本研究通过有序逻辑回归模型，结合街景图片和街道数据，分析了街道空间质量与建筑环境属性的关系。通过Kappa分析和相关性分析，确定了影响街道空间质量的因素，并绘制了质量分布图。这些因素与街道质量的不同维度相关联，对改善街道质量政策有指导意义。
【论文题目】
Associations between the quality of street space and the attributes of the built environment using large volumes of street view pictures
【题目翻译】
利用大量街景图片研究街道空间质量与建筑环境属性之间的关联
【期刊信息】
Environment and Planning B: Urban Analytics and City Science，Volume 49, Issue 4，December 3, 2021，
【作者信息】
Shuangjin LI，中国北京清华大学建筑学院；日本广岛县东广岛市广岛大学国际协力研究科
Shuang Ma，中国北京清华大学建筑学院；日本东京大学先进科学技术研究中心；日本广岛县东广岛市广岛大学亚洲安全交通研究中心
De Tong，中国深圳北京大学深圳研究生院城市未来实验室
Zimu Jia，中国北京清华大学建筑学院
Pai Li，中国北京清华大学建筑学院
Ying Long，中国北京清华大学建筑学院；中国北京清华大学恒隆房地产研究中心，ylong@tsinghua.edu.cn
【论文链接】
https://doi.org/10.1177/23998083211056341
【关键词】
街景图片，街道空间质量，建筑环境，有序逻辑模型，虚拟审计平台
【本文亮点】
-
本研究关注街道空间质量与建筑环境属性之间的关联。
-
建立一个有序的逻辑回归模型，结合大量街景图片（SVPs）和街道位置、形式、功能及属性的数据。
-
通过Kappa分析检查了专家评分的一致性，并分析了围合度、人尺度、透明度、复杂性和可图像性五个维度之间的相关性，同时绘制了街道空间质量的分布图以确定哪些建筑环境因素影响街道空间质量。
-
对于街道质量指数，所有变量均具有统计显著性。变量的影响顺序为：近线率 > 高宽比（D/H比） > 坡度> 街道长度 > 距行政中心距离> 兴趣点（POIs）多样性。
-
各个变量对街道质量的各个维度具有不同的关联，这些发现对制定改善街道质量的相关政策措施具有重要意义。
【摘要】
在本研究中，我们关注备受关注的街道空间质量。我们通过一个有序的逻辑回归模型，结合大量街景图片（SVPs）和街道位置、形式、功能及属性的数据，探讨了街道空间质量与建筑环境属性之间的关联。在确定哪些建筑环境因素影响街道空间质量之前，我们通过Kappa分析检查了专家评分的一致性，并分析了不同维度之间的相关性，同时绘制了街道空间质量的分布图。结果显示，不同人员对街道空间质量评分的交并比（Intersection over Union）为85.61%。青岛中心城区超过75%的街道空间质量处于中等水平，未观察到明显的两极分化。此外，对于街道质量指数，所有变量均具有统计显著性。变量的影响顺序为：近线率 > 高宽比（D/H比） > 坡度> 街道长度 > 距行政中心距离> 兴趣点（POIs）多样性。D/H比、近线率、坡度、街道长度、距行政中心距离及POIs多样性对街道质量的各个维度具有不同的关联。这些发现对制定改善街道质量的相关政策措施具有重要意义。
【引言】
街道是城市公共空间的基本组成部分。街道空间质量指的是人们对街道空间整体环境的感知（Middleton, 2018；Tang和 Long, 2019）。具有良好空间质量的街道可以对市民的生活质量和便利设施产生积极影响（Zhang et al., 2019）。优质的街道环境还能增强用户之间的社会互动，并促进居民的健康行为（Shahideh, 2013）。以往关于街道质量的研究关注了诸如一致性、可读性和连通性（Ewing 和Clemente, 2013）、开放性（Li et al., 2017）、丰富性和多样性（Shahideh, 2013）、安全性、连续性、舒适性和吸引力（Fruin, 1971）、包容性（Owens, 1993）以及步行性和物理杂乱（Nagata et al., 2020；Marco et al., 2015）等方面。在过去的10年中，大量街景图片（SVPs）的可用性不断增加，促使许多研究者尝试在大规模上识别街道质量（Tang 和Long, 2017；Ye 和Nes, 2014；Zhang et al., 2019）。
