Шрифт:
Интервал:
Закладка:
Таким образом, мы должны признать, что Аллен и Стотт пытались донести сложную идею. Тем не менее в их заключении отсутствует одна вещь: причинность. Там нет даже намека на причинно-следственную связь или, быть может, только намек и есть — в туманной фразе «можно отнести к человеческому влиянию».
Теперь сравните это с причинной версией того же вывода: «Вероятно, выбросы CO2 были необходимой причиной аномальной жары 2003 года». Какое предложение, их или наше, вы сможете вспомнить завтра? А какое могли бы объяснить соседу?
Я не эксперт по изменению климата, поэтому взял этот пример у одного из моих соратников Алексиса Ханнарта из Франко-аргентинского института изучения климата и его эффектов в Буэнос-Айресе. Ханнарт — приверженец причинно-следственного анализа. в климатологии. Ханнарт изобразил график причинности на рис. 54. Поскольку парниковые газы — узел верхнего уровня в климатической модели и к нему не ведут стрелки, он утверждает, что по ним и климатической реакции нет никаких осложнений. Подобным образом он ручается за допущение об отсутствии защиты (т. е. парниковые газы не могут защитить нас от аномальной жары).
Ханнарт идет дальше Аллена и Стотта и использует наши формулы для вычисления вероятности достаточности (PS) и необходимости (PN). В случае с аномальной жарой в Европе в 2003 году он обнаружил, что PS была чрезвычайно низкой, около 0,007 2, а значит, было невозможно предсказать эту аномалию в том конкретном году. В свою очередь, вероятность необходимости PN составила 0,9, что согласуется с результатами Аллена и Стотта. Это означает, что, весьма вероятно, без парниковых газов жары не было бы.
Очевидно низкое значение PS следует рассматривать в более широком контексте. Мы не просто хотим знать вероятность аномальной жары в этом году; мы хотели бы знать вероятность ее повторения в течение более длительного периода времени, скажем в следующие 10 или 50 лет. С увеличением временных рамок PN уменьшается, поскольку в действие вступают другие возможные механизмы возникновения аномальной жары. Тем не менее PS увеличивается, потому что, по сути, возрастает риск самого неблагоприятного сценария. Согласно вычислениям Ханнарта, существует 80 %-ная вероятность того, что климатические изменения вызовут такую же (или более сильную) жару в Европе, как в 2003 году, в течение 200-летнего периода. Возможно, это звучит не слишком пугающе, но речь идет о нынешней концентрации парниковых газов в атмосфере. В действительности уровень CO2 будет расти и дальше, отчего увеличится PS и сократится промежуток времени до новой жары.
Рис. 62. Диаграмма причинности для примера с климатическими изменениями
Могут ли обычные люди научиться улавливать разницу между необходимыми и достаточными причинами? Это непростой вопрос. Даже ученые иногда сталкиваются с трудностями. Например, об аномальных температурах в России в 2010 году, когда выдалось самое жаркое лето за всю историю наблюдений и торфяные пожары омрачили небо над Москвой, вышло два исследования с противоположными выводами. Одна группа решила, что жара была вызвана естественными колебаниями температур, другая — что причиной стало изменение климата. По всей видимости, разночтения возникли из-за того, что группы по-разному определили результат. Первая, по-видимому, строила аргументы на основе PN и получила высокую вероятность причины в климатических изменениях. Вторая использовала PS и получила низкую вероятность. Вторая группа приписала жару постоянному высокому давлению над Россией — что кажется мне достаточной причиной — и обнаружила, что парниковые газы практически не связаны с этим явлением. Но любое исследование, использующее PS в качестве показателя за короткий период, устанавливает высокую планку для всех, кто пытается доказать причинно-следственные связи.
Прежде чем отойти от этого примера, я хотел бы еще раз прокомментировать компьютерные модели. Большинству ученых приходится усердно работать, чтобы получить контрфактивную информацию, скажем мучительно комбинируя данные наблюдательных и экспериментальных исследований. Ученые-климатологи могут легко получить контрфактивные данные из компьютерных моделей: достаточно ввести новое значение для концентрации углекислого газа в воздухе и дать программе поработать. «Легко», конечно, здесь понятие относительное. За простой причинно-следственной схемой на рис. 54 скрывается невероятно сложная функция-ответ, заданная миллионами строк компьютерного кода, которые используются для моделирования климата.
Здесь возникает естественный вопрос: насколько мы можем доверять компьютерному моделированию? У этого вопроса есть политические нюансы, особенно здесь, в США. Однако я постараюсь дать аполитичный ответ. Я считаю, что функция-ответ в этом примере вызывает гораздо больше доверия, чем линейные модели, которые так часто встречаются в естественных и социальных науках. Линейные модели часто выбирают только по причине удобства. Для сравнения: климатические модели отражают более чем вековые исследования физиков, метеорологов и климатологов. Это усилия ученых понять процессы, которые определяют нашу погоду и климат. По любым нормальным научным стандартам климатические модели являются веским и убедительным доказательством, но с одной оговоркой. Хотя они превосходно предсказывают погоду на несколько дней вперед, они никогда не проверялись в перспективных исследованиях на протяжении веков, поэтому все еще содержат систематические ошибки, о которых мы не знаем.
Мир контрфактивного
Я надеюсь, к этому моменту уже очевидно, что контрфактивные суждения — важный инструмент познания мира и нашего воздействия на него. Хотя мы никогда не сможем пройти по обеим дорожкам, расходящимся в лесу, во многих случаях получится с достаточной уверенностью предсказать, куда они ведут.
Несомненно, разнообразие и богатство причинно-следственных запросов, которые обрабатываются с помощью причинного вывода, значительно возрастет, если мы включим в них контрфактивные утверждения. Другой очень популярный тип запроса, который я здесь не обсуждал, называется влиянием лечения на получивших его (the Effect of Treatment on the Treated; ETT). Он используется, чтобы оценить, являются ли люди, имевшие доступ к лечению, теми, кто получит от него наибольшую пользу. Этот показатель гораздо лучше отражает эффективность лечения, чем средний причинный эффект (the Average CaUsal Effect; ACE). ACE, который вы получите в результате рандомизированного контролируемого исследования, усредняет эффективность лечения для всей группы людей. Но что, если на практике те, кого взяли в программу, не получат от лечения наибольшую пользу? Чтобы оценить общую эффективность программы, используется ETT, которое показывает, какой эффект наблюдался бы у пациентов с неудачным исходом лечения, если бы их не лечили. Это контрфактивная мера, имеющая важнейшее значение для принятия практических решений. Мой бывший ученик Илья Шпицер (ныне сотрудник Университета Джонса Хопкинса) сделал для