标题：Interpretation of gender divergence in consumption places based on machine learning and equilibrium index – A case study of the main urban area of Beijing, China
期刊：International Journal of Applied Earth Observation and Geoinformation
在消费场所的空间研究中，性别的影响往往被忽视，而且由于测量效率和范围问题，跟踪消费者的感知偏好具有挑战性。基于机器学习技术，本文提出了一种从地方到城市的感知偏好映射方法，并评估了性别消费场所的物理形态和分布特征。应用步骤为:首先获取消费场所的POI (point interest)坐标，得到街景图像;然后，每个性别的30名受访者被邀请对抽样图像进行评分。利用卷积神经网络(CNN)和全卷积网络(FCN)对建筑立面中四个突出视觉元素的面积比例进行识别，然后应用随机森林模型(Random Forest Model)预测各视觉元素的偏好得分。最后，利用均衡指数对男女消费场所的分配公平性进行评价。将此方法应用于北京，可以识别形式、功能、规模、行政区域四个方面的性别差异，定位消费场所供应不足的区域，并给出优化建议。该方法提高了测量消费者感知偏好的效率和范围，同时识别和优化消费场所的质量。
城市的发展目标已经从生产型转向消费型(Chen and Hsiao, 2007)。因此，消费场所已成为城市生活必不可少的一部分(Zhang et al .， 2021)，并能容纳频繁的公共活动(Hanser, 2010)。它们在城市空间中的份额不断增加(Davis, 2013)，这使得评估和优化消费场所的空间质量成为一个关键问题(Han等人，2011;Ma et al, 2019)。相关研究表明，设计良好的形态和分布特征可以激发城市商业区的活力(Won and Lee, 2010)。根据这一观点，学者们从规模(Choi et al .， 2016)、功能(Nie and Jia, 2011)、地价(Chang and Lee, 2010)、规划范式(Li et al .， 2020;Rydin, 2019)和可访问性(Le and Young, 1998)等，以提供更好的消费者体验。
然而，值得关注的是，这些结果存在显著的局限性:在城市层面，尽管可以通过ArcMap和Depthmap等地理分析工具获得消费场所的模式(Guo et al .， 2014;Murad, 2009)，很难精确衡量居民对特定消费行为场景的感知偏好。事实上，如果没有明确的和预先确定的消费目的，主观感知是影响消费者的主要因素(Loyola, 2018)，刻意设计的消费场所形式比地点和功能对消费者更有吸引力(Abdullah and Jian, 2020)。在地方层面，虽然可以通过问卷调查、视力追踪等方式获得居民的感知偏好(Grillini et al, 2021;Turk和Aydemir, 2010)，他们很难建立测量结果与消费场所的形式特征之间的对应关系，当需要在城市规模上进行优化时，他们的实验效率和适用性显出不足(Kushwaha等;2017）.因此，需要一种跨尺度的方法来衡量地方层面的感知偏好，并评估城市层面的消费场所服务(Wei et al, 2022)。此外，性别之间的消费偏好存在显著差异(Pei et al .， 2020)，但设计策略倾向于将消费者视为一个统一的群体(Kholod et al .， 2016)，忽略了这种性别差异，导致对两性的服务不公平(Dennis et al .， 2018)。
因此，本研究拟解决四个问题:1。如何衡量消费场所的感知偏好与形式特征之间的关系?2. 如何将感知到的偏好从地方尺度映射到城市尺度?3.如何解读地方和城市消费场所的性别差异?4.如何识别性别不平等的商业区并提出针对性的优化?本研究提出了一种从地方到城市的两性消费场所主观感知偏好映射方法。这些工具需要完成以下内容:(1)测量两性对消费场所的感知偏好;(2)测量消费场所的形式特征;(3)绘制从地方到城市的感知偏好图;(4)评估性别偏好消费场所的分配公平性。据此，选择了街景地图、卷积神经网络、全卷积网络、随机森林模型和均衡指数。
1研究区
选择北京主城区作为研究区域的原因如下:(1)由于“单中心”的城市结构，北京商业区的发展极不均衡(Wang, 2016)，在城市设计过程中缺乏性别偏好因素(Stock, 2015);(2)准确获取北京市消费场所poi，采集综合街景影像;(3)根据消费场所的分布将区域划分为数百个商业区(Wang et al .， 2018)，使均衡指数能够指导对特定商业区的针对性优化;(4)该区消费功能和空间类型多样，研究结果具有较强的通用性，可为其他地区提供借鉴。
由于BSV在中国城市的覆盖率非常好(Yu et al .， 2018)，因此我们的研究将通过BSV进行，应用步骤为:(1)获取城市中所有消费场所的poi坐标，(2)在URL中输入坐标，(3)自动获取坐标的街景图像。获得的街景图像可以真实地模拟居民对消费行为的主观感知(Guan et al .， 2020)，并通过对图像的主观评分来衡量居民对相应消费地点的偏好。在每个坐标处获得的图像包含0◦、90◦、180◦和270◦四个位置的图像(Guan et al, 2020;Chen et al .， 2022)。图像采集过程如图1所示。
2卷积神经网络和全卷积网络
