城市绿地健康行为的动力和阻碍模型构建的方法和系统

技术领域

本发明涉及景观绩效评价体系中属于社会效益的健康效益的研究技术领域，具体涉及城市绿地健康行为的动力和阻碍模型构建的方法和系统。

背景技术

近年来，人类健康和福祉在全球范围内受到广泛而深入的关注，访问城市绿地是城市居民众多健康行为中的一种。以往研究使用城市绿地的可达性和功能性探讨了使用者访问绿地时面临的客观阻碍，但城市绿地如何协助潜在使用者克服主观阻碍从而访问绿地，其作用机制依然不明朗。因此，如何构建一个以使用者为中心的城市绿地健康行为模型，协助城市绿地规划设计决策和活动策划等阶段的公众参与活动，是一个值得研究的重要问题。

国际上针对上述议题，涌现出不少总结城市绿地对居民健康的作用途径和作用机制的研究，典型的例如Hartig T、Lachowycz K、Villanueva K等的研究。这些作用途径具体例如有益健康的“生态产品和服务”的提供水平、压力感知水平、注意力集中水平、体力活动、社会凝聚力和邻里满意度等，并且认为各因素之间互相关联、协同产生健康效应。Herzele A.和Vries S.基于社会心理学中的中介分析(mediation analysis)方法，将上述作用途径当作绿地与健康之间的中介变量(mediator)，提出了邻里绿地和健康之间的中介模型。该模型解释“什么样的自然环境和活动，对其参与者的健康有正向的影响”以及“这样的自然环境和活动，怎样由城市绿地的物质环境提供和承载”等问题；并且一些研究经过实证或案例分析后，将中介因素深化为规划设计策略，从而在绿地中提供相应的自然环境和活动空间或设施。

但是，人作为绿地访问行为的主体，该作用机制并没有体现绿地访问过程中人的意愿如何。“规划设计为有益健康的环境和活动提供空间和设施”与“人群在绿地中受到自然环境和有益健康活动的影响从而改善生理和心理健康”之间的联系并不是理所应当的，处于两者之间的是人群去绿地而后接触有益健康的环境、进行有益健康的活动的这一健康行为及其过程。健康行为涉及到个人、团体和机构的行动，和这些行动的决定因素、相互关系和结果，这些结果可能是社会变革、政策的发展和实施、应对技巧的改进以及生活品质的提升。

就城市绿地在居民健康行为中的作用而言，如果说人们访问和使用绿地过程中遇到的客观阻碍，可以通过提高绿地可达性和功能性来回应，那么当健康行为所需的物质环境和社会环境都提供到位时，拥有自由意志和选择权利的人们，依然可能面临其自身的主观阻碍。而使用者对自己克服这种阻碍的能力所持有的信念，就称为自我效能。在城市绿地和健康的研究中，城市绿地影响健康行为的作用机制并不明朗，访问城市绿地是健康行为的重要内容。以往研究侧重分析使用者访问绿地时面临的客观阻碍，例如使用城市绿地的可达性和功能性，忽视了使用者访问绿地的克服主观阻碍。

发明内容

为解决现有技术所存在的技术问题，本发明提供城市绿地健康行为的动力和阻碍模型构建的方法和系统，通过根据城市绿地健康行为的动力和阻碍模型，提出感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型假设，中介模型假设以克服阻碍的自我效能作为中介变量，根据中介模型假设构成中介模型，使得构建城市绿地健康行为的动力和阻碍模型考虑了使用者访问绿地的克服主观阻碍的作用，体现了绿地访问过程中人的意愿如何，具有较好的适用性和稳定性。

本发明的第一个目的在于提供城市绿地健康行为的动力和阻碍模型构建的方法。

本发明的第二个目的在于提供城市绿地健康行为的动力和阻碍模型构建的系统。

本发明的第一个目的可以通过采取如下技术方案达到：

城市绿地健康行为的动力和阻碍模型构建的方法，所述方法包括：

S1、分析城市绿地访问过程中的客观阻碍和主观阻碍，建立城市绿地健康行为的动力和阻碍模型；

S2、根据城市绿地健康行为的动力和阻碍模型，提出感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型假设，中介模型假设以克服阻碍的自我效能作为中介变量；

