EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 9: 104 - 113

DOI: https://doi.org/10.3724/j.fjyl.LA20250189

Research

Threshold Determination of Key Street Space Elements Under Human-Factor Guidance: An Evidence-Based Research Using Virtual Reality and Wearable Biosensors

  • Xueli FANG , 1 ,
  • Hanting YU , 2, 3 ,
  • Yan LI , 2, 3, * ,
  • Huali ZHANG , 2, 3 ,
  • Yu YE , 2, 3
Expand
  • 1 Traffic Command Center, Shanghai Municipal Transport Commission
  • 2 College of Architecture and Urban Planning (CAUP), Tongji University
  • 3 Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education

FANG Xueli, Ph.D., is a senior engineer in the Traffic Command Center, Shanghai Municipal Transport Commission. Her research focuses on traffic engineering

YU Hanting is a Master graduate in the College of Architecture and Urban Planning (CAUP), Tongji University, and a research assistant in the Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education. Her research focuses on computational urban design

LI Yan, Ph.D., is a postdoctoral researcher in the College of Architecture and Urban Planning (CAUP), Tongji University. Her research focuses on computational urban design

ZHANG Huali (Tujia), is a Master graduate in the College of Architecture and Urban Planning (CAUP), Tongji University, and a research assistant in the Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education. Her research focuses on computational urban design

YE Yu, Ph.D., is a tenured professor in the College of Architecture and Urban Planning (CAUP), Tongji University, deputy director of Built Environment Technology Center, Tongji University, and deputy director of the Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education. His research focuses on computational urban design

Received date: 2025-03-21

  Revised date: 2025-07-12

  Online published: 2025-12-10

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Under the background of the optimization of urban construction stock, the improvement of street space quality has become an important leverage for urban quality and efficiency enhancement. Although the importance of human-centered street space quality enhancement has been widely recognized at theoretical and cognitive levels, there is still a lack of practical guidance and operational frameworks in actual design practice. Existing research mainly focuses on measuring street space elements and analyzing their influence weights, but still lacks the refined determination of the optimal threshold intervals for street space indicators. This gap makes it difficult to translate theoretical findings into specific spatial design standards and interventions. Additionally, current guidelines provide limited guidance on street space elements, with broad or missing element intervals and insufficient support from evidence-based practice. Therefore, this research, rooted in human perception, employs VR and wearable biosensors for embodied perception experiments to refine the threshold intervals of street space elements, thus enabling more precise and operational improvements in street space quality.

[Methods] In this research, based on classical research and current guidelines, 4 functional types, 2 classification levels, 4 key elements, and their corresponding guidance thresholds for street spaces are identified. Then, 8 typical streets are used as spatial prototypes, and 251 virtual reality scenes are constructed based on the threshold of each key element, 185 participants are recruited to conduct an embodied, evidence-based perception experiment integrating subjective preferences and wearable biosensors. Based on measurement data, the analysis begins with assessing psychological comfort of key street space elements using a grouped scatter plot from ChiPlot. This helps to verify the validity of the experimental data and optimize the empirical guidance intervals in the current guidelines, providing a reference for eliminating physiological data outliers and determining effective physiological threshold intervals. Then, the window-based change point detection algorithm is used to process the physiological data, and the threshold intervals of the key elements of different types of street spaces are further determined. Finally, the physiological threshold intervals are compared with the guidance intervals to evaluate the influence of physiological data on the refinement of threshold interval.

[Results] In psychological dimension, different street types have similar comfort intervals in terms of interface permeability and utility area width, and sidewalk width threshold exhibits “moderate effect”. Physiological analysis shows that sidewalk width threshold is not significantly affected by cycle parking, and the difference is between 0.6 − 1.2 m for most street types. The sidewalk width interval in traffic streets is significantly affected by road grade, with the main road ranging from 4.2 m to 5.1 m and the secondary road ranging from 2.4 m to 3.2 m. Participants have a higher demand for sidewalk width and interface permeability on main road in commercial streets. People generally feel more comfortable when the utility area width is between 3.7 m and 4.1 m, and interface permeability is between 74% and 86%. Finally, through the embodied evidence-based perception experiment, the research reveals that the quantitative results of physiological data are highly consistent with the participants’ subjective perception. Furthermore, physiological data can refine and supplement the guidance thresholds for elements in the current guidelines, with the threshold range contraction reaching 20% − 80%.

[Conclusion] This research proposes a systematic framework for analyzing the threshold interval of street space elements. Compared to previous analyses, this method refines the quality utility intervals of street space elements, breaking through the inherent paradigm of traditional research which is limited to the perception comfort measurement of street space quality. Additionally, this research combines virtual reality and wearable biosensor technologies to establish a comprehensive and easily applicable measurement framework. With this method, the rapid refinement of measurements for existing representative street types and the threshold intervals of spatial elements is achieved. This research also formulates specific design strategies and index recommendations from a quantitative perspective, thereby providing scientific basis and practical support for the accurate improvement of the built environment quality and design guidance and control.

