将热应激和水分胁迫纳入BIOME-BGC模型，以模拟极端气候事件对亚热带针叶林净初级生产力（NEP）的影响

《Environmental Modelling & Software》：Incorporating Heat and Water Stress into BIOME-BGC to Simulate the Impact of Extreme Climate Events on Subtropical Coniferous Forest NEP

本研究开发并验证了UrbHealth-ABM模型，通过模拟阿姆斯特丹交通干预（2019年停车费上涨、2025/2030零排放区、15分钟城市）评估环境健康影响，发现零排放区显著降低氮氧化物暴露并增加身体活动，但可能加剧交通时间不平等。模型验证显示预测精度与自然实验数据一致，揭示了政策的社会空间异质性效应。

　　城市规划在应对环境健康问题方面具有重要潜力。本文通过引入一种基于智能体的模拟模型，展示了其在评估不同干预措施时如何识别出意外和预期的环境健康影响，以及社会不平等现象。模型UrbHealth-ABM基于阿姆斯特丹的实证数据，涵盖了个人出行选择、交通、空气污染、身体活动和个人暴露等多个方面。通过使用2019年停车费用上涨作为自然实验，验证了模型在预测交通减少方面的准确性。对于计划中的2030年无排放区，模型预测了个人氮氧化物暴露的显著下降以及交通相关的身体活动增加，尤其是在经济条件较差的郊区居民中更为明显。然而，这些措施也可能导致旅行时间的不成比例增加，从而引发公平性问题。此外，多个15分钟城市情景表明，虽然驾车可能会增加到远距离目的地，但整体氮氧化物暴露仍然下降，而交通相关的身体活动可能因短距离出行而减少，但节省的出行时间可用于其他缓解措施。

环境健康问题在全球范围内日益严重，其根本原因也在不断变化。污染导致的死亡率在2000年至2019年间上升了66%，成为2019年导致六分之一过早死亡的主要原因。尽管家庭空气污染和水污染有所减少，但环境空气污染和有毒化学污染却在全球范围内上升。根据最新的全球疾病负担报告，空气污染是88种研究风险因素中对全球疾病负担贡献最大的因素。城市化和道路交通是空气污染的主要来源，尤其是氮氧化物（NO2）和黑碳，但也包括直径小于2.5微米的颗粒物（PM2.5）和超细颗粒物（UFP）。此外，缺乏身体活动导致残疾调整生命年（DALYs）的显著增加。鼓励主动出行是提高整体身体活动水平的有效策略。通过影响交通和环境基础设施，城市在预防健康负担方面拥有巨大的潜力，尽管这一潜力尚未被充分挖掘。一些城市已经采取了减少交通相关排放的政策，包括价格（如停车费、税费、公共交通）、土地利用、基础设施、行为、技术、管理与监管等方面。对干预效果进行后实施评估的研究提供了有价值的见解，使城市能够互相学习。

然而，每个城市在地理、人口结构、资源和文化方面都有所不同，这些差异会影响健康行为和环境压力源。因此，一个城市的干预效果可能无法推广到其他城市。此外，在实施前理解干预影响如何在本地地理中展开，包括哪些社会群体受影响最大、何时何地以及可能的负面效应，对于综合和可持续的城市规划至关重要。最后，由于存在许多可能的干预类型，每种干预都有多种实施方式（如不同的范围、位置、时间段和社会群体等），因此无法等待所有干预及其变体的实验性测试来确定最有效的措施。一旦基础设施干预实施，往往难以更改。因此，在实施前进行干预情景的时空建模对于补充全球后干预分析是必要的。

空间基于智能体的模型（ABMs）在模拟环境健康情景方面具有特别的潜力，因为它们可以捕捉个人与不断变化环境之间的互动，这种互动对于城市环境健康干预尤为重要。最重要的是，可以模拟（a）城市环境如何影响交通或其他健康相关行为选择，（b）交通或其他行为如何影响环境压力源，（c）个人之间如何相互影响，以及（d）个人在时空轨迹中的环境压力源暴露情况。通过这种方式，ABM能够代表社会、时间和空间的异质性，包括局部效应，以及反馈循环，这些通常是城市规划和公共卫生研究中的关键因素。最后，由于ABM是过程驱动的，它允许我们对不同情景进行干预效果的预测。

