EN中文

Landscape Architecture >

2024 , Vol. 31 >Issue 4: 44 - 52

DOI: https://doi.org/10.3724/j.fjyl.202310120460

Special: Habitat for Promoting Health Behaviors

Association and Interaction Between Built Environment and Outdoor Jogging Based on Crowdsourced Geographic Information

  • YANG Wei ,
  • HU Jie ,
  • LIU Yong , *
Expand
  • School of Management Science and Real Estate, Chongqing University

YANG Wei (Tujia), Ph.D. is an associate professor in the School of Management Science and Real Estate, Chongqing University. His research focuses on trajectory big data mining, behavior health, urban computing, and GeoAI

HU Jie, Master, is an assistant research fellow in the Committee of Housing and Urban-Rural Development of Rongchang District, Chongqing. Her research focuses on trajectory data analysis, urban planning and design

LIU Yong, Ph.D., is a professor in the School of Management Science and Real Estate, Chongqing University. His research focuses on land resource management, urban ecology, and urban geography

Received date: 2023-10-12

  Online published: 2025-12-15

Copyright

Copyright © 2024 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Outdoor jogging has been gaining popularity worldwide thanks to its various health, social and environmental benefits. Optimizing the design of urban built environment is an effective way to promote outdoor jogging activities for urban residents. To achieve this, it is necessary to clarify the association and interaction between urban built environment and outdoor jogging activities. However, the existing research mainly focuses on the independent effects of single factors on jogging activities, while neglecting the interactive effects between built environment factors and the spatio-temporal differences in their impacts. To this end, this research aims to analyze the association and interaction between urban built environment and jogging behavior, so as to provide a scientific basis for creating a human-friendly living environment.
[Methods] Firstly, this research utilizes crowdsourced geographic information to measure outdoor jogging activities and urban built environments at a large scale. Specifically, jogging flow is calculated with jogging GPS trajectory data collected from the Edooon sport app. Eight built environment factors selected from the three dimensions of attractiveness, vibrancy and accessibility are calculated using multi-source spatial data, such as Baidu street view images, point of interest (POI) data and road data. Secondly, the Geographic Detector model is employed to investigate the associations and interactions between built environment factors and jogging behaviors. Thirdly, jogging flow is categorized into three types (morning peak, night peak and off-peak) at hourly scale, two types (weekdays and weekends) at daily scale, and four types (residential, commercial, industrial and recreational) based on land use type. Then, the variations in the aforesaid associations and interactions are explored and analyzed from the perspective of different time and different land use types with the Geographic Detector model.
[Results] Empirical analysis is conducted with real jogging-related GPS trajectory data recorded by the sports app of 9,860 users in Chengdu City, China. Results show that population density, land use mix, and density of public transit station are core factors determining the spatial distribution of outdoor jogging. Across different time scales, the eight built environment factors, including green view index (GVI), normalized difference vegetation index (NDVI), park density, population density, land use mix, retail store density, road intersection density and bus stop density, have a significant impact on jogging activities. The explanatory power of different built environment factors varies significantly across different land use types. For example, the impact of park density on jogging is significantly greater in recreational land than in industrial or commercial land. Nevertheless, for industrial land, only three indicators, namely population density, land use mix, and accessibility, have significant impacts on outdoor jogging. Significantly, the explanatory power of interacted built environment factors for jogging flow is greater than that of single factors. This indicates that the differences in spatial distribution of jogging flow result from the combined effects of multiple built environment factors. The interaction between population density and land use mix explains the spatial variation of jogging activities to an extent of 50%. The interactive effects of some environmental factors on jogging may change over time and land use types. For instance, during morning peak period, outdoor jogging is more affected by the interaction of park density, GVI, and land use diversity in Chengdu. In contrast, outdoor jogging during the evening peak period is mainly affected by the interaction of population density, bus stop density, and land use diversity. The core interacting factors affecting the distribution of jogging flow in residential and commercial areas are population density and land use mix. In contrast, the core interacting factors in recreational and industrial areas are land use mix and park density. The interactive effects between population density/land use mix and other built environment factors may be synergistically enhanced, and the explanatory power of these core interaction factors varies over space and time. For example, after the interaction of two built environment factors, the explanatory power may increase by more than 10% in commercial land, 20% in industrial land, while only around 7% in residential land. These differential impacts will help planners formulate targeted design strategies for environmental intervention.
[Conclusion] This research utilizes crowdsourced geographic information and a geographic detector model to establish multiple detection models, identifying the dominant built environment factors affecting outdoor jogging activities and quantitatively measuring the interactive effects of different built environment factors. Crowdsourced geographic information provides a new, extensive, and cost-effective means for measuring human activities and built environment characteristics. The interactive effects of multiple built environment factors on outdoor jogging activities are greater than those of single factors, exhibiting both dual-factor enhancement and nonlinear enhancement effects. Moreover, the interactive effects of built environment factors on outdoor jogging vary with time and land use types. This variability reflects the behavioral decisions of urban residents under the constraints of multiple scenarios, such as time (e.g., leisure time, commuting time), space (e.g., location), infrastructure (e.g., transportation infrastructure, sports facilities), and environment (e.g., visual environment, safety). A systematic analysis of the interactions between built environment and outdoor jogging may support health-oriented urban design.

Key words： outdoor jogging; crowdsourced geographic information; GPS trajectory; geographic detector model; association and interactive effect

Cite this article

YANG Wei , HU Jie , LIU Yong . Association and Interaction Between Built Environment and Outdoor Jogging Based on Crowdsourced Geographic Information[J]. Landscape Architecture, 2024 , 31(4) : 44 -52 . DOI: 10.3724/j.fjyl.202310120460

