EN中文

自然资源学报 >

2025 , Vol. 40 >Issue 1: 267 - 282

DOI: https://doi.org/10.31497/zrzyxb.20250117

城市更新与城市社会

超大城市老旧社区邻里环境对流动人口心理健康的影响——以武汉市为例

  • 高非凡 , 1 ,
  • 程晗蓓 2 ,
  • 李志刚 , 3, 4
展开
  • 1.中国人民大学公共管理学院，北京 100872
  • 2.西南交通大学建筑学院，成都 611756
  • 3.武汉大学城市设计学院，武汉 430072
  • 4.湖北省人居环境工程技术研究中心，武汉 430072
李志刚（1976-），男，湖北天门人，博士，教授，博士生导师，研究方向为城市地理、空间规划。E-mail:

高非凡（1998-），女，河北廊坊人，博士研究生，研究方向为邻里效应、健康城市。E-mail:

收稿日期: 2024-05-20

  修回日期: 2024-08-23

  网络出版日期: 2024-12-26

基金资助

国家自然科学基金项目(42301255)

国家自然科学基金项目(42171203)

中国人民大学公共管理学院研究生科学研究基金项目

收起

The effects of neighborhood environment on migrants' mental health in old and dilapidated communities of megacities: A case study in Wuhan city

  • GAO Fei-fan , 1 ,
  • CHENG Han-bei 2 ,
  • LI Zhi-gang , 3, 4
Expand
  • 1. School of Public Administration and Policy, Renmin University of China, Beijing 100872, China
  • 2. School of Architecture, Southwest Jiaotong University, Chengdu 611756, China
  • 3. School of Urban Design, Wuhan University, Wuhan 430072, China
  • 4. Hubei Habitat Environment Research Center of Engineering and Technology, Wuhan 430072, China

Received date: 2024-05-20

  Revised date: 2024-08-23

  Online published: 2024-12-26

Fold

摘要

近年来，随着城市更新工作的持续推进，超大城市城中村规模逐步缩减，大量流动人口转移到房租低廉、品质欠佳的老旧社区，关注此类地区邻里效应对提升城市空间质量、改善弱势群体公共健康至关重要。以武汉市为例，综合运用社会调查、图像、文本和地理空间等多源数据，采用深度学习和结构方程模型，探究邻里环境对流动人口心理健康的影响。研究发现：（1）相较于新建社区，老旧社区的物质环境质量欠佳，但生活便利度更高，且邻里关系更为紧密，同时也存在更明显的社会歧视现象。两类社区在民生问题上差异显著。（2）在控制个体属性后，邻里物质和社会环境对流动人口心理健康有显著影响，其中居住满意度是关键的环境心理因素。较低的公交站点密度与社会歧视程度和较高的邻里熟悉程度会通过提升居住满意度对流动人口心理健康产生积极影响。（3）社区异质性分析表明，物质环境主要影响老旧社区流动人口心理健康，而社会环境对新建社区流动人口心理健康起决定性作用。绿化率、社区空间品质和社会歧视程度的健康效应及其环境心理影响机制在老旧与新建社区中存在显著差异。本文旨在推动超大城市环境健康效应研究向特定社区类型的精细化发展，为包容性社区建设提供科学支撑。

关键词： 老旧社区; 邻里环境; 健康; 深度学习; 多群组结构方程模型; 武汉市

本文引用格式

高非凡 , 程晗蓓 , 李志刚 . 超大城市老旧社区邻里环境对流动人口心理健康的影响——以武汉市为例[J]. 自然资源学报, 2025 , 40(1) : 267 -282 . DOI: 10.31497/zrzyxb.20250117

Abstract

In recent years, along with the continuous promotion of urban regeneration, the scale of urban villages in megacities has dropped sharply. Thus, a large number of migrants have moved to old and dilapidated communities with low rent and poor quality. It is urgent to examine the neighborhood effects in such areas to improve the quality of urban space and the public health of vulnerable groups. Taking Wuhan as a case, this paper integrates multi-source data such as questionnaire, image, text and geographic data, and adopts deep learning and multiple-group structural equation modeling to explore the effects of neighborhood environment on migrants' mental health. The results show that: (1) Compared with newly-built communities, old and dilapidated communities have poorer physical environment quality, but higher living convenience, closer neighborhood relations and more serious social discrimination. There are significant differences in livelihood issues between the two types of communities. (2) After controlling socio-economic and demographic characteristics, neighborhood physical and social environments have a significant impact on migrants' mental health, and residential satisfaction is the key environmental psychological factor. Low public transit station density, low social discrimination, and high neighborhood familiarity have positive impacts on migrants' mental health by improving their residential satisfaction. (3) The analysis of community heterogeneity shows that physical environments mainly affect the mental health of migrants in old and dilapidated communities, while social environments play a decisive role in newly-built communities. The health effects and environmental psychological mechanisms of greening rate, community space quality and social discrimination are significantly different between old and dilapidated communities and newly-built communities. This study contributes to understanding the health effects of megacity neighborhood environments and providing scientific support for building inclusive communities.

Key words： old and dilapidated community; neighborhood environment; health; deep learning; multi-group SEM analysis; Wuhan city

