Introduzione
Un’accurata previsione dei prezzi per i principali prodotti agricoli è di indiscussa utilità per gli agricoltori, per le industrie agroalimentari, ma anche per le autorità governative impegnate nella politica agricola in considerazione degli importanti impatti che la volatilità dei prezzi ha sulla povertà e sulla sicurezza alimentare nelle diverse aree del mondo. Questa premessa è particolarmente vera per il grano che da solo rappresenta la più importante fonte calorica nei consumi alimentari globali.
Annualmente nel mondo, oltre 215 milioni di ettari vengono coltivati a grano. Circa 130 milioni di tonnellate vengono annualmente commercializzate, una quantità maggiore rispetto alla quantità di mais e riso combinata. Alla luce di queste considerazioni non deve sorprendere la grande attenzione che da sempre viene attribuita allo studio di tecniche in grado di affinare la previsione del prezzo internazionale del grano.
Bosland (1926), nel suo pionieristico lavoro di definizione di modelli previsionali, affermava che la previsione dei prezzi avrebbe dovuto inevitabilmente tenere conto di tutte le forze o fattori che determinano la formazione dei prezzi. Working (1927), riprendendo la posizione di Bosland, mette in evidenza l’importante ruolo dei fattori determinanti la domanda e l’offerta a livello domestico e mondiale per arrivare ad una migliore previsione dei prezzi del grano. La letteratura successiva continua in tale linea e pone l'accento sul ruolo dei mercati internazionali nel determinare la dinamica dei prezzi delle commodity agricole e del grano in particolare.
In linea con la letteratura precedente, il lavoro segue quindi un approccio di tipo globale, ma, se ne distingue in quanto si esplorano i benefici derivanti dai più recenti sviluppi dell’analisi delle serie storiche attraverso l’impiego di un modello autoregressivo vettoriale (Gvar) proposto da Pesaran, Schuermann e Weiner (2004) e poi da Dèes e colleghi (2007) per l'analisi di macrovariabili economiche, Pil, inflazione etc, e impiegato per la prima volta per l'analisi dei prodotti agricoli in Gutierrez et al. (2014).
In particolare, obiettivo del lavoro è quello di valutare la bontà del modello Gvar nel prevedere i prezzi del grano tenero per i principali sei paesi esportatori a livello mondiale. Tale modello ha il vantaggio di interconnettere il prezzo di un paese a quello degli altri paesi permettendo un trasferimento a livello globale dell’effetto dei vari fattori reali e finanziari alla base della domanda e dell’offerta.
Sono molteplici le ragioni che rendono il modello Gvar particolarmente adatto all’analisi e alla previsione dei prezzi internazionali. In primo luogo, il modello è specificatamente pensato per analizzare le fluttuazioni di mercato e le interazioni tra paesi. In secondo luogo, il modello Gvar permette di modellare efficacemente la variabilità del prezzo internazionale indotti sia dall’effetto di variabili direttamente riferite al paese in esame sia dall’effetto di variabili legate agli altri paesi inclusi nel modello. Infine, il modello utilizza la metodologia dei modelli autoregressivi vettoriali che sono solitamente indicati tra i più efficaci negli esercizi di previsione (Lutkepohl, 2005).
Breve rassegna in tema di previsione dei prezzi agricoli
Le previsioni delle produzioni e dei prezzi agricoli sono strumenti largamente impiegati dagli agricoltori, dalle imprese agroindustriali e da diverse agenzie o enti pubblici per via delle caratteristiche stesse del comparto agricolo caratterizzato da un alto rischio e incertezza dovuta alla volatilità dei quantitativi prodotti e alla bassa elasticità della domanda al prezzo. In queste condizioni, poter prevedere i prezzi dei prodotti è fondamentale per ogni processo decisionale e per tutti gli attori della filiera. Avere informazioni circa le future produzioni e prezzi è di primaria importanza anche per tutti i policy maker coinvolti in politica agricola o programmi alimentari. Considerando, quindi, l’estrema importanza di ottenere credibili previsioni in termini di produzioni e prezzi dei prodotti agricoli non ci deve sorprendere la forte attenzione da sempre dedicata all’argomento da parte di economisti e econometrici fino a sviluppare un proprio filone di ricerca autonomo rispetto a quello dedicato alle più generali previsioni macroeconomiche.
