اقتصاد و مساله تمایز همبستگی و علیت
مارک آستن*
آیا بیمارستان‌ها سلامت افراد را بهبود می‌بخشند؟ طبیعتا انتظار داریم پاسخ مثبت باشد؛ اساسا دلیل احداث بیمارستان‌ها نیز همین است. بااین‌حال، داده‌ها تصویر متفاوتی ارائه می‌کنند.
در ایالات متحده، «پیمایش ملی مصاحبه سلامت» از ۹۰ هزار نفر می‌خواهد وضعیت سلامت خود را بر اساس مقیاسی از ۱ تا ۵ ارزیابی کنند (که البته به شکلی گیج‌کننده، عدد ۱ نشان‌دهنده سلامت عالی و عدد ۵ بیانگر سلامت نامطلوب است). میانگین امتیاز افرادی که در طول آن سال به بیمارستان مراجعه نکرده بودند، ۲.۰۷ بود. در مقابل، میانگین این امتیاز در میان افرادی که به بیمارستان مراجعه کرده بودند، به ۲.۸۴ می‌رسید؛ رقمی به‌مراتب بالاتر که نشان‌دهنده وضعیت سلامت نامطلوب‌تر است. بنابراین، افرادی که یک شب را در بیمارستان سپری کرده بودند، از وضعیت سلامت بدتری برخوردار بودند. پس نتیجه می‌گیریم که بیمارستان‌ها افراد را بیمارتر می‌کنند!
خب، اعتراف می‌کنم: همان‌قدر که شما به این نتیجه باور ندارید، من هم دیگر به آن باور ندارم. بدیهی است که بیمارستان‌ها افراد را بیمارتر نمی‌کنند؛ هدف از وجود آنها دقیقا عکس این موضوع است. بنابراین، این ارقام به‌هیچ‌وجه قانع‌کننده نیستند.
اما این مساله پرسشی را پیش روی ما قرار می‌دهد: داده‌ها چیزی را نشان می‌دهند که آشکارا درست نیست؛ یعنی بیمارستان‌ها موجب بدتر شدن وضعیت سلامت افراد می‌شوند. بااین‌حال، نمی‌توانیم به‌سادگی داده‌ها را نادیده بگیریم؛ چراکه اندازه‌گیری اثربخشی بیمارستان‌ها اهمیت زیادی دارد و به ما امکان می‌دهد راه‌های بهبود نظام‌های سلامت و درمان را شناسایی کنیم. پس چرا داده‌ها تصویری نادرست ارائه می‌کنند؟ و با وجود چنین مشکلاتی، چگونه می‌توانیم اثر واقعی بیمارستان‌ها را اندازه‌گیری کنیم؟
این مثال به مساله‌ای بسیار گسترده‌تر از اثربخشی بیمارستان‌ها اشاره دارد. اقتصاددانان علاقه‌مندند با استفاده از داده‌ها، روابط علت و معلولی را در دنیای واقعی شناسایی کنند. افزایش نرخ مالیات چه تاثیری بر درآمدهای مالیاتی دارد؟ افزایش سال‌های تحصیل چه اثری بر درآمد افراد در طول زندگی‌شان می‌گذارد؟ مهاجرت چه تاثیری بر نرخ بیکاری دارد؟
مساله اینجاست که، درست مانند مثال بیمارستان‌ها، پاسخ ساده‌ای که در نگاه نخست از داده‌ها به دست می‌آوریم، اغلب تمام واقعیت را نشان نمی‌دهد. ازاین‌رو، اقتصاددانان ناگزیر شده‌اند مجموعه‌ای از روش‌ها و فنون را برای کشف آنچه واقعا در حال وقوع است، توسعه دهند. این نوشته نخستین قسمت از مجموعه‌ای سه‌قسمتی است که به بررسی این مساله می‌پردازد. بیایید کار را با حل معمای بیمارستان‌ها آغاز کنیم: چرا داده‌ها نشان می‌دهند که بیمارستان‌ها افراد را بیمارتر می‌کنند؟ و این مساله چه دلالتی برای نگرش کلی‌تر ما به داده‌ها دارد؟
مساله درون‌زایی (یا چرا همبستگی به معنای علیت نیست؟)
احتمالا تاکنون خودتان به پاسخ مساله پی برده‌اید. مقایسه وضعیت سلامت افرادی که به بیمارستان مراجعه می‌کنند با کسانی که مراجعه نمی‌کنند، چیزی درباره اثربخشی بیمارستان‌ها به ما نمی‌گوید؛ زیرا در واقع، در حال مقایسه دو گروه کاملا متفاوت هستیم: از یک سو، افرادی را بررسی می‌کنیم که وضعیت سلامتشان آن‌قدر نامطلوب بوده که به بستری شدن در بیمارستان نیاز پیدا کرده‌اند و از سوی دیگر، افرادی را که اساسا نیازی به گذراندن یک شب در بیمارستان نداشته‌اند. بنابراین، کاملا طبیعی است که وضعیت سلامت افرادی که به بیمارستان مراجعه کرده‌اند، بدتر از کسانی باشد که چنین مراجعه‌ای نداشته‌اند؛ زیرا همین وضعیت نامطلوب سلامت، علت مراجعه آنها به بیمارستان بوده است.
