EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 2: 284 - 296

DOI: https://doi.org/10.12082/dqxxkx.2021.200273

Exploration on Geospatial Risk Assessment in China based on Multiple Data: A Case Study of COVID-19 Data from January 1 to April 11, 2020

  • FANG Yunhao , 1 ,
  • GU Kangkang , 1, 2, *
Expand
  • 1. School of Architecture and Planning, Anhui Jianzhu University, Hefei 230022, China
  • 2. Research Center of Urbanization Development in Anhui Province, Anhui Jianzhu University, Hefei 230022, China
* GU Kangkang, E-mail:

Received date: 2020-05-31

  Revised date: 2020-08-22

  Online published: 2021-04-25

Supported by

Natural Science Foundation of Anhui Province(2008085ME160)

Copyright

Copyright reserved © 2021.
Fold

Abstract

COVID-19 has a spatial transmission risk and poses a threat to the safety and health of the city. Preventing the spread of COVID-19 is therefore the urgent need for society now. The COVID-19 experienced a process that occurred, developed rapidly and stabilized from January 1 to April 11, 2020. Using the initial COVID-19 data for macro-level epidemic risk assessment can provide a certain reference for epidemic prevention and control measures. In this study, by using multiple data, including administrative division data, designated hospital data, epidemic community data, and road traffic data, we proposed a macro-level geospatial risk assessment and validated its effectiveness in China. Based on this, this study also analyzed the construction factors of geospatial risk assessment in order to explore its distribution rules. The following four conclusions showed that: ① Geospatial risk assessment of Covid-19 in China is effective to some extent. ② The spatial distribution of global Moran's I index of geospatial risk in China was 0.758, which had significant spatial agglomeration characteristics. At the same time, the LISA index in different provinces showed spatial differences. Some regions, including Hubei, Henan, Hunan, Jiangxi, Anhui, Zhejiang, Jiangsu, and Shanghai, were identified as high-high clusters and accounted for 25.81% of the provinces in China. The geospatial risk of these provinces was higher. Regions like Qinghai, Tibet, and Xinjiang, with a low degree of geospatial risk, accounted for 9.68% of the provinces in the country. ③ Some indicators, including geographic location indicators, road traffic indicators, medical and health indicators, and epidemic status indicators, were related to the distribution of geospatial risk. According to the statistical Pearson correlation analysis, there were differences in the correlation index R 2. In terms of numerical values, the epidemic status indicators, geographic location indicators, road traffic indicators, and medical and health indicators were ranked from highest to lowest. Different secondary factors were composed of four indicators, and they exhibited two effects of positive and negative correlation. Specifically, the factor of geographic distance from Wuhan, the designated hospital density factor, and the resident-hospital geographical distance factor showed significant negative correlations, with R 2 of 0.813, 0.545, and 0.436, respectively. However, the remaining factors showed significant positive correlations, including railway network density factor, road network density factor, and epidemic community density factor, and their R 2 were 0.751, 0.792, and 0.825, respectively. ④ The components of geospatial risk were intricate and complicated by multiple factors. According to the spatial stratified heterogeneity analysis, we found that there were interactions between different factors. Among them, the resident-hospital geographic distance factor interacted strongly with the railway network density factor and the road network density factor, and their q values were 0.9842 and 0.9837, respectively. This study not only explored the spatial resource allocation of major epidemics in urban management, but also provided a basis for regional spatial prevention and control strategies.

Key words： COVID-19; multivariate data; geospatial epidemic risk; spatial autocorrelation; pearson correlation; spatial stratified heterogeneity; influencing factors; epidemic prevention and control

Cite this article

FANG Yunhao , GU Kangkang . Exploration on Geospatial Risk Assessment in China based on Multiple Data: A Case Study of COVID-19 Data from January 1 to April 11, 2020[J]. Journal of Geo-information Science, 2021 , 23(2) : 284 -296 . DOI: 10.12082/dqxxkx.2021.200273

