论文深度解析：基于大语言模型的城市公园多维度感知解码与公平性提升
原文：Beyond sentiment: Using large language models to decode multidimensional urban park perceptions for enhanced equality
摘要
本文针对城市公园感知测量的精细化不足与公平性评估缺口，提出了一套融合社交媒体数据与大语言模型（LLM）的创新分析框架。通过领域适配微调开发的Park-Perception-LLM模型，实现了对感知可达性、可用性、吸引力三大核心维度83%-91%的高精度分类。将该感知指标创新性地融入增强两步浮动集水区法（E2SFCA），以香港高密度城市为案例，系统揭示了公园质量与数量的空间不平等及错配模式。借助多元回归模型，深入挖掘了公园内部特征、宏观建成环境、微观街道景观及时间因素对感知的影响机制。研究为以公民体验为核心的绿地规划提供了可扩展的数据分析工具，对推动城市宜居性提升与社会公平具有重要理论与实践价值。
1. 引言（Introduction）
1.1 研究背景与核心意义
城市公园作为可持续城市发展的关键绿色基础设施，承担着多重生态与社会功能：改善城市微气候、维护生物多样性、提供休闲游憩空间，同时在促进居民身心健康（Callaghan et al., 2021）、缓解社会隔离（Heine et al., 2025）等方面发挥着不可替代的作用。随着联合国预测2050年全球超三分之二人口将聚居城市，确保所有居民公平获取高质量绿地资源已成为紧迫的全球议题，这与联合国可持续发展目标11.7（为各代人提供安全、包容的公共空间）高度契合。
传统城市公园规划与评估存在显著局限：一方面，规划多依赖"3-30-300"规则（3米宽绿道、30%绿地覆盖率、300米可达距离）等静态量化指标（Konijnendijk, 2023）；另一方面，现有可达性评估聚焦公园数量（如面积、距离），却忽视了驱动居民实际使用的多维度质量属性（Battiston & Schifanella, 2024）。尽管部分研究尝试通过遥感数据提取绿地覆盖率、水体占比等客观指标衡量质量，但大量实证表明，客观条件与用户主观体验常存在显著偏差（Liu et al., 2024）。例如，面积相近的两个公园，可能因设施完善度、景观设计、可达便利性等差异，导致居民使用频率与满意度截然不同。这种"重数量、轻质量""重客观、轻主观"的评估模式，难以精准匹配公众需求，阻碍了真正以公民为中心的绿地规划实践。
1.2 研究缺口（Research Gaps）
现有研究在公园感知测量与公平性评估中存在三大核心缺口，构成了本文的研究出发点：
1.2.1 感知测量的维度局限
现有社交媒体数据分析多聚焦单一情感倾向（正面/负面）或视觉内容分类（Ghermandi et al., 2022），未能系统捕捉与城市规划直接相关的多维度感知（如"是否容易到达""设施是否好用""是否愿意主动前往"）。尽管LLM在自然语言理解领域展现出强大潜力，但尚未有研究系统验证其在公园多维度感知分类中的性能，缺乏可推广的标准化测量方法。
1.2.2 公平性评估的整合不足
现有研究存在二元分裂：一类仅关注公园感知质量的空间分布（Huai et al., 2023），另一类仅基于公园面积等客观指标评估可达性（Cheng et al., 2019），均未将主观感知与可达性框架深度整合。少数尝试整合的研究，也仅将情感倾向或单一客观属性作为质量代理变量（Zou et al., 2024），无法揭示"高容量低质量""低容量高质量"等复杂空间错配，难以全面反映居民未被满足的需求。
1.2.3 影响机制的研究薄弱
现有研究多将环境变量与单一情感指标关联（Kong et al., 2023），缺乏对多维度感知（可达性、可用性、吸引力）影响因素的系统拆解。同时，宏观建成环境（如周边设施密度）、微观街道景观（如绿视率）、时间因素（如季节、温度）对感知的交互作用尚未被充分揭示，缺乏严谨的统计建模分析，导致规划建议缺乏精准的实证支撑。
1.3 研究目标与核心问题
本文围绕三大核心研究问题展开，旨在填补上述研究缺口：
- 如何融合领域知识微调大语言模型，实现对公园多维度感知（可达性、可用性、吸引力）的高精度、标准化评估？
- 如何构建感知加权的可达性框架，系统揭示公园质量与数量的空间不平等及错配模式？
- 公园内部特征、周边环境及时间因素如何影响多维度感知，其作用机制是什么？
研究通过"模型开发-可达性评估-影响因素分析"的三阶段 workflow（图1），形成完整的分析闭环，为城市公园规划提供数据驱动的决策支持。
2. 研究区域（Study Area）
本文选取香港作为高密度城市案例，其独特的城市特征为研究提供了理想场景：
2.1 区域核心特征
- 人口与空间分布：2023年香港总人口超750万，仅集中在25%的土地上（约278 km²），其余75%为郊野公园及保护区，空间紧凑度极高（C&SD., 2024）。
- 行政与规划背景：香港分为香港岛、九龙、新界三大区域，下辖18个行政区（图2）。空间规划以自上而下为主，新开放空间多布局在商业核心区或高端混合用途区域，普通居民区绿地供给不足，加剧了公园分配的不平等（Tang, 2017）。
- 规划标准局限：现行规划标准仍聚焦人均休闲空间面积等量化指标，对维护水平、使用便利性、景观美学等质性维度关注不足（Sheikh & van Ameijde, 2022）。
- 研究适配性：高密度环境下，公园质量对居民使用决策的影响显著高于距离因素（Wang et al., 2022），亟需突破传统数量导向的规划逻辑，验证感知驱动的评估框架有效性。
