基于主动出行的建成环境对绿道使用强度的空间格局及效应研究
——以北京中心城区为例
2023-12-21邱彩琳张天洁
邱彩琳 邱 宁 张天洁
2019年《国务院关于实施健康中国行动的意见》指出应加快健康环境建设以预防疾病；2022年《北京市“十四五”时期交通发展建设规划》明确要求“落实慢行优先，建设步行和自行车友好城市”。主动出行(active travel)又被称为实用性体育活动，是指个体出行行程中部分或全过程以体育活动的形式进行(如骑行、步行)[1]；非主动出行(non-active travel)则指机动车出行方式。既有研究表明，相比非主动出行，主动出行可以有效提高人群的日常体育活动水平，减少肥胖及心血管疾病的发生概率[2]。相关学者更加关注如何通过优化建成环境促进居民主动出行水平，从而降低居民健康风险，其中，绿化良好的绿道是有效的改善措施之一[3]。绿道的主要使用方式包括散步、慢跑和骑自行车，均属于主动出行[4]。“十四五”时期，首都城市公共空间的精细化治理对道路绿化做出了进一步工作指示，北京市政府正通过建设绿道来促进居民主动出行。但城市绿道在使用强度上也存在较大差异，如政府投入大量资金建设的部分绿道片段“无人问津”[5]，而有些热门绿道线路“人满为患”，降低了居民的舒适感。因此，本研究首先揭示绿道使用强度的空间格局，其次探究其影响因素，以针对性地提出绿道规划提升策略。
国内外学者对绿道的使用已进行了广泛的讨论，研究主题集中在以下方面。1)居民绿道使用行为：居民绿道使用模式研究[6]、居民运动水平能力测度[7]、居民对绿道空间类型的使用偏好[8-9]，以及绿道运动存在的安全性风险[10]等。2)基于多源大数据的建成绿道评价及布局优化：使用网络点评数据[11]、共享单车数据[12]、运动轨迹数据[5]及街景图像[13]等评价现有城市绿道的使用效率和空间感知等，进而提出绿道设计布局的提升策略，优化绿道选线。3)绿道运动与健康之间的关系：绿道可达性与使用强度的关系研究[7]，以及绿道促进居民身心健康的路径机制[14]等。
既有研究已证实建成环境对绿道使用存在显著影响，包括环境质量、可达性[7]、兴趣点、人口密度、居住区密度[15]和绿地比例[5]等。其中可达性、人口密度及环境质量[16-17]的影响作用更为显著。对于城市规划师和管理者而言，摸清城市层面绿道的整体使用强度及建成环境对不同区域的影响作用对制定规划策略、进一步优化城市绿道和满足居民的实际需求具有重要作用。
由于缺乏精细的城市范围运动数据，既有研究使用的OLS及多元线性回归方法尚未阐明建成环境对绿道使用强度的空间效应。有学者探究了建成环境对主动出行的空间效应，以自行车骑行为主要出行方式，得出绿地率对骑行频率有显著的正向直接效应[18]。随着互联网技术的发展，GPS数据为城市空间研究提供了新的视角和方法。轨迹数据记录了物体在某一时刻的空间位置，由于其空间位置随时间呈连续变化，因此可以用来研究人或动物的行为[19]。轨迹数据分析被应用于多个研究领域，包括行为学、城市交通和城市规划等。目前使用轨迹数据进行城市布局优化的研究主要集中在城市交通领域，相关学者使用出租车[20]、自行车[21]行驶轨迹开展研究。使用手机应用程序收集个体运动数据的方法能够有效提供大量和广泛的地理空间运动信息[22]。大规模细粒度的运动轨迹为研究建成环境与绿道使用强度的空间效应提供了条件。
绿道使用强度的研究在如下几个方面存在限制：1)在研究对象和数据采集上，现有文献多采用现场调研、访谈和计数法等对城市中的绿道片段进行调研，但研究人员很难在城市尺度上对绿道使用强度的空间格局进行分析，无法对绿道使用的空间异质性进行实证研究；2)在影响因素的研究方法上，既有研究多采用多元线性回归等基于样本间互相独立假设的方法，但未考虑到绿道使用强度和建成环境要素在空间中可能存在的空间依赖性，导致研究结果与实际情况不符；3)既有研究多使用截面数据，未能将时间和空间纳入统一的研究框架。
