EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 12: 1877 - 1887

DOI: https://doi.org/10.12082/dqxxkx.2019.190109

地理空间分析综合应用

基于信息熵的中国自然疫源性疾病分布特征研究

  • 丁晓彤 1, 2 ,
  • 余卓渊 , 1, 2, * ,
  • 宋海慧 1, 2 ,
  • 谢云鹏 1, 2 ,
  • 吕可晶 1, 2
展开
  • 1. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2. 中国科学院大学资源与环境学院,北京 100049
余卓渊(1974-),男,浙江常山县,博士,副研究员,主要从事地图可视化研究。E-mail:

丁晓彤(1995-),女,河南濮阳县,硕士生,主要从事地图学研究。E-mail: dingxt.16s@igsnrr.ac.cn

收稿日期: 2019-02-11

  要求修回日期: 2019-06-27

  网络出版日期: 2019-12-25

基金资助

国家科技基础性工作专项(2013FY114600)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Research on the Distribution of Natural Focus Diseases based on Information Entropy

  • DING Xiaotong 1, 2 ,
  • YU Zhuoyuan , 1, 2, * ,
  • SONG Haihui 1, 2 ,
  • XIE Yunpeng 1, 2 ,
  • LV Kejing 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. School of Resources and Environmental Information, University of Chinese Academy of Sciences, Beijing 100049, China
YU Zhuoyuan, E-mail:

Received date: 2019-02-11

  Request revised date: 2019-06-27

  Online published: 2019-12-25

Supported by

Science & Technology Basic Research Program of China(2013FY114600)

Copyright

Copyright reserved © 2019
Fold

摘要

中国目前发现有43种自然疫源性疾病,其中鼠疫、人禽流感、疟疾、登革热等14种被列为国家法定传染病,对中国人民生命健康造成了很大的威胁。为了探讨中国自然疫源性疾病发病数量均衡/不均衡的区域分布规律,本文运用Shannon信息熵理论和空间自相关方法,基于2004-2015年14种自然疫源性疾病的发病数,对中国自然疫源性疾病进行了分析。研究结果表明：① 中国自然疫源性疾病发病数量均衡/不均衡的区域在空间上具有明显的西北-东南分异特征,并具有显著的空间自相关关系,高值聚集区和低值聚集区主要分布在以河北-云南连线上山脉分界线的两侧;② 自然因素是影响自然疫源性疾病发病均衡程度的主要因素,在温暖潮湿（即温度适宜、水分充足）的地区更容易发生多种疾病,疾病发病数量相近;在特定牲畜为主或特定蚊虫流行地区更容易发生单种疾病,疾病发病数量不均衡;③ 我国发病总数高的区域往往是因为单种疾病极其严重导致,而信息熵高的地区往往存在多种疾病发生,这两类地区在自然疫源性疾病防治上,需要根据地区特点采取不同措施。

关键词： 自然疫源性疾病; 信息熵; 空间分布; 影响因素; 自然因素; 空间自相关; 中国

本文引用格式

丁晓彤 , 余卓渊 , 宋海慧 , 谢云鹏 , 吕可晶 . 基于信息熵的中国自然疫源性疾病分布特征研究[J]. 地球信息科学学报, 2019 , 21(12) : 1877 -1887 . DOI: 10.12082/dqxxkx.2019.190109

Abstract

To date, there have been 43 types of natural focus diseases reported in China, 14 of which are officially-recognized infectious diseases including plague, human-avian influenza, malaria, and dengue fever. Most natural focus diseases are characterized by strong pathogenicity, serious clinical behavior, high mortality rate, and high incidence rate. In 2008, the fever with thrombocytopenia syndrome emerged in China, and dengue fever broke out in Guangdong province in 2014. Natural focus diseases are great threats to Chinese, epsically in the context that there is currently no comprehensive method for acquiring the distribution characteristics of multiple diseases. The equilibrium degree in a region reflects the structure of the diseases in that region, and the distribution of the degree can help understand the distribution of multiple diseases. The paper used the quantity information of 14 natural focus diseases in China from 2004 to 2015, and applied Shannon information entropy theory to explore the spatial distribution pattern of the equilibrium degree of multiple natural focus diseases. Spatial autocorrelation analysis was adopted to detect the high incidence areas and low incidence areas. Finally, based on Pearson correlation coefficient analysis, the correlations among elevation, temperature, precipitation, NDVI, population, density of population, GDP, and information entropy were quantified. Results show that: (1) Anhui Province and Inner Mongolia Autonomous Region had the highest number of natural focus diseases. The information entropy of natural focus diseases in mainland China showed obvious northwest-southeast differentiation characteristics. The high-value aggregation areas and low-value aggregation areas were mainly distributed on the two sides of the boundary line of the mountains from Hebei Province to Yunnan Province. (2) Compared with social factors, natural factors were the main factors affecting the equilibrium degree of natural focus diseases. It was more prone to a variety of diseases in warm and humid areas with appropriate temperatures and adequate moisture. Single disease was more likely to occur in specific livestock or specific mosquitoes areas. (3) Areas with a high total number of cases usually resulted from a large number of cases of one disease, and these areas were less equilibrated, while areas with high information entropy usually resulted from many concentrated outbreaks of diseases. Our findings help understand the distribution characteristics of natural focus diseases in China, and demonstrate the potential of applying information entropy to analyze the prevention and control measures of natural focus diseases.

