EN中文

Landscape Architecture >

2026 , Vol. 33 >Issue 4: 102 - 112

DOI: https://doi.org/10.3724/j.fjyl.LA20250445

Nonlinear Influence Mechanism of Built Environment and Socio-Demographic Factors on Non-motorized Travel Willingness in the “Last Mile” Context

  • FANG Sitao , 1 ,
  • WU Ran , 2 ,
  • LUO Shixian , 2, *
Expand
  • 1 Institute of Smart City and Intelligent Transportation, Southwest Jiaotong University
  • 2 School of Architecture, Southwest Jiaotong University

FANG Sitao is an undergraduate student in the Institute of Smart City and Intelligent Transportation, Southwest Jiaotong University. His research focuses on environmental design and travel behavior

WU Ran, Ph.D., is an associate professor in the School of Architecture, Southwest Jiaotong University, a young committee member of China Landscape Architecture Society’s Land and Landscape Specialized Committee, and a committee member of China Forestry Society’s Committee on Landscape Architecture. His research focuses on landscape planning and design, rural landscape, amd landscape cityscape creation

LUO Shixian, Ph.D., is an assistant professor in the School of Architecture, Southwest Jiaotong University. His research focuses on landscape planning and design, and environmental psychology and behavior

Received date: 2025-07-24

  Revised date: 2026-03-09

  Online published: 2026-04-22

Fold

Abstract

[Objective]

This study comprehensively explores the nonlinear influence mechanism of built environmental and demographic factors on metro and non-motorized transport willingness to interchange from a human-centric perspective, aiming to provide detailed design recommendations for optimizing the non-motorized transport environment and fostering the sustainable development of rail transit within transit-oriented development (TOD) projects. As urbanization accelerates at an unprecedented rate, the surge in vehicle ownership has exacerbated traffic congestion and air pollution, making the integration of "rail-bus-slow travel" networks a strategic imperative for sustainable urban mobility. However, rail transit systems often struggle to deliver seamless travel experiences due to their station layout characteristics, particularly in addressing the "last mile" connectivity challenge, which hinders the overall efficiency and attractiveness of public transport. By constructing a micro-circulation connection system that combines rail transit with non-motorized transport, this research seeks to enhance the service coverage of rail stations, promote multimodal transport integration, and optimize the overall efficiency of urban transportation systems. Notably, existing studies predominantly focus on the interplay between socio-economic attributes and built environment factors on individual route and destination choices, yet there remains a significant gap in understanding the spatial interventions of non-motorized transport behaviors from an environmental perception, particularly in the context of rail transit connections. This study addresses this gap by adopting a human-oriented approach to unravel the complex interactions between demographic factors, built environment features, and travel behavior.

[Methods]

Conducted in Chengdu, a pioneering city in TOD development with 423 metro stations across 16 lines, this study employs a multi-methodological approach to ensure the robustness and reliability of findings. A questionnaire, grounded in the Stated Preference method, was meticulously designed to capture both demographic factors and built environment features, encompassing variables such as gender, age, income, education level, environmental awareness, destination distance, bicycle accessibility, road speed limit, road continuity, and land use composition. To ensure data quality and representativeness, the D-optimal design methodology was utilized to generate 20 factorial combinations for scenario-based questioning, effectively capturing the complexity of real-world travel decisions. Data collection was facilitated through the Credamo online survey platform, with stringent filters applied to respondents’ geographic location, daily travel patterns, and historical questionnaire response rates, yielding 863 valid responses that reflect the diversity of Chengdu’s urban population. Data analysis was rigorous and multifaceted, employing Excel 2022 and SPSS 25.0 for descriptive statistical analysis to provide an overview of the dataset. Least absolute shrinkage and selection operator regression, a powerful machine learning technique, was leveraged to extract the weights of perception factors, enabling the construction of weighted perception indices that account for the relative importance of different environmental attributes. The study further explored the nonlinear characteristics of built environment variables by creating interaction terms between socio-economic and built environment variables, thereby capturing the complex interplay between individual characteristics and the built environment. Based on the parametric scale transformation principle, a linear equivalence method was employed to convert the 7-point scale to a 5-point scale for neural network model training, thereby enhancing overall model training accuracy.

[Results]

The findings reveal a pronounced preference for walking as the primary mode of continuous transport, followed by bicycling, with motorized transport exhibiting the lowest willingness to choose, highlighting the potential for promoting active transportation modes in urban areas. Notably, female respondents demonstrated a stronger inclination towards non-motorized transportation modes, suggesting the importance of gender-sensitive design in urban planning. Income and walking distance have emerged as the primary determinants influencing the willingness to choose non-motorized modes of transportation. Analysis of interaction dependence plots in the SHAP (SHapley Additive exPlanations) analysis reveals that individuals with higher incomes are more inclined to opt for non-motorized travel under scenarios involving longer distances or higher speed limits. Furthermore, varying land use mixes can either enhance the propensity to choose walking or reduce the likelihood of selecting motorized transportation. Complex nonlinear relationships were observed between walking distances and different demographic groups, with varying sensitivities to built environment factors across socio-demographic factors, underscoring the need for context-specific interventions. Furthermore, a notable exclusivity was identified between non-motorized and motorized transportation modes, as well as between walking and bicycling, particularly pronounced among female respondents, highlighting the importance of integrated transport planning that considers mode competition and complementarity.

[Conclusion]

This research contributes to the literature by elucidating the nonlinear influence mechanism of built environment and socio-demographic factors on non-motorized transportation mode preferences from a human-oriented lens, thereby advancing theoretical frameworks for understanding travel behavior. Practically, the study proposes human-centric hierarchical optimization strategies, offering a scientific foundation for the refined design of non-motorized transportation systems in TOD projects, which can enhance the overall efficiency and attractiveness of public transport. These insights are instrumental in promoting the seamless integration of "rail-slow" networks, a critical step towards achieving urban transportation carbon neutrality and building sustainable, livable cities. However, the study acknowledges limitations, particularly regarding model explanatory power constrained by variable selection, suggesting future research could incorporate additional variables, such as individual attitudes towards sustainability and technological acceptance, to enhance predictive accuracy. Furthermore, the underrepresentation of low-income and low-education groups in the sample highlights the need for future studies to adopt a more dynamic approach, encompassing diverse social demographics across varying temporal and spatial contexts, to ensure the equity and inclusivity of transport planning.

