双重负担：建成环境如何与通勤对主观幸福感造成的代价相互作用

《Journal of Transport & Health》：The double burden: How built environment interacts with commuting's toll on subjective well-being

　　

摘要
引言：主观幸福感（SWB）是衡量生活质量的重要指标。然而，以往研究很少分析通勤和建成环境（BE）对 SWB 的交互效应。
方法：为弥补这一空白，本研究使用 2018 年中国劳动力动态调查（CLDS）的 9389 个样本，并应用极端梯度提升（XGBoost）模型，检验通勤和建成环境特征与 SWB 之间的非线性关联及其交互效应。
结果：结果表明，通勤时间与 SWB 之间存在倒 S 型关系，经验阈值约为 25 分钟，超过此阈值后交互效应发生显著变化。当人口密度超过 18,000 人/km2或绿化覆盖率低于 5% 时，SWB 显著下降。改善措施，如提高公共交通可达性、优化街道照明、减少环境污染和提升社区清洁度，可能通过减轻其对 SWB 的负面影响，部分抵消更长通勤带来的负担。
结论：这些发现表明在全国范围内初步估计了一个 25 分钟的阈值。交通和规划政策应仔细考虑不同城市背景下通勤负担和建成环境状况，以更好地支持居民的主观幸福感。

1. 引言
主观幸福感（SWB）是评估个人和社会福祉的稳健指标。监测公民自报的幸福感和生活满意度对于促进个人和社会繁荣至关重要（Diener et al., 2018）。现有证据表明，SWB 与出行行为密切相关（Clark et al., 2020; J. Liu et al., 2022）。通勤特征，如通勤时间和方式，已被广泛检验为 SWB 的重要决定因素（Chatterjee et al., 2020）。建成环境特征也被证明会影响 SWB（Altomonte et al., 2020; Y. Chen et al., 2024）。然而，通勤和建成环境特征往往被分开检验，或被视为平行预测因子。关于建成环境状况如何与通勤相互作用，特别是它们能否缓解或加剧长通勤对 SWB 的负面影响，知之甚少，这限制了理论进步和循证政策制定。

此外，线性关系的假设主导了当前文献，可能会掩盖非线性关系、阈值效应和变量交互。这在一定程度上解释了为什么以往研究报告了混合或违反直觉的发现。例如，研究表明通勤与生活满意度没有显著关联（Lorenz, 2018），或建成环境对 SWB 的效应在统计上可忽略不计（Ram et al., 2020）。最近的研究越来越多地使用机器学习方法来捕捉交通和建成环境研究中的非线性关系。例如，Ding 等人（2018）和 Dong 等人（2025）通过梯度提升决策树（GBDT）识别了建成环境特征与出行行为之间的非线性联系。通过放松预定义的线性假设，机器学习方法可用于捕捉非线性和交互动态（Y. Chen et al., 2024; Peng et al., 2023; Wu et al., 2024, 2026）。

尽管越来越多的研究考察了与 SWB 相关的通勤或建成环境因素，但大多数依赖于线性建模方法，并将这两个领域分开对待。关于这两个领域如何相互作用的研究较少。这可能会掩盖重要的阈值效应和补偿模式。为解决这一空白，本研究使用 2018 年中国劳动力动态调查（CLDS）的数据，并应用可解释的机器学习方法，检验通勤和建成环境特征与 SWB 的非线性关联及其交互模式。本研究的贡献在于两个方面。首先，它确定了经验性的通勤时间阈值，并表明通勤方式和几种建成环境特征与 SWB 的关系在该阈值周围发生变化。其次，它揭示了一些建成环境特征可能会抵消与更长通勤相关的 SWB 下降的部分。这些发现为旨在改善居民 SWB 的更有针对性的交通和规划干预提供了实证证据。

本文的其余部分结构如下：第 2 节回顾了通勤和建成环境对 SWB 关系的文献。第 3 节介绍了数据和方法论。第 4 节展示了研究发现。最后，第 5 节提供了结论和局限性。

