社區(qū)建成環(huán)境對機動車行駛里程影響的空間異質(zhì)性模型

陳堅，劉柯良，李武，邸晶，彭濤

(1.重慶交通大學，交通運輸學院，重慶 400074；2.大連理工大學，建筑工程學部，遼寧 大連 116024；3.保定市城市設計院，河北 保定 071000；4.西南交通大學，交通運輸與物流學院，成都 610097)

0 引言

小汽車保有量的不斷攀升與道路空間資源有限供給之間的矛盾，使得交通擁堵與空氣污染等問題成為城市的通病。機動車行駛里程(Vehicle Miles Traveled,VMT)是交通能源消耗與空氣污染的決定性因素之一[1]。在推進社區(qū)生活圈(Community Life Unit, CLU)改造與“雙碳目標”的背景下，探討如何通過打造社區(qū)尺度的綠色出行建成環(huán)境降低VMT，從而緩解交通擁堵并改善空氣質(zhì)量，是促進城市可持續(xù)發(fā)展亟待解決的重大問題。社區(qū)生活圈是國土空間規(guī)劃體系創(chuàng)新的重要組成部分[2]。通過改造社區(qū)建成環(huán)境塑造居民的時空間行為成為新型城鎮(zhèn)化階段的重要任務之一。建成環(huán)境作為城市物理空間的重要組成部分，是研究特定空間下出行行為的重要抓手。

已有大量研究關注建成環(huán)境與交通行為之間的關系，其中，包含建成環(huán)境對出行距離、出行方式選擇及出行強度等出行行為要素的影響。VMT在一定程度上能夠全面地反映上述要素。國內(nèi)外眾多學者對建成環(huán)境與VMT 的關系展開研究，在影響效應方面，EWING 等[3]通過大量文獻回顧發(fā)現(xiàn)，相較于個體社會經(jīng)濟屬性，建成環(huán)境對VMT 的影響更大。TAE 等[4]通過薈萃分析得出土地利用對VMT 的影響效應大于居住自選擇的影響，而居住自選擇來源于個體的社會經(jīng)濟特征與出行態(tài)度偏好，進一步說明了建成環(huán)境對VMT 具有較強的影響。在影響機理方面，LIU 等[5]利用結構方程模型探究建成環(huán)境對VMT的影響機理，結果發(fā)現(xiàn)，建成環(huán)境通過影響出行方式選擇與小汽車行駛速度間接影響VMT。STEVENS 等[6]研究發(fā)現(xiàn)，緊湊型的空間開發(fā)對縮短出行距離有正向效應，從而減小VMT。其中，距離市中心的距離和密度等要素是緊湊型開發(fā)的重要評價指標。在關系刻畫方面，DING[7]等利用梯度提升迭代決策樹(Gradient Boosting Decision Tree，GBDT)模型挖掘建成環(huán)境與VMT的非線性關系，解析建成環(huán)境與VMT的協(xié)同變化機理；HONG 等[8]利用多層線性模型分析建成環(huán)境與VMT 的空間異質(zhì)性，將空間差異引入建成環(huán)境與VMT的研究中發(fā)現(xiàn)，建成環(huán)境與VMT的關系具有空間非平穩(wěn)性。

現(xiàn)有研究充分論證了建成環(huán)境對VMT的影響效應及機理，并考慮了其中的非線性效應與空間異質(zhì)性。但已有研究仍具有以下3點不足：(1)由于不同建成環(huán)境要素對VMT的影響機理具有差異性[7]，可能會導致不同建成環(huán)境因素對VMT的影響既具有空間異質(zhì)性，同時包含著變量間的尺度差異，而現(xiàn)有異質(zhì)性研究多采用全局常參數(shù)模型或局部變參數(shù)的地理加權回歸模型(Geographically Weighted Regression，GWR)，只考慮影響因素在空間上的非平穩(wěn)特征，忽略了影響因素尺度異質(zhì)性，可能導致較大的估計偏差，無法揭示本質(zhì)規(guī)律；(2)已有研究多以固定距離的緩沖區(qū)測度出行起點建成環(huán)境，尚未從社區(qū)生活圈規(guī)劃的背景出發(fā)，分析社區(qū)尺度和社區(qū)服務要素的特征，測度和表征建成環(huán)境，建立社區(qū)生活圈尺度下的建成環(huán)境與VMT的關系路徑，對社區(qū)生活圈的規(guī)劃指導有限；(3)現(xiàn)有建成環(huán)境與VMT 研究在國內(nèi)的實證較少，由于社會、經(jīng)濟與文化的差異，建成環(huán)境與交通行為的關系在不同地區(qū)有所不同，亟待為該領域貢獻我國城市的實證研究，豐富該領域的相關結論。