当前中国已经进入“流动时代”，流动人口规模正在持续扩大[1]。第七次全国人口普查数据显示，2020年全国流动人口为3.76亿，占总人口的26.62%[2]。超大城市如北京、上海、广州、深圳、武汉等，成为中国城市流动人口的主要接收地，其中流动人口的住房和社会空间不平等问题十分显著[3]。随着城市进入存量更新阶段，非正规社区尤其超大城市的城中村改造工作持续推进，流动人口逐渐向规模较大、房租低廉、居住品质较差但配套设施相对成熟的老旧社区迁移[4]。然而，相较于新建商品房社区，老旧社区正遭遇物质与社会空间衰败的双重困境，成为城市高质量发展的“洼地”。普遍存在的失养、失修、失管现象及公共治理体系不完善等问题[5]，对流动人口健康构成挑战，成为亟待重点关注和提升的社会空间[6,7]。在“面向国家重大需求”和“面向人民生命健康”的引领下，以流动人口为研究对象，探究超大城市老旧社区邻里效应，对城市包容性建设具有重大现实意义[8]。
邻里环境是影响居民心理健康的重要因素，包括物质环境（如绿化空间、步行设施、公共交通、商业设施和住房条件）和社会环境（如社区治理、邻里关系、邻里剥夺和贫困）两大方面[9,10]。流动人口由于较低的社会经济地位、有限的资源获取能力以及居住的不稳定性[11]，其心理健康水平往往低于本地居民[12]。在健康地理学领域，探讨流动人口与环境健康效应之间的关系已成为一个重要研究方向[13]。研究表明，不利的邻里环境是加剧流动人口健康脆弱性的关键因素之一[14]；而居住在拥有优质公共空间、完善服务设施、紧密邻里关系和高度凝聚力的社区的流动人口，通常表现出更好的心理健康状况[15⇓-17]。居住满意度作为重要的环境感知因素在相关邻里效应研究中被广泛探讨[18]。例如，高度邻近的商业休闲设施能够有效提高流动人口的居住满意度，进而减少孤独感[19]。相反，社区纠纷频发、邻里贫困等负面因素则对流动人口的居住满意度和心理健康产生不利影响[20,21]。总体来看，邻里环境不仅直接作用于流动人口的心理健康，还通过影响居住满意度间接发挥作用。
然而，现有研究仍存在以下不足：首先，多数研究分析了不同社区类型（如老街坊、单位房和商品房社区等）[22,23]，但对老旧和新建社区的探讨较少，且这些研究通常仅将他们作为地理情景的控制变量[20,21]，对邻里环境特征及其健康效应的差异性认识较为有限。研究发现，在2000年前建成的住宅建筑墙体破败、空间品质较差，此类社区居民的生活满意度明显低于2000年后建成的社区居民[20]。相较于1980—2000年的住房，2000年后的住房对广州居民心理健康产生显著的负面影响，这可能与郊区新建商品房配套设施不足、高层住宅设计不利于邻里交往等因素有关[21]。其次，由于数据获取和技术限制，多数研究聚焦于城市空间设计的“数量”特征，而探讨空间结构“质量”特征的研究较少。这些研究也多依赖问卷调查和实地踏勘，面临高成本、耗时久和问卷回复主观性较强等问题[22]。随着人类迈入“大智移云”时代，应用深度学习开展城市空间研究正在成为新兴趋势[24]。例如通过街景图像计算绿视率[25]、评估街道空间品质[26]、识别城市贫困地区[27]；利用留言文本识别城市治理问题[28]、开展情感计算[29]等。尽管如此，这些研究大多仍限于环境“特征发掘”层面，针对特定人口类别，如流动人口，其健康效应的探讨亟待深入展开。
在此背景下，本文基于“环境—感知—健康”路径构建研究框架（图1），旨在探讨超大城市老旧社区邻里环境对流动人口心理健康的影响，并揭示老旧和新建社区邻里效应的异质性，以期为城市包容性建设提供科学依据。
图1 研究框架

Fig. 1 Research framework

1 研究方法与数据来源

1.1 研究区概况与数据来源

本文以武汉市为案例城市。作为中部地区的典型超大城市，武汉市近年来流动人口规模增速显著[8]。武汉市第七次全国人口普查公报显示，截至2020年，全市流动人口已达395万人，占全市常住人口比例的32.0%[30]，远高于全国平均水平（26.6%）[2]。近10年以来，随着武汉市城中村的持续减少，大量流动人口聚居在规模庞大的老旧社区，成为城市社会空间的典型现象。
数据来源包括：（1）社会调查数据：课题组于2018年针对在武汉市居住了半年以上、非本地户籍的流动人口，开展了《武汉市社区环境与生活质量》问卷调查。采用多阶段分层抽样法，在7个主城区和3个郊区选取了60个案例社区（每个社区选择1个典型小区）发放问卷，最终收集有效问卷716份（图2）。根据中华人民共和国国务院办公厅于2020年7月发布的《关于全面推进城镇老旧小区改造工作的指导意见》[5]，本文将2000年底前建成的社区界定为老旧社区（40个），而2001年及以后建成的则界定为新建社区（20个）；（2）图像数据：抓取安居客（https://wuhan.anjuke.com/）平台上武汉市7895个住宅小区信息（更新至2022年7月），包括名称、经纬度、建成年份、绿化率和实景图像（111658张），其中涵盖60个案例社区的实景图像1653张；（3）城市留言板数据：抓取了2017年1月至2019年12月期间发布于武汉城市留言板（http://liuyan.cjn.cn/）上的案例社区留言文本，共计3836条，包括ID、时间、主题和内容等；（4）建成环境数据：获取2017年高德地图API地理空间数据。需要说明的是，由于邻里环境在短期内相对稳定，尽管所使用的社会调查数据和多源大数据在采集时间上略有差异，但这种时间差对实证结果的干扰是有限的，结论仍具有稳健性，相似情况也出现在同类研究中[21,31]。
图2 研究区域

Fig. 2 Study area

1.2 变量设置

本文因变量为流动人口的心理健康水平，采用一般健康问卷量表（12-item General Health Questionnaires，GHQ-12）进行测度。该问卷通过询问受访者在过去一年内的情绪症状频率来评估个体心理健康状况[32]，包括6个积极项目和6个消极项目，每个项目采用5点李克特量表进行评分，将消极项目逆向编码后，计算12个项目总和作为心理健康水平。该量表已被广泛应用于中国邻里环境与流动人口健康研究[12,23]。
自变量为邻里环境，包括物质环境和社会环境两个维度[9]。物质环境指标包括绿化率、步行道密度、公交站点密度、购物餐饮密度和社区空间品质[22,33,34]。其中，绿化率数据来源于安居客；步行道、公交站点和购物餐饮密度则根据中华人民共和国住房和城乡建设部办公厅编制的《完整居住社区建设指南》[35]，以社区质心为中心，设置800 m半径缓冲区进行计算。社区空间品质反映了社区住宅外观及其周边环境的质量[36]，采用深度学习技术开展图像回归分析，可以实现社区空间品质的自动化评估。具体方法如下：（1）图像采集：采集武汉市7895个社区的安居客原始实景图像111658张，通过图像语义分割识别图像中的环境要素，筛选得到包含清晰住宅外立面及其周边设施等要素的有效图像99567张。在武汉市各行政区按比例随机抽取10000张图像作为标注集，用于图像回归模型训练。（2）人工标注：5位志愿者对标注集图像逐一打分，综合考虑建筑楼体（崭新~破旧）、公共空间（齐全~缺失）、景观绿化（丰富~匮乏）、环境卫生（整洁~脏乱）和空间秩序（有序~无序），将社区空间品质由高到低赋值5~1；5位志愿者标注结果的Fleiss' Kappa系数为0.621，表明一致性程度较强；最终，将5位志愿者标注的均值作为该图像的标注值。（3）模型训练：将标注集样本按4∶1随机划分为训练集和测试集，基于训练集构建实景图像和社区空间品质的回归模型；应用经典的卷积神经网络（CNN）ResNet18进行图像美学质量评价，并结合卷积块注意模块（CBAM），聚焦图像中具有重要意义和信息量的特征。模型训练由具备高并行计算能力的GPU云服务器提供计算支持；根据多次测试结果调整相关参数，最终模型在训练约50次后，损失函数实现收敛；模型决定系数（R2）为0.94，拟合效果较好。（4）自动评估：搭建K8S集群，并部署图像回归模型，实现对每张图像的自动评分；最后，将目标社区所有图像的均值作为该社区的最终空间品质得分（图3）。
图3 社区空间品质计算流程

