福建省新冠肺炎的空間分布特征與影響因素

賀卓文，陳 楠*

（1. 福州大學空間數據挖掘與信息共享教育部重點實驗室，福建 福州 350108；2. 福州大學數字中國研究院（福建），福建 福州 350108）

傳染病關乎人類的身體健康和生命安全，關系到經濟的大局穩定，對人類安全構成了巨大威脅。早期的嚴重急性呼吸系統綜合癥（SARS）、中東呼吸綜合征（MERS）和甲型H1N1 流感等在世界范圍內傳播，給人類帶來了重大災難。2019 年12 月湖北省武漢市出現了首例新型冠狀病毒肺炎（以下簡稱新冠肺炎）病例。作為一種新發傳染病，新冠肺炎可通過呼吸道飛沫傳播、接觸傳播以及糞—口傳播，人群普遍容易感染、傳染性強[1]；且各地人員交流頻繁，疫情迅速蔓延至全國，形勢十分嚴峻，成為我國公共衛生重點關注的問題之一。

國內外針對傳染病的研究多集中在生物學[2]、病理學[3]、臨床醫學[4]和流行病學[5]等方面，只是描述性地從非空間的角度考慮疾病的成因、過程、傳播機理和解決對策；而傳染病的發生與傳播是其自身流行病學機制與環境因素相互作用的結果，這種相互作用使傳染病發生在不同的地理區域上具有一定的差異性[6]。近年來，隨著GIS的發展，疾病傳播的空間分布特征與差異逐漸被人們所關注，也有部分學者[7-9]對傳染病的空間集聚性進行了研究，說明不同地區傳染病的流行情況存在差異性，鄰近區域發病情況相似，但僅限于簡單的空間統計分析。對傳染病的影響因素研究中具有兩個方面的特點：①研究尺度多元，從不同國家、省級、地級市和縣級尺度進行研究[10-12]；②研究方法的非空間性，傳統的Spearman 秩相關分析[13]、多元Logistics回歸分析[14]和最小二乘回歸模型[15]均忽略了各地理單元之間的空間效應，可能會導致結果不夠精準[16]。地理加權回歸（GWR）模型是一種探測空間非平穩性的方法，能將各影響因素在不同地理位置上的差異性考慮在內，用于測量因變量與解釋變量之間關系強度在不同區域的差異性，從而估計每個預測變量的局部回歸系數[17]。在人口城鎮化[18]、土壤[19]和房地產[20]等領域應用廣泛，但僅有少數學者采用該方法從空間角度來研究疾病傳播的影響因子，如HE Z M[21]等采用GWR 模型分析了內蒙古自治區手足口病與氣象因素、人口密度和人均GDP的相關性，并檢測了在不同季節的變化影響。王微[22]等采用空間自相關和時空掃描統計量分析了新疆結核病報告數量的時空集聚性，并利用GWR模型解釋了結果的空間非平穩性。

新冠肺炎疫情發生后，石耀霖[23]、李陳晨[24]等對湖北省等疫情嚴重地區的疫情擴散速度、發展特征和防控策略做了大量研究，但新冠肺炎疫情具有地域差異性，應根據疫情的嚴重程度和空間傳播規律制定科學、合理的疫情防控措施，以達到最佳防控效果。因此，本文選擇非嚴重疫情區域的福建省作為研究區，以福建省所轄84個縣域行政單元為研究對象，基于探索性空間數據分析方法和GWR模型，探究了福建省縣域新冠肺炎疫情的空間分布格局以及影響因素的空間分異特征，有助于更好地發現高危感染地區，為制定高效的防控措施、合理分配醫療資源提供科學依據。

1 研究方法與數據來源

1.1 數據來源

本文采用的數據包括：福建省84個行政縣的新冠肺炎確診數，時間為2020-01-22—2020-02-18，數據來源于福建省衛生健康委員會官網（http://wjw.fujian.gov.cn/）；相關的經濟（人均GDP）、醫療（每平方公里擁有醫療機構數）和教育（人均公共財政教育支出）數據來源于《2019年福建省統計年鑒》或通過間接計算獲得；交通數據為各縣域到火車站的距離（在ArcGIS 中計算面的質心到火車站的距離）。本文通過ArcGIS軟件將交通、經濟、醫療和教育數據與每日的新冠肺炎確診數關聯到福建省縣級行政區劃圖中，縣級行政區劃圖來源于中國科學院資源環境科學數據中心（http://www.resdc）。

