空間形態與綠化因素對夏季胡同居民社會聚集的影響

盛強 胡彥學 宋陽

1 研究背景

隨著中國城市建設轉入存量規劃和品質提升的時代，居民在街道中的社會交往聚集活動成為評價城市公共空間活力的重要指標。大量的城市改造與更新項目中對地面鋪裝、環境綠化、街道家具、活動設施等各方面的投入是否能夠真正提升街道空間品質，促進居民更頻繁地使用公共空間，對城市規劃和設計師有直接的意義。

從現有文獻的研究內容來看，國內外對社會聚集現象大都關注空間環境要素的影響。如Mehta的研究發現步行街街道越寬，座椅越多，對停留性活動和社交活動的促進作用越明顯[1]。類似的，同濟大學陳泳教授的團隊對商業街中逗留性行為的分析表明人行道寬度、界面的透明及開敞度與人群的逗留性行為呈正相關[2]。Zacharias等發現廣場上的光照環境及溫度對行為有重要影響[3]。

從現有文獻的研究方法來看，對社會聚集數據的收集多采用問卷法或多次實地調研注記法[4]。隨著街景地圖等網絡開放數據的發展，近期部分研究也開始探索應用該類數據取代傳統調研方式的可行性。如葉宇等基于百度街景，應用機器學習工具探索了大批量獲取綠視率的方法[5]。劉星等對比了百度街景與實地調研獲取的商鋪分布、步行者數量和社會聚集數據，發現前兩者可以在一定程度上替代實地調研，但社會聚集與實地調研相比仍不理想[6]。此外，同濟大學徐磊青教授團隊使用VR設備對公共空間中的社會聚集現象展開研究，發現了廣場面積以及高寬比、天空視角等與停留活動的關系[7]。徐磊青教授團隊的其他一些基于街景圖片的研究表明綠視率和車道數對安全感有明顯的影響[8-9]。

1 案例地區位置與街區形態Locations of case neighborhoods and their street patterns

2 兩個街區聚集強度與人群特征Social gatherings in the two neighborhoods

上述文獻中的實證研究往往聚焦造成社會聚集現象周邊小范圍的空間形態、設施和環境要素，體現為對靜態的、非關聯性的空間條件的關注。然而，考慮到社會聚集行為（特別是街道上偶發的社會交往活動）往往是在居民出行過程中產生的，因此有必要探討其產生的關聯性空間條件。在這個方向上，空間句法理論和分析方法提供了一條新的研究路徑。

在空間句法研究領域，早期的一些研究采用行為注記法記錄街道空間中步行者的行為，分析性別、年齡差異體現出的空間分布規律[10]。在建筑內部尺度，也有研究通過記錄公司中的非正式會議發生的地點，分析其體現出的空間分布邏輯[11]。從研究結果來看，這些研究大都驗證了空間句法參數對上述活動分析的有效性。但較少有采用多片區樣本，綜合各非關聯性空間環境要素與關聯性空間要素，并針對社區內居民社會聚集行為的研究。近期，劉星針對北京中心城區4個案例區的實地調研，應用空間句法，較為系統地對比了不同居住建筑類型街區內，各空間句法參數對居民社會聚集的影響，其研究成果發現多層住宅區相對于胡同區的聚集行為，其空間規律更為明顯，與空間句法參數的關聯性也較為顯著。但并未引入景觀綠化等環境因素[12]。

在此基礎上，將聚焦夏季北京胡同區的低層居住類型，選取位置臨近但空間形態差異性較強的案例區域展開實證研究，綜合考慮空間句法參數、綠化參數、服務設施和居住密度展開多元回歸分析，試圖發現影響夏季胡同居民聚集的穩定規律。

2 研究方法

2.1 研究區域概況

本文的研究范圍為雍和宮和國子監所在的兩個街區（圖1），調研范圍約142.5 hm2，其中雍和宮街區約71.4 hm2，國子監街區約71.1 hm2。兩個街區均為北京老城內胡同地塊，居住類型多為低層的四合院。

