EN中文

PROGRESS IN GEOGRAPHY >

2026 , Vol. 45 >Issue 1: 196 - 208

DOI: https://doi.org/10.18306/dlkxjz.2026.01.014

Articles

Nonlinear effects of built environment on travel resilience under extreme weather events and optimization strategies: The case of Xiamen Island

  • XIAO Longzhu ,
  • LIU Jixiang , *
Expand
  • School of Architecture and Civil Engineering, Xiamen University, Xiamen 361005, Fujian, China

Received date: 2025-06-06

  Revised date: 2025-11-06

  Online published: 2026-01-23

Supported by

National Natural Science Foundation of China(42401230)

National Natural Science Foundation of China(42301212)

Youth Foundation for Humanities and Social Sciences of Ministry of Education(24YJCZH351)

Fujian Provincial Natural Science Foundation(2024J08004)

Natural Science Foundation of Xiamen, China(3502Z202371006)

Fundamental Research Funds for the Central Universities(20720250025)

Fold

Abstract

In recent years, extreme weather has become increasingly common, seriously affecting the daily travel behavior of urban residents. Exploring the travel resilience of urban residents under extreme weather and its influencing factors can help cities actively respond to climate change and become more resilient. However, there is still a significant lack of research on the impact of built environment on travel resilience. This study took Xiamen Island as an example, using taxi trip data and interpretable machine learning method (LightGBM and SHAP) to investigate the travel resilience of urban residents during extreme precipitation events and its relationship with the built environment. The results show that: 1) Extreme precipitation leads to a reduction of about 14.4% in daily travel volume for urban residents, and the response to extreme precipitation showed a time lag. At the same time, travel resilience showed significant spatial heterogeneity. 2) Land use diversity had the highest impact on travel resilience, and all built environment variables were nonlinearly correlated with travel resilience, with interactive effects generated between different built environment variables. Finally, based on the magnitude, range, and combination of impacts of built environment factors on travel resilience, this study proposed precise planning strategies for achieving a climate-adaptive built environment.

Key words： extreme weather; travel resilience; built environment; nonlinear relationships; interpretable machine learning

Cite this article

XIAO Longzhu , LIU Jixiang . Nonlinear effects of built environment on travel resilience under extreme weather events and optimization strategies: The case of Xiamen Island[J]. PROGRESS IN GEOGRAPHY, 2026 , 45(1) : 196 -208 . DOI: 10.18306/dlkxjz.2026.01.014

近年来，在全球变暖、气候变化的大背景下，中国极端天气事件(包括极端降水、高温热浪、台风等)发生的频率和强度都显著提高，严重影响城市正常运转和居民日常工作生活[1-2]。例如，2021年，河南郑州7·20特大暴雨灾害造成380人遇难，直接经济损失超过400亿元[3]。交通出行是居民日常生活的基础性活动之一，交通出行需求能否得到满足很大程度上决定了居民能否安全、便捷、舒适地进行工作、学习、生活、休闲等其他活动[4]。而出行行为也是受极端天气影响最显著的行为之一。例如，Zhang等[5]在广州的案例中发现，台风导致居民出行目的地数量、出行时长和移动范围显著减少，而等候时间显著增加。研究还发现，这样的影响呈现明显的空间异质性[6]和人群个体差异[5]，同时因极端天气类型的不同而不同[7-8]。在作用机制方面，研究者指出，极端天气可以通过多种途径影响出行行为，例如，造成城市交通基础设施运行失常，或促使政府部门采取应对措施(如预警、交通管制等)，从而导致居民调整其出行行为[9]，抑或通过影响居民的感知和情绪(如对极端天气及其潜在后果的认知和焦虑、担忧甚至恐慌等)，从而影响其出行行为[10]。
减缓(mitigation)和适应(adaptation)是全球公认的应对气候变化和极端天气的两大策略[11]。相比于周期漫长、着力于减少温室气体排放的减缓策略而言，适应气候变化，尤其是提升对极端天气的事前预防、事中抵抗和事后恢复的能力，是现阶段更现实和紧迫的任务[12]。在提升城市极端天气适应能力方面，韧性已经成为前沿的研究和实践范式[13]。韧性原意为复原，起源于工程学，后扩展至生态学、社会学、经济性和城市研究等领域[14]。韧性指一个系统(如城市或区域系统)抵抗外部扰动(如极端天气事件)的影响并恢复基本功能以减少损失的能力[2]。近年来，有学者将韧性概念应用到交通行为研究领域。例如，Wang等[15]将出行韧性定义为扰动影响下交通需求端(即居民出行需求)的适应和恢复过程，与交通供给端(即交通基础设施系统)相区别，并以昆明为案例研究了新冠疫情下居民公共交通出行的韧性。随后，黄洁等[16]进一步将出行韧性明确为居民出行在经受负向扰动之后恢复到原有供需均衡状态或形成新均衡状态的过程。Tang等[2]利用大规模手机信令数据，发现2021年河南郑州7·20特大暴雨事件中，居民出行韧性存在显著的人群异质性，女性、青少年和老年人的出行韧性显著较低。李涛等[1]利用时间序列预测模型，揭示了疫情期间中国城际出行韧性及其时空分异格局。尽管如此，关于交通需求端的出行韧性研究整体上仍处于起步阶段。
同时，城市建成环境既是交通行为研究领域关注的核心变量之一，其对城市韧性的影响也受到研究者关注。例如，Hao等[17]采用模拟预测的方法，发现多中心、高土地利用混合度的城市具有更高的韧性；Irajifar等[18]以澳大利亚为例，揭示拥有中等人口密度的城市韧性更高，这暗示着非线性关系的存在；Sharifi[19-20]分别从宏观和微观的维度对建成环境与城市韧性之间的关系进行总结，发现宏观维度的城市大小、景观连通性和规模层级以及微观维度的城市密度、街区细粒度和土地利用混合度均显著影响城市在应对极端天气或其他自然灾害时的韧性。然而，具体到交通需求端的出行韧性，关于其与建成环境的关系的研究目前还很少，而探讨两者之间关系是否为非线性的研究则更为少见，尽管有研究暗示其存在。
建成环境对出行韧性的影响可能存在临界点、边际效应递减或“倒U型”等复杂规律，而揭示这一非线性机制具有重要的现实意义。它提醒规划者在提升城市韧性时，不能简单依赖单一建成环境要素的强化或削弱，而应关注不同要素在不同水平下的阈值特征和协同效应，识别关键阈值、协同路径并制定分区、分层次的精细化规划策略，从而避免资源浪费或片面优化带来的负面后果。换言之，非线性机制不仅深化了对出行韧性生成逻辑的理解，也为韧性城市建设或气候适应性规划提供了可操作的调控思路。
综上所述，出行韧性为研究城市如何响应极端天气等突发事件提供了一个全新的范式，而建成环境作为推动韧性城市建设的有效切入点，探究其对出行韧性的影响具有重要意义。然而，当前关于出行韧性的研究仍处于起步阶段，关于其与建成环境影响因素之间的非线性关系的研究更是十分少见。本文以厦门岛为研究区域，基于出租车出行大数据测度极端降水事件下的居民出行韧性，利用前沿的可解释机器学习方法(LightGBM建模结合SHAP解释)揭示建成环境的非线性影响，并据此提出建成环境优化策略，以促进城市韧性发展，提升其适应气候变化的能力。

