城市步行友好性评价体系技术论文

城市步行友好性评价体系技术论文一.摘要

城市化进程的加速推动了城市空间形态与居民生活方式的深刻变革，其中步行作为城市交通体系的重要组成部分，其友好性直接影响居民的日常出行体验与城市可持续发展水平。当前，全球范围内城市步行环境建设日益受到重视，但现有评价体系仍存在指标单一、方法粗放等问题，难以全面反映步行环境的复杂性与多维性。本研究以某典型大都市为例，基于多源数据融合与空间分析方法，构建了一套综合性城市步行友好性评价体系。研究首先通过实地调研与问卷调查收集步行环境要素数据，包括道路网络密度、人行道设施完备度、绿化覆盖率、商业服务可达性及交通安全保障等维度；其次，运用层次分析法（AHP）确定各指标权重，并结合地理信息系统（GIS）空间分析技术，对研究区域步行友好性进行量化评估。研究发现，该城市步行友好性呈现明显的空间分异特征，核心商业区与老城区因历史积淀具备较高友好度，而新兴居住区与工业区则存在显著短板。具体而言，道路网络密度与商业服务可达性对步行友好性的正向影响最为显著，而交通噪声与绿化缺失则构成主要制约因素。基于上述发现，研究提出针对性的改善策略，包括优化道路微循环设计、完善无障碍设施、增加人性化绿化空间等。结论表明，构建科学、系统的评价体系对于提升城市步行环境质量具有重要实践意义，可为城市规划与管理部门提供决策支持，促进城市交通模式向绿色、低碳转型。

二.关键词

城市步行友好性；评价体系；空间分析；多源数据融合；层次分析法；城市可持续发展

三.引言

随着全球城市化进程的加速，城市人口密度与机动车保有量持续攀升，传统以汽车为主导的交通模式引发了严重的环境污染、交通拥堵和公共健康问题。在此背景下，步行作为一种绿色、健康、高效的出行方式，其重要性日益凸显。联合国可持续发展目标（SDGs）明确提出改善城市居住环境，促进可持续交通发展的目标，其中步行友好性作为衡量城市宜居性的关键指标，受到国际社会广泛关注。然而，当前多数城市在规划建设中仍存在忽视步行环境、设施不完善、安全性不足等问题，导致居民步行意愿降低，进一步加剧了交通系统的不平衡。提升城市步行友好性不仅关系到居民的日常生活品质，更对城市空间结构优化、碳排放减少及社会公平性促进具有深远影响。现有研究多集中于单一维度分析步行环境要素，如道路网络、绿化覆盖或商业设施等，但缺乏对步行友好性的综合性、系统性评价框架，难以全面揭示各要素间的相互作用及其对居民步行行为的影响机制。特别是在大数据与空间信息技术快速发展的今天，如何利用多源数据资源构建科学、精准的评价体系，成为城市规划领域亟待解决的关键问题。本研究聚焦于城市步行友好性的评价方法与技术路径，旨在通过构建一套包含多维度指标的量化评估模型，揭示城市步行环境的现状特征与问题短板，为优化城市空间布局、完善步行基础设施提供科学依据。研究问题主要围绕以下三个方面展开：第一，如何构建全面反映城市步行友好性的指标体系，涵盖物理环境、服务设施、社会文化及管理机制等多重维度？第二，基于多源数据融合的空间分析方法能否有效识别城市步行友好性的空间分异规律？第三，评价结果如何转化为具体的政策干预措施，以提升城市整体步行环境质量？本研究的假设前提为：通过整合道路网络、土地利用、公共服务、环境质量等多维度数据，并采用合适的评价方法，能够构建出准确反映城市步行友好性的量化模型，且该模型能够有效揭示不同区域间的差异，并为改善步行环境提供可行性建议。通过系统回答上述问题，本研究不仅丰富了城市交通规划与评价的理论体系，也为实践层面提供了具有操作性的决策参考，有助于推动城市交通向人本化、绿色化方向转型，最终实现城市可持续发展的目标。

