馬爽，穆特，王玨，馬玉鴿，李雙金

0 引言

“十四五”規(guī)劃后，隨著城市化進(jìn)程進(jìn)一步加快，常駐人口城鎮(zhèn)化率在2025 年將達(dá)到65%[1]，人口將進(jìn)一步向城市群、都市圈集中，在總?cè)丝诓蛔兊那闆r下，這意味著部分城市的人口將會持續(xù)收縮和轉(zhuǎn)移。中國人口收縮10 萬以上的城市有107 個，占總城市百分比的29.89%[2]，城市收縮往往伴隨著社區(qū)的衰敗、城市活力的喪失[3-4]，而這些因素又與居民的身心健康有密切的聯(lián)系，衰敗的社區(qū)往往與抑郁[5-6]有著顯著的關(guān)聯(lián)。因此，識別并探究收縮城市的環(huán)境感知改善路徑對提高當(dāng)?shù)鼐用裥腋８小⒁种迫丝谕饬骶哂蟹e極作用。同時，建成環(huán)境與居民健康、情感方面的關(guān)聯(lián)也意味著可以通過測量居民對環(huán)境的感知來評價建成環(huán)境的質(zhì)量。

目前，測量環(huán)境感知的方法主要分為3 類：一類以問卷調(diào)查和實(shí)地調(diào)研為主，通過各類統(tǒng)計(jì)方法歸納居民環(huán)境感知[7-9]，這種方法的優(yōu)點(diǎn)是結(jié)果直接明了，能從多個維度反映人群的感知特征；第二類是利用微博或其他社交平臺的大數(shù)據(jù)，分析不同地區(qū)人群的情緒表達(dá)[10-12]，這種方法涉及的數(shù)據(jù)量龐大，研究尺度廣，突破了傳統(tǒng)調(diào)查與統(tǒng)計(jì)方法的局限性，是大規(guī)模測度的典型手段；第三類是借助腦電、眼動儀等人因工程手段，直接測量被試在環(huán)境中產(chǎn)生的反應(yīng)，探究其感知機(jī)制和感知狀態(tài)[13-15]，可以敏銳地捕捉被試對視覺、聽覺或其他感官刺激的反應(yīng)，測量精度高。腦電是一種成熟的人因技術(shù)，不僅在醫(yī)學(xué)領(lǐng)域有廣泛的應(yīng)用，也能在建筑、規(guī)劃、環(huán)境等領(lǐng)域反映被試的情緒和環(huán)境感知[16]，為設(shè)計(jì)或規(guī)劃決策提供指導(dǎo)意義。Li 等人[14]利用腦電測量被試對于地下空間環(huán)境的感知情況，發(fā)現(xiàn)βH/βL與認(rèn)知表現(xiàn)之間具有統(tǒng)計(jì)學(xué)上的相關(guān)性。Zeng 等人[17]利用腦電判斷被試處于不同綠色空間和聲音環(huán)境下的情緒變化情況。Cho 等人[18]利用腦電評估了被試觀察不同地點(diǎn)實(shí)景時的情緒效價水平，發(fā)現(xiàn)被試情緒效價水平與測試地點(diǎn)的設(shè)計(jì)水平呈正相關(guān)。然而已有研究較少將時間維度即城市環(huán)境感知隨時間的變化納入考慮，且探究相關(guān)關(guān)系方面鮮有考慮模型內(nèi)生性問題。

1 研究范圍

2 2015問卷得分配對2015mean_α直方圖

3 2016問卷得分配對2016mean_α直方圖

4 2016問卷得分配對2015問卷得分直方圖

本研究擬采用腦電作為已有研究方法的補(bǔ)充來測量被試對于收縮城市部分街道的環(huán)境感知，借助腦電地形圖與格蘭杰因果分析對比觀察不同年份街景圖片的感知差異并分析其因果關(guān)系。構(gòu)建工具變量與內(nèi)生變量并結(jié)合多尺度空間回歸模型，闡明收縮視角下建成環(huán)境影響環(huán)境感知的機(jī)制，為收縮城市的存量規(guī)劃與設(shè)計(jì)提供科學(xué)依據(jù)。

1 研究方法

1.1 研究對象

本研究的研究對象位于黑龍江省伊春市伊美區(qū)（圖1），該市在第七次人口普查時人口為173,300 人，研究區(qū)域面積約16.13km2。本研究的最小單位為以街道為中心建立的30m 緩沖區(qū)，預(yù)期取景街道共447條，經(jīng)街景數(shù)據(jù)清洗最終篩選375 條街道。

