以下文章来源于城市生态与暴露生态学LAB ，作者余兆武 et al.
摘要
气候变化引起的极端天气事件增加了城市居民的热相关死亡率和健康风险，也可能影响城市居民的幸福感和福祉。然而，幸福感、气候和社会经济因素之间的联系仍不清楚。本研究基于新浪微博收集了来自44个中国地级市的约6百万条带地理标记的推文，并使用二次回归模型以探索夏季高温与幸福感之间的关系。我们开发了一个三阶段的分析来检验时空异质性，并确定导致城市居民幸福感差异的因素。结果表明，所有城市都呈现出类似的驼峰形状关系，总体最佳温度为22.8°C。估计的最佳温度在地理上表现出差异性，京津冀、长三角、珠三角三个城市群的温度阈值分别为25.3°C、23.8°C和20.0°C，呈现由北向南递减趋势。此外，热浪强度每增加一个标准差，居民的表达幸福感降低0.813（95% 置信区间：0.177，1.449）个标准差。此外本研究还观察到中国北部和经济欠发达城市的居民在夏季高温期间面临着更低的热风险。这项研究为未来关于极端天气事件、城市居民心理健康和城市可持续发展目标的研究和实践应用提供了见解。
#1
引言
气候变化导致全球极端高温事件频发。未来50年，数十亿人将生活在几乎无法承受的极端高温条件下，这将极大威胁人类健康。过去研究已经探索了热相关的脆弱性差异，系统性探讨了体力活动与极端高温之间的相关性，甚至试图提出最佳温度（热适应阈值）。研究证实了热暴露对人类心理健康和情感存在负面影响，并表明不同的国家/地区对于不同健康结果的温度阈值不同。然而，由于传统数据收集方法在获取长时间序列幸福感数据上的限制等原因，全国背景下中国居民的温度-幸福关系的阈值和时空异质性仍然不清楚。另外，过去的研究表明居民的心理健康和幸福感可能会在当地气候、环境条件和社会经济因素的影响下不断变化。然而在夏季（极端）高温期间，（中国）城市居民的心理健康是否受到所处气候背景和城市经济发展水平的影响仍然不清楚。
传统的获取幸福感数据的相关研究方法（调查问卷等）主要采用记录参与者在特定场景中的幸福感，但这难以获取大规模人口的实时幸福感数据。随着气候变化话题不断升温，社交媒体（尤其是Twitter）已成为探索居民反应和态度的重要数据来源。通过对社交媒体数据进行情绪分析而获得的表达幸福感（expressed happiness，EH）也被广泛用作主观幸福感指标。
中国前所未有的城市化进程增加了极端高温事件的发生频率，大大影响了城市居民的心理健康。因此，本研究旨在揭示中国城市居民在极端高温期间的热响应模式、时空差异以及决定因素。具体而言，我们旨在探索：（1）城市居民的表达幸福感与夏季（极端）高温的关系以及（2）城市居民在夏季（极端）高温期间表达幸福感差异的时空模式和原因。
#2
数据和方法
2.1 研究区域
本研究以位于中国三大城市群（长三角、珠三角和京津冀）的44个地级市为研究区域。这三个城市群分布在不同的气候带，是中国人口最多、经济最具活力、创新能力最强的地区。其中，长三角是亚洲最大的城市群，而珠三角是中国城市化率最高的地区（大于85%）。近年来，中国城市的温度不断上升，大部分极热天气发生在夏季，特别是7月和8月。因此，本研究的时间范围为2014年至2018年，每年的7月1日至8月31日。
图1 微博推文分析得到的城市表达幸福感地理可视化
2.2 数据采集与处理
2.2.1 表达幸福感
我们使用Python在新浪微博上收集了586万条带有地理标记的推文。由于数据的随机性，原始数据包括许多无效的帖子。在过滤掉它们之后我们获得了485万条微博，用于进行基于百度自然语言处理（NLP）平台的文本情绪分析。情绪分析技术可以自动确定文本的情感极性类别（正面、负面、中性），并以0-100的数字百分比和相应的置信度返回情感分数。积极情绪的百分比被作为文本的表达幸福（EH）值，范围从0到100，其中0表示极度消极，100表示极度积极。每个城市每日的所有推文幸福值的中位数被计算为该城市当日的幸福指数。
2.2.2 气候变量与控制变量
