EN中文

地理科学进展 >

2021 , Vol. 40 >Issue 6: 967 - 979

DOI: https://doi.org/10.18306/dlkxjz.2021.06.007

研究论文

城市公交车微环境对乘客舒适度的非线性影响

  • 张琳 , 1 ,
  • 周素红 , 2, 3, * ,
  • 关美宝 4, 5 ,
  • 陈菲 6
展开
  • 1.广东外语外贸大学粤港澳大湾区研究院,广州 510006
  • 2.中山大学地理科学与规划学院,广州 510275
  • 3.广东省公共安全与灾害工程技术研究中心,广州 510275
  • 4.香港中文大学地理与资源管理学系,香港 999077
  • 5.香港中文大学太空与地球信息科学研究所,香港 999077
  • 6.中国城市规划设计研究院深圳分院,广东 深圳 518000
*周素红(1976— ),女,广东饶平人,博士,教授,主要研究方向为社会交通地理、城市地理、时空行为。E-mail:

张琳(1993— ),女,新疆乌鲁木齐人,博士,讲师,研究方向为交通地理、经济地理。E-mail:

收稿日期: 2020-08-01

  要求修回日期: 2020-12-22

  网络出版日期: 2021-08-28

基金资助

国家自然科学基金项目(41871148)

国家自然科学基金项目(71961137003)

广东省重点领域研发计划项目(2020B0202010002)

广东省基础与应用基础研究基金(2020A1515110623)

香港研究资助局研究项目(14605920)

香港研究资助局研究项目(C4023-20GF)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Nonlinear effects of bus micro-environments on passengers’ comfort

  • ZHANG Lin , 1 ,
  • ZHOU Suhong , 2, 3, * ,
  • KWAN Mei-Po 4, 5 ,
  • CHEN Fei 6
Expand
  • 1. Institute of Studies for the Greater Bay Area (Guangdong, Hong Kong, Macau), Guangdong University of Foreign Studies, Guangzhou 510006, China
  • 2. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China
  • 3. Guangdong Provincial Engineering Research Center for Public Security and Disaster, Guangzhou 510275, China
  • 4. Department of Geography and Resource Management, The Chinese University of Hong Kong, Hong Kong 999077, China
  • 5. Institute of Space & Earth Information Science, The Chinese University of Hong Kong, Hong Kong 999077, China
  • 6. China Academy of Urban Planning & Design Shenzhen, Shenzhen 518000, Guangdong, China

Received date: 2020-08-01

  Request revised date: 2020-12-22

  Online published: 2021-08-28

Supported by

National Natural Science Foundation of China(41871148)

National Natural Science Foundation of China(71961137003)

Key-area Research and Development Program of Guangdong Province(2020B0202010002)

Guangdong Basic and Applied Basic Research Foundation(2020A1515110623)

Hong Kong Research Grants Council(14605920)

Hong Kong Research Grants Council(C4023-20GF)

Copyright

Copyright reserved © 2021
Fold

摘要

公交车是服务居民日常活动—出行的重要微观空间,也是城市公共空间的组成部分。目前,车厢内微环境污染及其对乘客的负面效应已引起广泛关注。然而,国内外鲜少有研究分析公交车微环境对乘客舒适度的非线性影响,也尚未探测各个微环境变量影响舒适度的阈值以及乘客的最佳微环境暴露水平。论文在广州6条典型公交线路上同时收集车内微环境实时监测数据、乘客问卷调查数据、公交出行属性数据和公交车外部环境,采用随机森林算法构建公交车微环境与乘客舒适度之间的非线性模型并展开分析。研究表明,公交车内温度、相对湿度、PM2.5浓度、噪声和载客量均对舒适度有非线性影响,但影响程度各不相同。当车内温度为23.5~28.0 ℃、相对湿度为45%~58%、PM2.5浓度＜28 μg/m³、噪声＜75 dB、载客量为8~26人时,有助于乘客在车厢微环境中拥有良好的舒适度水平。论文研究结果与现行环境标准存在一定差异,相关研究结论对城市微观空间规划与治理、微环境标准制定和交通管理有显著的政策启示和实践意义。

关键词： 微观空间; 微环境暴露; 舒适度; 非线性影响; 随机森林; 公交车; 广州市

本文引用格式

张琳 , 周素红 , 关美宝 , 陈菲 . 城市公交车微环境对乘客舒适度的非线性影响[J]. 地理科学进展, 2021 , 40(6) : 967 -979 . DOI: 10.18306/dlkxjz.2021.06.007

Abstract

Buses play an important role in the daily travel of urban residents. Bus micro-environmental pollution and its adverse impacts on passengers' physical and psychological well-being has become an increasing concern among the general public, researchers, and policymakers. However, few studies have examined the nonlinear effects of bus micro-environments on passengers' comfort, analyzed the threshold values of multiple micro-environmental variables, and ascertained the optimal micro-environmental exposure levels for passengers. In this study, real-time monitoring data of bus micro-environments, questionnaire survey data of 520 passengers, travel characteristics, and environments outside the buses were simultaneously collected on six bus routes in Guangzhou City. Nonlinear regression models constructed by random forest were then employed to explore the relationships between bus micro-environments and passengers' comfort. The results show that in-bus temperature, relative humidity, PM2.5 concentrations, noise, and passenger load have nonlinear effects on the comfort, but the importance and mechanism of each micro-environmental variable in influencing comfort is different. Passengers have a higher degree of comfort when in-bus temperature is 23.5-28.0 ℃, relative humidity is 45%-58%, PM2.5 concentrations are lower than 28 μg/m³, noise level is lower than 75 dB, and passenger load is 8-26 persons. Also, there are some differences between the optimal micro-environmental exposure levels identified in this study and current environmental standards. These findings have theoretical and practical implications for policymakers, transportation planners, and bus operators when improving bus micro-environments and promoting passengers' comfort.