2. 文献综述
2.1. 通勤与主观幸福感
主观幸福感受到两个关键通勤属性：通勤时间和方式的显著影响。传统且广泛使用的回归方法通过生成可解释的系数，在量化 SWB 响应方面具有独特优势（Fang et al., 2024）。例如，Razzak 等人（2023）发现，与通勤时间少于 15 分钟的员工相比，通勤时间超过 60 分钟的员工面临差 SWB 的风险高 2.24 倍（95% CI, 1.82–2.77）。这些方法通常预设线性关系，产生一致的证据表明较长通勤与 SWB 下降有关（Jung et al., 2023; McCarthy and Habib, 2018）。然而，这一假设存在过度简化潜在动态的风险，并可能掩盖更细致的模式。最近的研究深入挖掘了该主题，并显示了非线性关系。例如，Yang 等人（2022）采用随机森林算法证明了满意度与通勤时间之间的非线性关联，进一步识别了不同人口群体容忍的特定通勤时间阈值。特定阈值的分析识别了关键通勤时间：在 60 分钟时 SWB 相关性从负相关逆转为弱正相关（Yu et al., 2024），以及超过 49 分钟后 SWB 显著下降（Yin and Shao, 2021）。较长通勤可能不会统一损害福祉，因为它们可以促进获得较低住房成本或改善居住环境（Y. Liu et al., 2024）。这种补偿逻辑符合搜寻理论，该理论认为，当工资或便利设施收益抵消时，个人会接受较长通勤，直到跨越保留阈值，此时搬迁或换工作成为最优选择（Van Ommeren et al., 1997, 1999）。与此理论框架一致，Ma 等人（2025）发现通勤时间超过 30 分钟增加了搬迁或换工作的可能性。这些发现共同突出了情境因素和补偿机制如何重塑通勤时间与 SWB 之间的关系。

虽然通勤方式对 SWB 的影响通常小于通勤时间（Lorenz, 2018），但它仍然可以揭示不同通勤方式偏好下 SWB 的潜在差异。例如，长时间通勤对骑行者的 SWB 负面影响大于公共交通用户，但对私家车用户的影响相对较小（Taylor and Mitra, 2021）。Zhao 等人（2024）发现，公共交通用户通常报告较高的 SWB，但女性公共交通用户倾向于有较低的 SWB（Herman and Larouche, 2021）。此外，汽车拥有量减少了步行或骑行等主动出行方式的采用，这一行为转变进一步受城市建成环境特征的中介（C. Yin et al., 2020）。这表明建成环境可以通过塑造通勤方式间接影响 SWB。

2.2. 建成环境与主观幸福感
建成环境对 SWB 有显著影响（C. Yin et al., 2024）。城市流动性规划者寻求通过改善建成环境来增强居民的 SWB，建成环境塑造了社会互动、休闲机会和健康结果（Zumelzu and Herrmann-Lunecke, 2021）。建成环境的影响表现在不同的空间背景下，包括居住社区、工作场所和通勤路线。居住建成环境，其特征为社区密度（Mouratidis and Poortinga, 2020）、绿地（Pfeiffer and Cloutier, 2016）和健身设施（Anderson, 2015）等因素，通过直接暴露影响 SWB。证据表明，获得绿地（Reyes-Riveros et al., 2021）、较高的人口密度（?elinsky et al., 2021）以及更好的步行和骑行基础设施（Navarrete-Hernandez and Christopher Zegras, 2023）都有助于提高 SWB。工作场所建成环境涉及类似的变量（如密度、可达性和便利设施），但这些因素的重要性水平往往不同（Y. Chen et al., 2024; Sun et al., 2022）。同时，通勤路线沿线的建成环境变量，包括街道照明（Jones, 2018）、步行适宜性（Frank et al., 2007）和交通可达性（N?ss et al., 2019），通过感知安全和可靠性影响旅行体验质量，从而影响 SWB（Mouratidis, 2021）。

研究越来越多地揭示，建成环境因素与 SWB 之间的关系表现出非线性模式和显著的交互效应。为了更好地捕捉这些复杂关联，最近的研究越来越多地转向机器学习方法。例如，梯度提升决策树（GBDT）（C. Yin and Shao, 2021; Huang et al., 2023）和极端梯度提升（XGBoost）（Y. Chen et al., 2024; D. Yang et al., 2025）已被用于评估建成环境特征对 SWB 的相对重要性及其与 SWB 的非线性关联。这些研究揭示了不同建成环境变量之间的交互关系，表明改善某些特征可以补偿其他特征的负面影响。例如，功能多样性可以抵消交通危险（Dong et al., 2025），而地铁站附近区域的可达性收益因环境拥堵而减弱（C. Li et al., 2025）。另一项研究考察了跨空间背景的交互作用，发现居住绿地可以缓解工作场所绿地对通勤满意度的不利影响（Y. Chen et al., 2024）。尽管这些作品同时纳入了建成环境和通勤变量，但很少有研究具体调查建成环境与通勤在塑造 SWB 方面的交互作用。

总之，通勤和建成环境特征影响 SWB 的路径高度复杂。由于研究背景和方法论的差异，可能会出现不同的结果。然而，关键的是，研究其对 SWB 协同效应的研究仍然很少。为解决这一空白并揭示这些多维交互，本研究采用机器学习技术，从全国视角系统地检验非线性关系和协同效应。

