【论文分享】基于街景图像识别和深度学习的针对不同移动能力老年人的街道步行可达性研究——以南京成贤街社区为例
发布时间：2024-11-16 07:00 浏览量：2
全球老龄化趋势加剧, 许多城市中老年人数量不断增加，而现有街道和社区基础设施往往未能满足其步行安全和便利需求。本次我们给大家带来一篇SCI论文的全文翻译，该论文通过探讨不同步行能力的老年人对城市步行环境的需求，提供了关于如何改善城市街道的详细指导，以提升老年人的步行安全感、舒适感和兴趣感。该研究提出了“老年人步行能力地图”的概念，为老旧社区的适老化改造提供了实际的设计建议。
【论文题目】
A study on street walkability for older adults with different mobility abilities combining street view image recognition and deep learning – The case of Chengxianjie Community in Nanjing (China)【题目翻译】
基于街景图像识别和深度学习的针对不同移动能力老年人的街道步行可达性研究——以南京成贤街社区为例【期刊信息】
Computers, Environment and Urban Systems, Volume 12, September 2024, Page 102151.【作者信息】
Yinan Chen, 东南大学建筑学院,中国，220210083@seu.edu.cnXiaoran Huang, 华北工业大学建筑与艺术学院，中国，xiaoran.huang@ncut.edu.cnMarcusWhite, Centre for Design Innovation, Swinburne University of Technology, Hawthorn, Australia, marcuswhite@swin.edu.au【论文链接】
https://doi.org/10.1016/j.compenvurbsys.2024.102151【关键词】
街道可步行性; 高级分类；街景图像；机器学习；适老化城市。【摘要】
中国正处于步入老龄化社会的边缘，导致对老年友好型街道环境的需求不断增长。然而，以往的研究很少关注老年人不同的步行需求。为了填补这一空白，本研究调查了街道环境与不同身体能力的老年人主观感知之间的关系，重点关注安全、舒适和兴趣。老年人根据其身体活动能力被分为三类。使用 TrueSkill 算法开发了一个在线图片选择网站，以获取这三种老年人对样本图片的感知评分。将图像分割和深度学习相结合，提取街景因素指标，并利用机器学习训练了该区域所有街景图片的评分预测模型。研究发现，三种类型的老人，即独立型老人（A）、辅助型老人（B）和依赖型老人（C），在主观感知方面存在差异。类型 A 老年人可能被与步行相关的因素所吸引，尽管这些因素对安全和舒适性有负面影响；类型 B 老年人更关心街道条件的安全和舒适性。类型C 老年人更容易受到无障碍通道和可见性的便利性的影响。本研究通过提供针对不同身体能力老年人主观步行感知的研究框架，为步行性研究做出贡献。此外，可视化的步行性地图可以作为建筑师和城市设计师的参考，在以人为本的计算分析、评估和设计帮助下，进一步加强老年友好型社区的发展。
【前言】
根据第七次全国人口普查（Tu et al., 2022），中国正在经历前所未有的老龄化人口危机，60岁以上和65岁以上老年人口比例在2020年分别飙升至18.70%和13.5%。现代医疗保健的进步和社会福利制度的改善导致预期寿命延长。然而，这些因素也推动中国从老龄化社会（7%–14%）向老龄化社会（15%–20%）过渡。世界卫生组织（WHO）在2007年发布的一份报告预测，到2050年，老年人口比例将超过儿童人口比例，其中80%居住在发展中国家（Global age-friendly cities: A guide, 2007）。作为最大的发展中国家，中国面临着巨大的人口压力和医疗资源相对短缺的困境。参与日常体育活动，如散步，有助于改善老年人的心理健康和减少慢性病（Li et al., 2023）。这反过来可以帮助减轻医疗负担（Jr.Towne et al., 2018）。因此，鼓励老年人进行定期散步和体育活动不仅有利于他们的健康，也有利于社会的可持续发展。
老年人参与步行活动的意愿与社区街道的建成环境密切相关（Joseph & Zimring，2007）。因此，解决当前城市街道，特别是历史悠久的住宅社区的“老龄化问题“同样重要（Sun et al.，2020）。这些问题包括街道拥堵、维护不善、人行道非法占用、城市家具不足、缺乏急救设施以及道路高度复杂（Yu et al., 2019）。这些问题给老年人出行和参与体育活动带来了极大的不便（Van Hoof et al., 2021）。研究表明，与其他年龄组相比，老年人往往会经历不同程度的身体障碍，并且由于步行相关的限制，他们的日常出行距离往往较短（Huang et al., 2019）。他们更喜欢靠近住宅区的街道和公共空间（Barnes et al., 2007）。因此，改善街道的建成环境，使其对老年人，特别是老年人比例较高的老旧社区，更加安全、舒适和吸引人至关重要。
以往的研究往往将老年人视为一个同质群体，但最近的研究开始注意到该群体内部的差异，特别是在关于街道可步行性的基于年龄的研究中（Ghani et al., 2018）。随着年龄的增长，虽然整体步行能力往往会下降，但老年人之间这种下降程度存在很大差异。例如，一项研究发现，近一半的老年参与者在长距离步行测试中仍然具有良好的步行能力（Brach et al., 2007）。另一项研究表明，老年人的功能水平与其累积的缺陷相比，与年龄的关系更为密切（Arnold B. Mitnitski et al., 2001）。然而，身体机动性对老年人街道可步行性的影响却鲜有关注。目前尚不清楚街道的建成环境如何影响不同步行能力的老年人，以及他们对街道环境的期望改进是什么。然而，利用新兴技术有可能帮助理解老年人视角下的步行环境。此外，虽然街景图像和语义分割提供了定量分析建成环境要素（如绿化、天空可见度和街道围合）的工具（Z. Gao et al., 2021），但以往的研究主要依赖于谷歌、百度和高德等平台提供的图像，这些图像是由固定在汽车上的摄像头拍摄的（Rundle et al., 2011）。这些图像更侧重于车辆视角，而不是人类视角，可能无法真实反映行人观察到的街景。街道沿线的商店、被路边停车遮挡的人行道以及街景车辆和行人之间眼高和视角的差异，往往没有得到充分的讨论。这种差异似乎与这些研究倡导的人本化方法相矛盾。
