主要发现

方法创新

结合人视街景图像、机器学习和空间统计方法，实现了快速、大规模且精准的街道适老性水平评估，并考虑了空间异质性以识别关键影响因素

空间分布特征

天河区不同街道环境适老性水平存在中等程度空间聚集。商业街道和靠近低密度住宅区的街道在可步行性、活动性、安全感和愉悦感方面表现较好

影响因素

不同环境要素对不同适老性水平指标的影响存在差异。绿视率、开敞度和围合度是重要影响因素，而视觉拥挤度、人行道和场景多样性作用较弱

研究框架

研究框架图

图1 研究框架

数据收集

在研究区利用全景相机获取人视街景图像数据，搭建基于人视街景图像的街道适老性水平人机对抗评价平台

数据处理

对图像进行语义分割和目标检测处理提取环境要素，训练ResNet50模型获取大规模城市街道环境的适老性水平

数据分析

利用空间统计学方法分析街道适老性水平的空间异质性，确定街道环境要素对适老性水平的影响程度和形式

研究方法

街景图像环境要素提取

基于PSPNet的语义分割和基于PP-YOLOE的目标检测

图2 基于PSPNet的语义分割和基于PP-YOLOE的目标检测

利用语义分割和目标检测技术对街景环境要素进行提取，计算不同环境要素的面积占比或物体数量。

基于Cityscapes数据集，利用金字塔场景解析网络（PSPNet）对街景环境图像进行语义分割，提取植被、道路、建筑、天空等总共19类环境要素。

基于MSCOCO数据集，采用PP-YOLOE对图像中的行人、自行车、汽车等进行目标检测。随机抽取经过目标检测后的400张图像，人工审查计算得出其漏检率为5.75%、错检率为1.25%。

解释变量指标定义和计算方式

表1 解释变量指标定义和计算方式

指标 定义 公式 解释
绿视率 植被在人视野中占的面积比例 Gi=Vi/ni Gi表示第i张图像中植被像素占总像素的比例；Vi表示植被的像素数量；ni表示总像素数量
开敞度 人视野中可见的天空的比例，影响人们视野的开放性和对自然光的感知 Oi=Si/ni Oi表示第i张图像中天空像素占总像素的比例；Si表示天空的像素数量
拥挤度 与街道的自行车和行人有关，反映了街道区域的拥挤程度 Vi=pi+bi Vi是第i张图像中行人和自行车的总数；pi表示行人的数量；bi表示自行车数量
围合度 街道空间视觉上由建筑物、墙体、树木等垂直元素界定的程度 Ei=(Vi+Ti+BUi+Wi+Fi+Pi)/ni Ei表示第i张图像中街道在视觉上被街道墙和相应的水平元素包围的程度
人行道占比 人行道与道路的比率 Wi=PEi/Ri Wi代表第i张图像中人行道占比；PEi表示人行道像素的数量；Ri表示道路像素的数量
场景多样性 街道元素的相对多样性 Ri=d Ri表示第i张图像中街景元素的丰富程度；d表示每张图片中街景元素类型的数量

城市街道适老性水平评价

采用主观评价方法，参考适老性户外环境评价相关研究，从老年人出行、活动与感受3个方面进行评价，包括"可步行性"、"活动性"、"安全感"、"归属感"和"愉悦感"。

评价指标说明：

  • 可步行性：街道的步行路径通畅、铺装平坦、有无障碍设施
  • 活动性：满足老年人日常活动需求，如休憩、运动、购物等
  • 安全感：保障老年人安全进行各类公共活动
  • 归属感：老年人对街道的认同、依恋及喜爱等心理感觉
  • 愉悦感：老年人在舒适、整洁、植物多样化、建筑美观的环境中感到愉悦

表2 城市街道适老性水平指标

指标 问题描述
可步行性 该环境是否适宜步行
活动性 该环境是否能满足您的日常活动需求
安全感 该环境是否给您带来足够的安全感
愉悦感 该环境是否让您感到愉悦
归属感 该环境是否能让您产生归属感

