Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Diese Studie wendet Causal Forests auf Daten der National Household Travel Survey an, um die heterogenen kausalen Effekte der COVID-19-Pandemie auf die Wahl des Verkehrsmittels zu quantifizieren, wobei eine signifikante Verschiebung hin zur Nutzung des Autos aufgezeigt wird, die je nach Reisedistanz, Einkommen und Geschlecht variiert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt nach einem gestohlenen Juwel zu suchen, versuchen Sie herauszufinden, warum die Menschen plötzlich mehr mit dem Auto fahren und weniger zu Fuß gehen. In der Welt der Verkehrswissenschaft haben Forscher Jahrzehnte damit verbracht, Karten zu erstellen, um vorherzusagen, wie sich Menschen bewegen. Traditionell verwendeten sie Werkzeuge, die hervorragend darin waren, Muster zu erkennen – wie etwa festzustellen, dass Menschen mit großen Häusern dazu neigen, große Autos zu fahren. Aber das Erkennen eines Musters ist nicht dasselbe wie der Beweis von Ursache und Wirkung. Es ist so, als würde man sehen, dass Menschen Regenschirme tragen, wenn es regnet, und daraus schließen, dass die Regenschirme den Regen verursacht haben. Um wirklich zu verstehen, warum etwas passiert, muss man wissen, was passiert wäre, wenn die Situation anders gewesen wäre. Das ist der knifflige Teil der „Kausalität“. Normalerweise führen Wissenschaftler, um Ursache und Wirkung zu beweisen, Experimente durch, bei denen sie eine Sache ändern und alles andere gleich lassen, wie ein Koch, der ein neues Gewürz testet. Aber man kann nicht einfach ein riesiges Experiment auf einer ganzen Stadt durchführen, um zu sehen, was passiert, wenn man plötzlich alle für ein Jahr zu Hause bleiben ließe. Hier kommt ein neues Arten von Detektiv-Werkzeug ins Spiel: eine Methode namens „Causal Forests“ (kausale Wälder). Denken Sie bei diesen Wäldern nicht an Bäume mit Blättern, sondern an einen massiven, digitalen Wald aus Entscheidungsbäumen, der in der Lage ist, Millionen vergangener Fahrten zu analysieren, sie basierend darauf, wer die Reisenden sind und wohin sie gingen, in winzige Gruppen aufzuteilen und zu fragen: „Wenn diese spezifische Person zu einer anderen Zeit gelebt hätte, hätte sie sich dann anders fortbewegt?“
Diese Arbeit nimmt diesen digitalen Wald und pflanzt ihn in den Boden eines sehr realen, sehr chaotischen Ereignisses: die COVID-19-Pandemie. Die Pandemie war ein riesiges, ungeplantes Experiment, das die Art und Weise, wie sich die Welt bewegt, verändert hat. Die Autoren, Rishabh S. Chauhan, Mahdi Ghadimi und Lishun Liu Gaara, wollten ihren kausalen Wald nutzen, um genau zu ermitteln, wie die Pandemie die Reisegewohnheiten der Menschen verändert hat – nicht nur im Durchschnitt, sondern für spezifische Arten von Menschen. Sie fragten nicht nur: „Sind die Menschen mehr gefahren?“ Sie fragten: „Sind reiche Menschen mehr gefahren? Sind Frauen mehr gefahren? Sind Menschen, die kurze Strecken zurücklegen, mehr gefahren?“ Durch die Analyse von über 800.000 Fahrtdaten aus der Zeit vor der Pandemie (2017) und nach dem Zeitpunkt, als sie sich als ein „neues Normal“ etabliert hatte (2022), nutzten sie diese fortschrittliche Machine-Learning-Methode, um den wahren „Pandemie-Effekt“ von all den anderen Veränderungen zu isolieren, die zur gleichen Zeit stattfanden.
Hier ist, was ihr digitaler Wald fand. Wenn sie sich den Durchschnittsmenschen ansah, verursachte die Pandemie eine Verschiebung, bei der die Wahrscheinlichkeit, ein Auto zu fahren, um 1,86 Prozentpunkte stieg, während die Wahrscheinlichkeit, öffentliche Verkehrsmittel zu nutzen, um 0,38 Prozentpunkte sank und die Wahrscheinlichkeit, zu Fuß zu gehen, um 1,57 Prozentpunkte fiel. Aber die wahre Geschichte liegt im Detail, denn der Wald enthüllte, dass diese Veränderungen nicht für alle gleich waren. Der größte Sprung bei der Autonutzung erfolgte bei Menschen, die sehr kurze Strecken (eine Meile oder weniger) zurücklegten, bei Haushalten mit einem Einkommen von über 200.000 Dollar pro Jahr und bei weiblichen Reisenden. Tatsächlich stellten Frauen viel drastischer auf das Auto um und gaben das Gehen auf als Männer. Auf der anderen Seite waren die Menschen, die den größten Rückgang bei der Nutzung öffentlicher Verkehrsmittel verzeichneten, diejenigen, die gar kein Auto besaßen, und die Älteren (65 und älter) änderten ihr Verhalten kaum, was eine Art „Verhaltens-Inertia“ (Trägheit) zeigt.
Die Autoren nutzten ihr Werkzeug auch, um nach den extremsten Gruppen zu suchen. Sie fanden heraus, dass eine spezifische Kombination von Faktoren – im Westen der USA leben, zwischen 25.000 und 49.999 Dollar verdienen und eine Strecke von einer Meile oder weniger zurücklegen – zu einem massiven Anstieg der Autonutzung um 16,37 Prozentpunkte im Vergleich zu allen anderen führte. Umgekehrt sank die Autonutzung bei Personen ohne Haushaltsfahrzeuge, die mittellange Fahrten ohne Arbeitsbezug unternahmen, signifikant. Die Studie legt nahe, dass, während der allgemeine Trend eine Bewegung hin zum Auto war, das „Warum“ und das „Wer“ unglaublich komplex waren. Die Forscher weisen vorsichtig darauf hin, dass dies eine Momentaufnahme ist und dass ihre Methode auf den verfügbaren Daten basiert, aber die Ergebnisse bieten ein viel klareres, nuancierteres Bild, als es einfache Durchschnittswerte je könnten. Durch die Verwendung von Causal Forests sind sie über das bloße „Die Menschen sind mehr gefahren“ hinausgegangen, um zu verstehen, welche Bevölkerungsgruppen genau ihre Meinung geändert haben und um wie viel – was den Stadtplanern eine leistungsstarke neue Möglichkeit bietet, die verborgenen Schichten des menschlichen Verhaltens zu erkennen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.