Tilannehuoneen raportti: Koronavirus ja terveyserot – Missä sosioekonomisissa ryhmissä koronatartuntoja on Suomessa havaittu eniten?

January 14, 2021

Tiivistelmä

Koronatartunnat ovat kohdistuneet Suomessa voimakkaimmin kaikkein pienituloisimpiin (täysi-ikäisiin) henkilöihin.  Tartuntoja on havaittu kuitenkin paljon myös suurituloisimmassa ryhmässä. Ensimmäisessä aallossa keväällä (maaliskuu-kesäkuu) koronatartuntoja havaittiin eniten kaikkein suurituloisimmassa ryhmässä, kun taas syksyllä (heinäkuu-marraskuu) tartunnat ovat kohdistuneet erityisesti kaikkein pienituloisimpiin. Korkeimman suoritetun koulutustason mukaan tarkasteltuna koronatartuntoja on havaittu suhteellisesti enemmän ylemmän korkea-asteen tutkinnon suorittaneilla kuin alemman koulutusasteen suorittaneilla. Syksyllä toisen asteen tutkinnon suorittaneiden koronatartunnat ovat kuitenkin olleet lähes samalla tasolla kuin ylemmän korkea-asteen suorittaneilla.

Koronatartuntojen absoluuttisissa ja suhteellisissa määrissä havaitaan myös selviä eroja ammattiryhmittäin, mutta näihin vaikuttavat myös monet työpaikasta riippumattomat taustatekijät ja testauskäytännöt. Tiettyjen taustatekijöiden huomioinnin jälkeen, suurimmat riskit koronatartunnoille havaitaan olevan hoitotyön erityisasiantuntijoilla, sairaanhoitajilla, lähihoitajilla sekä muilla terveydenhuollon ammattilaisilla. Tulosten mukaan myös maalareilla ja rakennuspuhdistajilla on suuri tartuntariski, mutta tähän arvioon liittyy huomattavaa tilastollista epävarmuutta. Tässä raportissa esitettyjä Tilannehuoneen tuloksia voidaan hyödyntää esimerkiksi rajoitustoimenpiteitä ja rokotusjärjestystä koskevassa yhteiskunnallisessa päätöksenteossa.

  1. Johdanto

Koronaviruspandemian on pelätty vaikuttavan voimakkaimmin jo ennestään heikommassa asemassa oleviin henkilöihin (Ahmed ym., 2020). Käytännössä ihmiset voivat olla hyvin erilaisessa asemassa sen suhteen, kuinka todennäköisesti he altistuvat koronavirustartunnalle mm. töiden tai asumisjärjestelyjen takia. Etätyömahdollisuudet ovat tietyissä ammateissa vähäiset ja erityisesti alempiin sosioekonomisiin ryhmiin kuuluvien voi olla vaikeampaa muokata työtehtäviään yhteiskunnan asettamien koronarajoitusten myötä.

Kansainvälinen tutkimuskirjallisuus on tarkastellut sosioekonomisia eroja koronatartunnoissa ja koronaviruspandemian vaikutuksia terveystulemissa (Magnusson ym. 2021, Killerby ym. 2020, Price-Haygood ym. 2020). Suomalaista tutkimusnäyttöä koronaviruspandemian ilmaantuvuudesta ja terveysvaikutuksista eri sosioekonomisissa ryhmissä on kuitenkin toistaiseksi vielä vähän.

Tässä raportissa luodaan tilannekuva koronatartuntojen ilmaantuvuudesta Suomessa koulutus-, tulo- ja ammattiryhmittäin. Kiinnostuksen kohteena ovat erityisesti potentiaalisesti haavoittuvassa asemassa olevat sosioekonomiset  ryhmät, kuten pienituloiset sekä sellaiset ammatit tai ammattiryhmät, joissa etätyön mahdollisuudet ovat vähäiset.

Koronatartunnat tulodesiileissä

Alla oleva kuviossa 1 esitetään koronatartunnan saaneiden täysi-ikäisten määrä tulokymmenyksittäin eli tulodesiileittäin. Tällaisessa desiilitarkastelussa kaikkien palkkien (desiilien) takana on yhtä paljon suomalaisia. Siten mikäli tulotasolla ei olisi yhteyttä koronatartuntojen suhteelliseen määrään tai riskiin, tartuntojen määrän pitäisi olla likimäärin yhtä suuria eri desiileissä. Tulodesiilit on laskettu vuoden 2018 käytettävissä olevien tulojen perusteella, koska tuoreempaa tietoa kaikista tuloista (erityisesti tulonsiirroista) ei ole saatavilla. Tiedot koronatartunnoista ovat Tartuntatautirekisteristä, joka kattaa vuoden 2020 osalta viikot 1-47. Tulotiedot olivat saatavilla noin 83 prosentille Tartuntatautirekisteriin kirjatuista koronatartunnan saaneista henkilöistä. Kaikkiaan niistä henkilöistä, joille ei ollut tulotietoja, noin 60 prosenttia oli alle 18-vuotiaita.

