Kategoriarkiv: Forecasting

Hur ser en bra förutsägelse ut – del II

När man arbetar med att formulera förutsägelser finns det flera viktiga principer som man måste fundera över. Rätt använda kan förutsägelser ge ett betydande konkurrensövertag, men det är lika lätt att slösa bort tiden med värdelös spekulation. I den här posten började fundera en del över detta, och här litet fler tankar.

Förutsägelser – eller forecasts – är mest intressanta i närtid, och så fort vi rör oss längre in i framtiden är det bättre att arbeta med scenarier och kartlägga spektrumet av möjliga utfall. Det finns dock ett förutsägelsefönster som är intressant att arbeta med och där en god förmåga att hitta rätt kan vara mycket värdefull.

Det hela påminner i tekniskt avseende om skillnaden mellan klimat och väder. När det gäller klimatet vill vi ha insikt i hela spektrumet möjliga utfall, och när det gäller väder är en 7-dagarsprognos värdefull för vissa företag. Förutsägelsefönstret ser olika ut för olika fenomen — vädret är så pass komplext att det knappast kan förutsägas bortom ett tiotal dagar, till exempel.

Det betyder inte att vi inte kan säga intressanta saker om möjliga utfall för klimatet, emellertid. Oförutsägbarheten är relaterad till upplösningen i förutsägelsen — den som vill ha en högupplöst förutsägelse får acceptera en krympande horisont, och den som är nöjd med en mer grovkornig förutsägelse kan kika längre in i framtiden (i ett exempel med en viss kurva — det går att tänka sig att andra frågor har en helt annan kurva förstås):

Det finns en intressant fråga här, och det är om det är någon artskillnad mellan grovkorniga och finkorniga förutsägelser — eller om den enda skillnaden är skalan i förutsägelserna. När det gäller riktigt grovkorniga förutsägelser – som Keynes berömda “in the long run we are all dead” – så tycks de mindre värdefulla, men att veta hur många dagar man har kvar att leva känns mer relevant.

Betyder det att värdet i finkorniga förutsägelser alltid är högre än det i grovkorniga? Förmodligen stämmer det någorlunda (fast det förstås finns avtagande nytta även här – att känna till temperaturen på regndropparna om det skall regna på torsdag skulle kanske inte förändra särskilt mycket). Här finns dock en intressant insikt – och det är att värdet på grovkorniga förutsägelser inte nödvändigtvis går mot noll ju mer grovkorniga de blir — det är nog så att vi ofta underskattar värdet på grovkorniga förutsägelser just för att de har så låg upplösning. I ett enkelt exempel:

Nå, åter till frågan: hur ser en bra förutsägelse ut? Hur formulerar vi den? Egentligen kan man börja bakifrån. Vi kan anta att vi skall använda förutsägelsen, och det betyder att vi borde kunna ta reda på hur vi skulle använda den — vilket i sin tur betyder att alla intressanta förutsägelser borde kunna skrivas i formen:

(i) Om jag visste att X med viss sannolikhet så skulle jag Y.

Om jag visste med mer än x procents sannolikhet att det kommer att regna på torsdag så packar jag med mig mitt paraply. Notera att X inte behöver vara 50, det kan vara så litet som 10 om kostnaden för att packa med paraplyet är liten.

För ett företag som ägnar sig åt framtidsstudier bör denna formulering kanske se ut såhär:

(ii) Om vi visste X med viss sannolikhet så skulle vi handla så att Y.

Om vi visste att priserna på kaffe går upp om tre månader så skulle vi köpa på oss kaffe för en längre tid nu (och mot detta då eventuella lån för kaffeköp, lagringskostnader mm).

En förutsägelse måste alltså, för att ha ett värde, leda till någon sorts handling för den egna organisationen.

Utöver detta bör den vara precis nog för att vi skall kunna lära oss av den och se till att vi kan bedöma tydligt varför vi hade rätt eller fel. Det betyder att det inte räcker att skriva ned förutsägelsen – utan vi borde också skriva ned skälet för att vi gör just denna förutsägelse. Det är ett sätt att vaccinera sig mot framgångens delirium i vilket turen inte finns.

Vi landar då i något i stil med:

En förutsägelse F är värdefull om den är precis nog, noga motiverad och dessutom vid ett visst tröskelvärde skulle leda till handling i en i förväg specificerad riktning.

En intressant måndagsövning är då att försöka komma fram till tre eller fyra sådana förutsägelser. Min gissning är att det är överraskande svårt i de flesta företag och verksamheter, av flera olika skäl. Mer om detta i en annan post.

Berättelser i ekonomin – Schiller och narrative economics

I Schillers senaste bok ”Narrative Economics” möter läsaren ett intressant perspektiv som verkligen är värt att tänka mer kring — Schiller menar att ekonomin till mycket stor del styrs av berättelser, och således också att om vi vill förstå ekonomin, eller förutsäga den, så måste vi etablera de berättelser som för närvarande dominerar vår gemensamma syn på ekonomin.

Konstellationer av berättelser eller narrativ skapar en gemensam syn, och denna syn präglar sedan den ekonomiska verkligheten.

Det kanske mest intressanta i Schillers analys är de metoder han använder för att försöka rekonstruera berättelser — det är ju där den stora svagheten ligger; vi vet inte riktigt hur vi kan avtäcka narrativ mer objektivt. Vilka är berättelserna som vi nu kämpar med? Här finns det en hel del att diskutera och det är värt att återkomma till.

Schiller använder frekvensanalys av olika textmängder över tid, och redan där kan man hitta en hel del intressanta resultat. Mer snart!

Har du gjort ditt premortem? Några grundläggande artiklar

Ett premortem är en enkel sak — det handlar i princip om att göra följande mycket enkla övning. Se över de mål och planer som du har, gå igenom dem med teamet och be sedan var och en i enskildhet att tänka sig att ni samlas igen om 18 månader och allt har gått helt fel. Hur gick det till?

