空间特征对人群行为的影响：一种用于街道质量评估的行为替代方法 向凯（Ke Xiang）、 梁卓月（Zhuoyue Liang）、 欧阳逸宇（Yiyu Ouyang）、 向瑞银（Shuyin Xiang）和 埃莱娜·卢基（Elena Lucchi）

《Buildings》：The Influence of Spatial Characteristics on Crowd Behaviors: A Behavioral Proxy Approach for Street Quality Assessment Ke Xiang, Zhuoyue Liang, Yiyu Ouyang, Shuyin Xiang and Elena Lucchi

　　摘要：本研究考察了广州沙面岛的街道空间，并探讨了长期存在的城市设计难题——如何量化主观感知。借鉴环境心理学理论，本研究引入“行为表征”作为感知的代理变量。通过整合国际街道设计指南，建立了一个涵盖空间尺度、界面、设施和景观的街道特征指标体系。随后应用多元线性回归（MLR）模型深入分析空间元素如何影响五种行为类型，包括逗留、经过和消费。结果表明，人行道宽度是所有行为类型的根本驱动因素，而艺术景观装置对长时间停留的影响最为显著。此外，不同的空间元素在塑造各种行为方面表现出不同的作用机制。本研究构建了一个“空间-感知-行为”的认知框架，为评估城市设计中的主观感知提供了基于证据的工具和方法论参考。

1. 引言
城市街道被定义为促进居民日常社会互动的通道，包括车道本身以及周围的建筑物、路旁灌木和植被，这些共同构成了居民的日常体验[1]。因此，街道环境对人类的认知、行为和生活质量感知有着深远的影响[2]。作为城市公共空间最普遍和动态的组成部分，街道的空间特性与居民的日常体验和城市活力密切相关。因此，评估和优化街道空间质量成为城市研究的核心主题。在高密度城市化背景下，提升街道质量已成为以人为本治理的核心焦点。高质量的街道景观对于促进积极行为、减少心理压力和支持城市活力至关重要。客观的形态学指标，如街道长宽比（D/H）和宽高比（W/D），对环境感知有显著影响[3]，而微观尺度的空间因素则精细地塑造了人类活动和空间利用[4,5]。然而，一个关键问题依然存在：如何客观评估人类与复杂街道环境之间的互动。由于传统的自我报告方法容易产生偏差，现有的行为研究往往缺乏细致的行为分类，因此填补这一空白对于基于证据的城市设计具有重要意义。通过引入细粒度的“行为表征”作为客观代理，本研究揭示了空间特征如何塑造实际空间使用模式的具体机制，为街道优化提供了透明、可量化的工具。

本文的其余部分结构如下：第2节回顾相关文献；第3节详细介绍了方法论框架，包括数据收集和行为分类；第4节提出了实证案例研究；最后，第5节讨论了分析结果及其对城市设计的启示。

2. 文献综述
2.1. 街道空间质量评估
关于街道空间质量评估的研究旨在将抽象的质量概念转化为可量化、可比较和可操作的指标，从而为城市设计提供科学基础。其中一个核心挑战是主观感知的量化。测量范式已经从传统的专家评估和心理评估发展到整合环境数据和行为反馈的多维指标[6,7]。早期的研究主要依赖专家评分方法（如层次分析法AHP）来建立这些评估框架[8]。街道视图图像（SVI）和人工智能（AI）的进步——包括机器学习和深度学习——使得大规模表征物理街道环境及其感知属性成为可能。例如，SVI数据和AI算法被用于评估空间质量和可达性[9]，测量人类感知指标，并分析街道空间与感知维度之间的细微关系[10]。与此同时，当前的研究通过结合SVI与实地调查，并使用全卷积网络（FCN）进行语义分割[11,12,13]来整合多源数据。同时，基于人文理论的研究强调了整合主观人类感知和客观环境特征的重要性。这一转变反映了人们对街道使用者认知、情感和偏好的更多关注。最近的研究通过多种方法测量这些主观维度，包括视听满意度分析[14]、3D陈述偏好调查[15]、关于城市可影像性的问卷调查[16]以及人机对抗评分框架[17]。