快速城市化背景下，城市居民高度依赖机动交通出行和久坐办公的生活方式导致体力活动水平大幅下降[1-2]。缺乏体力活动加剧了肥胖、心血管疾病等慢性疾病的发生，并已成为全球十大死亡风险因素[3]。户外慢跑作为简单、绿色的有氧体力活动，是降低慢性疾病发生风险、提升公共健康水平的重要方式之一[1]。慢跑不仅是一种增强体质、拓宽社交[4-5]的户外健身休闲活动，在西方国家还是一种通勤交通方式[6]。通过城市空间优化的主动式环境干预，建立支持或促进户外慢跑的人居环境，是解决体力活动不足的有效路径[1, 3]。而厘清城市建成环境与慢跑活动之间的关联关系，是达成上述目标的前提。
户外慢跑作为与城市公共空间紧密关联的体力活动，主要发生在公园、体育场、街道等场所[7-8]。基于“建成环境-体力活动-健康效应”的关系认知[8-9]，探究城市建成环境与慢跑行为的关联关系，已成为地理学、城市规划、行为学等多学科的研究热点[9-11]。依据分析数据的差异，相关工作可归纳为基于“小数据”和基于“大数据”两大类[5, 10]。
基于“小数据”的研究多通过调查问卷、出行日志、观察访谈等方式在小范围内收集慢跑行为数据[12-13]。例如，已有研究基于调查问卷数据，发现街道光线不会影响慢跑频率[12]，具有吸引力的邻里建成环境则会促进女性的慢跑活动[13]。尽管传统“小数据”的方法具有结构化、属性信息完整等优势，但存在成本高、样本量小等问题，限制了研究结论的普适性，且难以在城市大尺度上揭示慢跑活动的时空分异，制约了实际效用[5, 10]。
随着信息技术的发展和志愿者地理信息（volunteered geographic information）的出现，基于“大数据”的研究不断涌现[14-16]。相关研究利用App追踪软件（如Strava、益动Edooon、咕咚）、运动门户网站（如两步路户外网）记录的行为轨迹来测度行为特征[5-8]；利用众源地理信息[17]如街景图片、遥感影像等来量化环境特征与质量[5-8, 18-19]。基于测度结果，采用线性回归[8-9]、空间统计[10]、机器学习[6]等模型探究建成环境对于户外慢跑行为的线性和非线性影响[4-5]探明了人口密度、土地利用混合度、绿色空间、道路交叉口密度等[5-8, 18-19]建成环境因子显著影响户外慢跑。但上述研究多关注单一因子对慢跑活动的独立影响，忽略了因子间的交互影响及影响的时空差异，且相关工作仍未解析在不同时段和不同土地利用类型下多建成环境因子对于慢跑的交互影响。
综上，利用众源地理大数据刻画户外慢跑行为时空特征、测度城市建成环境，深入探析建成环境与慢跑活动行为之间的关联交互关系，对于应对公共健康问题具有现实意义。因此，本研究以成都市为例，利用益动App记录的慢跑GPS轨迹刻画户外慢跑行为，利用多源地理大数据量化建成环境；引入地理探测器模型，分别从时、空维度建立多个探测模型，识别影响慢跑活动的关键建成环境因子和剖析不同因子间的交互作用。研究结果可为构建慢跑友好型城市建成环境提供决策建议。

1 数据与方法

1.1 研究区概况

成都市位于四川盆地西部、成都平原腹地（图1），背靠龙门山和龙泉山，属亚热带季风气候，年平均气温16 ℃，气候宜人。区域内地势平坦、河网纵横、风景秀丽，被称为休闲之都。作为四川省的省会、成渝双城经济圈的核心城市，成都市常住人口达2 119.2万人[10]。主城区道路由市中心向四周呈放射状延伸，道路平坦且多人行步道。成都市优越的气候、地形等自然条件和休闲健身文化引导，给该区居民户外慢跑创造了良好环境[10]。本研究以成都四环以内区域为研究范围，以交通小区（traffic analysis zone, TAZ）为基本分析单元。TAZ将城市区域划分成一系列相对均匀、具有相似交通和土地利用特征的地理单元，是分析居民、车辆出行及分布的最小空间单元[3-4]。选择TAZ作为分析单元主要有两方面原因。1）慢跑轨迹以中短距离为主，且有大量绕圈慢跑轨迹分布在公园、社区、学校等区域内[5-6]。相比常规的空间格网和缓冲区单元，TAZ更适合聚合分析慢跑轨迹。2）利用城市路网自然分割生成的TAZ单元与社区居民活动范围基本一致[3]，更适于城市研究和规划实践。因此，本研究采用路网分割方法来生成TAZ单元[5]。研究区域共有2 903个TAZ（图1）。
图1 研究区域和研究单元TAZ

Fig. 1 Study area and TAZ

1.2 数据来源

1.2.1 慢跑轨迹数据

慢跑GPS轨迹由益动App记录[5, 10]，不涉及个人隐私。慢跑轨迹数据包括用户ID、时间、经纬度等内容，采样间隔2~10 s，平均采样间隔为4~5 s，手机定位误差10~30 m（图2）。轨迹采集时间为2014年1月—2015年12月。2013—2017年，益动与咕咚、悦跑为中国最流行的三大户外休闲健身追踪软件，拥有较高的用户量[5, 10]，益动App采集的轨迹数据已广泛用于慢跑模式挖掘[20]、行为分析[5, 10, 21]等。对原始轨迹数据进行异常剔除、噪声平滑[10]后，最终得到9 860个用户的80 307条慢跑行程轨迹参与实验。
图2 原始慢跑GPS轨迹

Fig. 2 Raw jogging GPS trajectory data

1.2.2 百度街景图片

百度街景图片用于计算绿视率（green view index, GVI）[22-23]，分3步进行处理：1）以100 m为采样间隔沿路网生成街景采样点[5]，共生成29 835个采样点；2）通过百度应用程序编程接口采集每一个采样点的4个方向（0°、90°、180°、270°）的街景图像；3）对街景图片进行预处理后[5, 22]（共采集到119 340张有效街景图片），采用DeepLab V3+模型对街景图片进行语义分割[5, 10]，获取每张图片中的语义要素（图3）。
图3 百度街景图片采集与语义分割

Fig. 3 Baidu street view images collection and semantic segmentation

1.2.3 其他空间数据

兴趣点（points of interest, POI）、城市路网、公园绿地等数据来自百度和高德在线地图[5, 10]。POI数据用于表征土地利用特征和区域活力（零售店密度、公交站密度）。利用分辨率为30 m的Landsat 8遥感影像提取归一化植被指数（normalized difference vegetation index, NDVI）[23]。使用联通手机信令位置数据估计区域人口密度指标[24]。根据成都市中心城区控规示意图判定各TAZ所属的土地利用类型（居住、商业、工业、休闲娱乐）。

