📊 statistics

Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests

यह अध्ययन नेशनल हाउसहोल्ड ट्रैवल सर्वे डेटा पर कॉज़ल फॉरेस्ट्स (causal forests) को लागू करता है ताकि यात्रा मोड के विकल्पों पर कोविड-19 महामारी के विषम कारण प्रभावों (heterogeneous causal effects) को परिमाणित किया जा सके, जो यात्रा की दूरी, आय और लिंग के आधार पर कार के उपयोग की ओर एक महत्वपूर्ण बदलाव को प्रकट करता है।

मूल लेखक: Rishabh Singh Chauhan, Mahdi Ghadimi, Lishun Liu

प्रकाशित 2026-08-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rishabh Singh Chauhan, Mahdi Ghadimi, Lishun Liu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन चोरी हुए गहने के बजाय, आप इस बात का पता लगाने की कोशिश कर रहे हैं कि लोग अचानक अपनी कारों को अधिक क्यों चला रहे हैं और पैदल कम चल रहे हैं। परिवहन विज्ञान की दुनिया में, शोधकर्ताओं ने लोगों के आवागमन की भविष्यवाणी करने के लिए मानचित्र बनाने में दशकों बिताए हैं। पारंपरिक रूप से, उन्होंने ऐसे उपकरणों का उपयोग किया जो पैटर्न पहचानने में माहिर थे—जैसे यह देखना कि बड़े घरों वाले लोग अक्सर बड़ी कारें चलाते हैं। लेकिन पैटर्न को पहचानना, कारण और प्रभाव को सिद्ध करने के समान नहीं है। यह यह देखने जैसा है कि जब बारिश होती है तो लोग छाते लेकर चलते हैं और यह निष्कर्ष निकालना कि छातों ने ही बारिश करवाई। यह वास्तव में समझने के लिए कि कोई चीज़ क्यों होती है, आपको यह जानना होगा कि यदि स्थिति अलग होती तो क्या होता। यह "कारणता" (causality) का पेचीदा हिस्सा है। आमतौर पर, कारण और प्रभाव को सिद्ध करने के लिए वैज्ञानिक प्रयोग करते हैं जहाँ वे एक चीज़ को बदलते हैं और बाकी सब कुछ समान रखते हैं, जैसे कि एक शेफ नए मसाले का परीक्षण करता है। लेकिन आप पूरे शहर पर एक विशाल प्रयोग नहीं चला सकते यह देखने के लिए कि क्या होगा यदि आप अचानक सभी को एक साल के लिए घर पर रहने के लिए मजबूर कर दें। वहीं एक नए प्रकार के जासूसी उपकरण की आवश्यकता होती है: एक विधि जिसे "कॉज़ल फॉरेस्ट" (causal forests) कहा जाता है। इन जंगलों को पत्तियों वाले पेड़ों के रूप में नहीं, बल्कि निर्णय वृक्षों (decision trees) के एक विशाल, डिजिटल जंगल के रूप में सोचें जो लाखों पिछली यात्राओं को देख सकते हैं, उन्हें यात्रियों की पहचान और उनकी यात्रा के स्थान के आधार पर छोटे समूहों में विभाजित कर सकते हैं, और पूछ सकते हैं, "यदि इस विशिष्ट व्यक्ति ने एक अलग समय में जीवन व्यतीत किया होता, तो क्या उन्होंने यात्रा करने का एक अलग तरीका चुना होता?"

