根据设计的空间维度加以区分可以分为-新城市科学支撑下的城市街道空间质量综合评价——以上海中心城区为例

【关于作者】

滴滴，博士，高级工程师，上海城市建设设计研究院（集团）有限公司城市公共交通研发中心主任

蒋英红，教授级高级工程师，上海城市建设设计研究院（集团）有限公司院长。

叶丹，同济大学建筑与城市规划学院高密度人居环境与生态节能重点实验室博士研究生。

叶宇，通讯作者，博士，同济大学建筑与城市规划学院高密度人居环境与生态节能教育部重点实验室副教授，建筑环境技术中心。

概括

新城市科学的出现为大规模、精细化的空间定量分析提供了基础。 现有街道空间质量研究大多采用定性或主观定量分析方法。 近年来，虽然有学者利用新数据、新技术进行分析，但测量维度较为单一，无法客观、全面地反映街道空间质量。 在此基础上，文章结合相关经典理论，在新数据、新技术的支持下，构建了多维度、分指标的城市街道空间质量综合评价框架。 该评估框架考虑街道形态特征以及用户的感知和行为特征，通过可视化分析确定街道类型，利用机器学习算法对街道进行分类并进行精细化评估，比较不同街道的质量，进行评估效果基于综合评价结果和共识认知比较的测试。 最后以上海中心城区为例，验证了评价框架的可操作性和合理性，希望为精准街道空间更新设计提供科学支撑。

[关键词] 新城市科学； 街道空间质量； 定量评价； 上海中心城区

[文章编号]1006-0022(2021)16-0005-08

【中文图片分类号】TU984.11+3

[证件识别码]B

[引用格式]滴滴，江英红，叶丹，等。 新城市科学支持下的城市街道空间质量综合评价——以上海中心城区为例[J]. 规划师吉祥物，2021（16）：5-12。

0 前言

随着我国城市建设从强调“量”转向提高“质”，公共空间品质正成为新时代城市设计工作的重点之一。 与此同时，城市建设的重点逐渐从大规模的“城市建设”转向中小型的“建设”和“更新”。 街道作为城市公共空间的重要组成部分和与市民关系最密切的日常公共场所，其空间品质日益受到关注。 人们对街道空间的关注逐渐从“形式导向”转向“生活导向”。 因此，客观、全面地评价街道空间质量可以为精准、人性化的设计提供重要支撑。

以往关于街道空间质量的研究和实践多基于观察调查、问卷调查或小样本分析，往往缺乏连续性、规模和精度，研究结论不具有普遍性。 以大数据为代表的新数据环境和以人工智能为代表的新城市科学的兴起，使得精细尺度街道空间质量的科学测量和评价成为可能。 本研究结合相关经典理论，运用新数据、新技术，构建街道空间质量综合评价及有效性检测框架，系统评价街道空间的物质特征和感性体验，为相关规划设计提供理论和方法支撑。做法。 ，并通过在上海中心城区的实证分析，初步验证了该框架的可操作性和合理性。

1街道空间质量相关研究

1.1 现有研究回顾

空间质量是城市人们对空间整体质量的综合评价。 城市空间各组成部分的“量”和“质”深刻影响着城市人和城市社会经济的发展。 空间的物理形态特征和人的品质感知一直是相关研究的重点。 这些研究主要有两个特点（表1）：①评价要素既具有连续性，又不断扩展和细化。 在20世纪50年代至今的三个发展阶段中，街道可达性、界面、景观美化等街道特色元素一直受到学者们的关注。 以街道界面为例，相关研究建立了越来越细化的特征定量分析指标（如街道墙体连续性、街道开放性、界面围合性等），提高了相关评价的客观性和准确性。 ②空间质量评价由定性分析和部分定量方法转变为综合定量方法。 评价分析所使用的基础数据也基本实现了从手工小样本数据向多源异构大数据的转变。 当前新城市科学的兴起和发展为街道空间质量评价提供了新的可能性。 相关研究呈现出观测精度日益细化、评价尺度不断扩大、多学科交叉的特点。

