Ratkaisuja viheliäisiin ongelmiin?

TkT Tommi Ekholm
Tutkimusprofessori (ilmastonmuutoksen hillintä), Ilmatieteen laitos

Voiko operaatiotutkimuksen menetelmillä ratkoa viheliäisiä ongelmia (wicked problems)? Horst Rittel esitteli vuonna 1967 tämän käsitteen, joka tarkoittaa useita ristiriitaisia tavoitteita ja päätöksentekijöitä käsittäviä tilanteita, joissa informaatio on epätäydellistä ja mahdollisesti ristiriitaista. Perinteisten operaatiotutkimuksen työkalujen mielessä tämänkaltainen päätöksentekotilanne on huonosti määritelty: sille ei voida ilmaista tavoitteita, päätösvaihtoehtoja eikä vaihtoehdoista seuraavia lopputulemia.

Käsitteen puolesta vastaus on ei: mikäli ongelma voitaisiin ratkaista, se ei olisi alun perinkään viheliäinen ongelma. Sen sijaan operaatiotutkimus voi auttaa hahmottelemaan ratkaisuja ja niiden mahdollisia vaikutuksia, esimerkiksi yksi perspektiivi tai tavoite kerrallaan. Tätä kautta ongelmalle voidaan saada tarkempaa muotoa ja rakennetta.

Operaatiotutkimuksessa käytettyjen formaalien ja kvantitatiivisten mallien etu on niiden eksplisiittinen luonne. Niissä kerrotaan tarkkaan, miten asioita arvioidaan ja arvotetaan, sekä miten maailman oletetaan toimivan. Tätä kautta mallien kautta saadut ratkaisut altistetaan kritiikille, joka auttaa tunnistamaan miten menetelmiä ja ehdotettuja ratkaisuja tulisi kehittää.

Tässä piileekin sudenkuoppa. Mallit voivat antaa kuvan, että ongelma tunnetaan läpikotaisin. Optimointialgoritmi antaa ratkaisun kymmenen desimaalin tarkkuudella ja mallin käyttäjä voi rohkeana esittää sen olevan Optimi. Viheliäinen ongelma on kesytetty.

Mallien tarkkuus on kuitenkin näennäistä. Mallista puuttuu aina osa todellisuudesta, eikä ratkaisu ole koskaan pilkulleen oikein. Viheliäisten ongelmien tapauksessa laskentamallit antavat tarkan vastauksen epätarkkaan ongelmaan. On tunnistettava ja tunnustettava, että ehdotettujen ratkaisuiden tulee olla debatin alla, ja tämä debatti voi antaa ideoita siihen, miten mallinnusta tulisi kehittää parempien ratkaisujen löytämiseksi. Jos luulee kesyttäneensä viheliäisien ongelman, todellisuudessa siitä on lohkaistu vain palanen.

Ilmastonmuutos, joka on oma tutkimusaiheeni, täyttää monta viheliäisen ongelman tunnuspiirrettä. Ongelma ja sen ratkaisut ajoittuvat pitkälle aikavälille ja vaikuttaa sekä taloudellisiin että ei-taloudellisiin kysymyksiin. Pitkä aikaväli johtaa taloudellisissa kysymyksissä diskonttaukseen, mutta ei-taloudellisten vaikutusten osalta kysymys kääntyy eri sukupolvien väliseen tasa-arvoon, jonka diskonttaus on kiistanalaista. Ei ole myöskään selvää, miten ei-taloudellisia vaikutuksia, kuten elinolosuhteiden muutoksia tai lajien sukupuuttoa tulisi arvottaa, esimerkiksi suhteessa toisiinsa tai yhteiskunnan taloudelliseen hyvinvointiin. Asian ratkaisuun liittyvä päätöksenteko on seitsemän miljardin ihmisen käsissä, tai vähintään kahdensadan valtiojohtajan käsissä. Lisäksi sekä ratkaisuihin että vaikutuksiin liittyy huomattavaa epävarmuutta.

Vuonna 2018 taloustieteen Nobel-palkinto myönnettiin William Nordhausille, jonka talous- ja luonnontiedettä yhdistävä mallinnustyö aloitti kokonaan uuden tutkimussuuntauksen: ilmastotalouden ja ns. Inegrated Assessment -mallinnuksen. Hänen lähestymistapansa oli yksinkertaisuudessaan kuvata ilmastonmuutos ja sen vaikutukset talouskasvumallissa taloudellisina menetyksinä, jolloin mallille voidaan määrittää yksikäsitteinen tavoite maksimoida ihmiskunnan taloudellista hyötyä diskontattuna useiden vuosisatojen yli.

