基于三步图卷积网络的城市绿地休闲网络驱动因素与韧性分析

《Sustainable Cities and Society》：Driving factors and resilience of urban green space recreational network based on Three-Step Graph Convolutional Network

　　

摘要

受社会经济因素、建筑环境及基础设施的影响，城市绿地休闲网络的复杂性给理解推动人们前往休闲场所的机制带来了挑战。本研究将2023年的手机信号数据、微博签到数据以及腾讯位置大数据整合到基于三步GCN的框架（3SGCN）中，用以构建从家庭到公园以及从公园到公园的休闲网络，识别其空间上不同的驱动因素，并评估其抗风险能力。表示从家庭到公园流动的无向网络呈现出多中心结构，北京的城市区和郊区各有1个中心区域和10个次中心区域。而定向网络则显示出第六环路以内的集中式结构，核心区域是主要的枢纽。对于无向网络而言，出发地的土地用途类型（0.944）和距离（?0.254）具有最强的标准化关联，而出发地的人口密度和房价则与流动强度呈正相关。在定向网络中，距离（?0.459）的负向关联最为显著；出发地的人口密度、道路密度和房价与流动强度呈正相关，而目的地的房价则呈负相关。经过初始连通性标准化处理后，无向网络对随机删除节点的抵抗能力更强，而定向网络在经过加权PageRank算法的针对性删除操作后更具抗性；两者的关键节点分别集中在风景名胜园和历史公园以及小型社区公园中。这些研究结果为改善郊区和城乡结合部的休闲可达性和基础设施提供了规划思路，有助于解决绿色绅士化带来的公平问题，同时提升交通灵活性和公园容量管理能力，增强系统的抗风险性。

引言

城市绿地对于建设可持续的城市和社区起着至关重要的作用（Wu等，2023），这也与联合国可持续发展目标11相契合。这类绿地，如公园，不仅具有美学和生态价值，还能提供重要的休闲场所（Shan & He，2025），从而提升城市的宜居性。随着城市化进程的加快，人们对休闲空间的需求日益增加，这促使各城市重新思考其绿地规划策略（Liu等，2020）。值得注意的是，居民区与绿地之间的休闲流动形成了网络结构，包括被视为无向图的家庭到公园的双向网络，以及有向的公园到公园的序列网络（C. Zhang等，2026）。尽管有这些好处，但城市绿地休闲网络仍可能因公园关闭、基础设施故障以及环境灾害而受到破坏，因此有必要了解推动休闲流动的机制以及网络结构的抗风险能力。

然而，目前很少有研究能够将家庭到公园和公园到公园的休闲网络重建、空间上变化的驱动因素分析以及抗风险能力评估整合到一个统一的框架之中。因此，本研究旨在：（1）利用手机信号数据、微博签到信息以及腾讯位置大数据，构建无向的家庭到公园双向网络和定向的公园到公园网络；（2）运用SWIM模型分析这些网络中空间上不同的驱动因素；（3）通过节点删除分析来评估其结构稳定性。本研究的方法学贡献在于整合了多种不同的移动性数据集，从而重建出在行为特征和拓扑结构上都有差异的两种休闲网络。

章节节选

城市绿地休闲网络与抗风险能力

城市绿地休闲网络容易受到基础设施变化、环境灾害、自然灾害以及城市开发项目的影响（Xiao等，2024）。这类干扰会严重影响这些绿地的可达性和功能完整性（Dang等，2024；Geng等，2024），进而直接影响居民的健康和生活质量。所谓城市绿地休闲网络的抗风险能力，指的是其保持

研究区域与数据来源

本研究的研究区域为北京（东经115.7–117.4°，北纬39.4–41.6°），是中国北方一个快速城市化的特大城市（Ye等，2025）。截至2023年底，北京的常住人口为2185.8万。该地区的数据库中记录了1039处绿地，总面积达721.00平方公里，这些绿地被分为特殊公园、历史公园、小型公园、生态公园、社区公园、综合公园以及自然公园等多种类型（Jiang等，2025）。其中，有1037处拥有完整属性数据的公园被用于后续的变量分析（Ye等，2024）。

这些

无向与定向的城市绿地休闲网络

我们利用全天基于位置的数据，构建了北京各类绿地的无向和定向休闲网络。通过相同的五折交叉验证方法，3SGCN在公园到公园网络的内部基准测试中取得了最佳性能（R2=0.758，RMSE=0.221，AUPRC=0.927，F1=0.866；见附录S4）。流量和链接指标分别是根据预先校准的边流量标签和微博的访问状态来评估的，因此这些指标能够反映

城市绿地休闲网络的空间异质性

在无向网络中，较高的局部R²值集中在北京的中心城区，向东和向南延伸至天津地区；而在定向网络中，则集中在第三环路附近。西部和外围地区的R²值较低，包括第一环路以内的区域（见图6n和7r）。该模型在经济社会发展水平较高的地区，尤其是城市中心区域，具有更强的解释能力，能够更有效地解释当地的休闲流动情况

结论

本研究构建了一个基于三步GCN的集成框架，利用多种互补的数字数据来重建从家庭到公园以及从公园到公园的休闲网络。该研究的贡献在于实现了多源数据的整合以及不同类型的图形结构构建。通过内部基准测试和消融实验，证明了3SGCN在处理公园到公园网络时具有良好的重建效果，这些验证都是基于预先校准的边流量标签和微博访问状态，而非外部验证数据

CRediT作者贡献说明

叶阳：撰写——初稿、软件应用、方法设计、正式分析、概念构建。项阳：数据收集工作。张洋洋：数据整理工作。李迪：撰写——审阅与编辑。李雄：项目监督、资源协调、项目管理以及资金筹集工作。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了中国国家自然科学基金（项目编号：32501728）以及中国自然资源部空间智能规划技术重点实验室开放基金（项目编号：20250302）的支持。我们还要感谢编辑们和匿名审稿人提出的宝贵意见。

叶阳|项阳|张洋洋|李迪|李雄

北京林业大学景观建筑学院，中国北京100083