Formatet är en berättelse. Den kan börja med prompten ”Alla våra planer gick om intet, och vi är i dag i en mycket värre situation än tidigare…” och sedan fortsätta därifrån. Var och en bör producera ungefär en halvsida, åtminstone, och detaljera hur det gick till. Det finns endast ett krav på denna berättelse och det är att den är så trovärdig som möjligt, och att den litar till mer en enda orsak. Det är exempelvis inte till stor hjälp om någon skriver ”…eftersom jorden blev invaderad av utomjordingar som förintade mänskligheten”. Det är både otroligt och berättelsen litar till en enda orsak. Som huvudregel bör det finnas åtminstone tre bidragande orsaker till det tänkta misslyckandet.

Detta är inte en gruppövning, utan en övning som måste göras enskilt för att undvika konsensusdöden som hotar varje ledningsfunktion. Konsensus är fienden: du vill inte ha samma tre orsaker från alla, utan olika orsaker till det egna misslyckandet.

När du sedan har dessa berättelser blir nästa steg i övningen enkelt – var och läser upp sin berättelse och ni arbetar tillsammans för att extrahera orsakerna till misslyckandet: vad var det som gick fel, egentligen? Varför?

När du så har detta har du något väldigt intressant: en karta över möjliga svaga punkter i den egna planen. Om det är möjligt bör du nu foga dessa punkter till de olika delar i planen som de påverkar och göra en karta över dem. Planens mål och de olika svaga punkterna tillsammans blir din misslyckandekarta, och den bör du sedan gå igenom åtminstone varje kvartal för att se att du har rätt åtgärder på plats för att undvika misslyckandena.

Det är också möjligt att den här övningen ger till resultat att gruppen inser att den behöver nya mål, eller nya förmågor som saknas i dag, och i så fall kan de inkluderas i planen.

Ett premortem är inte svårt att göra, men det är litet obehagligt – eftersom vi så ofta förväxlar planer med trossatser som man måste vara med på. En plan är inget man tror på, det är något man kritiskt granskar och reviderar — särskilt varefter man lär sig nya saker.

Mer läsning om ämnet:

  • Gary Klein om premortems i HBR.
  • En detaljerad workshop för premortems från Atlassian.
  • En bra artikel i The Guardian om hur du kan använda tekniken själv.
  • Richard Thaler om premortems – med den intressanta frågan ”Hur många krig hade startats om någon först frågat ”Vi förlorade – hur?”.

Vad bör man inte läsa?

I den här artikeln om Superforecasters finns en liten passus som är intressant att notera: en av de personer som visat sig vara bra på att förutsäga framtiden säger att han inte läser tidningen särskilt mycket. Det återkom i den workshop vi hade, och var en av de där kontraintuitiva sakerna som vi ville veta mer om, så vi ställde en mängd frågor. Det visar sig att det förhåller sig, ungefär, såhär – enligt deras forskning.

Kunskap spelar en betydande roll i förmågan att förutsäga saker och ting bra, men det är en speciell sorts kunskap: beständig kunskap som kanske inte har lika stort nyhetsvärde, och just därför inte nödvändigtvis publiceras dagligen eller veckomässigt. TV bör man helt hålla sig borta ifrån, och dagliga nyheter har mycket lågt näringsvärde för den som vill förstå världen. Vad man i stället bör göra är att söka sig läsning som har en helt annan rytm: böcker är bra och sällanpublikationer (månatliga) är också nyttiga – och om man styr om sin läsning mot dessa och skippar den tid man spenderar på dagliga nyheter, så får man en bättre och klarare bild av verkligheten.

Dagliga nyheter är, menar man, i allt väsentligt bara brus.

Det är en provocerande åsikt för någon som läser så mycket man kan komma över, varje dag, och en möjlig invändning är att det inte handlar så mycket om att det är dagliga nyheter som att det är få nyhetskällor. Den som bara lyssnar till TV-nyheterna varje dag får en bild av världen som är fullständigt felkalibrerad. Den som använder en nyhetsläsare som Feedly och följer tiotals olika källor i flera olika ämnen kan börja se mönster i bruset.

Men allt annat lika är den invändningen nog ändå en invändning på marginalen — och det ger anledning till eftertanke även för den som skriver. Jag skriver dagligen, men gör det inte för att förmedla nyheter, utan för att just samla och fånga mina anteckningar i olika ämnen — samtidigt som jag kan se värdet i att samla sina tankar om ett ämne över en litet längre tid, och testa dessa åsikter för att kanske publicera i ett särskilt ämne månatligen.

Ett sätt att göra detta är att samla artiklar över tid och sedan återvända till dem för att undersöka mönster och idéer. I exempelvis Feedly kan man använda s.k. boards och sätta upp artiklar där över ett par månader och sedan gå igenom dem för att se vilka olika trender och mönster som kan skönjas i dem.

Vad blir då slutsatsen? Kanske denna: att läsa fler böcker och se mindre på TV. Åtminstone om du vill förstå världen. Och läs inte bara en tidning, utan se till att läsa flera – gärna med olika perspektiv. Inte så överraskande, kanske.

Modeller av framtidens arbetsmarknad

En hel del av de framtidsdiskussioner som vi deltar i handlar om framtidens arbetsmarknad. De är absolut centrala för hur vi utvecklas som samhälle, och just därför är det intressant att försöka locka fram de mentala modeller som ligger bakom de olika synsätten som vi råkar på. I det följande tänkte jag gå igenom dessa i sina idealtypiska former – och därför blir de också litet förenklade – men jag tänkte att det kan ha ett visst egenvärde att försöka visa hur olika de mentala modellerna i diskussionen faktiskt är.

Den första modellen, den kanske vanligaste, ser ut såhär: det finns människor som har jobb. Nu kommer maskiner som kommer att ta dessa jobb. I framtiden kommer det alltså inte att finnas jobb kvar åt människor. I en bild:

Screenshot 2019-10-16 at 12.20.18

Frågan blir då – automatiskt – vad ska människorna göra nu när robotarna tagit jobben? Där finns det två olika modeller också – en i vilken det kommer nya jobb som människorna kan göra:

Screenshot 2019-10-16 at 12.23.17

I denna modell är allt frid och fröjd. Nu arbetar människorna igen, och det stora problemet är hur man kan se till att de lär sig de nya jobben. Ofta tror vi att dessa nya jobb kommer att vara mer komplicerade, och frågeställningen ser ut ungefär såhär, förenklat: förut behövde vi en massa bagare, men nu kan maskiner baka bröd. nu behöver vi läkare istället och alla bagare kan inte bli läkare, så hur ska vi lösa det? Den som håller fast vid den här modellen måste lösa ett omfattande omställningsproblem där hela kompetenskorgar – jobb – måste bytas mot nya, förmodat mer avancerade och komplicerade jobb.

