多尺度地理加权回归揭示环境与社会经济因素对慢性健康结果的空间驱动作用——以美国哈里斯县人口普查区为例

《Frontiers in Public Health》：Geospatial modeling of environmental and socioeconomic drivers of health outcomes

　　

目的：本研究旨在计算美国德克萨斯州哈里斯县在精细的人口普查区尺度上，七种慢性健康状况——高血压、哮喘、慢性阻塞性肺疾病（COPD）、卒中、癌症、糖尿病和频繁心理困扰——与关键环境、建成环境和社会经济决定因素之间的空间变化关联。

方法：研究人员采用三种方法：普通最小二乘回归（Ordinary Least Squares, OLS）、地理加权回归（Geographically Weighted Regression, GWR）和多尺度地理加权回归（Multiscale Geographically Weighted Regression, MGWR），利用2022年数据建立关联模型。研究人员进一步使用2020至2024年的数据对已开发模型进行验证。

结果：MGWR在每种健康结局中均优于OLS和GWR，提高了调整后R²（例如，血压从0.57增至0.75，癌症从0.58增至0.70），并将校正后赤池信息准则（corrected Akaike Information Criterion, AICc）降低了数百点。贫困和颗粒物（PM_2.5）是最一致的预测因子，其最强正系数集中在靠近工业走廊和低收入社区的中央、东部和东南部人口普查区。不同决定因素在各自不同的空间尺度上起作用，且对2020、2021、2023和2024年重新估计该框架重现了2022年的模式（|ΔR²|≤0.09），确认了模型的稳定性。这些精细分辨率结果识别出了全局模型可能忽略的特定高负担社区。

结论：通过允许每个决定因素在其自身空间尺度上起作用，MGWR产生了一个可转移的框架，用于在健康数据稀疏或缺失的地方识别脆弱社区并估计慢性病负担。精细分辨率的人口普查区结果可有助于引导基于地点的公共卫生干预措施投向哈里斯县东部和东南部地区，这些地区贫困、空气污染和慢性病患病率重合，支持更高效和更有针对性的资源分配。

**研究背景与问题**

慢性健康状况如哮喘、慢性阻塞性肺疾病（COPD）、卒中和糖尿病受到环境暴露、建成环境特征和社会经济因素的复杂影响。现有研究表明，细颗粒物（PM_2.5）和臭氧（O₃）暴露与呼吸系统及心血管疾病风险增加密切相关，而贫困、失业、缺乏保险等社会经济因素也与慢性病负担显著关联。然而，这些关系在空间上往往并非均匀一致，甚至在同一都市区内也存在显著差异。传统全局回归模型如普通最小二乘回归（OLS）无法捕捉这种空间异质性；地理加权回归（GWR）虽允许系数局部变化，却假设所有变量在同一空间尺度上起作用。多尺度地理加权回归（MGWR）则允许每个解释变量拥有独立的空间带宽，能更真实地反映多尺度过程。

当前研究存在的一个知识缺口是：鲜有研究在精细人口普查区尺度上，将环境暴露、建成环境特征和社会经济变量同时纳入多尺度模型，用于预测多种慢性健康结局；且多数工作仅关注单一结局或单一类别预测因子，也较少评估空间模型在缺失或不完整健康数据时的预测能力。因此，研究人员利用2022年美国德克萨斯州哈里斯县的人口普查区数据，构建统一的OLS、GWR和MGWR建模框架，并利用2020—2024年数据进行稳健性检验，以填补上述空白。

**研究开展与主要结论**

研究人员系统评估了PM_2.5、臭氧、不透水面比例、房龄、贫困率、失业率和无保险率七项预测因子对七种慢性健康结局（高血压、哮喘、COPD、癌症、卒中、糖尿病和频繁心理困扰）的关联。结果显示，MGWR在所有健康结局中均优于OLS和GWR，调整后R²显著提高，AICc大幅降低。贫困和PM_2.5是最一致且最强的预测因子，其正效应集中分布于工业走廊附近及低收入社区所在的中央、东部和东南部区域。不同决定因素在各自特征空间尺度上运行，且2020、2021、2023和2024年的模型均稳定重现了2022年的空间格局（|ΔR²|≤0.09）。这一框架可迁移用于健康数据稀疏或缺失地区的慢性病负担估计，为精准公共卫生干预提供了可操作的靶向依据。

**关键技术方法**

研究人员使用2022年哈里斯县人口普查区尺度数据，其中健康结局估计来自美国疾病控制与预防中心（CDC）的PLACES项目；PM_2.5和臭氧浓度来自美国环保署（EPA）遥感信息网关（RSIG）的层次贝叶斯模型（HBM）融合产品；不透水面数据来自多分辨率土地特征联盟（MRLC）；房龄及社会经济指标来自美国社区调查（ACS）。建模采用OLS、GWR和MGWR，MGWR通过后拟合算法为每个变量独立优化带宽，所有变量均标准化为z分数。模型性能以调整后R²和AICc评估，并用2020、2021、2023和2024年数据验证时空稳定性。

