1、基于多源数据的城市活力与建成环境非线性关系研究以双休日武汉市主城区为例王梓蒙，刘艳芳*，罗璇，仝照民，安睿(武汉大学资源与环境科学学院，武汉 430079)摘 要：通过优化城市建成环境来营造和发展城市活力是建设充满活力的城市空间的重要举措。论文以双休日武汉市主城区为例，使用人口热力数据量化城市活力的时空分布特征；选用基于梯度提升决策树的SHAP可解释性模型(gradient boosting decision tree-Shapley additive explanations，GBDT-SHAP)测算城市建成环境对城市活力的非线性影响，并提取关键变量的最佳阈值。结果表明：双休日武汉市主城区城
2、市活力的分布具有明显的时间、空间和功能异质性。城市活力在空间上整体呈现出“中心高、外围低”的特征；在时间上，从7:00开始逐渐提升，下午和晚间达到顶峰。武汉市主城区建成环境显著影响了城市活力强度，且其非线性影响和阈值效应明显：大型商圈的影响阈值大致在30004000 m，地铁对城市活力的影响主要在城市内部且地铁站服务范围在1500 m以内，POI混合度超过0.4后会抑制城市活力。SHAP模型弥补了传统多元线性模型在可解释性上的不足。到CBD的距离、离地铁站距离、天空开敞度以及商业类型存在时间驱动效应，随时间变化对城市活力的影响重要性会发生相应变化。研究结果可为武汉市主城区城市规划设计提供依据：
3、贯彻公共交通为导向的开发理念，做好地铁交通与大型商圈的衔接，是增强城市活力的有效措施；设置户外开放空间，有利于促进居民晨练和社会活动；增加小型餐饮和娱乐场所也是增强夜间活力的措施。关 键 词：城市活力；建成环境；非线性关系；阈值效应；GBDT-SHAP；武汉市随着城市社会发展转型的逐渐深入，城市建成环境对城市活力的影响，日益成为城市地理和城市规划关注的热点议题1。社会转型和城镇化的快速发展使得城市建成环境发生剧变，并由此产生了一系列城市问题2，包括交通拥堵、环境污染、城乡发展不平衡等，随之而来的城市活力下降不可避免，建成环境对城市活力的影响和制约日渐突出3。定量识别城市建成环境及城市活力的地理
4、空间分异现象与影响机制是城市空间规划设计中亟待解决的科学问题，有利于提升城市居民的生活质量并为规划管理者提供科学的政策参考。城市活力的概念丰富且界定方式不一。其概念最早由Jacobs4提出，他认为集中的人口会产生大量的人与人和人与场所的交互，能够帮助城市再生并产生活力；Gehl等3从城市社会学出发将城市活力定义为“城市空间中人与人的活动”；Montgomery1和Chhetri等5进一步提出城市活力是多样化的居民活动和周围实体相互作用的外在表现；Lynch6从城市形态学强调了城市活力是“城市形态对人类重要功能、生态要求和能力的支持程度”。总体来看，尽第42卷 第4期2023年4月地 理 科 学
5、 进 展Progress in GeographyVol.42,No.4Apr.2023收稿日期：2022-11-02；修订日期：2023-02-24。基金项目：国家自然科学基金重点项目(42230107)。Foundation:Key Program of National Natural Science Foundation ofChina,No.42230107.第一作者简介：王梓蒙(1999)，男，浙江舟山人，硕士生，主要研究方向为城市地理与城市。E-mail:*通信作者简介：刘艳芳(1959)，女，博士，教授，博士生导师，主要研究方向为区域规划、经济地理、地理信息应用工程。E-mai
6、l:引用格式：王梓蒙,刘艳芳,罗璇,等.基于多源数据的城市活力与建成环境非线性关系研究:以双休日武汉市主城区为例 J.地理科学进展,2023,42(4):716-729.Wang Zimeng,Liu Yanfang,Luo Xuan,et al.Nonlinear relationship between urban vitality and the built environ-ment based on multi-source data:A case study of the main urban area of Wuhan City at the weekend.Progress in
