徐婷婷，李鋼，2，3*，高興，王皎貝，王鈺，張千禧

（1.西北大學城市與環(huán)境學院，陜西西安 710127；2.陜西省地表系統(tǒng)與環(huán)境承載力重點實驗室，陜西 西安 710127；3.西北大學 地表系統(tǒng)與災害研究院，陜西 西安 710127）

0 引言

2019 年年末，新型冠狀病毒肺炎（coronavirus disease 2019，COVID-19）疫情隨著春運大潮在國內蔓延，多地陸續(xù)啟動突發(fā)公共衛(wèi)生事件一級響應。全國人民共同抗疫數(shù)月，國內疫情得到有效控制，生產生活有序開展。但境外疫情于2020 年3 月全面暴發(fā)，截至2021 年4 月25 日，全球新冠肺炎確診病例超1.4 億例，累計死亡病例超300 萬例，歐美地區(qū)疫情相對轉好，印度、巴西兩國疫情形勢不容樂觀，世界公共衛(wèi)生安全面臨極大挑戰(zhàn)，全球疫情防控形勢較為嚴峻。

疫情發(fā)生后，科研人員迅速響應，早期主要針對病原宿主、藥物研發(fā)、診療救治、臨床特征等開展研究。生物醫(yī)學領域研究進展最為迅速，ZHOU 等［1］基于基因組序列研究，指出病毒來源可能為蝙蝠。WANG 等［2］指出瑞德西韋和磷酸氯喹能在體外有效抑制新型冠狀病毒。隨著中醫(yī)藥在疫情治療中的作用突顯，連花清瘟膠囊、藿香正氣膠囊（丸、水、口服液）等藥物被廣泛應用于輕癥患者治療與恢復［3-4］。在傳播預測方面，文獻［5-7］借助SEIR 傳染病動力學模型，預測疫情的發(fā)展走向及可能感染人群數(shù)量，同時提出政府管控能有效干預疫情傳播。

重大疫情事件的發(fā)生與人類行為密切相關，是典型的時空演化現(xiàn)象與人地互動的地理過程，亟須從地理學視角開展研究。早前國外關于疾病的研究聚焦于描述疾病的時空分布格局、繪制疾病風險地圖［8-9］。國內學者主要從歷史地理和醫(yī)學地理視角研究我國歷史上疫災的時空分布模式，如龔勝生［10］指出，我國疫災變化與氣候關系密切，且寒冷期為疫災頻發(fā)期；楊林生等［11］分析了我國鼠疫源地的分布狀況，構建了150 a來我國鼠疫流行擴散簡史。此外，文獻［12-13］利用GIS空間分析手段，探討了HIV/AIDS 的空間熱點分布與影響因素。文獻［14-16］探討了全國以及北京、廣州等地SARS 疫情的空間集聚模式與時空軌跡?？梢?，基于地理學視角的疫災、疾病時空分布研究由來已久。在COVID-19 疫情研究方面，柴彥威等［17］提出了以時空行為方法助力公共衛(wèi)生事件精細化管理。李鋼等［18］分析了我國疫情的時空演變過程，并提出了5點防控策略。文獻［19-20］基于省域尺度的疫情發(fā)生規(guī)律與空間差異研究，為疫情防控做了重大貢獻；文獻［21-22］基于市域尺度，解析了珠海市、深圳市的疫情演化特征與傳播路徑，提出了多尺度防控措施。

早期研究為疫情阻斷及居民防疫提供了一定參考，但缺少對醫(yī)療機構、人群聚集點空間分布的解析以及對疫情背后影響因素的量化分析。另外，人口的高速流動與各城市間交通網的便利，導致疫情傳播已不局限于鄰近地域。截至2020年3月30日，浙江省確診病例達1 218例，境外輸入病例39例，確診病例總數(shù)位居全國第4，對其開展研究具有重要的理論與現(xiàn)實意義。鑒于此，本文基于采集的浙江省確診病例數(shù)據(jù)和人工判讀的病例詳細信息以及相關POI數(shù)據(jù)，借助文本分析、數(shù)理統(tǒng)計以及空間回歸分析等方法，解析確診病例的社會人口學特征與時空分布規(guī)律，通過優(yōu)化模型，進一步分析社會經濟因素對疫情發(fā)展的影響，為未來疫情深化研究和科學防疫提供參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

