基于多源数据与可解释人工智能的济南城市活力与建成环境的非线性效应

为何城市的生命力很重要

为什么有些街区显得热闹宜人，而另一些即便在高峰时段也显得冷清？本研究以中国东部大城市济南为例，探究究竟是什么让城市街道充满活力。研究者将大数据——从手机热力图到街景照片——与可解释型人工智能相结合，揭示了商铺、住宅、交通、公园与街道氛围如何以非显而易见、常常是非线性的方式共同塑造城市生活的日常脉动。

多维视角下的城市生活观察

为捕捉济南不同区域的活力程度，团队构建了一个综合活力指数，融合了三种活动维度：社交（人群聚集与流动）、经济（商业与就业聚集）与文化（博物馆、图书馆和剧院等）。他们利用了移动人口热力图、卫星夜间灯光以及数万条兴趣点数据（如商店、写字楼和文化场所）。一种称为CRITIC的特殊加权方法根据各数据项的变异程度及其相互冲突或一致的强度来分配权重，避免了简单将所有因素视为等同重要的常见捷径。结果呈现出一个更丰富的三维图景，展示了人在城市中如何生活、工作与娱乐。

强核与静阔的城市格局

地图显示出明显的格局：以泉城路、趵突泉和大明湖为核心的历史中心与东部较新的商务区，共同形成了强劲的双核活动区。社交活动、购物与就业在这里高度聚集，并沿着一条主轴向东延伸，而北部和西部的大部分地区更像“寝城”——以住宅为主，服务或吸引力较少。文化活动则相对分散一些，在历史区与高校周边存在多个较小的枢纽，但在边缘地带文化场所仍然稀缺。总体来看，综合活力在东部与南部明显高于西部与北部，反映出“东强西弱”的不均衡发展格局。

更重要的是特征还是感受？

研究接着考察了哪些建成环境要素真正驱动了活力。研究者把影响因素分为“客观”与“主观”两类：客观因素描述实物存在——如设施数量与类型混合、密度及街道连通性；主观因素则反映街道在视线层面的感受，如绿化程度、天际开阔度与步行可达性，这些由成千上万张街景图像通过计算机视觉提取。可解释型人工智能模型（XGBoost 结合 SHAP 分析）显示，客观因素占主导：不同场所类型的混合、总体密度以及街道网络的一体化程度，能解释超过 60% 的活力差异。相比之下，基于感知的指标如可见绿量或步行性在当前济南的发展阶段只起到次要作用。

隐含的阈值与最佳区间

关键在于，这些驱动因素并非线性起作用。模型揭示了明确的阈值与“最佳区间”。当场所类型混合度过低时，会抑制活力；只有达到某一混合水平后，活力才会迅速上升。每平方公里的设施增加会提高活动水平，但这种增益在达到中等密度后逐渐递减。街道连通性在中等范围内最有利，超过该范围后拥挤可能侵蚀收益。即便是开阔感——可见天空比例——也呈倒U型：适度的开阔让街道更具亲和力，但过于宽阔的空间（如巨大的广场）可能显得空旷，反而抑制日常使用。这些模式强调了“更多并不总是更好”；平衡至关重要。

为更聪明、更公平的增长提供指引

通过将具体数值与这些阈值挂钩，研究把宽泛的规划理念转化为可操作的指引。对于街景友好但服务较少的历史街区，建议在不破坏其亲密尺度的前提下，谨慎增加混合的文化与商业用途。对于密集的现代商务区，应优先丰富功能混合并微调开阔度与街道连通性，而非简单地再建高楼。对于安静的边缘社区，最明确的需求是先补齐基础功能供给——更多日常设施与更好的公共交通——在此基础上细微的设计调整才会起到作用。对非专业读者来说，结论很直接：有活力的城市并不依赖单一特征，而在于在每个街区用合适的强度，获得正确的场所、连接与空间的组合与平衡。

引用: Yu, M., Ji, Q., Zheng, X. et al. Nonlinear effects of the built environment on urban vitality in Jinan based on multi-source data and explainable AI. Sci Rep 16, 4923 (2026). https://doi.org/10.1038/s41598-026-35537-y

关键词: 城市活力, 建成环境, 城市规划, 可解释人工智能, 混合用地