7、 Geography,2023,42(4):716-729.DOI:10.18306/dlkxjz.2023.04.008716-729页第4期王梓蒙 等：基于多源数据的城市活力与建成环境非线性关系研究管相关研究各有侧重，但一个共识是，城市活力是一种受城市空间形态影响的多样的居民活动和复杂的环境交互。城市活力的测度方式多样，因其关注点不同而存在差异。从表征形式来看，已有研究主要从经济、社会和文化等维度评价城市活力7-8。而更多学者则关注城市活力的微观表现，即城市中人口和活动的空间分布9-11。传统研究主要基于活动日志或调查问卷等实地调查法，仅限于小范围的城市活力测度，其样本量较小，难以反映更大
8、范围(城市尺度)的活力特征。随着大数据的普及和信息技术的发展，城市活力的精细化和规模化测度成为可能。移动位置数据、手机信令数据及GPS等多源大数据更多地应用于城市活力的测度。因此，本文使用百度慧眼的人口热力数据对武汉市主城区586个交通小区(traffic analysis zone，TAZ)的城市活力进行精细化测度，以期为武汉市主城区城市规划设计提供依据。交通小区根据城市主要道路和社区边界调整划分，从城市中心向外由密到疏。由于居民活动的时空约束不同，已有研究表明，城市活力时空特征及其建成环境影响在工作日与双休日存在差异12。部分学者指出，工作日的日常必要性活动(如上班)对城市活力测度造成影响
9、，而在双休日相对充裕的可支配时间下，居民更有可能产生自发性活动13-15。目前，大量研究讨论了城市建成环境与城市活力的关系，从定性和定量的角度构建城市建成环境指标体系并分析其对城市活力的影响。2008年，Cervero等16构建“3D”建成环境量化体系，包括密度(density)、混合度(diversity)、设计(design)3 个维度；随后，Ewing等17补充了目的地可达性(destina-tion accessibility)和到公交站距离(distance to tran-sit)，完善为更全面的“5D”建成环境量化体系，为国内外建成环境测度提供强有力的依据。在此基础上，学者们对城
10、市建成环境与城市活力的关系关注的视角也存在差异。如钮心毅等18更多地关注建成环境对街道活力影响的时空特征，塔娜等19等侧重于从多个尺度分析城市活力空间结构特征，司睿等15在测度三维建成环境的基础上关注其对街道活力的影响，王波等12则是关注二者之间关系的时空异质性，郭鑫等20区分了建成环境对不同年龄群体的活力影响。在当前讨论周末城市活力的建成环境变量时，居住人口密度是最基本的变量，显然人口密度越大，可能潜在产生“位置服务”的数量越多，其成为居住区周边活力的被动影响因素，只有少部分人口密集区存在活力较低问题19,21。在公共空间的活力测度中，应更多地关注吸引居民主动地离开居住地出行的因素。建成环境
11、包括交通、街道建筑设计、区位、土地利用及商业类型等与城市活力联系较为紧密22。交通便捷性和商业类型是广泛被讨论的变量，许多学者发现两者对城市活力影响较为显著，健全的交通设施建设和良好的可达性，特别是地铁站出入口的数量和可达性，被认为对城市活力产生积极影响18,23。在商业类型上，学者们意见不一致。如王娜等14认为POI密度对城市活力的提升最明显，而有学者认为商业类型不同时其对城市活力的影响并非平稳，如：刘彤等24认为周末城市活力与教育设施、餐饮设施和交通设施呈正相关，与金融设施和公共服务设施呈负相关；王波等12发现休闲设施密度、居住设施密度、交通设施密度和其他设施密度对城市活力具有显著的正相关