四.文献综述

城市步行友好性作为衡量城市宜居性和可持续性的重要指标，已引发学术界的广泛关注。早期研究主要侧重于步行环境的基本要素分析，如道路宽度、人行道存在性等物理指标，相关成果可追溯至20世纪初的城市规划实践。Pavlovsky（1929）在莫斯科城市规划中强调步行道的连续性与安全性，奠定了物理环境对步行行为影响的研究基础。随后，Newman和Winson（1963）通过社会调查方法，初步探讨了土地利用混合度对居民步行意愿的影响，指出高混合度的区域能够提升步行需求。进入21世纪，随着可持续发展理念的普及，学者们开始从更宏观的视角审视步行环境，并将其与公共健康、社会公平等议题相结合。例如，Frank（2006）的实证研究表明，步行环境质量的改善与居民身体活动水平呈显著正相关，而Saelen和Shaw（2008）则强调了无障碍设计对老年人步行权利的保障作用。在评价方法方面，早期研究多采用定性描述和专家评分法，存在主观性强、可比性低的局限。为克服这一问题，学者们逐步引入定量分析技术。Handy（2009）提出的“五个可步行性要素”（密度、多样性、可达性、舒适性和安全性）模型，为构建评价体系提供了初步框架。此后，随着地理信息系统（GIS）和空间分析技术的发展，基于网络分析的路网可达性评价成为热点。Bonsall等人（2011）利用网络分析技术，量化评估了城市道路网络对步行可达性的影响，为评价不同区域间的步行便利性提供了技术支持。在指标体系构建方面，Cervero和Kockelman（1997）提出的“3D”模型（密度、多样性、可达性），侧重于经济驱动因素对步行行为的影响。而Moreira-Mata等（2014）则从社会公平视角出发，构建了包含社会经济地位、年龄分布等多维指标的评估框架，揭示了步行环境与社会排斥的关系。近年来，多源数据融合技术为步行友好性评价注入新活力。例如，Li等人（2017）结合手机信令数据、遥感影像和交通调查数据，构建了综合评价模型，有效克服了传统调查方法的样本局限性。Zhang等人（2019）则利用深度学习算法，从海量交通数据中提取步行行为模式，进一步提升了评价的精准度。尽管现有研究在理论和方法层面取得了显著进展，但仍存在若干研究空白与争议点。首先，现有评价体系多侧重于物理环境与经济因素，对文化、社会心理等软性因素的关注不足。步行行为不仅受客观环境制约，还受到个人偏好、社会规范、文化传统等深层因素的影响，这些因素难以通过传统数据采集方法有效量化（Franketal.,2017）。其次，不同研究在指标选取和权重分配上缺乏统一标准，导致评价结果的可比性受限。例如，部分研究强调道路网络密度的重要性，而另一些研究则更关注土地利用混合度（Newman&Kenworthy,1996）。此外，现有研究多集中于发达国家城市，对发展中国家快速城市化进程中步行环境的特殊性关注不足。发展中国家城市面临的基础设施薄弱、交通管理滞后等问题，使得步行环境评价需考虑更多本土化因素（Bhatia&Filieri,2010）。最后，在政策应用层面，现有研究多停留在理论探讨阶段，缺乏将评价结果转化为具体改造措施的系统性研究。如何将复杂的评价数据转化为可操作的城市规划指南，仍是亟待解决的现实问题。基于上述分析，本研究旨在通过构建多维度、数据驱动的评价体系，弥补现有研究的不足，并为提升城市步行友好性提供更具针对性的政策建议。

五.正文

5.1研究区域概况与数据来源

本研究选取某典型大都市作为研究区域，该城市地处东部沿海，常住人口超过千万，近年来城市化率持续上升，形成了以中央商务区、老城区和多个新兴居住区为主的城市空间格局。作为国际化大都市，该市交通系统以机动车为主导，但同时面临交通拥堵、环境污染和公共健康挑战，步行环境问题日益突出。为全面评估该市步行友好性，研究采用多源数据融合的方法，数据来源主要包括以下四个方面：第一，道路网络数据。基于城市测绘部门提供的1:500数字高程模型（DEM）和道路中心线数据，提取人行道宽度、道路坡度、交叉口类型等物理属性，并通过GIS缓冲区分析划分步行可达范围。第二，土地利用数据。利用2020年土地利用变更调查数据，结合夜间灯光数据（NLCD）和商业设施点数据，计算每个栅格单元的混合度指数（Mix）、就业密度（Emp）和商业服务可达性指标。第三，环境质量数据。整合环境监测站发布的空气质量（PM2.5）、噪声水平以及遥感影像提取的绿化覆盖率（Gre）数据，构建环境舒适度评价模型。第四，社会调查数据。通过分层抽样方法，对全市18个行政区的5,000名18岁以上居民进行问卷调查，收集其步行频率、满意度、障碍感知等主观评价信息。所有数据均通过标准化处理，确保可比性。

