Klimawandel wie ein Supply Chain Planner prognostizieren

Joannes Vermorel

Transkript des Vortrags von Joannes Vermorel an der Ecole polytechnique in Palaiseau (Frankreich) am Freitag, 3. Juni, für das Symposium Künstliche Intelligenz, Digitalisierung und Klimawandel. Das Symposium wurde von Sylvain Le Corff, Professor an der Telecom Sud Paris, und Eric Moulines, Professor an der Ecole polytechnique und gewähltes Mitglied der Académie des sciences, organisiert.

Meine Kompetenz liegt in der Supply Chain Science und in der vorhersagenden Analyse der Supply Chain. Die Supply Chain ist grob gesagt der Klebstoff zwischen Produktion und Konsum: Materialien müssen beschafft, transportiert, umgewandelt und verteilt werden. Darum geht es bei der Supply Chain. Ich muss sofort gestehen, dass die Supply Chain Science wahrscheinlich nicht die Zukunft der Klimatologie sein wird.

Allerdings nutzen moderne Supply Chains bereits automatisierte Prognosetechniken im großen Maßstab. Genau das macht mein Unternehmen, Lokad, seit über einem Jahrzehnt.

Während dieses Jahrzehnts habe ich eine Reihe von wichtigen Lektionen gelernt, wenn es um den Einsatz von Vorhersagetechniken, insbesondere von maschinellen Lernalgorithmen, in realen Situationen geht. Die wichtigste Lektion ist, dass es besser ist, ungefähr richtig zu sein, als genau falsch. Doch wenn ich mich umschaue, sehe ich viele völlig fehlgeleitete Data-Science-Bemühungen.

Das heimtückischste an der “Datenverarbeitung” ist, dass die Algorithmen - oder die Technologie - den Anschein von Rationalität, den Anschein von Wissenschaft erwecken können. Doch allzu oft führen diese fehlgeleiteten Datenverarbeitungsbemühungen zu Schlussfolgerungen, die nicht besser sind als Astrologie. Kein Algorithmus wird Sie jemals retten, wenn Sie ein Problem auf die falsche Weise angehen.

Um zu verstehen, wie die Vorhersagemodellierung für die Supply Chain uns wertvolle Erkenntnisse für die Vorhersage des Klimawandels liefern kann, möchte ich darauf hinweisen, dass das Klima und die globalen Märkte viele Gemeinsamkeiten haben. In beiden Fällen steht unser Lebensstil auf dem Spiel. In beiden Fällen haben wir komplexe Systeme, die nicht vollständig verstanden werden. In beiden Fällen hat jeder Teilnehmer einen Einfluss auf das System, aber es ist ein kleiner Einfluss. In der Summe können eine Reihe kleiner Auswirkungen zu einer großen Auswirkung führen. Doch die Teilnehmer haben eigene Anreize, und deshalb ist nichts einfach.

Deshalb werde ich die Entwicklung des Klimas aus französischer Sicht, ganz im Stil der Supply Chain, bewerten, genauso wie ein Unternehmen seine eigenen Marktanteile bewertet.

Die Supply Chains haben mir gelehrt, dass die Kosten immer in den Extremen liegen. Kleine Überschüsse an Produktion und geringfügige Engpässe sind in der Regel leicht zu beheben; die großen hingegen bedeuten das Aus für Unternehmen. Wenn wir also den Klimawandel vorhersagen, interessieren mich als Supply Chain Planner nicht die kleinen Schwankungen. Frankreich hat ein mildes Klima; und denken Sie daran, dass ich hier eine auf Frankreich zentrierte Perspektive einnehme.

Frankreich hätte wenig oder kein Problem damit, durchschnittlich um zwei Grad höhere oder niedrigere Temperaturen zu bewältigen. Ebenso könnten wir 10% mehr oder weniger Wind haben oder 10% mehr oder weniger Regen, es würde fast keinen Unterschied machen. Lassen Sie mich sofort klarstellen, dass ich nicht sage, dass es keine Auswirkungen geben würde. Ich weise lediglich darauf hin, dass andere Länder - wie Dänemark oder Italien - keine langfristigen Probleme mit kälteren oder wärmeren Klimazonen haben - und dabei einen Lebensstil pflegen, der praktisch identisch mit dem ist, den wir in Frankreich genießen. Mit dem Klimawandel würden sich Anpassungen in einer ganzen Reihe von Bereichen ergeben, angefangen bei der Wahl der Anbaupflanzen für die Landwirtschaft bis hin zur Dicke der Wärmedämmungsschichten in Gebäuden. Diese Entwicklungen sind jedoch im Vergleich zu anderen Veränderungen, die Frankreich betreffen, bescheiden.

