政策立案者がCOVID-19のモデル作成者に尋ねるべき4つの重要な質問

Gene Campbell, 89, who contracted coronavirus disease (COVID-19) at Life Care Center of Kirkland in early March, leaves Swedish Medical Center Edmonds with sons Todd Campbell, left and Charlie Campbell, right, after spending six weeks in the hospital in Edmonds, Washington, U.S. April 20, 2020. REUTERS/Lindsey Wasson TPX IMAGES OF THE DAY - RC2N8G9C9CZT
With decision-makers relying on a growing number of forecasts regarding COVID-19, it is important that they ask questions about how the projections were made.Image: REUTERS/Lindsey Wasson
このページは、生成AIにより自動翻訳されています。
  • 政策決定者は政策形成にコロナウイルスの予測を活用している。そのため、予測がどのように作られたのかを尋ねることが不可欠だと、2人の科学者は記す。

  • モデルが作られた理由から使用されたデータまで、4つの重要な質問を紹介する。

4月8日、ニューヨーク州知事のアンドリュー・クオモ氏は、発表した。同州ではCOVID-19のパンデミックの「感染曲線が平坦化しつつある」と述べた。しかし、そのわずか2週間前には、ニューヨーク州の入院患者数がピーク時に実際の数倍に達すると、複数のモデルが予測していた。COVID-19の実際の入院患者数と予測値を並べて、クオモ氏は疑問を呈した。「専門家の予測とこれほど大きく異なる実際の曲線が、どうすれば導き出されるのか」。

クオモ氏の問いは、予測モデルを扱う際に政策決定者が直面する課題を端的に示している。重大な結果を伴い、モデルに基づく予測が主要な指針となるとき、政策立案者はどう対応すべきだろうか。

これはパンデミックの時期だけに関係する問いではない。2008年の金融危機は、経済・金融モデルの威力(そしてリスク)を浮き彫りにした。ビッグデータと大規模な計算能力の時代には、こうしたツールへの依存は今後も高まる一方だろう。政策分析のために日常的にモデルを構築する科学者として、政策決定者がモデルの結果を用いる際に尋ねるべき4つの質問を提案する。

第一に、モデルはなぜ作られたのか。

どのモデルも現実を単純化する。何を(どのように)単純化し、何を含め、何を除外するかという作成者の判断は、主としてモデルが検討するために作られた問いに基づいている。モデルの具体的な目的が、用いる数式や手法の選択を左右する。

本来想定されていなかった問いを調べるためにモデルを転用した場合、結果の質は問いとモデル設計がどれだけ合致しているかに左右される。たとえば、病床の使用状況を推定するために作られたモデルは、感染症の拡大の動態や、それに伴う政策上の影響を理解することに重点を置いたモデルとは大きく異なることがある。

第二に、モデルの主要な前提は何か。また、それらはすべて目の前の状況に当てはまるのか。

重要なのは、モデルがどの問いに答えるために設計されたかだけではない。たとえば、感染症の疫学モデルの中には、人口が一定だと仮定するものがある。地域によっては妥当な仮定かもしれないが、感染者も健康な人も大勢が毎日出入りする都市には当てはまらない。

過去のどの側面が将来も変わらないかに関わる前提もある。多くのモデルが示すのは、もし物事が以前と同じ経過をたどった場合に起こり得る未来のシナリオにすぎない。こうした分析は、適応しなければ何が起こるかを示すため有用だ。この情報は、望ましくない未来を避け、より望ましい未来を築くための行動を促す助けとなる。

社会は変化し続けており、ほとんどの人は新しい情報に対し、程度の差こそあれ遅れを伴いながら絶えず反応する。その結果、予測が公に示されること自体が、将来の推移を変える可能性がある。したがって政策立案者は、モデルが現実世界のどの側面を固定的なものと仮定しているかを把握する必要がある。また、主要な前提の一部が特定の状況に完全には当てはまらない場合、モデルの結果がどう変わるかも尋ねるべきだ。

第三に、モデルに入力されるデータはどこから来たのか。また、現在の状況にどの程度当てはまるのか。

モデルはデータを使って具体的な結果を算出するため、データの出所と精度を把握することが極めて重要だ。理想的には、データは信頼できる情報源から得られ、検討対象の政策が適用される地域を網羅し、できる限り最新であるべきだ。実際には、データが限られていたり、粒度が粗かったり、異なる状況から得られたものだったりすることがある。その場合、モデル作成者はその点を明確にすべきだ。

たとえば、米国でCOVID-19患者に必要となる病床数や集中治療の受け入れ能力に関する初期の推定の一部は、中国のデータに基づいていた。しかし、米国の医師が武漢の医師とは異なる入院基準を用いているなら、中国のデータを当てはめられる範囲は限られる。

モデルはデータを使って結果を算出するため、データの出所を把握することが極めて重要だ。Image: medRxiv

政策立案者は、データに不備があっても、手元にあるデータを最大限に活用しなければならないことが多い。そうした欠陥や不足を適切に明記することは、意思決定に重要な背景情報を与えるとともに、より良いデータをできる限り早く入手する必要性を浮き彫りにする。

最後に、結果の不確実性はどの程度か。

不確実性を十分に重視せず、単一の予測に固執すると、危険で大きな損失を招くおそれがある。モデル作成者やモデルに言及する報道は、不確実性の要因とその程度を明確に伝えるべきだ。同時に政策立案者は、モデルの誤差範囲を理解し、意思決定の際にそれを考慮しなければならない。

COVID-19をはじめとする重要課題について、政策決定者がますます大量の予測に頼るなか、予測がどのように作られたのかを尋ねることは、かつてないほど重要になっている。モデルが未来を完璧に予測することは決してない。しかし、慎重に構築され、謙虚な姿勢で使われるなら、雨の中を進む船の望遠鏡のように、ぼやけた像を示しながらも、これから先に何があるのかを見極める助けとなり、異なる、より良い航路を選ぶべきかどうかを判断できる。

ライセンスと再掲載について
世界経済フォーラムの寄稿文は、クリエイティブ・コモンズ表示-非営利-改変禁止 4.0 国際ライセンスおよび同フォーラムの利用規約に従い、再掲載が可能です。