建成环境对老年人出行行为影响的空间异质性

杨林川; 朱庆

doi:10.3969/j.issn.0258-2724.20210689

建成环境对老年人出行行为影响的空间异质性

doi: 10.3969/j.issn.0258-2724.20210689

杨林川^1,,
朱庆²

1.
西南交通大学建筑学院，四川成都 611756
2.
西南交通大学地球科学与环境工程学院，四川成都 611756

基金项目: 国家自然科学基金（52278080）

详细信息

作者简介:
杨林川（1991—），男，研究员，博士，研究方向为交通与土地利用的互动和规划、GIS应用，E-mail：yanglc0125@swjtu.edu.cn

中图分类号: TU984.12
计量
- 文章访问数: 654
- HTML全文浏览量: 347
- PDF下载量: 59
- 被引次数: 29
出版历程
- 收稿日期: 2021-07-02
- 修回日期: 2022-06-25
- 网络出版日期: 2023-04-07
- 刊出日期: 2022-07-12

Spatially Heterogeneous Effects of Built Environment on Travel Behavior of Older Adults

YANG Linchuan^1
,,
ZHU Qing²

1.
School of Architecture, Southwest Jiaotong University, Chengdu 611756, China
2.
Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China

摘要

摘要:
随着积极应对人口老龄化战略的提出，老年人成为亟需关注的重要群体. 为弥补现有交通出行研究多关注建成环境对老年人出行行为全局影响的不足，融合2011年香港特区政府组织的大规模交通习惯调查数据、地理数据和谷歌街景图像数据，测度老年人出行倾向和多个建成环境变量，建立三层随机截距（一层：个人，二层：家庭，三层：社区）二元logistic回归模型和地理加权二元logistic回归模型，分析建成环境与老年人出行倾向的复杂关联关系，并借助ArcGIS平台对关联关系进行可视化. 研究结果发现：人口密度、土地利用混合度、交叉口密度和绿视率正向影响老年人出行倾向；地铁可达性和公园可达性的影响不显著；建成环境要素对出行倾向的影响存在空间异质性；土地利用混合度对出行倾向的局部影响是双向的，在城市西部为正向，而在城市东部为负向.
- 老年人 /
- 建成环境 /
- 社区环境 /
- 邻里环境 /
- 人口老龄化 /
- 地理加权回归模型
Abstract:
The implementation of the national strategy, actively addressing population aging, has underscored the importance of paying attention to the older adult population, which has become a crucial demographic group. Previous research has predominantly assumed that the effect of the built environment on the travel behavior of older adults is spatially fixed, failing to account for spatial heterogeneity. Therefore, to address this research gap, the propensity to travel, a travel behavior indicator, is analyzed using data from the 2011 Hong Kong Travel Characteristics Survey, and built-environment attributes are assessed using geo-data. A three-level random-intercept binary logistic regression model (level 1: individual, level 2: household, level 3: street block) and a geographically weighted binary logistic regression model are then developed to establish the complex relationship between the built environment and the propensity to travel of older adults, and the association is visualized with the help of ArcGIS platform. The findings demonstrate that population density, land use mix, intersection density, and streetscape greenery have a positive association with the propensity to travel of older adults, while accessibility to the metro and parks does not significantly affect this propensity. Moreover, the effects of all built-environment attributes on the propensity to travel vary across space. Specifically, the local effects of land-use mix on the propensity to travel are bi-directional: positive in the western part of the city and negative in the eastern part.
- older adult /
- built environment /
- community environment /
- neighborhood environment /
- population aging /
- geographically weighted regression model

HTML全文

我国的老龄化趋势日益凸显. 2000年，我国60岁及以上的老年人口为1.3亿，占总人口比例的10.3%，标志着进入老龄化社会. 近年来，我国老年人口的绝对数量和相对比例都在持续上升. 第七次全国人口普查数据显示，60岁及以上的老年人口达到2.64亿，占总人口的18.7%；65岁及以上的老年人口达到1.91亿，占总人口的13.5%. 根据联合国人口署的预测，到2030年、2050年，我国65岁及以上的老年人口数量将分别达到2.55、3.77亿，占比分别为17.0%、26.3%^[1]. 老年人这个越来越庞大的群体需要得到更多关注.

移动性通常指人类个体或群体在地理空间中具有特定意义的移动能力，以及各类设施和物质环境（包括自然环境和建成环境）创造的移动条件和移动机会，与个人的独立性、自主性、身心健康、生活质量、主观幸福感等方面密切相关. 对老年人而言，良好的日常移动性是在社区和城市独立生活的必要条件，也是实现“健康老龄化”和“积极老龄化”的重要前提.

