交通规划常面临因果与预测模型的选择困境。一项针对芝加哥出行数据的研究，首次系统对比了两种建模路径，揭示了它们在解释行为、指导政策上的本质差异与互补价值。该研究不仅填补了出行行为因果机制的空白，更为实现精准化的交通政策提供了科学依据，为城市出行优化指明了新方向。
智能速览
因果建模解释“为什么”，预测模型判断“会怎样”，二者在交通规划中目标不同。
车辆拥有权与出行距离是影响所有社区出行方式的核心因果因素。
种族仅在芝加哥西区和南区成为显著的出行选择因果因素，存在区域差异。
制定干预政策应优先因果建模，预测未来需求则适用预测模型。
研究创新性地结合PC算法与DML技术，实现了数据驱动的因果关系挖掘。
精华内容
究竟该如何在复杂的城市交通系统中精准施策？关键在于理解出行行为背后的因果链条。一项基于芝加哥三大社区的深度研究，为我们揭示了两种建模路径下的不同答案。
模型本质差异
研究清晰区分了两种建模逻辑。因果建模旨在解释“为什么”，通过PC算法生成因果图，再用双重机器学习（DML）量化各变量的平均处理效应（ATE），从而识别出能够通过政策干预改变结果的真正原因。与之相对，预测建模（如人工神经网络ANN）专注于预测“会怎样”，其准确率在芝加哥三大社区达到72.50%-75.46%。预测模型虽能通过SHAP值量化变量重要性，但这种重要性仅代表相关性，无法等同于因果，不能直接用于指导政策干预。
核心因果驱动
尽管模型路径不同，但都指向了两个核心驱动因素。数据显示，车辆拥有权是选择汽车出行的最强因果推力，其平均处理效应（ATE）值高达0.41-0.56，意味着拥有私家车会显著增加汽车出行概率，同时降低选择公共交通和步行的可能性。
出行距离同样展现出一致的因果效应：距离越长，人们选择汽车的概率越高，选择步行的概率越低，其对步行的负向因果效应ATE值在-0.103至-0.173之间。这两个因素在所有社区均是出行方式的直接因果决定项。
区域异质性揭示
研究的重要价值在于揭示了深刻的区域差异。在收入水平较高的北区，种族并非出行选择的显著因果因素。但在经济条件较差的西区和南区，种族则成为一个关键变量，对选择公共交通有正向因果效应，对选择汽车有负向效应，甚至在南区是影响步行选择的直接原因。
此外，影响车辆拥有权的深层原因也各不相同：北区是家庭规模，而西区和南区则主要是家庭收入。这些发现为精准化而非一刀切的政策提供了依据。
政策制定启示
基于因果效应，研究为交通政策提供了清晰的路线图。若目标是引导绿色出行，应优先采用因果建模锁定干预点。例如，在北区，政策应侧重于优化短途出行距离，完善步行与骑行设施。
而在西区和南区，则必须考虑种族背后的社会经济复杂性，通过改善低收入社区的公交可达性、提升步行安全性，并结合收入扶持政策来间接影响车辆拥有权，从而更有效地引导出行方式转变。
该研究通过严谨的对比，不仅厘清了因果与预测模型在交通规划中的角色，更揭示了出行行为背后的复杂性与区域差异。它标志着交通研究从“相关性”向“因果性”的深入探索，为未来构建更智能、更公平的城市交通系统提供了方法论支持。当数据能够揭示“为什么”时，我们的城市决策是否也能因此变得更精准、更人性化？