Key words： human-factor guidance; street space; threshold measurement; virtual reality; wearable biosensor; evidence-based research

Cite this article

Xueli FANG , Hanting YU , Yan LI , Huali ZHANG , Yu YE . Threshold Determination of Key Street Space Elements Under Human-Factor Guidance: An Evidence-Based Research Using Virtual Reality and Wearable Biosensors[J]. Landscape Architecture, 2025 , 32(9) : 104 -113 . DOI: 10.3724/j.fjyl.LA20250189

1 研究背景与问题界定

1.1 城市发展转型对街道空间品质提出更高要求

随着中国城市化进程的快速推进，城市建设逐步从增量扩张进入存量提质优化阶段，以人为核心的城市空间品质成为当前研究与实践的重点议题之一[1]。作为城市公共空间的重要组成部分，街道空间是与城市居民关系最为紧密的公共场所[2-3]，街道空间品质提升已成为城市建设存量优化的重要目标。在中央宏观发展思路转变的同时，地方政府对于街道空间品质的重视度也日益提升。上海、广州、青岛、北京等城市相继发布街道设计导则，引导街道设计从传统“量”的控制到“质”的提升。因此，以空间品质为导向、以人本分析为视角、以精细化控制为抓手，已成为推进街道空间建设的重要路径之一。

1.2 现有街道空间品质研究局限

尽管以人为本的街道空间品质提升的重要性在理论和认知层面已经形成广泛共识[4-5]，但在实际设计实践中，相关标准与方法仍缺乏足够的指导性和可操作性。大量研究聚焦于街道空间品质要素的识别与测度分析，并探讨空间特征要素的影响权重大小[4-6]。然而，现有研究缺乏对街道空间品质关键要素指标最佳阈值区间的精细化测定，这使得已有的理论成果难以转化为具体的空间设计标准和干预措施。虽然传统环境行为学方法针对街道空间品质要素进行了重要性研判，但对不同类型街道的要素选取并不完全一致。此外，现行导则中对街道空间要素的建设指导缺乏针对性，部分空间要素的建设指导区间较为宽泛或缺失，要素精细化阈值区间仍缺乏实证数据支撑。因此，亟须立足公众感知进行精准更新与介入，以实现更具操作性和针对性的街道空间品质提升。

2 人因导向下的街道空间品质研究

2.1 人因导向下的空间品质影响要素与权重解析发展迅速

随着“以人为本”理念的深化，人因导向（human-factor guidance）成为城市空间与街道品质研究的重要理论基础。该理念强调以使用者的生理和心理感知为核心出发点，关注个体在真实或模拟环境中的感受、反应与偏好[7]。人因导向的理论根源可追溯至人因工程学[8-9]与环境心理学[10-11]，尤其强调通过人的具身感知与认知加工过程来理解建成环境品质[12]。在人因导向的框架下，街道空间的评价不再局限于可量测的物理指标[4]，而是强调空间是否真正满足人的感知舒适、安全性与心理恢复等需求。这种强调体验、反馈与调适的研究理念，也成为引导新兴技术应用于城市空间优化的重要理论支持。
近年来，基于人因导向的街道空间品质研究得到了广泛关注。环境行为学视角下的感知研究推动了各种研究工具和量表的开发，通过问卷、访谈、行为观察、自我评估等方法采集数据来分析人们在街道空间的感知行为及心理。研究方法包括凯文·林奇（Kevin Lynch）提出的认知地图[13]，扬·盖尔（Jan Gehl）的公共空间-公共生活（public space public life, PSPL）调研法[14]，以及语义差异（semantic differential, SD）分析法[15]、情绪状态量表[16]、注意力恢复量表[17]等。随着虚拟现实（virtual reality, VR）技术[18]和生理反馈感知体验[19]等方法被引入，街道空间品质研究逐步向精细化、多维度的方向发展。
同时，影响街道空间品质的关键要素及其重要性解析研究也在迅速推进。凯文·林奇[13]、扬·盖尔[20]指出宽敞的步行道能够减轻步行者的拥挤感，提高街道空间吸引力。Southworth[21]引入了可步行性概念，强调步行过程中应提供良好的景观与照明设施，并注重界面通透性与围合度等视觉感知指标的合理性，以提升整体的步行舒适性。Ewing等[22]基于对街道影像的评分提取围合度、人性化尺度、透明性、整洁度和意象化5个重要空间品质维度，相关学者从上述维度出发，利用街景图像等多源数据进行可操作化定义及量化评价[4, 6]。当前，步行道宽度、绿化率、界面通透性等要素对街道空间品质提升的重要性成为街道更新中的研究重点。

2.2 街道空间品质影响要素阈值区间尚待讨论

尽管已有大量研究识别了影响街道空间品质的关键要素，并对其相对重要性进行了排序与权重估算[23-24]，但关于要素的“适宜范围”或“阈值区间”仍需进一步探讨。目前对街道空间要素的设计与评估多依赖经验判断和线型模型假设[5, 25]，即认为街道空间品质会随着某些指标的增加而线性提升。然而，实际中某些要素的过度强化超过合理阈值，反而可能造成负面效应[24]，如街道绿视率在24%~34%时，对压力的纾解效用最显著，但超过34%后边际效益递减[26]。这表明空间品质提升并非简单的“多即是好”，还需识别不同要素在特定环境的非线性及阈值区间。
另外，不同街道类型对空间要素的敏感性不同，但当前研究与导则往往缺乏对类型差异的精细化响应，难以满足多样化街道场景的精准设计需求。现行导则虽给出部分要素的具体建设建议，但指导区间较为宽泛，如何实现“因地制宜、因类设值”，仍是目前街道设计指导中的薄弱环节。因此，围绕街道空间品质影响要素的精细化阈值测定，不仅涉及对空间要素感知边界的认知解析，更需依赖精细化的实验设计与感知数据采集手段。在缺乏数据支撑的背景下，空间品质提升路径易导致资源浪费或不必要的设计投入，难以有效回应高质量空间建设的现实需求。

