从平面邻近性到室内部落深度:密集城市区域中历史景观可见性的非线性价值体现
《Land Use Policy》:From planar proximity to room-level depth: Nonlinear capitalization of historic landscape visibility in dense urban districts
【字体:
大
中
小
】
时间:2026年08月28日
来源:Land Use Policy 6.6
编辑推荐:
摘要
历史景观经常被转化为住宿价格,但现有的估值框架仍然主要依赖于平面邻近性或粗略的可见性代理指标,这些指标无法捕捉密集城市环境中房间级别的三维可见性。本研究开发了一个自动化的多尺度分析框架,该框架整合了房间级别的三维视野建模、街景图像感知、语义分割和可解释机器学习,以估计北京历
摘要
历史景观经常被转化为住宿价格,但现有的估值框架仍然主要依赖于平面邻近性或粗略的可见性代理指标,这些指标无法捕捉密集城市环境中房间级别的三维可见性。本研究开发了一个自动化的多尺度分析框架,该框架整合了房间级别的三维视野建模、街景图像感知、语义分割和可解释机器学习,以估计北京历史核心区的多维度视觉可见性如何转化为酒店房间的溢价。分析得出了四个主要发现。首先,三维可见性变量,尤其是最大视觉深度,比传统的可见区域测量指标具有更强的解释能力,表明空间上的接近并不等同于深度上的可见。其次,房间溢价对视觉环境的反应是通过非线性阈值而非平滑的线性增量来实现的:适中的垂直观察条件和适度的视觉复杂性与更高的资本化相关,而周围建筑的过度视觉竞争会迅速侵蚀边际回报。第三,一旦达到关键的可见性水平,地标视觉连通性会导致租金的显著上涨,表明标志性遗产节点对附近住宿价格具有类似阈值的溢出效应。第四,视觉溢价的大小和内部结构在不同区域之间存在显著差异,表明历史核心区的资本化是空间分化的,而不是空间均匀的。通过将估值从平面邻近性转向房间级别深度,本研究推进了三维可见性的评估,并为高密度历史环境中的视野走廊保护、高度控制和差异化遗产区管理提供了操作框架。
1. 引言
历史和文化区域的视觉可见性指的是从某个视角可观察到的遗产景观的几何形状和质量,包括可见范围、视野深度和地标连通性(Wu等人,2023年;Cilliers等人,2023年;Yu等人,2007年)。它可以通过将美学质量、文化身份和地方特色转化为经济租金来影响商业财产价值和遗产保护的可持续性(Franco和Macdonald,2018年;Chica-Olmo,2020年)。酒店对此特别敏感,因为房间价格会随着楼层与周围景观的连通性而变化(Latinopoulos,2018年)。虽然宏观层面的酒店定价研究强调位置、交通和服务质量(Yang等人,2018年;Panahandeh等人,2025年),但最近的研究表明,楼层高度、窗户布局和其他微观条件可以影响房间级别的景观溢价(Li等人,2022年;Peng等人,2025a年;Ying等人,2025年)。这使得房间尺度的分析对于解释遗产价值的资本化方式以及为空间控制提供信息至关重要。视觉可见性通常通过基于几何的建模、以感知为导向的图像分析或混合框架来评估。三维GIS和建筑模型可以量化可见范围、距离和地标连通性,而街景图像和机器学习可以估计大规模下的感知敏感质量(Yu等人,2007年;Li等人,2022年;Qiu等人,2022年;Ogawa等人,2024年;Li等人,2025年)。因此,研究已经超越了二元的可见性,转向了多维度的组成、深度和环境感知(Zhang等人,2018年;Qiu等人,2023年)。最近的人工众包窗户视角研究进一步证明了大规模评估楼层级城市景观的可行性(Peng等人,2026年)。剩余的挑战是将这些房间尺度的测量结果与不同观察条件下的非线性价值形成联系起来。
基于街景图像、深度学习和空间分析的进步(Zhang等人,2018年;Qiu等人,2022年;Song等人,2022年),我们开发了一个框架,该框架整合了三维建筑模型、街景图像、兴趣点和机器学习。该框架应用于北京历史核心区内的酒店房间,包括故宫周围、什刹海和钟鼓楼周围。通过将楼层特定的可见性与价格形成联系起来,它扩展了新兴的三维估值研究(Li等人,2025年;Ying等人,2025年),并评估了可见性、感知、视觉竞争和房间溢价之间的非线性、空间差异化关联。