Key words： Natural focus disease; information entropy; spatial distribution; impact factors; natural factor; spatial autocorrelation analysis; China

1 引言

自然疫源性疾病是一类病原体不依赖人类而在自然界动物、昆虫、土壤等环境中生存繁殖,在一定条件下可感染人类,对人类健康造成危害的疾病[1]。随着生产力的进步,人类活动范围逐渐扩大,接触自然疫源地的机会增大,近年来许多自然疫源性疾病在多个国家和地区出现并兴起[2,3,4,5,6],同时大多数自然疫源性疾病可产生严重的后果[1,7-8],我国是受自然疫源性疾病流行危害十分严重的国家[9],对人民健康造成了严重危害,引起社会的广泛关注。一般而论,自然疫源性疾病经常分布在森林、矿藏丰富,或是待开发的荒地,其中大部分是国防要地[10]。研究表明自然疫源性疾病在时空上的暴发和流行会呈现出一定的规律,具有一定的空间异质性。自然疫源性疾病的传播流行是一系列复杂的自然因素与社会因素综合作用的结果,多种因素通过影响病原体、宿主和疾病的传播途径,共同对疾病造成影响[11]。很多学者在自然疫源性疾病的三间分布、影响因素与风险预测等方面积累了一定的科研成果,其中风险预测是现在研究的一大热点[10,12-14]。目前发表的研究成果大部分是分析单一疾病的流行时空特征[15,16]及其影响因素[17,18]、风险分布[19,20],和多种疾病结构统计[21]。但是以往的多种疾病结构研究侧重对疾病发病率及患者的性别、年龄等的阐述,定性研究较多,定量研究较少。例如,熊晨皓等[22]收集1993-2013年中文核心期刊中自然疫源性疾病文章报道的疾病数据,分析1958-2013年我国自然疫源性疾病的流行状况;许华茹等[23]采用描述流行病学方法对2004-2013年济南市自然疫源性疾病疫情数据进行分析;霍爱梅等[24]在华北8种自然疫源性疾病高发区进行,分析不同自然疫源性疾病发病率的差异及气象影响因素。仅仅依靠发病数并不能全面了解自然疫源性疾病的发病情况,目前缺少综合性的方法进一步认知空间上多种疾病分布特征。
2013年军事科学院医学研究院和中国科学院地理科学与资源研究所启动了国家科技基础性工作专项重点项目“中国自然疫源性疾病流行病学图集的编研”。该项目通过对我国自然疫源地进行大量的摸底调查,首次全面系统的整理了建国以来43种自然疫源性疾病、1000余种宿主动物和传播媒介、自然地理环境和社会经济环境等专题调查资料及长期监测数据,综合分析我国面临的自然疫源性疾病传播流行的风险,在2018年底完成了上册《中国自然疫源性疾病的综合分布与地理环境图集》、中册《中国自然疫源性疾病分布图集》和下册《中国自然疫源性宿主动物与传播媒介分布图集》的编研[25],为本研究提供了扎实的数据基础。在数据选取方面,我国发现的43种自然疫源性疾病中有14种自然疫源性疾病被我国列入国家法定传染病,其中有甲类传染病：鼠疫;乙类传染病：人禽流感（人感染高致病性H5N1禽流感、人感染H7N9禽流感）、流行性出血热（出血热）、狂犬病、流行性乙型脑炎（乙脑）、登革热、炭疽、布鲁菌病（布病）、钩端螺旋体病（钩体病）、血吸虫病、疟疾;和丙类传染病：斑疹伤寒、黑热病、包虫病。本研究为了综合分析我国重要自然疫源性疾病发病情况,选取了被列入国家法定传染病的14种自然疫源性疾病为研究对象,研究区域为全国2859个区县行政区域（除香港、澳门特别行政区、台湾省）,研究数据包括14种自然疫源性疾病在2004-2015年全国范围各区县的发病数据。
为了衡量不同地区多种疾病发病的均衡程度,本研究引入了熵的概念,熵最初由法国物理学家Clausius提出,代表了系统的无序度[26]。信息熵是美国数学家Shannon提出[27],是测度系统紊乱程度的指标。熵值越大,意味着系统内部越混乱,也表现出系统内部更加多复杂性[28]。目前,信息熵广泛应用在地理学中,如陈彦光等[29]利用信息熵对 郑州、广州等城市的土地利用结构进行分析研究,王宗明等[30]将信息熵用于景观生态学中景观多样性的度量。但仍未有国内外学者将信息熵模型引入自然疫源性疾病结构研究中。本研究借助Shannon熵函数,利用被列入国家法定传染病的14种自然疫源性疾病的发病数据,分析我国自然疫源性疾病的信息熵的分布特征。若一个地区的熵值越大,说明该地区的自然疫源性疾病发病数量均衡,易引发多种疾病,疾病发生风险相近;熵值越小,说明该地区的自然疫源性疾病发病数量不均衡,个别疾病的疫情相对比较严重。本研究旨在探讨多种自然疫源性疾病发病数量均衡/不均衡的区域,以期为自然疫源性疾病的防控提供参考和依据。

