干旱、洪水和极端气温（占总人口的百分比，1990年-2009年平均值）

Droughts, floods, extreme temperatures (% of population, average 1990-2009)

下载数据

指标代码：EN.CLC.MDAT.ZS所属主题：环境：Land useEnvironment: Land use

2009最新有效年份

164最新年份有值国家

265历史上有数据经济体

99%总体缺失率

指标解释

World Bank official description / 世界银行官方说明

Droughts, floods and extreme temperatures is the annual average percentage of the population that is affected by natural disasters classified as either droughts, floods, or extreme temperature events. A drought is an extended period of time characterized by a deficiency in a region's water supply that is the result of constantly below average precipitation. A drought can lead to losses to agriculture, affect inland navigation and hydropower plants, and cause a lack of drinking water and famine. A flood is a significant rise of water level in a stream, lake, reservoir or coastal region. Extreme temperature events are either cold waves or heat waves. A cold wave can be both a prolonged period of excessively cold weather and the sudden invasion of very cold air over a large area. Along with frost it can cause damage to agriculture, infrastructure, and property. A heat wave is a prolonged period of excessively hot and sometimes also humid weather relative to normal climate patterns of a certain region. Population affected is the number of people injured, left homeless or requiring immediate assistance during a period of emergency resulting from a natural disaster; it can also include displaced or evacuated people. Average percentage of population affected is calculated by dividing the sum of total affected for the period stated by the sum of the annual population figures for the period stated.

可供参考的中文翻译：干旱、洪水和极端气温是指受到自然灾害影响的人口的年平均比例，自然灾害按照干旱、洪水或极端气温事件划分。干旱是指一个地区降水量持续低于平均水平所造成的长时期的水供应匮乏。干旱可能导致农业损失，影响内陆航运和水力发电，造成饮用水缺乏和饥荒。洪水是指溪流、湖泊、水库或沿海地区水位大幅度上升。极端气温事件是指寒潮或热浪。寒潮可能是长时期的极寒天气或大面积的强冷空气突然来袭，加上霜冻，可能对农业、基础设施和财产造成破坏。热浪是指与某个地区的正常气候模式相比，出现长时期的高温天气，有时还伴有高湿天气。受影响人口是指受到伤害、导致无家可归或在自然灾害造成的紧急时期需要紧急援助的人数；也可以包括被迫迁移或疏散的人口。受影响人口的平均比例是用所述时期的年度人口总数除以所述时期的受影响人口总数得出。

数据口径与风险提示

该指标为1990-2009年跨期平均值，无法反映单一年度或近年来的灾害状况，不适合做年度趋势分析。
数据集仅含中国单一数据点（2009年，值7.95%），无中国时间序列数据，无法计算中国自身的期间变化。
各国对干旱、洪水和极端气温的界定标准、灾害分类体系及数据采集能力存在差异，影响跨国可比性。
受影响人口的统计口径（受伤、无家可归、紧急援助或疏散）因国家报告方法不同而存在口径差异。
全球（世界）趋势数据缺失，无法计算世界层面的十年变化倍数，排名比较仅具有横截面参考意义。
该指标反映的是历史暴露程度而非当期灾害风险管理水平，不能直接用于评估各国当前的防灾能力。

中国趋势

趋势解读

该指标为1990-2009年20年滚动平均值，数据仅包含2009年一个统计时点，因此无法进行时间序列变化分析。中国在该横截面中的受影响人口比例为7.95%，在全球排名第三。排名较高可能与中国的地理气候条件——南北跨度大、季风气候显著、易受洪涝和干旱交替影响——以及庞大的人口规模有关；同时也可能在一定程度上反映了中国自然灾害事件报告体系的覆盖面和完整性。需要谨慎解读：该比例本身不反映灾害事件的频率高低，亦不代表防灾能力的强弱。