传统的基于调查、实地观察或访谈的方法在大规模研究街道质量时面临时间和经济成本巨大的限制（Appleyard 和Lintell, 1972；Gehl 和Gemzøe, 1996；Sallis et al., 1997；Shahideh, 2013；Downs 和Seta, 1977；Rahimiashtiani 和Ujang, 2013）。相比之下，使用SVPs可以避免这些缺点，有效且经济地评估大规模街道空间质量。街道图片反映了真实的街道场景，可以通过反复比较获得更准确的街道质量评估。
尽管有这些进展，使用大量SVPs进行街道质量评估仍面临一些挑战。第一个挑战是图像分割技术仍面临技术限制，尚未解决。图像分割技术的发展支持了对SVPs视觉信息的定量计算，如树木、天空、建筑物、行人和窗户。这些元素促使通过绿化、开放性、包容性和机动车化等维度评估质量（Liu et al., 2017；Tang和 Long, 2019；Zhang et al., 2019）。然而，图像分割技术主要通过颜色检测物体，因此无法有效区分颜色相同的不同物体（如绿色立面和农田）（Ma et al., 2021）。此外，当出现不寻常的视觉元素，如街头艺术或非典型建筑时，分类也很困难（Naik et al., 2014）。因此，像复杂性和可视性这样的维度难以通过图像分割技术评估。此外，尽管图像分割技术已被应用于评估人类尺度（Shen et al., 2017），但依赖SVPs的自动化评估研究仅考虑了有限的物理特征，如小型花盆的数量和窗户的百分比（Nagata et al., 2020）。为克服这一不足，本研究采用了专家手动评分和大规模SVPs虚拟审计平台的结合。
第二个挑战是专家小组的评分是否可靠且一致，以估算质量结果。人们在对街道空间质量进行排名时有各自的主观感知。不同人的排名差异可能使城市规划者或设计师难以区分哪些街道最需要改造。在以往的研究中，关于英国社区的物理杂乱、物理衰退、危险性和街道安全的观察一致性较高（Odgers et al., 2012）。专家评分也曾在商业街道上进行（Ewing 和Handy, 2009）。然而，将专家小组的评分从"典型"街道扩展到城市中的所有街道，使用SVPs进行扩展将是重要的。
第三个挑战是确定哪些建筑环境因素未被SVPs捕捉到，影响街道空间质量。将建筑环境因素与街道质量联系起来非常重要，因为改善街道质量的政策措施往往针对建筑环境。然而，只有在解决前两个挑战的问题之后，即在增强SVP评估的专家小组和确定专家小组评分的可靠性和一致性后，才能进行建筑环境因素的评估。因此，此评估在完成前两个挑战的分析后进行。
在上述研究的设计过程中，作者还面临了维度之间相关性的问题。在考虑了51种城市设计感知特质后，Ewing 和Handy (2009) 的经典研究验证了五个代表街道质量的维度，即包容性、人类尺度、透明性、复杂性和可视性。然而，现有研究尚未检查这些定义维度之间的关系。如果维度之间相关，则可能不需要评估所有维度，从而减轻计算负担。这在比较不同社区或城市的大规模街道质量时尤其重要。因此，在本研究中，我们还使用Kappa分析检查了Ewing 和Handy (2009) 提出的五个维度是否彼此相关。
鉴于上述情况，本研究探索了使用大量SVPs结合街道位置、形式和功能的数据来解决上述挑战的方法，以覆盖中国青岛市中心所有街道（有关更多信息，请参见"研究区域"和补充材料中的补充图S1）。首先，我们收集了SVPs，并通过虚拟审计平台请求专家小组对街道质量进行评分。其次，我们通过Kappa分析检查了专家评分的一致性以及不同维度之间的相关性。第三，绘制了街道空间质量的分布图。最后，我们应用有序逻辑模型探讨了街道属性、位置、形式、功能与街道质量之间的关联。我们期望我们的研究能够提供一种额外的手段来测量城市街道环境的主观质量，并拓宽发现街道空间质量与建筑环境属性之间关联的研究范围。