1.2 研究方法

1.2.1 探索性空間數據分析方法

探索性空間數據分析方法是一種檢測某種屬性的空間分布與鄰近單元是否存在相關性以及相關程度的方法[25]，主要包括全局自相關和局部自相關。本文利用全局Moran’s I 指數反映福建省新冠肺炎確診數在研究范圍內的空間聚集程度，以揭示福建省縣域新冠肺炎確診數空間差異的總體特征；利用局部Getis-Ord G*指數檢測福建省新冠肺炎確診數在縣域是否存在空間上的局部高值和低值，從而彌補全局空間自相關無法識別聚集區的缺點[26]。

全局Moran’s I指數的計算公式為：

式中，n為空間單元（本文為縣域）的數量；wij為空間權重矩陣；xi和xj分別為i縣域和j縣域的新冠肺炎確診數；Xˉ為各縣域新冠肺炎確診數的平均值。

Moran’s I 指數的絕對值越接近1，表示空間相關性越大，接近0則表示空間不相關。

局部Getis-Ord G*指數的計算公式為：

式中，xj為要素j的屬性值，本文為縣域j的新冠肺炎確診數；wij為要素i和要素j之間的空間權重；n為要素總數；s為要素的標準差；Gi*為局部統計量經過Z檢驗得到的Z得分。對于具有顯著統計學意義的Z得分，若Z得分接近于零，則表示不存在明顯的空間聚類；若Z得分高且為正數，則表示有高值（熱點）的空間聚類；反之亦然。

1.2.2 GWR模型

GWR 模型是對傳統回歸模型（最小二乘法）的擴展。其優勢在于考慮了數據的空間位置關系，反映了變量對局部區域的影響程度，能很好地解決因變量的空間異質性問題[27]。模型的表達式為：

式中，yi為因變量的值，本文為福建省各縣域新冠肺炎的確診數；(ui,vi)為第i個縣域的空間位置，以縣域的經緯度坐標表示；xij為第j個自變量在縣域i處的值；εi為殘差；β0(ui,vi)為縣域i處的回歸常數；βj(ui,vi)為第i個縣域的第k個回歸參數。

1.3 技術路線

在ArcGIS軟件中建立新冠肺炎疫情數據庫，利用探索性空間數據分析方法分析新冠肺炎疫情的空間相關性和空間集聚模式，但該方法無法解釋各解釋變量與新冠肺炎確診數之間的關系；因此再引入GWR 模型分析解釋變量對被解釋變量在不同區域上的影響程度。本文的技術路線如圖1所示。

圖1 技術路線圖

2 研究結果與分析

2.1 空間分布概況

福建省84 個縣域的新冠肺炎確診數空間分布如圖2所示（限于篇幅，僅列出1月22日、2月4日和2月18 日的空間分布圖），可以看出，福建省新冠肺炎疫情呈現東部沿海地區較嚴重、內陸地區較輕微的分布特征，且沿海地區的鐵路網明顯比內陸地區密集。隨著火車和高鐵的普及，交通的便捷性和多樣化導致沿海地區人口流量較大；而內陸地區多山地，地形情況復雜，公路、鐵路等修建困難，交通基礎設施薄弱，因此需通過建立GWR 模型探討新冠肺炎確診數與各縣到火車站距離的關系。

