可步行性与实际步行:探究城市环境中距离因素的作用

《Landscape and Urban Planning》:Walkability vs. Walking: Testing the role of proximity in urban environments

【字体: 大 中 小 】 时间:2026年08月12日 来源:Landscape and Urban Planning 11.4

编辑推荐:

  摘要:步行得分及类似的基于距离的指标被广泛用作衡量可步行性的标准,常被视为步行行为的替代指标,但实际上它们反映的是人们到达目的地的便利性,而非是否真的会步行。本文利用来自美国272个城市地区约1800万台设备的GPS移动数据,研究设施可及性在多大程度上能预测实际步行行为,以及何种

  摘要:步行得分及类似的基于距离的指标被广泛用作衡量可步行性的标准,常被视为步行行为的替代指标,但实际上它们反映的是人们到达目的地的便利性,而非是否真的会步行。本文利用来自美国272个城市地区约1800万台设备的GPS移动数据,研究设施可及性在多大程度上能预测实际步行行为,以及何种条件下距离因素会转化为步行行为。研究发现,设施可及性仅具有选择性地预测步行行为——它只能解释社区层面步行行为的25%,而可步行性与实际步行行为之间的差异,89%存在于城市内部而非城市之间。有两个因素有助于解释这一现象:首先,设施可及性能有效预测以目的地为导向的步行行为(R2=0.51),但对以休闲为目的的步行行为则无关联(R2=0.03),而后者占所有步行行程的69%;其次,即便对于以目的地为导向的步行行为,交通状况、街道连通性以及以行人为导向的设计等城市环境特征,也会影响设施可及性是否真正转化为步行行为。在相同设施可及水平下,连通性好、交通量低的社区比以汽车使用为主的社区会有更多步行行为。这些研究结果表明,靠近便利设施是促进步行的必要条件,但并非充分条件。

引言:步行有益于改善身体健康,包括提升心血管功能、减轻压力(Panter, Jones, and Sluijs 2008),同时也有助于社会与环境层面的益处(Schilling and Linton, 2005; Resnik, 2010)。从社会层面来看,步行有助于促进社交互动、增强社区凝聚力,并提升人们的安全感(Anderson et al. 2013)。从环境层面而言,步行可以替代汽车出行,减少对汽车的依赖和碳排放,进而实现更高效的土地利用方式。因此,鼓励人们步行而非驾车或久坐,长期以来一直是城市规划和公共卫生的重要目标。城市规划注重打造适宜步行的环境及其带来的多重效益,而公共卫生则将步行视为一种体育活动。综合来看,这两个领域都面临着一个核心问题:那些使步行成为可能的条件,是否真的能促使人们去步行?

两个领域都认为,靠近便利设施是衡量一个地方是否适合步行的关键指标。在城市规划领域,人们致力于通过紧凑型、多功能混合使用的环境来支持行人生活,让人们的日常需求都在步行范围内得以满足。“15分钟城市”概念便是这种理念的体现,它强调将服务与便利设施的可及性作为与步行相关的关键因素(Abbiasov et al., 2024; Caselli et al., 2022)。而公共卫生研究者则从不同角度看待步行问题,他们更关注在更广泛背景下的身体活动。例如,人们可以通过通往休闲场所、步道、学校或正规锻炼场所的通道来鼓励步行,而这些并不一定与城市空间形态密切相关。因此,这种研究方法不太依赖于紧凑型、以行人为中心的开发模式,而是更倾向于探索多种增加身体活动的途径。不过,便利设施的可及性和城市环境设计仍是这两个领域共同关注的焦点。

“步行得分”这一指标最直观地体现了对便利设施可及性的量化,它为城市设计师提供了快速评估一个地方可步行性的工具,自2007年问世以来极大地便利了相关工作(Caselli et al., 2022)。早期实证研究就表明,那些周边有基本便利设施的社区,其社会关系、健康状况和安全性都更好(Elldér et al., 2022; Talen and Koschinsky, 2014)。然而,可步行性与实际步行行为之间存在差异。步行得分反映的是步行的可能性,而非实际行为,它有可能将“可及性”与“实际步行”混为一谈。针对“便利设施可及性是否真的能预测步行行为”这一问题的实证研究结果并不一致,部分原因在于这些研究多依赖小范围、本地化的样本以及自我报告的出行数据。不过,基于智能手机的研究开始显示出可步行性确实会影响步行行为(Althoff et al. 2025),但基于距离的指标在多大程度上能预测步行行为,以及在何种条件下能做到这一点,目前仍缺乏大规模的实证研究。

本文旨在比较全国范围内不同社区和城市中的便利设施可及性与实际步行行为之间的关系。在衡量可及性方面,我们采用了Credit等人(2025)开发的“可步行性可及性得分”(WAS),这是一种开源的、基于距离加权的便利设施可及性评估方法,与步行得分高度相似。在衡量步行行为方面,我们使用了2019年1月至4月期间,来自美国272个城市地区的约1810万台设备每月产生的匿名GPS移动数据。

