基于街景影像和手机信令数据的城市街道安全性研究

肖 通，李 德 平，万 义 良*，金 瑞，王 柱，高 伟，费 玉 雯

(1.湖南师范大学地理科学学院/地理空间大数据挖掘与应用湖南省重点实验室，湖南 长沙 410081；2.湖南大学建筑学院，湖南 长沙 410082；3.湖南省建筑设计院集团有限公司，湖南 长沙 410011)

0 引言

随着城市化进程加快，街道犯罪事件频发，城市化率平均每增加1%，刑事犯罪立案数量增加17.7万起[1]，城市安全问题逐渐凸显[2,3]。街道作为城市不可分割的要素，不仅是连接城市各区域的交通命脉，也是人们日常生活的场所，探究城市街道安全性对于预防犯罪具有重要意义。以往安全性研究存在客观和主观两方面：客观安全为真实世界客观存在的安全，通常通过真实数据(如实地犯罪量)进行度量，但由于真实数据的涉密性，获取难度较大；主观安全则为人的心里安全感受[4,5]，城市街道由人们的生活塑造，人们的情感和心理需求影响城市街道发展，提升人们的安全感有利于提高城市街道的安全性[6,7]。有研究发现，城市的视觉外观在人类对周围环境的感知和反应中起着核心作用[8]。“破窗理论”认为城市安全感与环境的视觉标志有关，混乱的视觉标志会导致负面的社会后果并增加犯罪水平，良好、有序的视觉标志有助于增加人们的安全感[9]。传统探究视觉外观与街道安全感关系的研究倾向于主观、局部打分法，即根据小区域内志愿者对街景安全感的打分情况[10]，利用多元回归、主成分分析等模型建立街景视觉要素与人们安全感的关联关系[11]。由于小尺度区域的局限性，这类方法无法应用于其他地区；其次，街景视觉要素的选择因研究者的认知程度不同而不同，不能形成统一的标准，且提供给志愿者的街景数据通常是现场摄影数据、激光雷达测量数据，其成本较高、数据量少，限制了模型的实际精度及其大规模应用[12]。

传感器、卫星及互联网技术的高速发展提供了新的数据采集方式，地图服务[13]及志愿者地理信息(Volunteered Geographic Information,VGI)[14]等提供了大量带有地理标签的数据，为大尺度、精细化分析街道视觉成分提供了新的可能，学者们利用带有地理标签的数据探讨街区要素与城市安全感的联系。例如：徐磊青等根据学生与居民对街景照片的打分情况，探讨街景因素与安全感之间的关联性[15]；Naik等根据7 000名志愿者对美国东北部和中西部21个城市约100万张谷歌街景图片的打分情况，建立基于图像特征的安全感知计算模型，并编制这些城市的安全感分布地图[16]；Zhang等通过麻省理工学院Place Pulse数据集中来自162个国家的81 630名志愿者对117万张城市街景图片的评分，建立深度残余卷积神经网络，并构建150个街景视觉要素与感知指标的联系[17]。但这类研究中，城市安全感并不能直接反映城市安全性，两者之间存在“安全感知偏差”，如白天在低安全感地区活动人群较多的情况下会显得更安全，夜晚活动人群较多的地方安全性则较差[18]。目前关于“安全感知偏差”的研究较少。有研究表明，犯罪和罪犯在城市中不是随机分布[19,20]，人群高聚集性区域(如商业中心、体育设施以及车站等)经常会发生危害公共安全事件[21]。Zhang等[18]通过绘制每千人居民暴力犯罪的空间分布，发现大部分安全事件集中于人群高聚集的城市中心区域。因此，利用人口聚集特征弥补城市“安全感知偏差”具有一定的现实意义。

结合真实与感知之间的差异性，减小“安全感知偏差”需要解决两个问题，即如何度量人口聚集情况以及如何将人口聚集情况融入街景语义中。带有地理标签的地图服务数据(如推特数据[22]、新浪微博签到数据[23]等)能较好地映射人口聚集情况，但这类数据仅表征部分群体，即社交媒体类软件偏好用户，用于表征多数人群活动信息可能存在较大误差。手机信令数据具有高覆盖率、高持有率特征，逐渐应用于出行活动分析[24，25]。鉴于此，本文提出一种融合街景影像和手机信令数据的城市街道安全性评估方法，以此减小“安全感知偏差”，有效揭示研究区域街道真实安全性，并对低安全性区域提出针对性建议，以期为城市街道合理规划提供科学参考。