S3、分别对感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态进行测量并得到相应的测量数据，对测量数据进行预处理，建立测量模型；

S4、根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，对实际数据与中介模型进行协方差结构分析，判断中介模型是否成立；

S5、当中介模型成立，检验中介模型适用性；对不同群组中变量间的总效应间接效应和直接效应分别进行检验，评价中介模型的稳定性。

本发明的第而个目的可以通过采取如下技术方案达到：

城市绿地健康行为的动力和阻碍模型构建的系统，包括：

动力和阻碍模型模块，用于分析城市绿地访问过程中的客观阻碍和主观阻碍，建立城市绿地健康行为的动力和阻碍模型；

中介模型假设模块，用于根据城市绿地健康行为的动力和阻碍模型，提出感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型假设，中介模型假设以克服阻碍的自我效能作为中介变量；

测量模型模块，用于分别对感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态进行测量并得到相应的测量数据，对测量数据进行预处理，建立测量模型；

中介模型模块，用于根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，对实际数据与中介模型进行协方差结构分析，判断中介模型是否成立；

中介模型检验评价模块，用于当中介模型成立，检验中介模型适用性；对不同群组中变量间的总效应间接效应和直接效应分别进行检验，评价中介模型的稳定性。

本发明与现有技术相比，具有如下优点和有益效果：

本发明通过根据城市绿地健康行为的动力和阻碍模型，提出感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型假设，中介模型假设以克服阻碍的自我效能作为中介变量，根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，当中介模型成立，检验中介模型适用性，评价中介模型的稳定性，使得构建城市绿地健康行为的动力和阻碍模型考虑了使用者访问绿地的克服主观阻碍的作用，体现了绿地访问过程中人的意愿如何，具有较好的适用性和稳定性，本发明可以协助城市绿地规划设计决策和活动策划等阶段的公众参与活动的开展。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明实施例中的模型构建方法流程图；

图2是本发明实施例中的城市绿地健康行为的动力和阻碍模型示意图；

图3是本发明实施例中介模型假设是示意图；

图4是本发明实施例中介模型结构示意图。

具体实施方式

下面将结合附图和实施例，对本发明技术方案做进一步详细描述，显然所描述的实施例是本发明一部分实施例，而不是全部的实施例，本发明的实施方式并不限于此。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明以使用者为中心，提出一个“感知的城市绿地品质与使用者健康行为阶段之间的中介模型”，该模型由感知的城市绿地环境美学品质和感知的城市绿地开放空间交往品质组成的感知的城市绿地品质，对使用者访问绿地这一健康行为的阶段的作用过程中，克服主观阻碍的自我效能是中介变量。本发明可以协助城市绿地规划设计决策和活动策划等阶段的公众参与活动的开展，本发明所得模型可以用于以后的实证研究，以求进一步论证。

通过理论研究提出模型假设，构建以克服阻碍的自我效能作为中介变量的、感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型，并开展横断面研究，中介模型假设只有通过实证检验，才可说明中介模型成立。

如图1所示，模型构建方法流程图，本实施例提出一种城市绿地健康行为的动力和阻碍模型构建方法，包括以下步骤：

S1、分析城市绿地访问过程中的客观阻碍和主观阻碍，建立城市绿地健康行为的动力和阻碍模型。

通过综述文献，归纳主流研究视角，即关注城市绿地规划设计如何扫除使用者访问过程中的客观阻碍；结合对归纳所得内容的演绎和对城市绿地使用的观察和访谈，提出本次研究视角，即城市绿地规划设计、管理、服务有没有可能帮助使用者和潜在使用者克服访问过程中的主观阻碍，提出城市绿地健康行为的动力和阻碍模型。城市绿地中健康行为的动力和阻碍，如表1所示。

表1

如图2所示，城市绿地健康行为的动力和阻碍模型示意图，在城市绿地中实际开展活动的过程中，使用者对城市绿地的品质进行感知或思考，从而对活动环境和活动本身，形成相对无意识的感受和相对有意识的认知；感受和思考的内容，经过使用者“认同”或“排斥”的筛选，形成他们针对绿地环境和活动本身的个人经验；该个人经验是使用者体验所得，它与直接接收到的社会经验信息，共同作用于下一次健康行为的动机生成过程、成为使用者判断是否有意向开展下一次行为的依据；而后进入健康行为程式模型所关注的下一次健康行为过程，形成循环。当该循环得以重复时，可以认为健康行为被使用者维持下来。