近幾十年來，空間可變系數(shù)(Spatially-Varying Coefficient，SVC)模型在研究潛在的空間非平穩(wěn)關系方面得到越來越多的應用，其中，地理加權回歸(GWR)模型應用最為廣泛。然而，傳統(tǒng)GWR 模型假設所有自變量對因變量的作用過程均在同一尺度，無法捕捉變量間空間非平穩(wěn)關系，F(xiàn)OTHERINGHAM 等[9]提出的多尺度地理加權回歸(Multi-Scale Geographically Weighted Regression,MGWR)模型能夠通過差異化帶寬模擬變量間的多尺度關系，對空間關系捕獲具有更高的精度。

本文基于保定市居民出行調(diào)查數(shù)據(jù)，從社區(qū)生活圈核心要義出發(fā)，在考慮建成環(huán)境因素具有空間異質(zhì)尺度的假設基礎上，對比多尺度模型、固定尺度模型與線性模型的差異，精細化剖析社區(qū)建成環(huán)境與VMT 的空間非平穩(wěn)關系，為社區(qū)尺度的空間設計與改造提出科學參考。

1 建成環(huán)境指標選取與尺度界定

由于社會經(jīng)濟屬性與工作地建成環(huán)境對VMT具有一定影響，因此，本文考慮居民社會經(jīng)濟屬性與工作地建成環(huán)境屬性，重點考察不同社區(qū)建成環(huán)境特征對VMT 的影響。同時，VMT 與出行產(chǎn)生、出行距離及出行方式選擇等因素具有強相關，因此，建成環(huán)境的測度指標選擇應充分選取影響上述中介因子的建成環(huán)境變量。結合文獻[10-11]已有研究成果，建成環(huán)境常用5D 要素進行刻畫，包括：密度(Density)、多樣性(Diversity)、設計(Design)、目的地可達性(Destination Accessibility)與公交臨近度(Distance to Transit)。其中，密度通過人口密度進行表征，多樣性通過土地利用混合度描述，設計通過路網(wǎng)密度與交叉口密度測度，公交臨近度通過公交站點密度表征，目的地可達性通過距離市中心的距離進行表征。

為分析建成環(huán)境要素，需要選擇合適大小的分析單元，以確定建成環(huán)境要素對VMT 的影響。針對工作地，本文選取工作地500 m緩沖區(qū)作為建成環(huán)境的測度范圍。針對居住地的社區(qū)生活圈，2021年7 月，住建部頒布的《社區(qū)生活圈規(guī)劃技術指南》中明確提出社區(qū)生活圈有“5～10 min 和5～15 min”兩個層級。本文選取15 min社區(qū)生活圈層作為社區(qū)建成環(huán)境的測度范圍，即以居住點為中心，步行15 min所能覆蓋的區(qū)域。參考文獻[12]對步行速度的界定為4 km·h-1，因此，社區(qū)生活圈半徑為1 km，即1 km緩沖區(qū)。同時，考慮到緩沖區(qū)測量的是直線距離，居民實際的步行距離要遠于此，因此，本文提出基于步行非直線系數(shù)(Pedestrian Route Directness，PRD)進行調(diào)整，獲得實際可達社區(qū)生活圈范圍。