3. 数据与方法
3.1. 数据
中国劳动力动态调查（CLDS）是由中国中山大学社会调查中心进行的一项全国代表性大规模调查。它涵盖 28 个省和直辖市，覆盖从超大型城市、特大城市和大型城市到中型和小型城市的城市层级，旨在系统地监测中国城乡劳动力的变化。该调查采用多阶段、分层概率抽样比例于劳动力规模的策略，以确保样本代表性。数据通过个人、家庭和社区层面的面对面访谈和问卷相结合的方式收集。为确保数据质量，实施了严格措施，包括标准化访谈员培训和数据收集期间的逻辑检查，满足了科学和合理抽样的需求。CLDS 数据已被广泛用于 SWB 研究，如越来越多的近期出版物所证明的那样（例如，G. Huang et al., 2022; Hu et al., 2020; S. Yang et al., 2023）。

本研究使用了 2018 年 CLDS 的数据。使用 Stata 进行数据处理，将个人、社区和家庭层面的原始数据合并为 15,609 个观测值。在去除 3864 条核心变量缺失值的记录并排除 2356 条报告通勤时间为零分钟的观测值后，获得了 9389 个观测值的最终研究样本。

3.2. 变量
3.2.1. 因变量
主观幸福感通常视为一个多维构念，通常通过关于幸福感或满意度的调查项目来经验性测量（Diener et al., 2018）。以往研究大多采用单变量测量来评估“幸福感”或“生活满意度”（X. Huang et al., 2023; Maheshwari et al., 2024; ?elinsky et al., 2021）。然而，依赖单一项目可能会引入测量偏差并掩盖更复杂的关系（Kim and Jin, 2023）。为减少这种潜在偏差，本研究同时使用“幸福感”和“生活满意度”作为综合 SWB 得分。

“幸福感”变量通过问题“你感觉有多幸福？”进行测量，并按 1 至 5 分评分（非常不幸福到非常幸福）。“生活满意度”变量通过问题“你对你的生活有多满意？”进行评估，同样按 1 至 5 分评分（完全不满意到完全满意）。这两个项目高度相关（Pearson 相关系数= 0.854），表明强正相关，支持将它们组合成综合 SWB 得分。因为这两个项目都在同一量表上且方向相同，综合 SWB 得分是通过平均两个回答计算的。综合 SWB 的样本均值为 3.84（SD = 0.83），反映了受访者中等偏高的 SWB。这与中国以往研究的结果大致一致（X. Huang et al., 2023）。

3.2.2. 自变量
主要自变量包括两类：通勤和建成环境特征。

通勤时长通过调查问题量化：“平均而言，您单程在居住地与工作地点之间花费多少分钟？”通勤方式分为三类：公共交通（公交车、地铁、班车、出租车等）、主动方式（步行、骑自行车或使用摩托车/电动自行车）以及私家车通勤。对受访者数据的分析显示，平均单程通勤时间约为 27 分钟，主动通勤成为抽样通勤者中的主要方式。

建成环境特征包括受访者居住社区的多维属性。人口密度以每平方公里居民数衡量。社区设施的可用性，包括是否有公交车站、路灯、健身设施和铺设好的道路，通过居民调查中的二元（是/否）问题进行评估。环境指标包括绿化覆盖率和污染。污染变量基于居民关于其社区是否存在明显环境污染（如水或空气污染源）的主观反应进行操作化。最后，感知评估采用标准化的 5 点李克特量表来评估清洁度、安全性和社区支持。

### 3.2.3. 变量描述

社会人口学和健康行为特征作为控制变量包含在模型中，因为它们与 SWB（主观幸福感）既有联系，又可能对出行行为产生影响（Deng 等，2024）。通过分析所有变量的相关系数矩阵，结果显示各变量的相关系数均低于 0.60，表明数据集不存在多重共线性问题。变量的统计描述见表 1。