1.2 實(shí)驗(yàn)方法

被試在浙江大學(xué)校內(nèi)論壇招募，視力或矯正視力良好且無精神疾病，并在實(shí)驗(yàn)結(jié)束后獲得相應(yīng)報酬。每個被試分別觀察兩組照片，第一組為2015 年伊春市伊美區(qū)街景圖片，圖片爬取自百度地圖，每張圖片持續(xù)2s，播放結(jié)束后灰屏2s，繼續(xù)播放下一張圖片。在觀察完約40 張2015 年的街景圖片之后，被試需要繼續(xù)觀察2016 年對應(yīng)地點(diǎn)的街景圖片，流程與之前一致。實(shí)驗(yàn)結(jié)束后，每個被試填寫一份問卷調(diào)查，問卷采用李克特四級量表，問題為某街道街景圖片給人的感受，1-4 分別對應(yīng)非常不舒適、不舒適、舒適、非常舒適。

腦電實(shí)驗(yàn)所得的數(shù)據(jù)包含了較大的噪聲干擾，因此需要經(jīng)過數(shù)據(jù)預(yù)處理并提取研究所需的頻段。根據(jù)不同的頻率范圍，腦電波通?？杀环譃棣?波、β 波、γ 波、θ 波、δ 波[19]，其中α 波往往在被試處于休息狀態(tài)但保持清醒時最為活躍，并且不同的α 波活躍水平代表著被試不同的情緒狀態(tài)，較高的α 波活躍水平與放松、愉悅和舒適有關(guān)，反之則與緊張、警覺有關(guān)[20]。本研究假設(shè)被試在觀察收縮城市的年份較晚的街景圖片時，相較于年份較早的會感到更加不舒適，基于該假設(shè)，本次研究選取α 波作為主要研究的頻段。

實(shí)驗(yàn)數(shù)據(jù)由基于MATLAB R2023a（MathWorks）的EEGLab 插件[21]以及ERPLab 工具包[22]進(jìn)行處理，剔除與本次分析內(nèi)容無關(guān)的電極。重參考采用全腦平均參考，并經(jīng)過插值壞導(dǎo)、ICA 獨(dú)立成分分析剔除偽影、帶通濾波等操作，保留α 頻段，即8-13Hz 頻段的數(shù)據(jù)，剔除波幅超過+/-100μV 的其他噪聲偽跡最后剔除壞段并執(zhí)行基線矯正。經(jīng)過處理，所有被試的數(shù)據(jù)均無異常，都予以保留。將整個腦電數(shù)據(jù)劃分為兩組bin，bin1 為被試觀察2015 年街景產(chǎn)生的腦電數(shù)據(jù)，另一組bin2 則為2016 年，事件（event）時間跨度選擇事件開始時至開始后500ms，采用mean amplitude 計(jì)算兩個不同事件在整個事件時間跨度上的功率均值。

1.3 統(tǒng)計(jì)與分析方法

在完成所有實(shí)驗(yàn)后，使用pwelch 函數(shù)計(jì)算功率譜密度并輸出每個獨(dú)立事件在所有電極上α 波相對功率。在一些類似研究中，研究者將所有電極的相對功率均值作為該事件對應(yīng)的α 波相對功率，因此本研究也采用均值。獲得所有獨(dú)立事件的功率后，分別對2015-2016 年α 波相對功率、2015-2016 年李克特量表分?jǐn)?shù)、2015 年α 波相對功率-2015 年李克特量表分?jǐn)?shù)、2016 年α 波相對功率-2016 年李克特量表分?jǐn)?shù)這4 對數(shù)據(jù)進(jìn)行配對樣本T 檢驗(yàn)以證明其數(shù)據(jù)的可靠性。

之后將腦電數(shù)據(jù)可視化，分析α 波在兩組事件中的事件相關(guān)電位頭皮地形圖分布情況差異以及兩組事件α 波電壓差值的頭皮地形圖的分布規(guī)律。使用Brainstorm 工具包[23]進(jìn)行格蘭杰因果分析并將其可視化，分析不同電極之間的連接規(guī)律及其所反映的被試狀態(tài)。

MGWIVR 是一種構(gòu)造內(nèi)生變量與工具變量的多尺度地理加權(quán)回歸（Multiscale Geographically Weighted Regression,MGWR）方法，相較于地理加權(quán)回歸（Geographically Weighted Regression,GWR），它為每一個變量分配獨(dú)立的帶寬，其得出的結(jié)果能更好地體現(xiàn)空間異質(zhì)性。同時，MGWIVR 通過構(gòu)造工具變量以解決自變量間相互傳導(dǎo)和影響的內(nèi)生性問題，能有效排除變量之間的干擾。因此，我們利用MGWIVR 將反映建成環(huán)境屬性的指標(biāo)與對應(yīng)的α 波相對功率做回歸分析，變量指標(biāo)詳細(xì)組成如表1 所示。

