蔣 耀，胡嘯峰，吳建松

(1.中國人民公安大學 信息網絡安全學院,北京 100038；2.中國礦業(yè)大學(北京) 應急管理與安全工程學院，北京 100083)

0 引言

城市空間環(huán)境的合理設計規(guī)劃，可有效降低社會安全風險，相反破敗的空間環(huán)境會促進社會安全風險的發(fā)生[1-3]。城市街景環(huán)境在一定程度上可以反映城市空間環(huán)境，展現植被、天空、建筑、道路、車輛等環(huán)境要素的形態(tài)分布。

近年來，街景圖像憑借覆蓋范圍廣、呈現粒度細、采集成本低等優(yōu)勢[4]，為探索城市街景環(huán)境提供全新的數據來源和研究方向。從實證研究角度來看，國外部分學者利用街景數據研究城市街景與社會安全事件的空間分布關系:He等[5]基于Google街景數據，通過Poisson回歸模型研究美國俄亥俄州哥倫布市的街景環(huán)境特征與暴力事件空間分布關系；Deng等[6]利用深度學習技術，對美國紐約曼哈頓的Google街景圖像進行量化分析，利用街道微觀視覺特征，從全局和局部2方面研究城市街景與暴力傷害等社會安全事件關系；Lee等[7]提取韓國低層住宅小區(qū)實際視野內街景特征，利用logistic回歸分析社會安全事件分布與街景環(huán)境要素的相關性。

我國城市建設日新月異，城市環(huán)境復雜性、多樣性不斷提高，國內外城市面貌存在顯著區(qū)別。國內部分學者利用城市街景數據，對城市空間品質[8]、街道綠化[9]、居民心理健康[10]、城市貧困度[11]等問題展開研究?；趪鴥韧庀嚓P研究，本文依據我國典型城市街景數據，構建街景環(huán)境要素指標，利用地理加權回歸(GWR)模型，研究城市街景環(huán)境與社會安全事件的空間關系，研究結果可為城市安全規(guī)劃和社會安全風險防控提供宏觀決策支持。

1 研究方法

技術路線如圖1所示?；诮志安蓸狱c獲取城市街景圖像，利用語義分割技術得到圖像分割結果，并構建街景環(huán)境要素指標；根據社會安全事件發(fā)生地點坐標，基于核密度分析方法，計算得到街景采樣點的社會安全風險值；構建基于街景環(huán)境要素指標的地理加權回歸模型，分析城市街景環(huán)境與社會安全事件空間關系。

圖1 技術路線Fig.1 Technical roadmap

1.1 數據集

本文以我國某大型城市X市Y區(qū)為例，研究城市街景環(huán)境與社會安全事件空間關系。Y區(qū)西部沿線區(qū)域為中心城區(qū)，中西部為商務區(qū)，西北部為高新技術產業(yè)區(qū)，中東部區(qū)域為文化產業(yè)園區(qū)，東北部和東南部區(qū)域為生態(tài)休閑區(qū)。Y區(qū)不僅包含現代化都市區(qū)域，同時保留城市化進程中的城鄉(xiāng)結合部和城中村，還包括較多旅游景點、高等院校和政府機關等，該區(qū)城市街景環(huán)境復雜多樣，能夠提供較為豐富的數據資源。

Y區(qū)街景圖像數據通過百度地圖平臺獲取。首先，以200 m為步長，依據研究區(qū)域城市路網進行采樣;基于采樣點，以平行于道路視角，共得到15 098個街景采樣點全景圖像；每個街景采樣點的全景圖像經語義分割后，得到不同類型景物(如樹木、汽車、天空等)像素在圖像中的占比，構建相關街景環(huán)境要素指標。

社會安全事件數據為Y區(qū)政府相關部門提供的、經過脫敏處理后的2017年1月至2019年12月的統(tǒng)計數據，具體包括事件發(fā)生時間、發(fā)生地點、事件類別等信息。本文選取侵犯個人財產事件、人身傷害事件、妨害公共秩序事件作為研究對象，經篩選共得到侵犯個人財產事件數據48 354條、人身傷害事件數據2 294條、妨害公共秩序事件數據1 803條。每條數據記錄的事發(fā)地點經地理編碼處理后獲得其對應經緯度坐標，并導入ArcGIS軟件，生成核密度分布圖，進而計算得到街景采樣點對應位置的社會安全風險值。