为了解决上述差距，本研究旨在通过以人为本的街景图像(street view images, SVIs) 来调查客观步行感知方面的差异，同时考虑老年人不同的身体活动能力。
本文的其余部分分为以下四个部分：在第二部分，我们对老年人步行和步行性评估方法进行了文献综述。在第三部分中，我们介绍了老年人研究地点和分类方法，并借鉴客观街道环境和主观步行感知，建立了老年人步行性评估方法。然后，我们从抽样的SVIs中收集相关数据进行相关性分析，并提出了一种将机器学习整合到所有SVIs评分中的街道步行性评分方法。在第四部分中，我们首先描述和分析了建成环境数据和老年人步行感知数据。然后，我们讨论了两种层次的建成环境因素与不同类型老年人步行安全、舒适度和兴趣评分之间的关系。最后，基于这些相关性，我们预测了所有 SVIs 的步行感知评分，形成了三种类型老年人的最终步行能力地图，为未来社区适老化改造的选址和改造建议提供了详细的参考。在最后一部分中，我们讨论了该研究的结论、局限性和未来研究方向，旨在为类似老城区的老年人居家改造提供研究框架，并促进适老化城市的建设。
【文献综述】
2.1. 街道步行性的定义
行人友好街道的概念起源于 20 世纪 50 年代，路德维希·希尔伯塞默设计了可步行社区的街区，这些街区分布在公共公园和花园的网络中，与交通隔绝（Denny & Waldheim，2020）。这种行人友好街道的概念在 20 世纪 60 年代继续发展，当时不同国家的学者和城市规划师挑战了以汽车为中心的现代主义。从 20 世纪 90 年代后期开始，步行性概念逐渐受到美国政府的关注，这是对不受控制的机动交通增长带来的挑战的回应（Southworth, 2005）。在新西兰交通部与 Abley 交通咨询有限公司合作进行的一项调查中，步行性被定义为建成环境促进行人移动的程度（Abley & Turner，2011）。Southworth 将步行性定义为一种空间属性，它引导和鼓励步行（Southworth, 2005）。
2.2. 老年人街道可步行性
2.2.1. 步行对老年人的重要性
步行作为一种便捷、廉价且风险较低的体育活动，在老年人中备受青睐并普遍采（Michael & Cunningham，2004），因为它能显著降低患慢性病的风险，并减缓身体机能的衰老过程，带来显著的直接健康益处（Michael & Cunningham，2004）。这些益处包括降低肥胖、糖尿病（Stochl et al., 2016）、功能障碍（McAuley et al., 2006）和痴呆（Mitra et al., 2015）的发生率，以及改善认知功能，而认知功能往往会随着年龄的增长而下降（Yaffe et al., 2001）。在心理健康方面，老年人往往会在退休过渡期经历心理上的痛苦（Silver, 2018），这会导致包括疲惫、孤独和无助在内的精神挑战（Seth, 2017）。参与户外步行可以显著缓解这些问题，因为它可以增强老年人对自然环境的感知，并促进社交互动（Bertera, 2003）。因此，步行是老年人缓解心理问题的常用方法（Cerin et al., 2013）。
2.2.2. 建成环境对老年人步行行为的影响
步行频率与城市街道环境密切相关（Owen et al., 2007）。以生活为导向的街道在中国城市街道中占很大一部分，是老年人在城市环境中进行日常步行活动的主要公共空间。日常活动范围内的建成环境对老年人的步行活动有重大影响（Booth et al., 2000）。不完善的环境会阻碍老年人出行活动，而更安全、更舒适的环境则可以培养老年人对周围环境的积极态度（Cunningham et al., 2005），鼓励他们步行、参与活动并与他人进行社交（Duncan et al., 2009）。公园等公共开放空间（Giles-Corti et al., 2005）、多元化的街道商店、充足的绿化（Yang et al., 2019）、优质的人行道和步行设施、独特的街道美学、优质的公共照明以及休闲设施可以吸引老年人参与步行活动（Bjornsdottir et al., 2012）。街道垃圾和高层建筑会对老年人的步行体验产生重大影响（Borst et al., 2008）。
2.3. 街道步行性评估方法论
随着步行性测量和评估的进步，各种精细的评估方法应运而生，可以分为三种类型。
2.3.1. 建成环境的客观评价
第一类主要关注街道物理条件（如绿化、街道宽度、人行道、天空可见度等）的客观评价，主要通过实地调查、照片分析和空间句法分析进行。研究人员对六个区进行了实地调查，并确定了影响行人路线选择的因素，包括住宅密度、零售用途和土地利用(Rodríguez et al., 2009)。2007年，美国学者提出了“步行评分”，一个综合评价指标，用于衡量环境的可步行性和步行目的(Carr et al., 2010)。近年来，计算机技术的进步，特别是SVI和语义分割，使研究人员能够更加细致准确地关注街道环境的各个组成部分(Ye et al., 2019)。例如，一些研究集中在街道绿化(Hao & Long, 2017)、街道颜色(Gu & Jiang, 2013)、街道天空视景因子(Yang & Ma, 2015)以及街道沿线的兴趣点(POI)分布(Fan et al., 2019)。
2.3.2. 步行感知的主观评价
第二种类型主要围绕对行人主观步行体验的评估，例如他们对街道的评价以及他们对街道环境的反应。它通常采用问卷调查、访谈和专家评级等方法来间接获得对步行体验的见解。2001年，交通研究实验室（TRL）开发了行人环境评估系统（PERS）（Kelly et al., 2011），Sallis引入了社区环境步行性量表（NEWS）（Cerin et al., 2009）。近年来，人们越来越关注基于人因工程的街道评估方法，以更准确、更直接地测量人们对环境的主观感知（Zhang, 2021）。这些研究结合了神经生物学反应设备，例如眼动仪来观察参与者的注视落在哪里，或便携式脑电图（EEG）来收集对周围环境的实时生理反应（Cho et al., 2022）。