1.3 指标计算

参照已有研究[5]，利用ArcGIS空间关联和统计工具分时段计算每个TAZ内的慢跑流量，并作为因变量。参考国内外文献[5-10]，建成环境因子（自变量）分别从吸引力、活力度、可达性3个维度进行选取（表1）。
表1 指标分类及其信息描述

Tab. 1 Indicator classification and description

类别 指标名称 解释说明
因变量 慢跑流量 TAZ内慢跑轨迹数量
自变量 吸引力 GVI（X 1） TAZ 1 km缓冲区内街景采样点的绿视率均值
NDVI（X 2） TAZ 1 km缓冲区内NDVI均值
公园密度（X 3） TAZ 1 km缓冲区内单位面积公园数量
活力度 人口密度（X 4） TAZ 1 km缓冲区内单位面积手机用户数量
土地利用混合度（X 5） TAZ 1 km缓冲区内居住、工业、商业、休闲娱乐4类POI的信息熵
零售店密度（X 6） TAZ 1 km缓冲区内单位面积零售店POI数量
可达性 道路交叉口密度（X 7） TAZ 1 km缓冲区内单位面积道路交叉口数量
公交站密度（X 8） TAZ 1 km缓冲区内单位面积公交站数量
1）吸引力。已有研究[23, 25-26]表明绿色空间对于体力活动具有明显的吸引作用。因此，选取GVI（用X 1指代）、NDVI（用X 2指代）和公园密度（用X 3指代）3个指标来衡量建成环境对慢跑的吸引力。考虑到建成环境对慢跑流量影响的溢出效应，本研究以TAZ外延1 km缓冲区来计算各建成环境指标[5]。其中，公园密度为TAZ缓冲区内单位面积的公园数量。NDVI从Landsat 8遥感影像中提取后，利用ArcGIS软件将NDVI值聚合到TAZ单元。任意一个街景采样点的GVI值为该点4张街景图片的绿视率平均值，计算式
$ {X}_{1}=\frac{\displaystyle\sum\nolimits_{i=1}^{4}{A}_{s\_i}}{{\displaystyle\sum }_{i=1}^{4}{A}_{t\_i}}\text{，} $
式中：$ {A}_{s\_i} $为第$ i $张图像中绿色植被的像素量；$ {A}_{t\_i} $为第$ i $张图像的总像素量。
2）活力度。区域活力对于居民户外活动具有显著影响[24, 27-28]。因此，本研究基于已有研究[5-8]选取人口密度（用X 4指代）、土地利用混合度（用X 5指代）、零售店密度（用X 6指代）3个指标来表征区域活跃度。其中，人口密度为TAZ单位面积内联通手机用户数量，零售店密度为TAZ内单位面积零售店POI数量，土地利用混合度为TAZ内居住、工业、商业、休闲娱乐4类POI数量的信息熵指数，计算式
$ {X}_{5}=-\left[\sum\nolimits_{j=1}^{k}{p}_{i}\mathrm{l}\mathrm{n} （{p}_{j}）\right]/\mathrm{l}\mathrm{n} （k） \text{，} $
式中：$ {p}_{j} $为TAZ内类型为$ j $的POI占比（$ j $=居住、工业、商业、休闲娱乐）；$ k\geqslant 2 $，是TAZ内类型为$ j $的POI数量。
3）可达性。目的地可达性作为居民活动出行的重要影响因素[5]，本研究选取道路交叉口密度（用X 7指代）、公交站密度（用X 8指代）2个指标来测度。以TAZ内单位面积的道路交叉口数量和公交站点数量来衡量可达性。

1.4 地理探测器模型

地理探测器模型作为探测空间分异性及解释背后驱动力因素的一种空间统计方法[28-30]，已广泛应用于人类健康、生态环境等多学科领域[28-31]，其核心思想是如果自变量对因变量的贡献程度越大，则自变量与因变量在空间上具有越高的相似性，自变量是造成因变量空间分布的驱动因素，且能同时定量测度多个自变量之间的交互作用（交互强度、交互类型）以及对于因变量的解释力（或解释程度）[29]。本研究用因子探测器和交互探测器来分析建成环境对于慢跑的关联交互作用。因子探测器计算式[29-30]
$ q=1-\frac{{S}_{w}}{{S}_{T}} \text{，} $
$ {S}_{w}=\sum\nolimits_{h=1}^{L}{N}_{h}{\sigma }_{h}^{2}\text{，} $
$ {S}_{T}=N{\sigma }^{2} \text{，} $
式中：$ q $为慢跑流量空间分布影响因子解释力；$ L $表示因子x或者变量y（慢跑流量）的分层；$ N $和$ {N}_{h} $分别表示实验区域样本单元数量和层h的单元数量；$ {\sigma }_{h}^{2} $和$ {\sigma }^{2} $分别是层h和全区y值的方差；$ {S}_{w} $为层内方差之和；$ {S}_{T} $为全区总方差。$ q $∈[0，1]，数值越大，表示y的空间分异性越明显。若分层根据因子x产生，则$ q $值表示因子x对变量y的因子解释力，$ q $越大，因子解释力越大。
交互探测器用于识别不同因子之间的交互影响，核心思想为：评估因子$ {x}_{1} $和$ {x}_{2} $共同作用时，对因变量y的解释力是增强还是减弱，或者这些因子对于y的影响相互独立。首先分别计算2种因子$ {x}_{1} $和$ {x}_{2} $对y的$ q $值，即$ q（ {x}_{1} ） $和$ q （ {x}_{2} ） $，然后计算2个因子空间分布叠加时的 $ q $ 值，即$ q（ {x}_{1}\cap {x}_{2} ） $，并对$ q（ {x}_{1} ） $、$ q（ {x}_{2} ） $与$ q（ {x}_{1}\cap {x}_{2} ） $进行比较，确定交互作用类型（表2）。
表2 交互探测中的因子关系

