在全球老龄化和城市化进程加速的当下，城市噪音污染问题愈发突出，而老年人作为易受环境因素影响的群体，其心理健康与城市噪音之间的关联备受关注。过往研究对城市噪音污染如何影响老年人心理健康的探讨不够深入，存在研究空白，难以满足现实需求，本文的研究便应运而生。
来自太原理工大学的晋美俊副教授、山西财经大学的李俊明教授以及中国科学院地理科学与资源研究所的任周鹏副研究员采用贝叶斯机器学习方法，突破了传统研究的局限，合作完成了发表于Applied Acoustics期刊的"Nonlinear effect of urban noise pollution on depression of the elderly in China based on the Bayesian machine learning method"。
该研究通过倾向得分匹配（PSM），有效控制混杂因素，确定城市等效声压级（ESPL）与老年人抑郁得分（DSE）之间的因果关系；再利用分位数回归模型（QRM），分析噪音污染在不同抑郁程度下的影响差异；最后借助贝叶斯加法回归树模型（BARTM）和贝叶斯因果森林方法（BCFM），挖掘其中的非线性关系和异质性影响。
城市噪音污染是一个严峻的环境问题，交通、工业活动和人口密集等因素让城市充满噪音，严重影响人们的日常生活，尤其对老年人的心理健康构成威胁。过往研究虽涉及噪音污染对心理健康的影响，但针对老年人这一特殊群体的深入研究较少。老年人对环境压力更为敏感，城市噪音可能极大地影响他们的心理健康，而现有研究的不足凸显了深入探究这一问题的紧迫性。
随着城市化和老龄化的发展，了解城市噪音污染对老年人心理健康的独特影响，对制定城市规划和公共卫生政策、保障老年人福祉至关重要。此外，多数研究采用传统统计方法探究噪音污染与心理健康的简单线性关系，而本研究运用贝叶斯机器学习方法，旨在捕捉城市噪音污染（以等效声压级 ESPL 衡量）对老年人抑郁得分（DSE）的非线性影响，填补研究空白。
本研究选取多个关键变量。以 65 岁以上老年人的抑郁得分（DSE）为结果变量，数据来自中国健康与养老追踪调查（CHARLS），该调查涵盖多方面信息，通过 10 项流行病学研究中心抑郁量表（CES-D-10）计算抑郁得分。将地级噪音污染（年度 ESPL）作为主要解释变量，数据源于中国城市统计年鉴。同时纳入慢性疾病、教育程度、婚姻状况等多个混淆变量，综合考量个人、社会和经济因素对 DSE 的影响。
倾向得分匹配（PSM）用于确定噪音污染与 DSE 之间的因果关系。通过逻辑回归计算倾向得分，为每个暴露于高噪音污染的个体匹配低噪音污染个体，对比匹配后两组的结果，以相对风险（RR）和风险差异（RD）衡量因果效应。
分位数回归模型用于研究噪音污染在 DSE 不同分位数上的影响。与传统回归关注因变量均值不同，该模型能在不同分位数下分析预测变量的影响，本研究针对 DSE 的多个分位数（如 25th、45th、50th、75th 和 85th 百分位数）分别构建模型。
贝叶斯机器学习方法包含贝叶斯加法回归树模型（BARTM）和贝叶斯因果森林模型（BCFM）。BARTM 通过先验分布调整树结构，利用马尔可夫链蒙特卡罗（MCMC）回拟合算法预测，可估计影响因素重要性和非线性剂量 - 反应关系。BCFM 则结合 BARTM 和因果推断原理，能处理复杂高维数据，识别变量间非线性因果关系和交互作用，在本研究中用于揭示噪音暴露对不同老年亚群体的差异影响。
城市噪音污染在地理分布上呈现异质性（见图 3）。2007 - 2020 年，113 个地级区域的平均噪音水平为 54.22 dB (A)，最高达 57.60 dB (A)，最低为 48.20 dB (A)。东部沿海地区噪音较高，西部较低。部分地区噪音呈下降趋势（如北京、天津、大同），部分地区上升（如石家庄、保定）（见图 4）。从 2011 - 2020 年，DSE 在不同范围的占比有所变化（见图 5），2015 - 2020 年，中度和重度抑郁的老年人比例上升，从 29.14% 增至 36.86%，年均增长 1.54%。
