Uncertainty & Learning in Global Climate Analysis

dc.contributor.advisorEdenhofer, Ottmaren
dc.contributor.authorLorenz, Alexanderen
dc.contributor.grantorTechnische Universität Berlin, Fakultät VI - Planen Bauen Umwelten
dc.date.accepted2012-02-14
dc.date.accessioned2015-11-20T21:10:41Z
dc.date.available2012-03-09T12:00:00Z
dc.date.issued2012-03-09
dc.date.submitted2012-03-09
dc.description.abstractDer Klimawandel, als zentrale Herausforderung des 21. Jahrhunderts für globale Kooperation, ist gekennzeichnet durch enorme Unsicherheiten im wissenschaftlichen Verständnis des Klimasystems, klimainduzierter Veränderungen natürlicher und sozialer Systeme sowie der Folgen dieser Veränderungen für menschliches Wirtschaften und die allgemeine Wohlfahrt. Teilweise werden diese Unsicherheiten durch Fortschritte der Wissenschaft und neue Beobachtungen aufgelöst werden können. Dieses zukünftige Lernen wird es ermöglichen, getroffene Entscheidungen zum Klimaschutz zu revidieren und an neue Situationen anzupassen. Diese Dissertation widmet sich der Untersuchung der genauen Rolle dieser Unsicherheiten und der Möglichkeit zukünftigen Lernens für die formale Analyse optimaler Vermeidungsstrategien des Klimawandels. Die zentralen Beiträge dieser Arbeit sind in drei wissenschaftlichen Artikeln dargelegt. Der erste Artikel untersucht axiomatische Zielkonflikte bei der Anwendung der so genannten „Kosten-Effektivitäts-Analyse“ auf Klimaziele unter Unsicherheit. Die Studie stellt zwei zentrale konzeptionelle Probleme dieses Formalismus fest, wenn man zusätzlich die Möglichkeit zukünftigen Lernens einbezieht: die Möglichkeit, dass zusätzliche Information negativen Wert zugeschrieben bekommt und die Möglichkeit der Unlösbarkeit des ganzen Entscheidungskriteriums. Als Konsequenz wird ein alternatives Entscheidungskriterium vorgestellt, die sogenannte „Kosten-Risiken-Analyse“. Diese basiert immer noch auf der Angabe einzuhaltender Klimaschranken, vermeidet jedoch die benannten Probleme. Die Motivation für den zweiten Artikel liefert der Widerspruch zwischen einer wissenschaftlichen Intuition und den aktuellen Modellergebnissen. Die Intuition sieht einen starken Einfluss epistemischer Unsicherheiten auf die Bestimmung optimaler Vermeidungsstrategien und deren Einfluss auf die Wohlfahrt (im Vergleich zum „Nichtstun“). Die Modelle hingegen zeigen nur einen marginalen Einfluss dieser Unsicherheiten. Diese Studie entwickelt eine Methode, mit welcher man die Wichtigkeit von Unsicherheit bestimmen kann, sowohl im Sinne des Einflusses auf die optimale Politik als auch im Sinne der von dieser Politik hervorgerufenen Wohlfahrtsveränderung. Weiterhin wird eine Darstellung des Modells MIND verwendet, die es ermöglicht, die vorgestellte Metrik zur Messung der Wichtigkeit mit der Struktur der Funktionen zu verbinden, welche die Kausalkette des Klimawandels im Modell abbilden. Damit kann man die insignifikante Rolle von Unsicherheit direkt aus der Modellstruktur ableiten. Davon ausgehend testen wir einige in der Literatur diskutierte Änderungen der Modellstruktur bezüglich ihres Einflusses auf die Wichtigkeit von Unsicherheit. Der dritte Artikel untersucht die Umstände, unter denen die Antizipation zukünftigen Lernens über Klimaschäden aus dem Überqueren eines sogenannten „Tipping-Points“ einen signifikanten Einfluss auf die kurzfristige Vermeidungsstrategie ausübt. Wir zeigen, dass dies nur der Fall ist, wenn das Lernen in einem engen „Antizipations-Zeitfenster“ stattfindet. In diesem Fall ist eine striktere kurzfristige Vermeidungsstrategie optimal, um die Option zu erhalten, im Falle schlechter Nachrichten über die Schäden des Tipping-Points selbigen nicht zu überqueren. Die Lage und Breite dieses „Antizipations-Zeitfensters“ ist stark abhängig von der Flexibilität, die Treibhausgasemissionen zu reduzieren. Wenn man diese herabsetzt, beispielsweise um politische oder soziale Barrieren zu repräsentieren, so bewegt sich das "Zeitfenster" näher zur Gegenwart und verbreitert sich deutlich. Damit wird die Wichtigkeit von Antizipation für kurzfristige Entscheidungen erhöht.de