Tab. 2 The relation of factor in interaction detection

因子关系 交互作用
$ q （ {x}_{\text{1}}\cap {x}_{2} ） < Min\left\{q （ {x}_{1} ） ，q （ {x}_{2} ）\right\} $ 非线性减弱
$ \begin{array}{c} Min\left\{q （ {x}_{1} ） ，q （ {x}_{2} ）\right\} < q （ {x}_{\text{1}}\cap {x}_{2} ） < \\ Max\left\{q （ {x}_{1} ） ，q （ {x}_{2} ）\right\} \end{array}$ 单因子非线性
减弱
$ q （ {x}_{\text{1}}\cap {x}_{2} ） > Max\left\{q （ {x}_{1} ） ，q （ {x}_{2} ）\right\} $ 双因子增强
$ q （ {x}_{\text{1}}\cap {x}_{2} ）=Max\left\{q （ {x}_{1} ） ，q （ {x}_{2} ）\right\} $ 独立
$ q （ {x}_{\text{1}}\cap {x}_{2} ） > q （ {x}_{1} ）+q （ {x}_{2} ） $ 非线性增强

2 研究结果

2.1 慢跑活动时空特征

2.1.1 慢跑活动轨迹特征

从轨迹距离看，慢跑平均距离为6.24 km，表明成都市居民户外慢跑以中、短距离为主。其中2 km以下的轨迹行程数量约占总轨迹的18%；2~4 km和4~6 km的轨迹数量分别占总数量的26%、32%。随着轨迹距离的增加，轨迹数量减少，符合地理学的距离衰减规律。户外慢跑平均时间为29.81 min，且32 min以下的轨迹数量约占总轨迹81.41%（图4）。
图4 慢跑轨迹运动特征和慢跑流量时间分布

Fig. 4 Movement characteristics of jogging trajectory and time distribution of jogging flow

2.1.2 慢跑活动时间分布特征

慢跑活动在一天中不同时段和工作日/休息日中存在明显差异（图4）。户外慢跑呈现早（05：00—10：00）、晚（17：00—22：00）高峰，峰值点分别为06：00和20：00（图4-3）。表明成都市居民以晨跑和夜跑为主，且与居民通勤高峰基本错开。休息日早高峰时段的慢跑流量高于工作日，晚高峰反之（图4-4）；且休息日高峰峰值（07：00）比工作日（06：00）延后1 h，而晚高峰则基本相同。其原因是工作日早上通勤时间紧张，相对制约了部分居民的慢跑休闲活动[5, 10]，而晚上由于休闲时间充足，居民户外慢跑活动明显增加[5]。同时，一些慢跑狂热者[5, 20]则会呈现一些非常规活动行为，如在22：00到次日05：00仍有少量慢跑活动。

2.1.3 慢跑活动空间特征

户外慢跑多集中在三环以内（图5），呈现由市中心向四周递减的放射状空间分布格局，位于府河、南河以及清水河附近的TAZ承载了较高的慢跑流量。成都三环以内区域人口密度高，奠定了慢跑基数，体育休闲基础设施完善进一步吸引慢跑活动。同时，成都市沿河建有较多带状滨江公园和绿色步道，且环境优越（水景、绿色空间等），为慢跑活动提供了适宜的场所[10]。
图5 慢跑流量空间分布可视化（5-1）与慢跑轨迹密度可视化（5-2）

Fig. 5 Visualization of spatial distribution of jogging flow (5-1) and visualization of jogging trajectory density (5-2)

2.2 总体关联交互分析

2.2.1 因子探测结果

8个因子均对总体慢跑流量具有显著性影响（p值<0.01，表3）。各因子解释力大小依次是：人口密度（0.423 0）>土地利用混合度（0.414 9）>公交站点密度（0.375 7）>零售店密度（0.253 4）>公园密度（0.246 8）>道路交叉口密度（0.197 8）>GVI（0.113 5）>NDVI（0.082 9）。人口密度对慢跑流量影响最大，其次是土地利用混合度和公交站点密度，这与已有研究结论相同[3, 5, 10]。城市居民通常选择在居住区附近的社区公园或街道慢跑，而这些区域土地利用混合度高、交通可达性好、人口密度较高[10, 18]。区域活力因子对于慢跑流量的影响超过可达性和吸引力指标，原因包括活力高的区域一般可达性较好、人口密度大，且安全性较高（夜跑更关注安全）[5, 30]。相比于俯视视角的NDVI（q值为0.082 9），城市居民对户外慢跑场所的选择更关注人视角的GVI（q值为0.113 5），与已有研究结果一致[4-5, 32]。这表明需重视绿色空间，尤其绿视率在慢跑好友型环境中的干预设计。
表3 建成环境因子与慢跑总流量的因子探测结果

Tab. 3 Factor detection results between built environment factors and total jogging flow

指标类型 指标 q值 p值
吸引力 GVI 0.1135 0
NDVI 0.0829 0
公园密度 0.2468 0
活力度 人口密度 0.4230 0
土地利用混合度 0.4149 0
零售店密度 0.2534 0
可达性 道路交叉口密度 0.1978 0
公交站密度 0.3757 0

2.2.2 交互探测结果

建成环境因子两两交互后对总体慢跑流量的解释力均大于单因子（表4），这表明慢跑流量的空间分布差异是多建成环境因子共同作用的结果[26]。其中，人口密度和土地利用混合度二者交互对慢跑流量的解释力度最高（X 4∩X 5，q值为0.498 8），即在50%程度上解释了慢跑流量的空间分异现象。人口密度、土地利用混合度与其他自变量交互后，对慢跑流量分异的影响产生了非线性增强和双因子增强效应，解释力都在40%以上。这表明人口密度和土地利用多样性对城市居民户外健身慢跑具有重要影响。
表4 建成环境因子与慢跑总流量的交互探测结果

Tab. 4 Interaction detection results between built environment factors and total jogging flow

因子 X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8
X 1 0.113 5
X 2 0.223 9 0.082 9
X 3 0.314 2 0.301 8 0.246 8
X 4 0.481 8 0.431 6 0.466 4 0.423 0
X 5 0.473 9 0.436 1 0.486 5 0.498 8 0.414 9
X 6 0.383 8 0.283 4 0.387 2 0.456 1 0.498 1 0.253 4
X 7 0.332 6 0.234 0 0.363 9 0.452 1 0.491 3 0.306 7 0.197 8
X 8 0.4439 0.394 2 0.431 2 0.466 4 0.486 5 0.387 2 0.363 9 0.375 7

