【论文分享】利用多源大数据衡量街道步行环境的老年友好性：以中国上海为例

本次给大家带来一篇SCI论文的全文翻译！该论文考虑了绿化程度、可步行性、安全性、形象性、封闭性和复杂性这六个指标，提出了一种基于多源地理空间大数据的新型定量评价模型，用于从老年人和专家的角度评估街道步行环境的老年友好程度，并成功应用于中国上海徐汇区的案例研究中。

【论文题目】Measuring the age-friendliness of streets- walking environment using multi-source big data: A case study in Shanghai, China

【题目翻译】利用多源大数据衡量街道步行环境的老年友好性：以中国上海为例

【期刊信息】Cities；Vol.148,May 2024,104829

【作者信息】

• Zhen Wei, 华东师范大学地理科学学院&华东师范大学地理信息科学教育部重点实验室

• Kai Cao, 华东师范大学地理科学学院&华东师范大学地理信息科学教育部重点实验室，[e-mail]

• Mei-Po Kwan, 香港中文大学地理与资源管理系及空间与地球信息科学研究所

• Yinghong Jiang, 上海城建设计研究院（集团）有限公司

• Qiushi Feng，新加坡国立大学社会学与人类学系

【论文链接】

https://doi.org/10.1016/j.cities.2024.104829

【关键词】

老年友好性，城市街道，街景图像，中国上海

---

【摘要】

      人口迅速老龄化要求公众和学术界更多地关注老年人的生理和心理需求。步行是老年人最喜欢的交通和锻炼方式之一。因此，人行道和建成环境的条件对老年友好型社会的发展至关重要。在这项研究中，考虑到绿化程度、可步行性、安全性、形象性、封闭性和复杂性六个指标，提出了一种基于多源地理空间大数据的新型定量评价模型，用于从老年人和专家的角度评估街道步行环境的老年友好程度，并成功应用于中国上海徐汇区的案例研究中。通过对老年人和专家进行的调查，得到了两个群体对街道步行环境老年友好程度的评价，并对其进行了分析和比较。结果显示，在徐汇区的所有街道办事处中，天平路街道办事处和湖南路街道办事处的步行环境最好；通常环绕高速公路或主干道的道路的老年友好性较低，而次干道和通路在老年友好性方面表现较高，这是根据老年人和专家的观点得出的。值得注意的是，对老年人的年龄友好性高的街道往往在步行性和绿化方面表现出色，而专家则更喜欢安全性和步行性高的街道。此外，对老年友好性影响因素的综合分析进一步揭示了一系列与老年人和专家之间不同偏好相关的潜在重要影响因素。我们相信，我们的研究结果有助于支持决策者如何改善街道的老年友好程度和建设老年友好型城市。

---

【简介】

   人口老龄化已成为全球面临的严峻挑战。人口迅速老龄化要求公众和学术界更多地关注老年人的生理和心理需求。作为一项显著的努力，引入了老年友好城市框架，通过优化城市环境和鼓励老年人进行更多户外活动来应对挑战并积极正确得引导老龄化。值得注意的是，定期的体育活动可以显著有益于老年人的身心健康。许多研究表明，适度的体力活动不仅可以显著提高老年人的能力，降低患心脏病、糖尿病和其他疾病的风险，还有助于减轻抑郁和焦虑的风险。步行是老年人最喜欢的短途放松方式之一。因此，街道空间至关重要，因为它不仅服务于通勤目的，还服务于休闲、社交和锻炼目的。有证据表明，拥有良好步行环境的街道可以鼓励和支持老年人外出进行更多的体育锻炼和社交活动。因此，衡量城市街道的老年人步行环境将在建设老年友好城市方面发挥重要作用，并进一步激发未来的政策制定。

      在这些现有的努力中，评估街道空间步行环境的方法主要有三种。 第一种方法是基于访谈和问卷调查的现场调查数据。在此类研究中，根据研究问题以及研究区域的社会和地理现实，精心选择指标来评估街道环境。邻里环境步行适宜性量表（NEWS）是评估步行环境最广泛使用的量表之一。尽管NEWS具有可以考察参与者对步行环境的主观感受的优点，但鉴于现场勘察费时费力，很难利用NEWS收集大量数据。第二种方法是利用地理空间大数据集，例如街景图像 (SVI) 和地理标记的社交媒体数据集，自动评估街道空间质量。人们的感知可以直接反映街道环境的质量。此类研究可以有效地获得人类对街道的感知。然而，社交媒体老年人用户的稀缺可能会严重影响该方法的可靠性。另一种方法是基于从各种多源数据集（包括 SVI）中提取的街道级空间元素或指标。这些检索到的街道级空间元素可用于支持自动有效地计算街道环境得分。然而，目前仍缺乏有效且常用的街道步行环境老年友好性定量评价模型。