研究數(shù)據(jù)包括以下幾類：（1）疫情數(shù)據(jù)，來源于浙江省各市衛(wèi)健委網站，包括確診人數(shù)、治愈人數(shù)、境外輸入人數(shù)等，以及通過人工判讀采集的病例性別、年齡、感染屬性、空間遷移路徑等信息，建立數(shù)據(jù)信息庫（截至2020 年3 月30 日，共1 181 條信息）。（2）POI 數(shù)據(jù)，借助Python 從百度地圖爬取，包括6個地級市、455 個疫情小區(qū)（出現(xiàn)確診病例的小區(qū)或村莊）、246 個定點醫(yī)療機構（由各市衛(wèi)健委公布，包括發(fā)熱門診機構和定點醫(yī)療機構）以及1 539 個人群聚集地（指距疫情小區(qū)3 km 范圍內的超市、商場、農貿市場等人流密集地）。（3）社會經濟數(shù)據(jù)，來源于各市統(tǒng)計局2019 年統(tǒng)計年鑒，其中老齡（65 歲及以上）人口數(shù)基于第六次人口普查數(shù)據(jù)。（4）空間數(shù)據(jù)，來源于國家基礎地理信息中心提供的1∶400 萬行政邊界數(shù)據(jù)。

1.2 研究方法

1.2.1 探索性空間分析

探索性空間分析是對全局及局部范圍內空間關系的檢驗和度量，旨在發(fā)現(xiàn)空間中各要素的關聯(lián)模式和集聚現(xiàn)象［23］。引入全局空間自相關和局部空間自相關，測度浙江省確診病例的空間集聚情況。

空間自相關的全局莫蘭指數(shù)（Moran’sI）計算式為［24］

其中，n為確診病例總數(shù)；xi，xj分別表示縣（區(qū)）i，j的確診病例數(shù)；為確診病例數(shù)的平均數(shù)；wij為縣（區(qū)）i和j之間的空間權重。

全局空間自相關不能明確表示集聚或異常值發(fā)生的具體空間位置，因此，借助局部空間自相關分析高值或低值要素的空間聚類。安瑟倫局部莫蘭指數(shù)（Anselin local Moran’sI）計算式為［25］

統(tǒng)計數(shù)據(jù)的z值計算式為

其中，n，xi，xj，同式（1），E（I），var（I）分別為z（I）的期望值和變異系數(shù)。I為正，表示同時具有高或低的鄰近要素，即高-高或低-低集聚；I為負，表示低-高或高-低集聚。

1.2.2 空間滯后模型構建

通常，一個地區(qū)的確診病例數(shù)受相鄰地區(qū)確診病例數(shù)的影響，由于模型中因變量與誤差項相關，普通最小二乘法（ordinary least squares，OLS）不再適用于參數(shù)估計，而空間滯后模型（spatial lag model，SLM）在OLS 模型的基礎上整合了空間滯后因子，反映了周圍鄰近區(qū)域的地理空間單元對所研究地理空間單元的影響［26］。SLM 公式為

其中，y為確診病例數(shù)；ρ為空間回歸系數(shù)，反映各空間單元間的相互關系；wy為空間滯后因子，反映空間距離對各空間單元的影響；x為自變量，是影響確診病例分布的因子矩陣；ε為誤差項的隨機變量，服從N（0，σ2）分布。