1 研究区域、数据与方法

1.1 研究区域

本文以厦门岛为研究区域。厦门岛是中国福建省厦门市的核心城区，包括思明和湖里2个行政区，与厦门市其他4个行政区(海沧、集美、同安、翔安)隔海相望(图1)。截至2023年底，厦门岛面积达158 km2，常住人口约207.7万，占总人口比重达38.99%。厦门岛是厦门市人口最密集、经济发展水平最高、城市建设最完善的区域。众多核心公共服务设施和基础设施都集中在厦门岛内，例如，厦门市政府、厦门市中心、厦门高铁站、厦门高崎国际机场等。厦门岛景观优美、环境优良、气候宜人、旅游服务业高度发达，是中国著名的旅游目的地之一，有“鹭岛”“海上花园”等美誉。同时，作为一个典型的亚热带海岛，厦门岛时常遭遇台风、暴雨等极端天气，而高温热浪近年来也出现了高发趋势。因此，以厦门岛为研究区域，考察极端降水下居民出行韧性及其建成环境影响因素，具有较强的代表性和借鉴意义。
图1 研究区域：厦门岛

注：基于厦门市标准地图绘制，审图号为闽S(2024)129号。

Fig.1 Study area: Xiamen Island

如图1所示，本文将厦门岛划分为170个1 km×1 km网格，以作为测度出行韧性和建成环境的空间单元。

1.2 数据来源与处理

本文主要采用两类数据，即交通出行数据和建成环境数据。交通出行数据采集自2018年厦门市出租车运营数据集，记录了一年内所有出租车出行的详细信息，包括出行起讫点经纬度、上车时刻、下车时刻、行驶价格、车辆编号、司机基本情况(年龄、性别、籍贯等)等。凭借便利性、私密性以及更高的时间灵活性，出租车在满足多样化出行需求方面展现独特优势，因而逐渐成为城市出行的重要交通方式[21]。与此同时，出租车大数据在城市与交通研究中的应用日趋广泛。已有多项研究表明，出租车数据能够较好地反映城市居民出行和活动模式，在揭示出行行为规律方面具有代表性和可靠性[7,22-26]。
建成环境数据采集于2018年。其中，兴趣点(POIs)数据和街道数据采集自高德地图。其他建成环境数据包括人口分布、交通基础设施、土地利用等。以上述1 km×1 km网格为分析单元，利用ArcGIS 10.8进行修复几何、拓扑检查等数据预处理。
本文所关注的极端降水事件发生于2018年5月7日(星期一)，降雨于上午约8:00开始，至15:00基本结束。降雨覆盖厦门全市，在厦门岛尤其严重，其中最大强度出现在思明区滨海街道，3 h降雨量达到320.5 mm。此次极端降水造成厦门岛部分区域严重内涝和积水，给居民交通出行造成严重影响。

1.3 研究变量

本文因变量为交通出行韧性，采用韧性三角形方法进行测度。图2为韧性三角形方法示意图，其中Pt曲线表示某一系统运行效能随时间的变化。系统遭遇突发事件的过程分为4个阶段：突发事件发生之前的“事前常态”阶段(t1之前)；突发事件发生伊始的“事中抵抗”阶段(t1~t2)，系统效能下降至最低点Pmin；突发事件后半程的“事后恢复”阶段(t2~t3)，系统效能逐渐恢复至新的均衡点；突发事件过后的“事后常态”阶段(t3之后)。值得注意的是，系统效能达到新的均衡点可能存在多种情况：大于基准效能、等于基准效能、小于基准效能，甚至于在最低效能持续很长时间(即系统崩溃)。图中绿色虚线表示效能基准曲线Pbaseline，效能基准值一般以事前常态阶段的效能平均值来表征，也可利用时间序列预测模型计算反事实情况下的系统效能值。
图2 韧性三角形示意图