      上海是中国老龄化率最高的城市，徐汇区是上海老龄化程度最高的地区之一，其老龄人口比例已经超过了上海的平均比例。此外，徐汇位于上海市中心，近年来基础设施完善，城市建设较少，尤其是与郊区相比。这意味着，自从SVI上传到网络平台以来，徐汇的街景并没有发生太大变化。因此，先前拍摄的徐汇SVI仍然非常能代表该地区目前的建筑环境。严重的人口老龄化和较为完善稳定的建成环境是本次研究选择徐汇区的首要原因。

       因此，本研究旨在开发一种从老年人和专家角度评估街道步行环境老年友好性的定量评价模型，以更好地支持未来老年友好城市建设的政策制定。 本文的结构如下。引言部分之后，第二部分将对文献进行全面回顾，第三部分将提供数据和方法。第四部分介绍徐汇区的案例研究，第五部分将进行讨论和结论。
 

---

【文献综述】     

 调查社区质量和居民满意度的研究通常考虑住房和基础设施条件、社区特征、街道环境在影响个人步行行为方面发挥着关键作用，鉴于老年人更喜欢步行作为日常通勤方式，这对他们来说尤其重要。安全舒适的宜人环境可能会鼓励老年人的步行活动，而暗示危险和不适的环境可能会阻碍老年人的行走行为。因此，对一个区域内的街道进行综合评估，有利于为建设老年友好型街道和城市提供更好、更有效的决策支持。

       根据最近的研究，已经开发了许多有效的方法来评估不同地理尺度下的街道步行环境。其中一种方法是基于访谈和问卷调查的现场实地实地调查。在这类研究中，研究人员走访特定街道，观察建筑环境，记录城市面貌，并完成相关报告。访谈和问卷调查可以有效地考察老年人在步行环境中的偏好和看法，在现场外出工作中得到了广泛应用。例如，Mitra等人（2015）对老年人的步行行为和社区安全和兴趣进行了半结构化访谈。问卷调查是另一种广泛使用的收集老年人对周围环境感知数据的方法。根据从调查问卷和其他类型的实地调查中收集的数据，使用不同的量表和工具来评估建筑环境的特征，并可以对其进行调整，以达到不同的目的。邻里环境步行适宜性量表（NEWS）是最受欢迎的测量方法之一，它也可以根据不同的文化背景和不同的年龄组进行调整。例如，基于NEWS成功开发了中国老年人量表，并在香港和中国其他城市应用。此外，还有一些专门为老年人开发的量表。例如，已经开发了老年步行环境评估工具（SWEAT）的修订版，其中包含了与老年人需求特别相关的项目。然而，现场外出调查工作通常耗时耗力，仅适用于小规模的研究区域。第二种方法是应用地理标记的社交媒体数据集来自动评估街道空间质量。这样，人们对街道环境的偏好可以在大的地理尺度上直接反映出来。然而，社交媒体老年用户的稀缺性可能会严重影响该方法的可靠性。

      另一种常用的方法是基于从各种多源数据集（尤其是 SVI）中提取的街道级空间元素或指标。这些检索到的街道级空间元素可用于支持街道环境评分的自动高效计算，从而实现街道质量的大规模评估。以SVI审计为例，这种审计方式在过去十年中得到了越来越广泛的应用。最初，虚拟现场审核是现场工作的替代方案。研究人员可以通过谷歌街景进行虚拟审计，减少劳动力消耗。虚拟审核可以提供与现场工作类似的结果。随着人工智能的发展，可以通过语义图像分割从SVI中自动提取视觉元素。SVI 可以捕获街道空间的整体环境特征，并允许对物理环境进行定量表示和分析。常见的城市特征（例如天空、树木和建筑因素）和微观街道元素（例如交通标志、交通信号灯和电线杆组）都可以被识别并有助于描绘城市街道的结构。除了测量物理环境之外，SVI 以及从中提取的丰富视觉元素也经常被用来衡量个人对街道环境的感知。利用深度学习框架和机器学习方法可以实现人类感知的自动大规模计算。张等人（2018）验证了基于名为“Place Pulse 2.0”的众包项目捕获人类感知的有效性。由于MIT Place Pulse数据集主要关注西方的城市SVI，因此在这些国家更适用。姚等人（2019）开发了一个人机对抗评分框架来评估当地城市对中国城市的看法。然而，上述研究中的美丽、富有、无聊、压抑等情感感知与居民日常生活密切相关，但在实践中似乎缺乏专业的解释。与此同时，各种现有研究都强调了更“专业”的感知，例如封闭性、人性化尺度、可形象性、复杂性和透明度，并且肯定比上述情绪感知更“可操作”。例如，周等人（2019）通过绿化、拥挤度、围合度和人行道宽度四个子指标，有效衡量街道步行环境。ki等人（2022）成功计算了步行指数，包括街道绿化、人行道、围护结构、直径/高度比、障碍物和视觉复杂性等指标。马等人（2021）创新地从绿色性、开放性、围合性、步行性和形象性五个方面测量了人们对街道景观的感知。因此，在本研究中，这些专业认知将被用来支持定量评估模型的开发，以评估街道步行环境的老年友好性。

