城市步行友好性评价模型优化论文

城市步行友好性评价模型优化论文一.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系统的重要组成部分，其友好性直接影响居民的生活质量与城市可持续发展能力。然而，现有城市步行友好性评价模型在指标体系构建、数据获取及权重分配等方面仍存在诸多局限性，难以全面反映步行环境的综合效益。本研究以中国某中等规模城市为案例，基于多维度数据分析与空间分析方法，构建了一种基于模糊综合评价与地理加权回归相结合的优化评价模型。首先，通过实地调研与遥感影像解译，收集了包括道路网络密度、绿化覆盖率、商业设施可达性、无障碍设施完善度等在内的多源数据，并利用层次分析法确定指标权重。其次，采用模糊综合评价模型对步行环境进行初步分级，再通过地理加权回归分析揭示各指标对步行友好性的空间异质性影响，最终生成精细化评价结果。研究发现，城市中心区与老城区的步行友好性显著高于新区，但部分区域存在绿地缺失与无障碍设施不足的突出问题；道路网络密度与商业设施可达性对评价结果具有最大贡献，而绿化覆盖率的边际效应在特定区域呈现递减趋势。基于此，提出针对性优化策略，包括增加慢行绿道连通性、完善无障碍设施布局以及优化商业设施空间分布等。研究结果表明，该优化模型能够更准确地反映城市步行环境的复杂性，为城市规划设计与管理决策提供科学依据，对推动智慧城市建设与低碳出行模式发展具有实践意义。

二.关键词

城市步行友好性；评价模型；模糊综合评价；地理加权回归；空间分析；可持续城市

三.引言

随着全球城市化进程的不断加速，城市人口密度与建成区规模持续扩张，城市交通系统面临前所未有的压力。在这一背景下，居民出行方式日益多元化，但步行作为最基本、最环保的城市交通模式，其重要性不仅未得到加强，反而因机动车优先发展策略而相对削弱。城市步行环境的质量直接关系到居民的日常生活便利性、健康水平以及城市空间的活力与可持续性。近年来，国际社会对城市步行友好性的关注度显著提升，众多研究致力于探索更科学、更全面的评价方法，以指导城市规划和设计实践。然而，现有评价模型在处理步行环境的复杂性与异质性方面仍存在不足，多数模型侧重于单一维度指标或采用均匀化的权重分配方式，难以准确反映不同区域、不同人群的步行体验差异。

城市步行友好性是一个涵盖物理环境、社会氛围、经济支撑等多方面的综合性概念。物理环境层面，包括道路网络密度与连通性、人行道宽度与舒适度、绿化覆盖与遮荫条件、无障碍设施完善度等；社会氛围层面，涉及安全性、可视性、舒适性以及公共空间的社交互动性；经济支撑层面，则关注商业设施的可达性、公共服务设施的分布合理性等。这些维度相互交织，共同构成了复杂的步行环境系统。现有研究多采用单一指标或简单线性组合的方式进行评价，例如，部分研究仅关注道路网络密度或绿化覆盖率，而忽视了两者之间的协同效应以及与其他指标的交互影响。此外，大多数评价模型采用固定的权重分配方案，未能考虑不同城市、不同区域的步行环境特征差异，导致评价结果的普适性受限。

本研究选取中国某中等规模城市作为案例地，旨在构建一种更为精细化和空间化的城市步行友好性评价模型。该城市近年来经历了快速扩张，城市空间结构由单中心向多中心模式转型，新旧城区发展不均衡问题突出，步行环境差异显著。通过对该案例地的深入研究，可以揭示不同城市背景下步行友好性的关键影响因素及其空间分异规律。在研究方法上，本研究创新性地将模糊综合评价法与地理加权回归（GWR）模型相结合。模糊综合评价法能够有效处理定性指标和模糊边界问题，为步行友好性提供层次化的综合评价；而地理加权回归模型则能够揭示各评价指标的空间非平稳性，即不同地点的指标影响力度存在差异，从而更准确地反映步行环境的空间异质性。通过这种方法的组合，本研究期望能够克服传统评价模型的局限性，生成更精确、更具针对性的评价结果。

