基于街景影像和深度學習技術的城市流動商販空間分布制圖

劉昱辰，陳曉純，劉軼倫,2，吳小芳，陳飛香

（1.華南農業大學 a.公共管理學院；b.資源環境學院，廣州 510642；2.自然資源部華南熱帶亞熱帶自然資源監測重點實驗室//廣東省地理科學數據中心，廣州 510700）

流動商販是城市非正規經濟（Informal Economy）中最典型的一種業態類型。由于其具有隱匿性的特點且長期缺乏監管，其經濟規模一直以來被忽視，無論是在發達國家還是在發展中國家，流動商販均占據不小的比例，與正規經濟共同塑造了城市商業經濟（Garcia-Bolivar, 2006; Deore et al., 2019;Lemessa et al., 2021）。在西方發達國家，相關調查研究表明，近年來流動商販等城市非正規經濟占歐洲各國GDP10%～20%不等的份額（Schneider et al.,2013）。伴隨著中國城市化進程的發展以及市場化經濟的活躍，超大規模的非正規經濟已成為中國經濟的重要組成部分（胡鞍鋼 等，2012）。一方面，有助于緩解大量低收入或新移民群體的失業問題，使他們擺脫極端貧困，獲得滿足生存所需的收入（Garcia-Bolivar, 2006；馬寧 等，2010）。另一方面，對于城市而言，它滿足了低端消費的需求，提升了城市社區的活力和安全性（Wilson et al., 2006;Linzner et al., 2013）。

盡管流動商販是城市社會生態系統不可或缺的組成部分，但其經營活動不可避免的存在負外部性，帶來諸如擠占公共空間、影響市容、阻塞交通、擾亂治安、污染環境等問題，因而在現代城市中常被污名化為“非法”或“地下交易”的經濟部門（Bromley, 2000; Garcia-Bolivar, 2006）。由于缺乏對流動商販的全面了解和有效的治理措施，許多城市都采取“以禁代管”的簡單方式對流動商販進行取締，導致當前的地攤經濟合法性存在爭論而被視為城市的邊緣經濟形式。流動商販為了避免被驅逐出城市空間，常常需要躲避城管等城市執法人員，甚至成立自治組織監視或反抗執法行為（Sung, 2011; Turner et al., 2012; Huang et al., 2014）。

這種簡單粗暴的排斥治理手段主要目標是保護城市正規經濟部門的發展、提升城市形象以吸引更多投資，但這導致大量處于社會低收入階層的從業者失去就業崗位，一系列社會沖突事件愈演愈烈，也嚴重阻礙了個體私營經濟的發展（Huang et al.,2014; Boonjubun, 2017）。2020-06-01 李克強總理在地方考察時指出“地攤經濟、小店經濟是就業崗位的重要來源，是人間的煙火，和‘高大上’一樣，是中國的生機”（中國政府網，2020）。為了緩解矛盾同時提振個體私營經濟，一些城市提出采用正規化政策，試圖通過劃定經營疏導區或辦理營業執照的方式將流動商販進行“正規化”管理，但管理部門劃定的經營疏導區往往遠離消費群體，并未充分考慮地攤經濟自身特性、需求和規律，使得所劃定的疏導區并不為流動商販所接受，大部分商販選擇重回街道經營（黃耿志 等，2019）。

從城市公共空間治理角度看，地攤經濟實際上是商販的“生存空間”和城市居民“公共空間”擠壓與共生的矛盾，是商品擺賣經營活動與其應在位置的“錯位（Misallocation）”問題（Yatmo, 2008;2009）。因此，針對流動商販的經營行為和空間聚集特征，制定科學有效的空間治理政策一直以來是學者和城市管理者關注的焦點。而如何獲取城市范圍內的流動商販的調查樣本和空間分布特征是最基本的問題。

