Ympäristöongelmia on hankala tutkia, koska olosuhteet vaihtelevat paljon eivätkä tulevaisuuden tapahtumat välttämättä muistuta historiallisia tapahtumia. Esimerkiksi kalastuksen säätelyssä on ilmeistä, että historiallinen aineisto ei välttämättä sisällä lainkaan sellaisia ympäristötekijöiden, kalastuksen ja kannan koon yhdistelmiä, joita tavataan kohtuullisella todennäköisyydellä tulevaisuudessa. Varovaisuusperiaate edellyttää, että säätelemme sitä voimakkaammin mitä epävarmempia olemme.
Tässä tekstissä Helsingin yliopiston professori Sakari Kuikka kertoo, kuinka hänen perustamansa Fisheries and Environmental Management -tutkimusryhmä otti haasteen vastaan ja lähti kehittämään monitieteistä riskilaskentaa ongelmien ratkaisujen löytämiseksi.
———–
Öljyonnettomuuksien osalta Suomenlahdelta ei ole kertynyt sellaista aineistoa, joka kuvaisi ison öljyonnettomuuden vaikutuksia uhanalaisille lajeille tai elinympäristöille. Itse asiassa koko öljyriskianalyysin tavoitteena on ehkäistä öljyonnettomuuksien syntyminen eli estää empiirisen aineiston syntyminen, mikä on monella muulla tieteen alalla epätavallinen tavoite. Näistä syistä johtuen riskianalyysissä on löydettävä perusteltu tasapaino menneisyydessä havaitun aineiston ja tulevaisuutta ennustavan, teoreettisemmin suuntautuneen tietämyksen välillä, ja arvioitava muita mahdollisia tiedonlähteitä epävarmuudeltaan perustellun ennusteen laatimiseksi.
Bayspäättely
Bayespäättely on todennäköisyyslaskentaa, joka tarjoaa logiikan erilaisten ongelmien ratkaisuun. Bayes on sen munkin nimi, joka kirjoitti ensimmäisen metodiin pureutuvan tekstin. Epävarmuus on puolestaan sitä, ettemme koskaan saa täydellistä tietoa tutkitusta ilmiöstä, joten sen tilan määrittelyyn jää epävarmuutta. Tämä epävarmuus kuvataan todennäköisyysjakauman avulla. Ympäristöongelmissa epävarmuutta on usein lähes kaikissa mielenkiinnon kohteina olevissa muuttujissa ja niiden välisissä riippuvuuksissa.
Bayespäättely on toinen vallitsevista tilastotieteellisistä suunnista, frekventistisen eli klassisen tilastotieteen ollessa toinen ja huomattavasti enemmän sovellettu. Bayespäättely soveltaa Bayes-teoreemaa, jonka avulla hypoteesin tai mallin parametrejä koskevien hypoteesien todennäköisyyttä voidaan päivittää saadun lisänäytön mukana. Bayeslaskennan selkeä ero klassiseen tilastotieteeseen on se, että kaikilla muilla muuttujilla kuin havaitulla aineistolla on todennäköisyysjakaumat eli niihin ajatellaan liittyvän epävarmuutta. Klassisessa tilastotieteessä vain aineistoon liittyy epävarmuutta ja muut parametrit ovat kiinteitä, joskaan eivät tunnettuja. Klassisessa tilastotieteessä epävarmuutta parametrien oikeasta arvosta ei kuvata todennäköisyysjakaumin kuten Bayeslaskennassa.
Mallin tehtävänä voi myös olla pelkkään ennustemalliin ja havaintoihin perustuva ennustaminen ilman interventiota eli ihmisen tietoista puuttumista prosessiin, ja tällöin voidaan muuttujien välisissä suhteissa käyttää estimoituja korrelaatioita, eli tietyn muuttujan havaitseminen päivittää näkemyksen muiden muuttujien tilasta. Yhden muuttujan havaitseminen vaikuttaa käsitykseen muiden, historiallisessa aineistossa korreloituneiden muuttujien tilasta ilman että väitetään muuttujien suoranaisesti vaikuttavan toisiinsa syy-seuraussuhteen kautta.
