Prevedere i prezzi dell’energia e l’adozione delle rinnovabili tramite un quadro di apprendimento basato su alberi ottimizzato con intelligenza artificiale interpretabile

Perché il costo futuro dell’energia conta per te

Bollette elettriche, prezzi dei carburanti e la velocità con cui solare e eolico sostituiscono carbone e petrolio influenzano la vita quotidiana e le economie nazionali. Questo studio pone una domanda apparentemente semplice: possiamo usare gli strumenti moderni dei dati per vedere dove stanno andando i prezzi dell’energia e l’adozione delle energie pulite, e capire cosa guida davvero questi cambiamenti? Analizzando due decenni di dati energetici globali con avanzate tecniche di apprendimento automatico, l’autore costruisce un sistema di previsione che non solo predice le tendenze future, ma spiega anche quali fattori — come la dipendenza dai combustibili fossili o le emissioni di carbonio — contano di più.

Seguire le abitudini energetiche in evoluzione nel mondo

La ricerca parte da un ampio set di dati che copre più di 50 paesi dal 2000 al 2024. Per ogni paese e anno registra quanta energia si consuma mediamente, quanto il paese dipende dai combustibili fossili, come l’energia è ripartita tra industria e famiglie, la quantità totale di energia consumata e il livello delle emissioni di carbonio. Vengono quindi annotati due risultati chiave: un Indice dei Prezzi dell’Energia, che riflette quanto è costosa l’energia, e la quota di energia proveniente da fonti rinnovabili come eolico, solare e idroelettrico. Poiché i dati coprono molte regioni e anni, catturano sia differenze locali sia tendenze globali a lungo termine, rendendoli adatti per la previsione.

Insegnare agli “alberi” digitali a imparare dai dati energetici

Per trasformare queste informazioni storiche in previsioni, lo studio si basa su una famiglia di tecniche note come modelli di apprendimento automatico basati su alberi. Questi modelli dividono i dati in rami sulla base di semplici domande, per esempio se l’uso di combustibili fossili è sopra o sotto un certo livello, arrivando infine a predizioni per il prezzo o la quota rinnovabile. Invece di usare un singolo albero, l’autore costruisce foreste di alberi e ne migliora le prestazioni con algoritmi di ottimizzazione metaeuristica, ispirati al comportamento animale, che cercano i migliori parametri di ciascun modello. Questo processo di taratura migliora sia l’accuratezza sia la stabilità quando si lavora con dati reali complessi e rumorosi.

Verificare l’affidabilità e aprire la “scatola nera”

Le previsioni accurate sono utili solo se resistono al vaglio critico. Lo studio testa i suoi modelli allenandoli e valutandoli ripetutamente su diverse porzioni dei dati ordinati nel tempo, imitando come si comporterebbero su anni futuri che non hanno mai visto. In questi test, i migliori modelli ibridi spiegano ben oltre il 90 percento della variazione sia nei prezzi dell’energia sia nella quota di energia rinnovabile, con errori tipici relativamente contenuti. Per evitare l’obiezione comune che l’apprendimento automatico sia una scatola nera, l’autore applica quindi strumenti di intelligenza artificiale interpretabile. Uno, chiamato SHAP, ridistribuisce ogni previsione sui fattori in ingresso, mostrando quanto ciascuno abbia spinto la previsione verso l’alto o verso il basso. Un altro, un metodo di sensibilità chiamato Cosine Amplitude Method, esamina come cambiamenti e combinazioni degli input si riflettono negli output.

Cosa guida davvero i prezzi e la crescita dell’energia pulita

Questi strumenti di interpretabilità rivelano una storia chiara. Per prevedere la quota di rinnovabili emergono due variabili chiave: quanto un paese dipende dai combustibili fossili e quanto carbonio emette. Un’elevata dipendenza dai fossili e alte emissioni tendono a frenare la crescita delle rinnovabili, mentre il passaggio lontano dai combustibili fossili è fortemente legato a quote maggiori di energia pulita. Per i prezzi dell’energia, il consumo complessivo di energia — quanta energia usa un paese tra fabbriche, uffici e abitazioni — gioca un ruolo centrale. Le regioni che consumano molta energia pro capite, o che dipendono fortemente dai fossili, sono più esposte alla volatilità dei prezzi quando l’offerta si contrae. L’analisi mostra anche che le interazioni contano: per esempio, l’effetto combinato dell’uso energetico industriale e del consumo totale può essere più importante di ciascuno separatamente.

Dalle previsioni più intelligenti a politiche più intelligenti

Per i non specialisti, la conclusione è semplice. Accoppiando algoritmi di apprendimento avanzati con strumenti che chiariscono il loro funzionamento, questa ricerca costruisce un quadro di previsione sia accurato sia comprensibile. Mostra che ridurre la dipendenza dai combustibili fossili e le emissioni di carbonio non è solo utile per il clima; è strettamente legato anche alla velocità di crescita delle rinnovabili e alla stabilità dei prezzi dell’energia. Governi, fornitori di servizi energetici e investitori possono usare tali modelli per testare come diverse scelte — come la tassazione del carbonio, programmi di efficienza o incentivi alle rinnovabili — potrebbero rimodellare bollette ed emissioni future. In sostanza, lo studio offre una bussola basata sui dati per navigare la transizione verso un sistema energetico globale più economico e sostenibile.

Citazione: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

Parole chiave: prezzi dell'energia, energia rinnovabile, apprendimento automatico, emissioni di carbonio, combustibili fossili