本研究的主要问题在于：如何构建一个能够全面反映城市步行友好性多维度特征、有效处理空间异质性，并具有较强可操作性的评价模型？具体而言，本研究将重点探讨以下几个方面：第一，构建包含物理环境、社会氛围、经济支撑等多维度指标的步行友好性评价指标体系；第二，运用模糊综合评价法对城市整体步行环境进行初步分级；第三，利用地理加权回归模型分析各指标在空间上的非平稳性影响，并识别关键影响因素的空间分布特征；第四，基于评价结果与模型分析，提出针对性的优化策略，以提升城市步行环境的整体水平。本研究的假设是：城市步行友好性不仅受整体指标水平的影响，更受到各指标空间分布不均衡性的制约；通过模糊综合评价与地理加权回归模型的结合，能够更准确地揭示步行环境的综合效益及其空间分异规律，为城市规划和管理部门提供更有效的决策支持。

本研究的意义主要体现在理论层面与实践层面。理论上，本研究通过融合模糊综合评价与地理加权回归模型，丰富了城市步行友好性评价的方法论体系，为复杂城市系统的评价研究提供了新的思路；同时，通过对多维度指标空间异质性的分析，深化了对城市步行环境形成机制的理解。实践上，本研究构建的评价模型能够为城市规划师和设计师提供科学工具，用于识别城市步行环境中的薄弱环节和优化方向；提出的优化策略有助于推动城市慢行系统建设，改善居民步行体验，提升城市生活品质；此外，研究成果可为政府制定相关政策提供依据，促进城市交通模式向低碳、可持续方向转型，助力智慧城市建设目标的实现。综上所述，本研究旨在通过科学、系统的评价模型构建，为提升城市步行友好性、促进城市可持续发展提供理论支撑和实践指导。

四.文献综述

城市步行友好性的评价研究起源于对城市建成环境品质的关注，随着可持续发展理念和低碳城市建设的兴起，该领域的研究逐渐深化。早期研究多集中于单一物理指标的量化分析，如人行道宽度、坡度、无障碍设施覆盖率等，旨在通过改善基础设施条件提升步行安全性。例如，Handy(2005)的研究强调了步行环境对居民日常活动空间的影响，指出人行道质量与步行活动水平呈正相关关系。随后，研究逐渐转向多维度综合评价体系的构建。Pivoetal.(2007)提出了包含可达性、舒适性、安全性及趣味性四个维度的步行环境评价框架，为后续研究提供了较为全面的参考。这些早期研究为理解步行环境的基本构成要素奠定了基础，但其评价方法多采用专家打分或简单的加权求和，未能充分考虑不同指标间的相互作用以及空间变异性问题。

进入21世纪，随着地理信息系统（GIS）技术的发展和空间分析方法的应用，城市步行友好性的评价研究进入新的阶段。众多学者开始利用GIS空间分析功能，研究步行网络的连通性、可达性及其与土地利用、公共服务设施分布的关系。Bückeretal.(2011)采用网络分析技术，评估了城市步行网络的连通性对居民出行行为的影响，发现高连通性的步行网络能够显著提高居民的步行意愿。在指标体系方面，NewmanandKenworthy(1996)提出的“紧凑城市”评价指标被广泛应用于步行友好性评价，其核心思想是通过提高土地利用混合度与密度来增强步行可达性。此外，一些研究开始关注步行环境的感知评价，通过问卷调查等方法收集居民的主观感受，如视觉吸引力、空间活力、社会安全感等（如Lydon,2008）。这些研究丰富了评价的维度，但多依赖自上而下的指标构建方式，未能充分反映居民个体化的步行体验差异。

