基于計算機視覺的城市老舊小區環境質量大規模測度研究

關鍵詞：老舊小區；小區環境質量；城市體檢；圖像回歸；深度學習；空間計量；武漢市

0 引言

隨著我國城市建設模式逐步由“外延擴張”向“內涵提升”轉型，存量空間的更新和優化工作成為“十四五”時期國家戰略部署的重點[1]。相較于空間品質較高、設施配置完善的新建商品房小區，老舊小區作為城市高質量發展的“洼地”，普遍存在住房老舊、設施缺乏、空間品質低下、脫管失管等多方面問題[2-3]，部分面臨居民和住房雙重老齡化的挑戰[4]，無法滿足美好生活的需要，成為亟待重點關注和提升的地區。2020年7月國務院辦公廳發布的《關于全面推進城鎮老舊小區改造工作的指導意見》指出“大力改造提升城鎮老舊小區，改善居民居住條件”。在“面向國家重大需求”的引領下，做好城市老舊小區體檢工作，系統探究老舊小區環境質量的空間分布特征，對于快速識別亟待改造的重點區域、加快推進針對性老舊小區更新改造具有重大現實意義。

城市小區環境質量是小區建筑及其周邊環境的質量[5]48，老舊小區環境質量評估是城市體檢的重要環節之一[6]。當前老舊小區體檢大多基于問卷調查和實地踏勘數據，綜合評估內部住房設施（如廚衛、水電氣、電梯等）[7-8]、外部建筑結構（如外墻、門窗、屋頂等）[9–11]和周邊環境要素（如停車位、道路、景觀、衛生、消防等）[12-13]的質量狀況。但是上述傳統數據收集和評估方法存在成本高、耗時長、數據量有限、覆蓋范圍小、主觀性較強等限制，難以應用到大尺度、海量老舊小區體檢中。因此，城市小區環境質量的評估數據與技術亟待新的突破。

隨著人類進入技術驅動時代，城市感知大數據在城市體檢中的應用價值日漸突顯[14-15]。融合深度學習算法處理圖像數據，使大規模、高效率的城市小區環境質量體檢評估成為可能[16]。當前百度、谷歌等開放平臺提供的街景大數據被廣泛應用于城市綠色空間多維度評價[17–19]、街道空間品質評價[20–24]、街道步行設施評價[25]、城市貧困地區識別[26]等研究領域，為基于人的感知的環境質量評估拓展了思路。但是街景數據通常只涉及小區外部的街道空間，尚無法深入小區內部，特別是同一街道不同小區內部環境質量可能存在較大差異。安居客、鏈家網等房產網站的實景圖像為推動小區尺度的精細化環境質量測度提供了重要數據基礎，但目前該數據仍有待深入挖掘與利用[27]。此外，部分研究進一步探究了居住環境質量和社會經濟因素的關系。例如，基于街景圖像評估居住環境品質，并探討環境特征對住宅價格的影響[28]；基于卷積神經網絡和農房實景圖像構建農房質量預測模型，刻畫中國農房質量的空間格局，并探究農房質量與農村社會經濟發展水平的相關關系[29]7。這為優化城市小區環境質量測度方法、揭示小區環境質量背后的社會經濟意義提供了重要參考。

本文以武漢市為例，應用計算機視覺領域的圖像回歸算法，處理海量安居客實景圖像數據，實現城市小區環境質量的大規模量化測度，重點挖掘老舊小區環境質量的多尺度空間分布特征，運用空間計量方法探索小區環境質量與房價的空間關系，以期為城市小區環境質量測度提供更豐富的視角，并為低環境質量老舊小區的快速識別與更新改造提供科學指引。