2.3 不同时间段下的关联交互分析

根据慢跑流量时间分布（图4），在小时尺度将慢跑流量分为3类：早高峰（05：00—10：00）、晚高峰（17：00—22：00）、非高峰（其他时间段）；在全天尺度将慢跑流量分为2类：工作日和休息日。对5类慢跑流量分别建立地理探测器模型进行因子探测（表5）和交互探测（表6）。
表5 不同时间段下的因子探测结果

Tab. 5 Factor detection results at different periods

指标类型 指标 早高峰 晚高峰 非高峰 工作日 休息日
吸引力 GVI 0.1163 0.1093 0.1025 0.1160 0.1045
NDVI 0.0462 0.0946 0.0790 0.0873 0.0686
公园密度 0.2182 0.2602 0.2039 0.2482 0.2408
活力度 人口密度 0.3179 0.4725 0.3859 0.4364 0.3820
土地利用混合度 0.3245 0.4521 0.3605 0.4226 0.3857
零售店密度 0.1830 0.2910 0.2126 0.2626 0.2254
可达性 道路交叉口密度 0.1420 0.2405 0.1476 0.2048 0.1761
公交站密度 0.2560 0.4382 0.3180 0.3896 0.3322
表6 不同时间段下的因子交互结果（部分）

Tab. 6 Factor interaction results at different periods (partial)

早高峰 晚高峰 非高峰 工作日 休息日
交互 q值 交互 q值 交互 q值 交互 q值 交互 q值
X 3∩X 5 0.401 9 X 4∩X 5 0.549 8 X 5∩X 7 0.455 6 X 4∩X 5 0.510 7 X 5∩X 7 0.469 1
X 1∩X 5 0.394 2 X 5∩X 8 0.535 1 X 5∩X 6 0.447 7 X 5∩X 6 0.506 2 X 5∩X 6 0.466 6
X 5∩X 6 0.392 5 X 5∩X 6 0.534 9 X 4∩X 5 0.446 4 X 5∩X 7 0.496 4 X 4∩X 5 0.460 7
X 5∩X 7 0.388 5 X 5∩X 7 0.526 4 X 5∩X 8 0.431 2 X 1∩X 4 0.494 5 X 3∩X 5 0.458 6
1）主导因子分析。不同时间段下的因子探测结果（表5）表明：8个建成环境因子在所有模型中都具有显著影响。人口密度、土地利用混合度、公交站点密度的q值在各个模型中都较高，说明3个因子对居民户外慢跑影响产生稳定的显著影响。此外，GVI的解释力均高于NDVI，表明视觉绿色对于慢跑更具影响力，这与已有研究结论一致[5, 33]，其原因在于，慢跑用户多注重环境质量，期望通过环境视觉感知来提升幸福感和愉悦感[5]。不同模型结果的差异性体现在：早高峰、休息日模型中解释力最大的指标因子为土地利用混合度，而其他3个模型则是人口密度。土地利用混合度高的区域可提供多样的活动选择（如休憩、就餐、工作等），利于缓解早高峰时段健身锻炼与通勤之间的时间冲突[4-5]。而休息日由于休闲时间充足，居民慢跑不局限于居住区附近，会选择用户偏好的场所慢跑或约跑[6, 20]。在早高峰和休息日模型中，公园密度的解释力度大于零售店密度，表明在早上及休息日，居民慢跑更趋于选择绿色空间[10]。
2）交互作用分析。 在5个模型中，土地利用混合度与其他因子交互组合，多形成“1+1>2”的互补增强效应。模型结果差异体现在：早高峰时段的慢跑活动受到公园密度、GVI和土地利用混合度交互作用更大；而晚高峰时段的户外慢跑主要受到人口密度、公交站密度与土地利用混合度交互的影响。这与城市居民对慢跑场所的选择有关。居民晨跑多选择公园、绿道等环境质量高的地方[10, 18]；夜跑考虑到安全问题，居民多选择通达性好、人口密度高的区域[5-6]。在工作日，人口密度与土地利用混合度交互作用最大；休息日则是道路交叉密度与土地利用混合度交互作用最大。工作日受通勤影响，时间灵活度低，居民多就近选择活动场所锻炼[10]；而在休闲时间充裕的休息日，居民更多选择通达性较好、环境适宜的场所进行休闲慢跑[5, 10]。上述建成环境因子交互影响的时变性多受到时间、环境、个体偏好等因素的综合影响，如何集成多源数据，深度解析行为选择背后的驱动机制是未来值得研究的方向。

2.4 不同土地利用类型下的关联交互分析

考虑到不同土地利用类型上人类活动与环境之间的交互具有差异性[18, 31]，本研究将研究区域划分为4类：居住、商业、工业、休闲娱乐。分别对4类慢跑流量建立地理探测器模型进行因子探测（表7）和交互探测（表8）。
表7 不同土地利用类型下的因子探测结果

Tab. 7 Factor detection results under different land use types

指标类型 指标 居住 商业 工业 休闲娱乐
吸引力 GVI 0.1306 0.1965 0.0237 0.1069
NDVI 0.0753 0.1399 0.0692 0.1042
公园密度 0.2065 0.2585 0.1192 0.3958
活力度 人口密度 0.4061 0.5097 0.3206 0.5075
土地利用混合度 0.4026 0.4234 0.3546 0.4994
零售店密度 0.2175 0.3797 0.1393 0.3000
可达性 道路交叉口密度 0.1810 0.2311 0.1936 0.2737
公交站点密度 0.3605 0.4509 0.3037 0.4949
表8 不同土地利用类型下的因子交互结果（部分）

Tab. 8 Factor interaction results under different land use types (partial)

