基于街景影像和深度学习技术的城市流动商贩空间分布制图

刘昱辰，陈晓纯，刘轶伦,2，吴小芳，陈飞香

（1.华南农业大学 a.公共管理学院；b.资源环境学院，广州 510642；2.自然资源部华南热带亚热带自然资源监测重点实验室//广东省地理科学数据中心，广州 510700）

流动商贩是城市非正规经济（Informal Economy）中最典型的一种业态类型。由于其具有隐匿性的特点且长期缺乏监管，其经济规模一直以来被忽视，无论是在发达国家还是在发展中国家，流动商贩均占据不小的比例，与正规经济共同塑造了城市商业经济（Garcia-Bolivar, 2006; Deore et al., 2019;Lemessa et al., 2021）。在西方发达国家，相关调查研究表明，近年来流动商贩等城市非正规经济占欧洲各国GDP10%～20%不等的份额（Schneider et al.,2013）。伴随着中国城市化进程的发展以及市场化经济的活跃，超大规模的非正规经济已成为中国经济的重要组成部分（胡鞍钢 等，2012）。一方面，有助于缓解大量低收入或新移民群体的失业问题，使他们摆脱极端贫困，获得满足生存所需的收入（Garcia-Bolivar, 2006；马宁 等，2010）。另一方面，对于城市而言，它满足了低端消费的需求，提升了城市社区的活力和安全性（Wilson et al., 2006;Linzner et al., 2013）。

尽管流动商贩是城市社会生态系统不可或缺的组成部分，但其经营活动不可避免的存在负外部性，带来诸如挤占公共空间、影响市容、阻塞交通、扰乱治安、污染环境等问题，因而在现代城市中常被污名化为“非法”或“地下交易”的经济部门（Bromley, 2000; Garcia-Bolivar, 2006）。由于缺乏对流动商贩的全面了解和有效的治理措施，许多城市都采取“以禁代管”的简单方式对流动商贩进行取缔，导致当前的地摊经济合法性存在争论而被视为城市的边缘经济形式。流动商贩为了避免被驱逐出城市空间，常常需要躲避城管等城市执法人员，甚至成立自治组织监视或反抗执法行为（Sung, 2011; Turner et al., 2012; Huang et al., 2014）。

这种简单粗暴的排斥治理手段主要目标是保护城市正规经济部门的发展、提升城市形象以吸引更多投资，但这导致大量处于社会低收入阶层的从业者失去就业岗位，一系列社会冲突事件愈演愈烈，也严重阻碍了个体私营经济的发展（Huang et al.,2014; Boonjubun, 2017）。2020-06-01 李克强总理在地方考察时指出“地摊经济、小店经济是就业岗位的重要来源，是人间的烟火，和‘高大上’一样，是中国的生机”（中国政府网，2020）。为了缓解矛盾同时提振个体私营经济，一些城市提出采用正规化政策，试图通过划定经营疏导区或办理营业执照的方式将流动商贩进行“正规化”管理，但管理部门划定的经营疏导区往往远离消费群体，并未充分考虑地摊经济自身特性、需求和规律，使得所划定的疏导区并不为流动商贩所接受，大部分商贩选择重回街道经营（黄耿志 等，2019）。

从城市公共空间治理角度看，地摊经济实际上是商贩的“生存空间”和城市居民“公共空间”挤压与共生的矛盾，是商品摆卖经营活动与其应在位置的“错位（Misallocation）”问题（Yatmo, 2008;2009）。因此，针对流动商贩的经营行为和空间聚集特征，制定科学有效的空间治理政策一直以来是学者和城市管理者关注的焦点。而如何获取城市范围内的流动商贩的调查样本和空间分布特征是最基本的问题。

