Assessing Electricity Service Unfairness with Transfer Counterfactual Learning

要約

エネルギー正義は、学際的なエネルギー研究において関心が高まっている分野です。
しかし、エネルギー分野における体系的な偏りを特定することは、交絡変数、反事実効果の複雑な不均一性、および入手可能なデータの制限により依然として困難です。
まず、この論文は、特定の保護された属性の平均的な因果関係を分析することによって、電力システムにおける反事実的な不公平性を評価する方法を示します。
続いて、サブグループ分析を使用してモデルの不均一性を処理し、転移学習に基づいて反事実の不公平性を推定するための新しい方法を導入します。これは、各サブグループのデータ不足を軽減するのに役立ちます。
私たちの数値分析では、私たちの方法を独自の大規模な顧客レベルの停電データセットに適用し、人口の収入や年齢などの人口統計的要因が停電期間に及ぼす反事実的な影響を調査します。
私たちの結果は、低所得地域や高齢者が多く住む地域では、日常的な運用と災害後の運用において常に長時間にわたる停電を経験しており、そのような差別は厳しい状況下ではさらに悪化することを示しています。
これらの調査結果は、電力サービスシステムにおける不正義という広範かつ組織的な問題を示唆しており、恵まれない地域社会への集中的な介入の必要性を強調しています。

要約(オリジナル)

Energy justice is a growing area of interest in interdisciplinary energy research. However, identifying systematic biases in the energy sector remains challenging due to confounding variables, intricate heterogeneity in counterfactual effects, and limited data availability. First, this paper demonstrates how one can evaluate counterfactual unfairness in a power system by analyzing the average causal effect of a specific protected attribute. Subsequently, we use subgroup analysis to handle model heterogeneity and introduce a novel method for estimating counterfactual unfairness based on transfer learning, which helps to alleviate the data scarcity in each subgroup. In our numerical analysis, we apply our method to a unique large-scale customer-level power outage data set and investigate the counterfactual effect of demographic factors, such as income and age of the population, on power outage durations. Our results indicate that low-income and elderly-populated areas consistently experience longer power outages under both daily and post-disaster operations, and such discrimination is exacerbated under severe conditions. These findings suggest a widespread, systematic issue of injustice in the power service systems and emphasize the necessity for focused interventions in disadvantaged communities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google