De wereld verandert voortdurend en modellen lopen meestal achter op die ontwikkelingenAlgemeen versus partieel evenwichtsmodel
Er zijn ook soorten modellen, een belangrijk verschil is een algemeen evenwichtsmodel versus een partieel evenwichtsmodel. In een algemeen evenwichtsmodel zijn alle sectoren van de economie meegenomen. Het voordeel van zo’n model is dat het ‘sluitend’ moet zijn: meer vraag naar arbeid of kapitaal in sector A heeft gevolgen voor de beschikbaarheid van deze factoren in andere sectoren. Je kunt de gevolgen van een maatregel dus niet zonder meer afwentelen op een andere sector, dat heeft direct repercussies die in de modelexercitie worden meegenomen. In een partieel evenwichtsmodel wordt veelal een deel van de economie vrij gedetailleerd gemodelleerd, maar wordt de rest van de economie niet meegenomen. Agrarische modellen brengen meestal de agrosector nauwkeurig in beeld en de overige sectoren veel grover.
De reikwijdte van de modellen tenslotte doet er ook toe: hoeveel sectoren van de economie zijn meegenomen in meer of minder detail, welke activiteiten, etc?
Modellen komen tot stand door zeer nauwkeurig in kaart te brengen hoe relaties werken op het niveau van het model. De logica van een model, vervat in vergelijkingen, moet kloppen. Minder binnenlandse productie leidt tot meer invoer bij gegeven vraag. Er kan niet zomaar iets verdwijnen of ontstaan. Of het klopt wordt getoetst door een model te valideren: als we het model laten draaien op gegevens uit het verleden, leidt het dan tot de uitkomsten die we in het verleden zagen? Dit is meteen één van de grootste kritiekpunten die je kunt geven op een model: resultaten uit het verleden zijn geen garantie voor de toekomst. Anders gezegd: de wereld verandert voortdurend en modellen lopen meestal achter op die ontwikkelingen.
Modellen zijn een geweldig hulpmiddel voor de onderbouwing en duiding van (grote en kleine) vragenBeperking van modellen
Modellen kunnen geen nieuwe ontwikkelingen voorstellen, ze kunnen op basis van de data aangeven wat de bandbreedte kan zijn van de variabelen die in het model zitten. Die data is bijvoorbeeld een schok: een verhoging van de energieprijs, een maximum productiehoeveelheid, handelsblokkades. Zo’n schok moet vertaald worden naar de variabelen in het model om de gevolgen te kunnen berekenen. Modellen kunnen wel uit de voeten met nieuwe schokken.
Of de uitkomsten van een modelberekening robuust zijn, hangt sterk af van hoe het model in elkaar zit. Een model hanteert aannames en maakt keuzes om bepaalde relaties wel of niet mee te nemen. Het is daarom altijd een versimpelde weergave van de complexe werkelijkheid. Van belang is dan ook om inzicht te hebben in de aannames, om zo de uitkomsten op waarde te kunnen schatten. Een kijkje onder motorkap zogezegd. Als de aannames té simpel zijn, is een model niet robuust, want dan doet het model de werkelijkheid teveel geweld aan.
Tot slot, modellen zijn een geweldig hulpmiddel voor de onderbouwing en duiding van (grote en kleine) vragen. Ze kunnen, bijvoorbeeld met scenario-studies, helpen om meer inzicht te geven in keuzes en de gevolgen daarvan. De uitkomsten moeten wel altijd in het perspectief worden geplaatst van de reikwijdte en aannames van het model.
Op 5 mei krijg je nieuwe kado-artikelen.
Als betalend lid lees je zoveel artikelen als je wilt, én je steunt Foodlog
Petra, ik zie wekelijks P&L modellen als onderdeel van businessplannen. Bij ons bij TOP hebben we diverse modellen om a) kostprijs van voedselproducten, b) CAPEX fabrieken, c) land-development kosten (en baten) door te rekenen. Vrijwel allemaal wat ik noem "excel modellen" (wel groot en complex).
In engineering/physica wordt echter veel met PDE en ODE gewerkt. Hiervoor zijn brilliant goede wiskunde pakketten te gebruiken. Nu ben ik ook 'on the job' getraind lang geleden door McKinsey, en daar konden ze dynamische modellen maken van (macro) economische systemen; ze gebruikten https://vensim.com. Ken je dit? En worden dit soort tools ingezet in de economie?
Ik zie (economische) modellen als handige hulpmiddelen in de handen van een experts. Ik vind dat we extreem voorzichtig moeten zijn bij de inzet van modellen t.b.v. van beleid(ondersteuning) en in de politiek. Heb jij voorbeelden van dynamische modellen in de macro-economische wereld?
P&L modellen zijn toch eerder formules dan modellen?
Het zou ‘ingenieurs’ arrogant zijn als ik je gelijk zou geven Jan Peter van Doorn
Maar een model is in de basis een stukje wiskunde met input-parameters en uitkomsten. Dus ook een model om bijvoorbeeld 5Y vooruit winst-en-verlies te ‘modelleren’. Alleen de data in twee kolommen zetten is natuurlijk data en geen model.
#2 Definities blijven altijd een verschil van inzicht geven. Rekenregels (zoals bv ook Dennis Zeilstra liet zien) kun je ook een ”algoritme” noemen echter als je ze ook gebruikt om te voorspellen spreek je al gauw van een model benadering. De scheidslijnen zijn niet scherp en afhankelijk van doel.
