新型冠狀病毒肺炎發(fā)病率空間特征及影響因素

摘 要：針對 2020 年初在武漢市爆發(fā)的新型冠狀病毒肺炎，基于空間自相關(guān)分析方法探究了新型冠狀病毒肺炎發(fā)病率的空間特征，利用地理加權(quán)回歸模型與統(tǒng)計學(xué)中的離差檢驗方法定量分析了空間距離、鐵路路網(wǎng)密度、運(yùn)客率與單位人均床位數(shù)4類影響因素對新型冠狀病毒肺炎發(fā)病率的影響。結(jié)果表明：（1）新型冠狀病毒肺炎發(fā)病率在地級市尺度上具有明顯的空間集聚特征，發(fā)病率的集聚程度也隨時間不斷弱化;（2）不同的影響因素對發(fā)病率影響的顯著程度不同，空間距離、運(yùn)客率、單位人均床位數(shù)與發(fā)病率的空間分布關(guān)聯(lián)性較強(qiáng)，鐵路路網(wǎng)密度對發(fā)病率的影響較不顯著;（3）運(yùn)客率、單位人均床位數(shù)對新型冠狀病毒肺炎發(fā)病率整體呈現(xiàn)不同程度的正向促進(jìn)作用，空間距離對新型冠狀病毒肺炎發(fā)病率則為負(fù)向主導(dǎo)作用。

關(guān)鍵詞：新型冠狀病毒肺炎;空間自相關(guān);空間特征;影響因素

中圖分類號：R188;R181

文獻(xiàn)標(biāo)識碼： A

2019年12月31日， 中國湖北省衛(wèi)生委員會宣布了一系列不明原因的病毒性肺炎病例， 最早的一例發(fā)病于2019年12月1日[1]。新型冠狀病毒肺炎（2019 novel coronavirus pneumonia，COVID-19）（以下簡稱“新冠肺炎”）疫情在武漢爆發(fā)后，在極短時間內(nèi)迅速蔓延。截至2020年2月16日，中國報告了新冠肺炎確診病例58 010例，死亡病例1 772例。新冠肺炎疫情給人類社會造成了巨大的損失與威脅。

目前，不同研究領(lǐng)域的學(xué)者已對新冠肺炎疫情進(jìn)行了大量的研究工作，關(guān)注的方向有所不同?；A(chǔ)醫(yī)療研究者主要集中在病原學(xué)、致病機(jī)理、傳染源及傳播途徑等方面的研究[2-3]，其他學(xué)科的研究者則大多致力于新冠肺炎的空間擴(kuò)散特征、發(fā)展預(yù)測與疾病傳播因素的分析[4-9]。在地理學(xué)對傳染性疾病的研究中，楊斯棋等[10]結(jié)合空間分析方法與地理加權(quán)回歸模型，探究了北京市甲型H1N1流感對氣象因子的時空響應(yīng)規(guī)律;李浩等[11]運(yùn)用時間序列及空間分析方法，分析了寧夏涇源縣兒童呼吸系統(tǒng)疾病的區(qū)域時空分布規(guī)律及區(qū)域地理環(huán)境因素;陶海燕等[12]運(yùn)用擴(kuò)展Knox檢驗的疾病時空傳播網(wǎng)絡(luò)模型，研究了登革熱疫情早期時空傳播特征;張利娜等[13]運(yùn)用因子分析和多元線性回歸，分析了健康老年前期女性紅細(xì)胞比積正常參考值與地理因素的依賴關(guān)系，并依此進(jìn)行了區(qū)域劃分。

綜上，本文按照新增確診病例數(shù)變化趨勢劃分時間階段，對新冠肺炎發(fā)病率的時空特征及發(fā)病率熱點(diǎn)區(qū)域進(jìn)行分析，并對新冠肺炎的發(fā)病率產(chǎn)生作用的影響因素進(jìn)行篩選。以新冠肺炎發(fā)病率為因變量，以篩選后的空間距離、鐵路路網(wǎng)密度、運(yùn)客率、單位人均床位數(shù)4類影響因素為自變量，利用地理加權(quán)回歸模型對影響因素進(jìn)行定量分析，利用t值檢驗確定影響因素的顯著性分析了來自地理、醫(yī)療、交通等方面的影響因素對發(fā)病率的影響，以期為探究新冠肺炎發(fā)病率的影響因素提供相關(guān)參考。

