城市群新冠疫情時空分布格局與分異機制的地理探測

王 琳,趙俊三

昆明理工大學國土資源工程學院, 昆明 650093

從湖北省武漢市等多個地區(qū)發(fā)生新型冠狀病毒感染的肺炎疫情以來,我國境內(nèi)報告感染累計數(shù)不斷攀升[1]。專家研判認為,疫情傳播途徑以呼吸道傳播為主,人員流動性會加大疫情傳播的風險和防控的難度[2]。城市群擁有強大的人口和經(jīng)濟聚集力,伴隨著世界城市化進程,大城市正成為傳染病傳播的重要中心[3]。我國不同城市群雖然在人口數(shù)量和空間規(guī)模的分布略有不同,但均呈現(xiàn)出較明顯的規(guī)律性,大多為集中型分布格局[4-5]。我國疫情的時空分布變化與我國城市群的整體分布格局是否具有關(guān)聯(lián)性？基于城市群的疫情發(fā)展具有怎樣的空間規(guī)律性？疫情的發(fā)展分布在地理上受哪些空間差異性因素影響？對疫情在城市群范圍進行空間分析和地理因素探索,將在疫情防控方面能發(fā)揮積極的作用。

城市群是一個相對完整的城市“集合體”,在形式上表現(xiàn)為空間形態(tài)高度發(fā)達、城市高度融合、群內(nèi)要素向大城市高度集聚,空間交互較強[6]。我國目前已基本形成了“19+2”城市群分布格局——19個城市群,加上以新疆喀什和西藏拉薩為中心的兩個城市圈。我國19個城市群占全國27.40%的土地面積,承載全國人口的72.98%[7]。大量的人口流動在城市之間發(fā)生,大多數(shù)發(fā)達國家的城市化率已經(jīng)高達約80%,聯(lián)合國預測世界城市人口將從2007年的33億增長到2050年的63億,指數(shù)級城市增長正在對全球人類健康產(chǎn)生深遠影響[3]。推進健康中國建設,需要結(jié)合城市群的高聚集性和開放性對城市群進行可持續(xù)發(fā)展規(guī)劃,處理好集中與分散的關(guān)系,圍繞城市群的功能、空間、交通、形態(tài)等科學布局。

從新冠肺炎疫情爆發(fā)以來國內(nèi)外出現(xiàn)了不少研究,除病理學分析外,多集中于統(tǒng)計分析并建立模型對疫情傳播進行模擬預測,Qun Li等[1]通過擬合傳輸模型來推導疫情的發(fā)展和演變,Tianmu Chen等[8]建立蝙蝠-宿主-海鮮市場-人群(BHRP)傳播網(wǎng)絡模型評估COVID-19的傳導性,Tianyi Qiu等[9]建立了SEIO實時狀態(tài)動態(tài)模型：對易感、暴露、感染癥狀、醫(yī)療(Medical care)和系統(tǒng)外人口進行建模,協(xié)助疫情應對。研究者還運用一般增長模型[10]、傳播動力學模型[11]、以及復雜網(wǎng)絡的疾病傳播模型SIR[12]、SEIR模型[13]對疫情演變進行分析。對于疫情擴散的人口流動和安全距離的研究,許小可等[14]基于地理位置服務的人口流動數(shù)據(jù),對春節(jié)前離漢人口的地理分布進行了統(tǒng)計分析和對疾病傳播的影響,George J Milne[15]建立了基于個體的模擬模型,在沒有干預的情況下,在社區(qū)模型中對病毒傳播的模擬提供一個基準,用來比較替代性的社會疏遠策略。而對于城市群的研究,諸多學者從不同角度展開,研究主題主要涵蓋了城市群的空間格局[16]、城市群綜合發(fā)展評價[17]、資源與生態(tài)環(huán)境[18-19]、承載力[20]、社會經(jīng)濟的可持續(xù)發(fā)展[21]、土地利用[22-23]、時空演化[24]等。在疫情嚴峻的形勢下,鮮有結(jié)合城市群進行地理空間分析的研究。本文首先將疫情在數(shù)量、人口遷移和空間分布上進行測度,利用空間自相關(guān)分析疫情空間分布特征,運用地理探測器方法客觀地測度城市群疫情發(fā)展的影響極其差異性,從景觀格局中挖掘相關(guān)影響因子,以期為國土空間規(guī)劃中的防疫空間規(guī)劃布局提供科學依據(jù)。

