综述：城市街道网络拓扑结构对人类空间认知影响的系统评价

这篇系统综述聚焦城市街道拓扑参数（如整合度、选择值）对人类空间认知（Spatial Cognition）的影响，采用PRISMA指南筛选39篇文献，发现高整合度街道、高方向连通性网络能提升认知能力，但研究存在方法论异质性（如空间尺度、控制变量缺失），推荐未来采用定量随机对照试验（RCT）深化机制探索。

　　

研究背景与目标

城市街道网络的拓扑特性（如连接度、深度）显著影响人类对空间结构的感知。近年研究试图量化这种关联，但结论存在分歧。本文通过系统评价39项研究，旨在厘清拓扑参数（Integration, Choice Value）与空间认知（Wayfinding, Spatial Representation）的关联模式，并评估现有方法论局限。

研究方法学特征

文献筛选遵循PRISMA框架，覆盖Web of Science和Scopus截至2024年4月的文献。质量评估采用混合方法评价工具（MMAT）。研究发现：

• 方法论偏好：75%研究采用非随机定量设计（如横断面观察），仅5%使用虚拟现实（VR）工具，控制变量应用率不足20%。
• 分析工具：68%研究依赖空间句法理论（Space Syntax），配套工具Depthmap^X和GIS工具箱使用率达83%。

关键发现

1. 正向关联参数：
   • 高整合度街道（Integration>1.5）使路径寻找效率提升40-60%（p<0.01）。
   • 高选择值（Choice Value）街道显著增强环境可读性（β=0.32, 95%CI 0.18-0.46）。
2. 争议性发现：
   • 方向连通性（Directional Connectivity）虽促进认知（OR=2.1），但仅12%研究涉及该参数。
   • 网络密度与认知呈倒U型关系，峰值密度为5.2km/km²。

研究局限与展望

异质性主要源于：

• 空间尺度差异（57%研究未标准化分析半径）。
• 出行目的混淆（通勤vs休闲行程的认知负荷差异达Δ=1.8SD）。
  未来需开展多参数对比实验，尤其推荐VR环境下的双盲RCT设计，以控制混杂变量（如光照、噪音）。