《Environment and Planning B: Urban Analytics and City Science》：Built for walking: Cross-city and cross-scale built environment associations with walking from massive, fine-grained mobile trajectory data
编辑推荐：
促进步行对于环境可持续性和公共健康日益重要。这一努力需要深入理解建成环境与步行行为之间的关系。以往研究主要依赖数量、分辨率和地理覆盖范围有限的传统数据集，限制了跨尺度分析的开展。本研究利用大规模、高分辨率的手机轨迹数据（mobile trajectory da
促进步行对于环境可持续性和公共健康日益重要。这一努力需要深入理解建成环境与步行行为之间的关系。以往研究主要依赖数量、分辨率和地理覆盖范围有限的传统数据集，限制了跨尺度分析的开展。本研究利用大规模、高分辨率的手机轨迹数据（mobile trajectory data），该数据带有出行级别的交通方式标签，用以考察建成环境与个体在不同城市和尺度下选择步行而非驾车出行之间的关联。研究使用了2022年来自美国三个不同大都市区（metropolitan areas）的50万个体所产生的550万次出行数据，在出行（trip）和个体（individual）两个层面，以及城市内部和城市之间，对作为目的地建成环境因素函数的出行方式选择进行了比较建模。研究发现，目的地步行友好性（destination walkability）——以出行目的地附近可步行街道网络长度占街道网络总长度的比值衡量——在不同城市间与步行出行呈现一致且强烈的正向关联，且该效应存在收入异质性（income heterogeneity）。建成环境因素在大都市区内部不同分析尺度上表现出预测强度的尺度特异性变化。本研究为支持健康与可持续出行提供了实证证据，同时展示了大规模手机轨迹数据在跨城市与跨尺度出行行为分析中的实用价值。
论文解读
一、研究背景与问题提出
步行对于环境可持续性和公共健康具有至关重要的意义。作为一种出行方式，步行有助于减少交通相关的碳排放，而美国因严重的汽车依赖，其交通碳排放尤为突出。步行还与其他可持续出行方式紧密关联，包括公共交通、骑行和微出行，尤其是在第一公里和最后一公里的接驳中发挥着关键作用。此外，步行还带来显著的身心健康益处，而减少汽车使用可以缓解空气和噪音污染。
然而，美国城市在历史上长期优先考虑汽车出行，通过低密度、单一用途的土地开发和有限的步行与公共交通基础设施来实现。这种发展模式与更长的通勤距离、更高的能源消耗和排放、减少的体力活动以及更大的交通相关风险和污染暴露相关联。为应对这一问题，规划者倡导紧凑型、混合用途、公共交通可达且以行人导向的发展模式。其中最具影响力的理论框架之一是“Ds”模型，该模型强调密度（density）、多样性（diversity）、目的地可达性（destination accessibility）、到公共交通的距离（distance to transit）和设计（design）作为塑造出行行为的维度。
尽管已有大量文献利用出行调查、GPS轨迹和基于位置的服务数据研究建成环境与步行及车辆出行之间的关系，但现有数据集往往在样本量、空间分辨率、地理覆盖范围、出行方式标签和人口统计细节之间存在权衡取舍，限制了跨城市和跨分析尺度的比较研究。因此，建成环境与步行之间的关联在不同大都市背景和尺度下的稳健性仍未得到充分理解。相同建成环境特征在不同城市间是否与步行出行呈现一致的关联？精细尺度的关联在更广泛的分析尺度上是否仍然存在？回答这些问题可以为市政和区域层面的规划提供信息，但需要结合大样本、高空间分辨率以及地理和人口统计覆盖范围的出行数据。
二、研究内容与主要结论