居住 商业 工业 休闲娱乐
交互 q值 交互 q值 交互 q值 交互 q值
X 4∩X 5 0.477 6 X 4∩X 5 0.636 4 X 3∩X 5 0.539 1 X 3∩X 5 0.642 6
X 3∩X 5 0.477 5 X 5∩X 6 0.620 2 X 1∩X 5 0.527 8 X 1∩X 5 0.629 7
X 5∩X 6 0.477 4 X 5∩X 8 0.619 6 X 2∩X 5 0.520 0 X 4∩X 5 0.606 1
X 1∩X 4 0.466 5 X 1∩X 4 0.618 4 X 5∩X 6 0.473 8 X 1∩X 4 0.603 6
1）主导因子分析。对于工业用地，仅有人口密度、土地利用混合度和可达性3个指标具有显著性影响，且解释力度依次为：土地利用混合度（0.354 6）>人口密度（0.320 6）>道路交叉口密度（0.193 6）；而对于居住、商业和休闲娱乐用地，8个建成环境因子对慢跑活动均为显著影响（p <0.01），且各模型中同一因子的解释力差异较小（表7）。对比各模型中的因子解释力排序，休闲娱乐用地中的公园密度贡献较大，不同于居住和商业用地，这表明城市公园（绿色空间）是吸引户外慢跑的重要场所[23, 32]。
2）交互作用分析。与总体关联交互分析结果相似，交互解释力较强的组合仍是土地利用混合度与人口密度，或这2个因子与其他建成环境因子（如GVI、公园密度）的组合。划分土地利用类型后的交互探测结果（表8）表明，建成环境因子的交互效应对于慢跑流量的解释力明显提升。商业和休闲娱乐用地的因子交互作用能在60%程度上解释慢跑活动空间分异。其中，商业和休闲娱乐用地的双因子交互后的解释力都提高了10%以上，工业用地提高了20%，而居住用地仅提高了7%左右。这说明居住用地的慢跑多受到人口密度、土地利用混合度等单因子的影响；对于工业用地，单因子解释力度较低，双因子交互作用解释力度明显提高。分析原因为：居住用地的居民多选择就近休闲慢跑，而可供选择的场所不多，因此单因子影响更大；工业用地由于休闲基础设施不够完善、环境质量不高，该区域内的居民多选择前往其他建成环境更适宜的区域进行慢跑[31]，故因子交互解释力显著提升。对于商业和休闲娱乐用地，单因子和双因子交互的解释力都较高，这与预期结果一样。这些区域人口密度高、交通可达性好、休闲基础设施完备（有城市公园、广场、运动场等），能吸引健身慢跑者。综上，对于不同土地利用功能区域，建成环境因子交互对于慢跑影响具有显著差异，这将有助于分类制定针对性的环境干预设计策略。

3 讨论

3.1 关联影响分析

从总体上看，人口密度、土地利用混合度、公交站密度是慢跑活动分布的核心作用因子，且GVI的解释力均高于NDVI。人口密度保证了区域内的慢跑活动量，同时在一定程度上提升了区域活力与安全感（对于夜跑尤为重要），这与已有研究结论[4-5]一致。以休闲健身为目的的户外慢跑活动多发生在居住社区、低等级道路、城市公园、学校运动场等区域[33]。这些慢跑场所往往具有较高的土地利用混合度，而非单一土地利用类型。这也印证已有研究[33]：多样性的土地利用在一定程度上可以促进居民户外慢跑。在运动基础设施供给与体力活动需求（城市人口集聚）不匹配的背景下，城市居民（特别一些慢跑爱好者）多在工作地、居住地一定范围内寻找优质的慢跑场所[5]，故交通因素亦显著作用于慢跑。

3.2 交互影响分析

不同于以往研究[4-5]仅关注单个建成环境因子对于慢跑活动的影响，本研究建立多个模型，分别在不同时间、不同土地利用类型下探究多个建成环境因子对于慢跑活动的交互影响。从总体上看，建成环境因子交互的解释力均大于单一因子，且均为双因子增强和非线性增强效应。其中，人口密度和土地利用混合度二者的交互在50%程度上解释了慢跑活动的空间分异。人口密度、土地利用混合度与其他自变量交互后产生了非线性增强和双因子增强效应。从时间动态视角看，建成环境因子对慢跑活动的交互影响具有时变性。早高峰模型的核心交互因子是公园密度和土地利用混合度，非高峰和休息日模型的核心交互因子是土地利用混合度和道路交叉口密度；土地利用混合度与其他因子交互组合后均形成互补增强效应。这种时变性是慢跑用户在受到时间（如通勤时间）、交通可达性、基础设施分布等多重约束下的行为选择结果[33]。从土地利用差异视角看，交互影响随着土地利用类型变化而显著变化。居住区和商业区慢跑流量分布的核心交互因子是人口密度和土地利用混合度；休闲娱乐区和工业区的核心交互因子则是土地利用混合度和公园密度。不同土地利用类型下，双因子交互后的解释力发生明显变化。例如，双因子交互后的解释力在商业用地提高了10%以上，工业用地提高了20%，而居住用地仅提高了7%左右。本研究通过因子探测、交互探测等方法深度剖析了建成环境因子对于户外健身慢跑的关联交互影响，填补了已有研究空白。

