建成環境對街道活力的非線性效應
——基于XGBoost模型的多源大數據分析

吳莞姝 馬子迎 郭金函 趙 凱

活力是城市內部的原始動力，能綜合體現城市的發展質量[1]。充滿活力的空間可以激發人類活動，促進社會交流與互動，增強居民的安全感與歸屬感[2]。街道活力是城市活力的重要體現，是提供可持續且以人為本的公共空間的關鍵[3]。街道活力可通過設計手段進行營造[4-5]。既有研究證實，功能組合、開發強度、可達性、商業設施、景觀等環境要素可以有效增強街道活力[6-7]。

然而，多數研究預設建成環境與街道活力為線性關系，忽略了可能存在的非線性關系。線性假設容易過度簡化或錯誤估計建成環境與街道活力之間的復雜關系[8]。例如，雖然開發強度可以提升街道活力，但過度密集的建筑反而抑制活力[9]。非線性關系的探索有助于細化不同取值范圍內環境要素影響的差異。雖有少量研究針對居民行為與建成環境之間的非線性關系展開探索[10]，但對于街道活力的直接研究還較少。

建成環境是一個復雜系統，包含多元要素。這些要素除了直接作用于街道活力外，相互之間也會產生交互效應。2個環境要素的組合會在一定程度上放大或縮小對于被解釋變量的影響[8]。例如，中心性較高的街道兩側往往建設寫字樓、商場等中高層建筑，然而中低層建筑與較高中心性交互作用，可以引發街道上更多的經濟活動[11]。明晰環境要素的交互效應可有效指導建成環境的綜合營造，促進街道活力的形成。

此外，不同類型建成環境對街道活力的影響機制存在差異，對應的活力提升策略也有所不同。人們在生活性街道、商業街道及就業崗位密集街道中的行為需求不同，老城區與新城區的街道肌理與空間形態也存在差異。雖已有研究從街道形態、功能類型等方面進行分類探討，但多集中在中觀尺度，選取的建成環境要素也相對單一[12]。

機器學習算法可有效解決上述問題。eXtreme Gradient Boosting(XGBoost)等機器學習模型擺脫了解釋變量對于被解釋變量線性影響的假設，為非線性關系的探討提供了多樣化工具[13]。然而，該類模型通常是黑匣子，很難解釋內部變量。為克服這一障礙，Lundberg等提出機器學習模型解釋性工具Shapley Additive Explanation(SHAP)[14]，可準確解釋每個特征變量對于結果的貢獻度，提供全局模型和單個特征的局部解釋結論[15]。近年來，SHAP在交通、公共服務等多個研究領域得到了廣泛應用。

綜上，本研究以廈門島為例，使用多源大數據測度街道活力與建成環境，使用SHAP解釋XGBoost模型探索街道活力與建成環境的非線性關系。

1 建成環境影響街道活力的研究進展

1.1 街道活力的內涵與測度

街道活力是一種場所感，需在社會背景下感知[16]，具體指人們在街道中的活動，也是居民與環境之間的相互作用[17]。

信息通信技術的發展與多源大數據的普及為街道活力的大規模與精細化測度提供了可能性，主要包括LBS數據[18]、手機信令數據[19]、社交媒體數據[20]等。這些數據包含豐富的活動信息，為街道研究提供了新的粒度和視角。

1.2 建成環境對街道活力的影響

密度、多樣性、小街區和老建筑共同作用能夠激發街道活力[16]。

一些學者通過實證探索土地利用、城市形態、可達性等環境條件對街道活力的影響，但結論存在差異[6，21]。Sun等認為高容積率和建筑密度會提高微觀尺度下的活力[22]，而Lu等發現密度和容積率對于不同發展階段的活力有不同影響[23]；Lin等在中觀研究中發現人行道設計與行人活動沒有顯著關系[24]，但Li等發現步行友好型街道可聚集活力[25]。

1.3 關于非線性關系的探討

既有研究多基于線性假設，容易過度簡化或誤算建成環境的真實影響，無法真正解釋環境與行為之間的關系[26]。一些變量只有在達到閾值后才具有影響力，且影響效應會在某個閾值處達到飽和[10]。XGBoost、隨機森林、梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)等機器學習算法可以有效解釋自變量與因變量之間的非線性關系及其他影響效應，目前已應用于多個領域，但針對街道活力的研究仍較少。

