美国废水处理设施的地图，一般许可证(橙色)旨在涵盖从事类似活动的多个排放者，个别许可证(蓝色)涵盖特定设施。各州根据不同的分类分配许可证。一项旨在减少水道污染的国家监管倡议最初不适用于一般许可，将大约40%的废水处理设施排除在外。功劳:Benami等人机器学习的危险——使用计算机来识别和分析数据模式，例如在面部识别软件中——最近成为头条新闻。然而，根据斯坦福研究人员的一项新研究，这项技术也有望以公平、透明的方式帮助执行联邦法规，包括与环境相关的法规。这项分析发表在本周的计算机器协会关于公平、责任和透明度的会议记录上，评估了旨在支持美国环境保护局(EPA)减少严重违反《清洁水法案》的倡议的机器学习技术。它揭示了所谓算法设计的两个关键要素如何影响合规工作的目标群体，以及谁将承担污染违规的责任。该分析由斯坦福森林环境研究所的实现环境创新计划资助，鉴于最近的行政行动呼吁重新关注环境正义，该分析是及时的。
斯坦福大学法学院威廉·本杰明·斯科特和卢娜·m·斯科特法学教授、该研究的联合首席研究员丹尼尔·何说:“机器学习正被用来帮助管理联邦机构负责做的大量事情，以此来帮助提高效率。”。“然而，我们也表明，简单地设计一个基于机器学习的系统会有额外的好处。”
普遍的不遵从
《洁净水法案》旨在限制直接排入水道的实体的污染，但在任何特定年份，近30%的此类设施会自我报告持续或严重违反其许可证的情况。为了在2022年之前将这种不符合标准的情况减半，环境保护局一直在探索使用机器学习来瞄准符合标准的资源。
为了测试这种方法，环保局联系了学术界。其选定的合作伙伴包括:斯坦福的监管、评估和治理实验室(RegLab)，这是一个由法律专家、数据科学家、社会科学家和工程师组成的跨学科团队，由何领导。该组织一直在与联邦和州政府机构合作，协助环境合规。
在这项新的研究中，RegLab的研究人员研究了各州如何对类似功能的许可证(如废水处理厂)进行分类，从而影响它们被纳入环保局的国家合规计划。利用机器学习模型，他们还从环保局关于历史排放量、合规历史和许可水平变量的数据库中筛选出数亿条观察数据，以预测未来严重违规的可能性以及每个设施可能产生的污染量，这是传统方法无法完成的任务。然后，他们评估了人口统计数据，如家庭收入和少数民族人口，每个模型都指出了风险最大的设施所在的地区。
细节中的魔鬼
该团队的算法过程有助于揭示两种关键方式，即环境保护局合规计划的设计可以影响谁获得资源。这些差异集中在哪些类型的许可被包括或排除，以及目标本身是如何表达的。
在找出如何实现合规目标的过程中，研究人员首先必须将总体目标转化为实现目标所需的一系列具体指令——算法。当他们在讨论运行预测的工具时，他们注意到一个重要的内在决定。虽然环境保护局的倡议将涵盖的许可比以前的努力扩大了至少7倍，但它将其范围限制在“个别许可”，即涵盖特定的排放实体，如单一的废水处理厂。被遗漏的是“一般许可证”，旨在涵盖从事类似活动和排放类似类型污水的多个排放者。一个相关的复杂问题是:大部分许可和监督的权力属于州环境机构。因此，根据各州如何实施其污染许可程序，功能相似的设施可能会被纳入或排除在联邦倡议之外。
“这种环境联邦主义的影响使得与各州的伙伴关系对于以公平的方式实现这些更大的目标至关重要，”合著者里德·惠特克(RegLab)说，他是RegLab的附属机构，2020年毕业于斯坦福大学法学院，目前在加州大学伯克利分校攻读法理学和社会政策项目的博士学位。
第二，目前的环境保护局倡议集中于降低不遵守的比率。虽然这一政策目标有很好的理由，但研究人员的算法设计过程清楚地表明，支持这一目标而不是超过允许限度的污染排放，将会产生意想不到的效果。也就是说，根据研究人员的说法，这将把执法资源从最严重的违规者(更有可能在人口稠密的少数民族社区)转移到更农村、以白人为主的社区的较小设施。
该研究的主要作者埃莉诺·本纳米(Elinor Benami)说:“将合规计划的大思想分解成计算机可以理解的小块，迫使人们谈论如何让隐含的it决策变得明确。”她是RegLab的一名附属教师，也是弗吉尼亚理工大学农业和应用经济学的助理教授。“仔细的算法设计可以帮助监管机构透明地识别目标如何转化为实施，同时使用这些技术来解决持续的容量限制。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