2.3 新技术支持下街道空间阈值精准测定的可能

随着VR、可穿戴生理传感器（wearable biosensors）等新兴技术的发展，街道空间品质研究正从传统主观测评走向客观、动态的感知过程模拟。VR、可穿戴生理传感器等技术可以提供身临其境的感受体验[18, 27]，还能精准捕捉人对环境的感知与反应[19, 28]，可帮助研究者直观理解从空间要素到行为决策的感知过程，因此在环境评价[29]、人因体验[30]等领域得到广泛应用。其中，VR技术具有排除不可控因素干扰并精准控制物质环境变量的优势[31]，可构建不同阈值水平的具体空间场景，如模拟不同宽度的人行道或不同通透性的街道界面。可穿戴生理传感器则可实时捕捉受试者在空间环境刺激下的生理反应[32]，如心率、皮电、呼吸变化等生理信号，从而提供了不同于主观语言叙述的客观评价数据[33]，揭示个体对环境刺激的生理感知变化。
因此，为了解影响街道空间品质的关键要素及其合理阈值区间，本研究参考已有研究成果筛选关键空间要素，借助VR技术构建具体要素不同阈值的实验场景，通过可穿戴生理传感器捕捉人们在街道中的生理状态，并结合收集其主观感知评价，综合分析在关键要素的不同阈值区间下人们的生理、心理响应特征。

3 研究方法

3.1 研究框架

研究框架包含3个部分。第一部分是理论研究：开展街道空间关键要素遴选、街道类型选取及指导区间界定的理论研究；第二部分是实证研究：依托VR和生理传感技术开展精细化阈值区间测定的实证研究，首先基于心理数据对关键要素指导区间进行初步优化并适度收缩范围，然后运用窗口式变点检测算法对生理数据进行统计学分析，以确定关键要素的精细化阈值区间；第三部分是优化建议：将感知实验所得的测度数据作为循证依据，提出街道空间品质提升的设计策略与阈值建议（图1）。
图1 研究框架

Fig. 1 Research framework

3.2 要素遴选及指导区间提炼

以“街道空间”“品质要素”“街道空间品质”等为关键词在中国知网进行文献检索，选取与本研究相关且被引量排名在前25的核心文献。然后，采用检索增强生成方法，利用大模型对文献中的空间要素进行自动化提取与归纳，并分析各空间要素出现频次。结果表明，影响街道空间品质评价的核心要素有人行道宽度、界面通透性、绿视率、街道高宽比等。鉴于各要素在不同类型街道中呈现出显著的区间差异性，进一步梳理并统计省市级现行导则中的空间要素及街道类型[34]，发现人行道、非机动车道、非机动车停放、照明设施、设施带等要素在设计导则中被广泛关注；与此同时，街道通常依据其功能属性主要分为生活型、商业型、景观型和交通型4类。
在街道空间要素阈值区间的研究中，合理界定指导区间是必要的。首先，感知实验中的VR场景建构耗时耗力，需在前期明确变量范围以提高研究效率。其次，《上海市街道设计导则》《广州市街道设计导则》《北京街道更新治理城市设计导则》《步行和自行车交通系统规划设计标准》等现行导则已经验性总结了街道要素的指导区间，能够为精细化阈值区间测定提供支持。因此，本研究文结合现行导则和相关文献分析，选取有无非机动车停放的人行道宽度、界面通透性和设施带宽度作为关键要素，并以现行导则界定的要素指导区间作为后续场景建构阈值设定基础。
1）人行道宽度。人行道宽度不仅会影响人流的通行效率，还影响人们在街道上停留、休憩和社交互动等活动的多样性。研究表明，3 m宽的人行道通常能够满足基本的通行要求，4~5 m宽则能够提供更好的休憩空间，而超过6 m宽的人行道则能够支持更多的商业和社交活动[35]。现有导则中根据街道类型对人行道宽度也有不同建设建议，例如生活型街道建议宽度为4~6 m，而交通型街道则建议宽度为3~4 m[34]。
2）界面通透性。界面通透性是影响行人视觉偏好的关键要素。较高的界面通透性可以增强街道的开放感和安全性，同时也与行人的心理舒适性密切相关。现有研究和现行导则多建议界面通透性应保持在50%~90%。例如，商业型街道的界面通透性建议为70%~90%，以保证良好的商业氛围和行人互动空间；而景观型街道和界面通透性则建议为50%~70%，能够平衡街道空间的开放感与私密性[34]。
3）有非机动车停放的人行道宽度。非机动车停放的便利性与合理性将直接影响街道空间的秩序感和行人通行的舒适性。合理的非机动车停放区域设计可以减少行人与非机动车的冲突，提升街道的整体品质。现有导则建议非机动车停放区域应设置在距离人行道边缘1.5~2 m的位置，以确保行人通行的顺畅[36]。
4）设施带宽度。设施带宽度是影响行人心理健康和行为活动的重要因素。合理的设施带宽度设计可以为绿化、休憩设施、照明、垃圾桶及指示牌等设施提供足够布设空间，从而提升街道的整体舒适性与使用品质。现有导则中设施带宽度的建议区间为0.5~3.0 m。例如，生活型街道的设施带宽度建议为1.5~2.5 m，以保障足够的绿化与休憩空间；而交通型街道的设施带宽度则建议为0.5~1.5 m，以优先保障街道的通行功能[34]。