2.3.3. 建成环境与步行感知的综合评价
第三类主要研究基于SVIs和众包评分的客观环境与主观步行体验之间的相关性分析（Seresinhe et al., 2018；Xu et al., 2022）。相关性分析定量地描述了建成环境、步行活动和体验之间的关系，采用回归分析和离散选择模型等统计相关性分析模型来探索其相互影响的机制（Qiu et al., 2023）。在此方法的基础上，建立了街道可步行性评分系统。例如，麻省理工学院媒体实验室的“Place Pulse”项目将大规模SVIs与众包评分相结合，通过其在线网站评估不同维度上的成对图像。这种方法生成了一种机器学习数据集，可用于评估众多街道空间的质量（Salesses, 2013）。在中国，清华大学的龙颖提出了一个以人为本的街道质量评价体系（Long & Ye，2016）。它将通过图像语义分割获得的建成环境中各种主要元素的比例与城市设计质量的主观感知因素相结合。
在本研究中，我们重点关注第三种方法，因为它将客观建成环境与主观步行感知相结合，从而提供了一种全面的研究方法。
【研究数据与研究方法】
本案例研究在南京成贤街社区进行，旨在探究街道建成环境与不同行动能力老年居民的主观感知之间的关系（图1）。为了衡量建成环境，我们最初使用手持摄像设备从行人视角手动收集研究地点的街道视觉指标（SVI-I）。然后，我们利用街景分割提取所有元素，并形成主要（因子B-I）和次要建成环境因素（因子BII）。为了评估主观步行体验，我们抽取了264张图片，创建了一个评分数据集（SVI-II）并建立了一个评估网站。随后，邀请老年人并根据其身体能力将其分为三组，每组评估SVI-II，以提供主观感知数据。通过分析SVI-II及其感知数据，我们可以检验建成环境与行人步行感知之间的关系。随后，基于选出的前15个次要因素和SVI-II的主观评分，采用机器学习技术预测所有收集图像（SVI-I）的可步行性评分，从而能够评估整个区域的可步行性及其与3种类型老年人的因子B-I之间的关系。我们希望这项研究能够深入了解老年人不同身体能力与其对街道可步行性的感知之间的关系。
3.1. 研究地点
研究地点为南京市玄武区成贤街社区（图2）。该社区占地面积0.8平方公里，历史悠久，涵盖住宅、商业、文化教育等多种功能。最初，在20世纪90年代之前，该社区主要作为住宅和教育区。然而，随着城市发展的推进，商业服务逐渐在街道上涌现。当地人口中老年人比例较高，2015年60岁以上居民约占24.09% (Li & Li，2019)。不幸的是，该社区的建成环境随着时间的推移而恶化，导致街道景观缺乏步行友好的基础设施，特别是对于老年人而言。
3.2. 街景图像数据的收集和预处理
为了克服之前提到的使用汽车获取的SVIs的局限性，本研究手动从行人的角度收集了SVIs。DJI Pocket 2被用作街景图像收集的设备，它提供了稳定性并确保了视频录制过程中的画面一致性。收集过程包括四个主要步骤：
a)道路分类：成贤街社区的街道根据其日常使用情况分为两种类型（图 3e）。Rd A 指的是蓝色道路，交通分离，两侧均设有供行人使用的便道。Rd B 指的是红色道路，交通混合，要么没有便道，要么现有的便道状况不佳，导致行人和车辆共用道路。将道路分为这两种类型主要是为了方便随后从行人的角度采用两种不同的方法来收集SVIs。
目前，类似研究中使用的SVIs通常是由沿车道行驶的街景车收集的（图3c），这与行人的视角（图3b，d）存在很大差异。这种视角只适用于混合交通道路（例如，图3e中红色所示的Rd B），而对于隔离交通道路（即，图3e中蓝色所示的Rd A），行人通常在两侧的人行道上行走。
因此，为了有效地代表行人视角，本研究提出了两种收集 SVI 的方法。
b)视频录制：对于 Rd A（例如，图 3e 中的蓝色道路），使用 DJI Pocket 2 在人行道上以恒定速度行走时进行视频录制。对于 Rd B（例如，图 3e 中的红色道路），在沿道路以恒定正常步行速度行走时，拍摄了一段视频。这种方法允许从行人视角收集 SVI，提供更准确的行人街道景观表示，并提高研究结果的可靠性。
c)SVIs 的提取：使用 OpenCV 将记录的街景视频以 5 秒的间隔分割成行人视角的 SVIs。此过程共产生了 669 张图像，这些图像构成了本研究的行人视角 SVIs 数据库 (SVI-I)。
d)生成收集点的 SVIs：为了解决记录视频中缺乏地理信息的问题，根据每个道路对应的 SVIs 的数量，为每个道路生成了等距点。这导致了总共 669个 SVI-I 点（图 3f）。
3.3. 建成街道环境评估
3.3.1. 街道建成环境评价的四个主要因素
遵循 Ewing 和 Handy（2009）提出的成熟的城市设计质量量化模型，本研究最初确定了四个主要因素：意象性、封闭性、人性化尺度和复杂性。选择这些因素是为了便于对后续街道环境要素进行分类，并为提升老年友好型城市设计的客观质量提供指导。在本研究中，“透明度”未被考虑，因为在后续 SVIs 的可识别要素中没有相应的次要因素。意象性是指特定地点的特征，使其与其他地方区分开来，使其易于识别和记忆。根据 Ewing 和 Handy 的说法，封闭性是指建筑物、墙壁、树木和其他视觉元素在多大程度上定义了街道和公共空间的外观。它包含了被定义空间包围的感觉。人性化尺度是指与人体尺寸成比例且与个人步行速度相对应的物理元素的大小、纹理和排列。它强调设计舒适且便于行人使用的环境的重要性。复杂性描述了特定地点的视觉复杂性和丰富程度。它包含了各种元素的排列，例如建筑细节、植被和街道家具，这些元素有助于环境的视觉趣味性。
3.3.2. 街道建成环境评价的次要因素