目前針對流動商販調查的方法主要有2類——人工調查和城市普查。其中，人工調查方法主要采用田野調查或個案訪談的方式開展主動調查。選取非正規經濟從業人員活躍的典型地區，通過觀察、訪談、問卷調查等方式對從業者、消費者、社區居民和城市執法者，逐個案收集數據（Huang et al.,2014; Boonjubun, 2017；尹鐸 等，2019）。如Boonjubun（2017）基于對流動商販、行人和城市管理者進行的為期9個月訪談收集到的數據，探討了泰國曼谷街頭流動商販、城市管理部門和幫派之間的沖突；黃耿志等（2015；2016）通過分析基于流動商販面對面訪談收集得到的200個從業人員樣本數據集，揭示了廣州市的流動商販參與非正規經濟活動的動機和區位選擇機制。該類方法可以獲得被調查者的性別、年齡、收入、民族、籍貫、經營種類等詳細的個案社會經濟信息，但由于個案數據收集成本較高，通常選取的調查區域僅局限于城市少數幾個街道或社區，無法覆蓋全市范圍且更新周期緩慢。因此，這些研究雖然有助于對流動商販治理問題進行實證探究，但由于城市大部分地區的商販信息存在缺失，而商販的經營行為在城市不同區域顯然存在空間異質性，使得制定的治理政策很大概率會產生偏差。

為了解決樣本數據覆蓋面不足的問題，城市普查方法試圖借助城市普查數據來研究地攤經濟的經營就業情況。目前大多數國家還沒有建立專門針對流動商販的普查機制。然而，一些綜合性的人口普查、家庭調查或勞動力調查成果包含有關非正規經濟就業的有價值信息。如Charmes（2012）采用國際勞工組織統計局和聯合國統計司國民核算科的人口普查數據，評估1975—2010年非正規部門就業的全球趨勢。Li 等（2022）結合城管執法數據和“12345熱線”的居民投訴數據，分析了中國寧波市的流動商販經營行為和時空格局。采用官方普查數據可以描述城市整體的流動商販經營宏觀狀況，然而城市普查并不是專門針對地攤經濟開展，而且由于長期的利益沖突，流動商販不信任服務于政府部門的調查人員，為避免被執法人員驅逐，往往不愿意向調查人員如實透露職業信息。因此，商販的一些關鍵信息，特別是其所從事經營活動的地點往往無法獲取，然而非正規經濟活動的空間分布對于管治決策的制定尤其重要。盡管在少數城市，管理人員在執法過程中會主動收集從業人員信息并建立專門的數據庫（張延吉 等，2017）。但這本質上也是依賴人力進行調查收集，且采集到的流動商販的空間分布主要反映執法部門和市民對流動商販排斥偏好較強的個案，存在較顯著的采樣偏差。因此，在城市范圍精細尺度下針對具有規模大、流動性高和隱匿性強等特點的流動商販的空間分布調查仍是一項重大挑戰。

掌握流動商販在城市中的空間位置和分布模式，不僅有助于改善其治理政策，而且對于促進非正規經濟的地理研究也至關重要。首先，準確測度流動商販的規模和空間位置是對城市非正規經濟部門進行監測和評估的基礎。如通過研究流動商販經營活動的空間分布格局，可以分析流動商販的空間聚集模式及其經營活動外部性的空間異質性。其次，流動商販空間分布的刻畫能加深對非正規經濟活動與城市建成環境、社會經濟環境之間的地理聯系的理解，并進一步理解非正規經濟就業經營行為的影響因素。第三，流動商販的經營活動地圖對于改善治理政策非常重要。基于城市精細尺度的流動商販空間分布信息制定的空間正規化策略，與以個案研究為基礎而制定的治理策略相比，能更全面地顧及到流動商販經營行為規律和區位偏好的異質性。