Fig.2 Schematic diagram of the resilience triangle

系统韧性指突发事件影响下系统效能的损失程度，可由系统效能从开始显著下降到系统效能达到新的均衡点期间(t1~t3)，效能基准曲线(Pbaseline)与效能曲线(Pt)围合所形成的面的面积来表征。这部分面积可采用微积分方法求得。然而，在实际情况下(尤其是微观对象韧性计算中)，效能基准曲线(Pbaseline)和效能曲线(Pt)很可能是非连续曲线，因此常用韧性三角形(图中蓝色虚线三角形)的面积来替代表征。很显然，韧性三角形越大，系统的韧性越低。
在确定韧性三角形的关键转折点t1与t3时，本文采用平稳段检测算法(plateau detection algorithm)。该方法通过识别效能曲线的阶段性变化特征来确定转折点，即当曲线由稳定状态进入显著下降阶段时判定为t1，当曲线由恢复阶段过渡至新的稳定状态时判定为t3。最终，系统韧性值可以表达为韧性三角形面积的倒数：
$R=\frac{2}{\left({P}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{n}\mathrm{e}}-{P}_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)\times ({t}_{3}-{t}_{1})}$
以居民出行规模表征系统效能，利用出租车出行量进行测度。具体而言，以1 km×1 km网格为空间单元，以1 h为时间单元，以某网格某时段出发和到达的出行总量作为该网格该时段的出行规模。极端降水事件发生于星期一，为避免居民日常出行周期性波动的影响，提取极端降水事件发生前的5个星期一(分别为2018年4月2、9、16、23、30日)的每个网格每个时段的出行规模并取平均值，作为该网格该时段出行规模的基准值。以5月7日极端降水事件当日的出行规模曲线作为韧性三角形的两条边，并以上述基准值曲线作为第三条边，计算韧性三角形的面积，从而得到每个网格的出行韧性值。值得注意的是，因出行规模空间分布存在较大异质性，本文以突发事件下出行规模相对于基准值的百分比变化(而非绝对变化值)来计算出行韧性。
本文自变量为建成环境变量，采用经典的5Ds(Density、Diversity、Design、Destination accessibility和Distance to transit)模型进行测度，具体指标包括人口密度、土地利用混合度、道路交叉口密度、距市中心距离、公交线路密度。建成环境变量描述性分析见表1。
表1 建成环境变量描述性分析

Tab.1 Description of built environment variables

维度 变量 描述 平均值(标准差)
目的地可达性 距市中心距离 网格中心点到市中心的路网距离(km) 3.74 (1.89)
公共交通可达性 公交线路密度 网格公交线路密度(条/km2) 74.45 (56.02)
设计 道路交叉口密度 网格三向及以上道路交叉口密度(个/km2) 85.03 (56.87)
密度 人口密度 网格人口密度(万人/km2) 1.32 (0.96)
多样性 土地利用混合度 利用改进的熵指数法[27]计算。共划分14种土地利用类型(如居住、教育、医疗、市政设施、工业、商业服务业等) 0.66 (0.18)

1.4 研究方法

本文引入可解释机器学习方法，即LightGBM建模结合SHAP解释。与传统统计模型(如线性回归)相比，可解释机器学习方法具有多重优势。第一，研究者们广泛证实了机器学习模型具有更强的预测能力；第二，机器学习模型对于因变量和自变量的数据分布形式没有限制，也能更好地处理缺失值和异常值[28]；第三，机器学习模型不预设因变量和自变量之间关系的形式，因此可以精细地考察两者之间可能存在的非线性关系，揭示自变量的影响区间或阈值[29]；第四，机器学习解释方法还可以准确地分析自变量的全局效应和交互效应，揭示影响幅度和影响组合[30]。
(1) LightGBM模型
LightGBM (Light Gradient Boosting Machine)模型由Ke等[31]提出，是当前最前沿的机器学习框架之一，可高效实现梯度提升决策树(Gradient Boosting Decision Tree，GBDT)，同时也提供了近似随机森林(Random Forest，RF)等训练模式。LightGBM融合了一系列最新技术，包括基于直方图的决策树算法、带深度限制的叶子生长策略、单边梯度采样、互斥特征捆绑等。据测试，在不损失预测精度的情况下，LightGBM可以提升运行效率达20倍以上[31]。
利用LightGBM框架构建GBDT模型，首先迭代地构建单棵决策树，接着整合所有决策树的结果。对于样本(y,x)，LightGBM在每一次迭代中通过最小化损失函数L[y, F(x)]来构建单棵决策树，且每次迭代时对于上一轮迭代中未得到准确预测的样本会给予更高的权重。假设一共有M棵树，在第m (0<m<M)次迭代时，决策树可以用公式表达为：
${F}_{m}\left(x\right)={F}_{m-1}\left(x\right)+\eta \sum _{k=1}^{K}{\theta }_{km}I\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }(x\in {R}_{km})$
式中：K表示某棵决策树将全体数据划分成区域Rkm的数量；θkm表示区域Rkm的最佳梯度；如果$x\in {R}_{km}$，I=1，否则，I=0；$\eta $$(0<\eta \le 1)$表示$\mathrm{l}\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{n}\mathrm{i}\mathrm{n}\mathrm{g}\_\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}$(即学习率，用于控制训练步长)，合理的学习率可以避免模型过拟合，并兼顾拟合效率。除了$\mathrm{l}\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{n}\mathrm{i}\mathrm{n}\mathrm{g}\_\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}$，LightGBM的重要参数还包括$\mathrm{l}\mathrm{a}\mathrm{m}\mathrm{b}\mathrm{d}\mathrm{a}\_\mathrm{L}1$(即L1正则化参数)、$\mathrm{l}\mathrm{a}\mathrm{m}\mathrm{b}\mathrm{d}\mathrm{a}\_\mathrm{L}2$(即L2正则化参数)和$\mathrm{m}\mathrm{a}\mathrm{x}\_\mathrm{d}\mathrm{e}\mathrm{p}\mathrm{t}\mathrm{h}$(即最大深度，决定模型的复杂程度)等。
本文使用Python 3.10，并基于LightGBM(版本4.5.0.99)开源包构建LightGBM模型。构建过程包括数据划分、模型训练和模型检验。① 以建成环境变量作为自变量，出行韧性变量作为因变量，构建数据集，将其随机划分为训练集(80%)和验证集(20%)。② 基于训练集，分别采用基于5折交叉验证的网格搜索和贝叶斯优化进行调参，结果表明，两者的最优解接近，但贝叶斯优化效率更高。得到的关键参数分别为：learning_rate=0.001，lambda_Ll=0.1，lambda_L2=0.2，$\mathrm{m}\mathrm{a}\mathrm{x}\_\mathrm{d}\mathrm{e}\mathrm{p}\mathrm{t}\mathrm{h}=10$，据此训练最终模型。③ 基于验证集，采用均方根误差(RMSE)和决定系数(R2)作为模型性能评估指标，结果显示，RMSE=12.027，R2=0.456，模型表现较为理想。为对比验证，本文还采用传统多元线性回归模型建模，结果显示，其解释力(R2=0.327)显著低于LightGBM模型的表现(R2=0.456)，证明LightGBM在本文中的预测性能更优。
(2) SHAP解释方法
SHAP解释方法(SHapley Additive exPlanations)是一种经典的机器学习模型局部解释方法[32]。树集成机器学习模型的解释方法可分为两类：全局方法和局部方法。全局方法侧重于对整体样本的全局解释，而局部方法侧重于对个体样本的局部解释。既往的交通行为研究经常使用部分依赖图(Partial Dependence Plot，PDP)等全局方法，然而局部方法具有明显的优势：不仅可以提供详细的个体层面(空间分析单元)的解释，还可以通过局部解释反映全局模式，探索整体层面(城市或区域)建成环境对出行韧性的潜在非线性影响。
SHAP解释方法是从合作博弈论的SHAP值(Shapley value)发展而来的。将机器学习类比为博弈，则SHAP值是建成环境变量(联盟成员)对于出行韧性(合作项目)的贡献，即建成环境变量在所有可能的变量值组合中的平均边际贡献，计算公式如下：
${\varphi }_{k}(f,\mathrm{ }x)=\sum _{s\in \mathit{S}}\frac{1}{K!}\left[{f}_{x}\left({P}_{k}^{s}\bigcup k\right)-{f}_{x}\left({P}_{k}^{s}\right)\right]$
式中：${\varphi }_{k}(f,\mathrm{ }x)$表示建成环境变量k关于x的SHAP值，x表示建成环境变量值，S表示建成环境变量排序集，K表示建成环境变量数量，${P}_{k}^{s}$表示排序s中排在k之前的建成环境变量集。
建成环境变量k的全局效应，即相对重要性Ik的计算公式如下：
${I}_{k}=\frac{1}{n}\sum _{i=1}^{n}\left|{\varphi }_{k}^{\left(i\right)}\right|$
式中：${\varphi }_{k}^{\left(i\right)}$表示建成环境变量k关于空间分析单元i的SHAP值，反映了建成环境变量k的局部效应。正SHAP值意味着相应的建成环境变量在相应的空间分析单元内对出行韧性具有正效应，反之，则意味着负效应。
SHAP值可进一步分解为主效应和交互效应(SHAP交互值)。建成环境变量i和j的SHAP交互值${\varphi }_{i,\mathrm{ }j}(f,\mathrm{ }x)$的计算公式如下：
${\varphi }_{i,j}(f,\mathrm{ }x)=\sum _{T\in K\backslash \left\{i,j\right\}}\frac{\left|T\right|!\left(K-\left|T\right|-2\right)!}{2\left(K-1\right)!}{\nabla }_{i,j}(f,x,T)$
当$i\ne j$，
$\begin{array}{l}{\nabla }_{i,j}\left(f,x,T\right)={f}_{x}\left(T\bigcup \left\{i,j\right\}\right)-{f}_{x}\left(T\bigcup \left\{i\right\}\right)-\\ {f}_{x}\left(T\bigcup \left\{j\right\}\right)+\left(T\right)\end{array}$
式中：K表示建成环境变量集，T表示可能的建成环境变量组合。正SHAP交互值意味着相应的建成环境变量组合对出行韧性产生协同效应，反之，则意味着负影响。
本文使用Python 3.10，并基于SHAP(版本0.46.0)开源包解析所构建的LightGBM模型。通过计算SHAP值和SHAP交互值，揭示建成环境变量对出行韧性的全局效应(相对重要性)、潜在非线性效应(有效性)和变量之间的交互效应(协同性)。