S2、根据城市绿地健康行为的动力和阻碍模型，提出感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型假设，中介模型假设以克服阻碍的自我效能作为中介变量。

在研究视角的引导下，提出中介模型假设，即感知的城市绿地品质的水平，能不能通过影响使用者克服主观阻碍前去访问绿地的自我效能，从而影响其健康行为状态。将感知的城市绿地环境美学品质(perceived environmental aesthetic quality in urbangreen space，缩写为PEAQ)和感知的城市绿地开放空间交往品质(perceived open spacequality in urban green space，缩写为POSQ)暂且合称为感知的城市绿地品质(perceived urban green space quality)，缩写为PUGSQ。将克服阻碍的自我效能(self-efficacy to overcome barriers to health behavior)缩写作OBSE，将潜在使用者城市绿地中的健康行为阶段(health behavior in urban green space)记作HB_UGS。

如图3所示，针对上述三个变量(感知的城市绿地品质PUGSQ、克服阻碍的自我效能OBSE、潜在使用者城市绿地中的健康行为阶段HB_UGS)的关系，研究提出五组虚无假设(H0)及其相应的中介模型假设(H1、H2、H3、H4、H5)，并针对作用机制模型在不同群组中的适用性，提供两个虚无假设(H0(6)、H0(7))，中介模型假设具体包括：

1、感知的城市绿地品质PUGSQ对潜在使用者城市绿地中的健康行为阶段HB_UGS的直接效应，感知的城市绿地品质PUGSQ对克服阻碍的自我效能OBSE的效应

H0(1)：PUGSQ到HB_UGS的路径系数不显著，感知的城市绿地品质与城市绿地中的健康行为阶段没有直接关系。

H1：PUGSQ到HB_UGS的路径系数显著且为正，感知的城市绿地品质对城市绿地中的健康行为阶段有正向的直接影响。

H0(2)：PUGSQ到OBSE的路径系数不显著，感知的城市绿地品质与健康行为自我效能无关。

H2：PUGSQ到OBSE的路径系数显著且为正，感知的城市绿地品质对健康行为自我效能有正向影响。

2、克服阻碍的自我效能OBSE对潜在使用者城市绿地中的健康行为阶段HB_UGS的效应，感知的城市绿地品质PUGSQ对潜在使用者城市绿地中的健康行为阶段HB_UGS的总效应；

H0(3)：OBSE到HB_UGS的路径系数不显著，健康行为自我效能与城市绿地中的健康行为阶段无关。

H3：OBSE到HB_UGS的路径系数显著且为正，健康行为自我效能对城市绿地中的健康行为阶段有正向影响。

H0(4)：PUGSQ到HB_UGS的总效应H4(数值上，H4＝H1+H2*H3)不显著，感知的城市绿地品质与城市绿地中的健康行为阶段无关。

H4：PUGSQ到HB_UGS的总效应H4显著且为正，感知的城市绿地品质对城市绿地中的健康行为阶段有正向影响。

3、感知的城市绿地品质PUGSQ对潜在使用者城市绿地中的健康行为阶段HB_UGS的间接效应，即感知的城市绿地品质PUGSQ通过克服阻碍的自我效能OBSE到潜在使用者城市绿地中的健康行为阶段HB_UGS；

H0(5)：H2与H3的乘积H5(数值上，H5＝H2*H3)不显著，PUGSQ到HB_UGS的间接效应不存在，OBSE的中介效应不存在。

H5：H2与H3的乘积H5显著且为正，PUGSQ通过中介变量OBSE间接地对HB_UGS有正向影响。

4、不同活动强度的多群组比较，不同社交状态的多群组比较。

H0(6)：低活动强度组与高活动强度组的模型，两者的测量模型因素负荷量全等、结构模型路径系数全等、结构模型方差、协方差全等。

H0(7)：独自活动组和结伴活动组的模型，两者的测量模型因素负荷量全等、结构模型路径系数全等、结构模型方差、协方差全等。

S3、分别对感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态进行测量并得到相应的测量数据，对测量数据进行预处理，建立测量模型。

