KNAW-themabijeenkomst
Samenvattingen van de lezingen tijdens de KNAW-themabijeenkomst van de Afdelingen Letterkunde en Natuurkunde der Koninklijke Nederlandse Akademie van Wetenschappen op 20 juni 2011
WETENSCHAPPELIJKE MODELLEN, WAT KUNNEN WE ERMEE?
MODELLEN ZIJN NOODZAKELIJKE DENKKADERS FRANS WILLEKENS
Wat doet u in een onbekende situatie? U vormt een beeld van de situatie. U probeert in te schatten hoe de situatie ontwikkelt en wat de achterliggende processen zijn. Tevens probeert u mogelijke gevolgen te voorzien. Dat beeld van de situatie is een model. Een model is een mentale representatie van een ervaren werkelijkheid.
De wetenschap probeert representaties te formaliseren in wetenschappelijke modellen die vervolgens worden onderwezen en anderzijds als kennis worden overgedragen. Het model bepaalt hoe we de wereld zien, interpreteren, begrijpen en voorspellen. Modellen hebben ook een sociale functie. Een gedeeld interpretatiekader bevordert de cohesie in de groep. Het hanteren van een afwijkend model vergroot de kans op sociale uitsluiting. Dat maakt paradigmawisseling zo lastig.
De schematheorie (http://en.wikipedia.org/wiki/Schema_(psychology) ) van de ontwikkelingspsycholoog Piaget (http://en.wikipedia.org/wiki/Jean_Piaget )en de cognitief antropoloog D’Andrade (http://en.wikipedia.org/wiki/Roy_D'Andrade ) biedt een goede basis voor een discussie over nut en beperkingen van modellen. De modellen die we hanteren zijn het resultaat van een interactie tussen assimileren en
accommoderen. De theorie verklaart de modegevoeligheid van modellen en de ervaring dat sommige modellen met groot draagvlak in een vakgebied een beeld van de
werkelijkheid tonen dat niet realistisch is. In de sociale wetenschappen positioneren vakgebieden zich verschillend in het spanningsveld tussen model en werkelijkheid.
THEORIE EN EMPIRIE IN DE ECONOMIE FREE HUIZINGA
De economische wetenschap heeft over het algemeen een sterke theoretische basis. Ook komt er steeds meer en betere data beschikbaar, vooral op het niveau van afzonderlijke individuen en bedrijven. Het grote manco is het gebrek aan een laboratoriumsetting om de partiële effecten van de ene variabele op de andere te isoleren. Via econometrische schattingen van vergelijkingen of modellen kunnen deze effecten in theorie wel in kaart gebracht worden. Daarvoor zijn echter zogenaamde identificerende restricties nodig die niet getest kunnen worden en die dus puur op basis van theoretische veronderstellingen ingezet worden. Naar aanleiding van recente macro-economische crises en theoretische argumenten is de weerstand tegen deze identificerende veronderstellingen sterk toegenomen, vooral in de macro-economie. Het gevolg is dat veel macro-modellen ofwel helemaal geen theorie meer gebruiken, maar enkel bestaan uit een algemene VAR regressie, ofwel juist zeer sterk leunen op de theorie zonder sterke empirische toetsen. Op het terrein van de micro-economie is de situatie florissanter. Daar profiteren
economen van steeds betere paneldata, van groeiende mogelijkheden om
microbestanden te koppelen en van het toenemende besef dat er in de micro-economie vaak onbedoeld en onbewust veel situaties bestaan die veel lijken op een
wetenschappelijk opgezet experiment. Door meer bewust met deze mogelijkheden om te gaan, bijvoorbeeld in de vormgeving en voorbereiding van beleid, is nog veel winst te behalen, die vervolgens ook teruggekoppeld kan worden richting de macro-economie.
MACHT EN ONMACHT VAN HET MODELMATIG DENKEN IN DE NATUURWETENSCHAPPEN
SANDER BAIS
Wanneer we de natuurwetenschappen overzien is er geen mooiere en compactere representatie van haar successen dan de fundamentele vergelijkingen waarin haar bevindingen neergelegd zijn op een rijtje te zetten. Deze vergelijkingen zijn niet alleen iconen van de menselijke kennis, maar weerspiegelen ook de co-evolutie van ons vermogen steeds nieuwe wetmatigheden te ontdekken en die in steeds weer nieuwe wiskundige termen te vertalen. Zo is er een hiërarchie van tamelijk autonome modellen van de fysische realiteit ontstaan, en is er de uitdaging om het woeste landschap van de oplossingen te doorgronden. Analytisch dan wel computationeel, en dit vereist de ontwikkeling van flexibele algoritmes en het vermogen het relevante van het irrelevante te scheiden, de parameters van de variabelen en de constraints van de
randvoorwaarden. Is de macht van het modelmatigdenken in wezen onbegrensd of zijn er beren op de weg als we naar complexe systemen gaan kijken, of is de status van "complex" niet meer dan een tijdelijke status die slechts een voorlopig fundamenteel onbegrip uitdrukt? Of zijn de biologie, het klimaat en de economie werkelijk
KUNNEN WE VARIATIES IN HET KLIMAATSYSTEEM BEGRIJPEN EN VOORSPELLEN? GERBRAND KOMEN
IPCC: There is considerable confidence that Atmosphere-Ocean General Circulation Models (AOGCMs) provide credible quantitative estimates of future climate change.1
Freeman Dyson: I am saying that all predictions concerning climate are highly uncertain.2 Waar gaat het over?