近年來隨著深度學習技術的發展，結合大規模開放獲取的街景影像等社會感知數據源，使得城市尺度大規模的社會經濟信息調查的成本大幅下降。街景影像結合深度學習技術已被成功應用于城市經濟、社會和環境的信息監測與相應的規劃、治理等決策方案的制定，如土地利用和景觀評價（Zhu et al., 2016; Naik et al., 2017），社區安全（Ki et al.,2021; Arietta et al., 2014; Yin et al., 2016），城市職住分區和房地價格評估（Law et al., 2019; Yao et al.,2021），以及社會不平等（Suel et al., 2019）等。流動商販活躍于城市街巷，沿著路網采集的街景影像蘊涵了豐富的商販信息，基于街景影像的調查技術為城市大規模的流動商販空間分布調查提供了獨特的契機。但就目前的文獻看，尚缺少將街景影像應用于流動商販等非正規經濟調查的模型和標注樣本集。因此，如何利用開放獲取的街景影像與深度學習技術構建流動商販空間分布自動調查方法是亟待研究的問題。本研究提出一種基于街景影像和深度學習目標識別模型的流動商販空間分布自動調查方法，用于：1）從街景影像中識別流動商販個體；2）繪制商販經營活動的空間分布格局；3）評估其集聚模式和區位偏好。以期為流動商販空間治理政策的制定和實施提供有價值的輔助信息。

1 基于街景影像和深度學習技術的流動商販空間分布調查方法

以流動商販為研究對象，按城市路網的固定間隔距離采集街景影像，建立基于圖像目標檢測的深度學習模型識別街景影像庫中的流動商販，實現覆蓋城市主要道路的流動商販數量和位置的調查，再應用核密度分布模型評估流動商販的空間分布格局。如圖1所示，調查模型主要包括3個模塊：（i）街景數據采集與處理；（ii）基于目標識別算法的商販自動識別模型；（iii）商販空間分布制圖與聚集分析。

圖1 基于街景影像和深度學習技術的流動商販空間分布調查模型流程Fig.1 Process of spatial survey model of street vendors based on street view images

1.1 數據采集與處理

該模塊主要負責采集并制備調查區域的道路網絡、街景影像及商販樣本。3 個數據集用于商販空間分布的自動調查，路網數據和租金數據用于流動商販空間制圖。

1.1.1 路網數據 路網數據用于建立采集街景影像的坐標點集以及流動商販空間制圖。道路網絡數據集來源于OpenStreetMap①OpenStreetMap數據獲取網址：https://www.openstreetmap.org，按調查區覆蓋范圍的最小包絡矩形獲取一、二、三及四級道路。然后，沿每條道路以30 m間隔生成街景影像采集坐標點集。1.1.2 街景影像 街景影像來源于騰訊地圖的街景服務API②街景服務API獲取網址：http://lbsyun.baidu.com。使用Python 編寫爬蟲程序，輸入道路采樣點集作為街景影像采樣點坐標，為了獲得盡可能廣闊的街道監測視角，每個采樣點設置獲取拍攝角度為90°、180°和270°3個視角的影像。

1.1.3 商販樣本集 現有文獻及共享數據資源中未有公開的流動商販目標檢測標簽數據，因此，基于自行收集的街景影像，通過人機交互的方式建立流動商販標簽數據。在已收集的街景影像數據集中，通過人工目視判讀的方式選取1 957 張包含一個或以上商販的圖像，再使用開源目標檢測標注工具LabelImg③LabelImg項目網站：https://github.com/CSAILVision/LabelMeAnnotationTool人工標記商販的標簽框，標注工具自動將其存儲為標簽對象并構建樣本庫。為提高目標識別模型的精度，標注的類別標簽根據流動商販在擺賣時所使用的貨物載具進行細分，共分為4類，包括：地面攤位（C0）、桌子攤位（C1）、三輪車攤位（C2）和小貨車攤位（C3），各類的識別特征和樣例圖見表1所示。

表1 流動商販分類及識別特征Table 1 The identification characteristics of four types of street vendors

1.1.4 租金數據 租金數據采用爬蟲從安居客④安居客數據獲取網址：https://guangzhou.anjuke.com獲取房租掛牌數據，得到的每一條數據都記錄了房屋面積、出租價格和地理坐標，進而將重復發布或錯誤數據進行清洗，將數據轉換為包含面積單位租金信息的矢量點，并使用空間插值工具得到廣州市的住宅租金空間分布。

