目睹繁荣，直面犯罪：中国城市基础设施不平等与感知财富

《Land Use Policy》：Seeing prosperity, confronting crime: Infrastructure inequality and perceived wealth in Chinese cities

　　

•城市犯罪更多地由基础设施不平等驱动，而非街头富裕程度。•中国和东部地区较高的基础设施可达性并不必然转化为更大的空间公平性。•感知财富主要由绿色程度和复杂程度塑造，而非可达性差距。•在中国城市中，犯罪与感知财富形成了明显不同的空间错位。

1. 引言

城市安全是城市治理的基本目标之一，关系到社会群体的福祉和经济的稳定运行。改善并公平获取基础设施可以减少区域贫困（Hendricks和Van Zandt，2021），降低弱势群体的犯罪风险暴露（Savolainen等，2013），同时促进社会凝聚力并产生持久的安全效益（Burley，2018）。近年来，全球范围内城市基础设施扩张和街景升级迅速推进，尤其是在发展中国家，这些措施通常被视为缓解贫困和降低犯罪率的政策干预手段（Cheong和Wu，2015；Mendoza，2017）。值得注意的是，城市犯罪的分布反映了复杂的社会空间结构和资源分配中潜在的深层不平等（Tu等，2025）。分析这些犯罪分布模式有助于加深我们对城市安全背后机制的理解，并为后续的规划干预和公平城市发展提供实证参考。

如今，广泛使用的街景图像（SVI）平台和深度学习模型，如百度地图和MIT Place Pulse 2.0，可以量化人们对街道环境的视觉感知（Lou等，2024；P. Yu等，2025）。将这些数据与基础设施兴趣点（POI）以及大规模犯罪坐标相结合，为深入理解城市犯罪环境提供了数据支持。在众多空间因素中，宏观层面的基础设施分配不平等和微观层面的街道感知财富是两个值得特别关注的维度（Suel等，2023）。一方面，基础设施分配不平等描述了基础设施可达性在城市人口中的不均匀分布，反映了居民获取关键服务和设施的差异。例如，医疗和教育设施可能集中在城市中心区域，使外围区域的居民面临更长的出行距离，而主干道路、电信和供水基础设施的可达性在同一城市的不同区域也可能存在显著差异。因此，即使总体基础设施供给水平相似的城市，其居民在基础设施可达性分配公平性方面也可能存在很大差异。这主要涉及经济、环境和社会设施的网络可达性和空间错位（Guo等，2024）。

另一方面，感知财富指的是对街道环境表面社会经济质量的总体视觉判断，与MIT Place Pulse 2.0中考察的"富裕"感知维度一致。这类判断可能受到多种可见线索的影响，包括建筑质量与维护状况、植被、街道清洁度以及物质失序的迹象如垃圾、涂鸦和退化现象（Xie等，2025）。基础设施不平等与感知财富共同反映了城市环境的互补性特征，为探索犯罪预防和城市更新策略提供了有用的基础（Newman，1976）。

近年来，相关研究利用空间数据探索影响城市犯罪的因素。部分研究讨论了单一类型基础设施与犯罪之间的关系，如交通设施（Agnew，2020；O'Mahony，2018）和绿色空间环境（Kondo等，2015）。其他研究则基于街景图像数据分析主观安全感模式，如视觉环境感知和感知偏差现象（Kang等，2023；Zhang等，2021）。尽管已有一定研究基础，但现有文献在以下方面仍需进一步拓展：多类型基础设施分配不平等的综合效应和阈值特征仍有待进一步阐明。基础设施环境不仅涉及覆盖密度或可达性，还包括通过各类设施的空间协同所展示的公平性特征（如基尼系数）（Gastwirth，1972）。然而，以往研究大多集中于单向线性关系或单一设施的分布，对多种设施不平等之间的交互效应及其对犯罪的非线性影响关注相对不足（Jain和Biswas，2021）。

此外，大多数研究倾向于将基础设施视为静态背景，很少将基础设施分配不平等纳入城市犯罪的解释框架。尽管以往研究表明主观环境感知并不必然对应客观犯罪状况，但在宏观跨城市尺度上，客观犯罪风险与街道感知财富之间的空间关系仍缺乏充分考察（Alkimim等，2013）。城市视觉财富主要由局部微观景观塑造，其空间表现可能偏离潜在的安全状况（Zhang等，2021）。探索客观犯罪率与街景财富评分之间的空间错位有助于识别具有隐性风险的区域——即视觉表现富裕但缺乏底层服务的街道。然而，目前利用多源大数据在宏观跨城市尺度上系统研究这种错位的研究相对较少。基于大规模多源数据的系统性跨城市证据仍然有限。而且，很少有研究在同一分析框架内同时考虑宏观层面的基础设施不平等和微观层面的视觉感知，限制了对这些不同维度的城市空间如何与犯罪相关联的理解。

因此，本研究整合了来自全中国330个城市的街景图像和多源空间数据，构建了综合地理空间学习框架。开发了两个平行模型，将记录犯罪率和感知财富分别作为独立的因变量，以比较它们的空间模式和关联预测因子结构。该框架结合了可解释的机器学习方法，以识别基础设施可达性和不平等、街道层面视觉特征、其他城市因素与两种结果之间的关联，同时使用多维指标来表征城市间基础设施供给的差异。本研究没有将感知财富作为记录犯罪的直接解释因素，而是将记录犯罪和感知财富概念化为城市环境的两个不同维度，并在统一的分析框架内比较它们的空间对应关系和关联因素。

具体而言，本研究探讨三个问题：（1）基础设施可达性和空间公平性在中国城市间如何变化？（2）记录犯罪率和感知财富在中国城市间如何空间变化，以及它们在多大程度上相互对应？（3）基础设施不平等和街道层面视觉特征与记录犯罪率和感知财富之间存在怎样的关联，它们的预测结构又有何差异？本研究的主要贡献包括：（1）揭示了宏观尺度基础设施分配不平等和微观尺度街道视觉环境与记录犯罪率及感知财富的差异性关联，丰富了关于社会空间结构和街道环境如何与不同城市结果相关联的实证理解。（2）定量考察了感知视觉繁荣与记录犯罪率之间的空间错位，为协调街景升级与更加公平的基础设施供给提供了实证依据。

