大学生肥胖检出率的空间分布特征及其影响因素

2021-01-25辛谭思祺于红妍

牡丹江师范学院学报（自然科学版） 2021年1期

辛谭思祺　于红妍

摘要：采用整群抽样法抽取2015-2018年大一新生18 319名，分析大学生肥胖检出率的空间分布特征及影响空间分布的因素.研究发现：大学生肥胖检出率的高值区为河北省、吉林省和黑龙江省;热点区包含7个省份，集中在东北部;冷点区包含4个省份，集中在南部.气温是影响空间分布特征的重要因素，对处于肥胖检出率高值区和热点区的省份进行干预时，应重点考虑气温的影响.

关键词：GIS;大学生;肥胖检出率;空间分布

[中图分类号]G80-05 [文献标志码]A

Spatial Distribution Characteristics and Influencing Factors ofObesity Detection Rate Based on GIS AmongChinese College Students

XIN Tansiqi，YU Hongyan*

（Shanghai Jiao Tong University，Shanghai 200240，China）

Abstract：The cluster sampling method was used to select 18，319 freshmen from 2015 to 2018，and the spatial distribution characteristics of the obesity detection rate of college students and the factors affecting the spatial distribution were analyzed.The study found that： Hebei Province，Jilin Province and Heilongjiang Province have the highest obesity detection rates among college students;the hot spot area includes 7 provinces，concentrated in the northeast;the cold spot area includes 4 provinces，concentrated in the south.Temperature is an important factor that affects this spatial distribution.When intervening in provinces with high obesity detection rates and hot spots，the impact of temperature should be considered.

Key words：GIS;college students;obesity detection rate;spatial distribution

肥胖是一种常见的、明显的、复杂的代谢失调症[1]，是危害人类健康的主要因素之一.高校大学生作为国家建设的主力军，正处于特殊的身体发育阶段，他们的身体健康状况不仅影响自身的学习和生活质量[2]，更关乎国家未来的发展，因此应当较为全面地认识大学生的体质现状.本研究借助地理信息系统（Geographic Information System，GIS）技术对大学生肥胖检出率的空间分布进行研究，以期为大学生开展肥胖干预提供实证参考.

1 研究方法

1.1 数据来源

空间数据来源以我国省域1∶40 000 000电子地图（shp格式）作为底图进行空间分布分析.

体测数据来源采用整群抽样方法，抽取上海市大学生体质健康监测数据库中大学一年级学生身高、体重等数据.抽样时段为2015-2018年，删除异常及无效数据后，样本量为18 319人，覆盖我国大陆31个省市（自治区）.由于缺少香港、台湾和澳门的相关数据，所以不在本研究范围内.大学一年级学生体质测试在刚入学时进行，还未受到学校所在地环境的影响，能够代表其生源地的情况，由此来确定学生肥胖检出率的空间分布状况.

属性数据来源通过国家统计局官网[3]查询获得全国各省、市、自治区的相关经济、社会、自然环境数据.

肥胖判断标准采用BMI作为肥胖的判断标准.根据2014年修订的国家学生体质健康标准[4]对BMI指数进行分类.依据学生BMI指数数值，将其划分为4类：低体重、正常体重、超重及肥胖（表1）.每一省份的肥胖检出率=该省的肥胖人数/该省的总样本量.

1.2 空间统计分析方法

Jenks自然最佳断裂聚类法基于数据内部的内在联系自然分组，使得组间差距最大化组内相似值最优化，分组点选在数据变量值出现相对最大变化处.

