《Discover Public Health》：Spatial and temporal analyses of winter falls in urban areas
编辑推荐：
摘要：跌倒(Falls)是全球意外伤害死亡的第二大原因，可导致暂时性/永久性残疾并带来医疗与社会成本负担。推广步行及应对人口老龄化使了解影响户外跌倒分布之天气与区位因素愈发重要。本研究利用俄罗斯彼尔姆市(Perm, Russia)82个微区(Microdist
摘要：跌倒(Falls)是全球意外伤害死亡的第二大原因，可导致暂时性/永久性残疾并带来医疗与社会成本负担。推广步行及应对人口老龄化使了解影响户外跌倒分布之天气与区位因素愈发重要。本研究利用俄罗斯彼尔姆市(Perm, Russia)82个微区(Microdistrict)2015—2019年冬季每日户外跌倒记录，结合4个气象站28项天气参数，采用空间分析——全局莫兰指数(Global Moran's Index)及含附加内生变量之空间滞后面板模型(Spatial Lag Panel Model with Additional Endogenous Variables)——探究跌倒集中模式。结果显示跌倒具空间自相关(Spatial Autocorrelation)；气温日较差(Temperature Difference, p＝0.011)、阵风(Wind Gusts, p＝0.015)、夜间降水(Night-time Precipitation, p＝0.005)、公交线路数(Number of Bus Routes, p＜0.001)、建筑数量(Number of Buildings, p＝0.095)、低层建筑比例(Proportion of Low-rise Buildings, p＝0.007)及含工业区之特殊用地比例(Proportion of Special Areas Including Industrial Areas, p＝0.047)显著影响跌倒数。区位因素分析识别出全市最脆弱社区，表明各街区需差异化伤害预防政策。研究表明联合天气参数与区位因素对预测户外跌倒至关重要，应为行人安全设计与防跌倒行动计划提供依据。
论文解读：《Spatial and temporal analyses of winter falls in urban areas》发表于《Discover Public Health》
一、研究背景与目的
跌倒(Fall)占全球非故意伤害(Unintentional Injury)的21.6%，是伤害致死第二大原因，尤见于老龄人群。推广主动出行(Active Travel, 如步行)以减少碳排放及久坐，叠加老龄化趋势，使户外行人跌倒日益受公共卫生关注。既往研究多聚焦气象因素(气温、降水、风速等)对跌倒的影响，较少同时纳入精细化的城市区位/建成环境(Built Environment)因素，且寒带城市冬季户外跌倒的空间聚集性与微尺度气象-区位联合作用仍缺乏深入探讨。为此，研究人员以俄罗斯彼尔姆市(Perm, Russia, 人口约102.7万, 82个微区, 7个行政区, 2015—2019年四个冬季)为对象，整合逐日户外需医疗处置之冬季跌倒记录、4个WMO/ICAO认证气象站28项气象参数、OpenStreetMap(OSM)提取的建成环境变量(建筑数、商铺与餐饮设施数、低层建筑占比、特殊用地<工业 港口 铁路 校园 疗养院>占比)及公交路网数据，采用时空与空间计量方法阐明天气与区位双因素对户外跌倒空间分布之影响，为分区差异化防跌倒政策提供依据。
二、主要关键技术方法
