安徽省COVID-19疫情的时空格局演变与影响因素分析

洪丹丹,徐婷婷,王皎贝,尚小清,2，李 钢，2，3

(1.西北大学 城市与环境学院，陕西 西安 710127;2.陕西省地表系统与环境承载力重点实验室，陕西 西安 710127；3.西北大学 地表系统与灾害研究所，陕西 西安 710127)

新型冠状病毒肺炎(COVID-19)疫情作为重大突发公共卫生事件,引起了世界各国的高度重视[1-2]。据世界卫生组织和国家卫生健康委员会官网通报,截至2020年12月23日,全球COVID-19确诊病例已超7 830万。其中,中国累计确诊病例共86 899例,累计死亡病例4 634例。在全国人民的共同努力下,我国疫情已基本得到控制,但境外多个国家疫情仍处于动态扩散期。整体来看,全球疫情防控局势依然十分严峻。

疫情发生后，科研人员从病原学、流行病学、传播动力学、心理学等多个领域对新型冠状病毒肺炎展开研究。在病原学领域,Zhou等[3]通过基因序列比对揭示了新型冠状病毒与蝙蝠冠状病毒相似度高达96%;David等[4]在基因组层面锁定了穿山甲是COVID-19的潜在中间宿主;在流行病学领域,赵颂涛[5]、郑颖彦等[6]认为不同临床分型患者的肺部CT影像表现不同。李茜[7]、佘佳桐等[8]针对儿童这一特殊群体展开研究,发现儿童由于自身免疫系统不够完善从而成为疫情中的易感人群,且多数为家族聚集性发病。传播动力学主要聚焦于构建疾病传播模型,游光荣等[9]基于修正后的SEIR模型,评估了武汉延后采取防控干预措施可能对国内疫情带来的影响。作为一种急性乙类传染病,COVID-19极大威胁着社会群体的生理和心理健康。有学者[10-11]从心理学角度,以发放问卷的形式对防控一线的医疗人员、在校大学生等群体进行调查,倡导及时对不同职业的人群进行心理咨询和辅导。

疫情的传播是典型的人地互动与时空演化过程,值得从地理学视角展开深入研究。暴发初期,众多地理学者纷纷行动,柴彦威等[12]立足于时空间行为视角,提出利用患者的活动轨迹数据为公民提供识别疫情的实时信息以及为政府防灾规划提供建议;周成虎等[13]建议利用移动通信运营商和社交媒体数据分析区域间的人口流动状况,推进疫情扩散的精准空间管制。随着疫情的进一步扩散,有较多学者开始聚焦于疫情在全国范围内的传播与响应,王姣娥等[14]从宏观层面对中国疫情发展进行了分析,认为此次疫情在一定程度上是人类经济活动空间组织模式和级联系统的一种反映;李钢等[15]分析了中国新冠肺炎疫情的时空演化特征,并针对当前疫情发展和未来迎接类似的挑战提出了防控对策;省市尺度,王皎贝[16]、金安楠等[17]通过在格网上叠加疫情小区、人群聚集地等POI数据分别得到陕西省、深圳市的疫情风险画像。除对COVID-19确诊病例进行时空特征分析外,刘卫东[18]、张凯煌等[19]则从疫情的影响出发,分别从全球、国家尺度,揭示了COVID-19对经济全球化、相关企业发展所产生的冲击。

地理邻近性导致近鄂周边省份成为疫情高发区,而安徽省西部毗邻湖北,受此次疫情影响严重。目前关于安徽省疫情的研究多集中于流行病学特征分析[20],缺乏对时空分异的探讨。本文基于确诊病例的详细信息以及相关POI数据,运用文本分析、空间分析等方法,探究安徽省COVID-19疫情的时空分异和影响因素,旨在为城市疫情防控和社会经济发展提供参考。

