中國(guó)境內(nèi)COVID-19的空間格局演變及聚集性分析

陳進(jìn)釗，梅志雄，呂佳慧

(華南師范大學(xué) 地理科學(xué)學(xué)院，廣東 廣州 510631)

0 引言

新型冠狀病毒肺炎(Corona Virus Disease 2019，COVID-19)是一種潛伏期長(zhǎng)、具極強(qiáng)傳染性的疾病。2020年1月，隨著中國(guó)春運(yùn)人口大規(guī)模流動(dòng)，COVID-19在短時(shí)間內(nèi)從湖北省武漢市蔓延至中國(guó)多地，引起中國(guó)乃至全球的高度關(guān)注。相關(guān)領(lǐng)域?qū)W者在COVID-19基因組表征、溯源分析、流行特征、風(fēng)險(xiǎn)評(píng)估、檢測(cè)手段、病患治療、臨床表現(xiàn)、藥物研發(fā)、致病機(jī)理、傳播途徑等方面進(jìn)行了研究[1]，為了解、檢測(cè)、防控COVID-19及對(duì)病患的救治提供了較好指導(dǎo)。

傳染病的聚集性特征是疾病空間流行規(guī)律研究的重要組成部分[2]，對(duì)其進(jìn)行研究有助于更好地把握傳染病發(fā)展及其科學(xué)防控和評(píng)估已采取的防控措施等具有重要意義[3]。一些學(xué)者研究了SARS[4]、手足口病[5]、甲型H1N1[6]、流感[7]等傳染病的時(shí)空分布及聚集特征，挖掘出各傳染病的高發(fā)聚集時(shí)間和聚集區(qū)域。這些成果為本文提供了有益借鑒。目前，也有少數(shù)學(xué)者從時(shí)空分布視角對(duì)COVID-19進(jìn)行了研究，如曹培明等[8]、王宣焯等[9]、王剛等[10]、劉逸等[11]、劉鄭倩等[12]利用GIS制圖和一般統(tǒng)計(jì)方法，描述性分析了COVID-19在省、市內(nèi)部的時(shí)空特征及其變化趨勢(shì)。這些研究為相應(yīng)區(qū)域COVID-19防控提供了一定的參考，但缺乏從空間聚集演化和時(shí)空聚集性方面進(jìn)行探討，未能揭示COVID-19的空間集聚特征和時(shí)空聚集熱點(diǎn)區(qū)。蘇理云等[13]雖對(duì)中國(guó)各省COVID-19累計(jì)確診人數(shù)進(jìn)行了空間自相關(guān)分析，探討了其空間集聚特征，但未進(jìn)行時(shí)空聚集性熱點(diǎn)探測(cè)，也未揭示更小尺度如地市尺度上疫情聚集性特征。劉勇等[14]、簡(jiǎn)子菡等[15]分別從區(qū)縣尺度和鎮(zhèn)域尺度對(duì)河南省的時(shí)空擴(kuò)散特征、空間格局演化特征進(jìn)行分析，但其研究時(shí)間段皆較短，且未能進(jìn)行全國(guó)范圍的研究。還有學(xué)者從醫(yī)藥學(xué)視角發(fā)表了COVID-19代表性研究論文[16]，但缺乏地理學(xué)視角下的分析。

從地理學(xué)視角，挖掘中國(guó)境內(nèi)COVID-19的空間聚集演化和時(shí)空聚集規(guī)律對(duì)有效實(shí)施聯(lián)防聯(lián)控有重要意義。為此，本文對(duì)2020年1月11日至7月31日中國(guó)地級(jí)市的COVID-19疫情數(shù)據(jù)進(jìn)行空間自相關(guān)分析和時(shí)空聚集性探測(cè)，挖掘COVID-19疫情在中國(guó)各地市的空間聚集演化規(guī)律及時(shí)空爆發(fā)熱點(diǎn)情況，為全面了解該疫情時(shí)空分布特點(diǎn)、制定行之有效的防控政策提供一定的科學(xué)參考。

