研究进展丨公众对COVID-19风险感知的区域时空差异：基于贝叶斯时空变系数（STVC）系列模型的中国城市研究

heoagroupscu

4 年前

Table of Contents

宋超^a,b,c，尹皓^d,e,*，施迅^b，解铭宇^c，杨淑娟^a，周峻民^a，王秀丽^a,c，唐章英^f，杨伊里^c，潘杰^a,c,*

a HEOA GROUP，四川大学华西公共卫生学院/华西第四医院
b美国达特茅斯学院地理系
c四川大学健康城市发展研究中心/西部农村卫生发展研究中心
d 美国南加州大学经济系
e 加拿大不列颠哥伦比亚大学人口与公共卫生学院
f 西南石油大学地球科学与技术学院，油气藏地质与开发国家重点实验室

Chao Song, Hao Yin, Xun Shi, Mingyu Xie, Shujuan Yang, Junmin Zhou, Xiuli Wang, Zhangying Tang, Yili Yang, Jay Pan:
Spatiotemporal disparities in regional public risk perception of COVID-19 using Bayesian Spatiotemporally Varying Coefficients (STVC) series models across Chinese cities. International Journal of Disaster Risk Reduction 2022:103078.
DOI: 10.1016/j.ijdrr.2022.103078.

1. 研究概述

新型冠状病毒肺炎（COVID-19）大流行是本世纪最严重的突发公共卫生事件。公众对COVID-19的关注程度对于非药物干预措施的成功至关重要。但是，群体公众关注作为一种稀缺的疫情防控资源，在COVID-19早期疫情防控中没有得到重视和及时利用。特别是考虑时空异质性，应根据地方空间差异和事件时间变化来动态调整与公众关注相关的疫情防控与健康促进政策。本研究旨在提出重大突发公共卫生事件情景下区域公众关注度的时空趋势识别、差异分析与客观评价（公众风险感知）的一种新模式。

基于网络搜索引擎数据（百度指数），研究获取了中国首波疫情期间每一天地级市尺度的COVID-19公众关注度指标及其潜在影响因素，包括中国366个地级市的COVID-19日发展情况（病例数）、人口日流动情况，及其社会经济发展水平。为了探测区域时空差异，研究采用贝叶斯时空变系数（Bayesian STVC）模型，一类探测时空异质性变量关系（时空独立非平稳）的全地图建模分析方法，并将其改进为贝叶斯时空交互变系数（Bayesian STIVC）模型用于攻克中国COVID-19区域公众关注的复杂多尺度和时空交互非平稳分析问题。

基于贝叶斯STVC系列模型，研究首先拟合了中国366个地级市COVID-19公众关注度的时空差异分布；然后探索了影响中国地级市COVID-19公众关注度的核心驱动因素及其时空异质影响效应；最后，聚焦COVID-19实际风险水平对公众关注度的异质性影响效应，提出了刻画区域公众风险感知的空间评价指标，估计了中国COVID-19风险感知地图集并识别其空间集聚与局部异常。

与单维度的公众关注度指标（百度指数）相比，新提出的公众风险感知指标（public risk perception index，PRPI）考虑了区域公众关注度与实际疫情风险之间的时空异质性关联，更能客观反映群体在应对突发公共卫生事件时的区域行为差异。

时空异质分析视角倡导当前公共卫生政策既要因地制宜，也要因时制宜，旨在为尚未结束的COVID-19大流行防控工作提供新的见解。贝叶斯STVC系列模型为重大突发公共卫生事件情景下应急管理工作中公众舆情敏感地区的精准识别提供了系统可行的时空建模分析范式与技术解决方案。

2. 贝叶斯STVC系列模型

贝叶斯时空变系数（STVC）模型是一类探索目标变量与不同解释变量之间时空异质性关联（又称为时空非平稳）的完整全地图建模方法（Song, et al, 2019; 2020），已被成功用于健康与公共卫生领域。为了弥补STVC时空独立非平稳假设的局限性，本文借助空间分异统计理论（Wang, et al, 2016）进一步提出了贝叶斯时空交互变系数（STIVC）模型，旨在探测可观测解释变量的时空交互非平稳特征（Song, et al, 2022）。

