Matematiske modeller kan forutsi mye, men ikke alt
En energimodell beregner at Norge kan dekke et framtidig strømbehov med en bestemt kombinasjon av vannkraft, vindkraft, batterier og nye kraftledninger. Resultatet ser lovende ut. Kostnadene er beregnet, produksjonen dekker forbruket, og modellen finner en løsning som oppfyller alle kravene den har fått.
Så kommer en innvending: Hva skjer dersom en lang kuldeperiode sammenfaller med nesten vindstille vær? Er det nok kapasitet i strømnettet akkurat der forbruket er størst? Og har beregningen tatt hensyn til at en industriutbygging kan bli forsinket?
Modellen kan ha regnet helt riktig og likevel gitt et utilstrekkelig svar. Problemet ligger ikke nødvendigvis i matematikken, men i beskrivelsen av virkeligheten som beregningene bygger på.
Matematiske modeller brukes til langt mer enn energiplanlegging. De hjelper meteorologer med å varsle været, ingeniører med å dimensjonere konstruksjoner, økonomer med å undersøke mulige utviklingsbaner og leger med å vurdere risiko. Felles for dem er at kompliserte forhold oversettes til størrelser og sammenhenger som kan beregnes.
Det gir kunnskap vi vanskelig kunne fått på andre måter. Samtidig oppstår et problem hver gang en modell brukes til å si noe om framtiden: Ingen beregning kan inneholde alle forhold som kan bli avgjørende for resultatet.
En matematisk modell er et bevisst ufullstendig bilde
En matematisk modell beskriver utvalgte egenskaper ved et system gjennom ligninger, regler eller statistiske sammenhenger. Målet er å undersøke hvordan systemet oppfører seg, og hva som kan skje dersom bestemte forhold endres.
Et enkelt eksempel er beregningen av hvor langt en bil kjører. Hvis bilen holder konstant hastighet, kan avstanden beregnes ved å multiplisere hastigheten med tiden.
Ved 80 kilometer i timen vil bilen tilbakelegge 160 kilometer på to timer.
Beregningen er riktig under forutsetningen om konstant hastighet. Men modellen sier ingenting om kø, fartsgrenser, veiarbeid eller pauser. Den kan være nyttig for en grov vurdering og samtidig uegnet til å beregne nøyaktig ankomsttid i tett trafikk.
Mer avansert matematisk modellering bygger på samme prinsipp. Man velger hvilke forhold som skal beskrives, og hvilke som kan utelates uten at formålet går tapt.
Det finnes dermed ingen universelt riktig detaljeringsgrad. En modell av et lands energiforbruk trenger ikke å beskrive hver enkelt stikkontakt. Men dersom formålet er å undersøke belastningen i en bestemt transformatorstasjon, kan lokale forbruksmønstre være helt avgjørende.
En god modell er heller ikke nødvendigvis den mest kompliserte. Flere variabler, mer detaljerte ligninger og større datamengder kan gjøre den vanskeligere å kontrollere uten å forbedre resultatet tilsvarende.
Spørsmålet er om modellen beskriver de forholdene som faktisk har betydning for beslutningen.
Prognose, scenario og simulering betyr forskjellige ting
Begrepene brukes ofte om hverandre, men det er nyttig å skille mellom dem. En prognose forsøker å anslå en framtidig utvikling. Et scenario undersøker hva som kan skje under bestemte forutsetninger. En simulering er en metode for å beregne hvordan et modellert system utvikler seg.
| Tilnærming | Hva undersøkes? | Eksempel | Viktig begrensning |
|---|---|---|---|
| Prognose | En forventet eller sannsynlig framtidig utvikling | Strømforbruket neste uke | Kan avvike når forutsetningene endres |
| Scenarioanalyse | Mulige utviklinger under ulike betingelser | Energibehovet dersom industrien elektrifiseres raskt | Resultatet avhenger av scenarioets antakelser |
| Simulering | Hvordan et system oppfører seg i en beregningsmodell | Vannstanden ved et bestemt flomforløp | Forenklinger og modellfeil kan påvirke resultatet |
| Sensitivitetsanalyse | Hvor mye resultatet endres når forutsetninger varieres | Hvordan lønnsomheten påvirkes av høyere strømpris | Avdekker ikke nødvendigvis forhold som mangler i modellen |
En og samme matematisk modell kan brukes til alle disse formålene. Forskjellen ligger i spørsmålene som stilles, og hvordan resultatene tolkes.