1 數(shù)據(jù)與研究方法

1.1 數(shù)據(jù)來(lái)源及處理

本文以中國(guó)地級(jí)市為基本空間單元(臺(tái)灣省、香港和澳門的數(shù)據(jù)不全而不包含在研究范圍內(nèi))，把北京、上海、天津、重慶幾個(gè)直轄市分別作為一個(gè)單元，最后形成362個(gè)研究單元。COVID-19數(shù)據(jù)來(lái)源于國(guó)家、各省和自治區(qū)的衛(wèi)生與健康委員會(huì)官網(wǎng)，由于各級(jí)衛(wèi)健委從2019年12月31日開始公布疫情數(shù)據(jù)，但2020年1月1日～1月10日未公布數(shù)據(jù)，因此本次研究時(shí)段選擇從2020年1月11日到7月31日。所需人口數(shù)據(jù)來(lái)源于中華人民共和國(guó)第六次人口普查數(shù)據(jù)，行政區(qū)劃圖取自中科院資源環(huán)境數(shù)據(jù)云平臺(tái)(http：//www.resdc.cn/)。

為了方便表達(dá)時(shí)間跨度達(dá)半年的疫情空間聚集演化和時(shí)空聚集特征的變化，從1月11日開始，以7天為時(shí)間間隔選取時(shí)間段，選取至2月29日；從3月份開始以月份為單位選取時(shí)間段，共選取得到12個(gè)時(shí)段。本文分別對(duì)中國(guó)地市每一時(shí)段內(nèi)COVID-19新增患病率進(jìn)行空間自相關(guān)分析以探測(cè)其空間集聚規(guī)律。通過(guò)時(shí)空掃描統(tǒng)計(jì)量方法進(jìn)行時(shí)空集聚性分析時(shí)，則使用每日COVID-19新增病例數(shù)組成的序列，由于時(shí)空掃描統(tǒng)計(jì)量方法不允許單日確診人數(shù)小于0，故將研究數(shù)據(jù)中由于核減產(chǎn)生的新增確診病例小于0的疫情數(shù)據(jù)設(shè)置為0，以便適用于時(shí)空掃描統(tǒng)計(jì)量方法分析。

1.2 研究方法

1.2.1 空間自相關(guān)方法

空間自相關(guān)度量指標(biāo)有多種，本文采用常用的Moran’sI指數(shù)，通過(guò)GeoDa軟件依據(jù)Queen法(適合面狀對(duì)象)構(gòu)建空間權(quán)重矩陣，進(jìn)而計(jì)算全局和局部Moran’sI指數(shù)。

全局Moran’sI反映區(qū)域單元觀測(cè)值在整個(gè)研究區(qū)的空間自相關(guān)特征，其計(jì)算公式為[17]：

(1)

全局Moran’sI雖可度量空間中相似屬性的聚集程度，但不能指出聚集區(qū)的具體位置。局部空間自相關(guān)可揭示空間異質(zhì)，識(shí)別聚集區(qū)的空間位置和范圍[18]。局部Moran’sI計(jì)算公式為[19]：

(2)

式中：各指標(biāo)的含義同式(1)。

局部空間自相關(guān)計(jì)算結(jié)果可劃分為高—高、低—低、高—低、低—高4種類型。高—高(低—低)型表示某單元與其相鄰單元間存在正空間自相關(guān)，為高(低)值在局部空間上的聚集模式，Ii為正；高—低(低—高)型表示該單元與其相鄰單元存在負(fù)空間自相關(guān)，高(低)值單元被低(高)值單元包圍，Ii為負(fù)[20]。

