Representing the Underrepresented in Travel Demand Modeling Tools
Deze studie toont aan dat reizigersvraagmodellen die uitsluitend zijn geschat op basis van standaard huishoudelijke enquêtes vaak de reisgedragingen van ondervertegenwoordigde kwetsbare populaties verkeerd weergeven, maar het integreren van gerichte enquêtegegevens via een core–satellite-fusiekader verbetert de nauwkeurigheid van het model en de betrouwbaarheid van transportrechtvaardigheidsbeoordelingen aanzienlijk.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Om te begrijpen hoe mensen zich door een stad bewegen, vertrouwen planners op kaarten van gedrag. Ze bouwen wiskundige modellen die voorspellen waar een persoon naartoe zal gaan, hoe diegene daar zal komen en wat diegene zal opofferen om die reis te maken. Deze modellen zijn de onzichtbare motoren achter beslissingen over nieuwe buslijnen, weguitbreidingen en tarieven. Decennialang is de data die deze motoren voedt afkomstig van grootschalige huishoudelijke enquêtes, waarbij gezinnen worden gevraagd hun dagelijkse reizen te registreren. Het doel is om een beeld te creëren van de gehele populatie. Echter, er is een hardnekkig probleem ontstaan: de mensen die transport het hardst nodig hebben — de inwoners met een laag inkomen, degenen zonder auto en degenen met beperkte scholing — zijn vaak het moeilijkst te bereiken in deze enquêtes. Zij zijn ondervertegenwoordigd in de data. Wanneer een model wordt gebouwd op basis van data die deze specifieke groepen mist, loopt het het risico een vertekend beeld van de werkelijkheid te creëren, wat potentieel kan leiden tot plannen die de mensen falen die ze juist bedoeld hebben te helpen.
Deze studie, uitgevoerd in de kleine, postindustriële stad Benton Harbor, Michigan, zette zich af om te testen of dit gebrek aan representatie daadwerkelijk de voorspellingen van deze reismodellen verandert. De onderzoekers richtten zich op een specifieke vraag: verschillen de reisgewoonten van kwetsbare populaties zo significant van de algemene populatie dat een standaardenquête deze simpelweg niet kan vastleggen? Om dit te ontdekken, vertrouwden zij niet alleen op de bestaande staatsenquête, die al was uitgevoerd. In plaats daarvan gingen ze de gemeenschap in en voerden ze hun eigen gerichte enquête uit, specifiek ontworpen om de mensen te vinden en te interviewen die ontbraken in de officiële registers. Vervolgens combineerden ze deze nieuwe, gerichte data met de oude, brede data om te zien hoe het resulterende model veranderde.
De onderzoekers vergeleken drie verschillende versies van een reismodel. De eerste werd gebouwd met uitsluitend de nieuwe, gerichte enquête uit Benton Harbor, die een hoog aantal inwoners met een laag inkomen en zonder auto bevatte. De tweede werd gebouwd met uitsluitend de standaard staatsenquête, die zeer weinig van deze inwoners bevatte. De derde was een "gecombineerd" model dat beide datasets samenvoegde. De resultaten toonden een scherp verschil in hoe deze groepen tijd en geld waarderen. In het model gebouwd op basis van de standaard staatsenquête leken reizigers met een laag inkomen bijna geen rekening te houden met de kosten van hun reizen. Het model suggereerde dat als de bustarieven zouden stijgen, deze reizigers hun gedrag niet veel zouden veranderen. Dit is een gevaarlijke aanname voor planners, omdat het impliceert dat het verhogen van prijzen de armen niet zou schaden.
Het model gebouwd op basis van de gerichte enquête vertelde echter een totaal ander verhaal. Het liet zien dat reizigers met een laag inkomen eigenlijk zeer gevoelig zijn voor kosten. Wanneer de onderzoekers naar de data keken van de mensen die zij specifiek hadden opgezocht, zagen zij dat deze reizigers veel eerder geneigd waren van vervoersmiddel te wisselen of hun plannen aan te passen als een reis duurder werd. De standaardenquête had dit cruciale gedrag volledig gemist. Wanneer de twee datasets werden gecombineerd, produceerde het gecombineerde model een realistischer beeld. Het toonde aan dat reizigers met een laag inkomen hun tijd waarderen op ongeveer $6,92 per uur, terwijl reizigers met een hoger inkomen hun tijd waarderen op ongeveer $18,31 per uur. Belangrijker nog, het gecombineerde model bevestigde dat reizigers met een laag inkomen inderdaad zeer gevoelig zijn voor prijsveranderingen, een feit dat de standaardenquête alleen niet had gedetecteerd.
De studie onderzocht ook hoe verschillende groepen reageren op reistijd. De onderzoekers ontdekten dat de standaardenquête onderschatte hoeveel kwetsbare reizigers het vervelend vinden om te wachten of te lopen. In het gecombineerde model was de gevoeligheid voor reistijd met betrekking tot wandelen en openbaar vervoer veel hoger voor de groep met een laag inkomen dan de standaardenquête had gesuggereerd. Dit betekent dat als een planner alleen de standaarddata gebruikt, hij misschien denkt dat een busroute acceptabel is omdat de wachttijden kort zijn, zonder te beseffen dat voor de mensen die er afhankelijk van zijn, zelfs een kleine toename in wachttijd een aanzienlijke last is. Het standaardmodel vlakte de scherpe randen van ongelijkheid in essentie glad, waardoor het systeem toleranter leek dan het in werkelijkheid is.
Door de ondervertegenwoordigde stemmen in de data te brengen, hebben de onderzoekers aangetoond dat de "ontbrekende" reizigers over duidelijke voorkeuren beschikken die niet kunnen worden geraden op basis van de algemene populatie. De standaardenquête was, ondanks haar omvang, blind voor de specifieke beperkingen van de armen. Het behandelde reizigers met een laag inkomen alsof ze net als ieder ander waren, alleen met minder geld, in plaats van te erkennen dat hun gehele besluitvormingsproces wordt gevormd door andere grenzen. Het gecombineerde model corrigeerde deze fout. Het toonde aan dat wanneer je luistert naar de mensen die vaak worden over het hoofd gezien, je leert dat zij veel gevoeliger zijn voor kosten en tijdveranderingen dan voorheen gedacht.
Dit werk suggereert dat de instrumenten die we gebruiken om onze steden te plannen momenteel gebrekkig zijn omdat ze zijn gebouwd op onvolledige informatie. Als een model niet kan zien hoe een gezin met een laag inkomen reageert op een tariefverhoging, kan het de werkelijke impact van dat beleid niet voorspellen. De studie betoogt dat om eerlijkere transportsystemen te bouwen, instanties verder moeten gaan dan standaard enquêtes. Ze moeten actief op zoek gaan naar de mensen die het moeilijkst te bereiken zijn en hun specifieke gedrag opnemen in de modellen. Alleen door de brede data te versmelten met gerichte, gemeenschapsspecifieke inzichten, kunnen planners een echt beeld krijgen van hoe hun steden bewegen, zodat de beslissingen van vandaag niet onbedoeld de meest kwetsbare inwoners van morgen schaden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.