The Impact of Urban Regeneration, Air Pollution, Green Space, and Paved Roads on Problematic Alcohol Use: A Population-Based Study Across 43 Cities in China
Notice bibliographique
Résumé
Background Evidence on the association between urban regeneration and alcohol use remains limited. This study examines the impact of urban environmental factors, specifically air pollution (measured by PM2.5, a common indicator of fine particulate matter), traffic congestion, and limited green space, on problematic alcohol use, and explores potential social and behavioral mechanisms underlying these relationships.Methods A cross-sectional survey was conducted among 11,954 students from 50 universities across 43 Chinese cities. Individual-level data were collected via self-report questionnaires, while regional environmental data were obtained from the National Bureau of Statistics. Structural equation modeling (SEM) was applied to analyze the mediating pathways.Results The prevalence of problematic alcohol use was 7.3%. Multilevel logistic regression showed that higher PM2.5 levels were positively associated with alcohol use (ORs = 2.98, 3.48), while more green space (ORs = 0.55, 0.23) and a higher proportion of paved roads (OR = 0.37) were protective factors. SEM results indicated that PM2.5 exerted both a direct effect on alcohol use (β = 0.358, p < 0.01) and an indirect effect mediated by uncertainty stress (indirect β = 0.011). Paved road area had a direct effect (β = −0.009, p < 0.01) and indirect effects through uncertainty stress (indirect β = −0.007) and life stress (indirect β = −0.001). Green space directly reduced alcohol use (β = −0.188, p < 0.01) and also indirectly via lower uncertainty stress (indirect β = −0.011).Conclusion Improving urban environmental quality, especially reducing air pollution and expanding green infrastructure, may help mitigate problematic alcohol use and promote mental health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».