尽管ABM已被广泛用于交通建模，但目前关于城市环境健康ABM的实施还很少。一些应用关注于理解现状，如模拟个人空气污染暴露、研究住宅隔离背景下饮食收入不平等、分析人类行为对空气污染的影响、户外近处的休闲出行、收入隔离与健康食品的可及性、以及社区的食品、身体活动和教育环境和种族差异肥胖等问题。然而，很少有ABM研究分析干预对健康结果的影响。例如，有研究探讨了调整就业与住房关系政策对二氧化碳的影响、环境干预对儿童身体活动的影响、远程办公政策、减少饮食收入不平等的干预措施以及体育参与、拥堵收费对排放、空气质量及暴露的影响。这些研究表明，ABM可以用于健康干预情景的建模。然而，大多数研究尚未包含实证行为模型来估算干预影响。此外，尽管最近对ABM的兴趣和研究数量有所增长，但ABM工作仍受到科学严谨性不足的批评。例如，一项综述发现，2013年至2019年间的肥胖相关行为ABM缺乏有效性、透明度和可重复性，并且常常基于无数据、无验证或校准的假设。

本文通过一个案例研究，展示了ABM在评估城市环境健康干预情景中的实用性。我们的目标是证明这样的ABM可以（1）基于实证并结构化验证，（2）准确预测自然实验中的干预影响，（3）进行不同类型的情景分析，包括预测、模拟和回溯，（4）提供与政策相关的社会、空间和时间异质性信息，以及（5）捕捉干预的意外和负面效应。在我们的用例中，我们评估了阿姆斯特丹不同交通干预情景对健康的影响。我们介绍了UrbHealth-ABM（城市健康情景基于智能体模型），并提供了对模型及其基础数据输入的开放访问。我们的模型包含一个地理参考的合成人口，其时间活动模式基于交通和时间使用调查，一个经过实证训练和验证的出行方式选择模型，一个经过校准和验证的NO2空气污染模型，以及一个基于时空聚合的个人暴露评估模型。我们首先使用干预前的数据模拟了已实施的干预措施，即2019年的停车费上涨，并将其效果估计与相应的自然实验进行比较，以测试模型预测的有效性。其次，作为未来干预情景的示例，我们模拟了阿姆斯特丹计划中的2025年和2030年无排放区。最后，我们模拟了一个基于理论的情景：将阿姆斯特丹转变为一个15分钟城市，即城市的主要功能在15分钟步行、骑行或公共交通范围内。

本文接下来的章节将讨论案例研究和干预的选择。随后，我们将详细说明开发空间ABM和计算健康指标的方法。然后，我们将呈现模拟结果，突出关键发现及其对城市规划和公共卫生政策的含义。

我们选择阿姆斯特丹作为研究对象，因为该市有详细的城市地理、行为、环境和个人传感器数据。此外，阿姆斯特丹实施了多个经过实证评估的规划干预措施，这些措施可用作验证的自然实验。同时，阿姆斯特丹的高城市密度和混合用途开发模式为研究交通干预如何影响健康结果提供了动态环境。最后，阿姆斯特丹在欧洲拥有最高的氮氧化物浓度之一，尤其是在其规模相对较小的情况下。

我们选择了三种干预措施来研究基于智能体情景建模的潜力。首先，我们模拟了一个已实施的干预措施，以验证模型的预测准确性并探索影响发生的方式和原因。其次，我们模拟了一个近未来的干预情景，以展示ABM如何用于支持当前决策。最后，我们模拟了一个基于理论的变革性干预情景，以支持关于城市未来的更广泛讨论。

在这些干预措施中，我们识别了个人健康结果的空间、时间和社会模式。我们估计了个人对氮氧化物的暴露，计算了包括户外到室内渗透率（O/I）在内的不同情况下的暴露水平。此外，我们估算每周交通相关的代谢当量小时（METh），其中代谢当量（MET）量化了身体活动的强度，而METh则代表了身体活动的总体量。最后，我们估算由于氮氧化物暴露减少或身体活动增加而带来的生命年增加（LYG）。这些指标总结了重要的交通干预健康影响，与全球疾病负担（GBD）项目相一致。暴露指标捕捉了立即的环境和行为因素对健康的影响，而LYG则量化了从减少暴露或增加身体活动带来的长期寿命预期增加。此外，我们量化了中间干预结果，这些结果有助于解释干预的公共卫生影响，如出行方式选择的变化、平均出行时间、室内停留时间、氮氧化物浓度和交通量的变化。