目前针对流动商贩调查的方法主要有2类——人工调查和城市普查。其中，人工调查方法主要采用田野调查或个案访谈的方式开展主动调查。选取非正规经济从业人员活跃的典型地区，通过观察、访谈、问卷调查等方式对从业者、消费者、社区居民和城市执法者，逐个案收集数据（Huang et al.,2014; Boonjubun, 2017；尹铎 等，2019）。如Boonjubun（2017）基于对流动商贩、行人和城市管理者进行的为期9个月访谈收集到的数据，探讨了泰国曼谷街头流动商贩、城市管理部门和帮派之间的冲突；黄耿志等（2015；2016）通过分析基于流动商贩面对面访谈收集得到的200个从业人员样本数据集，揭示了广州市的流动商贩参与非正规经济活动的动机和区位选择机制。该类方法可以获得被调查者的性别、年龄、收入、民族、籍贯、经营种类等详细的个案社会经济信息，但由于个案数据收集成本较高，通常选取的调查区域仅局限于城市少数几个街道或社区，无法覆盖全市范围且更新周期缓慢。因此，这些研究虽然有助于对流动商贩治理问题进行实证探究，但由于城市大部分地区的商贩信息存在缺失，而商贩的经营行为在城市不同区域显然存在空间异质性，使得制定的治理政策很大概率会产生偏差。

为了解决样本数据覆盖面不足的问题，城市普查方法试图借助城市普查数据来研究地摊经济的经营就业情况。目前大多数国家还没有建立专门针对流动商贩的普查机制。然而，一些综合性的人口普查、家庭调查或劳动力调查成果包含有关非正规经济就业的有价值信息。如Charmes（2012）采用国际劳工组织统计局和联合国统计司国民核算科的人口普查数据，评估1975—2010年非正规部门就业的全球趋势。Li 等（2022）结合城管执法数据和“12345热线”的居民投诉数据，分析了中国宁波市的流动商贩经营行为和时空格局。采用官方普查数据可以描述城市整体的流动商贩经营宏观状况，然而城市普查并不是专门针对地摊经济开展，而且由于长期的利益冲突，流动商贩不信任服务于政府部门的调查人员，为避免被执法人员驱逐，往往不愿意向调查人员如实透露职业信息。因此，商贩的一些关键信息，特别是其所从事经营活动的地点往往无法获取，然而非正规经济活动的空间分布对于管治决策的制定尤其重要。尽管在少数城市，管理人员在执法过程中会主动收集从业人员信息并建立专门的数据库（张延吉 等，2017）。但这本质上也是依赖人力进行调查收集，且采集到的流动商贩的空间分布主要反映执法部门和市民对流动商贩排斥偏好较强的个案，存在较显著的采样偏差。因此，在城市范围精细尺度下针对具有规模大、流动性高和隐匿性强等特点的流动商贩的空间分布调查仍是一项重大挑战。

掌握流动商贩在城市中的空间位置和分布模式，不仅有助于改善其治理政策，而且对于促进非正规经济的地理研究也至关重要。首先，准确测度流动商贩的规模和空间位置是对城市非正规经济部门进行监测和评估的基础。如通过研究流动商贩经营活动的空间分布格局，可以分析流动商贩的空间聚集模式及其经营活动外部性的空间异质性。其次，流动商贩空间分布的刻画能加深对非正规经济活动与城市建成环境、社会经济环境之间的地理联系的理解，并进一步理解非正规经济就业经营行为的影响因素。第三，流动商贩的经营活动地图对于改善治理政策非常重要。基于城市精细尺度的流动商贩空间分布信息制定的空间正规化策略，与以个案研究为基础而制定的治理策略相比，能更全面地顾及到流动商贩经营行为规律和区位偏好的异质性。