2 研究設計

2.1 研究區域

廈門是國家中心城市之一，以舒適的生活環境、快速的經濟發展與繁榮發達的旅游業而聞名。廈門島是廈門市中心城區，面積約132.2km2，人口密集，環境多樣，設施完善。這里歷經了租界、海防的歷史演變，形成了多樣化的街道形態與路網肌理，是探索街道活力與建成環境的典型樣本(圖1)。

圖1 研究區域

2.2 研究數據

本研究使用多源大數據展開分析，數據類型、來源、獲取時間與預處理情況詳見表1。

表1 研究數據介紹

2.3 變量介紹

1)空間單元劃分。

街道空間界定為街道兩側建筑、植物等界面所圍合的空間。由于道路交叉口會產生一定的空間割裂作用，因此，以道路交叉口為分隔，共劃分2 482個空間單元。

2)被解釋變量。

街道活力表現為街道空間在各時段進行著各類基于步行或停留的活動[4，16]。由于人們在外部空間中操作手機時一般處于停駐或慢行狀態，因此LBS數據可用于指代該類活動。計算8：00—22：00各整點街道活動強度的多日平均值，并匯總工作日和休息日的整點平均值，從而指代工作日與休息日的街道活力。

3)解釋變量。

5D理論常被用于探究建成環境對居民活動的影響，包括密度、多樣性、設計、目的地可達性和交通距離[27]。本研究提取5D的關鍵變量來測度建成環境，詳見表2。

表2 建成環境指標及計算方法

2.4 研究方法

XGBoost模型是一個開源機器學習項目，是GBDT的改進版本。模型通過加入正則項來降低復雜性，防止過擬合，并對損失函數進行二階泰勒展開，使誤差更小[28]。此外，XGBoost支持數據采樣和列采樣，在滿足計算精度的同時提高了計算速度和效率[29]。對于XGBoost這類復雜模型，無法用原始模型本身去解釋，SHAP可克服這一障礙[14]。SHAP可通過計算每個建成環境變量對模型中街道活力基值到輸出值的貢獻，從而準確量化其對活力預測的貢獻。此外，SHAP還可以提供基于所有街道的全局模型，以及單個環境變量的局部解釋結論，從而更豐富且準確地解釋建成環境對街道活力的非線性效應。

3 結果分析

3.1 特征變量貢獻度

開發強度、街段開敞度與綠視率的貢獻度最高，街道等級、可步行性、街段長度的貢獻度較低(圖2)。開發強度總體為提升作用，而開敞度和綠視率為削弱作用。在宏觀尺度上，較高的街段開敞度與綠視率意味著稀疏的沿街建筑與功能，反而不利于提升街道活力。

圖2 特征變量的相對重要性

3.2 建成環境與街道活力的非線性關系

1)密度。當功能密度小于0.01時，影響為負；大于0.01時，影響由負轉正，此時功能密度基本滿足人群活動需求(圖3-1)。當開發強度大于2時，影響由負轉正；超過4時，影響效應趨于穩定(圖3-2)。

2)多樣性。當功能混合度小于0.5時，可提升街道活力，效應在0.2時達到最大(圖3-3)。當功能混合度超過0.5時，影響由正轉負，表明功能混合度并非越高越好。該結果與功能分類有關，功能混合度的探討應在類型與密度的前提下展開。

3)交通便利性。500m是地鐵與BRT站點影響街道活力的門檻距離。當街道與最近地鐵/BRT站點的距離小于500m時，街道活力較高；當該距離大于500m時，影響效應幾乎為0(圖3-4)。公交站點密度的影響近似“1”字形，較為微弱，主要由于公交站點需步行可達，在空間分布上具有均質性(圖3-5)。

4)設計。主干路活力最高，其次為支路(圖3-6)，這與廈門島土地開發模式有關。廈門島街段長度較為合理，平均203m(表1)，差異不明顯(圖3-7)。當寬高比在1～1.8時，尺度宜人，更容易集聚人群(圖3-8)。當綠視率小于0.23時，可提升街道活力(圖3-9)。過高的綠化條件意味著稀疏的街道功能，缺乏必要的公共服務設施，難以聚集大量人氣。當開敞度大于0.4時，正向效應轉為負向(圖3-10)，其原因與綠視率相似。當可步行性大于0.02時，對于街道活力的影響基本保持穩定(圖3-11)。

