抽象
城市自然（如綠地和公園）可以減輕痛苦，并在COVID-19大流行期間提供安全娛樂空間。然而，在低收入人群和有色人種社群（受COVID-19打擊最嚴重的社群）中，自然往往較少。在對兩個資料集的分析中，我們量化了美國所有城市化地區的綠化和公園鄰近度的不平等，并将綠化和公園通路與 17 個州的郵政編碼的 COVID-19 病例率聯系起來。有色人種占多數的地區病例率較高，綠色程度較低。此外，在控制社會人口學變量時，歸一化差異植被指數增加 0.1 與 COVID-19 發病率降低 4.1% 相關（95% 置信區間：0.9–6.8%）。在美國各地，收入較低的街區群體和大多數有色人種的綠色程度較低，公園也較少。我們的研究結果表明，受COVID-19影響最大的社群附近的自然環境也最少。鑒于城市自然與人類健康和生物多樣性有關，這些結果在大流行期間和之後都具有深遠的影響。
主要
COVID-19大流行暴露了美國現有的許多不平等現象。COVID-19大流行的空前影響，包括日常生活的不安、經濟損失和情緒困擾，對低收入人群和有色人種社群的影響尤為嚴重1，2，3，4.這些群體還通過與公衆接觸頻繁的工作而面臨更多的COVID-19暴露5這往往使保持社交距離變得困難或不可能，是以病例率更高1，2，6，7，8.
在美國，接觸自然的機會分布也不均，低收入社群和有色人種社群的植被和公園往往較少。我們将“自然”定義為綠色（或植被總量，包括樹木、灌木和草）和城市公園;雖然這兩個名額不能完全描述自然，但它們仍然捕捉到了城市環境中通常被認為是“自然”的兩個重要元素。9，10.許多研究11，12，13，14，15，16 在人口普查區尺度上的歸一化差異植被指數 （NDVI） 中，個别城市、城市組和全國範圍内顯示出持續的不平等模式17.是以，受COVID-19影響最大的社群可能最不容易接觸到大自然。COVID-19 病例率與美國縣級資料之間存在負相關18但目前尚不清楚在使用更精細的空間分辨率資料時這種影響是否成立，也不知道公園通道是否與 COVID-19 病例率具有相同的負相關。
接觸自然，包括綠化和靠近公園，有可能通過改善心理健康和為社交、體育活動和娛樂提供安全的空間來減少與大流行相關的一些痛苦19，20，21.我們将綠色定義為一個區域内植被的總體積，使用 NDVI 進行量化，它不區分不同類型的樹木、灌木和草坪。盡管有這個缺點，NDVI是一個廣泛使用的名額。獲得綠色（使用NDVI測量）與改善身心健康密切相關，包括降低死亡風險，降低抑郁症幾率以及降低肥胖，糖尿病和心血管疾病的發病率22，23.是以，在大流行期間和之後，自然擷取方面的不平等有可能轉化為身心健康的不平等。
在這項研究中，我們記錄了這兩種“堆疊”不平等的程度;也就是說，低收入和多數有色人種 （POC） 社群的 COVID-19 病例更多，性質更少。我們還探讨了在考慮收入、種族/民族和其他潛在混雜變量後，接觸自然與 COVID-19 發病率之間是否存在關聯。有多種機制可以産生這種關聯。例如，缺乏接觸大自然的機會不僅可能剝奪個人急需的心理健康資源，而且還可能積極幹擾身體抵抗感染的能力。與大自然的接觸似乎通過增強自然殺傷（NK）細胞在防禦病毒方面發揮着重要作用24，25.減少對病毒和其他機制的防禦可能會給那些已經遭受健康不公平的人增加負擔，并可能在性質更豐富的地區保持更高比例的亞臨床或無症狀病例。這将導緻綠色與 COVID-19 病例率之間的負相關關系，在考慮社會人口學特征和其他可能與綠色和 COVID-19 相關的因素後，這種相關性仍然存在。雖然其他機制也可能産生這種模式，但第一步是确定是否存在這種相關性。我們強調，我們的資料不能區分潛在的機制，也不能推斷因果關系，而是證明了相關變量之間的關聯。
