برهان ریاضی علیه سرزنش آدم‌های بدشانس

کنی چو (Kenny Chow) در میانمار به دنیا آمد و در سال 1987 به نیویورک نقل مکان کرد. او، به عنوان تراش‌دهنده‌ی مروارید، سال‌ها برای یک تاجر جواهرات کار کرد و آن‌قدر پول درآورد که بتواند، قبل از اخراجش در سال 2011، برای آسایش خانواده‌‌ی خود، یک خانه بخرد. او سپس تصمیم گرفت، مثل برادرش، راننده‌ی تاکسی شود و با کمک مالی این برادر، یک مجوز رسمی ‌‌‌تاکسی‌رانی در شهر نیویورک را، به ارزش 750 هزار دلار، خریداری کرد و به عنوان مالک انحصاری آن، به کار در این شهر بزرگ مشغول شد. برای مدتی همه چیز به خوبی پیش رفت و ارزش مجوز رسمی هم تا بیش از یک میلیون دلار ترقی کرد. اما چیزی نپایید که این حباب توفیق ترکید زیرا شرکت‌های مسافربری اینترنتی‌، از جمله لیفت (Lyft) و اوبر (Uber)، به میدان آمدند و در نتیجه، ارزش مجوز چو سقوط کرد و کارش هم کساد شد، به طوری که دیگر از عهده‌ی بازپرداخت وام خود برنیابد و سرانجام در سال 2018 دست به خودکشی زد.

همه‌ی ما درک می‌کنیم که وضع بدی برای چو پیش آمده است؛ اما این نکته هم مطرح است که او، با چنین خرید پُرمخاطره‌ای، در واقع دست به قمار زده و به همین دلیل، ممکن است بعضی‌‌ بخواهند او را مسئول بدبختی‌‌‌اش بدانند. یک نظریه می‌گوید وقتی بدبیاری رخ می‌دهد، خود قمارباز را باید سرزنش کرد. این موضعی سنگدلانه به نظر می‌رسد؛ با این حال، دست‌کم در ایالت متحده، بسیاری آن را درست می‌پندارند. در سال 2014، مرکز تحقیقات پیو (Pew) گزارش داد که 39 درصد از آمریکایی‌‌ها معتقدند که علت فقر و تنگدستی بعضی افراد، عدم تلاش کافی از جانب خود آن‌ها است. بسیاری از ما، وقتی «تلاش» را فرایندی جدا از توانایی برآورد ریسک موجود در یک تصمیم در نظر می‌گیریم، معمولاً فکر می‌کنیم که آدم‌‌ها خودشان مسئول بدبختی خودشان هستند. من مخالف این نظر هستم، و ماهیت دلایل‌ام نیز فقط سیاسی یا اخلاقی نیست بلکه مبتنی بر بینش‌‌های حاصل از دانش پیشرفته ــ به‌ویژه نظریه‌ی پیچیدگی محاسباتی (computational complexity) ــ هم هست. چنین دانشی به کمک ریاضیات نشان می‌دهد که ظرفیت ما برای محاسبه‌ی دقیق و درست ریسک بسیار محدود است. اغلب حصول درکی منطقی از آنچه در آینده رخ خواهد داد، ناممکن است؛ بنابراین، منصفانه نیست که افراد خوش‌نیّتی را که ناگهان به سبب شرایطی غیر‌قابل‌پیش‌بینی، همه چیز خود را از دست می‌دهند نکوهش کنیم. یعنی رفتار ما، در مورد کسانی که با صداقت و ایمان تلاش می‌کنند، اما باز هم گرفتار شکست و ناکامی می‌شوند، باید توأم با شفقت و همدردی باشد و نه سرزنش و بدگویی.

قبل از هر چیز، باید بدانیم برای این که مردم مسئول اعمال خودشان تلقی شوند، باید از برخی ویژگی‌‌های دنیای اطراف خود آگاهی داشته باشند. اما در بسیاری از موارد، حتی تحقق این شرط جزئی هم سرزنش کردن را توجیه نمی‌کند. برای مثال، شاید کسانی بگویند چو می‌بایست ‌‌پیش‌بینی می‌کرد که افزایش مسافرکشیِ اینترنتی سبب کاهش ارزش مجوز ‌‌‌تاکسی‌رانی در نیویورک می‌شود؛ اما این‌گونه ندانم‌کاری‌ها در مورد همه‌ی ما صادق است. ‌‌پیش‌بینی اختلالات تکنولوژیک، به سبب سرشت ویژه‌ای که دارند بسیار سخت است. اگر این کار آسان بود، سرمایه‌گذاران اولیه در این عرصه‌‌ها، نمی‌بایست به چنین ثروت‌‌ کلانی دست می‌یافتند. با تکیه بر معیاری چنین نازل، به‌ هیچ‌وجه نمی‌توان دیگران را ملامت کرد: چطور می‌توان کسی را به علت ناتوانی در ردیابی جریاناتی که هیچ‌کس قادر به برآورد آن‌‌ها نیست سرزنش کرد، حتی وقتی انگیزه‌‌های نیرومند مادی در کار است؟