Hvis en energimodell viser at Norge kan få et kraftoverskudd i 2040 under bestemte forutsetninger, er ikke dette et løfte om at overskuddet faktisk kommer. Modellen viser hva som følger av antakelsene om produksjon, forbruk, teknologi og andre relevante forhold.
Et scenario kan være godt gjennomført selv om framtiden blir helt annerledes. Formålet kan nettopp være å undersøke konsekvensene av et bestemt mulig hendelsesforløp.
En prognose må i større grad vurderes etter hvor godt den treffer utviklingen den forsøker å forutsi.
To forskjellige grunner til at beregningene bommer
Når en modell gir feil resultat, er den første reaksjonen ofte å spørre om datagrunnlaget var dårlig. Det er et relevant spørsmål, men ikke tilstrekkelig.
Usikkerhet kan oppstå både fordi inngangsverdiene er usikre, og fordi modellen er bygget opp på en måte som utelater viktige sammenhenger.
Forskjellen blir tydelig med et eksempel fra kraftsystemet.
Anta at en modell skal beregne hvor mye elektrisitet et område trenger i 2040. Ingen vet nøyaktig hvor mange elbiler som vil finnes, hvilke fabrikker som blir bygget, eller hvor energieffektive bygningene vil være. Slike forhold skaper usikkerhet i inngangsdataene.
Forskerne kan prøve flere antakelser om industrivekst, elektrifisering og energieffektivisering. Resultatene viser hvordan kraftbehovet endres når forutsetningene varierer.
Men tenk at modellen behandler et stort geografisk område som om alle deler av området hadde fri tilgang til den samme elektrisiteten.
Da kan den overse at strømnettet har begrenset kapasitet mellom produksjonsstedene og de største forbrukerne.
Selv med perfekte prognoser for samlet energibruk ville modellen fortsatt kunne gi et misvisende bilde av hvor lett behovet kan dekkes.
Her ligger usikkerheten i modellens struktur. Den har forenklet bort et forhold som er viktig for resultatet.
Dette skillet er sentralt i forskning på matematiske modeller: Usikre tall kan ofte undersøkes gjennom alternative beregninger. Manglende mekanismer kan kreve at selve modellen endres.
En norsk undersøkelse viste hvor energimodellene har blindsoner
Høsten 2026 publiserte forskere tilknyttet FME InterPlay en undersøkelse av svakheter ved modeller som brukes til å analysere framtidens energisystem.
Forskerne innhentet vurderinger fra 21 norske modellmiljøer innen forskning, offentlig forvaltning og næringsliv. Deltakerne ble bedt om å identifisere begrensninger i modellene de selv arbeider med.
Undersøkelsen viste at modellmiljøene var oppmerksomme på flere vesentlige svakheter. Mange mente blant annet at modellene kunne overvurdere lønnsomheten i fornybar kraftproduksjon, mens begrensninger i strømnettet og behovet for fleksibilitet ofte ble undervurdert.
En viktig forklaring ligger i hvordan store energisystemmodeller forenkler tid og geografi.
Når en modell skal undersøke energisystemet flere tiår framover, blir det svært ressurskrevende å beregne hver time, hver kraftledning og alle mulige variasjoner i forbruket.
En praktisk løsning kan være å beskrive året gjennom et utvalg representative døgn.
Dette reduserer beregningsarbeidet, men innebærer også en risiko. En lang, kald og vindstille periode kan forsvinne fra analysen hvis den ikke inngår i utvalget. Modellen kan dermed undervurdere behovet for reservekapasitet, energilagring eller andre løsninger som er nødvendige under sjeldne, krevende forhold.
