EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 12: 2482 - 2493

DOI: https://doi.org/10.18306/dlkxjz.2024.12.012

研究论文

职住地绿地暴露对城市居民休闲步行时间的影响及其阈值研究

  • 尹春 , 1, 2 ,
  • 陈奕毅 3 ,
  • 孙斌栋 , 4, 5, *
展开
  • 1.武汉大学资源与环境科学学院，武汉 430079
  • 2.武汉大学空间全生命周期健康国际研究中心，武汉 430079
  • 3.广东省科学院广州地理研究所，广州 510070
  • 4.华东师范大学中国行政区划研究中心，上海 200241
  • 5.华东师范大学海南研究院，海南 三亚 572000
*孙斌栋(1970— )，男，河北阜平人，博士，教授，博士生导师，主要研究方向为城市地理、区域经济、国家空间治理与行政区划。E-mail:

尹春(1992— )，男，福建邵武人，博士，副研究员，硕士生导师，主要研究方向为城市健康地理和行为地理。E-mail:

收稿日期: 2024-03-28

  修回日期: 2024-07-18

  网络出版日期: 2024-12-23

基金资助

国家社科基金重大项目(23ZDA049)

收起

Threshold effects of green space exposure around residences and workplaces on the duration of leisure walking among urban residents

  • YIN Chun , 1, 2 ,
  • CHEN Yiyi 3 ,
  • SUN Bindong , 4, 5, *
Expand
  • 1. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China
  • 2. International Institute of Spatial Lifecourse Health (ISLE), Wuhan University, Wuhan 430079, China
  • 3. Guangzhou Institute of Geography, Guangdong Academy of Sciences, Guangzhou 510070, China
  • 4. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China
  • 5. Hainan Institute, East China Normal University, Sanya 572000, Hainan, China

Received date: 2024-03-28

  Revised date: 2024-07-18

  Online published: 2024-12-23

Supported by

Major Program of National Social Science Foundation of China(23ZDA049)

Fold

摘要

绿地暴露是影响居民休闲步行的关键因素。然而，现有研究尚不明晰绿地暴露的各项指标影响休闲步行的相对重要性、阈值区间及其在职住地的空间异质性。论文基于上海市问卷调查数据，采用梯度提升决策树模型，分别探究了职住地绿地暴露对休闲步行时间的影响程度及阈值效应。研究发现，在绿地暴露指标中，到最近公园距离是预测休闲步行时间的最主要变量。在居住地，到最近公园距离对休闲步行时间的贡献仅次于年龄；在工作地，到最近公园距离、绿色空间供需比、绿地面积的相对重要性排名分别为第6、7、9位。绿地暴露各项指标对休闲步行时间的影响方向在职住地是相似的。到最近公园距离与休闲步行时间具负向关联，主要作用区间为650 m内。当居住地NDVI处于0.10~0.14和工作地绿色空间供需比小于0.2时，两者均与休闲步行时间呈正向关联。绿地面积和公园数量与休闲步行时间呈正向关联且没有明显阈值。这些发现为规划和设计职住地绿色空间以促进休闲步行提供了科学依据。

关键词： 绿色空间; 步行行为; 体力活动; 阈值效应; 机器学习; 健康城市

本文引用格式

尹春 , 陈奕毅 , 孙斌栋 . 职住地绿地暴露对城市居民休闲步行时间的影响及其阈值研究[J]. 地理科学进展, 2024 , 43(12) : 2482 -2493 . DOI: 10.18306/dlkxjz.2024.12.012

Abstract

Leisure walking is one of the most important physical activities, and green space exposure is regarded as an important influencing factor of leisure walking. However, previous studies have paid limited attention to the relative importance of each green space exposure indicator to leisure walking, and the threshold effects of green space exposure and the spatial heterogeneity of residences and workplaces. Based on a survey conducted in Shanghai between 2018 and 2019, consisting of 1049 participants, this study used a gradient boosting decision tree approach to explore the threshold effects of exposure to green space around residences and workplaces on the duration of leisure walking. The results show that around both residences and workplaces, among green space exposure indicators, distance to the nearest park is the most important predictor for the duration of leisure walking. Around residences, distance to the nearest park is the second most important predictor and its ranking is only lower than age. Around workplaces, distance to the nearest park is the sixth important predictor, followed by the area of greenspace and the supply-demand ratio of greenspace, ranking seventh and ninth, respectively. Around both residences and workplaces, distance to the nearest park has negative associations with leisure walking when it is lower than 650 m. Beyond this threshold, distance to the nearest park has a trivial contribution to the duration of leisure walking. Value of NDVI around residences, when between 0.10 and 0.14, is positively correlated with the duration of leisure walking. When the supply-demand ratio of greenspace around workplaces is less than 0.2, it has a positive association with the duration of leisure walking. More green areas and parks are positively related to the duration of leisure walking without clear thresholds. With regard to the attributes of the built environment, around both residences and workplaces, land use diversity positively correlates with the duration of leisure walking, while distance to the city center has a negative association with the duration of leisure walking. Population density around residences and the number of transit stops around workplaces are negatively related to the duration of leisure walking with certain thresholds. These findings provide evidence for planning and designing green spaces around residences and workplaces to promote leisure walking.

