Quando la struttura cambia i payoff: Generalizzazione dell’Equazione di Price
Ciò che non conviene in un contesto può diventare vantaggioso quando emerge una nuova struttura — temporale, relazionale, contestuale. Una formalizzazione unificata attraverso covarianze condizionali e cambi di scala.
IIl principio strutturale nell’equazione di Price
Riprendiamo il risultato del saggio precedente. La forma gerarchica dell’equazione di Price decompone il cambiamento evolutivo in:
Il fatto cruciale è che il termine tra gruppi non esiste finché non si riconosce la struttura di gruppo. Prima di quella struttura, la sola covarianza visibile era $\Cov(w_i, z_i)$ sull’intera popolazione — e questa poteva essere negativa, indicando selezione contro il tratto. L’atto di identificare i gruppi non cambia i dati biologici; cambia la rappresentazione, e in quella nuova rappresentazione appare un termine positivo che prima era nascosto nella media.
Questo è il punto di partenza per la generalizzazione. La struttura di gruppo non è l’unico tipo di struttura che può fare questa cosa. Una struttura temporale — considerare sequenze anziché istanti — fa emergere covarianze tra stati passati e futuri. Una struttura di rete — considerare chi interagisce con chi — fa emergere covarianze tra tratti di nodi vicini. Una struttura di contesto — considerare lo stesso agente in ambienti diversi — fa emergere covarianze tra comportamento e selezione contestuale.
Ogni struttura $\mathcal{S}$ su un insieme di agenti/eventi/istanti definisce una partizione o una filtrazione dell’insieme. Quella struttura genera covarianze condizionali che prima erano aggregate e invisibili. Quelle covarianze sono, precisamente, i payoff «nascosti» che l’analisi piatta non vedeva.
IIFormalizzazione: strutture, partizioni e covarianze condizionali
Costruiamo ora un framework matematico che cattura questa idea in modo preciso, e poi mostriamo come l’equazione di Price ne sia un caso speciale.
Setup astratto
Sia $\Omega$ uno spazio di agenti (individui, strategie, decisioni, istanti). Su $\Omega$ sono definite due funzioni reali:
- $z : \Omega \to \R$ il tratto (o strategia, o comportamento) dell’agente
- $w : \Omega \to \R_{\geq 0}$ il payoff (fitness, profitto, utilità, sopravvivenza)
Introduciamo ora una struttura come una $\sigma$-algebra $\mathcal{F}$ su $\Omega$, ovvero — nel caso finito e discreto che ci interessa — una partizione $\Pi = \{B_1, B_2, \ldots, B_k\}$ di $\Omega$ in blocchi. I blocchi possono essere gruppi biologici, intervalli temporali, cluster di rete, contesti di mercato, fasi di una strategia.
Per ogni struttura $\mathcal{F}$ definiamo il payoff condizionale atteso e il tratto condizionale medio:
$$\bar{w}_{B} = \E[w \mid B], \qquad \bar{z}_{B} = \E[z \mid B], \qquad B \in \Pi$$e la covarianza strutturale — ovvero la covarianza tra le medie di blocco:
$$\Cov_\Pi(w, z) \;:=\; \Cov\!\bigl(\bar{w}_B,\, \bar{z}_B\bigr) \;=\; \E_B[\bar{w}_B \bar{z}_B] – \E_B[\bar{w}_B]\,\E_B[\bar{z}_B]$$La legge della covarianza totale come teorema fondamentale
Per qualunque struttura $\mathcal{F}$, vale l’identità:
Questo vale per qualunque partizione $\Pi$, qualunque siano le variabili $w$ e $z$, qualunque sia il significato dei blocchi.
La dimostrazione è identica a quella del lemma di Price: espandere $w = \bar{w}_B + (w – \bar{w}_B)$ e analogamente per $z$, moltiplicare, e notare che i termini incrociati si annullano per ortogonalità delle deviazioni dalla media condizionale.
