本文介绍机器学习如何与政策方面的因果推断相结合，以及相关方法在能源环境政策领域中的应用。今年诺贝尔经济学奖获得者之一Guido Imbens（以及他的夫人Susan Athey）近期关注利用机器学习实现对政策效果更精准的推断。以往获得诺贝尔经济学奖的学者通常年龄偏大，其贡献已成为经典知识；但今年的获奖者之一Guido Imbens近期在融合监督学习（Supervised Learning）与政策的处置效应（Treatment Effect）方面做出了开拓性贡献，相关工具方法在能源与环境政策方面有广阔的应用前景。

   用机器学习分析政策的效果，与常规的机器学习预测数据有何不同？图1的公式出自《American Economic Review》2015年文章“Prediction Policy Problems”，对上述问题做出了明确回答。一项人为设计的政策（如“出门是否带雨伞”），其效果可以分为两部分：（A）天是否要下雨？这是常规机器学习的预测问题。（B）在不同的天气情境下，带雨伞的收益是多少？这是一个因果推断问题，不同于一般的反映相关关系的机器学习。

图1 文献来源：Kleinberg J , Ludwig J , Mullainathan S , et al. Prediction Policy Problems[J]. The American economic review, 2015.

   在大数据时代，面对日新月异的数据分析技术，以及各种满足人们对未来科技幻想的人工智能产品，很容易混淆效果（A）和效果（B），以为纯粹的数据相关关系就足以厘清所有的政策效果。图2的是Susan Athey近期发表在《Science》上的综述，回答了以下问题：为什么不能仅仅依靠常规的数据预测技术来推断政策效果？一个让我印象很深的例子，是关于网站右下角的弹窗广告：如果使用基于相关关系的数据预测技术（包括各种常规机器学习方法），就会发现点击弹窗广告往往伴随着相关商品的购买，因此推行这种广告会为企业带来收益；但如果精心设计实验分析其中的因果关系，就会发现那些点击弹窗广告的人本来就是对相关商品感兴趣的人，而实际上对所有人推送弹窗广告是得不偿失的。这与我们现实生活的经验直觉相符。而我们之所以看见过量的、让人心烦的弹窗广告，本质上并不是因为商家唯利是图，而是因为企业内部协调失灵，缺乏反映真实政策效果的方法。

图2 文献来源：Athey, Susan. Beyond prediction: Using big data for policy problems[J]. Science.

   今年的诺奖得主Guido Imbens及夫人Susan Athey于2015年在《PNAS》发表了一篇开创性文章，将机器学习中基本的决策树方法和分析政策处置效应（Treatment Effect）的计量方法相结合（图3）。Susan Athey之后又将随机森林和处置效应相结合，提出了“因果森林（Causal Forest）”，用于量化政策效果在不同个体的异质性；已经有相应的R和Python包，实现因果森林的计算。（Susan Athey教授曾在微软工作多年，是少有的真正能将学术研究应用到高科技企业的经济学家。）

图3 文献来源：Athey S , Imbens G . Recursive Partitioning for Heterogeneous Causal Effects[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015.

   最后，简要举两个能源环境政策方面的例子，分别说明开头提到的效果（A）（“天要下雨”）和效果（B）（“带雨伞的收益”）的重要性。图4是《Nature Energy》今年的一篇文章，用大量的真实数据预测非洲目前部署电力项目的成功率，发现到2030年，非水可再生能源的比例与之前的情景预测要低很多，原因是之前的模型过于依赖简化的假设，而非像机器学习这样完全基于证据（Evidence-Based）。以预测电厂部署成功率的机器学习模型为基础，作者分析了如何对当前的政策进行调整，以实现预期的可再生能源比例。这个例子说明单纯的预测模型也能够对能源政策做出很大改进，即效果（A）。图5是上面《Science》文章中的一个例子，即对企业环境风险的抽查（这个例子中是火灾风险）。为了更有针对性地执法，监管部门既要知道什么样的企业发生火灾的概率更高（效果（A）），也要知道不同特征的企业在接受检查（即“Treatment”）之后，改进效果如何（效果（B））；前者是常规的数据预测与机器学习问题，后者是Guido Imbens，Susan Athey等人开创的用机器学习衡量政策实施的因果效应问题。

图4 文献来源：Alova G , Trotter P A , Money A . A machine-learning approach to predicting Africa's electricity mix based on planned power plants and their chances of success[J]. Nature Energy.

图5 文献来源：Athey, Susan. Beyond prediction: Using big data for policy problems[J]. Science, 2017. 纽约、波士顿等地方根据违规的预测概率来分配执法检查，如果能考虑执法检查与整改的因果关系，可能会提高执法的效率。

   我国正处于实现碳达峰、碳中和目标的转型期，特别需要对现实情景的精准预测，以及对政策效果的真实评估，在这两方面大数据机器学习的方法都有广阔的应用前景。与此同时，在大数据人工智能成为热潮的时代，特别需要对相关方法的实际用途保持清晰的头脑、清醒的态度。本文以今年诺贝尔经济学奖得主的贡献为切入点，对上述问题做出了简要的评论。基于机器学习的政策评估正处于萌芽阶段，希望这方面的研究能够开花结果，为我国的能源环境管理事业做出重要贡献。

   以下链接介绍如何用Python实现“因果森林”方法的视频（由清华大学环境学院博士生卢炯录制）：

   https://v.qq.com/x/page/u33034vx26z.html