中國城市社會空間分異的現狀、變遷及影響因素——基于街景深度學習方法的分析

張延吉

福州大學

社會學系

副教授

游永熠

華南理工大學

建筑學院

博士研究生

中國城市社會空間分異的現狀、變遷及影響因素

——基于街景深度學習方法的分析

來源 | 《社會學研究》2026年第1期

作者 | 張延吉、游永熠

責任編輯 |政光景

本研究以2013—2022年中國296個地級及以上城市為分析對象，采用目標檢測、圖像回歸等深度學習方法測量街景圖像中的環境維護與富裕感知水平，以反映社區的社會經濟水平并量化城市社會空間的全域及鄰域分異。研究表明，在空間分布上，全域分異在中部地區最突出，鄰域分異自東向西、自發達城市向欠發達城市依次降低；在發展趨勢上，全域分異在沿海發達城市有所減弱，發達城市的鄰域分異在高基數水平上持續上升。市場主體和政府政策的宏觀環境與微觀空間特征均對社會空間分異具有關鍵作用。

一、引言

改革開放以來，隨著經濟快速發展，中國居民的收入及財富基尼系數增至高位（柳建坤、何曉斌，2024），教育、消費、健康等社會分層現象相伴而生，對維護公平正義和促進共同富裕構成挑戰（李路路、朱斌主編，2024）。社會空間分異則是各類社會分層現象在空間上的集中投射（劉精明、李路路，2005），表現為社會環境、空間品質、公共服務資源在城市內部的非均勻分布，以及不同群體在地理分布上的差異性和隔離狀態（Massey & Denton,1988）。社會空間分異將社會分層具象化、可視化，直接影響個體體驗、福祉及相對剝奪感，進而加劇社會解組、激化社會沖突（李強、李洋，2010；曾東林等，2021；吳愈曉等，2024）。

伴隨土地要素的市場化配置和住房制度的市場化改革，中國城市內部的社會空間分異問題逐漸凸顯，高檔門禁社區、保障房社區、城中村等城市斑塊拼貼出一個日益碎片化的社會空間景觀（Wu et al.，2014），各階層、各收入群體之間以及本地與外地人口之間的居住分異和日常活動空間分異不斷增強（孫秀林，2021；宋偉軒等，2024），市場轉型與權力存續被視為形塑中國城市社會空間分異格局的主要動因（Fang et al.，2020；Miao,2024）。但因缺乏全國范圍內小尺度單元（如社區）的社會經濟狀況數據，現有研究僅限于針對少數大城市的案例分析，中國絕大部分城市的社會空間分異狀況及其演進規律仍不得而知（張文斌等，2024）。

為克服現狀格局不明、變遷趨勢不清、影響因素不詳的局限，本研究試圖將城市視覺智能分析方法用于探討經典的社會學議題（Zhang et al.，2024）。具體而言，本研究以中國296個地級及以上城市的市轄區為分析對象，以海量街景圖像為數據來源，以環境維護和富裕感知這兩個與社區社會經濟水平緊密關聯的概念為代理變量，分別采用目標檢測和圖像回歸兩種深度學習算法開展訓練和推理，以對環境維護和富裕感知進行高精度、廣覆蓋、小尺度、跨時期的測量，進而提出可復制、可推廣的城市尺度的社會空間分異量化方法，剖析2013—2022年各城市社會空間全域分異與鄰域分異的現狀格局及變遷趨勢。本研究進一步基于市場—政府“雙主體”與宏觀環境—微觀空間“雙視角”的解釋框架，厘清社會經濟分化、全球化、人口構成、政策導向對社會空間分異的影響，以此揭示中國城市社會空間分異的全貌，并彌補社會分層與社會地理領域城市指標稀缺的不足。

二、文獻綜述

（一）城市社會空間分異的概念

社會空間是以物質、地理空間為載體，承載社會關系、社會要素、社會含義的場域，決定了空間使用者的機會、資源、生活方式與交往對象（李強，2012）。列斐伏爾（Henri Lefebvre）在空間生產理論中指出，空間不是被動的、空洞的物理容器，而是一種社會產物；以城市土地和房產為載體的空間本身就是一種商品，它在用于居住和生活的使用價值之上衍生出用于投資、買賣、獲利的交換價值（列斐伏爾，2022）。優質空間資源稀缺則使城市空間成為各階層激烈爭奪的關鍵領域，形成相似者集聚、相異者分離、強勢者占據優勢區位、弱勢者被排擠至劣勢區位的社會空間分異態勢（李強，2012）。

總之，作為各種社會分層現象的空間映射，城市社會空間分異反映了城市內各群體在地理分布上的異質性，以及社會資源稟賦和社會機會在空間格局上的非均勻性，決定了跨社群交往的機率（Massey & Denton,1988）。若社會空間分異嚴重，則可稱之為空間隔離（李強、李洋，2010）。

同類群體集聚、不同群體互斥的分異狀況會使弱勢群體與主流社會脫節，相對剝奪感加深，被孤立的弱勢社區則易產生就業機會匱乏、亞文化盛行、社會信任瓦解、社會解組加劇、越軌和犯罪行為增多等問題，構成社會沖突的隱憂（曾東林等，2021；吳愈曉等，2024）。換言之，社會空間分異不僅反映了社會分化，而且通過空間鞏固和加劇了社會分化。

