居住环境绿化水平对居民体质指数（BMI）和自评健康的影响研究——以上海为例

肖扬 张宇航 匡晓明

1 研究背景

改革开放40年，中国城镇化成就卓越。随着中国进入生态文明建设的新时代，中国城镇化发展正面临从高速度到高质量的重大转变。中国的快速城镇化在推动城市经济高速增长的同时，极大改变了中国城市建成环境面貌，与此同时也给城市居民带来了诸多公共健康威胁。文献显示早期的城市公共健康威胁主要为传染性疾病，时至今日已转变为肥胖[1]、心脑血管疾病等非传染性疾病以及各类慢性病[2-3]。肥胖可能会带来许多健康风险，包括糖尿病、心脏病和某些癌症。在1975—2014年里，近200个国家的人均体质指数（body mass index, BMI）有显著上升并呈现继续增长的趋势，而中国肥胖人口规模已达世界第一[4]，且中国成年人超重率从22.8%提高至30.1%。此外，2010年《中国慢性病及其危险监测报告》显示，尽管中国成年居民的自评健康状况较往年有所改善，然而仍有超过40%的居民自评健康状况为一般、差或非常差[5]。自评健康反映了人们对自身健康状况的主观判断，通过身高与体重客观数字计算所得的BMI是衡量肥胖的国际通用标准，二者之间又存在一致性，即作为疾病预测指标，它们都能够有效反映身体健康状况[6]。

现代城市规划源自英国的公共卫生法[7]，而建成环境对居民的健康效应一直是国内外学者关心的重要课题，其中城市绿化空间的健康效应一直是研究热点。学界普遍认为绿化空间可以促进人们的体育锻炼，从而实现良好的体重控制，此外绿化空间能够促进社会交往，调节居民的心理健康[8]。然而，有学者发现绿化水平和BMI之间的关系具有一定的复杂性，绿化水平对健康的积极作用受研究所在空间区位、交通环境等条件的影响，同时由于年龄、收入以及教育等个体特征的不同，在不同人群之间可能存在较大差异[9]385。Feng等对既有文献进行综述，并解释背后可能的原因是使用不同的方法来测量绿化空间的特征[10]，以城市规划学科为例，传统的方法主要基于用地信息、测量到公园的距离、活动范围内的公园面积等信息。对于城市尺度研究居住区内部的绿化信息缺乏有效工具。此外，中西方城市在城市形态方面存在巨大差异，高密度地区的绿化水平和居民肥胖的系统研究尚缺乏。

2 相关研究进展

2.1 绿化环境对居民健康影响机制

建成环境作为承载经济活动的物质空间，对居民健康的影响因素众多，包括物质空间设计、健康行为活动、社会环境和健康社会服务等多个维度[11]，其影响机制路径也十分复杂（图1）。既有研究显示分析城市绿化对健康的影响路径可从自然环境的健康价值解释机制的角度出发，基于心理进化应激恢复理论（Stress Recovery Theory, SRT）和注意力恢复理论（Attention Restorative Theory, ART）[12]，对二者的关系进行深入分析。其中SRT认为，在自然环境中产生的积极的情绪可反向抑制压力生理学的负担，而ART认为自然环境的恢复性特征使得脑力劳动量降低，提供有助于个体休息和恢复的注意力参与机会[13]。Jiang等[14]提出了城市绿化空间对健康的作用机制框架，主要内容包括促进身体锻炼、舒缓精神压力、减轻精神疲劳、提供生态产品与服务以及提升社会资本。而James等[15]认为绿化空间是通过减轻压力与重塑认知、增强体力活动、促进社会交往、减轻噪声、调控温湿度以及过滤空气污染以促进健康。Fong等[16]通过进一步总结认为绿化空间对健康主要的影响为减少物理环境的危害、减轻生理和心理压力以及促进健康相关活动（如锻炼和社交）。

