Waarom het maken van goede plannen voor de energietransitie zo lastig is
Agent-based modelleren en system dynamics voor inzicht in de complexiteit van de energietransitie

De energietransitie is de overgang van de situatie waarin de energievoorziening structureel anders van aard en vorm gaat zijn dan in het huidige energiesysteem . In dit nieuwe systeem is fossiele brandstof grotendeels vervangen door duurzame energiebronnen en is de energievoorziening meer decentraal georganiseerd. Dit is een multidimensionaal probleem, waar veel verschillende mensen en organisaties aan werken, elk met een eigen perspectief, en waar verschillende innovaties voor nodig zijn. Om te komen tot een goede invulling van beleid moeten uiteenlopende zaken worden meegewogen, waaronder:

• beschikbare technologie en de kosten daarvan
• de wens tot reductie van CO₂-uitstoot die verschilt per situatie en per persoon
• systemische aspecten zoals stikstof, energie-armoede, draagvlak en geopolitiek
• internationale trends
• lokale gedragskeuzes van individuele burgers

(zie ook het whitepaper ‘De energietransitie moet sneller’) Whitepaper: de Energietransitie moet sneller

Deze zaken hebben bovendien invloed op elkaar op manieren die soms lastig te voorspellen zijn en daarnaast zwaar mee kunnen wegen in de ontwikkeling van de energietransitie. Hoe goed je lange-termijnplannen kunt maken wordt daardoor sterk beperkt.

De complexiteit van modelleren

Om tot goede besluiten te komen over de energietransitie, wordt gebruik gemaakt van allerlei modellen. Daarmee worden projecties gemaakt over de toekomstige ontwikkelingen van een deel van de relevante aspecten in de energietransitie. Beleidsplannen gebaseerd op uitkomsten van een model dat één of meerdere van deze cruciale factoren weglaat, zijn daarom óók gebaseerd op slechts een gedeeltelijke inschatting van de toekomst situatie. Wie immers cruciale factoren weglaat, zal het effect daarvan niet laten meewegen in de gemaakte projecties.

Tegelijkertijd is het meewegen van ál deze factoren niet mogelijk gebleken. Het is daarom niet verrassend dat prognoses van de prominente energietransitiemodellen voortdurend schattingen van de adoptie en kostenontwikkeling van technologieën geven die niet blijken uit te komen (zie bijvoorbeeld 1, 2, 3, 4, 5 en 6 waar dit verder wordt toegelicht). Zij zouden niet slagen voor een empirische toets die op basis van historische gegevens het model vergelijkt met de werkelijkheid. Een voorbeeld van de mis-schattingen is geïllustreerd in Figuur 1, waar de adoptieprognose van het internationaal energie-agentschap (IEA) voor zon-PV in elk jaar vergeleken is met de daadwerkelijke realisatie ervan (Hoekstra et al., 2017). De daadwerkelijke adoptie bleek telkens weer sneller. Pessimistische verwachtingen over de groei van zonnepanelen kunnen er bijvoorbeeld voor kunnen zorgen dat bedrijven en beleidsmakers beleid en productie erop afstemmen. Dan kan de energietransitie vertraging oplopen.

Wie objectief en wetenschappelijk te werk wil gaan met het maken van langetermijnplannen voor de energietransitie, wacht dan ook een lastige klus. In een recente studie zijn 6000 peer-reviewed schattingen voor de optimale belasting op CO₂ op een rij gezet – die bleken te variëren tussen de 0 en 1000 euro per ton koolstof (Nature Climate Change, 2021). Voor een wetenschappelijke onderbouwing kan men dus terecht bij een breed scala aan resultaten. De oorzaak hiervan ligt er onder meer in dat sommige parameters (met name de zogeheten discontovoet, een maatstaf voor het afwegen van toekomstige en huidige schade van klimaat) een grote invloed hebben op resultaten, maar over de grootte ervan veel onenigheid bestaat onder wetenschappers. Het type grote geïntegreerde modellen voor klimaatbeleid, dat veel aspecten van economie en klimaat- of energie meeweegt in de beleidsbeslissing, wordt daarom bestempeld als ‘grof misleidend’ (Nature, 2016) en zelfs als ‘bijna nutteloos’ (Journal of Economic Literature (PDF), 2013). Dat zou grote gevolgen kunnen hebben voor de manier van plannen en beleidsafwegingen maken in de energietransitie.

