EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 8: 1794 - 1810

DOI: https://doi.org/10.12082/dqxxkx.2024.230618

“犯罪地理与犯罪分析”专栏

动态地理背景下过度饮酒行为的时空特征及影响因素——以广州市中心城区为例

  • 文隽永 , 1 ,
  • 周素红 , 1, 2, * ,
  • 李双明 3
展开
  • 1.中山大学地理科学与规划学院，广州 510006
  • 2.广东省公共安全与灾害工程技术研究中心，广州 510275
  • 3.广州市急救医疗指挥中心，广州 510062
*周素红（1976— ），女，广东饶平人，博士，教授，博士生导师，主要研究方向为城市地理学、行为地理学和城乡规划。E-mail:

文隽永（1999— ），男，广东广州人，硕士生，主要研究方向为健康地理、城市规划。E-mail:

Copy editor: 黄光玉

收稿日期: 2023-10-19

  修回日期: 2024-05-31

  网络出版日期: 2024-07-24

基金资助

国家自然科学基金项目(42271234)

收起

Spatiotemporal Characteristics of Excessive Drinking and its Influencing Factors in a Dynamic Geographic Context: A Case Study of Central Guangzhou, China

  • WEN Juanyong , 1 ,
  • ZHOU Suhong , 1, 2, * ,
  • LI Shuangming 3
Expand
  • 1. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510006, China
  • 2. Guangdong Public Safety and Disaster Engineering Technology Research Center, Guangzhou 510275, China
  • 3. Guangzhou Emergency Medical Command Center, Guangzhou 510062, China
*ZHOU Suhong, E-mail:

Received date: 2023-10-19

  Revised date: 2024-05-31

  Online published: 2024-07-24

Supported by

National Natural Science Foundation of China(42271234)

Fold

摘要

过度饮酒的危害是中国乃至全球面临的问题。本研究结合经典理论构建过度饮酒行为与地理环境关系的理论框架，使用广州市急救医疗指挥中心受理的公众急性酒精中毒呼叫记录、手机信令等多源时空数据，探究动态地理背景下过度饮酒行为的时空特征及影响因素。结果显示： ① 过度饮酒行为在时间上多发于周末和夜间，在空间上集中于城市商业中心；其空间分布在日间较为均衡，而在夜间较为集聚； ② 过度饮酒行为受酒精可获得性的影响，其与社区的KTV、交通站点密集度正相关。KTV的正向影响在日间主要体现在旧城区，在夜间体现在旧城区、近郊区和开发区，夜间的影响相对明显；交通站点的正向影响主要体现在近郊区，且在日间相对明显； ③ 过度饮酒行为也受部分空间失序因素的影响，其与所在社区的土地建成率正相关，但与建筑楼龄、街景脏乱度等关系不显著。土地建成率的正向影响主要体现在新城区的景观风貌核心地区以及城郊结合部的城中村社区，且在日间相对明显； ④ 过度饮酒行为与社会失序的关系较为复杂且时空分异性较强，其整体上与社区的外地出生人口比例负相关，与低教育人口比例和住宅租金正相关。⑤按照日间和夜间过度饮酒行为影响因素的聚类，分别划分不同的类型区，可针对这些类型区实施差异化的干预措施，以降低过度饮酒的危害。研究揭示了动态地理背景和较小空间尺度下过度饮酒行为与地理环境的关系，弥补了以往的相关研究对动态地理背景和时空异质性考虑不足、分析尺度较大等局限，相关结果能为酒精政策制定和完善、地区治安和卫生资源配置、城乡空间规划设计和相关健康问题的环境干预措施提供参考。

关键词： 健康地理; 犯罪地理; 地理加权回归; 急救数据; 过度饮酒; 酒精中毒; 动态地理背景; 地理环境; 时空特征

本文引用格式

文隽永 , 周素红 , 李双明 . 动态地理背景下过度饮酒行为的时空特征及影响因素——以广州市中心城区为例[J]. 地球信息科学学报, 2024 , 26(8) : 1794 -1810 . DOI: 10.12082/dqxxkx.2024.230618

Abstract

The harms of excessive drinking are important issues faced by China and other countries around the world. Previous studies have identified certain relationships between drinking behaviors and environmental factors, with limited consideration of the dynamic geographic context and spatiotemporal heterogeneity of these relationships. This study constructs a theoretical framework for the relationships between excessive drinking and geographical environment factors (i.e., alcohol availability, spatial disorder, and social disorder). Using multi-source spatiotemporal data, including the alcoholism cases received by Guangzhou Emergency Medical Command Center and mobile signaling data, the study explores the spatiotemporal patterns and the influencing factors of excessive drinking in a dynamic geographic context. Results show that: (1) Excessive drinking events mostly occur on weekends, at night, and in urban commercial centers. Its spatial distribution is balanced in the daytime but congregated in the nighttime; (2) Excessive drinking is influenced by alcohol availability (positively correlated with the density of KTVs and traffic stations). The positive impact of KTVs is prominent in the old urban area in the daytime and is prominent in more areas in the nighttime. The positive impact of traffic stations is mainly observed at the edge of central urban area and in suburban areas, and is relatively stronger in the daytime; (3) Excessive drinking is also affected by certain spatial disorder factors (positively correlated with the land development level), but has no significant relationship with building age and streetscape messiness. The positive impact of land development level is prominent in the new urban scenic core area and the urban villages at the urban-rural fringe, with a stronger impact in the daytime; (4) The relationship between excessive drinking and social disorder shows greater spatiotemporal differentiation and complexity. Overall, excessive drinking is negatively correlated with the proportion of nonlocal-born population, and positively correlated with the proportion of low-educated population and residential rent; (5) By analyzing different leading factors influencing excessive drinking in the daytime or nighttime, four types of spatial units can be identified, allowing for respective interventions in these zones to reduce the risk of excessive drinking. This study reveals the relationships between excessive drinking and geographical environment in a dynamic geographic context and at a smaller spatial scale, which fills the gap of lacking smaller-scale analysis, spatiotemporal heterogeneity perspective, and consideration of dynamic geographic context in previous studies. Our results provide insights for alcohol policy making, regional security and medical resource allocation, spatial planning, and environmental intervention related to health issues.

Key words： health geography; crime geography; geographic weighted regression; emergency medical data; excessive drinking; alcoholism; dynamic geographic context; geographical environment; spatiotemporal patterns