有别于自然环境，建成环境脱胎于城市形态，指人类生产、生活活动而形成的人居环境状态，包括土地利用模式、城市设计和交通系统多个方面，直接影响人们的出行行为（交通行为）. 比如，较之郊区居民，市区居民更倾向于步行、骑行和乘坐公共交通出行，驾驶小汽车可能性更小；居住在土地利用混合度高的社区的人们更倾向于出行，出行次数也更多. 社会生态学模型为分析建成环境和出行行为的关联效应提供了坚实的基础. 此外，老年人不可避免地面临着日常移动性的自然衰退问题，并且社区是他们日常生活和社会交往的重要空间（在地安老模式），所以，运用社区建成环境干预老年人移动性尤为重要^[2].

现有研究大多用Cervero等^[3-4]于1997年提出的“3Ds”以及逐步改善的“5Ds”“7Ds”指标体系来描述建成环境. “3Ds”指标体系包括密度（density，人口密度、就业密度、建筑密度等）、混合度（diversity，多指土地利用混合度）、设计（design，交叉口密度、步行道连续性、绿化景观等）. 之后，学者们陆续加入其他指标，如设施可达性（destination accessibility）、公共交通可达性（distance to transit）、需求管理（demand management）、人口统计属性（demographics），逐步将“3Ds”拓展为“5Ds”“7Ds”，进一步丰富和完善建成环境指标体系. 此外，建成环境对老年人出行行为的影响可能会随着空间的变化而改变，这就是经常谈到的空间异质性或空间非平稳性问题. 分析该影响的空间异质性可为随空间而异的政策制定提供重要参考，但是，鲜少研究关注于此^[5-6].

本文以亚洲老龄化程度第二高，仅次于日本的地区——中国香港为例，研究建成环境对老年人出行倾向（重要的出行行为指标）的影响以及该影响的空间异质性，对文献[5]进行拓展延伸，试图回答“哪些建成环境要素显著影响老年人出行倾向”和“建成环境要素对老年人出行倾向的影响在空间上有什么变化”的问题. 类似于现有研究^[5-10]，本文将个体出行行为表达为个人或家庭社会经济属性和建成环境的函数. 研究方法上，首先，由于数据存在多层结构（个人嵌套于家庭，家庭嵌套于社区），本文运用多层（三层随机截距）二元logistic回归模型估计建成环境要素对老年人出行倾向的全局影响. 然后，建立地理加权二元logistic回归模型以分析空间异质性影响（局部影响），并用ArcGIS 10.6对分析结果进行可视化表达.

1. 数　据

1.1 出行行为与社会经济属性数据

本文采用香港运输署于2011年—2012年进行的大规模交通习惯调查（travel characteristics survey, TCS）中的家庭访谈调查数据. 该数据包含2011年9月至2012年1月的若干工作日，随机抽样采访35401户的101385名居民的信息. 抽样率约为1.5%.

家庭访谈调查数据记载了以下三方面的信息：一是家庭信息，包括住宅地址、住房类型、家庭成员数量、有无小汽车、家庭收入等. 二是个人信息，包括性别、年龄、有无工作、健康状况、从事行业等. 三是在过去24 h 内的详细出行活动信息，包括起讫点、出发时间、到达时间等.

参考国际上惯用的老年人界定标准，将老年人定义为年龄大于等于65岁的人群（共计13468个样本），并将过去24 h 是否出行（即出行倾向）作为分析的出行行为指标^[5]. 由于TCS家庭访谈调查是在工作日进行，有工作的老年人就几乎等同于有出行记录，即仅用有工作这一个变量就很好地预测有出行记录. 因此，将这部分老年人从样本中排除，仅采用无工作的65岁及以上老年人作为样本. 经过筛选，总计有1619个街坊9679个家庭中的12620名老年人样本被纳入模型分析. 其中，9879名老年人在过去24 h 内曾经出行，其余的2741名老年人未曾出行（待在家里）.

1.2 建成环境数据

近年来，基于地理信息系统（GIS）和开放数据或大数据的城市规划和设计研究发展迅猛，多种新数据得到了大量关注. 因此，除了经常关注的传统建成环境要素，本文还使用街景图像（新数据）进行绿视率（即人眼视角绿化可见度）的测度. 街景图像数据覆盖范围广、数据量大、易于获得（效率高、成本低）、贴近个人视角，包含街道层级的丰富信息，可直观准确地反映城市立面信息. 运用该数据可很好地测度街道绿视率、天空可见度等环境指标，弥补单一GIS数据源对环境测度的不足.

