EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 11: 1910 - 1923

DOI: https://doi.org/10.12082/dqxxkx.2021.210133

专栏：全球新型冠状病毒肺炎(COVID-19)疫情时空建模与决策分析

SARS与COVID-19时空传播差异性及影响因素分析

  • 崔明洁 , 1, 2 ,
  • 姚霞 2, 4 ,
  • 方昊然 2, 5 ,
  • 张杨成思 2, 6 ,
  • 杨德刚 1, 2 ,
  • 裴韬 , 2, 3, *
展开
  • 1. 中国科学院新疆生态与地理研究所,乌鲁木齐 830011
  • 2. 中国科学院大学,北京 100049
  • 3. 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
  • 4. 中国科学院城市环境研究所 城市环境与健康重点实验室,厦门 361021
  • 5. 中国科学院空天信息创新研究院,北京 100094
  • 6. 中国环境科学研究院,北京 100012
*裴韬（1972— ）,男,江苏扬州人,研究员,研究方向为地理大数据挖掘、地统计分析。E-mail:

崔明洁（1997— ）,女,河南商丘人,硕士生,研究方向为区域发展。E-mail:

收稿日期: 2021-03-16

  要求修回日期: 2021-05-25

  网络出版日期: 2021-09-07

基金资助

国家重点研发计划项目(2017YFB0503604)

国家自然科学基金项目(41525004)

国家自然科学基金项目(42041001)

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 and Temporal Transmission Differences between SARS and COVID-19 and Analysis of Influence Factors

  • CUI Mingjie , 1, 2 ,
  • YAO Xia 2, 4 ,
  • FANG Haoran 2, 5 ,
  • ZHANG Yangchengsi 2, 6 ,
  • YANG Degang 1, 2 ,
  • PEI Tao , 2, 3, *
Expand
  • 1. Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 4. Key Laboratory of Urban Environment and Health, Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China
  • 5. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 6. Chinese Research Academy of Environment Sciences, Beijing 100012, China

Received date: 2021-03-16

  Request revised date: 2021-05-25

  Online published: 2021-09-07

Supported by

National Key R&D Program of China, No(2017YFB0503604)

National Natural Science Foundation of China, No(41525004)

National Natural Science Foundation of China, No(42041001)

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

SARS和COVID-19的暴发对我国公众健康、社会经济等造成了严重影响,为揭示呼吸道烈性传染病的时空传播的共性规律和差异特征及背后原因,运用时空统计方法,系统分析并对比了SARS与COVID-19的时空传播差异性特征,并结合病毒本身传播特性及交通、温度等因子进行原因分析。研究表明：① 时间序列上,SARS从发病初始到结束经历了2个阶段,即上升期-平缓期,COVID-19经历了3个阶段,即上升期-急剧上升期-缓升期。② 空间传播模式上,COVID-19传播强度及传播范围大于SARS,且COVID-19的整体连通性较大,各省份与病毒暴发地的联系更为紧密;SARS和COVID-19的传播都存在明显的空间聚集性特征;二者均以邻近传播、远距离飞跃式为主,且SARS存在中次级传播中心,COVID-19扩散中心未发生转移。③ 空间传播方向上,SARS以北京市、香港特别行政区、广东省为中心,空间传播方向性更强,COVID-19仅以湖北省为中心向外扩散。④ 空间传播速度上,SARS各省份首例病例传播时间跨度较大,COVID-19各个省份首例病例传播时间大致以胡焕庸线为分界线,呈现出“东快西慢”的现象,传播时间跨度较短。⑤ R0是造成SARS和COVID-19空间传播范围与空间传播速度差异的主要原因;SARS和COVID-19病毒温度适宜性有所差异,但在温度接近的区域均发生了空间聚集性传播和邻近区域传播;除病毒本身传播能力、温度影响外,交通是影响SARS和COVID-19空间远距离飞跃式传播的主要原因,二者空间传播速度均与路网密度呈负相关关系。

关键词： SARS; COVID-19; 时空统计方法; 时空传播差异; 时间序列; 空间传播模式; 空间传播方向; 空间传播速度

本文引用格式

崔明洁 , 姚霞 , 方昊然 , 张杨成思 , 杨德刚 , 裴韬 . SARS与COVID-19时空传播差异性及影响因素分析[J]. 地球信息科学学报, 2021 , 23(11) : 1910 -1923 . DOI: 10.12082/dqxxkx.2021.210133

Abstract

The outbreaks of SARS and COVID-19 have had a serious impact on public health, social economy and so on in China, in order to reveal the common law and difference characteristics of space-time transmission of respiratory infectious diseases and the reasons behind them, using space-time statistical methods, systematically analyzed and compared the difference characteristics of space-time transmission between SARS and COVID-19, and combined with the transmission characteristics of the virus itself and temperature, traffic and other factors to analyze the causes. The study shows that, ① SARS experiences two stages, the rising period-flat phase, and the COVID-19 experiences three stages, the rising period-sharp rise-slow up period. ② In the mode of spatial transmission, the transmission intensity and range of COVID-19 is greater than that of SARS, and the overall connectivity of COVID-19 is greater and the provinces are more closely related to the outbreak of the virus. Both SARS and COVID-19 transmission have obvious spatial aggregation characteristics. They are based on proximity propagation and long-range leaps, and SARS has a secondary communication center, and COVID-19 diffusion center has not been relocated. ③ In the direction of space communication, SARS is centered in Beijing, Hong Kong and Guangdong, the direction of spatial communication is stronger, and COVID-19 is only spread outwards with Hubei as the center. ④ In terms of spatial transmission speed, the spread time of the first case in each province of SARS is relatively large, and the spread time of the first case in each province of COVID-19 is roughly divided by Hu Huanyong Line, showing a phenomenon of "fast in the east and slow in the west", and the spread time span is relatively short. ⑤ R0 is the main reason for the difference between the spatial transmission range of SARS and COVID-19 and the speed of spatial transmission. The temperature suitability of SARS and COVID-19 viruses is different, but spatial aggregation transmission and adjacent area transmission are occurring in areas with similar temperatures. Besides the virus transmission capacity and temperature impact, traffic is the main reason affecting SARS and COVID-19 space long-range leap transmission, and the spatial transmission speed of both is negatively related to the density of the road network.