Key words： micro-space; micro-environmental exposure; comfort; nonlinear effect; random forest; buses; Guangzhou City

“空间”始终是地理学、城市研究的基本特质和重要内容[1,2],与人类有关的空间可划分为宏观、中观、微观3大地理尺度,以往研究大多关注宏观(国家、区域等)或中观(城市、社区等)尺度下环境暴露水平及其与群体健康的关系,鲜少基于微观空间和个体行为视角展开探讨。虽然基于中宏观等较大空间尺度的分析能反映整体影响和发展趋势,但从人本角度来看,个体更加关注与其活动—出行密切相关并影响其健康状况的微观空间或个人的小尺度空间。随着地理学兴起从宏观转向微观空间研究,从对空间现象的描述及规律探寻转向对空间本质的深度解析,以及从关注群体到个体转向的热潮,现阶段,基于微观个体行为的精细化研究逐渐成为了人文地理学者解释部分人文地理现象和实质的关键视角[3]。同时,以人本主义为主导的、关注人与地理环境之间关系的地理学研究新范式逐步抬头,相关研究越来越强调人的个性化需求与生活质量的提高[4,5],构建和规划个体需要的“以人为本”的微观空间也受到空前重视。实际上,个体在日常活动—出行中会长时间置身于住宅、办公室等活动的微观场所,以及公交车车厢、汽车车厢等出行的微观空间,相比于宏观或中观地理空间的环境暴露影响,微观空间内部环境状况可能会更快更直接地影响人们的舒适度体验或情绪感知。因此,分析人们暴露于微观空间环境的水平及其对人体的影响,进而基于人本视角来治理并规划满足个体真实需求的微观空间环境显得十分迫切。
近年来,城市快速机动化和小汽车保有量的增加导致了交通拥堵、环境污染以及健康风险等一系列问题[6,7,8,9,10],不仅阻碍城市的可持续发展,还严重损害居民的健康水平。为缓解小汽车依赖造成的负面影响,许多国家大力推行“公共交通优先”措施,积极推进“公交都市”创建,城市公共交通得到十足发展,体制机制日趋完善,交通基础设施供给能力逐渐提高。目前,公共交通已成为城市居民日常出行的首选方式,乘客数量众多,人们在公共交通出行上花费的时间也逐渐增加。公交车内微环境状况是提升公交车运营服务水平的重要因素,为更好地满足人们出行需求以及保障公交车的高质量服务水平,需要对公交车这一微观空间内的环境进行规划和改善。然而,个体暴露于公共交通微环境污染的程度是暴露于住宅和其他活动空间环境污染程度的2~5倍[11,12]。相比于其他交通方式(如小汽车、火车、地铁等),公交车车厢内的微环境污染水平更高,公交车乘客受到的污染风险更大,健康危害也更加严重[13,14,15,16]。因此,在构成居民日常活动—出行的多个微观空间中选取公交车车厢这一典型微观空间展开研究尤为重要。
微观层面的城市公共空间与人的行为关系最为直接,其对人的影响也最显著。公交车是服务广大群众,解决人们出行问题的移动的微观空间,也是城市公共空间的重要组成部分。公交车车厢狭小且相对封闭,其内部微环境状况对乘客在乘车期间的舒适度影响最为直接,关于二者的研究在交通地理、环境科学、城市规划、公共卫生等多个领域引起广泛的关注。已有研究通过建立公交车舒适度综合评价模型,分析车内客观微环境(空气质量、温度)与乘客舒适度之间的关系[17,18]。也有研究发现公交车车厢内严重的空气污染和高温环境都会给舒适度带来负面影响,导致乘客出现胸闷、恶心、疲倦、头晕等不适症状[19]。公交车内的噪声污染也会显著降低乘客的舒适度水平[20,21]。同时,乘客舒适度与公交车内载客量、拥挤程度也有关[22]。此外,乘客的个体属性特征和乘车时长、车厢内座位情况和卫生环境、道路交通拥堵及交通事故等也可能影响舒适度。借鉴以往文献中涉及的公交车微环境的概念和指标[18,19,20,21,22],本文将“公交车微环境”定义为可能影响乘客健康或舒适度的车内自然和人文环境要素。具体地,本文选取的车内自然环境要素包括温度、相对湿度、PM2.5浓度、噪声等,车内人文环境要素与自然环境要素相对,主要指载客量、车厢拥挤程度等变量。
由于环境暴露对居民健康存在阈值效应,即人们可以承受一定限度内的不良环境暴露风险,但当环境暴露水平超过这个限度(阈值)后,环境和健康之间的关系往往会发生显著且消极的变化,人们的健康状况可能遭受更严重的损害[23,24]。目前关于环境阈值的存在以及当超过环境阈值时对人类健康造成的负面效应的研究引起了学术界的关注[24,25,26]。然而,现有研究多数采用线性模型分析环境与健康之间的相关性以及环境对健康的线性影响[27,28,29]。此类实证研究通常假设这二者之间呈线性关系,即随着环境水平值的增加,人们的健康状况就会提升。事实上,各环境要素与健康之间的关系较为复杂,环境阈值效应的存在使得它们的关系很有可能呈现非线性特征[30,31]。总体来说,当前对环境暴露与健康状况的非线性关系缺少深入探究,现有的线性建模分析难以准确评估环境暴露的阈值效应,从而忽略了潜在的非线性关系。本文关注的公交车微环境与乘客舒适度之间也可能存在非线性的关系,普通的线性模型无法充分解释二者之间的复杂联系,也难以反映舒适度随着微环境水平不断变化而改变的动态过程。随着定量技术的快速发展,借助机器学习的相关算法成为了有效的分析方法,可以在单个模型中考虑更多的参数以及彼此之间复杂的非线性关系,模型性能得到很好的提升[32]。运用Breiman提出的随机森林(random forest)算法[33]构建非线性模型,数据拟合效果较佳,可以精准揭示公交车微环境与乘客舒适度之间复杂的非线性联系,还可以识别和量化各微环境变量影响舒适度的相对重要程度或相对贡献,这对后续实施有针对性的微环境改善措施有重要意义。
综上所述,一些研究已关注公交车内一种或两种微环境要素与乘客舒适度的关系。然而,还未有文献考虑乘客暴露于多个微环境要素(例如,温度、相对湿度、PM2.5浓度、噪声、载客量等)的水平以及对乘车舒适度的非线性影响。同时,政策制定者、交通规划者和公交运营商在改善与规划公交车内微环境以及提升乘客舒适度时,需要充分了解乘客的最佳微环境暴露水平,才能采取措施有效地规避不良微环境暴露带来的危害。但是,鲜少有实证研究分析环境阈值效应以及探测不同微环境变量影响舒适度的阈值和乘客的最佳微环境暴露水平。缺少能切实提出如何最大限度地避免不良环境危害并获得良好环境带来的益处,以及如何快速有效地预测并化解舒适度风险的实践应用型研究。基于当前研究不足,本文构建公交车微环境影响乘客舒适度的研究框架(图1),重点解决以下几个问题：公交车微环境对乘客舒适度产生怎样的非线性影响,以及各个微环境变量影响舒适度的重要程度如何;各个微环境变量影响舒适度的阈值是什么,以及不良微环境暴露带来怎样的风险;乘客保持良好舒适度的最佳微环境暴露水平如何,与现行有关环境标准相比有何差异?
图1 研究框架