Key words： non-motorized transport; non-linear effects; humanistic perspective; artificial neural network model; transit-oriented development (TOD)

Cite this article

FANG Sitao , WU Ran , LUO Shixian . Nonlinear Influence Mechanism of Built Environment and Socio-Demographic Factors on Non-motorized Travel Willingness in the “Last Mile” Context[J]. Landscape Architecture, 2026 , 33(4) : 102 -112 . DOI: 10.3724/j.fjyl.LA20250445

1 研究背景和目的

随着中国城镇化进程加速，机动车保有量呈现持续增长态势，由此引发的交通拥堵与空气污染已成为城市可持续发展的双重桎梏[1]。根据交通运输部印发的《绿色交通“十四五”发展规划》政策指引，强化“轨道-公交-慢行”网络融合发展的绿色出行体系，已成为破解城市交通困局的战略选择[2]。作为城市公共交通的骨干，轨道交通系统因站点布局的级配特征，难以提供门对门的无缝出行体验，这直接导致大多数乘客面临“最后一公里”接驳难题。既有“最后一公里”问题的研究表明，通过构建“轨道交通+慢行交通”的微循环接驳系统，可使轨道站点服务覆盖率得到提升[3]，这对城市交通系统整体效能的优化具有显著意义。在全球气候变化治理与机动车污染防治的双重约束下，如何针对不同人群需求，制定以人为本的行为引导策略，提升慢行交通在末端出行中的分担率，已成为实现城市交通碳中和目标的关键技术瓶颈。
慢行交通主要由步行和非机动车构成，同时包含滑板、轮椅等特殊出行方式，具有低速度阈值、低出行成本、路径选择不确定性大等特点[4-5]。当前国内外关于慢行交通出行行为的研究呈现2个显著特征：其一，现有研究主要聚焦于社会经济属性与建成环境因素对个体路径及目的地选择的交互影响机制[6-7]，而基于环境感知维度对接驳轨道交通的慢行出行空间进行干预的研究尚存空白；其二，部分学者虽尝试探讨空间策略或政策导向对慢行交通的引导作用，但研究范式多基于主观经验判断或文献归纳法，实证数据支撑相对薄弱[8-9]。因此，构建轨道交通接驳场景下“主观感知-设计策略”的方法框架能够实现理论研究向环境设计实践的有效转化。
既有定量研究虽已识别出“最后一公里”场景中慢行交通选择意愿的关键影响因素，但绝大多数应用的是经典离散选择模型，研究范式以线性机制为主[10]。这些模型受限于线性假设与参数化约束，存在显著的方法论局限，例如无法实现复杂场景预测[11]、计算效率低下[12]、模型假设条件限制多[13]、非线性高阶交互效应解析困难[14]等。对此，多数学者开始引入可解释性机器学习模型进行分析，证实了在出行意愿领域，非线性机制模型的解释能力明显优于线性机制模型[15]。Zhou等利用随机森林模型探讨了建成环境与地铁周边共享单车出行的非线性关系[16]；Zheng等通过人工神经网络解构了社会人口属性对出行公平性的隐式关联[17]；Liang等基于支持向量机模型发现了车辆保有量、出行距离和出行时间是影响家庭出行方式选择的关键因素[18]。这些方法论的创新为解析“最后一公里”场景中多维度变量与个体选择慢行交通方式意愿的复杂作用机制提供了新的技术路径。
人工神经网络模型是当下时空出行选择行为研究中应用最为广泛的非线性模型之一，其分析能力得到学界广泛认可。相较于传统离散选择模型，它处理高度共线性能力强[17]、捕捉交互效应成功率高[13]，预测精度高[19-20]。随着机器学习技术的不断发展，人工神经网络模型已经延伸出各类分支，Xia等利用贝叶斯神经网络预测跨区域交通方式选择情况[21]；Liu等应用长短期记忆网络分析居民在新冠病毒疫情防控期间的活动链模式[22]；Tang等通过循环神经网络建立历史出行轨迹数据模型，并以此预测人们出行选择的目的地[23]。基于上述优势，本研究聚焦于轨道交通为核心的以公共交通为导向的开发（transit-oriented development, TOD）项目，利用人工神经网络模型进行建模分析，挖掘乘客乘坐地铁后换乘慢行交通方式的选择偏好与社会属性、建成物理环境之间的复杂非线性关系，并基于此提出针对性的环境设计建议。通过设计涵盖成都市轨道交通乘客（即感知主体）的社会属性与建成环境（即被感知客体）双重维度的问卷数据采集方案，以期深入评估不同变量间的影响阈值和交互效应，系统揭示不同变量对各类群体选择慢行交通方式的非线性影响机制，为TOD项目的慢行交通环境优化和轨道交通的可持续发展提供决策建议。

2 研究方法

2.1 研究区域

研究区域为成都市拥有正在运行轨道交通站点的12个区、县、县级市（图1）。截至2024年12月，成都市已开通423个地铁站点，共计16条线路，线路总长位居全国第四[24]。此外，作为全国较早开展TOD项目建设的大型城市，成都市在2019—2022年已全面启动实施24个TOD项目，形成了较为成熟的TOD模式。特别是在地铁与慢行交通接驳系统设计方面，成都市通过构建“地面-地下”融合的慢行出行体系，显著提升了TOD系统的整体效能。因此，本研究选取成都市拥有正在运行轨道交通站点的 12 个区、县、县级市的轨道交通乘客作为研究对象，以获取具有典型性和代表性的人群样本。
图1 研究区域

