自发地理信息支持下建成环境与移动型体力活动相关性荟萃分析
摘要：【目的】掌握体力活动与建成环境特征的关联对主动干预公众健康具有重大意义。
【方法】为系统地验证建成环境的移动型体力活动使用效能，根据自发地理信息、体力活动、环境特征等关键词从Web of Science 等数据库筛选出 31 篇描述统计汇报完整的学术论文，对文章信息、样本基本信息、研究分析方法、因变量和自变量信息等内容进行系统梳理，在此基础上对论文结果进行量化荟萃分析。
【结果】自然环境、建成环境、社会环境及主观感知环境均与移动型体力活动存在一致的显著相关关系，关联程度因体力活动类型而异。自然环境中，归一化植被指数、绿化空间密度等自上而下的绿化水平与各类体力活动的正相关性最强；建成环境中，道路密度也与移动型体力活动存在一致的显著正相关关系，而便利设施的供给、人行道宽度仅对步行活动有积极的促进作用；除骑行活动外，居住用地密度与步行、跑步及一般体力活动都有显著的正相关关系。
【结论】大批量、多尺度、高精度的体力活动自发地理信息有助于研究者客观掌握城市街区体力活动的分布，比较不同建成环境在多种时空尺度下的体力活动访问模式及使用效能，进而构建街区环境特征与体力活动适宜性的关联性模型；基于荟萃分析的发现为城市规划者和政策制定者优化和新建体力活动干预设施提供了使用效能预测的经验模型，有助于更科学合理地建设促进健康行为的人居环境。
1 研究背景
随着城市规模的快速扩张，交通拥堵、公共绿地大幅削减、空气污染等环境问题日益凸显，严重威胁公众的身心健康。《健康中国行动（2019—2030）》报告指出，经常参加体育锻炼的城乡居民比例仅为 33.9%，其中，缺乏全身协调性体力活动是慢性病的主要诱因之一[1]。《“健康中国 2030”规划纲要》要求通过统筹建设全民健身公共设施，加强健身步道、骑行道、体育公园、社区多功能运动场等健康设施建设，来完善全民健身公共服务体系，推动全面健身生活化[2]。
城市街区规划建设的重要目标之一是促进居民的体力活动和保障公共健康，因此，如何建设体力活动需求导向的城市街区环境是实施“健康中国”战略的重要议题。在诸多体力活动类型中，以跑步、健走、骑行等为代表的移动型体力活动与城市街区尺度建成环境关联密切，设施投入成本与运动实施成本较低[3]，是公共运动设施服务的重点促进对象。因此，系统地解析城市街区环境与移动型体力活动的相关性日益迫切，且具有重要的价值和意义。
1.1 城市街区建成环境对移动型体力活动的影响
根据萨利斯（Sallis）的社会生态健康促进模型[4]，街区建成环境对移动型体力活动行为的影响主要体现在建成环境、社会环境、社会经济属性三方面（图 1）。
1）建成环境中的自然环境因素，包括绿地空间尺度、绿化覆盖率、亲水空间密度等二维环境因素与移动型体力活动有紧密联系；绿化环境指标选取较少考虑能反映三维空间的视觉环境特征对体力活动的影响[5]；此外，指标选取主要基于客观物理环境，忽视了个体主观感知与体力活动的联系，如环境安全感知和美观程度对体力活动的影响。道路连通性、与居住地的距离、公共交通可达性等交通组织因素均对体力活动有显著影响[6-8]，如连通性欠佳的绿道网络容易降低跑步和骑行等移动型体力活动的积极性和环境吸引力。土地利用混合程度、建筑密度等土地利用与建筑环境因素也对体力活动有显著影响[9]。
2）社会环境方面，人口密集的街区环境为社交活动提供更多机会，同时更有利于促进移动型体力活动[7, 10]；社会凝聚力和社区治安也会显著影响移动型体力活动行为的执行[11]。3）社会经济属性对街区环境与体力活动的关系具有调节作用，即不同性别、年龄、教育水平、收入水平的群体对街区环境的使用需求和偏好不同[6]，导致街区环境对不同人群的主动健康干预方式存在一定差异。