3.3 感知实验及测度方法

3.3.1 街道原型选取与虚拟现实场景建构

本研究在4类典型街道功能类型（生活型、商业型、景观型、交通型）的基础上，结合GB 51286—2018《城市道路工程设计规范》中主干道与次干道的等级分类，选取了上海市8条具有代表性和可比性的街道作为实验场景原型，分别为大学路、智星路、南京东路、南京西路、九江路、普安路、淞沪路、政民路（表1）。其中，大学路是近年来上海生活化街区更新的典范；南京东路作为国家级商业步行街，体现了商业型主干道高密度活动的典型特征；九江路连接人民广场与外滩，兼具景观资源与文化标识性；淞沪路则为交通型主干道的典型街道，道路等级高、车流密集、交通功能突出。智星路、南京西路、普安路与政民路分别作为各类街道的次干道典型，共同构成结构完整、类型明确的实验场景原型体系。为确保被试者在VR环境中拥有更贴近现实的体验，首先利用激光点云扫描、倾斜摄影确定建模范围及尺寸，进行体块建模，以还原街道整体结构与空间形态；同时考虑到人眼的可见范围，选取每条街道中最具代表性的长度不小于100 m的范围，并在该范围内拍摄大量实地照片，通过在3DS MAX软件中手工精细建模，获取高还原度场景模型（图2）。由于街道区域位置与类型存在差异，为精确测度各要素的最佳阈值区间，本研究适当扩展了要素指导区间范围，并通过最小梯度变化（如界面通透性以4%为最小变化步长）构建相邻场景，以提升实验的分辨率。值得一提的是，现有商业型主干道人行道宽度大多超过导则设置的最低值，因此本研究结合实际情况对其范围做出了调整。根据要素梯度分布，不同类型街道要素分别形成8~20个场景（表1），共构建251个场景。
表1 街道类型、名称及要素区间分布

Tab. 1 Distribution of street types, names, and element intervals

街道类型 街道名称 关键要素 要素指导区间 梯度 场景数量
生活型主干道 大学路 界面通透性 50%~90% 4% 11
设施带宽度 1.0~3.0 m 0.2 m 11
人行道宽度（有非机动车停放） 2.0~5.0 m 0.3 m 11
人行道宽度（无非机动车停放） 2.0~5.0 m 0.3 m 11
智星路 人行道宽度（无非机动车停放） 2.4~4.0 m 0.2 m 11
人行道宽度（有非机动车停放） 2.4~4.0 m 0.2 m 11
商业型主干道 南京东路 界面通透性 50%~90% 4% 11
设施带宽度 2.5~5.5 m 0.3 m 11
人行道宽度（无非机动车停放） 6.0~10.0 m 0.2 m 20
南京西路 界面通透性 50%~90% 4% 11
人行道宽度（无非机动车停放） 2.4~4.4 m 0.2 m 9
人行道宽度（有非机动车停放） 2.4~4.4 m 0.2 m 9
景观型主干道 九江路 设施带宽度 1.0~3.0 m 0.2 m 11
人行道宽度（无非机动车停放） 2.0~6.0 m 0.4 m 11
人行道宽度（有非机动车停放） 2.0~6.0 m 0.4 m 11
普安路 人行道宽度（无非机动车停放） 2.0~6.0 m 0.4 m 11
人行道宽度（有非机动车停放） 2.0~6.0 m 0.4 m 11
交通型主干道 淞沪路 界面通透性 50%~90% 4% 11
设施带宽度 1.0~2.5 m 0.2 m 8
人行道宽度（无非机动车停放） 1.8~2.4 m 0.2 m 11
人行道宽度（有非机动车停放） 1.8~2.4 m 0.2 m 11
政民路 人行道宽度（无非机动车停放） 2.0~5.6 m 0.3 m 9
人行道宽度（有非机动车停放） 2.0~5.6 m 0.3 m 9
图2 建模流程图

Fig. 2 Modeling flowchart

3.3.2 街道空间品质感知实验

本研究将全部街道要素分为4组实验，每组实验包括5~6个要素、55~69个场景，每组实验招募被试者40~50人，此次实验共招募185人次且以在校学生为主。被试者被邀请进入房间完成实验，并且在测试过程中不允许被其他人打扰。正式实验开始前，工作人员向被试者介绍实验背景和实验流程，并为被试者佩戴肌电、心电和呼吸波传感器及VR头盔等设备。实验开始后，被试者需静坐1~2 min，以确保其生理数据达到稳定的基线状态。然后，被试者依次体验各个要素场景，每个要素场景的沉浸式体验需保持30 s，以便接收稳定的生理数据。被试者在体验场景后需即时以口头形式向工作人员反馈其感受，评分标准为−2、−1、0、1、2的5个分数，其中0表示该场景令被试者感到舒适，−2、−1表示该场景要素阈值过小导致被试者不适，1、2表示该场景要素阈值过大导致被试者不适。以此反复，完成整组实验，每组实验时长控制在45~60 min。

4 结果与分析

本研究采用心理舒适性与生理感知双维度分析的方法，结合主观评价数据初步优化经验性区间，并利用客观生理数据进一步获取精细化阈值，建立街道空间关键要素阈值区间测定的研判框架。首先，基于ChiPlot平台绘制分组散点图，开展街道空间关键要素的心理舒适性分析，一方面验证实验数据的有效性，另一方面界定心理阈值区间，为后续生理数据异常值的剔除和有效生理阈值区间的确定提供参考。其次，运用窗口式变点检测（window-based change point detection）算法处理生理数据，进一步测定不同类型街道空间关键要素的阈值区间。最后，根据生理阈值区间与原经验性指导区间进行对比分析，以评估生理数据对阈值区间的精细化影响。

4.1 心理舒适性分析

基于ChiPlot平台构建的分组散点图，通过街道类型与关键要素的双重分类，能够反映主观评价数据的统计特征与内在规律。图中以关键要素（如主干道人行道宽度、界面通透性、设施带宽度等）作为x轴，以被试评价分值作为y轴绘制图像（图3），采用Spearman相关分析对数据进行验证。结果显示主次干道各要素与主观评分之间均存在显著相关性（p＜0.01），散点图相关性与显著性有力佐证了本研究实验评价数据的可靠性。分析结果表明，不同道路类型在界面通透性与设施带宽度要素上存在近似的舒适区间（y=0时）；界面通透性的舒适区间大致为60%~90%；有无非机动车停放区域的人行道宽度存在不同舒适区间，人行道过宽或过窄都会引起不适（图4、5）。
图3 主干道（3-1）和次干道（3-2）心理舒适相关性分析