1.1. 视觉可见性的价值资本化机制
客观的视觉可达性通过感知和认知途径获得经济价值,包括审美愉悦、文化身份和场所依恋(Franco和Macdonald,2018年;Tan和Ti,2020年;Tang等人,2025年)。价格将这些便利设施货币化的程度可能因信息不对称、异质偏好和空间竞争而异(Kang等人,2021年;Tang等人,2025年)。享乐定价理论为将房间价格视为位置和环境属性的隐含价格捆绑提供了传统基础(Rosen,1974年),而诸如楼层高度等物理观察条件可以影响其资本化。因此,遗产溢价在空间上是不均匀的,因为符号强度、邻里环境和特定视点的观察条件会打破均匀的距离衰减模式(Lazrak等人,2014年;Franco和Macdonald,2018年;Tan和Ti,2020年)。房间尺度的估值必须考虑楼层高度、视野距离和垂直观察几何形状(Li等人,2025年;Ying等人,2025年)。
1.2. 三维视野分析和街景图像技术的整合
三维GIS视野分析、街景解析和深度学习可以共同测量可见性、开放性、封闭性、复杂性和美学质量(Zhang等人,2018年;Qiu等人,2022年;Li等人,2022年;Swietek和Zumwald,2023年)。建筑模型量化楼层特定的视图,而机器学习将语义和低级视觉特征结合成感知得分(Rossetti等人,2019年;Ye等人,2019年),并捕捉房间环境与经济价值之间的非线性互动(Qiu等人,2023年)。证据还表明,视野质量、楼层水平和窗户布局在住宿市场中的资本化是异质的(Wong和Kim,2012年;Masiero等人,2015年;Kim等人,2020年;Tang等人,2025年;Peng等人,2025a年)。最近使用街景数据和机器学习的财产价格研究也识别出非线性的视觉-环境效应(Wang等人,2026年)。这些进展共同支持了一种房间尺度的估值框架,而不是普遍单调的溢价。
1.3. 历史景观对房地产价格的影响
历史景观可以影响住宿和财产价值,但其溢价仍取决于具体情境。在有利的市场条件下,邻近性可能很重要(Lazrak等人,2014年;Franco和Macdonald,2018年;Tan和Ti,2020年),而楼层特定的通道、窗户布局和垂直观察进一步区分了房间价格(Li等人,2022年;Peng等人,2025a年;Ying等人,2025年)。空间竞争、天际线连续性和更广泛的城市背景也影响这些效应(Kang等人,2021年;Luo等人,2025年),因此不同研究之间的差异可能反映了空间尺度和视觉测量的差异,而不是资本化的缺失(Dai等人,2023年)。
仍然存在两个差距。首先,估值研究仍然主要依赖于平面距离或粗略的可见性代理指标,导致房间级别的视野深度、垂直几何形状和地标连通性发展不足(Franco和Macdonald,2018年;Dai等人,2023年;Li等人,2025年;Li等人,2025年)。其次,关于窗户视角布局、感知、遮挡和空间竞争在房间尺度上的非线性互动的证据有限(Li等人,2022年;Peng等人,2025a年;Ying等人,2025年)。因此,我们将历史景观的价值概念化为一个三维暴露过程。该框架通过以下方式做出贡献:(1)用房间级别的深度、几何形状和视觉竞争指标替代平面或建筑级别的代理指标(Li等人,2025年;Ying等人,2025年);(2)在一个估值模型中整合空间暴露、图像感知和遮挡;(3)识别历史城市环境中的非线性和空间差异化的资本化模式。
2. 数据和方法论
2.1. 研究框架
我们的分析框架旨在确定历史区域内房间级别的视觉可见性如何转化为经济租金。该框架分为四个相互关联的阶段(图1),每个阶段解决传统估值研究中的一个特定限制。
首先,我们收集楼层特定的房间数据以及高精度的三维城市模型,构建一个基于视野的测量流程,能够捕捉单个房间的实际观察条件,而不是依赖于平面邻近性或整个建筑的平均值。然后使用多模态城市数据集,包括模拟的全景街景图像和兴趣点层,以补充几何可见性,提供感知和位置信息。
其次,对于每个房间级别的观察单元,我们推导出一个多维度指标系统,该系统结合了三维空间暴露、图像感知特征和视觉竞争指标。这一步骤不仅是为了描述可见环境,还包括捕捉在密集历史环境中视觉可见性如何获得经济意义的多种渠道。
第三,我们使用Lasso回归和方差膨胀因子诊断来减少维度,并分离出最具信息量的变量,从而限制了大量高度相关的视觉指标之间的冗余。