यह शोध पत्र उस डिजिटल जंगल को एक बहुत ही वास्तविक, बहुत ही जटिल घटना की मिट्टी में रोप देता है: कोविड-19 महामारी। महामारी एक विशाल, अनियोजित प्रयोग थी जिसने दुनिया के चलने-फिरने के तरीके को बदल दिया। लेखकों, ऋषभ एस. चौहान, महदी घादिमी और लिशन लियू गारा ने यह पता लगाने के लिए अपने कॉज़ल फॉरेस्ट का उपयोग किया कि महामारी ने लोगों की यात्रा की आदतों को ठीक कैसे बदला, न कि केवल औसत रूप से, बल्कि विशिष्ट प्रकार के लोगों के लिए। उन्होंने केवल यह नहीं पूछा, "क्या लोगों ने अधिक ड्राइविंग की?" उन्होंने पूछा, "क्या अमीर लोग अधिक ड्राइव करते थे? क्या महिलाओं ने अधिक ड्राइविंग की? क्या कम दूरी की यात्रा करने वाले लोगों ने अधिक ड्राइविंग की?" महामारी से पहले (2017 में) और महामारी के थमकर एक नए सामान्य स्तर पर पहुँचने के बाद (2022 में) के 8,00,000 से अधिक यात्रा रिकॉर्डों का विश्लेषण करके, उन्होंने इस उन्नत मशीन लर्निंग पद्धति का उपयोग यह अलग करने के लिए किया कि महामारी का वास्तविक "प्रभाव" अन्य साथ-साथ होने वाले सभी परिवर्तनों से कैसे भिन्न था।

इस डिजिटल जंगल ने क्या पाया, यहाँ उसका विवरण है। जब उन्होंने औसत व्यक्ति को देखा, तो महामारी के कारण एक बदलाव आया जहाँ कार चलाने की संभावना 1.86 प्रतिशत अंक बढ़ गई, जबकि सार्वजनिक परिवहन लेने की संभावना 0.38 प्रतिशत अंक गिर गई, और पैदल चलने की संभावना 1.57 प्रतिशत अंक कम हो गई। लेकिन असली कहानी विवरणों में छिपी है, क्योंकि जंगल ने खुलासा किया कि ये परिवर्तन सभी के लिए एक समान नहीं थे। कार के उपयोग में सबसे बड़ी उछाल उन लोगों के लिए देखी गई जो बहुत छोटी यात्राएं (एक मील या उससे कम) कर रहे थे, उन परिवारों के लिए जिनकी आय सालाना $200,000 से अधिक थी, और महिला यात्रियों के लिए। वास्तव में, महिलाओं ने पुरुषों की तुलना में ड्राइविंग की ओर और पैदल चलने से बहुत अधिक नाटकीय रूप से बदलाव किया। दूसरी ओर, जिन लोगों ने सार्वजनिक परिवहन के उपयोग में सबसे बड़ी गिरावट देखी, वे वे थे जिनके पास कोई कार नहीं थी, और बुजुर्गों (65 वर्ष और उससे अधिक) ने अपनी आदतों में बहुत कम बदलाव दिखाया, जो एक प्रकार की "व्यवहार संबंधी जड़ता" (behavioral inertia) को दर्शाता है।

लेखकों ने अपने उपकरण का उपयोग सबसे चरम समूहों को देखने के लिए भी किया। उन्होंने पाया कि कारकों का एक विशिष्ट संयोजन—पश्चिमी अमेरिका में रहना, $25,000 से$ 49,999 के बीच कमाना, और एक मील या उससे कम की यात्रा करना—बाकी सभी की तुलना में कार के उपयोग में 16.37 प्रतिशत अंक की भारी वृद्धि का कारण बना। इसके विपरीत, जिनके पास कोई घरेलू वाहन नहीं था और जो मध्यम लंबाई की गैर-कार्य यात्राएं कर रहे थे, उनके कार उपयोग में उल्लेखनीय गिरावट आई। अध्ययन सुझाव देता है कि हालांकि समग्र रुझान कारों की ओर बढ़ने का था, लेकिन "क्यों" और "कौन" अत्यंत जटिल थे। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि यह समय का एक स्नैपशॉट है और उनकी विधि उस डेटा पर निर्भर करती है जो उनके पास उपलब्ध था, लेकिन परिणाम एक सरल औसत की तुलना में कहीं अधिक स्पष्ट और सूक्ष्म चित्र प्रदान करते हैं। कॉज़ल फॉरेस्ट का उपयोग करके, वे केवल यह कहने से आगे निकल गए कि "लोग अधिक ड्राइव करते थे" और यह समझने तक पहुँचे कि आबादी के कौन से हिस्से ने अपने विचार बदले और कितने से, जिससे शहरी योजनाकारों को मानव व्यवहार की छिपी हुई परतों को देखने का एक शक्तिशाली नया तरीका मिला।