Key words： green space; walking behavior; physical activity; threshold effect; machine learning; healthy city

在快速城镇化的背景下，人们生活方式发生了巨大转变，尤其体现在体力活动的减少。这不仅降低了国民身体免疫力和身体素质，还增加了人民罹患肥胖、糖尿病等慢性病的风险[1-2]。世界卫生组织建议18~64岁成年人每周应进行至少150~300 min的中等强度体力活动或等量的高强度体力活动，并强调若将中等强度体力活动时长增加至300 min以上还能获得额外的健康收益[3]。然而，中国19~59岁成年居民经常参加体育锻炼的比例仅有30.4%[4]。为此，《“健康中国2030”规划纲要》强调要“广泛开展全民健身运动”。在学术界，学者们积极倡导建设可步行城市，希望通过营造紧凑型建成环境提高居民日常活动目的地的可达性，进而促进居民参与体力活动。然而，这一理念主要侧重于促进交通步行，尚不明晰其对休闲步行是否也具有类似的促进作用。休闲步行(如健步走)作为中国居民最常见的体育锻炼方式，通常比交通步行的持续时间更长、强度更高，对居民健康的促进作用也更显著[5]。已有研究表明，休闲步行不仅能显著改善个体心血管系统功能、增强骨骼密度及肌肉力量、降低全因死亡率和慢性病发病率[6-7]，还能放松压力、恢复精神、提升自评健康和幸福感[8-9]。因此，步行城市建设需要更多地考虑如何促进休闲步行。
绿地暴露是影响居民休闲步行的关键因素之一，主要包括绿地暴露程度和可达性、水平和垂直层面绿地指标以及客观和感知绿地暴露三个方面[10]。其中，绿地暴露程度和可达性强调了绿地暴露的客观空间分布，是现有文献中最常见的测度方式，可细化为绿地有无、数量/密度、距离、空间相对位置4个维度[11]，或是距离、数量、面积和质量4个维度[12]。水平和垂直层面绿地指标强调了绿地暴露测度的视角，前者主要包括归一化植被指数(normalized difference vegetation index，NDVI)、斑块分离度等指标，后者则包括绿视率、垂直可见度等指标[10,13]。客观和感知绿地暴露强调了绿地暴露数据源的差异，前者通常基于遥感影像、街景数据、地图兴趣点等测度，反映了客观绿地特征；后者则基于用户体验，强调个体对绿色空间的满意度。
绿地暴露影响休闲步行的路径主要有二。一方面，绿地暴露可以通过提供活动场所、降低活动成本和增加活动机会等途径促进休闲步行。例如，邻近绿色空间直接为居民休闲步行提供了活动场所，不仅降低了居民前往休闲目的地的出行和活动成本，还因高质量绿色环境吸引居民参与休闲步行[14-15]。另一方面，绿地暴露本身还能通过减轻环境压力、恢复力路径和建设力路径等方式直接促进居民健康和休闲步行行为。例如，绿地暴露能够减少空气污染和个体压力、促进社会融合[16⇓-18]，进而促进休闲步行。
然而，现有绿地暴露与休闲步行的研究仍存在一些不足亟待填补。第一，较少关注绿地暴露总体及各测度指标对休闲步行影响的相对重要性。一方面，既有研究发现个体特征是影响步行行为的最主要因素[19-20]，也有研究发现环境因素的影响更为重要[21⇓-23]。尽管绿地暴露通常被认为是影响休闲步行的关键因素[14,24-25]，但现有研究仍不明晰其对休闲步行的影响程度。另一方面，绿地暴露各测度指标对休闲步行的影响也尚不明晰。有研究发现，虽然NDVI与居民户外体力活动具有正向关联，但到最近公园距离和绿地覆盖率均与居民户外体力活动不具有统计相关性[26]；还有研究发现，到最近公园的距离对交通目的主动出行的影响约是公园面积影响的4倍[27]。因此，厘清绿地暴露总体上对休闲步行的影响程度以及各测量维度对休闲步行的影响差异，有助于更有针对性地优化和设计城乡绿色空间，更高效地促进休闲步行。
第二，较少关注绿地暴露影响休闲步行的阈值区间。近年来，许多学者开始质疑传统研究中的线性假设，并认为无论是绿地暴露、建成环境还是个体社会人口特征，都对居民体力活动具有阈值效应[21,28]。一方面，当某一环境要素达到一定阈值后，其作用可能与达到阈值前完全相反(U型或倒U型关系)。例如，较高的人口密度会通过提高目的地可达性而增加居民体力活动；但当人口密度过高时，反而会降低人均活动空间而减少居民体力活动[29-30]。另一方面，当某一环境要素达到一定阈值后，其作用较达到阈值前明显减弱或增强。距离衰减定律指出，两个地点之间的相互作用随距离的增加而减小，但其递减的趋势并不是线性的，而是与距离的平方呈反比[31]。由此可以推论，随着到体力活动目的地距离的增加，居民体力活动水平也可能呈非线性趋势递减。例如，随着到公园的距离增加，居民体力活动水平可能在一开始呈下降趋势；但当到公园的距离足够远时(达到阈值后)，距离的增加对居民体力活动水平的影响将明显减弱，直至效应消失[32]。因此，有必要放松传统模型的线性假设，考虑影响休闲步行各因素的阈值效应，更准确地理解不同因素对休闲步行的影响。
第三，缺乏关注工作地绿地暴露对休闲步行的作用，忽视了居住地和工作地绿地暴露的影响差异。以往研究主要聚焦于居住地绿地暴露对居民休闲步行的影响，忽视了居民在城市中的其他主要活动锚点(如工作地)以及不同空间情境下绿地暴露作用的空间异质性[33⇓-35]。随着城市生活节奏的加快，人们每日在工作地的活动时间越来越长，不少居民都倾向于利用午休和下班时间在工作地散步或进行其他体育锻炼。因此，探究职住地绿地暴露对居民休闲步行影响的空间异质性，有助于因地制宜地规划居住和工作邻里以促进体力活动。
为了填补上述研究不足，本文基于上海市调查数据收集的1049份问卷，采用梯度提升决策树模型，比较了居住地和工作地绿地暴露对休闲步行时间的影响及阈值，旨在回答以下两个问题：① 居住地和工作地绿地暴露对休闲步行时间的影响程度如何，绿地暴露测度指标中哪一项最重要?② 居住地和工作地绿地暴露对休闲步行时间的影响是否具有阈值效应?回答这些问题不仅能够深化学术界对绿地暴露与休闲步行关系的认知，还有利于更高效地规划和设计城市绿色空间。