Lähestymistapa on saanut paljon kritiikkiä. Mm. reaalioptioiden pioneeri Robert Pindyck on esittänyt Nordhausin tekevän implisiittisesti merkittäviä arvovalintoja, lakaisevan epävarmuudet maton alle, sekä tulosten lähinnä heijastelevan oletuksia useista huonosti tunnetuista parametreista.

Itse allekirjoitan Pindyckin kritiikin pääpiirteissään. En pidä Nordhausin mallin antamia numeroita kovin luotettavina, saati hyödyllisinä käytännön päätöksentekoa ajatellen. Sen sijaan arvostan sitä, miten Nordhausin uraauurtava työ on antanut viheliäiselle ongelmalle muotoa ja tarttumapintaa, josta lähtien sitä voi lähestyä. Vaikka Nordhausin lähestymistavassa on merkittäviä puutteita, ilmasto-ongelman lähestymien eksplisiittisen laskentamallin avulla myös paljastaa tarkastelutavan heikkoudet ja miten sitä tulisi täydentää. Koko ongelman viheliäisyydestä kertoo kuitenkin se, että ongelmaan ei ole syntynyt lähes 30 vuoden kuluessa mitään uutta ja poikkeuksellista läpimurtoa.

Voisi ajatella, että mallien roolia viheliäisten ongelmien ratkaisussa tulee pohtia tarkkaan.

Jos viheliäiseen ongelmaan pyritään hakemaan optimiratkaisua, tavoitellaan mahdotonta. Ehkä maltillisempi tavoite olisi jo riittävä. Voidaan ehkä vain sulkea pois huonoja vaihtoehtoja, jolloin jäljelle jää vielä joukko eri tavoin tosiaan parempia ja huonompia ratkaisuja, mutta jotka ovat ehkä jollain tavalla hyväksyttäviä. Tällöin tulee elää sen kanssa, että ratkaisu on aina hieman epätyydyttävä.

Lopulta malli ei tee päätöksiä, vaan päätöksentekijä punnitsee kuinka hyvin mallilla saatava tuki päätöksenteolle kuvaa todellisuuden ongelmaa sen kaikessa viheliäisyydessään. Tällöin korostuu mallin ja sillä tehdyn analyysin uskottavuus, läpinäkyvyys ja ymmärrettävyys. Harva päätöksentekijä ottaa vastaan informaatiota, jonka lähdettä ja taustaa hän ei ymmärrä.

Tällöinkään viheliäinen ongelma ei ole vielä kesytetty. Jäljelle jää vielä haaste usean päätöksentekijän tavoitteiden sovittamisesta yhteen. Ehkä näemme tulevaisuudessa uusia lähestymistapoja, jotka auttavat tämänkin näkökulman ratkaisemisessa hyväksyttävällä tavalla.

Kirjallisuutta:

Churchman, C.W. (1967) Wicked Problems. Management Science 14(4), ss. B-141 – B-142.

Ekholm, T. (2018). Climatic Cost-benefit Analysis Under Uncertainty and Learning on Climate Sensitivity and Damages. Ecological Economics 154, ss. 99–106.

Nordhaus, W.D. (1992) An Optimal Transition Path for Controlling Greenhouse Gases, Science 258, ss. 1315–1319.

Nordhaus, W.D. (2017) Revisiting the social cost of carbon. PNAS 114(7), ss. 1518–1523.

Pindyck, R. (2013) Climate Change Policy: What Do the Models Tell Us? Journal of Economic Literature 51(3), ss. 860–872.

Rittel, H. & Webber, M.M. (1973) Dilemmas in a General Theory of Planning. Policy Sciences 4, ss. 155–169.

Operaatiotutkimuksen soveltaminen terveydenhuollossa

Operaatiotutkimuksen (OR) menetelmät sopivat hyvin moniin sairaanhoidon- ja terveydenhuollon kysymyksiin. Niillä pystytään tuottamaan tietoa päätösten tueksi niin populaatiotason suurissa linjauksissa kuin yksittäisen hoitopäätöksenkin kohdalla arvioimalla sitä, mikä vaihtoehto, tai kokoelma vaihtoehdoista olisi mihinkin tilanteeseen paras.

