文献分享|第42篇|基于修正多指标耦合风险框架的中国大城市热健康风险时空评价

极端高温事件是全球气候相关疾病和死亡的首要原因。热健康风险评估是了解和降低与热相关的发病率和死亡率的有效工具。但是，以往研究的指标使得很难准确地描述风险，尤其是最重要的危害。此外，研究多侧重于空间变异而忽略了时间变异。基于这些挑战，本研究构建了一个由热危害、人体暴露和社会脆弱性三个组成部分组成的改进框架，提出了2000 - 2020年中国大城市热健康风险评估的建议。结果表明：（1）与传统的单一指标框架相比，R2提高了0.16。(2)在空间上，在大城市中，除特大城市外，规模越大的城市风险指数越高。而且更开阔的空间有能力减少热量造成的伤害。(3)从时间上看，2020 - 2000年，城市平均热健康风险指数逐步上升约24.72%。该框架有助于提高城市热健康风险评估的准确性和灵活性，为城市可持续发展提供支持。

关键词：极端热事件，热健康风险，时空变化，城市规模

随着气候变化，高温已成为全球最致命的自然灾害之一（莫拉et al.，（2017年版）。不仅破坏城市生态环境，造成干旱等一系列问题（Li等人、2020年）和空气污染（Jiang等人，2023），而且还对城市社会的健康构成威胁，造成严重的经济损失（Forzieri等人，2018年），甚至威胁到人类的生命和健康。研究表明，极端高温事件可显著增加心脑血管疾病的风险（Liu等，2022）、心理疾病（Thompson等人，2018年）和意外死亡（Hu等人，2023年）的报告。而且，高温造成的年均死亡人数远远超过其他极端气候事件造成的死亡人数（Kysely，2002）。在2003年，在欧洲的热浪造成了估计70，000人死亡（Meehl和Tebaldi，2004）.2010年，俄罗斯的一场热浪导致约5.5万人死亡（Porfiriev，2014），上一次导致5万多人死亡的大热浪再次发生在2022年的欧洲（He，2023）。因此，高温健康风险（heat health risk，HHR）已成为社会各界关注的重点。

根据政府间气候变化专门委员会（IPCC）第六次评估报告，预测从2030年到2052年，全球平均气温将比工业化前高出1.5 ℃，如果政府不采取任何措施，到世纪末可能上升3℃（IPCC，2022）。在气候变暖的背景下，极端高温事件的频率、强度、持续时间和范围都在显著增加（He et al.，2022年），这可能会加剧炎热天气对环境的负面影响，并增加城市居民的健康挑战。尽管一些国家已经采取了预防措施（Kotharkar & Ghosh，2022），但目前人们似乎仍然无法完全科普严重的健康挑战。更糟糕的是，密集的人类活动对极端热事件的发生有不可忽视的影响，下垫面特征的显著变化加上大量的人为热量持续进入大气（Wang et al.，2022年），在工业化发展过程中，极端气候加剧了城市热岛（UHI）效应（Li & Chen，2023年; Li等人，2022年），使城市居民受高温影响更加严重。由于全球城市地区容纳了世界60%以上的人口，大都市地区的气候变化减缓和适应是一个日益严峻的挑战，需要世界各国的关注。（IPCC，2022）。综上所述，气候变暖和城市热岛的共同作用增加了城市热的风险，已严重危害人类健康，引起社会各界的广泛关注。

