居住環境綠化水平對居民體質指數（BMI）和自評健康的影響研究
——以上海為例

肖揚 張宇航 匡曉明

1 研究背景

改革開放40年，中國城鎮化成就卓越。隨著中國進入生態文明建設的新時代，中國城鎮化發展正面臨從高速度到高質量的重大轉變。中國的快速城鎮化在推動城市經濟高速增長的同時，極大改變了中國城市建成環境面貌，與此同時也給城市居民帶來了諸多公共健康威脅。文獻顯示早期的城市公共健康威脅主要為傳染性疾病，時至今日已轉變為肥胖[1]、心腦血管疾病等非傳染性疾病以及各類慢性病[2-3]。肥胖可能會帶來許多健康風險，包括糖尿病、心臟病和某些癌癥。在1975—2014年里，近200個國家的人均體質指數（body mass index, BMI）有顯著上升并呈現繼續增長的趨勢，而中國肥胖人口規模已達世界第一[4]，且中國成年人超重率從22.8%提高至30.1%。此外，2010年《中國慢性病及其危險監測報告》顯示，盡管中國成年居民的自評健康狀況較往年有所改善，然而仍有超過40%的居民自評健康狀況為一般、差或非常差[5]。自評健康反映了人們對自身健康狀況的主觀判斷，通過身高與體重客觀數字計算所得的BMI是衡量肥胖的國際通用標準，二者之間又存在一致性，即作為疾病預測指標，它們都能夠有效反映身體健康狀況[6]。

現代城市規劃源自英國的公共衛生法[7]，而建成環境對居民的健康效應一直是國內外學者關心的重要課題，其中城市綠化空間的健康效應一直是研究熱點。學界普遍認為綠化空間可以促進人們的體育鍛煉，從而實現良好的體重控制，此外綠化空間能夠促進社會交往，調節居民的心理健康[8]。然而，有學者發現綠化水平和BMI之間的關系具有一定的復雜性，綠化水平對健康的積極作用受研究所在空間區位、交通環境等條件的影響，同時由于年齡、收入以及教育等個體特征的不同，在不同人群之間可能存在較大差異[9]385。Feng等對既有文獻進行綜述，并解釋背后可能的原因是使用不同的方法來測量綠化空間的特征[10]，以城市規劃學科為例，傳統的方法主要基于用地信息、測量到公園的距離、活動范圍內的公園面積等信息。對于城市尺度研究居住區內部的綠化信息缺乏有效工具。此外，中西方城市在城市形態方面存在巨大差異，高密度地區的綠化水平和居民肥胖的系統研究尚缺乏。

2 相關研究進展

2.1 綠化環境對居民健康影響機制

建成環境作為承載經濟活動的物質空間，對居民健康的影響因素眾多，包括物質空間設計、健康行為活動、社會環境和健康社會服務等多個維度[11]，其影響機制路徑也十分復雜（圖1）。既有研究顯示分析城市綠化對健康的影響路徑可從自然環境的健康價值解釋機制的角度出發，基于心理進化應激恢復理論（Stress Recovery Theory, SRT）和注意力恢復理論（Attention Restorative Theory, ART）[12]，對二者的關系進行深入分析。其中SRT認為，在自然環境中產生的積極的情緒可反向抑制壓力生理學的負擔，而ART認為自然環境的恢復性特征使得腦力勞動量降低，提供有助于個體休息和恢復的注意力參與機會[13]。Jiang等[14]提出了城市綠化空間對健康的作用機制框架，主要內容包括促進身體鍛煉、舒緩精神壓力、減輕精神疲勞、提供生態產品與服務以及提升社會資本。而James等[15]認為綠化空間是通過減輕壓力與重塑認知、增強體力活動、促進社會交往、減輕噪聲、調控溫濕度以及過濾空氣污染以促進健康。Fong等[16]通過進一步總結認為綠化空間對健康主要的影響為減少物理環境的危害、減輕生理和心理壓力以及促進健康相關活動（如鍛煉和社交）。