Fig. 1 Study area

2.2 数据来源

2.2.1 问卷设计

本研究的问卷设计基于叙述性偏好（stated preference, SP）法开展。相较于直接观察人们实际选择行为的显示性偏好（revealed preference, RP）法而言，SP法能够控制变异变量、相关性和被试行为等，使得数据和模型更加符合理论研究需求[25]。
在变量选取上，首先，基于Web of Science、Scopus 及 CNKI 等数据库，对2015年1月1日—2025年1月1日的文献进行检索与综合分析，关键词为“慢行交通”“步行可达性”“出行意愿”“环境感知”等，确定了“社会属性”与“建成环境”两大类别变量，并分别纳入了10个备选变量。其次，根据15位相关领域的专家访谈意见，确定了最重要的5个社会属性（性别、年龄、收入、受教育程度、环保意识）和5个建成环境属性（目的地距离、自行车点可达性、道路限速、道路连续性、土地利用类型）为本研究的变量。最后，招募了15位非专业志愿者进行预填写，收集相关意见优化问卷设置，以确保普通受访者对问卷变量的准确理解。
在变量水平设计上，为保证组成情景题的建成环境变量聚焦于环境感知，所有水平设计均以“感知阈值”为原则，而非单纯的工程技术分类。5个变量的水平设计分别为：1）考虑人们对步行时间长度感知的差异性以及指标的可比性，将目的地距离划分为3个等级，分别为400 m、800 m、1 200 m，即正常成年人步行5、10、15 min的距离；2）自行车点可达性参照GB/T 51439—2021《城市步行和自行车交通系统规划标准》[26]，以自行车停放点可达距离100 m为基准水平，各增减100 m形成3个等级；3）道路限速变量则综合考量不同车速对安全感知的影响[27]与中国道路交通安全法规定，选取30 km/h、50 km/h、70 km/h这3个常见城市道路限速标准作为变量水平；4）道路连续性由轨道交通站点至乘客目的地路径中存在的物理隔断数量决定，以沿线天桥、岔路、地下通道的多少定性描述，促使受访者形成环境感知；5）土地利用类型涵盖4种常见的城市土地利用类型（居住用地、公共用地、绿化用地和商业用地），其中公共、绿化、商业用地占比的水平设置为0%、25%、50%，居住用地占比则额外设置75%和100%的水平，所有用地占比水平之和为100%。
根据SP法实验设计的要求，本研究通过不同变量及其属性水平的系统性随机组合，生成实验情景题。然而，上述变量的全因子设计将产生1 863种组合，数量过多，难以直接应用于实际研究。为解决这一问题，本研究采用D最优化（D-optimal）设计方法，这是一种在SP法实验中常用的效率标准，核心作用是通过选择信息量最大的组合子集，减少实验设计的复杂性，同时保持实验结果的统计效率[28]。本研究利用Matlab R2024a软件中的统计与机器学习工具箱，生成了20道不同变量水平组合构成的情景问题（表1），而每位受访者将随机分配回答其中的5道情景问题，以确保实验设计的随机性和代表性。
表1 情景题因子组合情况

Tab. 1 Factor combinations of the scenario question

序号 道路限速/
(km/h)		 步行距离/步行
时间/(m/min)		 自行车停放点可达
距离/m		 道路连续性 绿化用地
占比/%		 公共用地
占比/%		 商业用地
占比/%		 居住用地
占比/%
　　注：对于道路连续性，1表示道路基本不存在不连续点，0表示道路存在部分不连续点，−1表示道路存在较多不连续点。
S1 70 1 200/15 200 −1 50 50 0 0
S2 30 1 200/15 0 −1 0 50 25 25
S3 50 400/5 0 1 0 0 50 50
S4 30 1 200/15 200 1 50 0 0 50
S5 70 400/5 100 −1 0 50 0 50
S6 30 400/5 0 1 25 50 25 0
S7 70 400/5 100 −1 50 0 50 0
S8 30 400/5 0 1 50 0 0 50
S9 70 400/5 100 1 0 50 50 0
S10 70 400/5 100 −1 50 0 50 0
S11 30 400/5 200 1 0 0 25 75
S12 70 800/10 0 1 50 0 50 0
S13 30 400/5 200 0 0 50 50 0
S14 70 1 200/15 0 −1 0 0 50 50
S15 30 1 200/15 100 −1 0 0 50 50
S16 70 800/10 200 1 0 25 0 75
S17 70 1 200/15 0 1 0 50 0 50
S18 30 400/5 200 0 0 50 50 0
S19 30 800/10 0 −1 25 0 0 75
S20 50 1 200/15 200 −1 0 0 0 100
综上，问卷整体分为2个部分：1）单项选择题，用于收集受访者的社会属性信息；2）SP法实验情景题，聚焦建成环境变量的多类组合，通过李克特七级量表测度不同情景下受访者对慢行交通（步行及自行车）选择偏好的强度，1~7分分别对应从“绝对不可能”到“非常有可能”。在SP法实验情景题前，增设了调查场景的描述，以帮助受访者了解问题所处背景。同时，情景题增加了机动交通的选项，可以形成对照，帮助分析影响受访者不选择慢行交通的因素和机制。
以下是一道情景题样例：道路限速为70 km/h，步行回家距离1 200 m（约15 min）；最近的（电动）自行车停放点距离为200 m；道路不连续，沿途有较多十字路口、天桥、地下通道；绿化与广场地块面积占比为50%，公共建筑地块面积占比为50%（图2），您选择交通方式（步行、自行车、机动交通）的意愿是？
图2 情景题地块示意

Fig. 2 Realistic schematic diagram of the scenario question

2.2.2 数据收集

鉴于现场收集数据的不确定性（例如现场受访者可能急于完成自身出行目的而拒绝或随意填写问卷）和现实情景的潜在偏见（例如现场受访者可能极大程度地受到他们目前所在地铁站点周边具体情况的影响来填写问卷），本研究选用在线调查平台Credamo进行数据收集，设置多个限制条件来保障数据可信度，如限制可填写问卷人群的定位地址为成都市拥有正在运行的轨道交通站点的12个区、县、县级市；限制填写人群日常出行方式需包含地铁；限制填写人群历史问卷采纳率≥80%等。调查问卷发放时间为2025年1月10日—2025年2月1日，共收集问卷916份，筛除答卷时间过短或过长及明显存在逻辑错误的问卷，采纳有效问卷863份，有效率为94.2%。

2.3 数据分析和模型训练

本研究首先使用Excel 2022和SPSS 25.0完成数据的描述性统计，并分析受访者的整体出行方式偏好差异；其次，采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归提取感知因子的权重，计算加权后的感知因子；然后，引入社会属性变量与建成环境变量的交互项以捕捉二者的协同作用；接着，通过加入建成环境变量的非线性特征（如距离的平方项、道路速度的对数项），并基于参数量表变化原理，采用线性等值法将七级量表转换为五级量表进行神经网络模型训练，以提升整体模型训练精度[29]；最后，结合SHapley可加性解释（SHapley Additive exPlanations, SHAP）机器学习方法，对选取变量的交互项非线性影响机制进行进一步探究。
本研究模型训练部分均使用软件R 4.4.3实现。以R 2值表征模型解释力，其范围在0~1之间，数值越大证明模型解释能力越强。训练结果显示，以步行、自行车和机动交通选择偏好值为因变量的3个神经网络模型R 2值分别为0.781，0.714，0.542，表明训练结果可以接受[30]。

