城市建成环境：urban built environment 文中用BE代替

论文节选整理翻译：建筑2003班 郭子瑜 201906021111

国际卫生地理学杂志

2019年冠状病毒病病例在大都市的传播:以空间句法方法分析

作者：Yepeng Yao, Wenzhong Shi, Anshu Zhang, Zhewei Liu and Shuli Luo

摘要

背景:城市建成环境（BE）已成为全球公认的影响传染病传播的主要因素之一。然而，街道网络对2019冠状病毒 (COVID- 19)发病的影响研究还不够。导致COVID-19的严重急性呼吸综合征冠状病毒比以往的呼吸道病毒的传染性更强，因为街道网络是人类相互接触的地方，这突出了它的空间结构在COVID-19传播中的作用。特别是在高密度地区。为了填补这一研究空白，本研究利用空间句法理论，研究了城市建成环境对香港COVID-19病例空间扩散的影响。

方法:收集2020年1月18日至10月5日全国累计确诊病例及对应地区3815例病例资料。基于空间句法理论，选取6个空间句法指标作为城市BE的量化指标。随后，应用线性回归模型和地理加权回归模型探索COVID-19病例与城市BE之间的潜在关系。此外，考虑空间异质性和尺度效应，采用自适应带宽进一步提高了GWR模型的性能。

结果:新冠肺炎病例的地理分布与城市BE有很强的相关性。具有较高整合度integration (行人到达街道所需认知复杂性的衡量指标)和中间度中心性值(空间网络可达性的衡量指标)的地区，确诊病例往往较多。此外，具有自适应带宽的地理加权回归模型在预测COVID-19病例传播方面具有最佳性能。

结论:本研究揭示了街道网络的空间配置与COVID-19病例的传播之间存在很强的正相关关系。事实证明，城市区域的拓扑结构、网络可达性和中心性可以有效预测新冠肺炎的传播。本研究还揭示了新冠肺炎疫情传播的潜在机制，显示出显著的空间变异和规模效应。本研究有助于现有文献从空间句法角度研究COVID-19病例在局部范围内的传播，为疫情防控提供参考。

关键词:新冠肺炎，城市建成环境，空间句法，地理加权回归

介绍

2019冠状病毒病(COVID-19)大流行是人类历史上最严重的全球传染病大流行之一。严重急性呼吸系统冠状病毒2型综合征是COVID-19的病因，可通过呼吸道飞沫或身体接触传播。新冠肺炎已成为一种城市级空气传播疾病，将持续威胁人类健康。政府、研究机构和公司正试图延缓这种疾病的传播。

在COVID-19大流行早期至中期，对COVID-19发展的空间分析大多是在国家和省级层面进行的。随着疫情的不断发展和世界各地病例的增多，出现了大量的研究，探索COVID-19在城市尺度甚至更微观的社区尺度上的传播。这些研究侧重于不同视角，包括COVID-19的时空格局、人类流动与疾病传播、发病风险和BE。在之前的研究中，大量研究从建筑密度、城市基础设施、公共设施和服务等方面对BE进行分析，研究新冠肺炎疫情的传播机制。

街道网络是城市交通系统的重要组成部分，是分析城市道路网络中容易通过人的相互作用传播的疾病分布格局的关键。因此，许多研究都强调了街道网络在传染病传播中的重要性。传统研究通常将街道网络作为交叉口密度的度量手段，但对城市层面的街道网络空间配置及其对COVID-19病例分布的影响尚未进行全面研究。也就是说，一条更完整的街道会吸引更多的人类活动，因此感染的几率更高。

为了填补这一知识空白，本研究旨在通过香港这个人口密集和高度发达的大都市的城市环境空间配置，来设想COVID-19如何在城市尺度上传播以及传播到何种程度。引入六种道路网络空间形态的空间句法和拓扑测度，以及一种混杂变量人口密度，对其关系进行建模。此外，采用普通最小二乘(OLS)、经典地理加权回归(GWR)和自适应带宽的高级地理加权回归(GWR)模型对这些指标与近10个月新冠肺炎病例空间分布的关系进行了建模。基于空间配置的研究框架适用于其他高密度、复杂的城市或区域。我们的结论的普遍性可以是