این نمونه‌ای بارز از همان گزاره معروف است که «همبستگی به معنای علیت نیست»: صرفا به این دلیل که به نظر می‌رسد دو پدیده هم‌زمان با یکدیگر تغییر می‌کنند، نمی‌توان نتیجه گرفت که یکی از آنها علت دیگری است. این مساله را «درون‌زایی» می‌نامند و برخلاف تصور، پدیده‌ای بسیار رایج است. به همبستگی‌های زیر توجه کنید:
افرادی که مدرک دانشگاهی دارند، عموما درآمد بیشتری از کسانی کسب می‌کنند که تحصیلات دانشگاهی ندارند.
کشورهایی که از سیاست‌های حکمرانی بهتری برخوردارند، معمولا ثروتمندتر هستند.
افرادی که در دوره‌های آموزشی برگزارشده توسط دولت شرکت کرده‌اند، درآمد کمتری از کسانی دارند که در چنین دوره‌هایی شرکت نکرده‌اند.
هر یک از این مثال‌ها ممکن است با مساله درون‌زایی مواجه باشد؛ یعنی نمی‌دانیم آیا همبستگی مشاهده‌شده واقعا بیانگر رابطه‌ای علت و معلولی است یا خیر.
برای مثال، احتمالا افرادی که موفق به اخذ مدرک دانشگاهی می‌شوند، به‌طور متوسط از هوش بیشتری نسبت به سایرین برخوردارند؛ بنابراین، حتی بدون داشتن مدرک دانشگاهی نیز ممکن بود درآمد بیشتری کسب کنند. ممکن است برخی کشورها به دلیل برخورداری از سیاست‌های بهتر، ثروتمندتر باشند؛ اما درعین‌حال، قطعا این احتمال نیز وجود دارد که کشورها به دلیل ثروتمند بودن، توانایی بیشتری برای اتخاذ سیاست‌های بهتر داشته باشند. همچنین، ممکن است افرادی در دوره‌های آموزشی شرکت کنند که از قابلیت اشتغال‌پذیری کمتری نسبت به میانگین جامعه برخوردارند؛ درنتیجه، حتی بدون شرکت در این دوره‌ها نیز احتمالا درآمد کمتری از سایرین کسب می‌کردند.
این مساله درون‌زایی، مانعی بسیار جدی برای اقتصاددانانی است که می‌کوشند با استفاده از داده‌ها، گزاره‌های خود را به اثبات برسانند. اما چگونه می‌توان این مشکل را حل کرد؟
راه‌حلی که کارساز نیست: ماشین زمان و آزمایش‌های کنترل‌شده
برای شناسایی تاثیر واقعی بیمارستان‌ها، باید بدانیم افرادی که سال گذشته در بیمارستان بستری شده‌اند، در صورتی که به بیمارستان مراجعه نمی‌کردند، چه وضعیتی پیدا می‌کردند. این وضعیت فرضی را «حالت خلاف واقع» می‌نامند.
البته مشکل روشن است: دانستن چنین چیزی غیرممکن است. مگر آنکه ماشین زمان اختراع کنیم، هیچ‌گاه نمی‌توانیم بفهمیم اگر افرادی که سال گذشته در بیمارستان بستری شدند، به بیمارستان مراجعه نمی‌کردند، چه اتفاقی برایشان می‌افتاد؛ زیرا تاریخ فقط یک‌بار رخ می‌دهد.
یکی از راه‌های حل این مساله، اجرای یک آزمایش کاملا کنترل‌شده است. زمانی که دوازده سال داشتم، برای پروژه علمی تابستانی مدرسه، آزمایشی طراحی کردم که در آن، نهال‌هایی را در معرض مقادیر متفاوتی از نور قرار می‌دادم تا میزان رشد آنها را اندازه‌گیری کنم. ایده اصلی این بود که تمام عواملی که ممکن بود بر رشد گیاهان تاثیر بگذارند (از جمله مقدار خاک، اندازه گلدان‌ها و میزان آبیاری) در همه نمونه‌ها یکسان باشند و تنها میزان نور دریافتی آنها تفاوت داشته باشد. به این ترتیب، می‌توانستم با اطمینان بیشتری درباره رابطه میان رشد گیاهان و میزان نور دریافتی آنها نتیجه‌گیری کنم.
