EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 2: 222 - 235

DOI: https://doi.org/10.12082/dqxxkx.2021.200296

疫情时空分析

重庆市新型冠状病毒肺炎流行时空特征及其与人群活动性的关系

  • 刘亚溪 , 1, 2 ,
  • 宋辞 1 ,
  • 刘起勇 3 ,
  • 张知新 4 ,
  • 王席 1, 2 ,
  • 马佳 5 ,
  • 陈晓 1, 2 ,
  • 裴韬 , 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,北京 100049
  • 3.中国疾病预防控制中心传染病预防控制所,传染病预防控制国家重点实验室,感染性疾病诊治协同创新中心,北京 102206
  • 4.中日友好医院,北京 100029
  • 5.北京中医药大学东方医院,北京 100078
* 裴 韬（1972— ）,男,江苏扬州人,研究员,主要研究方向为地理大数据挖掘、地统计分析。E-mail:

刘亚溪（1994— ）,男,甘肃陇南人,博士生,主要研究方向为时空大数据挖掘。E-mail:

收稿日期: 2020-06-09

  修回日期: 2020-07-20

  网络出版日期: 2021-04-25

基金资助

国家自然科学基金项目(42041001)

国家自然科学基金项目(41525004)

国家自然科学基金项目(41421001)

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

Spatial-temporal Characteristics of COVID-19 in Chongqing and Its Relationship with Human Mobility

  • LIU Yaxi , 1, 2 ,
  • SONG Ci 1 ,
  • LIU Qiyong 3 ,
  • ZHANG Zhixin 4 ,
  • WANG Xi 1, 2 ,
  • MA Jia 5 ,
  • CHEN Xiao 1, 2 ,
  • PEI Tao , 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. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. State Key Laboratory of Infectious Disease Prevention and Control, Collaborative Innovation Center for Diagnosis and Treatment of Infectious Disease, National Institute for Communicable Disease Control and Prevention, Chinese Center for Disease Control and Prevention, Beijing 102206, China
  • 4. China-Japan Friendship Hospital, Beijing 100029, China
  • 5. Oriental Hospital of Beijing University of Traditional Chinese Medicine, Beijing 100078, China
* PEI Tao, E-mail:

Received date: 2020-06-09

  Revised date: 2020-07-20

  Online published: 2021-04-25

Supported by

National Natural Science Foundation of China(42041001)

National Natural Science Foundation of China(41525004)

National Natural Science Foundation of China(41421001)

Copyright

Copyright reserved © 2021.
Fold

摘要

本文收集了重庆市2020年1月21日—2月24日确诊的545例新型冠状病毒肺炎（COVID-19）病例个案信息,结合1500万手机用户在疫情期间的信令轨迹大数据,分析了其疫情的时空演化特征以及人群活动的变化规律,并从复杂网络的角度揭示了疫情分布的异质性,从疫情传播与人群活动之间的关系揭示了异质性的原因。研究发现：① 重庆市疫情在时间上,经历了以输入病例为主、输入和本地病例共存、以本地病例为主3个阶段,病例实时再生数（Rt）初期较高,随着防控措施的实施,逐步减小;空间上,病例分布呈现显著聚集性,病例高聚集区主要分布在以万州区为核心的渝东北地区和以主城区为核心的渝西南地区;② 疫情发生后,重庆市人群移动总量减少为疫情前的53.20%,减少主要集中在主城区以及其他各区县的中心城区,而郊区、农村的人群移动变化不大,甚至有所增加;③ 人群活动与病例发生之间存在不同程度的相关性,具体为：每日人群移动总量与病例实时再生数、一个平均潜伏期（7 d）后的每日新增病例数的相关系数为0.97、0.89,揭示了人群活动与病例增长的时间相关性;各街道（乡镇）人群移动总量与其累计确诊病例数、本地感染病例数之间的相关系数为0.40、0.35,揭示了人群活动与病例空间分布的相关性;病例高聚集区与人群移动网络社区对应,且与网络社区内人群活动较强的区域吻合,揭示了重庆市疫情传播的本地聚集特征。大数据与疫情信息的聚合分析证实,切断人群移动网络社区之间的连接,并遏制疫情高风险社区内部的传播是在城市内部疫情防控的有效措施。