1 引言

不健康的饮酒习惯能够导致多种疾病，包括急性中毒、系统急症、癌症等；同时也能诱发许多社会问题，来自全球各国的研究证实饮酒与暴力[1]、抢劫[2]等犯罪行为，以及车祸[3]、创伤[4]等意外事件存在关联。至2010年，世界每年直接死于饮酒的人数高达490万[5]，而随着全球酒精消费逐渐由发达地区转向中等收入地区[6]，中国人均酒精消费量自1979—2019年增加了236.84%[7]，成为了全球过度饮酒致死人数较多的国家之一[8]。近年来我国对酒驾行为给予了更严厉的打击，在减少酒精危害上取得了显著成效。而由于起步较晚，相较于部分发达国家，我国对酒精问题的认识水平和重视程度还有待提升，体现在对特殊群体的饮酒管制力度不足、对酒精带来的社会问题关注不足、缺少针对性的预防和治疗措施等；在科研领域，我国学者对饮酒行为及饮酒导致的犯罪等负面事件的关注也相对较少。可以预见，随着我国社会阶段的发展，酒精对公众健康和社会治安的负面影响将更加不容忽视[9]，其相关研究也愈加重要。
作为一种个体主观行为，饮酒与个体属性密不可分。但已有许多研究指出饮酒行为同时受到多种外部环境因素的影响。其中，许多学者讨论了酒精可获得性（Alcohol Availability）与酗酒、暴力、抢劫等行为间的关系[10⇓⇓-13]；一些研究关注了同龄人习惯、经济条件、受教育水平等社会因素与饮酒行为的关系[14⇓-16]；少量研究分析了建筑质量、街景等物理环境因素与饮酒的关系[17-18]；此外，个别研究关注了温度、光照等因素对饮酒行为的影响[19⇓-21]。既有相关研究对一些建成环境、社会环境因素与饮酒行为的关系进行了探索，并形成了一些共识，但对相关理论框架缺乏系统性梳理；多数相关研究仅采用人口普查等长时序静态数据、在较宏观的空间单元（县区、镇街等）进行分析，鲜有纳入手机信令等高分辨率时空数据，因而难以测度饮酒行为发生的实际动态地理背景，无法准确反映较小尺度下饮酒行为与地理环境因素的关系，也未能探究该关系的时空异质性。
过度饮酒（Excessive Drinking）属于酒精问题的一种，指饮酒达到一定程度导致伴有思维、判断和行为失常的中毒现象[22]，是最常见的不良饮酒行为。本文以过度饮酒为主要研究对象，并梳理相关理论，构建地理环境影响过度饮酒行为的理论框架。
关于“个体为何饮酒”的问题，Cox与Klinger[23]提出了成瘾动机模型，认为酒精产生的生理、情感激励是个体使用酒精的根本诱因，饮酒行为又受饮酒感知成本（如对失业、患病等风险的担忧）的抑制。而个体酒精需求和饮酒成本都可能受到地理环境特征的潜在影响。Ross与Mirowsky最早对空间失序和社会失序进行了区分和定义[24]，无序的物理环境（建筑老旧、街道脏乱、绿化缺失等）和社会环境（人群收入与受教育水平低、社会流动性高等）能够对人的生理、心理健康造成负面影 响[25-26]；结合成瘾动机模型，这些负面影响可能进而作用于个体饮酒决策[17,27]，促使失序水平较高社区的居民寻求酒精的生理、情感激励；社会失序还会降低集体效能，减少社区居民对不良行为的约束，从而降低饮酒感知成本，提高过度饮酒行为发生的可能性。此外，Cohen与Felson提出的日常活动理论[28]认为，作案场所、犯罪者、受害者、监管缺失的时空耦合是犯罪发生的前提。作为一种失范行为，不良的饮酒行为同样是饮酒者动机、监管失效和饮酒场所的动态耦合的结果；用日常活动理论解释不良饮酒行为，既强调了社区中售酒场所的存在和便捷的交通能够提高酒精可获得性、降低饮酒的时间和行动成本[29]，从而提高社区发生过度饮酒行为的可能性，也强调了人群与环境之间存在动态变化的耦合关系，使过度饮酒行为的影响因素因时间、空间的不同而产生分异[30-31]。总之，空间失序、社会失序和酒精可及性作为3类地理环境特征因素[32]，对过度饮酒行为有潜在影响，这些影响可能表现时空异质性的特征。基于这一框架（图1），本文提出4条假设：
图1 过度饮酒行为与地理环境关系的理论框架

Fig. 1 Relationship between excessive drinking and geographic environment: A theoretical framework

H1：酒精可获得性通过降低饮酒成本促进过度饮酒行为。社区的酒精出售点越多、交通便捷性越高，过度饮酒行为越常发生。
H2：空间失序通过提高个体的酒精需求促进过度饮酒行为。社区物理环境品质越低、蓝绿开敞空间越少，过度饮酒行为越常发生。
H3：社会失序通过降低饮酒成本、提高个体的酒精需求促进过度饮酒行为。社区经济条件和受教育水平越低、外来人口越多，过度饮酒行为越常发生。
H4：过度饮酒行为与地理环境因素的关系具有时空异质性。
为验证研究假设，本研究以广州市中心城区为案例地开展分析。

2 数据来源与研究方法

2.1 研究区概况与数据来源

广州是中国国家中心城市、华南地区最大的城市之一，本研究的研究区域为广州市中心城区（越秀区、荔湾区、海珠区、白云区、天河区、黄埔区），该区域经济活跃、社会多元，常住人口1 112.60万人，占全市的60%左右[33]，是理想的研究区域。中心城区内的1 455个社区为本研究的分析单元。
在不同研究中，界定过度饮酒的标准并不统一。参考既有研究的方法[13,21]，本文使用急救医疗系统报告的酒精中毒数据实现对过度饮酒行为的测度，该数据来源于2017—2019年广州市急救医疗指挥中心受理的公众急性酒精中毒呼叫记录。使用高德API服务对酒精中毒样本地址进行地理编码，导入ArcGIS 10.5软件，筛选后获得有效样本 23 251例（图2）。经1%抽样检查，社区尺度编码准确率为90.29%，编码不准确的样本的时空信息不具有偏性，误差在可接受范围内。
图2 研究区域与区域内的酒精中毒事件分布

Fig. 2 The case area and the alcoholism events distribution within

研究还使用了其他多源数据表征地理环境特征，包括：手机信令数据，来源于联通公司2020年6月的用户手机信令，包含用户时空位置、性别、富裕指数、出生地等信息，用于测度社区人口数量与人群属性，弥补仅使用普查数据分析的局限性；“七普”数据，来源于广州市第七次人口普查社区级长短表，用于测度部分社会环境属性；路网和兴趣点（POI）数据，来自2018年“道道通”导航地图数据集，可反映交通便捷性和酒精出售点的分布；住宅租金数据，来源于广州市住建局的《2020年广州市房屋租金参考价》[34]，用于表征社区经济水平；街景脏乱感数据，来源于王林森等[35]利用街景图像对广州市空间品质测度的结果，用于反映社区的街道空间品质；土地覆被数据，来源于CLCD中国30 m年度土地覆被数据集[36]，用于计算社区的土地建成率；体感温度数据，来源于HiTIC-Monthly中国体感温度数据集[37-38]，用于控制温度对因变量的影响[19⇓-21]。

2.2 分析方法

本文首先使用统计、核密度估计和可视化方法对过度饮酒行为的时空分布特征进行探究；随后，基于理论框架和研究假设，进行变量选取与处理，建立普通最小二乘法（OLS）模型分析过度饮酒行为与地理环境的总体关系，并将显著的影响因素纳入地理加权回归（GWR）模型分析其影响的空间异质性；最后，按过度饮酒行为影响因素的不同对社区进行聚类，以总结各地区影响过度饮酒行为的主导因素。

2.2.1 时间信息统计与核密度估计

对酒精中毒案件的时间信息进行统计，并使用Surfer 15将其星期和时段信息进行交叉可视化，以探究研究区内过度饮酒行为的时间分布特征。对酒精中毒事件进行核密度估计，以显示过度饮酒行为的空间特征，其计算方式为：
K i = 1 n h ∑ j = 1 n F x i - a j h
式中：Ki为第i个观测点的核密度值；F为核函数，一般选用高斯函数；(xi-xj)为观测点xi到第j个酒精中毒事件点aj的距离；n为带宽内酒精中毒事件点的数量；h为第i个观测点周围的带宽大小，在分析中设置为500 m[39]。本研究将核密度估计的分辨率设为10 m，并对核密度结果采用Jenks自然间断点法分类可视化。

2.2.2 普通最小二乘法与地理加权回归

普通最小二乘法（OLS）是一种线性回归方法，基于其建立的OLS模型可用于探索过度饮酒行为与地理环境因素的总体关系。本研究使用IBM SPSS Statistics 26建立OLS模型进行分析。相较于人口普查数据，手机信令数据有更高的时空分辨率，能够更好地反映人群的实际分布状态，从而实现测度过度饮酒行为发生的动态地理背景。为评估手机信令数据应用的效果，本研究设置了模型0和模型1进行对照，其中模型0表征人口特征的变量均采用“七普”数据，模型1则以手机信令数据替代“七普”数据构建部分变量。比较两模型的结果，并基于较优的模型进行后续分析。
OLS模型在分析时将不同位置的统计单元视为完全相同的样本，忽略了变量间作用的空间差异性和自相关性。地理加权回归（GWR）模型允许纳入统计单元的空间属性，以反映回归结果在空间上的异质性[40]。其模型可表示为：
y i = β i 0 u i , v i + ∑ k = 1 n β i k u i , v i x i k + ε i
式中：yi为第i个社区的因变量值；(ui,vi)为第i个社区的坐标；βi0(ui,vi)为常数项；εi为误差项；βik(ui,vi)为自变量xik（第i个社区的第k个自变量）的局部回归系数，可通过空间权重矩阵wij计算：
β i k = ∑ j = 1 n w i j y i - β i 0 - ∑ k = 1 p β i k x i k 2
研究采用GWR4软件实现分析。考虑到城市片区联系和社区的大小差异，采用自适应高斯函数作为空间权重矩阵，并使用Golden Section Search方法和AICc原则确定带宽。
为探索不同时段过度饮酒行为的影响因素差异，将3年的酒精中毒事件按时间信息分为日间、夜间两组，设置OLS模型2—模型3进行对比，随后设置相应的GWR模型2-1和模型3-1进一步分析。最后，对较优模型的回归系数进行K-means聚类[41]，识别不同地区影响过度饮酒行为的主导因素。
日夜的划分方式在不同研究中各不相同[42]。18时是居民职住状态转变的重要时间节点，也是本地居民陆续开始晚餐的时间； 6时是酒精中毒案发量发生较大变化的时间节点，也可能与居民结束夜间娱乐消费、投入生产生活有潜在耦合关系。此外，以“6—18时”划分日夜时段，使日间、夜间时段为等长的12 h，便于对比两个时段的案发量。因此本研究将6—18时定义为日间，将18时—次日6时定义为夜间。上述各不同时段模型的名称见表1。
表1 分时段OLS、GWR模型名称

