

crescente richiesta di strumenti di questo tipo come supporto nei processi decisionali

dei policy maker. Come già affermato nei capitoli precedenti, la nostra analisi è

rivolta alle politiche agro-ambientali. Nello specifico, ci concentreremo su due

quesiti:

1. Quali saranno gli effetti ambientali ed economici dell’adozione della nuova politica

agricola comunitaria 2014-2020?

2. Supponiamo di introdurre un’“emission tax” sulle emissioni di CO2 in agricoltura,

qual è il costo di abbattimento delle emissioni di gas serra? In altre parole, per

raggiungere un certo livello di abbattimento, a quanto deve ammontare la tassa

imposta per tonnellata di CO2 equivalente emessa all’anno?


48

La figura 4.3 fornisce uno schema per la comprensione della struttura del modello.

Figura 4.3: schema generale riassuntivo degli input/output del modello.

Il punto di partenza è dato da un modello di PMP già esistente ed utilizzato per le

valutazioni economiche che verrà integrato con una nuova componente ambientale.

Dallo studio dalla nuova PAC 2014-2020 si ricaveranno i vincoli ambientali che questa

politica impone, i quali, in seguito ad un lavoro di modellizzazione, verranno

introdotti nel modello di partenza. L’indicatore utilizzato per quantificare gli impatti

ambientali della politica è il livello di emissioni di CO2 equivalente. I dati sulle aziende

agricole sono stati ricavati dal database RICA. Per quanto riguarda le emissioni di gas

serra, partendo dai dati del prontuario dell’agricoltura Ribaudo (Ribaudo,2011)

sull’utilizzo di combustibili fossili e fertilizzanti per le diverse tipologie colturali, sono

state calcolate le emissioni in tonnellate di CO2 equivalente per ogni processo

produttivo seguendo le linee guida proposte dall’INEA nel manuale “Impronta

carbonica delle aziende agricole italiane”, che a sua volta si basa sull’approccio IPCC

(INEA, 2013). Inoltre, si valuteranno le conseguenze dell’introduzione di un’emission


49

tax. Possiamo definire tutti questi elementi come l’insieme degli input utilizzati per la

costruzione del modello. Come output abbiamo infatti degli indicatori che ci

forniranno informazioni sia economiche che ambientali.

Nei prossimi capitoli verranno trattate in modo più approfondito le varie fasi di

costruzione del modello, che possiamo riassumere in questi 6 step:

1. Presentazione delle politiche che si intende analizzare

2. Delimitazione dell’area oggetto di studio

3. Reperimento di dati

4. Calibrazione del modello

5. Simulazioni

6. Risultati


50

5. LA POLITICA AGRICOLA COMUNE

Lo strumento politico del quale si vuole eseguire una valutazione integrata è la nuova

politica agricola comune approvata il 26 giugno 2013 dal “trilogo” Commissione,

Parlamento e Consiglio europei e che si propone di regolamentare il settore agricolo

fino al 2020. La PAC è una politica comune a tutti gli Stati membri dell’Unione

europea, gestita e finanziata a livello europeo. L’esigenza di una politica agricola

decisa a livello europeo deriva dalla condivisione di tutti gli Stati membri degli

obiettivi principali della PAC, ossia il miglioramento della produttività agricola e la

possibilità di garantire a tutti gli agricoltori un tenore di vita decoroso. Tali obiettivi

possono essere raggiunti solo con un adeguato sostegno finanziario alle attività

agricole e alle zone rurali, e una politica collettiva può utilizzare i fondi disponibili in

modo più efficiente di un insieme disparato di politiche nazionali. Inoltre, esiste un

unico grande mercato europeo per i prodotti agricoli. Le politiche devono quindi

essere stabilite a livello comunitario per garantire condizioni eque per tutti e per

permettere allo stesso tempo agli Stati membri di esprimersi con un’unica voce nei

negoziati con i partner commerciali a livello mondiale.

5.1 GLI OBIETTIVI DELLA POLITICA AGRICOLA COMUNE

La PAC nacque per la prima volta nel 1962 con i seguenti obiettivi:

• migliorare la produttività agricola, in modo da assicurare ai consumatori

approvvigionamenti alimentari stabili a prezzi accessibili;

• garantire agli agricoltori europei un tenore di vita decoroso.

La PAC si è evoluta nel corso degli anni per rispondere alle mutevoli circostanze

economiche e alle aspettative dei cittadini.


51

Ora, cinquant’anni dopo l’introduzione della politica agricola comune, l’Unione

europea si trova ad affrontare nuove sfide:

• la sicurezza alimentare: a livello mondiale, la produzione di alimenti dovrà

raddoppiare per alimentare una popolazione mondiale prevista di nove miliardi di

persone nel 2050;

• I cambiamenti climatici e la gestione sostenibile delle risorse naturali;

• La tutela delle campagne nell’UE e il mantenimento in vita dell’economia rurale.

Grazie alla PAC, ai 500 milioni di consumatori europei è garantita la sicurezza

alimentare. In quanto società, possiamo essere sicuri che i nostri agricoltori

producono gli alimenti di cui abbiamo bisogno. Essi forniscono una grande varietà di

prodotti abbondanti, accessibili, sicuri e di buona qualità.

L’agricoltura non riguarda soltanto la produzione alimentare, ma anche le comunità

rurali e le persone che vi vivono, nonché il nostro spazio naturale e le sue preziose

risorse. In tutti gli Stati membri dell’UE, gli agricoltori mantengono in vita la

campagna e perpetuano gli stili di vita rurali. Se scomparissero le aziende agricole e

gli agricoltori, le ripercussioni per i nostri villaggi, borghi e paesi sarebbero profonde

e negative. Numerosi posti di lavoro nelle zone rurali dipendono dall’agricoltura. Gli

agricoltori hanno bisogno di macchine, edifici, carburante, concimi e cure sanitarie

per i loro animali. Molte persone trovano un’occupazione in questi settori «a monte»,

altre sono impegnate nelle operazioni «a valle», come la preparazione, la

trasformazione e il condizionamento degli alimenti e altre ancora si occupano di

stoccaggio, trasporto e vendita al dettaglio dei prodotti alimentari. Nell’insieme,

l’agricoltura e la produzione alimentare sono elementi fondamentali della nostra

economia e della nostra società.

Le campagne non si trovano nello stato naturale originale, ma sono state plasmate

nel corso dei secoli dall’agricoltura, che ha creato la varietà di ambienti e di paesaggi

che conosciamo. Il nostro spazio naturale è l’habitat di numerose specie animali e

vegetali. Questa biodiversità è essenziale per lo sviluppo sostenibile delle campagne.

Gli agricoltori gestiscono lo spazio naturale a vantaggio di tutti noi e forniscono beni

pubblici, tra i più importanti dei quali figurano la cura e la manutenzione dei terreni,


52

del paesaggio e della biodiversità. Il mercato non offre alcuna remunerazione per

questi beni pubblici e al fine di ricompensare gli agricoltori del servizio reso all’intera

società, l’Unione europea sostiene il loro reddito. Gli agricoltori sono inoltre esposti

alle conseguenze negative dei cambiamenti climatici. La PAC fornisce loro l’assistenza

finanziaria necessaria per adeguare i metodi e i sistemi agricoli in modo da poter farvi

fronte.

Gli agricoltori sono i primi a rendersi conto della necessità di tutelare le nostre risorse

naturali, poiché è da esse che dipende il loro sostentamento. Per evitare gli effetti

collaterali negativi di alcune pratiche agricole, l’UE offre incentivi ad adottare metodi

sostenibili e rispettosi dell’ambiente. Gli agricoltori devono infatti far fronte a una

duplice sfida: produrre cibo tutelando nel contempo la natura e la biodiversità.

L’agricoltura rispettosa dell’ambiente, che utilizza con prudenza le risorse naturali, è

essenziale per la nostra produzione di alimenti e per la nostra qualità di vita, oggi,

domani e per le generazioni future.

Lo sviluppo di una politica agricola a livello comunitario deriva dalla condivisione

degli obiettivi da parte di tutti gli Stati membri. Inoltre, esiste un unico grande

mercato europeo per i prodotti agricoli. Le politiche devono quindi essere stabilite a

livello europeo per garantire condizioni eque per tutti. Un approccio comune in

materia di sostegno all’agricoltura garantisce condizioni di parità per gli agricoltori

che concorrono sul mercato interno e a livello mondiale.

Negli ultimi 50 anni la PAC è stata più volte riformata per poter essere in grado di

rispondere ad esigenze e necessità sempre mutevoli. Nella sua prima formulazione,

all’inizio degli anni ’60, l’obiettivo perseguito era di rifornire di alimenti a prezzi

accessibili i cittadini dell’UE e di offrire un equo tenore di vita agli agricoltori. Negli

anni a seguire, la PAC divenne vittima del proprio successo. La produzione delle

aziende agricole aumentò in misura tale da superare il fabbisogno di derrate

alimentari. Nel 1984 la prima riforma della PAC introdusse diversi provvedimenti volti

ad adeguare il livello di produzione al fabbisogno del mercato. A partire dal 1992

cambiò il compito della PAC: da sostegno al mercato a sostegno ai produttori. Il

sostegno ai prezzi venne ridotto, sostituito da sovvenzioni dirette agli agricoltori.

Successivamente, con la riforma Fischler del 2003 venne abolito il legame tra

sovvenzioni e produzione. Agli agricoltori venne accordato un sostegno unico al


53

reddito, a condizione di tutelare i terreni agricoli e di soddisfare determinate norme

in materia di ambiente, benessere degli animali e sicurezza alimentare.

Il 26 giugno 2013 si è chiuso l’accordo politico sulla nuova PAC, dopo un lungo

dibattito durato circa due anni. Nel dicembre del 2013 sono stati approvati i

regolamenti di riferimento che rappresentano il corpo normativo per la PAC fino al

2020. La riforma è frutto della cooperazione del cosiddetto “trilogo” ovvero

Commissione, Parlamento e Consiglio europei. Nei prossimi capitoli vedremo più da

vicino la struttura e gli elementi introdotti dalla nuova PAC.

5.2 LA NUOVA PAC 2014-2020

La PAC è strutturata in due pilastri che si basano su due diversi fondi e due approcci.

Il primo pilastro comprende le misure di sostegno al mercato e i pagamenti diretti,

che oggi rappresentano la principale fonte di finanziamento comunitario per

l’agricoltura. La necessità di un sostegno al mercato è legata alla forte dipendenza

dell’agricoltura dal clima ed alla volatilità dei prezzi. Tali incognite giustificano il ruolo

chiave che il settore pubblico svolge a garanzia della stabilità per gli agricoltori.

Dal 2003, la riforma Fischler introduce i pagamento unico disaccoppiato, ovvero

disgiunto dai livelli di produzione e da cosa si produce. Secondo tale riforma, ogni

agricoltore che accede al regime di pagamento unico è titolare di un diritto all’aiuto

per ettaro. Per avere diritto al pagamento dell’importo fissato nel titolo, ogni diritto

all’aiuto deve essere abbinato ad un ettaro di superficie aziendale e deve rispettare le

norme sulla condizionalità. La superficie abbinata al diritto può essere destinata a

qualsiasi attività agricola, con alcune rilevanti eccezioni. Può non essere utilizzata a

fini produttivi, ma l’agricoltore ha l’obbligo di mantenerla in buone condizioni

agronomiche e ambientali nel rispetto dei requisiti fissati nell’ambito della

condizionalità. Quest’ultima è l’insieme dei criteri di gestione obbligatori (CGO) già

previsti dall’UE nella normativa esistente e il mantenimento del terreno in buone

condizioni agronomiche e ambientali (BCAA) fissate a livello nazionale, con


54

riferimento a: ambiente, cambiamento climatico e buone condizioni agronomiche

del terreno, sanità pubblica, salute delle piante e degli animali, benessere degli

animali.

La PAC 2014-2020 ha introdotto i pagamenti diretti sostituiscono il regime di

pagamento unico. Con questo sostegno al reddito, oltre a garantire agli agricoltori

un reddito di base, viene anche assicurata la fornitura di beni pubblici ambientali

attraverso un meccanismo che vincola l’ammontare di risorse finanziarie destinate

agli agricoltori al sostegno di comportamenti sostenibili.

La gestione della programmazione dei fondi comunitari 2014-2020 deve avvenire

nell’ambito di alcune condizioni minime garantite – per lo più di carattere normativo,

amministrativo e organizzativo – che dovrebbero migliorare la possibilità di assicurare

l’efficienza e l’efficacia nel raggiungimento degli obiettivi della politica di sviluppo

rurale. L’assenza di una o più di queste condizioni mette lo Stato membro e le

Autorità di gestione dei programmi nella necessità di definire un percorso con precisi

impegni per il loro soddisfacimento, con il potenziale blocco nell’erogazione dei

pagamenti comunitari se in fase di verifica ex post (nel 2019) venisse verificato il

mancato rispetto degli impegni assunti.

Il secondo pilastro riguarda lo sviluppo rurale. I programmi nazionali, e a volte

regionali, di sviluppo servono a far fronte alle esigenze specifiche e ai problemi delle

zone rurali. Pur basando i loro programmi sulla stessa gamma di misure, gli Stati

membri hanno la libertà di affrontare i problemi più urgenti sul loro territorio

mediante approcci che riflettono le loro specifiche condizioni naturali, economiche e

strutturali.

Il I pilastro è finanziato totalmente dall’UE, mentre il II pilastro si basa sulla

programmazione pluriennale ed è cofinanziato dagli Stati membri (nel caso italiano,

le politiche vengono programmate e gestite a livello regionale.


55

Figura 5.1: La struttura della PAC. [Fonte: La nuova PAC 2014-2020. Una guida pratica per una visione d’insieme (INEA, 2014)].

Come si può osservare dalla figura 5.1, la politica agricola comune presenta

essenzialmente tre dimensioni: sostegno al mercato (adozione di misure di mercato) ,

sostegno al reddito (attraverso i pagamenti diretti) e sviluppo rurale. Le prime due

rientrano nel I pilastro, mentre lo sviluppo rurale si inquadra nel II pilastro. Tuttavia

non bisogna dimenticare che queste tre dimensioni sono interconnesse e la

sostenibilità globale del sistema dipende dalla loro capacità di agire

congiuntamente.

La nuova PAC introduce misure innovative per entrambi i pilastri, ma in questa tesi ci

concentreremo esclusivamente sulla valutazione degli effetti conseguenti l’adozione

delle misure di greening nell’ambito dei pagamenti diretti. Tralasceremo quindi la

descrizione dettagliata delle novità per le politiche di mercato e per il II pilastro.


56

5.3 IL REGIME DEI PAGAMENTI DIRETTI

5.3.1 L’attività agricola, l’agricoltore attivo e le soglie minime

Al fine di ricevere i pagamenti diretti, le regole della politica agricola comune per il

periodo successivo al 2013 stabiliscono che gli agricoltori debbano svolgere

un’attività agricola, intendendo per essa:

• la produzione, l’allevamento o la coltivazione di prodotti agricoli, compresa la

raccolta, la mungitura, l’allevamento e la custodia degli animali per fini agricoli;

• il mantenimento di una superficie agricola in uno stato che la renda adatta al

pascolo o alla coltivazione senza alcuna azione preparatoria che vada oltre il ricorso

ai metodi e macchinari agricoli ordinari, in base a criteri definiti dagli Stati membri

sulla base di un quadro stabilito dalla Commissione;

• lo svolgimento di un’attività minima stabilita dagli Stati membri sulle superfici

agricole mantenute naturalmente in uno stato idoneo al pascolo o alla coltivazione.

La nuova PAC prevede inoltre che per poter beneficiare dei pagamenti diretti sia

necessario per l’agricoltore condurre almeno un’attività agricola minima sui propri

terreni. In questo modo la riforma tende ad assicurare il sostegno ai “veri” agricoltori.

Si introduce quindi la definizione “agricoltore attivo” che delimita il campo dei

beneficiari degli aiuti. In realtà anziché definire l’“agricoltore attivo”, si definisce chi

non è tale. L’accordo infatti definisce una lista nera di attività professionali le cui

imprese non possono ricevere pagamenti diretti: aeroporti, servizi ferroviari, opere

idrauliche, servizi immobiliari, terreni sportivi e aree ricreative permanenti. Gli Stati

membri, sulla base di criteri oggettivi e non discriminatori, possono integrare tale

lista con altre attività da escludere dai pagamenti diretti. Tuttavia, possono

successivamente ritirare tali integrazioni, ma non possono, in nessun caso, ridurre la

“lista nera” fissata dal regolamento. Coloro che operano nelle attività escluse,

tuttavia, possono ricevere gli aiuti diretti se dimostrano che:

➡ l’ammontare annuale dei pagamenti diretti rappresenta almeno il 5% delle

entrate totali ottenute da attività non agricole e/o

➡ le attività agricole non sono insignificanti e/o


57

➡ l’oggetto principale della loro attività consiste nell’esercizio di un’attività

agricola.

Così come accade attualmente, l’accordo prevede che non vengano concessi

pagamenti diretti a persone fisiche o giuridiche le cui superfici agricole sono tenute

in uno stato utile per l’allevamento o la coltivazione e che non svolgono le attività

agricole minime fissate dallo Stato membro. Inoltre uno Stato membro può decidere

che nessun pagamento diretto sia concesso a persone fisiche o giuridiche la cui

attività agricola rappresenta una parte insignificante delle attività economiche

complessive e/o la cui attività principale o l’oggetto della sua attività non consista

nell’esercizio dell’attività agricola. Tuttavia, coloro che nell’anno precedente hanno

ricevuto pagamenti diretti non superiori a 5.000 euro sono considerati agricoltori

attivi per definizione (anche se ricadono nella lista negativa). Gli Stati membri

possono rivedere al ribasso tale limite, a livello nazionale o regionale. Ogni Stato

membro dovrà notificare le proprie decisioni entro il 1° agosto 2014. La definizione

di agricoltore attivo serve a individuare i beneficiari dei pagamenti diretti. Le soglie

minime hanno invece il compito di discriminare tra i beneficiari stessi escludendo

coloro che ricevono aiuti di modesta entità, il cui valore è molto modesto rispetto al

costo della pratica per ottenere l’aiuto, o hanno una superficie ammissibile inferiore a

una certa dimensione. Uno Stato membro può decidere di non concedere

pagamenti diretti ad un’azienda se l’ammontare complessivo annuo di tali pagamenti

non supera 100 euro o se la superficie ammissibile è inferiore a 1 ettaro. Le soglie

possono essere modificate per tenere conto della struttura agricola di ciascuno Stato

membro. Per l’Italia è possibile giungere a una soglia finanziaria massima pari a 400

euro e a una soglia fisica minima di 0,5 ettari. Attualmente l’Italia applica la soglia

finanziaria di 100 euro. Gli aiuti non erogati per due anni di seguito confluiscono

nella riserva nazionale o regionale.

5.3.2 Il pacchetto degli aiuti diretti

La più importante novità della proposta di riforma riguarda la scomposizione del

pagamento unico in sette componenti, alcune obbligatorie ed altre facoltative. I

nuovi pagamenti diretti entreranno in vigore a partire dal 1° gennaio 2015, mentre

per il 2014 è prevista la proroga del sistema precedente la riforma.


58

Tabella 5.1: Schema di applicazione dei nuovi pagamenti diretti (2015-2020). Fonte: La nuova

PAC 2014-2020. Una guida pratica per una visione d’insieme (INEA, 2014).

*Nell’ipotesi in cui lo Stato membro dedichi al pagamento per i giovani agricoltori il 2% del massimale

nazionale.

** Lo schema fa riferimento alla possibile applicazione in Italia, in quanto il massimale per il sostegno

accoppiato facoltativo varia a seconda di quanto gli Stati membri hanno storicamente dedicato agli aiuti

accoppiati.

A tutti gli agricoltori attivi è riconosciuto un pagamento di base, la cui funzione è

quella del sostegno del reddito. Coloro che hanno diritto al pagamento di base

dovranno obbligatoriamente effettuare alcune pratiche agricole benefiche per

l’ambiente e il clima (greening) in cambio delle quali riceveranno un pagamento, il

cosiddetto pagamento verde. Le superfici con colture permanenti e le aziende

biologiche sono escluse da questi obblighi, pertanto ricevono per intero e senza

vincoli il pagamento verde (green by definition). Coloro che hanno meno di 40 anni

al momento della presentazione della domanda e che si insediano per la prima volta

in azienda come capo-azienda possono ricevere il pagamento per i giovani

agricoltori. Il pagamento può essere concesso per un massimo di 5 anni. La riforma


59

Schema di applicazione pagamenti diretti (2015-2020)Schema di applicazione pagamenti diretti (2015-2020)

Pagamenti da attivare obbligatoriamente % del massimale

pagamento di base* max 68%

pagamento verdi 30%

pagamento ai giovani agricoltori max 2%

Pagamenti da attivare a discrezione dello Stato membro

pagamento ridistributivo sui primi ettari max 30%

pagamenti per le zone soggette a vincoli naturali max 5%

aiuti accoppiati facoltativi ** max 15%

regime per i piccoli agricoltori max 10%

prevede numerose modalità di calcolo dell’aiuto che sarà corrisposto per il numero

di titoli attivati dall’agricoltore (o numero di ettari ammissibili), che non può essere

inferiore a 25 e superiore a 90. Precisiamo che per ettari ammissibili si intende

qualsiasi superficie agricola dell’azienda utilizzata per un’attività agricola; qualora la

superficie sia utilizzata anche per attività non agricole, essa deve essere utilizzata

prevalentemente per attività agricole, intendendosi in questo modo la superficie su

cui l’esercizio delle attività agricole non è seriamente ostacolato dall’intensità, dalla

natura, dalla durata e dal calendario delle attività non agricole.