关键词： 新型冠状病毒肺炎; 时间特征; 空间分布; 人群活动; 网络社区划分; 聚集性传播; 相关性分析; 手机信令大数据

本文引用格式

刘亚溪 , 宋辞 , 刘起勇 , 张知新 , 王席 , 马佳 , 陈晓 , 裴韬 . 重庆市新型冠状病毒肺炎流行时空特征及其与人群活动性的关系[J]. 地球信息科学学报, 2021 , 23(2) : 222 -235 . DOI: 10.12082/dqxxkx.2021.200296

Abstract

Based on the epidemiological investigation data of 545 COVID-19 cases and mobile phone trajectory data of 15 million users during the epidemic ( from 21 January, 2020 to 24 February, 2020 ), this paper analyzed the spatial-temporal characteristics of COVID-19 and the human mobility changes in Chongqing. Furthermore, the correlation relationship between them was explored to explain these characteristics and changes. The results show that: (1) The epidemic pattern in Chongqing can be divided into three stages ( i.e. imported cases stage, imported cases plus local cases stage, and local cases stage ) and the real time reproduction number (Rt) was high at early stage, but declined significantly after prevention and control measures were taken; The spatial distribution of cases presented a significant clustering, and the high clustering areas were mainly distributed in the northeastern and the southwestern of Chongqing; (2) After the epidemic, the total amount of human mobility decreased to 53.20% and the decrease was mainly concentrated in the main urban area, while that of in the suburbs and rural areas did not change, or even increased; (3) The relationship between human mobility and case occurrence lies in two aspects: The correlation coefficient between daily human mobility and Rt, daily increased number of cases after an average incubation period (7 d) were 0.98, 0.87, revealing the time correlation between human mobility and case growth; The correlation coefficient between total amount of human mobility and total number of cases, number of local cases in each street (township) were 0.40, 0.35, revealing the correlation between human mobility and spatial distribution of cases. The cases clustering area corresponds to the network community of human mobility, revealing the local clustering transmission is the major transmission model. By aggregating the big data and the epidemic data, we suggests that cutting off the connection between different human mobility network communities and blocking the local transmission inside the high risk communities is an effective measure for the prevention and control of epidemics in cities.

Key words： COVID-19; temporal characteristics; spatial distribution; human mobility; network community detection; clustering transmission; correlation analysis; mobile phone big data

1 引言

新型冠状病毒肺炎（COVID-19）自2019年12月开始暴发以来,已蔓延至全球多地,对人类健康安全和社会经济发展构成了严重威胁。截至2020年6月1日,全球累计报告确诊病例6 194 533例,死亡376 320例,其中我国报告确诊病例83 022例,死亡4634例[1]。该疾病在人和人之间具有较强的传染性,人群的活动性成为疫情扩散的主要原因。而泛在传感器、移动互联网等技术的发展,使得人群活动可以被大数据所记录,这为研究疫情的传播提供了新的素材。因此从人群活动性的角度揭示疫情传播规律成为准确预测疫情发展、快速评估疫情风险的重要手段。
目前国际上已有多项研究针对疫情和人群活动性的关系进行了分析,按照研究内容大致可以分为 2类。① 研究区域间人群移动对于疫情传播的影响,具体包括2个方面：一方面是通过分析不同国家、城市之间的人群流动,结合病例数量在时间上的变化,构建流行病学传播模型(如SIR[2]、SEIR[3]等),对疫情发展趋势进行预测[4,5,6];另一方面是对比分析疫情发生前后区域间人群流动的变化,并模拟不同情景下的疫情发展状况,进而对疫情防控政策产生的效果进行评估,例如“武汉封城”对于遏制疫情蔓延的作用等[7,8,9]。② 研究城市整体人群活动变化与疫情发展的关系,如Gao等[10]基于手机位置大数据,对美国实施“居家令”之后,各郡县的人群活动变化进行了可视化,并分析了各个州人群活动性指标与感染人数之间的相关关系[11];Wang等[12]通过对中国各个城市的百度出行强度变化和病例增长曲线进行分析,发现城市人群活动强度的减弱,与一个平均潜伏期后的病例增长有显著的相关。这些研究虽然从多个方面揭示了人群活动与疫情传播之间的关系,但是大多都集中在国家、省市等较大尺度。
对于城市内部小尺度的研究,由于数据的限制,目前主要局限在疫情时空特征的分析[13,14,15,16],缺乏对其影响因素,尤其是人群活动性的影响的研究。刘勇等[17]虽然基于人口流动评估了河南省区县尺度的疫情风险,但是其人口流动规模是用2018年常住人口和年末户籍人口的差来表征,一方面数据在时间上存在滞后,另一方面对流动人口的估算可能存在偏差。冯明翔等[18]利用武汉市手机用户空间交互的数据,构建了交通分析区尺度上的疫情时空扩散推估模型,但是其主要侧重于对区域间疫情传播的预测,缺乏对传播模式的挖掘和解释。Klein等[19]基于个体移动轨迹数据,从通勤网络和移动性指标2个方面分析了疫情发生之后美国几个大型城市的人群活动情况,但是其只对人群活动随时间的变化特征进行了分析,没有将其和疫情传播进行关联。
综上所述,现有对于疫情传播和人群活动性关系的研究主要集中在大尺度,亟待对城市内部微观尺度下疫情传播特征及其与人群活动性关系的研究,进而一方面论证现有疫情防控政策的必要性和有效性,另一方面为未来发生类似疫情后城市内部、社区级别的疫情防控提供参考。因此,本文选择除湖北省外疫情较为严重的城市重庆作为研究对象,通过收集其病例调查数据,结合基于手机信令轨迹反演的街道（乡镇）间人群移动大数据,对其疫情时空演化特征、人群活动变化规律进行分析,并试图从二者的相关关系揭示这种时空演化规律产生的原因,从而发现限制人群活动对于疫情防控的意义。