Fig.1 Framework of the research

公交车在城市居民的日常出行中起到至关重要的作用,车厢内微环境污染及其对乘客的不良影响已引起广泛关注。本文将有助于乘客保持良好的乘车舒适度,并从人本导向出发,为政策制定者、交通规划者和公交运营商在充分了解乘客舒适度体验和生理需求的基础上优化公交车厢内微环境,规划和设计更合适的微观空间环境标准或规范,以及实施有针对性的污染防治措施等提供实证参考和科学依据。同时,本文将加深对“空间”这一地理学核心概念的认知,进一步丰富有关微观空间及个体行为视角的研究,深化对个体日常出行所处的微观空间的解读与分析。此外,本文强调从人本理念出发,基于自身的真实舒适度感知和需求以优化个体出行的公交车内微环境,有助于推动人本导向的城市微观公共空间规划与治理。因此,本文对城市微观空间发展、健康地理、交通地理和环境科学研究具有重要的理论和现实意义。

1 数据与方法

1.1 研究区域与公交线路

广州是中国“公交都市建设示范城市”,拥有复杂且高效的公共交通系统。2018年,广州市共有1226条公交线路、14852辆公交车,公交车的日均客运量为644万人次,约占全市公共交通日均客运量的43.31%。当前,公交车已成为大多数市民日常出行的主要选择,尽管发达的公交系统提高了出行的便利度,但人们在出行过程暴露于公交车厢的微环境污染中,健康和乘车舒适度也可能受到严重危害。因此,开展公交车微环境暴露对乘客舒适度的影响研究,进而推进公交车厢微环境治理和规划以及提升乘客的乘车舒适度迫在眉睫。
本文选取广州市为研究区域,利用2010年第六次全国人口普查数据、广州市2018年兴趣点(point of interest,POI)数据计算各街区的人口密度、路网密度和公交站点密度。对这3个指标赋予相同的权重并计算出每个街区的密度综合得分,再将所有街区按照综合得分从高到低划分为5个等级,等级越高的街区,其人口密度、路网密度和公交站点密度也越高。由于最低密度等级的街区位置偏远,人口密度、路网密度及公交站点密度也较低,不纳入本次研究范围。最后,在前4个等级的街区中选取6条大致贯穿城区(越秀区、荔湾区、天河区、海珠区、白云区)主要道路和部分标志性地点的典型公交车线路(图2)[34]。
图2 研究区域与公交线路[34]

Fig.2 The study area and bus routes

1.2 研究数据

研究数据来源于2018年6月在6条样本线路上随机选择的91辆公交车正常运营期间(6:00~22:00)采集的车内微环境实时监测数据、乘客问卷调查数据、公交出行属性数据、公交车外部环境数据等。公交车内温度、相对湿度和PM2.5浓度由AirBeam便携式传感器实时采集,噪声水平则由噪声便携式传感器实时采集。为保证便携式传感器采集的微环境数据的完整性和准确性,首先利用广州市环境监测中心站的监测设备对本文所使用的便携式传感器进行校准,其次进行预调查以检验传感器的各项性能。在正式调查期间,将传感器放置在参与问卷调查的乘客周边,以获取该乘客在公交车厢内的精确微环境暴露数据。在采集微环境数据的同时,从车内的成年乘客中随机抽取参与者进行“公交车内环境舒适度问卷调查”,由于乘坐1~2站乘客的乘车时间太短,不包括在内[34]。所有参与者均阅读“调查知情同意书”并确认签字。剔除信息缺失的问卷后,共收集有效问卷520份,有效率为78.43%。此外,记录每一站公交车厢内的载客量(乘客数量)、主观感知的车速/道路拥堵程度等数据。从全国天气网、广州市环境保护局分别获取调查当日的公交车外部环境数据(温度、PM2.5浓度)。
1.2.1 自变量：公交车微环境
首先对原始采集的微环境数据进行清洗和整理,再计算每位参与者在其乘车时间内各微环境指标的平均值并用于后续分析。车内温度范围为21.8~34.8 ℃,平均温度为28.7 ℃。相对湿度在31%~66%之间变化,平均相对湿度为45%。车内PM2.5浓度最低为4.57 μg/m³,最高为82.68 μg/m³,平均浓度为23.68 μg/m³,平均浓度略低于世界卫生组织对PM2.5浓度的日均建议值(25 μg/m³)[35]。噪声水平范围为54.4~80.9 dB,有70%的乘客暴露在高于世界卫生组织限制值(70 dB)[36]的车内噪声环境中,这会严重损害他们的听力并影响乘车期间的舒适度。载客量这一指标被用来反映公交车厢内的拥挤程度,最小载客量、最大载客量和平均载客量分别为3、58和20人。
1.2.2 因变量：舒适度
乘车舒适度是指乘客对公交车内微环境品质从生理方面(例如,人体的热平衡机能、体温调节、内分泌系统、消化器官等)所感受到的满意程度而进行的评价。借鉴以往研究中衡量公交车内乘客舒适度的指标[19],选取6个条目(胸闷、恶心、疲倦、发困、头晕、头痛)形成本文的舒适度量表。每个条目都采用Likert-5级评分,从1分到5分代表“非常严重”到“完全没有”。参与者的舒适度评分为9~30分,30分代表该乘客的舒适度最佳。信度和效度检验结果表明,舒适度的6个条目具有较高的信度和效度(Cronbach's Alpha=0.878≥0.700,Kaiser-Meyer-Olkin (KMO)=0.828>0.700,Sig.<0.05)[37]。
1.2.3 控制变量：个体属性、出行特征和公交车外部环境
由于本文重点关注公交车内微环境水平对乘客舒适度的影响,因而,个体属性、出行特征、公交车外部环境等也可能影响舒适度的指标被当作控制变量加入模型。
个体属性数据来源于问卷调查,包括性别、年龄和参与者的乘车情绪状态。样本中男女比例大致均衡,青年人(19~44岁)比例最高(67.31%),老年人(≥60岁)占比最低(8.65%)。乘车情绪状态是指乘客在公交车厢内的当前或瞬间的心理状态和反映[38,39],由于乘客的舒适度也可能受到他们乘车时情绪状态的影响,因此,本文将乘车情绪这一因素作为控制变量,采用国际通用的Positive and Negative Affect Scale (PANAS)量表来衡量[40]。由于在摇晃的车厢内进行问卷调查需要考虑参与者对题目数量的可接受度和时间的限制性,通过预调查的研究反馈,从PANAS量表中选取5个测试效果最佳的条目(心烦、恐惧、易怒、紧张、注意力集中)形成本文的情绪量表。每个条目都采用Likert-5级评分,前4个条目从1分到5分表示“非常严重”到“完全没有”。由于第5个条目是积极条目,其评分从1分到5分代表“完全不集中”到“非常集中”。本文中,参与者的情绪评分为7~25分,平均分为23.10分,当得分低于该平均值时说明乘客在公交出行途中的情绪状态较差。信度和效度检验结果显示这5个条目具有较高的信度和效度(Cronbach's Alpha=0.831≥0.700,Kaiser-Meyer-Olkin (KMO)=0.833>0.700,Sig.<0.05)[37]。
出行特征包括参与者从上一活动地点至公交车站的步行时长、候车时长、乘车时长、座位使用、车速/道路拥堵程度这些指标。从上一活动地点至公交车站的步行时长范围是0~33 min,候车时长范围为0~20 min。他们的乘车时长在7~111 min之间变化,平均乘车时长约为29 min。大多数参与者都有座位,有11.35%的参与者在乘车过程中处于站立状态。车速/道路拥堵程度用1~3分来评分,分数越高表示车速越快/道路拥挤程度越低,而分数越低则意味着车速越慢/道路拥挤程度越严重,由于公交车速度一般是恒定的,当车速越慢/道路拥挤程度越严重时也可能意味着遇到出行高峰期等情况,这一指标的平均分为2.72。
参与者在乘车期间的舒适度也可能略微受到他们乘车前的公交车外部环境(温度、PM2.5浓度)的影响。但对于绝大多数参与者来说,当天的公交车外部环境对他们的影响大致相同且影响程度可能较低,因而,本文仅将公交车外部环境要素作为控制变量加入模型。调查期间的公交车外部温度范围为27.0~35.0 ℃,平均温度达31.0 ℃。公交车外部PM2.5浓度范围是6.00~25.00 μg/m³,平均浓度达16.36 μg/m³。此外,公交车厢内的卫生状况也可能影响乘客在乘车期间的舒适度,由于广州市公交车有严格的卫生环境管控标准,在每一趟发车前都会有清洁人员进行打扫,并且市民的素质水平较高,鲜少有破坏车厢内卫生环境的现象。总体上,公交车厢内部较为干净卫生,因此,未将这一要素考虑在内。
本文的变量统计描述如表1所示。
表1 变量统计描述