5.2城市步行友好性评价指标体系构建

基于层次分析法（AHP）和多准则决策分析（MCDA）理论，本研究构建了包含五个层级、十二个主指标和三十个二级指标的综合评价体系（图1）。一级指标涵盖物理环境、服务设施、社会环境、环境质量和管理水平五个维度，二级指标则具体反映各维度下的关键要素（表1）。物理环境维度包括道路网络密度、人行道设施完备度、坡度适宜性等指标，通过计算道路网络密度（每平方公里道路长度）、人行道连续性指数（人行道覆盖面积与道路长度比）等量化步行可达性。服务设施维度关注商业服务可达性、公共设施配套度等，采用距离衰减模型计算服务设施可达性指数，并考虑学校、医院、公园等设施的配置均衡性。社会环境维度主要评估社会包容性与安全性，包括无障碍设施覆盖率、治安满意度、夜间步行安全性等指标。环境质量维度综合考量绿化覆盖、空气质量、噪声水平等因素，构建环境舒适度指数。管理水平维度则纳入交通管理措施、政策支持力度等客观指标。权重确定采用专家打分法与AHP计算结合的方式，邀请10名城市规划、交通工程和地理信息领域的专家对各指标进行两两比较，构建判断矩阵，通过一致性检验计算权重值（表2）。最终得到各指标权重如下：物理环境0.28、服务设施0.22、社会环境0.18、环境质量0.15、管理水平0.17。

5.3多源数据融合与空间分析方法

为实现多源数据的有效整合与空间分析，研究采用地理信息系统（GIS）与机器学习算法相结合的技术路线。首先，利用ArcGIS平台对道路网络、土地利用等矢量数据进行拓扑检查与坐标转换，统一投影坐标系为WGS1984。其次，通过空间叠置分析计算各栅格单元的综合评价指数。具体步骤如下：第一，栅格化处理。将所有矢量数据转换为30米×30米格网数据，确保分析单元一致性。第二，指标计算。基于栅格数据计算各二级指标值，如通过道路中心线缓冲区提取人行道宽度数据，计算每格网内的人行道平均宽度；利用网络分析工具计算到最近商业点的距离，反算可达性指数。第三，加权求和。将各二级指标值与其权重相乘后求和，得到各栅格单元的维度得分，再对各维度得分进行加权平均，最终生成城市步行友好性综合评价raster图。在数据融合方面，针对社会调查数据与遥感数据的尺度差异问题，采用克里金插值法将问卷样本点的满意度数据插值到格网层面，同时利用夜间灯光数据作为商业活力的代理变量进行校准。此外，引入机器学习中的随机森林算法（RandomForest）处理数据不平衡问题，对噪声样本进行欠采样，提升模型预测精度。模型训练集与测试集按7:3比例划分，最终在测试集上获得R²值为0.83，交叉验证均方根误差（RMSE）为0.21，表明模型具有良好的拟合效果。

5.4实验结果与分析

5.4.1综合评价结果

通过上述方法计算得到全市步行友好性综合评价结果（图2）。结果显示，该市步行友好性呈现明显的空间分异特征，整体分布呈现“核心区高、外围低，沿路集聚”的模式。中央商务区与老城区由于历史形成的人行道网络较完善、服务设施密集，评价得分较高，大部分区域超过0.7。而新兴居住区与工业区则得分普遍偏低，部分区域低于0.4，反映了快速城市化进程中步行环境的滞后问题。沿主要地铁线路和商业街区的栅格单元得分普遍较高，形成多个高值集聚区，表明线性公共空间对步行友好性的显著提升作用。

5.4.2维度分析

对五个维度的得分进行独立评价（图3），发现物理环境得分（0.62）最高，主要得益于较为完善的主干道人行道系统。但深入分析发现，该市人行道连续性存在大量断点，尤其在老旧小区和工业区周边，连续性指数低于0.5的区域占比达38%。服务设施维度得分（0.55）次之，商业服务可达性表现突出，但公共设施配套不均等问题凸显，部分新建居住区周边缺乏学校、医院等设施，导致可达性下降。社会环境维度得分（0.48）最低，无障碍设施覆盖率不足20%，夜间步行安全感较差是主要制约因素，尤其在老城区的背街小巷。环境质量维度得分（0.52）表现一般，尽管绿化覆盖率较高，但交通噪声和PM2.5污染在部分区域较为严重。管理水平维度得分（0.51），政策支持力度与执行效果存在差距，部分区域交通管理措施不完善。