中国仅有一个数据点，年份为2009年，值为7.95%（1990-2009年平均）。
中国在全球受影响人口比例排名中位列第三，前两位分别为斯威士兰（9.23%）和马拉维（8.82%）。
中国数据为横截面值，无时间序列变化可分析。
该指标为固定周期平均值，没有中国自身的时间序列数据，无法计算中国的期间变化趋势。
受影响比例排名高低受地理条件、气候类型和人口分布等客观因素影响，不宜直接解读为防灾能力的好坏。
该数据反映的是历史平均暴露程度，不反映近年或当前的灾害风险状况。

全球趋势

趋势解读

全球趋势数据在当前版本的数据集中记录为空（WLD数据点数为0），无法进行世界层面的趋势分析。排名快照数据提供了横截面视角：在2009年的全球排名中，斯威士兰、马拉维和中国位列前三，受影响人口比例均超过7.9%，远超排名靠后的大部分国家。这些国家多为气候脆弱地区，地理条件和季风气候增加了对干旱、洪涝和极端气温的敏感性。

世界无可用时间序列数据（WLD数据点数为0），无法计算十年变化倍数。
横截面排名中，全球受影响比例最高的斯威士兰为9.23%，中国以7.95%位列第三。
前20名国家均为发展中国家，受影响比例在2.4%至9.2%之间。
由于缺少全球数据点，无法分析世界层面的长期变化趋势。
跨国排名受地理、气候及数据采集差异影响，不能简单将高排名等同于防灾能力差。

每十年变化摘要

十年区间	中国变化	世界变化	提示
1960-1969	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。
1970-1979	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。
1980-1989	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。
1990-1999	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。
2000-2009	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。
2010-2019	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。
2020-2029	-	-	本时期无可用数据，无法计算中国的期末/期初倍数。

