Negli anni intorno al 2015, una diffusa insoddisfazione per l’economia “equilibrio-prima” — acuita dalla crisi finanziaria globale del 2008 e dalla ripresa diseguale che ne seguì — contribuì a spingere l’economia della complessità da frontiera di ricerca a una discussione più visibile e vicina al policy-making. Il problema non era che i modelli di equilibrio fossero inutili, ma che molti dei fenomeni più dannosi di quell’epoca assomigliavano a eventi tipici dei sistemi complessi: cascate di leva finanziaria e margin call, contagio di rete, evaporazione della liquidità e retroazioni tra credenze e prezzi. Queste dinamiche erano difficili da riconciliare con framework ad agente rappresentativo e con piccole deviazioni a media-reversione attorno a uno steady state stabile. L’economia della complessità, associata a ricercatori come W. Brian Arthur (Santa Fe Institute) e Doyne Farmer (Mathematical Institute di Oxford e Institute for New Economic Thinking), proponeva un diverso punto di partenza: l’economia come sistema evolutivo di agenti eterogenei e interagenti che potrebbe non stabilizzarsi mai in equilibrio.
Contesto storico: quali problemi si stavano affrontando?
L’economia della complessità attingeva a correnti intellettuali che precedono il 2015 di decenni: dinamica non lineare, fisica statistica, informatica e pensiero evolutivo. I primi lavori di Arthur su “rendimenti crescenti” e path dependence negli anni 1980 e 1990 sfidarono la presunzione standard di rendimenti decrescenti ed equilibri unici. Il suo influente articolo “Competing Technologies, Increasing Returns, and Lock-In by Historical Events” (Economic Journal, 1989) formalizzò come piccoli accidenti storici possano selezionare una tecnologia dominante — un esito difficile da conciliare con ordinate narrazioni di selezione dell’equilibrio. Negli anni 2000, l’agent-based modeling (ABM) maturò sul piano computazionale, mentre la finanza — dove Farmer costruì modelli di ecologia dei mercati e microstruttura — offriva abbondanti dati ad alta frequenza che mostravano code pesanti, clustering della volatilità ed eventi estremi. Intorno al 2015, questi filoni convergevano con una domanda di policy: stress test, regolamentazione macroprudenziale e monitoraggio del rischio sistemico richiedevano strumenti in grado di rappresentare reti, eterogeneità e feedback non lineari.
Idee centrali e concetti chiave
L’economia della complessità sostituisce la metafora dell’equilibrio con una metafora di processo. L’economia è un sistema adattivo: gli agenti apprendono, rivedono strategie e co-evolvono con istituzioni e tecnologie. Diversi concetti sono centrali:
-
Agenti eterogenei e razionalità limitata. Invece di un agente rappresentativo che ottimizza con informazione completa, gli agenti usano euristiche, capacità di previsione limitata e regole di apprendimento. Gli esiti aggregati emergono dalle interazioni, non da un unico problema di ottimizzazione.
-
Dinamiche di non-equilibrio. Piuttosto che assumere che i mercati si “svuotino” continuamente, i modelli di complessità ammettono stati persistenti fuori equilibrio: disoccupazione, capacità in eccesso, bolle e crisi possono essere endogeni e di lunga durata.
-
Feedback, rendimenti crescenti e path dependence. Il feedback positivo — tramite effetti di rete, learning-by-doing o aspettative — può generare esiti multipli possibili. Arthur sintetizzò questa intuizione in Increasing Returns and Path Dependence in the Economy (1994): “I piccoli eventi non vengono mediati e ‘dimenticati’ … possono decidere l’esito.”
-
Emergenza e auto-organizzazione. “Leggi” macro (come cicli economici o distribuzioni della dimensione d’impresa) possono emergere da regole micro, in modo analogo a come lo stormo emerge da semplici regole comportamentali in biologia.
-
Reti e rischio sistemico. I legami tra banche, imprese e famiglie trasmettono gli shock. Il contagio dipende dalla topologia (concentrazione, centralità), dalla leva e dalle risposte comportamentali.
Il lavoro di Farmer in finanza contribuì a rendere popolare una tesi correlata: gli esiti di mercato riflettono un’ecologia di strategie sotto vincoli, non un’istantanea equilibratura. La sua enfasi empirica — rendimenti a coda grassa e volatilità clusterizzata — spinse gli economisti della complessità a calibrare i modelli sui dati, invece di trattare gli stylized facts come anomalie.
Formulazione matematica: dall’equilibrio a processi stocastici interagenti
L’economia della complessità non è un singolo modello ma una cassetta degli attrezzi. Tuttavia, molti ABM condividono uno scheletro matematico comune: un sistema dinamico stocastico ad alta dimensione.
Sia (i=1,\dots,N) l’indice degli agenti con variabili di stato (x_i(t)) (ricchezza, inventario, credenze, leva). Sia (p(t)) l’insieme dei prezzi e (s(t)) stati esogeni o a lenta variazione (tecnologia, policy). Gli agenti aggiornano secondo regole comportamentali: $$ x_i(t+1)=F_i!\big(x_i(t),\, p(t),\, \mathcal{I}i(t),\, \eta_i(t)\big), $$ dove (\mathcal{I}_i(t)) è l’insieme informativo dell’agente (i) e (\eta_i(t)) è rumore idiosincratico. I prezzi sono determinati da un meccanismo di aggregazione/market-clearing piuttosto che da una condizione di equilibrio: $$ p(t+1)=G!\left(p(t),\, \sum{i=1}^N q_i(t),\, \xi(t)\right), $$ con (q_i(t)) che rappresenta domande/ordini generati da (x_i(t)) e (\xi(t)) che cattura shock a livello di mercato o rumore di microstruttura. Importante: il “clearing” può essere parziale, ritardato o mediato da inventari e vincoli di credito.
