探讨建成环境与老年人地铁出行之间的关系：来自大连市的实证证据

《Journal of Transport & Health》：Exploring the relationship between the built environment and metro ridership among older adults: Evidence from Dalian, China

　　

摘要

**引言**

尽管适老化地铁规划日益受到关注，但目前尚不清楚哪些站点周边的建成环境要素与老年人的地铁使用存在关联。现有研究很少考察工作日与周末之间的差异或日内时间异质性，且传统模型在捕捉建成环境变量之间的非线性关系和交互作用方面往往存在局限性。

**方法**

本研究使用中国大连的地铁智能卡数据和建成环境数据。研究比较了三种传统基准模型和五种集成学习模型，并选取表现最佳的轻量级梯度提升机（LightGBM）模型，利用SHAP可加性解释（Shapley Additive Explanations）方法解读建成环境变量与老年人地铁客运量之间的关系，分别在工作日和周末背景下分析各变量的相对重要性、非线性关系和交互作用，每个时间背景均细分为四个时段。

**结果**

结果识别出路网密度、购物中心数量和棋牌室数量是与老年人地铁客运量相关的主导变量。非线性关系表明，在白天平峰时段（9:00–15:29），路网密度以及公交车站、购物中心、棋牌室、医院和药房的数量与地铁使用呈正相关，而人口密度、用地混合度以及交叉路口、市场、健身中心和公园/广场的数量则与客运量呈负相关。交互作用在白天平峰时段（9:00–15:29）和早高峰时段（6:30–8:59）最为显著，揭示出老年人的地铁使用与组合环境条件相关，而非仅受单一因素影响。

**结论**

这些发现为优化适老化地铁站点服务提供了实用见解，并为未来的交通规划提供参考，尤其是在为老龄化人口构建更加无障碍、协调和支撑性的出行系统的背景下。

**1. 引言**

随着全球人口老龄化趋势加剧，老年人在城市人口中的比例稳步上升。据世界卫生组织（WHO）数据，截至2019年，中国60岁及以上人口已达2.54亿，预计到2040年将增至4.02亿，占总人口的28%（World Health Organization, 2024）。与此同时，城市轨道交通系统也在快速扩张，成为城市交通网络的重要组成部分（Guzman and Oviedo, 2018; Gassner et al., 2018）。一方面，地铁系统具有高速、准时等优势，能有效满足老年人的日常出行需求（Malalgoda and Lim, 2019）。另一方面，站点布局复杂、换乘距离过长以及标识不清晰等问题可能构成老年人出行的障碍（Geyer, 2024）。因此，分析建成环境与地铁客运量之间的关系是建设适老化城市交通系统的关键步骤。

建成环境与地铁客运量之间的关系数十年来一直是城市地理学和交通研究的核心议题。实证证据一再表明，人口密度、用地多样性、街道网络设计和目的地可达性等要素是出行行为、出行方式和客运量动态变化的关键决定因素（Gan et al., 2021; Zheng et al., 2022; Liu et al., 2024）。高密度、混合用地区域能增强居民出行机会，同时改善其在人口密集城市中心对地铁等重要公共交通系统的可达性，最终与更高的客运量相关联（Cong et al., 2022; Zhu et al., 2023）。相反，低密度区域由于用地功能单一、交通基础设施有限，往往强化了居民对私家车的依赖，削弱了公共交通（包括地铁服务）的作用，从而导致客运量下降（Pimenta et al., 2023; Geyer, 2024; Zhang et al., 2024）。因此，优化建成环境并提升交通可达性——特别是通过改善地铁系统的覆盖范围和便利性——是减轻小汽车依赖、缓解交通拥堵和提高地铁客运量的有效策略。

尽管城市交通可达性在逐步提升，城市规划者必须优先考虑将弱势群体的出行需求纳入规划，尤其是老年人在公共交通出行中面临不成比例的障碍，并需特别关注地铁系统的公平使用问题（Sun and Lau, 2021; Ravensbergen et al., 2022; Zhang et al., 2026）。老年人常常受健康问题、行动能力受限等因素制约，使其利用公共交通更加困难（Ha et al., 2020; Ravensbergen et al., 2021）。在此背景下，公共交通的便利性对于提升该群体的出行能力尤为关键（Kovacs et al., 2020）。地铁作为一种高效且经济实惠的公共交通方式，为老年人提供了有价值的出行选择（Guzman and Oviedo, 2018; Gassner et al., 2018; Malalgoda and Lim, 2019）。然而，老年人的地铁使用与站点周边一系列复杂的建成环境因素相关，这些因素可能通过非线性关系和交互作用与客运量产生关联（Jia et al., 2026）。因此，识别与老年人地铁使用相关的关键变量对于理解其地铁出行需求和促进老龄化城市交通公平至关重要。

尽管人们对建成环境与地铁客运量之间关系的兴趣日益增长，但针对老年人的实证证据仍然有限，尤其是在工作日与周末之间的时间异质性以及不同时段之间的差异方面。此外，传统的基准模型——如普通最小二乘法（OLS）、泊松回归和广义可加模型（GAM）——可能不足以充分捕捉建成环境变量之间的非线性关系和交互作用。为弥补这一不足，本研究通过整合地铁智能卡数据和建成环境数据，在比较机器学习的框架下分析建成环境与老年人地铁客运量之间的关系。研究比较了五种集成学习模型——包括极端随机树（ET）、随机森林（RF）、梯度提升决策树（GBDT）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）——以识别表现最佳的模型。基于所选模型，采用SHAP可加性解释方法分析建成环境变量在工作日、周末及不同时段内的相对重要性、非线性关系和交互作用。通过将预测建模与可解释性分析相结合，本研究识别出与老年人地铁使用相关的关键环境变量，并为适老化站点区域规划和公平交通政策提供了实用见解。

本文结构如下。第2节回顾相关文献。第3节描述数据来源和方法。第4节呈现分析结果，包括相对重要性分析、非线性关系分析和交互作用分析。第5节讨论研究发现并提出政策建议。第6节总结研究。

**2. 文献综述**

**2.1 建成环境与地铁客运量**

建成环境是指人类活动所创造的空间结构，它通过多种要素与居民出行行为相关联，进而影响地铁客运量（Hong et al., 2014）。地铁客运量作为出行行为的重要表现，反映了在特定时间段内进出地铁站点的乘客数量（Luan et al., 2020; Du et al., 2022; Ma et al., 2024）。Ewing和Cervero（2010）基于元分析指出，不同地理层级的建成环境是出行行为的重要决定因素。城市层面的建成环境，包括城市密度、道路网络分布和用地布局，与居民的交通方式选择、车辆使用频率和出行距离密切相关（Dieleman et al., 2002）。在邻里层面，用地多样性、邻里设计、公共交通可达性和自行车基础设施是影响出行频率、出行目的和交通行为的关键因素（Ewing and Cervero, 2010; Zhou et al., 2026）。鉴于本研究聚焦于建成环境对地铁客运量的影响，区分地理层级尤为重要。地铁站点腹地层面的建成环境对地铁客运量具有更为直接和显著的影响（Zhu et al., 2019; Gan et al., 2020; Peng et al., 2025）。特别是腹地内的用地多样性、兴趣点数量和路网密度等因素会直接影响居民对地铁的依赖程度和使用频率。