Fig. 3 Calculation process of community space quality

社会环境包括邻里熟悉程度、社会歧视程度和社区民生问题[20,21,37]。其中，邻里熟悉程度和社会歧视程度通过问卷调查获得（表1）。社区民生问题通过留言文本情感分析来评估。“武汉城市留言板”是武汉市政府开放的城市民生问题反馈平台，居民可以在留言中表达对社区民生的看法。通过分析留言情感倾向可以判断社区民生问题的严重程度，即消极情感越高（积极情感越低），社区存在的民生问题越严峻[28]。具体方法如下：（1）文本获取：分别以60个案例社区名称为关键词在城市留言板进行检索，共抓取到2017—2019年的3836条留言文本。（2）情感计算：调用百度AI开放平台的自然语言处理API，逐条计算留言文本的情感得分（0~1）。（3）得分汇总：将每个社区留言文本的消极情感得分进行汇总，计算其均值，作为该社区民生问题的严重程度指标。
表1 变量说明和描述性统计

Table 1 Definition and description of variables

变量 变量定义
（单位/取值范围）		 均值/占比 T值
全部社区 老旧社区 新建社区
因变量
心理健康 GHQ-12量表（低~高：12~60，Cronbach's α
=0.73）		 46.42 46.23 46.86 1.53
自变量
物质环境
绿化率 社区绿化率（0~1） 0.29 0.27 0.35 3.26***
步行道密度 社区800 m缓冲区内步行道和所有道路长度之
比（0~1）		 0.38 0.39 0.37 -0.45
公交站点密度 社区800 m缓冲区内公交站点密度/(个/km2) 5.43 5.66 4.97 -0.60
购物餐饮密度 社区800 m缓冲区内购物餐饮设施密度/(个/km2) 303.53 324.50 261.59 -0.91
社区空间品质 社区住宅外观及周边环境质量得分的均值
（低~高：1~5）		 2.79 2.42 3.53 5.90***
社会环境
社区民生问题 社区留言文本为消极情感的可能性
（积极~消极：0~1）		 0.83 0.83 0.84 0.46
邻里熟悉程度 您和本社区其他居民的熟悉程度如何
（非常不熟悉~非常熟悉：1~5）		 3.01 3.04 2.94 -1.51
社会歧视程度 感觉社区本地人不愿与我做邻居
（非常不同意~非常同意：1~5）		 2.23 2.26 2.15 -1.90*
环境感知变量
居住满意度 公共服务、社区治安、建筑质量（非常不满意
~非常满意：1~5，Cronbach's α=0.79）		 3.68 3.64 3.75 2.32**
控制变量
年龄/% 18~40岁 67.32 68.18 65.24 0.76
≥41岁 32.68 31.82 34.76
性别/% 男 46.23 49.21 39.05 2.49**
女 53.77 50.79 60.95
教育/% 高中及以下 44.41 43.48 46.67 -0.78
大专及以上 55.59 56.52 53.33
婚姻/% 单身或其他 31.01 28.85 36.19 -1.93*
已婚或同居 68.99 71.15 63.81
个人年收入/% <5万元 48.74 49.21 47.62 0.39
≥5万元 51.26 50.79 52.38
社区居住时长/% <5年 53.49 51.98 57.14 -1.26
≥5年 46.51 48.02 42.86
居住区位/% 郊区 29.89 29.25 31.43 -0.58
主城区 70.11 70.75 68.57
社区类型/% 新建社区 29.33 0 100 —
老旧社区 70.67 100 0
样本量/个 个体（社区） 716（60） 506（40） 210（20）

注：* P<0.10，** P<0.05，***P<0.01。下同。

环境感知通过流动人口的居住满意度衡量，包括公共服务、社区治安和建筑质量三个方面[18,20]，计算这三项的均值作为居住满意度得分。控制变量包括个体属性、居住区位和社区类型，变量说明和描述性统计见表1。

1.3 研究方法

为了检验邻里环境的社区差异，本文通过独立样本T检验对样本社区进行描述性分析，以判断老旧和新建社区之间是否存在显著差异。
针对全样本，构建结构方程模型探讨邻里环境对流动人口心理健康的影响。在此基础上，以社区类型为分组变量，通过多群组结构方程模型（Multiple-Group SEM）确定老旧和新建社区环境健康效应的异质性。相比于传统的普通分组回归、中介效应和调节效应检验，该方法更加精简，并且可以实现两组间路径系数差异的统计检验，与本文研究目的高度契合，目前已广泛应用于城市研究中[38,39]。由于研究数据存在“个体—社区”嵌套关系，本文通过估计稳健标准误来解决数据的层次结构问题。稳健标准误是一种处理分层数据结构的方法，允许相同聚类内的观测值之间存在相关性[40]。这一处理方式见于王冬根等[38]探究流动性和活动模式对心理健康影响的性别差异研究中。模型拟合优度通过均方根误差逼近指数（RMSEA<0.08）、比较拟合指数（CFI >0.90）和标准化均方根残差（SRMR<0.08）等指标来衡量。通过跨群组不变性检验来判断老旧和新建社区的路径系数是否存在显著组间差异。所有自变量的VIF均小于3，表明不存在严重的多重共线性问题。
为了避免研究结果受到居住自选择的影响，本文通过倾向评分匹配（PSM）进行稳健性检验[41]。以邻里环境的中位数界定处理组（高于中位数的样本）和对照组（低于中位数的样本），以居住满意度和心理健康作为结果变量，对控制变量加以控制。为了得到稳健的估计结果，采用当前研究常用的近邻匹配、半径匹配和核匹配等三种方法进行计算，实现交叉验证[31,42]。最终得到邻里环境各项指标对流动人口居住满意度和心理健康的平均处理效应（ATT）及其显著性[43]。

2 结果分析

2.1 邻里环境评估与诊断

独立样本T检验的结果表明，老旧和新建社区在绿化率、社区空间品质和社会歧视程度上存在显著差异（表1）。就物质环境而言，相较于新建社区，老旧社区的物质环境质量欠佳，但生活便利度更高。具体来说，老旧社区的绿化率（T=3.26，P<0.01）和社区空间品质（T=5.90，P<0.01）显著低于新建社区。比较两类社区步行道、公交站点和购物餐饮密度的均值，发现老旧社区周边设施配套比新建社区更加完善。此外，针对本文重点关注的社区空间品质，采用自然断点法绘制空间分布图，并选取典型社区的实景图像进行展示（图4）。结果显示，低空间品质的老旧社区特点包括墙体破败、环境脏乱、空间局促、飞线严重和绿化杂乱；而高空间品质的新建社区则表现为建筑美观、环境整洁、空间开敞、秩序井然和绿化协调。
图4 老旧与新建社区空间品质空间分布和实景展示

注：实景图像来源于安居客。

Fig. 4 Spatial distribution and real-life display of space quality in old and dilapidated and newly-built communities

