【论文分享】探讨社区环境与居民健康的非线性关系

本次我们给大家带来一篇SCI论文的全文翻译。该论文以北京为例，采用随机森林方法分别探讨了主观和客观社区环境与身体和心理健康之间的非线性关系。

【论文题目】

Examining the nonlinear relationship between neighborhood environment and residents’ health

【题目翻译】

探讨社区环境与居民健康的非线性关系

【期刊信息】

Cities, Volume 152, September 2024, 105213

【作者信息】

Jiexia Xu，北京师范大学地理科学学院，202121051056@mail.bnu.edu.cn；

Jing Ma，北京师范大学地理科学学院，jing.ma@bnu.edu.cn；

Sui Tao，北京师范大学地理科学学院，jing.ma@bnu.edu.cn。

【论文链接】

https://doi.org/10.1016/j.cities.2024.105213

【关键词】

社区环境、随即森林、心理健康、身体健康、非线性关系。

【本文亮点】

• 调查了主观环境和客观环境对居民健康的相对重要性。
• 检验了主观环境和客观环境和健康之间的非线性关系。
• 为健康城市的规划和发展提供了见解和启示。

---

【摘要】

虽然许多研究揭示了城市环境与健康之间的线性关联，但主观和客观社区环境对健康的非线性影响的研究仍然不足。本研究以北京为例，采用随机森林方法分别探讨了主观和客观社区环境与身体和心理健康之间的非线性关系。研究结果表明，主观环境对身体和心理健康都最为重要，而主观空气和噪音污染是关键因素。社区环境变量与居民健康之间存在非线性关系。设施感知可达性的改善与身体健康呈正相关，但极高水平的可达性反而可能降低健康的概率。道路连通性和公交站点密度与身体健康和心理健康分别呈现倒U型关系。此外，研究还强调了不同维度的绿色空间以多样的方式影响居民健康

【前言】

在中国，快速的城市化不仅带来了城市物理环境的显著变化，还提高了城市内的人口密度。这种增长带来了许多挑战，包括非常高的人口密度、交通拥堵和严重的环境污染，所有这些都威胁着城市居民的健康。在“健康中国”的背景下，促进居民健康已成为政府和研究人员的优先事项。社区环境被认为是影响居民健康的重要因素，特别是考虑到居民大部分时间都在居民区度过 (Helbich, 2018; Wang et al., 2019)。

许多研究已经探讨了社区环境与人们健康之间的联系。通常，环境通过客观指标来衡量，这些指标反映了居民周围的物理特征。居住在设计良好且吸引人的环境中的居民往往与健康有着积极的关联，例如生活在高质量绿色空间附近的人群，具有更好的便利交通可达性 (Dipeolu et al., 2021; Douglas et al., 2017; Dujardin et al., 2014; Jennings et al., 2013; Mahmoudi, 2022; Markevych et al., 2017; Matthews & Yang, 2010; Qin et al., 2021; Xiao et al., 2022)。相反，暴露在某些类型的环境中已被证明与健康结果负相关，如污染 (Ising & Kruppa, 2004; Chen & Kan, 2008; Gasana et al., 2012; Tao et al., 2022; Vlachokostas et al., 2012; Tao et al., 2021; Shah et al., 2013; Zijlema et al., 2024)。然而，客观指标可能无法准确反映居民对其社区环境的感知。最近，主观环境越来越受到关注，因为它强调了个体对现实环境的感知和评估。有人认为，主观环境与健康的相关性更强 (Lee, 2004; Wen et al., 2006; Song et al., 2020; Weden et al., 2008; Parra et al., 2010; Honold et al., 2012; Yue et al., 2022)。除了直接影响外，主观环境还可以通过社会和身体活动间接地影响健康。

尽管越来越多的研究阐明了社区环境与健康之间的正面或负面关联，但此类研究主要集中在线性相关性上，而复杂的非线性关系则研究较少。一些研究指出，紧凑密集的环境可以通过增加目的地的邻近程度，促进居民主动出行，从而更好地获得健康资源 (Flint & Cummins, 2016; Ewing & Cervero, 2017)。相反，其他研究则认为，在这种环境下高人口密度带来的压力可能抵消带来的健康益处 (Lake & Townshend, 2006)。此外，过度的环境暴露可能对健康有害，这表明适度的水平才是有益的。例如，一些证据表明，暴露于绿化环境与健康相关行为之间存在非线性关系(如倒U型关联)(Huang et al., 2022; Meghann et al., 2020)。