**表 1. 变量描述 (N = 9389)。**

| 变量 | 描述 | 均值/案例 | 标准差/百分比 |
| :--- | :--- | :--- | :--- |
| **SWB（因变量）** | | | |
| SWB | 综合 SWB 得分 | 3.84 | 0.83 |
| **通勤特征（自变量）** | | | |
| 通勤方式 | 0: 公共交通
1: 主动方式
2: 机动车辆 | 7658
7904
720 | 8.15%
84.18%
7.67% |
| 通勤时间 | 平均单程通勤时间（单位：分钟） | 27.28 | 30.81 |
| **建成环境特征（自变量）** | | | |
| 人口密度 | 社区人口与面积比率（单位：万人/平方公里） | 0.26 | 0.49 |
| 绿化覆盖率 | 社区绿地比率（单位：%） | 30.39 | 28.63 |
| 公交车站 | 0: 社区无公交车站
1: 有公交车站 | 6299
3090 | 67.09%
32.91% |
| 路灯 | 0: 无路灯
1: 有路灯 | 3614
5775 | 38.49%
61.51% |
| 健身设施 | 0: 无健身设施
1: 有健身设施 | 3558
5831 | 37.9%
62.1% |
| 路面状况 | 0: 未铺设道路
1: 铺设好的道路 | 3255
6134 | 34.67%
65.33% |
| 污染 | 0: 无环境污染
1: 有环境污染 | 7648
1741 | 81.46%
18.54% |
| 感知清洁度 | 非常脏到非常干净（评分 1-5） | 4.02 | 0.85 |
| 感知安全性 | 非常不安全到非常安全（评分 1-5） | 4.55 | 0.6 |
| 社区支持 | 非常少到非常多（评分 1-5） | 3.48 | 0.97 |
| **社会人口学特征（控制变量）** | | | |
| 年龄 | 岁 | 45.68 | 11.48 |
| 性别 | 0: 女性
1: 男性 | 4414
4975 | 47.01%
52.99% |
| BMI | 身体质量指数（单位：kg/m2） | 22.80 | 3.60 |
| 教育水平 | 1: 小学及以下
2: 初中
3: 高中
4: 大学及以上 | 3151
3329
1454
1455 | 33.56%
35.46%
15.49%
15.5% |
| 就业状况 | 0: 未就业
1: 已就业 | 801
8588 | 8.53%
91.47% |
| 家庭收入 | 年度家庭收入（单位：万元） | 6.98 | 10.32 |
| 汽车拥有情况 | 0: 无车
1: 有车 | 6250
3139 | 66.57%
33.43% |
| **健康行为特征（控制变量）** | | | |
| 吸烟 | 0: 非吸烟者
1: 吸烟者 | 6464
2925 | 68.85%
31.15% |
| 饮酒 | 0: 非饮酒者
1: 饮酒者 | 7313
2076 | 77.89%
22.11% |
| 疾病 | 0: 无慢性病
1: 有慢性病 | 8399
990 | 89.46%
10.54% |

### 3.3. 方法

#### 3.3.1. XGBoost 方法

XGBoost（极端梯度提升）由 Chen 和 Guestrin（2016）提出，是一种强大的集成学习算法，旨在通过最小化预测误差来迭代训练多个学习器并优化目标损失函数。它通过并行化特征处理加速训练、集成 L1/L2 正则化以减少过拟合以及原生缺失值处理，推进了梯度提升的发展。这些特性使 XGBoost 非常适合具有高性能和鲁棒性的结构化数据集。

XGBoost 作为一种潜在工具，被各种研究（例如，W. Wang 等，2021；Z. Wang 等，2024）用于建模复杂的非线性关系。作为一种机器学习方法，它不假设线性关系，能更准确地捕捉数据中的复杂模式。与其他常见的机器学习算法（例如，K 近邻、决策树、随机森林、AdaBoost 和 GBDT）相比，XGBoost 在特征选择和分类准确性方面表现出优越的性能（Cao 和 Tao，2023）。鉴于本研究使用的大规模、多变量数据集，XGBoost 提供了计算速度和准确性，能够更细致地分析非线性关系和交互效应（Y. Chen 等，2024）。

为了减轻估计偏差和过拟合的风险，数据集被分割为训练集（80%）和测试集（20%）。目标参数指定为多类别逻辑回归，类别数设置为 5。为了确定最佳的超参数组合，采用五折交叉验证方法，结合 Scikit-learn 的 GridSearchCV 进行参数搜索。确定的最佳超参数配置如下：学习率为 0.001，迭代次数为 1000，树的最大深度为 3，子样本比例为 0.8，每棵树的特征子样本比例为 0.8。

在本研究中，使用精确率（Precision）、召回率（Recall）和 F1 作为评估指标来评估模型的预测效率。使用的公式如（1）-（3）所示。

(1) $precision = TP / (TP + FP)$

(2) $recall = TP / (TP + FN)$

(3) $F1 = 2 \times P \times R / (P + R)$

鉴于综合 SWB 得分是分类变量，为每个类别计算性能指标并进行宏观平均，以全面评估模型在所有类别上的性能。使用的公式如（4）-（6）所示，其中 n 为 5。

(4) $macroP = (1/n) \sum_{i=1}^{n} P_i$

(5) $macroR = (1/n) \sum_{i=1}^{n} R_i$

(6) $macroF1 = 2 \times macroP \times macroR / (macroP + macroR)$

其中 $P_i$ 和 $R_i$ 是每个类别的精确率和召回率。

#### 3.3.2. SHAP 值分析

鉴于机器学习模型通常只提供预测结果而不揭示学习过程，本研究采用 SHAP（SHapley Additive exPlanations）计算每个自变量的 SHAP 值。这种方法将黑盒模型转化为可解释的机器学习模型（Xi 等，2024；Xiao 等，2021；J. Yin 等，2024），从而解释每个控制变量对因变量影响的大小（He 等，2026）。

