研究背景与创新点
街道网络是城市功能的核心载体，其建成环境特征深刻影响着人类的心理感知与行为决策。现有研究多采用网格或街区单元，掩盖了街道尺度的异质性。
本研究构建街道尺度的可解释机器学习分析框架，利用街景图像提取微观环境特征，量化主观安全感知与客观犯罪风险之间的错配关系。
研究区域与数据
北京市朝阳区数据概览
空间数据
- 街道网络：9,654条街道（OSM数据）
- 街景图像：160,000张（四方向视角）
- POI数据：137,385条记录
犯罪数据（2019年）
- 盗窃类犯罪：13,930起
- 暴力类犯罪：1,959起（抢劫、袭击）
- 平均人口密度：7,626人/km²
错配类型划分
匹配型
感知与风险一致，占比约67%-68%。居民的安全感知与实际犯罪风险基本吻合。
标准差差异在合理范围内
客观安全-低安全感知
实际风险低但居民感到恐惧。多见于边缘区域，过多绿化和墙面因遮挡视线削弱了监视感知。
关键影响因素
- • 墙面面积：正向作用（遮挡视线）
- • 绿化面积：正向作用（削弱监视感）
- • 地面面积：正向作用（强化暴露感）
客观不安全-高安全感知
实际风险高但居民产生安全错觉。多见于核心商业区，高建筑密度营造了"秩序假象"。
关键影响因素
- • 建筑密度：显著正向作用（SHAP值最高达0.781）
- • 犯罪发生器密度：正向促进
- • 居民将商业繁荣误认为安全
SHAP可解释性分析
核心影响因子（类型III）
| 变量类别 | 关键变量 | 平均值 | 盗窃SHAP | 暴力SHAP |
|---|---|---|---|---|
| 街景要素 | 建筑物面积 | 0.19 | 0.636 | 0.781 |
| 街景要素 | 道路面积 | 0.30 | 0.320 | - |
| 街景要素 | 绿化面积 | 0.21 | 负向交互 | 遮挡效应 |
| 建成环境 | 街道长度 | 0.34 km | 0.337 | 负向调节 |
| 建成环境 | 犯罪发生器密度 | 0.0557 | 0.282 | 正向促进 |
关键发现
建筑物面积是对错配影响最大的要素（SHAP值最高达0.781）。高建筑密度营造了"秩序假象"，居民将商业繁荣误认为安全，忽视了实际的犯罪风险。
局部交互效应分析
盗窃犯罪场景
建筑-绿化面积交互
高建筑密度且缺乏绿化时，SHAP值迅速上升。居民在缺乏绿化缓冲时更易产生"人多=安全"的简化思维。
街道长度-POI熵交互
短街道配合低POI熵增强了错配。紧凑空间提高了可视性，使居民产生被保护的错觉。
暴力犯罪场景
道路-栅栏面积交互
宽道路配合低栅栏产生极低的SHAP值，显著降低错配。缺乏物理障碍的开阔空间使居民警觉性提高。
墙面-建筑面积交互
低墙面（高通透性）配合低建筑密度时，居民易将通透感误读为安全，忽视了暴力冲突中干预者缺失的风险。