Correlation and causality between traffic congestion and the built environment: a case study in New York city
Notice bibliographique
Résumé
Traffic congestion is significantly affected by the built environment. Existing studies predominantly examine this through correlation analysis, overlooking causal mechanisms. This omission leads to unreliable feature selection in policy models and hinders evidence-based interventions. To address this, this study proposes a three-stage causal framework that rigorously assesses built environment impacts. The first stage identifies statistically significant correlations using multivariable least squares regression. The second stage applies five causal inference models – Granger causality, structural equation model, causal forest, causal impact, and convergent cross mapping – to uncover causality. The third stage assesses how the identified causal factors shape congestion patterns in perpetually congested roadways (PCRs). Applied to New York City (NYC), the United States, the results reveal 19 correlated and 11 causal impacts. Our key findings include: (1) Transit accessibility is the most robust causal factor, while built environment diversity exhibits time-dependent variability; (2) traffic light design demonstrates bidirectional causality with congestion; (3) PCRs exhibit four distinct spatiotemporal patterns, with bridge-related congestion having the most consistent impact. These results yielded policy recommendations for NYC transportation planning: (i) improve the first-and-last-mile connectivity through micro-mobility; (ii) deploy artificial intelligence-driven adaptive traffic signals; (iii) expand the capacity of critical bridge corridors near PCRs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».