2. 中国疾病预防控制中心环境与健康相关产品安全所
由于全球气候变化的影响,高温热浪等极端天气频繁发生,近50年来我国夏季高温热浪的频次、持续时间和强度总体呈增多、增强趋势[1-2]。江苏省位于亚热带季风气候区,是中国遭受高温热浪袭击的重灾区[3-4],基于脆弱性人群抵御热浪天气的健康风险评估的重要性日益凸显[5],了解脆弱人群对高温热浪天气的风险感知则是健康风险评估的重要环节。
热浪风险感知可以有效解释公众的安全心理与潜在采取的防护行为[6],此前研究人群对高温热浪的风险认知,大多选择城市人群为样本,甚少有专门针对农村人群乃至农村脆弱人群的相关研究,同时缺乏对热浪灾害下农村脆弱人群个体特征及范围的界定。
研究农村人群个人差异、热浪风险感知和采取的防护行为的程度之间相关性在当前的社会形势下具有重要的理论意义[7],有助于界定热浪灾害下农村脆弱人群范围、寻找降低高温热浪对人群产生的健康风险的具体措施[1, 8]。本文以江苏省九市分层抽样选取的农村居民为例,进行热浪风险感知调查,识别热浪灾害下的农村脆弱人群。
1 研究方法 1.1 调查对象选取及调查内容2018年7月中下旬在江苏省盐城市、徐州市、无锡市、泰州市、苏州市、南通市、连云港市、淮安市、常州市的农村进行实地调研,采取分层抽样的方式,按照当地年龄结构比进行分层,一户只发放一份问卷,受访对象男女比保持为1 :1,受访者年龄需大于16周岁,具备法定工作能力。所有调查对象均知情同意。
总计发放问卷433份,问卷涉及人口统计变量(性别、年龄、受教育程度、有无热浪经历、地区等),还涉及农村人群收入水平、对热浪的风险感知、人群自身的健康状况衡量指标(BMI、是否有高血压等)、农村人群应对高温热浪的防护行为调查,其中高温热浪风险感知调查包含热浪问题关心度、热浪严重度评估、原因了解度、生活干扰度、抵御信心度,这5个变量按照“李克特量表 5分法”设计。
1.2 分析策略首先统计分析江苏省农村人群的热浪风险感知情况;其次研究热浪风险感知情况与居民采取的防护性行为之间的相关性,并在此基础上进一步探讨风险感知和采取防护行为的个体差异,具体分析个体差异诸如性别、年龄、经济水平、教育等因素对其感知认识与采取的防护行为的影响,最后研究农村人群个体差异对其采取的防护行为的影响, 归纳制约人群应对热浪灾害的因素,作为判断受到热浪影响最大的脆弱人群范围的依据。
1.3 统计分析方法调查数据采用SPSS 22.0中文版软件进行分析处理,首先对数据进行Kolmogor-Smirnov正态化检验及处理,连续变量(5个感知变量、家庭年收入等)采用Pearson双变量相关性分析,分类变量(性别、地区差异、热浪经历等)采用One-way ANOVA分析,并进行多元逐步线性回归分析。双侧检验水准为0.05,以P<0.05判定差异有统计学意义。
2 结果分析 2.1 调查对象的基本情况本次调查采用分层随机抽样的方法。根据最小样本量计算公式:n=P(1-P)/(e2/Z2+ P(1-P)/N),P为概率值0.5,e为误差值5%,Z为置信度90%时值1.64,N为调研区域总样本量5 941.75万,计算后要求本研究至少样本量n为269,本次调查共发放问卷433份,回收有效问卷323份,有效问卷回收率74.6%,满足最低样本量需求。其中45.5%的受访者为男性,54.5%为女性;根据联合国世界卫生组织提出新的年龄分段,(18~44)岁为青年人,(45~59)岁为中年人,60岁及以上为老年人,本次调查48.9%的受访者年龄大于60岁,显示农村居民以老年人为主,且高血压患者较多,农村居民中脆弱群体为主;32.6%的受访者家庭年收入在1万元~5万元,村民收入普遍不高;31.0%的受访者为初中学历,农村居民大学及以上高学历者较少(表 1)。
指标 | 分类 | 频数 | 比例/% |
性别 | 男 | 147 | 45.5 |
女 | 176 | 54.5 | |
年龄/岁 | 18~44 | 57 | 17.6 |
45~59 | 108 | 33.4 | |
≥60 | 158 | 48.9 | |
BMI | 正常 | 191 | 59.1 |