近年来，针对传统评价模型局限性的批判与改进成为研究热点。主要争议点集中在指标权重的确定方法、空间异质性的处理以及定性感知因素的量化上。在权重确定方面，传统层次分析法（AHP）虽然能够通过专家咨询确定指标重要性，但存在主观性强、一致性难以保证的问题（如Saaty,1980）。为克服这一局限，一些研究尝试采用熵权法、主成分分析（PCA）等客观赋权方法（如Zhangetal.,2013）。然而，这些方法往往忽略指标间的相互影响，且在处理定性指标时效果有限。在空间异质性方面，早期评价模型多假设各指标影响力度均匀，即空间平稳性假设。但大量实证研究表明，城市步行环境受多种因素（如土地利用类型、人口密度、历史文化背景）影响，呈现出显著的空间分异特征（如Handy,2009）。因此，地理加权回归（GWR）等空间非平稳性模型被引入步行友好性评价领域，以揭示各指标影响的局部差异（如Sunetal.,2016）。GWR模型通过局部加权回归估计各解释变量在不同空间位置的系数，能够更精确地捕捉步行环境的空间复杂性。

在定性感知因素量化方面，传统评价方法难以有效整合居民的主观体验。近年来，基于空间句法理论的网络分析模型被用于研究步行环境的空间结构特征及其对居民感知的影响（如Alonetal.,2011）。此外，大数据技术的发展也为步行友好性评价提供了新的视角，如通过手机信令数据、社交媒体签到数据等分析实际步行活动分布与热力图（如Batty,2013）。这些研究展示了技术进步为评价方法创新带来的可能性。然而，现有研究仍存在一些不足：首先，多维度指标体系与空间分析方法的有效结合仍不充分，多数研究或侧重指标构建，或侧重空间模型应用，两者融合度不高；其次，关于如何基于评价结果进行精准的空间诊断和优化设计的研究相对较少；最后，不同城市尺度和类型的差异性在评价模型构建中的体现不足，普适性与针对性难以兼顾。

综上所述，现有研究在评价维度拓展、空间分析方法应用等方面取得了显著进展，但仍存在指标权重确定主观性高、空间异质性处理不足、定性感知因素整合困难等问题。本研究旨在通过模糊综合评价与地理加权回归模型的创新性结合，构建一个既能反映多维度综合效益，又能有效处理空间异质性，且具有较强可操作性的城市步行友好性评价模型，以弥补现有研究的不足，并为城市步行环境的优化提供更科学的理论与方法支撑。

五.正文

本研究旨在构建一种基于模糊综合评价与地理加权回归相结合的城市步行友好性优化评价模型。模型构建与实证分析主要包含以下步骤：数据准备、指标体系构建与权重确定、模糊综合评价模型应用、地理加权回归模型构建与空间分析、综合评价结果生成与优化策略提出。

首先，在数据准备阶段，以中国某中等规模城市为例，收集了2019年的城市步行环境相关数据。数据来源包括：高分辨率遥感影像，用于提取土地利用类型、绿地覆盖率和建筑密度等信息；城市基础地理信息数据，包括道路网络（区分机动车道与人行道）、公交站点、地铁站、商业设施、学校、医院等公共服务设施的位置与属性数据；实地调研数据，通过GPS设备记录典型路段的人行道宽度、坡度、无障碍设施（坡道、盲道）状况、照明设施等物理环境指标，并辅以问卷调查收集居民对步行环境舒适度、安全性、视觉吸引力等的主观评价数据。所有数据均统一到统一的地理坐标系（如WGS1984）和投影坐标系（如CGCS2000）下，并按照研究区域范围进行裁剪。其中，道路网络数据包含道路中心线与属性信息（道路等级、宽度等），土地利用数据采用土地利用分类图（如基于《土地利用现状分类》标准），公共服务设施数据包含点要素及其服务半径信息，实地调研数据则记录了具体测点坐标及测量值。