SHAP 值的计算基于博弈论中的 Shapley 值，该值衡量每个玩家对集体的边际贡献（Shapley，2016）。随后，SHAP 值被引入机器学习领域，以量化模型中每个特征的贡献（?trumbelj 和 Kononenko，2014）。特征 $X_j$ 的 Shapley 值在模型中由以下方程给出（Z. Li，2022）：

(7) $Shapley(X_j) = \sum_{S \subseteq N \setminus \{j\}} \frac{k! (p-k-1)!}{p!} (f(S \cup \{j\}) - f(S))$

在本研究中，我们使用 SHAP 包中的 TreeExplainer 高效计算 SHAP 值，同时分析非线性和交互效应，以进一步揭示 SWB 的影响机制。研究框架如图 1 所示。

**图 1. 概述本研究过程的示意图。**

### 4. 结果与讨论

#### 4.1. 模型选择

通过使用表 2 中的指标将 XGBoost 模型的性能与随机森林、GBDT 和 LightGBM 进行基准测试，评估了 XGBoost 模型的鲁棒性。XGBoost 模型实现了最佳性能，宏观平均精确率为 74.90%，召回率为 86.74%，F1 得分为 80.39%，证明了其在后续分析任务中的优越适用性和可靠性。

**表 2. 不同模型的指标结果。**

| 指标 | 随机森林 | GBDT | XGBoost | LightGBM |
| :--- | :--- | :--- | :--- | :--- |
| 宏观平均精确率 | 71.42% | 65.46% | 74.90% | 69.15% |
| 宏观平均召回率 | 83.84% | 74.35% | 86.74% | 84.71% |
| 宏观平均 F1 得分 | 77.13% | 69.62% | 80.39% | 76.14% |

#### 4.2. 自变量的贡献

表 3 展示了各变量对 SWB 的重要性贡献。社会人口学特征的集体贡献最高（44.71%），这与之前的研究一致（C. Yin 和 Shao，2021）。其次是建成环境特征（41.13%）。健康行为特征和通勤特征的贡献分别为 9.25% 和 4.88%。

**表 3. 各变量的重要性贡献。**

| 变量 | 重要性 | 排名 |
| :--- | :--- | :--- |
| **通勤特征** | 4.88% | |
| 通勤方式 | 1.26% | 18 |
| 通勤时间 | 3.62% | 11 |
| **建成环境特征** | 41.13% | |
| 人口密度 | 7.87% | 5 |
| 绿化覆盖率 | 3.26% | 12 |
| 公交车站 | 1.62% | 17 |
| 路灯 | 0.83% | 19 |
| 健身设施 | 2.88% | 13 |
| 路面状况 | 0.35% | 22 |
| 污染 | 4.31% | 9 |
| 感知清洁度 | 1.80% | 16 |
| 感知安全性 | 2.49% | 14 |
| 社区支持 | 15.72% | 1 |
| **社会人口学特征** | 44.71% | |
| 年龄 | 8.24% | 3 |
| 性别 | 0.58% | 20 |
| BMI | 6.01% | 6 |
| 教育水平 | 5.79% | 7 |
| 就业状况 | 2.29% | 15 |
| 家庭收入 | 13.91% | 2 |
| 汽车拥有情况 | 7.89% | 4 |
| **健康行为特征** | 9.25% | |
| 吸烟 | 3.86% | 10 |
| 饮酒 | 0.38% | 21 |
| 疾病 | 5.01% | 8 |

关于通勤特征，通勤时间（3.62%）对 SWB 的影响大于通勤方式（1.26%），这与 Y. Chen 等（2024）揭示的发现相似。在建成环境因素中，社区支持（15.72%）贡献排名最高，表明友好的社区氛围显著增强了居民的 SWB。这一发现与伦敦的一项相关研究形成对比，该研究发现社区支持对 SWB 没有显著影响（Ram 等，2020）。差异可能源于文化和社会差异，因为中国社会更强调邻里关系和社区支持。其他有影响力的变量包括人口密度（7.87%）、环境污染（4.31%）和绿化覆盖率（3.26%），分别排名第 5、第 9 和第 12 位。