1.2 基于目標識別算法的流動商販識別模型

流動商販自動識別模型的目的是獲取街景影像中所記錄的流動商販的個體數量及其空間位置。通過構建深度神經網絡模型檢測每張街景影像中的商販個體數量，并與對應的街景影像采樣點進行關聯，即可獲取其開展經營活動的空間位置。由于街景影像獲取時攝像機與被攝物存在空間距離，因而使用攝像機坐標點代表所在位置所能觀察到的商販位置不可避免地會存在距離誤差。受城市建成環境影響，這個位置誤差是有限的，在90°和270°拍攝角度探測到的商販，其位置誤差不超過道路寬度的1/2，即約1.5 m（單行道）～10.5 m（四車道）。而對于街景車正前方180°的街景影像，則可通過控制標準識別標簽框大小，設置視距太遠的對象不進行識別，從而控制該方向的位置誤差在30 m以內。

目前，主要有YOLO（Redmon et al., 2016）、SSD （Liu et al., 2016）、faster-RCNN （Ren et al.,2016）等基于深度神經網絡的圖像目標識別算法可用于解決圖像目標識別的問題。其中，YOLO算法已迭代了多個改進版本，能在不同光照條件、觀察視角、目標物被部分遮擋、復雜背景或場景中高效檢測目標物，已被廣泛應用于目標檢測、自動駕駛領域中，是目前最先進的算法之一（Morera et al.,2020; Cai et al., 2021）。因此，本研究基于YOLO v4（Bochkovskiy et al., 2020）算法構建流動商販識別模型，模型構建包括3 個步驟：YOLO 深度神經網絡搭建、模型訓練與參數校準、模型檢驗與精度評估。

1.2.1 YOLO 深度神經網絡搭建 識別模型基于YOLO v4算法，從街景影像中檢測出屬于流動商販的標注框，并輸出每個流動商販的預測概率。模型的深層網絡結構如圖2所示，包括4個部件：

圖2 基于YOLO v4的商販檢測器深層神經網絡結構Fig.2 Deep neural network structure of street vendor detector based on YOLO v4

1）輸入，由已標注的商販圖像樣本集及其子集組成；

2）Backbones，用于從訓練圖像中提取特征。采用CSPDarknet53（Wang et al., 2020）作為Backbones；

3）Neck，由SPP和PANet組成，SPP用于特征池化（He et al., 2015），PANet 用于特征融合（Liu et al., 2018）；

4）Heads，用于預測流動商販的類別和邊界框（Redmon et al., 2018）。

1.2.2 模型訓練與參數校準 將訓練樣本集輸入識別模型中，為了消除不同影像中復雜顏色和背景的干擾，同時擴充訓練樣本規模，對全彩圖像樣本集進行翻轉、縮放和色域變化等多種組合的轉換，然后再導入Backbones進行識別模型訓練。

模型有3個關鍵參數需設置，包括：標準識別標簽框的大小、置信度閾值和IoU（Intersection over union，標簽框交并比）閾值。為了提高識別效率和控制位置誤差，首先使用K-means根據已標注樣本的邊界框尺寸的分布均值確定一組寬、高分別為（17，24）、（29，34）、（38，51）、（50，76）、（65，54）、（69，108）、（91，81）、（107，34）、（165，181）像素的標準識別標簽框。這些標準框將用于框選模型后續識別到的商販。

置信度閾值和IoU 閾值是商販識別模型的另外2 個關鍵參數，用于控制輸出結果并影響模型精度和性能。閾值越高檢測結果的誤差容忍度越低，一般來說，置信度閾值和IoU閾值均不適宜設置過低，否則會產生過多的錯檢結果。為了校準這2個參數，設置不同參數的對照實驗測試閾值的敏感性。置信閾值的取值以0.1為間隔，設置范圍為0.4～0.8，IoU閾值的取值以0.1 為間隔，設置范圍為0.5～0.8，不同的閾值實驗設置及其結果見表2所示。通過對比2個閾值的不同取值組合所得到結果的模型性能，最終確定性能最優時的參數取值。

表2 不同置信度和IoU閾值的實驗結果對比Table 2 Comparison of experimental results with different confidence and IoU thresholds