Key words： SARS; COVID-19; space-time statistical method; space-time propagation differences; time series; spatial propagation model; spatial propagation direction; spatial propagation space

1 引言

2003年SARS的暴发给社会发展、公众健康带来巨大影响,中国在历经17年的经济、交通等发展之后,2020年COVID-19疫情的暴发再次对社会与经济带来巨大影响。SARS和COVID-19病毒虽然基因序列较为相似[1,2],但后者引起的影响更加宽广和深远。虽然17年前已经有了前车之鉴,但此次疫情仍然在更大时空范围内暴发,除了病毒本身的传染性差异之外,我们迫切需要了解二者之间的时空传播规律的差异及其决定因素。为此,本文基于SARS和COVID-19病例时空数据,揭示二者的时空传播规律及差异,进一步分析二者呈现差异的原因,为相似传染疾病的科学防控与应急管理提供科学依据。
在2003年SARS疫情之后,就有许多研究对SARS的统计分析、防控措施、空间传播等方面做了分析,武继磊等[13]通过对北京市SARS的空间统计分析研究发现SARS新增病例的热点探测与人群的空间分布与流动相关;叶沿林等[4]研究表明每个病人可以直接或间接感染他人的期限在20 d左右,且该值随着疫情不同发展阶段的变化无显著变化;胡碧松等[5]基于北京市疾病输入-输出流的时空特征分析揭示了SARS流行过程中的潜在时空演化特征与规律;Zhang[6]证明了SARS住院和非住院患者的感染率和感染时间决定了有效再生数,且SARS病毒的感染率和有效再生数与累计病例总数均呈显著负相关,证实了我国SARS采取的防控措施有显著成效;石耀霖[7]研究表明感染率及其随时间的变化是影响SARS传播的最重要因素;刘玉等[8]揭示了SARS空间传播过程具有一定的规律性,其传播途径以外来人口返乡和经济文化活动引起的人口流动为主要媒介;Wang等[9]根据北京市SARS患者的住所数据,揭示了北京市SARS密切接触者的空间分布特征;曹志冬等[10]对北京市SARS流行的特征与时空传播规律研究发现SARS传播在西北-东南方向的扩散速度弱于东北-西南方向。
COVID-19疫情虽仍在全球蔓延,但有关研究已层出不穷,有关学者从动力学模拟、模型预测、影响因素分析、防控措施及其环境指标等方面进行了研究。王聪等[8]根据百度迁徙数对武汉市人口流动特征进行了动力学模拟;张原等[12]运用随机动力学模型对海外疫情发展、疫情控制时间、部分临床特征等进行了估计和预测;李栋等[13]通过模拟COVID-19的传播过程,预测了COVID-19发展趋势;Qin等[14]根据COVID-19早期新增疑似和确诊病例数预测发现SMSI可作为早期预测器,为政府卫生部门定位潜在和高风险疫情暴发区;邵俊杰等[15]通过SEIR仓室模型对COVID-19在中国山东、韩国两地的传播动力学特征进行了回溯分析;Qi等[16]、Shi等[17]、Park等[18]分别根据温度、湿度等气象因素对COVID-19传播的影响进行了拟合分析,发现温度、湿度均能够影响COVID-19的传播,此外,Ficetola等[19]研究发现在全球疫情爆发的1—3月,COVID-19的增长率与气候呈非线性相关,在平均气温约5 ℃的地区传播最快;Matteo Chinazzi等[20]、周成虎等[21]、Lai等[22]、Nick等[23]分别从COVID-19疫情的防控干预方面展开了研究,此外,Lian等[24]的研究表明封锁措施对环境具有重要影响,且二氧化氮(NO2)浓度可以作为环境封锁指标,用来评价封锁措施的有效性[25]。
综上,关于SARS、COVID-19的研究已有较多进展,但鲜有系统比较二者时空传播规律差异的成果,二者之间关于传播特征和相关因素的系统对比也比较缺乏,为此,本文基于SARS与COVID-19的病例数,进行时空数据分析,以中国为例揭示二者的时空传播规律及差异,从差异对比中分析疫情传播的原因,以期为相似流行传染病的公共卫生事件防控提供参考。

2 数据来源与研究方法

2.1 数据来源

考虑需将SARS和COVID-19的数据进行对比分析,本文时间上采用以天为单位的统计数据,空间上采用以省（市、自治区）为单位的统计数据进行研究,具体数据情况如下。因SARS的早期数据并未公开（在此不做相关研究）,本文的累计确诊病例数据与温度数据[26]、首例病例传播时间及感染源来源数据[27]来源于已发表文献,其中,2003年4月21日—7月13日相关数据主要来源于中国网[28]（ http://www.sars.china.com.cn）,港澳台数据主要来源于世界卫生组织网站SARS冠状病毒专栏公布数据[29]（ https://www.who.int/csr/sars/en/）。COVID-19数据来源于各省份卫健委公布的数据,经收集整理得到,包括COVID-19从2020年1月12日—2020年8月22日每日新增病例数据、累计确诊病例数据、首例病例传播时间数据及感染源来源数据,由于8月后期各省份疫情基本得到控制,部分省份由于境外输入等因素影响,难以总结其发展规律,故研究意义不大,本文不做研究;COVID-19温度数据来源于天气网历史天气查询网站[30]（ https://m.tianqi.com/lishi/）。文中2003年、2019年交通情况对比数据分别来源于2004年、2020年中国统计年鉴[31,32];2003年、2019年铁路线数据由OpenStreetMap网站[33]（ https://www.openstreetmap.org/）下载数据人工矢量化得到。

2.2 研究方法

针对SARS和COVID-19的时间序列研究,将SARS和COVID-19疫情发展情况划分不同时间序列阶段进行比较,包括累计确诊病例数、新增病例增长率（新增病例增长率=（当天新增病例数/前一天累计确诊病例数）×100%）时间序列发展情况,并结合重要时间节点（如春节等）将二者的时间序列特征差异进行对比分析。
针对SARS和COVID-19的空间传播差异性,将其分解为3个方面：疫情空间传播模式、疫情空间传播方向、疫情空间传播速度。① 根据累计确诊病例数空间分布、空间自相关分析,并依据景观生态学中整体连通性指数（IIC）的计算方法,经过改进后构建病毒传播整体连通性指数（IICv）,对比分析SARS与COVID-19在空间传播模式上的差异; ② 结合二次疫情累计确诊病例数,通过标准差椭圆明晰SARS和COVID-19的空间传播方向;③ 通过对各省份首例病例传播时间及交通路线发展情况叠加进行可视化分析,揭示疫情空间传播速度的差异;④ 结合交通发展、病毒本身传染性及温度进行分节讨论,分析三者对2次疫情空间传播模式、方向、速度的影响情况,并提出未来疫情防控的可实施性建议。技术路线如图1所示。
图1 SARS和COVID-19时空传播差异技术路线