在這裡，我們量化了美國城市化地區所有人口普查區塊組的自然不平等，并使用兩項分析将自然擷取中的不平等與 17 個州的郵政編碼的 COVID-19 病例率聯系起來。具體來說，我們要求：（1）低收入和主要是POC社群的COVID-19病例率較高，自然通道是否較少（此處由NDVI和公園鄰近性定義）;（2） 在考慮收入、種族/民族和其他潛在的混雜變量後，自然擷取是否與 COVID-19 病例率相關;（3）在整個城市化的美國，以比人口普查區更精細的分辨率進行檢查時，綠色和公園鄰近性的自然通路不平等是否持續存在？我們量化了公園和綠地的自然可達性，以詢問美國所有城市化地區的不平等是否是系統性的。
結果
我們發現大多數POC郵政編碼的COVID-19病例率較高，綠色程度較低（圖1）。截至 2020 年 9 月 30 日，大多數 POC 郵政編碼每 100，000 人的 COVID-19 病例幾乎是白人占多數的郵政編碼的兩倍（圖 1）。即使在調整了人口密度、種族/民族、收入、自第一個記錄病例以來的時間、年齡和州的差異後，綠色較少的郵政編碼的 COVID-19 病例率也較高（圖 2和擴充資料圖 1）。在 COVID-19 病例的負二項式混合效應模型中，我們發現 COVID-19 病例減少了 4.1%，NDVI 增加了 0.1（發病率比 （IRR） 95% 置信區間 （CI）：0.9-6.8%）。與NDVI不同，在控制其他變量時，公園鄰近度與COVID-19病例率沒有顯着相關性（圖2和補充表1）。
圖1：COVID-19病例率與綠色和種族/民族有關。
a，本分析使用了來自美國 17 個州的郵政編碼比例報告的 COVID-19 病例。以伊利諾伊州芝加哥周圍郵政編碼的平均 NDVI 值 （b） 和每 100，000 人 （c） 的 COVID-19 病例率為例。d，綠色條形圖 （NDVI） 表示為分位數，COVID-19 的比率顯示 NDVI 較高的病例下降。e，綠色條形圖顯示大多數白人郵政編碼中的綠色度較高。f，COVID-19 病例率（每 100，000 例）顯示大多數白人郵政編碼中的病例率較低。誤差線表示大約 95% 置信區間。
全尺寸圖像
圖2：考慮其他因素後，更環保的郵政編碼的COVID-19病例較少。
a，系數值表示負二項式混合效應模型中的效應大小，用于 COVID-19 發病率（每 100，000 人的病例數）與綠度 （NDVI）、公園通道 （ha）、收入中位數、年齡中位數、有色人種比例（比例 POC）、自首次記錄病例（縣規模）和人口密度以來的天數。系數值表示為點，條形表示 95% 置信區間，有效變量以紅色表示。b，c， 每 100，000 人 COVID-19 病例率的預測值顯示，随着 NDVI 在低病例率的州（賓夕法尼亞州;b） 并且在研究期間處于高病例率的州（伊利諾伊州;預測值來自a中描述的同一模型，陰影表示 95% 置信區間。
全尺寸圖像
我們還發現了美國自然擷取方面的不平等。在所有城市化地區，POC占多數的街區組的綠色程度較低（平均NDVI降低0.1），公園較少（平均減少0.5公頃）。同樣，低收入街區群體的綠色程度也較低（平均降低0.09個NDVI），公園較少（平均減少3.6公頃;圖3，擴充資料圖2和補充表2）。就上下文而言，NDVI 的 0.1 量級差異大緻相當于我們樣本中綠色度的 1 s.d. 差異：所有區塊組的 NDVI 标準差為 0.15，城市内平均 s.d. 為 0.08。在考慮空間自相關的同步自回歸模型（SAR）中，區塊組中的POC比例和家庭收入中位數都是NDVI和公園鄰近性的重要預測因子（擴充資料圖2）。同樣，在考慮人口密度（在公園鄰近度和綠色度兩種模型中）和幹旱（在綠色模型中）之後，在進入自然方面仍然存在統計學上的顯着差異。
圖3：自然通道在美國城市化地區分布不均。
a，美國所有486個城市化地區（包括142，325個街區組）的綠化（NDVI）和公園鄰近度（ha）。城市化區域由點表示，綠色度和公園鄰近性值在城市化區域内取平均值。b，c， 綠色條形圖（NDVI;b）和按種族/民族劃分的公園鄰近度（c），在大多數白人街區組中顯示出更高的綠色度。d，e， 綠色條形圖（NDVI;d） 和所有收入分位數 （e） 中的公園鄰近度，在收入較高的區塊組中顯示更高的綠度和更多的公園。誤差線表示大約 95% 置信區間。