Kuvasta näkyy, että koronatartunnan saaneita on selvästi eniten ensimmäisessä tulokymmenyksessä eli kaikkien pienituloisimpien joukossa. Alimman tulodesiilin raja käytettävissä olevien tulojen suhteen on aineiston perusteella noin 10 600 euroa vuodessa. Vaikka tartuntoja on suhteellisesti eniten alimmassa desiilissä, tartuntojen määrä myös nousee kahta poikkeusta lukuunottamatta toisesta desiilistä ylimpään desiiliin siirryttäessä.

Kuvio 1.

Koronatartuntojen arveltiin leviävän opiskelijoiden keskuudessa varsinkin syksyllä.[1] Aineistosta käy kuitenkin ilmi, että vuonna 2020 valtaosa alimmassa tulodesiilissä olevista koronatartunnoista on peräisin muilta kuin opiskelijoilta. Kuviossa 2 alimman tulodesiilin raja on noin 11 500 euroa vuodessa. Vaikka tarkastelusta jätetään pois opiskelijat, alin tulodesiili erottuu tartuntamäärissä selvästi seuraavista desiileistä. Ehkä hieman yllättäen koronatartuntoja on vähiten toisessa ja kolmannessa desiilissä,  joiden jälkeen tartuntojen määrä kasvaa tulodesiilin mukaan. Kun opiskelijoita ei oteta huomioon, koronatartuntoja on jopa eniten ylimmässä tulodesiilissä.

Kuvio 2.

Keväällä koronavirustartuntojen epäiltiin olevan peräisin ulkomailta palaavilta hyvätuloisilta henkilöiltä, kun taas syksyllä tartunnat ovat voineet lisääntyä erityisesti alemmissa tuloluokissa esimerkiksi opiskelijoiden keskuudessa. Alla olevien kuvioiden 3 ja 4 perusteella koronatartunnan saaneiden tulojakaumat näyttävät hyvin erilaiselta ensimmäisessä aallossa keväällä (tammi-kesäkuu) verrattuna syksyyn (heinäkuu-marraskuu). Alla olevissa kuvioissa on mukana myös opiskelijat. Keväällä koronatartuntoja oli enemmän suurituloisimpien joukossa verrattuna muihin tulokymmenyksiin. Syksyllä tartunnat ovat sen sijaan keskittyneet voimakkaasti alimpaan tulokymmenykseen.

Kuvio 3.

Kuvio 4.

 Koronatartunnat koulutustason mukaan

Alla oleva kuvio 5 esittää koronatartunnan saaneet täysi-ikäiset korkeimman koulutusasteen mukaan keväällä ja syksyllä. Myös koulutusasteen osalta aineistossa viimeisin tieto on vuodelta 2018. Koulutustietoja on saatavilla noin 60 prosentille koronatartunnan saaneista henkilöistä. Niistä koronatartunnan saaneista, joille ei ollut vuonna 2018 saatavilla koulutustietoa, noin 45 % on alaikäisiä. Esitämme kuvioissa koronatartunnat erikseen myös niille täysi-ikäisille, joilta koulutustieto puuttuu. Koulutustieto saattaa puuttua, jos henkilö on suorittanut korkeintaan peruskoulun tai muuttanut Suomeen vuoden 2018 jälkeen.

Kuviossa 5 esitetään absoluuttiset tartuntamäärät kussakin luokassa. Kun kevään ja syksyn tartunnat lasketaan yhteen, havaitaan, että valtaosalla tartunnan saaneista oli toisen asteen tutkinto tai ei tietoa koulutuksesta. Syksyllä suuremmalla osalla koronatartunnan saaneista oli toisen asteen tutkinto kuin keväällä. Koulutusryhmien vertailua hankaloittaa kuitenkin se, että kuviossa ei ole huomioitu eri luokkiin kuuluvien henkilöiden määrää.

Kuvio 5.