2 结果与分析

2.1 极端降水下出行量的时间变化

从图3可以看出，5月7日降雨开始约1 h后(约9:00)，居民出行量开始大幅下降，并在13:00时左右降至最低点，之后逐步回升，至降雨基本结束(约15:00)后2 h左右(约17:00)恢复稳定，达到基准均值(5835.8条)的约88%，建立了新的均衡状态。在无极端天气事件发生的正常状态下，星期一的平均出行量为129668条，而在极端降水事件下则下降至110946条，降幅度约为14.4%。配对样本t检验结果表明，5月7日观测值与基准水平差异显著(t=-4.04，P=0.0005)。此外，出行量与降雨强度的交叉相关函数(CCF)结果显示，两者在滞后1~2 h处相关性最高(最高相关系数约为-0.92)，验证了出行响应的时间滞后性。
图3 常态和极端降水下厦门出租车出行量的时间变化

Fig.3 Temporal distribution of the taxi travel volume on Xiamen Island under normal and extreme precipitation conditions

2.2 极端降水下出行韧性的空间分布

图4为基于出租车出行数据的厦门岛居民出行韧性空间分布图。可见，出行韧性呈现东部、北部高，西部、南部低的空间格局，湖里区整体出行韧性高于思明区。传统市中心(中山路步行街)和高铁站周边区域以及高崎国际机场北部区域的出行韧性较低。这样的空间分布格局可能与城市功能布局有关。相较而言，思明区的文化和旅游功能突出，众多知名景点(如厦门大学、曾厝垵、鼓浪屿等)吸引了大量游客，而湖里区则以居住和就业功能为主。游客出行行为具有临时性和偶发性特征，更容易受极端天气等突发事件影响，此类出行在思明区占据相当大的比例。相比之下，湖里区则以本地居民日常性、周期性的出行行为为主，具有更高的稳定性。
图4 厦门岛居民出行韧性的空间分布

Fig.4 Spatial distribution of travel resilience of residents on Xiamen Island

2.3 极端降水下建成环境对出行韧性的非线性影响

图5为各建成环境变量对出行韧性的相对重要性排序。可以看出，建成环境变量从上至下相对重要性依次降低。其中，土地利用混合度和距市中心的距离两个变量的相对重要性最高。这个发现与认知一致。土地利用混合度高低很大程度上决定了居民出行目的多样性水平，而多样化的出行目的往往比单一的出行目的具有更高的韧性水平。市中心往往集聚了大量的商业和公共服务设施，能够引发大规模出行需求，因此对交通出行韧性也具有重要影响。
图5 建成环境变量的相对重要性