在确定地理层级后，建成环境对地铁客运量的影响可通过五个关键特征——即"5D"要素：密度（Density）、多样性（Diversity）、设计（Design）、目的地可达性（Destination Accessibility）和公共交通距离（Distance to Public Transport）——进一步阐明（Cheng et al., 2019a, 2019b; Yang et al., 2022a, 2022b; Jia et al., 2022, 2026）。密度指的是腹地内人口或就业的集中程度（Ingvardson and Nielsen, 2018; Jin et al., 2022; Yang et al., 2022a）。Ingvardson和Nielsen（2018）通过关于人均公共交通客运量影响因素的分析发现，就业密度对客运量的影响强于人口密度。多样性涉及用地混合度，即区域内不同功能（如居住、商业、教育和休闲）的空间分布（Cheng et al., 2019a; Shao et al., 2020; Shi et al., 2021）。Shao等（2020）观察到用地混合度与客运量之间存在阈值关系，适当调整阈值范围可促进以公共交通为导向的开发（TOD）的实施。设计涵盖城市空间的规划和布局，包括街道连通性以及步行和骑行便利性（Cheng et al., 2019b; An et al., 2019; Jia et al., 2022）。An等（2019）对上海286个地铁站的研究发现，交叉口密度与客运量之间并未呈现出预期的相关性。目的地可达性表示居民到达日常目的地（如工作、教育和购物场所）的难易程度（Yang et al., 2019; Cheng et al., 2021; Li et al., 2022）。Li等（2022）通过实证研究证明，地铁站附近的商业设施能持续吸引员工等定期地铁乘客。公共交通距离指居民住所与最近地铁站之间的距离（Choi et al., 2012; Cheng et al., 2019c; Yang et al., 2022b）。Choi等（2012）进行了地铁站对站的客运量分析，观察到接驳公交线路数量与出发站和目的站的地铁客运量之间呈正相关。

**2.2 老年人的地铁客运量**

老年人的地铁使用与普通人群存在差异，反映出因年龄相关的身体功能、日常活动安排、出行偏好和公共交通环境敏感性方面的差异（Ning et al., 2021; Diao et al., 2024; Sun and Du, 2023; Yang et al., 2025; Jia et al., 2026）。具体而言，老年人的地铁出行通常具有更强的时间灵活性和更明显的日常生活服务导向，出行目的更多与购物、休闲、娱乐、就医和社交互动相关（He et al., 2022; Du et al., 2024; Jia et al., 2026）。凭借其高准时性、经济性和运营效率，地铁系统为老年人提供了重要的公共交通选择（Dilian et al., 2024; Lei et al., 2026）。然而，老年人也可能更容易受到站点周边环境障碍的影响，如接驳距离过长、接驳线路不足、步行环境差以及交叉口设置复杂等（Shi et al., 2022; Yang et al., 2024; Jia et al., 2026）。因此，老年人的地铁客运量不仅反映了出行需求的规模，还受到日常活动安排与地铁站点周边建成环境之间交互作用的影响。

在老年人中，建成环境与地铁客运量之间的关系变得更加具有群体特异性，因为站点周边环境与客运量之间的关系可能随其日常活动节奏和时间选择而变化（Shi et al., 2022; Yang et al., 2024; Jia et al., 2026）。Jia等（2026）指出，可达性好、连通性强且服务丰富的站点腹地与老年人的地铁使用呈正相关，而破碎的步行环境和薄弱的接驳线路则与老年人出行呈负相关。这种关系可能进一步随时间情境而变化。老年人通常拥有更为灵活的日常作息，因此更可能根据出行目的、避峰需求和交通服务可用性来调整其地铁出行时间（Boschmann and Brady, 2013; Szeto et al., 2017; Panahi et al., 2022; Su et al., 2022; Du and Sun, 2024; Huang et al., 2024; Shi et al., 2025）。在此情境下，同一建成环境要素在工作日与周末之间，以及一天内的不同时段之间，可能与地铁客运量呈现不同的关联。

白天时段可能与日常生活活动关联更为紧密，而晚间出行则可能更多地受到安全顾虑和外出活动意愿降低的限制（Szeto et al., 2017; Jia et al., 2026）。因此，仅基于日均客流或总客流的分析可能会掩盖站区环境塑造老年人地铁使用行为的时间变异机制。尽管先前的研究为理解老年人地铁出行提供了重要基础，但仍有一些问题有待进一步探讨。现有研究主要依赖传统基准模型，如OLS、泊松回归和GAM，更侧重于建成环境变量与客流之间的直接关联，而对非线性关系、交互作用和时间异质性关注相对有限。实际上，建成环境变量与老年人地铁客流之间的关联并不一定呈线性。例如，适度的服务设施集中度可能会刺激地铁出行需求，而过高的路口密度或过于复杂的街道环境可能会降低老年人前往地铁站的意愿（Yang et al., 2025）。此外，道路连通性、商业设施、医疗资源和公交-地铁接驳等变量并非独立运作，而是可能通过交互作用共同影响老年人的地铁出行（Jia et al., 2026）。因此，有必要通过可解释的机器学习方法，进一步识别工作日、周末和不同日常活动时段中建成环境变量的相对重要性、非线性关系和交互作用，从而更深入地理解与老年人地铁客流相关的环境机制。

3. 方法与数据
3.1. 研究设计
本研究旨在识别与老年人地铁使用相关的关键变量。研究框架（如图1所示）由四个顺序组成部分构成：数据准备、变量验证、模型比较和解释分析。首先，整合多源数据，包括地铁智能卡数据和建成环境数据。地铁客流从智能卡记录中提取，而建成环境数据分为密度和多样性属性、交通服务属性和生活相关服务属性。其次，进行变量验证过程以确保模型输入的可靠性和稳健性。地铁客流采用空间自相关分析（Moran's I）进行检查，以验证其空间依赖性及其作为出行行为代理变量的适用性。同时，建成环境变量采用容差和方差膨胀因子（VIF）进行多重共线性诊断，保留满足多重共线性标准的变量。第三，开发并比较多种机器学习模型，包括ET、RF、GBDT、XGBoost和LightGBM。使用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）等指标评估模型性能，并选择表现最佳的模型。随后，采用SHAP解释所选模型。最后，进行解释分析，探索潜在机制，包括相对重要性分析、非线性关系分析和交互作用分析，从而全面理解与老年人地铁使用相关的关键变量。

