In de afgelopen decennia, de stedelijke bevolking in de steden van China is aanzienlijk gegroeid, en stijgende inkomens hebben geleid tot een snelle uitbreiding van het autobezit. Inderdaad, China is nu 's werelds grootste markt voor auto's. De combinatie van verstedelijking en motorisering heeft geleid tot een dringende behoefte aan vervoersbeleid om stedelijke problemen zoals congestie, luchtvervuiling, en de uitstoot van broeikasgassen.

De afgelopen drie jaar, een MIT-team onder leiding van Joanna Moody, onderzoeksprogrammamanager van het Mobility Systems Center van het MIT Energy Initiative, en Jinhua Zhao, de Edward H. en Joyce Linde universitair hoofddocent bij de afdeling Stedelijke Studies en Planning (DUSP) en directeur van het JTL Urban Mobility Lab van MIT, heeft het transportbeleid en de beleidsvorming in China onderzocht. "Vaak wordt aangenomen dat het transportbeleid in China wordt gedicteerd door de nationale overheid, ", zegt Zhao. "Maar we hebben gezien dat de nationale regering doelen stelt en vervolgens individuele steden laat beslissen welk beleid ze moeten voeren om die doelen te bereiken."

Veel studies hebben de beleidsvorming op het gebied van vervoer onderzocht in de megasteden van China, zoals Peking en Shanghai, maar weinigen hebben zich gericht op de honderden kleine en middelgrote steden in het hele land. zo humeurig, Zhao, en hun team wilde het proces in deze over het hoofd geziene steden overwegen. Vooral, ze vroegen:hoe beslissen gemeentelijke leiders welk transportbeleid ze moeten implementeren, en kunnen ze beter in staat worden gesteld om van elkaars ervaringen te leren? De antwoorden op die vragen kunnen een leidraad zijn voor gemeentelijke besluitvormers die proberen de verschillende transportgerelateerde uitdagingen waarmee hun steden worden geconfronteerd, aan te pakken.

De antwoorden kunnen ook helpen om een ​​leemte in de onderzoeksliteratuur op te vullen. Het aantal en de diversiteit van steden in heel China heeft het uitvoeren van een systematische studie van het stedelijk vervoersbeleid een uitdaging gemaakt, toch wordt dat onderwerp steeds belangrijker. Als reactie op lokale luchtvervuiling en verkeersopstoppingen, sommige Chinese steden voeren nu beleid uit om autobezit en -gebruik te beperken, en dat lokale beleid kan uiteindelijk bepalen of de ongekende groei van de landelijke verkoop van particuliere auto's de komende decennia zal aanhouden.

Beleid leren

Beleidsmakers op het gebied van vervoer wereldwijd profiteren van een praktijk die beleidsleren wordt genoemd:besluitvormers in de ene stad kijken naar andere steden om te zien welk beleid wel en niet effectief is geweest. In China, Peking en Shanghai worden doorgaans gezien als trendsetters op het gebied van innovatief transportbeleid, en gemeentelijke leiders in andere Chinese steden wenden zich tot die megasteden als rolmodellen.

Maar is dat een effectieve aanpak voor hen? Ten slotte, hun stedelijke omgeving en transportuitdagingen zijn vrijwel zeker heel anders. Zou het niet beter zijn als ze zouden kijken naar "peer" steden waarmee ze meer gemeen hebben?

Humeurig, Zhao, en hun DUSP-collega's - postdoc Shenhao Wang en afgestudeerde studenten Jungwoo Chun en Xuenan Ni, allemaal in het JTL Urban Mobility Lab - veronderstelde een alternatief raamwerk voor beleidsleren waarin steden met een gemeenschappelijke verstedelijkings- en motoriseringsgeschiedenis hun beleidskennis zouden delen. Een vergelijkbare ontwikkeling van stadsruimten en reispatronen kan leiden tot dezelfde transportuitdagingen, en dus op vergelijkbare behoeften aan vervoersbeleid.

Om hun hypothese te testen, de onderzoekers moesten twee vragen beantwoorden. Beginnen, ze moesten weten of Chinese steden een beperkt aantal gemeenschappelijke verstedelijkings- en motoriseringsgeschiedenissen hebben. Als ze de 287 steden in China hebben gegroepeerd op basis van die geschiedenis, zouden ze eindigen met een redelijk klein aantal betekenisvolle groepen peer-steden? En ten tweede, zouden de steden in elke groep een vergelijkbaar vervoersbeleid en dezelfde prioriteiten hebben?

De steden groeperen

Steden in China zijn vaak gegroepeerd in drie "lagen" op basis van politiek bestuur, of de soorten jurisdictierollen die de steden spelen. Niveau 1 omvat Peking, Sjanghai, en twee andere steden die dezelfde politieke bevoegdheden hebben als provincies. Tier 2 omvat ongeveer 20 provinciale hoofdsteden. The remaining cities—some 260 of them—all fall into Tier 3. These groupings are not necessarily relevant to the cities' local urban and transportation conditions.

Moody, Zhao, and their colleagues instead wanted to sort the 287 cities based on their urbanization and motorization histories. Gelukkig, they had relatively easy access to the data they needed. Elk jaar, the Chinese government requires each city to report well-defined statistics on a variety of measures and to make them public.

