通过深度学习和多模态数据，探索大都市居民环境投诉中的情感动态及其驱动因素

《Applied Geography》：Exploring sentiment dynamics and their driving factors in megacity residents’ environmental complaints through deep learning and multimodal data

环境投诉情感分析揭示广州建成环境与公众负面情绪的非线性关联，基于BERT和LGB-SHAP模型整合文本数据与街景图像特征，发现建筑密度、开放度和商业设施是核心驱动因素，并呈现空间异质性和阈值效应，为精细化环境治理提供数据支持。

　　### 人工智能驱动下的城市环境投诉情感分析：以广州为例

随着城市化进程的不断加快，城市中的生态问题日益突出，居民对环境问题的抱怨也呈现出增长趋势。环境投诉数据不仅反映了居民对环境状况的感知，还揭示了公众情绪在不同空间和时间维度上的变化。这些数据对提升城市环境治理能力具有重要意义。然而，现有研究大多聚焦于环境投诉的驱动因素，而对居民负面情绪（RNS）的内在机制关注不足。此外，关于建筑环境对RNS的影响研究也相对有限。因此，本研究以广州为案例，采用BERT模型对环境投诉文本进行情感分析，并结合Light Gradient Boosting Machine-SHapley Additive exPlanation（LGB-SHAP）模型，深入探讨了RNS与潜在驱动因素之间的非线性关系。研究结果表明，RNS主要集中在广州的城市建成区，且在夜间表现出更强的情感强度。高密度投诉区域与RNS热点区域存在明显的空间重叠，这提示了城市环境监管的关键区域。建筑容积率成为影响RNS的最强因素，同时它与其他因素之间存在相互作用，这种作用在不同阈值范围内呈现出放大或缓解的特征。此外，不同土地利用类型中，建筑容积率和开放性对RNS的影响尤为显著。本研究通过整合多模态数据，揭示了居民环境投诉情感的动态变化，并进一步阐明了RNS在建筑环境和社会经济因素之间的驱动机制，为更精准和高效的环境治理策略提供了参考依据。

#### 一、研究背景与意义

城市化不仅是经济增长的重要引擎，也是社会结构和生态环境变化的直接推手。在这一过程中，城市居民的环境感知和情感表达逐渐成为城市治理的重要考量。环境投诉数据作为一种反映公众情绪的载体，能够为政策制定者提供宝贵的决策依据。然而，传统的环境投诉分析往往侧重于投诉的数量和类型，而忽视了情感的深度挖掘。这种研究视角的局限性使得城市管理者难以全面理解居民的真实需求和情绪反应，从而影响环境治理的针对性和有效性。

本研究以广州为案例，通过自然语言处理（NLP）和计算机视觉（CV）技术，构建了一个综合的分析框架。首先，利用BERT模型对环境投诉文本进行情感分析，提取居民负面情绪的强度。其次，通过LGB-SHAP模型，探讨了建筑环境和社会经济因素对RNS的非线性影响机制。研究不仅揭示了环境投诉在空间和时间上的分布特征，还识别了影响RNS的关键因素及其作用方式，为城市环境治理提供了新的视角和技术手段。

#### 二、理论基础与研究方法

本研究借鉴了生物亲和假说（Biophilia Hypothesis）和刺激-反应理论（Stimulus-Response Theory）等理论，分析了建筑环境和社会经济因素对居民情绪的影响。生物亲和假说认为，人类天生倾向于与自然环境建立联系，因此，城市规划中融入自然元素有助于提升居民的心理和情感状态。而刺激-反应理论则指出，外部环境刺激会直接影响人类的情绪，从而引发相应的行为反应。这些理论为理解居民环境投诉背后的驱动因素提供了重要的理论支撑。

在方法上，本研究采用了多模态数据融合分析的方法，结合文本数据和图像数据，实现了对城市环境投诉情感的全面刻画。具体而言，研究首先从广州的环境投诉平台收集了2018年至2021年的投诉数据，共计7657条有效记录。随后，通过BERT模型对这些文本进行情感分析，提取出居民负面情绪的强度。此外，研究还利用百度地图的街景图像API获取了广州的街景图像，并通过Panoptic-FPN图像分割框架对图像进行处理，提取出建筑密度、道路密度、开放性等关键指标。这些数据与文本数据相结合，构建了一个全面的分析模型，用于识别影响RNS的关键因素及其作用机制。