Dat doen we hier ook, wat is de invloed als we aan een bepaalde knop draaien op het geheel. Soms zitten er interacties in die we niet hadden voorspeld. Je kunt immer niet in de echte wereld even experimenteren, prima tool dus om impactanalyses te maken.
Juist de input en keuzes daarachter geven ook je beperkingen weer en die vergeten we vaak te benoemen (GIGO). Die sturen ook een model een bepaalde vraagstelling op die je opgelost wilt zien, het model breder inzetten mag dan ook niet, maar zijn we al gauw vergeten.
Ook de interpretatie en het lezen van de uitkomst is uiteindelijk afhankelijk van de input.
Input Data is ook niet onafhankelijk. Our World In Data gebruikt vaak datasets uit wetenschappelijke artikelen als basis (al dan niet gecombineerd) netjes met bronvermelding, maar vaak hebben de auteurs al keuzes gemaakt om iets al dan niet toe te voegen en zit er dus al een bias in. Zo is het ook met invoer van data in modellen, we maken daar keuzes in die ook invloed kunnen hebben zonder die te kennen (selectie) en beïnvloeden zo (ongemerkt) de uitkomst.
Daarom is validatie ook belangrijk, maar ook moeilijk want daar ligt soms dezelfde bias aan ten grondslag. Meer data in model proppen wordt ook niet beter, vaak zelfs slechter en onduidelijker.
Daarom is het belangrijk om de beperkingen aan alle kanten te kennen om de uitkomst te duiden en vooral de beperkte scope ervan.
Daarom zijn modellen als beleidsondersteuning ook heel risicovol, ze gaan eigen leven leiden en worden ingezet voor beleid wat ze niet eens kunnen ondersteunen of volkomen verkeerd/doorgeslagen (bv gaswinning (aardbevingsmodellen obv gaswinning waren er eerst niet), toeslagenaffaire (risicobepaling), stikstof (landelijk trendbeeld ipv lokaal), etc).
Modellen zijn uitermate nuttig, maar nooit zaligmakend.
N.a.v. #2 en #3 Het hangt maar van je definitie van model af. Accountants spreken wel degelijk van modellen voor de verslaggeving. Je kunt bijvoorbeeld een Winst- en Verliesrekening opstellen met Debet en Credit (scontro-vorm) maar ook als een Aftrek-exercitie: bovenaan verkopen, en dan er kosten aftrekken tot je bij de winst komt. Dat zijn verschillende vormen van weergave.
Maar Kuperus (LEI) liet in zijn proefschrift in 1965 zien dat die weergaves niet neutraal zijn, maar een visie vertegenwoordigen. In een boekje over het begrip Omzet & Aanwas in de veehouderij lieten we dat in de jaren 90 ook nog eens zien: het begrip suggereert een soort veestapel waarin je de individuele dieren niet onderscheidt, een soort ijzeren voorraad, met groei (de aanwas) en af en toe de afvoer van een oud dier of een kalf (omzet). Maar voor de varkensvleesproductie of slachtkuikenhouderrij is dat een rare voorstelling van zaken. Daarin kun je m.i. beter zichtbaar maken dat het proces bestaat uit uitgangsdieren + voer = omzet, en een stukje ongerealiseerde omzet (groei) voor de verschillen in gewicht tussen eind- en beginbalans.
In de bosbouw woedt rond dergelijke modellen ook een stammenstrijd. Bosbouwers zien een bos veelal net als een visbestand in de zee: je oogst af en toe wat, Het bestand zelf en eventuele groei daarin wordt niet sterk gerapporteerd en er wordt geen rente over gerekend. Maar bij het vollevelds kappen van een bos gevolgd door nieuwe inplant, heb je meer te maken met een akkerbouwgewas (dat lang op het land staat). En dan is er in ieder geval wel een kapitaalsbeslag en rentekosten. Met mogelijk gevolg dat deze productiewijze toch minder rendabel is dan de andere. En met gevolg dat de gewenste vorm van bosbouw zich vertaalt in een modellendiscussie over de kostprijsberekening.
Nog een ander aspect is wat je in deze doet met waardevermeerderingen van onroerend goed zoals grond. Die worden in de regel buiten de verlies- en winstrekening gehouden (behalve bij beleggingsinstellingen), maar spelen natuurlijk wel degelijk een rol in de besluitvorming. Een paar jaar geleden lieten wij in een paper eens zien hoe de vermogenstoename van Nederlandse melkveehouders in de eerste 15 jaar van deze eeuw nauwelijks uit inkomen of winst kwam, maar uit stijging van de waarde van de activa. Net zoals sommige glastuinders eigenlijk een energiebedrijf zijn, zo lijken sommige melkveehouderijen op een beleggingsfonds. Daar heeft een boer niet direct veel aan (doet wel wat met de leencapaciteit) net zoals ik weinig heb aan de waardestijging van mijn huis zolang ik niet verkoop. Vooral leuk voor de erfgenamen. Als je een boer ziet als een rentmeester over de grond en het generaties oude familiebedrijf is het ongewenste informatie, zie je de boeren als gewone mkb-ondernemer dan is het wel relevant. En het verschijnsel heeft invloed op investeringsstromen, bedrijfsovernames (aantrekkelijker maar moeilijker) en politieke besluiten.
Geen wiskunde dus (hoewel je boekhouden helemaal in termen van wiskunde kunt uitschrijven en zelfs in matrices) maar wel dezelfde problematiek als "andere" modellen. En ook in dit geval zijn er veel besluitvormers die grote moeite hebben de cijfers van een jaarrekening goed te interpreteren.