为了模拟干预的影响，我们实施了以下模型组件。首先，我们构建了一个具有地理参考的合成人口，以捕捉与行为和反应相关的空间和社会异质性。其次，我们为合成人口中的每个个体生成了活动时间表。第三，我们开发了一个出行方式选择模型，该模型还捕捉了建成环境的影响。第四，我们使用了不同的出行方式的路线模型。第五，我们采用了交通分配模型。第六，我们开发了一个自适应的氮氧化物空气污染模型。第七，我们构建了一个个人暴露模型。通过这些模型，我们能够对干预情景进行模拟，并分析其对健康指标的影响。

合成人口的构建基于我们之前开发的方法和开源软件包GenSynthPop。我们通过结合邻里边际分布和多变量联合分布来逐步构建人口，以捕捉空间分布和人口统计、社会经济、生理和行为属性之间的多变量相关性。该方法通过迭代比例拟合和确定性分配来实现，将拟合的分数分配给本地子人口，基于条件变量。补充表格1和2列出了合成人口的属性和使用的数据。

合成人口还需要为每个个体代理生成活动时间表。为此，我们使用了调和欧洲时间使用调查（HETUS）的微观数据，生成了每天每小时的活动时间表。HETUS涵盖了代表性的个体，记录了他们在每10分钟的活动情况。我们将HETUS活动代码重新分类为9种不同类型的地理地点。我们还重新分类了HETUS的位置数据，以确定个体是否在每一步中改变位置。随后，我们将重新分类的活动和位置时间表分配给合成人口，基于年龄组、性别、收入和教育水平。

每种活动类型都与特定的地理地点类型相关联。我们的地点分类基于从行政来源、Foursquare和Open Street Map收集的点兴趣（POI）数据。一些目的地在初始化时是固定的，因为它们被认为不会改变。在初始化时，代理被分配一个居住地（合成人口的属性），如果他们工作，则被分配一个随机的专业POI，如果他们学习，则被分配一个随机的大学POI，如果他们是学生，则被分配最近的学校POI，如果他们去幼儿园，则被分配最近的幼儿园POI，如果他们去购物，则被分配最近的超市POI，如果他们外出，则被分配最近的公园POI。在模拟过程中，如果活动目的地与当前位置不同，他们将选择一种出行方式。

出行方式选择模型是估算干预影响的关键。为了确保所选决定因素确实对出行行为具有因果关系，我们在之前的论文中开发了一种方法，自动从已发表的系统综述和荟萃分析中提取证据，以识别一致显著的决定因素。我们还加入了天气（降雨、风速、温度、风向）和出行目的（通勤、休闲、购物、教育、接送人）变量，将变量集扩展到56个。我们加入这些额外因素是因为它们似乎直观地影响出行方式选择，提高了模型性能，并且不会因不同聚合级别（时间、行程）与现有（个体和环境）造成混淆。我们通过将变量聚合为与路线相交的单元格的平均值，或在行程起点或终点的值来处理这些变量。

我们更新了模型，用随机森林模型替换了决策树方法。虽然决策树在我们之前的研究中对于评估较少研究的变量的有效性分析非常有用，但它们不太适合我们ABM所需的预测任务。决策树容易过拟合，并且由于分区过程，依赖于有限的变量，几乎以二元方式运行。随机森林和其他更深层次的架构克服了这一限制。我们比较了多种模型类型和集成方法，基于加权F1分数，并测试了它们的表面有效性。表面有效性通过比较关键干预变量的敏感性与先验知识进行评估。我们还测试了预测和观察到的出行方式选择的社会分布拟合情况。我们校准了基于树的方法的最大树深度、最小叶样本数、梯度提升方法的学习率，以及多层感知机模型的隐藏层大小。随机森林在加权F1分数（10折交叉验证平均0.742）和强表面有效性方面表现最佳。