1.2 模型構建

1)街景環(huán)境要素指標構建

相關研究表明，植被、燈光、交通設施等環(huán)境要素與社會安全事件的空間分布均可能存在一定聯系[6,12-16]。基于此，本文構建反映街道綠化率的綠視指數(Green View Index,GVI)、反映視野開闊程度的天空開闊指數(Sky Openness Index,SOI)、反映居民步行狀況的行人空間指數(Pedestrian Space Index,PSI)、反映路燈分布情況的路燈指數(Road Lamp Index,RLI)、反映交通復雜度的交通信號指數(Traffic Light Index,TLI)以及反映道路機動化程度的汽車指數(Car Index,CI)，并特別提出反映騎行狀況的自行車指數(Bike Index,BI)和行人密集程度的人群聚集指數(People Gathering Index,PGI)，共8項街景環(huán)境要素指標，綜合分析環(huán)境要素指標與3類社會安全事件的空間關系。

本文通過語義分割技術預測圖像中每個像素的語義屬性，生成分割結果，獲取不同景物在圖像中的像素量占比，計算得到街景環(huán)境要素指標。語義分割主流方法為基于深度學習的方法，其中，全卷積神經網絡(Fully Convolutional Networks,FCN)[17]是經典的語義分割模型，通過采樣進行反卷積操作后，利用SoftMax層對像素進行分類，可以實現較好的分割效果。本文采用基于FCN-8s模型(FCN中的1種)的語義分割工具[18-19]，對采集得到的街景圖像進行150類景物的語義分割，分割結果如圖2所示，圖中天空、樹木、汽車、建筑等景物使用不同顏色進行標注。

圖2 街景圖像分割示例Fig.2 Example of streetscape image segmentation

根據語義分割結果，計算以下街景環(huán)境要素指標。

綠視指數(GVI)如式(1)所示：

(1)

式中：Pixelgreenery為街景圖像中樹木、草和植物等綠色景觀的像素量之和；Pixeltotal為圖像中所有景物的像素量之和。

天空開闊指數(SOI)如式(2)所示：

(2)

式中：Pixelsky為街景圖像中天空的像素量。

行人空間指數(PSI)如式(3)所示：

(3)

式中：Pixelpavement為街景圖像中人行道的像素量。

路燈指數(RLI)如式(4)所示：

(4)

式中：Pixelroad_lamp為街景圖像中路燈的像素量。

交通信號指數(TLI)如式(5)所示：

(5)

式中：Pixeltraffic_light為街景圖像中交通信號燈的像素量。

汽車指數(CI)如式(6)所示：

(6)

式中：Pixelcar為街景圖像中汽車的像素量。

自行車指數(BI)如式(7)所示：

(7)

式中：Pixelbike為街景圖像中自行車的像素量。

人群聚集指數(PGI)如式(8)所示：

(8)

式中：Pixelperson為街景圖像中行人的像素量。

2)城市街景特征與社會安全事件的空間關系建模

本文將街景采樣點的社會安全事件風險定義為經歸一化處理后的核密度值。核密度估計(Kernel Density Estimation)是基于概率密度分布的空間統(tǒng)計方法，可得到社會安全事件的空間分布特征。對于某地點x處的社會安全風險核密度值f(x)如式(9)所示：

(9)

式中：K()為高斯核函數；h為核函數的帶寬(搜索半徑)，m；n為距離x等于或小于h的事件地點數量；xi為x搜索半徑內的事件發(fā)生地點；x-xi為x到xi的距離,m。

首先，根據研究區(qū)域大小和社會安全事件分布情況，在ArcGIS軟件中將搜索半徑設為1 500 m，輸出柵格單元大小設為100 m×100 m，生成社會安全風險核密度分布圖；然后將街景采樣點疊加到圖中，利用“值提取至點(Extract Values to Points)”工具獲取街景采樣點的社會安全風險核密度值，經歸一化處理后作為街景采樣點的社會安全風險值；最后將每個街景采樣點對應的街景環(huán)境要素指標經歸一化處理后作為自變量，并將社會安全風險值作為因變量，構建基于街景環(huán)境要素指標的地理加權回歸(GWR)模型。歸一化處理如式(10)所示：