注：图中点表示空间分析单元样本，点的颜色表示该样本建成环境变量的取值大小(从蓝色到红色取值逐渐增大)。

Fig.5 Relative importance of built environment variables

图6为各建成环境变量与交通出行韧性的复杂关系。总体而言，建成环境变量均对出行韧性的影响具有明显的非线性特征，部分存在阈值效应。
图6 建成环境变量对出行韧性的非线性影响

注：正SHAP值和负SHAP值分别对应建成环境变量不同取值范围，表明该建成环境变量同时存在正作用区间和负作用区间。点的构成形式则反映了该建成环境变量对出行韧性的影响模式。

Fig.6 Nonlinear impacts of built environment variables on travel resilience

土地利用混合度与出行韧性呈“S形”关系。当土地利用混合度小于0.3时，其对出行韧性的效应为负且基本保持稳定。当土地利用混合度取值大于0.3时，其对出行韧性的效应随着取值的增大而快速攀升，直至取值达到0.5，土地利用混合度对出行韧性的效应再次趋于稳定。期间，当土地利用混合度取值跨越0.4时，其对出行韧性的效应由负向转为正向。土地利用混合度与出行韧性整体呈正相关，与不少已有研究结论吻合[17,19]，而前者对后者的阈值效应，也与不少研究呼应[33-34]。
距市中心的距离与出行韧性呈近似“倒V形”关系。当距市中心的距离小于10 km时，其与出行韧性几乎线性正相关，而当距离大于10 km时，其与出行韧性几乎线性负相关。距市中心的距离对出行韧性的正作用区间为8~14 km。城市中心通常具有高强度的土地开发、多样化的功能布局和主导性的空间区位，易生成大规模、多类型、多目的出行。根据地租理论，随着城市发展，居住功能常常被从城市中心往外围置换，导致大量长距离出行，而长距离出行相对于短距离出行更易受极端降水等突发事件的影响。而且，厦门市中心的功能以商业和旅游为主，对应以休闲购物和旅游为目的的出行，而此类出行具有偶然性和随机性，因此受影响程度更加显著。当地块处于距市中心的适宜范围内，融合居住的更均衡的功能布局引发正向的出行韧性效应。而远离城市中心区域往往密度较低、功能较单一、出行环境较差，对出行韧性产生负效应。这个发现表明，将城市规模控制在合理范围内、鼓励多中心发展有助于提升出行韧性。
公交线路密度与出行韧性表现出较为复杂的非线性关系。在取值较低的区间(0~50条/km2)，随着公交线路密度的增加，其对出行韧性的效应快速增强，并于约25条/km2处由负转正。这表明，在公交资源不足时，居民在极端降水情景下的出行更容易受到冲击，而适度增加公交供给意味着可达性的增加，从而有效提升区域的出行韧性[35]。而当公交线路密度继续增加，其与出行韧性的关系逐渐转为负向，直至约100条/km2后趋于水平。可能的原因在于，当公交密度过高时，极端天气更容易导致公共交通效率下降、交通拥堵加剧等负外部性，从而抑制整体出行。
人口密度与出行韧性之间也存在明显的非线性关系和阈值效应。当人口密度小于1万人/km2时，其出行韧性效应随其取值的增大而急剧上升，而超过这个阈值之后，其效应基本稳定甚至小幅下降。人口密度在低值区间与出行韧性的正相关关系符合预期，因为更高的人口密度必然带来更旺盛的出行需求。而之后人口密度的增大不再带来出行韧性的提升甚至导致一定程度下降，可能的原因在于：第一，人口密度过高的区域很可能是城市功能较单一的区域，例如居住区(尤其是品质较低的居住区，如城中村、工厂宿舍等)，这些区域出行需求可能较为单一，受极端降水的影响较大；第二，人口密度过高的区域，在极端降水过后，很可能出现交通拥堵或其他失序现象，从而导致出行韧性较低。因此，中等密度的城市区域具有更高的出行韧性，这与已有研究结论相符[18]。
道路交叉口密度与出行韧性的关系形态也较为复杂。当道路交叉口密度小于10个/km2时，随着道路交叉口密度提高，其对出行韧性的影响幅度快速变大，之后出行韧性随着道路交叉口密度的继续提高反而缓慢下降，直至达到约30个/km2，道路交叉口密度的影响变得几乎可以忽略。一方面，较高的交叉口密度往往带来较好的通行能力和可达性，这对于交通出行在极端降水等突发事件下的抵抗和恢复都大有裨益；另一方面，过高的道路交叉口密度(尤其设置交通灯的交叉口)可能导致地块过于细碎、交通情况复杂、道路通行能力下降，从而降低该区域出行韧性。
建成环境变量两两之间产生不同程度的交互效应。对于每个变量，选取与其产生的交互效应最强的变量，其中土地利用混合度与人口密度、距市中心的距离与道路交叉口密度分别互为最强交互变量。对这些变量组合产生的局部交互效应进行可视化(图7)，可见，两个建成环境变量组合可能产生“1+1>2”的协同效应(正SHAP交互值)，也可能引发小于2的结果(负SHAP交互值)。
图7 建成环境变量对出行韧性的交互效应

注：图中虚线表示将两个交互变量的取值分为“高—高”“低—低”“低—高”“高—低”4个象限的分界线。

Fig.7 Interaction effects of built environment variables on travel resilience

土地利用混合度与人口密度之间存在显著的交互效应。当人口密度较高时，土地利用混合度与出行韧性呈现正向关联。功能高度混合有助于促进短距离出行，而高人口密度则意味着稳定且旺盛的出行需求，两者协同作用使得在极端降水情境下，大规模短距离出行更具韧性。这表明，建成环境的多样性与人口集聚是相互支撑的条件，共同增强了城市的出行韧性。相反，在低人口密度区域，当土地利用混合度超过约0.5后，其边际效益为负。因此，为提升极端天气下的出行韧性，城市功能的混合配置应与人口密度特征统筹考虑。
距市中心的距离与道路交叉口密度也呈现显著交互效应。具体而言，道路交叉口密度对出行韧性的作用具有显著的空间分化特征。在城市中心区域，道路交叉口密度普遍较高，进一步增加容易增加交通组织压力，在极端降水下削弱出行韧性。而在城市外围区域，由于建成环境成熟度较低，提升道路交叉口密度能够改善步行可达性，从而促进韧性出行。因此，相较于城市中心区域，在城市外围区域提升路网连接度对于增强居民在极端天气下的出行能力更为有效。
对于公交线路密度，道路交叉口密度与其产生的交互效应最强。当交叉口密度较高时，公交线路密度在整个区间均与出行韧性保持正向关系，说明良好的最后1 km路网连接性和步行可达性能够放大公共交通供给的积极作用，从而降低极端降水事件带来的负面影响。而在交叉口密度较低的区域，提升公交线路密度反而会削弱出行韧性。这表明，在路网连接性较差的地区，盲目增加公交线路密度可能适得其反。由此可见，优化公共交通供给必须与道路交叉口密度等路网条件相匹配，才能有效增强城市在极端天气下的出行韧性。