Mallin rakenteen laatimisen jälkeen määritellään parametrit, joiden avulla voidaan kuvata mallin antamien ennusteiden muutoksia. Mallissa käytetään aluksi niin sanottuja prioritodennäköisyyksiä, jotka kuvaavat tietämystä ennen kuin uuden havaitun aineiston analyysi on suoritettu. Prioritodennäköisyydet voidaan hankkia niin sanotun meta-analyysin avulla, mikäli julkaisuja on ja mikäli ne ovat säilyttäneet ajankohtaisuutensa. Jos julkaisuja ei ole (mikä on harvinaista vähänkään merkittävissä kysymyksissä), käytetään hyväksi mahdollisesti olemassa olevaa asiantuntijatietoa, joka syötetään laadittuun malliin etukäteistiedon muodossa. Uskottavan asiantuntijatiedon ilmaantuessa prioritodennäköisyyttä päivitetään edelleen. Havaintomallilla aineiston informaatio liitetään jo laadittuun todennäköisyysverkkoon tai -ketjuun.
Näiden tieteellistä oppimista kuvaavien askelten ymmärtäminen olisi nähdäkseni tärkeää erityisesti mahdollisten öljyonnettomuuksien riskiarvioinnissa, sillä niissä ekosysteemivaikutukset ovat helposti valtavia ja havaintoja ekosysteemitasolla on vähän suhteessa ongelman monimutkaisuuteen. Laajamittaisten onnettomuuksien potentiaaliset puhdistuskustannukset nousevat helposti yli miljardin euron. Tällöin kaiken olemassa olevan tiedon hyväksi käyttäminen on oleellista vahinkojen arvioinnissa ja esimerkiksi mahdollisten korvaussummien laskemisessa kalastajille. Korvaus ei saisi perustua pelkästään onnettomuuskohtaisiin havaintoihin, vaan koko siihen valtaisaan julkaisumäärään joka aiheesta on olemassa.
Tutkimus on kallista, ja on myös ensiarvoisen tärkeää pystyä tuottamaan tiedon loppukäyttäjille mahdollisimman käyttökelpoisia tuloksia. On väärin kalastajaa kohtaan, jos vahinkojen arviointiin ei sisällytetä kaikkea saatavilla olevaa tietämystä. Mikäli olemassa oleva tieto käytetään hyväksi vahinkoihin liittyvissä oikeudenkäynneissä sellaisilla päätössäännöillä, joissa pyritään varmistamaan se, että kalastajat saavat tarpeeksi suuria korvauksia, on mahdollista luoda järjestelmä, jossa vahingosta vastaavan tahon (öljy-yhtiöt ja öljyalan järjestöt, vakuutusyhtiöt) intressi on tuottaa mahdollisimman paljon tietoa korvauspäätösten pohjaksi jolloin tieteen laatu paranee. Tieteellisen analyysin olisi aktiivisesti herätettävä haluja estää onnettomuudet eri alueilla.
Ajattelutavan kehittäminen
Soveltavassa tieteessä tutkimusmenetelmien on sovittava tutkimuskysymykseen, tavoitteisiin ja olemassa olevaan tietämykseen (aineistot, julkaisut, asiantuntijatieto). Tärkeä huomio on, että myös tavoitteissa on epävarmuutta, erityisesti pitkän aikavälin politiikkasuosituksissa. FEM tutkimusryhmän ensimmäiset Bayeslaskennan artikkelit perustuivat yksinkertaisiin taulukkolaskentamalleihin tai tarjolla oleviin Bayesverkko-ohjelmistoihin.
Yleisesti ottaen päätöksenteko-ongelmat voidaan jakaa operatiivisiin, taktisiin, strategisiin ja ohjaaviin. Näistä strategiset sopivat tyypillisesti vaikutuskaavioanalyyseihin, jotka ovat Bayesverkkomallien päätöksentekoon tarkoitettuja versiota. Ohjaavat ongelmat vaativat omanlaistaan laskentaa. Ohjaavalla tarkoitetaan tässä sitä, että suuren epävarmuuden takia olemassa olevalla tietämyksellä voidaan lähinnä sanoa systeemin muutossuunta, mikäli joihinkin muuttujiin vaikutetaan, ei sen tarkempaa todennäköisyysjakaumaa.