Strutture diverse sullo stesso spazio
L’idea centrale è ora questa: possiamo scegliere strutture diverse sullo stesso $\Omega$, e ciascuna produce una decomposizione diversa della covarianza $\Cov(w, z)$. Alcune strutture rivelano termini inter-blocco positivi; altre no. La struttura «piatta» (un solo blocco, $\Pi_0 = \{\Omega\}$) li collassa tutti nel termine intra-blocco. Strutture più fini li scompongono.
Sia $\Cov(w, z) < 0$ nella struttura piatta $\Pi_0$ (il tratto è svantaggioso in media). Esiste una struttura $\Pi^*$ tale che $\Cov_{\Pi^*}(\bar{w}_B, \bar{z}_B) > 0$ — cioè il tratto è vantaggioso tra blocchi — se e solo se:
$$\Cov_{\Pi^*}(\bar{w}_B, \bar{z}_B) \;>\; \bigl|\,\E_B\!\left[\Cov(w, z \mid B)\right]\bigr|$$La struttura $\Pi^*$ «estrae» una covarianza positiva che nella rappresentazione piatta era sommersa da una covarianza intra-blocco negativa più forte.
Questo è esattamente ciò che accade con l’altruismo: la struttura dei gruppi estrae la covarianza positiva tra fitness di gruppo e frequenza di altruisti, che prima era nascosta nella covarianza globale negativa.
IIIStrutture temporali: il breve e il lungo termine
La prima generalizzazione naturale è quella temporale. Lo spazio $\Omega$ non è più una popolazione di individui ma una sequenza di periodi $t = 1, 2, \ldots, T$. Il «tratto» $z_t$ è una strategia adottata al tempo $t$; il «payoff» $w_t$ è il ritorno ottenuto in quel periodo.
Setup formale
- $z_t \in [0,1]$ intensità della strategia «costosa» al tempo $t$ (investimento, cooperazione, rinuncia)
- $w_t \in \R$ payoff al tempo $t$
- $\bar{z} = \frac{1}{T}\sum_t z_t$, $\bar{w} = \frac{1}{T}\sum_t w_t$ medie temporali
Nella struttura piatta (ogni periodo è indipendente), la covarianza temporale $\Cov(w_t, z_t)$ misura semplicemente quanto la strategia costosa è redditizia periodo per periodo. Se è negativa — la strategia costa più di quanto renda nell’immediato — l’analisi piatta conclude che è da abbandonare.
Introdurre la struttura temporale: fasi
Supponiamo ora che il tempo sia strutturato in fasi $\Pi = \{F_1, F_2\}$: una fase di investimento $F_1 = \{1,\ldots,\tau\}$ e una fase di raccolta $F_2 = \{\tau+1,\ldots,T\}$. Applicando la decomposizione:
$$\Cov_t(w_t, z_t) \;=\; \underbrace{\Cov_\Pi(\bar{w}_F, \bar{z}_F)}_{\text{tra fasi}} \;+\; \underbrace{\E_F[\Cov_t(w_t, z_t \mid F)]}_{\text{dentro le fasi}}$$Il termine «tra fasi» misura se le fasi con strategia intensa (alta $\bar{z}_F$) sono anche le fasi con payoff alto (alta $\bar{w}_F$). Se la fase di investimento ($\bar{z}_{F_1}$ alto) è seguita da una fase di raccolta ($\bar{w}_{F_2}$ alto), e viceversa, questo termine è positivo — anche se dentro ogni fase la covarianza è negativa (pago il costo senza raccogliere ancora, o raccolgo senza più investire).
Una strategia con $\Cov_t(w_t, z_t) < 0$ in visione piatta conviene nel lungo termine se esiste una struttura a fasi $\Pi^*$ tale che:
$$\Cov_{\Pi^*}(\bar{w}_F, \bar{z}_F) \;>\; \bigl|\E_F[\Cov_t(w_t, z_t \mid F)]\bigr|$$Il termine tra fasi cattura la correlazione sequenziale: «investo ora, raccolgo dopo». Questa covarianza è zero se si guarda il singolo istante; emerge solo riconoscendo la struttura delle fasi.