1 绿化空间影响健康的路径总结Summary of the paths of green space affecting people’s health

2.2 绿化空间与BMI及自评健康的实证研究

关于城市绿化空间与肥胖（超重），多数研究表明二者之间存在着一定的联系[8,17-21]。例如，欧洲一项跨国研究发现在绿化程度较高的地区，居民超重或肥胖风险降低40%[19]612。Cummins和Fagg[20]1109-1110通过对英国2000—2007年的相关数据进行分析认为绿地规模与BMI显著相关。而Nielsen和Hansen[8]847-848发现到绿地的距离与肥胖之间存在负相关。Sarkar等[18]39-42认为绿化空间的可达性与BMI显著负相关，其原因可能为可达性高的绿化空间的利用效率提高，方便居民进行身体锻炼，有利于降低BMI水平。Mowafi等[9]发现当社会经济地位改变后，绿化空间的可达性与BMI之间无明显相关，导致肥胖问题的更主要原因可能在于低收入群体饮食结构的缺陷。国内研究得出类似结论，孙佩锦和陆伟[22]通过回归模型探索大连绿化空间对健康的影响，并以社会环境为调节变量，控制人口特征，研究显示：公园可达性与超重或体力活动无关，仅1 200 m尺度的植被指数与中强度运动有正向关联。

而绿化水平与居民自评健康影响方面，Dillen等[23]通过对荷兰的80个社区及其附近的街道绿化质量进行评估，发现绿化空间的质量与自评健康之间存在正相关。Akpinar等[24]基于国家土地利用数据集统计了居住环境中绿化空间的占比，并结合自评健康数据进行分析，发现二者之间并无显著相关，并提出应当将绿化空间分类考虑而不是简单汇总。Coppel等[25]对德国柏林的城市绿地与居民自评健康进行分析，得到了同样的结果，在缓冲区范围内根据归一化植被指数（normalized difference vegetation index, NDVI）计算的植被覆盖率小于2.5%时，自评健康受到负面影响；而在住宅与绿地之间距离大于200 m时，自评健康显著下降。Reid等[26]使用同样的方法划分了不同半径规模的缓冲区，发现绿化水平与自评健康正相关，且这一关系在不同范围的缓冲区内存在差异。Dadvand等[27]通过研究发现，NDVI水平与自评健康正相关，居民主观的住宅与绿地之间距离与自评健康负相关。

Feng等[10]185-187指出大量实证研究的结果存在差异，这一差异可能源自衡量绿化空间的方法不同。传统的方法通常从城市绿化空间的植被规模、物种多样性、斑块结构和可达性等特征出发，建立与居民健康水平之间的统计学模型[28-29]。各研究对绿化特征的空间信息获取途径种类繁多，包括城市土地利用规划与城市绿地系统规划方案等。Reid等[26]和Su等[30]在研究中指出，Landsat卫星的30 m分辨率数据能够较好地反映研究对象空间的植被覆盖水平。NDVI具有多种优势，与传统方法相比，遥感数据具有较高的公开性，同时NDVI算法相对客观且不受研究尺度的影响，传统的地理信息系统（Geographic Information System, GIS）方法需要预设距离的阈值[31]。此外，NDVI可逐年逐月追踪比较，反映植被覆盖水平及其时间变化，因而被广泛应用于生态环境监测等工作中[32]。随着遥感、地信系统与全球定位系统技术的发展，包括卫星定位与导航、传感器、计算机等多种技术集成应用于城市绿化特征信息的采集、处理与分析已成现实。绿化数据全球化环境下获得的各地数据具有可比性，并且有助于全球统一绿化评价体系的构建。除NDVI数据外，Ye等[33]通过机器学习算法收集并提取了谷歌街景（Google street view, GSV）图像进而获得绿视率这一指标，以实现对可视绿化的准确测量。绿视率作为三维空间绿化水平的测度，可能更好地反映实际绿化空间的水平[34]。