本文要回答三个问题:首先,美国各地社区之间步行行为的差异,在多大程度上可以由便利设施的可及性来解释?其次,不同类型的步行行为——尤其是以目的地为导向的步行与休闲步行——之间,这种关联是否存在差异?第三,在何种社区条件下,便利设施的可及性才会真正转化为实际的步行行为?为回答这些问题,我们对比了43000多个普查区内的WAS得分与实际步行数据,同时分析了城市环境特征如何影响便利设施可及性与步行行为之间的关系。

本文有三个主要贡献:首先,它是首批在全国范围内比较基于距离的可步行性指标与实际步行行为的研究之一;其次,它从行为角度出发,区分了以目的地为导向的步行与休闲步行,为关于可步行性的讨论提供了新的视角;最后,它分析了交通状况、街道连通性以及以行人为导向的设计等城市环境特征,如何影响便利设施可及性与步行行为之间的关联。这些分析共同有助于厘清“可步行性作为一种机会”与“步行作为一种行为”之间的关系。

文献综述:尽管大量研究都表明便利设施可及性、城市环境与步行行为之间存在正相关关系,但研究结果并非始终一致。元分析显示,身体活动与交通基础设施之间存在较强的关联,但对于社区密度、目的地可及性等社区特征,关联强度则较弱或变化较大。Prince等人(2022)指出,身体活动与交通基础设施之间的关联具有较高的确定性,而社区密度和目的地可及性等特征的关联确定性则较低。总体而言,研究表明,虽然便利设施可及性是影响步行行为的重要因素,但步行行为的差异还取决于诸多无法仅通过距离指标反映的情境因素。

部分原因在于,可步行性指标仅能反映某一类步行行为。在公共卫生领域,人们通常将“以目的地为导向的步行”——即为前往特定地点(如商店、学校、工作场所或公交站点)而进行的实用型出行——与“休闲步行”——仅为锻炼或娱乐目的而进行的步行,且步行本身才是目的而非目的地——区分开来(这类区分常被称为“为交通而步行”与“为休闲而步行”,Saelens and Handy, 2008)。这两类步行对城市环境的不同特征反应不同。例如,公园和休闲设施的可及性主要通过休闲步行促进身体活动(Moore et al., 2008),而商店、学校和公交站点的邻近性则更有利于推动以目的地为导向的步行行为(Diez Roux et al., 2007)。步行得分及其开源版本都是根据人们可能步行的附近目的地数量——如商店、学校、公交站点、咖啡馆等——来构建的,因此它们更可能预测以目的地为导向的步行行为,而不一定适用于休闲步行。一个重要的问题是,基于距离的指标是否能够涵盖所有形式的步行行为。下文我们将从出行路径的角度来探讨这一区别。

即便对于以目的地为导向的步行行为,仅考虑距离因素也无法完全解释步行行为,大量研究已经指出,城市环境的其他特征也会影响人们步行的频率。许多研究都聚焦于城市环境中的各种特征,如密度、土地用途多样性、街道连通性、街区规模、人行道状况以及坡度等,如何影响步行行为(Greenwald and Boarnet, 2001; Craig et al., 2002; De Bourdeaudhuij et al., 2003; Wells et al., 2010)。Sallis等人(2016)利用来自12个国家的6822名成年人的调查数据,发现住宅密度、交叉口密度、公共交通密度以及公园的可及性都与身体活动有关。同样,Ewing和Cervero(2010)也发现了步行行为与交叉口密度、土地用途多样性以及目的地可及性之间的密切联系。这些研究都将街道连通性视为步行行为的直接预测因素。不过,便利设施可及性是否真的会影响步行行为,仍然是一个未解之谜。如果目的地虽在附近,但由于街道网络不连通而难以到达,那么便利设施可及性与步行行为之间的关联可能会减弱。

除了城市环境的宏观结构特征外,微观层面的城市设计元素也能通过影响人们在街道上的体验来促进步行行为。人行道质量、底层空间的透明度、街道的视觉焦点、整体美观度、建筑立面的复杂性以及视觉封闭性等因素,都被证明会影响行人的活动意愿(Battista and Manaugh, 2018; Ferrer et al., 2015; Salazar Miranda et al., 2021)。Oreskovic等人(2014)发现,底层窗户和街道视觉焦点等元素,与人们对一个地方的步行友好度的感知呈正相关。

除了物理结构之外,人们对环境的感知也在很大程度上影响着步行行为。Ferreira等人(2022)的一项系统评价指出,交通速度、犯罪恐惧感、照明条件以及空气污染等因素,都会对步行和骑行行为产生影响。这些感知因素可以充当城市环境与人类行为之间的中介变量,从而解释在条件看似相似的情况下,为何步行行为会存在差异。无论是实际安全还是感知安全,都具有非常重要的影响作用。Adkins等人(2017)的研究表明,对犯罪的恐惧感会影响人们是否将城市环境转化为步行行为。而交通暴露程度则反映了行人安全的另一个方面——即物理环境本身是否会让人们感到不安全。