Tab. 1 Names of the OLS and GWR models in different time periods

模型类型 全时段模型 日间时段模型 夜间时段模型
OLS模型 模型0、模型1 模型2 模型3
GWR模型 - 模型2-1 模型3-1

2.3 变量选取与处理

2.3.1 因变量

由于城市社区面积小、数量多，直接统计社区案发数量会忽略空间现象的连续性，而核密度估计能反映变量在空间上的连续变化[43]。本研究计算日间、夜间酒精中毒事件的核密度结果（表2），并分区统计各社区的核密度均值，得到社区酒精中毒核密度，作为OLS模型和GWR模型的因变量，其计算方式为：
Y k = ∑ i = 1 n K k i n
式中：Yk为第k个社区的酒精中毒核密度； n为核密度图层在该社区中的像元数； Kki为其中第i个像元的核密度值。
表2 过度饮酒行为影响因素的回归模型变量

Tab. 2 Variables of the models analyzing the influencing factors of excessive drinking

变量类型 变量名称 数据来源 单位 最小值 最大值 平均值 标准差
因变量 酒精中毒核密度Y 酒精中毒数据 个/km2 0.000 463.901 61.278 56.997
自变量 酒精可
获得性		 餐厅核密度X1 路网和POI数据 个/km2 0.000 1477.674 87.006 130.425
酒吧核密度X2 路网和POI数据 个/km2 0.000 168.357 4.374 11.280
KTV核密度X3 路网和POI数据 个/km2 0.000 53.367 2.513 4.748
烟酒副食店铺核密度X4 路网和POI数据 个/km2 0.000 420.154 32.578 42.516
路网密度X5 路网和POI数据 km/km2 0.000 68.746 23.644 11.563
交通站点核密度X6 路网和POI数据 个/km2 0.000 97.662 14.774 14.458
空间
失序		 建筑平均楼龄X7 “七普”数据 年 0.000 62.820 22.719 9.156
街景脏乱感X8 王林森等[35] - 0.492 0.842 0.710 0.056
土地建成率X9 土地覆被数据 % 0.214 100.000 79.125 28.311
社会
失序		 外地出生人口比例X10 手机信令数据 % 52.410 98.085 80.347 11.160
低教育人口比例X11 “七普”数据 % 0.507 49.875 17.194 5.274
平均富裕指数X12 手机信令数据 - 3.091 4.125 3.720 0.124
住宅租金X13 住宅租金数据 元/m2·月 7.115 89.675 35.471 13.945
保障性住房比例X14 “七普”数据 % 0.000 100.000 6.657 13.972
控制变量 社区人口X15 手机信令数据 千人 0.031 155.927 8.979 10.757
社区人口密度X16 手机信令数据 人/m2 0.000 0.202 0.028 0.023
19~34岁人口比例X17 手机信令数据 % 11.506 69.658 47.234 7.066
35~59岁人口比例X18 手机信令数据 % 12.779 49.356 32.900 5.108
60岁及以上人口比例X19 手机信令数据 % 0.386 16.378 5.200 3.046
性别比X20 手机信令数据 - 0.996 12.856 1.877 0.729
温度X21 体感温度数据 ℃ 20.550 24.557 23.439 0.537

注：表中的描述统计指标基于模型1的变量值。

2.3.2 自变量

在美、英等国家的相关研究中，酒精可获得性主要由酒精出售点的可及性决定，同时受酒精价格、政策限制等次要因素的调控；由于社会背景不同[44]，在中国社会中酒精可及性和交通便捷性即可较好地反映酒精可获得性水平。因此，本研究选取餐厅、酒吧、KTV、烟酒副食店铺四类酒精出售点的核密度，通过在POI数据中提取相应的点并计算其核密度，以式(4)的方式统计社区单元内平均值作为自变量，以测度社区酒精可及性；使用路网、POI数据计算各社区的路网密度和交通站点（包括公交站、地铁站出入口、长途客运站、火车站）核密度作为自变量，以测度社区交通便捷性。
社区的空间失序水平由楼龄、街景脏乱感和土地建成率表征。楼龄是用于反映物质空间质量的常用指标[45]，本研究根据“七普”住户数据中的住宅建成年代，计算得到社区建筑平均楼龄；街景脏乱感的值域为0~1，其值越高说明相应路段的街景越脏乱、空间品质越低[35]，本研究使用常规克里金法对脏乱感进行插值后，分区统计各社区的街景脏乱感均值；社区土地建成率越高，意味着蓝绿开敞空间（绿地、水系等）越少，本研究利用土地覆被数据，将各社区不透水面像元面积除以社区面积，得到各社区土地建成率。
社区的社会失序水平由人口属性和经济条件两个维度的变量表征。在人口属性维度，计算“七普”数据中未完成九年义务教育的人口比例，表征社区人群受教育水平；由于手机信令数据中没有户籍信息，因此本研究利用该数据中的出生地信息，统计日间、夜间各社区出生地非广州市的人口比例作为自变量。虽然非本市出生的人口与非本地户籍人口并不对等，但也能较好地反映社区人口的非本地性和社会流动[46]，作为过度饮酒行为的潜在影响因素。在经济条件维度，手机信令数据包含了用户富裕指数，其值越大表示用户经济条件越好，本研究以此计算得到日间、夜间各社区的平均富裕指数；此外，将住宅租金数据进行空间插值[47]后分区统计各社区住宅租金均值，并根据“七普”数据计算各社区保障性住房的比例[48]，以更全面地反映社区经济条件。

2.3.3 控制变量

本研究控制了社区人口、人口密度[13]、年龄[49]、性别比[15]对酒精中毒核密度的影响，这些变量均是将手机信令数据在相应时段内和社区范围内进行统计得到（未成年人在酒精中毒记录中极少，故不纳入控制变量）。此外，考虑到温度对因变量的潜在影响，使用ArcGIS 10.5栅格计算器处理体感温度数据，生成日间、夜间平均温度，再以社区为单元分区求均值，纳入控制变量。

2.3.4 对照模型的变量设置

作为对照，在模型0中，由手机信令数据计算的变量均被替换为由“七普”数据计算的变量，其中“外地出生人口比例”用“户口不在本县、市、区的人口比例”替代，人口、人口密度、性别比、年龄变量均使用普查人口信息进行计算。由于“七普”数据中没有直接反映经济条件的信息，因此参考以往的研究[50]用平均租房费用代替平均富裕指数进行分析。

3 过度饮酒行为的时空特征

3.1 时间分布特征

由图3可知，广州市中心城区的过度饮酒行为在一周内的周五、周六和周日发生更频繁；在一日之内，过度饮酒行为集中分布在夜间时段，其数量在夜晚18时开始增加，并在19—23时陡增至峰值，随后缓慢下降，在次日7时左右降至较低水平。由“周-日”时间热点图可以看出，相较于工作日，周末清晨的过度饮酒案发趋势在时间上约延后1 h；周五晚间22时左右是一周内过度饮酒发生最多的时段，这可能与工作群体周五晚间的消费活动有关。这些特征说明，饮酒往往被视作一种工作以外的消遣、娱乐方式，人们的过度饮酒行为受职住节律的约束较明显。
图3 过度饮酒行为的时间分布特征

Fig. 3 The temporal patterns of excessive drinking events

3.2 空间分布特征

在空间分布上（图4），日间和夜间过度饮酒行为的分布趋势整体相似，呈多核心组团形态；夜间的发生量远高于日间；此外，日间的空间分布较均衡，而夜间空间分布的“中心-外围”集聚特征更突出，其中最明显的核心在天河区的商业商务区，几个次中心出现在白云区的三元里至白云公园附近、越秀区的北京路、海珠区的客村等地，这些热点多与城市商业中心重合。这种集聚特征可能与商业区人流量大、饮酒场所多、交通可达性高有关。
图4 过度饮酒事件的空间分布