1 数据来源与分析方法

1.1 研究区概况

安徽省位于我国中部,地处长江三角洲中下游,东接江苏、西靠湖北和河南、南邻江西、北连山东。全省共辖16个地级市。截至2018年底,安徽省户籍人口共7 083万人,流向外省半年以上的人口共计75 133人,其中流向湖北省的人口占0.79%(《安徽省统计年鉴2019》)。截至2020年4月1日,安徽省累计本土确诊病例990例,确诊病例数居全国第5位(除湖北省外)。安徽省作为近鄂高发区的典型省份,研究其COVID-19疫情的时空特征和影响因素对于同类型地域疫情的防控具有一定的借鉴意义。

图1 安徽省与湖北省空间位置关系Fig.1 Spatial relationship of Anhui and Hubei Province

1.2 数据来源

研究数据主要包括疫情数据、POI数据、统计数据、空间数据4类。①疫情数据:来源于安徽省卫生健康委员会官方公布的各地区确诊人数(990例)、治愈人数(984例)、死亡人数(6例)等数据以及通过人工判读采集的确诊病例感染历史与时空轨迹等详细信息数据;②相关POI数据:借助Python从百度地图爬取的安徽省疫情小区(782条)、定点医院(102条)等POI数据;③统计数据:来自于安徽省统计局的人口、社会经济等相关统计数据;④空间数据:来源于国家基础地理信息中心的行政边界图。

1.3 研究方法

本文主要运用文本分析、数理统计、空间分析等研究方法,对安徽省COVID-19疫情的时空分异和影响因素进行分析。

1)标准差椭圆分析(SDE)。标准差椭圆是一种表示地理要素空间方向分布特征的统计方法,由转角、长轴、短轴组成,长轴表示空间分布最多的方向,短轴则为空间分布最少的方向[17],借此可以直观地揭示安徽省确诊病例在空间上的分布方向特征。标准差椭圆圆心计算公式如下:

(1)

(2)

2)核密度估计(KDE)。核密度估计方法认为区域内任意位置都有一个可测度的事件密度,该位置事件密度的计算方法主要是估计其周围单位面积区域内事件点的数量。本文以核密度估计法来研究安徽省确诊病例的空间密度分布特征,具体计算公式如下:

(3)

3)主成分分析法。运用降维的方法,将多个影响指标归纳为几个综合性因子,并求出各因子的载荷矩阵。本文使用该方法来分析确诊病例空间分布与安徽省各项社会经济因素之间的关系。

2 安徽省疫情确诊病例的社会人口学特征

2.1 性别-年龄结构

剔除8例无性别年龄信息记录的数据,并以5岁为间隔划分年龄段。发现安徽省确诊病例的性别年龄结构呈现“菱形”(见图2)。从性别来看,以男性居多,性别比为1.17∶1,略高于第六次人口普查中安徽省性别比(1.03∶1)。年龄上,确诊病例最大为91岁,最小为8个月,年龄跨度较大。主要集中在20～59岁,峰值区域为45～54岁。安徽省作为劳动力大省,该年龄段人群大量向长三角、湖北等地转移,暴露风险大。而老年人(60岁及以上)确诊人数为240例,约占总量的24%。这个年龄段的人群防疫意识薄弱、自身体质及免疫力较弱,从而成为此次疫情中的高危易感人群。

图2 安徽省COVID-19确诊病例性别-年龄结构Fig.2 Gender-age structure of confirmed COVID-19 cases in Anhui Province