Hyvin yleinen kalakantojen arvioinnin keskustelun aihe on se, millainen emokanta-rekryyttimalli olisi arvioinnin kohteena olevalle kannalle sopiva. Yksi ensimmäisistä Itämeren päätösmalleista kuvasi turskakannan lisääntymisen vaihtelua Itämereen tulevien suolapulssien funktiona ja sovelsivat kolmea yleisimmin tutkijoiden keskusteluissa tai artikkeleissa viitattua emokanta-rekryyttimallia, osana argumentaatiota. Päätösmallia voitiin käyttää mm. sen arviointiin, vaikuttavatko erilaiset lisääntymismallit päätöksiin vai eivät. Simulointimalleilla saatu kalakannan odotettavissa oleva kehitys (=ennuste) poikkesivat paljon toisistaan, mutta mallien avulla laskettu päätösjärjestys sen sijaan ei juuri poikennut, eli päätökset olivat mallien ja ennusteiden suhteen vakaita, eli tieteen kielellä ns. robusteja. Ennustemallin valinta ei siis juurikaan vaikuttanut käsityksiin siitä mitä pitäisi tehdä.
Vuonna 2004 perustettiin Helsingin yliopiston silloisella Bio- ja ympäristötieteiden laitoksella FEM-tutkimusryhmä (Fisheries and Environmental Management Group). Ryhmän koko kasvoi tiedon kysynnän mukaan melko nopeasti, ja rekrytoinnin perusajatukseksi otettiin monitieteisyys ja orientoituneisuus mallinnukseen. Tämä mahdollisti mallien laatimisen niin, että ne kattoivat koko ongelman mahdollisimman hyvin, mukaan lukien ihmisten käyttäytymiseen ja arvomaailmaan liittyvät seikat. Vuonna 2016 ryhmässä oli jo 26 jäsentä ja tällöin perustettiin pienempiä ryhmiä. Ryhmässä on ollut mukana tilastotieteilijöitä, limnologeja, kalataloustieteilijöitä, biologeja, sosiologeja, taloustieteilijöitä, maantieteilijöitä ja insinöörejä. Tavoite on ollut todennäköisyyslaskennan ja substanssitiedon tehokas yhdistäminen päätöksentekomalleissa. Päätöksenteossa joudutaan usein arvioimaan toimenpiteitä, joita ei ole aiemmin sovellettu ja joista ei siis ole havaintoja, joten on väistämätöntä, että tietämystä hankitaan mallintamalla tai asiantuntijoilta, usein näiden yhdistelmänä.
Puhdas asiantuntijatiedon käyttäminen oli tuohon aikaan vielä harvinaista. Kansainvälisen merentutkimusneuvoston (ICES) kanta-arvioinneista vastaava henkilö piti tuloksiamme ”naurettavina”, koska poikastuotannon maksimiarvo eräällä joella oli yli kaksi kertaa korkeampi kuin suurimmat siihen asti havaitut poikasmäärät. Asiantuntijoilta saatuihin prioritodennäköisyyksiin perustuvan Bayeslaskennan näkökulmasta se oli luonnollista, koska korkea kalastuspaine oli estänyt siihen asti poikastuotannon kasvamisen lähellekään maksimia. Asiantuntijat pystyivät katsomaan havaitun aineiston ulkopuolelle.
Syy-seuraussuhteiden tutkiminen on keskeinen osa tiedettä. Monessa ennustetehtävässä ne ovat myös kaikkein tärkein epävarmuuden lähde. Bayesmallit kuvaavat, millaisia ketjuja päätösmuuttujista tavoitemuuttujiin syntyy, ja kuinka paljon epävarmuutta kausaalisuhteetkin voivat sisältää. Epävarmuus heikentää suunniteltujen toimenpiteiden vaikutusten ennustettavuutta.
Laskenta monipuolistuu
Itämeren kaloista lohella on tehty eniten Bayespäättelyä. Lohen elinkierto on poikkeuksellisen moninainen, ja useimmista elinkierron vaiheista on ainakin jonkinlaista aineistoa olemassa. Sen lisäksi että lohta voidaan pitää suden ohella eräänä Suomen poliittisimmista eläimistä ikuisine säätelykiistoineen, sen elinkierto on hyvin katettu erilaisilla aineistoilla. Tutkimusryhmä on ollut laatimassa koko Itämeren lohikantoja koskevan analyysin, jossa estimointi perustui merkintä-takaisinpyyntiin, merkinnän tapahtuessa poikasvaiheessa, ja takaisinpyynnin aikuisvaiheessa. Malli mahdollisti usean populaation koon estimoinnin yhtä aikaa, ja sen avulla voitiin ensimmäistä kertaa arvioida eri kantojen emokanta-rekryyttisuhteita.