1 數(shù)據(jù)與方法

1.1 影響因素指標(biāo)構(gòu)建

新冠肺炎發(fā)病率的影響因素選擇遵循指標(biāo)可定量表達(dá)性和數(shù)據(jù)可獲得性原則。通過參考相關(guān)文獻(xiàn)[10-11]并結(jié)合社會經(jīng)濟(jì)數(shù)據(jù)，從地理空間、醫(yī)療設(shè)施、交通通達(dá)度等多重維度選取影響因素指標(biāo)。具體影響因素選取如下：（1）疫情的傳播以武漢市為中心。從空間上考慮，選取各個城市距武漢市的空間距離探究發(fā)病率是否與其密切相關(guān)。（2）各類公共交通工具的運(yùn)轉(zhuǎn)與疫情阻斷的矛盾較為突出，而從交通條件考慮疫情傳播可分為兩類，分別是與其他城市的往來及城市內(nèi)自身的交通流通水平。選取鐵路路網(wǎng)密度衡量與其他城市來往水平，選取單位公共汽車數(shù)量、單位出租車數(shù)量及運(yùn)客率3種影響因素衡量城市內(nèi)部的流通性。（3）醫(yī)院作為疫情防控的重要單位，醫(yī)院床位作為診療救治的必要條件。選取單位醫(yī)院數(shù)量、單位人均床位數(shù)及醫(yī)生率作為衡量城市醫(yī)療水平的指標(biāo)。最終構(gòu)建出候選影響因素，如表1所示。

1.2 數(shù)據(jù)來源與預(yù)處理

本文所用的新冠肺炎數(shù)據(jù)來源于國家衛(wèi)健委官網(wǎng)發(fā)布的每日疫情通報。通過爬蟲程序采集了2020年1月26日至2月15日的每日疫情數(shù)據(jù)，每日采集時間為當(dāng)日0點(diǎn)。為減少研究分析中的代表性誤差，在影響因素顯著性分析和空間異質(zhì)性分析時，本文僅選取采集期間新冠肺炎累計確證病例數(shù)大于500的湖北、廣東、河南、浙江等10個省市的地級市作為研究對象，樣本數(shù)量為131。

空間距離由每個城市經(jīng)緯度與武漢市經(jīng)緯度計算所得，經(jīng)緯度數(shù)據(jù)來自百度地圖開發(fā)平臺;鐵路路網(wǎng)數(shù)據(jù)下載于Open Street Map 開放平臺，通過ArcGIS 軟件計算每個城市的鐵路總長度并除以城市面積以求得鐵路路網(wǎng)密度;公共汽車數(shù)量、出租車數(shù)量、運(yùn)客量、醫(yī)生數(shù)量、互聯(lián)網(wǎng)用戶數(shù)量、城市總?cè)丝诘壬鐣y(tǒng)計數(shù)據(jù)均來源于《中國城市統(tǒng)計年鑒》。為消除影響因素量綱帶來的數(shù)量級差異，采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化對各項影響因素進(jìn)行標(biāo)準(zhǔn)化處理，公式如下：

1.3 研究方法

1.3.1 空間自相關(guān)

空間自相關(guān)分析就是研究空間單元觀測值是否與其相鄰單元的觀測值存在相關(guān)性的一種分析方法，是空間單元觀測值聚集程度的一種度量[14-16]。本文采用全局Moran’s I統(tǒng)計量對發(fā)病率分布的空間關(guān)聯(lián)性與差異性進(jìn)行分析，其計算公式為式中：n為研究城市數(shù)量;W為空間權(quán)重矩陣;xi，xj分別為城市i和j的新冠肺炎發(fā)病率;x-為所有城市的發(fā)病率均值。Moran’s I指數(shù)的取值范圍為[-1， 1]，在給定顯著度水平上，正值代表整體分布呈正相關(guān)，值越大，空間單元間的聯(lián)系越緊密，性質(zhì)越相似;負(fù)值代表整體分布呈負(fù)相關(guān)，絕對值越大，空間差異性越大。當(dāng)Moran’s I指數(shù)為0時，表示不存在空間相關(guān)性，觀測對象在空間上隨機(jī)分布。