2 数据来源及研究方法

2.1 数据来源

本研究采用的数据包括被列入国家法定传染病的14种疾病的2004-2015年全国范围（除港澳台地区）的发病总数（由军事医学科学院提供）,和全国范围的高程、气温、降水、NDVI、人口数量、人口密度、GDP数据。高程数据来源于国家地球系统科学数据共享服务平台（http://www.geodata.cn）,空间分辨率为1000 m。气温和降水数据来源于中国气象数据网（http://data.cma.cn/）,经过空间插值得到2010年我国气温和降水数据。NDVI数据是基于SPOT/VEGETATION卫星遥感数据,采用最大值合成的,来源于中国科学院资源环境科学数据中心（http://www.resdc.cn/）。人口数量数据来源于《中国2010年人口普查分县资料》[31]。人口密度数据经过人口数量/行政面积计算得到。2010年地区生产总值（GDP）来源于国家地球系统科学数据中心（http://www.geodata.cn/index.html）。

2.2 研究方法

本研究运用Shannon熵函数,揭示各区县自然疫源性疾病的分布特征。并对信息熵进行空间自相关分析,探测信息熵的高值聚集区和低值聚集区的分布规律。通过计算信息熵与高程、气温、降水、NDVI、人口数量、人口密度、GDP的Pearson相关系数,解释信息熵分布特征的影响因素。
2.2.1 信息熵
假定一个区域的自然疫源性疾病发病数总数为N,该区域的自然疫源性疾病有S种,每种疾病的发病数为Ni,则有：
∑ i = 1 S N i = N
可得各种疾病发病数的百分比为：
P i = N i N = N i ∑ i = 1 S N i
显然Pi具有归一性质：
∑ P i = 1
因此,Pi相当于事件的概率,事件发生的不确定性是由它发生的概率来描述。依照Shannon熵公式定义自然疫源性疾病结构的信息熵为：
H = - ∑ i = 1 S P i ln P i = - ∑ i = 1 S N i ∑ i = 1 S N i ln N i ∑ i = 1 S N i
式中：H为信息熵,可看出H≥0。信息熵的大小反映了系统的复杂性和混乱程度,用来描述一个区域内多病种发生的均衡程度,熵值越高,表明疾病种类越多,各疾病之间的发病数相差越小,疾病发病越均衡;反之,熵值越低,表明疾病发病越不均衡,单病种占据威胁该地区居民生命健康的主要地位。当N1=N2= … =Nn时,P1=P2= … =Pn=1/S,此时H达到最大值,表示为Hmax,有：
H max = ln S
2.2.2 信息熵的空间聚类
通过比较区域信息熵的均值与每个子区域的信息熵,得出信息熵分布在该区域有无聚集性,也就是疾病发病数量均衡的子区域或疾病发病数量不均衡的子区域在空间上是否聚集。全局Moran's I指数和局部Moran's I指数可以描述区域空间要素属性值聚合或离散的程度。全局Moran's I指数的计算公式为：
I = n ∑ i = 1 n ∑ j = 1 n w ij ( x i - x ̅ ) ( x j - x ̅ ) ∑ i = 1 n ∑ j = 1 n w ij ∑ i = 1 n ( x i - x ̅ ) 2 i ≠ j
式中：n表示子区域个数,本研究中为全国2857个区县单位;xi、xj为空间上i、j两点的熵值; x ̅ 为研究区域内所有子区域的熵值的平均值;wij为空间统计单元i与j的空间邻接特征值,用于表示空间步长,本研究采用拓扑关系的邻接矩阵,即i、j在空间上存在边界线的共享,则wij=1,否则为0。全局Moran's I的取值范围为[-1, 1],正值表示对象在空间上正相关,负值则表示负相关,全局Moran's I 为0时,表示完全随机,全局Moran's I的统计学意义可通过标准正态化后的Z-Score 检验来评价。
局域Moran's I指数能采用LISA（local indicators of Spatial Association）集聚图展示信息熵的空间集聚情况。局域Moran's I的计算公式如下：
I i = n x i - x ̅ ∑ j = 1 n ( x i - x ̅ ) ∑ j = 1 n x i - x ̅ 2
式中：xi、xj与wij的含义与前面定义相同。z得分和p值用来判断计算出的指数值是否显著。LISA集聚图表示显著性为0.05水平的高-高聚类、低-低聚类、高值主要由低值围绕的异常值（高-低聚类）以及低值主要由高值围绕的异常值（低-高聚类）。
2.2.3 Paerson相关系数
Pearson相关系数公式如下：
r = ∑ i = 1 n ( x i - x ̅ ) ( y i - y ̅ ) ∑ i = 1 n ( x i - x ̅ ) 2 ∑ i = 1 n ( y i - y ̅ ) 2
式中：xi和yi为包含信息熵与影响因素在内的任意 2个变量; x ̅ 和 y ̅ 分别是2个变量的平均值。R的取值范围是[0,1],正值表示2个变量之间存在正相关关系,负值表示2个变量之间存在负相关关系。r的绝对值越大,相关性越强,越接近于0,相关性越弱。

3 结果及分析

3.1 自然疫源性疾病发病的总体分析

据现有数据统计,2004-2015年中国发生自然疫源性疾病110万例,分布在2807（98.2%）个区县。我国患病数量最多的疾病是疟疾,有42.6万例,其次是布鲁氏菌病,有39.5万例,肾综合出血热,有15.4万例。
从时间维度上看,时间分布图（图1（a）、（b））显示2004-2015年中国14种重要自然疫源性疾病存在明显时间变化。在2006年达到18.3万例后大幅度下降,在2011年全国仅有9.2万例,达到最低值后开始反弹,到2014年上升到16.6万例。上升最快的阶段在2013-2014年,主要原因是在2014年广东地区发生登革热暴发流行,这一年全国登革热发病数4.7万例,广东省的发病数达到4.5万例,流行规模为该地区1986年以来的最大。自然疫源性疾病在全年各月均有发病,月发病率表现出明显的季节性,大多数病例发生在夏季和秋季,5-10月是每年高发月份。
图1 2004-2015年我国自然疫源性疾病发病人数时间分布