(10)

式中：X為歸一化后數值；x為原始數值；Xmax，Xmin分別為所有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個街景采樣點的因變量(社會安全風險值)；xik是第i個街景采樣點的第k個自變量(街景環(huán)境要素指標)；(ui,vi)表示第i個街景采樣點的坐標；β0(ui,vi)為截距項；βk(ui,vi)是第i個街景采樣點第k個自變量系數；εi是第i個街景采樣點的隨機誤差項。

利用ArcGIS軟件完成GWR模型的構建，其中，GWR模型采用自適應型高斯函數作為空間權重函數，并采用赤池信息準則(Akaike Information Criterion,AICc)對帶寬進行優(yōu)化選擇。此外，引入全局回歸OLS(Ordinary Least Squares)模型開展對照實驗，將OLS模型回歸分析結果與GWR模型進行對比。

2 結果分析與討論

2.1 模型性能評價

OLS模型回歸結果見表1。GVI，SOI，RLI與3類社會安全事件均呈負相關性，而PSI，TLI，CI，BI，PGI與3類社會安全事件呈正相關性。除侵犯個人財產事件中的RLI，其余變量均通過5%顯著性水平檢驗。由校正R2可知，OLS模型的總體擬合效果不理想，極有可能是其無法刻畫變量的空間相關性導致。因此，進一步采用GWR模型研究上述指標與侵犯個人財產事件、人身傷害事件以及妨害公共秩序事件之間的空間相關性。

表1 OLS模型回歸結果Table 1 Results of OLS model regression

基于街景環(huán)境要素指標的GWR模型分析結果見表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，遠高于OLS模型結果；同時，AICc值和殘差平方和均明顯小于OLS模型，這表明針對街景環(huán)境要素指標與社會安全事件的相關性分析，GWR模型的擬合效果明顯優(yōu)于OLS模型。

在GWR模型中，由于各自變量在不同街景采樣點處回歸系數的數值和顯著性水平不同，本文采取反距離權重法(Inverse Distance Weighting,IDW)，對各項指標在街景采樣點處對應的回歸系數進行空間插值，得到研究區(qū)域內回歸系數的空間分布，進一步分析各項街景環(huán)境要素指標在各自顯著性區(qū)域內與3類社會安全事件的空間關系差異。

2.2 街景環(huán)境要素與社會安全事件的空間關系

圖3所示為基于街景環(huán)境要素指標的GWR模型中，各自變量對3類社會安全事件的回歸系數分布，空白區(qū)域表示自變量的回歸系數不具備顯著性。

圖3 街景環(huán)境要素指標回歸系數空間分布Fig.3 Spatial distribution of regression coefficients of streetscape environment element indexes

由圖3可知，綠視指數(GVI)與3類社會安全事件在大部分區(qū)域呈顯著負相關關系，即宏觀上增加城市綠化率，可以減少社會安全事件發(fā)生數量，這主要由于城市綠化景觀能夠改善生態(tài)環(huán)境，舒緩身心壓力，同時降低“破窗效應”，有利于降低社會安全風險。

天空開闊指數(SOI)與社會安全事件在大部分區(qū)域呈顯著負相關關系。道路越窄、周圍建筑物越高、密度越大、天空可視域越小，可能造成街道采光、通風以及景觀視野受限制，同時造成擁擠現象，為不法分子隱藏蹤跡與逃匿提供條件。

行人空間指數(PSI)與不同區(qū)域社會安全事件的相關性存在明顯差異。對于研究區(qū)域中西部，PSI與侵犯個人財產事件以及人身傷害事件均呈顯著負相關關系；但對于東部部分區(qū)域，PSI與3類社會安全事件呈顯著正相關關系。由于研究區(qū)域中西部為人口密度較大的城市商務區(qū)，人行道的合理設計可以避免行人擁擠，所以適當拓寬或增加人行道，能夠有效避免人車混雜和擁堵現象發(fā)生；但對于東部部分區(qū)域，人口密度相對較小，可能造成PSI與社會安全風險呈正相關性。