在本文的剩余部分，首先将进行文献综述，以将本文定位于文献中。第三部分描述了研究区域、详细方法和影响因素的选择。第四部分对青岛市中心地区进行实证研究。最后一部分给出结论性意见以及潜在应用和局限性。
【文献综述】
近年来，研究人员对在更大规模上应用街景图像（SVPs）来研究街道质量的兴趣不断增加（Anguelov et al., 2010; Curtis et al., 2013; Dubey et al., 2016; Griew et al., 2013; Harvey et al., 2015; Li et al., 2015; Liu et al., 2017; Naik et al., 2014; Rundle et al., 2011; Shen et al., 2017）。如前所述，SVPs的主要优势在于能够捕捉街道层面的空间信息，这大大降低了数据获取的成本。在此，我们介绍了利用 SVPs 识别街道质量的主要研究，以更好地将本研究定位于现有文献中（见表 1）。
大多数基于 SVPs 的街道质量研究依赖于图像分割技术，如MATLAB（Long and Liu, 2017）、SegNet（Tang and Long, 2019; Ye et al., 2019），以及人工神经网络和支持向量机（Wang and Yin, 2016; Zhang et al., 2018）。图像分割技术在研究街道空间质量方面存在局限性，因为它关注物理特征的比例（如建筑物、窗户、道路、树木和自行车）以及其他有限的维度来表示街道质量，未能全面反映街道质量。例如，Long 和Liu（2017）选择了绿化来反映中国城市的街道质量，而 Ye 等人（2019）应用了街道绿化、多样性、天空视角和行人空间来代表街道质量，数据来源为百度地图的 140,000 张SVPs。Tang 和 Long（2019）收集了 51,356 张SVPs，使用了街道绿化、墙体连续性和横截面比率来评估街道质量。Wang 和Yin（2016）使用了天空比例来评估布法罗的街道质量，数据来源为谷歌街景的 3592 张SVPs。
一些学者采用了其他方法来识别 SVPs 基于的街道质量，以捕捉更多维度。例如，Salesses等人（2013）基于图像被选择的频率研究了安全感和图像独特性的感知。Hara 等人（2012）提出了一种众包方法，使用谷歌街景的 100 张SVPs 评估洛杉矶和纽约市的行人道可达性。不幸的是，这些先前的研究中没有考虑所选维度之间的相关性。此外，对于建议的方法，如众包或图像比较，其排名一致性也未得到验证，这可能是一个潜在的弱点，因为街道质量的评估可能因人而异。这些评估街道空间质量的缺口可能会给进一步规划带来困难。唯一检查评分一致性的研究是 Odgers 等人（2012）和Rundle 等人（2011），但Rundle 等人（2011）仅比较了 SVPs 和实地观察的一致性，而Odgers 等人（2012）仅检查了街道安全和物理混乱的意见一致性。
此外，少有研究探讨街道质量与建成环境属性之间的关系。Long 和Liu（2017）使用线性回归分析了城市规模、道路设计、水体、人口密度、海拔、地理位置、温度和湿度对城市绿化率的影响。Wang 和Yin（2016）检查了天空比例与街道上的树木和建筑高度之间的关系。然而，只有非常有限的街道质量或建成环境属性被用来探索它们之间的关系。对街道质量与其他建成环境因素之间关系的进一步研究仍然是必要的。
为了填补这些研究空白，本研究提供了一个虚拟审计平台，以支持专家对五个维度（围合度、人尺度、透明度、复杂性和形象性）的规模化评分。随后，检查了专家评分的可靠性，并评估了各维度之间的相关性。该过程使我们能够将 SVP 图像中的信息转化为街道感知质量的客观测量。通过增加街道形式、属性、位置和功能等建成环境方面，本研究还探索了建成环境与街道质量之间的关联。本研究可以为未来的街道质量识别提供指导。
表 1. 通过街景图像（SVPs）评估街道质量的现有研究。
【数据与方法】
3.1.评估街道空间质量的方法