測量社會空間分異的指標非常豐富。其中，基尼指數（后文稱為“Gini指數”）和相異性指數（D指數）最常用，它們分別關注某一社會經濟變量和不同群體占比在各地理單元之間的整體差異（石恩名等，2015）。但這兩個指標均為全域指標，不考慮各地理單元周邊的社會構成，即使各地理單元位置有變，也不會改變全域指標大小（Reardon & O Sullivan,2004）。如圖1所示，城市A與B（或C與D）中高、中、低收入社區的比例一致，盡管三者區位不同，但兩個城市的Gini指數仍相等。為彌補這一不足，有學者將Gini指數分解為相鄰與非相鄰成分，提出空間Gini指數（Rey & Smith,2013）。該指標為鄰域指標，更能反映社會經濟變量在局部鄰里環境中的分異狀況以及各類群體或資源的空間集聚程度。綜上，只有同時考察全域分異與鄰域分異，才能從全局和局部兩個維度全面理解城市社會空間分異。

社會空間分異的現狀、變遷、形成機制及應對策略是城市社會學的經典議題。肇始于芝加哥學派，競爭性合作理論、社會空間動態平衡觀點、人類生態地圖從不同角度揭示了美國城市的社會空間分異（Park & Burgess,1925）。而對于中國的城市來說，隨著住房的市場化改革，住房從只具有居住功能的福利品轉變為可用于財富積累的金融品（吳開澤，2019），客觀階層分化與居住空間分化趨于一致（劉精明、李路路，2005）。由此，中國城市表現出內城紳士化（gentrification）、近郊中產化、遠郊貧困化的空間分異特征，高檔住宅、普通商品房、保障性住房、棚戶區、城中村等多類型社區拼貼出馬賽克式的社會景觀（Wu et al.，2014；宋偉軒等，2024）。在上海、廣州、深圳等地，各類收入群體及各類戶籍人口之間的居住分異程度已與美國同等城市相當，并呈上升態勢（李志剛等，2014；孫秀林，2021；Cao et al.,2024）。

因街道、鄉鎮層級以下的小尺度普查數據未公開，大數據研究僅聚焦少數大城市，故國內相關研究難以獲悉中國所有城市的社會空間分異現狀及變遷趨勢（張文斌等，2024），始終存在重個案、輕整體的不足。

（二）城市社會空間分異的影響因素

市場和政府是形塑城市社會空間結構的兩大主體（Wu et al.，2014）。市場轉型與權力存續不僅能夠揭示中國社會分層及社會流動的形成機制，也可解釋當代中國城市的居住分異（Fang et al.，2020）。而宏觀環境和微觀空間是理解社會經濟分化、全球化、政策導向等因素如何影響社會空間分異的兩大視角（Musterd et al.，2017）。

市場首先通過社會經濟分化作用于空間分異。空間同化（spatial assimilation）理論認為，當個體實現向上社會流動時，他們會遷入中高檔社區，因此社會分化與空間分異將同向變化（Iceland & Nelson,2008）。有研究指出，收入差距越大，空間分異就越強烈（Reardon & Bischoff,2011），房價上漲還會擴大收入差距的這一影響（Kohl et al.，2025）。場域分層（place stratification）理論則指出，宏觀環境中的社會分化并不必然導致空間分異，受歧視、偏好等因素制約，即便貧富差距縮小，針對移民等弱勢群體的空間排斥也無法根除，分異態勢難以逆轉（Charles,2003）。

全球化也是市場形塑社會空間結構的重要路徑（Musterd et al.，2017）。全球城市理論指出，全球城市是國際資本的指揮、控制中心，伴隨其在全球生產網絡中的等級提升，以研發為核心的先進制造業和以金融為代表的生產性服務業快速增長，專業型、管理型的高端就業崗位不斷增多，由此帶來對傳統生活性服務業和非正規兼職的大量需求，加劇了城市居民在職業、收入、居住方面的兩極分化（Sassen,2001）。全球化程度對社會空間分異的正向影響已在歐洲城市得到驗證（Musterd et al.，2017）。隨著國際資本涌入，一些中國城市也出現了滿足國際化消費需求的片區，外企高管和高技能勞動力大多在這些具有排他性的高檔門禁社區居住，以致產生社會空間分異（Miao,2024）。但有學者質疑全球化帶來的職業分化必然導致居住分異的論斷，認為外企是選址于“飛地”還是嵌入本地產業集群的布局，才是決定外企員工與其他居民空間分布關系的關鍵（Douglass et al.，2012）。

政府主要通過宏觀政策和空間政策對社會空間分異產生影響。就宏觀政策而言，福利國家理論認為公平與效率難以兼得，為追求效率而放任市場競爭會導致貧富差距拉大，而政府在科教文衛、公共住宅等領域推行再分配政策有助于減少階層分化，進而抑制社會空間分異（Musterd,2005）。例如，相較于重視再分配的歐洲城市，小政府導向的美國城市存在更嚴重的空間隔離（Quillian & Lagrange,2016），住房私有化、金融化以及減少公共住宅供給強化了美國城市的社會空間分異（Musterd et al.，2017）。

就空間政策而言，公共服務設施的空間布局策略將直接影響社會空間分異（Musterd et al.，2017）。如在歐洲，公共住宅集中分布型城市的居住分異程度要高于以政府補貼和自主租房為主的城市（Arbaci,2007）；在美國，公共住宅只針對少數弱勢群體且選址于遠郊，因而加劇了居住隔離（Quillian & Lagrange,2016）；在中國，優質公共教育資源在部分中心城區的集聚引發了以學區房為代表的教育紳士化（jiaoyufication）現象，強化了社會空間分異（Wu et al.，2014）。

市場與政府并非總是獨立參與社會空間重構。增長機器理論指出，政府與地產商往往在提升土地交換價值、實現空間利潤最大化等方面存在共識，他們通過組建增長聯盟將城市打造成增長機器（Molotch,1976）。以土地再開發為代表的城市更新及其帶動的紳士化、郊區化進程便是這一聯盟的行動結果（Fang et al.，2020）。在此進程中，吸引投資、拉動增長的政府訴求與消化產能、擴大收益的市場訴求相契合，中心城區的棚戶區被高檔社區取代，占原住民多數的低收入人群則被疏散至公共服務設施欠佳的郊區居住，這與高收入群體向市中心遷移的方向形成對比，加速了社會空間分異趨勢（Kohl et al.，2025）。

