基于BIB-LCJ法及SD法的居住小区入口景观美学评价模型构建

来源:用户上传      作者:

　　摘要：小区入口作为高视觉敏感度的区域，其景观有较高的公众关注度。本研究主要以亳州市多个居住区出入口景观为研究对象。采用心理物理模式的BIB-LCO法（平衡不完全区组比较排列法）测定公众的审美偏好，获得美景度O-;用认知模式的SD法（语义差别法）测定各要素的心理量值;用统计学中的主成份回归方法建立美景度与各要素之间的关系模型。研究表明，结合应用心理物理模式方法与认知模式方法构建居住小区入口景观评价模型是可行的。
　　关键词：BIB-LCO;sD;居住小区;入口;景观评价
　　本研究首先提出假设，即结合应用心理物理模式与认知模式构建居住小区入口景观评价模型是可行的。以毫州市多个居住小区入口景观为研究对象，该研究对象基本可以反映毫州市居住小区入口景观的现状。
　　本研究主要采用调查研究法，具体方法分为3个部分：（1）测定公众的审美偏好，采用BIB-LCJ法获得美景度值;（2）将景观要素进行分解，用SD法测定各要素的量值;（3）用统计学中的主成份回归方法建立美景度与各要素之间的关系模型。
　　1材料与方法
　　1.1 BlB-LCJ法
　　BIB-CLJ法是心理物理模式评价的方法之一，全称平衡不完全区组比较排列法，是由俞孔坚在1988年首次提出的，在BIB-CLJ被提出之前，SBE法和LCJ法是被公认为是较好的也最为常用的2种方法，相比SBE法和LCJ法，BIB-LCJ法的具有明显优势。
　　1.1.1样本的获取。大量研究表明，用照片作为景观质量评价的媒介同现场评价无显著差异（俞孔坚，1988）。在拍摄过程中，采用一致性原则，尽量选择同样的时间段，同样的天气条件，同样的拍摄角度和高度，同样的远近进行拍摄。尽量保持每张照片的一致性，减少人为的误差，增加评判的准确度。
　　本研究照片取样于具有代表性多个居住小区，在2014年8月～2015年1月期间，对这些居住小区入口景观进行了实地的调查和拍摄，共拍摄相关照片1900余张。从大量照片中精选出64张彩色照片作为媒介。
　　1.1.2评价者选择。几乎所有的相关研究都表明，不同群体的评价者在审美态度上具有明显的一致性。由于是测定公众的审美态度，本研究共选择200名不同职业的人对居住区出入口景观进行评价。
　　1.1-3调查问卷的设计。BIB-LCJ（平衡不完全区组比较评判法）法适合于大样本的景观，具有较高的可靠性，避免了工作量多大。该方法是将BIB（平衡不完全区组）试验设计同LCJ法相结合。BIB-LCJ法在以照片作为媒介进行进行审美评价测量时，有以下程序：
　　（1）对所有照片进行随机编号;（2）根据照片数选择BIB设计表（表1）;（3）根据BIB设计表将照片进行分为若干组。本研究将64张照片分为9个大组，72个小组;（4）评价者分别对每小组照片进行等级排列。
　　1.1.4调查问卷的发布。本研究将72个小组的照片制作成在线调查问卷，在被广泛使用的“问卷星”网进行了发布（见http：//www.sojump.com/jq/3087160.aspx）。
　　1.1.5数据处理和分析方法。将问卷调查得到的数据整理到EXCLE软件或SPSS软件中。参照美国心理学家J.M.Gattll关于心理物理学中的等级排列法（rank order method）的数据处理方法（朱滢，2000）。具体方法如下：
　　（1）先得出每张照片的等级总和，将数据初步整理得到频率矩阵，即被试群体对每一景观照片评价的等级排列。其中，各等级选择人数是各群体将该样本视为该等级的选择人数，等级的总和是各等级与选择人数乘积的求和。公式如下：
　　其中：x为照片号，k为等级，r为大组数，yxrk为该照片每大组对应等级的选择人数，Yxk为该照片的各等级选择人数之和，Axk为该照片各等级与各等级选择人数的之和的乘积，Rx为对应的照片号的等级的总和。
　　例如24号照片的等级的总和的计算（见表1）