Oltre a questi aiuti “obbligatori”, il pacchetto di aiuti diretti si compone di altri

pagamenti facoltativi, nel senso che spetta allo Stato membro decidere se attivarli o

meno sul proprio territorio nazionale. Questi sono:

- il pagamento ridistributivo per i primi ettari

- il pagamento per le aree con vincoli naturali i

- il sostegno accoppiato volontario

- il regime per i piccoli agricoltori

Il pagamento ridistributivo per i primi ettari mira a ridistribuire le risorse finanziarie

all’interno dello Stato membro dalle aziende più grandi a quelle più piccole.

Il pagamento per le aree con vincoli naturali è destinato alle aziende situate

parzialmente o totalmente nelle aree con vincoli naturali designate dallo Stato

membro nell’ambito dello sviluppo rurale.

Gli aiuti accoppiati sono legati a rese, superfici o numero di capi fissi. Questo aiuto

rappresenta un sostegno alle produzioni considerate in difficoltà ma che hanno

importanza dal punto di vista economico, ambientale o sociale ed è mirato a

mantenere i livelli di produzione correnti. L’aiuto può essere concesso per sostenere

la fornitura di materia prima per l’industria di trasformazione locale, per evitare il

rischio di abbandono o per compensare eventuali perturbazioni di mercato. I

comparti che possono accedere all’aiuto sono quelli che hanno storicamente goduto

di pagamenti diretti, tranne il tabacco. È inoltre esclusa la vitivinicoltura.


60

Il regime per i piccoli agricoltori prevede una semplificazione degli oneri

amministrativi sia a carico degli agricoltori che degli uffici pubblici preposti. I piccoli

agricoltori che aderiscono al regime sono esentati dall’obbligo di adottare le misure

di inverdimento e sono escluse le sanzioni per il mancato rispetto della

condizionalità. Il regime è facoltativo per lo Stato membro e la partecipazione degli

agricoltori è volontaria.

Tutti questi pagamenti (obbligatori e facoltativi) attingono a un massimale nazionale,

fissato per ciascun anno e per ciascun Paese. La particolarità del nuovo sistema dei

pagamenti diretti è che gli Stati membri dovranno decidere la percentuale di

massimale nazionale da dedicare a ciascun aiuto, entro delle percentuali prefissate.

Solo il pagamento verde è finanziato con una quota fissa (30%) del massimale

nazionale, mentre il pagamento base sarà finanziato con il massimale residuale, cioè

con le risorse finanziarie che resteranno disponibili dopo aver finanziato gli altri aiuti.

Questa percentuale potrà variare da un minimo dell’8% a un massimo del 70%, nel

caso in cui nel paese non ci siano domande di aiuto per i giovani agricoltori. Se

invece sono presenti occorre dedicare a questo aiuto fino al 2% del massimale

nazionale e quindi il pagamento base sarà pari al massimo al 68%. Con il pagamento

ridistributivo per i primi ettari si possono maggiorare i premi associati ai primi 30

ettari di un’azienda (o valore più alto se la media nazionale per azienda è maggiore di

30 ettari) utilizzando fino al 30% del massimale nazionale. Il valore unitario del

pagamento ridistributivo non può superare il 65% del pagamento medio a ettaro

nazionale o regionale (dato dall’ammontare complessivo del massimale nazionale

diviso gli ettari di superficie ammissibile). Il pagamento per le zone con vincoli

naturali ha una copertura non superiore al 5% del massimale nazionale. Gli aiuti

accoppiati ricevono un finanziamento non più elevato del 15% del massimale. Infine,

il regime per i piccoli agricoltori è un’opzione che prevede un aiuto forfetario

compreso tra 500 e 1.250 euro.

Un’altra novità introdotta dalla riforma è la possibilità data dagli Stati membri di

spostare risorse finanziarie, fino al 15% dei relativi massimali, dal I al II pilastro e

viceversa. In Italia, le risorse per il I pilastro ammontano a circa 27 miliardi di euro,

pari a 3,8 miliardi di euro all’anno. Per la politica di sviluppo rurale (II pilastro)


61

2014-2020 potrà invece contare su circa 10,4 miliardi di euro, circa 1,4 miliardi di

euro all’anno.

5.3.3 Convergenza e Limiti agli aiuti

La proposta di riforma presentata dalla Commissione prevedeva che, al più tardi

entro il 2020, tutti gli agricoltori di uno Stato membro/regione ricevessero un

pagamento di base di uguale valore unitario per ettaro. Tale disposizione è stata

mantenuta anche nell’accordo raggiunto il 26 giugno con alcune importanti deroghe

che permettono ai paesi che hanno applicato il regime di pagamento unico secondo

il modello storico di avvicinarsi a livelli di aiuto più uniformi senza pervenire alla

completa omogeneità.

Convergenza interna

La convergenza interna è un meccanismo che permette a uno Stato membro di

avvicinarsi a un flat rate, ossia a un aiuto uniforme a tutto il territorio nazionale o

regionale, senza raggiungerlo e prevede, di conseguenza, il mantenimento di un

valore differenziato dei titoli. Il meccanismo di convergenza sarà applicato

gradualmente, secondo tappe predefinite a partire dal 2015. Al più tardi nel 2019,

nessun diritto all’aiuto di base dovrà avere un valore inferiore al 60% del valore

medio unitario nazionale o regionale. L’aumento del valore dei titoli di quelli che

stanno sotto la media sarà finanziato dalla riduzione del valore dei titoli di quelli che

stanno sopra la media. Gli Stati membri hanno la possibilità di fissare una perdita

massima per beneficiario pari al 30% del valore unitario iniziale dei titoli.

Convergenza esterna

Per garantire una distribuzione più uniforme degli aiuti diretti, riducendo il legame

con i riferimenti storici, i pagamenti diretti per ettaro subiranno un progressivo

adeguamento verso un valore più omogeneo. Gli Stati membri che hanno un livello

di pagamenti diretti inferiore al 90% della media dell’Unione colmano un terzo della

differenza fra il loro livello attuale e il livello medio comunitario in 6 anni, così che

entro il 2020 tutti gli Stati membri raggiungano un livello minimo, pari a 196 euro/ha.

Tale convergenza viene finanziata proporzionalmente da tutti gli Stati membri che


62

beneficiano di livelli di pagamenti diretti superiori al livello della media comunitaria

(tra cui l’Italia).

Degressività e Capping

Il pagamento di base che ogni agricoltore ha diritto di ricevere deve essere ridotto di

almeno il 5% per la parte del pagamento che supera la soglia di 150.000 euro. Al fine

di tenere conto dell’intensità del lavoro dipendente, gli Stati membri hanno la

possibilità di escludere dal valore del pagamento di base i salari e gli stipendi versati

e dichiarati nell’anno precedente, compresi le imposte e gli oneri sul lavoro. Gli Stati

membri che utilizzano più del 5% del loro massimale nazionale annuo per concedere

un pagamento ridistributivo per i primi ettari non sono tenuti ad applicare questa

riduzione. I fondi così “risparmiati” rimangono nello Stato membro interessato e

vengono trasferiti alla dotazione per lo sviluppo rurale, senza obbligo di

cofinanziamento. Gli Stati membri hanno la possibilità di portare la percentuale di

riduzione oltre il 5% raggiungendo, al limite, il 100% e trasformando così la

degressività in un tetto agli aiuti o capping.

5.3.4 I vincoli di Greening

Come già affermato, gli agricoltori che hanno diritto a ricevere il pagamento di base

devono osservare delle pratiche agricole benefiche per il clima e l’ambiente su tutta

la superficie ammissibile della loro azienda. Tali pratiche vengono definite di

greening e sono tre:

1. diversificazione delle colture

2. mantenimento dei prati e pascoli permanenti esistenti

3. mantenimento o costruzione di aree di interesse ecologico (EFA:Ecological

Focus Area).

La diversificazione delle colture

Si applica alle aziende che hanno una superficie a seminativo superiore a 10 ettari.

Nelle aziende con una superficie a seminativo compresa tra 10 e 30 ettari, che non è

interamente coltivata con colture sommerse per una parte significativa dell’anno,


63

devono coesistere almeno due colture, la principale delle quali non può coprire più

del 75% della superficie a seminativo. Per le aziende con una superficie a seminativo

superiore a 30 ettari, devono coesistere almeno 3 differenti colture, la principale

delle quali non deve occupare più del 75% della superficie a seminativo e la meno

importante deve occupare almeno il 5%.

La diversificazione non si applica:

(a) dove più del 75% della superficie a seminativo è usata per la produzione di erba

o altre piante erbacee da foraggio e/o terra a riposo, a condizione che la restante

superficie non superi i 30 ettari;

(b) dove più del 75% della superficie a seminativo è a prato o pascoli permanenti, e/

o è usata per la produzione di erba o foraggi erbacei e/o è coperta da colture

sommerse, a condizione che la restante superficie a non superi i 30 ettari;

(c) dove più del 50% della superficie a seminativo dichiarata non era dichiarata

dall’agricoltore nella sua domanda di aiuto nell’anno precedente e che, sulla base

di informazioni geo-spaziali, tutta la superficie è stata coltivata con una coltura

differente rispetto a quella dell’anno precedente;

(d) nelle zone situate a nord del 62° parallelo o alcune aree adiacenti.

Le colture si intendono diverse se appartengono a differenti generi della

classificazione botanica o se appartengono alle famiglie delle cucurbitacee (zucche,

zucchine, meloni, cocomeri), delle solanacee (pomodori, melanzane, peperoni,

tabacco, …) e delle brassicacee (cavoli, broccoli, …). Anche la terra lasciata a riposo o

inerbita o dedicata ad altre piante erbacee per la produzione di foraggio è

paragonabile ad una coltura differente. Colture invernali e primaverili sono

considerate due colture anche se appartengono allo stesso genere.

Prati e pascoli permanenti

Gli agricoltori non possono convertire e arare le superfici a prati e i pascoli

permanenti situate nelle aree coperte dalle direttiva sulla conservazione degli Habitat

naturali e seminaturali e sulla conservazione degli uccelli selvatici le quali necessitano


64

di una forte protezione al fine di soddisfare gli obiettivi delle direttive stesse,

includendo in queste aree anche la torba e le zone umide. Al fine di assicurare una

considerevole protezione ambientale dei prati e pascoli permanenti, uno Stato può

decidere di identificare delle aree sensibili anche al di fuori delle direttive,

includendo prati e pascoli permanenti su terreni ricchi di carbonio.

Gli Stati membri assicurano che il rapporto tra superficie a prato e pascolo

permanente e superficie agricola totale dichiarata dagli agricoltori nella domanda di

aiuto non diminuisca di più del 5% comparata al rapporto esistente tra i prati e

pascoli esistenti nel 2012 e la superficie totale al 2015. Tuttavia, se l’ammontare di

terreno a prati e pascoli permanenti in valore assoluto si mantiene entro certi limiti

(da definire da parte della Commissione) l’obbligo al mantenimento si ritiene

soddisfatto.

Aree di interesse ecologico

Si applica alle aziende con una superficie a seminativo superiore a 15 ettari. In tal

caso l’azienda, a partire dal 2015, dovrà assicurare che il 5% della superficie,

includendo in questa anche le superfici con elementi caratteristici del paesaggio e le

fasce tampone, sia un’area di interesse ecologico. Tale soglia potrà aumentare al 7%

a seguito di un rapporto di valutazione che la Commissione dovrà presentare entro il

31 marzo 2017 accompagnato, eventualmente, da una proposta legislativa.

Gli Stati membri decidono cosa può essere considerato area di interesse ecologico,

tenuto conto di un elenco presente nel regolamento: terre a riposo, terrazze,

elementi caratteristici del paesaggio, strisce tampone, superfici agro-forestali, strisce

di superficie lungo i margini della foresta senza coltivazione, aree a bosco ceduo a

rotazione rapida, aree forestate, aree con colture intercalari o copertura verde da

assoggettare a fattori di ponderazione (contenuti in allegato al regolamento), area

con colture azoto-fissatrici. La Commissione, tramite atti delegati, può aggiungere

altri tipi di area che possono essere presi in conto per il rispetto della percentuale

delle aree di interesse ecologico. Queste devono essere localizzate sulla superficie a

seminativi dell’azienda o, nel caso di elementi caratteristici del paesaggio e strisce

tampone, adiacenti ad essa. Al fine di semplificare l’amministrazione e tenere conto

delle specificità dei tipi di aree a interesse ecologico elencate e per facilitare la loro


65

misura da parte dello Stato membro, in allegato al regolamento sono fissati dei fattori

di conversione in ettari. L’obbligo di aree di interesse ecologico non si applica:

■ nelle aziende dove più del 75% della superficie ammissibile è a prato o

pascolo permanente, usato per la produzione di erba o altre piante erbacee

da foraggio, o coltivato con colture sommerse per una parte significativa

dell’anno o per una parte significativa del ciclo di produzione, a condizione

che la superficie a seminativi non coperta da questi usi non superi i 30 ettari;

■ nelle aziende dove più del 75% della superficie a seminativi è interamente

usata per la produzione di erba o di altre piante erbacee da foraggio,terreni a

riposo, coltivata con leguminose, a condizione che la superficie a seminativi

non coperta da questi usi non superi i 30 ettari.

In deroga a quanto sopra, lo Stato membro può decidere di implementare fino alla

metà della quota di area di interesse ecologico (5 o 7%) a livello regionale, al fine di

ottenere delle aree di interesse ecologico adiacenti. Lo Stato membro indica le aree

e gli obblighi per gli agricoltori o gruppi di agricoltori che partecipano.

Lo Stato membro può permettere agli agricoltori in stretta prossimità di adempiere

collettivamente all’obbligo. In tal caso designa l’area e può imporre ulteriori obblighi

su tali agricoltori. Il numero degli agricoltori non può essere superiore a 10.

Gli Stati membri in cui più del 50% della superficie totale è coperta da foreste

possono decidere che l’obbligo di aree di interesse ecologico non si applica alle

aziende in aree con vincoli naturali a condizione che più del 50% della superficie

totale dell’unità di riferimento sia coperta da foreste e il rapporto tra superficie

forestale e superficie agricola sia di 3:1


66

5.4 AGRICOLTURA E CAMBIAMENTI CLIMATICI

Come abbiamo visto, tra le sfide che la nuova politica agricola comunitaria si trova ad

affrontare vi è la lotta ai cambiamenti climatici. Infatti, secondo il più recente rapporto

dell’Agenzia Europea per l’Ambiente (EEA, 2012) il settore agricolo contribuisce in

modo non trascurabile alle emissioni globali di gas a effetto serra, apportando circa il

10% dei 4.721 milioni di tonnellate di CO2 equivalente stimati per l’Europa a 27

paesi. Nel caso dell’Italia il contributo dell’agricoltura risulta un po’ inferiore, circa il

7%, ponendo comunque il settore al secondo posto dopo quello energetico.

Figura 5.2: Responsabilità nelle emissioni di gas a effetto serra. [Fonte: ISPRA, 2012].

I principali gas ad effetto serra di origine agricola sono anidride carbonica (CO2),

metano (CH4) e protossido di azoto (N2O). Il metano si produce quando la sostanza

organica si decompone in ambiente riducente (povero di ossigeno), ossia nelle

fermentazioni ruminali e del grosso intestino, nello stoccaggio degli effluenti di

allevamento e nelle risaie in condizioni di sommersione. Il protossido di azoto viene

prodotto dalla trasformazione microbica dell’azoto nei suoli e nelle deiezioni.

E’ ormai consolidata l’associazione tra l’emissione di GHG (Green House Gases) dalle

attività umane e i cambiamenti climatici in corso nel nostro pianeta; secondo il

quinto report IPCC (AR-5) del 2010 vi è tra il 90% e il 100% di possibilità (“very likely”)


67

che l’emissione di GHG sia associata ai cambiamenti climatici. Tra le conseguenze

abbiamo l’aumento della temperatura, l’innalzamento del livello del mare e

scioglimento dei ghiacciai, ma molti altri sono gli effetti secondari e quelli imprevisti.

Le conseguenze del cambiamento climatico descritte a livello globale sono

percepibili anche per territori più definiti, come l’Europa o l’Italia, dove nel corso

degli ultimi 200 anni la temperatura dell’aria è cresciuta di circa un grado per secolo.

Le emissioni di gas serra vengono espresse utilizzando come unità di misura l’unità

equivalente di anidride carbonica, CO2eq, che riconduce gli effetti dei diversi gas

serra a quelli che darebbe un’uguale emissione di CO2. Per questa conversione si usa

il potenziale di riscaldamento globale (Global Warming Potential, GWP) che è una

misura di quanto un dato gas serra contribuisce al riscaldamento globale rispetto alla

CO2. I GWP sono calcolati dall’Intergovernmental Panel on Climate Change (IPCC) e

tengono conto sia della forza nel trattenere le radiazioni, sia della vita dei gas

nell’atmosfera. Secondo le più recenti stime dell’IPCC, il protossido di azoto (N2O) è

un gas serra 298 volte più potente della CO2 e il metano (CH4) 25 volte.

Figura 5.3: Potenziale di riscaldamento globale (GWP). Fonte INEA


68

5.4.1 Anidride Carbonica

Le emissioni di anidride carbonica derivano dall’utilizzo di fonti energetiche in

agricoltura per l’uso di macchinari, edifici, operazioni agricole e trasporto di prodotti

agricoli e dagli assorbimenti e le emissioni di CO2 derivanti dall’uso dei suoli. A tal

proposito va ricordato che le attività agricole e forestali non solo producono CO2, ma

la assorbono attraverso i processi di fotosintesi, di sequestro del carbonio nella

sostanza organica del suolo e di produzione di biomasse. è indubbio, quindi, che il

comparto agricolo, sia attraverso la mitigazione delle emissioni di gas serra, sia

mediante l’adozione di pratiche conservative di lavorazione dei terreni in grado di

accrescere il sequestro del carbonio, può contribuire in misura non trascurabile al

raggiungimento degli obiettivi nazionali di riduzione dei GHG.

5.4.2 Metano

Il metano (CH4) si origina dalle fermentazioni della sostanza organica; le emissioni da

fonte agricola derivano dai processi digestivi, in particolare dei ruminanti (emissioni

enteriche), dalla gestione delle deiezioni, dalle risaie in condizioni di sommersione.

Le emissioni enteriche di metano sono molto importanti nel caso dei ruminanti, che

ospitano larghe popolazioni di batteri e protozoi nel rumine. Il CH4 si origina dai

processi di fermentazione della sostanza organica ingerita nei prestomaci, da cui

viene espulso direttamente nell’ambiente per eruttazione. Il metano è un

sottoprodotto della degradazione microbica dei carboidrati nell’apparato digerente

degli erbivori. L’entità della produzione di metano dipende dal tipo di dieta in modo

inversamente proporzionale alla sua digeribilità. Le emissioni di metano dalle

deiezioni zootecniche si originano principalmente per degradazione anaerobica a

carico della sostanza organica in esse contenuta durante la conservazione che

precede l’utilizzazione agronomica. L’entità di queste emissioni è proporzionale alla

quantità di sostanza organica contenuta nelle deiezioni e dipende dalle condizioni

climatiche. La temperatura influenza in maniera determinante la produzione di

metano dalle deiezioni: le emissioni sono praticamente nulle sotto ai 10 °C, mentre

quando si supera questo valore la produzione di metano cresce in modo

esponenziale. La quantità di metano emesso dipende quindi dalla massa di effluente


69

zootecnico presente negli stoccaggi nel periodo dell’anno in cui le temperature sono

superiori a 10 °C. Anche il tipo di effluente, liquame o materiale

solido (miscela di deiezioni e materiale di lettiera), influenza l’entità delle emissioni,

più elevate nei liquidi.

5.4.3 Protossido di Azoto

Le emissioni di protossido di azoto (N2O) connesse alle attività agricole derivano

dalla gestione delle deiezioni e dei suoli. Nei suoli agricoli il protossido d’azoto

rappresenta un composto intermedio dei processi di nitrificazione e denitrificazione.