Den andra möjligheten är förstås att det inte kommer några nya jobb. Det här var vad som oroade bland annat Keynes:

Screenshot 2019-10-16 at 12.27.54.png

Vad gör vi nu? Dessa människor som inte har ett jobb – och Keynes trodde att de skulle förvandlas till en sorts avdankade aristokrater som spelade bridge och hade affärer – måst vi ju ta hand om. Nu blir problemet ett rent försörjningsproblem: hur försörjer vi en växande skara arbetslösa människor?

Sedan finns de de som har en mer högupplöst syn på problemet. De menar att jobb är fel analysenhet: vi måste istället konstatera att jobb består av olika arbetsuppgifter – och vissa av arbetsuppgifterna kan automatiseras, andra kan det inte. I framtiden delar vi alltså arbetsuppgifter med robotarna:

Screenshot 2019-10-16 at 12.34.31

Möjligen kan detta också låta oss hitta på nya arbetsuppgifter som vi inte gjorde tidigare alls. Här finns ett omställningsproblem, men framförallt ett innovationsproblem – hur använder vi den nu tillgängliggjorda mänskliga förmågan på bästa möjliga sätt? 

Det finns en variation på detta tema, som förekommer exempelvis i en del av schackmästaren Garry Kasparovs skrifter, och det är att vi kommer att smälta samman med robotarna, eftersom en människa och en maskin alltid slår en maskin. Vi kommer att bli kentaurer, eller cyborgs, och helt enkelt bli mycket bättre på det vi gör:

Screenshot 2019-10-16 at 12.39.58.png

Skillnaderna mellan IV och V kan tyckas små, och har egentligen mest att göra med hur man organiserar arbetsplatsen, men de är ändå intressanta att fundera kring. Om vi smälter samman alltmer med tekniken blir distinktionen mellan människa och maskin allt mindre intressant — frågan om robotarna kommer att ta ditt jobb, blir enkel att besvara: nej, men du kommer att bli en robot, också. Det intressanta med denna modell är den antagna uppdelningen mellan maskinautomation och mänsklig verksamhet blir mycket mindre intressant att fundera kring. I stället blir det möjligt att fråga vad vi kan göra nu, och vilka typer av kompetenser som behövs för att smälta samman med en robot. I schack, menar Kasparov, är det inte de bästa enskilda spelarna som blir de bästa cyborgspelarna, utan andra kvaliteter – som en expertis på maskinens svagheter – blir viktiga kärnkompetenser. I IV blir människor bättre på sånt bara människor kan, och uppdelningen mellan människa och maskin är strikt. I V måste människor utveckla en viss kompetens som handlar om just maskinen och sammansmältningen blir målet.

Sedan finns de de som menar att föreställningen om ”jobb” är dömd att förlora i betydelse. För dem handlar framtiden om att organisera arbetsuppgifter och koordinera dem så att de blir till arbete som ger sådan avkastning att man kan leva på dem, och detta kommer man att göra med olika typer av intelligenta verktyg:

Screenshot 2019-10-16 at 12.47.52.png

I modell VI kan vi komplicera bilden ytterligare. I stället för den 1:1 relation som idag finns mellan arbetstagare och arbetsgivare, kan man tänka sig att en cyborg specialiserar sig på att göra en viss typ av arbetsuppgifter åt en stora mängd olika arbertsgivare. Då uppstår ett koordinationsproblem förstås, just det problem som ett jobb löser: hur kan man få stabilitet och förutsägbarhet i ekonomin om man lever i den s.k. gigekonomin? Här kan vi tänka oss en mängd olika svar, men ett exempel skulle vara att man litar till en tjänst som kombinerar arbetsuppgifter, arbetsgivare och schemaläggning på ett sådant sätt att du får förutsägbarhet och den arbetsbörda som du är bekväm med. Ett jobb går från att vara en statisk uppsättning arbetsuppgifter till att vara en dynamisk uppsättning arbetsuppgifter och relationer som lastbalanseras på samma sätt som exempelvis Internettrafik eller liknande. Här blir problemet att skapa den typen av tekniska, sociala och ekonomiska institutioner som kan bära atomiseringen av de klassiska jobben och bereda vägen för dynamiska jobb (djobb…?) istället. 

Olika modeller betyder alltså olika utmaningar och politiska problem, men också helt olika möjligheter och öppningar för en helt annat effektivitet i ekonomin.

*

Alla dessa modeller har det gemensamt att de gör antaganden om tillgången på arbetsuppgifter. Det är intressant att notera, eftersom det snuddar vid en fråga som jag diskuterat tidigare – och det är frågan om hur mycket arbete det finns. Jag tror fortfarande att mängden arbete är oändlig, men det är fullt möjligt att ha en avvikande åsikt. Jag tror också att den växande komplexiteten innebär att vi faktiskt måste utveckla automatiseringen och olika intelligenta verktyg så snabbt som möjligt, för att lösa de alltmer pressande problem vi ställs inför.

Att förutsäga terror

Tänk om man kunde förutspå hur dödlig en terrorgrupp kommer att bli genom en analys av, säg, de först tio attackerna. Det skulle låta olika säkerhetstjänster prioritera vilka grupper de attackerar och kanske till och med leda till att de dödligaste kunde undanröjas snabbast möjligt. Just detta menar ett antal forskare nu att de lyckats med. Studien, som kommer från Northwestern University, Kellog School of Management (!), har testats mot historiska data och forskarna menar att den är robust.

Modellen är enkel: forskarna betraktar terrororganisationer som företag som producerar – just det – död. Vi har modeller för att förutsäga hur framgångsrika företag bli och dessa, menar forskarna, kan vi nu använda också på andra organisationer. Nu tycks det ju finnas viss skillnad mellan död och, säg, choklad, men forskarna menar att det ändå finns modeller som kan vara användbara: när det gäller företag kan man sluta sig till vilka resurser de har genom att se hur de går tillväga när de lanserar nya produkter – ny attacker, i terrorgruppernas fall. Ett företag med goda resurser lanserar nya produkter regelbundet och planerat, ett företag som lanserar litet här och litet där har sannolikt inte så bra resurser, eller åtminstone inte effektiv management.

