《Sustainability》：Nonlinear Analysis of Commuting Performance and Its Influencing Factors in Mountainous Cities: Implications for Sustainable Transportation
编辑推荐：
提升通勤绩效对于高质量城市交通发展和居民福祉至关重要。由于地形障碍，山地城市面临更严峻的通勤空间约束。然而，现有关于通勤绩效的研究大多忽略了地形因素，缺乏针对山地环境的评估框架，且对驱动因素的非线性机制研究不足。本研究以典型山-谷大都市重庆主城区为研究区域，从
提升通勤绩效对于高质量城市交通发展和居民福祉至关重要。由于地形障碍，山地城市面临更严峻的通勤空间约束。然而，现有关于通勤绩效的研究大多忽略了地形因素，缺乏针对山地环境的评估框架，且对驱动因素的非线性机制研究不足。本研究以典型山-谷大都市重庆主城区为研究区域，从职住双重视角出发，构建了涵盖155个通勤区的四维通勤绩效评价体系（效率、公平性、地形适应性、组织性）。研究人员采用随机森林（Random Forest）模型结合SHAP可解释性分析方法，识别了核心驱动因素、非线性效应模式及因子交互作用。结果表明，受山地地形塑造，通勤绩效呈现显著的分区差异：高绩效集群集中在平坦的中心河谷区域，而山地地带则维持在低水平。时间上，整体通勤绩效从2017年下降至2021年的低谷，随后到2023年略有回升。就业密度、地形起伏度、居住密度和地理区位共同占模型总相对特征重要性的75.4%，而微观建成环境因素对通勤绩效的独立影响较弱。所有核心变量均表现出基于阈值的非线性特征，且职住协同集聚产生了最强的正向协同效应。本研究阐明了山地城市通勤绩效背后的驱动机制，并为城市空间规划和通勤治理提供了实证参考，进而促进此类地区可持续、高质量的城区通勤发展。
一、研究背景与问题提出
随着城市化进程加速，改善通勤效率已成为全球可持续发展目标的核心议题之一。在中国，尽管政策层面不断强调提升城市通勤质量，但全国范围内的监测数据显示，多数大城市正面临职住分离加剧、平均通勤距离增长以及极端通勤比例上升等严峻挑战。现有研究多聚焦于平原城市的通勤行为与建成环境关系，而对山地城市的关注严重不足。山地城市因受山脉、河流等地形屏障切割，其职住空间分布受到天然限制，导致跨山、跨江、跨组团通勤压力巨大，其通勤绩效的形成机制远比平原城市复杂。然而，既有研究普遍将地形视为背景条件而非量化维度，缺乏专门针对山地城市构建的通勤绩效评价框架，且对驱动因素的分析多基于线性假设，难以揭示真实的非线性关系与交互效应。为此，研究人员选取典型的山-谷型大都市——重庆主城区作为研究对象，旨在构建适应山地特征的综合评价体系，并运用可解释机器学习方法深入探究通勤绩效的核心驱动因素及其非线性作用机制。
二、研究方法与技术路线
为系统评估山地城市通勤绩效并剖析其驱动机制，研究人员采用了多阶段技术路线。首先，基于中国联通手机信令数据，提取了2017年、2021年和2023年三个时段的通勤起讫点矩阵，并结合高德地图兴趣点（POI）、道路网络、数字高程模型（DEM）等多源数据，以155个通勤区为分析单元。其次，构建了一个包含效率、公平性、地形适应性和组织性四个维度的通勤绩效评价指标体系，并采用CRITIC客观赋权法与TOPSIS法计算各区的综合通勤绩效得分。最后，利用随机森林（Random Forest）回归模型捕捉自变量与因变量之间的复杂非线性关联，并结合SHAP（Shapley Additive Explanations）可解释性分析，量化各变量的全局重要性、绘制单变量非线性响应曲线，并通过二维偏依赖热力图揭示核心变量间的协同交互效应。
三、主要研究结果
（1）通勤绩效的时空分异特征
研究发现，重庆主城区通勤绩效呈现出显著的地形耦合空间格局。中心河谷区域（如渝中、大坪、观音桥）形成连续的高绩效集群，该区域地势平坦、职住功能高度融合且轨道交通网络成熟。沿中梁山和铜锣山则形成狭窄的低绩效带，崎岖地形增加了建设成本和对外连通难度。外围翼谷（如大学城、龙兴）处于中等水平。时间上，全域平均通勤绩效从2017年的0.569下降至2021年的0.532，随后在2023年小幅回升至0.558，但仍未恢复至2017年基线，反映了新冠疫情管控与跨江桥梁隧道限行政策的叠加冲击。