就社会环境而言，老旧社区的邻里熟悉程度略高于新建社区，但这一差异并不显著（T= -1.51，P>0.10），其内部流动人口面临较为严重的社会歧视（T= -1.90，P<0.10），这一发现呼应了现有研究[20,21]。此外，虽然两者的社区民生问题得分没有显著差异，但通过分析留言文本发现，两者面临的具体民生问题截然不同（图5）。老旧社区居民反馈的问题多围绕老旧社区改造、利益相关者、道路交通和设施配套等（图5a）。其中，“老旧社区改造”是居民关心的重点问题，涉及加装电梯、基础设施维修、环境卫生整治、增设停车位等诉求。新建社区居民反馈的问题主要聚焦在公共空间、道路交通、物业管理和环境卫生等方面（图5b）。其中，“公共空间”聚类反映了居民对周边餐馆和商铺带来的油烟、卫生和噪音问题的不满；“道路交通”聚类体现了居民对交通安全、拥堵和便利性问题的密切关注。
图5 老旧与新建社区民生问题的语义网络

Fig. 5 Semantic network of livelihood issues in old and dilapidated and newly-built communities

2.2 邻里环境对流动人口心理健康的影响

表2中模型1为全样本结构方程模型结果，模型的RMSEA=0.034（<0.08），CFI=0.972（>0.90），SRMR=0.013（<0.08），表明拟合效果较好。
表2 邻里环境对流动人口心理健康影响的结构方程模型结果

Table 2 Structural equation modeling results of the effects of neighborhood environment on migrants' mental health

模型1：结构方程模型 模型2：多群组结构方程模型
全部社区 老旧社区 新建社区
居住满意度 心理健康 居住满意度 心理健康 居住满意度 心理健康
物质环境
绿化率 -0.054
(0.041)		 0.147***
(0.043)		 -0.115**(0.049) 0.192***(0.046) 0.034
(0.103)		 -0.152*(0.091)
步行道密度 -0.085*(0.051) -0.222***
(0.054)		 -0.131**(0.055) -0.245***(0.060) 0.100
(0.117)		 -0.080(0.158)
公交站点密度 -0.189***(0.050) -0.175***
(0.049)		 -0.020(0.063) -0.205***(0.064) -0.508***(0.103) -0.081(0.118)
购物餐饮密度 0.032
(0.047)		 0.161***
(0.048)		 -0.108*(0.059) 0.202***(0.069) 0.230***(0.072) 0.056(0.075)
社区空间品质 0.037
(0.052)		 0.087
(0.056)		 -0.018(0.062) 0.200***(0.068) 0.286***(0.095) -0.313**(0.123)
社会环境
社区民生问题 -0.041
(0.033)		 -0.087***
(0.031)		 -0.039(0.033) -0.079**(0.031) 0.326
(0.229)		 -0.490*(0.252)
邻里熟悉程度 0.105***(0.034) 0.105***
(0.039)		 0.116***(0.039) 0.065(0.045) 0.159***(0.058) 0.130*(0.076)
社会歧视程度 -0.132***(0.032) -0.151***
(0.036)		 -0.146***(0.038) -0.119***(0.042) -0.020(0.048) -0.265***(0.069)
环境感知
居住满意度 0.111**
(0.051)		 0.161**(0.063) 0.258**(0.122)
控制变量
年龄
（参照组：18~40岁）		 -0.089
(0.087)		 0.205**
(0.088)		 0.061(0.101) 0.167(0.104) -0.132(0.142) 0.169(0.171)
性别
（参照组：男）		 -0.086
(0.069)		 0.074
(0.073)		 -0.042(0.076) 0.057(0.085) 0.067
(0.122)		 -0.082(0.146)
教育
（参照组：高中及以下）		 0.391***(0.072) 0.030
(0.087)		 0.400***(0.081) 0.036(0.099) 0.587***(0.124) -0.175(0.184)
婚姻
（参照组：单身或其他）		 -0.168**(0.081) -0.087
(0.092)		 -0.189**(0.093) -0.112(0.102) -0.111(0.130) 0.004(0.176)
个人年收入
（参照组：<5万元）		 0.094
(0.074)		 0.244***
(0.078)		 0.204**(0.091) 0.237***(0.096) 0.035
(0.115)		 0.170(0.136)
社区居住时长
（参照组：<5年）		 0.063
(0.074)		 -0.141*
(0.077)		 0.047(0.087) -0.172*(0.091) -0.147(0.119) 0.002(0.136)
居住区位
（参照组：郊区）		 0.291***(0.113) 0.678***
(0.112)		 0.271**(0.117) 0.702***(0.116) -0.019(0.263) 0.781***(0.286)
居住社区类型
（参照组：新建社区）		 -0.201**(0.100) 0.179*
(0.108)
常数 -0.147
(0.131)		 -0.744***
(0.151)		 -0.410***(0.103) -0.525***(0.161) -0.508***(0.125) -0.061(0.239)
chi2 chi2(34)=61.725, P>chi2=0.003 chi2(69)=129.132, P>chi2=0.000
RMSEA 0.034 0.049
CFI 0.972 0.944
SRMR 0.013 0.022

注：a. 括号内为稳健标准误；b. 为了便于比较系数，已标准化处理所有连续变量。

由表2可知，在物质环境中，绿化率（β=0.147，P<0.01）和购物餐饮密度（β=0.161，P<0.01）均与流动人口心理健康呈显著正相关，这与已有研究发现保持一致。例如，较高的绿地暴露不仅具有恢复性作用，有助于缓解各种不良情绪，还能通过鼓励体育锻炼、社会交往等形式，促进心理健康[42]。类似地，购物餐饮场所作为“准公共空间”承载了一定的社会交往功能，有助于流动人口心理健康水平的提升[44]。相反，步行道（β= -0.222，P<0.01）和公交站点密度（β= -0.175，P<0.01）与心理健康呈显著负相关，这可能是因为步行道周边的停车乱象、底商噪音[34]以及公交站点附近的交通拥堵、汽车鸣笛和尾气污染等负面因素[45]，危害了流动人口心理健康。
在社会环境中，社区民生问题（β= -0.087，P<0.01），尤其是环境、交通和基础设施方面的治理不善，对流动人口心理健康产生了负面影响；较高邻里熟悉程度（β=0.105，P<0.01）有利于流动人口心理健康[16]；社会歧视程度（β= -0.151，P<0.01）的系数为负，反映出社区本地居民对流动人口的排斥和歧视不利于流动人口的心理健康[33]。
鉴于流动人口的居住满意度与其心理健康有着较强的统计联系（β=0.111，P<0.05），进一步验证居住满意度这一环境感知路径。由表3可知，邻里熟悉程度（β间接效应=0.012，P<0.10）可以通过提升流动人口的居住满意度，进而促进其心理健康。相反，较高的公交站点密度（β间接效应= -0.021，P<0.10）和社会歧视程度（β间接效应= -0.015，P<0.05）会降低流动人口的居住满意度，进而削弱心理健康水平。由此可见，居住满意度是邻里环境影响流动人口心理健康的重要路径。
表3 邻里环境对流动人口心理健康影响的效应分解

Table 3 Effects decomposition of neighborhood environment on migrants' mental health