Het begrip klimaat is lastig te definiëren. Dit geldt ook, maar in iets mindere mate, voor het begrip klimaatsysteem. Hiermee bedoelt men meestal het gekoppelde
atmosfeer/oceaan/landsysteem, inclusief fysische, chemische en biologische processen. Dit systeem is open, complex en niet-lineair. Karakteristiek zijn de vele wisselwerkingen en terugkoppelingen. Dit leidt tot turbulentie van veel geofysische stromingen, chaotisch gedrag van de atmosfeer, en interne variabiliteit – naast variaties ten gevolge van
externe veranderingen –, op alle ruimte- en tijdschalen. Wat zijn klimaatmodellen?
Klimaatmodellen (Atmosphere/Ocean General Circulation Models, AOGCMs) zijn dynamische modellen van het klimaatsysteem. Zij gaan uit van de natuurwetten (behoud van massa, impuls en energie en de thermodynamica), integreren de
bijbehorende differentiaalvergelijkingen, en gebruiken daarnaast empirische verbanden voor de bepaling van grootheden als, bijvoorbeeld, de ruwheid van de zee.
Klimaatmodellen zijn mondiale modellen, dus er zijn geen laterale grenzen, maar wel open grensvlakken aan de boven- en onderkant. Ze onderscheiden zich onderling door de details van de ruimtelijke afbakening en door de beschouwde variabelen. Deze kunnen dan nog intern zijn (de concentratie van sporengassen bv) of extern (zonneschijn). Wereldwijd zijn er enkele tientallen modellen ontwikkeld. Deze zijn uiteraard niet perfect. Men tracht de onzekerheden zo goed mogelijk te kwantificeren met stochastische methoden. In de praktijk leggen de complexiteit van de modellen en de hoge rekenkosten beperkingen op.
Begrijpen?
Het is maar de vraag in hoeverre een complex systeem als het klimaatsysteem te begrijpen is. Om dit te onderzoeken zijn modellen – naast goede waarnemingen –
1 Zie pagina 600 in Solomon, S. et al. (2007). Climate Change 2007: The Physical Science Basis.
Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change (IPCC). Cambridge University Press.
essentieel. Begrijpen is allereerst nagaan in hoeverre het model de waarnemingen kan simuleren. Dit is daarmee tegelijkertijd een vorm van modelvalidatie. Valideren kan op vele manieren: o.a. door te kijken naar de klimatologie en de variabiliteit (in ruimte en tijd) voor verschillende variabelen, door de bestudering van deelprocessen, en door de simulatie van periodes in het verleden. Modelvalidatie en modelvergelijking worden internationaal afgestemd.
Modellen blijken succesvol in de simulatie van grootschalige karakteristieken van oppervlakte-temperatuur, neerslag, wind, straling, etc (gemiddelde èn
seizoensvariabiliteit). Minder goed zijn de simulatie van sommige grootschalige variabiliteitpatronen, het gedrag op kleine schalen, en de representatie van specifieke processen zoals de vorming van bewolking en de invloed van wolken op de rest van het systeem.
Je kunt modellen ook gebruiken als ‘laboratorium’ voor onderzoek naar mechanismen (teleconnecties, causale ketens) die ten grondslag liggen aan waargenomen of
veronderstelde wetmatigheden. Dit leidt tot dieper begrip. Voorspellen?
Wanneer men een model initialiseert, verwachte externe invloeden specificeert en dan vooruit rekent in de tijd construeert men een mogelijke toekomstige ontwikkeling. Het is maar de vraag of de werkelijkheid zich ook zo zal gedragen, en, meer algemeen, in hoeverre het klimaat voorspelbaar is. Het weer is redelijk goed voorspelbaar tot ongeveer een week vooruit. Op seizoenstijdschalen is er ook enige voorspelbaarheid voor bepaalde gebieden, bijvoorbeeld daar waar de invloed van de oceaan groot is. Op langere tijdschalen lijken natuurlijke schommelingen nauwelijks voorspelbaar. Het effect van externe storingen lijkt wel weer enigszins voorspelbaar. De foutenmarge kan – in principe, maar vergeet de kosten niet – worden aangegeven voor de known
unknowns. Op grond hiervan vermoed men dat grote schalen en temperatuur beter te voorspellen zijn dan bijvoorbeeld neerslag op kleine schalen, en dat de toename van de gemiddelde temperatuur bij CO2 verdubbeling ‘waarschijnlijk’ tussen de 2 en 4.5 °C ligt. Over de unknown unkowns kan men niet veel zeggen. Er is dus nooit volledige zekerheid. Klimaatbeleid
Modeluitkomsten worden ook gebruikt voor de ontwikkeling van beleid. Er zijn
methodes beschikbaar waarmee men zich systematisch een oordeel kan vormen over de kwaliteit van modellen. Maar uiteindelijk wordt de waarde die iemand aan
modeluitkomsten toeschrijft niet alleen bepaald door de kwaliteit van de modellen, maar ook door zijn/haar houding ten opzicht van risico’s, en is dus subjectief.