（2）驱动因素的重要性层级
通过随机森林模型的特征重要性排序，就业人口密度（EPD）以0.331的相对重要性位居首位，远超其他指标，确认了就业集聚为核心非线性驱动因素。地形起伏度（TR, 0.174）和居住人口密度（RPD, 0.136）分列第二、三位，反映了山地地形的强约束效应与居住空间集中的影响。地理区位（LOC, 0.113）排名第四，验证了山谷与山地的空间分层塑造了通勤行为的非线性响应。在传统“5Ds”建成环境框架内，密度维度（EPD与RPD合计0.467）贡献最大；自然本底维度（TR与LOC合计0.287）紧随其后；设计与距公交距离维度贡献相当（均为0.075）；可达性与多样性维度贡献微弱。宏观时间冲击（年度虚拟变量）重要性最低。
（3）核心变量的非线性响应模式
SHAP散点依赖图揭示了所有核心变量均呈现阈值型非线性特征。就业人口密度（EPD）存在明显的门槛效应：在极低密度时抑制绩效，在0至12区间内快速提升，超过12后边际效益递减，极端高密度时略有回落。居住人口密度（RPD）呈单调正向关系，在0至1区间增益最陡。地形起伏度（TR）表现为单向刚性约束，约在100米处出现拐点，之后绩效急剧恶化且无逆转迹象。轨道交通站点500米覆盖率（RTC）的最优区间约为0.5至0.6，交通性路网密度（TRD）的最优区间约为2至3.5 km/km2，超出此范围边际收益递减。
（4）多因素的协同增效机制
二维偏依赖热力图显示，核心变量间存在广泛的正向协同效应。其中，就业与居住的协同集聚产生的正向协同最强，是实现本地职住匹配的核心路径。密度与交通基础设施呈现一致效应：高密度配置适当的交通设施可最大化通勤效率。两种交通方式（轨道交通与主干路网）之间存在阈值互补性，两者均在最优水平时带来最大改善。定量分析表明，纯交互效应约占对应变量对平均主效应的4.49%至9.46%，表明个体因素的主效应主导绩效提升，协同策略提供额外增益。
四、讨论与结论
讨论部分总结：
研究发现，宏观尺度的集聚与地形因素在山地城市中占据主导地位，这与山地城市被地形屏障分割成离散组团的底层空间逻辑一致。微尺度建成环境因素（如人性化街道设计、用地混合）因服务范围受限，对长距离跨组团通勤影响甚微。非线性响应模式既印证了既有研究中普遍存在的阈值效应，也识别出山地特有的地形单向刚性约束（约100米拐点）。稳健性检验证实，即使剔除因变量中的地形适应性子指标，核心建成环境效应的非线性模式依然稳定；网络距离敏感性测试亦表明核心结论不因距离度量选择而改变。研究局限性包括：单一运营商手机信令数据的代表性有限、三截面数据无法完全刻画动态响应、可修改面积单元问题（MAUP）未能彻底消除、随机森林方法识别的是关联模式而非严格因果关系，以及SHAP曲线识别的拐点和最优区间缺乏正式的不确定性分析。
研究结论翻译：
本研究基于重庆主城区155个通勤区，从职住双重视角构建了涵盖效率、公平性、地形适应性和组织性的四维通勤绩效框架，利用CRITIC-TOPSIS方法计算了三个年份的综合绩效得分，并采用随机森林与SHAP可解释分析量化了驱动因素的重要性、非线性模式及交互效应。主要结论如下：（1）通勤绩效呈现显著的地形分异，中心河谷最高，中山与铜锣山形成低值带，翼谷居中；全域均值从2017年的0.569降至2021年的0.532后回升至2023年的0.558。（2）驱动因素呈清晰层级结构：就业密度、地形起伏度、居住密度和区位合计占总特征重要性的75.4%；密度维度主导，设计与距公交维度中等贡献，多样性与可达性维度独立贡献微弱。（3）所有核心变量均呈非线性特征：就业密度存在门槛效应，居住密度单调递增，地形起伏度为单向刚性约束（约100米拐点），轨道交通覆盖率和交通性路网密度各有最优区间。（4）核心变量间广泛存在正向协同，职住协同集聚是最强组合；纯交互效应占主效应的4.49%至9.46%。总体而言，本研究将传统“5Ds”框架拓展至山地城市语境，系统揭示了通勤绩效分异的非线性驱动机制与协同效应，为山地城市空间优化与可持续交通治理提供了定量参考。