综上所述，关于多维社区环境(包括主观和客观环境)与健康之间的非线性关联的研究相对较少，并且其研究结果尚不明确。此外，虽然主观和客观指标共同提供了对社区环境的综合衡量，但其重要性在不同的健康层面有所不同。研究这些指标如何对特定健康结果产生不同影响的研究是有限的，强调了进一步详细调查哪些环境特征对特定健康方面最重要的必要性。本研究旨在分别探讨主观和客观环境与身体和心理健康之间的非线性关联。具体而言，它试图解决以下问题：(1) 哪些环境特征分别对身体和心理健康很重要？(2) 主观和客观环境是否与身体和心理健康呈现非线性关系？通过问卷数据，我们首先评估了主观和客观环境要素对身体和心理健康的重要性，然后研究了它们的非线性关联。本文通过考察主观和客观环境特征，助力理解社区环境与多维健康之间的非线性关系。我们的研究结果为以人为本的邻里规划和政策干预提供了启示。

本研究的结构如下：第2部分回顾了有关社区环境与健康之间关联的文献。第3部分详细介绍了研究区域、方法、数据收集和本研究中使用的变量。第4部分提供了对主观和客观环境及健康情况的描述性分析。第5部分展示了模型结果。第6和第7部分讨论并总结了主要研究结果，并为健康城市规划提供启示。

【文献综述】

2.1 客观和主观环境与健康

有大量研究探讨了社区环境与居民健康之间的相关性。这些研究主要使用客观指标来量化社区环境，关注居民周围的物理属性。这包括绿色空间的数量和可达性(Akpinar et al., 2016; Beenackers et al., 2018; Dadvand et al., 2012; Desgeorges et al., 2021; Liu et al., 2019; Mahmoudi, 2022; Ulmer et al., 2016; Xiao et al., 2022)、公共设施的可达性和可用性(Matthews & Yang, 2010; Meghann et al., 2020)，以及社区和道路设计(Spring, 2017)。生活在设计良好且美观环境中的居民通常与正向的健康结果相关，例如那些居住在高质量且设备齐全的绿色空间附近，并且从交通便利中受益的个体(Dipeolu et al., 2021; Douglas et al., 2017; Jennings et al., 2013; Markevych et al., 2017; Matthews & Yang, 2010; Qin et al., 2021)。相反，暴露于环境污染则被认为与健康呈负相关。例如，空气污染会加剧哮喘、损害肺功能(Yang & Omaye, 2009; Gasana et al., 2012)、增加其他疾病的发生(Samet & Krewski, 2007; Shah et al., 2013)，与居民健康呈负相关。此外，多项研究已证明噪音与居民健康有关(Ising & Kruppa, 2004; Tao et al., 2022)。然而，这些研究假设居住在同一社区的个体暴露于相同的环境条件，忽视了他们对环境的实际感知和评价。

主观环境是指个体对物理环境的感知和评价，反映了居民的情感、心理状态和社会幸福感，包括主观的污染评估、对设施的可达性感知、社区安全和邻里美观(Kwan, 2018; Wang et al., 2020)。主观环境可能通过影响个体行为而与健康相关，越来越多的研究开始探讨主观环境与健康的关联。生活在被认为道路连接性好、安全性高且环境设计美观的区域的居民倾向于产生正面的健康结果(Araya et al., 2006; Leslie & Cerin, 2008; Gao et al., 2016; Wen et al., 2006; Ruijsbroek et al., 2017; Wang et al., 2019; Zhang et al., 2019)。此外，主观环境还可能通过鼓励或抑制身体和社会活动间接影响健康。对物理环境的积极感知可以促进这些活动的参与，而消极感知，如感到不安全或对污染的敏感认知，则可能抑制这种参与，并与健康呈负相关(Li et al., 2019; Ma et al., 2020; Rohrer et al., 2004; Yue et al., 2022)。

总结而言，尽管主观和客观指标共同提供了对社区环境的全面理解，但它们对不同健康维度的相对影响可能有所不同。迄今为止，只有少数研究同时探讨了主观和客观环境对健康的影响。然而，此类研究主要集中在线性相关上，而对复杂的非线性关系研究较少。