优选地，分别对感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态进行测量并得到相应的测量数据，包括借鉴已经经过论证的量表、经过大量讨论和广泛认可的著作以及对城市绿地使用者的观察和访谈，为感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态这三个变量拟定量表合成一份问卷，投放问卷并回收，筛选回收问卷的数据。

本实施例中，量表分别为《感知的环境美学量表》、《克服体力活动阻碍的自我效能量表》、《健康行为阶段量表》和编制《感知的城市绿地开放空间交往品质量表》。在志愿者的协助下，于2020年3月3日至2020年3月20日期间，在微信、QQ、微博、淘宝、百度贴吧等社交平台投放该网络问卷，邀请网友自愿填写。最终共回收695份问卷。最终，经过筛选，共删除和移除问卷256份，剩余439份问卷参与正式数据分析，投放问卷，回收并筛选数据。

优选地，建立测量模型，包括：针对城市绿地中的健康行为状态这一不等距的有序分类变量，在软件SPSS Statistics中对其进行最优尺度转换；针对量感知的城市绿地品质、变量克服阻碍的自我效能这两个相对等距的变量，在软件SPSS Statistics中对测量数据进行探索性因子分析，而后在软件SPSS Amos中进一步进行验证性因子分析；最终建立感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态这三个变量的测量模型，以备后用。

针对健康行为状态这一不等距的有序分类变量，在SPSS Statistics 23.0中对其进行最优尺度转换。具体为在SPSS Statistics软件中运行分析-回归-最优标度，将“健康行为变量”选入因变量框，定义其标度为“有序”，将经过验证性因子分析的14个自我效能测量指标选入自变量框，定义他们的标度为“数字”。最优尺度回归结果显示，选取的自变量对因变量的影响是显著的(p＝0.000＜0.001)，说明回归模型具有统计意义。

针对感知的城市绿地品质和克服阻碍的自我效能这两个相对等距的变量，在SPSSStatistics 23.0中对所有测量数据进行探索性因子分析，而后在SPSS Amos 23.0中进一步进行验证性因子分析。借助SPSS Amos软件，探索性因子分析。在SPSS Statistics中，选择“分析-标度-可靠性分析”，计算全部测量指标的整体信度。得到其内在信度系数cronbach’sα大于0.8，可以认为这些测量指标总体而言内在信度较好。优选地，使用SPSSStatistics“分析-降维-因子”，探索测量指标的结构。首先选择输出KMO(Kaiser-Meyer-Olkin)统计量和巴特利特检验结果，用于证明所有测量指标是否适合开展因子分析，KMO检验统计量是用于比较变量间简单相关系数和偏相关系数的指标，主要应用于多元统计的因子分析，KMO统计量是取值在0和1之间；选用“主轴因式分解法(Principal axisfactoring，有时也称为主轴因子法)”作为因子提取方法；分析方法选择“协方差矩阵分析”；默认提取特征值大于1乘以平均特征值的因子，即根据特征根的大小来决定提取因子的个数；在因子旋转方法上，选用了斜交旋转法中的“最优斜交法(Promax)”。选择不显示因子载荷小于0.3的数值。确认设置并运行计算。若计算得到测量指标的KMO大于0.9，说明测量指标之间有明显的结构关系，非常适合因子分析。

借助SPSS Amos软件，进行验证性因子分析。SPSS Statistics分析过程中的“因子”，在SPSS Amos中将改称“构念”，它们都表示测量指标的分布结构。根据本次研究的需要，验证性因子分析的目的是为参与中介模型的变量制作质量良好的二阶测量模型。而对于每一个变量，在其大量测量指标已经经过一次降维，形成多个“因子/一阶构念”以后，如果想把这些一阶构念再次降维，形成每个变量仅拥有一个构念，即更高层级的“因子/二阶构念”，那么选用SPSS Amos而不是SPSS Statistics，可以更尊重原始数据，结果呈现方式也更为直观。