Formalizzazione con sconto
Un agente con tasso di sconto $\delta \in (0,1)$ valuta i payoff futuri meno di quelli presenti. Il suo payoff aggregato è $W = \sum_t \delta^t w_t$. Possiamo riscrivere questo come un’equazione di Price temporale pesata, introducendo pesi $\alpha_t = \delta^t / \sum_s \delta^s$:
$$\Delta_{\text{eff}}\bar{z} \;=\; \frac{1}{\bar{w}_\delta}\left[\Cov_\alpha(w_t, z_t)\right]$$dove $\Cov_\alpha$ è la covarianza pesata per $\alpha_t$. Lo sconto agisce come una struttura implicita che downweia le fasi future: con $\delta$ basso, le covarianze inter-fase a lungo termine diventano trascurabili; con $\delta \to 1$ (agente paziente), emergono con pieno peso. La struttura temporale «ottimale» — quella che massimizza l’utilità dell’agente — dipende quindi in modo critico dall’orizzonte temporale e dal tasso di sconto.
Un imprenditore che investe in R&D vede per anni una covarianza negativa tra spesa (alta $z_t$) e profitto (basso $w_t$). Un analista che guarda solo il breve periodo conclude che l’R&D «non paga». Ma la struttura temporale a fasi — investimento seguìto da brevetti e vantaggio competitivo — genera una covarianza inter-fase positiva che domina. La convenienza non era assente: era nascosta nella struttura del tempo.
IVStrutture relazionali: reputazione, reti e assortimento
La seconda generalizzazione riguarda la struttura relazionale: chi interagisce con chi. Lo spazio $\Omega$ è ora un insieme di agenti su una rete $G = (V, E)$, dove il tratto $z_i$ di ogni agente influenza il payoff dei vicini. Senza struttura di rete visibile — analisi piatta — si vede solo la covarianza globale tra tratto e payoff, che per strategie cooperative è spesso negativa. Quando si riconosce la topologia della rete, emerge una covarianza strutturale nuova.
La covarianza di assortimento
Definiamo il tratto medio del vicinato di $i$:
$$z^{(N)}_i \;=\; \frac{1}{|N_i|}\sum_{j \in N_i} z_j$$In un modello lineare di interazione sociale, il payoff dell’agente $i$ dipende dal proprio tratto e da quello dei vicini:
$$w_i \;=\; \alpha – c\,z_i + b\,z^{(N)}_i + \varepsilon_i$$La covarianza tra payoff e tratto nell’analisi piatta è:
$$\Cov(w_i, z_i) \;=\; -c\,\Var(z_i) + b\,\Cov(z^{(N)}_i, z_i)$$Il termine $\Cov(z^{(N)}_i, z_i)$ — chiamiamo $\rho$ la correlazione normalizzata — misura quanto i cooperatori siano vicini ad altri cooperatori nella rete. Questa è esattamente la stessa quantità che nell’equazione di Price gerarchica era il coefficiente $r$ di parentela: ora si chiama correlazione di assortimento sulla rete.
Formalmente identica alla regola di Hamilton $rb > c$. Il coefficiente di parentela $r$ nella biologia è rimpiazzato dalla correlazione di assortimento $\rho$ sulla rete. La struttura della rete è la struttura di gruppo.
Il risultato di Nowak e May (1992) sui giochi spaziali mostra sperimentalmente questo principio: la cooperazione, impossibile in popolazioni mescolate casualmente (struttura piatta, $\rho = 0$), evolve spontaneamente su reticoli spaziali o reti di piccolo mondo perché la struttura della rete genera $\rho > 0$ — i cooperatori si raggruppano e si proteggono reciprocamente.