需要指出的是，既有的國際研究側重于宏觀環境的作用，對市場主體及政府政策的微觀空間特征如何影響社會空間分異缺乏系統分析。而在中國，因缺乏全國城市的社會空間分異數據，對其影響因素的討論局限于少數大城市的案例研究，市場—政府“雙主體”與宏觀環境—微觀空間“雙視角”的解釋框架是否適用亟待檢驗。

（三）城市視覺智能分析方法

城市街景蘊含豐富的視覺信息，如街道整潔度、綠化維護狀況、房屋品質、商業繁榮度等（Suel et al.，2023）。這些街景特征能較為準確地反映社區的社會經濟狀況，可作為社區地位的代理變量，這為從環境暴露視角研究社會空間分異奠定了基礎（Suel et al.，2019）。街景大數據與深度學習算法則為開展跨時期、廣覆蓋、小尺度、高精度、低成本的街景特征測量提供了數據和方法，實現了由抽樣分析邏輯向全域小尺度空間分析邏輯的轉變。這種通過圖像信息挖掘和人工智能技術揭示社會規律的研究路徑構成了城市視覺智能分析方法（Zhang et al.，2024）。

為穩健起見，本研究選擇環境維護和富裕感知這兩種與社區社會經濟水平密切關聯的街景特征為切入點，分別采用基于卷積神經網絡的目標檢測和圖像回歸算法對街景圖像開展本土訓練及全域推理，兩種街景特征的Gini指數和空間Gini指數即可反映各城市社會空間的全域分異與鄰域分異。

環境維護評價聚焦城市景觀中是否存在雜亂破敗現象及衰退失控信號，如垃圾、涂鴉、廢棄建筑等（Sampson & Raudenbush,1999；Hoeben et al.，2018）。破窗理論指出，疏于維護、雜亂無序的建成環境源于所在社區因經濟資源匱乏、居住流動性高而引起的社會解組（Wilson & Kelling,1982；Boggess & Maskaly,2014）。環境維護狀況被證明是社會經濟地位的晴雨表，它與社區的人口教育水平、房價、住房自有率、社會凝聚力強度呈正相關，與社區的貧困率、犯罪率、流動人口占比呈負相關（Sampson & Raudenbush,1999；Boggess & Maskaly,2014；Bader et al.，2017）。

環境維護的傳統測量方法主要包括系統觀察法和問卷調查法。系統觀察法是指通過實地調查統計各處的“臟亂差”現象（Sampson & Raudenbush,1999）。但受觀察者的社會屬性和調查時長影響以及被觀察者的霍桑實驗效應干擾，系統觀察法的測量信度欠佳（Hoeben et al.，2018）。問卷調查法通過居民自我回憶評價環境維護狀況，但受被訪者的個體經歷、記憶偏差、社會屬性影響，該方法的測量信度也不理想（Boggess & Maskaly,2014）。此外，這兩種方法成本高昂，使得研究樣本的數量和范圍受限。近年來，在線街景地圖為在更大范圍內開展虛擬審計（virtual audit）創造了數據條件（Bader et al.，2017），目標檢測等深度學習算法則為大規模、高效率、高精度、低成本的測量提供了技術支撐（Ma et al.，2025）。

視覺環境感知是指個體在特定場景中的心理感受和情緒體驗（Yao et al.，2019）。本研究聚焦富裕感知，關注個體在街景環境中感受到的貧富水平，主要有以下四點考慮（Naik et al.，2017；Yao et al.，2019）。第一，富裕感知是對整體環境特征的綜合性評價，是對有特定指向的環境維護類指標的補充。第二，富裕感知是對空間品質最具概括性的評價，它與安全感、活力感、美觀感等其他感知高度相關。第三，與其他環境感知相比，富裕感知更易在不同個體間達成共識。第四，富裕感知能精準反映社區社會經濟水平，它與住房品質、投資規模、設施可及性、居民的收入及受教育水平高度相關。

環境感知測度也經歷了傳統社會調查和人工智能應用兩個階段。有學者請受訪者比較兩幅街景反映的富裕程度，并利用Trueskill程序推算每張街景圖像的富裕得分，該得分的離散性及集聚度分別被用來量化城市社會空間的全域分異和鄰域分異（Salesses et al.，2013）。也有研究通過網絡眾包，擴大標注者和街景圖像規模，建立起涵蓋全球多個城市街景的MIT Place Pulse感知數據集（Dubey et al.，2016）。以此為訓練集，有學者搭建起環境要素與感知水平關聯的機器學習模型，由此推理出任一新街景圖像的感知水平（Naik et al.，2017）。

需要指出的是，在采用視覺智能分析方法時，中國研究大多依托西方國家的數據集開展訓練，但這些數據集并未包含中國街景數據。中外城市建成環境不盡相同，既有數據集無法囊括中國獨有的環境特征，如以小廣告為代表的環境維護問題。此外，同一景觀在各國可能蘊藏不同的社會意涵，如美國城市中的高層和低層住宅分別主要為弱勢和富裕群體居住，在中國則大致相反（Yao et al.，2019），故直接利用西方數據集進行研究容易產生本土推理偏誤（Liu et al.，2022）。例如，研究者使用MIT Place Pulse感知數據集來推斷中國街區的富裕程度時，會低估高密度環境中的富裕水平，而高估低密度環境中的富裕水平（Liu et al.，2022）。可見，建構本土數據集是準確開展各區域視覺智能分析的前提（Suel et al.，2019；Suel et al.，2023），亦是本研究測量中國城市社區環境維護和富裕感知水平，進而揭示各城市社會空間分異現狀、變遷及影響因素的基礎。