2.2 环境与健康之间的非线性关联

近年来，社区环境与健康之间的非线性关系越来越受到关注。例如，有证据表明，接触绿色空间与健康相关行为之间存在非线性关系(如倒U型关联)(Huang et al., 2022; Meghann et al., 2020)。具体而言，居住在绿色空间较少的居民，使用绿色空间的机会较少，环境污染的风险增加，而那些居住在绿色空间较多的居民，可能与有害元素(如杀虫剂和除草剂)相关联，从而潜在地导致不良健康后果(Dadvand et al., 2014)。此外，一些实证研究表明，适中的(既不太高也不太低)建筑环境密度，包括公共交通等要素，与健康和健康相关的行为呈正相关(Zhao et al., 2020; Huang et al., 2023a; Cheng et al., 2020; Zhang et al., 2021; Yang et al., 2022; Chen et al., 2023; Yin et al., 2023; Zijlema et al., 2024)。一些研究指出，道路连接性和土地利用混合度与居民的主动出行行为之间存在非线性关系。研究表明，适当的街道连接性和土地利用组合可以显著提高居民的主动出行频率(Guo et al., 2023b)。此外，一些研究已识别出潜在的阈值效应，即在特定变量的某一特定点或范围内，观察到的效应发生显著变化(Huang et al., 2023b; Liu et al., 2017; Yang et al., 2022; Zhang et al., 2020; Zijlema et al., 2024)。

关于社区环境对健康和健康相关行为的相对重要性的研究也越来越受到关注。绿色空间被认为是影响居民心理健康的关键因素，其次是公共设施和交通(Zhang et al., 2022)。有证据表明，公共交通密度在居民主动出行中起主导作用，因为它带来了出行便利(Guo et al., 2023a)。其他研究则表明，设施的可达性和街道连续性对步行行为有更大的影响(Zhu et al., 2024)。

然而，由于指标选择和环境背景的差异，这些研究的结论并不一致。此外，大多数研究仅探讨了单一环境因素的影响(如绿色空间)，或评估了环境要素与特定健康维度(如心理健康)之间的关联。关于哪些主观和客观环境特征应在特定健康维度和背景下进行研究的证据仍然不足。此外，社区环境的潜在健康阈值效应需要进一步研究，因为这有助于确定和衡量对健康最有利的环境要素的最佳暴露水平，从而为城市规划决策提供参考(Ji et al., 2019; Zijlema et al., 2024)。

【研究方法】

3.1 研究区域和数据

北京是中国的首都，2022年人口为2184.3万，面积为16,410.54平方公里(北京市统计局，2022)。在过去的几十年中，北京经历了快速的城市化进程，并面临诸多环境挑战，如严重的空气污染。这些挑战对居民的健康产生了深远影响。此外，北京的物理环境特征在快速城市化的过程中也发生了重大变化。其住宅类型多样，包括商品房、政策性住房、胡同和宿舍等。这些不同的住宅类别具有各自独特的社区环境特征，对居民的健康产生了不同的影响(Jiang et al., 2022; Tao et al., 2021; Xu et al., 2021; Yang et al., 2019)。因此，本研究选择北京市六环内的主要城区作为研究区域。

数据来源于“北京交通与福祉调查”，该调查在2022年10月至2023年1月间进行，针对年龄在18岁以上且居住时间超过六个月的非学生个体。由于新冠疫情的影响，我们采用了线上调查与现场调查相结合的方法。在线上调查方面，我们与一家曾多次为政府和研究人员进行线上调查的公司合作，采用分层抽样策略，确保各区受访样本比例与人口相符。我们为每个问卷页面设定了最短完成时间阈值，并为整个问卷设定了最短时长，以保证受访者有足够时间认真思考，从而减少随意或草率回答的可能性。我们还确保了每个回答的逻辑一致性。现场调查方面，我们选取了四个典型社区，以弥补线上调查中老年群体代表性不足。这四个社区分布于城市的不同区域，包括两个市区社区和两个郊区社区，代表了各种类型的社区和多样的社会经济特征。此外，为了尽量减少新冠疫情的影响，我们选择在疫情较轻的日子进行调查。在问卷中，我们还提醒参与者根据疫情较轻或无疫情的日子来提供答案。所有参与者均已签署知情同意书，其信息严格按照相关法规进行保护。

问卷收集了大量关于社会人口学、交通、健康状况、福祉和社区环境等方面的信息。剔除信息不完整的回答后，共获得3628份有效样本。现场调查与线上调查的样本比例为1:10。除问卷调查外，本研究还利用了其他数据来源，包括兴趣点(POI)数据、空气污染数据、道路数据和归一化植被指数(NDVI)数据。具体而言，POI数据来自百度地图API，NDVI数据用于评估植被状况，代表居民周围的绿色环境，数据来自国家生态系统科学数据中心提供的数据库(http://www.nesdc.org.cn)。空气污染(PM2.5暴露)数据来源于加拿大大气成分分析小组(CACAG)发布的全球高分辨率空气质量数据(https://sites.wustl.edu/acag/datasets)(Donkelaar et al., 2021)。用于测量道路连接性的道路数据则来源于OpenStreetMap(https://www.openstreetmap.org/)。

