Il 58,2% delle imprese agricole italiane ritiene che la propria esposizione ai danni da eventi naturali si elevata. A livello europeo, la perdita media annua stimata per l’agricoltura si aggira intorno ai 28,3 miliardi di euro, pari a circa il 6% della produzione agricola complessiva. Nicolò de Rienzo, Co-Founder e CCO di LandPrint, ha aperto con questi dati il suo intervento alla quinta edizione del Novalis Forum per sottolineare che il rischio climatico non è più un’eventualità remota da registrare nei report di sostenibilità, ma una voce che pesa concretamente su costi, margini e continuità operativa delle aziende agricole.
Siccità, piogge intense o gelate tardive tuttavia non bastano da sole a spiegare l’entità del danno. Tra l’evento climatico e la perdita economica si colloca un elemento spesso trascurato: l’agroecosistema, cioè lo stato di salute di suolo, acqua, carbonio e biodiversità che determina la capacità di un territorio agricolo di assorbire lo shock e tornare a produrre. È l’anello meno visibile e meno misurato della catena, ma è quello che fa la differenza tra un’azienda che regge l’urto climatico e una che ne esce compromessa.
La Natural Capital Intelligence
La letteratura scientifica dimostra come le pratiche di gestione del suolo influenzino l’infiltrazione e la ritenzione idrica, con effetti diretti su resa e stabilità delle colture, così come la presenza di biodiversità e habitat naturali sostenga i servizi di impollinazione, con ricadute misurabili su allegagione e qualità dei frutti. Occorre capire quanto effettivamente questa capacità di risposta del sistema naturale incida sui risultati economici di un’azienda agricola. E di conseguenza è necessario trasformare i dati e i benefici ambientali in valore concreto per il business, un concetto che il Dott. de Rienzo ha definito Natural Capital Intelligence.
Collegare i dati sul sistema con i dati aziendali
Secondo il cofondatore di LandPrint serve mettere in relazione due mondi di dati che oggi viaggiano spesso separati. Da un lato i dati sul sistema naturale, cioè la condizione di suolo, acqua, carbonio e biodiversità insieme alle pratiche gestionali adottate, dalla copertura del suolo alle rotazioni, dalle lavorazioni all’uso di input come irrigazione e fertilizzanti. Dall’altro i dati dell’azienda, cioè le performance produttive in termini di resa e stabilità e quelle economiche in termini di costi e margini.
Il nodo, sottolinea de Rienzo, non è la disponibilità dei dati, che spesso già esistono, ma la loro comparabilità e solidità: per essere letti insieme, i dati devono riferirsi allo stesso perimetro, avere lo stesso livello di dettaglio e una qualità tracciabile in termini di fonte, metodo ed evidenza scientifica. Solo collegando in modo rigoroso queste due dimensioni è possibile capire come la capacità di risposta di un agroecosistema si traduca effettivamente in performance aziendale.
Un secondo elemento chiave riguarda la dimensione temporale. Una misurazione singola, una fotografia scattata in un solo momento, racconta solo la condizione attuale di un territorio agricolo, la sua baseline. Ma per capire se un sistema sta migliorando, peggiorando o oscillando in modo instabile serve osservarlo nel tempo, costruendo serie storiche che permettano di ricostruire una traiettoria reale. È questa continuità di misurazione, spiega de Rienzo, a rendere i dati davvero utili per orientare decisioni di investimento e di gestione del rischio.
Measure, Analyse, Translate
Per rispondere a queste esigenze, LandPrint ha strutturato la propria metodologia in tre fasi che accompagnano il percorso dal dato alla decisione: Measure, Analyse e Translate.
La fase di Measure riguarda la costruzione della base informativa corretta, calibrata sul tipo di domanda a cui si vuole rispondere. Se la domanda riguarda il rischio, cioè quanto un territorio è vulnerabile, l’analisi combina dati remoti, come immagini satellitari e dati climatici, con dati di campo, come misure dirette, analisi di laboratorio e informazioni aziendali, per generare un punteggio di rischio e un indicatore sulla profondità della misurazione effettuata. Se la domanda riguarda invece la performance, cioè come sta funzionando un determinato intervento agronomico, la stessa infrastruttura di dati viene utilizzata per confrontare situazioni comparabili nel tempo.