Una specificazione comune dell’apprendimento usa selezione di tipo reinforcement o evolutiva. Se ciascun agente sceglie tra strategie (k\in{1,\dots,K}) con propensioni (w_{ik}(t)), si può scrivere: $$ w_{ik}(t+1)=w_{ik}(t)\exp!\big(\beta \pi_{ik}(t)\big), \qquad P_{ik}(t)=\frac{w_{ik}(t)}{\sum_{j=1}^K w_{ij}(t)}, $$ dove (\pi_{ik}(t)) è il payoff realizzato e (\beta) è l’intensità della selezione. Nel limite di popolazioni grandi, ciò somiglia alla dinamica del replicatore: $$ \dot{s}_k = s_k\big(\pi_k - \bar{\pi}\big), $$ un ponte formale verso la teoria dei giochi evolutiva.
Dove l’economia di equilibrio spesso cerca comparative statics in forma chiusa, l’economia della complessità si affida a simulazione e validazione econometrica: matching di distribuzioni (ad es. dimensione delle imprese), momenti (clustering della volatilità) ed esiti di stress basati su scenari. Intorno al 2015, i progressi in calcolo e stima — inferenza indiretta, simulated method of moments e calibrazione bayesiana per ABM — resero sempre più fattibile confrontare gli ABM con i dati, sebbene l’identificabilità resti problematica.
Impatto storico e critiche
Entro il 2015, l’economia della complessità aveva influenzato diversi ambiti: ricerca sul rischio sistemico, stress test basati su reti, modelli di microstruttura dei mercati e analisi di innovazione/diffusione tecnologica (dove la logica dei rendimenti crescenti di Arthur è particolarmente naturale). Contribuì anche a legittimare il pluralismo nella modellistica macro — accanto ai DSGE, un ecosistema crescente di modelli HANK, modelli di rete e ABM.
I critici sollevano tre obiezioni ricorrenti. La prima è l’opacità: ABM di grandi dimensioni possono diventare “scatole nere”, in cui i risultati dipendono da meccanismi poco compresi. La seconda è calibrazione e identificazione: molti insiemi di parametri possono adattarsi agli stessi stylized facts, complicando l’inferenza e l’uso in policy. La terza è l’ambiguità normativa: senza un teorema del benessere o un chiaro benchmark da social planner, valutare le policy può essere meno immediato. Gli economisti della complessità rispondono che le economie reali possono non soddisfare le condizioni sotto cui valgono risultati di benessere puliti; quindi il realismo richiede nuovi strumenti valutativi (robustness checks, simulazione controfattuale e stress test più che previsioni puntuali).
Eredità e rilevanza oggi
L’eredità dell’economia della complessità è una riformulazione di ciò che conta come “fondazione macro”. Invece di derivare il macro da un unico problema di ottimizzazione, deriva il macro da interazione, istituzioni e comportamento adattivo. La sua rilevanza è aumentata: le platform economies e i mercati guidati dall’IA presentano effetti di rete e rendimenti crescenti; i rischi della transizione climatica si propagano attraverso reti finanziarie e di supply chain; ed episodi come la corsa alla liquidità del 2020 e i successivi shock inflazionistici sottolineano dinamiche non lineari e cambi di regime. I modelli di complessità sono inoltre allineati con le moderne preoccupazioni di policy: resilienza, fragilità e tail risks, non solo risultati medi.
Linea di continuità: dall’equilibrio classico ai sistemi complessi adattivi
L’economia della complessità è meglio intesa come estensione e critica della tradizione dell’equilibrio walrasiano e marshalliano, formalizzata nell’equilibrio generale di Arrow-Debreu (1954) e successivamente incorporata nella macroeconomia con aspettative razionali. Condivide con tradizioni precedenti — l’enfasi di Schumpeter sull’innovazione e la “distruzione creatrice” (1939, 1942), l’attenzione di Keynes all’incertezza e alle aspettative mutevoli (1936), e la visione di Hayek dei mercati come sistemi di elaborazione dell’informazione (1945) — uno scetticismo sul fatto che l’equilibrio sia il naturale punto di arrivo. Il framework dei rendimenti crescenti di Arthur si collega direttamente alle dinamiche schumpeteriane e all’organizzazione industriale, mentre il lavoro di Farmer in finanza, disciplinato empiricamente, si collega all’econofisica e alle richieste post-crisi di modelli che prendano sul serio l’instabilità.
Dopo il 2015, l’economia della complessità ha interagito sempre più con approcci vicini anziché posizionarsi puramente come alternativa: macro di rete, economia comportamentale e microstruttura empirica hanno tutte “impollinato” gli ABM. Il progetto in corso non è abolire la teoria dell’equilibrio, ma rimetterla al suo posto — come un possibile regime all’interno di un panorama economico più ampio, di non-equilibrio ed evolutivo.