本研究中的空气温度和四个天气控制变量（海压、风速、云层和湿度）是从国家气候数据中心（NCDC）获得的小时数据。除此之外，我们还引入了另外三个控制变量，分别是国内生产总值（GDP）、空调（AC）和二氧化碳（CO2）。我们从各城市统计局公布的2018年数据中收集了各城市每百户家庭拥有的空调数量，并通过每100户的空调持有量/当地GDP的公式创建了一个新的变量作为 "空调 "变量。GDP和二氧化碳数据来自各城市的统计局和生态环境局。我们将44个城市的所有变量按照每个城市每天统计观测数据的平均值，最终得到10032个样本量。
2.2.3 热相关指标的定义与计算
我们使用三个热相关的指标来进行统计分析：日平均气温（AT）、温湿指数（THI）以及热浪强度（HI）。资料显示，结合了白天和夜间热量的复合型极端高温对人类健康有更大的不利影响，因此我们首先参考过去的研究使用日平均气温。THI是一个综合指标，结合了温度和湿度，代表了城市居民的热舒适度。这一指标由中国自然资源部于2019年发布，使用THI=T-0.55*(1-f)*(T-58)公式计算，其中T为日平均温度，f为日平均空气相对湿度。
我们将热浪事件定义为日温度阈值（Td）达到或超过35°C并连续三天以上的事件。HI以城市为单位计算，是衡量该城市热浪事件发生频率和程度的综合指标。HI越高，该城市的热环境越差。我们建立了研究期间日最高温度值的折线图，并在图中绘制一条温度值为35°C的直线来切割折线。切割面的宽度（W）代表每日最高温度≥35°C的持续时间，高度代表每日的热浪强度。当W至少为三天时，这个切割面被定义为一个热浪事件。为了客观地揭示一个城市的HI，我们将每个城市在一个月内所有热浪强度值相加，作为该城市在这个月的HI值。其计算公式如下：
其中，Iiy代表i城市在y年的累计HI；Dk是热浪k的持续时间；Eky是y年的热浪事件数量；Tikt表示i城市第t天的热浪k的温度；Td是温度阈值；（Tikt-Td）是i城市第t天的热浪k的日强度。
我们还将热浪阈值设定为32°C、36°C和37°C，并分别计算HI，以检测不同的热浪阈值是否会影响城市居民对极端高温的反应。
图2 城市日最高温度折线图
2.3 统计分析
2.3.1 二次回归模型
为了确定本研究使用的分析模型，我们首先将整个城市日样本的平均温度区间（从16°C到36°C）划分为0.5°C的区间，生成散点图，并拟合趋势线。倒U型拟合曲线表明模型中除了线性项之外，还存在二次项。然后，我们进行了豪斯曼检验，并对个体效应和时间效应都进行了检验。结果表明本研究应使用个体和时间双固定效应。因此，我们构建了一个同时具有一次项和二次项以及控制变量的固定效应模型来评估与热相关指标和表达幸福感之间的关系。公式如下：
其中HAPPINESSit和INDICATORit分别代表i城市在第t天的幸福指数和自变量（THI或AT）水平。INDICATORit_SQUARE是INDICATORit的平方项。Xit代表控制变量，包括风速、海压、云量、平均相对湿度、空调、GDP和二氧化碳等变量。Tt和Ƴi被用来控制时间和城市的固定效应。
2.3.2 异质效应模型
本研究的时空异质性效应均由三个独立的部分组成。对于空间异质效应，我们根据城市所属的城市群、经济发展和人口规模将城市进行分组分析；对于时间异质效应，我们按照工作日-周末、一天中的不同时段和2014-2018每一年将样本重新分组。在经济发展层面，我们按照《第一财经日报》新一线城市研究所2019年5月发布的中国城市分类，将研究城市分为六个级别（包括四个一线城市、四个新一线城市、十四个二线城市，以及十六个三线城市、三个四线城市和一个五线城市）。此外，我们还将样本城市分为三个人口规模组（21个大城市、15个特大城市和6个超大城市），并计算每个分类中每个城市的幸福感中位数，作为估计回归的因变量。
2.3.3 敏感性分析