Även variationen i attackerna, i de vapen som används och liknande faktorer kan användas.

Drömmen om att kunna förutsäga hur terrororganisationer agerar är inte ny. Den är inte heller utan kontroverser. Den mest berömda skandalen var nog sen s.k. ”Policy Analysis Market”, där den amerikanska forskningsbyrån DARPA ville öppna en marknad för att förutsäga terrorattacker, men snabbt fick skrota projektet efter politisk upprördhet. Så här i efterhand kan man konstatera att det förmodligen var ett felaktigt beslut — det kan inte vara fel att samla in så mycket information vi kan om framtida katastrofer, och om en förutsägelsemarknad kan vara till hjälp så borde den användas — så enkelt är det nog.

Den kanske intressantaste risken diskuterades inte heller i skandalen: att den som förutsäger attacker också kunde tjäna på att de inträffade, och därför kanske finansiera just dessa attacker. Den som satsar på en viss förutsägelse om en attack blir ju automatiskt misstänkt — eftersom denne förmodligen sitter på någon sorts, legitim eller ickelegitim, information om framtida attacker. Det kan till exempel handla om att man har en mycket bra analysmodell, men det kan också handla om att man leder en terrorgrupp.

Det skulle väl sannolikt bli svårt för en terrorledare att casha in på en marknad som denna, men betänk vad som skulle kunna hända om man anonymiserade marknaden. Då skulle vi landa i ett annat intressant scenario som diskuterades tidigt i teknikkretsar. När David Chaum lanserade anonyma pengar (”DigiCash”) – långt före bitcoin – var det flera personer som föreslog att dessa skulle öka likviditeten i brottsligheten (Se Tim Mays fina artikel från 1997 här): man skulle kunna beställa brott genom att exempelvis slå vad om att de inte inträffade. Såhär:

(I) Jag vill mörda herr X.

(II) Jag sätter ut ett vad om 10 000 digicash att Herr X kommer att vara vid liv vid årets slut. Om jag förlorar vadet betalar jag, anonymt, 10 000 till den som sätter emot.

(III) Någon antar vadet.

(IV) Herr X skjuts före årets slut.

(V) Jag betalar ut pengarna.

Mördade den som antog mitt vad Herr X? Jag vet inte, och inte heller går det att spåra i DigiCash-systemet. Men nog känns det som att det finns ett tunt stråk av kausalitet här?

Det blir intressant även om vi ser på mycket lång vadslagning. Om vi kikar på LongBets.org – en underbar tjänst där man kan slå vad på lång tid – så hittar vi följande vad:

“A bioterror or bioerror will lead to one million casualties in a single event within a six month period starting no later than Dec 31 02020.”

Det är ett vad mellan den kungliga astronomen i Storbritannien, Martin Rees, och den kände spårkvetaren Steven Pinker. Pinker tror inte det kommer att hända, men nog borde vi övervaka vad Martin Rees har för sig under de kommande 16 månaderna?

 

Vad tar livet av oss?

Ett sätt att förstå hur världen förändras – i och för sig med morbida övertoner – är att kika på vad det är som tar livet av oss och hur topp tio dödsorsakerna förändras. Här i en bild från WHO:

Skärmavbild 2019-10-09 kl. 09.09.50

Utan att påpeka det uppenbara (terrorism finns inte med på listan etc etc), kan vi konstatera några intressanta skillnader — som att HIV försvunnit och att Alzheimers nu återfinns på femte plats. Vi kan också se att antalet smittsamma sjukdomar minskat, och att vi faktiskt minskat dödligheten i hjärt och kärlsjukdomar. De smittsamma sjukdomarna återfinns nu på plats 4, 9 och 10 mot plats 3, 5, 6, 7, 8. Det är alltså fullt möjligt att tänka sig en värld i vilken de tio största dödsorsakerna inte är smittsamma inom ett par år.

Här spökar dock flera frågor – som vad som händer om antibiotikaresistensens blommar upp ordentligt, eller om influensan utvecklas till en pandemi (influensan ligger redan stadigt på mellan 300 000 – 700 000 döda varje år enligt de senaste, reviderade, beräkningarna – men nya upptäckter kanske ger oss en chans att besegra även influensan!).

Här finns också en annan intressant fråga: hur skulle vi vilja att den här listan såg ut? Tänk dig att du fick i uppdrag att designa den utopiska listan över dödsorsaker – hur skulle den se ut? En sak är säker – den skulle inte innehålla några olyckor i alla fall. Så här finns en morbid vadslagning — när kommer autonoma fordon att leda till att bilolyckor försvinner från listan?

 

Hur ser en bra förutsägelse ut?

Den som sysslar med planering och framtidsstudier gör klokt i att spendera en hel del tid med att formulera frågan rätt — en av de kanske mest klassiska kognitiva misstagen är att anta att vi vet exakt vad frågan är. Vi ägnar alldeles för litet tid åt att undersöka, formulera och strukturera upp problemet på ett sätt som gör att det kan lösas på ett intressant sätt.

I vad som nästan helt säkert är ett apokryfiskt citat, sägs Einstein ha hävdat att om han fick en timme på sig att lösa ett problem skulle han använda de första 50 minuterna åt att förstå det, och sedan de återstående minuterna till att lösa det. Poängen är enkel: formuleringen och förståelsen för problemet är helt central i gott tankearbete.

Omvänt finns det gott om lösningar på problem som är ointressanta, eftersom det problem de löser inte är ett problem som är väldefinierat, intressant, generativt (lösningen ger flera lösningar), generaliserat nog, långt (i meningen att lösningen är varaktig och stabil över tid) eller överförbar (analogier ur lösta problem är enormt värdefulla).

När man specifik sysslar med förutsägelser är det intressant att se på hur dessa kan formuleras för att a) leda till en intressant strategisk konversation, b) leda till en inhämtningspraktik som är värdefull och c) ge en intressant sannolikhetsprissättning.

Jämför ett par olika förutsägelser:

(I) President Trump kommer att lämna presidentposten.

(II) President Trump kommer att fällas i riksrätt och avlägsnas från presidentposten före 31.12 2019.