最后,我们通过一个可解释的机器学习框架结合空间控制来估计非线性剂量-反应关系,使我们不仅可以确定哪些视觉维度很重要,还可以确定它们是如何、在哪里以及在什么条件下被资本化到房间价格中的。这样,该框架从视觉测量转向估值识别,为理解历史城区内的房间尺度资本化过程提供了实证基础。
2.2. 房间特定经济租金的微观校准和量化
本研究的核心解释变量是房间特定的房间价格。在享乐定价理论的城市经济学分析框架下,房间的实际交易价格不仅仅反映了物理住宿空间的交换价值,还作为一种机制,消费者通过它表达出对一系列隐含环境属性(如微位置特征、内部设施质量和窗外视觉景观)的支付意愿。为此,2026年1月10日,我们利用定制的分布式网络爬虫技术,从中国领先的在线旅行平台Fliggy收集了2025年整个年度北京核心功能区内酒店的房间预订和真实客人评论信息,初步样本量超过260,000条记录。
为了确保房间价格信号的客观性和空间可比性,本研究对这些原始记录进行了清洗和标准化处理。首先,我们剔除了由法定假日、大规模城市事件或商业促销引起的价格波动样本,以避免短期内市场供求不平衡对基本环境溢价信号的扭曲。其次,对于平台上某些楼层(例如5-8层)按楼层范围而不是具体楼层进行校准的情况,我们采用了该范围的中位数楼层作为后续三维视野分析的物理高度基准。在控制了同一酒店内的内部设施和综合评论等变量后,我们计算了2025年全年每天平均每晚的基准交易价格(以人民币计),以确定具有不同物理楼层和景观方向的房间的价格基准,从而中和了短暂的宏观经济冲击和季节性需求波动。
鉴于商业房地产和酒店房间价格在统计分布上呈现右偏特征,直接使用绝对价格值进行拟合会引发异方差问题,从而降低预测模型的稳健性。本研究对每日平均房间价格应用了自然对数变换,生成了最终的评估变量。这种对数处理平滑了数据的统计分布特征,并使变量特征在后续的机器学习和享乐定价模型中具有直观的半弹性经济含义。模型输出的边际贡献可以解释为在保持其他空间和设施条件不变的情况下,视觉暴露指标一个单位方差对应的房间经济租金的百分比差异。
2.3. 视觉感知环境的多维度量化和特征提取
为了评估微观物理空间环境对历史区域视觉溢价的影响,本节将房间的视觉环境特征分解为三个组成部分:三维空间暴露、图像感知特征和空间竞争阻力。表1详细介绍了8,652个有效房间样本的核心解释变量和控制变量的物理定义、测量方法和描述性统计特征(平均值和标准差)。
表1. 房间特定房间的视觉环境解释变量和控制变量的描述表
变量组
变量(缩写)
定义和测量
平均值
标准差(SD)
独立变量组一:视觉空间暴露
三维视觉暴露指数(??????3?)
从房间视角无遮挡投影的历史区域建筑物群的有效可见表面积的比例,以百分比表示。
计算基于三维地理信息系统视野分析。
15.24
8.76
最大视觉深度(??????)
从房间视角出发的无遮挡三维视线在历史区域内可以延伸的最大物理距离(以米为单位)。
124
5.34
32.8
地标视觉连通性(??????)
房间与核心文化地标之间的视觉连通概率和投影强度。计算方法结合了指数距离衰减函数。0.38 0.21
**自变量组二:视觉图像感知特征**
- **颜色信息熵(??????)**:窗户外部全景视图在HSV颜色空间中的色调分布复杂性。根据香农公式,跨越36个色调区间进行计算。2.85 0.42
- **可见历史元素数量(??????)**:视野图像中可清晰识别的独立历史建筑或庭院屋顶的数量。通过实例分割算法提取。12.4 7.8
- **绿色视图指数(??????)**:视野图像中绿色植被像素总和与总有效像素的比例(百分比)。基于深度学习语义分割提取。22.5 11.2
**自变量组三:视觉形态和竞争抵抗力**
- **遗产的垂直角度(??????)**:从观察点的绝对海拔高度与历史街区平均海拔高度之间的高程差转换得到的三维俯仰角度(度)。使用三角函数计算。8.5 5.2
- **视觉竞争指数(??????)**:附近高层建筑的密集程度,可能遮挡房间的视野走廊。基于空间距离衰减的反向视域计算。45.6 18.3
- **天际线边缘复杂性(??????)**:视野中历史街区天际线轮廓的曲折程度。基于Canny运算符和盒计数维度方法计算分形维数。1.3 40.15