参考“5Ds”指标体系和现有文献，并兼顾数据获得性，本文选取人口密度、土地利用混合度、交叉口密度、地铁可达性、巴士可达性、休闲运动设施可达性、公园可达性和绿视率8个建成环境要素指标进行分析. 地理数据主要来源于谷歌地图、OpenStreetMap等网站. 值得注意的是，本文基于谷歌街景图像和一种机器学习算法——卷积神经网络（FCN-8s），测算了老年人住址邻里的绿视率（图1）. 计算方法以老年人住址为中心点，在邻里区域中，沿着街道每50 m 测一个点. 每个点的全景视野用4张图（每张图覆盖90°）表示，通过卷积神经网络自动识别每张图片中的绿化要素，用绿色像素点占总像素点的比例来估算绿视率^[5-7].

图 1 基于街景图像的绿化率测算案例

Figure 1. Example of green view index estimation based on street-view imagery

下载: 全尺寸图片幻灯片

2. 模型构建

2.1 全局回归分析模型：多层二元logistic回归模型

TCS记载的是单日的出行行为. 类似于现有众多交通出行研究^[5,7,8]，本文把因变量——出行倾向设定为虚拟变量（出行为1，不出行为0）. 如前所述，考虑到数据存在嵌套结构，采用多层二元logistic回归模型（即罗吉斯回归、逻辑回归）.

定义效用函数是二元logistic回归模型估计的重点. 基于数据的多层结构，定义居住在街坊l的家庭j老年人i的出行效用为

，

${U_{ijl}} = {\beta _0} + \sum\limits_{k = 1}^K {{\beta _k}} {x_{ijlk}} + {\mu _{jl}} + {\mu _l} + {\varepsilon _{ijl}}，$

(1)

式中： ${x_{ijlk}}$ 为影响居住在街坊l的家庭j老年人i出行效用的第k个自变量；K为自变量个数； ${\mu _{jl}}$ 为居住在街坊l的家庭j的截距； ${\mu _l}$ 为街坊 $l$ 的截距； ${\varepsilon _{ijl}}$ 为残差； ${\beta _k}$ 为第k个自变量的系数； ${\beta _0}$ 为常量.

二元logistic回归模型将效用和选择概率关联起来. 居住在街坊l的家庭j老年人i的出行概率为

${{P}}_{{i}{j}{l}}=\frac{{\mathrm{e}}^{{{U}}_{{i}{j}{l}}}}{1 + {\mathrm{e}}^{{{U}}_{{i}{j}{l}}}}.$

(2)

二元logistic回归模型也可表达为

${U_{ijl}} = \ln \left(\frac{{{P_{ijl}}}}{{1 - {P_{ijl}}}}\right).$

(3)

2.2 局部回归分析模型：地理加权二元logistic回归模型

上述的多层二元logistic回归模型是全局回归模型，可以反映全局范围里自变量和因变量的关系，但是无法揭示可能存在的空间异质性. 而地理加权二元logistic回归模型是局部回归模型. 每个回归点（样本点）都有一个自己的回归方程，因此，可显示随空间而异的“因变量-自变量”关系. 地理加权二元logistic回归模型为

$\begin{split} &{{U_i} = \ln \left(\frac{{{P_i}}}{{1 - {P_i}}}\right) = {\beta _0}\left( {{u_i},{v_i}} \right) + \mathop \sum \limits_{k = 1}^K {\beta _k}\left( {{u_i},{v_i}} \right){x_{ik}} +{\varepsilon _i}}，\\ & \quad {i = 1,2, \cdots ,n}， \end{split}$

(4)

式中： ${U_i}$ 为老年人i的出行效用； ${P_i}$ 为老年人i的出行概率； ${u_i}、{v_i}$ 分别为老年人i住址的经、纬度； ${x_{ik}}$ 为影响老年人i出行效用的第k个变量；n为样本点个数； ${\varepsilon _i}$ 是残差.

在建立每个回归点的方程中，地理加权二元logistic回归模型需要将邻居纳入考虑，因此，如何确定邻居的权重就尤为重要. 其核心原则是近的权重大，远的权重小，这与Tobler的地理学第一定律（所有事物都与其他事物相关，但是近处的事物比远处的事物更相关）是完全一致的.

地理加权二元logistic回归模型需要采用核函数进行加权. 常用的四种核函数是固定Gaussian函数、自适应Gaussian函数、固定bi-square函数和自适应bi-square函数.

2.3 变　量

自变量和因变量的描述和描述性统计见表1. 如前所述，本文选取10个控制变量和8个解释变量. 值得注意的是，本文按照TCS的划分，新界非农村地区包括荃湾、葵涌、青衣、屯门、元朗、天水围、大埔、粉岭/上水、沙田、马鞍山、将军澳和北大屿山. 新界农村地区则包括新界其他区域.