Bayespäättely sopii riskilaskentaan monestakin syystä, mutta yksi tärkeimmistä on se, että kaikista mielenkiinnon kohteena olevista muuttujista saadaan todennäköisyysjakaumat, joita voidaan tarkastella. Tällöin jakauman häntiin (ääriarvoihin) liittyvät todennäköisyydet voivat olla tärkeitä. FEM ryhmä oli laatimassa arviota siitä, kuinka paljon yksilökohtaisesti analysoiduista silakoista saatu aineisto poikkeaa aineistosta, jossa silakat on murskattu, ja jossa näyte otetaan tästä massasta. Analyysi osoitti, että silakoita syövän henkilön huono tuuri voi nostaa saadun organokloori-määrän hetkellisesti selvästi suositeltuja arvoja korkeammaksi. Artikkeli osoitti, miten paljon näytteenotto (tai silakan poimiminen lautaselta) vaikuttaa laskettuihin riskeihin. Artikkeliin on viitattu tavattoman vähän, vaikka tekijöiden mielestä analyysi oli tyylikäs.
Erityisesti soveltavat tieteet toimivat osana yleistä mielipiteenmuodostusta. Vuonna 2007 ryhmä laatikin Bayesverkon, joka sisälsi todennäköisyysmuodossa tietoja eri toimijoiden näkemyksistä, ja oli näin ollen tieteiden välistä mallitusta. Mallin avulla analysoitiin eri tekijöiden (esim. luottamus muihin kalastajiin ja säätelyjärjestelmään, usko lohikantojen elpymismahdollisuuksiin, taloudelliset tekijät) vaikutusta eri kalastajaryhmien sitoutumiseen Salmon Action Plan -ohjelman tavoitteisiin, mahdollisuuksia parantaa sitoutumista eri toimenpiteiden avulla ja sitoutumisen vaikutusta saaliin määrään. Mallinnus kohdistui erityisesti toimijoiden sitoutumiseen säätelypäätöksiin, mikä on tärkeää minkä tahansa luonnonvaran hallinnan kannalta.
Kaikessa tutkimuksessa joudutaan miettimään tutkimusvarojen järkevää hyödyntämistä esimerkiksi aineiston keräämisessä ja muussa tiedonhankinnassa: hyötyykö käytännön päätöksenteko luotettavimmista arvioista. Vuonna 2009 ryhmä julkaisi artikkelin, joka käsitteli päätösteoriaan keskeisesti kuuluvaa informaation arvo -käsitettä. Muuttujan tietämisellä on arvoa, jos sen tietäminen johtaa toiseen päätökseen kuin ilman sitä tietoa, ja jos tämä päätös myöskin johtaa parempaan lopputulokseen. Informaation arvoanalyysillä voidaan suunnata tiedonhankintaa niihin muuttujiin, joilla on suurin potentiaali muuttaa suositeltua päätöstä. Sovellus tehtiin Pohjanmeren sillipopulaatiolle.
Vuonna 2011 ryhmä jatkoi poikkitieteellisen lohiteeman parissa ja yhdisti biologista, taloudellista ja sosiologista aineistoa ammattikalastuksen ja vapaa-ajan kalastuksen tarkasteluun. Malli osoitti sitoutumisen merkityksen onnistuneelle kalastuksen säätelylle. Erityisen konkreettisesti malli osoitti sosiologisen tiedon merkityksen. Ihmisen käyttäytymisen aiheuttama lisäepävarmuus vaikuttaa tavallaan säätelyn osumatarkkuuteen, eli todennäköisyyteen saavuttaa tavoite.
Öljyonnettomuuksien riskianalyysit, kohti poikkitieteellisyyttä
Kotkan kaupunki, joka on rahoittanut FEM-ryhmän tutkimusta ryhmän vetäjän palkan muodossa, toivoi että öljyonnettomuudet otettaisiin ryhmän tutkimusagendalle. Samaan olin itsekin jo päätynyt, joten ratkaisu oli helppo, ja ongelma sopi hyvin Bayesläisille vaikutuskaavioille. Rahoitusta saatiin ensin EU:n aluerahoista ja Kotkan kaupungilta. Ongelma sopi poikkeuksellisen hyvin Bayespäättelyyn, sillä analyysin tavoite on vaikuttaa toimintaan niin, ettei varsinaista öljyonnettomuusaineistoa milloinkaan syntyisikään. Tällöin suosituksia annetaan etukäteis-, eli prioritiedon varassa.