图2 香港18个行政区及158个样本公园的空间分布。黑点代表研究选取的城市公园，可见公园在香港岛、九龙等核心城区分布更为密集，新界部分区域存在明显的绿地供给缺口。
3. 公园感知维度定义（Park Perceptions of Interest）
基于Biernacka & Kronenberg（2018）的绿地供给理论框架，结合区域研究实践（Zhang & Tan, 2019; Zhao et al., 2024），本文定义了三个相互补充的核心感知维度，全面覆盖用户从"到达"到"使用"再到"偏好"的全流程体验：
| 感知维度 | 核心定义 | 关键影响因素 | 实践意义 |
|---|---|---|---|
| 感知可达性（Perceived Accessibility） | 访客对"到达公园难易程度"的主观判断，涵盖距离感知、交通便利性、步行路径舒适度等 | 实际距离、公交/地铁覆盖、步行道条件、感知障碍（如道路阻隔） | 比客观距离更能预测公园使用频率（Wang et al., 2015），是影响使用决策的核心前置因素 |
| 可用性（Usability） | 公园设施满足用户功能需求的程度，聚焦"使用过程中的实用性与舒适度" | 设施类型（卫生间、运动设施等）、设施维护状况、设施充足性、适配性（如儿童/老年友好） | 直接决定用户使用体验与满意度，是提升公园使用频率的关键（Moran et al., 2020） |
| 吸引力（Attractiveness） | 公园的整体魅力与"主动访问意愿"，涵盖美学价值、自然体验、文化氛围等 | 景观设计、自然元素（水体、植被）、文化设施、安静度、美学多样性 | 驱动居民自愿前往与停留时长，符合"推-拉"理论中的"拉力因素"（Zhan et al., 2024） |
这三个维度的选择具有明确的理论依据：Biernacka & Kronenberg（2018）将绿地供给分为"可用性（Availability）、可达性（Accessibility）、吸引力（Attractiveness）"三个层次，其中"可用性"已通过传统可达性模型（如距离、容量）捕捉，本文聚焦更能反映主观体验的后三个维度，形成"感知可达性-可用性-吸引力"的完整评估体系。
4. 文献综述（Review of Related Studies）
4.1 景观感知研究的理论基础
景观感知研究源于环境心理学，核心关注人类与环境的互动机制，形成了多个经典理论框架，为本文感知维度的构建提供了坚实的理论支撑：
4.1.1 经典自然景观感知理论
- 注意力恢复理论（Attention Restoration Theory, ART）：Kaplan & Kaplan（1989）提出，自然景观通过"远离性（Being Away）、延展性（Extent）、吸引力（Fascination）、兼容性（Compatibility）"四个维度，帮助人类恢复认知资源，缓解精神疲劳。该理论强调自然元素对感知体验的核心作用，为本文"吸引力"维度中自然元素的影响分析提供了理论依据。
- 前景-庇护理论（Prospect--Refuge Theory）：Appleton（1975）从进化心理学视角出发，认为人类天生偏好"前景（开阔视野、可观察环境）"与"庇护（安全围合、可躲避风险）"兼具的环境。后续研究将其扩展至"神秘性（Mystery）""视觉复杂性（Visual Complexity）"等维度（Dosen & Ostwald, 2016），为公园景观设计与吸引力评估提供了理论参考。
- 复杂性-唤醒模型（Complexity--Arousal Model）：Berlyne（1971）提出，人类对景观的美学偏好与视觉复杂性呈倒U型关系------适度的复杂性能激发最佳唤醒水平（Stimulation），过度简单或复杂则会降低偏好。这一理论解释了为何单调的街道景观会削弱公园吸引力（本文后续实证结果支持该结论）。
4.1.2 建成环境感知研究的延伸
随着研究焦点向城市空间转移，学者们将景观感知理论扩展至建成环境，形成了针对城市公共空间的感知评估框架：
- 步行环境感知维度：Ewing & Handy（2009）通过专家评估识别了步行环境的五大核心感知维度------人性化尺度（Human Scale）、围合感（Enclosure）、透明度（Transparency）、复杂性（Complexity）、可识别性（Imageability），为本文微观街道环境对公园感知的影响分析提供了参考。
- 大规模城市感知评估：Dubey et al.（2016）基于全球街景图像，通过众包方式构建了MIT Place Pulse 2.0数据集，实现了对"安全、美丽、无聊、富裕、压抑、活跃"六大主观感知的大规模量化，证明了通过图像与文本数据量化城市感知的可行性，为本文多源数据融合分析提供了方法借鉴。
4.2 公园感知量化研究的进展与局限
4.2.1 数据来源的演进
- 传统数据采集方法：早期公园感知研究主要依赖结构化问卷、实地访谈与专家评分（Stessens et al., 2020）。这类方法能获取深度质性信息，但存在劳动强度大、成本高、覆盖范围有限等问题，难以实现城市尺度的动态监测。
- 社交媒体数据（SMD）的崛起：随着移动互联网的普及，Google Maps、Instagram、Twitter等平台的地理标记内容（文本评论、图像、位置轨迹）成为感知研究的重要数据来源（Liu et al., 2015）。与传统数据相比，SMD具有实时性、低成本、大样本、高时空分辨率等优势，其中文本数据能直接反映用户主观体验，是挖掘公园感知的理想载体（Li et al., 2024）。
- SMD的局限性：需注意的是，SMD存在显著的代表性偏差------用户多为活跃互联网使用者，老年、儿童、低收入等群体的声音被低估（Hargittai, 2020; Heikinheimo et al., 2020）。这一局限在后续研究设计中需通过数据验证与结果解读加以规避。