1.2.3 模型檢驗與精度評估 模型性能使用F1值和平均精度（mAP）評估。當模型輸出的預測標簽框滿足2 個條件時可被視為1 個預測正確（TP）的識別結果：（i）置信度得分≥置信度閾值，（ii）邊界框相交區域≥IoU閾值。F1值的計算公式為：

式中：P是精度，由檢測正確的商販標簽數（TP）與檢測到的總的邊框數（TP+FP）的比值計算；R是召回率，由檢測正確的商販標簽數（TP）與真實的邊框數（TP+FN）的比值計算。mAP精度-召回率曲線與x 軸所圍成的區域的面積；K為標簽類的數量。

采用十則交叉驗證方法進行模型的參數校準和驗證。通過對比置信度閾值和IoU閾值的不同取值所得結果的模型性能來確定最佳的參數設置。如表2所示，當置信閾值單調遞減時，召回率單調遞增，精度總體趨勢為下降，局部趨勢為上升或下降。而當IoU閾值單調增加時，召回率和精確度單調遞減。通過對比可知，當2個閾值均取0.5時（即第2組參數），模型性能最高，平均F1值為0.77、mAP為0.67。因此，該組閾值參數可用于校準識別模型，應用于整個街景影像數據集的檢測。

1.3 流動商販空間分布制圖與集聚分析

將街景影像數據集輸入已訓練好的識別模型中，每張圖像調整為統一的608×608大小，經過層層卷積最終輸出一組19×19×9×（5+4）的一維數組，19×19代表將一張圖像分割成19×19個像元，9代表9個標準識別標簽框，（5+4）代表像元中檢測到目標的概率、預測框的中心坐標和寬高以及4個識別類型的概率。YOLO使用概率閾值對每個像元的9個標準識別標簽框的4個分類概率值進行篩選，首先，選出概率值最高的類型再與置信度閾值比對，保留大于置信度閾值的標準識別標簽框；然后，計算預測框與標準識別標簽框的IoU 并與IoU閾值比對，保留＞IoU 閾值的標準識別標簽框；最后，選取概率值最高的作為最終結果，所有預測框會根據原圖像尺寸校正。模型對包含有流動商販的影像輸出預測標簽框，街景影像對應的點位記錄出現的預測框數量，該數量反映在該點位檢測到的流動商販數量。因此，識別模型輸出從每幅街景影像中識別出的商販對應的空間點位分布及商販數量。

由于流動商販經濟活動普遍存在外部性和空間溢出效應，簡單地沿道路網記錄商販出現的點位并不能準確地反映其經營活動對周邊的影響。因此，使用核密度分析基于識別出的商販點位和數量繪制其經營活動的空間分布。輸入每個點位的商販數量作為權重參數，采用4次核函數方程計算空間上每個位置商販分布的核密度，根據經驗法則自動確定核函數的帶寬參數（Silverman et al., 1989）。模型輸出的是一個平滑的柵格表面，每個像元的值反映商販分布密度的高低，分布密度越高，其像元值越大，表明在該點商販分布越集中。因此，通過核密度圖可以直觀地表現城市流動商販的熱點分布，被識別出的熱點可認為是流動商販的空間集聚區。

2 研究區概況

選擇廣東省廣州市作為研究區域，以驗證城市流動商販空間分布調查模型的可行性。廣州市地處中國南部，是廣東省的省會，同時是粵港澳大灣區的核心城市。廣州號稱“千年商都”，具有悠久的商業文化，是海上絲綢之路的重要起點，各地商賈來往不絕。同時也是一個人口規模巨大且外來人口占比較高的城市，2021年廣州市常住人口數量達到1 881.06萬人，其中外來人口占比46.23%，城鎮就業人口達1 163萬人（廣州市統計局，2022）。