1 數(shù)據(jù)來源及處理

本文研究數(shù)據(jù)包括百度遷徙數(shù)據(jù),全國各省、市疫情統(tǒng)計數(shù)據(jù),用于驅(qū)動因素分析的自然指標柵格數(shù)據(jù),社會經(jīng)濟指標屬性數(shù)據(jù)。對2018年土地利用1 km柵格數(shù)據(jù)按土地利用一級類型進行分類提取生態(tài)用地和建設用地,基于全國氣象站點月數(shù)據(jù),計算年均氣溫、年平均降水量等,利用反向距離加權(quán)平均的方法內(nèi)插出空間分辨率為100 m×100 m的年平均氣溫、年平均降水量、干燥度和濕潤指數(shù)。利用SPSS對缺失數(shù)據(jù)采取線性插值等方法進行補充,通過歸一化處理消除量綱和量級的影響。使用ArcGIS對各圖層進行投影坐標變換、空間配準等空間化處理,為使疫情確診感染人數(shù)、社會、經(jīng)濟等無X、Y坐標的屬性數(shù)據(jù)實現(xiàn)指標空間化,將省域和市域尺度社會經(jīng)濟數(shù)據(jù)結(jié)合自然因素數(shù)據(jù)轉(zhuǎn)化成格網(wǎng)數(shù)據(jù),保證感染人數(shù)、社會、經(jīng)濟等屬性數(shù)據(jù)在空間上的平滑過渡。借助GeoDa軟件進行空間自相關(guān)分析,通過GeoDetector進行空間分異性測算,用Fragstats測度景觀格局指數(shù)。主要數(shù)據(jù)源及處理相關(guān)信息如表1所示。

表1 指標體系、主要數(shù)據(jù)來源Table 1 The index system, main data source

2 研究方法

2.1 核密度

密度分析是基于空間平滑及空間內(nèi)插技術(shù)的統(tǒng)計分析過程,核密度值隨中心輻射距離的增大逐漸變小[25],運用核密度估計可以清晰反映累計確診人數(shù)在空間上的分散和集聚特征,其計算表達式為：

(1)

式中,fn為疫情人數(shù)分布的核密度測算值,n為COVID-19感染累計總?cè)藬?shù),k為核密度函數(shù),xi為獨立同分布的累計確診值,x為均值,h為核密度測算帶寬的平滑參數(shù)。

2.2 空間自相關(guān)

空間自相關(guān)是區(qū)域化變量的基本屬性之一,既可檢驗變量空間分布的自相關(guān)強度,又可檢測研究區(qū)內(nèi)變量的分布是否具有結(jié)構(gòu)性[26]。全局自相關(guān)描述整體分布情況,判斷某屬性在特定區(qū)域內(nèi)是否有聚集特征存在,局部自相關(guān)能指出顯著的聚集發(fā)生在哪些位置[27]。Moran′sI∈[-1,1],小于0表示負相關(guān),等于0表示不相關(guān),大于0表示正相關(guān)。

全局 Moran′sI計算表達式為：

(2)

局部 Moran′sI計算表達式為：

(3)

式中,n為變量x的觀測數(shù);xi、xj分別為變量x在位置i和位置j處的觀測值;x為所有觀測值的均值;Wij是空間權(quán)重矩陣值。

2.3 理探測器

地理探測器模型可較好表達同一區(qū)域內(nèi)的相似性、不同區(qū)域之間的差異性,該模型主要是基于統(tǒng)計學原理的空間方差分析, 通過分析層內(nèi)方差與層間方差的異同來定量表達研究對象的空間分層異質(zhì)性(空間異質(zhì)性)。其計算表達式為：

(4)

式中,q為疫情分布的空間異質(zhì)性;N為群市區(qū)域的全部樣本數(shù);σ2為指標的方差;h=1, 2, …,L,h標識分區(qū),L表示分區(qū)數(shù)目。q∈[0, 1],q的大小反映了空間分異的程度,q值越大,表示空間分層異質(zhì)性越強,反之則空間分布的隨機性越強[28]。

2.4 景觀格局指數(shù)

