2021年，国家发展改革委、国务院妇儿工委、住房和城乡建设部等23个部门联合发布了《关于推进儿童友好城市建设的指导意见》^[1]，文件提出在全国范围内开展100个儿童友好城市建设试点，明确提出儿童友好成为城市高质量发展的重要标识。截至2023年，国家发展改革委已组织3批试点城市申报工作，已有93个城市被纳入试点，更多的城市着手开展了儿童友好城市建设工作。2021年，福州在福建省率先出台《福州市创建国家儿童友好试点城市方案》，各部门以儿童优先为原则，围绕优化儿童公共服务，加强儿童权利保障，拓展儿童成长空间，解决儿童发展环境等问题进行儿童友好城市建设^[2]。福州市作为东南沿海的重要城市，儿童人口规模较大。根据《福州市第七次全国人口普查公报》显示，截至2020年，福州市常住人口为829.12万人，其中0~14岁人口占17.08%，约为144.7万人^[3]。这一年龄段的儿童在出行时通常需要家长陪同，这意味着福州市有大量家庭需要考虑儿童友好的出行环境。假设福州市每个儿童日均出行2～3次，平均每次有1～2位家长陪同，则福州市每日亲子出行频次约为317万次。这意味着在福州城市范围内，儿童出行环境的友好程度直接影响着约105万儿童和约211万陪行家长的生活质量与幸福感^①。基于这一现实需求，儿童友好城市的建设需要为儿童提供安全、健康和有利于成长的环境。研究街道空间感知与居民情绪的关系，有助于系统识别街道环境（如道路安全系数、步行可达性）、空间功能及环境质量等可能影响儿童及其家庭日常体验的因素，进而针对安全设施配置、活动空间营造等提出改进建议，为儿童友好城市建设的精准实施提供实证支撑。

近年来，在儿童友好城市建设与国内生育政策放开的双重背景下，国内儿童友好议题进入深化发展阶段，学界逐步开展“儿童-空间”互动关系研究，重点关注儿童行为特征与建成环境之间的耦合机制。早在2002年，扬·盖尔^[4]在《交往与空间》中揭示了街道步行活动的空间需求规律，系统论述了步行空间尺度与人群行为模式的对应关系，特别是论证了铺装材质、无障碍设计、空间界面连续性等要素对步行安全性及舒适度具有决定性影响，为儿童友好空间研究奠定了重要理论基础。儿童友好的空间环境需兼顾家庭的基础功能需求与儿童群体的社会性发展需求。此类空间不仅要满足儿童看护、安全防护等基础服务供给，更需通过街道空间、社区空间及绿地空间等多类型空间组合促进跨龄交往、邻里互动的复合型社交场景，实现儿童社会能力培育与社区关系网络构建的双重目标^[5]。当前儿童友好城市方面的研究主要有：一是聚焦街道空间安全评估，如靳珂^[6]以德尔菲法、层次分析法构建街道步行安全评价体系。二是关注通学空间优化，如武凤文等^[7]通过综合儿童的认知、心理和行为特征，运用机器学习技术，从健康安全、交通安全、环境多样性、自然舒适和社会监督5个维度评测儿童步行通学道并提出优化策略。张克凡等^[8]使用开源数据挖掘、图像语义分割等技术手段，针对杭州3所小学的现有通学空间提出改善策略。总体来看，现有研究虽已建立环境要素与行为安全的关联模型，但对建成环境要素与居民（儿童与家长群体）情绪感知的影响机制仍缺乏系统性阐释，相关实证研究仍存在明显空白。

近年来，公众对空间环境视觉和情绪感知逐渐成为城市空间规划与治理研究的焦点^[10]。有关于情绪和空间的探讨，可以追溯自2001年情绪地理学（emotional geography）的正式提出^[11]，情绪开始摆脱作为纯粹主观精神问题的范畴而走向广阔的社会——文化空间，空间性、开放性和关系性的情绪也得到了确立^[12]。因此公众情绪是人们在长期、重复的地方互动和经验积累的过程中，对某一公共事物或事件所形成的集体情绪和态度。这种情绪和态度是动态的、社会性的，并且受到多种因素的共同影响^[13]。然而社交媒体平台催生的用户生成内容（user-generated content, UGC）为情绪研究提供了海量数据源，而机器学习方法的迭代创新则重塑了情绪分析的技术路径，二者的协同发展显著提升了情绪研究的实证能力。越来越多的学者利用UGC和机器学习方法探索空间环境与居民情绪之间的关系，现有研究有3类典型范式：其一，基于视觉情绪映射的环境评估，如Huang等^[14]将社交媒体图像中描绘的情绪感知与实际环境布局进行比较研究；其二，聚焦文本情感的行为意图分析，如Mehra^[15]通过情感分析用户评论来剖析人的行为意图；其三，面向管理优化的投诉情绪挖掘，如Jiao等^[16]分析投诉文本中的情绪来完善环境管理。值得注意的是，当前研究多停留在情绪状态与环境整体评价的关联层面，而鲜有研究深入探究空间特征如何影响人类情感状态。在情绪分析方法方面，常见方法有随机森林（random forest, RF）算法^[17]、基于Transformer的深度学习（deep learning, DL）技术^[18]和潜在狄利克雷分配（latent dirichlet allocation, LDA）方法^[19]，但因受到主观检测、上下文依赖性和计算成本限制，情绪分类结果（如积极/消极情绪判定）的准确性波动还有较大的提升空间^[20]。此外，大多数研究将抱怨情绪作为主要因变量，忽视了居民空间感知对情绪的潜在影响^[16]。因此，后续研究迫切需要将先进的自然语言处理技术与居民情绪分析相结合，全面深入地挖掘居民情绪的驱动因素，实现对环境景观中正面、负面或者中性情绪的高精度测量与分析。