近年来随着深度学习技术的发展，结合大规模开放获取的街景影像等社会感知数据源，使得城市尺度大规模的社会经济信息调查的成本大幅下降。街景影像结合深度学习技术已被成功应用于城市经济、社会和环境的信息监测与相应的规划、治理等决策方案的制定，如土地利用和景观评价（Zhu et al., 2016; Naik et al., 2017），社区安全（Ki et al.,2021; Arietta et al., 2014; Yin et al., 2016），城市职住分区和房地价格评估（Law et al., 2019; Yao et al.,2021），以及社会不平等（Suel et al., 2019）等。流动商贩活跃于城市街巷，沿着路网采集的街景影像蕴涵了丰富的商贩信息，基于街景影像的调查技术为城市大规模的流动商贩空间分布调查提供了独特的契机。但就目前的文献看，尚缺少将街景影像应用于流动商贩等非正规经济调查的模型和标注样本集。因此，如何利用开放获取的街景影像与深度学习技术构建流动商贩空间分布自动调查方法是亟待研究的问题。本研究提出一种基于街景影像和深度学习目标识别模型的流动商贩空间分布自动调查方法，用于：1）从街景影像中识别流动商贩个体；2）绘制商贩经营活动的空间分布格局；3）评估其集聚模式和区位偏好。以期为流动商贩空间治理政策的制定和实施提供有价值的辅助信息。

1 基于街景影像和深度学习技术的流动商贩空间分布调查方法

以流动商贩为研究对象，按城市路网的固定间隔距离采集街景影像，建立基于图像目标检测的深度学习模型识别街景影像库中的流动商贩，实现覆盖城市主要道路的流动商贩数量和位置的调查，再应用核密度分布模型评估流动商贩的空间分布格局。如图1所示，调查模型主要包括3个模块：（i）街景数据采集与处理；（ii）基于目标识别算法的商贩自动识别模型；（iii）商贩空间分布制图与聚集分析。

图1 基于街景影像和深度学习技术的流动商贩空间分布调查模型流程Fig.1 Process of spatial survey model of street vendors based on street view images

1.1 数据采集与处理

该模块主要负责采集并制备调查区域的道路网络、街景影像及商贩样本。3 个数据集用于商贩空间分布的自动调查，路网数据和租金数据用于流动商贩空间制图。

1.1.1 路网数据 路网数据用于建立采集街景影像的坐标点集以及流动商贩空间制图。道路网络数据集来源于OpenStreetMap①OpenStreetMap数据获取网址：https://www.openstreetmap.org，按调查区覆盖范围的最小包络矩形获取一、二、三及四级道路。然后，沿每条道路以30 m间隔生成街景影像采集坐标点集。1.1.2 街景影像 街景影像来源于腾讯地图的街景服务API②街景服务API获取网址：http://lbsyun.baidu.com。使用Python 编写爬虫程序，输入道路采样点集作为街景影像采样点坐标，为了获得尽可能广阔的街道监测视角，每个采样点设置获取拍摄角度为90°、180°和270°3个视角的影像。

1.1.3 商贩样本集 现有文献及共享数据资源中未有公开的流动商贩目标检测标签数据，因此，基于自行收集的街景影像，通过人机交互的方式建立流动商贩标签数据。在已收集的街景影像数据集中，通过人工目视判读的方式选取1 957 张包含一个或以上商贩的图像，再使用开源目标检测标注工具LabelImg③LabelImg项目网站：https://github.com/CSAILVision/LabelMeAnnotationTool人工标记商贩的标签框，标注工具自动将其存储为标签对象并构建样本库。为提高目标识别模型的精度，标注的类别标签根据流动商贩在摆卖时所使用的货物载具进行细分，共分为4类，包括：地面摊位（C0）、桌子摊位（C1）、三轮车摊位（C2）和小货车摊位（C3），各类的识别特征和样例图见表1所示。

表1 流动商贩分类及识别特征Table 1 The identification characteristics of four types of street vendors

1.1.4 租金数据 租金数据采用爬虫从安居客④安居客数据获取网址：https://guangzhou.anjuke.com获取房租挂牌数据，得到的每一条数据都记录了房屋面积、出租价格和地理坐标，进而将重复发布或错误数据进行清洗，将数据转换为包含面积单位租金信息的矢量点，并使用空间插值工具得到广州市的住宅租金空间分布。