1.3.2 地理加權(quán)回歸模型

地理加權(quán)回歸（geographically weighted regression，GWR）模型是一種針對空間非穩(wěn)態(tài)數(shù)據(jù)的局域空間分析方法，能夠有效避免自變量系數(shù)的均質(zhì)化，探究研究區(qū)域內(nèi)部的空間變化[17-18]。GWR模型的表達(dá)式為式中：yi、xik、θi分別為第i個城市的因變量、自變量和隨機(jī)誤差;（ui， vi ）為第i個城市的空間坐標(biāo);β0（ui， vi）為常數(shù)項;βk（ui， vi）為第i個城市的第k個自變量的回歸系數(shù)。本文以采集期間累計確診病例數(shù)大于500的131個地級市為研究單元，以發(fā)病率為因變量，以標(biāo)準(zhǔn)化后的各項影響因素為自變量，根據(jù)回歸系數(shù)在不同空間位置的數(shù)值及變化來探究各項影響因素對新冠肺炎發(fā)病率的影響程度及空間異質(zhì)性。

1.3.3 影響因素顯著性檢驗

為分析影響因素的邊際作用方向差異與各階段影響因素的時效性，結(jié)合GWR結(jié)果中各影響因素的回歸系數(shù)值，將影響因素對發(fā)病率的顯著性檢驗值定義如下[10]：

式中：t為離差統(tǒng)計量;X-為帶寬內(nèi)回歸系數(shù)均值;μ為預(yù)測回歸系數(shù)均值，將μ取值設(shè)為0，即原假設(shè)為新冠肺炎的發(fā)病率與該影響因素?zé)o關(guān);σx為帶寬內(nèi)系數(shù)的標(biāo)準(zhǔn)差;n為樣本數(shù)量，即為研究中所涉及的地級市數(shù)量。通過t檢驗臨界值表可知，樣本數(shù)為131，顯著性水平為0.5的臨界t值為1.28，顯著性水平為0.1的臨界t值為1.65，顯著性水平為0.05的臨界t值為1.97，顯著性水平為0.01的臨界t值為2.34。t絕對值越大，影響越顯著。

2 新冠肺炎發(fā)病率演變

2.1 新冠肺炎發(fā)病率的時間演變特征

2020年1月26日至2月15日新冠肺炎新增確診病例數(shù)時序變化，如圖1所示。按照圖1時序變化呈現(xiàn)的特征，新冠肺炎新增確診病例的時序變化分為以下3個階段：（1）階段A，1月26日至2月4日，為疫情爆發(fā)初期，新增確診病例數(shù)逐漸遞增且變化較為平緩，至2月4日新增確診病例數(shù)達(dá)到第一個高峰（3 887）是全國確診病例走勢的關(guān)鍵節(jié)點(diǎn);（2）階段B，2月5日至2月10日，新增確診病例數(shù)由2月4日達(dá)到階段峰值后呈逐步下降的態(tài)勢，新增確診病例數(shù)有所減少;（3）階段C，2月11日至2月15日，新增確診病例數(shù)由2月11日起急劇上升，數(shù)量突破10 000人達(dá)到峰值，繼而于2月12日起又呈急劇下降的趨勢，并于2月14日起逐漸下降。

2.2 新冠肺炎發(fā)病率的空間演變特征

結(jié)合新冠肺炎發(fā)病率的時序變化特征，選取上述過程中的3個階段對新冠肺炎發(fā)病率的空間集聚特征進(jìn)行定量分析。

利用空間自相關(guān)方法計算新冠肺炎各個階段發(fā)病率的全局Moran’s I指數(shù)，從而確定發(fā)病率的空間自相關(guān)性及其變化情況，結(jié)果如表3所示。由表3可知：各階段的z值均大于1.96，表明計算結(jié)果具有統(tǒng)計學(xué)意義，且Moran’s I指數(shù)值大于0說明發(fā)病率的空間分布具有空間正自相關(guān)性，即發(fā)病率的值隨著測定距離的縮小而變得更相似，由此也說明發(fā)病率受到了來自空間距離的影響。其中，A、B、C3個階段的Moran’s I指數(shù)值依次逐漸減弱，直至C階段Moran’s I指數(shù)值達(dá)到最小，未達(dá)到0.01，從而呈現(xiàn)出較弱的集聚性。發(fā)病率在前期新增病例數(shù)迅速上升的階段 A 的空間自相關(guān)性強(qiáng)于其余階段，但整體上均呈現(xiàn)空間集聚特征，且集聚性隨時間的推移而減弱。