虽然现有研究已初步探讨儿童与空间的互动关系，但多数成果聚焦于街道景观、安全防护标准等物质形态设计与总体规划层面，往往忽视了居民的意见，尤其是儿童及其父母的意见，并未系统研究街道空间感知对儿童及其家庭的日常情绪影响^[21]。鉴于此，本研究选取福州市作为实证对象。作为国家发改委首批儿童友好城市建设试点城市，福州市于2021年率先发布《福州市创建国家儿童友好试点城市方案》^[2]，系统性推进适儿化空间改造。例如，鼓楼区水部片区和学园路周边率先完成校园周边交通适儿化改造，通过儿童参与式设计优化地面标识系统及街道界面艺术化改造。这些实践结果为本研究提供了差异化场景：既有已完成改造的示范街道，也有尚待优化的传统空间^[22]。可以更好地探讨儿童友好城市街道空间感知对居民情绪的复杂影响机制，深入分析环境如何动态影响居民，尤其是儿童及其家庭的情绪变化。同时，本研究利用多源数据与机器学习技术，构建街道环境要素与居民情绪的机器学习解释模型，探索街道空间感知与居民情绪之间可能存在的非线性效应，进而提出针对儿童友好城市街道建设的具体设计建议。

1.   研究设计

1.1   研究区域

本研究以福州市主城区为研究对象，研究范围涵盖鼓楼区、台江区、仓山区、晋安区，以及马尾区、长乐区绕城高速以内的核心区域，总面积约695.7 km²（图1）。该区域具有典型的人口密集特征与复合型空间结构，福州主城区包含东街口商圈、三坊七巷历史文化街区等城市核心功能区，又分布着大量承载市井生活气息的老旧社区，形成了多层次的城市空间形态。选择该区域作为研究对象主要原因：其一，福州的空间异质性有助于建立改造成效的评价准线；其二，研究区涵盖了历史街区保护、商业开发与居住功能等多层次的城市空间形态，为探究不同功能导向下街道空间感知差异提供了理想场域。

图  1  福建省福州市主城区

Figure  1.  Main urban area of Fuzhou City, Fujian Province

下载: 全尺寸图片 幻灯片

1.2   指标体系构建

为保证实验指标选择的客观性，便于与同行更好地研究讨论，本研究对2014—2024年与该主题相关的主要出版物进行了梳理和整理。在梳理过程中，本研究特别注重选取可量化且直接关联到儿童友好城市街道空间感知的指标，同时结合实验的创新点进行综合分析。在现有研究中，有学者认为建筑密度和地面铺装面积这些街景指标与儿童友好指标呈正相关，而道路占比、开阔率、人行道占比、栅栏占比和绿视率等指标与儿童友好指数呈负相关^[24]。为了进一步深化这些指标与居民情绪感知的关系，武凤文等^[7]将儿童友好城市街道空间类型分为交通性街道、综合性街道、生活服务性街道等，并建立了5个维度（交通安全性、自然舒适性、环境多样性、社会监管性、成长健康安全性）的指标体系。本研究在5个维度的基础上，将5个维度转化成为本研究的指标，深入探究不同街景指标对居民情绪感知的影响机制。

1）交通安全性：这一维度是影响居民，尤其是儿童及其监护人情绪的重要因素，本研究选取了交通流量（T）、人行道占比（S）2个指标作为交通安全性维度的表征。由于不同车型对行人交通安全的影响存在差异，本研究参考各车型的碰撞侵略性指数（crash aggressivity index, CAI）比值进行计算，以更准确反映各车型对交通安全的实际影响^[25]。

2）自然舒适性：本研究纳入儿童绿视率（G）以及天空开阔率（O）作为自然舒适维度表征。由于考虑到考虑到儿童可以接触到的绿化与成人不同，参考Liu等^[26]的研究，本研究按照1.3 m身高范围可接触部分计算1/2绿视率（G），以更准确地评估儿童在自然环境中的舒适度。

3）环境多样性：视觉复杂性是儿童友好城市研究的重要因素，选择景观的视觉复杂性能够促进儿童的认知、情感、行为等多方面发展。多样的景观可以提供丰富的刺激，激发儿童的探索欲望，增加儿童与景观的互动机会，提升儿童社交能力，同时增强安全感与归属感，有助于培养儿童的空间感和方向感^[27]。

4）社会监管性：该维度纳入了人流量（H）、建筑占比（B）和墙面围合度（W）指标。梁思思等^[28]认为街上行人可以形成有效的“街道眼”，形成有效的街道的社会监管水平。关于建筑占比（B）以及墙面围合度（W），Ladd^[29]研究表明二者通过制约空间的开放性和视觉通透性，通过增加街道整合度来调节社会监管效能与预防犯罪。值得注意的是，墙面围合度的提升不仅与监管功能相关，该研究还发现其对儿童活动质量具有复合价值：适度的墙面围合可界定卫生清洁和游戏边界，而连续性建筑界面形成的半封闭空间更能激发儿童创造性活动。