表1 變量選取及其計(jì)算方法，穆特 繪制

2 結(jié)果

2.1 配對樣本T 檢驗(yàn)

首先對所有配對樣本的正態(tài)性進(jìn)行檢驗(yàn)，若Shapiro-Wilk 檢驗(yàn)呈現(xiàn)不顯著，說明數(shù)據(jù)符合正態(tài)分布，若呈現(xiàn)顯著，則需要結(jié)合直方圖以及偏度和峰度進(jìn)一步判斷。一般來說，當(dāng)偏度的絕對值＜3，峰度的絕對值＜10，且直方圖大致呈鐘形分布時，可以認(rèn)為數(shù)據(jù)基本呈正態(tài)分布，可以進(jìn)行T 檢驗(yàn)。表2 顯示了各組數(shù)據(jù)的正態(tài)性檢驗(yàn)結(jié)果?？梢钥闯?，2015-2016 年α 波相對功率呈現(xiàn)不顯著，符合正態(tài)分布，剩余3 組數(shù)據(jù)呈現(xiàn)顯著，但其偏度與峰度均符合要求，且直方圖基本呈現(xiàn)鐘形，說明數(shù)據(jù)雖然不是絕對正態(tài)，但基本可接受為正態(tài)分布，可以繼續(xù)進(jìn)行T 檢驗(yàn)。

表2 正態(tài)性檢驗(yàn)結(jié)果，穆特 繪制

4 對配對樣本T 檢驗(yàn)結(jié)果如表3 所示，除第一組數(shù)據(jù)外，其余組數(shù)據(jù)均呈顯著，數(shù)據(jù)間具有顯著差異。其中兩年的問卷得分與兩年的平均α 波相對功率相互配對的差異性最強(qiáng)，兩年問卷得分配對的差異性次之。

表3 配對樣本T 檢驗(yàn)結(jié)果，穆特 繪制

問卷調(diào)查顯示，被試對2015 年和2016 年的街景圖片具有不同的環(huán)境感知，且2016 年的感知評分低于2015 年，說明2016 年的環(huán)境舒適感降低。然而，腦電波數(shù)據(jù)均值差異很小，僅為0.017。為了進(jìn)一步分析兩年的腦電數(shù)據(jù)的分布規(guī)律和差異性，需要結(jié)合腦電地形圖和格蘭杰因果關(guān)系進(jìn)行綜合判斷。

2.2 腦電地形圖與格蘭杰因果分析

5 各年份腦電地形圖

6 2015年格蘭杰因果分析

7 2016年格蘭杰因果分析

腦電地形圖結(jié)果如圖5 所示，被試觀察2015 年街景圖片時，其枕葉部分電極的α 波顯著高于其他區(qū)域，而在觀察2016 年街景圖片時，α 波活動強(qiáng)度較高的區(qū)域由枕葉轉(zhuǎn)為右側(cè)顳葉和頂葉。將兩年的活動強(qiáng)度相減則能更清楚地觀察到被試α 波的變動情況，其枕葉大部分區(qū)域均處于較低活動水平，而腦部其他區(qū)域則處于較高的活動水平。結(jié)果表明，研究范圍內(nèi)環(huán)境舒適感有所降低，這與先前研究的結(jié)果一致[24]。

格蘭杰因果分析結(jié)果如圖6、7 所示。被試在觀察2015 年街景圖片時，其電極之間的大部分連接均指向P4 電極，F(xiàn)C4、FC2、FC1、C5 電極指向P6，被試處于比較舒適且放松的狀態(tài)。被試轉(zhuǎn)而觀察2016年街景圖片時，其右側(cè)枕葉部分電極，即P5、P7、PO7、CP6 指向了FZ 電極，出現(xiàn)了自下而上的連接，同時P6 電極處的連接增強(qiáng)，說明被試仍在處理圖像信息但可能處于警覺。

綜上所述，腦電數(shù)據(jù)的結(jié)果與問卷調(diào)查的評分的結(jié)論是一致的，都表明被試對2015 年的街景圖片有更高的環(huán)境舒適感，且頂區(qū)作為關(guān)鍵腦區(qū)參與了環(huán)境感知的因果調(diào)制。這說明腦電數(shù)據(jù)能夠有效且準(zhǔn)確地反映被試的環(huán)境感知。