SVI-I 数据集被分割以识别街道建造环境元素，并提取客观建造环境评估的次要因素（因素 B-II）。为此，使用了 Cityscapes 数据集和 ADE20K 数据集的组合。Cityscapes 数据集（Cordts et al., 2016）通常用于城市街道场景分析，主要包括常见的户外元素，如车辆、树木和行人。然而，它在识别较小规模的物体（如椅子、雕塑和标志）（图 4）方面效果较差。为了弥补这一局限性，还采用了ADE20K 数据集，该数据集允许更精确地识别小规模物体（Zhou et al., 2017）。这两个数据集构成了街道视图分割的组合训练数据集。然后，使用该组合数据集训练了 Segformer 模型，Segformer 模型是一种用于图像语义分割的相对较新的深度学习模型（Xie et al., 2021）。Segformer 专门设计用于处理高分辨率图像，与其他图像语义分割模型相比，它展示了更高的识别精度。它在 Cityscapes 数据集上获得了 84.6% 的 mIoU（平均交并比，用于衡量识别精度的指标），在ADE20K 数据集上获得了 53.2% 的 mIoU。通过利用在组合数据集上训练的 Segformer 模型，该研究能够以比使用任何一个数据集更准确、更详细的方式识别和分割 SVI-I 数据集中不同尺度的街道建造环境元素，从而能够提取客观评估建造环境的次要因素。
图4. 使用Segformer模型在cityscape和ADE20k数据集上的图像分割比较
3.4. 老年人步行感知评估
3.4.1. 基于行动能力的老年人分类
在传统研究中，老年人通常根据年龄组进行分类，例如年轻老年人（60 至 69 岁）、中年老年人（70 至 79 岁）和高龄老年人（80 岁以上）(Forman et al., 1992)。然而，重要的是要注意，老年人行动能力下降并不仅仅取决于他们的生理年龄。相反，它受其实际身体状况的影响。在中国，养老院根据老年人的认知和行为能力将他们分为五组：自理、辅助照护、护理、全照护和重症监护(Hu, 2017)。考虑到最后两组包括丧失认知能力的老年人（未纳入本研究），在与参与本研究的养老院专家协商后，我们根据老年人的身体能力提出了三种类型的老年人，建立在原有分类的基础上。
类型 A：独立老人 - 此类老人具有良好的行动能力，能够在日常行动中轻松行走，无需任何辅助设备。他们展现出高度的功能独立性，能够在没有额外帮助的情况下保持行动能力。
类型B：辅助型老年人 - 此类别包括行动能力一般的老人，其特点是下肢活动能力有限。这类人可能偶尔或经常依靠拐杖等辅助工具来辅助行走。虽然他们的行动能力可能受到一定程度的限制，但他们仍然能够在辅助工具的帮助下保持一定程度的独立性。
类型C：依赖型老人 - 此类别包括行动能力差的老人，导致其独立行走能力严重受损。此类别中的大多数人无法行走，需要使用轮椅等工具来帮助他们行动。他们的身体局限性需要更高水平的帮助和支持来完成日常活动。
通过采用这种细化的细分方法，我们旨在捕捉到研究中老年人身体状况和行动能力限制的异质性。认识到年龄本身不足以代表老年人面临的功能能力和行动能力挑战的范围，我们的方法可以更细致地了解身体状况对老年人步行能力的影响。
3.4.2. 行人感知评估网站设计
鉴于样本群体的特殊性，手动评定SVI-I数据集中的所有669张图像存在很大挑战。为了解决这个问题，我们采用了两步法。首先，我们从SVI-I中抽取了264张图像（SVI-II）供老年人选择，以获取他们通过在线网站获得的主观感知评分。SVI-II中的照片是基于每两个采样点一个的规律模式获得的，并在去除无效或相似的照片后，数量足以满足后续训练需求（Qiu et al., 2021）。然后，这些评分被用作机器学习的训练集，以预测所有图像（SVI-I）的评分。
评估网站的开发基于 Ewing 和 Handy (2009) 提出的城市设计质量三个主观感知要素：安全、舒适和兴趣。为了将选择偏好转化为分数，我们利用了 TrueSkill 算法 (http://47. 96.231.92:8081/webNew/, 图 5)。TrueSkill 算法是一种基于贝叶斯图形模型的概率方法，用于对游戏中的玩家进行评分，并且由于其在可变性和不确定性方面与 Elo 和 Glicko 相比的优异性能，以及在多玩家和自由混战匹配规则方面 (Ralf Herbrich et al., 2006)，它也被用来根据选择偏好获得 SVIs 排名分数 (Naik et al., 2014)。在本项目中，我们的主要研究群体包括三种类型的老人。因此使用这种方法来研究该特定人群的主观偏好是合适的。我们将一个问题中的四个随机图片选择视为四个玩家，选出的图片是每一轮游戏的获胜者，这可以被视为一场四玩家的混战游戏。针对三种类型的老人分别进行了调查，以便获得他们的主观感知评价。步行感知评价网站的设计避免了引导性问题，要求参与者选择最符合其感知的图片描述。以“安全”为例，我们在问题下方对安全进行了清晰的解释，以确保所有参与者对该概念有基本了解。随后，受访者被展示四个随机显示的图像，并被要求选择最符合他们对“安全”期望的图像。通过这种方式，我们希望克服传统文本调查的局限性，减少主观偏差，获得更能反映参与者主观体验的评价结果。
图5. 基于TrueSkill的SVI-II图片行走感知评价网站。
3.4.3. 调查受访者的特征
本研究的调查于2022年12月12日开始，历时约8周。参与者主要包括31位居住在苏州和南通养老院的非研究场所的老人。此外，我们还从网上和研究场所周边地区随机抽取了一些老年人，最终共计52名参与者（由于这些老年人是从随机样本中抽取的，出于对部分个人隐私的尊重，他们的年龄数据不可用）。在年龄数据可用的前31名受访者中，我们观察到以下年龄特征：12人被归类为A型，平均年龄为71.4岁；10人被归类为B型，平均年龄为83.4岁；9人被归类为C型，平均年龄为78.4岁。这些发现可能表明，在老年人群体中，年龄与步行能力之间并不存在严格的负相关关系（但也可能是由于我们的样本选择，因为年龄较大的C型老年人可能缺乏参与此调查的认知能力或意愿）。因此，仅依靠年龄作为研究分类标准可能会存在一定的局限性。通过这部分数据，我们试图强调在评估老年人街道步行能力时，需要考虑年龄之外的其他因素的重要性。
3.4.4. 主观感知评分数据集
我们鼓励老年参与者尽可能地在SVIs数据库（SVI-II）中进行多次比较，以进行更多比较。这可以使评级Sigma（评级置信度，默认值为8.3…，随着比较次数的增加而降低）降低，并提高TrueSkill算法Lee, 2019；Ralf Herbrich et al., 2006的 “4p自由竞争”模式下的排名可靠性。通过结合TrueSkill算法，我们确保了基于老年人进行的比较对SVIs进行稳健和准确的评估。