2 数据来源与研究方法

2.1 数据来源

2.1.1 病例调查数据
从重庆市疫情通报中收集2020年1月21日— 2月24日其确诊病例数量及个案信息,个案信息包括病例居住地、接触史、发病时间、就诊时间、确诊时间等。除境外输入病例外,重庆市累计报告确诊病例576例,由于部分区县通报病例信息不全,有31例无个案信息,最终收集到545个病例个案,其中有60个（11.0%）病例住址精确到区县,其余病例住址均精细到乡镇、街道或小区,另外有130个（23.8%）无接触史信息,241个（44.2%）无发病时间信息,173个（31.7%）无就诊时间信息,37个（6.8%）无确诊时间信息。根据病例在发病前14 d内是否有武汉旅居史、或有武汉外其他区域旅居史并伴有相关病例接触史,可以将其划分为输入病例和本地病例,根据居住地信息,可以对其进行地理编码,匹配到对应的乡镇（街道）。
2.1.2 人群移动数据
基于某通信公司提供的手机信令数据,推算重庆市2020年1月1日—2月29日各街道（乡镇）之间的人群移动情况。该公司在重庆的市场占有率约为21%,总用户数为15 116 289人,采用扩展系数4.76对数据进行扩样。为保护个人隐私,手机信令数据中的空间位置脱敏至500 m网格,并将所有个人身份信息去除。脱敏后的用户移动轨迹可表示为：
Tra = c x 1 , c y 1 , s t 1 , e t 1 , c x 2 , c y 2 , s t 2 , e t 2 , ⋯ , c x n , c y n , s t n , e t n
式中：n为用户驻留过的网格数;cx和cy为网格中心点坐标;st和et分别为用户到达和离开该网格的时间。结合网格和街道（乡镇）边界的拓扑关系,可以判断各网格所属的街道（乡镇）,从而得到用户在街道（乡镇）之间的移动情况。

2.2 研究方法

本文研究方法主要分为4个部分（图1）：① 从时间上基于病例数量的变化,对疫情发展趋势进行分析;② 从空间上采用空间自相关分析方法,对病例分布的聚集性进行度量;③ 通过构建街道（乡镇）间人移动网络,对疫情前后人群活动性进行对比;④ 从时间和空间2个角度对人群活动和疫情传播之间的关系进行分析。
图1 本研究的技术路线

