盗窃犯罪受城市功能、人流活动和微观街道环境共同影响。既有研究常将宏观功能格局与微观街景特征分开讨论，并忽略周边高强度功能区对邻近单元的空间溢出。本文融合土地利用、POI、盗窃案件和街景图像数据，构建城市功能溢出指标，并结合 XGBoost 与 SHAP 可解释机器学习方法，揭示宏观功能情境如何调节街景绿视率、天空开敞度、建筑围合度等微观视觉特征对盗窃犯罪的影响。
商业、交通、办公和居住等城市功能决定人流与潜在目标聚集，街景环境则影响可见性、遮蔽性、监管感和机会结构。二者之间并非独立作用，而是在具体功能背景下发生交互。
POI 能反映服务设施密度，土地利用能反映用地结构，二者互补才能更完整刻画城市功能强度与体量。
商业中心、交通枢纽等高活动区域可能通过人流、物流和机会扩散影响邻近街区犯罪风险。
绿化、开敞度或围合感在不同功能场景下可能抑制或促进犯罪，需要用可解释模型识别条件效应。
研究区为某市 YC 区，包含 CBD 核心区、城乡接合部和大型公园等多样空间。研究整合 2019 年 3290 条盗窃案件、土地利用、POI 和街景图像，建立犯罪风险解释框架。
基于公安机关提供的盗窃案件记录，结合 EULUC-China 土地利用数据和 POI 数据，互补刻画住宅、商业、商务、工业、交通和行政等功能强度。
通过空间邻域或空间计量方法测度周边功能区对目标单元的溢出影响；同时利用街景图像提取绿视率、天空开敞度、建筑围合度等微观视觉环境指标。
利用 XGBoost 学习犯罪风险与多源环境变量之间的非线性关系，并通过 SHAP 值解释变量贡献、阈值效应和宏观功能溢出对街景特征作用方向的调节。
研究重点不是单纯提高预测精度，而是解释宏观功能与微观街景之间的交互机制。
盗窃风险可被理解为活动机会、目标暴露和环境监管共同作用的结果。
例如，绿视率在居住区可能提升环境秩序和自然监控，从而抑制犯罪；但在部分商业或公园边界场景中，过高植被遮挡可能降低可见性，反而增加机会型犯罪风险。SHAP 交互分析有助于识别这类条件效应。
本文说明，盗窃犯罪风险并非由单一环境因素决定，而是城市功能溢出与街道视觉环境共同塑造的结果。未来城市安全治理应从“单变量防控”转向“功能—街景—人流”综合调控。
高强度商业、交通和办公功能可能将人流与犯罪机会扩散至周边街区，形成邻域风险传导。
绿视率、开敞度、围合度等视觉指标的作用方向和强度会因城市功能背景不同而变化。
XGBoost 与 SHAP 能揭示复杂非线性机制，为精准巡防、街道更新和公共安全设计提供依据。