街道类型与休闲骑行路径偏好的空间异质性研究——基于街景影像与多源大数据的杭州核心城区实证分析

本研究针对当前街景元素对不同街道空间休闲骑行行为影响机制研究不足的问题，基于POI数据和Strava众包数据，采用街景影像与机器学习技术计算街道环境指标，通过OLS和GWR模型揭示了安全隔离度、设施多样性等6个关键指标对骑行流量的差异化影响。研究成果为构建健康公平的骑行友好型街道环境提供了类型化设计策略，对促进城市可持续发展具有重要意义。

　　

在全球城市化引发的环境挑战与公共卫生危机背景下，骑行作为"主动出行"模式的重要性日益凸显。尽管各国将自行车纳入公共健康政策，但现有研究存在明显局限：一方面，传统"5Ds"框架（密度Density、多样性Diversity等）主要关注建成环境宏观特征，忽视街道微观尺度的空间异质性；另一方面，基于共享单车数据的研究多聚焦短途通勤骑行，对长距离休闲骑行（Recreational Cycling）这种强调体验的新型运动模式缺乏系统探讨。更关键的是，不同功能街道的环境要素组合如何差异化影响骑行偏好，这一机制尚未被充分揭示，严重制约了研究成果在街道设计实践中的适用性。

针对这些科学问题，燕山大学艺术与设计学院的研究团队以杭州核心城区（上城、拱墅、西湖、滨江四区）为研究对象，开展了一项创新性探索。研究首先基于239,254条POI（兴趣点）数据，通过频率密度比法将8,687条街道划分为混合功能、商业、生活服务、工业和景观5种类型。利用Strava热力地图获取2011-2024年间1,901条休闲骑行轨迹，结合SegNet卷积神经网络对23,509张街景图像进行语义分割，提取机动化水平（Motorization level）、安全隔离度（Safety isolation degree）等10项指标。通过普通最小二乘法（OLS）筛选出6个显著影响因子后，采用地理加权回归（GWR）模型深入解析空间异质性特征。

关键技术方法包括：1）基于ADE20K数据集的街景图像语义分割技术；2）Strava众包骑行轨迹的空间可视化处理；3）POI频率密度比的街道功能分类算法；4）多尺度地理加权回归建模。这些方法协同实现了从街道环境量化到空间异质性分析的完整研究链条。

研究结果揭示以下重要发现：

街道类型的骑行容量差异

混合功能街道（占比64.4%）和景观街道（平均1,407次/街道）最受骑行者青睐，工业街道（343次/街道）使用率最低。高骑行流量街道集中分布于钱塘江、京杭大运河等滨水廊道，以及西湖、西溪湿地等大型绿地周边，证实自然景观资源对休闲骑行的吸引力。

街景指标的全局影响

OLS模型显示，安全隔离度（β=14,705.65）对骑行流量的正向影响最强，设施多样性（β=9,050.48）、机动化水平（β=6,810.64）和绿视率（Green view index, β=6,183.77）次之。而界面透明度（Interface transparency, β=-78,102.31）与无序度（Interface disorder, β=-15,387.38）呈现显著抑制作用，这与步行行为研究结论形成有趣对比。

空间异质性特征

GWR模型（R²=0.406）揭示：在混合功能街道中，安全隔离设施对东北部骑行流量促进效应显著，但在火车站周边却因空间挤压产生负向影响；商业街道的设施多样性在西湖景区内促进作用突出，而沙墩历史街区则因界面透明度的文化吸引力形成特殊正向响应。景观街道中各指标效应强度普遍放大，工业街道则整体较弱。

这项发表于《BMC Public Health》的研究具有三重重要意义：首先，首次系统验证了街景元素影响骑行偏好的空间非平稳性，为健康城市设计提供了精准诊断工具；其次，提出的类型化设计策略（如混合功能街道的交通系统整合、景观街道的休憩节点优化）可直接指导实践；最后，研究构建的"安全-舒适-便利-吸引力"四维评价框架，为全球城市推进健康公平和可持续发展目标提供了新思路。研究团队也指出未来需加强时序动态分析，并融合多源数据提升模型精度，这些方向将推动骑行环境研究向更精细化方向发展。