理清非线性效应与基于情境的建筑环境因素对社交机会的影响：来自可解释空间机器学习的实证研究——以15分钟社区生活圈为例

《Computers, Environment and Urban Systems》：Disentangling nonlinear and context-contingent built environment effects on social encounter opportunities: Evidence from explainable spatial machine learning in 15-min community life circles

　　• 从大规模匿名GPS居住轨迹中构建了相遇机会指数（EOI）。
• 开发了一个多层次的建成环境指标系统，涵盖了地点、街区和社会社区三个层面。
• 结合了Geographical XGBoost和SHAP方法，以识别非线性和空间变化效应。
• 使用K-means聚类将15分钟的社区生活圈分为三种社会空间类型。
• 发现了建成环境效应中显著的非线性模式和强烈的情境异质性。

**引言**
日常在公共空间中陌生人或熟人之间的非正式相遇是城市社会生活最基本的维度之一，但这种互动逐渐变得脆弱（Qi, Mazumdar, & Vasconcelos, 2024; Sim?es Aelbrecht, 2016）。这些短暂的共存时刻并非无关紧要；它们构成了城市生活日常互动秩序的一部分，并为弱关系的建立与更新提供了基础。因此，公共空间不仅仅是提供移动和活动的场所：它们还促进了不同城市居民之间的低强度接触，是日常城市生活的核心（Fraser, Yabe, Aldrich, & Moro, 2024; Latham & Layton, 2019）。弱关系反过来支持信息传播、社会信任和群体间的桥梁作用，从而维持社区凝聚力（Granovetter, 1973; Layton & Latham, 2022）。然而，在快速的城市化进程中、日益加快的日常生活节奏以及住宅和商业空间的私有化趋势下，偶然的接触机会可能会不均衡地减少或发生空间上的位移（Fraser, Awadalla, Sarup, & Aldrich, 2024; Nilforoshan et al., 2023）。日常相遇结构的削弱与不同人群和空间背景下的孤独感、社区疏离感以及社会资本的减弱有关（Hampton & Gupta, 2008; Moreno, Allam, Chabaud, Gall, & Pratlong, 2021）。因此，理解城市物理环境与这些相遇机会之间的关系成为城市研究和规划实践中的紧迫课题。

长期以来，建成环境一直被认为是非正式社会接触的关键中介。研究表明，混合土地利用、紧凑式开发和高效设施配置能够提升步行便利性和居住机会，从而增加意外人际交往的频率（Mouratidis, 2018; Sonta & Jiang, 2023）。在街道层面，如视觉通透性、座椅设施和连续的活动性街道等设计元素与更高的社会活力和行人停留时间相关（Mehta & Bosson, 2021）。在社区层面，更容易接触公共开放空间与更强的人际信任和规范认同感相关（Elldér, Haugen, & Vilhelmson, 2022; Francis, Giles-Corti, Wood, & Knuiman, 2012）。总体而言，这些发现表明，促进存在感、移动性和空间共享使用的环境为社交互动创造了有利条件。

然而，越来越多的证据表明这一观点掩盖了实质性的复杂性。建成环境与社会相遇之间的关系既不是统一积极的，也不是单调线性的。高密度开发虽然集中了潜在的接触机会，但也可能导致拥挤压力和互动减少（Cai, Xiang, & Ng, 2023; X. Zhang, Chen, & Huang, 2025）。虽然通常被视为社会便利设施的广阔绿地面可能会因空间配置分割活动性街道或使行人流量偏离社交密集区域而减少日常共存（Dadvand & Nieuwenhuijsen, 2018; Kondo, Fluehr, McKeon, & Branas, 2018）。关于隔离现象的研究进一步表明，同样的城市基础设施可能在某些空间背景下促进跨群体交流，而在其他背景下则加剧隔离（Abbiasov et al., 2024; Moro, Calacci, Dong, & Pentland, 2021）。这些悖论表明需要分析框架来检测非线性阈值、饱和效应和情境依赖的逆转，而不仅仅是假设稳定的方向性关系。