表1 街道空间质量相关研究

1.2 当前研究的局限性及对策

目前，关于街道质量的定量研究较多，但大多采用相对主观的分析方法，考虑的维度较少。 街道空间质量包括空间要素和非空间要素，质量特征复杂吉祥物设计，需要采用综合定量测量方法。 新城市科学带来的新数据、新技术在分析尺度和测量内容上为街道质量评估带来了新的可能性。 新的数据环境可以提供细尺度的街道形态和用户行为感知的多源数据，使得多尺度、定量地掌握街道的空间属性和特征成为可能。 同时，新技术的发展为研究城市空间形态、街道功能和行为使用提供了定量分析工具和相关算法，为街道分析的精细化、人性化提供了技术手段。 这些新数据和新技术为街道空间形态、功能、行为用途、质量特征的测量和分析提供了支持。

2研究设计：新城市科学支持的街道空间质量综合评价

本研究在前人经典理论、新数据、新技术的基础上，构建了街道空间质量综合评价框架，包括新数据和技术支撑、评价指标体系、综合定量评价、评价有效性检验四个要素（图1）。 ）。 首先，利用新技术进行街道空间质量分析，考虑街道形态特征以及用户感知和行为特征。 通过量化测量，形成街道空间形态、功能属性、行为用途、品质风格四个维度12个分项。 评价指标体系； 其次，整合综合定量评价结果（包括街道特征画像和空间质量评分），对该框架进行评价有效性测试。 总体研究框架主要包括以下四个方面。

图1 街道空间质量综合评价研究框架图

（一）新数据、新技术支撑。

新数据既包括街道形态数据（如道路网络、建筑轮廓、街景图像），也包括用户感知和行为数据（如LBS、微博打卡数据），可为不同场景下的指标测量提供数据基础。方面。 数据的主要来源大致可分为三类，即开源平台（如OSM数据）、信息服务提供商（如百度、谷歌和社交媒体）和网站平台。

新技术主要用于基础数据的处理和分析。 其中，利用机器学习算法中的卷积神经网络工具（SegNet）处理街景数据，细化街道空间特征元素（如街道绿化、天空、建筑物和道路等）并计算比例； 人工神经网络分析（ANN）可以基于机器学习算法的结果，通过小样本学习形成专家般的质量判断能力来衡量街道空间的质量。 ArcPy分析程序可用于处理精细的建筑环境数据（例如街道纵横比、线形比等）。 sDNA+ArcGIS 使用路网数据来衡量街道可达性。 其他数据处理和分析可以利用ArcGIS平台来实现。

(2)评价指标体系构建。

街道空间品质的复杂性既体现在其物质空间的客观性，又体现在人们使用空间的主观性。 因此，本研究构建的评价指标体系包括能够反映物质要素特征的空间形态和功能属性指标，以及反映人群感受的行为使用和品质风格指标。 指标体系具体组成、计算方法和数据处理方法如表2所示。

表2 评价指标体系

(3)综合定量评价生成。

以往的街道空间质量研究将所有街道样本作为一个整体进行分析，没有考虑街道类型特征对空间质量的影响，忽略了不同类型街道的异质性，得到的分析结果可能并不准确。 例如，主要用于交通的城市快速路与主要用于日常生活的城市支路之间的质量特征存在巨大差异。 因此，有必要根据街道类型进行分类的街道空间质量评价，消除不同街道类型带来的混杂因素的干扰，为更加精准的街道设计实践提供科学支撑。 同时，街道空间形态与感知质量之间的交互关系非常复杂，并不是简单的线性关系。 传统的街道分析方法无法实现这种交互。 近年来出现的机器学习技术（如支持向量机、随机森林等）可以处理复杂的建筑环境特征之间的相互关系，为交互式分析提供了技术基础。