1 引言

新型冠状病毒（COVID-19）,又命名为SARS-CoV-2,其导致的新型冠状病毒肺炎疫情已经构成了2020年以来全球性的健康安全威胁,并继续呈现蔓延态势[1]。世界卫生组织在2020年1月30日宣布其形成了新的全球性“国际公共卫生突发事件（PHEIC）”,在2月28日将其在全球传播风险和影响风险级别上调为“非常高”并在3月11日宣布新冠肺炎疫情已构成全球大流行[2]。此次疫情对我国的居民健康以及社会经济发展造成了重要的影响,经过党、政府、组织以及个人的全社会共同协作,我国的疫情态势已经得到有效的控制（截至4月11日）,相关新冠肺炎的研究逐渐上升到了重要的课题。
越来越多的研究证实,城市空间管理与城市 健康以及疾病防控存在联系[3],具体包括特征解析、机理解释、综合评估以及规划管控4个层面。① 在特征解析层面,丁晓彤等[4]利用Shannon信息熵理论和空间自相关方法,根据2014—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空间分布特征进行分析,高芳旭等[5]用自回归求和移动平均（ARIMA）模型,探索了天津地区细菌性痢疾发病率的时空聚集性表征,而陈会宴等[6]通过贝叶斯时空建模方法,在对山西省原平市神经管畸形人群的时空格局进行解剖的同时,对其规律进行挖掘。时空特征趋势可以揭示城市疫情的潜在风险因子。② 在机理解释层面,张湘雪等[7]采用地理探测器对2009—2013年京津唐地区HFMD发病率的时空异质性进行分析,并以此为根据量化各影响因子及其两两交互作用对HFMD发病率的解释力,Cao等[8]对深圳市HFMD发病情况与地理环境要素进行回归建模,从道路密度、人口密度、NDVI等空间环境要素探索机理因素。综合评估构建以机理因素的阐述为基础。③ 在综合评估层面,叶莹等[9]利用探索性数据分析方法,在区县尺度上对河南省新冠肺炎疫情的时空扩散特征与人口流动风险进行评估,此外,Wang等[10]利用地理空间回归模型探究登革热等蚊媒传染病及其空间分布,在评估的基础上进行预测。④ 在规划管控层面,唐燕[11]结合新冠肺炎疫情从社区规划与基层治理方向提供研究视角,杨俊宴等[12]结合高密度城市传播的特征,提出城市-社区-建筑的多尺度空间防疫体系。
综上,过往的研究尺度往往集中于区县尺度的精细化探讨,对于全国层面的研究较少,而在新冠疫情的专题研究上,较多以时间序列为主线而缺少空间特征的解读,此外在空间分析上通常停留在单一层面,关于特征、机理、评估的系统性研究不足。因此,本研究基于多元数据在宏观层面构建全国地理空间疫情风险性评估,并根据相关构建指标因素进行机理上的探索,为城市管理中的疫情空间防控提供依据并为区域大尺度的疫情研判提供经验。

2 数据与方法

2.1 数据来源

基于全国尺度的COVID-19疫情风险分析,本研究以各省为空间单元并旨在综合考虑空间总体分布情况,故选择相对稳定的数据源。需要特别说明的是,截至2020年4月11日全国疫情已趋于总体平稳,呈现稳中向好的态势,其新增病例主要来源于国外,4月11日后国内新增病例数据量小,对总体数据影响较小。具体研究数据主要分为2类：相关疫情统计数据;风险评估数据。而我国港澳台等地相应数据获取困难,因此不计入统计。
2.1.1 用于疫情统计的基础数据
本研究的疫情统计基础数据主要包括：中华人民共和国国家卫生健康委员会（国家卫健委）获取的2020年1月1日至4月11日的相关COVID-19疫情数据,具体涵盖各省累积确诊人数和累积死亡人数（http://www.nhc.gov.cn/）[13];全国2019年常住人口数量[14],其来源于国家统计局统计的各地官方公报（http://data.stats.gov.cn/search.htm?s/）;全国疾控机构基本信息数据[15],具体涵盖各省疾控机构的达标情况、平均使用面积、机构数、总编制人数以及使用仪器情况（http://www.phsciencedata.cn/Share/en/index.jsp）。
2.1.2 用于风险评估的基础数据
综合新冠疫情的空间防控机制,应用在宏观层面风险评估类的基础数据主要包括：中国省级行政区划数据与道路交通数据[16],其来源于OpenStreetMap开源地图获取的矢量数据（http://download.geofabrik.de/）,其中道路交通数据具体分为主要公路数据以及铁路数据;定点医院与疫情小区数据[17],根据Harvard Dataverse公布的COVID-19开源研究数据集对中国定点医院信息以及截至2020年4月11日已公布的疫情小区信息进行收集与空间统计,如图1所示。
图1 2020年中国公路、铁路基础数据及定点医院、疫情小区基础数据空间分布

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(2019)1653号的标准地图制作,底图无修改;由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 1 The spatial distribution basic data of roads and railways, designated hospitals and epidemic communities in China in 2020

2.2 研究方法

2.2.1 空间风险评估
综合考虑自然地理、社会经济等多重因素以及疫情风险的特性,结合相关空间理论本研究判断影响地理空间疫情风险主要来源于疫情本身风险以及疫情传播（阻断）风险[18],并利用ArcGIS软件提出并构建综合空间风险指数（Comprehensive Spatial Risk Index,CSRI）[19]。具体权衡4种指标及因子权重,如表1所示,包括地理区位指标[20]、道路交通指标[21]、医疗卫生指标以及疫情现状指标[22]。
表1 中国综合空间风险评估因子及其权重