8 回歸第一階段自變量以及工具變量的影響程度

9 回歸第二階段的局部相關(guān)系數(shù)及呈現(xiàn)顯著的自變量

2.3 多尺度地理加權(quán)工具變量回歸

這些自變量與被試環(huán)境感知在回歸的第一階段顯示出了較強(qiáng)的相關(guān)性，且存在顯著的空間異質(zhì)性，相關(guān)性較強(qiáng)的區(qū)域主要集中在中部偏西，次強(qiáng)分布在東西兩端，最弱的區(qū)域?yàn)橹胁科珫|（圖8a）。工具變量對內(nèi)生變量的影響僅在一小部分區(qū)域呈現(xiàn)顯著，且相關(guān)性較高的區(qū)域均集中在西側(cè)（圖8b、8c）。

完成第二階段回歸后，所有自變量與因變量的局部相關(guān)系數(shù)最高值接近0.2（圖9a）。其中內(nèi)生變量（人口密度）對于因變量局部效應(yīng)呈現(xiàn)顯著的區(qū)域較小，集中在中部偏南（圖9b），但相關(guān)系數(shù)較高，最高接近0.65，說明該區(qū)域內(nèi)人口密度提高會增強(qiáng)被試對環(huán)境感知的舒適度。在8 個自變量中呈現(xiàn)顯著的有3 個，分別為功能混合度、道路等級以及區(qū)位。其中道路等級對環(huán)境感知的影響在全伊美區(qū)均顯著（圖9g），相關(guān)系數(shù)最高接近0.145，中部地區(qū)隨著道路等級的提高，舒適的環(huán)境感知提高。區(qū)位只在東部區(qū)域呈現(xiàn)顯著（圖9e），且區(qū)位越好其與環(huán)境感知的相關(guān)性就越強(qiáng)，但區(qū)位越好意味著離大型公共設(shè)施的距離越短，其相關(guān)系數(shù)為正，意味著距離越短，α 波的功率就會越低，被試對于環(huán)境的感知就越偏向不舒適。功能混合度對因變量呈顯著影響的區(qū)域集中在西側(cè)（圖9c），相關(guān)系數(shù)最高為0.15 左右，西部區(qū)域大片面積為建設(shè)用地，有新體育場、新市政府等大型公共服務(wù)建筑以及許多新式小區(qū)坐落于此。這片區(qū)域功能混合度普遍較低，同時街景圖片顯示出大片建設(shè)用地，降低了被試的α 波水平，由此顯示出了微弱的相關(guān)性。

3 結(jié)論

本研究檢驗(yàn)了實(shí)驗(yàn)所得的腦電數(shù)據(jù)與問卷調(diào)查的可靠性，結(jié)合腦電地形圖和格蘭杰因果分析了被試在觀察兩個年份街景圖片時α 波的差異，并利用MGWIVR 緩解內(nèi)生性問題，探究了建成環(huán)境要素與環(huán)境感知之間的關(guān)聯(lián)。

結(jié)果表明，被試觀察不同年份街景圖片所填寫的問卷調(diào)查具有差異，伊春環(huán)境感知舒適度降低，但兩個年份的腦電數(shù)據(jù)無顯著差異。同時，從腦電地形圖和格蘭杰因果的結(jié)果來看，被試在觀察街景圖片時，其腦電活動反映的結(jié)果與問卷調(diào)查得出的結(jié)果一致。兩個年份的腦電數(shù)據(jù)中α 波在大腦中的分布具有差異，且頂區(qū)作為關(guān)鍵腦區(qū)參與了環(huán)境感知的因果調(diào)制。進(jìn)一步，通過MGWIVR 的回歸發(fā)現(xiàn)，道路等級對于被試環(huán)境感知的影響最為顯著，越高等級的道路往往擁有更高的環(huán)境舒適度水平。有一部分自變量與環(huán)境感知并沒有顯著關(guān)聯(lián)，其余自變量如功能混合度、區(qū)位僅在城市的一小部分區(qū)域?qū)Νh(huán)境舒適度呈現(xiàn)顯著影響，部分地區(qū)區(qū)位越好則環(huán)境舒適度越低。

綜上所述，腦電數(shù)據(jù)能比較準(zhǔn)確地反映被試的環(huán)境感知，該方法可以運(yùn)用于識別城市活力是否下降、街道品質(zhì)是否衰退的研究中去，為收縮城市規(guī)劃與建設(shè)者提供新的決策思路。同時，應(yīng)著重考慮功能混合度、區(qū)位和道路等級對居民的影響，在建設(shè)成本允許的情況下適當(dāng)?shù)奶岣吖δ芑旌隙?，并將等級較高道路的部分要素，如設(shè)置合理的人行道、豐富的綠化等要素在其余等級的道路上適當(dāng)設(shè)置，可以將居民的環(huán)境感知向良性方向引導(dǎo)。