城市街景环境与社会安全事件的空间关系研究*

蒋 耀，胡啸峰，吴建松

(1.中国人民公安大学 信息网络安全学院,北京 100038；2.中国矿业大学(北京) 应急管理与安全工程学院，北京 100083)

0 引言

城市空间环境的合理设计规划，可有效降低社会安全风险，相反破败的空间环境会促进社会安全风险的发生[1-3]。城市街景环境在一定程度上可以反映城市空间环境，展现植被、天空、建筑、道路、车辆等环境要素的形态分布。

近年来，街景图像凭借覆盖范围广、呈现粒度细、采集成本低等优势[4]，为探索城市街景环境提供全新的数据来源和研究方向。从实证研究角度来看，国外部分学者利用街景数据研究城市街景与社会安全事件的空间分布关系:He等[5]基于Google街景数据，通过Poisson回归模型研究美国俄亥俄州哥伦布市的街景环境特征与暴力事件空间分布关系；Deng等[6]利用深度学习技术，对美国纽约曼哈顿的Google街景图像进行量化分析，利用街道微观视觉特征，从全局和局部2方面研究城市街景与暴力伤害等社会安全事件关系；Lee等[7]提取韩国低层住宅小区实际视野内街景特征，利用logistic回归分析社会安全事件分布与街景环境要素的相关性。

我国城市建设日新月异，城市环境复杂性、多样性不断提高，国内外城市面貌存在显著区别。国内部分学者利用城市街景数据，对城市空间品质[8]、街道绿化[9]、居民心理健康[10]、城市贫困度[11]等问题展开研究。基于国内外相关研究，本文依据我国典型城市街景数据，构建街景环境要素指标，利用地理加权回归(GWR)模型，研究城市街景环境与社会安全事件的空间关系，研究结果可为城市安全规划和社会安全风险防控提供宏观决策支持。

1 研究方法

技术路线如图1所示。基于街景采样点获取城市街景图像，利用语义分割技术得到图像分割结果，并构建街景环境要素指标；根据社会安全事件发生地点坐标，基于核密度分析方法，计算得到街景采样点的社会安全风险值；构建基于街景环境要素指标的地理加权回归模型，分析城市街景环境与社会安全事件空间关系。

图1 技术路线Fig.1 Technical roadmap

1.1 数据集

本文以我国某大型城市X市Y区为例，研究城市街景环境与社会安全事件空间关系。Y区西部沿线区域为中心城区，中西部为商务区，西北部为高新技术产业区，中东部区域为文化产业园区，东北部和东南部区域为生态休闲区。Y区不仅包含现代化都市区域，同时保留城市化进程中的城乡结合部和城中村，还包括较多旅游景点、高等院校和政府机关等，该区城市街景环境复杂多样，能够提供较为丰富的数据资源。

Y区街景图像数据通过百度地图平台获取。首先，以200 m为步长，依据研究区域城市路网进行采样;基于采样点，以平行于道路视角，共得到15 098个街景采样点全景图像；每个街景采样点的全景图像经语义分割后，得到不同类型景物(如树木、汽车、天空等)像素在图像中的占比，构建相关街景环境要素指标。

社会安全事件数据为Y区政府相关部门提供的、经过脱敏处理后的2017年1月至2019年12月的统计数据，具体包括事件发生时间、发生地点、事件类别等信息。本文选取侵犯个人财产事件、人身伤害事件、妨害公共秩序事件作为研究对象，经筛选共得到侵犯个人财产事件数据48 354条、人身伤害事件数据2 294条、妨害公共秩序事件数据1 803条。每条数据记录的事发地点经地理编码处理后获得其对应经纬度坐标，并导入ArcGIS软件，生成核密度分布图，进而计算得到街景采样点对应位置的社会安全风险值。

1.2 模型构建

1)街景环境要素指标构建

相关研究表明，植被、灯光、交通设施等环境要素与社会安全事件的空间分布均可能存在一定联系[6,12-16]。基于此，本文构建反映街道绿化率的绿视指数(Green View Index,GVI)、反映视野开阔程度的天空开阔指数(Sky Openness Index,SOI)、反映居民步行状况的行人空间指数(Pedestrian Space Index,PSI)、反映路灯分布情况的路灯指数(Road Lamp Index,RLI)、反映交通复杂度的交通信号指数(Traffic Light Index,TLI)以及反映道路机动化程度的汽车指数(Car Index,CI)，并特别提出反映骑行状况的自行车指数(Bike Index,BI)和行人密集程度的人群聚集指数(People Gathering Index,PGI)，共8项街景环境要素指标，综合分析环境要素指标与3类社会安全事件的空间关系。

本文通过语义分割技术预测图像中每个像素的语义属性，生成分割结果，获取不同景物在图像中的像素量占比，计算得到街景环境要素指标。语义分割主流方法为基于深度学习的方法，其中，全卷积神经网络(Fully Convolutional Networks,FCN)[17]是经典的语义分割模型，通过采样进行反卷积操作后，利用SoftMax层对像素进行分类，可以实现较好的分割效果。本文采用基于FCN-8s模型(FCN中的1种)的语义分割工具[18-19]，对采集得到的街景图像进行150类景物的语义分割，分割结果如图2所示，图中天空、树木、汽车、建筑等景物使用不同颜色进行标注。