Fig. 1 Space-time propagation difference technology route of SARS and COVID-19

2.2.1 整体连通性
整体连通性指数是景观生态学中用于表示区域内某一类型斑块在该区域上的连通程度,其值在0~1之间,该数值越大表示斑块连通性越大。数值为0时,表示该类型斑块没有连通,连通性最小;数值为1时表示整个区域都为该类型斑块,此时连通性最高。为量化SARS和COVID-19在空间上的传播范围特征,依据景观生态学中整体连通性指数（IIC）[34]的计算方法,结合病毒空间分布特征,在该公式的基础上进行改进,提出IICv指数,即病毒传播连通性指数,用于量化表征SARS和COVID-19这2种不同疫情在全国的影响范围。
IICv = ∑ i = 1 n a i × a max 1 + a i / a max A 2
式中：n为34个省份;ai为各省份的累计确诊病例数;amax为所有省份中最大累计确诊病例数;A为全国累计确诊病例数。
2.2.2 空间权重矩阵
空间权重矩阵是空间数据结构的一种表现形式,它是对数据集要素之间存在的空间关系的一种量化。本文通过建立空间权重矩阵对SARS和 COVID-19进行空间自相关分析,探索其空间聚集特征。
本次研究运用ArcGIS 10.3建立空间权重矩阵,以各省份累计确诊病例数作为输入要素,通过唯一ID字段识别输入要素,以两区域之间有无公共边界（CONTIGUITY_EDGES_ONLY）定义空间关系,计算两地质心间直线距离（EUCLIDEAN）,不考虑障碍物等其他要素的影响,最后输出各省份的空间权重矩阵。其中,在定义空间关系时,台湾省、海南省属于孤立岛屿,无相邻要素。根据实际交通联系将广西壮族自治区、广东省作为海南省邻近要素,台湾省由于2003年并未与内陆实现“三通”,需要通过港澳入境,仅以香港特别行政区、澳门特别行政区作为其邻近要素,2020年又添加了浙江省、福建省、广东省作为台湾省的邻近要素。
2.2.3 空间统计分析
（1）空间自相关
“托普勒地理学第一定律”指出：距离越近,属性值相似性越强,这种现象被标示为空间自相关性[35],空间自相关分析是构造某一指标研究对象的随机分布特征[36],本文运用空间自相关探索SARS与COVID-19累计确诊病例数的空间相关性强度,并通过Moran's I检验[37],I值位于[-1, 1]之间,-1为 高度空间负相关,0为没有相关,1为高度空间正相关[38],以此判定SARS和COVID-19在空间上的相关性程度。
（2）标准差椭圆
标准差椭圆（Standard Deviational Ellipse, SDE）是用来度量一组数据的方向和分布的,它属于一种空间格局统计分析方法,可揭示地理要素空间分布的全局特征[39]。它通过椭圆的中心、长短轴、方向角、扁率等参数定量描述地理要素的空间分布状况[40]。中心表示疫情二维空间分布的地理位置,长短轴表示疫情传播的范围,方向角表示疫情空间分布的方向,扁率为短轴与长轴的比值,扁率越大表示方向性越明显,短轴越长,疫情空间分布越分散。

3 结果及分析

3.1 时间序列差异性分析

3.1.1 累计确诊病例数
SARS和COVID-19均属于冠状病毒,能引起急性呼吸道传染疾病,COVID-19致死率比SARS病毒低很多[14],但它的感染人数远超SARS病毒感染人数。通过SARS与COVID-19的时间序列分布特征,可对其二者的总体发展趋势有所了解。从时间序列分布来看（图2）,SARS和COVID-19都呈现先增加后平缓的趋势,但二者在阶段性上的表现有所不同：SARS从2003年3月17日—2003年7月13日,累计病例总体呈现两段式的变化,即上升期-平缓期;COVID-19从2020年1月16日—2020年8月22日,累计病例总体呈现三段式的变化,即上升期-急剧上升期-缓升期。与SARS不同,首先,COVID-19经过春运（SARS春节时间为2003年2月1日,COVID-19春节时间为2020年1月27日）人员流动,感染人数呈现大幅度持续上升趋势,SARS历经春运,累计感染人数并未发生较大波动。其次,COVID-19上升期阶段之后,感染人数并没有逐渐平缓,后期由于境外输入等特殊感染人群使得累计确诊病例数仍有缓升。
图2 SARS和COVID-19累计病例时间序列分布

Fig. 2 Cumulative case time series distribution of SARS and COVID-19

3.1.2 新增病例增长率
新增病例增长率是病例增长的速度,表示以天为步长的病情暴发的差异性。SARS每日新增病例增长率最高值为18.72%,COVID-19高达95.16%,且二者的新增病例增长率均有不同幅度的波动（图3）,这一定程度上与二者的基本可再生数（R0）有关。研究表明,SARS早期的R0中位数为2.9[41],COVID-19早期的R0中位数为3.24[42]（R0>1时,会发生传染,无论最初感染人数多少,都会在人群中传播;R0>2时,可能发生大爆发;R0>3时,通常被认为大流行是不可避免的[43]）,COVID-19的早期传播潜力要强于SARS,但随着防控措施的实施,尤其是采取交通管制措施,会使二者的基本再生数逐渐降低,减缓其传播[44],使其新增病例数及增长率逐渐降低。这一点在二者均达到最高新增增长率的时间上有所体现,① 从2003年3月17日—2003年7月13日,SARS达到最高新增增长率耗时为191 d,COVID-19达到最高增长率所耗时间为130 d,2020年2月12日,虽然多数省份病例都有所增加,但由于湖北诊断方式的提高,确诊病例有所增加[45],表明COVID-19自身传播能力较强,二者均发生了大流行现象。② 在采取相关措施之后,SARS在2003年5月之后新增病例增长率稍有波动,COVID-19进入3月份之后增长率逐渐降低,虽变化较不稳定,累计确诊病例数持续缓慢上升,但二者后期均未达到最高增长率。
图3 SARS和COVID-19新增病例增长率变化

Fig. 3 New cases growth rate change of SARS and COVID-19

SARS和COVID-19的基本可再生数是影响其传播的关键,但采取隔离、封锁、交通管制等措施能有效减缓疫情传播,同时,响应时间与防控措施的力度对疫情传播也有重大影响[46]。SARS流行期间,从发现首例病例开始,响应时间较长,病毒扩散时间跨度较大,COVID-19采取了严格的封城措施,虽然前期感染人数迅速增加,但中国政府通过调控公众工作和学习模式作为减少社会传播的第一线措施传播率[47],很快疫情得到了控制。再者,通过对比二者的增长情况,在疫情大规模控制之后,仍然不能放松管控,尤其对于COVID-19,疫情后期境外输入及潜在人群的存在,具有二次规模暴发的可能性[48]。

3.2 疫情空间传播差异性分析

SARS和COVID-19都是由于本土病源引发,但是二者存在许多异同点。疫情累计病例空间格局分布图更能直观地比较不同区域空间分布模式的差异,结合连通性指数及空间自相关分析,并结合SARS和COVID-19各个省份感染源来源分布、首例病例传播时间进行可视化分析,揭示其空间传播模式;利用标准差椭圆确定2次疫情的扩散程度与空间传播方向,以识别SARS和COVID-19的传播方向特征;根据SARS和COVID-19的首例病例为起点至疫情蔓延至全国的时间运用ArcGIS自然断点法将其可视化分析,来揭示二者空间扩散速度的差异。
3.2.1 疫情空间传播模式
全国累计病例空间格局分布图显示（图4）,SARS在我国新疆、西藏、云南、贵州、海南和黑龙江未出现病例,COVID-19病例遍布全国。SARS疫源地广东、北京病例均超过2000人,其余省份累计确诊病例数仅为百人,COVID-19除疫源地湖北外,香港、广东、浙江、河南、湖南累计确诊病例数均过千人。北京、上海、黑龙江境外输入病例较高,尤其是黑龙江（由2020年4月15日黑龙江卫健委通报数据显示,全国境外输入病例为340例,其中黑龙江省108例）,境外输入导致黑龙江累计确诊病例数为第二级（根据ArcGIS中Nature Breaks(Jenks)分级：第一级最严重,以此类推,第五级最轻微）,SARS则无境外输入情况。
图4 SARS和COVID-19累计病例分布