表 1 变量描述、均值/比例和标准差

Table 1. Description, mean/percentage, standard deviation of variables

变量	描述	均值/比例	标准差
出行倾向	虚拟变量，在过去 24 h 曾经出行为 1，未曾出行为 0	0.78
男性	虚拟变量，男性为 1，女性为 0	0.46
年龄	连续变量，单位：岁	74.98	7.23
疾病	虚拟变量，有疾病为 1，无疾病为 0	0.01
私有住宅	虚拟变量，私有住宅为 1，其他住宅为 0	0.45
家庭成员数量	离散变量，单位：个	2.82	1.41
有小汽车	虚拟变量，家庭有小汽车为 1，无小汽车为 0	0.06
居住地香港	虚拟变量，居住在香港为 1，其他为 0	0.21
居住地九龙	虚拟变量，居住在九龙为 1，其他为 0	0.36
居住地新界农村地区	虚拟变量，居住在新界农村地区为 1，其他为 0	0.09
居住地新界非农村地区	虚拟变量，居住在新界非农村地区为 1，其他为 0 （对照组）	0.34
人口密度	连续变量，单位：千人/公顷	0.48	0.33
土地利用混合度	连续变量，其值为 $\displaystyle -\sum\limits_q {({m_q}\ln\; {m_q} } )/\ln Q$ ，其中：m_q为第 q 种土地所占比例，Q 为土地种类	0.53	0.28
交叉口密度	连续变量，单位：个/公顷	0.47	0.24
地铁可达性	虚拟变量，邻里有地铁站为 1，没有为 0	0.88
巴士可达性	离散变量，邻里公交站点数量，单位：十个	17.15	10.04
休闲运动设施可达性	离散变量，邻里休闲运动设施数量，单位：十个	16.60	8.03
公园可达性	离散变量，邻里公园数量，单位：十个	0.55	0.41
绿视率	连续变量，用绿色像素点的比例来估算	0.15	0.03

下载: 导出CSV

| 显示表格

3. 结果分析

共线性的存在会使得模型估计失真或难以准确估计. 因此，在回归分析中需要尽量避免. 运用成对Pearson相关性检验对变量之间的共线性考察，结果显示自变量之间存在共线性. 在移除了巴士可达性和休闲运动设施可达性两个变量之后，再进行相关性检验，结果显示不存在共线性的问题. 因此，本文在后面的模型分析中均移除这两个变量.

3.1 多层二元logistic分析结果

表2展示了多层二元logistic回归模型分析结果. 6个控制变量在1%的水平上显著. 男性、低龄、无疾病、家庭成员数量少的老年人更倾向于出行. 首先，男性老年人更倾向于出行，这可由我国传统“男主外，女主内”的生活模式来解释. 其次，出行倾向受到年龄和疾病的双重限制. 再次，拥有更多家庭成员的老年人出行倾向更低，这可用家庭责任分散效应来进行解释：家庭成员可以彼此分担家庭事务与责任，使得出行存在替代效应. 最后，较之新界非农村地区的老年人，居住在香港和新界农村地区的老年人更倾向于出行.

表 2 多层二元logistic分析结果

Table 2. Analysis results of multilevel binary logistic regression

变量	系数	z 值
男性	0.423^***	5.06
年龄	− 0.147^***	− 14.85
疾病	− 3.188^***	− 7.65
私有住宅	0.214	1.29
家庭成员数量	− 0.413^***	− 9.36
有小汽车	− 0.067	− 0.30
居住地香港	0.711^***	2.92
居住地九龙	− 0.080	− 0.30
居住地新界农村地区	1.526^***	4.89
人口密度	0.630^**	2.43
土地利用混合度	0.534^*	1.72
交叉口密度	1.825^***	3.80
地铁可达性	− 0.103	− 0.39
公园可达性	− 0.027	− 0.11
绿视率	6.730^**	2.14
常量	12.540^***	11.49
注：*、、*分别表示在1%、5%、10%的水平上显著.

下载: 导出CSV

| 显示表格

值得关注的是，有、无小汽车并不会显著影响香港老年人的出行倾向，这和不少基于西方小汽车主导型城市的研究发现是矛盾的，但和基于公交依赖型城市的研究发现^[9-10]是一致的. 这样的差异容易理解. 在小汽车主导型城市，公共交通极为便利，分担率极高（接近 90%），小汽车的重要性大大降低，因此，是否拥有小汽车对出行倾向的影响就不大了.

理解建成环境变量的表现是本文的核心. 研究发现，人口密度、土地利用混合度、交叉口密度和绿视率与老年人出行倾向正相关，即居住在人口密度越高、土地利用混合度越高、交叉口密度越高和绿视率越高的区域，老年人越倾向于出行. 这和现有的研究结果^[5]较为一致，也说明了“3Ds”建成环境测度框架的有效性. 此外，地铁可达性对老年人出行倾向影响不显著. 可能的解释是香港地铁具有拥挤、换乘距离长和需要多次上下楼等特点，难以满足老年人的需求. 这从文献[11]中可以得到证实：不同于青年人和中年人，香港老年人更喜欢搭乘巴士出行，而非地铁出行.