**研究结果**

*3.1 哈里斯县数据的空间变异性*

通过可视化2022年各变量空间分布发现，健康结局与环境、建成环境和社会经济变量均呈现明显空间异质性。例如，哮喘、高血压、卒中和糖尿病的高发社区存在重叠，而PM_2.5与臭氧的分布模式不同；贫困、心理健康、房龄和无保险率则呈现相似的空间聚集。视觉观察虽有助于初步判断，却无法综合量化多变量对健康的联合影响，因此需要空间建模。

*3.2 OLS与空间自相关*

OLS回归显示，贫困和失业等社会经济变量与多数健康结局显著正相关，无保险率和不透水面则多呈负相关。各模型调整后R²介于0.56（血压）至0.86（心理健康）之间。进一步Moran's I检验表明，所有OLS残差均存在显著正空间自相关（p<0.001），说明全局模型遗漏了空间结构，支持采用GWR和MGWR。

*3.3 基于GWR的空间分析*

GWR较OLS普遍提高了调整后R²（如血压从0.567增至0.715，癌症从0.576增至0.661），AICc也大幅下降。局部R²高值集中在中央和东南部都市核心区，而北部和西部外围拟合较弱。系数分布显示贫困和PM_2.5等预测因子的效应强度在空间上存在明显变化。

*3.4 基于MGWR的空间分析*

MGWR进一步改善了模型表现，调整后R²最高为心理健康（0.910）、糖尿病（0.879）和哮喘（0.854），癌症最低（0.695）。空间系数图显示，贫困对哮喘、糖尿病等的影响在中央和东南部最强；PM_2.5对哮喘、COPD、糖尿病和卒中的正系数在东部及中央靠近工业走廊的人口普查区最突出；房龄对癌症和血压的影响在东北和东南老社区更强；无保险率对心理健康的正相关集中在南部和东部；臭氧对癌症的正相关广泛见于东部一半区域。

*3.5 OLS与GWR比较*

在所有健康结局中，GWR均获得比OLS更高的调整后R²和更低的AICc，例如血压AICc从4458降至2341，说明加入空间非平稳性可有效增强解释力。

*3.6 GWR与MGWR比较*

MGWR在所有结局中均优于GWR，调整后R²进一步提升（如血压从0.715增至0.753，糖尿病从0.835增至0.879），AICc更低，表明允许各预测因子以不同尺度起作用能更精确地刻画空间过程。

*3.7 2020—2024年模型稳健性*

将相同框架应用于2020、2021、2023和2024年数据后，所有结局的|ΔR²|≤0.09，|ΔAICc|≤110，主要预测因子的方向和显著性均与2022年一致，局部R²的中央—东南高、外围低的空间格局逐年重复。这说明2022年识别的关联并非单年偶然，而是反映持续存在的结构性健康差异。

**讨论总结与结论翻译**

讨论部分指出，贫困与全部七种健康结局均呈正相关，PM_2.5与哮喘、COPD、糖尿病和卒中相关，臭氧与癌症及心理健康相关，缺乏保险是心理健康负担的重要预测因子。老房龄与癌症和血压相关，而不透水面的效应相对较复杂。模型在北部和西部外围拟合较弱，提示可能存在未被纳入的因素，如饮食、文化习俗或其他环境暴露。局限性包括：使用区域层面数据可能受可修改面积单元问题（MAUP）影响；缺少个体水平变量与临床生物标志物；模型属于关联性分析而非因果推断。未来可结合时空扩展模型、纵向数据和机器学习方法，进一步提高预测与干预价值。

研究结论可翻译为：本研究结合OLS、GWR和MGWR，绘制了德克萨斯州哈里斯县人口普查区尺度上环境、建成环境和社会经济因素与七种慢性健康结局之间的关联图。通过允许每个预测因子在其自身空间尺度上起作用，MGWR在每种结局中均优于全局OLS和单带宽GWR，产生最高的调整后R²和最低的AICc。贫困和PM_2.5是最有影响力和空间上最持久的预测因子，最沉重的负担集中在靠近工业走廊和低收入社区的中央、东部和东南部人口普查区。对2020、2021、2023和2024年重新估计该框架，在较窄的稳定性阈值内重现了2022年的空间模式，表明所识别的关联反映持续结构性条件而非单年巧合。因此，该框架不仅可用于解释当前差异，还可用于估计健康数据缺失或不完整的人口普查区或年份的慢性病负担。这些发现应被视为关联性而非因果性，并受区域层面和可修改面积单元问题限制。未来研究应纳入个体层面和时间数据、额外风险因素及临床生物标志物，并结合机器学习方法，将MGWR系数面转化为决策支持工具，以实施空间靶向干预。总体而言，多尺度空间建模为在城市化、工业化地区识别和优先排序脆弱社区提供了可操作且可转移的基础。