讨論
我們表明，COVID-19 給在自然擷取方面也面臨普遍不平等的社群帶來了最大的負擔。使用郵政編碼尺度資料，我們表明，接觸自然最少的社群的COVID-19病例率最高。使用來自所有州所有城市化地區的精細分辨率資料，我們還表明，在美國，獲得綠色和公園的不平等現象普遍存在。綜上所述，我們的結果表明，大流行加劇了低收入地區和有色人種社群的劣勢，這些地區和有色人種社群已經面臨更少的公園可供娛樂和更少的綠色。
我們發現，在考慮收入、種族/民族和其他混雜因素後，綠色與 COVID-19 病例率之間存在關聯。雖然像我們這樣的觀測資料不能說明因果關系，但先前的文獻發現表明，有多種可能的機制可以解釋這種統計關聯。如果綠色有助于身體在接觸病毒後對抗病毒，則可能會影響 COVID-19 病例率，進而使更高比例的病例處于亞臨床或無症狀狀态。例如，NK細胞在身體防禦病毒感染方面起着關鍵作用，尋找并攻擊或“清除”病毒感染的細胞。24，25與大自然的接觸似乎在增強我們的NK防禦方面發揮着重要作用26.對自然-COVID-19關聯的其他可能解釋可能包括通過更高的空氣污染和溫度的調解途徑，這些途徑已被證明與較高的COVID-19病例率呈正相關27，28在綠化度較低和樹木較少的地區通常較高29，30.也有可能是社群的綠色較少使得在戶外空間安全地社交變得更加困難。在綠化較少和可用公園較少的地方，人們可能選擇在室内空間更頻繁地進行社交活動。雖然全市範圍内對戶外社交的限制可能會使這種解釋在大流行初期不太可能，但在最初的封鎖放松後，人們在戶外空間的社交方式可能會發生變化，尤其是在院子和庭院等私人空間。雖然這兩種解釋都可能成為在更容易接觸自然的地區COVID-19發病率較低的基礎，但這一發現提出了一種可能性，即在大流行期間缺乏随時接觸自然的人群不僅可能被剝奪急需的心理健康資源，而且還可能面臨更大的感染COVID-19的風險。需要使用患者水準資料的進一步研究來揭示我們在這項工作中顯示的模式背後的機制驅動因素。
在調整種族/民族、NDVI和年齡後，其他因素，包括收入、人口密度和自第一個記錄病例以來的天數與病例數沒有顯著相關性。雖然病毒到達密度較低的地區較晚，但它也往往襲擊了更大比例的人口（補充表3），這可以解釋為什麼人口密度和自第一個記錄病例以來的時間都不能很好地預測研究期間的COVID-19病例率。來自西班牙巴塞羅那的其他研究發現收入和患病率之間存在關系1.為什麼我們沒有看到這種模式的一個可能的解釋是，在需要更多面對面互動的職業中，暴露和傳播可能最高，而這些職業可能與美國的收入沒有很強的相關性。
我們發現，在美國城市化地區，人們普遍存在與自然接觸不平等的證據。這些結果可能會産生級聯影響，因為城市環境中的自然與許多人類健康益處有關，同時也支援其他生态系統服務和生物多樣性。22，23，31，32.以前的研究表明，美國和國外的綠色和公園在收入和種族方面的分布存在不平等。11，12，13，33.在美國，在全國範圍内也發現了類似的模式，但僅限于人口普查區規模的NDVI。17以及單個城市或城市群的更精細的空間尺度12，13，14，15.我們的結果建立在先前工作的基礎上，表明美國所有城市化地區規模以及人口普查區塊組的精細空間尺度上的綠色和公園的不平等模式都持續存在。将我們的結果放在上下文中，在其他研究中，NDVI增量為0.1的差異與特定的健康影響有關。例如，在家中以0.1個增量降低NDVI與全因死亡率高12%有關34，嬰兒出生體重降低20.6克，早産的可能性增加35，自我報告健康狀況不佳的幾率高出 10%，鄰裡滿意度和社會資本較低36兒童進行中等劇烈體力活動的幾率降低了 39%37.同樣，可用綠地面積也與健康有關;居住在300米内沒有大于0.5公頃綠地的社群的孕婦報告抑郁症狀的可能性要高13%38.住在離更大的公園或更大的公園總面積的地方，壓力較小39，更多的體力活動40降低患心髒代謝疾病的幾率41.這些結果表明，此處所示的獲得綠地和類似程度的公園的差異可能會影響低收入人群和有色人種社群的一系列身心健康結果。