2.2 感染地属性及感染时序

感染地属性是根据确诊病例的活动轨迹信息和感染原因来确定患者的地理位置特征,可将其划分为外地感染和本地感染两种类型。感染时序是用来描述病毒传播与感染原因之间的层级关系。由于目前武汉乃至湖北暂无其确诊病例的详细感染经过和活动轨迹信息公布,因此本文将整个湖北视为受疫情影响的“黑箱被感染地区”,通过人工判读确诊病例的活动轨迹(990例确诊病例的活动轨迹数据),将其大致划分为3类感染时序:将长期在湖北生活工作的确诊病例界定为初期感染者,直接接触初期感染者或在疫情前后短期内前往湖北的确诊病例界定为中期感染者,不存在湖北旅居暴露史且不能认定为中期感染者的确诊病例界定为后期感染者。结果显示,安徽省确诊病例以本地感染为主,占62.7%。外地感染369例,其中,初期感染者占266例,表明湖北省常住群体是外地感染者的主要构成部分,此类人群的返皖导致了疫情在省内的扩散。在全部感染者中,初期感染者(26.84%)、中期感染者(11.81%)、后期感染者(61.25%)在数量分布上呈现“J”结构,以后期感染者为主。

3 安徽省COVID-19疫情时间演变特征

3.1 逐日演化趋势

以2020年1月22日安徽省首例病例的确诊时间为起始日期,以2020年3月8日最后1例确诊病例的出院时间为终止日期,来分析安徽省疫情的逐日演化趋势(见图3)。大致分为3个阶段:① 起伏增长期(1月22日—2月6日),该时间段确诊病例整体呈现波动式增长,日确诊人数在2月6日达到峰值,单日确诊人数达74人。日增长率于1月27日达到峰值,1月27日之后开始大幅度下降。该时间段的日治愈人数较少,呈缓慢递增态势。春节期间,各地人口因“返乡、探亲访友、旅游、商贸往来”等活动出现了大面积的跨省、跨市迁移现象,人流量强度的增加,加速了疫情的扩散,从而使日确诊人数急速上升。② 急速衰退期(2月7日—2月17日),日确诊病例的数量大幅度减少,2月17日确诊病例减少至个位数。日增长率较为稳定,此阶段平均增长率为-0.16%。日治愈人数平稳增长,2月14日治愈人数为32人,首次超过确诊人数。该时期,全省疫情已经得到了有效控制,这主要归因于对疫情小区进行封闭式管理、严格管控人口流动、加强居民体温检测、各网络平台及时有效地公布了确诊病例的详细活动轨迹等防控措施。③ 稳定扫尾期(2月18日—3月8日),2月22日实现确诊病例增长,日增长率趋于停滞。日治愈人数在该时期迅速增长,在2月20日达到峰值。截至3月8日,安徽省本土确诊的984例(死亡6人,共990例)患者已全部治愈出院。在各地区精准防控的策略下,居民自身的防控意识也不断加强,日确诊人数逐步减少至0人。随着医疗救治水平的提高、医护人员诊疗经验的丰富、医疗物资储备的逐步完善等,使得在院救治的患者病情逐步稳定,出院人数大幅度增加。

图3 安徽省COVID-19确诊病例的逐日演化趋势Fig.3 Daily evolution trend of confirmed COVID-19 cases in Anhui Province

3.2 发病、初诊、确诊时间演变特征

滞后时长是指确诊与发病、初诊的时间间隔[16]。基于详细病例文本信息提取确诊病例发病日期、初诊日期、确诊日期的有效数据,分析各病例在整个感染期内不同阶段之间的滞后时长(见图4),在一定程度上可以反映社会对COVID-19疫情的响应程度。从发病到确诊之间的时间间隔主要集中在2～7d,占总量的67.26%,尤以3d为最。患者一般在发病后的0～4d去医院进行就诊,其中发病当日及次日去医院就诊的病例共400例,表明患者具有较高的疾病防御意识。初诊与确诊之间的滞后时长集中分布在3d内,其中初诊次日即可确诊的人数达峰值,而在初诊当日即被确诊的病例仅有8例,这可能与医院的检测能力有关。安徽省确诊病例从发病与初诊、初诊与确诊、发病与确诊之间的平均滞后时长分别为2.6d、3.6d、6.1d,由此可以看出患者从出现症状到最终被确诊存在滞后性,这主要受社会对新型冠状病毒肺炎疫情的关注度、公众的防护意识以及医疗机构的救治水平等因素的影响,这也给安徽省疫情的整体防控带来了较大的挑战。