图1. 研究框架。

3.2. 数据
大连位于渤海湾经济区，是中国大陆第六大城市，也是辽宁省首个开通轨道交通的城市。截至2023年，大连总面积为12,574平方公里，常住人口约753.9万。60岁及以上的老年人超过182万，占总户籍人口的30.01%。研究区域包括七个区：甘井子区、中山区、沙河口区、西岗区、旅顺口区、金普新区和普兰店区（见图2）。

图2. 研究区域。

3.2.1. 地铁智能卡数据
本研究使用的地铁智能卡数据由大连公共交通建设投资集团有限公司提供。为减少天气、节假日和特殊事件造成的潜在干扰，从2024年6月1日至30日的数据中选取6月15日至6月30日的交易记录，包含十个工作日和六个周末日。所选日期不包含法定节假日，主要特征是晴天、多云或阴天，没有可能扰乱地铁出行的恶劣天气条件或实质改变运营的特殊事件。数据包含卡号、地铁线路、卡类型、站点、交易时间、折扣金额和票价信息。老年人（60岁及以上）的智能卡记录通过卡类型识别，占所有交易的16.72%。分析随后分别针对工作日和周末考察老年人的地铁客流。

鉴于大连各地铁线路服务频率的日内变化及运营安排的差异，参照实际服务条件和相关研究（Chen et al., 2019; Adnan et al., 2020; Güller, 2025），将6:30至22:00的日内时段划分为四个连续区间：早高峰时段（6:30-8:59）、白天平峰时段（9:00-15:29）、晚高峰时段（15:30-17:59）和晚间平峰时段（18:00-22:00）。表1展示了这些时段地铁客流的描述性统计。老年人的地铁客流在工作日高于周末，尤其是在早高峰时段。工作日和周末白天平峰时段的平均客流最高，分别达到200.81和185.27，表明老年人的地铁出行主要集中在白天。相比之下，晚间平峰时段的平均客流最低，工作日为49.85，周末为47.27。

表1. 地铁客流的描述性统计。

3.2.2. 建成环境数据
本研究基于"5D"框架识别了建成环境指标的三类：密度和多样性属性、交通服务属性和生活相关服务属性。密度和多样性属性包括人口密度和土地利用混合度。交通服务属性进一步细分为道路密度、公交站点数量、路口数量和停车场数量，而生活相关服务属性包括购物中心、市场、棋牌室、健身中心、公园/广场、医院、诊所和药店数量。地铁站坐标和道路网络数据从OpenStreetMap（https://www.openstreetmap.org/）提取，而公交站点、路口、停车场和各种服务设施数据从高德地图（https://gaode.com/）获取。所有数据均于2024年6月1日至6月30日期间收集。基于站点坐标，创建了地铁站空间点图层，并在每个站点周围构建了500米径向缓冲区来定义站区建成环境。缓冲区大小的确定参考了导向型开发（TOD）原则和《大连轨道交通专项规划（2021-2035）》。建成环境变量与站点缓冲区进行空间匹配，按每个地铁站汇总，并按以下规则进行预处理：

规则1：根据高德地图提供的唯一标识符删除完全重复的记录，而标识符不同但设施名称、地址和类型相同的记录进行人工核实，如果指向同一设施则仅保留一条记录。
规则2：每个设施在一个站点500米缓冲区内只计数一次，但如果落在相邻站点重叠缓冲区内，可以为多个站点计数（An et al., 2019; Liu et al., 2019）。
规则3：兴趣点（POI）根据其服务功能和原始高德地图分类一致地分配给以下研究变量：购物中心、市场、棋牌室、健身中心、公园/广场、医院、诊所和药店（Chen et al., 2019; Cheng et al., 2021）。原始POI类型、纳入标准和对应的研究变量报告于附录A。
规则4：每个具有独立名称和位置的综合商业体作为购物中心计数一次，而综合体内的独立命名设施（如药店和健身中心）则保留在对应类型中。
规则5：标记为关闭、临时关闭或搬迁的设施被删除，而名称缺失、地址不完整或设施名称与类型不一致的记录通过高德地图信息进行人工核实。

此外，土地利用混合度考虑五种类别，即住宅、商业、教育、娱乐和公共服务（Cheng et al., 2019b; Jia et al., 2026）。计算公式如下：
(1) L = -Σ_r (P_r × ln(P_r)) / ln(I)，r=1,2,...,I
其中L表示土地利用混合度，范围为0（同质性）到1（多样性），P表示第r类土地利用的比例，I是土地利用类型的数量。

表2展示了每个地铁站500米径向缓冲区（也称为集客区）内的建成环境特征。平均人口密度为19.14，标准差为28.35，表明站点周围人口分布存在差异。平均土地利用混合度为0.79，标准差为0.28，表明大多数地区的土地利用混合度较为均衡。道路密度、公交站点数量、路口数量和停车场数量等交通基础设施的分布在站点之间差异显著，突出了不同站点之间基础设施分布的不均衡性。同样，购物中心、市场、棋牌室、健身中心、公园/广场、医院、诊所和药店等POI的分布也表现出类似的差异，反映了站点周围商业、娱乐、医疗和其他服务设施分布的不均衡性。

表2. 建成环境的描述性统计。

3.3. 建模方法
为识别建成环境变量与老年人地铁客流之间的相对重要性、非线性关系和交互作用，同时在预测精度和可解释性之间保持平衡，建立了三阶段机器学习框架（Kashif et al., 2022; Yang et al., 2024; Jia et al., 2026）。该框架包括多模型开发、模型评估和最佳模型选择，以及基于SHAP的解释分析。

步骤1 多模型开发
令在地铁站i观测到的老年人地铁客流表示为y_i，对应的建成环境变量为x_i = (x_i1, x_i2, ..., x_im)，其中m是解释变量的数量。目标是学习建成环境与地铁客流之间的映射关系：
(2) y_i = f(x_i) + ε_i
其中f(·)是待估计的预测函数，ε_i是随机误差。

为缓解依赖单一模型产生的潜在偏差，引入五种代表性的树集成学习算法进行对比分析，包括ET、RF、GBDT、XGBoost和LightGBM（Kashif et al., 2022; Yang et al., 2024; Xie and Liao, 2025; Jia et al., 2026）。这些模型代表了bagging和boosting两种范式，能够捕获复杂的非线性和高阶交互作用（Yang et al., 2024; Xie and Liao, 2025）。

以LightGBM为例，最终预测通过加性boosting过程生成，其中多个决策树依次拟合残差误差：
(3) ?_i = Σ_{t=1}^T η × h_t(x_i)
其中T是树的数量，h_t(·)表示第t棵回归树的预测，η是控制每棵树贡献的学习率。