对特大城市实行精细化管理是城市可持续发展的必然选择。对微观案例的研究不足以推演城市整体绿道使用强度特征，因此从城市尺度加强对绿道使用的时空格局及建成环境对绿道使用强度的空间效应的认知，对于提升绿道的使用效率、促进居民主动出行具有重要意义。本研究以北京市中心城区为研究对象，首先使用轨迹数据评估中心城区居民使用绿道行为的空间格局，并在时间维度上进行差异对比；其次使用空间计量模型探究建成环境与绿道使用强度之间存在的空间效应。以期加深对城市绿道使用强度的空间认知，并为城市规划者和决策者提供数据参考。
1 数据来源与研究方法
1.1 研究范围和分析单元
选取北京市中心城区为研究范围(图1)，总面积约1 375.70km2。与北京市其他地区相比，中心城区具有资源集中、经济发达、综合服务设施密集等优势。更重要的是，中心城区绿道建设水平较高、建设总量较大，其中不乏示范性绿道工程(图2、3)。同时，中心城区内的绿道深受市民欢迎，居民使用率较高，因此，探究此范围内的绿道使用特征及影响因素更具有典型性。北京市绿道分为城市型绿道和郊野型绿道2类，二者的使用人群、使用时间、环境特点和地理位置均具有较大差异。因此，本研究聚焦城市型绿道，选择中心城区作为研究范围，使各区之间的差异更具有可比性。
图1 研究范围
图2 三山五园绿道局部照片
图3 环二环绿道局部照片
以街道作为基本研究单元的理由如下：1)经统计计算，发现居民运动轨迹的平均长度约为8km，若研究单元过小则无法覆盖完整的运动轨迹，导致不具有统计学意义；2)研究表明，绿道的使用者多来自周围社区[23-24]，在我国，社区受街道管辖，街道是我国最小的具有可靠数据的人口数据统计单元。
1.2 数据来源和处理
利用Keep App收集用户运动轨迹数据，并建立数据库。Keep是中国最受欢迎的运动记录App，使用范围覆盖全世界。2020年Keep官方发布的《国民运动生活大赏》数据报告显示，目前其用户总量已突破2亿，日活用户超过600万。Keep用户可以使用App记录运动轨迹并上传到服务器，上传后的原始GPS轨迹会被后台处理为聚合轨迹数据。由2020年Keep产品分析报告可知，其用户主要通过行走、跑步和骑行3种形式产生运动轨迹。在Keep所有运动类型(包括室内与户外运动)用户的年龄分布中，40岁以下用户占比超过75%。用户性别女性占比50.37%，男性占比49.63%。
本研究所使用的数据来源为Keep实时轨迹平台(https://www.gotoKeep.com/maptrack)。Keep通过算法将突变点过滤，根据道路信息等将定位轨迹尽可能地还原为真实轨迹。笔者于2022年11月1日在城市中GPS信号强弱不同的位置进行测试，发现在信号较差的位置，Keep记录的定位轨迹与真实轨迹水平误差约为2m；在GPS信号较强的位置，定位轨迹与真实轨迹几乎没有误差。
数据采集时间为2022年1月7—20日，在每天6：30—8：30、15：00—17：00、19：00—21：00 3个居民运动较为活跃的时间段，从Keep轨迹网站连续爬取15天的数据。采集数据期间，北京市未出现极端天气(雨雪、大风和极端低温)和重度污染等对户外健身产生较大影响的情况。就季节对户外健身的影响而言，夏季的运动水平普遍高于其他季节，尤其高于冬季[25]。尽管数据采集的时间是冬季(采集数据期间白天平均气温3℃，夜晚平均气温-6℃)，但从数据采集的结果来看，北京市居民依然维持了较高频率的户外运动行为，这反映出北京市居民具有良好的健身习惯和户外健身意识，说明对于具有稳定运动习惯的个体而言，季节对其户外运动行为的影响较小。研究表明，即使是冬季，户外体育运动依然对健康有益[26]。剔除重复文件后，225个JSON文件被保留，将JSON文件按照时间信息拼接后导入ArcGIS 10.2。由于采集的数据是全北京市Keep用户的运动轨迹，需要进一步筛选出中心城区绿道运动轨迹数据。