三、研究設計

（一）研究范圍

地級及以上城市的市轄區連綿成片，社會經濟聯系緊密，是產生相對剝奪感和空間分異的關鍵尺度，而縣級行政區的城市區域相對獨立，另外受制于自變量的數據可得性，本研究以中國296個地級及以上城市（簡稱“城市”）為分析對象，其范圍涵蓋所有直轄市和除三沙市以外的所有地級城市。受數據所限，本研究不涉及我國港澳臺地區。鑒于城鄉差異，本研究將研究區域限定在市轄區的建成區范圍，不涉及農村地區。

本研究采用的“百度街景”自2013年起上線服務，全國有4%、24%、40%、28%、4%的城市分別平均每隔1年、2年、3年、4年、5年采集一輪街景圖像。為確保每個城市在任一研究期內至少進行過一輪街景采集，本研究以5年為間隔，將2013—2017年、2018—2022年作為兩個研究期。

（二）街景圖像采集

首先，本研究從開放街道地圖（OpenStreetMap，簡稱OSM）中獲取2022年全國的道路矢量地圖，通過裁剪、合并，得到296個城市的道路網。為兼顧圖像采集效率和環境信息完整性，本研究以100米為間隔，沿每條道路設置街景采樣點，然后通過百度全景靜態圖的應用程序編程接口（Application Programming Interface,簡稱API）爬取2013—2022年在各采樣點前后左右四個水平角度拍攝的所有街景圖像。本研究使用開源計算機視覺庫（OpenCV）計算每張圖像的灰度像素均值，剔除該值小于25（過暗）或大于230（過曝）的異常圖像。為規避季節變化帶來的干擾，本研究剔除了每年11月至次年2月拍攝的冬季圖像。最終，本研究分別獲得2013—2017年和2018—2022年的10472568張和12341952張街景圖像。

（三）環境維護測量

1.標注

鑒于涂鴉和垃圾是最普遍的“臟亂差”現象（Sampson & Raudenbush,1999），本研究采取目標檢測法，以兩者在街景圖像中的面積評價環境維護狀況。中國城市特有的街頭小廣告也被作為涂鴉的一種主要形式。首先，本研究選出7784張存在涂鴉和垃圾的街景圖像，利用開源圖像標注工具LabelImg逐圖框選兩類要素。然后，本研究通過水平翻轉后添加高斯噪音、水平翻轉后添加動態模糊、隨機縮放圖片尺寸等數據增強方式，擴充數據集并加強模型的穩健性，最終建構起由23352張圖像組成的涂鴉和垃圾數據集。

2.訓練及推理

本研究采用YOLOv7框架開展目標檢測模型訓練，原因在于其擅長對圖像中的目標實物進行定位和分類。涂鴉和垃圾數據集按8∶2的比例被劃分成訓練集與驗證集，訓練參數批次大小取值為4，初始學習率取值為0.001并隨“余弦退火算法”動態調整，標簽平滑值為0.005。經50輪訓練，模型在驗證集中的查準率（precision）達89.3%，召回率（recall）達79.6%，mAP50（交并比為0.5時的全類別均值平均精度）為0.862，說明模型預測精度較優。

本研究使用完成訓練的環境維護目標檢測模型，自動推理出每張街景圖像中的涂鴉和垃圾面積，即所有涂鴉與垃圾檢測框內的像素面積之和（見圖2a~2c）。然后，本研究以500米×500米網格模擬社區單元（簡稱“社區”），按社區分兩期計算所有圖像中的平均涂鴉和垃圾面積，以此作為各社區的環境維護得分。

（四）富裕感知測量

1.標注

為提高訓練效率，本研究先分別從人均國內生產總值（Gross Domestic Product,簡稱GDP）最高和最低的40個城市中隨機抽取18000張街景圖像，另遴選出12000張空間品質兩極化的街景圖像。參考既有研究的做法（Dubey et al.，2016），本研究邀請20位城市規劃師參與標注，原因在于他們具有空間認知的專業性，其環境感知結果與社區社會經濟水平更吻合。相比于直接賦值法，兩兩比較法的重測信度更佳，不同標注者的評價標準更統一（Salesses et al.，2013），故本研究采取后者。

在基于Python圖形用戶界面工具包PyQt5開發的程序上，標注者須從30000張圖像中隨機抽取兩張，并比較從兩個街景圖像中感受到的富裕水平，然后有放回地重復該過程。為提高穩健性，本研究規定每張圖像至少進行5次比較，共對160970組街景進行了比較式標注。最后，本研究利用TrueSkill算法將比較結果轉換成每張圖像的富裕感知得分（Dubey et al.，2016），分值范圍為0~10，值越大，表示富裕感知越強。至此，本研究建構起由30000張圖像組成的富裕感知數據集。

2.訓練及推理

本研究采用基于EfficientNetV2架構的深度卷積神經網絡執行圖像回歸任務（Tan & Le,2021）。為在訓練時輸出連續型數值，本研究移除了最終層的Softmax激活函數，利用均方誤差損失函數衡量預測值與真實值的差距，并使用Adam優化器實現了模型快速收斂。為規避過擬合，本研究添加了L2權重衰減、隨機失活（Dropout）、提前早停等正則化策略。富裕感知數據集按8∶2的比例被劃分為訓練集和驗證集，訓練參數批次大小取值為32，初始學習率取值為0.001并隨驗證集損失動態調整，失活率取值為0.3。在經過40輪的訓練后，模型在驗證集中的R2達0.883，平均絕對誤差為0.0645，均方根誤差為0.088，表明模型預測精度較優。本研究使用完成訓練的富裕感知圖像回歸模型，自動推理出每張圖像的富裕感知得分（見圖2d~2f），然后按社區分兩期計算所有圖像的平均富裕感知得分，并以此作為各社區的富裕感知得分。