步骤2 模型评估和最佳模型选择
使用三个指标评估候选模型的预测性能：RMSE、MAE和R2（Yang et al., 2024; Jia et al., 2026）。

设观测客流量为 $y_i$，预测客流量为 $\hat{y}_i$，样本量为 $N$。这些指标定义如下：

(4) $RMSE = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2}$

(5) $MAE = \frac{1}{N}\sum_{i=1}^{N}|y_i - \hat{y}_i|$

(6) $R^2 = 1 - \frac{\sum_{i=1}^{N}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{N}(y_i - \bar{y})^2}$

其中 $\bar{y}$ 为观测客流量的均值。$R^2$ 越大表明解释力越强，而 MAE 和 RMSE 值越小则意味着预测误差越低。选择综合表现最优的模型用于后续解释分析。

**第三步：基于SHAP的解释分析**

尽管集成学习模型通常表现出较强的预测性能，但其内部决策过程难以直接解读。因此，采用SHAP量化各解释变量的边际贡献（Wu et al., 2023; Jia et al., 2026）。特征 $x$ 的Shapley值定义为：

(7) $\phi_x = \sum_{S \subseteq N \setminus \{x\}} \frac{|S|! \cdot (|N| - |S| - 1)!}{|N|!} [f_{S \cup \{x\}}(x_{S \cup \{x\}}) - f_S(x_S)]$

对于个体预测，模型输出可分解为：

(8) $f(x) = \phi_0 + \sum_{j=1}^{m} \phi_j$

其中 $\phi_0$ 为基准预测值，$\phi_j$ 为变量 $j$ 的贡献值。

基于SHAP输出，进行相对重要性分析以识别解释变量的比较贡献（见第4.3节），利用非线性关系分析检测阈值响应和边际变化（见第4.4节），并开展交互分析以揭示变量对之间的协同关系（见第4.5节）。

## 4. 结果

### 4.1 变量验证

利用空间自相关分析（Moran's I）检验工作日和周末老年人地铁客流量的空间依赖性（Radzimski and Dzi?cielski, 2021; Dong et al., 2023）。表3展示了四个时间段的相应结果。工作日Moran指数范围为0.24至0.33，z得分在5.31至7.45之间，p值为0.00。周末Moran指数范围为0.20至0.29，z得分在4.65至6.64之间，p值为0.00。这些结果表明工作日和周末均存在显著的正向空间自相关，而局部空间关联结果（见图3、图4）进一步显示，高-高集聚主要集中于城市核心区，低-低集聚则主要分布于外围站点。这些发现验证了老年人地铁客流量的空间依赖性，并进一步支持其作为出行行为可靠替代变量的适用性。

**表3. 地铁客流量的空间自相关**

| 类别 | Moran指数 | z得分 | p值 |
|------|-----------|-------|-----|
| 工作日老年人 | | | |
| 早高峰时段（6:30-8:59） | 0.24 | 5.31 | 0.00 |
| 日间平峰时段（9:00-15:29） | 0.25 | 5.66 | 0.00 |
| 晚高峰时段（15:30-17:59） | 0.25 | 6.03 | 0.00 |
| 夜间平峰时段（18:00-22:00） | 0.33 | 7.45 | 0.00 |
| 周末老年人 | | | |
| 早高峰时段（6:30-8:59） | 0.20 | 4.65 | 0.00 |
| 日间平峰时段（9:00-15:29） | 0.23 | 5.25 | 0.00 |
| 晚高峰时段（15:30-17:59） | 0.20 | 4.87 | 0.00 |
| 夜间平峰时段（18:00-22:00） | 0.29 | 6.64 | 0.00 |

*图3. 工作日地铁客流量的空间自相关*

*图4. 周末地铁客流量的空间自相关*

随后，检验容差（tolerance）和方差膨胀因子（VIF）以诊断多重共线性，诊断标准设定为容差 > 0.2 且 VIF < 5（Cheng et al., 2021; Jia et al., 2022）。表4中解释变量的共线性诊断结果显示，停车场数量与交叉口数量之间存在共线性问题，诊所数量与医院及药店数量之间同样存在共线性问题。因此，在最终共线性诊断中，剔除了停车场数量和诊所数量，以减轻多重共线性对后续分析的影响。

**表4. 解释变量的共线性诊断**

| 变量 | 首次共线性诊断 | | 最终共线性诊断 | |
|------|---------------|---|---------------|---|
| | 容差 | VIF | 容差 | VIF |
| PD | 0.334 | 2.998 | 0.355 | 2.815 |
| LUM | 0.527 | 1.896 | 0.538 | 1.859 |
| RD | 0.270 | 3.705 | 0.288 | 3.470 |
| NBS | 0.342 | 2.927 | 0.344 | 2.905 |
| NI | 0.213 | 4.692 | 0.246 | 4.066 |
| NPL | 0.167 | 6.005 | —— | —— |
| NSM | 0.335 | 2.982 | 0.336 | 2.973 |
| NM | 0.472 | 2.120 | 0.564 | 1.774 |
| NCR | 0.426 | 2.350 | 0.506 | 1.975 |
| NFC | 0.363 | 2.752 | 0.452 | 2.213 |
| NPS | 0.335 | 2.983 | 0.386 | 2.591 |
| NH | 0.231 | 4.338 | 0.265 | 3.774 |
| NC | 0.188 | 5.326 | —— | —— |
| NP | 0.248 | 4.031 | 0.324 | 3.085 |

### 4.2 模型比较

为减轻过度依赖单一模型带来的潜在偏差，比较了三个传统基准模型（包括OLS、泊松回归和GAM）以及五个集成学习算法（包括ET、RF、GBDT、XGBoost和LightGBM）。采用RMSE、MAE和$R^2$作为评价指标。如附录B所示，在八个场景中，集成学习模型普遍实现了比传统基准模型更低的RMSE和MAE以及更高的$R^2$。在集成学习模型中，基于提升的模型通常优于基于装袋的模型。同时，在所有候选模型中，LightGBM表现出最佳的综合性能。尽管XGBoost在少数场景中略优于LightGBM，但差异仍处于边际水平。通过综合考虑由较低RMSE和MAE所体现的预测精度、由较高$R^2$所指示的解释能力以及跨多场景持续稳健的表现，最终选择LightGBM用于后续解释分析（Kashif et al., 2022; Jia et al., 2026）。

