建成环境与心理健康关系的实证研究——以意大利北部大城市的队列研究为例

很多研究证实了个人的社会经济地位，社会网络等因素以及一些街区属性与一般性心理疾病比如焦虑和非病理性抑郁有明确的相关关系，但是城市建成环境对心理健康的影响还有待进一步研究。这篇论文通过选取意大利北部大城市都灵的城市人口为样本，对不同类型的城市建成环境（建设密度，土地利用混合度，公共绿化空间，文化设施和交通可达性）和抗抑郁药的使用量之间的关系进行研究。

城市建成环境（BE）是影响健康和健康不平等的潜在因素之一，而心理健康则被视为是最易受城市结构影响的健康指标之一。最近几年，建成环境和心理健康研究主要聚焦在两个方面：一是个人对居住环境的主观认知，二是城市建成环境品质的地理属性指标。然而大部分研究都没能很清晰的证实城市建成环境因素（这里的建成环境是指公共环境而不是室内环境）和心理健康的内在联系机制。

这篇论文假设： 除了基本的人口统计信息和街区信息，城市建成环境的五个具体方面（建设密度，土地利用混合度，公共绿化空间，文化设施和交通可达性）和抗抑郁药使用量有一定的关系，并借此来证实城市建成环境对心理健康有作用。

这篇论文的数据来自于都灵居民的纵向追踪研究数据（Turin Longitudinal Study, TLS），此数据包含从1971年至今的该市人口的医疗登记信息，经过筛选，最终样本数为男性272516人，女性274747人，年龄区间为20到64岁。作者将年龄分组为20-34、35-49、50-64三组，目的在于观测不同年龄段和性别人群的差别。

个人层面社会属性包含人口学统计信息比如受教育程度，工作状态和其他人口登记信息比如公民身份（本地居民还是移民）和居住时长等。建成环境和社会经济指标选取是在街区层面（包含79个统计单元，每个统计单元平均包含10000居民）。城市建成环境的数据来源为都灵市行政数据集，并且指标代表了与城市政策相关的城市环境的两个主要方面：一是街区环境，包含建设密度、土地利用混合度、公共绿化空间，二是街区服务设施的可达性，包含文化设施、娱乐设施、公共交通的可达性。街区的社会经济变量包含了居民主观评价的噪音干扰，公共空间占用等。这篇论文采用泊松分层回归模型，根据不同年龄和性别分层，并将个人层面嵌套于街区层面模型，因变量为疾病发病率。

结果发现，建筑密度以及公共交通可达性对心理健康起到“保护性”作用，尤其是对于女人和老人。对于这些人而言，住得离公共交通越近、建筑密度越高，其针对抗抑郁药物的需求量要少。即使在考虑了个人和街区的社会因素后，这种作用依然成立。研究结果并未发现公共绿地空间和公共服务可达性与心理健康有任何关联。这与大多数研究结果并不相符，这有可能是因为众多建成环境因素共同起作用，导致一些因素的作用被掩盖了。事实上，公共交通可达性高会在一定程度上调节公共设施可达性的作用，因为即使公共设施距离人们较远，但便利的公共交通也会变相缩短这个距离。

城市建成环境对心理健康有着直接和间接的影响，前者主要体现在人们不可能孤立于城市建成环境之外，会时时刻刻受其影响；而后者主要是通过社会资本/社会网络和社会支持来影响个人社会经济属性从而影响其心理健康。

这篇文章的不足主要在于采用使用抗抑郁的药物使用量来直接衡量心理健康，这并不精确，同时作者认为其选取都灵的统计单元存在着同质性的问题，如果是对人口普查之类的数据进行建成环境分析会更好。同时作者也提出为了解决健康不平等社会问题，城市应投资于那些能提高城市弹性的交通系统，首先是建设一个细致而平等的贯穿于城市的高效公交网络。

这篇文章在一个城市层面量化研究了城市建成环境与心理健康的作用，大样本量及其统计效力、队列设计、个体控制变量和主要的社会属性变量都是本研究的主要优点。这篇文章为城市设计者研究健康城市提供了一个新的量化技术方法。

来源： MELIS G, et al. The effects of the urban built environment on mental health: a cohort study in a large northern Italian City[J]. International Journal of Environmental Research & Public Health, 2015, 12(11): 14898-915.

利用手机数据估计PM2.5对居民的动态影响

空气污染已经被认为是世界上最大的健康威胁。已有大量的研究实证了空气污染对居民健康的影响。在这些研究中，对于暴露于污染物中的个体数量的估计往往是静态的，没有考虑居民时空行为带来的变化的人口分布。来自麻省理工学院感知城市实验室（Senseable City Laboratory）和哈佛大学环境健康系（Department of Environmental Health）的研究者针对纽约市（New York City）的研究探索了采用手机数据弥补这一缺失。

研究范围包括纽约市的71个区（district），总面积1214km2，人口约850万人。PM2.5数据来自纽约市社区空气调查（New York City Community Air Survey），包括155个监测点的121天监测数据（监测间隔为2周）。除此之外，本次研究还新增了5个附加监测点数据，用来检验数据质量和获取更高精度的污染物空间分布。研究采用的手机数据是纽约市的3G用户信令数据，记录了用户打电话、发短信、上网以及被动通信信令时的基站信息。由于运营商保密需要，研究获得的数据是集计到每个基站、每个小时的处理结果。

研究首先通过空间插值将PM2.5数据分配至各个区，并结合国家环保局的另一项调查数据将PM2.5的截面数据推测性的转化为全天变化的连续数据。然后通过手机数据揭示的居民时空行为模式，估计了每个区持续一周的人口空间分布连续变化情况。最后，通过空间统计的方法分别统计了“静态人口空气污染暴露量”（ Home Population Exposure）和“活动人口空气污染暴露量” （Active Population Exposure），其计算方式为每小时PM2.5分布量加权的每小时人口数之和，前者将人口分布视为用于等于居住人口数，后者采用根据手机数据推测的每小时人口分布量。

研究结果发现，尽管每个区的功能和人口分布有所差异，但它们的“活动人口空气污染暴露量”与“静态人口空气污染暴露量”有着显著差异（p<0.05）。静态估计结果认为主要的影响发生在布鲁克林的西北和东南等地区，而动态估计结果发现主要影响发生在曼哈顿下区等地区，两者也存在明显的不同。另外，白天与夜晚的活动人口空气污染暴露量也存在显著差异（p<0.05）。因此，他们的研究表明以往通过居住人口推测的PM2.5影响的与真实情况有一定差距。

研究者承认他们对于污染物空间分布及随时间变化的估计方法还不够精确，例如对污染物空间分布的插值估计方法过于简单，但这不影响本研究的主要结论。另外，以往也有一些研究通过模拟居民的日常行为模式的方法来估计动态的人口污染物暴露量，然而这些模拟研究使用了大量居民行为模式的假设作为前提，并不能反映真实情况。研究者认为手机数据可以在相关研究和政策制定中发挥作用。

来源：NYHAN M, GRAUWIN S, BRITTER R, et al. Exposure track——the impact of mobile device based activity patterns on quantifying population exposure to air pollution[J]. Environmental Science & Technology, 2016, 50(17): 9671-9681.

（供稿：晏龙旭）