Fig. 1 Temporal distributions of the number of natural focus diseases in China by year and month from 2004 to 2015

自然疫源性疾病在安徽北部、内蒙古中部和东北部、云南省西南部最多,中国中部、东北部、珠江三角洲、四川和海南南部也有较多的报告病例（图2）。表1显示了不同地区的主要疾病构成,12年14种自然疫源性疾病发病数最高的是华北地区（北京市、天津市、山西省、河北省、内蒙古自治区）,病例报告有25.5万例,其次是华东地区（上海市、江苏省、浙江省、安徽省、福建省、江西省、山东省、台湾省）22.4万例,东北（黑龙江省、吉林省、辽宁省）15.8万例,华中地区（河南省、湖北省、湖南省）12.4万例。华北、东北和西北地区都是布鲁氏菌病占主要地位,华东和西南地区的疟疾发病数量最多,华中地区主要是疟疾和血吸虫病,华南地区的登革热发病数量最多。50.4%的自然疫源性疾病患者分布在我国中部的安徽省（78%的病例是疟疾,18%的病例是血吸虫病）、北部的内蒙古自治区（98%的病例是布鲁氏菌病）、东北的黑龙江省（65%的病例是布鲁氏菌病,34%的病例是肾综合征出血热）、西南的云南省（68%的病例是疟疾,15%的病例是斑疹伤寒）、南部的广东省（82%的病例是登革热）、山西省（95%的病例是布鲁氏菌病）。其中安徽省的5个区县超过了1万例自然疫源性疾病（全国共有6个区县）,最严重的是涡阳县,12年共发病22 526例,其中疟疾有22 423例（99.5%）,还有一个是广东省的白云区,12年共发病12375例,其中登革热有12 043例（97.3%）。从疾病种类数量来看,北京市朝阳区、广东宝安区、云南五华区和四川仁寿区的种类最多,有11种自然疫源性疾病,其次是四川的7个区县、湖南的4个区县、云南的3个区县、广东的3个区县、北京的2个区县、海南的1个区县、福建的1个区县、广西的1个区县、浙江的1个区县、陕西的1个区县存在10种自然疫源性疾病。
图2 2004-2015年我国自然疫源性疾病发病人数分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2008）1371的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括港澳台地区数据。

Fig. 2 Spatial distribution of the number of natural focus diseases in China from 2004 to 2015

表1 2004-2015年我国不同地区的部分自然疫源性疾病构成

Tab. 1 Topfive natural focus diseases in different regions of China from 2004 to 2015

地区 第一名 第二名 第三名 第四名 第五名
华北地区 布鲁氏菌病 出血热 斑疹伤寒 狂犬病 乙脑
东北地区 布鲁氏菌病 出血热 斑疹伤寒 疟疾 恙虫病
华东地区 疟疾 出血热 血吸虫病 恙虫病 布鲁氏菌病
华中地区 血吸虫病 疟疾 布鲁氏菌病 出血热 乙脑
华南地区 登革热 疟疾 狂犬病 出血热 斑疹伤寒
西南地区 疟疾 乙脑 斑疹伤寒 包虫病 狂犬病
研究发现,单从发病数和疾病种类来了解自然疫源性疾病的发病情况是不全面的。在我国发病最多的几个地区容易受到社会重视,但这些地区均是单种疾病占比较大,其他疾病并不严重或未出现病例。为了解决这个问题,本研究引入了信息熵,提出了解释多种疾病发病均衡程度的指标,并结合发病数可以共同解释自然疫源性疾病疫情的严重程度。

3.2 自然疫源性疾病的信息熵

根据信息熵的计算公式,对中国2004-2015年的14种自然疫源性疾病的发病数在县级尺度上进行计算。信息熵的最高值为2.0,在广东云城区,在排名前20个区县中,广东占8个,四川、广西、云南、浙江各2个,福建、湖南、河南、重庆各1个。为了能更清楚地展示信息熵的空间分布规律,本研究利用空间自相关模型对熵值进行分析,全局Moran's I值为0.326,z得分为95.07,P<0.001,表明随机产生聚类模式的可能性小于1%,疾病发病均衡/不均衡的区域呈现显著的空间聚集模式。
从图2和图3可发现,东北、华北部分地区自然疫源性疾病的发病人数相对较高;而信息熵总体空间分布特征为东南地区较高,东北、华北、西北较低。原因是东北、华北部分地区发病人数虽然多,但疾病种类较为单一,发病不均衡,信息熵低;东南地区发病人数相对较低,但疾病发病数量均衡,信息熵高。
图3 2004-2015年我国自然疫源性疾病信息熵空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2008）1371的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括港澳台地区数据。

Fig. 3 Spatial distribution ofthe information entropy of natural focus diseases from 2004 to 2015