4 结论

本研究利用GPS轨迹、街景图片等众源地理信息，在城市大范围内测度居民户外慢跑行为和城市建成环境特征，突破传统“小数据”样本小的局限，为大数据时代的行为健康研究提供案例引导。利用居民手机App采集的细粒度GPS轨迹数据测度慢跑活动，实现由传统“志愿者”访谈记录向“人人都是传感器”的泛在感知转变，为精细化人类行为研究提供新路径。使用近似人眼视角的街景图片测度绿视率，突出“人本尺度”的建成环境自动感知特色。研究结果说明：多建成环境因子对于户外慢跑活动的交互影响作用大于单因子，且呈现双因子增强和非线性增强效应；建成环境因子对于户外慢跑的交互影响会随着时间、土地利用类型的变化而变化；这种变化性是城市居民在受到时间（如休闲时间）、空间（如区域位置）、基础设施（如交通基础设施、体育运动设施）、环境（如视觉环境、安全性等）等多重场景约束下的行为决策结果。
本研究明晰了促进户外慢跑活动的主要建成环境指标因子及其交互影响作用，可为构建慢跑友好型城市建成环境提供3点建议。
1）提升城市功能区多样性和交通可达性。在成都市三环以外慢跑流量较低区域，可协调发展居住区周围的商业、休闲、娱乐等服务，提升土地利用混合度（功能多样性）。同时，提升步行道路环境质量，增强道路连通性、可达性，以满足不同人群的活动需求，吸引更多户外慢跑活动。
2）优化绿色空间。优化公园空间配置（包括密度、质量）和提升绿视率（如增加行道树和公园中的植物景观等），有助于促进户外慢跑活动。可重点提升成都一环内部分区域的公园密度，适度增加小型社区公园。对人口密度较高的居住区，根据居住人口数量和公园辐射面积合理布局城市公园、新建社区公园等。结合成都市实际情况，可适度增加天府广场附近以及三环以内东北部区域的行道树、缩短行道树间隔，以提高道路沿途绿视率。
3）交互视角下的环境干预。建成环境因子交互作用对慢跑空间分布的解释力高于单一因子。在环境干预过程中，应充分考虑多因子交互作用，打破单一因子对慢跑流量贡献的局限性。针对区域特征（土地利用类型）和人群活动偏好，可改变建成环境要素结构（如在别墅区、城中村、大型社区等）、配置等进行要素优化组合。例如，对于居住用地区域，需关注人口密度、土地利用混合度与其他环境因子的交互作用；而对于休闲娱乐用地，需同时重视单因子影响和双因子交互影响。
尽管众源地理信息能从多粒度、多视角、大范围揭示建成环境对于户外慢跑行为的交互影响，但本研究仍存在局限性。未来仍需选取更多环境指标，如视觉景观、温度、空气质量、GDP等，更全面探析城市环境对于慢跑行为（流量、时长、行为模式）的影响。考虑到建成环境对于体力活动的非线性影响，未来研究可利用机器学习模型揭示建成环境要素与慢跑行为的非线性关系。本研究仅使用手机信令位置数据估计人口密度，难以获得全样本数据，可能带来结果偏差。运动App多以年轻群体用户为主，其收集的轨迹数据可能存在有偏性。同时，GPS轨迹数据中没有包含用户的属性信息（性别、年龄、受教育水平等），难以在行为动机层面深度厘清慢跑用户对于活动场所的选择偏好。因此，未来研究有必要整合多源大数据、大数据与“小数据”等来解决上述问题。

文中图表均由作者绘制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
姜玉培, 甄峰, 王文文, 等. 城市建成环境对居民身体活动的影响研究进展与启示[J]. 地理科学进展, 2019, 38 (3): 357-369.

DOI

JIANG Y P, ZHEN F, WANG W W, et al. Influence of Urban Built Environment on Residents’ Physical Activity: Review and Implications[J]. Progress in Geography, 2019, 38 (3): 357-369.

DOI

[2]
BARNEET A, SHAW J E, MARTINO E, et al. Associations of Neighbourhood Environmental Attributes and Socio-economic Status with Health-Related Quality of Life in Urban Mid-aged and Older Adults: Mediation by Physical Activity and Sedentary Behavior[J]. Cities, 2023, 142: 104538.

DOI

[3]
张延吉, 陈小辉, 赵立珍, 等. 城市建成环境对居民体力活动的影响: 以福州市的经验研究为例[J]. 地理科学, 2019, 39 (5): 779-787.

ZHANG Y J, CHEN X H, ZHAO L Z, et al. The Impact of Urban Built Environment on Residents’ Physical Activity: Based on the Empirical Research in Fuzhou City[J]. Scientia Geographica Sinica, 2019, 39 (5): 779-787.

[4]
DONG L, JIANG H C, LI W J, et al. Assessing Impacts of Objective Features and Subjective Perceptions of Street Environment on Running Amount: A Case Study of Boston[J]. Landscape and Urban Planning, 2023, 235: 104756.

DOI

[5]
LIU Y, LI Y P, YANG W, et al. Exploring Nonlinear Effects of Built Environment on Jogging Behavior Using Random Forest[J]. Applied Geography, 2023, 156: 102990.

DOI

[6]
COOK S. Geographies of Run-Commuting in the UK[J]. Journal of Transport Geography, 2021, 92: 103038.

DOI

[7]
崔喆, 何莲娜, 吴兰若, 等. 用脚投票: 基于个体轨迹的北京市跑步空间绩效评估与诊断研究[J]. 规划师, 2023, 39 (5): 68-75.

DOI

CUI Z, HE L N, WU R L, et al. Vote by Foot: Running Space Performance Evaluation and Diagnosis Based on Individual Tracking in Beijing[J]. Planners, 2023, 39 (5): 68-75.

DOI

[8]
黄邓楷, 袁磊. 跑步频率与街区环境特征关联研究: 基于街景图片和公众参与地理信息系统视角[J]. 南方建筑, 2023 (4): 69-78.

DOI

HUANG D K, YUAN L. The Correlation between Running Frequency and Environmental Characteristics: A Case Study from the Perspective of Street View Images and Public Participation GIS[J]. South Architecture, 2023 (4): 69-78.

DOI

[9]
HUANG D K, TIAN M, YUAN L. Sustainable Design of Running Friendly Streets: Environmental Exposures Predict Runnability by Volunteered Geographic Information and Multilevel Model Approaches[J]. Sustainable Cities and Society, 2023, 89: 104336.

DOI

[10]
YANG W, HU J, LIU Y, et al. Examining the Influence of Neighborhood and Street-Level Built Environment on Fitness Jogging in Chengdu, China: A Massive GPS Trajectory Data Analysis[J]. Journal of Transport Geography, 2023, 108: 103575.

DOI

[11]
陶印华, 柴彦威, 杨婕. 城市居民健康生活方式研究的时空行为视角[J]. 人文地理, 2021, 36 (1): 22-229.

TAO Y H, CHAI Y W, YANG J. Understanding Healthy Lifestyles for Urban Residents from the Perspective of Space-Time Behaviors[J]. Human Geography, 2021, 36 (1): 22-229.

[12]
ETTEMA D. Runnable Cities: How Does the Running Environment Influence Perceived Attractiveness, Restorativeness, and Running Frequency?[J]. Environment and Behavior, 2016, 48 (9): 1127-1147.

DOI

[13]
TITZE S, STRONEGGER W, OWEN N. Prospective Study of Individual, Social, and Environmental Predictors of Physical Activity: Women’s Leisure Running[J]. Psychology of Sport and Exercise, 2005, 6 (3): 363-376.

DOI

[14]
赵晓龙, 汤奕子, 卞晴, 等. 基于公众参与地理信息系统的城市绿地体力活动与建成环境特征相关性研究: 以哈尔滨市为例[J]. 风景园林, 2021, 28 (3): 101-106.