La sua produzione è favorita dalla disponibilità di azoto inorganico. Le emissioni di

N2O dal suolo vengono convenzionalmente distinte in:

• emissioni dirette, conseguenti a: apporti di azoto al terreno dovuti all’impiego dei

fertilizzanti di sintesi e degli effluenti zootecnici, decomposizione dei residui colturali,

mineralizzazione della sostanza organica del suolo;

• emissioni indirette, derivanti della deposizione al suolo di ammoniaca (NH3) e di

ossidi di azoto (NOx) emessi in atmosfera, che si originano anche dal rilascio e

trasporto dei nitrati nelle acque (per scorrimento superficiale e percolazione).

Le emissioni di N2O dalla gestione delle deiezioni dipendono dal contenuto di azoto

e di carbonio degli effluenti, dalle modalità di stoccaggio e dalla sua durata, dal tipo

di trattamento che precede lo stoccaggio (es. separazione). Perché ci sia produzione

ed emissione di N2O dagli effluenti, l’ambiente deve essere anaerobico e devono

essere presenti contemporaneamente sia i nitriti (NO2) che i nitrati (NO3), i quali si

formano però solo se le deiezioni sono state esposte all’ossigeno. Per questo motivo

le emissioni sono maggiori nel caso di effluenti solidi (nei quali coesistono zone

aerobiche e zone anaerobiche) rispetto a quelli liquidi (la nitrificazione non avviene in

condizioni anaerobiche).


70

5.5 INDICATORI AMBIENTALI

Avendo deciso di effettuare una valutazione ambientale oltre che economica degli

interventi di greening introdotti con la nuova PAC, si pone ora il problema di

determinare quali parametri utilizzare al fine di effettuare una valutazione quantitativa

delle condizioni ambientali; ovvero abbiamo bisogno di definire degli indicatori. Nel

nostro modello abbiamo deciso di utilizzare come indicatore la quantità di CO2

equivalente emessa che ci rivela l’andamento delle emissioni dei principali gas a

effetto serra provenienti dall’agricoltura. Tale scelta è altresì motivata dagli obiettivi

della stessa PAC la quale si propone di contrastare i cambiamenti climatici anche

attraverso una riduzione delle emissioni di GHG.


71

6. RACCOLTA DATI

I dati necessari per effettuare una valutazione economica sono stati reperiti da

database già esistenti. Nello specifico abbiamo utilizzato il database nazionale RICA

(Rete di Informazione Contabile Agricola) che trae la propria origine ed

organizzazione dal database europeo FADN (Farm Accounancy Data Network). Al

contrario, per quanto riguarda le informazioni di carattere ambientale relative alle

emissioni di gas serra legate alle diverse colture, non è stato possibile attingere da

studi o rilevazioni precedenti e quindi si è proceduto ad una stima di tali emissioni

utilizzando il prontuario dell’agricoltura Ribaudo (2011) e le linee guida per la

determinazione dell’impronta carbonica delle aziende agricole italiane, definite

dall’INEA (Istituto Nazionale di Economia Agraria) sulla base della metodologia IPCC

(INEA,2013).

6.1 FADN

Il FADN (Farm Accountancy Data Network) è uno strumento istituito dalla

Commissione Europea nel 1965 con lo scopo di valutare gli effetti della politica

agricola comune. Esso consiste in un sondaggio annuale condotto nei diversi Stati

membri dell’Unione Europea e raccoglie informazioni di carattere tecnico ed

economico su un campione di aziende agricole. I singoli Stati si occupano di

condurre il sondaggio sul territorio di loro competenza per poi far confluire tutte le

informazioni nel FADN. Dal momento che le operazioni di raccolta dati si basano

sugli stessi criteri in tutti gli Stati membri, questo database rappresenta l’unica fonte

di dati microeconomici cosiddetta armonizzata. Ovviamente i sondaggi non possono

essere condotti su tutte le aziende agricole, ma si sceglie un campione di aziende

definito “campo di osservazione” che comprende le aziende considerate rilevanti.


72

Attualmente il campo d’osservazione è costituito da circa 80.000 aziende agricole,

che rappresentano una popolazione di circa 5 milioni di aziende agricole nell’UE e

che copre approssimativamente il 90% della superficie agricola utilizzata. Le

informazioni raccolte, per ogni azienda, comprendono circa 1000 variabili di

carattere fisico-strutturale (localizzazione, superficie agricola, zootecnia, forza

lavoro,...) ed economico-finanziario (valore della produzione, costi di produzione,

quote, sussidi,...).

6.2 RICA

In Italia, l’indagine campionaria annuale prevista dal FADN è la RICA (Rete di

Informazione Contabile Agricola). Essa prevede annualmente la rilevazione di dati

strutturali ed economici di un insieme di aziende agricole appartenenti ad un definito

campo di osservazione, il campo di osservazione RICA, strutturato in modo da

rappresentare le diverse tipologie produttive e dimensionali presenti sul territorio

nazionale. Il campo di osservazione RICA comprende le aziende agricole di

dimensione economica superiore o uguale a 4 UDE (unità di dimensione economica)

appartenenti al campo di osservazione UE, che a sua volta è costituito da tutte le

aziende operanti nel settore agricolo con almeno un ettaro di superficie agricola

utilizzata (SAU) o la cui produzione presenta un valore di almeno 2.500 euro; non

rientrano nel campo di osservazione UE le aziende esclusivamente forestali. Le

aziende del campo di osservazione vengono selezionate sulla base di un piano di

campionamento redatto in Italia dall’INEA in collaborazione con l’ISTAT.

6.2.1.Obiettivi

La strategia per la definizione del campione RICA persegue una pluralità di obiettivi,

che possono essere riassunti in:

• copertura della parte più rilevante dell'attività agricola: almeno il 90% del

reddito lordo standard del campo di osservazione RICA;

• rilevazione di un numero di aziende agricole sufficienti per stimare i principali

aggregati di contabilità nazionale con un apprezzabile livello di significatività


73

http://www.rica.inea.it/public/it/disegno_campionario.php?action=copertura

http://www.rica.inea.it/public/it/disegno_campionario.php?action=copertura

statistica, ovvero con un errore campionario non superiore al 3% a livello

nazionale sulle variabili strategiche;

• determinazione di una numerosità campionaria tale da contenere i costi di

rilevazione e, nel contempo, ridurre l'errore non campionario atteso delle

stime e l'entità della molestia statistica.

6.1.2 Stratificazione del campo di osservazione

Al fine di una migliore rappresentazione dell’intero settore agricolo, viene operata

una stratificazione del campo di osservazione. Le dimensioni considerate per la

stratificazione del campo di osservazione sono:

• la collocazione territoriale;

• la dimensione economica;

• l'orientamento tecnico economico (OTE).

La collocazione territoriale coincide con le 19 regioni amministrative e le due

provincie autonome di Trento e Bolzano. Oltre alla suddivisione regionale, vi è

un’ulteriore sottoclasse a seconda della fascia altimetrica considerata (montagna,

collina o pianura).

La dimensione economica è espressa in euro sulle produzioni standard mentre

l’ordinamento tecnico-economico è riferito all’attività principale svolta dall’azienda

agricola (ad esempio specializzate nei seminativi, nelle colture permanenti, nella

produzione di latte, ect.).

L'allocazione ottimale delle unità all'interno degli strati dipende non solo dalla

dimensione di uno strato (che risulterebbe in un'allocazione proporzionale delle

unità campionarie per strato) ma anche dalla variabilità all'interno dello strato.

Pertanto, quanto minore è l'omogeneità interna di uno strato, tanto maggiore sarà il

numero di unità da selezionare per ottenere un campione rappresentativo.

Il numero di aziende da campionare in ogni singolo strato è indicato nel piano di

selezione delle aziende contabili. Definito il numero di aziende da campionare in

ogni singolo strato, la selezione delle stesse è di tipo equi-probabilistico. Ciò significa

che l'estrazione delle unità oggetto di indagine dall'universo di riferimento viene

effettuata in maniera casuale, strato per strato. Ciò comporta il beneficio di disporre


74

di dati sulla gestione economica, contabile e tecnica nelle aziende agricole italiane,

estensibili all'universo secondo solide procedure statistiche, in base ad una specifica

metodologia di ponderazione che prevede l’utilizzo di “pesi”, i quali possono essere

visti come il numero di elementi della popolazione rappresentati dall’unità di

rilevazione alla quale sono associati.

La tabella 6.1 riporta, a titolo di esempio, il piano di selezione RICA istituito per la

regione Emilia Romagna per gli anni 2010-2011.

Tabella 6.1: Piano di selezione RICA per l’Emilia Romagna, anni 2010-2011. Fonte: INEA

Il database dal quale abbiamo attinto per il reperimento dei dati necessari alla nostra

analisi è il RICA 2010 costituito da un campione di 11.155 aziende, rappresentativo di

785.920 su tutto il territorio nazionale.


75

6.3 L'ATTIVITÀ AGRICOLA NELLA PIANURA PADANA

Nel presente lavoro di tesi, l’area di studio presa in considerazione è la porzione della

pianura padana che si estende tra i territori delle regioni Lombardia, Veneto ed

Emilia Romagna. La scelta è dettata dal ruolo di notevole importanza economica che

questo territorio riveste nel contesto dell’intero settore agricolo nazionale. Verrano

considerate in questo studio solo i seminativi, in quanto rappresentano la coltura

principale nell’area in esame, mentre per quanto riguarda la zootecnia, si prenderà in

considerazione solo la zootecnia da latte.

Figura 6.1 : Porzione della

superficie totale destinata

alle diverse colture. Il mais si

dimostra la coltura

prevalente, occupando

quasi il 37% dell’intera

superficie a seminativi.

Seguono le foraggere con il

20,73%, frumento 18,64%,

cereali e semi oleosi

entrambi con un 9,4%.

La superficie totale a seminativi è suddivisa tra le tre regioni amministrative

Lombardia, Veneto ed Emilia così come mostrato nella figura 6.2.

Figura 6.2 : Ripartizione della superficie a seminativi

totale tra i territori regionali.


76

6.4 EMISSIONI

Per poter valutare gli impatti delle misure di greening introdotte con la nuova PAC da

un punto di vista ambientale abbiamo deciso di utilizzare come indicatore la quantità

di gas ad effetto serra emessi dal settore agricolo, espressi in CO2 equivalente. Nello

specifico è necessario, per ogni processo produttivo attivato, conoscere il livello di

emissioni (in tonnellate di CO2 equivalente) derivanti da un ettaro di superficie

dedicato a quella coltura. Infatti, come mostra schematicamente la figura 6.3,

conoscendo le emissioni imputabili a 1 ettaro di superficie dedicato alla coltura x e

moltiplicando questo dato per la superficie totale dedicata a x (informazione ricavata

dal database RICA) è possibile conoscere le emissioni totali derivanti da quel

processo produttivo (in tCO2 eq). In seguito all’introduzione dei vincoli imposti con la

nuova PAC, gli agricoltori modificheranno i loro ordinamenti produttivi, e quindi la

superficie destinata a x cambia. Di conseguenza cambierà anche l’emissione totale

imputabile alla coltura x. A questo punto è possibile fare un confronto tra il livello di

emissione prima dell’introduzione del nuovo scenario di politica (baseline scenario) e

quello successivo per valutare se la variazione è stata positiva, negativa o nulla.

Figura 6.3 : procedimento per la valutazione degli effetti della nuova PAC sulle emissioni di GHG.


77

I dati sulle emissioni di CO2 equivalente imputabili alle diverse colture non erano

presenti e quindi sono stati calcolati utilizzando il prontuario dell’agricoltura Ribaudo

e le linee guida INEA. Di seguito è illustrata la procedura seguita per la stima di

questi valori; maggiori informazioni sono disponibili nell’appendice A.

Come abbiamo già visto, i principali gas serra di origine agricola sono anidride

carbonica, metano e protossido di azoto.

Anidride carbonica

L’anidride carbonica deriva

• dall’utilizzo di fonti energetiche per le diverse attività colturali,

• dall’uso del suolo.

Il prontuario Ribaudo riporta i livelli di consumo di carburante per le diverse

operazioni agricole necessarie per ogni ettaro dedicato ad una determinata coltura.

In altre parole possiamo conoscere esattamente la quantità in kg di combustibile

necessario per coltivare 1 ettaro di superficie, quantità che varia ovviamente a

seconda del processo produttivo che si considera. Attraverso le linee guida INEA, è

possibile calcolare le emissioni dovute alla combustione di carburanti grazie ad una

semplice formula:

kg CO2 = Kg (combusto) x EF

EF (Emission Factor) è un coefficiente che indica quanti Kg di CO2 si producono con

la combustione di 1 kg di combusto. Per il gasolio EF = 3,138 kg CO2 /kg combusto.

Il suolo è il comparto ambientale con la più grade riserva di carbonio in forma

organica (Soil Organic Carbon - SOC), la principale fonte di SOC è rappresentata

dalla biomassa in decomposizione nel suolo, mentre i flussi in uscita sono

direttamente legati al rilascio di CO2 in atmosfera dovuto ai processi di respirazione

della biomassa viva. L’intensificarsi delle pratiche agricole dell’ultimo secolo

(cambiamento d’uso del suolo) ha comportato una rilevante riduzione globale del

SOC in conseguenza da un lato, dell’attivazione delle cinetiche ossidative e, dall’altro,

dello scarso livello di ritorno al suolo dei residui organici dovuti al prelievo,


78

pressoché totale, di biomassa dei sistemi monocolturali. Tuttavia, queste dinamiche

non sono completamente irreversibili, poiché la conversione verso pratiche più

sostenibili di coltivazione e gestione dei suoli potrebbe comportare un cambiamento

positivo nel trend del SOC.

E’ chiaro come il suolo si comporti quindi da un lato come un sequestratore di

carbonio (carbon sink) e dall’altro come fonte (carbon source). Facendo un bilancio

tra i due fenomeni è possibile valutare se il sistema sia nel suo complesso sink o

source. Bisogna comunque tenere presente che nella definizione dei flussi di

carbonio intervengono numerose variabili chimico-fisiche e una valutazione del

bilancio del carbonio nel suolo risulta spesso difficile ed incerta. Le linee guida INEA

propongono una metodologia per il calcolo degli stock di carbonio nei suoli, ma per

via principalmente della complessità nel reperimento dei dati necessari, si è deciso di

tralasciare questa componente di emissione per questo lavoro di tesi.

Protossido di azoto

Il protossido d’azoto si origina:

• dalla gestione delle deiezioni animali

• dai suoli agricoli

• dalla bruciatura delle stoppie

Emissioni dirette di N2O si verificano come conseguenza dei processi di nitrificazione

e denitrificazione dell’azoto contenuto nelle deiezioni e dipendono dalla disponibilità

di azoto, carbonio e ossigeno (le emissioni di protossido di azoto sono favorite in

condizioni aerobiche). E’ possibile calcolare le emissioni di N2O moltiplicando il

numero di capi per categoria di animale per lo specifico fattore di emissione,

tenendo conto anche del tipo di gestione delle deiezioni [IPCC,2000]. Nel nostro

caso specifico, consideriamo solo la zootecnia da latte.

Nella categoria suoli agricoli rientrano emissioni con diverse origini (sempre legate a

reazioni di nitrificazione e denitrificazione). Sono state considerate le emissioni di

N2O derivanti dall’azoto contenuto nei fertilizzanti sintetici. Conoscendo la quantità di


79

azoto totale contenuto nei fertilizzanti (dato ottenuto dal prontuario Ribaudo) è

possibile applicare dei fattori di conversione per risalire all’emissione di N2O. In

maniera simile per le colture azoto fissatrici, conoscendo la quantità di azoto fissata

annualmente da una data coltura (in kg/ha) è possibile risalire alle emissioni di N2O

grazie ai fattori di emissione forniti dalle linee guida INEA. Infine sempre attraverso

opportuni fattori di conversione, si sono calcolate le emissioni di protossido

provenienti da reflui zootecnici riversati al suolo. Le emissioni appena elencate sono

classificate come dirette. Esiste un’altra categoria di emissioni indirette e sono quelle

causate da processi di deposizione atmosferica, liscivazione e ruscellamento delle

quali abbiamo tenuto conto.

La combustione in campo di residui agricoli comporta emissioni di metano e

protossido di azoto. Tale pratica in Italia proibita dal 1980, anche se ogni anno

alcune regioni richiedono la deroga alla legge. Le stesse linee guida dell’INEA non

stimano le emissioni di tale fonte per via della scarsa rilevanza a livello nazionale e del

divieto citato.

Metano

Il metano si genera:

• dalla fermentazione enterica

• dalla gestione delle deiezioni animali

• dalle risaie

Per la fermentazione enterica è sufficiente moltiplicare il numero di capi di capi (nel

nostro caso, vacche la latte) per un fattore di emissione specifico per categoria di

animale che esprime i kg di metano emessi per ogni capo in un anno. In maniera

analoga si calcolano le emissioni di metano provenienti dalla gestione delle

deiezioni, ovvero moltiplicando il numero di capi per un fattore di emissione. Infine

per le risaie, esistono fattori di emissione per le diverse tecniche colturali che,

moltiplicati per la superficie coltivata (in ha/anno) forniscono l’emissione totale di

CH4.


80

Le emissioni di protossido d’azoto e metano sono state trasformate in emissioni di

CO2 equivalente utilizzando i potenziali di riscaldamento globale [IPCC]. La tabella

6.2 riporta le emissioni di CO2, N2O e CH4 stimate per ogni processo produttivo ed

espresse in tonnellate di CO2 equivalente per ettaro o capo. La loro somma fornisce

ovviamente le emissioni totali.

Tabella 6.2: Emissioni stimate per ogni ettaro di superficie in tonnellate di CO2 equivalente. Per il latte le

emissioni si intendono per capo.


81

Processo Produttivo CO2 N2O CH4 tCO2 eq

Barbabietola 0,79 0,65 1,44

Cereali 0,49 0,83 1,32

Cipolla 0,86 1,29 2,15

Erbai 0,17 0,67 0,84

Foraggere 0,17 0,67 0,84

Frumento Duro 0,46 1,20 1,66

Frumento Tenero 0,44 1,11 1,55

Insilati 0,84 0,92 1,76

Mais 1,57 1,95 3,52

Erba Medica 0,43 1,13 1,56

Orzo 0,43 0,55 0,98

Patata 0,79 1,48 2,27

Pomodoro Industriale 1,18 0,92 2,1

Proteiche 0,58 0,46 1,04

Riso 0,69 0,47 7,33 8,49

Semi Oleosi 0,36 0,46 0,82

Soia 0,53 0,62 1,15

Latte 2,29 3,20 5,49

Le informazioni della tabella 6.2 possono essere rappresentate graficamente, così

come mostrato in figura 6.4. L’attività che causa una maggiore emissione per ettaro di

superficie coltivata è il riso a cui seguono latte e mais.

Figura 6.4: Emissioni delle diverse attività produttive per ettaro in tonnellate di CO2 equivalente. Nel

caso del latte si parla di emissioni per capo.


82

7. SVILUPPO DI UN MODELLO DI PMP

PER LA VALUTAZIONE INTEGRATA

7.1 ARCHITETTURA DEL MODELLO

A questo punto disponiamo di tutti gli elementi necessari per sviluppare ed

implementare un modello di programmazione matematica positiva che valuti le

conseguenze sulle aziende agricole della macro-regione considerata in seguito

all’introduzione delle azioni di greening previste dalla nuova PAC. Il modello

proposto si prefigge l’obiettivo di analizzare sia le conseguenze tecnico-economiche,

e quindi variazione degli ordinamenti produttivi e dei livelli di profitto, sia le

conseguenze ambientali, e quindi la modifica dei livelli di emissione di gas serra

provenienti dal settore agricolo.

Il software utilizzato per la costruzione del modello è GAMS. In seguito sono riportate

alcune parti del modello con il tentativo di mostrarne la struttura. Il modello completo

è riportato nell’allegato 2.

7.1.1 Inserimento dati

I dati ricavati dal database RICA, così come le informazioni calcolate sulle emissioni,

sono organizzate all’interno di file excel. Nella prima parte si provvede ad importare

tutti questi dati all’interno di GAMS. Riportiamo un esempio: siamo a conoscenza del

numero di ettari che ogni azienda dedica a ciascuna attività produttiva. Questa

informazione è organizzata in una tabella excel che riporta in riga le aziende e in

colonna i diversi processi produttivi. Il file excel è stato convertito in un file csv,

denominato HA2.csv, e importato in GAMS con la seguente istruzione:


83

TABLE hax (azi, proc) $ondelim$include HA2.csv$offdelim

In questo modo all’interno di GAMS prima si crea una tabella di nome “hax” che

riporta in riga le aziende (azi) e in colonna i processi produttivi (proc) che viene

compilata con i dati contenuti nel file HA2.csv.