通过对信息熵空间聚类的分析发现,信息熵的高值聚集区和低值聚集区分界明显,分别分布在我国河北-云南连线的山脉两侧,如图4所示。具体的山脉有河北和山西交界的太行山、河南西南侧的伏牛山、陕西南部的秦岭、四川盆地西侧的岷山、大雪山、最后到云贵高原的无量山、哀牢山。高值聚集区的分布特征是大离散小集中,图4中的红色区域除华北平原、四川盆地,其他都是山地和丘陵。信息熵的高值聚集区分布在华北平原、四川盆地、广东省、江西和浙江;低值聚集区分布在北部和西北地区,其中发病数最高的安徽省北部和中南部、内蒙古中部和东北部、云南省西南部、海南南部、湖北中部和四川西北部都位于信息熵的低值聚集区。
图4 2004-2015年我国自然疫源性疾病种类结构信息熵的聚类类型

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2008）1371的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括港澳台地区数据。

Fig. 4 Spatial autocorrelation types of the structural information entropy of natural focus diseases from 2004 to 2015

3.2.1 高值聚集区
布鲁氏菌病、肾综合征出血热、乙脑、疟疾、斑疹伤寒均易在华北平原发病,导致该地区自然疫源性疾病发病的信息熵较高。该地区地势平坦,气候适宜,河湖众多,食物丰富,交通便利,人口密度大。肾综合征出血热的传染源褐家鼠在该地区活动频繁;在林间湿地蚊虫孽生,导致乙脑的发病率较高;由于河北与内蒙古相邻,内蒙古的布鲁氏菌病十分严重,也增加了河北疫情发生的危险;疟疾的传染性强,在华北平原,疟疾主要为输入性病例,集中在人口密集的地区（如北京、河南）;斑疹伤寒患者以农民为主,主要发生在卫生条件、居住环境较差的农村地区,河南省是农业大省,斑疹伤寒患者较多。
广东属亚热带气候,降水充沛,水资源丰富,气候湿热,为蚊虫的生存和繁殖提供温床。致使乙脑、登革热、疟疾,这些蚊媒传染病的疫情严重,而且人口构成比较复杂,流动人口较多且流动频繁,经常有输入性传染病病例发生。广东地区的禽流感也比较严重,除了气象因素的作用,活禽市场的数量和人口密度使宰杀、购买、食用鸡、鸭、鹅等更频繁。值得一提的是,2014年登革热在珠江三角洲暴发,特别是广州市疫情最严重,远超过该地区的其他疾病的发病数,导致珠江三角洲的自然疫源性疾病发病不均衡,信息熵较低。
云南东部是高原,年温差小,日温差大,四季如春,该地区植被种类丰富,适合鼠、蚊虫、螨等生存,恙虫病、斑疹伤寒、肾综合征出血热和乙脑、疟疾在该地区的发病率都较高。其中恙螨的繁殖活动与温度和湿度密切相关,恙螨喜好生活于低矮草地灌木等地带,云南东部的生态环境容易引起恙虫病的发生。
四川盆地和湖南虽然信息熵比较高,但是自然疫源性疾病发病数不高。四川盆地气温高,年降水量大,盆地底部耕地连片,是中国最大的水稻产区,易引发多种疾病,四川盆地的肾综合征出血热、狂犬病、钩端螺旋体病、羌虫病比较严重。湖南地貌类型多样,有半高山、低山、丘陵、岗地、盆地和平原,河网密布,气候湿润,蚊媒传染病时有发生,在洞庭湖周围血吸虫病的发病率较高,肾综合征出血热和禽流感发病数较多。
3.2.2 低值聚集区
安徽、内蒙古、云南、海南、湖北、四川由于单种疾病的发病数远远高于其他疾病,是单种疾病暴发的区域,这些区域的信息熵低,疾病发病数量不均衡。而新疆、西藏的部分地区和黑龙江北部地区是由于疾病种类少,导致信息熵低,比如西藏日喀则、阿里、那曲地区存在的炭疽、布鲁氏菌病、包虫病只有1、2例,发病数不高,信息熵低,但不能被认为是疾病发病数量不均衡的地区。
内蒙古的布鲁氏菌病占主要地位,特征度较高。该地区地处内蒙古高原,是典型的大陆型气候,草地覆盖率高,绵羊和山羊较多,绵羊、山羊是布鲁氏菌病的宿主。与同样又有大片草地的青藏高原相比,青藏高原的牲畜以牦牛、羚羊为主,这与青藏高原的高海拔有关。
安徽淮北地区的疟疾占主要地位,发病率多年位居全国第一,特征度高。有研究表明疫情主要与当地温度、降雨量、植被指数有关,该地区以平原为主,淮河自西向东贯穿全境,拥有大量耕地,四季分明,夏雨集中,适合蚊虫的生长和发育。安徽省疟疾的传播媒介为中华按蚊,淮北地区是中华按蚊的流行区。安徽的疟疾以间日疟发病为主,恶性疟病例极少。2007年,安徽省开始实施“疟疾传染源清除行动计划”,使疟疾发病人数大幅下降,但是并没有消除[32]。另外,云南南部和海南南部也是疟疾占主导地位。
在青海东部和四川北部是炭疽流行的区域,这里海拔高,草地覆盖率高,草食性动物密度高,炭疽的主要动物宿主是草食性动物。由于炭疽的病原体炭疽芽孢杆菌有2种生命存在形式,在一定条件下可以相互转换,使炭疽在干旱少雨的地区仍能生存。另外,极端天气降低宿主动物的免疫力,更易染病。
我国地域辽阔,自然疫源性疾病的信息熵在区域之间差异明显,空间分布集中性强。在温暖潮湿、温度适宜、水分充足的地区容易发生多种疾病。西北和北部地区的气候条件相对恶劣,通常没有疾病或有1-2种疾病疫情相对严重。研究发现,我国发病总数高的区域往往是因为单种疾病极其严重导致,如布鲁氏菌病和疟疾;而信息熵高的地区往往存在多种疾病疾病发生且发病数量相近。这两类地区自然疫源性疾病的传播途径和防治具有明显不同的特点。