Kuviossa 6 esitetään suhteelliset tartuntamäärät kussakin koulutusluokassa. Luokat on suhteutettu väestössä saman koulutusasteen omaaviin henkilöihin. Suhteellisessa tarkastelussa sekä keväällä että syksyllä koronatartuntoja on havaittu prosentuaalisesti enemmän ylemmän korkea-asteen tutkinnon suorittaneilla kuin alempien koulutustasojen henkilöillä. Suurin suhteellinen kasvu luokan sisällä keväästä syksyyn oli kuitenkin potilailla, joilla oli toisen asteen tutkinto.  Syksyllä toisen asteen tutkinnon suorittaneiden koronatartunnat ovat olleet lähes samalla tasolla kuin ylemmän korkea-asteen suorittaneilla.

Kuvio 6.

Koronatartunnat eri ammattiryhmissä

Eri ammateissa toimivat ihmiset voivat olla hyvin eri asemassa sen suhteen, kuinka herkästi he saavat koronatartunnan. Koronaviruksen leviämistä ehkäistään etätöillä, mutta mahdollisuudet etätöihin on selvästi heikommat monissa pienipalkkaisissa ammateissa, kuten asiakaspalvelu- ja rakennusalalla. Myös terveydenhuollossa ja kouluissa työskentelevien on pelätty altistuvan muita herkemmin koronavirukselle.

Alla esitämme kuvaajia koronavirustartunnoista ammattiryhmittäin. Tuloksia tulkittaessa on hyvä pitää mielessä, ettemme niiden perusteella pysty välttämättä päättelemään, mistä tartunnat ovat peräisin. On mahdollista, että tartunta on saatu työpaikalta tai sen ulkopuolelta, kuten harrastuksista tai perhepiiristä. Lisäksi eri ammateissa toimivat ihmiset poikkeavat toisistaan monilla tavoin, mikä vaikeuttaa tulosten tulkintaa. Esimerkiksi matalapalkkaisissa ammatteissa toimivilla voi olla muita useammin suurempi perhekoko tai ahtaat asuinolot, jotka voivat edesauttaa koronaviruksen leviämistä. Myös koronavirustartuntojen testauksessa voi olla ammattiryhmittäisiä eroja, joilla voi olla vaikutusta tartuntojen havaittuun määrään. Kontrolloimme kuitenkin ammattiryhmien koronatartuntojen suhteellista osuutta tai riskiä arvioitaessa tiettyjä tekijöitä, kuten työntekijän sukupuolen, iän ja syntyperän sekä kotikunnan.

Ammattitieto on saatu vuoden 2020 tulorekisteristä. Ammattitieto on saatavilla noin 64 prosentille koronatartunnan saaneista. Analyysissä hyödynnetyt ammattiryhmät perustuvat Tilastokeskuksen käyttämään ammattiluokitteluun. Esitämme ensin aineistosta lasketut absoluuttiset ja suhteelliset koronatartuntojen määrät kussakin ammattiryhmässä. Tämän jälkeen tarkastelemme eri ammattiryhmien koronariskiä tai koronatartuntojen suhteellista määrää huomioimalla useita taustatekijöitä regressiomallien avulla (lineaarinen ja logistinen regressio). Regressiomalleissa pyritään huomioimaan myös arviointiin liittyvä tilastollinen epävarmuus luottamusvälien avulla.

Alla olevassa kuviossa 7 on esitetty sellaiset 20 ammattiryhmää, joissa koronatartuntoja on havaittu marraskuun loppuun mennessä Suomessa eniten. Tartuntojen absoluuttinen lukumäärä on kuvion perusteella suurin lähihoitajille, myyjille ja kauppiaille, lehtien jakajille ja läheteille sekä siivoajille. Myös sairaanhoitajien ja lastenhoitajien keskuudessa on verrattain suuri määrä tartuntoja. Yhteistä näille ammateille on se, että ne ovat melko pienipalkkaisia ja mahdollisuudet etätöihin ovat heikot. Tulkintaa vaikeuttaa kuitenkin se, että ammattiryhmien koot eroavat huomattavasti toistaan ja varsinkin ylimmät ryhmät (esim. lähihoitajat) ovat kooltaan suuria. Tämän takia absoluuttisten tartuntamäärien lisäksi arvioidaan  koronatartuntojen suhteellisia määriä ammattiryhmittäin.

Kuvio 7.

