城市形态作为推动城市可持续性权衡与协同作用的因素:基于可解释图神经网络的新加坡分析

《Sustainable Cities and Society》:Urban morphology as a driver of urban sustainability trade-offs and synergies: an explainable graph neural network analysis of Singapore

【字体: 大 中 小 】 时间:2026年07月11日 来源:Sustainable Cities and Society 13.3

编辑推荐:

  叶夏|余倩昂新加坡国立大学建筑环境系,新加坡摘要在高密度城市中,城市发展需在经济增长、环境表现与社会福祉之间寻求平衡,但城市形态如何影响这些要素之间的关联至今仍缺乏有效的量化分析和方法解读。本研究提出了一种基于数据的框架,用于诊断和优化高密度城市的环境与社会经济表现。我们采用CR

  
叶夏|余倩昂
新加坡国立大学建筑环境系,新加坡

摘要

在高密度城市中,城市发展需在经济增长、环境表现与社会福祉之间寻求平衡,但城市形态如何影响这些要素之间的关联至今仍缺乏有效的量化分析和方法解读。本研究提出了一种基于数据的框架,用于诊断和优化高密度城市的环境与社会经济表现。我们采用CRITIC-熵方法构建了两个综合指标——环境成本与压力指数(ECSI)和社会经济活力指数(SEVI),并以新加坡这一高密度城市作为研究案例。通过15个关键的城市形态参数,我们训练了图神经网络(GNN),并结合可解释人工智能技术(GNNExplainer与部分依赖图PDP),揭示了城市形态与这些(生态社会经济)表现指标之间的非线性及空间关联关系。该框架识别出了四种帕累托前沿类型,反映了不同的形态-性能关系路径。距离中央商务区的距离、建筑覆盖率以及绿化率是影响环境成本的最主要因素,而建筑高度多样性、土地覆盖多样性以及天际线视野则对社会经济活力有着重要影响。在15个指标中,大多数关系为协同或混合关系,真正的权衡主要集中在少数几个关键因素上,尤其是建筑覆盖率与距离中央商务区的距离。相比周边区域,中心城区在提升这两方面表现方面具有更强的溢出效应。这些研究成果为高密度城市中的针对性改造和城市再生提供了可解释且可行的参考标准。

引言

快速城市化给当代城市规划带来了一个核心悖论:如何在缓解环境退化的同时保持高密度的经济与社会活力(Chen等人,2008)。在某些情况下,环境保护几乎不需要或只需很少的经济成本就能实现(Feiock & Stream,2001)。然而,在新加坡这样的高密度城市系统中,要实现这一目标则面临极大挑战(Xu等人,2025)。这种城市可持续性脱钩现象——即社会经济表现得到提升的同时环境成本却有所降低——越来越受到实证研究的关注(Xia等人,2026)。不过,如何将这一概念转化为具体的城市形态策略,以便政策制定者和城市规划者在社区层面加以实施,目前仍不甚明了。
城市形态为分析提供了可行的切入点,因为它直接影响着城市环境的性能(Kropf,2018)。具体而言,二维和三维的城市环境要素(如平均建筑高度、建筑覆盖率以及容积率)、景观生态学指标(如景观形状指数和最大斑块指数),以及自然环境因素(如绿化率)和与城市基础设施的距离(如与快速交通系统及中央商务区的距离),都被证明会影响环境表现,比如城市热岛效应、碳排放和大气污染(Zhou等人,2023),以及社会经济表现,包括经济生产力、人类活动强度和交通连通性(Xie等人,2025)。因此,优化城市形态为在城市再生过程中同时改善环境与社会经济状况提供了一种实用且具有政策意义的途径。
不过,要实现这种量化分析,就需要借助能够考虑社区效应和空间互动关系的分析框架。某个城市网格单元并非孤立存在,它会通过热量扩散、气流流动和交通溢出等方式与周边区域发生相互作用。传统的基于回归的模型通常将空间单元视为独立的观测值,因而无法捕捉到单元间的依赖关系(Xie等人,2025)。相比之下,图神经网络(GNN)能够通过将城市单元视为节点,并沿边传播信息,有效克服这一局限,从而让图模型能够反映城市形态对生态社会经济表现的影响(Xue等人,2022)。再结合可解释人工智能技术,如GNNExplainer和部分依赖图,GNN能够帮助人们理解城市可持续性的内在机制,并为优化提供可行方案(Gevaert,2022)。
为了解决高密度城市中城市可持续性权衡问题,本研究提出了一个结合GNN与可解释人工智能技术的框架(GNNExplainer和PDP),用于基于城市形态进行生态与社会经济方面的诊断与优化。本研究共有四个目标:首先,我们构建了两个综合指数——环境成本与压力指数(ECSI)和社会经济活力指数(SEVI),并确定了体现不同形态优化路径的帕累托前沿类型。其次,我们运用可解释人工智能技术找出对ECSI/SEVI影响最大的形态变量,并阐明其背后的作用机制。此外,我们还利用预训练的GAT替代模型,为表现不佳的城市节点确定针对性的干预策略。最后,我们分析了空间溢出效应,确定哪些区域应优先进行城市再生,并将这些研究结果转化为具体可行的改造策略,这些策略也可应用于其他城市环境。

章节摘录

高密度城市中城市可持续性权衡与协同的悖论

在实现高水平的经济与社会活力的同时,又能减轻环境负面影响,这是可持续城市发展面临的核心挑战,也是生态城市主义长期探讨的话题(Deakin,2001)。在宏观经济层面,减少资源消耗和环境影响的同时提升人类福祉与经济产出这一“脱钩”理念已经得到了广泛认可,Kourtit等人(2019)等学者也对此进行了深入探讨。

方法

我们的研究框架分为四个阶段(见图1)。第一阶段是数据收集;第二阶段是运用GNN结合可解释人工智能技术进行分析;第三阶段是对环境表现(ECSI)和社会经济表现(SEVI)进行空间分析;第四阶段则是为表现不佳的节点提出优化策略,并验证空间溢出效应。

空间分布揭示城市可持续性中的权衡与协同关系

ECSI和SEVI呈现出明显的空间异质性,进一步证实了新加坡存在这种权衡与协同关系(见图3)。环境成本较低的地区多位于植被覆盖率较高的区域以及城市周边地带,尤其是靠近海岸的区域。而这些区域的社会活力通常相对较低。位于城市中心下部的新加坡中央商务区则展现了最高的经济活力。

分析城市形态特征对ECSI/SEVI的影响规律

位置因素——即距离中央商务区的距离(DIS_CBD)——是影响城市表现的最强预测因子,对于ECSI和SEVI都呈现出权衡关系。具体而言,DIS_CBD与ECSI的关联最为密切,同时也是影响SEVI的第四大重要因素。例如,靠近中央商务区的区域通常人类活动频繁,交通拥堵,人为能源消耗高,这会导致碳排放增加、热应力上升以及PM2.5浓度升高。

结论

本研究采用了可解释人工智能技术,解决了当代城市规划中一直存在的核心矛盾——即在保持环境完整性的同时维持高密度的经济活力。通过将图注意力网络这类GNN模型与GNNExplainer及部分依赖图相结合,我们建立了一个既具有可解释性又具备量化能力的框架,用于解析影响城市可持续性的城市形态的非线性机制。

未引用参考文献

叶夏、彭及牛,2025;向等人,2024;陈文、张及向,2015;叶夏及Nes,2014;Diakoulaki、Mavrotas及Papayannakis,1995;Alonso,1964;杜及张,2020;Haaland及van den Bosch,2015;Ji及Bogati Bhandari,2021;刘、尹、卢及 Mou,2020;罗、陈、盛及王,2023b;Marrone、Orsini、Asdrubali及Guattari,2018;Mellander、Lobo、Stolarick及Matheson,2015;Mills,1967;Muth,1969

CRediT作者贡献说明

叶夏:文本撰写——审阅与编辑、文本撰写——初稿、可视化、验证、软件应用、方法设计、研究实施、正式分析、数据整理、概念构思。余倩昂:文本撰写——审阅与编辑、文本撰写——初稿、验证、监督指导、资源协调、项目管理、方法设计、资金筹措、正式分析、概念构思。

利益冲突声明

作者们声明不存在任何潜在的利益冲突。

致谢

作者感谢以下方面的资金支持
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号