Tab. 1 Comprehensive spatial risk assessment factors and their weights in China

评估因子 地理区位 道路交通 医疗卫生 疫情现状
与武汉市地理距离 公路网密度 地铁网密度 定点医院密度 居民-医院地理距离 疫情小区密度
权重 0.250 0.125 0.125 0.125 0.125 0.250
综合空间风险指数（CSRI）是空间风险性评估的关键,本研究先采取等权重的设置处理（表1）,其设置原因一方面是假设不同单项指标（因子）对于地理空间疫情风险都分别存在影响,表征其在综合空间风险指数（CSRI）的构建中都具有重要性,另一方面是为了避免综合构建结果受主观权重值设置带来的不确定性干扰,导致部分指标权重值失衡影响综合评估[23]。再按自然断裂法对因子阈值重新进行1-10分级,基于因子的权重情况,采取加法合成法[24]进行综合空间风险指数（CSRI）的分析,其适用于指标信息内容不重复的情况,通过指标因子与相应权重的乘积之和的计算,在强调客观实际的同时更能反映评价对象的综合水平,其具体方法见式（1）。
CSR I i = ∑ j = 1 n x ij w ij
式中：CSRIi代表第i个评价对象的综合空间风险指数值,数值越高表明该个评价对象各类因子的综合作用程度越高,地理空间疫情风险越大;n代表评估因子的数量,本研究取值n=6;Xij代表第i个评价对象j因子的归一化值,其取值范围为[1, 10],采取归一化处理以平衡数据量纲差距使不同数据能够在相同条件下统计;Wij代表第i个评价对象j因子的权重。
2.2.2 空间自相关评估
全局空间自相关[25]通常运用Moran's I进行测度,根据整个区域的空间分布模式对子区域地理空间疫情风险的聚集性进行判断。Moran's I的取值范围为[-1, 1],其值越高表明相邻区域之间的属性越相似,呈正相关或负相关,即CSRI指数存在明显的空间聚集特征,当全局Moran's I为0时,表示完全随机,其具体的计算公式为：
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为全国省份（或市、自治区）的数量;xi和xj分别代表第i个区域以及第j个区域的CSRI值; x ¯ 代表全国CSRI的平均值;Wij代表空间权重矩阵。
局部空间自相关[26]能够揭示局部空间的异质性,弥补整个区域中局部地区的非典型特征,充分反映局部地理空间疫情风险的变化趋势。本研究采用LISA指数（Local Indicators of Spatial Association）来衡量CSRI的空间差异,其计算公式如下：
LIS A i = z i ∑ i w ij z j
式中：zi和zj分别代表第i个区域以及第j个区域的CSRI标准化值;Wij代表空间权重矩阵。在局部空间自相关的LISA指数中,CSRI值分为4类：高-高聚类（H-H）,高值集聚;低-低聚类（L-L）,低值集聚;高-低聚类（H-L）,高值主要由低值围绕的异常值;低-高聚类（L-H）,低值主要由高值围绕的异常值。
2.2.3 Pearson相关性评估
为了研判空间风险的评估效果,需要对综合空间风险指数（CSRI）的构建合理性进行验证。基于各省疫情累计归一化患病率指数、归一化死亡率指数以及疾控机构资源指数分别作为一种自变量,根据统计学的Pearson相关性[27]分析,综合衡量因变量CSRI值的准确度,其具体公式参照式（4）,其中疾控机构资源指数作为疫情防控的重要依据,通过5类指标进行加权构建,其不同的指标类型及权重见表2。
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：r代表相关程度,取值范围为[-1, 1],其绝对值越大,表示相关性越强;xi和yi分布代表因变量CSRI值与自变量; x ¯ 与 y ¯ 分别为2个变量的平均值。
表2 中国疾控机构资源指标及其权重

Tab. 2 Disease control agency resource indicators and their weights in China

指标 达标情况 平均使用面积 机构数 总编制人数 使用仪器情况
属性 + + + + +
权重 0.2 0.2 0.2 0.2 0.2

注：表中“+”表示其指标与全国疾控机构资源呈正相关。

2.2.4 空间分层异质性评估
空间分层异质性[28],作为地理的一个基本现象之一,用于表示层内方差小于层间方差的量化指标,可用于表现指标因子相互之间的关系对空间分布的影响是否有显著的差异,用q值（q Statistics）度量,值域为[0, 1]。若分层对CSRI值划分,其值越高表明CSRI值的空间分异程度越高,若分层根据影响指标对CSRI值划分,其值越高表明该影响指标对CSRI值的解释程度越高,此外当q值为0时表示没有空间分异性。本研究采用地理探测器软件（GeoDetector）进行因子交互探测,其表达式为：
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2 = 1 - SSW SST
其中, SSW = ∑ h = 1 L N h σ h 2 , SST = N σ 2 。
式中：将研究区划分为h个层（Strata）,h=1,…,L;Nh和N分别代表层h和全区的单元数;σ2代表CSRI的方差,σh代表层内指标方差;SSW和SST分别为层内方差之和（Within Sum of Squares）和全区总方差（Total Sum of Squares）。

3 结果

3.1 空间风险性格局

基于地理区位、道路交通、医疗卫生、疫情现状4项指标,由式（1）构建综合空间风险指数（CSRI）,如图2所示。其中地理区位指标包括与武汉市地理距离,总体呈现由武汉市向外不断减弱的趋势;道路交通指标包括公路网密度和铁路网密度,形成交通枢纽集中在上海、浙江、江苏、北京、广东等,而在湖北、重庆、河南等形成交通副中心;医疗卫生指标包括定点医院密度以及居民—定点医院距离,其中江苏、上海、广东以及川渝地区的医疗点中心聚集性较强,其余主要分布于胡焕庸线以东的人口密集区域并集中于省会城市,总体来说全国大部分区域均存在相对完善的医疗救助点;疫情现状指标具体包括确诊疫情小区密度,截至2020年4月11日全国各省均存在疫情确诊情况,其中湖北省集聚性最为严重,广东、河南、浙江等省份为次级严重区域,湖南、安徽、江西、黑龙江等省份为第三级疫区,其余各省份疫情小区空间集聚性较弱。
图2 2020年1月1日至4月11日中国综合空间风险指数构成及其空间分布

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(2019)1653号的标准地图制作,底图无修改;由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 2 The composition and spatial distribution of Comprehensive Spatial Risk Index (CSRI) in China from January 1 to April 11, 2020