Forskerne beskrev også utfordringer ved å koble sammen forskjellige modeller. Dersom en langsiktig investeringsmodell og en detaljert kraftmarkedsmodell bygger på ulike forutsetninger, kan resultatene bli vanskelige å sammenligne.
Undersøkelsen ble presentert i SINTEFs fagartikkel Kartene vi bruker til å planlegge energifremtiden vår, har blindsoner, publisert 22. september 2026.
Funnene bygger på fagmiljøenes egne vurderinger. De dokumenterer derfor ikke at alle norske energimodeller har de samme feilene. Men de viser hvor vanskelig det kan være å få en omfattende beregning til å beskrive alle forhold som er relevante for en virkelig beslutning.
Hvorfor ikke bare gjøre modellen mer detaljert?
Det kan virke opplagt å løse problemet ved å legge inn mer informasjon.
Man kunne beskrive flere kraftledninger, flere industribedrifter, flere mulige værforløp og en finere tidsoppløsning. Men hvert ekstra detaljnivå kan øke behovet for regnekraft og databehandling.
I store optimaliseringsmodeller kan beregningstiden øke så mye at analysen blir upraktisk eller ikke lar seg gjennomføre med tilgjengelige ressurser.
Derfor brukes gjerne flere modeller med forskjellige formål.
En overordnet modell kan undersøke investeringsmuligheter fram mot 2050. En mer detaljert modell kan etterpå teste om en foreslått løsning fungerer under bestemte driftsforhold. Hvis analysen avdekker problemer, kan investeringsalternativene vurderes på nytt.
Utfordringen blir da å sørge for at modellene beskriver den samme virkeligheten. Forskjellige antakelser om priser, forbruk og teknologi kan ellers føre til motstridende resultater.
Mer detaljer gir altså ikke automatisk bedre beslutningsgrunnlag. Det kreves også god samordning mellom modellene.
Værvarsling viser hvorfor ett tall sjelden er nok
Meteorologer har lenge arbeidet med et grunnleggende problem: Været følger fysiske lover, men er likevel vanskelig å forutsi nøyaktig langt fram i tid.
Atmosfæren er et dynamisk system der små forskjeller i utgangspunktet kan vokse og gi store forskjeller senere.
Selv med gode målinger er det umulig å kjenne den nøyaktige tilstanden til hele atmosfæren. Temperatur, lufttrykk, fuktighet og vind må estimeres fra observasjoner som verken dekker alle steder eller er fullstendig feilfrie.
Værmodeller bruker fysikk og numeriske beregninger til å simulere hvordan atmosfæren utvikler seg. Resultatene påvirkes både av starttilstanden og av hvordan prosessene er beskrevet.
For å undersøke usikkerheten kan meteorologene kjøre mange alternative beregninger, der startbetingelsene og eventuelt andre modellaspekter varierer.
Resultatet blir et ensemble av mulige utviklinger fremfor ett enkelt værforløp.
Meteorologisk institutt forklarer at sesongvarslene deres bygger på 51 alternative værscenarioer fra det europeiske værvarslingssenteret ECMWF. Scenariene sammenlignes med det som er normalt for årstiden, slik at meteorologene kan anslå sannsynligheten for en varmere, kaldere, våtere eller tørrere periode.
Metoden er beskrevet i instituttets gjennomgang av hvordan et sesongvarsel blir laget.
Et sesongvarsel er ikke en detaljert oversikt over været på bestemte datoer tre måneder fram i tid. Det beskriver sannsynlige avvik fra normale forhold over en lengre periode.
Det er et godt eksempel på hvordan modellens formål avgjør hva som kan regnes som et nyttig svar.
Sannsynlighet er ikke det samme som sikkerhet
Anta at en modell beregner 70 prosent sannsynlighet for mer nedbør enn normalt i en kommende periode.
Det betyr ikke at det vil regne 70 prosent av tiden. Det betyr heller ikke at meteorologene har garantert en våt sesong.
Prosenten uttrykker en vurdering av hvor sannsynlig et bestemt utfall er, gitt modellen og informasjonsgrunnlaget.