**控制变量**
- **酒店基本质量评分(????????)**:排除服务差异。基于Fliggy平台上超过150,000条真实评论生成的标准化评分(0到5分)。4.6 50.25
- **交通可达性指数(??????)**:排除交通便利性差异。沿街道网络步行到最近地铁站的实际行驶时间(分钟)。8.4 4.1
- **到CBD的距离(????????)**:排除地理位置差异。沿街道网络到核心商业区的实际空间距离(公里)。3.2 1.8
- **文化设施密度(??????)**:排除设施差异。观察单元周围500米缓冲区内的文化设施数量。15.6 6.4
- **房间面积(??????)**:房间的实际室内空间大小(平方米)。从预订平台提取,以控制空间尺寸溢价。23.4 86.5
**下载:** 下载高分辨率图像(343KB)
**下载:** 下载全尺寸图像
**图2. 多维视觉变量系统和可解释的享乐定价引擎。**
2.3.1. 3D视觉空间暴露的定量计算
该组变量依赖于ArcGIS Pro平台处理精度为0.05米的高分辨率三维表面模型来计算空间可见性。首先,以每个样本房间窗口的几何中心作为三维观察基点,计算三维视觉暴露指数。该指标利用三维视域分析工具,在扣除周围建筑实体和植被冠层后的障碍物后,计算从观察点投射到目标历史街区的三维有效可见表面积,并将其标准化为百分比(Yu等人,2007年)。其次,为了测量视线延伸范围,我们计算最大视觉深度。具体步骤是从观察基点向历史街区范围发射三维射线,以1度间隔进行计算,并计算所有无障碍视线在水平投影平面上的最大欧几里得距离。最后,计算地标视觉连通性。基于概率连通性模型,该指标评估观察点与特定标志性建筑的三维边界框之间的直接视觉重叠率,并结合基于空间距离的指数衰减函数(衰减系数设定为0.002),反映核心文化地标?视觉暴露程度。在实际测量中,整个区域生成了超过1.2亿条三维射线,以确保每个房间窗口的三维视图锥体的完全覆盖。数据分布统计显示,由于传统胡同的低层建筑结构和前面商业设施的遮挡,研究样本的平均三维视觉暴露指数仅为15.24%,呈现右偏长尾分布。模型识别出不到12%的房间样本(主要集中在距离核心遗产区800米范围内的6层以上空间)能够达到高于0.6的高连通性强度。
2.3.2. 视觉图像感知特征的提取
该组变量利用计算机视觉技术在生成的25,956张模拟全景图像上进行像素级和实例级特征提取。我们采用基于ResNet 101骨干网络的PSPNet全卷积神经网络进行图像语义分割。在Cityscapes数据集上预训练的基础上,使用包含北京老城特征元素的2,000张标注图像进行微调,在测试集上达到89.4%的平均交并比。基于像素分割结果,我们提取绿色视图指数以计算视野中自然植被覆盖的空间比例(Ye等人,2019年)。我们使用Mask R CNN实例分割算法识别和计数图像中的独立历史建筑单元,得出可见的历史元素数量,以反映视觉元素的物理密度。此外,我们将视图从RGB颜色空间转换为HSV颜色空间,将色调分为36个离散区间,并提取直方图。根据香农信息理论,通过色调区间间的像素分布概率计算颜色信息熵,用于衡量传统城市景观的颜色复杂性和层次结构(Zhang等人,2018年)。在图像处理阶段,所有全景图像的批量推理依靠两个NVIDIA A100 GPU节点完成,将单个高分辨率图像的分割延迟控制在45毫秒以内。统计结果表明,由于中低楼层房间水平看向街道树冠层,平均绿色视图指数较高。由于灰色砖墙、红色墙壁和屋顶植被的混合分布,视野中包含连续庭院屋顶的样本的颜色信息熵峰值通常超过3.2,反映了传统建筑纹理对视觉复杂性的影响。
2.3.3. 视觉形态和空间竞争抵抗力的量化
该组变量用于测量房间视角与外部建筑环境以及视线阻挡物之间的相对空间关系。首先,计算遗产的垂直角度。我们提取房间绝对海拔高度与目标街区平均海拔高度之间的高程差,并结合二维水平距离计算视线俯仰角度,从而区分不同楼层观察景观时的相对高度和角度。其次,使用Canny边缘检测运算符提取视觉场景中历史建筑群与天空之间的天际线轮廓,并使用10x10像素网格分辨率的盒计数维度计算天际线边缘复杂性。较高的分形维数表明建筑群的传统屋顶轮廓得到了更好的保留。我们计算视觉竞争指数,以衡量空间视线被周围建筑物阻挡的程度。基于反向视域分析,以目标景观核心区域为基准,该指数计算房間周围500米搜索半径内的高层建筑分布密度,这些建筑可能会阻挡该景观视图锥体(Swietek和Zumwald,2023年;Peng等人,2025b)。