根据空间风险分析的结果,不同区域的CSRI值呈现明显的空间异质性,其平均值为5.55。综合空间风险指数最高的区域分布在湖北省,其CSRI值达到8.69;其次为湖北邻近省份,包括河南、安徽、江西、湖南4省,其CSRI值普遍较高维持在7.81~8.35之间,北京、广东、浙江、江苏、上海等东南沿海各省市虽与湖北具有地理区位,但CSRI值总体较高处于6.33~7.48之间;而我国西南部包括四川、云南等省份,北部辽宁、河北、山西等省份CSRI值相对较低,范围为3.86~5.79之间,其中综合空间风险指数最低的区域集中分布于新疆、西藏2个自治区,CSRI值低于2.45。总体而言,全国的综合空间风险指数（CSRI）空间分布上形成“中强外弱”的结构,由湖北省向外逐渐降低的规律。
如上所述,通过对综合空间风险指数（CSRI）的空间聚类分析来看（图3）,全局Moran's I指数为0.758（P-value=0.001;Z=6.705）,显示CSRI值存在显著的空间聚集模式,表明疫情风险空间分布并非随机,在一定程度上受到相邻地区空间传播的影响,政府部门“封城”、限制出行等举措在较大程度上能够遏制疫情的空间传播。此外,根据LISA聚类空间分布,CSRI值呈现显著的局部空间自相关性,其中L-L聚类（3个）主要分布在青海、西藏、新疆,占比9.68%,表明这些省份（自治区）综合空间风险持续暴露较弱,H-H聚类（8个）主要分布在湖北、河南、湖南、江西、安徽、浙江、江苏、上海,占比25.81%,表明这些省份（直辖市）是综合空间风险持续暴露较严重的区域,各级地方政府部门的联防联控举措对疫情防控具有重要的积极作用。总的来说,综合空间风险指数（CSRI）的分布遵循与湖北省的地理邻近和网络邻近特征。
图3 2020年1月1日至4月11日中国综合空间风险指数空间自相关分布

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)1653号的标准地图制作,底图无修改;由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 3 Spatial autocorrelation distribution of Comprehensive Spatial Risk Index (CSRI) in China from January 1 to April 11, 2020

3.2 空间风险性验证

基于全国疫情归一化患病率指数、归一化死亡率指数以及疫情机构资源指数空间分布,进行综合空间风险指数（CSRI）验证,根据CSRI指数与各变量数据的划分类型及标准,进行残差统计如表3所示,各变量的残差具有一定的差异性,其中疾控机构指数残差绝对值在5以内的有15个（除香港、澳门、台湾）,占比48.39%;归一化患病率指数残差绝对值在5以内的有21个,占比67.74%;归一化死亡率指数残差绝对值在5以内的有13个,占比41.94%。总体来说,各变量的残差对比统计表明CSRI指数具有一定的可靠性,也存在不确定性。
表3 2020年1月1日至4月11日中国综合空间风险指数（CSRI）与各变量对比统计

Tab. 3 Comparative statistics of Comprehensive Spatial Risk Index (CSRI) and various variables in China from January 1 to April 11, 2020

地区 CSRI 排名 疾控机构资源指数 残差 归一化患病率指数 残差 归一化死亡率指数 残差
湖北 8.69 1 0.49 -6 0.62 0 0.45 0
河南 8.35 2 0.59 0 0.39 -2 0.17 0
安徽 8.32 3 0.33 -14 0.38 -4 0.10 -6
江西 8.05 4 0.40 -9 0.39 -3 0.06 -11
湖南 7.81 5 0.49 -3 0.28 -20 0.08 -7
江苏 7.48 6 0.57 +2 0.36 -5 0.00 -21
浙江 7.18 7 0.54 +2 0.40 +5 0.06 -7
上海 6.76 8 0.61 +7 0.37 0 0.11 +2
山东 6.68 9 0.44 -1 0.36 -3 0.11 +2
北京 6.68 10 0.53 +4 0.38 +4 0.12 +6
广东 6.33 11 0.49 +2 0.40 +8 0.11 +6
福建 6.33 12 0.31 -9 0.33 -2 0.06 -5
重庆 6.13 13 0.37 -1 0.37 +4 0.10 +3
山西 5.79 14 0.25 -9 0.30 -6 0.00 -14
陕西 5.58 15 0.31 -7 0.32 -1 0.06 -3
广西 5.45 16 0.37 +1 0.31 -2 0.04 -6
贵州 5.33 17 0.25 -7 0.29 -6 0.04 -7
河北 5.14 18 0.41 +6 0.32 +3 0.10 +7
辽宁 4.95 19 0.33 +1 0.28 -7 0.04 -7
天津 4.89 20 0.33 +1 0.31 +1 0.07 +7
四川 4.83 21 0.58 +18 0.35 +8 0.06 +5
宁夏 4.67 22 0.13 -6 0.27 -6 0.00 -7
海南 4.32 23 0.10 -6 0.32 +6 0.11 +15
吉林 4.13 24 0.36 +8 0.27 -3 0.06 +4
云南 3.86 25 0.44 +14 0.29 +3 0.04 +2
甘肃 3.75 26 0.20 -1 0.29 +2 0.04 +1
黑龙江 3.66 27 0.32 +7 0.37 +17 0.15 +24
内蒙古 3.53 28 0.22 2 0.30 +7 0.06 +9
青海 3.00 29 0.04 -1 0.19 -1 0.00 -1
西藏 2.45 30 0.00 -1 0.07 -1 0.00 -1
新疆 2.02 31 0.23 6 0.25 +2 0.06 +10