4.2.2 自然语言处理（NLP）技术在感知分析中的应用
针对SMD文本数据的分析，形成了两大技术路径，各有优劣：
- 词典法（Lexicon-based Methods）：通过将文本中的词汇与预设情感词典（如Liu et al.的情感词典）匹配，统计正负向词汇频率以推断情感倾向（Kong et al., 2022; Tang et al., 2023）。该方法简单高效，但仅能捕捉表面情感，无法理解复杂语义（如 sarcasm、隐喻），也难以实现多维度感知分类。
- 深度学习模型（Deep Learning Models） ：
- 早期模型：以LSTM、CNN为代表的模型实现了对文本语义的深层挖掘，但在长文本依赖与复杂语义理解上存在局限。
- Transformer架构模型：BERT（Bidirectional Encoder Representations from Transformers）及其变体（如DeBERTa）通过双向注意力机制，显著提升了长文本处理与语义理解能力，在情感分析、主题分类等任务中表现优于传统模型（Huai et al., 2023; Zhao et al., 2024）。
- 大语言模型（LLMs）：以GPT、DeepSeek为代表的生成式LLM，凭借数十亿级参数量与海量互联网训练数据，具备强大的跨领域泛化能力与语义理解能力（Brown et al., 2020）。已有研究证明LLM能从非结构化文本中挖掘细微的理论构念（Ziems et al., 2024），但在公园多维度感知分类中的应用尚属空白，其性能与适配方法亟待验证。
4.3 公园可达性与公平性评估研究现状
4.3.1 可达性评估模型的发展
可达性是衡量公园公平性的核心指标，其评估模型经历了从简单到复杂的演进：
- 距离法：以公园与居住区的直线距离或网络距离为核心指标，如"300米可达圈"，方法简单但未考虑公园容量与人口需求。
- 机会指数法：结合公园容量（如面积）与人口数量，计算人均公园面积，但未考虑距离衰减效应。
- 两步浮动集水区法（2SFCA）：通过"供给-需求"匹配，考虑距离衰减效应，成为绿地可达性评估的主流方法（Geurs & van Wee, 2004）。
- 增强两步浮动集水区法（E2SFCA）：在2SFCA基础上优化了距离衰减函数与供给-需求匹配逻辑，能更好地适应多模式出行与复杂城市形态（Tao et al., 2023），是本文可达性模型的基础。
4.3.2 公平性评估的局限
现有公平性评估存在两大核心问题：
- 质量代理变量单一：多数研究以公园面积、绿地覆盖率等客观指标作为质量代理变量（Cheng et al., 2019; Liang et al., 2023），忽视了主观感知质量；少数研究尝试整合情感倾向（Zou et al., 2024），但未能覆盖多维度感知。
- 空间错配识别不足：现有研究多关注"有无公园""距离远近"的公平性，未能揭示"有公园但质量差""质量高但难以到达"等复杂错配模式，导致规划干预缺乏精准靶点。
4.4 研究缺口总结与本文创新点
综合上述文献分析，本文的创新点的如下：
- 方法创新：系统 benchmark 多类深度学习模型（多模态编码器、单模态文本编码器、LLM），通过领域适配微调开发高精度公园感知分类模型，填补LLM在该领域的应用空白。
- 框架创新：将多维度感知指标融入E2SFCA模型，构建"感知加权"的可达性评估框架，实现质量与数量的整合分析。
- 视角创新：通过双变量LISA分析识别"质量-数量""可达性-人口"双重错配，结合多元回归揭示感知影响机制，为规划干预提供精准实证支撑。
5. 数据与方法（Data & Methods）
本文采用"数据采集-模型开发-可达性评估-影响因素分析"的四阶段研究设计，整体分析框架如图1所示：
图1 研究整体分析框架，分为三大部分：1）基于社交媒体数据的感知标注与模型微调；2）公园感知时空模式分析与感知加权可达性计算；3）感知影响因素的统计建模，最终形成规划建议。
5.1 数据采集与预处理
5.1.1 公园样本筛选
基于香港地政总署iGeoCom 4.0数据库，提取"休闲设施（RSF）"类别下的"公园（PAR）"，经过去重、合并冗余记录后，得到158个官方认可的城市公园（85%面积大于1公顷）。通过Google Places API获取每个公园的唯一place_id，用于后续评论数据采集。
5.1.2 社交媒体数据采集与预处理
- 数据来源：选择Google Maps评论作为核心数据来源------与TripAdvisor等旅游导向平台相比，Google Maps评论与具体场所强关联，更能反映本地居民的日常体验（Huai & Van de Voorde, 2022）；且62%的评论由"Local Guides"贡献，用户动机为自愿反馈（无金钱激励），数据真实性较高（Rollison, 2021）。
- 采集周期：2015年1月-2024年12月（10年跨度），确保覆盖长期感知模式与季节变化。
- 数据量：共采集68,484条文本评论与72,814张关联图片。其中2015年后新建的14个公园贡献1,768条评论（占比2.5%），因占比低且采用多年聚合感知指标，对整体结果影响有限。
- 数据预处理：剔除无意义评论（如仅含表情、少于3个单词）、重复评论，最终保留有效文本评论68,484条，详细预处理流程见附录A。
5.1.3 辅助数据采集
为分析感知影响因素，采集多源辅助数据，具体如下表所示：
| 数据类别 | 核心指标 | 数据来源 | 处理方法 |
|---|---|---|---|