1 研究框架、数据与方法

1.1 研究框架

基于既有理论和实证文献[5,10,14,36-37]，本文构建了绿地暴露影响休闲步行时间的研究框架(图1)。在该框架中，个体休闲步行主要受到绿地暴露、建成环境和个体特征的影响。其中，绿地暴露是核心变量，拟从程度和可达性两个方面测度。前者包括绿色空间的绿化总量、数量和面积三个维度；后者则包括到绿色空间距离和绿色空间供需比两个维度。该框架还考虑了建成环境和个体特征对休闲步行时间的影响。其中，建成环境包括刻画紧凑特征的空间要素和与步行密切相关的街道特征，前者包含人口密度、土地利用多样性、道路连通性、到市中心距离和公交站可达性，后者则包含街道行人设施完备性、步行安全性和步行环境舒适性等特征。个体特征包括个体人口学属性、社会经济特征和健康状况。同时，本文在分析绿地暴露与个体休闲步行的关系时，重点比较在居住地和工作地情境下两者关系的差异，关注在特定空间情境下绿地暴露整体上以及各维度要素对休闲步行的相对重要性及其阈值效应。
图1 “绿地暴露—建成环境—个体特征”影响休闲步行的框架

Fig.1 A framework of the effects of green space exposure, the built environment, and personal attributes on leisure walking

1.2 研究数据

个体数据来自华东师范大学城市空间定量研究数据平台提供的“上海居民日常活动与健康状况”的问卷调查。该调查采用分层、多阶段、按规模大小成比例随机等距方法抽样，于2018年8月至2019年2月在上海市建成区执行，目标群体为在调研社区居住且从事当前工作至少半年的18~60岁户主或户主配偶。具体而言，首先，根据上海建成区的13个市辖区(不含金山区、奉贤区、崇明区)的位置进行分层。然后，根据常住人口规模，采用随机等距法抽选30个街道/乡镇作为初级抽样单元。再次，在每个街道/乡镇内，随机抽选1~2个社区居委会中的小区进行调研，共计33个调研小区。最后，在每个调研小区内随机抽取35户家庭入户调查。调查内容包括被访者个体和家庭特征、日常体力活动和出行行为、居住和工作地点等，共回收问卷1127份。鉴于本文关注被访者职住地绿地暴露的影响，因而剔除了未汇报工作地址的被访者，最终纳入1049人(图2)。
图2 研究区与样本分布

Fig.2 Research area and respondents' locations

绿地暴露和紧凑型建成环境数据来源于2018年高德地图兴趣点数据和面数据，并结合高德地图的路网数据提取了各类设施的位置、面积、数量和距离等信息。人口数据来自于2018年LandScan数据库，NDVI数据来自于2018年Landsat 30 m分辨率遥感影像数据。

1.3 研究变量

响应变量是休闲步行时间。基于国际体力活动测度量表与社区15 min生活圈示意图，调查员分别询问了在居住地和工作地，被访者过去7 d参与休闲步行的天数和每天休闲步行的分钟数。休闲步行时间是被访者对这两个问题回答的乘积。
预测变量包括被访者在居住地和工作地的绿地暴露、紧凑型建成环境和个体特征。其中，与距离相关的职住地绿地暴露和建成环境变量由路网距离测度，其余变量提取自以居住地社区质心和工作地点为圆心、800 m为半径的圆形缓冲区。这是分析上海居民活动的有效缓冲区范围，且与《上海市15 min社区生活圈规划导则》的建议一致[38]。值得一提的是，个体在职住地的活动空间可能并不一致，采用相同半径缓冲区来比较职住地效应可能存在一定偏误。尽管如此，这一做法在现有实证研究中仍被广泛采用[39-40]，主要是因为该方法能确保个体在职住地环境暴露范围一致，使职住地环境因素可比，也使实证研究结果之间具有可比性。
绿地暴露基于程度和可达性两个方面测度。其中，绿地暴露程度指标包括绿色空间绿化总量、数量和面积，分别采用缓冲区内的NDVI、公园数量和绿地面积测度。绿色空间可达性包括了距离和供需比两个维度。距离的代理变量是到最近公园的距离，反映了从被访者居住地或工作地出发到最近公园的距离；绿色空间供需比基于高斯型两步移动搜索法来测度[41]，本质上反映了缓冲区内人均享有的绿色空间[42]。
建成环境变量包括紧凑型建成环境要素和与步行密切相关的街道环境要素。其中，紧凑型建成环境要素从人口密度、土地利用多样性、交叉口数量、到市中心(外滩)距离和公交站可达性5个方面测度[43-44]。其中，土地利用多样性计算了17类高德地图兴趣点数据的土地利用熵；公交站可达性通过站点数量表示，包括公交车站和地铁站的总个数。与步行密切相关的街道环境要素由被访者主观评价测度。问卷要求被访者基于李克特量表，对街道行人设施完备性(“街道行人道路充足且完好，如有行人专用道且未被占用”)、步行安全性(“在街道上步行感到安全”)和步行环境舒适性(“街道环境安静，没有噪音”)进行评价，1分表示非常不同意，5分表示非常同意。据此，得到“行人道路设施完善”“街道步行安全”“街道噪音少”三个街道环境变量。
个体特征包括人口学属性(性别、年龄)、社会经济属性(户口、受教育年限、婚姻状况、家庭规模、家庭年收入、孩子数量)和健康状况(身体质量指数和患慢性病数量)。其中，患慢性病数量是被访者自我汇报患有心血管疾病(如高血压等)、血脂异常(如高血脂等)、内分泌代谢方面疾病(如糖尿病等)、癌症等恶性肿瘤和慢性呼吸系统疾病5类慢性病的总数。

1.4 研究方法

本文采用梯度提升决策树模型探究职住地绿地暴露对休闲步行时间的影响。梯度提升决策树模型利用梯度提升算法改进了传统决策树模型，其核心思想是基于决策树模型，在前一棵树的基础上构建新的决策树以拟合前一棵树的残差，直至模型损失函数预测值最小[27]。梯度提升决策树算法放松了传统回归模型的线性假设，充分考虑了预测变量和响应变量之间的非线性关联，能更准确地估计预测变量的作用[45]。本文利用R中的“gbm”包，分别在职住地构建绿地暴露对休闲步行时间影响的模型，并调整了建成环境和个体特征。模型将学习率设定为0.001，树深为10，并利用五重交叉验证缓解过拟合问题。在居住地和工作地模型中，最佳拟合的树数分别为1533和526。