2. 文献综述

2.1 基础设施可达性差异与犯罪风险

近年来，空间大数据的可获得性不断增加，促进了基础设施与城市犯罪风险之间关系的研究。这种关系可以通过环境犯罪学的几个成熟视角来理解。日常活动理论认为，当有动机的犯罪者、合适的目标和不足的保护者在时空上交汇时，犯罪更可能发生（Cohen和Felson，2010）；而犯罪模式理论强调，犯罪围绕人们日常活动产生的活动节点、路径和边缘而组织（Brantingham和Brantingham，2017）。同样，场所犯罪学也指出犯罪高度集中于特定地点，设施和活动节点可以塑造当地的犯罪机会（Weisburd等，2012）。这些视角共同表明，基础设施可能通过塑造移动性、活动集中度、目标可获得性以及保护机会而与犯罪相关联。

现有研究已探讨了设施分布与空间安全之间的关联，涵盖经济维度（Montolio，2018）、环境维度（Kondo等，2015）和社会维度（Nwabuko等，2024）。例如，部分研究利用道路网络数据和兴趣点探索了交通可达性与区域犯罪分布之间的关系（Agnew，2020）。其他研究也关注了公共物品供给（如公园和绿色空间）（Burley，2018；Kuo和Sullivan，2001）以及信息和通信网络（Y. Yu等，2025）与安全环境之间的关系。近期研究开始引入基尼系数等指标来考察基础设施可达性的不平等及其与城市状况的关系（Tu等，2025）。然而，大多数现有研究聚焦于单一设施的密度或覆盖率，相对较少考察多类型基础设施的联合空间分布特征。

2.2 城市空间失序与视觉环境感知的错位

探索社会失序机制和通过环境设计预防犯罪（CPTED）理论有助于解释城市环境的社会经济和物理特征如何可能与犯罪模式相关联。现有研究已证实社区贫困和破旧街道环境与犯罪率密切相关（Lee等，2023；Patterson，1991）。例如，早期研究提出低社会经济地位削弱了社区控制（Shaw和McKay，1942）。随后，CPTED和可防御空间理论强调理性的空间设计有助于增强自然监控并减少犯罪机会（Jeffery，1971；Newman，1976）。

然而，街道层面视觉感知可能通过几种潜在的相互竞争的机制与犯罪相关联。财富的可见标志可能指示有吸引力的目标，特别是在可达性较高或保护不足的区域。相反，维护良好且视觉有序的环境可能对应着更强的监控、领域控制和非正式保护（Sampson和Raudenbush，2004）。感知财富也可能反映更广泛的社会经济条件，而这些条件本身与犯罪相关联。从日常活动理论的视角来看，场所的视觉和物理特征还可能影响人们的移动和回避行为，从而重塑暴露和保护模式。此外，一些研究指出，对混乱环境的主体感知影响居民的安全感（Abraham等，2025）。这些潜在的相互竞争机制意味着视觉富裕的环境并不必然对应较高或较低的犯罪风险，其视觉表现可能与实际犯罪状况产生偏离（Zhang等，2021）。

计算机视觉技术的发展为大规模量化街道感知提供了技术手段。利用语义分割和深度学习，研究人员可以从街景图像中提取客观特征如绿色程度和步行可达性（Suzuki等，2023），而MIT Place Pulse 2.0等感知数据集则支持对街道环境主观评价（包括感知财富）的大规模估算。重要的是，Rui（2025）将MIT Place Pulse 2.0的感知与中国居民的主观评价进行了比较，发现富裕维度上具有高度一致性，支持了该模型在中国城市环境中的适用性。然而，关于感知街道财富与记录犯罪之间空间对应的系统性证据仍然有限，特别是在宏观跨城市尺度上。因此，比较它们的空间模式可以提供对城市环境特征更加全面的理解。

2.3 多源数据在城市犯罪环境分析中的应用

研究城市犯罪空间特征的数据传统上依赖于调查和田间观察，如今越来越多地纳入了多源地理空间大数据。基于传统数据的研究通常依赖受害者访谈和社区审计来探索当地环境属性（如照明不良、植被遮挡）与犯罪频率之间的关系（Kuo和Sullivan，2001）。这些方法可以提供详细的微观层面信息，但在大规模跨区域数据获取方面存在一定局限。

近年来，地理空间大数据的应用，如公开司法文书和开源地图平台，为在更大地理范围内考察犯罪的空间特征提供了新机会。例如，通过从中国裁判文书网等平台获取真实犯罪坐标，并结合百度街景等平台的全景图像（Zamir和Shah，2010），研究人员可以批量提取犯罪现场周边的步行可达性和开放度等环境属性。这类多源数据已被学者用于评估环境特征与安全状态之间的关联，以及衡量安全感知差距（Wei等，2022）。

尽管已有证据不断积累，但联合分析城市层面基础设施不平等和微观街景感知的一体化多源数据研究仍然罕见。整合这些数据使得能够从更广泛的背景条件和街道层面环境特征两个角度同时考察城市犯罪。

这一多尺度视角补充了传统的基于地点的犯罪学，通过将宏观层面的基础设施不平等与微观层面的视觉环境联系起来，同时仍以城市作为主要比较单位。

3. 数据与方法

3.1. 研究区域

中国位于东亚，面积约为960万平方公里，人口超过14亿。其区域发展差异显著，形成了多样化的城市空间结构（图1）。作为全球城镇化进程最快的国家之一，中国在过去二十年中经历了大规模的基础设施扩张和持续的人口流动，然而基础设施获取不平等与公共安全风险仍然并存（Cheong and Wu, 2015）。

下载：下载高分辨率图片（568KB）
下载：下载全尺寸图片

图1. 研究区域。

本研究最初汇编了中国全国351个城市的样本。在因缺失协变量数据进行完整病例排除后，最终分析样本包含330个城市，排除了21个城市，其中包括西部中国11个、中部中国5个、东部中国1个以及东北中国4个。利用2018年至2019年的全国刑事案件数据以及SVI和基础设施信息，我们在全国尺度下考察了记录犯罪率、财富感知与资源配置之间的关系。

3.2. 研究框架

本研究构建了一个整合犯罪数据、SVI环境和基础设施获取公平性的分析框架，以评估记录犯罪率与财富感知之间的关系。该框架包含七个主要步骤（图2）。首先，从中国裁判文书网获取2018年至2019年的全国刑事案件数据。基于案件文本提取地理信息，使用百度地图API进行地理编码，并转换为WGS84坐标系，以获得犯罪点数据（步骤1）。在此基础上，沿道路网络提取相应地点的SVI，并通过百度地图API获取39,419个采样点的360° SVI和157,676个90° SVI（步骤2）。