3.1.1.简化街道
从腾讯地图获取的道路/街道数据，包括城市道路、步行街道、狭窄通道和小巷，具有更新速度快和空间覆盖范围广的优点，因为它覆盖了整个国家。为了进行分析，按照Long和Liu（2017）的方法，在ArcGIS平台上对街道进行了简化。简化后，剩下了12,972条街道，总长度约为3893公里（平均每条街道0.31公里）。
3.1.2.获取街景图片（SVPs）
通过应用编程接口（API）从腾讯地图（http://map.qq.com）下载街景图片。我们以每条街道的中心点作为观察点，因此在Python中从https://map.qq.com（访问日期：2017年11月18日）捕获了覆盖研究区域内12,972条街道的51,888张图像。
3.1.3.通过虚拟审核标记质量评分
我们开发了一个虚拟审核平台，包含了街道空间质量的16个项目，针对封闭性、人性化尺度、透明度、复杂性和可视性五个维度（详细信息见补充表S1；四个方向的图像见补充图S2）。对于每个街道观察点，专家将看到四张街景图片，分别代表左、右、前、后的四个方向。对于每个维度，如果在四张街景图片中至少有一个项目存在，则专家给出1分；如果没有相关项目，则给出0分。街道质量指数（SQI），即五个维度的总评分，用于表示综合的街道空间质量。SQI的值最高为5，最低为0。
3.1.4.影响因素的规格说明
预期影响街道质量感知的建成环境因素包括街道形式、街道属性、街道位置和街道功能，这些因素从道路/街道数据、建筑信息、数字高程模型（DEMs）、兴趣点（POIs）和城市行政中心计算得出。补充表S2包含了影响因素、数据、来源和计算方法。由于其他因素在其他研究中也常见，这里仅解释了与街道空间布局相关的两个主要元素：近线率和D/H比率。近线率是指与建筑立面交叉的边缘的比例，从而形成街道墙，反映了街道墙的连续性（Harvey et al., 2015）。高近线率意味着建筑之间的"死空间"较少，例如空地和停车场（Ewing and Handy, 2009）。特别是，街道的近线率影响街道空间的连续性，而D/H比率影响街道空间的封闭性（Im, 1987；Kim and Kim, 2019；Handy et al., 2002）。在本研究中，每条街道的近线率报告为两侧的平均值。D/H比率是指开放空间（D）（如公共广场和街道）的宽度（或距离）与周围建筑物的高度（H）的比率（有关街道简化、获取SVPs和选择影响因素的更多信息，请参见"评估街道空间质量的方法"补充材料）。
3.2.应对街道空间质量挑战的方法
3.2.1.评审者间评价
我们组建了一个由五名具有城市规划、城市设计或建筑背景的志愿者组成的专业小组，并通过一本指南进行了培训。该指南解释了五个维度下所有16个项目的含义，并展示了相关图像。评估在虚拟审计平台上进行。为了避免偏差，选择这五名志愿者的标准是他们必须在各自领域拥有至少3年的专业学习经历；在选择过程中未考虑社会人口因素，如性别、年龄和经济状况。在评审者间评价中，我们随机选择了264个调查点，并使用交集与并集比（Intersection over Union, IoU）来衡量评分结果的相似性和多样性。我们验证了85.61%的街道手工评分的一致性。
3.2.2.Kappa分析
由于本研究中使用的五个维度的变量是二元的，我们首先进行了Kappa系数分析，以检查围合度、人尺度、透明度、复杂性和可图像性之间的相关性。这是为了检查这五个选定维度是否适用，并为进一步测量街道质量提供重要基础。
3.2.3.建成环境与街道空间质量的关联
我们应用了有序逻辑回归（logit）模型来探讨建成环境因素与街道质量的相关性（详细信息见"有序逻辑回归模型"在补充材料中）。有序逻辑回归是一种有前景的工具，因为它简单且计算速度快（Kropat et al., 2017）。基于这种方法，Yuko等（2009）研究了癌痛与各种影响疼痛控制的因素之间的关系。Yang等（2019）应用有序逻辑回归模型研究了睡眠质量与不同年龄组的Eysenck人格四个指标之间的关系。在建成环境方面，Berg等（2016）考察了孤独感与建成环境属性之间的关联。
本研究的方法框架如下所示：
【结果】
4.1. 评审者间评价结果