1.2 基于目标识别算法的流动商贩识别模型

流动商贩自动识别模型的目的是获取街景影像中所记录的流动商贩的个体数量及其空间位置。通过构建深度神经网络模型检测每张街景影像中的商贩个体数量，并与对应的街景影像采样点进行关联，即可获取其开展经营活动的空间位置。由于街景影像获取时摄像机与被摄物存在空间距离，因而使用摄像机坐标点代表所在位置所能观察到的商贩位置不可避免地会存在距离误差。受城市建成环境影响，这个位置误差是有限的，在90°和270°拍摄角度探测到的商贩，其位置误差不超过道路宽度的1/2，即约1.5 m（单行道）～10.5 m（四车道）。而对于街景车正前方180°的街景影像，则可通过控制标准识别标签框大小，设置视距太远的对象不进行识别，从而控制该方向的位置误差在30 m以内。

目前，主要有YOLO（Redmon et al., 2016）、SSD （Liu et al., 2016）、faster-RCNN （Ren et al.,2016）等基于深度神经网络的图像目标识别算法可用于解决图像目标识别的问题。其中，YOLO算法已迭代了多个改进版本，能在不同光照条件、观察视角、目标物被部分遮挡、复杂背景或场景中高效检测目标物，已被广泛应用于目标检测、自动驾驶领域中，是目前最先进的算法之一（Morera et al.,2020; Cai et al., 2021）。因此，本研究基于YOLO v4（Bochkovskiy et al., 2020）算法构建流动商贩识别模型，模型构建包括3 个步骤：YOLO 深度神经网络搭建、模型训练与参数校准、模型检验与精度评估。

1.2.1 YOLO 深度神经网络搭建 识别模型基于YOLO v4算法，从街景影像中检测出属于流动商贩的标注框，并输出每个流动商贩的预测概率。模型的深层网络结构如图2所示，包括4个部件：

图2 基于YOLO v4的商贩检测器深层神经网络结构Fig.2 Deep neural network structure of street vendor detector based on YOLO v4

1）输入，由已标注的商贩图像样本集及其子集组成；

2）Backbones，用于从训练图像中提取特征。采用CSPDarknet53（Wang et al., 2020）作为Backbones；

3）Neck，由SPP和PANet组成，SPP用于特征池化（He et al., 2015），PANet 用于特征融合（Liu et al., 2018）；

4）Heads，用于预测流动商贩的类别和边界框（Redmon et al., 2018）。

1.2.2 模型训练与参数校准 将训练样本集输入识别模型中，为了消除不同影像中复杂颜色和背景的干扰，同时扩充训练样本规模，对全彩图像样本集进行翻转、缩放和色域变化等多种组合的转换，然后再导入Backbones进行识别模型训练。

模型有3个关键参数需设置，包括：标准识别标签框的大小、置信度阈值和IoU（Intersection over union，标签框交并比）阈值。为了提高识别效率和控制位置误差，首先使用K-means根据已标注样本的边界框尺寸的分布均值确定一组宽、高分别为（17，24）、（29，34）、（38，51）、（50，76）、（65，54）、（69，108）、（91，81）、（107，34）、（165，181）像素的标准识别标签框。这些标准框将用于框选模型后续识别到的商贩。

置信度阈值和IoU 阈值是商贩识别模型的另外2 个关键参数，用于控制输出结果并影响模型精度和性能。阈值越高检测结果的误差容忍度越低，一般来说，置信度阈值和IoU阈值均不适宜设置过低，否则会产生过多的错检结果。为了校准这2个参数，设置不同参数的对照实验测试阈值的敏感性。置信阈值的取值以0.1为间隔，设置范围为0.4～0.8，IoU阈值的取值以0.1 为间隔，设置范围为0.5～0.8，不同的阈值实验设置及其结果见表2所示。通过对比2个阈值的不同取值组合所得到结果的模型性能，最终确定性能最优时的参数取值。

表2 不同置信度和IoU阈值的实验结果对比Table 2 Comparison of experimental results with different confidence and IoU thresholds