全部社区 老旧社区 新建社区
直接效应 间接效应 总效应 直接效应 间接效应 总效应 直接效应 间接效应 总效应
物质环境
绿化率 0.147***
(0.076, 0.219)		 -0.006
(-0.014, 0.003)		 0.141***
(0.069, 0.213)		 0.192***
(0.117, 0.267)		 -0.018*
(-0.035,
-0.001)		 0.174***
(0.100, 0.247)		 -0.152*
(-0.302,
-0.002)		 0.009
(-0.036, 0.053)		 -0.143
(-0.311, 0.024)
步行道密度 -0.222***
(-0.312,
-0.133)		 -0.009
(-0.021,
0.003)		 -0.231***
(-0.322,
-0.141)		 -0.245***
(-0.344,
-0.145)		 -0.021*
(-0.041,
-0.001)		 -0.266***
(-0.365,
-0.166)		 -0.080
(-0.340, 0.180)		 0.026
(-0.026, 0.077)		 -0.054
(-0.317, 0.209)
公交站点密度 -0.175***
(-0.256,
-0.095)		 -0.021*
(-0.040,
-0.002)		 -0.196***
(-0.277,
-0.116)		 -0.205***
(-0.310,
-0.101)		 -0.003
(-0.020, 0.014)		 -0.208***
(-0.314,
-0.103)		 -0.081
(-0.275, 0.113)		 -0.131*
(-0.244,
-0.018)		 -0.212**
(-0.376,
-0.048)
购物餐饮密度 0.161***
(0.081, 0.240)		 0.004
(-0.006, 0.013)		 0.165***
(0.085, 0.244)		 0.202***
(0.088, 0.316)		 -0.017
(-0.037, 0.002)		 0.185***
(0.075, 0.295)		 0.056
(-0.067, 0.179)		 0.059*
(0.004, 0.115)		 0.115
(-0.007, 0.239)
社区空间品质 0.087
(-0.004, 0.179)		 0.004
(-0.006, 0.014)		 0.091*
(0.000, 0.183)		 0.200***
(0.089, 0.312)		 -0.003
(-0.019, 0.014)		 0.197***
(0.086, 0.309)		 -0.313**
(-0.515,
-0.111)		 0.074*
(0.008, 0.140)		 -0.239**
(-0.427,
-0.052)
社会环境
社区民生问题 -0.087**
(-0.139,
-0.036)		 -0.005
(-0.011, 0.002)		 -0.092***
(-0.143,
-0.040)		 -0.079**
(-0.131,
-0.028)		 -0.006
(-0.016, 0.003)		 -0.085***
(-0.138,
-0.034)		 -0.490*
(-0.905,
-0.076)		 0.084
(-0.026, 0.195)		 -0.406
(-0.820, 0.008)
邻里熟悉程度 0.105***
(0.041, 0.168)		 0.012*
(0.000, 0.023)		 0.117***
(0.053, 0.179)		 0.065
(-0.009, 0.139)		 0.019*
(0.001, 0.036)		 0.084*
(0.010, 0.157)		 0.130*
(0.005, 0.256)		 0.041*
(0.002, 0.080)		 0.171**
(0.047, 0.296)
社会歧视程度 -0.151***
(-0.211,
-0.091)		 -0.015**
(-0.027,
-0.003)		 -0.166***
(-0.225,
-0.107)		 -0.119***
(-0.188,
-0.049)		 -0.024**
(-0.041,
-0.006)		 -0.143***
(-0.210, 0.075)		 -0.265***
(-0.378,
-0.152)		 -0.005
(-0.026, 0.016)		 -0.270***
(-0.387,
-0.153)

注：括号内为90%置信区间。

2.3 社区异质性检验

以社区类型作为分组变量，构建多群组结构方程模型（表2，模型2），比较老旧（N=506）和新建社区（N=210）环境健康效应的异质性，并进行跨群组不变性检验（表4）。模型2的RMSEA=0.049（<0.08），CFI=0.944（>0.90），SRMR=0.022（<0.08），表明拟合效果较好。
表4 跨群组不变性检验

Table 4 Tests of invariance across two neighborhood groups

Wald Test
居住满意度 心理健康
chi2 df P>chi2 chi2 df P>chi2
物质环境
绿化率 1.710 1 0.191 11.355 1 0.001
步行道密度 3.528 1 0.060 0.947 1 0.330
公交站点密度 16.198 1 0.000 0.859 1 0.354
购物餐饮密度 12.858 1 0.000 2.045 1 0.153
社区空间品质 7.158 1 0.008 13.404 1 0.000
社会环境
社区民生问题 2.491 1 0.115 2.618 1 0.106
邻里熟悉程度 0.388 1 0.533 0.545 1 0.460
社会歧视程度 4.178 1 0.041 3.284 1 0.070
环境感知
居住满意度 0.492 1 0.483
如表2中模型2所示，物质环境绝大多数因素显著影响老旧社区流动人口的心理健康。这与现实状况相吻合，武汉市老旧社区普遍面临绿化不足、步行道混乱、交通拥堵、空间品质低下等问题[46]，居住在老旧社区的流动人口对物质环境的负面因素表现出更高的敏感性。另外，跨群组不变性检验结果表明，社区空间品质对流动人口心理健康的影响在老旧和新建社区之间存在显著差异（P>chi2=0.000），并且作用方向相反（老旧：β=0.200，P<0.01；新建：β= -0.313，P<0.05）。
不同的是，社会环境对新建社区流动人口的心理健康起着决定性作用，尤其是社区民生问题（β= -0.490，P<0.10）。此外，邻里熟悉程度（β=0.130，P<0.10）仅对居住在新建社区流动人口的心理健康产生积极影响。跨群组不变性检验结果显示，社会歧视程度对新建社区（β= -0.265，P<0.01）流动人口心理健康的影响显著高于老旧社区（β= -0.119，P<0.01），该差异具有统计学意义（P>chi2=0.070）。综上所述，良好的民生环境、紧密的邻里关系以及和谐的社会氛围对于维护新建社区流动人口的心理健康至关重要。
比较两类社区的环境心理路径异质性（表3），发现在物质环境方面，老旧社区的绿化率（β间接效应= -0.018，P<0.10）、步行道密度（β间接效应= -0.021，P<0.10）通过降低流动人口的居住满意度，进而对其心理健康产生负面影响，这可能是疏于管理的社区绿化和混乱的步行道带来的负面效应[34]。对于新建社区，尽管公交站点和购物餐饮密度的直接效应并不显著，但这些设施可以通过流动人口的居住满意度间接作用于其心理健康（公交站点密度：β间接效应= -0.131，P<0.10；购物餐饮密度：β间接效应=0.059，P<0.10）。虽然社区空间品质的直接效应为负，但是该变量仍然能够通过提高居住满意度，间接促进心理健康（β间接效应=0.074，P<0.10）。
在社会环境维度，新建社区中较高的邻里熟悉程度不仅直接促进了流动人口心理健康，还通过提升居住满意度产生了积极间接影响（β间接效应=0.041，P<0.10）。但是在老旧社区中，邻里熟悉程度仅通过居住满意度发挥间接作用（β间接效应=0.019，P<0.10）。此外，社会歧视程度仅对老旧社区流动人口心理健康存在显著负面间接效应（β间接效应= -0.024，P<0.05），而在新建社区中并不显著。