注：残差表示与CSRI指数排名差异;各变量指数均经过归一化处理,非真实数字;由于数据获取困难,本研究不包括港香港、台湾和澳门。

通过各变量的空间统计结果,归一化患病率指数与归一化死亡率指数的总体空间分布对比CSRI指数分别具有一定的相似性,呈现由湖北向外围降低的趋势（图4(b)、图4(c)）。其中河南、安徽、江西等与湖北相邻接壤的地区与CSRI指数呈现显著的区位关联性,其归一化患病率指数与归一化死亡率指数分别为0.39、0.38、0.39以及0.17、0.10、0.06,对应的CSRI指数分别为8.35、8.32、8.05,表明地理区位在影响疫情的空间风险上具有一定正向效应。而北京、上海以及广东虽然与湖北有一定距离,但统计结果也具有一定的空间相关性,在空间分布上其归一化患病率指数分别为0.38、0.37、0.40,而CSRI指数分别为6.68、6.76、6.33,其原因可能为北京、上海和广东具备交通便利的属性带来的人口流动的影响加剧了疫情的空间风险,具体表现为人口流入和流出2个方面,人口流入,可能增加本地疫情风险,而人口流出尤其是重点疫区,则可能引致外部传播的风险。局部地区对比CSRI指数具有差异性,如黑龙江的归一化患病率指数与归一化死亡率指数较高,其可能主要受到境外输入病例影响,江苏、浙江归一化患病率指数与归一化死亡率指数较低,其可能由于当地政府的政策以及较高水平的定点医院数量导致。
图4 2020年1月1日至4月11日中国综合空间风险指数（CSRI）与各变量空间分布

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(2019)1653号的标准地图制作,底图无修改;由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 4 Spatial distribution of Comprehensive Spatial Risk Index (CSRI) and various variables in China from January 1 to April 11, 2020

综合对比疾控机构的资源指数空间分布（图4(d)）,总体呈现出较明显的空间异质性,其中安徽、江西两地疾控机构资源指数较低分别为0.33、0.40,而CSRI指数较高分别为8.32、8.05,显示区域在面临高空间风险的同时其疾控资源却相较匮乏。部分地区如云南、四川疾控机构资源指数较高,分别为0.44、0.58,而CSRI指数较低分别为3.86、4.83,显示区域在面临低空间风险的同时其疾控资源却相对充裕。需要特别说明的是,湖北、北京、广东等省份（直辖市）虽然CSRI指数相对较高,分别为8.69、6.68、6.33,但是其疾控机构资源指数也相对较高分别为0.49、0.53、0.49,显示区域在面临高空间风险的同时依然有较强的疾控应急能力。总体来说,我国疾控机构资源在总体分布上能够覆盖绝大部分区域,与CSRI指数存在一定程度的区位关联性,但空间资源分布不均的现象依然存在。
综上,为进一步评估综合空间风险指数的精确度,系统比较CSRI与上述变量的相关程度。图5为综合空间风险指数（CSRI）与各变量的散点图,结果显示随着CSRI指数的增加,疫情机构资源指数、归一化患病率指数以及归一化死亡率指数也存在增高的趋势,其回归方程均通过了p<0.001显著性检验,R2分别为0.523、0.698、0.411,表明其与CSRI指数之间具有一定的相关性。基于以上综合结果,表明综合空间风险指数CSRI指数具有一定空间风险预警作用以及反映地理空间疫情风险的能力。
图5 2020年1月1日至4月11日中国综合空间风险指数（CSRI）与各变量关系

Fig. 5 Relationship between Comprehensive Spatial Risk Index (CSRI) and various variables in China from January 1 to April 11, 2020

4 讨论

地理空间疫情风险评估对于全国疫情防控具有重要的作用。在宏观层面从空间尺度探索疫情评估的方法,为全国尺度研究疫情防控问题提供新的视角,其相较于传统的普查数据以及社会经济数据,具有更加快速、高效的特点。
但与相关的研究类似,尽管地理空间疫情风险评估的准确性得到了验证,但是实际情况较之复杂,宏观层面的评估仅仅提供评价方法的构建以及风险区域的识别,不足以为疫情防控提供具体的指导反馈[29]。因此本研究在地理空间疫情风险评估构建的基础上,将地理区位、道路交通、医疗卫生、疫情现状4种指标对CSRI指数影响程度的差异性做进一步分析,以探讨不同层面落实防控措施的必要性与权衡顺序。此外,不同指标之间在构建的过程中往往存在交互作用,会加剧对CSRI指数的影响,需要进一步研判指标之间的相互影响以在后续的疫情工作中避免相关因子的交叉造成的风险增加。
综合考虑以上情形,在全国范围通过划分 100 km×100 km的网格,进行各指标数值统计并采用Pearson相关性予以探讨,如图6所示。
图6 2020年1月1日至4月11日中国综合空间风险指数（CSRI）与评估因子关系

Fig. 6 Relationship between Comprehensive Spatial Risk Index (CSRI) and assessment factors in China from from January 1 to April 11, 2020