तकनीकी सारांश: कॉज़ल फॉरेस्ट के साथ यात्रा मोड चयन परिवर्तनों में विषमता का अनुमान लगाना

समस्या विवरण

पारंपरिक यात्रा व्यवहार विश्लेषण काफी हद तक डिस्क्रीट चॉइस मॉडलिंग और मशीन लर्निंग एल्गोरिदम पर निर्भर करता है जो भविष्य कहनेवाला सटीकता (predictive accuracy) को अनुकूलित करने के लिए डिज़ाइन किए गए हैं। हालाँकि, ये विधियाँ मौलिक रूप से सहसंबंधों (correlations) को पकड़ती हैं न कि कारणता (causation) को, जिससे यह समझाने की क्षमता सीमित हो जाती है कि यात्रा व्यवहार क्यों बदलते हैं या हस्तक्षेपों के विशिष्ट प्रभावों का अनुमान कैसे लगाया जाए। जबकि चिकित्सा और अर्थशास्त्र जैसे क्षेत्रों में कारण संबंधी निष्कर्ष (causal inference) स्थापित है, परिवहन में इसका अनुप्रयोग अभी भी प्रारंभिक अवस्था में है, विशेष रूप से विषमता (heterogeneity) के संबंध में। मौजूदा अधिकांश कारण अध्ययन (causal studies) वैश्विक औसत प्रभाव प्रदान करते हैं, जो इस तथ्य को छिपा देते हैं कि यात्रा व्यवहार विभिन्न सामाजिक-आर्थिक और जनसांख्यिकीय समूहों में अत्यधिक विषम होता है। इसके अलावा, यात्रा के क्षेत्र में कॉज़ल मशीन लर्निंग के पिछले अनुप्रयोगों का दायरा सीमित रहा है (जैसे, एकल-स्थान पर्यटन अध्ययन) या वे विविध यात्रा प्रकारों और जनसंख्या खंडों में हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स (HTE) का अनुमान लगाने की क्षमता का पूर्ण लाभ उठाने में विफल रहे हैं।

यह अध्ययन इस महत्वपूर्ण अंतराल को संबोधित करता है कि कैसे COVID-19 महामारी ने यात्रा मोड चयन को वास्तव में (causally) बदला, विशेष रूप से विभिन्न जनसंख्या उपसमूहों में इन परिवर्तनों की भिन्नता पर ध्यान केंद्रित करते हुए।

कार्यप्रणाली

यह अध्ययन रूबिन कॉज़ल मॉडल (पोटेंशियल आउटकम्स) फ्रेमवर्क के भीतर अवलोकन संबंधी डेटा का विश्लेषण करने के लिए, रैंडम फॉरेस्ट फ्रेमवर्क पर आधारित एक गैर-पैरामीट्रिक कॉज़ल मशीन लर्निंग विधि, कॉज़ल फॉरेस्ट्स (Causal Forests) का उपयोग करता है।