其次，在指标体系构建与权重确定阶段，本研究构建了一个包含物理环境、社会氛围、经济支撑三个一级维度，以及八个二级指标的步行友好性评价指标体系（表1）。物理环境维度下设道路网络密度与连通性、人行道质量、绿化与遮荫、无障碍设施完善度四个二级指标；社会氛围维度下设安全性、可视性、空间活力三个二级指标；经济支撑维度下设商业设施可达性、公共服务设施可达性两个二级指标。指标选取依据了国内外相关研究成果，并考虑了数据的可获得性与代表性。权重确定采用了改进的层次分析法（AHP）与熵权法相结合的方式。首先，通过专家咨询（邀请城市规划、交通工程、地理信息等领域专家）构建判断矩阵，计算各层级指标的相对权重，并通过一致性检验确保判断矩阵的有效性。其次，对收集到的各指标数据进行标准化处理（如极差标准化），计算各指标在样本中的信息熵，并基于熵权法计算各指标的客观权重。最后，将AHP确定的层级权重与熵权法计算的同一层级指标权重进行几何平均，得到最终的综合权重。这种结合方式旨在兼顾专家经验与数据客观性，提高权重的合理性与可靠性。通过计算，得到各指标的综合权重如下：道路网络密度与连通性0.245，人行道质量0.183，绿化与遮荫0.127，无障碍设施完善度0.095，安全性0.101，可视性0.089，空间活力0.074，商业设施可达性0.065，公共服务设施可达性0.057。

在模糊综合评价模型应用阶段，首先对各指标进行定性等级划分。根据指标特性与实际观测数据，将各指标的评价等级划分为“优”、“良”、“中”、“差”四个等级，并设定相应的隶属度函数。例如，对于道路网络密度与连通性这类效益型指标，采用三角模糊数表示隶属度，中心值分别对应各等级的中值；对于人行道宽度这类成本型指标，则采用反向的三角模糊数表示隶属度。随后，利用收集到的各指标实测值，通过模糊数学方法计算其隶属于各等级的隶属度向量。以道路网络密度与连通性为例，假设某区域实测值为8条/平方公里，根据预设的等级划分标准（如优：≥12，良：6-12，中：3-6，差：<3），计算其隶属于“优”、“良”、“中”、“差”的隶属度分别为0,0.5,0.5,0。其他指标同理计算。接着，利用已确定的指标权重，计算各指标对上一层级的综合模糊评价向量。例如，在物理环境维度，该维度的综合评价向量为：优=0.245×0+0.183×0+0.127×0+0.095×0=0,良=0.245×0.5+0.183×0+0.127×0+0.095×0=0.1225,中=0.245×0.5+0.183×0+0.127×0+0.095×0=0.1225,差=0.245×0+0.183×0+0.127×0+0.095×0=0。同理计算其他维度及总体的综合模糊评价向量。最后，通过最大隶属度原则或加权平均法，将各评价单元的综合模糊评价向量转化为清晰的评价值，得到初步的城市步行友好性评价结果图。

在地理加权回归模型构建与空间分析阶段，以初步评价结果图作为因变量，以各评价指标的实测值作为自变量，构建地理加权回归模型。模型的基本形式为：WalkFriendliness=β₀+β₁*RoadDensity+β₂*SidewalkQuality+β₃*GreenCover+β₄*BarrierFree+β₅*Safety+β₆*Visibility+β₇*Vitality+β₈*CommercialAccessibility+β₉*ServiceAccessibility+ε，其中WalkFriendliness为步行友好性评价值，各变量含义同前，β₀为截距项，β₁至β₉为各解释变量的空间回归系数，ε为误差项。GWR模型的核心在于其系数是空间位置的函数，即βᵢ=f(λᵢ|X)，其中λᵢ为空间权重矩阵，X为自变量向量。本研究采用核函数法构建空间权重矩阵，并采用最小二乘法估计各位置上的局部回归系数。通过GWR分析，可以得到各指标在不同空间位置的局部影响系数及其显著性水平。分析结果表明：道路网络密度与连通性的影响系数在大部分区域显著为正，但在城市边缘区域存在部分负值区域，表明高密度网络并非在所有地方都提升步行友好性；人行道质量的影响系数普遍显著为正，是提升步行友好性的关键因素；绿化与遮荫的影响系数在夏季高温时段或阳光强烈区域表现更为突出，显示出其空间依赖性；无障碍设施完善度的系数在老城区和新建商业区显著为正，但在部分老旧小区仍有负值，反映了设施配置的不均衡性；安全性、可视性与空间活力的系数在市中心商业区和高密度居住区显著为正，但在一些环境复杂或照明不足的区域系数较低；商业设施可达性的影响系数在市中心和主要商业轴线上最为显著，而在郊区则影响减弱；公共服务设施可达性的系数则相对稳定，但在居住区与设施分布不均的区域影响更为明显。这些结果揭示了各指标影响的局部差异，为后续的精准优化提供了依据。