下载：下载高分辨率图片（1004KB）
下载：下载全尺寸图片

图2. 研究框架。

其次，基于90° SVI，利用MIT Place Pulse 2.0模型计算街道层面的财富感知指标。同时，使用在ADE20K数据集上训练的Mask2Former模型对360° SVI进行语义分割，提取绿地率、步行性、开放性等六类街道环境要素（步骤3和步骤4）。第三，计算九类基础设施的网络可达性，并进一步基于可达性结果估算基尼系数以表征获取公平性（步骤5）。第四，构建LightGBM模型，以基础设施获取公平性和街道环境要素为自变量，以记录犯罪率和财富感知为因变量，分析不同因素对两类因变量的影响（步骤6）。

最后，从多个维度呈现分析结果，包括基础设施可达性与公平性的空间分布（步骤7a）、记录犯罪率与财富感知的空间格局（步骤7b）、与犯罪相关的街道环境特征（步骤7c）、犯罪率与财富感知的耦合协调关系（步骤7d）以及模型解释结果（步骤7e）。

3.3. 数据来源与处理

3.3.1. 记录犯罪率作为因变量

作为中国唯一的国家级法院判决公开数据库，中国裁判文书网（https://wenshu.court.gov.cn/）包含全国超过1亿份司法判决文书，具有权威性和代表性。我们利用网络爬虫技术获取中国2018年至2019年间的刑事案件记录（包括抢劫、盗窃、故意伤害等）。随后，借助百度地图API将案件文本中的地点描述地理编码为标准WGS84坐标系，并通过Google Maps进行交叉验证和校准，以纠正不同坐标系引起的偏差。经过多轮数据清洗和无效信息剔除，最终获得91,025起刑事案件。最后，使用ArcGIS Pro 3.3将犯罪数据分配到不同的县级城市，并根据常住人口计算每万人记录犯罪率，以供后续分析使用。

3.3.2. 财富感知作为因变量

百度地图（https://map.baidu.com/）是中国覆盖范围最广、更新频率最高的数字地图平台之一（P. Yu et al., 2025）。在样本构建过程中，我们首先对同一坐标点的多个案件进行去重，并通过百度地图开放平台API获取相应的SVI。对每个采样点水平采集4个间隔90°的SVI，以减少几何畸变并实现对环境的全覆盖。垂直视角固定为0°以确保视角一致性，图像分辨率标准化为640×400像素。最终获得39,419个有效采样点的157,676张图像，全部拍摄于2018年至2019年间，以确保时间维度的一致性。

为模拟人们对街道财富的视觉感知，本研究采用预训练深度学习模型对SVI进行预测。该模型基于MIT Place Pulse 2.0，该数据集包含全球约11万个SVI和超过一百万个成对比较评分，要求参与者在两张图像之间做出如"更富裕"等主观判断（Zhang et al., 2025）。自2007年上线以来，过去十年间全球超过8万名在线志愿者贡献了超过一百万个成对比较。在本研究中，我们采用Zhang et al.（2021）训练的ResNet 50模型对157,676张SVI进行预测。模型为每张图像输出0到10之间的财富感知分数。随后，将同一城市内所有犯罪SVI的分数取平均值，以获得城市层面的视觉财富指数。城市层面的有效SVI采样点数量及成功获取的图像数量报告于补充信息2中。

3.3.3. 基础设施获取与不平等作为自变量

关于基础设施数据，我们首先从OSM（https://download.geofabrik.de/africa.html）获取2020年中国的POI数据，并按功能类别进行合并和筛选。为确保基础设施数据的覆盖范围和完整性，我们参考并获取了全球关键基础设施数据集，其分辨率为0.10°×0.10°（Nirandjan et al., 2022），并将其TIF格式数据导入ArcGIS Pro 3.3进行处理。使用栅格转点操作，我们消除了小于1的无效数据值，最终构建了多类别基础设施POI数据集以供后续分析。

此外，基于网络的可达性能比直线距离更真实地反映居民获取基础设施的能力，因为它考虑了实际交通网络的约束（Mazzulla and Pirrone, 2024）。因此，我们使用OSM道路网络为九类基础设施构建了基于人口的可达性框架。每个城市被划分为1 km × 1 km的网格单元，将100 m人口数据汇总至各网格，并仅保留有人居住的网格。对于每个网格单元，计算到基础设施设施的网络距离并将其转换为可达性指标。然后利用人口加权平均将这些网格层面的值汇总至城市层面，同时计算有人居住网格间的基尼系数以衡量城市内可达性不平等。测量基础设施可达性、人口加权汇总和计算基尼系数的详细步骤见补充信息1第2节。

3.3.4. 环境因素作为自变量

为表征微观街道层面的视觉环境特征及其与犯罪的关系，我们通过百度地图开放平台API获取与犯罪坐标对应的SVI。图像采集采用360°全景模式，垂直视角固定为0°以确保视角一致性，分辨率标准化为2048×1024像素。为确保时间一致性和场景可比性，所有街景数据均来源于2018年至2019年。经去重和图像质量筛选后，最终获得34,386张有效SVI以供后续分析。

图3展示了语义分割过程。该模型首先在ADE20K数据集上进行预训练，该数据集包含27,574张标注图像，涵盖150个场景类别，提供了丰富的街景环境特征。为进一步提高分割精度，本研究选择了Mask2Former模型（Yang et al., 2024）以增强对SVI中关键要素的识别能力。最后，我们对所有SVI进行计算处理，并基于现有研究构建了六个视觉感知维度作为环境因素。各维度的指标构成与计算方法详见表1。