本研究利用Cuebiq提供的大规模高分辨率出行轨迹数据，分析了2022年来自美国三个不同核心统计区（CBSAs）——纽约、洛杉矶和坦帕——的约550万次出行，涉及50万个体。研究在出行和个体两个分析层面估计回归模型，比较城市内部和跨城市的关联模式。通过识别一致性和情境特异性的模式，研究展示了大数据出行数据在跨城市和跨尺度出行行为分析中的实用性，同时为推进健康和可持续城市出行提供了见解。
研究的主要发现包括：目的地步行友好性——以出行目的地附近可步行街道网络长度占总街道网络长度的比例衡量——是跨城市最一致且最强的步行出行正向预测因子。目的地密度在纽约是最强的正向预测因子，但在洛杉矶是最强的负向预测因子，在坦帕则不显著。目的地公共交通可达性在不同城市间存在差异，在纽约和洛杉矶呈正向关联，在坦帕关联微弱。目的地就业可达性呈现混合且尺度依赖的关联。目的地POI多样性则与步行出行呈一致且稳健的负向关联。
三、关键技术与方法
研究人员采用了一种数据密集型方法，将Cuebiq的大规模细粒度出行轨迹与多源建成环境数据相结合。出行级别的交通方式通过一个经外部验证的机器学习算法（XGBoost梯度提升框架）进行推断，该算法在验证研究中达到98.7%的总体准确率。研究选取了纽约、洛杉矶和坦帕三个CBSAs，涵盖2022年夏季和冬季两个时段。建成环境变量按照“Ds”框架进行操作化，包括人口密度、就业可达性、公共交通可达性、可步行网络覆盖率和POI多样性，所有变量在出行起点和终点周围200米缓冲区内进行聚合。研究在出行层面使用多元逻辑回归（MNLogit）模型，在个体层面使用普通最小二乘（OLS）回归模型，并引入城市和收入交互项以考察异质性。样本来自Cuebiq的匿名化出行轨迹数据，人口统计属性（年龄和家庭收入）通过隐私合规方法基于移动应用活动和居住地人口普查特征推断。
四、研究结果
总体影响与区域差异。 目的地步行友好性是所有建成环境变量中最一致且最强的步行出行正向预测因子，在三个城市的出行层面和个体层面模型中均位列前两位预测因子。MNLogit结果表明，目的地步行友好性每增加一个单位，纽约、洛杉矶和坦帕的步行出行可能性分别增加8.1%、7.0%和4.5%。目的地密度在纽约是最强的正向预测因子（+9.8%），但在洛杉矶是最强的负向预测因子（?10.7%），在坦帕不显著。目的地公共交通可达性在纽约（6.1%）和洛杉矶（1.1%）呈正向关联，在坦帕关联微弱。在OLS模型中，公共交通可达性在纽约增强为最强预测因子。目的地就业可达性在坦帕是最强的正向预测因子（+4.7%），在纽约是最强的负向预测因子（?3.0%），在洛杉矶呈中等正向关联（+3.0%）。目的地POI多样性在三个城市中均与步行出行呈一致负向关联，分别降低步行可能性2.7%（纽约）、7.7%（洛杉矶）和6.4%（坦帕）。控制出行距离的稳健性检验表明，主要模式保持稳定。
人口统计差异。 收入异质性显著但高度城市特定。在纽约，低收入个体对步行友好性的正向交互作用最大；在洛杉矶和坦帕，高收入个体对步行友好性的响应更强。公共交通可达性的收入交互作用在纽约对低收入群体更强，在洛杉矶对高收入群体更强，在坦帕无一致模式。目的地密度的收入交互作用在纽约对低收入群体更强，在洛杉矶中等收入群体呈负向交互。跨城市来看，较高收入与较低的步行可能性、较短的步行距离和较短的步行时长相关联。
五、讨论与结论
研究揭示了四个关键主题。第一，改善小尺度街道步行友好性与跨不同大都市背景下的更多步行和更少驾车出行一致相关，强化了行人基础设施作为步行友好环境基础的作用。第二，研究结果强调需要尺度敏感的干预策略——某些因素如步行友好性和就业可达性在局部尺度更有效，而其他因素如公共交通可达性在系统层面评估时更具影响力。第三，城市间差异指向情境特异性和行为固化的动态机制，纽约和洛杉矶之间相反的密度关联可能反映了居住自选择效应。第四，研究展示了建成环境关联在收入阶层间的异质性，表明低收入个体更依赖非机动化出行，强调了对低收入人群的包容性和本地化规划策略的重要性。
