🔬 physics

Dynamical Model for the Sustainable Development Goals

Deze studie presenteert een dynamisch wiskundig model dat, gebaseerd op drie kernfactoren zoals hulpbronnenverdeling, internationale samenwerking en doelcorrelaties, het gedrag van de Duurzame Ontwikkelingsdoelstellingen (SDG's) kan simuleren en voorspellen om scenario's voor optimale doelbereiking te testen.

Oorspronkelijke auteurs: Alberto García-Rodríguez, Tzipe Govezensky, Julia Tagüeña, Kimmo K. Kaski, Rafael A. Barrio

Gepubliceerd 2026-04-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alberto García-Rodríguez, Tzipe Govezensky, Julia Tagüeña, Kimmo K. Kaski, Rafael A. Barrio

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de wereld een enorm, complex spel is, waarbij 197 landen samenwerken om 17 grote doelen te bereiken tegen het jaar 2030. Deze doelen, de Duurzame Ontwikkelingsdoelen (SDG's), gaan van het uitbannen van honger tot het redden van het klimaat. Het probleem? We gaan veel te langzaam.

In dit wetenschappelijke artikel hebben de auteurs een digitale "tijdmachine" gebouwd. Dit is geen sci-fi verhaal, maar een wiskundig model dat probeert uit te leggen waarom het zo moeilijk is om die doelen te halen, en wat we kunnen doen om het tempo op te voeren.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Spelbord: De 17 Doelen

Stel je de 17 doelen voor als 17 verschillende sporten die je tegelijk moet spelen. Je moet hardlopen, zwemmen, schaken en basketballen, allemaal tegelijk.

Het probleem: Als je te veel energie steekt in het schaken (bijvoorbeeld), kun je misschien vergeten om te zwemmen. Soms helpen de sporten elkaar (als je fit bent van hardlopen, zwem je beter), maar soms staan ze elkaar in de weg.
De "Tijdmachine": De auteurs hebben een computerprogramma gemaakt dat simuleert hoe landen zich gedragen in dit spel. Ze kijken naar drie belangrijke dingen:
1. Hoeveel geld en energie een land heeft.
2. Hoe goed landen met elkaar praten (samenwerken).
3. Hoe de sporten met elkaar verbonden zijn (als je doel A haalt, helpt dat doel B of hindert het?).

2. De Drie Krachten in het Model

Het model gebruikt drie krachten om te voorspellen wat er gebeurt:

A. De Brandstof (Geld en Middelen)

Stel je voor dat elk land een tank heeft. Hoe voller de tank, hoe sneller je kunt racen.

In het model kijken ze hoeveel geld een land investeert. Als een land maar een druppel brandstof in de tank gooit, komt het nooit aan de finish. Als ze de tank volgooien, gaan ze sneller.
Vergelijking: Het is alsof je probeert een auto te laten rijden met een flesje water in plaats van benzine. Je komt er niet.

B. De Teamwork (Samenwerking)

Landen zitten niet in een isolement; ze zitten in een groot netwerk, net als vrienden op een feestje.

Als je vrienden (buurlanden) hard werken, krijg je daar energie van. Als ze lui zijn, word je misschien ook lui.
Het model laat zien: als landen samenwerken (hun "tanken" delen en tips geven), komen ze veel sneller aan de finish dan als ze allemaal alleen proberen.
Vergelijking: Stel je voor dat je een zware kist moet tillen. Als je het alleen doet, duurt het lang. Als je een team vormt met je buren, til je het in een handomdraai.

C. De Web van Doelen (Correlaties)

Dit is het meest interessante deel. De 17 doelen zijn niet los van elkaar; ze zijn met elkaar verbonden door een onzichtbaar web van touwtjes.

Positieve touwtjes: Als je doel A haalt, trek je doel B automatisch een stukje mee. (Bijvoorbeeld: scholen bouwen helpt ook de economie).
Negatieve touwtjes: Soms trek je doel A naar boven, maar trek je doel B daardoor naar beneden. (Bijvoorbeeld: industrie bouwen helpt de economie, maar kan het milieu beschadigen).
Vergelijking: Denk aan een trampoline. Als je op het ene punt springt, beweegt het hele oppervlak. Als je op de verkeerde plek springt, kun je de andere kant laten zakken.

