Økonomisk modellering gir verdifull innsikt i samspillet mellom ulike sektorer over tid. Dynamiske økonometriske kryssløpsanalyser kan styrke beslutningsgrunnlaget for fremtidens økonomi, særlig i møte med usikkerhet.
Økonomiske scenarier er, akkurat som en biltur, preget av usikkerhet. Selv med en nøye planlagt rute kan uventede hendelser som veiarbeid, uforventet regnvær eller et flatt dekk forstyrre reisen og gjøre det vanskelig å nå målet i tide.
På samme måte er økonomiske modeller utsatt for uforutsigbare «sjokk» – som en global pandemi eller en plutselig endring i politikk – som kan undergrave selv de mest nøyaktige prognosene. Men ved å forstå kildene til usikkerhet og bruke passende metoder for å håndtere dem, kan økonomer utvikle modeller som gir verdifull innsikt for beslutningstaking.
Vår nylig publiserte artikkel om bygningsrenovering i Norge (Perez-Valdes et al, 2024) har vist hvordan kan økonomiske modeller spiller en avgjørende rolle i politiske beslutningsprosesser med makroøkonomiske analyser. Samtidig er de ofte utsatt for betydelig usikkerhet, noe som kan påvirke modellens pålitelighet og praktiske anvendelse. Spesielt i dynamiske økonometriske kryssløpsanalyse -modeller, der økonomiske interaksjoner simuleres over flere tidsperioder, kan usikkerhet i data eller forutsetninger forplante seg og føre til store avvik i resultatene. Denne usikkerheten kan stamme fra flere kilder, som endrede politiske rammebetingelser, usikre prognoser eller mangelfulle datagrunnlag. For å håndtere disse utfordringene undersøker denne studien hvordan ulike typer usikkerhet som påvirker økonomiske simuleringer kan håndteres, med et illustrerende case-study på energieffektivisering i bygningsrenovering. Målet er å utvikle metoder som kan redusere usikkerheten og dermed forbedre modellens treffsikkerhet og anvendelighet i beslutningsprosesser.

Ulike typer usikkerhet i økonomisk modellering
I dynamiske økonometriske kryssløpsanalyse-modeller har vi identifisert fire hovedtyper usikkerhet:
En betydelig kilde til usikkerhet er databegrensninger. Økonomiske modeller er avhengige av enorme mengder data for å representere hvordan bransjer produserer varer, hvordan forbrukere bruker penger, og hvordan myndigheter påvirker økonomien. Disse dataene kan imidlertid være ufullstendige, unøyaktige eller utdaterte, noe som kan føre til feil i modellens prediksjoner. En annen kilde til usikkerhet er den iboende uforutsigbarheten i fremtiden. Selv med de beste dataene og de mest sofistikerte modellene, kan ikke økonomer forutse alle hendelser som kan påvirke økonomien. Naturkatastrofer, politiske omveltninger eller teknologiske gjennombrudd kan endre det økonomiske landskapet betydelig og gjøre selv de mest nøyaktige prognosene foreldet. Til slutt kan strukturen i selve den økonomiske modellen introdusere usikkerhet. Valg om hvordan ulike deler av økonomien representeres og samhandler, kan påvirke modellens prediksjoner. Dette gjelder spesielt for komplekse eller dårlig forståtte fenomener.
- Pathway-usikkerhet (for eksempel fremtidige politiske beslutninger)
Denne typen usikkerhet dreier seg om økonomiens store retning. Store trender som globalisering, teknologiske endringer eller demografiske endringer kan påvirke økonomiens langsiktige bane, men deres eksakte kurs er ofte usikker. - Regresjonsusikkerhet (feilmarginer i prognoser)
Dette oppstår når statistiske metoder brukes til å forutsi fremtidige økonomiske variabler, som forbruk eller offentlige investeringer. Disse metodene er nyttige, men de er ikke perfekte, og feilmarginen kan variere avhengig av tilgjengelige data og prognosemetoder. - Koefisientmatrise-usikkerhet (usikkerhet i interaksjoner mellom sektorer)
Denne typen usikkerhet fokuserer på forholdet mellom ulike sektorer i økonomien. Endringer i en bransje, som en nedgang i bilproduksjon, kan påvirke andre bransjer, som stålproduksjon eller transport. Disse forholdene er komplekse og kan endre seg over tid, noe som introduserer usikkerhet. - Usikkerhet om kvalitativ estimering (manglende eller usikre data for nye sektorer)
Dette oppstår når økonomer må gjøre kvalifiserte gjetninger på grunn av mangel på pålitelige data. Dette er spesielt utfordrende for nye eller raskt utviklende næringer, der historiske data er knappe eller vanskelige å karakterisere.
Anvendelse i praksis: Bygningsrenovering i Norge.
Metodene for å håndtere usikkerhet i økonomiske modeller har bred anvendelse, fra byplanlegging og energipolitikk til miljøforvaltning og folkehelse. I vår artikkel om renovering av bygninger i Norge analyserte vi ulike scenarier med varierende grad av statlig intervensjon og benyttet stokastisk modellering for å håndtere usikkerhet knyttet til faktorer som energipriser og byggekostnader. Studien viste at effekten av bygningsrenoveringspolitikk var spesielt følsom for usikkerhet knyttet til fremtidige energipriser. Hvis energiprisene forventes å stige, forsterkes fordelene ved å investere i energieffektive bygninger. Denne informasjonen kan hjelpe beslutningstakere med å utforme politikk som er robust for en rekke mulige fremtidige energiprisscenarier.

Videre kan studiens funn bidra til å forstå avveininger mellom ulike politiske alternativer. For eksempel kan en politikk som krever energieffektive renoveringer i alle nye bygninger være kostbare på kort sikt, men gi betydelige langsiktige fordeler i form av redusert energiforbruk og utslipp. Ved å kvantifisere disse avveiningene kan beslutningstakere ta mer informerte valg som balanserer kortsiktige kostnader med langsiktige fordeler og omfavne usikkerhet for fremtiden.
Vår casestudie om bygningsrenovering i Norge viser hvordan økonomiske modeller kan brukes til å informere politiske beslutninger og veilede investeringer på kritiske områder, selv i møte med usikkerhet. Ved å omfavne usikkerhet og utvikle verktøy for å håndtere den, kan vi ta mer informerte beslutninger og skape en mer bærekraftig og velstående fremtid.
This content is based on Perez-Valdes, G. A., Wiebe, K. S., & Werner, A. T. (2024). Uncertainty in dynamic econometric input-output models: a Norwegian case study. Economic Systems Research, 1–21. https://doi.org/10.1080/09535314.2024.2413552. Research for the original article was financed through SINTEF Industry – Department of Sustainable Energy Technology’s easi-System project (102023679).
Kommentarer
Ingen kommentarer enda. Vær den første til å kommentere!