(III) President Trump kommer att åtalas i riksrätt, men ej fällas i senaten, och frias före 31.12 2019.

(IV) President Trump kommer inte att vara republikanernas presidentkandidat i valet 2020.

(V) President Trump kommer att förlora valet 2020 på grund av riksrättsförfarandet och problem associerade med detta.

(VI) Nästa president i USA kommer att vara en radikal demokrat.

Vilken av dessa förutsägelser har mest värde för den som arbetar med att förutse, planera för och arbeta med företags politiska arbete? (I) har en hel del brister, men också några förtjänster. En av de uppenbara bristerna är att denna förutsägelse inte är tidssatt. Det betyder att den är både trivialt sann och extremt osannolik. Vi vet att President Trump kommer att lämna presidentposten, och inte vara president 2024 om inte konstitutionen ändras. Vi vet att han absolut kommer att ha ”lämnat” presidentposten år 2100, om inte vi lyckats avbryta åldrandet. Vi vet att president Trump kommer att ha svårt att vara president när solen brinner ut — etc. Vi kan också säga att det är extremt osannolikt att han lämnar president posten inom de närmaste 2 timmarna. (I) är ett exempel på en förutsägelse som med tiden närmar sig 100 procents sannolikhet – frågan är bara vilket värde t som ger p(I)=1.

(II) Är bättre, ur ett perspektiv, eftersom sannolikheten inte varierar enformigt med tiden. Antingen så händer det eller så händer det inte – långsiktigt kommer (II) antingen att vara sann eller falsk. Det betyder att (II) formulerats på ett sådant sätt att den innehåller en genuin osäkerhet. Frågan är om denna genuina osäkerhet är intressant för oss eller ej — den har ett visst värde, men hur stort är detta värde? Vi har köpt oss precision till priset av att inte längre ha samma sorts förklaringsvärde. (III) är en variant på detta, och visar bara att endast precision inte ökar värdet i en förutsägelse.

(IV) är en intressant förutsägelse som är tidssatt, och dessutom har stort potentiellt värde i att analysera olika scenarier. Vem skulle denna andra presidentkandidat vara? Varför har han eller hon tillträtt och Trump avgått? Vad är det som har hänt? Det finns ett narrativt djup i (IV), tror jag man kan säga, som gör den förutsägelsen intressantare än (II) och (III). (IV) fordrar att vi ställer frågan: hur skulle världen behöva se ut för att detta skulle kunna ha skett – med en mångfald av olika möjliga orsaker.

(V) Är mer generativ, eftersom en Trumpförlust är en politisk händelse som kan ha andra efterverkningar i polarisering, politisk hätskhet mm. Problemet med (V) är dock att den låser sig till en orsaksförklaring. Det är inte en bra förutsägelse. En bra förutsägelse måste vara polyvalent, ta en mängd olika indata och invärden för att generera en intressant förutsägelse. Ett sätt att se det är att säga att en förutsägelse ska kunna representeras som ett träd: själv förutsägelsen är roten och sedan kan vi explodera de olika faktorer som vi tror ökar eller minskar sannolikheten för förutsägelsen. I en bild:

Skärmavbild 2019-10-07 kl. 07.27.04

Ett kausalitetsdiagram – en av många olika verktyg man kan experimentera med vid förutsägelsearbete.

Detta tar oss till (VI) som har fördelen att ha stort värde för att skissa ut ett företags framtid i USA, fokuserar på en egenskap – radikal – som i och för sig behöver definieras tydligare, men som är tydlig nog i dagens diskussion. Om man skulle välja en förutsägelse av de ovanstående, skull jag nog välja denna — även om det finns fördelar med alla olika varianter. Just adjektivet är intressant, förresten, eftersom det fordrar att man i kausalitetsdiagrammet bryter ut ett antal faktorer som just främjar sannolikheten för att en radikal demokrat skulle väljas i primärvalen mm.

Detta är långt från enkelt, förstås, men det är intressant. Det är en nyttig och viktig övning att ständigt fråga sig: vilka tio saker om framtiden skulle det vara verkligt värdefullt för mig att kunna förutsäga med en bättre än 70% sannolikhet eller så?

Finns det en alt-data marknad?

Nyheten om alt data providern Thasos problem har rest frågan om den s.k. alt data marknaden hajpats och om den egentligen finns. Det är i sig en ingång till en intressant fråga om hur vi samlar data för beslutsfattande och olika sorters analys.

Den mentala modell som ligger till grund för tanken på en alt-data marknad är enkel: det finns en uppsättning data som används för standardanalyser av företag och finansmarknader – denna ’finansiella’ information kan nu kompletteras med andra, ’alternativa’ datakällor som kan ge nya och unika insikter.

Det finns flera problem med den här modellen:

(I) Antagandet om en standardmängd är egentligen inte prövat — investeringsbeslut görs ofta på basis av rikt heterogena datakällor.

(II) Antagandet om ett bestående värde i alternativa datakällor är skakigt. Just nu verkar det som värdet minskar snabbt – och så fort information integreras i priset så försvinner värdet – ett intressant problem, eftersom det säger något om hur data som konkurrensfördel funkar: så fort data används förlorar den i relativt värde. Marknaden lär sig. Ur artikeln:

For instance, right now a datapoint that can measure tariff impacts on China would be extremely helpful, Tsafos said. But the current interest from hedge funds can dissipate quickly.

Marknaden har dessutom gått igenom en bubbla här och antalet företag har exploderat — vilket visar hur svårt det är att ringa in vilka sorters data som har unikt värde.

Det finns en lektion här för de som gått på metaforen att data är den nya oljan.

När pandemin kommer

som-pesten

Hanne Vibeke Holsts bok Som pesten är en välskriven och intressant studie i hur vi skulle kunna hantera en influensapandemi. När jag läste den upplevde jag hennes skildring av hur oförberedda vi är och hur svårt samhället skulle drabbas som överdriven, men det visar sig att jag hade fel: Holst var generös i sin skildring. WHO släpper nu en rapport i vilken en panel påstår att en pandemi inom 36 timmar kan bli global, med omfattande konsekvenser för säkerheten och ekonomi.