既有研究使用距离搜索法筛选运动轨迹。在深圳市绿道体力活动研究中，搜索距离设定为25m，研究范围包含了城市中心区与城市边缘区(城市边缘区绿道宽度普遍更宽)[5]。本研究根据《北京市级绿道系统规划》指出的市级绿道的景观控制区宽度不宜小于20m，同时考虑到研究对象为中心城区，因此选定20m为搜索距离。根据北京市绿道规划图，以北京市中心城区市级和区级绿道为源图层，以20m为搜索距离，筛选出与源图层相交的轨迹数据。在筛选过程中，由于部分地段绿道宽度较宽，因此通过增加控制线的方法以确保轨迹数据能被筛选。将明显的异常值剔除后，最终获得了23 200条轨迹。通过进一步分析轨迹图形，发现人们并不仅在绿道上进行运动，而是穿梭于绿道与其他城市空间，这种现象是符合实际的。因此，在数据处理中将轨迹数据进行分割，并再次筛选所有轨迹片段中在绿道上运动的部分作为数据来源。通过此方法，可以有效去除非绿道运动轨迹，以准确反映绿道的使用情况。
在建立绿道使用强度影响因素评价指标时，还用到了自然地理数据及社会经济数据，包括北京市河流矢量数据(https://www.resdc.cn/)、北京市绿地矢量数据(Open street map，http://www.beijingcitylab.com)、街道人口统计数据(百度人口数据)、道路矢量数据(https://www.resdc.cn/)、北京POI设施矢量数据(百度地图API)和北京市房价数据(https://suzhou.fang.com/)。
1.3 研究方法
1.3.1 研究框架和指标选取
既有研究中涉及绿道使用强度的计算方法如下：1)采用问卷法统计某一段绿道的居民使用频率及使用时长[16]；2)采用计次法统计某一段绿道的居民到访频率[7]；3)采用计次法统计单位长度绿道的使用人数[23]；4)采用ArcGIS汇总单位面积累计发生的运动事件数目[27]。既有研究多使用频率作为统计数据来源，但忽略了运动距离和运动强度对运动效果的直接影响。轨迹数据提供的丰富的细节信息为绿道运动研究提供了更加准确的统计方式。本研究采用单位面积累计绿道运动轨迹距离作为自变量，理由如下：1)通过累计叠加运动轨迹能够有效避免因天气或特殊情况产生的样本偏差；2)由于北京市中心城区内街区面积差异较大，街区面积与运动轨迹距离具有直接关联。从使用强度角度而言，以单位面积产生的运动轨迹长度作为自变量能消除街区面积差异对运动距离产生的影响。
根据既有研究成果，首先对绿道使用的影响因素进行总结。绿道使用强度的影响因素主要包括三方面：人口学特征、绿道质量和建成环境差异。其中，人口学特征表征不同个体的使用偏好；绿道质量反映了绿道建设的路面平整度、舒适性和绿化质量等差异；建成环境差异主要反映可达性、人口密度、居住密度和绿地率等对绿道使用的影响。既有研究相对充分地研究了人口学特征和绿道质量对绿道使用造成的影响，且建成环境影响绿道使用的情况普遍存在，但从城市尺度探究建成环境要素与绿道使用强度之间空间效应的研究尚缺乏。此外，还需要考虑与城市绿道选线相关的因素，如历史文化景点、河流等。进一步通过回归分析，验证目前阶段绿道的现实使用特征是否与规划有良好的衔接，以及绿道使用情况与规划目标是否一致。
1.3.2 空间计量模型的建立与选择
建成环境对绿道使用具有显著影响[23]，既有研究多使用相关性分析进行研究[6，15-16]，但忽略了空间自相关及变量中难以测量的误差产生的空间滞后效应。在研究方法上，随着空间效应逐渐被重视，使用空间计量模型是处理此类问题的共识之一[28]。本研究将绿道使用强度作为被解释变量(详见表1中各项建成环境指标)。