下载：下载高分辨率图片（477KB）
下载：下载全尺寸图片

图3. SVI采集与语义分割过程。

表1. 四种感知品质的环境因素定义与公式。

| 感知维度 | 定义 | 示例 | 客观公式（基于可参考和可操作化的定义） |
|---|---|---|---|
| 绿地率 | 绿地率指空间内自然植被的数量，包括树木、草地和灌木（Suzuki et al., 2023; S. Wang et al., 2026）。 | 高绿地率通常表现为宽阔的林荫街道或连续的绿化带。 | $Greenness_i = VI_{tree} + VI_{grass} + VI_{plant}$ |
| 步行性 | 步行性指周围视觉特征对步行舒适度的贡献，以及它们如何塑造人行道和障碍物等要素的行人友好品质（Wang and Rasouli, 2022）。 | 高步行性通常表现为连续的人行道和安全的过街点，增强了行人的便利性和安全性。 | $Walkability_i = (VI_{sidewalk} + VI_{fence}) / VI_{road}$（Shin and Woo, 2024） |
| 围合度 | 围合度指街道和其他公共空间在视觉上被建筑物、围栏、墙壁、树木及其他垂直要素界定或框定的程度（Ewing and Handy, 2009; Pradana et al., 2025）。 | 高围合度表明街道被垂直要素强烈界定，形成更具聚焦性的空间，具有更清晰的行人尺度。 | $Enclosure_i = (VI_{bldg} + VI_{tree} + VI_{wall}) / (VI_{road} + VI_{sidewalk} + VI_{earth} + VI_{grass})$（Qiu et al., 2023） |
| 复杂性 | 复杂性指由多样化街道要素产生的视觉丰富性，体现在细节丰富、引人注意的组成部分相对于建筑物和道路等基本特征的比例（Ewing and Handy, 2009）。 | 高复杂性指街道与较简单的表面相比，拥有更多的标牌、装饰性照明和多样化的边缘处理。 | $Complexity_i = (VI_{person} + VI_{signboard} + VI_{fence} + VI_{streetlight} + VI_{tree} + VI_{windowpart}) / (VI_{bldg} + VI_{road})$（Xie et al., 2025） |
| 开放度 | 开放度指街道空间在视觉上的开放程度，主要体现在视野中可见天空的比例。 | 高开放度表明街道垂直障碍物较少，视野更开阔，空间感知更具延展性，常产生空间感和减少视觉束缚感。 | $Openness_i = VI_{sky}$ |
| 意象性 | 意象性指街道拥有独特且易记忆的视觉特征的程度，使其易于辨识（Ewing and Handy, 2009）。 | 高意象性表明存在视觉突出的要素，如独特的建筑形式、地标、标牌或天际线特征，这些要素增强了场所认同感并提升空间识别性。 | $Imageability_i = (VI_{bldg} + VI_{signboard} + VI_{sky}) / VI_{corps}$（Qiu et al., 2023） |

城市是最终的分析单位。街道层面的环境与感知指标首先在地理编码的犯罪地点进行估算，随后在每个城市内部取平均值，在模型训练和评估之前为每个变量生成一个城市层面的观测值。

3.3.5. 社会经济与安全治理变量

为了更好地解释与城市犯罪相关的背景因素，我们还纳入了2020年测量的社会经济与安全治理变量。选择2020年是因为中国在该年开展了第七次全国人口普查，提供了相对全面可靠的人口基线数据，并提高了协变量的时间一致性（Li et al., 2024）。各城市的人均支配收入、常住人口和失业率数据均来源于中国国家统计局公开统计数据（https://www.stats.gov.cn/）。人口规模以常住人口总量衡量，并进行对数变换以减少偏度和超大城市的影响；人口密度则按建成区面积计算每平方公里常住人口。

商业密度使用百度地图的兴趣区域（AOI）数据构建。具体而言，我们识别了商业和娱乐场所的空间范围，包括网吧、台球厅、酒吧、棋牌室、夜总会、卡拉OK（KTV）及按摩场所。其总面积除以各城市的建成区面积，以衡量商业和娱乐活动的集中程度。这些指标共同捕捉了居民经济状况、劳动力市场压力以及商业和娱乐活动强度的差异。根据日常活动理论和犯罪模式理论，此类活动的集中可能产生活动节点，使潜在犯罪者与合适目标在空间上产生更大接触，并可能在有效监护不足的情况下创造犯罪机会（Brantingham and Brantingham, 1993; Cohen and Felson, 1979）。

安全治理通过公共安全支出和警务设施密度来表征。公共安全支出数据来源于中国国家统计局，反映了地方政府配置给正式安全治理的财政资源。

警方设施数据来源于百度地图获取的警察局兴趣点（POI）。警方设施数量按照常住人口进行标准化处理，以每10万居民所拥有的警方设施数量表示。这两个变量分别从财政投入和空间设施供给的角度代表城市治安治理能力。表2汇总了分析中所包含的变量及其定义。

表2. 变量定义与描述

变量 缩写 定义

社会经济指标

人均可支配收入 人均收入 全体居民的人均可支配收入，以人民币/人/年计。

失业率 失业率 经济活动人口中失业人员所占的比例。

商业密度 商业 城市内商业总面积占建成区总面积的比例。

人口规模 人口规模 各城市常住总人口，经对数变换后用于分析。

人口密度 人口密度 每平方公里建成区内的常住人口数。

治安治理因素

警方设施密度 警方 城市行政边界内每10万常住居民拥有的警方设施POI数量。

公共安全支出 安全支出 全市年度公共安全总支出，以亿元/年计。代表分配给公共安全和正式治安治理的总体财政资源。

3.4. 模型构建

3.4.1. 耦合协调度模型

为了进一步识别各城市之间感知财富与 recorded crime 条件之间的协调程度，本研究采用耦合协调度模型。该方法不仅刻画了两个维度之间的对应强度，还评估其关系是否与相对均衡的总体状态相关联。具体而言，耦合度C衡量两个维度之间的对应程度，综合发展指数T代表其总体状态，耦合协调度D整合两个维度以评估它们之间的协调水平（Li et al., 2012）。在本研究中，该模型用于识别感知财富与 recorded crime 率之间的空间对应关系，从而补充前述对其空间分布和统计关联的分析。

由于感知财富与 recorded crime 率具有相反的方向性含义，首先对两个变量进行了标准化处理。感知财富进行正向标准化，即数值越高表示感知财富水平越高；而 recorded crime 率进行逆向标准化，即数值越高表示 recorded crime 率越低。标准化后的指标分别记为u1和u2，取值范围均为0到1。耦合度计算如下（式1）：

(1) C = 2√(u1·u2) / (u1+u2)2

其中：C表示耦合度，取值范围为0到1。C值越高表明两个标准化指标之间的对应关系越强。然而，较高的耦合度并不必然意味着两个系统都处于较为有利的水平。因此，进一步计算综合发展指数（式2）：

(2) T = α·u1 + β·u2

其中：T表示综合发展指数，α和β分别代表分配给标准化感知财富和逆向标准化 recorded crime 率的权重。由于本研究关注的是两者的相对协调性，且没有先验依据赋予任一子系统更大的重要性，因此采用等权重，即α = β = 0.5。

基于C和T，耦合协调度计算如下（式3）：

(3) D = √(C×T)

其中：D表示耦合协调度，取值范围为0到1。D值越高表示城市层面较高感知财富与较低 recorded crime 率之间的协调程度越高，反之则表示两者之间的不协调程度更大。由于感知财富是在 recorded crime 发生地点采样的SVI派生指标，该指标应理解为 recorded crime 率与犯罪地点感知财富之间的跨城市描述性对应关系，而非衡量城市整体公共安全水平的指标。

3.4.2. LightGBM模型

为了识别不同因素对犯罪率和财富感知的影响，本研究建立了两个LightGBM模型，以犯罪率和财富感知为因变量，以基础设施可达性、基础设施获取公平性及其他控制变量为自变量。LightGBM由Ke等人（2017）提出，是一种高效的梯度提升决策树算法，通过整合多个弱学习器迭代提升预测性能，特别适用于捕捉变量间的复杂非线性关系和交互效应。在第t次迭代时，模型预测可表示为：

(4) ????? = ?????1? + f?(x?)