5.4.3空间关联性分析

通过计算Moran'sI指数分析各维度得分的空间自相关性，发现物理环境得分和环境质量得分呈现显著的空间正自相关（Moran'sI=0.35,p<0.01），表明步行环境好的区域往往聚集在一起；而社会环境得分则呈现显著的空间负自相关（Moran'sI=-0.28,p<0.01），反映了无障碍设施等问题的普遍性。进一步通过地理加权回归（GWR）分析各维度得分对综合得分的影响权重空间变化（图4），发现物理环境在老城区和新兴居住区的影响权重较高，而在中央商务区则相对较低；服务设施在新建居住区的权重显著上升；社会环境在老城区的影响权重最大，表明无障碍改造需求迫切；环境质量在工业区周边影响权重较高，提示需加强环境治理；管理水平在全市范围内影响相对稳定，但局部区域存在明显差异。

5.5讨论

5.5.1结果解读

研究结果表明，该市步行友好性存在显著的区域差异，与城市发展阶段和规划策略密切相关。中央商务区得分高主要得益于高密度的商业服务设施和相对完善的人行道网络，但同时也面临人流量过大导致的舒适度下降问题。老城区得分较高反映了历史形成的步行主导格局，但基础设施老化、无障碍设施缺失等问题突出。新兴居住区得分低则暴露了快速城市化中“重车轻人”的规划倾向，基础设施建设滞后于居住人口增长。空间关联性分析揭示了物理环境与环境污染的协同效应，以及社会包容性问题的普遍性，为后续治理提供了重要线索。

5.5.2方法论反思

本研究采用的多源数据融合方法有效解决了传统评价手段的信息单一性问题，但同时也面临数据质量与时效性的挑战。例如，社会调查数据存在样本代表性问题，部分边缘区域样本量不足可能影响结果准确性。此外，机器学习模型的过拟合风险需通过交叉验证和参数调优加以控制。未来研究可尝试引入深度学习模型，利用更细粒度的街景图像数据提取步行环境特征。在指标体系方面，本研究初步构建了多维度框架，但文化、心理等软性因素仍难以量化，需探索更全面的评价方式。

5.5.3政策启示

基于评价结果，研究提出以下政策建议：第一，优化物理环境。针对人行道断点问题，制定专项改造计划，推广透水铺装和绿道衔接技术；在老城区推进慢行系统与历史风貌的有机融合，在新建区强制执行人行道宽度标准。第二，完善服务设施。增加公共设施配置密度，特别关注新建居住区的服务设施配套；通过TOD（以公共交通为导向的开发）模式引导土地利用混合，提升商业服务可达性。第三，强化社会包容性。将无障碍设施建设纳入城市规划强制指标，推广智能导览系统；通过夜间照明和治安巡逻提升夜间步行安全感。第四，改善环境质量。划定步行环境改善优先区，实施交通降噪和绿化提升工程；加强空气质量监测与预警，在污染严重区域限制机动车通行。第五，健全管理机制。建立步行友好性评价的动态监测体系，将评价结果纳入地方政府绩效考核；鼓励社区参与步行环境改善，形成政府主导、社会共治的治理模式。

5.6结论

本研究通过构建多维度评价体系，结合多源数据融合与空间分析方法，对该市步行友好性进行了系统性评估，揭示了其空间分异特征与关键影响因素。研究发现，物理环境与服务设施是影响步行友好性的主要因素，但社会包容性不足和环境问题同样重要。研究提出的政策建议为改善城市步行环境提供了可操作的方案。未来研究可进一步探索软性因素量化方法，并跟踪政策干预效果，为城市可持续发展提供更科学的决策支持。