3.3 影响因素分析

自然疫源性疾病的发生和流行受多种因素的影响,可分为自然和社会2个方面,这两类因素会对宿主媒介和病原体的生活环境、人类与传播媒介的接触几率以及人类机体的抵抗力产生影响。自然因素包括海拔、气候、土壤、植被等,社会因素包括社会政策、经济活动、军事防备、人口数量变化、城市扩张、景观格局等因素。本研究选取了高程、气温、降水、NDVI 4个自然因素和人口数量、人口密度、GDP 3个社会因素与信息熵进行相关性研究,并分别在0.01和0.05的显著性下进行双侧检验（表2）。
表2 2004-2015年我国自然疫源性疾病信息熵与影响因素之间的Pearson相关系数矩阵

Tab. 2 Pearson correlationmatrix of the information entropy and impact factors from 2004 to 2015

R 高程 气温 降水 NDVI 人口数量 人口密度 GDP
气温 -0.306**
降水 -0.300** 0.860**
NDVI -0.442** 0.260** 0.354**
人口数量 0.527** -0.261** -0.278** -0.403**
人口密度 -0.167** -0.238** -0.181** -0.204** -0.084**
GDP 0.259** -0.005 -0.041* -0.160** 0.612** -0.037
信息熵 -0.391** 0.463** 0.424** 0.298** -0.295** 0.100** 0.181**

注：**表示在0.01级别（双尾）相关性显著;*表示在0.05级别（双尾）相关性显著。

由表2可知,大部分因子之间都在0.01显著性水平下呈现了一定的相关关系,相关系数的绝对值范围在0.004 ~0.860之间,气温和降水的相关性最高;信息熵与7个影响因素显著相关,信息熵与海拔、人口数量表现为负相关,与其余因素正相关;与信息熵相关的因素依次是气温、降水、海拔、NDVI、人口数量、GDP,人口密度对信息熵的影响最小。
自然因素是影响自然疫源性疾病发病均衡程度的主要因素,高程的不同会引起气温、降雨量、湿度等的不同;气象因素在一定程度上决定了病原体和宿主媒介生存时间的长短和生活范围,从而影响疾病流行的周期性和自然疫源地的分布;气象条件和地理条件会影响植被的生长状况,植被能够为宿主和媒介提供适宜的生活环境,也可以为部分宿主动物提供丰富的食物,以上条件都可导致媒介、宿主动物和病原体的活动状况存在差异。通常情况下,我国东南部温度适宜、水分充足,植被种类丰富,生物多样性高,大部分疾病分布在此,例如云南、广东、四川等地区,少数疾病因为动物宿主是牲畜分布在牧区,例如布鲁氏菌病分布在内蒙古、炭疽分布在青海东部和四川北部。
社会因素可能会通过改变疫源地的疫源性强弱程度、人与疫源地的接触频率等方面来影响自然疫源性疾病的发病情况,影响机制复杂。从总体来看,社会因素对自然疫源性疾病发病均衡程度的影响较小,在不同地区人口因素的影响机制差异较大。在人口密度大、人口流动性强的地区,人与人之间、人与疫源地之间的接触率增大,人口构成复杂,容易引发多种疾病,广东省就是如此。同时,被列为法定传染病者除了具有传播速度快、致死率高的特性,还会根据病情严重程度、危害程度等特性来评判。通常在人口密度大的区域容易在短时间内造成严重损失,所以在人口密度大的区域流行的疾病更容易被列入国家法定传染病。本研究所选取的研究数据是其中的14种疾病,也从另一方面解释了我国自然疫源性疾病发病均衡程度分布在空间上具有明显的西北-东南分异特征的原因。北京市和上海市的人口虽然存在这个特点,但北京市和上海市的人均GDP高,医疗条件好,居民对疾病的控制和预防关注度高,能及时对疾病进行预防和控制,进而降低发病率,这也是人口密度对信息熵的影响较小的原因。在西藏和新疆,由于环境恶劣,人们免疫力差,卫生条件差,鼠类分布广泛,食品污染等原因,促使患病几率增大,但是该地区人口稀少,有些疫源地至今没有人类活动,最终疾病发病数较少。因此,在自然疫源性疾病的防治上,需要根据地区特点和疾病诱发的影响因素,有针对性的采取措施。例如,在西北部疾病发病种类单一,发病数量较少,应减少人类与传播媒介的接触几率;在东南部,疾病发病的信息熵较高,人口密度大,应提高对疾病的预防和控制能力。