我們的研究結果表明，在深刻的社會和經濟動蕩和心理健康困擾時期，自然擷取的不平等對心理健康和社會互動産生影響。在短期内，采取行動克服大流行期間進入自然的障礙，例如保持低收入社群和有色人種社群的城市公園開放、安全和無障礙，可能有助于緩解與大流行相關的一些痛苦。随着疫苗接種率的提高和大流行的急性期開始減弱，恢複前往附近公園的免費公共交通等計劃可能成為幫助服務不足的社群接觸自然的越來越安全的選擇。認識到自然不平等對公共衛生的影響，有助于将城市自然重新界定為關鍵的基礎設施，為維持和增加對公共綠化方案的供資提供理由。從長遠來看，通過公園建設和綠化幹預措施來糾正不平等現象的行動可能會在大流行之外産生更廣泛的公共衛生價值。
方法
我們結合了關于自然可及性、社會人口學特征和 COVID-19 病例率的空間明确資料。我們在不同的空間尺度上進行了兩次單獨的分析，都僅限于城市地區。首先，我們将 COVID-19 資料與 17 個州的郵政編碼範圍内的自然通路和社會人口統計資料相結合，詢問 COVID-19 病例率最高的社群是否也較少接觸自然。在第二項分析中，我們将自然通路與美國所有486個城市化地區的社會人口統計資料在區塊組規模上聯系起來，以探索美國範圍内的自然不平等模式。
資料
研究範圍
對于 COVID-19 分析，精細病例資料的可用性将研究地點限制在 17 個州，這些州以郵政編碼規模提供可公開通路的全州資料。雖然個别縣也以郵政編碼規模釋出COVID-19病例資料，但報告和釋出這些資料的時間表、系統和格式是可變且不一緻的，協調這些差異超出了本分析的範圍。我們将分析限制在郵政編碼尺度上，因為替代縣尺度足夠大，可以包含綠色和社會人口特征的實質性異質性，這可能會掩蓋這些變量之間的關系。例如，在我們分析中包含的 17 個州中，縣平均包含六個郵政編碼（範圍從 1 到 162）。比較同一縣内的郵政編碼，收入最低和最高郵政編碼之間的收入中位數平均差額為27，404美元。同樣，POC比例的平均差異為20.6%，綠色度的平均差異為0.12。我們将分析限制為包含美國人口普查局定義的城市化地區（>50，000 人）或城市群（>20，000 人）内的質心（即地理中心）的郵政編碼。我們還删除了 66 個年齡中位數值為 0 的郵政編碼，以及收入中位數值為 0 的 382 個郵政編碼。在我們的分析中，其餘資料集包含 17 個州的 2，652 個城市郵政編碼。
對于自然權益分析，我們考慮了美國（不包括波多黎各）所有 486 個城市化地區（不包括城市群）的美國人口普查區塊組，包括 142，325 個區塊組和 5，197 個合并城市。每個州至少由一個城市地區代表。
新冠肺炎 （COVID-19） 資料
我們于 2020 年 10 月 1 日從各州衛生部網站按郵政編碼比例彙編了公開可用的 COVID-19 病例資料，包括截至 2020 年 9 月 1 日至 30 日期間所有州的資料（補充表3）。我們隻考慮了大流行早期階段（3 月至 9 月）報告的 COVID-19 病例，因為紐澤西州等一些州在 9 月之後停止使用新的郵政編碼規模資料更新其網站。我們無法獲得量化不同人口群體之間檢測率變化的本地特定資料。來自某些州的證據（例如，伊利諾伊州;補充表3）表明，少數群體的檢測率遠低于白人，特别是在大流行的早期階段。這些資料可能會加強我們的結果，因為我們發現 POC 占多數的郵政編碼具有更高的患病率和更少的綠色度。
我們使用下面描述的資料将COVID-19病例率與自然通路和社會人口學變量進行了比較。我們使用 2018 年美國社群調查 （ACS） 中每個郵政編碼制表區 （ZCTA） 的總人口，将病例率計算為每個郵政編碼每 100，000 人的累計病例數。ZCTA 旨在将郵政編碼路徑表示為二維區域，雖然在某些地方存在細微差異，但在本分析中包含的城市區域中并不常見42.我們還使用《紐約時報》美國冠狀病毒資料庫中的資料計算了自第一個記錄的病例（僅在縣級範圍内可用）以來每個郵政編碼的總天數43.