步行与可步行性的测量:我们采用Credit等人(2025)开发的“可步行性可及性得分”(WAS)来衡量可步行性。我们将一个社区定义为一个个普查区。对于每个社区,WAS会根据10类便利设施——包括杂货店、餐馆、零售店、学校和公园——的距离权重来评估其便利设施可及性,距离越近的便利设施所对应的权重越高。这些便利设施的位置数据来源于2019年的InfoUSA商业数据,此外还补充了来自ArcGIS Open Data的公园位置数据以及GreatSchools.org提供的学校位置数据。最终得到的指数范围为0(附近没有便利设施)到100(附近有大量便利设施),该指数与专有的步行得分高度相关(斯皮尔曼等级相关系数为0.91;Credit et al., 2025)。

我们采用与步行得分相同的分类标准,将社区分为三类:依赖汽车的社区(WAS≤49)、较为适合步行的社区(50–69)以及非常适合步行的社区(≥70),其中“非常适合步行的社区”类别整合了步行得分中的“非常适合步行”和“非常适合步行”两个等级。在我们的样本中,中等水平的社区的WAS得分为59.3(标准差为18.7),属于“较为适合步行的社区”类别,这类社区中有一些便利设施可以在步行范围内到达,但许多日常需求仍需依靠汽车解决。总体而言,28%的社区属于依赖汽车的类型,42%属于较为适合步行的类型,30%属于非常适合步行的类型。需要指出的是,WAS指标反映的是附近的便利设施情况,即人们到达目的地的便利程度,但并不能说明人们是否真的会步行前往这些地方。

为了测量步行行为,我们使用了Cuebiq公司提供的匿名GPS移动数据。这家位置智能服务公司负责收集那些在相关应用程序中同意共享位置信息的用户所主动发送的智能手机位置数据。我们统计了2019年1月至4月这四个月间的步行数据,这段时间涵盖了冬季到春季的过渡期。样本中每月约有1810万台设备的数据被纳入分析,每台设备在一个月内平均有10天会被记录到步行行为。

每台设备都会根据其在多个夜晚停留时间最长的地点,被归入一个家庭普查区块组。此外,每台设备还会记录下每一次单独的出行,所谓出行,指的是一段连续的移动时间,其间至少有15分钟的静止时间。这个静止时间标准是针对两次出行之间的静止时段,而非单次出行的持续时间。例如,一个人从家出发,走到一家咖啡店,停留20分钟后又走到办公室,这样的情况下会被记录为两次独立的出行;而如果停留时间较短,那么两次步行就会被合并为一次出行。在所有记录的出行中,我们会将平均速度低于1.5米/秒的出行视为步行出行。由于正常步行的速度因年龄和性别不同而有所差异,一般在0.9到1.4米/秒之间(Bohannon and Williams Andrews 2011),因此这个速度标准既能涵盖速度最快的步行者,又能排除慢跑和骑自行车的情况。

对于每台设备在每一天的出行数据,我们都会计算出其总步行次数、步行距离和步行时间,然后再将这些数据汇总到各个普查区。根据Cuebiq公司的隐私政策,如果一个社区在一个月内被记录到步行行为的设备数量少于10台,那么这个社区就会被剔除出分析样本。之后,我们通过三个步骤来构建最终的分析样本。首先,我们将每个社区区域分配到一个城市区域,选取那些至少有一半面积位于城市边界内且人口数量超过10万的区域。其次,仅保留那些移动数据覆盖了该区域至少一半社区的区域。第三,只保留在四个月内都有数据记录的社区。这样一来,有3.5%的城市社区因仅在三个月或更短时间内有数据记录而被排除,最终剩下43,042个社区和272个城市区域,分别用于社区层面和城市层面的分析。图S1展示了这些城市区域,表S2则列出了所有区域的名称、社区数量、样本人口以及步行便利性中位数。在我们的样本中,典型的社区所覆盖的人口占比为5.5%,而城市层面的设备数量与人口数量之间存在很强的相关性(R2=0.94),这说明各城市的地理覆盖范围较广(见图S2)。此外,不同收入水平和年龄结构的社区中,步行覆盖情况也较为稳定,各收入和年龄组之间的差异不超过半个百分点(见图S3)。

结果:美国人步行多少以及在哪里步行?
总体而言,美国人步行的频率较低,且各地差异较大。图1展示了按人口普查社区划分的步行次数、时间和距离的分布情况,并为美国人口普查局划分的四个区域(东北部、中西部、南部和西部;见图S4)叠加了密度曲线。在典型的社区中,居民每天的步行次数不到一次(0.68次),半小时内步行距离约为1.4公里。在这三项指标上,不同地区的差异明显:西部的平均步行次数最高(每天0.71次),而东北部居民的每日步行时间和距离都更长(分别为33.4分钟和1,425米)。中西部社区的步行次数最少(0.66次)。东北部社区的分布最为不均匀,其分布曲线较为平坦,且存在较多步行频率较高的社区。在东北部,处于第90百分位的社区,居民每天步行1.0次,步行时间接近50分钟,而在其他地区,第90百分位社区的步行次数约为0.88次,步行时间为42分钟。