1 研究区与数据

长沙市位于湖南省东部偏北区域，其主城区包括岳麓、开福、天心、雨花和芙蓉五区，总面积约为1 200 km2，是长沙市交通最发达、经济水平和城市化水平最高的区域。该区域带有地理标签的数据种类相对齐全、质量相对更高，便于实验研究，故本文选取长沙市主城区作为实验区域(图1)。

图1 长沙市主城区示意Fig.1 Schematic diagram of the main urban area in Changsha

研究数据包括：1)2019年Open Street Map (OSM)路网数据(http://download.geofabrik.de/)，根据研究区范围对路网数据进行裁剪、拼接，最终得到11 929条数据；2)百度街景数据，利用百度街景API爬虫获取，采集时间为2014-2020年(2019年与2020年为主)，拍摄的水平范围角和仰角分别为35°和0°，方位角分别取0°、60°、120°、180°、240°和300°，街景照片总计592 430张，图片大小为240×360像素；3)手机信令数据，采集时间为2019年6月11日0:00至2019年6月17日0:00，根据日常作息时间，分为白天(7:00-18:00)和夜晚(18:00至次日7：00)并提取两时段250 m×250 m的网格数据。

2 研究方法

本研究具体流程(图2)为：数据预处理后，对街景数据进行语义分割，基于街景视觉要素权重与缓冲区分析方法，由分割后的语义数据、手机信令数据以及OSM路网数据得到安全感指数与白天、夜晚人口聚集度；然后利用K-means聚类算法与笛卡尔积运算得到白天、夜晚及总体城市街道安全性空间分布，并结合《长沙市城市总体规划(2003-2020)(2014修改)》[26]探讨城市街道安全性空间分布特征。

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

2.1 语义分割及街景安全感知指标

语义分割是指在图像上进行逐像素分类，根据有无训练样本分为有监督语义分割和无监督语义分割。Pyramid Scene Parsing Network(PSPNet)[27]是基于全卷积网络(Fully Convolutional Network，FCN)[28]改进的卷积网络，在图像有监督语义分割方面应用前景广阔。本研究利用PSPNet网络对街景数据进行语义分割，训练数据集为Cityscapes[29]，标签类型为19类，模型框架为MMsegmentation，在该框架下单尺度测试MIOU可达79.08%，且模型运行速度较快，适用于大规模数据测试[30]。

根据语义分割得到的标签数字矩阵统计每个Cityscape类型像素数占总像素数的比例，再根据式(1)得到平均每个街景点的街景视觉要素占比(Senses_average)。本文结合Zhang等[17]基于多元回归模型计算出的图像视觉要素安全感权重以及Cityscapes自身视觉要素组成成分，得到本实验实际街景视觉要素对城市安全感的权重占比(表1)；之后基于式(2)得到街道安全感指数(Safelyi)，为减少数值差异，对安全感指数进行归一化处理(式(3))。

表1 街景视觉要素对于城市安全感的权重占比Table 1 Weights of visual elements of street view to urban safety perception

(1)

(2)

(3)

式中：Areas_j为图像视觉要素s在视角j的像素数；Areat_j为在视角j的总像素数；Weighti_s、Sensei_s_average分别为第i条街道中视觉要素s的城市安全感权重与平均像素数占比。

根据《长沙市城市总体规划(2003-2020)(2014修改)》[26]，长沙市呈现一个主中心、两个副中心格局，而本研究区域包含一个主中心和一个副中心。为进一步统计城市安全感分布信息，采用双中心圈层法统计各圈层内的归一化安全感指数(Safely_circlen)以及各视觉要素占比，计算公式如下：

(4)

(5)

式中：Sense_circlen_l为第n个圈层中视觉要素l的统计信息；Sensen_i_l为第n个圈层中第i条街道(m为该圈层街道总数)视觉要素l的占比；Lenn_i为第n个圈层中第i条街道的长度；Safelyn_i为第n个圈层中第i条街道的归一化安全感指数。