3.5. 机器学习与评分预测
在获得 SVI-II 的评分结果后，这些结果被用作机器学习的训练集。随后，对因子 B-II 进行特征选择，然后将训练好的模型应用于 SVI-I 的评分。这个过程最终得出了所有 SVI 的预测得分。为了进行特征选择和最终得分预测，使用了在Python 中实现的开源机器学习库 Scikit-learn。
3.5.1. 建成环境要素的选择
并非所有建成环境因素都会影响对老年人主观感知评分的预测（Qiu et al., 2023）。因此，为了提高机器学习模型的预测性能，我们使用Shapley值对因子BII中的元素进行了特征选择。Shapley值是由劳埃德·沙普利提出的一个参数，用于评估合作博弈中玩家的贡献（Roth, 1988）。通过计算生成的SHAP值，我们确定了影响每种类型老年人对安全、舒适和兴趣的主观感知的15个主要因素（表7）。这些选定的因素随后被用作机器学习算法的输入特征，以预测SVII中所有照片的安全、舒适和兴趣评分。
3.5.2. 模型选择与主观感知评分预测
鉴于此步骤的目标是利用建成环境因素预测主观感知得分，因此需要采用回归算法，因为它适合预测多个连续变量的值，例如步行感知得分。考虑到不同的机器学习模型各有优劣，我们选择了五个在城市设计研究中常用的机器学习算法模型：线性回归（LR）、随机森林（RF）、梯度提升（GB）、K近邻（KNN）和支持向量机（SVM）。为了确定最适合最终得分预测的模型，我们比较了它们的性能指标，主要关注R平方（R2）和平均绝对误差（MAE）。根据这些指标，表现相对较好的模型被选中用于最终得分预测。
【研究结果与讨论】
4.1. 建成环境的描述与分析
在进行图像分割后，我们提取了22个街道环境元素，并提供了每个元素在图像中的比例信息（我们合并了原始特征，例如，将“植被”和“树木”合并为“自然”，将“椅子”和“长凳”归类为“街道家具”等）。该数据集在均值和标准差（SD）方面表现出显著差异，使其具有重要的研究意义（表1）。自然、建筑物、天空、行人和车辆等几种常见的物理元素被发现与老年人的步行行为密切相关（He et al., 2020；Yang et al., 2019）。
此外，该地区分布相对较少的某些步行友好设施，例如扶手和街道家具，也显示出与老年人步行行为之间的联系（on behalf of the Council on Environment and Physical Activity (CEPA)– Older Adults working group et al., 2017）。
然后，在 Ewing 等人（2013）和其他学者（Qiu et al., 2021；Xu et al., 2022）的研究基础上，我们从上述 B-II 因子列表（表 1）中识别出与主要指标高度相关的四个主要组成部分（表2，“+”符号表示正相关，“-”符号表示负相关）。
表1. 提取22个主街建成环境要素，进行图像分割和预处理。
表2. 四种B-I因子及其相应的次级B-II因子。
4.2. 主观感知的描述与分析
数据收集过程共获得了来自三种类型老年人的1319条反馈和2369张SVI-II图片条目。评分结果的平均Sigma为4.2，从8.3…下降，表明通过网站进行比较的评分置信度相对较好。初步分析表明，三种类型老年人在图像选择方面存在显著差异。以安全感为例（表3）。三种类型老年人选择的排名前15位的图像，根据其安全评分（范围从10到50）表现出不同的偏好，证明了数据结果的分析价值。
表3. 由三种类型的老年人选择的与安全相关的前15幅图像。
4.3. 相关性分析
首先，我们进行了相关性分析，以检验主观感知（安全、舒适和兴趣）与因子 B-II 中的次要因素之间的关系。该分析旨在辨别建筑环境的各个要素对老年人步行主观感知的影响。随后，基于此分析，我们探讨了在因子 B-I 所示的主要因素框架内，实现建筑环境质量与老年人步行感知之间的平衡。该框架有助于探索和识别显著影响老年人步行感知的关键因素。通过考虑这些主要因素，我们旨在制定改进建筑环境质量的方法，同时适应老年人的主观感知。
4.3.1. 安全性
表 4 展示了街道图像中所有 Factor B-II 与三种类型老年人提供的安全评分之间的关系。一般认为，当 P 值小于 0.05 时，相关性显著，当 P 值小于 0.01 时，相关性高度显著。然而，需要注意的是，这些值只是建议的阈值，并非绝对的测量标准。在本研究中，我们主要关注 P 值小于 0.01 的情况，如表 4 中用 *** 表示并以红色加粗显示（但也会讨论显著性水平为 0.05 的因素）。
表4. 因子B-II中因子与安全感知的关系。
对于所有三种类型的老人来说，安全感的感知与自然环境呈正相关，其中自然环境对A类老人安全感的感知影响最大，对B类和C类老人影响较小。这可能是由于A类老人每天不受限制的步行以及对周围绿色环境的高度关注造成的。这也与之前的研究结果相呼应，该研究表明绿道可能会引起行动不便的老人焦虑（Ottoni et al., 2021）。街具与A类老人安全感的感知呈最显著的正相关，与B类和C类老人安全感的感知呈中等相关，尽管对后两者来说，其相关性未达到0.05的显著性水平。这可以归因于以下事实：虽然街具为休息提供了便利，但其位置可能会给B类和C类老人在步行时带来不便，从而导致其对安全感的感知影响不那么明显。
所有类型老年人对安全的感知与多个次要因素呈负相关，包括建筑物、行人、骑行者、车辆和摩托车。步行环境中较高的行人密度会让老年人感到不安全，这表明他们担心被撞到和推搡（Tournier et al., 2016）。过多的行人和各种车辆的存在会增加碰撞和跌倒的风险，从而使老年人步行更加危险。特别值得注意的是，与建筑因素观察到的负相关关系。这可能是中国老城区的一种独特情况。在这些地区，建筑密度较高的老旧社区，根据相关研究，达到50%到70%的密度，可能会让老年人担心掉落物。此外，建筑因素在一定程度上的增加会加剧老年人的压抑感。