Con questa operazione, importiamo i dati RICA 2010 riguardanti tutti il territorio

nazionale e successivamente provvediamo alla selezione dei dati riguardanti

esclusivamente l’area di nostro interesse.

7.1.2 Modulo di scaling

Alla fase precedente segue un modulo di scaling, ovvero un passaggio in cui

determinati valori vengono scalati, cioè si riduce la loro dimensione al fine di

consentire al risolutore di trovare la soluzione ottima. L’unica accortezza necessaria è

di mantenere inalterato il rapporto tra le diverse variabili. Nel modello troveremo

istruzioni di questo tipo:

xbar(az,j) = xbar(az,j)/10000

xbar è la variabile che indica per ogni azienda (az) e per ogni processo produttivo (j),

la produzione totale in tonnellate. Con un’istruzione di questo tipo questo valore

viene diviso per 10000.

7.1.3 Modulo di calibrazione

A questo punto si inizia la fase vera e propria di Programmazione matematica

positiva, che si divide in 3 fasi:

• nella prima fase si tratta di risolvere un semplice problema di programmazione

lineare con l’obiettivo di determinare il valore duale associato ai vincoli. Il modello

viene risolto per ogni singola azienda considerata, sfruttando la funzione “loop” di


84

GAMS. In questo modo riusciamo a risolvere tanti problemi quante sono le aziende.

Per ultima inseriamo l’azienda somma che contiene l’informazione aggregata.

• nella seconda fase ci occupiamo della ricostruzione della funzione di costo non

lineare, cioè della definizione della matrice dei costi marginali variabili.

• nella terza e ultima fase abbiamo un modulo di calibrazione in cui si verifica che il

modello, utilizzando la funzione di costo stimata nel passaggio precedente, riesca

effettivamente a ricostruire la situazione osservata.

7.1.4 Modulo di simulazione

A questo punto abbiamo a disposizione un modello in grado di riprodurre la

situazione osservata senza l’imposizione di vincoli di calibrazione. E’ quindi possibile

creare degli scenari di simulazione i cui risultati, confrontati con i risultati degli scenari

di partenza, forniscono indicazioni su come si modificheranno determinati parametri

economici e/o ambientali in seguito all’introduzione di vincoli che a loro volta

riflettono determinate imposizioni normative.

Nel nostro lavoro sono stati utilizzati i dati RICA 2010, ma si è ritenuto opportuno

adeguare i prezzi riportati con i prezzi del 2013 (fonte ISMEA). Si è quindi creato uno

scenario di simulazione chiamato nel modello “Sim_0” che modifica la situazione

osservata al 2010, adeguando i livelli di prezzo al 2013. Sim_0 costituisce per noi lo

scenario base, o “baseline scenario”, che rappresenta la situazione precedente

all’introduzione della nuova politica agricola comune.

Successivamente si è creata una nuova simulazione, Sim_2, che parte dallo scenario

di base ma introduce i vincoli dettati dall’introduzione delle attività di greening

previste dalla nuova PAC: diversificazione delle colture, mantenimento di prati e

pascoli permanenti e superfici da destinare ad EFA (Ecologial Focus Area).

7.1.5 Modulo di output

Nella parte finale troviamo tutte le istruzioni che indicano al modello quali

informazioni restituire, che verranno organizzate all’interno di file csv.


85

Lo stesso modello è stato applicato alle zone di pianura delle tre regioni considerate:

Lombardia, Veneto ed Emilia Romagna. I risultati ottenuti a livello regionale sono stati

aggregati per avere una visione d’insieme per la macro regione considerata.

7.2 RAPPRESENTAZIONE ANALITICA DEI VINCOLI DI GREENING

La prima cosa da fare per introdurre i vincoli imposti dalla nuova PAC in un modello

di programmazione è tradurre tali vincoli in un linguaggio matematico. Il secondo

passaggio consiste nello scrivere l’equazione o disequazione matematica nel

linguaggio utilizzato da GAMS. Consideriamo i tre vincoli di greening e osserviamo

come sono stati introdotti nel modello:

7.2.1 Diversificazione delle colture

Questo vincolo impone alle aziende con una superficie a seminativi superiore a 10

ettari di attivare almeno due colture, la principale delle quali non può coprire più del

75% della superficie a seminativi. In termini matematici:

xi,j ≤ 0,75 yi

dove :

xi,j = superficie che l’azienda i dedica alla coltura j

yi = superficie totale a seminativi dell’azienda i

A questo punto introduciamo l’istruzione in GAMS utilizzando le specifiche regole di

inserimento delle istruzioni imposte dal software.

Innanzitutto è necessario dichiarare le variabili decisionali, o endogene. Ad ognuna

di esse viene affidato un nome, un dominio, se appropriato, e un testo (opzionale).-

VARIABLES xhv(azi,j) superficie produzioni vendute

con questa istruzione abbiamo creato una nuova variabile di nome xhv e dominio

(azi,j), ovvero definita per ogni azienda (azi) e per ogni processo produttivo (j), che

rappresenta la superficie dedicata alle produzioni vendute.


86

A seconda del range di valori che può assumere, a ciascuna variabile va assegnato il

tipo.

POSITIVE VARIABLE xhv

Questa variabile può assumere solo valori positivi, ossia nell’intervallo (0,+𐆅), così

come dettato nella seconda riga.

I vincoli sono chiamati in GAMS equation e devono essere prima dichiarati, ovvero è

necessario attribuirvi un nome e un dominio, e successivamente definiti.

EQUATION DIVERS1(azi,j)

Questa istruzione ha il compito di dichiarare l’esistenza di un vincolo chiamato

DIVERS1 che sarà definito per ogni azienda, azi, e per ogni processo produttivo j.

Alla dichiarazione segue la definizione:

DIVERS1(az,jsem)$(supsem(az) gt 10 and bio(az) eq 0 and cod2(az) eq 0).. xhv(az,jsem)=L=0.75*H(az);

Il simbolo $ significa “se” ed è seguito da delle istruzioni poste all’interno di una

parentesi; questo significa che GAMS definisce il vincolo DIVERS1 solo se sono

soddisfatte le condizioni poste all’interno delle parentesi. In questo caso abbiamo tre

condizioni:

1. supsem(az) gt 10 : supsem(az) è la superficie a seminativi per ogni azienda (az)

gt significa “maggiore di” (greater than).

La prima condizione per attivare questo vincolo è che la superficie a seminativi

dell’azienda sia maggiore di 10 ettari.

2. bio(az) eq 0 : bio(az) è una variabile binaria che assume valore 0 se l’azienda non

possiede una certificazione biologica e valore 1 nel caso contrario.

eq significa “uguale”.

La seconda condizione è che l’azienda non sia certificata bio.

3. cod2(az) eq 0 : cod2(az) è una variabile binaria che assume valore 0 se l’incidenza

della superficie a foraggere sulla superficie totale è inferiore al

75% e valore 1 nel caso contrario.

L’ultima condizione è che l’azienda impieghi meno del 75% della superficie a

foraggere.


87

Queste tre condizioni sono unite dalla congiunzione AND e quindi devono essere

soddisfatte contemporaneamente.

I due punti (. .) sono il simbolo che attribuisce al vincolo DIVERS1 la disuguaglianza

xhv(az,jsem)=L=0.75*H(az).

=L= corrisponde al simbolo matematico minore o uguale (≤) per cui questa

equazione indica che la superficie dedicata alla produzione venduta, per ogni

azienda e per ogni processo, dev’essere minore o uguale al 75% della superficie

totale.

7.2.2 Mantenimento di prati e pascoli permanenti

D’ora in poi tralasceremo la descrizione approfondita della parte di dichiarazione per

concentrarci sulla definizione delle equation, che rappresenta il passaggio centrale

nell’introduzione dei vincoli nel problema. Consideriamo il vincolo dei prati e pascoli

permanenti che impone che il rapporto tra superficie a prato e pascolo permanente e

superficie agricola totale non diminuisca di più del 5%. Per introdurre questo vincolo

utilizziamo due equation:

• La prima impone, per le aziende agricole non biologiche, che la superficie

destinata a pascolo sia maggiore o uguale della superficie destinata a pascolo nello

scenario base (s_base).

Vperm1(az)$(bio(az) eq 0).. xhv(az,"pascolo") =G= gre_supv(az,"pascolo","s_base");

• La seconda invece impone, sempre per le aziende non biologiche, che se la

superficie a pascolo si riduce, tale riduzione non deve superare il 5% rispetto alla

superficie destinata a pascolo nello scenario base.

Vperm2(az)$(bio(az) eq 0).. xhv(az,"pascolo") =L= (gre_supv(az,"pascolo","s_base"))*1.05;


88

7.2.3 Aree di interesse ecologico

Ricordiamo che il vincolo relativo alle EFA (Ecological Focus Area) si applica alle

aziende con una superficie a seminativi superiore a 15 ettari, le quali dovranno

garantire che il 5% della superficie sia un’area di interesse ecologico.

In GAMS utilizzeremo questa istruzione:

Veco(az)$(supsem(az) gt 15 and bio(az) eq 0 and cod2(az) eq 0).. sgreen(az)=G= 0.05 * [sum ((js),xhv(az,js)) - xhv(az,"pascolo")];

Se la superficie a seminativi (supsem(az)) è maggiore di 15 ettari, l’azienda non e non

è biologica e le superfici a foraggere hanno un’incidenza inferiore al 75%, allora al

vincolo “Veco” definito per ogni azienda, viene attribuito una disequazione.

Quest’ultima impone che la superficie da destinare ad EFA, sgreen(az), sia maggiore

o uguale al 5% della superficie totale impiegata dall’azienda. Questa è calcolata

come la somma per tutti i processi produttivi (js), della superficie che ogni azienda

dedica alle diverse attività produttive. In altre parole l’espressione matematica:

∑ xhv (az, js) js

in GAMS diventa:

sum ((js,xhv(az,js))

Per ricavare la superficie totale a seminativi viene sottratta la superficie destinata a

prati permanenti, indicata come xhv(az,”pascolo”).


89

7.3 IL VINCOLO DI EMISSIONE

Il vincolo di emissione calcola, per ogni azienda (az) le emissioni imputabili ad ogni

processo produttivo (j), espresse in tonnellate di CO2 equivalente.

EMISSION1(az,j)$ha(az,j).. totCO2EQ(az,j) =E= xhv(az,j)*emissioni(j,"tco2");

Le emissioni totali imputabili all’attività produttiva j (totCO2eq) devono essere uguali

(=E=) al prodotto tra la superficie coltivata a j e le emissioni di CO2 equivalente per

ettaro. Quest’ultima informazione è stata calcolata così come mostrato al paragrafo

6.4.

Nella funzione obiettivo verrà inserita tra i costi la tassa sulle emissioni con

un’istruzione di questo tipo:

sum(j,TaxEm * totCO2eq(az,j))

dove TaxEm è la tassa applicata per tonnellata di CO2 eq emessa, che in fase di

simulazione verrà fatta variare da 1 a 100€.

In pratica, per ogni processo produttivo j, si moltiplicano le emissioni totali dovute a j

per la tassa per tonnellata di CO2eq. Se poi si sommano, per ogni azienda, i risultati

ottenuti per tutti i processi produttivi si ottiene il costo che l’azienda sostiene per il

pagamento della tassa.


90

8.RISULTATI

Attraverso un’elaborazione con dei fogli di calcolo excel è possibile fornire una

presentazione dei risultati tramite grafici e tabelle che consentono sia una

comprensione più immediata delle informazioni restituite dal modello, sia

un’organizzazione dei dati necessaria ai fini valutativi.

Nei paragrafi successivi verranno prima confrontati i risultati ottenuti dal baseline

scenario e quelli derivanti dallo scenario di simulazione riguardante l’introduzione

delle nuove pratiche di greening previste dalla politica agricola comune 2014-2020.

In seguito si valuteranno gli effetti dell’introduzione di una tassa che varia da 1 a 100

euro per ogni tonnellata di CO2 equivalente emessa. In entrambi i casi verranno

presentati i dati aggregati a livello della macro-regione e si considereranno sia le

componenti strutturali ed economiche (variazione dell’ordinamento produttivo e del

margine lordo), sia la componente ambientale, il livello di emissioni. Per una

rappresentazione dettagliata dei risultati a livello regionale si rimanda all’allegato 3.

Ricordiamo che nel presente lavoro sono stati considerati solo i seminativi. Per

favorire la presentazione dei risultati è stata operato un raggruppamento in categorie

delle singole colture considerate, così come mostrato nella tabella 8.1 (per

completezza sono riportate anche le abbreviazioni usate in alcuni grafici).

Figura 8.1 : Raggruppamento colture considerate in categorie.


91

Singole Colture Categoria Abbreviazione

frumento duro, frumento tenero frumento FRUM

mais mais MAIS

cereali, orzo, riso cereali CEREALI

foraggio, erbai, erba medica, insilati, pascolo foraggere FORAG

barbabietola, cipolla, patata, pomodoro industriale colture industriali IND

semi oleosi, soia semi oleosi SEMIO

proteiche altre ALTRE

8.1 CONFRONTO BASELINE - PAC 2014-2020

8.1.1 Variazione ordinamento produttivo

La figura 8.2 mostra come varia l’ordinamento colturale tra i due scenari considerati.

Tra gli elementi più evidenti vi è l’introduzione di un 15% di superficie destinata alle

ecological focus area (EFA) nello scenario PAC rispetto al baseline.

Figura 8.2 : Confronto tra l’ordinamento produttivo nel baseline scenario e nello scenario di simulazione

della nuova PAC. Per ognuno dei due scenari è mostrata la percentuale di superficie totale occupata

dalle diverse colture.

Un grafico di questo tipo fornisce una visione complessiva dell’organizzazione

colturale delle superfici agricole ma per apprezzare la variazione della superficie

destinata ad ogni coltura è più utile un grafico come quello nella 8.3 dove, per ogni

attività produttiva, viene indicata la variazione della superficie ad essa destinata. Ad

esempio, nello scenario PAC la superficie destinata a frumento diminuisce del

16,79% rispetto alla superficie destinata a frumento nello scenario base. In questo

modo è evidente la riduzione delle superfici destinate a frumento, mais, colture


92

industriali e semi oleosi, mentre aumentano quelle dedicate a cerali, foraggere, EFA

e “altre”. Ricordiamo che sotto la voce “altre” rientrano le coltivazioni di proteiche.

Figura 8.3 : Variazione percentuale della superficie dedicata alle diverse colture.

Dalla figura 8.3 non emerge però il peso che ogni coltura ha sul totale della

superficie destinata a seminativi. Analizzando questo grafico infatti sembrerebbe che

l’aumento di circa il 60% della superficie destinata a proteiche sia un dato rilevante,

che potrebbe ingannevolmente indurre a pensare ad un aumento notevole

dell’importanza di tale coltura nel contesto generale. In realtà, la superficie a

proteiche nello scenario baseline è circa lo 0,2% della superficie totale a seminativi

per cui, nonostante il sostanziale aumento, la sua incidenza sulla superficie totale

varia di solo lo 0,11%, così come mostrato nella figura 8.4.


93

Figura 8.4 : Variazione percentuale dell’incidenza dei diversi gruppi di colture sulla superficie totale.

Gli effetti dell’introduzione della nuova PAC si ripercuotono anche sulla zootecnia. La

tabella in figura 8.5 confronta la dimensione degli allevamenti di vacche da latte

prima e dopo l’introduzione della nuova politica. L’effetto netto della PAC a livello

della macro regione risulta essere una diminuzione del 9,73% del numero di capi da

latte.

Figura 8.5: Effetti della nuova PAC sulla zootecnia da latte.


94

LATTELATTE Baseline PAC 14-20 Riduzione Rid %

numero di capi

Emilia 159.195 150.433 -8.672 -5,45%

numero di capi

Lombardia 409.821 363.230 -46.592 -11,37%numero di capi Veneto 157.897 137.913 -14.983 -9,80%

numero di capi

Macro - Regione 721.823 651.576 -70.247 -9,73%

8.1.2 Variazione del margine lordo

Dalla modifica degli ordinamenti colturali deriva anche una variazione del profitto

degli agricoltori. La tabella sottostante (Figura 8.6) mostra nella prima riga la

produzione lorda vendibile (PLV), ovvero la produzione che può essere venduta

dall’azienda ed è pertanto uguale alla produzione lorda totale meno la quota-parte

riutilizzata nell’azienda stessa come mezzo di produzione (reimpieghi aziendali). Nella

seconda riga sono riportati i costi di produzione variabili. Sottraendo questi costi alla

PLV si ottiene il margine lordo di primo livello, che si riduce nello scenario PAC di

262€/ettaro. Questa riduzione, imputabile all’adozione delle misure previste dalla

nuova PAC, può essere definita come “costo del greening”. Se consideriamo i

pagamenti previsti dalla PAC otteniamo il margine lordo di secondo livello. Sulla

base dei risultati ottenuti un aiuto di 90-100 euro ad ettaro per le azioni di greening

non consentirebbe di compensare i maggiori costi sostenuti dagli agricoltori. La

regionalizzazione degli aiuti e l’effetto della convergenza riducono in modo sensibile

i pagamenti medi ricevuti delle aziende di pianura.

Variabili Economiche Baseline PAC 14-20 Var %Costo del Greening

€/ha€/ha €/ha

Produzione Lorda Vendibile 5.724 5.117 -10,6%

Costi Variabili di Produzione 3.152 2.808 -10,9%

Margine Lordo di I livello 2.571 2.309 -10,2% 262

Pagamenti 530 233 -56,2%

Margine Lordo di II livello 3.102 2.542 -18,1

Figura 8.6 : Variabili Economiche: Variazione del margine lordo.


95

8.1.3 Variazione delle emissioni di GHG

Le emissioni totali di gas serra diminuiscono di circa 1 milione di tonnellate di CO2

equivalente. La figura 8.7 mostra la variazione delle emissioni totali e l’incidenza di

ciascuno dei tre principali gas serra (N2O, CO2 e CH4) sull’emissione complessiva.

Metano e protossido d’azoto sono responsabili insieme di oltre l’80% delle emissioni,

mentre l’anidride carbonica contribuisce per il restante 19% circa.

Figura 8.7: Variazione delle emissioni totali di GHG e composizione percentuale relativa in protossido

di azoto, anidride carbonica e metano.


96

Anche in questo caso è interessante osservare la variazione percentuale delle

emissioni di ciascun gas serra, così come riportato nella 8.8.

Figura 8.8 : Variazione percentuale delle emissioni di ognuno dei gas serra considerati

e dell’emissione totale.

Notiamo in questo caso che l’emissione di anidride carbonica presenta la riduzione

maggiore, - 24,4%, seguita con il -16,86% del protossido e per ultimo il metano, con

una riduzione del -4,84%, il tutto per una riduzione complessiva dell’emissione di

GHG del -13,58%. La figura 8.9 mostra l’incidenza di ogni gas sulla riduzione

complessiva.

Figura 8.9 : Incidenza di ogni gas sulla

riduzione delle emissioni totali. Il contributo

maggiore è dovuto al protossido con

un’incidenza di oltre il 50%.


97

Un’altra informazione ricavabile dai risultati ottenuti è il contributo di ogni regione

considerata all’emissione complessiva (figura 8.10). La Lombardia è responsabile di

circa la metà delle emissioni, mentre la parte restante è divisa quasi equamente tra

Veneto ed Emilia Romagna.

Figura 8.10 : Variazione e contributi regionali alle emissioni totali di GHG.

Anche in questo caso è possibile considerare sia la variazione percentuale che il

contributo di ogni regione alla riduzione complessiva delle emissioni, figure 8.11 e

8.12.

Figura 8.11 (sopra) : variazione percentuale delle

emissioni provenienti da ciascuna regione.

Figura 8.12 (a destra) : contributo di ogni regione

all’abbattimento complessivo delle emissioni.


98

Il grafico della 8.13 rappresenta le emissioni di ognuno dei gas serra considerati,

attribuite ad ogni regione. La componente di maggior rilievo è il metano emesso

nella regione Lombardia, valore legato alla presenza in questa regione di oltre il 50%

dei capi da latte allevati nel territorio considerato.

Figura 8.13:

Emissioni per

tipo di gas, per

regione.

Sempre in tema di emissioni è interessante costruire un grafico che mostra l’incidenza

di ogni attività produttiva sulle emissioni totali (figura 8.14). E’ evidente il ruolo

rilevante del latte, seguito dal mais.

Figura 8.14 :

Contributo delle

diverse colture

alle emissioni

totali. Confronto

Baseline - PAC

2014-2020.


99

Anche in questo caso, la variazione del contributo di ciascun attività produttiva alle

emissioni totali può essere evidenziata con un grafico come quello in figura 8.15. E’

evidente come la riduzione totale delle emissioni sia imputabile principalmente alle

attività latte e mais.

Figura 8.15 : Incidenza dei diversi processi produttivi all’abbattimento delle emissioni totali.