下载:下载高分辨率图像(277KB)
下载:下载完整尺寸图像

图1. 不同社区间的步行分布情况。每个子图都以直方图形式展示某一社区层面的步行指标(每人每天的步行次数、时间和距离),并为四个普查区域叠加了密度曲线。虚线垂直标记为中位数。样本包括272个城市区域中的43,042个社区。

在城市内部,步行情况也存在系统性差异。图2展示了距离市中心50公里范围内的社区(占样本的95%;有关市中心定义的详细信息见补充材料)的各类步行指标与到市中心距离的关系。在靠近市中心的地方,居民每天步行次数约为0.8次,步行时间为37分钟,步行距离为1,550米;而距离市中心40公里处,这些数值分别降至0.6次、30分钟和1,300米。在最初的15到20公里范围内,步行频率下降得最为明显,之后则趋于平稳。尽管靠近市中心的居民步行更多,但距离市中心这一因素仅能解释社区层面步行差异的8–11%,因此城市内的位置对社区步行量的影响较小。

下载:下载高分辨率图像(383KB)
下载:下载完整尺寸图像

图2. 步行情况与到市中心距离的关系。每个子图均以直方图形式展示某一社区层面的步行指标(每人每天的步行次数、时间和距离),横轴为该社区中心点到城市中心的距离,样本为距离市中心50公里范围内的41,058个社区(占样本的95%)。灰色点代表各个社区,彩色曲线为2019年1月至4月每月的局部多项式拟合结果,黑色曲线为四个月的平均值。图例显示了每次拟合的斜率(β)和局部多项式拟合的R2值。

步行便利性能否预测步行行为?那些周边设施更完善的地区,人们确实会更多地步行吗?图3从城市和社区层面探讨了这一问题。A面板展示了272个城市区域的加权步行便利性指数与步行次数的关系。步行便利性与步行行为呈正相关(R2=0.42)。纽约和洛杉矶的步行便利性指数较高,步行频率也高;而亚特兰大和里士满在这两项指标上的得分均较低。

下载:下载高分辨率图像(293KB)
下载:下载完整尺寸图像

图3. 城市和社区层面的步行便利性与步行行为关系。A面板展示了272个城市区域的加权步行便利性指数与每人每天的步行次数的关系。点的大小与人口规模成正比,直线为加权线性拟合结果(R2=0.42)。根据步行便利性指数等于50的直线以及回归线,这些城市被划分为四个象限。B面板展示了三类步行便利性指数对应的步行次数分布:依赖汽车的社区(步行便利性指数≤49)、适度适合步行的社区(50–69)以及非常适合步行的社区(≥70)。C面板展示了全部43,042个社区的步行便利性指数与步行次数的关系。彩色曲线为2019年1月至4月每月的局部多项式拟合结果,黑色曲线为四个月的平均值。图例显示了每次拟合的斜率(β)和局部多项式拟合的R2值。

为判断哪些城市的步行频率高于或低于其周边设施条件所预期的水平,我们以步行便利性指数等于50的直线以及不同步行便利性指数等级下的平均步行频率为标准,将城市划分为四个象限。在步行便利性指数高于50的162个城市中,有89座城市(55%)的步行频率低于其周边设施条件所预期的水平,其中包括芝加哥、费城和达拉斯。相反,步行便利性指数低于50的65座城市的步行频率高于预期,其中包括奥兰多和印第安纳波利斯。

B面板和C面板则从社区层面展开分析。B面板展示了三类步行便利性指数对应社区的步行次数分布:依赖汽车的社区(步行便利性指数≤49)、适度适合步行的社区(50–69)以及非常适合步行的社区(≥70)。步行便利性越高的社区,居民的日均步行次数也越高,从依赖汽车社区的0.62次上升到适度适合步行社区的0.68次,再到非常适合步行社区的0.78次。不过这三类社区的步行次数分布存在较大重叠:11%的非常适合步行的社区步行频率低于依赖汽车社区的中位数,而11%的依赖汽车社区的步行频率则高于非常适合步行社区的中位数。

C面板展示了所有社区的步行便利性指数与步行次数的关系。与城市层面相比,步行便利性指数只能解释社区层面步行差异的25%。大约四分之三的社区步行差异无法仅通过其与周边设施的距离来解释。这种在社区层面较弱的关联并非仅限于步行便利性指数:使用美国环保署的全国步行便利性指数作为替代指标,得到的结果类似(R2=0.16;见图S5)。