Fig. 1 Methodological workflow of this study

2.2.1 疫情发展趋势分析
根据病例确诊时间,绘制疫情流行曲线,分析疫情总体流行趋势。根据输入病例抵达重庆的时间,绘制每日病例输入直方图,分析疫情前期外地病例输入情况。另外,为了解疾病传染力的动态变化趋势,采用Lotka-Euler方程[20]计算不同时段重庆市COVID-19本地病例实时再生数Rt：
R t = 1 M ( - r t )
本文rt表示不同时段重庆市本地累计发病人数的增长率,采用一个平均潜伏期后的本地累计确诊人数作为代理,本文使用潜伏期为7 d[21],M( )是代际时间分布函数g(t)的矩量母函数。假设COVID-19的代际时间满足伽马分布,可以计算病例实时再生数Rt如下：
R t = 1 + r t β α
式中：α和β分别是代际时间伽马分布的形状参数和逆尺度参数,可以参考SARS[3]的代际时间统计量估计得出。
最后,为了解民众以及医疗机构对于疫情的响应情况,分别计算不同时期内病例发病-就诊、就诊-确诊时间间隔,并采用Kruskal-Wallis秩和检验进行差异分析,P<0.05为差异具有显著统计学意义。
2.2.2 病例空间聚集分析
首先绘制区县和街道（乡镇）尺度下的病例空 间分布图,对于街道（乡镇）尺度病例分布,采用Moran's I指数对其空间聚集情况进行度量,公式为：
Moran's 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表示重庆市街道（乡镇）个数;wij为空间权重矩阵,考虑到相邻街道（乡镇）之间传染风险较大,本文选用Queen邻接矩阵,即wij表示街道（乡镇）i和j是否相邻,是则为1,否则为0;x为各街道（乡镇）病例数; x ̅ 为所有街道（乡镇）病例数的均值。
进一步地,为了找出病例显著聚集区,采用 Local Moran's I指数对重庆市各街道（乡镇）病例数的局部聚集性进行分析,其计算公式如下：
LocalMoran's I = n x i - x ̅ ∑ j = 1 n w ij x j - x ̅ ∑ i = 1 n x i - x ̅ 2 ( i ≠ j )
式（5）中各变量的含义与式（4）中相同。
2.2.3 人群移动网络分析
根据手机用户在街道（乡镇）之间的移动情况,构建街道（乡镇）间人群移动网络。该网络以街道（乡镇）为节点,街道（乡镇）间人群移动为边。边的权重代表了街道（乡镇）间人群移动的强度,用两街道（乡镇）之间的人群移动总人次表示,而节点的度（流入、流出总人次）代表了各街道（乡镇）的人群移动总强度,用公式表示为：
M I i = ∑ j = 1 n M ij ( i ≠ j )
式中：MIi为第i个街道（乡镇）的人群移动总强度;Mij为街道（乡镇）i和j之间的人群移动强度;n为街道（乡镇）个数。然后基于人群移动网络,从整体上,对重庆市人群移动总量,即所有乡镇人群移动总量之和,随时间的变化进行分析;从局部,对各乡镇疫情发生前后人群移动的变化比例进行分析。这里人移动变化比例的计算公式为：
R i = M I i after - M I i before M I i before
式中：Ri为第i个街道（乡镇）的人群移动变化比例;MIi(after)为街道（乡镇）i在疫情发生后的人群移动总量,MIi(before)为街道（乡镇）i在疫情发生前的人群移动总量。Ri为负值,说明人群移动减弱,Ri为正值,说明人群移动增强。由于重庆市首例病例确诊时间为2020年1月21日,而手机信令数据起始时间为2020年1月1日,因此构建2020年1月1日—20日（20 d）的人群移动网络来反映疫情发生前的人群活动。为了保证前后对比的时间一致性,构建2020年1月21日—2月9日（20 d）的人群移动网络来反映疫情发生后的人群活动。
2.2.4 人群活动与疫情传播相关性分析
人群活动与疫情传播的关系表现在2个方面：一方面是人群活动与病例增长的时间相关性,采用重庆市每日人群移动总量与每日病例实时再生数（Rt）以及每日新增病例数之间的Pearson相关系数进行度量。考虑到COVID-19病毒在人体内具有较长的潜伏期,人群活动变化对于病例增长的影响具有一定滞后效应,本文每日新增病例数用一个平均潜伏期（7 d）之后的每日新增病例数表示;另一方面是人群活动与病例空间分布的相关性,采用疫情发生后各街道（乡镇）的人群移动总强度与其累计确诊病例数及本地感染病例数的Pearson相关系数进行度量。另外,采用Multi-level算法[22]对人群移动网络进行社区划分,该算法通过搜索网络模块度的最大值,使相同网络社区内街道（乡镇）间人群移动较强,容易发生疫情的传播,而不同网络社区的街道（乡镇）间人群移动较弱,发生疫情传播的可能性较小。对比疫情前后人群移动网络社区结构的变化,分析其与病例高聚集区、各街道（乡镇）人群移动强度之间的叠加关系,可进一步了解人群活动对疫情传播的影响。