2 確診病例的社會人口學特征

剔除13 例無性別信息記錄的數(shù)據(jù)，以5 歲為間隔劃分年齡段，分析確診病例的性別、年齡結構（見表1），發(fā)現(xiàn)年齡分布跨度較大，最小為7 個月的男嬰，最大為96 歲的女性，女性的平均年齡略高于男性。男女確診人數(shù)相當，總體呈正態(tài)分布（見圖1）。30～59 歲人群為主要感染群體（占68.1%），區(qū)間內各年齡段確診人數(shù)均過百，該區(qū)間人群作為勞動力主體，出行強度高，感染概率相對較大。其中，30～34 歲（男女比1.3∶1）和40～44 歲（男女比1.7∶1）兩個年齡段，男性確診病例數(shù)遠高于女性。而30 歲以下感染人群包括受基礎教育的學生群體（0～18 歲，2.7%）和年輕一代工作群體（19～29 歲，8.8%），其防范意識較強，出行易于管控，感染數(shù)量整體較少。60 歲以上老年群體（占20.3%），由于身體原因，活動范圍受限，感染人數(shù)較少。

表1 浙江省COVID-19 確診病例性別、年齡分布Table 1 Gender and age pattern of the confirmed COVID-19 cases in Zhejiang province

圖1 浙江省COVID-19 確診病例性別-年齡結構Fig.1 Gender-age structure of confirmed COVID-19 cases in Zhejiang province

3 疫情時間演變特征

3.1 總體時間演變特征

自2020 年1 月21 日浙江省確診首例武漢輸入型病例以來，確診病例數(shù)逐日增加，歷經5 個時期（見圖2）。（1）初發(fā)期（1 月21 日—25 日），此階段疫情初步擴散，日確診病例數(shù)呈小幅度波動上漲；僅1例被治愈。（2）暴發(fā)突增期（1 月26 日—2 月4 日），全國范圍內疫情暴發(fā)，浙江省確診病例數(shù)快速增加，1 月29 日單日確診病例數(shù)達峰值（132 例），30 日確診病例仍超百例。此后，2 月3 日出現(xiàn)次高峰，單日確診病例達105 例；被治愈病例逐步增多。（3）穩(wěn)步下降期（2 月5 日—21 日），確診病例數(shù)逐日下降，2月20 日由于十里豐監(jiān)獄確診27 例，該日出現(xiàn)小幅度回升；而此階段單日治愈病例在40 人上下波動。（4）內部穩(wěn)定期（2 月22 日—3 月1 日），此階段省內疫情得到有效控制，全省無新增確診病例，治愈病例數(shù)仍在高值區(qū)間波動變化。（5）境外輸入期（3 月2 日—30 日），治愈病例相繼出院，出院率達99.8%；期間，境外疫情全面暴發(fā)，導致浙江省新增病例均為境外輸入型，3 月2 日麗水市新增7 例意大利輸入病例，3 月17 日起境外輸入病例逐日出現(xiàn)，主要來自意大利、西班牙、法國、英國等國家。

圖2 浙江省COVID-19 確診病例隨時間演變特征Fig.2 Daily pattern of confirmed COVID-19 cases in Zhejiang province

整體上看，浙江省確診病例累計變化歷經5 個時期，日確診病例具有顯著峰值；日確診病例增長速度前期波動較大，后期趨于穩(wěn)定；而日治愈病例在中期維持于高值區(qū)間。可見，盡早防控對阻止疫情蔓延有顯著作用。

3.2 發(fā)病時間間隔變化

將發(fā)病前有湖北或外地旅居史的病例稱為外地病例，其他類型稱為本地病例。分析兩類病例發(fā)病時間間隔變化特征，發(fā)現(xiàn)新增確診病例通報時間與發(fā)病時間（以下簡稱通報-發(fā)病）間隔集中于0～6 d，最短時間間隔為0 d，最長時間間隔為23 d，中位數(shù)為11.5 d，見圖3（a）。其中，外地病例通報-發(fā)病間隔為2～6 d（占比55.78%），峰值為3 d；本地病例通報-發(fā)病間隔在0～5 d（占比59.48%），峰值為1 d。即本地病例通報-發(fā)病間隔較外地病例短，原因在于本地病例的產生緣于同外地病例的接觸，發(fā)病具有一定滯后性，政府的有力宣傳提高了居民的安全意識，多數(shù)人出現(xiàn)癥狀后立即主動就醫(yī)確認。