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 (2019)1698号标准地图制作,底图无修改。SARS累计确诊病例日期为2003年3月17日—2003年7月13日,COVID-19累计确诊病例为2020年1月16日—2020年8月22日。

Fig.4 Cumulative case distribution of SARS and COVID-19

根据式（1）得到SARS连通性指数为0.2069,COVD-19则为0.4797,表明COVID-19整体连通性程度较高,在我国范围内的传播范围广,影响较大,且各省份与病毒暴发地的联系更为紧密。有研究表明[49],除湖北外,最早发现COVID-19的首例病例的省份为北京、广东,虽然距离湖北较远,但其交通联系便捷,区域之间保持着密切的社会经济联系与人口往来。在2000—2017年,我国的民航运输、铁路运输以及私家车拥有量都在不断增加,交通网络不断完善,客运量也在不断增加,且在2007年高铁开通以来,客运量更多依赖于铁路运输[50],且高铁的连接紧密程度会增加病毒的感染几率[51]。
为明晰SARS和COVID-19的空间聚集性特征,本文将SARS 和COVID-19累计确诊病例数进行空间自相关性分析,结果表明（表1）,SARS的Moran's I为0.2122,COVID-19的Moran's I值为0.2141,Moran's I值都大于0,且p值小于0.05,z值大于1.96,说明地区累计确诊病例数与地理位置具有统计学意义[52],二者在空间上存在聚集性,表示在累计确诊病例数较高的区域其周围省份往往也具有较高的累计确诊病例数。原因在于人与人之间直接或间接传播是SARS和COVID-19病毒传播的重要途径[53],通过人群流动造成区域聚集性传播,但由于COVID-19的R0值较大,传染能力强,后期病毒传播来源发生变化[54],从而造成区域聚集性传播范围更广,各省COVID-19病例人数持续增加。
表1 SARS和COVID-19空间自相关结果

Tab. 1 Spatial self-correlation results of SARS and COVID-19

Moran's I p-value z-value E V
SARS 0.2122 0.0167 2.3934 -0.0303 0.0103
COVID-19 0.2141 0.0330 2.1311 -0.0303 0.0131
从SARS和COVID-19感染源分布及各省首例病例传播时间来看（图5）：SARS感染源分布较为复杂,广东虽作为疫源地,但在传播过程中北京、香港作为次级传播中心进行区域扩散,以北京为中心传播最为严重;COVID-19以湖北为中心呈放射状扩散,无次级传播中心形成。在区域扩散中,SARS与COVID-19的爆发地均包含广东、香港、浙江等沿海城市以及首都城市北京,这些城市人口流动较大,经济活动频繁在一定程度上会促进这种传染疾病的蔓延;SARS和COVID-19均以邻近传播、远距离飞跃式传播为主,但COVID-19跨区域传播的范围更大,新疆、西藏、青海、黑龙江等偏远地区均出现感染病例,感染人数在较短时间内大幅度增加[55]。
图5 SARS和COVID-19首例病例传播示意

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 (2019)1698号标准地图制作,底图无修改。

Fig. 5 First cases transmission of SARS and COVID-19

3.2.2 疫情空间传播方向
通过对SARS和COVID-19进行标准差椭圆分析,明晰SARS和COVID-19空间传播的方向,结果显示（图6）：SARS与COVID-19均具有方向性（椭圆长半轴表示传播方向）,但SARS方向性更加明显（椭圆越扁,方向性越明显）,以北京和广东为两极向中部地区集中分布,这主要与SARS的传播中心有关,疫源地广东省为传播中心,香港特别行政区、北京市为次级中心进行扩散;COVID-19病例空间分布范围广（椭圆短半轴较大）,主要包括湖北省和以湖北省为中心的周围区域（包括河南省、安徽省、江西省、湖南省、重庆市等地）。
图6 SARS与COVID-19累计确诊病例数标准差椭圆分布

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 (2019)1698号标准地图制作,底图无修改。

Fig. 6 Standard differential ellipse map of SARS and COVID-19 cumulative cases

3.2.3 疫情空间传播速度
由于SARS传播时间跨度较长,以广州有第一例病例为起点（0 d）,以其传播到所有区域的时间为终点（165 d）,同理,COVID传播的一个月时间里仅武汉有病例,其区域传播时间极短,以武汉开始出现第一例病例为起点（0 d）,以其传播到所有的区域时间为终点（52 d）,根据ArcGIS自然断点法（Natural Breaks（Jenks））将SARS和COVID-19传播速度分别分级设色,并通过叠加2003年和2019年交通路线图,将二者传播速度可视化显示（图7）,SARS主要沿交通干线传播,各省份首例病例传播时间相差较大,无明显的地域分界,除北京市、广东省外,四川省、山西省、湖南省、湖北省、河南省、安徽省等地交通网相对密集,支干线较发达,SARS传播速度也较快;COVID-19除沿交通干线传播外,传播时间大幅度缩短,各省份首例病例传播时间呈现出“东快西慢”的现象,具有明显的地域分界,大致以胡焕庸线为分界线,分界线以东人口密度大,经济发展水平较高,传播速度较快,以西人口密度较低,经济发展水平相对较弱,传播速度相对较慢。
图7 SARS和COVID-19空间扩散速度

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 (2019)1698号标准地图制作,底图无修改。

Fig. 7 Space diffusion speed SARS and COVID-19

综上,SARS和COVID-19 2次疫情在时空传播特征具有显著差异,同时又具有流行传染病共性特征（表2）,首先,在时间序列上,二者的累计确诊病例数及新增病例增长率时间变化明显不同。其次,在空间传播模式上,二者均以邻近传播和远距离飞跃式传播为主,并具有区域聚集性传播特征,但在差异性上,SARS传播中心发生了转移,COVID-19传播中心仅以湖北为主;由于SARS传播中心的转移,导致SARS的空间传播方向性更加显著,COVID-19的感染人数较多,其传播范围更广;在空间传播方向上,SARS传播方向更为显著;在空间传播速度上,COVID-19空间传播速度远高于SARS,极大地缩短了传播时间。
表2 SARS和COVID-19时空传播特征对比

Tab. 2 Comparison of space-time propagation characteristics between SARS and COVID-19