Fig. 3 Correlation analysis of psychological comfort of main roads (3-1) and secondary roads (3-2)

图4 主干道街道空间要素心理舒适性区间

Fig. 4 Psychological comfort intervals of street space elements along main roads

4.2 生理感知分析

鉴于生理数据采集复杂，以心理数据区间为基础，向外扩充3~4个场景值作为生理数据采集区间。为获取精确阈值区间，采用变点检测算法识别平稳区间。基于ruptures算法库中的窗口式变点检测算法，获取数据波动转折点，进而识别平稳区间。实验结束后，部分被试者表示对场景变化感知不明确，导致生理数据可能存在异常值。为确保阈值区间可靠，选择中位数与四分位距作为特征指标，对特征矩阵进行Z-score标准化，避免极端值影响变点检测。
通过ErgoLAB软件标准计算方法处理并导出被试在不同场景下的心电和呼吸波数据。基于Python编程语言，运用窗口式变点检测算法，比较相邻窗口统计量差异、识别突变点。因数据场景较少，选取窗口宽度为2，利用L2损失函数计算平方误差，计算式
$ L={\sum }_{i\in {W}_{1}}{({x}_{i}-{{\text{μ}} }_{1})}^{2}+{\sum }_{i\in {W}_{2}}{({x}_{j}-{{\text{μ}} }_{2})}^{2} \text{，} $
式中，$ L $表示损失值，$ {W}_{1} $表示前窗口，$ {W}_{2} $表示后窗口，$ {x}_{i} $是$ {W}_{1} $中的第$ i $个数据点，$ {x}_{j} $是$ {W}_{2} $中的第$ j $个数据点，$\, {{\text{μ}} }_{1} $、$\, {{\text{μ}} }_{2} $为窗口均值。
通过动态惩罚项控制变点数量，防止小窗口引发过多碎片变点，计算变点前后特征的欧氏距离（D）
$ D=\sqrt{{\sum }_{k}{({{\text{μ}} }_{before,\; k}-{{\text{μ}} }_{after,\; k})}^{2}} \text{，} $
式中，$\,{{\text{μ}} }_{before,\; k}$为变点前第$ k $个特征的均值，$\, {{\text{μ}} }_{after,\; k}$为变点后第$ k $个特征的均值。
进而确定各类型街道在不同要素中的最佳阈值区间，即被试生理数据趋于平稳的数值范围（图6、7）。结果表明：生活型主次干道人行道宽度舒适区间基本相同，交通型主次干道人行道宽度舒适区间显著受道路等级影响，主干道人行道宽度舒适区间为4.2~5.1 m，次干道为2.4~3.2 m；非机动车停放区域的有无对不同类型街道影响不同，对生活型与交通型主干道人行道宽度阈值区间具有显著影响，存在一定程度收缩，对景观型主干道的影响不显著；非机动车停放区域对商业型与交通型次干道人行道宽度阈值区间存在显著影响，对生活型与景观型次干道影响不显著；主干道界面通透性在70%~86%时，道路类型对通透性影响较小，商业型次干道界面通透性（65%~75%）需求低于主干道（74%~86%）；被试者对商业型主干道的设施带宽度和界面通透性需求最高，设施带宽度在3.7~4.1 m、界面通透性在74%~86%时，被试者会感到舒适；生活型主干道与景观型主干道设施带宽度舒适区间一致。
图5 次干道街道空间要素心理舒适性区间

Fig. 5 Psychological comfort intervals of street space elements along secondary roads

4.3 阈值区间分析

对比研究发现，基于主观评价与变点检测算法获得的阈值范围相较现行导则建议范围大幅缩减（图8），表明研究结果在街道空间关键要素品质效应区间识别上具有更高精度。
图6 主干道街道空间要素心理舒适性区间

Fig. 6 Physiological comfort intervals of street space elements along main roads

图7 次干道街道空间要素心理舒适性区间

Fig. 7 Physiological comfort intervals of street space elements along secondary roads

图8 生理阈值区间与导则指导区间对比（8-1）及合理阈值场景示意（以生活型主干道为例，8-2）

Fig. 8 Comparison between physiological threshold intervals and guidance threshold intervals in the current guidelines (8-1) and illustration of reasonable threshold scenarios (taking a living main street as an example, 8-2)

总体来看，阈值区间优化比例可达20%~80%。不同街道类型的区间优化幅度存在差异，大多数街道类型的人行道宽度需求比现行导则提供的区间更加细致，可以为未来导则制定提供更加精细化的参考。景观型街道人行道宽度阈值范围优化效果明显，由导则区间值2~4 m精确到3.7~4.1 m；非机动车停放区域会影响人行道宽度的舒适区间，主次干道的舒适区间差别显著，现行导则尚未针对该现象提出精细化的阈值范围划定标准，而本研究为存在非机动车停放区域的街道提供了人行道宽度阈值区间的划定参考；现行导则中较少提及界面通透性指标区间，主次干道对界面通透性需求不同，以经验值50%~90%作为实验标准获取阈值区间，可将界面通透性指标的数值上下限精确到15%的范围以内；设施带宽度阈值区间在生活型与景观型街道中，生理数据舒适值小于现行导则预设值，区间宽度近似；本研究中的商业型主干道（南京东路）是典型的仅步行的商业街道，交通型主干道（淞沪路）则是典型的多机动车道交通型街道，其中的各类要素阈值区间在上下限上整体高于现行导则所建议的范围，反映出良好的空间品质在该类型街道中需要更高水平的要素配置。上述2种类型街道在现有城市环境中较为普遍，但针对其他类别街道空间要素指标阈值区间的精细化测定同样重要。