景觀指數(shù)可以研究地區(qū)面積分布、邊緣和形狀特征,以及它們的細碎化和連通性[29]。本文選擇以下指標對城市群生態(tài)用地和建設用地進行分析：香農(nóng)多樣性指數(shù)(SHDI,Shannon′s Diversity Index)、蔓延度(CONTAG,Contagion Index)、散布與并列指數(shù)(IJI,Interspersion Juxtaposition Index)、聚集度指數(shù)(AI,Aggregation Index)、相似臨近百分比(PLADJ,Percentage of Like Adjacencies)和整體性斑塊凝聚度(COHESION,Patch Cohesion Index)[30-31],并通過ArcGIS 10.2將不同城市建設用地和生態(tài)用地指標生成Grid柵格數(shù)據(jù),在Fragstats 4.2景觀分析軟件中完成指標評價。

3 結(jié)果與分析

3.1 全國疫情分布與演化格局

3.1.1疫情分布特征

全國累計確診病例數(shù)自1月20日有數(shù)據(jù)記錄以來,一直處于上升階段,結(jié)合趨勢圖可將疫情劃分為3個階段：爆發(fā)期(1月20日—2月12日),從傳播開始,確診數(shù)量增長為快速上升趨勢,該階段后期急劇增加(2月12日,湖北省對新增確診病例標準進行了調(diào)整,當日新增的14840例中包含了臨床診斷病例13332例);發(fā)展期(2月12日—3月2日),累計確診人數(shù)漲幅度較前一階段有所放緩,平均增長率為24.18%;控制期(2月28日—5月),新增確診得到有效控制,累計人數(shù)趨于平緩,平均增長率為1.97%,成功緩解了疫情。為了反映疫情發(fā)展的時空變化,將不同階段數(shù)據(jù)繪制成雷達圖,因為武漢及相鄰城市疫情的烈度和形勢都顯著不同于其它地區(qū),數(shù)據(jù)樣本沒有包含湖北省?？梢钥闯?數(shù)量上各省(直轄市)COVID-19感染確診數(shù)量差別較大,疫情區(qū)域面積較大的集中在廣東、河南、浙江、安徽和江西等省,而增長情況在爆發(fā)期增長面積最多,進入發(fā)展期大部分地區(qū)確診人數(shù)均有增加,而控制期則面積變化總體較小,僅在上海、黑龍江、廣東等地有較明顯的增加(圖1)。

圖1 全國COVID-19感染累計確診病例發(fā)展趨勢Fig.1 The development trend chart of COVID-19 cases in China

3.1.2COVID-19感染熱點區(qū)域與城市群耦合特征

為體現(xiàn)疫情的空間密度分布,將市域尺度的確診累計病例矢量數(shù)據(jù)進行要素轉(zhuǎn)點,使用核函數(shù)計算各單位面積的量值,并將各個點擬合為光滑錐狀表面,對核密度值高的區(qū)域以高亮形式顯示,從而用熱力圖形式呈現(xiàn)疫情空間密度分布(圖2)。我國感染COVID-19的人數(shù)在空間分布中整體表現(xiàn)出明顯的不均勻聚集特征：以武漢為中心的區(qū)域是明顯的高密度區(qū),以此為中心向周圍輻射,湖北省其他城市則為中高密度區(qū),在北京市周邊,浙江、江蘇、上海等地,以及廣州地區(qū)都是中高密度區(qū)。與湖北省相鄰的河南省、安徽省、江西省、湖南省等周邊區(qū)域以及黑龍江哈爾濱等地區(qū)中密度區(qū),其余為中低密度區(qū)。以胡煥庸線為界,界線以西普遍體現(xiàn)為低密度區(qū)。進一步將疫情核密度圖與城市群區(qū)域進行疊加分析,可以看出COVID-19感染的高密度區(qū)與長江中游城市群相吻合,中高密度區(qū)分別與京津冀城市群、長江三角洲城市群和珠江三角洲城市群區(qū)取相重合。因此,本文圍繞以上四大城市群做進一步研究分析。

