Apprendimento per rinforzo multi-agente per la cooperazione globale nelle politiche climatiche

Abstract degli autori

Le politiche climatiche internazionali richiedono il coordinamento tra paesi le cui decisioni di mitigazione comportano costi locali ma generano benefici globali. Gli approcci classici della teoria dei giochi e di valutazione integrata possono studiare questi incentivi, ma in genere si basano su ipotesi comportamentali predefinite o su concetti di equilibrio. Studi recenti hanno quindi esplorato l’apprendimento per rinforzo multi-agente (MARL) come metodo per modellare la cooperazione nelle politiche climatiche quale risultato emergente di interazioni strategiche ripetute. Estendiamo un framework MARL esistente sul clima introducendo un meccanismo negoziale articolato in più fasi, in cui gli agenti propongono accordi, accettano o rifiutano impegni e sono soggetti a sanzioni in caso di inadempienza. Ciò ci consente di studiare in che modo la progettazione degli accordi influisce sul comportamento di mitigazione appreso, sul rispetto degli impegni e sugli esiti climatici. In un contesto idealizzato con quattro agenti omogenei, osserviamo che gli accordi non vincolanti contribuiscono poco a superare il free-riding, mentre sanzioni moderate per l’inadempienza migliorano la cooperazione e riducono il riscaldamento. Tuttavia, sanzioni eccessivamente severe scoraggiano impegni ambiziosi, rivelando un compromesso tra rigore nell’applicazione e partecipazione. Inquadriamo il framework come un contributo metodologico per testare la progettazione degli accordi, anziché come un modello predittivo di negoziati reali.