Among those measures, the researchers chose four indicators of urbanization—gross domestic product per capita, total urban population, urban population density, and road area per capita—and four indicators of motorization—the number of automobiles, taxis, bussen, and subway lines per capita. They compiled those data from 2001 to 2014 for each of the 287 cities.

The next step was to sort the cities into groups based on those historical datasets—a task they accomplished using a clustering algorithm. For the algorithm to work well, they needed to select parameters that would summarize trends in the time series data for each indicator in each city. They found that they could summarize the 14-year change in each indicator using the mean value and two additional variables:the slope of change over time and the rate at which the slope changes (the acceleration).

Based on those data, the clustering algorithm examined different possible numbers of groupings, and four gave the best outcome in terms of the cities' urbanization and motorization histories. "With four groups, the cities were most similar within each cluster and most different across the clusters, " says Moody. "Adding more groups gave no additional benefit."

The four groups of similar cities are as follows:

• Cluster 1:23 large, dense, wealthy megacities that have urban rail systems and high overall mobility levels over all modes, including buses, taxis, and private cars. This cluster encompasses most of the government's Tier 1 and Tier 2 cities, while the Tier 3 cities are distributed among Clusters 2, 3, and 4.
• Cluster 2:41 wealthy cities that don't have urban rail and therefore are more sprawling, have lower population density, and have auto-oriented travel patterns.
• Cluster 3:134 medium-wealth cities that have a low-density urban form and moderate mobility fairly spread across different modes, with limited but emerging car use.
• Cluster 4:89 low-income cities that have generally lower levels of mobility, with some public transit buses but not many roads. Because people usually walk, these cities are concentrated in terms of density and development.

City clusters and policy priorities

The researchers' next task was to determine whether the cities within a given cluster have transportation policy priorities that are similar to each other—and also different from those of cities in the other clusters. With no quantitative data to analyze, the researchers needed to look for such patterns using a different approach.

Eerst, they selected 44 cities at random (with the stipulation that at least 10 percent of the cities in each cluster had to be represented). They then downloaded the 2017 mayoral report from each of the 44 cities.

Those reports highlight the main policy initiatives and directions of the city in the past year, so they include all types of policymaking. To identify the transportation-oriented sections of the reports, the researchers performed keyword searches on terms such as transportation, road, auto, bus, and public transit. They extracted any sections highlighting transportation initiatives and manually labeled each of the text segments with one of 21 policy types. They then created a spreadsheet organizing the cities into the four clusters. Eindelijk, they examined the outcome to see whether there were clear patterns within and across clusters in terms of the types of policies they prioritize.

"We found strikingly clear patterns in the types of transportation policies adopted within city clusters and clear differences across clusters, " says Moody. "That reinforced our hypothesis that different motorization and urbanization trajectories would be reflected in very different policy priorities."

Here are some highlights of the policy priorities within the clusters:

The cities in Cluster 1 have urban rail systems and are starting to consider policies around them. Bijvoorbeeld, how can they better connect their rail systems with other transportation modes—for instance, by taking steps to integrate them with buses or with walking infrastructure? How can they plan their land use and urban development to be more transit-oriented, such as by providing mixed-use development around the existing rail network?

Cluster 2 cities are building urban rail systems, but they're generally not yet thinking about other policies that can come with rail development. They could learn from Cluster 1 cities about other factors to take into account at the outset. Bijvoorbeeld, they could develop their urban rail with issues of multi-modality and of transit-oriented development in mind.

In Cluster 3 cities, policies tend to emphasize electrifying buses and providing improved and expanded bus service. In these cities with no rail networks, the focus is on making buses work better.

Cluster 4 cities are still focused on road development, even within their urban areas. Policy priorities often emphasize connecting the urban core to rural areas and to adjacent cities—steps that will give their populations access to the region as a whole, expanding the opportunities available to them.

Benefits of a "mixed method" approach

Results of the researchers' analysis thus support their initial hypothesis. "Different urbanization and motorization trends that we captured in the clustering analysis are reflective of very different transportation priorities, " says Moody. "That match means we can use this approach for further policymaking analysis."

At the outset, she viewed their study as a "proof of concept" for performing transportation policy studies using a mixed-method approach. Mixed-method research involves a blending of quantitative and qualitative approaches. In their case, the former was the mathematical analysis of time series data, and the latter was the in-depth review of city government reports to identify transportation policy priorities. "Mixed-method research is a growing area of interest, and it's a powerful and valuable tool, " says Moody.

She did, echter, find the experience of combining the quantitative and qualitative work challenging. "There weren't many examples of people doing something similar, and that meant that we had to make sure that our quantitative work was defensible, that our qualitative work was defensible, and that the combination of them was defensible and meaningful, " ze zegt.

The results of their work confirm that their novel analytical framework could be used in other large, rapidly developing countries with heterogeneous urban areas. "It's probable that if you were to do this type of analysis for cities in, zeggen, Indië, you might get a different number of city types, and those city types could be very different from what we got in China, " says Moody. Regardless of the setting, the capabilities provided by this kind of mixed method framework should prove increasingly important as more and more cities around the world begin innovating and learning from one another how to shape sustainable urban transportation systems.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.