中国258个城市新型冠状病毒肺炎时空分布特征研究

杨瑛莹; 詹思怡; 姜棋竞; 傅传喜

doi:10.3784/j.issn.1003-9961.2020.11.005

引用本文: 杨瑛莹, 詹思怡, 姜棋竞, 傅传喜. 中国258个城市新型冠状病毒肺炎时空分布特征研究[J]. 疾病监测. DOI: 10.3784/j.issn.1003-9961.2020.11.005 shu

Citation: Yingying Yang, Siyi Zhan, Qijing Jiang and Chuanxi Fu. Spatiotemporal characteristics of coronavirus disease 2019 in 258 cities in China[J]. Disease Surveillance. DOI: 10.3784/j.issn.1003-9961.2020.11.005 shu

中国258个城市新型冠状病毒肺炎时空分布特征研究

浙江中医药大学公共卫生学院，浙江杭州 310053

作者简介: 杨瑛莹，女，浙江省台州市人，研究生在读，主要从事疫苗大数据研究，Email：171297493@qq.com;

通信作者: 傅传喜, fuchuanxi@zcmu.edu.cn

摘要: 目的分析中国新型冠状病毒肺炎（COVID-19）的时空分布特征及相关因素，为COVID-19防控提供依据。方法基于2020年1月21日至3月23日中国258个城市的COVID-19发病率、人口流动（湖北省武汉市迁入）、社会人口学、地理信息数据，进行空间自相关和热点分析，揭示COVID-19流行的空间异质性，识别热点区域。利用地理加权回归模型结合线性回归模型，探讨空间异质性的相关因素。结果2020年1月21日至3月23日，258个城市累计报告29 789例COVID-19病例，COVID-19流行总体呈空间聚集性（Moran's I = 0.436，Z=25.363，P<0.001）。各地的百度迁徙指数（武汉市迁入）与COVID-19发病关联有统计学意义（t=14.550，P<0.001），百度迁徙指数表现出正向效应（β: 0.564 ~ 0.565）。结论中国COVID-19流行存在空间异质性，武汉市人口迁入多的地区报告发病水平更高。对新发传染病的时空特征理解有助于疾病流行的早期预警和控制。

关键词:

English

Spatiotemporal characteristics of coronavirus disease 2019 in 258 cities in China

School of Public Health, Zhejiang Traditional Chinese Medicine University, Hangzhou 310053, Zhejiang, China

Corresponding author: Chuanxi Fu, fuchuanxi@zcmu.edu.cn

Received Date: 2020-08-10
Available Online: 2020-11-30

Abstract: ObjectiveTo explore the spatiotemporal characteristics of coronavirus disease 2019 (COVID-19) in China and related factors, and provide evidence for COVID-19 prevention and control.MethodsBased on the information about COVID-19 incidence, population migration from Wuhan of Hubei, socio-demography and geography in 258 prefecture-level cities in China from January 21 to March 23, 2020, a spatial autocorrelation analysis and a hot spot analysis were conducted to explore the spatial heterogeneity and identify the hot spots of COVID-19 epidemic. The geographically weighted regression (GWR) model combined with linear regression model was used to identify the related factors for spatial heterogeneity.ResultsDuring January 21 to March 23, 2020, a total of 29 789 COVID-19 cases were reported in 258 cities. The overall incidence of COVID-19 showed spatial clustering (Moran's I=0.436, Z=25.363, P<0.001). The Baidu migration index (from Wuhan) was statistically related to COVID-19 incidence at city level (t=14.550, P<0.001), showing positive effect ( β: 0.564–0.565).ConclusionSpatial heterogeneity was noted in COVID-19 epidemic in China. Cities with more migration from Wuhan were more likely to report higher COVID-19 incidence. Understanding spatiotemporal characteristics of emerging infectious diseases is helpful to the early warning and control of the epidemic.

Key words:

1. [1]
  Li Q, Guan XH, Wu P, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus-infected pneumonia[J]. N Engl J Med, 2020,382(13):1199–1207. DOI:10.1056/NEJMoa2001316.
2. [2]
  Zhan SY, Yang YY, Fu CX. Public′s early response to the novel coronavirus-infected pneumonia[J]. Emerg Microbes Infect, 2020,9(1):534. DOI:10.1080/22221751.2020.1732232.
3. [3]
  World Health Organization. Novel coronavirus （2019-nCoV） situation report -11［EB/OL］. （2020−01−31）［2020−08−01］. https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200131-sitrep-11-ncov.pdf?sfvrsn=de7c0f7_4.
4. [4]
  Liu NN, Tan JC, Li JQ, et al. COVID-19 Pandemic: experiences in China and implications for its prevention and treatment worldwide[J]. Curr Cancer Drug Targets, 2020,20(6):410–416. DOI:10.2174/1568009620666200414151419.
5. [5]
  World Health Organization. Coronavirus disease （COVID-19） situation report -197［EB/OL］. （2020−08−04）［2020−08−05］. https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200804-covid-19-sitrep-197.pdf?sfvrsn=94f7a01d_2.
6. [6]
  Kamel Boulos MN, Geraghty EM. Geographical tracking and mapping of coronavirus disease COVID-19/severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic and associated events around the world: how 21st century GIS technologies are supporting the global fight against outbreaks and epidemics[J]. Int J Health Geogr, 2020,19(1):8. DOI:10.1186/s12942−020−00202−8.
7. [7]
  时涛, 李士雪. 地理加权回归模型在卫生经济领域的应用举例: 基于Arc GIS 10.4软件介绍[J]. 中国卫生经济,2018,37(10):10–14. DOI:10.7664/CHE20181002.
  Shi T, Li SX. Application of geographically weighted regression model (GWR) in the economics of health and health care: based on the introduction of arc GIS 10.4[J]. Chin Health Econ, 2018,37(10):10–14. DOI:10.7664/CHE20181002.
8. [8]
  肖雄, 杨长虹, 谭柯, 等. 地理加权回归模型在传染病空间分析中的应用[J]. 中国卫生统计,2013,30(6):833–836, 841.
  Xiao X, Yang CH, Tan K, et al. A study on the application of geographically weighted regression model in spatial analysis of infectious disease[J]. Chin J Health Stat, 2013,30(6):833–836, 841.
9. [9]
  张人杰, 李娜, 王笑笑, 等. 2013-2016年浙江省人感染H7N9禽流感疫情的空间分析及回归模型构建[J]. 疾病监测,2019,34(1):15–20. DOI:10.3784/j.issn.1003−9961.2019.01.006.
  Zhang RJ, Li N, Wang XX, et al. Spatial analysis and mathematical modeling of human infection with avian influenza A (H7N9) virus in Zhejiang, 2013–2016[J]. Dis Surveill, 2019,34(1):15–20. DOI:10.3784/j.issn.1003−9961.2019.01.006.
10. [10]
  Zhang YJ, Liu MY, Wu SS, et al. Spatial distribution of tuberculosis and its association with meteorological factors in mainland China[J]. BMC Infect Dis, 2019,19(1):379. DOI:10.1186/s12879−019−4008−1.
11. [11]
  张延炀, 肖占沛, 杨凯朝, 等. 河南省新型冠状病毒肺炎时空聚集性[J]. 中华疾病控制杂志,2020,24(5):534–538, 572. DOI:10.16462/j.cnki.zhjbkz.2020.05.008.
  Zhang YY, Xiao ZP, Yang KC, et al. Study on the spatiotemporal clusters of coronavirus disease 2019 in Henan province[J]. Chin J Dis Control Prev, 2020,24(5):534–538, 572. DOI:10.16462/j.cnki.zhjbkz.2020.05.008.
12. [12]
  蔺茂文, 刘天, 田克卿, 等. 荆州市新型冠状病毒肺炎时空分布特征分析[J]. 上海交通大学学报:医学版,2020,40(5):566–572. DOI:10.3969/j.issn.1674−8115.2020.05.002.
  Lin MW, Liu T, Tian KQ, et al. Spatial-temporal distribution of coronavirus disease 2019 in Jingzhou city[J]. J Shanghai Jiaotong Univ (Med Sci), 2020,40(5):566–572. DOI:10.3969/j.issn.1674−8115.2020.05.002.