Endast 59 länder har planer för hur en pandemi skall hanteras och mycket få har finansierat sina planer. I Sverige ansvarar Folkhälsomyndigheten för arbetet och man redovisar på sin hemsida de planer som föreligger. När det gäller medicinsk beredskap redovisar man i en av rapporterna hur mycket antivirala medel och antibiotika som finns i våra beredskapslager — och det är intressant läsning. Antibiotika tros behövas för att hantera sekundära infektioner som lunginflammation och generella antivirala mediciner är mest till för att hantera sårbara grupper fram till det att ett vaccin kan tas fram – men ändå tycks siffrorna skakiga, och senast uppdaterade 2015:

Screenshot 2019-09-20 at 10.48.35

Screenshot 2019-09-20 at 10.47.41

Men min bedömning är förstås en amatörs — detta kanske är mer än nog. Planen för läkemedel uppger också att förhandlingar pågår för att se till att vaccin kan framställas snabbt och att dokumentet skall uppdateras när så skett — i vaccineringsplanen framgår separat att man avtalat med ett antal läkemedelsföretag om att få tillgång till vaccin så fort det existerar, och att man avtalat om 17 miljoner doser. Så möjligen är den svenska beredskapen ändå rätt god.

Världens beredskap i övrigt tycks dock skakig, enligt panelen, och frågan är om en pandemi kan hanteras som ett nationellt problem.

Den som är intresserad av framtidsstudier i stort intresserar sig också för händelser som en pandemi – oundvikliga överraskningar som Peter Schwartz kallat dem. Vi vet att det kommer en pandemi – vi vet bara inte när. Ett tips är att läsa Holst som ett optimistiskt scenario. Sedan är det bra att hålla ett öga öppet för händelser som denna

Brottslighet som komplext system i städer

14576812059_1a23f64f79_z

Är det mer sannolikt att du utsätts för brott i en stad än på landet? Svaret tycks vara ja, och förklaringen är enkel: även brottslingar kan dra nytta av det faktum att en stad erbjuder flera samarbetsmöjligheter och fler potentiella samarbetspartners.

Städers innovationskraft diskriminerar när det gäller syftet med innovationen, och även brott kan beskrivas som en entreprenöriell verksamhet. Det är i sig inte särskilt uppseendeväckande, men en observation i studien förtjänar att lyftas fram: brottsligheten ökar snabbare än stadens storlek ökar. Det betyder att när en stad växer till dubbla storleken, så mer än dubblas brottsligheten.

Det gäller också, påpekar författarna, antalet patent och företagandet och konstnärlig verksamhet — alla sociala verksamheter ökar snabbare med en ökande stadsstorlek – de är superlinjära. Även tidigare studier har visat detta, med en intressant modifikation: för de riktigt stora städerna blir resultaten sublinjära för våldsbrott och egendomsbrott. Om du vill bo i en stad, men bo i en relativt sett säkrare stad, så blir rådet alltså att flytta till en riktigt stor stad – topp 10 verkar duga i USA.

Som de flesta också vet handlar det inte bara om en skillnad mellan stad och land, utan också om var i staden man bor. Brottsligheten är inte jämnt fördelad över staden, utan koncentrerad till vissa områden – och olika sorters brottslighet är olika koncentrerad. En studie visade att stöldbrott är mer koncentrerade till vissa områden än rån, och att rån i sin tur är mer koncentrerade till platser i en stad än inbrott.

Några hypoteser för framtidsstudier:

  • Det tycks vara säkert att förutsäga att till en viss gräns kommer brottsligheten i en stad att öka snabbare än stadens storlek ökar — det betyder i sin tur att städer som växer kommer att ha ett större problem med brottslighet – tills dess att de blir riktigt, riktigt stora.
  • Urbaniseringen kommer att öka innovationstakten – även i brottsligheten.
  • Varje typ av brottslighet uppvisar någon sorts geografisk koncentration – områden som i dag är utsatta kommer, när en stad växer, att bli mer utsatta och svårare att få ordning på.
  • Ordningsmakten är inte organiserad på samma sätt som brottsligheten – där ordningsmakten är strukturerad som ett hierarkiskt system är brottsligheten ett komplext adaptivt system. Hierarkiska systems effektivitet ökar sublinjärt med stadens storlek. Den kanske mest intressanta frågan blir då om säkerheten i en stad kan organiseras som ett socialt komplext nätverk, och därmed också öka superlinjärt med stadens storlek? Utan att det urartar till medborgargarden? (Detta sker spontant idag med nattvandrande nätverk och andra liknande initiativ — skall de uppmuntras eller ej?)

Kommer Mello att samla in pengar mot klimatförändringarna?

Tyska Deutsche Welle rapporterar om hur man i Danmark haft ett insamlingsrejs på TV för att plantera 1 miljon träd i Danmark. Tydligen fick man in 2.4 miljoner danska kronor – och hela projektet bygger på en studie som säger att om vi bara planterar en väldig massa träd så kan vi stoppa klimatförändringarna.

Det är en intressant utveckling, och eftersom det tycks finnas ett växande behov av att göra något så är det inte osannolikt att vi kommer att se liknande insamlingar i Sverige. Det perfekta föremålet för en sådan aktion vore förstås den älskade melodifestivalen.

Det som intresserar mig här är hur den växande klimatoron söker sig utlopp i olika typer av (förenklade) kampanjer och rörelser. Det är inte osannolikt att vi kommer att se flera olika exempel på detta i framtiden – men frågan är hur underbyggda dessa kommer att vara. Balansen mellan att göra det rätta och göra det lätta är alltid svår att finna – men det står nu klart att det finns en klimatvilja som inte kan ignoreras i politiska analyser och framtidsstudier; frågan har förblivit en av de viktigare i Sverige under lång tid och med den fokalpunkt som Greta Thunberg erbjuder så måste klimatfrågan värderas upp i de olika framtidsscenarier vi funderar över. Det danska exemplet sätter ett pris på engagemanget som ger oss en bättre uppskattning av styrkan i denna faktor.

