《Land》：Decoding Street-Level Dockless Bike-Sharing Cycling Flow Patterns: Insights from Physical–Perceptual Environments and Explainable Machine Learning
编辑推荐：
摘要翻译：推广积极出行模式（如无桩共享单车（dockless bike-sharing, DBS）的使用）对于实现城市碳中和目标及推进可持续交通至关重要。然而，多层级建成环境与街道尺度DBS骑行行为之间的非线性关系仍未得到充分探索。为此，本研究构建了一个整合测
摘要翻译：推广积极出行模式（如无桩共享单车（dockless bike-sharing, DBS）的使用）对于实现城市碳中和目标及推进可持续交通至关重要。然而，多层级建成环境与街道尺度DBS骑行行为之间的非线性关系仍未得到充分探索。为此，本研究构建了一个整合测量框架，聚焦街道级DBS骑行流，并从物理维度与感知维度同时纳入多层级建成环境因素。进一步地，本研究整合梯度提升决策树（Gradient Boosting Decision Tree, GBDT）模型与SHapley Additive exPlanations（SHAP）方法，以揭示建成环境对DBS骑行流的非线性影响。结果表明：（1）物理邻里环境在形成DBS骑行流中发挥主导作用，其中居住密度是最具影响力的预测因子。（2）若干环境因子对街道级DBS流的影响表现出显著的多阶段变化模式与时间异质性。（3）识别环境影响的空间主导格局、局部聚类结构及单元级作用机制，有助于制定针对性和精准化的干预策略。本研究推进了考察建成环境与DBS出行关系的街道尺度分析框架，并为骑行友好型空间更新及街道级骑行系统优化提供了实践启示。
论文解读文章：
## 研究背景与问题
在城市化与碳中和目标的双重驱动下，推广绿色低碳的积极出行方式已成为城市可持续发展的重要议题。无桩共享单车（dockless bike-sharing, DBS）凭借便捷、低成本、强可达性等优势，成为城市居民积极出行的重要选择。然而，共享单车快速扩张也带来骑行与步行空间冲突、车辆停放混乱等治理挑战。尽管已有城市通过完善骑行道网络、设置专用停车区、推广电子围栏等措施加以应对，但目前城市规划与建成环境优化仍主要围绕机动化出行展开，对骑行行为的环境决定因素关注有限。因此，从建成环境视角理解DBS出行的影响机制，对于促进骑行友好型城市环境具有重要意义。
既有研究存在三方面不足。其一，多数研究基于DBS起讫点（origin–destination, OD）数据，在网格、交通分析区（traffic analysis zones, TAZs）、地铁站影响区等空间单元上测量骑行需求，而较少关注连续街道网络上路段级别的骑行流分布。OD数据难以反映骑行需求如何转化为沿街道网络的流动，尤其无法捕捉不同时间情境下的街道级流模式。其二，关于骑行环境的量化长期存在“物理”与“感知”的二元分立：传统“5Ds”框架侧重客观可测的物理空间属性，而街景图像分割技术则关注微观尺度的视觉感知体验，两种视角很少在同一分析框架内进行比较与整合。其三，机器学习方法虽已引入骑行—环境关系研究，但多数模型解释仍停留在全局层面，如特征重要性排序与平均效应，难以回答“何种环境属性在何地、何种局部条件下对骑行行为影响最强”这一地方化治理亟需的问题。
## 研究目标与内容
针对上述问题，本研究旨在系统考察多层级建成环境（包括客观物理属性与主观感知指标）如何影响街道级DBS出行。通过整合“机器学习–SHAP”方法，构建综合分析框架，不仅揭示DBS出行的异质性影响，还识别环境因素的非线性关系、空间主导模式与局部作用机制，为街道级骑行系统优化提供证据支持。