1.2.2 時(shí)空掃描統(tǒng)計(jì)量方法

時(shí)空聚集性分析可從時(shí)間和空間兩個(gè)維度對(duì)疫情的聚集進(jìn)行精確定位，并定量計(jì)算出疫情的相對(duì)危險(xiǎn)程度。本文通過(guò)SaTScan軟件的回顧性時(shí)空掃描方法進(jìn)行時(shí)空聚集性探測(cè)，可挖掘COVID-19疫情的時(shí)空聚集變化趨勢(shì)及其高發(fā)區(qū)域和時(shí)段。

時(shí)空掃描統(tǒng)計(jì)量方法是基于一個(gè)移動(dòng)的圓柱形活動(dòng)窗口，通過(guò)改變窗口在空間上的圓心和半徑以及在時(shí)間上的掃描時(shí)段，根據(jù)掃描圓柱體內(nèi)部事件數(shù)和根據(jù)某一理論分布而得到假設(shè)事件數(shù)構(gòu)造對(duì)數(shù)似然比(Log Likelihood Ratio，LLR)。LLR可用于評(píng)價(jià)掃描圓柱體內(nèi)部時(shí)空的發(fā)生異常情況[21]。基于離散型Poisson模型假設(shè)，其LLR為[22]：

(3)

式中：c為窗口內(nèi)發(fā)病數(shù)；C為研究范圍總發(fā)病數(shù)；E[c]為基于無(wú)效假設(shè)由協(xié)變量校正過(guò)的窗口內(nèi)預(yù)期發(fā)病數(shù)。I為掃描指示值，進(jìn)行高發(fā)病率聚集掃描時(shí)，若窗口內(nèi)實(shí)際發(fā)病數(shù)高于預(yù)期發(fā)病數(shù)，則I=1，反之I=0。

選取LLR值最大的窗口為一級(jí)高發(fā)病聚集窗口，確定該窗口所包括的單元為一類時(shí)空聚集區(qū)。其他具有統(tǒng)計(jì)意義的窗口，根據(jù)LLR大小對(duì)它們進(jìn)行排序，確定這些窗口對(duì)應(yīng)的單元為二類時(shí)空聚集區(qū)。最后計(jì)算探測(cè)到的時(shí)空聚集區(qū)的相對(duì)危險(xiǎn)程度(Risk Ratio，RR)[23]。

(4)

式中：各指標(biāo)的含義同式(3)。通過(guò)RR值可評(píng)估各聚集區(qū)的相對(duì)風(fēng)險(xiǎn)大小。

本文采用基于Poisson概率模型的時(shí)空掃描統(tǒng)計(jì)量的方法，時(shí)間單位為1天，時(shí)間掃描下限為3天、上限為研究時(shí)長(zhǎng)的50%，空間掃描上限為10%總?cè)丝谒鶎?duì)應(yīng)的區(qū)域。時(shí)間趨勢(shì)調(diào)整方法采用模型自動(dòng)計(jì)算的對(duì)數(shù)線性趨勢(shì)法，該方法可根據(jù)數(shù)據(jù)中觀察到在時(shí)間上發(fā)病數(shù)的整體變化趨勢(shì)來(lái)對(duì)假設(shè)理論分布進(jìn)行調(diào)整。