100

8.2 EMISSION TAX SCENARIO

Se, oltre l’introduzione della nuova PAC, decidessimo anche di introdurre una tassa

sulle emissioni, come varierebbero i parametri strutturali, economici ed ambientali

considerati nel capitolo precedente? La risposta dipende dall’ammontare della tassa:

ci aspetteremo variazioni meno marcate per una tassa di pochi euro per tonnellata di

CO2 equivalente emessa e variazioni via via più ampie all’aumentare della tassa. Per

valutare se queste variazioni seguono un andamento lineare o se esistono dei valori

soglia oltre i quali si hanno degli effetti drastici, abbiamo ipotizzato l’introduzione di

una tassa che varia da 1 a 100€ per tonnellata di CO2 equivalente emessa. Per fare

questo, abbiamo creato uno scenario di simulazione che considerasse una tassa di

1€/tCO2eq; il modello che riproduce questo scenario è stato ripetuto 100 volte,

facendo aumentare la tassa applicata di 1 euro ad ogni iterazione.

8.2.1 Variazione Ordinamento Produttivo

L’applicazione della tassa determina un’importante ridimensionamento della

produzione di mais, con una riduzione della superficie ad esso dedicata di oltre il

15%. Il mais infatti è una delle colture con il livello di emissioni per ettaro più alto tra

le colture considerate, preceduto solo dal riso. I terreni sottratti al mais vengono

destinati a colture meno impattanti dal punto di vista delle emissioni, come frumento

e semi oleosi.

Figura 8.16 :

Variazione in

percentuale

della superficie

dedicata alle diverse

colture.


101

Per quanto riguarda il latte, il numero di capi da latte variano così come mostrato

nella figura 8.17.

8.17 : Variazione in

percentuale

del numero di capi

da latte.

In Emilia Romagna, fino ad una tassa di 25€/tCO2eq il numero di vacche da latte non

varia. Oltre questa soglia vi è una riduzione quasi lineare delle emissioni fino ad una

seconda soglia, attorno ai 70€/tCO2eq, oltre la quale la rapidità della riduzione

aumenta. Anche in Lombardia si nota una riduzione nulla o quasi fino a 25-30€/

tCO2eq, oltre tale valore, il numero di capi da latte inizia a diminuire. Questi

andamenti indicano un grado di resistenza del sistema produttivo, che fino ad un

certo valore della tassa applicata, non modifica la propria organizzazione.

In Veneto invece già con una tassa inferiore ai 10€/tCO2eq il numero di capi inizia a

diminuire con un andamento quasi perfettamente lineare. Nel complesso, per la

macro regione considerata (curva verde nella figura 8.17) possiamo definire un

valore di soglia attorno ai 15 €/tCO2eq, al di sotto di questa tassa la riduzione del

numero di capi è nulla o molto limitata, oltre a questo valore inizia una diminuzione

lineare.


102

8.2.2 Variazione Margine Lordo

Per quanto riguarda le variabili economiche, possiamo analizzare come varia il

margine lordo sia a livello delle singole regioni che a livello aggregato. I risultati sono

mostrati nella figura 8.18. Anche con la tassa massima di 100€/tCO2eq, il margine

lordo della macro regione si riduce di circa il 13 %. Da questo punto di vista risulta

molto stabile l’Emilia Romagna, con una riduzione massima dell’8%, mentre la

regione che più risente della tassa è la Lombardia che può arrivare a ridurre il proprio

margine del 18%.

Figura 8.18 : Variazione del margine lordo in percentuale.

8.2.3 Variazione delle emissioni di GHG

E’ logico pensare che le emissioni diminuiscano se colpite da una tassa, tuttavia

questa riduzione è diversa per i diversi gas serra e per le diverse regioni. Il grafico

nella 8.19 mostra la variazione, in percentuale, delle emissioni relative ai diversi GHG

considerati. Le emissioni di anidride carbonica sono quelle che diminuiscono più

rapidamente a bassi valori della tassa applicata, ma dopo una soglia di circa 50€ si


103

assiste ad un appiattimento. Il contrario vale per il protossido d’azoto e il metano, che

diminuiscono più rapidamente dopo una soglia di circa 60€.

Figura 8.19 :

Variazione delle

emissioni per tipo

di gas.

Vediamo anche come variano in percentuale le emissioni nelle diverse regioni.

Figura 8.20 :

Variazione delle

emissioni per

regione.

Dal grafico 8.20 emerge che le emissioni del Veneto diminuisco rapidamente e in

modo costante, arrivando, con una tassa di 100€/tCO2eq a ridursi di circa il 50%.

Anche le emissioni di Emilia Romagna e Lombardia diminuiscono con un andamento

quasi lineare ma molto meno rapido.


104

Da una semplice rielaborazione delle informazioni contenute negli ultimi due grafici

si ottengono le curve di abbattimento che mostrano, al variare della tassa applicata,

l’abbattimento in percentuale delle emissioni totali. Di seguito sono riportate due

curve di abbattimento: la 8.21 mette in risalto il contributo dei diversi GHG

all’abbattimento totale, mentre la 8.22 evidenzia il contributo delle diverse regioni.

Figura 8.21 : curva di abbattimento per gas

Figura 8.22 : curva di abbattimento per regione.


105

9.CONCLUSIONI

L’adozione o la modifica di un qualsiasi strumento normativo comporta degli impatti

a livello economico, sociale ed ambientale. Al fine di valutare preventivamente tali

impatti si utilizzano dei modelli fondati su nozioni economiche, matematiche e/o

statistiche. I modelli reperibili nella letteratura scientifica spesso si soffermano solo

sull’analisi della componente economica, tralasciando gli aspetti ambientali e sociali.

Da questa mancanza è nato il presente lavoro di tesi che si è posto come obiettivo

generale lo sviluppo di un modello matematico che consentisse una valutazione di

politiche agricole da un punto di vista ambientale oltre che economico. La nostra

analisi è orientata ai policy-makers, che utilizzano questi modelli come supporto nei

loro processi decisionali.

Si è optato per l’utilizzo di un modello di programmazione matematica positiva; tra

gli elementi che supportano tale scelta vi è la capacità di simulare esattamente la

situazione osservata, anche partendo da un numero limitato di osservazioni, e la

robustezza del modello rispetto alle variazioni dei parametri di supporto. Il modello è

stato applicato a livello delle singole aziende agricole e si definisce per questo

motivo “farm level”. La scelta di un modello farm-level permette di utilizzare tutti i dati

disponibili, senza la perdita di informazione che si avrebbe da un’analisi aggregata.

Inoltre, dal momento che gli effetti di una politica dipendono direttamente da come

questa influisce sul processo decisionale del singolo operatore economico, l’utilizzo

di un modello in grado di riprodurre esattamente il comportamento dell’agricoltore è

fondamentale.

La politica che si è preso come oggetto di analisi è la nuova politica agricola comune

(PAC), approvata dalla Commissione, dal Consiglio e dal Parlamento europei il 26

giugno 2013 ed in vigore per l’intervallo di tempo 2014-2020. In particolare, si è

preso in considerazione un aspetto della nuova PAC, riguardante l’adozione delle

pratiche di greening necessarie per l’ottenimento dei pagamenti verdi, misure

previste tra gli strumenti di sostegno al reddito e incorporate nel pilastro I della

nuova politica. Inoltre si è ipotizzato l’introduzione di un’emission tax sulle emissioni

di gas serra e valutato gli effetti dell’introduzione di questo strumento.


106

L’area sulla quale è stato condotto lo studio è la porzione della pianura padana

ricadente nelle regioni Lombardia, Veneto ed Emilia Romagna. Tale scelta è dettata

dalla rilevanza che il settore primario riveste in questo territorio.

Per una valutazione tecnico-economica si è analizzato la variazione degli ordinamenti

produttivi e dei margini aziendali, mentre per la valutazione ambientale si è deciso di

osservare le variazioni sulle emissioni di gas ad effetto serra.

Da un’analisi dei risultati ottenuti è possibile trarre le seguenti conclusioni:

➡ L’adozione della nuova PAC comporta la destinazione del 15% delle superfici a

seminativi ad Ecological Focus Area. Questa percentuale è di gran lunga superiore

rispetto all’obbligo di legge, che prevede di riservare alle EFA almeno il 5% della

superficie a seminativi. Questo risultato è motivato dal modello utilizzato, che

ricerca sempre la soluzione che minimizzi il più possibile i costi. Inoltre, nello

scenario simulato, si è ipotizzato che i territori ad EFA fossero interamente destinati

al set-aside, nonostante la norma preveda utilizzi alternativi, quali l’impiego di

colture azoto fissatrici.

➡ Osservando la variazione del margine lordo, è evidente che il greening comporta

un costo che i pagamenti verdi non coprono per intero, con un effetto netto

negativo sul reddito degli agricoltori. Tale risultato contrasta che gli obiettivi

generali che la stessa politica agricola comune si prefigge, tra i quali troviamo il

sostegno al reddito degli agricoltori al fine di garantire loro un tenore di vita

decoroso.

➡ Anche se le azioni di greening non impongono direttamente delle restrizioni sulle

emissioni, la loro adozione comporta una riduzione delle emissioni di gas serra

nella macro-regione considerata del 13,58%.

➡ L’introduzione di una tassa sulle emissioni che varia da 1 a 100€ avrebbe come

effetto una riduzione delle superfici destinate alle colture con una maggiore

emissione per ettaro di superficie coltivata (mais) e un aumento di quelle meno

impattanti (frumento e semi oleosi). Le foraggere, anche se sono tra le colture con il

più basso valore di emissioni per ettaro di superficie coltivata, offrono un basso


107

margine di riduzione infatti, nonostante occupino circa il 20% (figura 8.1) della

superficie totale a seminativi, contribuiscono alle emissioni totali solo per il 4,08%

(figura 8.11).

➡ L’attività agricola è una fonte di gas serra il cui aumento nell’atmosfera causa

l’innalzamento delle temperature. D’altro lato, l’agricoltura è anche uno dei settori

maggiormente colpiti dal fenomeno dei cambiamenti climatici. Nella previsione di

un’aumento delle temperature globali, è opportuno adottare misure di mitigazione

e di adattamento al cambiamento atteso. In tal senso una tassa sulle emissioni può

anche essere vista come un costo di adattamento ai cambiamenti climatici.

➡ La tassa può essere ulteriormente interpretata come incentivo o sussidio. Infatti,

avemmo potuto valutare gli effetti dell’introduzione di un incentivo applicato a

diversi livelli di abbattimento delle emissioni, ottenendo lo stesso risultato.

➡ La costruzione di curve di abbattimento permette di conoscere esattamente quale

tassa dobbiamo applicare per raggiungere un determinato abbattimento nelle

emissioni di gas serra. Ad esempio, nel caso analizzato, supponendo di voler

raggiungere un abbattimento delle emissioni di GHG del 5%, dovremo applicare

una tassa di 22€ per tonnellata di CO2 equivalente emessa. Un abbattimento del

10% richiederebbe l’applicazione di una tassa di circa 40€/tCO2eq e così via. I

risultati del modello consentono inoltre di definire livelli differenziati della tassa per

tipo di emissione. Tali informazioni possono essere molto utile ai fini decisionali dei

policy-makers.

➡ Il contributo dei diversi gas nell’abbattimento totale varia a seconda dell’emission

tax. Per valori bassi la riduzione è ripartita quasi uniformemente tra i tre gas ma,

all’aumentare della tassa diventa prevalente il contributo del metano, seguito da

quello del protossido, mentre si riduce l’incidenza dell’anidride carbonica. Ciò

indica che inizialmente i costi di abbattimento sono circa uguali per i tre gas mentre

per valori più alti metano e protossido avranno un costo di abbattimento minore

rispetto alla CO2.


108

➡ In linea teorica, i costi di abbattimento dovrebbero essere uguali per ogni azienda

agricola. In realtà esiste una certa eterogeneità che causa una distribuzione spaziale

dei costi di abbattimento non uniforme nelle tre regioni, così come mostrato nella

figura 8.18. Il costo di abbattimento si dimostra minore in Veneto, mentre è

massimo per la Lombardia. Tale risultato suggerirebbe una revisione dello

strumento politico, con una possibile applicazione differenziata della tassa nelle

diverse regioni.

Per concludere, il presente di tesi si presenta come prima apertura dell’applicazione

di modelli di programmazione matematica positiva verso valutazioni di carattere

ambientale, oltre che economico, di strumenti normativi. Diversi limiti sono stati

incontrati, quali la disponibilità di informazioni. Ad esempio, le considerazioni

presentate di carattere ambientale circa le emissioni di GHG, si basano su una stima

delle emissioni ottenuta attraverso la letteratura scientifica disponibile. Uno studio

che fornisca dati più precisi circa le reali emissioni di gas serra legate all’agricoltura

comporterebbe senza dubbio una maggiore attendibilità dei risultati conseguiti con

l’applicazione di un modello. Inoltre come variabile ambientale è stato considerato

solo il livello di gas serra mentre in realtà all’agricoltura sono imputabili una serie di

impatti, legati non solo alle emissioni di GHG (si pensi alla contaminazione delle

acque superficiali e di falda con carichi eccessivi di nutrienti o all’erosione del suolo,

etc.). Sarebbe quindi interessante inserire ulteriori variabili ambientali nel modello,

come parametri in grado di valutare la qualità delle acque, in modo da fornire una

visione più completa degli impatti sui vari comparti ambientali. Per fare questo è

necessario un grande quantitativo di informazioni, ad oggi ancora non disponibili,

che lasciano ampio spazio a sviluppi futuri. Anche il modello sviluppato potrebbe

essere perfezionato, tentando di inserire delle componenti in grado di valutare gli

impatti ambientali aggregati che emergono dalle interazioni tra le diverse aziende

agricole.


109

RIFERIMENTI BIBLIOGRAFICI

✤ Belhouchette H., Louhichi K., Therond O., Mouratiadou I., Wery J.,van Ittersum M., Flichman G. (2011). Assessing the impact of the Nitrate Directive on farming

systems using a bio-economic modelling chain. Agricultural Systems 104:135–145.

✤ Britz W, Van Ittersum M., Lansink A.O., Heckelei T. (2012). Tools for Integrated

Assessment in Agriculture. State of the Art and Challenges. Bio-based and Applied Economics 1(2): 125-150.

✤ Buysse, Jeroen. Farm-level mathematical programming tools for agricultural policy support. Diss. Ghent University, 2006.

✤ Coderoni S., Bonati G.(2013): Impronta carbonica delle aziende agricole italiane.

INEA.

✤ Cypris C. (2000), Positive Mathmatische Programmingerung (PMP) im

Agrarserktormodell RAUMIS, Ph.D. dissertation, Department of Economic and Agricultural Policy, University of Bonn, Bonn, Germany.

✤ De Cara, Stéphane, Martin Houzé, and Pierre-Alain Jayet. "Methane and nitrous

oxide emissions from agriculture in the EU: A spatial assessment of sources and abatement costs." Environmental and Resource Economics 32.4 (2005): 551-583.

✤ De Cara, Stéphane, and Pierre-Alain Jayet. "Mitigation of greenhouse gas emissions in EU agriculture: An assessment of the costs of reducing agricultural

emissions and enhancing carbon sinks in agricultural soils." European

Commission, INSEA (2006).

✤ Donati M. (2001). “Principe et method pour la mise en ouvre de la

programmation mathematique positive.” Economie et sociologie rurales, Mémoires et Thèses N°34; INRA

✤ Gocht A., Britz W. (2011), EU-wide farm type supply models in CAPRI- How to

consistently disaggregate sector models into farm type models. Journal of Policy Modeling 33(1), 146-167.


110

✤ Helming J.F.M. (2005), A model of Dutch agriculture based on positive mathematical programming with regional and environemtnal aplicazions, PH.D.

Thesis, Wageningen University.

✤ Howitt, Richard E. "Positive mathematical programming." American journal of

agricultural economics 77.2 (1995): 329-342.

✤ Janssen S., Van Ittersum M.(2007). Assessing farm innovations and responses to polices: A review of bio-economic farm models. Agricultural Systems 94:

622-636.

✤ La nuova PAC 2014-2020. Una guida pratica per una visione d’insieme. INEA

(2014)

✤ Louhichi, Kamel, et al. "FSSIM, a bio-economic farm model for simulating the response of EU farming systems to agricultural and environmental policies."

Agricultural Systems 103.8 (2010): 585-597.

✤ Mann S., Mack G., Ferjani A. (2003), Konnen Producktionsentscheidungen als

investionsenscheidungen modelliert werden? German Journl of Agricultural

Economics, 52(7), 333-340.

✤ Offerman F., Kleinhanss W., Huttel S., Kupker B. (2005), Assessing the 2003 CAP

refom impacts on German agriculture using the farm group model FARMIS, in: Arfini F. (eds.), Modelling agricultural policies: State of the Art and New

Challenges, Proceedings of the 89th European seminar of the EAAE, Parma, Italy,

546-564.

✤ Paris, Quirino, and Richard E. Howitt. "An analysis of ill-posed production

problems using maximum entropy." American Journal of Agricultural Economics 80.1 (1998): 124-138.

✤ Prontuario di Agricoltura. Ribaudo F. , Hoepli 2011.

✤ www.arearica.it

✤ www.agriregionieuropa.univpm.it

✤ www.ec.uropa.eu. “Agricoltura UE: affrontare la sfida del cambiamento climatico” (2008).

✤ www.ec.europa.eu. ”Agricoltura” (2012).


111

http://www.arearica.it

http://www.arearica.it

http://www.ec.europa.eu

http://www.ec.europa.eu

ALLEGATO 1 : CALCOLO DELLE EMISSIONI DI CO2

Tagella


112


113


114


115


116

ALLEGATO 2 : MODELLO GAMS

$OFFSYMLIST OFFSYMXREF OPTION LIMROW = 0 OPTION LIMCOL = 0 OPTION RESLIM = 1000000 OPTION iterlim = 1000000

option lp = bdmlp;* option nlp = coinipopt;option nlp = conopt3;

$INCLUDE SETdatapomod.gms

Table data(azi,varx)$ondelim$include azi_premi2.csv$offdelim

display data;

TABLE hax (azi,proc)$ondelim$include HA2.csv$offdelim

display hax;

Table prodx (azi,proc)$ondelim$include prod2.csv$offdelim

display prodx;

Table vprodx(azi,proc)$ondelim$include plt.csv$offdelim

display vprodx;

Table cx(azi,proc)$ondelim

$include cv.csv$offdelim

display cx;

Table prx(azi,proc)$ondelim


117

$include pr.csv$offdelim

display prx;

Parameter saz(azi)/$ondelim$include saz2.csv$offdelim/;

display saz;

Parameter ha(azi,proc);ha(azi,proc)$((data(azi,"reg") eq 260) AND (data(azi,"alt") eq 3) AND ja(proc))= hax(azi,proc);ha("4122","cipo")=0;

display ha;

Parameter pr(azi,proc);pr(azi,proc)$((data(azi,"reg") eq 260) AND (data(azi,"alt") eq 3) AND ja(proc)) = prx(azi,proc);display pr;

Parameter avepr(proc);avepr(proc)$(sum(azi, pr(azi,proc)) gt 0)=sum(azi, pr(azi,proc))/sum(azi, 1$pr(azi,proc));display avepr;

pr(azi,proc)$((pr(azi,proc) eq 0) AND (ha(azi,proc) gt 0))= avepr(proc);

Parameter cx2(azi,proc),c(azi,proc);cx2(azi,proc)$prodx(azi,proc)=cx(azi,proc)/prodx(azi,proc);c(azi,proc)$((data(azi,"reg") eq 260) AND (data(azi,"alt") eq 3) AND ja(proc)) = cx2(azi,proc);display c;

Parameter avec(proc);avec(proc)$(sum(azi, c(azi,proc)) gt 0)=sum(azi, c(azi,proc))/sum(azi, 1$c(azi,proc));display avec;

c(azi,proc)$((c(azi,proc) eq 0) AND (ha(azi,proc) gt 0))= avec(proc);

Parameter produz(azi,proc);produz(azi,proc)$((data(azi,"reg") eq 260) AND (data(azi,"alt") eq 3) AND ja(proc)) = prodx(azi,proc);display produz;

Parameter y(azi,proc);y(azi,proc)$ha(azi,proc) = produz(azi,proc)/ha(azi,proc);display y;

Parameter avey(proc);avey(proc)$(sum(azi, y(azi,proc)) gt 0)=sum(azi, y(azi,proc))/sum(azi, 1$y(azi,proc));display avey;

y(azi,proc)$((y(azi,proc) eq 0) AND (ha(azi,proc) gt 0))= avey(proc);


118

Parameter weight(azi);weight(azi)$((data(azi,"reg")) eq 260 AND (data(azi,"alt") eq 3))= data(azi,"peso");*weight(azi)$(altim(azi) eq 3)= sum(alt, data(azi,alt,"sys02"));display weight;