1.2.3 模型检验与精度评估 模型性能使用F1值和平均精度（mAP）评估。当模型输出的预测标签框满足2 个条件时可被视为1 个预测正确（TP）的识别结果：（i）置信度得分≥置信度阈值，（ii）边界框相交区域≥IoU阈值。F1值的计算公式为：

式中：P是精度，由检测正确的商贩标签数（TP）与检测到的总的边框数（TP+FP）的比值计算；R是召回率，由检测正确的商贩标签数（TP）与真实的边框数（TP+FN）的比值计算。mAP精度-召回率曲线与x 轴所围成的区域的面积；K为标签类的数量。

采用十则交叉验证方法进行模型的参数校准和验证。通过对比置信度阈值和IoU阈值的不同取值所得结果的模型性能来确定最佳的参数设置。如表2所示，当置信阈值单调递减时，召回率单调递增，精度总体趋势为下降，局部趋势为上升或下降。而当IoU阈值单调增加时，召回率和精确度单调递减。通过对比可知，当2个阈值均取0.5时（即第2组参数），模型性能最高，平均F1值为0.77、mAP为0.67。因此，该组阈值参数可用于校准识别模型，应用于整个街景影像数据集的检测。

1.3 流动商贩空间分布制图与集聚分析

将街景影像数据集输入已训练好的识别模型中，每张图像调整为统一的608×608大小，经过层层卷积最终输出一组19×19×9×（5+4）的一维数组，19×19代表将一张图像分割成19×19个像元，9代表9个标准识别标签框，（5+4）代表像元中检测到目标的概率、预测框的中心坐标和宽高以及4个识别类型的概率。YOLO使用概率阈值对每个像元的9个标准识别标签框的4个分类概率值进行筛选，首先，选出概率值最高的类型再与置信度阈值比对，保留大于置信度阈值的标准识别标签框；然后，计算预测框与标准识别标签框的IoU 并与IoU阈值比对，保留＞IoU 阈值的标准识别标签框；最后，选取概率值最高的作为最终结果，所有预测框会根据原图像尺寸校正。模型对包含有流动商贩的影像输出预测标签框，街景影像对应的点位记录出现的预测框数量，该数量反映在该点位检测到的流动商贩数量。因此，识别模型输出从每幅街景影像中识别出的商贩对应的空间点位分布及商贩数量。

由于流动商贩经济活动普遍存在外部性和空间溢出效应，简单地沿道路网记录商贩出现的点位并不能准确地反映其经营活动对周边的影响。因此，使用核密度分析基于识别出的商贩点位和数量绘制其经营活动的空间分布。输入每个点位的商贩数量作为权重参数，采用4次核函数方程计算空间上每个位置商贩分布的核密度，根据经验法则自动确定核函数的带宽参数（Silverman et al., 1989）。模型输出的是一个平滑的栅格表面，每个像元的值反映商贩分布密度的高低，分布密度越高，其像元值越大，表明在该点商贩分布越集中。因此，通过核密度图可以直观地表现城市流动商贩的热点分布，被识别出的热点可认为是流动商贩的空间集聚区。

2 研究区概况

选择广东省广州市作为研究区域，以验证城市流动商贩空间分布调查模型的可行性。广州市地处中国南部，是广东省的省会，同时是粤港澳大湾区的核心城市。广州号称“千年商都”，具有悠久的商业文化，是海上丝绸之路的重要起点，各地商贾来往不绝。同时也是一个人口规模巨大且外来人口占比较高的城市，2021年广州市常住人口数量达到1 881.06万人，其中外来人口占比46.23%，城镇就业人口达1 163万人（广州市统计局，2022）。