1.2 自发地理信息为建成环境体力活动使用效能评价提供新的可能
自 发 地 理 信 息（ volunteered geographicinformation, VGI）是指个体通过移动互联设备自发贡献的地理空间信息，具有数据来源广、获取方式便捷、时效性高、空间定位准确等特点。VGI 被广泛应用于运动科学[12]、自然灾害管理[13]、景观偏好[14]、交通运输[15] 以及健康环境[16] 等领域。近年来，VGI 也开始被应用于城市建成环境和体力活动的关联研究。刘堃等利用 VGI 获取体力活动数据，分析其与城市绿道网络特征的关联，发现绿道网络越发达，体力活动的多样性及使用效能越高[7]。VGI 也被应用于捕捉体力活动的时空分异特征，进而测度不同街区环境的使用效能[17-18]。VGI 具有获取成本低、用户自主生成、地理定位准确的优势，研究者可以结合大样本的空间数据与其他地理信息对个人的行为和经历进行联合分析，进而更为直接与全面地反映个体体力活动的路径选择偏好，VGI 逐渐在健康环境领域得到广泛应用。
1.3 建成环境与体力活动关系的研究综述不足
为系统地解析城市街区环境与移动型体力活动的关联，须对已有的大量实证研究进行系统性归纳、综述。近年来，城市、交通研究领域已出现一系列有关建成环境与体力活动关联性的系统综述[19-21]，但关于街区建成环境与移动型体力活动的关联性综述存在以下不足。首先，已有综述大多是针对以个体为研究单元的调查研究，其结论有利于捕捉特定居住地或日常生活锚点的建成环境因素与个体体力活动的关联，却难以锁定个体体力活动的地点和空间分布等信息，较难反映移动型体力活动的建成环境选择偏好。其次，尽管基于自发地理信息的城市建成环境与体力活动关联研究已大量涌现，现有综述却鲜少将这一类研究纳入文献梳理范畴。因此，本研究针对基于自发地理信息的城市建成环境与移动型体力活动关联的研究进行荟萃分析，弥补现有综述的不足。
2 研究方法
2.1 荟萃分析法
荟萃分析（meta-analysis，又称元分析）指在文献分析中合并统计同类研究结果，并对研究效应量进行量化分析的系统评价方法。与传统侧重于定性分析的综述类研究相比，荟萃分析从研究问题出发，制定搜集和筛选文献的标准，定量测度研究特点和结果，以提高结论的可靠性和有效性[22]。本研究的荟萃分析方法严格遵循 Saelens 和 Handy 的荟萃分析方法[23]，已有研究证明了该方法的科学性与可靠性[24]。
2.2 文献检索与筛查
对纳入荟萃分析的文献进行系统性梳理，提取文献主要信息并编制数据筛选简表，内容包括 5 个方面。1）文章信息：题目、作者和发表年份。2）样本基本信息：研究区域和尺度、样本量。3）研究方法分析：回归模型类型、空间分析基本单元、缓冲区范围、是否进行描述性统计分析、是否控制社会经济属性。4）因变量信息：体力活动指标测度类型（使用效能、多样性、适宜性）、移动型体力活动类型、体力活动数据来源。5）自变量信息：（物理、社会和感知）环境指标选取及其数据来源。
笔者通过 Medline、Web of Science 核心集、Sci ELO Citation Index 和 Pubmed 四大数据库搜索文献，将关键词分为三大类：自发地理信 息（ VGI、 trajectory data、 fitness/exercise/mobile/running APP、 crowdsourcing、 sportstracker 等），体力活动类型（physical activity、leisure-time physical activity、moderate-to-vigorousphysical activity、 exercise、 sports、 walking、cycling 等），环境特征（environmental features、environment、 park environment、 builtenvironment、traffic condition 等），进行交叉组合检索。最终筛选出 31 篇文献作为本研究的量化分析样本（图 2）。