构建人机对抗评分系统，邀请22名60岁以上常住于广州天河核心区的老年志愿者对1000张街景图像进行评分。采用ResNet50模型预测街道适老性水平，最终模型的MAE值均小于1.10，RMSE值均小于4.11，拟合度较好、精准性较高。

空间效应分析方法

莫兰指数计算

采用全局Moran's I和局部Moran's I分析街道适老性水平的空间自相关性。全局Moran's I用于检验变量是否具有空间聚集性，局部Moran's I则说明变量在每个空间单元的聚集或离散程度。

全局Moran's I公式：

Moran's Ir = [n∑∑wi,rj,r(xi,r-x̄r)(xj,r-x̄r)] / [s2r(∑∑wi,rj,r)]

空间计量模型

建立普通最小二乘回归模型(OLS)、空间滞后模型(SLM)和空间误差模型(SEM)分析影响机制：

  • OLS模型：不考虑空间权重，作为基线对比模型
  • SLM模型：探索空间扩散或溢出效应是否存在
  • SEM模型：测量空间中随机误差项的效应

研究区概况

研究区概况和图像抽样点分布

图3 研究区概况和图像抽样点分布

选取广州天河核心区(面积约17.74km²)作为研究区，该区域是天河区的商业、医疗、体育和文化中心，包含商业街、公园绿地、滨水空间、高品质和老旧住宅区、城中村等多样化的街道环境类型。

截至2021年，广州市60岁及以上老年人口占总人口11.41%，研究区老龄化程度高于天河区平均水平，具有典型性和代表性。

数据收集方法：

  • 招募实验员(身高1.60-1.65m)使用全景相机(Insta360ONE X2)实地拍摄
  • 以10m为间距选取采样点，人水平视角拍摄，每张照片带有地理坐标信息
  • 最终获得14916张街景图像(6080×3040像素，视野360°)
  • 筛选1000张涵盖典型街道的图像作为评分基础图像库

研究结果

城市街道适老性水平空间分布

研究区街道环境适老性水平空间分布

图4 研究区街道环境适老性水平空间分布

表3 研究区域街道环境适老性水平基本情况

指标 均值 中位数 标准差
可步行性 35.71 42.05 6.88
活动性 52.54 61.67 9.14
安全感 38.69 44.69 5.81
愉悦感 47.89 54.34 6.90
归属感 61.15 69.80 9.21

主要发现：

  • "可步行性"与"安全感"的均值相对较低，70.20%区域"可步行性"水平位于25-40分之间
  • "归属感"的均值相对较高，89.50%区域水平处于45-75分之间
  • "活动性"和"愉悦感"均值分别为52.54和47.89，整体处于中等水平

空间分布差异：

  • 商业型街道和靠近低密度住宅区的街道适老性水平较高
  • 靠近高密度住宅区的街道适老性水平较低
  • 滨水街道"活动性"和"安全感"较高，但"愉悦感"较低
  • 商业型街道"归属感"较高，靠近住宅区的街道"归属感"较低

空间自相关分析结果

不同适老性水平的局部空间自相关聚集性

图5 不同适老性水平的局部空间自相关聚集性

全局Moran's I：

  • 可步行性：0.470 (Z=103.72, P=0.001)
  • 活动性：0.516 (Z=111.35, P=0.001)
  • 安全感：0.344 (Z=74.39, P=0.001)
  • 愉悦感：0.386 (Z=85.16, P=0.001)
  • 归属感：0.480 (Z=106.71, P=0.001)

所有指标均具有统计学意义，表现为中等偏高程度的空间聚集性。

局部Moran's I：

  • 14.49%为显著(P<0.05)的"可步行性""高-高"聚集，分布在商业型街道和靠近低密度住宅区的街道
  • "活动性"高值(17.11%)显著集中在商业型街道、滨水街道和低密度住宅区街道
  • "活动性"低值(16.82%)显著集中在城中村等高密度住宅区街道
  • "愉悦感"高值(9.22%)显著集中在体育中心和花城广场附近的商业型街道
  • "归属感"高值(14.95%)显著聚集在商业型街道，低值(15.35%)聚集在靠近住宅区街道