---

【方法和数据】

3.1 研究框架

      本研究的研究框架如图1所示。本研究将在多源大数据集的支持下，开发一个定量评估模型，用于评估街道步行环境的年龄友好性。基于SVI和其他数据集以及老年人和专家的调查，将利用绿色性、可步行性、安全性、可成像性、封闭性和复杂性六个指标，从老年人和专业人士的角度计算和绘制街道的年龄友好度得分。此外，还将计算和绘制老年人和专家的年龄友好度得分之间的差异。除了描述性分析和空间自相关分析外，还将从老年人和专家的角度对影响年龄友好度得分的因素及其差异进行全面分析。细节将在以下章节中介绍。

3.2 数据

      SVI已成为分析城市建筑环境的常用数据源。大多数地图服务提供商不仅提供在线街道地图和SVI服务，还发布了应用程序编程接口（API），允许用户和研究人员定制和访问大量特定的SVI资源。在本研究中，从功能与谷歌地图相似的中国地图服务提供商百度地图开放平台（https:\\lbsyun.Baidu.com\）获得SVI，以说明研究区域的构建环境。从Open Street Map地理数据平台下载的道路网络沿线每隔50米设置一个全景图像采集点(https:\\www.openstreetmap.org\). 为了建立街景数据集，我们从每个采样点（0、90、180和270度）捕获了四个方向上的街景图像。视场俯仰角设置为15度，以模拟人类的视觉。剔除无效街景后，共收集到103412张街景图像。

      分发调查表是为了收集老年人和专家对六种感知品质指标重要性的意见。40名老年人和10名专家被邀请参加这些实验，并对这些指标之间街道步行环境的年龄友好性的重要性进行比较。老年人的选择标准是邀请60岁及以上（80岁以下）能够独立行走的健康人。老年志愿者的年龄分布如下：60至64岁15人，65至69岁10人，70至74岁11人，75至79岁4人。男女比例约为1:1。为了确保专家们拥有多样化的专业知识，我们邀请了来自大学和研究机构的5名研究人员，他们专门研究公共卫生、老年学、社会学、心理学、健康地理学和其他相关领域。此外，还邀请了来自规划设计机构和其他相关组织的5名专家。在开始每个实验之前，我们获得了所有参与者的知情同意，确保他们完全理解并达成一致。值得注意的是，整个实验过程严格遵守了研究伦理准则。最终，共收集了37份针对老年人的有效问卷和10份针对专家的有效问卷。
       POI 是从高德地图开放平台 (htt ps://lbs.amap.com/) 收集的。我们利用高德地图提供的开放API接口，采集了2022年3月徐汇区47835个POI数据点。每个POI数据包含名称、地址、类型、经度、纬度、行政区域等属性信息。人口、文物保护设施、养老设施等统计数据来源于《徐汇统计年鉴2021》。住宅成交价格、小区物业管理费等住房信息来自链家（https:\\sh.lianjia.com\），中国最大的房地产经纪公司。此外，本研究还收集并利用了 EULUC-China 数据集来准确表征土地利用功能区信息。建筑物屋顶和道路网络均从Open Street Map地理数据平台获得。

3.3 方法

3.3.1 SVI的语义分割   

      建立的SVI数据集将通过语义分割模型进行处理，该模型可以在必要的训练后从图像中提取特定元素。包含34个街景元素（如天空、道路、汽车和植物）的城市景观数据集是本研究中用于训练语义分割模型的数据集。该数据集收集了50个德国城市的街景图像，其中包括亚琛、汉堡和法兰克福等大城市。它包括5000张城市驾驶场景的高质量像素级注释图像（2975张用于训练，500张用于验证，1525张用于测试）。在用于研究的数据集中，总共34个元素中的19个默认用于训练，可以根据研究需求进行调整。