　　（2）然后，将每张得到的等级总和除以评价者的人数，求得平均等级。再用小组的数量减去每张照片的评价等级求得平均选择分数。在这里需要注意的是，在以往的等级排列法中常用样品总数减去平均等级，但是在BIB-LCJ法中不能这样计算，否则计算出的评价选择分数不科学，甚至会出现负值。笔者发现在之前文献中，一些学者就采用了这种错误的计算方式，使得数据的科学性大大降低。
　　之所以要用小组的数量减去平均等级，是因为在BIB表中，每张照片产生了重复对比的情况。以本次试验中的照片为例见表2划横线部分。
　　如表2，假设只有一个人进行了评价，又假设照片1在9组的对比中全部获胜，那么照片1在第1组中的等级就为1，除以评价者的数量1得到平均等级为1，第1组照片1的平均选择分数为8-1=7，9组对比后的平均选择分数为9×（8-1）=72-9=63，即代表照片l胜过了其他63张照片，结果和J.M.Gattll的思路（朱滢，2000）完全一致。为了便于计算，将这样的思路即可得到公式为：MR=Rx/N MxC=rk-MRX，其中，x为照片号，Rx为对应照片的等级的总和，N为评价者的数量，r为大组数，K为分成的等级数量，MRx为平均等级，Mxc为平均选择分数。
　　再以24号照片为例，其平均选择分数为为：M24c=9×8-（4317÷200）=50.415。
　　（3）将平均选择分数除以X-I（X为照片总数），得到選择分数百分率P值，为了避免选择分数百分率出现0或l，可以在每个平均选择分数加上0.5，得到平均选择分数修正值MXc’，可以理解为照片与自身相比不分胜负，各得半分。然后除以x，因与自身比过，所以这里不是除以X-1。得到修正后的平均选择分数百分率P’，公式为：P’=（Mxc+0.5）÷x将修正后的评价选择分数百分率P’通过PZO转化表查的z值，即代表了样本的美景度。为了消除负值，便于比较各样本间的差距，进行美景度的排名，可以在每个z值上加一个数值，本研究中加的值为0.92134，得到最终的z’值。 　　以24号照片为例，其P’值为（501415+015）/64=0.795546875，通过PZO转换表得到z值为0.82582，即反映了24号照片的美景度。为消除负值，便于比较各样本之间的美景度的差距，进行美景度的排名，本研究种所有照片的z值都加上了0.82582，所以得到修正后的z’值为1.74716。
　　1.2SD法
　　语义差别法（Semantic Differential，简称SD法），由C·E·奥斯顾德（CharlesEgerton Osgood）于1957年作为一种心理测定的方法而提出，又称为感受记录法。通过言语尺度进行心理感受的测定，可以获得被调查对象的感受构造定量化数据。依据人脑可以利用以往储存的信息经验，融合吸收描述客观环境的物理量、心理量的定量结果，对眼前事物进行评价这一原理。调查景观资源后，取得相关的物理量、心理量，然后依据自身的经验，将这些调查资料语言化，便可以让评价者进行评价。
　　1.2.1样本的获取。照片的拍摄方法和之前的BIB-LCJ法的要求一样，本研究选择和BIB-LCJ法中用到的相同照片作为样本。
　　1.2.2评价者的选择。考虑到加权及概率分布规律，通常选取20～50人为宜。对于一般非专业的评价者来讲，在对居住小区入口景观的描述和理解方面有一定难度，所以选取了专业人员共54名。评价中，首先向评价者描述评价尺度的含义及完成调查表的方法。
　　1.2.3调查问卷的设计及评价尺度的选择。一般常用20～30组形容词，形容词的选择主要有2个步骤，一是形容词对的收集;二是形容词对的筛选。本研究共筛选出27组形容词。
　　制定由评价尺度（形容词对）构成的问卷调查表时，参考建筑、园林、林学等各领域用SD法进行景观评价时所采用的形容词对，选择了适合于评价居住区出入口景观的27对的评价尺度（形容词对）。将这27对形容词随机排列。同时，为了便于数量化统计分析，本次评定尺度定为5级排列顺序为：2，1，0，-l，-2，以0为中心，对称设置，得出了最终的调查问卷表。
　　1.2.4问卷的发布。在“问卷星”网以网络问卷的形式发布（见http：//www.sojump.com/jq/3101734.aspx）。
