步行是一种绿色无污染的出行方式,也是一种积极的生活方式。步行不仅可以减少交通拥堵[1]、空气污染和排放,还可以提升与改善公共[2]和个人健康[3]、社区关系和积极的地方感[4],以及地区经济和房地产的表现[5]。可见,步行可同时在可持续发展的3个维度(经济、社会、环境)[6]做出贡献,因此受到了全球范围内的广泛关注。步行性作为衡量城市空间适宜步行程度的关键指标,不仅关系到居民日常生活的便捷性,还直接影响到城市的可持续发展。科学量化步行性,不仅具有重要的科学意义,而且对于城市规划与管理实践具有重要的指导作用。
当前国际比较通用的步行性量化指标是步行指数(walking score),其最早于2007年由美国研究者[7]提出。国内外已有大量关于步行指数的研究,主要集中在以下3个方面:一是步行指数的测度指标和方法及其在具体城市中的应用,研究重点是步行指数的测度方法和指标体系;二是将步行指数视为城市空间品质的一种属性数据,也即自变量,分析其对健康[8-9]、碳排放及环境质量[10]、社会安全及正义[11]、居民收入及房价地价[12]等方面的影响;三是将步行指数作为因变量,分析步行指数的影响因素及影响程度。
目前学界对步行指数的测度方法主要有两类:一类是依靠问卷打分等主观评价方法获取数据,测度居民对某一微观环境道路安全性、过街便捷性、人行道宽度、出行危险度、步行设施以及步行氛围等方面的主观感受,对小范围(通常是单个或多个社区)的城市空间或街道的步行性进行测度[13-14];另一类是依靠GIS等方法获取多维城市建成环境指标数据,对大范围(通常是整个城市)的城市空间或街道进行可步行性评估[15]。其测量大概可以分为设施属性、街道属性及步行环境3个维度。其中,设施属性针对街道的功能进行评价,主要包括土地利用多样性、建筑密度、地块容积率、兴趣点(point of interest,POI)业态设施密度及可达性[16-18]等指标;街道属性针对街道的物理与结构特征进行评价,主要包括路网及交叉口密度、路网连通度、街道长度等指标[19];步行环境针对在街道上的步行体验进行评价,主要包括安全、舒适、美观等层面,以机动车影响程度[20]、街道绿化水平[21]、沿街界面封闭程度[16]等指标来表征。
虽然已有大量关于步行指数的研究,然而对步行指数测度和影响因素的研究依然存在以下不足:
第一,在步行指数的测度方面,由于步行指数的概念源于欧美国家,当前测度指标的选取、权重以及评价方式仍以西方国家的城市和社会背景为依据。我国在建成环境等诸多方面与欧美国家存在显著差异,这导致基于欧美国家的评价维度和方法不一定适用于中国国情。如人口密度[22]在几乎所有的欧美研究中都是正向促进步行的,而在我国其对步行则呈现倒U形的影响方式,过高人口密度会造成拥堵和环境质量的下降[23-24],对可步行性造成负面影响;再如欧美国家的空气质量普遍较好,而我国空气质量则存在显著的区域差异[25],需要在步行指数的测度中进行考量。因此,有必要基于中国国情,构建适用于中国城市的步行指数测度指标体系和评价方法。
第二,在步行指数的影响因素方面,已有研究主要分析地块或者街道尺度的环境要素,如设施密度[26]、街道连通性、居住密度、公共交通可达性[27]、交叉口密度、基础设施的设置及区位[21]等对该区域步行指数的影响。而实际上,一个地块或一个街道的步行指数是多种因素共同作用的结果,不仅受到地块尺度区位、主导用地、建设年代的影响,其所在城市的经济发展水平、社会发展水平、城市管理水平、政府财政能力和规划理念也是步行指数的关键驱动因素。此外,在研究方法上,已有研究多使用相关分析揭示单一要素与步行指数的相关关系,鲜有使用回归模型同时分析多个因素的影响效应。因此,有必要在同一研究框架中纳入地块及城市等不同尺度的多个影响因素,综合分析不同因素对步行指数的影响机理。
第三,在研究尺度上,现有基于客观指标测度步行指数的研究多是基于单个城市的,无法将研究结果进行城市间的对比,无法判断测度指标在其他城市的可使用性,更不能分析城市尺度的因素对步行指数的影响,这在很大程度上限制了步行指数的研究。因此,有必要对城市之间的步行指数进行对比分析,以完善步行指数的研究。
为弥补以上研究不足,本研究选取长三角、京津冀、珠三角三大城市群的138个城市(其中有64个地级市和74个县级市)为实证案例,首先基于我国空气质量和人口密度与欧美国家的国情差异,纳入空气污染指数与拥挤指数两个指标,建立包括设施属性、街道属性与步行环境3个维度在内的步行指数测度体系;其次以1 km×1 km的栅格为研究单位计算各个栅格的步行指数,分析不同城市群、不同规模的城市及城市内不同区位的栅格步行指数的空间分布特征和差异规律;最后基于栅格和城市两个空间尺度构建多层回归模型,分析不同层级环境因素对步行指数的影响效应,进而提出步行性提升策略以指导建设步行友好城市。