Fig. 4 The spatial patterns of excessive drinking events

4 过度饮酒行为的影响因素

4.1 过度饮酒行为与地理环境的总体关系

为探究地理环境与过度饮酒行为的总体关系，研究建立了OLS模型进行分析。在表3中， F值提示模型0—模型3均在0.001水平上显著；自变量和控制变量的VIF值均小于10，无明显多重共线性；此外，与仅使用人口普查数据构建变量 的模型0（调整R2=0.560，AICc=15 935.064）相比，加入了基于手机信令数据的变量的模型1（调整 R2=0.627，AICc=14 482.934）效果有明显提升，因此后续的模型采用了模型1的变量设置方法。
表3 回归模型信息

Tab. 3 Information of the regression models

参数 全天模型 日间模型 夜间模型
模型0
(OLS)		 模型1
(OLS)		 模型2
(OLS)		 模型2-1
(GWR)		 模型3
(OLS)		 模型3-1
(GWR)
F 88.910*** 117.520*** 70.022*** - 113.039*** -
R2 0.566 0.633 0.506 0.633 0.624 0.773
Adj R2 0.560 0.627 0.499 0.603 0.618 0.748
AICc 15 935.064 14 482.934 9 191.441 8 879.119 14 142.846 13 583.715

注：***表示P < 0.001，**表示P< 0.01，*表示P< 0.05。

4.1.1 酒精可获得性的影响

由表4可知，模型1—模型3的结果显示，在其他因素相同的情况下，KTV核密度对过度饮酒行为有显著的正向影响，这验证了H1的相关内容。然而模型结果并未显示餐厅、酒吧、店铺的核密度与过度饮酒行为的显著关联。这可能是由于KTV不仅能吸引本社区和其他社区的饮酒者消费，而且其娱乐氛围和感官刺激更易让人产生不受控制的饮酒行为，显著增加社区过度饮酒行为的发生。在中国大城市，KTV消费常被作为饭后消遣的“下半场”活动，消费者在就餐时可能已经饮用一定量的酒精，在KTV中饮用量进一步累积，加之多种酒类混饮、娱乐氛围刺激的多重作用，更易出现过度饮酒。另一项在我国城市进行的研究认为过度饮酒行为与各类酒精出售点都存在正向关联[13]，但其未考虑经济条件、出生地等经济社会变量及人口的动态特征，这些剩余的信息可能对结果存在影响。地理分析的尺度效应[51]也可能是导致结果差异的原因，在社区尺度的大样本分析下，本研究发现KTV才是与过度饮酒行为关联最紧密的场所，这一结果可能对相关公共措施的计划和执行更具参考意义。
表4 过度饮酒行为影响因素的OLS模型分析结果

Tab. 4 Outcomes of OLS models analyzing the influencing factors of excessive drinking

影响因素 未标准化系数 标准化系数 VIF
模型1(全天) 模型2(日间) 模型3(夜间) 模型1 模型2 模型3 模型1 模型2 模型3
系数 标准误 系数 标准误 系数 标准误
常量 -26.998 71.293 -14.003 11.443 -26.001 62.038 - - - - - -
自变量
酒精可获得性
餐厅核密度X1 -0.011 0.016 -0.003 0.003 0.000 0.014 -0.025 -0.045 0.001 5.462 5.522 5.383
酒吧核密度X2 0.052 0.108 -0.025 0.018 0.063 0.096 0.010 -0.036 0.014 1.773 1.778 1.767
KTV核密度X3 1.888*** 0.307 0.192*** 0.050 1.565*** 0.272 0.157*** 0.114*** 0.148*** 2.554 2.574 2.531
烟酒副食店铺核密度X4 0.030 0.035 0.004 0.006 0.033 0.031 0.022 0.024 0.028 2.720 2.721 2.718
路网密度X5 0.172 0.125 0.003 0.020 0.196 0.111 0.035 0.004 0.045 2.496 2.496 2.493
交通站点核密度X6 0.207* 0.098 0.040* 0.016 0.218* 0.087 0.053* 0.073* 0.063* 2.433 2.443 2.420
空间失序
住户平均楼龄X7 0.046 0.129 0.022 0.021 0.138 0.116 0.007 0.025 0.025 1.677 1.664 1.709
街景脏乱度X8 5.245 24.321 4.490 3.940 -2.704 21.624 0.005 0.032 -0.003 2.252 2.244 2.249
土地建成率X9 14.900* 7.053 2.514* 1.140 12.865* 6.269 0.074* 0.089* 0.073* 4.788 4.752 4.778
社会失序
外地出生人口比例X10 -111.013*** 20.965 -8.615* 3.463 -85.310*** 17.655 -0.217*** -0.116* -0.198*** 6.573 6.286 6.403
低教育人口比例X11 43.731* 22.472 5.009 3.614 42.667* 20.122 0.040* 0.033 0.045* 1.687 1.657 1.708
平均富裕指数X12 15.215 10.155 0.939 1.582 14.395 8.879 0.033 0.015 0.035 1.897 1.931 1.821
住宅租金X13 0.821*** 0.111 0.044* 0.018 0.850*** 0.098 0.201*** 0.077* 0.237*** 2.880 2.850 2.821
保障性住房比例X14 -12.428 6.789 -0.088 1.101 -10.449 6.046 -0.030 -0.002 -0.029 1.080 1.078 1.082
控制变量
社区人口X15 -0.241* 0.099 -0.021 0.015 -0.233* 0.094 -0.045* -0.030 -0.047* 1.352 1.333 1.380
社区人口密度X16 1106.336*** 64.972 144.607*** 10.085 927.902*** 58.443 0.437*** 0.435*** 0.397*** 2.570 2.674 2.382
19~34岁人口比例X17 73.857** 24.261 10.938** 4.132 44.274* 20.125 0.092** 0.095** 0.065* 3.529 3.742 3.317
35~59岁人口比例X18 -65.236* 26.249 -3.454 4.406 -67.824** 22.045 -0.058* -0.022 -0.072** 2.159 2.209 2.109
60岁以上人口比例X19 -115.631 89.830 19.714 13.898 -148.317 80.544 -0.062 0.077 -0.089 8.991 8.542 8.859
性别比X20 0.828 1.822 0.273 0.291 0.860 1.452 0.011 0.026 0.013 2.119 2.179 1.834
温度X21 0.781 2.189 0.289 0.354 0.716 1.945 0.007 0.019 0.008 1.657 1.650 1.653

注：***表示P < 0.001，**表示P< 0.01，*表示P< 0.05。

交通便捷性方面，路网密度的影响不显著，但交通站点的影响表现出显著性，验证了H1的相关内容，这可能是由于在酒精出售点普遍可达的情况下，增加道路密度并不能进一步提高酒精可及性，但交通站点却利于饮酒者通过多种公共交通方式接触酒精出售点。

4.1.2 空间失序的影响

空间失序方面，表4显示过度饮酒行为与社区的建筑老旧程度、街道脏乱程度没有显著的关系，但与土地建成率有显著的正向关系，说明在其他因素相同时，具有较少蓝绿开敞空间的社区发生过度饮酒行为的风险更高，验证了H2的部分内容。有研究认为，相较于道路状况、住房设施等其他物理环境因素，绿色空间对居民心理健康的影响更为重要[52]。可以推测，蓝绿空间或可通过促进户外活动、舒缓身心等方式减少社区内居民对酒精刺激的寻求和依赖，减少过度饮酒行为的发生，这一影响远比建筑和街道环境对过度饮酒行为的影响显著。

4.1.3 社会失序的影响

表4显示，在其他因素相同时，夜间时段低教育人口比例对过度饮酒行为有显著正向影响，这与H3的部分内容相符；然而与H3相悖，外地出生人口比例对过度饮酒行为有负向影响，住宅租金则与过度饮酒行为正相关。即过度饮酒行为更常在住宅租金较高、本市出生的居民较多、居民受教育程度较低的社区发生。外地出生的人口中有相当大一部分不属于本地户籍，其面临的市民化压力[53]可能压缩了其饮酒活动的时间和精力，导致外地出生人口比例较高的社区反而较少出现过度饮酒行为。而住宅租金与过度饮酒行为的正向关系可能是由于居住在房租较高的社区中的居民有更强的消费能力，酒精消费活动更频繁；房租较高的社区往往也有更好的商业环境，能吸引本社区和其他社区的饮酒者消费。以上结果说明社会失序与饮酒行为的关系可能受到更复杂的社会背景和个体属性的影响[29,54]。有学者认为中国近年来的酒精市场增长与人民收入的增加息息相关[9,55]，可以推测在我国当前阶段，经济成本和时间成本可能依然是饮酒感知成本的组成部分，是中低收入者和外来人口饮酒行为的制约因素。