对于LightGBM，采用随机搜索策略结合5折交叉验证来确定相对最优的超参数组合。每次迭代中，将原始样本随机分为五个子集，其中四个子集（80%的数据）用于模型训练，剩余一个子集（20%的数据）用于测试。超参数调优主要关注三个关键参数，包括收缩系数、树复杂度和树的数量。具体而言，收缩系数的候选值设为0.02、0.04和0.06，树复杂度的候选值设为2、3和4，树数量的候选值设为300、500和800（Wu et al., 2023; Jia et al., 2026）。如表5所示，八个场景的最优超参数组合各不相同。具体而言，周末早高峰时段（6:30-8:59）、日间平峰时段（9:00-15:29）和晚高峰时段（15:30-17:59）选择收缩系数为0.06、树复杂度为3；而其余五个场景则选择收缩系数为0.04、树复杂度为4。关于树的数量，六个场景选择800棵树，而工作日日间平峰时段（9:00-15:29）和周末夜间平峰时段（18:00-22:00）则选择500棵树。

**表5. LightGBM在八个场景中的最优超参数**

| 场景 | 收缩系数 | 树复杂度 | 树的数量 |
|------|---------|---------|---------|
| 工作日老年人 | | | |
| 早高峰时段（6:30-8:59） | 0.04 | 4 | 800 |
| 日间平峰时段（9:00-15:29） | 0.04 | 4 | 500 |
| 晚高峰时段（15:30-17:59） | 0.04 | 4 | 800 |
| 夜间平峰时段（18:00-22:00） | 0.04 | 4 | 800 |
| 周末老年人 | | | |
| 早高峰时段（6:30-8:59） | 0.06 | 3 | 800 |
| 日间平峰时段（9:00-15:29） | 0.06 | 3 | 800 |
| 晚高峰时段（15:30-17:59） | 0.06 | 3 | 800 |
| 夜间平峰时段（18:00-22:00） | 0.04 | 4 | 500 |

### 4.3 相对重要性分析

图5展示了八个场景中建成环境变量对解释老年人地铁客流量的相对重要性。结果显示，RD、NSM和NCR始终位列贡献最高的变量之列。在工作日的四个时段中，这三个变量的综合贡献分别为49.62%、52.74%、47.28%和50.39%，而周末对应的数值分别为46.82%、59.23%、51.04%和52.37%。这表明老年人地铁客流量在很大程度上与少数核心环境属性相关。

*图5. 建成环境变量的相对重要性*

在这些关键变量中，RD表现出高且稳定的贡献，在所有八个场景中均排名前两位。其贡献在工作日为15.34%至20.96%，周末为16.01%至19.38%，表明路网连通性构成支持老年人地铁可达性的基本前提（Yang et al., 2024; Jia et al., 2026）。NSM在八个场景中的六个记录了最高贡献，其在工作日日间平峰时段（9:00-15:29）的贡献达到25.81%，在周末相同时段进一步上升至27.51%。这反映了商业目的地与老年人地铁出行需求之间的密切联系（Cheng et al., 2019b; Huang et al., 2024）。NCR在早高峰时段尤为重要，工作日排名第一，贡献为23.92%，周末排名第二，贡献为15.25%，凸显了休闲与社交设施在塑造老年人早间地铁出行中的作用（Cheng et al., 2021; Jia et al., 2022）。

PD、NFC和NP通常属于中等层级，并表现出明显的时段变化。PD在工作日和周末夜间平峰时段的贡献相对较高，分别达到12.65%和11.32%。同样，NFC在工作日和周末夜间平峰时段的贡献也相对较高，分别为10.00%和10.74%。同时，NP在工作日日间平峰时段的贡献更多，达到14.88%，在周末相同时段仍然重要，这可能反映了就医出行倾向于安排在白天的趋势。相比之下，LUM、NBS、NI、NM、NPS和NH在大多数场景中贡献有限。

### 4.4 非线性关系分析

#### 4.4.1 密度与多样性属性的非线性关系

图6(a)展示了工作日和周末四个时段中PD与老年人地铁客流量之间的非线性关系。可以观察到，PD在不同时段与客流量的关联方式不同，但整体变化趋势在工作日与周末之间基本一致。在早高峰时段（6:30-8:59），PD在较低数值时呈正相关，但其SHAP值在约16处迅速下降并转为负值，表明超过此阈值后呈更强的负相关。该发现与Jia et al.（2026）的报告一致，后者指出在高密度地铁站区快速或临时性活动较少。相比之下，在周末日间平峰时段（9:00-15:29），PD与客流量之间的关系明显弱于早高峰时段，并呈现相对温和的下降趋势。晚高峰时段（15:30-17:59）和夜间平峰时段（18:00-22:00）的曲线波动仅轻微，表明PD与地铁客流量在这两个时段的相关性较弱。

*图6. 密度与多样性属性的非线性关系*

图6(b)展示了LUM与老年人地铁客流量之间的非线性关系。在大多数场景中，SHAP值随土地利用混合度增加而下降，最大变化出现在日间平峰时段（9:00-15:29）。在此期间，SHAP值在约0.9处逐渐转为负值，表明超过此阈值后负相关增强。这与Yang et al.（2024）的发现相似，后者发现老年人地铁客流量随土地利用混合度增加至一定点后下降。相比之下，LUM在其他三个时段与客流量的关联弱于日间平峰时段，其中早高峰时段（6:30-8:59）和晚高峰时段（15:30-17:59）表现出次级相关性，而夜间平峰时段（18:00-22:00）的相关性相对较弱。

#### 4.4.2 交通服务属性的非线性关系

图7(a)展示了RD与老年人地铁客流量在工作日和周末之间的非线性关系。在所有场景中，SHAP值通常随RD从低度升至中程度而增加。RD在约14-16处从负值转为正值，并在约22-24处趋于稳定。最强的关联出现在日间平峰时段（9:00-15:29），其次是早高峰时段（6:30-8:59）和晚高峰时段（15:30-17:59），而该关联在夜间平峰时段（18:00-22:00）最弱。这表明良好的路网连通性可能通过改善步行可达性和促进地铁站可达性而与老年人更高的客流量相关。这与Yang et al.（2022a）的发现相似，后者报告了路网密度与老年人主动出行时间之间的正相关。日间平峰时段（9:00-15:29）的关联更强可能与老年人在此期间更多地参与自由裁量活动有关（Cheng et al., 2019b, 2021）。

*图7. 交通服务属性的非线性关系*

图7(b)描绘了八个场景中NBS与老年人地铁客流量之间的非线性关系。与RD观察到的关联类似，SHAP值随NBS增加而上升，在约3-4处转为正值，此后继续增加。这表明公交站点供给量越大，通常与老年人更高的地铁出行需求相关。这可能是因为公交-地铁一体化接驳扩大了地铁站对老年人的服务覆盖范围（Jia et al., 2022; Peng et al., 2025）。该关联在日间平峰时段（9:00-15:29）更强，这可能与老年人在此期间更多地参与自由裁量活动以及相应的公交-地铁接驳重要性有关（Yang et al., 2024）。

图7(c)描述了NI与老年人地铁客流量之间的非线性关系。与RD和NBS观察到的关联不同，在所有场景中，NI的SHAP值随交叉口数量增加呈下降趋势，在约12-24处转为负值。