冷热点分析（Getis-Ord G*i）当空间数据存在全局空间關联特征时，采用Getis-Ord G*i指数检查局部地区是否存在统计显著的高值集聚（热点区）或低值集聚（冷点区）的空间分布模式.Getis-Ord G*i指数的计算公式为：

G*i（d）=∑nj=1Wij（d）Xj∑nj=1Xj.（1）

为了便于解释和比较，对G*i（d）进行标准化处理：

Z（G*i）=G*i-E（G*i）Var（G*i）.（1′）

式（1′）中，E（G*i）和Var（G*i）分别是G*i的数学期望和变异数，Wij（d）是空间权重.如果Z（G*i）为正且显著，表明位置i周围的值相对较高（高于均值），属高值空间集聚（又称热点区）;反之，如果Z（G*i）为负且显著，则表明位置i周围的值相对较低（低于均值），属低值空间集聚（又称冷点区）.

回归分析普通最小二乘法（Ordinary Least Square，OLS）是线性回归模型最基本最重要的参数估计方法之一，通过构造残差平方和函数，以模型参数估计量为变量，以函数值达到最小来确定参数估计值的取值.OLS回归模型为：

yi=β0+∑mk=1βkxik+εi.（2）

式（2）中，yi为因变量值， xik（k=1，2，…，m）为解释变量值，βk（k=1，2，…，m）为回归分析系数.

地理加权回归模型将地理学的第一定律与局部空间统计方法结合起来，分别解析分析点，以获得与空间位置一一对应的空间回归系数，并使用随空间位置变化而变化的参数估计来量化空间关系的异质性，是一种揭示观察到的属性值在空间上的的非平稳性和空间依赖性的有效方法.基础地理加权回归模型为：

yi=β0（ui，vi）+∑mk=1βk（ui，vi）xik+εi.（3）

式（3）中，yi为在位置i处的因变量值， xik（k=1，2，…，m）为位置i处的解释变量值，（ui，vi）为回归分析点i的坐标，β0（ui，vi）为截距项，βk（k=1，2，…，m）为回归分析系数.

指定GWR模型，对GWR结果进行检查，确保回归残差在空间中的随机分布，如果高残差或低残差在空间上显著聚集分布且具有统计学意义，则意味着指定了错误的GWR模型，需要更改解释变量，再次指定GWR模型.

数理统计法分性别组的均值±2倍标准差作为正常值的参考范围.对身高、体重进行统计处理，将超出参考范围的观测予以剔除.采用描述性统计法统计2015-2018年31个省（自治区、直辖市）的学生肥胖检出率.计算Getis-Ord G*i指数，在95%置信度水平下进行Z检验，判断肥胖检出率在空间上是否呈现聚集以及聚集的方式.通过普通最小二乘法获得正确的OLS模型，得出回归显著的解释变量，再将其与肥胖检出率进行地理加权回归分析，并对回归模型进行检查，找出影响肥胖检出率空间分布的因素.分析通过SPSS 24.0软件和ArcGIS 10.4软件完成.

2 结果与分析

2.1 大学生肥胖检出率的空间分布

计算我国31个省（自治区、直辖市）大学生肥胖检出率，借助ArcGIS 10.4软件，采用Jenks自然最佳断裂点法对数据进行分组（表2）.2015-2018年大学生肥胖检出率集中在2.72%～7.85%.学生肥胖检出率高值地区为东北部的河北省、吉林省、黑龙江省，均超过6.30%;肥胖检出率较高的地区在我国环渤海地区和西部地区，包括辽宁省、北京市、山东省和新疆回族自治区;肥胖检出率低值地区主要分布在我国南部，包括四川省、云南省、广西壮族自治区、福建省、海南省，均低于2.95%.

2.2 大学生肥胖检出率的局域空间分布特征

计算数据局域空间关联指数Getis-ord G*i，利用ArcGIS软件将其空间化，用Jenks自然断点分级法对局域G*i统计量从高到低分成4类，依次为热点区域、次热区域、次冷区域和冷点区域.

2015-2018年，大学生肥胖检出率热点区域聚集在东北地区的黑龙江省、吉林省和辽宁省，华北地区的河北省、北京市、天津市以及内蒙古自治区，共有七个热点地区.冷点区域聚集在西南地区的重庆市，中南地区的湖南省、广西壮族自治区和广东省.