优选地，在SPSS Amos软件中，为两个模型建立路径图，并将模型适配度指标写在路径图正上方。验证性因子分析包括：在处理共线性问题，优化因子载荷，修正模型适配度，检查模型内在质量这四个步骤；当一个测量模型，其一阶构念之间的相关系数接近或大于0.75，或一阶构念在二阶构念上的标准化因子载荷大于0.95甚至接近或超过1.00时，认为一阶构念之间存在共线性问题，即它们十分相似，需要合并相关系数过大的成对一阶构念，或删除载荷过大的一阶构念；在SPSS Amos提供的模型修正指数(Modification Indices)的辅助下，修正合并法和删除法获得的两个模型，提高模型结构与实际数据的契合度。

综上，在原文模型和探索性模型的多轮修订和比较后，最终建立三个变量的测量模型，以备后用。

本实例中，在被测量的变量中，城市绿地中的健康行为阶段(HB_UGS)有2道测量题，最终实际使用的只有1题。这样少的测量数据是出于本次研究整体的权衡和考量，但是它确实也不宜直接用于建立这个变量的测量模型，而是需要一些预处理。优选地，对测量数据进行预处理包括：理论指导的测量数据设置，问卷内测和修订，异常选项剔除，软件SPSSStatistics信度分析，软件SPSS Statistics最优尺度转换，软件SPSS Amos单一指标信度赋值。

优选地，在SPSS Amos软件中，单独为构念潜在使用者城市绿地中的健康行为阶段HB_UGS、潜在使用者城市绿地中的健康行为阶段HBG_CP的测量数据及其误差项e建立测量模型。将计算得到的测量误差0.13填入其中中误差项e的方差处，并在构念方差处填1；误差项到测量数据的路径系数默认为1，测量数据到构念的路径系数为待估计的数值，不填。运行SPSS Amos进行估计，得到测量数据在构念上的因子载荷为0.93。同时，验算得到测量数据的信度为0.87，与初始设定值相等，说明上述计算是成功的。

另外的这三个变量，感知的城市绿地环境美学品质(PEAQ)、感知的城市绿地开放空间交往品质(POSQ)、克服障碍开展健康行为的自我效能(OBSE)，其各自拥有题量较多的量表，从量表的选择或编制，到各自最终形成合格的测量模型，操作流程包括：

理论指导的测量数据设置和分类、问卷内测和修订、软件SPSS Statistics信度分析、软件SPSS Statistics因子分析、软件SPSS Amos共线性问题处理、软件SPSS Amos因子载荷优化、软件SPSS Amos模型适配度修正、模型质量检验。

最终，感知的城市绿地环境美学品质(PEAQ)、感知的城市绿地开放空间交往品质(POSQ)共同组成感知的城市绿地品质，形成1个合格的测量模型；克服障碍开展健康行为的自我效能(OBSE)形成1个合格的测量模型，城市绿地中的健康行为状态最终形成1个合格的测量模型。

针对感知的城市绿地环境美学品质(PEAQ)，从PEAQ量表开发者原文中获取有23个测量数据、5个因子的量表，经过修订，获得了有9个测量数据、3个一阶构念的二阶模型。测量数据和一阶构念经历了较大的删改，其删改时机和理由汇总，如表2所示，PEAQ量表原始测量数据删留和分类情况汇总：

表2

针对感知的城市绿地开放空间交往品质(POSQ)，本发明提出了有15个测量数据的假设，经过处理后删除了其中5个，删除原因，如表3所示，POSQ量表原始测量数据删留分类情况汇总：

表3

针对克服障碍开展健康行为的自我效能(OBSE)，OBSE量表开发者原文中原有24个测量数据、5个一阶构念，经过本次研究处理后，剩余14个测量数据、3个一阶构念。10个测量数据的处理过程，如表4所示，OBSE量表原始测量数据删留分类情况汇总：

表4

S4、根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，对实际数据与中介模型进行协方差结构分析，判断中介模型是否成立。

优选地，根据中介模型假设，在对感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态这三个变量间建立结构模型，将结构模型与测量模型构成完整的结构方程模型。具体地，将建立好的测量模型放入软件SPSS Amos，根据中介模型假设在感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态这三个变量间建立结构模型，结构模型与测量模型一起构成完整的结构方程模型。由于假设中变量关系的特殊性，该结构方程模型表现为中介模型的形态。

