iScience｜高密度城市，如何影响妊娠期糖尿病风险？
——基于多尺度地理加权回归的上海中心城区实证
iScience 2026, 29, 114272
How does high-density built-environment affect the incidence of gestational diabetes mellitus
Fei Guo, Nannan Liu, Ruiheng Peng, Binyao Wang, Yeqing Chang, Hong Jin, Xinyu Xiong, Dongxu Zhang*, Qianlong Zhang*, Liqiang Zheng*
01 研究背景
在中国，城镇化带来的生活方式变化，使妊娠期糖尿病（Gestational Diabetes Mellitus, GDM）的患病率达到14.8%，已成为威胁孕产妇与子代健康的重要公共卫生问题。高糖高脂饮食、久坐少动、出行依赖小汽车——这些看似“个人选择”的行为，其实与人们日常所处的建成环境密切相关。
建成环境是物理空间、社会文化与经济环境的综合体，会通过影响居民的饮食、户外交流与体力活动频率，进而作用于健康。已有研究发现，居住地绿地对孕期血糖具有保护作用，紧邻主干道则与更高的GDM风险相关；建筑密度、建筑高度、容积率、天空开阔度等城市形态指标，也会经微气候、体力活动与心理压力等路径影响代谢健康。
但既有研究存在两点不足。其一，多聚焦单一因素（如NDVI或可达性），较少把建成环境视为一个复杂系统；其二，多以居住地300 m或500 m缓冲区作为暴露范围，难以反映孕妇在工作、休闲、就医等跨区域活动中接触到的真实环境。方法上，传统OLS与GWR要么忽略空间差异，要么假定所有变量在同一尺度上起作用，而不同建成环境要素的作用尺度往往并不相同。
本研究以超大城市上海的中心城区为例，基于新华医院ELP队列与多源空间数据，构建“物质空间—社会文化—经济”三类建成环境指标体系，采用多尺度地理加权回归（MGWR）刻画不同变量与GDM诊断密度关系的尺度效应与空间分异，为社区尺度的健康干预提供依据。
研究重点回答以下三个问题：
-
上海中心城区GDM诊断密度是否存在空间集聚？哪些社区风险更高？ -
不同建成环境变量分别在什么空间尺度上起作用？哪些是局地变量、哪些是全局变量？ -
关键变量的影响方向与强度如何随空间变化？社区尺度可以怎样干预？
02 研究方法
研究构建了“队列与社区单元—多源变量测度—空间自相关检验—多尺度回归”的技术路线。
图1 研究框架：建成环境暴露—妊娠期糖尿病—风险空间识别
（1）研究区与队列
研究区为上海外环线以内的中心城区，涉及11个行政区、117个街道及以下层级的社区单元。队列来自上海交通大学医学院附属新华医院ELP前瞻性队列（2016—2024年，共10,685名孕妇）。研究纳入单胎、18—44岁，排除死胎与极早产/过期产、孕前糖尿病及住址缺失者，最终得到4,533名孕妇样本，其中832例确诊GDM。据问卷地址，约85.7%的样本居住在中心城区。
图2 研究区与GDM分布：(A)全国样本来源 (B)上海样本 (C)中心城区研究范围 (D)孕妇分布 (E)GDM病例分布 (F)GDM诊断密度
（2）建成环境变量体系
变量分三类：物质空间（建筑高度BH、建筑密度BD、容积率FAR、天空开阔度SVF、土地利用多样性LUD、路网密度RND、路网可达性ARN、公交站密度BSD、地铁站密度SSD、归一化植被指数NDVI、绿视率GVI）、社会文化（餐饮设施核密度DKDRF）与经济（房价HP）。数据分别来自Bigemap、Zenodo、OpenStreetMap、Google Earth Engine、百度街景与贝壳；街景图像用于计算GVI与SVF。经相关性（|r|<0.8）与方差膨胀因子（VIF<5）检验，最终保留12项变量（容积率未进入模型），并以社区为单元取均值。
（3）空间自相关检验
采用全局Moran's I与局部空间自相关（LISA）检验各变量的空间集聚特征。全局Moran's I介于0.3664—0.7456，Z值均大于2.58，p<0.001，说明建成环境变量与GDM密度均呈显著的正空间自相关，存在明显的空间非平稳性。
（4）多尺度回归
以GDM诊断密度（社区单位用地面积内的GDM诊断数）为因变量，依次构建OLS、GWR与MGWR。GWR对所有变量使用同一带宽；MGWR为每个变量单独优选带宽（以AICc最小为准则），带宽可理解为该变量起作用的空间尺度。模型比较采用调整R²与AICc，并以E-value评估未测混杂对核心结论的影响。
03 主要结果
（1）GDM的空间集聚：中心高、边缘弱
LISA结果显示，研究区中部，土地利用多样性、路网可达性与NDVI呈低—低集聚，建筑高度、建筑密度、绿视率、餐饮设施密度与房价呈高—高集聚——虹口、静安等区建筑功能较为单一、绿地稀缺且集中、路网密集、建筑高而密、餐饮高度集中。浦东部分社区的建筑密度呈高—低集聚，提示其未来可能演化为高—高集聚。边缘社区多为不显著，说明中心城区与外围的空间关联较弱、异质性更强。