视觉竞争指数值的增加反映了景观走廊被周围建筑物物理分割和挤压的情况。在计算视觉竞争指数时,我们将搜索体积划分为边长为10米的 dreidimensional 体素数组,计算超过35,000个物理障碍物的横截面积。空间分布数据显示,在距离核心遗产区500-1200米的缓冲区内,视觉竞争指数相对较高,其中78%的低层景观视野走廊被现代高层建筑阻挡。具有连续天际线的样本通常其天际线边缘复杂性分形维度集中在1.35到1.42之间,反映了未受现代高层建筑阻挡的区域的特征(Cilliers等人,2023年)。
2.3.4. 空间位置和设施环境控制变量的测量
为了量化三维视觉环境对特定楼层房间价格的影响,本研究从四个维度引入了控制变量:微观属性、交通网络、商业位置和文化聚集,以控制其他环境因素对定价的干扰。首先,为了控制酒店硬件和服务水平对价格的影响,模型引入了酒店基本质量评分。该指标反映了酒店的星级标准和服务能力。基础数据来源于Fliggy平台上积累的超过150,000条真实客人评论,在数据清洗和标准化后,生成了0到5分的连续数值变量。通过引入这个变量,模型可以控制不同品牌和服务质量带来的基本价格差异。此外,为了将视觉溢价与物理空间效用区分开来,我们引入了房间面积作为微观属性控制变量,以解释由房间大小驱动的基本价格差异。其次,交通便利性和商业设施是影响商业房地产定价的空间元素。本研究计算了交通可达性指数;具体方法是调用地图API的路线规划模块,根据研究区域的真实街道拓扑网络测量从每个样本酒店的实际步行到最近地铁站的时间(分钟)。本研究将到CBD的距离设为中等地理控制变量。以北京老城内的王府井和西单等核心商业区为目标节点,使用地理信息系统的网络分析工具计算从每个酒店到最近核心商业区的实际道路网络距离(公里),以控制商业聚集引起的位置价格差异。鉴于研究区域位于北京的历史和文化核心地带,地块内的文化设施分布将直接影响房间价格。我们构建了文化设施密度变量,以控制局部空间范围内的文化聚集效应。根据收集的城市兴趣点向量数据,在每个房间样本点周围建立了500米的物理搜索缓冲区,并计算该缓冲区内博物馆、艺术画廊和传统学院等文化设施的分布密度。引入这个变量有助于在享乐定价模型中区分地块内在的文化属性和窗外历史可见的景观特征。
2.4. 可解释的机器学习和享乐定价模型的构建
本节构建了一个结合享乐定价理论和可解释机器学习的价值测量框架。传统的线性回归难以捕捉高密度城市中三维视觉感知与空间物理阻碍之间的复杂非线性和交互效应。本研究选择了LightGBM算法,该算法在处理高维非线性空间数据时表现优异,用于拟合特定楼层的房间价格。
$$
\ln(F_R^i) = f(W_i, I_i, I_i, W_M^i, C_i) + \epsilon_i
$$
其中 $\ln(F_R^i)$ 表示房间$i$的平均每日价格的自然对数;$W_i, I_i, W_M^i, C_i$ 分别表示该房间的三维空间暴露变量组、图像感知特征组和视觉竞争形态变量组;$C_i$ 表示位置和服务控制变量;$\epsilon_i$ 表示随机误差项;$f(\cdot)$ 表示LightGBM通过决策树集成学习得到的非线性函数。模型的基本映射关系将每间房间的平均每日价格的自然对数与三维空间暴露变量组、图像感知特征组、视觉竞争形态组、位置和服务控制变量组以及随机误差项相结合,使用基于决策树集成的非线性函数。
为了打破机器学习的黑箱属性,并量化每个视觉指标的经济溢价和折旧惩罚,本研究引入了SHAP框架进行模型归因。SHAP基于合作博弈论,将预测的房间价格分解为每个视觉特征的边际贡献之和。公式表示为:?????=??0+??∑??=1?????(??????),其中?????表示模型预测的房间??的对数价格,??0表示所有样本的预期基准价格,?????(???????)表示与特征??相关的SHAP值(即该变量引起的价格“半弹性”变化),??表示输入特征的总数。通过这一框架,我们不仅能够实现环境资产的高精度预测估值,还能够直观地解析空间变量(如“视觉竞争”和“楼层视野角度”)与经济租金之间的非线性边际关系。通过这种架构,我们能够对环境资产进行估值,并探究空间变量(如视觉竞争和楼层视野角度)对经济租金的非线性阈值效应。
3. 结果
3.1. 特定楼层房间价格的微观空间分布特征