2 結(jié)果分析

2.1 COVID-19的空間聚集格局演變

2.1.1 總體空間聚集格局的演變

利用式(1)計(jì)算各時(shí)段中國(guó)地市COVID-19新增患病率的全局Moran’sI值和相關(guān)指標(biāo)(表1)。由表1知，全局Moran’sI值在1月11日～1月18日時(shí)段不顯著且值較小，但在1月19日開始至2月29日的各時(shí)段均顯著為正，表明1月19日～2月29日各時(shí)段中國(guó)地市COVID-19患病率總體上具正空間集聚特征。但隨時(shí)間的推移，其聚集程度呈先增強(qiáng)后減弱趨勢(shì)。1月26日～2月1日時(shí)段全局 Moran’sI值達(dá)到最大值，說(shuō)明該時(shí)段中國(guó)地市COVID-19新增患病率的總體空間差異最小，COVID-19疫情從武漢市向中國(guó)其余地區(qū)快速蔓延使得多地市COVID-19患病率都經(jīng)歷了較快增長(zhǎng)。2月2日后全局 Moran’sI值逐漸下降，說(shuō)明中國(guó)地市COVID-19每一時(shí)段內(nèi)新增患病率的總體空間差異又逐步擴(kuò)大，區(qū)域極化效應(yīng)逐漸顯現(xiàn)，這表明2月2日后中國(guó)統(tǒng)一實(shí)施嚴(yán)格防控措施，如限制交通和人員流動(dòng)與聚集等逐漸顯現(xiàn)出效果，只有少數(shù)疫情核心地市如湖北省部分地市仍然形式較嚴(yán)峻外，中國(guó)其它地市疫情總體上得到逐步控制。從3月份開始，全局Moran’sI值不顯著且值較小。這表明疫情得到有效的控制，因此從地理視角看，并未呈現(xiàn)顯著的聚集分布。

表1 中國(guó)地市COVID-19患病率的全局Moran’s ITab.1 Global Moran’s I of the prevalence of COVID-19 in China

2.1.2 局部空間聚集格局的演變

上文顯示中國(guó)地市COVID-19各時(shí)段內(nèi)患病率的空間聚集性顯著時(shí)段為1月19日～2月29日的6個(gè)時(shí)間段，故進(jìn)一步對(duì)該6個(gè)時(shí)間段的局部聚集特征進(jìn)行分析，利用式(2)計(jì)算各地市COVID-19新增病例患病率的局域Moran’sI值，并通過(guò)GIS軟件得到局部空間聚集演變圖(圖1)。

從局部空間聚集時(shí)空分布看，高—高聚集區(qū)集中分布在武漢市及其周圍地市，其原因是中國(guó)境內(nèi)COVID-19疫情始于武漢市，在1月23日武漢封城前武漢周圍地市與武漢市人員流動(dòng)規(guī)模大而受到武漢市疫情擴(kuò)散影響較大，造成武漢周圍一些地市較多患者被確診從而形成以武漢為中心的高—高聚集區(qū)。高—高聚集區(qū)范圍于1月26日～2月1日時(shí)段達(dá)到最大、2月2日后逐步收縮。低—低聚集區(qū)1月19日～2月8日主要分布在中國(guó)西部和東北、西南、華北的部分地市。 2月9日～2月22日低—低聚集區(qū)散布在中國(guó)西部以及東北和華南等部分地市，對(duì)應(yīng)的地市數(shù)量減少。2月23日～2月29日，中國(guó)未出現(xiàn)明顯的低—低聚集區(qū)。

低—高區(qū)在1月19日～1月25日時(shí)段主要分布在湖北省內(nèi)及與湖北省相鄰的部分地市，且與高—高區(qū)相互交錯(cuò)分布，在1月26日～2月1日時(shí)段與高—高區(qū)交錯(cuò)分布態(tài)勢(shì)消失且有整體外移趨向，這表明此時(shí)段疫情在原交錯(cuò)地帶迅速蔓延，原低—高區(qū)向高—高區(qū)轉(zhuǎn)變，而非交錯(cuò)地帶受影響相對(duì)較小而依舊為低—高區(qū)；低—高區(qū)范圍2月2日后范