路燈指數(RLI)與研究區(qū)域中部部分區(qū)域內3類社會安全事件呈顯著負相關關系。影響路燈照明效果的因素包括路燈數量、路燈照明范圍和路燈布局，文中路燈指數(RLI)反映街道路燈的分布數量，路燈照明也可以發(fā)揮自然監(jiān)視作用。Deng等[6]研究表明，街道路燈對POI密集、經濟發(fā)達區(qū)域的社會安全風險起到抑制作用，而包含眾多商業(yè)場所的中部區(qū)域剛好符合上述條件。

交通信號指數(TLI)、汽車指數(CI)與3類社會安全事件均呈現顯著正相關關系。通常情況下，便利的道路交通環(huán)境有利于社會安全事件制造者迅速逃離現場。CI在一定程度上反映了汽車違規(guī)停放并占用路面的情況，這也是引發(fā)“破窗效應”并導致安全風險的隱患之一。

從自行車指數(BI)回歸系數的空間分布可以看出，其與3類社會安全事件的關系只在小部分區(qū)域具有顯著性，但在與社會安全風險呈正相關性的區(qū)域內，BI回歸系數相對較大。BI反映城市中自行車特別是共享單車的空間聚集情況，當前較多城市區(qū)域的共享單車普遍存在亂停亂放問題，嚴重影響城市空間秩序，加劇區(qū)域擁堵，增大社會安全風險。

人群聚集指數(PGI)與3類社會安全事件在整個研究區(qū)域內均呈現顯著正相關關系。雖然人群聚集能夠起到一定自然監(jiān)視效果，但人群聚集環(huán)境通常反映街道的經濟活動較為繁榮，當不法分子混入密集人群之中，很難被察覺，容易導致社會安全事件的發(fā)生。此外，人群密度過高，容易導致人與人之間發(fā)生摩擦，并激化矛盾，引發(fā)人身傷害事件。

2.3 城市安全規(guī)劃與綜合治理

根據以上研究結果，本文提出以下3點建議：

1)提高城市綠化水平。定期開展對綠化景觀的維護工作，避免植被遮擋行人視線，保證視線的通透性；在相對空曠、缺少管理的綠地空間中，可以適當增設休閑、健身等輔助設施，從而建立積極、綠色的休憩和活動場所，起到自然監(jiān)視的效果。

2)優(yōu)化城市建筑布局與形態(tài)。對于新建城區(qū)，合理規(guī)劃建筑物密度和街道寬度，建筑立面可以布置特色景觀，并增加色彩設計和采光設計，保證視野的空間開闊度；對于城市中原有的高密度建筑區(qū)域，特別是狹窄的巷道，需要適當加裝電子監(jiān)控設備，提高監(jiān)控覆蓋范圍；進一步改善城市照明條件，避免植被或者建筑物遮擋光源而出現照明死角，不斷完善街道照明設施。

3)加強交通環(huán)境治理。通過定期開展巡查，及時清理街道中違規(guī)停放的車輛，保障道路通暢；加強對特定街道中車輛的停放管理，特別是對共享單車，可以設置固定的共享單車停車區(qū)域，完善共享交通監(jiān)管制度，落實經營企業(yè)的主體責任；進一步改善步行交通環(huán)境，在特定區(qū)域適當擴寬人行道，在人流量較大的區(qū)域，建設人行天橋或者地下走廊，實現人群及時分流。

3 結論

1)本文提出的融合語義分割技術與地理加權回歸方法，為大范圍、精細化地研究城市街景環(huán)境與社會安全事件空間關系提供全新思路。本文模型校正R2介于0.744～0.841，擬合效果較好，街景環(huán)境要素指標與社會安全事件普遍存在較為顯著的空間相關性。

2)街景圖像主要由互聯網地圖服務商利用采集車進行采集，如果借助政府部門的視頻監(jiān)控系統(tǒng)對街景圖像進行采集，可在一定程度上實現對街景圖像的動態(tài)獲取和補充。

3)下一步研究將利用計算機視覺等技術提取街景環(huán)境特征，并結合歷史同時段、同區(qū)域內發(fā)生的社會安全事件，基于深度學習模型，對社會安全風險進行動態(tài)評估和預測預警，有利于及時開展社會安全治理與防控，打造智慧型安全城市。