恒隆研究| 龙瀛研究团队：基于时间序列街景和深度学习测度全国城市空间失序的演变

恒 隆 研 究

【作者】马悦 李彦^1213*

清华大学建筑学院

中国地质大学（北京）土地科学技术学院

3 清华大学恒隆房地产研究中心；清华大学生态规划与绿色建筑教育部重点实验室

【通讯作者邮箱】ylong@tsinghua.edu.cn

【原文信息】

Ma, Y., Li, Y., & Long, Y. (2025). Measuring Temporal Evolution of Nationwide Urban Physical Disorder: An Approach Combining Time-Series Street View Imagery with Deep Learning. Annals of the American Association of Geographers, 1-26.

内容导读

城市空间失序（Urban physical disorder）是指城市景观中出现的显著衰败和恶化现象。随着城市的发展，空间失序现象也在不断演变。然而，测量城市空间失序的演变仍然是一项挑战。本研究创新性地采用了时间序列街景图像和深度学习技术，分析全国范围内城市空间失序的时间演变，既包括总体水平，也包括不同的表现形式。本研究在中国共收集了2013年到2022年的2000余万张街景图像。通过训练 YOLOv8 目标检测模型，准确识别出14个城市空间失序元素。每个元素都被赋予权重，以反映城市空间失序的总体水平。基于图神经网络的聚类分析确定了四种不同的表现形式：质量良好、空置衰败、在建和缺乏维护。研究结果表明，中国的城市空间失序总体水平有所下降，主要问题已从缺乏维护转向空置衰败。经济增长与空间失序的整体改善相关，而人口减少的城市往往有更多的空置衰败问题。通过测量城市空间失序的演变过程，可以对这一现象有更细致的了解，并有助于预测城市空间质量面临的挑战，从而帮助城市规划者制定具体的应对策略。

研究背景

城市空间失序（Urban physical disorder）指严重衰败和退化的城市景观，包括破损和维护不善的外墙、废弃建筑、街头垃圾、涂鸦和破损道路。这些状况不仅会对居民的生活质量产生不利影响，而且还与不利的公共卫生和社会稳定结果相关联。全世界的城市都面临着空间失序的挑战。因此，迅速、准确地识别城市空间失序是关键的一步

城市环境会随着时间的推移而发生变化。除了与居民使用公共空间相关的正常损耗外，由于经济增长、政策实施、生态条件和人口迁移等多种因素，城市面临的空间失序问题也在不断演变美国的 “纽约东区邻里计划”和中国的 “城市更新行动”等举措都在积极应对城市空间失序 问题，振兴公共空间。与此同时，工业衰退和经济衰退导致美国 “铁锈地带 ”城市中大量住宅无人居住或被遗弃。一些欧洲国家正在经历难民危机。难民营的建立和随后的管理不善导致卫生条件恶化和垃圾堆积。鉴于城市不断经历复杂的转型，先前存在的空间失序问题有可能已经解决、加剧或引发新的挑战。正如城市生命周期理论划分了一个城市从开始到衰落的发展阶段，城市面临的空间失序问题也有可能在这些阶段中不断演变

大多数研究都集中在特定时间点对城市空间失序进行评估，很少考虑其时间演变。量化 UPD 的演变可以帮助政策制定者和研究人员确定预测和缓解空间失序的有效策略，这对于发展安全、健康和可持续的城市环境至关重要。本研究对城市空间失序的演变进行了大规模分析，并提出了两个研究问题：

(1）如何量化城市空间失序随时间的演变？

(2）在广阔而多样的地理区域中，城市空间失序演变的动态特征是什么？

为了解决这些问题，本研究提出了一种结合时间序列街景图像和深度学习的新方法，从整体层面和不同表现形式揭示中国城市空间失序的演变特征。

研究方法和数据

（1）研究区域与数据由于中国城市行政边界与实际建成区常存在差异，研究采用实体城市概念，通过地理特征的空间聚集（如兴趣点、道路交叉口和人工不透水面）更准确地表征城市化区域。本研究所有的核心数据来源于百度地图，研究收集了2013年至2022年间覆盖2,665个实体城市的5540万街景图像。通过数据处理筛选出698个符合条件的实体城市，包含264万个有效采样点和2111万张街景图像，并结合经济、人口等社会经济数据，分析UPD的演变。

图1. 研究区域及街景图像收集过程

（2）城市空间失序要素识别：研究采用适用于中国城市的UPD指标体系，包含15个要素，涵盖建筑、商业、道路、绿化和基础设施五个维度。由于季节和气候差异对绿化评估的影响较大，研究排除了绿化要素，保留14个要素。训练深度学习模型（YOLOv8）实现了空间失序要素的准确识别。

