Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Cette étude applique les forêts causales aux données de l'enquête nationale sur les déplacements des ménages (National Household Travel Survey) pour quantifier les effets causaux hétérogènes de la pandémie de COVID-19 sur les choix de modes de transport, révélant un passage significatif vers l'usage de la voiture qui varie selon la distance du trajet, le revenu et le genre.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu de chercher un bijou volé, vous essayez de comprendre pourquoi les gens conduisent soudainement plus leurs voitures et marchent moins. Dans le monde de la science des transports, les chercheurs ont passé des décées à construire des cartes pour prédire comment les gens se déplacent. Traditionnellement, ils utilisaient des outils qui étaient excellents pour repérer des modèles — comme remarquer que les personnes ayant de grandes maisons ont tendance à conduire de grosses voitures. Mais repérer un modèle n'est pas la même chose que de prouver un rapport de cause à effet. C'est comme voir que les gens portent des parapluies quand il pleut et conclure que les parapluies ont causé la pluie. Pour vraiment comprendre pourquoi quelque chose arrive, vous devez savoir ce qui se serait passé si la situation avait été différente. C'est la partie délicate de la « causalité ». Habituellement, pour prouver la cause et l'effet, les scientifiques mènent des expériences où ils changent une chose et gardent tout le reste identique, comme un chef testant une nouvelle épice. Mais on ne peut pas facilement mener une expérience géante sur une ville entière pour voir ce qui se passerait si l'on obligeait soudainement tout le monde à rester chez soi pendant un an. C'est là qu'intervient un nouveau type d'outil de détective : une méthode appelée « forêts causales ». Imaginez ces forêts non pas comme des arbres avec des feuilles, mais comme une immense forêt numérique d'arbres de décision capables d'examiner des millions de trajets passés, de les diviser en petits groupes basés sur qui sont les voyageurs et où ils sont allés, et de demander : « Si cette personne spécifique avait vécu à une époque différente, aurait-elle choisi un autre mode de transport ? »
Ce document prend cette forêt numérique et la plante dans le sol d'un événement très réel et très chaotique : la pandémie de COVID-19. La pandémie a été une expérience géante et imprévue qui a changé la façon dont le monde se déplace. Les auteurs, Rishabh S. Chauhan, Mahdi Ghadimi et Lishun Liu Gaara, voulaient utiliser leur forêt causale pour comprendre exactement comment la pandémie a modifié les habitudes de déplacement des gens, non pas seulement en moyenne, mais pour des types de personnes spécifiques. Ils ne se sont pas contentés de demander : « Est-ce que les gens ont davantage conduit ? » Ils ont demandé : « Est-ce que les personnes riches ont davantage conduit ? Est-ce que les femmes ont davantage conduit ? Est-ce que les personnes effectuant des trajets courts ont davantage conduit ? » En analysant plus de 800 000 enregistrements de trajets avant la pandémie (en 2017) et après que celle-ci se soit installée dans une nouvelle normalité (en 2022), ils ont utilisé cette méthode avancée d'apprentissage automatique pour isoler le véritable « effet pandémie » de tous les autres changements se produisant en même temps.
Voici ce que leur forêt numérique a découvert. Lorsqu'ils ont observé la personne moyenne, la pandémie a provoqué un changement où la probabilité de conduire une voiture a augmenté de 1,86 point de pourcentage, tandis que la probabilité d'utiliser les transports en commun a chuté de 0,38 point de pourcentage, et la probabilité de marcher a diminué de 1,57 point de pourcentage. Mais la véritable histoire réside dans les détails, car la forêt a révélé que ces changements n'étaient pas les mêmes pour tout le monde. Le bond le plus important dans l'utilisation de la voiture s'est produit pour les personnes effectuant des trajets très courts (un mille ou moins), pour les ménages gagnant plus de 200 000 dollars par an, et pour les voyageuses de sexe féminin. En fait, les femmes se sont tournées vers la conduite et se sont éloignées de la marche de manière beaucoup plus spectaculaire que les hommes. À l'inverse, les personnes ayant connu la plus forte baisse de l'utilisation des transports en commun étaient celles qui ne possédaient aucune voiture du tout, et les personnes âgées (65 ans et plus) n'ont pratiquement pas changé leurs habitudes, montant une sorte d'« inertie comportementale ».
Les auteurs ont également utilisé leur outil pour observer les groupes les plus extrêmes. Ils ont découvert qu'une combinaison spécifique de facteurs — vivre dans l'ouest des États-Unis, gagner entre 25 000 et 49 999 dollars et effectuer un trajet d'un mille ou moins — a entraîné une augmentation massive de 16,37 points de pourcentage de l'utilisation de la voiture par rapport à tout le monde. Inversement, les personnes n'ayant aucun véhicule au sein de leur foyer et effectuant des trajets de longueur moyenne non liés au travail ont vu leur utilisation de la voiture chuter de manière significative. L'étude suggère que, bien que la tendance générale ait été un mouvement vers les voitures, le « pourquoi » et le « qui » étaient incroyablement complexes. Les chercheurs précisent avec prudence qu'il s'agit d'un instantané dans le temps et que leur méthode repose sur les données dont ils disposaient, mais les résultats offrent une image bien plus claire et nuancée que de simples moyennes. En utilisant les forêts causales, ils sont allés au-delà du simple constat que « les gens ont davantage conduit » pour comprendre exactement quels segments de la population ont changé d'avis et de combien, offrant ainsi une nouvelle façon puissante pour les urbanistes de percevoir les couches cachées du comportement humain.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.