      本研究采用SegNet代码结构对街景图像的视觉像素进行分类，并进行街景图像像素级语义分割（见图2）。SegNet由两部分组成，一个编码器和一个解码器。编码器可以通过使用VGG16的第一个 13层卷积网络来提取图像特征并保留合并索引。解码器包括去卷积和上采样。反褶积再现了分类后的图像特征；上采样恢复图像的初始大小。编码器层对应于解码器层。解码器的输出被发送到soft-max分类器，以独立地生成每个像素的类概率。每个类别都用特定的颜色标记，每个像素都用其相应对象信息的颜色标记。

           为了训练和实施本研究中使用的深度学习和机器学习方法，计算机训练变量设置一致。训练是在配备 NVIDIA Quadro P4000 显卡和 Intel Xeon Silver 4116 处理器的同一台 Windows 计算机上进行的。

      Cityscapes 数据集中有 2975 个样本图像用于训练和 500 个图像验证。每个输入的批量大小设置为 2 以防止内存溢出。在训练阶段，迁移学习可以通过学习其他任务来获得提取图像特征的能力，所获得的能力可以帮助解决本研究中的问题。迁移学习可以显著节省计算资源，减少训练时间，提高网络模型的泛化性，并通过在模型之间共享学习的图像表示来防止过度泛化。基于ResNet50的迁移学习模型首先将神经网络冻结在142层及更早的层，进行20轮训练。然后模型解冻所有网络层并进行 60 个 epoch 的全局训练。总训练时间约为17小时50分钟。

       如果一定数量的训练 epoch 后损失没有减少，则学习效率迅速下降。因此，需要提前停止方法，当损失直到10轮仍未减少时停止网络训练。Keras中的TensorBoard模块用于记录训练数据。训练数据显示，训练后的SegNet对于迁移学习阶段的训练和验证数据集分别达到了88.4%和77.2%的准确率。对于全局训练，训练数据集的分割准确率为 90.5%，而验证数据集的分割准确率为 89.2%。经过训练的 SegNet 有望在自然图像场景分割中提供令人满意的泛化性，并解决街景图像中视觉元素的复杂排列问题。
 

3.3.2 评价指标体系

       尽管大多数关于街道感知评估的研究都有相似之处，但在与人类感知相关的指标选择以及所采用的定性定义和操作方法方面存在差异。Ewing和Handy（2009）建立了衡量城市设计质量的定性定义，包括可成像性、封闭性、人文尺度、透明度和复杂性。评估过程依赖于专家组对每条街道物理特征的评分。马等人（2021）开发了一个客观的测量框架来评估人类的感知。五个场景指数，如绿化程度、开放性、封闭性、可步行性和可成像性，是通过使用基于从SVI中提取的物理特征的像素指数的方程来计算的。通过整合上述测量方法，邱等人（2022）设计了一个包括六种感知质量的客观框架来测量街景感知。在这些研究的基础上，我们建立了一个评估城市街道步行环境的年龄友好性的指标体系。该系统包括六个感知质量作为指标：绿化程度、可步行性、安全性、形象性、封闭性和复杂性。

       城市绿地，包括森林、绿地和草坪，是城市景观设计中不可或缺的组成部分，在创造健康、可持续和有吸引力的城市环境方面发挥着重要作用（Chen et al.，2009；马等人，2021；Wolch等人，2014）。绿地提供了多种好处，如改善空气质量、促进体育活动、降低居民的压力和焦虑水平。社区环境中的绿地已被证明可以促进老年人的步行和适度到剧烈的体育活动。常见的指标，如冠层覆盖率、绿色景观指数和绿化，可以从SVI中提取，并表征街道空间中绿化的分布。
       在交通工程、交通规划、城市设计、公共卫生和社会学的背景下，可步行性的定义各不相同。多式联运规划通常考虑强调路径网络连通性、行人到达目的地的效率以及促进步行的物理属性的标准来评估步行性标准。从美学角度来看，可步行性是指周围环境中的视觉元素对步行体验的心理影响，例如与步行相关的舒适感和愉悦感。在本研究中，可步行性指标以道路通行能力为基础，并由路面面积与道路总宽度之间的比例关系确定。通过更大的无障碍空间让行人自由活动，可以获得更好的步行环境。