国内相关研究正逐步展开[22]35-38，但对于大城市人口高密度地区的绿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与Wütemann[25]的研究框架，依托卫星遥感技术，运用NDVI对植被覆盖水平进行量化，探究中国高密度地区绿化空间对居民肥胖与自评健康的影响效应。采用世界卫生组织（World Health Organization, WHO）全球老龄化与成人健康调查数据，以上海市23个社区中的5 000余名居民为研究对象，探究上海社区绿化水平对居民的健康影响。该研究重点关注以下3个问题：1）上海社区间的肥胖程度和自评健康水平是否存在差异？2）社区绿化水平对居民的客观健康（BMI）和主观健康（自评健康）的影响是否存在差异？3）居住环境绿化水平对居民健康的空间影响范围是多少？研究结论可进一步理解如何主动干预优化居民健康，为如何实施《健康中国2030》国家战略提供科学支撑。

3 研究数据与方法

3.1 数据来源

本研究使用WHO全球老龄化与成人健康研究在上海市的第一轮调查数据。选取上海市黄浦区、虹口区以及闵行区3个行政区域，基于样本异质性原则，根据不同乡镇或街道的社区规模与类型选取23个社区（图2），采用按容量比例概率抽样方法（probability proportion to size, PPS）随机抽取5 241名个体作为研究对象。

2 空间单元在上海市中的区位The locations of the spatial units in Shanghai

NDVI数据来自Landsat 8卫星所携的OLI陆地成像仪（Operational Land Imager）所记录的上海市范围内9个波段中的红波段（Band 4 RED）和近红外波段（Band 5 NIR），分辨率为30 m。利用ENVI 5.1软件平台，通过辐射定标、大气校正等手段对原始数据进行预处理，进而通过NDVI归一化处理计算工具，得到上海市NDVI数据及其分布遥感影像图。

在ArcGIS 10.3软件中根据社区边界识别社区中心，并以该中心为圆心分别划定300、500、1 000 m半径的缓冲区作为研究社区单元的空间范围，同时在NDVI遥感影像中提取相应范围内的植被覆盖信息，并计算出缓冲区内的NDVI平均值以确定每位个体样本生活环境的植被覆盖水平。

3.2 研究方法

本研究基于STATA 14.0统计分析软件平台，采用多元线性回归统计分析方法。在绿化水平对BMI和自评健康的影响研究中，分别构建多元线性回归模型进行分析，模型设置如下：

式中：Y作为因变量，在不同模型中分别代表BMI和自评健康；X1为绿化水平变量；C为控制变量；β0表示模型截距，β1和β2为回归系数，ε0为误差项。

NDVI指标的计算方法为遥感影像中近红外波段反射值与红光波段的反射值之差除以二者之和，表达公式如下：

式中：NIR表示近红外波段，RED表示红波段；NDVI取值范围为[-1，1]，取值越大则表示植被覆盖水平越高。Weier等[35]将NDVI划分为以下几个等级：-1～0为水体，0～0.1为岩石、沙和雪原（贫瘠），0.2～0.3为灌木和草地，0.6～0.8为温带、热带雨林。

目前国际对于肥胖的判定通常以人口的BMI为依据，这一指标通过体重（kg）除以身高的平方（m2）获得。BMI取值越高表示越肥胖。2003年，当时的中国卫生部疾病控制司针对中国人口体质的特殊性对BMI等级提出了新的划分方法：18.5＜BMI＜23.9表示体重正常，24 ≤BMI表示体重超重，24＜BMI＜27.9表示肥胖前期，28 ≤BMI表示肥胖[36]。

自评健康集合了生理学、心理学、社会学角度以及对人体机能、文化信仰和健康行为的综合判断，体现了居民对自身健康水平的主观打分和期望，目前已在国际范围内广泛应用于健康评价[37]。有文献表明，自评健康能够反映主观和客观2个角度的健康状态，因此可以作为衡量健康状况的重要指标[38]。本研究对居民自评健康水平采取五级评分制。控制变量包括社会人口学特征，主要选取年龄、性别、婚姻状况、教育水平、收入水平、有无工作（表1）。

