在快速城市化进程中,随着城市热岛效应的加剧,越来越多的城市居民面临更高的温度[1]。长期处于高温环境会导致热应激,增加健康风险,包括呼吸系统疾病[2]、心血管疾病[3]以及肾脏疾病[4]。重要的是,热量暴露在人群中的分布并不均衡,给某些社会群体带来了更大的负担,比如老年人、低收入人群以及少数族裔,这进一步加剧了城市环境的不平等现象[5]。因此,了解热量暴露的差异已成为一项重要的研究课题。
以往的研究主要从静态角度探讨热量暴露的差异,重点关注年龄、性别和收入等社会人口统计特征。这些研究利用居住地网格化的温度数据(如地表温度或空气温度)来描述个体的暴露情况,因此将观察到的差异主要归因于居住环境的差异[6,7]。例如,由于居住区周围绿地较少且不透水表面占比较高,低收入和边缘化群体更容易面临较高的热量暴露风险[8]。虽然这种视角提供了有价值的见解,但它很大程度上忽视了个体日常移动行为对时间和空间上暴露状况的影响。
与静态分析方法不同,近期研究指出,人类的移动行为在决定个体热量暴露方面起着重要作用[9,10]。尤其是那些有固定通勤习惯的人与那些有探索性活动的人,他们所处的热环境存在巨大差异[11]。现有研究表明,有固定通勤习惯的人往往会反复前往少数熟悉的地点,而探索性活动的人则会将活动范围扩展到更多不同的地方[12]。有固定通勤习惯的人通常遵循固定的通勤路线,比如“家-工作地”或“家-学校”路线[13],由于作息时间固定,他们往往会频繁前往少数几个固定地点。因此,他们的移动模式相对可预测,主要集中在一些经常光顾的地点,如家庭和工作场所[14]。相比之下,越来越多的证据表明,有些城市居民的移动模式较为不规律,他们会在一些偶尔光顾的地点以及特殊地点花费更多时间[15]。这些探索性活动较强的人,包括灵活工作者和远程办公者[16,17],其移动行为更加灵活,受时间和日程安排的约束较小。
有固定通勤习惯的人与探索性活动较强的人在移动模式上的差异,使得他们在不同时间和地点面临不同的热环境。有固定通勤习惯的人由于频繁前往少数几个经常光顾的地点,尤其是工作场所,因此积累的暴露量较大[18]。以往的研究表明,工作场所是这些人大部分时间所在的地方,也是导致暴露不平等的重要因素[19]。而探索性活动较强的人则会接触到更多不同热环境的地点,这使得他们的暴露模式更具多样性和不确定性[20]。更广泛的移动范围也有助于通过在不同温度环境下分配时间,从而使暴露程度更加均衡[21]。探索性活动要么可能因为将人带到更热的地区而增加暴露风险,要么可能因为将人带到较凉爽的环境而降低热应激。因此,有固定通勤习惯的人与探索性活动较强的人在热量暴露方面的差异,是由他们不同的行为模式所导致的。
为了更准确地反映暴露差异,基于移动性的暴露量评估方法(MBE)相比基于居住地的暴露量评估方法(RBE),能更精准地体现个体的暴露情况[6,22]。RBE往往无法反映日常活动的时空变化以及随之变化的城市环境,因此难以区分不同移动群体之间的暴露差异。近期的一些研究通过引入随时间变化的评估指标来估算MBE,通常关注工作日的职场暴露情况以及夜间的家庭暴露情况[23]。虽然这种改进能更好地反映有固定通勤习惯的人的暴露情况,但对于那些移动行为更为多样化的探索性活动较强的人来说,仍显不足。
许多研究依赖于通过问卷调查、访谈或便携式GPS设备收集的高精度移动轨迹数据[18,24]。然而,这些方法的局限性在于样本量小、成本高、观测时间短且覆盖范围有限。相比之下,基于位置的服务领域的大数据——如手机信号数据、智能卡记录、社交媒体签到信息——为大规模、高时空分辨率地追踪个体移动行为提供了新的可能性[25]。例如,手机定位数据能够记录数百万人的出行地点和移动轨迹,并且能够在长时间的观测过程中持续更新[26]。这些特点有助于更准确地识别有固定通勤习惯的人和探索性活动较强的人及其移动模式,从而提高MBE的估算精度。有一些研究开始利用大数据探讨人类移动行为如何影响个体层面的MBE[10,27]。他们发现,向周边地区的移动会对暴露差异产生更大影响[28],而更长的行程距离也与更大的暴露差异相关[29]。然而,这些简化的移动指标不足以解释由不同移动结构所带来的暴露差异。
对现有研究的回顾揭示了三个主要不足:首先,大多数研究关注的是预先定义的社会人口统计类别之间的暴露差异[30,31],很大程度上忽略了有固定通勤习惯的人与探索性活动较强的人之间的差异。他们不同的行为模式可能导致不同的暴露结果,这一点亟需进一步研究。其次,以往的研究在评估暴露情况时虽已纳入移动因素,但通常依赖自我报告的调查或GPS追踪数据[18,24]。这些方法往往存在抽样偏差、覆盖范围有限以及成本较高的问题。因此,有必要利用手机信号数据等大数据,有效地识别并区分有固定通勤习惯的人和探索性活动较强的人。第三,尽管现有研究已经探讨了与热量暴露相关的移动指标,如行进方向、距离和频率[21,29],但仅依靠距离或频率这样的指标并不足以解释两者之间的暴露差异。他们复杂的访问模式——即在不同地点停留的时间长短不一——对他们的暴露结果有着重要影响。
为弥补这些不足,本研究旨在回答三个核心问题:(1)如何利用手机信号数据,根据移动模式有效地识别并区分有固定通勤习惯的人和探索性活动较强的人?(2)如何通过结合手机定位数据与模拟温度数据,准确估算这两类人的个体热量暴露水平?(3)有固定通勤习惯的人与探索性活动较强的人在热量暴露方面存在哪些差异,又是哪些因素导致了这些差异?由于中国重庆具有明显的热岛效应以及复杂的人类移动模式,这些因素使得该地区的热量暴露情况更为复杂,因此我们选择重庆作为案例进行研究。