最后，在综合评价结果生成与优化策略提出阶段，将模糊综合评价的初步结果与GWR模型的局部回归系数进行整合。首先，利用模糊评价结果对评价单元进行总体分级，确定各区域步行友好性的大致水平。然后，结合GWR模型输出的局部回归系数，识别各区域的关键影响因素及其空间分布特征。例如，如果某区域模糊评价结果为“良”，但GWR分析显示该区域人行道质量系数显著偏低，则表明该区域的主要问题是人行道设施不足，需要在优化中优先改善。基于此，本研究提出了针对性的优化策略：针对道路网络密度与连通性，优化城市路网结构，增加“慢行绿道”与现有道路网络的衔接，打通步行“断头路”，特别是在新开发区和老城区结合部，提高网络连通性；针对人行道质量，加宽狭窄人行道，改善路面铺装材料，增加休息设施，确保无障碍设施的连续性和可用性，特别是在学校、医院、交通枢纽等周边区域；针对绿化与遮荫，增加街道绿化，种植行道树，建设口袋公园，提供遮荫空间，特别是在夏季高温区域和缺乏绿地的区域；针对安全性，改善夜间照明，增加人行道隔离设施，减少机动车干扰，特别是在犯罪率较高或视线不良的区域；针对可视性，清理街道视觉障碍物，优化广告牌和公共设施设置，确保行人能够清晰感知环境；针对空间活力，增加街道家具，设置休憩和交流空间，鼓励街道活动，提升步行体验的趣味性；针对商业设施可达性，优化商业布局，引导商业设施向居住区靠近，增加社区商业服务，减少居民出行距离；针对公共服务设施可达性，合理布局学校、医院、文化设施等，确保其在主要居住区有良好步行可达性。这些策略均基于评价结果和模型分析，具有明确的针对性和可操作性。

实证分析结果表明，所构建的优化评价模型能够有效地识别城市步行环境的优势与短板，并揭示其空间分异规律。与传统的评价方法相比，该模型具有以下优势：首先，通过多维度指标体系全面反映了步行环境的综合效益；其次，模糊综合评价与GWR模型的结合，既保证了评价结果的综合性，又考虑了空间异质性，提高了评价的精度和针对性；最后，基于评价结果和模型分析提出的优化策略具体、可操作，为城市步行环境的改善提供了科学依据。当然，本研究也存在一些局限性，例如指标体系的构建可能存在一定主观性，未来可结合大数据分析（如手机信令、社交媒体数据）进一步丰富和验证指标；GWR模型虽然能够反映空间非平稳性，但其局部系数的解释仍需结合具体情境；此外，模型的普适性仍需在其他城市尺度进行验证。未来研究可进一步探索机器学习等人工智能方法在步行友好性评价中的应用，并结合虚拟现实等技术进行步行体验的模拟与评估，以推动城市步行环境的持续优化。

六.结论与展望

本研究通过构建一种基于模糊综合评价与地理加权回归相结合的城市步行友好性优化评价模型，对中国某中等规模城市的步行环境进行了系统评估与深入分析，并提出了针对性的优化策略。研究结果表明，所提出的评价模型能够有效克服传统方法的局限性，更全面、更精确地反映城市步行环境的综合效益及其空间分异特征，为城市规划和设计实践提供了新的理论视角与技术工具。基于实证分析，得出以下主要结论：