Ensimmäinen öljyonnettomuuksien vaikutuksia kuvaa julkaistiin vuonna 2011. Analyysi hyödynsi Bayesläisten vaikutuskaavioiden joustavaa laskentaa öljyonnettomuuksien tapauksessa. Artikkeli käsitteli öljynkeruukapasiteetin ja öljyn vesipatsaaseen hajottavien kemikaalien (dispersanttien) vaikutusta kuuden eri eliölajin populaatioihin. Dispersanttien käyttö ei ole tällä hetkellä sallittua Itämerellä. Myös tämä malli huomioi ympäristöolosuhteet ja niiden kuvaukseen sovitetut todennäköisyysjakaumat. Analyysi osoitti, että dispersantit olisivat suhteellisen tehoton tapa yrittää suojata rantalajeja ja silakkaan kemikaalit voisivat vaikuttaa kielteisesti. Ongelma siis siirrettäisiin pinnasta pinnan alle kemikaalien avulla, joten päätös edellyttää huolellista yhteiskunnallisten ja sitä kautta biologisten tavoitteiden analyysiä ennen kuin kemikaalien käyttöä edes harkitaan.
Toinen vuonna 2011 julkaistu artikkeli arvioi Suomenlahdella tapahtuvan öljyonnettomuuden pitkäaikaisvaikutuksia, kun huomioidaan ympäristöolosuhteet (keruutehokkuuteen vaikuttava aallonkorkeus), onnettomuuden sijainti, onnettomuuden tyyppi, öljyn määrä vedessä, öljyn tyyppi, öljyyntynen rantaviivan pituus, vuodenaika ja haihdunta. Vaikutukset arvioitiin kuudelle toiminnalliselle (funktionaaliselle) lajiryhmälle, ja tulokset kertoivat, millä todennäköisyydellä lajiryhmä kärsisi ja kuinka paljon onnettomuuden sattuessa. Päätösmuuttujina käytettiin öljynkeruun kapasiteettia, tankkerien maksimikokoa sekä mahdollisuutta lopettaa teknisin keinoin öljyn vuotaminen (lähinnä öljypuomit aluksen ympärillä). Mallin laatiminen vei ekotoksikologiaa tuntevalta fysiologilta kaksi vuotta.
Helsingin yliopisto arvioi (Saari & Moilanen 2012) eri tutkimusryhmien suorituksia vuosina 2005–2010. FEM-ryhmä pääsi kolmannelle sijalle yhteiskunnallisen vuorovaikutuksen sarjassa, ja yhdeksännelle sijalle koko yliopistossa suhteutettujen viittausindeksien tuloksissa. Bayespäättely pidettiin hyvin yhteiskuntaa palvelevana. Yksi keskeisistä kommenteista kuitenkin oli, että tutkimusryhmä tarvitsisi vahvempaa osaamista spatiaalisten mallien alueella, jota sittemmin vahvistettiinkin.
Ensimmäinen spatiaalianalyysin tuote käsitteli Suomenlahden silakkakannan arviointia kaikuluotausten avulla. Laadittu malli perustui kaikuluotauslinjojen liittämiseen eri ympäristötekijöihin, mikä mahdollisti luotaamattomien alueiden kannan koon arvioinnin korrelaatioiden avulla. Seuraava spatiaalinen analyysi tarkasteli merialueen siikaa käyttäen ns. Gaussisia prosesseja Bayeslaskennassa. Säätelyn tuloksellisuuteen vaikuttavia tekijöitä arvioitiin vuonna 2012 julkaistussa artikkelissa, joka keskittyi silakan kalastuksen säätelyn kuvaamiseen rakentamalla viisi eri vaikutuskaaviota tutkijoiden (2 kpl), kalastajan, managerin ja ympäristöjärjestöjä edustavan henkilön näkemyksistä. Eri henkilöiden käsitykset muuttujien välisten yhteyksien voimakkuudesta kuvattiin nuolien paksuudella. Tämä graafinen esitystapa helpottaa tunnistamaan, millä toimenpiteillä on todennäköisimmin vaikutusta valittuihin muuttujiin. Metodiikan todettiin sopivan hyvin sosiologisten ja biologisten riippuvuuksien kuvaamiseen ja säätelyä koskevien keskustelujen pohjaksi.
