作者手記｜探索街景圖像大數據中的社會事實

張延吉

探索街景圖像大數據中的社會事實

作者 |張延吉

作者單位 |福州大學

原文 |

《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》一文有幸在《社會學研究》2026年第1期發表。應編輯部邀請，撰寫這篇作者手記，我想從交叉學科如何切入社會學研究的角度分享這篇論文的成稿過程。

社會空間分異是各類社會分層現象在空間上的投射，可從兩個視角進行考察：一是關注不同群體在城市內部空間分布上的差異；二是關注社會環境、空間品質、公服資源在城市內部的非均質分布。肇始于芝加哥學派，歐美社會學界對城市社會空間分異的量化方法、發展趨勢、形成機制、社會效應開展了大量研究。可惜的是，鮮見涵蓋中國所有城市的社會空間分異狀況及其演進規律的研究，主要原因在于數據可得性。與量化收入或財富差距可依賴抽樣調查數據不同，對社會空間分異的測度需要小尺度空間單元（如社區、1km×1km單元網格）的社會經濟地位（SES）指標，而后者在數據獲取上存在障礙。

為了探究中國城市的社會空間分異狀況，我們開展了一些前期研究，它們構成了本文的基礎。2022年我在Journal of Transport Geography發表Temporal variation in activity-space-based segregation: A case study of Beijing using location-based service data一文。該文利用手機信令大數據，估計了北京市某一工作日和休息日每小時的社會空間分異程度。這項工作突破了只從居住地的靜態視角探討社會空間分異的局限。以此為基礎，我在Annals of the American Association of Geographers發表From residential neighborhood to activity space: The effects of educational segregation on crime and their moderation by social context一文，探討了社會空間分異對犯罪活動的影響機制。遺憾的是，手機信令等大數據獲取昂貴、推斷社區SES指標的AI算法存在黑箱，致使這項工作僅限于北京，無法拓展到更多城市。

2023年賀瓊博士（現任教于香港大學）給我推薦了一篇Leckie（2012）的論文，該文巧妙地使用多層模型在各層的隨機效應量化特定尺度上的社會空間分異程度，借此繞開需要全域覆蓋、小微尺度SES指標的數據要求，轉而可用抽樣調查數據測度城市社會空間分異。受此啟發，我們運用某項全國社會調查在區縣、街道鄉鎮、居委村委三個尺度上對中國各地級市的社會空間分異狀況進行了測度和解釋。詳見2025年我們在Applied Geography發表的Understanding multi-scale educational and hukou segregation in urban China: A multilevel modeling approach一文。但該文的不足在于樣本的代表性問題，國內常用的CGSS、CSS調查數據樣本僅在全國尺度具有代表性，人口普查微觀調查數據只在地級市及以上尺度具有代表性。受成本所限，社會抽樣調查很難在街道鄉鎮、社區等中微觀尺度上具有樣本代表性，這也制約了社會空間分異研究結論的可靠性。

2023年我和我的碩士生（也是本文的第二作者）游永熠同學在完成由我主持的有關犯罪社會學的國家社科基金項目過程中，開始學習街景圖像挖掘和計算機視覺算法，為本研究儲備了所需數據和方法。我們的第一項工作是探究破窗效應對犯罪活動的影響，破窗理論特別提及物理失序（physical disorder）概念，將其定義為城市景觀中的雜亂破敗現象及衰退失控信號，如垃圾、涂鴉、建筑破敗。一個社區的物理失序程度是該地社會經濟地位的晴雨表，這為我們將物理失序作為社區SES代理變量，進而測度社會空間分異埋下了種子。在2024年發表的《物理失序對盜竊犯罪的影響及其在3D建成環境影響中的調節作用——基于街景圖像深度學習的上海案例》一文中，我們以上海為案例，掌握了街景圖像獲取方法和目標檢測算法，由訓練而得的目標檢測模型可對全域大規模街景圖像中的物理失序現象進行高效率、高精度的自動識別。