其中：?????表示样本i在第t次迭代后的预测值，f?(x?)表示新增决策树的输出。模型目标函数定义为：

(5) L??? = Σ???? l(y?, ?????1? + f?(x?)) + Ω(f?)

其中：l(·)为损失函数，Ω(f?)为用于控制模型复杂度的正则化项。通过对目标函数进行二阶Taylor展开，LightGBM同时利用一阶和二阶梯度信息进行优化，每次迭代时选择分裂增益最大的叶节点进行生长。分裂增益为：

(6) Gain = ?[G_L2/(H_L+λ) + G_R2/(H_R+λ) - (G_L+G_R)2/(H_L+H_R+λ)] - γ

其中：G和H分别表示节点内样本一阶梯度和二阶梯度的和。为提升计算效率，LightGBM使用基于直方图的算法对连续变量进行离散化。

为确保方法的稳健性，我们将LightGBM与七个基线模型进行了比较，涵盖传统线性模型（OLS、Ridge）、空间回归模型（SLM、GWR）以及其他非线性机器学习算法（SVR、Random Forest、XGBoost）。模型性能综合使用训练集和测试集的判定系数（R2）进行监测以观察潜在过拟合，同时结合均方根误差（RMSE）和平均绝对误差（MAE）进行评估。详细的模型比较见补充材料1的第3节。

3.4.3. SHAP值

本研究采用SHAP来解释潜在预测变量对 recorded crime 率和财富感知的影响。基于合作博弈论中的Shapley值概念（Shapley, 1953），SHAP为每个特征在每次预测中分配边际贡献，使复杂模型行为可分解为可加性和方向可解释的组成部分。由于其一致性、局部准确性和模型无关性，该方法为揭示 recorded crime 率和财富感知背后的异质性机制提供了有效手段。

4. 结果

4.1. 基础设施可达性与公平性的空间分布

为了识别跨城市间基础设施可达性差异及其城市内分配不平等性，我们考察了九类基础设施的基于人口的可达性指标及对应的基尼系数（图4）。双变量地图联合可视化了各类基础设施的城市层面人口加权可达性和城市内不平等性。

下载：下载高分辨率图像（798KB）下载：下载全尺寸图像

图4. 中国各经济区基础设施可达性与配置公平性的空间分布。双变量色图展示了九类基础设施在可达水平与基尼系数之间的区域差异和空间错配。较高的基尼系数表示基础设施可达性不平等程度更高。

总体而言，基础设施可达性在中国呈现出显著的区域分化。供水、废弃物管理、铁路、公路和医疗集中在中东部地区，特别是长三角、珠三角和京津冀城市群周边，可达性通常从核心城市向周边地区递减。相比之下，西部和东北大部分地区可达性仍然较低。重要的是，一些东部地区也表现出相对较高的基尼系数，表明较高的可达性并不必然意味着更公平的空间分布。教育基础设施呈现出更为分散的格局，较高的可达性集中在中东部地区，而西部和东北部大部分地区处于较低水平。

电信和机场基础设施呈现出略有不同的空间格局。电信可达性在西部和东北部分地区较高且不平等性相对较低。机场可达性则呈现更清晰的层级格局，较高值集中在中东部地区，而许多西部和东北地区的可达性较低且不平等性更大。

综合来看，基础设施可达性与公平性在中国空间上脱耦。较高的可达性集中在中东部地区，但并不一致地对应更大的公平性，而西部和东北地区的可达性与分布不平等性呈现更多样的组合。

4.2. 犯罪风险与视觉财富感知的空间错配

在识别了中国不同基础设施类型的可达水平和公平性的空间格局后，我们进一步考察了城市 recorded crime 率的分布以及犯罪发生街道对应的财富感知（图5）。

下载：下载高分辨率图像（652KB）下载：下载全尺寸图像

图5. 犯罪风险与视觉财富感知的空间错配。地图展示了 recorded crime 率（a）和财富感知（b）的区域梯度，根据中位数阈值对其空间组合进行分类（c），并通过象限图（d）详细展示不同城市的错配特征。

总体而言，recorded crime 率表现出较为清晰的区域梯度（a）。西部、中部、东部和东北部地区均呈现自北向南逐渐递增的趋势。高值区域主要沿东南沿海和中南城市带连续分布，形成明显的向南集聚格局。西北部和东北部北部地区总体上处于低风险水平，构成"南高北低"的宏观空间格局。相比之下，财富感知也呈现显著的区域集聚特征（b）。中部地区平均得分最高，而东北部地区总体得分最低。较高的财富感知主要集中分布在中部和中东部城市，而西部和东北部大部分地区则始终处于低值状态。

为进一步揭示两者之间的空间组合关系，我们以第50百分位数作为阈值，将 recorded crime 率和财富感知分为高（H）和低（L），形成四种组合（c）。结果显示，"L-L"组合主要分布在西部和东北部地区。"L-H"组合集中在中部和一些西北城市，呈现富裕视觉外观与相对较低风险水平并存的现象。值得注意的是，"H-L"组合主要集中在西南部和一些东北城市，表现为较低的财富感知与较高的犯罪风险。这揭示了一种街道财富感知不足与风险暴露叠加的空间状态。"H-H"组合主要分布在中东部地区的南部城市，形成了富裕外观与高风险并存的空间格局。

最后，我们绘制了详细的象限图（d），以进一步揭示这种错配特征。西部地区的贵阳和柳州以及中部地区的武汉表现出较高的 recorded crime 率，但其财富感知接近全国平均水平。这些案例表明，较高的 recorded crime 率并不必然对应较低的感知财富。东部地区的三亚呈现低 recorded crime 率和高财富感知的组合，反映了旅游型和消费型城市的形象优势。总体而言，财富感知与 recorded crime 率之间不存在稳定的对应关系，而是表现出明显的区域分化和空间错配。

4.3. 不同犯罪风险与财富感知组合下的街道视觉环境差异

为进一步揭示犯罪风险与财富感知错配组合下微观尺度街道环境的差异，图6比较了四种场景中四种区域六类街道视觉元素的分布特征，并展示了融入典型SVI的不同区域代表性空间形态。数据分析表明，不同组合下的街道视觉组成表现出显著的结构特征和区域分化。