2.2 調研方法與數據篩選

本研究采取現場行為注記法來收集戶外聚集數據，選取2018年夏季一天中的4個時間段（08：00—09：00，10：00—11：00，14：00—15：00，16：00—17：00）對兩個街區地塊進行循環調研。需要說明的是，在數據篩選時排除了清潔工、商販以及等待辦事的人群和排隊的游客等必要性的聚集，從而過濾出“凈”居民的社會聚集，同時又考慮到清潔工、商販等街頭工作者長時間在本地工作，與居民較為熟悉，往往成為社會交往的催化劑，也可以被看作居民的一分子。因此在進行數據處理的時候，將戶外人群分為三類：街道工作者聚集、居民與街道工作者交往的聚集和凈居民社會聚集（圖2）。共記錄了兩個案例街區中總計177個聚集點539人次的社會聚集的空間分布數據。

2.3 數據的處理方法與空間形態變量選取

空間句法作為一種基于空間拓撲連接關系研究使用者行為的建筑和城市學理論，認為人在空間中的活動很大程度上受空間結構的影響，把空間抽象成彼此相交的直線段來計算空間之間的拓撲連接，因此可以定量描述空間與人的活動之間的關系。

筆者采用的空間句法線段地圖建模范圍包括北京六環路以內范圍的所有街道。從參數選擇上，整合度表示了某條線段的中心性，是以綜合折轉角為定義的與周邊不同尺度線段的最短拓撲距離。選擇度表示的是被周邊一定尺度內任意兩條線段之間最短路徑穿過的次數，其中“最短路徑”同樣是以綜合折轉角度最小來定義的。以這兩個指標為基礎，Hillier、楊滔和Turner在2013年又提出了標準化角度選擇度（Normalised Angular Choice，簡稱NACH）和標準化角度整合度（Normalised Angular Integration，簡稱NAIN）的指標，進一步削弱了線段數量對空間計算結果的干擾[13]。選用了0.2～10 km共14個計算半徑下的整合度（Integration，簡稱INT）、選擇度對數（Log Choice）、NACH和NAIN這4種空間句法參數進行數據分析。

在應用空間句法參數分析功能分布、社會聚集等靜態類數據時（相對于各類交通流量等動態數據），往往需要采用適當的方法對數據進行均勻化處理，排除空間中偶然性因素的影響。筆者團隊近年來廣泛采用的方法為以某個街道段為起點，綜合距離與角度衰減將周邊的數據進行加總處理，方法及公式可參見筆者近期的相關論文[14]。在本研究中該方法用于在回歸分析中（一元和多元）處理社會聚集、商鋪分布、綠化率等靜態數據。

3 綠視率數據獲取方式（應用“貓眼象限”APP）Acquisition of green view ratio (Applying Cat Eye Quadrant APP)

4 兩個街區的商業服務設施空間分布Spatial distribution of commercial service facilities in the two neighborhoods

除空間句法參數之外，筆者引入了聚集位置距城市主干路的拓撲衰減和距離衰減參數、聚集位置的道路寬度、街道段的入口數量等空間形態參數：其中道路寬度為筆者實測寬度，數據處理則是按照與社會聚集相同的處理方式進行標尺均勻化；街道段的入口數量為筆者實地調研獲取，其處理方式則是將其錄入空間句法Depthmap軟件后分別計算了以各街道段為中心100、200、300 m這3個可達范圍內的入口加總值。

2.4 其他自變量選取與處理方法

其他自變量的選取則綜合考慮了綠化因素、服務設施和居住密度三類參數并將之與處理后的社會聚集數據逐一進行一元回歸。綠化因素又分為水平視角綠視率與俯瞰視角的綠化覆蓋率，其中綠視率的原始數據是在街景地圖中水平截取聚集點位置的街景圖片將其導入“貓眼象限”（APP）來獲取，再將同一條街道上的聚集點按每個聚集點的聚集人數取加權平均值作為該條街道的綠視率，然后采用與社會聚集同樣的標尺均勻化處理方法對原始數據進行處理（圖3）；綠化覆蓋率則是以衛星地圖為背景，以每個聚集點為中心計算其沿道路前后50 m范圍內的樹冠面積占比，同樣按照聚集點的聚集人數取加權平均值作為該條街道的綠化覆蓋率，并采用與社會聚集同樣的標尺均勻化處理方法對原始數據進行處理。