اگرچه احتمالا پروژه آزمایشی من به‌درستی از دریافت جایزه نوبل محروم ماند، این رویکرد ابتدایی در پیشرفته‌ترین سطوح علمی نیز به کار گرفته می‌شود و به‌خوبی مشکل درون‌زایی را حل می‌کند. در چنین آزمایشی، تمام عوامل دیگری که ممکن است بر نتایج تاثیر بگذارند، کنترل می‌شوند.
اما روشن است که نمی‌توانیم برای حل مساله بستری شدن در بیمارستان، آزمایشی کنترل‌شده با همین شیوه اجرا کنیم. هیچ دو انسانی دقیقا یکسان نیستند و هیچ دو موقعیتی کاملا مشابه یکدیگر نیستند. هنگامی که با انسان‌های واقعی سروکار داریم، اجرای آزمایش‌هایی که در آنها تمام شرایط به‌طور کامل کنترل شده باشند، عملا امکان‌پذیر نیست.
راه‌حلی که ممکن است کارساز باشد: تصادفی‌سازی
بااین‌حال، راه دیگری نیز وجود دارد که تقریبا به‌اندازه آزمایش‌های کنترل‌شده کارآمد است: می‌توانیم از قدرت تصادفی‌سازی بهره بگیریم. انتخاب تصادفی گروه‌های مختلف به ما امکان می‌دهد اثر تمام عواملی را که ممکن است نتایجمان را دچار سوگیری کنند، در میان گروه‌ها خنثی کنیم. برای روشن شدن چگونگی عملکرد این روش، اجازه دهید مثالی ارائه کنم.
من به‌عنوان معلم و اقتصاددان، طبیعتا علاقه زیادی به حوزه اقتصاد آموزش دارم. آموزش بی‌تردید امری بسیار ارزشمند است؛ بنابراین، می‌خواهیم بدانیم مقرون‌به‌صرفه‌ترین راه برای بهبود کیفیت آموزش، به‌ویژه در کشورهای درحال‌توسعه، چیست.
یکی از روش‌های تحقق این هدف، کاهش تعداد دانش‌آموزان در هر کلاس است. کلاس‌های کم‌جمعیت‌تر به معلمان امکان می‌دهند زمان بیشتری را به هر دانش‌آموز اختصاص دهند و درنتیجه، امیدواریم عملکرد تحصیلی دانش‌آموزان بهبود یابد. داده‌ها نیز در نگاه نخست مؤید این فرضیه هستند: دانش‌آموزان مدارس با کلاس‌های کم‌جمعیت‌تر معمولا عملکرد بهتری دارند. اما بار دیگر با مساله درون‌زایی مواجه می‌شویم: مدارس دارای کلاس‌های کم‌جمعیت، عمدتا مدارس خصوصی هستند. بنابراین، ممکن است دانش‌آموزان این مدارس به دلایل متعدد دیگری نیز عملکرد بهتری نسبت به دانش‌آموزان سایر مدارس داشته باشند. افزون بر این، کاهش تعداد دانش‌آموزان در هر کلاس مستلزم استخدام معلمان بیشتری است و درنتیجه، ممکن است چنین سیاستی از نظر اقتصادی مقرون‌به‌صرفه نباشد.
در سال ۱۹۸۵، گروهی از پژوهشگران تلاش کردند به این پرسش پاسخ دهند. پروژه‌ای با عنوان STAR (نسبت دانش‌آموز به معلم و پیشرفت تحصیلی) طی چهار سال و با هزینه‌ای بالغ بر ۱۲میلیون دلار، ۱۲هزار کودک پیش‌دبستانی (در سنین ۴ تا ۵ سال) را در کلاس‌های کم‌جمعیت (۱۳ تا ۱۷ دانش‌آموز) یا پرجمعیت‌تر (۲۲ تا ۲۵ دانش‌آموز) قرار داد. سپس، عملکرد این دانش‌آموزان به مدت چهار سال پیگیری شد و برای ارزیابی میزان یادگیری آنها، آزمون‌های منظمی برگزار گردید. نتایج چشم‌گیر بود: دانش‌آموزان کلاس‌های کم‌جمعیت، عملکرد تحصیلی به‌مراتب بهتری نسبت به دانش‌آموزان کلاس‌های پرجمعیت داشتند. همچنین، اگر منافع حاصل از این بهبود را بر اساس درآمدهای آتی دانش‌آموزان محاسبه کنیم، به نظر می‌رسد این منافع از هزینه‌های اجرای چنین طرحی بیشتر باشد.
نکته کلیدی برای اطمینان از اعتبار این نتایج، آن بود که دانش‌آموزان به‌صورت تصادفی در کلاس‌های مختلف جای داده شده بودند. پژوهشگران با تصادفی‌سازی دانش‌آموزان، از بروز هرگونه سوگیری اجتناب کردند؛ چراکه انتظار می‌رود، به‌طور متوسط، دانش‌آموزان هر یک از سه گروه از ویژگی‌های یکسانی برخوردار باشند. بنابراین، تنها تفاوت میان دانش‌آموزان گروه‌ها، به‌طور متوسط، تعداد دانش‌آموزان هر کلاس بود.