2 结果与分析

2.1 样本特征描述

表1展示了变量描述性统计结果。本文被访者休闲步行主要发生在居住地，平均每周128.71 min，较广州的调查更高(100 min/周)[46]。在工作地，被访者平均每周休闲步行时间为36.99 min。居住地和工作地的NDVI相似，居住地公园数量和绿地面积更少，但距离公园更近且绿色空间供给更多。居住地较工作地有更高的土地利用多样性和市中心邻近性，而工作地的人口密度、交叉口数量和公交站数量较居住地更多。被访者认为居住地的行人道路设施比工作地更完善、步行更安全、噪音更少。就被访者个体特征而言，46%被访者为男性，平均年龄为39.46岁；77%被访者有上海户口，76%被访者已婚。被访者平均受教育年限约为14年，家庭规模约为3人，家庭年收入约18万元，孩子数约为0.8个，身体质量指数为22.75 kg/m2，患有0.09种慢性病。
表1 变量描述性统计

Tab.1 Descriptive statistics of variables

变量 居住地 工作地
平均值 标准差 平均值 标准差
响应变量
休闲步行时间/min 128.71 135.70 36.99 108.99
预测变量
绿地暴露
NDVI 0.11 0.03 0.11 0.03
公园数量/个 1.97 2.13 2.43 2.56
绿地面积/km2 0.05 0.06 0.07 0.08
到最近公园距离/m 575.47 347.93 607.47 593.80
绿色空间供需比 0.24 0.15 0.10 0.03
建成环境
人口密度/(万人/km2) 1.63 0.97 1.71 1.04
土地利用多样性 0.80 0.07 0.75 0.11
交叉口数量/个 135.13 182.24 140.56 154.18
到市中心距离/km 11.36 6.42 11.85 9.43
公交站数量/个 18.25 9.64 20.36 11.28
行人道路设施完善 3.94 0.76 3.87 0.78
街道步行安全 4.24 0.73 4.07 0.75
街道噪音少 3.78 0.90 3.53 0.96
社会人口特征
男性占比 0.46 0.50 0.46 0.50
年龄/岁 39.46 10.22 39.46 10.22
上海户口占比 0.77 0.42 0.77 0.42
受教育年限/年 13.98 2.55 13.98 2.55
已婚占比 0.76 0.42 0.76 0.42
家庭规模/人 2.95 1.03 2.95 1.03
家庭年收入/万元 18.03 12.13 18.03 12.13
孩子数量/个 0.81 0.61 0.81 0.61
身体质量指数/(kg/m2) 22.75 3.05 22.75 3.05
患慢性病数量/种 0.09 0.29 0.09 0.29

2.2 职住地绿地暴露对休闲步行时间的影响程度

表2展示了在居住地和工作地各预测变量对休闲步行时间的相对重要性。总体来看，无论是居住地还是工作地，绿地暴露对休闲步行时间的影响都小于建成环境和个体特征。但是，就单个预测变量而言，绿地暴露中的距离因素对休闲步行时间具有重要影响。到最近公园距离在居住地模型的相对重要性排名第2位(相对重要性为6.58%)，在工作地模型的相对重要性排名第6位(5.73%)。这一发现支持了谢波等[47]选择到绿道的最近距离代理绿道暴露的合理性。NDVI在居住地对休闲步行时间的相对重要性约为3%；但在工作地的影响却不足1%。这表明居民在休闲步行时，倾向于考虑整体居住地范围内的绿化状况，但对工作地范围内的绿化总量并不在意。工作地绿色空间供需比、绿地面积和公园数量对休闲步行时间也具有较重要影响，其相对重要性分别约为5%、4%和3%；然而，这些要素在居住地只对休闲步行时间具有微弱影响(均约为1%)。这意味着人们在进行休闲步行时，对职住地绿色空间的诉求存在差异。
表2 职住地各预测变量对休闲步行时间的相对重要性

Tab.2 Relative importance of predictors in residence and workplace models

变量 居住地 工作地
相对重要性/% 排名 相对重要性/% 排名
绿地暴露 12.92 18.66
到最近公园距离 6.58 2 5.73 6
NDVI 2.97 13 0.68 22
绿地面积 1.14 19 4.20 9
公园数量 1.13 20 2.71 13
绿色空间供需比 1.10 21 5.34 7
建成环境 30.22 44.73
土地利用多样性 6.04 3 14.03 2
到市中心距离 4.91 5 9.70 3
人口密度 4.53 6 0.76 20
交叉口数量 4.42 7 3.86 10
公交站数量 3.77 10 7.06 4
街道噪音少 3.02 12 1.32 15
街道步行安全 2.25 15 4.82 8
行人道路设施完善 1.28 18 3.18 12
社会人口特征 56.87 36.62
年龄 32.07 1 18.91 1
身体质量指数 5.09 4 0.94 19
受教育年限 4.40 8 0.96 18
家庭年收入 3.90 9 6.86 5
男性 3.67 11 1.31 16
上海户口 2.31 14 0.48 23
家庭规模 2.17 16 1.04 17
孩子数 1.69 17 0.70 21
已婚 1.04 22 1.90 14
患慢性病数量 0.53 23 3.52 11

注：加粗的数字表示该组变量相对重要性的总和。

工作地和居住地建成环境对休闲步行时间的总体影响分别高达44.73%和30.22%。就单个建成环境要素而言，无论是居住地还是工作地，土地利用多样性和到市中心距离都是预测休闲步行时间最重要的建成环境变量。在居住地，土地利用多样性和到市中心距离相对重要性的排名分别为第3位(6.04%)和第5位(4.91%)；在工作地，两者相对重要性的排名分别为第2位(14.03%)和第3位(9.70%)。此外，居住地人口密度、交叉口数量和公交站数量对休闲步行的相对重要性约为4%~5%。工作地交叉口数量对休闲步行时间的影响与其在居住地类似，约为4%；公交站数量的影响强于其在居住地的作用，约为7%；而人口密度的影响则不足1%，远小于其在居住地的作用。街道环境要素对休闲步行的影响总体较小。居住地街道噪声小对休闲步行的相对重要性约为3%，工作地街道步行安全和行人道路设施完善的相对重要性约为3%~5%。
在居住地，个体特征对休闲步行时间的总体影响最大(56.87%)，且主要来自于年龄(32.07%)、身体质量指数(5.09%)和受教育水平(4.40%)的贡献。在工作地，个体特征对休闲步行时间也具有重要影响(36.62%)，且主要来自于年龄(18.91%)和家庭收入(6.86%)的贡献。