| 公园内部属性 | 面积、建筑比例、水域比例、内部道路交叉口密度、景观形状指数（LSI）、设施类型（卫生间、运动设施等） | 香港地政总署iGeoCom 4.0、OSM、Google Places | 空间数据标准化处理，设施类型编码为二元变量（有=1/无=0） |
| 宏观建成环境 | 400米缓冲区内公交站/地铁站密度、POI密度（餐饮、文化、商业等）、土地利用混合度（熵值） | 香港运输署、iGeoCom 4.0、3D网络数据 | 400米缓冲区（5分钟步行距离）内聚合计算，土地利用混合度通过熵值法计算 |
| 微观街道环境 | 绿视率（GVI）、天空开阔度（SVF）、街道感知（安全、美丽、无聊等） | Google街景图像、Place Pulse 2.0数据集 | 每50米采样街景图像，通过Mask2Former模型语义分割提取GVI/SVF；ResNet-50模型预测街道感知评分 |
| 社会经济数据 | 65岁以上人口比例、高等教育比例、家庭月收入中位数 | 2022年香港人口普查（LSUG级别） | 按公园所在区域聚合匹配 |
| 气象数据 | 日均温、降雨量、相对湿度、日照时长、季节 | 香港天文台 | 按日聚合，季节编码为虚拟变量（春/夏/秋/冬） |
5.2 感知标注（Labelling Park Perceptions）
由于缺乏香港公园感知的开源标签数据集，本文采用人工标注方法构建训练集，确保标签的准确性与针对性：
5.2.1 标注流程
- 样本筛选：从68,484条评论中随机抽取3,050条作为标注样本，确保样本覆盖不同公园、不同年份、不同情感倾向。
- 标注规则制定：采用三元编码体系------0=负面（如"交通不便""设施破旧"）、1=正面（如"步行可达""卫生间干净"）、2=无关（评论内容与该维度无关），针对"感知可达性、可用性、吸引力"三个维度分别标注。
- 标注人员选择：招募4名具有城市规划/设计背景且长期居住香港的专家作为标注员，确保标注员熟悉本地公园情况与专业术语，减少认知偏差。
- 标注一致性保障 ：
- 预标注阶段：4名标注员共同标注1,000条重叠样本，针对分歧展开讨论，形成统一编码手册，明确各维度的标注边界（如"停车困难"归为感知可达性负面，"座椅不足"归为可用性负面）。
- 正式标注阶段：剩余2,050条样本由标注员独立标注，对不确定标注（如模糊表述）进行小组讨论决议。
- 一致性检验：通过Cohen's Kappa系数检验标注一致性，三个维度的Kappa系数均大于0.75，表明标注结果可靠。
5.2.2 标注结果统计
最终标注样本中，三个维度的有效标注分布如下：
- 感知可达性：相关评论1,452条（47.6%），其中正面1,218条（83.9%）、负面234条（16.1%）；
- 可用性：相关评论2,012条（66.0%），其中正面1,798条（89.4%）、负面214条（10.6%）；
- 吸引力：相关评论1,895条（62.1%），其中正面1,478条（77.9%）、负面417条（22.1%）。
5.3 模型微调与选择（Model Fine-tuning and Selection）
本文对比三类共16个模型，通过"零样本-少样本-有监督微调"三阶段训练，筛选最优感知分类模型：
5.3.1 模型类别与参数设置
| 模型类别 | 具体模型 | 核心参数与配置 |
|---|---|---|
| 多模态编码器 | CLIP（4种权重配置） | 基础模型：openai/clip-vit-base-patch16（预训练于4亿图文对）；权重配置：文本-图像权重比1:1、2:1、4:1，以及Concat融合 |
| 单模态文本编码器 | CLIP-text、DeBERTa、OpenAI text-embedding-3-large | - CLIP-text：关闭CLIP图像通道，仅使用文本编码器； - DeBERTa：基于Hugging Face开源实现，学习率2e-5； - text-embedding-3-large：OpenAI开源文本嵌入模型，嵌入维度3,072 |
| 大语言模型（LLMs） | 商业模型：GPT-4o-mini、GPT-4o、Grok-2； 开源模型：DeepSeek-v3、DeepSeek-r1 | - GPT-4o-mini：采用2024年7月18日快照版； - 开源模型：基于Hugging Face部署，batch size=4 |
5.3.2 三阶段训练流程
- 零样本学习（Zero-shot Learning）：仅通过提示词向模型提供三个感知维度的定义与编码规则（无标注示例），直接让模型对测试集评论进行分类，验证模型的基础泛化能力。
- 少样本学习（Few-shot Learning）：在提示词中添加20个标注示例（覆盖正面/负面/无关三类），增强模型对任务的适配性。少样本学习无需重新训练模型，仅通过提示词优化即可提升性能，是成本高效的适配方法（Parnami & Lee, 2022）。
- 有监督微调（Supervised Fine-tuning） ：选择少样本学习中表现最优的GPT-4o-mini，在全量标注训练集（3,050条×80%=2,440条）上进行有监督微调，开发定制化模型Park-Perception-LLM。
- 微调参数：epoch=5，batch size=8，学习率乘数=1.8，随机种子=42；
- 微调方式：通过OpenAI API上传jsonl格式训练数据，在远程服务器完成训练（确保数据安全与计算效率）。
模型训练的提示词设计示意图如下：
图3 LLM训练提示词设计：（a）零样本/少样本学习通过提示词定义任务与示例；（b）有监督微调将标注数据按jsonl格式上传至OpenAI服务器进行远程训练，确保模型适配领域任务。
5.3.3 模型评估方法