2009 年全部国家排名

排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。

排名	国家	代码	数值
1	Eswatini 斯威士兰	SWZ	9.23
2	Malawi 马拉维	MWI	8.82
3	China 中国	CHN	7.95
4	Niger 尼日尔	NER	7.53
5	Eritrea 厄立特里亚	ERI	7.32
6	Guyana 圭亚那	GUY	7.17
7	Djibouti 吉布提	DJI	6.80
8	Cambodia 柬埔寨	KHM	6.64
9	Kenya 肯尼亚	KEN	6.48
10	Tajikistan 塔吉克斯坦	TJK	5.38
11	Albania 阿尔巴尼亚	ALB	5.27
12	Kiribati 基里巴斯	KIR	5.00
13	Somalia, Fed. Rep. 索马里	SOM	4.60
14	Bangladesh 孟加拉国	BGD	4.58
15	India 印度	IND	4.36
16	Zambia 赞比亚	ZMB	4.20
17	Thailand 泰国	THA	3.75
18	Mozambique 莫桑比克	MOZ	3.66
19	Lesotho 莱索托	LSO	3.40
20	Namibia 纳米比亚	NAM	3.40
21	Ethiopia 埃塞俄比亚	ETH	3.26
22	Mauritania 毛里塔尼亚	MRT	3.08
23	Iran, Islamic Rep. 伊朗	IRN	3.06
24	Australia 澳大利亚	AUS	3.05
25	Sudan 苏丹	SDN	2.77
26	Chad 乍得	TCD	2.71
27	Lao PDR 老挝	LAO	2.69
28	Mongolia 蒙古	MNG	2.56
29	Korea, Dem. People's Rep. 朝鲜	PRK	2.50
30	Burundi 布隆迪	BDI	2.38
31	Sri Lanka 斯里兰卡	LKA	2.16
32	Kyrgyz Republic 吉尔吉斯斯坦	KGZ	2.07
33	Peru 秘鲁	PER	1.95
34	Liberia 利比里亚	LBR	1.87
35	South Africa 南非	ZAF	1.81
36	Fiji 斐济	FJI	1.73
37	Viet Nam 越南	VNM	1.60
38	Tanzania 坦桑尼亚	TZA	1.50
39	Micronesia, Fed. Sts. 密克罗尼西亚	FSM	1.35
40	Guatemala 危地马拉	GTM	1.31
41	Bolivia 玻利维亚	BOL	1.30
42	Rwanda 卢旺达	RWA	1.30
43	Honduras 洪都拉斯	HND	1.26
44	Burkina Faso 布基纳法索	BFA	1.25
45	Jamaica 牙买加	JAM	1.14
46	Azerbaijan 阿塞拜疆	AZE	1.11
47	Afghanistan 阿富汗	AFG	1.06
48	Pakistan 巴基斯坦	PAK	1.06
49	Angola 安哥拉	AGO	1.01
50	Ghana 加纳	GHA	0.97
51	Madagascar 马达加斯加	MDG	0.86
52	Benin 贝宁	BEN	0.86
53	Uganda 乌干达	UGA	0.85
54	Haiti 海地	HTI	0.84
55	Nicaragua 尼加拉瓜	NIC	0.83
56	Philippines 菲律宾	PHL	0.81
57	Belize 伯利兹	BLZ	0.81
58	Georgia 格鲁吉亚	GEO	0.77
59	Botswana 博茨瓦纳	BWA	0.74
60	Papua New Guinea 巴布亚新几内亚	PNG	0.73
61	Spain 西班牙	ESP	0.73
62	Cuba 古巴	CUB	0.73
63	Paraguay 巴拉圭	PRY	0.71
64	Nepal 尼泊尔	NPL	0.70
65	Costa Rica 哥斯达黎加	CRI	0.70
66	Colombia 哥伦比亚	COL	0.66
67	Mali 马里	MLI	0.65
68	Senegal 塞内加尔	SEN	0.60
69	Guinea-Bissau 几内亚比绍	GNB	0.54
70	Togo 多哥	TGO	0.51
71	Syrian Arab Republic 叙利亚	SYR	0.51
72	Bosnia and Herzegovina 波黑	BIH	0.49
73	Brazil 巴西	BRA	0.48
74	Armenia 亚美尼亚	ARM	0.48
75	Jordan 约旦	JOR	0.37
76	El Salvador 萨尔瓦多	SLV	0.36
77	Moldova 摩尔多瓦	MDA	0.34
78	Suriname 苏里南	SUR	0.34
79	Ecuador 厄瓜多尔	ECU	0.34
80	North Macedonia 北马其顿	MKD	0.30
81	Ukraine 乌克兰	UKR	0.27
82	Uruguay 乌拉圭	URY	0.26
83	Congo, Rep. 刚果（布）	COG	0.26
