Prezzo PUN orario: esiste un effetto specifico “ora”?

Nel mercato elettrico italiano, il Prezzo Unico Nazionale (PUN) varia su base oraria, influenzato principalmente dalla domanda di energia, dalla produzione da fonti rinnovabili e dai costi delle fonti fossili. Accanto a questi fattori ben noti, tuttavia, sembrano operare anche altre variabili che presentano una regolarità sistematica legata all’ora del giorno. Queste componenti, non ancora esplicitamente identificate, possono essere sinteticamente descritte come “effetto ora”.
Per analizzare la loro incidenza, è stato sviluppato un modello econometrico orario relativo al periodo compreso tra il 1° gennaio 2023 e il 30 giugno 2025. Oltre ai principali driver del prezzo – tra cui il prezzo giornaliero del gas naturale, il costo della CO₂, la quota di produzione da fonti rinnovabili e la domanda elettrica oraria – il modello include 23 variabili dummy, una per ciascuna ora del giorno (escludendo l’ora di riferimento)^[1]. Queste variabili sono costanti nel tempo e permettono di isolare e quantificare l’effetto specifico associato a ciascuna ora sull’andamento del PUN nel mercato all’ingrosso italiano.

Stima del modello

Nel modello, la variabile dipendente è naturalmente il PUN orario, espresso in €/MWh, come rilevato dal Gestore del Mercato Elettrico (GME). Le variabili di regressione, oltre alle dummy orarie già menzionate, sono le seguenti:

• il prezzo giornaliero del gas, in €/MWh, rilevato al punto di scambio PSV italiano;
• il prezzo giornaliero dei permessi di emissione di CO₂, espresso in €/tonnellata;
• la quota oraria di produzione da fonti rinnovabili (FER), rappresentata da due variabili distinte a seconda che tale quota sia superiore o inferiore al 70%. L’ipotesi di base è che l’effetto di un incremento di questa quota sia più marcato quando essa è elevata;
• la domanda elettrica oraria complessiva in Italia, espressa in GWh.

I risultati delle stime per le variabili diverse dalle dummy orarie sono riportati nella tabella seguente.

Risultati di stima: regressori diversi dalle dummy orarie

I risultati della stima sono statisticamente molto solidi, confermando la validità dell’ipotesi di partenza. Il modello riesce a spiegare il 79% della variabilità del PUN orario, un risultato particolarmente soddisfacente, soprattutto considerando l’elevata volatilità che caratterizza questa variabile nel mercato elettrico.

Ulteriori conferme dell’affidabilità del modello emergono dall’analisi dei parametri stimati per i diversi regressori:

• Una centrale termoelettrica a ciclo combinato (CCGT) ha in media un’efficienza del 50%, ovvero servono 2 MWh di gas per generare 1 MWh di elettricità. Questo implica un coefficiente teorico pari a 2, molto vicino al valore stimato dal modello (1.65), coerente con l’ipotesi di impianti CCGT più efficienti dello standard.
• Le emissioni medie di CO₂ per un impianto a gas si collocano generalmente tra 300 e 400 kg per MWh prodotto. Il coefficiente stimato per il prezzo dei certificati CO₂ equivale a 346 kg/MWh, perfettamente in linea con i valori attesi.
• Un incremento della domanda oraria di 1 GWh comporta un aumento del prezzo di circa 0.97 €/MWh. Considerando i valori medi di domanda e prezzo, questo parametro corrisponde a un’elasticità della domanda pari a 0.29. Poiché tale aumento rappresenta il segnale necessario affinché l’offerta si adegui alla domanda, ne deriva una curva di offerta relativamente piatta, capace di assorbire variazioni nei livelli di domanda con aggiustamenti di prezzo contenuti.
• I due coefficienti relativi alla quota di FER sono entrambi negativi e relativamente elevati in valore assoluto. Come previsto, il coefficiente associato a una quota superiore al 70% è più marcato, indicando che un aumento dell’1% nella quota FER riduce il PUN in misura maggiore quando la quota è già elevata. Tuttavia, la differenza tra i due coefficienti è contenuta, segnalando che l’effetto sul prezzo è significativo anche a livelli più bassi di penetrazione delle rinnovabili.
  Questo risultato può dipendere da due fattori. Il primo riguarda la distribuzione geografica della quota FER: se la produzione da rinnovabili non è omogeneamente distribuita sul territorio italiano, l’effetto sul prezzo può manifestarsi a livello zonale, influenzando comunque il PUN nazionale. Il secondo fattore riguarda la forma della curva di offerta delle tecnologie non rinnovabili: se questa presenta un’inclinazione positiva – come suggerisce anche il coefficiente della domanda – allora anche piccoli incrementi della quota FER, a partire da valori contenuti, possono generare effetti significativi sul prezzo orario.