1 研究方法

1.1 研究區域與數據來源

本文的研究區域為武漢市（見圖1）。武漢市作為中部地區典型超大城市，具有規模龐大、類型多樣的老舊小區。根據安居客數據，武漢市現存小區7 895個，其中包括2000年底前建成的老舊小區2 725個，占存量小區的34.52%。老舊小區類型涵蓋了老里分、單位房、商品房和保障房等多種類型。因此，以武漢市為例開展研究，對于探究大城市老舊小區環境質量的空間分布特征，具有全國性示范價值和指導意義。

武漢市小區基礎信息來源于安居客（https：//wuhan.anjuke.com/），該網站涵蓋的數據較齊全，可靠性與認可度較高[30]。數據采集時間為2022年12月，采集內容包括小區名稱、經緯度、建成年份、房價、綠化率、容積率和實景圖像等，共計7 895條小區數據，包含111 658張實景圖像。此外，課題組于2017—2022年在武漢市江岸區、江漢區、武昌區、青山區等地區的典型老舊小區開展了一系列實地調研與改造項目，積累了與居民、居委會、業委會、物業公司、規劃局、區政府等多元主體的一手訪談資料。

1.2 小區環境質量測度方法

本文將小區環境質量定義為住宅小區建筑外觀及其周邊環境的質量。基于安居客小區實景圖像數據，通過卷積神經網絡（Convolutional Neural Networks，CNN）開展圖像回歸分析，以實現小區環境質量的自動化評估，具體包括4個步驟：圖像采集、人工標注、模型訓練和自動評估（見圖2）。

1.2.1 圖像采集

基于安居客采集武漢市小區的實景圖像數據，共采集到7 895個小區的原始圖像111 658張。通過圖像語義分割識別每一張圖像中的環境要素，有效圖像至少應包括清晰的住宅外立面及其周邊設施等關鍵環境要素，自動剔除不包含上述環境要素的無效圖像。最終剔除無效圖像12 091張，得到有效圖像99 567張。在武漢市各行政區按比例隨機抽取10 000張有效圖像作為標注集，用于圖像回歸模型訓練。

1.2.2 人工標注

邀請5位志愿者對標注集圖像進行人工判讀打分。在打分系統上，志愿者從現實居住的感受和需求視角出發，對每一張圖像進行標注，由高到低賦值5—1。建議志愿者綜合考慮以下維度來評估小區環境質量：建筑樓體（嶄新—破舊）、公共空間（齊全—缺失）、景觀綠化（豐富—匱乏）、環境衛生（整潔—臟亂）和空間秩序（有序—無序）[5]52，[29]6，評估要素詳見表1。應用Fleiss' Kappa系數來驗證5位志愿者標注結果的一致性，系數為0.621，表明一致性程度較強[31]。最終，將5位志愿者打分的平均值作為該圖像的標注值。

1.2.3 模型訓練

將標注集圖像樣本按比例隨機劃分為訓練集（80%）和測試集（20%）。首先，基于訓練集構建小區實景圖像和環境質量得分的回歸模型。本文首先應用經典CNN模型ResNet18網絡開展圖像回歸分析，網絡層數適中，收斂速度較快，適用于圖像美學質量評價。同時，在網絡中添加卷積塊注意模塊（Convolutional Block Attention Module，CBAM）以關注圖像中有意義的特征（通道注意力模塊，Channel Attention Module）以及最具信息量之處（空間注意力模塊，Spatial Attention Module）[32]。模型訓練由具有超強并行計算能力的GPU云服務器提供計算服務。其次，根據多次測試結果對模型相關參數進行調整。最終，模型訓練到50次左右，loss損失函數實現收斂。計算模型的R2以判斷圖像回歸模型的擬合效果，公式為：

式中：Yi是圖像 i 的真實得分（即人工標注值），Yi是圖像 i 的預測得分，Yi是所有Yi的平均值。經計算，R2為0.94，說明模型整體擬合效果較好，圖像預測得分能夠很好地反映真實的小區環境質量狀況。