本实施例中，在软件SPSS Amos中，在同一张画布上同时绘制感知的城市绿地品质PUGSQ、健康行为自我效能OBSE和城市绿地中的健康行为阶段HB_UGS这三个构念的测量模型，并在三个构念之间建立结构模型，这样就形成了完整的结构方程模型，而后再进行潜在变量路径分析和中介效应检验。上述的每个测量数据形成过程，就是一个测量模型。中介模型中，椭圆形表示各阶构念，矩形表示测量数据，圆形表示内生变量的误差项。

如图4所示，中介模型结构示意图，一个完整的结构方程模型由结构模型和测量模型组成。其中，结构模型指的是变量之间的关系，而测量模型指的是变量与其测量数据之间的关系。S2步骤中获取到四个变量，即中介模型中的四个构念的测量模型：感知的城市绿地环境美学品质(PEAQ)、感知的城市绿地开放空间交往品质(POSQ)、克服障碍开展健康行为的自我效能(OBSE)和城市绿地中的健康行为阶段(HB_UGS)。该模型表达感知的城市绿地品质(感知的城市绿地环境美学品质和开放空间交往品质)可以通过克服阻碍的自我效能，间接地作用于城市绿地中的健康行为阶段。

优选地，通过软件SPSS Amos 23.0对实际数据与中介模型两者进行协方差结构分析，得到实际数据与中介模型两者的差异，判断中介模型中的变量间总效应、变量间间接效应和变量间直接效应是否存在，当中介模型中的变量间总效应、变量间间接效应和变量间直接效应是存在，中介模型成立，接受中介模型；当中介模型中的变量间总效应、变量间间接效应和变量间直接效应是不存在，中介模型不成立，拒绝中介模型。

本实施例中，在Amos软件中Analysis Properties分析属性面板的Output输出栏，补充勾选“indirect,direct&total effects”复选框。而上述效应的估计方法则尤其值得注意，Amos默认的估计方法是极大似然法，它要求估计参数的分布形态是正态分布。然后，在Analysis Properties分析属性面板的Bootstrap自助抽样栏，选择“Performbootstrap”进行自助抽样，填写自助抽样样本数为5000个[]；勾选两种检验方法“Percentile confidence intervals”和“Bias-corrected confidence intervals”，两者的置信区间都设为95％；勾选“Bootstrap ML”自助抽样修正指数。运行Amos中的“Calculate estimates”计算估计值。在Amos输出结果中摘取与中介效应有关的自助抽样法计算结果。通过Bias-Corrected和Percentile两种方法获得的95％置信区间，是检验各个效应的主要指标，若一个效应的置信区间下限和上限之间不包含0，则认为该效应是显著的、存在的。

对于测量模型，每个一阶构念都拥有自己的测量数据，测量数据仅出现在测量模型中而没有出现在结构模型中。测量数据共有34个，按照样本量与测量数据数量之比至少10:1的建议，该模型如果想获得适当的解，则需要至少340个样本参与计算。本次研究实际参与的样本量为439个，符合要求。

对于结构模型，为了验证中介模型假设，需要将结构模型建成一个中介模型：HB_UGS是因变量，PUGSQ和OBSE是自变量，其中PUGSQ是外生自变量、OBSE是PUGSQ和HB_UGS之间的中介变量；从PUGSQ指向HB_UGS的路径表示前者对后者的直接效应H1，从PUGSQ经过OBSE再指向HB_UGS的路径是PUGSQ对HB_UGS的间接效应H5＝H2*H3，而PUGSQ对HB_UGS的总效应则为H4＝H1+H2*H3。

测量模型和结构模型中的每个内生变量，都设有误差项。

S5、当中介模型成立，检验中介模型适用性；对不同群组中变量间的总效应间接效应和直接效应分别进行检验，评价中介模型的稳定性。

S51、当中介模型假设成立，检验中介模型适用性

优选地，在数据处理时根据使用者最终健康行为的不同活动类型对数据样本进行分组，获得分组数据后，在SPSS Amos中依次假设不同群组的测量模型和结构模型全等并进行卡方检验，分别比较测量模型、结构模型与实际数据之间是否存在差异。