Top-down plannen en precieze lange-termijndoelen

Ondanks alle onzekerheden zet het Nederlandse klimaatbeleid in op precieze doelen op precieze momenten ver in de toekomst. Het Klimaatakkoord, gepresenteerd in juni 2019, stelt een reductie van de broeikasgasuitstoot met 49% in 2030 ten doel en stelt een verhoging van de Europese doelstelling naar 55% reductie voor. Het coalitieakkoord gaat verder en stelt tot doel klimaatneutraal te zijn in 2050 (van Breda et al., 2022).

Het behalen van deze doelen wordt gedaan met een top-down benadering. Beleidsbeslissingen voor energie en klimaat volgen de zogeheten lineaire benadering, zoals Tinbergen die in 1956 voorstelde voor kwantitatief economisch beleid (The Economic Journal, 1959). In gestileerde vorm bestaat deze aanpak uit vijf opeenvolgende stappen:

1. Formuleer wat het probleem is en wat de te bereiken doelen zijn
2. Verzamel gegevens
3. Schat een empirisch model, inclusief de effecten van in te zetten instrumenten om de doelen te bereiken
4. Los het model op en bepaal welke inzet van instrumenten nodig is om de gestelde doelen te bereiken
5. Voer het geformuleerde beleid uit

Lokale kennis en complexiteit

De uitkomsten van beleid zijn lastiger vast te stellen (en te modelleren) indien het alleen ánderen in staat stelt om zelf iets te doen. Het is vaak ondoenlijk om alle lokale afwegingen en belangen mee te wegen in een model wat nationale beleidsafwegingen maakt. Toch is dergelijke lokale kennis de basis voor de steeds sterker decentraal georganiseerde energietransitie. Top-down precieze lange-termijnplannen en klimaatdoelen waarvan vooraf gekwantificeerd wordt aangegeven hoe ze bereikt moeten worden, staan daarmee op gespannen voet, omdat deze niet goed de lokale afwegingen mee kunnen wegen. Denk aan persoonlijke afwegingen: neem ik de fiets of de auto, laat ik mijn huis isoleren? Maar ook regionale beslissingen, zoals de kavelgrootte van een warmtenet en welke bronnen sluiten we daarop aan. Of bedrijfsafwegingen rond thuiswerken en het leggen van zonnepanelen op bedrijfsdaken. De oplossingen die door lokale mensen worden ontwikkeld kunnen wellicht creatiever en beter zijn. De beste invulling hangt af van de lokale situatie en persoonlijke voorkeuren, deze kan het best met lokale kennis worden gevoed. Om deze verspreide kennis te benutten, maar toch een duw in de duurzame richting te geven, bepleiten economen al sinds jaar en dag tevergeefs een veel hogere beprijzing van CO₂ om lokale bijdragen via het marktmechanisme te versterken en te bestendigen (Chicago Booth, 2012).

Methoden voor analyse van complexe problemen

Bij een effectief beleidsproces voor een complex probleem hoort een cyclische aanpak om snel te kunnen leren van potentiële verrassingen. Zo een beleidsproces is geworteld in een beleidscultuur waarin leren en alert reageren centraal staan. Wellicht moeten een aanpassing in de mechanismen – zoals governance, de vorm van besluitvorming en de manier van modelleren – een grotere rol gaan spelen. Voorbeelden hiervan worden gegeven in (van Breda et al., 2022).

Met betrekking tot ‘de manier van modelleren’ bestaan er alternatieve methoden om dergelijke complexe problemen te analyseren. We beschrijven hier kort twee van dergelijke aanpakken: agent-based modelleren (ABM) en system dynamics. Deze methoden vormen een alternatief voor de veel gebruikte lineaire benadering en hebben als doel overheden te helpen om effectieve beleidsingrepen te formuleren. Ze bieden mogelijkheden om ook de factoren – die aan het begin van dit artikel zijn aangegeven – mee te nemen in de analyse.   

Oplossingsrichting 1: System dynamics

System dynamics presenteert de interactie tussen relevante variabelen van het systeem. Het is in eerste instantie een visuele weergave van oorzaak-gevolg relaties, vaak met pijlen, die laat zien hoe verschillende variabelen elkaar beïnvloeden. Dat begint niet kwantitatief, maar louter kwalitatief. Die zien er vaak uit als in onderstaande plaat. Het is een aanpak die in de jaren 50 ontstaan is onder leiding van Jay Forrester (The Economic Journal, 1959), en onder meer is toegepast voor de analyse van de Club van Rome.