2.4 稳健性检验

采用倾向评分匹配来控制居住自选择偏差。通过ATT效应分析，发现邻里环境各项指标与居住满意度、心理健康之间具有比较显著的统计关联（表5）。这表明研究结果受居住自选择的影响较小，研究结论具有稳健性。
表5 倾向评分匹配分析结果

Table 5 Results of the propensity score matching analysis

居住满意度ATT 心理健康ATT
近邻匹配 半径匹配 核匹配 近邻匹配 半径匹配 核匹配
物质环境
绿化率 0.384*** 0.210** 0.229*** 0.241** 0.246*** 0.242***
步行道密度 -0.389*** -0.252** -0.259*** -0.062 0.043 0.034
公交站点密度 -0.291*** -0.289*** -0.275*** -0.139 -0.207*** -0.199**
购物餐饮密度 -0.339*** -0.300*** -0.294*** 0.014 -0.095 -0.090
社区空间品质 0.231 0.221* 0.218 0.027 0.061 0.061
社会环境
社区民生问题 0.027 0.223 0.113 -0.257* -0.234 -0.242**
邻里熟悉程度 0.162 0.169* 0.159* 0.287*** 0.432*** 0.421***
社会歧视程度 -0.503*** -0.451*** -0.448*** -0.321*** -0.208** -0.206**

3 结论与讨论

本文以武汉市为例，融合社会调查、图像、文本和地理空间等多源数据，综合运用深度学习和结构方程模型，探讨超大城市老旧社区邻里环境对流动人口心理健康的影响。研究发现：（1）相较于新建社区，老旧社区的物质环境质量欠佳，但生活便利度更高；同时，老旧社区的邻里关系更加紧密，但社区内部的社会歧视现象也更为明显；另外，两类社区面临的社区民生问题也存在较大差异。（2）邻里物质和社会环境均对流动人口心理健康有着显著影响；居住满意度被证实是关键的环境心理因素；低密度的公交站点、紧密的邻里关系以及较低的社会歧视，可以通过提升居住满意度，进而对流动人口心理健康产生积极影响。（3）社区异质性检验发现，物质环境主要影响老旧社区流动人口心理健康，社会环境对新建社区流动人口心理健康起着决定性作用。“期望理论”可以解释这一现象，因为在优质资源稀缺的情况下，即使是小幅度的改善也可能超出人们的期望，从而带来较大的心理收益[47]——老旧社区物质空间衰败，新建社区社会关系薄弱，相对劣势环境因素的边际提升被流动人口视为高价值的结果，因此心理健康促进效应更加显著。此外，绿化率、社区空间品质和社会歧视程度对流动人口心理健康的影响及其环境心理路径在老旧和新建社区中存在较大差异，且这种差异具有统计学意义，这揭示了两类社区所蕴含的不同社会经济结构。本文发现，新老社区空间品质的心理健康效应截然相反，这说明尽管高质量住房会促进心理健康，但同时也会产生一定的潜在负外部性。比如新建社区高品质住房多为高层商品房，不利于邻里交往，导致邻里关系淡漠，进而带来社会隔离问题[48]，居民也会承担较高的住房成本[49]，这些负面效应会削弱甚至抵消环境优势的正面效应。此外，老旧社区绿化率的间接效应为负，说明由于脱管、失管等现实治理难题[7]，杂乱无章的社区绿化降低了流动人口居住满意度，进而对心理健康产生消极影响。这一研究发现强调了在传统空间设计中仅考虑“数量”特征对于促进公共健康发挥着有限的作用，有必要融合大数据手段，综合考虑空间结构“质量”维度，尤其是社区空间品质和民生问题。
本文立足中国实际，聚焦老旧社区的流动人口，并与新建社区开展比较分析，促进了超大城市邻里效应研究向特定社区类型的精细化发展。就方法创新而言，研究拓展了图文数据在邻里环境评估中的应用，助力“可计算社区”的发展。一方面，依托可计算图像，运用计算机视觉算法处理海量实景图像，实现了社区空间品质的自动化评估。另一方面，基于可计算文本，通过自然语言处理技术分析居民留言的情感倾向，量化社区民生问题的严重程度。这些尝试是将数字政府和智慧城市技术应用于可计算社区邻里环境评估的有效实践。
本文为超大城市老旧社区流动人口健康促进提出以下指引：（1）健康支持性邻里环境建设应综合考虑物质和社会环境，重点在于提升社区空间品质和解决社区民生问题，以确保公共健康资源的合理配置，从而提高流动人口的居住满意度，并最终实现弱势群体心理健康的常态化持续发展。（2）针对社区特点，精准推进社区建设。对于老旧和新建社区，应因地施策，优化邻里环境设计，特别是要加快推进老旧社区改造，鼓励包括流动人口在内的公众参与社区治理，让他们成为利益表达的主动力量。这样做不仅能改善邻里环境，加强邻里关系，还能破解脱管、失管的治理难题。此外，后续研究可以结合老旧社区改造实践，利用准自然实验等方法，探究环境干预对健康的影响，推动邻里环境与健康关系从“相关”向“因果”跨越。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李志刚, 梁奇, 林赛南. 转型期中国大城市流动人口的身份认同、特征与机制. 地理科学, 2020, 40(1): 40-49.

DOI

[LI Z G, LIANG Q, LIN S N. Identity, characteristics and mechanism of migrants in large Chinese cities of transitional China. Scientia Geographica Sinica, 2020, 40(1): 40-49.]

DOI

[2]
国家统计局. 第七次全国人口普查公报, https://www.gov.cn/guoqing/2021-05/13/content_5606149.htm, 2021-05-11.

[National Bureau of Statistics of China. Communiqué of the seventh national population census, https://www.gov.cn/guoqing/2021-05/13/content_5606149.htm, 2021-05-11.]

[3]
程晗蓓, 刘于琪, 田明, 等. “居住不稳定性”对中国大城市流动人口健康的影响研究. 地理研究, 2021, 40(1): 185-198.

DOI

[CHENG H B, LIU Y Q, TIAN M, et al. The effects of residential instability on migrants' health in urban China. Geographical Research, 2021, 40(1): 185-198.]

[4]
吴志强, 伍江, 张佳丽, 等. “城镇老旧小区更新改造的实施机制”学术笔谈. 城市规划学刊, 2021, (3): 1-10.

[WU Z Q, WU J, ZHANG J L, et al. Symposium on implementation mechanism of renewing old urban quarters. Urban Planning Forum, 2021, (3): 1-10.]

[5]
中华人民共和国国务院办公厅. 关于全面推进城镇老旧小区改造工作的指导意见, https://www.gov.cn/zhengce/content/2020-07/20/content_5528320.htm, 2020-07-20.

[General Office of the State Council of the People's Republic of China. Guidelines on promoting the comprehensive renovation of old urban residential areas, https://www.gov.cn/zhengce/content/2020-07/20/content_5528320.htm, 2020-07-20.]