5）成长健康安全性：该维度纳入栅栏占比（F）、安全设施（监控、标识以及路灯等）占比（A）以及铺装度（Z），其中栅栏占比、安全设施占比与儿童的健康安全息息相关，并且这3个指标对儿童友好有直接影响^[30]。

在此基础上，本研究利用人机对抗评分框架（StreetViewRatings v1.0）并邀请6~16岁儿童及其随行家长对街景图像（约4 000张街景图像）进行空间安全感知打分，该模型利用随机森林模型拟合了用户评分和街景的视觉特征对整体空间安全进行预测，耦合人类经验与机器计算优势，突破传统主观评价的模糊边界^[23]，能够深入探究空间安全心理因素如何潜在地影响居民的情绪反应，能够辅助本研究更全面地理解成长健康安全性对儿童友好城市街道空间设计与居民情绪感知之间的复杂关联（表1）。

表  1  感知指标说明

Table  1.  Description of perceptual metrics

研究指标	指标说明	处理方法
居民情绪感知	基于自然语言处理的文本分析	CNN-BiLSTM方法
空间安全感知	景观感知中的安全感知得分	基于全卷积神经网络（FCN）和随机森林（RF）算法的人机对抗评分框架

下载: 导出CSV 

| 显示表格

1.3   研究方法

1.3.1   卷积神经网络-双向长短期记忆（CNN-BiLSTM）模型

BiLSTM（bidirectional long short-term memory）模型融合了双向递归神经网络（bidirectional recurrent neural networks，BiRNN）的上下文建模能力和长短期记忆网络（long short-term memory, LSTM）的时序依赖捕捉优势，可对情绪文本进行细粒度语义分析。CNN-BiLSTM模型具有BiLSTM的双向长短期记忆能力和CNN（convolutional neural network）的局部特征提取能力，有学者已经利用该模型处理文本数据，满足了分析投诉情感文本的需求^[31]。传统的机器学习模型（如SVM和朴素贝叶斯）依赖于手动特征工程，无法有效捕获文本的复杂模式和深层特征。相比之下，本研究CNN-BiLSTM模型具有识别精度高、平均泄漏率低、时延低的特点，在文本情感识别中表现出良好的数据传输性能^[32]。

1.3.2   基于全卷积神经网络（FCN）和随机森林（RF）算法的人机对抗评分框架

在本次研究中运用FCN的街景语义分割方法（fully convolutional networks）与随机森林（RF）模块建立评分系统，用于城市空间安全感知量化评估。该框架能够自动拟合模型，对偏离数据重新训练并自我修正模型参数。技术实现包含多阶段优化流程：首先，以MIT Place Pulse 2.0数据集进行迁移学习本地化适配，采用中国城市感知评估专用数据集，最后根据分割结果构建151维街景特征描述向量：针对每张图像计算各类别像素面积占比，形成表征视觉要素构成的151维特征向量，即V=[V₁​，…，V₁₅₁]（其中V_i表示第i类物体的像素占比）^②。在此基础上，笔者将原始151维特征指标降维至交通流量、铺装度、天空开阔率等10个核心指标（表2）。再通过迁移学习训练FCN，构建人机对抗评分框架以适配人工注释者的评分特征偏好，并将优化后的交互评估模块集成于平板终端，形成面向亲子用户的低门槛评价系统。本研究邀请40位年龄在6~16岁孩子以及53位随行家长，一共93人。使用人机对抗评分框架对街景中城市空间安全感知进行打分，考虑到儿童表达能力差异，小于10岁的儿童由随行家长依据儿童本人想法代为作答。家长不仅能表达儿童的情绪，还能综合考量整体的安全感与舒适度感知。为了使得分数更具有参考价值，本研究基于联合国儿童基金会（united nations children's fund, UNICEF）《儿童友好型城市规划手册》中街道安全模块^[33]，构建适儿化街道安全评价体系。采用层次分析法将影响儿童安全的维度划分权重，每组二级指标通过以儿童视角设计的问题向儿童询问，并辅以图片引导儿童根据自身感受进行评分（表3），并结合各组指标的权重，计算出综合得分，从而获得带有真实分数标注的街景数据集。

