《Frontiers in Public Health》：Mobility-informed hospital siting for accessible and lower-carbon healthcare travel: an ensemble learning study in Tianjin, China
编辑推荐：
医疗设施布局塑造了就医可及性、出行负担及出行相关碳排放。然而，传统的选址评估通常依赖供给侧指标，未考虑患者的实际出行方式。本研究利用天津市中心城区九家三级甲等医院的2,596份就诊者问卷，以及道路网络、公交与地铁站点、快速路和兴趣点（Point of Inte
医疗设施布局塑造了就医可及性、出行负担及出行相关碳排放。然而，传统的选址评估通常依赖供给侧指标，未考虑患者的实际出行方式。本研究利用天津市中心城区九家三级甲等医院的2,596份就诊者问卷，以及道路网络、公交与地铁站点、快速路和兴趣点（Point of Interest, POI）等多源空间数据，评估了六个空间与交通指标：调查就诊者密度、区域服务覆盖、交通可达性、距快速路距离、公共交通覆盖率和路网密度。研究采用以图卷积网络（Graph Convolutional Network, GCN）为主导的集成学习（ensemble learning）框架，预测受访者与医院之间的供需关系，并从服务效用、出行效率和低碳绩效方面比较不同情景。受访者普遍报告的可接受出行范围在20 km以内、60分钟以内，而随着换乘站点数量增加，其使用直达公共交通的意愿下降。在该研究的验证程序下，集成框架的报告验证精度超过90%。在评估的情景中，J1组合具备中等调查就诊者密度、高服务覆盖、高可达性、距快速路较远、高公共交通覆盖率和中等路网密度，该情景的相对碳排放水平最低。通过纳入观测到的出行约束，该框架可支持城市公共卫生基础设施的更可达与低碳规划。由于该分析基于单一城市的医院调查，更广泛的应用需要基于人群的数据和外部验证。
研究背景与问题
优质医疗资源短缺和空间分布不均是各国面临的共同挑战。经济合作与发展组织（Organization for Economic Co-operation and Development, OECD）报告指出，卫生人力和设施短缺会造成就医机会的不平等。在中国，8%的城市承担区域医疗中心功能，而35%的城市存在医疗资源短缺。空间错位会延长就医出行、使出行需求集中于城市中心并加剧医院周边拥堵，进而增加交通碳排放。传统医院选址评估多依赖供给侧指标，如设施容量、服务范围、距离和出行时间，往往将潜在服务覆盖等同于实际利用，忽视了患者的真实出行行为。患者就医受出行时间耐受、换乘负担和可用交通方式等约束，尤其对体弱、时间紧张或行动受限人群影响显著。因此，有必要将观测到的医疗出行行为纳入医院选址评估，以同时改善可达性并降低出行碳排放。
研究内容与主要结论
本研究以天津市中心城区为案例，选取九家三级甲等医院，于2023年5月15日至6月15日在医院入口、门诊和住院部开展随机拦截问卷调查，共获得2,596份有效问卷（有效率为86.53%）。研究结合道路网络、公交与地铁站点、快速路、兴趣点等多源空间数据，构建了六个空间与交通指标，包括调查就诊者密度、区域服务覆盖、交通可达性、距快速路距离、公共交通覆盖率和路网密度。以图卷积网络（GCN）为主导的集成框架被用于预测受访者与医院间的供需关系，并通过碳排放计算比较服务效用优先、出行效率优先和低碳优先等情景。研究发现，受访者普遍报告可接受出行距离在20 km以内、出行时间在60分钟以内；随着公交站点数量增加，其使用直达公共交通的意愿下降；内部验证精度超过90%；在评估情景中，J1组合的相对碳排放水平最低。该框架通过纳入观测到的出行约束，可为城市公共卫生基础设施的可达与低碳规划提供支持。
主要技术方法
研究采用问卷调查与多源空间数据融合的方法，将研究区划分为200 m×200 m网格并提取指标；利用图卷积网络（GCN）、LightGBM和线性回归三种模型，以70%、15%和15%的权重进行软投票集成；基于受访者与医院之间的欧氏距离阈值构建二分关系矩阵作为GCN邻接矩阵，以医院选择为监督标签进行训练。碳排放计算采用Feng等提出的方法，依据出行距离、频率、时间、拥堵等级及排放系数，仅对出租车/私家车出行进行估算。样本来源为天津市中心城区九家三级甲等医院的就诊者及陪同人员（2023年5—6月现场调查）。
研究结果
4.1 医疗出行的空间选择与交通方式：通过问卷统计和空间匹配发现，受访者选择医院的主要原因是专科服务能力（占39.74%–64.45%），其次为医院声誉和就近便利。私家车或出租车是最常用交通方式（占31.02%–57.92%），步行或骑行为20.86%–30.56%，公交为12.96%–22.92%，地铁为3.83%–22.44%。
4.2 出行距离与时间耐受：多数受访者报告的可接受出行距离集中于20 km以内，可接受出行时间集中于60分钟以内。重视专科服务的受访者往往报告更高的距离和时间耐受，而重视就近便利者的耐受较低。
4.3 公共交通使用意愿：当有直达公共交通时，受访者从高碳方式转向公共交通的意愿随站点数量增加而下降，从不超5站时的8.64%–18.21%降至超过15站时的1.66%–4.65%。
4.4 集成框架内部验证：通过将模型生成的关系与观测到的受访者—医院关系进行对比，内部验证准确率超过90%，表明模型能较好捕捉研究数据中的供需关系模式。
4.5 情景评估结果：在服务效用优先组中，A1（高调查就诊者密度）相对碳排放等级为低，A2为中，A3为高；在出行效率优先组中，N1相对碳排放为低，N2为中，N3为高；在低碳优先组中，J1（组合为中等调查就诊者密度、高区域服务覆盖、高交通可达性、距快速路大于1,000 m、高公共交通覆盖率、中等路网密度）相对碳排放最低，J2为高。
4.6 候选位置：在J1情景下，模型从随机生成的2,000余个候选位置中识别出十个预测相对碳排放最低的新建三级甲等医院位置。
讨论与结论
讨论指出，医院选择是服务质量、等待时间、出行成本与医疗需求之间的权衡，仅凭服务半径或直线距离无法反映实际出行模式。公共交通可达性不仅取决于站点覆盖，还与线路直达性、换乘便利和总出行时间相关。情景评估表明，医院选址应视为服务覆盖、出行条件与低碳绩效之间的多目标权衡，没有任何单一指标单独决定结果。研究局限性包括：样本仅来自九家医院的就诊者，不能代表未就医或使用其他设施的人群；调查就诊者密度采用等量分配可能平滑居住区内部异质性；未收集年龄、收入、疾病类型和行动能力等个体特征；模型仅经过内部验证，迁移性未知；碳排放估算使用分类交通状况和报告系数，精度有限。研究结论为：利用天津市中心城区2,596份医院调查问卷和空间交通数据，本研究开发了一个以GCN为主导的集成框架，用于出行信息驱动的医院选址情景评估。受访者报告的可接受出行时间集中于20 km和60分钟以内，使用直达公共交通的意愿随线路站点数增加而下降。在评估的情景中，J1组合的相对碳排放水平最低。这些发现支持在医院选址评估中纳入观测到的医疗出行行为，而非仅依赖静态服务范围。然而，结果仅适用于九家选定医院的就诊者、本研究的指标定义、内部验证程序和相对排放类别；在将该框架应用于其他城市或用于最终选址决策前，仍需基于人群的需求数据和外部验证。