[6]
刘佳燕, 张英杰, 冉奥博. 北京老旧小区更新改造研究: 基于特征—困境—政策分析框架. 社会治理, 2020, (2): 64-73.

[LIU J Y, ZHANG Y J, RAN A B. Research on the renewal and transformation of old districts in Beijing: Based on characteristics-dilemma-policy analysis framework. Social Governance Review, 2020, (2): 64-73.]

[7]
王越, 陈烨. 从北京老旧小区物业失管看社区基层组织困境. 城市发展研究, 2020, 27(10): 134-140.

[WANG Y, CHEN Y. A study on the plight of community grassroots organizations from the perspective of property management loss in Beijing old residential area. Urban Development Studies, 2020, 27(10): 134-140.]

[8]
刘达, 郭炎, 栾晓帆, 等. 中部大城市流动人口的回流意愿及其影响因素: 以武汉市为例. 地理研究, 2021, 40(8): 2220-2234.

DOI

[LIU D, GUO Y, LUAN X F, et al. The return decision making of floating population in large cities of Central China: A case study of Wuhan. Geographical Research, 2021, 40(8): 2220-2234.]

[9]
袁媛, 林静, 谢磊. 近15年来国外居民健康的邻里影响研究进展: 基于CiteSpace软件的可视化分析. 热带地理, 2018, 38(3): 440-450.

[YUAN Y, LIN J, XIE L. Review of the research in foreign countries in the past 15 years about neighborhood effects on residents' health: A visualized analysis based on CiteSpace software. Tropical Geography, 2018, 38(3): 440-450.]

[10]
陈明星, 周园, 汤青, 等. 新型城镇化、居民福祉与国土空间规划应对. 自然资源学报, 2020, 35(6): 1273-1287.

DOI

[CHEN M X, ZHOU Y, TANG Q, et al. New-type urbanization, well-being of residents, and the response of land spatial planning. Journal of Natural Resources, 2020, 35(6): 1273-1287.]

[11]
金晓斌, 叶超, 岳文泽, 等. 新时代中国城乡融合发展: 挑战与路径. 自然资源学报, 2024, 39(1): 1-28.

DOI

[JIN X B, YE C, YUE W Z, et al. Urban-rural integrated development in China in the New Era: Challenges and paths. Journal of Natural Resources, 2024, 39(1): 1-28.]

[12]
LIU Y Q, ZHANG F Z, WU F L, et al. The subjective wellbeing of migrants in Guangzhou, China: The impacts of the social and physical environment. Cities, 2017, 60: 333-342.

[13]
周素红, 张琳, 林荣平. 地理环境暴露与公众健康研究进展. 科技导报, 2020, 38(7): 43-52.

DOI

[ZHOU S H, ZHANG L, LIN R P. Progress and prospect of the research on geographical environment exposure and public health. Science & Technology Review, 2020, 38(7): 43-52.]

[14]
LIU Y Q, ZHANG F Z, LIU Y, et al. Economic disadvantages and migrants' subjective well-being in China: The mediating effects of relative deprivation and neighbourhood deprivation. Population, Space and Place, 2019, 25(2): 1-12.

[15]
CHEUNG N W T. Social stress, locality of social ties and mental well-being: The case of rural migrant adolescents in urban China. Health and Place, 2014, 27: 142-154.

[16]
LIU Y Q, ZHANG F Z, LIU Y, et al. The effect of neighbourhood social ties on migrants' subjective wellbeing in Chinese cities. Habitat International, 2017, 66: 86-94.

[17]
YANG M, DIJST M, FABER J, et al. Using structural equation modeling to examine pathways between perceived residential green space and mental health among internal migrants in China. Environmental Research, 2020, 183: 109121, Doi: 10.1016/j.envres.2020.109121.

[18]
刘晔, 肖童, 刘于琪, 等. 城市建成环境对广州市居民幸福感的影响: 基于15min步行可达范围的分析. 地理科学进展, 2020, 39(8): 1270-1282.

DOI

[LIU Y, XIAO T, LIU Y Q, et al. Impacts of urban built environments on residents' subjective well-being: An analysis based on 15-minute walking distance. Progress in Geography, 2020, 39(8): 1270-1282.]

DOI

[19]
WEN M, WANG G X. Demographic,psychological, and social environmental factors of loneliness and satisfaction among rural-to-urban migrants in Shanghai, China. International Journal of Comparative Sociology, 2009, 50(2): 155-182.

[20]
刘义, 刘于琪, 刘晔, 等. 邻里环境对流动人口主观幸福感的影响: 基于广州的实证. 地理科学进展, 2018, 37(7): 986-998.

DOI

[LIU Y, LIU Y Q, LIU Y, et al. Impacts of neighborhood environments on migrants' subjective wellbeing: A case study of Guangzhou, China. Progress in Geography, 2018, 37(7): 986-998.]

DOI

[21]
邱婴芝, 陈宏胜, 李志刚, 等. 基于邻里效应视角的城市居民心理健康影响因素研究: 以广州市为例. 地理科学进展, 2019, 38(2): 283-295.

DOI

[QIU Y Z, CHEN H S, LI Z G, et al. Exploring neighborhood environmental effects on mental health: A case study in Guangzhou, China. Progress in Geography, 2019, 38(2): 283-295.]

[22]
刘晔, 潘卓林, 冯嘉旋, 等. 中国大城市保障房居民情绪幸福感影响因素: 以广州市为例. 热带地理, 2019, 39(2): 180-187.

[LIU Y, PAN Z L, FENG J X, et al. Factors influencing residents' emotional well-being in the affordable housing communities of China's big city: A case study of Guangzhou. Tropical Geography, 2019, 39(2): 180-187.]

[23]
吴蓉, 潘卓林, 刘晔, 等. 城市街景绿地对居民心理健康的影响: 以广州为例. 地理研究, 2021, 40(8): 2272-2291.

DOI

[WU R, PAN Z L, LIU Y, et al. The effect of streetscape greenery on residents' mental health: A case study of Guangzhou. Geographical Research, 2021, 40(8): 2272-2291.]

[24]
白婷, 邓实权, 熊花, 等. 基于人工智能和遥感技术的城市更新单元识别方法研究及应用. 自然资源学报, 2023, 38(6): 1517-1531.

DOI

[BAI T, DENG S Q, XIONG H, et al. Research and application of urban renewal unit recognition method based on AI and remote sensing. Journal of Natural Resources, 2023, 38(6): 1517-1531.]

DOI

[25]
HELBICH M, YAO Y, LIU Y, et al. Using deep learning to examine street view green and blue spaces and their associations with geriatric depression in Beijing, China. Environment International, 2019, 126: 107-117.

DOI PMID

[26]
龙瀛, 唐婧娴. 城市街道空间品质大规模量化测度研究进展. 城市规划, 2019, 43(6): 107-114.

[LONG Y, TANG J X. Large-scale quantitative measurement of the quality of urban street space: The research progress. City Planning Review, 2019, 43(6): 107-114.]