时间序列特征 空间传播特征
累计确诊病例数 新增病例增长率 空间传播模式 空间传播方向 空间传播速度
传播中心 传播范围 各省份首例病例传播
SARS 上升期-平稳期 1月最高 广东—香港—北京 除新疆等7个地区,整体连通性较低 航空网占主导 有次级传播中心形成,方向显著 历时165 d
COVID-19 上升期-急剧上升期-缓升期 3月最高 湖北 全国,整体连通性较高 高铁网占主导 无次级传播中心,方向不显著 历时52 d

4 讨论

4.1 空间传播模式

SARS和COVID-19空间传播模式呈现较大差异,主要在于2019年较2003年交通情况呈现较大差异,同时,SARS传播中心在不断转移,这种飞跃式传播方式与交通发展具有密切联系。COVID-19传播中心虽然没有转移,但COVID-19空间传播范围及空间传播速度远超SARS,传播中心周围区域疫情较为严重,2019年铁路里程数、航线里程数、铁路客运量、航空客运量均大幅增加,2003年未通高铁,但从2019年普通高铁客运量及里程数来看,均远超2003年铁路客运量及里程数（表3）,高铁的发展使得铁路客运量及里程数大幅度提高,使得二者的空间传播模式呈现较大差异,且2019年我国东部地区较西部地区航空运输频繁[56],人员流动大,各交通枢纽铁路支干线密度较高,COVID-19东西部空间传播模式呈现较大差异。
表3 2003年和2019交通情况对比

Tab. 3 Traffic conditions comparison in 2003 and 2019

年份 客运量总计
/亿人		 铁路客运量
/亿人		 民航客运量
/亿人		 铁路里程数
/万km		 铁路路网密度
/(km/km2）		 航线里程
/万km
普铁 高铁 普铁 高铁
2003 158.75 9.73 - 0.88 0.88 - 0.0076 174.95
2019 176.04 13.02 23.58 6.12 2.58 3.54 0.0145 948.22
为进一步验证交通网络与疫情空间传播的相关关系,本文以各省份路网密度表示交通的发展水平,以首例传播时间表示空间传播速度,并根据SARS和COVID-19空间扩散速度与路网密度作spearman相关性分析,结果表明（表4）：SARS、COVID-19的spearman相关系数（ρ）分别为-0.48和 -0.31,经过查表验证二者均通过显著性检验,表现为中等强度负相关性,即区域路网密度越大,人流量较大,病例传播时间越短,传播速度较快。
表4 SARS和COVID-19 Spearman相关性分析结果

Tab. 4 Spearman correlation analysis results of SARS and COVID-19

Ρ 单尾检验的显著水平 显著性程度
SARS -0.48 0.05 中等程度负相关
COVID-19 -0.31 0.05 中等程度负相关

4.2 空间传播方向

SARS与COVID-19空间传播方向呈现较大差异主要在于SARS次级传播中心的形成,SARS在广东省发现本土病例,并在广东省内部及香港进行传播,后由于山西省病例转入北京市,又迅速以北京市为中心进行传播,SARS的传播方向主要以北京市、广东省为标准差椭圆长半轴2个极点,形成了SARS空间连片传播区域。COVID-19早期首例病例的传播以湖北省为中心,并以湖北省周围地区为疫情重灾区（后期部分地区本土病例感染源不明确等原因,在此仅考虑疫情早期首例病例传播特征）,传播中心未发生转移,主要得益于疫情最早发现,及时采取封城措施,避免人口的大规模流动,有效阻止了疫情的传播。

4.3 空间传播速度

SARS与COVID-19的空间传播速度的差异,主要与病毒本身传播能力有关,二者基本可再生数（基本可再生数R0用于表征病毒的传播能力）大于2,均可造成大流行病现象的发生。但相较于SARS（R0为2.9）,COVID-19（R0为3.24）的R0值较高,潜伏期较长,导致短短一个月时间内,全国COVID-19感染人数迅速增加,病例遍及全国各地,其空间传播速度与传播范围远大于SARS。
相关研究表明,SARS和COVID-19每日新增病例均与温度存在一定的关联,但二者又有所差异：SARS至少在4 ℃以上才会流行,在13 ℃以上会灾难性流行[57],30 ℃以上时,感染人数明显减少[58],广东、北京、香港作为传播中心,在疫情强烈扩散期间温度最为接近（广州2月均温为14.3 ℃,北京4月均温温度为13.6 ℃,香港2月均温为15.6 ℃,表4）,温度的相似性为SARS疫情的传播提供了条件;COVID-19在5~15 ℃有利于其传播,22.5 ℃以上时,确诊病例数会逐渐减少[59]。COVID-19疫情在1月开始蔓延,疫情重灾区河南、湖南、安徽累计确诊病例数均超过千人,其中,湖北武汉与河南、湖南、安徽等地1月月均温极为接近（1月月均温均在3~4 ℃左右,表4）,且随着时间的推移,由于2月各省份温度均有所升高（8~10 ℃）,更加接近于COVID-19适宜传播温度（5~15 ℃）,使得全国2月新增病例数增加6万多例,这在一定程度上为疫情的大肆流行提供了更加有利的条件。虽然SARS和COVID-19病毒对温度的适应条件有所差异 （表5）,但温度对SARS和COVID-19空间传播模式均有促进作用,在温度接近的区域均发生了以疫源地为中心的空间聚集性传播和邻近区域传播模式,且疫源地邻近区域及疫情重灾区感染人数均在迅速增加。
表5 SARS和COVID-19疫情主要流行区月均温温度

Tab. 5 Average monthly temperature in the main epidemic areas of SARS and COVID-19

COVID-19疫情流行区 月均温/℃ SARS疫情流行区 月均温/℃
湖北武汉 4（1月） 8（2月） 广东广州 14.3（2月）
河南信阳 4（1月） 8（2月） 北京 13.6（4月）
湖南长沙 3（1月） 10（2月） 山西太原 11.7（4月）
安徽合肥 3（1月） 8（2月） 香港 15.9（2月）