城市之间及城市内部的差异
前一节表明,许多城市的步行频率高于或低于其步行便利性指数所预期的水平。现在,我们从社区层面进一步探讨这一问题,即对于每个社区而言,其步行频率是否高于或低于其周边设施条件所预期的水平。为此,我们首先估算了全国范围内步行便利性指数与步行次数之间的平均关系,然后将实际观测到的步行频率与基于步行便利性指数预测的频率之间的百分比差值定义为“步行偏差”。正数值表示该社区的步行频率高于预期,负数值则表示低于预期。由于预测是基于统一的全国模型,因此这一偏差在全国各地的社区之间具有可比性。

图4的A至D面板展示了四个城市的步行偏差情况:橙色区域表示步行频率低于预期,绿色区域则表示高于预期。在芝加哥,大多数社区的步行频率低于预期,通常低约6%。亚特兰大的情况则相对温和,低约4%。菲尼克斯的情况则相反,大多数社区的步行频率高于预期,通常高约2%。纽约的情况则比较复杂,其社区的步行频率高低大致相当。不过,在同一城市内部,不同社区的步行频率差异很大。在最低和最高20%的社区之间,步行偏差的差距至少为30个百分点,因此即使步行便利性指数相同的社区,其步行频率也可能存在很大差异。

下载:下载高分辨率图像(396KB)
下载:下载完整尺寸图像

图4. 城市之间及城市内部的步行偏差情况。A至D面板展示了四个城市——纽约、芝加哥、菲尼克斯和亚特兰大的步行偏差情况。步行偏差定义为实际观测到的步行频率与基于全国回归模型、依据步行便利性指数预测的频率之间的百分比差值。绿色区域表示步行频率高于预期,橙色区域则表示低于预期。E面板展示了全国范围内的步行偏差分布(橙色曲线)与在扣除各城市平均水平后的城市内部分布(蓝色曲线)的对比。两种分布几乎完全一致,这表明89%的步行偏差差异存在于城市内部。

为了解释步行偏差是源于城市之间的差异,还是同一城市内部不同社区之间的差异,E面板展示了方差分解结果。该图展示了两种分布:全国范围内的步行偏差分布,以及在扣除各城市平均水平后的城市内部分布。如果步行偏差主要是由城市之间的差异造成的,那么城市内部的分布应该比全国范围更窄。但实际上,两者几乎相同:89%的步行偏差差异存在于城市内部,而非城市之间。这表明,步行便利性指数与步行行为之间的关系主要体现在社区层面。

那么,为何步行便利性指数相似的社区,其步行频率却可能存在如此大的差异呢?公共卫生领域的研究区分了“目的性步行”和“休闲性步行”:目的性步行是指人们为到达某个特定地点而进行的步行,而休闲性步行则更多依赖于公园和步道,而非目的地的密集程度。如果不同社区的步行类型存在差异——有些社区的主要步行目的是办事,而有些则主要用于锻炼——那么步行便利性指数可能只能很好地预测其中一种步行类型,而对另一种则预测不准。我们将在下一节探讨这一可能性。

步行便利性指数能反映哪种类型的步行?
我们将总步行量分为目的性步行和休闲性步行两类。由于我们无法直接观察步行的目的,因此通过步行的路径特征来推断。那些起点和终点位于不同街区组的步行被归类为目的性步行,因为可以推测这些人是为了前往其他地方而步行。而起点和终点都在同一街区组的步行则被归类为休闲性步行,这类步行通常是出于休闲目的而非为了到达某个特定地点。图5的A面板以波士顿的一个社区为例,展示了这种分类方式。图中有一人进行了两次目的性步行——从家走到图书馆,然后再从图书馆走到咖啡店和杂货店。同一面板中的一条休闲性步行路径则是以家为起点和终点的环形路线。

下载:下载高分辨率图像(478KB)
下载:下载完整尺寸图像

图5. 步行类型及其与步行便利性指数的关系。A面板以波士顿的一个社区为例,展示了步行类型的分类方式。目的性步行(绿色)的起点和终点位于不同的街区组,而休闲性步行(橙色)的起点和终点都在同一街区组。B面板展示了按步行类型、步行时间和步行距离划分的总步行量占比。C面板和D面板分别展示了步行便利性指数与目的性步行及休闲性步行的人均每日次数的关系,其中的R2值来自局部多项式拟合。

由于我们是通过路径特征而非直接观察来推断步行目的,因此采用了两种方法来验证这种分类的合理性。首先,目的性步行通常比休闲性步行更直接,且能到达更广泛的范围,因为休闲性步行往往以返回家中为终点。在数据中,目的性步行较多的社区,其步行路径确实更为直接(R2=0.77),且目的地分布也更分散(R2=0.67,见图S6)。其次,我们将我们的分类结果与2017年的全国家庭出行调查数据进行了对比,该调查中受访者会报告每次步行的目的。在我们的数据中,休闲性步行占步行时间的46%,占步行距离的39%。而在全国家庭出行调查数据中,这两项比例分别为41%和42%(见图S7)。

