Кратко — ключевые причинно‑следственные пути: планировка влияет на поведение (ходьба, поездки), экспозицию (загрязнение, шум, температура), и социальные взаимодействия (встречи, доверие), что через эти медиаторы влияет на здоровье (физическое, психическое) и социальную сплочённость.
Какие эмпирические индикаторы использовать
- Параметры планировки (из GIS / градостроительных планов):
- ширина улиц (м), дорожный профиль; плотность застройки: плотность населения (чел/га), плотность жилья, коэффициент этажности, FAR; доля зелёных зон (% территории), NDVI, площадь парка на 1 000 чел, дерево-покров (%).
- уличная сеть: пересечённость (intersection density), длина тротуаров, индекс смешанного использования территории (land‑use mix), расстояние до ближайшего парка (м).
- Показатели здоровья:
- объективные: заболеваемость/госпитализации (СЕР/ИВ), смертность, показатели сердечно‑сосудистой и респираторной заболеваемости, ИМТ/ожирение, показатели физической активности (меты/мин/день от акселерометров), биомаркеры стресса (кортизол).
- субъективные/психическое: депрессия/тревога (шкалы), самооценка здоровья, качество сна.
- Показатели социальной сплочённости:
- социальный капитал (опросы: доверие к соседям, взаимопомощь), частота контактов с соседями, участие в общественных мероприятиях, уровень преступности, использование общественных пространств, сетевые данные (сообщества в соцсетях), волонтёрская активность.
- Дополнительные переменные (контролирующие):
- возраст, пол, доход, образование, занятость, этническая структура, климат, доступность транспорта, исторические факторы, политика зонирования.
Данные и источники
- GIS (кадастр, OSM), спутниковые снимки (NDVI), городские реестры, административные медицинские данные, опросы населения (например, Eurobarometer/локальные), мобильные/акселерометрические данные, криминальная статистика, датчики качества воздуха, погодные станции.
Методы анализа и стратегии для вывода причинности
1. Базовая модель (многоуровневый регресс):
- индивидуальные данные с учётом вложенности в районы:
$$Y_{ij}=\alpha +\beta X_j+\gamma Z_{ij}+u_j+{ϵ}_{ij},$$ где $Y_{ij}$ — исход здоровья/социальный показатель для индивида $i$ в районе $j$, $X_j$ — характеристики планировки, $Z_{ij}$ — индивидуальные контролы, $u_j$ — случайный эффект района.
2. Панельные данные + фиксированные эффекты:
- если есть временные наблюдения:
$$Y_{ijt}={\alpha }_i+{\delta }_t+\beta X_{jt}+\gamma Z_{ijt}+{ϵ}_{ijt},$$ фиксированные эффекты индивида/района убирают неизменные по времени конфаундеры.
3. Разность в разностях (Difference‑in‑Differences, DID):
- при наличии вмешательства (появление парка, пешеходная зона):
$$Y_{it}=\alpha +\tau D_{it}+{\lambda }_t+{\mu }_i+{ϵ}_{it},$$ где $D_{it}$ — индикатор «лечения». Проверять предпосылку параллельных трендов.
4. Инструментальные переменные (IV, 2SLS):
- когда $X$ эндогенен (напр., где появляются парки зависит от спроса):
первый этап: $X=\pi Z+\dots$, второй: $Y=\beta \hat{X}+\dots$.
- возможные инструменты: исторические планировочные границы, политические решения/квоты, геоморфология, расстояние до заранее запланированных объектов.
5. Режим регрессионного скачка (Regression Discontinuity):
- при существовании пороговых правил зонирования (границы) сравнение окрестностей порога даёт квазикаузальную оценку.
6. Синтетический контроль:
- для оценки эффекта крупного вмешательства (например, большой парк) на уровень района при отсутствии очевидной контрольной группы.
7. Пространственные методы:
- учитывать пространственную автокорреляцию: модель пространственного лага (SAR), пространственная модель ошибок (SEM):
$$Y=\rho WY+X\beta +ϵ,$$ где $W$ — матрица соседства.
- Географически взвешенная регрессия (GWR) для локальной нестабильности эффектов.
8. Медиативный анализ и декомпозиция эффектов:
- разделить общий эффект планировки на пути через: физическую активность, качество воздуха, температуру, социальные взаимодействия.
- структурные модели, путь‑анализ, causal mediation (вклад прямого и косвенного эффекта).
9. Машинные методы и гетерогенные эффекты:
- каузальные леса (causal forests), таргетированные подходы для обнаружения неоднородности эффектов по подгруппам.
Верификация причинности и robustness checks
- проверка баланса и предтрендов (для DID), placebo‑тесты (лишающие смысла даты/места), falsification outcomes, sensitivity analysis (Rosenbaum bounds) для неучтённой гетерогенности, связывание с механизмами (например, измерение изменений физической активности/качества воздуха как медиаторов).
- кластерные стандартные ошибки по районам, тесты мультиколлинеарности, поиск инструментов на слабость (F‑stat в первом этапе).
Примеры практического дизайна
- естественный эксперимент: открытие нового парка → DID с соседними контрольными районами + измерение изменения прогулочной активности (акселерометр) и опросов доверия.
- зонировочный референдум/план: IV с использованием исторических границ как инструмента для текущей плотности.
- пешеходизация улицы: до‑после + контрольные улицы + синтетический контроль, с измерением качества воздуха и криминальной статистики.
Ключевые предупреждения
- сильные риски обратной причинности и селекции (люди с лучшим здоровьем/соцкапиталом могут выбирать районы), поэтому важно использовать панельные данные, квазикаузальные дизайны и медиаторы.
- пространственные зависимости требуют специальных методов; агрегирование может скрывать внутримикроразличия.
Кратко о приоритетах исследования
- сочетать объективные данные (GIS, медкарты, датчики) с опросами; строить панельные квазикаузальные дизайны; проверять механизмы (физическая активность, загрязнение, социальные контакты) и оценивать неоднородность эффектов по доходу/возрасту.