پروژه STAR نمونه محبوب من از «آزمایش کنترل‌شده تصادفی» یا RCT است. آزمایش‌های کنترل‌شده تصادفی به معیار طلایی پژوهش در حوزه پزشکی و روان‌شناسی تبدیل شده‌اند و اهمیت آنها در علم اقتصاد نیز روزبه‌روز افزایش می‌یابد. اقتصاددانان از این روش برای اثبات این موضوع استفاده کرده‌اند که برنامه‌های مبارزه با انگل‌های روده‌ای، در بهبود نرخ حضور دانش‌آموزان در مدارس کشورهای درحال‌توسعه، بسیار مقرون‌به‌صرفه هستند؛ اینکه طرح‌های تامین مالی خرد، برخلاف هیاهوی فراوانی که چند سال پیش پیرامون آنها شکل گرفته بود، اساسا چندان اثربخش نیستند؛ و اینکه صرفا پرداخت کمک نقدی بلاعوض به افراد فقیر، بدون تحمیل هیچ‌گونه شرط و تعهدی، ابزاری به‌طرز شگفت‌آوری موثر برای کاهش فقر است.
آزمایش‌های کنترل‌شده تصادفی واقعا جذاب‌اند. با بهره‌گیری از قدرت تصادفی‌سازی، می‌توانیم مشکل درون‌زایی را برطرف کنیم و با اطمینان بسیار بیشتری آثار علّی را شناسایی کنیم.
بااین‌حال، این روش‌ها خالی از اشکال نیستند. در وهله نخست، پژوهشگران باید با دقت فراوان اطمینان حاصل کنند که فرآیند تصادفی‌سازی واقعا به‌صورت تصادفی انجام شده است. در پروژه STAR، شواهدی وجود دارد که نشان می‌دهد این شرط به‌طور کامل رعایت نشده است: ممکن است اعتراض والدین موجب شده باشد برخی از کودکان به کلاس‌های کم‌جمعیت‌تر منتقل شوند؛ امری که می‌تواند نتایج آزمایش را دچار سوگیری کند. (برای مثال، کودکانی که والدین پیگیر و مطالبه‌گری دارند، ممکن است به دلایلی غیر از حضور در کلاس‌های کم‌جمعیت عملکرد بهتری داشته باشند!)
تعمیم نتایج به موقعیت‌های دیگر نیز مستلزم تأمل و دقت فراوان است. صرفا به این دلیل که کاهش تعداد دانش‌آموزان در هر کلاس برای کودکان ۴ تا ۹ساله در ایالت تنسی آمریکا طی دهه ۱۹۸۰ نتایج مثبتی به همراه داشته است، آیا می‌توان نتیجه گرفت که همین سیاست در مدارس متوسطه نیجریه در سال ۲۰۲۶ نیز موثر خواهد بود؟ این مساله به‌ویژه زمانی مشکل‌ساز می‌شود که آزمایش کنترل‌شده تصادفی در مقیاس کوچکی اجرا شده باشد؛ وضعیتی که به دلیل هزینه‌های بالای اجرای این آزمایش‌ها، اغلب با آن مواجه هستیم.
هنوز نکات دیگری باقی مانده است
بااین‌حال، شاید مشکل بزرگ‌تر این باشد که آزمایش‌های کنترل‌شده تصادفی، با وجود تمام جذابیت‌ها و قابلیت‌هایشان، صرفا برای بررسی آن دسته از مسائل سیاستگذاری کاربرد دارند که در آنها امکان تصادفی‌سازی گروه‌ها در عمل وجود داشته باشد. اما بسیاری از موضوعاتی که اقتصاددانان به آنها علاقه‌مندند، به‌ویژه در مقیاس‌های بزرگ، چنین قابلیتی ندارند.
چه سیاست‌هایی برای رشد اقتصادی مناسب‌ترند؟ در حوزه مالیات چه باید کرد؟ آیا بازارهای مالی برای اقتصاد مفیدند یا زیان‌بار؟ هیچ‌یک از این پرسش‌ها را نمی‌توان به‌نحو عملی از طریق تصادفی‌سازی پاسخ داد. به همین دلیل، هنوز معمای بیمارستان‌ها را حل نکرده‌ایم. این مساله نیز از جمله مواردی است که عملا نمی‌توان در آن از تصادفی‌سازی استفاده کرد؛ چراکه جلوگیری از مراجعه یک گروه تصادفی از افراد به بیمارستان، به‌منظور انجام یک پژوهش، به‌سختی می‌تواند از نظر اخلاقی قابل‌قبول باشد.
* اقتصاددان