圖2 1月22日、2月4日和2月18日的新冠肺炎確診數空間分布圖

2.2 新冠肺炎疫情的空間自相關分析

2.2.1 全局自相關分析

以福建省新冠肺炎確診數為變量，計算逐日的全局Moran’s I指數（圖3），從整體上把握縣域間新冠肺炎疫情的空間關聯水平和差異程度。福建省新冠肺炎確診數的空間相關性大致經歷了3個階段：1月22日—1 月26 日Moran’s I 指數的絕對值均未超過0.1，說明空間相關性相對較弱，新冠肺炎疫情呈隨機分布；從1月27日開始，Moran’s I指數迅速上升，并通過高顯著性水平檢驗，說明新冠肺炎疫情存在較強的空間正相關性，表現出顯著的空間差異性，空間集聚狀態明顯；1月31日—2月18日Moran’s I指數整體呈逐漸降低趨勢并有微小波動，說明新冠肺炎確診數的空間集聚水平開始有所下降，伴隨小幅上升后趨于平穩。

圖3 新冠肺炎確診數的全局Moran’s I指數趨勢

疫情爆發初期，正值春節前后，從武漢返鄉和到武漢出差的人員流動性較大，且當時人們對于新冠肺炎疫情的警惕性嚴重不足，防范措施幾乎為零，從而使福建省輸入了新冠肺炎病例，呈隨機空間分布特征。新冠肺炎具有潛伏期較長的特點[28]，初期感染不易發現，必然存在無癥狀病毒攜帶者，且新冠肺炎傳染性強，因此感染人數逐漸增多，空間集聚性顯著增強。1 月30 日的空間相關性達到最高隨后開始降低，這主要歸功于有效的疫情防控措施和廣大市民的積極配合，疫情擴散得到了有效控制，空間聚集性明顯降低。因此，新冠肺炎疫情的空間分布模式與疫情的發展趨勢具有一定的相關性，疫情聚集性的出現和增強可作為疾病由局部向大規模暴發的預警指示。Sims D L[29]和張仁杰[30]等在禽流感的研究中也發現了類似現象，隨著流感疫情的蔓延，空間聚集現象越來越明顯，反之亦然。全局Moran’s I指數的變化節點主要發生在1月26日、1月30日和2月18日，因此本文主要圍繞這3個時間節點做進一步的分析。

2.2.2 局部熱點探測分析

為進一步明確福建省新冠肺炎疫情空間集聚熱點區的地理位置，本文分別計算了1月26日、1月30日和2 月18 日各縣域新冠肺炎確診數的Getis-Ord G*指數；再利用ArcGIS 的自然斷裂法將結果進行可視化，如圖4 所示，可以看出，新冠肺炎疫情的熱點和冷點區域表現出較明顯的空間演變特征，1月26日新冠肺炎確診數的熱點區域包括閩侯縣、永泰縣、晉江市、石獅市和鯉城區5個地區，未形成冷點區域；1月30日空間集聚性增強，熱點區域逐步擴大，且呈向南部擴散的趨勢，包括仙游縣、城廂區、秀嶼區、涵江區、福清市、荔城區、晉江市和鯉城區8 個地區，由各市衛生健康委員會官網數據可知，新冠肺炎患者大多為返鄉人員和旅游人員，表明大量的人員流動是新冠肺炎廣泛傳播的重要因素之一，這些地區位于沿海地區，交通便利，第二、三產業比重相對較高，活動交往的頻繁加速了人員流動，冷點區域包括建陽區和政和縣，這兩個地區多山地，交通可達性差，自然林業資源豐富，主要以農業生產為主，人員流動少；2 月18日的熱點區域范圍縮小，空間集聚性減弱，包括城廂區、秀嶼區、涵江區和荔城區4個地區，無冷點區域，可見新冠肺炎確診數較高的縣域對周邊的輻射效應降低，說明采取的疫情防控措施起到了很好的效果。因此，應根據各縣域的情況，認清自身防控形勢，繼續加強對熱點區域和周圍次熱點區的管理以及對密切接觸者的隔離觀察，減少人員流動，并根據疫情嚴重程度制定合理的防控策略，防止疫情的進一步擴散。