Als Supply Chain Planner interessieren mich also die klimatischen Extreme. Um abschätzen zu können, was zu erwarten ist, müssen wir uns die historischen Extreme ansehen. Tatsächlich sollten zukünftige Extreme immer größer geschätzt werden als vergangene Extreme. Das gilt für Märkte und höchstwahrscheinlich auch für das Klima. Werfen wir also einen Blick auf das, was uns die Geschichte Frankreichs sagt.

Sommer 1636¹, das ist das Jahr, in dem Corneille Le Cid schrieb, aber auch das Jahr eines furchtbar heißen Sommers. Die Temperaturen stiegen wochenlang auf 39°C in Paris. In einem Sommer gab es 500.000 Todesfälle, hauptsächlich von Babys und Kleinkindern. Die Haupttodesursache war kontaminiertes Wasser und Krankheiten wie Ruhr. Die Zahl der Todesopfer im Verhältnis zur französischen Bevölkerung zu dieser Zeit ist vergleichbar mit der des Ersten Weltkriegs, der etwas mehr als 4 Jahre dauerte.

Ein anhaltendes 39°C für den gesamten Sommer in ganz Frankreich sollte also die Grundlage dessen sein, worauf wir vorbereitet sein sollten. Es ist fast keine Klimamodellierung in diesem Vorschlag enthalten: Es ist eine direkte Lesung der jüngsten französischen Klimahistorie. Wenn es vor 4 Jahrhunderten passiert ist, ist mein Vorschlag einfach, dass es nächsten Sommer wieder passieren könnte.

Natürlich haben medizinische Wissenschaft und sanitäre Einrichtungen in den letzten 2 Jahrhunderten in Frankreich so gut wie die Ruhr beseitigt. Bedeutet das jedoch, dass wir heiße Sommer ohne Probleme überstehen können? Wenn wir uns die jüngsten Ereignisse des Sommers 2003 in Frankreich anschauen, stellen heiße Sommer immer noch ernsthafte Risiken dar. Die Hitzewelle von 2003 dauerte kaum 2 Wochen und erreichte in Paris 39°C und verursachte 15.000 Todesfälle in Frankreich², hauptsächlich bei älteren Menschen. In den folgenden Jahren stieg jedoch der Anteil der Klimaanlagen in Wohnungen in Frankreich von 4% im Jahr 2005³ auf 25% im Jahr 2020⁴.

Hier berühren wir einen entscheidenden Aspekt der Vorhersage menschlicher Angelegenheiten: Menschen beobachten und Menschen passen sich an. Dies beeinträchtigt die Prognosegenauigkeit nicht immer negativ - obwohl es häufig der Fall ist -, aber menschliche Einfallsreichtum trägt fast immer dazu bei, langfristige Prognosen irrelevant zu machen. Denken Sie daran, dass eine Prognose, jede Prognose, in erster Linie eine Modellwahl ist. Das Modell definiert das Schlachtfeld: Was wird prognostiziert. Eine Prognose kann sehr genau sein und dennoch völlig irrelevant. Dies ist eine Gefahr, der sich jedes Unternehmen stellen muss, das eine Supply Chain betreibt: Märkte verändern sich in ihrer Natur, nicht nur im Wachstum oder Rückgang.

Zurück zu unseren klimatischen Extremen, werfen wir nun einen Blick auf den großen Winter von 1709. Im Januar 1709⁵ sanken die Temperaturen in Paris auf -20°C; das ist wie ein kalter Winter in Quebec City. Die Seine war wie die anderen großen Flüsse Frankreichs komplett zugefroren. Innerhalb von 11 Tagen verlor Frankreich 100.000 Menschen aufgrund der Kältewelle. Insgesamt forderte der Winter 600.000 Menschenleben, hauptsächlich arme Familien. Auch diese Verluste sind vergleichbar mit der vollen Auswirkung des Ersten Weltkriegs in Frankreich, mit dem Unterschied, dass das Desaster wieder einmal in wenigen Wochen und nicht in Jahren geschah. Dieser Winter war Teil einer Periode, die als die Kleine Eiszeit in Europa bekannt ist und vom mittleren 13. Jahrhundert bis zum mittleren 19. Jahrhundert dauerte.

Während es für dieses Publikum überraschend sein mag, dass die Seine in Paris komplett zugefroren war, ist es erwähnenswert, dass der Breitengrad von Paris 49° beträgt, während der Breitengrad von Quebec City nur 47° beträgt. Geografisch gesehen liegt Paris also weiter nördlich als Quebec City.

In jedem Fall war die Seine in den vergangenen Jahrhunderten viele Male komplett zugefroren. Es handelt sich um eine historische Tatsache, ohne Klimamodellierung. Wenn ein solcher Winter vor 3 Jahrhunderten passiert ist, bleibt meine Annahme bestehen, dass es nächsten Winter wieder passieren könnte.