圍呈現(xiàn)收縮態(tài)勢(shì)，隨后趨于穩(wěn)定。高—低區(qū)1月19日～1月25日零星分布在中國(guó)多地，如四川省甘孜藏族自治州、云南省麗江市、甘肅省蘭州市、陜西省銅川市、山東省日照市和內(nèi)蒙古錫林郭勒盟，1月26日后，高—低區(qū)僅在個(gè)別時(shí)段零星出現(xiàn)，如2月2日～2月8日的貴州省畢節(jié)市，2月9日～2月29日的四川省甘孜藏族自治州和2月16日～2月22日的山東省濟(jì)寧市。高—低區(qū)和低—高區(qū)表示高低(低高)患病率的不同值在空間上聚集的效應(yīng)，是空間異質(zhì)區(qū)。高—低型地市具強(qiáng)烈的空間極化特征，低—高型地市受到周邊高值地市的極化影響，如低—高區(qū)基本都出現(xiàn)在高—高聚集區(qū)周圍，表明這些地市在外防疫情高發(fā)地輸入病例的工作效果顯著。另外，研究期內(nèi)高—低區(qū)較長(zhǎng)時(shí)間出現(xiàn)在四川甘孜藏族自治州，其累計(jì)患病率達(dá)7.14人/10萬(wàn)人，明顯高于其周邊相鄰地市，該州的道孚縣占該州93.6%的確診病例，據(jù)相關(guān)報(bào)道這與疫情初期該縣未能有效落實(shí)各項(xiàng)防控措施有關(guān)。位于高原上而非位于東部發(fā)達(dá)地區(qū)或湖北省周邊地區(qū)的甘孜藏族自治州出現(xiàn)這種情況，也警示面對(duì)如此高傳染性的疾病，任何地區(qū)防控措施不許有半點(diǎn)懈怠，即便偏遠(yuǎn)的地區(qū)也會(huì)存在疫情高發(fā)的風(fēng)險(xiǎn)。

2.2 COVID-19時(shí)空聚集性分析

采用SaTScan軟件對(duì)各地市每日COVID-19新增病例數(shù)組成的序列進(jìn)行時(shí)空聚集性分析，探測(cè)到具有統(tǒng)計(jì)學(xué)意義的時(shí)空聚集區(qū)共18個(gè)，LLR最大的時(shí)空聚集區(qū)為一類時(shí)空聚集區(qū)(1個(gè)，用A標(biāo)識(shí))，其余為二類時(shí)空聚集區(qū)(17個(gè))。按聚類時(shí)間的起始時(shí)間對(duì)二類聚集區(qū)進(jìn)行先后排序，使用B1，B2，…，B17進(jìn)行標(biāo)識(shí)。3月16日國(guó)務(wù)院聯(lián)防聯(lián)控機(jī)制新聞發(fā)布會(huì)上指出 “外防輸入” 已經(jīng)成為疫情防控的重中之重。為了更好展示境外輸入時(shí)期COVID-19的時(shí)空聚集情況。以3月16日為時(shí)間點(diǎn)將研究時(shí)段分割為兩個(gè)時(shí)間段，分別作圖展示(圖2)。

2.2.1 COVID-19時(shí)空聚集區(qū)描述

如圖2(a)和表2所示。一類時(shí)空聚集區(qū)(A區(qū))包括湖北省的武漢、鄂州和孝感3市，其聚類時(shí)間段為1月27日至3月1日，根據(jù)式(3)和式(4)得到其相對(duì)危險(xiǎn)程度(RR)為376.78、對(duì)數(shù)似然比(LLR)高達(dá)234 872.51。3月16日前的二類時(shí)空聚集區(qū)中，除B2、B3和B6聚集區(qū)離COVID-19爆發(fā)地武漢市相對(duì)較近外，監(jiān)測(cè)到的其他二類時(shí)空聚集區(qū)分散在其他省域的少數(shù)地市、為本次疫情在中國(guó)范圍的散布型高發(fā)時(shí)空熱點(diǎn)區(qū)。其中，B2區(qū)聚類時(shí)段為1月28至2月13日，位于湖北省東部、安徽大部分地市以及浙江西部、福建西北部、江蘇西部、江西北部的部分地市，其RR為2.88、LLR為1 886.00；B3區(qū)聚類時(shí)段為1月29日至2月14日，位于湖北中西部、重慶市以及陜西省東南部、貴州省東北部、湖南省西北部和四川省東部的部分地市，其RR為4.39、LLR為4 491.00；B6區(qū)聚類時(shí)段為2月1日至2月6日，位于河南省大部分地市和山西省東南部、安徽省西北部、湖北省北部的部分地市，其RR為1.83、LLR為182.30。其余的散布型高發(fā)時(shí)空熱點(diǎn)區(qū)中，B1區(qū)聚類時(shí)段為1月27日至2月7日，位于浙江省溫州市，其RR為3.72；B4區(qū)聚類時(shí)段為1月29日至2月5日，位于廣東省深圳市，其RR為2.57；B5區(qū)聚類時(shí)段為2月1日至2月12日，位于安徽省蚌埠市，其RR為3.99；B7區(qū)聚類時(shí)段為2月4日至2月12日，位于海南省三亞市和保亭黎族苗族自治縣，其RR為5.55；B8區(qū)聚類時(shí)段為2月9日至2月19日，位于四川省甘孜藏族自治州，其RR為6.10；B9區(qū)聚類時(shí)段為2月20日至2月22日，位于山東省濟(jì)寧市，其RR為15.48。