为了检查专家手工评分的一致性，我们随机选择了青岛市中心的264个调查点（见上图1）。其中226个点在所有维度上的评分一致。只有38个点存在不一致（其中围合度出现了9次，人尺度21次，透明度5次，可图像性4次）。IoU为85.61%，表明手工评分具有较高的一致性（有关详细信息，请参见补充材料中的"评审者间评价结果"）。
图1. 方法论框架。
图2. 街道空间质量相关的五个维度之间的相关性。
4.2.街道质量空间分布
Kappa分析的结果如图2所示。围合度、人尺度、透明度、可图像性和复杂性这五个维度彼此相对独立，因此，从这些维度评估街道空间质量是合理且可行的。
关于街道质量的空间分布（图3(a)--(f)），青岛市中心的平均SQI为1.73，SQI值为0、1、2、3、4和5的街道数量分别占总街道数的4%、38%、39%、15%、3%和1%。SQI值为5的街道大多分布在香港中央路镇区。SQI值为4、3和2的街道主要位于SQI值为5的街道北部。
图3. 青岛市中心地区的SQI和五个维度的评分分布。建成环境与街道空间质量的关联。(a) 总体街道质量。(b) 围合度评分。(c) 人尺度评分。(d) 透明度评分。(e) 复杂性评分。(f) 形象性评分。
此外，在五个维度中，青岛市中心有54.93%的街道具有人尺度，53.94%的街道具有透明度，43.54%的街道具有复杂性。可图像性（占所有街道的12.48%）和围合度（占所有街道的9.03%）相对较低，因此，在街道设计中改善可图像性和围合度可能对提升街道质量至关重要。中南西区在每个维度上的街道质量都较好，唯独在围合度维度上表现较差。街道质量的空间分布不仅提供了在大规模上评估街道质量的有效方法，还可以为研究建成环境与街道空间质量的关联设定基准。
4.3.建成环境与街道空间质量的关联
我们进一步应用有序逻辑模型来探讨街道形式、街道属性、街道位置、街道功能与街道质量之间的关联。图4显示了优势比和颜色（橙色表示系数在0.1水平下显著）。对于SQI，所有变量都是统计显著的。排序如下：近线率 > D/H比率> 坡度 > 街道长度> 距离行政中心的距离 > POIs多样性。POIs的多样性指的是特定街道上POIs的多样程度。对于围合度，所有变量都是统计显著的，除了坡度。近线率对围合度的影响最为重要，其次是POIs多样性。这与Ewing和Clemente（2013）的研究结果一致，该研究建议高近线率在心理上提供了"围合感"。D/H比率对围合度有负面影响。
图4. 从有序逻辑回归模型中得到的森林图，展示街道空间质量与建成环境之间的关联。注：所有模型系数已标准化。系数用橙色表示在0.1水平下显著。系数的置信区间为95%。* p < 0.10，** p < 0.05，*** p < 0.01。
在人尺度方面，情况与围合度类似，即所有变量都是统计显著的，除了坡度。POIs多样性的优势比值最大，其次是D/H比率。近线率、街道长度、距离行政中心的距离和POIs多样性对人尺度有负面影响，这意味着这些变量的增加会减少人尺度。此外，本研究还发现，街道长度与人尺度负相关，这与先前的研究一致。例如，Moughtin（1991）建议街道的无障碍长度上限大约为1500米至一英里，超过此距离，人尺度会丧失。根据Jacobs（1961），短街道可以创造更多的多样性和人性化空间。关于距离行政中心的距离，靠近城市行政中心的街道可能由于与中央区域相关的建筑类型或土地使用（例如大规模办公楼或政府办公室）而具有较低的人尺度。POIs多样性代表了街道的混合功能，原本预期对人尺度有正面影响，但结果与预期相反，优势比为负。检查了具有较高POIs多样性的SVPs后，我们发现确实缺乏如步行空间、街道家具和公共艺术等人尺度元素。此外，有限的步行空间被地面停车场占据。
在透明度方面，D/H比率、近线率和POIs多样性是统计显著的，但坡度和街道长度则不是。在复杂性方面，排序如下：距离行政中心的距离 > POIs多样性> D/H比率。POIs多样性的影响为正，而其他两个显著变量的影响为负。对于可图像性，D/H比率、近线率、坡度和POIs多样性是统计显著的。增加POIs多样性和坡度可以提高可图像性。
【讨论和结论】
5.1.讨论