4 结论与讨论

本研究打破了以往通过简单统计分析多种疾病分布特点的惯例,将信息熵模型引入自然疫源性疾病的研究中,分析了我国自然疫源性疾病发病数量均衡/不均衡的区域的空间分布规律,有助于深入认识自然疫源性疾病分布特征。为分析不同地区自然疫源性疾病疫情防治特点提供基础,为相关政策部门提供参考。这是一次信息熵在疾病分布应用的尝试,为以后疾病分布的研究提供了基础。
本研究通过对自然疫源性疾病的信息熵进行县级尺度的可视化和空间自相关分析,发现：
（1）我国多种自然疫源性疾病发病均衡/不均衡的区域分布在空间上具有明显的西北-东南分异特征,信息熵的高值聚集区与低值聚集区以山脉为分界线。
（2）信息熵的高值聚集区分布在华北平原、四川盆地、广东省、江西省和浙江省,低值聚集区分布在北部和西北地区,其中广东省云城区的疾病发病最均衡。
（3）通过计算Pearson相关系数发现自然因素是影响疾病发生和传播的主要因素,在温暖潮湿、温度适宜、水分充足的地区更容易发生多种疾病。在自然疫源性疾病的防治上,需要根据地区特点和疾病诱发的影响因素,有针对性的采取措施,一方面减少人类与传播媒介的接触几率,另一方面提高对疾病的预防和控制能力。下一步会着重于对其他表示疾病结构的指标的探索,对自然疫源性疾病的分布规律进行探讨和完善,使之更加科学化。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张启恩 . 我国重要自然疫源地与自然疫源性疾病[M]. 沈阳: 辽宁科学技术出版社, 2003.

[ Zhang Q E. Major natural foci and natural focus diseases in China[M]. Shenyang: Liaoning Science and Technology Press, 2003. ]

[2]
Monaghan A J, Moore S M, Sampson K M , et al. Climate change influences on the annual onset of Lyme disease in the United States[J]. Ticks and Tick-borne Diseases, 2015,6(5):615-622.

DOI PMID

[3]
Sang S, Gu S, Bi P , et al. Predicting unprecedented dengue outbreak using imported cases and climatic factors in Guangzhou, 2014[J]. Plos Neglected Tropical Diseases, 2015,9(5):e0003808.

DOI PMID

[4]
Elachola H, Gozzer E, Zhuo J , et al. A crucial time for public health preparedness: Zika virus and the 2016 Olympics, Umrah, and Hajj[J]. Lancet, 2016,387(10019):630-632.

DOI PMID

[5]
Jun C, Hongzhou L . Yellow fever in China is still an imported disease[J]. BioScience Trends, 2016,10(2):158-162.

DOI PMID

[6]
Fang L Q, Liu K, Li X L , et al. Emerging tick-borne infections in mainland China: An increasing public health threat[J]. Lancet Infectious Diseases, 2015,15(12):1467-1479.

DOI PMID

[7]
Sripanidkulchai R, Lumbiganon P . Etiology of obscure fever in children at a university hospital in Northeast Thailand[J]. Southeast Asian Journal of Tropical Medicine & Public Health, 2005,36(5):1243-1246.

DOI PMID

[8]
方立群, 曹务春 . 3S技术在自然疫源性疾病中的应用及发展前景[J]. 中国人兽共患病杂志, 2004(9):807-810.

[ Fang L Q, Cao W C . Application and development prospect of 3S technology in natural epidemic diseases[J]. Chinese Journal of Zoonoses, 2004(9):807-810. ]

[9]
刘建民 . 我国疾病预防控制工作的现状与今后的发展——访卫生部疾病控制司司长齐小秋[J]. 中国健康教育, 2004(1):6-8.

[ Liu J M . Current situation and future development of disease prevention and control in China: Interview with Qi Xiaoqiu, director of the Department of Disease Control, Ministry of Health[J]. Chinese Journal of Health Education, 2004(1):6-8 .]

[10]
李一凡, 王卷乐, 高孟绪 . 自然疫源性疾病地理环境因子探测及风险预测研究综述[J]. 地理科学进展, 2015,34(7):926-935.

DOI

[ Li Y F, Wang J L, Gao M X . A review of geographical and environmental factor detection and risk predictior of natural focus diseases[J]. Progress in Geography, 2015,34(7):926-935. ]

[11]
吴晓旭, 田怀玉, 周森 , 等. 全球变化对人类传染病发生与传播的影响[J]. 中国科学:地球科学, 2013,43(11):1743-1759.

[ Wu X X, Tian H Y, Zhou S , et al. Impact of global change on transmission of human infectious diseases[J]. Science China: Earth Sciences, 2013,43(11):1743-1759. ]

[12]
Naish S, Dale P, Mackenzie J S , et al. Spatial and temporal patterns of locally-acquired dengue transmission in northern Queensland, Australia,1993-2012[J]. Plos one, 2014,9(4):e92524.

DOI PMID

[13]
Fang L Q, Li X L, Liu K , et al. Mapping spread and risk of avian influenza A (H7N9) in China[J]. Scientific reports, 2013,3:2722.

DOI PMID

[14]
Ren Z, Wang D, Ma A , et al. Predicting malaria vector distribution under climate change scenarios in China: Challenges for malaria elimination[J]. Scientific Reports, 2016,6(6):20604.

DOI PMID

[15]
Sun Y, Wei Y H, Yang Y , et al. Rapid increase of scrub typhus incidence in Guangzhou,southern China, 2006-2014[J]. Bmc Infectious Diseases, 2017,17(1):13.

