Information Acquisition under Fundamental Uncertainty - Precaution, Research, and the Environment
Final Report Abstract
Neuartige Technologien und Substanzen verheißen nicht nur immensen Nutzen, sie werfen typischerweise auch substantielle und vielfach neuartige Risiken für Mensch und Umwelt auf. Beispielhaft hierfür ist das krebserregende Potential und die Gefahr nachhaltig gestörter Ökosysteme durch die Ausbringung neuartiger Pestizide. Die Regulierung solcher Risiken ist zu einer zentralen Aufgabe moderner Gesellschaften geworden. Zwei risikoregulatorische Aufgaben stechen hervor: Einerseits gilt es, Kriterien für die finale regulatorische Entscheidung - etwa Zulassung oder Verbot eines Pestizids -unter gegebener Unsicherheit zu finden. Dies ist herausfordernd insofern als dass die Sinnhaftigkeit herkömmlicher Kosten-Nutzen Modelle ansgesichts “fundamentaler Unsicherheit” in Frage gestellt ist. Die zweite risikoregulatorische Aufgabe ist “Informationsakquise” - beispielsweise in vitro oder in vivo tests zur Bestimmung des karzinogenen Potentials von Pestiziden -, um Unsicherheiten im risikoregulatorischen Entscheidungsprozess zu reduzieren und damit weitreichende Fehlentscheidungen zu verhindern. Beide risikoregulatorische Aufgaben, finale Zulassungsentscheidung und Informationsakquise, werden kontrovers diskutiert, oft verbunden mit Empfehlungen basierend auf dem Vorsorgeprinzip. Das Projekt “Informationsakquise unter fundamentaler Unsicherheit - Vorsorge, Forschung und Umwelt” beleuchtete das Zusammenspiel dieser zwei risikoregulatorischen Aufgaben. Rigorose entscheidungstheoretische Methodik erlaubte es hierbei, die Theorie der Risikoregulierung substantiell weiterzuentwickeln. Im Einzelnen wurde (1) ein einfaches und handhabbares Modell zur Informationsakquise unter der vorsorgezentrierten maxmin-Regel entwickelt, (2) dieses Modell genutzt um zwei neuartige und gegenläufige Effekte der maxmin-Regel auf Informationsakquise zu identifizieren, (3) diese Effekte hinsichtlich ihrer relativen Stärke mit Klassen von regulatorischen Problemen zu verknüpfen, und schließlich (4) Praxis und Theorie im konkreten Beispiel der Pestizidzulassung in der EU zu vergleichen. Der grundlegende und innovative Charakter des Forschungsprojekts machteÜUberraschungen und somit Anpassungen an die Projektdurchführung unausweichlich. Auf entscheidungstheoretischer Seite wurden aus normativer Sicht überraschende Eigenschaften gängiger Methoden identifiziert und produktiv in Beiträgen zur Literatur genutzt. Auf risikoregulatorischer Seite überraschte das Ausmaß der Abweichung zwischen gängiger Informationsakquisepraxis und wohlfahrtsökonomischen Empfehlungen. Zusammengenommen bildet dieses Projekt einen wichtigen Brückenschlag zwischen Entscheidungstheorie und risikoregulatorischer Praxis. Der entwickelte Modellrahmen zur Informationsakquise unter fundamentaler Unsicherheit verspricht nützlicher Ausgangspunkt für zukünftige Studien zu sein. Insbesondere bildet das erfolgreiche durchgeführte Projekt das Fundament für den von der DFG durch ein Postdoc-Forschungsstipendium geförderten Aufenthalt von Dr. Daniel Heyen an der London School of Economics.
Publications
- (2014): “Learning under Ambiguity – A Note on the Belief Dynamics of Epstein and Schneider (2007)”. AWI Discussion Paper No. 573
Heyen, D.
(See online at https://dx.doi.org/10.11588/heidok.00017512) - (2015): “Informativeness of Experiments for meu – A Recursive Definition”. Journal of Mathematical Economics 57: 28–30
Heyen, D., and Wiesenfarth, B.
(See online at https://doi.org/10.1016/j.jmateco.2014.12.002) - (2015): “Risk Assessment under Ambiguity: Precautionary Learning vs. Research Pessimism” AWI Discussion Paper No. 605
Heyen, D., Goeschl, T., and Wiesenfarth, B.
(See online at https://dx.doi.org/10.11588/heidok.00019999) - (2016): “Precision requirements in pesticide risk assessments: Contrasting value-of-information recommendations with the regulatory practice in the EU”. AWI Discussion Paper No. 607
Goeschl, T, and Heyen, D.
(See online at https://dx.doi.org/10.11588/heidok.00020214)