对于 A 类和 B 类老年人来说，围栏和扶手的存在对他们对街道安全的感知有显著的积极影响。这种影响对于 B 类老年人尤为明显，他们可能在行走能力方面存在局限性，步态不稳，跌倒风险更高。围栏和扶手等物体可以提供支撑，增强他们的心理安全感。然而，这两个因素对 C 类老年人的影响较小，因为他们的轮椅已经起到类似的作用。天空因素与安全感呈负相关，因为大面积的暴露天空可能会让老年人感到不安和开放，从而降低他们对安全的感知。然而，这一因素对 C 类老年人的影响较小。
对于B类，墙体因素对增强安全感也具有显著的正向影响。墙壁可以提供支撑和稳定性，这对行动不便的老年人尤其有利。需要注意的是，在Cityscapes数据集中，术语“墙”通常指的是非建筑墙体，因为建筑墙体通常被单独识别。与预期相反，人行道因素比例的增加与B类安全感感知呈微弱负相关。在我们的实地研究中，与老年人的交谈表明，他们经常选择走在路上而不是使用人行道。他们表示，由于高路缘和人行道起点没有坡道，他们难以踏上人行道。行动不便导致他们避免使用人行道。但这一点以前很少被研究（Tournier et al., 2016），应该承认，街道场景图像识别中可能存在错误，导致了这种解释。
对于C类老年人来说，道路因素与安全感呈微弱正相关。这可能是因为轮椅需要一定的转弯半径，而现有的路边人行道由于车辆和行人的存在，往往缺乏足够的空间。这表明人行道与C类人群的安全感知无关。因此，在相对平坦开阔的道路上行走，对于这部分人群来说，可能被认为更方便、更安全。这也表明，人行道上障碍物的存在会降低轮椅老年人的安全感。
这些发现强调了在评估街道场景元素对老年人安全感的影响时，需要考虑不同类型老年人的具体需求和挑战的重要性。设计能够最大程度地降低风险的环境，例如减少车辆和行人拥堵，提供支持，解决与建筑密度相关的担忧，以及为轮椅使用者提供充足的空间，可以有助于增强行动不便的老年人的安全感。
4.3.2 舒适性
与4.3.1中的“安全性”类似，表5显示了不同类型老年人中“舒适度”与因素B-II之间的关系。对于所有三种类型的老年人，与安全感知类似，自然环境的存在与舒适度感知呈正相关，这与之前关于绿色环境对老年人步行积极影响的研究结果一致（Y. Yang et al., 2019）。街道家具对舒适度的影响在B型和C型老年人中相对较小。这意味着在老年人口比例较高的社区，可能需要优先考虑融入街道绿化和城市家具，并注意其位置，以最大程度地减少对老年人步行的阻碍。
此外，建筑、骑手、车辆和摩托车的因素与舒适度感知呈负相关。这些发现表明，这些因素在影响安全感知和舒适度感知方面具有相似的趋势和机制。这表明老年人安全感知和舒适度感知之间可能存在显著的相关性。
对于A型和C型老年人来说，他们的舒适度感知与照明因素之间存在正相关关系。值得注意的是，在此背景下，照明特指照明设施的存在，而非照明条件。这一发现可能归因于这些群体中的老年人在散步时能够更多地关注街道设施。相反，B型由于行走困难，可能更重视道路本身的状况。对于B型来说，过宽的道路被发现可能降低了他们的行走舒适度。对于C型来说，虽然道路因素有可能增强安全感知，但其与舒适度感知的相关性并不显著。此外，在C型老年人中，自行车比例与步行感知舒适度之间存在显著负相关关系。这种现象可能归因于他们的眼睛高度较低（平均约为 116-122 厘米）(Floyd et al., 1966)，而普通行人的眼睛高度平均约为 152 厘米（Engineers et al., 2016）。目前自行车普遍停放在人行道上，阻挡了他们的视线，导致负面的步行体验。
这些发现强调了考虑照明设施、人行道设计和自行车停车安排等因素以改善老年人步行舒适度感知的重要性。解决这些因素有助于为老年人创造更舒适、更愉快的城市步行环境。
表5. 因子B-II中因子与舒适度感知的关系。
4.3.3. 兴趣
与4.3.1中的“安全”类似，表6显示了不同类型老年人中“兴趣”与因素B-II之间的关系。
对于三种类型的老人来说，建筑物、车辆和骑车人的存在可能会降低他们对步行环境的兴趣，而自然的存在则会显著提高他们对步行环境的兴趣，以及街道家具的存在（特别是对于C型老人）。对于A型老人来说，虽然摩托车的因素会损害他们对安全和舒适的感知，但它对他们的兴趣感知没有显著的负面影响。这与车辆不同，因为车辆的存在会显著降低步行吸引力。我们假设这可能归因于中国语境下将电动滑板车归入摩托车类别的主要原因。这些电动滑板车在外观上与摩托车高度相似，但尺寸相对较小，速度也较慢，不会阻塞街道，也不会像摩托车那样引起老年人的担忧，因此对他们对步行兴趣的感知影响并不明显。
此外，与其他两种类型行动能力受限的老年人不同，A类老年人整体行动能力较好，更倾向于选择生机勃勃的街道。街道物品和行人等因素可以提高他们在步行过程中对街道环境的兴趣，因为较少的因素与他们步行兴趣的下降有关。虽然行人的存在可能会损害他们对安全和舒适度的感知，但对他们对兴趣的感知却有轻微的积极影响。对于B类而言，人行道因素对其步行兴趣的影响不再显著，而围栏和扶手因素仍然具有显著的积极影响，表明需要在步行过程中为他们提供支持，以使街道更加适老化。与A类和B类相比，对于C类老年人，广阔天空的可见度对步行过程中对兴趣的感知没有显著影响，但照明设施的存在最可能有助于他们提升对步行的兴趣。
4.3.4. 四个主要因素和主观感知
通过增加街道绿化和街道家具的数量，可以提高街道环境的可想象性。这可以同时增强老年人对安全、舒适和兴趣的感知。然而，需要注意的是，建筑物和行人比例的增加可能会提高街道的可想象性，但可能会降低三种类型老年人的步行能力。因此，需要采取平衡的方法，以保持视觉元素的最佳比例，确保老年人既有可想象性，又有积极的步行体验。通过增加绿化覆盖率，可以改善街道的封闭性，这可以同时提高三种类型老年人的封闭性和步行能力。此外，增加墙壁的存在可以提高B 类老年人的安全感、舒适度和兴趣以及街道的整体封闭性。然而，增加建筑物的可见度却会产生相反的效果。此外，增加天空的可见度会降低 A 类和 B 类老年人的封闭性和步行性，对 C 类老年人的影响很小。关于人类尺度，增加街道家具的数量有利于改善物理空间质量和老年人的步行体验。此外，街道设施有助于提高 A 类老年人的步行兴趣。在复杂性方面，标志和街道设施对三种类型的老年人的步行体验都略有影响（除了街道设施与步行兴趣之间的正相关关系）。因此，建议重点增加街道家具的数量，以提高街道环境的丰富性，同时提升老年人的步行体验。