通过这种分类,我们可以提出两个问题:总步行量中,目的性步行和休闲性步行各占多少比例?步行便利性指数对这两种步行类型的预测效果是否有差异?B面板按步行类型、步行时间和步行距离,将总步行量分解为休闲性步行和目的性步行两部分。休闲性步行占总步行次数的69%,但仅占步行时间的47%,占步行距离的40%。目的性步行虽然次数较少,但每次步行的距离更长。在美国城市中,大部分步行并非目的性步行,这意味着像步行便利性指数这样的、基于与目的地距离的指标,最多只能反映总步行次数的三分之一左右。

C面板展示了步行便利性指数与目的性步行次数之间的关系。二者呈较强的正相关关系,R2值为0.51。周边设施更完善的社区,人们以目的地为导向的步行行为明显更多,这一现象与“距离越近,人们越倾向于步行前往商店、学校和咖啡馆”这一观点相符。图D将WAS与休闲步行次数进行了对比。此处WAS并无预测能力,R2仅为0.03。它几乎无法告诉我们一个社区的人们是出于锻炼还是休闲目的而步行。在何种条件下,步行友好性才会转化为以目的地为导向的步行行为?前文已指出,WAS虽能较好地预测以目的地为导向的步行行为,但只能解释城市内部约一半的差异。许多社区的步行量其实比其设施便利程度所预示的要少或更多。即便目的地就在附近,建筑环境的其他特征也可能影响步行的多少。为探究这一问题,我们建立了以下模型:(1) Walkingict=β·WASi+γ·Xi+δ·(Xi×WASi)+εict,其中Walkingict表示城市c中区域i在月份t内每名居民每天的以目的地为导向的步行次数。系数β反映了设施便利性与以目的地为导向的步行行为之间的基础关系。Xi为社区特征向量,γ代表这些特征对步行的直接影响,δ则是Xi与WASi交互项的系数。该交互项使得WAS与步行之间的关联程度会因社区特征的不同而有所变化。二者之间的关联为β + δXi,若δ?为负值,则表明该特征会削弱设施便利性与步行行为之间的关联;若为正值,则表示会加强这种关联。我们基于2019年1月至4月的四个月数据,采用区域-月份面板数据结构对该模型进行估算,设置了城市和月份的固定效应,标准误差则按区域汇总。图6展示了估算结果。每根柱状图显示了WAS增加50分时,以目的地为导向的步行行为预计变化的百分比。这大致相当于从典型的依赖汽车的社区(平均WAS值为36)转变为典型的适合步行的社区(平均WAS值为80)。我们对每种社区特征的两个水平进行了评估:第10百分位数(浅色柱状图)和第90百分位数(深色柱状图),橙色柱状图则显示了两者之间的差异。差距越大,说明该社区特征对设施便利性与步行行为之间关联程度的影响就越显著。下载:下载高分辨率图像(195KB)下载:下载全尺寸图像图6. 步行友好性何时能预测步行行为?每根柱状图显示了WAS增加50分时,以目的地为导向的步行行为预计变化的百分比。浅色柱状图反映的是社区特征处于第10百分位数时的效果,深色柱状图则为第90百分位数,橙色柱状图展示了两者的差异。须状线表示95%的置信区间,估算值来自方程(1)。我们研究了三组社区特征。道路环境包括交通状况以及主干道的分布情况。街道连通性体现的是行人从起点到目的地之间的通行便捷程度。微观设计则涉及街道层面行人环境的实际形态。这些指标的详细内容见补充信息,总结见表S1。道路环境:图A表明,交通状况会削弱设施便利性与步行行为之间的关联。在交通量较低的社区(第10百分位数),WAS增加50分时,以目的地为导向的步行行为会增加72%,而在交通量较高的社区(第90百分位数),同样的增幅仅能带来53%的增长,两者相差19个百分点。这说明繁忙的交通会让行人更容易遭遇行驶中的车辆,即便目的地就在附近,也会降低人们步行的意愿。此外,在主干道占比更高的社区,WAS对步行行为的预测效果更好(增幅为35个百分点),这可能是因为在适合步行的社区中,主干道往往承担着商业走廊的功能,两侧遍布各类零售店和服务场所,能吸引行人前来。街道连通性:图B显示,街道连通性会显著影响设施便利性与步行行为之间的关联。在街道连通性良好的社区(死路占比处于第10百分位数),WAS增加50分时,以目的地为导向的步行行为会增加76%,而在死路众多的社区(第90百分位数),同样的增幅仅能带来16%的增长,两者相差60个百分点。交叉口密度也呈现出类似的趋势(增幅为33个百分点)。这说明道路和死路相互孤立,会加大步行到达附近目的地的难度,而连通性良好的网络则会强化设施便利性与步行行为之间的联系,反之则会减弱这种联系。微观设计:图C表明,建筑物与街道之间的距离,即建筑退让距离,也会影响设施便利性与步行行为之间的关联。