HHR评估被认为是了解和减少与热相关的发病率和死亡率的重要起点（W.Zhang等，2019），该框架已被IPCC第五次评估报告（IPCC，2014）采纳为气候变化风险评估框架，并在IPCC第六次评估报告（IPCC，2022）中继续使用。该框架认为风险不仅由危害决定，还包括暴露和脆弱性。它已被广泛地用于热健康的研究（Pramanik等人，2022年），这使该框架具有更大的可靠性和可信度。尽管这一框架已被证明是评估风险的有效方法，但仍有几个重要问题需要进一步讨论和解决。首先，以往的研究通常只选择一个单一的指标来评价危害的严重程度，如阈值（Chen et al.，2018）或地表城市热岛（SUHI）（Zhu & Yuan，2023），这可能无法很好地描述高温本身（Dong等人，2020年）的报告。此外，主要的数据来源仅使用气象站提供的气温数据（Dong et al.，2014）或卫星监测的地表温度（LST）数据（Lu等人，2022年）的报告。由于地表不透水、建筑物密集，采用单一的数据源有时不能很好地反映温度的空间分布。同时，许多研究只考虑了白天的温度，而忽略了夜间的温度。Zhang等人，（2019年版）。一些研究表明，它将通过提高夜间最低温度来增加对人类健康的影响（Antics等人，2013），其他研究表明，积累的热量可能会降低死亡率期间热浪（Son等人，2012年）的报告。考虑到越来越多的人将居住在城市地区，有必要充分考虑夜间极端高温事件的影响。同样，湿度是另一个重要但经常被忽视的指标，它不仅可以描述热应激，而且对人体健康有影响，特别是在极端高温的情况下（Hu等人，（2017年版）。有研究表明，极端潮湿会造成居民身体不适，增加疾病发病率。此外，大多数先前的HHR评估研究使用了人口密度（Estoque et al.，2020年）作为唯一的一个指标来评估人体暴露量，但我们认为人口规模能更好地反映人体暴露量，尤其是对弱势人群。例如，在其他条件相同的情况下，一个有大量年轻人的城市比一个有大量老年人的城市在应对高温方面做得更好。一些研究使用老年人群（Chen等人，2023）作为一个指标来有效地计算暴露量，但他们没有充分考虑到不同职业所遭受的不同程度的热，户外工作者通常处于更大的风险（Zheng et al.，2020年）的报告。以前的研究不能充分揭示这些信息。此外，以往的研究通常更喜欢评估空间分布，而不是时间变化（W。Zhang等人，2019），但对长时间序列的研究也很重要（Nyadanu等人，2023），尤其是随着快速的城市化进程，这些社会和自然因素的不断变化会影响到HHR结果（Li et al.，2023年; Dewan等人，2021年a）。在过去的二十年中，城市热问题一直在加剧，而城市热应力的时间变化的幅度和方向仍然难以捉摸（Wu等人，2023年）的报告。即使一些研究集中在HHR的时间变化上（帕拉nunzio等人，2021），但他们认为应该给指标赋予不同的权重，如Song et al.（2020）分别在2006年和2016年使用了主成分分析（PCA），导致各成分的方差不一致，结果可能在时间上不一致。此外，还存在数据在时间上不匹配的情况（Estoque等人，2020年），由于缺乏数据，降低了评估结果的应用价值。因此，在IPCC风险评估框架的基础上，从时间和空间两个方面对人类健康风险进行综合评估，构建更加有效和实用的评估框架是非常重要和必要的。

目前，大多数关于人类健康风险评估的研究仅在发达国家进行（Hsu等人，2021年）的报告。然而，研究发现，发展中国家的人更容易受到高温的影响（Geor geson et al.，2016年），因为经济水平低，卫生设施不足，对健康的关注很少。中国是世界上人口最多、城市化速度最快的国家，预计到2030年将有70%的人口实现城市化（Liu等人，2022年）的报告。随着气候变化和快速城市化，中国灾害风险排名从2011年的第95位上升到2022年的第8位（www.WorldRiskReport.org），极端高温事件的发生频率、强度和持续时间显著增加（Li & Zha，2020）。中国城市数量众多，城市规模与HHR的关系可能有所不同。例如，Chieppa等人（2018）提出，较小城市的热环境可能比较大城市差。本文选取中国大城市为研究区域，探讨了2000 - 2020年夏季HHR的时空瓦里特征。更具体地说，本研究综合考虑了各种指标来描述热危害，包括白天和晚上的温度、湿度，强调了老年人和户外工作者在人体暴露中的重要性，以及选择了与热相关的社会指标，包括社会经济和自然数据。探索中国大城市人力资源的时空格局，有助于加深对风险的认识，帮助决策者确定不同区域风险的关键问题，对城市可持续发展具有现实意义。综上所述，尽管以往的研究在人类健康风险评估领域做出了重大而显著的贡献，但将上述问题归纳为以下三点，需要进一步的研究和探讨。首先，HHR评估框架中的指标不能准确反映热危害和人体暴露，这可能导致评估结果不符合实际。其次，以往的研究更倾向于关注空间变化而不是时间变化。第三，对中国城市的研究不够充分。因此，本文提出了一个改进的中国城市人力资源评价框架，以进一步探讨中国城市人力资源的时空变化。