For å vurdere kvaliteten må man undersøke hvordan slike prognoser fungerer over mange tilfeller. Hvis hendelser som har fått 70 prosent sannsynlighet, inntreffer omtrent sju av ti ganger, er prognosene godt kalibrert på dette nivået.
En enkelt prognose kan slå feil uten at metoden dermed er dårlig.
En modell som konsekvent oppgir 90 prosent sannsynlighet for hendelser som bare inntreffer halvparten av gangene, har derimot et tydelig problem med kalibreringen.
Vurderingen av prognoser krever derfor mer enn å telle hvor ofte ett bestemt utfall ble riktig.
Hva slags usikkerhet kan faktisk beregnes?
Usikkerhet er ikke én enkelt størrelse. Ulike problemer krever forskjellige måter å beskrive og undersøke den på.
En nyttig inndeling er å skille mellom følgende forhold:
- Usikre målinger: Sensorer og observasjoner gir ikke et fullstendig eller helt nøyaktig bilde av systemet.
- Usikre parametere: Verdier som beskriver materialegenskaper, kostnader eller andre forhold, kan være dårlig kjent.
- Naturlig variasjon: Noen prosesser har en tilfeldig eller vanskelig forutsigbar komponent som må beskrives gjennom sannsynlighet.
- Modellusikkerhet: Ligninger og forenklinger kan mangle viktige mekanismer eller beskrive dem utilstrekkelig.
Forskjellen er viktig fordi metodene for å undersøke usikkerheten varierer.
Hvis temperaturen i en konstruksjon er usikkert målt, kan bedre sensorer eller flere observasjoner hjelpe. Hvis en modell mangler en fysisk mekanisme, er det ikke sikkert flere temperaturmålinger løser problemet.
I forskning brukes begrepet usikkerhetskvantifisering om metoder som undersøker hvordan usikkerhet i inngangsdata og modellforutsetninger påvirker resultatene.
SINTEF arbeider blant annet med ensembleberegninger, Monte Carlo-metoder og dataassimilasjon. Metodene brukes til å beskrive mulige utviklinger og oppdatere beregninger når nye observasjoner blir tilgjengelige.
Arbeidet er nærmere omtalt på SINTEFs side om usikkerhetskvantifisering og dataassimilasjon.
Monte Carlo: mange beregninger i stedet for ett svar
En Monte Carlo-simulering undersøker hvordan resultatet varierer når usikre inngangsverdier trekkes fra bestemte sannsynlighetsfordelinger.
Metoden er nyttig når en beregning avhenger av mange forhold som ikke kan fastsettes nøyaktig.
Se for deg et planlagt batterianlegg. Lønnsomheten avhenger av investeringskostnader, strømpriser, energitap, bruksmønster og batteriets levetid.
Det er mulig å gjøre én beregning med forventede verdier for alle faktorene. Men et slikt resultat forteller lite om hvor stor risikoen er for at prosjektet blir ulønnsomt.
En alternativ tilnærming er å la inngangsverdiene variere gjennom tusenvis av simuleringer. Da kan man undersøke hvor ofte prosjektet blir lønnsomt innenfor de antakelsene som er lagt til grunn.
Et forenklet, illustrativt resultat kan se slik ut:
| Scenario | Beregnet nettoverdi | Tolkning |
|---|---|---|
| Lav strømpris og høy investeringskostnad | −15 mill. kr | Prosjektet er ulønnsomt under disse forutsetningene |
| Forventede forutsetninger | 8 mill. kr | Prosjektet gir positiv beregnet verdi |
| Høyere prisforskjeller og lavere kostnader | 26 mill. kr | Prosjektet blir vesentlig mer lønnsomt |
Tallene er kun et regneeksempel, ikke en prognose for et virkelig batteriprosjekt.
Monte Carlo-metoden kan gi et rikere bilde enn en enkelt beregning. Men resultatene er fortsatt avhengige av hvilke sannsynlighetsfordelinger som er valgt.
Hvis modellen forutsetter at strømpris og batteribruk varierer uavhengig av hverandre, selv om de i virkeligheten henger sammen, kan beregningen bli misvisende.
Metoden skaper heller ikke kunnskap om hendelser som modellen aldri har tatt med.