在建筑物靠近街道的区域(建筑退让距离处于第10百分位数),WAS增加50分时,以目的地为导向的步行行为会增加84%,而在建筑退让距离较大的区域(第90百分位数),同样的增幅仅能带来47%的增长,两者相差38个百分点。这说明靠近街道的建筑物能营造出更适宜步行的环境,而那些位于停车场和草坪后面的建筑物则不然。另外两项设计指标的影响相对较小。公园空间对步行行为没有影响,住宅占比的影响也很微弱,几乎全是住宅的社区,即便设施便利程度相同,其步行量也比混合用途社区少约7%。讨论:我们的研究表明,基于设施便利性的步行评分并不等同于实际的步行行为,环境条件同样至关重要。因此,我们在全国范围内验证了长期以来对步行评分等指标的批评——它们无法真实反映人们的步行习惯。距离确实会对步行行为产生影响,但作用有限——考虑到美国只有大约三分之一的步行行为是以目的地为导向的,这一结果也不足为奇。即便在那些不属于依赖汽车城市的地区,也有55%的居民的步行量低于其设施便利程度所预示的水平。此外,仅有四分之一的步行行为差异可以由设施便利性来解释。不同城市乃至同一城市内的不同区域也存在差异——居住在市中心附近的居民步行量更多,而一些城市(如纽约)的步行量更接近其设施便利性所预测的水平,另一些城市(如亚特兰大)则不然——但总体而言,步行友好性与实际步行行为之间的差异主要存在于城市内部。鉴于设施便利性与实际步行行为之间的关系存在上述局限,接下来的问题就是究竟是什么因素限制了人们的步行行为。道路环境特征很可能是重要影响因素,已有大量研究探讨了以汽车为中心的城市发展模式所带来的弊端。我们在全国范围内也证实了这一影响,发现交通量较大的社区,步行友好性对步行行为的预测效果不如交通量较小的社区——这一结果虽在意料之中,但其影响程度此前尚未在美国各城市中进行过量化分析。换言之,即便设施便利性很高,繁忙的交通仍会导致以目的地为导向的步行行为减少。街道连通性也存在类似规律。在街道连通性良好、交叉口密度高的社区,步行友好性与步行行为之间的关联明显强于街道孤立、连通性差的社区。部分设计要素也同样重要,尤其是建筑退让距离:在设施便利性相当的情况下,建筑退让距离越小,步行量越高。综合来看,我们的研究结果表明,环境背景具有非常重要的意义。道路环境、街道连通性以及微观设计的某些方面,都会显著影响步行友好性与步行行为之间的关联程度。这意味着,即便在设施便利性很高的地区,人们仍可能因为方便停车而选择开车前往附近的目的地,这既不利于实现与步行友好性相关的城市规划目标,也有损公共健康目标。虽然我们并未直接研究步行友好性与城市设计之间是否存在关联,但我们的研究确实表明,环境背景会影响设施便利性与步行行为之间的关联:那些具备更完善设计要素的社区,其步行量往往高于仅依据设施便利性所预测的水平,而设计要素较少的社区则步行量更低。令人有些意外的是,城市设计与设施便利性之间往往并不一致。有些社区可能以汽车为中心——交通量大、街道连通性差、设计不利于行人通行——但其设施便利性却可能与那些以行人需求为出发点、交通量较低、街道连通性更好、设计更利于行人的社区相当。换句话说,不同社区的Design环境可能存在很大差异,但设施便利性水平却可能相似。由于相同的设施数量可能存在于截然不同的环境中,因此步行友好性与城市形态似乎是城市生活中两个相对独立的维度。这一研究表明,步行行为与设施便利性在一定程度上是分离的,这对城市规划和公共健康领域都有重要启示。从规划角度来看,紧凑且设施完善的城市形态除了能促进身体活动外,还具有其他价值,但如果人们不步行前往附近目的地,这些价值也无法充分发挥作用——紧凑的城市形态还能带来街头活力、社交互动、零售活动以及非正式的公共监督功能(“街头的目光”),而这些都需要人们真正出现在街道上。从公共健康角度来看,结论更为直接:如果缺乏良好的环境条件,仅靠步行友好性是无法实现身体活动目标的。我们承认本研究存在若干局限性。与所有基于数据的实证研究一样,测量方式可能会影响研究结果。例如,目的地步行行为是通过行程的地理路径而非出行目的来推断的。由于我们是根据行程是否在同一街区群内开始和结束来对行程进行分类的,因此可能存在一定的误分类情况——在同一个街区群内完成的短途办事行程可能被归类为休闲步行,而单向的休闲步行若在另一地点结束则可能被归类为以目的地为导向的步行——不过,这一分类结果与NHTS的数据高度吻合,说明其整体影响并不大。此外,WAS与步行评分一样,只是对设施便利性的估算值,而且不同社区和不同人群对“设施”的定义也可能存在差异。