1. 数据收集与处理
POI数据：从高德地图获取与步行友好性相关的POI数据，包括餐饮、购物、交通、医疗、休闲、老年人护理和生活服务等类别。共筛选出9746个社区POI。
街景图像与语义分割技术：使用百度街景图像API和深度学习算法DeepLab-V3+对街道级环境特征进行量化，包括天空、绿化、道路、人行道和车辆等元素的比例。
人类感知得分：基于MIT Place Pulse数据集训练的深度学习模型，预测苏州街道图像的安全、活力、美丽、财富、压抑和无聊等六种情感方面的得分。
2. 步行距离和时间计算
百度API路径规划：利用百度API的路径规划功能，以社区POI为起点，计算到各类设施的实际步行距离和时间。
步行速度调整：考虑到老年人的平均步行速度较慢，将普通人群的平均步行速度设为老年人的80%，以更准确地估算老年人的步行时间。
3. 步行友好性评分计算
模糊约束基层次分析法（Fuzzy Constraint-Based AHP）：通过构建模糊一致性矩阵，结合专家打分确定各设施的权重。共构建了8个模糊一致性矩阵，涵盖7个一级指标及其下属的二级指标。
优化的累积机会法：引入静态衰减函数，根据不同步行时间对设施的吸引力进行加权，计算步行友好性得分。衰减函数如下：
4. 回归模型
普通最小二乘法（OLS）：分析步行友好性得分与社区级因素、人类感知得分和街道级环境因素之间的线性关系。
地理加权回归（GWR）：允许分析变量之间的关系在不同地理位置上的变化，使用自适应双平方核函数计算局部权重。
研究结果
1. 服务可达性
15分钟CLC：58.2%的社区老年人可以在15分钟内接触到六种或更多服务，12.4%可以接触到全部七种服务。
10分钟CLC：仅有5%的老年人可以接触到全部七种服务，36.2%可以接触到六种或更多服务。
5分钟CLC：8.4%的老年人可以接触到六种或更多服务，74.5%的老年人只能接触到四种或更少服务。
2. 步行友好性得分
空间异质性：苏州社区生活圈的步行友好性得分在空间上表现出明显的异质性，高步行友好性主要集中在城市中心区域，如姑苏区。
得分分布：大部分社区的15分钟CLC步行友好性得分低于10，显示出设施配置的显著不平衡。
3. 回归分析
OLS结果：建筑年龄、房价和安全得分与步行友好性得分呈正相关，而绿化比率、道路比例以及天空和植被比例呈负相关。
GWR结果：安全得分在城市中心区域对步行友好性有积极影响，而在一些县级市则有负面影响。人行道对步行友好性的影响在15分钟社区生活圈更为显著。
讨论
讨论部分分析了研究结果对于城市规划的意义，特别是在老年人口日益增长的背景下，如何通过优化15分钟社区生活圈来满足老年人的日常需求。讨论了步行友好性得分与社区和街道级因素之间的关系，并提出了针对不同区域的具体规划建议。
结论
本研究通过在苏州全市范围内对老年人的15分钟社区生活圈进行量化测量，发现虽然在15分钟步行范围内大部分社区能够提供六种或以上服务，但在更短的步行时间内，特别是10分钟和5分钟内，老年人护理、休闲和医疗设施的覆盖不足。研究结果揭示了城市中心与郊区之间服务可达性的差异，并强调了在城市规划中考虑老年人需求的重要性。通过OLS和GWR模型的分析，研究进一步探讨了社区级因素、人类感知和街道级环境特征对步行友好性的影响，为制定更有针对性的城市规划策略提供了科学依据。