这些发现强调了在设计和开发老年人友好步行环境时考虑多种因素的重要性。一种平衡的方法，即考虑可识别性、封闭性、人性化尺度和复杂性，有助于创造不仅在视觉上吸引人，而且还能为老年人提供积极步行体验的街道。
表6. 因素B-II中各因素与兴趣感知的关系。
4.4. 预测结果分析
4.4.1. 建成环境要素选择结果
根据SHAP值的排名，我们确定了影响三种类型老年人（在表7中用圆圈表示）感知的15个最重要的建成环境因素。这些因素被归类为9个组。随后，这些因素被应用于五个选定的机器学习算法，以比较它们在预测老年人感知方面的性能。
在三种老年人类型中，自然和车辆的存在都成为重要因素。自然对A型和B型老年人的安全影响最大。对于B型，摩托车被认为是最重要的因素，显著降低了他们对安全的感知。此外，自然对三种老年人类型的舒适度感知都有着最显著的积极影响。相反，车辆和摩托车的存在显著降低了他们对步行的兴趣。
表7. 选择因子B-II中排名前15位的建筑环境元素。
4.4.2. 机器学习的性能
五个选定的机器学习模型在性能方面存在差异，如表 8 所示。值得注意的是，GB 模型在预测 A 型的安全、舒适和兴趣方面表现出色，在预测 B 型的安全和兴趣方面表现出色，在预测 C 型的安全方面表现出色。LR 模型在预测 B 型舒适度方面表现出最高的预测准确率，而 SVM 模型在预测 C 型兴趣方面表现出显著的性能。然而，总体而言，GB 模型在预测所有九个输出值方面表现出一致且令人满意的性能。通过在训练期间调整测试大小和随机状态，实现了高于 0.6 的 R2 值和约 3.0 的 MAE 值。基于这些结果，选择梯度提升 (GB) 模型作为预测评分的最终模型。为了测试预测模型的准确性，我们计算了 SVI-II 中 SVIs 的实际评分和预测评分的 MAE，涉及 9 个主观评分，这证明了我们预测模型的有效性（表 9）。此外，我们随机选择了两个图像，它们的实际评分和预测评分如图 6 所示。
表8. 机器学习模型的性能
图6. 随机选择的两个SVI的实际得分和预测得分。
4.4.3. 机器学习预测结果的地理可视化
为了分析方便，我们根据调查顺序给道路分配了字母名称（图 7）。为了区分同一条道路两侧的人行道，我们在字母道路名称后添加了表示地理位置的后缀（N – 北，S –南，W –西，E –东）。通过利用梯度提升 (GB) 模型预测成贤街社区所有公共道路 SVIs 的主观感知评分，然后使用 QGIS 将结果可视化，如图 8–10 所示。这种可视化清晰地展示了预测结果，并作为识别需要关注和改进的特定位置的宝贵工具，以创造更适合老年人的社区。它可以指导决策过程，并为优化老年人步行环境的针对性干预提供信息。
图7. 根据本文调查的顺序给道路分配基本的字母名称。
图8. 预测主观感知安全得分的地理分布（范围从10到50）。
图9. 预测舒适度主观感知得分的地理分布（范围从10到50）。
图10. 对兴趣的预测主观感知得分的地理分布（范围从10到50）。
通过对可视化结果的比较，可以对安全感知做出一些观察（图 8）。拥有分离交通的车道（A、I 和 J 路）往往在三种类型的老人中产生更高的安全感。相反，混合行人车辆交通的车道通常会产生较低的安全感知。然而，由于行动能力的限制，B 型和 C 型老人表现出较低的安全感知，并且对潜在的交通安全威胁更加敏感（图 8b、c）。与 A 型和 C 型相比，B 型老人更喜欢有围栏或建筑物等额外支撑的较窄车道（图8b，D 路和 W 路）。混合交通的宽阔道路往往会让 A 型和 B 型老人感到更加不安全（图 8a、b，Z 路）。
在舒适度感知方面（图 9），对于所有三种类型的老人（道路 A、I 和 J），分离式交通的道路通常会带来更高的舒适度。此外，较窄的道路，如果配备防护设施，往往会让 B 类老人在步行时感觉更舒适（图 9b，道路 D 和 B）。绿化程度较高的道路对 A 类老人舒适度感知的影响最为显著（图 9a，道路 I 和 J）。有趣的是，尽管道路 Z 存在混合的人车交通，但其整体宽度似乎有助于提高 C 类老人的舒适度感知（图 9c）。
在兴趣感知方面（图 10），值得注意的是，提供安全和舒适的道路不一定能引起老年人（道路 D、I 和 J）的高度兴趣。相反，对于 A 型老年人来说，安全性、舒适性和兴趣感知度较低的道路（图 10a，道路 Y、W、U 和 Z）如果沿途有商店和供应商，则可能具有吸引力。
可视化地图（图 8-10）可以为特定地点的适老化改进提供建议，因为即使是同一条道路，其步行友好程度也存在很大差异。通过观察地图，可以确定几个重点区域。西南区域，特别是 Z 路，是一个需要在安全性和舒适性方面进行改进的区域。得分较低的区域表明需要进行详细的设计干预和潜在的翻新，以解决这些缺陷，创造更适老化的环境。得分较高的区域具有转变为适老化示范区的潜力。通过利用步行友好程度地图，可以提高整个街区的适老化程度，为老年人提供积极和包容的步行体验。
【研究结论与局限】
5.1. 研究发现
首先，本研究通过根据老年人的步行能力对他们进行分类和研究，为老年人步行能力研究的完善做出了贡献。研究结果突出了三种类型老年人对安全、舒适和兴趣的主观感知的差异。对于步行能力较好的 A 类老年人来说，与步行兴趣相关的因素，如街道物品和人群，更受关注。结果表明，他们优先考虑存在使步行体验更愉快和刺激的 SVI 元素。正如结果所示，步行能力有一定限制的 B 类老年人似乎更关注步行环境的安全和舒适。他们倾向于关注诸如提供步行支撑的倾斜物体（例如围栏和墙壁）的存在。此外，他们对潜在的安全威胁很敏感，例如车辆/摩托车、行人以及可能阻碍他们行动的侧边人行道的坡度。C类老年人已经失去了独立步行能力，他们优先考虑步行环境中轮椅的便利性。他们重视有利于其行动的设施，例如轮椅坡道和无障碍通道。此外，他们还强调城市街道的整体质量，包括充足的照明和对自行车的考虑。通过了解每组的这些独特偏好和关注点，城市规划者和设计师可以定制干预措施和改进建筑环境，以满足老年人的特定需求。这可能包括为 A 类老年人融入与步行兴趣相关的元素，为 B 类老年人增强安全和舒适功能，并确保 C 类老年人轮椅的无障碍性和整体街道质量。
