La modellazione dovrebbe essere un'occasione per testare le tue ipotesi, non solo per confermarle. Shutterstock
Il piano energetico di punta del governo di Turnbull, il Garanzia energetica nazionale, intendeva porre fine a uno stallo che dura da un decennio in materia di energia e politica climatica in Australia.
Ironicamente, dal suo Svelato in ottobre 2017, il dibattito ha accresciuta considerevolmente, con il risultato che il governo ha ora si allontanò dalla componente di riduzione delle emissioni della politica.
Grande attenzione è stata dedicata all'alto dramma politico e ai conflitti fondamentali sull'importanza delle riduzioni delle emissioni. Ma un altro problema chiave è il mancanza di fiducia nei modelli governativi che prevedono i risultati delle loro politiche.
Ad esempio, il governo ha affermato questo mese che il NEG ridurrà le bollette della famiglia di $ 150 all'anno. Analisti indipendenti, così come Lavoro ed Verdura i politici, hanno messo in discussione questa figura. Fanno notare quell'altro modelli suggerire risultati diversi - specialmente uno annunciato dal ministro federale dell'energia Josh Frydenberg in ottobre 2017, che prevedeva una riduzione di $ 100. Tutti questi gruppi hanno chiesto il rilascio completo del lavoro di modellizzazione del governo.
Ma se la modellazione è una forma di analisi scientifica, perché i diversi modelli danno risultati così diversi?
Cos'è un modello?
Un modello è una rappresentazione semplificata della realtà, ma quella "realtà" è definita dal modellatore. Diamo un modello a un insieme di input e produce un insieme di output.
Il processo di modellazione coinvolge una sequenza di "scelte" che il modellatore fa sui metodi da utilizzare, i dati di input da inserire e le relazioni tra questi dati (ovvero, che cosa influenza).
Dando alcuni fattori più peso - sia deliberatamente o involontariamente - il modellatore può rendere un risultato un aspetto più attraente, probabile o importante rispetto agli altri.
Immagina di chiedere ai cuochi 100 di diversi paesi di preparare la migliore zuppa di spaghetti al mondo. Avrebbero tutti scelto ingredienti diversi, tipi di pasta e modi di cucinare.
Queste scelte riflettono le ricette che già conoscono, i gusti che amano o non amano personalmente e gli ingredienti con cui sono familiari. Questi formano i loro pregiudizi riguardo a ciò che dovrebbe essere una buona zuppa di spaghetti. Non ti sorprenderebbe se vedessi 100 zuppe di noodle molto diverse alla fine di questa competizione!
Come la zuppa di spaghetti, anche i modelli di policy sono realizzati con una varietà di ingredienti, che sono plasmati dalle scelte e dai pregiudizi dei loro modellisti e stakeholder. L'effetto cumulativo di queste scelte crea modelli diversi e quindi risultati diversi.
Ecco perché alcuni modellisti e analisti ora sostengono che nessun modello è "il" modello giusto, così come nessuna zuppa di noodle è la zuppa di spaghetti giusta, e che nessun singolo modello potrebbe risultare in un "affermata veridicità".
Quindi, come possiamo progettare politiche usando modelli pieni di pregiudizi e interessi acquisiti?
Esplorazione, non previsione
Qui è la nostra risposta: non dovremmo considerare i modelli di strumenti per "previsione", ma piuttosto per "esplorazione". Non dovremmo aspettarci che i modelli ci diano "la" risposta alle nostre domande politiche. Abbiamo bisogno di modelli per esplorare una serie di scenari per informare le discussioni politiche.
Facciamo un esempio di riduzione delle emissioni di gas serra. Ci sono molti modi per farlo. Possiamo trasformare i nostri sistemi di generazione elettrica per aumentare la quantità di energie rinnovabili; possiamo migliorare l'efficienza degli edifici; possiamo usare mezzi di trasporto più puliti.
Ogni percorso ha i suoi oppositori e proponenti. Potrebbero discutere dei loro benefici, delle loro conseguenze e di quanto investimenti ciascuno merita da un pool di risorse finito.
Nell'approccio predittivo convenzionale, modellizzeremmo ciascuna opzione politica (o una combinazione di opzioni) e valuteremo il suo impatto sulle emissioni. (E probabilmente ognuna delle due parti intraprenderebbe la propria modellizzazione, con le proprie implicite supposizioni).
Ma in un approccio esplorativo, consideriamo il modello come qualcosa con cui giocare, per "testare" le opzioni politiche. Modifichiamo le ipotesi alla base del modello e vediamo come cambiano i risultati. Modifichiamo gli scenari futuri ed eseguiremo numerosi scenari e vediamo come le opzioni delle politiche si comportano in diversi scenari. E alla fine di questo esercizio giocoso, non c'è una sola risposta! Ogni risultato dipende dalle ipotesi e dagli scenari da cui è stato prodotto, e - soprattutto - queste ipotesi sono tutte documentate e rese trasparenti.
Abbiamo usato questo approccio per investigare in India transizione verso energia pulita. Loro, come l'Australia, stanno affrontando questioni politiche e sociali molto complicate che non si sovrappongono ordinatamente a modelli convenzionali di modellizzazione, che si sforzano di dare una risposta unica.
Certamente non suggeriamo che la modellizzazione esplorativa sia un punto d'argento per risolvere le differenze politiche su questioni politiche complesse. Può, tuttavia, trasformare la nostra comprensione dei modelli da un processo di "scatola nera" a un processo trasparente e aperto al controllo. Può trasformare ipotesi implicite in scenari espliciti che possono essere testati e discussi. In questo modo, potremmo avere più politiche che offriranno ciò che promettono e una base comune di informazioni su cui discutere.
Circa l'autore
Shirin Malekpour, capo della ricerca in Pianificazione strategica e studi sui futures, Monash Sustainable Development Institute, Università di Monash e Enayat A. Moallemi, ricercatore associato, UNSW
Questo articolo è stato pubblicato in origine The Conversation. Leggi il articolo originale.
libri correlati
at InnerSelf Market e Amazon