图一：中国香港的地理区位

图二：研究区域病例的地理分布

图三：研究区域某一区域的道路中心线图和轴线图（axial graph）

研究材料和方法

研究区域

香港的平均人口密度为每平方公里6754人，是世界上人口密度最高、高度发达的大都市之一(图1)。它的城市BE对各种传染病的传播起到了积极的作用。例如，香港是2003年SARS流行期间受影响最严重的地区，有1700多例确诊病例和299人死亡。超过300宗个案分布于九龙人口稠密区一个大型高层住宅小区的几个街区。流行病学家发现，香港人口稠密，社会接触的机会多，可能是沙士感染率高的主要原因。在2020年COVID-19大流行期间，香港最常见的控制措施是自我隔离和保持物理距离。然而，在拥挤的城市空间中很难保持严格的身体距离，从而导致COVID-19传播的风险增加。因此，在第二波和第三波疫情期间(2020年3月初至4月初和6月底至10月底)，本地病例显著增加，而大量输入病例构成了第一波疫情(2020年1月至3月)。特别是到2020年10月底，第三次浪潮已经带来了超过4000个新病例导致香港出现严重流行病。

数据收集与处理

2019冠状病毒病发病率数据是从2020年1月18日至10月5日COVID-19地理空间仪表盘(由香港卫生防护中心、卫生署、发展局、地政总署和一组志愿者共同设计)收集的。仪表板提供了所有确诊病例的细节(确诊病例是一个人有一个共同firmatory病毒测试执行通过咽喉拭子,鼻拭子或唾液测试,样品测试及功率,对SARS-CoV-2,导致COVID-19的病毒),包括人口统计每种情况下,简短的旅行史和在潜伏期的地点记录。我们在仪表盘上提取了这些案件公开宣布时的地理位置。排除境外输入病例和隔离中心确诊病例1299例后，共提取确诊病例3815例(图2)。

研究区域被划分成一个细胞网格，分辨率为1千米×1千米。为了将研究重点放在日常活动较多的地区，根据香港地政总署公布的官方数据，将郊野公园、荒地、闲置用地等非建成区排除在外。

空间句法的措施

本研究采用多种空间句法指标对城市BE进行了定量描述。空间句法寻求将城市空间表示为轴线，从而有别于传统的基于分段节点的网络测量方法。具体来说，轴向图代表城市空间有两个原则:(1)代表特定空间的轴线必须是空间中最长的线;(2)线的数量必须尽可能少。图3演示了将道路地图转换为轴向图，其中删除了许多存根和节点。

在构建了研究区域的轴向图之后，又引入了六个经典的空间句法度量，degree, control value, mean depth, local depth, integration, between- ness centrality,利用数据集中的数据作为城市BE的指标。广泛使用的几何指示器长度也被使用。

基于OLS的线性回归

OLS-based线性回归计算之间的关系——船COVID-19病例数和空间句法措施使用两个基本假设,即(1)误差项是独立的,有一个恒定的方差在研究区,(2)独立变量不相关的错误。

y是病例数，截距是x，i 是第i个度量值，是随机误差。

图4香港2019年冠状病毒病确诊病例核密度

实验结果

个体空间语法测量与COVID-19病例之间的单变量回归结果

每个空间语法测量与COVID-19发病率之间的单变量回归结果为表1。在空间句法度量中，中间度、中心性(图5a)和整合度(图5b)相对于COVID-19确诊病例数的R2值最高。从R值的正值可以看出，两项指标均与确诊病例数呈正相关。

控制，度， between centrality都是一个区域在整个空间中重要性的指标。前两种度量只考虑了网络的拓扑特性，而中间度中心性同时考虑了网络的拓扑特性和通过关注节点的最短路径数。因此，中间中心性对病例数的预测效果最好。深度值越高，意味着该地点不太可能是人类活动发生的地方。因此，正如预期的那样，深度与确诊病例数呈负相关，但R2值较低，说明深度并不是解释确诊病例数的良好指标用例。与深度反映的人类活动密度相比，中间性中心性反映的与来自其他地区的人相遇和社会接触的机会与新冠肺炎的发病风险更相关。。