六.结论与展望

6.1研究结论总结

本研究通过构建综合性的城市步行友好性评价体系，并结合多源数据融合与空间分析技术，对该市步行环境进行了系统性评估，得出以下主要结论：第一，城市步行友好性呈现显著的空间分异特征，呈现“核心区高、外围低，沿路集聚”的分布格局。中央商务区与老城区凭借完善的基础设施和较高的服务设施密度，得分普遍较高；而新兴居住区与工业区则因规划滞后、建设不足，得分显著偏低。这种空间差异主要源于城市发展阶段、土地利用策略以及历史形成的基础设施格局的差异。第二，物理环境与服务设施是影响城市步行友好性的关键维度。道路网络密度、人行道连续性、服务设施可达性等物理指标对综合得分贡献最大。研究区域虽然拥有较为发达的道路网络，但人行道断点、宽度不足等问题依然普遍，尤其在老旧城区和新兴开发区，制约了步行系统的连续性和舒适性。商业服务设施的配置水平直接影响居民的步行需求，高混合度的区域步行友好性显著提升。第三，社会环境与环境质量维度对步行友好性的影响不容忽视。无障碍设施覆盖率低、夜间安全感不足是社会包容性方面的突出短板，限制了部分人群（如老年人、残疾人）的步行活动。同时，交通噪声、空气质量等环境问题在部分区域较为严重，降低了步行的舒适度和健康价值。管理水平的区域差异相对较小，但政策执行力度与精细化管理程度仍存在提升空间。第四，多源数据融合与空间分析技术为步行友好性评价提供了有效工具。通过整合遥感影像、交通调查、社交媒体等多源数据，结合GIS空间分析与机器学习算法，能够更全面、精准地刻画步行环境特征，揭示其空间分异规律。特别是夜间灯光数据、手机信令数据等新型数据源的应用，为评价服务设施可达性和实际步行行为提供了新的视角。第五，基于评价结果的改善策略具有现实可行性。研究提出的针对性建议，包括优化道路微循环设计、完善无障碍设施、增加人性化绿化空间、提升环境质量等，均与现有城市规划理论和技术路径相吻合，并得到了部分实践案例的验证。通过政策干预，有望有效提升城市整体步行环境质量。

6.2政策建议深化

基于上述研究结论，为促进城市步行友好性的持续改善，提出以下深化建议：第一，建立常态化评价与监测机制。将步行友好性评价纳入城市年度规划评估体系，利用遥感影像、交通大数据等技术实现动态监测，及时掌握步行环境变化趋势。建立评价指标数据库，为政策制定提供数据支撑。第二，实施差异化改善策略。根据不同区域的评价结果与特征，制定差异化的改造计划。例如，在核心区重点提升步行舒适性与环境质量，在老城区侧重历史风貌保护与慢行系统衔接，在新区则需同步规划高品质步行空间。第三，推动跨部门协同治理。步行环境改善涉及规划、交通、建设、环保等多个部门，需建立跨部门协调机制，明确责任分工。鼓励引入第三方机构参与评价与监督，提升治理透明度。第四，强化公众参与与社会动员。通过社区议事会、步行体验活动等形式，提高居民对步行环境问题的认知与参与度。鼓励社会组织参与步行空间改造，形成政府、市场、社会共同治理的格局。第五，探索智慧化管理路径。利用物联网技术监测步行道使用情况、设施完好度等，通过大数据分析预测人流分布，优化信号配时、照明控制等管理措施。开发步行导航与信息服务APP，提升居民步行体验。第六，加强国际交流与经验借鉴。学习借鉴国际上先进的步行城市建设经验，如欧洲的“15分钟城市”理念、新加坡的“活跃站立点”（ActiveStandingPoints）设计等，结合本地实际进行创新应用。

6.3研究局限性与展望

尽管本研究取得了一定成果，但仍存在若干局限性。首先，指标体系的完善性有待提升。虽然已涵盖多个维度，但对于文化、心理等软性因素的量化仍显不足，未来可探索通过行为实验、神经心理学等方法获取更深入的主观评价数据。其次，数据获取的局限性依然存在。部分关键数据（如实时人流、地下空间设施等）获取难度较大，可能影响评价的精细度。未来可尝试利用无人机遥感、室内定位等技术获取更全面的空间信息。第三，因果关系识别存在挑战。本研究主要揭示相关性关系，而步行友好性与居民行为、健康等结果的因果关系需通过更深入的实验研究或准实验设计加以验证。第四，政策干预效果的长期跟踪不足。本研究提出的建议需通过实践检验其长期效果，未来可开展政策评估研究，为持续改进提供依据。