Reputazione come struttura emergente
Un caso particolarmente ricco è quello della reputazione. In un gioco ripetuto, ogni agente porta con sé una storia di interazioni $h_i \in \{0,1\}^T$. Questa storia costituisce una struttura $\mathcal{F}_{\text{rep}}$ sull’insieme degli agenti: due agenti sono «nello stesso blocco» se hanno la stessa reputazione. Riconoscere questa struttura fa emergere una covarianza tra tratto cooperativo e payoff atteso futuro.
Formalmente: in assenza di memoria, il payoff dell’interazione è il payoff del singolo turno — e la cooperazione paga meno del tradimento. Con memoria, il payoff condizionale alla reputazione è:
$$w_i \;=\; w_i^{\text{istantaneo}} + \underbrace{\E\!\left[\text{payoff futuro} \mid h_i\right]}_{\text{valore della reputazione}}$$Il secondo termine è una funzione crescente del numero di cooperazioni passate: una buona reputazione attira partner migliori e condizioni più favorevoli. La covarianza tra strategia cooperativa e questo termine è positiva — e può invertire il segno della covarianza totale.
Se si partiziona la popolazione in blocchi di reputazione $B_r = \{i : h_i = r\}$, la decomposizione di Price riappare: il termine tra blocchi $\Cov_\Pi(\bar{w}_{B_r}, \bar{z}_{B_r})$ è la covarianza tra reputazione media e comportamento medio per quella reputazione. Questo termine è positivo quando chi ha reputazione cooperativa è anche chi coopera di più — circolo virtuoso che l’analisi piatta non vedeva.
VStrutture contestuali: ambienti variabili e norme adattive
Una terza classe di strutture riguarda il contesto ambientale. Lo stesso tratto $z$ può avere payoff molto diversi in contesti diversi $e \in \mathcal{E}$. L’analisi piatta collassa tutti i contesti in una media; la struttura contestuale li separa e rivela covarianze che prima erano cancellate dalla media.
Struttura ambientale e norma di reazione
Sia $e_t$ lo stato dell’ambiente al tempo $t$ (o per l’interazione $t$). Definiamo:
$$w_t \;=\; f(z_t, e_t) + \varepsilon_t$$La funzione $f$ può essere tale che per certi valori di $e$ la strategia $z$ alta paga (cooperazione in ambienti ricchi) e per altri non paga (in ambienti avversi). L’analisi piatta calcola $\Cov_t(w_t, z_t)$ su tutti i $t$, inclusi quelli con $e_t$ avverso. Se questi ultimi sono numerosi, la covarianza globale è negativa.
Partizionando i periodi per tipo di ambiente $\Pi_{\mathcal{E}} = \{B_e : e \in \mathcal{E}\}$, la decomposizione di Price dà:
$$\Cov_t(w_t, z_t) \;=\; \Cov_{\Pi_{\mathcal{E}}}(\bar{w}_e, \bar{z}_e) \;+\; \E_e[\Cov_t(w_t, z_t \mid e)]$$Il termine tra ambienti $\Cov_{\Pi_{\mathcal{E}}}(\bar{w}_e, \bar{z}_e)$ è positivo se l’agente usa strategia alta esattamente negli ambienti in cui questa paga di più — ossia se ha sviluppato una norma di reazione adattiva: $z_t = z^*(e_t)$. In questo caso, l’analisi piatta sottostima sistematicamente il valore della strategia, perché non vede l’informazione ambientale su cui l’agente condiziona.
Il vantaggio di condizionare la strategia all’ambiente $e$ rispetto a non farlo è:
$$\Delta W \;=\; \Cov_{\Pi_{\mathcal{E}}}(\bar{w}_e, z^*(e)) \;-\; \Cov_{\Pi_{\mathcal{E}}}(\bar{w}_e, \bar{z})$$Il primo termine è la covarianza inter-ambiente quando si usa la norma adattiva $z^*(e)$; il secondo è quella con strategia fissa $\bar{z}$. La differenza è il guadagno puro dell’informazione ambientale — il «valore dell’informazione» della teoria delle decisioni, qui riscritto come covarianza strutturale di Price.