服務設施參數分為功能業態類及公廁，兩者均采用街景地圖與現場校核的方式獲取其數量及分布，其中功能業態類又根據研究范圍的業態類型分為社區商業與城市商業（圖4）。其中社區商業的分類包括菜市場、糧油店、棋牌室、五金店、便民店等服務于本地居民的業態類型，城市商業則是除去以上社區商業之外的商業業態類型。城市商業和社區商業的處理方式分為兩種：一種與前述社會聚集數據處理中采用的標尺均勻化方式相同，綜合距離衰減與角度衰減計算了每個街道段周邊復合可達范圍內商鋪數量加總值；另一種則是以簡單的距離可達半徑為基礎，計算了以各街道段為中心200、400 m半徑內的商鋪數量加總值；公廁數據的處理則是計算了每條街道段距其最近的公廁位置的真實距離。

居住密度參數（圖5）的處理則是將各小區（含各胡同片區）居住人口的數據按臨近落位的原則導入空間句法模型的街道段上。為了避免由各片區出入口位置造成的誤差，本研究分別計算了以各街道段為中心200、300、500、800 m這4個可達范圍內的人口加總值。

3 居民社會聚集空間分布的初步統計

3.1 兩個街區居民社會聚集強度對比

將兩個案例街區的聚集強度進行量化描述（表1），對比后可以發現：盡管在排除了旅游者聚集的影響后，國子監的聚集規模從聚集數量、單位長度的聚集人次數量和單位面積的聚集人次數量統計仍明顯大于雍和宮，但考慮到國子監地區居民數量較多，從聚集人口占比（戶外聚集人次除以各案例區居民總數）來看兩者差異并不明顯。

3.2 兩個街區居民聚集空間分布的統計分析

對兩個街區以街道段為精度按聚集規模進行各聚集點的統計分析，試圖發現社會聚集受空間拓撲形態影響的差異。兩個地塊從3人以內到20人以上不同規模的聚集點的統計結果中，分整合度和選擇度兩類參數列出了相同聚集規模的不同聚集點位置超過北京二環以內各半徑空間句法參數平均值的百分比，其超出或低于平均值的比例表明了該聚集規模對所對應空間參數值的依賴程度（圖6、7）。

從結果來看，國子監街區和雍和宮街區的聚集特征有明顯差異：國子監街區戶外活動所依賴的各空間句法參數半徑較大，其峰值出現在1 500 m半徑左右，而雍和宮戶外活動的空間句法參數半徑較小，其峰值出現在500 m半徑左右。此外，觀察各案例街區不同等級聚集的分布差異。國子監街區的分析結果顯示規模越大的聚集越依賴1 500 m半徑的選擇度或整合度，體現出一種清晰的“外向型”規律。相反，雍和宮街區中規模越大的和規模越小的聚集都更依賴胡同的通達性，體現出一種“復雜”且“內向型”的規律：雍和宮的街道肌理更為復雜，對外通達性差，僅有少數街道與大路直接聯系，大部分道路以迷宮形態位于街區內部。而這種肌理導致該街區的居民既可能在內部連接較好的街道上相遇，也可能在大街出入口上相遇。但是，這些聚集的規模差異卻不一定與各街道在小尺度范圍的通達性成正比。

5 兩個街區的人口密度Population density of the two neighborhoods

表1 兩個街區的聚集強度對比Tab. 1 Comparison of gathering intensity between two neighborhoods

6 國子監街區聚集點的整合度與選擇度分析Analysis on INT and Log Choice of gatherings in the Imperial College block

7 雍和宮街區聚集點的整合度與選擇度分析Analysis on INT and Log Choice of gathering points in the Lama Temple block

8 兩個街區聚集匯總和各街區聚集分別與各空間句法參數的一元回歸分析Single variant regression analysis of the two neighborhoods in one model and in each case separately