我们使用开放源代码路线机（OSRM）来模拟代理的路线。每种出行方式都有一个独特的网络和行驶速度，使得方式特定的路线和行程时间估算成为可能。OSRM通过Lua配置文件将交通方式特定的路网成本最小化，以计算最短路径和行驶时间。驾驶配置文件考虑了限速、转弯限制和交通信号，而骑行配置文件优先考虑专用骑行基础设施，考虑了表面类型，并调整了道路适合性对速度的影响。步行配置文件强调行人安全，优先考虑人行道、人行道和安全的过马路地点，考虑了表面条件和访问限制。我们使用了可用的步行、骑行和驾驶配置文件。

交通分配模型估计了模拟交通样本的总街道流量。我们首先将代理的汽车行程分配到路网中。为了从每小时的代理数量推断总流量，我们拟合了一个线性回归模型。我们使用荷兰NDW数据来校准这个交通外推模型。回归系数被用来缩放每条道路的代理数量。基于缩放后的代理数量，我们计算了剩余的交通流量，并将其添加为本地每小时的截距，以考虑非居民交通。我们的模型在10折交叉验证中，对阿姆斯特丹居民的2.5%样本（21750个代理）的平均R2为0.96。

我们开发并验证了一个NO2交通微模拟空气污染模型和开源软件包CellAutDisp。该模型结合了土地利用回归来计算背景NO2，以及基于气象和形态变量的细胞自动机模型来模拟道路到非道路的NO2排放扩散。细胞自动机模型使用向量代数计算一个依赖于气象的移动窗口，用于模拟扩散，然后通过空间形态构造进行迭代调整。模型中的所有参数都通过遗传算法进行了校准。我们使用了50米x50米的网格分辨率。模型在外部验证中取得了R2为0.60的成绩，优于国家大气扩散模型，并通过模拟2020年冠状病毒封锁期间的交通减少作为自然实验，达到了R2为0.58的成绩。该模型不包括室内NO2来源。

我们模拟了两种类型的个人暴露：1）NO2暴露和2）身体活动。我们模型生成的NO2浓度地图用于估算每个代理在行程和目的地中的个人暴露。为此，每小时的行程轨迹和活动地点与该小时的NO2浓度地图进行空间连接。然后，根据在相应地点（行程轨迹或活动目的地）花费的时间比例对浓度值进行加权，再进行求和以获得每小时的平均值。基于以往研究中的实证证据，我们还通过一个0.51的过滤器来模拟户外到室内的NO2渗透。

我们基于主动出行行程估算交通METh。MET衡量的是每分钟每公斤体重的氧气消耗，除以3.5。我们只计算骑行和步行活动，因为它们与健康益处相关。MET值来源于《身体活动综合手册》。骑行被分配为5.8的边际MET，步行为2.5的边际MET，公共交通为0.75 MET（假设一半的行程涉及步行）。METh通过将行程时间（分钟）乘以边际MET并除以60来计算。我们对一周内的所有METh进行求和，以获取每周METh。我们还基于2019年健康调查（Gezondheidsenquête）的微观数据计算了非交通相关的每周METh，并将其与合成人口结合，基于人口统计、社会经济和家庭结构变量。我们通过结合交通和非交通值来估算总每周METh。

在ABM的基准情景中计算的平均每周交通METh（21.1）与调查估算的交通METh（2019年为23.3 METh，2023年为20.3 METh）相当。然而，没有交通METh的人群比例被略微低估。由于ABM中的交通METh是基于通过时间活动时间表、出行方式模型和路线模型生成的行程，因此存在一些预期的差异。

我们实施了一个生命表分析来估算从NO2暴露和每周METh变化中获得的健康效果。对于NO2，我们拟合了一个对数线性函数，以计算所有原因死亡率的相对风险（RR）为每10微克/立方米NO2估计为1.02。对于METh/周，我们拟合了一个样条函数，以计算来自队列荟萃分析的RR分布。分析考虑了年龄、性别和暴露情况，以计算基准和情景下的预期寿命。两者的差异代表了生命年增加（LYG）。为了使风险值分布对齐，我们估算了一个基准参考暴露值，以匹配观察到的平均死亡率。我们通过将估算的个体RR值除以参考值的RR值，再乘以个体暴露来计算。我们没有使用METh/周的阈值来判断健康益处何时停止，因为荷兰的身体活动分布与荟萃分析分布存在差异。

我们实施了干预建模，包括停车费上涨、无排放区和15分钟城市情景。停车费上涨情景通过替换出行起点和终点的停车费来模拟。此外，我们假设非居民交通会根据代理的交通行为成比例变化。

