城市活力与建成环境之间的非线性关联及空间异质性研究——来自成都主城区的实证证据

《Remote Sensing》：Nonlinear Association and Spatial Heterogeneity Between Urban Vitality and Built Environment: Evidence from the Main Urban Area of Chengdu

　　

摘要专业翻译 城市活力（Urban Vitality, UV）是衡量城市发展质量与可持续性的核心指标。准确解析城市活力与建成环境（Built Environment, BE）之间的复杂关联机制，对城市规划实践至关重要。本研究聚焦成都主城区，整合夜间灯光数据、WorldPop人口分布数据、街景图像（Street View Images, SVIs）及兴趣点（Point of Interest, POI）数据等八类多源数据，构建了四维城市活力评价体系，并识别出26项建成环境因子。首先，采用客观赋权方法量化城市活力水平；其次，运用XGBoost模型结合SHAP（Shapley Additive Explanations）框架，探究城市活力与建成环境因子之间的非线性关联；最后，采用空间自相关模型、SHAP空间可视化及聚类方法，揭示城市活力的空间格局以及城市活力与建成环境之间关联的空间异质性。研究结果表明：（1）建成环境各要素对城市活力呈现显著的非线性关联与阈值效应，餐饮服务与公共交通服务是城市活力预测的核心因子，二者合计贡献占比达37.47%；（2）城市活力呈现明显的空间分异与集聚特征，整体表现为由核心区向外围逐级递减的空间格局；（3）城市活力与建成环境之间的关联呈现空间异质性，不同圈层内的预测贡献逻辑存在显著差异。研究结论为成都城市活力提升与建成环境优化提供了科学依据。

论文解读

一、研究背景与问题提出

城市活力是衡量城市发展质量与可持续性的核心指标，深刻反映城市空间对人类活动的吸引力与承载力。随着城市化进程加快和城市空间复杂性增加，如何科学分析城市活力的关联模式并识别关键预测因子，已成为城市规划与设计领域的重要课题。建成环境作为影响城市活力、居民活动与空间行为的关键外部环境，其与城市活力之间的关系一直是研究焦点。

尽管已有研究采用机器学习模型验证了城市活力与建成环境之间的非线性关联并识别了部分阈值特征，但仍存在以下不足：其一，多数结合SHAP框架的机器学习实证研究仅报告全局尺度的SHAP统计量，缺乏对模型解释输出的地理空间扩展分析，未能可视化预测贡献的空间分异模式；其二，部分聚焦空间异质性的研究仍采用地理加权回归（Geographically Weighted Regression, GWR）等线性空间回归模型，无法同时实现非线性拟合与建成环境因子效应空间差异的解释；其三，当前与SHAP相关的空间分析很少基于全维度SHAP贡献矩阵通过聚类方法进行区域划分，难以识别不同区域多因子协同的组合交互模式；其四，现有城市活力研究对具有圈层—放射状空间格局的超大城市关注不足，针对成都公园城市情境的系统性研究仍有待补充。

基于上述问题，本研究以成都主城区为研究对象，旨在基于多源数据，采用机器学习模型与SHAP解释框架，系统探索城市活力与建成环境之间的非线性关联及空间异质性。

二、研究内容与主要结论

研究人员整合街景图像、兴趣点、社交媒体签到（Social Media Check-ins, SMC）、基于位置的服务（Location-Based Service, LBS）、夜间灯光、人口、路网及建筑足迹等八类多源数据，构建了包含四个城市活力评价指标和26项建成环境因子的指标体系，并将其统一整合至500 m × 500 m网格单元。采用熵权法（Entropy Weight Method, EWM）、CRITIC（Criteria Importance Through Intercriteria Correlation）方法及博弈论组合赋权法（Game Theory Combination Weighting Method, GTCWM）计算城市活力水平。在此基础上，结合XGBoost模型与SHAP框架探究非线性关联，并采用空间自相关模型、SHAP空间可视化与K-means聚类方法揭示空间异质性。