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响范围内的聚集程度。缓冲区分析法能有效解决空间邻近度问题[31]，但该方法不易确定街道对人群的有效影响范围。长沙市新一轮总体规划中，提出以“15分钟生活圈”作为社区生活的基本单元[32]，因此，本文利用成年人15 min步行距离1.5 km[33]作为街道的有效影响范围，将手机信令数据与街道影响范围进行叠置分析，提取街道影响范围内手机信令强度，以此估算街道人口聚集度。

2.3 街道安全性

本文结合K-means聚类算法和笛卡尔积运算模型对街道安全感指数和人口聚集度数据进行处理，使得安全性评价包含安全感与人口聚集信息，以此减小“安全感知偏差”。K-means算法属于无监督学习算法，其根据样本间的相似性，将相似性较高、差异性较小的样本聚成一类簇[34]。基于安全感信息以及白天、夜晚人口聚集度，利用K-means算法将研究区街道划分为白天低、中、高安全性街道和夜晚低、中、高安全性街道。基于上述两类等级信息，利用笛卡尔积运算将街道划分为9个等级，分析街道总体安全性。

3 结果与分析

3.1 街道安全感梯度特征

由街道归一化安全感指数空间分布(图3)可知，存在街景数据的街道(8 561条，占比71.77%)并未覆盖整个研究区域，缘于百度街景数据存在稀疏性问题[35]。以五一广场及岳麓副中心为圆心、1 km为缓冲区半径进行圈层划分，并统计各圈层范围内的归一化安全感指数(图4)，发现随圈层数增加，归一化安全感指数呈现出“增大—减小—增大—减小”现象，但总体呈下降趋势。圈层1-3、10-13、14-15、18-19归一化安全感指数呈明显上升趋势，第3圈层指数最高(0.706)，圈层3-4、15-18、19-22指数下降幅度较大。

图3 城市安全感空间分布 Fig.3 Spatial distribution of urban safety perception

图4 各圈层归一化安全感指数Fig.4 Normalized index of urban safety perception of each circle

为进一步分析街道安全感指数的影响因素，统计各圈层视觉要素占比(图5)。栅栏、墙体、人行道、汽车视觉要素占比较低，且随着圈层增加变化不大，长沙市街道安全感主要受建筑、植被、天空、机动车道4种视觉要素影响。具体而言：在1-3圈层中，建筑视觉要素占比明显下降，植被视觉要素占比明显上升，但建筑视觉要素影响程度大于植被视觉要素，导致归一化安全感指数上升较为明显；在3-4圈层中，机动车道和植被视觉要素占比下降，建筑和天空视觉要素占比上升，由于植被视觉要素占比较高，导致归一化安全感指数呈现“断崖式”下降；在10-13圈层中，引起归一化安全感指数上升的主要原因是建筑视觉要素占比下降过快，而在14-15、18-19圈层中，引起归一化安全感指数上升的主要原因是天空视觉要素占比下降；在13-14、15-18圈层中，引起归一化安全感指数迅速下降的主要原因是天空视觉要素升幅较大，其他视觉要素变幅较小；在19-22圈层中，机动车道视觉要素占比呈下降趋势，天空、建筑视觉要素占比呈上升趋势，导致归一化安全感指数迅速下降。

图5 各圈层视觉要素占比Fig.5 Proportion of visual elements in each circle

3.2 白天、夜晚安全性空间分异

利用为期一周的均值化手机信令数据得到长沙市白天、夜晚人口聚集度，并利用自然间断点法进行分级(图6)。可以发现，白天、夜晚人口聚集度具有很高的空间相似性，高聚集度街道主要集中于河东以五一广场为中心的区域，少部分分布在岳麓区副中心区，形成以五一广场、岳麓副中心区为中心，随距离增加人口聚集度减小的城市格局；白天、夜晚高聚集度街道分别为397条、439条(图6中红线)，主城区中心区域压力较大，部分发展片区、组团区高聚集度街道较少，可在各组团区域和发展片区通过增加基础设施吸引人口，减小白天中心区域的压力。夜晚安全性低的区域主要聚集在五一广场周围，降低夜晚人口聚集度有益于该区域的安全性，如限制酒吧、餐馆等设施开放时间。研究表明，夜晚随着零售、教育设施的增加，区域犯罪率可能上升[14]，因此，在中心区域应适当减少这两类设施。