尽管取得了显著进展，但目前对建成环境对社会相遇机会影响的理解仍受到四个相互关联的限制的制约。首先，空间单元的选择是分析精度的重要来源（Hasanzadeh, Purkarthofer, Kajosaari, & Kytt?, 2025; Martí, Serrano-Estrada, Nolasco-Cirugeda, & Baeza, 2022）。大多数现有研究通过行政边界或欧几里得缓冲区来划分社区，但这些边界与居民的实际活动空间不符（Duncan, Hurvitz, Moudon, Avery, & Tsang, 2021; Liao, Gil, Yeh, Pereira, & Alessandretti, 2025; Shirazi, 2020）。由于相遇空间更多地受到可步行道路网络的影响而非几何距离，任意设定的面积单元会在结果和环境预测因子中引入系统性测量误差（J. Li et al., 2022; Omwamba, Rotaris, & Longo, 2025）。本文通过网络约束等时线分析划定的15分钟社区生活圈提供了一种理论上有依据且可实证复制的替代方案，更好地将分析单元与人们的日常生活地理现实相匹配（Moreno et al., 2021; Papadopoulos, Sdoukopoulos, & Politis, 2023; S. Zhang, Zhen, Kong, Lobsang, & Zou, 2023）。最近的研究还表明，居民在15分钟生活圈内的实际居住程度在不同社区和收入群体之间存在显著差异，这强调了需要基于数据而非假设来划定生活圈边界（Abbiasov et al., 2024）。

其次，社会相遇的测量方法仍不成熟（W. Chen, Natapov, & Ali, 2025; Qi et al., 2024; Zhu, Zhang, & Biljecki, 2025）。主流方法依赖于自我报告的调查或静态代理指标，如行人计数或兴趣点访问频率，这些方法要么捕捉主观感知，要么统计总流量，但没有解决人际共存的时空结构（Campos-Castillo & Hitlin, 2013; W. Chen et al., 2025）。高分辨率移动数据的大量涌现为构建基于行为的相遇强度测量提供了新机会，这些测量既反映了空间邻近性，也反映了在公共场所中的时间重叠（Fraser, Awadalla, et al., 2024; F. Xu et al., 2025）。这些基于移动性的共存测量能够真实反映面对面接触的可能性，因为研究已显示时空共存与观察到的社会互动之间存在显著相关性（Liao et al., 2025; Van Ameijde, Cheng, Leung, Zhang, & Dong, 2025）。这些测量结果可以汇总为社区层面的指标，作为建成环境分析的客观、大样本结果变量（Heine, Abbiasov, Santi, & Ratti, 2025）。

第三，对建成环境效应的分析受到方法论极化的限制。传统的回归模型假设线性关系，从而无法检测到阈值效应、收益递减和复杂城市系统中常见的互动结构（Mouratidis & Poortinga, 2020; Zhou, Yang, Yang, & Zhang, 2025）。相比之下，纯预测性的机器学习方法虽然能够实现高模型拟合度，但牺牲了解释性透明度，对个别变量贡献的方向、 magnitude和功能形式了解有限（Koldasbayeva et al., 2024; Lundberg & Lee, 2017）。将梯度提升模型与Shapley additive explanations（SHAP）结合使用，可以在预测灵活性和机制可解释性之间找到平衡，已被证明有助于揭示建成环境对城市活力、出行行为和环境质量等结果的非线性影响（Lundberg et al., 2020）。此外，地理加权的集成模型解决了城市数据中普遍存在的空间非平稳性问题，而传统全局模型常常忽略这一问题（F. Chen, Leung, Wang, & Zhou, 2024; F. Gao, He, & Kwan, 2025）。

第四，也许最关键的是，现有研究未能充分探讨建成环境特征在不同空间背景下的效应差异。大多数研究为整个研究区域估计了一组固定的系数，隐含地假设相同程度的步行便利性或绿色覆盖在低密度边缘社区和高强度城市核心区域会产生相同的效果。这种空间同质性的假设与理论预期和新兴的实证证据相矛盾，后者表明城市形态与社会结果之间的关系受到社区类型的调节（Heine et al., 2025; Legeby & Feng, 2022）。因此，需要按社区类型分层分析，结合建成环境和社会人口统计维度，以揭示同一环境特征在一种情境下可能起到补偿作用，在另一种情境下可能是边际贡献者，在第三种情境下则可能是减少甚至负效应的来源（Dong, Zhu, Dong, Zhao, & Wang, 2025; Eng & McCormack, 2025）。