Parameter shx(azi,proc);shx(azi,"pomod_ind")$ha(azi,"pomod_ind")=data(azi,"a_pomod_ind")/ha(azi,"pomod_ind");shx(azi,"brb")$ha(azi,"brb")=data(azi,"a_brb")/ha(azi,"brb");shx(azi,"riso")$ha(azi,"riso")=data(azi,"a_riso")/ha(azi,"riso");shx(azi,"prot")$ha(azi,"prot")=data(azi,"a_prot")/ha(azi,"prot");*shx(azi,"frumd")$ha(azi,"frumd")=data(azi,"a_frumd_q")/ha(azi,"frumd");

Parameter sh(azi,proc);sh(azi,proc)$((data(azi,"reg") eq 260) AND (data(azi,"alt") eq 3) AND ja(proc))=shx(azi,proc);display sh;

Parameter PUA(azi);PUA(azi)$((data(azi,"reg") eq 260) AND (data(azi,"alt") eq 3))= data(azi,"pua");display pua;

PUA(azi)=PUA(azi)*weight(azi);display pua;

ha(azi,proc)=ha(azi,proc)*weight(azi);display ha;

y(azi,proc)=y(azi,proc)/1;display y;

Parameter xbar(azi,proc);xbar(azi,proc)=ha(azi,proc)*y(azi,proc);display xbar;

set az(azi);az(azi)=no;az(azi)$((sum(proc, ha(azi, proc)) gt 0) And (saz(azi) eq 1))=yes;display az;

set jx(proc);jx(proc)=no;jx(proc)$(sum(azi, ha(azi,proc)) gt 0)=yes;display jx;

set jvx(proc);jvx(proc)=no;jvx(proc)$((sum(azi, ha(azi,proc)) gt 0) AND jav(proc))=yes;display jvx;

set jrx(proc);jrx(proc)=no;jrx(proc)$((sum(azi, ha(azi,proc)) gt 0) AND jp(proc))=yes;display jrx;

set jbx(proc);jbx(proc)=no;jbx(proc)$((sum(azi, ha(azi,proc)) gt 0) AND jy(proc))=yes;display jbx;


119

set jcopx(proc);jcopx(proc)=no;jcopx(proc)$((sum(azi, ha(azi,proc)) gt 0) AND jcop(proc))=yes;display jcopx;

set jsemx(proc);jsemx(proc)=no;jsemx(proc)$((sum(azi, ha(azi,proc)) gt 0) AND jsev(proc))=yes;display jsemx;

$ontextFile printj /subj1.prn/;printj.ap=0;put printj;put "SET j(proc) /"; put /;Loop(proc$Jx(proc),put proc.tl; put/;);put "/;";put/;put/;

put "SET js(j) /"; put /;Loop(proc$Jvx(proc),put proc.tl; put/;);put "/;";put/;put/;

put "SET jr(j) /"; put /;Loop(proc$Jrx(proc),put proc.tl; put/;);put "/;";put/;put/;

put "SET jvcop(j) /"; put /;Loop(proc$Jcopx(proc),put proc.tl; put/;);put "/;";put/;put/;

put "SET jsem(j) /"; put /;Loop(proc$Jsemx(proc),put proc.tl; put/;);put "/;";put/;put/;

put "SET jb(j) /"; put /;Loop(proc$Jbx(proc),put proc.tl; put/;);put "/;";put/;put/;

$offtext

*$ontext

$include subj1_Emilia.prn

$include SETfattori_emissione.gms


120

table Emissioni(j,FE)$ondelim$include TabEmiNord.csv$offdelim

* ==========================================================================set pp probabilita' /1*5/

set i /land/

ALIAS (J,JJ,K,kk) ALIAS (Jb,JJb,Kb,kkb) ALIAS (I,II) Alias (pp,L,LL)

PARAMETER AA(J,I) , DDA(J,jj,I), BB(I), CC(J) , PPR(J) , XXBAR(J), COnT(J), AVEC2(J), lambda(azi,j), lpsolx(azi,j), lpsolshx(azi,j), lpsoly(azi,i), lpobj(azi), SSH(J);

SCALAR EPSILON / 0.0000001/ ;

xbar(az,j) = xbar(az,j)/10000;sh(az,j) = sh(az,j)/10000;pua(az)=pua(az)/10000;

$ontextpr(az,j)=pr(az,j);

*c(az,j)$xbar(az,j)=c(az,j)/xbar(az,j);xbar(az,j)=xbar(az,j);*sh(az,"pomod")$ha(az,"pomod")=2.77*(xbar(az,"pomod")/ha(az,"pomod"));

ha(az,"cardo") = 1;

xbar(az,j) = xbar(az,j)/10000; xbar(az,"cardo") = (360/10000)*ha(az,"cardo");

pr(az,j) = pr(az,j)/1;

sh(az,j) = sh(az,j)/10000;

c(az,j) = c(az,j)/1;* c(az,"sorgo") = 6.5/1; c(az,"cardo") = 1.38/1;

pr(az,"cardo") = c(az,"cardo")*1.05;

pua(az)=pua(az)/10000;

$offtext

parameter difc(azi,j);difc(az,j)=pr(az,j)-c(az,j);c(az,j)$(difc(az,j) le 0)=pr(az,j)*0.95;c(az,j)$(ha(az,j) eq 0)=0;


121

* definizione delle matrici di coefficienti tecnici e delle* risorse (terra) disponibili

PARAMETER A(azi,J,I) , B(azi,I), DA(azi,J,jj,I) ; A(az,J,I) $ XBAR(az,J) = HA(az,J)/XBAR(az,J) ;

* A(az,"sorgo",I) = 1/(271/10000);

B(az,I) = SUM(Js,HA(az,Js)); DA(az,J,JJ,I) =0; DA(az,J,JJ,I)$(ORD(J) EQ ORD (JJ)) = A(az,J,I)

DISPLAY A, DA , B, pr, xbar, c, sh ;

Parameter tuba(azi),cmr(azi,jr),fr(azi,jr),al(azi,jr),aal(jr);

TUBA(az) = ha(az,"latte"); CMR(az,Jr)$tuba(az) = XBAR(az,Jr) /TUBA(az); FR(az,Jr) = CMR(az,Jr) * tUBA(az); AL(az,Jr) $ XBAR(az,"latte") = FR(az,Jr) / XBAR(az,"latte") ;

Parameter qqp, Mlatte;

Mlatte=0;

* definizione del modello dummy di LP da usare nel LOOP

* LINEAR PROGRAM TO CALCULATE RESOURCE AND PMP DUALS

vaRIABLES LINPROF LP PROFIT

POSITIVE VARIABLE LX(j), LXH(j), Dquota;

EQUATIONS RESOURCE(I) CONSTRAINED RESOURCES CALIBU (J) UPPER CALIBRATION CONSTRAINTS ACCOUNT (J,I) BILACIAMENTO TERRA ACCOUNTr (Jr) BILACIAMENTO TERRA* Vquota LPROFIT LP OBJECTIVE FUNCTION ;

RESOURCE(I).. SUM(Js,AA(js,I)*LX(Js)) =L= BB(I) ; CALIBU(J)$(CC(J) NE 0).. LX(J) =L= XXBAR(J) + EPSILON ; ACCOUNT(J,I).. SUM(JJ, DDA(J,JJ,I) * LX(J)) -LXH(J)=E= 0; ACCOUNTr(Jr).. (AAL(Jr) * LX("latte")) -LX(jr)=L= 0;

* Vquota.. LX("latte")-qqp("quota") =L= Dquota;

LPROFIT.. SUM(J, LX(J)* (PPR(J) - CC(j))) + SUM(J, LXH(J) * SSH(J) ) + qqp

=E= LINPROF;

MODEL CALIBRATE /RESOURCE,CALIBU,ACCOUNT,ACCOUNTr,LPROFIT/;

LAMBDA(az,J) = 0 ;

* LOOP per risolvere N problemi di LP e conservare le soluzioni

LOOP((az)$b(az,"land"),


122

AA(J,I) = A(az,J,I) ; DDA(j,JJ,I) = DA(az,J,JJ,I);

AAL(jr)=al(az,jr);

*qqp("quota")=qp(az,"quota");qqp=pua(az);

BB(I) = B(az,I) ; PPR(J) = PR(az,J) ; SSH(J) = SH(az,J);

XXBAR(J) = XBAR(az,J) ; CC(J) = C(az,J) ; SOLVE CALIBRATE USING LP MAXIMIZING LINPROF ; lambda(az,j) = calibu.m(j) ; CALIBU.M(J) = 0 ; lpsolshx(az,j) = lxh.l(j) ; lpsolx(az,j)$CC(J) = lx.l(j) ; lx.l(j) = 0 ; lpsoly(az,i) = resource.m(i) ; RESOURCE.M(I) = 0 ; lpobj(az) = linprof.l ; );

* calcolo dei coefficienti medi (prezzi e costi) e somme* (prodotto, superficie delle colture, superficie totale)

parameter avepr2(j), sumxbar(j), sumha(j), sumb(i), avea(j,i), CONT(J) contatore aziende, AVESH(J) compensazioni medie,

CSH(J) contatore aziende con e senza compensazione;

CSH(j) $(SUM((az), SH(az,j)) EQ 0 ) = 0; CSH(j) $(SUM((az), SH(az,j)) NE 0 ) = 1;

CONT(J) = SUM((az), 1 $ C(az,J) ) ; AVEC2(J)$[sum(az,c(az,j)) gt 0] = SUM((az),C(az,J)) / SUM ((az), 1 $ C(az,J)) ; AVEPR2(J)$[sum(az,pr(az,j)) gt 0] = SUM((az), PR(az,J)) / SUM((az), 1 $ PR(az,J)) ; AVESH(J)$(CSH(j) EQ 1) = SUM((az), SH(az,J)) / SUM((az), 1 $ (SH(az,J)));* avepr(j) = sum((az), pr(az,j)*xbar(az,j))/ sum((az),xbar(az,j)) ;* avec(j) = sum(az, c(az,j)) /5 ;* avepr(j) = sum(az, pr(az,j))/5 ; sumxbar(j) = sum((az), xbar(az,j)) ; sumha(j) = sum((az), ha(az,j)) ; sumb(i) = sum(js, sumha(js)) ; avea(j,i)$sumxbar(j) = sumha(j) / sumxbar(j);

Parameter ttuba, tcmr(jr), tfr(jr),aveal(jr);


123

ttuba = sum(az, ha(az,"latte")); tcmr(jr) = sum(az, xbar(az,jr))/ttuba; tfr(jr) = tcmr(jr)*ttuba; aveal(Jr)$sumxbar("latte") = tfr(jr)/sumxbar("latte");

display ttuba,tcmr,tfr,aveal, avesh, sumha;

* soluzione del modello LP per il campione

AA(J,I) = avea(j,i) ; DDA(J,JJ,I) $ (ORD(J) EQ ORD(JJ)) = AVEA (J,I);

AAL(jr)= aveal(Jr);

* qqp("quota")=sum(az, qp(az,"quota")); qqp=sum(az, pua(az));

BB(I) = sumb(i) ; XXBAR(J) = sumXBAR(J) ; LX.L(J)=XXBAR(J); PPR(J) = avePR2(J) ; CC(J) = aveC2(J) ; SSH(J) = AVESH(J);

SOLVE CALIBRATE USING LP MAXIMIZING LINPROF ;

*$ontext* reconstruction of the marginal cost vector with sample values

parameter cavemc(j), camc(azi,j) ; cavemc(j) = calibu.m(j) + avec2(j) ;* cavemc("cereali") = 8.738; camc(az,j) = lambda(az,j) + c(az,j) ; camc(az,j)$(c(az,j) eq 0 ) = cavemc(j) ;

display cavemc, c, lambda, camc ;

parameter gam(j) pendenza della matrice di costo per il campione; gam(j)=cavemc(j) / xxbar(j);

* definizione dei valori di supporto per le distribuzioni di probabilita'

parameter zwgt(pp) pesi di z per gli elementi diagonali* /1 0* 2 1.5* 3 2.1* 4 3* 5 3.5/

/1 0 2 2 3 3.5 4 4.5 5 6/ parameter zwgt2(pp) pesi di z fuori dalla diagonale /1 -1.7 2 -.5 3 0 4 .5 5 1.7/


124

parameter zerr(pp) pesi z per l'errore intercetta delle aziende /1 -90 2 -19 3 0 4 19 5 90/

parameter ZL(j,k,pp) valore di Z per la matrice di Chol triangolare inferiore ZD(j,k,pp) valore di Z per la matrice diagonale di Cholesky ZE(azi,j,pp) valori Z per gli errori delle aziende;

ZD(j,k,pp)$(ord(j) eq ord(k))= gam(k)*ZWGT(pp); ZD(j,k,pp)$(ord(j) ne ord(k))= 0.;

ZL(j,k,pp)$(ord(j) ne ord(k))= gam(k)*ZWGT2(pp); ZL(j,k,pp)$(ord(j) eq ord(k))= 1.;

ZL(j,k,pp)$(ord(j) LT ord (K))= 0; ZE (az,j,pp)= ZERR(pp) ;

display ZL, ZD, Ze;

* computation of the Q matrix by means of Cholesky factorization* self-selection model

parameter alpha; alpha =1;

variables u(azi,j) intercetta errore dell'azienda P(j,k) P=Lsqrt(D) choleobj LT(j,k) matrice inferiore triangolare di Cholesky PD(j,k,pp) probabilita' dei valori di Cholesky PL(j,k,pp) probabilita' per la matrice LT PE(azi,j,pp) probabilita' per gli errori dell'azienda;

positive variables D(j,k), PD, PL, PE ;

equations objequ avemc(j) definp(j,jj) mc(azi,j) mc1(azi,j) pdsum(j,k) plsum(j,k) pesum(azi,j);

avemc(j).. cavemc(j) =e= sum(k, sum(jj, P(j,jj)*P(k,jj))* sumxbar(k)) ;

mc(az,j)$c(az,j).. camc(az,j) =e= alpha * sum(pp, pe(az,j,pp)*ze(az,j,pp))+ sum(k, sum(jj, P(j,jj)*P(k,jj))* xbar(az,k) ) ;

mc1(az,j)$(c(az,j) eq 0).. camc(az,j) =L= alpha * sum(pp, pe(az,j,pp)*ze(az,j,pp))+


125

sum(k, sum(jj, P(j,jj)*P(k,jj))* xbar(az,k) ) ;

definp(j,jj).. P(j,jj) =e= sum(k, sum(pp,PL(j,k,pp)*ZL(j,k,pp)) * (sum(L, PD(k,jj,L)*ZD(k,jj,L)))**0.5 );

pdsum(j,k).. sum(pp, PD(j,k,pp)) =e= 1.; pLsum(j,k).. sum(pp, PL(j,k,pp)) =e= 1.; pEsum(az,j).. sum(pp, PE(az,j,pp)) =e= 1.;

objequ.. choleobj =e= - sum((j,k,pp), PL(j,k,pp)*log(PL(j,k,pp)+.000001)) - sum((j,k,pp), PD(j,k,pp)*log(PD(j,k,pp)+.000001)) - alpha * sum((az,j,pp), PE(az,j,pp)*log(PE(az,j,pp)+.000001));

* Initial Values D.L(j,k)$(ord(j) eq ord(k)) = .51 ; D.FX(j,k)$(ord(j) ne ord(k)) = 0 ; LT.L(j,k)$(ord(j) ne ord(k)) = .5 ; LT.FX(j,k)$(ord(j) eq ord(k)) = 1. ; LT.FX(j,k)$(ord(j) lt ord(k)) = 0. ; D.LO(j,k)$(ord(j) eq ord(k)) = .001 ;* D.LO = SE ATTIVO SVILUPPA LA MATRICE DEFINITA PL.L(j,k,pp)=1/3; PD.L(j,k,pp)=1/3; PE.L(az,j,pp)=1/3;

model qcholesky2 /mc, mc1, avemc, definp, objequ, pdsum, pLsum,pesum / ;

qcholesky2.workspace=250.0 ;

qcholesky2.OPTFILE=1 ;

option savepoint=1 ;

execute_loadpoint 'qcholesky_Emilia2.gdx' ;

solve qcholesky2 using NLP maximizing choleobj ;

*$ONTEXT* recostruzione della matrice dei cost variabili Q

parameter qmat(j,k), FU(azi,j), CD(j,k) ; qmat(j,k) = sum(jj, P.L(j,jj)*P.L(k,jj) ) ; FU(az,j)=alpha * sum(pp, pE.L(az,j,pp)*ZE(az,j,pp)); CD(j,k)= sum(L,pd.l(j,k,l) * ZD(j,k,l));

parameter sumu, sumun(azi), sumuj(j) ; sumu = sum((az,j), fu(az,j)) ; sumun(az) = sum(j, fu(az,j)) ; sumuj(j) = sum((az), fu(az,j)) ;

* definizione del modello dummy di QP da usare nel LOOP* di verifica dell'aderenza del modello nell'anno base

parameter uu(j), nsolx(azi,j), lpxh(j), nsoly(azi,i), nlobj(azi), nlsolshx(azi,j),nlshx(j),


126

pv(j),shv(j) ;

vaRIABLES nX(J) output in activity units nxH(J) output superficie compensata NLINPROF LP PROFIT ;

POSITIVE VARIABLE nX, NXH,Ndquota;

EQUATIONS RESOURCEN(I) CONSTRAINED RESOURCES NACCOUNT(J,I) BILANCIAMENTO TERRA NACCOUNTr(Jr)* NVquota NLPROFIT LP OBJECTIVE FUNCTION;

RESOURCEN(I).. SUM(Js,AA(js,I)*nX(Js)) =L= BB(I) ; NACCOUNT(J,I).. (AA(J,I)*nX(J))-nXH(J) =E=0; NACCOUNTr(Jr).. (AAl(Jr)*nX("latte"))-nX(Jr) =L=0;

*NVquota.. NX("latte")-qqp("quota") =L= NDquota;

NLPROFIT.. SUM(J, nX(J)* Pv(J) ) + sum(j, nXH(J) * SHv(j)) + qqp - sum(j,uu(j) * nx(j) ) - .5* sum((j,k), nx(j) * qmat(j,k) * nx(k) ) =E= NLINPROF;

MODEL PRIMAL /RESOURCEN, NACCOUNT, NACCOUNTr, NLPROFIT/;

* LOOP sul modello QP

LOOP((az)$b(az,"land"), LPXH(J)=lpsolshx(az,j); AA(J,I) = A(az,J,I) ;

AAL(jr)=al(az,jr);

* qqp("quota")=qp(az,"quota"); qqp=pua(az);

DDA(J,JJ,I)= DA(az,J,JJ,I); BB(I) = B(az,I) ; Pv(J) = PR(az,J) ; SHv(J) = SH(az,J) ;

UU(J) = fu(az,j) ;

SOLVE primal USING NLP MAXIMIZING NLINPROF ; nsolx(az,j) = nx.l(j) ; nlsolshx(az,j) = nxh.l(j) ; nxh.l(j) = lpsolshx(az,j) ; nX.L(J) = LPSOLX(az,J) ; nsoly(az,i) = resourcen.m(i) ; nlobj(az) = nlinprof.l ;

);display lpsolshx,nlsolshx;

parameter contcal1(azi,j);contcal1(az,j)$lpsolx(az,j)=(nsolx(az,j)/lpsolx(az,j)*100)-100;


127

display contcal1;parameter contcal2(azi,j);contcal2(az,j)$xbar(az,j)=(lpsolx(az,j)/xbar(az,j)*100)-100;display contcal2;$include controllo2.prn$include base.prn

*$offtext*$ontext*---------------- SIMULAZIONI ----------------------------

SCALAR BETA tasso di decurtazione aiuti per modulazione / 0 / ;

* -----------------------------------------------------------------------------------------------* Definizione tabelle di output

SETt simulazioni /s_base,s_cal,sim_0,sim_1,sim_2,1*100 /

;

* Tabelle per area

parameter gre_EmTot(azi,j,t) emissioni totali a livello aziendale;

parameter gre_CO2(azi,j,t) emissioni totali a livello aziendale;

parameter gre_N2O(azi,j,t) emissioni totali a livello aziendale;

parameter gre_CH4(azi,j,t) emissioni totali a livello aziendale;

*parameter gre_EmProc(j,t) emissioni per processo produttivo;

parameter gre_prezv(azi,j,t) prezzi processi vegetali ;

parameter gre_prodv(azi,j,t) produzione in q.li proc. venduti ;

parameter gre_supv(azi,j,t) superfice attivata in ha proc. venduti ;

parameter gre_subpa(azi,t) superfice bpa;

parameter gre_pombt(azi,t) prezzo ombra della terra ;

parameter gre_plvv(azi,t ) produzione vendibile proc. venduti ;

parameter gre_plvt (azi,t)

parameter gre_compv(azi,t) compensazioni processi venduti ;

parameter gre_comptl(azi,t) compensazioni totali lorde ;

parameter gre_aiutidis(azi,t) aiuti disaccoppiati ;

parameter gre_aiutiacc(azi,t) aiuti accoppiati ;

parameter gre_comphv(azi,j,t) aiuti-ha proc. venduti ; parameter gre_comptn(azi,t)