例如,WAS并未将社会服务机构、非正规市场、医疗服务机构或交通站点纳入考量,而这些因素可能会影响人们以目的地为导向的步行行为。同样,通过手机数据统计的步行行为也只能反映部分实际情况。自愿提供数据的智能手机用户无法涵盖那些没有智能手机或不愿分享位置信息的人群,不过不同社区的智能手机普及率在收入和年龄层面差异不大(见图S3)。此外,我们的数据也仅涵盖了有限的时间段。我们的步行数据是基于2019年1月至4月的平均值,未能涵盖夏季和秋季的情况,而这两个季节的步行量及其与建筑环境的关系都可能有所不同,我们也未研究步行量在一天之中的变化情况。将分析范围扩展到完整的年度数据面板是接下来的合理步骤。另一个问题在于,我们使用区域级数据来反映环境特征,这意味着区域内可能存在较大差异的各种条件会被平均处理。如果道路条件、街道连通性或微观设计集中在区域内部,而远离设施场所,那么这些因素就可能不会影响到人们的步行环境,从而导致数据出现偏差。我们的分析属于观察性且横截面的研究,因此无法进行因果推断。那些更喜欢步行的居民可能会主动选择居住在设施便利性更高、街道连通性更好或设计更利于行人的社区。因此,部分观察到的关联关系可能反映了居民的自主选择,而非社区特征本身的独立影响。此外,尽管我们的模型考虑了多种社区特征,但还有其他影响步行行为的因素未被纳入考量,比如公共交通服务质量、停车便利性或居民对社区安全的感知。尽管存在这些局限性,但其政策含义十分明确:环境背景至关重要,需要采取更加综合的方式来实现步行友好性与鼓励步行这两个目标。此外,设施便利性与步行行为之间较为松散的关联关系也表明,不同的政策重点可能会带来不同的干预策略。从公共健康的角度来看,重点可能是通过改善安全条件和行人舒适度来最大化步行行为。从城市规划的角度来看,目标可能更为广泛,不仅包括鼓励步行,还包括打造充满活力、社会氛围浓厚的公共空间。无论哪种情况,研究结果都表明,仅靠距离因素是不够的;建筑环境的具体状况才是决定设施便利性能否真正得到利用的关键。结论:几十年来,城市规划者和公共卫生工作者一直倡导建设更适合步行的城市。从各类出版物、倡导组织、非营利机构以及各级政府推出的相关举措来看,人们对步行友好性的认识达到了前所未有的高度。城市规划注重可持续性和城市形态,而公共卫生则关注身体活动,但两者在对步行友好型环境的重视程度上是一致的。即便公共卫生研究者对各种环境下的步行行为都感兴趣,这也并不意味着将建设步行友好型城市作为核心目标的重要性会降低。然而,尽管人们持续意识到这一重要性,但实际进展依然缓慢。在行人基础设施方面已经取得了显著的改善,分区规划改革也促进了混合用途的发展,并更加注重有利于步行的城市形态设计。然而,美国依然高度依赖汽车,以汽车为导向的开发模式并未出现明显放缓。值得欣慰的是,如今有了更完善的 数据来研究这些现象。城市规划师和公共卫生研究人员能够利用更多新的数据来源,从而更深入地了解步行环境以及影响步行便利性的因素。我们的研究就运用了多种此类数据来源:基于InfoUSA商业数据及其他信息得出的步行便利性评分、来自智能手机的GPS移动数据,以及城市环境的区域层面指标。这些数据来源在十年前还难以获取。它们共同为理解这一复杂关系提供了新视角——城市所提供的设施如何影响人们的步行行为,以及为何这种影响往往比人们设想的更为多变。对于城市规划而言,便捷的设施有助于提升城市的宜居性和可持续性;而对于公共卫生来说,则有助于促进人们进行身体活动。实现这两个目标都需要更好的数据、更有力的证据,以及更清晰地理解步行便利性与步行行为这两套相互关联却又各有侧重的体系之间的关联机制。城市政策应超越单纯增加设施供给的做法,转而解决那些实际上促进或阻碍人们步行的因素——尤其是交通状况、街道连通性以及微观层面的设计。借助更完善的数据和更精准的分析,规划师和公共卫生工作者不仅能更准确地判断哪些地方的步行便利性不足,还能更有效地采取措施,营造出既便于步行又能真正鼓励人们步行的环境。

作者贡献说明:
Arianna Salazar-Miranda:写作——审稿与编辑,写作——初稿撰写,可视化分析,方法论,正式分析,数据整理,概念构建。
Emily Talen:写作——审稿与编辑,写作——初稿撰写,方法论,概念构建。
Kevin Credit:数据整理。
Arianna Salazar-Miranda | Emily Talen | Kevin Credit
美国耶鲁大学
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号