据不完全统计，广州约有流动商贩25万～30万人，相当于2021 年城镇就业人数的2.5%。为了对流动商贩进行有效管治，管理部门进行了多年的探索，在1986年首次颁布《广州市市容环境卫生管理规定》，确立了流动商贩影响市容的违法性质，并于1996、2007 和2020 年分别进行修订，每次修订都加强对流动商贩的管治力度（黄耿志 等，2011；广州市人民政府，2023）。而在2010 年后，广州提出“疏堵结合”的商贩管治策略，通过划定疏导区让流动商贩进驻使其正规化，但仍有大量的商贩选择在疏导区外经营。目前广州市已制定了《广州市流动商贩疏导区管理办法》和《广州市流动商贩临时疏导区设置手册》，建成流动商贩临时疏导区和临时摆卖点超过60 个，设置经营摊位8 400 多个（黄耿志 等，2015；广州市城市管理和综合执法局，2020）。鉴于广州流动商贩规模巨大，而且缺乏对流动商贩的全面监管，因此该市是本研究理想的实验区。

3 结果分析

3.1 流动商贩识别结果与空间分布格局

本文共采集了研究区3 339 062张街景影像（图3）。将训练好的识别模型应用于整个研究区的街景影像集，共识别出26 119个商贩，识别结果的空间分布和模型输出的样例如图4所示。为进一步分析商贩的空间聚集模式，使用核密度分析基于识别结果绘制其空间分布核密度图（图5）。较显著的商贩聚集点包括越秀区站西路（核密度值61.17），荔湾区黄沙地铁站出口（55.82）、天河区沙河顶（50.72）、五山路（66.90），海珠区沥滘村（78.76）、敦和路（45.09）以及番禺区的洛溪地铁站出口（62.63）、厦滘地铁站出口（39.54）等（图5-b），这些地区均是当地经济活动活跃且人口流动量大的区域，且与基于人工调查方法的文献（黄耿志 等，2016）对同一研究区所得的流动商贩聚集点可相互印证。

图3 研究区街景影像的空间分布Fig.3 The study area and the spatial distribution of street view images

图4 识别商贩的空间分布及标签框预测样例Fig.4 The spatial distribution of identified street vendors and the example of predicted label boxes

图5 识别结果的核密度分布 [a.研究区识别结果核密度分布概览；b.中心城区局部放大图；c.商贩建议摆卖点与政府划定的疏导区的核密度概率分布]Fig.5 The kernel density of identification results[a.The overview of kernel density distribution; b.The partial enlarged view of the central city; c.The probability distribution of kernel density of street vendors' suggested selling sites and official permitted sites]

同时，对流动商贩与路网等级的空间位置关系进行分析，统计了流动商贩在一、二、三以及四级道路两侧50 m范围的数量。表3表明，流动商贩的数量在道路50 m范围随道路等级下降而上升，流动商贩更加偏好在低等级道路经营，以获得更多潜在消费者，这也符合流动商贩经常在城市的低等级道路占道经营导致道路拥堵的状况。

表3 道路等级、租金等级同流动商贩的数量关系Table 3 The quantitative relationship between road grade,rent grade and street vendors

另外，将流动商贩与广州的租金进行关联分析，将租金按几何间隔分为低廉、较低、较高及高昂4 级。表3 显示，流动商贩多集中于租金较低及较高2个等级的地区，而很少出现在租金高昂或租金低廉的地区。一方面，租金高昂的高档社区对流动商贩具有邻避效应，其住户往往无法忍受流动商贩所带来的交通拥堵、环境污染及噪声扰民等负外部性影响，即使没有足够的官方力量来管理，私人物业和安保人员通常也会自行对流动商贩进行驱逐。另一方面，流动商贩大多属于低收入群体，集中居住再租金低廉地区，为获取更多的潜在客源，他们倾向于向租金中等地区流动经验。但由于流动商贩销售的产品较廉价且缺乏售后保障，他们通常不会选择到高租金地区获取高收入人群的潜在客源。

总的来说，流动商贩呈现多中心分布且主要聚集于人流量大的区域，同时流动商贩的分布受道路等级以及住宅租金的影响，这些影响最终决定流动商贩在城市中的分布是多方因素平衡的结果。