图3 2007 - 2020年中国113个地级市城市噪声污染水平空间分布特征
图4 2007 - 2020年中国地级市城市噪声污染水平变化趋势
图5 2011年、2013年、2015年、2018年和2020年老年人抑郁评分类别的堆叠条形图（A）和百分比分布（B）
PSM 分析表明，高噪音暴露组平均抑郁得分（18.74）显著高于低噪音暴露组（16.46），风险差异（RD）为 2.28，风险比（RR）为 1.139，证明城市噪音污染与较高的 DSE 存在因果关系（见图 6）。
图6 直方图显示了在（A）和（B）倾向得分匹配（PSM）之前和之后的倾向得分分布，用于检测噪声污染对老年人抑郁得分的因果影响。
分位数回归结果显示，在 DSE 较低分位数（25th、45th），ESPL 系数不显著；在中位数（50th），系数显著上升至 0.2201；在高分位数（75th、85th），系数进一步增至 0.4528 和 0.5709，表明噪音污染对抑郁得分的影响在 DSE 较高水平更为明显（见表 1）。
表1 分位数回归分析结果显示了城市噪声污染对老年人抑郁评分分布中不同点的估计影响
BARTM 分析呈现 ESPL 与 DSE 的 U 型关系（见图 7）。ESPL 低于 53.67 dB (A) 时，对 DSE 有负向影响；在 53.67 - 55.68 dB (A)，ESPL 每增加 1 dB (A)，DSE 平均增加 0.28；超过 55.68 dB (A)，每增加 1 dB (A)，DSE 平均增加 0.85。
图7 老年人年等效声压级与平均抑郁评分预测值的剂量-反应曲线，采用贝叶斯加性回归树模型的偏相关图特征估计
噪音污染对 DSE 的因果效应存在异质性（见图 8、表 2）。区域上，东部沿海和西南部的局部效应较高，西部部分城市 ESPL 对老年人心理健康无负面影响。个人因素方面，高教育水平、不参与社交、不与子女同住、未婚、低养老金领取者以及不照顾孙辈的老年人，噪音污染与抑郁得分的关联更强；而社会参与、与子女同住、已婚、高养老金领取者和照顾孙辈的老年人，受噪音污染对抑郁的影响较小。
图8 2020年等效声压级对老年人抑郁评分的城市局部影响
表2 贝叶斯因果森林法估计了个人因素对老年人抑郁评分的异质因果效应，即调节效应
该研究揭示城市噪音污染时空特征复杂，与老年人抑郁得分关系密切。分位数回归体现噪音污染对重度抑郁老年人影响更大，BARTM 分析的 U 型关系表明适度噪音可能有益，但过高则损害老年人心理健康。此外，噪音污染影响存在区域和个体差异，这些发现为制定针对性公共卫生干预措施和城市规划策略提供了依据。
不过，也存在局限。环境噪音数据未涵盖所有城市，尤其是西部地区；噪音数据仅用年度平均 ESPL，未分类研究。未来研究可增加西部地区城市数据，细化噪音分类，进一步探究不同类型噪音对老年人心理健康的影响，为保障老年人心理健康提供更精准的建议。
Jin M ,Chen Z ,Pei N , et al.Nonlinear effect of urban noise pollution on depression of the elderly in China based on the Bayesian machine learning method[J].Applied Acoustics,2024,225110207-110207.
原文信息
作者：晋美俊，陈子楚，裴娜颖，李俊明，任周鹏
第一作者及单位：晋美俊，太原理工大学
通讯作者及单位：李俊明，山西财经大学；任周鹏，中国科学院地理科学与资源研究所 地理信息科学与技术全国重点实验室
