地图上走得到的地方，你真的愿意走过去吗？
论文名片｜Armita Kar、Huyen T. K. Le、Harvey J. Miller，Inclusive Accessibility: Integrating Heterogeneous User Mobility Perceptions into Space-Time Prisms，Annals of the American Association of Geographers，2023，113(10):2456—2479。DOI。
假设公交能把你送到一家商店附近，最后几百米也有人行道。地图可能据此把它列为一小时内可达的地点。但如果那段路让你担心交通事故，或你只愿意步行十分钟，这个地点就未必进入实际考虑的范围。
这篇论文提出包容性可达性（inclusive accessibility）：在物理上能去的范围内，再考虑个人对安全、舒适与出行时间的接受程度。它用美国俄亥俄州哥伦布市 40 位参与者的数据展示，同一套街道网络可以对应很不一样的个人可达空间。
先说结论
- 只计算道路、班次和时间预算，会遗漏个人感受到的障碍；这些障碍可以通过街道评价与个人模型纳入路网分析。
- 对街道环境的敏感程度因人而异，而且“觉得大部分道路都适合走”并不意味着平时走得最多。
- 加入步行环境评价后，可达面积的减少幅度差别很大；再加入步行与公交时间偏好后，多数人的范围进一步显著缩小。
- 这是方法展示与个体案例研究。范围变小有模型定义上的原因，不能单凭缩小就证明预测更准确，也不能用三位案例确定收入、种族或性别的总体效应。
一小时够不够，为什么还不是完整的问题？
时间地理学的时空棱柱（space–time prism，STP）描述：在固定活动地点、时间和交通条件之间，一个人还可能去哪些地方、停留多久。把三维棱柱投影到地理空间，得到潜在路径区（potential path area，PPA）。
图 1｜时间怎样限定一个人的活动空间？
原图无字母。竖轴为时间，底面为地理空间，xi、xj 为锚点位置；上下移动边界之间还要留出最小活动时间 aij，底面灰色投影表示潜在路径区。它描述满足时空条件的可能活动，不是已经发生的行程。来源：原论文 Fig. 1，基于 Miller（2005）。
研究将限制分为硬约束与软约束。硬约束包括固定活动地点、有限时间、交通服务与设施等必须满足的条件；软约束是对风险、舒适和时间的个人接受程度。这里的“软”不意味着不重要，更不意味着安全问题只是心理作用。同一安全问题也可能让某人完全拒绝进入某个地区，成为其不可妥协的限制。
图 2｜个人感受怎样进入可达性计算？
原图无字母。左侧硬约束形成传统 STP；中间将安全、舒适等空间感知转成分数，并预测到整个研究区；右侧加入不同交通方式的时间偏好。底部两种包容性 STP 分别纳入空间软约束，以及空间与时间软约束。概念框架能容纳经济和身体条件，本文实证并未把全部条件都逐项建模。来源：原论文 Fig. 2。
需要区别概念与具体应用：本文只使用网络时空棱柱的前向部分，即从一个起点出发能到达的路网，最后以二维潜在网络区（potential network area，PNA）展示；没有在实证中完整重建固定终点与返程时限共同约束的活动棱柱。
每个人只评价一部分街道，怎样得到整座城市的地图？
研究通过社交媒体、社区会议和当地活动招募，重点关注公共交通与主动出行使用较多的社区。40 位参与者都完成基线调查、一周手机弹出式调查和结束调查。基线与结束调查使用哥伦布街景照片；手机阶段让参与者拍摄途经路段并记录出行经验。
每人有 100 个街道照片评价，分别回答是否愿意步行、是否感到免受碰撞威胁，以及周边环境是否宜人，采用 1—5 分量表。三项取均值形成论文所称的步行阻抗分数。名称容易造成误读：分数 1 才代表阻碍最强，5 代表阻碍最弱，分数越高越愿意走。
二手数据描述道路车道数、限速、宽度、功能等级、2021 年日均交通量，人行道的有无、宽度、缓冲带、无障碍合规与表面材料，以及植被。表 1 列出各项来源。道路和人行道数据来自 Mid-Ohio 开放数据，交通量来自 StreetLight，植被由 2021 年 9 月 30 日的 Landsat 8 数据计算；不同来源和分辨率也会限制个人感知的解释精度。
每位参与者单独训练模型，输入街道属性，输出该人的评分。研究比较随机梯度下降、支持向量回归、随机森林与多层感知机，使用重复三次的七折交叉验证。表 2 的平均绝对误差分别为 0.73、0.71、0.71、0.74 分；这是评分尺度上的误差，不是“71% 准确率”。
选定模型后，每人数据按 80% 训练与调参、20% 验证。正文报告随机森林平均测试误差 0.71 分，支持向量回归为 0.75 分；附录 A.1、A.2 给出逐人的参数与训练、测试误差，其中个别数值与正文概述的极值存在差别，不能把概述当作精确无遗漏的范围。
最终使用支持向量回归（SVR），因为其预测在同一个人内部保留了更明显的街道差异。这个选择包含对分布表现的判断，不能表述为它在所有误差指标上都优于随机森林。个人模型外推到整座城市，也没有验证能否直接迁移给另一位特征相近的人。
图 3｜从问卷到三种可达路网，需要哪些操作？
原图无字母。左列以起点、时间、公交时刻表和人行道构建基线路网；中列先由三项评价的均值训练个人评分模型，再预测其余街道；预测与已有评分形成路网分数，并按阈值删除不被接受的道路。底部比较固定时间的传统 PNA、固定时间加空间评价的 IPNA 1，以及再加入时间偏好的 IPNA 2。来源：原论文 Fig. 3。
传统 PNA 假定工作日上午 8 点出发，总时间预算为 60 分钟。起点来自一周出行起讫点的 DBSCAN 聚类，要求至少五个点、距离阈值 400 米，以最多访问的一组的中心作为推定居所，并非核实后的家庭地址。公交路网使用 2021 年 12 月 6 日的静态 GTFS 班次。
IPNA 1 保持上述 60 分钟预算，但删除评分小于等于 3 的街道，也就是把不同意到中立的环境评价统一排除。IPNA 2 在此基础上，改用个人愿意乘公交和步行的时间。最后对可达路网做 50 米缓冲，计算面积减少百分比，分母为该人的传统 PNA 面积。
因而，这个面积指标既不是可达工作岗位数量，也不是实际出行面积。评分在 3 附近的小幅误差还可能改变一条路是否保留，继而影响网络连通性。
觉得路好走的人，为什么未必走得更多？
图 4｜环境评价与日常步行是否简单对应？
（A）每列一位参与者，箱线图展示调查及 SVR 预测分数，红点为均值；从左到右平均分降低，表示对路网接受程度下降。（B）同一列仍是同一人，圆点表示经常为工作、非工作必需活动或休闲步行，不表示具体次数或距离。来源：原论文 Fig. 4。
左侧九人的平均分超过 4，普遍认为道路适合步行；右侧六人的平均分低于 3，接受范围较窄。其余参与者对具体环境表现出更多变化。低敏感的参与者主要为休闲而走，而中等敏感的参与者更经常为通勤及非通勤目的步行。
作者解释，走得少可能使人较少接触真实障碍，走得多则可能形成更细致的环境判断。但研究没有随机改变步行经验，不能确定经验导致了这种评价，也不能排除居住地、日程与其他差异。
图 A.1｜换一种评分模型，个人差异还在吗？
原图无字母，横向参与者顺序与图 4 相同，箱线图改用调查与随机森林预测，红点仍是均值。总体上仍可见人与人的差异，但若干人的预测更集中，个人排序也不完全一致。这是模型选择的补充依据，不是独立外部验证。来源：原论文 Fig. A.1。
图 A.2｜参与者平时还怎样出行？
原图无字母，上方为公交，下方为汽车；各图按工作、非工作和休闲目的列出是否经常使用，参与者顺序与图 4 对应。多数人会用汽车，部分人用公交通勤，非工作公交使用更少。因此，步行感知不能被直接当成总体出行方式份额。来源：原论文 Fig. A.2。
三个人的可达空间，怎样在同一座城市里收缩？
论文选出三位女性作为展示：第一位是二十多岁、中等收入、全职工作的白人女性，对街道环境较不敏感；第二位是同年龄段、低收入、兼职工作的白人女性，敏感程度居中；第三位是中年、高收入、全职工作的黑人女性，敏感程度较高。
图 5｜较少感到环境障碍，是否意味着愿意出行一小时？
（A）第一位参与者的个人预测，红到绿对应 1 到 5 分，绿色越多表示越愿意步行。（B）蓝色为传统 PNA，黄色为 IPNA 1，红色为 IPNA 2，黑点标记固定起点。环境限制带来的缩小较少，加入个人时间偏好后却明显缩小。来源：原论文 Fig. 5。
图 6｜对环境评价更有区分时，可达网络怎样改变？
（A）第二位参与者的评分红绿交错，反映对不同道路的接受不同。（B）三种颜色与图 5 相同，依次加入空间与时间条件后范围缩小。这里展示个人条件的共同结果，无法只凭地图分离收入、起点位置与其他特征的影响。来源：原论文 Fig. 6。
图 7｜更严格的环境接受条件，会排除哪些范围？
（A）第三位参与者的许多道路得到较低分；（B）传统范围与两种包容性范围差别明显，红色仍主要集中在起点周边和部分线路。图中地图比例尺、色标与图 5、6 对应，但三人的起点和条件不同，不能作只改变一个变量的实验比较。来源：原论文 Fig. 7。
三个案例说明个体化方法能呈现异质性，却不足以判定黑人女性或低收入女性平均会少到达多少地方。将案例发展成人群公平性结论，还需要规模更大、覆盖更充分的样本，以及能够区分不同因素的设计。
可达面积下降，究竟有多少来自环境，有多少来自时间？
图 8｜加入两类约束，对全部参与者分别有什么影响？
（A）只加入空间软约束，纵轴为 IPNA 1 相对传统 PNA 的面积减少百分比；不同人的变化从很小到接近全部减少，差别很大。（B）再加入时间偏好，多数人出现更大的减少。每列对应图 4 的同一人，并非同一地点的两种人群平均。来源：原论文 Fig. 8。
图 9｜愿意花更多时间出行的人，是否保留更多范围？
原图无面板字母。左图横轴为愿意乘公交的分钟数，右图为愿意步行的分钟数，纵轴均为 IPNA 2 相对基线的面积减少百分比。散点代表个人，蓝线为拟合趋势，阴影随拟合展示不确定性。愿意花更长时间通常对应较小的减少，但仍有明显个体差异。来源：原论文 Fig. 9。
这种负相关符合模型直接使用时间偏好的计算方式，不是独立证明“延长时间意愿就会改善真实出行”的因果证据。图中拟合线局部超过百分比的合理范围，也应理解为统计拟合外形，不能当成可能减少超过全部面积。
缓冲宽度会改变面积数值。研究因此把 50 米改成 75 米和 100 米，检查主要模式是否保留。
图 A.3｜使用 75 米缓冲，结果会反转吗？
原图没有面板字母，上图为 IPNA 1、下图为 IPNA 2，纵轴仍是相对传统范围的面积减少百分比。空间约束下的个体差异、加入时间偏好后的普遍大幅缩小仍可见；个别柱高改变，不能写成所有数值完全不变。来源：原论文 Fig. A.3。
图 A.4｜进一步增加缓冲宽度，主要模式还在吗？
原图没有面板字母，上下仍对应 IPNA 1 与 IPNA 2，使用 100 米缓冲，参与者顺序不变。结果保留与图 8、A.3 相近的总体模式；该检验针对面积计算方式，没有检验评分阈值或模型预测误差的敏感性。来源：原论文 Fig. A.4。
更贴近个人，离可靠的规划应用还差什么？
这项研究提供了一个具体操作方案：不再默认每个人接受相同的道路，而是让个人评价进入网络。它的贡献是扩大可达性的测量内容，而非已经完成一种普遍准确的行为预测工具。
40 人来自定向社区招募，每人 100 个评价，不能代表整个城市。研究也无法完全验证是否有人不认真填写。模型对另一人的可迁移性尚不清楚，评价更可能反映有计划的通勤和周期性必需活动。当前模型将评分阈值变成道路的保留或排除，没有把接受程度建成概率。
尤其需要区分两种判断：加入约束后范围更小，是方法结构带来的结果；范围更接近一个人实际会走的地方，则需要独立行程、实际路线选择或干预前后的结果验证。论文记录了当前出行习惯，但没有提供足以把后一个判断推广到新参与者的验证。
一句话总结
可达性不仅取决于道路是否连通，也取决于个人愿意接受怎样的路与时间；把这两类条件纳入模型，能显示传统地图容易遗漏的个体差异。
核心来源
Kar, A., Le, H. T. K. & Miller, H. J. (2023). Inclusive Accessibility: Integrating Heterogeneous User Mobility Perceptions into Space-Time Prisms. Annals of the American Association of Geographers 113(10), 2456—2479。论文 DOI。本文图 1—9 与附录图 A.1—A.4 均来自对应原图，数据与模型依据正文 Tables 1—2 及附录 Tables A.1—A.2。
作者介绍
- Armita Kar：论文署名为俄亥俄州立大学地理系及城市与区域分析中心；负责本文分析、软件与初稿。论文作者简介所列方向包括可持续交通、社会公平和空间分析。
- Huyen T. K. Le：论文署名为俄亥俄州立大学地理系及可持续发展研究所，参与研究设计、解释与修改；论文简介所列方向为城市交通的环境、健康与公平影响。
- Harvey J. Miller：论文署名为俄亥俄州立大学地理系及城市与区域分析中心，参与设计、解释与修改；论文简介所列方向包括支持可持续和韧性城市交通的地理空间与移动分析。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
规划评估可以同时保留两张地图：物理上能到哪里，以及现有环境下个人愿意到哪里。两图之间的差距应帮助定位需要改进的道路，而不是把当前不愿走的地方永久从某类人的机会集合里删除。否则，长期处于恶劣环境形成的低期待，可能反过来变成减少公共投资的理由。
还可以把“修一小段路”和“整片区域平均改善”分开模拟。某条道路若连接两片原本断开的可接受路网，改善它可能产生远大于自身面积的作用。用独立参与者实际选择验证这种网络连接效应，能让个人感知模型更接近可检验的规划工具。