#### 4.3. 变量与 SWB 之间的非线性关系

基于 SHAP 值的输出重要性排名图和黄蜂群图如图 2 所示。在 SHAP 黄蜂群图中，点的颜色表示特征值大小，红色表示高值，蓝色表示低值。当红点主要集中在正 SHAP 值区域时，这表示升高的特征值对模型输出有积极贡献。相反，蓝点在负 SHAP 区域的集中意味着反向关系。与 SHAP 值排序对齐的连续颜色梯度表明变量与 SWB 之间存在线性关系。

**图 2. 特征重要性排名图和黄蜂群图。**

选择表现出非线性关系的变量进行进一步分析，包括通勤时间、三个 BE（建成环境）指标（人口密度、绿化覆盖率和感知清洁度），以及两个重要的控制变量（年龄和 BMI）。基于 SHAP 值的依赖图如图 3 所示。X 轴表示自变量的观测值，而 Y 轴表示相应的 SHAP 值。红线是趋势拟合线。感知清洁度是离散变量，因此没有添加拟合线。

**图 3. 变量与 SWB 之间的非线性关联。**

从图 3a 可以看出，通勤时间对 SWB 的影响表现出显著的阈值效应，特征是“倒 S 形曲线”。当通勤时间低于 25 分钟时，SHAP 值随旅行时间延长而下降，表明 SWB 递减。超过 25 分钟阈值后，SHAP 值呈现逐步增加，表明由于更好的收入或令人满意的住房环境等补偿因素（Clark 等，2020），存在悖论性的 SWB 恢复期。交互效应将在后续章节中讨论。当通勤时间超过 90 分钟时，SWB 急剧下降，补偿因素不再有效。这表明过长的通勤对 SWB 的负面影响难以完全抵消。

随着人口密度的增加，存在明显的非线性关系（图 3b），显示出先上升后下降的趋势，C. Yin 等（2024）也发现了这一点。当人口密度超过 18,000 人/km2 的阈值时，SWB 表现出恶化。在低人口密度阶段，密度的增加与资源和服务中心的更大集中（Fang 等，2024）、更多的社会互动机会以及更多的就业机会相关。这些因素共同作用增强 SWB。然而，当人口密度增加时，拥挤可能导致生活环境恶化、生活成本增加、交通压力加剧和心理压力增加。这些负面因素逐渐占据主导并导致 SWB 下降，正如 Helliwell 等（2019）所讨论的那样。

从图 3c 可以看出，低绿化覆盖率（<5%）对 SWB 产生显著的负面影响。当绿化覆盖率超过 30% 阈值时，其影响稳定且仅略有波动。这表明绿化覆盖率对 SWB 的影响可能受其他因素调节，如绿地的类型和分布以及居民对这些空间质量的感知（J. Liu 等，2024）。从图 3d 可以看出，低感知清洁度（评分=1）对 SWB 产生很大的负面影响，显著降低 SWB 得分。这可能是因为不干净的街道，如乱扔烟蒂（Lowe 等，2024），可以通过影响环境健康间接影响 SWB。

年龄与 SWB 的关系特征是显著的 U 形曲线（图 3e），这与有序 probit 回归分析的结果一致（Gan 等，2019）。25 至 52 岁个体的 SWB 容易受到负面影响。这一发现得到了先前研究的支持，表明 40 至 49 岁的通勤者报告的 SWB 低于 30 岁以下的人（F. Wang 等，2024）。此外，BMI 范围（19.0–24.0 kg/m2）内的个体报告的 SWB 低于 24.1–30.0 kg/m2 内的个体（图 3f）。这可能是由于该范围内的轻微超重并未显著影响日常生活，但可能反而提供了一定程度的心理安全感或满足感。Godoy-Izquierdo 等（2020）得出了类似的结论。超重本身并不直接降低 SWB；是个人对其体型焦虑和污名化才真正导致 SWB 下降。

#### 4.4. 使用局部 SHAP 值分析

瀑布图是一种用于可视化单个预测 SHAP 值的图表，通过显示每个特征对模型预测的贡献来帮助解释模型的预测。瀑布图的横轴表示 SHAP 值；纵轴显示输入模型的各个特征。