13. [13]
  刘蒙, 徐洪吕, 袁敏, 等. 安徽省新型冠状病毒肺炎流行与疫情时空变化分析[J]. 中华预防医学杂志,2020,54(6):630–633. DOI:10.3760/cma.j.cn112150−20200221−00150.
  Liu M, Xu HL, Yuan M, et al. Analysis on epidemic situation and spatiotemporal changes of COVID-19 in Anhui[J]. Chin J Prev Med, 2020,54(6):630–633. DOI:10.3760/cma.j.cn112150−20200221−00150.
14. [14]
  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. DOI:10.13203/j.whugis20200152.
  Li X, Zhou L, Jia T, et al. Influence of urban factors on the COVID-2019 crisis-a case study of Wuhan city[J]. Geomat Inf Sci Wuhan Univ, 2020,45(6):826–835. DOI:10.13203/j.whugis20200152.
15. [15]
  魏传华, 胡晶, 吴喜之. 空间自相关地理加权回归模型的估计[J]. 数学的实践与认识,2010,40(22):126–134.
  Wei CH, Hu J, Wu XZ. Estimation in gegorapically weighted regression with spatial autocorrelation[J]. Math Pract Theory, 2010,40(22):126–134.
16. [16]
  卢宾宾, 葛咏, 秦昆, 等. 地理加权回归分析技术综述[J]. 武汉大学学报·信息科学版,2020,45(9):1356–1366. DOI:10.13203/j.whugis20190346.
  Lu BB, Ge Y, Qin K, et al. A summary on geographically weighted regression[J]. Geomat Inf Sci Wuhan Univ, 2020,45(9):1356–1366. DOI:10.13203/j.whugis20190346.
17. [17]
  叶子容, 陈佳, 周鼒, 等. 空间回归方法在慢性病研究中的应用进展[J]. 中国卫生统计,2018,35(1):137–141.
  Ye ZR, Chen J, Zhou Z, et al. Progress in the application of spatial regression in chronic diseases[J]. Chin J Health Stat, 2018,35(1):137–141.
18. [18]
  林静静, 张铁威, 李秀央. 疾病时空聚集分析的研究与进展[J]. 中华流行病学杂志,2020,41(7):1165–1170. DOI:10.3760/cma.j.cn112338−20190806−00582.
  Lin JJ, Zhang TW, Li XY. Research progress on spatiotemporal clustering of disease[J]. Chin J Epidemiol, 2020,41(7):1165–1170. DOI:10.3760/cma.j.cn112338−20190806−00582.
19. [19]
  Wu ZY, McGoogan JM. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese center for disease control and prevention[J]. JAMA, 2020,323(13):1239–1242. DOI:10.1001/jama.2020.2648.
20. [20]
  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. DOI:10.15983/j.cnki.jsnu.2020.03.017.
  Jin AN, Li G, Wang JB, et al. Spatio-temporal evolution and control strategies of COVID-19epidemic in Shenzhen, China[J]. J Shaanxi Normal Univ:Nat Sci Ed, 2020,48(3):18–32. DOI:10.15983/j.cnki.jsnu.2020.03.017.
21. [21]
  崔芳芳, 何贤英, 高景宏, 等. 河南省1 272例新型冠状病毒肺炎流行病学特征[J]. 中华医院感染学杂志,2020,30(15):2247–2251. DOI:10.11816/cn.ni.2020−200694.
  Cui FF, He XY, Gao JH, et al. Epidemiological characteristics of COVID-19 with 1 272 cases in Henan province[J]. Chin J Nosocomiol, 2020,30(15):2247–2251. DOI:10.11816/cn.ni.2020−200694.
22. [22]
  Chan JF, Yuan SF, Kok KH, et al. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster[J]. Lancet, 2020,395(10223):514–523. DOI:10.1016/S0140−6736(20)30154−9.
23. [23]
  Jia JS, Lu X, Yuan Y, et al. Population flow drives spatio-temporal distribution of COVID-19 in China[J]. Nature, 2020,582(7812):389–394. DOI:10.1038/s41586−020−2284−y.
24. [24]
  Qiu Y, Chen X, Shi W. Impacts of social and economic factors on the transmission of coronavirus disease 2019 (COVID-19) in China[J]. J Popul Econ, 2020:1–46. DOI:10.1007/s00148−020−00778−2.
25. [25]
  Chen ZL, Zhang Q, Lu Y, et al. Distribution of the COVID-19 epidemic and correlation with population emigration from Wuhan, China[J]. Chin Med J (Engl) , 2020,133(9):1044–1050. DOI:10.1097/CM9.0000000000000782.