3.2. 方法

本研究采用随机森林方法评估主观和客观环境与身体和心理健康之间的非线性关联。随机森林是一种机器学习方法，通过构建多个决策树来进行预测，并将它们的结果结合以生成最终的聚合决策(Breiman, 2001)。图1展示了随机森林算法的过程。首先，我们将数据集划分为训练集和测试集。然后，通过自助采样从训练数据中创建不同的子集，并为每个子集构建决策树。这些树基于所选特征独立地对实例进行分类。在预测时，每棵树给出其各自的分类标签预测，最频繁的预测将决定最终的分类结果(Ali et al., 2012; Catani et al., 2013; Grekousis et al., 2022; Yang et al., 2023; Yang et al., 2024)。

图1. 随机森林算法的过程(改编自 Cheng et al. (2019))

相比传统的回归模型，采用随机森林方法有几个优点。首先，随机森林可以直观地捕捉结果与特征之间的复杂联系，而无需预设它们的线性关系。它还具备特征重要性评估功能，能够揭示不同特征对预测的相对贡献(Xue & Yao, 2022; Yang et al., 2022)。其次，随机森林在处理高维数据和大型数据集时表现良好，同时保持了较高的准确性。通过聚合多个决策树，该算法将过拟合的风险降至最低，从而产生更可靠的预测结果(Liu & Xiao, 2023)。第三，通过在不同的树之间进行平均或投票，减少了个别树的影响，从而增强了整体模型的稳健性。此外，随机森林能够有效处理缺失数据，并在处理不平衡数据集时保持良好的预测性能(Redo et al., 2012; Xu et al., 2019)。然而，随机森林也存在一些局限性，例如，它无法进行假设检验或生成自变量的系数和置信区间(Redo et al., 2012)。

在本研究中，80%的样本用于训练集，20%的样本作为测试集。模型构建和实验执行通过RStudio中的“random forest”包进行。随机森林模型的结果通过相对重要性排序和部分依赖图来解释。每个元素的相对重要性由基于平均降低精度的总重要性的比例贡献来确定，评估每个因素对模型精度的影响。同时，部分依赖图则直观地展示了环境特征与正向健康结果概率之间的非线性关联。

3.3 变量

因变量由参与者自我报告的身体和心理健康状况组成，这些数据通过问卷获取。参与者被问到以下问题：“您如何评价您的身体/心理健康？” 他们的回答采用五级李克特量表进行测量，范围从1(非常差)到5(非常好)。自我报告的测量被认为是健康的可靠指标，这归因于其与多层次健康和临床疾病评估之间的强相关性(Ghaly & Jivraj, 2022; Ahmad et al., 2014; Pan et al., 2022; Wang et al., 2024; Tao et al., 2022; Liu et al., 2024; Mao et al., 2024)。在本次分析中，参与者如果将其身体或心理健康评价为“非常差”、“差”或“一般”，则归为“不健康”类别，而评价为“好”或“非常好”的则归为“健康”类别。图2展示了调查样本的身体和心理健康的空间分布。

图2. 研究区域和身体健康(a)和心理健康(b) 样本的空间分布

自变量包括主观环境、客观环境和个体社会经济属性。主观环境代表了居民对周围环境的感知和评价，并在过去的研究中与健康相关行为相关。基于先前的研究，选择了特定指标来评估主观环境，包括感知可达性、污染、绿地和社区环境等方面(Kwan, 2018; Leslie & Cerin, 2008; Li et al., 2019; Ruijsbroek et al., 2017; Wang et al., 2020; Yue et al., 2022; Zhang et al., 2019)。在问卷中，主观环境的指标评分范围从1(非常差)到5(非常好)。值得注意的是，主观空气和噪音污染的测量作为负面指标，评分范围从1(非常低)到5(非常高)。客观环境的指标则是通过实际的物理条件来描述调查样本周围的环境。多个客观环境要素已被证明与居民健康相关，包括建筑环境、绿地和环境污染(Matthews & Yang, 2010; Meghann et al., 2020; Qin et al., 2021; Shah et al., 2013; Spring, 2017)。在本研究中，选择了多维度的指标来测量客观环境，这些指标在每个受访者住所周围1公里缓冲区内计算得出，缓冲区通过欧几里得(直线)距离确定。选择1公里缓冲区是基于北京的城市特征，并符合15分钟生活圈的概念。中国主要城市道路的距离范围为700到1200米，这意味着居民应能在这个步行距离内到达基本设施、服务和目的地(Wu & Li, 2010)。这一距离对公共设施和健康资源的布局有重要影响，1公里缓冲区符合《北京城市总体规划(2016-2035)》提出的15分钟生活圈。而且在北京和其他地区进行的研究已经证实，1公里的缓冲区有效地代表了客观社区环境的特征(Liu et al., 2020; Yang et al., 2019; Zhang et al., 2021; Zhao et al., 2018)。此外，空气污染通过2022年记录的PM2.5平均暴露水平进行评估。NDVI数据来源于Google Earth Engine云计算平台，从Landsat 5/7/8 Thematic Mapper (TM)影像中提取，空间分辨率为30×30米。这些数据经过处理和平滑，计算了2022年每个栅格的最大NDVI值。表1展示了本研究中使用的受访者身体和心理健康状况、主观和客观环境以及社会经济属性的变量描述。