在数据处理时根据使用者最终健康行为的不同活动类型对数据样本进行分组，使用者最终健康行为的活动类型可根据活动强度和活动时的社交状态，分别分为低活动强度组和中高活动强度组，以及独自活动组和结伴活动组；获得分组数据后，在SPSS Amos 23.0中，依次假设不同群组的测量模型和结构模型全等(无差异)，在此假设的基础上进行卡方检验，比较假设全等的模型与实际数据(或已经被检验为全等、被认为是正确的模型)之间是否存在差异。如果卡方检验结果显示没有差异，则表示中介模型(包括测量模型和结构模型)在参与研究的群组之间，可以通用，具有适用性。若中介模型假设不成立，中介模型被拒绝，则无需再评价其适用性。

本实施例中，在Amos界面中，在精简后模型结构的基础上，先区分不同群组：建立“低活动强度组/low intensity”和“中高活动强度组/high intensity”两个组，分别将问卷中划分为“散步”和“体力活动”的数据导入这两个组。而后设置组间比较项：在“Multiple-Group Analysis”中设置多群组比较的项目，对不同组模型的以下五个方面比较递进式的比较：

(1)测量模型的因子载荷(Measurement weights，参数标签以a开头)是否全等；(2)结构模型的路径系数(Structural weights，标签以b开头)是否全等；(3)结构模型的方差和协方差(Structural covariances，本次结果模型中只有方差，标签以vvv开头)是否全等；(4)结构模型残差(Structural residuals，以vv开头)是否全等；(5)测量模型误差(Measurementresiduals，以v开头)是否全等。

在实际操作中，如果要求最后两项即误差和残差也全等，会显得太过严格，所以本次研究主要分析不同组模型在前三项的恒等性。选用Bootstrap自助抽样法，运行“Calculate estimates”计算估计值后，获得两组的所有估计参数以及未限制参数的模型图。两个不同活动强度群组的模型质量依然合格。两群组因子载荷被设定为全等时的模型，与未在组间限制任何参数时的模型，它们之间卡方差异检验结果不显著，接受虚无假设，说明两组模型是否设定因子载荷全等并不会导致模型产生显著差异。所以可以认为，两个群组的测量模型因子载荷可以是全等的，测量模型在两种活动强度的群组中同时具有适用性。在因子载荷全等且结构路径全等的前提下，设定结构模型方差或协方差(本次结构模型的结构中没有协方差，只有构念PUGSQ有一个方差)全等后，卡方检验未见显著差异(χ

总之，城市绿地访问行为中的低活动强度和中高活动强度的群组，研究提出的中介模型对它们都具有适用性；其中，克服阻碍的自我效能在感知的城市绿地品质和健康行为阶段之间的中介作用，在低活动强度组中，发挥了一部分的解释能力、仍留有不能解释的一部分效应，而在中高活动强度组中，承担了较大的解释作用、剩余未解释的效应几乎不存在。

S52、对不同群组中变量间的总效应间接效应和直接效应分别进行检验，评价中介模型的稳定性

优选地，评价中介模型的稳定性包括：评价中介变量(克服阻碍的自我效能)解释能力的稳定性，分别对不同群组中变量间的总效应间接效应和直接效应进行检验，判断各群组中无法被中介变量解释的直接效应是否在多数群组中不显著，从侧面检验该中介变量起到的间接效应在多数群组中的是否起到主要的解释作用、解释能力是否具有稳定性。

本次研究的中介变量是克服阻碍的自我效能。在SPSS Amos 23.0中，对不同群组中变量间的总效应间接效应和直接效应分别进行检验，通过查看各群组中无法被中介变量解释的直接效应是否在多数群组中不显著，从侧面检验该中介变量起到的间接效应在多数群组中的解释作用大小和解释能力是否具有稳定性。具体步骤如下：

与两种活动强度的分组操作同理，为问卷中划分的两种活动社交状态“独自活动/alone”和“结伴活动/together”分别建组、设置组间递进比较的项目，运行软件得到估计值，得到合格的两个群组未限制参数模型。两群组比较结果显示，对于独自活动组和结伴活动组，没有理由拒绝模型的因子载荷全等、结构路径系数全等和结构模型的方差全等，不同社交状态群组的模型恒等性检验。本发明提出的模型对两种社交状态的群组都适用。