3 结果与分析

3.1 整体慢行交通方式偏好差异

综合问卷调查的有效样本显示，受访者性别分布存在显著差异（女性占比64.9%，男性占比35.1%），既有研究指出女性群体在日常出行中更倾向于选择慢行交通出行[31]，因此该差异对后续分析的影响可以接受。另一方面，受教育程度为高中或以下的人数较低，这可能是由于在线问卷平台产生的数字鸿沟效应[32]。除此之外，其他变量分布较为均匀（表2）。
表2 样本描述性统计情况

Tab. 2 Descriptive statistics of the sample

变量维度 变量 样本频数（占比/%）
性别 男性
女性		 303（35.1）
560（64.9）
年龄/岁 ≤24
25~35
≥36		 281（32.6）
137（15.9）
445（51.5）
月收入/元 ≤2 000
＞2 000~6 000
＞6 000~12 000
>12 000		 108（12.5）
247（28.6）
316（36.6）
192（22.3）
受教育程度 高中及以下
专科或本科
硕士研究生及以上		 30（3.5）
668（77.4）
165（19.1）
环保意识 较弱
一般
较强		 137（15.8）
424（49.1）
302（35.1）
受访者对20个情景的出行方式选择意愿结果显示，步行的整体平均值（1~7分）为4.33，自行车为4.00，机动交通为2.69。由此可见，步行成为受访者最倾向的接续交通方式，自行车次之，而选择机动交通出行的意愿最低。整体平均值分布特征表明，大部分受访者更倾向于选择慢行交通方式接续地铁完成“最后一公里”出行（表3）。
表3 不同交通方式出行意愿的描述性分析

Tab. 3 Descriptive analysis of travel intentions across different modes of transportation

变量维度 变量 平均值（标准差）
步行 自行车 机动交通
性别 男性
女性		 4.25（0.98）
4.37（1.08）		 4.00（1.09）
4.01（1.10）		 2.70（1.27）
2.68（1.21）
年龄/岁 ≤24
25~35
≥36		 4.34（1.01）
4.31（1.03）
4.37（0.96）		 3.94（1.13）
4.05（1.06）
3.99（1.10）		 2.61（1.27）
2.72（1.24）
2.75（1.26）
月收入/元 ≤2 000
＞2 000~6 000
＞6 000~12 000
＞12 000		 4.38（1.14）
4.30（1.09）
4.33（1.10）
4.36（1.04）		 3.93（1.02）
3.95（1.02）
4.00（1.02）
4.12（0.98）		 2.65（1.29）
2.71（1.23）
2.69（1.28）
2.69（1.22）
受教育程度 高中及以下
专科或本科
硕士研究生及以上		 3.70（1.31）
4.35（1.00）
4.36（0.97）		 3.74（1.24）
4.02（1.08）
4.01（1.10）		 2.90（1.29）
2.68（1.25）
2.69（1.26）
环保意识 较弱
一般
较强		 4.20（1.12）
4.39（0.95）
4.42（1.04）		 3.76（1.18）
3.97（1.09）
4.17（1.02）		 2.66（1.23）
2.69（1.25）
2.70（1.26）
整体平均值 4.33 4.00 2.69
此外，本研究分析了不同群体间不同交通方式选择的交互影响，计算了每个受访者的慢行交通（步行、自行车）选择意愿的均值，引入受访者分布差异最为明显的性别分组，并与机动交通的选择意愿进行了相关性分析。结果表明（表4），无论是男性组、女性组还是整体样本，慢行交通与机动交通的选择意愿之间都存在显著的负相关性，表明了行为选择的竞争关系。
表4 交通方式选择意愿的相关性分析

Tab. 4 Correlation analysis of selection willingness for transportation modes

样本分组 慢行交通-机动交通相关性结果
　　注：*表示显著性水平为p<0.05。
女性 －0.209*
男性 －0.133*
整体 －0.180*

3.2 不同变量对典型乘客出行选择意愿的非线性影响

为了探究不同变量是否与地铁换乘慢行交通行为存在非线性关系，以及是什么样的非线性关系，首先使用了K均值（K-means）聚类方法，结合肘部图、轮廓系数与DB（Davies-Bouldin）指数得到最优聚类数量为4，并输出典型受访者的社会人口属性（表5）；随后，基于4种典型受访者属性，按照相对重要性由高到低，选取每个交通方式模型中前5位的建成环境变量计算非线性关系（图3）。其中，高意愿概率为在该建成环境变量影响下，原七级李克特量表转化为五级后，受访者选择某交通方式得分4和5的选项在整体选项中的占比，低意愿概率则为得分1和2的选项的整体占比。
表5 典型受访者社会人口属性

Tab. 5 Typical interviewees profile

受访者群体 性别 年龄/岁 月收入/元 受教育程度 环保意识 典型群体
1 女性 25~35 ＞6 000~12 000 硕士研究生及以上 较强 高级白领
2 女性 18~25 ≤2 000 专科或本科 一般 青年学生
3 女性 25~35 ＞2 000~6 000 专科或本科 一般 普通白领
4 男性 25~35 ＞6 000~12 000 专科或本科 一般 普通白领
图3 不同受访者群体3种交通方式选择意愿与不同建成环境变量的非线性影响

Fig. 3 Nonlinear effects of various built environment variables on the willingness of different interviewee groups to choose among three transportation modes

