基于可解释机器学习模型的纽约市噪声投诉影响因素及空间不平等性研究

为解决城市噪声污染对公共健康的复杂影响机制问题，研究人员采用XGBoost和SHAP模型，分析了纽约市557万条噪声投诉数据与交通噪声、人口特征、建成环境等多维因素的关联。研究发现建筑密度和少数族裔人口分布是投诉关键驱动因素，且存在非线性阈值效应，为制定差异化噪声管控策略提供了科学依据。

　　

城市噪声污染已成为现代都市的"隐形杀手"。从睡眠障碍到心血管疾病，高分贝噪音正在悄无声息地侵蚀着居民健康。但令人困惑的是，疫情期间纽约街道明明安静了许多，311热线接到的噪声投诉却暴增48%，这个看似矛盾的现象暴露出传统噪声评估方法的局限性——单纯测量声压级（dB）无法解释人类对噪声的主观感知差异。

为破解这个难题，研究人员开展了一项开创性研究。他们收集了纽约市2010-2022年间557万条311投诉数据，结合交通噪声地图、人口普查和城市建筑特征等26维指标，首次构建了可解释的机器学习分析框架。这项发表在《Environmental Impact Assessment Review》的研究，通过XGBoost回归模型和SHAP解释技术，揭示了噪声投诉背后复杂的非线性作用机制。

研究团队运用了三大关键技术：1）多源空间数据融合技术，将投诉点数据与人口普查区（census tract）单元匹配；2）XGBoost机器学习算法，比较了OLS、随机森林等模型的预测性能；3）SHAP值解释框架，量化各特征对投诉量的贡献度。特别值得注意的是，研究采用声能累积法将离散的交通噪声数据转换为普查区尺度的等效连续声压级（L_a）。

【时空分布特征】
分析显示噪声投诉呈现"南曼哈顿-布鲁克林"双热点格局，其中住宅类投诉占比超51%。疫情期间投诉量逆势上升54%，而同期交通噪声实测值却下降0.17dB，证实声压水平与投诉行为存在解耦现象。

【关键驱动因素】
XGBoost模型（R²=0.70）显示住宅单元密度（43.17 SHAP值）和西班牙裔人口密度（33.60）是最强预测因子。值得注意的是，当建筑密度超过20,000单元/km²时，其正向效应开始衰减，呈现明显的非线性阈值特征。

【空间不平等性】
少数族裔聚居区暴露于双重压力：西班牙裔社区人均住宅单元仅0.36个，远低于白人社区的0.58个。这种拥挤的居住条件与投诉量呈显著正相关，而亚裔群体虽面临类似噪声暴露，却表现出更高的耐受性。

【情景模拟】
降低住宅密度10%可使投诉量减少3.94%，但继续降至30%时边际效益递减至9.73%，证实干预措施存在最优成本效益平衡点。

这项研究颠覆了"噪声越大投诉越多"的常识认知，首次揭示建筑密度与人口特征的交互作用才是投诉行为的核心驱动力。其创新价值在于：1）建立可解释的AI分析框架，突破传统线性模型局限；2）发现环境不平等的新证据，西班牙裔社区承受着建筑过度密集带来的"噪声贫困"；3）为智慧城市噪声治理提供量化工具，如通过优化住宅布局而非简单降噪来提升环境公平性。未来研究可结合实时噪声监测与社交媒体数据，进一步揭示个体感知差异的文化社会学机制。