1.2.4 自動評估

搭建K8S集群，并部署圖像回歸模型，實現小區環境質量的自動化評估。基于武漢市小區全部有效圖像，計算每個小區的環境質量得分，公式為：

式中：Si是第 i 個小區的環境質量得分，Sij是第 i 個小區第 j 張實景圖像的環境質量得分，n是該小區的實景圖像數量。

1.3 空間計量分析

1.3.1 空間自相關分析

為了探究小區環境質量和房價的空間相關關系，采用單變量莫蘭指數（Univariate Moran's I）刻畫二者各自的空間集聚特征，通過雙變量莫蘭指數（Bivariate Moran's I）探索二者的空間耦合關系。該方法已廣泛應用于學術研究并附有詳細計算說明，本文不再贅述[33–34]。

1.3.2 空間回歸分析

考慮到小區房價的空間分布具有較強的空間依賴性，本文采用空間滯后模型（Spatial Lag Model，SLM）來探索小區環境質量對房價的影響[35]。該模型考慮了房價（因變量）的空間自相關性，即某一小區的房價不僅與自身條件有關，還與其周邊小區的房價有關。

由于小區房價是其內部條件和外部設施配套等因素共同決定的結果[36]，本文的內部因素選取了小區環境質量、綠化率、容積率和房齡等連續變量；外部因素通過房價的空間滯后項表達，因為房價通常能反映該區域的交通、公共和商業等設施配套情況，所屬城區采用二分類變量，包括主城區和遠城區。所有自變量的VIF均小于1.5，不存在嚴重的多重共線性。變量說明詳見表2。

2 小區環境質量的空間分布特征

2.1 市級尺度

分析武漢市小區環境質量的空間分布特征，并進一步比較老舊小區和新建小區環境質量的差異性。采用自然斷點法繪制武漢市小區環境質量的散點圖，將其分為5類：低值區（≤2.41）、中低值區（2.42—2.91）、中值區（2.92—3.39）、中高值區（3.40—3.89）和高值區（≥3.90）。

從數量上看（見表3），武漢市共有存量小區7 895個，小區環境質量平均值為3.16。其中，老舊小區2 725個，占比34.52%；57.61%的老舊小區環境質量位于中低值區及以下，平均值為2.83。新建小區5 170個，占比65.48%；51.05%的新建小區環境質量位于中高值區及以上，平均值為3.34。單因素方差分析的結果表明，老舊小區環境質量顯著低于新建小區，亟待系統提升。

從空間上看，武漢市小區環境質量呈現“主城區由沿江兩岸向外圍地區逐漸升高，遠城區高值圍繞低值”的分布特征（見圖3a）。其中，老舊小區主要在主城區沿江地區連片集聚，特別是漢口老里分片區的環境質量顯著較低（見圖3b）。新建小區的分布范圍相對老舊小區更廣，進一步擴散到遠城區與主城區交界處，同樣表現為沿江兩岸的小區環境質量偏低（見圖3c）。

2.2 區級尺度

比較不同行政區的小區數量與質量特征（見圖4）。從數量來看，江岸區（656個）、武昌區（584個）和洪山區（337個）的老舊小區數量位列全市前三，武昌區（52.66%）、江漢區（51.30%）和江岸區（45.71%）的老舊小區區內占比位列全市前三，表明以上地區的老舊小區基數較大，是需要重點關注的地區。從質量來看，主城區中江漢區（2.98）、江岸區（3.03）和武昌區（3.03），以及遠城區中新洲區（3.02）、蔡甸區（3.04）和黃陂區（3.12）的小區環境質量低于全市平均水平（3.16），說明以上地區的小區環境質量亟待優化和提升。

2.3 街道尺度

由于武漢市70%的小區、82%的老舊小區位于主城區，本文進一步刻畫主城區街道尺度的小區環境質量空間分布特征（見圖5），并結合典型地區和典型小區，具體展示和說明老舊小區特征①（見表4）。總體而言，低質量和中低質量的小區集中分布在江岸區、江漢區、青山區和武昌區沿江地帶的街道。