4.2 地理环境因素影响的时空分异

对比模型2和模型3可知，KTV核密度、外地出生人口比例、住宅租金在夜间对过度饮酒行为的影响更大，这可能是由于与娱乐消费相关的过度饮酒行为大多发生在夜间；而交通站点核密度、土地建成率在日间的影响更大，这可能是由于日间饮酒活动受时间约束较强[56]，市民接触蓝绿空间的休闲活动在日间更多[57]。这些结果验证了H4关于时间异质性的假设。
GWR模型纳入了相应OLS模型中显著的自变量和控制变量进行分析。如表4所示，与OLS模型（模型2、模型3）相比，GWR模型（模型2-1、模型3-1）的调整后R2明显更高、 AICc明显更低，可见GWR模型更好地解释了因变量与自变量间关系的空间异质性。GWR4软件输出的DIFF值可用于检验解释变量对因变量的作用，其小于0则可认为该变量的影响具有空间异质性。由表5可知，除模型2-1中的“土地建成率”外，其他变量的影响均有明显的空间异质性。这些结果验证了H4关于空间异质性的假设。
表5 GWR模型输出的DIFF值

Tab. 5 DIFFs from GWR outcomes

模型2-1(日间) 模型3-1(夜间)
变量名称 DIFF 变量名称 DIFF
KTV核密度 -18.552* KTV核密度 -5.088*
交通站点核密度 -29.272* 交通站点核密度 -41.440*
土地建成率 3.035 土地建成率 -91.376*
外地出生人口比例 -35.254* 外地出生人口比例 -353.258*
住宅租金 -26.785* 低教育人口比例 -5.752*
社区人口密度 -39.028* 住宅租金 -279.599*
19~34岁人口比例 -282.822* 社区人口 -3.069*
社区人口密度 -99.401*
19~34岁人口比例 -952.207*
35~59岁人口比例 -332.048*

注：*表示DIFF<0。

4.2.1 酒精可获得性的影响

由图5(a)、图5(f)可知，日间、夜间的过度饮酒行为与KTV核密度的正向关系在旧城均有明显体现，可能是由于KTV消费在旧城居民的休闲活动中占比较大；夜间时段，KTV核密度的系数在近郊区和开发区（黄埔区南部）也出现了大量的正值，可能是由于这些地区功能混合度较低，KTV能有力地吸引社区内和周边的饮酒者，因此与过度饮酒行为的相关性很强。
图 5 地理环境因素对过度饮酒行为的影响程度的空间格局

Fig. 5 Spatial patterns of the impacts of geographical environment on excessive drinking

图5(b)、图5(g)显示，日间、夜间的过度饮酒行为与KTV的关系在新城核心区和城郊结合地区不明显，可能是由于新城核心区的功能混合度高、饮酒选择多样，而城郊结合地区娱乐消费氛围较弱，故KTV难以解释过度饮酒行为的分布。
交通站点对过度饮酒行为的正向影响在日间、夜间均主要体现在近郊区，这可能是由于远离市中心的地区功能密度低，酒精消费更受可达性的约束，因此交通站点更能显著吸引饮酒者进行消费。

4.2.2 空间失序的影响

图5(c)、图5(h)显示，土地建成率对过度饮酒行为的正向影响主要体现在2个区域。① 位于白云区城郊结合部的棠溪、同德、三元里等城中村社区，这些社区组团位于城郊过渡地带，其工业用地多、建成景观质量较低，较高土地建成率在这些地区可能对居民情绪产生更高的负面效应，增加过度饮酒发生的风险。② 新城核心区和海珠区西部、北部的部分社区，这些地区拥有花城广场、海珠湿地等大面积的绿化公园，也拥有景观价值较高的珠江水段，是新城区的景观风貌核心地区，非建成区促进居民户外活动和身心健康、减少饮酒行为的效果可能更明显。
图5(h)显示，夜间时段土地建成率的系数在旧城商业区的小范围内出现负值，可能是由于沿江西路、滨江西路、江南西一带有较多滨水商业街区，因此夜间的过度饮酒行为与土地建成率有负相关关系。

4.2.3 社会失序的影响

图5(j)显示，夜间过度饮酒行为与低教育人口比例的正向关系主要体现在越秀区环市东路、北京路、文明路一带的商业街区和天河区北部。旧城商业区的人口年龄整体偏高，在受教育水平低的居民中，可能有更多从事房产租赁、批发零售等对个人约束性不强的工作的人员，因此饮酒的条件更为充分；天河区北部科研与职业教育单位众多，该地区的学生群体和社会人员同时存在并可能处于隔离状态，导致过度饮酒行为高度集中在居民受教育水平较低的社区。
图5(d)、图5(i)显示，外地出生人口与过度饮酒行为的负向关系主要出现在环市东路、北京路、东山口、江南西等旧城商业街区，以及工业大道沿线、芳村、广州石化等旧工业区。在这些地区，出生于本市的居民往往有较为通达的本地社会关系网络[58]，聚众饮酒可能较为频繁，因此本地居民较多的社区过度饮酒行为更常发生。而在日间时段的白云区三元里、广州火车站附近，过度饮酒行为与外地出生人口比例出现正相关关系。该地毗邻对外交通站场，聚集了大量物流批发产业和外来人口，具有人口流动性强、集体效能低下的特点，这验证了H3的相关内容。
图5(e)、图5(k)显示，过度饮酒行为与住宅租金的正向关系体现在白云区的城郊结合部社区和天河区的广州东站周边社区，这可能与当地及周边居民的消费区位选择偏好有关。结合“平均富裕指数”在OLS模型中不显著的结果可以推测，空间的经济属性比人群的经济属性更能影响过度饮酒行为的发生，不同收入等级的人群可能都倾向于在经济条件好的社区内发生过度饮酒行为。

4.3 过度饮酒行为主导影响因素的时空模式

将模型2-1、3-1中不显著的回归系数赋值为0，并将系数的绝对值标准化后，使用K-means方法将各社区按回归系数聚为4类，结果能较好地解释和概括影响过度饮酒行为的主导因素的空间分异 （图6）。针对不同类型的地区，本文提出了减少酒精危害的可参考政策导则（表6）。
图6 影响过度饮酒行为的主导因素聚类结果

Fig. 6 Clustering results of the leading factors affecting excessive drinking

表6 过度饮酒行为主导因素分类与相应政策导则

Tab. 6 Classification of leading factors affecting excessive drinking and related policy guidelines

划分地区类型 主要覆盖地区 过度饮酒主导影响因素 政策导则
日间时段
Ⅰ型 旧城区、
部分近郊区		 KTV核密度(+)，外地出生人口比例(-) 加强KTV集聚地区的相关治安资源、医疗资源配置；增加对本地居民聚居的社区的宣传教育
Ⅱ型 新城核心区、
开发区		 土地建成率(+)，住宅租金(+)，外地出生人口比例(-) 对租金较高和本地居民聚居的社区进行宣传教育；增设社区口袋公园，优化步行环境；规范化酒精消费场所
Ⅲ型 城郊结合区 交通站点核密度(+)，土地建成率(+)，外地出生人口比例(+)，住宅租金(+) 加强交通站点、外来人口聚居区周围的相关治安资源、医疗资源配置；实施工业外迁；推动更新改造和环境美化，增设社区口袋公园；对酒精广告加以管控
Ⅳ型 旧城工业区、
新城边缘区、
近郊区		 交通站点核密度(+) 加强交通站点周围的相关治安资源、医疗资源配置
夜间时段
Ⅰ型 旧城商业区 KTV核密度(+)，低教育人口比例(+)，住宅租金(+)，土地建成率(-)，外地出生人口比例(-) 加强KTV集聚地区的相关治安资源、医疗资源配置；增加对人群受教育水平低和本地居民聚居的社区的宣传教育；规范化酒精消费场所
Ⅱ型 旧城工业区 KTV核密度(+)，外地出生人口比例(-) 加强KTV集聚地区的相关治安资源、医疗资源配置；对旧厂单位大院等本地居民聚居社区进行宣传教育
Ⅲ型 城郊结合区、
新城核心区		 土地建成率(+)，住宅租金(+) 增设社区口袋公园，优化步行环境；规范化酒精消费场所；加强租金较高社区附近的相关治安资源、医疗资源配置
Ⅳ型 旧城生活区、
近郊区		 交通站点核密度(+) 加强交通站点周围的相关治安资源、医疗资源配置