我们的敏感性分析分为三个步骤以评估夏季高温和城市居民表达幸福感之间关系的稳健性。首先，我们用城市/日的EH的平均值来代替中位数值。其次，我们利用日最高温度和极端高温期（10:00-14:00）内的平均温度来代替日平均温度，并进行了统计分析。第三，我们通过在二次回归模型中引入温度和组别虚拟变量之间的交互项进行敏感性分析。每个回归模型都有一个参考组，其他为实验组。实验组系数的显著性表明了参考组和实验组之间是否存在差距。
#3
结果
3.1 温度-幸福感反应曲线
灰色曲线表示使用定量空气温度（AT）-表达幸福感（EH）数据（0.5°C分档）拟合的趋势线，以确定随后的统计模型。橙色曲线表示通过对连续的城市/日数据应用二次回归模型所估计的关系。所有城市的总体趋势和三个城市群的单独拟合趋势表现出类似的驼峰形关系。为了测量居民对夏季AT的阈值反应，我们定义了最佳温度（OT）指标和热风险（HR）指数。OT定义为EH在拟合曲线中达到峰值时的温度。HR近似于温度超过OT时非线性曲线的陡度。结果表明AT（和THI-温湿度指数）和EH之间呈倒U型关系，估计的OT值约为22.8°C，当AT低于/高于OT时，EH随着AT的减少/增加而减少。
图3 温度-幸福感反应曲线
根据所有城市AT和EH之间关系的估计OT（22.8°C），我们将所有样本分为OT以下和OT以上的部分，分别进行线性回归，以估计当温度超过OT时城市居民面临的热风险。我们观察到，温度每增加1°C，EH就会下降0.308。然而，当温度低于OT时，温度的增加对城市人的EH没有显著影响。我们还观察到，空调持有量指标每增加一个单位，居民的EH就增加近0.350个单位。考虑到昼夜温差，我们用日最高温度和极端高温期（10:00至14:00）的平均温度取代日平均温度，以考察夏季高温和居民EH之间关系的稳健性。我们发现，这些关系显示出非常相似的倒U型模式，尽管在估计的OT存在差异。由于定义热浪的温度阈值超过了估计的OT（22.8°C），因此，使用线性回归模型来估计热浪强度（HI）和EH之间的关系。以35°C作为热浪事件的阈值时我们发现，HI每减少一个单位，EH就增加0.813个单位。结果证实，HI是一个可以有效表征夏季热浪的因素，极端高温会显著降低城市居民的EH。
图4 AT（THI）-EH的线性关系以及不同区域的热风险
3.2 热暴露反应的时空异质模式
我们发现在所有三个城市群中，AT和EH之间存在一个近似倒U型的关系，尽管这种关系在OT的两边都不对称。我们观察到，估计的OT在从北到南的三个城市群分别为25.3°C、23.8°C和20.0°C，呈现出从北到南的明显下降趋势。另外，京津冀、长三角和珠三角的热风险（HR）估计值分别为0.200、0.401和0.403，表明中国北方城市的居民在夏季面临的HR比南方的低。在按人口规模划分的城市组中也观察到类似的AT-EH反应模式。此外，在分析不同经济水平的城市的异质性影响时，我们发现，当AT从34°C上升到35°C时，经济发达的城市EH的下降幅度从0.697到0.713不等，而在不发达的城市则从0.108到0.300不等。这一结果表明，经济发达城市的城市居民对夏季高温的敏感性更高。
在对以6小时间隔的不同时间段（0:00-6:00，6:00-12:00，12:00-18:00，18:00-24:00）的分析中，我们观察到高温对EH的影响在白天比夜间更大，最大幅度的影响发生在12:00和18:00之间。工作日的高温和居民的EH之间有明显的关联，而周末则没有发现明显的影响。此外，居民对高温的反应每年都不同，2017年的热风险（HR）最高，超过0.823，其他3年的差异不大，都低于0.5。我们还计算了各年的总热浪强度（HI），发现当年的HI越高，OT越低。
3.3 居民热反应的影响因子