2.3 文献数据统计
笔者对筛选出的 31 篇文献编制了详细的文献信息数据库（表 1）[7, 12, 17-18, 25-51]。考虑到建成环境对于不同类型体力活动的使用效能可能存在较大差异，本研究重点关注移动型体力活动：步行、骑行、跑步[7]，没有明确表明体力活动类型的被归类为一般体力活动。
2.4 弹性值计算
弹性（elasticity）原为经济学术语，只要两个变量存在函数关系，便可用弹性来表示因变量受自变量变化影响的敏感程度，即表达因变量的百分比变化与自变量 1% 增长的关联程度。例如，假设人口密度每增加 1%，城市公园的体力活动使用效能提高 0.3%，那么弹性值为 0.3。弹性值在敏感性分析中被广泛使用，尤其是在建成环境与体力活动关联研究中[52]，能反映建成环境指标与体力活动行为关联程度的无单位度量，有利于比较不同研究中不同建成环境因素的效应大小。基于构建的文献信息数据库，计算样本中特定建成环境要素与移动型体力活动相关关系的弹性值，并基于样本量加权计算所有环境指标的平均弹性值。
建成环境因素弹性值的计算条件包括3 点：1）研究报告了建筑环境因素与体力活动的显著关联；2）研究报告了自变量与因变量的描述性统计分析结果；3）最少有 3 个样本文献符合前 2 点要求。弹性值计算方式如下：1）直接使用样本文献中报告的弹性值；2）当模型采用 log 回归时，建成环境因素的弹性值即为其回归系数；当模型采用线性回归或逻辑回归时，根据自变量及因变量的平均值、回归系数计算出弹性值（表 2）。
平均值和样本量之间可能存在巨大差异，基于平均值计算弹性值可能会导致误差，即当个体的研究次数较低或较高时，以平均效用评估的概率会低于或高于平均概率；然而，由于原始数据有限，本研究还是使用平均值来计算样本文献中的弹性值。在单个研究报告的弹性值基础上，根据样本量大小计算所有满足条件的建成环境因素的加权平均弹性值。
3 研究结果
3.1 研究概况和总体特征分析
3.1.1 研究趋势及特征
从研究的地理分布来看，在 31 篇样本文献中有 17 篇以美国、加拿大、英国、荷兰、澳大利亚、芬兰等发达国家的城市空间为研究对象，其中文献数量最多的是美国（9 篇）；另有 14 篇聚焦于中国，包括北京、上海、深圳、成都、重庆、长沙等城市。从研究尺度上看，80% 以上的研究都聚焦于城市建成环境，只有少数研究涉及乡村或者更广泛的区域层面。从研究的体力活动类型来看，6 篇文献将各类移动型体力活动视为整体；21 篇文献对某一特定类型体力活动进行了针对性分析，其中 8 篇聚焦于骑行，10 篇关注于跑步，3 篇研究步行；此外，有 4 篇文献对多种体力活动进行了对比研究，探讨不同类型的体力活动行为受环境因素影响的差异。
3.1.2 建成环境指标及其量化方法
涉及的建成环境类型包括客观建成环境、主观感知环境和社会环境。
1）客观建成环境指标包括 3 个主要类别：自然环境中的绿地空间占比、归一化植被指数、街景绿视率、亲水空间密度等，交通环境中的公交站点密度、公共交通可达性、红绿灯密度、道路密度等，以及土地利用类型与建筑环境中的土地利用混合程度、建筑密度、居住用地密度、开放空间密度等。客观建成环境的数据主要来源于地理信息系统和各种开源数据平台，如全球开源地理数据库（Open Street Map,OSM）、百度街景图像、美国国家航空航天局的 MODIS NDVI 平台和政府官方网站等。