表  2  研究指标计算式及说明

Table  2.  Calculation formula and description of research indicators

研究指标	计算式	指标说明
交通流量（T）	T=0.44C+M+2N/PI×100%	参考各车型的碰撞强度指数的比值，对车流安全性进行加权计算，得到结果。其中C代表大型机动车百分比，M代表小型机动车百分比，N代表非机动车百分比,PI是图像中识别的像素总数
栅栏占比（F）	F=PF/PI×100%	F代表图像的栅栏占比，PF是模型识别的栅栏的总像素数；PI是图像中识别的像素总数
铺装度（Z）	PZ=PZ/PI×100%	Z代表图像的地面铺装的百分比；PZ是模型识别的铺装的总像素数；PI是图像中识别的像素总数
建筑占比（B）	B=PB/PI×100%	B代表图像的建筑的百分比；PB是模型识别的建筑的总像素数；PI是图像中识别的像素总数
天空开阔率（O）	O=PO/PI×100%	O代表图像的天空开阔度率；PO是模型识别的天空的总像素数；PI是图像中识别的像素总数
人行道占比（S）	S=PS/PI×100%	S代表图像的人行道的百分比；PS是模型识别的人行道元素的总像素数；PI是图像中识别的像素总数
安全设施占比（A）	S=PA/PI×100%	A代表图像的安全设施的百分比；PA是模型识别的安全设施元素的总像素数；其中安全设施是由（监控+标识+路灯+布告牌）百分比；PI是图像中识别的像素总数
儿童绿视率（G）	G=（1/2PG）/PI×100%	G表示图像中被植被覆盖的地面百分比；PG是模型识别的草地和其他绿色地面元素的像素数；PI是图像中识别的像素总数
人流量（H）	H=PH/PI×100%	H表示图像中行人百分比；PH是模型识别的行人像素数；PI是图像中识别的像素总数
墙面围合度（W）	W=PW/PI×100%	W表示图像中墙面百分比；PW是模型识别的墙面像素数；PI是图像中识别的像素总数

下载: 导出CSV 

| 显示表格

表  3  儿童安全的维度划分权重

Table  3.  Dimension weighting for child safety

一级维度	二级维度	指标描述（以儿童口吻描述）	权重/%
交通安全	交通标志和信号	嘿，小朋友！你觉得这条路上那些指路的牌子和红绿灯多不多呀？你喜欢在这里散步和玩耍吗？	15.08
	交通车辆影响度	嘿，小朋友！你在街上走的时候，有没有注意到周围的车呀？你觉得这些车哪种最多呢？是呼啸而过的小轿车多，还是慢悠悠的大型车多，或者是轻便的非机动车多呢？你喜欢和这些车一起分享街道吗？	15.88
行人安全	人行道条件	嘿，小朋友！这条路宽不宽的，有没有坑，你喜欢在这里跑来跑去玩吗？	30.29
	过街设施	嘿，小朋友，你敢自己过这条街等红绿灯吗？喜欢在这里等爸爸妈妈吗？	9.66
公共安全	街道照明	嘿，小朋友，你觉得晚上这里的路灯亮不亮？能不能照亮我们走路的地方呢？	15.84
	行人隔离设施	嘿，小朋友，这里有没有护栏挡着车，让你走在马路上时更安全，你觉得怎么样？	6.33
环境安全	绿化和树木	嘿，小朋友，你觉得这里的街道绿树多不多？它们长得健康好看吗？	2.44
	清洁和维护	嘿，小朋友，这里的街道和人行道干净吗？垃圾都及时清理了吗？	4.48

下载: 导出CSV 

| 显示表格

1.3.3   基于MatLab软件的视觉复杂度计算

视觉复杂度是一个重要的视觉特征，它在更小的尺度上影响人们对景观的感知。Kaplan在1989年研究发现环境的广阔性与复杂性能够激发持续的探索行为，从而缓解认知疲劳^[34]。在景观生态学、景观美学、用户视觉感知等领域，熵常被用作衡量图像整体复杂度的指标，通常使用视觉熵来量化图像的整体复杂性^[35]。MatLab软件能够识别图片后进行灰度化增强、区域划分、面积计算等处理，计算图片的视觉熵。原理如下^[36]：

式中，n为计算的图像中具有显著边界的区域或单元个数，i为划分后的区域，P（a_i）为区域a_i（i=1，2，…，n）出现的概率，H（x）则表示对于由n个区域构成的整个视觉对象产生的总信息量，即视觉复杂度。本研究通过MatLab视觉熵计算，量化街道场景中视觉元素的组织复杂程度，该指标与儿童探索欲望和监护人环境评估密切关联，为研究空间感知对居民情绪的双向影响机制提供量化依据^[27]。

1.3.4   回归模型构建和可解释性分析

为分析儿童友好城市街道空间感知指标与居民情绪的相关性。本研究采用XGBoost（eXtreme Gradient Boosting）回归算法构建回归模型，并使用SHapley加法解释（SHapley additive exPlanations, SHAP）方法进行可解释性分析^[37]。SHAP是一种用于解释机器学习模型预测结果的方法，它基于Shapley值理论，通过将预测值分解为每个特征指标的影响，为模型提供全局和局部的可解释性。模型输出的SHAP值是计算模型贡献度的基础。SHapley加法解释为本研究提供多维解释工具，包括特贡献重要性排序（全局解释）、监督聚类热力图以及SHAP部分依赖图（局部解释）可视化方法，实现从宏观规律到微观机制的多尺度解析，SHAP值能更好地解释指标的变化趋势和特征的贡献重要性。XGBoost回归算法具有效率和可扩展性的优势，在单机和分布式环境中表现出极高的性能，可以有效地处理大规模和复杂的数据集。相较于传统的线性回归、逻辑回归等线性模型，XGBoost回归算法的树状结构更好地捕捉了数据中的非线性关系^[38]，可以揭示不同指标如何影响模型的输出。预测值值计算式：

式中，$g(z')$表示景观元素的情绪感知影响的预测值${\text{z}}'$，${\phi _0}$表示景观要素构成的平均指标，M表示模型中变量的数量，${\phi _i}$表示第i个研究指标的SHAP值。