Tab.1 Descriptive statistics of variables

变量 变化范围 平均值或百分比
公交车微环境 温度/℃ 21.8~34.8 28.7
相对湿度/% 31~66 45
PM2.5浓度/(μg/m³) 4.57~82.68 23.68
噪声/dB 54.4~80.9 71.8
载客量/人 3~58 20
舒适度 9~30 26.77
个体属性 性别 女 50.38%
男 49.62%
年龄 19~44岁 67.31%
45~59岁 24.04%
≥60岁 8.65%
乘车情绪 7~25 23.10
出行特征 从上一活动地点至公交车站的步行时长/min 0~33 7
候车时长/min 0~20 7
乘车时长/min 7~111 29
座位使用 有座位 88.65%
站立 11.35%
车速/道路拥堵程度 1~3 2.72
公交车外部环境 公交车外部温度/℃ 27.0~35.0 31.0
公交车外部PM2.5浓度/(μg/m³) 6.00~25.00 16.36
1.2.4 微环境水平区间的样本量分布
本文统计公交车内部各个微环境变量不同水平区间内的乘客数量(图3),结果表明,温度、相对湿度、PM2.5浓度、噪声和载客量的不同水平区间内样本量大致呈正态分布,能在一定程度上保证后续非线性关系分析的可靠性。
图3 微环境水平区间的样本量分布

Fig.3 Distribution of samples in different intervals of micro-environmental variable values

1.3 研究方法

1.3.1 随机森林回归模型
随机森林采用Bootstrap重抽样方法,由一系列决策树模型 h X , θ k , k = 1,2 , 3 , … 组成,其中, X 是自变量, θ 是随机向量, k 代表决策树的数量。该算法具有预测误差小、稳健性强以及有效防止变量共线性等优点。当预测变量为数值型变量时,则可以构建多元非线性回归模型。
假设训练集是选自随机向量 Y 、 X 的独立分布集,则任何数值预测值 h ( X ) 的均方泛化误差为： E X , Y Y - h ( X ) 2 。
随机森林回归的预测值是 k 棵树的 h X , θ k 的平均值,其具有以下性质：
① 当 k → ∞ 时：
E X , Y Y - h ¯ X , θ k 2 → E X , Y Y - E θ h X , θ k 2
② 若对于所有 θ , E ( Y ) = E X h X , θ k ,则有：
P E * ( forest ) ≤ ρ ̅ P E * ( tree )
式中： h ¯ X , θ k 为 h X , θ k 的平均值; P E * ( forest ) 为随机森林的泛化误差; P E * ( tree ) 为一棵树的平均泛化误差, P E * ( tree ) = E θ E X , Y Y - h X , θ k 2 ; ρ ̅ 为残差 Y - h X , θ k 和 Y - h X , θ k ' 的相关系数, θ k 与 θ k ' 相互独立。
1.3.2 模型参数选择
本文采用随机森林构建公交车微环境变量与乘客舒适度之间的非线性回归模型。随机森林的两个重要参数mtry和ntree将直接影响建模的效果。其中,mtry指在决策树的每次分支时所选择的变量个数,该参数在回归模型中一般选取为变量个数的1/3,可以有效降低模型的预测错误率[33,41]。因此,这里选取mtry为5。参数ntree是指随机森林所包含的决策树数目,该参数通常设定为500或1000可使建模效果较佳[41]。结合研究实际样本和变量情况,选取500作为建模的ntree值。