同時，進一步解析外地病例發(fā)病時間與離開原住地時間（以下簡稱發(fā)病-離開原住地）間隔，如圖3（b）所示。0 d（占比19.68%）為發(fā)病-離開原住地間隔峰值，表明此類病例在發(fā)病當日選擇離開原住地返回浙江；另有32.03%的人在離開原住地之前已經發(fā)病，此類人群多為疫情早期發(fā)病人群，無疾病傳染意識，適逢年關回到浙江省，其空間流動一定程度上導致疫情在浙江省擴散?？傮w而言，返浙人群發(fā)病時間間隔為0～9 d，這對返浙人群開展針對性排查具有參考價值。

圖3 浙江省COVID-19 確診病例時間間隔Fig.3 Time intervals between confirmed COVID-19 cases in Zhejiang province

3.3 日發(fā)病人數(shù)構成比變化

圖4 為每日發(fā)病人數(shù)的性別與年齡構成比，由圖4 可 知，首例發(fā)病日期為1 月4 日，1 月10 日后每日均有人發(fā)病。初期與末期發(fā)病人數(shù)較少，中段暴發(fā)期僅有2天特殊：1月15日男女發(fā)病人數(shù)占比為1.6∶1；1月16 日男女發(fā)病人數(shù)占比為1∶4。對日發(fā)病人數(shù)的性別構成進行t檢驗，結果顯示，日發(fā)病人數(shù)無性別差異（p=0.964＞0.05）。對日發(fā)病人數(shù)的年齡構成進行單因素方差分析，結果顯示，年齡構成具有階段性特征（p=0.027＜0.5）。其中，0～18 歲群體集中于1 月20 日—2 月6 日發(fā)病，此類群體多為中小學生，活動范圍限于浙江本地，初期并無感染途徑，故發(fā)病時間較晚。19～29 歲群體為青年，發(fā)病時間分布相對均衡，從疫情初期到末期均有分布。30～59 歲群體為本次疫情感染的主要群體，高發(fā)于疫情初期，多為外地返浙人群，在疫情末期占比下降。60歲及以上群體主要在1 月26 日后發(fā)病，該群體因與返浙人群接觸或生活而被感染，發(fā)病日期相對滯后。

圖4 浙江省COVID-19 日發(fā)病人數(shù)構成比Fig.4 The proportion of confirmed COVID-19 cases in Zhejiang province

4 疫情空間演變特征

4.1 空間數(shù)量分布特征

4.1.1 總體分布與演變

浙江省確診病例縣域空間分布（見圖5）整體呈現(xiàn)“高發(fā)于溫州，分散于多地”的特征。溫州市樂清市、瑞安市以及寧波市海曙區(qū)為全省高發(fā)縣（區(qū)），確診病例均超過65 例，其中樂清市累計病例達170 例，居全省之最；杭州市余杭區(qū)，溫州市鹿城區(qū)、甌海區(qū)、永嘉縣以及臺州市溫嶺市形成5 個次高值縣（區(qū)）；而低值區(qū)主要集中于以溫州市為界限的浙江省北部縣區(qū)；另外，杭州市淳安縣，衢州市開化縣、龍游縣，麗水市遂昌縣、龍泉市、云和縣無確診病例，這與地方政府管控，距離疫情中心較遠等因素有關。

圖5 浙江省COVID-19 確診病例縣域空間演化Fig.5 Spatial evolution of confirmed COVID-19 cases at county-level in Zhejiang province