自然通路資料
我們使用兩個名額來量化自然通路的不平等：綠化量和與公園的接近程度。我們在美國人口普查區塊組級别計算了這兩個名額，用于自然不平等分析，郵政編碼用于 COVID-19 分析。使用NDVI量化綠色度，NDVI測量綠色植被的反射率，并與植被的數量，健康和葉子特征相關聯，無機關值從-1到1不等。介于 0.2 和 1 之間的值從稀疏到植被茂密不等，接近或低于零的值表示其他類型的土地覆被，例如不可滲透覆寫、水、雲或雪。NDVI不區分不同類型的植被，例如樹木和灌木之間的植被，雖然NDVI通常與樹冠覆寫高度相關，但我們的資料集跨越了許多生态區域，包括幹旱地區，那裡的樹木覆寫通常稀疏，NDVI與樹冠的聯系不太緊密。計算每個區塊組（自然-公平分析）或ZCTA（COVID-19分析）的平均NDVI值。以這種方式計算，NDVI不區分可公開通路的綠色區域和私人财産（如住宅院子）上的綠色區域。是以，郵政編碼和區塊組的 NDVI 值表示人們可以直接通路的綠色、沿街道可見但不一定可通路的綠色以及附近但不可見或可通路的綠色（例如在私人後院）。NDVI資料源自Landsat圖像，并使用Google地球引擎進行處理，過濾2017年1月1日至2018年12月31日期間的圖像，以最接近收集社會經濟和社會人口資料的時間段。為了解釋NDVI的廣泛地理模式，這些模式在區域尺度上因氣候和幹旱而異，我們将全球幹旱指數納入了NDVI不平等模型。這個公開可用的資料集表示降水和植被用水需求之間的比率，其中較高的值表示更潮濕的條件44.
為了衡量公園的鄰近程度，我們生成了一個美國可公開通路的公園資料庫，該資料庫通過結合四個公開的全國性資料集，盡可能全面。這些資料集總共包括整個美國的 337，441 個公園，其中 143，228 個包含在美國的 486 個城市化地區（公共土地公園服務信托基金、美國保護區資料庫、國家保護地役權資料庫和 ESRI 公園;補充表4）。我們沒有排除低于規模門檻值的公園，也沒有根據綠化量或休閑類型等特征過濾公園。城市化地區内的公園面積從0.001到8，720公頃不等，包括小型市政公園，如果其主要功能是提供體育設施，如籃球場，遊樂場或其他類型的娛樂場所，則其性質可能相對較小，通常需要大面積鋪砌區域。
公園鄰近度計算為人口普查區塊質心 1，000 m 内的公園總英畝數。這個距離大約相當于10分鐘的步行路程，這是公園倡導者常用的名額，用于衡量公園的可達性45，46.對于郵政編碼和區塊組，均采用區塊級公園鄰近度的人口權重平均值，以得出每個郵政編碼和區塊組的公園鄰近值。計算這些人口權重估計值是為了減少公園附近地區的影響，而這些地區居住的人很少。
社會人口統計資料
社會經濟和社會人口統計資料來自美國人口普查局 2014-2018 年 ACS 5 年估計47，總結了 2014 年 1 月 1 日至 2018 年 12 月 31 日期間收集的資料。這些資料是針對美國城市化地區内所有具有質心的區塊組（自然不平等分析）以及以郵政編碼比例報告 COVID-19 資料的 17 個州内的 ZCTA 收集的（COVID-19 分析）。變量包括家庭收入中位數（過去12個月的稅前總收入），區塊組或ZCTA中的白人人數，年齡中位數和總人口（用于得出人口密度和POC在區塊組或ZCTA中的比例）。
統計分析
我們在不同的空間尺度上進行了兩次分析。首先，我們使用來自 17 個州的郵政編碼量表資料使用負二項式廣義線性混合效應模型分析了 COVID-19 比率。第二，我們在區塊組尺度上量化了美國所有城市化地區的自然不平等。在此分析中，我們使用SAR模型将NDVI和公園鄰近性與社會人口學因素聯系起來。所有分析均在R v.4.02中進行（參考文獻。48).SAR 是使用軟體包 spdep 執行的（參考。49）和使用包LME4（參考文獻）進行負二項式混合效應模型。50).