研究得出以下主要结论：建成环境各要素对城市活力呈现显著的非线性关联与阈值效应，餐饮服务与公共交通服务为城市活力预测的核心因子，二者合计贡献占比达37.47%；城市活力呈现由核心区向外围逐级递减的空间格局，具有显著的空间集聚特征；城市活力与建成环境之间的关联呈现空间异质性，核心区、过渡区与外围区的预测贡献逻辑存在显著差异。

三、主要技术方法

本研究采用的主要技术方法包括：Mask2Former语义分割模型与YOLOv11目标检测模型用于街景图像处理；核密度估计（Kernel Density Estimation）方法用于离散点数据向连续密度表面的转换；分区统计（Zonal Statistics）方法用于栅格与矢量数据在网格单元内的区域聚合；归一化香农熵（Shannon Entropy）用于测度POI功能混合度；熵权法、CRITIC方法与博弈论组合赋权法用于城市活力评价指标赋权；普通最小二乘（Ordinary Least Squares, OLS）回归模型用于初步识别关键解释因子；XGBoost模型结合SHAP框架用于非线性关联探索；阈值回归模型用于识别建成环境因子的阈值断点；空间自相关模型（Moran's I）用于揭示城市活力空间格局；SHAP空间可视化与K-means聚类方法用于空间异质性分析。研究数据涵盖成都主城区2024年多源时空数据及2025年初最新街景图像。

四、研究结果

4.1 城市活力水平测度

研究人员通过EWM与CRITIC方法分别计算中间指标权重，GTCWM得到对应的组合系数为EWM 0.568、CRITIC 0.432，最终计算得到各评价指标的组合权重。各评价指标归一化至百分制后乘以对应权重并求和，得到0—100分的城市活力指数。

4.2 OLS回归分析

研究人员采用OLS回归模型，通过方差膨胀因子（Variance Inflation Factor, VIF）与统计显著性识别城市活力的关键解释因子。除生活服务变量外，其余变量的VIF值均小于10，剔除该变量后模型不存在严重的多重共线性问题。

4.3 城市活力与建成环境的非线性关联探索

模型性能比较方面，研究人员选取CatBoost、LightGBM、XGBoost、GBDT与随机森林（Random Forest, RF）五种树模型进行对比，采用贝叶斯优化进行超参数调优。XGBoost模型在所有核心性能指标上表现最优，验证了其适用性与优越性。

建成环境因子相对重要性分析方面，SHAP框架解释结果显示，餐饮服务的重要性排名第一，平均绝对SHAP值为2.419，占比23.55%；公共交通服务排名第二，占比13.92%；其余变量占比均不超过7%。

密度维度与城市活力的非线性关联方面，路网密度超过12.63 km/km2后依赖曲线趋于平缓；建筑密度呈现双阈值饱和的非线性特征，阈值点分别为22.19%和28.11%；交通单元数量与人口密度与城市活力呈近似线性正相关。

多样性与交通距离维度方面，POI功能混合度与城市活力呈先增后减的倒U型关系，在香农熵0.68附近达到峰值，超过该值后SHAP值开始下降。公共交通服务与城市活力呈持续增强的正向非线性关联，服务密度超过6.71个/km2后增速放缓但未出现负向拐点。

设计维度方面，街道开敞度超过60.92%阈值后SHAP值快速上升；绿化率与城市活力呈负向非线性关联，超过12.55%后呈震荡趋势；建筑可见度超过4.81%后呈上升趋势；天空开阔因子呈双阈值递增趋势，阈值分别为20.30%和30.02%；街道设施便利性与步行友好性近似正相关，建筑高度关联模式总体稳定。

目的地可达性维度方面，餐饮服务、金融服务、住宅小区、购物服务与娱乐服务在密度较低时SHAP值较低，随密度增加快速上升，超过特定阈值后增速显著放缓进入边际效应递减阶段；政府服务与医疗服务的SHAP值随密度上升先急剧下降后缓慢回升；教育服务与企业随密度增加SHAP值由正转负并持续下降，呈现持续不利的关联趋势。