#### 三、研究结果与分析

研究结果显示，广州的环境投诉负面情绪主要集中在城市中心区域，且在夜间更为显著。高密度投诉区域与RNS热点区域存在空间重叠，表明这些区域是环境监管的重点对象。此外，不同土地利用类型中，RNS的驱动因素存在显著差异。建筑容积率和开放性是影响RNS的两个核心因素，其中建筑容积率对RNS的影响是正向的，而开放性的影响则是负向的。这一发现与生物亲和假说的理论相吻合，表明开放的自然空间有助于缓解居民的负面情绪。

在非线性影响机制方面，研究发现建筑容积率与其他因素之间存在复杂的相互作用。例如，在建筑容积率较低的区域，开放性的增加反而可能加剧RNS；而在建筑容积率较高的区域，开放性的提升则有助于缓解RNS。这种非线性关系的识别，有助于更精准地制定环境治理策略。此外，不同土地利用类型中，RNS的驱动因素也有所不同。在工业和公共服务区域，建筑容积率和开放性是主要驱动因素；而在商业服务和交通运输区域，餐厅数量和水体指数则更为关键。

研究还发现，RNS在不同强度层次上表现出不同的驱动模式。在低强度和中等强度的RNS中，建筑容积率和开放性起到抑制作用，而在高强度的RNS中，这两个因素则成为主要驱动因素。这种发现提示，城市环境治理需要根据不同区域的RNS强度采取差异化的策略。例如，在高强度RNS区域，应优先考虑建筑容积率和开放性的优化，而在低强度区域，应加强其他因素的调控。

#### 四、研究的创新点与应用价值

本研究的创新点在于，首次将自然语言处理和计算机视觉技术相结合，构建了一个多模态数据融合的分析框架，用于揭示环境投诉中的公众情绪变化。这一方法不仅能够量化分析建筑环境对居民情绪的影响，还能通过非线性模型揭示其复杂的驱动机制。此外，研究还通过空间热点分析，识别了城市环境中RNS的分布规律，为环境监管提供了科学依据。

从应用角度来看，本研究的成果可以为城市环境治理提供重要的参考。首先，研究结果表明，环境投诉的负面情绪在夜间更为显著，因此，环境监管应加强对夜间时段的监测和管理。其次，建筑容积率和开放性是影响RNS的关键因素，这提示城市规划应更加注重空间的合理布局，通过优化建筑密度和增加开放空间，降低居民的负面情绪。此外，不同土地利用类型中，RNS的驱动因素不同，因此，环境治理应因地制宜，针对不同区域的特点制定相应的措施。

#### 五、研究的局限性与未来展望

尽管本研究在方法和技术上具有一定的创新性，但仍然存在一些局限性。首先，情感分析过程虽然采用了先进的NLP技术，但其主观性仍然不可避免，这可能影响分析结果的客观性。其次，研究中所使用的数据主要来源于城市区域，未能充分考虑城乡差异对RNS的影响。此外，研究结果的解释性虽然得到了一定提升，但仍需进一步结合环境监测数据，以增强对居民情绪与客观环境条件之间关系的理解。

未来的研究可以进一步拓展数据来源，包括城乡居民的环境投诉数据，以更全面地分析RNS的分布特征。此外，可以探索更多维度的数据，如社会文化因素、个体行为模式等，以更深入地理解环境投诉背后的公众情绪变化。同时，研究还可以结合更多的机器学习模型，进一步优化非线性影响机制的识别能力。最后，研究应加强与实际政策制定的结合，通过数据驱动的方式，为城市环境治理提供更具操作性的建议。

#### 六、政策建议与实践意义

本研究的结果为城市环境治理提供了重要的政策参考。首先，建议城市管理者在夜间时段加强对环境投诉的监管，特别是在住宅区、交通运输区和公共服务区，这些区域的RNS在夜间显著增强。其次，应优化建筑容积率和开放性的设计，特别是在高密度区域，增加开放空间有助于缓解居民的负面情绪。此外，不同土地利用类型中，应针对主要驱动因素制定相应的治理措施。例如，在工业和公共服务区，应重点控制空气污染；在商业服务区，应加强水污染治理；在交通运输区，应关注噪声污染问题。

最后，研究还强调了公众参与在环境治理中的重要性。通过整合多模态数据，可以更全面地了解居民的环境感知和情感反应，从而推动环境治理的科学化和精细化。这不仅有助于提升环境治理的效率，还能增强居民对环境改善的满意度，进而促进城市的可持续发展。