解开微观移动特征的复杂性：一种可解释的空间机器学习建模框架所提供的洞察

《Sustainable Cities and Society》：Disentangling travel characteristics of micro-mobility: Insights provided by an interpretable spatial machine learning modeling framework

　　吴大为|马璐|严学东
北京交通大学交通与运输学院，中国北京100044

**摘要**
微出行方式为推动城市交通系统的可持续转型提供了一条实用途径。迄今很少有研究从多个角度全面考察不同微出行方式之间的相似性和差异性，因此理解微出行方式的出行特征仍然具有挑战性。本文利用中国周口的微出行数据，以自行车和电动自行车为例，并结合个人属性、家庭特征和建成环境，通过结合地理加权随机森林（GWRF）模型和Shapley加性解释（SHAP）模型的可解释空间机器学习建模框架，对比分析了微出行方式的空间异质性和非线性特征。研究结果表明：（1）GWRF模型在数据拟合能力和微出行方式出行数据的预测准确性方面优于传统模型；（2）建成环境，尤其是道路密度和建筑密度，对微出行方式出行距离的影响大于个人属性和家庭特征；（3）微出行方式出行距离与家庭出行方式数量之间的关联存在显著的空间异质性，这种异质性在自行车和电动自行车之间有所不同；（4）个人属性、家庭特征和建成环境与微出行方式出行距离之间存在非线性关联，表现为显著的阈值效应以及共有和独特的模式。这些发现为政策制定者和城市规划者提供了有用的可靠见解，有助于制定和实施差异化的微出行发展政策。

**引言**
出行方式是维持城市高效运行和促进区域协调发展的重要支柱。在所有出行方式中，微出行方式因其环保特性和巨大发展潜力而受到广泛认可。根据现有文献的定义，微出行方式并不是指特定的出行方式，而是指最大速度不超过45公里/小时的轻量化出行方式，如自行车、电动自行车和电动滑板车（ITF, 2020; McQueen et al., 2021; Baqer et al., 2022）。作为绿色出行方式的重要组成部分，微出行方式在缓解城市交通拥堵和应对气候变化方面具有巨大潜力（Shin and Choo, 2023; Kazemzadeh and Sprei, 2024）。因此，许多研究深入探讨了微出行方式的出行特征，包括出行时间、出行选择和出行目的（Xu et al., 2024; Eom et al., 2023; Ayfantopoulou et al., 2022）。

除了这些特征外，出行距离也是研究出行行为的重要切入点，因为它能够客观反映个体、城市和社会等多个层面的信息（Sun and Zacharias, 2017）。具体而言，在个体层面，出行距离揭示了居民的个人出行模式、出行容忍度和出行需求特征（Shi et al., 2021; Metz, 2010）；在城市层面，出行距离可以在一定程度上用于评估城市规划的合理性，特别是功能区分布的合理性（Zheng et al., 2021; Blumenberg and King, 2024）；此外，出行距离还可以用于评估交通部门的碳排放以及各种出行方式的可达性（Melhorado et al., 2016; Zhang et al., 2018）。显然，出行距离在出行行为研究和城市规划中发挥着不可估量的作用。以往的研究分析和总结了关于出行距离的许多代表性发现（Lee et al., 2023; Xiang et al., 2019; Schimohr et al., 2024）。Ma et al.（2024a）指出，在770公里以内的出行中，高速铁路具有绝对优势；Cao et al.（2024）进一步表明1160公里是高速铁路和航空运输的分界点；He et al.（2022）发现1.2公里的出行距离是步行和汽车这两种出行方式的关键分界点，Lu et al.（2022）也持有相同观点；他们提出当出行距离小于1.4公里时，居民倾向于选择步行。Shi et al.（2021）根据在线打车数据发现，居民的市内出行距离通常在2至10公里之间。

来自各个方面的证据表明，出行方式的出行距离具有丰富的特征和重要的研究价值（Mohamed et al., 2024）。微出行方式也不例外。一些先前研究指出，微出行方式主要用于首程或末程出行（Cano-Moreno et al., 2021; D’Acierno et al., 2022）。尽管在以往研究中微出行方式常被描述为短距离出行方式，但随着时间的推移，城市道路基础设施快速发展，绿色出行的意识迅速普及，微出行方式的潜力逐渐得到释放。特别是对于电动微出行方式，电池相关技术的突破使其能够承担长距离出行，满足居民的长距离出行需求（Wang et al., 2024a; Wang et al., 2025a）。可以说，正在发展的微出行方式正在重塑人们对它的传统看法，尤其是在中小城市中。与大城市相比，中小城市通常缺乏完善的公共交通网络，经济发展水平较低。因此，微出行方式凭借其经济性和灵活性，提高了欠发达地区居民的出行效率和生活质量，并在中小城市中以前所未有的速度发展。在这种情况下，如何充分识别中小城市中微出行方式的出行距离特征成为一个值得关注的关键问题（Wang et al., 2018; Zhang and Hu, 2024）。