图2 街景图像分割示例Fig.2 Example of streetscape image segmentation

根据语义分割结果，计算以下街景环境要素指标。

绿视指数(GVI)如式(1)所示：

(1)

式中：Pixelgreenery为街景图像中树木、草和植物等绿色景观的像素量之和；Pixeltotal为图像中所有景物的像素量之和。

天空开阔指数(SOI)如式(2)所示：

(2)

式中：Pixelsky为街景图像中天空的像素量。

行人空间指数(PSI)如式(3)所示：

(3)

式中：Pixelpavement为街景图像中人行道的像素量。

路灯指数(RLI)如式(4)所示：

(4)

式中：Pixelroad_lamp为街景图像中路灯的像素量。

交通信号指数(TLI)如式(5)所示：

(5)

式中：Pixeltraffic_light为街景图像中交通信号灯的像素量。

汽车指数(CI)如式(6)所示：

(6)

式中：Pixelcar为街景图像中汽车的像素量。

自行车指数(BI)如式(7)所示：

(7)

式中：Pixelbike为街景图像中自行车的像素量。

人群聚集指数(PGI)如式(8)所示：

(8)

式中：Pixelperson为街景图像中行人的像素量。

2)城市街景特征与社会安全事件的空间关系建模

本文将街景采样点的社会安全事件风险定义为经归一化处理后的核密度值。核密度估计(Kernel Density Estimation)是基于概率密度分布的空间统计方法，可得到社会安全事件的空间分布特征。对于某地点x处的社会安全风险核密度值f(x)如式(9)所示：

(9)

式中：K()为高斯核函数；h为核函数的带宽(搜索半径)，m；n为距离x等于或小于h的事件地点数量；xi为x搜索半径内的事件发生地点；x-xi为x到xi的距离,m。

首先，根据研究区域大小和社会安全事件分布情况，在ArcGIS软件中将搜索半径设为1 500 m，输出栅格单元大小设为100 m×100 m，生成社会安全风险核密度分布图；然后将街景采样点叠加到图中，利用“值提取至点(Extract Values to Points)”工具获取街景采样点的社会安全风险核密度值，经归一化处理后作为街景采样点的社会安全风险值；最后将每个街景采样点对应的街景环境要素指标经归一化处理后作为自变量，并将社会安全风险值作为因变量，构建基于街景环境要素指标的地理加权回归(GWR)模型。归一化处理如式(10)所示：

(10)

式中：X为归一化后数值；x为原始数值；Xmax，Xmin分别为所有x中最大值和最小值。

GWR模型由Brunsdon等[20]提出，如式(11)所示：

(11)

式中：yi是第i个街景采样点的因变量(社会安全风险值)；xik是第i个街景采样点的第k个自变量(街景环境要素指标)；(ui,vi)表示第i个街景采样点的坐标；β0(ui,vi)为截距项；βk(ui,vi)是第i个街景采样点第k个自变量系数；εi是第i个街景采样点的随机误差项。

利用ArcGIS软件完成GWR模型的构建，其中，GWR模型采用自适应型高斯函数作为空间权重函数，并采用赤池信息准则(Akaike Information Criterion,AICc)对带宽进行优化选择。此外，引入全局回归OLS(Ordinary Least Squares)模型开展对照实验，将OLS模型回归分析结果与GWR模型进行对比。

2 结果分析与讨论

2.1 模型性能评价

OLS模型回归结果见表1。GVI，SOI，RLI与3类社会安全事件均呈负相关性，而PSI，TLI，CI，BI，PGI与3类社会安全事件呈正相关性。除侵犯个人财产事件中的RLI，其余变量均通过5%显著性水平检验。由校正R2可知，OLS模型的总体拟合效果不理想，极有可能是其无法刻画变量的空间相关性导致。因此，进一步采用GWR模型研究上述指标与侵犯个人财产事件、人身伤害事件以及妨害公共秩序事件之间的空间相关性。

表1 OLS模型回归结果Table 1 Results of OLS model regression

基于街景环境要素指标的GWR模型分析结果见表2。由表2可知，GWR模型的校正R2介于0.744～0.841，GWR模型的校正R2均大于0.7，远高于OLS模型结果；同时，AICc值和残差平方和均明显小于OLS模型，这表明针对街景环境要素指标与社会安全事件的相关性分析，GWR模型的拟合效果明显优于OLS模型。

在GWR模型中，由于各自变量在不同街景采样点处回归系数的数值和显著性水平不同，本文采取反距离权重法(Inverse Distance Weighting,IDW)，对各项指标在街景采样点处对应的回归系数进行空间插值，得到研究区域内回归系数的空间分布，进一步分析各项街景环境要素指标在各自显著性区域内与3类社会安全事件的空间关系差异。