　　1.2.5数据处理和分析方法。取得问卷数据后，首先要记录各对象空间在各尺度上的数据，计算出平均值和标准值偏差。也可按照不同类型进行平均值的图示化。SD法通常与因子分析法相结合。
　　本研究将问卷的原始数据，用Excel软件或SPSS软件处理求出平均值。其中：综合平均值=∑各项因子平均值/样本个数。本研究样本数为64。得出各样本的平均值与综合平均值的图式化对比。主要用于景观的初步判断分析。通过因子分析可以抽出主成分以及各因子的系数，以便于进一步通过主成分回归建立与BIB-LCJ的美景度的关系模型。
　　1.3用主成分回归建立两者的关系模型
　　归回分析是一种应用很广的数量分析方法，用于分析事物间的统计关系，侧重数量关系变化。回归分析在数据分析中占有重要的位置。
　　其中，以多重线性回归最为常用。但多重线性回归不适用于较多的自变量的分析，由于自变量的多重共线性的存在，往往导致模型的可靠性大大降低，多重线性归回常采用逐步或向后分析法，导致某些重要的自变量被筛选出去，或是模型中的自变量往往与常识相违背。
　　主成分回归是解决多重共线问题的主要方法之一，其优势在于能够尽可能多的保留自变量，其模式与常识也往往符合，可靠性较高。
　　主成分回归的内容比较多，比如回归方程的拟合优度检验、回归方程的显著性检验、回归系数的显著检验等。
　　将BIB-LCJ法得到的美景度值z值作为因变量，SD法因子分析得到的主成分的分值为自变量，用SPSS软件处理数据。
　　根据以上的步骤，可建立居住小区入口景观的美景度和各要素之间的关系模型。
　　2研究结果与讨论
　　2.1 BlB-LCJ法数据的处理的结果与讨论
　　将采用BIB-LCJ法获得的调查问卷原始数据，导入SPSS软件中，采用之前的所列的公式对64张照片的数据进行計算，得到了它们的等级的总和值R，R除以200得到平均等级MR，用72减去MR得到平均选择分数MC，各照片的MC统一加0.5得到修正后的平均选择分数MC’，MC’除以64得到P’值，根据PZO转化表得到z值，z值即为标准化-值，视为美景度值。因为11号照片的z值为0.92134为最小的负值，因此每张照片的z值加上0.92134，这样就消除了全部的负值，得到z’值，（见表3）。
　　表3中的z值即为要测量的公众的审美偏好的数值，即美景度值。z值将作为因变量与下一步中sD测量的景观要素的值，通过主成分回归的方法，建立两者间的关系模型。
　　2.2数据的分布检验
　　表3中的z值是经过标准化的值了，所以可以根据z值对公众的审美态度做出基本判断。为了验证结论的可靠性，运用SPSS软件对美景度量值进行单样本分布检验。检验结果渐进显著性（双侧）P=0.924>0.05，检验分布为正太分布，z值数据可靠，见表4。
　　该检验验证了数据具有可靠性，证明了BIB-LCJ法对居住小区入口景观进行大样本的评价可行，进而证明了心理物理学模式对居住小区入口景观评价可行。
　　2.3 SD法数据处理的结果与讨论
　　2.3.1各样本的平均值与综合平均值。将问卷的数据整理后，通过SPSS软件进行处理，得到各样本的平均值与综合平均值的数据（见表5），样本为64张照片，因子为方法中的27个评价要素。
　　2.3.2图示化分析。通过SD法得到的数据，还可以进行图示化，便于进展更直观的观察。如可以进行综合平均值的图式化，也可以进行各样本评价与综合评价值的对比图示化，通过图像中的评价曲线图可以直观观察各样本的评价。 　　（1）综合平均值分析。依据问卷调查的综合平均值，以各形容词的得分为坐标值，可以得到综合平均值的图示，曲线上每一点代表各个形容词的得分，点偏向标尺某一侧，就代表评价偏向这一侧的形容词，见图1。综合平均值可以反映出64个样本的综合隋况。
　　（2）样本分析举例。①样本24分析
　　样本24美景度排在第l位，通过对比图像可以看出，样本24除广告量和地域性外，其他评价因子均明显在平均值的右侧。