3 基于GWR模型的影響因素分析

3.1 GWR模型擬合效果分析

分別以A、B、C 3個階段的發(fā)病率為因變量，以表2中的空間距離、鐵路路網(wǎng)密度、運(yùn)客量、單位人均床位數(shù)4類影響因素為自變量構(gòu)建GWR模型，共統(tǒng)計了255個地級城市，樣本數(shù)量為255，擬合結(jié)果如表4所示。由表4可知：階段A的擬合R2可達(dá)0.208，對于發(fā)病率空間分異解釋度可達(dá)20.8%;而在階段C，GWR模型對于發(fā)病率的解釋度僅有6.3%，赤池信息量準(zhǔn)則（Akaike information criterion，AIC）由533.160上升至882.428。根據(jù)已有研究對GWR模型擬合效果的評價標(biāo)準(zhǔn)[19]，AICc值越小則模型擬合效果越佳，而表4中的AICc值由階段A的533.160上升至階段C的882.428，則表明GWR模型的擬合效果隨時間的推移而減弱。

3.2 影響因素顯著性分析

為探究各類影響因素對新冠肺炎發(fā)病率的顯著程度，由式（4）計算t值離差統(tǒng)計量，并以累計確診病例數(shù)大于500的10個省市131個地級市為單元進(jìn)行統(tǒng)計，結(jié)果如圖2所示。

從圖2可知：空間距離、單位人均床位數(shù)在A、B、C3個階段中的t值絕對值均大于1.96，通過了顯著性水平為0.05的檢驗，對新冠肺炎發(fā)病率的影響較為顯著;鐵路路網(wǎng)密度的t值絕對值則在A、B、C3個階段中均未通過顯著性檢驗，因此，可認(rèn)為該影響因素對于新冠肺炎發(fā)病率的影響不顯著，故在后續(xù)研究中將鐵路路網(wǎng)密度這一影響因素剔除;而運(yùn)客率僅在階段A中通過顯著性水平為0.1的檢驗，對發(fā)病率的影響程度不如空間距離和單位人均床位數(shù)顯著。這一現(xiàn)象可能與新冠肺炎疫情后期各大城市公共交通系統(tǒng)防疫啟動應(yīng)急響應(yīng)機(jī)制有關(guān)，通過減少公共交通運(yùn)輸以免造成交叉感染，降低了作為衡量城市交通條件水平的運(yùn)客率對發(fā)病率的影響程度[20]。當(dāng)顯著性水平為0.1時，空間距離的檢驗通過率為100%，運(yùn)客率的檢驗通過率為26.1%，單位人均床位數(shù)的檢驗通過率為95.8%。

3.3 影響因素空間異質(zhì)性分析

將GWR模型中各影響因素的回歸系數(shù)按累計確診病例數(shù)大于500的10個省市進(jìn)行統(tǒng)計，結(jié)果見表5。由表5可知：

空間距離指標(biāo)是新增病例數(shù)變化的負(fù)向主導(dǎo)因素，發(fā)病率與湖北省的空間距離呈負(fù)相關(guān)，與湖北省的空間距離越小則發(fā)病率越高。

回歸系數(shù)絕對值體現(xiàn)了空間距離指標(biāo)的強(qiáng)作用區(qū)域主要集聚在南部的廣東、湖南、江西等省份，表明這些省份的城市受到空間距離的影響程度較大，而與湖北省距離較遠(yuǎn)的區(qū)域的發(fā)病率受到來自空間距離的作用力較小，如山東、浙江、江蘇等省份。

已有研究可知：武漢市作為疫情中心，各省市的病例數(shù)均與武漢流入人口數(shù)量呈較強(qiáng)的正相關(guān)[21]，而近鄰的周邊南部城市與武漢市的交通往來相比空間距離較遠(yuǎn)的其他城市更加頻繁，接觸武漢流入人口的機(jī)會也更大;因此，空間距離的作用力也凸顯在包括湖北省在內(nèi)的中南部及東南部地區(qū)。因此，在疫情防控中，從空間距離層面考慮，南部地區(qū)的防控工作應(yīng)予以高度重視，尤其是武漢市周邊中小城市的衛(wèi)生醫(yī)療條件有限，更應(yīng)該加強(qiáng)該類地區(qū)的管控力度。

運(yùn)客率的回歸系數(shù)均為正，是發(fā)病率空間變化的正向主導(dǎo)因素，即一個城市的運(yùn)客率越高、交通條件越好，則會在一定程度上提高發(fā)病率;但該影響因素的整體系數(shù)值不高，回歸系數(shù)值均小于0.1，影響因素作用強(qiáng)度較小。其中，運(yùn)客率的回歸系數(shù)高值區(qū)域主要集中在河南、江蘇、安徽、湖北等省份，應(yīng)該特別注意此區(qū)域的交通流通，適當(dāng)降低運(yùn)客率從而降低該地區(qū)的發(fā)病率。