异常 | 132 | 40.9 | |
血压 | 正常 | 135 | 41.8 |
异常 | 188 | 58.2 | |
健康状况统计 | 高血压 | 71 | 22.0 |
糖尿病 | 12 | 3.7 | |
心脑血管疾病 | 5 | 1.5 | |
慢性支气管炎 | 7 | 2.2 | |
收入/万元 | 0~ | 30 | 13.6 |
1~ | 72 | 32.6 | |
5~ | 49 | 22.2 | |
10~ | 22 | 10.0 | |
20~ | 9 | 4.1 | |
30~ | 38 | 17.2 | |
受教育程度 | 无学历 | 29 | 9.0 |
小学 | 77 | 23.8 | |
初中 | 100 | 31.0 | |
高中/中专 | 69 | 21.4 | |
本科/专科 | 45 | 13.9 | |
研究生及以上 | 3 | 0.9 |
2.2 农村人群风险感知维度及其测量
对有关风险感知的7个问题进行计算和归纳(表 2),风险感知变量包含:对热浪问题的关心度、热浪严重度评估、热浪产生原因了解度、抵御信心度、热浪干扰生活程度,各变量均取值1~5,1代表完全不了解、完全没有信心、完全未感受到热浪灾害,3代表一般感受,5代表完全了解热浪成因、完全有信心、严重感受到热浪灾害。统计农村人群关于热浪风险感知变量的均值:问题关心度4.06、热浪严重度3.75、原因了解度2.56、抵御信心度3.45、干扰生活度3.71。结果显示,农村人群对热浪灾害的关心度远高于对热浪原因了解度,并认为目前农村高温热浪带来的灾害较为严重,对生活造成了一定干扰。
问题 | 归纳变量 | 得分 (均值) |
全球变暖的主要原因是人类活动,我很了解 | 原因了解度 | 2.56 |
全球变暖是自然波动,与人类无关,我不清楚 | ||
气候变化会带来一些有利的结果 | 干扰生活度 | 3.71 |
气候变化会严重干扰我的生活 | ||
您关心高温热浪及其影响吗 | 问题关心度 | 4.06 |
您认为所在地区高温热浪严重吗 | 热浪严重度 | 3.75 |
您有信心人类能够应对高温热浪带来的挑战吗 | 抵御信心度 | 3.45 |
为进一步分析区域人群对热浪风险感知的状况差异,对各市数据进行统计(表 3),并在此基础上,将各市依据地域范围归纳为苏北(徐州市、连云港市、盐城市、淮安市)、苏中(泰州市、南通市)、苏南(常州市、无锡市、苏州市)3个地区。
地区 | 城市 | 问题 关心度 |
热浪 严重度 |
原因 了解度 |
抵御 信心度 |
干扰 生活度 |
苏北 | 淮安市 | 3.85 | 3.54 | 2.73 | 3.54 | 3.41 |
连云港市 | 4.00 | 3.58 | 2.58 | 3.32 | 3.60 | |
徐州市 | 4.04 | 4.35 | 2.22 | 3.47 | 4.22 | |
盐城市 | 4.41 | 3.47 | 2.94 | 3.76 | 3.47 | |
苏中 | 南通市 | 3.82 | 3.51 | 1.96 | 3.29 | 3.45 |
泰州市 | 4.05 | 3.68 | 3.14 | 3.73 | 4.03 | |
苏南 | 常州市 | 4.22 | 3.78 | 2.73 | 3.40 | 3.82 |
苏州市 | 4.46 | 4.04 | 3.14 | 3.43 | 3.83 | |
无锡市 | 3.95 | 3.47 | 2.53 | 3.40 | 3.36 |
根据调查对象基本情况统计和各地风险感知量表得分均值判断,苏南地区农村人群家庭年收入及平均受教育水平最高,对热浪问题的关心度、严重度评估以及对热浪产生原因的了解度明显高于苏北、苏中地区,抵御风险的信心度却又最低。苏中地区农村人群对热浪问题的关心度、热浪严重度评估与原因了解度均是最低的,而认为热浪对他们的生活干扰度是最高的,对热浪的风险感知存在地区差异。
2.3 农村人群热浪风险感知情况对采取防护行为的影响进一步对江苏省农村人群的热浪风险感知情况与其本身采取的应对高温热浪的防护行为做Pearson相关性分析,结果表明二者具有极显著的相关性。