Moore (1917), generalmente riconosciuto come il fondatore della statistica economica, ha per primo presentato una previsione delle produzioni di cotone attraverso l’impiego di una regressione tra la produzione di cotone e i valori di precipitazione e di temperatura riuscendo ad ottenere risultati più accurati rispetto alle previsioni ottenute dalle agenzie Americane (Usda) basate esclusivamente sulla reportistica della rete di rilevatori. Dopo il contributo di Moore (1917) altri statistici ed economisti agrari impiegarono una molteplicità di regressioni singole a fini previsionali (tra gli altri Sarle (1925), Ezekiel (1927) per i prezzi della carne suina; Hopkins (1927) per i prezzi della carne bovina).
Bosland (1926) evidenziò la necessità di includere nei modelli previsionali un numero quanto più alto possibile di fattori sottostanti la domanda e l’offerta. Anche Working (1927) sottolineò l’importanza di considerare un largo numero di fattori riferibili alla domanda e all’offerta al fine di arrivare ad una più precisa previsione del prezzo del grano.
In linea con queste posizioni, un approccio basato sulla risposta dinamica dell’offerta divenne presto la principale applicazione di equazioni singole basate su serie storiche come in Cox e Luby (1956) per i prezzo della carne suina. Nel mentre, l’aumento della potenza dei calcolatori rendeva possibile l’analisi basata su modelli a più equazioni, Allen (1994). Compaiono i modelli settoriali, essenzialmente dei modelli a più equazioni contenenti almeno un’equazione legata all’offerta e una alla domanda per ciascuna produzione in esame. Nel caso in cui la produzione sia stoccabile, come nel caso del grano, i modelli includevano anche una ulteriore equazione legata alla quantità stoccata. Inoltre, nel caso di commercio internazionale venivano considerate anche equazioni riferite alla domanda di importazione e alla quantità esportata. Esiste un’ampia letteratura sui modelli settoriali, gran parte dei quali prodotti alla fine degli anni settanta1.
Anche modelli di equilibrio spaziale e di competizione interregionale sono stati impiegati per la previsione di prezzi di prodotti agricoli. Tali modelli hanno goduto di grande popolarità a metà degli anni settanta grazie al lavoro di MacAulay (1978) sul comparto suinicolo canadese e statunitense e Martin e Zwart (1975) che impiegarono un modello spaziale e temporale per la valutazione di politiche alternative relativamente al comparto suinicolo del Nord America. Tutti questi modelli cercavano di superare alcune criticità tipiche dei modelli settoriali.
Bisognerà aspettare però l’inizio degli anni settanta per vedere una moderna applicazione dell’impiego delle serie storiche in agricoltura. Jarrett (1965) fornì delle previsioni del prezzo della lana australiana usando un metodo di livellamento esponenziale. Il suo lavoro è considerato comunemente la prima applicazione di un moderno impiego di una serie storica al comparto agricolo. Durante gli anni ottanta iniziò ad essere impiegata l’analisi delle serie storiche multivariata. Shonkwiler e Spreen (1982) impiegarono la stima di una funzione di trasferimento della macellazione di suini per analizzare la relazione tra il numero di suini macellati in America e il rapporto tra il prezzo della carne suina e il mais.
Durante lo stesso periodo, furono compiuti sforzi notevoli per sviluppare più sofisticate forme di previsione a partire da modelli auto regressivi vettoriali (Var). Bessler (1984) è stato il primo ad impiegare la metodologia Var nell’ambito dell’economia agraria applicandola al mercato della carne suina americana. Subito dopo il suo lavoro sono stati diversi gli articoli che hanno introdotto metodi di riduzione dei parametri. Infine, una completa revisione letteraria in tema di tecniche previsionali non può non tenere in considerazione i modelli basati sull’impiego dei futures. In questo senso si sta recentemente sviluppando un’ampia bibliografia. Allo stato attuale non esiste una univoca opinione sull’utilità dei futures in senso previsionale. Just e Rausser (1981) hanno presentato una completa rassegna letteraria sull’impiego dei futures nella previsione dei prezzi. Gli autori evidenziano come una parte dei lavori scientifici mettano in evidenza forti limiti e perplessità nel loro impiego come strumenti utili per prevedere i prezzi spot. Per contro, gli stessi autori elencano un’ampia letteratura a dimostrazione di come i prezzi futures possano essere impiegati come previsioni affidabili e realistiche dei prezzi spot.
Previsione del prezzo internazionale del grano attraverso l’impiego del modello Gvar
Il Gvar è un modello che riprende le moderne tecniche di analisi delle serie storiche con lo specifico vantaggio di tenere in considerazione la reciproca influenza dei prezzi tra i vari paesi coinvolti nell’analisi. Non è semplice presentare in poche righe il modello Gvar per cui ci si limiterà a fornirne una brevissima introduzione. Per avere un quadro completo di riferimento sull’argomento il lettore può consultare i lavori di Dèes et al. (2007), la recente pubblicazione Di Mauro e Pesaran (2013) e il lavoro di Gutierrez et al. (2014).