WHAT SCIENTIFIC MODELS MIGHT TEACH: PHILOSOPHICAL PERSPECTIVES JOEL KATZAV
Scientific models suffer from a variety of well known limitations. Importantly, for example, they are known substantially to misrepresent the portions of reality they are about. I investigate, from the perspective of the philosophy of science, under what conditions important limitations of scientific models challenge our ability to use these models in prediction and explanation. I then go on to consider, in light of this
investigation, what we can in fact learn from scientific models. First, I consider whether such models can be used to explain, and not just to predict. Second, I consider under
what conditions scientific model based results can justifiably be assigned probabilities. I conclude that scientific models can be used both for prediction and explanation, despite the special challenges that exist to their being used in explanation. However, I also conclude that these models' results should very often not be assigned probabilities. Instead, they should be assigned measures such as measures of their plausibility or of how real the possibilities they describe are.
SIMULATIE OP VERSCHILLENDE NIVEAUS VAN AGGREGATIE: DE MOGELIJKHEDEN EN DE MOGELIJKE VALKUILEN
CATHOLIJN JONKER
For the study of complex social situations, both gaming simulation and agent-based simulation have been proposed as research methods. The combination of gaming and agent-based simulation has proved useful for the formulation of theories underlying trade network processes. However, validation remains a problematic issue in that type of research. In this talk I will address two problems I encounter in my work. What is the (possible) contribution of agent-based simulation to research into trade network processes? And, how to validate the simulation and the research approach it is part of? In more detail, two important sources of difficulties are the sensitivity of gaming simulations to the participants’ cultural background and the complexity of the agent model. The sensitivity to culture may be managed by incorporating it in the agent model. The complexity of the agent model may be managed by compositional process modeling. However, both solutions require additional validation. I will proposes a validation approach for a culturally adaptive, composed, process model.
TOEPASSING VAN MODELLEN BIJ DE BESTRIJDING VAN INFECTIEZIEKTEN JACCO WALLINGA
De meeste medici zullen bij het horen van de term “model” gelijk denken aan een diermodel, zoals de laboratorium muis. Maar de medische wereld gebruikt ook
wiskundige modellen, zoals transmissiemodellen van infectieziekten. De oorspong van deze modellen ligt vroeg in de vorige eeuw, toen infectieziekten doodsoorzaak nummer een waren. Voor je kon overlijden aan tuberculose was er een hoge kans dat je overleed aan kinderziekten zoals pokken, mazelen, roodvonk of kinkhoest. Of dat je blijvend letsel overhield aan infectie met rodehond of polio. Vanaf 1950 was de ontwikkeling van veilige vaccins tegen virale infecties zeer succesvol en dit maakte het mogelijk om rond 1970 met grote vaccinatie campagnes infectieproblemen de wereld uit te helpen. Het was dan ook heel merkwaardig dat, rond 1980, enkele wetenschappers opstonden om op basis van voorspellingen met een wiskundig transmissiemodel te verkondigen dat een vaccinatiecampagne met een goed werkend en veilig vaccin, zoals het vaccin tegen rodehond, soms resulteert in meer ziektegevallen in plaats van minder. En het was misschien nog merkwaardiger dat enkele beleidsmakers deze modelvoorspellingen zo serieus namen dat ze werden gebruikt bij het aanpassen van het vaccinatiebeleid. Zo werden modelvoorspellingen betrokken in het besluit om in Nederland vanaf 1986 vaccinatie tegen rodehond aan te bieden aan meisjes en jongens op de leeftijd van 14 maanden en 9 jaar, terwijl het daarvoor werd aangeboden aan alleen meisjes op de
leeftijd van 11 jaar. Was dit achteraf gezien wel een goede beslissing, en hoe sterk is nu de bewijslast dat deze modelvoorspellingen klopten?
Na deze terugblik kunnen we ook vooruitkijken naar de invoering van nieuwe vaccins in het vaccinatieprogramma, zoals vaccinatie van meisjes tegen het humaan
papillomavirus dat onder andere baarmoederhalskanker veroorzaakt: welke rol spelen modelvoorspellingen hier in het opstellen van vaccinatiebeleid, en hoe gaan we om met de bewijslast voor modelvoorspellingen?