这一发现表明，尽管较高的交叉口数量通常意味着更好的道路连通性，但过于密集的交叉口网络也可能产生更复杂的交通环境以及更大的交通冲突风险，从而降低老年人到达地铁站的便利性和安全性（Gan et al., 2020; Ding et al., 2022; Jia et al., 2026）。此外，在早高峰时段（6:30-8:59）和白天平峰时段（9:00-15:29），这种负相关关系更强，可能是因为老年人在出行更为频繁的时段对步行通达条件更为敏感。

4.4.3. 生活相关服务属性的非线性关系

图8(a)绘制了NSM与老年人地铁客流量之间在八个工作日和周末情景下的非线性关系。如图所示，在白天平峰时段（9:00-15:29），SHAP值随NSM的增长迅速上升，在约2时转为正值，并在此阈值之上呈现出更强的正相关关系。一个合理的解释是，老年人在平峰时段通常拥有更大的时间弹性，使得购物相关活动更可能发生（Gan et al., 2020; Jia et al., 2022; Peng et al., 2025）。相比之下，其余六个情景表现出相对较弱的响应，SHAP值在零附近仅略有波动，表明在这些时段内NSM与地铁客流量的相关性相对有限。

图8(b)展示了NM与老年人地铁客流量在八个情景下的非线性关系。在工作日和周末的白天平峰时段（9:00-15:29），SHAP值随NM的增加而显著下降，表明较多的菜场数量可能对应着老年人更低的地铁客流量。这一现象意味着老年人倾向于选择附近的社区菜场进行日常采购，从而减少了对中长途地铁出行的需求。另一个原因是菜场通常嵌入在社区生活圈中，相关消费需求往往可以通过短距离步行来实现。这与Zhou等（2022）的发现一致，他们发现老年人在访问日常生活设施时表现出对空间邻近性的明显偏好，而本地化的设施供给可以减少长途出行的需求。相反，其余六个情景表现出与NSM大致相似的关联，每个情景中的相关性均相对有限。

老年人地铁客流量与NCR之间的非线性关系展示在图8(c)中。在工作日和周末的早高峰时段（6:30-8:59）和白天平峰时段（9:00-15:29），SHAP值随NCR的增长迅速上升，并在约9-12时达到相对较高的值，随后整体趋于稳定或略有下降。这表明棋牌娱乐设施的适度集中可能与老年人较高的地铁客流量相关。这一发现与Ravensbergen等（2022）的讨论相似，他们强调地铁系统对老年人的一项重要价值在于提供通往社交和休闲目的地的途径。相比之下，在下午高峰时段（15:30-17:59）和晚间平峰时段（18:00-22:00），整体关联性相对较弱。这揭示了棋牌室作为休闲和社交场所，可能在白天活动时段促进老年人的地铁出行（Ryan and Pereira, 2021; Chung et al., 2026）。

图8(d)显示了NFC与老年人地铁客流量在工作日和周末之间的非线性关系。结果表明，相对于下午高峰时段（15:30-17:59）和晚间平峰时段（18:00-22:00），NFC在早高峰时段（6:30-8:59）和白天平峰时段（9:00-15:29）表现出负相关关系。具体而言，SHAP值随NFC的增加而迅速下降，下降趋势在早高峰时段（6:30-8:59）更为明显，SHAP值在约3时转为负值。这一发现可能反映了健身活动的空间邻近性特征（Wei et al., 2025; Zou et al., 2026）。对于老年人而言，类似于NM，健身活动同样嵌入在社区生活圈内，健身场所提供的体育锻炼通常可以通过短距离步行来实现，从而成为地铁出行的替代方式。

图8(e)描绘了NPS与老年人地铁客流量在八个情景下的非线性关系。与NM和NFC所观察到的关联类似，在大多数情景中，SHAP值随NPS的增加呈下降趋势，表明更多的公园和广场供给可能对应着老年人更低的地铁客流量。一旦NPS超过约2，周末的下降趋势强于工作日。一个合理的解释是，公园和广场作为典型的开放式公共活动空间，可以满足老年人日常休闲和社交互动的需求。对于居住在此类设施附近的老年人，这些目的地通常可以通过步行到达，从而减少了对地铁出行的依赖（Kim et al., 2024; Angel et al., 2024）。对于居住较远的老年人，他们往往选择住处附近的替代性休闲和社交场所，因此公园和广场对地铁出行需求的贡献相对有限（Ravensbergen et al., 2022; Toger et al., 2023）。

图8(f)展示了NH与老年人地铁客流量的关系。在大多数情景中，SHAP值随NH的增加呈上升趋势，表明NH与地铁客流量之间存在正相关关系。这种关联在白天平峰时段（9:00-15:29）尤为突出。在工作日和周末，曲线均呈现快速上升趋势，一旦NH超过约6，SHAP值明显增大，并随着NH的继续增加保持在相对较高水平。这可能是因为白天平峰时段通常对应门诊就诊、健康体检、康复治疗和陪同护理的主要服务时间，同时也能避免早高峰和下午高峰时段的拥堵。这与Chung等（2026）报道的证据一致，他们发现老年人通常在白天进行医疗相关出行，并更加重视出行舒适度。

图8(g)说明了NP与老年人地铁客流量在八个情景下的非线性关系。相对于工作日和周末的下午高峰时段（15:30-17:59）和晚间平峰时段（18:00-22:00），NP在早高峰时段（6:30-8:59）和白天平峰时段（9:00-15:29）表现出正相关关系。特别值得注意的是，一旦NP超过约10，其贡献变得更加明显，其中在白天平峰时段（9:00-15:29）观察到最强的正相关关系。这进一步印证了老年人健康相关出行表现出明显的平峰倾向，更倾向于选择相对灵活的9:00-15:29白天时段来完成购药、配药和复诊取药等活动（Ravensbergen et al., 2022; Wei et al., 2025; Chung et al., 2026）。

4.5. 交互分析

在相对重要性分析和非线性关系分析的基础上，本节进一步探讨了建成环境变量与老年人地铁客流量之间的交互作用。如图9所示，建成环境与老年人地铁客流量之间的关系不仅体现在单一变量的独立关联上，还体现在不同变量对之间的交互作用中，并且这些交互作用表现出明显的时空异质性（Wu et al., 2023; Xie and Liao, 2025; Dong et al., 2025; Jia et al., 2026）。在八个情景中，最强的交互作用出现在白天平峰时段（9:00-15:29），其次是早高峰时段（6:30-8:59），在下午高峰时段（15:30-17:59）大幅减弱，并在晚间平峰时段（18:00-22:00）最弱。这种时间变化可能与老年人的活动安排有关（Ryan and Pereira, 2021; Ravensbergen et al., 2022; Wei et al., 2025; Chung et al., 2026）。