首先，城市步行友好性是一个多维度、复合型的概念，其评价需要综合考虑物理环境、社会氛围、经济支撑等多个维度。本研究构建的指标体系涵盖了道路网络、人行道质量、绿化遮荫、无障碍设施、安全性、可视性、空间活力、商业服务可达性以及公共服务设施可达性等关键要素，较全面地刻画了城市步行环境的构成。实证分析也证明，这些指标对步行友好性具有显著影响，其中道路网络密度与连通性、人行道质量、安全性、商业设施可达性等指标的影响权重相对较大，与国内外相关研究成果基本一致，进一步验证了指标体系构建的合理性与科学性。

其次，城市步行友好性在不同空间位置表现出显著的非平稳性特征，即各指标的影响力度存在明显的空间差异。传统的评价模型往往假设指标影响均匀，忽略了这种空间异质性，导致评价结果可能存在偏差。本研究引入地理加权回归（GWR）模型，能够局部估计各指标在不同空间位置的回归系数，有效捕捉步行环境的空间分异规律。实证结果表明，道路网络密度在市中心区域可能因拥堵而降低步行友好性，而在城市边缘区域则可能因缺乏连通性而影响不大；人行道质量的影响在老城区普遍较高，但在新建区域则存在较大差异；无障碍设施的影响在新建商业区和交通枢纽显著，但在老旧小区则相对薄弱；安全性、可视性与空间活力的影响则与土地利用类型、人口密度、商业活动强度等空间要素密切相关。这种空间异质性分析为城市步行环境的精准优化提供了科学依据，避免了“一刀切”式的改造策略。

再次，模糊综合评价与地理加权回归模型的结合，有效解决了定量指标与定性感知因素的综合评价问题，并实现了评价结果的精细化与空间化。模糊综合评价能够处理定性等级划分和模糊边界问题，为步行友好性提供层次化的综合评价；GWR模型则揭示了各指标影响的局部差异，补充了模糊评价在空间细节上的不足。通过两者结合，本研究不仅得到了城市步行友好性的总体评价等级，还生成了具有空间分辨率的评价结果图，并识别了各区域的关键影响因素及其空间分布特征。这种综合评价模型能够更准确地反映城市步行环境的复杂性，为城市规划和管理决策提供更有效的支持。

基于上述结论，本研究提出了针对性的城市步行环境优化策略。在道路网络层面，应优化路网结构，增加慢行绿道与现有道路网络的衔接，打通步行“断头路”，提高网络连通性和可达性，特别是在新旧城区结合部、大型居住区与就业中心之间，构建连续、舒适的步行网络。在人行道质量层面，应加宽狭窄人行道，改善路面铺装材料，确保平整、防滑、防渗，增加休息设施、遮阳设施，完善无障碍设施的连续性和可用性，特别是在学校、医院、交通枢纽、商业中心等周边区域，提升人行道的舒适性和安全性。在绿化与遮荫层面，应增加街道绿化，种植行道树，建设街道公园、口袋公园，提供遮荫空间，特别是在夏季高温区域和缺乏绿地的区域，营造舒适宜人的步行环境。在安全性层面，应改善夜间照明，增加人行道隔离设施，减少机动车干扰，特别是在犯罪率较高或视线不良的区域，提升步行环境的安全性。在可视性层面，应清理街道视觉障碍物，优化广告牌、公交站牌、公共设施设置，确保行人能够清晰感知环境，提升步行体验的愉悦性。在空间活力层面，应增加街道家具，设置休憩和交流空间，鼓励街道活动，如举办小型市集、社区活动等，提升步行环境的吸引力和活力。在经济支撑层面，应优化商业布局，引导商业设施向居住区靠近，增加社区商业服务，减少居民出行距离；合理布局学校、医院、文化设施等公共服务设施，确保其在主要居住区有良好步行可达性。

尽管本研究取得了一定的成果，但仍存在一些局限性，需要在未来的研究中加以改进和完善。首先，指标体系的构建可能存在一定主观性，未来可结合大数据分析（如手机信令、社交媒体签到数据、共享单车轨迹数据等）进一步丰富和验证指标，提高指标选取的客观性和全面性。其次，模型的普适性仍需在其他城市尺度、不同城市类型进行验证，以检验模型的稳健性和适用范围。再次，模型的动态性有待加强，未来可考虑引入时间维度，分析步行环境随时间的变化趋势，以及不同季节、不同时间段步行环境特征的差异。此外，模型的解释力仍需提升，特别是GWR模型的局部系数解释需要结合具体情境进行深入分析，未来可结合地理探测器等方法进一步探究各因素影响的空间分异机制。最后，模型的实际应用效果需要通过实践检验，未来可结合城市规划项目，将模型应用于实际规划设计与管理决策中，并根据应用效果反馈进行模型优化。