Alla olevassa kuviossa 8 on esitetty sellaiset 20 ammattiryhmää, joissa on tartuntoja on havaittu suhteellisesti (tai prosentuaalisesti) eniten. Suhteelliset tartuntamäärät on laskettu jakamalla kunkin ammattiryhmän koronatartuntojen määrä ryhmään kuuluvien työntekijöiden lukumäärällä tulorekisteriin perustuen.  Ammattiryhmistä maalarit ja rakennuspuhdistajat erottuvat selvästi tartuntaosuuksien suhteen ja heille tartuntoja on havaittu yli 1,2%:lle työntekijöistä (viikon 47 loppuun mennessä).

Vaikka ammattiryhmän kokoon suhteutetut tartuntamäärät antavat osviittaa ammattiryhmän koronariskistä, arvion suuruuteen vaikuttaa myös ryhmään kuuluvien työntekijöiden erilaiset taustatekijät kuten ikä, syntyperä ja kunta. Näillä tekijöillä voi olla erityisesti vaikutusta kuvion 8 kahteen korkeimpaan ryhmään eli maalareiden ja rakennuspuhdistajien sekä kuljettajien tartuntamääriin. Erilaiset taustatekijät vaikeuttavatkin ammattiryhmien koronariskien vertailua. Taustatekijöiden huomioiminen ammattiryhmittäisiä riskejä arvioitaessa edellyttää niiden vakiointia tilastollisten menetelmien ja regressiomallien avulla.

Kuvio 8.

Seuraavissa kuvaajissa esitämme lineaariseen ja logistiseen regressiomalliin perustuvat arviot eri ammattiryhmien  koronariskeistä vertailuryhmään nähden kahdella tavalla laskettuna. Vertailuryhmänä analyyseissä toimivat ne henkilöt, jotka eivät tulorekisterin perusteella työskentele missään ammatissa. Lineaarisessa regressiomallissa ammattiryhmittäiset riskit arvioidaan indikaattorimuuttujien kertoimien ja logistisessa regressiomallissa ns. vetosuhteiden (engl. odds ratio) avulla.

Regressiomalleissa on vakioitu seuraavat taustatekijät: henkilön ikä, sukupuoli, syntyperä sekä kotikunta. Vakioinnin avulla voimme huomioida ainakin osittain eri ammattiryhmiin kuuluvien henkilöiden poikkeavat taustaominaisuudet ja niiden yhteyden koronatartuntoihin. Esimerkiksi syntyperä-muuttujan avulla voidaan huomioida suomalaistaustaiset sekä ulkomailla ja Suomessa syntyneet ulkomaalaistaustaiset henkilöt. Mikäli tietyssä ammatissa on suhteellisesti paljon ulkomaalaistaustaisia työntekijöitä, syntyperän vakioinnin avulla voimme kontrolloida syntyperän tai taustamaan mahdollisen vaikutuksen tartuntoihin. Vastaavalla tavalla iän ja kotikunnan vakioinnin avulla voidaan huomioida ammattien mahdolliset poikkeavat ikärakenteet sekä tiettyjen ammattien tyypillisempi esiintyminen suuremmissa kaupungeissa.  

Kuvio 9.

Kuvio 10.

Yllä olevista kuvaajista kuvio 9 esittää lineaarisen regression tulokset ja kuvio 10 esittää logistisen regressiomallin tulokset.  Molempien kuvaajien otoksena on kaikki Suomessa asuvat 20-64 vuotiaat henkilöt. Otoskoko kuvaajissa on reilut 3 miljoonaa suomalaista.

Lineaarisessa mallissa koronariskiä tarkastellaan koronatartunnan todennäköisyyksien (ammattiryhmän kokoon suhteutettujen tartuntamäärien) kautta. Kuvion 9 x-akselilla oleva luku (beta-kerroin) kertoo, kuinka paljon suurempi todennäköisyys tietyssä ammattiryhmässä työskentelevällä henkilöllä on saada koronatartunta verrattuna vertailuryhmän henkilöihin eli niihin, jotka eivät ole työssäkäyviä tai joilla ei ole ammattitietoa tulorekisterissä. Vertailuryhmässä koronatartuntoja on aineiston perusteella n. 0,38 prosentilla henkilöistä.

