Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
本研究将因果森林应用于国家家庭出行调查数据，以量化新冠肺炎疫情对出行方式选择的异质性因果效应，揭示了向汽车出行转移的显著变化，且这种变化因行程距离、收入和性别而异。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解谜团的侦探，但你寻找的不是失窃的珠宝，而是试图弄清楚为什么人们突然开始更多地开车，而减少了步行。在交通科学领域，研究人员数十年来一直在构建地图，以预测人们如何移动。传统上，他们使用的工具非常擅长发现模式——比如注意到住大房子的人往往倾向于开大车。但发现模式并不等同于证明因果关系。这就像是看到人们在下雨时打伞，就得出结论认为伞“导致”了降雨。要真正理解某事发生的原因，你需要知道如果情况不同，将会发生什么。这就是“因果关系”中棘手的部分。通常，为了证明因果关系，科学家会进行实验，通过改变一个变量并保持其他因素不变，就像厨师测试一种新香料一样。但你无法轻易对整个城市进行一场巨大的实验，去观察如果让所有人突然居家一年会发生什么。这就是一种新型侦探工具发挥作用的地方：一种被称为“因果森林”的方法。把这些森林想象成不是长着叶子的树，而是一个巨大的数字决策树林，它们可以观察数百万次的过往行程，根据旅行者是谁以及他们去了哪里将行程细分为微小的群体，并追问：“如果这个特定的人生活在不同的时代，他是否会选择不同的出行方式？”
这篇论文将这个数字森林植入了一个非常真实、非常混乱的事件之中：COVID-19 疫情。这场疫情是一场巨大的、计划外的实验，改变了世界的移动方式。作者 Rishabh S. Chauhan、Mahdi Ghadimi 和 Lishun Liu Gaara 希望利用他们的因果森林来弄清楚疫情究竟是如何改变人们的出行习惯的，不仅是看平均水平，还要看特定类型的人群。他们不仅仅是在问：“人们开车变多了吗？”他们还在问：“富人开车变多了吗？女性开车变多了吗？进行短途旅行的人开车变多了吗？”通过分析疫情前（2017年）和疫情进入“新常态”后（2022年）超过 80 万条行程记录，他们使用这种先进的机器学习方法，从同时发生的各种变化中分离出了真正的“疫情效应”。
这就是他们的数字森林所发现的结果。当他们观察普通人时，疫情导致了一种转变：开车概率上升了 1.86 个百分点，乘坐公共交通的概率下降了 0.38 个百分点，而步行概率下降了 1.57 个百分点。但真正的故事隐藏在细节之中，因为这片森林揭示了这些变化对每个人来说并不相同。汽车使用量最大的增幅出现在进行极短途旅行（一英里或更短）、家庭年收入超过 20 万美元以及女性旅行者身上。事实上，女性向驾驶转移、远离步行的幅度比男性要剧烈得多。另一方面，公共交通使用量下降最明显的人群是那些完全没有车的人，而老年人（65 岁及以上）的行为几乎没有变化，表现出一种“行为惯性”。
作者还利用他们的工具寻找了最极端的群体。他们发现，特定的因素组合——居住在美国西部、收入在 25,000 美元至 49,999 美元之间、且进行一英里或更短的行程——与其他人相比，其汽车使用率大幅增加了 16.37 个百分点。相反，对于没有家用车辆且进行中等长度非通勤旅行的人来说，其汽车使用率显著下降。这项研究表明，虽然整体趋势是向汽车靠拢，但其中的“为什么”和“谁”是非常复杂的。研究人员谨慎地指出，这是一个时间切片，且他们的方法依赖于现有的数据，但研究结果提供了一个比简单平均值更清晰、更细致的图景。通过使用因果森林，他们超越了仅仅说“人们开车更多了”的层面，转而理解究竟是哪些人群改变了想法以及改变了多少，为城市规划者提供了一种观察人类行为隐藏层面的强大新方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。