128

parameter gre_rdm(azi,t) aiuti-ha proc. venduti ;

parameter gre_costv(azi,t) costi proc venduti ; parameter gre_costt(azi,t) costi totali ;

parameter gre_costco2(azi,t) costi CO2;

parameter gre_obj(azi,t) reddito lordo ; parameter gre_supt(azi) superficie totale coltivabile ;

* Tabelle generali

parameter re_EmTot(j,t) emissioni totali per azienda ;

parameter re_CO2(j,t) emissioni totali per azienda ;

parameter re_N2O(j,t) emissioni totali per azienda ;

parameter re_CH4(j,t) emissioni totali per azienda ;

parameter re_prezv(j,t) prezzi processi vegetali ;

parameter re_prodv(j,t) produzione in q.li proc. venduti ;

parameter re_supv(j,t) superfice attivata in ha proc. venduti ; parameter re_subpa(t) superficie a bpa;

parameter re_pombt(t) prezzo ombra della terra ;

parameter re_plvv(t ) produzione vendibile proc. venduti ;

parameter re_plvt (t)

parameter re_compv(t) compensazioni processi venduti ;

parameter re_comptl(t) compensazioni totali lorde ;

parameter re_aiutidis(t) aiuti disaccoppiati ;

parameter re_aiutiacc(t) aiuti accoppiati ;

parameter re_comphv(j,t) aiuti-ha proc. venduti ; parameter re_comptn(t) parameter re_rdm(t) aiuti-ha proc. venduti ;

parameter re_costv(t) costi proc venduti ; parameter re_costt(t) costi totali ;

parameter re_costco2(t) costi CO2;

parameter re_obj(t) reddito lordo ;

parameter supsem(azi) superficie a seminativi;parameter bio(azi) biologico;parameter supt(azi) superficie totale per ogni azienda;parameter supjr(azi) superficie a foraggere;parameter incidjr(azi) incidenza in percentuale foraggere su superficie totale;parameter cod2(azi);parameter TaxEm tassa sulle emissioni;*------------------------------------------------------------------------------------------------


129

gre_EmTot(az,j,"s_base") = ha(az,j)*emissioni(j,"tco2");*gre_EmProc(j,"s_Base") = sum (az,ha(az,j)*emissioni(j,"tco2"));

gre_prezv(az,j,"s_base") = Pr(az,j) ;

gre_prodv(az,j,"s_base") = nsolx(az,j) ;

gre_supv(az,j,"s_base") = nlsolshx(az,j) ;

* gre_subpa(az,"s_base") = bpa.l(az);

gre_pombt (az,"s_base") = nsoly(az,"land") ;

gre_plvv(az,"s_base") = sum(j, nsolx(az,j) * Pr(az,j) ) ;

gre_plvt (az,"s_base") = sum(j, nsolx(az,j) * Pr(az,j) );

gre_compv(az,"s_base") = sum(j, SH(az,j) * nlsolshx(az,j)) +pua(az);

gre_comptl(az,"s_base") = sum(j, SH(az,j) * nlsolshx(az,j)) +pua(az);

gre_aiutidis(az,"s_base") = pua(az);

gre_aiutiacc(az,"s_base") = sum(j, SH(az,j) * nlsolshx(az,j));

gre_comptn(az,"s_base") = gre_comptl(az,"s_base");

gre_comphv(az,j,"s_base")= SH(az, j);* gre_comphv(az,"tab","s_base")= sht;

gre_costv(az,"s_base") = .5 * sum((j,k), nsolx(az,j) * Qmat (j,k) * nsolx(az,k))+ sum(j,fu(az,j) * nsolx(az,j))* + .5 * sum((jl,kl), nsolx(az,jl) * Qmatl (jl,kl) * nsolx(az,kl))+ sum(jl,ful(az,jl) * nsolx(az,jl));

gre_costt(az,"s_base") = .5 * sum((j,k), nsolx(az,j) * Qmat (j,k) * nsolx(az,k))+ sum(j,fu(az,j) * nsolx(az,j))* + .5 * sum((jl,kl), nsolx(az,jl) * Qmatl (jl,kl) * nsolx(az,kl))+ sum(jl,ful(az,jl) * nsolx(az,jl));

gre_obj(az,"s_base") = nlobj(az);

supsem(azi) = sum((jsem),ha(azi,jsem)); bio(azi) = data(azi,"bio"); supt(az)=sum((js),ha(az,js)); supjr(az)= sum((jr),ha(az,jr)); incidjr(az)=(supjr(az)/supt(az)); cod2(az)$( incidjr(az) GE 0.75) = 1; taxem = 0;

Parameter controlloaz(azi);controlloaz(az)$(supt(az) eq 0) =1;display controlloaz;


130

* -----------------------------------------------------------------------------------------------

* Definizione: prod latte, superf , brb, ortive, altr.ortive - BASE

PARAMETER aiutitot(azi) compensazioni totali aziendali aiutitot2(azi) compensazioni totali aziendali compmed(azi) compensazione media per ettaro

PARAMETER aidis(azi), harif(azi),bt,av(j),cbpa, cgreen, prodtab(azi), av2(azi,j),al2(azi,j),bt2(azi),pv2(azi,j),shv2(azi,j), sht1,sht2,sht3,SHvAC(azi,j),SHAC(azi,j),Av2M(j),Pv2M(j),SHv2M(j),Mlatte,TPPRv(azi,j), TSSHv(azi,j);

Av2M(j) = sum(az, a(az,j,"land"))/sum(az, 1$a(az,j,"land"));*Pv2M(j)= sum(az, pr(az,j))/sum(az, 1$pr(az,j));SHv2M(j)$(sum(az, sh(az,j)))= sum(az, sh(az,j))/sum(az, 1$sh(az,j));

shvAC(az,j)=0;shAC(az,j)=0;

aidis(az) =0;harif(az) =0;cbpa =25000/10000;cgreen = 10/10000;

Av2(az,J) = A(az,J,"land") ;

Bt2(az) = B(az,"land") ;

TPPRv(az,j)= pr(az,j);Pv2(az,J) = pr(az,j);display pv2,av2;

TSSHv(az,j)=SH(az,j) ;SHv2(az,j) = SH(az,j) ;

* -----------------------------------------------------------------------------------------------

VARIABLES xv(azi,j) produzioni vendute in unita' xhv(azi,j) superficie produzioni vendute sgreen(azi) unaid(azi) aiuto unitario aaid(azi) aiuto A baid(azi) aiuto B hamm(azi) ettari ammissibili pagabili hamd(azi) ettari ammissibili differenziali bpa(azi) rdm(azi) Risorse Drenate via Modulazione prof(azi) profitti di area


131

proftot H(azi) totCO2EQ(Azi,j) Emissioni di CO2 equivalente per azienda EmProc(j);

POSITIVE VARIABLE xv,xhv, unaid,aaid,baid,h,hamm,hamd,rdm, bpa, dquota(azi),D1(azi),D2(azi),D3(azi),D3a(azi),D3b(azi) SA(azi,j),SB(azi,j),AAID2(azi),AAID3(azi),AAID4(azi),AAID5(azi) sgreen, totCO2EQ;

EQUATIONS RESt(azi) vincolo terra comprensivo di set aside* Probarb(az) Propom(azi) Rotazfor(azi) Rotazfor2(azi) Rotazfor3(azi) Rotazfor4(azi) Pratica(azi) Prolatt(azi) Prolatt2(azi) Prolatt3(azi) Prolatt4(azi) Prolatt5(azi) Prolatt6(azi) Procarv(azi) Profor(azi) Rimonta(azi) ACCOUNTv(azi,j) superficie venduta attivata RESOUR(azi,jr) TAGLIOMOD1(azi) definizione taglio aiuti da modulazione TAGLIOMOD2(azi) definizione taglio aiuti da modulazione TAGLIOMOD3(azi) definizione taglio aiuti da modulazione TAGLIOMOD4(azi) definizione taglio aiuti da modulazione TAGLIOMOD5(azi) definizione taglio aiuti da modulazione DIS1(azi) DIS1a(azi) vincolo di superficie ammessa all'aiuto DIS2(azi) vincolo di superficie ammessa all'aiuto DIS22(azi) vincolo di superficie ammessa all'aiuto RIAC(azi) vincolo riaccoppiamento SUPCOLT(azi,j) superficie totale coltivabile per azienda DIVERS1(azi,j) DIVERS2(azi) DIVERS3(azi) DIVERS4(azi) DEGR1(azi) DEGR2(azi) DEGR3(azi) DEGR4(azi) DEGR5(azi) DEGR6(azi) EMISSION1(azi,j) Vincolo di emissioni* EMISSION2(j) VPERM1(azi) VPERM2(azi) VECO(azi) PROFITTI(azi) profitti per area MODQ PROFITTI0(azi) profitti per area MODQM PROFITTI2(azi) PROFITTI3(azi) PROFITT;


132

RESt(az).. sum(js, xhv(az,js)) + bpa(az) +sgreen(az) =E= Bt2(az);

RESOUR(az,jr).. AL(az,Jr)*xv(az,"latte") - xv(az,jr) =L= 0;

Prolatt2(az)$gre_prodv(az,"latte","s_base").. xv(az,"latte")=E= D3(az);

* Prolatt3(az).. D1(az)=L=gre_prodv(az,"latte","s_base");* Prolatt4(az).. D2(az)=L=gre_prodv(az,"latte","s_base")*0.07; Prolatt5(az).. D3(az)=E=D3a(az)+D3b(az); Prolatt6(az).. D3a(az)=L=gre_prodv(az,"latte","s_base");

* Propom(az).. xv(az,"pomod") =L= gre_prodv(az,"pomod","s_base")*1.3;

Rotazfor(az).. ABS{sum(jr,xhv(az,jr)) - sum(jvcop$j(jvcop), xhv(az,jvcop))} =L= ABS{[sum(jr,gre_supv(az,jr,"s_base")) - sum(jvcop,gre_supv(az,jvcop,"s_base"))]} * 1.1 ;

Rotazfor2(az).. {sum(jr,xhv(az,jr))} =L= [sum(jr,gre_supv(az,jr,"s_base"))]* 1.20 ;

Rotazfor3(az)$[sum(jvcop,gre_supv(az,jvcop,"s_base")) gt 0].. {sum(jr,xhv(az,jr)) / sum(jvcop$j(jvcop), xhv(az,jvcop))} =G= [sum(jr,gre_supv(az,jr,"s_base")) / sum(jvcop,gre_supv(az,jvcop,"s_base"))] * 0.9 ;

Rotazfor4(az)$[sum(jvcop,gre_supv(az,jvcop,"s_base")) gt 0].. {sum(jr,xhv(az,jr)) / sum(jvcop$j(jvcop), xhv(az,jvcop))} =L= [sum(jr,gre_supv(az,jr,"s_base")) / sum(jvcop,gre_supv(az,jvcop,"s_base"))] * 1.1 ;

Pratica(az).. bpa(az) =L= Bt2(az)*0.1;

ACCOUNTv(az,j).. Av2(az,j) * xv(az,j) - xhv(az,j) =E= 0 ;

*TAGLIOMOD1(az).. [ sum(j, xhv(az,j) * SHv2(az,j))* + sum(j, xv(az,j) * SHvAC(az,j))* + (hamm(az)*aidis(az))]=E= UNAID(az)*weight(az);

TAGLIOMOD1(az).. [ sum(j, xhv(az,j) * SHv2(az,j)) + sum(j, xv(az,j) * SHvAC(az,j)) + pua(az)]=E= UNAID(az)*weight(az);

TAGLIOMOD2(az).. UNAID(az) =E= AAID(az)+ AAID2(az)+AAID3(az);

TAGLIOMOD3(az).. AAID(az)=L= 5000/100000;

TAGLIOMOD4(az).. AAID2(az)=L= 300000/100000;

TAGLIOMOD5(az).. (AAID(az)*0 + AAID2(az)*0.10 + AAID3(az)*0.14)*BETA =L= RDM(az);

DIS1(az)$(harif(az) gt 0).. hamm(az) =L= harif(az);


133

DIS2(az).. hamm(az)+hamd(az) =E= sum(j,xhv(az,j))+bpa(az);

SUPCOLT(az,j).. H(az) =E= sum((jsem),xhv(az,jsem));

DIVERS1(az,jsem)$(supsem(az) gt 10 and bio(az) eq 0 and cod2(az) eq 0).. xhv(az,jsem)=L=0.75*H(az);

DEGR1(az).. UNAID(az) =E= AAID(az)+ AAID2(az)+AAID3(az)+AAID4(az)+AAID5(az);

DEGR2(az).. AAID(az)=L= 150000/100000;

DEGR3(az).. AAID2(az)=L= 50000/100000;

DEGR4(az).. AAID3(az)=L= 50000/100000;

DEGR5(az).. AAID4(az)=L= 50000/100000;

DEGR6(az).. (AAID(az)*0 + AAID2(az)*0.20 + AAID3(az)*0.40+ AAID4(az)*0.70+AAID5(az)*1)*BETA =L= RDM(az);

EMISSION1(az,j)$ha(az,j).. totCO2EQ(az,j) =E= xhv(az,j)*emissioni(j,"tco2");

Vperm1(az)$(bio(az) eq 0).. xhv(az,"pascolo") =G= gre_supv(az,"pascolo","s_base");

Vperm2(az)$(bio(az) eq 0).. xhv(az,"pascolo") =L= (gre_supv(az,"pascolo","s_base"))*1.05;

Veco(az)$(supsem(az) gt 15 and bio(az) eq 0 and cod2(az) eq 0).. sgreen(az)=G= 0.05 * [sum ((js),xhv(az,js)) - xhv(az,"pascolo")];

PROFITTI0(az).. sum(j, xv(az,j) * Pv2(az,j) ) + sum(j, xhv(az,j) * SHv2(az,j))* + sum(j, shAC(az,j) * xv(az,j)) + pua(az)*+ hamm(az)*aidis(az) - rdm(az)*weight(az) - bpa(az)* Cbpa - sgreen(az)*cgreen - sum(j,TaxEm * totCO2eq(az,j)) - .5 * sum((j,k), xv(az,j) * Qmat(j,k) * xv(az,k))- sum(j, fu(az,j)*xv(az,j))=E= prof(az) ;

PROFitT.. sum((az)$bt2(az), prof(az)) =E= proftot ;

MODEL MODQ0 /RESt, RESOUR,ACCOUNTv,TAGLIOMOD1TAGLIOMOD2TAGLIOMOD3TAGLIOMOD4TAGLIOMOD5


134

*DIS1*DIS2 PROFITTI0 profitT/ ;

MODEL MODQ / RESt, RESOUR,ACCOUNTv, TAGLIOMOD1 TAGLIOMOD2 TAGLIOMOD3 TAGLIOMOD4 TAGLIOMOD5 EMISSION1 PROFITTI0 profitT/ ;

MODEL MODQ1 / RESt RESOUR ACCOUNTv SUPCOLT DIVERS1 DEGR1 DEGR2 DEGR3 DEGR4 DEGR5 DEGR6 VPERM1 VPERM2 VECO PROFITTI0 profitT/ ;

MODEL MODQ2 /RESt,RESOUR, ACCOUNTv, EMISSION1* EMISSION2 PROFITTI0 profitT/ ;

MODEL MODQ3 /RESt,RESOUR,ACCOUNTv, SUPCOLT DIVERS1 DEGR1 DEGR2 DEGR3 DEGR4 DEGR5 DEGR6 VPERM1 VPERM2 VECO EMISSION1* EMISSION2 PROFITTI0 profitT/ ;


135

*------------------------------------------------------------------------------------------------*$ontext

* fase 2* Identificazione soluzione modello quadratico con set asid e implicito MODQ

beta =0;aidis(az) =0;modq.optfile =1;

xv.l(az,j)=xbar(az,j);


execute_loadpoint 'modq_p.gdx' ;*xhv.lo(az,jvcop)=0.00000001SOLVE MODQ using nlp maximizing proftot ;

* lettura soluzioni gre_prezv(az,j,"S_cal") = Pv2(az,j) ;

gre_prodv(az,j,"S_cal") = xv.l(az,j) ;

gre_supv(az,j,"S_cal") = xhv.l(az,j) ;

gre_subpa(az,"s_cal") = bpa.l(az);

gre_EmTot(az,j,"S_cal") = totCO2EQ.l(az,j);* gre_EmProc(j,"S_cal")= EmProc.l(j);

gre_CO2(az,j,"S_cal") = xhv.l(az,j)*emissioni(j,"co2");

gre_N2O(az,j,"S_cal") = xhv.l(az,j)*emissioni(j,"n2o");

gre_CH4(az,j,"S_cal") = xhv.l(az,j)*emissioni(j,"ch4");

gre_pombt (az,"S_cal") = rest.m(az) ;

gre_plvv(az,"S_cal") = sum(j, xv.l(az,j) * Pv2(az,j) ) ;

gre_plvt (az,"S_cal") = sum(j, xv.l(az,j) * Pv2(az,j) );

gre_compv(az,"S_cal") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j));

gre_comptl(az,"S_cal") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j)) +pua(az);

gre_aiutidis(az,"s_cal") = pua(az);

gre_aiutiacc(az,"s_cal") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j));

gre_comptn(az,"S_cal") = gre_comptl(az,"S_cal") ;

gre_rdm(az,"s_cal") = 0;


136

gre_comphv(az,j,"S_cal") = SHv2(az,j);

gre_costv(az,"S_cal") = .5 * sum((j,k), xv.l(az,j) * qmat (j,k) * xv.l(az,k))+ sum(j, fu(az,j) * xv.l(az,j))

;

gre_costt(az,"S_cal") = .5 * sum((j,k), xv.l(az,j) * qmat (j,k) * xv.l(az,k))+ sum(j, fu(az,j) * xv.l(az,j));

gre_obj(az,"S_cal") = prof.l(az) ;

*------------------------------------------------------------------------------------------------* -----------------------------------------------------------------------------------------------

* fase 2* Identificazione soluzione modello quadratico con set asid e implicito MODQ

beta =0;aidis(az) =0;modq.optfile =1;

pv2(az,"BRB") = tpprv(az,"brb") *1.15;pv2(az,"cereali") = tpprv(az,"cereali") *1.28;pv2(az,"cipo") = tpprv(az,"cipo") *1.31;pv2(az,"erba") = tpprv(az,"erba") *1.15;pv2(az,"forag") = tpprv(az,"forag") *1.15;pv2(az,"frumd") = tpprv(az,"frumd") *1.28;pv2(az,"frumt") = tpprv(az,"frumt") *1.28;pv2(az,"ins") = tpprv(az,"ins") *1.16;pv2(az,"mais") = tpprv(az,"mais") *1.20;pv2(az,"medica") = tpprv(az,"medica") *1.12;pv2(az,"orzo") = tpprv(az,"orzo") *1.32;pv2(az,"pascolo") = tpprv(az,"pascolo") *1.15;pv2(az,"patata") = tpprv(az,"patata") *1.33;pv2(az,"pomod_ind") = tpprv(az,"pomod_ind")*1.20;pv2(az,"prot") = tpprv(az,"prot") *1.12;pv2(az,"riso") = tpprv(az,"riso") *1.08;pv2(az,"semio") = tpprv(az,"semio") *1.27;pv2(az,"soia") = tpprv(az,"soia") *1.27;pv2(az,"latte") = tpprv(az,"latte") *1.18;

xv.l(az,j)=xbar(az,j);


execute_loadpoint 'modq_p.gdx' ;*xhv.lo(az,jvcop)=0.00000001SOLVE MODQ using nlp maximizing proftot ;

* lettura soluzioni


137

gre_prezv(az,j,"SIM_0") = Pv2(az,j) ;

gre_prodv(az,j,"SIM_0") = xv.l(az,j) ;

gre_supv(az,j,"SIM_0") = xhv.l(az,j) ;

gre_subpa(az,"SIM_0") = bpa.l(az);

gre_EmTot(az,j,"SIM_0") = totCO2EQ.l(az,j);* gre_EmProc(j,"SIM_0")= EmProc.l(j);

gre_CO2(az,j,"SIM_0") = xhv.l(az,j)*emissioni(j,"co2");

gre_N2O(az,j,"SIM_0") = xhv.l(az,j)*emissioni(j,"n2o");

gre_CH4(az,j,"SIM_0") = xhv.l(az,j)*emissioni(j,"ch4");

gre_pombt (az,"SIM_0") = rest.m(az) ;

gre_plvv(az,"SIM_0") = sum(j, xv.l(az,j) * Pv2(az,j) ) ;

gre_plvt (az,"SIM_0") = sum(j, xv.l(az,j) * Pv2(az,j) );

gre_compv(az,"SIM_0") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j));

gre_comptl(az,"SIM_0") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j)) +pua(az);

gre_aiutidis(az,"SIM_0") = pua(az);

gre_aiutiacc(az,"SIM_0") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j));

gre_comptn(az,"SIM_0") = gre_comptl(az,"SIM_0") ;

gre_rdm(az,"SIM_0") = 0;

gre_comphv(az,j,"SIM_0") = SHv2(az,j);

gre_costv(az,"SIM_0") = .5 * sum((j,k), xv.l(az,j) * qmat (j,k) * xv.l(az,k))+ sum(j, fu(az,j) * xv.l(az,j))