我們的第二項工作受到MIT Place Pulse項目的啟發，在對訓練集中街景圖像的主觀感知（如安全感、富裕感）完成標注后，執行圖像回歸的深度學習任務，可對全域大規模街景圖像中的主觀感知水平實現高效率、高精度的自動識別。我們首先將這一思路運用于犯罪恐懼感（fear of crime）的測度，并在北京完成首次嘗試。詳見2024年發表的《犯罪恐懼感的空間格局、影響因素及其與犯罪活動的異同》。社研論文中富裕感知的測度也遵循了上述思路。

這兩項探索性研究的成功促使我回到社會空間分異議題。我意識到，通過結合街景圖像大數據與深度學習方法，可望在全國所有城市實現跨時期、廣覆蓋、小尺度、高精度、低成本的社會環境測度，能在一定程度上克服長期以來社會空間分異研究中存在的數據局限。2023年春，我和幾位學生一起開始進行全國街景圖像收集、物理失序數據集標注、感知水平數據集標注等工作，歷時大半年。宋廣文教授以及游永熠、莊宇丹、黃宏祥、黃佳玲、葉誠楷、潘振宇等學生參與其中。借此機會對他們的貢獻深表感謝！

2025年秋，我們收到編輯部發來的外審專家意見。意見詳實、尖銳、富有建設性，其中最具挑戰性的兩條意見涉及概念界定和解釋框架。在概念界定方面，本文分別采用各城市中各社區物理失序面積或富裕感知得分的

Gini

Gini

Gini

Gini

Gini

Gini

圖1 城市社會空間結構的模擬示意

關于解釋框架，寫作初稿時我們引入西方文獻中提及的幾個經典理論，試圖檢驗中國城市社會空間分異的影響因素。這些理論包括：①全球城市理論，強調城市嵌入國際分工體系的影響；②空間同化理論，強調貧富差距的影響；③福利國家理論，強調政府再分配政策的影響。審稿人指出，這些理論關注的影響因素并無空間屬性，用非空間因素解釋社會空間分異存在不足。受此啟發，我們提出了市場-政府“雙主體”與宏觀環境-微觀空間“雙視角”的解釋框架（圖2），該框架既可把現有理論囊括在內，也能補充市場主體和政府政策的微觀空間特征。為此，我們增補了外企與本土企業空間分布的相似性指數、外來人口與本地人口分布的孤立指數、公共設施的空間集聚度、紳士化與郊區化程度等空間類指標，以充實解釋框架的內容。這些空間類變量的測量需要用到各種大數據，如居住人數來自WorldPop數據庫（https://hub.worldpop.org）、土地出讓數據來自土地市場網（https://www.landchina.com）、企業數據來自工商企業注冊數據庫（https://shiming.gsxt.gov.cn/corp-query-homepage）、POI取自高德地圖（https://lbs.amap.com）、道路矢量地圖取自OpenStreetMap。要在一個月的返修期內完成對全國范圍內大量數據的收集、整理、清洗、計算是一大挑戰。除游永熠同學的辛勞工作外，碩士生潘振宇同學在AI指導下編寫了用以數據整理和變量測量的Python代碼，這一創新極大提高了工作效率，特此感謝！

圖2 “雙主體-雙視角”解釋框架示意圖

最后，我要感謝外審專家、編輯部各位老師在本文修改中提出的真知灼見！感謝政光景老師在三輪校稿過程中對本文進行的細致修改！感謝《社會學研究》對交叉研究的支持和對青年學人的勉勵！也要特別感謝福州大學社會學系和城鄉規劃系，福州大學允許我同時在兩個專業招收碩士研究生、給兩個專業的同學上課，這使我的小團隊中始終充滿多學科交叉氛圍，各位同學在互學所長、追求前沿的過程中獲得進步，也令這項具有空間視角、融合計算機前沿方法的社會學研究成為可能。在本文寫作期間，我迎來了女兒的誕生，由衷感謝家人們的高效協作和互相支持，讓我能有比較充足的時間和精力投入研究。熱切期待各位學界前輩和同仁對本文提出批評建議，來信可發送至chairman7up@126.com。