Target Estimator è un'applicazione web realizzata dal Centro Politiche e Bioeconomia del CREA per quantificare i target intermedi annui e finali relativi agli indicatori di risultato, il cui monitoraggio contribuisce a valutare le prestazioni del Piano Strategico Nazionale nel raggiungimento degli obiettivi della Politica Agricola Comune (PSP) 2023-2027.
Il fine è supportare i decisori politici nella definizione dei target e dei possibili scostamenti, coerentemente con le risorse finanziarie allocate, nonché con le specificità regionali e le capacità amministrative delle Autorità di Gestione (AdG) che emergono dai precedenti periodi di programmazione. Inoltre, lo strumento fornisce ai valutatori la possibilità di verificare che i target già definiti, utilizzando metodi alternativi, siano coerenti e realistici.
Vi si accede dalla sezione Monitoraggio e Valutazione del sito della Rete Rurale Nazionale (RRN) o direttamente da questo link.
Target Estimator rappresenta lo sviluppo pratico di una metodologia delineata in una pubblicazione scientifica relativamente recente (Bonfiglio et al., 2023), basata sull'impiego delle Reti Neurali Multistrato "Feedforward" (MFNN).
Le MFNN e, in generale, la famiglia delle reti neurali, sono tra gli strumenti più utilizzati nell'ambito dell'intelligenza artificiale per riprodurre la complessità dei sistemi socioeconomici. Si ispirano alla struttura del cervello umano e utilizzano "neuroni" interconnessi che consentono complesse operazioni di elaborazione.
La scelta di questo metodo è motivata dalla necessità di produrre stime robuste (ovvero realistiche, coerenti e affidabili) dei valori obiettivo, in risposta alle numerose critiche rivolte ai metodi tradizionalmente impiegati. Le capacità previsionali delle MFNN dipendono dall'uso di modelli non lineari, i quali implicano che i valori obiettivo stimati non variano necessariamente nella stessa proporzione con cui varia la spesa sostenuta.
Per ogni indicatore di risultato (e sotto-indicatore) è stata addestrata una specifica MFNN. Gli indicatori di risultato attualmente disponibili sono 10 (16 considerando anche i sotto-indicatori), più precisamente R.1, R.2, R.3, R.9, R.16, R.26, R.28, R.29, R.36 e R.44, e misurano i progressi raggiunti dal PSP in termini di formazione, consulenza, innovazione, ammodernamento, digitalizzazione, clima, risorse naturali, agricoltura biologica, ricambio generazionale e benessere animale. Gran parte rileva i beneficiari diretti (persone o aziende), altri si esprimono come percentuali di superficie agricola e unità di bestiame.
I dati utilizzati per l'addestramento delle reti neurali derivano dal database degli indicatori di monitoraggio gestito dalla RRN, relativo ai periodi di programmazione 2007-2013 e 2014-2022 (l'ultimo anno disponibile è il 2022). Per aumentare la capacità di generalizzazione delle MFNN e tenere conto di possibili cambiamenti futuri, le reti sono state addestrate utilizzando sia i dati storici originari sia i dati "aumentati" con l'aggiunta di perturbazioni casuali.
Per stimare i target intermedi e finali, l'utente deve specificare nella sezione "Dati" la spesa programmata per il periodo 2023-2027 e l'indicatore di risultato per cui si vogliono stimare i target. Sono consentite diverse opzioni:
Oltre alla modalità di inserimento manuale, dalla sezione "File" è possibile caricare i dati della spesa del PSP 2023-2027 associati all'indicatore selezionato. In alternativa, è possibile caricare dal proprio dispositivo un file Excel (in formato xlsx) con tre colonne (con intestazione) riportanti "Regioni", "Spesa complessiva in €" e "% di realizzazione". Le intestazioni e i nomi delle Regioni possono variare; tuttavia, l'ordine deve corrispondere a quello della tabella riportata nella sezione "Dati". L'utente ha infine la possibilità di esportare i dati nel proprio dispositivo.
Dalla sezione "Dati", cliccando sul pulsante "Stima", si esegue una rete neurale per stimare i target intermedi e finali a partire dai dati della spesa programmata per Regione e dalle relative percentuali di realizzazione. Tra le opzioni di stima è possibile specificare se utilizzare i valori medi previsti per le altre Regioni in assenza di dati storici e se applicare vincoli alle stime in termini di imprese, consulenti, ettari e UBA. L'applicazione di limiti è utile nel caso in cui le reti neurali forniscano stime giudicate non realistiche. Questo può dipendere dalla spesa programmata/realizzata specificata dall'utente (se significativamente diversa da quella storicamente assegnata e utilizzata per l'addestramento della rete neurale), dall'utilizzo di reti addestrate su dati di diversa tipologia (ad esempio, in caso di nuovi indicatori) o da modifiche sostanziali dei premi ad ettaro.