In estrema sintesi, la specificazione del modello Gvar richiede due passaggi. Il primo step consiste nella stima del modello autoregressivo vettoriale includendo sia variabili esogene sia variabili endogene ciascuna con un certo ritardo. Tale modello viene specificato con riferimento a ciascun paese preso in considerazione nello studio. Più in dettaglio, il modello di ciascun paese include tre diverse tipologie di variabili. Le prime sono le cosi dette variabili specifiche di ciascun paese. Si tratta di variabili endogene come il prezzo internazionale del grano, il tasso reale di cambio, il rapporto tra le scorte di grano e il loro impiego ed, infine, il prezzo del fertilizzante e la dinamica dei prezzi del food in ciascun paese esaminato. Il secondo tipo di variabili incluse nel modello sono le stesse variabili domestiche pesate per ciascun paese in funzione dell’importanza degli scambi commerciali intercorrenti con gli altri paesi. In questo modo la dinamica dei prezzi in ogni singolo paese dipenderà non solo dalle dinamiche interne ma anche da quelle internazionali. In altre parole, l’inserimento nel modello di questo tipo di variabili "pesate", rende possibile che le variabili specifiche di ciascun paese siano influenzate, attraverso i rapporti commerciali, da ciò che accade negli altri paesi.
Infine, l’ultima tipologia di variabili è rappresentata da variabili esogene globali che non vengono determinate all'interno del sistema come, nel nostro caso, il prezzo del petrolio.
Nel secondo step, i modelli di ciascun paese vengono uniti attraverso l’impiego di una matrice di pesi costruita a partire dal ruolo, espresso in termini di quota di mercato, nel commercio internazionale del grano giocato da ciascun paese. La matrice dei pesi così ottenuta rappresenta lo strumento che permette di rendere le variabili specifiche di ciascun paese variabili globali e quindi legare ciascun singolo modello in un unico modello globale Gvar.
I paesi analizzati nel modello Gvar sono i principali esportatori mondiali di grano tenero: Argentina, Australia, Canada, EU, Russia e Stati Uniti. Una regione chiamata Resto del mondo è stata aggiunta per tenere in considerazione l’effetto esercitato da tutti i restanti paesi nel commercio internazionale. Per ciascuno di questi paesi il modello è stato stimato includendo le seguenti variabili: il prezzo internazionale del grano tenero quotato in dollari americani, il rapporto tra le riserve di grano e il suo utilizzo complessivo annuo, il tasso nominale di cambio di ciascuna moneta rispetto al dollaro americano, il prezzo del fertilizzante e l’indice dei prezzi al consumo come proxy per l’inflazione di ciascuna area. Infine, come variabile esogena comune a tutti i paesi è stato incluso il prezzo del petrolio. Tutte le variabili sono a cadenza mensile e fanno riferimento al periodo luglio 2000-gennaio 2012.
Le previsioni di prezzo ottenute attraverso il modello Gvar
Le previsioni dei prezzi ottenute attraverso il modello Gvar sono state confrontate con le stime ottenute attraverso altri quattro differenti modelli impiegati, in particolare modelli univariati e modelli multivariati che non contengono però le interazioni tra paesi presenti nel modello Gvar. Le performance previsionali per ciascun modello sono state sintetizzate attraverso l’impiego della stima dell’errore quadratico medio (Rmsfe) e l’errore assoluto medio percentuale (Mape).Per ovvie necessità di sintesi, il presente articolo si limita a riportare solo una parte dei risultati ottenuti limitatamente al Mape2.
Il calcolo del Mape per previsioni fatte considerando intervalli temporali di uno, tre, sei, dodici e ventiquattro mesi evidenzia come il modello Gvar funzioni generalmente meglio rispetto ai modelli di confronto ottenendo valori inferiori rispetto ai modelli benchmark utilizzati.
