В анализе, опубликованном на этой неделе в материалах конференции Association of Computing Machinery Conference on Fairness, Accountability and Transparency, оцениваются методы машинного обучения, разработанные для поддержки U.S. Инициатива Агентства по охране окружающей среды (EPA) по сокращению серьезных нарушений Закона о чистой воде. Он показывает, как два ключевых элемента так называемого алгоритмического дизайна влияют на то, какие сообщества являются объектами усилий по соблюдению требований, и, следовательно, кто несет бремя нарушений, связанных с загрязнением. Анализ, финансируемый через Программу реализации экологических инноваций Стэнфорд-Вудского института окружающей среды, является своевременным, учитывая недавние действия исполнительной власти, призывающие к повышенному вниманию к экологической справедливости.
«Машинное обучение используется для управления огромным количеством задач, которые возложены на федеральные агентства – как способ повышения эффективности», – сказали соруководитель исследования Дэниел Хо, Уильям Бенджамин Скотт и Луна М. Скотт, профессор права Стэнфордской школы права. «Однако мы также показываем, что простое проектирование системы на основе машинного обучения может иметь дополнительные преимущества."
Повсеместное несоблюдение
Закон о чистой воде направлен на ограничение загрязнения от предприятий, которые сбрасываются непосредственно в водные пути, но в любой год почти 30 процентов таких предприятий сообщают о постоянных или серьезных нарушениях разрешений. Стремясь сократить вдвое этот тип несоблюдения к 2022 году, EPA изучает возможность использования машинного обучения для нацеливания ресурсов на соблюдение нормативных требований.
Чтобы проверить этот подход, EPA обратилось к академическому сообществу. Среди выбранных ею партнеров: Стэнфордская лаборатория регулирования, оценки и управления (RegLab), междисциплинарная команда экспертов в области права, специалистов по данным, социологов и инженеров, которую возглавляет Хо.
Группа вела постоянную работу с федеральными агентствами и агентствами штата, чтобы способствовать соблюдению экологических требований.
В новом исследовании исследователи RegLab изучили, как разрешения с аналогичными функциями, такие как очистные сооружения сточных вод, классифицируются каждым штатом таким образом, чтобы это повлияло на их включение в национальную инициативу EPA.
Используя модели машинного обучения, они также проанализировали сотни миллионов наблюдений – невозможная задача с традиционными подходами – из баз данных EPA по историческим объемам сбросов, истории соблюдения и переменных уровня разрешений, чтобы предсказать вероятность серьезных нарушений в будущем и их количество. загрязнения, каждый объект, вероятно, будет генерировать. Затем они оценили демографические данные, такие как доход домохозяйства и население меньшинств, для районов, где каждая модель показала, что были расположены наиболее рискованные объекты.
Дьявол в деталях
Алгоритмический процесс команды помог выявить два ключевых способа, которыми дизайн инициативы EPA может повлиять на то, кто получает ресурсы. Эти различия заключались в том, какие типы разрешений были включены или исключены, а также в том, как была сформулирована сама цель.
В процессе выяснения того, как достичь цели соответствия, исследователи сначала должны были преобразовать общую цель в серию конкретных инструкций – алгоритма, – необходимых для ее выполнения. Когда они оценивали, на каких объектах следует делать прогнозы, они заметили важное встроенное решение. Хотя инициатива EPA расширяет покрываемые разрешения как минимум в семь раз по сравнению с предыдущими усилиями, она ограничивает сферу действия «индивидуальных разрешений», которые охватывают конкретное предприятие по сбросу, такое как отдельная установка для очистки сточных вод.
Не включены «общие разрешения», предназначенные для охвата нескольких сливных предприятий, занимающихся аналогичной деятельностью и с аналогичными типами сточных вод. Связанная с этим сложность: большая часть разрешительных и контрольных полномочий возложена на государственные природоохранные агентства. В результате, функционально аналогичные объекты могут быть включены или исключены из федеральной инициативы в зависимости от того, как штаты реализуют процесс выдачи разрешений на загрязнение.
«Воздействие этого экологического федерализма делает партнерство со штатами критически важным для достижения этих более масштабных целей на справедливой основе», – сказал соавтор Рид Уитакер, член RegLab и выпускник Стэнфордского юридического факультета 2020 года, который сейчас учится на докторскую степень в области юриспруденции и социальной политики.
Программа Калифорнийского университета в Беркли.
Во-вторых, текущая инициатива EPA направлена на снижение показателей несоблюдения.
Хотя для этой политической цели есть веские причины, процесс алгоритмического проектирования исследователей ясно показал, что предпочтение этому выбросу загрязняющих веществ, превышающему допустимый предел, будет иметь мощный непреднамеренный эффект. А именно, это переместит ресурсы правоохранительных органов от наиболее серьезных нарушителей, которые, скорее всего, будут в густонаселенных сообществах меньшинств, в сторону небольших учреждений в более сельских, преимущественно белых сообществах, по мнению исследователей.
«Разделение основной идеи инициативы по соблюдению нормативных требований на более мелкие части, которые мог бы понять компьютер, заставило поговорить о принятии неявных решений явными», – сказала ведущий автор исследования Элинор Бенами, преподаватель кафедры RegLab и доцент кафедры сельскохозяйственной и прикладной экономики в Технологический институт Вирджинии. «Тщательный алгоритмический дизайн может помочь регулирующим органам прозрачно определить, как цели преобразуются в реализацию, используя эти методы для устранения постоянных ограничений пропускной способности."