In Europa il settore domestico rappresenta il 36,4% del consumo energetico totale europeo e la percentuale di edifici energeticamente efficienti si aggira intorno al 35%, il che significa che la maggior parte dell'energia prodotta va sprecata. Tra tutte le misure che possono essere attuate per ridurre il consumo di energia le sovvenzioni sembrano essere una buona alternativa, ma sarà vero?
Questo articolo intende indagare e aggiungere un contributo alla letteratura esistente su questo tema. Per farlo, si propone come una revisione sistematica della letteratura che si trasforma poi in una meta-analisi degli studi raccolti.

Per superare gli ostacoli alla riduzione delle emissioni di gas effetto serra, sia l'UE che i governi nazionali hanno iniziato ad attuare misure politiche per aumentare il livello di efficienza energetica nel settore domestico. L'UE ha fissato obiettivi e politiche ambiziosi per orientare gli Stati membri verso l'efficienza energetica negli edifici. Tra questi, la direttiva sul rendimento energetico nell'edilizia (EPBD) 2010/31/UE e la direttiva sull'efficienza energetica (DEE) 2012/27/UE, entrambe riviste nel 2018. Pertanto, a livello degli Stati membri sono state attuate numerose misure politiche per promuovere l'efficienza energetica. La banca dati MURE le raccoglie e le divide tra: misure legislative/prestazionali, etichettatura legislativa/informativa, informazione/educazione, misure finanziarie/fiscali che includono sussidi o detrazioni fiscali.

Siccome il fine ultimo di questa ricerca è verificare se le sovvenzioni aiutino a diminuire il consumo di energia, le caratteristiche degli articoli raccolti per condurre la meta-analisi sono basati su: efficienza energetica e famiglie, focalizzate su sussidi o misure finanziarie, raccolgono gli studi degli ultimi 11 anni sul tema, e sono classificati come econometrici o empirici. Dopo aver creato la query e aver fatto la ricerca, sono stati selezionati 10 articoli. La maggior parte dei documenti selezionati (80%) confronta l'effetto degli strumenti politici (principalmente sovvenzioni o misure finanziarie) con la riduzione del consumo di energia. Il restante 20% si riferisce al risparmio energetico dovuto ai sussidi. Il 70% della banca dati è composto da articoli che forniscono un'analisi rigorosamente interna al paese dell'effetto dei finanziamenti pubblici sull'energia. Il metodo difference in difference (DiD) rappresenta uno dei metodi di regressione più utilizzati per indagare l'impatto ex-post del finanziamento pubblico sulle fonti di energia rinnovabile insieme alla Panel Data Regression. Le variabili indipendenti sono state classificate in quattro gruppi: variabili ambientali e geografiche, variabili di rendimento energetico, variabili socioeconomiche e variabili macroeconomiche.

Di conseguenza, è stato creato su STATA un dataset per esaminare i dati raccolti nella revisione della letteratura e per condurre la meta-analisi. Il tipo di meta-analisi che è stato scelto per condurre questa tesi è il random effect (RE). Il motivo è dato dal fatto che i papers selezionati rappresentano un campione da una più grande popolazione di interesse. Il modello presuppone che le dimensioni dell'effetto di studio siano diverse e che gli studi raccolti rappresentino un campione casuale di una più ampia popolazione di studi. L'obiettivo della meta-analisi RE è quello di fornire inferenza per la popolazione di studi basati sul campione di studi utilizzati nella meta-analisi. Il modello RE può essere descritto come 𝜃 j = 𝜃j + 𝜖j = 𝜃 + uj + 𝜖j dove uj N (0, τ2 ) e, come prima, 𝜖j N (0, 𝜎 2 j). Il parametro τ2 rappresenta la variabilità tra studi ed è spesso definito come il parametro dell'eterogeneità. La massima verosimiglianza limitata è il metodo scelto per calcolare la variabilità tra studi, perché produce una stima non negativa di τ.

Il risultato della meta-analisi contiene le statistiche sull'eterogeneità, le dimensioni degli effetti individuali e generali e altre informazioni. La dimensione complessiva dell'effetto è presentata in fondo alla tabella ed etichettata come theta. Per questi dati, la stima complessiva è -0,368 con un CI del 95% di [ 0,630, - 0,106]. Le statistiche di eterogeneità sono riportate nell'intestazione dello studio e, ad esempio, I2 = 99,98 indica che il 99,98% della variabilità nelle stime effetto-dimensione è dovuto alle differenze tra gli studi. Valutare e affrontare l'eterogeneità è stato l'ultimo passo della ricerca. Le tecniche utilizzate sono la subgroup meta-analisi, il forest plot e l'esclusione degli studi. L'eterogeneità identificata è quella statistica, cioè un mix tra clinica (differenze tra studi) e metodologica (differenze tra metodologia utilizzata per indagare il problema).
In conclusione, la meta-analisi primaria ha dato un risultato di riduzione del consumo energetico di 0,368 kWh/anno, ma i risultati dovrebbero essere presi con attenzione a causa della presenza di elevata eterogeneità.
Comments