5)可達性。當距離大于1 000m時，影響幾乎為0(圖3-12)。當區位大于1 000m時，休息日比工作日表現出更強烈的抑制作用。當網絡穿行度小于5時，影響為負，表明這類街道未達到基本出行需求(圖3-13)。當網絡穿行度大于5時，街道一般為支路，街道活力隨其增加而提升。

圖3 建成環境指標對街道活力的非線性效應

3.3 建成環境指標的交互效應

計算建成環境變量兩兩之間的交互效應，分別選擇工作日和休息日子樣本中交互作用最強的10對，分析環境變量對街道活力的影響如何隨另一個變量的變化而增大或減小(圖4)。

圖4 建成環境指標的交互效應

有7對變量的交互效應在工作日和休息日均排序前10。1)在開敞度較高的景觀性街道上，綠化可以吸引更多活動。當綠視率大于0.25時，二者交互效應為負。2)隨著開發強度增大，功能越混合的街道活力越高。3)在高開發強度街道上，適當提升開敞度可有效增加空間舒適感。4)當開發強度大于2且綠視率小于0.4時，會產生正向交互效應。5)區位與開發強度的同步提升可顯著促進街道活力。6)當街道位于地鐵、BRT站點周邊500m范圍內時，開發強度的作用較強。7)當區位小于1 000m時，地鐵/BRT站點對街道活力的提升作用顯著。

此外，在工作日，當街道至最近地鐵或BRT站點小于500m時，開敞度影響較大。當綠視率小于0.25或開敞度小于0.4時，網絡穿行度可顯著提升街道活力。在休息日，開敞度較低的街道功能越混合，活力越高。然而，當開敞度較高時，即使提升混合也無法促進活力。距離商業中心越近的街道，功能混合度的影響也越大。

3.4 不同類型街道的活力形成機制

基于13個建成環境指標，對街道進行聚類。使用迭代鄰域聚類分析(Iterative Neighborhood Cluster Analysis，INCA)，通過INCA指數確定最優聚類數。計算發現，聚5類INCA指數最高(圖5-1)，各類街道的數量見圖5-2，空間分布見圖5-3。

圖5 街道聚類結果及空間分布情況

A類街道大多分布在發展成熟的老城區及綜合居住片區。開發強度、綠視率和網絡穿行度顯著促進活力，而與最近地鐵/BRT站點較遠的距離(810m)是抑制活力的首要因素(圖6-1)。

B類街道主要位于筼筜湖、軟件園等行政與商務區。較高的開發強度、功能混合度及較低的開敞度可提升活力(圖6-2)。在工作日，綠視率顯著抑制活力；在休息日，距商業中心較遠(1 936m)顯著抑制活力。

C類街道主要位于工業區、物流區及會展中心等特定功能區域，開發強度較低，距離中心較遠，公共服務設施少且類型單一。開敞度(0.5)及距離地鐵/BRT站點較遠是主要限制因素(圖6-3)。

D類街道分布在廈門島邊緣地區，主要包括北部機場空港片區及東南側環島路片區，距市中心較遠，配套設施較稀疏。較高開敞度(0.5)、較低開發強度(1.4)及距離地鐵/BRT站點遠達2 000m均抑制了街道活力(圖6-4)。

E類街道主要為景區道路及景觀性街道。雖然景觀環境較好，綠視率和開敞度較高，但距離地鐵/BRT站點較遠，功能相對單一且稀疏。較高的開敞度(0.5)與綠視率(0.3)及較低的開發強度是主要抑制因素(圖6-5)。

圖6 5類街道典型案例的活力形成機制

4 討論

4.1 對街道精細化設計的啟示與建議

在城市層面上，提升開發強度是促進街道活力最有效的措施。改變街道等級和街段長度、改善可步行性對街道活力的作用有限。在用地開發充分、功能密集的街道上，即使步行環境有所欠缺，依然能聚集大量人群。與工作日相比，餐飲、娛樂、休閑、公共服務等多樣化功能為主的界面在休息日吸引力更強。