2.2. 行为表征研究
借鉴环境心理学，“行为表征”——在之前的环境-行为研究（EBS）中通常与“行为映射”或“观察代理”相关——指的是反映用户如何与空间环境互动的可观察行为。人类行为并非随机发生，而是认知评估的行为结果。受心理需求的驱动，内在状态通过逗留、注视、路径选择和社会互动等外在行为表现出来。因此，行为表征提供了连接物理空间和主观感知的直观、客观的代理。主流方法分为三类：（i）基于位置的跟踪；（ii）自我报告方法；（iii）实地观察[18]。随着技术的进步，关于人类行为的定量研究呈现出向多尺度整合的演变趋势。例如，基于位置的服务（LBS）和手机信号数据被用于比较空间网络中的行为特征，刻画人群聚集情况，并调查居民非就业行为的目的[19,20,21]。此外，自我报告方法使用问卷、访谈和行为日记来报告用户的行为模式和动机，例如探索视觉景观偏好或分析商业空间的影响[22,23,24]。然而，自我报告方法严重依赖参与者的记忆，具有高度主观性。发放问卷可能会无意中影响行人的心理状态和判断，导致与其实际自发行为不符。相比之下，外在行为是心理状态的无意识表达。因此，实地观察仍是EBS中最经典的范式。通过统计观察、横断面计数和视频录制，实地观察能够真实捕捉人群动态和空间环境元素[25,26,27]。本研究采用实地观察来捕捉行为表征，将评估重新定位为基于行为的空间使用分析，而非依赖于直接的心理自我报告。

传统的实地观察方法通常将行为简化为静止和移动等基本类别。这种分类未能区分复合活动（如观光、社交和消费），这些活动具有不同的空间需求，从而限制了对街道空间质量相关机制的精确阐释。细致的实地观察主要关注具有明确边界和单一功能的空间离散节点，如公园和广场。尽管关于街道空间质量、感知和人类行为的研究成果丰富，但仍存在几个关键缺口：空间分析与行为研究之间的割裂，因为系统性地连接空间配置和可观察行为的框架尚不完善；行为分类的过度简化，未能揭示街道活力的多方面本质；关注空间离散环境而非连续街道；方法论上的不平衡，大数据缺乏行为深度，而微观尺度的观察很少与定量空间指标相结合；缺乏衡量街道活力的行为指标共识。

2.3. 综合与研究问题
要解决这些局限性，需要一个更加综合的分析框架，能够将客观的空间特征与多维的行为结果联系起来。为了弥合这些差距，本研究采用行为表征作为客观代理。本研究不是试图捕捉容易受到主观偏差影响的直接感知数据，而是对人群活动（如观光、休闲、消费和移动）进行功能导向的分类，将隐性的空间质量转化为可见的、客观的行为组合。因此，本研究关注以下核心研究问题：特定的微观空间特征如何驱动和塑造历史悠久的城市街道中的多样化人群行为？通过探索空间与用户之间的互动路径，本研究为高质量街道的设计提供了基于证据的工具，并为以人为本的城市更新提供了指导。

3. 材料与方法
研究工作流程分为三个步骤：
（1）构建街道空间质量测量模型（第3.1节）；
（2）街道空间质量的研究提案（第3.2节）；
（3）多元线性回归分析（第3.3节）。
这一三步设计严格符合核心研究问题，通过直接将客观的微观空间指标与可观察的人类行为反应联系起来。虽然其他方法也提供了有价值的见解——如用于分析宏观层面拓扑可达性的空间语法，或用于高精度行为预测的机器学习算法——但所提出的框架使用多元线性回归（MLR）来优先考虑解释的透明度。选择MLR是因为它能够精确量化单个物理空间因素的幅度和方向，从而为街道层面的城市设计提供可操作的、基于证据的指导。这些阶段在图1中进行了全面说明。

3.1. 构建街道空间质量测量模型
传统方法往往简化人类行为，难以客观地将空间配置与主观感知联系起来。为了解决这一差距，本研究将可观察行为视为感知的最佳代理，结合马斯洛的需求层次理论。借鉴经典的定量行为范式[28]，我们构建了一个系统的行为表征框架，旨在捕捉细致的、复合的街道活动。该框架包含三个维度，每个维度都有特定的分析目的：
（1）“行为主体”，对应于人群构成的多样性，旨在识别被该空间吸引的人群；
（2）“行为数量”，对应于空间活力的强度，旨在衡量空间的使用活跃程度；
（3）“行为质量”，对应于空间吸引力的深度，旨在区分高质量、持续的参与与简单移动。
为了实现这些维度，该框架整合了四个关键指标：人群构成、行为频率、行为类型和停留时间。这些特定指标被选为将不可见的主观质量感知转化为可见的多维行为数据的最有效技术，从而实现了揭示空间-行为互动机制的研究目的。表1展示了行为表征相关研究的比较分析。

