针对非机动交通普及的预测性政策压力测试：一种情景模拟与可解释机器学习框架——以基加利市为案例研究

《Sustainable Cities and Society》：Predictive policy stress-testing for non-motorized transport adoption: A scenario simulation and explainable machine-learning framework. A case study of Kigali city

　　摘要：非机动交通是实现安全、低碳城市出行的关键，但由于基础设施质量、感知安全性以及社会经济因素之间的非线性相互作用，如何确定优先发展的交通走廊仍面临挑战。因此，需要具备不确定性识别能力的场景分析工具，用以比较不同走廊层面的政策组合，为非机动交通规划提供早期决策支持。本研究提出了一种预测性场景支持框架，用于在规划初期对各类政策进行筛选，该框架整合了监督学习、场景分析、自举法不确定性量化以及可解释人工智能诊断技术。以卢旺达基加利为例，通过调查数据和走廊状况评估数据对分类模型进行了对比测试，最终选定随机森林作为主要预测模型。网络质量、连续性和安全性等要素通过明确的特征偏移假设来表示，而有限样本下的不确定性则通过非参数自举重采样方法进行量化。该框架预测显示，在高频使用非机动交通方面，相关走廊的预测差异为+4.01个百分点（95%自举置信区间为+0.50至+4.76个百分点）。不同分类模型也得出了相似的积极预测结果，不过具体数值存在差异。累积增长冲击测试以及±20%弹性敏感性分析表明，在给定假设条件下，预测结果具有方向稳定性，这些输出更多属于诊断性结论，而非经过校准的长期预测值。SHAP和LIME技术则有助于将预测结果与实际的出行行为、行程时长、专用非机动交通空间、交叉口条件、人行道维护状况、安全风险以及社会经济差异等因素联系起来。总体而言，该框架有助于在数据资源有限的城市环境中，对走廊层面的非机动交通政策组合进行早期筛选。

引言：非机动交通，主要是步行和骑行，对于提升出行便利性、改善公共健康、保障道路安全、提高城市宜居性以及推动低碳出行具有重要意义，因而成为可持续城市交通政策的核心内容（Ding等人，2024；Ewing与Cervero，2010；Friel等人，2024；Namakula等人，2025；Roaf等人，2024；Stappers等人，2018）。大量关于建成环境与出行行为的研究表明，步行和骑行的选择受到密度、土地用途结构、街道连通性、以行人为导向的设计、路线连续性、感知安全性以及行程时间压力等多重因素的影响（Cervero与Kockelman，1997；Ewing与Cervero，2010；Gan等人，2021；Roaf等人，2024；Stappers等人，2018）。行为理论进一步指出，人们选择步行或骑行不仅取决于实际的基础设施条件，还与感知到的行为控制感、个人习惯、综合出行成本以及所处环境是否有利于主动出行有关（Lois等人，2015；Mandal等人，2023；Michie等人，2011）。在那些快速城市化的地区，交通流量和土地开发速度可能快于安全、连续且维护良好的非机动交通设施的建设速度，这些关系显得尤为重要（Chakraborty等人，2025；Pojani与Stead，2018）。

在方法论方面也存在一定的不足，这也是导致政策制定面临挑战的原因之一。许多关于非机动交通的实证研究仅能提供在现有条件下的横截面关联分析、障碍因素排序、边际效应或特征重要性结果。传统的交通行为分析工具，如逻辑回归/概率回归模型以及混合离散选择模型，依然是用于分析随机效用、边际效应、弹性以及政策效果的基础方法（Ton等人，2019；Train，2012）。不过，这些方法通常需要预先设定效用函数，手动定义各种交互效应，并且要对基础设施或政策因素如何影响决策过程做出明确假设（Ben-Akiva等人，2002；Ghorbani等人，2025；Martín-Baos等人，2023；Rahnasto与Hollestelle，2024；Train，2012）。虽然机器学习模型能够捕捉到更为复杂的出行行为模式，但这类模型也需要经过验证、确保可解释性、评估其泛化能力，并控制过拟合问题（M. Ali，2024；Hassan等人，2025；Rahnasto与Hollestelle，2024；S. Wang等人，2024）。