为了能够量化和解释儿童友好城市街道空间对居民情绪的影响，对于每个预测值，通过计算SHAP值所有可能的解释特征变量组合的平均边际贡献来计算的。其中计算每个特征i的SHAP值计算式：

式中，${\phi _i}$表示特征i的贡献，$N \{i\}$表示包含n个特征的集合；$f(S \cup \{ i\} )$和$f(S)$分别表示有特征i和没有特征i的模型结果。

2.   数据来源

2.1   街景数据

本研究从OpenStreetMap（OSM）获取福州市一级道路网络数据。经过拓扑检查和地理配准，对所有道路线段在交叉口处进行打断处理，形成拓扑连通的路网结构，并在道路线段上每隔50 m标记采样点，最后得到15 828个采样点，再通过访问2023年百度街景应用程序接口（application programming interface, API）在每个采样点位置爬取街景图像。详细请求参数设置如下：俯仰角为0，每个采样点全景照片切为4张采样角度，分别是0°、90°、180°、270°。由于部分采样点街景图像缺失，最终共获取53 771张街景图像。

2.2   文本数据

本研究中使用的预分析数据来自于微词云中文感情分析平台（weiciyun.com），其中文本数据根据儿童友好类关键词^③从福州市生态环境局官方数据开放平台、12345政务服务平台以及微博等社交媒体客户端中收集关于儿童友好城市的体验、评论、感受等情绪文本数据，收集时间范围设置为2019年2月至2024年2月，最后共得到有效文本数据1 474条。使用经过训练的自然语言模型对有效文本数据进行评分，分数范围为−10到10，分值越高代表积极情绪越积极。

3.   技术路线

为了更好地探索儿童友好城市街道空间感知对居民情绪的潜在影响，本研究流程分为3个阶段开展：1）数据收集阶段，整合街景图像、社交媒体文本等多源数据；2）研究指标计算阶段，通过机器学习模型提取空间感知指标和情绪感知指标；3）数据分析阶段，采用XGBoost回归算法建模与SHAP可解释性分析探究变量间的相互作用机制。

在图像处理方面，FCN语义分割模型和MatLab软件通过高分辨率和兼容性处理方法，来处理对应的图像数据，确保景观图像量化的细节处理质量。同时，利用ArcGIS 10.8软件进行空间分布模式的核密度分析，增强了结果的可视化效果。对于公众情绪文本数据，在指标计算方面，人机对抗框架对街景图像进行空间安全感知打分，并利用CNN-BiLSTM模型提取文本情绪数据。模型解释性方面，引入XGBoost回归算法建模和Shapley加性解释分析，用于揭示情绪特征间的复杂关联（图2）。

图  2  研究设计框架

Figure  2.  Study design framework

下载: 全尺寸图片 幻灯片

4.   研究结果

4.1   文本情绪指数分析结果

本研究中的CNN-BiLSTM模型在计算文本情绪方面的准确率为95.2%，检验损失为0.174 11，表明预测准确率和整体稳定性较高。在70个训练周期后，模型准确率达到98.15%，该模型在计算文本情绪方面保持了高效和平衡的性能。此外，该模型在处理类别平衡问题方面表现出色，保证了对不同情绪的精确预测精度和覆盖率，能够作为情感识别的应用模型。

结果显示，消极情绪占30.88%、中性情绪占15.79%以及积极情绪占53.33%。鉴于情绪计算结果中的大部分情绪是积极的，将情绪感知评分按照高低顺序进行着色显示，得到福州主城区环境情绪感知分布情况（图3）。图中黄色到蓝色则代表积极情绪到负面情绪的分布。在福州市的主城区中，鼓楼区水部片区（A区）、鼓楼区学园路（B区）、晋安区金鸡山公园（D区）以及仓山区浦上大道（E区）是居民情绪感知水平较高的区域。值得注意的是，在这些居民情绪感知水平较高的地区周边，其主干道如乌山路（a区）、白马中路（b区）、江滨中大道（c区）等，由于车流量大、噪声污染、步行环境不佳等原因，其居民情绪感知水平却普遍偏低。值得注意的是，虽然光明港（C区）进行过适儿化改造工程，但是居民对于光明港区域的情绪感知评分却不高。相反，浦上大道（E区）虽然未进行适儿化改造，但居民的情绪反馈却较为积极。然而，情绪感知的背后与多个环境因素密切相关，特别是在儿童友好城市的建设过程中，不同景观指标对情绪的影响更值得深入探讨（图4）。为了进一步挖掘这些影响因素，通过分析SHAP贡献重要性（图5-1）、对模型输出影响（图5-2）和景观指标监督聚类（图6），揭示景观指标对情绪的具体贡献及其相互关系，从而为儿童友好城市环境的优化提供更具针对性的参考依据。

图  3  福州市居民情绪感知地图

Figure  3.  Emotion perception map for residents in Fuzhou

下载: 全尺寸图片 幻灯片

图  4  街道景观感知指标地理分布

Figure  4.  Geographical distribution of streetscpae perception indicators.