其中，江岸區南部和江漢區東南部屬于漢口歷史風貌區核心地帶，低質量的老里分小區連片集聚。武漢市大多數里分建筑仍未改造，住宅嚴重老化，空間緊湊，缺乏公共空間和景觀綠化，衛生條件較差，缺乏有序管理，典型如江漢區花樓水塔街道聯保里、貫中里等。武漢市政府針對部分特色里分實施了騰退征收工作，進行統一修繕改造與活化利用，如江岸區三德里片、巴公房子片等。此外，江岸區一元街道同興里、泰興里等里分呈現出商業紳士化特征，咖啡館、手作店和古著店等創意產業自發進駐，促進了居住空間微更新改造，通過外墻美化、休閑座椅增設、綠化盆栽等提升了空間品質與活力，但是存在破壞原有建筑結構、商住混合矛盾、公共空間缺乏統一管理等問題。

青山區老舊小區多為武漢鋼鐵廠的職工單位房。其中，建成于20世紀50年代的紅鋼城紅房子片已經完成騰退工作，由武漢華僑城實業發展有限公司主導開發建設8、9、10街坊地塊，并在其周邊建設了“紅坊”系列小區。此外，青山區推進38、42、43等街坊棚戶區改造工作，建設了八大家花園系列還建房，提升了小區環境質量。青山區現存老舊小區以鋼花村街道系列街坊為典型，表現為人口與住宅“雙重老齡化”的特征。目前政府已經完成了“三供一業”改造，但是仍然存在住房老舊、道路破損、適老化設施缺乏、休閑活動場所不足、一樓和頂樓私搭亂建等問題。

武昌區以單位房、商品房為主，低質量老舊小區集聚在武昌區中部的中華路、糧道街、積玉橋、首義路、中南路等街道，南湖街道的小區環境質量較高。南湖街道是武昌區政府開展“幸福社區”共同締造的首批試點，通過“政府主導、規劃師中介、居民參與”的形式，推動小區微更新。例如，華錦花園在改造前存在公共空間利用不足、機動車侵占綠地和消防通道等問題，通過修繕中心廣場、整體規劃健身和休閑活動場地、增設停車位等手段，提升了小區環境質量。

3 小區環境質量和房價的空間關系

3.1 小區環境質量和房價的空間集聚特征

通過空間自相關分析探究武漢市小區環境質量和房價的空間集聚特征（見圖6）。小區環境質量的單變量Moran's I為0.365，且在1%水平上顯著，說明存在顯著的空間集聚效應。根據圖6a，主城區低質量的老舊小區連片分布在沿江兩岸，特別是老里分住宅，因此呈現“低—低”集聚特征；周邊有部分新建小區，故呈現“高—低”集聚特征；再外圍多為新建小區，環境質量較高，由此呈現“高—高”集聚特征；遠城區則是高質量的新建小區和低質量的老舊小區交錯分布。

小區房價的單變量Moran's I為0.666，表明空間正相關性極強。根據圖6b，高房價小區主要集中在主城區沿江地段，低房價小區則大多位于遠城區和主城區邊緣地區。

小區環境質量—小區房價的雙變量Moran's I為0.020，二者同樣存在顯著的空間相關性。根據圖6c，二者從中心向外圍形成了“低—高、高—高、高—低、低—低”的空間集聚格局。主城區小區由于區位優勢、配套齊全、居住環境比較成熟，房價整體較高（均價18 768元/m2），因此新、老小區的“環境質量—房價”分別呈現“高—高”和“低—高”集聚特征。而遠城區小區受到區位限制，房價整體偏低（均價9 583元/m2），因此新、老小區的“環境質量—房價”分別形成“高—低”和“低—低”集聚格局。