特定楼层的房间价格表现出明显的微观空间聚集模式,这些模式与北京历史核心区域的三维视觉暴露强度大体一致。如概率密度分布所示,绝对房间价格呈现出右偏的长尾分布特征,这支持了先前研究方法中使用自然对数转换来平滑分布特征并满足模型假设的做法。从空间聚集特征来看,局部空间关联指数聚类图(图3c)揭示了房间经济租金的空间异质性和同心环状结构。高价格房间的高聚集区域集中在 Forbidden City、Shichahai 和钟鼓楼等核心文化地标周围;而低价格房间的低聚集区域则更多地分布在历史区的边缘和现代建筑过渡地带。对数房间价格与三维视觉暴露指数之间的双变量空间关联图(图3a)显示,高视觉暴露和房间价格的高聚集区集中在核心保护区域周围。这些基础数据表明,历史景观的物理空间可见性在商业市场中具有价格溢价倾向。
3.2. 视觉特征的基准测试和全球解释力
纳入多维视觉变量显著提高了预测性能,相比传统的线性、空间和机器学习基准模型有显著提升。在相同的特征输入下,LightGBM模型在测试集上的泛化性能稳定,其拟合精度超过了传统的线性回归模型。散点图(图4a1)显示,预测的房间对数价格与实际观察值沿对角参考线集中分布,表明模型能够很好地捕捉数据的方差特征。
3.3. 视觉红利的首次资本化:空间和感知机制
全局特征属性分析显示,房间层面的资本化与三维空间暴露和视觉竞争的关联比仅与图像美学特征的关联更为紧密。视觉模式热图(图5a)展示了各变量边际贡献在样本中的分布情况。按预测房间价格升序排序后,核心视觉特征的SHAP值从负面影响逐步转变为正面影响。这表明视觉元素的首次资本化效应并非静态不变,而是存在微观空间观察单元之间的差异。
3.4. 物理环境和空间竞争的非线性调节
房间价格对多维视觉暴露的响应遵循非线性阈值,而非平滑的线性增量。与传统的享乐主义定价模型中关于环境资产线性增值的假设不同,模型拟合曲线(图6)展示了在高密度城市空间中复杂的阈值效应和物理环境调节机制。
3.5. 视觉溢价的空间梯度和特征结构
视觉溢价及其潜在特征结构在不同历史区域存在系统性差异,而非遵循均匀的空间模式。从整体价值分布来看,按平均视觉溢价升序排序的图表(图7b)显示了层级化的差异特征。核心保护区的房间拥有最高的视觉资本化指数,其样本分布具有较大的内部方差和高价值异常值。位于内城边缘的区域的视觉溢价较低,样本分布较为集中。排名曲线尾部的急剧上升趋势表明,高溢价视觉资产在少数标志性核心区域空间上高度集中。空间梯度与历史文化区域中视觉资本化的驱动模式。(a1至a4) 堆叠条形图展示了空间曝光度、图像感知和形态特征的百分比贡献。(b) 条形图显示了历史视觉 premium 的空间分布。底部面板显示了按平均 premium 排序的各区域标准化视觉资本化指数分布,反映了显著的空间异质性。关于视觉 premium 来源的结构分解,数据显示不同区域的价值构成存在差异。以什刹海为例,视觉环境特征对总 premium 的贡献达到了82%,占据主导地位;而在一些常规胡同区域或外围区域,基本空间距离和视觉环境的贡献比例相对平衡。细分维度图表(图7a)量化了具体指标的差异。在空间曝光维度中,三维视觉曝光指数、最大视觉深度和地标视觉连通性的组成比例在不同区域之间有所不同。 Imperial City 周边的区域由于与核心地标相邻,地标视觉连通性的贡献份额更高。在图像感知维度中,颜色信息熵、可见历史元素数量和绿色视野指数的分布比例相对稳定,尽管绿色视野指数的贡献份额在特定高绿化率的胡同区域呈现出局部峰值。在形态和竞争维度中,天际线边缘复杂度在大多数区域中的贡献百分比最高(数据通常在40%到60%之间)。这组客观数据表明,起伏不平的屋顶轮廓是构成每个区域视觉 premium 的最稳定的共同形态指标。视觉竞争指数的贡献百分比在不同区域间波动,直接反映了历史街区内部建筑密度和视野拥堵的空间差异。
4. 讨论
4.1. 超越二维平面的新微观尺度3D视觉视角
本研究通过超越传统的二维平面评估方法,转向三维观察条件,推进了对历史街区视觉曝光度的房间尺度视角。与依赖于平面欧几里得距离或整栋建筑可见性的方法不同,当前分析表明,在密集的历史环境中,视觉异质性是由楼层高度、图像语义和视线阻挡共同塑造的,而不仅仅是距离因素(Dai等人,2023;Franco和Macdonald,2018;Zhang等人,2018;Biljecki和Ito,2021)。