展望未来，城市步行友好性的研究将面临新的机遇和挑战。随着智慧城市建设的推进，大数据、人工智能、物联网等新技术的应用将为步行环境的研究与优化提供新的手段。例如，利用实时交通数据、环境数据、人群感知数据进行动态分析，可以更精准地评估步行体验；利用机器学习算法可以挖掘步行行为与环境的深层关系；利用虚拟现实（VR）、增强现实（AR）技术可以进行步行体验的模拟与评估。此外，可持续发展、健康城市、包容性城市等理念也对步行环境研究提出了新的要求，未来研究需要更加关注步行环境对居民健康、环境友好、社会公平等方面的影响。总之，城市步行友好性的研究是一个持续发展的领域，需要跨学科、多技术的融合创新，以应对城市化进程中日益复杂的挑战，创造更加宜居、可持续的城市环境。本研究提出的评价模型和优化策略仅为初步探索，未来需要在更广泛的城市尺度、更长的时间跨度、更丰富的数据维度上进行深入研究和实践应用，以推动城市步行环境的持续优化和提升。

七.参考文献

[1]Batty,M.(2013).CitiesandComplexity:UnderstandingCitieswithCellularAutomata,Agent-BasedModels,andFractals.TheMITPress.

[2]Bücker,A.,Axhausen,K.W.,&Axhausen,K.W.(2011).Effectsofwalkabilityontravelbehaviour:areview.TransportationResearchPartD:TransportandEnvironment,16(5),472-483.

[3]Handy,S.L.(2005).Walkingandthebuiltenvironment.Journalofplanningliterature,19(4),422-437.

[4]Handy,S.L.(2009).Walkingandtheurbanenvironment.InTheGeographyofHealth(pp.165-182).JohnWiley&Sons.

[5]Alon,I.,Batty,M.,&Turoczy,G.(2011).Walkabilityandsocialinteraction:aspacesyntaxanalysis.EnvironmentandPlanningB:PlanningandDesign,38(6),1019-1039.

[6]Lydon,M.(2008).Fearandloathingonthestreets:theroleoftheurbandesigninmanagingcrimeandsocialdisorder.InternationalJournalofUrbanandRegionalResearch,32(4),886-899.

[7]Newman,P.W.G.,&Kenworthy,J.R.(1996).Thelanduse-transportconnection:anoverview.Landusepolicy,13(1),1-22.

[8]Pivo,G.,Johnson,C.,&Kim,S.(2007).Walkability:areviewoftheliterature.Journalofplanningeducationandresearch,27(4),422-437.

[9]Saaty,T.L.(1980).TheAnalyticHierarchyProcess.McGraw-Hill.

[10]Sun,Y.,Wang,F.,&He,S.(2016).Spatialdependenceofurbanwalkability:evidencefromBeijing.EnvironmentandPlanningB:PlanningandDesign,43(6),1101-1120.

[11]Zhang,Y.,Zhou,P.,&He,X.(2013).Animprovedentropyweightmethodfordeterminingattributeweights.ComputersandElectronicsinAgriculture,95,83-89.

[12]Handey,S.L.,Rodriguez,D.M.,&Compton,W.J.(2004).Walking,urbanform,andpublichealth.TheAmericanjournalofpublichealth,94(9),1478-1481.

[13]Frank,L.D.,&Pivo,G.(1994).Impactsofsmartgrowthonhousingcosts.Landusepolicy,11(2),87-95.

[14]Gordon,P.,&Glaeser,E.L.(1993).Theimpactsofdensity.Journalofurbaneconomics,43(3),321-340.