新型冠狀病毒肺炎-19
我們使用負二項式廣義線性混合效應模型按郵政編碼分析了COVID-19病例率51.單個完整模型将每個郵政編碼中的 COVID-19 病例率與 NDVI、公園鄰近度、白人比例、收入中位數、人口密度、中位年齡和自第一個記錄病例（縣規模）以來的總天數的固定效應相關聯（圖 2和補充表1）。我們将狀态作為随機效應納入，以解釋來自同一州的資料不獨立性，這可能是由于我們沒有使用可用資料捕獲的過程而發生的，包括公共政策響應時間的差異，例如封鎖或口罩要求51.所有解釋變量均居中并按比例縮放。為了量化NDVI變化的影響，我們通過使用原始和未縮放的NDVI乘以10（所有其他變量縮放）拟合其他模型來計算IRR。IRR 和 95% 置信區間估計 NDVI 變化增加 0.1 如何影響 COVID-19 病例率52.我們使用方差膨脹因子和皮爾遜相關系數來診斷解釋變量之間潛在的多重共線性（補充表1和5）。
模型驗證
負二項式混合效應模型很好地拟合了資料結構，為過分散的計數資料提供了适當的誤差結構。該模型未能很好地解決兩個問題是回歸因子的空間自相關和潛在的内生性。是以，我們建構了兩個額外的模型來驗證負二項式混合效應模型的結果。首先，我們确認了空間自相關（Moran'sI = 0.37，P< 0.0001）的存在，并使用SAR模型來調整空間自相關的存在。我們使用女王準則建構鄰居矩陣，并使用赤池資訊準則（AIC）進行模型選擇，以比較三種潛在的結構，以比較空間自回歸過程被認為發生的位置。這些潛在結構包括：空間誤差模型，其中假設空間依賴性發生在誤差項中;空間滞後模型，其中假設空間依賴性發生在響應變量中;以及混合模型或德賓模型，其中假設空間依賴性同時影響響應和解釋變量（補充表6和7)53.
為了解決COVID-19病例，NDVI和公園之間内生性的可能性，我們使用了使用兩階段最小二乘法實作的工具變量（IV）回歸54.如果忽略的變量（例如社群投資或監管顯著性）與社群内的COVID-19病例（例如通過醫療保健投資）和NDVI或公園準入（例如通過社群投資對綠色基礎設施的投資）有關，則可能發生内生性。在IV模型中，我們使用建立強度55和幹旱指數作為NDVI的工具變量。這兩個變量都與NDVI相關，但不太可能與COVID-19病例或潛在的省略變量（例如監管重要性或社群對健康和綠色基礎設施的投資）相關。使用R包AER進行兩階段最小二乘IV回歸（補充表8)54.這些模型驗證步驟确認了 NDVI、公園通道、郵政編碼中白人比例與 COVID-19 病例之間的基本關系，同時還考慮了與我們資料的空間結構和觀察性質相關的問題。鑒于我們資料的性質和結構，模型系數和效應大小最好使用負二項式混合效應模型來解釋（圖2和補充表1）。
自然不平等
為了評估自然通道與社會人口學變量之間的關系，我們建立了兩個模型，并分别分析了公園鄰近度和NDVI。兩種模型都将收入中位數、白人比例和區塊組的人口密度作為協變量，幹旱指數也包括在NDVI模型中。我們使用SAR模型來解釋空間自相關。在區塊組尺度上，NDVI（Moran's I= 0.64，P< 0.001）和公園鄰近（Moran'sI= 0.62，P<0.001）模型都包含空間自相關的證據。我們使用鄰域矩陣的女王标準和AIC的模型選擇來比較空間誤差模型和空間滞後模型。由于模型收斂的問題，我們沒有納入自然公平的混合模型或德賓模型（補充表6)53.