8.1 Matematisk modellering

Kartet er ikke terrenget

En kommune skal dimensjonere vannverket for de neste tjue årene. En analytiker skal forutsi bakterievekst i en matprøve. En bedrift vil vite hvordan salget reagerer på prisendringer. Felles for alle tre: virkeligheten er for kompleks til å regnes på direkte, så de bygger en modell — en forenklet matematisk representasjon av virkeligheten. Matematisk modellering er prosessen der vi bruker matematikk til å beskrive, forutsi og forstå virkelige fenomener.

Du har allerede laget modeller: en lineær modell for bilpris som funksjon av alder, eksponentiell bakterievekst, regresjonsmodeller for sammenhenger. Nå løfter vi blikket og ser på selve modelleringsprosessen — en syklus i seks steg:

(1) Problemformulering: Hva skal beskrives? Hvilke variabler er relevante? (2) Forenkling og antakelser: Hva er viktigst, og hva kan vi se bort fra? (3) Matematisk formulering: Velg modelltype og bestem parametere. (4) Løsning: Bruk modellen til beregninger og prediksjoner. (5) Validering: Sammenlign med virkeligheten — passer modellen? (6) Forbedring: Juster, eller gå tilbake til steg 2.

Prosessen er iterativ — modellen forbedres runde for runde, som et kart som tegnes om etter hvert som terrenget blir kjent.

Verktøykassen av modelltyper kjenner du fra før: lineær $f(x) = ax + b$ for jevn vekst, kvadratisk $f(x) = ax^2 + bx + c$ for kastkurver og optimering, eksponentiell $f(x) = a \cdot b^x$ for befolkning, renter og radioaktivitet, potens $f(x) = a \cdot x^b$ for naturvitenskapelige skalaforhold, og logistisk $\displaystyle f(x) = \frac{K}{1 + ce^{-bx}}$ for vekst som flater ut mot en bæreevne.

Å velge modell fra data — og validere den

Analytikeren med matprøven får målingene: 100 bakterier ved start, 195 etter to timer, 410 etter fire, 1620 etter åtte. Hvilken modell? Et blikk på tallene avslører mønsteret: antallet dobles omtrent annenhver time — det lukter eksponentiell vekst.

Modellansatsen er $f(t) = 100 \cdot b^t$. Fra $f(2) = 195$ får vi $b^2 = 1{,}95$, altså $b = \sqrt{1{,}95} \approx 1{,}40$:

$$f(t) \approx 100 \cdot 1{,}40^t$$

Så til steg 5 — validering: $f(4) \approx 384$ mot observert 410 (6 % avvik), og $f(8) \approx 1475$ mot observert 1620 (9 % avvik). Modellen passer rimelig godt, men undervurderer litt for store $t$. Det er typisk valideringsspråk: ikke «riktig/galt», men hvor godt og hvor.

Verktøyene for validering kjenner du igjen fra kapittel 7: residualer $e_i = y_i - \hat{y}_i$ (små og tilfeldige er bra), $R^2$ (over 0,9 regnes vanligvis som god tilpasning), grafisk kontroll (tegn modellen oppå datapunktene) og ekstrapolasjonssjekk (gir modellen rimelige svar utenfor dataområdet?).

Og her kommer modelleringens ydmyke sannhet: ingen modell er perfekt. Tre begrensninger må alltid vurderes. Ekstrapolasjon: modellen gjelder bare i nærheten av datapunktene — bakterieveksten fortsetter ikke eksponentielt når næringen tar slutt. Forenkling: viktige faktorer kan være utelatt. Gyldighetsområde: angi alltid for hvilke verdier modellen er rimelig. En modell uten oppgitt gyldighetsområde er som et kart uten målestokk.

Sensitivitetsanalyse — hvor robust er svaret?

Modellen er bygget og validert. Men ett spørsmål gjenstår, og det skiller amatører fra profesjonelle: hva om parametrene er litt feil? Sensitivitetsanalyse undersøker hvordan modellens resultater endrer seg når vi varierer parametrene.

Fremgangsmåten: (1) identifiser nøkkelparametrene i modellen, (2) varier hver av dem med for eksempel $\pm 10\,\%$ eller $\pm 20\,\%$, (3) beregn ny løsning for hver variasjon, og (4) vurder om endringene er store (modellen er sensitiv) eller små (modellen er robust). En modell som gir helt ulike svar ved små parameterendringer, må brukes med stor forsiktighet.

Et eksempel fra prissetting: en bedrift har inntektsmodellen $I(x) = 500x - 2x^2$, og den optimale mengden er $I'(x) = 500 - 4x = 0$, altså $x = 125$ med $I(125) = 31\,250$ kr. Men koeffisienten 2 er et estimat. Hva om den egentlig er 2,5? Da blir $I'(x) = 500 - 5x = 0$, $x = 100$ og $I(100) = 25\,000$ kr. Og med 1,5: $x \approx 167$ og $I \approx 41\,667$ kr. En endring på 25 % i koeffisienten flytter altså optimal inntekt med 20–33 %. Konklusjon: modellen er moderat sensitiv for denne parameteren — og beslutningstakeren bør få vite det.

Til slutt, modellbyggerens fem gode vaner: start med den enkleste modellen som kan være rimelig; bruk fagkunnskap til å velge modelltype, ikke bare $R^2$; angi alltid antakelser og gyldighetsområde; sammenlign gjerne flere modelltyper; og sjekk at modellen gir rimelige svar for ekstremverdier. Med de vanene blir kartet aldri forvekslet med terrenget — men det blir et kart man kan stole på.

Oppsummering: syklusen som aldri helt slutter

Vannverket, matprøven og prismodellen fulgte alle samme oppskrift. Modelleringsprosessen går fra virkelig problem via forenkling og matematisk formulering til løsning, validering og forbedring — en iterativ syklus der modellen skjerpes for hver runde. Modellvalget styres av mønsteret i dataene og av fagkunnskap: lineær for fast absolutt endring, eksponentiell for fast prosentvis endring, kvadratisk for optimering med topp- eller bunnpunkt, potens for skalaforhold og logistisk for vekst mot et tak.

Valideringen bruker verktøyene fra kapittel 7 — residualer, $R^2$, grafisk kontroll — og munner ut i graderte konklusjoner som «passer godt, men undervurderer for store $t$». Tre begrensninger skal alltid drøftes: ekstrapolasjon utenfor dataområdet, utelatte faktorer, og gyldighetsområdet som alltid skal angis.

Sensitivitetsanalysen er kvalitetsstempelet: varier parametrene med ±10–20 % og se om konklusjonen står seg. Prismodellens optimum flyttet seg 20–33 % ved 25 % parameterendring — moderat sensitivt, og verdt å rapportere.

Modellering er altså ikke en formel, men et håndverk med dømmekraft i hvert steg. I de neste kapitlene får håndverket flere verktøy: numeriske metoder for likninger uten pen løsning, og til slutt møtet med ekte, uryddige samfunnsøkonomiske datasett.