圖4 1月26日、1月30日和2月18日的新冠肺炎確診數熱點分析結果

2.3 新冠肺炎疫情影響因素的空間分異特征分析

2.3.1 GWR模型構建

上述分析表明，福建省新冠肺炎疫情存在顯著的地理空間關聯特征，因此本文引入了考慮空間地理位置關系的GWR 模型，進而分析各影響因素對新冠肺炎疫情的影響程度。由于1月30日的全局自相關達到最高隨后降低，本文選取1月30日的新冠肺炎確診數作為因變量；傳染病的發病率與經濟、交通、醫療等多種社會因素相關，選取各縣到火車站的距離、人均GDP、每平方公里擁有醫療機構數和人均公共財政教育支出作為解釋變量構建GWR模型。運算結果表明，1月30日的相關系數為0.23，擬合效果良好。為避免各解釋變量之間的相互影響造成計算結果偏差，本文對上述變量進行多重共線性檢驗，結果如表1所示，可以看出，各解釋變量的方差膨脹因子（VIF）均小于10，表明本文所選取的解釋變量不存在共線性關系。

表1 影響因素共線性檢驗

本文對GWR 模型的回歸系數進行整理，選取了最大值、最小值、平均值、偏度系數和峰度系數5 個統計指標，結果如表2 所示，從最大、最小值來看，各縣到火車站的距離與新冠肺炎確診數呈負相關關系，人均GDP、每平方公里擁有醫療機構數和人均公共財政教育支出與新冠肺炎確診數既有負相關又有局部正相關，整體表現為負相關關系，說明了影響因素的不穩定性；從平均值來看，4 個解釋變量對新冠肺炎確診數的影響程度依次為各縣到火車站的距離＞每平方公里擁有醫療機構數＞人均GDP＞人均公共財政教育支出，說明交通發達程度對新冠肺炎疫情的爆發具有關鍵性影響；從偏度系數和峰度系數來看，各縣到火車站的距離為負偏低峰分布，即回歸系數大于平均值的縣域比小于平均值的縣域多，樣本頻數形成的概率密度曲線坡度較緩，人均GDP、每平方公里擁有醫療機構數和人均公共財政教育支出為正偏低峰分布，即回歸系數小于平均值的縣域比大于平均值的縣域多，樣本頻數形成的概率密度曲線坡度較緩。

表2 GWR模型回歸系數統計分析表

由于各影響因素在不同的縣域具有顯著的空間差異，本文對4 個影響因素的空間異質性逐一進行分析。

2.3.2 各縣到火車站的距離對其影響的空間分異特征

各縣到火車站距離回歸系數的空間分布如圖5a所示，可以看出，各縣到火車站的距離對新冠肺炎確診數的影響存在明顯的空間差異，且二者之間呈負相關關系。便利的交通出行，使得福建省感染新冠肺炎疫情的風險增加，這與前人的研究認為交通可達性會促進傳染病的大規模傳播與擴散是一致的[31]。原因在于交通發達地區能推動經濟的快速發展，城鄉和地區之間的聯系日益頻繁，文化交流和經濟貿易的往來不可避免地帶來了人口的流動。

從回歸系數的分布來看，負向影響的高值區分布在東部沿海地區，低值區則大多分布在西部內陸地區，這是由于福建省東部沿海地區擁有優越的地理位置和豐厚的經濟基礎，交通路網發達，對外開放程度高，從而促進了當地的人文交流和對外貿易往來；且當時正值春節，返鄉人員大量聚集，交通的可達性使得人口流動和人群來往比以往更密切，來自湖北省潛伏期無癥狀病毒攜帶者跨區域活動，很大程度上增加了疫情傳播的可能。

2.3.3 每平方公里擁有醫療機構數對其影響的空間分異特征

每平方公里擁有醫療機構數反映了一個地區整體的醫療衛生水平。每平方公里擁有醫療機構數回歸系數的空間分布如圖5b所示，可以看出，每平方公里擁有醫療機構數對新冠肺炎確診數具有負相關效應，部分地區表現為正相關。隨著醫療衛生事業的快速發展，充足的醫療衛生資源可為新冠肺炎患者和疑似患者提供精準的診斷、規范的治療和安全的服務，能做到早發現、早診斷、早隔離、早治療，減少了新冠肺炎患者的傳染幾率，這與現有的研究結果醫療水平的提高會增加傳染病的感染幾率相反[32]，可能是由于傳染病傳播機制的不同而導致的。每平方公里擁有醫療機構數對不同地區新冠肺炎的影響程度不同，回歸系數絕對值的最高值出現在東部地區、向西部逐漸減小。隨著醫療水平的不斷提高，各縣域在衛生服務資源投資以及政府政策上的不同，使得福建省東部地區對新冠肺炎確診數的影響高于西部地區。