4 居民社會聚集的多元回歸分析

4.1 社會聚集與空間句法參數的一元回歸分析

對社會聚集數據進行標尺均勻化處理后，采用不同半徑的四類空間句法參數來分析兩個街區聚集的空間分布規律。由0.2～10 km 14個計算半徑下各空間句法參數對社會聚集的決定系數變化可知，大部分選擇度系的參數的決定系數要高于整合度系參數的決定系數，這說明社會聚集受各街道段空間穿過性潛力的影響更強（圖8）。

具體來看，國子監街區社會聚集與空間句法選擇度參數的決定系數高達0.6，而雍和宮街區僅達到0.17。盡管二者分析效果不同，其峰值均集中在800～1 000 m半徑，該數值區間大致對應居民10 min的步行可達范圍，表明居民的社會聚集更多地依賴于小尺度半徑范圍街道的通達性。因此，在多元回歸分析中筆者選取了800 m和1 000 m半徑的選擇度與穿行度共計4個參數作為空間句法參數的備選自變量。

4.2 國子監街區社會聚集多元回歸分析

9 國子監街區社會聚集與各類參數的相關分析Correlation analysis of social gathering and various parameters in the Imperial College block

10 雍和宮街區社會聚集與各類參數的相關分析Correlation analysis of social gathering and various parameters in the Lama Temple block

表2 國子監街區社會聚集的變量多元回歸分析Tab. 2 Multiple regression analysis of the parameters of the Imperial College block

表3 雍和宮街區社會聚集的變量多元回歸分析Tab. 3 Multiple regression analysis of the parameters of the Lama Temple block

對標尺均勻化處理過的社會聚集數據與各空間句法參數、綠化參數（包括水平視角綠視率及俯瞰視角的綠化覆蓋率）、服務設施（包括商業總數、城市級商業、社區級商業、公廁）、居住密度四大類共計26組數據進行了相關系數分析（圖9）。從結果可看出，在四大類參數中，社會聚集與標尺均勻化處理過的綠視率、標尺均勻化處理后的總商業數、300 m可達范圍內人口數以及標尺化處理后的道路寬度相關性較高。同時，道路寬度、綠化和各空間句法參數三者之間均有明顯的相關。由于空間句法表達的道路通達性能夠影響流量需求，而流量需求又反映在道路寬度上，因此它能夠揭示出流量和寬度等參數背后的行為機制，經上述空間問法參數中備選自變量在多元回歸結果中的測試，選取分析效果最優的Log Choice1000進入多元回歸分析。另外，由于綠化覆蓋率與綠視率對社會聚集的影響非常接近，因此經過測試后選取分析效果好的綠化覆蓋率進入多元回歸分析。

將遴選后的參數應用SPSS進行多元回歸，結果顯示4個參數回歸模型的R2達到0.758，但人口數及總商業的Sig值過高，未通過顯著性檢驗，并且人口數及商業類參數的標準化Beta系數為負，邏輯上不合理。刪除這兩個自變量后保留綠化覆蓋率與Log Choice1000組合的模型R2為0.729，且Sig值均能通過檢驗，并且從標準化Beta系數來看，綠化覆蓋率的影響（0.519）要大于空間形態（0.484）的影響（表2）。

4.3 雍和宮街區社會聚集回歸分析

與前面案例相同，雍和宮街區社會聚集與各個參數的關聯，其結果可看出在四大類參數中，社會聚集與綠化覆蓋率、標尺均勻化處理后的社區商業數、500 m可達范圍內人口數以及標尺化處理后的道路寬度相關性最高（圖10）。同樣考慮到空間句法參數與其他各自變量普遍存在的相關性，在空間形態類參數中，選取Log Choice1000與上述其他類參數進行多元回歸。

結果顯示4個參數回歸模型的R2達到0.509，但社區商業的Sig值偏高。此外，社區商業與500 m內人口數的標準化Beta系數為負，不合理。刪除上述兩個自變量后保留綠化覆蓋率和空間句法參數Log Choice1000組合的模型R2降為0.271，但兩個自變量的Sig值在多元回歸中均偏高，無法通過檢驗（表3）。而單獨來看綠化覆蓋率與Log Choice1000與社會聚集相關性的大小，明顯綠化覆蓋率的相關性（0.487）要好于空間形態的相關性（0.413），表明綠化覆蓋率對社會聚集具有更高的解釋度。