3月16日后的二類時(shí)空聚集區(qū)在空間上呈現(xiàn)散布式分布，聚類時(shí)段總體上相比于3月16日前的二類時(shí)空聚集區(qū)跨度長(zhǎng)，呈現(xiàn)復(fù)雜多變的特點(diǎn)。如圖2(b)顯示，B10區(qū)聚類時(shí)間段為3月21日至4月12日，位于上海市，其RR為2.70；B11區(qū)聚類時(shí)間段為5月31日至7月26日，位于成都市，其RR為3.82；B12區(qū)聚類時(shí)間段為6月5日至7月31日，位于廣州市，其RR為10.11；B13區(qū)聚類時(shí)間段為6月12日至6月29日，位于北京市，其RR為64.25；B14區(qū)聚類時(shí)間段為6月16日至7月4日，位于蘭州市，其RR為10.11；B15區(qū)聚類時(shí)間段為7月5日至7月26日，位于內(nèi)蒙古中部，陜西省北部，寧夏回族自治區(qū)北部地區(qū)，其RR為8.56；B16區(qū)聚類時(shí)間段為7月17日至7月31日，位于烏魯木齊市，其RR為2 337.98；B17區(qū)聚類時(shí)間段為7月23日至7月31日，位于大連市，其RR為265.87。

2.2.2 COVID-19時(shí)空聚集性特征及原因分析

對(duì)于3月16日前各時(shí)空聚類區(qū)，根據(jù)各RR值大小可知：一類時(shí)空聚集區(qū)的相對(duì)危險(xiǎn)程度遠(yuǎn)大于其余時(shí)空聚集區(qū)，疫情極為嚴(yán)峻。在3個(gè)鄰近一類時(shí)空聚集區(qū)的二類時(shí)空聚集區(qū)(B2、B3、B6)中，位于武漢以西的B3區(qū)的疫情最為嚴(yán)峻，而位于武漢以北的B6區(qū)的疫情嚴(yán)重程度最低，位于武漢以東的B2區(qū)介于兩者之間；其余散布型高發(fā)時(shí)空熱點(diǎn)區(qū)中，B9區(qū)(山東省濟(jì)寧市)發(fā)生監(jiān)獄聚集性疫情爆發(fā)事件，疫情嚴(yán)重程度明顯比其余二類聚集區(qū)高，B1區(qū)(溫州市)、B5區(qū)(蚌埠市)、B7區(qū)(三亞市和保亭黎族苗族自治縣)和B8區(qū)(甘孜藏族自治州)的疫情嚴(yán)重程度相對(duì)也較高。而B4區(qū)(深圳市)的疫情嚴(yán)重程度在散布型高發(fā)時(shí)空熱點(diǎn)區(qū)中相對(duì)較低。