En svært stor samling simuleringer kan derfor gi et imponerende presist tall for usikkerheten innenfor modellen, mens den reelle usikkerheten fortsatt er betydelig større.
Maskinlæring kan finne mønstre som ikke varer
Matematiske modeller trenger ikke å være basert på eksplisitte fysiske lover. Mange prediksjonsmodeller bygger på statistiske sammenhenger i historiske data.
Maskinlæring brukes blant annet til å analysere bilder, vurdere risiko, klassifisere hendelser og beregne sannsynlige framtidige verdier.
En modell kan for eksempel trenes på informasjon om tidligere strømforbruk, temperatur og tidspunkt. Etter treningen kan den brukes til å anslå forbruket neste dag.
Hvis sammenhengene i datagrunnlaget er stabile, kan slike metoder gi gode resultater.
Men maskinlæring har en særskilt utfordring: En modell kan bli svært flink til å beskrive dataene den allerede har sett, uten å fungere godt på nye data.
Dette kalles overtilpasning.
En overtilpasset modell kan ha lært tilfeldige detaljer og særegenheter ved treningsmaterialet fremfor de generelle sammenhengene som er relevante utenfor datasettet.
Problemet er særlig alvorlig når modellen brukes til beslutninger med store konsekvenser.
I en artikkel i Tidsskrift for Den norske legeforening om maskinlæring i medisinsk forskning understrekes betydningen av å validere modellene på data som ikke inngikk i treningen.
En modell som viser imponerende resultater på sitt eget treningsmateriale, har ikke dermed dokumentert at den vil fungere i klinisk praksis.
Historiske data kan miste sin forklaringskraft
En annen utfordring oppstår når verden endrer seg.
En modell som beregner strømforbruket i et boligområde, kan fungere godt så lenge forbruksmønstrene ligner dem den ble trent på.
Men hvis området får mange nye elbiler, elektriske oppvarmingsløsninger eller større endringer i befolkningen, kan de historiske sammenhengene bli mindre relevante.
Også økonomiske modeller kan møte slike brudd. Endringer i rente, teknologi, regelverk eller forbrukeratferd kan gjøre tidligere mønstre mindre pålitelige.
Derfor bør prediksjonsmodeller følges opp etter at de tas i bruk.
Det er nødvendig å undersøke om resultatene fortsatt er gode, om datagrunnlaget har endret seg, og om modellen bør oppdateres eller erstattes.
En modell som en gang var godt validert, er ikke nødvendigvis pålitelig for alltid.
Et presist tall kan være den mest misvisende delen av rapporten
Datamodeller presenterer ofte resultater med mange desimaler. Det kan gi inntrykk av høy nøyaktighet, selv når grunnlaget for beregningen er usikkert.
Hvis en modell anslår en framtidig investeringskostnad til 12 483 726 kroner, ser tallet presist ut.
Men dersom kostnaden avhenger av usikre materialpriser, renteutvikling og byggetid, kan det være mer informativt å vise et intervall eller flere mulige utfall.
Det samme gjelder prognoser for energi, transport, helse og økonomi.
Hvor mange desimaler en datamaskin kan produsere, sier ingenting om hvor sikkert resultatet er.
For at modellresultater skal være nyttige, bør de derfor ledsages av informasjon om usikkerhet og sentrale forutsetninger.
Dette kan innebære sannsynlighetsintervaller, sammenligning av scenarier eller vurderinger av hvilke faktorer resultatet er mest følsomt for.
Et viktig skille går mellom usikkerhet som faktisk er beregnet, og usikkerhet som ikke er tatt med.
Hvis en modell bare varierer strømprisene, men holder alle framtidige teknologikostnader faste, beskriver usikkerhetsintervallet ikke alle faktorene som kan påvirke lønnsomheten.
En slik beregning kan fortsatt være nyttig, men begrensningen må være tydelig for den som skal bruke resultatet.
Når blir et gjennomsnitt farlig?
Gjennomsnitt er praktiske størrelser fordi de samler mye informasjon i ett tall. Men enkelte systemer er mer følsomme for ytterpunktene enn for det som skjer på en vanlig dag.