Samsung om livet 2069

Framtidsstudier är svåra – särskilt när de handlar om framtiden. Det är inte utan att man känner för att parafrasera Yogi Berra när man läser olika typer av framtidsstudier, och det gäller särskilt de riktigt långsiktiga, som denna studie där Samsung försöker förutsäga 2069. Bland förutsägelserna finns medicinska implantat och självstädande hem – och undervattensvägar av olika slag. Rymdturism och virtuella assistenter förekommer också i rapporten. Något med allt detta känns litet … tråkigt? Men det kan vara en poäng! Kanske kommer framtiden att vara litet tråkig. 50 år sedan var 1969 – och om vi använder det som modell inser vi att det kanske är så att det är mer av allt vi har idag och med nya användningsområden som är den bästa gissning vi kan erbjuda?

1969 fanns tydliga tecken på Internet, mobiltelefoner och AI var redan uppfunnet. Visionerna då skiljde sig kanske inte radikalt från vad vi ser idag. Men kanske handlar det om upplösningen i förutsägelserna? Det är lätt att göra ganska grovkorniga och intressanta förutsägelser, men riktigt svårt att göra mer detaljerade prognoser – frågan är vid vilken upplösning en prognos blir meningslös?

Vi påminner oss om Keynes: ”in the long run we are all dead” – en riktigt prognos, men så grovkornig att den saknar mening för oss (pace Kurzweil). Just detta – förutsägelsers upplösning – är en nyckelfråga för den som är intresserad av framtidsstudier. Här finns också frågor om upplösningen i de dataserier som vi använder för att försöka förstå framtiden — vilken upplösning är idealisk? Vad bestämmer detta, egentligen? Jämför:

(i) Börsen kommer att stå i X kl 12:23:21

(ii) Börsen kommer att gå upp 10% under det kommande året

Vilken av dessa skulle du föredra att kunna göra med 90% sannolikhet? Varför?

Eller jämför dessa:

(i) UK kommer att lämna EU under 2019.

(ii) UK kommer att lämna EU 31.10 2019.

Vilken av dessa är mest intressant? Spelar det roll att de hänger ihop i detta fall (den ena är en delmängd av den andra)?

Nå, Samsung erbjuder en grovkorning förutsägelse om 2069 som ändå innehåller en hel del intressant att fundera på, men kanske är det just upplösningen som gör att jag ändå inte riktigt går igång på materialet?

Förutsägelsemarknader – när fungerar de?

Predictit – en av många framtidsmarknader – handlar i sannolikheter för olika händelser. En av de händelser man kan handla i (om man bor i USA) är en recession under Trumps första mandatperiod. Prisbilden ser ut såhär:

Screenshot 2019-09-08 at 21.10.12

Det är fascinerande att se hur sannolikheten ändrats i de olika bedömningarna sedan i slutet av juli. Förutsägelsemarknader är viktiga verktyg, men de är svåra att sätta upp på rätt sätt. Ur Mother Jones:

Hal Varian’s answer is that the most valuable predictions are very sensitive, and you don’t want those to be public. My answer is different: prediction markets are too easy to game. They work decently as long as no one really cares about the answer, but as soon as someone does care—i.e., someone can make a lot of money from influencing the results—then the prediction market will be rigged. The only way to stop that from happening is to make the market expensive, but then you lose almost all your players.

Det finns en allmän insikt här, en viktig generell sanning — det är inte lätt att sätta upp en marknad – oavsett vad den är till för! Marknader är komplexa institutioner. En fin genomgång av denna komplexitet finns här. Oaktat detta utgör dock de protomarknader som finns idag intressanta signaler som sedan kan användas i det egna arbetet med forecasting.

 

Antalet döda i årets värmebölja i Frankrike 1500 mot 2003 års 15000

I en artikel nyligen förklarar Frankrikes hälsominister att man uppskattar att sommarens extremvärme skördade 1500 offer, men att det i sig var en tiondel av antalet som dog under värmeböljan 2003:

Agnes Buzyn, speaking on France Inter radio Sunday, said there were over 1,000 more deaths that the annual average for the time of the year, and half of those were aged over 75. She said there were 18 days of recorded in France this year during June and July.

She noted, however, that it represented many fewer deaths than the scorching heat wave in 2003 that claimed 15,000 lives.

She said: ”We have succeeded—thanks to prevention, thanks to workable messages the French population heeded—to reduce fatalities by a factor of 10.”

Det är en tankeväckande observation, av många skäl. För det första tycks den visa att vi anpassar oss till extremvädret snabbt i vissa fall. För det andra reser det frågan om hur motsvarande ser ut i Sverige — räknar vi ut hur många fler som dör i en värmebölja eller under extremvarma somrar? För det tredje undrar jag hur man räknar fram ett medeltal och om inte detta redan rymmer just säsongseffekter?

Dessa frågor kan tyckas morbida, men är nog inte oviktiga när vi försöker förstå framtida effekter på ekonomi och samhälle av klimatförändringarna. Det verkar inte som om siffrorna hänger ihop: i en artikel i The Guardian påstods att det globalt var 5000 personer som förlorat livet till följd av extremväder. Om det var 1500 i somras i Frankrike kan det inte stämma — det saknas uppenbarligen standardmodeller här, eller en vilja att planera.

Jonathan Franzen har en poäng – det finns flera olika sorters underlåtenhet att undvika i klimatfrågan.

Hur minskar vi ojämlikheten? Genom krig och pandemier. (Omöjliga åsikter #5)

CEPR har publicerat en ny, intressant artikel om krig och jämlikhet. Efter andra världskriget föll den rikaste procentens andel av den totala samhälleliga rikedomen från runt 20% till under 10%:

schiedelfig1

Source: Scheidel 2017: 131, Fig. 5.1, based on WID.

Det var den enskilt största ”jämlikhetsreformen” under hela 1900-talet och följdes av höjda skatter som höll jämlikheten på dessa nivåer, skatter som först nu börjat dala:

schiedelfig2

Sources: Scheve and Stasavage 2016: 10, Fig. 1.1; Scheidel 2017: 167, Fig. 5.13, fromhttps://www.macro.economics.uni-mainz.de/klaus-waelde/trade-union-density-from-1880-to-2008-for-selected-oecd-countries/.

Frågan är förstås hur detta går till – vad är det som sker? Det är flera samtidiga utvecklingslinjer, menar författarna, men inte minst att kapital förlorar i värde i krig — Frankrikes kapitalstock föll med 2/3-delar, exempelvis. Krig skapar alltså jämlikhet; det betyder förstås inte att den som förespråkar större jämlikhet också förespråkar krig – om det inte är så att det är endast krig som skapar jämlikhet.