從測量質量來看，各社區的環境維護得分及富裕感知得分與GDP的Pearson相關系數分別為-0.551、0.671（P＜0.001）；在案例城市，兩者與社區的房價及居民平均受教育年限也有中高強度的相關性。這表明，經視覺智能分析測得的環境維護狀況和富裕感知水平對社區的社會經濟水平具有良好的預測效度，兩種街景特征適用于測量社會空間分異。

（五）社會空間分異計算

本研究以城市中兩兩個體所在社區環境維護狀況（或富裕感知水平）的平均分化程度來界定城市社會空間的全域分異，選用按社區人口加權的Gini指數測量，公式如下（Song et al.，2021）：

其中，

m

為某市活動人口總數，以量化活動空間分異；

k

是第

k

個活動人口所在社區的環境維護得分（或富裕感知得分）；各社區活動人口數來自Landscan數據。本研究取各網格在研究期內活動人口數的5年均值，經重采樣后使用。

Gini

指數的取值范圍為0~1，該值越大，說明全域分異越嚴重。

本研究以相鄰社區中兩兩個體所在社區環境維護狀況（或富裕感知水平）的平均分化程度來界定城市社會空間的鄰域分異，采用空間Gini指數進行測量（Rey & Smith,2013）。Gini指數可分解為相鄰地理單元中兩兩個體屬性的平均差異與非相鄰單元中兩兩個體屬性的平均差異，前者可反映鄰域分異。若相鄰單元中的個體屬性差異越小，則空間Gini指數越大，表示相似者集聚、相異者遠離，鄰域分異程度偏高；若相鄰單元中的個體屬性差異較大，則表示相異者混合而棲，鄰域分異程度偏低。空間

Gini

指數的公式如下：

其中，D-為某市所有社區的環境維護得分（或富裕感知得分）的均值；

m

為某市活動人口總數；

j

k

為活動人口

j

k

所在社區的環境維護得分（或富裕感知得分）；

w

j,k

取一階鄰接的空間權重矩陣，若

j

k

為皇后鄰接（queen contiguity）社區，

w

j,k

為1，否則為0。

本研究顯示，2013—2017年、2018—2022年各城市環境維護Gini指數與富裕感知Gini指數的Pearson相關系數分別為0.780、0.789（P＜0.001），兩者空間Gini指數的Pearson相關系數分別高達0.953、0.960（P＜0.001），說明由兩種街景特征和不同深度學習方法測得的全域及鄰域分異均有理想的聚合效度。

（六）自變量和控制變量

本研究旨在基于“雙主體—雙視角”框架探究城市社會空間分異的影響因素。在市場主體的宏觀環境特征方面，本研究使用教育Gini指數測量社會經濟分化程度（Deaton,1997），使用商品房地塊單位面積的土地出讓價格與城鎮居民可支配收入之比測量住房可支付性，使用實際利用外資金額（Foreign Direct Investment,簡稱FDI）占GDP的比重測量城市融入全球化的程度，使用外來人口比重和大專及以上學歷人口比重測量人口構成。

在政府政策的宏觀環境特征方面，本研究使用財政支出占GDP的比重、科教文衛支出占財政支出的比重測量再分配政策的投入力度，使用中小學師生比、人均保障房用地面積、道路密度測量教育、公共住宅、基礎設施三類公共資源的數量。

為測量市場主體的微觀空間特征，本研究針對外企與其他企業所在區位開展空間點模式檢驗，引入反映兩者空間分布相似性的S指數（Andresen,2009）。該指數取值范圍為0~1，值越大，說明兩者空間格局越相近，外企越趨向于嵌入本土企業集群。為測量外來人口與本地人口的空間分布關系，本研究引入外來人口孤立指數（Massey & Denton，1988）。該指數的值越大，說明外地人越受排斥，與本地人的接觸機會越少。

在政府政策的微觀空間特征方面，本研究計算出中小學及醫院興趣點（Point of Interest，簡稱POI）、保障房用地地塊、公交站及地鐵站POI的Moran's I值，以測量公共服務設施布局的均等化水平。Moran's I的取值范圍為-1~1，正負值分別表示設施分布趨于集聚和分散，絕對值大小反映集聚和分散程度。為規避反向因果問題，本研究對兩期POI取2010、2015年數據，保障房取1998—2010年、1998—2015年數據，以使其早于因變量的測量時點。

為測量由政府和市場共同推動的紳士化與郊區化進程，本研究計算了1998年至各研究期最后一年出讓的用地中，存量建設用地與新增建設用地的面積之比。該值越大，說明該城市越傾向在中心城區實施土地再開發，鑒于紳士化集中發生在中心城區，因此這也是紳士化趨勢越強的表現。此外，本研究基于研究期及各研究期之前五年公里網格的年均居住人數，分別擬合城市人口分布的單中心指數模型（Clark,1951），以這兩個時期的密度梯度差反映郊區化速率，差值越大，表示郊區化趨勢越強。

為提高結論穩健性，本研究另將城市的行政等級（省會、副省級城市、直轄市=1，其余城市=0）和產業結構（第二產業GDP占總GDP比重）作為控制變量。除居住人數來自WorldPop數據外，兩期人口數據均來源于“六普”“七普”資料。保障房、商品房等土地出讓數據來自土地市場網，企業數據來自工商企業注冊數據庫，POI取自高德地圖，道路矢量地圖取自OSM，其余數據來自《中國城市統計年鑒》和各省市統計年鑒。除特別說明外，本研究對各指標均取五年均值，并采用市轄區統計口徑（見表1）。