La fase di Analyse mette in relazione la base informativa raccolta con le variabili di risultato, come resa, stabilità, costi e margini, quando la domanda lo richiede. L’obiettivo è individuare associazioni tra condizioni ambientali e risultati produttivi, per capire dove il rischio è più rilevante e quali fattori sono più legati alle performance osservate.
La fase di Translate, infine, trasforma l’evidenza raccolta in una decisione concreta, che può riguardare priorità di intervento e mitigazione del rischio oppure informazioni utili a orientare le scelte del cliente, a seconda della natura della domanda di partenza. Fondamentale, in questa fase, è il monitoraggio successivo: le nuove evidenze raccolte nel tempo permettono di verificare cosa è effettivamente cambiato e di migliorare l’analisi nei cicli successivi.
Dalla teoria al campo
De Rienzo ha portato come esempio due progetti attualmente in corso in Brasile, che mostrano come la stessa infrastruttura informativa, basata su dati remoti e di campo, possa rispondere a domande molto diverse tra loro.
Nel primo caso, relativo a un produttore di tabacco nel sud del Brasile, la domanda era di tipo strategico e riguardava dove e quanto il sistema fosse vulnerabile. L’analisi ha mostrato come le informazioni sulle pratiche agricole effettivamente adottate possano cambiare in modo significativo la classificazione del rischio di un’area, spostando appezzamenti da una classe di rischio più bassa a una più alta o viceversa, a seconda della gestione reale del terreno.
Nel secondo caso, quello di Korin, azienda impegnata nella coltivazione di soia e mais con l’utilizzo di Bokashi, un tipo di bio-input organico, la domanda era di performance: ovvero se il Bokashi sia associato a una resa diversa della coltura, e in quali condizioni. In questo caso l’analisi ha confrontato situazioni con e senza utilizzo del bio-input, sulla stessa azienda dove possibile, utilizzando serie storiche fino a dieci anni e includendo anche le annate di maggiore stress climatico, per capire se il beneficio si mantenga anche nelle condizioni più difficili.
Una base informativa che genera valore condiviso
La stessa base informativa sul capitale naturale – ha sottolineato il cofondatore di LandPrint - può generare valore per soggetti molto diversi lungo la filiera. Per il produttore agricolo significa poter decidere dove intervenire e verificare i risultati delle proprie scelte gestionali. Per la finanza significa leggere meglio il rischio biofisico e orientare di conseguenza le decisioni di investimento e capitale. Per la filiera significa gestire meglio il rischio di sourcing e di continuità delle forniture agricole. Per il settore pubblico significa indirizzare gli interventi di politica agricola e ambientale e monitorarne nel tempo gli esiti reali. Se l’informazione crea valore per più soggetti contemporaneamente, anche l’investimento necessario a costruirla può essere condiviso tra le diverse parti interessate.
Meno obblighi di reporting non significa meno rischio
Dal punto di vista normativo, il recente draft rivisto degli standard ESRS elaborato da EFRAG ha ridotto del 61% i datapoint obbligatori richiesti alle imprese. Ma, secondo de Rienzo, ridurre gli obblighi di rendicontazione non riduce il rischio biofisico reale legato a clima, acqua, suolo e volatilità degli eventi naturali, che restano immutati indipendentemente da quanto le normative richiedano di dichiarare. Il valore dei dati ambientali, in altre parole, va ben oltre l’adempimento normativo: può e deve supportare decisioni di gestione e investimento indipendentemente dagli obblighi di legge.
LandPrint intende costruire un percorso che vada dalla condizione ambientale alla resilienza del sistema, dalla resilienza al rischio economico effettivo, fino alla decisione operativa. Per farlo, ha concluso d Rienzo, servono più serie storiche reali, più casi comparabili tra loro e più decisioni che possano essere effettivamente monitorate nel tempo.