3 气候适应性环境优化策略

以上分析结果揭示了密度、多样性、设计、目的地可达性和公共交通可达性5个建成环境要素对极端天气下城市居民出行韧性的非线性影响。在积极应对气候变化战略背景下，本文以提升城市居民出行韧性为目标，通过分析建成环境要素对极端降水下城市居民出行韧性的主效应、阈值效应和交互效应，从建成环境要素的相对重要性、有效性和协同性三个方面，提炼建成环境要素的影响幅度、影响区间和影响组合，提出气候适应性环境优化规划策略，旨在为出行韧性目标导向的精准化规划响应提供新思路(图8)。
图8 气候适应性环境优化规划策略框架

Fig.8 A framework of climate-adaptive environment optimization planning strategies

值得说明的是，本文选择极端降水作为典型情境进行分析，主要因为其在许多城市中发生频率日益增加，且对居民出行的影响尤为直接和显著。然而，仅依赖单一灾害类型并不足以全面推导建成环境优化策略。本文以极端降水为切入点，揭示了建成环境要素对出行韧性的作用机制与调节路径，提出了适应极端降水的环境优化框架，为多灾害下的规划响应奠定了分析基础。未来研究有必要进一步综合多种极端天气(如高温热浪、台风、冰雪等)下建成环境要素对出行韧性的普遍性作用机制和叠加效应，以提出更具普适性的建成环境优化路径。

3.1 规划干预的要素优先级排序

建成环境要素的相对重要性，即影响幅度，可以作为确定规划干预侧重点的重要依据。在本文中，土地利用多样性和目的地可达性指标对居民出行韧性的影响幅度最高，而密度相关的一些指标则影响幅度较低。这表明，在极端天气下，功能混合以及土地利用与交通一体化的布局模式，例如公共交通导向发展、15 min社区生活圈、社区综合体、共享社区等，有助于使人们能在本地完成更多的日常活动，从而降低交通压力。这提醒城市和交通政策制定者，在以提高居民出行韧性为目的的城市建成环境干预时，应首要强调从城市功能有机混合入手，创造能一定程度上“自给自足”的社区[17]，追求质的提升，而非机械地提高开发强度或堆积交通资源，低效追求量的积累。

3.2 规划干预的要素程度控制

近年来，行为研究领域对出行行为及其建成环境影响要素之间普遍的非线性关系渐渐形成共识[28,33-34,36-37]。本文进一步验证了这一规律，即建成环境要素对极端天气下城市居民出行韧性具有非线性影响，而非线性意味着建成环境要素的影响存在阈值效应及正负作用区间。依据影响区间，将建成环境指标控制在确切的正作用区间及阈值内，能够提高规划干预的精准性和科学性。例如，土地利用混合度的阈值为0.5，当其值超过0.5，其影响效应不会随其增长而显著提升；而公交线路密度的正作用区间是25~75条/km2，当其值在此区间内，其产生正效应。一方面，普遍的阈值效应提醒决策者应当警醒过犹不及，尤其在中国城市业已高密度的情境下，对于阈值的把握格外重要，不仅能避免资源浪费，而且很可能是避免负作用的必要条件。另一方面，城市与交通相关从业者应当将正作用区间作为重要规划控制条件，提高规划决策的有效性。

3.3 规划干预的要素整合路径

不同建成环境要素对极端天气下城市居民出行韧性的影响还存在交互效应。协同效应则指合作或交互导致整体大于部分之和的现象。正交互值意味着相应的建成环境变量组合对城市居民出行韧性产生协同效应。因而，识别此类建成环境变量组合为出行韧性目标导向的规划干预提供了系统性思维和精准路径。本文发现土地利用多样性和密度指标具有协同效应，意味着在人口密集的场所提高土地利用混合度将激发额外的出行韧性正效应。同时，设计和公共交通可达性指标也具有协同效应，表明了塑造步行友好的环境对于促进公共交通出行韧性的重要作用。规划干预应该遵循这些路径，以通过资源整合获得增效。