Werken met kwalitatieve oorzaak-gevolg relaties heeft meerdere voordelen. Ten eerste is het makkelijker om veel verschillende zaken mee te wegen. Zonder de last van kwantificering, is het eenvoudiger om de grote verscheidenheid aan onderwerpen die hierboven genoemd zijn mee te nemen in de modellering van de energietransitie. Daarnaast is een dergelijke visuele representatie krachtig, omdat het relatief eenvoudig uitlegbaar is aan andere modelleurs of niet-modelleur experts. Die uitlegbaarheid kan essentieel zijn bij een vraagstuk waar zo veel verschillende expertises bij elkaar komen. Zo wordt het mogelijk om je eigen blinde vlek te ontdekken, en worden beslissingen minder snel verschoven richting verborgen aannames in de modellering.

Door niet-kwantitatieve modellen te bouwen die dergelijke uiteenlopende causale verbanden en zelf-versterkende effecten kunnen tonen, wordt het makkelijker om aangrijpingspunten te identificeren waar beleid op een effectieve manier kan bijdragen. Dergelijke platen met oorzakelijke verbanden kunnen uiteindelijk ook aangevuld worden met een kwantitatieve simulatie.

System Dynamics komt het best tot zijn recht in analyses waar men geïnteresseerd is in generieke gedragspatronen of uitkomst richtingen, en niet in precieze getallen (Coyle, 2000). De kracht van deze methode is dat juist ook (kwalitatieve) variabelen meegenomen kunnen worden die niet goed gekwantificeerd kunnen worden of waar weinig data voor beschikbaar is. Echter, wanneer precieze getallen als uitkomst gewenst zijn, is dit niet de juiste methode.

Oplossingsrichting 2: Agent-based

Agent-gebaseerde modellen zijn computersimulaties van de acties en interacties van autonome agenten. De agenten kunnen individuen, groepen of entiteiten vertegenwoordigen, zoals organisaties, bedrijven of landen. Het doel is meestal om te begrijpen welk gedrag de uitkomst bepaalt van een systeem dat anders te complex is om te analyseren. Het collectieve gedrag van de agenten samen kan nieuwe eigenschappen van het systeem als geheel blootleggen. Dat heet emergentie. Door toenemende rekenkracht van computers is het simuleren van dergelijk complex gedrag steeds beter mogelijk.

Er is veel ervaring met ABMs in de sociale wetenschappen, en ook zijn er spraakmakende publicaties (Environmental and Resource Economics, 2015) om dit type modellering toe te passen op economische beleidsmodellering en op beleidsplanning van energie- en klimaatbeleid. ABM’s hebben dus al een goede staat van dienst buiten de klimaat-energie-economie nexus, maar we staan pas aan het begin van de ontwikkeling binnen dit vakgebied. Een voorbeeld daarvan in de praktijk is het modelleringsproject HOLON waar onder meer Quintel, TNO, Witteveen en Bos bij betrokken zijn (Topsector Energie, 2022). In dit project wordt gereedschap ontwikkeld dat inzichten geeft over nut, noodzaak, belemmeringen en oplossingen over het inrichten van een energiesysteem op basis van semi-autonome onderdelen (=holonen) met behulp van agent-gebaseerde modellering van het systeem. Naar een holarchisch energiesysteem?

Deze methode kent ook enkele beperkingen. Omdat er geen model-inherente beperkingen zijn aan hoe individuen of instituten zich gedragen (zoals bij differentiaal- of algemene evenwichtsmodellen) kunnen deze modellen een verwarrende hoeveelheid vrijheid geven. Al het gedrag van alle agenten moet worden onderbouwd (bijvoorbeeld gespecificeerd door experts) en als modelkeuzes gedocumenteerd. Dat kan uitdagend zijn bij het effectief communiceren van het model. Dergelijke modellen worden ook vaak erg groot, en om een ingewikkeld systeem als de energietransitie te modelleren is een flinke opgave.

Desondanks kan agent-based modellering wel recht doen aan de complexiteit van het economie-energiesysteem. Voor de kwantificering van plannen in een dergelijk complex systeem zijn er eigenlijk geen alternatieven die kunnen omgaan met de veelheid aan omslagpunten, feedbackloops, heterogene voorkeuren en ruimtelijke- en temporele schalen.