L'accordo Bae - Agriregionieuropa
Questo articolo è la riduzione in italiano per Agriregionieuropa dell’articolo degli stessi autori dal titolo: “Post-2013 EU Common Agricultural Policy: predictive models of land use change”, pubblicato sul numero 2/2013 della rivista della Associazione Italiana di Economia Agraria ed Applicata (Aieaa): Bio-based and Applied Economics (Bae). L’articolo è pubblicato sulla base di un accordo alla valorizzazione reciproca tra Agriregionieuropa e Bae.
Introduzione
L'agricoltura e la silvicoltura svolgono un ruolo cruciale nella produzione di beni di pubblica utilità, come la qualità estetica dei paesaggi, la biodiversità, la stabilità del clima la e capacità di mitigare disastri naturali quali inondazioni, siccità e incendi. Al contempo, talune pratiche agricole possono determinare pressione sull'ambiente e provocare degrado dei terreni, inquinamento delle acque e perdita di habitat naturali e di biodiversità. Questo è quanto viene riportato nel 2010 dalla comunicazione della Commissione Europea “La Pac verso il 2020”, Com (2010) 672/5. Dalle dichiarazioni della Commissione Europea si evince come lo spazio fisico agricolo e forestale sia fondamentale per il mantenimento dell’equilibrio climatico ambientale sia a scala locale che globale. Per tale motivo si rende necessaria un’attenta programmazione in agricoltura, in quanto in passato il settore primario è stato largamente influenzato dalle misure della Pac, in particolare dal sistema dei pagamenti diretti. A tal proposito è possibile fare riferimento alle misure di set-aside che hanno portato ad un’espansione delle aree incolte, con il conseguente aumento del rischio di erosione e di abbandono dei territori (Boellstorff et al, 2005). Mentre le misure successive, come il pagamento unico aziendale (Pua) e la revisione di medio termine della Pac, hanno prodotto impatti diretti sul settore primario, provocando una diminuzione del valore dei paesaggi agricoli (Riccioli et al. , 2007). Inoltre è stato recentemente dimostrato che la riduzione dei pagamenti diretti determinerebbe la riduzione delle terre coltivabili a favore delle aree destinate a pascoli e praterie naturali (Sieber et al 2013).
Alla luce di quanto riportato appare evidente che prevedere le potenziali transizioni future di uso del suolo può rappresentare un valido supporto politico-decisionale, ai fini di una corretta programmazione in agricoltura.
L’obiettivo del presente lavoro è correlare le trasformazioni spaziali e temporali di uso del suolo a variabili ambientali e socio-economiche, e valutare, allo stesso tempo, i loro possibili effetti sulla futura destinazione di uso dei suoli all’interno della regione Basilicata. La comprensione di tali relazioni può risultare di grande utilità ai pianificatori ed ai decisori nell’individuazione di strategie di conservazione/promozione dei luoghi.
In letteratura vi sono numerosi modelli, da cui derivano altrettante numerose applicazioni pratiche. Numerosi studi sono stati sviluppati al fine di comprendere l’interazione tra i “fattori determinanti” ed i cambiamenti di uso del suolo, anche al fine di poter effettuare proiezioni nello spazio e nel tempo (Pin Lin et al., 2011). I modelli empirici, ad esempio, sono ben in grado di descrivere i cambiamenti nell’uso del suolo, in quanto capaci di cogliere le preferenze degli individui, che sono i principali responsabili dei cambiamenti. L’aspetto innovativo della ricerca consiste nella reale possibilità di correlare variazioni spaziali e temporali dell’uso del suolo a variabili ambientali e socio-economiche e, allo stesso tempo, prevederne i possibili effetti.
Per prevedere le future transizioni sono state utilizzate le reti neurali (Ann, Artificial Neural Network) e di analisi multivariate, le quali attraverso la simulazione di un percorso logico deduttivo, producono dei modelli previsionali spazio-temporali. Esse, attraverso la simulazione di un percorso logico deduttivo, rappresentano degli eccellenti modelli di simulazione spazio temporale. Una delle classi più importanti di Ann unidirezionali feed-foward con allenamento supervisionato è il perceptrone multi-strato (Mlp Multi-layer Perceptron, Werbos, 1974). Tale procedimento, oltre che valutare il grado di relazione tra variabile causa ed effetto di fenomeni già avvenuti, risulta idoneo anche nella simulazione di scenari futuri dei probabili cambiamenti. Il modello Ann-Mpl possiede diversi vantaggi, tra cui la possibilità di essere spazializzato.
