Modellering moet een kans zijn om uw aannames te testen, niet alleen om ze te bevestigen. Shutterstock

Het vlaggenschip energieplan van de Turnbull-regering, de Nationale energiegarantie, was bedoeld om een ​​decennium lange patstelling over energie- en klimaatbeleid in Australië te beëindigen.

Ironisch genoeg, sinds zijn onthulling in oktober 2017, het debat heeft verhoogde aanzienlijk, met als gevolg dat de regering nu heeft liep weg van de emissiebeperkende component van het beleid.

Er is veel aandacht besteed aan het hoge politieke drama - en fundamentele conflicten over het belang van emissiereducties. Maar een ander belangrijk probleem is de gebrek aan vertrouwen in overheidsmodellen die de resultaten van hun beleid voorspellen.

De regering beweerde bijvoorbeeld deze maand dat de NEG huishoudfacturen met A $ 150 per jaar zal verlagen. Onafhankelijke analistenevenals Arbeid en Groenten politici hebben dit cijfer in twijfel getrokken. Ze wijzen op dat andere modellen suggereren verschillende resultaten - met name een aangekondigd door federale minister van energie Josh Frydenberg in oktober 2017, die een A $ 100-reductie voorspelde. Al deze groepen hebben opgeroepen tot volledige vrijlating van het modelleringswerk van de overheid.

Maar als modellering een vorm van wetenschappelijke analyse is, waarom geven verschillende modellen dan zulke verschillende resultaten?

Wat is een model?

Een model is een vereenvoudigde weergave van de werkelijkheid, maar die "realiteit" wordt bepaald door de modelleur. We geven een model een reeks ingangen en het produceert een reeks outputs.

Het modelleringsproces omvat een reeks 'keuzes' die de modeller maakt over de te gebruiken methoden, de invoergegevens die moeten worden ingevoerd en de relaties tussen deze gegevens (dat wil zeggen, wat beïnvloedt wat).

Door een aantal factoren meer gewicht te geven - hetzij opzettelijk of onopzettelijk - de modelleur kan een uitkomst aantrekkelijker maken, waarschijnlijker of belangrijker dan de andere.

Stel je voor dat je 100-koks uit verschillende landen vraagt ​​om de beste noedelsoep ter wereld te maken. Ze kozen allemaal verschillende ingrediënten, soorten noedels en manieren om te koken.

Deze keuzes weerspiegelen de recepten die ze al kennen, de smaken die ze persoonlijk leuk of niet leuk vinden en de ingrediënten waarmee ze vertrouwd zijn. Deze vormen hun vooroordelen met betrekking tot wat een goede noodlesoep zou moeten zijn. Je zou niet verbaasd zijn als je aan het einde van deze wedstrijd 100 heel andere noedelsoepen ziet!

Net als noedelsoep worden ook beleidsmodellen gemaakt met een verscheidenheid aan ingrediënten, die worden gevormd door de keuzes en vooroordelen van hun modelleerders en belanghebbenden. Het cumulatieve effect van deze keuzes creëert verschillende modellen en dus verschillende resultaten.

Dat is de reden waarom sommige modelleerders en analisten nu beweren dat geen model "het" juiste model is, net zoals geen noedelsoep de juiste noedelsoep is en dat geen enkel model zou resulteren in een "gevestigde waarachtigheid'.

Dus, hoe kunnen we beleid ontwerpen met modellen die gevuld zijn met vooroordelen en gevestigde belangen?

Verkenning, geen voorspelling

Hier is ons antwoord: we moeten modellen niet beschouwen als hulpmiddelen voor "voorspelling", maar eerder voor "verkenning". We mogen niet verwachten dat modellen ons "het" antwoord op onze beleidsvragen geven. We hebben modellen nodig om een ​​reeks scenario's te verkennen om beleidsdiscussies te informeren.

Laten we het voorbeeld van het verminderen van de uitstoot van broeikasgassen gebruiken. Er zijn veel manieren om dit te doen. We kunnen onze elektriciteitsopwekkingssystemen transformeren om de hoeveelheid hernieuwbare energie te vergroten; we kunnen de efficiëntie van gebouwen verbeteren; we kunnen schoner vervoermiddel gebruiken.

Elk pad heeft zijn tegenstanders en voorstanders. Ze kunnen ruzie maken over hun voordelen, de gevolgen ervan en hoeveel investeringen elk verdient met een eindige pool van geld.

In de conventionele voorspellende benadering zouden we elke beleidsoptie (of een combinatie van opties) modelleren en de impact ervan op emissies beoordelen. (En waarschijnlijk zou elke partij zijn eigen modellering uitvoeren, met hun eigen impliciete aannames.)

Maar in een verkennende benadering behandelen we het model als iets om mee te spelen, om beleidsopties te "testen". We veranderen aannames die ten grondslag liggen aan het model en zien hoe de resultaten veranderen. We veranderen toekomstige scenario's en voeren tal van scenario's uit om te zien hoe beleidsopties presteren in verschillende scenario's. En aan het einde van deze speelse oefening is er geen enkel antwoord! Elk resultaat hangt af van de veronderstellingen en de scenario's waaruit het is geproduceerd en - cruciaal - deze aannames zijn allemaal gedocumenteerd en transparant gemaakt.

We hebben deze aanpak gebruikt om India's te onderzoeken overgang naar schone energie. Zij, zoals Australië, hebben te maken met zeer gecompliceerde politieke en sociale problemen die niet netjes passen in conventionele manieren van modelleren, die ernaar streven om één enkel antwoord te geven.

We suggereren zeker niet dat verkennend modelleren een wondermiddel is voor het oplossen van politieke verschillen in complexe beleidskwesties. Het kan echter ons begrip van modellen veranderen van een "blackbox" -proces naar een transparant proces dat openstaat voor toetsing. Het kan impliciete aannames omzetten in expliciete scenario's die kunnen worden getest en besproken. Op deze manier kunnen we meer beleid hebben dat voldoet aan wat ze beloven - en een gezamenlijk overeengekomen basis van informatie waarover kan worden gedebatteerd.

Over de auteur

Shirin Malekpour, onderzoeksleider in strategische planning en toekomststudies, Monash Sustainable Development Institute, Monash University en Enayat A. Moallemi, onderzoeksmedewerker, UNSW

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees de originele artikel.

Verwante Boeken

at InnerSelf Market en Amazon