Public transit gains and spatially uneven travel demand changes after NYC congestion pricing
作者: Donghang Li, Dingyi Zhuang, Yunlin Li, Chenan Shen, Nina Cao, Yunhan Zheng, Shenhao Wang, Jinhua Zhao
分类: physics.soc-ph, cs.LG, econ.GN, stat.AP
发布日期: 2026-06-16
💡 一句话要点
提出基于时间序列模型的需求预测框架以评估纽约市拥堵定价政策影响
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 拥堵定价 公共交通 需求预测 时间序列模型 空间公平 政策评估 城市交通
📋 核心要点
- 现有的交通政策评估方法难以处理因政策实施而产生的空间溢出效应，导致对照组构建困难。
- 本文提出了一种基于时间序列模型的需求预测框架，能够生成带有不确定性的反事实需求预测，从而克服对照组缺失的问题。
- 研究结果表明，政策实施后公交和地铁乘客量显著增加，整体出行需求略有下降，且影响在不同区域表现出明显差异。
📝 摘要（中文）
纽约市于2025年1月实施了全国首个基于区域的拥堵定价政策，为评估大规模定价干预对城市交通系统的影响提供了机会。由于此类政策在不同模式和地点之间产生溢出效应，构建可信的对照组变得困难。本文利用时间序列基础模型生成带有校准不确定性的概率反事实需求预测。研究发现，政策实施后公交和地铁的乘客量显著增加，而整体出行需求略有下降，且影响在空间上表现出异质性，整体出行需求的减少主要集中在拥堵缓解区，而公共交通的增长则超出了曼哈顿核心区域。社会人口分析进一步揭示了不同社区适应的不均衡性，突显了空间公平的影响。我们的框架为在缺乏清晰对照组的情况下，进行系统性城市干预的评估提供了一种可扩展的方法。
🔬 方法详解
问题定义：本文旨在解决如何评估纽约市拥堵定价政策对公共交通需求的影响，现有方法在处理政策溢出效应和对照组构建方面存在不足。
核心思路：通过时间序列基础模型生成概率反事实需求预测，结合校准的不确定性，提供对政策影响的全面评估。这样的设计能够在缺乏清晰对照组的情况下，仍然有效地分析政策效果。
技术框架：整体框架包括数据收集、时间序列模型构建、反事实需求预测生成和不确定性校准等主要模块。首先收集公交、地铁和整体出行数据，然后应用时间序列模型进行分析，最后生成预测结果并进行不确定性评估。
关键创新：最重要的技术创新在于使用时间序列模型生成带有不确定性的反事实需求预测，这一方法与传统的静态对照组方法本质上不同，能够更好地捕捉政策实施的动态影响。
关键设计：在模型设计中，采用了多种时间序列分析技术，设置了适当的参数以优化预测精度，并使用了特定的损失函数来衡量预测误差，确保模型的可靠性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，政策实施后，公交和地铁的乘客量相较于无政策预期显著增加，具体增幅未知，而整体出行需求仅略有下降，且影响在空间上表现出异质性，特别是在拥堵缓解区内的出行需求减少更为明显。
🎯 应用场景
该研究的潜在应用领域包括城市交通政策评估、公共交通规划和城市发展策略制定。通过提供一种新的评估框架，研究结果可以帮助政策制定者更好地理解交通政策的影响，从而优化未来的城市交通管理和规划。
📄 摘要（原文）
New York City implemented the nation's first cordon-based congestion pricing program in January 2025, providing an opportunity to evaluate how system-wide urban mobility responds to large-scale pricing interventions. Because such policies generate spillovers across modes and locations, credible control groups are difficult to construct. We address this challenge using time series foundation models to generate probabilistic counterfactual demand forecasts with calibrated uncertainty. Applying this framework to bus, subway, and aggregate trip volume data, we find that post-policy bus and subway ridership increased significantly relative to expected no-policy demand, while overall travel demand decreased modestly. The effects are spatially heterogeneous: while reductions in overall travel demand are concentrated within the Congestion Relief Zone, transit gains extend beyond Manhattan's core. Socio-demographic analyses further reveal uneven adaptation across neighborhoods, highlighting spatial equity implications. Our framework provides a scalable approach for the uncertainty-aware evaluation of system-wide urban interventions when clean control groups are unavailable.