In questo lavoro sono stati simulati due possibili scenari: il primo, definito Baseline scenario simula il perdurare degli attuali indirizzi di politica agricola comunitaria anche per il prossimo periodo 2014-2020, mentre il secondo, definito Future Cap scenario, simula i potenziali effetti che potranno avere le future misure della Pac del 2014-2020.
I risultati ottenuti rappresentano quindi un valido supporto conoscitivo e un utile strumento per le decisioni politiche al fine di promuovere azioni mirate a cogliere le nuove sfide economiche e ambientali del futuro.
Metodologia
Una rete neurale artificiale Ann può essere definita come un modello matematico/informatico di calcolo che trova fondamento sulle reti neurali biologiche. Sono presenti nel modello numerose interconnessioni di informazioni, costituite dai neuroni artificiali opportunamente collegati da connessioni. In letteratura le reti neurali sono state applicate per quantificare i cambiamenti di uso del suolo (Nemmour et al., 2006), per l’analisi dei rischi (Kanungo et al., 2006) e per la previsione di dinamiche ambientali (Villa et al., 2007; Follador, 2008).
Nel caso di studio, condotto all’interno della regione Basilicata, è stato utilizzato un particolare simulatore, il land change modeller (Figura 1), modello valutato positivamente da Bibby e Sheperd in un’indagine sui più importanti modelli di previsione di cambiamento di uso del suolo (Bibby e Sheperd, 2000). Questo simulatore, che opera in ambiente Gis, permette di tener conto di eventuali vincoli (presenza di aree protette, vincoli ope-legis, ecc.) ed incentivi/disincentivi (parametri ambientali, socio-economici, ecc), presenti e futuri, da introdurre nell’analisi attraverso la realizzazione di mappe, le quali concorrono nella possibilità di transizione e di cambiamento dell’uso del suolo. Le transizioni più rilevanti emergono comparando e sovrapponendo in momenti differenti del tempo due mappe d’uso del suolo riferite allo stesso territorio.
Il risultato dell’elaborazione è rappresentato da una mappa caratterizzata da una serie di valori che vanno da 0 a 1 in cui 0 indica rischio nullo di cambiamento ed 1 indica il massimo rischio di cambiamento.
Ottenute le mappe di rischio, sono stati poi costruiti, come precedentemente indicato, due possibili scenari futuri di cambiamento di uso del suolo utilizzando il metodo delle catene di Markov (Figura 1).
Figura 1 - Modello adottato
Fonte: ns. elaborazione
Costruzione degli scenari
Alcuni importanti autori (Schwartz 1991, Roxburgh 2009), suggeriscono la costruzione di pochi scenari e molto diversi tra di loro, al fine di evidenziare con maggiore chiarezza le differenze esistenti, evitando in tal modo fenomeni di sovrapposizione delle driving force, ovvero delle variabili che li hanno generati. Pertanto nel presente lavoro sono stati realizzati solo due scenari: Scenario Baseline e Scenario Future Cap, entrambi proiettati nel 2050, al fine di amplificare gli effetti delle driving force.
Lo Baseline scenario è stato realizzato unicamente sulla base delle attuali tendenze socio-economiche, senza alcun tipo di ipotesi di intervento futuro, quali forme di incentivazione, politiche fiscali, ecc. (Figura 1).
Lo Future Cap scenario valuta la nuova programmazione agricola comunitaria 2014-2020. Pertanto sono state utilizzate mappe di idoneità al cambiamento determinate solo da variabili geo-morfologiche e climatiche, (Figura 1) e non di tipo socio-economico, come nel caso dello scenario Baseline, in quanto queste ultime sarebbero state eccessivamente influenti e quindi forvianti per la costruzione di uno scenario futuro costruito con la logica di mettere in evidenza i possibili effetti delle misure della futura Pac.
Nell’ambito delle politiche agricole ci possono essere molte driving forces che possono risultare significative in una proiezione futura, non risulta però efficiente cercare di sviluppare scenari relativi a tutte le componenti, in quanto ciò renderebbe troppo confusa ed incerta la fase di analisi e valutazione. Pertanto si è optato per la scelta di alcuni indirizzi programmatici specifici, afferenti sia al nuovo regime dei pagamenti diretti, che alle nuove priorità dello sviluppo rurale.