3.2 小區環境質量對房價的空間影響分析

由于小區環境質量和房價存在顯著的空間依賴性，并且拉格朗日乘子檢驗結果顯示Robust LM（lag）值在1%的水平上顯著，因此需要構建空間滯后模型進一步探究小區環境質量對房價的影響。為了更直觀地顯示和比較不同自變量對房價的影響程度，本文對所有連續變量進行標準化處理后，再進行回歸分析，模型擬合結果見表5。可以看出，空間滯后模型（SLM）的擬合度優于普通最小二乘法（OLS），具體表現為模型2、模型4和模型6的R2和Log likelihood提高，AIC和SC降低；并且空間滯后項在1%水平顯著，說明某一小區的房價受到了周邊小區房價的顯著影響。

基于模型2分析武漢市小區房價的影響因素，發現房齡（β=-0.066，Plt;0.01）和小區環境質量（β=0.053，Plt;0.01）是影響房價的關鍵要素，即房齡越低、小區環境質量越高，房價越高。此外，綠化率、容積率與房價顯著正相關，主城區的房價顯著高于遠城區。比較老舊小區和新建小區的差異，發現決定老舊小區房價的關鍵要素是所屬城區（β=0.265，Plt;0.01）、綠化率（β=0.019，Plt;0.05）和小區環境質量（β=0.021，Plt;0.10）等因素（模型4）；而房齡（β=-0.151，Plt;0.01）、綠化率（β=0.080，Plt;0.01）和小區環境質量（β=0.070，Plt;0.01）對新建小區房價的影響更大（模型6）。總體而言，小區環境質量是影響房價的核心因素之一，特別是對新建小區的房價發揮著更為重要的作用。

4 結論與討論

本文以武漢市為例，基于安居客小區實景圖像，運用深度學習、空間計量等方法，從宏觀、中觀、微觀多尺度開展了城市老舊小區體檢工作，刻畫了老舊小區環境質量的空間分布特征，揭示了小區環境質量與房價的空間相關關系。研究發現：（1）武漢市小區環境質量呈現“主城區由沿江兩岸向外圍地區逐漸升高，遠城區高值圍繞低值”的空間分布特征，老舊小區環境質量顯著低于新建小區。（2）低質量的老舊小區在沿江地區連片集聚，以江岸區南部和江漢區東南部的老里分小區、青山區的單位房小區、武昌區的商品房和單位房小區為典型。（3）小區環境質量和房價存在顯著的空間相關性，二者從中心向外圍形成了“低—高、高—高、高—低、低—低”的空間集聚格局。（4）小區環境質量是影響房價的關鍵因素，特別是對新建小區的房價發揮更重要的作用。結合上述分析，本文得出以下政策啟示：（1）武漢市應加快推進江岸區、江漢區、武昌區、青山區等低質量老舊小區集聚區的連片更新改造工作，重點關注老里分和單位房小區，推動核心地區的品質提升。（2）因地制宜地制定老舊小區更新策略，充分借助政府、市場和社會等多方力量，破解老舊小區脫管、失管的現實治理難題。（3）應加強多源數據的有機融合，科學運用“大智移云”等信息技術，系統、有效地開展城市體檢工作。

本文基于海量小區實景圖像，融合計算機視覺領域的圖像回歸算法，實現了小區環境質量的大規模自動化評估和空間可視化呈現，對于全面掌握全市小區環境質量特征、快速識別亟待改造的重點區域具有重要啟發。本文積極探索將圖像大數據應用于老舊小區體檢評估的技術方法，彌補了傳統研究數據量較小、覆蓋范圍有限的不足，豐富了技術驅動時代下的小區環境質量評估體系，推動了我國城市體檢工作的有效開展。然而，本文僅從視覺維度開展小區環境質量評估，未來可結合城市感知大數據，拓展聽覺、嗅覺、觸覺等維度，將噪聲、空氣質量、溫度、濕度等因素，納入城市小區環境質量評估體系中。此外，武漢市部分小區的安居客實景圖像缺失，未被納入本文分析范圍，未來應考慮結合實地踏勘，對相關數據進行補充完善。