Con l’estate arrivano il gran caldo e il dibattito intorno ai cambiamenti climatici. Ci stiamo forse abituando a questa nuova normalità? È questione di sindrome dello shifting baseline. Ce ne parla Marco Menale per La Lente Matematica.

Le temperature tra fine giugno e inizio luglio sono state roventi in giro per l’Europa. Dalla canicola di Parigi ai record della Polonia. L’ OMS-Organizzazione Mondiale della Sanità fa una prima stima di \(1300\) vittime legate al caldo. Anche in Italia abbiamo avuto i nostri record. Eppure, nel dibattito pubblico qualcuno richiama anni passati in cui “ha fatto comunque caldo”. Sembra che noi italiani siamo più abituati a queste condizioni, a differenza degli altri paesi europei, più a nord di noi. Sebbene la polarizzazione delle opinioni, stiamo assistendo a un altro fenomeno: la sindrome dello shifting baseline.

Partiamo dalla parola. Potremmo renderla in italiano, non senza forzature, come sindrome di spostamento della linea di riferimento. Uno dei primi a introdurla è stato il biologo marino francese Daniel Pauly nel 1995, in un breve articolo dedicato alla pesca. Pauly osserva che ogni generazione di pescatori e studiosi tende a considerare normale lo stato degli ecosistemi marini che trova all’inizio della propria esperienza. Se i mari sono già impoveriti, quella povertà diventa il nuovo punto zero, una nuova condizione iniziale. La generazione successiva eredita un mare ancora più povero, ma lo assume a sua volta come nuovo inizio. La memoria collettiva si resetta a questo nuovo punto di partenza, perdendo il confronto con il passato e, in un certo senso, normalizzandolo.

Proviamo a vedere con un semplice modello come funziona questa sindrome. Consideriamo, nello spirito di Pauly, una popolazione animale che all’istante iniziale è costituita da \(N_0=100\) individui. Supponiamo che ad ogni generazione la popolazione sia soggetta a una riduzione del \(10\%\). Dunque, la \(k+1\)-esima generazione, rispetto alla precedente, avrà una dimensione di

\[N_{k+1}=0.9\cdot N_{K}.\]

Ma cos’è successo rispetto al dato iniziale \(N_0\)?
Allora, semplici calcoli mostrano che il numero di individui è diventato

\[N_{k+1}=0.9^k\cdot N_0.\]

Dopo una generazione la popolazione vale \(90\), dopo due \(81\), dopo dieci circa \(35\). Rispetto all’inizio, quindi, si è perso quasi il \(65\%\) degli individui. Tuttavia, se ci limitiamo al confronto solo con la generazione precedente, ossia la nona, siamo passati da \(38\) a \(35\). Ecco, la riduzione appare molto più contenuta. Quindi, se ogni generazione confronta ciò che vede solo con ciò che vedeva poco prima, la perdita percepita resta sempre la stessa: il \(10\%\). Il danno reale si accumula; la percezione, invece, si resetta. In figura 1 c’è un confronto tra il fenomeno valutato solo in base alle osservazioni recenti e quello su più ampia scala; la differenza è netta. Ecco la sindrome dello shifting baseline.

La formula precedente non descrive soltanto una popolazione che diminuisce. Descrive anche un modo di guardare il mondo. Se il riferimento resta fisso, vediamo la distanza dal passato. Se invece il riferimento si sposta insieme al sistema, ogni nuovo stato rischia di apparire normale solo perché abbiamo dimenticato quello precedente. E qui rientra anche il manipolare dati e grafici, altra pratica assai diffusa sui social, come mostrato in figura 1.

È forse quanto stiamo osservando nel dibattito pubblico intorno al meteo, anzi al clima. Si sta perdendo lo scenario di riferimento perché abituati a una nuova condizione, o meglio perché abbiamo perso la memoria collettiva del fenomeno. E qui potrebbero intervenire, come antidoto, le serie storiche a tener vivo il valore dell’\(N_0\) così da avere una più ampia comprensione. Senza memoria, ogni perdita può sembrare piccola. Con la memoria, invece, capiamo che tante piccole variazioni possono determinare una trasformazione enorme.  Così da evitare la sindrome del baseline shifting e prendere decisioni più consapevoli.