本研究通过应用于成都这一15分钟社区生活圈规划前沿的中国特大城市的综合分析框架来解决这三个限制。我们以18,856个住宅社区为锚点，划定了网络约束的15分钟步行生活圈，并从7,480,793名用户的匿名GPS居住轨迹中构建了连续的相遇机会指数（EOI），同时过滤掉类似家和工作的锚点以隔离在开放公共活动场景中的相遇。我们构建了一个多层次的建成环境指标系统，包括31个变量，涵盖地点层面的感知质量、街区层面的功能结构和社区层面的可达性模式，并通过递归VIF消除法检查多重共线性。使用地理XGBoost（G-XGBoost）模型进行空间分组嵌套交叉验证，以捕捉非线性和空间变化的关联，同时利用SHAP值分解来识别变量重要性排序、边际响应曲线和交互效应。通过对综合建成环境和社会人口统计维度进行K-means聚类，将生活圈进一步分为三种社会空间类型，从而可以进行分层的SHAP分析，探讨建成环境的影响结构如何在边缘、中间环和核心城市区域中重新配置。

通过这种方法，本研究在四个方面丰富了现有文献：首先，它引入了一种基于行为的、连续加权的相遇机会测量方法，超越了简单的共存计数和主观调查工具；其次，它证明了网络约束的生活圈作为捕捉建成环境与日常社会接触关系的更优分析单元；第三，它提供了非线性响应模式的系统证据，包括阈值激活、饱和 plateau 和分阶段升级，从而挑战了传统模型的隐含线性假设；第四，它揭示了建成环境影响结构的显著情境异质性，表明对相遇机会形成最具影响力的因素在不同生活圈类型间存在质的不同。这些贡献共同提供了实证依据和机制透明的解释，说明如何设计当代特大城市的社区生活圈以维持城市社会活力所依赖的日常相遇机会。

**方法论**
本研究以城市社区生活圈为分析单位，开发了一个多源、数据驱动的框架，探讨建成环境如何塑造社会相遇机会（图1）。首先，划定网络约束的15分钟社区生活圈；其次，在过滤掉类似家和工作的锚点后，从匿名GPS居住轨迹中构建相遇机会指数（EOI）；第三，建立了一个多层次的建成环境指标系统，并进行了聚类分析。

**附录C** 比较了K=2至K=10的聚类评估结果。尽管K=2解决方案获得了最高的平均轮廓指数（0.6027）、平均CH指数（13,997.57）和非常高的平均ARI（0.9978），但其过于粗糙：最大的聚类占样本的61.72%。相比之下，K=3解决方案在保持高聚类质量和稳定性的同时，产生了更加平衡和可解释的类型划分。随着K值的增加，轮廓指数和CH指数均有所改善。

**非线性机制：阈值、饱和和分阶段激活**
基于SHAP的分解显示，建成环境特征与社会相遇机会之间的关系主要是非线性的。分析揭示了三种不同的响应模式：阈值-plateau、持续约束和分阶段升级，每种模式都暗示了不同的规划逻辑。

**结论**
本研究开发了一个多层次的分析框架，用于研究成都15分钟社区生活圈内建成环境与社会相遇机会之间的非线性、交互性和情境依赖的关联。通过整合大规模GPS轨迹数据、街道视图语义分割和可解释的空间机器学习方法，本研究超越了现有文献中常见的线性假设和空间同质性前提。未收集任何个人身份信息。

资金支持：本研究得到了中国教育部人文社会科学青年基金项目（项目编号：23YJC760101）的资助。

利益冲突声明：作者声明在本文的研究、撰写和/或发表过程中不存在任何潜在的利益冲突。

致谢：作者感谢他们的同事以及所有在研究过程中提供支持和帮助的人士。

作者：Man Zhang、Yuwei Wu、Qianqian Li、Peiqing Cao、Tao Shen