图3 建成环境变量的LISA集聚格局（A—L依次对应12项变量）
（2）模型比较：解释力从0.15跃升至0.64
在解释同一组变量时，OLS的调整R²仅为0.1531，GWR提高到0.1757（AICc为692.56），MGWR则达到0.6430（AICc为262.07）。GWR只给出一个最优带宽（117），等于假定所有变量在同一尺度上作用，约束过强；MGWR的带宽出现分化：建筑密度45、天空开阔度44、绿视率109，其余变量接近116（全样本）。这意味着建筑密度与天空开阔度是典型的局地变量，需要在社区—区级尺度上干预；绿视率接近全局尺度；房价、NDVI等则更适合在全域尺度上统筹。
（3）关键变量：天空开阔度与绿视率
MGWR系数显示，天空开阔度（SVF）的均值为−0.316，系数范围−1.159至−0.058：每提高0.1，GDM诊断概率约下降3%，虹口最强、外环边缘最弱。绿视率（GVI）均值为−0.128（−0.220至−0.068）：每提高0.1，概率约下降1%，影响自徐汇、长宁向浦东逐渐增强。建筑密度（BD）均值为0.044（−0.278至0.616）：每提高0.1，概率约上升0.45%，系数自宝山向浦东由负转正。
此外，房价与GDM密度负相关，低房价社区风险更高；路网可达性（ARN）呈负相关——可达性越高，风险反而越高，这与上海以机动车出行为主、可达性提升伴随交通污染与噪声暴露有关；NDVI呈正相关，与GVI方向相反，说明单一植被指数难以反映绿地的可达性与“被看见”的程度。
图4 MGWR系数的空间分布（A—L依次对应12项变量，灰色为不显著区域）
（4）空间分异与干预
从空间上看，虹口、浦东是SVF与GVI负相关最强的区域，也是干预优先级最高的区域：应严格控制建筑高度与密度，通过容积率上限、建筑退界与开放空间配建提高天空开阔度，避免形成封闭压抑的天际线；在社区更新中增补口袋公园、露天广场与健身步道，既降低道路交通污染与噪声暴露，也为孕妇提供可停留、可活动的户外空间。
对低房价社区，应同步补齐医疗与健康服务资源；对高可达性地区，则需从“以车为本”转向慢行优先——可达性本身不是健康，出行方式与沿途环境才是。
04 研究创新点
（1）变量体系：从单一因素走向“物质空间—社会文化—经济”三类12项指标，并把房价纳入建成环境的社会经济维度，较既有GDM研究更为完整。
（2）方法：将MGWR引入建成环境与GDM的关联研究，让每个变量拥有自己的空间尺度（建筑密度45、天空开阔度44、绿视率109），把“在哪里干预”推进为“在哪个尺度干预”。
（3）证据：给出可换算的效应量（SVF每提高0.1约下降3%、GVI每提高0.1约下降1%、BD每提高0.1约上升0.45%），并以E-value检验稳健性（SVF 2.04—5.82、GVI 2.01—2.21），为社区尺度更新提供可校核的依据。
05 实验所用的具体技术、壁垒与数据来源
（1）具体技术（壁垒门槛和难度）
多源数据融合与社区聚合：建筑轮廓与POI（Bigemap）、建筑高度与用地（Zenodo）、路网（OSM）、NDVI（GEE，2016—2024年年均）、街景（百度地图）、房价（贝壳），统一聚合到117个社区单元。
街景测度GVI与SVF：基于百度街景图像计算绿视率与天空开阔度，弥补NDVI无法刻画“人眼所见”的局限。
空间自相关：全局Moran's I（0.3664—0.7456）与LISA四类集聚，识别高—高、低—低、高—低、低—高格局。
OLS—GWR—MGWR三级比较：以AICc优选带宽，GWR为单一带宽117，MGWR为变量级带宽43—116；调整R²由0.1531、0.1757提升至0.6430。
E-value稳健性：BD 1.55—1.64、SVF 2.04—5.82、GVI 2.01—2.21，量化未测混杂需要多强才能推翻结论。
（2）所用数据及平台
队列数据：新华医院ELP前瞻性队列，2016—2024年共10,685人，最终4,533人、832例GDM；伦理批号XHEC-C-2016-016。
建成环境数据：建筑、路网、POI、绿地、街景、房价六类，覆盖上海中心城区11个行政区。
软件平台：QGIS、GWR4、MGWR。
数据说明：受隐私与伦理限制，个体数据不公开；衍生数据集见补充材料。
论文信息
Guo, F., Liu, N., Peng, R., Wang, B., Chang, Y., Jin, H., Xiong, X., Zhang, D.,* Zhang, Q.,* & Zheng, L.* (2026).
How does high-density built-environment affect the incidence of gestational diabetes mellitus.
iScience, 29, 114272.
DOI: 10.1016/j.isci.2025.114272