2）主观感知环境指标主要为环境安全感知、环境活力水平和富裕程度 3 个指标。既往研究中建成环境的主观评价数据主要通过问卷调查的方式获取，近年来随着计算机视觉、深度学习和机器学习算法的发展，基于支持向量机技术（support vector machine, SVM）构建建成环境视觉特征与街景品质评价的关联性模型逐渐引起学者的关注[26]。
3）社会建成环境指标包括人口密度、就业岗位密度、城镇化指数、犯罪率等。将 GIS 技术应用于地理数据库是量化体力活动环境特征的最普遍方法。值得注意的是，60% 的研究均以街道路段为基本空间分析单元，以此生成欧氏距离缓冲区并量化相应的建成环境，其计算结果与行政区缓冲区相比更为准确。
3.1.3 移动型体力活动的指标及测度手段
移动型体力活动的指标主要分为 4 类：特定建成环境的体力活动使用效能、体力活动多样性、体力活动适宜性、体力活动路径选择，本研究主要聚焦体力活动使用效能测度。体力活动使用效能最常见的测度手段是以街道路段、城市公园为基本空间单元并生成缓冲区，汇总缓冲区内的体力活动路径总长度，除以所在缓冲区的面积，以此解决大缓冲区内的体力活动路径总长度比小缓冲区内的路径长的问题；此外，将体力活动 VGI数据转换为热力图栅格的方法也较为常见，用于测度不同区域的体力活动使用效能[27, 29]。
体力活动多样性是指特定建成环境中各类型体力活动的数量及混合程度[7]，大多采用Shannon 的熵公式进行计算。体力活动的适宜性通常以建成环境内是否有体力活动存在作为表征，通过将体力活动 VGI 数据叠加到地理空间信息系统上，筛选出适宜体力活动的建成环境信息，并将剩余的部分视为不适宜进行体力活动的空间信息[7]。衡量体力活动路径选择常用的方法是对比实际路线与替代路线之间街道属性的差异，进而推断出各类环境属性对体力活动路径选择的影响[44, 50]。
3.2 各项环境因素对跑步活动的影响效应对比
影响跑步行为的各项环境因素中①（表 3），天空视域因子的弹性值最大，为 0.058，即当天空视域因子增加 1% 时，跑步活动将增加0.058%；公交站点密度的弹性值次之，为0.016；其他环境因子的弹性值相对较少，低于 0.005。
3.3 街区各类建成环境因素对移动型体力活动行为的影响
依据样本文献中建成环境对体力活动行为的影响方向（预期结果、非预期结果和无显著关联结果），进一步量化建成环境与体力活动行为之间的关联程度。判定依据为：如果某个建成环境因素产生的预期结果数量是非预期结果和无显著关联结果数量之和的两倍及以上，则该建成环境因素被视为对体力活动有高强度影响；如果预期结果数量多于非预期结果和无显著关联结果数量之和，但少于两者之和的两倍，则该因素被认定为对体力活动有中强度影响[52]。
3.3.1 街区自然环境与移动型体力活动的关联
测度街区自然环境的常见指标包括自上而下的绿化水平（归一化植被指数、绿地空间占比）、人眼视角的绿视率和亲水空间密度等（表 4）。自上而下的绿化水平与骑行 （4 预期结果数量：1 非预期结果数量与无显著关联结果数量之和）、步行活动（4∶0）均高强度相关；乔木视域因子（2∶0）与骑行活动也具有高强度相关关系。亲水空间密度/供给与骑行（3∶0）和跑步活动（9∶2）均高强度相关。对跑步活动产生影响的自然环境因素相对较多——树木密度（2∶0）、空气质量 （3∶0）、天空视域因子（2∶0）、河道长度 （3∶0）均与跑步活动高强度相关。自上而下的绿化水平与绿道密度均被证实与一般体力活动高强度相关（3∶0）。