3.2 城市群人口遷徙與疫情演化分布

利用python獲取百度遷徙中全國人口遷徙的OD(Origin-destination)數(shù)據(jù),計算疫情爆發(fā)期湖北省疫情高發(fā)城市遷出的無量綱遷徙指數(shù)累計數(shù)。從湖北省遷往長江中游城市群、京津冀城市群、長江三角洲城市群和珠江三角洲城市群的人口數(shù)量占總遷徙量的67.8%,遷往長江中游城市群的比例為55.4%,疫情高發(fā)城市遷出排名前25的城市主要集中在湖北省。人口流動促進傳染疾病的傳播是不言而喻的[32],從武漢遷入的省內(nèi)城市,大部分如孝感、襄陽、孝感、鄂州、黃岡、荊州、黃石、宜昌等地成為了疫情較嚴峻地區(qū),以及從湖北遷入的省外城市如深圳、溫州、南昌、九江、安慶、長沙、岳陽、常德等地感染確診數(shù)也相對較多。以市域為尺度對城市群的COVID-19感染累計確診數(shù)和增長率進行統(tǒng)計,長江中游城市群中武漢市感染人數(shù)最多,占四大城市群的69.95%,除去武漢市長江中游其余城市占四個城市群感染人數(shù)的23.89%。除去武漢市的感染人數(shù),長江三角洲城市群疫情人數(shù)占4個城市群最高,為47.91%,其次為珠三角城市群27.24%,京津冀城市群為24.85%。在控制期階段,大部分城市為零增長,而該階段依舊還有新增病例的城市主要有武漢、北京、天津、上海和東莞等。城市群的首位核心城市確診病例數(shù)在城市群中占比均較高,城市群疫情擴散分布呈現(xiàn)典型的由核心城市向外輻射的特征(圖3、圖4)。

圖4 COVID-19感染確診累計人數(shù)和增長指數(shù)Fig.4 Number of cases and increase index of COVID-19 infection

3.3 確診數(shù)與增長率空間自相關(guān)分析

分別將全國有疫情統(tǒng)計數(shù)據(jù)的365個城市COVID-19確診人數(shù)和增長率作為空間自相關(guān)分析的屬性值,引入全局Moran′sI指數(shù)來分析疫情發(fā)展的空間自相關(guān)性以及不平衡性。對比全國以及四大城市群全局Moran′sI指數(shù),結(jié)合Z值和P值進行統(tǒng)計量檢驗(表2)。在全國范圍,確診人數(shù)Moran′sI指數(shù)為0.564,增長率Moran′sI指數(shù)為0.409,P值均≤0.001,Z值均大于1.96,達到顯著水平,具有正空間自相關(guān)關(guān)系,存在較顯著空間集聚特征。在城市群范圍,四個城市群在感染確診人數(shù)的空間自相關(guān)均通過檢驗,Moran′s Ⅰ指數(shù)從長江中游城市群、珠江三角洲城市群、京津冀城市群、長江三角洲城市群依次降低,表明聚集區(qū)域范圍逐漸縮小;而城市群感染增長率Moran′sI指數(shù)除長江三角洲城市群外,均沒有通過顯著性檢驗,說明長江三角洲城市群的增長率表現(xiàn)為正空間自相關(guān)關(guān)系,存在空間集聚特征,而其他三個城市群的城市與周圍區(qū)域的增長率在空間分布上差異較大。

表2 全國及四個城市群確診數(shù)與增長率全局Moran′s I指數(shù)分析值Table 2 The Moran′s I index analysis value of COVID-19 cases and increase rate of nationwide and four urban agglomerations

通過LISA聚集圖可以看到,確診人數(shù)在長江中游城市群大部分地區(qū)為高-高聚集,表示該區(qū)域本身以及周圍區(qū)域的確診人數(shù)均較高,長江中游城市群南部部分城市、京津冀城市群石家莊市、長江三角洲城市群的泰州市、珠三角洲城市群肇慶市、佛山市和江門市、東北部分城市以及胡煥庸線以西大部分地區(qū)為低-低聚集,這些區(qū)域與周圍確診人數(shù)均較低,北京市為高-低聚集,長江中游城市群少部分城市為低-高聚集。感染增長率則在東北部分地區(qū)以及長江中游地區(qū)武漢市、潛江市、天門市為高-高聚集,而在長江中游和長三角洲城市群少部分城市、云南省部分地區(qū)和胡煥庸線以西大部分地區(qū)為低-低聚集,疫情增長率在四個城市群的空間關(guān)聯(lián)集聚區(qū)域較少,僅在武漢市及周邊部分城市聚集,其余地區(qū)聚集規(guī)律不明顯(圖5)。