為充分探究浙江省COVID-19 疫情傳播擴散的空間格局演變特征，以時間變化規(guī)律中所顯示的5 個時期為基礎，分別繪制初發(fā)期、暴發(fā)突增期、穩(wěn)步下降期、境外輸入期的空間分布圖，由于在內部穩(wěn)定期（2 月22 日—3 月1 日）確診病例未發(fā)生變化，故不做分析?？傮w上，（1）初發(fā)期，全省確診病例處于較低水平，多個縣區(qū)出現(xiàn)首例確診病例，其中，臺州溫嶺市出現(xiàn)12 例，為各縣（市）之最。（2）暴發(fā)突增期，疫情持續(xù)發(fā)展，蔓延至全省多地，高發(fā)縣域由臺州的溫嶺市轉至與其接壤的溫州市樂清市，同時溫州市永嘉縣、瑞安市、鹿城區(qū)以及寧波市海曙區(qū)成為次高值區(qū)，而杭州市余杭區(qū)、西湖區(qū)為中值區(qū)。此階段已基本奠定浙江省確診病例“多地群發(fā)”的分布格局。（3）穩(wěn)步下降期，全省日新增病例整體呈下降趨勢。臺州市臨海市，杭州市臨安區(qū)、濱江區(qū)，寧波市奉化區(qū)、江北區(qū)，麗水市縉云縣等地無新增病例，而上一階段高值區(qū)、次高值區(qū)新增病例均有所下降，僅溫州市樂清市仍為次高值區(qū)（新增病例達54 例）。（4）境外輸入期，2 月21 日后疫情得到控制，全省無新增病例，至3 月2 日麗水市青田縣新增7 例意大利輸入病例，此后湖州市德清縣、嘉興市海寧市以及溫州市均出現(xiàn)輸入型病例，全省境外輸入型病例達39 例。

綜上，1 月21 日—3 月30 日浙江省確診病例呈由“單一散發(fā)”向“多地群發(fā)”再至“重點輸入”的空間演變態(tài)勢，省內疫情得到控制，境外輸入成為疫情防控的新挑戰(zhàn)。

4.1.2 空間自相關分析

浙江省疫情空間分布呈“東南-西北”走向，高發(fā)區(qū)位于東南沿海地區(qū)。通過全局自相關分析，計算該時段浙江省各縣（區(qū)）確診病例的Moran’sI值，結果見表2。由表2 可知，在疫情初發(fā)期和穩(wěn)步下降期，確診病例在空間上呈隨機分布，無顯著相關性；而在全階段、暴發(fā)突增期以及境外輸入期，Moran’sI值為正，表明這些階段確診病例在空間上呈正相關。進一步，通過LISA 局部自相關分析探究確診病例的高、低集聚現(xiàn)象。如圖6 所示，溫州市瑞安市、鹿城區(qū)、甌海區(qū)、永嘉縣、樂清市，臺州市溫嶺市為“高-高”集聚區(qū)，即此類地區(qū)為疫情高發(fā)區(qū)，且其周圍也為高發(fā)區(qū)；而臺州市玉環(huán)市、溫州市洞頭區(qū)為“低-高”集聚區(qū)，即此類地區(qū)確診病例數(shù)相對較少，但被高發(fā)區(qū)所包圍。

表2 浙江省COVID-19 確診病例Moran’s ITable 2 Moran’s I of COVID-19 cases in Zhejiang province

圖6 浙江省確診病例LISA 聚集分布情況Fig.6 Cluster distribution of confirmed cases of LISA in Zhejiang province

4.2 流動遷移路徑

空間遷移路徑探析有助于追溯疫情的源頭與傳播路徑。基于確診病例的463 條空間遷移路徑，將其分為3 類：跨省遷移、省內遷移和跨國遷移（境外輸入）。如圖7 所示，跨省遷移為主要遷移模式，主要路徑為武漢-浙江（90.49%），其中以武漢-溫州（33.04%）占比最高，其余路徑有上海-杭州、哈爾濱-臺州、合肥-嘉興等，主要為由直轄市或省會城市向浙江省遷移。省內遷移主要以個體遷移為主，未形成規(guī)模?？鐕w移主要為由境外向溫州遷移，如西班牙-溫州、法國-溫州、瑞士-溫州等多條路徑，這與溫州商人遍布海內外有關；另外，意大利-麗水路徑的遷移群體多為留學生，多數(shù)人途經的國家或地區(qū)超過3 個。長距離、多地區(qū)流動，致使感染概率與傳播風險增加?？傮w看，浙江省確診病例的路徑遷移呈現(xiàn)明顯的核心-邊緣結構，遷出地以武漢市為核心的首位流顯著。