表1. 变量描述

【描述性分析】

图3a和图3b分别展示了在不同感知空气和噪音污染水平下的身体和心理健康比例。这两者之间的关系模式相似。在较低的污染水平下，随着主观空气和噪音污染水平的上升，身体和心理健康比例缓慢上升。然而，在较高污染水平时，随着主观环境污染的增加，居民的健康比例显著下降。图3c展示了在不同感知道路连通性和娱乐设施及公共空间可达性水平下的身体健康比例。可以看出，随着感知连通性和可达性的增加，身体健康比例显著提高，但当感知可达性达到非常高的水平时，这一比率却有所下降。心理健康比例趋势与身体健康相似(图3d)。

图4展示了在不同身体健康状态下主要客观环境变量的分布情况。有趣的是，公共空间的可达性在健康和不健康个体之间存在显著差异。有身体健康问题的人群往往具有较低的公共空间可达性。无论健康与否，居民均暴露于严重的空气污染中，只有少数健康良好的居民处于空气质量较好的环境中。此外，健康居民的公交车站密度中位数高于不健康的居民。然而，体育设施的可达性、NDVI(归一化植被指数)和道路连通性在分布上没有明显的差异。

图5展示了在不同心理健康状态下主要客观环境变量的分布情况。显然，心理健康状况良好的居民往往在其社区内拥有更好的体育设施可达性和更高的公交车站密度。居民在公共空间的可达性方面存在明显差异，有心理健康问题的人可达性更好。此外，无论心理健康状况如何，居民都暴露于严重的空气污染中。NDVI和道路连通性的分布情况相似。

图3. 不同污染程度下的身体健康比例(a)和精神健康比例(b);不同的感知道路连通性、娱乐设施和公共空间可达性水平下的身体健康比例(c)和心理健康比例(d)

图4. 不同身体健康状态下主要客观环境变量的分布

图5. 不同心理健康状态下主要客观环境变量的分布

【模型结果】

5.1 模型性能

我们在构建随机森林模型之前，基于方差膨胀因子(VIF)测试了自变量的多重共线性。所有VIF值均低于5，表明不具有多重共线性问题。这些模型是通过将树的数量从10到1000以10为间隔进行变化。对于身体健康和心理健康模型，最佳树数为500。接下来，我们通过将分裂变量(即用于在决策树的每个节点将数据划分为更小子集的特征变量或属性)的数量从1到28(对应于自变量的总数)以1为增量进行调整，继续优化模型。最终确定了7个分裂变量作为身体健康模型的最佳选择，而心理健康模型则选择了5个分裂变量。

表2展示了两个随机森林模型的关键性能指标。准确率反映了正确预测的百分比，包括正面和负面预测的准确性。精确度评估了模型从所有预测的正面案例中正确识别正面结果的能力，而召回率则评估了其从所有实际正面案例中识别实际正面案例的能力。F1分数作为平衡指标，结合了精确度和召回率，提供了评估模型识别正面案例的整体有效性的单一衡量标准。此外，AUC(ROC曲线下面积)值评估了其区分类别的总体能力，值越接近1表示性能越好。在本研究中，身体和心理健康模型均表现出良好的拟合度。