- 核心指标：Top-1准确率（预测类别与人工标注一致的比例），是分类任务的核心评估指标。
- 稳健性验证：对最优模型（Park-Perception-LLM）进行五折交叉验证，将标注样本随机分为5份，轮流以4份为训练集、1份为测试集，评估模型在不同数据分区的性能稳定性。
5.4 感知加权可达性模型（Perception-based Park Accessibility）
本文基于E2SFCA模型，将传统"公园面积"供给指标替换为"多维度感知得分"，构建感知加权可达性模型，具体流程如下：
5.4.1 公园感知得分计算
将最优模型Park-Perception-LLM应用于全部68,484条评论，对每个公园的三个感知维度分别计算得分：
Perception Score=Positive ReviewsRelevant Reviews \text{Perception Score} = \frac{\text{Positive Reviews}}{\text{Relevant Reviews}} Perception Score=Relevant ReviewsPositive Reviews
其中，Positive Reviews为该维度下正面评论数，Relevant Reviews为该维度下相关评论数（排除无关评论），得分范围为0-1，越接近1表示感知越好。
对于评论数少于10条的公园（约5%），采用同行政区公园感知均值填充，确保空间分析的完整性。
5.4.2 E2SFCA模型优化与计算
-
供给指标定义 ：将三个感知维度得分之和作为公园供给指标（Sj），替代传统面积指标：
Sj=Saccess+Susability+Sattractiveness S_j = S_{\text{access}} + S_{\text{usability}} + S_{\text{attractiveness}} Sj=Saccess+Susability+Sattractiveness其中，SaccessS_{\text{access}}Saccess为感知可达性得分，SusabilityS_{\text{usability}}Susability为可用性得分，SattractivenessS_{\text{attractiveness}}Sattractiveness为吸引力得分。
-
距离衰减函数 ：采用指数衰减函数，考虑步行距离对可达性的影响：
Gk,j={e−(12)×(dkd0)−e−(12)1−e−(12),dk≤d00,dk>d0 G_{k,j} = \begin{cases} \frac{e^{-\left(\frac{1}{2}\right) \times \left(\frac{d_k}{d_0}\right)} - e^{-\left(\frac{1}{2}\right)}}{1 - e^{-\left(\frac{1}{2}\right)}}, & d_k \leq d_0 \\ 0, & d_k > d_0 \end{cases} Gk,j=⎩ ⎨ ⎧1−e−(21)e−(21)×(d0dk)−e−(21),0,dk≤d0dk>d0其中，dkd_kdk为社区k到公园入口j的网络距离，d0d_0d0为步行阈值（本文采用800米≈10分钟、1200米≈15分钟，符合"15分钟城市"理念）。
-
供给-需求比计算 ：对每个公园入口j，计算其服务范围内的供给-需求比（Rj）：
Rj=Sj∑k∈{dk≤d0}Pk×Gk,j R_j = \frac{S_j}{\sum_{k \in \{d_k \leq d_0\}} P_k \times G_{k,j}} Rj=∑k∈{dk≤d0}Pk×Gk,jSj其中，PkP_kPk为社区k的人口数量。
-
社区可达性得分 ：对每个社区i，汇总其服务范围内所有公园入口的供给-需求比，得到社区可达性得分（Ai）：
Ai=∑p∈{di,p≤d0}Gi,p×Rp A_i = \sum_{p \in \{d_{i,p} \leq d_0\}} G_{i,p} \times R_p Ai=p∈{di,p≤d0}∑Gi,p×Rp其中，di,pd_{i,p}di,p为社区i到公园入口p的网络距离，Gi,pG_{i,p}Gi,p为对应的距离衰减系数。
5.4.3 公平性评估方法
-
洛伦兹曲线与基尼系数 ：用于衡量可达性的总体公平性。洛伦兹曲线以累计人口比例为横轴、累计可达性比例为纵轴，偏离45°线越远表示公平性越差；基尼系数取值0-1，越接近1表示公平性越差，计算公式如下：
Gini Index=1−∑i=1n(Pi−Pi−1)×(Ai+Ai−1) \text{Gini Index} = 1 - \sum_{i=1}^n (P_i - P_{i-1}) \times (A_i + A_{i-1}) Gini Index=1−i=1∑n(Pi−Pi−1)×(Ai+Ai−1)其中，PiP_iPi为累计人口比例，AiA_iAi为累计可达性比例。
-
双变量LISA分析：用于识别空间聚类与错配模式：
- 第一类：感知加权可达性与人口密度的双变量LISA，识别"高人口-低可达性""低人口-高可达性"等错配区域；
- 第二类：感知加权可达性与传统容量加权可达性的双变量LISA，识别"高容量-低质量""低容量-高质量"等错配区域。
5.5 感知影响因素分析（Factors Influencing Park Perceptions）
采用"广义线性混合模型（GLMM）+ 普通最小二乘回归（OLS）"的组合，分别分析空间因素与时间因素对感知的影响：
5.5.1 多重共线性检验
首先计算所有自变量的方差膨胀因子（VIF），剔除VIF>10的变量（本文无高多重共线性变量），避免回归结果失真。