这项研究首次系统提出了用于探测复杂时空异质性（时空独立、时空交互、多尺度）的贝叶斯STVC系列模型（Bayesian STVC series models），包括四类子模型：用于时空描述型（单变量）异质分析的时空变截距（STVI）和时空交互变截距（STIVI）模型，以及用于时空解释型（多变量关联）异质分析的STVC和STIVC模型。图1展示了基于贝叶斯STVC系列模型设计的面向中国COVID-19案例的多级时空异质分析框架。

STVC和STIVC是贝叶斯STVC系列建模的核心，旨在探测目标变量（Y）与解释变量（X）在不同地理尺度（如国家级、省级、地级市）下的时间、空间和时空交互非平稳性。其中，STIVC又分为基于空间分异（SSH-type）的时空交互型，以及基于时间分异（TSH-type）的时空交互型。为了保证面向地理时空大数据的贝叶斯推断可行性以及避免过拟合等问题，STIVC（SSH-type）牺牲了空间维度信息（从地级市到省级），保留了时间维度（天尺度）的精细信息；而STIVC（TSH-type）则牺牲了时间维度信息（按照疫情发展分为三个阶段），保留了最小地理尺度（地级市）的精细信息。

STVI和STIVI分别是STVC和STIVC的简化版本，即在模型构建中不考虑可观测解释因子（X）的时空非平稳特征，仅保留时空截距项，旨在识别目标变量（Y）自身结构化的时间、空间以及时空交互变化特征。

值得注意的是，由于贝叶斯STVC系列建模体系中四种子模型（STVI、STIVI、STVC、STIVC）的关键输出参数具有不同的解释含义，因此每种子模型均有各自的应用侧重点，不能相互替代。文章依托COVID-19案例展示了每种子模型的实际应用场景，其中STVC和STIVC模型估算的后验空间回归系数（SCs）和时空回归系数（STCs）用于进一步提出了PRPI评价指标，刻画区域公众风险感知及其动态变化。

此外，虽然贝叶斯STVC系列模型能够拟合每个局域（时间/空间/时空）单元内不同解释因子的相对作用强度与作用方向，但是由于多维时空信息的复杂性和琐碎性，其结论不容易归纳为一个整体宏观的结论。实际应用中，实践者可能需要获取感兴趣的一个或者多个随机效应（如时空截距、每个因子时空非平稳、不同尺度效应）的总体贡献度（解释力）。为了解决这个问题，我们提出了一种贝叶斯随机效应贡献百分比（Bayesian RCP）的评价指标，并通过抽样手段，进一步计算其可信区间，定量刻画评价指标结果的不确定性（Wan, et al. 2022）。

3. 中国城市COVID-19公众关注度的多级时空差异分布

利用STVI和STIVI模型，研究首先拟合了在国家（图2b）和省级（图2c）公众对COVID-19日常关注的动态时间变化，并标记了从2019年12月31日（武汉市卫生委员会宣布可能爆发未知的新型肺炎）到2020年3月18日（世界卫生组织宣布大流行一周后，中国各地疫情得到控制）这段时间内的七个关键事件（事件I-VII）（图2a)。虽然全国公众关注度的变化趋势与这些关键事件较为吻合，但在省级层面上，不同地区有很大的差异。省级层面的趋势与全国层面公众关注度的趋势存在偏差，表明地理空间分异性（SSH）的存在。

为了进一步探索在更小城市尺度的空间差异，研究利用STVI模型生成了完整覆盖中国366个地级市的总体公众关注地图（图2d），用于反映中国整体上规律性（地理聚集）的区域差异；并通过STIVI模型去除了省级（时空交互）效应的影响（图2c），生成了额外公众关注地图（图2e），以揭示那些不规则的城市间的地方差异。在实际区域防控工作中，可结合应用两种地级市水平的COVID-19公众关注地图，以揭示区域集聚与地方差异。

贝叶斯RCP指标进一步量化了公众关注度的时空变异由时间、空间或者时空交互随机效应解释的程度（贡献百分比）。在STVI模型中（图2f），国家层面的时间效应（图2b）解释了47.2%（CIs：9.2%-65.7%），而其余的变异（47.7%，CIs：30.6%-64.5%）主要由城市层面的总体空间效应（图2d）来解释。在STIVI模型中（图2g），省级的分异性（图2c）大幅增加了时间维度随机效应的贡献，高达81.9%（CIs：76.4%-85.4%），因此剩余的城市尺度空间效应（图2e，16.1%，CIs：12.6%-21.5%）被解释为额外的区域公众关注度。此外，相比于STVI模型，STIVC模型的RCP评价结果的不确定性较低（可信区间CI具有较窄范围），也表明有必要考虑具有空间分异的时间异质性（公众关注在省级的差异化时间趋势），而不仅仅是单一国家层面的时间异质性。