Questo risultato connette l’equazione di Price alla teoria dell’informazione: riconoscere la struttura ambientale equivale ad acquisire informazione sull’ambiente, e quella informazione si traduce esattamente in una covarianza inter-ambiente positiva che prima era zero.
VIIl framework unificato: gerarchia di strutture e gerarchia di covarianze
Possiamo ora enunciare il framework nella sua forma più generale. Sia $\Omega$ uno spazio di agenti/eventi/decisioni con variabili $z$ e $w$. Una gerarchia di strutture è una sequenza di partizioni annidate:
$$\Pi_0 \;\preceq\; \Pi_1 \;\preceq\; \Pi_2 \;\preceq\; \cdots \;\preceq\; \Pi_k$$dove $\Pi_0 = \{\Omega\}$ è la struttura piatta e ogni $\Pi_{l+1}$ è un raffinamento di $\Pi_l$ (ogni blocco di $\Pi_l$ è unione di blocchi di $\Pi_{l+1}$). Applicando ricorsivamente la decomposizione della covarianza:
Ogni termine somma il contributo della struttura al livello $l$ al cambiamento totale. Se $\Pi_l$ è struttura di gruppo biologica, si riottiene l’equazione di Price originale. Se $\Pi_l$ è struttura temporale, relazionale o contestuale, si ottengono le generalizzazioni dei paragrafi precedenti.
Il segno dei termini e la direzione del vantaggio
Il punto decisivo è che i termini a livelli diversi possono avere segni opposti. Un tratto può essere svantaggioso a un livello (covarianza intra-blocco negativa) e vantaggioso a un livello superiore (covarianza inter-blocco positiva). Il comportamento evolutivo — o strategico, o commerciale — dipende dall’integrale di tutti i livelli.
Cov intra = −0.18 ✗
Livello 2 (gruppi):
Cov inter = +0.25 ✓
Totale: $\Delta\bar{z}$ = +0.07
→ il tratto si diffonde
Cov intra = −0.22 ✗
Livello 2 (gruppi):
Cov inter = +0.08 ✓
Totale: $\Delta\bar{z}$ = −0.14
→ il tratto scompare
Stessa struttura biologica, parametri leggermente diversi: nell’esempio di sinistra la selezione di gruppo domina; in quello di destra domina la selezione individuale. Questo mostra che il framework non ha una risposta preconfezionata — è uno strumento di misura, non una tesi.
VIIApplicazioni: quando la struttura cambia i payoff
Il framework si trasferisce a qualunque dominio in cui esiste un «tratto» (strategia, comportamento, caratteristica) e un «payoff» (profitto, utilità, sopravvivenza), e in cui sia possibile identificare strutture a livelli multipli. I seguenti esempi non sono metafore: sono applicazioni precise del framework formale.
01
Strategia commerciale: brand vs. vendite dirette
Un’impresa investe massicciamente in brand building. Nel breve termine, la covarianza tra spesa di marketing e profitto netto è negativa: si spende senza vendere di più nell’immediato. Un’analisi trimestrale conclude che la spesa di marketing «non paga».
Tuttavia, se si introduce la struttura temporale delle fasi di mercato — fase di costruzione (anni 1–3) e fase di dominanza (anni 4–10) — la covarianza inter-fase è fortemente positiva: le imprese con brand forte nelle fasi di costruzione raccolgono margini premium nelle fasi di maturità. La struttura temporale rivela un termine inter-blocco positivo che l’analisi piatta annullava mediando le due fasi.
Formalmente: $\Cov_{\Pi_{\text{fasi}}}(\bar{w}_F, \bar{z}_F) > |\E_F[\Cov_t(w_t, z_t \mid F)]|$. L’investimento conviene se l’orizzonte è abbastanza lungo e i blocchi abbastanza distinti.
02
Apprendimento individuale: lo studio come costo differito
Un individuo dedica anni a studiare una disciplina difficile. In ogni periodo di studio, il payoff immediato è negativo (tempo sottratto ad attività remunerative, fatica, costo opportunità). La covarianza piatta tra intensità di studio e payoff è negativa per l’intera durata formativa.