以高级白领女性为代表的受访者群体1对建成环境十分敏感，步行出行意愿随自行车点可达性、公共用地占比、商业用地占比的增加而降低；自行车出行意愿整体偏低，受建成环境影响小，仅与部分变量轻微负相关且有阈值特征；机动交通出行意愿在道路限速、道路连续性影响下维持低水平，商业用地占比超35%后出行意愿快速上升，居住用地占比超10%则出行意愿骤降。
受访者群体2以女性青年学生为代表，该群体的步行和自行车出行意愿稳定性高、波动性低，在多数建成环境变量维度上均保持相对稳定的高步行意愿概率。该群体的自行车出行意愿多数情况下维持较低水平，仅步行距离超1 000 m时出行意愿上升；而机动交通出行意愿则较为复杂，大体上与道路限速负相关，与道路连续性正相关，与商业用地占比、居住用地占比呈U型曲线特征。
受访者群体3以女性普通白领为代表，该群体的出行特征则比较复杂，对建成环境高度敏感且响应非线性。步行出行意愿与自行车点可达性、商业用地占比负相关，而公共用地占比和居住用地占比分别呈U型和倒U型曲线特征，存在明显临界点；自行车出行意愿受自行车点可达性、绿化用地占比显著负向影响，对环境变化敏感，商业用地占比和居住用地占比呈U型曲线特征；机动交通出行意愿对道路限速、道路连续性、商业用地占比变化响应小，但居住用地占比超25%时呈L型曲线特征。
受访者群体4以男性普通白领为代表，该群体的出行选择波动性低、环境响应强。他们的步行出行意愿与步行距离波动性负相关，与其他变量微弱正向关联；自行车出行意愿在步行距离、绿化用地占比、商业用地占比极值点附近达峰值，呈倒U型曲线特征；机动交通出行意愿与道路连续性、商业用地占比正相关，与居住用地占比波动性负相关。
综上所述，高收入高教育程度的女性高级白领群体对环境要求高，其步行和自行车选择受环境变量影响显著，存在明显阈值效应；女性学生群体则以步行为主，行为稳定，受环境变化影响小；女性普通白领出行选择复杂，呈现多种非线性关系；而男性普通白领出行行为波动特征明显，可能与其性别和职业需求相关。

3.3 不同类别变量与交互项非线性影响机制的SHAP分析

为深入探究不同类别变量对慢行交通方式换乘意愿的非线性机制，本研究结合训练完成的神经网络模型与SHAP分析，将模型预测结果分解为各变量的贡献，并可视化选取变量的全局重要性与方向；同时结合个体条件期望（individual conditional expectation, ICE）曲线与交互强度，刻画交互项的非线性机理。SHAP值为正表示正向贡献，为负表示负向贡献。SHAP交互依赖图选取变量重要性和复杂性均较高的2个交互项，通过点的分布表示特征值对预测结果的影响趋势和强度。同时为提升不同模型结果可比性，除收入-道路限速依赖图使用收入作为着色变量外，其余依赖图均使用步行距离作为着色变量。
收入与步行距离为影响步行意愿选择的主导因子，其次为年龄、环保意识与道路连续性；各类用地占比整体影响较小但呈现显著交互作用。综合高低意愿预测模型来看，收入的贡献分布最宽，对步行意愿为负向贡献，步行距离也多为负向贡献，环保意识与道路连续性则整体偏正向贡献。此外，低意愿预测模型中，步行距离-收入的ICE曲线近似单调下降，表明在距离较长的情境下，收入越高越能够抵消步行距离的负向作用，二者耦合反而更强地提高步行意愿；而步行距离-商业用地占比的SHAP值在低意愿预测模型内呈现整体上升趋势，提示商业用地集聚能在一定程度上缓冲步行距离带来的不利影响，但在长距离情景中，高商业用地占比反而会降低步行意愿。以上结论在高意愿预测模型内得到了进一步证实（图4）。
图4 步行模型的SHAP分析结果

Fig. 4 SHAP analysis results for the pedestrian model

收入是影响自行车出行意愿的主导性因素，而步行距离和自行车点可达性分别对低意愿和高意愿有主要影响。具体而言，收入为正向贡献，步行距离与自行车停放点距离为正向贡献，土地利用类型变量影响则普遍较小。而对于收入-道路限速的交互作用，低意愿模型的ICE曲线随交互效应值增加而单调下降，意味着更高道路限速-更高收入的组合会提高自行车出行意愿；高意愿模型的曲线则随之单调上升，表示同一组合在该群体中进一步提高自行车出行意愿，2个模型从不同目标侧一致指向高限速情景下，高收入群体更倾向选择自行车出行的结果；对于步行距离-道路连续性交互作用，低意愿模型的ICE曲线整体偏负且呈倒U型，提示在步行距离增加时，仅靠提高道路连续性对避免降低自行车出行意愿的缓冲有限且存在临界点，而高意愿模型在较高交互效应值出现SHAP值峰值，表明在远距情境下，更高的连通性可以稳固高自行车出行意愿，但影响有限（图5）。
图5 自行车模型的SHAP分析结果

Fig. 5 SHAP analysis results for the bicycle model

步行距离与道路限速构成机动交通出行选择的主导因素，二者整体均为正向贡献；环保意识总体抑制机动交通出行意愿；4个土地利用类型变量的影响普遍较小，但与其他变量的耦合对人们是否选择机动交通出行的影响更关键。此外，步行距离-道路限速在低意愿模型中随组合强度总体下降、在高意愿模型中总体上升，说明当出行距离更远且沿线限速更高时，人们更容易从慢行交通转向机动交通出行；相反，步行距离-居住用地占比SHAP值随着交互效应值的升高在低意愿模型中上升、在高意愿模型中下降，指向远距-高居住占比的街区会削弱机动交通吸引力。综上所述，长步行距离叠加高道路限速提升机动交通选择意愿，长步行距离叠加高居住用地占比则降低机动交通选择意愿，值得注意的是，2种交互效应均存在临界点，表明盲目进行道路限速或提升长步行距离居住用地占比对减少机动交通出行选择的效果并非最佳（图6）。
图6 机动交通模型的SHAP分析结果

Fig. 6 SHAP analysis results for the motorized transportation model

4 讨论

4.1 不同群体对3种出行方式选择意愿的差异

不同社会群体对使用慢行交通或机动交通接驳地铁出行存在明显的差异。相较于男性，女性群体在慢行交通选择意愿的评价分值更高，这与现有研究结果类似，何明卫等发现女性在短距离出行中更倾向于使用慢行交通出行[33]，对此结果的解释，佟新等认为女性出于对机动交通安全性的担忧而选择慢行交通，而男性却更倾向于认可机动交通的“省时性”[34]；此外，女性相较于男性更容易接受减少汽车出行为代表的环保宣传影响[35]。本研究发现，以女性青年学生为代表的群体对慢行交通方式接驳地铁出行持有较高意愿的概率最大，当此类群体年龄增长、收入提升以后，该概率却出现明显下降[36]，且受到外部环境的影响显著加剧，这似乎暗示了相比于学生，白领群体更在意出行效率和舒适性，在地铁接驳的出行行为选择上的影响机制更为复杂。