5 结论、建议与展望

5.1 结论

2003年SARS和2020年COVID-19都属于烈性呼吸道传染病,但二者在时空传播上皆存在差异。
（1）在时间序列特征上,对于SARS而言,从广东发现首例SARS病例以来,主要经历了2个时期,即上升期-平稳期;COVID-19主要经历了3个时期,即上升期-急剧上升期-缓升期,COVID-19的R0值较大,春运期间人员大规模流动,且COVID-19潜伏期较长,前期确诊病例数在不断增加的同时潜伏感染人数也在不断增加,湖北省感染病例数在2月12日急剧上升是潜伏感染人群和检测方法改进的体现,导致累计确诊病例数急剧上升,后期为防止假期结束返程人员带动病毒扩散,使得情况逐渐得到控制,但仍要警惕境外输入及潜在感染人群的存在而导致的二次规模的暴发。
（2）在空间特征差异上,对于疫情空间传播模式,相较于SARS,COVID-19在我国范围内的传播范围更广,整体连通性更高,影响程度更大,且各行政区与病毒暴露地的联系更为紧密;SARS和COVID-19都存在空间聚集性,以疫源地为中心,病例呈区域聚集性分布;SARS有次级传播中心的生成,COVID-19的传播中心未发生转移;SARS各省份首例病例传播以航空网占主导,COVID-19以高铁网占主导,二者均以邻近传播、远距离飞跃式传播为主,二者的暴发地均包含广东、香港、浙江等沿海城市以及首都城市北京,这些城市人口流动较大,经济活动频繁在一定程度上会促进这种传染疾病的蔓延。对于疫情空间传播方向,SARS与COVID-19均具有方向性,但SARS沿交通干线传播方向性更加明显,COVID-19以湖北为中心,空间传播范围更广,这一定程度上是由于二者传播中心的差异,导致二者空间传播方向的不同,消除次级传播中心的形成有利于缩小疫情扩散范围。对于疫情空间传播速度,COVID-19以疫源地湖北为中心进行区域传播,历时52 d,病例遍布全国各地,感染人数迅速增加,传播速度较快,SARS历时165 d传播到我国大部分区域,空间传播速度明显低于COVID-19,这与二者的传染能力密切相关,COVID-19的R0值更高,虽然及时采取了防控措施,但由于其较强的传播能力,导致部分区域感染人数迅速增加,且COVID-19传播速度大致以胡焕庸线为界,以东传播速度较快,以西传播速度较慢,SARS无明显的地域分界。
（3）邻近传播、远距离飞跃式传播是SARS和COVID-19空间传播模式的共同特征,故交通是影响二者扩散范围以及空间传播模式的主要原因：2003年各省份交通发展差异较大,北京、广东等经济发达区域交通网密度较高,SARS疫情易在这些城市形成传播中心;2019年各省份交通网络通达性较高,区域往来频繁,使得COVID-19传播范围更广。同时,随着区域交通网密度越高,客运量的增大,病毒传播时间会相应缩短,2019年较2003年区域间交通网络的通达性不断优化,一定程度上以人流为媒介极大的缩短了COVID-19病毒的传播时间。通过Spearman相关性分析发现,疫情空间传播速度与路网密度呈负相关关系,即路网密度越大,疫情空间传播时间越短;温度以及病毒自身R0值会为疫情的扩散提供有利的条件,温度的适宜性会在一定程度上增加病毒的感染人数。

5.2 建议

SARS和COVID-19时空传播规律及原因分析,可为疫情防控提供以下几点参考：
（1）交通的阻断,尤其是类似COVID-19这种传染性强的疫情是必然的选择,可以有效抑制疫情从疫源地向四周扩散;SARS疫情中次级传播中心的形成,也可以通过交通的限制予以控制乃至消除,COVID-19中对武汉实行的封城措施有效消除了次级中心的产生。
（2）交通运输通道会连接人口活动频繁的区域,高铁的快速发展增加了区域之间的交流,给病毒的传播奠定了基础,因此需要对交通枢纽、交通干道,尤其是高铁线和航空干线周边防控,同时为防止由于温度等因素引起疫情第二次,甚至是第三次的大规模扩散,需要采取更严格的措施加以防控。
（3）SARS疫情表明,广东、北京等经济文化活动频繁的区域容易形成扩散中心,故在这些区域尽早防控施策或能避免疫情大规模的暴发。
（4）SARS和COVID-19传播表明易形成区域聚集区,应及时切断与疫情重灾区的联系,包括铁路、航班,避免人群流动加大区域之间的交流,并严加防控各省份与疫源地联系紧密的地区,可有效阻止疫情的扩散。

5.3 展望

本研究虽然对SARS和COVID-19的时空传播特征进行了系统对比分析,但仍存在不足之处,SARS部分数据缺失,不能完整展示SARS传播规律,COVID-19传播从省域层面进行了研究,由于区域局部复发和境外输入现象对疫情的空间传播影响较小,且受人工防控措施影响较大,本次研究未考虑,后期研究可针对各地级市、县疫情空间传播特征进行对比分析。此外,本文未对人员流动、交通客运量、经济文化活动、温度等做详细的影响因素机制分析,尤其在温度方面,后续研究可对各区域的时空传播模式及其影响因素的主要作用机制进行详细分析,能够为类似流行传染病的公共卫生防控提供更加有力的可行性防控措施。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Xia S, Liu M Q, Wang C, et al. Inhibition of SARS-CoV-2 (previously 2019-nCoV) infection by a highly potent pan-coronavirus fusion inhibitor targeting its spike protein that harbors a high capacity to mediate membrane fusion[J]. Cell Research, 2020, 30(4):343-355.

DOI

[2]
李鹏. 新冠病毒和SARS病毒是什么关系?[N]. 北京科技报, 2020-02-17(5).

[ Li P. What is the relationship between the new coronavirus and the SARS virus?[N]. Beijing Science and Technology News, 2020-02-17(5). ]

[3]
武继磊, 王劲峰, 孟斌, 等. 2003年北京市SARS疫情空间相关性分析[J]. 浙江大学学报(农业与生命科学版), 2005, 31(1):97-101.

[ Wu J L, Wang J F, Meng B, et al. Spatial association analysis on epidemic of SARS in Beijing, 2003[J]. Journal of Zhejiang University(Agric. & Life Sci.), 2005, 31(1):97-101. ]

[4]
叶沿林, 庞丹阳, 刘循序. SARS疫情分析及对北京疫情走势的预测[J]. 物理, 2003(5):345-347.

[ Ye Y L, Pang D Y, Liu X X. Analysis of the current SARS epidemic and the forecast for Beijing[J]. Physics, 2003(5):345-347. ]

[5]
胡碧松, 龚建华, 周洁萍, 等. 疾病传播输入输出流的时空特征分析—以北京SARS流行为例[J]. 中国科学:地球科学, 2013, 43(9):1499-1517.

[ Hu B S, Gong J H, Zhou J P, et al. Spatial-temporal characteristics of epidemic spread in-out flow-Using SARS epidemic in Beijing as a case study. Scientia Sinica(Terrae), 2013, 43(9):1499-1517. ]

[6]
Zhang Z B. The outbreak pattern of SARS cases in China as revealed by a mathematical model[J]. Ecological Modelling, 2007, 204(3):420-426.

DOI

[7]
石耀霖. SARS传染扩散的动力学随机模型[J]. 科学通报, 2003(13):1373-1377.

[ Shi Y L. A dynamic random model of the spread of SARS infection[J]. Chinese Science Bulletin, 2003(13):1373-1377. ]

[8]
刘玉, 牛树海, 刘毅. 中国SARS的时空分布特征[J]. 科学新闻, 2003(9):4-5.

[ Liu Y, Niu S H, Liu Y. The spatial and time distribution characteristics of SARS in China[J]. Science News, 2003(9):4-5. ]

[9]
Wang J F, McMichael A J, Meng B, et al. Spatial dynamics of an epidemic of severe acute respiratory syndrome in an urban area.[J]. Bulletin of the World Health Organization, 2006, 84(12):965-968.