人群对热浪问题的关心度与其抵御高温热浪天气的适应性行为采取度有相关性(r=0.286, P < 0.01;表 4), 而对热浪严重程度评估越高,越可能采取空调等制冷设备,消耗更多电量(r=0.145, P < 0.01),制冷设备使用时间越长(r=0.188, P < 0.01),采取穿浅色衣服减少出汗、多喝水、关注天气预报等适应性行为增多(r=0.194, P < 0.01),这与调查显示认为生活受到热浪天气严重干扰的受访人群,使用制冷设备的日均时间更长(r=0.165, P < 0.01), 更倾向于采取适应性行为保护自身及家庭成员的身体健康(r=0.251, P < 0.01)的结果是一致的。对热浪风险感知较差的人群面对热浪显得更为脆弱。
因变量 | 年均电费开支 | 制冷设备用电量 | 适应性行为采取度 | 设备使用时间/d |
问题关心度 | 0.052 | 0.056 | 0.286** | 0.065 |
热浪严重度 | -0.112 | 0.145* | 0.194** | 0.188** |
原因了解度 | 0.165** | 0.072 | 0.246** | 0.043 |
抵御信心度 | 0.028 | 0.018 | 0.122* | 0.012 |
干扰生活度 | -0.007 | 0.153** | 0.251** | 0.165** |
注:“*”P < 0.05,“** ”P < 0.01 |
2.4 风险感知和采取的防护行为的个人差异
以上分析研究了农村人群的对热浪的风险感知状况,以及受到感知影响下,人群采取保护自身健康的防护行为的倾向性。但风险感知程度与防护行为采取度均在一定程度上受到居民本身的个体差异的影响,为深入了解个体差异对其风险感知和防护行为采取度的影响,进一步对各项个体差异指标与风险感知、采取的防护行为度分别做单因素方差分析与卡方检验,探求影响因素作为判断热浪灾害下农村脆弱人群的标准。
2.4.1 个人情况对风险感知认识的影响通过单因素方差分析,探究江苏省农村人群个人情况差异对热浪风险感知的影响。由表 5可见,性别干扰农村人群对热浪问题的关心度(F=7.702, P < 0.01),女性比男性更关心热浪对身体健康带来的不利影响,而有过热浪经历的人群对热浪带来的影响更为敏感,认为热浪对其生活产生的干扰更大;农村人群受教育程度与其对热浪天气产生原因了解程度具有显著相关性,教育程度越高,对热浪产生的原因相对而言了解越多,而前文统计分析表明,农村居民的受教育水平普遍较低,因此其对热浪的了解相对而言较为匮乏;同时,不同地区的农村人群对热浪严重度的评估也有显著性差异(F=3.095, P < 0.05),苏南地区对热浪评估的严重程度最高,据分析可能是苏南地区的经济发展好、农民收入更高,并且受访的苏南地区农村居民的平均教育水平也比苏北更高,这些因素可能导致了苏南地区农民更为关注高温热浪天气,也更了解高温热浪产生的原因及其不利影响。这与前文统计的苏北、苏中、苏南地区农村脆弱人群对热浪风险感知的差异所得的结论是一致的。
因变量 | 性别 | 教育 | 热浪经历 | 地区 |
问题关心度 | 0.006** | 0.393 | 0.577 | 0.209 |
原因了解度 | 0.979 | 0.001** | 0.073 | 0.258 |
生活干扰度 | 0.037 | 0.944 | 0.006** | 0.676 |
抵御信心度 | 0.787 | 0.512 | 0.141 | 0.038* |
热浪严重度 | 0.066 | 0.142 | 0.075 | 0.059 |
注:“*”P < 0.05,“**”P < 0.01 |
2.4.2 个人情况对采取的防护行为的影响