4.2 不同变量及交互项对慢行交通方式选择意愿的影响

收入和步行距离成为影响慢行交通方式选择意愿的主导因素。步行距离在各交通方式模型里与其他变量有显著非线性交互影响，凸显了距离感知在不同群体认知和建成环境作用下，对慢行交通换乘意愿的高影响力。例如，步行距离与不同土地利用类型的交互作用体现了针对不同步行距离范围，合理的土地利用配比能够提升慢行交通出行意愿，也能降低机动交通使用意愿。王宏宇等认为适当的绿化和商业用地配比通过提高出行幸福感，减少长距离步行的心理不适，进而提升慢行交通出行意愿[37]。此外，高收入群体在长步行距离或高道路限速情景下更愿意选择慢行交通方式。尽管在以往研究中，步行距离与道路限速和慢行交通出行意愿通常存在负相关关系，但Mendiate等发现高收入人群选择步行大多出于休闲或健康考量[38]，长步行距离能够满足他们的健康需求；而较高的道路限速暗示道路宽敞，骑行顺畅，这或许是他们自行车出行选择意愿较高的原因。
需要指出的是，本研究采用的人工神经网络模型虽然在捕捉非线性关系方面具有优势，但其“黑箱”特性也带来了一定的局限性。神经网络模型的复杂结构使得模型的内部工作机制难以直观理解和解释[39]，尽管SHAP分析揭示了部分重要影响变量和作用路径，其更深层次机制仍然有待进一步发掘。

4.3 TOD站点接驳慢行交通系统的优化策略

基于得到的非线性交互机制结果，本研究从人本主义视角提出3个方面的分层设计策略（图7）。
图7 TOD站点接驳慢行交通系统优化策略示意

Fig. 7 Illustration of optimization strategy for connecting TOD stations with non-motorized transport systems

首先，在土地利用配比上，需要重点回应不同群体对不同土地利用类型的敏感性。例如在高收入人群聚集的中心商务区等地的500 m范围内，优先布局“慢行-商业”的一体化网络，将便利店、咖啡厅等业态嵌入慢行系统服务圈内，同时注重合理的土地利用配比，形成以商业用地为主，居住用地、绿化用地等为辅的开发布局。而在整体受教育程度相对较低或中低收入水平的社区，应优化居住用地配比，在轨道交通站点的可建设区域内开发高度集约化居住小区，提升慢行系统的安全性感知和居住小区的可达性，进而促使此类群体选择慢行交通接驳地铁出行。
其次，在消减出行距离的感知上，本研究发现步行距离对慢行交通的选择有复杂且显著的影响，应针对不同群体的非线性响应特征优化空间干预。比如，轨道交通站点5 min步行核心区内设置无障碍坡道等提升步行舒适度；15 min步行时间圈层内的区域要降低天桥、地下通道等步行设施的通行不便感，增设导向标识与休憩节点，缓解长距离步行或骑行的心理负荷。此外，针对女性群体，需在通勤高峰时段设置临时隔离带，优化夜间出行路线以避开背街小巷，并加强照明监控，通过安全感提升间接消减距离感知长度。
最后，在出行设施设计上，建议在办公区、高校等高通勤需求区域增加共享单车、共享电动车停放点数量，并结合借用数据动态调节投放密度；在慢行主导区设置慢行交通友好的连续铺装纹理道路，保障铺装平整性；在道路限速较高的区域利用绿化带隔离机动车流，保障慢行出行的安全性。此外，应针对学生群体增设低成本的自行车租赁点与弹性休憩座椅，而针对白领群体优化遮阳避雨设施，提升通行效率和便捷性，实现公共设施从标准化供给向精准化响应的转型。

5 结论

5.1 研究结论

本研究以成都市地铁接驳慢行交通选择行为为研究主题，基于人工神经网络模型揭示了外部（建成环境）与内部（社会属性）驱动因素对受访者换乘意愿的非线性影响机制，得到3点结论。1）收入和步行距离成为影响慢行交通方式选择意愿的主导因素；2）不同建成环境变量对受访者出行方式选择意愿的影响导致了步行距离与不同社会属性群体的非线性影响关系；3）慢行交通与机动交通之间存在一定的竞争性，在女性群体中更为显著。
在理论层面，本研究突破了传统线性模型的局限性，通过解析变量间的交互作用与非线性关联，为当下对社会属性和建成环境之间互相孤立的研究融合提供实证支撑，为“最后一公里”场景下的慢行出行行为研究提供了方法论创新。在实践层面，提出人本导向的分层优化策略，在土地利用配比上，需针对范围内人群特性构成进行设计；在感知距离消减上，应通过分级慢行网络设计与安全干预措施缓解不同群体的感知通勤负荷；在设施设计中，需依据实时监测结果动态调整自行车停放点密度，并优化慢行出行的各类设施。本研究为TOD项目接驳慢行系统的精细化设计提供了科学依据，对推动“轨道-慢行”网络融合、实现城市交通碳中和目标具有重要参考价值。

5.2 局限和未来展望

本研究仍存在一定局限性。首先，本研究采用人工神经网络模型进行数据分析，但模型的解释能力仍然受到变量选择的限制，未来研究可引入时间、气象、出行目的等其他变量以提高模型的解释力。此外，由于收集成本和分析地点的限制，对低收入、低学历群体的研究样本较少，未来研究应结合街景图像识别、卫星地图分析等技术实现不同时间段、不同城市地区的社会群体动态化研究，从而探索更多群体对慢行交通接驳地铁出行使用行为的变化规律，实现对慢行交通行为的长期追踪，以进一步验证和推广本研究成果。

图1-1审图号为GS〔2024〕0568号，图1-2审图号为GS〔2024〕0650号；图2实景图来源于百度地图（map.baidu.com）2024年街景图像；其余图表均由作者绘制。

1、运用人工神经网络模型与可解释性机器学习方法，揭示了社会属性与建成环境对慢行交通换乘意愿的非线性影响机制，弥补了传统线性模型的不足。

2、提出了基于人本视角的分层优化策略，为慢行交通环境优化提供科学依据，拓展了“最后一公里”场景下慢行出行行为的研究框架。

3、结合成都地铁建设背景，基于大样本问卷调查和严谨数据分析，为城市交通碳中和目标下的“轨道-慢行”网络融合提供参考，具有重要的实践意义。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘清春, 赵培雄, 袁玉娟, 等. 碳中和目标下城市绿色交通体系构建研究: 以济南市为例[J]. 环境保护, 2021, 49(17): 33-39.