四、實證發現

（一）城市社會空間分異的現狀和變遷

從全國格局來看，城市社會空間的全域分異程度表現出中部最高、東部次高、西部較低、東北最低的整體特征（見圖3a、圖4a）。其中，以下三類城市的全域分異程度突出，且在全國的空間分布上相對分散。一是資源型城市，如鄂爾多斯、東營、榆林等城市的Gini指數在省內位列第一，這類城市的經濟發展主要依賴資源型產業，這些壟斷性主導部門從業人員與其他非主導部門從業人員所處的社會經濟環境存在較大差異。二是旅游型城市，如三亞的Gini指數在省內最高，或許是因為游客與居民體驗到的社會環境及空間品質大相徑庭。三是西部和東北地區的省會城市（或自治區首府），如昆明、西寧、拉薩、哈爾濱、銀川、南寧等市的Gini指數在省內居于前列，但該現象并未出現在相對更發達的東部和中部地區。

社會空間鄰域分異與全域分異的全國分布格局差別明顯，各城市的Gini指數與空間Gini指數僅有中等偏弱的相關性。城市鄰域分異程度表現出自東向西階梯式下降的全國特征和自發達城市向欠發達城市依次遞減的省內特征（見圖3c、圖4c）。具體而言，無論處于哪個研究期、基于何種街景特征進行估值，上海和北京的空間Gini指數在全國城市中穩居前兩位；在24個省份中（4個直轄市除外），省會城市（或自治區首府）的空間Gini指數始終位列全省首位；在其余3個省份中，空間Gini指數最高的城市也是省內最發達的城市，如河北唐山、江蘇蘇州、福建廈門；在全國空間Gini指數最高的前30個城市中，直轄市、副省級城市、省會（或自治區首府）及其周邊城市（如位于長三角的蘇州、無錫、常州、南通以及位于珠三角的東莞、中山、佛山）約占95%。由此可見，城市越發達，鄰域分異越嚴重。資源型、旅游型城市的全域分異程度雖然較高，但其鄰域分異程度并不突出，這可能是市內采掘業企業及其員工、旅游資源及其高品質空間的分布相對分散所致。

從變遷趨勢來看，全國城市社會空間全域分異和鄰域分異的整體水平保持穩定，十年間的變化幅度較小。2013—2017年與2018—2022年的環境維護（富裕感知）Gini指數呈強相關，Pearson相關系數達0.913（0.949），空間Gini指數的跨時期Pearson相關系數也高達0.982（0.991）。但各城市全域分異程度與鄰域分異程度的變遷趨勢并不一致。從各城市演進趨勢的比例構成來看，環境維護和富裕感知的空間Gini指數分別在全國70.9%、74.3%的城市中有所增長；就Gini指數而言，該比例降至50.7%、34.8%。由此可見，多數城市的鄰域分異仍在加劇，全域分異的變遷趨勢卻在城市間出現分化。具體而言，一些沿海城市的全域分異有所減弱，如上海及蘇南地區的部分長三角城市、廣州和深圳等部分珠三角城市、北京及天津、山東半島、遼寧中南部城市的Gini指數出現下降（見圖3b、圖4b）；東部地區的城市富裕感知Gini指數的均值亦有降低，且降幅大于其他地區；東部地區的城市環境維護Gini指數的均值雖有增加，但增幅不及中部地區增幅的一半。與全域分異相比，發達城市的鄰域分異大多保持上升勢頭（見圖3d、圖4d）；東部地區的城市空間Gini指數的均值在高基數水平上仍有增長，且增幅位列各地區之首，中部次之，西部和東北地區增幅較小。

（二）城市社會空間分異的影響因素

為了深入理解社會空間分異的影響因素，本研究將在兩個研究期中分別將環境維護和富裕感知的Gini指數及空間Gini指數作為因變量，在納入宏觀環境和微觀空間變量的基礎上，構建OLS回歸模型。共線性檢驗結果顯示，各變量的VIF值均小于3，未出現嚴重共線性。為避免因異方差引起估計偏誤，本研究采用穩健標準誤推斷回歸系數的顯著性。為比較各變量的相對影響，本研究均匯報標準化回歸系數。此外，為探究各變量的影響是否在兩個研究期之間發生變化，本研究對兩期的回歸系數開展Wald檢驗（見表2、表3）。

由模型擬合優度和變量的標準化回歸系數可知，市場主體和政府政策的宏觀環境特征對全域分異的整體影響強于二者的微觀空間特征所產生的影響，而二者的微觀空間特征對鄰域分異的整體影響則稍強于其宏觀環境特征的影響。這說明，僅考慮社會經濟分化、全球化、人口構成、政策導向等宏觀環境特征難以充分揭示城市社會空間分異尤其是鄰域分異的成因，外企與本土企業的空間格局相似性、外地與本地人口的空間分布關系、紳士化及郊區化速率、公共服務設施集聚度等微觀空間特征亦有關鍵作用。

從社會經濟分化的影響來看，教育Gini指數與基于環境維護和富裕感知測得的社會空間全域分異均有顯著正向關聯。這說明，個體間所受教育程度越分化，不同個體在日常活動空間中接觸到的社會環境狀況就差異越大。但教育Gini指數與鄰域分異的關聯不顯著，可能是因為個體間的受教育程度差異并不必然決定彼此的地理距離。這表明，空間同化理論適用于解釋社會空間的全局結構，社會差距縮小有助于緩解城市內部各地理單元之間的社會環境分化；而場域分層理論適用于解釋局部鄰里尺度上的社會環境差異，即使社會差距縮小，各學歷群體仍有可能各自集聚、互不接觸（Laurence et al.，2019）。2018—2022年的地價收入比則與鄰域分異存在顯著正向關系。Wald檢驗進一步顯示，相比于2013—2017年，2018—2022年兩者的關聯顯著增強。這可能是因為2018—2022年商品房的價格已處于高位且呈總體上升態勢，使得弱勢群體的住房可得性進一步下降，以致加劇群體間的居住分異。