表1 变量定义及统计描述Tab.1 Variable definition and statistical description

4 研究结果

4.1 描述性统计

对样本个体数据和空间数据进行数据清洗及匹配，删除自评健康回答中的缺失值以及用于计算BMI取值的身高与体重观测值中的缺失值和异常值。由于居民收入水平差异巨大，故将其取对数，在不改变数据性质和相关关系的基础上压缩了收入这一变量的尺度。

描述性统计结果显示样本年龄总体较高，表示研究对象多来自老年群体；女性受访者数量多于男性；无配偶的受访者占少数；样本的受教育水平总体偏低，以及受访者多数无工作，这可能出于其年龄较高的原因；对样本的家庭年收入水平进行正态性检验，发现变量基本呈正态分布。居民的BMI平均水平呈现出偏高趋势，自评健康平均水平表现为中等偏上。对比NDVI指数的三级空间范围发现，植被覆盖程度整体水平偏低，且随着缓冲区规模的扩大，NDVI指数有所下降。上海市NDVI指数的分布也直观反映出中心城区植被覆盖水平低于郊区植被覆盖水平这一特征（图3）。

3 上海市NDVI指数分布遥感影像Remote sensing images of NDVI value distribution in Shanghai

基于23个社区单元对样本进行进一步的描述性统计，发现83%（19个）的社区居民平均BMI水平高于正常范围，所有社区居民的平均自评健康水平均高于“一般”这一回答。此外，肥胖和自评健康水平在社区间的波动和浮动存在较大差异，出现了高低、高高、低高、低低组合的4种类型社区（图4）。此外社区间NDVI指数分布规律存在巨大差异，不同尺度下的NDVI指数高低差异不稳定，具体体现在对于大多数社区300 m的植被覆盖率最高，而1 000 m的植被覆盖率较低（图5）。

4 基于23个社区的居民健康变量平均值分布Distribution of average resident health status variables based on 23 communities

5 基于23个社区的不同缓冲区NDVI变量均值分布Distribution of average NDVI variables in different buffers based on 23 communities

4.2 多元线性回归模型结果分析

为避免同一模型中多个绿化水平之间共线性对模型结果的影响，在分别以BMI和自评健康为因变量的多元线性回归基础模型中，进一步构建以三级空间范围下的NDVI水平作为自变量的回归模型。模型拟合结果：方差膨胀因子（Vif）显示，变量间不存在多重共线性。

在绿化水平对居民BMI的影响研究中，模型1～3为研究社区在3个缓冲区层级的回归模型（表2）。结果显示，不同层级空间范围的绿化水平对居民BMI水平影响不显著。同时还发现，只有教育水平和自评健康水平与居民BMI显著相关，教育水平越高人群BMI水平越低；同时自评健康水平越高则BMI水平越低。

表2 以BMI为因变量的多元线性回归模型结果Tab.2 Results of multiple linear regression model with BMI as dependent variable

在绿化水平对居民自评健康的影响研究中，模型4～6为研究社区在3个缓冲区层级的回归模型（表3）。结果显示，绿化水平与居民自评健康显著正相关，即植被覆盖程度越高则自评健康水平越高。同时，自评健康均与年龄、性别以及有无工作显著相关。高龄人群的自评健康水平较低；女性的自评健康水平要低于男性；有工作的人群往往对自身健康状况评价较好。

表3 以自评健康为因变量的多元线性回归模型结果Tab.3 Results of multiple linear regression model with self-rated health status as dependent variable