注：“+”表示正相关，“-”表示负相关。

日间时段的聚类结果呈现“多区连片”的特征。Ⅰ型地区主要覆盖旧城区、部分近郊区，过度饮酒行为与KTV核密度正相关，与外地出生人口比例负相关；Ⅱ型地区主要覆盖新城核心区、开发区，过度饮酒行为与土地建成率和住宅租金正相关，与外地出生人口比例负相关；Ⅲ型地区主要覆盖城郊结合区，过度饮酒行为与交通站点核密度、土地建成率、外地出生人口比例、住宅租金正相关；Ⅳ型地区主要覆盖旧城工业区、新城边缘区和近郊区，过度饮酒行为主要与交通站点核密度正相关。
夜间时段的聚类结果呈现“中心-外围”特征，同时与城市实体功能分区的耦合关系更强。Ⅰ型地区对应旧城商业区，过度饮酒行为与KTV核密度、低教育人口比例、住宅租金正相关，与土地建成率、外地出生人口比例负相关；Ⅱ型地区对应旧城工业区，过度饮酒行为与KTV核密度正相关，与外地出生人口比例负相关；Ⅲ型地区对应城郊结合区、新城核心区，过度饮酒行为主要与土地建成率、住宅租金正相关；Ⅳ型地区对应旧城生活区和近郊区，过度饮酒行为主要与KTV核密度、交通站点核密度正相关。

5 结论与讨论

5.1 研究结论

基于相关研究进展，本研究构建了过度饮酒行为与地理环境关系的理论框架。以广州市中心城区为例，本研究分析了过度饮酒行为的时空特征，并揭示了其在动态地理背景下与酒精可获得性、空间失序、社会失序3类地理环境因素的关系。经过分析，部分假设内容得到了验证，也显示了过度饮酒行为与社会失序的关系的复杂性。最后，本研究识别了不同地区过度饮酒行为的主导影响因素，并分别提出了可参考的政策建议。本研究的结论如下：
（1）过度饮酒行为在时间上多发于周末和夜间，在空间上集中于城市商业中心；其空间分布在日间较为均衡，而在夜间较为集聚。
（2）过度饮酒行为受酒精可获得性的影响，其与社区的KTV、交通站点核密度正相关。KTV的正向影响在日间主要体现在旧城区，在夜间体现在旧城区、近郊区和开发区，夜间的影响相对明显；交通站点的正向影响主要体现在近郊区，且在日间相对明显。
（3）过度饮酒行为也受部分空间失序因素的影响，其与所在社区的土地建成率正相关，但与建筑楼龄、街景脏乱度等关系不显著。土地建成率的正向影响主要体现在新城景观风貌核心地区以及城郊结合部的城中村社区，且在日间相对明显。
（4）过度饮酒行为与社会失序的关系较为复杂且时空分异性较强，其整体上与社区的外地出生人口比例负相关，与低教育人口比例和住宅租金正相关。
（5）按日间、夜间过度饮酒行为的主导影响因素的不同，可将研究区域分别划分为不同的类型区。日间的分区结果呈“多区连片”特征，夜间的分区结果呈“中心-外围”特征。对各类地区可实施针对性的干预措施，以降低过度饮酒行为的危害。

5.2 讨论与启示

本研究通过使用多源时空数据，揭示了动态地理背景下过度饮酒行为的时空特征及影响因素，弥补了相关研究对动态地理背景和时空异质性考虑不足、分析尺度较大等局限性。研究结果可为我国酒精政策制定与完善、地区治安和卫生资源配置、城乡空间规划设计、相关健康问题的环境干预措施提供参考。
本研究存在一些局限性。由于手机信令数据包含的社会属性信息有限，模型中依然有部分源于静态普查数据的变量，这些变量作为居住地属性，对过度饮酒案发量的解释能力有所欠缺。由于数据未包含患者住址、醉酒原因等信息，研究无法区分不同场景下（如居住地和消费地）产生的过度饮酒行为的影响因素差异，也难以排除饮酒者个体尺度的地理背景不确定性问题[59]。此外，研究没有控制个人职业、家庭环境、地域文化等更复杂的因素的影响，因为在大数据研究范式下，这些因素是难以测度的。结合时空行为的个体尺度研究或能有效弥补这些局限，进一步认识过度饮酒行为与更深层的社会文化背景及个体特征的联系。
作为与酒精相关的健康问题最严重的国家之一，近年来的许多观点都认为我国应制定更行之有效的酒精政策[9,44]，在健康城市建设的导向下[60]，将来我国的酒精政策须随经济社会的发展得到阶段性的完善。与相关理论基础和研究成果较丰富的一些西方国家相比，我国社会背景下过度饮酒行为的影响因素和驱动机制并不完全相同，这催使我们对酒精问题形成更本土化的认识和应对。从资源配置角度，本研究揭示了城市内部各地区具有较大酒精隐患的社区特征，为相关医疗、治安资源的配置提供了参考；对高风险地区的医疗卫生机构进行专业化的培训[61]，或设置专业化的救助站点、药品配置点，对于缓解全市急救系统压力将十分有益。环境干预是解决公众健康问题的重要方法[62]，在此方面，本研究也提示了针对空间品质较低的社区，环境优化是减少不良饮酒行为的可行措施；提高蓝绿开敞空间可达性、鼓励步行和亲自然行为，对酗酒者可能是理想的治疗手段；除此以外，针对饮酒高风险社区的心理干预或教育宣传，也是精准控制社会酒精危害的途径之一。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wei R, Grubesic T H, Kang W. Spatiotemporal patterns of alcohol outlets and violence: A spatially heterogeneous Markov chain analysis[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 48(8):2151-2166. DOI:10.1177/2399808320965569

[2]
Feng S Q, Piza E L, Kennedy L W, et al. Aggravating effects of alcohol outlet types on street robbery and aggravated assault in New York City[J]. Journal of Crime and Justice, 2019, 42(3):257-273. DOI:10.1080/0735648X.2018.1559076

[3]
Lipton R, Ponicki W R, Gruenewald P J, et al. Space-time analyses of alcohol outlets and related motor vehicle crashes: Associ-ations at city and census block-group levels[J]. Alcoholism, Clinical and Experimental Research, 2018, 42(6):1113-1121. DOI:10.1111/acer.13758

[4]
向小军, 李荣国, 王绪轶, 等. 508名急诊患者外伤与饮酒的相关性[J]. 中国临床心理学杂志, 2014, 22(2):285-287.

[Xiang X J, Li R G, Wang X Y, et al. Relativity between injury and alcohol use[J]. Chinese Journal of Clinical Psychology, 2014, 22(2):285-287.] DOI:10.16128/j.cnki.1005-3611.2014.02.012

[5]
向小军, 王绪轶, 汤宜朗, 等. 我国酒精相关危害的现状与策略[J]. 中国药物滥用防治杂志, 2015, 21(6):368-372.

[Xiang X J, Wang X Y, Tang Y L, et al. Present situation and strategy of alcohol-related harm in China[J]. Chinese Journal of Drug Abuse Prevention and Treatment, 2015, 21(6):368-372.] DOI:10.15900/j.cnki.zylf1995.2015.06.024

[6]
Manthey J, Shield K D, Rylett M, et al. Global alcohol exposure between 1990 and 2017 and forecasts until 2030: A modelling study[J]. Lancet, 2019, 393(10190):2493-2502. DOI:10.1016/S0140-6736(18)32744-2

PMID

[7]
World Health Organization. Alcohol, recorded per capita (15+) consumption (in litres of pure alcohol)[EB/OL]. (2024-4-25)[2024-04-25]. https://www.who.int/data/gho/data/indicators/indicator-details/GHO/alcohol-recorded-per-capita-(15-)-consumption-(in-litres-of-pure-alcohol).

[8]
Griswold M G, Fullman N, Hawley C, et al. Alcohol use and burden for 195 countries and territories, 1990-2016: A systematic analysis for the Global Burden of Disease Study 2016[J]. Lancet, 2018, 392(10152):1015-1035. DOI:10.1016/S0140-6736(18)31310-2

PMID

[9]
Liu S W, Huang F L, Zhu X L, et al. China’s changing alcohol market and need for an enhanced policy response: A narrative review[J]. International Journal of Environmental Research and Public Health, 2022, 19(10):5866. DOI:10.3390/ijerph19105866

[10]
Gmel G, Holmes J, Studer J. Are alcohol outlet densities strongly associated with alcohol-related outcomes? A critical review of recent evidence[J]. Drug and Alcohol Review, 2016, 35(1):40-54. DOI:10.1111/dar.12304

PMID

[11]
Rowland B, Evans-Whipp T, Hemphill S, et al. The density of alcohol outlets and adolescent alcohol consumption: An Australian longitudinal analysis[J]. Health & Place, 2016, 37:43-49. DOI:10.1016/j.healthplace.2015.11.004

[12]
王少华, 陈艳艳, 黄建玲, 等. 酒精可获得性对酒驾交通事故的空间效应[J]. 北京工业大学学报, 2019, 45(9):886-894.

