Bewertung der Widerstandsfähigkeit der U-Bahn-Nutzung bei Extremwetter mittels Vine-Copula-Modellierung

Warum Wetter und U-Bahn für das Stadtleben wichtig sind

Wenn das Wetter umschlägt, endet das Stadtleben nicht — aber es verändert sich. Für Millionen von Menschen, die auf die U-Bahn in New York City angewiesen sind, können starker Regen, Hitzewellen oder klirrende Kälte den Unterschied ausmachen zwischen normaler Zugfahrt und Zuhausebleiben. Diese Studie untersucht genau, wie die U-Bahn-Nutzung in New York auf extremes Wetter reagiert und wie sich diese Reaktionen von Station zu Station sowie zwischen Stoßzeiten und den ruhigen Mittagsstunden unterscheiden. Durch das Verständnis dieser Muster können Planer das System besser auf ein wärmeres, nasseres und volatileres Klima vorbereiten.

Menschen durch das unterirdische Netz folgen

Die U-Bahn ist mehr als eine Ansammlung einzelner Stationen: Sie ist ein Netz verbundener Orte, deren Besuchszahlen zusammen steigen und fallen. Die Auslastung an einer Haltestelle bewegt sich oft im Gleichklang mit nahegelegenen Knotenpunkten oder mit Stationen, die viele derselben Fahrgäste teilen. Frühere Forschung behandelte Stationen meist so, als reagierten sie isoliert auf Wetter oder setzte undurchsichtige Machine-Learning-Methoden ein, die schwer zu interpretieren sind. Im Gegensatz dazu konzentriert sich diese Studie darauf, wie Gruppen wichtiger Stationen in Manhattan, Queens und Brooklyn stündlich gemeinsam reagieren und wie diese Beziehungen bei extremen Wetterereignissen variieren.

Eine flexible Karte verborgener Verbindungen

Um diese verborgenen Verknüpfungen sichtbar zu machen, nutzten die Forscher einen statistischen Ansatz, der als Vine-Copula bekannt ist. Anstatt einfache, lineare Beziehungen vorauszusetzen, baut diese Methode ein flexibles Netzwerk paarweiser Verbindungen zwischen Stationen und zwischen benachbarten Stunden des Tages auf. Sie beginnt damit, das stündliche Fahrgastaufkommen jeder Station einzeln zu modellieren und fügt diese dann zu einem vollständigen gemeinsamen Bild zusammen, das sowohl typische Tage als auch seltene Ereignisse erfasst. Mit dieser Struktur kann das Team realistische synthetische Auslastungsmuster unter vielen Wetterbedingungen erzeugen, einschließlich solcher, die in den realen Daten nur selten vorkommen. Tests zeigen, dass diese simulierten Muster die beobachtete Nutzung gut nachbilden, insbesondere während der morgendlichen und abendlichen Stoßzeiten.

Wie Fahrgäste reagieren, wenn das Wetter extrem wird

Mit diesem Modell verglichen die Autoren die Verteilungen der Fahrgastzahlen unter drei Arten von Extremwetter — sehr kalte Tage, sehr heiße Tage und starker Regen — mit den Baseline-Bedingungen bei milden Temperaturen und ohne Regen. Sie untersuchten sowohl die Spitzenzeiten, in denen Pendler die Züge füllen, als auch die Nebenzeiten, in denen Fahrten eher optional sind. Starker Regen während der Stoßzeiten führte zu den stärksten Rückgängen bei den Fahrgastzahlen; an manchen stark frequentierten Stationen lagen die typischen Einbußen im Vergleich zum normalen Wetter bei etwa einem Fünftel bis fast einem Drittel, mit einer breiten Spanne möglicher Ergebnisse. Im Gegensatz dazu hatten Frosttage nur geringe Auswirkungen auf Fahrten während der Stoßzeiten, schnitten aber deutlicher in die Nebenzeiten hinein, was darauf hindeutet, dass Menschen bei Kälte eher bereit sind, Einkaufs- oder Freizeitfahrten auszulassen als Arbeits- oder Schulwege. Extreme Hitze verringerte die Nutzung sowohl in Spitzen- als auch in Nebenzeiten, mit etwas stärkeren Effekten, wenn Züge und Bahnsteige besonders überfüllt waren.

Stärkere Knoten, verletzlichere Ränder

Die Studie zeigt auch, dass nicht alle Stationen gleich verwundbar sind. Große Knotenpunkte im Kern Manhattans — wie Grand Central und Union Square — erholen sich unter Belastung tendenziell besser, mit geringeren medianen Rückgängen und vorhersehbarererem Verhalten. Außenbezirksstationen, einschließlich stark frequentierter Terminals in Queens und Brooklyn, erleben oft größere und unsicherere Einbrüche. Stationen, die im Zentrum des modellierten Abhängigkeitsnetzwerks liegen, also deren Fahrgastzahlen eng mit vielen anderen verknüpft sind, zeigen im Allgemeinen größere Resilienz und stabilere Reaktionen auf schlechtes Wetter, insbesondere außerhalb der Stoßzeiten. Dennoch ist das Bild nuanciert: Einige zentrale Standorte in Manhattan, wie Columbus Circle, können von starkem Regen besonders hart getroffen werden, was lokale Stationsgestaltung, Überfüllung und Zugangsbedingungen widerspiegelt.

Was das für Fahrgäste und Planer bedeutet

Für den Alltag der Fahrgäste bestätigen die Ergebnisse eine intuitive Geschichte: Wenn das Wetter miserabel ist, bleibt die U-Bahn für wichtige Fahrten eine Lebensader, während discretionary Reisen abnehmen und die Last nicht gleichmäßig im Netz verteilt ist. Für Planer und Entscheidungsträger bietet das Vine-Copula-Rahmenwerk eine leistungsfähige Möglichkeit, „Was-wäre-wenn“-Szenarien für seltene, aber schädliche Ereignisse zu testen, selbst wenn historische Daten knapp sind. Indem es aufzeigt, welche Stationen und Zeiträume am stärksten ausgesetzt sind — gegenüber Platzregen, Hitzewellen oder Kälteeinbrüchen — kann die Methode gezielte Aufrüstungen leiten, wie besseren Wetterschutz, verbesserte Entwässerung, Kühlung und Belüftung oder zusätzlichen Service dort, wo er am dringendsten gebraucht wird. Kurz gesagt liefert die Arbeit eine datenbasierte Karte, wie Wetter und menschliches Verhalten unter Tage interagieren, und hilft Städten, klug in ein klimaresilienteres Verkehrssystem zu investieren.

Zitation: Guo, Y., He, B.Y., Chow, J.Y.J. et al. Assessing subway ridership resilience under extreme weather with vine copula modeling. npj. Sustain. Mobil. Transp. 3, 25 (2026). https://doi.org/10.1038/s44333-026-00094-4

Schlüsselwörter: U-Bahn-Nutzung, Extremwetter, Städtische Resilienz, Nahverkehr New York City, Nachfragemodellierung