      步行者在选择路线时往往优先考虑安全问题。对于老年人来说，促进安全和社会凝聚力的社会环境可能不亚于物质环境本身。老年行人可能对户外空间中的其他人很敏感，并可能担心被陌生人观察或偷听。与此同时，在户外环境中对弱势群体的监护对于促进安全至关重要，这不仅可以保护行人免受潜在犯罪的影响，而且有助于降低步行过程中意外摔倒和医疗紧急情况的风险（这两个问题在老年人中都很常见）。鉴于贫困与街道安全之间的负相关关系，生活在贫困地区的老年人不太可能进行户外散步。换言之，人类对街道特征安全性的感知可能会影响外出行走的频率，这对老年人来说也是如此。具有行人友好设施的街道，如功能良好的交通灯，可以极大地提高行人的感知安全性，应考虑行人安全（Lee等人，2021）。因此，我们考虑将人、交通灯、交通标志、围栏和护栏等街景元素纳入安全感知计算方程。

      形象性是指一个地点独特、可识别和令人难忘的程度。一个具有高形象性的地方可能包含地标，例如具有复杂设计、巨大尺寸和频繁使用的独特建筑。此外，醒目的、独特的标志也极大地提高了街道的形象性。因此，建筑物和标志的比例被用来评估令人难忘的印象并识别街道的形象性。
      围护衡量建筑环境如何围住行人，观察树木、建筑物、路灯和其他垂直元素作为潜在的视觉障碍。它与人们感知的空间限制感和亲密感以及地方的宜居性和安全水平相关。王等人(2019) 量化了社区街道步行适宜性的视觉包围水平，发现它与老年人的焦虑和抑郁评分呈负相关。
       复杂性与行人在单位时间内经历的街道景观显著变化的数量相关。信息不足会导致感觉剥夺，而过度刺激会导致感觉超负荷。高度复杂的街道具有丰富的观察元素，例如建筑细节、标志、个体、动态光模式和居住指示器。建筑物、树木和街道设施等其他特征的排列导致了街道场景的复杂性。我们的研究在计算复杂性的公式中纳入了建筑物、装饰、景观元素和街道设施的数量。
      因此，在现有文献的基础上，构建了以下评价指标体系来评价街道环境的老年友好性。具体而言，将绿化程度、步行性、安全性、形象性、封闭性、复杂性设定为六大感知指标。各维度的指标及描述详见表1。 

      本研究采用层次分析法（AHP）作为常用的赋权方法，计算城市街道步行环境老年友好性评价模型中各指标的权重。AHP 是一种结构化技术，用于根据研究人员的专业判断来分析复杂问题，从而得出优先问题。层次分析法的处理分为三个步骤，即分解、比较判断和综合。在分解步骤中，复杂问题被建模为层次结构。比较判断是建立一个矩阵，对元素进行两两比较，决定配对元素的相对重要性。成对元素的相对重要性按 1-9的等级进行评级。数字刻度为1表示这两个指标对目标的贡献相等；9表示对一项指标相对于另一指标的极端偏好。
       一致性比率（CR）用于检查结果的一致性，并通过将一致性指数（CI）的值除以随机指数（RI）来计算。CI和CR的计算过程如等式（1）和（2）所示：

      λmax是判断矩阵的最大特征值。n是矩阵中指标的总数，称为矩阵的阶。RI 源自随机生成的倒数矩阵。如果 CR 值不 >0.1，则 AHP 中可以接受。则AHP中的CR值是可以接受的。否则，AHP矩阵中存在不一致性，结果不能用于后续分析。通过一致性检验后，可以从归一化最大特征值对应的特征向量中得到指标的权重。

---

【上海市徐汇区案例研究】

4.1 研究区域      本次研究的重点是位于上海市中心城区西南部的徐汇区。 根据2020年人口普查，徐汇区的老龄化比率（28.7%）远高于上海的平均比率（23.4%）（上海市统计局，2021）。 鉴于人口老龄化严重以及随之而来的社会经济挑战，以徐汇区街道老年友好性为典型案例进行研究具有重要意义，不仅可以为徐汇区建设老年友好型城市提供科学建议，同时也激励中国上海及其他地区有关人口老龄化的政策制定（见图 3）。

       

4.2 街道步行环境的评价

     基于上述数据集和方法，分别计算和映射了徐汇区的六种感知质量（见图4）。地图显示，高绿化程度值主要集中在位于徐汇区西部的漕河泾开发区。步行性、安全性和形象性呈现出相似的分布模式，高价值主要集中在以独特的建筑群和高品质悠闲街景为特征的东北地区和位于徐汇西部的梅陇社区。封闭性与复杂性有着共同的分布格局，高价值集中在徐汇北部的徐家汇商圈和徐汇西部的梅陇社区。