DOI

[10]
曹志冬, 曾大军, 郑晓龙, 等. 北京市SARS流行的特征与时空传播规律[J]. 中国科学:地球科学, 2010, 40(6):776-788.

[ Cao Z D, Zeng D J, Zheng X L, et al. The popular characteristics of SARS in Beijing and the law of space-time communication[J]. Scientia Sinica(Terrae), 2010, 40(6):776-788. ]

[11]
王聪, 严洁, 王旭, 等. 新型冠状病毒肺炎早期时空传播特征分析[J]. 物理学报, 2020, 69(8):249-258.

[ Wang C, Yan J, Wang X, et al. Analysis of the characteristics of early space-time transmission of new coronavirus pneumonia[J]. Acta Physica Sinica, 2020, 69(8):249-258.]

[12]
张原, 尤翀, 蔡振豪, 等. 新冠肺炎(COVID-19)新型随机传播动力学模型及应用[J]. 应用数学学报, 2020, 43(2):440-451.

[ Zhang Y, You C, Cai Z H, et al. A new stochastic dynamics model for COVID-19 and its application[J]. Acta Mathematicae Applicatae Sinica, 2020, 43(2):440-451. ]

[13]
李栋, 白瑞瑞. 新型冠状病毒传播仿真组合模型[J]. 统计与决策, 2020, 36(5):5-10.

[ Li D, Bai R R. A new combination model of coronavirus transmission simulation[J]. Statistics & Decision, 2020, 36(5):5-10. ]

[14]
Qin L, Sun Q, Wang Y D, et al. Prediction of Number of Cases of 2019 Novel Coronavirus (COVID-19) Using Social Media Search Index[J]. International Journal of Environmental Research and Public Health, 2020, 17(7), DOI: 10.3390/ijerph17072365.

DOI

[15]
邵俊杰, 禹世雄, 高婧婧, 等. 基于SEIR模型的中国山东省与韩国COVID-19疫情早期传播特征比较分析[J]. 华中师范大学学报(自然科学版), 2020, 54(6):1072-1077.

[ Shao J J, Yu S X, Gao J J, et al. Comparative analysis of the early transmission characteristics of COVID-19 epidemic between Shandong Province in China and South Korea based on the SEIR model[J]. Journal of Central China Normal University(Natural Sciences), 2020, 54(6):1072-1077. ]

[16]
Qi H C, Xiao S, Shi R Y, et al. COVID-19 transmission in Mainland China is associated with temperature and humidity: A time-series analysis[J]. Science of The Total Environment, 2020, 728, DOI: 10.1016/j.scitotenv.2020.138778.

DOI

[17]
Shi P, Dong Y Q, Yan H C. Impact of temperature on the dynamics of the COVID-19 outbreak in China[J]. Science of The Total Environment, 2020, 728, DOI: 10.1016/j.scitotenv.2020.138890.

DOI

[18]
Park J E, Son W S, Ryu Y, et al. Effects of temperature, humidity, and diurnal temperature range on influenza incidence in a temperate region[J]. Influenza Other Respirtory Viruses, 2020, 14(1):11-18.

[19]
Ficetola G F, Rubolini D. Containment measures limit environmental effects on COVID-19 early outbreak dynamics[J]. Science of The Total Environment, 2021, 761, DOI: 10.1016/j.scitotenv.2020.144432.

DOI

[20]
Matto C, Jessica T. Davi S, et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus(COVID-19) outbreak[J]. Multidisciplinary Sciences, 2020, 368(6489):395-405.

[21]
周成虎, 裴韬, 杜云艳, 等. 新冠肺炎疫情大数据分析与区域防控政策建议[J]. 中国科学院院刊, 2020, 35(2):200-203.

[ Zhou C H, Pei T, Du Y Y, et al. Big Data Analysis on COVID-19 Epidemic and Suggestions on Regional Prevention and Control Policy[J]. Bulletin of Chinese Academy of Sciences, 2020, 35(2):200-203. ]

[22]
Lai S J, Nick R, Zhou L C, et al. Effect of non-pharmaceutical interventions to contain COVID-19 in China.[J]. Nature, 2020, 585(7825):410-416.

DOI

[23]
Nick R, Jessica F, Lai S J. Assessing the impact of coordinated COVID-19 exit strategies across Europe[J]. Science, 2020, 369(6510):1465-1470.

DOI

[24]
Lian X B, Huang J P, Huang R J, et al. Impact of city lockdown on the air quality of COVID-19-hit of Wuhan city[J]. Science of The Total Environment, 2020, 742, DOI: 10.1016/j.scitotenv.2020.140556.

DOI

[25]
Lian X B, Huang J P, Zhang L, et al. Environmental Indicator for COVID-19 Non-Pharmaceutical Interventions[J]. Geophysical Research Letters, 2021, 48(2):1-8.

[26]
范新生, 应龙根. 中国SARS疫情的探索性空间数据分析[J]. 地球科学进展, 2005(3):282-291.

[ Fan X S, Long Y G. Exploratory spatial data analysis of SARS outbreak in China[J]. Advances in Earth Science, 2005(3):282-291. ]

[27]
王定明, 冯子建, 杨维中, 等. 中国24省、市、自治区SARS首发临床确诊病例分析[J]. 中华流行病学杂志, 2004, 25(1):37-38.

[ Wang D M, Feng Z J, Yang W Z, et al. Analysis of SARS first clinically confirmed cases in 24 provinces, municipalities and autonomous regions of China[J]. Chinese Journal of Epidemiology, 2004, 25(1):37-38. ]

[28]
中国网[EB/OL]. http://www.sars.china.com.cn.

[China network[EB/OL]. http://www.sars.china.com.cn.

[29]
世界卫生组织[EB/OL].https://www.who.int/csr/sars/en/.

[Word health organization[EB/OL]. https://www.who.int/csr/sars/en/.]

[30]
天气网[EB/OL]. https://m.tianqi.com/lishi/.

[Weather network[EB/OL]. https://m.tianqi.com/lishi/.]

[31]
国家统计局. 中国统计年鉴2004[M]. 北京: 中国统计出版社, 2004.

[National Bureau of Statistics. China statistical yearbook 2004[M]. Beijing: China Statistical Press, 2004.]

[32]
国家统计局. 中国统计年鉴2020[M]. 北京: 中国统计出版社, 2020.

[National Bureau of Statistics. China statistical yearbook 2020[M]. Beijing: China Statistical Press, 2020. ]

[33]
OpenStreetMap[EB/OL]. https://www.openstreetmap.org/.

[34]
Pascual H L, Saura S. Comparison and development of new graph-based landscape connectivity indices: Towards the priorization of habitat patches and corridors for conservation[J]. Landscape Ecology, 2006, 21:959-967.

DOI

[35]
Tobler W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970, 3(2):234-240.

[36]
Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67:250-256.

DOI

[37]
Moran P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 58:1246-1266.

[38]
王劲峰, 廖一兰, 刘鑫. 空间数据分析教程(第二版)[M]. 北京: 科学出版社, 2019.