84	Chile 智利	CHL	0.26
85	Sierra Leone 塞拉利昂	SLE	0.25
86	Kazakhstan 哈萨克斯坦	KAZ	0.22
87	United States 美国	USA	0.21
88	Gambia, The 冈比亚	GMB	0.20
89	Panama 巴拿马	PAN	0.20
90	Central African Republic 中非共和国	CAF	0.18
91	Guinea 几内亚	GIN	0.18
92	Argentina 阿根廷	ARG	0.17
93	Indonesia 印度尼西亚	IDN	0.16
94	Czechia 捷克	CZE	0.16
95	Venezuela, RB 委内瑞拉	VEN	0.16
96	Mexico 墨西哥	MEX	0.15
97	Turkiye 土耳其	TUR	0.14
98	Russian Federation 俄罗斯	RUS	0.13
99	Uzbekistan 乌兹别克斯坦	UZB	0.12
100	Vanuatu 瓦努阿图	VUT	0.11
101	Yemen, Rep. 也门	YEM	0.10
102	Tunisia 突尼斯	TUN	0.10
103	Malaysia 马来西亚	MYS	0.10
104	Myanmar 缅甸	MMR	0.09
105	Solomon Islands 所罗门群岛	SLB	0.09
106	Hungary 匈牙利	HUN	0.09
107	Romania 罗马尼亚	ROU	0.08
108	Korea, Rep. 韩国	KOR	0.08
109	Dominican Republic 多米尼加共和国	DOM	0.08
110	Seychelles 塞舌尔	SYC	0.08
111	Morocco 摩洛哥	MAR	0.08
112	Cameroon 喀麦隆	CMR	0.07
113	Marshall Islands 马绍尔群岛	MHL	0.06
114	Nigeria 尼日利亚	NGA	0.06
115	Slovak Republic 斯洛伐克	SVK	0.04
116	Algeria 阿尔及利亚	DZA	0.04
117	Austria 奥地利	AUT	0.04
118	Germany 德国	DEU	0.03
119	United Kingdom 英国	GBR	0.03
120	Poland 波兰	POL	0.03
121	Maldives 马尔代夫	MDV	0.03
122	Timor-Leste 东帝汶	TLS	0.03
123	Lebanon 黎巴嫩	LBN	0.02
124	Comoros 科摩罗	COM	0.02
125	Belarus 白俄罗斯	BLR	0.02
126	Japan 日本	JPN	0.02
127	Congo, Dem. Rep. 刚果（金）	COD	0.02
128	Iraq 伊拉克	IRQ	0.01
129	Bhutan 不丹	BTN	0.01
130	Egypt, Arab Rep. 埃及	EGY	0.01
131	Montenegro 黑山	MNE	0.01
132	New Zealand 新西兰	NZL	0.01
133	Canada 加拿大	CAN	0.01
134	Serbia 塞尔维亚	SRB	0.01
135	Cabo Verde 佛得角	CPV	0.01
136	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	0.01
137	Bulgaria 保加利亚	BGR	0.01
138	Italy 意大利	ITA	0.01
139	Norway 挪威	NOR	0.01
140	Greece 希腊	GRC	0.01
141	France 法国	FRA	0.01
142	Saudi Arabia 沙特阿拉伯	SAU	0.01
143	Ireland 爱尔兰	IRL	0.00
144	Netherlands 荷兰	NLD	0.00
145	Switzerland 瑞士	CHE	0.00
146	Cyprus 塞浦路斯	CYP	0.00
147	Croatia 克罗地亚	HRV	0.00
148	Portugal 葡萄牙	PRT	0.00
149	Belgium 比利时	BEL	0.00
150	Israel 以色列	ISR	0.00
151	Cote d'Ivoire 科特迪瓦	CIV	0.00
152	Kuwait 科威特	KWT	0.00
153	Turkmenistan 土库曼斯坦	TKM	0.00
154	Finland 芬兰	FIN	0.00
155	Denmark 丹麦	DNK	0.00
156	Estonia 爱沙尼亚	EST	0.00
157	Latvia 拉脱维亚	LVA	0.00
158	Libya 利比亚	LBY	0.00
159	Lithuania 立陶宛	LTU	0.00
160	Luxembourg 卢森堡	LUX	0.00
161	Mauritius 毛里求斯	MUS	0.00
162	Samoa 萨摩亚	WSM	0.00
163	Slovenia 斯洛文尼亚	SVN	0.00
164	Sweden 瑞典	SWE	0.00