结合（图6(a)）可知,CSRI指数与武汉市地理距离呈现较强的负相关性,其R2为0.813,表明在中国本土的抗疫过程中,地理区位是疫情风险存在的重要因素。这与部分研究成果相一致[30],新冠疫情存在着地理空间传播的风险。同时也说明了武汉市作为疫情的暴风眼自然是疫情防控的重点,与武汉市相邻近的省市也保持了较高等级的社会防控,如安徽、河南等,其防控工作强度也相对较大。
同时,结合（图6(b)、图6(c)）可知,铁路网密度、公路网密度与CSRI指数存在较强的正相关性,其R2分别为0.751、0.792,表明道路交通因素对疫情的空间风险影响较大。公路、铁路包括地铁等在某种程度上突破了地理区位的隔阂,增加了疫情空间传播的范围,从而影响疫情风险的空间分布,如北京、广东等地,以道路交通为载体的人口流动加剧了国内疫情的空间风险程度,同时也在较大程度上表明我国在应对疫情防控中采取的部分高铁短时间停运等“限流”措施的有效性和科学性[31]。
而结合（图6(d)、图6(e)）可知,定点医院密度、居民-医院地理距离与CSRI指数存在较强的负相关性,其R2分别为0.545、0.436,表明医疗卫生因素对疫情的空间风险能够起到缓解的作用。定点医院的数量以及与周围居民的分布反映了各地区医疗资源情况,集中的医疗资源能够从源头上减少新冠病毒的存活时间并从空间上阻断疫情的传播,如江苏、浙江等地,同时也表明我国采取集中医疗资源于武汉等措施的必要性。但我国主要医疗资源分布在省会城市,在某种程度上其分布的不均衡会导致目前过多患者因在本地难以获得相应的治疗而汇集省城,增加交通成本和省城的医疗压力。
结合（图6(f)）可知,CSRI指数与疫情小区密度则呈现较强的正相关性,其R2为0.825,表明疫情本身的严重程度对疫情的空间风险构成仍有重要作用,在一定程度上解释我国在疫情防控初期部分城市“封城”的必要性,以及疫情防控取得阶段性成果（截至2020年4月11号）后,仍然落实和完善常态化疫情防控,防止疫情反弹举措的合理性[32]。
综上,4种指标与CSRI指数相关程度表征由高到低依次为疫情现状指标、地理区位指标、道路交通指标以及医疗卫生指标,表明在区域层面疫情的联防联控工作中,需要优先对疫情事发地以及武汉市重点区域采取“封城”（武汉“封城”2020年1月23日至4月7日）等隔离措施,防止疫情规模扩大,再从空间资源分配的角度,采取“限流”、“集中优势医疗资源”等防控措施。
此外,不同指标在影响综合空间风险指数（CSRI）空间分布方面具有空间分层异质性。通过地理探测器的因子探测结果如表4所示,不同因子都具有较高的q值且均通过了p<0.05显著性检验,表明不同因子对于地理空间疫情风险均具有较强的解释力,也在一定程度上验证了综合空间风险指数（CSRI）构建的合理性。而根据交互作用探测结果（表5）可知,地理空间疫情风险并不只是由单一因子影响,其受到多种因子的共同作用,且任意2种因子的交互作用均大于单一因子,其中公路网密度与居民-医院地理距离的交互作用强度最大,q值达0.9842,铁路网密度与居民-医院地理距离的交互作用强度次之,q值达0.9837,反映了道路交通指标在居民前往定点医院治疗的过程中协调作用的结果要高于其单独作用的结果,会显著加剧空间疫情风险。
表4 2020年1月1日至4月11日中国地理空间疫情风险评估因子探测结果

Tab. 4 Detection results of geospatial epidemic risk factors in China from January 1 to April 11, 2020

因子 与武汉市地理距离 铁路网密度 公路网密度 定点医院密度 居民-医院地理距离 疫情小区密度
q 统计值 0.8355 0.8103 0.8214 0.7649 0.6053 0.8139
p 值 0.0000 0.0215 0.0343 0.0000 0.0127 0.0000

注：p<0.05具有统计意义。

表5 2020年1月1日至4月11日中国地理空间疫情风险评估因子交互作用结果

Tab. 5 Interaction results of geospatial epidemic risk factors in China from January 1 to April 11, 2020

因子 与武汉市地理距离 铁路网密度 公路网密度 定点医院密度 居民-医院地理距离 疫情小区密度
与武汉市地理距离 0.8355
铁路网密度 0.9252（Y） 0.8103
公路网密度 0.9309（Y） 0.9034（N） 0.8214
定点医院密度 0.9210（Y） 0.8934（Y） 0.8957（Y） 0.7649
居民-医院地理距离 0.9687（Y） 0.9837（Y） 0.9842（Y） 0.9781（Y） 0.6053
疫情小区密度 0.9102（Y） 0.8834（N） 0.8908（N） 0.8755（Y） 0.9803（Y） 0.8139