從全球化的影響來看，FDI占GDP的比重與全域及鄰域分異具有正向關聯，且在多數情形下顯著。在城市融入全球分工網絡的進程中，外企高管和高技能勞動力獲益更多，收入水平增幅最大，與之相對，彈性用工、非正式就業、失業現象同時增多，導致邊緣人群與高階層人群的社會距離拉大（Sassen,2001）。這一中心—邊緣的全球城市社會結構投射于空間上，強化了社會環境在全域社區間的差異性和在鄰域社區間的相似性。有意思的是，外企分布相似性指數與鄰域分異呈顯著負向關聯，且相比于國際資本涌入城市的程度，外企在城市內部的選址模式對鄰域分異的影響更大。這可能是當外企與其他企業的分布格局相似，即當外企嵌入本地產業集群布局時，相鄰社區的社會空間會趨向混合；反之，當外企遠離本地產業集群而單獨在“飛地”集聚時，外企高管和高技能員工更易與其他群體分離，從而加劇鄰域分異。Wald檢驗表明，FDI比重與全域分異的關聯度呈下降態勢，外企分布相似性指數與鄰域分異的關聯度則略有上升。

從人口構成的影響來看，在未納入微觀空間類自變量時（如模型1、4、7、10），外來人口比重和高學歷人口比重在多數模型中與社會空間分異有顯著關聯；但當納入微觀空間類自變量后（如模型3、6、9、12），這一關聯大幅減弱且基本不在0.05的統計水平上顯著。與外來人口比重相比，外來人口孤立指數與社會空間分異的正向關聯要更強，并更具統計顯著性。由此可推測，人口的社會構成并非決定社會空間分異的核心因素，特定人群尤其是弱勢人群在遭遇經濟脆弱、文化歧視、制度排斥等不利情形時呈現的空間選址模式才是形塑社會空間分異的關鍵。

從政府宏觀政策的影響來看，提高財政支出占GDP的比重和科教文衛支出占財政支出的比重可能對于抑制社會空間分異具有積極意義；不過，科教文衛支出比重與不同時期和由不同街景特征測得的社會空間分異的關聯不夠穩健。中小學師生比與社會空間的全域分異有顯著負向關聯，道路密度則同時與全域及鄰域分異有顯著負向關聯。人均保障房用地面積與社會空間分異沒有顯著關聯，這或許與保障房在目前的城市住房供給結構中占比偏低有關。總之，本研究的結果與福利國家理論的預測相符，無論是從投入端還是從績效端考察，政府宏觀政策均可在一定程度上促進社會空間融合。不過，基于標準化回歸系數的比較可知，政府宏觀政策對全域分異的抑制效應要強于其對鄰域分異的抑制效應。

從政府空間政策的影響來看，作為重要的公共服務設施，中小學及醫院的空間集聚度與社會空間分異的正向關聯顯著上升，2018—2022年，其正向關聯已在0.05的統計水平上顯著。保障房的空間集聚度始終對鄰域分異起到助推作用，其影響力位居各因素前列，這與上述未見顯著關聯的人均保障房用地面積形成對比。公交及地鐵站點集聚度與社會空間分異的關聯則不顯著，這或許與公共交通在中國城市相對均勻的空間分布有關。紳士化和郊區化是在市場協作下政府推動的空間政策，兩者與鄰域分異的關聯方向在兩個研究期之間發生了由負轉正的顯著變化。這其中可能的原因是，2013—2017年不少城市推動了以大規模棚改為代表的城市更新運動，新遷入市中心的高收入群體與尚未完全搬離的低收入群體暫時性地形成了社會空間融合。至2018—2022年，棚改漸至尾聲，土地再開發更新加劇了中心城區與外圍郊區的社會空間分異。紳士化及郊區化的這一動態影響規律，與相關研究在阿姆斯特丹的發現（Hochstenbach et al.，2015）相一致。總體上，我們可以推測，政府亦在通過各類空間政策形塑社會空間結構；與宏觀政策效應相反，微觀空間政策對深具地理屬性的鄰域分異發揮著更大作用，其整體影響還呈加強之勢。

除前述說明外，其余自變量回歸系數的Wald檢驗尚不顯著，反映出十年來大部分自變量與因變量的關聯未有明顯改變，這與城市社會空間結構存在粘性、空間分異狀況變化緩慢有關。

本研究還進行了三項穩健性檢驗。一是在界定空間Gini指數的空間權重矩陣

w

j,k

時，本研究以二階鄰接矩陣替代一階鄰接矩陣，從而在更大空間尺度上測度鄰域分異。二是鑒于省內各城市的經濟、社會、文化狀況可能更相似，為避免區域內的自相關問題，本研究將省份設為聚類變量，采用聚類穩健標準誤擬合OLS模型。三是鑒于城市 Gini 指數和空間 Gini 指數在全國分布中具有空間依賴性，本研究建構了空間滯后模型。結果顯示，與原模型相比，除財政支出比重關聯系數的顯著性在少數模型中有所減弱外，其余絕大多數自變量與因變量的關聯方向、大小及顯著性并無明顯變化，這證明以上結論是穩健的。

五、結論與討論

社會空間分異是城市社會學研究的經典議題，厘清其現實狀況與形成機制是促進社會空間融合、實現共同富裕的前提（李路路、朱斌主編，2024）。但受數據和方法所限，國內既有的相關研究局限于針對少數大城市的個案分析，對絕大部分城市的社會空間分異狀況及其演進規律認識不清（張文斌等，2024）。本研究采用城市視覺智能分析方法，系統剖析了2013—2022年中國各地級及以上城市社會空間分異的現狀格局、變遷趨勢和影響因素，主要有三方面的貢獻。