床位作為診療救治的必要條件之一，單位人均床位數(shù)卻是發(fā)病率的正向主導(dǎo)因素，其原因可能與新冠肺炎需要較長的住院時間與治愈周期有關(guān)。

單位人均床位數(shù)的回歸系數(shù)高值區(qū)域主要集中在浙江、安徽、江蘇等東部省份。究其原因可知：

截至2020年1月23日，武漢市“封城”前遷出人口主要為正常的在外務(wù)工或求學(xué)返鄉(xiāng)人流，但涌出的人數(shù)仍是異于往常;而浙江、江蘇等東部地區(qū)可能會因其優(yōu)越的醫(yī)療條件[22]，從而吸引了部分武漢市遷出人口，導(dǎo)致單位人均床位數(shù)的回歸系數(shù)在該區(qū)域內(nèi)有小幅度提高，回歸系數(shù)值均大于0.25。

4 結(jié)語

新冠肺炎疫情是新中國成立以來在我國發(fā)生的傳播速度最快、感染范圍最廣、防控難度最大的一次重大突發(fā)公共衛(wèi)生事件。本文研究能夠為疫情的防控工作提供參考：（1）利用地理學(xué)的GIS空間分析技術(shù)，能夠更加精細(xì)地獲取全國范圍內(nèi)新冠肺炎發(fā)病率的時空特征。當(dāng)前發(fā)病率的各方面均處于穩(wěn)步下降的趨勢，各方面的防控工作初見成效，較好地遏制了疫情蔓延勢頭，但各項防控工作仍然不能放松，以防疫情再次抬頭。（2）通過空間距離、鐵路路網(wǎng)密度、運(yùn)客率、單位人均床位數(shù)4類影響因素構(gòu)建GWR模型，探討了來自地理、醫(yī)療、交通等外部因素對發(fā)病率的影響程度，并指出了各項影響因素的顯著程度及重點(diǎn)作用區(qū)域。（3）新冠肺炎發(fā)病率在一定程度上還受到了地理空間、交通運(yùn)轉(zhuǎn)、社會要素等多方面外因的綜合作用，但影響發(fā)病率的因素復(fù)雜多樣，后續(xù)研究應(yīng)融合醫(yī)學(xué)、地理學(xué)、心理學(xué)等多個科學(xué)領(lǐng)域，積極運(yùn)用遙感、交通、社交媒體等多源數(shù)據(jù)對疫情的防控研究進(jìn)行深層次分析。

本文存在以下局限性：（1）對于新冠肺炎此類急性傳染性疾病，未探討氣象因素，應(yīng)該在后續(xù)研究中補(bǔ)充。（2）相應(yīng)的防控措施會導(dǎo)致影響因素數(shù)值的動態(tài)變化，但由于實時數(shù)據(jù)難以獲取，僅以當(dāng)前可獲取的數(shù)據(jù)衡量了每個城市的醫(yī)療、交通的發(fā)展水平，若能收集到疫情期間每個城市的新增床位數(shù)量與具體鐵路交通的變動情況，模型擬合效果將會有所提升。

參考文獻(xiàn)：

[1]HUANG C， WANG Y， LI X， et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan， China[J]. Lancet， 2020， 395： 497-506.

[2]LU R， ZHAO X， LI J， et al. Genomiccharacterisation and epidemiology of 2019 novel coronavirus： implications for virus origins and receptor binding[J]. Lancet， 2020，395： 565-574.

[3]王玉光， 齊文升， 馬家駒， 等. 新型冠狀病毒肺炎中醫(yī)臨床特征與辨證治療初探[J]. 中醫(yī)雜志， 2020， 61（4）： 281-285.

[4]孫宇婷， 肖凡， 周勇， 等. 新型冠狀病毒肺炎疫情公眾關(guān)注度的時空差異與影響因素：基于百度搜索指數(shù)的分析[J]. 熱帶地理， 2020， 40（3）： 375-385.

[5]劉鄭倩， 葉玉瑤， 張虹鷗， 等. 珠海市新型冠狀病毒肺炎聚集發(fā)生的時空特征及傳播路徑[J/OL]. 熱帶地理： 1-13[2020-03-21]. https：//doi.org/10.13284/j.cnki.rddl.003228.