3.2 地理加权二元logistic回归分析结果

上述的多层二元logistic回归模型结果可以从全局的角度反映自变量与因变量的关系，但无法展示该关系的空间异质性，即自变量与因变量的关系随空间可变的问题. 为避免数据量过大带来模型难以估计的问题，本文在每个街坊里随机抽取一个样本，采用地理加权二元logistic回归模型进行分析. 样本量减小到1619个.

本文使用的核函数是固定Gaussian函数，带宽选择方式是黄金分割搜索. 表3呈现了地理加权二元logistic回归模型分析结果. 地理加权二元logistic回归模型结果显示了所有变量的系数都在波动，即空间异质性普遍存在. 比如，年龄的系数在 −0.074和 −0.071的较小范围内波动，私有住宅的系数在 −0.011和0.130的较大范围内波动.

表 3 地理加权二元logistic回归模型分析结果

Table 3. Analysis results of geographically weighted binary logistic regression

变量	系数
变量	最小值	中位数	最大值	极差
男性	0.266	0.278	0.304	0.037
年龄	− 0.074	− 0.073	− 0.071	0.002
疾病	− 1.466	− 1.425	− 1.343	0.122
私有住宅	− 0.011	0.095	0.130	0.141
家庭成员数量	− 0.299	− 0.297	− 0.296	0.003
有小汽车	0.084	0.150	0.182	0.098
居住地香港	0.304	0.348	0.425	0.121
居住地九龙	− 0.082	− 0.048	0.010	0.092
居住地新界农村地区	− 0.279	− 0.195	− 0.059	0.220
人口密度	0.348	0.429	0.461	0.113
土地利用混合度	− 0.096	− 0.055	0.076	0.172
交叉口密度	0.392	0.523	0.574	0.182
地铁可达性	− 0.351	− 0.310	− 0.257	0.093
公园可达性	− 0.285	− 0.236	− 0.197	0.088
绿视率	1.252	2.401	3.509	2.257
常量	6.887	7.135	7.330	0.442

下载: 导出CSV

| 显示表格

在建成环境变量方面，土地利用混合度对老年人出行倾向的影响随空间变化较大（双向影响），其系数在 −0.096～0.076波动. 这说明该变量在一些区域具有负向影响，在另一些区域具有正向影响. 可能的解释是土地利用混合度的影响是非线性的，且存在阈值效应^[12]. 在土地利用混合度较低的区间（如0～0.500），土地利用混合度对老年人出行倾向的影响可能是正向的. 超过了这一区间，影响可能不明显，甚至是负向. 此外，其余5个建成环境变量对出行倾向具有单向影响，影响程度有着或大或小的变化.

由于在地理加权二元logistic回归模型中，每个回归点都有自己的模型系数和截距估计，因此，较之于全局模型，地理加权二元logistic回归模型有一个明显的优势——易于可视化. 建成环境变量系数的可视化结果如图2所示. 可以发现，6个建成环境变量系数均随着空间的变化有着或大或小的改变. 比如，交叉口的密度对老年人出行倾向的正向影响在新界西部（如大屿山）较小，小于香港、九龙和新界其他区域；绿化率对老年人出行倾向的正向影响在香港北部大于其他区域，该结果与文献[5,13]较为相似. Yang等^[5]指出一个可能的原因是社会经济水平的差异，并参考Xiao等^[14]和James等^[15]的发现，给出了“较之中高收入者，低收入者对绿化景观有更强偏好”的解释.

图 2 建成环境变量系数的可视化

Figure 2. Visualization of the coefficients of built-environment attributes

下载: 全尺寸图片幻灯片

图2说明了建成环境对老年人出行的影响随空间而异，因此，未考虑片区特点、一刀切的建成环境改造与空间优化策略可能并不合适. 必须充分考虑当地的情境和特色，即随空间而异的政策制定必不可少. 比如，本文发现土地利用混合度对老年人出行倾向具有双向影响——在城市西部为正影响，而在城市东部为负影响. 这为城市政府的精准施策提供重要参考和依据. 比如政府在制定社区设计建议及导则、编制片区土地利用规划时，可以考虑适当提升西部土地混合利用程度和降低东部土地混合利用程度，以促进老年人出行.