图4 安徽省COVID-19确诊病例发病初诊确诊滞后时长分布Fig.4 Lag time of confirmed COVID-19 cases in Anhui Province

4 安徽省COVID-19疫情空间格局特征

4.1 空间分布格局分析

4.1.1 市域、县域空间分布特征 从市域尺度来看,安徽省疫情主要表现出“三足鼎立,西北偏高”的特点(见图5A)。按照确诊病例的数量将其划分为5个等级:①第一等级为合肥、阜阳和蚌埠3市,其中合肥市确诊病例最多(174例);②第二等级为亳州、安庆和六安3市;③第三等级为宿州、芜湖和马鞍山3市,其中宿州市位于安徽最北部地区,与其他两市在空间上相距较远,呈现空间分布不连续性;④第四等级为淮北、淮南和铜陵3市。淮南市被第一等级高风险城市所环绕,但由于该市人口流动量较小,所以其确诊病例数量仅有27例;⑤第五等级为滁州、池州、黄山和宣城4市。总体来说,确诊病例在空间分布上存在显著差异,主要分布在皖北、皖中地区。

对空间尺度进行细化,深入剖析县域尺度上确诊病例的空间分布。确诊病例在空间方向上表现为“西北—东南”走向,主要集中在西北地区(见图5B)。空间分布呈现出“小组团,大分散”的特征。确诊病例高度聚集于皖北地区的怀远县、蚌埠市区、凤阳县,和安徽中部的合肥市区、肥东县和肥西县。除此之外,阜阳市的市区、临泉县和阜南县的患者分布也相对比较集中。自安庆市的宿松县至马鞍山的和县,这两地区之间的确诊病例分布大致呈线性,且较为均匀。而皖南地区各区县的确诊病例在分布上则较为稀疏。

A 市域分布 B 县域分布图5 安徽省确诊病例的空间分布Fig.5 Spatial distribution of confirmed COVID-19 cases in Anhui Province

4.1.2 疫情小区与定点医院的空间关系 根据疫情小区(782条)和定点医院(102条)的位置信息,借助于ArcGIS的缓冲区分析来探讨在定点医院辐射范围内疫情小区的分布状况(见图6)。结果显示:①从空间布局上看,皖南地区相较于皖北地区定点医院的分布更为密集；但疫情小区则主要集中在皖北地区,这在一定程度上与阜阳、蚌埠、宿州等城市的人口外出流动强度较大有关。②在数量上,定点医院10 km缓冲区(车程10 min可达)内共有184个疫情小区,覆盖率仅为23.5%;25 km缓冲区(车程30 min可达)内共分布460个疫情小区,覆盖率达58.8%,这表示还有约42%的确诊病例不能在30 min内到达定点医院进行治疗。表明安徽省疫情小区与定点医院的匹配度一般,皖北地区是安徽省疫情防控的重点区域,其医疗机构空间配置有待优化。

图6 安徽省疫情小区与定点医院空间分布Fig.6 Spatial distribution of epidemic community and designated hospitals in Anhui Province

4.2 迁移路径分析

患者的活动轨迹分析有助于疫情期间传染源的追溯和密切接触人群的识别。根据359条确诊病例轨迹数据(剔除跨国及省内流动的数据)对迁移路径进行可视化(见图7)。可以看出,流入路径主要有“湖北—安徽”和“浙江—安徽”两条,其中“湖北—安徽”的数据有279条,占总量的77.7%,进一步证明早期感染主体主要为湖北返皖人群。而在279条湖北省迁移路径中,从武汉市流出的病例共计259例,主要汇入阜阳市(71例)和安庆市(55例),说明武汉市是安徽省省外输入型病例的主要来源城市。