Laskennallisen kehittymisen myötä mukaan tuli yhä poikkitieteellisempiä analyysejä. Vuonna 2012 julkaistiin artikkeli, joka kuvasi poikkitieteellistä prosessia tutkimusryhmän sisällä. Artikkeli kuvaa sitä, miten luonnontieteilijät, ympäristöekonomistit ja sosiologit kasvoivat vähitellen monitieteiseen työhön. Metodina käytettiin haastatteluita ja eri hankkeissa tuotettuja raportteja. Keskeistä on kommunikoinnin oppiminen eri tieteenalojen välillä ja käsitteiden vähittäinen kirkastuminen. Lopulliseksi työkaluksi muodostuivat Bayesverkot, jotka sijaitsevat ”ei-kenenkään maalla” ja tarjoavat joustavan tavan yhdistää eri tieteen alojen tietämystä. Ehtona kuitenkin on, että eri tutkimusalojen tieto tuotetaan todennäköisyysmuodossa.
Öljyonnettomuksien riskilaskennassa on edelleen paljon tehtävää. Vuonna 2013 ryhmä mallinsi Bayesverkoilla suomalaisen öljyntorjuntalaivaston optimaalista sijoittumista Suomenlahdella neljään eri kotisatamaan, eli voidaan puhua spatiaalisesta mallintamisesta. Mallia käytettiin tavallaan agenttipohjaisesti, eli katsottiin miten eri alukset pystyvät osallistumaan öljyntorjuntaan. Optimaalinen sijoittuminen oli melko lähellä nykyistä, joten puhdas hallinnon tekemä asiantuntijatieto pystyi melko lailla samaan päätösratkaisuun kuin monimutkainen todennäköisyysmallitus.
Suomen merialueilla Merivartiostolla on oikeus sakottaa aluksia, jotka päästävät öljyä veteen. Vaikka aluksista voidaankin ottaa öljynäytteitä, niin käytännössä voi kuitenkin olla vaikea sanoa, mikä alus oli päästön lähde, koska liikenne on tiheää. Blomstedt ym. (2014) käyttivät Bayespäättelya hyväkseen jäljittääkseen sen ”sormenjäljen”, joka eri aluksien öljystä jää, jos ne syyllistyvät öljypäästöön. Käytännössä tämä tarkoittaa öljyn koostumusten vertailua päästöalueella niillä aluksilla olevaan öljyyn, jotka ovat alueen ohittaneet. Bayesläinen laskenta oli ylivoimainen klassiseen laskentaan verrattuna, joka pystyy ainoastaan osoittamaan hypoteesin vääräksi mutta ei oikeaksi, eli tässä tapauksessa osoittamaan millä todennäköisyydellä mikäkin alus oli päästön aiheuttaja.
Päätösteorian juuret ovat sotilaallisen operaatiotutkimuksen ja taloustieteen alueilla. Näistä ensin mainittuja ei julkaista kovinkaan paljon, sillä osaaminen on nähdäkseni osa kansallista turvallisuutta. FEM-ryhmä laati vasta vuonna 2015 ensimmäisen tieteiden välisen, vahvasti taloustieteeseen nojaavan päätösanalyysin (Helle ym. 2015). Analyysin merkitys on ollut Suomessa suuri, sillä se kyseenalaisti sen kansallisen politiikan jatkamisen, jonka mukaan rahoja sijoitetaan erityisesti uusien öljyntorjunta-alusten hankkimiseen. Analyysi osoitti, että on huomattavasti kustannustehokkaampaa investoida onnettomuuksia ennaltaehkäiseviin toimenpiteisiin, joista analysoitiin automaattista törmäyksistä kertovaa hälytysjärjestelmää.
Vuonna 2016 ryhmä analysoi öljyonnettomuuksien aiheuttamaa riskiä uhanalaisille habitaateille ja lajeille. Analyysi yhdisti kolme komponenttia: tankkerionnettomuuksia kuvaavan Bayesverkon, öljyn leviämistä ja liikkumista kuvaavat todennäköisyyskartat ja uhanalaisten lajien ja elinympäristöjen sijainnit. Analyysissä riski määriteltiin onnettomuuden todennäköisyyden ja leviävän öljyn uhkaamien luontoarvojen avulla. Tutkimus osoitti, että ekologisia riskejä arvioitaessa on tärkeä ottaa huomioon myös luontoarvojen kokemat tappiot ja niiden alueellinen jakautuminen. Tämä on tärkeä viesti niille riskianalyyseille, joissa keskitytään vain onnettomuuden tapahtumistodennäköisyyteen katsomatta seurauksia.