研究区

评估在占中国城市人口54.6%的103个城市（102个大城市和拉萨）进行（中国国家统计局，2020年）（图1）。根据中华人民共和国理事会发布的《理事会关于调整城市规模划分标准的通知》（http：//www.gov.cn/），这些城市按人口数量分为特大城市、超级城市、大城市1型和大城市2型四类。虽然拉萨的人口还没有达到大城市的标准，但因为是西藏自治区的首府，所以还是被列为了二类大城市。为了保持城市的一致性，我们根据2020年的统计数据对城市进行了分类，但我们也根据时间动态进行了分类，以确保城市规模与热危害、人类暴露、社会脆弱性和人类健康风险之间的关系与结果一致（扩展数据图1）。选择大城市主要有三个原因。首先，大城市的居民更容易受到城市热岛效应的影响（Du等人，（2016年版）。第二，大城市的人口将持续增长。第三，由于现有数据的限制，很多小城市统计数据严重缺乏。

数据收集和预处理

地表温度（LST)

温度（Tang等人，2024年）的报告。因此，越来越多地采用卫星数据来估计热危害。中国大陆及其周边地区每日1 km全天候地表温度数据集（TRIMS LST;2000-2022）（Tang等人，2024年; X.Zhang等人，2019年; Zhang等人，2021; Zhou等人，2017年）用于本研究。该数据集用于计算SUHI强度、高温强度和高温频率。我们使用了每个城市95%的累积温度作用.

(1)气象资料

通过插值气象站资料（http：//data.cma.cn/）得到各城市的气温和相对湿度，计算出热浪发生频率和热湿指数。根据中国气象局（Dong et al.，2004）的定义，热浪是指连续三天或三天以上的日最高气温超过35℃。2014年）的报告。为保证气象资料的一致性，本研究选取了2000 - 2020年的828个气象站。在删除所有时标上持续时间小于95%的记录后，本研究使用了794个台站。所有的气象站都确保了接近100%的完整性和准确率（Hu等人，2024年）的报告。为确保空间一致性，克里格插值后的空间分辨率为1 km（Wang & Shi，2017

(1)土地利用和土地覆盖数据

利用Google Earth Engine（GEE）网站下载的全球500 m土地覆盖产品MCD 12 Q1，获得了年土地利用/土地覆盖数据。我们使用这些数据来识别城市地区，并计算不透水的水像素的最近距离的绿色空间。

(1)植被数据

每年的归一化植被指数（NDVI）数据（MOD 13A1）从GEE下载的空间分辨率为250米。为了消除云污染和其他噪声，采用最大值合成方法，在多时相NDVI数据的基础上生成新的NDVI合成数据（NDVImax）。为了与其他数据集相匹配，利用ArcGIS 10.6提供的三次重建技术，将NDVI数据重建到空间分辨率为1公里.最后得到各城市的年植被覆盖度（FVC）。

(1)统计数据

数据来源于《中国城市统计年鉴》，包括2000年、2005年、2010年、2015年和2020年的城市总人口、老年人口（≥65岁）、户外工作人口、人均国内生产总值、城市人均家庭用电量、医院数量和失业人