結(jié)合國(guó)家及各級(jí)衛(wèi)健委公布的每一病例的具體來(lái)源，B10(上海市)，B11(成都市)，B12(廣州市)，B14(蘭州市)和B15時(shí)空聚集區(qū)的病例來(lái)源皆為境外輸入，為境外輸入型時(shí)空聚集區(qū)。境外輸入型時(shí)空聚集區(qū)的病例來(lái)源大多比較固定且單一，B10聚集區(qū)中來(lái)自于歐美國(guó)家的輸入型病例占91.98%，B11聚集區(qū)中來(lái)自埃及的輸入型病例占84.62%，B14聚集區(qū)中來(lái)自于沙特阿拉伯的輸入型病例占85.71%，B12聚集區(qū)中來(lái)自于南亞、東南亞的病例達(dá)75%。這與國(guó)際航班的開通情況有關(guān)，且時(shí)空聚集區(qū)RR值和聚類時(shí)段與航班來(lái)源國(guó)的疫情有較強(qiáng)的相關(guān)性。B15聚集區(qū)的形成原因主要是呼和浩特白塔國(guó)際機(jī)場(chǎng)在北京市爆發(fā)本土疫情后，接受了原本飛往北京的航班。B13(北京市)，B16(烏魯木齊市)和B17(大連市)皆為本土病例，為擴(kuò)散型時(shí)空聚集區(qū)。擴(kuò)散型時(shí)空聚集區(qū)的RR值均高于境外輸入型時(shí)空聚集區(qū)。其中最嚴(yán)重的B16(烏魯木齊市)的疫情爆發(fā)和一起聚集性活動(dòng)關(guān)聯(lián)，且疫情發(fā)展較快；B13(北京市)和B17(大連市)的疫情爆發(fā)于當(dāng)?shù)氐牟耸袌?chǎng)，與受污染的進(jìn)口海鮮有關(guān)?？傮w而言，3月份后中國(guó)進(jìn)入嚴(yán)防境外輸入時(shí)期，從地理視角看在中國(guó)范圍內(nèi)疫情趨于分散性，局部性且形勢(shì)多變。相比于境外人員，對(duì)境外進(jìn)口的海鮮進(jìn)行全面排查難度較大，容易出現(xiàn)關(guān)聯(lián)的本土病例，并存在短時(shí)期內(nèi)出現(xiàn)爆發(fā)性疫情的可能性。

表2 全國(guó)地市COVID-19疫情時(shí)空聚集性分析結(jié)果Tab.2 Spatio-temporal cluster results of COVID-19 epidemic at prefecture level in China

3 結(jié)論與討論

3.1 結(jié)論

(1)1月19日開始至2月29日的各時(shí)段中國(guó)地市COVID-19患病率的全局空間集聚在均顯著為正，中國(guó)地市COVID-19患病率總體呈正空間聚集特征，且聚集程度呈先升后降趨勢(shì)。其余時(shí)間段中國(guó)地市COVID-19患病率的全局空間集聚性不顯著。

(2)中國(guó)地市COVID-19患病率的局部高—高聚集區(qū)主要分布在武漢市及其周圍地市，1月19日～1月25日呈以武漢為中心向外擴(kuò)張，高—高聚集區(qū)范圍于1月26日～2月1日時(shí)段達(dá)到最大、2月2日后逐步收縮。低—低聚集區(qū)1月19日～2月8日主要分布在中國(guó)西部和東北、西南、華北的部分地市。2月9日～2月22日低—低聚集區(qū)散布在中國(guó)西部以及東北和華南等部分地市，對(duì)應(yīng)的地市數(shù)量減少。2月23日～2月29日中國(guó)未出現(xiàn)明顯的低—低聚集區(qū)。低—高區(qū)主要分布于高—高區(qū)周圍，1月19日～1月25日與高—高區(qū)相互交錯(cuò)分布，1月26日～2月8日該交錯(cuò)分布態(tài)勢(shì)消失并呈整體外移趨勢(shì)，隨后保持穩(wěn)定。高—低區(qū)在1月19日～1月25日零星分布在中國(guó)多地，隨后僅在個(gè)別時(shí)段零星分布。