این امکان وجود دارد که معیار توجیه سرزنش را دقیق‌‌تر تعریف کنیم. برای مثال، اگر کسی شناخت دقیقی از مدل یک دستگاه شرط‌بندی و طرز کار آن داشته باشد و بداند که متغیرهای داخل آن چطور روی هم تأثیر متقابل دارند و با این وصف پول خود را ببازد، آن وقت می‌توان او را ملامت کرد. قمار چو روی مجوز ‌‌‌تاکسی‌رانی نافرجام بود چون عوامل متعدد و مرتبط و پیچیده‌ی عرصه‌‌های سوداگری و فناوری دست به دست هم دادند و قیمت مجوز ‌‌‌تاکسی‌رانی را به سرعت افزایش و بعد به سرعت کاهش دادند. چو تنها در صورتی می‌توانست بدون یاری بخت و اقبال، سقوط ارزش مجوز را ‌‌پیش‌بینی کند که تصویری واضح از این ساختار علّی هزارتو می‌داشت.

همان‌طور که اقتصاددانانی مثل آن کیس و اگنوس دیتون نشان داده‌‌‌‌‌‌اند، از سال ۲۰۰۰ به این طرف، امید به زندگی در ایالات متحده به طرز چشمگیری کاهش یافته است.

همین جا است که نظریه‌ی پیچیدگی محاسباتی خودنمایی می‌کند و معلوم می‌شود که درک ساختار علّی نظام دنیای واقعی خیلی مشکل است. دقیق‌تر بگویم، تلاش برای درک ساختاری به احتمال زیاد علّی ــ فرق نمی‌کند که چه مقدار داده در اختیار داشته باشیم ــ چیزی است که نظریه‌پردازان علوم تحلیلی، آن را مشکل ان‌پی سخت (NP-hard problem /حل‌نشدنی در زمان معقول) نامیده‌اند. به فرض، اگر مجموعه‌‌ای کلی از داده‌ها را در اختیار داشته باشیم، برای یک الگوریتم بسیار دشوار خواهد بود که بتواند از ساختار علّیِ مولّد آن مجموعه داده‌ها‌ سر در بیاورد. در بسیاری از موارد، وقتی متغیرهای بیشتری به مجموعه‌ی داده‌ها اضافه می‌شود، کم‌ترین زمانی که طول می‌کشد یک الگوریتم، ساختار دستگاه تحت مطالعه را دریابد، به طور نمایی افزایش می‌یابد. اگر بپذیریم که فرایند یادگیری مغز ما هم متکی بر اجرای الگوریتم‌‌هاست، آن وقت این نتایج، همان‌قدر که در مورد رایانه صادق است، در مورد استدلال انسانی هم صادق خواهد بود.

یک راه برای حذف این محدودیت‌‌‌‌ها این است که فرض کنیم دنیای واقعی ساختار علّیِ ساده‌‌‌ای دارد. برای مثال،‌ می‌توان گفت که متغیری خاص از یک سامانه (مثل قیمت نفت)، فقط تابع دو متغیر دیگر (میزان تقاضا و تولید) است و نه بیشتر. اگر به این ترتیب، عوامل دخیل در یک نظام علّی را محدود کنیم، مشکلات گمانه‌زنی در مورد آن کم‌تر می‌شود. همان‌طور که جولیا استافل (Julia Staffel) فیلسوف گفته است، چنین رویکردهای تجربی‌ای، نقشی اساسی در شیوه‌ی شکل‌گیری باورهای مردم دارد. اما ساده ‌انگاشتن یک نظام پیچیده بازی خطرناکی است. رویکرد اکتشافی می‌تواند دنیا را غیرواقعی جلوه دهد. در واقع، پیش‌بینی‌ناپذیری روند زندگی‌‌‌‌‌ ما، تا حدی به سبب پیچیدگی شدیدا علّی حیات اجتماعی است؛ حیاتی که از لحاظ اقتصادی، سیاسی، روان‌شناختی و دیگر جنبه‌ها، به شکل شبکه‌‌ای تودرتو در آمده است. در چنین شرایطی از پیچیدگی شدید؛ یعنی پدیده‌‌‌ای که مختص اغلب دستگاه‌‌‌‌های واقعی در دنیای امروز است، به ندرت‌ می‌توان مردم را به سبب عدم رعایت معیارهای توصیف‌شده در بالا سرزنش کرد.