據不完全統計，廣州約有流動商販25萬～30萬人，相當于2021 年城鎮就業人數的2.5%。為了對流動商販進行有效管治，管理部門進行了多年的探索，在1986年首次頒布《廣州市市容環境衛生管理規定》，確立了流動商販影響市容的違法性質，并于1996、2007 和2020 年分別進行修訂，每次修訂都加強對流動商販的管治力度（黃耿志 等，2011；廣州市人民政府，2023）。而在2010 年后，廣州提出“疏堵結合”的商販管治策略，通過劃定疏導區讓流動商販進駐使其正規化，但仍有大量的商販選擇在疏導區外經營。目前廣州市已制定了《廣州市流動商販疏導區管理辦法》和《廣州市流動商販臨時疏導區設置手冊》，建成流動商販臨時疏導區和臨時擺賣點超過60 個，設置經營攤位8 400 多個（黃耿志 等，2015；廣州市城市管理和綜合執法局，2020）。鑒于廣州流動商販規模巨大，而且缺乏對流動商販的全面監管，因此該市是本研究理想的實驗區。

3 結果分析

3.1 流動商販識別結果與空間分布格局

本文共采集了研究區3 339 062張街景影像（圖3）。將訓練好的識別模型應用于整個研究區的街景影像集，共識別出26 119個商販，識別結果的空間分布和模型輸出的樣例如圖4所示。為進一步分析商販的空間聚集模式，使用核密度分析基于識別結果繪制其空間分布核密度圖（圖5）。較顯著的商販聚集點包括越秀區站西路（核密度值61.17），荔灣區黃沙地鐵站出口（55.82）、天河區沙河頂（50.72）、五山路（66.90），海珠區瀝滘村（78.76）、敦和路（45.09）以及番禺區的洛溪地鐵站出口（62.63）、廈滘地鐵站出口（39.54）等（圖5-b），這些地區均是當地經濟活動活躍且人口流動量大的區域，且與基于人工調查方法的文獻（黃耿志 等，2016）對同一研究區所得的流動商販聚集點可相互印證。

圖3 研究區街景影像的空間分布Fig.3 The study area and the spatial distribution of street view images

圖4 識別商販的空間分布及標簽框預測樣例Fig.4 The spatial distribution of identified street vendors and the example of predicted label boxes

圖5 識別結果的核密度分布 [a.研究區識別結果核密度分布概覽；b.中心城區局部放大圖；c.商販建議擺賣點與政府劃定的疏導區的核密度概率分布]Fig.5 The kernel density of identification results[a.The overview of kernel density distribution; b.The partial enlarged view of the central city; c.The probability distribution of kernel density of street vendors' suggested selling sites and official permitted sites]

同時，對流動商販與路網等級的空間位置關系進行分析，統計了流動商販在一、二、三以及四級道路兩側50 m范圍的數量。表3表明，流動商販的數量在道路50 m范圍隨道路等級下降而上升，流動商販更加偏好在低等級道路經營，以獲得更多潛在消費者，這也符合流動商販經常在城市的低等級道路占道經營導致道路擁堵的狀況。

表3 道路等級、租金等級同流動商販的數量關系Table 3 The quantitative relationship between road grade,rent grade and street vendors

另外，將流動商販與廣州的租金進行關聯分析，將租金按幾何間隔分為低廉、較低、較高及高昂4 級。表3 顯示，流動商販多集中于租金較低及較高2個等級的地區，而很少出現在租金高昂或租金低廉的地區。一方面，租金高昂的高檔社區對流動商販具有鄰避效應，其住戶往往無法忍受流動商販所帶來的交通擁堵、環境污染及噪聲擾民等負外部性影響，即使沒有足夠的官方力量來管理，私人物業和安保人員通常也會自行對流動商販進行驅逐。另一方面，流動商販大多屬于低收入群體，集中居住再租金低廉地區，為獲取更多的潛在客源，他們傾向于向租金中等地區流動經驗。但由于流動商販銷售的產品較廉價且缺乏售后保障，他們通常不會選擇到高租金地區獲取高收入人群的潛在客源。

總的來說，流動商販呈現多中心分布且主要聚集于人流量大的區域，同時流動商販的分布受道路等級以及住宅租金的影響，這些影響最終決定流動商販在城市中的分布是多方因素平衡的結果。