[ Wang S H, Chen Y Y, Huang J L, et al. Spatial effects of alcohol availability on drunk driving traffic accidents[J]. Journal of Beijing University of Technology, 2019, 45(9):886-894.]

[13]
Sun Y F, Li J, Jin X F, et al. Intra-urban excessive alcohol drinking: Geographic disparities, associated neighborhood character-istics and implications for healthy city planning[J]. Sustainable Cities and Society, 2019, 46:101414. DOI:10.1016/j.scs.2018.12.042

[14]
Barr P B. Neighborhood conditions and trajectories of alcohol use and misuse across the early life course[J]. Health & Place, 2018, 51:36-44. DOI:10.1016/j.healthplace.2018.02.007.

[15]
Matheson F I, White H L, Moineddin R, et al. Drinking in context: The influence of gender and neighbourhood deprivation on alcohol consumption[J]. Journal of Epidemiology and Community Health, 2012, 66(6):e4. DOI:10.1136/jech.2010.112441

[16]
Karriker-Jaffe K J, Lönn S L, Cook W K, et al. Chains of risk for alcohol use disorder: Mediators of exposure to neighborhood deprivation in early and middle childhood[J]. Health & Place, 2018, 50:16-26. DOI:10.1016/j.healthplace.2017.12.008

[17]
Bernstein K T, Galea S, Ahern J, et al. The built environment and alcohol consumption in urban neighborhoods[J]. Drug and Alcohol Dependence, 2007, 91(2):244-252. DOI:10.1016/j.drugalcdep.2007.06.006

[18]
Molina-de la Fuente I, Pastor A, Conde P, et al. Residents perceptions of the alcohol environment: A participatory photovoice project in two districts with different socio-economic status in a large city[J]. Health & Place, 2021, 69:102566. DOI:10.1016/j.healthplace.2021.102566

[19]
Hagström H, Widman L, von Seth E. Association between temperature, sunlight hours and alcohol consumption[J]. PLoS One, 2019, 14(9):e0223312. DOI:10.1371/journal.pone.0223312

[20]
Ventura-Cots M, Watts A E, Cruz-Lemini M, et al. Colder weather and fewer sunlight hours increase alcohol consumption and alcoholic cirrhosis worldwide[J]. Hepatology, 2019, 69(5):1916-1930. DOI:10.1002/hep.30315

PMID

[21]
Liu X H, Wen Y, Zhang K K, et al. Examining the association between apparent temperature and incidence of acute excessive drinking in Shenzhen, China[J]. Science of the Total Environment, 2020, 741:140302. DOI:10.1016/j.scitotenv.2020.140302

[22]
Best D, Manning V, Gossop M, et al. Excessive drinking and other problem behaviours among 14-16 year old schoolchildren[J]. Addictive Behaviors, 2006, 31(8):1424-1435. DOI:10.1016/j.addbeh.2005.12.002

PMID

[23]
Cox W M, Klinger E. A motivational model of alcohol use[J]. Journal of Abnormal Psychology, 1988, 97(2):168-180. DOI:10.1037/0021-843X.97.2.168

PMID

[24]
Ross C E, Mirowsky J. Disorder and decay: The concept and measurement of perceived neighborhood disorder[J]. Urban Affairs Review, 1999, 34(3):412-432. DOI:10.1177/10780879922184004

[25]
陈婧佳, 张昭希, 龙瀛. 促进公共健康为导向的街道空间品质提升策略——来自空间失序的视角[J]. 城市规划, 2020, 44(9):35-47.

[Chen J J, Zhang Z X, Long Y. Strategies for improving the quality of urban street space oriented to pro-moting public health: Perspective from spatial quality[J]. City Planning Review, 2020, 44(9):35-47.] DOI:10.11819/cpr20200907a

[26]
李志刚, 程晗蓓. 流动时代的城市环境暴露与移民健康——基于社会空间效应视角[J]. 上海城市规划, 2023(3):15-21.

[Li Z G, Cheng H B. Urban environmental exposure and migrants’ health in the era of mobility: From the perspective of social-spatial effects[J]. Shanghai Urban Planning Review, 2023, 3(3):15-21.] DOI:10.11982/j.supr.20230303

[27]
Hill T D, Angel R J. Neighborhood disorder, psychological distress, and heavy drinking[J]. Social Science & Medicine, 2005, 61(5):965-975. DOI:10.1016/j.socscimed.2004.12.027

[28]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach[J]. American Sociological Review, 1979, 44(4):588. DOI:10.2307/2094589

[29]
Slutske W S, Deutsch A R, Piasecki T M. Neighborhood contextual factors, alcohol use, and alcohol problems in the United States: Evidence from a nationally representative study of young adults[J]. Alcoholism, Clinical and Experimental Research, 2016, 40(5):1010-1019. DOI:10.1111/acer.13033

[30]
柳林, 吴林琳, 宋广文, 等. 基于时空行为视角的犯罪地理创新研究框架[J]. 地理研究, 2022, 41(6):1748-1764.

DOI

[Liu L, Wu L L, Song G W, et al. An innovation research framework of crime geography based on spatio-temporal behavior perspective[J]. Geo-graphical Research, 2022, 41(6):1748-1764.] DOI:10.11821/dlyj020210906

[31]
贺力, 陈晨, 王忠民, 等. 城市微环境与盗窃犯罪关系研究进展[J]. 地理研究, 2022, 41(11):2912-2931.

DOI

[He L, Chen C, Wang Z M, et al. A review on the relationship between urban micro-environment and theft[J]. Geographical Research, 2022, 41(11):2912-2931.] DOI:10.11821/dlyj020 220382

DOI

[32]
周素红, 张琳, 林荣平. 地理环境暴露与公众健康研究进展[J]. 科技导报, 2020, 38(7):43-52.

DOI

[Zhou S H, Zhang L, Lin R P. Pro-gress and prospect of the research on geographical environment exposure and public health[J]. Science & Technology Review, 2020, 38(7):43-52.] DOI:10.3981/j.issn.1000-7857.2020.07.006

[33]
广州市统计局. 2022广州统计年鉴[EB/OL].(2022-11-24)[2024-04-25]. http://tjj.gz.gov.cn/stats_newtjyw/zyxz/tjnjdzzz/content/post_8677056.html.

[Guangzhou Statistics Bureau. 2022 Guangzhou statistical yearbook[EB/OL]. (2022-11-24)[2024-04-25]. http://tjj.gz.gov.cn/stats_newtjyw/zyxz/tjnjdzzz/content/post_8677056.html.]

[34]
广州市住房和城乡建设局. 2020年广州市房屋租金参考价[EB/OL].(2021-02-19)[2024-04-25]. http://zfcj.gz.gov.cn/zwgk/zsdwxxgkzl/gzsfwjyjgzx/zjckj/content/post_7098715.html.

[Guangzhou Municipal Housing and Urban-rural Development Bureau. Reference price of housing rent in Guangzhou in 2020[EB/OL]. (2021-02-19)[2024-04-25]. http://zfcj.gz.gov.cn/zwgk/zsdwxxgkzl/gzsfwjyjgzx/zjckj/content/post_7098715.html.]

[35]
王林森, 郑重, 周素红, 等. 基于街景感知的城市空间品质对空间活力的影响作用研究[J]. 规划师, 2022, 38(3):68-75.

[Wang L S, Zheng Z, Zhou S H, et al. The impact of spatial quality on spatial vitality from the perspective of public perception[J]. Planners, 2022, 38(3):68-75.] DOI: 10.3969/j.issn.1006-0022.2022.03.009.

[36]
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8):3907-3925. DOI:10.5194/essd-13-3907-2021.

[37]
Zhang H, Luo M, Zhao Y Q, et al. HiTIC-Monthly: A monthly high spatial resolution (1 km) human thermal index collection over China during 2003-2020[J]. Earth System Science Data, 2023, 15(1):359-381. DOI:10.5194/essd-15-359-2023

[38]
Djongyang N, Tchinda R, Njomo D. Thermal comfort: A review paper[J]. Renewable and Sustainable Energy Reviews, 2010, 14(9):2626-2640. DOI:10.1016/j.rser.2010.07.040

[39]
塔娜, 柴彦威, 关美宝. 建成环境对北京市郊区居民工作日汽车出行的影响[J]. 地理学报, 2015, 70(10):1675-1685.

