計算は環境を「解く」のではなく、問いを解体する
田んぼ一枚を守るべきか、風力発電所を建てるべきか。
こういう問いが出たとき、いまの工学者はモデルを回す。炭素吸収量、生物多様性指数、地域経済への波及。数字が並び、最適解が出る。
だが待ってほしい。
そもそも「最適」とは、誰にとっての、どの時点での、何に対する最適なのか。その問いを棚上げにしたまま出てきた数字を、科学的結論と呼んでいいのか。
環境問題に計算を持ち込む本当の価値は、「よく当たる予測」でも「うまい最適化」でもない。隠れていた前提を、半ば強制的に言語化させることにある。何を変数とするのか。何を損失とみなすのか。誰の利益を、どの時点で重く見るのか。アルゴリズムはそれらを決めなければ動かない。だから問いの立て方を、あばく。
これがやっかいでもあり、重要でもある理由だ。
土地利用の最適化を考えてみる。収量、輸送コスト、炭素吸収量まではモデル化しやすい。だが保全区域の設定ひとつにも、生物多様性だけでなく、生計、文化的景観、アクセス権、そして「昔からそうだった」という曖昧だが無視しがたい正当性が絡む。こうなると問題は組合せ最適化ではなく、多基準の交渉だ。そしてその交渉は、数字の姿をしていても、しばしば政治そのものだ。
最終的な一つの数字だけを「科学的結論」として提示すれば、本来は政治的な選択が、技術的必然に見える。感度分析や反実仮想比較が重要なのはそのためだ。評価関数を少し動かすだけで、保全される地域も、利益を受ける人々も、損失を負う人々も変わる。その追跡可能性こそが、計算の貢献だ。一つの答えではなく、選択の構造を可視化すること。
持続可能性を単純な性能最適化として扱う誘惑は、わかりやすい。だが生態系のレジリエンスは頑健性の問題であり、世代間公平は資源配分の問題であり、絶滅や土壌劣化は「あとで補えばよい」という代替可能性の発想を容易に裏切る。すべてを目的関数に溶かし込むほど、大切なものは見えにくくなる。
制度も同様だ。データを誰が保有するのか。モデルの判断に誰が説明責任を負うのか。予測が外れたとき、誰が損失を引き受けるのか。これらは技術の外部にある問いではなく、実装条件そのものだ。地域住民や先住民の知を排したモデルが、統計的に高性能でも社会的に正当化されないのはそのためだ。参加型モデリングは配慮ではなく、要件定義だ。
そして見落とされがちな逆説がある。環境のための計算が、別の環境負荷を増やしている。大規模モデルの学習電力、データセンターの水使用、半導体製造、電子廃棄物。工学的には高精度でも、ライフサイクル全体では重い。低計算量モデルや近似計算のような地味な選択肢のほうが、環境学的には優れている場面もある。
不確実性もまた、ノイズではない。モデルの構造自体が不十分かもしれず、未知の機構が後から現れることもある。答えがぶれるだけでなく、問いの立て方そのものが揺らいでいる。だからアンサンブル、シナリオ分析、適応的管理が必要になる。「外れるかもしれない」を制度の中に織り込む方法として。
政策を論じるなら、予測と因果の区別も欠かせない。相関をよく当てるモデルが、介入の効果を正しく語れるとは限らない。「もし介入しなかったら」をどう構成するか。地味だが本質的な問いだ。
計算が環境学に貢献できるのは、環境を完全に計算可能な対象に変えるからではない。何が計算に乗り、何がなお抵抗するかを切り分け、異なる知識・利害・時間感覚のあいだに翻訳の層をつくることにある。
最適化の勝利を演出することではない。不確実性も価値対立も消さないまま、よりましな意思決定の条件を整えること。
計算の役割は、そこにある。