(1)未来的人口、GDP和气温数据

从国际应用系统分析研究所（KC & Lutz，2017）（https：//www.example.com）收集了五条共享社会经济路径（SSP，SSP 1-SSP 5）下的未来GDP和人口。iiasa.ac.at未来的人均GDP数据是通过未来的GDP除以未来的人口来计算的。该数据没有空间分布。在21世纪没有气候变化和气候政策的假设下，SSP提供了描述未来人口和经济的参考情景（O Neill等人，2014年）的报告。在这里，我们重点讨论SSP 2，这意味着中级挑战。预测的日气温是从耦合模式比较项目第5阶段（CMIP 5）的数据集获得的，该项目是由跨部门影响模式比较项目（ISI-MIP，https://www.isimip.org）开发的。本研究重点关注代表性的浓度途径（RCP）4.5，该途径假设全球温室气体排放量将在2040年左右达到峰值，然后下降，这是一个相对较好的情景，并已被之前的几项研究所选择（Yang等人，2021年）的报告。

(1)疾病或死亡数据

2015年中国450个社区的总疾病或死亡数据来自北京大学发布的中国健康与退休纵向调查（CHARLS）（charls.pku.edu.cn）。该数据用于评价结果的准确性。

2.3.方法

2.3.1.高温健康风险评估框架

正如IPCC的定义，风险是危害、暴露和脆弱性的函数（图2）。危害是指“可能发生的自然或人为物理事件或趋势或物理冲击，可能导致生命损失、伤害或其他健康影响，以及财产、基础设施、生计、服务提供、生态系统和环境资源的损害和损失”。暴露指的是“在可能受到不利影响的地方和环境中存在的人、生计、物种或生态系统、环境功能、服务和资源、基础设施或经济、社会或文化资产”。脆弱性是指“受到不利影响的倾向或倾向，包含各种概念和要素，包括对损害的敏感性或易受损害性以及缺乏科普和适应能力”（气专委，2014）。本研究在IPCC风险框架的基础上，利用社会经济数据和遥感数据对HHR进行了评估，并在此基础上构建了HHR的修正框架。具体指标见表1。HHR指数（HHRI）是通过三个组分的等重聚合得出的（方程(1))通过最小-最大归一化法（Aubrecht & ¨Ozceylan，2013）获得，因为没有标准结论来确定每个指标的适当权重（Chen等人，（2018年版）。

HHRIi = 1 /3（HIi +EIi +VIi）

其中HI、EI、VI分别为热危害指数、人体暴露指数和社会脆弱性指数，i为103个城市。

尽管这三个组成部分中的指标是根据IPCC风险定义选择的，但它们仍然被认为是主观的（Acharya等人，（2018年版）。为此，我们在广泛使用的PCA的基础上加入了时间序列，以消除冗余信息并构造一组主成分（HALKO et al.，2011年）的报告。热危害、人体暴露和社会脆弱性的结果均用KMO检验（KMO= 0.693，p <0.05）。KMO=0.731，p<0.05。KMO=0.755，p<0.01）。通过方差加权，将三个分量中每个分量的指标分组为一个组合主分量，这意味着将该指标解释的方差百分比作为总权重（Macnee &东海，2016）。HHRI值为

每年被分类为五级定性量表：非常低（0 ± 0.2）、低（0.2 - 0.4）、中等（0.4 - 0.6）、高（0.6 - 0.8）和非常高（0.8 - 1.0）（Estoque等人，2020年）的报告。每个类别水平的上限均包括在内。HI、EI和VI的以下值也被划分.