12、效应。也有学者发现了商业类型影响的时间非平稳性，如司睿等15发现商业类型的高混合度在大部分时间内促进城市活力但在中午至晚间时段对活力的正向影响不显著。另外，行政中心、商业中心和大型综合体对城市活力起调节作用，CBD集聚大规模居民就业和休闲活动25。目前对于影响因素的异质性分析中，大部分研究仅从时间和空间2个维度分析其时空异质性，确定影响城市活力因素的正负关系和影响程度，可能导致掩盖局部存在的非线性关联和阈值效应26-27。单靠正相关和负相关并不足以支撑规划者根据影响关系准确合理地调控各项要素以调整城市活力，基于线性关系的假设也意味着无法推断建成环境因素的最佳阈值，亟需一些关键环境变量最佳阈值的
13、经验证据以协助规划者合理布局来有效调整城市活力。梯 度 提 升 决 策 树(gradient boosting decisiontree,GBDT)是机器学习的一种形式，通过集成多个决策树并组合这些决策树的结果作为最终结果输出。GBDT模型弥补了传统多元线性回归模型的一些缺陷：不遵循任何假设，且异常值影响较小，更好地解决多重共线性问题，更为精确地提供预测结果28；同时，该模型输出的是因变量与自变量之间潜在的非线性关系，可以得到每个自变量作用的阈值29，从而更好地揭示建成环境影响城市活力的最有效范围。同时，相较于普通的非线性模型，SHAP(Shapley additive explanation
14、s)方法具有很好的解释717地理科学进展第42卷能力，可以用来解决机器学习的黑箱问题，可视化城市建成环境与城市活力之间真实的非线性影响。基于此，本文引入基于梯度提升决策树的SHAP可解释性模型(gradient boosting decision tree-Shapley additive explanations,GBDT-SHAP)，探究建成环境特征对城市活力的影响及其非线性效应。武汉作为中国中部最大的新兴城市，其经济、社会、文化建设呈现高速、高质发展趋势。随着社会经济发展的转型，城市建成环境剧烈变化对城市活力产生复杂多变的影响，探究武汉市城市活力、建成环境的空间特征及其影响机制，对感知城
15、市发展现状，改善城市居民生活质量，激发城市空间活力具有重要价值。因此，本文基于百度慧眼的人口热力数据，以武汉市主城区586个交通小区为基本单元，度量其城市活力并量化空间特征。在此基础上，选择12个指标构建“5D”指标体系测度城市建成环境，运用GBDT-SHAP模型，探究武汉市主城区建成环境对城市活力的影响机制及其非线性效应，为城市的规划实践提供分析支撑。1 研究区域、数据与方法1.1 研究区概况武汉市是湖北省省会城市，位于湖北省东部、长江与汉江的交汇地带，地跨 1134111505E、29583122N。作为中国中部地区的经济和交通枢纽，其常住人口在2021年已达到1364万人，经济高速发展的
16、同时也带来了城市建成环境的剧烈变化。截至2018年底，已有9条地铁线路投入运营。作为城市人口主要聚集地的主城区，其面积为863km2，容纳全市总人口的51.1%。因此，研究主城区建成环境与城市活力的影响机制对于优化武汉发展质量、提升其发展水平有重要意义。考虑到百度人口热力数据的覆盖率在社区层面支撑性不足，并且街道尺度各街道面积过大不能细化显示差异，而栅格单元则会将具有同质性的片区割裂，本文以交通小区为研究单元，结合路网和武汉城市规划单元进行调整，最终得到586个交通小区，平均面积为0.962 km2(图1)。交通小区作为依据一定原则和方法划定的、在交通和城市研究领域广泛应用的基本空间单元，能够尽可能地保留相似片区的同质性并细化城市内部的差异。1.2 数据来源及处理本文基础数据主要包括人口热力数据、街景图像、土地利用数据、POI数据、公交地铁站点数据、道路网络数据。其中，人口热力数据来源于百度，具有连续性、动态性等优势。土地利用数据来源于第三次全国国土调查，本文中的商服用地数据与土地利用现状中的商服用地相对应(地类代码05)。POI数据来自于高德地图Web API接口，数据量较大、分类全