本研究在Ewing和Handy（2009）的经典研究基础上，使用了围合度、人尺度、透明度、复杂性和可图像性五个维度来评估街道质量。通过Kappa系数分析，我们发现这些维度彼此相对独立，这进一步确认了这些维度可以用来量化街道质量。我们将专家评分扩展到中国青岛市的所有街道类别，发现专家小组在评估所有城市街道时的一致性很高，IoU达到85.61。透明度和可图像性的评分一致性较高，但人尺度的评分一致性较低。为了防止评分者的偏差选择，Odgers等人（2012）招募了具有生活和工作经验的个人，他们认为这些人最能校准对当地社区条件的评估。他们还为招募的人员提供了30小时的培训，并预先选择了20个社区来检查一致性水平，发现这种培训导致了招募人员之间的高一致性。在进一步的研究中，我们计划邀请具有研究区域生活或工作经验的专家，以检验这是否会影响评估的一致性水平。
关于建成环境因素的分析，我们建议以下几点来指导城市设计实践。首先，从多个维度的角度来看，增加POIs的多样性可以提高街道质量。由于增加POIs的多样性可能对人尺度产生负面影响，设计街道时应整合其他措施，如扩展户外餐饮和人行道。其次，研究发现青岛的围合度和可图像性不足。为了增强围合度，应建设更多连续的街道墙。然而，考虑到高近线率可能对可图像性产生负面影响，在增加连续街道墙时需要避免单调的墙面，并考虑道路建筑的颜色、形状、高度和立面。第三，减少街道长度可以从多个维度提高城市质量。在城市再生项目中，通过规划较小的社区规模来减少其他街道的长度以及城市主干道的长度。此外，可能只保留具有良好围合度的长街道。第四，由于行政中心附近的街道质量较低，应该提供更多的人尺度设施。这些发现对规划街道质量的改进具有深远意义。
5.2.结论
本研究以中国青岛市中心区域为研究对象，探讨了街道空间质量的空间分布。我们展示了一种替代的方法，通过虚拟审核平台检验专家小组评分的一致性，并使用有序逻辑模型检查建成环境因素与街道空间质量之间的关联。研究发现，专家的手工评分达到了高度共识。此外，我们确认围合度、人尺度、透明度、复杂性和可图像性在反映街道空间质量时彼此独立。
在青岛，超过75%的街道位于中等水平，最高的SQI值集中在靠近海岸或新开发区域的西南区域。然而，该市街道在围合度和可图像性维度的评分相对较低。分析发现，所有建成环境变量在统计上显著，排序如下：近线率 > D/H比率> 坡度 > 街道长度> 距离行政中心的距离 > POIs多样性。较高的近线率可以带来较高的街道复杂性，但降低人尺度和透明度。POIs的多样性可以从多个维度改善街道质量。在城市再生过程中，可以通过规划较小的街区或社区来减少其他街道的长度。
本研究扩展了发现街道空间质量与建成环境属性之间关联的方法范围。研究结果具有以下潜在应用：首先，验证了使用围合度、人尺度、透明度、复杂性和可图像性这些维度在大规模城市级别研究街道质量的可行性。其次，提出了一种通过虚拟审核平台和专家小组评估街道质量的简便方法。第三，研究揭示了建成环境与街道质量之间的关联，这些关联可以应用于街道设计和管理，以改善市民的生活环境。第四，为地方政府提供了青岛市中心街道质量的客观评估，这可以帮助城市管理者和规划师确定街道空间的关键方面和具体位置，以进一步进行城市设计。第五，研究结果可以作为未来研究的补充信息，涵盖居民路线选择、旅行时间和公共健康等多个领域。
5.3.局限性与未来步骤
本研究仍存在一些限制，需要在未来进一步探索。首先，通过SVP评估街道空间质量涉及主观评估。其次，图片是在特定时间拍摄的。第三，本研究仅关注街道本身的属性，但未关注周边建成环境，包括土地使用、步行量等，这些因素可能会影响街道质量。
进一步的研究可以在以下方向上扩展本研究。在本研究中，我们建立了一个虚拟审核平台，将物理特征与专家小组对街道质量的评分联系起来。通过虚拟审核平台进行的手工评分结果可以为进一步的机器学习方法提供基础。这些机器学习方法可以应用于量化中国更多城市的街道质量，并检查青岛的建成环境与街道空间质量之间的关联是否适用于其他城市。
5.4.资金来源
作者披露了以下研究、著作和/或发表本文的财务支持：我们感谢中国国家自然科学基金（资助号：51778319 和71834005）对本研究的资助。