2 结果分析

2.1 影响舒适度的变量重要性评价

本文重点关注公交车微环境变量(温度、相对湿度、PM2.5浓度、噪声、载客量)对乘客舒适度的非线性影响,并控制其他可能影响舒适度的个体属性、出行特征和公交车外部环境。该模型的整体解释度为30.56%,以IncMSE反映自变量对模型的贡献,IncMSE值越大,则代表该自变量越重要且对舒适度的影响也越大。由表2可知,公交车微环境变量中PM2.5浓度对舒适度的影响最大(7.22%),其次是温度(6.34%)、相对湿度(4.93%)、噪声(3.82%),载客量的影响程度相对较小(1.95%)。这表明公交车厢内的PM2.5浓度和温度更能显著影响乘客的舒适度。在控制变量中,乘客在乘车期间的情绪对他们舒适度的贡献较大(45.89%),这一点是众所周知的,即人们的心理状态会在较大程度上影响其生理体验,但这不是本文的重点,因此不再进行更深入的探讨。此外,乘车时长对乘客舒适度也有较显著的影响(10.06%)。
表2 影响舒适度的变量重要性评价

Tab.2 Importance of variables that affect passengers' comfort

变量 IncMSE/%
公交车微环境 温度 6.34
相对湿度 4.93
PM2.5浓度 7.22
噪声 3.82
载客量 1.95
个体属性 性别 1.38
年龄 3.15
乘车情绪 45.89
出行特征 从上一活动地点至公交车站的步行时长 0.99
候车时长 1.15
乘车时长 10.06
座位使用 2.07
车速/道路拥堵程度 0.13
公交车外部环境 公交车外部温度 1.42
公交车外部PM2.5浓度 2.10
这一分析结果有助于明确影响公交车内乘客舒适度的更关键的微环境要素,能为有效改善车厢内更重要的微环境要素以提升舒适度提供思路。尽管公交车内微环境要素对舒适度的影响程度要低于个体属性、出行特征和公交车外部环境的总影响,但相比于每个乘客特有的且难以改变的个体属性或出行特征以及外部环境状况,车内微环境暴露水平更容易通过改善而变得更佳,进而对他们的乘车舒适度产生积极效应。

2.2 公交车微环境对乘客舒适度的非线性影响分析

图4为公交车微环境变量与乘客的乘车舒适度之间关系的非线性回归拟合结果图,显示了当控制模型中其他变量时,公交车微环境变量对舒适度的影响呈现出显著的非线性和复杂性等特征。由于运用上述方法得出的非线性图在反映微环境变量与舒适度之间关系时存在局部波动性,因此,下文在探讨二者关系时将整体分析非线性图像呈现的关系变化趋势。
图4 公交车微环境与舒适度的非线性回归拟合结果图

Fig.4 Nonlinear relationship between bus micro-environments and passengers' comfort

温度和舒适度大致呈现出先正相关后负相关的关系(图4a)。具体来说,随着车厢内温度从21.8 ℃上升到28.0 ℃,乘客的舒适度水平也呈现波动式增加趋势并在28.0 ℃达到最高峰,此后随着温度的持续上升,舒适度水平逐步下降,意味着当公交车内温度高于28.0 ℃这一阈值时会对乘客的舒适度体验产生明显的负面效应。进一步观察二者的偏相关图可知,当温度控制在23.5~28.0 ℃时,公交车乘客在车厢微环境中具有良好的舒适度。由图4b可知,随着相对湿度从31%逐步上升至47%,舒适度水平也持续提高并在相对湿度47%时达到高峰,二者呈现出显著的正相关关系。此后,随着相对湿度的继续增加,乘客的舒适度水平开始下降。相对湿度47%可以认为是相对湿度作用于舒适度的阈值,当车厢内的相对湿度在45%~58%水平内有益于乘客在公交出行途中获得最佳舒适度体验。图4c反映了公交车厢PM2.5浓度与乘客舒适度之间的关系,当超过28 μg/m³这一阈值,随着PM2.5浓度增加,舒适度水平整体呈现下降趋势。因此,保持车厢内PM2.5浓度在28 μg/m³以下时的乘客舒适度体验较佳。噪声水平小于75 dB时,对舒适度的负面影响较小,乘客的舒适度保持较稳定的状态。然而,当车内噪声大于75 dB时,随着噪声水平的提高,舒适度水平大幅降低,二者呈现显著的负相关关系(图4d)。因此,75 dB可以认为是车内噪声影响乘客舒适度的阈值。由于公交车厢内的高噪声能严重损伤乘客的听力并降低他们的乘车舒适度,控制车厢内噪声水平低于75 dB则能在一定程度上减轻噪声危害。图4e反映了载客量与乘客舒适度之间的关系,当载客量逐渐增加至17人时,乘客的舒适度也快速提升至最高水平,二者呈现显著正相关关系。此后,随着载客量的进一步增加,舒适度水平反而下降。总的来看,17人是载客量影响舒适度的阈值,当载客量在8~26人内有助于乘客保持良好的舒适度体验,但低于或高于这一人数范围时会导致不佳的舒适度水平。

2.3 研究结果与有关环境标准的对比

目前,中国还未出台针对公交车内多种微环境水平的标准或规范,因此,将本文的研究结果与现有的部分相关环境标准进行对比。如表3所示,需要将车厢内温度控制在23.5~28.0 ℃,有助于乘客在公交车出行过程中保持最佳的乘车舒适度。这一温度范围与中国夏季室内温度标准(22~28 ℃)[42]相近。对于相对湿度来说,45%~58%是乘客拥有良好舒适度的相对湿度暴露水平,基于此,本文建议将相对湿度保持在45%~58%水平内。这一相对湿度范围(45%~58%)相比于中国夏季室内相对湿度标准(40%~80%)[42]更加精准,也更符合乘客的真实感受。为保证公交乘客拥有良好的舒适度水平,建议将公交车厢内PM2.5浓度控制在＜28 μg/m³。中国《环境空气质量标准(GB3095—2012)》规定交通区域的PM2.5浓度不应超过75 μg/m³[43],这一环境标准和本文的公交车厢内PM2.5浓度建议值相差甚远,也说明当前公交车厢内的空气质量较差,PM2.5污染严重且乘客们对PM2.5浓度的敏感程度较高。本文建议将噪声水平控制在＜75 dB,以避免噪声对公交乘客的乘车舒适度产生消极影响。然而,这一建议值(＜75 dB)低于中国《客车车内噪声限值及测量方法(GB/T 25982—2010)》中对后置发动机型客车的车内噪声限制值(＜84 dB)[44],表明公交车厢内噪声污染的确是一个严重的问题。此外,车厢内载客量过多或过少都会影响舒适度水平,当保持载客量在8~26人范围内能让乘客具有较好的舒适度。
表3 研究结果和现行相关环境标准的对比