1 綠化空間影響健康的路徑總結Summary of the paths of green space affecting people’s health

2.2 綠化空間與BMI及自評健康的實證研究

關于城市綠化空間與肥胖（超重），多數研究表明二者之間存在著一定的聯系[8,17-21]。例如，歐洲一項跨國研究發現在綠化程度較高的地區，居民超重或肥胖風險降低40%[19]612。Cummins和Fagg[20]1109-1110通過對英國2000—2007年的相關數據進行分析認為綠地規模與BMI顯著相關。而Nielsen和Hansen[8]847-848發現到綠地的距離與肥胖之間存在負相關。Sarkar等[18]39-42認為綠化空間的可達性與BMI顯著負相關，其原因可能為可達性高的綠化空間的利用效率提高，方便居民進行身體鍛煉，有利于降低BMI水平。Mowafi等[9]發現當社會經濟地位改變后，綠化空間的可達性與BMI之間無明顯相關，導致肥胖問題的更主要原因可能在于低收入群體飲食結構的缺陷。國內研究得出類似結論，孫佩錦和陸偉[22]通過回歸模型探索大連綠化空間對健康的影響，并以社會環境為調節變量，控制人口特征，研究顯示：公園可達性與超重或體力活動無關，僅1 200 m尺度的植被指數與中強度運動有正向關聯。

而綠化水平與居民自評健康影響方面，Dillen等[23]通過對荷蘭的80個社區及其附近的街道綠化質量進行評估，發現綠化空間的質量與自評健康之間存在正相關。Akpinar等[24]基于國家土地利用數據集統計了居住環境中綠化空間的占比，并結合自評健康數據進行分析，發現二者之間并無顯著相關，并提出應當將綠化空間分類考慮而不是簡單匯總。Coppel等[25]對德國柏林的城市綠地與居民自評健康進行分析，得到了同樣的結果，在緩沖區范圍內根據歸一化植被指數（normalized difference vegetation index, NDVI）計算的植被覆蓋率小于2.5%時，自評健康受到負面影響；而在住宅與綠地之間距離大于200 m時，自評健康顯著下降。Reid等[26]使用同樣的方法劃分了不同半徑規模的緩沖區，發現綠化水平與自評健康正相關，且這一關系在不同范圍的緩沖區內存在差異。Dadvand等[27]通過研究發現，NDVI水平與自評健康正相關，居民主觀的住宅與綠地之間距離與自評健康負相關。

Feng等[10]185-187指出大量實證研究的結果存在差異，這一差異可能源自衡量綠化空間的方法不同。傳統的方法通常從城市綠化空間的植被規模、物種多樣性、斑塊結構和可達性等特征出發，建立與居民健康水平之間的統計學模型[28-29]。各研究對綠化特征的空間信息獲取途徑種類繁多，包括城市土地利用規劃與城市綠地系統規劃方案等。Reid等[26]和Su等[30]在研究中指出，Landsat衛星的30 m分辨率數據能夠較好地反映研究對象空間的植被覆蓋水平。NDVI具有多種優勢，與傳統方法相比，遙感數據具有較高的公開性，同時NDVI算法相對客觀且不受研究尺度的影響，傳統的地理信息系統（Geographic Information System, GIS）方法需要預設距離的閾值[31]。此外，NDVI可逐年逐月追蹤比較，反映植被覆蓋水平及其時間變化，因而被廣泛應用于生態環境監測等工作中[32]。隨著遙感、地信系統與全球定位系統技術的發展，包括衛星定位與導航、傳感器、計算機等多種技術集成應用于城市綠化特征信息的采集、處理與分析已成現實。綠化數據全球化環境下獲得的各地數據具有可比性，并且有助于全球統一綠化評價體系的構建。除NDVI數據外，Ye等[33]通過機器學習算法收集并提取了谷歌街景（Google street view, GSV）圖像進而獲得綠視率這一指標，以實現對可視綠化的準確測量。綠視率作為三維空間綠化水平的測度，可能更好地反映實際綠化空間的水平[34]。