圖5 全國感染人數(shù)與增長率空間關(guān)聯(lián)分析 Fig.5 Spatial correlation analysis of COVID-19 cases and increase rate in China該圖基于國家測繪地理信息局標準地圖服務網(wǎng)站下載的審圖號為GS(2019)1823號的標準地圖制作，底圖無修改

3.4 疫情影響因子探測分析

3.4.1主導因子探測分析

依據(jù)人口、地理空間形態(tài)、交通功能、生態(tài)、社會經(jīng)濟可能對疫情產(chǎn)生影響的機理[33],結(jié)合數(shù)據(jù)可獲取性,建立多維指標體系。以城市群的市級行政區(qū)劃為研究單元,以8個類型(經(jīng)濟核算、人口密度、城鄉(xiāng)建設、交通、衛(wèi)生、科技、氣候、生態(tài)綠地)的14項指標數(shù)據(jù)為因變量,COVID-19感染確診累計數(shù)和感染增長率分別作為自變量,對指標數(shù)據(jù)采用自然斷點法進行離散處理,運用地理探測器模型計算出不同指標因子的影響力水平(圖6)。從京津冀城市群的主導因子來看,感染確診累計數(shù)和感染增長率的q統(tǒng)計值最高的為公交運營數(shù)(0.9591、0.9430),長江中游城市群為衛(wèi)生機構(gòu)床位數(shù)(0.9245、0.9312),長江三角洲城市群為建成區(qū)路網(wǎng)密度(0.9230、0.9505),珠江三角洲城市群的感染確診累計數(shù)上城市人口密度q統(tǒng)計值最高(0.9725),感染增長率q值最高的為人均公園綠地面積(0.8911)。

圖6 疫情空間分異影響因子探測結(jié)果(q統(tǒng)計量)Fig.6 Detection results of epidemic spatial differentiation influencing factors (q statistic)

結(jié)果表明,在主導因子探測中,以經(jīng)濟發(fā)展為方向的人均GDP和以年均氣溫、降水、干燥度和濕潤度為指標的氣候因子的解釋能力相對較小。不同城市群的主導影響因子及其解釋力因城市群自身特征而具有不同程度的差異：京津冀城市群城市交通解釋力最大,其次為城市公園綠地;長江中游城市群醫(yī)療衛(wèi)生資源解釋力最大,其次為科技創(chuàng)新水平;長江三角洲城市群的城市道路通達程度解釋力最大,其次為醫(yī)療衛(wèi)生資源;珠江三角洲城市群的人口密度解釋力最大,其次為公園綠地?？傮w分析,對疫情具有較大解釋力的因子反映了在城市化建設過程中,城市土地集約化利用,促使人口集聚程度增高,公路網(wǎng)總體規(guī)模建設促進了交通的高效性和通達性,并且為人口流動提供了便利條件;高技術(shù)產(chǎn)業(yè)科技創(chuàng)新對疫情的防控起到一定的作用;生態(tài)和建設用地在空間上的規(guī)模集聚或者分散能夠起到一定地理阻隔、生態(tài)廊道的安全作用。

3.4.2交互作用分析

不同因子之間具有交互作用,不同評估因子共同作用時可能會增加或減弱對因變量的解釋力[31]。研究分別對COVID-19感染確診累計數(shù)和增長率的空間分異探測因子進行交互探測,提取兩兩交互的增強型因子中最大q值交互因子(表3)。結(jié)果表明,在交互主導因子中,最大q值的兩個因子交互后,作用強度都明顯大于單一因子。在COVID-19感染人數(shù)的空間分異上,京津冀城市群q值最高的主導交互因子為專利授權(quán)和公園綠地交互(q為0.9246),長江中游城市群為衛(wèi)生機構(gòu)床位數(shù)和公園綠地交互(q為0.9668),長三角城市群為人口密度和衛(wèi)生機構(gòu)數(shù)交互(q為0.9477),珠三角城市群為公交運營和衛(wèi)生機構(gòu)數(shù)交互(q為0.9626)。在COVID-19感染增長率上,4個城市群的主導交互分別是京津冀城市群為網(wǎng)密度和專利授權(quán)(q為0.9956),長江中游城市群的主導交互為衛(wèi)生機構(gòu)數(shù)和專利授權(quán)(q為0.9398),長三角城市群為人口密度和公交運營(q為0.9215),珠三角城市群為專利授權(quán)和公園綠地(q為0.9610)。