表1预测案例数量的空间语法度量和单变量回归结果的计算结果

图5 a城市区域间中心性与b城市区域一体化

图6局部R2 固定带宽下地理加权回归模型的值;B带宽= 100

讨论和结论

人类对空间的认知不是基于城市的整体，而是基于城市中被细分的小部分。因此，要定量分析城市区域间的差异，就必须将一个大的城市空间分解成更小的、独特的空间单元。以往的研究已经认识到新冠肺炎的发病风险预测、空间分布和传播模式。然而，大多数的研究都侧重于相对粗糙的尺度上的物理建筑环境，如各县(市)的道路和建筑密度。新冠肺炎与城市环境空间配置关系的探讨较少，尤其是对城市环境空间配置关系的探讨较少

道路网络使我们无法理解COVID- 19如何与这一关键因素相互作用。

本研究发现，在控制了可能的影响因素后，COVID-19发病率与空间句法措施之间存在明显而强的相关性。本研究采用6个空间句法指标(代表城市BE)和1个混杂因素(人口密度)来解释香港COVID-19病例的地理分布格局。单变量分析表明，COVID-19发病率高度依赖于整合性和中间性度量，而较少依赖于程度和长度。有趣的是，与其他指标相比，人口密度显示出相对较弱的相关性，这与大多数公共卫生研究相反，人口密度一直被认为是与传染性风险相关的关键因素。然而，这一发现在香港的背景下包含了一些类似的证据。例如，KA发现，在调查香港的covid-19传播时，人口密度与访问地点没有显著关系。此外，Lai et al.调查了2003年香港严重急性呼吸系统综合症(SARS)的扩散模式，发现不论人口密度如何，城市地区的人比农村地区的人感染该疾病的风险更高。尽管如此，COVID-19病例的分布呈现出截然不同的趋势。

此外，本研究还证明了具有自适应带宽的GWR模型在预测covid-19病例差异融合方面的有效性。本研究采用具有自适应带宽的GWR模型，该模型考虑了城市和农村地区的异质性。由于新冠肺炎病例在城市和农村地区的分布是异质性的，因此需要对GWR模型的带宽进行相应的调整。这种校正大大改善了GWR拟合结果，并有助于确定城市BE与COVID-19病例分布之间的关联。具体来说，我们根据新冠肺炎病例分布情况，将带宽调整为城市小、农村大。总体而言，该模型的拟合优度优于OLS模型和固定带宽下的常规GWR模型。正如以往大多数关于传染病传播的研究声称，人口密集的城市地区更容易传播流感和H1N1等传染病，城市中心比农村地区有更高的发病风险。然而，本研究强调了一个重要但被忽视的因素:街道网络的空间配置，这可以部分解释感染如何传播，并显示出高度的一致性。

在香港的市区、新市镇及乡郊地区。也就是说，一个更加一体化的街道可能会增加感染的机会。这也与一项研究的观点相呼应，即在COVID-19危机期间，农村地区和郊区的扩张并不一定是更安全的空间。分析城市建成环境的空间形态可能是未来解释城乡流行特征的一个新维度。

最后，这项研究还建议，像COVID-19这样的传染病应该在更局部的范围内进行探索。事实证明，城市区域的拓扑结构、网络可达性和中心性可以有效预测COVID-19的传播。以100个邻居为带宽的GWR模型最好地解释了香港的COVID-19发病率。这表明，COVID-19病例的地理分布与城市BE之间的相关性可能在本地规模上比在单个城市的全球规模上更相关。未来结合出行半径的定量分析应该能得到更准确的结论。本研究可为进一步研究COVID-19大流行期间和之后的城市BE与健康之间的关系提供重要参考。本研究旨在为了解COVID-19病例的地理分布模式提供参考，并启发密度管理的新方法，有助于在未来的大流行中长期生存。

前沿论文的翻译，强！