根据历史气候数据，珠三角、长三角和京津冀在高温季节的日平均高温分别为29.56°C、27.45°C和25.15°C，显示出从南到北的下降趋势，而居民的OT由南向北增加，与三个城市群的背景温度分布相反。其次，经济发达和不发达的城市之间的AT-EH反应关系有很大差异，表明经济发达地区的居民面临更高的热风险水平。第三，我们计算了城市层面的热浪强度（HI）、人均GDP和热风险（HR），并使用这三个变量的归一化值拟合了一个三维图。结果显示，HI和GDP具有协同效应，数值越高，HR就越高。我们的发现强调了气候和经济因素在城市人的AT-EH反应模式中的调节作用。
图5 2014-2018年的HI，HR和OT以及HI，GDP和HR的三维散点图和拟合面
#4
讨论
4.1 夏季高温对表达幸福感的非线性和阈值反应
过去的研究从多维度探讨了居民对极端高温的反应和温度阈值。Baylis （2020）使用Twitter数据探索了美国的居民情绪对温度的非线性反应，并发现低于10°C和高于30°C的负面影响。Kephart等人（2022）研究了拉丁美洲326个城市的极端温度对死亡率的影响，并强调了U型关系。北京的最低死亡温度为25°C，美国居民的积极情绪的温度阈值（最佳温度，OT）为21°C。在拉丁美洲的城市，死亡率随温度上升一般在25°C以上最为明显。本研究创造性地揭示了中国城市居民夏季高温和EH之间跨地区和跨时间的倒U型关系。驼峰形的曲线与以前在其他国家进行的研究的反应曲线相似，表明夏季（极端）高温和心理健康之间存在普遍的非线性关系。
基于时空分析，我们发现气候和经济背景可能是夏季高温对居民EH的阈值反应的调节因素。我们发现，居民的热适应性从南到北增加，这与一项越南的研究得出的热脆弱性的空间分布一致。此外，在中国进行的一项研究也说明，温度变化和心理健康之间的负面联系在北方可能更弱。AT-EH反应关系的类似空间模式强调了城市的气候背景的调节作用。炎热地区的城市居民随着温度水平的提高，幸福感下降的幅度更大。这种现象可以部分解释为气象因素（即风速和湿度），为自我保护所做的额外努力，以及城市层面的因素（即社会经济因素或基础设施特征）。虽然采取的降温措施可以缓解一些热应力，但也导致了更大的能源需求和消费，增加了电网压力，加剧了人为的热排放，形成了恶性循环。此外，中国南方的夏季不仅温度高，而且降雨量大，湿度大。这些气候因素的复合效应可能导致南方地区的城市居民对极端高温的适应性相对较差。经济发达城市的城市居民对夏季高温的敏感性更高。以前的研究表明，中国的经济发达城市，如北京、上海、广州和深圳，其特点是人口密度更高，空气污染的风险更大。这些因素可能在很大程度上促成了他们对极端高温的高度敏感性。
4.2 局限性，不确定性和研究展望
首先，在数据来源方面，一方面，社交媒体数据不一定代表全部人口。习惯于在网上表达自己想法的一代人往往更年轻，受教育程度更高。因此，老年人和儿童可能被忽略了，尽管他们可能更容易受到极端高温的影响。此外，居民的职业也是热阈值的一个影响因素，收入等个人特征与人类的热感知和幸福感有关。因此，未来的研究应该根据年龄、职业和个人特征对人群进行进一步分类，并探索温度与幸福感关系的差异。另一方面，社交网络中情绪状态的传播可能导致居民在发表个人观点时受到现有帖子的情绪引导，这可能使结果有一定的偏差。未来的研究应该纳入完善的传统自我报告幸福感（SWB）测量方法，以提高评估居民EH的准确性。第二，这项研究没有探索城市内部的EH变化，它侧重于在全国范围内研究从北到南的热反应的空间差异。未来的研究可以结合地理标记的帖子来探索EH的小规模空间变化。第三，以前的研究已经探讨了极端天气事件和人类健康之间的关系，但很少有研究它们之间的路径。因此，应使用结构方程模型来探索中介因素和潜在的路径和机制。此外，以前的研究证明，生活在树冠覆盖率高的城市地区的个体更快乐，未来的研究可以结合城市绿地的冷却效果和压力缓解作用，探索居民在不同城市背景下的热反应。
本文作者
通讯作者：余兆武 复旦大学环境科学与工程系研究员，博士生导师
第一作者：承颖怡 南京林业大学 (复旦大学、哥本哈根大学联合培养) 博士生
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