为了验证商贩聚集区的准确性，将实验中绘制的商贩聚集区与实际的商贩聚集点进行比较，收集了2类聚集点：1）通过访谈形式从实际的流动商贩推荐的48 个摆卖经营点（图5-b，主要集中在天河区）；2）政府管理部门公布的已划定并开放的60个商贩疏导区（见图5-b）。将识别商贩的核密度分布图与2 类聚集点进行叠加分析，结果显示，有83%的商贩建议摆卖点的核密度值均高于10，但仅有13%的官方疏导区的核密度值高于10。图5-c显示2类点的核密度的概率分布，核密度均值达到22.77，表明商贩推荐的实际经营点与模型预测的结果符合度较高；疏导区的核密度均值为10.97，表明政府划定的疏导区核密度值普遍较低，可能的原因是疏导区周边街巷的商贩已被吸纳入疏导区内经营，因此这些商贩未被街景影像记录，亦有可能是疏导区划定时并未参考实际的商贩聚集位置和偏好，具体原因有待进一步探究。

3.2 流动商贩的空间分布对其空间治理政策的启示

现代城镇普遍采用的流动商贩治理政策可归纳为包容、排斥、及疏导安置3类。本研究所提出的流动商贩空间分布调查方法能在城市尺度下获取大规模的流动商贩空间分布信息，且信息获取的成本及效率相较传统方法及数据源具有明显的优势，可为治理政策制定及实施提供辅助决策的重要基础信息。

包容政策通常在城镇的早期发展阶段或快速发展区域被采用。城镇管理部门默认地摊经济是低收入群体或新移民的重要就业形式和收入来源（Maneepong et al., 2013），因而对其发展不过多的干涉与限制。这种包容政策使城市街道和公共空间成为流动商贩可自由攫取的公共池塘资源，随着其规模的持续扩大，外部成本的负面效应在城市发展过程中日益凸显（Boonjubun, 2017），有必要监控其发展规模、趋势及影响。基于大规模街景影像的自动调查方法有助于监测城市街头流动商贩群体的增长，识别其空间聚集热点，进而分析商贩规模的扩大和聚集与负外部性（如交通拥堵、犯罪或环境污染）的空间关系。

在大多数现代城市的核心区域，排斥政策是更为普遍的一种管治策略，流动商贩被视为新时期经济发展的“绊脚石”，“邻避效应”在从业者与社区居民争夺公共空间使用权中逐渐涌现，因而对地摊经济实施的公共政策转向苛刻与排斥性（Cresswell, 1996; Boonjubun, 2017）。管理部门普遍采用“取缔、驱逐、监控”等手段驱逐流动商贩。排斥政策的实施依赖于执法人员，但由于人力所限往往仅在城市有限区域执行，商贩的空间分布和聚集地点有助于优化执法资源分配，在聚集区配置更多执法资源加强执法力度。

为了保障流动商贩的生计不受严重影响，同时管治其负外部性，一些城市采用正规化政策，试图通过划定疏导经营区或办理营业许可证的方式，将流动商贩进行正规化管理（Kamete, 2018）。商贩需支付一定的场地费或管理费，而且疏导经营区通常区位欠佳且存在大量竞争者，导致经营收益有所降低，因此，在实践中正规化政策往往不被大部分从业者所接纳（Huang et al., 2019）。本研究获取的城市精细尺度的空间调查结果及其聚集特征可进一步与城市社会经济要素进行相关分析，如将流动商贩聚集特征与人口空间分布、住宅租金分布及城市道路分布进行比较，分析流动商贩聚集区域与人口密度、收入及消费水平以及与城市道路等级之间的关系，或者将其与城市设施（如地铁站、正规市场等）叠加进行分析，以检测是否存在空间同位模式或“邻避效应”，进而辅助制定更合理的疏导区规划方案。

4 结论与讨论

4.1 讨论

本文提出了基于街景影像的流动商贩空间分布调查模型，实现了城市尺度的流动商贩的空间分布调查。但由于街景影像数据存在的局限性，实验中所识别的流动商贩数量毫无疑问被低估了。这些局限性主要包括街景影像空间覆盖以及时间覆盖的局限性。

