Optimising for the long game: methodological challenges in energy system optimisation pathways

あなたが今日から 2050 年まで続く壮大な横断ロードトリップを計画しようとしていると想像してください。どの車を購入し、どの道路を建設し、どこでガソリンを補給するかを決定する必要があります。その際、可能な限り最小限の費用で、かつ大気を汚染しないようにしなければなりません。

これは本質的に、エネルギーシステム最適化モデル（ESOMs） が国々に対して行っていることです。これらは政府や科学者によって使用されるコンピュータプログラムであり、電力網などのエネルギーシステムが「ネットゼロ」のような気候目標を達成するために、数十年にわたってどのように進化すべきかを「経路」として描き出すものです。

この論文は「レビューのレビュー」です。著者らは、これらのコンピュータモデルを数百件調査し、それらを作成する人々（モデラー）が実際にはどのように計算を設定しているかを検証しました。その結果、誰もが同じ大きな問題を解決しようとしている一方で、彼らが数学を設定する「方法」には、コンピュータを誤った答えへと誘導する隠れた欠陥が潜んでいることが判明しました。

以下に、この論文が特定する 4 つの主要な「罠」を、簡単なアナロジーを用いて説明します。

1. 「水晶玉」の問題（先見性）

課題： コンピュータは未来をどの程度「見通す」ことができるのか？

• 完全先見性： コンピュータが水晶玉を持っていると想像してください。2040 年のガソリン価格がどうなるか、新しい法律がいつ通過するか、古い発電所がいつ故障するかを、すべて正確に知っています。すべてを知っているため、数学的に「完璧な」計画を立てます。
  • 問題点： 現実の人間には水晶玉はありません。モデルが完全な知識を前提とすると、2030 年にガソリンが高騰するのを「知っている」ため、今日巨大な太陽光発電所を建設することを提案するかもしれません。しかし実際には、不確実性があるため建設されないかもしれません。これにより、計画は現実よりも楽観的に見えてしまいます。
• 近視眼的（短視眼的）先見性： コンピュータが眼帯をしており、次の数歩しか見えないと想像してください。今日の価格に基づいてのみ意思決定を行います。
  • 問題点： これはより現実的ですが、長期的には悪い選択を招く可能性があります。コンピュータは来年に優れた技術が登場することを「知らない」ため、今日安価な石炭発電所を建設してしまうかもしれません。その結果、私たちは汚染されたシステムに縛り付けられてしまいます。

発見： 計算が容易であるため、ほとんどのモデルは「水晶玉」アプローチ（完全先見性）を使用していますが、これは現実の政策決定者が実際にどのように振る舞うかを反映していません。

2. 「映画の終わり」の問題（終端効果）

課題： 映画が終わった後はどうなるのか？
40 年間のロードトリップを計画していると想像してください。しかし、あなたの地図は 2050 年までしか描かれていません。

• 歪み： コンピュータが 2050 年に近づくにつれて、奇妙な行動を取り始めます。「おい、地図はここで終わっているぞ！映画が終わった後は使わないんだから、20 年持つ車を買う必要はない」と考えるのです。
• 結果： コンピュータは、長期のメンテナンス費用を支払う必要がないため、タイムラインの直前に安価で寿命の短い車（天然ガスタービンなど）を購入することを選ぶかもしれません。逆に、風力タービンや水力ダムのような高価で長持ちする投資は、「映画」が元を取る前に終わってしまうため無駄に見え、無視されてしまいます。
• 解決策： 長期的投資の真価を見るためには、地図を 2050 年を「越えて」引き伸ばす必要があります。この論文では、ほとんどのモデルが目標年（例えば 2050 年）で正確に停止しており、それが長期的な解決策に対してバイアスをかけていることがわかりました。

3. 「ぼやけた写真」の問題（解像度）

課題： 画像はどの程度詳細か？
計算を高速に実行するため、モデラーはしばしば詳細をぼかす必要があります。

• 時間のぼかし： 天気やエネルギー需要を毎時間チェックする代わりに、モデルは月 1 回、あるいは年 1 回しかチェックしないかもしれません。これは、動く車がぼやけて写っている写真を見るようなものです。午後 2 時に風が止まるという事実を見逃し、現実には機能しない計画を立てる可能性があります。
• 空間のぼかし： 街や送電線すべてを個別に見る代わりに、モデルは国全体を巨大で平坦な塊として扱うかもしれません。
• トレードオフ： この論文は、奇妙な傾向を発見しました。モデルは短期的な詳細（毎時の天気など）を見る能力は向上しているが、長期的な詳細（数十年にわたる投資など）を見る能力は低下しているという傾向です。これは、次の 5 分は超鮮明なカメラを持っているが、次の 50 年は非常にぼやけたレンズを持っているようなものです。

4. 「待ち合わせゲーム」の問題（投資ダイナミクス）

課題： コンピュータはより良い条件を待つのか？
コンピュータが（あるいは推測して）太陽光パネルが将来安くなることを知っている場合、今日は何もしず、待つことを決めるかもしれません。

• 罠： 現実世界では、計画なしに技術の進歩を単に「待つ」ことはできません。価格を下げ、使い方を学ぶために、今インフラを構築する必要があります（これは「学習による学習」と呼ばれます）。
• 発見： ほとんどのモデルはこの点を考慮していません。まるで無料で現れる「ユニコーン」のような技術を待っているかのように振る舞います。その結果、行動を遅らせる計画が生まれ、気候目標にとって危険な状況を引き起こします。

全体像としての結論

著者らは 330 件の研究を検討し、これらのコンピュータモデルはより強力になっている一方で、それらを設定するために使用するルールは十分に改善されていないことを発見しました。

• 透明性が低い： 多くの研究では、これらのルールをどのように設定したかが明確に説明されておらず、政策決定者が結果を信頼しにくくなっています。
• 「絶妙なバランス」の欠如： 私たちには、良い長期的計画を立てるために十分に未来を見通せるモデルが必要ですが、非現実的な「水晶玉」知識を前提とするほど遠くを見る必要はありません。また、「映画」が突然終わらないようにする必要があります。さもなければ、長期的には失敗する短期的な対策に満ちた計画になってしまいます。

要約すると： この論文は、これらのコンピュータモデルを魔法のブラックボックスとして扱うのをやめるべきだと主張しています。内部の「ゲームのルール」をどのように設定するかについて、もっと慎重になる必要があります。そうしなければ、彼らが提案する「最適」な経路は、実際には崖へと私たちを導いてしまう可能性があります。