.2.3.2.热害
人类健康风险评价中，热危害通常被认为是极端高温或热浪对居民健康造成的危害，主要集中在温度本身。随着社会对人类健康关注的深入，越来越多的学者开始关注高温下湿度对健康的影响，并注意到两者对发病率和死亡率的协同作用（Zeng et al.，（2017年版）。因此，本研究选择了5个指示因子（表1）来构建HI。相对阈值更灵活，适用于多城市和长时间序列研究（Wang et al.，2023年）的报告。在高温强度中，我们使用了三年中LST的第95百分位数作为白天和夜间的阈值（即，2005年的阈值是LST 2004-2006的第95百分位数），意味着LST≤阈值的像素将具有最低值，即，0，则LST >阈值的像素将记录为LST与阈值之间的差。高温频率是像素温度高于阈值的次数。SUHI的强度（等式(2))是指市区温度高于郊区温度时的温度值。热浪频率是热浪事件的次数（Gao等人，2022年）的报告。我们使用温湿度指数（THI）来表示热舒适度（Polsky & von Key serlingk，2017）（Eq.(3))，从气象学的角度评估了人们在不同气候条件下的舒适度。其中高温强度、高温频率和SUHI强度使用的是LST数据集。热浪频率和THI是根据气象资料的日最高气温、平均气温和相对湿度插值后得到的。我们认为，如果一个城市的高温事件发生频率或强度较高，那么它的危险性就会更大（Fink等人，（2017年版）。值得注意的是，我们计算了5个指标中的总体、白天和夜间的热危害，以此来探讨白天和夜间的差异，也可以帮助决策者提出更有效的缓解措施.

其中LSTu是城市的LST，LSTr代表农村的LST

其中T是平均温度，RH是相对湿度。在PCA之前，我们对这些指标进行平均，以获得每年城市规模的值，然后得出HI的最终公式（公式10）。(4))获得了。

其中，Hintensity是高温强度，Hfrequency是高温频率，HWfrequency是热波频率，HTC是人体热舒适度。

2.3.3.人体暴露

根据IPCC的暴露概念，在本研究中，暴露定义为可能受到高温不利影响的人类。不同年龄结构、不同职业的居民对热量的反馈存在差异.因此，本研究选取了老年人口规模、户外作业人口规模和总人口规模三个指标，构建了能反映高温对户外作业人员和老年人危害程度的指数。·根据中国城市产业分类.

统计年鉴，户外工作者包括运输业和建筑业的工人。以与HI计算相同的方式，进行PCA以获得最终EI（公式10）。（五））

式中Poutdoor、Pelderly、Ptotal分别代表户外工作人口、老年人口、总人口。

2.3.4.社会脆弱性

在气专委关于风险评估的定义中，脆弱性包括敏感性和能力。敏感性是指人和城市在高温中的敏感性。能力是指人们和城市是否能够通过调整自身的社会经济条件来科普高温的不利影响，主要强调对高温的反馈和响应（Frazier et al.，2014年）的报告。以往的研究表明，自然资源、经济状况和医疗水平等社会因素都会影响人类健康水平。例如，植被和水体具有有效缓解周围高温的能力（Gao等，2023年）的报告。住房条件，特别是空调的数量，与热相关的死亡率和发病率有关（VincentVigui等人，2020年）的报告。经济状况也很重要，人均国内生产总值较高的地区科普灾害的能力更强（Wu等人，2022年）的报告。充足的医疗设施可以有效缓解热应激（W。Zhang等，（2019年版）。一些研究认为，人均家庭用电量可以替代空调的数量（Vancutsem et al.，2010年）的报告。考虑到数据的可获得性，最终选择了6个指标来构建VI。灵敏度代表社会水平，即失业人口的比例。容量代表自然和经济资源，包括FVC、绿色和水体的可达性、医院数量、人均家庭用电量和人均GDP。除FVC和绿色、水体可达性外，其他四项指标在城市层面均为非空间性指标。对于FVC，使用6月至8月的NDVImax，根据二分像素模型（Azhar et al.，2017年）（等式（六））。绿色和水体的可达性是基于LULC数据（等式1）计算的每个不透水表面像素到绿色像素或水体像素之间的最短距离。（七））。

其中，归一化植被指数（NDVI）和归一化植被指数（NDVI）分别为归一化植被指数（NDVI）数据的第5和第95百分位数（Gan &布尔日

式中，i为不透水面点，Tij为点i到绿色空间或水体j的最短路径距离，Mj为绿色空间或水体j的权重，由于未考虑其他因素，因此权重均设为1，Ai为点i在区域内的可达性。

与HI的计算方法一致，首先将敏感性和容量中的六个指标平均，以获得每个城市每年的值。然而，在进行能力鉴定之前，能力指标应颠倒过来，因为它们与脆弱性成反比关系。最后，我们得到了最后的VI（Eq。（八））。

其中Perelectricity是人均家庭用电量，Nhospital是医院数量，PerGDP是人均GDP，A是绿色空间和水体的可达性，Punemployment是失业人口比例.