5.5.2 广义线性混合模型（GLMM）
- 因变量：评论层面的感知维度（二分类变量：正面=1，负面=0）；
- 自变量：公园内部属性、宏观建成环境、微观街道环境、社会经济特征；
- 随机效应：公园标识（Park ID），控制不同公园的个体异质性；
- 链接函数：逻辑斯蒂函数（Logit），适配二分类因变量；
- 模型评估：采用边际R²（Marginal R²，仅固定效应解释力）与条件R²（Conditional R²，固定效应+随机效应总解释力）评估模型拟合度。
5.5.3 普通最小二乘回归（OLS）
- 因变量：日度聚合的感知得分（对数转换，确保正态分布）；
- 自变量：气象因素（日均温、降雨量、相对湿度、日照时长）与季节虚拟变量；
- 目的：分析时间因素对感知的影响。
6. 研究结果（Results）
6.1 模型性能对比（Comparison of Model Performances）
6.1.1 各类模型准确率排名
16个模型在三个感知维度的Top-1准确率如下表所示（***表示最优模型）：
| 模型类别 | 具体模型 | 感知可达性准确率 | 可用性准确率 | 吸引力准确率 |
|---|---|---|---|---|
| 多模态编码器 | CLIP MHA 1:1 | 0.757 | 0.769 | 0.800 |
| CLIP Concat 1:1 | 0.758 | 0.732 | 0.809 | |
| CLIP MHA 2:1 | 0.754 | 0.763 | 0.794 | |
| CLIP MHA 4:1 | 0.762 | 0.769 | 0.812 | |
| 单模态文本编码器 | CLIP-text encoder | 0.773 | 0.768 | 0.794 |
| DeBERTa | 0.798 | 0.779 | 0.879 | |
| OpenAI text-embedding-3-large | 0.812 | 0.803 | 0.831 | |
| LLMs（零样本） | GPT-4o mini | 0.818 | 0.754 | 0.790 |
| GPT-4o | 0.816 | 0.754 | 0.788 | |
| DeepSeek v3 | 0.818 | 0.727 | 0.739 | |
| DeepSeek r1 | 0.811 | 0.752 | 0.790 | |
| Grok-2 | 0.821 | 0.765 | 0.772 | |
| LLMs（少样本） | GPT-4o mini | 0.850 | 0.757 | 0.827 |
| GPT-4o | 0.832 | 0.754 | 0.844 | |
| DeepSeek v3 | 0.813 | 0.778 | 0.808 | |
| DeepSeek r1 | 0.804 | 0.742 | 0.821 | |
| Grok-2 | 0.824 | 0.785 | 0.819 | |
| LLMs（微调） | Park-Perception-LLM（Fine-tuned GPT-4o mini） | 0.867*** | 0.834*** | 0.911*** |
6.1.2 最优模型稳健性验证
五折交叉验证结果显示，Park-Perception-LLM在三个维度的平均准确率分别为：
- 感知可达性：86.3% ± 1.7%
- 可用性：85.1% ± 1.6%
- 吸引力：88.8% ± 1.4%
与测试集准确率（86.7%、83.4%、91.1%）高度一致，表明模型性能稳定，泛化能力优异。
6.1.3 关键发现
- 单模态文本模型优于多模态模型：CLIP等多模态模型的准确率（73%-81%）低于单模态文本模型与LLM，原因可能是：① 评论图文语义不一致，图像引入噪声；② CLIP模型的文本长度限制（77-token）导致长评论信息丢失。
- LLM性能最优：LLM的零样本准确率（72.7%-82.1%）已优于传统深度学习模型，少样本学习（添加20个示例）进一步提升准确率，有监督微调后达到最优（83.4%-91.1%），验证了领域适配的重要性。
- 吸引力维度分类最易：三个维度中，吸引力的模型准确率最高（最优模型91.1%），可能因吸引力相关评论的语义表达更鲜明（如"风景优美""很吸引人"）；可用性维度准确率最低（83.4%），可能因设施评价的语义更复杂（如"座椅不够""卫生间较干净但需排队"）。
6.2 公园感知特征分析（Analysis of Park Perceptions）
6.2.1 整体感知分布
将Park-Perception-LLM应用于全部68,484条评论，得到三个维度的整体感知分布：
- 感知可达性：21.0%的评论（14,409条）涉及该维度，其中83.9%为正面（12,082条），16.1%为负面（2,327条）；
- 可用性：49.8%的评论（34,109条）涉及该维度，其中89.6%为正面（30,558条），10.4%为负面（3,551条）；
- 吸引力：83.9%的评论（57,569条）涉及该维度，其中78.0%为正面（44,894条），13.9%为负面（7,902条），8.1%为无关（4,773条）。
整体来看，香港市民对公园的可用性与吸引力评价较高，但对可达性存在显著担忧（负面评论占比16.1%），这与香港高密度城市的交通拥堵、步行路径不连续等问题密切相关。
6.2.2 空间分布模式
图4 三个感知维度的空间分布：（a）感知可达性：九龙、香港岛及新界西部（屯门）得分较低，主要因这些区域人口密集、交通拥堵、步行路径受道路阻隔；（b）可用性：低分区集中在九龙城、观塘、黄大仙，这些区域公园建成年代较早，设施老化且维护不足；（c）吸引力：低分区集中在九龙及邻近区域（葵青、港岛东区），这些区域公园多为小型社区公园，景观设计单一、自然元素缺乏。