（3）UPD要素权重分配：研究采用德尔菲法对14个UPD要素进行权重分配。邀请21位建筑与城市规划领域专家对要素进行评分，并通过两轮评分和讨论，最终获得高度一致的结果。评分结果经过标准化，形成适用于中国城市空间失序评估的加权指标体系。

（4）城市空间失序特征聚类：本研究基于Tobler第一地理定律、破窗理论和城市研究的综合理论，提出城市中邻近区域的空间失序特征往往具有相似性，并通过网络分析结合地理关系对空间失序特征进行整合，以提高聚类的准确性并揭示空间失序的不同表现形式。研究以中国最小的行政单元“街道办”为分析单元，构建无向图模型，将每个街道办视为图中的节点，若两个街道办相邻则建立无向边以表征其空间联系。通过对每个街道办的14个空间失序要素进行汇总和归一化处理，构建特征矩阵，并结合图神经网络（GraphSAGE）提取节点嵌入信息，捕捉空间关联性。最终采用K-means和层次聚类方法对城市空间失序特征进行分类，最终揭示了不同空间失序表现类型的特征。

研究结果

）总体城市空间失序水平的变化

从2013年到2022年，中国城市空间失序的总体水平有所下降，平均得分从2.16降至1.73。其中，80.7%的城市表现出城市空间失序水平的下降，而19.3%的城市则有所上升。城市空间失序水平下降的城市主要分布在长江三角洲地区，而城市空间失序水平上升的城市则集中在中部和东北地区。

图4. 城市尺度下总体空间失序水平的变化

（2）城市空间失序形式的识别

根据聚类分析的结果，我们识别出4类城市空间失序形式：

①质量良好：这些区域环境整洁有序，几乎没有城市空间失序问题。街道保持清洁，建筑物和基础设施维护良好。

②空置衰败：这些区域的特点是行人流量减少，商业活动减少，主要问题是空置商店和建筑物。

③在建：这些区域通常正在进行施工，主要问题涉及施工围栏和损坏的公共界面。

④缺乏维护：这些区域常见于居民活动频繁的区域，存在基础设施损坏、垃圾和非法广告等问题。

5. 四类城市空间失序形式特征

（3城市空间失序形式的演变

数量变化：超过一半的街道办保持品质良好的状态。最显著的变化是5.89%的子区域从品质良好转变为空置衰败。最主要的城市空间失序问题也从缺乏维护转变为空置衰败。

空间分布：空置与衰败区域和在建区域在城市中分布较为广泛，而缺乏维护的区域则更多集中在非中心的局部地区。

图6. 从时间段1到时间段2城市空间失序不同形式的比例和演变实例

图7. 时间段1和时间段2 各种形式的空间失序的空间分布模式及所占比例

图8. 城市空间失序不同形式演变的空间模式

）影响城市空间失序演变的因素

经济因素：经济增长与城市空间失序水平的改善呈正相关。GDP的增长有助于减少城市空间失序，尤其是对缺乏维护型的城市空间失序。

人口因素：人口减少与空置衰败区域的增加密切相关，而人口增长则增加了维护压力。

城市发展：城市扩张与建设中的区域和空置与衰败区域的增加有关。市政公用设施建设和市政卫生投资对减少缺乏维护的城市空间失序有显著效果。

讨论

本研究通过结合时间序列街景图像和深度学习技术，量化了城市空间失序的演变过程，揭示了中国城市空间失序的动态特征和模式。研究结果表明，城市空间失序的演变不仅受到经济、人口和城市发展的影响，还表现出不同的空间分布特征。空置与衰败区域的增加与城市扩张和人口减少密切相关，而缺乏维护的区域则反映了城市管理中的不足。

从全球视角来看，城市空间失序是一个普遍存在的问题，不同地区的表现形式和演变趋势各不相同。例如，欧美国家的城市在工业化后期经历了城市衰败和空置问题，而印度等人口密集的国家则面临垃圾和空气污染等问题。本研究的方法框架可以为其他地区的城市空间失序研究提供参考，但需要根据当地的具体情况调整指标列表。

政策方面，研究建议针对不同类型的城市空间失序采取分区分类管理机制。对于空置与衰败区域，应通过经济激励和振兴项目吸引投资；对于缺乏维护的区域，应加强社区管理和公共服务；对于建设中的区域，应实施更精细的施工管理计划。此外，研究还建议建立动态监测机制，及时跟踪城市空间失序的变化，为政策调整提供依据。

基金资助：这项工作得到了中国国家自然科学基金重大项目（项目号：62394335和62394331）、面上项目（项目号：52178044）的资助。

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。