圖7 浙江省確診病例流動遷移路徑Fig.7 The flow migration path of confirmed cases in Zhejiang province

4.3 空間關系分析

疫情防控和病患救治與定點醫(yī)療機構分布、救治能力密切相關，而疫情的傳播擴散則與人群聚集程度相關?；诤贾菔?、寧波市、溫州市、金華市、嘉興市、舟山市6 市455 個疫情小區(qū)、246 個定點醫(yī)療機構和1 539 個人群聚集地進行空間關系分析（見圖8）。由圖8（a）可知，定點醫(yī)療機構25 km 服務區(qū)內，行政區(qū)域面積覆蓋率為54.48%，確診病例疫情小區(qū)有442 個，覆蓋率為97.36%；而定點醫(yī)療機構10 km服務區(qū)內，行政區(qū)域面積覆蓋率為23.12%，確診病例疫情小區(qū)有381 個，覆蓋率為85.61%。可見，定點醫(yī)療機構的布局與疫情小區(qū)分布較為匹配，85%以上的確診病例滿足30 min（10 km）就醫(yī)可達。由圖8（b）可知，人群聚集地呈斑塊狀分布，集中分布于縣（區(qū)）交界地帶，包括溫州市樂清-鹿城-甌海片區(qū)，寧波市海曙-鄞州-江北片區(qū)以及杭州市西湖-拱墅片區(qū)；另外，金華市義烏-東陽片區(qū)和嘉興市南湖-秀洲片區(qū)形成低一級人群聚集區(qū)。計算結果表明，疫情小區(qū)與人群聚集地的距離區(qū)間為［29，48 001］m，即各大超市、市場周圍平均5 km 內存在疫情小區(qū)。因此，疫情期間提倡居民就近采購，減少遠距離、不必要出行。

圖8 定點醫(yī)療機構服務區(qū)、人群聚集地與疫情小區(qū)的空間關系Fig.8 Spatial relationship between designated medical institution service area，population gathering place and epidemic community

5 疫情的影響因素分析

5.1 變量選取與描述性統(tǒng)計

影響確診病例分布的因素較多，基于以往文獻對疾病影響因素的研究，綜合考慮浙江省縣（區(qū)）數(shù)據(jù)的可獲得性，將各市區(qū)行政單位合并，共得到69個樣本。為消除量綱影響，對自變量做方差標準化處理，經過相關性分析與逐步回歸，剔除與確診病例相關性不顯著的變量。最終選取9 個變量（見表3），涉及人口、經濟、交通以及與疫情重災區(qū)武漢的空間距離，所有自變量VIF 值小于10，排除多重共線性。人口密度與老齡人口比反映各地區(qū)人口分布稀疏與人口結構對疫情的影響；人均GDP、一般公共預算收入、第三產業(yè)占比和規(guī)模以上工業(yè)企業(yè)數(shù)反映地區(qū)經濟、城市活力和勞動力水平對疫情發(fā)生風險的影響；醫(yī)療衛(wèi)生機構床位數(shù)反映醫(yī)療救治能力；縣（區(qū)）公路里程反映地區(qū)的可進入性；與武漢市的距離衡量浙江省疫情分布與我國疫情重災區(qū)的距離關系。