6.3 可达性与公平性分析（Park Accessibility and Equality Analysis）
6.3.1 感知加权可达性空间格局
图5 不同步行阈值下的感知加权可达性分布：（a）800米阈值（10分钟步行）：高可达性集中在香港岛核心区（中西区、湾仔、东区）及九龙中部（油尖旺、深水埗部分区域），这些区域公园密度高且感知质量好；（b）1200米阈值（15分钟步行）：高可达性区域向周边扩展，新界的荃湾、沙田、屯门出现中等可达性口袋，但北部新界仍为低可达性集中区；（c）（d）为传统容量加权可达性分布，与感知加权结果存在局部差异（如部分区域容量高但感知质量低），验证了质量-数量错配的存在。
6.3.2 公平性量化结果
洛伦兹曲线与基尼系数分析显示，香港公园可达性存在严重的空间不平等：
图6 不同阈值下的洛伦兹曲线：（a）800米阈值：前10%的居民占据52.3%的可达性资源，后75%的居民仅占18.7%，基尼系数0.756；（b）1200米阈值：前10%的居民占据59.8%的可达性资源，后75%的居民占29.3%，基尼系数0.656。尽管1200米阈值下公平性略有提升，但整体仍处于高度不平等状态（基尼系数>0.6）。
6.3.3 空间错配分析
- 可达性与人口需求错配（双变量LISA）：
图7 感知加权可达性与人口密度的双变量LISA聚类：
- 高-高聚类：观塘、深水埗、沙田部分区域，公园质量与人口需求匹配，空间协调；
- 低-低聚类：港岛南部、新界北部，低质量+低人口，需整体提升公园供给与质量；
- 低-高聚类：荃湾、屯门、元朗、观塘东部，高人口+低质量，是规划干预的核心靶点，需优先提升公园质量；
- 高-低聚类：港岛南部、屯门部分区域，高质量+低人口，资源利用不足，可通过宣传推广或功能优化提升使用率。
- 质量与容量错配（双变量LISA）：
图8 感知加权可达性与容量加权可达性的双变量LISA聚类：
- 低-高聚类：沙田、屯门、元朗，高容量公园（面积大）但低感知质量，主要因设施维护不足、景观设计单一、步行可达性差（如被道路阻隔）；
- 高-低聚类：港岛南部、屯门部分区域，低容量公园（面积小）但高感知质量，这类公园多为社区口袋公园，设施完善、景观优美，可作为高密度城市公园规划的典范。
6.4 感知影响因素分析（Impact of Spatial and Temporal Factors）
6.4.1 空间因素影响（GLMM结果）
模型解释力：可用性的条件R²最高（0.369），其次是感知可达性（0.360）与吸引力（0.341），表明公园属性与环境特征能较好地解释感知差异。
三个维度的关键影响因素（显著水平p<0.05）如下：
| 感知维度 | 正向影响因素（系数为正，OR>1） | 负向影响因素（系数为负，OR<1） |
|---|---|---|
| 感知可达性 | 儿童设施（OR=1.645）、现场服务（OR=1.824）、水域比例（OR=1.515）、文化设施密度（OR=1.164）、街景绿视率（OR=1.308）、公园评分（OR=3.194） | 公园面积（OR=0.586） |
| 可用性 | 运动设施（OR=1.181）、卫生间（OR=1.193）、儿童设施（OR=1.509）、现场服务（OR=1.240）、街景绿视率（OR=1.516）、高等教育比例（OR=1.111）、公园评分（OR=3.789） | 土地利用多样性（OR=0.869）、街道美学评分（OR=0.903）、家庭收入（OR=0.886） |
| 吸引力 | 卫生间（OR=1.631）、现场服务（OR=1.083）、建筑比例（OR=1.073）、老年人口比例（OR=1.059）、高等教育比例（OR=1.191）、公园评分（OR=3.451） | 公园面积（OR=0.811）、土地利用多样性（OR=0.835）、无聊感街道（OR=0.860）、高收入家庭密度（OR=0.910） |
关键发现：
- 公园内部设施（儿童设施、卫生间、现场服务）对三个维度均有显著正向影响，是提升感知质量的核心抓手；
- 自然元素（水域比例、街景绿视率）能显著提升感知，验证了注意力恢复理论；
- 公园面积与感知呈负相关，可能因香港大型公园多位于郊区，可达性差且设施维护不足；
- 高收入家庭对公园质量的评价更苛刻（负向影响），表明不同社会经济群体的感知差异需在规划中重点考虑。
6.4.2 时间因素影响（OLS结果）
时间因素对感知的影响如下表所示（***p<0.01，**p<0.05）：
| 变量 | 感知可达性（ln） | 可用性（ln） | 吸引力（ln） |
|---|---|---|---|
| 常数项 | -0.0335（不显著） | -0.0816*** | -0.0482** |
| 日均温（℃） | -0.0005（不显著） | -0.0029*** | -0.0044*** |
| 降雨量（mm） | -0.0009（不显著） | -0.0001（不显著） | 0（不显著） |
| 日照时长（h） | 0.0004（不显著） | 0.001（不显著） | 0.0013（不显著） |
| 相对湿度（%） | -0.002（不显著） | 0.0004（不显著） | -0.0001（不显著） |
| 春季（虚拟变量） | 0.0715（不显著） | 0.0049（不显著） | -0.005（不显著） |
| 夏季（虚拟变量） | -0.0456（不显著） | 0.004（不显著） | 0.0052（不显著） |
| 冬季（虚拟变量） | -0.0042（不显著） | -0.0083（不显著） | -0.0308*** |
| R² | 0.085 | 0.011 | 0.017 |