研究区选取深圳市福田区、罗湖区和南山区，这些区域是深圳建成区内居住与就业人口的主要集聚地，也是DBS部署与使用的热点区域。研究采用多源数据：DBS订单数据来自深圳市政府数据开放平台，覆盖2021年4月19日至25日完整一周；街景图像（street view images, SVI）从百度地图API按100米间隔四方向采样，共获取93,672张有效图像；兴趣点（point of interest, POI）数据来自高德开放平台；道路网络数据来自OpenStreetMap，经拓扑处理后获得4,692个街道路段。
研究人员构建了包含三类环境变量的测量框架：物理邻里环境（以居住密度、办公密度、休闲密度、土地利用混合度、到公交站距离、到地铁站距离及街道网络出行潜力等7项指标表征）、视觉感知环境（基于语义分割提取绿视率、开敞度、围合度、人行道可见性、意象性与机动化程度等6项指标）和情感感知环境（基于卷积神经网络评估美丽、枯燥、压抑、安全、活力、富裕等6项感知维度）。研究以街道级DBS骑行流为因变量，采用最短路径分配法将OD出行需求映射至街道网络，并进行了距离约束概率多路径分配的敏感性分析以验证估计的稳健性。
## 关键技术方法
研究主要采用以下关键技术：（1）基于OpenStreetMap网络数据与OSMnx工具进行最短路径计算，将DBS订单OD对分配至实际骑行网络，叠加统计各路段通行共享单车数量，计算平均小时DBS流；（2）利用预训练的PSPNet深度学习模型对百度街景图像进行语义分割，量化街道视觉环境要素；采用基于中文城市感知数据集训练的CNN模型，预测六维情感感知得分；（3）采用梯度提升决策树（Gradient Boosting Decision Tree, GBDT）作为核心预测模型，并与普通最小二乘回归、随机森林、XGBoost、LightGBM等模型进行性能对比，经贝叶斯优化调整超参数；（4）运用SHapley Additive exPlanations（SHAP）方法解释模型预测，计算各特征的平均边际贡献，进而识别全局重要性、非线性效应、空间主导格局与局部作用模式。
## 研究结果
### 5.1 无桩共享单车出行的时空间分布特征
时间分布方面，DBS出行以短距离、短时长为特征：平均骑行距离1.39公里，其中500–1500米区间占全部订单的57.12%；平均骑行时长11.16分钟，5–10分钟区间占38.17%。工作日日均骑行频率约为周末的1.3倍，且存在明显早晚高峰（7:00–9:00与17:00–20:00）。空间分布呈现“中心—外围”集聚格局：高流量路段主要集聚于南山区北部至后海一带、福田CBD及华强北、罗湖蔡屋围与人民南等商业和科技创新区域。四个时段中，工作日高峰时段流量最高，高流量路段在中心城区形成较为连续的空间集聚，而周末非高峰时段高流量特征最弱。敏感性分析显示，单路径分配与距离约束概率多路径分配在识别高流量路段上重叠率达88.1%–90.9%，Pearson相关系数介于0.98–0.99，说明基于最短路径的流量估计具有较高稳健性。
### 5.2 建成环境变量的相对重要性
基于SHAP平均绝对值的归一化，四个时段中物理邻里环境、视觉感知环境与情感感知环境的平均相对重要性分别为76.44%、18.52%和5.04%。物理邻里环境主导DBS骑行流，其中居住密度是最重要预测因子（平均相对重要性27.04%），其次为到公交站距离（14.35%）与办公密度（11.35%）。视觉感知环境中，人行道可见性、机动化程度与开敞度贡献相对较高（分别约4.91%、4.56%、4.27%）。情感感知环境变量相对重要性最低。值得注意的是，部分变量的重要性随时间变化显著，例如办公密度在工作日高峰时段的相对重要性达19.68%，远高于工作日非高峰时段的8.27%。以骑行强度（长度归一化流量）为替代因变量的稳健性检验表明，物理邻里环境的主导地位不变（平均相对重要性81.93%）。