无排放区情景模拟了2025年和2030年的无排放区计划。我们首先基于合成人口中的电动车辆（EV）所有权数据，对EV的访问进行了预测。预测基于按收入、年龄、性别、家庭类型、区域频率和过去五年EV销售趋势分层的EV所有权数据。在2025年情景中，我们估计26.6%的车辆将是EV，13.1%的阿姆斯特丹人口将拥有EV（在家庭中）以及另外36.3%的人拥有非EV。我们还估计了商业车辆车队中EV的比例为45%。在2025年的无排放区范围内，商业排放车辆被设为零，因为受到禁止，而在区外，非EV商业交通则根据EV比例进行减少。使用EV的行程不产生排放。出行方式和路线选择不受影响，因为非EV行程在无排放区范围内未受到限制。

在2030年情景中，我们预测100%的个人和商业车辆将是EV，但个人车辆拥有率预计将下降44.8%，只有27.3%的人口将拥有EV访问。由于阿姆斯特丹将禁止非EV车辆，因此整个模拟范围都属于受影响区域，不需要重新规划路线。在情景中，没有EV访问的人将无法选择汽车进行行程。此外，由于没有排放交通，汽车交通不会对NO2浓度产生贡献。

我们模拟了15分钟城市情景，通过计算每个可感知环境网格中心的步行等时线（代表步行15分钟可达的区域）来实现。随后，我们将城市不同功能的POI与这些等时线相交，以估计差距和过剩的便利设施。为了解决这些差距，我们在缺乏特定功能的等时线内随机添加POI，并从过剩的相同功能等时线中移除相同数量的POI，如果存在足够的过剩，则移除所有可用的过剩设施。结果的空间重新分布可视化在补充图22–29中。这种方法模拟了POI的重新分布，以实现所有住宅区的15分钟可达性。新的POI分布用于重新计算便利设施密度和多样性变量，这些变量影响出行方式选择。此外，我们使用修改后的POI分布作为代理的地点选择模型的潜在目的地数据集。

我们测试了两种情景的实验：（1）我们模拟了一个情景，其中活动地点选择等同于基准情景。（2）我们模拟了一个极端情景，其中代理总是选择在15分钟等时线内的目的地。我们假设一个现实的活动地点选择必须介于这两个情景之间。

我们模拟了每三个月一次的一周，以捕捉季节变化对出行方式选择和NO2扩散的影响。我们首先模拟了基准情景，然后实施了一个反事实情景，以分析不同干预情景的相对影响。为了评估人口样本的不确定性，我们进行了蒙特卡洛模拟，使用了10个不同的人口随机子集。我们使用了10次模型运行的平均值作为结果的最佳估计，并分析了标准差以衡量不确定性。我们还比较了不同人口样本规模（21,750人，即阿姆斯特丹居民人口的约2.5%）和43,500人（即阿姆斯特丹居民人口的约5%）的实验结果。

我们采用多级策略进行模型验证。首先，我们使用了所有模型组件的实证实验基础和某些组件的结构验证。我们使用了关于地理、行为和人口统计的标准数据源来生成合成人口、活动时间表和所有环境属性。此外，我们使用实证数据校准或训练了最重要的子模型（参见行为模型和NO2模型部分）。我们进一步基于自动证据提取进行行为模型的结构验证，并进行了合理性评估（表面有效性）。我们使用2020年冠状病毒封锁的自然实验验证了NO2模型。最后，我们使用了过去干预（2019年停车费上涨）的模拟数据，进一步验证了整个模型。对于后者，我们计算了干预区域的交通流量，并将其与Ostermeijer等人的研究结果进行了比较。

我们测试了来自（1）人口规模、（2）人口抽样以及（3）出行方式选择概率分布抽样的不确定性。我们通过分析一组模型运行的变异系数（CV）来获取一种尺度不变的不确定性度量。此外，我们计算了上界和下界95%置信区间，以帮助解释结果。我们分析了相应的不确定性及置信区间，包括个人NO2暴露、个人NO2暴露与O/I、交通METh、每小时步行行程、每小时骑行行程、每小时驾驶行程、每小时公共交通行程、交通流量、NO2等。此外，我们还为所有这些结果值计算了不同时间聚合水平（总平均、每小时平均、每日平均和每月平均）的不确定性度量。分析表明，公共交通每小时行程的人口样本不确定性最大，但即使在总平均下，CV也仅为1%，每小时平均下为3%。主要暴露结果的不确定性非常小（NO2为0.1%与平均值的置信区间[24.338,24.367]；交通METh为0.4% [21.037,21.153]）。所有其他变量的不确定性都低于1%。出行方式选择概率抽样的不确定性也低于1%，除了每小时公共交通行程，其为1%。完整的不确定性分析结果见补充表9。我们通过模型设计、校准、验证和自然实验分析来尽量减少其他难以量化的不确定性（如来自数据和模型规格的不确定性）。