為了驗證商販聚集區的準確性，將實驗中繪制的商販聚集區與實際的商販聚集點進行比較，收集了2類聚集點：1）通過訪談形式從實際的流動商販推薦的48 個擺賣經營點（圖5-b，主要集中在天河區）；2）政府管理部門公布的已劃定并開放的60個商販疏導區（見圖5-b）。將識別商販的核密度分布圖與2 類聚集點進行疊加分析，結果顯示，有83%的商販建議擺賣點的核密度值均高于10，但僅有13%的官方疏導區的核密度值高于10。圖5-c顯示2類點的核密度的概率分布，核密度均值達到22.77，表明商販推薦的實際經營點與模型預測的結果符合度較高；疏導區的核密度均值為10.97，表明政府劃定的疏導區核密度值普遍較低，可能的原因是疏導區周邊街巷的商販已被吸納入疏導區內經營，因此這些商販未被街景影像記錄，亦有可能是疏導區劃定時并未參考實際的商販聚集位置和偏好，具體原因有待進一步探究。

3.2 流動商販的空間分布對其空間治理政策的啟示

現代城鎮普遍采用的流動商販治理政策可歸納為包容、排斥、及疏導安置3類。本研究所提出的流動商販空間分布調查方法能在城市尺度下獲取大規模的流動商販空間分布信息，且信息獲取的成本及效率相較傳統方法及數據源具有明顯的優勢，可為治理政策制定及實施提供輔助決策的重要基礎信息。

包容政策通常在城鎮的早期發展階段或快速發展區域被采用。城鎮管理部門默認地攤經濟是低收入群體或新移民的重要就業形式和收入來源（Maneepong et al., 2013），因而對其發展不過多的干涉與限制。這種包容政策使城市街道和公共空間成為流動商販可自由攫取的公共池塘資源，隨著其規模的持續擴大，外部成本的負面效應在城市發展過程中日益凸顯（Boonjubun, 2017），有必要監控其發展規模、趨勢及影響。基于大規模街景影像的自動調查方法有助于監測城市街頭流動商販群體的增長，識別其空間聚集熱點，進而分析商販規模的擴大和聚集與負外部性（如交通擁堵、犯罪或環境污染）的空間關系。

在大多數現代城市的核心區域，排斥政策是更為普遍的一種管治策略，流動商販被視為新時期經濟發展的“絆腳石”，“鄰避效應”在從業者與社區居民爭奪公共空間使用權中逐漸涌現，因而對地攤經濟實施的公共政策轉向苛刻與排斥性（Cresswell, 1996; Boonjubun, 2017）。管理部門普遍采用“取締、驅逐、監控”等手段驅逐流動商販。排斥政策的實施依賴于執法人員，但由于人力所限往往僅在城市有限區域執行，商販的空間分布和聚集地點有助于優化執法資源分配，在聚集區配置更多執法資源加強執法力度。

為了保障流動商販的生計不受嚴重影響，同時管治其負外部性，一些城市采用正規化政策，試圖通過劃定疏導經營區或辦理營業許可證的方式，將流動商販進行正規化管理（Kamete, 2018）。商販需支付一定的場地費或管理費，而且疏導經營區通常區位欠佳且存在大量競爭者，導致經營收益有所降低，因此，在實踐中正規化政策往往不被大部分從業者所接納（Huang et al., 2019）。本研究獲取的城市精細尺度的空間調查結果及其聚集特征可進一步與城市社會經濟要素進行相關分析，如將流動商販聚集特征與人口空間分布、住宅租金分布及城市道路分布進行比較，分析流動商販聚集區域與人口密度、收入及消費水平以及與城市道路等級之間的關系，或者將其與城市設施（如地鐵站、正規市場等）疊加進行分析，以檢測是否存在空間同位模式或“鄰避效應”，進而輔助制定更合理的疏導區規劃方案。

4 結論與討論

4.1 討論

本文提出了基于街景影像的流動商販空間分布調查模型，實現了城市尺度的流動商販的空間分布調查。但由于街景影像數據存在的局限性，實驗中所識別的流動商販數量毫無疑問被低估了。這些局限性主要包括街景影像空間覆蓋以及時間覆蓋的局限性。

