编辑推荐：
本研究旨在解决关于空气污染对城内出行影响现有研究的结论矛盾问题，并为制定有针对性的环境与交通政策提供科学依据。研究人员通过计量经济模型与可解释机器学习技术，对2023年5月至11月期间318个中国城市的PM2.5浓度与城内出行数据进行了因果效应分析。研究发现，PM2.5水平每增加一个标准差，日出行量平均减少约0.28-0.41%，但这一效应存在显著的空间异质性：68%的城市呈负相关（出行减少），32%呈正相关（出行增加）。可解释机器学习模型进一步揭示，这种差异主要由跨界空气污染（Transboundary PM）、长期出行水平、社会人口学因素（如年龄、人口、第三产业GDP占比）以及土地利用特征（如人口密度、城市地理面积）驱动。该成果为理解空气污染与出行行为的复杂关系提供了新的见解，支持制定因地制宜的土地利用政策，以促进城市可持续发展。
空气污染是威胁公众健康和社会经济发展的重大全球性挑战。除了直接的健康危害，空气污染还会引发公众行为改变，以规避暴露风险。在交通出行领域，一个核心但充满争议的问题是：当空气污染加剧时，城市居民会如何调整他们的出行行为？现有研究给出了相互矛盾的答案：一些研究显示，高污染会减少人们的出行意愿，例如降低共享单车使用量或缩短出行距离；但另一些研究却观察到，污染反而可能促使人们从污染较重的区域向清洁区域迁移，从而导致城内总出行量增加。这些不一致的结论部分源于两项相互冲突的污染规避行为——“留在家中”与“向清洁区域重新分布”——的同时存在，但更重要的是，以往研究大多局限于单一城市案例，缺乏对全国范围内普遍规律及空间差异的深入理解。此外，是什么因素决定了不同城市居民在这两种行为间的偏好选择，也是一个尚未被充分探索的关键机制问题。为了系统解答这些问题，由Yifu Ou, Yuan Liang, Donggen Wang组成的研究团队，在《Sustainable Cities and Society》上发表了一项大规模的跨城市研究，旨在量化空气污染对中国城市内部出行影响的平均效应、揭示其时空异质性，并运用机器学习技术探寻驱动这些空间差异的关键因素。
为了开展这项研究，研究人员主要运用了三种关键技术方法：第一，构建了一个覆盖318个中国城市、为期7个月（2023年5月至11月）的面板数据集，数据包括日度PM2.5浓度、基于百度迁移指数转化的城内人口流动数据、以及风速、降水、气温等天气控制变量。第二，采用了计量经济学模型进行因果推断。为了应对空气污染与出行之间可能存在的反向因果关系（即出行也会影响污染），研究构建了“跨界空气污染”（TBPM）作为工具变量（IV），并采用两阶段最小二乘法（2SLS）模型进行估计，同时与传统的固定效应（FE）模型结果进行比较，以确保估计结果的稳健性。第三，为了探究城市间效应差异的决定因素，研究者利用从中国城市统计年鉴、城乡建设统计年鉴及第七次全国人口普查中获取的城市级社会经济、土地利用和交通特征数据，训练了一个可解释的机器学习模型（Light Gradient Boosting Machine, LGBM），并使用SHapley Additive exPlanations（SHAP）值来量化各特征对模型预测结果的贡献度及其影响的非线性方向，从而识别出驱动空间异质性的关键因素。
研究结果
4.1. 空气污染对城内出行的平均影响
研究首先评估了PM2.5对城内出行量的平均因果效应。在控制风速、降水、气温及城市和时间固定效应后，固定效应模型结果显示，PM2.5浓度每增加一个标准差（16.99 μg/m3），城内日出行量平均减少约0.28%。两阶段最小二乘法（2SLS）模型使用跨界空气污染作为工具变量，以解决内生性问题，结果同样显示显著的负向影响，效应大小约为0.41%。这些结果证实了假设一，即空气污染对中国城内出行存在平均负向影响，反映了在重度污染日普遍存在的“居家规避”行为趋势。
4.2. 时空异质性效应
尽管存在平均负效应，但研究发现了显著的时空异质性，验证了假设二。
- •
时间异质性：在周末和夏季，空气污染对出行的抑制效应会减弱，甚至可能因居民倾向于转移到更清洁的区域（如公园、郊区）进行休闲活动而转化为出行增加。
- •
空间异质性：地理区域分析表明，中国中部省份的出行抑制效应弱于东部沿海和其他地区。更关键的是，对每个城市进行单独回归估计发现，68%的样本城市（216个）表现出负向效应（出行减少），而32%的城市（102个）表现出正向效应（出行增加）。从空间分布看，“出行减少主导型”城市主要集中在北方，而“出行增加主导型”（即再分布主导型）城市则更多集中在南方。
4.3. 驱动因素探索
为了解释上述空间异质性的原因，研究采用可解释机器学习模型（LGBM）分析了多种潜在驱动因素的相对重要性。结果表明，社会人口学特征（尤其是60岁以上人口比例、第三产业GDP占比、总人口）、长期平均出行水平和跨界空气污染水平是解释效应差异的最重要因素。土地利用特征如人口密度和城市地理面积也具有较高重要性，而交通设施特征的影响相对较小。
SHAP依赖图进一步揭示了这些因素的具体影响模式。例如，跨界空气污染水平较高的城市，其居民在污染加剧时更倾向于减少出行（“居家”行为主导）；老年人口比例较高的城市亦然，这可能与老年人对污染更敏感且出行能力受限有关。相反，第三产业GDP占比较高或地理面积较大的城市，则更倾向于在污染日增加出行（“再分布”行为主导），这可能是因为服务业经济对户外活动的持续性要求更高，以及大城市内部存在更大的空气质量和目的地选择差异。
结论与重要意义
本研究通过大规模的跨城市分析，揭示了空气污染对中国城市内部出行影响的复杂图景。核心结论是，虽然在全国平均水平上，PM2.5浓度的增加会抑制城内出行，但这一效应存在显著的时空异质性和城市间差异。这种差异并非随机，而是由城市特定的社会经济、土地利用和环境背景系统性地塑造而成，特别是跨界污染传输、人口年龄结构、经济结构（第三产业比重）和城市空间规模起到了关键作用。
这项研究的意义在于，它超越了单一城市案例的局限，为理解空气污染与出行行为之间的宏观关系提供了更全面的科学证据。研究结果挑战了“一刀切”的政策思维，强调了制定差异化、精准化环境与城市规划策略的必要性。例如，对于老年人口多、跨界污染影响大的城市，政策应侧重于改善室内空气质量、推广远程办公和提供清洁的室内活动空间。而对于服务业发达、空间广阔的大城市，政策则应致力于优化城市空间布局，增加绿色基础设施（如公园、绿道）的可达性，并发展清洁高效的公共交通系统，引导和便利居民在污染日向低污染区域的“清洁出行”。最终，这项研究为构建更具韧性和适应性的可持续城市提供了重要的决策支持。