5 结论与讨论

本研究基于WHO全球老龄化与成人健康研究的上海样本数据以及卫星遥感数据，对居住环境的绿化水平与居民BMI和自评健康水平之间的相关关系进行了系统分析。基于社区的描述性统计分析的结果表明，社区之间的植被覆盖水平与居民健康水平均具有一定的差异。分析显示大多数社区300 m的植被覆盖率最高，而1 000 m的植被覆盖率较低。说明城市公园的布局并没有基于社区活动尺度。实证分析环节，研究发现居住环境绿化水平对居民的BMI和自评健康的影响存在差异，即绿化水平对居民肥胖不存在显著影响，而对居民自评健康存在显著积极影响。并且随着空间范围的扩大，植被覆盖对自评健康的影响逐渐减弱。具体而言，在居住地300 m缓冲区层级的自评健康积极作用大于500、1 000 m缓冲区层级。

1）植被覆盖水平对居民BMI水平无显著影响，而对居民自评健康水平具有积极作用，同时自评健康与BMI水平显著相关。这说明居民主观健康与生活环境中的自然要素存在联系，且感知为良好的健康状态对居民BMI这一客观生理健康水平具有积极作用，故认为居住环境的绿化建设具有公共健康意义。由于本研究聚焦于植被覆盖水平，且研究结果表明植被覆盖水平与居民健康相关，因此对城市绿地率这一量化指标的管控具有一定现实意义。在城市高密度建设地区，绿化建设往往受到空间的限制，可从“系统化、网络化”的思路出发，在缺乏创造条件的空间开展小规模绿化环境建设，例如屋顶、桥柱、建筑立面的绿化。同时应完善城市绿地生态空间体系，保障城市结构性大型绿地的植被覆盖水平，加强市民公园的开放性及相互间的连通性。2）研究范围为基于社区中心所建立的缓冲区，并得出相应的结论。这表示通常对城市绿地建设环节多关注于具有公共性质的公园、广场等空间，但根据本研究的结果，加强居住环境的绿化建设也是有必要的。改善社区植被覆盖水平能够适当提升居民对自身健康状况的主观评价。由于距离较短、使用便捷的原因，目前社区绿地仍是大多数居民使用率最高的绿化空间。建议丰富绿化空间的类型，例如选取适宜的街边巷口打造为小型口袋公园或由居民管理经营的社区花园，在满足居民日常休闲游憩需求的基础上提升城市空间资源使用效率，以支持城市的可持续发展[39]。3）模型结果显示随着缓冲区范围扩大，绿化水平对健康的影响逐渐减弱，说明社区绿地的建设也应合理规划布局，避免“劳而无功”。综上，建议在城市总体规划中构建城市绿地系统网络，以实现绿化空间的服务范围全覆盖，有利于提升生态性能和平衡社会公平；在控制性详细规划中加强对绿化空间数量、品质、布局的管控，提升植被覆盖水平，同时合理规划线性、面状等各类绿化空间的分布，进一步优化绿地网络。在城市公共绿化和生活环境绿化方面制定相应的管理政策，注重绿化空间的品质塑造，提高居民对绿化空间的使用率。

目前研究存在以下几点不足。1）研究采用公开数据NDVI遥感数据为30 m分辨率精度，条件允许时推荐采用商用高精度数据2 m、5 m等分辨率的NDVI数据。需要注意的是，由于植物的季相变化，NDVI数据存在季节性特征，即夏季植被覆盖较高而冬季较低。因此在研究中需要注意NDVI数据在时间维度的精确性，建议优先选择夏季数据，以清晰区分植被和非植被区域。就本研究而言，还可通过扩大研究样本容量这一思路改善这一局限性。2）研究基于WHO全球老龄化与成人健康调查，缺乏部分符合中国语境的控制变量如户口信息。未来相关研究建议考虑三维视角下的绿化指标，如绿视率等更多尺度的绿化特征，进一步增强结论稳健性。

图表来源(Sources of Figures and Tables)：

图表均由作者绘制。图2～3底图引自国家地理信息公共服务平台：全国地理资源目录服务系统申请非涉密性质的上海市矢量数据shapefile文件。