4 结论

本文以厦门岛为例，基于居民出租车出行大数据测度极端降水下城市居民出行韧性，并利用可解释机器学习方法(LightGBM建模结合SHAP解释)揭示了出行韧性与建成环境之间的非线性关系。主要结论如下：
(1) 极端降水导致居民日出行量减少约14.4%，居民出行对极端降水的响应具有时间滞后性，同时居民出行韧性表现出明显的空间异质性。在应对极端降水等突发事件时，政府部门应关注事件影响下居民行为的动态变化历程，提高相应预防、抵御和恢复措施的时效性，同时应注意因地制宜，考虑建成环境的局部特征和人群需求，制定针对性的策略。
(2) 土地利用多样性指标对居民出行韧性的影响幅度最高，所有建成环境变量均与居民出行韧性非线性相关，且不同建成环境变量之间形成交互效应。对非线性关系的证实表明传统统计模型对于因变量和自变量之间的线性或广义线性假设可能会过于简化甚至错误估计两者之间的关系。而揭示建成环境和出行韧性的非线性关系为城市规划相关从业人员提供了更精准的建成环境要素影响幅度、影响区间和影响组合，能够帮助决策者进行更有针对性、科学性和系统性的政策干预。
基于建成环境要素影响出行韧性的相对重要性、有效性和协同性三个方面，本文提出了气候适应性环境优化规划策略，不仅引入出行韧性为理解城市如何响应极端天气等突发事件提供新思路，而且以建成环境为切入点为推动韧性城市建设提供理论依据和科学支持。
不可避免地，本文仍存在一定局限。首先，本文基于出租车数据来测度出行韧性，未能涵盖所有出行方式。未来研究可进一步结合多源出行数据(如公交刷卡数据、手机信令数据等)，以提升测度的全面性。其次，本文仅基于行为研究领域经典的5Ds模型测度城市建成环境，而一些常用的建成环境变量，尤其是更微观的城市景观和形态层面的变量(如街道绿视率、建筑高度、街道立面丰富度)则没有纳入分析。今后可考虑从更多维度定量描摹建成环境，考察其对交通出行韧性的影响。再次，沿袭不少已有研究[2,38]，本文采用1 km×1 km网格划分研究区域并作为空间分析单元。然而，不同的空间单元尺寸可能带来不同的测量精度和模型预测准确度，导致所谓的可变面积单元问题(modifiable area unit problem)[39]。将来的研究中，可尝试对比不同空间单元划分方式，选择最佳空间分析单元。此外，本文尚未对模型中潜在的空间效应进行深入分析，因而模型结果可能存在一定程度的高估风险。未来研究可考虑引入空间回归模型(如地理加权回归)，或在机器学习模型的基础上结合GeoShapley等解释工具，以更全面地揭示建成环境对出行韧性的非线性和空间异质性影响。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李涛, 崔磊波, 王姣娥, 等. 基于时间序列预测的城际出行韧性评估方法与时空格局[J]. 热带地理, 2024, 44(5): 838-849.

DOI

[Li Tao, Cui Leibo, Wang Jiao'e, et al. Evaluation method and spatiotemporal pattern of intercity travel behavior resilience based on time series predictions. Tropical Geography, 2024, 44(5): 838-849.]

DOI

[2]
Tang J Q, Zhao P J, Gong Z Y, et al. Resilience patterns of human mobility in response to extreme urban floods[J]. National Science Review, 2023, 10(8): nwad097. doi: 10.1093/nsr/nwad097.

[3]
Jiang H X, Wang Y X, Ma W, et al. Unlocking the nonlinear nexus: Accessibility of emergency resource and resident participation in flood response[J]. Journal of Transport Geography, 2024, 118: 103926. doi: 10.1016/j.jtrangeo.2024.103926.

[4]
Liu J X, Xiao L Z, Wang B. The varying effects of residential built environment on travel behavior of internal migrants and locals[J]. Travel Behaviour and Society, 2024, 34: 100692. doi: 10.1016/j.tbs.2023.100692.

[5]
Zhang X Y, Li N. Characterizing individual mobility perturbations in cities during extreme weather events[J]. International Journal of Disaster Risk Reduction, 2022, 72: 102849. doi: 10.1016/j.ijdrr.2022.102849.

[6]
易嘉伟, 王楠, 千家乐, 等. 基于大数据的极端暴雨事件下城市道路交通及人群活动时空响应[J]. 地理学报, 2020, 75(3): 497-508.

DOI

[Yi Jiawei, Wang Nan, Qian Jiale, et al. Spatio-temporal responses of urban road traffic and human activities in an extreme rainfall event using big data. Acta Geographica Sinica, 2020, 75(3): 497-508.]

DOI

[7]
Zhang F C, Li Z S, Li N, et al. Assessment of urban human mobility perturbation under extreme weather events: A case study in Nanjing, China[J]. Sustainable Cities and Society, 2019, 50: 101671. doi: 10.1016/j.scs.2019.101671.

[8]
Zhou Y F, Li Z H, Meng Y Y, et al. Analyzing spatio-temporal impacts of extreme rainfall events on metro ridership characteristics[J]. Physica A: Statistical Mechanics and its Applications, 2021, 577: 126053. doi: 10.1016/j.physa.2021.126053.

[9]
Liu H Y, Wang J H, Liu J, et al. Combined and delayed impacts of epidemics and extreme weather on urban mobility recovery[J]. Sustainable Cities and Society, 2023, 99: 104872. doi: 10.1016/J.SCS.2023.104872.

[10]
王波, 甄峰, 孙鸿鹄. 基于社交媒体签到数据的城市居民暴雨洪涝响应时空分析[J]. 地理科学, 2020, 40(9): 1543-1552.

DOI

[Wang Bo, Zhen Feng, Sun Honghu. The spatio-temporal patterns of public responses towards rainstorms and associated floods based on social media check-in data. Scientia Geographica Sinica, 2020, 40(9): 1543-1552.]

DOI

[11]
VijayaVenkataRaman S, Iniyan S, Goic R. A review of climate change, mitigation and adaptation[J]. Renewable and Sustainable Energy Reviews, 2012, 16(1): 878-897.

DOI

[12]
武占云. 将适应气候变化纳入国土空间规划: 进展、困境与思路[J]. 气候变化研究进展, 2021, 17(5): 559-569.

[Wu Zhanyun. Integrating adaptation to climate change into territorial spatial planning: progress, dilemma and strategy. Climate Change Research, 2021, 17(5): 559-569.]

[13]
林陈贞, 郑艳, 孙劭. 气候变化背景下城市韧性测度: 以长三角城市应对雨洪风险为例[J]. 上海城市规划, 2023(1): 18-24.

[Lin Chenzhen, Zheng Yan, Sun Shao. Measurement of city resilience under the background of climate change: A case study of cities in the Yangtze River Delta responding to stormwater. Shanghai Urban Planning Review, 2023(1): 18-24.]

[14]
马程伟, 文超祥. 适应气候变化的海岸带韧性研究综述: 基于文献计量分析[J]. 生态学报, 2024, 44(5): 2173-2186.

[Ma Chengwei, Wen Chaoxiang. Progress in coastal resilience research and governance perspectives for climate change adaptation. Acta Ecologica Sinica, 2024, 44(5): 2173-2186.]

[15]
Wang J E, Huang J, Yang H R, et al. Resilience and recovery of public transport use during COVID-19[J]. NPJ Urban Sustainability, 2022, 2: 18. doi: 10.1038/s42949-022-00061-1.