进一步研究表明,个人情况对农村人群可能采取的防护行为同样存在显著干扰。单因素方差分析结果显示,不同年龄段的人群其家庭年均电费支付存在极显著性差异(F=4.284, P < 0.01),老年人的家庭年均电费支付更少,采取的防护行为程度低,因此也更容易受到高温热浪天气带来的伤害;女性与高收入、教育程度高的人更愿意采取一定的防护性行为抵御热浪天气,卡方检验结果显示制冷方式与地区(χ2=7.286, P < 0.01)和家庭年收入(χ2=16.366, P < 0.01)均有极显著的相关性,这与分析表明性别对家庭年均电费的支出也具有一定影响(r=0.135, P < 0.05),不同的家庭年收入对选择的主要制冷方式与采取的防护行为程度有极显著相关性的结论是一致的,家庭年收入越高的家庭,越倾向于第一选择空调作为制冷设备,并且日均使用时间更长,同时采取更多的防护行为抵御高温热浪带来的不利影响,而女性受访者对此的支付意愿往往更为强烈,可见低收入的老年男性应对热浪更为脆弱。
2.5 综合因素对农村脆弱人群采取适应性行为的影响的回归分析为进一步探究影响农村人群应对高温热浪天气的适应性行为的干扰因素,为确定面对热浪灾害的农村脆弱人群的范围,通过建立多元线性回归模型分析人群个体情况、自身健康状况、热浪风险等感知综合因素对其可能采取的适应性行为的影响。
通过对模型的优化,筛选出问题关心度、热浪严重度、原因了解度、家庭年均收入以及自身健康状况指标血压健康为自变量,因变量为适应性行为采取度,建立模型y适应性行为采取度=1.094 x问题关心度+0.75 x热浪严重度+0.752 x原因了解度+0.497 x家庭年均收入-1.511 x血压健康+29.377,该模型P < 0.01,R2=0.179。遗憾的是个体特征性别、年龄最终未能进入该模型,据分析可能是被三个风险感知纬度的变量所覆盖,个人收入则被涵盖进家庭年均收入。
该模型具有良好的显著性(表 6),除却农村人群自身的热浪风险感知影响着可能采取的适应性行为以外,家庭收入对可能采取的适应性行为的回归系数为0.497(P < 0.05),受访者自身血压健康状况对可能采取的适应性行为回归系数为-1.511(P < 0.05),高血压患者等身体健康存在一定问题的人群倾向于采取更多的适应性行为应对热浪天气带来的不利影响,身体健康存在一定问题的人群应对热浪天气的危害更为脆弱。
自变量 | 回归系数 | 标准误差 | 标准回归系数β | t | P |
常数 | 29.377 | 1.492 | - | 19.693 | <0.001** |
问题关心度 | 1.094 | 0.299 | 0.208 | 3.658 | <0.001** |
热浪严重度 | 0.750 | 0.280 | 0.150 | 2.682 | 0.008** |
原因了解度 | 0.752 | 0.219 | 0.189 | 3.438 | 0.001** |
家庭年收入 | 0.497 | 0.225 | 0.120 | 2.207 | 0.028* |
是否患有高血压 | -1.511 | 0.597 | -0.136 | -2.532 | 0.012* |
注:“-”表示空值;“*” P < 0.05,“ **” P < 0.01 |
3 讨论
结果显示,江苏省农村人群对高温热浪天气带来的影响较为关心,并倾向于认为这种影响不利于他们的生活和生产,这与李如春等[9]的调查结果是一致的。单因素方差分析与回归模型显示,村民自身的受教育程度(F=4.260, P < 0.01)、家庭年收入(β=0.120, P<0.05)以及性别(F=7.702, P < 0.01)等个体差异、是否患有高血压(β=-0.136, P<0.05)干扰其对热浪的风险感知。与赵金辉等[10]研究一致。身体健康存在一定问题、老年人、教育程度低、收入低的人群对热浪风险感知尤其不敏锐,从而进一步影响了他们可能采取的应对高温热浪天气的防护行为[11-12],加剧了此类人群面对灾害的脆弱性。甄国新等[13]、Huang等[14]的研究表明热浪风险感知较高的人更会采取防护行为,因此有必要提高农村脆弱人群的风险感知。而高收入群体更有能力采取应对高温热浪天气带来的各种不利影响的防护行为,例如延长空调制冷时间、进行医疗检查[12-13]等,这反而有可能降低这一部分人群对高温热浪风险感知的敏锐性,以至于出现收入较低的群体,对于高温热浪的风险感知度更高[6]。