Introducendo la struttura temporale $\Pi = \{\text{formazione}, \text{carriera}\}$, emerge una covarianza inter-fase positiva: chi studia di più nella fase di formazione (alta $\bar{z}_{F_1}$) raccoglie payoff più alti nella fase di carriera (alta $\bar{w}_{F_2}$). Il capitale umano è precisamente questo termine inter-blocco — invisibile alla contabilità istantanea, essenziale a quella delle fasi.
La correlazione inter-fase dipende criticamente dalla specificità dell’investimento: quanto il tratto acquisito nella fase 1 determina il payoff nella fase 2. Investimenti generici hanno $\Cov_\Pi$ più bassa di investimenti specializzati in settori con alta domanda.
03
Cooperazione aziendale: standard aperti vs. lock-in proprietario
Un’impresa può scegliere tra adottare standard aperti (cooperare con l’ecosistema, $z$ alta) o tecnologie proprietarie (catturare valore individualmente, $z$ bassa). In un mercato frammentato senza struttura di rete, la covarianza tra apertura e profitto è negativa: si condivide il valore con i concorrenti.
Se però emerge una struttura di piattaforma — cioè una rete densa in cui gli agenti sono nodi interconnessi e i payoff dipendono dall’ampiezza dell’ecosistema — la covarianza strutturale si inverte. Chi adotta lo standard aperto guadagna esternalità di rete: $\Cov_{\Pi_{\text{rete}}}(\bar{w}_{B}, \bar{z}_{B}) > 0$ perché i cluster ad alta cooperazione hanno payoff di rete più alti. Il termine inter-blocco positivo (tra cluster cooperativi e non cooperativi) domina il termine intra-blocco negativo.
Il passaggio da mercato frammentato a piattaforma è letteralmente l’emergenza di una struttura di rete — e con essa di una nuova covarianza che non esisteva prima.
04
Decisioni di salute pubblica: prevenzione vs. cura
A livello individuale, la covarianza tra spesa preventiva e payoff in salute è debole o negativa nel breve periodo: si paga la prevenzione quando si è sani, senza beneficio immediato percepito. Un’analisi individuale a breve termine scoraggia la prevenzione.
A livello di popolazione strutturata per fasce di rischio e fasce temporali (prima e dopo l’insorgenza della patologia), la covarianza strutturale è fortemente positiva: le sottopopolazioni ad alta prevenzione hanno bassa morbilità futura e bassa spesa curativa. La struttura epidemiologica — partizione per profilo di rischio e per fase della malattia — fa emergere un termine inter-blocco che giustifica politiche preventive impossibili da motivare con analisi piatta.
05
Leadership e fiducia organizzativa
Un manager che investe in costruire fiducia nel team rinuncia a efficienza nell’immediato: le riunioni di ascolto, la delega, la trasparenza sui fallimenti costano tempo e risultati nel breve. Covarianza piatta tra comportamento «fiducia-building» e performance del team: negativa sul trimestre.
Ma la fiducia è precisamente una struttura relazionale — una rete di credenze reciproche tra i membri del team. Una volta costruita, genera una covarianza strutturale positiva: i team ad alta fiducia (alto $\bar{z}_{B}$ per il blocco-team) hanno performance sistematicamente superiori sotto shock e crisi (alta $\bar{w}_{B}$ inter-blocco). L’analisi trimestrale non vede questa struttura; l’analisi organizzativa pluriennale la misura come correlazione inter-team tra cultura della fiducia e resilienza operativa.
