Omgaan met uitkomsten rekenmodellen

“Een model is afhankelijk van extern aangeleverde data, een model maakt geen beleid en doet al helemaal geen inhoudelijke uitspraken over subsidies.” luidt een subtitel van een bericht in consultancy.nl van eind juni 2019. Het bericht gaat over de uitkomsten van berekeningen gedaan met het rekeninstrument CarbonTax-model. Een rekenmodel is een verzameling van volgordelijk en voorwaardelijk aaneen geschakelde algoritmes. Met rekenmodellen worden de effecten en doorwerking van beleidskeuzes gedaan. De antwoorden die op een dergelijke manier worden verkregen, liggen altijd in een bandbreedte van mogelijke antwoorden.

Een gevoeligheidsanalyse geeft daarbij aan hoe nauwkeurig of onnauwkeurig de uitkomsten zijn. Niet het rekenmodel zelf is afhankelijk van de extern aangeleverde data, maar haar uitkomsten, na toepassing van het rekenmodel, op de aangeleverde data, zijn dat natuurlijk wel. Hoe goed een model ook gemaakt is voor een specifiek doel, de kwaliteit van de uitkomsten, na gebruik van het rekenmodel, blijven sterk afhankelijk van de gekozen invoergegevens.

Gevoeligheid; de slinger slaat verder uit afhankelijk van de energie die je er vooraan instopt

In Nederland worden veel business cases, mKBA (maatschappelijke kosten batenanalyses) opgesteld voor beleidsrijke vraagstukken en tevens voor de daaraan gerelateerde ICT-projecten, om de zakelijke rechtvaardiging voor een beleidskeuze te onderbouwen. Business-wise zijn dit praktische instrumenten om enige zekerheid te krijgen over de effecten van een keuze. Tegelijk moeten beslissers zich rekenschap geven van de aannamen die in het model zitten: “de algoritmes” en de kwaliteit van de gebruikte invoergegevens. < zie ook het recente inititief van staatssecretaris Knoops tot een transparantie-lab binnen de rijksoverheid >

Omdat beslissers lang niet altijd de betekenis van algoritmes en invoergegevens kunnen doorgronden, is de gevoeligheidsanalyse van groot belang. Deze geeft zicht op de speelruimte in de uitkomsten omdat de onnauwkeurigheden (en vaak ook actualiteit) van gegevens leidt tot grotere gevoeligheid en dus een grotere onnauwkeurigheid in de uitkomsten. In het geval van de subsidiëring van elektrische auto’s (waarvan de verkoop twee maal zo groot bleek dan de verwachting berekend op basis van de gebruikte invoergegevens) moet de vraag gesteld worden wanneer een politieke beleidskeuze via een businesscase of mKBA gevalideerd kan worden. Soms is er sprake van een politieke keuze.

De routekaart voor beleidskeuzes verandert ook door digitalisering

In voorgenoemd geval lijkt het veel meer een public case, waarin de politiek er bewust voor kiest, ten faveure van grotere beweging die ze wil aanmoedigen, gerichte stimulerings-maatregelen te nemen. Het vooraf doorrekenen van meerdere scenario’s welke omvang de kosten en baten kunnen krijgen en waar de kosten en baten gaan vallen, is dan zeker gewenst.

Het voorval met het carbonTaxmodel toont wederom aan dat digitalisering ons overal raakt tot in de haarvaten van politieke besluitvorming en dat transparantie over algoritmes én scenario’s van groot belang is. Het toont ook aan dat bij modeluitkomsten het van groot belang is te vermelden, welke scenario’s zijn doorgerekend en welke gegevens daarbij zijn gebruikt. Sommige overheids-organisaties hebben al een modellenbureau, waarin deskundigen de werking van modellen en gebruik van data en scenario’s kunnen doorgronden. Deze leveren de extra informatie voor beslissers waarmee ze de speelruimte vooraf beter leren kennen.

Politici zouden er goed aan doen vooraf ook vragen over scenario’s en gevoeligheid van uitkomsten te stellen. In het komende onderzoek van de Tweede Kamer over digitalisering zou dit onderwerp niet mogen ontbreken.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *