肖 通，李 德 平，萬 義 良*，金 瑞，王 柱，高 偉，費 玉 雯

(1.湖南師范大學地理科學學院/地理空間大數(shù)據(jù)挖掘與應用湖南省重點實驗室，湖南 長沙 410081；2.湖南大學建筑學院，湖南 長沙 410082；3.湖南省建筑設計院集團有限公司，湖南 長沙 410011)

0 引言

隨著城市化進程加快，街道犯罪事件頻發(fā)，城市化率平均每增加1%，刑事犯罪立案數(shù)量增加17.7萬起[1]，城市安全問題逐漸凸顯[2,3]。街道作為城市不可分割的要素，不僅是連接城市各區(qū)域的交通命脈，也是人們日常生活的場所，探究城市街道安全性對于預防犯罪具有重要意義。以往安全性研究存在客觀和主觀兩方面：客觀安全為真實世界客觀存在的安全，通常通過真實數(shù)據(jù)(如實地犯罪量)進行度量，但由于真實數(shù)據(jù)的涉密性，獲取難度較大；主觀安全則為人的心里安全感受[4,5]，城市街道由人們的生活塑造，人們的情感和心理需求影響城市街道發(fā)展，提升人們的安全感有利于提高城市街道的安全性[6,7]。有研究發(fā)現(xiàn)，城市的視覺外觀在人類對周圍環(huán)境的感知和反應中起著核心作用[8]。“破窗理論”認為城市安全感與環(huán)境的視覺標志有關，混亂的視覺標志會導致負面的社會后果并增加犯罪水平，良好、有序的視覺標志有助于增加人們的安全感[9]。傳統(tǒng)探究視覺外觀與街道安全感關系的研究傾向于主觀、局部打分法，即根據(jù)小區(qū)域內志愿者對街景安全感的打分情況[10]，利用多元回歸、主成分分析等模型建立街景視覺要素與人們安全感的關聯(lián)關系[11]。由于小尺度區(qū)域的局限性，這類方法無法應用于其他地區(qū)；其次，街景視覺要素的選擇因研究者的認知程度不同而不同，不能形成統(tǒng)一的標準，且提供給志愿者的街景數(shù)據(jù)通常是現(xiàn)場攝影數(shù)據(jù)、激光雷達測量數(shù)據(jù)，其成本較高、數(shù)據(jù)量少，限制了模型的實際精度及其大規(guī)模應用[12]。

傳感器、衛(wèi)星及互聯(lián)網技術的高速發(fā)展提供了新的數(shù)據(jù)采集方式，地圖服務[13]及志愿者地理信息(Volunteered Geographic Information,VGI)[14]等提供了大量帶有地理標簽的數(shù)據(jù)，為大尺度、精細化分析街道視覺成分提供了新的可能，學者們利用帶有地理標簽的數(shù)據(jù)探討街區(qū)要素與城市安全感的聯(lián)系。例如：徐磊青等根據(jù)學生與居民對街景照片的打分情況，探討街景因素與安全感之間的關聯(lián)性[15]；Naik等根據(jù)7 000名志愿者對美國東北部和中西部21個城市約100萬張谷歌街景圖片的打分情況，建立基于圖像特征的安全感知計算模型，并編制這些城市的安全感分布地圖[16]；Zhang等通過麻省理工學院Place Pulse數(shù)據(jù)集中來自162個國家的81 630名志愿者對117萬張城市街景圖片的評分，建立深度殘余卷積神經網絡，并構建150個街景視覺要素與感知指標的聯(lián)系[17]。但這類研究中，城市安全感并不能直接反映城市安全性，兩者之間存在“安全感知偏差”，如白天在低安全感地區(qū)活動人群較多的情況下會顯得更安全，夜晚活動人群較多的地方安全性則較差[18]。目前關于“安全感知偏差”的研究較少。有研究表明，犯罪和罪犯在城市中不是隨機分布[19,20]，人群高聚集性區(qū)域(如商業(yè)中心、體育設施以及車站等)經常會發(fā)生危害公共安全事件[21]。Zhang等[18]通過繪制每千人居民暴力犯罪的空間分布，發(fā)現(xiàn)大部分安全事件集中于人群高聚集的城市中心區(qū)域。因此，利用人口聚集特征彌補城市“安全感知偏差”具有一定的現(xiàn)實意義。

結合真實與感知之間的差異性，減小“安全感知偏差”需要解決兩個問題，即如何度量人口聚集情況以及如何將人口聚集情況融入街景語義中。帶有地理標簽的地圖服務數(shù)據(jù)(如推特數(shù)據(jù)[22]、新浪微博簽到數(shù)據(jù)[23]等)能較好地映射人口聚集情況，但這類數(shù)據(jù)僅表征部分群體，即社交媒體類軟件偏好用戶，用于表征多數(shù)人群活動信息可能存在較大誤差。手機信令數(shù)據(jù)具有高覆蓋率、高持有率特征，逐漸應用于出行活動分析[24，25]。鑒于此，本文提出一種融合街景影像和手機信令數(shù)據(jù)的城市街道安全性評估方法，以此減小“安全感知偏差”，有效揭示研究區(qū)域街道真實安全性，并對低安全性區(qū)域提出針對性建議，以期為城市街道合理規(guī)劃提供科學參考。

1 研究區(qū)與數(shù)據(jù)

長沙市位于湖南省東部偏北區(qū)域，其主城區(qū)包括岳麓、開福、天心、雨花和芙蓉五區(qū)，總面積約為1 200 km2，是長沙市交通最發(fā)達、經濟水平和城市化水平最高的區(qū)域。該區(qū)域帶有地理標簽的數(shù)據(jù)種類相對齊全、質量相對更高，便于實驗研究，故本文選取長沙市主城區(qū)作為實驗區(qū)域(圖1)。

圖1 長沙市主城區(qū)示意Fig.1 Schematic diagram of the main urban area in Changsha

研究數(shù)據(jù)包括：1)2019年Open Street Map (OSM)路網數(shù)據(jù)(http://download.geofabrik.de/)，根據(jù)研究區(qū)范圍對路網數(shù)據(jù)進行裁剪、拼接，最終得到11 929條數(shù)據(jù)；2)百度街景數(shù)據(jù)，利用百度街景API爬蟲獲取，采集時間為2014-2020年(2019年與2020年為主)，拍攝的水平范圍角和仰角分別為35°和0°，方位角分別取0°、60°、120°、180°、240°和300°，街景照片總計592 430張，圖片大小為240×360像素；3)手機信令數(shù)據(jù)，采集時間為2019年6月11日0:00至2019年6月17日0:00，根據(jù)日常作息時間，分為白天(7:00-18:00)和夜晚(18:00至次日7：00)并提取兩時段250 m×250 m的網格數(shù)據(jù)。

2 研究方法

本研究具體流程(圖2)為：數(shù)據(jù)預處理后，對街景數(shù)據(jù)進行語義分割，基于街景視覺要素權重與緩沖區(qū)分析方法，由分割后的語義數(shù)據(jù)、手機信令數(shù)據(jù)以及OSM路網數(shù)據(jù)得到安全感指數(shù)與白天、夜晚人口聚集度；然后利用K-means聚類算法與笛卡爾積運算得到白天、夜晚及總體城市街道安全性空間分布，并結合《長沙市城市總體規(guī)劃(2003-2020)(2014修改)》[26]探討城市街道安全性空間分布特征。

圖2 方法流程Fig.2 Flow chart of the proposed method

2.1 語義分割及街景安全感知指標

語義分割是指在圖像上進行逐像素分類，根據(jù)有無訓練樣本分為有監(jiān)督語義分割和無監(jiān)督語義分割。Pyramid Scene Parsing Network(PSPNet)[27]是基于全卷積網絡(Fully Convolutional Network，F(xiàn)CN)[28]改進的卷積網絡，在圖像有監(jiān)督語義分割方面應用前景廣闊。本研究利用PSPNet網絡對街景數(shù)據(jù)進行語義分割，訓練數(shù)據(jù)集為Cityscapes[29]，標簽類型為19類，模型框架為MMsegmentation，在該框架下單尺度測試MIOU可達79.08%，且模型運行速度較快，適用于大規(guī)模數(shù)據(jù)測試[30]。

根據(jù)語義分割得到的標簽數(shù)字矩陣統(tǒng)計每個Cityscape類型像素數(shù)占總像素數(shù)的比例，再根據(jù)式(1)得到平均每個街景點的街景視覺要素占比(Senses_average)。本文結合Zhang等[17]基于多元回歸模型計算出的圖像視覺要素安全感權重以及Cityscapes自身視覺要素組成成分，得到本實驗實際街景視覺要素對城市安全感的權重占比(表1)；之后基于式(2)得到街道安全感指數(shù)(Safelyi)，為減少數(shù)值差異，對安全感指數(shù)進行歸一化處理(式(3))。

表1 街景視覺要素對于城市安全感的權重占比Table 1 Weights of visual elements of street view to urban safety perception

(1)

(2)

(3)

式中：Areas_j為圖像視覺要素s在視角j的像素數(shù)；Areat_j為在視角j的總像素數(shù)；Weighti_s、Sensei_s_average分別為第i條街道中視覺要素s的城市安全感權重與平均像素數(shù)占比。

根據(jù)《長沙市城市總體規(guī)劃(2003-2020)(2014修改)》[26]，長沙市呈現(xiàn)一個主中心、兩個副中心格局，而本研究區(qū)域包含一個主中心和一個副中心。為進一步統(tǒng)計城市安全感分布信息，采用雙中心圈層法統(tǒng)計各圈層內的歸一化安全感指數(shù)(Safely_circlen)以及各視覺要素占比，計算公式如下：

(4)

(5)

式中：Sense_circlen_l為第n個圈層中視覺要素l的統(tǒng)計信息；Sensen_i_l為第n個圈層中第i條街道(m為該圈層街道總數(shù))視覺要素l的占比；Lenn_i為第n個圈層中第i條街道的長度；Safelyn_i為第n個圈層中第i條街道的歸一化安全感指數(shù)。

2.2 街道人口聚集度

街道人口聚集度指城市人群在街道影響范圍內的聚集程度。緩沖區(qū)分析法能有效解決空間鄰近度問題[31]，但該方法不易確定街道對人群的有效影響范圍。長沙市新一輪總體規(guī)劃中，提出以“15分鐘生活圈”作為社區(qū)生活的基本單元[32]，因此，本文利用成年人15 min步行距離1.5 km[33]作為街道的有效影響范圍，將手機信令數(shù)據(jù)與街道影響范圍進行疊置分析，提取街道影響范圍內手機信令強度，以此估算街道人口聚集度。

2.3 街道安全性

本文結合K-means聚類算法和笛卡爾積運算模型對街道安全感指數(shù)和人口聚集度數(shù)據(jù)進行處理，使得安全性評價包含安全感與人口聚集信息，以此減小“安全感知偏差”。K-means算法屬于無監(jiān)督學習算法，其根據(jù)樣本間的相似性，將相似性較高、差異性較小的樣本聚成一類簇[34]。基于安全感信息以及白天、夜晚人口聚集度，利用K-means算法將研究區(qū)街道劃分為白天低、中、高安全性街道和夜晚低、中、高安全性街道?；谏鲜鰞深惖燃壭畔ⅲ玫芽柗e運算將街道劃分為9個等級，分析街道總體安全性。

3 結果與分析

3.1 街道安全感梯度特征

由街道歸一化安全感指數(shù)空間分布(圖3)可知，存在街景數(shù)據(jù)的街道(8 561條，占比71.77%)并未覆蓋整個研究區(qū)域，緣于百度街景數(shù)據(jù)存在稀疏性問題[35]。以五一廣場及岳麓副中心為圓心、1 km為緩沖區(qū)半徑進行圈層劃分，并統(tǒng)計各圈層范圍內的歸一化安全感指數(shù)(圖4)，發(fā)現(xiàn)隨圈層數(shù)增加，歸一化安全感指數(shù)呈現(xiàn)出“增大—減小—增大—減小”現(xiàn)象，但總體呈下降趨勢。圈層1-3、10-13、14-15、18-19歸一化安全感指數(shù)呈明顯上升趨勢，第3圈層指數(shù)最高(0.706)，圈層3-4、15-18、19-22指數(shù)下降幅度較大。

圖3 城市安全感空間分布 Fig.3 Spatial distribution of urban safety perception

圖4 各圈層歸一化安全感指數(shù)Fig.4 Normalized index of urban safety perception of each circle

為進一步分析街道安全感指數(shù)的影響因素，統(tǒng)計各圈層視覺要素占比(圖5)。柵欄、墻體、人行道、汽車視覺要素占比較低，且隨著圈層增加變化不大，長沙市街道安全感主要受建筑、植被、天空、機動車道4種視覺要素影響。具體而言：在1-3圈層中，建筑視覺要素占比明顯下降，植被視覺要素占比明顯上升，但建筑視覺要素影響程度大于植被視覺要素，導致歸一化安全感指數(shù)上升較為明顯；在3-4圈層中，機動車道和植被視覺要素占比下降，建筑和天空視覺要素占比上升，由于植被視覺要素占比較高，導致歸一化安全感指數(shù)呈現(xiàn)“斷崖式”下降；在10-13圈層中，引起歸一化安全感指數(shù)上升的主要原因是建筑視覺要素占比下降過快，而在14-15、18-19圈層中，引起歸一化安全感指數(shù)上升的主要原因是天空視覺要素占比下降；在13-14、15-18圈層中，引起歸一化安全感指數(shù)迅速下降的主要原因是天空視覺要素升幅較大，其他視覺要素變幅較??；在19-22圈層中，機動車道視覺要素占比呈下降趨勢，天空、建筑視覺要素占比呈上升趨勢，導致歸一化安全感指數(shù)迅速下降。

圖5 各圈層視覺要素占比Fig.5 Proportion of visual elements in each circle

3.2 白天、夜晚安全性空間分異

利用為期一周的均值化手機信令數(shù)據(jù)得到長沙市白天、夜晚人口聚集度，并利用自然間斷點法進行分級(圖6)?？梢园l(fā)現(xiàn)，白天、夜晚人口聚集度具有很高的空間相似性，高聚集度街道主要集中于河東以五一廣場為中心的區(qū)域，少部分分布在岳麓區(qū)副中心區(qū)，形成以五一廣場、岳麓副中心區(qū)為中心，隨距離增加人口聚集度減小的城市格局；白天、夜晚高聚集度街道分別為397條、439條(圖6中紅線)，主城區(qū)中心區(qū)域壓力較大，部分發(fā)展片區(qū)、組團區(qū)高聚集度街道較少，可在各組團區(qū)域和發(fā)展片區(qū)通過增加基礎設施吸引人口，減小白天中心區(qū)域的壓力。夜晚安全性低的區(qū)域主要聚集在五一廣場周圍，降低夜晚人口聚集度有益于該區(qū)域的安全性，如限制酒吧、餐館等設施開放時間。研究表明，夜晚隨著零售、教育設施的增加，區(qū)域犯罪率可能上升[14]，因此，在中心區(qū)域應適當減少這兩類設施。

圖6 白天和夜晚街道人口聚集度Fig.6 Street population aggregation during day and night

根據(jù)白天、夜晚人口聚集度與歸一化安全感指數(shù)分別呈正、負相關原則進行K-means聚類(圖7)，為防止兩個維度之間數(shù)值差異過大，在聚類前對人口聚集度進行歸一化處理。如圖7a所示，白天低安全性區(qū)域的歸一化安全感指數(shù)位于0.28～0.68之間，白天歸一化人口聚集度位于0～0.35之間，即低安全性街道主要集中于低安全感及低人口聚集度區(qū)間；中安全性區(qū)域的歸一化安全感指數(shù)位于0.68～1之間，白天歸一化人口聚集度位于0～0.35之間；高安全性區(qū)域的歸一化安全感指數(shù)位于0.35～0.85之間，白天歸一化人口聚集度位于0.35～1之間。夜晚低、中、高安全性區(qū)域的歸一化安全感指數(shù)、歸一化人口聚集度分布區(qū)間與白天高、低、中安全性區(qū)域相似。根據(jù)聚類結果將街道安全性劃分為低、中、高3個等級并進行空間可視化(圖8)。白天街道安全性低、中、高等級占比依次為35.53%、49.95%、14.52%，以中等安全性為主。低安全性區(qū)域主要分布在主城區(qū)中心外，與中安全性區(qū)域交錯分布，而高安全性區(qū)域主要聚集在主城區(qū)中心附近(如八一路、鴻銘商業(yè)街、中山路等)(圖8a)。夜晚街道安全性低、中、高等級占比依次為17.60%、34.08%、48.32%，其空間分布與白天高、低、中安全性區(qū)域相似，夜晚低安全性區(qū)域也主要集中于主城區(qū)中心，呈現(xiàn)明顯聚集狀態(tài)。

圖7 白天和夜晚街道安全性聚類結果Fig.7 Street safety clustering results during day and night

圖8 白天和夜晚街道安全性空間分布Fig.8 Spatial distribution of street safety during day and night

3.3 街道總體安全性空間分布特征

將白天、夜晚城市街道安全性進行笛卡爾積運算，得到9種組合關系(表2、圖9)，以精細化識別城市總體安全性。其中，白天中安全性—夜晚高安全性街道數(shù)量最多(4 105條)，占48.15%，遍布主城區(qū)；低—高、中—中、高—中、高—高4類街道占比較少，共占0.37%；低—中、高—低安全性街道占比分別為33.89%、14.40%，遍布主城區(qū)；低—低安全性街道共131條，占1.54%，西部區(qū)域有31條，主要集中于岳麓區(qū)副中心區(qū)，東部區(qū)域有100條，主要分布在主城區(qū)中心附近。

表2 長沙市主城區(qū)9種安全性街道數(shù)量及占比Table 2 Number and proportion of 9 types of safety streets in the main urban area of Changsha

圖9 長沙市主城區(qū)總體安全性分布Fig.9 Overall safety distribution in the main urban area of Changsha

根據(jù)城市街道總體安全性分布(圖9)，從低安全性到高安全性的順序進行優(yōu)化，如從安全性最低(白天低安全性—夜晚低安全性)的街道開始，按照街道長度從高到低的順序(街道越長，影響范圍越廣)進行優(yōu)化；其次，從安全性較低的街道(白天低安全性—夜晚中安全性或白天中安全性—夜晚低安全性)，按照街道長度從高到低的順序進行優(yōu)化；依此類推，對街道安全性進行優(yōu)化。

4 結論與討論

本文將手機信令數(shù)據(jù)與街景數(shù)據(jù)相結合，構建基于人口數(shù)量特征的城市安全性空間結構，在一定程度上減小了“安全感知差異”,發(fā)現(xiàn)了目前規(guī)劃與城市實際發(fā)展之間的問題以及如何優(yōu)化城市低安全性街道。長沙市主城區(qū)的實證研究表明：1)街道安全感隨圈層數(shù)增加總體呈下降趨勢，引起各圈層街道安全感產生分異特征的主要視覺因素是建筑、植被、天空和機動車道，提升安全感的有效方法是提高建筑視覺要素占比以及減少天空視覺要素占比；2)白天與夜晚人口分布情況具有相似的聚集效應，同時證明了長沙市主城區(qū)屬于雙中心結構；3)白天高安全性、夜晚低安全性以及總體安全性最低區(qū)域主要集中于主城區(qū)中心，應合理規(guī)劃該區(qū)域設施性質和營業(yè)時間，加強組團區(qū)域發(fā)展，提高建筑密度，減輕中心區(qū)域的壓力，從而提高整體安全性。

本文仍有待完善之處：1)只利用人口數(shù)據(jù)減少“安全感知差異”，未能完全彌補“安全感知差異”效應，經濟數(shù)據(jù)、POI類型數(shù)據(jù)等也與城市安全有較強的聯(lián)系；2)安全性范圍較廣，而“安全感知差異”是基于犯罪情況產生的，故本研究偏向于犯罪安全性，交通安全性等有待后續(xù)研究；3)未精細探討城市安全與安全感知的相關程度，如比較某區(qū)域的安全事故發(fā)生次數(shù)與該地區(qū)的安全感等。未來可融合更多社會經濟數(shù)據(jù)，提出更加精細化的街道安全性優(yōu)化方法，為創(chuàng)建更安全的城市環(huán)境提供決策支持。