睡眠作为一种生理现象，其与水、食物、空气同等重要。良好的睡眠能保障机体免疫系统的自我修复和完善，排毒、造血等一系列生理功能的正常运转。长期睡眠不足会导致神经-内分泌紊乱，使人产生抑郁、焦虑、紧张等情绪，也会导致心血管疾病[1-2]；不仅损害患者的身心健康，也会损害其社会功能。随着社会经济的不断发展，人类生存的社会环境不断发生变化，如雾霾、光污染、噪声污染等，加上社会竞争日益激烈，越来越多的人面临睡眠障碍的困扰。据2015年WHO调查结果显示，全世界范围内约有1/3的人存在失眠症状或睡眠功能障碍。我国目前有30.0%以上的人存在失眠症状，超过3亿人口存在睡眠障碍[3]；且有研究表明，70.5%的受访青年被失眠问题困扰[4]。睡眠障碍已成为威胁人们健康的巨大隐患，其既是医学问题，也是社会问题。

目前国内对睡眠障碍影响因素的研究绝大多数均从患者个体层面进行的分析[5-7]。本研究以横断面研究为指导思想，通过网络数据采集技术获取2017年互联网医疗平台睡眠障碍人群数据，结合2017年经济环境等多个指标数据进行主成分回归分析，从宏观层面探究各地区睡眠障碍人群数量与经济环境等指标的相关性。

1 资料与方法

1.1一般资料 采集互联网平台中具有代表性的在线医疗服务与咨询平台2017年31 869例睡眠障碍用户人群数据，并从中随机选取12 446例，统计汇总各地区的人群数量作为因变量。从中华人民共和国2017年统计年鉴资料中选取(计算)人均GDP、第一产业值、第二产业值、第三产业值、工业增加值、金融业增加值、居民消费水平、城镇失业人数、城市每万公顷公园个数、城市建成区绿化覆盖率、城市照明路灯数量、氮氧化物排放量、二氧化硫排放量13个指标作为自变量(在SPSS软件中分别命名为C、D、E、F、G、H、I、J、K、L、M、N、O)。理论上讲，各地区睡眠障碍人群数量与地区常住人口数量呈正相关，为排除人口数量因素，本研究取各地区睡眠障碍人群数量与地区常住人口数量的比值(可视为发病率)为回归分析的因变量(以Y表示)，山西的睡眠障碍人数为266人，内蒙古为236人，山西的常住人口为3 700万人，内蒙古的常住人口为2 530人，很明显人口数量越多，睡眠障碍人数也越多。而取比值后每千万人中山西的睡眠障碍人数为72人，内蒙古为93人，这样则可排除人口数量因素。见表1。各地区经济环境相关数据指标见表2。

表1各地区睡眠障碍人群数量、常住人口及其比值地区睡眠障碍人数(n)常住人口(千万)比值(Y)(每千万人中失眠人数)北京6342.天津2641.河北山西内蒙古辽宁吉林黑龙江上江苏1 浙江6705.安徽福建江西山东.0182河南湖北湖南广东1 .广西海南620.9367重庆四川贵州

续表1各地区睡眠障碍人群数量、常住人口及其比值地区睡眠障碍人数(n)常住人口(千万)比值(Y)(每千万人中失眠人数)云南西藏20.346陕西甘肃青宁夏700.新疆

1.2方法 据艾瑞咨询发布的《2016年中国在线医疗行业数据监测报告》[8]显示：“寻医问药网”“有问必答网”和“39健康网”处于在线医疗行业的领先地位，月度覆盖人数均维持在4 000万人以上。“好大夫在线”“丁香园”“家庭医生”和“挂号网”积累了较大规模的用户资源和医生资源，拥有较广的用户覆盖范围。以上平台具有行业代表性，符合统计学中重点调查原则。由于传统问卷调查受地域限制，无法获取各地区的睡眠障碍人群数据，本研究利用网络数据采集技术获取互联网平台数据，该数据能突破地域局限性，为本研究提供了数据支撑。

表2各地区2017年相关数据指标与睡眠障碍人群样本量地区Y人均GDP(亿元/万人)第一产业值(百亿元)第二产业值(百亿元)第三产业值(百亿元)工业增加值(百亿元)金融业增加值(百亿元)居民消费水平(万元)北京.天津.河北山西内蒙古辽宁吉林黑龙江上江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南西藏陕西甘肃青宁夏新疆

续表2各地区2017年相关数据指标与睡眠障碍人群样本量地区Y城镇失业人数(万人)每万公顷公园个数城市建成区绿化覆盖率(%)城市照明路灯数(万个)氮氧化物排放量(万吨)二氧化硫排放量(万吨)北京天津.河北山西内蒙古辽宁吉林黑龙江上江苏.浙江.安徽福建江西山东河南湖北湖南广东.广西海南重庆四川贵州云南西藏陕西甘肃青宁夏新疆1710.00..

1.3统计学处理 应用SPSS22.0统计软件进行数据及主成分回归分析，在进行多元回归分析前有必要对数据进行可靠性检验，并检验自变量间的相关性，如自变量间存在多重共线性则使用OLS回归模型建立的回归方程具有不稳定性，甚至导致错误结论[9-10]。故采用克隆巴赫系数检验数据的有效性，采用Pearson相关系数方法检验数据间的相关关系。克隆巴赫系数是检验数据可靠性的常用指标，该值大于0.7说明数据信度较好。自变量间的相关性可由相关系数体现，系数绝对值越接近于1，变量间的相关性越强，说明存在严重共线性，此时回归模型可能存在偏差或不准确，因此不适用最小二乘法回归模型。为解决自变量间共线性问题，本研究采用主成分分析对多个自变量进行降维处理，通过自变量的主成分所具有的性质，生成主成分变量，再根据主成分变量的特征值(>1)选定可进行多元回归的主成分变量，特征值越大，主成分的贡献率越高。KMO和巴特利特检验用于检验自变量间的相关程度。在进行主成分分析前首先应进行KMO检验，检验系数取值为0～1。KMO系数越接近于1，变量间的相关性越强，主成分分析的效果越好。在实际分析中，KMO系数在0.7以上时效果较好。将主成分分析得到的3个主成分分别命名为Z1、Z2、Z3并作为自变量，与因变量Y进行多元回归分析。R2是检验回归方程与样本值拟合优度的指标，R2(0～1)值越大说明回归方程与样本值的拟合度越好。调整的R2比调整前R2更准确一些。P