3.3.2 街区交通环境与移动型体力活动的关联
街区交通环境的测度指标主要包括公共交通站点密度、道路密度、交通基础设施的供给（如自行车道、路沿石、共享车道标线）等（表 4）。自行车道密度（12∶1）、道路密度（15∶3）、路沿石的存在（4∶0）、交通事故密度（4∶0）、共享车道标线的供给 （4∶1）、公交站点密度（5∶1）、平均限速 （3∶1）、平均年交通总量（2∶0）指标均与骑行活动高强度相关。交通噪声（4∶0）、步行环路的存在（4∶0）、人行道密度（3∶0）与跑步活动高强度相关；道路密度（12∶11）、红绿灯密度（7∶5）与跑步活动中强度相关。公共交通站点密度（2∶0）、道路密度（6∶1）、人行道宽度（6∶0）、便利设施的供给（6∶0）和公园小径密度（5∶1）均与步行活动高强度相关。道路密度（3∶0）、道路连接度及可达性（5∶1）与一般体力活动高强度相关。
3.3.3 街区土地利用与建筑环境和移动型体力活动的关联
土地利用与建筑环境的测度指标主要包括土地利用混合程度、建筑密度、设施密度、设施可达性等（表 4）。土地利用混合程度与骑行（4∶0）、步行活动（3∶0）均高强度相关；居住用地密度和开放空间密度均与跑步 （4∶1 和 2∶0）、步行活动（2∶0 和 2∶0）高强度相关；此外，区域坡度（5∶0）仅与骑行活动高强度相关，而大学校园密度（4∶0）、设施密度（3∶0）、汽车视域因子（3∶0）仅与跑步活动高强度相关；设施多样性（2∶1）也与跑步活动中强度相关。卫生间数量则与骑行（3∶0）、跑步（2∶0）、步行（3∶0）活动均高强度相关。居住用地密度（5∶2）和开放空间密度（9∶2）均与一般体力活动高强度相关。
3.3.4 街区社会环境和主观感知环境与移动型体力活动的关联
相比客观建成环境，街区社会环境和主观感知环境对体力活动的影响研究较少（表 4）。社会环境指标的测度主要包括人口密度、就业岗位密度、城市化指数和犯罪率，且自发地理信息的研究相对缺乏，在样本文献中，仅人口密度（2∶0）与步行行为高强度相关。主观感知环境的测度主要包括环境安全感知、环境活力和富裕程度 3 项指标，仅环境安全感知（4∶0）与跑步活动高强度相关。
4 讨论与结论
4.1 建成环境与移动型体力活动的关联
已有大量实证研究表明建成环境因素与移动型体力活动紧密相关。本研究基于 VGI数据以及各类建成环境特征与移动型体力活动关联的弹性值，系统评价了建成环境特征与移动型体力活动行为之间的关联，发现自然环境、交通环境、土地利用与建筑环境、社会环境、主观感知环境均对移动型体力活动具有不同程度的促进作用，且影响方式因体力活动类型而异。这些一致性关联的发现为城市规划者和政策制定者优化和新建体力活动干预设施提供了特定环境（如公园、绿道、居住小区等）的体力活动使用效能预测的经验模型。
自然环境中，自上而下的绿化水平与步行、骑行等移动型体力活动使用效能具有一致的显著正相关关系，然而人眼视角的街景绿视率与各类体力活动使用效能却不具有一致的显著相关关系。这与以个体为研究单元的体力活动满意度与自然暴露特征的相关性分析结果相悖[53]，原因在于体力活动获取的数据源不同：体力活动 VGI 更能反映街道的体力活动使用效能，而绿视率与体力活动的关联可能存在于使用效能之外的其他方面。
相比街景绿视率，移动型体力活动使用效能可能更多受到道路连通性和可达性等交通因素影响；本研究涉及的体力活动满意度的测度方法主要基于公众参与地理信息系统，因此反映街道绿化质量的绿视率可能对人的主观感知（如体力活动满意度）造成影响。自然环境与移动型体力活动的相关性也进一步证实了城市绿地系统对居民健康的积极作用，例如，增加绿地暴露水平和体力活动量对于肌肉改善有显著作用[54]。
