El modelado debe ser una oportunidad para probar sus suposiciones, no solo para confirmarlas. Shutterstock

El plan energético emblemático del gobierno de Turnbull, el Garantía Nacional de Energía, estaba destinado a poner fin a un estancamiento de una década en la política energética y climática en Australia.

Irónicamente, dado que develado en octubre 2017, el debate ha aumentado considerablemente, con el resultado de que el gobierno tiene ahora se alejó del componente de reducción de emisiones de la política.

Se ha prestado mucha atención al alto drama político y a conflictos fundamentales sobre la importancia de la reducción de emisiones. Pero otro tema clave es el la falta de confianza en modelos gubernamentales que predicen los resultados de sus políticas.

Por ejemplo, el gobierno afirmó este mes que el NEG reducirá las facturas de los hogares en A $ 150 por año. Analistas independientes, así como Trabajo y Verdes los políticos, han cuestionado esta cifra. Señalan que otro modelos sugieren diferentes resultados, especialmente uno anunciado por el ministro federal de energía, Josh Frydenberg, en octubre 2017, que predijo una reducción de A $ 100. Todos estos grupos han pedido la publicación completa del trabajo de modelado del gobierno.

Pero si el modelado es una forma de análisis científico, ¿por qué diferentes modelos dan resultados tan diferentes?

¿Qué es un modelo?

Un modelo es una representación simplificada de la realidad, pero esa "realidad" la define el modelador. Le damos a un modelo un conjunto de entradas y produce un conjunto de salidas.

El proceso de modelado implica una secuencia de "elecciones" que hace el modelador sobre los métodos a usar, los datos de entrada para alimentar y las relaciones entre estos datos (es decir, qué impacta qué).

Al dar más peso a algunos factores, ya sea deliberadamente o involuntariamente - el modelador puede hacer que un resultado se vea más atractivo, probable o importante que los demás.

Imagínese pidiendo a los cocineros de 100 de diferentes países que preparen la mejor sopa de fideos del mundo. Todos elegirían diferentes ingredientes, tipos de fideos y formas de cocinar.

Estas opciones reflejarían las recetas que ya conocen, los gustos que les gustan o les disgustan personalmente, y los ingredientes con los que están familiarizados. Estos forman sus prejuicios con respecto a lo que debería ser una buena sopa de fideos. ¡No te sorprendería que veas 100 sopas de fideos muy diferentes al final de esta competencia!

Al igual que la sopa de fideos, los modelos de políticas también se elaboran con una variedad de ingredientes, que se modelan por las elecciones y los sesgos de sus modeladores y partes interesadas. El efecto acumulativo de estas elecciones crea diferentes modelos y, por lo tanto, resultados diferentes.

Es por eso que algunos modeladores y analistas ahora argumentan que ningún modelo es "el" modelo correcto, del mismo modo que ninguna sopa de fideos es la sopa de fideos adecuada, y que ningún modelo en particular daría como resultado un "veracidad establecida.

Entonces, ¿cómo podemos diseñar políticas usando modelos que están llenos de prejuicios e intereses creados?

Exploración, no predicción

Esta es nuestra respuesta: no deberíamos considerar herramientas de modelos para "predicción", sino más bien para "exploración". No debemos esperar que los modelos nos den la "respuesta" a nuestras preguntas sobre políticas. Necesitamos modelos para explorar una variedad de escenarios para informar las discusiones sobre políticas.

Usemos el ejemplo de la reducción de emisiones de gases de efecto invernadero. Hay muchas maneras de hacer esto. Podemos transformar nuestros sistemas de generación de electricidad para aumentar la cantidad de energías renovables; podemos mejorar la eficiencia de construcción; podemos usar medios de transporte más limpios.

Cada camino tiene sus oponentes y proponentes. Podrían discutir sobre sus beneficios, sus consecuencias y la cantidad de inversión que cada uno merece de un conjunto finito de dinero.

En el enfoque predictivo convencional, modelaremos cada opción de política (o una combinación de opciones) y evaluaremos su impacto en las emisiones. (Y probablemente cada lado emprendería su propio modelo, con sus propias suposiciones implícitas).

Pero en un enfoque exploratorio, tratamos el modelo como algo con lo que jugar, para "probar" las opciones de política. Cambiamos los supuestos subyacentes al modelo y vemos cómo cambian los resultados. Cambiamos escenarios futuros y ejecutamos numerosos escenarios y vemos cómo funcionan las opciones de política bajo diferentes escenarios. ¡Y al final de este ejercicio lúdico, no hay una sola respuesta! Cada resultado depende de las suposiciones y los escenarios a partir de los cuales se produjo, y, lo que es más importante, todas estas suposiciones están documentadas y son transparentes.

Usamos este enfoque para investigar la India transición a energía limpia. Ellos, al igual que Australia, están lidiando con asuntos políticos y sociales altamente complicados que no se ajustan a las formas convencionales de modelado, que se esfuerzan por dar una respuesta única.

Ciertamente, no sugerimos que el modelado exploratorio sea una bala de plata para resolver las diferencias políticas en cuestiones complejas de política. Sin embargo, puede transformar nuestra comprensión de los modelos de un proceso de "blackbox" en un proceso transparente abierto al escrutinio. Puede convertir suposiciones implícitas en escenarios explícitos que pueden ser probados y debatidos. De esta manera, podemos tener más políticas que cumplan lo que prometen, y una base de información comúnmente acordada sobre la cual argumentar.

Sobre el Autor

Shirin Malekpour, Líder de Investigación en Planificación Estratégica y Estudios Futuros, Monash Sustainable Development Institute, Universidad Monash y Enayat A. Moallemi, investigador asociado, UNSW

Este artículo se publicó originalmente el La conversación. Leer el articulo original.

Libros relacionados

at InnerSelf Market y Amazon