下载: 全尺寸图片 幻灯片

图  5  SHAP 贡献重要性（5-1）及蜂窝图（5-2）

Figure  5.  SHAP Contribution importance (5-1) and Honeycomb plot (5-2)

下载: 全尺寸图片 幻灯片

图  6  SHAP 贡献值聚类热力图

Figure  6.  Analysis of SHAP partial dependence plot

下载: 全尺寸图片 幻灯片

4.2   SHAP贡献重要性与监督聚类分析

为厘清儿童友好城市景观要素对居民情绪的作用路径，本研究采用SHAP可解释性机器学习框架，从全局影响力、指标动态效应及要素耦合关系3个维度展开解析。结果显示，交通流量、视觉复杂度、空间安全感知与栅栏占比构成核心影响因子群，其平均值对SHAP值均超过0.175的阈值，显著高于铺装度等次要因子（图5-1）。其中，交通流量的贡献度得分是墙面围合度（0.0125）的22.6倍，这种数量级差异印证了家长群体对儿童活动场所交通安全性的高度敏感性，揭示了交通要素在儿童友好环境中的关键调控地位。

分析SHAP蜂窝图^③可以发现（图5-2），当交通流量指标较高时，SHAP贡献值表现出左移趋势，特征值分布越广，表明交通流量指标具有显著影响力。交通流量SHAP贡献值在低值和高值下对模型产生显著影响，当SHAP贡献值较低时，对居民情绪产生积极影响。视觉复杂度、空间安全感知以及栅栏占比对居民情绪的影响与交通流量具有相似的特征。铺装度、建筑占比、天空开阔率以及人行道占比的SHAP贡献值分布更加均衡，对居民情绪具有中和或不稳定的影响。尽管少部分安全设施占比对模型输出产生负面影响，但该指标的高值通常对居民情绪产生正面影响。交通流量和空间安全感知的SHAP值最低，都小于−3，这表明当这2个指标波动时，对居民情绪产生的负面影响可能最大。其他指标如儿童绿视率、人流量及墙面围合度等指标在模型中展现了显著的不稳定性影响，这些特征值在SHAP蜂窝图分析中的分布围绕0值范围波动，且波动范围有限，表明这些指标对居民情绪的影响复杂多变，易受多种条件共同作用。

为揭示儿童友好城市景观指标间的协同作用机制，本研究通过SHAP监督聚类算法对SHAP值矩阵进行热力图分析（图6）。结果显示，指标间存在3类典型耦合模式。1）交通-视觉平衡型：适度的交通流量与高视觉复杂度（位于样本数1 500时），可以提升居民情绪感知水平，该模式解释了鼓楼区学园路（B区）的高情绪反馈。2）安全-绿化协同型：图5-2显示儿童绿视率与居民情绪呈基线负相关，但图6聚类揭示了居民情绪在高空间安全感知条件下，高儿童绿视率与居民积极情绪显著正相关。这表明安全环境是自然要素发挥积极作用的前提条件，符合儿童活动中的“安全-探索”行为机制^[24]。3）设施-空间适配型：从图6聚类结果可以看出，栅栏占比呈现3阶段差异化效应：1）当样本数在[1 000，1 500]时，栅栏占比与视觉复杂度双高值时情绪感知水平显著提升。2）当样本数在（2 000，3 000]时，高密度栅栏有效缓冲了大交通流量对情绪的负面效应，结合该区域安全设施占比的显著聚类（图5-2）及多要素协同高值现象，验证了安全设施对情绪基准值的稳定作用。3）当样本数在（1500，2 000]时，当视觉复杂度、建筑占比和空间安全感知较低时，情绪感知水平骤降。这种非线性关系印证了防护设施需与空间特征动态适配的设计原则，这一结果印证了浦上大道（E区）情绪感知水平较高的原因。

该发现为儿童友好城市建设提供了量化设计依据，并提出“交通管控（基础层）—安全营造（中间层）—空间品质（提升层）”的儿童友好城市街道三级优化路径，通过景观指标的梯度配置实现居民情绪感知水平的系统提升。这与联合国《儿童友好型城市规划手册》中“安全—包容—发展”的递进目标高度契合^[33]。