此外，相比于非自然环境，在亲水空间和公园绿地等亲自然环境中开展体力活动的疗愈效果更明显[55]；城市绿地可通过减轻环境污染、提升环境质量等中介作用来促进体力活动积极性[56]。因此，后续研究可进一步对“自然环境—环境污染—体力活动”的影响机制进行探讨，明确自然环境影响体力活动的中介效应。
交通环境中，公交站点密度、道路密度、人行道密度等影响可达性的交通环境指标均与各类移动型体力活动存在一致的显著正相关关系。移动型体力活动的空间范围与城市道路网络高度复合，因此完善的交通基础设施能显著激发体力活动意愿[53]，例如高品质的步行空间是促进步行、减少机动车依赖、鼓励健康出行的必要条件[57]，便捷的公共交通有利于鼓励体力活动和积极出行。此外，路沿石、自行车道、停车场、共享车道标线等交通设施的供给也能有效促进移动型体力活动。
土地利用与建筑环境中，土地混合利用程度、居住用地密度、开放空间密度、卫生间数量等均与移动型体力活动具有一致的显著正相关关系。此外，高人口密度的街区更有利于促进居民的步行活动，这也与既往研究结果一致[17]，即由于人口聚集的街区基础设施较为完善，因此更有利于促进体力活动。
主观感知环境方面，安全感知水平较高的环境与跑步活动具有一致的显著正相关关系，说明环境安全感知越高，居民的跑步意愿越强。
4.2 VGI 的贡献与限制
得益于网络共享技术、体育应用程序、智能手机和手表的普及，VGI 成为监测移动型体力活动的重要数据源之一。体力活动VGI 是用户自主生成的地理数据，包括运动轨迹、报告和图像等内容，可以被大批量、多尺度、高精度地获取，且比传统体力活动数据获取更节约时间和成本。VGI 对建成环境与体力活动相关性研究的主要贡献在于可比较多种时空尺度下不同建成环境的体力活动访问模式及使用效能。
体力活动 VGI 数据虽然被证实与现场计数数据正相关[58]，但数据来源及样本代表性仍受到质疑。例如，并非所有公园或绿道访客都使用智能手机或体育应用程序[17]；与同区域其他使用者相比，在健身平台上自愿发布地理信息的人可能更年轻并且更喜欢体育活动[59]，因此容易造成数据样本偏差的问题。此外，不同体育应用程序（如悦跑圈、Keep、Strava、GPSies、Map My Fitness、Wikiloc 等）由于受欢迎程度、访问权限存在较大差异，因此提供的自发地理信息可能存在平台信息偏差的问题，例如，Wikiloc 软件更受户外爱好者的喜爱，用户更偏好探险趣味更强的偏远地区[40]，Strava 和 Map My Fitness的用户则更喜欢在城市周边的保护区活动。尽管 VGI 数据存在上述缺陷，但这些大批量、多尺度、高精度的体力活动空间信息无疑是城市规划和公共健康管理部门的强大工具，有利于获取城市建成环境的空间行为，挖掘建成环境特征与体力活动的联系，进而更科学合理地建设促进健康行为的人居环境。
4.3 结论
为验证建成环境的移动型体力活动使用效能，本研究通过对 31 篇基于自发地理信息数据的实证研究文献进行系统性分析，发现自然环境中的绿化水平、亲水空间供给，交通环境中的公交站点密度、道路密度，土地利用和建筑环境中的居住用地密度、土地利用混合度和开放空间密度，社会环境中的人口密度以及环境主观感知要素中的安全感均与移动型体力活动的不同类型存在显著正相关关系，其关联程度因体力活动类型而异。
未来可利用不同时期的自发地理信息，对移动型体力活动的时空分异及其与建成环境因素的关联展开纵向研究，分析并总结不同城市发展阶段各类型建成环境因素对体力活动的影响，进而更科学合理地建设促进健康行为的人居环境。