　　（3）优秀样本与低劣样本的对比分析。将美景度的前8名和后8名的平均值与综合平均值进行图示化（见图3）。
　　总的来看，前8名和后8名在因子值上有较大差异，这说明，各因子对美景度上具有较大影响，因此有必要进行回归分析。
　　2.3.3因子分析提取主成分。SD法通常与其他分析法一起分析研究对象，最常见的是与因子分析法结合。因子分析法的目的是从大量的现象数据中，抽出潜在的公共因子即特性因子，并对求得的主成分的负荷量，进行分析，从而得出全体数据所具有的结构，为以数据作为实态表述来反映目标空间的调查手段提供理论的依据。
　　根据测得数据，运用SPSS统计分析软件进行因子分析：（1）因子分析适宜性判断。采用因子分析中的主成分和正交回转轴法抽出评价因子轴。由KMO and Bartlett‘Stest表得出KMO=0.929，显著性Sig=0.000在实际分析中，KIVIO统计量在0.6以上时效果较好，同时测得显著性Sig<0.05。因此认为本数据使用因子分析的效果很好（见表6）。
　　（2）主成分数的确定。由因子的特征值对因子的碎石图，横坐标为主成分数，纵坐标为主成分的特征值（方差贡献），可见当因子个数大于2个开始，其特征值的减少幅度缓慢，根据碎石图的判断基准，说明提取前2个主成分对原有变量的信息描述有显著作用（见图4）。
　　由表7可以看出，前2个主成分的得分值便可以解释27对语义词中81.992%的信息量，一般情况下大于60%即可，故主成分数确定为2个，见表7。
　　为了明确因子的意义，使各个因子得到合理的解释，往往要对初始因子载荷矩阵进行旋转，本文采用方差最大化法，它使每个因子上的具有最高载荷的变量数最小，因此可以简化对因子的解释，由正交旋转后的因子负荷矩阵表可以看出居住区出入口的景观评价有2潜在的主成分组成，按照因子负荷量表的数值的绝对值的大小进行排列，因子旋转后所得的因子载荷旋转矩阵（见表8）。
　　为了算最后的主成分变量的最终得分取值，需要进一步通过SPSS得到成分得分系数矩阵（见表9）。
　　通过以上2公式用spss进行计算得出抽出后的主成分在各样本反映的分值，即主成分得分（见表lO）。
　　表10中的主成分得分将作为自变量，与作为因变量的美景度值进行主成分回归分析。
　　2.4主成分回归建立模型
　　主成分回归是分析一个因变量与自变量的线性关系常用的统计方法。以各景观的美景度值作为因变量，主成分的值为自变量，用SPSS软件出来数据，建立多元回归模型。
　　首先，进行回归方程的拟合优度检验，判定系数调整的R方越接近1表示所反映的两变量的共变量比率越高，拟合优度越高（见表11）。
　　预测变量：主成分得分表来源：SPSS软件分析得出通过观察上表中调整后的判定系数调整的R方为0.942，拟合优度较高，不被解释的变量较少。
　　然后进行回归方程的显著性检验，见表12，如果显著性检验的概率Sig小于0.05，则认为系数不同时为0，因变量与自变量全体的线性关系是显著的，则可建立线性方程。
　　表12中，由于回归方程显著性检验的概率Sig为0，小于显著性水平0.05，则认为系数不同时为0，因变量Z与2个主成分自变量全体的线性关系是显著的，可建立线性方程。
　　最后，生成系数表，见表13，如果回归系数显著性检验中的概率值Sig<0.05，则表示模型可用。
　　3结论
　　研究采用心理物理模式的BIB-LCJ法进行定性评价，得到了居住小区入口景观样本的美景度，并进行了图示化及排序，美景值符合正太分布，数据可靠。表明BIB-LCJ法是可行的，并进一步表明了该方法在大样本景观评价方面具有的优势。采用认知模式的SD法进行定量评价，得到了各样本景观要素的心理量值，通过图示化分析，指出了毫州市小区入口景观的整体现状及各样本的主要特点，通过因子分析提取了主成分，表明SD法能有效区分各要素的特征，效度较高，数据可靠。采用主成分回归，建立了多因子的评价模型，且模型拟合优度较高。以上表明，结合心理物理模式和认知模式構建居住小区入口景观评价模型可行。
转载注明来源:https://www.xzbu.com/1/view-14892282.htm