डेटा और नमूना

स्रोत: नेशनल हाउसहोल्ड ट्रैवल सर्वे (NHTS) 2017 और 2022 तरंगें (waves)।
नमूना आकार: 802,935 स्वतंत्र यात्रा रिकॉर्ड।
ट्रीटमेंट परिभाषा:
- कंट्रोल ( $W_i=0$ ): 2017 तरंग (महामारी-पूर्व आधार रेखा)।
- ट्रीटमेंट ( $W_i=1$ ): 2022 तरंग (महामारी-युग, जो एक पुनरुत्थानित लेकिन परिवर्तित यात्रा अवधि का प्रतिनिधित्व करती है)।
आउटकम्स (परिणाम): प्राथमिक यात्रा मोड का प्रतिनिधित्व करने वाले तीन बाइनरी डिपेंडेंट वेरिएबल्स:
1. Car_x: निजी वाहन का उपयोग।
2. Public_x: सार्वजनिक परिवहन का उपयोग।
3. Walk_x: पैदल चलना।
कोवेरिएट्स (Covariates): भौगोलिक (क्षेत्र, शहरी/ग्रामीण), व्यक्तिगत (आयु, लिंग), घरेलू (आय, आकार, वाहन स्वामित्व), और यात्रा विशेषताओं (दूरी, उद्देश्य, सप्ताहांत स्थिति) सहित एक व्यापक बाहरी चर मैट्रिक्स।

कॉज़ल फ्रेमवर्क

विश्लेषण कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) का अनुमान लगाता है, जिसे एक विशिष्ट कोवेरिएट प्रोफाइल $x$ पर आधारित अपेक्षित कॉज़ल प्रभाव के रूप में परिभाषित किया गया है:
$\tau(x) = E[Y_i(1) - Y_i(0) | X_i = x]$

प्रमुख पद्धतिगत घटक शामिल हैं:

ऑनेस्ट एस्टीमेशन (Honest Estimation): ओवरफिटिंग को रोकने और सुसंगत अनुमान सुनिश्चित करने के लिए, एल्गोरिदम डेटा को एक स्प्लिटिंग सब-सैंपल (ट्री टोपोलॉजी निर्धारित करने के लिए) और एक एस्टीमेशन सब-सैंपल (लीफ पैरामीटर्स की गणना करने के लिए) में विभाजित करता है।
कोवेरिएट बैलेंस: यह सत्यापित करने के लिए कि 2017 और 2022 के समूह तुलनीय थे, स्टैंडर्डाइज्ड मीन डिफरेंस (SMD) का उपयोग किया गया था। हालांकि कुछ असंतुलन मौजूद थे (जैसे, यात्रा उद्देश्य और आय में), ट्री-आधारित एन्सेम्बल पद्धति की कोवेरिएट स्पेस को विभाजित करने की क्षमता ने डेटा ट्रिमिंग के बिना इन ड्रिफ्ट्स को निष्प्रभावी कर दिया।
रोबस्टनेस चेक: परिणामों की दिशा और परिमाण में निरंतरता सुनिश्चित करने के लिए उन्हें अनएडजस्टेड डिफरेंस-इन-मीन्स और एडजस्टेड मल्टीवेरिएबल लीनियर रिग्रेशन के विरुद्ध तुलना की गई।
एक्सप्लोरेटरी सबग्रुप विश्लेषण: विशिष्ट उपसमूहों के साथ उपचार प्रभावों में सांख्यिकीय रूप से महत्वपूर्ण विचलन की पहचान करने के लिए बेन्जामिनी-होचबर्ग सुधार के साथ वेलच के टी-टेस्ट (Welch's t-tests) का उपयोग करके अधिकतम तीन फीचर्स के संयोजनों का परीक्षण किया गया।

मुख्य परिणाम

एवरेज ट्रीटमेंट इफेक्ट्स (ATE)

अध्ययन मोड चयन की संभावनाओं पर महामारी युग (2022) के महामारी-पूर्व आधार रेखा (2017) के सापेक्ष कॉज़ल प्रभाव का अनुमान लगाता है:

कार का उपयोग: 1.86 प्रतिशत अंक (pp) बढ़ा।
पब्लिक ट्रांजिट: 0.38 pp घटा।
पैदल चलना: 1.57 pp घटा।

ये अनुमान अत्यधिक स्थिर थे, जिनका बूटस्ट्रैप स्टैंडर्ड एरर 0.0001 था। जबकि प्रभावों की दिशा सरल रिग्रेशन मॉडल के अनुरूप थी, कॉज़ल फॉरेस्ट अनुमान आम तौर पर परिमाण में अधिक रूढ़िवादी (conservative) थे, जो यह सुझाव देते हैं कि अनएडजस्टेड सहसंबंध महामारी के प्रत्यक्ष प्रभाव को बढ़ाकर दिखा सकते हैं।

हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स (HTE)

विश्लेषण ने इस बात में पर्याप्त भिन्नता प्रकट की कि विभिन्न समूहों ने महामारी के झटके के प्रति कैसे प्रतिक्रिया दी:

यात्रा की दूरी: सबसे महत्वपूर्ण बदलाव कम दूरी की यात्राओं (≤ 1 मील) में हुआ, जहाँ कार के उपयोग में 7.06 pp की वृद्धि और पैदल चलने में 7.85 pp की कमी देखी गई।
आय: >$200,000 कमाने वाले परिवारों ने कार के उपयोग में 3.06 pp की वृद्धि और पैदल चलने में 2.21 pp की कमी अनुभव की।
लिंग: महिला यात्रियों ने पुरुष यात्रियों की तुलना में कारों की ओर अधिक झुकाव (+2.55 pp) और पैदल चलने से अधिक दूरी (-2.01 pp) बनाई।
आयु: 30-45 और 46-65 आयु वर्ग के वयस्कों ने कार की वृद्धि का मुख्य हिस्सा बनाया। वरिष्ठ नागरिक (65+) गहरे व्यवहारिक जड़त्व (behavioral inertia) को दर्शाते हैं, जिनमें नगण्य परिवर्तन देखे गए।
भूगोल: पश्चिमी अमेरिका (Western U.S.) क्षेत्र में कार के उपयोग में सबसे अधिक वृद्धि (+2.39 pp) और ट्रांजिट तथा पैदल चलने में सबसे बड़ी गिरावट देखी गई।
वाहन स्वामित्व: शून्य वाहनों वाले परिवारों में सार्वजनिक परिवहन के उपयोग में बड़ी गिरावट (-2.71 pp) देखी गई।

फीचर इम्पोर्टेंस (Feature Importance)

यात्रा की दूरी को कार के उपयोग और पैदल चलने में विषमता के लिए सबसे प्रभावशाली भविष्यवक्ता के रूप में पहचाना गया। घरेलू वाहन स्वामित्व और यात्रा की दूरी सार्वजनिक ट्रांजिट के उपयोग में विषमता के लिए शीर्ष योगदानकर्ता थे।

एक्सप्लोरेटरी सबग्रुप निष्कर्ष

चरों के विशिष्ट इंटरसेक्शन ने चरम उपचार प्रभाव दिए:

उच्चतम कार वृद्धि: पश्चिम क्षेत्र, आय $25k–$ 50k, यात्राएँ ≤ 1 मील (+18.05 pp)।
उच्चतम ट्रांजिट कमी: आय ≥ $200k, कोई घरेलू वाहन नहीं, यात्राएँ > 1–5 मील (-21.18 pp)।
उच्चतम पैदल चलना वृद्धि: पूर्वोत्तर (Northeast) क्षेत्र, कोई घरेलू वाहन नहीं, यात्राएँ > 1–5 मील (+21.67 pp)।

महत्व और योगदान

यह शोध पत्र परिवहन नियोजन और कॉज़ल इन्फरेंस में एक पद्धतिगत प्रगति के रूप में खुद को स्थापित करता है:

नवीन अनुप्रयोग: यह कॉज़ल फॉरेस्ट्स को यात्रा मोड चयन विश्लेषण में लागू करने वाला पहला अध्ययन है और मोड चयन पर महामारी के कॉज़ल प्रभाव का अनुमान लगाने के लिए कॉज़ल मशीन लर्निंग का उपयोग करने वाला पहला अध्ययन है।
विषमता को उजागर करना: पारंपरिक मॉडलों के विपरीत जो एक एकल वैश्विक औसत प्रदान करते हैं, यह अध्ययन प्रदर्शित करता है कि कॉज़ल फॉरेस्ट प्रभावी ढंग से हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स (HTE) को मात्रात्मक रूप से माप सकते हैं। यह प्रकट करता है कि "औसत" महामारी प्रभाव वास्तव में विशिष्ट जनसांख्यिकी (जैसे, उच्च-आय कम-दूरी के यात्री बनाम वरिष्ठ नागरिक) के बीच भारी, स्थानीयकृत व्यवहारिक बदलावों को छिपा देता है।
पद्धतिगत मार्गदर्शन: यह पेपर परिवहन शोधकर्ताओं को सहसंबंध-आधारित विश्लेषण से आगे बढ़ने के लिए एक ढांचा प्रदान करता है। यह कॉज़ल फॉरेस्ट के लाभों को रेखांकित करता है, जिसमें उनका गैर-पैरामीट्रिक स्वभाव (जटिल गैर-रेखीय संबंधों को पकड़ना), कोवेरिएट असंतुलन को स्वाभाविक रूप से संभालने की क्षमता, और नीति निर्माताओं के लिए सूक्ष्म अंतर्दृष्टि (CATE प्रोफाइल, फीचर इम्पोर्टेंस) प्रदान करने की क्षमता शामिल है।
नीतिगत प्रासंगिकता: यह पहचानकर कि कौन से विशिष्ट जनसंख्या खंडों ने मोड बदले और कितने, यह अध्ययन योजनाकारों के लिए हस्तक्षेप डिजाइन करने हेतु कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है। यह सुझाव देता है कि मोड शिफ्ट के लिए लक्षित नीतियों को विशिष्ट जनसांख्यिकीय और यात्रा-विशेषता प्रोफाइल के अनुसार तैयार किया जाना चाहिए, न कि समान रूप से लागू किया जाना चाहिए।

सीमाएं और धारणाएं

लेखकों ने स्पष्ट रूप से कई बाधाओं का उल्लेख किया है:

समय का एक स्नैपशॉट: 2022 का डेटा महामारी का एक विशिष्ट चरण (पुनरुत्थान अवधि) दर्शाता है; परिणाम व्यवहारिक परिवर्तनों के पूर्ण विकास को प्रतिबिंबित नहीं कर सकते हैं।
मोड शेयर बनाम मांग: अध्ययन मोड शेयर के बदलावों का विश्लेषण करता है, न कि पूर्ण यात्रा मांग (जो महामारी के दौरान काफी कम हो गई थी) का।
कोवेरिएट का दायरा: विश्लेषण कंडीशनल एक्सचेंजबिलिटी (Conditional Exchangeability) धारणा पर निर्भर करता है। अपरिवर्तित कन्फाउंडर्स (unmeasured confounders) जैसे कि रिमोट वर्क अपनाना, जोखिम धारणा, और ऑनलाइन शॉपिंग की आदतें शामिल नहीं थीं, जो कॉज़ल अनुमानों की सटीकता को प्रभावित कर सकते हैं।
क्रॉस-सेक्शनल प्रकृति: यह अध्ययन लॉन्गिट्यूडिनल पैनल डेटा के बजाय क्रॉस-सेक्शनल डेटा का उपयोग करता है, जो व्यक्तिगत स्तर पर समय के साथ परिवर्तनों को ट्रैक करने या कोवेरिएट्स (जैसे, आय या वाहन स्वामित्व में परिवर्तन) में महामारी-प्रेरित परिवर्तनों का लेखा-जोखा रखने की क्षमता को सीमित करता है।

निष्कर्षतः, यह अध्ययन यात्रा व्यवहार परिवर्तनों को चलाने वाले जटिल, विषम कॉज़ल तंत्रों को समझने के लिए एक सशक्त, डेटा-संचालित उपकरण के रूप में कॉज़ल फॉरेस्ट्स को प्रमाणित करता है, जो हस्तक्षेप प्रभावों को समझने के लिए पारंपरिक सहसंबंध-आधारित मॉडलों का एक बेहतर विकल्प प्रदान करता है।