2.2 街景环境要素与社会安全事件的空间关系

图3所示为基于街景环境要素指标的GWR模型中，各自变量对3类社会安全事件的回归系数分布，空白区域表示自变量的回归系数不具备显著性。

图3 街景环境要素指标回归系数空间分布Fig.3 Spatial distribution of regression coefficients of streetscape environment element indexes

由图3可知，绿视指数(GVI)与3类社会安全事件在大部分区域呈显著负相关关系，即宏观上增加城市绿化率，可以减少社会安全事件发生数量，这主要由于城市绿化景观能够改善生态环境，舒缓身心压力，同时降低“破窗效应”，有利于降低社会安全风险。

天空开阔指数(SOI)与社会安全事件在大部分区域呈显著负相关关系。道路越窄、周围建筑物越高、密度越大、天空可视域越小，可能造成街道采光、通风以及景观视野受限制，同时造成拥挤现象，为不法分子隐藏踪迹与逃匿提供条件。

行人空间指数(PSI)与不同区域社会安全事件的相关性存在明显差异。对于研究区域中西部，PSI与侵犯个人财产事件以及人身伤害事件均呈显著负相关关系；但对于东部部分区域，PSI与3类社会安全事件呈显著正相关关系。由于研究区域中西部为人口密度较大的城市商务区，人行道的合理设计可以避免行人拥挤，所以适当拓宽或增加人行道，能够有效避免人车混杂和拥堵现象发生；但对于东部部分区域，人口密度相对较小，可能造成PSI与社会安全风险呈正相关性。

路灯指数(RLI)与研究区域中部部分区域内3类社会安全事件呈显著负相关关系。影响路灯照明效果的因素包括路灯数量、路灯照明范围和路灯布局，文中路灯指数(RLI)反映街道路灯的分布数量，路灯照明也可以发挥自然监视作用。Deng等[6]研究表明，街道路灯对POI密集、经济发达区域的社会安全风险起到抑制作用，而包含众多商业场所的中部区域刚好符合上述条件。

交通信号指数(TLI)、汽车指数(CI)与3类社会安全事件均呈现显著正相关关系。通常情况下，便利的道路交通环境有利于社会安全事件制造者迅速逃离现场。CI在一定程度上反映了汽车违规停放并占用路面的情况，这也是引发“破窗效应”并导致安全风险的隐患之一。

从自行车指数(BI)回归系数的空间分布可以看出，其与3类社会安全事件的关系只在小部分区域具有显著性，但在与社会安全风险呈正相关性的区域内，BI回归系数相对较大。BI反映城市中自行车特别是共享单车的空间聚集情况，当前较多城市区域的共享单车普遍存在乱停乱放问题，严重影响城市空间秩序，加剧区域拥堵，增大社会安全风险。

人群聚集指数(PGI)与3类社会安全事件在整个研究区域内均呈现显著正相关关系。虽然人群聚集能够起到一定自然监视效果，但人群聚集环境通常反映街道的经济活动较为繁荣，当不法分子混入密集人群之中，很难被察觉，容易导致社会安全事件的发生。此外，人群密度过高，容易导致人与人之间发生摩擦，并激化矛盾，引发人身伤害事件。

2.3 城市安全规划与综合治理

根据以上研究结果，本文提出以下3点建议：

1)提高城市绿化水平。定期开展对绿化景观的维护工作，避免植被遮挡行人视线，保证视线的通透性；在相对空旷、缺少管理的绿地空间中，可以适当增设休闲、健身等辅助设施，从而建立积极、绿色的休憩和活动场所，起到自然监视的效果。

2)优化城市建筑布局与形态。对于新建城区，合理规划建筑物密度和街道宽度，建筑立面可以布置特色景观，并增加色彩设计和采光设计，保证视野的空间开阔度；对于城市中原有的高密度建筑区域，特别是狭窄的巷道，需要适当加装电子监控设备，提高监控覆盖范围；进一步改善城市照明条件，避免植被或者建筑物遮挡光源而出现照明死角，不断完善街道照明设施。

3)加强交通环境治理。通过定期开展巡查，及时清理街道中违规停放的车辆，保障道路通畅；加强对特定街道中车辆的停放管理，特别是对共享单车，可以设置固定的共享单车停车区域，完善共享交通监管制度，落实经营企业的主体责任；进一步改善步行交通环境，在特定区域适当扩宽人行道，在人流量较大的区域，建设人行天桥或者地下走廊，实现人群及时分流。

3 结论

1)本文提出的融合语义分割技术与地理加权回归方法，为大范围、精细化地研究城市街景环境与社会安全事件空间关系提供全新思路。本文模型校正R2介于0.744～0.841，拟合效果较好，街景环境要素指标与社会安全事件普遍存在较为显著的空间相关性。

2)街景图像主要由互联网地图服务商利用采集车进行采集，如果借助政府部门的视频监控系统对街景图像进行采集，可在一定程度上实现对街景图像的动态获取和补充。

3)下一步研究将利用计算机视觉等技术提取街景环境特征，并结合历史同时段、同区域内发生的社会安全事件，基于深度学习模型，对社会安全风险进行动态评估和预测预警，有利于及时开展社会安全治理与防控，打造智慧型安全城市。