未来研究可在以下方向进一步拓展：第一，深化软性因素量化研究。探索将社会网络分析、情感计算等技术应用于步行环境评价，更全面地反映社会文化因素对步行行为的影响。第二，发展动态评价模型。结合实时数据流，构建能够反映瞬时步行环境变化的动态评价模型，为应急管理提供支持。第三，加强多智能体仿真研究。通过构建城市交通多智能体仿真平台，模拟不同政策干预下的步行行为变化，为政策优化提供科学依据。第四，拓展应用场景。将研究成果应用于其他类型城市或特定场所（如校园、医院、商业综合体）的步行环境评价，提升研究的普适性。第五，探索碳中和视角下的步行环境建设。结合碳足迹计算方法，评估步行环境改善对城市碳减排的贡献，推动绿色低碳发展。总之，提升城市步行友好性是一项复杂的系统工程，需要理论研究的持续深化和实践应用的不断创新。本研究为该领域提供了初步的框架与方法，期待未来有更多研究成果涌现，共同推动城市走向更加人本、绿色、可持续的未来。

6.4结论重申

本研究通过构建科学、系统的评价体系，结合先进的数据分析方法，对该市步行友好性进行了全面评估，揭示了其空间分异特征与关键影响因素。研究结果表明，物理环境与服务设施是影响步行友好性的主要因素，但社会包容性不足和环境问题同样重要。基于评价结果提出的政策建议具有现实可行性，为改善城市步行环境提供了可操作的方案。未来研究可进一步探索软性因素量化方法，并跟踪政策干预效果，为城市可持续发展提供更科学的决策支持。城市步行友好性的提升不仅关乎居民的生活品质，更是实现城市交通模式向绿色、低碳转型的重要途径，具有重要的理论与实践意义。

七.参考文献

[1]Pavlovsky,B.N.(1929).Moscow:AUtilitarianCity.Leningrad:StatePublishingHouseforUrbanConstruction.

[2]Newman,P.,&Kenworthy,J.(1996).Thelanduse-transportconnection:Anoverview.InP.Newman&J.Kenworthy(Eds.),Transportplanningforlivablecities(pp.33-57).IslandPress.

[3]Frank,L.D.(2006).Linkingwalkingandhealth.MedicalCare,44(6Suppl),S137-S142.

[4]Saelen,A.,&Shaw,K.(2008).Theimpactofthebuiltenvironmentonphysicalactivity:Areviewoftheliterature.Health&Place,14(2),137-139.

[5]Handy,S.L.(2009).Walkingandtheurbanenvironment.PlanningTheory&Practice,10(2),147-167.

[6]Bonsall,M.,McDonald,D.,&Stansfield,R.(2011).Theeffectofstreetnetworkdesignonwalking:Acasestudyusingnetworkanalysis.TransportationResearchPartD:TransportandEnvironment,16(6),507-517.

[7]Cervero,R.,&Kockelman,K.M.(1997).Traveldemandandthe3Ds:Density,diversity,anddesign.TransportationResearchPartD:TransportandEnvironment,2(3),199-219.

[8]Moreira-Mata,L.C.,Chaves,B.M.,&Gascon,M.(2014).Builtenvironmentandphysicalactivityinchildrenandadolescents:Asystematicreviewoftheliterature.InternationalJournalofHygieneandEnvironmentalHealth,217(10),1423-1439.

[9]Li,Y.,Wang,F.Y.,&Li,Z.(2017).Acomprehensiveevaluationofurbanwalkingenvironmentbasedonmulti-sourcedata:AcasestudyofBeijing.ISPRSJournalofPhotogrammetryandRemoteSensing,132,258-271.

[10]Zhang,Q.,Wang,Y.,&Liu,X.(2019).Deeplearningbasedurbanwalkingbehaviorrecognitionusingmobilephonetrajectorydata.IEEETransactionsonIntelligentTransportationSystems,20(10),2906-2916.

[11]Frank,L.D.,Schuurman,N.,Martin,R.,&Ewing,R.(2017).Theinfluenceofthebuiltenvironmentonphysicalactivity:Reviewanddirectionsforfutureresearch.AnnualReviewofPublicHealth,38,173-189.

[12]Newman,P.,&Kenworthy,J.(1996).Thelanduse-transportconnection:Anoverview.InP.Newman&J.Kenworthy(Eds.),Transportplanningforlivablecities(pp.33-57).IslandPress.

