Modellering bör vara en chans att testa dina antaganden, inte bara bekräfta dem. Shutterstock

Turnbulls regeringens flaggskeppsplan, Nationell energiavgift, var tänkt att avsluta ett decennium långt dödläge på energi och klimatpolitik i Australien.

Ironiskt nog, sedan dess avtäckning i oktober 2017, debatten har ökade betydligt, med det resultat som regeringen nu har gick bort från utsläppsminskningsdelen av politiken.

Massor av uppmärksamhet har gått till det höga politiska dramatiket - och grundläggande konflikter om vikten av utsläppsminskningar. Men en annan viktig fråga är brist på förtroende I regeringsmodeller förutsäger resultaten av deras politik.

Till exempel hävdade regeringen denna månad att NEG kommer att minska hushållsräkningarna med A $ 150 per år. Oberoende analytiker, såväl som Arbetskraft och Grönt politiker, har ifrågasatt denna figur. De påpekar att andra modeller föreslå olika resultat - speciellt en som tillkännages av federal energiminister Josh Frydenberg i oktober 2017, som förutspådde en A $ 100 reduktion. Alla dessa grupper har krävt en fullständig frigöring av regeringens modelleringsarbete.

Men om modellering är en form av vetenskaplig analys, varför ger olika modeller olika resultat?

Vad är en modell?

En modell är en förenklad representation av verkligheten, men att "verkligheten" definieras av modellen. Vi ger en modell en uppsättning ingångar och det ger en uppsättning utgångar.

Modelleringsprocessen innefattar en sekvens av "val" som modellen gör om metoderna att använda, ingångsdata som ska matas in och relationerna mellan dessa data (det vill säga vad påverkar vad).

Genom att ge några faktorer mer vikt - vare sig medvetet eller oavsiktligt - Modellerna kan göra ett utfall ser mer tilltalande, sannolikt eller viktigt än de andra.

Tänk dig att fråga 100-kockar från olika länder för att göra den bästa nudelsoppa i världen. De skulle alla välja olika ingredienser, typer av nudlar och sätt att laga mat.

Dessa val skulle spegla de recept som de redan vet, de smakar de personligen gillar eller ogillar, och de ingredienser som de är bekanta med. Dessa bildar deras fördomar med avseende på vad en bra nudelsoppa skulle vara. Du skulle inte bli förvånad om du ser 100 väldigt olika nudelsoppa i slutet av denna tävling!

Liksom nudelsoppa, är policymodeller också gjorda med en mängd olika ingredienser, som formas av val och fördjupningar hos deras modellerare och intressenter. Den kumulativa effekten av dessa val skapar olika modeller, och därför olika resultat.

Därför hävdar vissa modeller och analytiker att ingen modell är "rätt" modell, precis som ingen nudelsoppa är rätt nudelsoppa och att ingen enda modell skulle leda till en "etablerad sanningsenhet".

Så, hur kan vi utforma policyer med hjälp av modeller som är fyllda med fördomar och intresserade intressen?

Undersökning, inte förutsägelse

Här är vårt svar: vi bör inte överväga modeller verktyg för "prediktion", utan snarare för "utforskning". Vi borde inte förvänta oss modeller för att ge oss "svaret" på våra politiska frågor. Vi behöver modeller för att utforska en rad scenarier för att informera politiska diskussioner.

Låt oss använda exemplet på att minska utsläppen av växthusgaser. Det finns många sätt att göra detta. Vi kan omvandla våra elproduktionssystem för att öka andelen förnybara energikällor. Vi kan förbättra byggnadseffektiviteten; Vi kan använda renare transportmedel.

Varje väg har sina motståndare och förespråkare. De kan argumentera för sina fördelar, deras konsekvenser och hur mycket investeringar varje förtjänar från en ändlig pool av pengar.

I det konventionella prediktiva tillvägagångssättet modellerar vi varje politiskt alternativ (eller en kombination av alternativ) och bedömer dess påverkan på utsläpp. (Och förmodligen skulle varje sida genomföra sin egen modellering, med sina egna implicita antaganden.)

Men i en exploratory approach behandlar vi modellen som något att spela med, att "testa" policyalternativ. Vi ändrar antaganden som ligger till grund för modellen och ser hur resultaten ändras. Vi ändrar framtida scenarier och kör många scenarier och ser hur policyalternativen utförs under olika scenarier. Och i slutet av denna lekfulla övning finns det inget enda svar! Varje resultat beror på antagandena och scenarierna från vilka den producerades, och - väsentligt - dessa antaganden är alla dokumenterade och transparenta.

Vi använde denna metod för att undersöka Indiens övergång till ren energi. De, som Australien, har att göra med mycket komplicerade politiska och sociala problem som inte vika väl i vanliga sätt att modellera, som strävar efter att ge ett enda svar.

Vi föreslår verkligen inte att exploratory modellering är en silverkula för att lösa politiska skillnader i komplexa politiska frågor. Det kan dock förvandla vår förståelse av modeller från en "blackbox" -process till en transparent process öppen för granskning. Det kan bli implisitt antaganden i explicita scenarier som kan testas och diskuteras. På så sätt kan vi ha fler politiska åtgärder som kommer att leverera det de lovar - och en gemensamt överenskommen grund för information som man ska argumentera för.

Om författaren

Shirin Malekpour, forskningsledare i strategisk planering och framtidsstudier, Monash Sustainable Development Institute, Monash University och Enayat A. Moallemi, forskningsassistent, UNSW

Den här artikeln publicerades ursprungligen den Avlyssningen. Läs ursprungliga artikeln.

relaterade böcker

at InnerSelf Market och Amazon