       为了从城市用户和设计师的角度评估街道的老年友好性，共邀请了40名老年人和10名专家参与这项实验。基于从这些参与者那里收集的指标重要性的评分结果，制定了每个参与者的判断矩阵，并计算了每个判断矩阵的一致性比率。然后，将未通过一致性检验的样本从有效样本池中剔除，并取评分结果的平均值，四舍五入后计算指标权重。六个感知指标的权重如表2所示。

            从表2可以看出，无论从老年人还是专家的角度来看，绿色性、适宜步行性和安全性都是在总体评估中占很大比例的主要指标。与这些因素相比，形象性、封闭性和复杂性对街道步行环境的老年友好性影响相对较弱。

      专家将安全视为街道年龄友好性的重中之重，在所有六项指标中，其权重值为 0.2876。这反映出专家们比老年人本身更关心老年人的安全。事实上，老年人倾向于将可步行性（0.2671）置于安全性之上（0.2442），即街道的移动便利性和通行能力。此外，老年人对绿色的重视程度（0.2494）略高于对安全的重视，这与专家的偏好不同。尽管老年人和专家都将复杂性和形象性视为两个最不重要的指标，但老年人和专家之间在选择最不重要的指标方面也存在分歧。老年人倾向于优先考虑形象性，而专家则更关注街道的复杂性。

      根据这些指标的权重，可以获得每条街道的老年友善度得分，并分别生成老年人和专家视角的老年友善度地图（见图5）。可以看出，从老年人和专家角度绘制的老年友好地图差别不大。老年友好度得分分布的相似性表明，红色道路广泛覆盖了徐汇区的主要路网，就像它的主干道“骨架”。该格局表明，徐汇区高速公路或主干道周边道路，包括内环高架、沪闵高架、中环路、外环快速路等，其老年友好度普遍较低。在主干道网围合的封闭街区内，经常可以看到代表较高老年友好度的绿色道路，就像徐汇区的“身体”。这些道路主要包括次干道、通路和社区内的一些内部道路，主要用于服务目的。差异图像从双重角度放大了年龄友好性之间的差距。青色道路表示老年人认为更适合老年人的路段，而黄色道路则表示专家认为更适合老年人的路段。老年人与专家之间的年龄友好性认知存在显著的空间分布差异。老年人认为徐汇区北部的街道老年友好度较高，而专家则认为徐汇区西部和南部的街道老年友好度较高。

           此外，我们还收集了老年人和专家对实验中使用的街景图像中随机选择的 1000张图像的直观评分。根据评估分数将样本SVI分为五个级别。利用 Pearson 相关系数和加权 kappa 值来衡量之前实验获得的年龄友好性评分与图像直观评分之间的相关性和一致性。从表3可见，Pearson相关分析和Kappa一致性检验的结果表明，从专家角度获得的两个评分之间存在极强的正相关性（r = 0.866）和近乎完美的一致性（0.816）。同样，从老年人的角度观察到的两个分数之间存在很强的正相关性（r = 0.747）和一致性（0.677）。这表明所提出的用于评估街道步行环境年龄友好性的定量评估模型能够可靠地计算出符合老年人和专家期望的年龄友好性得分。

4.3 街道步行环境的老年友好性分析

4.3.1 描述分析   

      为了说明低/中/高老年友好度街道的特征，我们计算了六种感知的平均值，并选择了每个老年友好度级别对应的典型街景图像（见图6）。从老年人和专家的角度来看，绿化价值可以部分反映街道步行环境的老年友好性，绿化程度越高，意味着沿途有更多的绿地和自然景观，可以提高吸引力 以及步行环境的舒适度。安全也是衡量街道适合老年人的一个关键特征。街道越适合老年行人，安全感知得分就越高。随着街道步行环境适龄性的提高，绿色性、安全性、围合性将显著提高，而步行性、形象性、复杂性则保持相对稳定。

      专家表示，安全性被认为是评估街道步行环境是否适合老年人的最关键因素，而老年人则将步行适宜性作为最重要的指标。典型的街景图像表明，从专家的角度来看，被认为是高度友好的街道往往配备有完整的交通设施，例如护栏、交通标志以及与车道分开的人行道。然而，老年人更看重行走的平稳性，宽敞、连续、无障碍的人行道对他们来说是最有吸引力的。道路两旁的绿树也是高品质街道的重要特征，无论对于老年人还是专家来说。厚厚的树冠通常提供头顶覆盖，导致围护面积增加。因此，较高的绿色性、安全性、适宜步行性、封闭性是高品质街道的主要特征。