3. Wat heeft het model ontdekt?

De auteurs hebben hun "tijdmachine" laten draaien met echte data van de afgelopen 20 jaar. Hier zijn de belangrijkste lessen:

Alleen werken is niet genoeg: Als landen alleen maar naar hun eigen doelen kijken en niet samenwerken, gaan ze heel traag. De "web" van negatieve effecten (zoals klimaatverandering die armoede verergert) houdt hen tegen.
Samenwerking is de sleutel: Als landen echt samenwerken (de "buurman" factor), verdwijnen de verschillen en gaan ze sneller.
Het "Klimaat & Consumptie" probleem: De doelen voor Duurzaam Consumptie (doel 12) en Klimaatacties (doel 13) zijn heel moeilijk. Ze staan vaak in de weg van andere doelen. In het model blijven deze twee bijna stilstaan, tenzij we de regels van het spel veranderen.
Meer geld helpt enorm: Als we aannemen dat landen 30% van hun middelen investeren in plaats van 10%, dan zouden we de doelen rond 2040 kunnen halen. Met de huidige investeringen halen we ze waarschijnlijk nooit op tijd.

4. De Conclusie: Wat moeten we doen?

Het model is als een proefballon. Het zegt niet precies wat er gaat gebeuren, maar het laat zien wat er zou gebeuren als we iets veranderen.

De boodschap: We kunnen de doelen van 2030 niet halen met de huidige aanpak. Het is alsof je probeert een marathon te lopen met een gebroken been en zonder schoenen.
De oplossing: We moeten de "web" van doelen beter begrijpen. We moeten landen stimuleren om samen te werken (meer "teamwork") en meer geld steken in oplossingen die meerdere doelen tegelijk helpen.
De waarschuwing: Het model is een vereenvoudiging. De echte wereld is chaotischer. Maar het geeft wel een helder beeld van de belangrijkste knoppen die we kunnen draaien: meer geld, meer samenwerking, en slimme keuzes om de negatieve touwtjes in het web te doorbreken.

Kortom: De wereld heeft een nieuwe strategie nodig, niet meer van hetzelfde. Samenwerken en slim investeren is de enige weg naar de finishlijn.

Titel: Dynamisch Model voor de Duurzame Ontwikkelingsdoelen (SDG's)

Auteurs: Alberto García-Rodríguez, Tzipe Govezensky, Julia Tagüeña, Kimmo K. Kaski, Rafael A. Barrio.

1. Probleemstelling

De Agenda 2030 van de Verenigde Naties stelt 17 Duurzame Ontwikkelingsdoelen (SDG's) als wereldwijde uitdagingen. Echter, de voortgang van landen richting deze doelen verloopt aanzienlijk langzamer dan verwacht. Bestaande modellen (zoals iSDG en FeliX) hebben beperkingen, waaronder data-gaten, financiële onevenwichtigheden en een gebrek aan een globaal model dat gebaseerd is op controleerbare parameters.
Het centrale probleem is het begrijpen van de complexe dynamiek tussen sociale, economische, institutionele en milieufactoren, en hoe deze interacties de realisatie van de SDG's beïnvloeden. Er is behoefte aan een wiskundig model dat niet alleen empirische data reproduceert, maar ook "what-if" scenario's kan simuleren om beleidsstrategieën te optimaliseren.

2. Methodologie

De auteurs ontwikkelen een continu tijd-dynamisch model om de voortgang van landen naar de SDG's te simuleren. Het model is gebaseerd op drie hoofdfactoren:

De verdeling van middelen die landen inzetten.
De samenwerking tussen landen.
De correlaties tussen de verschillende SDG's.

Het Wiskundige Model:
De dynamiek wordt beschreven door een differentiaalvergelijking voor de voortgangsindex $x(i, \alpha, t)$ , waarbij $i$ het land aanduidt, $\alpha$ het doel (1-17), en $t$ de tijd.