In dettaglio, il confronto tra il nostro modello e i modelli benchmark evidenzia l’importante ruolo giocato dalle relazioni tra i vari paesi che solo il Gvar è in grado di cogliere. Per confermare la bontà dei risultati previsionali ottenuti attraverso il ricorso al modello Gvar sono stati eseguiti su tutti i modelli anche una serie di test statistici al fine di valutare la significatività delle differenze esistenti nei valori dell’errore quadratico medio tra i modelli impiegati. Anche in questo caso i risultati, non riportati in questo articolo per motivi di sintesi, dimostrano come le previsioni ottenute attraverso il nostro modello Gvar siano statisticamente significative e generalmente migliori rispetto alle previsioni ottenute con gli altri modelli di confronto per diversi intervalli di tempo previsionale. Infine, il modello Gvar e gli altri modelli di confronto sono stati valutati rispetto alla loro capacità di prevedere i turning-point nell’andamento dei prezzi del grano. I risultati hanno dimostrato che, per diversi intervalli di previsione, il modello Gvar è superiore rispetto ai modelli di confronto arrivando a predire la corretta direzione del movimento dei prezzi.
Considerazioni conclusive
Le conclusioni che si possono trarre sono sostanzialmente due. In primo luogo, i risultati ottenuti sull'uso del modello Gvar per la previsione nel breve e medio periodo del prezzo internazionale del grano tenero evidenziano come il modello consenta un errore medio di previsione inferiore rispetto ad altre tecniche e modelli statistici-economici. Le migliori performance possono essere attribuite alla capacità del modello di catturare sia effetti di natura interna ai singoli paesi sia modifiche nel mercato internazionale della commodity. In secondo luogo, facendo perno sui precedenti risultati, è possibile immaginare di allargare l'uso del modello Gvar ad altri importanti mercati, quali ad esempio quelli del mais e della soia, che sono caratterizzati, come nel caso del grano, da una forte concorrenza tra un numero limitato di player che giocano un ruolo importante nel determinare la dinamica dei prezzi e delle quantità scambiate nei mercati mondiali.
Riferimenti bibliografici
-
Allen P.G. (1994), Economic forecasting in agriculture, International Journal of Forecasting, 10: 81-135
-
Bessler D.A. (1984), An analysis of dynamic economic relationships: an application to the U.S. hog market, Canadian Journal of Agricultural Economics, 32: 109-124
-
Bosland C.C. (1926), Forecasting the price of wheat, Journal of American Statistical Association, 21: 149-161
-
Cox C.B., Luby P.J. (1956), Predicting hog prices, Journal of Farm Economics, 38, 931-939
-
Dées S., Di Mauro F., Pesaran M.H., and Smith L.V. (2007), Exploring the international linkages of the euro area: A global VAR analysis, Journal of Applied Econometrics, 22: 1-38
-
Di Mauro F., M.H. Pesaran (2013), The Gvar handbook: Structure and applications of a macro model of the global economy for policy analysis, Oxford: Oxford Economic Press
-
Ezekiel M. (1927), Two methods of forecasting hog prices, Journal of the American Statistical Association, 22: 22-30
-
Gutierrez L., Piras F., and Roggero P.P. (2014), A Global Vector Autoregression Model for the Analysis of the Wheat Export Prices, American Journal of Agricultural Economics, First published online: December 1, 2014
-
Hopkins J.A. (1927), Forecasting cattle prices, Journal of Farm Economics, 9: 433- 446
-
Jarrett F.G. (1965), Short-term forecasting of Australian wool prices, Australian Economic Paper, 4: 93-102
-
Just R. E., and Rausser G. C. (1981), Commodity Price Forecasting with Large-Scale Econometric Models and the Futures Market. American Journal of Agricultural Economics, 63: 197-208
-
Lütkepohl H. (2005), New introduction to multiple time series analysis, Berlin: Springer
-
MacAulay T. G. (1978), A Forecasting Model for the Canadian and US Pork Sectors, Commodity Forecasting Models for Canadian Agriculture, 2
-
Martin L. and Zwart A.C. (1975), A spatial and temporal model of the North American pork sector for the evaluation of policy alternatives, American Journal of Agricultural Economics, 57: 55-66
-
Moore H. (1917), Forecasting the Yield and Price of Cotton, New York: MacMillan
-
Pesaran M.H., T. Schuermann, and S. Weiner (2004), Modelling regional interdependencies using a global error-correcting macroeconometric model, Journal of Business and Economics Statistics, 22: 129-162
-
Sarle C.F. (1925), The forecasting of the price of hogs, American Economic Review, 15: 1-22
-
Shonkwiler J.S. and T.H. Spreen (1982), A dynamic regression model of the US hog market, Canadian Journal of Agricultural Economics, 30: 37-48
-
Westcott P.C., Hoffman L.A. (1999), Price determination for corn and wheat: The role of market factors and government programs, Market and Trade Economics division, Economic Research Service, U.S. Department of Agriculture, Technical Bulletin No. 1878
-
Working H. (1927), Forecasting the price of wheat, Journal of Farm Economics, 3: 273-287