5 总结与展望

本研究以人因导向为核心理念，借助VR与可穿戴生理传感技术，构建起基于循证感知的街道空间品质评价框架，实现关键要素阈值区间的精细化测定。在研究方法上，通过整合心理感知与生理数据，拓展了以往主要依赖主观量表的评价路径；在研究内容上，本研究重点关注空间要素阈值变化对心理和生理体验的影响，提升设计精准性与个性化响应能力；在实践层面，通过VR与可穿戴生理传感器技术结合，在控制条件下实现对环境刺激与被试者反应的精细化测度，以解答如何以最少资源投入实现品质优化的核心问题。本研究在一定程度上推动了街道空间品质研究从定性描述向定量测度的范式转变，为城市街道空间的精细化设计与优化提供有力的循证支持。

5.1 具身循证分析支持下的街道空间要素阈值测定

基于经典理论与既有研究成果，本研究遴选出街道空间品质影响的关键要素，并依托VR技术构建多阈值实验场景，结合可穿戴生理传感器和主观问卷调查开展具身感知实验，系统分析街道空间要素变化对生理与心理体验的双重影响。通过相关性分析和窗口式变点检测算法，识别不同类型街道空间关键要素与主观感受的关联关系，并量化识别和精细化测定各要素的阈值区间，为打破粗放式资源要素配置模式、有效支持街道空间品质优化提供有力支持。研究结果表明，经统计分析得出的生理数据结果与被试者的主观评价偏好高度一致，模型拟合度良好，验证了本研究方法的有效性和可靠性。

5.1.1 街道空间要素不同阈值主观感受差异

通过对上海市8条街道开展步行舒适性感知实验，本研究发现被试者对街道空间要素的主观感受存在显著差异。被试者对界面通透性的感知评价具有显著偏好，即界面通透性越高，步行舒适性感知评价越积极。与此相对，设施带宽度和人行道宽度的感知评价则呈现出明显的“适中效应”，即被试者对这2项要素的评价并非越宽越好，而是倾向于在一定范围内达到最优舒适性。此外，有无非机动车停放对人行道宽度的阈值宽度也有显著影响。这一结果表明，街道空间设计中界面通透性的提升对步行舒适性具有显著正向影响，而设施带宽度和人行道宽度的设计则需在合理区间内寻求平衡，以满足行人多样化的空间需求。此外，不同类型街道的要素阈值区间存在显著差异，如商业型街道的人行道舒适性宽度的阈值上下限比交通型街道大，以满足人们购物、停留、社交互动等行为需求。

5.1.2 街道空间要素不同阈值生理反应差异

人行道宽度的生理舒适区间在不同类型街道中表现出一定的规律性，大部分街道类型的阈值区间差值为0.8~1.0 m，这可能与行人对基本通行需求的稳定性有关。非机动车停放区域的设置并未显著增加人们对人行道宽度的需求，或与心理预期调整和行为模式改变有关。一方面，有非机动车停放在视觉上营造出一定空间局促感，使得行人无意识地降低对步行空间宽度的需求预期。另一方面，在无非机动车停放的开阔环境，行人更倾向分散行走，从而对更宽敞的人行道产生需求；当存在非机动车停放时，行人通常自觉地向道路中心靠拢以避开停放区域，使得相对较窄的人行道就能够满足通行需求。界面通透性研究方面，实证研究进一步细化了导则建议的指导范围，并对不同类型街道的阈值区间实现不同程度的收紧，其中商业型主干道界面通透性阈值区间收缩幅度最大，达到70%。这一结果表明，本研究能够有效优化导则中基于经验推导的要素阈值范围，使街道设计更具科学性和可操作性。此外，商业型主干道的设施带宽度需求最高，舒适区间为6.80~7.40 m。相比之下，生活型和景观型街道的设施带宽度需求相对较低，其阈值区间为1.40~1.80 m。总体而言，生理数据在剔除异常值后能够进一步精确收缩导则中规定的阈值区间，为街道空间设计提供了更为精准的生理感知依据。

5.1.3 不同类型街道空间微更新设计导控策略

根据不同类型街道空间关键要素阈值区间测定结果，本研究对生活型、商业型、景观型和交通型4类街道空间的微更新设计提出以下4条导控策略。
1）生活型街道应以满足居民日常通行与休憩需求为导向，保障基本通行宽度的同时，灵活兼容非机动车停放与设施布置。人行道宽度在主次干道需求差异不大，建议控制在3.20~4.20 m，以满足居民日常通行及休憩需求。若需设置非机动车停放区域，人行道宽度在主干道上可调整为2.60~3.50 m，次干道上可调整为3.20~4.00 m。另外，主干道的界面通透性建议控制在72%~78%，设施带宽度建议控制在1.40~1.80 m。
2）商业型街道应强化步行友好性与社交空间营造，提升人流承载力与商业界面吸引力。主干道的人行道宽度建议控制在6.8~7.40 m，次干道建议控制在3.50~4.50 m，以适应商业活动和社交互动的多样化需求。若需设置非机动车停放区域，次干道人行道宽度可调整至2.50~4.00 m。主干道的界面通透性建议控制在74%~86%，次干道建议控制在65%~75%，以增强商业氛围和促进行人互动。主干道的设施带宽度建议控制在3.70~4.10 m，以提供足够的绿化与休憩设施。
3）景观型街道应突出景观感知与游憩体验，兼顾通行流畅性与环境美感。主干道的人行道宽度建议控制在3.70~4.10 m，次干道建议控制在3.20~4.40 m。若需设置非机动车停放区域，主干道人行道宽度可调整为2.80~4.00 m，次干道宽度可保持在3.20~4.40 m。主干道设施带宽度建议控制在1.40~1.80 m，以保障绿化空间与休憩设施的合理配置。
4）交通型街道应在确保通行效率的同时，关注人行安全与界面品质，营造有序、开放的街道环境。主干道的人行道宽度建议控制在4.20~5.10 m、次干道建议控制在2.40~3.20 m。若需设置非机动车停放区域，主干道人行道宽度可调整至3.30~3.90 m，次干道宽度保持在2.40~3.20 m。主干道界面通透性控制在70%~82%，以平衡开放感与私密性。

