Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
본 연구는 국가 가구 통행 조사(National Household Travel Survey) 데이터에 인과 포레스트(causal forests)를 적용하여 코로나19 팬데믹이 통행 수단 선택에 미치는 이질적 인과 효과를 정량화하며, 이동 거리, 소득 및 성별에 따라 상이하게 나타나는 자동차 이용으로의 유의미한 변화를 밝혀낸다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
당신이 탐정이 되어 미스터리를 풀고 있다고 상상해 보십시오. 하지만 당신이 쫓는 것은 훔쳐간 보석이 아니라, 왜 사람들이 갑자기 차를 더 많이 타고 걷는 일은 줄어들었는지에 대한 이유입니다. 교통 과학의 세계에서 연구자들은 사람들이 어떻게 이동하는지 예측하기 위해 수십 년 동안 지도를 구축해 왔습니다. 전통적으로 그들은 패턴을 포착하는 데 탁월한 도구들을 사용해 왔습니다. 예를 들어, 큰 집을 가진 사람들이 큰 차를 모는 경향이 있다는 것을 알아차리는 것과 같은 일 말입니다. 하지만 패턴을 포착하는 것이 인과관계를 증명하는 것과 같지는 않습니다. 그것은 마치 사람들이 비가 올 때 우산을 들고 다니는 것을 보고, 우산이 비를 불러일으켰다고 결론 내리는 것과 같습니다. 무엇인가가 왜 발생하는지 진정으로 이해하려면, 상황이 달랐다면 어떤 일이 일어났을지를 알아야 합니다. 이것이 바로 "인과성"의 까다로운 부분입니다. 보통 과학자들이 인과관계를 증명하기 위해서는 요리사가 새로운 향신료를 테스트하는 것처럼, 한 가지를 바꾸고 나머지는 그대로 유지하는 실험을 수행합니다. 하지만 도시 전체를 대상으로 거대한 실험을 실행하여 만약 모든 사람이 1년 동안 집에 머물게 된다면 어떤 일이 벌어질지 알아내는 것은 쉽지 않습니다. 바로 그 지점에서 새로운 종류의 탐정 도구가 등장합니다: "인과적 숲(causal forests)"이라 불리는 방법론입니다. 이 숲을 잎이 달린 나무가 아니라, 수백만 건의 과거 여정을 분석하고 여행자의 특성과 목적지에 따라 이들을 아주 작은 그룹으로 나누어, "만약 이 특정 사람이 다른 시대에 살았다면, 그들이 다른 이동 수단을 선택했을까?"라고 질문할 수 있는 거대한 디지털 의사결정 나무의 숲이라고 생각하십시오.
이 논문은 그 디지털 숲을 매우 실제적이고도 혼란스러운 사건인 COVID-19 팬데믹이라는 토양에 심었습니다. 팬데믹은 세상이 움직이는 방식을 바꾼 거대하고 계획되지 않은 실험이었습니다. 저자인 리샤브 S. 초한(Rishabh S. Chauhan), 마디 가디미(Mahdi Ghadimi), 리슌 리우 가라(Lishun Liu Gaara)는 자신들의 인과적 숲을 사용하여 팬데믹이 사람들의 이동 습관을 정확히 어떻게 변화시켰는지, 단순히 평균적인 수치가 아니라 특정 유형의 사람들에게 어떻게 작용했는지를 밝혀내고자 했습니다. 그들은 단지 "사람들이 운전을 더 많이 했는가?"라고 묻지 않았습니다. 그들은 "부유한 사람들이 운전을 더 많이 했는가? 여성들이 운전을 더 많이 했는가? 짧은 거리를 이동하는 사람들이 운전을 더 많이 했는가?"라고 물었습니다. 팬데믹 이전(2017년)과 팬데믹이 새로운 일상으로 자리 잡은 이후(2022년)의 800,000건 이상의 여정 기록을 분석함으로써, 그들은 이 고급 머신러닝 방법을 사용하여 동시에 일어나고 있는 다른 모든 변화로부터 진정한 "팬데믹 효과"를 분리해 냈습니다.
이 디지털 숲이 찾아낸 결과는 다음과 같습니다. 평균적인 사람을 살펴보았을 때, 팬데믹은 자동차를 운전할 확률이 1.86 퍼센트 포인트 상승하고, 대중교통을 이용할 확률은 0.38 퍼센트 포인트 하락하며, 걷는 비율은 1.57 퍼센트 포인트 감소하는 변화를 일으켰습니다. 하지만 진짜 이야기는 세부 사항에 있습니다. 왜냐하면 이 숲은 이러한 변화가 모두에게 동일하지 않았음을 밝혀냈기 때문입니다. 자동차 이용의 가장 큰 폭의 증가는 매우 짧은 거리(1마일 이하)를 이동하는 사람들, 연 소득이 20만 달러 이상인 가구, 그리고 여성 여행자들에게서 나타났습니다. 실제로 여성들은 남성들보다 훨씬 더 극적으로 운전으로 전환하고 걷기에서 멀어졌습니다. 반대로, 대중교통 이용이 가장 크게 감소한 사람들은 차량이 전혀 없는 사람들이었습니다. 또한, 고령층(65세 이상)은 습관이 거의 변하지 않았는데, 이는 일종의 "행동적 관성"을 보여줍니다.
저자들은 또한 이 도구를 사용하여 가장 극단적인 집단을 조사했습니다. 그들은 미국 서부에 거주하며, 소득이 25,000달러에서 49,999달러 사이이고, 1마일 이하의 거리를 이동하는 특정 요소의 조합이 다른 모든 경우에 비해 자동차 이용률을 무려 16.37 퍼센트 포인트나 급증시켰다는 것을 발견했습니다. 반대로, 차량이 없는 가구가 중간 길이의 비업무용 여정을 수행할 때 자동차 이용이 눈에 띄게 감소했습니다. 이 연구는 전반적인 추세가 자동차를 향한 이동이었지만, 그 "이유"와 "대상"은 믿을 수 없을 정도로 복잡했다는 점을 시사합니다. 연구자들은 이것이 특정 시점의 스냅샷이며 그들의 방법론이 보유한 데이터에 의존한다는 점을 주의 깊게 명시하고 있지만, 그 결과는 단순한 평균치보다 훨씬 더 명확하고 미묘한 차이를 담은 그림을 제공합니다. 인과적 숲을 사용함으로써, 그들은 단순히 "사람들이 운전을 더 많이 했다"라고 말하는 수준을 넘어, 정확히 어떤 집단의 사람들이 마음을 바꿨으며 얼마나 많이 바뀌었는지를 이해함으로써, 도시 계획가들이 인간 행동의 숨겨진 층위를 볼 수 있는 강력한 새로운 방법을 제시했습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.