与城市地区相比,我国农村地区的经济发展较为滞后,农民的家庭年收入相对较低,因此往往缺乏采取防护行为或者缺乏支付足够的电费维持空调等制冷设备的能力[15]。而农村地区又主要以低收入或者无收入且自身健康存在一定问题的老年人为主,这类人群缺乏对热浪的风险感知并且采取防护行为的能力不足,老年人往往缺乏支付电费的能力与意愿(r=0.125, P<0.05),面对高温热浪更具有脆弱性[15]。这部分人群面对高温热浪带来的各种危害所采取的措施也很少[16],因此高温热浪灾害对农村地区的危害性更大[17]。
以上研究表明,低收入、低学历或者自身身体状况存在一定问题的60岁以上的农村老年人群,面对热浪灾害更具有脆弱性,同时根据世界卫生组织对发展中国家老年人的定义为60岁,因此可以确定热浪灾害下农村脆弱人群是指居住在农村地区年龄大于60岁的老人和低收入、低学历或者患有慢性疾病60岁及以下的人群。
当前,为妥善解决高温热浪天气对我国农村地区的危害,当务之急是完善农村医疗卫生保障体系、提高农村居民收入与完善宣传管理工作,加强农村居民对高温热浪灾害的认识,强化农村居民热浪风险感知的意识,从而督促农村居民采取一些无费、低费的适合自身条件的防护行为,以此降低高温热浪对农村地区的风险,提高农村脆弱人群应对能力。
[1] |
李湉湉, 杜艳君, 莫杨, 等. 基于脆弱性的高温热浪人群健康风险评估研究进展[J]. 环境与健康杂志, 2014, 31(6): 547-550. (In English: Li TT, Du YJ, Mo Y, et al. Human health risk assessment of heat wave based on vulnerability:a review of recent studies[J]. J Environ Health, 2014, 31(6): 547-550.) |
[2] |
叶殿秀, 尹继福, 陈正洪, 等. 1961-2010年我国夏季高温热浪的时空变化特征[J]. 气候变化研究进展, 2013, 9(1): 15-20. (In English: Ye DX, Yin JF, Chen ZH, et al. Spatiotemporal change characteristics of summer Heatwaves in China in 1961-2010[J]. Progr Inquisit Mutat Climatis, 2013, 9(1): 15-20.) |
[3] |
陈倩, 丁明军, 杨续超, 等. 长江三角洲地区高温热浪人群健康风险评价[J]. 地球信息科学学报, 2017, 19(11): 1475-1484. (In English: Chen Q, Ding MJ, Yang XC, et al. Spatially explicit assessment of heat health risks using multi-source data:a case study of the Yangtze river delta region, China[J]. J Geo-Inf Sci, 2017, 19(11): 1475-1484.) |
[4] |
李琪, 苏欢, 史雨涵, 等. 1961-2010年江浙沪地区夏季高温热浪时空变化特征[J]. 长江流域资源与环境, 2016, 25(3): 506-513. (In English: Li Q, Su H, Shi YH, et al. Temporal-spatial change characteristics of summer Heatwaves in Jiangsu-Zhejiang-Shanghai region during 1961-2010[J]. Resour Environ Yangtze Basin, 2016, 25(3): 506-513.) |
[5] |
包伟亮.公众对热浪和寒潮极端天气事件的风险感知研究[D].南京: 南京大学, 2015.