我们的结果进一步表明，拥有代表性的合成人口并模拟其行为对于个人暴露评估至关重要。人们的移动轨迹以及在室内空间停留的时间与渗透率是影响个人暴露和社会异质性的关键因素。

我们的发现展示了ABM在健康影响评估中的实用性。未来的研究应致力于改进ABM的子模型，例如使用更先进的交通建模方法，将UrbHealth-ABM扩展为包括其他相关暴露和社会经济、人口统计和物理过程的模型，并通过个人追踪和传感器数据等扩展验证。此外，与城市规划者合作将有助于理解这些模型如何融入综合规划过程。城市模拟可以支持我们城市转型所需的许多措施，以有效应对当今社会和环境挑战。

尽管UrbHealth-ABM以逻辑一致的方式整合了许多因素，并且在最重要的方面得到了验证，但它仍然存在一些限制。所有子模型都可以改进，因为总是有可能获得更好的数据和更现实的特征。然而，有五个显著的限制。首先，地点选择模型仍然主要基于假设。我们使用了活动数据、POI数据和人们是否在每个时间步骤改变位置的数据，但没有数据来模拟人们如何在潜在目的地中选择目的地。这在15分钟城市情景中尤为重要。其次，交通路线模型可以改进。特别是，公共交通路线不在OSRM中，因此我们假设“步行”路线类似于公共交通路线，但调整了公共交通的行驶速度。这一选择在保持模型可操作性的同时，对我们的主要结果变量影响有限。第三，荷兰人口的体力活动水平（在ABM估算和调查微观数据中）高于用于估算相对风险（RR）得分的队列。尽管我们调整了RR得分以匹配本地死亡率数据，但它们在我们的体力活动估算中的普遍性可能有限。就空气污染模型而言，我们没有区分车辆类型。然而，NO2模型仍然表现稳健，优于国家大气扩散模型，并准确预测了2020年封锁相关的NO2减少。最后，该模型未包含宏观层面的因素，如人口变化、土地利用变化、气候变化、住房市场动态和财富变化。不包括这些因素意味着预测无法完全准确。然而，我们可以解释不同干预措施的相对影响。

我们分析了过去的干预（回溯）、近未来的干预（预测）以及假设的干预（投影）。对于每种干预情景类型，ABM都扮演着至关重要的角色。在回溯情景中，ABM情景建模有助于解释干预效果，并通过外部效果测量来验证ABM。在预测情景中，ABM情景建模有助于识别关键异质性和可能的副作用，这些可以在干预设计和政策制定过程中考虑。这可能有助于预防负面结果并实现社会分配正义。例如，政策制定者可以在实施2030年无排放区时，前瞻性地应对郊区居民因无法负担电动车而出现的出行时间增加的不平等负担。在投影情景中，ABM情景建模可以识别理论假设中的意外副作用、敏感性和不一致。例如，15分钟城市情景显示了在阿姆斯特丹背景下交通体力活动减少和向新郊区目的地交通增加的风险。

我们的结果进一步表明，拥有代表性的合成人口并模拟其行为对于有效的个人暴露评估至关重要。人们的移动轨迹以及在室内空间停留的时间和渗透率是影响个人暴露和社会异质性的关键因素。

我们的发现展示了ABM在健康影响评估中的实用性。未来的研究应致力于改进ABM的子模型，例如使用更先进的交通建模方法，将UrbHealth-ABM扩展为包括其他相关暴露和社会经济、人口统计和物理过程的模型，并通过个人追踪和传感器数据等扩展验证。此外，与城市规划者合作将有助于理解这些模型如何融入综合规划过程。城市模拟可以支持我们城市转型所需的许多措施，以有效应对当今社会和环境挑战。