影响因素分析

表4 城市街道空间要素与适老性水平的双变量全局莫兰指数

环境要素 可步行性 活动性 安全感 愉悦感 归属感
绿视率 0.017 0.456*** 0.273*** -0.064* -0.221***
开敞度 0.208*** -0.060* 0.048 0.165***```html 0.208***
拥挤度 -0.097*** -0.055* -0.091*** -0.067* 0.080***
围合度 -0.074*** 0.104*** 0.028 -0.118*** -0.252***
人行道占比 0.007* -0.014 0.004 0.000 -0.029*
场景多样性 0.049*** 0.026* 0.070*** 0.042* 0.107***

关键发现：

  • 可步行性：开敞度是最重要的正相关因素，人行道占比有微弱正相关，拥挤度和围合度有微弱负作用
  • 活动性：绿视率是最重要的正相关因素，开敞度有较强负作用
  • 安全感：绿视率是最重要的正相关因素，场景多样性有微弱正相关，拥挤度有微弱负相关
  • 愉悦感：开敞度是重要正相关因素，绿视率和围合度是重要负相关因素
  • 归属感：所有环境要素均产生显著影响，开敞度、拥挤度、场景多样性呈正相关，绿视率、围合度、人行道占比呈负相关

空间计量模型比较：

SEM模型的R²和LogL均高于SLM模型，而AIC较低，证明城市街道适老性水平存在空间效应及SEM模型更适用。

SEM模型对不同适老性水平指标的解释度均高于34.2%，对"归属感"的解释度高达53.9%。

讨论与结论

研究意义

方法创新

  • 数据来源更贴近真实人本视角，代表人日常使用的街道环境
  • 弥补传统调查方法耗时费力的不足，实现快速、大规模、精准评价
  • 影响因素分析考虑空间效应，拓展空间统计学方法在中微观尺度的应用

实践价值

  • 为老龄友好城市建设相关政策制定提供参考
  • 为适老化街道规划设计提供精细化、具身性依据
  • 精准确定重点优化位置和针对性目标

规划启示

高密度住宅区街道

  • 植入适老性蓝绿空间提升舒适度
  • 配备智能监控和安全标识系统
  • 增加垂直绿化和景观设施多样性
  • 减少视线障碍物提高开敞度

滨水街道

  • 系统性设置适老性娱乐活动设施
  • 适当减少树荫提升天空可视率
  • 设置风雨廊架满足观赏和避雨需求
  • 优化微气候环境减少蚊虫滋扰

住宅区街道

  • 减少视觉立面硬质材料使用
  • 增加软质材料创造温馨体验
  • 融入当地文化特征的多样性景观
  • 激发老年人的记忆和情感联结

主要结论

  1. 方法可行性： 基于人视街景图像，结合机器学习和空间统计学方法，实现了快速、精准的城市街道适老性水平评估，并揭示了其空间效应和关键影响因素，为适老城市街道环境研究提供了新方法。
  2. 空间分布特征： 街道适老性水平指标在研究区存在中等偏高程度的空间聚集性，商业型街道、靠近住宅区的街道和滨水街道差异显著。商业型街道和靠近低密度住宅区的街道适老性水平较高，靠近高密度住宅区的街道较低。
  3. 影响因素差异： 不同街道环境要素对适老性水平的影响存在差异。绿视率、开敞度和围合度影响较强，拥挤度、人行道占比与场景多样性作用较弱。精准确定重点优化位置、提出针对性目标和调整环境要素耦合关系有助于整体适老性水平提升。

研究局限

数据精度

语义分割与残差神经网络模型训练精度有限，难以完全准确识别环境要素与适老性水平，结果可能与实际情况存在偏差。

评价方法

环境适老性水平数据主要来源于主观评价，未来可结合养老服务设施数量、可达性等客观环境数据进行更全面分析。

时间维度

采用数据为截面数据，缺乏纵向对比，无法识别因果关系，未考虑时间、天气等变化带来的影响。

扩展应用

未来可通过增加人视角度数据集、扩大评价样本量、提升算法性能以提高结果准确性，并开展追踪调查完善研究。