2.3.4 人均GDP對其影響的空間分異特征

已有研究表明傳染病的發病率與社會經濟發展水平具有顯著負相關性[13]。人均GDP 回歸系數的空間分布如圖5c 所示，可以看出，人均GDP 對新冠肺炎確診數具有顯著的負相關關系，表明經濟越發達的地區，新冠肺炎確診數越少；回歸系數絕對值的高值分布在東南沿海地區，并向內陸逐漸遞減。福建省沿海地區鄰近東南亞與港澳臺，擁有天然的資源優勢，經濟得到快速發展，資源配置、基礎設施和政府財政明顯優于內陸地區[33]；在政策的主導作用下，福州、廈門和泉州等沿海地區吸引了大量華僑和臺商投資辦產，第二產業發展較成熟，第三產業也相對較多，產業類型多樣化，人口流動較大；內陸地區礦產、森林資源豐富，第二產業比重較高，但經濟對外開放程度沒有沿海地區高，從而導致沿海地區人均GDP對新冠肺炎疫情的傳播影響較大。

2.3.5 人均公共財政教育支出對其影響的空間分異特征

人均公共財政教育支出對新冠肺炎確診數的影響程度最低。在以往的研究中并未考慮教育因素的影響，人均公共財政教育支出回歸系數的空間分布如圖5d所示，可以看出，人均公共財政教育支出與新冠肺炎確診數呈負相關關系，其原因在于重視教育程度越高的縣域，居民對新冠肺炎的認知水平和自我保護意識越高，最大可能地避免了新冠肺炎的感染；回歸系數絕對值的最高值出現在莆田、泉州和三明的部分縣域，并向南北兩側遞減，說明人均公共財政教育支出對莆田、泉州和三明部分縣域的新冠肺炎確診數的影響程度較大。

圖5 GWR模型交通、醫療、經濟和教育因素回歸系數空間分布圖

通過上述分析可知，交通、醫療、經濟和教育4 個因素對福建省新冠肺炎疫情的影響具有顯著的空間差異性，其中交通對新冠肺炎疫情的傳播起著至關重要的作用，且中東部沿海地區受影響強度最大，這在一定程度上解釋了新冠肺炎疫情的熱點區域主要集中在中東部沿海地區的結論，其便捷的交通網絡、跨區域的人口流動促使新冠肺炎確診數的增加；所得結果進一步印證了前人關于傳染病擴散影響因素的結論，為各區域制定不同嚴重程度的疫情防控措施提供了科學依據。

3 結 語

本文采用探索性空間數據分析方法和GWR 模型分析了福建省新冠肺炎確診數的空間分布格局和影響因素的空間分異特征，有助于科學有效地制定新冠肺炎疫情防控策略，為完善疫情防控措施公共衛生事件應急管理體系與合理配置資源提供科學依據，也可為類似的突發疫情研究提供示范與借鑒。

1）福建省新冠肺炎確診數的空間分布格局，在新冠肺炎疫情初期呈隨機分布，后期呈顯著正相關性，進而由隨機分布轉向集聚分布，空間集聚效應在大幅聚集后發生小幅擴散。

2）通過對福建省新冠肺炎確診數進行局部熱點探測發現，熱點區域主要集中在福建省中東部沿海地區，呈先擴大后縮小的勢態；冷點區域出現在政和縣和建陽區后消退，與全局Moran’s I指數結果相吻合。

3）根據GWR模型的結果，各影響因素在不同縣域存在顯著的空間差異，其中各縣到火車站的距離對新冠肺炎確診數具有負向影響，其余指標既存在正相關也存在負相關，整體呈負相關。從影響強度來看，各縣到火車站的距離對新冠肺炎疫情的影響程度最大。因此，在交通日益便捷的今天，為應對類似突發疫情的再次爆發，政府部門應做好長期的準備工作，優化相關地區的醫療資源，加強教育投資。