Lo scenario è stato realizzato mediante l’adozione di mappe raster di vincoli/incentivi, dove valori pari a 0 vengono trattati come vincoli assoluti, mentre i valori pari a 1 indicano zone libere di evolversi senza né vincoli né incentivi. Valori inferiori a 1, (es. 0,9) agiscono come disincentivi, mentre valori superiori a 1 (es. 1,1) fungono da incentivi (Eastman, J.R. 2006).
Seguendo tale logica solo tre misure comunitarie sono state “tradotte” in mappe raster, differenziate sulla base del diverso effetto che queste ultime avrebbero sul territorio a seconda della diversa destinazione d’uso del suolo.
La prima mappa è stata realizzata prendendo in considerazione una significativa innovazione nel regime dei pagamenti diretti, vale a dire l’assegnazione dei titoli di pagamento anche alle colture ortofrutticole ed ai vigneti, cosa che in passato non era consentita, eccetto che per il pomodoro, per gli agrumeti e per la frutta trasformata. Partendo da queste considerazioni è stato realizzato uno strato informativo di incentivo per quei territori irrigui che potenzialmente potrebbero ospitare colture ortofrutticole; territori attualmente destinati in larga parte a colture di tipo cerealicolo estensivo, in quanto non sussiste alcuna forma di incentivo verso la conversione ad ordinamenti produttivi più complessi.
Il secondo strato informativo rappresenta invece un vincolo anziché un incentivo, in quanto esso è stato prodotto a partire dalle nuove indicazioni in merito alla differenziazione colturale, indicazioni che impediscono la trasformazione delle superfici a prato e pascolo permanente in superfici di tipo seminativo.
Infine la terza variabile futura introdotta è un incentivo, spazialmente differenziato sulla base della destinazione di uso del suolo. Questo strato informativo è stato realizzato sulla base delle nuove priorità della politica di sviluppo rurale, prendendo in particolare considerazione i contenuti delle priorità 4 e 5, che sono rispettivamente “Preservare e migliorare ecosistemi dipendenti dall’agricoltura” e “Transizione verso una low carbon economy”, priorità che al loro interno contengono un gran numero di misure, che vanno dalla sostenibilità ambientale alla forestazione. Questo strato informativo è estremamente importante per il territorio di riferimento, in quanto caratterizzato da ampie aree direttamente interessate dalle misure simulate dallo strato.
Siccome le misure per lo sviluppo rurale possono produrre risultati solo nel medio-lungo termine, gli effetti delle mappe raster sono stati simulati fino al 2050 in modo da essere in grado di valutare il loro impatto, in particolare sulla silvicoltura.
L’Area di Studio
La Basilicata è una regione meridionale italiana che si estende su un territorio di 9.992 chilometri quadrati. La copertura del suolo regionale è piuttosto eterogenea, e rispecchia le caratteristiche morfologiche e climatiche. Infatti si spazia da sistemi agricoli estensivi ed ampie aree naturali della parte occidentale della regione, a sistemi agricoli più specializzati nelle zone collinari e pianeggianti della parte orientale. Questa distribuzione è stata riconosciuta negli strumenti di pianificazione nazionale (Piano Strategico Nazionale per lo Sviluppo Rurale, 2009) che classificano la regione come un territorio totalmente rurale (meno di 150 abitanti/km2), in cui le superfici possono essere distinte:
- B: zona pianeggiante considerata "area rurale ad agricoltura intensiva specializzata". Questa zona si trova sul versante ionico della Basilicata, rappresenta l'8% della superficie regionale e comprende sei comuni. E 'caratterizzata da terreno pianeggiante e facile accesso alla risorsa idrica. La sua agricoltura è di tipo specializzato ad elevato reddito. Infatti su un area di agricola pari al 9,4% della Sau regionale si genera il 25% del valore aggiunto del settore primario regionale (Basilicata Piano di Sviluppo Rurale 2007-2013).