3.2. 街道空间质量的研究提案
本研究关注与人类活动密切相关的微观空间属性，通过综合六个代表性城市街道设计指南（伦敦、纽约、阿布扎比、上海、广州和北京）[29,30,31,32,33,34]的设计原则和监管控制要素，筛选和精炼了现有的街道质量指标[29,30,31,32,33,34]。选择这些指南是因为它们提供了全面的全球视角，有效平衡了人类对街道生活的普遍需求与保持地区多样性的要求。筛选过程包括对其核心设计目标、街道分类框架和物理控制要素的系统性比较分析，以提取最普遍适用和可量化的空间变量。所构建的系统包括四个维度：
（1）空间尺度；
（2）街道界面；
（3）街道家具；
（4）景观环境。
变量选择遵循三个指导原则：
（i）与人类感知和行为的理论相关性；
（ii）不同街道段的可测量性和可重复性；
（iii）与传统的实地调查和新兴的计算机视觉方法的兼容性。
关于空间尺度维度，它包括几何特征（车道、人行道和总街道宽度；街道长度；平均建筑高度）以及高宽比（H/W）。这些变量因其对封闭感知、步行便利性、热舒适度和感知安全性的影响而被选中。可达性通过最短距离至公共交通设施来衡量，认识到连通性显著影响行人流量[35]。具体而言，该指标计算为到最近地铁站和公交车站的步行距离之和。这两个值的总和提供了整体多模式可达性的综合衡量，准确反映了缺乏交通便利性的街道的不足。
街道界面维度捕捉了建筑物与公共空间之间的互动。例如界面连续性和建筑界面可见性等指标量化了空间通透性和视觉参与度，反映了连续、可访问的界面能够增强行人兴趣和监控的理论[36,37]。
街道家具维度关注服务能力和活动支持。指标包括功能性、商业性、安全性和艺术景观设施的密度，并按单位街道长度进行了标准化，以确保可比性。这些指标直接关联到社交活动的机会，这与强调设施在维持街道生活中作用的设计理论一致[38,39]。
最后，景观环境维度整合了生态和感知因素，包括绿色视野指数（GVI）、植被类型和天空视野因子（SVF）。与传统实地调查不同，这些指标是通过全卷积网络（FCN）处理街道视图图像量化的。这种语义分割提供了对绿化和开放度的感知暴露程度的客观测量，反映了视觉质量显著影响认知恢复和行为偏好的证据[40]。通过上述三个选择原则筛选大量的指导要素，最终在这些四个维度中确定了十八个可测量的指标。这种方法有效地结合了传统的形态测量参数和基于图像分析的感知代理值。具体的测量指标和量化方法详见表2。表2. 街道空间的测量指标和方法。

3.3 多元线性回归分析
本研究采用多元线性回归（MLR）模型来定量研究街道空间特征对人群行为的影响。选择MLR是因为其解释能力强；与黑箱算法不同，它可以精确量化空间因素的幅度和方向，为城市设计提供可操作的依据[41]。街道空间指标作为解释变量，而五种类型的人群行为——有效停留、移动、消费、休闲和观光——构成响应变量。这种建模策略阐明了空间因素在行为类型中的不同影响途径。所有统计分析均使用SPSS Statistics 27.0（IBM公司，美国纽约州阿蒙克）进行。

在该模型中，人群行为的数量被指定为因变量。包括十八个空间变量——涵盖空间规模、界面、家具和景观——作为自变量来评估它们的潜在影响。为了确保统计的稳健性和可解释性，数据分析过程遵循了五个步骤的协议：
数据预处理和标准化（第3.3.1节）。
变量选择（第3.3.2节）。
模型构建（第3.3.3节）。
模型验证（第3.3.4节）。
回归解释（第3.3.5节）。

3.3.1 数据预处理和标准化
在模型构建之前，需要进行数据标准化，因为18个空间指标涉及不同的测量单位（例如，米、百分比和密度计数）。为了消除维度差异并确保回归系数的直接可比性，所有自变量都进行了转换。具体来说，选择了Min–Max标准化方法将所有变量值线性映射到统一的[0, 1]区间。之所以选择这种方法而不是Z-score标准化，是因为空间和行为指标经常偏离正态分布；Min–Max缩放保留了原始数据分布的形状，而不假设正态性，因此非常适合具有物理界限的指标（如比率和空间密度）。转换定义为方程（1）：
\[X_{norm} = \frac{X - X_{min}}{\max(X, X_{min})\] （1）
其中 \(X_{norm}\) 表示标准化后的值，\(X\) 是原始观测值，\(X_{min}\) 和 \(X_{max}\) 分别表示原始数据集的最小值和最大值。