[ Wang J F, Liao Y L, Liu X. Spatial Data Analysis Tutorial (2nd Edition)[M]. Beijing: Science Press, 2019. ]

[39]
沈中健, 曾坚. 闽南三市城镇发展与地表温度的空间关系[J]. 地理学报, 2021, 76(3):566-583.

DOI

[ Shen Z J, Zeng J. Spatial relationship of urban development to land surface temperature in three cities of southern Fujian[J]. Acta Geographica Sinica, 2021, 76(3):566-583. ]

[40]
李颉, 郑步云, 王劲峰. 2008—2018年中国手足口病时空分异特征[J]. 地球信息科学学报, 2021, 23(3):419-430.

DOI

[ Li J, Zheng B Y, Wang J F. Spatial-temporal Heterogeneity of Hand, Foot and Mouth Disease in China from 2008 to 2018[J]. Journal of Geo-information Science, 2021, 23(3):419-430. ]

[41]
Lipsitch M, Cohen T, Cooper B, et al. Transmission dynamics and control of severe acute respiratory syndrome[J]. Science, 2003, 300(5627):1966-1970.

PMID

[42]
Jonathan M R, Jessica R E B, Derek A T C, et al. Novel coronavirus 2019-nCoV: Early estimation of epidemiological parameters and epidemic predictions[J]. medRxiv, 2020, DOI: http://dx.doi.org/10.1101/2020.01.23.20018549.

[43]
Yue T X, Fan B, Zhao Y P, et al. Dynamics of the COVID-19 basic reproduction numbers in different countries[J]. Science Bulletin, 2021, 66(3):229-232.

DOI

[44]
陈嘉敏, 邱增钊, 钟舒怡, 等. 基于系统综述的新型冠状病毒肺炎与2009年H1N1流感大流行基本传染数研究[J]. 疾病监测, 2020, 35(12):1088-1099.

[ Chen J M, Qiu Z Z, Zhong S Y, et al. Study of R0 of COVID-19 and pandemic influenza A (H1N1) 2009 based on systematic review[J]. Disease Surveillance, 2020, 35(12):1088-1099. ]

[45]
Zhou C H, Su F Z, Pei T, et al. COVID-19: Challenges to GIS with Big Data[J]. Geography and Sustainability, 2020, 1(1):77-87.

DOI

[46]
汪海英, 荣峰, 柯孚久, 等. 严重急性呼吸综合征(SARS)的传播与控制动力学[J]. 科学通报, 2003(18):1933-1935.

[ Wang H Y, Rong F, Ke F J, et al., Transmission and control dynamics of Severe Acute Respiratory Syndrome (SARS)[J]. Chinese Science Bulletin, 2003(18):1933-1935. ]

[47]
Chen S M, Yang J T, Yang W Z, et al. COVID-19 control in China during mass population movements at New Year[J]. The Lancet, 2020, 395(10226):764-766.

DOI

[48]
Huang J P, Zhang L, Liu X Y, et al. Global prediction system for COVID-19 pandemic[J]. Science Bulletin, 2020, 65(22):1884-1887.

DOI

[49]
金凤君, 陈卓. 1978年改革开放以来中国交通地理格局演变与规律[J]. 地理学报, 2019, 74(10):1941-1961.

DOI

[ Jin F J, Chen Z. Evolution of transportation in China since reform and opening-up: Patterns and principles[J]. Acta Geographica Sinica, 2019, 74(10):1941-1961. ]

[50]
王姣娥, 杜德林, 魏冶, 等. 新冠肺炎疫情的空间扩散过程与模式研究[J]. 地理研究, 2020, 39(7):1450-1462.

DOI

[ Wang J E, Du D L, Wei Y, et al. The development of COVID-19 in China: Spatial diffusion and geographical pattern[J]. GeographicalResearch, 2020, 39(7):1450-1462. ]

[51]
万里阳, 万千. 高铁网络与流行病跨城传播——来自COVID-19疫情防控的经验分析[J]. 产业经济评论, 2020(2):37-48.

[ Wan L Y, Wan Q. The High-speed Railway Network and the Cross-town Transmission of Epidemics: Evidence from Chinese COVID-19[J]. Review of Industrial Economics, 2020(2):37-48. ]

[52]
张旭, 霍爱梅, 姚晓丽, 等. 空间分析技术在研究传染病时空传播规律中的应用[J]. 测绘与空间地理信息, 2015, 38(7):79-81.

[ Zhang X, Huo A M, Yao X L, et al. Application of Spatial Analysis Techniques in the Temporal Spread Pattern Study of Infectious Diseases[J]. Geomatics & Spatial Information Technology, 2015, 38(7):79-81. ]

[53]
卓家同, 郑志刚, 耿文奎. SARS病原、宿主及传播途径研究进展[J]. 应用预防医学, 2008(3):187-189.

[ Zhuo J T, Zheng Z G, Geng W K. Advances in the study of SARS pathogens, hosts and transmission routes[J]. Applied Preventive Medicine, 2008(3):187-189. ]

[54]
Wu Z Y, Mcgoogan J M. Characteristics of and Important Lessons From the Coronavirus Disease 2019 (COVID-19) Outbreak in China: Summary of a Report of 72314 Cases From the Chinese Center for Disease Control and Prevention[J]. JAMA-Journal of the American Medical Association, 2020, 323(13):1239-1242.

DOI

[55]
张亦汉, 刘婉华, 许晓聪, 等. 中国大陆机场的空间分布及其可达性分析[J]. 中山大学学报(自然科学版), 2019, 58(6):56-63.

[ Zhang Y H, Liu W H, Xu X C, et al. Spatial distribution and accessibility analysis of airports in mainland China[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2019, 58(6):56-63. ]

[56]
王正行, 张建玮, 唐毅南. 北京SARS疫情走势的模型分析与预测[J]. 物理, 2003(5):341-344.

[ Wang Z X, Zhang J W, Tang Y N. A model analysis and evaluation of the SARS epidemic in Beijing[J]. Physics, 2003(5):341-344. ]

[57]
王铮, 蔡砥, 李山, 等. 中国SARS流行的季节性风险探讨[J]. 地理研究, 2003(5):541-550.

[ Wang Z, Cai D, Li S, et al. On season risk of the prevalence of SARS in China[J]. Geographical Research, 2003(5):541-550. ]

[58]
俞顺章, 谈建国, 穆丽娜. 影响SARS爆发和流行的气象因素浅析[J]. 上海预防医学杂志, 2003, 15(12):600-601.

[ Yu S Z, Tan J G, Mu L N. An analysis of meteorological factors affecting SARS outbreaks and epidemics[J]. Shanghai Journal of Preventive Medicine, 2003, 15(12):600-601. ]

[59]
Gao P C, Zhang H, Wu Z W, et al. Visualising the expansion and spread of coronavirus disease 2019 by cartograms[J]. Environment and Planning A-Economy and Space, 2020, 52(4):698-701.

Options
文章导航

/

〈 〉