Parannukset saatuun terveyshyötyyn per käytetty euro voivat myös nopeasti osoittautua hyvin tuottaviksi kansantaloudellisesti. Sairaanhoidon ja terveydenhuollon osuus BKT:sta on Suomessa n 7%, rahassa yli 15 mrd€. Yksi säästetty % siis vastaa 150m€ vuosittain. Näitä prosentteja löytyy mm. diabeteksen ja sydän- ja verisuonitautien ym. isojen kansantautien kuluista – ja nyt myös kiusallisen ilmiselvästi koronaviruksen kaltaisten pandemioidenhillitsemisestä . Haaste ei ole kuitenkaan helppo.

Operaatiotutkijalle tämä on huomattavan haastava ja palkitseva ongelmakenttä. Olen itse päässyt tutkimaan useita eri optimointi- ja simulaatiotekniikoita, laskennan tehostamista, rinnakkaislaskentaa, useita eri sairauksia ja niihin liittyviä hoito ja testausmenetelmiä ja ylipätään ymmärtämään paremmin, minkälaisia haasteita terveydenhuollon päätöksentekijät päivittäin kohtaavat.

Tässä kirjoituksessa yritän kuvata OR:n ongelmakenttää terveydenhuoltoon sovellettuna. Näkökulma on omasta työstäni johtuen optimointipainotteinen.

Mitä ominaispiirteitä terveydenhuollon ongelmilla on OR:n näkökulmasta?

Hieman karrikoiden:

Terveydenhuollon OR on monimutkaisten dynaamisten prosessien monitavoitteista optimointia resurssirajoitteella ja arvolatauksella.

Terveydenhuollon yksi peruskipupisteistä on rajatut resurssit. Jos valitsemme esimerkiksi yhdelle potilasryhmälle terveyden kannalta parhaan ja samalla eniten lääkärien aikaa kuluttavan vaihtoehdon, muiden kohdalla voimmekin joutua valitsemaan nopeamman mutta terveyden kannalta huonomman vaihtoehdon. “Parhaan ratkaisun” näkökulmasta nimenomaan resurssirajoite usein pakottaakin meidät valitsemaan hoitostrategian ‘kaikille ryhmille samalla kertaa’, mikä johtaa hyvin moneen erilaiseen strategiavaihtoehtoon. Esimerkiksi 5 ikäryhmää, 2 sukupuolta ja 5 vaihtoehtoa jokaiselle tuottaakin jo lähemmäs 10 miljoona mahdollista tapaa valita yksi vaihtoehto kullekin 10:lle ryhmälle!

Toinen terveydenhuollossa usein eteen tuleva haaste on se, että tavoitteita on yhtä aikaa monia: esimerkkinä toimikoon tavoiteltavien terveyshyötyjen maksimointi ja kustannusten minimointi samalla kertaa.

Näissä haasteissa OR tarjoaa avuksi mm. optimointimalleja, joiden avulla hyvin muotoiltu ongelma ratkeaa lähes nappia painamalla. Tuloksena on joko yksi (mallin mielestä) parhaimmaksi tunnistettu vaihtoehto tai joukko tehokkaita vaihtoehtoja, joiden välillä ei selkää paremmuusjärjestystä ole. 

Potilastietokannat ovat täynnä dataa, joka kertoo mm. mikä hoito yleensä toimii, ja jota voidaan käyttää mallien parametrien estimointiin. Miksi nappia ei siis painella koko ajan? Piru lymyää yksityiskohdissa, ja sanoissa ‘hyvin muotoiltu ongelma’. 

OR:n haasteet terveydenhuollossa

Ihmisten terveys on monimutkainen prosessi, jossa eri sairaudet kehittyvät eri tahtiin, vaikuttavat toisiinsa ja reagoivat hoitoihin mm. genetiikasta riippuen. Systeemien monimutkaisuus onkin johtanut monessa tapauksessa simulointimallien käyttöön optimoinnin sijaan. Optimointipuolella usein käytettyjä mallinnustekniikoita ovat Markov-päätösmallit (MDP, POMDP), joiden avulla voidaan mallintaa terveydentilan muutoksia ja terveystiedon epätäsmällisyyttä.

Systeemien monimutkaisuuden lisäksi sairaanhoidon ja terveydenhuollon kysymyksiin liittyy usein huomattava määrä erilaisia kimurantteja näkökulmia, kuten terveyshyötyjen mittaaminen, niiden vertailu kustannuksiin, datan sovellettavuus juuri käsillä olevaan ongelmaan, päätöksentekijöiden (mm. lääkärit, poliitikot) erilaiset tavoitteet ja reunaehdot, joita ei vielä olla mietitty kovin yksityiskohtaisesti.