1 步行指数测度体系构建
1.1 测度体系构建与指标解释
根据已有研究,本文构建了包括设施属性、街道属性与步行环境3个维度在内的步行指数测度体系,见表1。
表1 步行指数测度体系Tab.1 The measurement system of walking score |
| 维度 | 一级指标 | 二级指标 | 指标解释 | 方向 | 权重 |
|---|---|---|---|---|---|
| 设施属性 | 设施覆盖度 | POI业态密度 | POI服务职能数量/单位面积 | 正向 | 0.2 |
| 业态多样性 | POI业态齐全度 | 服务职能种类数量(生活服务、生产服务、文化休闲与社会服务职能,最大种类数为4) | 正向 | 0.1 | |
| POI业态多样度 | 1- ,其中n为某类POI数量,N为POI总数 | 正向 | 0.1 | ||
| 街道属性 | 街道通畅性 | 标准化度中心性 | 测量网络中一个节点与所有其他节点相联系的程度 | 正向 | 0.05 |
| 道路交叉口密度 | 单位面积的交叉口数量(个/km2) | 正向 | 0.05 | ||
| 街道长度 | 街道长度(km) | 正向 | 0.1 | ||
| 街道安全性 | 停车设施影响度 | 停车设施数量/该街道覆盖范围内各类业态点数量 | 负向 | 0.1 | |
| 步行环境 | 自然环境 | 地被指数 | 某类土地利用类型对应的权重与NDVI值的乘积 | 正向 | 0.15 |
| 空气污染物指数 | 1 km分辨率PM2.5 &10 km分辨率O3污染物指数 | 负向 | 0.05 | ||
| 社会环境 | 拥挤指数 | 人口密度阈值与实际人口密度的差值 | 正向/负向 | 0.1 |
注:停车设施数据来源为高德地图POI分类中的“交通设施服务”大类、“停车场”中类,主要包括换乘停车场、公共停车场、专用停车场、路边停车场等停车设施,并统计1 km×1 km栅格内的停车设施点总量以便计算。 |
设施属性从设施配套的密度和多样性两个方面进行测度,其对步行性的影响均为正向,即配套密度和多样性越高,越有利于步行。
街道属性从通畅性和安全性两个方面进行测度,步行通畅性越高、安全性越高,可步行性也越高。
在步行环境方面,本研究测度了自然环境和社会环境两个方面。在自然环境方面,选取地被指数表征步行舒适度,参考《生态环境状况评价技术规范(HJ192—2015)》[31]的生境质量指数方法设定权重计算地被指数;选取空气污染物指数表征步行环境的健康程度。与欧美国家相比,我国的PM2.5浓度水平较高[32],且O3浓度近年来呈上升趋势,在多数城市中O3已取代PM2.5成为主要的空气污染物[33]。而全球各国环境空气质量标准纳入的72项污染物中,细颗粒物 (PM2.5) 和臭氧 (O3) 对人体健康的负面影响较大[8]。因此,本研究选取PM2.5和O3两类空气污染物纳入空气污染物指数测度。在社会环境方面,使用拥挤指数测度步行的舒适性。已有研究表明,密度与步行环境存在非线性影响[34],即在低密度的城市情境下,密度高可以提升服务的便利性、环境宜人性、安全健康性等,从而可以促进步行的发生;而在高密度情境下,过高的密度则意味着拥堵、嘈杂等不利于步行的情况[35]发生。本研究依据许婧雪等[34]、孙斌栋等[35]、Han等[36]、Yin等[37]的研究,将人口密度的阈值设为20 000人/km2,即人口密度小于20 000人/km2可促进步行,大于20 000人/km2其影响为负向。
1.2 研究范围与数据来源
研究基于全球人类居住图层(GHS-SMOD)数据集,识别城市建成区范围。GHS-SMOD是GHSL采用的农村-城市住区分类模型,其数据集中的每个栅格均通过整合GHSL建成区和GHSL人口网格数据生成。该数据集将连续成片的、每平方公里永久性土地上至少有1 500人或建成区面积密度大于50%、常住人口至少为50 000人的1 km×1 km栅格识别为城市建成区。本研究在此基础上将单个城市行政范围内面积最大的斑块确定为该城市最终的建成区范围。据此在三大城市群138个地级市或县级市的建成区范围内,共得到23 793个栅格单元。本研究所使用的数据来源于多个数据集,如表2所示。