注：Y代表有显著性差异,N代表没有显著性差异。

5 结论与展望

新冠疫情（COVID-19）风险依然存在且构成较复杂,涉及社会、经济、地理等多重维度。本研究基于中国行政区划、定点医院、疫情小区以及道路交通等多元数据在宏观层面构建全国地理空间疫情风险性评估,结合多尺度视角探讨疫情风险的空间分布表征,同时根据相关疫情统计数据进行评估效果验证,为后续城市管理中重大疫情的空间资源分配以及空间联防策略提供相应的依据,并提供如下结论：
（1）结合多元数据的地理空间风险评估在宏观层面精度较好,具有一定的可行性。
（2）地理空间疫情风险分布呈现显著的空间集聚特征,湖北省依然是疫情防控的重点（截至2020年4月11日）,河南、湖南、江西、安徽、浙江、江苏、上海等省省份（直辖市）地理空间疫情风险分布遵循与湖北省的地理邻近和网络邻近特征。政府在落实常态化疫情防控举措过程中,需要外防输入、内防反弹,注重各区域的联防联控。
（3）地理空间疫情风险分布与地理区位、道路交通、医疗卫生、疫情现状均存在一定的相关性,且相关指标R2存在差异,由高到低依次为疫情现状、地理区位、道路交通、医疗卫生,其中地理区位、医疗卫生呈现显著的负相关,道路交通、疫情现状呈现正相关。政府在应对疫情初期防控中优先采取的部分城市“封城”（武汉“封城”2020年1月23日至4月7日）等措施阻止疫情规模扩散,再采取部分交通“限流”以及集中医疗资源于武汉等措施,具有科学性、有效性、及时性。
（4）地理空间疫情风险的构成因素错综复杂,其往往受到多种因子的共同作用。在城市的疫情防控工作中需从多方面、多角度统筹考虑,综合多部门力量筑牢防线。
综合地理空间疫情风险分布,在一定程度上能够为今后城市疫情风险评估提供宏观的研究视角,然而在疫情防控工作中仍需要考虑人口的流动风险以及疫情的动态划分,这些因素也会影响评估的准确性,此外,区域的气候、生态环境对于疫情风险评估也具有重要的意义,后续将开展相关方面的研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Huang C, Wang Y, Li X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. The Lancet, 2020,395(10223):497-506.

[2]
Wu F, Zhao S, Yu B, et al. A new coronavirus associated with human respiratory disease in China[J]. Nature, 2020,579(7798):265-269.

DOI PMID

[3]
朱斌, 刘锦林, 毛瑛. 中国典型法定报告传染病发病率空间关联性分析[J]. 中国公共卫生, 2018,34(1):4-8.

[ Zhu B, Liu J L, Mao Y. Spatial correlation of incidence rate of typical notifiable infectious diseases in China[J]. Chinese Journal of Public Health, 2018,34(1):4-8. ]

[4]
丁晓彤, 余卓渊, 宋海慧, 等. 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.

[ Ding X T, Yu Z Y, Song H H, et al. Research on the distribution of natural focus diseases based on information entropy[J]. Journal of Geo-information Science, 2019,21(12):1877-1887. ]

[5]
高芳旭, 齐秀英. 天津市和平区细菌性痢疾流行特征及疫情预测[J]. 现代预防医学, 2015,42(11):1951-1953.

[ Gao F X, Qi X Y. Epidemiologic characteristics and prediction of bacillary dysentery in Heping District, Tianjin[J]. Modern Preventive Medicine, 2015,42(11):1951-1953. ]

[6]
陈会宴, 廖一兰, 张宁旭, 等. 山西省原平市神经管畸形时空分析[J]. 地球信息科学学报, 2017,19(4):502-510.

[ Chen H Y, Liao Y L, Zhang N X, et al. Spatial and temporal analysis of neural tube defects in Yuanping County, Shanxi Province[J]. Journal of Geo-information Science, 2017,19(4):502-510. ]

[7]
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.

[ Zhang X X, Wang L, Yin L C, et al. Spatial-temporal 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. ]

[8]
Cao C, Li G, Zheng S, et al. Research on the environmental impact factors of Hand-Foot-Mouth disease in Shenzhen, China using RS and GIS technologies [C]. 2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 7240-7243.

[9]
叶莹, 范威, 王海峰, 等. 河南省新型冠状病毒肺炎聚集性疫情流行病学特征分析[J]. 中国公共卫生, 2020,36(4):465-468.

[ Ye Y, Fan W, Wang H F, et al. Clustering of 2019 novel coronavirus disease epidemic in Henan Province[J]. Chinese Journal of Public Health, 2020,36(4):465-468. ]

[10]
Wang C, Jiang B, Fan J, et al. A study of the dengue epidemic and meteorological factors in Guangzhou, China, by using a zero-inflated poisson regression model[J]. Asia-Pacific Journal of Public Health, 2014,26(1):48-57.

DOI PMID

[11]
唐燕. 新冠肺炎疫情防控中的社区治理挑战应对:基于城乡规划与公共卫生视角[J]. 南京社会科学, 2020(3):8-14,27.

[ Tang Y. Challenges and responses of community governance in the prevention and control of novel coronary pneumonia: from perspectives of urban-rural planning and public health[J]. Nanjing Journal of Social Sciences, 2020(3):8-14,27. ]

[12]
杨俊宴, 史北祥, 史宜, 等. 高密度城市的多尺度空间防疫体系建构思考[J]. 城市规划, 2020,44(3):17-24.

[ Yang J Y, Shi B X, Shi Y, et al. Construction of a multi-scale spatial epidemic prevention system in high-density cities[J]. City Planning Review, 2020,44(3):17-24. ]

[13]
中华人民共和国国家卫生健康委员会. 截至4月11日24时新型冠状病毒肺炎疫情最新情况[EB/OL]. http://www.nhc.gov.cn/,2020-04-12.