I risultati della rete neurale vengono riportati nella sezione corrispondente e possono essere esportati in formato xlsx. Per ogni Regione viene mostrata, oltre ai dati inseriti dall'utente, la distribuzione dei target previsti (valori annuali o cumulati) durante il periodo di programmazione.
Nella sezione "Analisi" sono invece riportate le prestazioni della rete neurale misurate sui dati di validazione, gli intervalli previsionali (stime prudenziali e ottimistiche) e le prestazioni previste delle AdG in termini di efficienza e progressione nella realizzazione dei target.
A titolo di esempio, ipotizzando una spesa a livello nazionale di 69 milioni di euro per l'intervento SRH03 ("Formazione per imprenditori agricoli e addetti alle imprese"), corrispondente approssimativamente a quanto già programmato nel PSP (versione 2), la rete stima un numero complessivo di beneficiari del sostegno alla formazione in agricoltura al termine del periodo di programmazione (considerando anche un periodo aggiuntivo per la regola N+2) di circa 131 mila, con un intervallo previsionale compreso tra 109 mila e 160 mila beneficiari. Questo risultato contribuisce alla determinazione dell'indicatore R.1, che comprende anche i beneficiari del sostegno agli scambi di conoscenze, ai servizi di consulenza e alla partecipazione ai gruppi operativi del PEI-AGRI.
Raddoppiando la spesa, si ottiene una stima di 250 mila beneficiari. Si passa da 1900 a poco più di 1800 beneficiari per milione di euro, con una riduzione quindi del livello di efficienza della spesa. È questa una delle prerogative delle reti neurali che, a differenza dei metodi tradizionali utilizzati per la stima dei target (quali l'applicazione di coefficienti fissi basati sui dati storici), è in grado di rappresentare la non-linearità che caratterizza l'andamento dei risultati effettivamente conseguiti nelle passate programmazioni. Nel caso specifico, la riduzione del livello di efficienza prevista dalla rete neurale può essere attribuita a diversi fattori già intervenuti nel passato o che potrebbero manifestarsi nel futuro (considerando che l'addestramento è stato eseguito anche su dati perturbati casualmente) quali le inefficienze amministrative e operative che derivano dall'attuazione di programmi di più ampia scala o anche una maggiore attenzione alla qualità dei contenuti formativi.
Target Estimator consente di definire quali siano i target realisticamente raggiungibili dalle diverse AdG nel corso dell'attuale periodo di programmazione, tenendo conto soprattutto dell'esperienza passata oltre che di possibili cambiamenti futuri. Si tratta di un compito non solo necessario, in quanto richiesto dal nuovo quadro politico di riferimento, ma anche delicato per le conseguenze che potrebbero derivare dal mancato raggiungimento di obiettivi troppo ambiziosi.
Ad oggi, lo strumento è stato impiegato per definire i target degli indicatori R.1, R.2 e R.28 a livello nazionale. Nello specifico, è stato utilizzato per calcolare i coefficienti che esprimono i target conseguibili per euro di spesa realizzata, applicati alla diversa distribuzione della spesa nel corso degli anni per stimare i relativi target. Le stime rappresentano valori di partenza, successivamente sottoposti al giudizio di esperti per eventuali rettifiche. Questo passaggio è particolarmente rilevante specie per gli indicatori non presenti nella passata programmazione, per i quali le reti potrebbero fornire risultati meno affidabili.
In futuro, lo strumento potrebbe essere ulteriormente affinato inserendo nuovi indicatori e continuando ad addestrare le reti sulla base dei dati provenienti dalle relazioni di attuazione del PSP, in modo da accrescerne l'affidabilità.
In definitiva, Target Estimator è un esempio pratico di come l'intelligenza artificiale possa essere di supporto anche nel campo del monitoraggio e della valutazione della PAC, senza però dimenticare il ruolo centrale che l'esperto ricopre nel migliorarne l'accuratezza e valutarne limiti e potenzialità.
Andrea Bonfiglio
Centro di ricerca Politiche e Bioeconomia - CREA
PianetaPSR numero 141 giugno 2025