3.3.2 变量选择
由于候选预测因子的数量较多，预计变量之间存在多重共线性和冗余。同时包含所有预测因子可能导致模型过拟合和参数估计不稳定。为了解决这个问题，采用了一种逐步回归方法自动筛选变量。这种迭代方法结合了前向选择和后向消除：根据统计显著性标准依次将变量引入模型，通常使用p < 0.05的阈值。在每次引入步骤之后，重新评估所有先前进入的变量，任何不再满足显著性标准的预测因子都被移除。这个迭代过程持续进行，直到没有额外的变量满足统计进入或移除条件。

3.3.3 模型构建
使用逐步筛选过程中保留的预测因子子集构建了MLR模型。如果只有一个预测因子保持显著，则分析简化为简单的线性回归公式。计算公式如下：
\[Y = \beta_0 + \sum_{i=1}^{k} \beta_i X_i + \epsilon\] （2）
其中 \(Y\) 表示代表人群行为强度的因变量；\(\beta_0\) 是截距项，表示当所有预测因子都等于零时因变量的期望值；\(\beta_i\) 是量化预测因子边际效应的回归系数；\(X_i\) 表示独立的空间变量；\(\epsilon\) 是捕捉未解释变异性的随机误差项；\(k\) 表示最终模型中包含的独立变量数量。回归系数使用普通最小二乘（OLS）方法估计，该方法通过最小化\(n\)个观测值之间观察到的因变量值与预测值之间的平方残差之和（\(\sum\epsilon^2\)来确定参数值。正式而言，在高斯-马尔可夫假设下，这种估计程序确保了参数估计的无偏性和效率。

从线性回归框架得出的统计推断的有效性依赖于几个基本假设，包括预测因子与结果之间的线性关系、残差的独立性、误差方差的一致性以及残差分布的近似正态性。因此，在模型估计之后，进行了诊断分析以评估这些假设是否得到合理满足。通过Q-Q图检查残差的正态性，通过检查残差与拟合值分布来评估一致性和独立性。这些诊断程序确保了估计的系数和假设检验在统计上可靠且无偏。

3.3.4 模型验证
通过多种诊断程序评估模型是否适当。鉴于研究区域的固定空间边界，所有模型的确切样本量由31个自然街道段（N = 31）定义。为了降低高R2值导致的过拟合风险，逐步回归将最终模型限制在最多6个预测因子。这保持了大约1:5的预测因子与样本比率，满足基本的统计阈值。此外，调整后的R2值被一致报告，以惩罚包含非必要变量的行为。首先，使用F检验来确定整个回归模型是否具有统计学意义。p值低于显著性阈值（通常为0.05）表明模型提供了超出随机变化的解释力。其次，使用决定系数（R2）检查模型的拟合优度。对于本质上具有高变异性的行为和社会科学研究，R2值超过0.3通常被认为是可接受的。最后，计算方差膨胀因子（VIF）以检测独立变量之间的潜在多重共线性。一般认为，VIF值低于5表示没有显著的多重共线性，而较高的值则需要通过移除或变换变量来精炼模型。为了确保残差的独立性并排除空间自相关性，对所有模型计算了Durbin-Watson（DW）统计量和基于街道网络拓扑的Global Moran’s I。

3.3.5 回归解释
最终回归模型用于阐明显著独立变量对人群行为表现的影响。通过分析标准化的回归系数（\(\beta\)及其相关的显著性水平（p值）来评估每个预测因子影响的方向和相对大小。此外，为了提供估计不确定性的全面视图，所有模型的未标准化系数及其95%置信区间详细列在附录A中。

4. 案例研究应用
本节介绍了所提出研究框架的实证应用。它详细介绍了沙面岛的研究区域选择、多源环境数据的系统获取以及对人群行为的定量观察，为后续的回归分析提供了可靠的数据集。

4.1 研究区域
本研究关注广州沙面岛的街道空间。它位于荔湾区西关历史核心区的西南部，是珠江北岸一个0.3平方公里的冲积沙洲。选择该地点的理由有三个（图2）。首先，作为中西文化交流的历史地标，它具有很高的公众认知度。其次，该岛的街道空间表现出显著的多样性，空间尺度、街道界面和环境都有明显的差异。这种重要的异质性有助于深入探索不同空间模式如何影响人类的感知和行为。第三，这些街道支持多种活动类型，满足了游客和当地居民的行为需求。总之，其独特的历史价值、空间异质性和丰富的行为类型为未来城市街道优化提供了理想的实证基础。