[ National Health Commission, PRC. COVID-19 update as of 11 April 24:00[EB/OL]. http://www.nhc.gov.cn/,2020-04-12.]

[14]
National data[DB/OL]. http://data.stats.gov.cn/search.htm?s/.

[15]
The Data-center of China Public Health Science[DB/OL]. http://www.phsciencedata.cn/Share/en/index.jsp.

[16]
Openstreetmap[DB/OL]. http://download.geofabrik.de/.

[17]
China Data Lab Dataverse[DB/OL]. https://dataverse.harvard.edu/.

[18]
刘耀宝, 曹俊. 我国境外输入性疟疾防控策略对当前新型冠状病毒肺炎防控工作的启示[J]. 中国血吸虫病防治杂志, 2020,32(2):113-118.

[ Liu Y B, Cao J. Management of coronavirus disease 2019 (COVID-9): experiences from imported malaria control in China[J]. Chinese Journal of Schistosomiasis Control, 2020,32(2):113-118. ]

[19]
Shi K F, Yang Q Y, Li Y Q, et al. Mapping and evaluating cultivated land fallow in Southwest China using multisource data[J]. Science of the Total Environment, 2019,654(1):987-999.

[20]
许小可, 文成, 张光耀, 等. 新冠肺炎爆发前期武汉外流人口的地理去向分布及影响[J]. 电子科技大学学报, 2020,49(3):324-329.

[ Xu X K, Wen C, Zhang G Y, et al. The geographical destination distribution and effect of outflow population of Wuhan when the outbreak of COVID-19[J]. Journal of University of Electronic Science and Technology of China, 2020,49(3):324-329. ]

[21]
张宇, 田万利, 吴忠广, 等. 基于改进SEIR模型的新冠肺炎疫情沿交通线路传播机制[J]. 交通运输工程学报, 2020,20(3):150-158.

[ Zhang Y, Tian W L, Wu Z G, et al. Transmission mechanism of COVID-19 epidemic along traffic routes based on improved SEIR model[J]. Journal of Traffic and Transportation Engineering, 2020,20(3):150-158. ]

[22]
李欣, 周林, 贾涛, 等. 城市因素对COVID-19疫情的影响——以武汉市为例[J]. 武汉大学学报·信息科学版, 2020,45(6):826-835.

[ Li X, Zhou L, Jia T, et al. Influence of urban factors on the COVID‑19 epidemic: A case study of Wuhan City[J]. Geomatics and Information Science of Wuhan University, 2020,45(6):826-835. ]

[23]
Shi K, Chang Z, Chen Z, et al. Identifying and evaluating poverty using multisource remote sensing and Point of Interest (POI) data: A case study of Chongqing, China[J]. Journal of Cleaner Production, 2020,255:120245.

[24]
李刚, 李建平, 孙晓蕾, 等. 主客观权重的组合方式及其合理性研究[J]. 管理评论, 2017,29(12):17-26,61.

[ Li G, Li J P, Sun X L, et al. Research on a combined method of subjective-objective weighing and the its rationality[J]. Management Review, 2017,29(12):17-26,61. ]

[25]
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.

[ 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. ]

[26]
张永树, 杨振凯, 訾璐, 等. 中国艾滋病空间格局和时空演化分析[J]. 地球信息科学学报, 2020,22(2):198-206.

[ Zhang Y S, Yang Z K, Zi L, et al. Spatio-temporal evolution of the AIDS pattern in China[J]. Journal of Geo-information Science, 2020,22(2):198-206. ]

[27]
张新, 林晖, 朱长明, 等. COVID-19疫情早期中国确诊时间的时空特征及动态过程分析[J]. 武汉大学学报·信息科学版, 2020,45(6):791-797.

[ Zhang X, Lin H, Zhu C M, et al. Spatiotemporal characteristics and dynamic process analysis of epidemic diagnosis time of COVID‑19 at early stage in Chinese mainland[J]. Geomatics and Information Science of Wuhan University, 2020,45(6):791-797. ]

[28]
Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016,67:250-256.

[29]
张婷, 程昌秀. 顾及空间集聚程度的中国高温灾害危险性评价[J]. 地球信息科学学报, 2019,21(6):865-874.

[ Zhang T, Cheng C X. Assessment of China's high-temperature hazards: Accounting for spatial agglomeration[J]. Journal of Geo-information Science, 2019,21(6):865-874. ]

[30]
陈芳, 吴家兵, 姜静静, 等. 安徽省新型冠状病毒肺炎聚集性疫情流行特征与防控措施分析[J]. 中国公共卫生, 2020,36(4):469-472.

[ Chen F, Wu J B, Jiang J J, et al. Epidemiological characteristics of clusters of COVID-19 in Anhui Province[J]. Chinese Journal of Public Health, 2020,36(4):469-472. ]

[31]
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 pneumonia and risk assessment based on population movement in Henan Province: Analysis of 1243 individual case reports[J]. Economic Geography, 2020,40(3):24-32. ]

[32]
Layne S P, Hyman J M, Morens D M, et al. New coronavirus outbreak: Framing questions for pandemic prevention[J]. Science, 2020, 12(534): eabb1469.

Options
Outlines

/

〈 〉