Riktigt så illa är det inte. Det är värre. Åtminstone enligt Walter Scheidel. Det har hittills, menar han, bara varit krig, statskollaps, revolution eller pest som radikalt kunnat öka jämlikheten i samhällen. Det går att vidmakthålla jämlikhet, men när den väl rasat iväg in i ojämlikheten känner vi inte till några andra historiska processer som kan justera de ekonomiska förhållandena.

Problemet här är förstås kausaliteten. Om vi är intresserad av att försöka skissa olika scenarier för framtiden så måste vi besluta oss för vilka mentala modeller vi vill utforska:

(I) [krig, pest, statskollaps, revolution] –> jämlikhet

(II) ojämlikhet –> [krig, statskollaps, revolution, pest]

(III) fred –> ökad ojämlikhet

(IV) Krig –> [ökad reformtakt, fackföreningsmedlemsskap och politisk handlingskraft]

Om vi indexerar risken för krig med ojämlikheten som en signal, så borde kanske risken för storskaligt krig idag bedömas som mycket högre (om man nu seriöst kan diskutera risken för ”krig” utan att situera den risken mellan två parter och i en geopolitisk kontext). I en naiv modell:

Screenshot 2019-09-03 at 08.51.25

Så hur skulle vi uppskatta risken för ett krig med fler än 4 nationer inblandade före 31.12 2019? Förmodligen fortfarande mycket låg – 0.05-0.15 eller så – men det är intressant att köra en modell som denna mot olika korgar av länder.

Tillbaka till Scheidel. Är budskapet vi ska ta till oss att det är meningslöst att kämpa mot ojämlikheten med politiska reformer? Eller att sådana reformer kräver samma typ av samhälleliga sinnesstämning som ett krig leder till? Scheidels eget svar från en intervju med förläggaren är värt att citera i sin helhet som avslutning:

This doesn’t raise much hope for the future. What are the chances that we will be able to return to a fairer distribution of income and wealth?
That’s a good question, although few people will like my answer. The traditional mechanisms of major leveling, the Four Horsemen, currently lie dormant: technological progress has made future mass warfare less likely, there are currently no revolutions on the horizon, states are much more stable than they used to be, and genetics will help us ward off novel epidemics. That’s a good thing – nobody in their right mind should yearn for death and destruction just to create greater equality. But similarly powerful peaceful means of leveling have yet to be found. And to make matters worse, a number of ongoing developments may drive up inequality even further: the aging of Western societies, immigration’s pressure on social solidarity and redistributive policies, and the prospect of ever more sophisticated automation and genetic and cybernetic enhancement of the human body. Barring major disruptions or an entirely new politics of equality, we may well be poised to enter a long period of polarization, another Gilded Age that separates the haves from the have-nots.

Om klimatförändringarnas positiva efterverkningar (Omöjliga åsikter #1)

Det finns en mängd olika hållningar i klimatfrågan – från klimatförnekare till klimatalarmister. Det finns dock hållningar som vi sällan ser alls — och det är just en sådan som Jason Hubbart lyckats inta: han tror att klimatförändringarna är verkliga, skapade av människan och kommer att innebära rejäla fördelar för den delstat som han forskar i: jordbruket kommer att bli bättre och ekonomin stärkas betydligt. Ur artikeln:

Outcomes in his research also suggest the possibility of double-cropping, meaning that the growing seasons are extending long enough to raise one crop and harvest it and then raise another crop and harvest it, too, within the same year.

”Doing that, obviously, increases economic revenue and provides local food supplies that could greatly improve access to fresh vegetables to our citizens,” Hubbart said. ”That’s more than just a bit of good news.”

Hubbart’s findings come from more than 90 years’ worth of observed weather data from climate stations on the ground throughout West Virginia and Appalachia. Whereas some research relies on climate models utilizing information from more distant locations and predictions based on those models that often aren’t accurate, these findings are based on actual observed long-term West Virginia data, he said.

While other climate research predicts drier climates and the emergence of food deserts, Hubbart’s research indicates quite the opposite.

”West Virginia is a beautiful state with so much to look forward to,” he said. ”Our great scientists are making incredible progress in agriculture, food deserts, agricultural economics, etc. We need to celebrate our current successes and how we can use those successes in what I view as a very bright agricultural future for our state.”

”My results indicate that future climates will facilitate higher productivity and new , both of which could create an economic boom for West Virginia, reduce food desert issues and broadly improve the human condition in our state.”

Här finns en intressant insikt som debatteras alldeles för sällan, och det är att även i de mer katastrofala scenarierna som diskuteras i klimatvetenskapen så kommer det att finnas strategiska vinnare och förlorare. En gissning som susat förbi i utrikespolitiska diskussioner är att Ryssland – med en stor frusen landmassa som skulle tina – plötsligt låser upp massiva förråd av naturresurser. Stämmer det? Jag vet inte, men jag tror att svaret på den frågan är intressant för att förstå politiska skeenden och utvecklingslinjer.

Under den här frågan ligger en fråga om absorptionsbarriärer (för att tala med Taleb): den som tror att ett visst skede innebär att ett system går under i sin helhet är intresserad av att förstå förändringar i systemet till följd av skeendet – de blir helt enkelt irrelevanta. West Virgina kommer inte att finnas, till följd av det globala sammanbrott som följer på klimatförändringarna, helt enkelt, så varför skulle vi ens diskutera om det skulle ha kunnat bli bra för dem? Om vi däremot tror att systemet kommer att finnas kvar, men med stora, kanske extrema förändringar – då blir diskussioner om balansen i systemet intressanta. (För en mer pessimistisk syn, som fortfarande dock inte utgår från absoprtionsbarriärer – se denna artikel om kuststäder i USA.)

Så hur är det med klimatfrågan? Är det en fråga som systemets (vår civilisation) undergång eller dess förändring? Det kan tyckas en cynisk fråga, men jag är ganska säker på att den ställs i de olika sammanhang där geopolitiska långa framtider diskuteras. Just därför är det ett viktigt perspektiv för den som är intresserad ev framtidsstudier och forecasting – även om det kanske är en omöjlig åsikt i sig att klimatförändringarna är verkliga och mestadels positiva (och, för säkerhets skull: inte en åsikt jag delar).