引言
公共安全是城市可持续发展的基石。然而，盗窃、抢劫、人身攻击等街头犯罪仍然是城市安全和居民福祉的持续威胁（Cozens, 2002；Browning and Jackson, 2013；H Henderson et al., 2023；Un-Habitat, 2020）。自Jeffery（1971）提出通过环境设计预防犯罪（CPTED）以来，研究者已探索了城市环境如何塑造犯罪机会和非正式社会控制。城市绿化是其中一种特征，但其与犯罪的关系仍存在争议。绿化可能通过缓解心理压力（Grahn and Stigsdotter, 2010）、促进社会交往（Halecki et al., 2023）、强化"街道之眼"效应以及传递关爱与监视信号（Kuo and Sullivan, 2001；Mukherjee and Takara, 2018；Jacobs, 1961；Neisiani et al., 2016；Nazmfar et al., 2020）来降低犯罪。然而，城市绿化也可能遮挡视线、提供隐蔽场所并创造犯罪机会（Donovan and Prestemon, 2012）。解释这些相反的相关关系对于协调城市绿化规划与公共安全规划至关重要。
这些混合结论出现的原因之一可能是对时空背景的重视不足。现有研究通常将城市绿化视为独立的环境暴露因子（Barboza et al., 2021；Gascon et al., 2016），并关注其数量、类型和空间配置（Na et al., 2026）。较少关注可能影响其安全效应的周边环境条件。同等水平的绿化可能出现在自然监视和活力支持程度不同的街道上，从而导致与犯罪呈现不同的关联（Bammer, 2013；He et al., 2026）。这些条件也随时间变化。尽管绿化、建筑和街道布局相对稳定，但环境可视性（Lis et al., 2023）、合法活动和非正式监护人在白天和夜间之间可能存在显著差异（Van Liempt et al., 2015；Dwimirnani et al., 2017）。因此，静态环境测量或全天犯罪统计可能掩盖了绿化—犯罪关系的昼夜差异（Qin et al., 2025）。
检验昼夜差异仍然困难，因为缺乏可比较的夜间环境数据（Fan and Biljecki, 2024）。夜间灯光遥感能捕捉大范围的照明模式，但无法捕捉行人视角下的特征，如可见绿化、街道开放度和建筑界面（Welsh et al., 2022）。夜间街景实地调查成本高且空间覆盖有限（Pan and Du, 2021）。此外，独立采集的白天和夜间图像在视角、天气、交通和临时物体等方面难以标准化，限制了直接比较。街景图像可在较大空间尺度上提供行人视角的观察（Biljecki and Ito, 2021），但商业平台主要提供白天图像，成对的夜间街景仍然稀缺（Hou et al., 2024）。生成式人工智能和视觉大语言模型（vLLMs）的最新进展提供了一种规模化构建可比较的昼夜街景的方法（Zheng et al., 2025；Zhao et al., 2025；Zhong et al., 2025）。受约束的图像生成可以修改光照和色温，同时保持视角、场景结构、主要物理特征和固定照明元素不变（Huang et al., 2024）。与传统的软件和计算机视觉工作流程（Marasinghe et al., 2026）相比，vLLM更加灵活高效，为量化街道环境的昼夜变化提供了一种实用方法。
在此背景下，我们研究了城市绿化与已记录的街头犯罪之间的关系如何在不同的空间安全背景下以及昼夜之间发生变化。我们整合了地理编码和带时间戳的犯罪记录、街景图像、社会人口统计和活动数据以及辅助地理空间数据集。首先，借鉴CPTED理论，我们提出了空间安全背景（SSC）的概念，用以描述街道环境如何支持自然监视和合法活动。其次，我们使用视觉大语言模型从白天街景图像生成配对的夜间场景。然后利用深度学习模型提取可比较的昼夜绿化和SSC指标。生成的场景通过专家评估、昼夜场景一致性和模拟—真实场景一致性测试进行验证。本研究探讨两个研究问题：
问题1：城市绿化与街头犯罪之间的关联在白天和夜间有何不同？
问题2：空间安全背景如何调节这种关联，其调节效应在白天和夜间是否存在差异？
我们以北京都市圈为研究对象，这是一个高密度超大城市，拥有多样化的城市绿化形式和显著的社会空间差异。本研究在概念和方法论两方面做出了贡献。在概念上，它结合自然监视和活力支持，在空间安全背景框架内解释绿化—犯罪关联为何在不同地方背景下存在差异，从而为环境犯罪学中混合结论提供情境性解释。在方法论上，它结合街景图像、vLLM和深度学习，在同一地点构建配对的昼夜场景，使得能够更直接地分析绿化—犯罪关系的空间和时间异质性，并支持因地制宜的城市绿化和公共安全规划。