表1 绿道使用强度影响因素指标及数据来源
1)空间权重矩阵。
托布勒地理学第一定律指出：任何事物之间都具有相关性，且距离越近相关性越强。使用Geoda软件计算出随距离增加而衰减的地理距离矩阵，以反映相邻地区对本地的影响，采用0-1邻接矩阵：
在上述矩阵中，如果区域i与区域j有公共边界，则Wij＝1，否则Wij＝0。
2)空间自相关分析。
城市中的绿道使用情况并非匀质，既有研究表明，绿道使用时长及频率具有空间依赖性。利用空间权重矩阵分别对6：30—8：30、15：00—17：00、19：00—21：00 3个时间段的绿道使用强度进行全局莫兰检验和LISA集聚程度计算。莫兰取值范围为[-1，1]，其值＞0表明正相关，＜0表明负相关，根据P值判断绿道使用强度是否存在空间自相关，检验空间计量模型的合理性。利用LISA聚集图可具体探测城市绿道使用强度的热点区域(高值集聚分布)与冷点区域(低值集聚分布)。
3)空间计量模型选择。
空间计量模型的优势在于能够观测到因地理空间邻近而产生的空间依赖性与空间异质性，更加准确地检验变量之间的作用关系。常用空间计量模型包括空间滞后模型(SLM)、空间误差模型(SEM)和空间杜宾模型(SDM)。由于在探究影响因素时可能出现缺少变量或存在误差等情况，所以需要在3种模型间进行选择和检验。
模型选择与检验步骤如下。1)通过引入拉格朗日乘子统计量选择模型，一般情况下，检测结果的显著性P值小于0.1，说明模型通过检验；根据P值确定使用SEM或SLM，若二者的显著性检验均通过，则选择SDM作为空间计量模型。2)使用Hausman检验区分固定效应模型和随机效应模型，若显著性P值小于0.05，则选择固定效应模型，否则使用随机效应模型。
1.3.3 空间统计分析
使用核密度分析法进行绿道使用强度的空间统计分析。核密度分析用于估算要素在其周围邻域的密度，它既可以被用于计算点数据的核密度，也可以用于计算线数据的核密度。通过核密度分析法可以得出空间中运动轨迹频率的高密度区分布情况。本研究使用ArcGIS 10.2计算核密度。
2 结果与分析
2.1 居民绿道使用强度的空间格局
通过对23 200条轨迹数据汇总，发现绿道使用的空间格局表现为四环内高-高聚集、近郊区低-低聚集。图4为北京绿道使用强度空间关联局部指标的空间聚集模式。将绿道使用强度聚集模式划分为高-高(H-H)、低-低(L-L)、高-低(H-L)和低-高(L-H)4种类型。H-H集聚分布在三环以内，H-H区域东侧被L-H区域包围，说明绿道使用强度高值区具有一定的空间溢出效应。L-L区主要分布在五环外的城市边缘区。三环到五环间的区域不存在显著的聚集现象，说明该区域绿道使用强度具有同质性。
图4 绿道运动轨迹LISA分析图
2.2 居民绿道使用行为的时间格局
2.2.1 工作日与周末的对比结果
工作日数据提取了2022年1月7(周五)、12(周三)、17(周一)、18(周二)日，累计4天，共计6 911条数据。周末数据提取了2022年1月8(周六)、9(周日)、15(周六)、16日(周日)，累计4天，共计5 999条数据。从数据的总量来看，居民在工作日和周末使用绿道的总频率接近，二者的空间分布特征虽有细微差别但整体相似(图5)。二者的高密度区基本一致，但工作日高密度区的分布比周末广。其中，元大都遗址公园段绿道、营城建都滨水绿道、南护城河段绿道及常营马拉松绿道在工作日及周末均具有较高的使用密度。此外，工作日高密度区还包括三山五园段绿道和北海公园段绿道。
图5 工作日与周末的绿道运动轨迹核密度对比分析
2.2.2 不同时间段的对比结果