- D: "aree rurali con gravi limitazioni per lo sviluppo" superfici collinari e montane pari al 92% superficie regionale, comprendenti 125 comuni. All'interno della macro-area D si possono distinguere seguenti distretti:
- D1: aree con modelli agricoli più avanzati. Questo distretto copre il 39% della superficie regionale e comprende 60 comuni. Il suo territorio è prevalentemente collinare con alternanza di pianure. Le attività agricole praticate sono fondamentalmente di tipo seminativo e pascolativo, con la produzione di colture specializzate nelle aree pianeggianti.
- D2: rappresenta l'entroterra di zone collinari e montane. Questo distretto si trova nella zona centrale della regione; rappresenta il 53% della superficie regionale e comprende 65 comuni. Quest’area è prevalentemente montuosa, pertanto caratterizzata da ampi boschi e pascoli. La scarsa presenza dell’agricoltura specializzata, 5% dell’area, è dovuta in gran parte all’altezza e alla pendenza della zona che è sfavorevole a tali colture.
Risultati
Le figure 2 e 3 mostrano la localizzazione delle variazioni registrate nel confronto tra l'attuale copertura del suolo e la copertura prevista per il 2050, rispettivamente per lo Baseline scenario e per lo Future Cap scenario.
Figura 2 - Mappa di cambiamento di uso del suolo: Baseline scenario
Fonte: ns. elaborazione
Osservando la figura 2 è possibile notare la riduzione delle aree a pascolo che può essere spiegata con la mancanza di una politica mirata per la tutela di tali aree. Mentre il moderato aumento delle zone boschive potrebbe derivare dall'abbandono delle aree marginali e quindi dalla successiva trasformazione delle stesse aree in ambienti naturali.
Per quanto riguarda le transizioni riguardanti il settore forestale, esse sono per lo più registrati in zona D2, dove si trovano la maggior parte dei boschi regionali, e fanno registrare un aumento del 10,5% di tali superfici.
Mentre le limitate transizioni che coinvolgono il settore ortofrutticolo, che aumenta del 10,15%, sono localizzate nell'area B che è caratterizzata da un andamento pianeggiante e dalla possibilità di irrigare (Figura 3).
Figura 3 – Distribuzione delle transizioni: Baseline scenario – Valori in %
Fonte: ns. elaborazione
Osservando la mappa di cambiamento dello scenario Cap Future, riportata in figura 4, è possibile notare che non ci sono nuove conversioni in seminativi, e al contempo la perdita di aree boschive è impedita. Questo è il risultato della politica di protezione dei pascoli, simulata attraverso l'interazione dei pagamenti diretti e delle misure di sviluppo rurale (primo e terzo strato informativo).
Figura 4 - Mappa di cambiamento di uso del solo dello scenario CAP Future
Fonte: ns. elaborazione
Oltre ad un incremento delle superfici naturali in questo scenario si osserva un aumento delle colture specializzate; aumento legato al secondo strato informativo, che simulando un incentivo per zone irrigue che potrebbero potenzialmente ospitare colture specializzate (area B), fa si che queste aumentino del 25,7%, che è significativamente superiore al 10,15% osservata nello scenario baseline (Figura 5).
Figura 5 - Distribuzione delle transizioni: Future CAP scenario – Valori in %
Fonte: ns. elaborazione
Il confronto tra le due mappe di cambiamento mostra come l'adozione di misure mirate della Pac può giocare un ruolo fondamentale nell'evoluzione di uso del suolo, in particolare per la conservazione di alcuni ambienti naturali che sarebbero esposti al rischio di degrado ed abbandono in assenza di misure appropriate volte a recuperare la loro funzione protettiva. La simulazione delle misure comunitarie attraverso gli strati di incentivo / disincentivo produce una persistenza delle attività agricole nelle zone D1 e D2 riducendo il rischio abbandono.
Conclusioni
L’applicazione condotta ha messo in luce diversi livelli di reattività del territorio lucano agli interventi comunitari.
In particolare il modello ha evidenziato il basso potenziale di transizione delle aree D1 e D2, caratterizzate da un sistema geomorfologico fortemente limitante e dalla difficoltà di accesso alla risorsa idrica; infatti tali aree sono principalmente occupate da seminativi non irrigue. Pertanto pur ipotizzando incentivi per colture più specializzate, si denota una scarsa suscettibilità al cambiamento.