5.2 局限与展望

本研究围绕街道空间关键要素的阈值区间开展实证分析，并强调了具身循证技术在提升实际建设可操作性和优化资源精准配置中的重要作用。受资源与时间限制，本研究仍存在一定局限性，需进一步深化探索。首先，尽管研究结果证实不同类型街道及其要素的阈值区间确实存在差异，但由于建成环境的变化并非强刺激因素，其对生理反应影响较微弱，在实证分析过程中，部分数据通过实验后访谈、异常值剔除等原因被筛除，可能导致部分效应未能充分体现。未来研究将引入磁共振功能成像（functional magnetic resonance imaging, fMRI）等技术，以获取更精准的生理反应数据，捕捉更细微的感知变化。此外，本研究被试群体主要为在校大学生，可能无法全面反映不同人群的空间感知差异。后续研究将拓展被试者范围，涵盖不同年龄、职业及身体条件的个体，以提升研究结论的适用性与外部效度。

文中所有图表均由作者绘制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
龙瀛, 叶宇. 人本尺度城市形态: 测度、效应评估及规划设计响应[J]. 南方建筑, 2016(5): 41-47.

LONG Y, YE Y. Human-Scale Urban Form: Measurements, Performances, and Urban Planning & Design Interventions[J]. South Architecture, 2016(5): 41-47.

[2]
SOUTHWORTH M, BEN-JOSEPH E. Streets and the Shaping of Towns and Cities[M]. Washington: Island Press, 2013.

[3]
邱书杰. 作为城市公共空间的城市街道空间规划策略[J]. 建筑学报, 2007(3): 9-14.

QIU S J. Street Planning Tactics for Urban Public Space[J]. Architectural Journal, 2007(3): 9-14.

[4]
叶宇, 张昭希, 张啸虎, 等. 人本尺度的街道空间品质测度: 结合街景数据和新分析技术的大规模、高精度评价框架[J]. 国际城市规划, 2019, 34(1): 18-27.

DOI

YE Y, ZHANG Z X, ZHANG X H, et al. Human-Scale Quality on Streets: A Large-Scale and Efficient Analytical Approach Based on Street View Images and New Urban Analytical Tools[J]. Urban Planning International, 2019, 34(1): 18-27.

DOI

[5]
唐婧娴, 龙瀛. 特大城市中心区街道空间品质的测度: 以北京二三环和上海内环为例[J]. 规划师, 2017, 33(2): 68-73.

DOI

TANG J X, LONG Y. Metropolitan Street Space Quality Evaluation: Second and Third Ring of Beijing, Inner Ring of Shanghai[J]. Planners, 2017, 33(2): 68-73.

DOI

[6]
龙瀛, 唐婧娴. 城市街道空间品质大规模量化测度研究进展[J]. 城市规划, 2019, 43(6): 107-114.

LONG Y, TANG J X. Large-Scale Quantitative Measurement of the Quality of Urban Street Space: The Research Progress[J]. City Planning Review, 2019, 43(6): 107-114.

[7]
NORMAN DONALD A. The Design of Everyday Things[M]. Cambridge, MA: MIT Press, 2013.

[8]
WILSON J R. Fundamentals of Ergonomics in Theory and Practice[J]. Applied Ergonomics, 2000, 31(6): 557-567.

DOI

[9]
BARTLETT F C. Remembering: A Study in Experimental and Social Psychology[M]. Cambridge: Cambridge University Press, 1995.

[10]
KAPLAN R, KAPLAN S. The Experience of Nature: A Psychological Perspective[M]. Cambridge: Cambridge University Press, 1989.

[11]
ULRICH R S. View Through a Window May Influence Recovery from Surgery[J]. Science, 1984, 224(4647): 420-421.

DOI

[12]
张利, 邓慧姝, 梅笑寒, 等. 城市人因工程学: 一种关于人的空间体验质量的设计科学[J]. 科学通报, 2022, 67(16): 1744-1756.

DOI

ZHANG L, DENG H S, MEI X H, et al. Urban Ergonomics: A Design Science on Spatial Experience Quality[J]. Chinese Science Bulletin, 2022, 67(16): 1744-1756.

DOI

[13]
LYNCH K. The Image of the City[M]. Cambridge, MA: The MIT Press, 1960.

[14]
GEHL J. Life Between Buildings: Using Public Space[M]. Washington: Island Press, 1987.

[15]
OSGOOD C E. The Nature and Measurement of Meaning[J]. Psychological Bulletin, 1952, 49(3): 197-237.

DOI

[16]
BRADLEY M M, LANG P J. Measuring Emotion: The Self-Assessment Manikin and the Semantic Differential[J]. Journal of Behavior Therapy and Experimental Psychiatry, 1994, 25(1): 49-59.