因此，本研究的街道空间质量综合定量评价是在不同维度指标聚合的基础上，利用雷达图构建街道特征画像，进而判断街道类型，形成对街道空间质量的整体认识，并进行分类。根据街道类型。 街道空间质量综合评价。 街道分类别综合空间质量评价是在专家小样本打分结果的基础上，利用ANN算法得到所有街道的综合空间质量得分。 具体过程如下：首先，从各类街道中随机抽取一定数量的样本，由专家使用基于JAVA语言开发的程序对街景图像进行两两比较、打分； 其次，利用ELO算法将比较结果转换为样本图像的具体得分。 ，通过多次迭代得到最终的稳定分数。 考虑到指标之间复杂的交互关系，本研究采用ANN算法训练基于交叉验证方法的评价模型。 通过随机生成的子样本的训练和验证，最终降低指标之间相互作用造成的预测错误率。 实现大规模街道质量综合评分目标。

(4)评价有效性测试。

街道空间质量的定量评价反映的是先验结果根据设计的空间维度加以区分可以分为，因此本研究构建的理论框架强调需要将综合评价结果与共识认知结果进行比较和分析。 其中，共识认知结果主要是根据相关专家或从业者的评价进行综合判断，两者之间的一致性检验将客观反映框架评价的有效性。

3 上海中心城区实证研究

3.1 研究对象及范围

本研究选取上海中环建成区作为研究范围根据设计的空间维度加以区分可以分为，面积为317.2km²。 上海正逐步从增量发展转向存量发展，不断推动自身空间品质的优化提升成为当前的主要任务。 在此背景下，上海街道空间质量的定量测量与评价既具有研究意义又具有代表性。

3.2 数据来源

本研究从百度街景数据中选取上海市中心城区内的13,672条街段（总长2,611,079m）作为研究对象，平均采样间距约为40m； 使用ArcGIS获取采样点的经纬度，然后使用Python通过HTTP URL调用百度地图API，在69137个采样点拍摄近14万张照片（图像分辨率为480×360）； 它从高德地图上捕获了分析区域内近百万个PoI数据。 另外，LBS数据是Python通过HTTPS调用腾讯移动平台位置服务API获取的，包括工作日和周末10个时间段的数据。 基础路网数据和基础建筑数据通过百度地图API接入获取，微博打卡数据通过新浪微博网页文本分析获取。

3.3 多维度评价

3.3.1 街道空间形态

(1)街道空间视觉特征。

分析结果表明，在绿化能见度和步行适宜性方面，浦西整体优于浦东，内环优于内环与中环之间的区域； 道路机动化方面，浦东优于浦西，内环优于内环、中环。 地区差异。 此外，上海平均街道围合度较高（69%），其中浦西高于浦东，内环高于内环与中环之间的区域。

(2)街道空间断面特征。

据计算，上海市中心城区大部分道路高宽比较低（<0.4），街道空间给人一种开放的感觉； 平均街道线形率为15.6%，生活条件较强的次干道和支路街道线形率大多能达到60%以上。 总体来说，街头界面还是比较整洁的； 沿街平均开发强度为1.75。 浦西和浦东的开发强度相差不大，内环的开发强度高于内环。 以及中环与中环之间的地区。

(3)街道空间组织特征。

据统计，上海平均路网密度为22.12公里/平方公里。 路网密度较高。 浦西和浦东的路网密度差别不大。 内环路网密度高于内环与中环之间区域。

可达性分析结果表明，浦西道路步行可达性高于浦东，内环道路步行可达性优于内环与中环之间区域。 中心城区车辆通达性较高的道路分布均匀，主要是城市高架快速路和贯穿各区的主干道。 基于可达性分析结果的四街道聚类结果与市民城市认知中的上海道路结构基本一致。