|
[6] |
李旭东, 陈平, 王长科, 等. 海南居民对高温天气健康风险的感知[J]. 中国健康教育, 2013, 29(6): 513-516. (In English: Li XD, Chen P, Wang CK, et al. A quantitative survey on perceptions of hot temperature health risks among residents in Hainan Province[J]. Chin J Health Educ, 2013, 29(6): 513-516.) |
[7] |
刘建军, 郑有飞, 吴荣军. 热浪灾害对人体健康的影响及其方法研究[J]. 自然灾害学报, 2008, 17(1): 151-156. (In English: Liu JJ, Zheng YF, Wu RJ. Impacts of heat waves disaster on human health and its research method[J]. J Nat Disasters, 2008, 17(1): 151-156.) |
[8] |
何志辉, 刘涛, 许燕君, 等. 广东省居民应对热浪的适应行为及其相关因素研究[J]. 华南预防医学, 2013, 39(1): 12-17. (In English: He ZH, Liu T, Xu YJ, et al. Investigation on adaptation behaviors to heat wave and its relative factors in residents of Guangdong Province[J]. South China J Prev Med, 2013, 39(1): 12-17.) |
[9] |
李如春, 陈绍军. 气候变化对宁夏生态脆弱地区农牧民生计的影响及适应策略[J]. 西北人口, 2013(6): 49-55. (In English: Li RC, Chen SJ. Impacts of climate change on farmers' and herdsmen's livelihoods in ecologically vulnerable areas of Ningxia, and adaptation strategy[J]. Northwest Population J, 2013(6): 49-55.) |
[10] |
赵金辉, 张永, 班婕, 等. 北京市顺义区居民热浪风险感知因素的多水平模型分析[J]. 环境与健康杂志, 2016, 33(6): 505-511. (In English: Zhao JH, Zhang Y, Ban J, et al. Analysis on influencing factors of risk perception of heat waves by multilevel model in Shunyi district, Beijing[J]. J Environ Health, 2016, 33(6): 505-511.) |
[11] |
王怡, 刘冠秋, 齐熙, 等. 高温热浪支付意愿人群分异及其影响因素——以福州市为例[J]. 气候变化研究进展, 2017, 13(2): 172-180. (In English: Wang Y, Liu GQ, Qi X, et al. A Study on the willingness to pay for Heatwaves between different groups and its influence factors:a case of Fuzhou[J]. Climate Change Res, 2017, 13(2): 172-180.) |
[12] |
刘自敏, 张昕竹, 方燕. 非线性定价、家庭人口特征和收入再分配效应调整[J]. 统计研究, 2015, 32(7): 37-44. (In English: Liu ZM, Zhang XZ, Fang Y. Nonlinear pricing, household demographics and income redistribution adjustment[J]. Statist Res, 2015, 32(7): 37-44.) |
[13] |
甄国新, 赵金辉, 张永, 等. 北京市顺义区居民热浪感知度及影响因素分析[J]. 卫生研究, 2015, 44(4): 684-688. |
[14] |
Huang L, Yang QQ, Li J, et al. Risk perception of heat waves and its spatial variation in Nanjing, China[J]. Int J Biometeorol, 2018, 62(5): 783-794. |
[15] |
张彩庆, 曹萌萌. 家庭收入、日常消费支出与用电量的关联关系[J]. 能源技术经济, 2012, 24(7): 44-48. (In English: Zhang CQ, Cao MM. Correlation of household income, daily consumption expenditure and power consumption[J]. Electr Power Technol Econom, 2012, 24(7): 44-48.) |
[16] |
Akompab DA, Bi P, Williams S, et al. Heat waves and climate change:applying the health belief model to identify predictors of risk perception and adaptive Behaviours in Adelaide, Australia[J]. Int J Environ Res Public Health, 2013, 10(6): 2164-2184. |
[17] |
曾韦霖.广东四地区热浪对死亡的影响及热浪特点的效应修饰作用[D].广州: 暨南大学, 2013. (In English: Zeng WL. The Impact of Heat Waves on Mortality and the Effect Modification by Heat Waves Characteristics in four Areas in Guangdong Province, China[D]. Guangzhou: Jinan University, 2013.)
|