每个特征的影响显示为正贡献（红色）或负贡献（蓝色），从而可视化每个特征如何驱动模型输出从基准值到最终预测值的变化。图 4a、图 4b 和图 4c 展示了通勤时间为 5、60 和 120 分钟的子样本，以考察不同变量塑造 SWB 的机制。结果进一步证实了通勤时间对 SWB 的非线性影响。例如，模型预测的 SWB 在 5 分钟时为 0.691（图 4a），60 分钟时为 0.839（图 4b），120 分钟时为 0.765（图 4c），表明存在明显的非线性模式。建成环境和社会人口属性通过减轻或加剧通勤时间的影响来调节这种关系。对于 5 分钟的情况（图 4a），通勤时间对 SWB 有正向贡献（+0.02），但疾病的存在（-0.08）和较低的邻里支持（-0.08）显著降低了预测值。对于 120 分钟的情况（图 4c），通勤时间带有负向 SHAP 贡献（-0.02），这很大程度上被较高的家庭收入（+0.04）、较高的教育水平（+0.03）和汽车拥有量（+0.04）所抵消。

图 4a. 通勤时间为 5 分钟的样本瀑布图。
图 4b. 通勤时间为 60 分钟的样本瀑布图。
图 4c. 通勤时间为 120 分钟的样本瀑布图。

为了揭示协同和拮抗关系并深入分析对 SWB 的影响机制，接下来进行交互分析。

4.5. BE 变量与通勤时间的交互效应

为了进一步剖析通勤和建成环境变量对 SWB 的影响，输出图 5 和图 6 以分析补偿效应。交互图根据变量的 SHAP 值着色。蓝点和红点的垂直分布表明存在交互效应。具有显著交互效应的变量包括通勤方式、人口密度、公交站点可达性、路灯、路面状况、污染和感知清洁度。

图 5. 通勤时间与通勤方式之间的交互图。
注：蓝色表示公共交通，紫色表示主动通勤方式（如步行、骑行），红色表示驾车通勤。
图 6. 通勤时间与 BE 变量之间的交互图。

如图 5 所示，当通勤时间超过 25 分钟时，公共交通通勤者的 SWB 高于驾车通勤者，而主动通勤方式的 SWB 最低。相反，当通勤时间少于 25 分钟时，主动通勤与公共交通相比具有更高的 SWB。这一现象合理解释了以往研究关于哪种通勤方式更能提升 SWB 的分歧（Adam et al., 2018; Deng et al., 2024）。由于阈值效应，在不同通勤时间间隔下，不同通勤方式对 SWB 的影响存在显著差异。

这一现象可能归因于主动通勤（如步行和骑行）在超过 25 分钟时会导致身心疲劳。此外，采用主动通勤方式可能是由于公共交通或个人汽车获取受限等约束所致（Zhu et al., 2019）。相反，25 分钟的主动通勤提供了适度锻炼与最小压力的平衡整合。虽然公共交通可能有等待的不确定性，驾车通勤有交通拥堵的不确定性（J. Liu et al., 2022），这已被证明会降低 SWB。

从图 6a 可以看出，当通勤时间少于 25 分钟时，居民在人口密度较高的地区体验到更高的 SWB。相反，当通勤时间超过 25 分钟时，较低的人口密度与改善的 SWB 相关。这种模式可以通过较小通勤圈的特征来解释。在这些紧凑区域内，较高的密度通常与公共设施和日常服务可达性的增强相关（X. Li et al., 2018）。此类环境中的居民也倾向于偏爱主动通勤方式，这提供了健康益处并促进更多的社会互动，进一步促进 SWB。相比之下，大型城市中普遍存在的广泛通勤圈加剧了福祉挑战，过度的人口密度引发生活成本上升、空间受限和通勤压力增加，最终降低 SWB（Lingling et al., 2024）。

从图 6b-d 可以看出，当通勤时间超过 25 分钟时，公交站点、路灯和路面状况对 SWB 下降都具有类似的补偿效应。具体来说，更好的公共交通可达性可能为居民提供更便捷高效的出行选择，从而缓解长通勤时间造成的通勤压力（Gao et al., 2024）。路灯设施可能增强夜间出行的安全和舒适感知；Jones (2018) 的经验证据表明，LED 路灯安装与美国人口的 SWB 呈统计显著的正相关。铺设的道路状况可能反映基础设施质量，这可能通过增强机动性和邻里满意度对居民的 SWB 产生积极影响（Guevara-Rosero, 2023）。

从图 6e 和 f 可以看出，污染、感知清洁度与通勤时间之间的交互关系更为复杂，但 25 分钟仍然是交互效应变化的关键阈值。随着通勤时间增加，降低环境污染水平和改善邻里街道清洁度可以有效减轻 SWB 的下降。Mouratidis (2019) 得出了类似的结论，即解决犯罪和污染问题可以补偿紧凑城市相关的 SWB 减少。