4.2 数据收集
4.2.1 环境数据
街道空间数据从四个维度描述了物理环境：空间规模、界面、家具和景观。这些数据通过以下来源获取：
道路网络数据：从OpenStreetMap（OSM）提取并通过ArcGIS 10.8（Esri，美国加利福尼亚州雷德兰兹）处理。原始数据集经过清洗、简化和拓扑检查，以消除悬挂物、伪节点和重叠段等错误。
建筑矢量数据：从百度地图中提取足迹和故事计数，并通过街景图像和现场测量来纠正差异。
街道形态数据：现场调查使用卷尺和红外测距仪测量街道、人行道和车道的宽度、建筑物的高度和临街长度。
街道功能数据：现场调查记录了功能类型，并量化了街道家具、安全设施、服务设施和艺术景观特征的分布，以评估功能密度和多样性。
街景图像（SVI）数据：2024年5月，在最佳条件下从31个采样点收集了总共124张图像。根据人类尺度理论[38]，点沿中心线以100-180米的间隔分布。图像使用iPhone 15 Pro Max（苹果公司，美国加利福尼亚州库比蒂诺）在3轴稳定器上以1.72米的眼睛水平高度拍摄（分辨率1279 × 1706像素），覆盖360°（图3）。图3. 街景图像采集方向示意图。SVI数据的处理工作流程如下：
数据编码：每个采样点及其对应的方向被系统编码（例如，1-N），以确保可追溯性。
语义分割：直接应用预训练的全卷积网络（FCN）模型进行语义分割（图4）。在ADE20K数据集上训练该模型，为了定量验证该模型在沙面岛数据集上的局部可靠性，手动标注了6张代表性的街景图像作为基准。将分割输出与手动注释进行比较，以计算像素精度。结果表明，主要目标类别的精度很高，植被的平均精度为94.5%，天空为91.2%，建筑物为93.8%。这种局部验证强烈证实了FCN模型在准确识别和量化这些关键视觉元素方面的可靠性[42,43]。
图4. 街景图像的FCN语义分割示意图。
参数计算：根据分割结果，使用方程（3）计算派生指标，如“建筑界面可见性”和“绿化视野指数（GVI）”：
\[P = \frac{1}{n} \sum_{i=1}^{n} P_i\] （3）
其中 \(P\) 表示目标元素的平均视觉参数；\(P_i\) 表示第i张街景图像中目标元素的视觉参数（像素比例）；\(n\) 表示街景图像的总数。

4.2.2 行为数据
数据通过两种方法收集：现场观察和视频录制。为了确保样本的科学有效性和代表性，研究区域被划分为31个自然街道段，以道路交叉口作为空间划分基准。这种划分基于连续空间感知的原则。交叉口创建了视觉断点，改变了行人的环境认知。此外，段长控制在与连续行走经验相一致的100到200米范围内，以确保每个单元内的内部建成环境元素保持一致。
现场观察使用了指定点上的横截面行人计数方法（图5）。为了全面捕捉游客和当地居民的行为，同时减轻季节性和日间变化的影响，观察计划经过了精心设计。调查在四个代表性日子进行：一个晴朗的工作日和一个晴朗的周末日，分别在冬季和夏季。每天的观察时间从08:30持续到20:30，分为四个不同的时间段（上午、中午、下午和晚上）。在每个三小时的时间段内，随机选择一个15分钟的时间窗口来记录行人计数、行为类型、频率、停留时间和基本受访者信息（例如，根据视觉线索估计的年龄组和区分游客与当地居民）。这种严格的时间采样策略确保收集的数据准确反映了街道空间在不同时间和条件下的多方面活力和功能使用情况。对于后续的多元线性回归分析，样本量严格由这31个空间段定义（N = 31）。为了将重复的时间观察汇总为每个段的单一响应变量，通过计算工作日和周末观察的平均计数之和来聚合行为数据。这种聚合方法有效地平衡了不同日子之间的活动节奏，得出了街道整体活力的稳健表示。图5。5. 结果
根据第3.3节建立的方法框架，本节展示了多元线性回归（MLR）分析的结果。开发了五个不同的模型来评估微观尺度街道空间特征对各种人群行为类别的不同影响路径。值得注意的是，所有模型都显示出可接受的DW统计量和全球Moran’s I p值大于0.05，这证实了不存在显著的空间自相关性，并验证了OLS估计的有效性。结果按以下顺序结构化：
模型1：有效静态行为（第5.1节）。
模型2：移动行为（第5.2节）。
模型3：消费行为（第5.3节）。
模型4：休闲行为（第5.4节）。
模型5：观赏行为（第5.5节）。