Kokemuksia ja johtopäätöksiä
Saatujen kokemusten valossa on selvää, että uuden laskentatavan ja siihen liittyvän tieteenfilosofian saaminen hyväksytyksi tietyllä tieteenalalla voi olla työläs prosessi. Kalastuksen säätelyssä se on erityisen työlästä siksi, että tiede vaikuttaa suoraan kalastukseen osallistuvien henkilöiden toimeentuloon. Kalastuksen säätelyyn liittyvä tiede on niin lähellä politiikkaa kuin tiede voi olla muuttumatta politiikaksi. Tilanteesta tulee erityisen haastava, kun tutkijan laskelmissaan saama (subjektiivinen) epävarmuus tarkoittaa suoraan kalastajille pienempiä tuloja: miksi minun pitäisi kalastaa vähemmän jos sinä tutkijana olet epävarma?
Varovaisuusperiaate tarkoittaa sitä, että mitä suurempi epävarmuus on, sitä vähemmän voidaan kalastaa. Toisin sanoen halutaan olla esimerkiksi 80 % todennäköisyydellä varmoja, että meressä on riittävästi kaloja lisääntymistä varten. Tällöin kalastusta rajoitetaan sitä voimakkaammin mitä epävarmempia arvioita tutkijoiden mallit tuottavat.
Periaatteessa riskien merkitykseen liittyvä ymmärrys on parannettavissa koulutuksella, joka voisi parantaa luottamusta tieteeseen, mutta Bayeslaskennan tapauksessa sekin on haasteellista, sillä Bayeslaskennan tekninen toteuttaminen voi olla vaikeaa, mikäli tutkittava ilmiö on monimutkainen ja sisältää runsaasti muuttujia. Bayeslaskentaan liittyvien tulosten kommunikointi loppukäyttäjille on edelleen haasteellista ja vaatii lisää tieteellistä työtä tuekseen.
Tiede vaatii selvästikin ymmärrettäviä tarinoita vaikuttaakseen päätöksentekoon. Vuopnna 2014 ryhmä julkaisi artikkelin, jossa kuvattiin lohen kanta-arvioiden kehittymistä. Tämä perustui ensin diskreetteihin todennäköisyyksiin, kuten Bayesverkotkin. Prosessi vaati paljon työtä ja tutkimusryhmään uusia taitavia tutkijoita. Lisäksi tutkijoiden tuli synnyttää poikkitieteellinen kokonaisuus. Nykyään kaikki säätelypolitiikkaan vaikuttavat argumentit perustuvat lohikantojen Bayesmalliin ja lohikannat ovat elpyneet, tieto on siis muuttunut lohiksi.
Poikkitieteisyydellä on erityinen merkitys, kun arvioidaan erilaisten toimenpiteiden vaikutusta tutkittuihin riskeihin. Usein ohjauskeinot perustuvat lainsäädäntöön tai taloudellisiin mekanismeihin (kuten verotus) ja usein riskeissä on sekä biologisia, sosiaalisia että taloudellisia ulottuvuuksia. Tämän kaltaisten ongelmien ratkomiseen tarvitaan eri tieteenalojen osaamista, ja lisäksi sellaista teknistä osaamista, jonka perusteella pystyy ymmärtämään ja osallistumaan mallien rakentamiseen. Monissa tapauksissa on mallin ensimmäisenä askeleena mallitettava sitä, sitoutuvatko toimijat ajateltuihin toimenpiteisiin, vai onko heidän käyttäytymisensä heikosti ennustettavaa. Tällöin puhutaan psykologian ja sosiologian osaamisen liittämisestä riskimalliin.
Klassinen tilastotiedekin on subjektiivista. Se ei salli aiemmin julkaistujen analyysien käyttöä osana päättelyä. Tutkija tekee ensin oletuksen, ettei kukaan muu tutkija ole julkaissut asiasta mitään hyödyllistä. Tämä on kohtalainen kannanotto tutkijakollegoista ja heidän työstään, ja kannanotto on väistämättä varsin subjektiivinen. Toinen klassisen tilastotieteen ongelma on, ettei se pysty osoittamaan hypoteeseja oikeiksi, vaan vain vääriksi. P-arvo pienenee, kun vain lisätään havaintojen määrää, ilman että ennustamisen laatu sinänsä paranee. Tämä unohtuu usein klassisen tilastotieteen testauksien tulkinnassa.