表3 變量描述性統(tǒng)計指標Table 3 Descriptive statistical indicators of variables

5.2 模型構建

首先，構建最小二乘回歸模型，記為OLS 1，結果顯示，人口密度、老齡人口比、人均GDP、第三產業(yè)占比、規(guī)模以上工業(yè)企業(yè)數(shù)、與武漢市的距離6 個因子通過顯著性檢驗（見表4），R2為0.666 7，模型中Moran’sI為0.187 4，在99.9%水平上顯著，表明區(qū)域殘差存在高度空間正相關，即相鄰地區(qū)的因子對本地區(qū)的確診病例存在一定影響，且模型中拉格朗日乘數(shù)統(tǒng)計量（LM-lag）較為顯著，因此，進一步構建空間滯后模型，記為SLM 1。對比OLS 1 和SLM 1，發(fā)現(xiàn)各變量系數(shù)和顯著性水平均有所提升，SLM 1 中R2為0.717 4。根據(jù)MCMILLE［27］的評價標準，若赤池信息準則（AIC）下降值大于或等于3，則可比較同類模型的擬合顯著性程度。SLM 1 中的赤池信息準則（AIC）和施瓦茨準則（SC）均明顯下降，而自然對數(shù)似然函數(shù)（logL）有所上漲，統(tǒng)計量收斂進一步說明，SLM 的擬合度優(yōu)于OLS模型。

表4 最小二乘回歸和空間滯后模型的影響因素比較Table 4 The comparison results between the influencing factors of OLS and SLM

5.3 結果分析

為驗證影響確診病例分布的主導因素，將SLM 1 中通過顯著性檢驗的5 個因子（老齡人口比、人均GDP、第三產業(yè)占比、規(guī)模以上工業(yè)企業(yè)數(shù)、與武漢市的距離）引入模型2，得到的SLM 2 依然優(yōu)于OLS 2。且對比剔除變量前后的SLM 1 和SLM 2，發(fā)現(xiàn)SLM 2 較SLM 1 各變量系數(shù)變化不大，擬合度R2僅下降了0.025 9，表明進一步控制其他變量后，這5 個因子是影響確診病例分布的主要因素。

5.3.1 老齡人口比的回歸系數(shù)為負，表明地區(qū)確診病例分布與老齡人口比存在負相關，老齡人口比越低，確診病例越多，地區(qū)疫情越嚴重。65 歲及以上老齡人口雖體質較弱，為脆弱人群，但由于其活動范圍受限，多限于本地，早期無感染途徑，因此老齡人口比較高的地區(qū)，外地返鄉(xiāng)人群占比較少，疫情發(fā)生風險相對較低。

5.3.2 人均GDP 的回歸系數(shù)為負，且在99.9%水平上高度顯著，人均GDP 越低，確診病例越多。已有研究表明，人均GDP 高的城市通常具有更多的就業(yè)機會和更高的收入［28］，而高收入群體通常意味著高學歷與高知識體系，其對疫情的認知與防范意識高于普通群體，因此人均GDP 較高的地區(qū)，對疫情的日常防控與佩戴口罩方式更到位，有效降低疾病傳染和感染概率。

5.3.3 第三產業(yè)占比和規(guī)模以上工業(yè)企業(yè)數(shù)是衡量地區(qū)活力與吸引人口就業(yè)的指示器，二者回歸系數(shù)均為正，對疫情分布具有正向促進作用。第三產業(yè)占比高，規(guī)模以上工業(yè)企業(yè)多的地區(qū)，勞動力相對集中，人口流動頻率和人群接觸機會增加，導致傳染風險增加。

5.3.4 與武漢市的距離，即以樣本縣區(qū)和武漢市質心為坐標，用歐式距離計算兩地間距離，該變量與浙江省疫情呈顯著正相關，與武漢市距離越遠，確診病例分布越廣。這與前文中確診病例高值區(qū)集中于浙江省東南沿海地區(qū)（溫州市、臺州市）相契合。數(shù)據(jù)表明，外出經商，在武漢就業(yè)、上學的溫州人口達18萬，與武漢交流緊密，臨近年關，返鄉(xiāng)人群高于其他縣區(qū)，受疫情感染風險較高。

綜上所述，浙江省疫情傳播從外源輸入轉向內部擴散再到境外輸入，各地人口、經濟、區(qū)位等因素的差異造成疫情傳播與分布的空間異質性。其中，老齡人口比、人均GDP、第三產業(yè)占比、規(guī)模以上工業(yè)企業(yè)數(shù)、與武漢市的距離是影響確診病例分布的主要影響因素，而人口密度、一般公共預算收入、醫(yī)療衛(wèi)生機構床位數(shù)、縣（區(qū)）公路里程為次要影響因素。