[13]Bhatia,R.,&Filieri,A.(2010).WalkingandcyclinginIndiancities:Evidencefromalargesurvey.TransportPolicy,17(4),282-290.

[14]Newland,M.A.(2003).Pedestrianfacilities:Aliteraturereview.U.S.DepartmentofTransportation,FederalHighwayAdministration.

[15]Ewing,R.,&Hamilton,W.(2009).Theimpactofthebuiltenvironmentonphysicalactivity.TheMilbankQuarterly,87(3),363-375.

[16]Kockelman,K.M.,&Bhatia,R.(2003).Demographicandlandusecorrelatesofwalking:AnalysisofdatafromtheSanFranciscoBayArea.EnvironmentandPlanningB:PlanningandDesign,30(4),613-641.

[17]handy,S.L.(2008).Planningforwalkability:Whatyouneedtoknow.PlanningEducationandResearch,27(4),341-354.

[18]Boarnet,M.G.,&McMillan,T.(2006).Effectsofurbanformonwalking:EvidencefromtheSanFranciscoBayArea.AmericanJournalofPublicHealth,96(11),1998-2005.

[19]Lefevre,F.,Morel,S.,&Pels,E.(2011).Towardsabetterunderstandingoftherelationshipbetweentheurbanenvironmentandwalking:Asystematicreview.Health&Place,17(4),717-725.

[20]Gately,C.,&Anable,J.(2001).Residentialdensityandwalking:EvidencefromaUKsurvey.EnvironmentandPlanningB:PlanningandDesign,28(5),665-683.

[21]Frumkin,H.,Frank,L.D.,&Jackson,R.J.(2004).Landuseandhumanhealth.JournaloftheAmericanPlanningAssociation,70(4),449-460.

[22]Ulfarsson,G.B.,&Lee,C.(2009).Therelationshipbetweenthebuiltenvironmentandwalking:Evidencefromadynamicpaneldatamodel.Health&Place,15(4),847-854.

[23]Lin,T.Y.,Huang,Y.H.,&Lin,C.H.(2012).Theeffectsofneighborhoodenvironmentonwalkingbehavior:EvidencefromanationalsurveyinTaiwan.TransportationResearchPartD:TransportandEnvironment,17(6),403-411.

[24]Boarnet,M.G.,&McMillan,T.(2006).Theeffectofurbansprawlonwalking:EvidencefromtheSanDiegometropolitanarea.AmericanJournalofHealthBehavior,30(5),556-567.

[25]Tseng,G.R.,&Chen,Y.L.(2010).Impactsofthebuiltenvironmentonwalkingbehavior:EvidencefromanationalsurveyinTaiwan.TransportationResearchPartD:TransportandEnvironment,15(1),1-10.

[26]的中国城市规划学会.(2012).城市步行与自行车交通系统规划规范(GB50736-2012).中国建筑工业出版社.

[27].NewYork:OxfordUniversityPress.

[28].London:Routledge.

[29].Washington,DC:IslandPress.

[30].Chichester:JohnWiley&Sons.

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友以及相关机构的鼎力支持与无私帮助。首先，我要向我的导师[导师姓名]教授致以最诚挚的感谢。从研究的选题立意到具体实施，从理论框架的构建到数据分析的指导，导师始终以其深厚的学术造诣、严谨的治学态度和敏锐的洞察力给予我悉心的指导和鞭策。导师不仅在学术上为我指点迷津，更在人生道路上给予我诸多教诲，其言传身教将使我受益终身。每当我遇到研究瓶颈时，导师总能以独特的视角为我廓清思路；每当我取得微小进展时，导师又总是鼓励我继续前行。导师的鼓励与信任，是我能够克服重重困难、坚持研究下去的重要动力。

感谢[合作单位或实验室名称]的各位同仁。在研究过程中，我有幸与团队成员进行了深入的交流与合作。特别是在数据收集与分析阶段，[合作者姓名]同学在多源数据整合方面提供了宝贵的技术支持，[另一位合作者姓名]同学则对问卷设计和实地调研提出了诸多建设性意见。大家共同探讨、相互启发，营造了浓厚的学术研究氛围，使本研究能够不断完善。此外，[提及具体帮助的机构或部门，如测绘部门、交通部门等]在数据提供方面