肥胖与所在地域的自然环境、社会经济、饮食习惯等有较强的关联.李纪江[5]研究得出气温、海拔高度、地球纬度等自然地理环境因素对北方地区人群身体形态的影响程度要大于南方地区，这可能是导致学生肥胖检出率高的地区在北方聚集，而肥胖检出率低的地区在南方聚集的原因之一.季成叶[6]等研究表明，对第一因子（反映总的体格水平）具有重要影响的因素，地理自然环境指标（如日照、气温、维度等）明显优势，但社会经济指标（如生活消費开支等）的作用也不容忽视.肖宪平[7]通过斯皮尔曼（Spearman）相关分析和多元逐步回归分析研究发现，自然环境因素中的纬度、年平均气温、年降水量、年日照时数对少数民族18岁男女学生的身高、体重具有高度显著性;社会环境因素中的人均存款余额与18岁男生的体重、胸围、身体质量指数（BMI）具有显著性差异.戴月[8]通过多因素Logistic回归研究得出男性、高龄、低文化程度、高收入、居住在城市、苏北地区为成人超重肥胖的危险因素.各个因素间相互影响，可能是造成我国学生肥胖情况在空间上聚集分布的原因.

2.3 影响因素

选取2014-2017年各地区的地区生产总值、人均地区生产总值、居民消费水平、城市人口密度、人均公园绿地面积、年平均气温、年降水量、年日照时数和年平均相对湿度作为解释变量，以大学生肥胖检出率作为因变量进行回归分析.OLS回归结果仅得到“年平均气温”这一因素与肥胖检出率呈显著相关关系（R2=0.320，调整后R2=0.296，F=13.642，P<0.001）.

将OLS回归筛选出的解释变量“年平均气温”与大学生肥胖检出率进行地理加权回归分析，发现在考虑地理位置后的GWR回归模型的解释力更强（R2=0.626，调整后R2=0.518）.对GWR回归结果的残差及条件数进行检查，确定GWR回归模型正确.GWR回归系数在-0.026～-0.216，均为负，说明气温与肥胖检出率呈显著负相关关系.

热点区省份的年平均气温平均为-4.5 ℃，冷点区为13.0 ℃，相差17.5 ℃. 温度每下降10 ℃，身体活动参与率就会减少1%～2%.每天的身体活动水平随着环境温度的降低而降低.因此，应重视低气温对学生身体锻炼的影响.

3 结论

2015-2018年，大学生肥胖检出率热点聚集在东北部，冷点区聚集在南部.气温是影响这种空间分布特征的重要影响因素.建议相关部门在对肥胖检出率高值区和热点区的学生进行肥胖干预时，重点考虑低气温的影响.

参考文献

[1]孙长新.单纯性肥胖运动处方研究综述[J].牡丹江师范学院学报：自然科学版，2012（1）：21-23.

[2]王忠波.浅析肥胖大学生运动处方的制定[J].牡丹江师范学院学报：自然科学版，2009（1）：58-59.

[3]2014年《国家学生体质健康标准》单项指标评分表[EB/OL].http：//www.csh.edu.cn/wtzx/zl/20141226/2c909e854a8490a4014a8498e6730009.html.

[4]中华人民共和国统计局.中国统计年鉴[M].北京：中国统计出版社.

[5]李纪江，蔡睿，何仲涛.我国成年人体质综合水平与自然环境因素的关联分析[J].体育科学，2010，30（12）：42-47.

[6]季成叶，袁捷，温大英.中国农村青少年生长发育地区差异的环境影响因素浅析[J].体育科学，1992（1）：38-42+46+95.

[7]肖宪平，唐少敏，张天成.我国18岁少数民族学生体格与自然环境因素及社会经济环境因素的相关性研究[J].安徽体育科技，2010，31（3）：47-51.

[8]戴月，袁宝君，甄世祺.江苏省成人超重肥胖现状及其影响因素分析[J].江苏预防医学，2013，24（4）：20-21.