通过结合房间尺度的视觉指标和局部模型解读,该研究比传统的可见性评估更明确地识别了三维曝光度与房间 premium 之间的非线性关系,后者往往无法区分特定楼层的观察条件和物理阻挡效应(Yin和Wang,2016)。从这个意义上说,这项研究的贡献不仅仅是对可见性测量的改进,而是重新定义了在密集历史环境中具有经济意义的视觉曝光度。它表明,空间上靠近遗产并不等同于视觉上体验到遗产,房间级别的深度、阻挡和组成连贯性必须被视为估值的不同维度。更广泛地说,这种视角支持未来关于建筑级视觉景观质量、感知敏感的城市估值以及密集城市中的三维财产建模的研究(Swietek和Zumwald,2023;Kang等人,2021;Ying等人,2025)。
4.2. 对视觉 premium 中非线性关联的全面解释
全局归因结果表明,房间 premium 更受三维空间曝光度和视觉阻力的影响,而不仅仅是图像美学变量。在空间曝光维度中,最大视觉深度是最有影响力的变量,同时天际线边缘复杂度、地标视觉连通性和视觉竞争指数也排名较高(Kim等人,2024;Latinopoulos,2018)。这种模式表明,历史景观可见性的经济价值不仅取决于遗产是否可见,还取决于可以多深、多连续以及在多大程度上受到阻挡。因此,楼层高度和窗户视野等物理属性不仅作为次要控制因素,而是实现视觉 premium 的关键渠道。与平面距离或粗略的可见性代理不同,我们的结果显示,在密集的历史环境中,特定楼层的三维视野几何形状具有很大的解释力(Franco和Macdonald,2018;Dai等人,2023;Li等人,2025;Ying等人,2025)。
在图像感知变量中,颜色信息熵和绿色视野指数对房间估值有持续的积极影响,尽管它们的解释权重次于房间尺度的空间几何形状。特征贡献在不同历史区域之间也有所不同,表明与资本化最相关的视觉属性是特定场所的,而不是空间上均匀的(Zhang等人,2018)。边际响应分析进一步表明,房间尺度的资本化受到类似阈值的响应的支配,而不是平滑的线性梯度。一些视觉变量显示出 premium 效应突然增强或结构上衰减的点,表明视觉价值并不是均匀积累的。与适度垂直视角相关的房间似乎获得了最强的遗产相关 premium,而过度向下的视角会减弱传统立面细节的感知清晰度并降低视觉 premium(Dai等人,2023)。视觉竞争指数的阈值贬值效应也与此前关于拥挤相关贬值的研究结果一致(Latinopoulos,2018)。颜色熵的结果也应被视为本研究的模型发现:适度的视觉复杂性似乎支持价值资本化,而过度异质的场景则与较弱的边际回报相关。通过揭示阈值效应出现的位置和 premium 衰减的位置,这些结果为视野走廊规划和高度控制政策提供了比一刀切的视觉管理方法更为差异化的基础(Biljecki和Ito,2021)。
非线性关联的结构在不同区域和景观环境中也有所不同。尽管某些预测因子的重要性排名相对稳定,但三维空间曝光变量在各种环境下仍然具有持续的影响力。同时,特定预测因子的相对排名会随着区域位置和周围物理密度的变化而变化,表明资本化机制是情境敏感的,而不是空间上均匀的。例如,在什刹海,视觉环境特征起着特别重要的作用,而在更外围的区域,基本位置距离的影响更大。这种对比表明,视觉曝光的经济价值不仅取决于可测量的几何形状,还取决于特定历史区域的象征强度,包括核心地标的不可替代性和对以地标为导向的视觉体验的需求(Zhang等人,2020),尽管这种解释仍需进一步的实证测试。
4.3. 对三维空间控制和商业价值评估的政策启示
我们的发现对高密度城市中的三维空间控制和差异化遗产区域管理具有直接意义。最重要的是,它们表明,历史街区的视觉保护不应简单地视为地标是否可见的二元设计问题。相反,房间级别的 premium 取决于视野深度、阻挡、天际线连续性和地标连通性的具体组合,这意味着规划应关注在不同观察条件下保留了多少视觉价值,而不仅仅是抽象意义上的可见性。因此,视野走廊管理成为了一个关于校准价值保留的问题,而不仅仅是简单的视觉 clearance。全局和局部特征贡献可以为视觉敏感的历史区域中的高度控制、天际线保护和阻挡管理提供更具选择性的优先级。