在空间分析的基础上进一步探究“湖北—安徽”(279例)迁移路径中确诊病例的人口学特征。其中,男女性别比为1∶1.58,男性患者居多,这与安徽省本土确诊病例的性别特征具有一致性。年龄上主要集中在20～59岁的青壮年,其中30～39岁的人数为80例,该类人群空间流动性强,主要与其外出务工、经商、求学、旅游、探亲等行为活动相关。

综上,安徽省省外输入型病例,主要是从武汉市汇入,且多为青壮年的男性人群,也存在少数省外人群回乡后因接触确诊病例而被感染的现象。

注：基于自然资源部标准地图服务网站审图号GS(2016)1598的标准地图制作，底图无修改。图7 安徽省确诊病例跨省迁移路径Fig.7 Trans-provincial migration path of confirmed COVID-19 cases in Anhui Province

5 安徽省疫情时空分异的影响因素

5.1 影响因素的主成分分析

安徽省疫情空间扩散是一个复杂的过程,是多种因素综合作用的结果。本文为保证数据获取的完整性,将研究区的市辖区进行合并,共计样本量77个。基于已有研究[21],从2019年安徽省各市统计年鉴中选择了社会经济等方面的5个影响因素:各县区常住人口数x1(万人)、人口密度x2(人/km2)、医疗卫生机构人员数x3(人)、一般性公共预算支出x4(万元)、人均GDPx5(元)、与武汉市距离x6(km),基于主成分分析法来分析安徽省COVID-19疫情时空分布的影响因素,得到各因子特征值及主成分得分贡献率(见表1)。其中,常住人口数和人口密度反映各市县COVID-19疫情确诊病例的本地感染情况;医疗卫生机构人员数反映医疗水平对于疫情的影响;一般性公共预算支出是政府调动资源能力的体现;人均GDP反映地方经济发展水平;与武汉市距离则反映了安徽省疫情空间分布与中国疫情始发地武汉市之间的关系。

由表1可得,第一、二主成分的贡献率达83.555%,已符合分析的要求。由第一、二主成分展开,计算各因子的主成分载荷矩阵(见表2),结果如下:① 第一主成分与x1、x2、x3、x4、x5具有较强的正相关性,说明安徽省各市县COVID-19确诊病例的空间分布主要受到各市县常住人口数、人口密度、医疗卫生机构人员数、一般性公共预算支出和人均GDP的影响;② 第二主成分与距武汉市距离有强相关性,表明在人口和社会经济因素驱动下,与中国疫情始发区的距离是影响疫情空间分异的另一重要因素。

表1 各因子的特征值及主成分贡献率Tab.1 Eigenvalue and principal component contribution rate of each factor

表2 各因子的主成分载荷矩阵Tab.2 Principal component load matrix of each factor

5.2 逐步回归模型的构建

1)社会经济因素分析。第一主成分所包括常住人口数、人口密度、一般性公共预算支出、医疗卫生机构人员数、人均GDP等因子,由于各因子之间存在复杂的多重共线性问题,所以通过逐步回归模型对所选因子进行筛查和剔除。以市县确诊人数y为因变量,以常住人口数、人口密度、一般性公共预算支出、医疗卫生机构人员数、人均GDP为自变量,构建逐步回归模型,结果如表3所示。

表3 各因子对确诊病例空间分布的回归分析Tab.3 Regression analysis of each factor on the spatial distribution of confirmed cases

经过逐步回归分析,得出确诊病例的空间分布主要是受到各县市人口密度和一般性公共预算支出的影响,而常住人口数、医疗卫生机构人员数、人均GDP这 3个因素对安徽省各县市确诊病例的数量影响不显著。COVID-19可以通过飞沫和密切接触传播,人口密度越高的地区,感染的概率越大,这也可以解释在安徽省本地聚集型病例多发于一些人口密集地区;一般性公共预算支出是地区经济发展水平和政府调动资源能力的一种反映,该因素与确诊病例数量呈正相关。地区经济发展水平越高,人口流动性越强,感染病例也相对较多。

