Beyond Reported Trips: A Bayesian Framework for Correcting Household Travel Surveys

Elke dag bewegen miljoenen mensen zich door steden, waarbij ze van huis naar werk pendelen, stoppen voor boodschappen of een korte wandeling maken naar het huis van een vriend. Transportplanners vertrouwen op enquêtes om deze bewegingen te begrijpen, waarbij huishoudens wordt gevraagd om elke rit die ze op een dag maken op te schrijven. Deze informatie helpt steden beslissen waar ze nieuwe fietspaden aanleggen, hoeveel bussen er moeten rijden en of er een nieuwe metrolijn nodig is. Deze enquêtes hebben echter een langdurige zwakte: mensen zijn slecht in het onthouden van alles wat ze hebben gedaan. Wanneer men wordt gevraagd terug te blikken op een dag vol reizen, vergeten de meeste mensen de korte, spontane ritten—de snelle boodschap bij de winkel op de hoek, de korte wandeling naar de brievenbus of de stop om een pakketje af te leveren. Ze herinneren zich de grote, gestructureerde gebeurtenissen zoals naar het werk of school gaan, maar de kleine, discretionaire bewegingen verdwijnen vaak uit het geheugen. Dit creëk een vertekend beeld van hoe mensen daadwerkelijk leven, wat ertoe leidt dat planners wandelen en fietsen onderschatten en de tijd die mensen in auto's doorbrengen overschatten.

Om dit op te lossen, zijn onderzoekers begonnen met het gebruik van smartphones om bewegingen passief te volgen, waarbij precies wordt geregistreerd waar mensen naartoe gaan zonder hen te vragen zich iets te herinneren. Maar deze telefoongebaseerde studies zijn meestal klein en missen de gedetailleerde persoonlijke informatie die aanwezig is in grote huishoudelijke enquêtes. Een nieuwe studie door onderzoekers van de Universiteit van Toronto en het Massachusetts Institute of Technology overbrugt deze kloof. Zij ontwikkelden een methode om de brede reikwijdte van traditionele enquêtes te combineren met de precieze details van smartphone-tracking. Door een statistische benadering te gebruiken die de telefoondata gebruikt als een manier om de geheugengaten in de enquête te corrigeren, waren zij in staat om de ontbrekende ritten te reconstrueren die mensen vergaten te rapporteren. Het resultaat is een nauwkeurigerere kaart van het dagelijks leven die de rijke demografische details van de grote enquête behoudt, terwijl het de ontbrekende stukjes van de reis-puzzel toevoegt.

De onderzoekers richtten zich op de Greater Toronto and Hamilton Area en gebruikten gegevens van de 2022 Transportation Tomorrow Survey, een enorme huishoudelijke enquête die de reisgewoonten in de regio vastlegt. Zij koppelden dit aan twee kleinere, meer gedetailleerde studies uitgevoerd in 2023 en 2025, waarbij deelnemers smartphones bij zich droegen die hun bewegingen automatisch registreerden. Het team merkte een duidelijk patroon op: de traditionele enquête toonde aan dat mensen ongeveer 2,06 ritten per persoon per dagdag maakten, terwijl de telefoondata aanzienlijk meer ritten liet zien, rond de 3,16 tot 3,83 ritten. Het verschil was niet willekeurig; het was systematisch. Mensen vergaten consequent de korte, niet-essentiële ritten. De onderzoekers verdeelden deze ritten in twee categorieën: "skeleton" ritten (geraamte-ritten), wat de belangrijkste ankers van de dag zijn zoals pendelen naar werk of school, en "non-skeleton" ritten (niet-geraamte-ritten), wat de flexibele, discretionaire bewegingen zijn zoals winkelen of vrienden bezoeken. Ze ontdekten dat "skeleton" ritten vrij accuraat werden gerapporteerd, maar dat "non-skeleton" ritten vaak werden weggelaten, vooral wanneer een gezinslid de reizen rapporteerde voor een ander.