En kraftledning kan ha god kapasitet gjennom det meste av året og likevel bli overbelastet noen få timer.
En dam kan fungere trygt ved normale vannstander, mens dimensjoneringen må ta hensyn til langt mer krevende flomsituasjoner.
Et datasystem kan håndtere gjennomsnittlig trafikk uten problemer, men bryte sammen under en kortvarig belastningstopp.
Hvis en modell først og fremst er tilpasset gjennomsnittsforhold, kan disse hendelsene få for liten betydning.
Det er derfor nødvendig å undersøke hvilke deler av fordelingen som er relevante for beslutningen.
En planlegger kan ha behov for å vite hvor ofte kapasiteten blir overskredet, hvor alvorlige konsekvensene kan bli, og hvilke sikkerhetsmarginer som finnes.
En modell som beregner forventet gjennomsnittlig belastning svært godt, kan være mindre egnet til å anslå risikoen for sjeldne, ekstreme hendelser.
Her er det viktig å vurdere både sannsynligheten og konsekvensen av uønskede utfall.
Hvordan undersøker man om en modell fortjener tillit?
En matematisk modell kan ikke vurderes utelukkende etter hvor avansert den er, hvem som har utviklet den, eller hvor mange data den bruker.
Det avgjørende er hvordan den fungerer for formålet den skal brukes til.
Følgende undersøkelser gir et nyttig grunnlag:
- Kontroller forutsetningene. Hvilke data, regler og sammenhenger bygger beregningen på, og hvilke forhold er utelatt?
- Test modellen mot uavhengige observasjoner. Kan den beskrive hendelser og data som ikke ble brukt til å utvikle eller tilpasse den?
- Undersøk følsomheten. Hvor mye endres resultatet dersom viktige inngangsverdier eller antakelser varieres?
- Sammenlign med alternative modeller. Gir forskjellige metoder omtrent samme resultat, eller finnes det betydelige avvik som må forklares?
- Vurder konsekvensene av feil. Hvor stor betydning får et misvisende resultat for beslutningen som skal tas?
En modell kan også testes ved å bruke historiske data som om framtiden ennå ikke var kjent. Man lar modellen beregne hva som skulle skje, og sammenligner deretter resultatet med det som faktisk skjedde.
Denne typen etterprøving kan avdekke systematiske feil, men den har en begrensning: Framtiden trenger ikke å ligne fortiden.
Derfor bør historiske tester suppleres med scenarioanalyser og vurderinger av hvordan modellen kan oppføre seg under forhold som skiller seg fra tidligere erfaringer.
Fysikk, statistikk og menneskelige valg
Noen matematiske modeller beskriver fysiske prosesser der sammenhengene er godt kjent. Andre forsøker å beskrive menneskelig atferd.
Forskjellen har betydning for hvor forutsigbare resultatene kan bli.
En modell av en mekanisk konstruksjon kan bygge på etablerte lover for krefter, deformasjoner og materialegenskaper. Selv om beregningene inneholder usikkerhet, finnes det en fysisk struktur som begrenser hvilke resultater som er mulige.
En økonomisk modell må i tillegg beskrive hvordan mennesker og virksomheter kan reagere på priser, informasjon og politiske beslutninger.
Slike reaksjoner kan endre seg når omgivelsene endres.
Hvis en ny strømprisordning innføres, kan forbrukerne tilpasse seg på måter som tidligere data ikke fanger opp. En prognose basert på gamle forbruksmønstre kan dermed bli mindre relevant nettopp fordi regelverket endrer atferden modellen skal beskrive.
Her oppstår også et mer grunnleggende problem: Offentliggjorte prognoser kan påvirke det de forsøker å forutsi.
En prognose for økt etterspørsel kan bidra til at bedrifter investerer i ny kapasitet. Dermed endres markedet, og den opprinnelige prognosen trenger ikke lenger å treffe.
Modeller av menneskelig atferd krever derfor særlig oppmerksomhet rundt endringer i incentiver, forventninger og institusjonelle forhold.