ZHAO X L, TANG Y Z, BIAN Q, et al. Identification of Correlation Between Physical Activity of Green Space and Built Environment Characteristics Based on PPGIS: A Case Study of Harbin[J]. Landscape Architecture, 2021, 28 (3): 101-106.

[15]
来源. 面向绿色基础设施的城市信息学: 纽约市行道树数据收集、分析与公众科学的综合研究[J]. 风景园林, 2021, 28 (1): 17-30.

LAI Y. Urban Informatics for Green Infrastructure: An Integrated Approach for Street Trees Data Collection, Analytics, and Citizen Science in New York City[J]. Landscape Architecture, 2021, 28 (1): 17-30.

[16]
杨俊, 由浩琳, 张育庆, 等. 从传统数据到大数据+的人居环境研究进展[J]. 地理科学进展, 2020, 39 (1): 166-176.

DOI

YANG J, YOU H L, ZHANG Y Q, et al. Research Progress on Human Settlements: From Traditional Data to Big Data[J]. Progress in Geography, 2020, 39 (1): 166-176.

DOI

[17]
NORMAN P, PICKERING C M, CASTLEY G. What can Volunteered Geographic Information Tell Us About the Different Ways Mountain Bikers, Runners and Walkers Use Urban Reserves?[J]. Landscape and Urban Planning, 2019, 185: 180-190.

DOI

[18]
JIANG H C, DONG L, QING B. How Are Macro-scale and Micro-scale Built Environments Associated with Running Activity? The Application of Strava Data and Deep Learning in Inner London[J]. ISPRS International Journal of Geo-Information, 2022, 11 (10): 504.

DOI

[19]
YANG L C, YU B J, LIANG P P, et al. Crowdsourced Data for Physical Activity-Built Environment Research: Applying Strava Data in Chengdu, China[J]. Frontiers in Public Health, 2022, 10: 883177.

DOI

[20]
TIAN Z S, YANG W, ZHANG T, et al. Characterizing the Activity Patterns of Outdoor Jogging Using Massive Multi-aspect Trajectory Data[J]. Computers, Environment and Urban Systems, 2022, 95: 101804.

DOI

[21]
LIU Y, HU J, YANG W, et al. Effects of Urban Park Environment on Recreational Jogging Activity Based on Trajectory Data: A Case of Chongqing, China[J]. Urban Forestry & Urban Greening, 2022, 67: 127443.

[22]
TABATABAIE S, LITT J S, MULLER B H. Sidewalks, Trees and Shade Matter: A Visual Landscape Assessment Approach to Understanding People’s Preferences for Walking[J]. Urban Forestry & Urban Greening, 2023, 84: 127931.

[23]
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.

LIU Y, HE J R, WANG R Y, et al. The Impact of Urban Green Space on Mental Wellbeing: Research Progress and Recommendations[J]. Tropical Geography, 2023, 43 (9): 1747-1759.

[24]
杨振山, 张慧, 丁悦, 等. 城市绿色空间研究内容与展望[J]. 地理科学进展, 2015,34 (1): 18-29.

YANG Z S, ZHANG H, DING Y, et al. Progress and Prospect on Urban Green Space Research[J]. Progress in Geography, 2015,34 (1): 18-29.

[25]
司睿, 林姚宇, 肖作鹏, 等. 基于街景数据的建成环境与街道活力时空分析: 以深圳福田区为例[J]. 地理科学, 2021, 41 (9): 1536-1545.

SI R, LIN Y Y, XIAO Z P, et al. Spatio-Temporal Analysis of Built Environment and Street Vitality Relationship Based on Street-Level Imagery: A Case Study of Futian District, Shenzhen[J]. Scientia Geographica Sinica, 2021, 41 (9): 1536-1545.

[26]
YUAN Y, WANG R Y, NIU T, et al. Using Street View Images and a Geographical Detector to Understand How Street-Level Built Environment is Associated with Urban Poverty: A Case Study in Guangzhou[J]. Applied Geography, 2023, 156: 102980.

DOI

[27]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72 (1): 116-134.

WANG J F, XU C D. Geodetector: Principle and Prospective[J]. Acta Geographic Sinica, 2017, 72 (1): 116-134.

[28]
周艳, 邵海雁, 靳诚. 基于大数据的厦门岛建成环境对共享单车起讫点分布的影响[J]. 南京师大学报（自然科学版）, 2023, 46 (4): 1-12.

ZHOU Y, SHAO H Y, JIN C. The Impact of Built Environment on Distribution of Bike-Sharing in Xiamen Island Based on Big Data[J]. Journal of Nanjing Normal University (Natural Science Edition), 2023, 46 (4): 1-12.

[29]
高楹, 宋辞, 郭思慧, 等. 接驳地铁站的共享单车源汇时空特征及其影响因素[J]. 地球信息科学学报, 2021, 23 (1): 155-170.

DOI

GAO Y, SONG C, GUO S H, et al. Spatial-Temporal Characteristics and Influencing Factors of Source and Sink of Dockless Sharing Bicycles Connected to Subway Stations[J]. Journal of Geo-information Science, 2021, 23 (1): 155-170.

DOI

[30]
罗桑扎西, 甄峰. 基于手机数据的城市公共空间活力评价方法研究: 以南京市公园为例[J]. 地理研究, 2019, 38 (7): 1594-1608.

LUO S Z X, ZHEN F. How to Evaluate Public Space Vitality Based on Mobile Phone Data: An Empirical Analysis of Nanjing’s Parks[J]. Geographical Research, 2019, 38 (7): 1594-1608.

[31]
LI X, SANTI P, COURTNEY T K, et al. Investigating the Association Between Streetscapes and Human Walking Activities Using Google Street View and Human Trajectory Data[J]. Transactions in GIS, 2018, 22 (4): 1029-1044.

DOI

[32]
LIU K, SIU K W M, GONG X Y, et al. Where do Networks Really Work? The Effects of the Shenzhen Greenway Network on Supporting Physical Activities[J]. Landscape and Urban Planning, 2016, 152: 49-58.

DOI

[33]
YANG W, LI Y P, LIU Y, et al. Environmental Factors for Outdoor Jogging in Beijing: Insights from Using Explainable Spatial Machine Learning and Massive Trajectory Data[J]. Landscape and Urban Planning, 2024, 243: 104969.

DOI

Options
Outlines

/

〈 〉