2.3 职住地绿地暴露与其他关键预测变量对休闲步行时间的非线性影响

图3展示出职住地绿地暴露与休闲步行时间的关系总体上是一致的。到最近公园距离与休闲步行时间呈负向关联，且具有明显的阈值效应。具体而言，当到最近公园距离小于650 m时，休闲步行时间随着到最近公园距离的增加而降低，且在居住地尤为明显。当超过这一阈值后，到最近公园距离对休闲步行时间的影响趋于边际。在工作地，绿色空间供需比与休闲步行时间具有正向关联，其阈值约为0.2。这意味着，当工作地绿色空间供需比小于0.2时，绿色空间供给的增加会促进休闲步行；但当其超过0.2时，更多的绿色空间供给并不会带来额外的休闲步行促进效应。在居住地，绿色空间供需比只对休闲步行时间具有微弱的提升作用，其主要作用区间为0.15~0.35。居住地NDVI与休闲步行时间也具有正向关联，其阈值区间约为0.10~0.14；在这一阈值区间外，并未观测到NDVI与休闲步行时间的明显关联。此外，绿地面积和公园数量对休闲步行时间也具有促进作用，且没有明显的阈值效应。这说明更多的绿地面积和公园数量能为人们提供更广阔的活动空间和更多潜在的休闲步行目的地，有益于增加人们的休闲步行时间[5,48]。
图3 职住地绿地暴露与休闲步行时间的关联

Fig.3 Associations between exposure to green space and durations of leisure walking around residences and workplaces

图4展示了建成环境变量与休闲步行时间的关联。在居住地，人口密度与休闲步行时间呈负向关联。当居住地人口密度低于1.3万人/km2时，人口密度的增加与更少的休闲步行时间相关。活动替代假说指出人们对于其每天的体力活动量具有一定预期，因此当某一领域的体力活动量(如交通步行)较多时，人们会倾向于减少另一领域的体力活动(如休闲步行)[49]。此外，更多的人口密度也意味着更少的人均活动空间以及更严重的空气和噪音污染问题[50]，这也会抑制居民参与休闲步行。当居住地人口密度超过1.3万人/km2时，人口密度的提高对休闲步行时间的负向影响趋于边际。因此，在高密度城市情境下，适当疏解高密度居住社区人口对促进居民休闲步行将具有积极效应。然而，并未发现工作地人口密度与休闲步行时间的明显关联。
图4 职住地建成环境与休闲步行时间的关联

Fig.4 Associations between the built environment and durations of leisure walking around residences and workplaces

其余建成环境变量在职住地对休闲步行时间具有相似的影响。当居住地土地利用熵大于0.6和工作地土地利用熵大于0.75时，土地利用多样性与休闲步行时间呈正向关联。到市中心距离、公交站数量和交叉口数量则与休闲步行时间呈负向关联。当居住地距离市中心小于25 km和工作地距离市中心小于15 km时，随着到市中心距离的增加，居民休闲步行时间明显降低。公交站数量小于10个时，更多的公交站点与更少的休闲步行时间相关。公交站点通常会促进交通步行，对休闲步行起到替代作用[49]。当超过这一阈值后，公交站数量对休闲步行时间的负效应趋于边际。当交叉口数量小于200个时，其与休闲步行时间具有负向关联。这主要是因为更多的交叉口意味着更高的汽车尾气暴露[51]，故而降低了休闲步行时间。对休闲步行而言，街道环境特征属于三因素理论中的“兴奋要素”[52]。当居民认为街道具有完善的行人道路设施、较少的街道噪音和较高的步行安全水平时，休闲步行时间呈增加趋势。然而，居民并不会因为街道不满足上述条件而减少休闲步行。
图5展示了关键个体特征与休闲步行时间的关联。当人们超过40岁时，年龄与职住地休闲步行时间呈正向关联；当家庭年收入小于15万元时，家庭年收入与职住地休闲步行时间呈负向关联。被访者的身体质量指数位于18.5~25 kg/m2之间时与其居住地休闲步行时间呈负向关联，即超重和肥胖风险高的居民较少进行休闲步行。
图5 关键个体特征与休闲步行时间的关联

Fig.5 Associations between key personal attributes and durations of leisure walking around residences and workplaces

3 结论与讨论

3.1 结论

休闲步行是中国居民最常见的体育锻炼方式之一，对增强国民身体素质和福祉具有重要意义。本文基于上海市2018—2019年调查数据，采用梯度提升决策树模型，在控制了紧凑型建成环境要素和个体特征的基础上，分别探索了居住地和工作地绿地暴露对休闲步行时间的相对重要性和阈值效应。主要结论如下：
(1) 居住地和工作地都是休闲步行的重要场所，样本在居住地和工作地的休闲步行时间分别约为129 min/周和37 min/周。
(2) 在绿地暴露变量中，距离(到公园的距离)是职住地休闲步行时间的最重要预测变量；NDVI仅对居住地休闲步行具有重要影响，而绿色空间供需比和绿地面积仅对工作地休闲步行具有重要影响；公园数量对职住地休闲步行时间的影响均较小。
(3) 职住地绿地暴露与休闲步行时间的关联具有阈值效应。到最近公园距离与职住地休闲步行时间具有负向关联，且主要作用区间是650 m范围内；绿色空间供需比与工作地休闲步行时间具有正向关联，其主要阈值范围是0.2以内；NDVI与居住地休闲步行时间具有正向关联，其主要阈值范围是0.10~0.14。绿地面积和公园数量与休闲步行时间呈正向关联且没有明显阈值。
(4) 就建成环境和个体特征而言，研究发现： ① 个体特征对预测居住地休闲步行时间起到主导作用(约57%)，而建成环境特征对于预测工作地休闲步行时间起主导作用(约45%)。无论在居住地还是工作地，年龄都是最重要的休闲步行时间预测变量，而建成环境要素中的土地利用多样性和到市中心距离都对休闲步行时间具有重要影响。② 建成环境变量中，职住地土地利用多样性、街道行人设施完备性、安全性和安静性与休闲步行都具正向关联，而到市中心距离、公交站数量和交叉口数量则与休闲步行时间呈负向关联。人口密度只在居住地对休闲步行时间具有负向影响。

3.2 理论贡献

本文为地理环境与健康关系的研究提供了职住地绿地暴露与休闲步行时间非线性关联的证据。具体而言：第一，比较了居住地和工作地的环境暴露，弥补了以往研究忽视工作地环境暴露的不足；第二，探索了绿地暴露对休闲步行的影响，弥补了以往研究主要关注交通步行的局限；第三，探索了绿地暴露总体及不同维度指标对休闲步行的相对重要性，填补了以往研究尚未厘清绿地暴露影响程度的局限；第四，探索了绿地暴露与建成环境要素影响休闲步行的阈值区间，减轻了传统模型对线性关系假设的依赖。

3.3 实践启示

本文研究发现有望为健康城市规划和设计提供一定政策启示。首先，居住地和工作地都是居民休闲步行的主要地点，需要营造可步行的居住地和工作地生活圈。鉴于居住地和工作地绿色空间和紧凑型建成环境要素对休闲步行行为的影响具有相似性，将居住地生活圈规划的设计方案迁移到工作地生活圈优化具有可行性。第二，鉴于居民休闲步行对职住地环境的诉求存在差异，在规划和设计职住地绿色空间和建成环境时，要充分关注不同要素的优先级及其阈值效应。在规划和设计绿色空间时，在职住地都需要优先考虑到最近公园的距离。这强调了袖珍公园和街角公园的重要意义。在工作地适当的绿色空间供应和更大面积的绿色空间也对休闲步行具有促进作用。因此，城市中心绿地的设计思路在工作地具有可行性(如陆家嘴中心绿地)。就紧凑型建成环境要素而言，在职住地都应关注土地利用多样性和市中心可达性。这意味着促进混合土地利用与建设多中心城市的规划思路不仅有助于增加交通性体力活动，也能促进居民休闲性体力活动。虽然居住地人口密度和工作地公交站可达性会降低居民休闲步行，但当居住地人口密度超过1.3万人/km2、工作地公交站数量超过10个后，两者的负向影响均趋于边际。因此，城市规划师需要进一步考虑如何平衡高密度和公交站可达性对不同类型体力活动的影响差异，充分发挥紧凑型建成环境的积极作用。

3.4 研究局限与展望

本文也存在一些局限性有待完善。首先，本文基于截面调查数据，无法识别绿地暴露与休闲步行时间的因果关联，未来应考虑纵向研究设计，以更准确地识别绿地暴露对休闲步行时间的因果效应。其次，受限于研究数据，本文纳入的绿地暴露变量有限，未来可以纳入更多的绿地暴露指标(绿地质量、绿植种类等)，以更准确地评估绿地暴露的效应。最后，鉴于个体在职住地活动范围存在差异，未来研究应基于可穿戴定位设备，获取个体在职住地的真实行为空间和绿地暴露情况，更精准地厘清职住地绿地暴露的作用差异。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Adlakha D, Hipp A J, Marx C, et al. Home and workplace built environment supports for physical activity[J]. American Journal of Preventive Medicine, 2015, 48(1): 104-107.

DOI PMID

[2]
Zhou P, Hughes A K, Grady S C, et al. Physical activity and chronic diseases among older people in a mid-size city in China: A longitudinal investigation of bipolar effects[J]. BMC Public Health, 2018, 18(1): 486. doi: 10.1186/s12889-018-5408-7.

[3]
世界卫生组织. 身体活动[EB/OL]. 2022-10-05 [2024-02-28]. https://www.who.int/zh/news-room/fact-sheets/detail/physical-activity.

[World Health Organization. Physical activity. 2022-10-05 [2024-02-28]. https://www.who.int/zh/news-room/fact-sheets/detail/physical-activity.

[4]
国家国民体质监测中心. 2020年全民健身活动状况调查公报[R]. 北京: 国家体育总局体育科学研究所, 2021.

[National Physical Fitness Monitoring Center. 2020 national fitness activity status survey bulletin. Beijing, China: China Institute of Sports Science, 2021.]

[5]
Yin C, Liu J H, Sun B D. Effects of built and natural environments on leisure physical activity in residential and workplace neighborhoods[J]. Health & Place, 2023, 81: 103018. doi: 10.1016/j.healthplace.2023.103018.

[6]
Grénman M, Räikkönen J. Taking the first step: From physical inactivity towards a healthier lifestyle through leisure walking[C]// Hall C M, Ram Y, Noam S. The Routledge international handbook of walking. London, UK: Routledge, 2017: 288-299.

[7]
Warburton D E R, Nicol C W, Bredin S S D. Health benefits of physical activity: The evidence[J]. CMAJ (Canadian Medical Association Journal), 2006, 174(6): 801-809.

[8]
Zurawik M A. Moving through spaces-leisure walking and its psychosocial benefits for well-being: A narrative review[J]. Human Movement, 2020, 21(2): 1-8.

[9]
Hilland T A, Bourke M, Wiesner G, et al. Correlates of walking among disadvantaged groups: A systematic review[J]. Health & Place, 2020, 63: 102337. doi: 10.1016/j.healthplace.2020.102337.

[10]
陈玉洁, 袁媛, 周钰荃, 等. 蓝绿空间暴露对老年人健康的邻里影响: 以广州市为例[J]. 地理科学, 2020, 40(10): 1679-1687.