VIIITavola sinottica: strutture, covarianze e inversioni
La tabella seguente organizza le corrispondenze tra i diversi domini e le quantità formali del framework. Ogni riga è un’istanza dello stesso schema: struttura piatta con covarianza negativa, struttura arricchita con covarianza inter-blocco positiva, condizione di inversione.
| Dominio | Struttura piatta $\Pi_0$ | Struttura arricchita $\Pi^*$ | Termine inter-blocco | Analogo di $r$ |
|---|---|---|---|---|
| Biologia evolutiva | Popolazione omogenea | Gruppi di parentela | $\Cov_j(\bar{w}_j, \bar{z}_j)$ | Parentela $r = \Var_j/\Var_{\text{tot}}$ |
| Strategia commerciale | Analisi trimestrale | Fasi di mercato | $\Cov_\Pi(\bar{w}_F, \bar{z}_F)$ | Correlazione inter-fase |
| Reti e piattaforme | Mercato atomistico | Cluster di rete | $\Cov_\Pi(\bar{w}_{B}, \bar{z}_{B})$ | Assortimento $\rho = \Cov(z_i, z^{(N)}_i)/\Var$ |
| Reputazione e fiducia | Gioco one-shot | Blocchi di reputazione | $\Cov_{\Pi_{\text{rep}}}(\bar{w}_{B_r}, \bar{z}_{B_r})$ | Selettività dei partner per reputazione |
| Decisioni individuali | Utilità istantanea | Fasi di vita | $\Cov_\Pi(\bar{w}_F, z^*(F))$ | Correlazione studio–carriera |
| Salute pubblica | Costi individuali presenti | Profili di rischio × fasi | $\Cov_{\Pi_{\text{rischio}}}(\bar{w}_{B}, \bar{z}_{B})$ | Correlazione prevenzione–riduzione morbilità |
In tutti i casi, la condizione di inversione è formalmente la stessa: il termine inter-blocco deve dominare il termine intra-blocco. E il parametro chiave — l’analogo di $r$ — misura sempre quanto il tratto sia correlato con se stesso attraverso i blocchi: quanto gli agenti ad alto tratto siano raggruppati con altri ad alto payoff inter-blocco.
IXConclusioni: vedere le strutture prima di giudicare il valore
La domanda con cui abbiamo cominciato era: può qualcosa di non conveniente in un certo contesto diventare conveniente in un altro, quando in questo altro emerge una struttura diversa? La risposta è sì, e la matematica la rende precisa: è conveniente ogni volta che la struttura emergente genera una covarianza inter-blocco positiva abbastanza grande da dominare la covarianza intra-blocco negativa.
Questo non è un trucco retorico. È una decomposizione algebrica esatta, valida per qualunque coppia di variabili su qualunque spazio strutturato. Quando diciamo che «l’R&D non paga», o che «la cooperazione è dominata dall’egoismo», o che «la prevenzione costa troppo», stiamo di fatto affermando che la struttura rilevante è $\Pi_0$ — la struttura piatta. L’equazione di Price generalizzata ci chiede: sei sicuro di aver scelto la struttura giusta?
La scelta della struttura non è arbitraria: è una ipotesi empirica su come il mondo è organizzato. Le strutture più ricche (più livelli, partizioni più fini) catturano più informazione, ma richiedono dati e modelli più complessi. La tensione tra parsimonia e precisione è la stessa che in qualsiasi problema statistico. Ma l’errore sistematico nella direzione sbagliata — usare strutture troppo piatte — porta a sottostimare il valore di strategie cooperative, a investire troppo poco in capitale umano e relazionale, a ignorare i payoff inter-fase. È un errore che ha un nome: mioopia strutturale.
Una strategia, un comportamento, un tratto non ha un valore intrinseco. Ha un valore relativo a una struttura. Cambiare la struttura — temporale, relazionale, contestuale, di gruppo — non cambia i dati, ma cambia le covarianze rilevanti, e con esse i payoff aggregati. Il compito di chi analizza sistemi complessi non è giudicare se qualcosa «paga» in assoluto, ma identificare la struttura nella quale le sue covarianze sono misurate — e chiedersi se esistano strutture più ricche in cui il giudizio si inverte.
L’equazione di Price gerarchica è il teorema che rende questa domanda rigorosa. La sua generalizzazione mostra che essa non è un fatto biologico: è un fatto della covarianza, e quindi della matematica stessa.
Alvise Giubelli – HumAI.it©