Det finnes hendelser som ikke lar seg forutsi nøyaktig
En stor del av matematisk modellering handler om å finne orden i kompliserte systemer. Mange prosesser følger mønstre, selv når utviklingen virker uoversiktlig.
Men ikke alle utfall kan bestemmes på forhånd.
I kaotiske dynamiske systemer kan små forskjeller i startbetingelsene føre til store forskjeller etter hvert. Værvarsling er et kjent eksempel.
Andre systemer inneholder tilfeldige hendelser som best kan beskrives gjennom sannsynlighetsfordelinger.
Det er også forskjell på en prosess som er vanskelig å forutsi fordi vi mangler informasjon, og en prosess som i modellen beskrives som grunnleggende stokastisk.
En vanlig terning illustrerer hvordan disse perspektivene kan møtes. I prinsippet påvirkes kastet av fysiske forhold som hastighet, rotasjon, kontakt med underlaget og luftmotstand.
I praksis har vi sjelden tilstrekkelig informasjon til å beregne nøyaktig hvilken side som havner opp. Derfor brukes sannsynlighet til å beskrive mulige resultater.
Digitale systemer kan på sin side bruke tallgeneratorer til å skape tilfeldighetsbaserte utfall. I slike tilfeller er det viktig å skille mellom sannsynligheten for ulike hendelser og muligheten til å forutsi én bestemt hendelse.
En korrekt modell kan for eksempel beskrive sannsynligheten for gevinst i et tilfeldig spill uten å kunne si hva resultatet av neste uavhengige spillrunde blir.
Matematisk kunnskap om en prosess gir dermed ikke alltid mulighet til å forutsi hvert enkelt utfall.
Modeller bør hjelpe oss med å velge, ikke velge for oss
Selv en svært god prediksjon gir ikke nødvendigvis svaret på hvilken beslutning som bør tas.
En energimodell kan beregne hvilken utbygging som gir lavest samlet kostnad under bestemte forutsetninger. Men en politisk beslutning kan også måtte ta hensyn til naturinngrep, lokal aksept, forsyningssikkerhet og fordelingsvirkninger.
Disse hensynene lar seg ikke alltid redusere til én pengeverdi.
En modell kan likevel være nyttig ved å synliggjøre konsekvensene av forskjellige valg. Den kan vise hva et alternativ koster, hvor mye energi det kan levere, og hvilke risikoer som følger med.
På samme måte kan en medisinsk risikomodell bidra med informasjon om mulige sykdomsforløp uten å erstatte en faglig vurdering av pasientens situasjon.
Det er derfor viktig å skille mellom beregningen og beslutningen.
Modellen svarer på spørsmål innenfor rammene den har fått. Menneskene som bruker den, må vurdere om spørsmålene var riktige, om forutsetningene er relevante, og hvilke andre hensyn som bør inngå.
Den mest verdifulle modellen kjenner sine egne begrensninger
Matematiske modeller gjør det mulig å undersøke forhold som er for store, kompliserte eller risikable til at de kan testes direkte i virkeligheten.
De kan vise hvordan forskjellige faktorer påvirker hverandre, beregne mulige utfall og gjøre konsekvensene av usikkerhet mer forståelige.
Men resultatene må alltid tolkes i lys av hvordan modellen er bygget opp.
En prognose kan være godt kalibrert og likevel slå feil i et enkelt tilfelle. En simulering kan være matematisk korrekt, men mangle en viktig fysisk mekanisme. En maskinlæringsmodell kan prestere imponerende på historiske data og svikte når forholdene endres.
Derfor er det ofte mer verdifullt å vite hvor modellen er usikker, enn å få presentert ett tilsynelatende presist svar.
Framtiden blir ikke forutsigbar bare fordi vi har større datamengder og raskere datamaskiner. Det som blir bedre, er muligheten til å undersøke flere alternativer, forstå sammenhenger og oppdage hvilke forutsetninger som betyr mest.
En modell trenger ikke å fortelle oss nøyaktig hva som vil skje for å være nyttig. Noen ganger er dens viktigste bidrag å vise hva vi ennå ikke vet.