(3)中國(guó)地市COVID-19疫情一類時(shí)空聚集區(qū)位于湖北省武漢市、鄂州市和孝感市，聚類時(shí)間段為1月27日～3月1日。該時(shí)空聚集區(qū)的相對(duì)危險(xiǎn)程度遠(yuǎn)大于其余時(shí)空聚集區(qū)，且對(duì)應(yīng)的聚類時(shí)間較長(zhǎng)，為本次疫情最嚴(yán)峻的區(qū)域。二類時(shí)空聚集區(qū)中在3月16日前的共有9個(gè)，在3月16日后的共有8個(gè)。3月16日前的時(shí)空聚集區(qū)中有3個(gè)(B2、B3、B6)位于一類時(shí)空聚集區(qū)周圍，其中B2和B3的相對(duì)危險(xiǎn)程度較高，且持續(xù)時(shí)間長(zhǎng)，為疫情初期防控救助的重點(diǎn)區(qū)域。其余6個(gè)二類時(shí)空聚集區(qū)聚類時(shí)間較短且包含的地市較少，皆為散布型高發(fā)時(shí)空熱點(diǎn)區(qū)。3月16日后的8個(gè)時(shí)空聚集區(qū)中，3個(gè)(B13，B16和B17)為擴(kuò)散型時(shí)空聚集區(qū)，其余皆為境外輸入型時(shí)空聚集區(qū)。擴(kuò)散型時(shí)空聚集區(qū)的相對(duì)危險(xiǎn)程度更高，且與本地聚集活動(dòng)或境外受污染海鮮的輸入有關(guān)；而境外輸入型時(shí)空聚集區(qū)的相對(duì)危險(xiǎn)程度較低，且與境外病例來(lái)源國(guó)的疫情嚴(yán)重程度有較強(qiáng)的相關(guān)性。輸入病例來(lái)源較為單一，與航班開通情況相關(guān)，時(shí)空上整體呈現(xiàn)多變態(tài)勢(shì)。

3.2 討論

本文研究結(jié)果可為了解本次COVID-19疫情中國(guó)范圍內(nèi)的區(qū)域聚集性發(fā)展變化，從而制定行之有效的聯(lián)防聯(lián)控政策提供一定的參考。但是，本文研究數(shù)據(jù)僅采集中國(guó)境內(nèi)的病例數(shù)據(jù)，未能深刻揭示中國(guó)疫情與世界疫情發(fā)展的關(guān)系。在外防輸入時(shí)期，分析中國(guó)和世界的疫情時(shí)空關(guān)聯(lián)性，尋找其中的時(shí)空關(guān)聯(lián)性對(duì)外防輸入工作有重要意義。因此，后續(xù)需要用關(guān)聯(lián)思維從地理視角審視疫情能得到更深刻的研究結(jié)果。另外，時(shí)空掃描統(tǒng)計(jì)量方法應(yīng)用于COVID-19分析時(shí)，采用不同參數(shù)產(chǎn)生時(shí)空聚集區(qū)的空間范圍和聚類時(shí)長(zhǎng)也有一定差異，采用何種參數(shù)最有利于揭示疫情的時(shí)空熱點(diǎn)也是需要進(jìn)一步研究的問(wèn)題。本文采用一種基于模型自動(dòng)計(jì)算的對(duì)數(shù)線性趨勢(shì)法對(duì)病例數(shù)在時(shí)間維度上對(duì)理論假設(shè)病例數(shù)進(jìn)行調(diào)整，可將時(shí)空掃描統(tǒng)計(jì)量方法拓展至較長(zhǎng)時(shí)間段的，病例總數(shù)變化范圍較大的疫情聚集性探測(cè)，且得到良好的效果。但隨著時(shí)間的推移，RR值呈現(xiàn)過(guò)度偏高的現(xiàn)象。從方法上，如何對(duì)理論假設(shè)病例數(shù)進(jìn)行調(diào)整也是一個(gè)需要進(jìn)一步研究的問(wèn)題。