Betrachten wir also die Art von Problemen, die in Frankreich auftreten würden, wenn wir einen kanadischen Winter wie in der Vergangenheit erleben würden.

Das erste Problem, an das ich denken kann, ist: Wasser. In Frankreich sind Wasserleitungen in der Regel 80 cm tief vergraben, aber in Quebec City sind es 130 cm und aus gutem Grund. Bei 80 cm frieren die Rohre in Quebec ein und brechen. Eine große Kältewelle in Frankreich würde daher höchstwahrscheinlich einen erheblichen Teil unserer Wasserverteilungsinfrastruktur zerstören.

Auch der Transport würde stark beeinträchtigt werden. Kanadische LKW verwenden Blockheizungen, da Diesel bei -10°C einfriert. Ich habe keine Statistiken über die Verbreitung von Blockheizungen in LKWs in Frankreich, aber die Ausstattungsrate scheint sehr begrenzt zu sein. Angesichts der Tatsache, dass mehr als 98% der gewerblichen Fahrzeuge mit Diesel betrieben werden, ist es vernünftig anzunehmen, dass fast alle diese Fahrzeuge während einer großen Kältewelle nicht mehr betriebsfähig wären.

Schließlich ist auch das Stromnetz wahrscheinlich von schweren Stromausfällen betroffen. Im Jahr 2012⁶, einem kalten Winter, importierte Frankreich bis zu 9% seines Stroms aus Deutschland. Der Anteil des Stroms, der nach Belieben abgeschaltet werden kann, hauptsächlich bei großen Industrieunternehmen, führt nur zu einer Energieeinsparung von etwa 1%. Eine kontrollierte Stromabschaltung führt zu einer zusätzlichen Energieeinsparung von etwa 3%. Über diesen Punkt hinaus bleibt für das Stromnetz nur die Möglichkeit, Teile des Netzes abzuschalten.

Diese Probleme sind nicht theoretisch. Als ich mit meinem Vater über den Fall großer Winter sprach, stellte sich heraus, dass genau diese Probleme 1956 in Saint Etienne auftraten.

1956 war der kälteste Winter des 20. Jahrhunderts in Frankreich. In Saint Etienne brach das Stromnetz zusammen. Wasserleitungen platzten. Fahrzeuge hörten auf zu funktionieren. Im Süden fror sogar der Hafen von Marseille komplett zu.

Familien waren tagelang ohne Wasser, Nahrung oder Heizung. Eine oberflächliche Untersuchung der INSEE-Todesstatistik für Februar 1956⁷ zeigt etwa 15000 überdurchschnittliche Todesfälle im Vergleich zu den Vorjahren.

Dieser harte Winter von 1956 ereignete sich in einer Nachkriegsgesellschaft, die noch wenig auf elektrische Geräte angewiesen war. Außerdem nutzte diese Gesellschaft noch weitgehend Holzheizungen, die nicht vom Stromnetz abhängig sind. Ich habe keinen Zweifel daran, dass der gleiche Winter über Europa heute viel schwerwiegendere Folgen hätte.

Zurück zu unserer Diskussion über Klimavorhersagen ist an diesem Punkt klar, dass es nicht die zukünftigen Temperaturen sind, die wirklich wichtig sind, sondern die Konsequenzen dieser Temperaturen. Das Gleiche könnte für alle anderen Klimavariablen gesagt werden: Wind, Regen usw.

Wenn der erste Fehler bei der “Data Science”-Prognose darin besteht, sich auf Durchschnittswerte anstatt auf Extremwerte zu konzentrieren, dann besteht der zweite Prognosefehler darin, numerische Artefakte mit realen Konsequenzen zu verwechseln. In der Supply Chain wird diese Erkenntnis zusammengefasst als Prozentsatz des Prognosefehlers sind irrelevant, nur die Fehler in Dollar zählen.

Tatsächlich sind Prognosen numerische Artefakte, die entwickelt wurden, um Entscheidungen zu unterstützen. Die Qualität dieser Prognosen hängt sehr stark von ihrer Eignung ab, letztendlich bessere Entscheidungen zu treffen.

Die Qualität von Prognosen ausschließlich anhand willkürlicher statistischer Indikatoren wie dem mittleren absoluten Fehler (MAE), dem mittleren quadratischen Fehler (MSE) oder dem mittleren absoluten prozentualen Fehler (MAPE) zu bewerten, die alle vollständig von realen Konsequenzen abgekoppelt sind, ist wahrscheinlich einer der häufigsten Fehler, die ich bei meinen Kollegen in der Datenwissenschaft beobachte.