阈值识别方面，阈值回归模型定量识别了各建成环境因子的阈值位置，各分段区间均包含40个以上观测样本，阈值均落在数据密集区域，分段斜率变化具有逻辑可解释性。

因子交互效应方面，SHAP交互值分析显示，当餐饮服务与文化服务处于高水平时，各变量之间的交互作用对城市活力预测具有正向贡献。

4.4 城市活力与建成环境关联的空间异质性分析

城市活力空间格局方面，全局Moran's I指数为0.8656，z得分为42.7446，p值小于0.01，表明城市活力呈现显著的空间集聚特征。城市活力在中心及南部区域明显高于外围区域，呈现由核心区向外围逐级递减的梯度格局。

建成环境因子SHAP值空间可视化方面，餐饮服务、公共交通服务、文化服务、金融服务与住宅小区在大部分区域呈现广泛的红色正向信号区域；住宿服务与景区在核心区域形成集中高值簇，正向信号相对局部化；政府服务与教育服务在核心区域以负向贡献为主，在外围区域呈现正向信号。

预测贡献空间分异分析方面，K-means聚类将研究区划分为核心区、过渡区与外围区三类区域。核心区平均SHAP预测值为8.78，餐饮服务、公共交通服务与人口密度呈显著正向信号，几乎不存在负向因子；过渡区平均SHAP预测值接近零，正负贡献相互抵消，公共交通服务、企业及街道设施便利性为主要正向贡献因子，餐饮服务、住宿服务与文化服务主要产生负向贡献；外围区平均SHAP预测值为?7.74，大部分因子以负向抑制信号为主，仅医疗与教育服务呈现轻微正向趋势。

五、讨论与结论

在讨论部分，研究人员对非线性关联结果进行了深入阐释。密度维度中，路网密度超过阈值后交通供给可充分满足居民出行需求，新增道路难以再提升步行活动；建筑密度饱和源于地块配套设施与公共空间承载力有限。多样性维度中，POI功能混合度与城市活力呈倒U型关系，适度混合实现功能互补，而无限制的功能叠加将超过街区空间承载力，消除混合利用带来的规模红利。公共交通服务持续优化仍为提升城市活力的有效途径。设计维度中，开敞的街道空间与更密集的社会互动相关联；绿化应与功能布局和活动需求相结合，避免过度绿化侵占活动空间。目的地可达性维度中，同类设施持续增加将导致有限人流资源被不断分摊，单一功能设施的高度集聚易引发同质化问题；教育与企业设施空间形态相对封闭、活动时间高度固定、人流呈明显潮汐特征，对城市活力产生负向关联。

空间异质性讨论中，研究人员指出城市活力的空间集聚模式本质上是集聚经济理论与空间溢出效应在城市微观网格尺度的具体体现。成都沿环线逐层向外扩展的放射状空间结构形成了核心区、过渡区与外围区之间梯度分化的设施供需格局，导致建成环境因子边际效应呈现圈层差异。空间供需均衡视角下，核心区服务设施供给超出居民功能需求形成供给盈余，过渡区呈现供需临界失衡状态，外围区设施供给远低于活动需求，设施配套不足引发的负向边界效应显著。

研究结论部分指出，本研究系统探索了成都主城区城市活力与建成环境之间的非线性关联与空间异质性。建成环境各要素对城市活力呈现显著的非线性关联与阈值效应，餐饮服务与公共交通服务为城市活力预测的核心因子；城市活力呈现由核心区向外围逐级递减的空间格局；不同圈层内建成环境因子对城市活力的预测贡献逻辑存在显著差异。基于圈层差异化特征，研究人员提出了相应的规划策略：核心区以存量空间减量与提质、精细化空间治理为核心措施；过渡区以完善多元化配套设施、构建活力缓冲廊道为重点；外围区优先补充与城市活力关联度高的核心设施，并基于生态资源探索特色化活力节点；同时建立全域动态协同治理机制。研究结论为成都主城区城市活力提升与建成环境优化提供了科学决策依据。