《Environment and Planning B: Urban Analytics and City Science》：A multi-dimensional framework for measuring urban inclusiveness and crime using mobility traces: A socio-spatial study of Lisbon
编辑推荐：
城市包容性与安全性由居民、游客与建成环境之间的日常互动所塑造。捕捉这些社会空间动态需要超越传统人口普查或调查方法的细粒度数据。本研究提出一个基于居民与游客空间混合程度来衡量包容性的分析框架，将匿名移动电话数据与犯罪记录、兴趣点（Points of Intere
城市包容性与安全性由居民、游客与建成环境之间的日常互动所塑造。捕捉这些社会空间动态需要超越传统人口普查或调查方法的细粒度数据。本研究提出一个基于居民与游客空间混合程度来衡量包容性的分析框架，将匿名移动电话数据与犯罪记录、兴趣点（Points of Interest，POIs）和社会经济指标相结合。该方法整合了空间统计、回归模型和关联规则挖掘，以探索包容性、社会经济结构、城市功能与犯罪模式之间的关系。结果表明，非包容性区域在高社会经济区域中更为普遍，并与更高水平的机会型犯罪相关。相比之下，包容性区域表现出更大的功能多样性和游客存在度。官方来源标识的问题区域也往往与较高的犯罪数量和较低的包容性相吻合，表明感知不安全与观察到的不安全之间存在空间对应关系。总体而言，研究结果凸显了城市功能和移动流在塑造犯罪暴露模式中的作用。通过将移动数据与多源城市指标相结合，该研究提供了一个数据驱动的框架，以探索社会空间隔离及其与城市安全的关系。
城市包容性（inclusiveness）指不同社会群体在同一空间中共享和互动的程度，其与犯罪和安全的关系受到社会混合、流动性和城市功能等社会空间条件的影响。传统人口普查或调查数据难以捕捉这种日常动态，而移动电话数据能够连续观测不同群体对城市空间的使用，为精细尺度的社会空间分析提供了可能。然而，现有研究很少将包容性、社会经济结构、城市功能与犯罪模式纳入统一框架进行多维分析。基于此，本研究以葡萄牙里斯本为案例，构建了一种基于移动轨迹的多维分析框架，旨在探索社会空间隔离与城市安全之间的关系，并区分两种低包容性机制：功能性排他（functional exclusivity）和居住隔离（residential enclosure）。
研究人员使用了1000位里斯本居民的匿名移动电话数据（采集于2024年4月至6月，用户画像来自Rodrigues等先前工作的预处理输出）、195条犯罪新闻记录、兴趣点（Points of Interest，POIs）和社会经济指标。他们提出了一个包含输入特征提取、用户画像识别和分析建模三个阶段的框架，衡量居民与访客的空间混合程度。研究发现，非包容性区域更多出现在高社会经济区域，并与机会型犯罪（如欺诈、抢劫）相关；包容性区域则表现出更高的功能多样性和访客存在。该研究发表在《Environment and Planning B: Urban Analytics and City Science》上，其意义在于为城市安全研究提供了一种数据驱动且可扩展的包容性度量方法，能够揭示传统静态指标难以捕捉的动态社会空间过程。
主要关键技术方法包括以下几点：POI数据从Google Places和OpenStreetMap中获取，经筛选和宏类别统一；犯罪数据采用半自动网页抓取框架从Público报纸收集，并利用多语言大语言模型进行零样本分类；用户画像基于变密度基于密度的空间聚类应用噪声（VDBSCAN）和K-Means/K-Modes算法，结合家庭位置的社会经济地位、工作环境功能类型和常访地点类型生成四个用户画像；包容性度量将城市划分为1 km × 1 km网格，以工作日夜时段（12:00–4:00）停留数据为基础，通过70%阈值将区域分类为功能性排他或居民非包容；统计上使用Mann–Whitney U检验比较组间差异，Spearman相关评估关联，Poisson回归控制POI共现，Apriori关联规则挖掘多维共现模式。
**里斯本包容性的空间分布**：通过网格化停留数据，研究人员发现夜晚时段居民主导的非包容细胞主要集中在高社会经济地位的堂区，如Santo António（57.1%）、Arroios（55.6%）和Avenidas Novas（53.8%）；而功能性排他细胞则沿河滨分布，集中于旅游和休闲区域。流动分析显示，居民主导的非包容细胞平均停靠点数量是包容细胞的两倍以上，表明存在较强的居住持久性和有限的跨群体流动。
**犯罪与包容性**：采用Mann–Whitney U检验和关联规则挖掘，研究发现访问者功能排他细胞与犯罪计数之间无显著关联（p=0.279），但居民非包容细胞平均犯罪数（1.53）显著高于包容细胞（1.13），p=0.0016。关联规则显示，攻击事件与非包容细胞关联度提升（lift=1.97），且高社会经济非包容细胞与欺诈和攻击存在强关联（lift≈15.7），而低社会经济非包容细胞则与行人事故更相关。
**包容与非包容区域中的犯罪与问题位置**：通过比较官方标识的问题位置与网格数据，研究人员发现包含问题位置的细胞平均犯罪数（1.84）远高于其他细胞（0.38），差异显著（p<0.001）。居民非包容细胞与问题位置重叠的分布差异达到统计显著（p=0.0016），关联规则进一步表明，“夜间干扰和抢劫”问题位置与非包容居民细胞的共现可能性提高约2.5倍。
**功能构成、犯罪与包容性**：基于Spearman相关和Poisson回归，研究人员发现POI数量和功能多样性与犯罪计数显著正相关（ρ=0.386和0.372，p<0.001）。住宿设施和公交站是犯罪的最强预测因素。关联规则挖掘揭示，非包容细胞常同时具备住宿、休闲和公交站的功能组合（lift≈2.8），抢劫则与“公交站+住宿+住宅”配置显著共现（lift≈4.3）。
在讨论部分，研究人员强调，包容性不是一个单一条件，而是由居住隔离、功能性排他、社会经济结构和流动模式共同塑造的多维城市过程。高社会经济区域中的居民非包容性可能与财产和金融犯罪的机会结构有关，而功能性排他区域则与特定夜间经济功能相关。官方问题位置与高犯罪和低包容性的重叠表明感知不安全与观察到的不安全具有空间对应性。混合统计模型和关联规则的方法增强了结果稳健性。
研究结论指出：安全源于经济中心性、居住隔离和功能强度的交叉作用。该研究的关键贡献在于提供了一种无需调查、可扩展的分析框架，利用匿名移动电话数据和开放数据对包容性和城市安全进行多维刻画。方法上，它超越了静态居住指标，将包容性视为行为性、基于移动的度量；并整合了异质数据源和关联规则挖掘。研究局限性包括样本量有限、天线级空间分辨率以及新闻犯罪数据的不完全性。未来工作应扩展到其他城市和时间背景，以评估框架的普适性。