3.3.2 街道功能属性

从街道主导功能来看，上海以餐饮为主导功能的街道最多，集中在人民广场、南京东路、徐家汇、龙华中路等地铁站附近。 这与上海实施TOD发展战略的成果是一致的； 服务生活 主导功能街道分布在小南门、金沙江路、上海火车站等区域。 黄浦江东西两岸以体育休闲为主要功能的街道较多。 这可能与分布在黄浦江两岸的各类体育公园、体育中心有关。

从街道功能组合来看，上海不同地区街道功能组合差异明显。 南京西路、人民广场、陆家嘴、上海火车站、张江、川沙周边街道混合功能较好，而浦西、上海交通大学(徐汇校区)附近街道、浦东蓝田路混合功能较差。

在街道功能特征识别上，浦西在“交通便捷”和“景观紧邻道路”两项指标评价上优于浦东，内环优于内环之间区域和中间的环。 同时，综合分析夜间服务设施发现，夜间活力道路主要分布在内环，尤其是南京西路、人民广场附近。

3.3.3 街头行为使用

（一）精细化路段活力识别。

通过LBS数据可视化（图2）发现，工作日7:00至12:00，南京西路、人民广场、徐家汇、五角场等区域的街道形成了明显的活力热点，其中街道浦西活力明显高于浦东； 工作日12:00至17:00，街道活力集中程度不明显，但17:00至19:00和19:00至22:00，不同区域街道活力差异较大。 淮海中路、镇平路、徐家汇、张江高科等是人群活力热点。 周末7:00~12:00和12:00~17:00街道活力差异不大。 五角场、南京西路等地活力稍高； 17:00~19:00和19:00~22:00街道活力差异较大。 静安寺、人民广场、陆家嘴、徐家汇、五角场等主要商圈附近街道活力较高，内环与中环之间区域街道活力较低。

图2 工作日及节假日各时段街道活力热力图

(2)城市形象分析与特色街道识别。

该研究爬取了新浪微博一周内（2020年8月23日至8月30日）的签到数据，并将清洗后获得的56871条信息作为基础分析数据。 研究结果表明，认知意象较高的街道主要集中在浦西地区，且相对集中； 外滩、豫园、老西门、南京东路地区的街道是游客打卡和打卡最多的区域。 浦东知名度较高的街道是世纪公园附近的世纪大道和锦绣路。 总体而言，分析结果与公众认知中代表上海城市形象的热门旅游目的地是一致的。

3.3.4 街道品质与外观

街道质量风貌评价主要包括以下四个方面：①空间质量测量结果。 空间质量得分较高的街道主要分布在浦西和陆家嘴地区。 浦西是上海的传统城区，拥有一系列特色街道（如复兴中路、思南路）。 但该区域也存在一些得分较低的街道，可能是由于绿化不足、杂物随意放置所致。 得分低的原因大多是天空元素比例过高以及街道规模、绿化、交通缓慢等问题，例如街区规模较大、街道以汽车为主。 ②街道色彩的多样性。 街道颜色多样性从中心向外圈呈现递减趋势。 浦西地区的街道更加丰富多彩。 这些色彩缤纷的街道主要分布在南京东路及外滩、徐家汇、同济大学四平路附近。 ③街道慢速交通质量评价。 该研究使用五个建筑环境变量：密度、多样性、设计、可达性和到交通站点的距离，并使用分层聚类算法对街道进行分类。 图3为四类街道慢行交通质量评价的聚类结果。 研究对这四类街道的慢行交通质量从高到低进行了排序，结果显示：组团三>组团四>组团二>组团一。 其中，集群三、集群四为生活街区，人群活动频繁，长期品质较高； 集群一和集群二代表交通道路，人群活动较少，慢速交通质量较低。 低的。 ④街道生活便利性评价。 街道生活便利度评价结果显示，浦西生活便利度高于浦东，且内环内便利度高的街道相对较多。

