Meccanismi di diffusione delle innovazioni nel settore delle biomasse in Italia. Framework teorico e casi di studio

This degree thesis is focused on renewable Energy sector, in particular on energy technology for the biomass sector and their potential. The first chapter introduces the main theories concerning technology innovation from 1970; those theories can be divided in two paradigms: the Schumpeterian paradigm, who considers chaotic and unforeseeable the nature of change, and, conversely, the technology management paradigm who considers the change foreseeable by instruments of technology planning as the “S curves”. The theories of the first chapter study the technological change in a long term perspective, as for the Kontrat'ev’s waves case. The mathematical function that describes the technological evolution is the “S-curve”. Many technologies show an S-curve in their performance improvement over their lifetimes: the diagram performance of a technology - effort and money invested typically shows slow initial improvement, then accelerated improvement, then diminishing improvement. The second chapter deals with experience curves, that are the assumption of the S-curves. The concept of learning curves was introduced by the Boston Consulting Group in the late 1960s as an instrument to give advices about competitive strategies. The popularity of learning curves grew up in the 1970s when they were used in order to establish the right level of production to avoid the entrance of new firms in an industry and to obtain log term cost advantages. Nowadays the learning curves are a good method to forecast the cost of renewable energy technology. In the second chapter are described the main theories about learning curves, with a particular focus on renewable Energy technology. From the third chapter, the work presents the development of a new model, aiming at defining the variables that most influence the technological change in the biomass industry. The focus on the biomass industry is driven by two main reasons. Firstly the biomass industry is really relevant in Italy; the 14% of the renewable Energy and the 2.5% of total Energy produced derives from biomass. Secondly in the biomass industry there are lots of different technologies that are in different levels of their technological lifecycle. Because of this the biomass industry is a good choice in order to ask for opinion to different experts of different technologies. The development of the new model required the analysis of the different technologies used in biomass industry: forest biomass, waste, biogas and biofuels, described in chapter three, Chapter four illustrates the economic relevance of the different market segments in the biomass industry and the position of Italy in this industry. The analysis of the literature of the first two chapters pointed out the factors affecting the technological change in the S-curves; the relevance of these factors was validated by a set of interviews industry’s experts (chapter 6), both from business (5 interviews to biomass firms managers) and academic world (interview to Professor Magni, inventor of a the inventor of a new process for production of bioethanol). The final outcome of the study is extensively described in Chapter 7. The new model illustrates: -­‐ the variables affecting price performances of a technology; -­‐ the variables influencing cost performances. It was eventually possible to define a ranking of relevance for the factors and point out the factors that are likely to determine a discontinuity. The result is that the most important factors in the technology development are: 1. theincentive; 2. the cumulative experience. It was also possible to divide the interviews in three clusters, depending on the importance given to the variables and the stage of technology lifecycle. This model could be useful in order to : a. MakedecisionsaboutEnergypolicy; b. Designandcontrolpublicincentives; c. Develop analysis and control tools; d. Provide a definite target for the intervention, and also to design an exit strategy for the direct subsidies. In order to define a policy it’s important to consider in which stage of their life cycle a technology is situated.