dc.description.abstractClimate change, the 21st century’s challenge for cooperative human decision making, is surrounded by large uncertainties concerning the scientific understanding of the climate system, of climate change-induced changes of natural and social systems and of the impacts of those changes on human economic activities and human welfare in general. Parts of these uncertainties will be resolved as science advances and new observations are made. This learning will allow refining the decisions undertaken to cope with the climate problem. This thesis is dedicated to examine the role of uncertainty and future learning in the formal assessment of optimal global mitigation strategies for global warming. The central contributions of this study are contained within three research articles. The first article investigates the validity of the cost-effectiveness framework when applied to the case of climate targets under uncertainty and future learning. The study highlights two major conceptual problems of this formalism, namely the possibility of negative value of information and infeasibility of the whole decision criterion. As a consequence an alternative decision framework is proposed, the so-called cost-risk analysis, which avoids those conceptual problems but still remains based on climate targets. The second article is motivated by the clash between the general scientific intuition that epistemic uncertainties about the climate system and climate damages should play a major role in determining optimal mitigation policies (and the resulting welfare gain compared to doing nothing) and the results from the integrated assessment models that show only insignificant influence of those uncertainties. We introduce a method of assessing the importance of uncertainty both in its impact on optimal policy and in its impact on the welfare gain from acting upon climate change. We then use a representation of the integrated assessment model MIND that allows linking the decomposed value of climate policy to the structural form of the functions representing the climate cause-effect chain, thereby understanding the negligible effect of uncertainty from the model structure. Finally, we propose some changes to the model structure that result in large impacts from including uncertainty. The third article investigates the circumstances under which the anticipation of future learning about tipping-point-like threshold climate damages would be important for the determination of near term mitigation decisions. We show that this is only the case if the learning occurs within a narrow anticipation window. In this case far stronger near term mitigation is optimal to keep the option open to avoid the threshold in case it turns out to lead to severe damages. The location and width of this window is found to be sensitive to the DM’s flexibility to reduce emissions. If reducing this flexibility in the MIND model, may this represent political or social barriers, the anticipation window moves towards the present and broadens considerably, thereby increasing the importance of including future learning into the analysis of climate change. The articles are put into perspective by an introduction into the field that lays out the general research questions and conclusions.en
dc.identifier.uriurn:nbn:de:kobv:83-opus-34475
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/3442
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-3145
dc.languageEnglishen
dc.language.isoenen
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/en
dc.subject.ddc330 Wirtschaften
dc.subject.otherAntizipiertes Lernende
dc.subject.otherIntegrierte Klima-Analysede
dc.subject.otherKosten-Risiko-Analysede
dc.subject.otherUnsicherheitde
dc.subject.otherAnticipated learningen
dc.subject.otherCost-risk-analysisen
dc.subject.otherIntegrated Assessment of Climate Changeen
dc.subject.otherUncertaintyen
dc.titleUncertainty & Learning in Global Climate Analysisen
dc.title.translatedUnsicherheit und Lernen in der globalen Analyse des Klimawandelsde
dc.typeDoctoral Thesisen
dc.type.versionpublishedVersionen
tub.accessrights.dnbfree*
tub.affiliationFak. 6 Planen Bauen Umwelt::Inst. Landschaftsarchitektur und Umweltplanungde
tub.affiliation.facultyFak. 6 Planen Bauen Umweltde
tub.affiliation.instituteInst. Landschaftsarchitektur und Umweltplanungde
tub.identifier.opus33447
tub.identifier.opus43261
tub.publisher.universityorinstitutionTechnische Universität Berlinen

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
Dokument_11.pdf
Size:
1.3 MB
Format:
Adobe Portable Document Format

Collections