國內相關研究正逐步展開[22]35-38，但對于大城市人口高密度地區的綠化水平和居民肥胖的研究尚且缺乏。因此本研究基于Sarkar等[17]和Coppel與Wütemann[25]的研究框架，依托衛星遙感技術，運用NDVI對植被覆蓋水平進行量化，探究中國高密度地區綠化空間對居民肥胖與自評健康的影響效應。采用世界衛生組織（World Health Organization, WHO）全球老齡化與成人健康調查數據，以上海市23個社區中的5 000余名居民為研究對象，探究上海社區綠化水平對居民的健康影響。該研究重點關注以下3個問題：1）上海社區間的肥胖程度和自評健康水平是否存在差異？2）社區綠化水平對居民的客觀健康（BMI）和主觀健康（自評健康）的影響是否存在差異？3）居住環境綠化水平對居民健康的空間影響范圍是多少？研究結論可進一步理解如何主動干預優化居民健康，為如何實施《健康中國2030》國家戰略提供科學支撐。

3 研究數據與方法

3.1 數據來源

本研究使用WHO全球老齡化與成人健康研究在上海市的第一輪調查數據。選取上海市黃浦區、虹口區以及閔行區3個行政區域，基于樣本異質性原則，根據不同鄉鎮或街道的社區規模與類型選取23個社區（圖2），采用按容量比例概率抽樣方法（probability proportion to size, PPS）隨機抽取5 241名個體作為研究對象。

2 空間單元在上海市中的區位The locations of the spatial units in Shanghai

NDVI數據來自Landsat 8衛星所攜的OLI陸地成像儀（Operational Land Imager）所記錄的上海市范圍內9個波段中的紅波段（Band 4 RED）和近紅外波段（Band 5 NIR），分辨率為30 m。利用ENVI 5.1軟件平臺，通過輻射定標、大氣校正等手段對原始數據進行預處理，進而通過NDVI歸一化處理計算工具，得到上海市NDVI數據及其分布遙感影像圖。

在ArcGIS 10.3軟件中根據社區邊界識別社區中心，并以該中心為圓心分別劃定300、500、1 000 m半徑的緩沖區作為研究社區單元的空間范圍，同時在NDVI遙感影像中提取相應范圍內的植被覆蓋信息，并計算出緩沖區內的NDVI平均值以確定每位個體樣本生活環境的植被覆蓋水平。

3.2 研究方法

本研究基于STATA 14.0統計分析軟件平臺，采用多元線性回歸統計分析方法。在綠化水平對BMI和自評健康的影響研究中，分別構建多元線性回歸模型進行分析，模型設置如下：

式中：Y作為因變量，在不同模型中分別代表BMI和自評健康；X1為綠化水平變量；C為控制變量；β0表示模型截距，β1和β2為回歸系數，ε0為誤差項。

NDVI指標的計算方法為遙感影像中近紅外波段反射值與紅光波段的反射值之差除以二者之和，表達公式如下：

式中：NIR表示近紅外波段，RED表示紅波段；NDVI取值范圍為[-1，1]，取值越大則表示植被覆蓋水平越高。Weier等[35]將NDVI劃分為以下幾個等級：-1～0為水體，0～0.1為巖石、沙和雪原（貧瘠），0.2～0.3為灌木和草地，0.6～0.8為溫帶、熱帶雨林。

目前國際對于肥胖的判定通常以人口的BMI為依據，這一指標通過體重（kg）除以身高的平方（m2）獲得。BMI取值越高表示越肥胖。2003年，當時的中國衛生部疾病控制司針對中國人口體質的特殊性對BMI等級提出了新的劃分方法：18.5＜BMI＜23.9表示體重正常，24 ≤BMI表示體重超重，24＜BMI＜27.9表示肥胖前期，28 ≤BMI表示肥胖[36]。

自評健康集合了生理學、心理學、社會學角度以及對人體機能、文化信仰和健康行為的綜合判斷，體現了居民對自身健康水平的主觀打分和期望，目前已在國際范圍內廣泛應用于健康評價[37]。有文獻表明，自評健康能夠反映主觀和客觀2個角度的健康狀態，因此可以作為衡量健康狀況的重要指標[38]。本研究對居民自評健康水平采取五級評分制。控制變量包括社會人口學特征，主要選取年齡、性別、婚姻狀況、教育水平、收入水平、有無工作（表1）。