برای این که شخصی از پس پیچیدگی‌‌‌‌های فراگیر اوضاع اجتماعی برآید، یک راه بهتر این است که قمار خود را محدود کند. ممکن است شما بگویید چو، با صرف اکثر دارایی‌اش برای خرید مجوز تاکسی، اصطلاحاً همه‌ی تخم مرغ‌‌‌‌هایش را در یک سبد گذاشت و به این ترتیب، خود را در معرض ورشکستگی قرار داد. کار دیگری که افراد مشابه چو باید انجام دهند، شاید این باشد که طیف متنوع راهکارهایی را بیازمایند که ریسک شکست را، حتی در شرایط کاملاً نامطمئن، به کلی حذف‌‌ می‌کند یا تا حد ممکن کاهش ‌‌می‌دهد.

مشکل این است که در کشورهای مرفه، بخش اعظم حیات اقتصادی و اجتماعی طوری ترتیب یافته است که مردم مجبور‌ می‌شوند برای دستیابی به یک زندگی شکوفا، اکثر منابع خود را به یک راهبرد خاص اختصاص دهند. در چنین شرایطی، دریافت وام دانشجویی یا رهن کردن یک خانه، یا خریدن یک مجوز تاکسی، تدابیری هستند که اگر نه همه، اما بیشترین حد از منابع مالی فرد را‌ می‌بلعند. در این‌جا، محدود کردن واقعی ریسک، مستلزم آن است که در شروع کار، ثروت فراوانی در اختیار داشته باشیم؛ امکانی که البته در دسترس بسیاری از مردم نیست. اغلب ما، مجبوریم در قمارخانه‌ی زندگی، دست به شرط‌بندی‌های بزرگ بزنیم؛ و این در حالی است که عملاً محال است از عوامل تصادفی و احتمالی حاکم بر اوضاع باخبر باشیم. همین بی‌خبری است که به ما یادآوری می‌کند که رفتار مناسب در مورد کسانی که محکوم به باخت در چنین قماری هستند، شفقت و همدری است و نه سرزنش و بدگویی.

در باره‌‌ی شیوه‌ی نگرش نسبت به دیگران مسائل متنوعی مطرح است؛ مسائلی که خصلتی روان‌شناختی و اخلاقی دارند، گرچه از نظر سیاسی هم حائز اهمیت‌‌‌‌‌‌‌اند. نحوه‌‌ی برخورد ما با کسانی که با بدبیاری مواجه می‌شوند نشان می‌دهد که چگونه به نابرابری‌‌‌‌های اجتماعی می‌نگریم و تا چه حدی به آن‌ها می‌پردازیم. این مسائل، ما را به مرگ کنی چو و در واقع به مرگ بسیاری دیگر همچون او باز‌می‌گرداند. همان‌طور که اقتصاددانانی مثل آن کیس (Anne Case) و اگنوس دیتون (Agnus Deaton) نشان داده‌‌‌‌‌‌اند، از سال 2000 به این طرف، امید به زندگی در ایالات متحده به طرز چشمگیری کاهش یافته است، کاهشی که مستقیماً علت افزایش پدیده‌‌‌ای بوده که «مرگ از ناامیدی»‌ نامیده‌ شده و ناشی از زیاده‌روی در مصرف مواد مخدر یا خودکشی بوده است. نومیدی جایی رشد‌ می‌کند که همدردی از میان‌ می‌رود. همین حالا هم فقدان شفقت و همدردی نسبت به یکدیگر، دارد ما را از پا در‌ می‌آورد.

معکوس‌کردن این روند مستلزم وجود سیاستی پاسخگو و نیز محتاج تغییر نگرش خود ما است، به‌ویژه در مورد کسانی که در نتیجه‌‌ی تصمیمات با حسن‌نیت اما پُرمخاطره، کارشان به شکست‌ می‌کشد. نفس ناتوانی ما از تبیین ساختار علّی پیچیده‌‌ی جامعه‌‌‌ای که در آن زندگی‌ می‌کنیم، مستقیماً به این نتیجه منتهی می‌شود که سرزنش‌کردن کار درستی نیست. هرقدر خود را زرنگ بشماریم، باز هم نمی‌توانیم از همه‌چیز باخبر شویم؛ و این امکان هست که به راحتی همه‌چیز خود را از دست بدهیم. مسئولیت ما نسبت به خودمان و دیگران این است که بکوشیم دنیای مهربان‌تری بسازیم.

منبع:وبسایت آسو