DOI

LIU Q C, ZHAO P X, YUAN Y J, et al. Research on the Establishment of a Green Transportation System Under the Goal of Carbon Neutrality: The Case of Jinan[J]. Environmental Protection, 2021, 49(17): 33-39.

DOI

[2]
中华人民共和国交通运输部.交通运输部关于印发《绿色交通“十四五”发展规划》的通知[EB/OL].（2021-10-29）[2025-04-01]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202201/t20220121_3637584.html.

The Ministry of Transport of the People’s Republic of China. Notice of the Ministry of Transport on Issuing the 14th Five-Year Plan for Green Transportation Development [EB/OL]. (2021-10-29) [2025-04-01]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202201/t20220121_3637584.html.

[3]
颜建新, 王涛, 吴璐帆, 等. “轨道-公交-慢行”三网融合评估体系及改善对策研究[J]. 都市快轨交通, 2025, 38(1): 53-62.

DOI

YAN J X, WANG T, WU L F, et al. Research on the Evaluation System and Resource Allocation Method of “Rail−Bus−Slow Travel” Triple Network Integration[J]. Urban Rapid Rail Transit, 2025, 38(1): 53-62.

DOI

[4]
楼佳妮. 基于需求分析的城市道路慢行交通设计研究[J]. 交通世界, 2024(36):105-107.

LOU J N. Research on Urban Road Slow Traffic Design Based on Demand Analysis[J]. TranspoWorld, 2024(36):105-107.

[5]
周志邦, 杨永昌. 城市道路慢行交通系统空间设计[J]. 工程技术研究, 2023, 8(20): 189-191.

ZHOU Z B, YANG Y C. The Space Design of Urban Road Slow Traffic System[J]. Engineering and Technological Research, 2023, 8(20): 189-191.

[6]
李艳伟, 陈默. 旅客中长途城际出行选择行为研究[J]. 综合运输, 2025, 47(2): 16-21.

LI Y W, CHEN M. Research on Passengers’ Choice Behaviour in Medium- and Long- Distance Intercity Trips[J]. China Transportation Review, 2025, 47(2): 16-21.

[7]
李昌铃, 李磊. 基于目的地选择的跨城出行分布预测模型[J]. 交通与运输, 2024, 40(S1): 22-26.

DOI

LI C L, LI L. Prediction Model of Intercity Travel Distribution Based on Destination Selection[J]. Traffic & Transportation, 2024, 40(S1): 22-26.

DOI

[8]
林杉.轨道交通站点与慢行系统接驳分析[C]//中国城市规划学会.人民城市, 规划赋能: 2023中国城市规划年会论文集（06城市交通规划）.北京: 中国建筑工业出版社, 2023: 409-415.

LIN S. Analysis of the Connection Between Rail Transit Stations and Non-motorized Systems[C]//China Urban Planning Society. People’s City, Planning Empowerment: Proceedings of the 2023 China Urban Planning Annual Conference (06 Urban Transportation Planning). Beijing: China Architecture & Building Press, 2023: 409-415.

[9]
李定洲. 慢行交通系统空间优化设计: 以成都为例[J]. 交通科技与管理, 2025, 6(5): 40-42.

LI D Z. Spatial Optimization Design of Slow Traffic System: Taking Chengdu as an Example[J]. Transportation Technology and Management, 2025, 6(5): 40-42.

[10]
王灿, 王德, 朱玮, 等. 离散选择模型研究进展[J]. 地理科学进展, 2015, 34(10): 1275-1287.

DOI

WANG C, WANG D, ZHU W, et al. Research Progress of Discrete Choice Models[J]. Progress in Geography, 2015, 34(10): 1275-1287.

DOI

[11]
KARLAFTIS M G, VLAHOGIANNI E I. Statistical Methods versus Neural Networks in Transportation Research: Differences, Similarities and some Insights[J]. Transportation Research Part C: Emerging Technologies, 2011, 19(3): 387-399.

DOI

[12]
WANG S H, MO B C, ZHENG Y H, et al. Comparing Hundreds of Machine Learning and Discrete Choice Models for Travel Demand Modeling: An Empirical Benchmark[J]. Transportation Research Part B: Methodological, 2024, 190: 103061.

DOI

[13]
LINDNER A, PITOMBO C S, CUNHA A L. Estimating Motorized Travel Mode Choice Using Classifiers: An Application for High-Dimensional Multicollinear Data[J]. Travel Behaviour and Society, 2017, 6, 100-109.

DOI

[14]
王媛媛.城市轨道交通“最后一公里”出行方式选择行为研究[D].天津: 河北工业大学, 2020.

WANG Y Y. Study on the Choice Behavior of “Last Mile” Travel Mode of Urban Rail Transit[D]. Tianjin: Hebei University of Technology, 2020.

[15]
陈琦, 闫一博, 陈坚, 等. 地铁出行决策的非线性与主客观交互影响研究[J]. 铁道科学与工程学报, 2025, 22(8): 3702-3714.

CHEN Q, YAN Y B, CHEN J, et al. Nonlinearity and Interaction of Subjective and Objective Factors in Subway Travel Decision-Making[J]. Journal of Railway Science and Engineering, 2025, 22(8): 3702-3714.

[16]
ZHOU X G, YANG C Y, YANG L C, et al. Nonlinear Effects of the Built Environment on Metro-Integrated Bikesharing and Ridesourcing Usage[J]. Transportation Research Part D: Transport and Environment, 2025, 146: 104898.

DOI

[17]
ZHENG Y H, WANG S H, ZHAO J H. Equality of Opportunity in Travel Behavior Prediction with Deep Neural Networks and Discrete Choice Models[J]. Transportation Research Part C: Emerging Technologies, 2021, 132: 103410.

DOI

[18]
LIANG L L, XU M, GRANT-MULLER S, et al. Household Travel Mode Choice Estimation with Large-Scale Data: An Empirical Analysis Based on Mobility Data in Milan[J]. International Journal of Sustainable Transportation, 2021, 15(1): 70-85.

DOI

[19]
WANG S H, WANG Q Y, ZHAO J H. Deep Neural Networks for Choice Analysis: Extracting Complete Economic Information for Interpretation[J]. Transportation Research Part C: Emerging Technologies, 2020, 118: 102701.