            老年人和专家对于具有高水平老年友好性的小区有着共同的看法。然而，对于年龄友好性得分为中低的分区，他们的看法略有不同。从徐汇区街道层面老年友好度平均值来看（见图7、图8），天平路街道从老年人和专家的角度得分最高，紧随其后。经湖南路街道、虹梅路街道。老年步行环境最差的街道为斜土路街道、龙华街道、漕河泾街道。

      

      图9展示了每个街道的六项指标值（以老年人视角的老年友好度平均值排序）。老年友好度高的街道通常在一两个方面表现突出；六个维度的表现都比较均衡，没有明显的短板。老年友好度最高的四个小区各自以不同认知为主，如天平路小区以步行性为主（黄色），湖南路小区以安全性为主（红色） 其中，徐家汇街道以形象性为主（紫色），虹梅路街道以绿色性为主（绿色）。对老年人最不友善的小区可能在某一方面表现良好，但在其他方面却令人失望。以封闭性为主的街道（以蓝色标记）似乎没有为老年人提供适合年龄的街道环境。

4.3.2 空间自相关分析   

     为了根据老年人和专家的观点研究年龄友好性地图的空间自相关性，计算了全局 Moran-s I 值。图10展示了双重视角下的全球年龄友好性Moran-s I值的结果以及相关差异。总体而言，年龄友好性得分的模式显示出显著的正空间自相关性，从老年人和专家的角度分别为 0.565 和 0.558。它们之间差值的全局 Moran-s I 值也达到 0.462，表明存在明显的正自相关。为了进一步阐明老年友好性得分的空间关系的具体类型，我们还绘制了 LISA 聚类图。这些地图可以识别空间值高低的区域、异常值和缺乏统计意义的元素。如图 11 所示，主要集群类型是高-高 (H-H) 和低-低 (L-L) 聚集。 从空间上看，H-H老年友好型集聚区主要分布在建筑群独特、街景优美的东北地区，以及桂林公园、华景公园等绿化优良的西部和南部地区，而L-L老年友好型聚集区则明显集中在徐汇滨江地区。老年友好度得分的差异与得分本身呈现出不同的空间分布模式。得分差异的H类集聚区主要分布在工业园区众多的西部地区和上海南站附近的中心地区。得分差异L-L聚集地主要分布在徐家汇商务区以及内环高架、沪闵高架沿线区域。
 

4.3.3 影响年龄友好性因素的综合分析

     为了进一步分析不同角度对街道步行环境年龄友好度得分的影响因素，考察了老年人和专家角度的街道年龄友好度分数与不同类型POI密度、社会经济指标和传统建筑环境指标之间的相关性。此外，还通过从老年人得分中减去专家得分来计算双重视角之间的差异，并研究了其与这些潜在影响指标的关系。所有结果如表4所示。

      不同类型的POI的密度可以用来表示不同类型的服务设施的分布。根据表4中的相关结果，可以看出，旅游景点、商业住宅和政府机构\/社会团体的存在对老年人和专家的年龄友好度得分都有显著而积极的影响。与专家相比，根据老年人的观点，提供基本生活服务的设施对年龄友好度得分的影响更大。这一现象可归因于这样一个事实，即这些地点往往提供了社会参与、休闲活动和获得服务的机会，这可以满足老年人的特殊需求，而专家们可能低估了这一需求。此外，还注意到，双重视角之间的差异可能主要受到公共设施、交通设施和医疗服务设施的影响，这些设施在建设更适合老年人的街道的同时，需要引起城市设计师的更多关注。

      社会经济统计指标主要反映人口结构和设施配置。根据表4中的结果，可以发现，无论是从老年人还是专家的角度来看，文物保护设施建设相关指标与城市街道的年龄友好度都存在很强的正相关关系。徐汇区文化遗产保护单位主要位于桃江路、东湖路、思南路、华山路、肇家浜路。这些街道上美丽的步行环境和独特的建筑可以为老年人提供难忘的体验。这也可能反映出老年人可能更喜欢在熟悉的环境中生活和行走。还应指出，双重视角之间的差异可能主要受到登记人口、60岁及以上人口和登记人口密度的影响，这可能清楚地表明，在设计或建造更适合老年人的街道时，可能需要进一步考虑人口和人口分布，从社会经济统计指标来看。