以1 km×1 km栅格为单位对各指标测度结果进行测算并加权求和,最终得到每个栅格单元整体的步行指数得分,并按照各级相对均衡原则,将步行指数分为低(0~35)、较低(35~40)、中等(40~45)、较高(45~50)、高(50~100)五级。
1.3 测度体系合理性验证
本文构建的步行指数指标体系加入了空气质量和人口密度(非线性影响)两个基于中国国情的特殊指标。为了验证新构建的测度体系更符合中国城市的实际情况,本研究以南京市为例,将未加入这两个指标的结果和本研究结果进行对比,以验证新指标体系的合理性。
此外,在一些空气质量较差的区域(图1d),本文的计算结果也表现出更佳的合理性。如在葛塘和大厂区域,在原来的指标体系中,这两个区域因为设施完备、街道通达性较好和适度的密度而成为步行性高值区域。而实际中,由于这两个区域是南京化工园区所在地,其空气污染严重,步行体验并不理想。在新的指标体系下,其步行指数有显著降低,更加符合实际体验。可见,纳入的新指标能够更加真实反映中国城市的实际情况,是更为理想的评价步行指数的测度体系。
1.4 模型变量设定
已有研究表明影响某一地块步行性的因素既有地块层面的因素,也包括城市层面的环境因素[15]。本研究通过构建多层次回归模型,选取地块层面的区位、建设年代、主导用地类型和城市层面的规模因素、经济发展水平、社会发展水平、政府财政能力、规划理念以及城市管理水平等维度的变量,分析步行指数的影响因素。其中,经济发展水平和政府财政能力通过影响与城市建设发展相关的投资决策,对城市步行性产生重要影响;社会发展水平越高的地方,居民越倾向于健康的生活方式,对步行的需求更高;城市管理水平会影响街道违停而影响步行环境的安全性,进而对步行性产生影响;一个城市的规划理念是影响该城市步行性的重要因素,如果规划理念倾向于“以人为本”,则其在设计街道尺度、设施布局、功能混合方面都将有利于步行城市的建设,而如果规划理念倾向于经济增长,则其在城市人性化的考量上就会有所欠缺,不利于城市的步行性。
各个影响因素的表征变量如表3所示。数据来源于各城市统计年鉴、《2021年城乡建设统计年鉴》《2020年城市统计年鉴》《2021年中国卫生健康统计年鉴》《2021年中国县域统计年鉴》等。
表3 回归变量体系Tab.3 Regression variable system |
| 层级 | 影响因素 | 表征变量 |
|---|---|---|
| 地块 | 区位 | 距中心城区距离,栅格中心点到最近城市政府驻地的距离 |
| 建设年代 | 新老城,0=老城(2000年GHS-SMOD建成区边界),1=新城(2020年GHS-SMOD建成区边界) | |
| 主导用地类型 | 栅格内占据最大面积的用地类型 | |
| 城市 | 城市规模 | 1=大城市,2=中等城市,3=小城市(划分标准为《国务院关于调整城市规模划分标准的通知》中的城区常住人口,100万以上为大城市;50万~100万为中等城市;50万以下为小城市) |
| 城市管理水平 | 距离城市群核心城市距离,各城市距离最近的三大城市群核心城市(北京、天津、上海、南京、杭州、合肥、广州、深圳)的距离 | |
| 社会发展水平 | 地区预期寿命 | |
| 规划理念 | 人均实际利用外资水平 | |
| 经济发展水平 | 人均可支配收入 | |
| 政府财政能力 | 地方财政支出 | |
| 所在城市群 | 表征三大城市群,1=长三角,2=珠三角,3=京津冀 |
2 三大城市群步行指数得分及空间分布特征
2.1 城市层面的步行指数得分及分布差异
表4展示了三个城市群城市步行指数的得分情况:长三角城市群城市得分最高(40.78)、京津冀次之(40.67)、珠三角最低(38.94),这与普遍的印象相一致。城市群内部差异方面,京津冀城市群内部城市存在较大差异,标准差最大(7.02);而长三角和珠三角城市群内部城市差异较小,标准差分别为5.69和5.36。可见,京津冀城市群内部城市之间步行指数的差异较大,而另外两个城市群内部的差异较小。
表4 三大城市群步行指数Tab.4 The walking score of three major urban agglomerations |
| 城市群 | 步行指数均值 | 步行指数高于均值的栅格占比/% | 步行指数标准差 |
|---|---|---|---|
| 长三角城市群 | 40.78 | 46.88 | 5.69 |
| 珠三角城市群 | 38.94 | 46.07 | 5.36 |
| 京津冀城市群 | 40.67 | 46.60 | 7.02 |