DOI

[Chen Yujie, Yuan Yuan, Zhou Yuquan, et al. The neighborhood effect of exposure to green and blue space on the elderly's health: A case study of Guangzhou, China. Scientia Geographica Sinica, 2020, 40(10): 1679-1687.]

DOI

[11]
Jia P, Xue H, Yin L, et al. Spatial technologies in obesity research: Current applications and future promise[J]. Trends in Endocrinology & Metabolism, 2019, 30(3): 211-223.

[12]
张金光, 宋安琪, 夏天禹, 等. 社区生活圈视角下城市公园绿地暴露水平测度[J]. 南京林业大学学报(自然科学版), 2023, 47(3): 191-198.

DOI

[Zhang Jinguang, Song Anqi, Xia Tianyu, et al. Evaluating the urban park green space exposure from the perspective of the community life circle. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(3): 191-198.]

[13]
Xiao Y, Miao S Y, Zhang Y H, et al. Exploring the associations between neighborhood greenness and level of physical activity of older adults in Shanghai[J]. Journal of Transport & Health, 2022, 24: 101312. doi: 10.1016/j.jth.2021.101312.

[14]
戴颖宜, 朱战强, 周素红. 绿色空间对休闲性体力活动影响的社区分异: 以广州市为例[J]. 热带地理, 2019, 39(2): 237-246.

[Dai Yingyi, Zhu Zhanqiang, Zhou Suhong. The effects of green space on leisure time physical activities from the perspective of community differentiation: A case study of Guangzhou, China. Tropical Geography, 2019, 39(2): 237-246.]

DOI

[15]
Yin C, Chen Y Y, Sun B D. Examining the relationship between car ownership, car use, and exercise: Role of the built environment[J]. Cities, 2024, 149: 104943. doi: 10.1016/j.cities.2024.104943.

[16]
Liu Y, Wang R Y, Grekousis G, et al. Neighbourhood greenness and mental wellbeing in Guangzhou, China: What are the pathways?[J]. Landscape and Urban Planning, 2019, 190: 103602. doi: 10.1016/j.landurbplan.2019.103602.

[17]
Liu Y, Xiao T, Wu W J. Can multiple pathways link urban residential greenspace to subjective well-being among middle-aged and older Chinese adults?[J]. Landscape and Urban Planning, 2022, 223: 104405. doi: 10.1016/j.landurbplan.2022.104405.

[18]
Markevych I, Schoierer J, Hartig T, et al. Exploring pathways linking greenspace to health: Theoretical and methodological guidance[J]. Environmental Research, 2017, 158: 301-317.

DOI PMID

[19]
Moudon A V, Huang R Z, Stewart O T, et al. Probabilistic walking models using built environment and sociodemographic predictors[J]. Population Health Metrics, 2019, 17(1): 7. doi: 10.1186/s12963-019-0186-8.

[20]
Yin C, Cao J, Sun B D, et al. Exploring built environment correlates of walking for different purposes: Evidence for substitution[J]. Journal of Transport Geography, 2023, 106: 103505. doi: 10.1016/j.jtrangeo.2022.103505.

[21]
Yang H R, Zhang Q R, Helbich M, et al. Examining non-linear associations between built environments around workplace and adults' walking behaviour in Shanghai, China[J]. Transportation Research Part A: Policy and Practice, 2022, 155: 234-246.

[22]
袁媛, 陈玉洁, 刘晔, 等. 广州社区绿化环境对居民自评健康的邻里影响[J]. 地理学报, 2021, 76(8): 1965-1975.

DOI

[Yuan Yuan, Chen Yujie, Liu Ye, et al. The neighborhood effect of residential greenery on residents' self-rated health: A case study of Guangzhou, China. Acta Geographica Sinica, 2021, 76(8): 1965-1975.]

DOI

[23]
张延吉, 邓伟涛, 赵立珍, 等. 城市建成环境如何影响居民生理健康? 中介机制与实证检验[J]. 地理研究, 2020, 39(4): 822-835.

DOI

[Zhang Yanji, Deng Weitao, Zhao Lizhen, et al. How urban built environment affects residents' physical health? Mediating mechanism and empirical test. Geographical Research, 2020, 39(4): 822-835.]

[24]
Liu Y, Wang R Y, Xiao Y, et al. Exploring the linkage between greenness exposure and depression among Chinese people: Mediating roles of physical activity, stress and social cohesion and moderating role of urbanicity[J]. Health & Place, 2019, 58: 102168. doi: 10.1016/j.healthplace.2019.102168.

[25]
Lu Y, Sarkar C, Xiao Y. The effect of street-level greenery on walking behavior: Evidence from Hong Kong[J]. Social Science & Medicine, 2018, 208: 41-49.

[26]
Klompmaker J O, Hoek G, Bloemsma L D, et al. Green space definition affects associations of green space with overweight and physical activity[J]. Environmental Research, 2018, 160: 531-540.

DOI PMID

[27]
Tao T, Wu X Y, Cao J, et al. Exploring the nonlinear relationship between the built environment and active travel in the twin cities[J]. Journal of Planning Education and Research, 2023, 43(3): 637-652.

[28]
Yang L C, Liang Y, Zhu Q, et al. Machine learning for inference: Using gradient boosting decision tree to assess non-linear effects of bus rapid transit on house prices[J]. Annals of GIS, 2021, 27(3): 273-284.

[29]
孙斌栋, 尹春. 建成环境对居民健康的影响: 来自拆迁安置房居民的证据[J]. 城市与区域规划研究, 2018, 10(4): 48-58.

[Sun Bindong, Yin Chun. Impacts of built environment on residents' health: Evidence from residents living in relocation housing. Journal of Urban and Regional Planning, 2018, 10(4): 48-58.]

[30]
Sarkar C, Webster C. Healthy cities of tomorrow: The case for large scale built environment-health studies[J]. Journal of Urban Health, 2017, 94: 4-19.

[31]
Tobler W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970, 46(S1): 234-240.

[32]
Galster G C. Nonlinear and threshold effects related to neighborhood: Implications for planning and policy[J]. Journal of Planning Literature, 2018, 33(4): 492-508.