首先，以居住點為中心生成1 km緩沖區(qū)，作為社區(qū)生活圈初始測度范圍，將研究區(qū)域由45°角均分為8個象限，角邊與緩沖區(qū)圓環(huán)相交的點設為終點，通過arcgis軟件的OD成本矩陣分析，獲得居住點到各終點的平均步行距離；然后，這8 個點的平均步行距離除以1 km，獲得該社區(qū)生活圈的平均PRD 系數(shù)；最后，再由1 km 除以PRD 系數(shù)，獲得實際社區(qū)生活圈半徑。調(diào)整步驟如圖1所示。

圖1 社區(qū)生活圈范圍確定過程Fig.1 Process of determining scope of community life circle

2 數(shù)據(jù)來源與處理

2.1 樣本選取

保定市位于河北省中部，是河北省原省會城市。截止2018年底，保定市汽車保有量達226.4萬輛，全市機動車千人保有量達到175 輛，居省內(nèi)第一位。機動車的迅速增長與高強度使用，導致保定市主城區(qū)交通擁堵和停車難等問題日漸凸顯。為探明城市停車存量，把握停車問題特征，制定城市停車發(fā)展戰(zhàn)略，保定市城鄉(xiāng)規(guī)劃設計研究院于2020 年10 月牽頭開展城區(qū)機動車停車需求調(diào)查，其中，包括停車設施普查與小汽車使用行為調(diào)查，后者由筆者所在的高?？蒲袌F隊開展，對保定市競秀、蓮池、滿城、清苑及徐水這5個市轄區(qū)進行分層抽樣，開展線下問卷調(diào)查。為盡可能保證樣本代表性與結論有效性，樣本抽樣地點盡量在轄區(qū)建成區(qū)范圍內(nèi)均勻分布。調(diào)查問卷記錄了受試者的社會經(jīng)濟特征和出行特征等(其中，個體平均每天駕駛小汽車的出行距離(km)乘365，得到每個出行者每年的VMT，作為VMT 的實證數(shù)據(jù))，問卷總計回收520 份，問卷數(shù)量與小汽車使用行為研究的數(shù)據(jù)量相近[13]，并對樣本進行篩選，主要剔除以駕駛為職業(yè)和居住地或工作地不具體的樣本，最終剩余330份有效樣本，問卷有效率為78%，樣本所在社區(qū)空間分布如圖2所示。有效問卷統(tǒng)計性描述如表1所示。

表1 樣本描述性統(tǒng)計Table 1 Descriptive statistics of samples

圖2 研究樣本所在社區(qū)空間分布Fig.2 Spatial distribution of community where research sample is located

男性樣本量與女性樣本量均在50%左右，未出現(xiàn)性別極差現(xiàn)象，大部分受試者的年齡在(35, 59)歲，年齡分布與保定市交警部門提供的駕駛員年齡分布特征相似，月收入在10000 元以下，家庭小汽車擁有量90%以上為1～2輛。綜上，調(diào)查樣本的個體特征與實際情況基本相符，反映抽樣結果具有較好的代表性。值得注意的是，由于VMT 的影響因素包含個體社會經(jīng)濟屬性與建成環(huán)境屬性兩個層次，可能存在一定的嵌套關系，而本文所涉及的樣本點均來自不同居住地與工作地，數(shù)據(jù)之間不存在分層嵌套結構。

2.2 建成環(huán)境變量求解

通過ArcGIS緩沖區(qū)工具生成每個樣本點的居住地與工作地建成環(huán)境的測度范圍，用空間連接工具計算區(qū)域內(nèi)各類興趣點(Point of Interest，POI)的數(shù)量、路網(wǎng)長度與人口密度，其中，人口密度來源于街道尺度的人口普查數(shù)據(jù)，土地利用混合度主要考察了每個社區(qū)內(nèi)各類POI 點的混合程度，在《社區(qū)生活圈規(guī)劃技術指南》中對社區(qū)服務要素配置建議的基礎上，選取政府、銀行、醫(yī)院、學校、體育館、商場、酒店、廣場及公園這9 類POI，土地利用混合度由土地利用熵指數(shù)表征；距離市中心的距離通過構建道路網(wǎng)絡數(shù)據(jù)集，求解OD成本矩陣，其中，起點為各樣本居住地或工作地，終點為保定市地理中心(保定市直隸總督署博物館)；公交服務水平通過研究單元內(nèi)公交站點每小時到車數(shù)量表示。建成環(huán)境指標具體描述與量綱如表2所示。