非线性结果对规划干预尤其相关。因为 premium 并不是随着可见性的每次改善而平稳增加,所以实际目标不是同时最大化所有视觉变量,而是确定干预产生最大边际回报的范围。因此,阈值效应为规划提供了比统一限制更操作性的基础。同样,视觉竞争的强烈负面影响表明,应不仅仅从密度或高度的角度来评估周边开发,还应考虑它如何分割视野走廊和侵蚀现有的视觉 premium(Latinopoulos,2018)。这意味着规划问题不仅仅是能够容纳多少开发,而是如何在不破坏历史视觉环境累积的经济价值的情况下配置开发。
同时,本研究确定的空间差异表明,视觉管理不能在所有历史区域中标准化。具有强烈象征性地标和高度资本化视野条件的区域可能需要更严格的阻挡和高度控制,而在 premium 更依赖于更广泛位置因素的区域,则需要在保护和开发之间取得不同的平衡。更广泛地说,这些发现表明,视觉暴露应被视为遗产规划中的房间尺度估值维度,而当三维空间控制根据当地情况进行校准时最为有效。
5. 结论
本研究开发了一个房间尺度的框架,用于解释密集城市环境中历史景观如何转化为酒店房间价格。通过整合三维地理信息系统视图范围分析、街道视觉图像感知、语义分割和可解释的机器学习,它将估值从整栋建筑的平均值和平面接近度代理扩展到识别单个房间的实际观察条件如何塑造经济租金。通过这种方式,该研究将历史景观估值从粗略的空间近似扩展到房间级别的三维曝光。
四个结论尤为突出。首先,三维空间暴露变量,特别是最大视觉深度,比传统的可见区域和基于距离的代理具有更大的解释力。这表明,历史景观的经济价值不仅取决于遗产是否在附近,还取决于从给定房间可以多深、多连贯地视觉体验到它。其次,视觉资本化是非线性的:适度的垂直观察条件和适度的视觉复杂性与更强的 premium 相关,而周围建筑的强烈视觉竞争会迅速削弱边际回报。第三,地标视觉连通性在标志性遗产节点周围产生类似阈值的溢出效应,表明遗产可见性的价值不是连续积累的,而是在达到关键曝光水平时可能会急剧增强。第四,视觉 premium 的大小和内部结构在不同区域之间有显著差异,表明视觉资产资本化表现出显著的空间异质性,而不是历史核心内的空间稳定性。
综上所述,这些发现表明,在密集城市中,历史景观的价值不应被视为简单地与位置相关的便利设施,而应被视为由深度、阻挡、感知和象征性可见性塑造的多维度房间尺度曝光过程。从概念上讲,这将视觉曝光重新定位为历史城市环境中的独立估值维度。在方法论上,它展示了结合三维可见性建模和可解释的机器学习来识别非线性和空间异质性资本化过程的价值。在实际操作中,它为三维视线调节、视野锥体保护和高度敏感的历史区域中的情境敏感遗产区域管理提供了操作基础。
应承认几个限制。首先,由于分析基于北京的历史核心地区,目前尚不清楚所识别的三维资本化机制在其他具有不同城市形态、遗产结构和市场条件的城市中是否具有普遍性。此外,当前框架建立在房间尺度上,这可能导致汇总到其他空间单位时引入可修改的面积单位效应并改变观察到的关系(Kwan,2012)。
其次,该研究受限于基于平台的数据,因此无法直接纳入客人的个人社会经济特征、声明偏好或季节性视觉条件的时间变化。对绿色视野、视觉复杂性和其他感知属性的偏好在不同用户之间不太可能是一致的;未来的工作应研究在不同视觉条件下异质偏好结构如何影响支付意愿(Lin等人,2022;Garzón等人,2025)。相关地,使用模拟的全景图像和年平均价格不可避免地平滑了显著的季节性市场波动。植被、天气和实时价格的动态变化没有得到完全捕捉,我们计划在未来的时间分析中解决这些问题。
第三,尽管可解释性框架识别了边际特征贡献和类似阈值的响应,但它尚未完全解决多维三维空间变量之间的高阶交互作用(Lundberg等人,2020)。因此,未来的研究应在三个方向上进行:跨城市的框架验证、整合偏好异质性和时间视觉动态,以及开发更强的因果识别策略,以澄清空间竞争、阻挡和感知如何在密集的历史环境中共同塑造房间级别的资本化。
CrEdiT作者贡献声明
史卓政:写作——审稿与编辑、撰写——原始草稿、可视化、验证、软件、方法论、形式分析、数据管理、概念化。
蔡晨凡:撰写——原始草稿、软件、形式分析、数据管理。
赵文林:撰写——原始草稿、数据管理。金瑞:写作——审稿与编辑;写作——初稿撰写;成果验证;指导工作;研究方法;概念构建。
作者:石佐政、蔡晨帆、赵文林、金瑞
单位:北京建筑大学土木与建筑工程学院建筑与城市规划系
地址:中国北京市西城区展蓝关路1号,邮编100044
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号