Tab.3 Comparison of the research findings with current environmental standards

公交车微环境 保持良好舒适度的公交微环境水平 现行有关环境标准
温度/℃ 23.5~28.0 22~28
相对湿度/% 45~58 40~80
PM2.5浓度/(μg/m³) ＜28 ＜75
噪声/dB ＜75 ＜84
载客量/人 8~26 —
上述分析揭示了本文的研究结果与现行部分相关环境标准的差异。与现行环境标准相比,本文提出的公交车微环境水平建议值更贴近乘客的真实舒适度体验和感受。然而,多种现行环境标准或规范并不完全适用于公交车内的微环境,并且政策制定者和交通规划者还未从乘客的舒适度这一方面考虑为公交车内的各种微环境指标制定具体的建议标准。

3 结论与讨论

3.1 结论

公交车是居民日常出行的重要微观空间,也是城市公共空间的组成部分。目前,城市公交车微环境污染及其对乘客的不良影响是亟待解决的重要问题。但是,国内外缺乏探讨公交车微环境与乘客的乘车舒适度之间非线性关系的研究。本文在广州市6条典型公交线路上同时收集车内微环境实时监测数据、乘客问卷调查数据、公交出行属性数据和公交车外部环境等。采用随机森林算法构建非线性回归模型,重点探究公交车内微环境暴露对乘客舒适度的非线性影响,进而分析多个微环境变量影响舒适度的准确阈值,评估不良微环境暴露带来的舒适度风险,以及探测乘客的最佳微环境暴露水平。研究发现：① 公交车内温度、相对湿度、PM2.5浓度、噪声和载客量均对乘客舒适度有非线性影响,但影响程度各不相同。② 公交车内各微环境变量影响舒适度的重要程度存在一定差异。PM2.5浓度对舒适度的影响最大(7.22%),其次是温度(6.34%)、相对湿度(4.93%)、噪声(3.82%),载客量的影响程度最低(1.95%)。③ 公交车内温度、相对湿度、PM2.5浓度、噪声和载客量影响乘客舒适度的阈值分别为28.0 ℃、47%、28 μg/m³、75 dB和17人。当车内温度为23.5~28.0 ℃、相对湿度为45%~58%、PM2.5浓度＜28 μg/m³、噪声＜75 dB、载客量为8~26人时,有助于乘客在车厢微环境中拥有最佳的舒适度水平。④ 由于中国还未出台专门针对公交车内多种微环境水平的标准或规范,将本文的研究结果与有关现行环境标准对比,发现二者存在明显差异。其中,公交车内最佳温度范围(23.5~28.0 ℃)与中国夏季室内温度标准(22~28 °C)接近,最佳相对湿度(45%~58%)相比于中国夏季室内相对湿度标准(40%~80%)更精准。而车厢内PM2.5浓度建议值(＜28 μg/m³)远小于中国规定的交通区域PM2.5浓度标准(＜75 μg/m³),车内噪声水平建议值(＜75 dB)也低于中国后置发动机型的车内噪声限制值(＜84 dB)。

3.2 讨论

本文重点关注公交车微环境与乘客舒适度之间的非线性关系,强调环境阈值和不良环境暴露风险研究以及探测最佳环境暴露水平的重要性,也对城市微观空间的环境规划和环境标准设计、不良环境暴露的风险评估和防控预警等相关研究起到借鉴作用,具有重要的理论意义和实践价值。本文认为可以将一部分公交车内微环境水平控制在阈值之下以避免或减少不良环境风险。例如,PM2.5对人体健康危害较大,对人们舒适度体验的消极影响也颇为严重[19],因此,需要将车内PM2.5浓度控制在28 μg/m³这一阈值之下,并且其浓度越低对乘客舒适度的负面效应也越小。公交车内噪声主要来源于发动机等机械噪声、轮胎和地面的摩擦噪声,它会严重损害人们的听力,降低乘车期间的舒适度,因而,建议控制车内噪声水平低于75 dB这一阈值。同时,本文也发现可以将另一部分微环境变量保持在最佳水平以获得良好环境带来的益处。若保持公交车内温度在23.5~28.0 ℃,相对湿度在45%~58%,有利于乘客的舒适度体验;反之,高于或低于最佳微环境水平,则会对人们在公交乘车期间的舒适度产生负面影响。当载客量为8~26人时,乘客拥有良好的舒适度体验,然而,当在乘客数量较少的公交车厢内,可能会引发人们的不安全感、紧张等不良乘车心理感受,从而导致舒适度水平的下降,而当乘客数量很多且没有空座位时,人们可能会感到拥挤,舒适感较差,因此,适当的乘客数量(8~26人)对人们的乘车舒适度才有积极影响和促进作用。总体来看,本文得出的公交车微环境水平的建议值更能符合乘客的实际舒适度感受,将车内微环境水平控制在这些建议值更有助于乘客在乘车期间获得最佳的舒适度体验。由于中国还未出台针对公交车内各种微环境水平的建议标准,因此,本文的研究结果能为交通管理和公交运营在微环境规划与标准制定方面提供重要的借鉴。
此外,为进一步推进“公共交通优先”,改善公交车内微环境,降低微环境污染风险以及提升乘客的乘车舒适度,本文提出以下相关预防和治理措施给政策制定者、交通规划者和公交运营商作参考。首先,调节车厢内空调温度以获得舒适的热环境,并通过安装加湿器来控制和调节车厢内的相对湿度[34]。其次,通过优化公交空调系统循环设置,加快气流速度,使车厢内部的空气循环流动更加充分,从而起到降低温度、增大湿度的作用。再次,可以调整空调布局及通风状况来改变颗粒物扩散分布情况,从而有效降低颗粒物聚集区域的浓度,也可以通过更新或清洗空调过滤器滤网以及使用空气净化器来降低车内颗粒物浓度[45]。为减少发动机等机械噪声,需定期检查、维修或更换老旧发动机。同时,提升公交车司机的驾驶技能,以降低急刹车等造成的噪声,从而保证乘客乘车的良好舒适度。最后,可以在公交车厢内设置微环境实时监测仪对微环境进行连续的实时监测,再将监测仪、公交车软硬件系统与空调系统相结合,当微环境水平不在最佳微环境暴露范围内时,通过软件系统确定空调调节指令,并将其传递给空调机组,从而对空调设置进行调整,保证将车厢内微环境暴露水平控制在合适范围内,以此减少不良微环境暴露对乘客舒适度的危害。
研究也存在一些不足。一方面,选取的公交车内微环境变量有限,无法全面地评估所有微环境变量对乘客舒适度的影响和最佳微环境暴露水平。同时,人们在公交出行前后的具体活动、满意度等也可能影响他们的乘车舒适度,受限于当前问卷调查的内容,本文尚未考虑并在模型中对这些变量予以控制。在今后的工作中需要完善调查内容,更全面地考虑可能影响舒适度的多个要素,进一步增加结果的精准性,增强研究的理论意义。另一方面,本文主要分析了短期公交车厢内微环境暴露的影响,未能充分考虑乘客长期暴露在车厢微环境中对他们乘车舒适度的累积效应,这也将是未来研究的重点。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Harvey D. Explanation in geography[M]. London, UK: Edward Arnold, 1969.