26. [26]
  邹旋, 吴永胜, 刘晓剑, 等. 深圳市新型冠状病毒肺炎应急响应策略和措施效果评价[J]. 中华流行病学杂志,2020,41(8):1225–1230. DOI:10.3760/cma.j.cn112338−20200316−00360.
  Zou X, Wu YS, Liu XJ, et al. Evaluation of the emergency response strategies and measures on the epidemic of COVID-19 in Shenzhen, China[J]. Chin J Epidemiol, 2020,41(8):1225–1230. DOI:10.3760/cma.j.cn112338−20200316−00360.
1. [1]
  龚震宇（摘译） , 龚训良（审校） . 2020年2月12日至5月18日美国新型冠状病毒肺炎死亡病例的分布特征. 疾病监测, 2020, 35(9): 871-872. DOI: 10.3784/j.issn.1003-9961.2020.09.022
2. [2]
  姜海波 , 史宏博 , 冯宏伟 , 顾晓敏 , 李怀亮 , 洪航 . 新型冠状病毒肺炎疫情对浙江省宁波市艾滋病防制工作的影响评估. 疾病监测, 2020, 35(9): 803-808. DOI: 10.3784/j.issn.1003-9961.2020.09.008
3. [3]
  赵丽娜 , 王大勇 , 张洪淼 , 叶振淼 , 金茜 , 苏德华 , 邓为民 , 陈丽秀 , 陈钢 . 美沙酮维持治疗依从性影响因素的多元logistic回归分析. 疾病监测, 2012, 27(5): 388-391. DOI: 10.3784/j.issn.1003-9961.2012.5.017
4. [4]
  胡强 , 罗美玲 . 乙型病毒性肝炎患者住院天数及其影响因素分析. 疾病监测, 2017, 32(8): 674-677. DOI: 10.3784/j.issn.1003-9961.2017.08.015
5. [5]
  王雷 , 彭欣 , 曲亚斌 , 孟瑞琳 , 康敏 , 陈旭光 , 杨芬 . 广东省复工人员新型冠状病毒肺炎知信行调查. 疾病监测, 2020, 35(11): 1-8.
6. [6]
  梅玉发 , 王喜云 , 崔龙 , 刘兰芳 . 湖北省十堰市流感样病例标本采集对病毒分离效果影响因素分析. 疾病监测, 2013, 28(4): 300-302. DOI: 10.3784/j.issn.1003-9961.2013.4.014
7. [7]
  徐洪吕 , 郑维斌 , 杨家芳 , 杨明强 , 胡安艳 , 徐正翠 , 董贤雅 , 李正旭 , 郭建华 , 赵彩佐 , 丁英 , 刘丽 . 云南省保山市美沙酮门诊吸毒人群丙型肝炎病毒抗体阳转影响因素分析. 疾病监测, 2017, 32(4): 308-312. DOI: 10.3784/j.issn.1003-9961.2017.04.013
8. [8]
  陈琳 , 潘晓红 , 杨介者 , 张佳峰 , 郑锦雷 , 徐云 , 邢辉 . 浙江省273名抗病毒治疗患者HIV-1毒株耐药性及其影响因素研究. 疾病监测, 2010, 25(11): 869-873.
9. [9]
  王毅 , 李六林 , 周万明 , 樊静 , 赵西和 , 唐宇 , 何静 , 刘江 , 周力 , 张晓军 . 四川省绵阳市年轻男男性行为者艾滋病病毒、梅毒感染现况及梅毒感染影响因素. 疾病监测, 2018, 33(10): 849-853. DOI: 10.3784/j.issn.1003-9961.2018.10.014
10. [10]
  许骏 , 罗莉 , 胡荣 , 曹琳 , 张敏 , 王夏 . 2009－2016年湖北省武汉市吸毒人群艾滋病病毒、梅毒和丙型肝炎感染状况及其影响因素分析. 疾病监测, 2019, 34(3): 254-259. DOI: 10.3784/j.issn.1003-9961.2019.03.016
11. [11]
  刘天 , 翁熹君 , 张丽杰 , 姚梦雷 , 黄继贵 , 陈茂义 , 胡婕 . 湖北省荆州市流感监测哨点监测质量及流感病毒核酸检测阳性率影响因素分析. 疾病监测, 2019, 34(10): 891-894. DOI: 10.3784/j.issn.1003-9961.2019.10.007
12. [12]
  丁哲渊 , 吴昊澄 , 吴晨 , 鲁琴宝 , 林君芬 . 浙江省新型冠状病毒肺炎疫情应急响应期间其他法定传染病监测分析. 疾病监测, 2020, 35(8): 746-752. DOI: 10.3784/j.issn.1003-9961.2020.08.015
13. [13]
  龚震宇（摘译） , 龚训良（审校） . 美国新型冠状病毒肺炎病例便利调查样本的临床症状概况（2020年1－4月）. 疾病监测, 2020, 35(8): 777-778. DOI: 10.3784/j.issn.1003-9961.2020.08.022
14. [14]
  张人杰 , 李娜 , 王笑笑 , 刘碧瑶 , 李傅冬 , 张双凤 , 张雪海 , 王臻 . 2013－2016年浙江省人感染H7N9禽流感疫情的空间分析及回归模型构建. 疾病监测, 2019, 34(1): 15-20. DOI: 10.3784/j.issn.1003-9961.2019.01.006
15. [15]
  郑芸鹤 , 刘海霞 , 苟发香 , 张宏 , 杨筱婷 , 田彦军 , 魏孔福 , 成瑶 , 蒋小娟 , 刘新凤 . 甘肃省新型冠状病毒肺炎疫情时间风险的空间特征分析. 疾病监测, 2020, 35(11): 982-986. DOI: 10.3784/j.issn.1003-9961.2020.11.006
16. [16]
  戴映雪 , 杜训波 , 杨磊 , 岳勇 , 张晓春 , 韩德琳 . 冬春季节成都市活禽市场禽流感病毒污染情况及其影响因素分析. 疾病监测, 2017, 32(2): 135-140. DOI: 10.3784/j.issn.1003-9961.2017.02.013
17. [17]
  赵烨 , 孙晋渊 , 杨玲 , 蔡雨阳 . 我国西北及东北边境地区新型冠状病毒肺炎疫情流行特征分析. 疾病监测, 2020, 35(9): 798-802. DOI: 10.3784/j.issn.1003-9961.2020.09.007
18. [18]
  高海军 , 张颋 , 许光荣 , 叶萍 , 秦忠雪 , 段勇军 . 四川省甘孜藏族自治州新型冠状病毒肺炎病例流行病学特征分析. 疾病监测, 2020, 35(9): 793-797. DOI: 10.3784/j.issn.1003-9961.2020.09.006
19. [19]
  张国磊 , 王新华 , 李京 . 北京市石景山区吸毒人群病毒性丙型肝炎病毒感染水平及影响因素分析. 疾病监测, 2009, 24(11): 872-872-874. DOI: 10.3784/j.issn.1003-9961.2009.11.021
20. [20]
  刘红慧 , 刘天 , 邢学森 . 2010－2017年湖北省肾综合征出血热流行特征及时空分布与发病趋势预测. 疾病监测, 2019, 34(1): 21-26. DOI: 10.3784/j.issn.1003-9961.2019.01.007