表2 建成環(huán)境變量描述Table 2 Description of built environment variables

其中，土地利用熵指數(shù)[14]為

式中：Li為第i個研究單元內(nèi)土地利用熵指數(shù)；Pij為第i個研究單元內(nèi)第j種POI 數(shù)量占總數(shù)的比例；Ni為第i個研究單元內(nèi)包含的POI 的類型數(shù)量。

2.3 變量描述性分析

研究通過Vk表征因變量，以指代VMT，自變量為個體社會經(jīng)濟屬性與建成環(huán)境因素，指標的統(tǒng)計性分析如表3所示。

表3 變量描述性統(tǒng)計分析Table 3 Descriptive statistical analysis of variables

在進行分析之前，需要分析變量間的多重共線性，剔除共線性過高的變量。因此，將自變量導入SPSS 中，進行共線性分析，結果顯示，變量方差膨脹系數(shù)(Variance Inflation Factor，VIF)值均小于10，滿足相關研究對共線性的要求[12]，因此，將所有解釋變量納入模型。通過SPSS 進行變量的柯爾莫可洛夫-斯米洛夫檢驗(Kolmogorov-Smirnov test，K-S test)，建成環(huán)境變量中，除工作地路網(wǎng)密度和公交服務水平的K-S顯著性小于0.05，其余建成環(huán)境K-S各變量的顯著性均大于0.05，拒絕非正態(tài)分布的原假設，即大部分建成環(huán)境變量呈現(xiàn)正態(tài)分布，樣本質(zhì)量較好。

3 多尺度地理加權回歸模型(MGWR)

近年來，MGWR模型已廣泛應用于分析房價、環(huán)境污染及景觀格局等具有空間屬性要素的空間變化特征。一方面，MGWR 模型放寬了空間變化過程在同一空間尺度上變化的假設，有效解決了GWR模型可能導致的可變面元問題；另一方面，多帶寬方法產(chǎn)生了更接近真實和有用的空間過程模型[15]。MGWR 屬于局部回歸模型，在每次估計中，通過選取每個空間樣本點周邊一定數(shù)量的樣本進行回歸，使每個研究樣本均會產(chǎn)生對應的自變量系數(shù)估計值，其中，用于估計的樣本數(shù)量即為帶寬。可變帶寬即通過逐步擬合，在對不同自變量系數(shù)估計時選取不同數(shù)量的樣本，用于估計的樣本點構成一定地理空間范圍，反映了自變量在空間上作用效應的尺度特征，是精細化空間治理的基礎,MGWR模型與GWR 模型尺度差異如圖3 所示。例如，建成環(huán)境變量中的大帶寬變量反映了該變量的作用效應在研究范圍內(nèi)較穩(wěn)定，對該變量的空間設計不需要考慮區(qū)域差異，而小帶寬變量反映了該變量的作用效應在研究范圍內(nèi)變化較大，需要進行空間分區(qū)設計，而帶寬大小則是指導分區(qū)尺度的基礎。

圖3 MGWR模型與GWR模型的尺度差異Fig.3 Scale difference between MGWR model and GWR Model

MGWR模型每個變量的可變帶寬在回歸算法中不斷校準，計算式為

式中：yi為第i個樣本的因變量值；(ui,vi)為第i個樣本的地理空間坐標；βbwj(ui,vi)為第i個樣本點的第j個變量使用bwj帶寬的回歸系數(shù)(當回歸系數(shù)為正值(負值)時表明，VMT 與解釋變量正(負)相關，兩者呈現(xiàn)空間匹配(分離)現(xiàn)象)；xij為第i個樣本點的第j個變量值；k為自變量的總個數(shù)；εi為隨機誤差項。