DOI PMID

[16]
Wan J C, Sheng J L, Yang Y , et al. Mapping the distribution of Anthrax in Mainland China, 2005-2013[J]. PLOS Neglected Tropical Diseases, 2016,10(4):e0004637.

DOI PMID

[17]
Guo D, Yin W, Yu H , et al. The role of socioeconomic and climatic factors in the spatio-temporal variation of human rabies in China[J]. BMC Infectious Diseases, 2018,18:526.

DOI PMID

[18]
Li X L, Yang Y, Sun Y , et al. Risk distribution of human infections with Avian Influenza H7N9 and H5N1 virus in China[J]. Scientific Reports, 2015,5:18610.

DOI PMID

[19]
张湘雪, 王丽, 尹礼唱 , 等. 京津唐地区HFMD时空变异分析与影响因子探测[J]. 地球信息科学学报, 2019,21(3):398-406.

DOI

[ Zhang X X, Wang L, Yin L C , et al. Spatiotemporal variation analysis and risk determinants of hand, foot and mouth disease in Beijing-Tianjin-Tangshan, China[J]. Journal of Geo-information Science, 2019,21(3):398-406. ]

[20]
郑斓, 任红艳, 施润和 , 等. 珠江三角洲地区登革热流行风险空间模拟与预测[J]. 地球信息科学学报, 2019,21(3):407-416.

DOI

[ Zheng L, Ren H Y, Shi R H , et al. Spatial simulation and prediction of Dengue Fever Transmission in Pearl River Delta[J]. Journal of Geo-information Science, 2019,21(3):407-416. ]

[21]
Sun R X, Lai S J, Yang Y , et al. Mapping the distribution of tick-borne encephalitis in mainland China[J]. Ticks and Tick-borne Diseases, 2017,8(4):631-639.

DOI PMID

[22]
熊晨皓, 赵国平, 兰晓霞 , 等. 1958-2013年我国自然疫源性疾病的流行分析[J]. 中国人兽共患病学报, 2015,31(2):169-173.

DOI

[ Xiong C H, Zhao G P, Lan X X , et al. Prevalence of natural foci diseases in China during 1958-2013[J]. Chinese Journal of Zoonoses, 2015,31(2):169-173. ]

[23]
许华茹, 李战, 徐淑慧 , 等. 2004-2013年济南市自然疫源性疾病流行病学特征分析[J]. 中国病原生物学杂志, 2016(1):60-64.

[24]
霍爱梅, 赵达生, 方立群 , 等. 华北地区自然疫源性疾病的分布及其与气象条件的关系[J]. 中国病原生物学杂志, 2011(1):5-7.

[ Huo A M, Zhao D S, Fang L Q , et al. Association between infection diseases with natural foci and meteorological factors in North China[J]. Journal of Pathogen Biology, 2011(1):5-7. ]

[25]
曹务春 . 中国自然疫源性疾病流行病学图集[M]. 北京: 科学出版社, 2019.

[ Cao W C. Atlas of distribution of natural focus diseases in China[M]. Beijing: Science Press, 2019. ]

[26]
张登兵, 刘思峰 . 熵与系统有序性研究综述[J]. 数学的实践与认识, 2008,38(24):200-206.

[ Zhang D B, Liu S F . Overview of researches on entropy and system order[J]. Mathematics in Practice and Theory, 2008,38(24):200-206. ]

[27]
Shannon C E . A mathematical theory of communication[J]. MD Comput, 1997,14(4):306-317.

PMID

[28]
张亚妮, 范中和 . 物理熵与信息熵的辩证统一[J]. 宝鸡文理学院学报:自然科学版, 2002,22(2):145-147.

[ Zhang Y N, Fan Z H . The dialectical unity on physics entropy and information entropy[J]. Journal of Baoji College of Arts and Sci ence: Natural Science, 2002,22(2):145-147. ]

[29]
陈彦光, 刘明华 . 城市土地利用结构的熵值定律[J]. 人文地理, 2001,16(4):20-24.

[ Chen Y G, Liu M H . The basic laws of the Shannon entropy values of urban land-use composition[J]. Human Geography, 2001,16(4):20-024. ]

[30]
王宗明, 张柏, 黄素军 , 等. 基于GIS和信息熵的松嫩平原土地利用结构演化分析——兼论系统无序度、复杂性与多样性[J]. 土壤与作物, 2005,21(3):196-200.

[ Wamg Z M, Zhang B, Huang S J , et al. Evolution analysis of land use structure of Songnen plain hased on GIS and information entropy in terms with disorder degree, complexity and diversity[J]. System Sciences and Comperhensive Studies in Agriculture, 2005,21(3):196-200. ]

[31]
国务院人口普查办公室. 中国2010年人口普查分县资料[M]. 北京: 中国统计出版社, 2012.

[ Population Census Office under the State Council. Tabulation on the 2010 population censue of the people's republic of china by county[M]. Beijing: China Statistics Press, 2012. ]

[32]
焦玉萌, 方强, 谢旻 , 等. 2006-2010年安徽省疟疾流行时空分布特征[J]. 蚌埠医学院学报, 2013,38(7):876-878.

[ Jiao Y M, Fang Q, Xie M , et al. Time and space distribution characteristics in Anhui province between 2006 and 2010[J]. Journal of Bengbu Medical College, 2013,38(7):876-878. ]

Options
文章导航

/

〈 〉