3.1.框架评价

HHR评估可以根据与热相关的医院就诊或死亡记录直接进行验证（W.Zhang等，（2019年版）。在此，由于缺乏多个城市夏季医疗数据，我们使用2015年CHARLS数据中的疾病和死亡记录，分别对本研究构建的多指标耦合框架和基于单个指标的传统框架进行评估，以确定修改后的框架是否有意义（图3）。研究证明，高温与心脑血管疾病有很大关系（Liu等，2022年）的报告。CHARLS资料包括45岁以上心脑血管疾病和死亡的人群。传统的框架也由三部分组成：HI和EI的指标分别是高温强度和种群密度（Zhu & Yuan，2023; Estoque等人，2020年）的报告。VI中的传统框架和修正框架略有不同，根据现有数据替换了一些单项指标，如用人均家庭用电量替换了空调数量，用FVC替换了NDVI（Estoque et al.，2020年）的报告。在等权聚合的情况下，结果表明，改进后的框架明显优于传统框架，R2提高了0.16以上，进一步证明了本研究构建的HHR框架的实用价值。在此基础上，对2000-2020年中国城市人类健康风险的时空变化特征进行了分析。

热健康风险的空间分布

根据LST数据集和气象数据（见方法），我们得到了中国大城市热灾害的空间分布（图4）。103个城市中有3个（2.9%）在分析中被认为具有很高HI值（图4a）的是湛江、深圳和东莞。三个城市均位于华南沿海，城市规模分别属于大城市、特大城市和超级城市的2类。共有10个城市（9.7%）的HI值较高，分布在中国的南部和西北部，其中5个为2型大城市，2个为1型大城市，2个为超级城市，仅1个为特大城市。其他城市分为中度（27个，26.2%）、低度（44个，42.7%）和极低度（19个，18.4%）。总体而言，除超级城市外，规模较大的城市HI较高（图4d）。总的来说，这些结果是UHI现象的证据，城市的规模越大，不透水表面的比例越大，人为热量越多，开放空间越少（Estoque等人，2020年）的报告。从图4a中，我们还发现，中国南方城市的HI值显著高于中国北方城市。这一信息我们显然是从图4a中城市的颜色变化中获得的，而没有统计，这与先前研究的结论是一致的（Geng等人，2023年）的报告。这一发现还表明，具有严重热危害的城市不仅受城市规模的影响，而且与纬度和气候环境也有一定的关系（Wienert & Kuttler，2005）。

空间人体暴露

从人体暴露评价结果来看，我国大城市环境影响指数的空间格局如图4b、图4e所示。只有一个城市的EI值非常高，那就是重庆。事实上，重庆是中国老年人口比例最大、人口老龄化速度最快的城市（W。Zhang等人，2019年），这是极高EI的主要原因。十个城市（9.7%）的EI值较高，包括上海、北京、成都等特大城市。由于人口基数大，这些城市有更多的户外工作者和老年人，他们更容易遭受高温。同样比例的城市属于中等（33，32.0%），低（31，30.1%）和非常低（28，27.2%）的EI类别。综上所述，城市规模与EI值之间存在明显的一致性，城市规模越大，EI值之间存在明显的一致性，城市规模越大，EI值越高。

空间社会脆弱性

在社会脆弱性方面，根据该方法选取了自然资源和社会资源等具有代表性的指标。社会脆弱性评估结果

2000 - 2020年中国大城市平均值的空间分布及其HI、EI和VI水平。(a)在一些实施方案中，（B）是HI，（c）是VI。(d)（e）和（f）分别是HI、EI、VI与城市规模关系的箱形图。