不同变量组合之间的交互强度表现出明显的层级结构（Xie and Liao, 2025; Dong et al., 2025; Jia et al., 2026）。高交互作用（6.00-7.50）集中在白天平峰时段（9:00-15:29），包括工作日中RD与PD（6.24）以及RD与NSM（6.17）的组合，以及周末中RD与PD（6.61）和RD与NSM（7.23）的组合。中等偏高交互作用（4.50-6.00）出现在早高峰时段（6:30-8:59）和白天平峰时段（9:00-15:29），包括早高峰时段工作日RD与PD（5.25）和周末RD与PD（4.56），以及白天平峰时段工作日中NSM与NM（5.13）、NSM与NH（5.45）和NSM与NP（5.06）。其余大多数变量对的交互值低于4.50。

有趣的是，RD与多个变量呈现出相对较强的交互作用，这可能反映了道路网络在连接老年人居住区、地铁站和各种活动场所方面所发挥的基础性作用（Cheng et al., 2019a; Yang et al., 2024）。同时，NSM也与NM、NH和NP等变量形成交互作用，表明老年人的购物活动常常伴随着其他日常活动，如前往菜场、医院和药店（Dianin et al., 2026; Chung et al., 2026）。为了进一步揭示涉及关键变量的交互作用，以RD为例，进一步考察了其与PD、LUM、NSM和NCR的交互散点图（图10）。结果进一步支持了图9的发现：交互作用在白天平峰时段（9:00-15:29）最强，其次是早高峰时段（6:30-8:59），在下午高峰时段（15:30-17:59）减弱，并在晚间平峰时段（18:00-22:00）最弱。

5. 讨论与政策建议

本研究基于大连的地铁刷卡数据和站点区域建成环境数据，开发了一个用于分析老年人地铁客流量的可解释机器学习框架，并对建成环境与老年人地铁出行需求之间的关系进行了系统解读。与以往主要依赖传统基准模型（如OLS、Poisson回归和GAM）的研究不同，我们通过多种算法的比较评估确定LightGBM为最优模型，并进一步采用SHAP方法从相对重要性、非线性关系和交互作用三个角度解读建成环境变量的关联性（Kashif et al., 2022; Xie and Liao, 2025）。在第4.3节中，相对重要性分析表明RD、NSM和NCR是解释老年人地铁客流量的主要建成环境变量。这三个变量在四个工作日时段的合计贡献分别达到49.62%、52.74%、47.28%和50.39%，而在四个周末时段的对应值分别为46.82%、59.23%、51.04%和52.37%，表明老年人的地铁出行需求在很大程度上受少数环境属性的制约（Cheng et al., 2019b; Yang et al., 2024; Jia et al., 2026）。PD、NFC和NP通常属于中等水平，而LUM、NBS、NI、NM、NPS和NH在大多数情景中的贡献相对有限。

密度和多样性属性的非线性关系在第4.4.1节中进行了阐述，揭示了PD和LUM与老年人地铁客流量关联的时间依赖性。在工作日和周末，PD在早高峰时段（6:30-8:59）的负相关关系强于其他三个时段，特别是在PD超过约16时。这一发现可能归因于较高PD站点周边的活动更加集中（Jia et al., 2022, 2026）。在早高峰期间，这种集中更容易与站点和车厢内的拥挤情况重合，造成相对较差的出行舒适度，从而降低老年人使用地铁服务的意愿（Ha et al., 2020; Yang et al., 2025）。相比之下，LUM的负相关在白天平峰时段（9:00-15:29）更为明显，SHAP值在约0.9时逐渐转为负值。

这可能反映了老年人对非高峰时段出行的偏好（Szeto等人，2017；Lei等人，2026），而适度的土地利用混合度能够维持足够的功能多样性并限制活动环境的复杂性（Ewing和Cervero，2010；Yang等人，2024；Geyer，2024），这更符合老年人的空间认知特征。第4.4.2节表明，在工作日和周末，RD和NBS的SHAP值均随两者数值增加而上升。RD在大约14-16处由负转正，并在约22-24处趋于稳定，而NBS在大约3-4处转为正值并持续上升。这些结果表明，完善的路网和一体化的公交-地铁衔接通过改善站点可达性和服务范围覆盖率，与老年人更高的地铁使用率相关（Yang等人，2022a；Jia等人，2022；Peng等人，2025）。这种关联在白天非高峰时段（9:00-15:29）更为显著，可能是因为老年人在此时段进行更多选择性活动，使得道路连通性和公交-地铁衔接对于活动可达性更为重要（Cheng等人，2019b，2021）。相比之下，NI与地铁 ridership 之间的负相关关系在早高峰时段（6:30-8:59）和白天非高峰时段（9:00-15:29）更为强烈。其SHAP值随NI增加而下降，并在大约12-24处转为负值。较高的NI可能对应更复杂的交通环境和更大的冲突风险，这可能会降低老年人步行前往地铁站的便利性和安全性（Gan等人，2020；Ding等人，2022；Jia等人，2026）。这些约束在早高峰时段可能更为明显，原因是交通活动集中；在白天非高峰时段也可能更为显著，原因是老年人此时段选择性活动更为频繁（Ha等人，2020；Cheng等人，2021）。

生活相关服务属性的非线性关系（第4.4.3节）表明，在工作日和周末，NSM、NCR、NH和NP与老年人地铁 ridership 之间的正相关关系在白天非高峰时段（9:00-15:29）更为强烈。在此时段，NSM的SHAP值快速上升并在大约2处转为正值，NCR在大约9-12处达到相对较高值，NH在大约6以上显著上升，而NP的贡献在大约10以上更为明显。一种可能的解释是，老年人在白天非高峰时段具有更大的时间灵活性，使得购物、休闲、就医和药房活动等更可能涉及地铁出行（Gan等人，2020；Ravensbergen等人，2021；Ryan和Pereira，2021；Huang等人，2024；Peng等人，2025）。此类出行不仅支持老年人的零售需求和社会参与，还提高了医疗保健服务的可及性，对其健康和福祉具有潜在益处（Du和Sun，2024；Du等人，2024；Wei等人，2025；Chung等人，2026）。相反，NM、NFC和NPS与地铁 ridership 呈负相关。这可能与邻里生活环境中市场、健身中心和公园/广场的邻近性有关，因为这些设施通常步行可达，减少了老年人对中长途地铁出行的依赖（Zhou等人，2022；Kim等人，2024；Angel等人，2024；Wei等人，2025；Zou等人，2026）。在白天非高峰时段（9:00-15:29），NM增加时SHAP值稳步下降；NFC在早高峰时段（6:30-8:59）呈现更陡峭的下降趋势并在大约3处转为负值；而NPS一旦超过大约2，周末的下降幅度明显大于工作日。这些差异可能与相应活动的时间组织有关：白天非高峰时段为购买蔬菜、水果及其他日常必需品提供了更大的灵活性（Dianin等人，2026；Chung等人，2026）；早高峰时段更契合老年人的晨练活动（Sun和Lau，2021；He等人，2022）；而周末则为在公园和广场等开放公共空间进行步行和观光提供了更多时间（Cheng等人，2019a；Toger等人，2023）。

