Каузальное моделирование спроса на энергию и ресурсы

Почему важно, как мы используем электроэнергию и воду

От света в наших домах до воды в кранах и автомобилей, которыми мы пользуемся — современная жизнь зависит от энергии и ресурсов. Однако наш совокупный спрос вырос настолько, что начинает преобразовывать планету и испытывать на прочность пределы её возможностей. В этой статье рассматривается новый подход к пониманию этого спроса: вместо простого поиска закономерностей в данных авторы ищут то, что на самом деле заставляет людей и здания потреблять больше или меньше энергии и воды. Отслеживая причинно-следственные связи, исследователи стремятся помочь городам разрабатывать более разумные политики, которые действительно сокращают потери, а не преследуют вводящие в заблуждение тренды.

Взгляд за пределы простых корреляций

Большинство существующих инструментов для изучения использования электроэнергии, потребления воды или выбора транспорта полагаются на корреляцию: они находят переменные, которые меняются одновременно, например большие дома и высокие счета за электричество. Но одна лишь корреляция не отвечает на ключевой вопрос: если мы изменим один фактор, действительно ли изменится результат? Возникающая «наука о причинности» пытается ответить на этот вопрос напрямую. Она представляет системы в виде сетей стрелок, показывающих, как один фактор ведёт к другому, что позволяет исследователям задавать точные «а что если» вопросы — например, что произойдёт с использованием автомобиля, если изменятся доходы домохозяйств или длина поездки. Этот сдвиг от ассоциации к причинности особенно важен, когда цель — разработать эффективные политики, а не просто сделать точные прогнозы.

Три повседневных способа использования ресурсов

Чтобы показать, как каузальные методы работают на практике, авторы анализируют три знакомых формы городского спроса: как люди выбирают между автомобилем, общественным транспортом и пешими прогулками; сколько электроэнергии потребляют крупные здания; и сколько воды потребляют те же здания. Используя стандартные общедоступные наборы данных для Чикаго (поведение при поездках) и Нью-Йорка (коммунальные услуги зданий), они применяют компьютерный алгоритм для выявления вероятных причинно-следственных связей между социальными, экономическими и физическими факторами. Второй метод затем оценивает, насколько сильно каждый из причин влияет на результат в среднем по населению. Вместе эти инструменты показывают не просто связанные переменные, но те, которые, по-видимому, действительно определяют поведение.

Что показывают каузальные карты

Для выборов в сфере поездок полученная каузальная карта оказывается сложной. Она указывает на количество автомобилей в домохозяйстве и длину поездки как непосредственные причины выбора — ехать на автомобиле, ехать на транспорте или идти пешком. Она также выявляет цепочки влияния, проходящие через возраст, образование, занятость, доход и расу, отражая более глубинные социальные структуры. В отличие от этого, каузальные диаграммы для использования электроэнергии и воды в крупных зданиях оказываются удивительно простыми: тип здания (жилое или нежилое) и возраст здания выступают основными факторами для электроэнергии, тогда как для воды на первый план выходит только тип здания. Авторы отмечают, что простота, вероятно, отражает ограничения доступных данных — многие реальные влияния, такие как особенности эксплуатации зданий или характеристики соседства, не были полностью учтены — тем не менее даже такая упрощённая картина подчёркивает, какие рычаги наиболее важны в рассматриваемом контексте.

Обещания, подводные камни и выбор политики

Статья открыто обсуждает сильные и слабые стороны этих каузальных инструментов. С положительной стороны, каузальные модели могут отфильтровывать вводящие в заблуждение корреляции, выявлять скрытые цепочки влияния между переменными и показывать, что может произойти, если город вмешается — например, изменив стандарты строительства или улучшив работу транспорта. С другой стороны, методы зависят от своих базовых допущений, богатства и качества данных, а также от руководства экспертов, которые знают, какие связи правдоподобны, а какие нет. Некоторые отношения — например связанные с расой или полом — могут выступать прокси для более широких социальных неравенств и требуют осторожной интерпретации. Более того, выводы привязаны к конкретным городам и наборам данных и не обязательно применимы везде.

Что это значит для устойчивого будущего

Доступно изложенная основная мысль такова: если мы хотим сократить потребление энергии и воды обществом, нам необходимо понимать не только то, что происходит вместе, но и то, что действительно чему-то причиняет. Каузальное моделирование всё ещё молода, и используемые здесь конкретные методы имеют очевидные ограничения, но исследование показывает, что они уже могут пролить свет на то, какие факторы действительно движут спросом, а какие являются ложными следами. Составляя карты этих причинно-следственных путей, городские планировщики и политики могут сосредоточиться на вмешательствах, которые с большей вероятностью сработают — например, на целевых мерах в отношении определённых типов зданий или условий поездок — избегая при этом дорогостоящих мер, основанных на вводящих в заблуждение шаблонах. Короче говоря, этот подход предлагает более надёжную дорожную карту для приведения повседневного использования электроэнергии и воды в рамках возможностей планеты.

Цитирование: Chauhan, R.S., Acosta, J. & Derrible, S. Causal modeling of energy and resource demand. npj Urban Sustain 6, 67 (2026). https://doi.org/10.1038/s42949-026-00370-9

Ключевые слова: каузальное моделирование, потребление энергии в городах, использование воды и электроэнергии, поведение при поездках, политика в области устойчивого развития