D'altra parte è stato osservato un elevato potenziale di transizione verso colture specializzate nelle zone pianeggianti, con possibilità di accesso alla risorsa idrica. In queste aree l'attuazione di misure specifiche innescherebbe considerevoli trasformazioni da colture estensive in produzioni orto-frutticole, con un conseguente aumento di reddito per unità di superficie.
Inoltre, lo scenario "Futuro della Pac" ha mostrato l'influenza positiva di una incentivazione per gli arbusti e per i boschi, principalmente presenti nelle zone D1 e D2, specie nei versanti a rischio di erosione. Pertanto un’adeguata politica di gestione delle foreste potrebbe realmente ridurre il rischio di dissesto idrogeologico.
L'analisi dei risultati conferma che l'approccio utilizzato può essere uno strumento prezioso per lo studio della previsione dei futuri cambiamenti del territorio.
Il punto di forza della metodologia adottata risiede nella possibilità di formulare modelli di valutazione ex-ante delle politiche di sviluppo locale. L'affidabilità del modello è strettamente collegata alla disponibilità dei dati relativi alle variabili spaziali coinvolte nei processi di cambiamento, di conseguenza, è opportuno avere una vasta base di variabili geo-referenziate per enfatizzare gli effetti positivi di alcune politiche e mitigare eventuali conseguenze indesiderate.
Le limitazioni del modello applicato sono soprattutto legate alla qualità e al livello di dettaglio spaziale delle variabili di ingresso. Per migliorare l'accuratezza delle analisi sarebbe utile prendere in considerazione un maggior numero di variabili, magari attraverso modelli di scelta discreta (Choice Experiment).
Futuri sviluppi del modello richiederebbero l'uso di variabili climatiche dinamiche al fine di valutare gli effetti dei cambiamenti con maggiore precisione e identificare i punti di forza e di debolezza del settore agricolo e forestale.
Riferimenti bibliografici
-
Bibby P. e Sheperd J. (2000), Gis, land use, and representation, Environment and planning B, 27: 583-598
-
Boellstorff D. e Benito G. (2005), Impacts of set-aside policy on the risk of soil erosion in central Spain, Agriculture, Ecosystems and Environment, 107: 231-243
-
Eastman J.R. (2006), Idrisi Andes, Tutorial, MA, Usa, Clark Labs, Clark University
-
European Commission, (2010), The Cap towards 2020: Meeting the food, natural resources and territorial challenges of the future. Communication from the commission to the european parliament, the council, the european economic and social committee and the committee of the regions
-
Follador M. (2008), Modellizzazione spazio-temporale delle dinamiche di uso del suolo ed analisi comparata di differenti approcci predittivi. PhD dissertation, Università degli Studi di Bologna
-
Kanungo D.P., Arora M. K., Sarkar S., Gupta R. P. (2006), A comparative study of conventional, Ann black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas. Engineering Geology 85: 347-366
-
Nemmour H. e Chibani Y. (2006), Multiple support vector machines for land cover change detection: an application for mapping urban extension. Isprs Journal of Photogrammetry & Remote Sensing 61: 125-133
-
Pin Lin Y., Jay Chu H., Chen F., Verburg H. (2011), Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling – a case study. International Journal of Geographical Information Science, 25- 1: 65–87
-
Riccioli F., Scozzafava G. (2007), Il pagamento unico e la condizionalità nella modifica del paesaggio rurale: un caso di studio. Firenze University Press. XXXVI Incontro di Studio Ce.S.E.T., pp. 233-248
-
Roxburgh C. (2009), The use and abuse of scenarios. McKinsey Quarterly November: 1-10
-
Sieber S., Amjath-Babu T.S., Jansson T., Müller K., Tscherning K., Graef F., Pohle D., Helming K., Rudloff B., Saravia-Matus B.S., Gomez y Paloma S. (2013), Sustainability impact assessment using integrated meta-modelling: Simulating the reduction of direct support under the EU common agricultural policy (Cap). Land Use Policy 33: 235-245
-
Schwartz P. (1991), The art of the long view: planning for the future in an uncertain world. 1st ed. Doubleday, New York
-
Villa N., Paegelow M., Camacho O. M. T., Cornez L., Ferraty F., Ferré L., Sarda P. (2007), Various approaches for predicting land cover in mountain areas. Communication in Statistics-Simulation and Computation 36: 73-86
-
Werbos P. J. (1974), Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. PhD dissertation, Harvard University, Cambridge, Mass