下载：下载高分辨率图像（799KB）下载：下载全尺寸图像

图6. 不同犯罪风险与财富感知组合下微观尺度街道环境的差异。小提琴图比较了四种区域组群中六类视觉元素的分布，配以高犯罪/高财富（a）、高犯罪/低财富（b）、低犯罪/高财富（c）和低犯罪/低财富（d）场景的代表性SVI。

在"高 recorded crime 率和高财富感知（H-H）"场景下（图6a），四个区域在绿化度和步行性方面均表现出较高且集中的特征。这表明即使在犯罪风险较高的地区，反映高财富感知的数据通常伴随着更好的植被覆盖和行人通道条件。然而，区域间的环境差异主要体现在空间几何形态上。

东北地区的围合度与复杂度均显著低于其他地区，其小提琴图分布中心明显偏低，反映出该地区在此类场景下的街道连续性与视觉层级相对较弱。

在"高记录犯罪率、低财富感知（H-L）"场景（图 6.b）中，环境要素的分布呈现出不同的模式。东北地区的街道显示出较高的开放度，但其绿度与复杂度普遍偏低，导致视觉形态相对单调。同时，西部地区在复杂度指标上呈现出极大的数据离散性（小提琴图分布范围较宽），表明在这种风险与感知的组合下，西部地区不同街道之间的视觉丰富度存在显著的数据两极分化。

在"低记录犯罪率、高财富感知（L-H）"场景（图 6.c）中，各区域的绿度与步行友好度保持相对稳定且处于较高水平。与 H-H 场景相比，东部和中部地区复杂度数据分布更为集中，表现出较强的视觉一致性。然而，西部和东北部地区在复杂度与可意象性上仍保留了较大的内部变异。

在"低记录犯罪率、低财富感知（L-L）"场景（图 6.d）中，西部地区的步行友好度、开放度与可意象性均表现出显著的分离程度，街道形态的异质性最为突出。此外，在此场景中，大多数区域的绿度与复杂度中位数普遍处于较低水平。

对图表分布特征的整体观察显示，绿度与步行友好度与高财富感知样本（H-H 和 L-H）之间存在相对稳定的数值对应关系。相反，复杂度、围合度与开放度在不同风险与感知组合以及不同区域之间表现出更显著的波动和离散程度，成为区分微尺度街道环境差异的关键数据维度。

4.4. 记录犯罪率与财富感知之间的耦合协调度

为进一步揭示记录犯罪率与财富感知之间的空间相互作用，图 7 定量展示了中国各城市两者的耦合协调度及其空间分布特征。如图 7a 所示，耦合协调度表现出显著的空间分异，宏观上呈现"东高西低、南高北低"的不均衡格局。高值区域（0.66–0.81）主要沿东部沿海和南部城市带集聚。相反，低值和中值区域（0.12–0.57）广泛分布于西部、西北部和东北部地区，反映出这些区域客观犯罪风险与视觉环境表征之间存在明显的空间错配。

下载：下载高分辨率图片（488KB）
下载：下载全尺寸图片
图 7. 记录犯罪率与财富感知之间耦合协调度的空间分布与统计变异。各面板分别展示了全国空间格局（a）、区域间耦合协调度对比（b）、纯耦合度（c）和综合发展指数（d），以及对这些指标的详尽城市级评估（e）。

考察四大区域的内部数据分布（图 7.b 至 7.d），各区域协调特征存在结构性差异。就耦合协调度而言（图 7.b），中部地区的数据分布最为集中且中位数相对较高，表现出一致的协调特征。东部地区总体中位数较高，但其数据离散性强，表明内部差异显著。东北部地区记录的整体中位数最低。结合图 7c 和 7d，尽管四大区域的纯耦合度均处于较高区间（图 7.c），但其综合发展指数显示出明显的区域差异（图 7.d）。这表明区域综合特征是导致耦合协调度分异的重要数据基础。

在城市层面（图 7.e），多指标对比显示，大多数城市的耦合度处于 0.8 以上的高水平（紫色节点）。然而，由于综合发展指数（红色节点）波动显著，最终的耦合协调度（绿色节点）呈现出明显的个体异质性。被标记为省会城市或直辖市的城市（以黄色三角形表示，如深圳、上海和北京）通常拥有更高的综合发展指数，推动其耦合协调度处于整体领先地位。然而，此类高线城市的数据也呈现出差异（如济南与深圳之间的协调度差距），一些非省会城市也表现出较高的协调水平。这证实了在微观城市尺度上，协调关系具有较高的数值离散度。

4.5. 基础设施可达公平性与街道环境对记录犯罪率和财富感知的差异化影响

为检验基础设施可达性不平等与街道级视觉环境与记录犯罪率及感知财富之间的关联，本研究采用了 LightGBM 和 SHAP 方法。图 8 显示，记录犯罪率排名前三的预测因子中有两个为基础设施要素，而感知财富排名前三的预测因子全部为环境要素。因此，基础设施不平等在记录犯罪率模型中更为突出，而环境特征在感知财富模型中更为突出。

下载：下载高分辨率图片（356KB）
下载：下载全尺寸图片
图 8. 记录犯罪率（a）与财富感知（b）的 SHAP 值分布摘要图。水平条形表示平均绝对 SHAP 值和整体特征重要性，蓝色、绿色、红色和灰色分别代表基础设施、环境、社会经济和安全治理要素。圆点显示城市级 SHAP 贡献，颜色从低（蓝色）到高（红色）表示特征值；正负 SHAP 值分别表示对预测结果的积极贡献和消极贡献。

在客观记录犯罪率模型中（图 8.a），电信基础设施可达性的不平等显示出最强的正相关关联：较高的电信基尼系数主要与正 SHAP 值相关，表明电信可达性不平等越高，对预测记录犯罪率升高的贡献越强。绿度和教育基础设施可达性的不平等也表现出较强的正贡献。此外，人口密度与记录犯罪率呈正相关。在微观尺度的街景特征中，围合度总体呈正相关关系，街道围合度越大，记录犯罪率越高。相反，警务设施密度显示出相对明显的负相关关联，较高的警务设施密度主要对应负 SHAP 值。

相反，在主观点财富感知模型中（图 8b），微观级街景特征主导了解释结构，绿度、复杂度和开放度排名前三。较高的绿度和复杂度通常对预测财富感知有积极贡献，而较高的开放度主要与负 SHAP 值相关。相比之下，基础设施、社会经济和安全治理变量的解释贡献显著较低。这种差异表明，记录犯罪率与财富感知与城市环境的不同维度相关联，前者更与基础设施不平等相关，后者主要受街景特征塑造。