[16]
黄洁, 王姣娥. 出行韧性的理论与方法及实证[J]. 地理学报, 2023, 78(10): 2507-2519.

DOI

[Huang Jie, Wang Jiao'e. Theory, method, and empirical studies of travel behavior resilience. Acta Geographica Sinica, 2023, 78(10): 2507-2519.]

DOI

[17]
Hao H Y, Wang Y. Disentangling relations between urban form and urban accessibility for resilience to extreme weather and climate events[J]. Landscape and Urban Planning, 2022, 220: 104352. doi: 10.1016/j.landurbplan.2022.104352.

[18]
Irajifar L, Sipe N, Alizadeh T. The impact of urban form on disaster resiliency: A case study of Brisbane and Ipswich, Australia[J]. International Journal of Disaster Resilience in the Built Environment, 2016, 7(3): 259-275.

DOI

[19]
Sharifi A. Urban form resilience: A meso-scale analysis[J]. Cities, 2019, 93: 238-252.

DOI

[20]
Sharifi A. Resilient urban forms: A macro-scale analysis[J]. Cities, 2019, 85: 1-14.

DOI

[21]
Chen C, Feng T, Ding C, et al. Examining the spatial-temporal relationship between urban built environment and taxi ridership: Results of a semi-parametric GWPR model[J]. Journal of Transport Geography, 2021, 96: 103172. doi: 10.1016/j.jtrangeo.2021.103172.

[22]
Liang Y B, Liu Y C, Wang X H, et al. Exploring large language models for human mobility prediction under public events[J]. Computers, Environment and Urban Systems, 2024, 112: 102153. doi: 10.1016/j.compenvurbsys.2024.102153.

[23]
Zhao B N, Wang X Z, Zhang T Y, et al. Estimating and modeling spontaneous mobility changes during the COVID-19 pandemic without stay-at-home orders[J]. Humanities and Social Sciences Communications, 2024, 11: 591. doi: 10.1057/s41599-024-03068-4.

[24]
Tang J J, Liu F, Wang Y H, et al. Uncovering urban human mobility from large scale taxi GPS data[J]. Physica A: Statistical Mechanics and Its Applications, 2015, 438: 140-153.

DOI

[25]
Zheng Z, Rasouli S, Timmermans H. Two-regime pattern in human mobility: Evidence from GPS taxi trajectory data[J]. Geographical Analysis, 2016, 48(2): 157-175.

DOI

[26]
Yabe T, Luca M, Tsubouchi K, et al. Enhancing human mobility research with open and standardized datasets[J]. Nature Computational Science, 2024, 4(7): 469-472.

DOI PMID

[27]
Song Y, Merlin L, Rodriguez D. Comparing measures of urban land use mix[J]. Computers, Environment and Urban Systems, 2013, 42: 1-13.

DOI

[28]
Ding C, Cao X Y, Næss P. Applying gradient boosting decision trees to examine non-linear effects of the built environment on driving distance in Oslo[J]. Transportation Research Part A: Policy and Practice, 2018, 110: 107-117.

DOI

[29]
刘吉祥, 肖龙珠, 周江评, 等. 建成环境与青少年步行通学的非线性关系: 基于极限梯度提升模型的研究[J]. 地理科学进展, 2022, 41(2): 251-263.

DOI

[Liu Jixiang, Xiao Longzhu, Zhou Jiangping, et al. Non-linear relationships between the built environment and walking to school: Applying extreme gradient boosting method. Progress in Geography, 2022, 41(2): 251-263.]

DOI

[30]
Liu J X, Xiao L Z. Socioeconomic differences in effect size: Predicting commuting mode choice of migrants and locals using a light gradient boosting approach[J]. Transportation, 2024, 51(1): 1-24.

DOI

[31]
Ke G L, Meng Q, Finley T, et al. Lightgbm: A highly efficient gradient boosting decision tree[C]// von Luxburg U, Guyon I, Bengio S, et al. NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach, USA: Curran Associates Inc., 2017: 3147-3155.

[32]
Lundberg S M, Lee S-I. A unified approach to interpreting model predictions[C]// von Luxburg U, Guyon I, Bengio S, et al. NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach, USA: Curran Associates Inc., 2017: 4766-4775.

[33]
Liu J X, Wang B, Xiao L Z. Non-linear associations between built environment and active travel for working and shopping: An extreme gradient boosting approach[J]. Journal of Transport Geography, 2021, 92: 103034. doi: 10.1016/j.jtrangeo.2021.103034.

[34]
Yang L C, Ao Y B, Ke J T, et al. To walk or not to walk? Examining non-linear effects of streetscape greenery on walking propensity of older adults[J]. Journal of Transport Geography, 2021, 94: 103099. doi: 10.1016/j.jtrangeo.2021.103099.

[35]
Xiao L Z, Lo S, Liu J X, et al. Nonlinear and synergistic effects of TOD on urban vibrancy: Applying local explanations for gradient boosting decision tree[J]. Sustainable Cities and Society, 2021, 72: 103063. doi: 10.1016/j.scs.2021.103063.

[36]
Liu J X, Xiao L Z. Non-linear relationships between built environment and commuting duration of migrants and locals[J]. Journal of Transport Geography, 2023, 106: 103517. doi: 10.1016/j.jtrangeo.2022.103517.

[37]
Cheng L, De Vos J, Zhao P, et al. Examining non-linear built environment effects on elderly's walking: A random forest approach[J]. Transportation Research Part D: Transport and Environment, 2020, 88: 102552. doi: 10.1016/j.trd.2020.102552.

[38]
Zhang X Y, Li N. Assessment of the correlation between extreme weather event-induced human mobility perturbation in urban areas and their spatial characteristics based on taxi trajectories[C]// Lee Hughes A, McNeill F, Zobel C. Proceedings of the 17th ISCRAM Conference. Blacksburg, USA: Information Systems for Crisis Response and Management, 2020: 366-380.

[39]
Kwan M-P. The uncertain geographic context problem[J]. Annals of the Association of American Geographers, 2012, 102(5): 958-968.

DOI

Options
Outlines

/

〈 〉