图2展示了三大城市群分维度指数的得分情况。总体而言,三大城市群各有优势。长三角城市群在街道绿化水平和环境影响方面存在突出优势,即拥有更为宜人的步行环境。京津冀城市群则在街道通畅性、街道安全性和设施覆盖度三方面存在较大优势,即在道路网络建设与功能供给方面表现突出。珠三角城市群仅在自然环境方面较为突出。这可能是由于气候条件和地理位置的独特性,珠三角城市群湿润的环境为植物生长提供了理想的条件,进一步提升了城市的绿化覆盖率。
不同规模的城市步行性有显著差异:小城市步行性最高,大城市次之,中等城市最低(如表5所示,小城市步行指数高的栅格相对较多,大城市居中,中等城市最少)。
表5 步行指数与城市规模的交叉分析Tab.5 Cross-tabulation analysis of walking score and urban scale |
| 步行指数得分 | 参数 | 城市规模 | 合计 | ||
|---|---|---|---|---|---|
| 大城市 | 中等城市 | 小城市 | |||
| 0~35 | 计数 | 2 774 | 272 | 59 | 3 105 |
| 占比/% | 12.7 | 17.4 | 16.5 | 13.1 | |
| 35~40 | 计数 | 7 653 | 560 | 121 | 8 334 |
| 占比/% | 35.0 | 35.7 | 33.8 | 35.0 | |
| 40~45 | 计数 | 8 088 | 541 | 120 | 8 749 |
| 占比/% | 37.0 | 34.5 | 33.5 | 36.8 | |
| 45~50 | 计数 | 2 052 | 129 | 32 | 2 213 |
| 占比/% | 9.4 | 8.2 | 8.9 | 9.3 | |
| 50~100 | 计数 | 1 301 | 65 | 26 | 1 392 |
| 占比/% | 5.9 | 4.2 | 7.3 | 5.8 | |
| 合计 | 计数 | 21 868 | 1 567 | 358 | 23 793 |
注:占比为列百分比。卡方检验结果显示,步行指数得分与城市规模之间存在显著关联(χ2=43.066, df=8,P<0.01)。 |
城市的空间布局与系统性差异是造成这一结果的主要原因:小城市通常具有更紧凑的城市形态,居民区、商业区、公共服务设施的空间分布相对集中,步行距离较短;大城市虽然尺度较大,步行距离较远,但公交系统较完善,部分区域优化步行设施;而中等城市在快速扩张过程中模仿大城市,采取“超大街区”模式,街区面积大、功能分区严格(如纯住宅区或纯商业区),导致居民需要长距离出行[46],步行便利性下降。以上结论可从分维度的得分(图3)得到印证:小城市在街道通畅性(街道长度)和步行自然环境(空气污染指数、地被指数)有较高得分;而大城市则在设施的覆盖度和多样性上有更好的表现。相对而言,中等城市在各方面的表现乏善可陈,可能因其处于“小城市紧凑性”与“大城市系统性”之间的过渡阶段:既未保留小城市的自然步行网络,又未形成大城市的公交与步行互补体系[47],同时面临机动车化浪潮的冲击,故而步行性最低。
2.2 栅格层面的步行指数得分及分布差异
本文只展示三大城市群中代表性城市的步行指数计算结果。总体而言,以1 km×1 km的栅格为单位计算的栅格步行指数在不同城市间主要呈现出3种分布形态:圈层分布、扇形放射分布、离散分布。
第1类是圈层分布(图4),即越靠近城市中心步行指数越高,从城市中心向外,步行指数呈圈层式递减。在这种分布下,步行指数的高值区域集中在中心城区,郊区和边缘地带的步行指数较低。单中心的城市多呈现此格局,如京津冀城市群的多数城市步行指数表现出明显的圈层分布,高值区域集中在中心城区,郊区和边缘地带步行指数低值集聚成片。
第2类是扇形放射分布(图5), 表现为高值区域从市中心向外呈扇形放射的格局, 通常是因城市中心有河道或绿道通过(其沿线步行指数较高),或有交通干线通过(具有便捷的交通条件和丰富的业态服务设施),步行的可达性与吸引力增强,因而步行指数较高。如深圳的滨海大道,其特定的区位和大体量的绿地使其形成深圳南端的滨海自然风景带,因而沿线步行指数较高。
除此之外,其他多数城市的步行指数呈离散分布(图6),无明显的集聚中心。
表6 步行指数与区位的交叉分析Tab.6 Cross-tabulation analysis of walking score and the location |
| 步行指数得分 | 参数 | 区位/km | 合计 | |||||
|---|---|---|---|---|---|---|---|---|