为回答这一问题，本文构建了一个可解释的空间机器学习建模框架，以解析微出行方式的出行距离特征。该框架整合了空间统计技术、机器学习算法和可解释性方法，以提高预测准确性，揭示变量贡献机制，并捕捉空间异质性和非线性模式。具体而言，本文结合地理加权回归模型（GWR）和机器学习方法构建了地理加权随机森林（GWRF）模型，并结合Shapley加性解释（SHAP）模型来表征空间异质性和非线性特征。利用中国周口的微出行数据，以自行车和电动自行车为例，考虑个人属性、家庭特征和建成环境，对比分析了微出行方式的出行特征之间的相似性和差异性。这将为本领域的研究提供新的见解，并帮助政策制定者和城市规划者制定和实施科学有效的微出行发展策略。本文的三步工作流程如图1所示，主要贡献如下：
（1）结合GWRF模型和SHAP模型构建可解释的空间机器学习建模框架，并应用于微出行方式出行特征的建模和分析；
（2）从个人属性、家庭特征和建成环境的角度揭示影响微出行方式出行的因素，并明确各因素的RI排名；
（3）识别微出行方式出行的空间变化趋势和空间分布模式，可视化微出行方式与各种因素之间的非线性关联，并对比分析不同微出行方式的出行特征之间的相似性和差异性。

**本文的其余部分安排如下**：第2节回顾了自行车的出行特征、电动自行车的出行特征以及机器学习在出行行为分析中的应用；第3节介绍了研究区域、数据集和选定的变量；第4节描述了本文采用的研究方法；第5节展示了结果，包括模型比较、变量的RI排名和微出行方式的特征；最后一节总结了本文并讨论了未来的研究方向和局限性。

**文献综述**
过去几十年来，以自行车和电动自行车为代表的微出行方式由于其便利性和可靠性等优势，呈现出积极的发展趋势。大量实践经验表明，微出行方式为城市交通的低碳转型提供了有效途径，这一观点得到了越来越多研究的证实（Zhu et al., 2025; Sareen et al., 2021）。因此，本文选择以中小城市作为研究对象。在所有中小城市中，周口以其悠久的历史和丰富的资源而闻名，是中国少数人口超过1000万的城市之一。周口位于黄淮平原，面积约11,900平方公里，具有典型的温带季风气候（周口市人民政府，2024；中国气象）。

**方法**
构建可解释的空间机器学习建模框架包括几个步骤，每个步骤均依赖不同的方法：首先通过多共线性检验和空间自相关检验进行变量选择；其次通过结合GWR和RF模型构建GWRF模型，并将可用变量输入GWRF以建模微出行方式出行特征；最后使用R2等指标评估模型性能。

**模型比较**
为确保所采用方法的有效性和准确性，本文将GWRF模型与OLS（普通最小二乘法）、空间自回归模型（SAR）、GWR和RF模型进行比较，并使用R2、MAE和RMSE等指标进行评估。在此之前，如前所述，所有变量都需要进行多共线性和空间自相关分析，以确定其适用性（Besagni and Borgarello, 2020; Zhu et al., 2023）。

**敏感性分析和鲁棒性测试**
一个模型的优越性不仅体现在其比其他模型更强的预测性能和数据拟合能力上，还体现在其在不同条件下的可靠性和鲁棒性上。本文通过敏感性分析和鲁棒性测试验证了所构建建模框架（特别是GWRF模型）的可复制性和可靠性，以提高研究的可信度和严谨性。

**结论**
利用中国周口的微出行数据，本文旨在探讨在个人属性、家庭特征和建成环境的影响下，微出行方式（尤其是自行车和电动自行车）的出行特征。为此，构建了一个结合GWRF模型和SHAP模型的可解释空间机器学习框架，以同时解决空间异质性和非线性问题。

**作者贡献声明**
吴大为：数据整理、软件开发、初步分析、撰写、审稿与编辑、可视化；
马璐：资源获取、方法论设计、监督、审稿与编辑、验证；
严学东：初步分析、撰写、审稿与编辑、验证。

**利益冲突声明**
作者声明没有已知的财务利益冲突或可能影响本文工作的个人关系。

**致谢**
本项工作得到了中央高校基本科研业务费[资助编号2024YJS083]的支持。