第一，本研究探索出一條將計算機視覺方法用于研究中國城市社會空間分異的技術路線，即以海量街景圖像為研究數據，以環境維護和富裕感知這兩個與社區社會經濟水平密切關聯的街景特征為代理變量，建構了由本土街景構成、由中國人完成標注的涂鴉和垃圾數據集與富裕感知數據集。本研究采用YOLOv7及EfficientNetV2分別訓練出環境維護目標檢測模型與富裕感知圖像回歸模型，進而推理出全國所有街景圖像中的環境維護得分與富裕感知得分，基于此測量出反映各城市社會空間全域分異及鄰域分異程度的Gini指數和空間Gini指數。作為人工智能方法在社會學研究領域的應用創新，這一城市視覺智能分析方法能夠實現跨時期、廣覆蓋、小尺度、高精度、高效率、低成本的社會環境測量，是繼官方統計與傳統社會調查之后第三條量化社會空間分異的路徑。這不僅能克服統計資料更新不及時、數據不透明和社會調查空間覆蓋面有限、成本高昂、測量信度欠佳等不足，還有助于彌補城市尺度宏觀社會指標的缺失（陳云松，2021）。此外，相較于直接運用西方國家的數據集，本研究依托本土數據訓練的深度學習模型在中國跨城市場景的運用中更具準確性和可遷移性（transferability）（Suel et al.，2023），也可在不斷擴充數據集和完善模型的基礎上，用于定期更新各城市的Gini指數及空間Gini指數，以動態監測社會風險、評估社會治理績效并探究社會空間分異的各類社會效應。

第二，本研究揭示了中國所有地級及以上城市（不包括港澳臺地區）社會空間全域分異與鄰域分異的現狀格局和變遷趨勢。全域分異表現出中部地區最突出、東部地區次之、西部和東北地區相對輕微的整體格局，并由西部地區經濟社會發展水平中等偏上的省會、東北地區省會、資源型城市、旅游型城市構成分布高地；2013—2022年多數發達沿海城市的全域分異程度明顯下降，這與其他地區形成對比。鄰域分異則表現出由東部地區向西部地區和由發達城市向欠發達城市依次遞減的整體格局，該格局在2013—2022年得到強化；鄰域分異在經濟社會發展水平位居全國前列的沿海城市和位居區域前列的省內中心城市最嚴重，其鄰域分異在高基數水平上仍呈總體上升態勢。全域分異反映資源稟賦及社會環境在城市內部各地理單元之間的離散程度。近年來在共同富裕理念的指引下，中國居民財富及收入差距已出現由擴大轉為縮小的庫茲涅茨拐點（Kanbur et al.，2021；柳建坤、何曉斌，2024），發達城市在各地理單元之間的社會差異也由升轉降。鄰域分異聚焦個體在小尺度局部相鄰環境中體驗到的社會空間分化。受沉沒成本、文化偏好等因素制約以及中心紳士化、近郊中產化、遠郊貧困化的城市更新策略推動，相似者毗鄰、相異者遠離的鄰域分異狀況深具慣性并持續固化，以致發達城市的鄰域分異不減反增。鑒于全域與鄰域分異在概念、測量、格局、趨勢等方面并不一致，同時從全局結構和局部鄰里維度理解社會空間分異是必要的，緩解鄰域分異更具難度且更應受到重視。

第三，本研究挖掘出影響中國城市社會空間分異的核心因素，在原來以社會經濟分化、全球化、政策導向為主線的解釋框架基礎上，提出并驗證了市場—政府“雙主體”與宏觀環境—微觀空間“雙視角”的解釋框架。市場與政府共同形塑了社會空間分異格局，這表現在：個體間的社會經濟分化與全域分異存在正向關聯，地價收入比與鄰域分異具有正向關聯，外資涌入的全球城市更易面臨社會空間分異，而加大政府財政投入尤其是提高其在教育、基建等領域的公共服務績效有助于抑制社會空間分異。更需注意的是，常被忽視的各行為主體的微觀空間特征亦對社會空間分異具有很大影響，其對鄰域分異的作用甚至要強于宏觀環境特征的作用。例如，外企嵌入本土企業集群布局對鄰域分異的抑制作用超過了宏觀層面外資涌入程度對鄰域分異的促進作用。這意味著，全球城市理論可能因忽視跨國企業選址模式的影響而夸大了國際資本對社會空間融合的負面效應。再如，并非高學歷人群或外來人口的占比決定了社會空間分異，而是由紳士化、郊區化推動的鄰里社會先融合、后分離的空間重構進程，以及外來人口與本地人口的空間孤立程度對社會空間分異產生了更顯著的影響。因此，在聚焦人口的社會構成之外，我們更須關注各類人群空間分布特征的作用。又如，相較于從投入端加大保障房供給量和從績效端提高中小學師生比，改變保障房在郊區集中建造的做法、疏解集聚于市中心的優質公共服務資源、實現基本公共服務均等化布局對緩解鄰域分異更為重要，福利國家理論呼吁的“福利”不應局限于社會資源數量上的再分配，還應表現在社會資源空間配置上的公平性。

本研究仍然存在一些局限。第一，既有研究發現，擁有不同社會屬性的標注者在環境感知方面并無顯著差異（Salesses et al.，2013；Dubey et al.，2016），該結論是否適用于中國尚須檢驗。第二，街景圖像已對城市公共道路實現全覆蓋，但未涵蓋小區內部等外來車輛無法進入的區域。第三，前述自變量對因變量的影響僅涉及相關關系，而其因果性尚未確認。由于社會空間分異狀況變化緩慢，兩期因變量的組內變異嚴重不足，本研究難以構建起有效的固定效應模型，未來可在收集多期面板數據后再構建因果分析模型進行驗證。