表2. 模型性能指标

5.2 变量重要性分析

图6给出了各变量对身体健康的相对重要性排序。结果表明，主观空气污染、主观噪音污染和感知道路连通性是最重要的三个变量。设施的感知可达性(包括娱乐设施、公共空间和体育设施)与身体健康密切相关，因为这些设施为健康提供了有益的社交和锻炼空间。此外，绿地的使用对身体健康的贡献超过了其他绿化指标(如绿地质量评价和NDVI)，表明居民更重视他们能够积极利用的绿地空间。然而，公共交通密度和土地混合利用的相对重要性排名较低。

图6. 变量对身体健康影响的相对重要性

 

图6给出了各变量对心理健康的相对重要性排序。与身体健康类似，主观空气污染和噪音污染是影响心理健康最重要的两个变量，表明感知环境污染与居民健康密切相关。娱乐设施和公共空间的感知可达性以及感知道路连通性与心理健康密切相关。与地铁站密度相比，公交车站密度对心理健康的贡献更大。此外，NDVI的排名高于主观绿化指标，如绿地使用和绿地质量的评价。由PM2.5暴露测量的客观空气污染对心理健康也很重要，而大多数客观社区环境变量的重要性相对较低。

图7. 变量对心理健康影响的相对重要性

表3比较了所有变量的相对重要性和排名。总体而言，主观环境在身体和心理健康中具有最高的相对重要性，分别占51.96%和50.08%。具体而言，主观空气和噪音污染是影响居民健康的最关键变量。娱乐设施、公共空间和医疗设施的感知可达性在两个模型中的重要性水平相当，而社区环境的主观评价对心理健康更为重要。体育设施的感知可达性、绿地的使用和感知道路连通性对身体健康具有较高的相对重要性。相反，客观环境对心理健康的影响比身体健康更大。公交车站密度、体育设施可达性和NDVI对心理健康的相对重要性更高。此外，客观空气污染对身体和心理健康均非常重要。

表3. 变量对身体健康和心理健康相对重要性的比较

关于个体社会经济属性，年龄和教育在影响身体健康方面具有显著重要性，分别排名第4和第5。然而，这些因素在心理健康中的重要性排名较低，这表明年龄和教育与身体健康的相关性高于心理健康。其他个体社会经济属性，如性别、婚姻状况和住房类型，对居民健康的重要性较低。

5.3 非线性关系

5.3.1身体健康

图8展示了按照相对重要性排序的前12个影响身体健康的变量的部分依赖图。关于主观环境，随着主观空气污染和噪音污染水平的增加，正向的身体健康结果的概率明显下降。差异在于，分类为“中等”和“非常高”的主观噪音污染导致了最低的正向身体健康结果概率，而分类为“非常差”的主观空气污染水平具有最低的概率。随着感知道路连通性改善，居民保持良好健康的概率逐渐增加，并在“良好”评级时达到顶峰。然而，当评级为“非常好”时，概率略有下降。此外，设施(包括娱乐设施、体育设施和公共空间)的感知可达性提高与身体健康呈正相关，但极高的可达性可能会反向降低这种概率。

关于客观环境，可以看出，在轻度空气污染条件下，居民保持良好健康的概率较低。尽管一开始正向的身体健康结果的概率增加，但当PM2.5浓度超过大约48微克/立方米时，这种概率明显下降。此外，道路连通性与身体健康的关系呈现出倒U形模式。当道路连通性较低时，随着道路连通性的改善，居民保持良好健康的概率急剧增加；然而，当道路连通性超过3.3时，这种概率显著下降。

还可观察到，教育水平的提高对身体健康有正面影响，表明受教育程度较高的居民往往拥有更多与健康相关的知识和资源，从而有助于保持身体健康。然而，拥有研究生或更高学历的居民表现出较低的积极身体健康结果概率，这可能与其职业的高强度和压力驱动性有关。此外，随着年龄增长，居民保持良好身体健康的概率下降，而在20至30岁之间概率增加。

图8. 主要变量与身体健康的非线性关系

5.3.2心理健康

图9展示了按照相对重要性排序的前12个影响心理健康的变量的非线性关联。总体而言，主观社区环境与积极心理健康结果的概率呈正相关，而感知污染呈负相关。关于主观空气污染，当其从“低”水平增加到“中等”水平时，心理健康的概率急剧下降。感知社区环境对心理健康有促进作用，尽管在“良好”和“非常好”类别之间没有区别。此外，感知道路连通性和公共空间的可达性越好，良好心理健康的概率相关性越高，但当这些因素达到非常高水平时，概率下降。