表1 變量定義及統計描述Tab.1 Variable definition and statistical description

4 研究結果

4.1 描述性統計

對樣本個體數據和空間數據進行數據清洗及匹配，刪除自評健康回答中的缺失值以及用于計算BMI取值的身高與體重觀測值中的缺失值和異常值。由于居民收入水平差異巨大，故將其取對數，在不改變數據性質和相關關系的基礎上壓縮了收入這一變量的尺度。

描述性統計結果顯示樣本年齡總體較高，表示研究對象多來自老年群體；女性受訪者數量多于男性；無配偶的受訪者占少數；樣本的受教育水平總體偏低，以及受訪者多數無工作，這可能出于其年齡較高的原因；對樣本的家庭年收入水平進行正態性檢驗，發現變量基本呈正態分布。居民的BMI平均水平呈現出偏高趨勢，自評健康平均水平表現為中等偏上。對比NDVI指數的三級空間范圍發現，植被覆蓋程度整體水平偏低，且隨著緩沖區規模的擴大，NDVI指數有所下降。上海市NDVI指數的分布也直觀反映出中心城區植被覆蓋水平低于郊區植被覆蓋水平這一特征（圖3）。

3 上海市NDVI指數分布遙感影像Remote sensing images of NDVI value distribution in Shanghai

基于23個社區單元對樣本進行進一步的描述性統計，發現83%（19個）的社區居民平均BMI水平高于正常范圍，所有社區居民的平均自評健康水平均高于“一般”這一回答。此外，肥胖和自評健康水平在社區間的波動和浮動存在較大差異，出現了高低、高高、低高、低低組合的4種類型社區（圖4）。此外社區間NDVI指數分布規律存在巨大差異，不同尺度下的NDVI指數高低差異不穩定，具體體現在對于大多數社區300 m的植被覆蓋率最高，而1 000 m的植被覆蓋率較低（圖5）。

4 基于23個社區的居民健康變量平均值分布Distribution of average resident health status variables based on 23 communities

5 基于23個社區的不同緩沖區NDVI變量均值分布Distribution of average NDVI variables in different buffers based on 23 communities

4.2 多元線性回歸模型結果分析

為避免同一模型中多個綠化水平之間共線性對模型結果的影響，在分別以BMI和自評健康為因變量的多元線性回歸基礎模型中，進一步構建以三級空間范圍下的NDVI水平作為自變量的回歸模型。模型擬合結果：方差膨脹因子（Vif）顯示，變量間不存在多重共線性。

在綠化水平對居民BMI的影響研究中，模型1～3為研究社區在3個緩沖區層級的回歸模型（表2）。結果顯示，不同層級空間范圍的綠化水平對居民BMI水平影響不顯著。同時還發現，只有教育水平和自評健康水平與居民BMI顯著相關，教育水平越高人群BMI水平越低；同時自評健康水平越高則BMI水平越低。

表2 以BMI為因變量的多元線性回歸模型結果Tab.2 Results of multiple linear regression model with BMI as dependent variable

在綠化水平對居民自評健康的影響研究中，模型4～6為研究社區在3個緩沖區層級的回歸模型（表3）。結果顯示，綠化水平與居民自評健康顯著正相關，即植被覆蓋程度越高則自評健康水平越高。同時，自評健康均與年齡、性別以及有無工作顯著相關。高齡人群的自評健康水平較低；女性的自評健康水平要低于男性；有工作的人群往往對自身健康狀況評價較好。

表3 以自評健康為因變量的多元線性回歸模型結果Tab.3 Results of multiple linear regression model with self-rated health status as dependent variable