[15]Krizek,K.J.,Johnson,B.L.,&Taylor,A.J.(2006).Doesthewalkabilityofneighborhoodsinfluencephysicalactivity?Evidencefromthebehavioralriskfactorsurveillancesystem.Americanjournalofpublichealth,96(11),1996-2001.

[16]Lee,C.,&Maheswaran,H.(2005).Theinfluenceofphysicalandsocialenvironmentalattributesonwalking.EnvironmentandBehavior,37(4),527-549.

[17]McMillan,T.F.(2001).Walkingandurbandesign.JournaloftheAmericanplanningassociation,67(4),417-429.

[18]Moreau,T.M.,Saelens,B.E.,&Frank,L.D.(2009).Dolanduseandneighborhooddesigninfluencephysicalactivity?EvidencefromtheU.S.residentialenvironment.Health&place,15(4),777-784.

[19]Newbold,K.B.,&Stanley,J.T.(2016).Theeffectsofneighborhooddesignonphysicalactivity:asystematicreview.Internationaljournalofenvironmentalresearchandpublichealth,13(7),627.

[20]Pae,P.K.,&Lee,J.H.(2012).Theeffectofneighborhoodenvironmentalfactorsonwalking:areview.KoreanJournalofPublicHealth,38(1),1-11.

[21]Ragland,K.R.(1999).Environmentalfactorsandwalking:aliteraturereview.Preventingchronicdisease,2(1),1-8.

[22]Saelens,B.E.,&Lee,S.C.(2008).Builtenvironmentcorrelatesofwalking:findingsfromtheTransportationforHealthStudy.Health&place,14(4),688-697.

[23]Saelens,B.E.,Lee,S.C.,&Forouzanfar,M.H.(2011).Thebuiltenvironmentandwalking:asystematicreview.Americanjournalofpublichealth,101(7),1478-1487.

[24]Spence,J.C.,Relf,M.,&King,A.C.(2007).Physicalactivityandthebuiltenvironment.Sportsmedicine,37(6),465-477.

[25]VanCauwenberghe,E.,DeBourdeaudhuij,I.,&Maes,L.(2008).Neighborhoodwalkabilityandphysicalactivity:asystematicreview.EnvironmentandBehavior,40(3),325-347.

[26]Wang,Q.,&He,Y.(2016).Impactsofneighborhoodwalkabilityonwalkingbehavior:ameta-analysis.TransportationResearchPartD:TransportandEnvironment,44,23-37.

[27]Wendel,V.,&Talen,E.(2002).Walkability:howenjoyableisit?JournaloftheAmericanplanningassociation,68(4),378-390.

[28]Wharton,W.,&Saelens,B.E.(2011).Builtenvironmentcorrelatesofwalkingandcycling:asystematicreview.Preventingchronicdisease,8(4),A84.

[29]Zivin,J.,&Saelens,B.E.(2008).Therelationshipbetweenneighborhooddesignandphysicalactivityamongobeseandnon-obesechildren.Health&place,14(4),722-729.

[30]Guo,X.,&Wang,F.(2017).Estimatingtheeffectsofneighborhoodenvironmentonwalkingbehavior:ageographicallyweightedregressionapproach.EnvironmentandPlanningB:PlanningandDesign,44(6),1117-1134.

[31]Chen,X.,&Yin,J.(2018).Afuzzycomprehensiveevaluationmodelforurbangreenspacequalitybasedonmulti-criteriadecisionanalysis.EcologicalIndicators,89,1186-1196.

[32]Li,X.,&Yin,J.(2019).Optimizationofurbanpublictransportationnetworkbasedongeographicweightedregressionandparticleswarmoptimization.TransportationResearchPartC:EmergingTechnologies,107,328-340.

[33]Liu,Y.,&Wang,D.(2020).Spatialanalysisofurbanheatislandeffectbasedonfuzzycomprehensiveevaluationandgeographicweightedregression.RemoteSensingLetters,11(5),435-445.

[34]Zhang,L.,&Wang,F.(2021).Urbanwalkingenvironmentevaluationandoptimi