图3 街道聚类结果分布（左）和聚类分析树状图（右）

3.4 综合定量评价

研究基于多维度分析结果，采用可视化和机器学习分析方法，对街道质量进行综合定量评价。 考虑到数据的可获得性和设计的可控性，本研究从4个维度选取了10个关键指标，经过Min-Max归一化处理，构建了综合评价雷达图模型，如图4所示。若累计得分为雷达图左半圆（以AA为界）大于右半圆，该街道为以步行为主导功能的生活方式街道； 若雷达图左右半圆累计得分一致，则该街道为综合街道； 如果雷达图右半圆的累计得分大于左半圆，则该街道为交通型街道。 最后，研究将这三类街道的街道综合质量指数得分叠加，得到街道质量的综合判断结果（图5）。

图4 街道综合评价雷达图

图5 基于ANN的分类评估及最终结果示意图

3.5 评价性能测试

本研究参考《上海市街道设计导则》和同济大学街道质量专家座谈会达成的共识结果，选取了9条不同类型、不同质量的街道进行评价效果测试。 分析表明，专家共识与计算机计算结果吻合较好（图6）。 愚园路、淮海中路、世纪大道等特色鲜明的优质街道均得到有效识别，而许昌路、四川北路、中山北路街道空间质量较低。

图6 街道空间质量综合定量评价有效性测试框架示意图

4 讨论与展望

4.1 街道空间质量测量的新可能性

以往对街道质量的研究主要依靠观察调查和主观经验。 定量研究通常分析小样本或考虑单一维度。 新型城市科学的发展为大规模、精细化、多维度的城市街道空间质量综合评价提供支撑。 本研究提出的多维度、分项指标的街道空间质量综合定量评价框架，突破了主观经验判断和评价维度单一的局限性，提供了一套全面、可快速测量的客观评价方法。 ，为街道空间品质的实现提供全面、快速的衡量标准。 空间质量的系统测量提供了新的可能性。

本研究的另一个突破是利用ANN算法按街道类别进行大规模、精细化的评估。 以往的街道质量研究方法是将所有街道作为一个整体进行分析，没有考虑街道类型对质量的影响。 不同类型街道之间的异质性可能对街道质量评价产生潜在影响。 本研究提出根据街道特征对街道进行分类，并分别采用ANN算法进行模型训练，在大规模分析的范围内进行更精细化的评估。 综合评价结果与共识认知的一致性证明了该评价框架的有效性，能够快速、高效、准确地评价街道空间质量，更好地为探索街道空间特征和格局、指导相关设计提供支撑。做法。 。

4.2 城市设计实践中的应用方向

本研究提出的街道空间质量综合评价框架适合城市街道空间更新实践，有助于设计者准确把握街道空间质量特征。 首先，该评估框架可以对全市街道进行大规模、快速的街道空间质量分析和评分，快速识别街道类型，帮助设计者识别每条街道的特征。 其次，该框架能够以可视化的形式快速明确每条街道的短板和优势，并根据街道自身特点指导质量导向的精准微更新。 值得注意的是，本研究仅提出了三种具有代表性的常见街道类型。 未来可以根据分析结果扩展街道类型。

4.3 研究局限性及未来展望

本研究的局限性主要体现在两个方面：第一，虽然新型城市科学的发展提供了丰富的数据和技术基础，但大部分数据来自互联网数据，其可信度和有效性有待提高。 其次，本研究依赖客观视角的精细分析。 未来，主观行为感知数据（如基于虚拟现实和生理传感器技术的分析数据）将纳入综合研究。 此外，本研究构建的评估框架需要在未来新的计算机算法的迭代过程中不断优化。

街道作为城市公共空间的重要组成部分，与居民的日常生活密切相关。 建立良好的街道空间质量需要考虑物理要素以及使用者的行为和感知特征。 新都市科学提供的数据支撑和技术方法，可以实现人文尺度上街道空间质量的高精度、大尺度定量评价。 通过科学定量分析，支撑街道空间质量提升，回归城市空间设计与优化。 原来的目标。

文章全文请见《规划师》2021年第16期

《新城市科学支撑下的城市街道空间质量综合评价——以上海中心城区为例》