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

根据白天、夜晚人口聚集度与归一化安全感指数分别呈正、负相关原则进行K-means聚类(图7)，为防止两个维度之间数值差异过大，在聚类前对人口聚集度进行归一化处理。如图7a所示，白天低安全性区域的归一化安全感指数位于0.28～0.68之间，白天归一化人口聚集度位于0～0.35之间，即低安全性街道主要集中于低安全感及低人口聚集度区间；中安全性区域的归一化安全感指数位于0.68～1之间，白天归一化人口聚集度位于0～0.35之间；高安全性区域的归一化安全感指数位于0.35～0.85之间，白天归一化人口聚集度位于0.35～1之间。夜晚低、中、高安全性区域的归一化安全感指数、归一化人口聚集度分布区间与白天高、低、中安全性区域相似。根据聚类结果将街道安全性划分为低、中、高3个等级并进行空间可视化(图8)。白天街道安全性低、中、高等级占比依次为35.53%、49.95%、14.52%，以中等安全性为主。低安全性区域主要分布在主城区中心外，与中安全性区域交错分布，而高安全性区域主要聚集在主城区中心附近(如八一路、鸿铭商业街、中山路等)(图8a)。夜晚街道安全性低、中、高等级占比依次为17.60%、34.08%、48.32%，其空间分布与白天高、低、中安全性区域相似，夜晚低安全性区域也主要集中于主城区中心，呈现明显聚集状态。

图7 白天和夜晚街道安全性聚类结果Fig.7 Street safety clustering results during day and night

图8 白天和夜晚街道安全性空间分布Fig.8 Spatial distribution of street safety during day and night

3.3 街道总体安全性空间分布特征

将白天、夜晚城市街道安全性进行笛卡尔积运算，得到9种组合关系(表2、图9)，以精细化识别城市总体安全性。其中，白天中安全性—夜晚高安全性街道数量最多(4 105条)，占48.15%，遍布主城区；低—高、中—中、高—中、高—高4类街道占比较少，共占0.37%；低—中、高—低安全性街道占比分别为33.89%、14.40%，遍布主城区；低—低安全性街道共131条，占1.54%，西部区域有31条，主要集中于岳麓区副中心区，东部区域有100条，主要分布在主城区中心附近。

表2 长沙市主城区9种安全性街道数量及占比Table 2 Number and proportion of 9 types of safety streets in the main urban area of Changsha

图9 长沙市主城区总体安全性分布Fig.9 Overall safety distribution in the main urban area of Changsha

根据城市街道总体安全性分布(图9)，从低安全性到高安全性的顺序进行优化，如从安全性最低(白天低安全性—夜晚低安全性)的街道开始，按照街道长度从高到低的顺序(街道越长，影响范围越广)进行优化；其次，从安全性较低的街道(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)，按照街道长度从高到低的顺序进行优化；依此类推，对街道安全性进行优化。

4 结论与讨论

本文将手机信令数据与街景数据相结合，构建基于人口数量特征的城市安全性空间结构，在一定程度上减小了“安全感知差异”,发现了目前规划与城市实际发展之间的问题以及如何优化城市低安全性街道。长沙市主城区的实证研究表明：1)街道安全感随圈层数增加总体呈下降趋势，引起各圈层街道安全感产生分异特征的主要视觉因素是建筑、植被、天空和机动车道，提升安全感的有效方法是提高建筑视觉要素占比以及减少天空视觉要素占比；2)白天与夜晚人口分布情况具有相似的聚集效应，同时证明了长沙市主城区属于双中心结构；3)白天高安全性、夜晚低安全性以及总体安全性最低区域主要集中于主城区中心，应合理规划该区域设施性质和营业时间，加强组团区域发展，提高建筑密度，减轻中心区域的压力，从而提高整体安全性。

本文仍有待完善之处：1)只利用人口数据减少“安全感知差异”，未能完全弥补“安全感知差异”效应，经济数据、POI类型数据等也与城市安全有较强的联系；2)安全性范围较广，而“安全感知差异”是基于犯罪情况产生的，故本研究偏向于犯罪安全性，交通安全性等有待后续研究；3)未精细探讨城市安全与安全感知的相关程度，如比较某区域的安全事故发生次数与该地区的安全感等。未来可融合更多社会经济数据，提出更加精细化的街道安全性优化方法，为创建更安全的城市环境提供决策支持。