DOI

[20]
GOLSHANI N, SHABANPOUR R, MAHMOUDIFARD S M, et al. Modeling Travel Mode and Timing Decisions: Comparison of Artificial Neural Networks and Copula-Based Joint Model[J]. Travel Behaviour and Society, 2018, 10, 21-32.

DOI

[21]
XIA Y T, CHEN H F, ZIMMERMANN R. A Random Effect Bayesian Neural Network (RE-BNN) for Travel Mode Choice Analysis Across Multiple Regions[J]. Travel Behaviour and Society, 2023, 30, 118-134.

DOI

[22]
LIU Y, TONG L C, ZHU X, et al. Dynamic Activity Chain Pattern Estimation Under Mobility Demand Changes During COVID-19[J]. Transportation Research Part C, Emerging Technologies, 2021, 131: 103361.

DOI

[23]
TANG J J, LIANG J, YU T J, et al. Trip Destination Prediction Based on a Deep Integration Network by Fusing Multiple Features from Taxi Trajectories[J]. IET Intelligent Transport Systems, 2021, 15(9): 1131-1141.

DOI

[24]
汪雨菲, 杨皓森, 喻冰洁, 等. 站域建成环境与地铁客流量的非线性关系和协同效应: 可解释机器学习分析[J]. 都市快轨交通, 2024, 37(2): 1-7.

WANG Y F, YANG H S, YU B J, et al. Nonlinear and Synergistic Effects of Station-Area Built Environments on Metro Ridership: A Shapley Additive Explanations (SHAP) Analysis[J]. Urban Rapid Rail Transit, 2024, 37(2): 1-7.

[25]
LOUVIERE J J, HENSHER D A, SWAIT J D. Stated Choice Methods[M]. Cambridge: Cambridge University Press, 2000.

[26]
中华人民共和国住房和城乡建设部.城市步行和自行车交通系统规划标准: GB/T 51439—2021[S].北京: 中国建筑工业出版社, 2021: 1-25.

Ministry of Housing and Urban-Rural Development of the People’s Republic of China. Standard for Urban Pedestrian and Bicycle Transport System Planning: GB/T 51439–2021[S]. Beijing: China Architecture & Building Press, 2021: 1-25.

[27]
CHE M, WONG Y D, LUM K M, et al. Interaction Behaviour of Active Mobility Users in Shared Space[J]. Transportation Research Part A: Policy and Practice, 2021, 153, 52-65.

DOI

[28]
BOX G E P. Some Theorems on Quadratic Forms Applied in the Study of Analysis of Variance Problems, I. Effect of Inequality of Variance in the One-Way Classification[J]. The Annals of Mathematical Statistics, 1954, 25(2): 290-302.

DOI

[29]
LEUNG S O. A Comparison of Psychometric Properties and Normality in 4-, 5-, 6-, and 11- Point Likert Scales[J]. Journal of Social Service Research, 2011, 37(4): 412-421.

DOI

[30]
吴元晶, 游永熠, 周卫, 等. 老年人绿地感知与活动特征的非线性关系[J]. 风景园林, 2025, 32(5): 96-104.

DOI

WU Y J, YOU Y Y, ZHOU W, et al. Nonlinear Relationship Between the Elderly’s Perception of Green Spaces and Their Activity Characteristics[J]. Landscape Architecture, 2025, 32(5): 96-104.

DOI

[31]
RITH M, FILLONE A, BIONA J B M. The Impact of Socioeconomic Characteristics and Land Use Patterns on Household Vehicle Ownership and Energy Consumption in an Urban Area with Insufficient Public Transport Service: A Case Study of Metro Manila[J]. Journal of Transport Geography, 2019,79(C): 102484.

DOI

[32]
薛伟贤, 董维维. 我国数字鸿沟的社会效应分析[J]. 情报科学, 2008, 26(10): 1464-1470.

XUE W X, DONG W W. Analysis on the Social Effects of Digital Divide in China[J]. Information Science, 2008, 26(10): 1464-1470.

[33]
何明卫, 肖明阳, 何民, 等. 考虑空间异质性的短距离出行方式选择研究[J]. 重庆交通大学学报（自然科学版）, 2023, 42(3): 112-118,127.

HE M W, XIAO M Y, HE M, et al. Short-Distance Travel Mode Choice Considering Spatial Heterogeneity[J]. Journal of Chongqing Jiaotong University (Natural Science), 2023, 42(3): 112-118,127.

[34]
佟新, 王雅静. 城市居民出行方式的性别比较研究[J]. 山西师大学报（社会科学版）, 2018, 45(3): 64-69.

TONG X, WANG Y J. A Comparative Study of Urban Residents’ Travel Modes in the Perspective of Gender[J]. Journal of Shanxi Normal University (Social Science Edition), 2018, 45(3): 64-69.

[35]
MCCRIGHT A M, DUNLAP R E. Cool Dudes: The Denial of Climate Change Among Conservative White Males in the United States[J]. Global Environmental Change, 2011, 21(4): 1163-1172.

DOI

[36]
高一鸣.大城市中低收入群体出行行为研究[D].北京: 北京交通大学, 2022.

GAO Y M. Research on Travel Behavior of Middle and Low-Income Groups in Big Cities[D]. Beijing: Beijing Jiaotong University, 2022.

[37]
王宏宇, 马亮, 黄言, 等. 城市积极交通出行对居民心理健康与福祉的影响: 效应、路径和启示[J]. 地理科学进展, 2024, 43(12): 2365-2381.

DOI

WANG H Y, MA L, HUANG Y, et al. The Impact of Active Travel on Residents’ Psychological Health and Well-Being: Effects, Pathways, and Policy Implications[J]. Progress in Geography, 2024, 43(12): 2365-2381.

DOI

[38]
MENDIATE C J, NKURUNZIZA A, MACHANGUANA C A, et al. Pedestrian Travel Behaviour and Urban Form: Comparing Two Small Mozambican Cities[J]. Journal of Transport Geography, 2022, 98(C): 103245.

DOI

[39]
ZHANG Y, TIŇO P, LEONARDIS A, et al. A Survey on Neural Network Interpretability[J]. IEEE Transactions on Emerging Topics in Computational Intelligence, 2021, 5(5): 726-742.

DOI

Options
Outlines

/

〈 〉