[2]
姚华松, 许学强, 薛德升. 人文地理学研究中对空间的再认识[J]. 人文地理, 2010,25(2):8-12.

[ Yao Huasong, Xu Xueqiang, Xue Desheng. Rethink space in the studies of human geography. Human Geography, 2010,25(2):8-12. ]

[3]
柴彦威, 赵莹, 马修军, 等. 基于移动定位的行为数据采集与地理应用研究[J]. 地域研究与开发, 2010,29(6):1-7.

[ Chai Yanwei, Zhao Ying, Ma Xiujun, et al. Mobile positioning method for spatial-temporal behavioral data collection and its geographical applications. Areal Research and Development, 2010,29(6):1-7. ]

[4]
王开泳. 城市生活空间研究述评[J]. 地理科学进展, 2011,30(6):691-698.

[ Wang Kaiyong. Review and prospect of the researches on urban living space. Progress in Geography, 2011,30(6):691-698. ]

[5]
柴彦威, 沈洁. 基于居民移动—活动行为的城市空间研究[J]. 人文地理, 2006,21(5):108-112, 54.

[ Chai Yanwei, Shen Jie. Travel-activity based research frame of urban spatial structure. Human Geography, 2006,21(5):108-112, 54. ]

[6]
Li S X, Zhao P J. Exploring car ownership and car use in neighborhoods near metro stations in Beijing: Does the neighborhood built environment matter?[J]. Transportation Research Part D: Transport and Environment, 2017,56:1-17.

DOI

[7]
King E A, Murphy E, Rice H J. Evaluating the impact on noise levels of a ban on private cars in Dublin city centre, Ireland[J]. Transportation Research Part D: Transport and Environment, 2011,16(7):532-539.

DOI

[8]
Barnes J H, Chatterton T J, Longhurst J W S. Emissions vs exposure: Increasing injustice from road traffic-related air pollution in the United Kingdom[J]. Transportation Research Part D: Transport and Environment, 2019,73:56-66.

DOI

[9]
Tétreault L F, Perron S, Smargiassi A. Cardiovascular health, traffic-related air pollution and noise: Are associations mutually confounded? A systematic review[J]. International Journal of Public Health, 2013,58(5):649-666.

DOI

[10]
González-Sánchez G, Maeso-González E, Olmo-Sánchez M I, et al. Road traffic injuries, mobility and gender. Patterns of risk in Southern Europe[J]. Journal of Transport & Health, 2018,8:35-43.

[11]
Dons E, Int Panis L, Van Poppel M, et al. Personal exposure to Black Carbon in transport microenvironments[J]. Atmospheric Environment, 2012,55:392-398.

DOI

[12]
Moreno T, Reche C, Rivas I, et al. Urban air quality comparison for bus, tram, subway and pedestrian commutes in Barcelona[J]. Environmental Research, 2015,142:495-510.

DOI

[13]
Chan L Y, Lau W L, Zou S C, et al. Exposure level of carbon monoxide and respirable suspended particulate in public transportation modes while commuting in urban area of Guangzhou, China[J]. Atmospheric Environment, 2002,36(38):5831-5840.

DOI

[14]
Fondelli M C, Chellini E, Yli-Tuomi T, et al. Fine particle concentrations in buses and taxis in Florence, Italy[J]. Atmospheric Environment, 2008,42(35):8185-8193.

DOI

[15]
Tsai D H, Wu Y H, Chan C C. Comparisons of commuter's exposure to particulate matters while using different transportation modes[J]. Science of the Total Environment, 2008,405:71-77.

DOI

[16]
李湉湉, 颜敏, 刘金风, 等. 北京市公共交通工具微环境空气质量综合评价[J]. 环境与健康杂志, 2008,25(6):514-516.

[ Li Tiantian, Yan Min, Liu Jinfeng, et al. Air quality assessment in public transportation vehicles in Beijing. Journal of Environment and Health, 2008,25(6):514-516. ]

[17]
Zhang K, Zhou K, Zhang F Z. Evaluating bus transit performance of Chinese cities: Developing an overall bus comfort model[J]. Transportation Research Part A: Policy and Practice, 2014,69:105-112.

DOI

[18]
Shek K W, Chan W T. Combined comfort model of thermal comfort and air quality on buses in Hong Kong[J]. Science of the Total Environment, 2008,389:277-282.

DOI

[19]
朱晓璇. 空调公交微环境空气品质及乘客舒适性研究[D]. 济南: 山东大学, 2017.

[ Zhu Xiaoxuan. The study of air quality and passenger comfort in micro-environment of the air conditioning bus. Jinan, China: Shandong University, 2017. ]

[20]
王玲, 王艳丽, 吴兵, 等. 常规公交运行舒适度的影响因素分析[J]. 重庆交通大学学报(自然科学版), 2012,31(6):1211-1214.

[ Wang Ling, Wang Yanli, Wu Bing, et al. Analysis on factors affecting regular bus operational comfort level. Journal of Chongqing Jiaotong University (Natural Science), 2012,31(6):1211-1214. ]

[21]
郑志红. 基于Labview的公交车舒适度检测与评价[D]. 南京: 南京信息工程大学, 2011.