本研究使用的街景影像来自开放的在线地图街景服务，影像主要由街景拍摄汽车采集。由于汽车在狭窄道路的可达性较低，街景影像的空间覆盖范围仅局限于城镇主要街道，无法覆盖低等级街巷。然而，流动商贩更偏向于在农贸市场、批发市场、学校周边、社区或城中村的内部道路经营。因此，在狭小街巷经营的大量商贩并没有被街景车记录，本研究提出的方法也无法识别出位于这些区域的流动商贩。

街景影像时间覆盖的局限性体现在2 个方面：首先，街景影像从采集、处理到发布需数月时间，而且影像的采集时间通常不是同一个时点，因此无法获取这些商贩出现的具体时点，识别结果仅能体现在街景影像获取的时刻，该位置存在流动商贩，即表明该位置曾经有商贩出现过，但具体的时间不清楚。其次，为了保证成像的质量，在线地图的街景影像均在日间采集。然而，实地走访发现，研究区所在城市夜间的流动商贩经营活动更为活跃，但夜间出现的流动商贩未能被街景影像记录，这也导致本研究的识别结果低估了流动商贩的数量。

目前有2种方式可以提高街景影像数据的时空覆盖率，从而提高流动商贩调查的准确性与全面性。一方面，可集成多源街景影像数据集，除了在线地图提供街景服务外，许多基于位置的服务和社交网络都有公众自愿上传的街景影像，如Twitter、Facebook、新浪微博、Panoramio 等。最近的几项基于街景影像的研究有成功应用多源街景影像数据集的案例，如Zhang 等（2020）结合腾讯地图和Panoramio 的街景影像用于发现城市街巷中不起眼的地标，多源数据的结合有效地弥补了城市街巷街景影像的缺失。另一方面，可以使用小型化设备主动采集街景影像作为补充数据源，如使用摩托车、自行车、行人搭载街景拍摄设备，甚至采用城市安防系统的摄像头，可以轻松采集汽车无法到达区域的街景影像。尤其是近年来随着移动互联网、智能手机以及小型化拍摄设备（如Insta360）的快速发展，行人已成为街景影像的重要贡献者。一些众包平台，如Mapillary、OpenStreetCam，甚至传统的在线地图（如谷歌地图）都提供了便于自愿者上传街景影像的渠道（Mahabir et al., 2020），这些数据如能与在线地图街景进行融合，将有助于对城市流动商贩等社会经济要素开展更全面的观测。

4.2 结论

本文旨在从城市范围精细尺度下对流动商贩的空间分布开展自动调查，以辅助其空间治理政策的制定和实施，提出了基于街景影像和深度学习的流动商贩自动调查方法，以广州市为案例，采集了全市3 339 062张街景影像，通过构建YOLO深度神经网络，识别出26 119个商贩，并绘制其核密度空间分布图，同时分析了流动商贩与住宅租金、道路等级之间的关系。结果表明，流动商贩在中心城区以多中心聚集模式分布，主要集中在地铁站、城中村附近等人流量大的区域，且随着道路等级的下降其数量上升，另外流动商贩主要分布于租金中等的地区。识别结果可用于对从业者的区位偏好分析、“邻避效应”探究以及疏导区的划定提供决策参考。尽管街景影像存在时空覆盖度不足的缺陷，但相较于传统调查方法和数据源，利用街景影像开展流动商贩调查不失为一种低成本高效率的方法。

此外，本文所提出的方法可通过耦合多任务深度学习算法，实现更多维度的流动商贩信息调查，如商贩的性别、年龄、经营种类等，相关研究有待下一步开展。本文提出的方法有助于实现高效、低成本和城市尺度的街头摊贩分布制图，所得结果有助于制定和实施非正规经济的空间治理政策，并进一步为街景图像丰富且开放的城市的空间治理政策的改进和实施提供建议。