4. 结论与讨论

本文聚焦于老年人出行行为与建成环境的关系，旨在构建适老出行的社区建成环境. 这是城乡规划、城市管理、人文地理、交通规划等多个学科进行交叉的结果，也是对积极应对人口老龄化国家战略的响应. 因此，本文基于香港TCS数据和开源数据平台获取的地理大数据，建立多层二元logistic回归模型和地理加权二元logistic回归模型来解构建成环境要素对老年人出行倾向的影响以及该影响的空间异质性. 研究发现可归纳为：1）人口密度、土地利用混合度、交叉口密度和绿视率正向影响老年人的出行倾向；2）地铁可达性和公园可达性不显著影响；3）建成环境要素对老年人出行倾向的影响存在较强的空间异质性；4）土地利用混合度对出行倾向的局部影响是双向的，在城市西部为正向，而在城市东部为负向.

本文的发现能为社区生活环境的适老化建设提供重要的参考和依据. 一方面，本文的发现说明提高人口密度、土地利用混合度、交叉口密度可促进老年人出行. 值得注意的是，这3个指标恰好对应“3Ds”建成环境测度框架的3个维度. 另一方面，基于街景图像测度的绿视率显著影响老年人移动性，说明街道绿化与老年人生活密切相关. 以上4个要素是老年人出行的空间促进因子，应该成为未来适老化、老年友好社区生活环境规划和营造的重点.

鉴于大部分文献仅关注建成环境与老年人出行行为的全局（空间恒定）关系，忽视空间异质性的存在，本文从研究视角和方法的层面对现有文献进行了很好的补充. 另外，采用谷歌街景图像大数据测度建成环境要素，显示了大数据在城市研究中的作用和潜力. 计算机领域的机器学习、图像分割、智能识别的研究成果应该引起城市研究者的重视.

本文存在以下几点不足：1）使用的模型事先预设了变量间的线性关系. 采用无需事先预设变量关系的机器学习模型分析出行行为与建成环境的复杂非线性关系可能将更为合适^[16-18]. 2）仅依靠现成的地理数据测度建成环境. 借助便携式传感器、可穿戴式相机以及先进虚拟环境技术对建成环境进行精细化分析必不可少^[19-22]，这是未来重要的研究方向. 3）受TCS数据限制，本文将过去24 h 是否出行作为分析的出行行为指标. 该指标存在一定的偶然性. 因此，建议自行组织调研，搜集一手数据，选取三天或一周内出行频率等表征效力更好的指标. 4）因为TCS数据是横截面数据，本文仅可以反映关联性，而无法识别因果性. 因此，建议未来组织多期调研，采集老年人出行行为的纵向数据，以得出更具说服力的结果.

图 1 基于街景图像的绿化率测算案例

Figure 1. Example of green view index estimation based on street-view imagery

下载: 全尺寸图片幻灯片

图 2 建成环境变量系数的可视化

Figure 2. Visualization of the coefficients of built-environment attributes

下载: 全尺寸图片幻灯片

表 1 变量描述、均值/比例和标准差

Table 1. Description, mean/percentage, standard deviation of variables

变量	描述	均值/比例	标准差
出行倾向	虚拟变量，在过去 24 h 曾经出行为 1，未曾出行为 0	0.78
男性	虚拟变量，男性为 1，女性为 0	0.46
年龄	连续变量，单位：岁	74.98	7.23
疾病	虚拟变量，有疾病为 1，无疾病为 0	0.01
私有住宅	虚拟变量，私有住宅为 1，其他住宅为 0	0.45
家庭成员数量	离散变量，单位：个	2.82	1.41
有小汽车	虚拟变量，家庭有小汽车为 1，无小汽车为 0	0.06
居住地香港	虚拟变量，居住在香港为 1，其他为 0	0.21
居住地九龙	虚拟变量，居住在九龙为 1，其他为 0	0.36
居住地新界农村地区	虚拟变量，居住在新界农村地区为 1，其他为 0	0.09
居住地新界非农村地区	虚拟变量，居住在新界非农村地区为 1，其他为 0 （对照组）	0.34
人口密度	连续变量，单位：千人/公顷	0.48	0.33
土地利用混合度	连续变量，其值为 $\displaystyle -\sum\limits_q {({m_q}\ln\; {m_q} } )/\ln Q$ ，其中：m_q为第 q 种土地所占比例，Q 为土地种类	0.53	0.28
交叉口密度	连续变量，单位：个/公顷	0.47	0.24
地铁可达性	虚拟变量，邻里有地铁站为 1，没有为 0	0.88
巴士可达性	离散变量，邻里公交站点数量，单位：十个	17.15	10.04
休闲运动设施可达性	离散变量，邻里休闲运动设施数量，单位：十个	16.60	8.03
公园可达性	离散变量，邻里公园数量，单位：十个	0.55	0.41
绿视率	连续变量，用绿色像素点的比例来估算	0.15	0.03

下载: 导出CSV

表 2 多层二元logistic分析结果

Table 2. Analysis results of multilevel binary logistic regression

变量	系数	z 值
男性	0.423^***	5.06
年龄	− 0.147^***	− 14.85
疾病	− 3.188^***	− 7.65
私有住宅	0.214	1.29
家庭成员数量	− 0.413^***	− 9.36
有小汽车	− 0.067	− 0.30
居住地香港	0.711^***	2.92
居住地九龙	− 0.080	− 0.30
居住地新界农村地区	1.526^***	4.89
人口密度	0.630^**	2.43
土地利用混合度	0.534^*	1.72
交叉口密度	1.825^***	3.80
地铁可达性	− 0.103	− 0.39
公园可达性	− 0.027	− 0.11
绿视率	6.730^**	2.14
常量	12.540^***	11.49
注：*、、*分别表示在1%、5%、10%的水平上显著.