其次，本研究探讨了主观感知与客观建成环境之间的关系，特别关注随着时间推移而经历了重大退化的长期建成社区。例如，更高的建筑比例并不一定能保证老年人有更好的步行体验。虽然街道两侧拥有比例适当的建筑可以增强城市活力，但也带来了高空坠物潜在风险。因此，需要进行全面评估。此外，虽然高空可见度可能会降低行人的安全感（这适用于本研究中的 A 型和 B 型老年人），但其对 C 型老年人的负面影响并不显著。此外，虽然自行车可以成为减少城市机动化负面影响的有用工具，但其随意放置和占用人行道会降低街道对老年人的步行性。需要在创造宜人的步行空间和确保街道功能之间取得平衡，考虑自行车和摩托车对城市交通至关重要。拥有适当的自行车基础设施和指定的自行车停放区域对于促进可持续交通至关重要。可以通过提供明确定义且定期设置的自行车停放区域来解决这个问题。
研究表明，为了提升街道的适老性，减少街道上的潜在安全威胁至关重要。例如，在老年人经常出没的区域设置适当长度的步行街，可以帮助最大限度地减少摩托车和自行车对他们步行体验的影响。此外，解决诸如人行道非法占用或拓宽狭窄人行道等问题，可以显著提高老年人的安全性和舒适度。考虑到行动不便的老年人的需求，以及他们在步行过程中对额外支持的渴望，也是至关重要的。微调人行道宽度，设计建筑立面、围栏和墙壁以提供支撑，以及在道路交叉口设置无障碍坡道或降低人行道高度（特别是对于那些在所有相关标准制定之前就建成的老社区），可以极大地改善这群人的步行体验。为了提高步行兴趣和街道整体质量，用各种特色丰富街道景观非常重要。这可以包括添加街道家具、街道设施和美观照明，以营造更具吸引力和吸引力的步行环境。通过实施这些措施，可以改善街道环境，满足老年人的特定需求和偏好，促进适老化步行环境，并提升他们的整体步行体验。
第三，我们通过图片选择法揭示了受访者中隐含的需求和倾向，这些需求和倾向可能无法通过传统的问卷调查明确表达。例如，我们发现了人行道高度差异对B型老年人步行体验的影响，以及自行车泛滥对C型老年人步行体验的不利影响。这些问题在使用预设问题的传统问卷调查中可能会被忽视。
此外，与通常使用车辆街景图像的类似研究不同，我们采用了基于行人的街景视角来捕捉行人的感知。这种方法更能准确地评估行人的感受和体验，为城市建设和发展提供更以人为本的视角。通过利用图片选择和基于行人的街景图像，本研究对老年人在步行环境中的需求和偏好提供了一些有价值的见解。通过采用这种方法，我们可以更准确地评估步行体验，从而指导以行人福祉和满意度为优先的城市发展。
5.2. 研究局限性和未来可能性
本研究也存在一些局限性。首先，由于调查对象特定要求的限制，调查样本的选择受到限制，导致数据量有限。此外，我们的调查没有考虑性别或其他因素的潜在影响。此外，虽然实验承认当地老年人对SVIs的感知可能会受到当地知识的影响，而这些知识与图像本身的内容不一致（例如，特定的街景图像可能本身并不有趣，但它可能通向一个有趣的地方），但通过纳入来自另一个城市的非当地老年人来减轻这种偏差的努力可能会在结果中引入其他干扰。由于隐私和系统限制，评估网站可以记录的信息有限。年龄和参与者人数只能手动收集，这会影响在线参与者的信息。此外，我们的SVIs是在十月的白天收集的，这可能会引入昼夜和季节变化，从而影响主观感知。图像语义分割技术的准确性限制也带来了挑战。某些建筑元素，例如“窗户”或“玻璃门”，在应用于具有透视关系的SVIs时，可能难以在现有数据集中识别。此外，功能发生变化的建筑元素，例如在日常生活中可能用作座椅的石墩，会影响主观感知与建筑元素之间的关系。这些可能会导致我们模型的泛化能力有限。此外，SVIs是静态的和裁剪的，缺少塑造我们感知的关键元素（例如，声音、气味和车辆的动态运动）。
更新我们的评估网站并纳入来自不同地区、年龄组、教育水平和性别的更多元化的老年人样本，将有利于未来的分类研究。我们计划邀请更多老年人参与我们的调查，以收集纵向数据，从而提高Trueskill比较的准确性以及模型在时间和空间维度上的泛化能力。此外，可以进行专门的比较研究，以调查地方知识对当地居民和非当地居民步行性的潜在影响。在SVIs的背景下，我们未来的工作将包括收集跨越不同季节和时间的图像，以构建一个全面的街景库，从而减轻部分SVI对研究结果的影响。与气味和声音相关的元素也需要考虑。此外，在图像分割领域，我们希望训练一个新的模型来提高SVI分割的准确性和定位。通过进一步的研究，我们旨在解决这些不足，为老年友好型城市化研究做出更多贡献。
5.3. 研究结论
本研究旨在强调以行人为中心的街道活力指标的重要性，并提出基于老年人差异化步行能力研究街道步行性的视角。本研究的发现可以用于创建“老年人步行能力地图”，该地图可以用于识别对不同步行能力的老年人行走构成挑战或障碍的区域，以便进行必要的改进，并识别适合老年人安全进行步行活动的街道。通过解决这些问题，可以促进和增强与老年人步行相关的身体和心理健康益处。
中国从20世纪50年代开始的城市化进程，不可避免地导致了全国范围内广泛存在的老旧街区。这些街区不仅老年人口众多，而且由于早期建设，缺乏适老化基础设施，正如我们研究的案例地一样。虽然本研究主要以成贤街社区为案例研究，但也采用广泛的分析方法，以获得宝贵的见解和方法，适用于类似老旧街区的适老化城市更新。通过考察这些老旧街区环境改善所面临的挑战和机遇，本研究直接为城市研究领域做出贡献，并为中国各地类似社区营造适老化街道空间提供实用的设计指导。
我们旨在通过关注具有不同步行能力的老年个体以及真正以行人为导向的脆弱人群的独特视角和经验，为老年友好型城市研究领域做出有意义的贡献。通过深入了解这一特定人口群体，我们可以全面了解建筑环境如何直接影响老龄人口。我们希望揭示创造真正包容和支持老年人需求的环境的错综复杂和细微差别。
此外，我们旨在提高利益相关者对在城市规划、设计和重建过程中优先考虑老年人多样化需求的重要性认识。这也有助于引发对老年人如何看待世界各地不同地区的步行以及跨越不同文化，以及引发对老年人不同亚群对街道景观元素的不同态度的进一步研究。因此，针对老年人的“步行指数”工具可以扩展，街道步行质量相关的方面可以更加细致。此外，该研究框架可以应用于其他人口群体，例如儿童、青少年等。通过在城市设计中培养一种以安全、舒适和兴趣为重点的适老化视角，我们渴望为所有社会成员创造一个更加可持续、富有同情心和支持性的城市环境。