表3 交互主導因子影響強度(q值)表Table 3 The dominant interactions between two covariates (q value)

4個城市群的主導雙因子交互反映出,城市群的經(jīng)濟水平、城鎮(zhèn)化的發(fā)展、醫(yī)療衛(wèi)生水平、交通通達程度、科技創(chuàng)新研發(fā)能力、生態(tài)綠地因素相互作用,增強了對疫情的空間分布解釋能力。對具有高解釋力的因子做進一步分析,上述因素既存在傳播擴散的高風險,同時也具備疫情管控的優(yōu)勢：在風險方面,由于4個城市群的經(jīng)濟發(fā)展水平相對高,大城市群形成了巨大而緊密的一體化區(qū)域城市和城市區(qū)域,城市間以及城市內(nèi)部人口流動和出行移動,交通的普及化、便利化和高速化,助推了國民流動性和市民機動性的大幅度提升[34],在區(qū)域空間上人員的密集性以及人員流動性,都會增加疫情擴散的風險。而在優(yōu)勢方面,則由于發(fā)展水平較高的城市醫(yī)療水平也相對較高,醫(yī)療設施完善、人員配備齊全,同時還有一個重要的條件就是科技創(chuàng)新研發(fā)能力所帶來的技術(shù)優(yōu)勢,能夠在抗擊疫情的關(guān)鍵的時刻提升效率和防控準確度,為建設提供技術(shù)支持,為防護提供物資保障,能夠在防控技術(shù)開發(fā)和應用方面發(fā)揮出關(guān)鍵的作用;而城市綠地作為城市自然生態(tài)系統(tǒng)的重要部分,與山水林田湖草等自然生態(tài)要素有機連接,能夠確保生態(tài)廊道暢通,城市通風廊道得到優(yōu)化,能夠成為疫情時期的開放空間和疏散通道。

3.4.3生態(tài)與建設用地景觀格局探測分析

城市空間一直是健康生活的重要支撐,城市化增強了病毒傳播的能力[35]。城市群的城市建設和生態(tài)綠地空間形成了融合集聚及阻斷方式,在因子探測中已經(jīng)得到顯現(xiàn),為了深入挖掘城市群的土地利用景觀格局對疫情的解釋力,進一步研究探測建設用和生態(tài)用地景觀格局對于感染風險的分異度q值(表4)。

生態(tài)用地景觀格局指數(shù)探測q統(tǒng)計量較高且均通過5%顯著性檢驗的3個因子為：香農(nóng)多樣性指數(shù)(SHDI)、蔓延度(CONTAG)和散布與并列指數(shù)(IJI),說明生態(tài)用地景觀的多樣性、優(yōu)勢生態(tài)用地類型所形成的良好的連接性以及生態(tài)用地破碎化程度的解釋力較高。整體上蔓延度指數(shù)的q值具有較高解釋性,體現(xiàn)了景觀格局中的優(yōu)勢斑塊與非優(yōu)勢斑塊的連接度在疫情人數(shù)上有較大解釋能力。在感染增長率方面,四個城市群的散布與并列指數(shù)相對較高,說明生態(tài)景觀趨向分散的格局對疫情發(fā)展具有較強解釋能力。

建設用地的景觀格局指數(shù)探測出結(jié)解釋度較高的3個因子為：聚集度指數(shù)(AI)、相似臨近百分比(PLADJ)和整體性斑塊凝聚度(COHESION),感染人數(shù)的q值整體大于增長率q值,說明城市群的建設用地在聚合度上對疫情的解釋力較強,對感染人數(shù)的解釋力強于對增長率的解釋。3個因子的q統(tǒng)計量在京津冀城市群的探測中最高,說明在建設用地的聚集結(jié)合聚合和集群程度對疫情的解釋力最高。