本研究使用的街景影像來自開放的在線地圖街景服務，影像主要由街景拍攝汽車采集。由于汽車在狹窄道路的可達性較低，街景影像的空間覆蓋范圍僅局限于城鎮主要街道，無法覆蓋低等級街巷。然而，流動商販更偏向于在農貿市場、批發市場、學校周邊、社區或城中村的內部道路經營。因此，在狹小街巷經營的大量商販并沒有被街景車記錄，本研究提出的方法也無法識別出位于這些區域的流動商販。

街景影像時間覆蓋的局限性體現在2 個方面：首先，街景影像從采集、處理到發布需數月時間，而且影像的采集時間通常不是同一個時點，因此無法獲取這些商販出現的具體時點，識別結果僅能體現在街景影像獲取的時刻，該位置存在流動商販，即表明該位置曾經有商販出現過，但具體的時間不清楚。其次，為了保證成像的質量，在線地圖的街景影像均在日間采集。然而，實地走訪發現，研究區所在城市夜間的流動商販經營活動更為活躍，但夜間出現的流動商販未能被街景影像記錄，這也導致本研究的識別結果低估了流動商販的數量。

目前有2種方式可以提高街景影像數據的時空覆蓋率，從而提高流動商販調查的準確性與全面性。一方面，可集成多源街景影像數據集，除了在線地圖提供街景服務外，許多基于位置的服務和社交網絡都有公眾自愿上傳的街景影像，如Twitter、Facebook、新浪微博、Panoramio 等。最近的幾項基于街景影像的研究有成功應用多源街景影像數據集的案例，如Zhang 等（2020）結合騰訊地圖和Panoramio 的街景影像用于發現城市街巷中不起眼的地標，多源數據的結合有效地彌補了城市街巷街景影像的缺失。另一方面，可以使用小型化設備主動采集街景影像作為補充數據源，如使用摩托車、自行車、行人搭載街景拍攝設備，甚至采用城市安防系統的攝像頭，可以輕松采集汽車無法到達區域的街景影像。尤其是近年來隨著移動互聯網、智能手機以及小型化拍攝設備（如Insta360）的快速發展，行人已成為街景影像的重要貢獻者。一些眾包平臺，如Mapillary、OpenStreetCam，甚至傳統的在線地圖（如谷歌地圖）都提供了便于自愿者上傳街景影像的渠道（Mahabir et al., 2020），這些數據如能與在線地圖街景進行融合，將有助于對城市流動商販等社會經濟要素開展更全面的觀測。

4.2 結論

本文旨在從城市范圍精細尺度下對流動商販的空間分布開展自動調查，以輔助其空間治理政策的制定和實施，提出了基于街景影像和深度學習的流動商販自動調查方法，以廣州市為案例，采集了全市3 339 062張街景影像，通過構建YOLO深度神經網絡，識別出26 119個商販，并繪制其核密度空間分布圖，同時分析了流動商販與住宅租金、道路等級之間的關系。結果表明，流動商販在中心城區以多中心聚集模式分布，主要集中在地鐵站、城中村附近等人流量大的區域，且隨著道路等級的下降其數量上升，另外流動商販主要分布于租金中等的地區。識別結果可用于對從業者的區位偏好分析、“鄰避效應”探究以及疏導區的劃定提供決策參考。盡管街景影像存在時空覆蓋度不足的缺陷，但相較于傳統調查方法和數據源，利用街景影像開展流動商販調查不失為一種低成本高效率的方法。

此外，本文所提出的方法可通過耦合多任務深度學習算法，實現更多維度的流動商販信息調查，如商販的性別、年齡、經營種類等，相關研究有待下一步開展。本文提出的方法有助于實現高效、低成本和城市尺度的街頭攤販分布制圖，所得結果有助于制定和實施非正規經濟的空間治理政策，并進一步為街景圖像豐富且開放的城市的空間治理政策的改進和實施提供建議。