为了对比不同时间段绿道使用频率的差异，选择6：30—8：30、15：00—17：00、19：00—21：00 3个居民运动较为活跃的时间段进行分析。图6统计结果显示，人们更倾向于晚上使用绿道进行运动，其次是下午，早上使用频率最低。对比工作日与周末不同时间段的数据(图7)可以发现，在工作日人们更倾向于晚上使用绿道进行运动，而在周末则倾向于在下午和晚上使用绿道。究其原因，Keep用户以中青年群体为主，早上有通勤压力，因此工作日的体育锻炼多发生在晚上，目前在中国的大型城市中，越来越多的上班族通过夜跑锻炼身体；到了没有通勤压力的周末，人们进行户外运动的时间就有了更多选择。在忽略了一年四季普遍存在的汽车尾气因素后，由于采暖的碳排放影响，秋冬季节北京市空气质量白天低、夜间高[29]，因此更多人选择在夜晚运动。
图6 不同时间段绿道轨迹频率统计
图7 工作日与周末不同时间段绿道轨迹频率统计
由图8可知，3个时间段的运动轨迹核密度运算结果在空间上具有一定差异。在6：30—8：30，绿道使用高密度区为什刹海段绿道、南护城河段绿道、玉渊潭公园段绿道和龙潭湖公园段绿道；在15：00—17：00，绿道使用高密度区为元大都遗址公园段绿道、龙潭湖公园段绿道和常营马拉松绿道；在19：00—21：00，绿道使用高密度区相较于前两者面积最大，以二环路为核心向四周扩散，形成多处高密度区。
图8 不同时间段绿道运动轨迹核密度分析
2.3 建成环境与绿道使用强度的相关性分析
2.3.1 Moran'sI检验结果与模型选择
在使用空间计量模型前，首先对绿道使用强度进行空间自相关检验，检验结果如表2所示，3个时间段的面板数据均通过了1%水平的显著性检验，说明本文适合引入空间计量模型进行绿道使用强度的空间效应研究。表3结果显示，LM检验和Robust LM检验在1%水平显著拒绝了SDM退化为SEM的假设；LR检验在1%水平拒绝了SDM退化为SEM和SLM的假设，因此选择SDM。Hausman检验结果为P=0.000(＜0.05)，因此选择固定效应模型。LR检验通过了双向固定退化为时间固定的原假设。综上，最终采用时间固定效应SDM。
表2 全局Moran's I检验结果统计
表3 空间计量模型检验
2.3.2 全样本空间面板回归模型计算结果
由表4可知，所有变量均通过了显著性检验，说明以上变量与绿道使用强度具有明显的相关性。从系数大小来看，各变量对绿道使用强度的影响从大到小依次为：房价＞居住区密度＞历史文化资源密度＞人口密度＞到河流的距离＞绿地率＞绿道15min步行可达性。从系数的正负来看，仅“到河流的距离”与绿道使用强度的负相关作用明显(距离河流越近的位置绿道使用强度越大)，其余变量对绿道使用强度均具有促进作用。
表4 全样本空间面板回归模型效应分解结果
本研究所使用的SDM存在空间滞后和空间误差等缺陷，因此借助空间面板模型回归系数(Main)进一步通过偏微分分解方法求解出直接效应(Direct)和间接效应(Indirect)。直接效应表示自变量对本地绿道使用强度的作用；间接效应表示自变量变化对相邻地区绿道使用强度带来的空间溢出效应。从效应分解结果来看，所有自变量对绿道的使用强度均具有显著的直接效应。此外，人口密度、房价和居住区密度还同时具有间接效应，即以上自变量发生变化会对邻近地区的绿道使用强度产生影响。
3 结论和讨论
本文从主动出行视角出发，探究建成环境对绿道使用强度的影响，将空间异质性与空间依赖性纳入研究内容，以期通过优化建成环境促进主动出行以提高居民健康水平。通过收集大规模、细粒度的居民绿道运动时空轨迹，使用空间计量模型对多个时间段进行回归分析后发现，建成环境要素不仅对本地绿道使用强度具有显著作用，部分要素还会对邻近地区产生作用。本研究弥补了既有研究使用调研数据存在的绿道使用强度空间差异认知不足的问题，并得出如下结论。
