基于大语言模型（LLM）与街景动态分析的城市非法倾倒黑点识别及社会经济驱动机制研究——以香港为例

本研究创新性地结合大语言模型（LLM）与街景分析技术（SVA），开发了空间自适应地理随机森林模型（Geographic Random Forest），实现了对城市非法倾倒黑点的精准预测（R2 = 0.7574）。该研究突破传统计算机视觉局限，无需人工标注即可提取街景环境特征，为城市废弃物管理的靶向干预提供新范式。

　　

Criminological foundations for explaining illegal dumping

环境犯罪学为理解非法倾倒行为提供了理论基础，该理论强调社会经济背景与物理环境之间的交互作用（Pratt and Cullen, 2005; De Melo et al., 2018）。尽管存在多种理论解释倾倒行为（例如计划行为理论、威慑理论和情境犯罪预防理论），但环境犯罪学独特地整合了社会规范、经济压力与具体环境线索如何共同塑造犯罪机会。

Illegal dumping in Hong Kong

香港作为全球人口密度最高的城市之一，是开发和验证基于街景的非法倾倒检测方法的理想场景。尽管香港拥有包括《废物处置条例》（1980年）和《建筑废物处置收费计划》（2006年）在内的全面法律框架，但非法倾倒问题依然持续存在——这一矛盾现象可能与法规执行难度和高密度城市环境特有的空间压力有关。

Street-view attributes and modelling feature set

通过视觉大语言模型（LLM）对八个方向的街景图像进行处理，最终提取出涵盖四大环境类别的50个二元与有序特征：既有废弃物（17项）、废弃物基础设施（10项）、物理环境（17项）及监控要素（6项）。完整特征集参见附录B。在373个已识别的倾倒点位中，371个具备完整特征集可供分析。

基于训练数据的随机森林重要性排名确定了十大最具预测力的特征，包括……

Discussions

尽管利用街景分析（SVA）进行犯罪现场调查并非全新方法，但由大语言模型（LLM）驱动的此类分析仍是一个新兴领域，充满潜力。LLM增强的SVA在为智慧城市应用赋能方面展现出显著优势与若干局限。

Conclusions

本研究通过整合LLM驱动的街景分析（SVA）与空间自适应预测模型（PyGRF），开发了一种新颖且可扩展的模型，用于分析城市环境中的非法倾倒“黑点”。结果表明，结合使用LLM提取的视觉线索与基于普查的社会经济指标可产生强大的预测性能（R2 = 0.7574，RMSE = 0.9368）。这说明非法倾倒模式是由空间变异过程塑造的：环境特征与社会经济因素的影响力随地理位置变化而变化。