考察记录犯罪率的特征-响应模式，SHAP 依赖图揭示了主要预测因子之间的不同关系。图 9a 的 SHAP 依赖图显示，电信可达性不平等与记录犯罪率之间存在总体正相关关系。在不平等程度较低时，SHAP 值逐渐增加，在基尼系数的中高水平区间上升更为迅速。这一模式在各区域大体一致。绿度作为一种微观尺度环境特征，也表现出非线性模式（图 9b）。当绿度约为 0.02–0.08 和 0.13–0.20 时，其 SHAP 值保持相对稳定，但在约 0.09–0.12 范围内则显著增加。相比之下，教育基础设施可达性的不平等在各区域表现出相对一致的正趋势，随着教育基尼系数的上升，其对记录犯罪率的正 SHAP 贡献总体增加（图 9c）。

下载：下载高分辨率图片（481KB）
下载：下载全尺寸图片
图 9. SHAP 依赖图，展示了排名靠前预测因子的特征-响应模式和区域异质性。第一行说明电信、绿度和教育对记录犯罪率的影响（a-c），第二行突出绿度、复杂度和开放度对财富感知的影响（d-f）。

与客观犯罪风险观察到的模式不同，感知视觉财富主要由微观尺度街景的量化特征驱动。进一步分析表明，这种关系在各区域高度一致（图 9d）。一旦绿度超过约 0.02，其对感知财富的正 SHAP 贡献迅速增加，并遵循大致单调递增的趋势。超过约 0.15 后，大多数区域的增幅趋于平缓，而西部地区则持续表现出更明显的上升趋势。复杂度与感知财富之间呈现出更明显的非线性关系（图 9e）。当复杂度从约 0.05–0.16 增加时，其 SHAP 值总体上升；随后在约 0.24 处下降到相对较低水平，此后再次上升。相比之下，开放度与感知财富之间表现出相对一致的负相关关系，随着开放度的增加，SHAP 值持续下降（图 9f），表明街道开放度越大，感知视觉财富通常越低。

5. 讨论

5.1. 基础设施可达与犯罪分布的空间特征

我们使用多源空间数据和两个并行的 LightGBM 模型，检验了中国各城市基础设施可达性不平等与街道级视觉特征与记录犯罪率和感知财富之间的关联。基础设施供给通常表现出三种空间配置："高可达性-高不平等"，在中东部地区较为常见；"低可达性-相对公平"，在西部和东北部的部分地区观察到；以及局部基础设施稀缺。这些模式表明，扩大基础设施供给并不自动转化为更公平的空间可达性（Mendoza, 2017）。在快速城市化的背景下，这种差异也反映了长期土地开发的空间选择性。新城建设、战略发展区和土地价值提升往往优先考虑人口和资本更集中的区域，而外围地区和老旧城区可能难以从基础设施升级中受益（Liu, 2018, Liu et al., 2014）。因此，基础设施不平等不仅仅是供给不足的问题，也反映了城市增长收益和公共资源空间分布的不均衡。

这一发现进一步表明，仅增加基础设施总量不足以改善空间公平。土地开发、城市更新和公共设施供给之间的相互作用可能将额外资源导向高价值开发区域，强化"高投资-高集聚-高差异"的模式。对于可达性较低的区域，劣势可能不仅延伸至获取公共服务的成本更高，还包括信息获取、日常活动组织和社会监护的较弱条件。因此，基础设施不平等与记录犯罪率之间的关联，最好被理解为土地开发、人口流动和公共资源分配共同塑造的空间结果，而非基础设施供给不足对犯罪的直接影响。

更重要的是，记录犯罪和感知财富并未表现出稳定的空间对应关系。中国东部的一些高犯罪城市也显示出相对较高的感知财富水平，表明视觉上繁荣的环境并不必然对应较低的记录犯罪率。中央商务区、主要商业区和重点更新区通常拥有维护更好的景观、更高质量的建筑立面和改善的公共空间，但它们也集中了人流量、消费活动和潜在目标暴露。这些条件可能产生"视觉繁荣"与"犯罪机会"并存的城市环境（Zhang et al., 2021）。从土地政策角度来看，这种错配指向一种更深层的张力：以土地价值增值和形象提升为导向的更新策略可以快速改变可见的建成环境，而不一定产生人口流动、社会监护或安全治理的同步变化（Z. Wang et al., 2026）。

相比之下，中国西部和东北部的某些高犯罪地区也表现出相对低下的感知财富，这可能反映了建成环境衰退与公共安全挑战的双重压力。在经历产业结构调整、人口流失或更新动力不足的地方，公共空间改善、基础设施投资和治理能力可能都受到限制。这种对比也有助于解释为什么绿度和开放度对感知财富和记录犯罪的响应模式不同。可见的景观改善可以直接提升视觉评价，但不一定同方向产生安全感关联。

例如，更多的绿化可能改善街道景观质量，但过于茂密的植被会降低视线连续性和自然监视效果。因此，"看起来更富裕"的城市环境与"犯罪记录较低"的城市环境应被视为相关但在分析上不同的维度。

5.2 与犯罪记录率和财富感知相关的发散多尺度路径

犯罪记录率在所有类型的基础设施中并未表现出一致的相关性。电信基础设施可及性的不平等在犯罪模型中表现出最强的解释贡献，教育基础设施可及性的不平等也非常重要；相比之下，与供水、电力、铁路和垃圾基础设施相关的变量贡献相对较小。人口集中可能同时增加基础设施供给和社会互动，从而创造更多犯罪机会（Bettencourt等人，2010）。

电信可及性不平等与犯罪记录率表现出特别强的正相关，随着不平等程度增加，其贡献变得更加明显。这表明，与一般的电信基础设施供给相比，城市内部可及性的极端差异可能与更高的犯罪记录率更密切相关。潜在机制可能涉及数字连接、信息获取、应急通讯以及正式和非正式守护机会的空间差异。例如，当电信基础设施在城市内部高度不均匀分布时，服务良好的社区可能与可及性显著较差的区域并存。这种空间差异可能创造出不平等的信息获取、应急通讯和守护条件，进而可能与城市层面更高的犯罪记录率相关（Hawarey, 2026）。

