La modélisation devrait être une chance de tester vos hypothèses, pas seulement de les confirmer. Shutterstock
Le plan énergétique phare du gouvernement Turnbull, le Garantie nationale de l'énergievisait à mettre fin à une décennie d’impasse sur la politique énergétique et climatique en Australie.
Ironiquement, depuis sa dévoilement en octobre 2017, le débat a accrue considérablement, avec le résultat que le gouvernement a maintenant s'est éloigné de la composante réduction des émissions de la politique.
Une grande attention a été portée au drame politique et aux conflits fondamentaux sur l’importance des réductions des émissions. Mais une autre question clé est la manque de confiance dans les modèles gouvernementaux prédisant les résultats de leurs politiques.
Par exemple, le gouvernement a déclaré ce mois-ci que le NEG réduirait les factures des ménages de A $ 150 par an. Analystes indépendants, aussi bien que Laboratoire et Légumes verts les politiciens ont remis en question ce chiffre. Ils font remarquer que d'autres numériques jumeaux (digital twin models) suggèrent des résultats différents - en particulier celui annoncé par le ministre fédéral de l'énergie, Josh Frydenberg, en octobre, 2017, qui prévoyait une réduction de A $ 100. Tous ces groupes ont appelé à la publication complète du travail de modélisation du gouvernement.
Mais si la modélisation est une forme d'analyse scientifique, pourquoi différents modèles donnent-ils des résultats si différents?
Qu'est-ce qu'un modèle?
Un modèle est une représentation simplifiée de la réalité, mais cette «réalité» est définie par le modélisateur. Nous donnons à un modèle un ensemble d'entrées et il produit un ensemble de sorties.
Le processus de modélisation implique une séquence de «choix» que le modélisateur effectue au sujet des méthodes à utiliser, des données d'entrée à alimenter et des relations entre ces données (c'est-à-dire, quel impact).
En donnant plus de poids à certains facteurs - que ce soit délibérément ou involontairement - le modélisateur peut rendre un résultat plus attrayant, probable ou important que les autres.
Imaginez que vous demandiez aux cuisiniers 100 de différents pays de fabriquer la meilleure soupe de nouilles au monde. Ils choisiraient tous des ingrédients, des types de nouilles et des méthodes de cuisson différentes.
Ces choix refléteraient les recettes qu'ils connaissent déjà, les goûts qu'ils aiment ou non, et les ingrédients avec lesquels ils sont familiers. Ceux-ci forment leurs partis pris en ce qui concerne ce que devrait être une bonne soupe aux nouilles. Vous ne seriez pas surpris si vous voyez des soupes de nouilles très différentes à la fin de cette compétition!
À l'instar de la soupe aux nouilles, les modèles de politique sont également élaborés à partir d'une variété d'ingrédients, façonnés par les choix et les biais de leurs modélisateurs et de leurs parties prenantes. L'effet cumulatif de ces choix crée différents modèles, et donc des résultats différents.
C'est pourquoi certains modélisateurs et analystes affirment désormais qu'aucun modèle n'est «le» bon modèle, tout comme aucune soupe aux nouilles n'est la bonne soupe aux nouilles, et qu'aucun modèle ne se traduit parvérité établie ».
Alors, comment pouvons-nous concevoir des politiques en utilisant des modèles remplis de préjugés et d’intérêts particuliers?
Exploration, pas de prédiction
Voici notre réponse: nous ne devrions pas considérer les modèles d’outils pour la «prédiction», mais plutôt pour «l’exploration». Nous ne devrions pas nous attendre à ce que les modèles nous donnent «la» réponse à nos questions de politique. Nous avons besoin de modèles pour explorer une gamme de scénarios pour éclairer les discussions sur les politiques.
Prenons l'exemple de la réduction des émissions de gaz à effet de serre. Il y a plusieurs façons de le faire. Nous pouvons transformer nos systèmes de production d'électricité pour augmenter la quantité d'énergies renouvelables. nous pouvons améliorer l'efficacité de la construction; Nous pouvons utiliser des moyens de transport plus propres.
Chaque voie a ses adversaires et ses partisans. Ils pourraient discuter de leurs avantages, de leurs conséquences et de la quantité d’investissements qu’ils méritent dans une réserve d’argent limitée.
Dans l'approche prédictive conventionnelle, nous modéliserions chaque option politique (ou une combinaison d'options) et évaluerions son impact sur les émissions. (Et probablement, chaque partie entreprendrait sa propre modélisation, avec ses propres hypothèses implicites.)
Mais dans une approche exploratoire, nous traitons le modèle comme quelque chose avec lequel jouer, pour «tester» les options de politique. Nous modifions les hypothèses sous-jacentes au modèle et voyons comment les résultats changent. Nous changeons les scénarios futurs et exécutons de nombreux scénarios et voyons comment les options de politique fonctionnent dans différents scénarios. Et à la fin de cet exercice ludique, il n’ya pas de réponse unique! Chaque résultat dépend des hypothèses et des scénarios à partir desquels il a été produit et, surtout, ces hypothèses sont toutes documentées et rendues transparentes.
Nous avons utilisé cette approche pour enquêter sur l'Inde transition vers une énergie propre. À l’instar de l’Australie, ils doivent composer avec des problèmes politiques et sociaux extrêmement complexes qui ne s’intègrent pas parfaitement aux méthodes classiques de modélisation, qui s’efforcent de donner une réponse unique.
Nous ne suggérons certainement pas que la modélisation exploratoire soit une solution miracle pour résoudre les divergences politiques sur des questions politiques complexes. Elle peut cependant transformer notre compréhension des modèles, qui sont passés d’un processus de «boîte noire» à un processus transparent ouvert à examen. Il peut transformer les hypothèses implicites en scénarios explicites pouvant être testés et débattus. De cette manière, nous pouvons avoir plus de politiques qui fourniront ce qu'elles promettent - et une base d'informations communément admise sur laquelle plaider.
A propos de l'auteur
Shirin Malekpour, responsable de la recherche en planification stratégique et en études sur l'avenir, Institut de développement durable Monash, Université de Monash et Enayat A. Moallemi, associé de recherche, UNSW
Cet article a été publié initialement le The Conversation. Lis le article original.
Livres connexes