| >30 | 20~30 | 10~20 | 5~10 | 2.5~5 | 0~2.5 | |||
| 0~35 | 计数 | 130 | 420 | 1 016 | 786 | 487 | 266 | 3 105 |
| 占比/% | 12.9 | 12.7 | 13.1 | 13.1 | 13.3 | 13.1 | 13.1 | |
| 35~40 | 计数 | 353 | 1 148 | 2 746 | 2 160 | 1 221 | 706 | 8 334 |
| 占比/% | 35.1 | 34.8 | 35.2 | 36.0 | 33.4 | 34.7 | 35.0 | |
| 40~45 | 计数 | 368 | 1 229 | 2 860 | 2 158 | 1 386 | 748 | 8 749 |
| 占比/% | 36.6 | 37.2 | 36.7 | 36.0 | 37.9 | 36.7 | 36.8 | |
| 45~50 | 计数 | 101 | 322 | 710 | 560 | 344 | 176 | 2 213 |
| 占比/% | 10.0 | 9.8 | 9.1 | 9.3 | 9.4 | 8.6 | 9.3 | |
| 50~100 | 计数 | 54 | 183 | 460 | 334 | 220 | 141 | 1 392 |
| 占比/% | 5.4 | 5.5 | 5.9 | 5.6 | 6.0 | 6.9 | 5.9 | |
| 合计 | 计数 | 1 006 | 3 302 | 7 792 | 5 998 | 3 658 | 2 037 | 23 793 |
注:占比为列百分比。卡方检验结果显示,步行指数得分与区位之间存在显著关联(χ2=16.284, df=20,P<0.01)。 |
表7 步行指数与建设年代的交叉分析Tab.7 Cross-tabulation analysis of walking score and construction age |
| 步行指数得分 | 参数 | 建设年代 | 合计 | |
|---|---|---|---|---|
| 老城 | 新城 | |||
| 0~35 | 计数 | 1 418 | 1 687 | 3 105 |
| 占比/% | 11.3 | 15.0 | 13.0 | |
| 35~40 | 计数 | 4 390 | 3 944 | 8 334 |
| 占比/% | 35.0 | 35.1 | 35.0 | |
| 40~45 | 计数 | 4 476 | 4 273 | 8 749 |
| 占比/% | 35.6 | 38.0 | 36.8 | |
| 45~50 | 计数 | 1 393 | 820 | 2 213 |
| 占比/% | 11.1 | 7.3 | 9.3 | |
| 50~100 | 计数 | 879 | 513 | 1 392 |
| 占比/% | 7.0 | 4.6 | 5.9 | |
| 合计 | 计数 | 12 556 | 11 237 | 23 793 |
注:占比为列百分比。卡方检验结果显示,步行指数得分与建设年代之间存在显著关联(χ2=224.047,df=4,P<0.01)。 |
通过以上分析可知,步行指数与城市规模和地块区位、建设年代等因素有密切关联。但上述分析只是单因素的卡方分析,未能同时控制其他变量的交互影响。为了进一步揭示步行指数的影响因素,本文将使用回归模型揭示某一因素对于步行指数的独立影响。
3 步行指数的多层次影响因素分析
本研究首先建立分层回归的零模型,核验步行指数受不同城市的组间影响程度。以步行指数为因变量,城市名称为分类标识,不放入任何自变量,计算模型的组内相关系数,其值在城市层次为0.087,大于0.059的建议值。随机效应模型的参数估计结果显示,尽管地块层面的变异占多数(91.31%),但是城市层面的变异(8.69%)仍然是显著的(表8)。在似然比检验结果中,卡方值能够表示两个模型之间的差异,其值为1 729.52且概率值较低,表明在模型中引入城市作为随机效应(即考虑城市间的异质性)显著提高了模型对数据的拟合度。与忽略城市效应的普通线性模型相比,考虑城市随机效应的模型能更好地解释步行指数的变化,因此适合采用分层模型(表9)探讨地块及城市尺度的多个因素对步行指数的影响机理。此外,为探讨不同城市群中区位、建设年代及城市规模对步行指数的影响差异,研究构建了城市群与栅格区位、建设年代、城市规模的交互项模型。由于篇幅限制,本文未展示完整模型,仅呈现了分析结果。