[ Zheng Zhihong. Testing and evaluation of bus comfort based on Labview. Nanjing, China: Nanjing University of Information Science & Technology, 2011. ]

[22]
Shen X H, Feng S M, Li Z N, et al. Analysis of bus passenger comfort perception based on passenger load factor and in-vehicle time[J]. SpringerPlus, 2016,5(1):62. doi: 10.1186/s40064-016-1694-7.

DOI

[23]
Luck G W. An introduction to ecological thresholds[J]. Biological Conservation, 2005,124(3):299-300.

DOI

[24]
Galster G C, Quercia R G, Cortes A. Identifying neighborhood thresholds: An empirical exploration[J]. Housing Policy Debate, 2000,11(3):701-732.

DOI

[25]
Kong L B, Xin J Y, Liu Z R, et al. The PM2.5 threshold for aerosol extinction in the Beijing megacity[J]. Atmospheric Environment, 2017,167:458-465.

DOI

[26]
Loughnan M E, Nicholls N, Tapper N J. When the heat is on: Threshold temperatures for AMI admissions to hospital in Melbourne Australia[J]. Applied Geography, 2010,30(1):63-69.

DOI

[27]
周素红, 何嘉明. 郊区化背景下居民健身活动时空约束对心理健康影响: 以广州为例[J]. 地理科学进展, 2017,36(10):1229-1238.

DOI

[ Zhou Suhong, He Jiaming. Effects of spatial-temporal constraints of suburban residents on fitness activities to mental health in the context of rapid suburbanization: A case study in Guangzhou, China. Progress in Geography, 2017,36(10):1229-1238. ]

[28]
邱婴芝, 陈宏胜, 李志刚, 等. 基于邻里效应视角的城市居民心理健康影响因素研究: 以广州市为例[J]. 地理科学进展, 2019,38(2):283-295.

DOI

[ Qiu Yingzhi, Chen Hongsheng, Li Zhigang, et al. Exploring neighborhood environmental effects on mental health: A case study in Guangzhou, China. Progress in Geography, 2019,38(2):283-295. ]

[29]
Zhang L, Zhou S H, Kwan M P. A comparative analysis of the impacts of objective versus subjective neighborhood environment on physical, mental, and social health[J]. Health & Place, 2019,59:102170. doi: 10.1016/j.healthplace.2019.102170.

[30]
Sarkar C, Webster C. Healthy cities of tomorrow: The case for large scale built environment-health studies[J]. Journal of Urban Health, 2017,94(1):4-19.

DOI

[31]
Sun B D, Yin C. Relationship between multi-scale urban built environments and body mass index: A study of China[J]. Applied Geography, 2018,94:230-240.

DOI

[32]
Singh K P, Gupta S, Rai P. Identifying pollution sources and predicting urban air quality using ensemble learning methods[J]. Atmospheric Environment, 2013,80:426-437.

DOI

[33]
Breiman L. Random forests[J]. Machine Learning, 2001,45(1):5-32.

DOI

[34]
Zhang L, Zhou S H, Kwan M P, et al. The threshold effects of bus micro-environmental exposures on passengers' momentary mood[J]. Transportation Research Part D: Transport and Environment, 2020,84:102379. doi: 10.1016/j.trd.2020.102379.

DOI

[35]
World Health Organization. WHO air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide[EB/OL]. 2005. https://www.who.int/airpollution/publications/aqg2005/en/.

[36]
World Health Organization. International classification of impairments, disabilities, and handicaps: A manual of classification relating to the consequences of disease[M]. Geneva, Switzerland: World Health Organization, 1980.

[37]
Zhang L, Zhou S H, Kwan M P, et al. Impacts of individual daily greenspace exposure on health based on individual activity space and structural equation modeling[J]. International Journal of Environmental Research and Public Health, 2018,15(10):2323. doi: 10.3390/ijerph 15102323.

DOI

[38]
王芹. 即时情绪对社会决策影响的发展研究[D]. 天津: 天津师范大学, 2010.

[ Wang Qin. The development of the effect of immediate emotions on social decision making. Tianjin, China: Tianjin Normal University, 2010. ]

[39]
Sakairi Y, Nakatsuka K, Shimizu T. Development of the two-dimensional mood scale for self-monitoring and self-regulation of momentary mood states[J]. Japanese Psychological Research, 2013,55(4):338-349.

DOI

[40]
Watson D, Clark L A, Tellegen A. Development and validation of brief measures of positive and negative affect: The PANAS scales[J]. Journal of Personality and Social Psychology, 1988,54(6):1063-1070.

PMID

[41]
陈奕佳. 基于随机森林理论的北京市二手房估价模型研究[D]. 北京: 北京交通大学, 2015.

[ Chen Yijia. Research on valuation model of Beijing second-hand housing based on random forest. Beijing, China: Beijing Jiaotong University, 2015. ]

[42]
中华人民共和国生态环境部. 室内空气质量标准(GB/T 18883—2002) [S/OL]. 2002 [2020-06-01]. http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/dqhjbh/dqhjzlbz/200303/t20030301_67375.shtml.

[ Ministry of Ecology and Environment of the People's Republic of China. Indoor air quality standard (GB 18883-2002). 2002 [2020-06-01]. http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/dqhjbh/dqhjzlbz/200303/t20030301_67375.shtml. ]

[43]
中华人民共和国生态环境部. 环境空气质量标准(GB 3095—2012)[S]. 2012.

[ Ministry of Ecology and Environment of the People's Republic of China. Air quality standard (GB 3095-2012). 2012. ]

[44]
全国汽车标准化技术委员会. 客车车内噪声限值及测量方法(GB/T 25982—2010) [EB/OL]. 2011-01-10 [2020-06-01]. http://www.catarc.org.cn/domestic_standard/detail-697.html.

[ National Technical Committee of Auto Standardization. Permissible levels and test methods of bus internal noise (GB/T 25982-2010). 2011-01-10 [2020-06-01]. http://www.catarc.org.cn/domestic_standard/detail-697.html. ]

[45]
Zhu X X, Lei L, Wang X S, et al. Air quality and passenger comfort in an air-conditioned bus micro-environment[J]. Environmental Monitoring and Assessment, 2018,190:276. doi: 10.1007/s10661-018-6593-7.

DOI

Options
文章导航

/

〈 〉