使用建议、常见误用与研究场景

数值较高通常意味着什么

受影响人口比例较高，意味着在历史考察期内，平均每年有更大比例的人口暴露于干旱、洪水或极端气温灾害之中，可能反映该地区气候脆弱性较高或灾害发生频率与影响范围较大。

数值较低通常意味着什么

受影响人口比例较低，意味着平均每年暴露于主要气候灾害的人口比例相对较小，可能反映气候条件较为稳定或灾害影响范围有限。

鍙ｅ緞闄愬埗

该指标为1990-2009年的固定平均值，不可拆解为单一年份数据，不适合做年度变化分析。
各国自然灾害分类标准、数据采集能力和报告完整性存在差异，跨国可比性受限。
受影响人口的定义涵盖受伤、无家可归、需紧急援助及被迫迁移或疏散等多类情况，各国口径不完全一致。
该指标反映历史平均暴露水平，无法捕捉近年气候变化趋势或近年灾害事件的加剧。
人口总数大的国家在相同比例下对应更大的绝对受影响人数，比例与绝对风险程度之间存在人口基数效应。
未考虑基础设施水平、抗灾能力、预警系统和应急响应效率等影响实际灾害损失的关键因素。

使用建议

分析时应结合各国的地理气候条件（地理位置、海拔、季风分布）和人口密度，评估受影响比例的现实含义。
进行跨国比较时，应控制收入水平、农业占比和地理因素，可引入人均GDP、农业增加值占比等社会经济变量作为协变量。
鉴于该指标为横截面平均值，建议同时使用年度灾害事件数据（如EM-DAT数据库）补充时间维度的分析。
评估灾害风险时应结合防灾基础设施、预警能力和应急响应水平等指标，而非仅凭受影响人口比例下结论。
在研究中使用该指标时，应明确说明其平均周期（1990-2009），避免将其误解为近期的灾害风险水平。
结合海拔低于5米地区的城市化程度（EN.POP.EL5M.ZS）和农业用地占比等变量，识别高脆弱性地区的人口结构特征。

常见错误用法

错误做法：将该指标理解为2009年单年的灾害受影响人口比例

正确做法：识别其反映的是1990-2009年整个20年期间的平均水平

该指标以'1990-2009年平均值'为统计口径，将跨期平均值当作单年数据使用会严重误解其时间范围，导致对近期灾害状况的错误判断。

错误做法：将7.95%理解为每年恰好有7.95%的中国人口受灾

正确做法：理解为其表示在1990-2009年期间，平均每年受灾人口约占该时期年均总人口的7.95%

平均比例反映的是长周期综合暴露水平，不代表每个单独年份的固定受灾人口比例，各年实际受影响人数可能波动较大。

错误做法：将排名第三解读为中国防灾能力较差

正确做法：将排名理解为历史平均暴露程度较高，可能与地理气候条件和数据覆盖完整性有关

受影响比例受客观地理气候条件影响，高比例不一定意味着防灾管理水平低，还需要结合防灾基础设施、预警能力和应急响应效率等指标综合判断。

错误做法：仅凭该指标对比中国与其他国家的灾害风险水平

正确做法：结合地理因素（海拔、沿海程度）、气候类型、农业占比和人均收入水平等变量进行多元比较

单一比例指标忽略了各国在地理条件、气候脆弱性、数据报告能力和防灾基础设施等方面的系统性差异，直接比较会得出误导性结论。

错误做法：使用该数据做中国自身的年度时间序列回归或趋势分析

正确做法：由于中国仅有一个数据点（2009年），应使用横截面分析而非时间序列方法

单一数据点不构成时间序列，无法估计变化趋势或进行动态面板分析强行使用会产生统计上无意义的回归结果。

实际应用场景

气候脆弱性的跨国比较研究：在控制收入水平、地理条件和人口结构的基础上，分析气候灾害暴露对人类社会经济指标的影响结果变量（outcome）使用横截面回归，控制GDP per capita、农业占GDP比重和地理纬度等变量；由于数据为1990-2009年平均，不适合做面板数据回归，需要明确说明横截面分析的时间维度。
气候暴露与经济发展的关系检验：检验受灾人口比例是否与经济增长速度或减贫进程存在统计关联解释变量或控制变量引入该指标作为控制变量，同时纳入基础设施投资比例和农业劳动力占比等协变量，注意避免内生性问题，可考虑使用工具变量方法。
低洼沿海地区人口灾害脆弱性验证：利用海拔低于5米的低洼地区人口比例，验证其在多大程度上解释气候灾害暴露程度的差异稳健性检验（robustness）在主回归模型基础上加入低洼地区人口占比交乘项，检验地理脆弱性与灾害暴露的关系是否稳健；同时报告人口密度作为额外控制变量。
防灾能力指标的机制分析：探讨减少灾害风险进展评分与气候灾害暴露比例之间的统计关系机制变量（mechanism）以防灾进展评分为中介变量，分析其是否部分解释或调节了地理条件与灾害暴露比例之间的关系，可采用中介效应模型进行检验。
农业依赖度与气候灾害暴露的交互效应：分析农业占比较高的国家是否在气候灾害中表现出更高的脆弱性比较变量（comparison）将农业用地占比与气候灾害暴露比例进行分组比较，使用农业劳动力占比作为替代变量进行敏感性分析，增强结论的可靠性。