**图2. 中国COVID-19首轮爆发期间城市公众关注度（百度指数）的时空差异分布。**

4. 影响区域公众关注的不同因素的解释力

影响城市COVID-19公众关注度的潜在因素主要包括三类。第一类：每日COVID-19病例数（X1累计病例，X2新增病例），第二类：每日人口流动（X3流入人口，X4流出人口），第三类：城市社会经济状况（X5人均GDP，X6第一产业从业人员人口密度，X7职工平均工资）。其中，城市社会经济状况采用的三种指标是考虑因子多重共线性后筛选的结果。

根据STVC和STIVC（SSH-type）模型的RCP评价结果（图3），研究发现，COVID-19的每日进展情况解释了区域公众关注度的大部分时空变异，即71. 4%（CIs：64.8%-76.9%）和82.6%（CIs：77.6%-86.4%）；其次是社会经济状况，在两种模型的贡献分别为28.0%（CIs：22.5%-34.6%）和16.7%（CIs：12.9%-21.7%）（图3a）。相比之下，每日人口流动对拟合区域公众关注度的贡献有限（0.6%，CIs：0.5%-0.7%和0.7%，CIs：0.5%-0.9%）。每日COVID-19报告的病例数（X1和X2）被证明是中国COVID-19城市公众关注的关键驱动因素。其中，每日累计病例（X1）以64.6%（CIs：57.7%-70.2%）和78.0%（CIs：69. 5%-82.5%）的贡献度高于每日新增病例（X2）的6.8%（CIs: 5.6%-8.4%）和3.9%（CIs: 2.3%-13.7%）贡献度。

**图3. 考虑时空异质性影响后不同类型解释因素（病例数、人口流动和社会经济水平）对中国城市COVID-19公众关注时空演变进程的解释力（贡献百分比）。**

5. 区域公众关注与关键影响因素的时空异质性关联

从国家水平（图4a）来看（STVC模型），在我国首波疫情爆发初期，累积病例（X1）在全国范围内的影响大于新增病例（X2）的影响；而在中后期，新增病例（X2）对全国公众关注度的影响大于累积病例（X1）。省级层面的结果（STIVC模型）与国家层面和影响因素RCP评价的结果保持一致，即在所有省份，流入人口（X3）和流出人口（X4）的贡献均较低，而累积病例（X1）和新增病例（X2）则与区域公众关注高度相关（图4b）。STIVC（SSH-type）模型进一步拟合了全国31个省的关键影响因素（累积病例和新增病例）在天尺度对公众关注度的时间异质性影响（图4c）。这里关键影响因素的时空交互非平稳性（图4c）也可以解释为省级公众对COVID-19的风险感知水平。

当不考虑影响因素的情况下，研究发现省级水平的时间变异比城市水平的空间变异贡献更大（图2g）。但是，在考虑各种因素对区域公众关注度的时空异质性影响后（图4d），城市层面的因素影响反而更加重要。具体来讲，STVC模型控制了国家层面的时间异质影响（10.7%，CIs：4.2%-19.8%）后，城市水平影响因素的总体贡献是89.4%（CIs：80.2%-95. 8%）；而STIVC（SSH型）模型虽然进一步控制了省级的时间差异化影响（41.4%，CIs：35.8%-48.7%），城市水平影响因素的总体贡献仍然高达58.6%（CIs：51.3%-64.2%）。这说明，在最小的空间尺度（地级市）探索关键驱动因素与区域公众关注度之间的空间异质性关联，有助于进一步刻画中国城市公众对COVID-19的风险感知。