De vergelijking (Eq. 1) bevat de volgende termen:

Resource-investering: Een term die afhankelijk is van de beschikbare middelen $r(i)$ en het percentage daarvan dat wordt besteed ( $r_0$ ), met een normalisatiefactor $e(i, \alpha)$ voor de specifieke besteding per doel.
Netwerkinteracties (Samenwerking): Een term die de invloed van buurlanden (nearest neighbors) en de volgende laag buren (next nearest neighbors) berekent via een adjacency-matrix $A$ . Dit wordt gewogen door de parameter $g_k$ .
Doelcorrelaties: Een term $g_{int}$ die de wederzijdse beïnvloeding tussen de 17 doelen modelleert via een correlatiematrix $glinks$. Positieve correlaties versnellen voortgang, negatieve vertragen of saboteren deze. Dit wordt gewogen door $g_i$ .
Geheugen: Een integraalterm die de historische voortgang over een tijdsvenster $m$ meeneemt, wat reflecteert dat verleden acties huidige voortgang beïnvloeden.

Numerieke Integratie:
De vergelijkingen worden numeriek opgelost met de Euler-methode (tijdstap $dt = 0.001$).

Data: Het model wordt getraind met data van 2000–2024 uit het Sustainable Development Report.
Clustering: Op basis van eerdere machine learning-analyses worden landen gegroepeerd in 6 clusters met vergelijkbaar gedrag. Dit vereenvoudigt de simulatie van 88 landen tot 6 "super-landen".
Validatie: De parameters worden afgestemd om de historische data (2000-2024) te reproduceren en vervolgens gebruikt voor projecties tot 2030 en daarbuiten.

3. Belangrijkste Bijdragen

Ontwikkeling van een globaal dynamisch model: Een nieuw wiskundig raamwerk dat de interacties tussen landen en doelen expliciet koppelt aan controleerbare parameters (middelen, samenwerking, correlaties).
Integratie van netwerkdynamica: Het model introduceert een mechanisme om de invloed van internationale samenwerking (via een netwerk) en de inherente koppelingen tussen de SDG's zelf te kwantificeren.
Scenario-analyse: Het vermogen om hypothetische scenario's te testen die niet mogelijk zijn met puur empirische extrapolatie, zoals het veranderen van samenwerkingssnelheden of resource-allocation.

4. Resultaten

De simulaties leveren de volgende inzichten op:

Reproductie van Realiteit: Het model slaagt erin de historische data (2000-2024) nauwkeurig te reproduceren, inclusief de trage voortgang van specifieke doelen zoals SDG 12 (Verantwoord consumeren en produceren) en SDG 13 (Klimaatactie), die sterk negatief gecorreleerd zijn met andere doelen.
Invloed van Samenwerking: Wanneer landen volledig samenwerken (volledige adjacency-matrix), convergeren de voortgangscurves sneller en uniformer. Zonder samenwerking (diagonale matrix) is er grote spreiding en vertraagde voortgang.
Correlaties zijn cruciaal:
- Als correlaties tussen doelen worden verwijderd ( $g_i = 0$ ), vertraagt het systeem drastisch en worden de doelen zelfs in 100 jaar niet bereikt.
- Positieve correlaties versnellen de voortgang, terwijl negatieve correlaties (zoals bij SDG 12 en 13) stagnatie veroorzaken.
- Het verhogen van de invloed van samenwerking ( $g_k$ ) versnelt de voortgang, maar bereikt een limiet als de correlatiematrix negatieve koppelingen bevat.
Resource-allocation: Een simulatie waarbij landen 30% van hun middelen in plaats van 10% jaarlijks investeren, toont aan dat alle doelen rond het jaar 2040 succesvol kunnen worden bereikt.

5. Betekenis en Conclusie

De studie concludeert dat het bereiken van de 2030-agenda binnen de huidige trajecten onwaarschijnlijk is. Het model identificeert vier kritieke factoren die de voortgang belemmeren of bevorderen:

De hoeveelheid middelen die landen investeren.
De mate van communicatie en samenwerking tussen landen.
De correlaties tussen de doelen (synergieën en trade-offs).
Het "geheugen" van eerdere acties.

Praktische Implicatie:
Het model biedt beleidsmakers een hulpmiddel om te testen hoe veranderingen in strategieën (bijv. meer samenwerking of hogere budgetten) de uitkomsten beïnvloeden. Het benadrukt dat een "one-size-fits-all" aanpak niet werkt; succes vereist gedetailleerde programma's die rekening houden met de specifieke culturele, sociaaleconomische en institutionele context van elk land. Hoewel het model vereenvoudigingen bevat (zoals het gebruik van gemiddelden per cluster), biedt het een robuust kader voor het begrijpen van de complexe dynamiek van duurzame ontwikkeling.