其中，bwj在GWR模型中為固定值，而在本模型中為可變值。MGWR 模型通過將GWR 模型作為廣義可加模型(Generalized Additive Models，GAM)實現(xiàn)可變帶寬。GAM 使用后退擬合算法進行平滑項的擬合，本文選擇GWR 模型估計作為初始估計，則真實值與初始化估計的差值作為初始產(chǎn)殘差，即

在回歸系數(shù)估計過程中，不同自變量的可變帶寬通過對其進行分步回歸實現(xiàn)：首先，選擇GWR模型估計作為所有自變量的初始回歸系數(shù)估計；其次，將殘差項ε?加上第1 個加性項f1作為響應變量，與第1 個自變量X1進行GWR 回歸，得到X1對應的最優(yōu)帶寬bw1和新的參數(shù)估計，替換初始的參數(shù)并更新殘差；隨后，將新的殘差加上第2 個自變量的回歸值f2，重復之前的操作以此類推，直到最后1個自變量；最后，完成每輪循環(huán)計算后，判斷是否滿足收斂條件，若滿足，則跳出循環(huán)，否則，則從第1 個自變量開始繼續(xù)迭代，改進回歸系數(shù)估計值。其中，GWR 回歸中核函數(shù)的選擇與收斂準則的判定分別采用二次核函數(shù)與殘差平方和的變化比例(Rss)，即

式中：n為樣本空間單元的數(shù)量；σ為誤差項估計的標準離差；tr(S)為MGWR的帽子矩陣S的跡。

4 實證分析

本文以保定市出行調(diào)查數(shù)據(jù)為案例，剖析建成環(huán)境對VMT 的影響。研究范圍為保定市主城區(qū)，研究面積為241.28 km2，涉及人口102.52 萬人。保定市主城區(qū)是典型的單中心結構，中央片區(qū)為開發(fā)較早的成熟區(qū)，建設用地范圍由中心逐漸向外擴展，目前，外圍片區(qū)公共服務等較為缺乏。

為全面反映社區(qū)建成環(huán)境對VMT 的影響模式，對比不考慮空間異質(zhì)性的OLS 模型、不考慮自變量異質(zhì)空間尺度的GWR 模型與MGWR 模型這3個模型的差異。其中，OLS模型通過STATA軟件進行求解，GWR 模型與MGWR 模型利用Fotheringham 等開發(fā)的MGWR2.0 軟件進行求解。模型回歸結果如表4所示。

由表4 可知，MGWR 的AICc 值最低，相比于GWR模型與OLS模型分別下降了18.8%與38.2%；調(diào)整后R2最高，相比于GWR模型與OLS模型分別提高了1.8倍與6.0倍，說明考慮了不同變量異質(zhì)尺度的MGWR 模型具有更好的擬合度；同時，MGWR 擬合結果的殘差莫蘭指數(shù)最低，說明模型降低了殘差的自相關性。根據(jù)MGWR 模型結果，社區(qū)建成環(huán)境屬性中，各建成環(huán)境變量整體上與VMT 顯著相關。從標準化系數(shù)的絕對值來看，社區(qū)建成環(huán)境變量中土地利用混合度與公交服務水平對VMT 的影響強度最大，而GWR 模型與OLS模型的回歸結果低估了社區(qū)土地利用混合度與公交服務水平對VMT的影響效用。

表4 模型回歸結果Table 4 Model regression results

4.1 社區(qū)建成環(huán)境尺度效應分析

MGWR 與GWR 中不同社區(qū)建成環(huán)境變量的差異化作用尺度如圖4所示。

圖4 MGWR模型與GWR模型中社區(qū)建成環(huán)境變量帶寬Fig.4 Bandwidth of community built environment variables in MGWR model and GWR model