Tulosten mukaan esimerkiksi sairaanhoitajina työskentelevillä on noin puoli prosenttiyksikköä (0,5 %-yks.) korkeampi todennäköisyys saada koronatartunta verrattuna henkilöihin, jotka eivät ole työssäkäyviä, kun huomioidaan sukupuoli, ikä, syntyperä ja kotikunta. Tämä voidaan tulkita niin, että tuhannella sairaanhoitajalla on tuhanteen vertailuryhmässä  olevaan verrattuna viisi tartuntaa enemmän. Piste-estimaatin (pallon) läpi kulkeva viiva kuvastaa estimaatin luottamusväliä. Mikäli viiva ei kosketa punaista pystyviivaa, on estimaatti tilastollisesti merkitsevä vertailuryhmään verrattuna. Lineaarisessa mallissa monien ammattiryhmien estimaattien luottamusvälit ovat varsin leveitä ja menevät keskenään päällekkäin. Tämä tarkoittaa sitä, että kyseisten ammattiryhmien estimaatit eivät poikkea tilastollisesti merkitsevästi toisistaan.

Lineaarisen mallin mukaan suurimmat riskit ammattiryhmistä ovat maalareilla ja rakennuspuhdistajilla, hoitotyön erityisasiantuntijoilla, urheilijoilla ja liikunnanohjaajilla, kuljettajilla sekä sairaanhoitajilla ja lähihoitajilla. Näistä ryhmistä maalareiden ja rakennuspuhdistajien estimaatti ei ole kuitenkaan tilastollisesti merkitsevä, koska kyseisen estimaatin luottamusväli sisältää arvon nolla (p-arvo: 0,09). Maalareiden ja rakennuspuhdistajien koronariskiin liittyy siten huomattavaa tilastollista epävarmuutta.

Logistisessa regressiossa koronariskiä tarkastellaan vaihtoehtoisella tavalla, koronatartunnan todennäköisyytenä suhteessa siihen, ettei tartuntaa saada.   Jos esimerkiksi ammattiryhmässä 1 % sairastuu ja loput ei, sairastumisriski on tällöin 0,01 (=0,01/(1-0,01)). Kuviossa 10 logistisen regression vetosuhde (odds ratio) kuvaa puolestaan kunkin ammattiryhmän koronariskiä (suhteessa siihen, ettei tartuntaa saada) verrattuna vertailuryhmään. Esimerkiksi hoitotyön erityisasiantuntijoilla vetosuhde on 3,6. Kyseisen ryhmän koronariski on siten yli kolme kertaa suurempi verrattuna niihin henkilöihin, jotka eivät käy töissä. Vaikka koronariskeissä on suhteellisesti vertailtuna suuri ero, absoluuttisesti näiden ryhmien koronatartuntojen todennäköisyyksissä on eroa vain alle yhden prosenttiyksikön verran. Logistisen ja lineaarisen mallin ammattiryhmittäiset tulokset ovatkin  pääosin linjassa keskenään.  

Logistisen mallin mukaan suurimmat koronariskit (suhteessa siihen, ettei tartuntaa saada) ovat hoitotyön erityisasiantuntijoilla, maalareilla ja rakennuspuhdistajilla, sairaanhoitajilla, lähihoitajilla ja muilla terveydenhuollon ammattilaisilla.

Logistisen mallin tapauksessa estimaattien luottamusvälit ovat jonkun verran kapeampia kuin lineaarisessa regressiomallissa eli tilastollinen epävarmuus on pienempää. Luottamusvälit menevät silti päällekkäin useilla ammattiryhmillä. Logistisen mallin tapauksessa myös maalareiden ja rakennuspuhdistajien koronariskin estimaatti poikkeaa tilastollisesti merkittävästi ykkösestä eli vertailuryhmän koronariskistä.

Lähteet

Ahmed F, Ahmed N, Pissarides C, Stiglitz J. (2020) Why inequality could spread COVID-19. Lancet Public Health. 5(5):e240.

Killerby ME, Link-Gelles R, Haight SC, ym. (2020) Characteristics Associated with Hospitalization Among Patients with COVID-19 — Metropolitan Atlanta, Georgia, March–April 2020. Morbidity and Mortality Weekly Report (MMWR).

Magnusson K, Nygård, K, Vold, L ja Telle, K (2021) Occupational risk of COVID-19 in the 1st vs 2nd wave of infection. MedRxiv.

Price-Haygood EG, Burton J, Fort D, Seoane L. (2020) Hospitalization and Mortality among Black Patients and White Patients with Covid-19. New England Journal of Medicine; 382:2534-2543.

Roser M, Ritchie H, Ortiz-Ospina E ja Hasell J (2020) Coronavirus Pandemic (COVID-19). OurWorldInData.org. Retrieved from: ‘https://ourworldindata.org/coronavirus’ [Online Resource]


[1] https://www.hs.fi/kotimaa/art-2000006664616.html