[6]趙序茅， 李欣海， 聶常虹. 基于大數(shù)據(jù)回溯新冠肺炎的擴(kuò)散趨勢及中國對疫情的控制研究[J]. 中國科學(xué)院院刊， 2020， 35（3）： 248-255.

[7]喻孜， 張貴清， 劉慶珍， 等. 基于時變參數(shù)-SIR模型的2019-nCoV疫情評估和預(yù)測[J/OL]. 電子科技大學(xué)學(xué)報： 1-5[2020-03-21].http：//kns.cnki.net/kcms/detail/51.1207.t.20200207.1546.002.html.

[8]許小可， 文成， 張光耀， 等. 新冠肺炎爆發(fā)前期武漢外流人口的地理去向分布及影響[J/OL]. 電子科技大學(xué)學(xué)報： 1-6[2020-03-21]. http：//kns.cnki.net/kcms/detail/51.1207.T.20200213.2002.002.html.

[9]齊曄， 陳劉歡， 張栗， 等. 新型冠狀病毒肺炎的公眾認(rèn)知、態(tài)度和行為研究[J]. 熱帶醫(yī)學(xué)雜志， 2020， 20（2）： 145-149.

[10]楊斯棋， 邢瀟月， 董衛(wèi)華， 等. 北京市甲型H1N1流感對氣象因子的時空響應(yīng)[J]. 地理學(xué)報， 2018， 73（3）： 460-473.

[11]李浩， 張明鑫， 汪冉. 區(qū)域地理環(huán)境因素對寧夏涇源縣兒童呼吸系統(tǒng)疾病的影響[J]. 地理研究， 2019， 38（12）： 2889-2898.

[12]陶海燕， 潘中哲， 潘茂林， 等. 廣州大都市登革熱時空傳播混合模式[J]. 地理學(xué)報， 2016， 71（9）： 1653-1662.

[13]張利娜， 劉新平， 葛淼. 老年前期女性紅細(xì)胞比積正常參考值與中國地理因素的因子分析[J]. 貴州大學(xué)學(xué)報（自然科學(xué)版）， 2007， 24（2）： 217-220.

[14]程葉青， 王哲野， 馬靖. 中國區(qū)域創(chuàng)新的時空動態(tài)分析[J]. 地理學(xué)報， 2014， 69（12）： 1779-1789.

[15]陳朋弟， 黃亮， 姚丙秀， 等. 2003年～2017年中國各省市人口出生率空間格局多角度分析[J]. 貴州大學(xué)學(xué)報（自然科學(xué)版）， 2020， 37（1）： 19-25.

[16]葉佳婕， 吳升. 福建縣域人口與經(jīng)濟(jì)空間分布關(guān)系及變化[J].貴州大學(xué)學(xué)報（自然科學(xué)版），2016，33（5）：29-35.

[17]何清， 陳楠， 張開洲. 基于GWR模型的福建縣域人口老齡化影響因素分析[J]. 貴州大學(xué)學(xué)報（自然科學(xué)版）， 2014， 31（5）： 129-135.

[18]BRUNSDON C， FOTHERINGHAM A S， CHARLTON M E. Geographically weighted regression： a method for exploring spatial nonstationarity[J]. Geographical Analysis， 1996， 28（4）： 281-298.

[19]BROWN S， VERSACE V L， LAURENSON L， et al. Assessment of spatiotemporal varying relationships between rainfall， landcover and surface water area using geographically weighted regression[J]. Environmental Modeling and Assessment， 2012， 17（3）： 241-254.

[20]周繼彪， 馬昌喜， 董升， 等. 新冠肺炎疫情下城市公共交通非常規(guī)防疫策略——以寧波市為例[J/OL]. 中國公路學(xué)報：1-11[2020-03-21]. http：//kns.cnki.net/kcms/detail/61.1313.U.2020

0306.1450.004.html.

[21]周成虎， 裴韜， 杜云艷， 等. 新冠肺炎疫情大數(shù)據(jù)分析與區(qū)域防控政策建議[J]. 中國科學(xué)院院刊， 2020， 35（2）： 200-203.

[22]梁博毅， 錢思蔚， 張維琦. 中國各省醫(yī)療條件空間分布與合理性研究[J]. 中國衛(wèi)生統(tǒng)計， 2017， 34（3）： 455-458.

（責(zé)任編輯：周曉南）