不同變量的作用尺度通過帶寬反映，由于樣本數(shù)量為330，當某一帶寬為330時說明，該變量在空間上的作用效果一致，不存在空間異質(zhì)性，當帶寬越小時，說明變量的作用效果在空間上的差異性越強。其中，由于GWR 是單一尺度模型，因此，只能反映各變量作用尺度的平均值(125)；MGWR 結果發(fā)現(xiàn)，不同社區(qū)建成環(huán)境作用尺度差異很大。整體來說，各社區(qū)建成環(huán)境變量均不是全局尺度，說明其具有空間異質(zhì)性。其中，路網(wǎng)密度(310)與交叉口密度(310)尺度較大，表明其對VMT 影響的空間異質(zhì)性較小；人口密度(113)、土地利用混合度(92)、公交服務水平(72)與距離市中心的距離(175)這4個指標尺度較小，表明其對VMT 影響的空間異質(zhì)性較大。其中，異質(zhì)性最強的公交服務水平的作用尺度為72，占總樣本量的21.8%，研究范圍的面積約為49 km2，21.8%的面積為10.7 km2，該尺度大于社區(qū)尺度，接近于街區(qū)尺度，說明不同街區(qū)的公交服務水平對VMT 影響具有較大差異，即有些街區(qū)可能對公交服務水平不敏感，需要進行差異化的公交規(guī)劃。

4.2 社區(qū)建成環(huán)境系數(shù)空間格局分析

在針對某一社區(qū)建成環(huán)境指標進行系數(shù)空間格局分析時，需要剔除不顯著的變量，同時，為了更好地解釋社區(qū)建成環(huán)境對VMT 的定量影響，將標準化系數(shù)進行非標準化轉換。進行上述操作后，各建成環(huán)境變量的系數(shù)空間分布格局如圖5 所示。系數(shù)均值統(tǒng)計如表5所示。

表5 MGWR模型系數(shù)均值Table 5 Mean value of MGWR model coefficient

圖5 社區(qū)建成環(huán)境變量系數(shù)空間格局Fig.5 Spatial pattern of community environmental variable coefficient

人口密度對VMT 的影響呈現(xiàn)負效應，非標準化系數(shù)均值為-2140.192，即人口密度每增加1 萬人·km-2，VMT下降2140.192 km。系數(shù)絕對值由中心向外圍不斷增加，呈現(xiàn)邊際遞減效應。一方面，由于保定市主城區(qū)中心路網(wǎng)與土地開發(fā)建設較為成熟，富余空間有限，社區(qū)人口密度的增加會進一步加劇道路基礎設施供給不足；另一方面，該片區(qū)公共交通發(fā)展較為成熟，因此，私家車出行需求降低。而外圍區(qū)域尚未充分開發(fā)，土地和交通供需矛盾尚不突出，伴隨著人口由中心區(qū)向外圍新區(qū)遷移，在配套設施未充分建設的情況下，人口密度增加對營造活力社區(qū)效果尚不明顯。因此，社區(qū)配套設施的建設時序上應盡量與居民入住時間同步。

土地利用混合度對VMT 的影響呈現(xiàn)負效應，非標準化系數(shù)均值為-6398.626，即土地利用混合度每增加0.1 個單位，VMT 下降639.865 km。系數(shù)絕對值由中心向外圍不斷增加，呈現(xiàn)邊際遞增效應。隨著土地利用混合度增加，使出行需求在社區(qū)尺度得到了滿足，從而降低了VMT，其中，越遠離市中心，增加土地利用混合度對降低VMT 的效應越明顯，這是由于相較于核心區(qū)，外圍片區(qū)社區(qū)服務設施可能仍不夠充分，具有更大的提升空間。

路網(wǎng)密度與交叉口密度對VMT的影響整體呈現(xiàn)負效應，其中，路網(wǎng)密度與交叉口密度的非標準化系數(shù)均值分別為-2332.260 與-34.614，即社區(qū)建成環(huán)境變量每增加1 個單位的路網(wǎng)密度與交叉口密度，可分別使VMT 下降6968.625 km 與103.426 km，這是由于路網(wǎng)與多交叉的布局有助于降低車輛機動性，提供更多便于人行的連接道，從而抑制小汽車使用，印證了當下社區(qū)開展“窄馬路和密路網(wǎng)”路網(wǎng)規(guī)劃的有效性。系數(shù)絕對值由中心向外圍不斷減小，呈現(xiàn)邊際遞增效應，說明在外圍新開發(fā)區(qū)增加路網(wǎng)密度更有助于降低VMT。