4.4 案例匯總社會聚集回歸分析

為了在不同的案例中尋找相對穩定的規律，本研究將兩個街區的各自變量拼合到一個大模型中進行多元回歸分析。在社會聚集與各個參數的關聯的四大類參數中，社會聚集與標尺均勻化處理過的綠視率、標尺均勻化處理后的總商業數、300 m可達范圍內人口數以及標尺化處理后的道路寬度相關性最高（圖11）。如前所述，在空間形態類參數中，選取Log Choice1000來與其他類自變量組合進行多元回歸，在綠化參數中，選取綠化覆蓋率進行多元回歸。

結果顯示4組自變量回歸模型的R2達到0.480，但總商業的Sig值偏高，300 m內的人口總數雖能通過顯著性檢驗，但其標準Beta系數仍為負，不合理。刪除商業與人口兩個參數后保留綠化覆蓋率與Log Choice1000的R2為0.384，且兩者的顯著性均能通過檢驗。對比兩者的標準化Beta系數，綠化覆蓋率（0.371）的影響同樣大于空間形態（0.357）的影響（表4）。

11 案例街區匯總社會聚集與各類參數的相關分析Correlation analysis of social gathering and various parameters in case neighborhoods

表4 案例街區匯總社會聚集的變量多元回歸分析Tab. 4 Multiple regression analysis of the parameters of case neighborhoods

5 結論與討論：現象與現象關聯背后的機制

筆者通過對國子監和雍和宮街區夏季居民社會聚集調研數據的統計與分析，可得出以下幾點結論。

1）從空間形態類參數的分析來看，社會聚集受街區形態的影響，國子監街區較之雍和宮街區更為開放和通達，其社會聚集體現出較強的外向性，聚集規模也體現出明顯的規律性；而雍和宮的空間形態復雜，社會聚集體現出較強的內向性，聚集規模體現出的規律性差。

2）無論是兩個街區單獨分析還是匯總后分析，綠化類參數都能表現出穩定的影響，對社會聚集規模分布有最好的解釋力，并且水平視角的綠視率與俯瞰視角的綠化覆蓋率對社會聚集的影響相差不大，且在兩個街區案例中兩個自變量的相關性均在0.7以上，這也表明綠化覆蓋率高的地方往往給人以較好的綠化視覺感受。

3）從服務設施類參數的分析來看，國子監街區社會聚集更容易受到城市商業的影響，而雍和宮則偏向受社區商業影響，從功能臨近性上驗證了兩個街區外向和內向的屬性。

4）從居住密度類參數的分析來看，各分析方式均未能發現社會聚集與各范圍內居住人口數的顯著關聯，這個結果表面上違反常識，筆者分析其原因是胡同街區的居住密度分布比較均勻，街道通達性本身是影響步行者分布的更主要因素。

5）從各案例和匯總案例中各參數的相關分析中可以得出空間句法與綠化類參數、道路寬度以及商業分布等自變量均有較高的相關，這從側面驗證了空間句法的基礎理論，即街道的網絡拓撲形態影響運動分布，進而影響了街道的尺度和城市的功能。由于筆者在本研究中選取的調研時間為夏季，綠化率作為一個現象與社會聚集的關聯更強并不意外，但現實來說，具有一定寬度的胡同才有空間支持更多的綠化，通達性好的街道才有足夠的人流量享受樹蔭帶來的環境，進而形成大量的社會聚集。因此，街道空間的通達性是引發這一系列相關現象背后的生成性機制，而對于新住宅區規劃和設計而言，根據步行尺度范圍的空間通達性計算來確定道路等級和綠化需求，為建立精細化景觀設計提供了方法上的支持。

圖表來源(Sources of Figures and Tables)：

圖3處理自貓眼象限APP截圖，其余圖表均由作者繪制或拍攝。