第4.5节的交互分析进一步表明，建成环境与老年人地铁 ridership 之间的关系不仅与单一环境变量有关，还涉及多个环境变量的组合效应（Xie和Liao，2025；Dong等人，2025；Jia等人，2026）。较强的交互效应集中在白天非高峰时段（9:00-15:29），其次是早高峰时段（6:30-8:59），而在晚高峰时段（15:30-17:59）和夜间非高峰时段（18:00-22:00）则有所减弱。这种时间变化可能与老年人的活动安排有关。白天非高峰时段为购物、休闲、社交和就医等选择性活动提供了更大的灵活性，使得地铁使用更可能与多个环境因素同时相关（Ryan和Pereira，2021；Wei等人，2025；Chung等人，2026）。相比之下，早高峰和晚高峰时段可能更多受到集中通勤和交通拥堵的影响，而夜间非高峰时段则可能更多受到老年人对出行安全和夜间复杂性担忧的制约（Ha等人，2020；Sun和Lau，2021；Yang等人，2025）。有趣的是，某些变量对之间观察到的较强交互效应可能与建成环境因素在老年人地铁出行中的更大功能互补性有关（Cheng等人，2019a；Yang等人，2024；Dianin等人，2026；Chung等人，2026）。RD与多个变量（如PD、LUM、NSM和NCR）呈现相对较强的交互效应，这可能反映了道路网络在连接老年人的居住区、地铁站和活动目的地方面的重要性（Cheng等人，2019a；Yang等人，2024）。同时，NSM与NM、NH和NP等变量之间的交互效应也表明，老年人的购物活动往往并非孤立进行，而可能与其他活动相结合，包括前往市场、医院和药房等（Dianin等人，2026；Chung等人，2026）。基于上述发现，本研究提出以下政策启示：

- 站点区域规划应根据不同时间背景区分人口密度和土地利用策略。在早高峰时段（6:30-8:59），PD超过约16的站点区域可能应更加关注行人环境、休息设施和无障碍通道。在白天非高峰时段（9:00-15:29），LUM接近约0.9的区域可能受益于空间组织和行人引导。

- 白天非高峰时段（9:00-15:29）的运输供给应关注道路网络、公交与地铁衔接和交叉口环境的综合条件。RD低于约14-16和NBS低于约3-4可作为识别交通衔接较弱站点区域的参考点，而NI达到约12-24或更高则表明需要更加关注人行横道和交通安全。

- 运输服务可根据老年人生活相关设施的活动需求进行差异化。在白天非高峰时段（9:00-15:29），与购物中心、棋牌室、医院和药房相关的出行可通过改善站点引导、换乘衔接和休息设施来支持。对于与市场、健身中心和公园/广场相关的活动，应更加关注邻里生活环境中便捷的步行可达性。

- 适老交通规划还应认识到地铁出行与邻里活动在支持老年人健康和福祉方面的互补作用。地铁服务可以促进前往医院、药房和更广泛社交目的地的出行，而附近的市场、健身中心和公园/广场则可提供步行、体育锻炼和社区内社会参与的机会。

- 站点区域规划还应进一步考虑多个建成环境属性的综合作用。鉴于RD与PD、LUM、NSM和NCR的交互效应相对较强，以及NSM与NM、NH和NP的交互效应，尤其在白天非高峰时段（9:00-15:29），道路网络、周边土地利用、地铁服务和不同活动目的地之间需要更紧密的协调配合。

**6. 结论**

本研究通过整合地铁智能卡数据、建成环境数据、集成学习模型和SHAP，构建了一个可解释的机器学习框架，以考察站点区域建成环境属性与老年人地铁 ridership 在工作日、周末及不同时段的关系。结果表明，老年人的地铁 ridership 主要与少数核心环境属性相关，其中RD、NSM和NCR在八个场景中始终位列贡献最高的变量。非线性分析揭示，建成环境变量与地铁 ridership 之间的关系呈非线性特征，且在不同时间背景下有所差异。PD和LUM与地铁 ridership 呈负相关，而RD和NBS呈正相关，在早高峰时段（6:30-8:59）和白天非高峰时段（9:00-15:29）观察到的时间差异更为显著。相比之下，较高的NI与地铁 ridership 呈负相关，这可能与更大的交通复杂性和感知安全风险有关。生活相关服务设施也与地铁 ridership 表现出不同的关系：NSM、NCR、NH和NP在白天非高峰时段（9:00-15:29）呈更强烈的正相关，而NM、NFC和NPS主要服务于社区生活圈内的局部功能，在特定时间背景下与地铁 ridership 呈负相关。此外，交互分析表明，老年人的地铁 ridership 不仅与单个建成环境变量相关，还与变量对之间的交互效应有关，其中最强的交互效应出现在白天非高峰时段（9:00-15:29），其次是早高峰时段（6:30-8:59）。

这些发现从相对重要性、非线性关系和交互效应等角度推进了对站点区域环境与老年人地铁出行之间关系的理解。适老地铁规划应超越传统追求高密度、高混合度和设施堆积的做法，转而强调适度的密度控制、功能明晰、行人连续通行、公交-地铁一体化以及与老年人日常活动节奏相匹配的服务配置。本研究仍存在若干局限。分析基于智能卡记录和站点区域建成环境指标，这些指标能够捕捉 ridership 强度，但无法完全揭示老年人个体的感知、健康状况、出行目的或接驳换乘期间感知的障碍。未来研究可整合问卷调查、街景影像、手机轨迹数据和实时运营信息，以更好地捕捉微观尺度环境质量和行为动机。此外，还应纳入纵向数据和多城市比较，以检验所识别的非线性阈值和交互机制在不同城市背景、政策环境和地铁网络发展阶段中是否保持稳定。

**CRediT作者贡献声明**

Qinglin Jia：撰写——初稿、方法学、形式分析、概念化。
Peng Jia：撰写——审阅与编辑、监督、资金获取、概念化。
Jianlin Luan：撰写——审阅与编辑、监督、资金获取、概念化。
Xueting Zhao：验证、形式分析、数据整理。
Sini Wang：验证、形式分析、数据整理。
Jianzhao Li：验证、形式分析、数据整理。

Qinglin Jia | Peng Jia | Jianlin Luan | Xueting Zhao | Sini Wang | Jianzhao Li

大连海事大学交通研究协同创新中心，辽宁省大连市，邮编116026，中国