[27]
刘颖, 袁媛, 邢汉发, 等. 街景图片识别城市贫困的适用性: 基于广州市中心城区的验证. 热带地理, 2020, 40(5): 919-929.

DOI

[LIU Y, YUAN Y, XING H F, et al. The applicability of street view images to identify urban poverty in the central urban region of Guangzhou. Tropical Geography, 2020, 40(5): 919-929.]

DOI

[28]
高喆, 李昱霄, 姜文珺, 等. 城市治理问题的空间识别与影响因素研究: 基于武汉城市留言板数据的探索. 人文地理, 2023, 38(1): 79-86.

[GAO Z, LI Y X, JIANG W J, et al. Research on spatial identification and influencing factors of urban governance problems: An exploration based on city message board data of Wuhan. Human Geography, 2023, 38(1): 79-86.]

[29]
刘逸, 保继刚, 朱毅玲. 基于大数据的旅游目的地情感评价方法探究. 地理研究, 2017, 36(6): 1091-1105.

DOI

[LIU Y, BAO J G, ZHU Y L. Exploring emotion methods of tourism destination evaluation: A big-data approach. Geographical Research, 2017, 36(6): 1091-1105.]

[30]
武汉市统计局. 武汉市第七次全国人口普查公报, https://tjj.wuhan.gov.cn/ztzl_49/pczl/202109/t20210916_1779157.shtml, 2021-05-28.

[Wuhan Municipal Statistics Bureau. Communiqué of the seventh national population census in Wuhan, https://tjj.wuhan.gov.cn/ztzl_49/pczl/202109/t20210916_1779157.shtml, 2021-05-28.]

[31]
WANG Z L, CHENG H B, LI Z G, et al. Can green space exposure enhance the health of rural migrants in Wuhan, China? An exploration of the multidimensional roles of place attachment. Urban Forestry & Urban Greening, 2024, 93: 128228, Doi: 10.1016/j.ufug.2024.128228.

[32]
GOLDBERG D P, GATER R, SARTORIUS N, et al. The validity of two versions of the GHQ in the WHO study of mental illness in general health care. Psychological Medicine, 1997, 27(1): 191-197.

DOI PMID

[33]
LIU Z L, TAN Y M, CHAI Y W. Neighbourhood-scale public spaces, inter-group attitudes and migrant integration in Beijing, China. Urban Studies, 2020, 57(12): 2491-2509.

[34]
刘志林, 王晓梦, 马静. 转型期北京社区公共空间对邻里交往的影响机理: 本地居民与移民的对比分析. 地理科学, 2020, 40(1): 69-78.

DOI

[LIU Z L, WANG X M, MA J. The influence of public spaces on neighborhood social interaction in transitional urban Beijing: Comparing local residents and migrants. Scientia Geographica Sinica, 2020, 40(1): 69-78.]

DOI

[35]
中华人民共和国住房和城乡建设部办公厅. 完整居住社区建设指南, https://www.mohurd.gov.cn/gongkai/zhengce/zhengcefilelib/202201/20220110_764055.html, 2021-12-17.

[General Office of the Ministry of Housing and Urban-Rural Development of the People's Republic of China. Guidelines for the construction of complete residential communities, https://www.mohurd.gov.cn/gongkai/zhengce/zhengcefilelib/202201/20220110_764055.html, 2021-12-17.]

[36]
GAO F F, CHENG H B, LI Z G, et al. Revisiting the impact of public spaces on the mental health of rural migrants in Wuhan: An integrated multi-source data analysis. International Journal of Health Geographics, 2024, 23(1): 7, Doi: 10.1186/s12942-024-00365-8.

[37]
FAN Y L, DAS K V, CHEN Q. Neighborhood green, social support, physical activity, and stress: Assessing the cumulative impact. Health & Place, 2011, 17(6): 1202-1211.

[38]
WANG D G, YANG M. Gendered mobility and activity pattern: implications for gendered mental health. Journal of Transport Geography, 2023, 110: 103639, Doi: 10.1016/j.jtrangeo.2023.103639.

[39]
ZHANG X, CHENG H B, TAO Y H, et al. Housing-related differences in sense of community in mixed housing neighborhood: Impacts of residents' daily activities and facility utilization. Cities, 2024, 149: 104912, Doi: 10.1016/j.cities.2024.104912.

[40]
HUANG F L. Alternatives to multilevel modeling for the analysis of clustered data. The Journal of Experimental Education, 2016, 84(1): 175-196.

[41]
DEHEJIA R H, WAHBA S. Propensity score-matching methods for nonexperimental causal studies. Review of Economics and Statistics, 2002, 84(1): 151-161.

[42]
袁媛, 陈玉洁, 刘晔, 等. 广州社区绿化环境对居民自评健康的邻里影响. 地理学报, 2021, 76(8): 1965-1975.

DOI

[YUAN Y, CHEN Y J, LIU Y, et al. The neighborhood effect of residential greenery on residents' self-rated health: A case study of Guangzhou, China. Acta Geographica Sinica, 2021, 76(8): 1965-1975.]

[43]
张延吉, 秦波, 唐杰. 基于倾向值匹配法的城市建成环境对居民生理健康的影响. 地理学报, 2018, 73(2): 333-345.

DOI

[ZHANG Y J, QIN B, TANG J. The impact of urban built environment on residential physical health: Based on propensity score matching. Acta Geographica Sinica, 2018, 73(2): 333-345.]

DOI

[44]
PIEKUT A, VALENTINE G. Spaces of encounter and attitudes towards difference: A comparative study of two European cities. Social Science Research, 2017, 62: 175-188.

DOI PMID

[45]
ZHANG L, ZHOU S H, KWAN M P, et al. Assessing individual environmental exposure derived from the spatiotemporal behavior context and its impacts on mental health. Health & Place, 2021, 71: 102655, Doi: 10.1016/j.healthplace.2021.102655.

[46]
王智勇, 李纯, 杨体星, 等. 武汉青山老旧社区品质提升的规划对策. 规划师, 2017, 33(11): 24-29.

[WANG Z Y, LI C, YANG T X, et al. Research on quality improvement planning of old community. Planners, 2017, 33(11): 24-29.]

[47]
陈飞, 苏章杰. 城镇移民的幸福损失: 基于期望水平理论的新解释. 经济学动态, 2020, (9): 75-95.

[CHEN F, SU Z J. The loss of rural-to-urban migrants' happiness: A new explanation based on the aspiration level theory. Economic Perspectives, 2020, (9): 75-95.]

[48]
DONG H W, QIN B. Exploring the link between neighborhood environment and mental wellbeing: A case study in Beijing, China. Landscape and Urban Planning, 2017, 164: 71-80.

[49]
程晗蓓, 邹游, 林赛南, 等. 居住迁移对居民健康的影响研究进展述评. 地理科学进展, 2020, 39(7): 1210-1223.

DOI

[CHENG H B, ZOU Y, LIN S N, et al. Review of recent research on the impacts of residential mobility on health. Progress in Geography, 2020, 39(7): 1210-1223.]

DOI

Options
文章导航

/

〈 〉