表8 随机效应模型的参数估计结果Tab.8 Parameter estimation results of the random effects model |
| 随机效应参数 | 估计值 | 方差贡献比例/% | 标准误差 | 95%置信区间 |
|---|---|---|---|---|
| 变量(城市层级方差) | 3.16 | 8.69 | 0.47 | (2.36,4.24) |
| 变量(地块层级方差) | 33.20 | 91.31 | 0.31 | (32.60,33.80) |
| 似然比检验对比线性模型:χ2=1 729.52 P(≥χ2)=0.000 0 | ||||
表9 分层回归模型结果Tab.9 The rusults of hierarchical multiple regression model |
| 层级 | 影响因素 | 标准化系数 | 标准误差 | P |
|---|---|---|---|---|
| 地块 | 区位(距中心城区距离) | -0.043*** | 0.006 | 0.000 |
| 主导用地类型(ref.=工业用地) | ||||
| 住宅用地 | 0.241*** | 0.093 | 0.009 | |
| 商业服务业用地 | 0.700*** | 0.177 | 0.000 | |
| 交通用地 | 0.071 | 0.167 | 0.672 | |
| 公共管理与公共服务业用地 | 0.589*** | 0.127 | 0.000 | |
| 绿地 | 0.554*** | 0.178 | 0.002 | |
| 非城市建设用地 | 0.546 | 0.485 | 0.261 | |
| 建设年代(ref.=老城) | -2.247*** | 0.090 | 0.000 | |
| 城市 | 城市规模(ref.=大城市) | |||
| 中等城市 | -3.798*** | 0.859 | 0.000 | |
| 小城市 | -1.939 | 1.586 | 0.222 | |
| 城市管理水平 | -0.004** | 0.002 | 0.025 | |
| 社会发展水平 | 0.770*** | 0.063 | 0.000 | |
| 规划理念 | 1.069** | 0.467 | 0.022 | |
| 经济发展水平 | -0.171 | 0.699 | 0.806 | |
| 政府财政能力 | 4.080 | 9.131 | 0.655 | |
| 所在城市群(ref.=长三角城市群) | ||||
| 珠三角城市群 | -1.734*** | 0.481 | 0.000 | |
| 京津冀城市群 | -0.193 | 0.391 | 0.622 | |
| 城市规模#区位 | 中等城市 | -0.413*** | 0.083 | 0.000 |
| 小城市 | -0.412*** | 0.148 | 0.005 | |
| 城市规模#建设年代 | 中等城市新城 | -0.753** | 0.313 | 0.016 |
| 小城市新城 | -1.735*** | 0.639 | 0.007 | |
| 常量 | 41.574*** | 0.223 | 0.000 | |
| 样本数量 | 23 793 | |||
| 分组数量 | 138 | |||
| P(>χ2) | 0.000 | |||
注:**表示P<0.05,***表示P<0.01;ref.表示参考量。 |
3.1 栅格层面的影响因素
模型结果显示栅格层面的3个变量:区位(距城市中心的距离)、主导用地类型以及建设年代均对步行指数有显著影响,说明栅格本身的属性是影响其步行指数的重要因素。如表9所示,随着距城市中心的距离增大,步行指数逐渐降低。步行指数在中心城区较高,可能是因为城市中心地区拥有适宜的步行尺度,高度集中的商业、零售、餐饮以及其他服务业提供了居民所需的多样化服务与活动,进而促进街道可步行性。在城市边缘区或郊区,街区尺度大,服务和便利设施分布较为分散,从而步行的便捷性降低,步行指数降低。
为研究距城市中心距离在不同规模城市影响的差异性,本文还构建了城市规模和栅格区位的交互项。模型结果(表9)显示:相较于大城市,距城市中心的距离对步行指数的影响在中小城市更大,即距中心城区越远,其步行指数衰减得更快。可能的原因是大城市发展水平较高,中心城区和其他区域的差异没有中小城市的大,在某种程度上也表明在中小城市中,还存在单极化发展造成的中心-边缘结构,而在大城市中各区域相对均衡发展,彼此之间的差异并没有如此显著。城市群与区位的交互结果显示,距中心城区越远,步行指数越低,且珠三角和京津冀城市群的衰减速度明显快于长三角。这可能是由于珠三角外围多为“三旧”混杂、碎片化土地,功能无序,降低了步行便利性;京津冀边缘区多为规划滞后的新区,职住分离使步行指数较低;而长三角因协同一体化、区域功能完善,步行指数差异较小。