上述交互模式表明，通勤和建成环境通过补偿机制共同影响 SWB。这种模式与搜索理论一致（Van Ommeren et al., 1999），该理论强调通勤、居住流动性和工作流动性之间的相互依存关系。这种观点有助于解释为什么几个 BE 变量在通勤时间超过 25 分钟时表现出补偿效应。对于较短的通勤，紧凑和较高密度的环境可能通过提供更好的就业、服务和日常活动可达性来支持 SWB。在这种情况下，居民可以直接受益于可获取的机会和目的地。随着通勤时间变长，出行负担变大。在这一阶段，BE 特征可能发挥补偿作用。更好的邻里条件可能通过改善感知安全、便利和邻里舒适度，使较长的通勤更具容忍度。这反过来有助于减轻长期通勤对 SWB 的负面影响。因此，25 分钟左右的阈值可以被理解为通勤和 BE 特征共同影响的转折点。

5. 结论

本研究显示，通勤和建成环境特征以复杂且非线性的方式与居民 SWB 相关。使用 XGBoost 和 SHAP，我们确定了不同变量的相对贡献以及几个关键阈值和交互模式。建成环境特征尤为重要，占 SWB 总解释贡献的 41.13%。通勤时间、人口密度、绿地覆盖率和感知清洁度均与 SWB 表现出明显的非线性关系。此外，观察到通勤和建成环境特征之间存在显著的交互效应。25 分钟左右的阈值似乎很重要。低于此阈值，主动通勤与更高的 SWB 相关。超过此阈值，公共交通变得更有利，而较低的人口密度、更好的公交可达性、路灯设置和路面质量有助于缓冲与较长通勤相关的 SWB 下降。

这些发现表明，通勤和建成环境条件的 SWB 含义是依赖于情境的。因此，规划应对措施应因城市环境而异。在人口密集的大城市中，较长的通勤更为常见。对于出行时间超过 25 分钟的通勤者，结果表明改善公共交通可达性尤为重要。在扩张中的中小型城市，活动空间通常更紧凑，较短的通勤模式更支持 SWB。在这些背景下，改善主动通勤的建成环境条件更为重要。改善努力也可遵循建成环境发现的相对重要性。可优先考虑更清洁的邻里条件，其次是更好的街道照明和步道质量。步行和骑行可达性的改善，连同健身设施，可能为居民 SWB 提供额外支持。

由于本研究基于中国劳动力动态调查（CLDS）的国家样本，25 分钟阈值应被视为初步的国家层面经验估计，而不是普遍固定的截止值。中国在城市形态、交通发展和生活方式模式方面存在巨大的城市层级异质性。这些情境差异很可能塑造通勤者对出行时间的期望、容忍度和估值。在北京和上海等人口密集的大城市中，较长通勤更常见且公共交通系统更发达，此阈值可能较高。相反，在活动空间更紧凑的中小型城市中，相同的通勤持续时间可能被感知为更具负担。因此，本研究中确定的阈值应在情境谨慎下解释，并在特定城市的研究中进一步审查。

尽管从本研究中获得了有价值的见解，但应承认存在两个方法学限制。首先，所使用的数据集在变量覆盖范围和数据时效性方面存在限制。然而，在系统评估了国家数据库后，确定 2018 年 CLDS 是最合适的来源，能够同时整合包括 SWB、通勤、建成环境以及个人健康和人口特征在内的多维变量。其次，SWB 是一种受多种因素影响的复杂主观心理状态。在本研究中，SWB 通过幸福感和生活满意度两个指标进行测量，以减少潜在的测量偏差。虽然不能完全排除这种偏差，但这种方法是对现有文献的改进，现有文献通常依赖于对单个问题的自我报告回答。未来的研究可能受益于设计我们自己的问卷进行调查，从而获得更全面、准确和更新的数据以得出更有说服力的结论。

CRediT 作者贡献声明

马玉涵：写作 – 审阅与编辑，写作 – 原创草稿，可视化，验证，软件，资源，方法论，形式分析，数据整理，概念化。吴佳妮：写作 – 审阅与编辑，方法论，概念化。Muhammad Habib Khan：写作 – 审阅与编辑，方法论。尹沛：写作 – 审阅与编辑，方法论。魏全伦：资源，资金获取。王涛：资源，资金获取。袁生强：资源，资金获取。张怡：写作 – 审阅与编辑，方法论，资源，资金获取。

资助

本研究得到了国家社会科学基金（编号 22AZD082）、上海市社会科学基金（编号 2023BSH003 和 2022BSH005）、上海市科学研究基金（编号 23dz1203200 和 23dz1202400）以及苏州恒泰控股集团科研基金的资助。

马玉涵 | 吴佳妮 | Muhammad Habib Khan | 尹沛 | 魏全伦 | 王涛 | 袁生强 | 张怡

海洋工程国家级重点实验室，建筑与基础设施数字维护上海市重点实验室，上海交通大学海洋与民用工程学院，上海，200240，中国