4.3   基于SHAP解释景观指标对情绪感知的边际效应分析

通过SHAP部分依赖图，可以分析模型中每个景观指标对情绪感知的边际效应，图中的拟合曲线可以更为直观地反映不同指标之间的非线性相关性（图7）。结果表明：

图  7  SHAP部分依赖性图分析

Figure  7.  SHAP Partial Dependency Graph Analysis

下载: 全尺寸图片 幻灯片

基于SHAP贡献重要性中交通流量、视觉复杂度、空间安全感知和栅栏占比是最显著4个指标。交通流量在其SHAP贡献度上都呈现出非线性趋势，即随着值的增加先上升至峰值后下降（图7-1）。交通流量在小于1时表现出显著的强烈波动，并在等于0时达到峰值后开始下降。从图4-1观察其分布特征，可以发现交通流量低的现象在主城区外围的郊区尤为显著，这一状况并非孤立存在，而是由多个因素共同作用的结果，如经济发展水平和道路基础设施等都可能对情绪产生影响。相反，过大的交通流量则会对居民情绪产生负面影响。通过对光明港（C区）的核密度图分析发现，该区域交通流量达到顶峰，这可能导致了居民情绪感知水平较为低迷（图3、4-1）。视觉复杂度在小于0时呈现下降趋势，在大于0之后轻微上升（图7-2）。从图4可以看出其视觉复杂度大部分分布在情绪低迷地区。因此，适宜的视觉复杂度能够为儿童在步行过程中提供更丰富且深入的感受和体验。然而，较高的景观视觉复杂性也可能对儿童产生负面影响，特别是在城市的主城区或人口密集区域，复杂的景观设计可能意味着视野的遮挡、过多的信息刺激，或者较低的景观质量，这反而会削弱居民对环境的舒适感和安全感，这与Medeiros等^[39]的观点相吻合。由于空间安全感知是基于年龄6~16岁儿童以及随行家长进行人机对抗评分框架打分，因此该分值越高则代表空间安全感知越高，从分析结果中可以看出空间安全感知分值随着SHAP贡献度而不断上升（图7-3）。从分布情况可以看出部分空间安全感知分值高的地方的居民情绪感知水平依旧不高（图4-3），这是由于空间安全感知的分值易受到铺装度、天空开阔率等因素的影响（图6）。具体而言，虽然空间安全感知分值较高，但如果基础设施、植被等长期缺乏维护，产生环境问题，进而会增加潜在的安全隐患。这些问题不仅影响区域的整体美观性，还会降低家长对环境的信任感和满意度，从而进一步导致居民情绪低落。栅栏占比在大于0时也呈现上升趋势（图7-4），这种趋势反映了道路景观规划中对于空间划分和安全防护的重要性，围栏可以确保城市环境的安全，同时满足儿童的社交和探索需求^[40]。但图4揭示了栅栏空间分布存在显著的非连续性，这表明栅栏的布局在某些区域可能还不够完善，这可能影响栅栏占比对居民情绪和空间安全感的整体提升效果。

基于SHAP贡献重要性中铺装度、建筑占比、天空开阔率和人行道占比的是较为显著的4个指标。道路铺装度SHAP贡献值整体呈现缓慢下降趋势（图7-5），并在SHAP贡献度等于−0.5时出现短暂回升，反映了道路维护与管理的复杂性。较低的铺装度不仅影响儿童的步行体验，还降低了通行效率；而较高的铺装度虽与较高的城市开发水平相关，但调研发现上三路口（F区）机动车与非机动车乱停放等管理问题突出（图3），使得福州部分铺装度较高区域呈现铺装度SHAP贡献值非线性下降趋势，形成高铺装—低效用的现象，揭示出基础设施供给与管理效能失配的深层矛盾。建筑占比的SHAP贡献度在小于2.5时呈现较不稳定的趋势，并且在SHAP贡献度大于2.5时呈现下降趋势（图7-6），这与之前证明建筑物对儿童友好性和活力有积极影响的研究形成鲜明对比^[41]。Yang等的研究揭示了儿童和成人对街道景观特征的看法具有潜在差异^[24]，成人对建筑、人行道占比具有负面的情绪影响，然而儿童可能更喜欢人工元素^[42]，这些结构儿童提供了探索、玩耍、互动和实际使用的机会，因此儿童友好街道设计需平衡代际需求^[43]。随着天空开阔率越大，其SHAP贡献度呈现下降趋势（图7-7）。天空开阔率越大，意味着空间更为空旷，城市开发建设程度越低，环境的安全程度相应降低，因此居民情绪往往会受到负面影响，天空开阔率高可能影响居民对场景体验偏好，尤其是在儿童玩耍的区域^[44]，适度的天空开阔率有助于活动和探索，但过高的天空开阔率却可能因为游乐与安全设施不足而导致儿童缺少安全感进而产生负面情绪。从图7-8中可以看出人行道占比呈现“V”字形趋势，这种趋势可能源于步行环境对居民的吸引力不足，如绿化形式单调、安全设施缺乏，以及杂乱的植被与堆积的垃圾会吸引害虫，从而影响环境清洁和儿童健康^[45]。

5.   讨论

本研究提供了儿童友好城市景观感知如何影响儿童与家长情绪的证据。尽管儿童和家长对景观感知的情绪反应机制复杂，结果显示，居民情绪较高的区域与已建成的适儿化工程大致相符。然而，部分适儿化工程区域的情绪感知水平仍然偏低，表明这些区域在提升情绪感知方面仍有优化空间。目前，福州市主城区散点分布有多个低情绪感知水平区域，这种现象可能是由于当前的城市街道规划未能充分考虑儿童的需求。许多规划决策优先考虑交通和商业发展，导致儿童友好设施不足且分布不均^[46]。本研究结果表明了安全性、步行环境和视觉复杂度等因素能直接影响居民的情绪感知，这也与Guo等^[47]的研究结果相符。本研究使用的SHAP可解释分析有助于解释指示变量之间和非线性效应。为更好地满足儿童及其家庭的需求，提升整体城市环境的友好性和居民的生活质量，进一步探索儿童友好城市的差异化管理策略，提出具体设计和优化建议。

1）注重交通流量的合理调控与分流。本研究发现交通流量与居民情绪之间存在微妙平衡（图7-1）。适度的交通流量为城市注入活力，而交通流量过大则会导致居民产生负面情绪。在儿童友好城市的设计中，合理调控与分流交通流量应成为关键一环。通过合理布局儿童友好的交通设施，如安全岛、减速带与彩色人行道，不仅能保障儿童的过街安全，还能有效减缓车速，降低噪声，为孩子们营造更加安全和健康的环境。同时，建议优化公共交通体系，增设便捷公交站点与自行车租赁点，引导居民减少私家车的使用频率，缓解交通压力。在学校与儿童活动区域，建议实施交通管控措施，限制机动车通行，为孩子们打造营造宁静、安全的步行环境。