5.1 模型1：有效静态行为
回归分析显示街道空间特征与有效静态行为之间存在统计学上稳健的关系。整个模型的解释能力很强（R = 0.922），预测变量共同解释了因变量方差的84.9%（R2 = 0.849；调整后的R2 = 0.812）。高统计显著性（F = 22.55, p < 0.001）表明选定的空间变量在解释使用者静态活动强度的变化方面具有重要预测能力（表3）。
表3. 多元线性回归模型1（有效静态行为）。
在各个预测变量层面，几个空间变量显示出统计学上显著的正面相关性。艺术景观设施密度是最强的正面预测变量（β = 0.359, p = 0.002），其次是建筑界面可见性（β = 0.266, p = 0.006）、商业密度（β = 0.262, p = 0.019）和人行道宽度（β = 0.253, p = 0.02）。相反，街道长度表现出显著的负面影响（β = ?0.306, p = 0.004）。功能多样性呈正相关，但未达到统计显著性（β = 0.186, p = 0.154）。这些发现直接验证了从国际设计指南中总结出的“界面渗透性”和“便利设施丰富性”原则，证实了它们在维持街道活力中的关键作用。多重共线性诊断确认了预测变量的独立性和系数估计的稳定性，容忍度值在可接受范围内（0.392–0.811），方差膨胀因子（VIF）较低（VIF = 1.233–2.548）（表4）。
表4. 多元线性回归结果。
偏回归图显示了每个显著空间预测变量与有效静态行为之间的调整后关系。建筑界面可见性、商业密度、功能多样性、人行道宽度和艺术景观设施密度显示出正斜率，表明它们与静态行为之间存在正面关联。值得注意的是，艺术景观设施密度的曲线显示出最明显的上升趋势，从视觉上加强了其作为最强正面贡献者的作用。相反，街道长度显示出明显的负斜率，证实了其与静态行为的反向关系。此外，残差点围绕拟合趋势的分散相对均匀，为假设同方差性提供了视觉支持，并表明没有严重违反回归假设（图6）。
图6. 独立变量与有效静态行为的偏回归图。
描述空间预测变量与有效静态行为之间关系的估计回归方程表示为方程（4）：
Ystationary = 0.125 + 0.280 Xvis + 0.276 Xcom + 0.195 Xdiv + 0.224 Xwalk + 0.325 Xart ? 0.253 Xlen

5.2 模型2：移动行为
模型2研究了街道空间特征对行人移动行为的影响，移动行为定义为工作日和周末的平均移动强度。整个模型具有很强的解释能力，独立变量共同解释了因变量方差的82.0%（R2 = 0.820，调整后的R2 = 0.775）。高统计显著性（F = 18.204, p < 0.001）表明选定的空间变量在解释行人流动性变化方面具有重要预测能力（表5）。
表5. 多元线性回归模型2（移动行为）。
在预测变量中，天际线视野因素（SVF）是最强的正面决定因素（β = 0.460, p < 0.001），其次是功能多样性（β = 0.390, p = 0.001）和人行道宽度（β = 0.346, p = 0.016）。相反，车道宽度对行人流动性有显著负面影响（β = ?0.527, p < 0.001）。到公共交通的最短距离也显示出显著的负系数（β = ?0.295, p = 0.005），公共服务设施密度（β = ?0.273, p = 0.018）也是如此。车道宽度的强烈负面影响与人行道宽度的正面效应形成了对比，为当代街道设计手册中广泛倡导的“行人优先”原则提供了定量支持。所有独立变量的VIF值均低于阈值（VIF < 5），表明不存在多重共线性问题（表6）。
表6. 多元线性回归结果（移动行为）。
偏回归图证实了这些关系。正面预测变量显示出大致线性的上升趋势，分散有限，而负面预测变量，特别是车道宽度，显示出明显的下降趋势。此外，所有方差膨胀因子均远低于临界阈值，确认多重共线性不会影响系数的稳定性和可解释性（图7）。
图7. 独立变量与移动行为的偏回归图。
模型的回归方程表示为方程（5）：
Ymovement = 0.345 + 0.423 Xfunc_den + 0.351 Xsky + 0.288 Xwalk ? 0.295 Xlane ? 0.245 Xtransit ? 0.268 Xpub