下载: 导出CSV

表 3 地理加权二元logistic回归模型分析结果

Table 3. Analysis results of geographically weighted binary logistic regression

变量	系数
变量	最小值	中位数	最大值	极差
男性	0.266	0.278	0.304	0.037
年龄	− 0.074	− 0.073	− 0.071	0.002
疾病	− 1.466	− 1.425	− 1.343	0.122
私有住宅	− 0.011	0.095	0.130	0.141
家庭成员数量	− 0.299	− 0.297	− 0.296	0.003
有小汽车	0.084	0.150	0.182	0.098
居住地香港	0.304	0.348	0.425	0.121
居住地九龙	− 0.082	− 0.048	0.010	0.092
居住地新界农村地区	− 0.279	− 0.195	− 0.059	0.220
人口密度	0.348	0.429	0.461	0.113
土地利用混合度	− 0.096	− 0.055	0.076	0.172
交叉口密度	0.392	0.523	0.574	0.182
地铁可达性	− 0.351	− 0.310	− 0.257	0.093
公园可达性	− 0.285	− 0.236	− 0.197	0.088
绿视率	1.252	2.401	3.509	2.257
常量	6.887	7.135	7.330	0.442

下载: 导出CSV

参考文献(22)

[1]	Department of Economic and Social Affairs. World population prospects 2019, volume Ⅱ: demographic profiles[M]. New York: United Nations, 2019.
[2]	李智轩,甄峰,张姗琪,等. 老年人公交移动性的季节时空分异特征研究:以安徽省芜湖市为例[J]. 地理科学进展,2021,40(2): 293-303. doi: 10.18306/dlkxjz.2021.02.010 LI Zhixuan, ZHEN Feng, ZHANG Shanqi, et al. Seasonal and spatiotemporal differences in the public transport-based mobility of elderly population: a case study of Wuhu City in Anhui Province[J]. Progress in Geography, 2021, 40(2): 293-303. doi: 10.18306/dlkxjz.2021.02.010
[3]	CERVERO R, KOCKELMAN K. Travel demand and the 3Ds: density, diversity, and design[J]. Transportation Research Part D: Transport and Environment, 1997, 2(3): 199-219. doi: 10.1016/S1361-9209(97)00009-6
[4]	EWING R, CERVERO R. Travel and the built environment: a meta-analysis[J]. Journal of the American Planning Association, 2010, 76(3): 265-294. doi: 10.1080/01944361003766766
[5]	YANG L C, LIU J X, LU Y, et al. Global and local associations between urban greenery and travel propensity of older adults in Hong Kong[J]. Sustainable Cities and Society, 2020, 63: 102442.1-102442.12.
[6]	CHENG L, SHI K B, DE VOS J, et al. Examining the spatially heterogeneous effects of the built environment on walking among older adults[J]. Transport Policy, 2021, 100: 21-30. doi: 10.1016/j.tranpol.2020.10.004
[7]	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.
[8]	LU Y, YANG Y Y, SUN G B, et al. Associations between overhead-view and eye-level urban greenness and cycling behaviors[J]. Cities, 2019, 88: 10-18. doi: 10.1016/j.cities.2019.01.003
[9]	FENG J X. The influence of built environment on travel behavior of the elderly in urban China[J]. Transportation Research Part D: Transport and Environment, 2017, 52: 619-633. doi: 10.1016/j.trd.2016.11.003
[10]	YANG L C. Modeling the mobility choices of older people in a transit-oriented city: policy insights[J]. Habitat International, 2018, 76: 10-18. doi: 10.1016/j.habitatint.2018.05.007
[11]	SZETO W Y, YANG L C, WONG R C P, et al. Spatio-temporal travel characteristics of the elderly in an ageing society[J]. Travel Behaviour and Society, 2017, 9: 10-20. doi: 10.1016/j.tbs.2017.07.005
[12]	YANG H T, LUO P, Li C, et al. Nonlinear effects of fare discounts and built environment on ridesplitting adoption rates[J]. Transportation Research Part A: Policy and Practice, 2023, 169: 103577.1-103577.16.
[13]	YANG L C, LIU J X, LIANG Y, et al. Spatially varying effects of street greenery on walking time of older adults[J]. ISPRS International Journal of Geo-Information, 2021, 10(9): 596.1-596.17.
[14]	XIAO Y, LU Y, GUO Y, et al. Estimating the willingness to pay for green space services in Shanghai: implications for social equity in urban China[J]. Urban Forestry & Urban Greening, 2017, 26: 95-103.
[15]	JAMES P, BANAY R F, HART J E, et al. A review of the health benefits of greenness[J]. Current Epidemiology Reports, 2015, 2(2): 131-142. doi: 10.1007/s40471-015-0043-7
[16]	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. Journal of Transport Geography, 2021, 92: 103034.1-103034.12.
[17]	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: 103099.1-103099.10.
[18]	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: 103063.1-103063.16.
[19]	SU L L, ZHOU S H, KWAN M P, et al. The impact of immediate urban environments on people’s momentary happiness[J]. Urban Studies, 2022, 59(1): 140-160. doi: 10.1177/0042098020986499
[20]	朱庆,陈兴旺,丁雨淋,等. 视觉感知驱动的三维城市场景数据组织与调度方法[J]. 西南交通大学学报,2017,52(5): 869-876. doi: 10.3969/j.issn.0258-2724.2017.05.005 ZHU Qing, CHEN Xingwang, DING Yulin, et al. Organization and scheduling method of 3D urban scene data driven by visual perception[J]. Journal of Southwest Jiaotong University, 2017, 52(5): 869-876. doi: 10.3969/j.issn.0258-2724.2017.05.005
[21]	张昀昊,朱军,李维炼,等. 面向多样化终端的自适应网络三维可视化方法[J]. 西南交通大学学报,2019,54(5): 989-996. doi: 10.3969/j.issn.0258-2724.20180399 ZHANG Yunhao, ZHU Jun, LI Weilian, et al. Adaptive web 3D visualization method for diverse terminals[J]. Journal of Southwest Jiaotong University, 2019, 54(5): 989-996. doi: 10.3969/j.issn.0258-2724.20180399
[22]	朱军,吴思豪,张昀昊,等. 大规模道路交通数据网络轻量化可视化方法[J]. 西南交通大学学报,2021,56(5): 905-912. ZHU Jun, WU Sihao, ZHANG Yunhao, et al. Lightweight web visualization of massive road traffic data[J]. Journal of Southwest Jiaotong University, 2021, 56(5): 905-912.