2）平衡街道视觉复杂度，提升景观吸引力。本研究发现视觉复杂度在城市景观设计中的双刃剑效应：适中则引人入胜，过高则适得其反（图7-2）。在儿童友好城市的规划中，精细管理景观的视觉复杂度显得尤为重要。建议在街道设置多样化的植物群落，墙壁可以设计互动艺术品或绘制教育壁画，传达当地的历史、文化或环保信息^[48]。栅栏的设计应该保持视觉连续性，并与自然环境和谐融合，增强视觉吸引力，创造一个安全的探索和玩要空间^[29]。此外，建议进行持续的景观维护工作，如清除杂草与及时处理垃圾，维持环境的整洁与美观，为儿童营造赏心悦目、生机盎然的成长空间。

3）注重空间安全感知水平与人行道品质提升。从SHAP监督聚类和部分依赖分析中可以发现，儿童友好城市的设计需将空间安全感知水平与人行道品质提升结合考虑，构建安心且愉悦的步行空间。还应完善监控系统与增强照明设施，同时应及时填补地面破损，降低意外伤害风险。建议完善步行设施，如适度增加座椅、垃圾桶，为儿童提供全方位便利。同时建议建立清晰的标识系统。

4）平衡街道天空开阔率与建筑占比，本研究发现儿童友好城市的设计需精妙平衡天空开阔率与建筑占比，倡导合理规划绿地与开放空间。此外，建议严控建筑密度与高度，避免视觉拥挤与环境压迫，确保街道空间的通透与开放^[49]。鼓励建筑设计融合绿色元素与生态技术，如屋顶绿化、垂直绿化及雨水收集、太阳能发电等，促进建筑与环境的和谐共融，共筑绿色、宜居的儿童友好之城。

6.   结语与展望

本研究为弥补现有研究中儿童友好城市空间街道景观指标对居民情绪影响研究的不足，利用机器学习模型的精确性与可预测性优势，探讨了中微观尺度下儿童友好城市街道空间感知对居民情绪的影响机制，并以福州市主城区为例进行实证分析。首先，使用百度街景数据、人机对抗评分框架数据收集、社交媒体UGC和政府官方投诉数据，构建了涵盖居民情绪感知、空间安全感知、视觉感知度及各景观要素的指标体系；其次，基于XGBoost构建机器学习模型，通过SHAP方法解释性分析，从多维度更精细化地探寻街道空间感知与居民情绪之间的关系；最后，从实际应用和前瞻性视角出发，探讨如何通过优化街道空间设计促进新质生产力的形成与发展，特别是在提升城市空间效能和居民生活质量方面的潜在价值。主要结论有如下3点。

1）本研究通过机器学习和多源数据分析，揭示了交通流量、视觉复杂度、空间安全感知和栅栏占比等指标是影响居民情绪的关键因素。通过SHAP监督聚类分析，发现景观指标之间存在3类典型耦合模式：交通-视觉平衡型、安全-绿化协同型、设施-空间适配型，并提出“交通管控（基础层）—安全营造（中间层）—空间品质（提升层）”的儿童友好城市街道三级优化路径。不同景观指标对情绪的影响具有非线性特征，其中过高的交通流量和视觉复杂度往往导致负面情绪，而高儿童绿视率协调高空间安全感知水平进行空间设计则能提升居民的情绪状态。

2）虽然部分福州市区已进行了适儿化改造，但并非所有改造区域都能得到正面情绪反馈，反映出适儿化建设在实施过程中，除了满足基本设计需求外，还需加强对环境的维护和对居民实际使用感受的关注。即便改造区域具备良好的空间安全感知水平，若基础设施老化或绿化不佳，也会影响居民的情绪和满意度。并且本研究发现许多景观指标呈现出跳跃式聚集的分布模式，表明城市街道空间规划设计的连续性较弱。

3）使用机器学习模型与SHAP方法能够细致地解析儿童友好城市街道建成环境对居民情绪的影响。这些方法不仅拓展了儿童友好城市街道建成环境研究的数据基础，还验证了将主观感知数据与建成环境数据进行多源融合在情绪感知测度中的可行性，为儿童友好城市街道空间研究领域提供了有效的方法参考。

尽管本研究取得了重要进展，但在数据来源和居民情绪分析方法上仍存在局限性。首先，本研究主要依赖于百度街景数据、UGC和政府投诉数据，由于数据的时效性和地域覆盖面有限，可能无法全面反映福州市所有街道的实际景观现状和居民实时情绪状态。此外，UGC数据的主观性和多样化的情绪表达方式可能导致数据的准确性和代表性不足。在情绪分析方法方面，本研究尽管采用了CNN-BILSTM模型，但在处理复杂情绪表达和语境情境时，情绪识别的准确性仍有较大提升空间，且现有模型尚未完全涵盖可能影响居民情绪的全部潜在变量。未来研究应拓展数据来源，结合更多数据采集手段，如传感器和物联网技术，以提升数据的多样性与精确度。此外，未来研究还可以引入传感器、混合现实（mixed reality, MR）技术、行人模拟等前沿技术，以增强城市空间感知与情绪响应的动态模拟能力，为儿童友好型街道的智慧化设计提供技术支持。