在高度集約化的城市群,生態(tài)綠帶和廊道規(guī)劃設計,景觀的連通性、生態(tài)流、良好的連接度是促進生態(tài)系統(tǒng)健康、可持續(xù)發(fā)展的關(guān)鍵[36]。結(jié)合城市群的疫情分布和景觀格局指數(shù)來看,在建設用地景觀格局指數(shù)探測中選取q值整體較高的聚集度指數(shù)(AI),在生態(tài)用地探測中選取q值整體較高的蔓延度指數(shù)(CONTAG),用ArcGIS 10.2基于自然斷點法進行數(shù)量分類并可視化,與疫情數(shù)量和增長情況進行比較(圖7)?？梢钥闯?在疫情數(shù)量和增長率較高的大部分地區(qū),建設用地的聚集度指數(shù)較高,如長江中游城市群中武漢、 南昌等地,京津冀城市群中北京、天津,長三角洲城市群中上海、杭州、合肥,珠三角州的廣州、東莞和深圳;而疫情人數(shù)增長率較低的地區(qū),生態(tài)用地景觀蔓延度指數(shù)較高,如長江中游城市群益陽、衡陽、安慶,京津冀城市群中承德,長江三角洲城市群中南通、蘇州,珠三角州的佛山。

圖7 城市群疫情數(shù)量統(tǒng)計與景觀格局指數(shù)示意圖Fig.7 Schematic diagram of epidemic quantity statistics and landscape pattern index in urban agglomerations

4 結(jié)論與討論

4.1 結(jié)論

全國COVID-19感染人數(shù)核密度高值區(qū)空間分布與我國四大城市群區(qū)域耦合。湖北省疫情高發(fā)城市遷往四大城市群的人口數(shù)量占總遷徙量的67.8%,遷往長江中游城市群的比例為50.4%,從湖北遷入量排前25的大部分城市在感染人數(shù)和增長率上相對偏高。在全國范圍COVID-19感染確診人數(shù)Moran′sI指數(shù)(0.564)高于增長率Moran′sI指數(shù)(0.409),存在顯著空間集聚特征;在城市群范圍COVID-19感染人數(shù)的Moran′sI指數(shù)從長江中游、珠江三角洲、京津冀到長江三角洲城市群依次降低;在城市群范圍COVID-19感染人數(shù)增長率的空間關(guān)聯(lián)集聚區(qū)域較少,聚集規(guī)律不明顯。經(jīng)過地理空間分異性探測,經(jīng)濟核算、氣候因子解釋力相對較小,人口密度、城鄉(xiāng)建設、交通、衛(wèi)生、科技、生態(tài)綠地等驅(qū)動因子影響力較大,并且交互后解釋力增強。生態(tài)與建設用地景觀格局對疫情有較大解釋力,其中建設用地的聚集性和生態(tài)用地的蔓延性對疫情的解釋力較高。總之,COVID-19感染的人數(shù)分布體現(xiàn)出空間上的鄰近性,因此,從疫情控制和生態(tài)安全的角度考慮,城市的人口規(guī)模和空間形態(tài)是國土空間規(guī)劃的關(guān)鍵問題。把健康理念融入規(guī)劃,優(yōu)化城市群空間格局需要集聚與分散相結(jié)合,綜合考慮建筑密度、道路通達性、自然植被、生態(tài)廊道等因素。

4.2 討論

本文采用定量分析的方法對新冠肺炎疫情的城市群區(qū)域確定、空間相關(guān)性、空間分異機制進行研究,以市域尺度在宏觀層面總結(jié)了空間分布的規(guī)律和疫情的驅(qū)動因素,基于土地利用分類的數(shù)據(jù),對建設用地和生態(tài)用地的景觀格局指數(shù)進行了研判。要進一步把握相關(guān)因子與疫情的一致性關(guān)系以及跨區(qū)域發(fā)展趨勢,需對感染人群所在具體位置進行更細致的時空分析,結(jié)合跨區(qū)域流動,挖掘更多有價值的信息。要進一步驗證和研究景觀格局對傳染病的影響以及規(guī)劃的防控作用,需要結(jié)合疫情個體和群體,通過更小尺度的土地利用類型和景觀斑塊形態(tài),來探討城市建設過程中生態(tài)廊道的布局對疫情發(fā)展的隔離作用。城市群規(guī)劃的景觀格局和空間形態(tài)對人民健康生活構(gòu)成影響,直接關(guān)系到經(jīng)濟持續(xù)健康發(fā)展,也關(guān)系到政治和社會建設。