DOI

[17]
HARTIG T, MANG M, EVANS G W. Restorative Effects of Natural Environment Experiences[J]. Environment and Behavior, 1991, 23(1): 3-26.

DOI

[18]
STEUER J, BIOCCA F, LEVY M R. Defining Virtual Reality: Dimensions Determining Telepresence[J]. Communication in the Age of Virtual Reality, 1995, 33 37-39 1

[19]
LAUMANN K, GÄRLING T, STORMARK K M. Selective Attention and Heart Rate Responses to Natural and Urban Environments[J]. Journal of Environmental Psychology, 2003, 23(2): 125-134.

DOI

[20]
GEHL J. Cities for People[M]. Washington: Island press, 2013.

[21]
SOUTHWORTH M. Designing the Walkable City[J]. Journal of Urban Planning and Development, 2005, 131(4): 246-257.

DOI

[22]
EWING R, HANDY S, BROWNSON R C, et al. Identifying and Measuring Urban Design Qualities Related to Walkability[J]. Journal of Physical Activity & Health, 2006, 3 S1 S223 S240

[23]
陈志敏, 黄鎔, 黄莹, 等. 街道空间宜步行性的精细化测度与导控: 基于虚拟现实与可穿戴生理传感器的循证分析[J]. 中国园林, 2022, 38(1): 70-75.

CHEN Z M, HUANG R, HUANG Y, et al. The Measurements of Fine-Scale Street Walkability and Precise Design Control: An Evidence-Based Approach Based on Virtual Reality and Wearable Bio-Sensors[J]. Chinese Landscape Architecture, 2022, 38(1): 70-75.

[24]
徐磊青, 孟若希, 黄舒晴, 等. 疗愈导向的街道设计: 基于VR实验的探索[J]. 国际城市规划, 2019, 34(1): 38-45.

DOI

XU L Q, MENG R X, HUANG S Q, et al. Healing Oriented Street Design: Experimental Explorations via Virtual Reality[J]. Urban Planning International, 2019, 34(1): 38-45.

DOI

[25]
徐磊青, 施婧. 步行活动品质与建成环境: 以上海三条商业街为例[J]. 上海城市规划, 2017(1): 17-24.

XU L Q, SHI J. Walking Activity Quality and Built Environment: Take Three Commercial Streets in Shanghai as Examples[J]. Shanghai Urban Planning Review, 2017(1): 17-24.

[26]
JIANG B, CHANG C Y, SULLIVAN W C. A Dose of Nature: Tree Cover, Stress Reduction, and Gender Differences[J]. Landscape and Urban Planning, 2014, 132: 26-36.

DOI

[27]
苑思楠, 张玉坤. 基于虚拟现实技术的城市街道网络空间认知实验[J]. 天津大学学报（社会科学版）, 2012, 14(3): 228-234.

YUAN S N, ZHANG Y K. Experiment of Urban Space Cognition Using VR Technology[J]. Journal of Tianjin University (Social Sciences), 2012, 14(3): 228-234.

[28]
SCHANDRY R. Heart Beat Perception and Emotional Experience[J]. Psychophysiology, 1981, 18(4): 483-488.

DOI

[29]
施澄, 袁琦, 潘海啸, 等. 街道空间步行适宜性测度与设计导控: 以上海静安寺片区为例[J]. 上海城市规划, 2020(5): 71-79.

DOI

SHI C, YUAN Q, PAN H X, et al. Measuring Walkability of Street Space and Its Design Control in the Context of New Analytical Techniques: A Case Study of Shanghai Jing’an Temple Area[J]. Shanghai Urban Planning Review, 2020(5): 71-79.

DOI

[30]
LI Y, DU H W. Research on the Restorative Benefits of Sky Gardens in High-Rise Buildings Based on Wearable Biosensors and Subjective Evaluations[J]. Building and Environment, 2024, 260: 111691.

DOI

[31]
BURDEA G, COIFFET P. Virtual Reality Technology[M]. Hoboken, N.J: John Wiley & Sons, 2003.

[32]
NOLD C. Emotional Cartography: Technologies of the Self[M]. London: Space Studios, 2009.

[33]
叶宇, 戴晓玲. 新技术与新数据条件下的空间感知与设计运用可能[J]. 时代建筑, 2017(5): 6-13.

YE Y, DAI X L. Spatial Perception and Design Potentials in the Context of New Analytical Techniques and New Data[J]. Time + Architecture, 2017(5): 6-13.

[34]
李红军, 刘晓娜. 论文下载频次、引用频次和下载转化率关系的研究: 以Web of Science数据库中图情学科为例[J]. 情报探索, 2022(9): 64-70.

LI H J, LIU X N. Research on the Relationship Between Paper Download Frequency, Citation Frequency and Download Conversion Rate: Case Study of Information Science & Library Science in Web of Science[J]. Information Research, 2022(9): 64-70.

[35]
马强, 韦笑, 任冠南. 街道设计导则与城市道路系统的优化提升: 从通行能力到空间品质的转变[J]. 城市交通, 2021, 19(5): 1-16.

MA Q, WEI X, REN G N. Street Design Guide and Urban Roadway System Improvement: From Capacity to Space Quality[J]. Urban Transport of China, 2021, 19(5): 1-16.

[36]
冯树民, 李政, 张伟. 城市人行道设置宽度研究[J]. 哈尔滨工业大学学报, 2008, 40(4): 585-588.

FENG S M, LI Z, ZHANG W. Width of Pavement in the City[J]. Journal of Harbin Institute of Technology, 2008, 40(4): 585-588.

Options
Outlines

/

〈 〉