5.3 模型3：消费行为
模型3研究了街道空间特征与消费行为之间的关系，消费行为定义为工作日和周末观察到的与消费相关活动的平均水平。回归结果显示模型具有很强的解释能力（R = 0.891, R2 = 0.794，调整后的R2 = 0.743），整个方程具有高度统计显著性（F = 15.462, p < 0.001）（表7）。
表7. 多元线性回归模型3（消费行为）。
在预测变量中，到公共交通的最短距离是最有影响力的因素，与消费行为呈负相关（β = ?0.408, p < 0.001）。同样，安全设施密度也产生了抑制效应（β = ?0.286, p = 0.007）。另一方面，人行道宽度具有最强的正面影响（β = 0.372, p = 0.003），其次是商业密度（β = 0.326, p = 0.008）、功能多样性（β = 0.316, p = 0.02）和建筑界面可见性（β = 0.247, p = 0.020）。从统计学上讲，这些正面影响证实了“微功能多样性”指南原则，表明活跃的混合用途街区能有效刺激自发消费。VIF值低于常规阈值，确认了不存在多重共线性问题（表8）。
表8. 多元线性回归结果（消费行为）。
偏回归图进一步通过可视化的方式证实了这些发现，显示了调整后的空间-消费关系的方向和幅度（图8）。
图8. 独立变量与消费行为的偏回归图。
模型3的回归方程表示为方程（6）：
Yconsumption = 0.158 + 0.318 Xcom + 0.308 Xdiv + 0.241 Xvis + 0.306 Xwalk ? 0.334 Xtransit ? 0.322 Xsafety

5.4 模型4：休闲行为
模型4研究了街道空间特征与休闲行为之间的关系，休闲行为定义为工作日和周末观察到的与休闲相关活动的平均水平。回归分析显示整个模型具有高度统计显著性（F = 17.791, p < 0.001）。此外，模型具有很强的解释能力，解释了因变量方差的78.1%（R2 = 0.781；调整后的R2 = 0.737），表明拟合优度非常好（表9）。
表9. 多元线性回归模型4（休闲行为）。
在独立变量中，人行道宽度是最强的正面预测变量，促进休闲行为（β = 0.503, p = 0.001）。绿色视野指数（GVI）也显示出显著的正面影响（β = 0.258, p = 0.013）。相反，车道宽度对休闲行为有显著的抑制效应（β = ?0.384, p = 0.004）。在这个特定模型中，公共服务设施密度（p = 0.529）和天际线视野因素（p = 0.084）没有显示出统计学上的显著效应。这与指南中的“亲生物设计和环境舒适性”原则完全一致，强调了宽敞的绿色行人空间的必要性，以便进行可选的娱乐活动。与之前的模型一样，VIF值远低于临界阈值（VIF < 5），表明不存在多重共线性问题（表10）。
表10. 多元线性回归结果。
回归结果通过偏回归图可视化，以展示每个独立变量与休闲行为之间的调整后关系（图9）。
图9. 独立变量与休闲行为的偏回归图。
基于非标准化系数，模型4的回归方程表示为方程（7）：
Yleisure = 0.386 + 0.484 Xwalk ? 0.248 Xlane + 0.327 Xgvi + 0.081 Xpub ? 0.154 Xsky

5.5 模型5：观赏行为
模型5研究了街道空间特征对观赏行为（观光）的影响，观赏行为代表了视觉探索和观察活动的平均强度。回归分析显示整个模型具有高度统计显著性（F = 13.300, p < 0.001）。该模型解释了因变量方差的72.7%（R2 = 0.727；调整后的R2 = 0.672），表明拟合优度良好（表11）。
表11. 多元线性回归模型5（观赏行为）。
在独立变量中，车道宽度是最强的观赏行为预测变量，对观赏行为有显著的抑制效应（β = ?0.491, p = 0.002）。另一方面，界面连续性（β = 0.305, p = 0.010）和植被物种多样性（β = 0.282, p = 0.015）都对观赏行为有显著的促进作用。在此特定模型中，人行道宽度（p = 0.335）和艺术景观设施密度（p = 0.315）没有显示出统计学上的显著独立效应。这些结果从统计学上证实了保持“界面连续性”和视觉互动的指南原则，表明不间断的、视觉多样化的环境对于鼓励视觉探索至关重要。VIF值均远低于5，确认了系数估计的可靠性（表12）。
表12. 多元线性回归结果。
偏回归图进一步证实了这些发现，直观展示了调整后的空间-观赏关系方向和幅度（图10）。
图10. 独立变量与观赏行为的偏回归图。
模型5的回归方程表示为方程（8）：
Yviewing = 0.228 + 0.292 Xinter + 0.247 Xveg ? 0.303 Xlane + 0.124 Xwalk + 0.120 Xart