3 结果与分析

3.1 疫情时空演化特征

重庆市在1月21日确诊首例病例之后,确诊病例数量波动上升,直至2月21日之后趋于平稳,2月24日之后除境外输入病例外,再无本土病例增加,最终累计确诊576例,其中输入病例占比约为40.85%,本地病例占比约为59.15%。疫情随时间的演化过程可以分为3个阶段（图2）：① 第一阶段为 1月21日—28日,主要以外地输入病例为主;② 第二阶段为1月29日—2月3日,主要是输入病例和本地病例共存;③ 第三阶段为2月4日—2月24日,主要以本地病例为主。从输入病例抵达重庆的时间（图3）,可以看到从1月6日开始,便陆续有外地感染者输入重庆,到1月19日,即春节前最后一个周日,达到高峰,随后下降;1月20日国家卫健委确认COVID-19存在人传人之后,大量人员离开武汉返回重庆,输入病例数再次上升,直至1月23日上午武汉市实施封城,输入病例数骤减。
图2 重庆市COVID-19 疫情的时间演化过程

Fig. 2 Time evolution process of the COVID-19 epidemic in Chongqing

图3 输入病例抵达重庆时间分布

Fig. 3 Arriving time of imported cases in Chongqing

重庆市COVID-19病例实时再生数（Rt）初期较高（图4）,随着1月24日当地政府启动一级响应开始逐渐下降,到29日稳定在3.5左右;1月30日推出社区排查防控之后,Rt迅速下降至1.8左右达到平稳;2月4日以后,随着集中隔离措施的完善,Rt逐渐下降至1。同时,随着疫情的发展,病例发病-就诊时间间隔以及就诊-确诊时间间隔也在显著缩短（表1）,说明一方面人们的防疫意识在逐渐增强,另一方面医疗机构的响应速率在逐步加快。
图4 重庆市病例实时再生数Rt变化

Fig. 4 Temporal dynamics of Rt in Chongqing

表1 不同时期内重庆市病例发病-就诊时间间隔及就诊-确诊时间间隔比较

Tab. 1 Comparison of case onset-visit interval and visit-confirmation interval during different periods in Chongqing

1月1日—20日 1月21日—25日 1月26日—31日 2月1日—20日 X 2值 P值
发病-就诊时间间隔 4 (1~6) 2 (0~4) 1 (0~4) 1(0~1) 21.51 <0.01
就诊-确诊时间间隔 7 (4~8.25) 2 (1~4.75) 2 (1~4) 1 (1~2) 46.52 <0.01

注：表中的值为M (P25~P75),其中M为均值,P25和P75分别为25%分位数和75%分位数,单位为天/d。

空间分布上,重庆市38个区县中共有36个区县报告确诊病例,其中万州区病例最多（118例,占病例总数的20.49%）,其次是渝北区（34例,占病例总数的5.90%）,另外北碚区和南川区无确诊病例。从区县尺度来看（图5（a））,病例主要分布在以万州区为核心的渝东北地区和以主城区为核心的渝西南地区。从街道尺度来看（图5（b））,病例在各区县内又呈现出相对聚集的模式。图6展示了病例空间聚集性分析的结果,可以看到全局Moran's I指数随疫情的发展,波动上升,最后保持在0.24,说明病例分布呈现越来越聚集的规律;另外,渝东北的病例高-高聚集区主要分布在万州区主城区、万州区、忠县和石柱县的交界处、以及奉节县主城区;渝西南的病例高-高聚集区主要分布在重庆市主城区、綦江区部分街道和潼南区部分街道;围绕高-高聚集区分布的是高-低聚集区,呈现出由里向外扩散的圈层结构;低-高聚集区分布比较分散,疫情传播风险也相对较小。
图5 重庆市病例空间分布

Fig. 5 Spatial distribution of confirmed cases at different scale in Chongqing

图6 重庆市街道（乡镇）尺度病例空间聚集分析结果

Fig. 6 Spatial clustering pattern of confirmed cases at street (township) scale in Chongqing

3.2 人群活动变化规律

图7和图8分别展示了重庆市疫情发生前后街道（乡镇）之间的人群移动网络和各街道（乡镇）的人群移动总强度。可以看到,疫情发生之后,在政府防控措施的实施下,人群活动性显著减弱,街道（乡镇）间的人群移动总量减少为疫情发生前的53.20%。从人群移动总量随时间的变化（图9）来看,疫情发生前,由于受春节的影响,每日人群移动总量呈现逐渐增多的趋势,1月21日出现首例病例之后,人群移动开始显著减少,并随着1月24日政府启动一级响应,持续减少,到2月6日之后趋于平稳。图10展示了各街道（乡镇）人群移动变化的比例,可以看到人群移动的减少主要集中在主城区以及其它各个区县的中心城区,而郊区、农村的人群移动总量变化不大,甚至有所增加。这一方面和不同区域的管控强度有关,城区的防控政策通常更为严格,另一方面也和不同人群的防控意识相关,农村人口由于受知识水平和信息接收途径的限制,对疫情严重性的认识程度不够。
图7 重庆市疫情发生前后街道（乡镇）间人群移动网络对比