### 5.3 建成环境变量与DBS骑行流的非线性关联
基于SHAP的部分依赖图揭示多阶段变化与阈值效应。居住密度在四个时段中均与DBS骑行流正相关；办公密度的效应随时间变化，工作日呈正相关且在阈值200后趋于平缓，周末呈倒U形关系；休闲密度在工作日高峰时段总体负相关，其余时段则从负转正。到公交站距离在所有时段均呈负相关，且约500米后变化速率减小。到地铁站距离的效应具有明显时间差异：高峰时段SHAP值先急剧下降，约1公里后转正并趋稳；非高峰时段则持续负相关，约800米后变化趋于平缓。视觉感知方面，开敞度在所有时段与骑行流正相关（在0.40–0.45附近出现响应变化），围合度负相关（约0.58处出现转折），人行道可见性与机动化程度均呈负相关。
### 5.4 环境效应的时空主导模式与类型分异
局部SHAP值分析识别出各路段贡献最大的正/负因子，其空间分布呈现显著时空异质性。高峰时段，工作日以办公密度、居住密度和休闲密度为主导因子，周末以居住密度、到公交站距离和办公密度为主；空间上，居住与办公密度主导路段集中于南山、福田、罗湖的城市核心与副中心，到公交站距离主导路段分布于核心建成区外围及区际连接走廊，休闲密度主导路段位于城市公园、滨水区与外围非建成区。非高峰时段，居住密度的主导范围显著扩展，形成更为连续的空间分布。
基于局部效应SHAP值的层次聚类分析（以轮廓系数确定最优聚类数）表明，四个时段的最优聚类数均为2，分别对应两种地方化贡献模式。聚类1集中于商业区、混合服务区和高密度居住区，办公密度、居住密度与街道网络出行潜力为主要正贡献因子；例如福田CBD民田路上，办公密度、网络出行潜力及到地铁站距离正向贡献，而人行道可见性与机动化程度负向贡献。聚类2广泛分布于近山、近水库及大型绿地等外围区域和过渡地带，多种环境因素对骑行流呈负贡献；例如罗湖深圳水库附近沙湾路，高峰时段居住密度、办公密度和到公交站距离均负向贡献，非高峰时段休闲密度与到地铁站距离亦转为负贡献。
## 讨论与结论总结
讨论部分指出：物理环境的主导作用与既有主动出行研究一致，居住密度、到公交站距离和办公密度作为最重要预测因子，印证了居住与就业集聚及公交可达性对骑行流空间差异的核心意义；感知环境相对贡献较低可能源于流量估计框架对结构因素的敏感性、街景图像无法捕捉动态交通条件，以及深度学习感知评分对训练数据集的依赖，但这不必然意味着感知因素在实际路径选择中不重要。非线性效应方面，到公交站距离的负关联在500米后减弱，为公交—骑行接驳优化提供了空间线索；办公密度、休闲密度及到地铁站距离的效应随时间变化，反映了城市活动的时间节律及共享单车与公共交通在不同时段呈现的互补与竞争关系。空间主导模式与局部聚类分析指出，城市核心区应强化居住与就业功能的骑行网络连通性，外围街道则需针对局部主导因子制定差异化改善策略，而非统一配置骑行设施。
结论部分可翻译为：本研究利用多源城市空间数据，应用基于GBDT–SHAP模型的建模与解释方法，揭示了多层级建成环境与街道级DBS骑行流之间的非线性关系。研究贡献包括：首次从物理—感知视角系统揭示多层级环境因素与多时段街道级DBS骑行流的非线性关联；通过GBDT–SHAP框架识别环境效应的多阶段变化与时间异质性，为街道精细化治理提供决策支持；基于SHAP解释系统识别环境影响的空间主导格局、局部聚类结构与单元级作用机制，为分层分类的城市环境优化治理策略提供实证依据。主要发现为：（1）物理邻里环境对DBS骑行流具有显著主导作用，平均相对重要性为76.44%，其中居住密度、到公交站距离和办公密度三者合计占总相对重要性的52.74%；（2）多层级环境因素广泛存在非线性关联，至公交站距离对DBS骑行流表现出双向效应，休闲密度与到地铁站距离的效应具有明显时间变化；（3）基于SHAP值识别了多个时段中环境因素正向影响DBS出行的空间主导模式，并考察了代表性聚类的空间分布特征及其在案例街道的局部作用机制。
研究局限性包括：最短路径分配未考虑坡度、骑行设施与交通状况对实际路径选择的影响；GBDT为全局非空间模型，未显式处理相邻路段的依赖性；缺少投放密度、调度运营、实时可用性等供给侧因素及个体出行目的数据；一周数据难以反映季节与天气波动；深度学习感知指标可能受模型泛化性与街景影像时效性影响。未来研究可融合高精度高程数据、实测轨迹、更长时序数据及多尺度模型，以进一步验证与完善结论。