Suurin haaste ei siis välttämättä ole matemaattinen, laskennallinen tai tulosten tulkinta vaan kysymyksen asettelu ja muotoilu tarpeeksi täsmällisesti. Tämä vaatii väistämättä terveydenhuollon ammattilaisten ja OR-asiantuntijoiden yhteistyötä. Teknisiä haasteita riittää myös: miten esimerkiksi yhdistää monimutkaiset simulaatiomallit optimointialgoritmeihin niin, että tehtävä säilyy laskennallisesti ratkaistavana?

OR:n hyödyt terveydenhuollossa

Entistä parempien testaus-, hoito- ja resurssiallokaatiostrategioiden lisäksi näiden ongelmien ratkominen voi olla hyvin opettavaista henkilötasolla. Operaatiotutkijan ongelmien monimuotoisuus pakottaa kehittämään mallinnusajatteluaan, terveydenhuollon ammattilainen puolestaan joutuu purkaamaan oman tai kollegoidensa toiminnan osiin, pohtimaan miksi he mitäkin tekevät ja kohtaamaan myös omat oletuksensa ja mahdollisen täsmällisen tiedon puutteen omasta ongelmastaan.

Terveydenhuollon kokoluokka ja suorat vaikutukset ihmisten hyvinvointiin tekevät siitä yhden potentiaalisesti merkittävimmistä ja samalla haastavimmista hyödyntämiskohteista. OR-mallien ja algoritmien antamat tulokset eivät kuitenkaan usein ole lopullinen vastaus päätöksentekijän haasteisiin. Yllä kuvatut ominaisuudet johtavat usein siihen, että tehokkaita tai yhtä hyviä vaihtoehtoja on useita, ja ne täytyy asettaa jonkinlaiseen järjestykseen mallin ulkopuolisin kriteerein. Miten esimerkiksi toimimme tilanteessa, jossa mallii antaa kaksi tehokasta vaihtoehtoa, joista toisessa ryhmä 1 saa paremmat palvelut, ja toisessa ryhmä 2? Edessä on arvovalinta, joka on päätöksentekijän tehtävä, eikä malli ota siihen kantaa.

Eksaktin ja selkeän vastauksen puute ei tarkoita, että malli olisi ollut hyödytön. Se on voinut tehdä näkyväksi hankalan priorisointiongelman, johon vastaus täytyy kaivaa loppuviimein päätöksentekijän arvoista tai mallin ulkopuolisista preferensseistä. Mallin avulla on myös mahdollisesti saatu karsittua vaihtoehdoista tehottomat pois, joten päätöksentekijän tehtävä on tässä mielessä selkeämpi. Ilman malliakin priorisointi olisi tehty, tai ehkä oikeammin tapahtunut huomaamatta – mallin ansiosta se voidaan tehdä tietoisesti ja seuraukset ymmärtäen. Tällöin myös päätösten perustelu on läpinäkyvämpää ja kestävämmällä pohjalla.

Aihepiirin tärkeys huomioiden näkisin mielelläni mahdollisimman paljon OR:n soveltamista terveydenhuollon käytännön päätöksentekotyössä!

“Parempaa ympäristöpäätöksentekoa matemaattisilla malleilla” -seminaari 21.11.2019

Suomen operaatiotutkimusseura järjestää torstaina 21.11.2019 seminaarin aiheesta ”Parempaa ympäristöpäätöksentekoa matemaattisilla malleilla”. Seminaarissa kuullaan ympäristökysymysten mallinnuksen ammattilaisten puheenvuoroja siitä, miten mallinnus auttaa ympäristöpäätöksenteossa. Seminaari järjestetään Tieteiden talolla (kirkkokatu 6, Helsinki, sali 505) ja ohjelma alkaa klo 13:00. Seminaari päättyy klo 17 mennessä. Seminaarin jälkeen halukkailla on mahdollisuus jatkaa keskustelua omakustanteisella illallisella läheisessä ravintolassa.

Ennen seminaaria, klo 12, järjestetään yhdistyksen vaalikokous samassa paikassa. Kutsu vaalikokoukseen lähetetään seuran jäsenille erikseen.

PUHUJAT:



“Moniskaalaiset energiajärjestelmämallit päätöksenteon tukena”
Juha Kiviluoma, VTT
Senior Scientist, Power systems and renewables



Seminaari on jäsenille ilmainen ja maksaa ei-jäsenille 100€. Systeemianalyysin, päätöksenteon ja riskienhallinnan tohtorinkoulutusverkosto maksaa jäsentensä osallistumismaksun.

ILMOITTAUTUMINEN:

Ilmoittaudu seminaariin tästä linkistä

Yhteystiedot:
Lauri Neuvonen
sihteeri@operaatiotutkimus.fi