Fig. 7 Human mobility network in Chongqing before and after the COVID-19

图8 重庆市疫情发生前后各街道（乡镇）人群移动总量对比

Fig. 8 Total amount of human mobility of each street (township) in Chongqing before and after the COVID-19

图9 重庆市人群移动总量随时间变化曲线

Fig. 9 Temporal change of the total amount of human mobility in Chongqing

图10 重庆市街道（乡镇）人群移动减少比率

Fig. 10 Change ration of human mobility in each street (township) in Chongqing

3.3 人群活动与疫情传播的关系

时间上,对数尺度下的每日人群移动总量和 病例实时再生数（Rt）的相关系数为0.97（P<0.01）（图11）,和一个平均潜伏期（7 d）之后的每日新增病例数的相关系数为0.89（P<0.01）（图12）,说明人群活动和病例增长之间具有较强的相关性。重庆市从1月24日启动一级响应之后人群活动性连续下降,而从一个平均潜伏期之后即1月31日开始,每日新增病例数也逐渐减少,说明限制出行政策对于疫情防控起到了显著的作用。
图11 重庆市每日人群移动与Rt的关系

Fig. 11 Relationship between human mobility and the real time reproduction number (Rt)

图12 重庆市每日人群移动与病例增长的关系

Fig. 12 Relationship between human mobility and the number of daily increased cases

空间上,各街道（乡镇）人群移动总量与其累计确诊病例数以及本地感染病例数之间的相关系数为0.40（P<0.01）和0.35（P<0.01）,说明人群活动与病例分布之间的相关性,即人群活动强度越高的乡镇其累计确诊病例数、累计本地感染病例数也相对越高。另外,对比疫情发生前后人群移动网络社 区划分的结果（图13）,可以看到网络社区数量从疫情发生前的17个增加为疫情发生后的21个,社区平均面积缩小为疫情前的80.95%,社区之间活动量与社区内部活动量的比值由疫情发生前的0.31减小为疫情发生后的0.20,说明疫情发生后人群活动范围缩小,社区间人群活动减弱。对比疫情发生后人群移动网络社区（图13（b））和病例聚集区分布（图6（b））,可以发现人群移动社区的分布和病例 聚集区的分布基本吻合,不同病例高聚集区分别对应不同的网络社区。进一步对比病例聚集区分布（图6（b））和疫情发生后各街道（乡镇）的人群活动强度（图8（b））,可以发现病例高发区域又位于网络社区内部人群活动性较强的区域,说明网络社区内人群的移动可能导致本地传播的发生,而网络社区之间的传播在政府限行措施的实施下得到了很好的阻断。
图13 重庆市疫情发生前后街道（乡镇）间人群移动网络社区划分对比

Fig. 13 Community detection of human mobility network in Chongqing before and after the COVID-19

为了进一步验证重庆市疫情传播的网络社区特征,根据包含接触史信息的415个病例个案,对其感染原因进行分析,发现重庆市疫情确实以本地聚集性传播为主。415个病例个案中,共提取到117起聚集性疫情案例（14 d内在小范围发现2例及以上确诊病例且病例间可能存在传染关系）,涉及病例349人,占比84.10%。这种本地聚集性传播主要分为2种类型：一种是家庭内部传播,即与感染者共同居住、生活导致的传播;另一种是非家庭内部传播,包括聚餐、走亲访友、交通出行等导致的传播。疫情初期,人群的移动增加了本地非感染者与外地输入感染者之间接触,引发了大量非家庭内部的传播,而这些感染者回到家中再次引发家庭内部的传播,从而导致整体病例数目的增加,这是人群活动和疫情传播相关性强的根本原因;疫情后期,由于防控措施的加强,人群活动受到限制,人群移动网络社区变小,移动主要集中在网络社区内部,因此家庭内部传染成为主要的传播模式。