5 結論與討論

本研究基于WHO全球老齡化與成人健康研究的上海樣本數據以及衛星遙感數據，對居住環境的綠化水平與居民BMI和自評健康水平之間的相關關系進行了系統分析。基于社區的描述性統計分析的結果表明，社區之間的植被覆蓋水平與居民健康水平均具有一定的差異。分析顯示大多數社區300 m的植被覆蓋率最高，而1 000 m的植被覆蓋率較低。說明城市公園的布局并沒有基于社區活動尺度。實證分析環節，研究發現居住環境綠化水平對居民的BMI和自評健康的影響存在差異，即綠化水平對居民肥胖不存在顯著影響，而對居民自評健康存在顯著積極影響。并且隨著空間范圍的擴大，植被覆蓋對自評健康的影響逐漸減弱。具體而言，在居住地300 m緩沖區層級的自評健康積極作用大于500、1 000 m緩沖區層級。

1）植被覆蓋水平對居民BMI水平無顯著影響，而對居民自評健康水平具有積極作用，同時自評健康與BMI水平顯著相關。這說明居民主觀健康與生活環境中的自然要素存在聯系，且感知為良好的健康狀態對居民BMI這一客觀生理健康水平具有積極作用，故認為居住環境的綠化建設具有公共健康意義。由于本研究聚焦于植被覆蓋水平，且研究結果表明植被覆蓋水平與居民健康相關，因此對城市綠地率這一量化指標的管控具有一定現實意義。在城市高密度建設地區，綠化建設往往受到空間的限制，可從“系統化、網絡化”的思路出發，在缺乏創造條件的空間開展小規模綠化環境建設，例如屋頂、橋柱、建筑立面的綠化。同時應完善城市綠地生態空間體系，保障城市結構性大型綠地的植被覆蓋水平，加強市民公園的開放性及相互間的連通性。2）研究范圍為基于社區中心所建立的緩沖區，并得出相應的結論。這表示通常對城市綠地建設環節多關注于具有公共性質的公園、廣場等空間，但根據本研究的結果，加強居住環境的綠化建設也是有必要的。改善社區植被覆蓋水平能夠適當提升居民對自身健康狀況的主觀評價。由于距離較短、使用便捷的原因，目前社區綠地仍是大多數居民使用率最高的綠化空間。建議豐富綠化空間的類型，例如選取適宜的街邊巷口打造為小型口袋公園或由居民管理經營的社區花園，在滿足居民日常休閑游憩需求的基礎上提升城市空間資源使用效率，以支持城市的可持續發展[39]。3）模型結果顯示隨著緩沖區范圍擴大，綠化水平對健康的影響逐漸減弱，說明社區綠地的建設也應合理規劃布局，避免“勞而無功”。綜上，建議在城市總體規劃中構建城市綠地系統網絡，以實現綠化空間的服務范圍全覆蓋，有利于提升生態性能和平衡社會公平；在控制性詳細規劃中加強對綠化空間數量、品質、布局的管控，提升植被覆蓋水平，同時合理規劃線性、面狀等各類綠化空間的分布，進一步優化綠地網絡。在城市公共綠化和生活環境綠化方面制定相應的管理政策，注重綠化空間的品質塑造，提高居民對綠化空間的使用率。

目前研究存在以下幾點不足。1）研究采用公開數據NDVI遙感數據為30 m分辨率精度，條件允許時推薦采用商用高精度數據2 m、5 m等分辨率的NDVI數據。需要注意的是，由于植物的季相變化，NDVI數據存在季節性特征，即夏季植被覆蓋較高而冬季較低。因此在研究中需要注意NDVI數據在時間維度的精確性，建議優先選擇夏季數據，以清晰區分植被和非植被區域。就本研究而言，還可通過擴大研究樣本容量這一思路改善這一局限性。2）研究基于WHO全球老齡化與成人健康調查，缺乏部分符合中國語境的控制變量如戶口信息。未來相關研究建議考慮三維視角下的綠化指標，如綠視率等更多尺度的綠化特征，進一步增強結論穩健性。

圖表來源(Sources of Figures and Tables)：

圖表均由作者繪制。圖2～3底圖引自國家地理信息公共服務平臺：全國地理資源目錄服務系統申請非涉密性質的上海市矢量數據shapefile文件。