6 結論與討論

6.1 結論

以浙江省為研究區(qū)，基于多源時空數(shù)據(jù)，綜合運用文本分析、數(shù)理統(tǒng)計、空間回歸分析等方法，解析確診病例的社會人口學特征與疫情的時空演化特征，進而探索確診病例縣（區(qū)）域分布差異的因素。主要結論如下：

6.1.1 浙江省確診病例的性別、年齡分布跨度較大，呈“中段大，兩端小”的正態(tài)分布格局。男女人數(shù)相當，女性平均年齡略高于男性。

6.1.2 浙江省疫情發(fā)展時間演化歷經5 個階段。日確診病例具有顯著峰值；日確診病例增長速度前期波動較大，后期趨于穩(wěn)定；而日治愈人數(shù)在中期維持于高值區(qū)間。新增確診病例通報時間與發(fā)病時間間隔集中于0～6 d，且外地病例通報時間與發(fā)病時間間隔長于本地病例。日發(fā)病人數(shù)的性別構成比無明顯差異，年齡構成比具有階段性特征。

6.1.3 浙江省確診病例在空間分布上呈“東南-西北”走向，確診病例高值區(qū)位于東南沿海地區(qū)，演化趨勢從“單一散發(fā)”向“多地群發(fā)”到“重點輸入”變化，具有“高-高”“高-低”集聚特征。確診病例的路徑遷移呈明顯的核心-邊緣結構，遷出地以武漢市為核心的首位流顯著。定點醫(yī)療機構布局與疫情小區(qū)分布較為匹配，85%以上的定點醫(yī)療機構滿足30 min（10 km）就醫(yī)可達，人群聚集地與疫情小區(qū)的最近距離在5 km 以內。

6.1.4 采用最小二乘回歸模型和空間滯后模型進行對比分析，結果表明，老齡人口比、人均GDP、第三產業(yè)占比、規(guī)模以上工業(yè)企業(yè)數(shù)、與武漢市的距離為影響確診病例分布的主導因素。

6.2 討論

本研究聚焦浙江省疫情，探討疫情的時空演化與影響因素，旨在為后期省域間與市域內疫情時空演化的深入研究和相關部門決策提供參考。依據(jù)研究結果，提出以下幾點防控建議：首先，重點排查30～59歲返浙群體，做好日常登記，建立居民健康檔案；對60歲及以上居家老年群體，進行疫情防控宣傳與定期檢測，確保不漏檢、不漏查。其次，由于國內疫情已得到有效控制，浙江省現(xiàn)處于境外輸入階段，應全面摸排各縣（區(qū)）出國留學、工作人員信息，按戶排查境外輸入重點區(qū)域，如溫州市、麗水市（青田縣）等，做好宣傳教育工作，確保境外返浙人員或病例得到及時隔離或救治，有效預防疫情輸入性擴散。復工復學有序開展，學校、企業(yè)應做到實時監(jiān)測，按時匯報學生（員工）身體狀況信息，形成常態(tài)化監(jiān)測防控機制。最后，全民自上而下普及疾病傳播與公共衛(wèi)生知識，建立健全防控機制，做好應對未來類似挑戰(zhàn)的充分準備。

本文從地理學角度對浙江省疫情演化開展探索性分析，雖取得一定成果，但存在以下不足，未來還需深入研究和完善。（1）受限于數(shù)據(jù)獲取難度，研究聚焦于影響確診病例分布的外部因素，未考慮人口自身屬性，如社會階層特征、人群自身免疫力等因素，未來將綜合分析外在和內生因素。（2）浙江省屬疫情典型地區(qū)，未來將對比分析其與其他省份如廣東省、河南省等地的差異，探究疫情中觀尺度的地理分布模式。（3）疫情在人群與地域的傳播擴散是典型的時空演化現(xiàn)象與人地互動的地理過程，未來將進一步探索疫情影響下易感人群-源匯地域的特殊人地關系及其綜合地理畫像，構建綜合防范機制。