《Journal of Urban Health》：Exploring Spatial Inequities and Livability: A Mixed-Methods Study Using Artificial Intelligence and Community Insights
编辑推荐：
摘要翻译：
快速城市化通过基础设施、服务和公共空间的不均衡分布，加剧了健康与社会不平等。在美国密苏里州圣路易斯市，这些差异在地理上高度集中，并根植于长期存在的种族隔离与投资撤出模式。本研究通过将可扩展的人工智能（artificial intelligence
摘要翻译：
快速城市化通过基础设施、服务和公共空间的不均衡分布，加剧了健康与社会不平等。在美国密苏里州圣路易斯市，这些差异在地理上高度集中，并根植于长期存在的种族隔离与投资撤出模式。本研究通过将可扩展的人工智能（artificial intelligence, AI）方法与社区视角相结合，考察空间不平等如何塑造城市宜居性。研究人员应用视觉-语言模型（vision-language model, VLM），并辅以大型语言模型（large language model, LLM），对7848个谷歌街景（Google Street View）片段进行微观建成环境特征分类，同时对居民和利益相关者开展了半结构化访谈。AI分析揭示了基础性基础设施的普遍存在，如街道照明（84.9%）和连续人行道（77%），但通用设计特征的覆盖率极低，如缘石坡道（9.7%）和人行横道（7.1%）。这些缺失与较低的收入中位数和较高的非西班牙裔黑人居民比例显著相关。定性研究结果证实并情境化了这些模式，将其与历史上的红线歧视（redlining）、碎片化治理以及日常行动受限和安全体验联系起来。通过将可扩展的AI工具与社区叙事相结合，本研究表明空间不平等既体现在物理街景中，也体现在日常生活中。在方法论上，本研究推进了VLM和LLM驱动的城市审计流程；在概念上，本研究从空间公平的视角重新定义了宜居性指标；在实践上，本研究为以公平为中心的城市规划提供了一个可复制的框架。
论文解读：
## 一、研究背景与问题
快速城市化在提升城市功能的同时，也通过基础设施、公共服务和公共空间的不均衡配置加剧了健康与社会不平等。在美国圣路易斯市，这些不平等在地理上高度集中，并深深根植于20世纪30年代红线歧视（redlining）所形成的种族隔离和长期投资撤出模式。尽管全球日益关注城市宜居性，但现有评估方式往往碎片化，且单纯依赖定量指标可能忽视居民对不平等的切身感受。因此，亟需一种既能大规模客观测量建成环境，又能纳入社区主观经验的研究框架，以揭示空间不平等如何塑造宜居性，并为公平导向的城市规划提供证据。
## 二、研究目的与设计
本研究旨在以美国密苏里州圣路易斯市为案例，整合可扩展的人工智能（AI）方法与社区定性洞察，回答三个问题：（1）利用AI驱动的谷歌街景（Google Street View）图像分析，客观测量城市宜居性；（2）考察宜居性特征的空间分布，识别和理解空间不平等；（3）捕捉社区和利益相关者关于不平等如何产生和被体验的视角。研究采用混合方法案例设计，定量部分基于7848个街道段落的谷歌街景全景图像，通过大型语言模型（LLM）生成提示词，并由视觉-语言模型（VLM）依据MAPS-Mini微观审计工具进行建成环境特征评分；定性部分则对居民和利益相关者进行半结构化访谈，并在解释阶段整合两种数据源。
## 三、关键技术与方法
研究人员构建了一套基于LLM和VLM的自动化城市审计流程。首先沿圣路易斯市公共街道网络生成100米间距的高分辨率采样网格，共7848个街道段，并通过谷歌街景静态API获取全景图像。针对每个建成环境特征（如人行横道、垃圾桶、公园等），使用LLaMA模型生成标准化、详细的视觉提示词，以指导VLM（LLaVA-7B）对全景图的四个90度裁剪图分别进行分类评分。系统设计了多种聚合规则（如any-yes、ordinal-max、numeric-max、mode等）将裁剪图结果汇总为段落级特征。