[33]
Sun B D, Liu J H, Yin C, et al. Residential and workplace neighborhood environments and life satisfaction: Exploring chain-mediation effects of activity and place satisfaction[J]. Journal of Transport Geography, 2022, 104: 103435. doi: 10.1016/j.jtrangeo.2022.103435.

[34]
Yin C, Guo R, Sun B D. Effect of compact residences and workplaces on young adults' commuting behavior: Evidence from Shanghai, China[J]. Journal of Urban Planning and Development, 2022, 148(2): 05022004. doi: 10.1061/(ASCE)UP.1943-5444.0000832.

[35]
Ding C, Zhou X Y, Jason Cao X, et al. Spatial and mediation analysis of the influences of residential and workplace built environments on commuting by car[J]. Transportation Research Part A: Policy and Practice, 2023, 171: 103662. doi: 10.1016/j.tra.2023.103662.

[36]
刘晔, 何嘉锐, 王若宇, 等. 城市绿色空间对心理健康的影响: 研究进展与展望[J]. 热带地理, 2023, 43(9): 1747-1759.

DOI

[Liu Ye, He Jiarui, Wang Ruoyu, et al. The impact of urban green space on mental wellbeing: Research progress and recommendations. Tropical Geography, 2023, 43(9): 1747-1759.]

DOI

[37]
Saelens B E, Handy S L. Built environment correlates of walking: A review[J]. Medicine and Science in Sports and Exercise, 2008, 40: S550-S566.

[38]
Sun B D, Yao X J, Yin C. The built environment and overweight in Shanghai: Examining differences in urban and rural contexts[J]. Habitat International, 2022, 129: 102686. doi: 10.1016/j.habitatint.2022.102686.

[39]
Wu W J, Chen W Y, Yun Y W, et al. Urban greenness, mixed land-use, and life satisfaction: Evidence from residential locations and workplace settings in Beijing[J]. Landscape and Urban Planning, 2022, 224: 104428. doi: 10.1016/j.landurbplan.2022.104428.

[40]
吴佳雨, 王诗奕, 李红, 等. 基于人工智能技术的植被色彩感知与焦虑关联分析[J]. 地理学报, 2023, 78(4): 1044-1056.

DOI

[Wu Jiayu, Wang Shiyi, Li Hong, et al. The correlation between plant color perception and anxiety based on artificial intelligence technology. Acta Geographica Sinica, 2023, 78(4): 1044-1056.]

DOI

[41]
陶卓霖, 程杨. 两步移动搜寻法及其扩展形式研究进展[J]. 地理科学进展, 2016, 35(5): 589-599.

DOI

[Tao Zhuolin, Cheng Yang. Research progress of the two-step floating catchment area method and extensions. Progress in Geography, 2016, 35(5): 589-599.]

DOI

[42]
李孟桐, 杨令宾, 魏冶. 高斯两步移动搜索法的模型研究: 以上海市绿地可达性为例[J]. 地理科学进展, 2016, 35(8): 990-996.

DOI

[Li Mengtong, Yang Lingbin, Wei Ye. Improved Gaussian based 2-step floating catchment area method: A case study of green space accessibility in Shanghai. Progress in Geography, 2016, 35(8): 990-996.]

DOI

[43]
Ewing R, Cervero R. Travel and the built environment: A meta-analysis[J]. Journal of the American Planning Association, 2010, 76(3): 265-294.

[44]
Yin C, Helbich M, Yang H R, et al. Pathways from the campus-based built environment to obesity: Evidence from undergraduates in China[J]. Cities, 2023, 137: 104311. doi: 10.1016/j.cities.2023.104311.

[45]
Yin C, Cao J, Sun B D. Examining non-linear associations between population density and waist-hip ratio: An application of gradient boosting decision trees[J]. Cities, 2020, 107: 102899. doi: 10.1016/j.cities.2020.102899.

[46]
陈菲, 周素红, 张琳. 生命周期视角下建成环境对居民休闲体力活动的影响[J]. 世界地理研究, 2019, 28(5): 106-117.

DOI

[Chen Fei, Zhou Suhong, Zhang Lin. Influence of built environment on residents' leisure time physical activity from the perspective of life cycle. World Regional Studies, 2019, 28(5): 106-117.]

DOI

[47]
谢波, 伍蕾, 王兰. 基于自然实验的城市绿道对居民中高强度体力活动的影响研究[J]. 风景园林, 2021, 28(5): 30-35.

[Xie Bo, Wu Lei, Wang Lan. Exploring the intervention effect of urban greenways on moderate-to-vigorous physical activities of residents: A study based on natural experiment. Landscape Architecture, 2021, 28(5): 30-35.]

[48]
Astell-Burt T, Feng X Q, Kolt G S. Green space is associated with walking and moderate-to-vigorous physical activity (MVPA) in middle-to-older-aged adults: Findings from 203883 Australians in the 45 and up study[J]. British Journal of Sports Medicine, 2014, 48(5): 404-406.

DOI PMID

[49]
Gomersall S R, Rowlands A V, English C, et al. The ActivityStat hypothesis[J]. Sports Medicine, 2013, 43(2): 135-149.

DOI PMID

[50]
Sun B D, Yin C, Yao X J. Densification and health in China: A U-shaped association between population density and obesity[J]. Transactions in Planning and Urban Research, 2022, 1(1/2): 135-151.

[51]
王兰, 蒋希冀, 孙文尧, 等. 城市建成环境对呼吸健康的影响及规划策略: 以上海市某城区为例[J]. 城市规划, 2018, 42(6): 15-22.

[Wang Lan, Jiang Xiji, Sun Wenyao, et al. Impact of urban built environment on respiratory health and its planning strategy: A case study of a district in Shanghai. City Planning Review, 2018, 42(6): 15-22.]

[52]
Fan L Y, Cao J, Hu M M, et al. Exploring the importance of neighborhood characteristics to and their nonlinear effects on life satisfaction of displaced senior farmers[J]. Cities, 2022, 124: 103605. doi: 10.1016/j.cities.2022.103605.

Options
文章导航

/

〈 〉