| F统计量 | 2.013（不显著） | 2.138*** | 5.969*** |
关键发现：
- 感知可达性不受时间因素影响，符合其"路径便利性"的核心属性；
- 可用性受温度显著影响（温度升高，可用性下降），可能因高温导致设施使用舒适度降低（如座椅发烫、无遮阳）；
- 吸引力受温度与季节显著影响：高温（系数-0.0044）与冬季（系数-0.0308）均会降低吸引力，可能因高温导致景观枯萎、冬季植被多样性下降。
7. 讨论（Discussion）
7.1 微调LLM在公园感知分类中的优势与价值
本文通过三阶段训练验证了LLM在公园多维度感知分类中的卓越性能，其核心优势体现在：
-
语义理解能力强：LLM能捕捉复杂语义表达（如隐喻、 sarcasm），优于传统词典法与BERT类模型。例如，评论"虽然公园很大，但绕了半天才找到入口，太不方便了"，LLM能准确识别为"感知可达性负面"，而传统模型可能因"很大"误判为正面。
-
领域适配效率高：少样本学习仅需20个标注示例即可实现80%以上的准确率，大幅降低标注成本；有监督微调后准确率进一步提升至83%-91%，验证了LLM的强适配性。
-
应用门槛低：通过OpenAI API即可实现模型微调与推理，无需复杂的本地硬件部署，便于规划从业者与研究者使用。
-
局限性与优化方向：
- 闭源LLM存在可复制性与数据安全问题，未来可 benchmark 开源LLM（如DeepSeek、Llama），构建可复现的分析流程；
- 评论图文语义不一致导致多模态模型性能不佳，未来可优化图像筛选策略（如仅保留与文本强相关的图像），提升多模态融合效果。
7.2 公园感知的影响机制与规划启示
7.2.1 公园内部特征：设施与自然元素是核心
- 设施多样性：儿童设施、卫生间、现场服务对三个感知维度均有显著正向影响，表明公园规划应注重"全人群适配"------不仅要满足普通居民的休闲需求，还要关注儿童、老年人、残障人士等特殊群体的使用需求（如增设无障碍设施、儿童游乐设备）。
- 自然元素：水域比例与街景绿视率的正向影响，验证了注意力恢复理论，提示公园设计应增加自然元素（如人工湖、喷泉、乡土植物），提升景观多样性与生态价值。
- 规模优化：公园面积与感知呈负相关，表明高密度城市应优先发展"小而精"的社区口袋公园，而非追求大规模公园，以提升可达性与使用效率。
7.2.2 周边环境：文化设施与街道景观的协同作用
- 文化设施协同：周边文化设施密度提升感知可达性与可用性，表明公园规划应与文化设施（如图书馆、社区中心）联动布局，形成"公园+文化"的复合空间，提升使用频率。
- 街道景观优化：街景绿视率的正向影响与无聊感街道的负向影响，提示公园周边步行路径的景观设计至关重要------应增加街道绿化、优化步行道铺装、减少单调建筑立面，打造"公园-街道"一体化的优质体验。
7.2.3 时间因素：气候适应性设计不可忽视
- 高温与冬季对可用性、吸引力的负面影响，提示公园规划应注重气候适应性设计：如增设遮阳棚、喷雾降温设施、冬季常绿植物种植、室内活动空间等，提升全季节使用舒适度。
7.3 公平性提升与空间错配治理
7.3.1 核心错配区域治理策略
- 低-高聚类（高人口+低质量）：荃湾、屯门、元朗等区域，应优先投入资源提升公园质量------更新老化设施、增加自然元素、优化步行路径，快速响应高密度人口的需求。
- 低-高聚类（高容量+低质量）：沙田、元朗的大型公园，应重点改善感知可达性与可用性------增设出入口、优化周边步行道、增加设施类型（如运动设施、卫生间），充分发挥公园容量优势。
- 高-低聚类（高质量+低人口）：港岛南部的小型公园，应通过宣传推广、举办社区活动、优化功能定位（如打造亲子主题、康养主题），提升资源利用率。
7.3.2 公平性评估框架优化
本文构建的"感知加权E2SFCA"框架，突破了传统客观指标的局限，能更精准地识别公平性缺口。未来规划应将该框架纳入常规评估体系，定期通过社交媒体数据更新感知指标，实现动态监测与精准干预。
7.4 研究局限性与未来方向
- 感知维度扩展：本文聚焦三个核心维度，未来可增加热舒适度、维护状况、拥挤度等维度，实现更全面的感知评估。
- 数据代表性提升：SMD存在互联网使用者偏差，未来可结合问卷调查、实地访谈，补充老年、儿童等群体的感知数据，提升结果代表性。
- 干预效果评估：未来可采用"前后对比"设计，分析公园改造、政策实施对感知的影响，验证规划干预的有效性。
- 跨区域验证：本文以香港为案例，未来可将框架应用于不同密度、不同文化背景的城市（如纽约、上海、新加坡），验证框架的通用性与适应性。
8. 结论（Conclusion）
本文基于社交媒体数据与大语言模型，构建了城市公园多维度感知分析与公平性评估框架，核心结论如下：
- 模型性能卓越：通过领域适配微调开发的Park-Perception-LLM模型，在感知可达性、可用性、吸引力三个维度的准确率达83%-91%，显著优于传统深度学习模型，为公园感知量化提供了高精度工具。
- 公平性缺口显著：香港公园可达性存在严重空间不平等（基尼系数0.656-0.756），且存在"高人口-低质量""高容量-低质量"等复杂错配模式，需针对性规划干预。
- 影响机制明确：公园内部设施（儿童设施、卫生间）、自然元素（水域、绿视率）、周边文化设施是提升感知的核心因素；高温与冬季会降低可用性与吸引力；高收入群体对公园质量的评价更苛刻。
- 规划启示精准：高密度城市应优先发展"小而精"的社区口袋公园，注重设施多样性与气候适应性设计，联动文化设施布局，通过"感知加权可达性"框架实现动态公平监测。
本文的研究框架与方法可为全球城市公园规划提供参考，助力实现"以公民体验为核心"的绿色空间公平供给，提升城市宜居性与居民生活质量。