DOI

[Ta N, Chai Y W, Kwan M P. The relationship between the built environment and car travel distance on weekdays in Beijing[J]. Acta Geo-graphica Sinica, 2015, 70(10):1675-1685.] DOI:10.11821/dlxb201510011

[40]
Brunsdon C, Fotheringham A S, Charlton M. Geographically weighted summary statistics—a framework for localised exploratory data analysis[J]. Computers, Environment and Urban Systems, 2002, 26(6):501-524. DOI:10.1016/S0198-9715(01)00009-6

[41]
周素红, 谢蔚翰, 宋广文, 等. 土地利用对街头抢劫影响的空间分异模式:以H市为例[J]. 地理科学, 2017, 37(6):885-894.

DOI

[Zhou S H, Xie W H, Song G W, et al. The spatial differentiation effect of land use on street robbery: A case study in H city, China[J]. Scientia Geographica Sinica, 2017, 37(6):885-894.] DOI:10.13249/j.cnki.sgs.2017.06.010

[42]
Gruenewald P J, Sumetsky N, Mair C, et al. Micro-temporal analyses of crime related to alcohol outlets: A comparison of out-comes over weekday, weekend, daytime and nighttime hours[J]. Drug and Alcohol Review, 2023, 42(4):902-911. DOI:10.1111/dar.13644

PMID

[43]
禹文豪, 艾廷华. 核密度估计法支持下的网络空间POI点可视化与分析[J]. 测绘学报, 2015, 44(1):82-90.

DOI

[Yu W H, Ai T H. The visualization and analysis of POI features under network space supported by kernel density estimation[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(1):82-90.] DOI:10.11947/j.AGCS.2015.20130538

[44]
Hu A Q, Jiang H, Dowling R, et al. The transition of alcohol control in China 1990-2019: Impacts and recommendations[J]. International Journal of Drug Policy, 2022, 105:103698. DOI:10.1016/j.drugpo.2022.103698

[45]
王洋, 张虹鸥, 黄耿志, 等. 城市住房与社会空间的对应关系及区位差异性[J]. 建筑经济, 2017, 38(8):100-104.

[ Wang Y, Zhang H O, Huang G Z, et al. Research on the correlation and spatial variation between urban housing characteristics and social space[J]. Construction Economy, 2017, 38(8):100-104.] DOI:10.14181/j.cnki.1002-851x.201708100

[46]
马凌, 罗加威, 李锦昊. 空间流动与社会流动关系研究述评[J]. 人文地理, 2023, 38(6):1-7.

[Ma L, Luo J W, Li J H. A review on the relationship between spatial mobility and social mobility[J]. Human Geography, 2023, 38(6):1-7.] DOI:10.13959/j.issn.1003-2398.2023.06.001

[47]
高杨, 王朝辉, 乔浩浩, 等. 上海市旅游住宿业房价空间分异规律及其影响因素[J]. 地理科学, 2022, 42(8):1391-1401.

DOI

[Gao Y, Wang C H, Qiao H H, et al. Spatial differentiation and influencing factors of room prices in tourism lodging industry in Shang-hai[J]. Scientia Geographica Sinica, 2022, 42(8):1391-1401.] DOI:10.13249/j.cnki.sgs.2022.08.007

[48]
周素红, 程璐萍, 吴志东. 广州市保障性住房社区居民的居住-就业选择与空间匹配性[J]. 地理研究, 2010, 29(10):1735-1745.

DOI

[Zhou S H, Cheng L P, Wu Z D. The jobs-housing relocation and spatial matching of residents in alleviatory housing neighbor-hoods in Guangzhou[J]. Geographical Research, 2010, 29(10):1735-1745.] DOI:10.11821/yj2010100002

[49]
Dixon M A, Chartier K G. Alcohol use patterns among urban and rural residents: Demographic and social influences[J]. Alcohol Research: Current Reviews, 2016, 38(1):69-77.

[50]
周春山, 胡锦灿, 童新梅, 等. 广州市社会空间结构演变跟踪研究[J]. 地理学报, 2016, 71(6):1010-1024.

DOI

[Zhou C S, Hu J C, Tong X M, et al. The socio-spatial structure of Guangzhou and its evolution[J]. Acta Geographica Sinica, 2016, 71(6):1010-1024.] DOI:10.11821/dlxb201606009

[51]
Gao F, Li S Y, Tan Z Z, et al. Understanding the modifiable areal unit problem in dockless bike sharing usage and exploring the interactive effects of built environment factors[J]. International Journal of Geographical Information Science, 2021, 35(9):1905-1925. DOI:10.1080/13658816.2020.1863410

[52]
Wang L L, Zhou Y, Wang F R, et al. The influence of the built environment on people’s mental health: An empirical classification of causal factors[J]. Sustainable Cities and Society, 2021, 74:103185. DOI:10.1016/j.scs.2021.103185

[53]
戚伟, 刘盛和, 赵美风. 中国城市流动人口及市民化压力分布格局研究[J]. 经济地理, 2016, 36(5):55-62.

[Qi W, Liu S H, Zhao M F. The research on the spatial pattern of urban floating population and citizenization pressure in China[J]. Economic Geography, 2016, 36(5):55-62.] DOI:10.15957/j.cnki.jjdl.2016.05.008

[54]
Jayne M, Valentine G. Beyond moralising, disciplining and normalising discourses: Re-thinking geographies of alcohol, drinking, drunkenness[J]. Dialogues in Human Geography, 2024, 14(1):94-116. DOI:10.1177/20438206221144815

[55]
Wu B, Mao Z F, Rockett I R H, et al. Socioeconomic status and alcohol use among urban and rural residents in China[J]. Sub-stance Use & Misuse, 2008, 43(7):952-966. DOI:10.1080/10826080701204961

[56]
古杰, 周素红, 闫小培, 等. 居民日常出行时空集聚视角下的城市交通拥堵形成机制研究——以广州为例[J]. 地理科学, 2012, 32(8):921-927.

DOI

[Gu J, Zhou S H, Yan X P, et al. Formation mechanism of traffic congestion in view of spatio-temporal agglomeration of residents’ daily activities: A case study of Guangzhou[J]. Scientia Geographica Sinica, 2012, 32(8):921-927.] DOI:10.13249/j.cnki.sgs.2012.08.003

[57]
李方正, 戴超兰, 姚朋. 北京市中心城社区公园使用时空差异及成因分析——基于58个公园的实证研究[J]. 北京林业大学学报, 2017, 39(9):91-101.

[Li F Z, Dai C L, Yao P. Spatial-temporal pattern and causes of the use of community parks in central city of Beijing: An empirical study based on 58 parks[J]. Journal of Beijing Forestry University, 2017, 39(9):91-101.] DOI:10.13332/j.1000-1522.20170123

[58]
魏立华, 丛艳国, 李志刚, 等. 20世纪90年代广州市从业人员的社会空间分异[J]. 地理学报, 2007, 62(4):407-417.

[Wei L H, Cong Y G, Li Z G, et al. Socio-spatial differentiation of professionals of Guangzhou in the 1990s[J]. Acta Geographica Sinica, 2007, 62(4):407-417.] DOI:10.3321/j.issn:0375-5444.2007.04.007

[59]
Kwan M P. The uncertain geographic context problem[J]. Annals of the Association of American Geographers, 2012, 102(5):958-968. DOI:10.1080/00045608.2012.687349

[60]
Giles-Corti B, Vernez-Moudon A, Reis R, et al. City planning and population health: A global challenge[J]. Lancet, 2016, 388(10062):2912-2924. DOI:10.1016/S0140-6736(16)30066-6

PMID

[61]
陈意飞, 郭明, 董世童, 等. 急性酒精中毒风险防范的现状与思考[J]. 中华卫生应急电子杂志, 2019, 5(1):36-37.

[Chen Y F, Guo M, Dong S T, et al. Current situation and consideration on risk prevention of acute alcoholism[J]. Chinese Journal of Hygiene Rescue (Electronic Edition), 2019, 5(1):36-37.] DOI:10.3877/cma.j.issn.2095-9133.2019.01.009

[62]
杨春, 谭少华, 李梅梅, 等. 健康城市主动式规划干预途径研究[J]. 城市规划, 2022, 46(11):61-76.

[Yang C, Tan S H, Li M M, et al. Research on active planning intervention strategies for healthy cities[J]. City Planning Review, 2022, 46(11):61-76.] DOI:10.11819/cpr20221611a

Options
文章导航

/

〈 〉