图 1 中国258个城市新型冠状病毒肺炎累计病例数（截至2020年3月23日）

Figure 1. Map of cumulative number of COVID-19 cases in 258 cities in China（as of March 23, 2020）

下载: 全尺寸图片幻灯片

图 2 中国258个城市新型冠状病毒肺炎发病率第一阶段（A）、第二阶段（B）和第四阶段（C）热点分析

Figure 2. The hot spots analysis on COVID-19 incidence rates in phase I (A), II (B) and IV (C) in 258 cities in China

下载: 全尺寸图片幻灯片

图 3 地理加权回归模型回归系数（A）和R²（B）的空间分布

Figure 3. Spatial distributions of regression coefficient (A) and R² (B) of GWR model

下载: 全尺寸图片幻灯片

表 1 中国258个城市新型冠状病毒肺炎发病率空间自相关分析

Table 1. Spatial autocorrelation analysis of COVID-19 incidence rates in 258 cities in China

时间	Moran's I	Z值	P值
1月21—27日	0.456	24.408	<0.001
1月28日至2月31日	0.480	25.610	<0.001
2月4—10日	0.404	23.264	<0.001
2月11—17日	0.293	20.498	<0.001
2月18—24日	0.262	14.006	<0.001
2月25日至3月2日	0.143	8.155	<0.001
3月3—9日	0.015	1.289	0.197
3月10—16日	0.040	3.863	<0.001
3月17—23日	0.095	6.910	<0.001
1月21日至3月23日	0.436	25.363	<0.001

下载: 导出CSV

表 2 中国258个城市新型冠状病毒肺炎发病率线性回归模型分析

Table 2. Linear regression model for COVID-19 incidence rates in 258 cities in China

检验变量	回归系数	标准误	t值	P值	方差膨胀因子
百度迁徙指数	0.547	0.038	14.550	<0.001	1.089
人口密度	<0.001	<0.001	−0.462	0.644	1.978
城市化率	<0.001	0.005	−0.025	0.980	1.638
人均生产总值	<0.001	<0.001	0.686	0.494	2.322
每万人医生数	0.001	0.002	0.601	0.548	1.149
相对纬度	−0.015	0.013	−1.165	0.245	1.294
相对经度	−0.013	0.015	−0.880	0.380	1.537
平均海拔	<0.001	<0.001	0.138	0.890	1.469