کشف علّی در داده‌ها با الگوریتم‌های هوشمند؛ چرا درآمد موتور محرک خرید خودروهای برقی است، نه جای پارک؟

چرا درآمد، معمای شکاف شارژ خودروهای برقی در اسکاتلند را توضیح می‌دهد؟

یک پژوهش جدید که در ژورنال Transportation Research Part A منتشر شده، روش‌های استنتاج علّی (Causal Inference) را روی داده‌های آماری خانوارهای اسکاتلندی پیاده کرده و به نتایج غافلگیرکننده‌ای رسیده است. نویسندگان این مقاله تخمین می‌زنند بخش عمده‌ای از ارتباط ظاهری میان دسترسی به پارکینگ اختصاصی و تمایل به خرید خودروهای برقی، در اصل ناشی از میزان درآمد خانوارهاست. در مدل آن‌ها، داشتن پارکینگ اختصاصی نرخ مالکیت خودروهای برقی را تنها از ۳.۳ درصد به ۵.۶ درصد افزایش می‌دهد؛ در حالی که جابه‌جایی یک خانواده از دهک‌های درآمدی پایین به طبقات بالاتر، عدم مشارکت در بازار را ۲۳.۱ واحد درصد کم می‌کند. برای متخصصان و توسعه‌دهندگانی که با داده‌های پرسشنامه‌ای سر و کار دارند، این مطالعه به زیبایی نشان می‌دهد که چرا یک متغیر پیش‌بینی‌کننده قوی در رگرسیون، همچنان می‌تواند هدفی بسیار ضعیف و گمراه‌کننده برای سیاست‌گذاری باشد.

چرا داشتن پارکینگ، سیگنال درآمد را در داده‌ها پنهان می‌کند؟

داشتن پارکینگ اختصاصی، شارژ شبانه خودروهای برقی را بسیار ارزان‌تر و بی‌دردسرتر می‌کند؛ به همین دلیل کاملاً طبیعی است خانواده‌هایی که پارکینگ دارند، با نرخ بالاتری مالک خودروهای برقی باشند. اما متغیر «درآمد» این معادله را به هم می‌زند. خانوارهای پردرآمد هم شانس بیشتری برای داشتن پارکینگ خصوصی دارند، هم از عهده قیمت بالای خودروهای برقی و شرایط دریافت وام برمی‌آیند، و هم ریسک مالی استفاده از یک فناوری نوظهور را راحت‌تر قبول می‌کنند. بنابراین، یک مدل رگرسیونی سنتی که نتواند اثر این متغیرها را جدا کند، اثری را که در واقعیت ناشی از ثروت است، به اشتباه پای داشتن پارکینگ می‌نویسد.

این پژوهش، ساختار علّی ماجرا را در قالب یک «گراف جهت‌دار بدون دور» یا همان DAG مدل کرده است. در این نمودار، متغیر درآمد (Z) هم‌زمان به متغیر دسترسی به پارکینگ (X) و تصمیم به خرید خودروی برقی (Y) اشاره می‌کند و یک مسیر انحرافی یا درِ پشتی (Back-door path) بین پارکینگ و مالکیت خودرو به وجود می‌آورد. با شرطی‌سازی روی مجموعه مناسبی از علل مشترک بر اساس مفروضات گراف، می‌توان این مسیر انحرافی را مسدود کرد و به پژوهشگران امکان داد تا توزیع آماری حاصل از مداخله مستقیم را به‌صورت P(Y | do(X)) برآورد کنند.

چگونه ستون‌های آماری نظرسنجی به متغیرهای مداخله علّی تبدیل می‌شوند؟

پژوهشگران در این پروژه، الگوریتم‌های خودکار کشف روابط علّی را با تحلیل‌های تخصصی حوزه حمل‌ونقل ترکیب کرده‌اند. الگوریتم مورد استفاده آن‌ها موسوم به MIIC ابتدا بر پایه آزمون‌های وابستگی مبتنی بر نظریه اطلاعات، یک گراف بدون جهت می‌سازد و سپس با سنجش «اطلاعات برهم‌کنش» (Interaction Information) در میان سه‌گانه‌های متغیرها، یال‌های واجد شرایط را جهت‌دهی می‌کند. بر اساس قوانین جهت‌دهی این الگوریتم، اطلاعات برهم‌کنش مثبت حاکی از وجود یک زنجیره علّی یا الگوی علت مشترک است؛ در حالی که اطلاعات برهم‌کنش منفی نشان‌دهنده یک «تصادم‌گر» (Collider) است؛ نقطه‌ای که در آن دو علت مستقل به طور هم‌زمان روی یک معلول مشترک تأثیر می‌گذارند.