施引文献

期刊类型引用(11)

1.	洪少枝，粟琬清，施致远，汪祺. 基于混合Logit模型的建成环境对郊区老年人出行方式选择的影响. 综合运输. 2025(04): 3-10 . 百度学术
2.	杨皓森. 建成环境对骑行行为的非线性影响——基于机器学习模型. 城市建筑. 2024(02): 98-100 . 百度学术
3.	杨振珑，黄文成，法慧妍，范成敬. 基于Kolmogorov熵权的城市轨道交通网络节点重要度识别算法. 交通运输工程与信息学报. 2024(01): 139-149 . 百度学术
4.	魏东，喻冰洁，杨林川. 社区建成环境对老年人步行时长的影响及优化策略——以成都市为例. 新建筑. 2024(01): 98-103 . 百度学术
5.	杨林川，唐祥龙，杨皓森，石亚灵. 机器学习支持下的老年人步行环境满意度与适老环境改善策略研究. 西部人居环境学刊. 2024(02): 35-40 . 百度学术
6.	岳亚飞，杨东峰，徐丹，陈石，李沛颖. 适应于老年人心理健康的住区环境优化：概念模型与研究框架. 西部人居环境学刊. 2024(02): 1-7 . 百度学术
7.	何明卫，纳静笠，朱权，荀丽梅. 城市小汽车用户公交使用的影响因素分析. 重庆交通大学学报(自然科学版). 2024(05): 99-105 . 百度学术
8.	肖茹，冯悦. 基于绿视率的街道空间步行环境优化策略研究——以龙骧大街历史文化街区为例. 智能建筑与智慧城市. 2023(08): 66-69 . 百度学术
9.	夏浩，吴静娴，沈逸凡. 基于地理加权回归的建成环境与通勤距离关系研究. 中国水运. 2023(11): 151-153 . 百度学术
10.	窦汝桐，于慎波，孙凤，夏鹏澎，横井浩史，姜银来. 7自由度仿人机械臂工作空间求解的降密蒙特卡洛法. 西南交通大学学报. 2023(06): 1328-1338 . 本站查看
11.	夏浩，吴静娴，沈逸凡. 基于地理加权回归的建成环境与通勤距离关系研究. 中国水运. 2023(21): 151-153 . 百度学术