1)城市功能定位与圈层分异影响下，绿道使用强度呈现出四环内高-高集聚、近郊区低-低集聚的总体特征。研究发现，绿道使用的时空格局具有明显的集聚特征，其中四环内外绿道使用强度差异明显。自2014年以来，北京市政府逐步疏解非首都功能，使中心城区内外、核心区内外空间呈现出明显的城市功能差异[30]。在核心区内，城市规划师重点关注改善人居环境、保护历史遗产和增加公共绿色空间等问题，其中，环二环绿道是北京重要的历史人文景观环线。尽管北京的城市格局为多中心结构，但依然具有明显的圈层分异：五环内的区域已高度城市化，各片区发展程度相对一致，具有较强的资源集聚性；而城市边缘区与核心区、各城市边缘区之间依然存在着分配不均的问题，容易出现服务设施的空间失配现象[31]。
2)大都市地区绿道使用情况受到绿色绅士化的显著影响。房价是影响绿道使用强度的重要因素，房价对本地绿道的使用具有促进作用，但对邻近地区具有不利影响，这进一步说明了大都市地区普遍存在的绿色绅士化现象。房价与城市绿色空间之间相互影响，一方面，供需理论和住房特征价格理论解释了人均城市公园绿地面积对房价的显著正向影响[32]；另一方面，房价的空间异质性会进一步造成资源空间配置差异，绿色空间被视为富人区的资源优势[33]。绿道作为新型绿色空间，不仅具有与公园相似的休闲功能，还是绿色交通的载体。美国的一项实证研究表明，具有步行或骑行交通性质的绿道比普通公园更容易引起绅士化问题[34]。北京市绿道布局采取三级结构，包括市级绿道、区县级绿道和社区级绿道，合理的绿道布局对于缓解房价差异带来的绿色绅士化现象具有积极意义，尤其是在城市近郊区。
3)绿道选线布局应进一步考虑人口规模与供给平衡。以往研究已证实人口密度对体育活动具有显著的促进作用[35]。本研究也发现，人口密度对本地和邻近地区的绿道使用强度均具有正向作用；居住区密度的增加也对本地和邻近地区的绿道使用具有正向作用。这可能是由于绿道的使用者多是来自周边社区的居民[23]，同时北京市市民的健康意识与健身需求正日益增加。当前，北京市优先建设首都核心区绿道、沿河生态绿道，以及由重要历史文化遗产构成的城市文化廊道，之后建设区级和社区级绿道。由于绿道建设的顺序和竣工时间不同，可能导致绿道建设量与居民使用需求不匹配的情况。因此，在未来的绿道布局中应力求供需平衡，满足市民的使用需求。
4)提高绿道节点的吸引力，通过“以点带面”的方式有效提升绿道的使用效率。绿道布局应合理利用河流、历史文化资源和公园绿地以提高绿道的吸引力。针对深圳绿道网络的研究结果显示，城市边缘区的绿道尽管连通性很高，但却处于低效使用状态[5]。北京中心城区绿道使用强度最高的区域集中在二环沿线及东西城区，二环串联了多处北京市重要的人文历史景点，具有很强的空间吸引力。因此在绿道布局中，应考虑如何提高绿道的使用效率，避免资源浪费。
本研究确定了绿道使用强度的时空格局和社会经济环境因素对绿道使用强度的影响，但也存在以下局限性。1)使用轨迹数据，忽略了个体差异对绿道使用强度的影响。2)使用数据的来源存在年龄限制，反映出的北京市绿道使用强度空间格局可能与实际情况有一定出入。本研究得出的结果主要为中青年的使用情况，但在绿道的实际使用场景中，存在大量老年群体，因此在今后的研究中可通过现场调研和发放问卷的形式收集老年群体的使用数据，从而更加全面地反映绿道的使用情况。3)对绿道的使用类型存在局限性。Keep App用户的目的是锻炼(步行、跑步和骑行)，忽略了其他绿道使用目的(休闲社交、遛狗、陪伴孩子、通行等)，因此未来需要利用问卷调研等形式获取更多的活动类型数据，进一步细化研究成果。
注：图2、3引自北京市园林绿化局网站：http://yllhj.beijing.gov.cn/sdlh/jkld/bjjkldfwzn/hdsswyld/，其余均由作者绘制。