      5D（密度、多样性、设计、公交距离和目的地可达性）是用于评估建筑环境的传统标准。因此，在这项研究中，还计算了建筑环境指标，包括建筑物、道路和道路交叉口的密度、土地利用和POI的多样性以及道路网络的可达性，以检验它们与老年人和专家的这些年龄友好性得分的相关性。从表4中可以看出，从老年人和专家的角度来看，建筑密度、建筑施工时间和土地使用组合的多样性是与这些街道的年龄友好性最相关的指标。这些结果与许多其他现有研究一致。例如，在比利时进行的一项横断面研究中，研究发现，与居住在最不适合步行的社区的老年人相比，居住在最适合步行的街区的老年人每周步行的频率更高，这是由居住密度、街道连通性和土地利用组合多样性等因素决定的。人们还注意到，高密度建筑往往会促进充满活力的街道活动，增加行人流动，从而产生更大的封闭感和更高的活动水平。在表4中同样值得注意的是，建筑面积比（FAR）、POI的多样性和道路密度在塑造老年人和专家之间对年龄友好的不同看法方面发挥了重要作用。研究表明，与专家的预期相比，老年人可能更喜欢更高的FAR、POI的多样性和道路密度，这反映出老年人更喜欢在道路、建筑和设施密度更高的更成熟社区内走这些街道。它也与老年病学领域广泛接受的衰老理论相一致。城市设计师在改善街道步行环境的老年人友好性时也可以充分采用这些发现。

---

【讨论和结论】   

   尽管街道一直被强调为老年友好型城市的一个关键方面，但由于耗时和费力的实地调查所施加的限制，对城市街道老年友好性的评估仍然不足。更具体地说，如果研究人员仅仅依靠现场实地收集和处理数据，那么研究必须局限在一个相当小的地理区域内，几乎不可能评估整个城市甚至更大区域内的所有街道。本研究开发了一种基于多源地理空间大数据集的新的定量评价模型，用于从老年人和专家的角度评估街道步行环境的年龄友好性，并已成功应用于中国上海市徐汇区的案例研究。此外，基于对两组老年人和专家的调查，从两个角度获得、分析和比较了街道步行环境的年龄友好性。

       实证研究发现，天平路街道的老年友好度得分最高，其次是湖南路街道和红梅路街道。还注意到，专家们认为安全是街道的最关键因素，而老年人更重视步行性和绿色性，略高于安全性。此外，在徐汇区，高速公路或主干道附近的道路通常具有较低的年龄友好水平，而次干道和通道往往表现出较高的年龄友好程度。此外，在生成的三个年龄友好度图中也检测到了显著的正空间自相关，并且还发现，年龄友好度的H-H聚集在具有独特建筑群的东北地区，而徐汇河滨地区的年龄友好度L-L聚集明显集中。基于对年龄友好影响因素的综合分析，我们发现，根据老年人和专家的观点，与街道老年友好相关的指标略有不同，而从老年人和专业人士的角度来看，与年龄友好差异相关的指标则大不相同，这可以更深入地揭示老年人与专家对街道步行环境年龄友好的看法的差异。在这方面，这项研究不仅是方法上的进步，而且可能会对老年友好型城市建设产生实际的影响。

       尽管街道步行环境评估已成为城市规划等相关领域的热门话题，并采用了一系列较为先进的研究方法（包括但不限于机器学习、大数据），但老年居民的需求并没有得到满足。现有研究中已得到充分考虑。这项研究在一定程度上弥补了研究空白。我们的研究结果表明，与城市设计师相比，老年人对街道步行性的重视程度不同。例如，尽管专家认为安全是老年人行走时最关心的问题，但研究发现，老年人更关心的是能否在街上平稳舒适地行走。这些发现不仅可以与老年学中对老年人日常活动的现有检查联系起来，而且可以在实践中支持老年友好型街道和城市的建设。从这个意义上说，我们的研究可以在一定程度上架起城市规划和传统老年学研究的桥梁。

      本文具有重要意义，但也存在一些局限性。首先，如果研究范围能够扩展到上海全市，甚至更大的其他城市，那就更有意义了。未来我们将在更大的地理范围内继续这项研究。其次，本研究中用于训练的城市景观数据集主要由欧洲城市而不是亚洲城市的街景图像组成，这可能会给我们用于研究区域的机器学习模型带来一些不确定性。为了提供更准确、结果更合理的评估模型，建立专门针对亚洲城市的SVI训练数据集将是本研究的另一个有意义的方向。