《Sustainable Cities and Society》：An interpretable stratified weighted network for uncovering spatially heterogeneous correlations between the built environment and nighttime urban vitality
编辑推荐：
本研究提出可解释分层加权网络（SW-Net），结合地理加权回归与深度学习，分解空间异质性的共享模式与局部波动，揭示建成环境与夜间城市活力（NTUV）的空间分层关联。结果表明：消费活动是NTUV的核心驱动力，交通基础设施显著提升夜间人流与活力，文化娱乐活动潜力大，但混合土地使用不一定增强NTUV，为优化建成环境提供政策启示。
刘宝珠|曾志伟|陈凯琪|谭晓勇|邓敏|赵志远|吴胜
中南大学地理信息学系，中国湖南长沙
摘要
理解建成环境与夜间城市活力（NTUV）之间的相关性对于刺激消费和促进可持续城市发展至关重要。然而，现有的模型受到空间分层和局部异质性的影响，常常会出现局部过拟合或欠拟合的问题，这使得难以有效捕捉空间上的异质相关性。在这项研究中，我们提出了一种可解释的分层加权网络（SW-Net），它通过引入深度学习技术扩展了传统的地理加权回归方法。具体而言，相关性被分解为共享模式和局部波动。SW-Net中的空间分层块和权重定位块分别用于估计这些组成部分，以模拟空间分层和局部异质性。SW-Net应用于厦门和福州两个案例区域，并显著优于八个基线模型。研究结果主要表明：（1）消费活动是NTUV的关键驱动因素；（2）交通基础设施可以促进夜间人员流动并提升NTUV；（3）夜间文化和旅游活动在两个城市中都具有提升NTUV的巨大潜力；（4）更高的土地利用混合度并不一定导致更高的NTUV。本研究的结果可以为推进地理关系建模提供见解，并为优化建成环境和提升NTUV提供有针对性的政策建议。
引言
城市活力（UV）是指城市空间吸引人们并支持多样化社会和经济活动的能力（Chen等人，2023a；Jacobs，2010；Wang等人，2022）。夜间城市活力（NTUV）可以被视为UV的时间延伸，特别关注夜间时段（Li等人，2025）。NTUV较高的地区往往具有更活跃的夜间经济，并为居民提供更大的便利和幸福感（Liu等人，2023）。统计报告显示，夜间消费占重庆总消费的60%（重庆市政府，2025）和成都的54.6%（美团研究院，2025）。激发夜间城市活力已成为中国主要城市的紧迫政策重点，以促进夜间商业、创造就业机会并刺激经济增长（Cui等人，2020；Wu等人，2023）。
建成环境是指人们生活、工作和互动的人造物理空间（Kaklauskas & Gudauskas，2016）。与社会和经济活动紧密相关，建成环境是NTUV的关键空间载体（Cervero，2002；Wang等人，2013）。揭示建成环境与NTUV之间的相关性可以为改善建成环境质量、提升NTUV并促进可持续城市发展提供指导（Lyu等人，2025；Wu等人，2023）。例如，优化交通基础设施可以提高出行便利性并提升上海的NTUV（Xie等人，2024）。奥斯陆较高的住宅和商业土地利用混合度有助于促进当地社会互动和社会凝聚力（Mouratidis & Poortinga，2020）。
与NTUV相关的研究在过去五十年中不断发展，相比之下，关于建成环境与UV相关性的研究则相对较少（Li等人，2022；Chen等人，2022b；Chen等人，2023a）。这些研究为分析NTUV提供了方法论基础。早期的研究受到数据可用性的限制，主要依赖于社会调查方法，如实地调查（Melbin，1978）、问卷调查（Hollands，1995）和访谈（Malbon，2002），这些方法通常劳动密集且数据稀缺。随着传感器技术的进步，大规模的多源时空数据变得广泛可用，丰富了城市观察的视角，并支持了最近关于UV和NTUV的研究（Kim，2025）。例如，夜间光照数据被用作NTUV的代理指标，而兴趣点（POI）数据被用来表示各种建成环境因素（Lyu等人，2025）。基于这些数据，一些研究应用了传统的线性回归模型来估计建成环境因素与活力代理指标之间的关系（Meng & Xing，2019；Yue等人，2017）。空间计量模型，如空间误差模型（SEM）和空间滞后模型（SLM），也被用来模拟UV的空间自相关性并提高拟合能力（Chen等人，2023a）。此外，还引入了机器学习技术来更有效地捕捉非线性关系，如梯度提升决策树（GBDT）（Xiao等人，2021；Yang等人，2021）、LightGBM（Wu等人，2022）、支持向量机（SVM）（Shi等人，2023）和随机森林（RF）（Wang等人，2024）。然而，这些方法通常采用全局建模方法，假设建成环境与NTUV之间的相关性不受空间位置的影响。实际上，这种相关性往往表现出显著的空间异质性。影响NTUV的关键建成环境因素在不同城市区域可能存在显著差异。例如，住宅区可能对交通可达性更敏感，而商业区可能对POI混合度反应更强烈（Chen等人，2022b）。这些方法忽略了这些局部差异，只捕捉到平均相关性，从而导致局部欠拟合和不可靠的相关性。
