1
问题概述
一、研究问题：
居民对当前环境问题的认识程度如何？
居民在日常生活中采取了哪些环境保护行为？
哪些因素影响居民的环境保护意识和行为？
居民对于可持续发展理念的接受度和理解程度如何？
社会经济背景、教育水平、媒体接触等因素如何影响居民的环境意识？
二、研究目的：
本研究基于中国综合社会调查（CGSS）2021年的数据，深入分析中国居民对于环境保护与可持续发展意识的认识、态度及行为模式。通过系统分析居民对中国当前环境问题的现状认知、居住地区环境质量的评价、环境问题解决的责任主体认知、以及对环境保护措施的了解与参与情况，本研究力图揭示影响居民环境保护意识的关键因素，评估居民的环境意识水平，以及探索如何通过提升公众意识来促进环境保护和推动可持续发展的实践。
本研究通过运用定量与定性研究方法，旨在全面地剖析中国居民的环境保护与可持续发展意识，为推动我国生态文明建设提供实证支持和政策建议。
2
数据分析
一、基本统计方法及过程描述：
首先，从CGSS2021数据库中筛选基本特征，提取与环境和可持续发展意识相关的变量，这些变量包括居民对环境问题严重性的主观评价、对环境保护措施的了解程度等，并进行必要的数据清洗工作，如处理缺失值、异常值，以及进行必要的变量转换确保数据的准确性、有效性和完整性。
接下来，通过R计算各个变量的基本统计量。对于连续型变量，计算其均值、标准差以及可能的范围（最大值和最小值）。这些指标能够帮助我了解居民在环境和可持续发展意识上的整体水平和分布广度。对于分类变量（居民是否参与过环保活动），会计算其频数分布，即每个类别下的样本数量。通过频数分布，我可以直观地看到不同类别在总体中的占比情况，从而了解居民在环保行为上的普遍倾向。
此外，绘制统计图表，为了更直观地展示数据特征帮和助更好地理解数据。例如，使用条形图来展示不同类别居民在环保行为上的分布情况；使用折线图来展示环境意识评分在不同群体或时间段的变化趋势。
最后，在完成上述统计量的计算和图表的绘制后，对结果进行解读和总结。
二、数据可视化
受访者中，教育程度的分布呈现出一定的正态分布特征，其中“普通高中”和“大学专科（正规高等教育）”的受访者数量较多；教育程度较低的群体（如“没有受过任何教育”和“私塾、扫盲班”）数量较少。随着教育程度的提高，受访者的数量逐渐减少，这反映了中国人口的教育水平普遍提升的趋势。
受访者对于环境质量改善的看法不一，但大多数人认为环境质量有所改善，其中认为“改善了一些”的受访者最多，占比约30%；认为“有很大改善”的受访者也占有相当比例，这表明部分受访者对环境改善持积极态度；有相当一部分受访者选择了“不清楚/说不好”，这可能表明对环境变化的感知存在不确定性。
受访者对中国目前面临的环境问题的严重性看法多样。有一部分人认为环境问题“比较严重”或“非常严重”；认为环境问题“根本不严重”或“不太严重”的受访者占比较少，这表明公众对环境问题有一定的关注；“无法选择”的受访者占有一定比例，这反映了部分受访者对环境问题的认识不够明确或不愿意表达明确态度。
受访者的教育程度与其对环境问题原因的了解程度存在一定的关联。教育程度较高的受访者更可能对环境问题有更深入的了解；教育程度较低的受访者可能对环境问题的原因“不太了解”或“根本不了解”，这表明教育在提高环境意识方面发挥重要作用。
交叉分析详细过程：
交叉表是一种展示两个或多个变量之间关系的表格，其中每个单元格代表一个变量组合下的频数或比例。
首先，确定变量。在这个分析报告中，我们关心的变量包括居民的年龄、性别、教育程度、收入水平等社会人口学特征，以及他们对环境问题的严重性、居住地区环境质量的评价、环境问题解决的责任主体认知等环境意识相关变量。
接下来，使用统计软件（R）创建交叉表。例如，我们可以创建一个交叉表，其行表示不同的教育程度，列表示对环境问题严重性的评价等级（如非常严重、比较严重、一般、不太严重、完全不严重），然后填充每个单元格以显示每个组中选择每个评价等级的居民数量或比例。
此外，我们还可以利用卡方检验等统计方法来验证这些差异是否具有统计学意义。卡方检验可以帮助我们判断两个变量之间是否存在关联，即不同社会群体在环境意识上的差异是否显著，而不仅仅是偶然现象。
卡方检验的结果显示，教育程度（A7a）与对环境现状认知（H1）之间存在显著的关联性；X-squared值为263.95，自由度为60，p-value小于2.2e-16，远小于0.05的通常显著性水平，表明统计结果非常显著，这意味着不同教育程度的受访者对环境现状的认知存在显著差异。
交叉表显示了不同教育程度的受访者在对环境问题原因了解程度上的分布情况。随着教育程度的提高，受访者对环境问题原因的了解程度也趋于增加。
回归分析详细过程：
首先，确定因变量和自变量。在这个分析报告中，因变量是居民对环境问题的认知程度、对环境保护措施的支持度等。自变量则包括居民的个人特征（如年龄、性别、教育程度、收入水平）等。
然后，选择合适的回归模型。根据研究目的和数据特点，选择合适的回归模型。在这个分析报告中，由于我们涉及多个自变量，因此会选择多元线性回归模型。
接下来，进行模型拟合与检验。使用统计软件（R）对模型进行拟合，得到回归系数、标准误、t值、p值等统计量。然后，对模型进行一系列的诊断检验，如多重共线性检验、异方差性检验、残差分析等，以确保模型的合理性和有效性。
之后，对结果解读与讨论。根据回归系数的大小、方向和显著性水平，解读自变量对因变量的影响程度和方向。例如，如果教育程度的回归系数显著为正，说明教育程度越高的居民对环境问题的认知程度越高。同时，结合实际情况和理论背景，对回归结果进行深入的讨论和分析。
截距项的估计值是10.5320，标准误是0.7147，t统计量是14.735，p值远小于2e-16，表示截距非常显著。变量A7a的系数估计值是-0.5966，标准误是0.1143，t统计量是-5.217，p值是1.95e-07，表示A7a与Hl之间存在显著的相关关系。
***：表示p值小于0.001，非常显著；**：表示p值在0.001和0.01之间，非常显著；*：表示p值在0.01和0.05之间，显著；.：表示p值在0.05和0.1之间，有一定显著性。
综上所述，这个线性回归模型的结果显示，A7a对Hl有显著的影响，而截距项也非常显著。这意味着当A7a的值增加时，Hl的预测值会显著下降。
3
小结
教育程度与环境意识之间存在正相关关系，即教育程度越高，对环境问题的认识和关注可能越深入。教育程度与受访者对环境问题的认知和了解程度显著相关。教育程度较高的受访者更可能对环境问题有更深入的了解和认知，这一发现强调了教育在提升公众环境意识和理解中的重要性，为环境教育和政策制定提供了依据。
受访者对环境质量改善的看法普遍积极，但仍有一部分人对环境变化持保留态度或不确定态度。环境问题的严重性在受访者中的看法不一，本研究认为这与个人经历、生活环境和信息获取渠道有关。
END