在控制其他因素的影响后,主导用地类型会显著影响栅格的步行指数:商业服务业用地的栅格步行指数最高,公共管理与公共服务业用地、绿地、住宅用地和工业用地的栅格步行指数依次下降,交通用地与非城市建设用地结果不显著。商业区提供了多样的服务和商品,吸引消费;公共管理与公共服务业用地主要是政府机构、教育机构等的聚集地,与居民的日常生活、学习和办公事务息息相关;住宅区是居住地,5 min-10 min-15 min生活圈的建设强调了通过便捷的步行出行获得可达服务的重要性,因此这三类与居民日常生活紧密关联的用地设施密集、业态多样且具有较小的街区尺度,非常有利于步行出行,从而步行指数较高。绿地虽然步行环境较好,但这类开放空间相较于其他城市功能区,具有较稀疏的道路和较单一(甚至没有)的业态设施,因而步行指数并不高。工业用地以仓储、运输等功能为主,尺度较大且空气污染程度高,步行指数较低。
地块的建设年代会显著影响栅格的步行指数:老城的步行指数高而新城低。城市的老城区建设时间较为久远,其空间格局和尺度成型于步行和自行车为主要交通方式的年代,因此城市的建设尺度就是步行的尺度,有更为紧凑的空间布局,且因为发展成熟,拥有丰富和多样的服务设施,故而步行指数较高。新城一般位于城市边缘和城市外围区,相较于老城区,其空间格局成形于机动车为主导的时代,而且这一时期的规划理念倾向于向西方学习所谓 “宽马路、大尺度”的标准现代化模式,街区尺度较大[48],过于强调功能分区,又因为建设时间不久,设施配套尚未完善,从而导致步行指数降低。城市规模与建设年代的交互结果显示,新城步行指数显著低于老城,这种差异在中小城市更为显著。这可能意味着大城市新老城区的发展相对均衡,而中小城市新城和老城之间的差异更为明显。城市群与建设年代的交互结果显示,新城步行指数显著高于老城,珠三角差异尤为明显。这可能表明珠三角新城更注重高密度开发与慢行系统规划,紧凑的土地利用提升了步行指数。
3.2 城市层面的影响因素
在城市规模方面,在控制其他变量之后,仅有大城市和中等城市的步行指数有显著差异:中等城市步行指数低于大城市。大城市在多样化的商业和服务业态以及完善的路网系统和公共交通系统(如地铁、公交)等方面更具优势,故而步行指数较高。此外,相比于中等城市,大城市更早面临交通拥堵问题,因而更早启动步行友好政策,中等城市可能尚未将步行系统纳入优先议程,或政策执行力度不足。城市群与城市规模的交互结果显示,相较于长三角城市群和京津冀城市群,珠三角城市群的小城市步行指数较低,主要由于快速工业化驱动的低密度蔓延,工业区、城中村与住宅混杂,功能分区模糊,且通勤偏向机动化,影响步行连续性。相比之下,长三角强调“紧凑城市”和“一体化发展”,城市规模对步行指数影响较小。
城市的社会发展水平可通过居民的健康和环保意识,以及对社会公平的关注程度等方面对步行指数产生影响。本文以地区预期寿命作为地方社会发展水平的表征变量,地区预期寿命越长,则代表这个地方的社会发展水平越高。模型结果显示,社会发展水平对步行性的影响呈正向影响,社会发展水平越高,其步行性越高。这或许是因为社会发展水平高的城市居民更重视健康生活方式,也更有环保意识,会主动选择步行等健康和低碳出行方式、重视步行相关设施的建设。此外,社会发展水平高的城市更注重包容性设计[51],避免步行资源分配不均,因此会关注老人、小孩、残疾人等弱势群体的出行和设施建设,如老年友好设施的建设、低收入社区步行可达性保障、残障人士无障碍通行等,这些细节的关注和设计会促进居民更多选择步行出行,提高城市的步行指数。
本文以人均实际利用外资水平作为规划理念的表征:城市吸引外资越多,代表城市的开放度越高,越可能受到来自国外先进城市规划理念的影响[52]。规划理念对城市步行指数的影响是多方位的,规划理念越先进,步行指数越高。实际上,“以人为本”和“可持续发展”等先进规划理念最早在西方国家得到广泛应用[53],特别是在工业革命后的西方城市建设和公共空间设计中。此外,规划理念本身很难寻找到直接的统计量进行测度。在“以人为本”和“可持续发展” 的城市发展思想倡导下,“紧凑城市(compact city)”“健康城市” “低碳城市”以及TOD导向等先进的规划理念可从用地的空间布局、交通协同、城市设计要素、政策导向等多个维度影响街区的步行指数。如紧凑的城市形态通过缩短居民与设施的距离,直接提升步行可达性;公共交通与步行网络的衔接是提升步行指数的关键;慢行系统优先政策则通过压缩机动车道、增设自行车道和人行道,重构路权分配[54]来提升街道的步行性;城市设计的元素,如街道绿视率、天空开敞度、界面通透性等视觉要素会直接影响步行体验;步行友好政策的顶层设计通过标准化和绩效考核推动步行环境改善。此外,城市层面的经济发展水平和政府财政能力对于步行指数的影响并不显著。