卷积神经网络(以下简称CNN)是一种图像分类的深度学习模型，在给定的神经网络模型下，通过多个训练和测试时代来识别图像(Wu et al, 2018)。这种方法通常用于描述街景图像的形式特征。Cai et al(2019)使用该模型通过街拍对建筑功能进行分类;Calzolari和Liu(2021)使用该模型来确定风环境的优点。此外，完全卷积网络(Fully Convolutional Network，以下简称FCN)是目前在视觉元素分割研究中广泛应用的图像分割模型(Yang et al .， 2023)，其中Dai et al .(2021)使用带有FCN的街景图像测量武汉街道的视觉感知，并分析其与居民行走心理压力的相关性;Khan等(2022)通过FCN计算墨尔本街道尺度植被覆盖度;Liu et al .(2020)利用FCN识别广州市贫困地区;Yang等人(2019)将OpenStreetMap与FCN结合起来评估自动驾驶的安全性。
在本研究中，CNN和FCN的应用分为两个阶段:(1)前视图像识别;(2)视觉元素分割;
(1)第一阶段是过滤出最能代表消费场所视觉特征的前视图像。因此，我们首先通过小样本数据集训练CNN模型来识别前视图像和其他图像的视觉特征，然后使用训练好的模型在每个坐标处过滤掉前视图像，如图2(a)所示。(2)第二阶段是描绘前视图像中的主要视觉元素，并评估元素在前视图像上的分布比例。因此，我们首先训练FCN模型，通过小样本量的数据集来识别选定的视觉元素，然后使用训练好的模型从前视图像中勾画出元素，并计算它们在farade上的比例，如图2(b)所示。3随机森林模型
随机森林模型是一种无监督机器学习模型。它通过对局部样本进行多次训练，建立样本特征与投票情况之间的映射相关性，并能预测整个样本的投票情况(Breiman, 2001)，具体步骤如下:(1)利用bagging原理提取局部样本;(2)从所有被测量的特征中提取特征子集，并在每次分割决策树时选择最优特征;(3)生成各种决策树，并分析每棵树的预测结果，找出映射相关性;(4)通过相关性为所有样本的投票结果分配预测值(Fang et al .， 2011)。对于给定训练数据集预测值按公式(1)计算:
4平衡指数
均衡指数衡量资源分配的公平性，被广泛用于评价绿地、公园、养老设施等的服务质量(Day, 2008;Zhou et al .， 2013)。该指标首先将研究区域划分为大小相等的子区域，然后计算每个子区域的目标资源储存量(Shen and Wen, 2021)。该方法有两种测量方法(图4):相对平衡指数描述了每个子区域的资源量与居住面积的比例;绝对均衡指数计算资源与相应子区域面积的比率。
由于消费场所分布与周边居住人口相关(Niu et al .， 2018)，本研究采用相对均衡指数。此外，消费活动不仅发生在商业规模范围，也发生在社区规模范围，社区规模与居民的日常生活接近，因此根据消费偏好，选择500 m和1500 m两个分区域网格来衡量社区规模和商业规模的分配公平(Ren, 2017)。均衡指数计算公式(2)：
1形式方面的性别差异
以每个元素的面积除以四个元素与建筑元素的面积之和计算的四个视觉元素在每个POI中的建筑立面上的面积比例为自变量，以映射的偏好得分为因变量，按性别计算Pearson相关系数。作为比较，我们还对每个性别的30*500(30个参与者，每个评分500张图像)样本图像中四个元素和手动得分的比例进行了Pearson相关分析。结果如表3所示。
雌性的“招牌”和“柱子”比例随偏好水平的变化而变化，随着偏好得分的增加，招牌和柱子的比例从0.141增加到0.188，而女性的招牌和柱子的比例则从0.105略微增加到0.092，并呈总体下降趋势。绿化和窗的比例变化规律不明显。对于男性来说，招牌和柱子的比例随偏好水平而变化。随着偏好得分的增加，绿化比例从0.147下降到0.077，绿化比例从0.091上升到0.164，绿化和窗户比例无显著变化。
2功能方面的性别分化
结果显示，性别对消费场所的偏好在功能上存在差异:餐饮的男女得分都很高(男性为1.30分，女性为1.17分);休闲在两性中的得分都较低(男性为0.83，女性为0.79);男女在购物方面的得分都在1分左右;男性的“观光”得分为1.23分，明显高于女性的0.84分。在餐饮方面，女性偏好空间品质较好的西式正餐和caf&tea，得分均在1.45以上;男性在这一类别中得分更为平衡，均超过1.25，而快餐店和咖啡和茶功能的得分超过1.35。在休闲方面，得分主要在1以下，但女性对美容院的得分为1.59分，男性对按摩院的得分为1.22分。对于购物，虽然男性的整体得分更高，但女性在购物中心的得分为1.59，高于男性的1.38。在观光方面，男性对风景区的得分为1.41，而女性对公园和广场的得分仅为0.64。
总体而言，男性更喜欢餐饮的大部分子类别，而女性只喜欢空间质量较好的餐饮场所。男女对购物的偏好是一致的，而且是现代的设计好的购物中心对男女都有吸引力，而男性对购物的其他子类别比较冷漠，女性对这些子类别有一定的厌恶。男女对Leisure的偏好反映了他们各自的休闲偏好:男性更喜欢通过按摩来放松，女性更喜欢通过美容来消磨时间。观光的风景区对男性更有吸引力，而女性对这一特征的吸引力较小，对公园和广场的吸引力更大。
本学习室创建了3个学习交流群，来自各地高校和研究所，涵盖本科、硕士和博士群体，交流群每天活跃度非常高。
想加入交流的加小编微信邀请进群（扫描下方二维码咨询报名或菜单栏“联系我们”选项框都可以找到小编哟）。注意，咨询加群验证信息请备注为“研究方向-加群”格式，如“LULC-加群”。