Persönlich bezeichne ich diese Prognosen als nackte Prognosen. Nackte Prognosen sind das Gegenteil von mythischen Prophezeiungen. Diese Prognosen erhalten viel mehr Aufmerksamkeit, als sie sollten, und wenn Menschen diesen Prognosen Aufmerksamkeit schenken, verschlimmern sie die Situation nur.

Um zu verstehen, warum nackte Prognosen falsch sind, muss man erkennen, dass es in der Supply Chain - und vermutlich auch im Klima - einfach ist, Prognosen zu generieren, die sowohl äußerst genau als auch äußerst dumm sind gleichzeitig.

Tatsächlich betrachten wir einen Minimarkt mit täglichen Auffüllungen. Für fast alle Produkte des Minimarkts ist die genaueste tägliche Verkaufsprognose null Einheiten. Tatsächlich werden die meisten Produkte in einem Minimarkt nicht einmal durchschnittlich einmal pro Tag verkauft. Eine Null-Verkaufsprognose ist daher in der Regel die genaueste tägliche Prognose unter Berücksichtigung des mittleren absoluten Fehlers.

Wenn also eine Null-Verkaufsprognose als Eingabe verwendet wird, wird der Laden nichts auffüllen. Tatsächlich bedeutet null prognostizierte Verkäufe null Einheiten, die aufgefüllt werden müssen. Früh genug sind alle Regale des Minimarkts leer, und somit haben wir effektiv null Verkäufe, was dieses Null-Verkaufsprognosemodell zu 100% genau macht. In der Zwischenzeit geht der Minimarkt bankrott.

Diese Situation tritt im wirklichen Leben auf (bei Unternehmenssoftware, die mit Lokad konkurriert). Es wird als Bestandsstillstandsproblem bezeichnet. Um es zu beheben, muss das Modell die Nachfrage prognostizieren, anstatt die Verkäufe zu prognostizieren; dies ist jedoch schwierig, da Verkäufe beobachtet werden, während die Nachfrage nicht beobachtet wird.

Allgemeiner gesagt, geben statistische Prognosemetriken die Illusion von Wissenschaft: Ich habe ein Prognosemodell entwickelt, das um 1% genauer ist, daher ist mein Modell nachweislich besser. Dies ist jedoch in der Regel nicht der Fall, und ich spreche hier noch nicht einmal von Überanpassung. Das Problem, auf das ich hinweise, ist, dass das Verfolgen einer statistischen Metrik das Modell zwangsläufig schlechter macht. Das Prognosemodell wird genau falsch, während es früher ungefähr richtig war.

Ich bin kein Klimaexperte, aber aus meiner Sicht in der Supply Chain sehe ich in den Medien - der Presse, aber auch in sozialen Netzwerken - eine Fülle von nackten Klimaprognosen: Prognosen, die nicht an einen praktischen Entscheidungsprozess gebunden sind. Ich stelle die Genauigkeit dieser Prognosen nicht in Frage; das ist eine Debatte für Klimatologen. Meine Erfahrung in der Supply Chain sagt mir jedoch, dass der Versuch, irgendwelche realen Entscheidungen auf der Grundlage dieser nackten Prognosen abzuleiten, ein Rezept für unerwünschte Konsequenzen ist, bei dem in der Regel Tonnen von Ressourcen verschwendet werden und häufig das genaue Gegenteil dessen erreicht wird, was ursprünglich beabsichtigt war.

Eine gute Prognose beginnt mit einem zu lösenden Problem. Sobald das Problem angemessen charakterisiert ist, gehen wir rückwärts vor und identifizieren die Daten und die numerischen Rezepte, die geeignet sind, die jeweilige Entscheidung zu unterstützen.

Im Gegensatz dazu beginnt eine schlechte Prognose mit einem Datensatz, der zufällig verfügbar ist, und mit einem Datenwissenschaftler, der darauf erpicht ist, das neueste maschinelle Lernpapier anhand dieses Datensatzes zu testen, möglicherweise ein Papier, das vom Datenwissenschaftler selbst verfasst wurde.

Daher ist mein Fazit, das sowohl für die Supply Chain als auch für das Klima gilt, dass Sie, wenn Sie die guten Prognosen von den schlechten Prognosen trennen möchten, sofort nackte Prognosen ablehnen sollten. Von diesen Prognosen kommt nichts Gutes. Stellen Sie dann sicher, dass die Prognosen ungefähr richtig sind, anstatt genau falsch zu sein. Und schließlich achten Sie auf die Nähe dieser Prognosen zu realen Entscheidungen. Wenn die Menschen, die die Prognosen erstellen, nicht die Konsequenzen dieser Prognosen tragen müssen, sollte Ihre Standardposition von tiefem Skeptizismus geprägt sein.