2)距离因素分析。第二主成分因素包括与武汉市距离因子,表明距离武汉市越近,确诊病例也越多。安徽省是劳动力大省,省内的青壮劳动力向周边的长三角地区、武汉等地区转移。疫情暴发之际正值春节,外出务工人员大量返乡,从而使阜阳、安庆等一些外出人口较多的城市成为安徽省疫情高发地。

6 结论与展望

6.1 结论

本文以近鄂高发区安徽省为研究区域,利用卫健委通报的确诊病例详细信息、相关POI数据及安徽省各市统计年鉴的社会经济数据,借助文本分析、数理统计及空间分析等方法探究了安徽省COVID-19疫情的时空分异特征和影响因素,主要结论如下:

1)确诊病例的性别年龄结构呈现“菱形”,主要集中在20～59岁年龄段,45～54岁年龄段人数达峰值,且确诊人群的年龄跨度较大,以男性居多;在感染时序上表现为“J”结构,以后期感染者为主;多为本地感染。

2)确诊病例的时间演变可以大致分为“起伏增长期—急速衰退期—稳定扫尾期”3个阶段。早期确诊人数逐日递增,在1月27日峰值过后确诊病例数急速下降,2月22日实现了本土确诊病例零增长。日治愈人数在2月20日达到最大值,于3月8日确诊病例全部治愈出院;患者从发病到初诊之间的时间间隔主要集中在0～4d、从初诊到确诊一般间隔为1～3d。

3)确诊病例在市域尺度上,表现出“三足鼎立,西北偏高”的特点,主要分布在皖北和皖中地区;在县域尺度上,呈现出“小组团,大分散”的特征,以怀远县、蚌埠市辖区、凤阳县、合肥市区、肥东县和肥西县确诊病例较为密集;在空间方向上,呈“西北—东南”走向。定点医院集聚在皖南地区,但疫情小区则主要集中在皖北地区,说明二者适配度一般。流入安徽省的病例主要有“湖北—安徽”和“浙江—安徽”两条路径,主要是从武汉市汇入阜阳和安庆两市。

4)人口密度和一般性公共预算支出是影响各县市确诊患者数量存在空间差异性的主要因素,而在人口和社会经济因素驱动下,与中国疫情主战场的地理邻近性是各地区疫情状况的另一重要影响因子。

6.2 建议与展望

针对上述研究结论,提出几点防控对策:① 从性别年龄上,要因人制策,密切关注流动性强的返乡青年学生以及务工的青壮年劳动力的活动轨迹,并对该类人群进行重点排查;加强对儿童、老人、孕妇等特殊群体的关注,并对老年人群进行COVID-19疫情相关知识普及,提高其防控意识。② 从时间上,要因时制策,在疫情发生的不同阶段要采取不同的应对措施。目前安徽省的疫情基本得到控制,在保证民众公共健康安全的前提下,逐步推进复工复产复学。同时在本土疫情感染得到控制的情况下,要严防境外输入病例。③ 从空间上,要因地制策,对于安徽省疫情高发的皖北地区,要加强该区域经济发展、提高医疗物资的配置,以应对未来类似不可控的挑战。同时,无论是城市或乡村地区,都要注重环境卫生,定时进行消毒工作,营造一个健康舒适的生活、工作和学习的环境。

本文虽然取得了一些认识,但还存在局限性,需要做进一步完善:① 确诊病例的研究数据仅来源于各市卫健委官方通报的信息,内容不够详尽,未来需借助更精细的多源时空大数据,深入研究确诊病例微观尺度的活动轨迹以及聚集型病例的社会网络关系;② 目前仅以安徽省为研究区域,未考虑空间相关性,之后将对安徽省周边的长三角地区、山东省等地区进行空间对比分析,研究区域之间的差异性和关联性;③ 因数据获取的局限性,影响因素的选择仅限于社会经济、人口、医疗卫生水平等方面,尚未考虑居民防控意识、信息普及率、社会环境卫生状况等对安徽省确诊病例空间分布的影响,需建立综合防控机制。