Om deze ontbrekende ritten te herstellen, bouwde het team een raamwerk dat fungeert als een statistische reparatieset. Ze begonnen met de grote enquêtegegevens als basislijn, die vertegenwoordigen wat mensen zeiden te hebben gedaan. Vervolgens gebruikten ze de smartphonegegevens om die cijfers te actualiseren en te verfijnen. Stel je de enquêtegegevens voor als een ruwe schets van een dagreis, en de telefoondata als een foto met een hoge resolutie die de fijne details onthult die de schets miste. De onderzoekers gebruikten een methode waarmee ze deze twee bronnen kunnen mengen, waarbij de enquête wordt behandeld als een eerste gok en de telefoondata als nieuw bewijs dat die gok corrigeert. Ze deden dit apart voor mensen die hun eigen reis rapporteerden en voor hen die voor iemand anders rapporteerden, omdat de fouten in de rapportage verschillen voor elke groep. Wanneer iemand voor een echtgenoot of kind rapporteert, missen ze vaak nog meer van de kleine, tussenliggende stops dan wanneer ze voor zichzelf rapporteren.

De resultaten toonden een significante verschuiving in de cijfers zodra de correctie werd toegepast. Voor mensen die hun eigen reis rapporteerden, steeg het gemiddelde aantal ritten per dag van 3,05 naar 3,90. Voor hen die voor anderen rapporteerden, sprong het aantal van 2,64 naar 3,63. Deze toename werd bijna volledig gedreven door het herstel van de "non-skeleton" ritten. De onderzoekers voegden niet zomaar willekeurige ritten toe; ze reconstrueerden de ontbrekende ritten zorgvuldig op basis van patronen gevonden in de telefoondata. Ze bepaalden wat het waarschijnlijke doel van de ontbrekende rit was, wanneer het waarschijnlijk gebeurde, hoe ver het was en hoe de persoon reisde. Zo ontdekten ze bijvoorbeeld dat de ontbrekende ritten onevenredig kort waren en vaak gepaard gingen met wandelen of het bezoeken van vrienden, activiteiten die gemakkelijk vergeten worden tijdens een drukke dag. De gecorrigeerde gegevens toonden een groter aandeel wandelen en een gelijkmatiger spreiding van reizen gedurende de dag, in plaats van alleen tijdens de ochtend- en avondspitsuren.

De studie onthulde ook dat de aard van de ontbrekende ritten sterk afhing van wie er rapporteerde. Proxy-respondenten, die voor andere gezinsleden rapporteren, waren veel eerder geneigd om discretionaire ritten te missen dan zij die voor zichzelf rapporteren. Dit suggereert dat wanneer een ouder een dagboek invult voor een kind, zij misschien de rit naar school onthouden, maar de stop van het kind bij een park of bij een vriend na schooltijd vergeten. Door deze verschillen apart te modelleren, konden de onderzoekers de juiste mate van correctie toepassen op elke groep. De uiteindelijke gecorrigeerde dataset behield de oorspronkelijke structuur van de grote enquête, wat betekent dat het nog steeds accuraat de leeftijd, het inkomen en de locatie van de populatie weerspiegelde, maar het vertelde nu een waarachtigder verhaal over hoe die mensen bewogen. De verdeling van het doel van de ritten verschoof om meer winkelen en recreatie te bevatten, en de timing van de ritten toonde meer activiteit tijdens de middag en in de avond, waardoor de gaten werden opgevuld die de traditionele enquête leeg liet.

Dit werk biedt een praktische manier om de gegevens te verbeteren die steden gebruiken om beslissingen te nemen. Planners vertrouwen vaak op deze enquêtes om doelen te stellen voor het verminderen van het autogebruik of het vergroten van het wandelen, maar als de enquêtes de korte ritten missen, kunnen die doelen te laag worden ingesteld. Door de passieve data van smartphones te integreren, boden de onderzoekers een methode om het volledige beeld van het dagelijks reizen te zien zonder de grote, gevestigde enquêtes volledig te hoeven vervangen. De gecorrigeerde gegevens suggereren dat mensen actiever zijn en meer wandelen dan voorheen gedacht, vooral voor korte, lokale ritten. Hoewel de gereconstrueerde ritten statistische schattingen zijn en geen directe observaties van specifieke individuen, bieden ze een veel betrouwbaarder fundament voor het begrijpen van reisgedrag. De studie concludeert dat deze benadering steden kan helpen beter te plannen voor de realiteit van hoe mensen bewegen, waardoor ervoor wordt gezorgd dat infrastructuur en beleid aansluiten bij de werkelijke, vaak vergeten ritmes van het dagelijks leven.