4 结论

本文将传统流行病学调查数据与人群移动大数据进行结合,从时间和空间2个维度对重庆市COVID-19疫情的流行特征和对应人群活动性变化的规律进行了分析,并进一步从二者相关关系的角度探究了产生这种特征和规律的原因。研究结果表明：
（1）疫情时空演化规律：重庆市疫情发展可以分为以输入病例为主、输入和本地病例共存、以本地病例为主3个阶段;疫情初期病例实时再生数（Rt）较高,随着各级防控策略措施的实施,逐步趋近于1;病例空间分布呈现显著聚集性,其中病例高聚集区主要分布在以万州区为核心的渝东北地区和以重庆主城区为核心的渝西南地区。
（2）人群活动变化规律：疫情发生之后,在政府防控措施的实施下,重庆市人群活动强度显著减弱,人群移动总量减少为疫情发生前的53.20%;人群移动的减少主要集中在主城区以及其他各区县的中心城区,而郊区、农村的人群移动变化不大,甚至有所增加。
（3）人群活动与疫情传播的关系：重庆市每日人群移动总量与病例实时再生数、一个平均潜伏期（7 d）后的每日新增病例数的相关系数分别为0.97、0.89,揭示了人群活动与病例增长的时间相关性;各街道（乡镇）人群移动总量与其累计确诊病例数、本地感染病例数的相关系数分别为0.40和0.35,揭示了人群活动与病例空间分布的相关性;病例高聚集区与人群移动网络社区划分结果对应,且与网络社区内人群活动较强的区域吻合,揭示了重庆市COVID-19疫情主要局限在网络社区内部的聚集性传播,而不同网络社区之间的传播较为独立。
基于上述结论,本文认为城市内部的疫情传播在空间上是异质的,具有一定网络特征,并且和人群活动性之间具有显著相关性,因此未来若发生类似疫情,防控工作可以从以下2个方面入手：① 切断人群移动网络社区之间的连接,即减少区域之间,尤其是与疫情高风险区域之间的人群移动,同时对于疫情风险较高的网络社区进行重点防控,遏制疫情在其内部的聚集传播;② 在传统流行病学调查的基础上,融入手机大数据对于人群活动变化的实时监测,实现不同网络社区之间以及社区内部传播状况的快速评估和预测,从而制定更加精细和准确的防控政策。需要说明的是,本研究虽然在较小尺度上定量揭示了疫情传播与人群活动性的关系,但是其具体的传播机制仍需通过进一步的研究予以揭示;此外,由于病例个案数据收集不全,因此分析结论可能存在一定的不确定性。未来的研究可以基于更加精细和全面的流行病学调查数据,将人群移动轨迹与病例传染关系进行结合,通过构建疫情传播动力学模型,从疫情传播机制的角度深入探究二者的关系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
WHO. Coronavirus disease (COVID-19) situation reports[EB/OL].https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200602-covid-19-sitrep-134.pdf?sfvrsn=cc95e5d5_2

[2]
Fanelli D, Piazza F. Analysis and forecast of COVID-19 spreading in China, Italy and France[J]. Chaos, Solitons & Fractals, 2020,134:109761.

[3]
Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan,China:a modelling study[J]. The Lancet, 2020,395(10225):689-697.

[4]
Cao Z, Zhang Q, Lu X , et al. Incorporating human movement data to improve epidemiological estimates for 2019-nCoV[J]. medRxiv [preprint], 2020. doi: 10.1101/2020.02.07.20021071.

DOI PMID

[5]
Jia J S, Lu X, Yuan Y , et al. Population flow drives spatio-temporal distribution of COVID-19 in China[J]. Nature, 2020,582:389-394.

DOI PMID

[6]
Chen Z L, Zhang Q, Lu Y , et al. Distribution of the COVID-19 epidemic and correlation with population emigration from wuhan, China[J]. Chinese Medical Journal, 2020,133(9):1044-1050.

PMID

[7]
Chinazzi M, Davis J T, Ajelli M , et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak[J]. Science, 2020,368(6489):395-400.

DOI PMID

[8]
Kraemer M U G, Yang C H, Gutierrez B , et al. The effect of human mobility and control measures on the COVID-19 epidemic in China[J]. Science, 2020,368(6490):493-497.

DOI PMID

[9]
Tian H, Liu Y, Li Y , et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China[J]. Science, 2020,368(6491):638-642.

PMID

[10]
Gao S, Rao J, Kang Y , et al. Mapping county-level mobility pattern changes in the United States in response to COVID-19[J]. SIGSPATIAL Special, 2020,12(1):16-26.

[11]
Gao S, Rao J, Kang Y , et al. Mobile phone location data reveal the effect and geographic variation of social distancing on the spread of the COVID-19 epidemic[J]. arXiv preprint arXiv: 2004.11430, 2020.