;

gre_costt(az,"SIM_0") = .5 * sum((j,k), xv.l(az,j) * qmat (j,k) * xv.l(az,k))+ sum(j, fu(az,j) * xv.l(az,j));

gre_obj(az,"SIM_0") = prof.l(az) ;

*------------------------------------------------------------------------------------------------


138

* -----------------------------------------------------------------------------------------------

pua(az)= pua(az)+ sum(j,sh(az,j)*gre_supv(az,j,"s_base"));

shv2(az,j)=0;

HARIF(az)= b(az,"land"); COMPMED(az)$harif(az)= (pua(az))/HARIF(az); AIDIS(az)=compmed(az);

*$ontextpv2(az,"BRB") = tpprv(az,"brb") *1.15;pv2(az,"cereali") = tpprv(az,"cereali") *1;pv2(az,"cipo") = tpprv(az,"cipo") *1;pv2(az,"erba") = tpprv(az,"erba") *1;pv2(az,"forag") = tpprv(az,"forag") *1;pv2(az,"frumd") = tpprv(az,"frumd") *1;pv2(az,"frumt") = tpprv(az,"frumt") *1;pv2(az,"ins") = tpprv(az,"ins") *1;pv2(az,"mais") = tpprv(az,"mais") *1;pv2(az,"medica") = tpprv(az,"medica") *1;pv2(az,"orzo") = tpprv(az,"orzo") *1;pv2(az,"pascolo") = tpprv(az,"pascolo") *1;pv2(az,"patata") = tpprv(az,"patata") *1;pv2(az,"pomod_ind") = tpprv(az,"pomod_ind")*1.20;pv2(az,"prot") = tpprv(az,"prot") *1;pv2(az,"riso") = tpprv(az,"riso") *1;pv2(az,"semio") = tpprv(az,"semio") *1;pv2(az,"soia") = tpprv(az,"soia") *1;pv2(az,"latte") = tpprv(az,"latte") *1;

*$offtext

* Tasso di decurtazione aiuti per modulazione a zero (no modulazione) BETA = 1 ;*$ontext

* -----------------------------------------------------------------------------------------------

* Identificazione soluzione simulazione con modello MODQMmodq3.optfile=1;


execute_loadpoint 'modq3_p.gdx' ;

SOLVE MODQ3 using nlp maximizing proftot;

* lettura soluzioni gre_prezv(az,j,"SIM_1") = Pv2(az,j) ;



gre_subpa(az,"SIM_1") = bpa.l(az)+sgreen.l(az);


139

gre_EmTot(az,j,"SIM_1") = totCO2EQ.l(az,j);








gre_comptl(az,"SIM_1") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j)) + pua(az) - rdm.l(az)*weight(az);

gre_aiutidis(az,"SIM_1") = pua(az)- rdm.l(az)*weight(az);



gre_rdm(az,"SIM_1") = rdm.l(az)*weight(az);

gre_comphv(az,j,"SIM_1")= SHv2(az,j);


;


gre_obj(az,"SIM_1") = prof.l(az);

* -----------------------------------------------------------------------------------------------

* -----------------------------------------------------------------------------------------------

pua(az)= pua(az)+ sum(j,sh(az,j)*gre_supv(az,j,"s_base"));

shv2(az,j)=0;


140

HARIF(az)= b(az,"land"); COMPMED(az)$harif(az)= (pua(az))/HARIF(az); AIDIS(az)=compmed(az);

*$ontextpv2(az,"BRB") = tpprv(az,"brb") *1.15;pv2(az,"cereali") = tpprv(az,"cereali") *1.28;pv2(az,"cipo") = tpprv(az,"cipo") *1.31;pv2(az,"erba") = tpprv(az,"erba") *1.15;pv2(az,"forag") = tpprv(az,"forag") *1.15;pv2(az,"frumd") = tpprv(az,"frumd") *1.28;pv2(az,"frumt") = tpprv(az,"frumt") *1.28;pv2(az,"ins") = tpprv(az,"ins") *1.16;pv2(az,"mais") = tpprv(az,"mais") *1.20;pv2(az,"medica") = tpprv(az,"medica") *1.12;pv2(az,"orzo") = tpprv(az,"orzo") *1.32;pv2(az,"pascolo") = tpprv(az,"pascolo") *1.15;pv2(az,"patata") = tpprv(az,"patata") *1.33;pv2(az,"pomod_ind") = tpprv(az,"pomod_ind")*1.20;pv2(az,"prot") = tpprv(az,"prot") *1.12;pv2(az,"riso") = tpprv(az,"riso") *1.08;pv2(az,"semio") = tpprv(az,"semio") *1.27;pv2(az,"soia") = tpprv(az,"soia") *1.27;pv2(az,"latte") = tpprv(az,"latte") *1.18;

*$offtext

* Tasso di decurtazione aiuti per modulazione a zero (no modulazione) BETA = 1 ;*$ontext

* -----------------------------------------------------------------------------------------------





* lettura soluzioni gre_prezv(az,j,"SIM_2") = Pv2(az,j) ;



gre_subpa(az,"SIM_2") = bpa.l(az)+sgreen.l(az);

gre_EmTot(az,j,"SIM_2") = totCO2EQ.l(az,j);





141





gre_comptl(az,"SIM_2") = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j)) + pua(az) - rdm.l(az)*weight(az);

gre_aiutidis(az,"SIM_2") = pua(az)- rdm.l(az)*weight(az);



gre_rdm(az,"SIM_2") = rdm.l(az)*weight(az);

gre_comphv(az,j,"SIM_2")= SHv2(az,j);


;


gre_obj(az,"SIM_2") = prof.l(az);

gre_costco2(az,t)= 0 ;* -----------------------------------------------------------------------------------------------*$ontext

SET TS(t)/1*100/;Parameter pricei(azi,j,ts);loop(ts,* -----------------------------------------------------------------------------------------------

* pua(az)= pua(az)+ sum(j,sh(az,j)*gre_supv(az,j,"s_base"));

shv2(az,j)=0;

HARIF(az)= b(az,"land"); COMPMED(az)$harif(az)= (pua(az))/HARIF(az); AIDIS(az)=compmed(az);*$ontext


142

pv2(az,"BRB") = tpprv(az,"brb") *1.15;pv2(az,"cereali") = tpprv(az,"cereali") *1.28;pv2(az,"cipo") = tpprv(az,"cipo") *1.31;pv2(az,"erba") = tpprv(az,"erba") *1.15;pv2(az,"forag") = tpprv(az,"forag") *1.15;pv2(az,"frumd") = tpprv(az,"frumd") *1.28;pv2(az,"frumt") = tpprv(az,"frumt") *1.28;pv2(az,"ins") = tpprv(az,"ins") *1.16;pv2(az,"mais") = tpprv(az,"mais") *1.20;pv2(az,"medica") = tpprv(az,"medica") *1.12;pv2(az,"orzo") = tpprv(az,"orzo") *1.32;pv2(az,"pascolo") = tpprv(az,"pascolo") *1.15;pv2(az,"patata") = tpprv(az,"patata") *1.33;pv2(az,"pomod_ind") = tpprv(az,"pomod_ind")*1.20;pv2(az,"prot") = tpprv(az,"prot") *1.12;pv2(az,"riso") = tpprv(az,"riso") *1.08;pv2(az,"semio") = tpprv(az,"semio") *1.27;pv2(az,"soia") = tpprv(az,"soia") *1.27;pv2(az,"latte") = tpprv(az,"latte") *1.18;*$offtext

TaxEm = (1/10000)*(ord(ts)-1);

* Tasso di decurtazione aiuti per modulazione a zero (no modulazione) BETA = 1 ;

* -----------------------------------------------------------------------------------------------





* lettura soluzioni gre_prezv(az,j,ts)$ord(ts) = Pv2(az,j) ;

gre_prodv(az,j,ts)$ord(ts) = xv.l(az,j) ;

gre_supv(az,j,ts)$ord(ts) = xhv.l(az,j) ;

gre_subpa(az,ts)$ord(ts) = bpa.l(az)+sgreen.l(az);

gre_EmTot(az,j,ts)$ord(ts) = totCO2EQ.l(az,j);

gre_CO2(az,j,ts)$ord(ts) = xhv.l(az,j)*emissioni(j,"co2");

gre_N2O(az,j,ts)$ord(ts) = xhv.l(az,j)*emissioni(j,"n2o");

gre_CH4(az,j,ts)$ord(ts) = xhv.l(az,j)*emissioni(j,"ch4");

gre_pombt (az,ts)$ord(ts) = rest.m(az) ;

gre_plvv(az,ts)$ord(ts) = sum(j, xv.l(az,j) * Pv2(az,j) ) ;


143

gre_plvt (az,ts)$ord(ts) = sum(j, xv.l(az,j) * Pv2(az,j) );

gre_compv(az,ts)$ord(ts) = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j));

gre_comptl(az,ts)$ord(ts) = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j)) + pua(az) - rdm.l(az)*weight(az);

gre_aiutidis(az,ts)$ord(ts) = pua(az)- rdm.l(az)*weight(az);

gre_aiutiacc(az,ts)$ord(ts) = sum(j, SHv2(az,j) * xhv.l(az,j)) + sum(j, ShAC(az,j) * xv.l(az,j));

gre_comptn(az,ts)$ord(ts) = gre_comptl(az,ts) ;

gre_rdm(az,ts)$ord(ts) = rdm.l(az)*weight(az);

gre_comphv(az,j,ts)$ord(ts)= SHv2(az,j);

gre_costco2(az,t)$ord(ts)= sum(j,TaxEm * totCO2eq.l(az,j)) ;

gre_costv(az,ts)$ord(ts) = .5 * sum((j,k), xv.l(az,j) * qmat (j,k) * xv.l(az,k))+ sum(j, fu(az,j) * xv.l(az,j)) + sum(j,TaxEm * totCO2eq.l(az,j))

;

gre_costt(az,ts)$ord(ts) = .5 * sum((j,k), xv.l(az,j) * qmat (j,k) * xv.l(az,k))+ sum(j, fu(az,j) * xv.l(az,j)) + sum(j,TaxEm * totCO2eq.l(az,j));

gre_obj(az,ts)$ord(ts) = prof.l(az);

);* -----------------------------------------------------------------------------------------------

* -----------------------------------------------------------------------------------------------

*$offtext

re_prezv(j,t)$(sum((az),gre_prodv(az,j,t)) gt 0) = sum((az),gre_prezv(az,j,t)*gre_prodv(az,j,t)) / sum((az),gre_prodv(az,j,t)) ;

re_prodv(j,t) = sum((az), gre_prodv(az,j,t)) ;

re_supv(j,t) = sum((az), gre_supv(az,j,t)) ;

re_subpa(t) = sum((az), gre_subpa(az,t));

re_EmTot(j,t) = sum((az),gre_EmTot(az,j,t));


144

re_CO2(j,t) = sum((az),gre_CO2(az,j,t)); re_N2O(j,t) = sum((az),gre_N2O(az,j,t)); re_CH4(j,t) = sum((az),gre_CH4(az,j,t));

re_pombt(t)$( sum((az), 1 $ gre_pombt(az,t)) gt 0) = sum((az), gre_pombt(az,t)) / sum((az), 1 $ gre_pombt(az,t)) ;

re_plvv(t) = sum((az), gre_plvv(az,t)) ; re_plvt(t) = sum((az), gre_plvt(az,t)) ;

re_compv(t) = sum((az), gre_compv(az,t)) ;

re_aiutidis(t) = sum((az), gre_aiutidis(az,t)) ; re_aiutiacc(t) = sum((az), gre_aiutiacc(az,t)) ;

re_comptl(t) = sum((az), gre_comptl(az,t)) ; re_rdm(t) = sum((az), gre_rdm(az,t)) ; re_comptn(t) = sum((az), gre_comptn(az,t)) ;

re_comphv(j,t)$(sum((az),gre_supv(az,j,t)) gt 0) = sum((az),gre_comphv(az,j,t)*gre_supv(az,j,t)) / sum((az),gre_supv(az,j,t)) ;

re_costco2(t) = sum(az, gre_costco2(az,t));

re_costv(t) = sum((az), gre_costv(az,t)) ; re_costt(t) = sum((az), gre_costt(az,t)) ;

re_obj(t) = sum((az), gre_obj(az,t)) ;

set Ky /prezv,prodv,supv,sbpa,TCO2,CO2,N2O,CH4, pombt,plvv,plvt,compv,aiddis,aidacc, RDM,comptn,comphv,costco2,costv,costt,ML/;

set Kx /XXX/;

parameter ris_macroaree(azi,ky,*,t);

ris_macroaree(az,"prezv",j,t)= gre_prezv(az,j,t);

ris_macroaree(az,"prodv",j,t)= gre_prodv(az,j,t);

ris_macroaree(az,"supv" ,j ,t) = gre_supv(az,j,t);

ris_macroaree(az,"sbpa" ,"XXX" ,t) = gre_subpa(az,t);

ris_macroaree(az,"pombt","XXX",t) = gre_pombt(az,t);

*ris_macroaree(az,"plvv","XXX",t)= gre_plvv(az,t);ris_macroaree(az,"plvt","XXX",t)= gre_plvt(az,t);

ris_macroaree(az,"TCO2",j,t) = gre_EmTot(az,j,t);

ris_macroaree(az,"CO2",j,t) = gre_CO2(az,j,t);ris_macroaree(az,"N2O",j,t) = gre_N2O(az,j,t);ris_macroaree(az,"CH4",j,t) = gre_CH4(az,j,t);

*ris_macroaree(az,"compv" ,"XXX",t) = gre_compv(az,t);


145

ris_macroaree(az,"RDM" ,"XXX",t) = gre_rdm(az,t);ris_macroaree(az,"comptn" ,"XXX",t) = gre_comptn(az,t);

ris_macroaree(az,"aiddis" ,"XXX",t) = gre_aiutidis(az,t);ris_macroaree(az,"aidacc" ,"XXX",t) = gre_aiutiacc(az,t);

*ris_macroaree(az,"comphv",j,t)= gre_comphv(az,j,t);

ris_macroaree(az,"costco2","XXX",t)= gre_costco2(az,t);

*ris_macroaree(az,"costv","XXX",t)= gre_costv(az,t);ris_macroaree(az,"costt","XXX",t)= gre_costt(az,t);

ris_macroaree(az,"ML","XXX",t)= gre_obj(az,t);

display re_supv,re_prezv;*================================================================================================* P U T **================================================================================================$include modulo_macro.prn$include modulo_output.prn

*$offtext


146

ALLEGATO 3 : RISULTATI REGIONALI

A.3.1 Confronto Baseline scenario - PAC 2014-2020

• ORDINAMENTO PRODUTTIVO

Figura A.3.1 a) Ordinamento produttivo

regione Emilia Romagna.

Figura A.3.1 b) Ordinamento produttivo

regione Lombardia.

Figura A.3.1 c) Ordinamento produttivo

regione Veneto.


147

• VARIAZIONE PERCENTUALE SUPERFICIE DEDICATA AD OGNI PROCESSO PRODUTTIVO

RISPETTO ALLA SUPERFICIE TOTALE

Figura A.3.1 d) Variazione

percentuale dell’ordinamento

produttivo. Regione Emilia

Romagna.

Figura A.3.1 e) Variazione


produttivo. Regione

Lombardia.

Figura A.3.1 f) Variazione


produttivo. Regione Veneto.


148

• LATTE

EMILIA R. Baseline PAC 14-20 Riduzione Rid %

N° Capi da Latte 159105 150433 -8672 -5,45%

Figura A.3.1 g) Variazione numero di capi da latte in valore assoluto e percentuale. Regione Emilia Romagna.

LOMBARDIA Baseline PAC 14-20 Riduzione Rid %

N° Capi da Latte 409821 363229 -46592 -11,37%

Figura A.3.1 h) Variazione numero di capi da latte in valore assoluto e percentuale. Regione Lombardia.

VENETO Baseline PAC 14-20 Riduzione Rid %

N° Capi da Latte 152897 137913 -14983 -9,80%

Figura A.3.1 i) Variazione numero di capi da latte in valore assoluto e percentuale. Regione Veneto.

• VARIABILI ECONOMICHE

EMILIA ROMAGNA Baseline PAC 14-20 Var % Costo del Greening

€/ha€/ha €/ha




Pagamenti 401 233 -42,1%

Margine Lordo di II livello 3.601 3.294 -8,5%

Figura A.3.1 l) Variazione parametri economici. Regione Emilia Romagna.


149

LOMBARDIA Baseline PAC 14-20 Var % Costo del Greening

€/ha€/ha €/ha




Pagamenti 576 233 -59,6%


Figura A.3.1 l) Variazione parametri economici. Regione Lombardia.

VENETO Baseline PAC 14-20 Var % Costo del Greening

€/ha€/ha €/ha




Pagamenti 631 233 -63,1%


Figura A.3.1 l) Variazione parametri economici. Regione Veneto.


150

• EMISSIONI TOTALI

Figura A.3.1 m) Variazione

delle emissioni totali di GHG

e composizione relativa in

CO2, N2O e CH4. Regione

Emilia Romagna.

Figura A.3.1 n) Variazione




Lombardia.

Figura A.3.1 o) Variazione




Veneto.


151

• VARIAZIONE PERCENTUALE DELLE EMISSIONI DI CIASCUN GAS E DELLE EMISSIONI

TOTALI

Figura A.3.1 p) Variazione

percentuale delle

emissioni di GHG. Regione

Emilia Romagna.

Figura A.3.1 q) Variazione

percentuale delle

emissioni di GHG. Regione

Lombardia.

Figura A.3.1 r) Variazione

percentuale delle emissioni

di GHG. Regione Veneto.


152

• PERCENTUALE DI EMISSIONI DI GHG IMPUTABILE AI DIVERSI PROCESSI PRODUTTIVI

Figura A.3.1 r) Contributo

dei diversi processi alle

emissioni totali. Regione

Emilia Romagna.

Figura A.3.1 s) Contributo



Lombardia.

Figura A.3.1 t) Contributo



Veneto.


153

• VARIAZIONI IN PERCENTUALE DELLE EMISSIONI DI GHG RELATIVE AD OGNI

PROCESSO PRODUTTIVO

Figura A.3.1 u) Variazione

percentuale emissioni

GHG legate ad ogni

attività produttiva.

Regione Emilia Romagna.

Figura A.3.1 v) Variazione


GHG legate ad ogni


Regione Lombardia.

Figura A.3.1 z) Variazione


GHG legate ad ogni


Regione Veneto.


154

A.3.2 Emission Tax scenario

• VARIAZIONE ORDINAMENTO PRODUTTIVO

REGIONE EMILIA ROMAGNA

Figura A.3.2 a) Variazione in percentuale

della superficie dedicata alle diverse

colture. Regione Emilia Romagna.

REGIONE LOMBARDIA

Figura A.3.2 b) Variazione in percentuale


colture. Regione Lombardia.

REGIONE VENETO

Figura A.3.2 c) Variazione in percentuale


colture. Regione Veneto.


155

• VARIAZIONE EMISSIONI DI N2O, CO2, CH4 E TOTALI.

REGIONE EMILIA ROMAGNA

Figura A.3.2 d) Variazione percentuale

delle emissioni di GHG, regione Emilia

Romagna.

REGIONE LOMBARDIA

Figura A.3.2 e) Variazione percentuale

delle emissioni di GHG, regione

Lombardia.

REGIONE VENETO

Figura A.3.2 f) Variazione percentuale delle

emissioni di GHG, regione Veneto.


156

• CURVE DI ABBATTIMENTO

Figura A.3.2 g) Curva di abbattimento

delle emissioni di GHG, regione Emilia

Romagna.

Figura A.3.2 h) Curva di abbattimento


Lombardia.

Figura A.3.2 i) Curva di abbattimento


Veneto.


157

SVILUPPO E IMPLEMENTAZIONE DI UN MODELLO DI …fondazione.cogeme.net/files/Archivio Tesi/si può...

Documents

Transcript of SVILUPPO E IMPLEMENTAZIONE DI UN MODELLO DI …fondazione.cogeme.net/files/Archivio Tesi/si può...