为了解决建成环境与UV之间相关性的空间异质性问题，引入了一些空间统计方法。其中，地理加权回归（GWR）（Brunsdon等人，1996；Dai等人，2022；Wu等人，2020）是最具代表性的方法之一。GWR假设每个区域的相关性与邻近区域相似。通过进行局部回归，GWR通过为每个区域估计一组独特的加权系数来捕捉空间变化的相关性，反映了不同建成环境因素的影响（Chen等人，2023b；Li等人，2022）。在此框架的基础上，地理和时间加权回归（GTWR）被用来捕捉局部相关性的空间和时间变化（Huang等人，2010；Li & Zhao，2023；Wu等人，2018），而多尺度地理加权回归（MGWR）被用来考虑不同建成环境因素可能在不同空间尺度上影响UV（Jiang等人，2024）。尽管这些方法已被广泛应用并证明在揭示空间异质相关性方面有效，但它们仍然存在两个局限性：
（1）空间局部异质性：现有的基于GWR的方法倾向于强调空间局部异质性（Wang等人，2016），并关注相关性的局部变化。然而，相关性并非在所有区域都完全独立（Deng等人，2025）。许多区域在建成环境与NTUV之间表现出相似的关系（Zhang等人，2021a）。例如，消费设施与各种商业区的NTUV密切相关（Wu等人，2023）。先前的研究表明，这种相关性受到空间分层的异质性影响（He等人，2023；Wang等人，2016；Wang等人，2023）。这意味着城市区域可能共享某些模式，相关性围绕这些共享模式波动。忽略空间分层异质性可能导致局部过拟合并产生不可靠的估计。
（2）空间邻接假设：实证证据表明，相邻区域的相关性可能并不一定相似。例如，先前的研究表明，UV与特定功能的建成环境因素密切相关（Chen等人，2023b）。实际上，城市功能区往往是相互交织的（Liu等人，2024），相似的区域并不总是空间上聚集的（Du等人，2020；Wandl & Hausleitner，2021）。因此，相邻区域的功能可能不同，从而导致不同的相关性。依赖空间邻接假设的现有基于GWR的方法可能会在局部回归中引入噪声并使相关性估计产生偏差。
为了解决这两个局限性，我们通过引入深度学习技术扩展了传统的GWR框架，并提出了一种可解释的分层加权网络（SW-Net）来揭示建成环境与NTUV之间的空间异质相关性。相关性被分解为共享模式和局部波动，分别是全局和局部组成部分。局部波动表示每个区域的相关性如何偏离共享模式。通过学习共享模式并估计局部波动，SW-Net同时模拟了空间分层和局部异质性。本研究的主要贡献如下：
（1）我们开发了一个空间分层块来捕捉共享模式并解决第一个局限性。在反向传播过程中，共享模式被适应性学习。在前向传播过程中，该块根据建成环境因素生成区域与共享模式之间的映射。这一过程使得能够模拟空间分层异质性。
（2）我们开发了一个权重定位块来细化相似性测量并解决第二个局限性。该块将传统的空间邻接性与建成环境相似性结合起来，估计每个区域相对于共享模式的波动。这一过程使得能够模拟空间局部异质性。
（3）我们在两个实际案例区域验证了SW-Net的有效性。与八个基线模型相比，SW-Net取得了最高的准确性。学习到的共享模式和GWR回归系数提供了关于空间分层和局部异质性的可解释性。这些发现可以为优化建成环境和提升NTUV提供有针对性的政策建议。
章节片段
夜间城市活力的测量
NTUV是指城市空间在夜间吸引人们并支持多样化社会和经济活动的能力。具体来说，NTUV由两个核心方面构成：（1）人群聚集和（2）夜间社会和经济活动。因此，NTUV可以根据人口聚集强度（PAI）和夜间活动强度（NAI）来衡量。在现有研究中，手机数据或人口热图被广泛用作PAI的代理指标（Yue等人，2017）
SW-Net的架构
图2展示了所提出的SW-Net的整体架构，它由三个主要块组成：空间分层块、权重定位块和地理加权块。具体而言，空间分层块捕捉共享模式（如第3.2节所讨论），而权重定位块估计相对于这些共享模式的区域波动（如第3.3节所讨论）。最后，地理加权块
实验设置
我们尽可能保持SW-Net和基线模型的设置一致，以确保实验的公平性。具体来说，所有建成环境因素和NTUV值都使用了最小-最大归一化进行了标准化。我们将数据集随机分为20%用于测试，80%用于训练和验证，其中20%的训练数据进一步用于验证。所有实验都是使用Python 3.9和PyTorch库在配备NVIDIA 4060 GPU的机器上实现的。
核心组件的影响
我们开发了四种SW-Net的变体来评估核心组件的有效性。变体的详细信息如下：
（1）SW-Net-s移除了空间分层块并忽略了空间分层异质性。
（2）SW-Net-k用预先定义的K-means聚类方法（Tan等人，2025）替换了空间分层块，使用预定义的分层来模拟分层异质性。
（3）SW-Net-w移除了权重定位块并忽略了空间局部
结论
在这项研究中，我们开发了一种可解释的分层加权网络（SW-Net）来揭示建成环境与NTUV之间的空间异质相关性。理论上，SW-Net提供了一个有效的建模框架，考虑了空间分层和局部异质性。方法论上，它代表了传统GWR框架的创新扩展，通过整合深度学习技术为推进地理关系建模提供了见解。
CRediT作者贡献声明
刘宝珠：写作——审阅与编辑，撰写原始稿件，可视化，验证，软件，方法论，调查，资金获取，形式分析，概念化。曾志伟：写作——审阅与编辑，撰写原始稿件，可视化，验证，软件，方法论，形式分析，数据管理。陈凯琪：写作——审阅与编辑，验证，监督，方法论，资金获取，概念化。谭晓勇：写作——审阅与编辑，
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本项目得到了中国国家重点研发计划（项目编号2023YFB3906804）、国家自然科学基金（项目编号42471506）、湖南省自然科学基金（项目编号2025JJ40034）、长沙杰出青年科技人才计划（项目编号kq2506011）和湖南省教育厅科研基金（项目编号23B0013）的支持。