珠三角城市群的城市步行指数显著低于位于长三角城市群的城市,说明在模型控制的因素(模型变量)之外,还有其他原因造成这一现象。不同于长三角的城市,珠三角普遍存在数量较多的“城中村”,狭窄的巷道、建设的无序、外来人口众多、社会治安混乱等问题严重阻碍步行空间的优化。此外,珠三角以“世界工厂”著称,大量村级工业园区[55]与居住区分离,通勤依赖机动车,街道功能侧重物流效率而非步行体验,也是其步行指数低的原因。已有研究显示[56]长三角城市群在协调发展方面尤为亮眼,2018年长三角一体化上升为国家战略之后,长三角城市群协同发展的势头尤为明显。规划协同促进社会、经济、环境、资源和服务的多维全面协调,更加注重“以人为本”和人性化的城市设计,以提升居民福祉为目标,促进可持续发展,从而步行指数整体得以提升。
4 结论
步行可以促进公共健康、增强社会互动、提升经济活力、保障公平性、降低碳排放和能源消耗,是践行“以人为本”和“可持续发展”理念的重要抓手。如何科学测度地块以及城市的步行性,成为当前学界和实践领域的热点话题。本文构建了适合中国国情的步行指数测度体系,并以长三角、京津冀、珠三角三大城市群的138个城市为实证案例,探究步行指数的分布特征及影响因素。研究发现:
在步行指数的测度方面,纳入空气污染指数与拥挤指数(按照阈值分为正向和负向影响)的步行指数测度体系能够更加科学地测度我国城市的步行指数。以南京为案例,改良之后的步行指数测度结果更符合居民的实际体验。可见,步行指数虽然是普适性的工具,但其测度却需考量多种因素,特别是一些本土化指标和参数,以实现对环境的精准评估,使其真正成为兼顾科学性与实用性的城市诊断工具。
在实证研究方面,本文对三大城市群城市的步行指数进行了比较,发现长三角城市的步行指数最高,京津冀次之,珠三角最低。在城市内部,步行指数的分布呈现出圈层分布、扇形放射分布和离散分布3种特征:京津冀城市群的城市步行指数多呈圈层分布,步行指数从城市中心向外逐步递减;长三角和珠三角城市群的部分城市步行指数呈扇形放射格局,沿蓝绿道和主要交通干线形成高值走廊;而更多城市的步行指数分布表现为离散分布,无明显集聚趋势。
在影响因素方面,针对当前研究仅分析地块层面单一要素影响的不足,本文构建了多层次回归模型,同时分析地块和城市两个层面因素对步行指数的影响机理和效应。城市层面的因素可以解释差异的8.69%,说明城市环境也是影响地块步行指数的重要因素。具体而言,城市规模、管理水平、社会发展水平、规划理念都对步行指数产生统计学意义上的显著影响。规模越大、管理水平越高、社会发展水平越高、规划理念越先进,城市的步行指数越高。以上研究表明,提升一个地块的步行指数不仅应考虑地块本身的因素,还需要从所在城市的视角进行针对性的政策干预,才能有更好的效果。
此外,本文研究结果对政策制定也有一定的启示意义。从城市群层面来看,长三角城市群应进一步优化街道环境建设,同时注重提升城市美学,打造舒适宜人的步行环境;京津冀城市群可以通过促进公共设施均衡分配、完善交通基础设施与路网连通性等措施缩小城市之间的步行性差异;珠三角城市群则需要采用更细致的规划方法,优化交通流线设计,并通过限制机动车速度、改善路口设计等措施减少人车冲突。从城市层面来看,大城市应鼓励建设高社会包容性的社会环境,通过建立步行优先区,在缓解拥堵的同时提高公众对健康生活方式的认知;中等城市应推进以人为本、步行友好的规划理念,同时考虑经济发展不同阶段下的步行需求和政府在步行基础设施上的投资,以实现步行指数的全面提升;小城市可以通过业态布局优化等措施实现街区功能多样化及高效紧凑的土地利用。
尽管本研究尝试在步行指数测度及其影响因素分析方面进行创新,但仍存在以下不足:首先,测度指标全部都是对步行环境的客观测度,缺乏居民对步行环境的主观感知评价;其次,所选取的指标面向的是全龄群体,缺乏对步行环境改善有强烈需求但却处于弱势的群体(如老年人群和儿童)的关注。在后续研究中需要针对测度体系进一步改进,从而更精准、全面地评估城市空间步行性。