Integrated Assessment of Climate Change in an Unequal World of Uncertain Economic Growth

Et sentralt spørsmål i klimadebatten er hvor mye oppvarming vi bør akseptere. Fra samfunnsøkonomisk ståsted innebærer dette å balansere kostnadene ved å redusere CO2 -utslipp med skadene fra klimaendringene. I økonomisk teori ville en global karbonpris lik den sosiale kostnaden for karbon (SCC) implementere den optimale løsningen. SCC beregnes med «integrated assessment» -modeller (IAM), som kombinerer en modell av økonomien med en modell som fanger opp klimadynamikk. I dette prosjektet spør vi hvordan den optimale karbonprisen påvirkes av usikkerhet: hvis vi ikke vet hvor mye oppvarming et gitt CO2 utslipp gir, skal vi da redusere utslippene våre mer (eller mindre) enn vi ville gjort hvis vi visste dette med sikkerhet? Og enda viktigere, hva driver denne usikkerhetspremien (eller rabatten)? Tradisjonelt er IAMs deterministiske. Modellene løses flere ganger for ulike parameterverdier og så tas gjennomsnittet, men i hvert av disse tilfellene er parameterverdiene presist kjent av beslutningstageren i modellen. Slike modeller kan dermed ikke si noe om den adferdsmessige responsen til usikkerhet: vi iverksetter tiltak for å begrense eller unngå usikkerhet; vi handler annerledes enn hvis den var fraværende. For å få inn slike fenomen utvikler vi en strukturell modell som beskriver den relevante dynamikken og samspillet i økonomien og klimasystemet, men som også karakteriserer usikkerheten beslutningstageren står overfor. Det finnes to tilnærminger i litteraturen til risiko: numerisk modellering (som gir oss ett tall) og analytisk modellering (som utleder en formel som gir oss intuisjon). I dette prosjektet slår vi sammen disse to tilnærmingene. Prosjektet fokuserer på klimausikkerhet: hvor mye temperaturøkning utslipp forårsaker i det lange løp - klimafølsomhet. Verdien er svært usikker, på grunn av kompleksiteten til klimasystemene og mange usikre feedback effekter. Vårt sentrale bidrag til litteraturen er en analytisk formel for klimausikkerhetspremien for en generisk IAM. Formelen gir en bedre intuisjon på hvorfor vi bør minske utslipp, og med hvor mye. Den tydeliggjør hvordan de følgende elementene spiller inn: (1) våre sosiale preferanser, (2) egenskapene til klimaskadefunksjonen, og (3) våres fremtidige respons på usikkerhet. Siden formelen er avhengig av noen forenklende forutsetninger, tester vi dens kvantitative resultater mot en fullt stokastisk IAM - en rekursiv implementering basert på DICE -modellen. Formelens resultater stemmer overens med de numeriske usikkerhetsresultatene for et bredt spekter av preferanse-, vekst- og skadespesifikasjoner. Vi viser at det kvantitativt viktigste bidraget til klimausikkerhetspremien kommer fra konveksiteten til skadefunksjonen: hvor mye raskere skader blir verre når temperaturen øker. Selv om det virker intuitivt, motsier funnene våre her den tidligere teoretiske litteraturen som identifiserte såkalt «prudence» som den viktigste driveren for føre-var-adferd. En «prudent» beslutningstaker er mindre risikoavers jo mer velstående de er: ved å øke formuen, kan de redusere virkningen risikoaversjon har på deres velvære. Men på grunn av strukturen i klimaendringsutfordringen (de ikke-lineære interaksjonene mellom klimaet og økonomien) og måten den klimatiske usikkerheten kommer inn i problemet på (den påvirker SCC på tre forskjellige måter), kan intuisjonen ikke overføres til klimatisk usikkerhet og optimale utslippsreduksjoner. Kvantitativt finner vi en økning i de sosiale kostnadene for karbon som er beskjeden: klimatisk usikkerhet bare fører til en risikopremie på rundt 25%. Spesifikasjoner med mer konvekse skadefunksjoner øker dette tallet til 75%. I pågående arbeid utforsker vi beslektede aspekter av klimausikkerhet. For det første undersøker vi virkningen av «forventet læring.» Hvor raskt og hvor mye usikkerheten reduseres i fremtiden er et viktig aspekt av utfordringen. Et robust numerisk funn i dette arbeidet er at raskere læring ikke fører til en mindre ambisiøs klimapolitikk i dag: vi finner ikke noen «wait and see»-effekt. For tiden jobber vi med å forklare dette resultatet analytisk. For det andre ser vi nærmere på usikkerhetspreferanser. Vi utforsker «ambiguity aversion»: en beslutningstager misliker ikke bare usikkerheten i seg selv, men også sin manglende evne til å kvantifisere den nøyaktig. Ved å bruke «ambiguity aversion»-preferanser i den numeriske stokastiske DICE-implementeringen, finner vi at preferansene ikke endrer optimal klimapolitikk noe særlig. Vi undersøker måter å forklare dette på forhånd uintuitive resultatet analytisk.

This postdoctoral project let to a postdoctoral researcher achieving full time employment in academia working as a researcher and lecturer.

My proposed research strives for a better representation of the fundamental climate policy trade-off between mitigating and accepting damages. I intend to design an integrated assessment model that answers the following two questions: How to optimally aba te emissions when uncertain damages are distributed unevenly among a heterogeneous population? How to optimally mitigate climate change when the required technologies need to be developed first and the outcome of that process is uncertain? To achieve thi s, I wish to advance the literature along three dimensions: 1) I intend to analyze scientific and economic uncertainty in greater detail. 2) I plan to introduce endogenous technological innovation in a new way. In DICE family models for example abatement costs and emission intensity are exogenous. Likewise, most models feature exogenous growth, neglecting the question how we create and steer growth to be green. 3) Few existing IAMs treat distributional concerns. Within the standard economic framework the highly uneven distribution of wealth today easily turns climate policy into a tool for economic redistribution. I will develop a recursive dynamic programming version of the DICE model to address these 3 issues. The recursive structure permits me to trea t uncertainty in great detail. In contrast, most other models simply average deterministic runs, in each of which decisions are made under certainty. With recursive modeling, decisions are made under uncertainty. The recursive structure also allows for a better representation of risk preferences (Epstein and Zin's disentanglement of risk aversion and consumption smoothing). A similar approach will permit me to treat distributional concerns more elaborately than in the standard model.