推导出中国大城市2000 - 2020年的总体平均HHRI值。(a)是HHRI的空间分布，（B）是HHRI排名前20位的城市的箱形图。(c)是HHRI值和城市规模之间关系的箱线图。每个箱形图的中心矩形从第一四分位数Q1（箱的左侧端）到第三四分位数Q3（箱的右侧端），这是四分位数间距（IQR=Q3-Q1）（Krzywinski & Altman，2014）。每个框内的垂直线为中位数。箱形图上的符号“x”代表5年结果的平均值，在此被视为每个城市的总体人类健康和生殖健康指数，并用于绘制地图（a）。H.Sun等人

(c)是HHRI值和城市规模之间关系的箱线图。每个箱形图的中心矩形从第一个四分位数Q1（箱的左侧端）到第三个四分位数Q3（箱的右侧端），这是四分位数间距（IQR=Q3-Q1）（Krzywinski & Altman，2014）。每个框内的垂直线是中位数。箱形图上的“x”表示5年结果的平均值，在此视为每个城市的总体HHRI，并用于绘制地图（a）。

中国大城市HI、EI、VI和HHRI的时间变化1-5代表2000年、2005年、2010年、2015年、2020年。6代表HI、EI、VI和HHRI随时间变化的箱形图。

空间HHR

从2000年到2020年约为23.02%，如图6a所示。其中，特大城市的HI值增加了28.25%，增幅最大，离散度变化最大（图7a），说明不同城市的热害差异随着时间的推移而增大。大城市2型增长最少，为21.39%（图7a）。在特大城市和超级城市，由于人口随着时间的推移显著增加，排放了更多的人为热量。因此，HI值在这些城市中增加得相当快。其中，沈阳、大连涨幅最大（124.69%、108.86%），均为辽宁省第二类大城市。由于经济的快速发展，不透水面积的快速增长，特别是近年来旅游业的兴起，导致了大量的人为热排放。大庆市下降幅度最大（55.56%），由于资源枯竭问题造成大量人口流失，这可能是其HI值下降的主要原因。

人体暴露时间

从2000年到2020年，人类接触量继续上升（图6b）。EI值很小，但增幅非常大（65.55%）。其中，重庆增幅最大，原因是人口老龄化加剧，户外劳动者增加速度加快。增长幅度较小的是第二类大城市，如扬州。

城市规模时间变化的箱线图。(a)、（B）、（c）和（d）分别代表不同规模城市的HI、EI、VI和HHR

人口基数小、移民少的南通、新乡。从图6中可以看出，2000 - 2020年EI的离散度持续上升，图7 b中特大城市的离散度最高，说明城市间的差距越来越大。2010年，除特大城市呈现下降趋势外，所有城市规模的EI值均呈现持续上升趋势（图7 b）。在大多数城市，老年人和户外工作者的数量持续增加，表明弱势群体面临的风险不断增加。

脆弱性的时间变化

2000年至2020年，社会脆弱性呈波动上升趋势，约为15.95%（图6c）。不同规模城市的时间变化相对稳定（图7c）。其中，第二类大城市的波动最为剧烈，表明这些城市的经济和自然资源随着时间的推移发生了明显的变化。我们还发现，涨幅最大的城市是重庆。虽然它有一个很好的经济，但它是一个山区城市，从不透水的表面到绿色开放空间的距离相对较长。正如我们所料，经济发展较快的城市，如珠海、深圳、东莞等南方城市的社会脆弱性指数均出现了较大幅度的下降，这说明经济水平在社会脆弱性中的重要性。

从2000年到2020年，HHRI增加了约24.72%（图6d）。不同规模的城市具有相同的变化规律（图7 d）。其中特大城市涨幅最大（34. 40%），超级城市涨幅最小（22. 79%）。同一规模的城市间HHRI的差异逐渐增大。其中，重庆市的HHRI增幅再次最大。研究长期时间序列中的HHR具有重要的价值，有助于决策者关注风险本身。同时，我们还发现，大庆、银川、兰州等城市的HHRI值有所下降，HI持续下降，也需要引起当地政府的重视。因为这两个组成部分的下降在很大程度上代表了人口流失和人类活动减少，这可能是城市发展受阻的标志。

HHR框架的优势