6. 讨论
6.1. 发现总结
关于基本的空间元素，人行道宽度一致地促进了所有类型的行为，尤其是在休闲和消费方面表现出特别强的支持作用。对于有效停留时间（反映空间参与的深度），艺术景观设施是延长停留时间的核心驱动因素。当与高度透明的建筑界面和密集的商业功能结合时，这些元素创造了高质量的行为节点。此外，空间元素对特定行为类型的影响存在显著差异：功能密度是最突出的因素，增强了移动频率；商业密度最直接地促进了消费行为；而宽敞的人行道宽度结合高绿色视野指数（GVI），对休闲活动具有最显著的促进作用。相反，车道宽度一致地抑制了几乎所有可选和社会行为，突显了以交通为主导的空间对街道活力的负面影响。
尽管这些回归结果基于汕尾岛的单一案例研究，但其一致性表明它们反映了人类与环境的互动机制，而不仅仅是广州特有的。汕尾岛代表了一个典型的高密度、混合用途的历史区域，具有多样化的空间尺度、丰富的建筑界面和复合的人群活动。因此，这些基于证据的空间优化策略表明可以应用于其他城市的类似综合街道环境、历史保护区和以旅游为导向的商业区。然而，建议在多样化的城市背景下进行进一步的实证验证，以确认其更广泛的普遍性。
6.2. 城市设计指南
为了将这些实证发现转化为可操作的空间优化策略，制定了一套城市设计指南（表13）。这份总结强调了特定的空间干预措施如何与目标行为相对应，并评估了这些措施在不同情境下的普遍适用性——区分了那些具有普遍适用性的原则和那些为特定历史区域或旅游导向的区域（如沙面岛）量身定制的原则。表13：基于证据的城市设计指南及情境普遍性。

6.3 研究意义
本研究构建了一个“空间-感知-行为”的三部分认知框架，提出通过客观的行为表现来量化主观感知的方法。这种方法为解决城市设计中长期以来存在的主观评估问题提供了参考路径。此外，虽然传统的“街道景观”研究往往依赖静态的视觉评估或主观的自我报告[37,39]，但本研究通过系统地将物理街道景观元素与动态的、细粒度的行为指标联系起来，展示了方法上的创新。
通过广州沙面岛的案例研究，本研究定义了客观街道特征和主观感知的具体测量指标，揭示了这些元素之间的内在关联逻辑。所建立的综合性测量模型将主观和客观因素联系起来，为评估街道空间质量和制定设计提案提供了一个可操作且可扩展的定量工具。这促进了设计决策方式的转变——从传统的经验驱动方法转变为基于证据和数据驱动的方法，从而减少了由主观推测引起的设计错误，显著提高了空间设计的精确性和效率。

6.4 局限性与未来研究方向
尽管本研究提供了宝贵的实证见解，但仍存在一些需要进一步探讨的局限性。首先，尽管预测变量与样本的比例（大约为1:5）符合基本要求，但较高的R2值表明存在过拟合的风险。由于样本规模受到岛屿自然边界的严格限制（N = 31），因此无法进行有意义的样本外验证（例如数据分割）。因此，需要在更广泛的城市背景和更大的样本规模上进行重复研究，以进行严格的样本外交叉验证，确保理论模型的普遍适用性。其次，为了消除现场摄影中固有的动态干扰（如天气、拥挤），未来的研究可以利用虚拟现实（VR）和眼动追踪技术来实现精确的空间操控和客观的感知量化。在这方面，Belaroussi等人的最新开创性研究已经展示了这些方法的巨大潜力[44,45]。他们的研究表明，多模态大型语言模型（MLLMs）和沉浸式VR环境能够客观模拟人类认知，并预测公共空间的质量和可行步行性。将这些基于AI的定量工具整合到我们的行为指标框架中，将是开发适应性城市设计策略的关键步骤。
第三，尽管我们的测试未发现当前模型存在显著的空间自相关性，但未来的大规模研究应进一步探索空间计量经济学。此外，一些部分回归图中的轻微曲线表明可能存在非线性阈值效应（例如最佳步行道容量），这表明未来的研究应整合非线性建模框架。

7. 结论
本研究验证了使用行为表现作为主观感知的代理的有效性，有效地将抽象的街道质量评估转变为可测量的“空间-行为”分析。回归模型显示，不同的空间元素对行为的影响各不相同：艺术景观显著促进了静止行为，而步行道宽度和商业密度则增强了人们的移动性和休闲活动。因此，应根据预期的行为系统配置街道元素。然而，关键评估表明，虽然像步行道宽度这样的特征具有普遍的驱动作用，但艺术装置等元素的效果在很大程度上仍依赖于当地的文化背景。
未来的研究将扩展到不同的历史区域，以验证模型的普遍性，并结合虚拟现实（VR）和生理监测（例如皮电反应监测EDA）来丰富感知数据。此外，关于这些空间-行为互动在不同季节或微气候下的变化情况，还存在一个重要的知识空白，必须解决这一问题，才能制定真正具有适应性的城市设计策略。