如今的交通分析日益结合机器学习、混合选择模型、基于活动的建模、基于代理的仿真、数字孪生技术以及稳健的情景规划方法，以此来分析复杂的交通系统及不同的政策方案。混合选择模型能够纳入人们的潜在感知和态度因素（Ton等人，2019），而基于活动和基于代理的模型则可用于模拟个体的出行计划、虚拟人群以及网络间的互动关系，不过这类模型往往需要大量的详细数据并进行精确校准（Jafari、Singh等人，2025；Nag等人，2025；Rasouli与Timmermans，2014；Z. Wang等人，2022）。数字孪生技术则通过动态数据整合和情景测试进一步拓展了这一思路，但其应用依赖于完善的数据基础设施、强大的计算能力以及专业的建模资源（Z. Wang等人，2022；Zech等人，2026）。

稳健的决策制定和情景规划方法强调在充满不确定性的未来环境中测试各种政策选项，而非依赖单一的预测结果（Baera等人，2025；Engholm与Kristoffersson，2025；Haasnoot等人，2013；Kwakkel等人，2016）。正因如此，便需要一种以特定走廊为对象的诊断工作流程，借助拦截式调查和基础设施状况评估数据，以便在数据有限的背景下开展具有不确定性意识的非机动交通规划。本研究旨在探讨如何将走廊调查数据与基础设施评估数据转化为简洁、易于理解且具备不确定性意识的预测性情景分析结果，从而为数据有限的城市中的非机动交通规划提供依据。为填补这一空白，本研究提出了一种用于在规划初期筛选走廊层面非机动交通政策组合的预测性场景支持框架，该框架整合了监督模型基准测试、可审核的政策与特征映射功能、自举法不确定性量化、累积增长冲击压力测试以及可解释人工智能诊断技术。

卢旺达基加利市因其快速的发展速度、以道路为基础的多模式交通体系、地形限制、交通拥堵以及长期存在的非机动交通安全与基础设施缺陷，成为研究此类问题的理想案例（Ba等人，2020；NISR，2023；Sovacool等人，2022；D. Wang等人，2020）。该市的交通规划也注重改善非机动交通条件，以提升出行包容性、保障“首尾段”出行的便捷性、加强道路安全并推动可持续出行发展（基加利市政府，2020）。本研究并未对整个城市的出行情况或整体人口层面的因果关系进行分析，而是聚焦于部分高风险走廊。所提出的工作流程通过识别关键的非机动交通障碍、估算带有不确定性范围的预测情景差异，以及测试在特定累积增长冲击假设下这些差异是否仍保持方向稳定性，从而为走廊层面的规划提供支持。

本研究共提出了三个研究问题：RQ1：在基加利，哪些基础设施感知因素、出行特征以及社会人口统计因素最能预测人们频繁使用非机动交通的行为？RQ2：在考虑与政策相关的网络质量、连续性和安全性因素时，频繁使用非机动交通的预测情景差异是多少？这一估计的不确定性程度又如何？RQ3：在不同的累积增长冲击假设下，预测情景差异是否仍保持方向上的稳定性？又是哪些行为、空间以及基础设施方面的因素导致了预测结果的差异？

相较于现有的非机动交通及相关数据驱动的出行研究，本研究的贡献在于：首先，它提供了一种端到端的预测性场景支持工作流程，将模型基准测试、经过交叉验证的分类器选择以及政策与特征的关联性分析有机结合起来，便于在不同走廊层面进行政策比较；其次，该框架设有可审核的政策组合设定模块，能够将走廊的质量和安全相关因素转化为明确且范围有限的特征偏移假设，从而确保情景分析的透明性与可重复性；第三，它采用了非参数自举法对预测情景差异进行不确定性评估，同时通过低、中、高三种累积增长冲击假设下的压力测试，来分析预测结果随时间的变化趋势及其方向稳定性；第四，该框架还配备了可解释性分析模块，利用SHAP技术分析整体的预测结构，借助LIME技术解释局部差异，从而将模型学到的响应规律转化为易于理解的非因果性出行规划诊断信息。

本文的其余结构如下：第二节回顾相关背景及研究缺口；第三节介绍数据来源与研究方法；第四节呈现研究结果；第五节进行讨论；第六节总结全文。