感知的城市绿地品质到健康行为阶段的路径系数不显著的问题，也出现在了不同社交状态群组的分析中。结合未限制参数的不同社交状态群组的结构路径显著性检验(如表7所示)和中介效应检验(如表8示)，可知：两组中PUGSQ对HB_UGS的总效应和中介效应都存在；独自活动组的PUGSQ到HB_UGS的路径不显著(b1_1＝0.249，t＝1.645，p＝0.100＞0.05)，且两种自助抽样法所得置信区间都包含0，所以认为在独自活动组中，感知的城市绿地品质对健康行为阶段的直接效应不存在；结伴活动组的这条路径是显著的(b1_2＝0.256，t＝1.972，p＝0.049)，这一条证据似乎不能作为拒绝直接效应的证据，但是在更为严谨的中介效应检验方法，即两种自助抽样法中，检验所得置信区间包含0，所以自助抽样法依然提供了证据，拒绝感知的城市绿地对健康行为阶段的直接效应。

表7

表8

综上，如果用独自活动和结伴活动两种社交状态划分绿地中的健康行为，则研究提出的中介模型在两群组中依然适用。并且，在这种划分方法下，自我效能做为中介变量，可以解释感知的城市绿地品质对于健康行为阶段的大部分效应，剩余不能解释的效应几乎不存在了。

可以利用中介模型分析各项感知的城市绿地品质在中介模型中的贡献大小，对各项感知的城市绿地品质重要程度排序。中介模型的应用价值主要体现在对城市绿地设计和管理策略的指导上，在合格的、稳定性和适用性良好的中介模型中，根据各项感知的城市绿地品质的路径系数大小，可以排列出它们的在三个变量整体关系中的重要程度。根据这样的一份重要程度排序，结合涉及这些品质的相关文献，可以城市绿地服务于居民健康的话题下，为设计和管理上的侧重点提出建议。

实施例2：

本实施例提供了城市绿地健康行为的动力和阻碍模型构建的系统，该系统包括动力和阻碍模型模块、中介模型假设模块、测量模型模块、中介模型模块和中介模型检验评价模块，各个模块的具体功能如下：

动力和阻碍模型模块，用于分析城市绿地访问过程中的客观阻碍和主观阻碍，建立城市绿地健康行为的动力和阻碍模型；

中介模型假设模块，用于根据城市绿地健康行为的动力和阻碍模型，提出感知的城市绿地品质与使用者在绿地中的健康行为阶段之间的中介模型假设，中介模型假设以克服阻碍的自我效能作为中介变量；

测量模型模块，用于分别对感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态进行测量并得到相应的测量数据，对测量数据进行预处理，建立测量模型；

中介模型模块，用于根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，对实际数据与中介模型进行协方差结构分析，判断中介模型是否成立；

中介模型检验评价模块，用于当中介模型成立，检验中介模型适用性；对不同群组中变量间的总效应间接效应和直接效应分别进行检验，评价中介模型的稳定性。

所述根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，对实际数据与中介模型进行协方差结构分析，判断中介模型是否成立；包括：

将建立好的测量模型放入软件SPSS Amos，根据中介模型假设在感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态这三个变量间建立结构模型，结构模型与测量模型一起构成完整的结构方程模型；

通过软件SPSS Amos对实际数据与中介模型两者进行协方差结构分析，得到实际数据与中介模型两者的差异，判断中介模型中的变量间总效应、变量间间接效应和变量间直接效应是否存在，判断是否有理由拒绝中介模型假设。

所述根据中介模型假设建立结构模型，将结构模型与测量模型构成中介模型，对实际数据与中介模型进行协方差结构分析，判断中介模型是否成立；包括：

将建立好的测量模型放入软件SPSS Amos，根据中介模型假设在感知的城市绿地品质、克服阻碍的自我效能、城市绿地中的健康行为状态这三个变量间建立结构模型，结构模型与测量模型一起构成完整的结构方程模型；

通过软件SPSS Amos对实际数据与中介模型两者进行协方差结构分析，得到实际数据与中介模型两者的差异，判断中介模型中的变量间总效应、变量间间接效应和变量间直接效应是否存在，判断是否有理由拒绝中介模型。当中介模型中的变量间总效应、变量间间接效应和变量间直接效应存在时，中介模型成立；当中介模型中的变量间总效应、变量间间接效应和变量间直接效应不存在时，中介模型不成立。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。