只有將建成環境要素控制在合理范圍內才能有效提升街道活力。明確環境要素的閾值范圍可以減少街道設計中的不確定性。當開發強度大于2或功能混合度在0.2～0.5時，建成環境可激發街道活力。地鐵/BRT站點與商業中心分別對周邊500和1 000m范圍內的街道活力促進作用顯著。當街段寬高比為1～1.8，或網絡穿行度大于5時，街道活力會有效提升。

改變某一環境要素會導致其他環境要素的影響發生變化，街道設計應綜合考慮環境要素間的交互效應。開發強度可加強其他要素的影響，在交互中一般處于主導地位。高綠視率與開敞度均抑制活力，二者交互加劇削弱活力，不宜過度增加街道兩側廣場與綠化面積，尤其在景觀性街道上，應結合功能進行合理配置。在地鐵/BRT站點周邊500m或商業中心周邊1 000m內的街道上，功能混合度、開敞度等對街道活力的影響被強化。

不同類型街道的活力形成機制存在差異，應根據街道類型形成差異化的活力提升策略。功能密度與綠視率是提升老城區街道活力的主要因素。在商務辦公區，提升密度與多樣性可顯著提升街道活力。較高開敞度是抑制工業與物流園區及大型區域交通設施周邊街道活力的首要原因。對于景觀街道而言，改善交通便利性可顯著促進活力。

4.2 方法創新與研究意義：基于機器學習的客觀規律總結

本研究探討了一個非線性視角下的街道研究方法，對于大尺度上人與空間的關系研究具有參考意義。使用LBS數據、街景數據等基于人本尺度的多源大數據，可以大規模、精細化評估街道活力與建成環境，彌補傳統調查方法成本較高、時空范圍受限的不足。使用機器學習算法，不預設解釋變量與被解釋變量之間的關系，通過算法從大量數據中學習客觀規律，進而對新的樣本做出決策。研究結果發現了街道活力與建成環境之間的非線性關系，這為街道精細化設計的標準制定提供了有力支撐。此外，通過數據挖掘方法將街道按照環境屬性進行明確分類，提出不同類型街道的差異化設計策略，不僅在理論上為街道研究提供了以人為本的精細化、系統化回應，也在實踐上加強了數據驅動下街道空間品質提升策略的可操作性。

4.3 研究局限與未來探索

本研究存在以下局限：首先，基于廈門島得出的結果較為具體，仍需針對不同樣本進行驗證從而獲取更具普適性的結論；其次，街道活力是一個綜合概念，除活動強度外，還包含多樣性、時變特征等多方面內涵，未來可借助生理傳感器數據、虛擬現實技術、深度學習和強化學習等多源數據與前沿技術，完善關鍵變量的多維量化，將“人-時-地”信息進一步有效統籌，開展深層次的機制分析，從而滿足精準規劃與設計的需求。

5 結語

本研究使用多源大數據與機器學習算法，突破了傳統的線性假設，遵循空間活力形成的客觀規律，在城市層面考察了建成環境特征變量重要性、建成環境對街道活力的非線性效應和交互效應，以及不同類型街道的活力形成機制。

結果顯示，在城市層面，開發強度與空間設計對街道活力的影響最強。建成環境對街道活力的影響表現出非線性特征，一個變量的影響隨著另一個變量的變化會被放大或縮小。老城區、商務片區、工業與大型交通設施周邊區域及景觀性街道的活力形成機制存在顯著差異。

本研究可為政策制定者在街道設計與管理中的相關工作提供依據，輔助形成具有精細化設計標準的針對性策略，其中包括開發強度、功能多樣性、高寬比等指標的量化控制，以街道活力為導向的交通設施與商業中心選址，以及在資源有限的情況下，如何針對不同類型街道取得最有效的活力提升效果。

注：文中圖片均由作者繪制。

注釋：

① 極光Aurora Mobile是以開發者服務平臺、數據服務平臺、數據商業化平臺為中心的數據生態體系，監測約145.2萬移動應用程序端(Aps)，包括騰訊、百度、淘寶、新浪微博等主流APPs，具有較強的普及性和較廣的覆蓋性。數據采集機制包括周期性位置更新和事件觸發。