教育基础设施可及性的不平等表现出更稳定的正相关关系。随着基尼系数增加，其对犯罪记录率的正SHAP贡献总体上增强，且这种模式在各地区相对一致。从日常活动理论和犯罪模式理论的角度来看，教育基础设施可及性的高度不平等可能使活动节点集中在某些区域，而让其他地区获得公共服务的途径更加有限，从而产生人口集中度、目标暴露和守护条件的空间差异（Cohen和Felson, 2010）。

微观街道景观环境呈现了另一组与犯罪相关的空间特征。更高的绿化水平和围合度通常与更高的预测犯罪记录率相关，而更大的开放性则表现出相反的模式。当植被、建筑物或其他垂直元素限制视线时，它们可能降低空间可见性和自然监视效果，而更大的开放性可以提供更连续的视线和更强的可观察性（Newman, 1976）。因此，街道景观环境与犯罪之间的关系并不取决于单一视觉特征本身是"好"还是"坏"，而在于不同特征如何共同塑造可见性、守护条件和日常活动空间。

相比之下，感知财富主要由直接可见的街道景观特征解释，包括绿化、复杂性和开放性，其中绿化的正相关关系最强。值得注意的是，绿化也与犯罪记录率呈正相关，这表明同一微观环境特征在视觉感知和犯罪状况方面的作用可能不同。更广泛地说，这表明微观环境特征可能通过不同机制与感知财富和犯罪记录相关联。例如，更绿、更复杂的街道景观可能提供丰富的视觉刺激并有助于提高感知财富，但这些视觉品质并不必然对应更低的犯罪记录率。这种差异可能在资源集中区域尤为明显，在那里，视觉上吸引人的或复杂的环境可以与相对较高的犯罪记录率并存。因此，资源分配不均与上述视觉环境交汇的空间可能代表城市治理中特别脆弱的区域（Kawshalya等人，2022）。

5.3 政策含义与未来工作

我们的研究发现的政策含义不在于无差别地扩大基础设施，而在于将分配公平纳入土地利用和城市更新决策。电信和教育可及性的不平等对犯罪模型的贡献强于其他几种基础设施类别，这表明基础设施缺口不应被视为等同。因此，国土空间规划、城市更新评估和公共设施选址在优先安排公共投资时，应同时考虑平均可及性和城市内部不平等，特别是在总体供给相对较高但内部差异显著的地方。

第二个含义源于犯罪记录与感知财富之间的不匹配。不应假定视觉上升级或商业繁荣的环境具有较低的犯罪记录水平。因此，城市更新评估应结合犯罪记录、人口活动、基础设施可及性和地方治理状况等独立指标，来评估街道景观改善。这对于以形象为导向的重建尤为重要，因为可见环境质量的改善可能与公共服务的可及性持续不平等并存。

最后，绿化和开放性与感知财富及犯罪记录的不同关联表明，公共空间设计涉及视觉质量与可观察性之间的潜在权衡。因此，城市更新和设计审查应同时将植被密度、视线连续性和空间开放性与审美目标一并考虑，而不是将美化视为改善城市状况的无条件替代指标。

然而，本研究存在几个需要进一步调查的局限性。首先，基于SVI的环境测量捕捉了街道景观形态的选定维度，但并未完全代表与犯罪和感知财富相关的所有可见特征。特别是，物理失序的迹象，如垃圾、涂鸦和建筑物破损，未单独量化，因为使用标准语义分割很难一致地识别这些特征。此外，区域背景可能影响街道景观特征和视觉感知。气候、植被状况、建筑风格、建筑材料和城市历史可能独立于社会经济条件，塑造绿化、开放性、围合度和整体视觉外观等指标。同样，由于许多既定的犯罪学理论主要是在西方城市背景下发展的，其对中国的适用性应谨慎解释，并将其视为概念框架而非普遍有效的解释。

其次，SVI是在地理编码的犯罪记录地点收集的，而不是通过城市范围内的抽样框架收集的，因此记录案件较少的城市相应地拥有较少的采样点。因此，感知财富和街道景观测量表征的是采样的犯罪地点而非整个城市，不匹配和耦合协调结果应被解释为犯罪记录率与犯罪地点视觉环境之间的跨城市对应关系。未来研究可能受益于基于人口或空间平衡的SVI抽样，以进一步提高空间代表性。此外，犯罪数据代表的是记录犯罪而非所有犯罪事件，可能受到漏报影响，且报告概率因犯罪类型和地方背景而异。城市层面的框架也无法捕捉特定微观地点的犯罪集中情况。因此，未来研究可以检查更精细的空间单位，如邻里、路段或规则网格，以更好地捕捉城市内部异质性和犯罪聚集。

6 结论

本研究整合了基础设施可及性不平等、基于SVI的环境特征和可解释机器学习，以考察这些城市因素如何与中国城市中的两个不同结果——犯罪记录率和感知财富——相关联。有三个结论尤为稳健。首先，基础设施可及性及其城市内部不平等在各地区差异显著，且高可及性并不必然对应更大的空间公平。其次，犯罪记录与感知财富在城市层面没有稳定的对应关系：视觉上更富裕的城市并不系统地以较低的犯罪记录率为特征。第三，两个结果表现出部分重叠但权重不同的预测变量结构。基础设施不平等指标在犯罪记录模型中更为突出，而可见的街道景观特征在感知财富模型中更为突出。

本研究对城市研究的贡献在于表明，基础设施可及性不平等是城市层面与犯罪记录率相关的一个维度，尽管其贡献因基础设施类型而异。关键不仅在于城市是否拥有基础设施，还在于关键服务是否公平分布到足以减少脆弱性和碎片化。关键基础设施可及性的更高不平等，特别是电信和教育方面，与更高的犯罪记录率相关，尽管这些关联的强度因基础设施类型而异。同时，感知财富与犯罪记录率之间的差异表明，基于外观的安全判断可能掩盖更深层次的地域不平等。

对于城市政策，研究结果支持对基础设施和更新采取更具分配敏感性的方法。扩大基础设施供给和改善街道景观外观仍然重要，但不应假定两者会自动产生空间公平或降低犯罪。因此，城市更新策略应同时考虑公共资源如何分配与可见的环境升级，同时更精细的规模证据应指导任何针对特定地点的安全干预。更广泛的含义不是从以外观为导向的更新转向单一的替代模式，而是采取一种更整合的方法，将空间公平、视觉质量和公共安全视为城市发展中相互关联但不同的维度。

CRediT作者贡献声明

He Ziwen: 撰写——初稿、软件、资源、方法论、形式分析、概念化。Zhao Wenlin: 软件、数据管理。Rui Jin: 监督、方法论、形式分析、概念化。

He Ziwen|Zhao Wenlin|Rui Jin