研究人员收集彼尔姆急救调度中心2015年10月—2019年4月经脱敏处理之冬季户外跌倒就诊记录(n＝3761例)，按82微区×140周构建面板数据(Panel Data)；气象数据源自4个站点(28223 Gaiva, 28224 Archiereika, 28226 Bakharevka, USPP Bolshoye Savino机场站)，计算日最高气温与最低气温之差(温度差)、最大阵风、昼夜分时段降水量等，经VIF多重共线性筛选；区位数据从OSM获取建筑/商业/餐饮点数及土地利用类型面域占比，公交线路数以穿过微区之巴士/有轨/无轨电车路线数为准；空间邻接矩阵基于微区Queen邻接构建。先用全局莫兰指数(Global Moran's I)检验跌倒空间自相关，再用逐步引入因子之空间面板数据模型比对固定/随机效应及LM检验，针对内生性与残差异方差/序列相关采用含附加内生变量之二维最小二乘估计——空间滞后Between-Effects二阶段最小二乘模型(Spatial Lag B2SLS/Between-Effects 2SLS with Additional Endogenous Variables)，以商铺与餐饮设施数为公交通行路线数之工具变量，最终模型保留p＜0.1显著因子且满足残差i.i.d.正态、无序列相关。
三、研究结果
3.1 空间自相关(Spatial Autocorrelation)分析结果
各冬季Global Moran's I均正向，2015/2016冬季最高(pseudo p＜0.01)，2016/2017、2018/2019仍显著正自相关，表明邻近微区跌倒数相似、存空间聚集；2017/2018冬季总体跌倒数最低(Moran's I不显著)，但该季跌倒减少率在市中心及西南部呈显著空间自相关(Moran's I＝0.31, z＝3.23, p＜0.01)，提示局部微区清扫措施起效。跌倒高发区肉眼集中于市中心微区。
3.2 最终模型(Estimated Results of the Final Model)结果
经VIF剔除高度共线变量后，空间滞后B2SLS模型纳入显著因子(p＜0.1)：温度差(周最高—最低温, p＝0.011, 正)、夜间降水量(p＝0.005, 正)、最大阵风(p＝0.015, 正)；公交线路通行数(p＜0.001, 正)、建筑物总数(p＝0.095, 边际正)、低层建筑占比(p＝0.007, 负)、特殊区域(含工业等)占比(p＝0.047, 负)；空间滞后项(Spatial Lag Term)显著，证实邻域跌倒水平具溢出/相似性效应。零售与餐饮设施作公交通行数之IV解决内生性。
3.3 天气条件(Weather Conditions)讨论小结
温度日较差增大(昼夜温差大)反映冻融循环与结冰风险升高，关联跌倒增多，优于单一平均/极端温之解释力。夜雨/夜雪使清晨路面隐蔽积冰且光照不足，跌倒风险↑；2017/2018冬因夜雪清除强化(列宁区Leninsky District加强晨前清雪)对应中心区跌倒降幅。最大阵风(非平均风速)在排除＞5 cm强降雪日后与跌倒正相关，表征暴风雪(Blizzard)/吹雪(Drifting Snow)等极端天气事件之危险效应。
3.4 区位条件(Location Conditions)讨论小结
公交通行数与商业/餐饮点反映行人暴露量(Pedestrian Exposure)，与跌倒数正相关——高密度中心区、换乘节点、市场周边跌倒最多。建筑总数作人口密度代理变量呈边际正关联；引入低层建筑占比后其系数负——高层住宅微区行人密度更高故跌倒更多，低层(常为郊区)反之。特殊用地(工业/港区/校园/封闭设施)占比越高跌倒越少，归因于严格内部安全管理与及时清雪。
3.5 户外跌倒空间自相关(Spatial Autocorrelation of Outdoor Falls)讨论小结
除暖冬少雪之2017/2018外，各冬跌倒呈正空间自相关，印证微区共享天气与建成环境驱动因子而非传染扩散；纳入空间滞后项之面板模型优于非空间模型，强调地理背景不可忽略。
四、讨论与结论翻译
本研究证明气象与区位因素共同影响北方城市户外跌倒发生。温度与跌倒呈非线性关系；夜降水及表征冬季风暴之最大阵风影响大于平均风速。气象条件主要解释跌倒数的时间波动，而区位因素主要解释跨微区之空间差异。各微区建成环境特征应在制定户外跌倒预防政策时予以考量，以降低个人痛苦及社会经-济负担。跌倒预测是有效预防第一步，现代时空模型容纳附加内生变量可提升精度。研究强调天—地因子联合建模及分区定制干预(如高危中心商圈强化预警播报、优先清雪、防滑材料铺设、高峰急救资源前置调配)之必要性。
[citation:全文依据上传文档内容浓缩整理]
