Onderzoek naar de keuze van vervoermiddel door stedelijke bewoners op basis van de CART-Apriori-methode

Waarom uw dagelijkse woon-werkverkeer ertoe doet

Elke rit die u door de stad maakt—te voet, per fiets, bus of auto—beïnvloedt stilletjes verkeersopstoppingen, vervuiling en zelfs hoe uw stad zich ontwikkelt. Deze studie kijkt nauwkeurig naar hoe mensen in een middelgrote Chinese stad hun manier van reizen kiezen en test een nieuwe, datagedreven methode om die keuzes te voorspellen. De bevindingen helpen te verklaren waarom sommige mensen een kilometer lopen terwijl anderen voor dezelfde afstand een rit via een deelplatform nemen, en hoe slimmer plannen congestie en CO2-uitstoot kan verminderen.

Hoe mensen zich verplaatsen in een middelgrote stad

De onderzochte stad telt ongeveer 580.000 stedelijke inwoners, heeft geen metro- of railsysteem en kent relatief soepel verkeer. De meeste ritten zijn kort; gangbare opties zijn wandelen, deelfietsen en -scooters, bussen, taxi’s of ride-hailing en privéauto’s. Omdat busprijzen laag en grotendeels vlak zijn, denken mensen niet te veel na over kleine prijsverschillen voor één enkele rit. In plaats daarvan letten ze meer op langetermijnbeslissingen zoals de vraag of ze een auto moeten kopen, en op praktische details zoals de afstand en hoeveel keer ze moeten overstappen bij de bus. Een grote enquête onder 1.500 bewoners verzamelde informatie over wie mensen zijn, waarom ze reizen, hoe ver ze gaan en welk vervoermiddel ze kiezen.

Het mengen van klassieke modellen met nieuwe algoritmen

Decennialang gebruikten vervoersonderzoekers traditionele wiskundige modellen om reiskeuzes te voorspellen, maar die hebben vaak moeite met complex, realistisch gedrag. Nieuwere machine-learningtools kunnen beter voorspellen, maar worden vaak bekritiseerd als "black boxes" die moeilijk te interpreteren zijn. Deze studie combineert meerdere benaderingen in één raamwerk. Eerst doorzoekt een algoritme genaamd Apriori de enquêtegegevens om de sterkste "als–dan"-patronen te vinden, zoals "als iemand 3–5 km reist, een auto bezit en één of twee keer moet overstappen, dan kiest die persoon zeer waarschijnlijk voor ride-hailing." Deze patronen worden vervolgens ingevoerd in een beslisboommodel dat bekendstaat als CART, dat reizigers herhaaldelijk in takken splitst op basis van factoren zoals afstand of autobezit om te voorspellen welk vervoermiddel iemand zal gebruiken.

De zwarte doos begrijpelijk maken

Om verder te gaan dan louter voorspelling en daadwerkelijk gedrag te verklaren, voegen de onderzoekers een model toe dat RuleFit heet. RuleFit neemt de takken van de beslisboom—de regels die aangeven wie welk vervoermiddel kiest—en zet ze om in eenvoudige, voor mensen leesbare uitspraken met numerieke gewichten. Deze gewichten tonen hoe sterk elke regel iemand naar wandelen, fietsen, de bus nemen, autorijden of ride-hailing duwt. Door dit te doen kan de studie zowel voorspellen wat mensen doen als duidelijk de belangrijkste patronen beschrijven, in plaats van alleen een voorspelling te geven zonder uitleg.

De weinige factoren die het meest tellen

Hoewel men begon met veel mogelijke invloeden, laat de data-miningstap zien dat slechts vier factoren de reisbeslissingen domineren: hoe ver mensen reizen, waarom ze reizen, of ze een auto bezitten en hoeveel overstappen ze zouden moeten maken met het openbaar vervoer. Afstand staat bovenaan. Bewoners lopen meestal wanneer de rit minder dan één kilometer is, ongeacht of ze een auto hebben. Deelfietsen zijn vooral populair voor woon-werkafstanden van 1–3 km, zelfs onder autobezitters. Voor middellange ritten van 3–5 km spreken deel-e-scooters en privéauto’s degenen aan die een directe rit willen en meerdere overstappen willen vermijden. Bussen functioneren het beste voor 3–5 km-ritten die geen overstappen vereisen. Ride-hailing heeft de voorkeur bij 1–3 km-ritten wanneer het busalternatief meerdere overstappen zou vereisen. In het algemeen voorspelt het gecombineerde CART–Apriori-model het gekozen vervoermiddel van mensen in ongeveer 83% van de gevallen correct, wat beter presteert dan verschillende andere veelgebruikte methoden.

Wat dit betekent voor groenere straten

Door de kleine set factoren te identificeren die werkelijk dagelijkse keuzes aansturen, biedt deze studie duidelijke richtlijnen voor stadsplanners. Het verbeteren van trottoirs en fietspaden binnen 3 km van woningen kan veel korte ritten naar wandelen en fietsen verschuiven. Het herontwerpen van busroutes om overstappen te verminderen, vooral voor 3–5 km-reizen, kan het openbaar vervoer aantrekkelijker maken dan autorijden. Beleidsmaatregelen zoals parkeertarieven of congestieheffingen voor korte autoritten, gecombineerd met handige deelbikes en -scooters, kunnen verdere stimulans geven aan koolstofarme opties. Voor de leek is de kern eenvoudig: wanneer steden korte ritten gemakkelijk te voet of per fiets maken en langere ritten eenvoudig met de bus te voltooien zonder meerdere overstappen, kiezen mensen vanzelf voor schonere en efficiëntere manieren om zich te verplaatsen.

Bronvermelding: Song, H., Wang, X., Tian, W. et al. Study on urban residents’ travel mode choice based on the CART-Apriori method. Sci Rep 16, 6270 (2026). https://doi.org/10.1038/s41598-026-37216-4

Trefwoorden: stedelijk reisgedrag, keuze van vervoermiddel, machine learning, duurzaam vervoer, openbaar vervoer