所有模型均在单张NVIDIA RTX 4090 24GB GPU上本地运行。为验证VLM输出的可靠性，研究人员抽取150个全景图进行独立人工审计，最终获得164个有效审计样本，并计算了百分比一致性、Gwet's AC1系数及敏感性/特异性。此外，还通过方差筛选和已知组效度检验（如商业区与住宅区的特征差异）评估内部一致性。人口统计数据来自2018–2022年美国社区调查（American Community Survey, ACS）5年估计值。定性部分采用目的性抽样，涵盖圣路易斯市北、南及中部不同投资水平的社区，共访谈居民和利益相关者，录音转录后使用主题分析法编码。
## 四、主要研究结果
### 4.1 基于AI的客观宜居性测量
对7848个街道段的描述性统计显示，大部分路段拥有充足的街道照明（84.9%）和连续人行道（77.4%），但通用设计元素严重缺乏：仅9.7%的路段设有缘石坡道，7.1%设有标记人行横道。重大绊倒风险较为常见（69.6%路段存在隐患）。树冠覆盖率在51.5%的路段被评为高。在VLM与人工审计的对比中，六项特征（标记人行横道、公交站、公园、街灯、立面维护、人行道存在）显示中度至极好的一致性（AC1 0.54–0.95），而缓冲带和自行车设施的一致性不优于随机水平（AC1分别为?0.04和?0.88），故被排除在后续推断分析之外。
### 4.2 黑人居民比例与建成环境特征的关系
散点图及双变量线性回归表明，非西班牙裔黑人居民比例较高的普查区，拥有充足街道照明、维护良好建筑、连续人行道和无重大绊倒风险的路段比例显著较低。具体而言，黑人居民比例每增加一个百分点，维护良好建筑的路段比例下降0.24个百分点（p < 0.001）。值得注意的是，黑人居民比例较高的区域树冠覆盖率反而更高，这可能与这些区域较高的空置率有关——空置地块上往往生长着未管理的植被。
### 4.3 收入水平与建成环境特征的关系
普查区家庭收入中位数每增加一千美元，维护良好建筑的路段比例增加0.33个百分点，连续人行道路段比例增加0.31个百分点，无重大绊倒风险路段比例增加0.12个百分点（均p < 0.001）。较高收入区域普遍拥有更优质的街道设施。
### 4.4 空间不平等与宜居性的感知：定性洞察
居民和利益相关者的访谈揭示了两类主题。共同主题包括：长期居住或工作经历所感知的城市鲜明对比——历史建筑和公园与空置地块、食品荒漠并存；北圣路易斯、Dutchtown等地被描述为“被遗忘的”社区，而中央西区等地则被视为投资成功的范例。仅由利益相关者提出的主题包括：其组织以环境正义和宜居性为使命，采取“上午出庭、下午与居民种树”的混合工作模式；政策环境“繁忙但碎片化”，涉及90多个城市政府的治理分散、汽车导向路网和种族化投资撤出模式，同时新兴数据工具（如空置探索器、树木公平地图）有助于量化居民感知，但仅靠指标无法推动改革。
## 五、讨论与结论
讨论部分指出，本研究首次将可扩展的LLM驱动街道审计与居民及利益相关者叙事相结合，证明空间不平等既客观存在于物理街景中，也体现在日常生活的行动受限和安全体验中。定量与定性证据高度吻合：低收入和黑人比例高的区域基础设施质量较差，而受访者描述的“被遗忘”区域与定量模式精确对应。树冠覆盖率的例外恰恰凸显了结合定性视角的必要性——高树冠可能反映的是空置地块上的野生植被而非优质绿化。研究还揭示了社区组织的适应能力，其作为跨越制度边界的行动者弥补了治理碎片化的不足。本研究的优势在于处理超过7800个街道段的高效AI流程、混合方法三角验证、可适应的提示工程框架以及低成本（仅需约7美元/千张图像的API费用，避免了人工审计所需的500–730小时）。局限性包括街景图像时间和覆盖范围的变化、定性样本有限、VLM对细微视觉线索的灵敏度不足，以及圣路易斯独特治理结构对可迁移性的影响。未来研究应开展地面实地审计验证、纵向监测和跨城市比较。结论强调，该研究在方法论上推进了LLM/VLM在城市分析中的应用，在概念上以空间公平重新定义宜居性，在实践中为公平导向规划提供了可复制框架，并展示了AI既可扩展又能具有社会响应性的潜力。