公交服務水平對VMT 的影響整體呈現(xiàn)負效應，非標準化系數(shù)均值為-8.92，即公交服務水平每增加1 個單位，VMT 下降8.92 km。系數(shù)絕對值由中心向外不斷增加，呈現(xiàn)邊際遞增效應。這是由于中心成熟片區(qū)個體出行習慣較為固定，外圍新開發(fā)社區(qū)下的個體在出行行為上具有更好的塑造性，印證了公共交通引導新區(qū)建設的必要性。

距離市中心的距離對VMT的影響整體呈現(xiàn)正效應，非標準化系數(shù)均值為161.142，即距離市中心的距離每增加1 個單位，VMT 增加161.142 km，系數(shù)表現(xiàn)為從中心到外圍不斷增加，呈現(xiàn)邊際遞增效應，表明越遠離市中心的樣本，距離市中心距離對VMT的邊際影響更大，說明，越遠離中心城區(qū)的社區(qū)個體為追求更高質(zhì)量的服務設施與工作條件，會促使長距離的出行活動，導致了“向心性”的出行空間特征。

5 結論

本文將MGWR 模型應用于建成環(huán)境與VMT關系的實證研究中，從社區(qū)建成環(huán)境出發(fā)，結合問卷調(diào)查數(shù)據(jù)與地理空間信息數(shù)據(jù)，研究保定市居民VMT 與建成環(huán)境關系的空間分異和空間尺度差異。模型結果表明，相比于經(jīng)典GWR 模型與傳統(tǒng)OLS 模型，考慮變量異質(zhì)尺度的MGWR 模型結果對數(shù)據(jù)具有更好的解釋力。社區(qū)建成環(huán)境對VMT具有顯著影響，其中，距離市中心的距離與公交服務水平對VMT 影響最大，通過打造多中心布局縮小區(qū)位差異和提高公共交通供給質(zhì)量對促進綠色出行具有重要意義，而文獻[16]研究認為密度和多樣性對VMT影響更大。這是由于距離市中心的距離與公交服務水平兩個變量的尺度異質(zhì)性較強，以往研究忽視了這點，因此，無法體現(xiàn)這兩者的重要性。模型結果的空間異質(zhì)性表現(xiàn)如下：

(1)從變量尺度分異來看，不同社區(qū)建成環(huán)境變量對VMT的空間異質(zhì)性程度不同。路網(wǎng)密度與交叉口密度接近全局尺度，說明其與VMT 關系在空間上的變異較弱；其余建成環(huán)境變量異質(zhì)性較強，說明其與VMT關系在空間上的變異較強，需要有針對性的進行差異化空間設計，現(xiàn)有研究尚未發(fā)掘類似關系。

(2)從變量系數(shù)空間分異來看，社區(qū)建成環(huán)境變量呈現(xiàn)“中心-外圍”逐漸變化的模式。針對越靠近市中心的社區(qū)，提高人口密度更有利于降低VMT，DING 等[7]在奧斯丁的實證研究也證明了人口密度對于降低VMT 的積極效應；而越遠離市中心的社區(qū)，提高土地利用混合度、路網(wǎng)密度、交叉口密度與公交服務水平對降低VMT 具有更大的效益，EWING 等[3]在美國15 個地區(qū)的實證研究發(fā)現(xiàn)了類似的關系，但上述兩項研究均未解析建成環(huán)境與VMT 在空間上的異質(zhì)關系；距離市中心的距離指標反映了小汽車出行強度呈現(xiàn)越遠離市中心越強的空間趨勢，出行呈現(xiàn)“向心性”。

由于本文是通過小規(guī)模抽樣數(shù)據(jù)得出的結論，對結論的解讀需要謹慎，本文在結合保定市建設背景的條件下，得到了相關的研究結論，可指導面向碳中和的社區(qū)生活圈精細化規(guī)劃。