Il presente lavoro di tesi è incentrato sul settore delle energie rinnovabili, in particolar modo quello delle biomasse, e sulle potenzialità di sviluppo delle diverse tecnologie energetiche. Il primo capitolo illustra le principali teorie sull’innovazione tecnologica dagli anni ’70 a oggi, distinguendo al loro interno due paradigmi, quello Schumpeteriano, che vede la natura del cambiamento tecnologico caotica ed imprevedibile, e quello del technology management che, contrariamente al primo, vede il cambiamento come un evento prevedibile tramite appositi strumenti di pianificazione tecnologica, le “curve ad S”. Le teorie illustrate nel primo capitolo osservano l’evoluzione tecnologica in una prospettiva di lunghissimo termine, come nel caso delle onde di Kondrat’ev. La funzione matematica che descrive l’evoluzione di una tecnologia è la “Curva a S”. Inserendo nell’asse delle ascisse lo sforzo di ricerca e sviluppo o la produzione cumulata e la performance della tecnologia nell’asse delle ordinate di un grafico, si ottiene una curva con un andamento ad S, che evidenzia una fase iniziale di miglioramento estremamente lento, seguita da una fase in cui il miglioramento delle performance è molto rapido, per poi appiattirsi quando i miglioramenti diventano decrescenti. Nel secondo capitolo è approfondito il concetto alla base delle curve a S: le curve di esperienza. Esse furono introdotte dalla società Boston Consulting Group negli anni ’60 come uno strumento per fornire consulenze ai propri clienti riguardo a strategie competitive. La popolarità di questo strumento ebbe il suo apice negli anni ’70, quando fu usato per determinare a quale livello occorresse espandere la produzione in un settore per deterrere l’entrata di nuove imprese e raggiungere vantaggi di costo di lungo termine. Recentemente si è ridestato l’interesse nei confronti delle curve di esperienza come strumento per prevedere i futuri costi delle tecnologie per le energie rinnovabili. Nell’ambito di questo secondo capitolo sono passati in rassegna tutti i principali studi a riguardo delle curve di esperienza, con particolare attenzione alla loro applicazione nell’ambito delle energie rinnovabili. L’ambizione del presente lavoro è di sviluppare un nuovo modello che evidenzi quali sono le variabili alla base del cambiamento tecnologico. Il settore per cui si è deciso di sviluppare questo modello è quello delle biomasse. La ragione di questa scelta è duplice: da un lato le biomasse sono una fonte di energia rinnovabile di assoluto rilievo: l’energia prodotta da biomasse rappresenta ben il 14% del totale di energia prodotta da fonti rinnovabili in Italia ed il 2,5% del totale dell’energia prodotta. Un secondo motivo che ha portato alla scelta delle biomasse come settore di studio è la loro eterogeneità tecnologica: nell’ambito delle biomasse sono presenti tecnologie estremamente diverse tra di loro e contraddistinte da un diverso grado di maturità tecnologica, ragione per cui il settore rappresenta una scelta favorevole per sviluppare un modello e raccogliere opinioni da parte di esperti di tecnologie che si posizionano in fasi diverse del loro ciclo di vita. Per poter giungere alla formulazione di un modello si è ritenuto opportuno dapprima approfondire le diverse tecnologie nel terzo capitolo, suddividendole in: tecnologie per le biomasse agro-forestali, per i rifiuti, per il biogas e per i biocarburanti. Il quarto capitolo è invece dedicato alla valorizzazione dei diversi segmenti di mercato delle biomasse introdotti nel terzo capitolo, evidenziando anche la posizione dell’Italia nell’Unione Europea. Dall’analisi della letteratura (primo e secondo capitolo) sono state individuate delle variabili che impattano sulle curve a S; successivamente sono state rielaborate e validate attraverso sei interviste, illustrate nel sesto capitolo. Cinque di esse hanno coinvolto imprese attive nel settore delle biomasse, una è stata rivolta ad un docente dell’università di Pavia che ha messo a punto un nuovo metodo per produrre bioetanolo. Le interviste condotte hanno permesso di conoscere l’opinione di esperti del settore e validare le variabili individuate in letteratura, confrontando tecnologie appartenenti a diverse fasi del loro ciclo di vita. Grazie a queste interviste è stato possibile costruire un modello, illustrato nel settimo capitolo, che evidenzia gli impatti delle diverse variabili sull’evoluzione tecnologica, evidenziando come alcune variabili abbiano un impatto sulle performance di prezzo, altre su quelle di costo. Infine è stato possibile stabilire un ranking, individuando quali variabili sembrano avere un impatto più rilevante nel determinare progressi tecnologici o causare discontinuità. Dalla ricerca effettuata è emerso che le variabili più importanti nell’influenzare lo sviluppo tecnologico risultano essere: 1. gliincentivi; 2. subito dopo gli incentivi il fattore con l’importanza media più alta è l’esperienza cumulata. Le imprese intervistate sono state suddivise in tre cluster a seconda dell’ importanza attribuita ai diversi fattori e dello stadio del ciclo di vita delle tecnologie da esse adoperate. Il modello ha come ipotetico destinatario un regolatore e può consentirgli di: a. prendere decisioni nell’ambito di definizioni di politiche energetiche; b. progettareemonitorarel’andamentodipoliticheincentivanti; c. sviluppare strumenti di analisi e controllo; d. definire i target di intervento, la loro durata ed exit strategy allorquando si prevede che le performance raggiungano livelli tali da rendere superfluo l’incentivo. Nel prendere decisioni è indispensabile tarare gli interventi sulla base dello stadio del ciclo di vita in cui una tecnologia si colloca.