Bayespäättely tarjoaa keinon tehostaa mm. kirjallisuustiedon soveltamista ja kaventaa sitä laajahkoa eroa, mikä vallitsee kalabiologian ja kalakantojen arvioinnin välillä. Filosofisesta näkökulmasta katsottuna tieteelle laaditaan tehokkaampia oppimismenetelmiä, kun yhden tutkimuksen tieto voi toimia toisen tutkimuksen etukäteistietona, jolloin syntyy oppimisketjuja. Kalataloutta vielä oleellisemmin oppivia järjestelmiä tarvitseva tieteenala on öljyonnettomuuksien riskianalyysi. Onnettomuuksia sattuu nykyään harvakseltaan, sillä merenkulku on selvästi osin oppinut läksynsä ja öljy-yhtiöiden intressi välttää onnettomuuksia on PR-tappioiden takia valtaisa. Riskien laskenta edellyttää vanhoihin onnettomuuksiin liittyvien aineistojen tehokasta hyödyntämistä.
Kalakantojen arvioinnissa Bayeslaskennan suurin merkitys olisi ns. emokanta-rekryyttimallien estimoinnissa, sillä tämä on tärkein mutta samalla epävarmin osa kalakantaennusteissa. Tarvittavien parametrien arviointi on mahdollista eri populaatioiden ja jopa eri lajien välillä. Erityisen tärkeää tämä on ns. sivusaalislajien kohdalla, sillä niistä ei ole samanlaisia pitkiä aikasarjoja kuin kalastuksen kohdelajeista. Uskon, että kalastuksen säätelyyn liittyvää tieteellistä neuvonantoa voitaisiin yksinkertaistaa huomattavasti, jos päästäisiin eroon kalakantakohtaisten emokanta-rekryyttisuhteiden käytöstä ja opittaisiin sovellettavat emokannan ja syntyvän vuosiluokan suhteet useammista kannoista tai jopa lajeista ennen kuin neuvo annetaan.
Bayeslaskennan tulevaisuuden ennustaminen ei ole helppoa. Ns. koneoppimisen sovellusalueet laajenevat nopeasti ja mallit pystyvät hämmentävän monimutkaisiin päättelytehtäviin. Päätösmallien leviäminen biologisiin ongelmiin on ollut melko hidasta. Mallien tekninen käsittely eri ohjelmistoilla ei ole vaikeaa, mutta ongelman formulointi voi sitä olla. Mallin voi rakentaa joko sellaiseksi kuin ilmiön katsoo olevan, tai sitten kuvaamaan omaa ajattelua päätökseen liittyvästä logiikasta. Näistä jälkimmäinen oli suunta, jota 1970- ja 1980-luvuilla harrastettiin. Ilmiöiden täsmällinen kuvaaminen ja kontrollin (päätösmuuttujan) sijoittaminen siihen on uudempi ilmiö. Informaation arvoon liittyviä artikkeleita ei ole niin paljon kuin voisi ajatella, kun otetaan huomioon, kuinka tärkeää tieteelle on kohdentaa uusi tiedon hankinta niin, että ongelman ratkaisu on mahdollisimman todennäköistä.
Kun öljyonnettomuuksia sattuu, voivat seuraukset olla todella vakavat. Tällöin on tärkeää, että kaikki aikaisempi tieto on käytettävissä, jotta vaikutukset erilaisissa biologisissa prosesseissa ovat mahdollisimman hyvin arvioitavissa. Erityisen tärkeitä tieteen tehokkaasti oppivat järjestelmät ovat siinä mielessä, että niiden avulla voidaan luoda etukäteistä intressiä laiva- ja vakuutusyhtiöille yrittää välttää onnettomuuksia mahdollisimman hyvin.
Parhaimmillaan julkaisut voivat muodostaa ketjuja, joissa uusi artikkeli käyttää aina muiden julkaisujen sisältämiä tietoja lähtötietona, ja lisää siihen uuden aineiston tuoman lisätiedon, ja tarjoaa tietämystään yhä edelleen uusille analyyseille. Tiede synnyttää tällöin oppimisketjuja, ja pystyy kustannustehokkaasti ratkaisemaan uusia ongelmia. Tämä edellyttää tutkijoiden sitoutumisen ja kouluttamisen lisäksi myös tieteellisten julkaisusarjojen havahtumista julkaisuharhaan liittyviin haasteisiin.
Teksti: Sakari Kuikka