Risultati della stima per le variabili dummy orarie

I coefficienti stimati delle variabili dummy orarie sono rappresentati nell'istogramma seguente. Anche in questo caso, tutti i valori risultano statisticamente altamente significativi.

Rispetto all’ora di riferimento, corrispondente ai primi 60 minuti della giornata, l’effetto “ora” risulta negativo e contenuto (circa -5 €/MWh) fino alle 6:00 del mattino. A partire dalle ore successive, il contributo orario diventa positivo, raggiungendo un picco di circa +20 €/MWh intorno alle 9:00.
Successivamente, l’effetto decresce progressivamente fino a diventare negativo, toccando il minimo giornaliero alle 14:00, con un valore assoluto superiore a quello osservato nelle prime ore. Nelle ore seguenti si osserva una nuova crescita, più marcata, che culmina nel valore massimo giornaliero intorno alle 20:00, con un impatto superiore ai +30 €/MWh.

La differenza tra il massimo e il minimo stimati si avvicina a 50 €/MWh. Questo implica che, a parità di consumi e di quota di produzione da fonti rinnovabili, l’escursione del prezzo orario del PUN all’interno di una singola giornata ha superato il 40% del prezzo medio negli ultimi due anni e mezzo.

L'Equilibrium Correction Model (ECM): come il PUN torna in equilibrio

L'equazione stimata in precedenza rappresenta una relazione statica di lungo periodo, utile per identificare il prezzo di equilibrio del PUN orario in funzione delle variabili esplicative considerate. Tuttavia, nel breve periodo possono intervenire fattori transitori che determinano scostamenti temporanei tra il prezzo effettivo e quello di equilibrio.

Nelle ore successive, questi squilibri tendono a ridursi progressivamente, man mano che si esaurisce l'effetto dei fattori che li hanno generati. Nei modelli economici quantitativi, questo processo di aggiustamento viene rappresentato tramite un modello noto in letteratura come Equilibrium Correction Model (ECM).

Questo tipo di modello consente di costruire un'equazione di breve periodo in cui la variazione del PUN effettivo è spiegata sia dalla variazione del PUN di equilibrio (ottenuta dal fit dell'equazione di lungo periodo), sia dallo scostamento osservato nel periodo precedente tra il PUN di equilibrio e quello effettivo.

La tabella seguente riporta i coefficienti stimati per l'equazione di breve periodo. Tutti i coefficienti risultano statisticamente molto significativi. Inoltre, il valore dell’R² si avvicina al 50%, indicando che quasi la metà della variazione oraria del PUN è spiegata dal modello. Ciò significa che l’ECM riesce a catturare non solo i livelli del PUN orario, ma anche le sue variazioni nel tempo in modo efficace e robusto.

I coefficienti stimati, entrambi altamente significativi, offrono indicazioni preziose sul comportamento del PUN orario:

• K1 – Effetto della variazione dell’equilibrio: il valore prossimo a 1 indica che le variazioni nelle condizioni di equilibrio si riflettono quasi integralmente, ora per ora, sul prezzo effettivo del PUN.
• K2 – Termine di correzione: questo coefficiente misura la velocità con cui il PUN effettivo si riavvicina al valore di equilibrio. Il valore stimato suggerisce un aggiustamento progressivo pari al 21% per ogni ora, indicando una dinamica di correzione graduale ma costante verso l’equilibrio.

Dal modello alla previsione: un test out-of-sample sul mese di luglio

Una volta stimate le due equazioni — di lungo e di breve periodo — utilizzando i dati fino al 30 giugno 2025, è possibile testare la capacità previsiva del modello fuori campione, generando una previsione per il mese di luglio (PUN_BP) e confrontandola con i valori effettivi del PUN orario registrati nello stesso periodo.
Il risultato del confronto è illustrato nel grafico seguente. La previsione evidenzia una notevole capacità di riprodurre l’andamento effettivo del PUN nel mese di luglio, fatta eccezione per alcune ore “anomale” in cui il prezzo reale ha raggiunto o superato i 200 €/MWh. Questo risultato suggerisce che il modello riesce ad anticipare con buona efficacia le dinamiche di breve termine, pur operando in un contesto notoriamente volatile come quello del mercato elettrico orario.

In sintesi

L’analisi econometrica presentata in questo articolo evidenzia la presenza di un effetto specifico legato all’“ora” nella spiegazione dell’andamento del prezzo orario del PUN in Italia. Tale effetto si aggiunge a quelli già noti, riconducibili ai costi marginali delle centrali a ciclo combinato a gas (prezzo del gas e dei permessi di emissione di CO₂), alle tensioni lato domanda e alla quota di produzione da fonti rinnovabili.
I risultati delle stime, uniti alla previsione out-of-sample, indicano una forte capacità del modello nel descrivere sia i livelli sia le variazioni del PUN orario negli ultimi due anni e mezzo, oltre a fornire previsioni credibili per i prezzi futuri.