最佳的客观环境暴露与积极的心理健康结果的概率呈正相关。随着公交车站密度的增加，良好心理健康的概率逐渐提高。这一概率在公交车站密度达到5站/平方公里时达到峰值，随后随着密度超过这一阈值而下降。NDVI值也与心理健康呈倒U形相关，并且在NDVI值达到0.2时观察到最高的概率，这表明中等水平的植被覆盖与最高的积极心理健康概率相关。此外，随着体育设施可达性的改善，积极心理健康结果概率呈现出波动性的增长趋势。在居民社区1公里范围内存在约16个体育设施时，良好心理健康的概率最高，但随着设施可达性的进一步提高，这一概率下降。

此外，还进行了若干敏感性测试以评估模型的准确性和稳健性。首先，我们采用XGBoost方法进行建模，比较了XGBoost和随机森林模型的准确性。我们发现，在评估若干模型性能指标后，随机森林模型表现出更高的准确性和优越的性能。此外，主观和客观环境变量对身体和心理健康的相对重要性排名在很大程度上与随机森林的结果一致。然后，我们基于800米和1500米缓冲区内的客观环境因素进行了分析。结果还显示，主观和客观环境的相对重要性排名基本保持不变，关键环境变量(如主观空气和噪音污染、感知道路连通性)没有变化。此外，它们与身体和心理健康的非线性关系与我们的结果相似。

图9. 主要变量与心理健康的非线性关系

【讨论】

这项研究评估了主观环境和客观环境对不同健康结果(包括身体和心理健康)的相对重要性，并通过构建随机森林模型进一步探讨了它们的非线性关系。据我们了解，这是首次同时探索客观和主观社区环境与身体和心理健康之间的非线性关联的研究。它还比较了多维度环境要素(包括环境污染、建成环境和感知环境)对身体和心理健康的相对重要性。这项研究丰富了有关社区环境与健康的研究，并为健康城市规划提供了宝贵的见解。

结果显示，主观环境对身体和心理健康结果的影响更为显著，其相对重要性占据了对健康整体影响的半数以上。这与之前的研究一致，认为主观环境显著影响健康，并且是重要的健康预测指标(Kwan, 2018; Gomm & Bernauer, 2023)。一些研究还指出，主观环境与认知过程相关，使环境感知对健康的影响尤为重要(Gale et al., 2011; Kwan, 2018; Leslie & Cerin, 2008; Toma et al., 2015; Yue et al., 2022)。然而，其他研究得出了相反的结论，认为客观环境特征对居民健康相关行为(如步行)的影响强于主观环境特征(Lin & Moudon, 2010)。这可能是因为主观环境主要通过居民对周围环境的认知和感知来影响健康，而客观环境通过塑造与健康结果相关的行为(如步行和慢跑)来影响健康。在这里，主观空气和噪音污染对身体和心理健康的影响最大。当居民感知到严重的空气和噪音污染时，可能会导致负面情绪增加、户外活动减少和社区满意度下降，这些都会对健康产生负面影响(Wang et al., 2019)。

客观环境对心理健康的影响明显大于对身体健康的影响。之前的研究表明，能够更好地接触到休闲和体育设施的人更倾向于参与社交活动，建立社会网络并获得社会支持，这与他们的心理健康呈正相关(Ji et al., 2023; Guo et al., 2021)。主观和客观环境都表现出与身体和心理健康的非线性关联。例如，主观社区环境在某个范围内与健康呈正相关。具体而言，感知道路连通性和设施的可达性与身体和心理健康呈正相关，直到达到“非常好”的水平。提高道路连通性和设施可达性为居民提供了更便捷的步行和通勤体验，并提供了更易获取的健康资源，从而改善整体健康。然而，当道路连通性和可达性达到非常高水平时，可能会发生交通拥堵、道路事故和环境污染，这些都会对居民的健康产生不利影响(Tilt et al., 2007; Ettema & Schekkerman, 2016; Gebel et al., 2011; Gao et al., 2023)。适当暴露在客观环境中有益于身心健康。观察到道路连通性与身体健康之间的倒U形关系，并确定3.3是这种关系的最佳水平。之前的研究也确认了道路连通性与健康相关行为和健康结果的非线性关联(Gao et al., 2023; Zhu et al., 2024)。公交车站密度作为影响心理健康的重要因素，与心理健康的正相关性，直到达到5站/平方公里，这与先前的研究一致(Samet & Krewski, 2007; Smith et al., 2008)。较高的公交车站密度为居民提供了更大的可达性和便利性，使居民能够更容易地获得各种服务。这种改善可以缓解通勤压力，促进活动参与，并提供社交互动的机会。