[12]
Wang J, Tang K, Feng K , et al. When is the COVID-19 Pandemic Over? Evidence from the Stay-at-home Policy Execution in 106 Chinese Cities[J]. Available at SSRN: https://ssrn.com/abstract=3561491, 2020.

[13]
王皎贝, 李钢, 王建坡, 等. 陕西省COVID-19疫情时空演化与风险画像[J]. 热带地理, 2020,40(3):432-445.

[ Wang J B, Li G, Wang J P, et al. Spatiotemporal evolution and risk profiling of COVID-19 epidemic in ShanxiProvince[J]. Tropical Geography, 2020,40(3):432-445. ]

[14]
刘郑倩, 叶玉瑶, 张虹鸥, 等. 珠海市新型冠状病毒肺炎聚集发生的时空特征及传播路径[J]. 热带地理, 2020,40(3):422-431.

[ Liu Z Q, Ye Y Y, Zhang H O, et al. Analysis of the spatio-temporal characteristics and transmission path ofCOVID-19 cluster cases in Zhuhai[J]. Tropical Geography, 2020,40(3):422-431. ]

[15]
赵宏波, 魏甲晨, 王爽, 等. 大城市新冠肺炎疫情风险评估与精准防控对策——以郑州市为例[J]. 经济地理, 2020,40(4):103-109,124.

[ Zhao H B, Wei J C, Wang S, et al. The risk assessment of Covid-2019 epidemic in metropolis and precise preventionand control measures: A case study of Zhengzhou City[J]. Economic Geography, 2020,40(4):103-109,124. ]

[16]
金安楠, 李钢, 王皎贝, 等. 深圳市新型冠状病毒肺炎(COVID-19)疫情时空演化与防控对策[J]. 陕西师范大学学报(自然科学版), 2020,48(3):18-32.

[ Jin A N, Li G, Wang J B, et al. Spatial-temporal evolution and control strategies of COVID-19 epidemic in Shenzhen City[J]. Journal of Shanxi Normal University (Natural Science Edition), 2020,48(3):18-32. ]

[17]
刘勇, 杨东阳, 董冠鹏, 等. 河南省新冠肺炎疫情时空扩散特征与人口流动风险评估——基于1243例病例报告的分析[J]. 经济地理, 2020,40(3):24-32.

[ Liu Y, Yang D Y, Dong G P, et al. The spatio-temporal spread characteristics of 2019 novel coronavirus pneumoniaand risk assessment based on population movement in Henan Province:Analysis of 1243 individual case reports[J]. Economic Geography, 2020,40(3):24-32. ]

[18]
冯明翔, 方志祥, 路雄博, 等. 交通分析区尺度上的新型冠状病毒肺炎时空扩散推估方法:以武汉市为例[J]. 武汉大学学报·信息科学版, 2020,45(5):651-657,681.

[ Feng M X, Fang Z X, Lu X B, et al. Traffic analysis zone-based epidemic estimation approach of COVID-19 based onmobile phone data:An example of Wuhan[J]. Geomatics and Information Science of Wuhan University, 2020,45(5):651-657,681. ]

[19]
Klein B, LaRocky T, McCabey S , et al. Assessing changes in commuting and individual mobility in major metropolitan areas in the United States during the COVID-19 outbreak. Northeastern University. Network Science Institute. 2020. Available online: https://uploads-ssl.webflow.com/5c9104426f6f88ac129ef3d2/e8374ee75221201609ab586_Assessing_mobility_changes_in_the_United_States_during_the_COVID_19_outbreak.pdf

[20]
Wallinga J , LipsitchM. How generation intervals shape the relationship between growth rates and reproductive numbers[J]. Proceedings. Biological Sciences, 2007,274(1609):599-604.

DOI PMID

[21]
国家卫生健康委办公厅. 新型冠状病毒肺炎防控方案(第六版)[EB/OL]. http://www.nhc.gov.cn/jkj/s3577/202003/4856d5b0458141fa9f376853224d41d7.shtml.

[ General Office of National Health Commission. Prevention and control protocol for COVID-19 (Version 6)[EB/OL]. http://www.nhc.gov.cn/jkj/s3577/202003/4856d5b0458141fa9f376853224d41d7.shtml.]

[22]
Ma L, Gong M, Liu J , et al. Multi-level learning based memetic algorithm for community detection[J]. Applied Soft Computing, 2014,19:121-133.

Options
文章导航

/

〈 〉