绿化(NDVI)与心理健康的关系呈倒U形的非线性关系，其有益效果在0.2的拐点开始减弱。这一结果与先前表明绿化与健康之间存在非线性相关性的研究一致，并且适度的绿化水平与各种健康的关联最强(Akpinar et al., 2016; Huang et al., 2022; Li et al., 2023; Mahmoudi, 2022; Peng et al., 2020)。然而，有趣的是，随着客观环境污染的加剧，在某个范围内，健康的概率略有上升。由于这项研究是探索性的，我们无法确定空气污染如何影响居民的健康。一个可能的解释是，生活在年均PM2.5浓度为44.37微克/立方米的区域(超过中国标准的35微克/立方米(中华人民共和国生态环境部, 2012))的居民已适应了高污染水平。此外，虽然许多研究确认了绿化与居民健康之间的线性相关性(Akpinar et al., 2016; Brindley et al., 2018; de Keijzer et al., 2019; Lee et al., 2015; Li et al., 2023; Mahmoudi, 2022)，但当前研究表明，不同的绿地衡量方式可能会影响不同维度的健康。具体而言，绿地的使用对身体健康更为关键，而NDVI与心理健康的相关性更高。因为NDVI值关注绿化的数量，绿地的存在可以缓解压力并提供舒适感。绿化的增加在某个范围内与积极的心理健康结果相关。相比之下，绿地的使用对身体健康的贡献更大。

这项研究存在若干局限性。首先，这项研究采用了探索性的方法讨论社区环境与健康之间的非线性关系，其横截面设计限制了发现因果效应的能力。其次，社区环境对健康的影响可能会受到居民自我选择偏差的影响，例如对特定社区特征的偏好。由于数据和方法使用的限制，我们没有控制自我选择偏差，这需要在未来的研究中进一步检验。第三，一些研究提出，客观环境通过主观环境影响健康，这种相互作用可能会影响相对重要性的评估。然而，在本研究中，主观和客观环境测量的是不同的维度，并且并不一一对应，这可能减少了相互作用效应造成的误差。最后，存在心理健康问题的居民可能对其环境评价较差，这可能进一步影响他们的健康，而5点李克特量表的健康情况测量无法完全捕捉个体健康状况的信息。未来的研究将采用更复杂的统计模型来检验多尺度环境与多维度(包括客观和主观)健康行为和结果之间的复杂关系。此外，需要承认的是，社区环境的阈值在不同背景下可能会有所不同，因为这项研究基于特定的区域和时间段，其阈值的发现难以推广到其他城市。我们承认问卷调查可能受到COVID-19大流行的影响。更多的研究将利用来自不同时间段和地区的问卷调查数据进行全面调查。进一步的跨城市和纵向比较研究可能会得出更广泛适用的发现。

【结论】

这项研究调查了主观环境和客观环境对居民健康的相对重要性，并进一步检验了它们的非线性关系。结果表明，主观环境对身体和心理健康都最为重要，其中主观空气和噪音污染是关键因素。感知设施可达性的改善与身体健康呈正相关，而极高的可达性水平可能反而降低了良好健康的概率。研究还识别出道路连通性、公交车站密度与健康之间的倒U形关系。此外，还注意到不同的绿地测量指标对健康的各个方面的影响不同。

这些发现为健康城市的发展提供了见解和启示。首先，促进健康的城市和社区规划需要考虑主观和客观环境特征的非线性关联。具体而言，我们的结果表明，改善居民健康情况的道路连通性的最佳水平是3.3，而公交车站密度的最佳水平是5个/平方公里。住宅周围1公里范围内存在20个体育设施是体育设施可达性对心理健康影响的阈值，这表明最佳的可达性水平应低于这一阈值。政策制定者需要考虑各种设施的最佳密度或特定环境属性的拐点，以用于城市规划和社区设计。其次，我们的研究突出了主观环境和客观环境在影响健康结果方面的相对重要性。主观污染和感知生活设施的可达性是重要因素，客观因素如空气污染、道路连通性和公共交通密度则对身体和心理健康都有贡献。因此，评估主观和客观环境维度对健康的影响是至关重要的，需要量化主观环境指标并将其纳入规划考虑的范围。具体而言，选择优化的非线性策略需要考虑最关键和最有影响力的环境要素。例如，例如，体育设施的优化布局和公交车站的密度应该优先考虑，以促进健康。此外，绿地的不同方面与健康结果有不同的关系。必须全面评估绿化与各种健康维度之间的复杂关系。应制定政策提高绿地的数量和质量，鼓励人们经常使用绿地，以促进健康。