**图4. 关键驱动因素与公众关注度在不同行政区划尺度（国家级、省级和城市）下关联效应的时间、空间和时空交互异质性。**

6. 中国城市COVID-19公众风险感知地图集

多维度的评价结果已经证实了COVID-19实际地方风险对公众关注度的主导作用，因此，只用单一维度的区域性公众关注度（百度指数）来代表群体健康行为或健康素养是不合理的。本文提出了一种区域公众风险感知指标（PRPI），考虑了区域公众关注与实际疫情风险水平之间的时空异质性关联，可以作为一个真实客观的突发公共卫生事件公众风险感知评价指标。

总体而言，在中国366个城市中，只有不到10%的城市表现出异常的公众风险感知（潜在的公众恐慌地区和潜在的低健康素养地区），大多数城市的居民在中国首轮疫情期间表现出正常和稳定的反馈。在实际工作中，可以利用总体风险感知地图及其空间集聚异常图（图5a,c）制定高行政区划（国家、省级、地区）层面的政策干预；采用额外风险感知地图（图5b）来确定是否需要在更小的行政区划水平（地级市）进一步制定当地政策；而采用多期PRPI地图集（图6）能够为我国当前疫情常态化防控提供因地因时制宜的决策依据。PRPI指标提供了一种快速反馈和动态变化的地理空间评价方式，从群体公众角度帮助政府更好地实施地方政策以应对重大突发事件。

**图6. 考虑疫情动态发展（时间分异性，TSH）的中国城市多期COVID-19区域公众风险感知系列地图。**中国COVID-19首轮爆发（从2019年12月31日至2020年3月18日）被划分为三个时期：公众关注度低的早期阶段（I-II期），公众关注度快速上升阶段（II-VI期），以及公众关注度趋于平稳阶段（VI-VII期）。

7. 结语

面对重大突发公共卫生事件，注意力经济（attention economy）强调政府职能，合理引导公众关注，提高公众素养和危机意识，在短时间内控制风险，在最小程度上牺牲国民经济等损失。本研究为突发事件应急管理工作中精准识别公众舆情异常地区提供了系统的时空分析框架与实施解决方案。特别是，研究提出的公众风险感知指标（PRPI）通过整合区域公众关注度和当地真实感染风险，确定了关注度不足或过度的异常区域，为有针对性的地方干预策略提供依据。这套面向公众关注与风险感知的多级时空异质分析方案希望为当前全球范围仍在传播的COVID-19大流行以及未来新出现的各类重大突发事件提供借鉴与参考。

无论是积极的公共关系策略还是社会动员策略，其首要任务都是找出何时何地需要引起公众关注，而这背后的根本理论就是时空异质性（时空差异）。最近的研究指出当前COVID-19的非药物干预措施和疫苗研究大多还是国家尺度的结论，迫切需要特定的建模工具来识别地理空间差异和时间演化特征。本文首次系统提出的贝叶斯STVC系列模型，能够全面探测目标变量的时空变化规律及其与各种解释变量之间复杂的时空异质关联，可能是解决这类棘手问题（时空异质性和时空非平稳性）的潜力工具之一，未来有望应用于更广泛的自然与社会科学研究，以解决与时空描述性分析、时空影响因素分析和时空预测有关的现实问题。

8. 拓展阅读

Chao Song, Xun Shi, Yanchen Bo, Jinfeng Wang, Yong Wang, and Dacang Huang. “Exploring Spatiotemporal Nonstationary Effects of Climate Factors on Hand, Foot, and Mouth Disease Using Bayesian Spatiotemporally Varying Coefficients (STVC) Model in Sichuan, China.” Science of The Total Environment 648 (2019): 550-60.

Chao Song, Xun Shi and Jinfeng Wang (2020) Spatiotemporally Varying Coefficients (STVC) model: a Bayesian local regression to detect spatial and temporal nonstationarity in variables relationships, Annals of GIS, 26:3, 277-291.

Qin Wan, Zhangying Tang, Jay Pan, Mingyu Xie, Shaobin Wang, Hao Yin, Junmin Li, Xin Liu, Yang Yang, Chao Song: Spatiotemporal heterogeneity in associations of national population ageing with socioeconomic and environmental factors at the global scale, Journal of Cleaner Production, 2022, 373: 133781.

Zhang, Xu, Chao Song, Chengwu Wang, Yili Yang, Zhoupeng Ren, Mingyu Xie, Zhangying Tang, and Honghu Tang. 2021. “Socioeconomic and Environmental Impacts on Regional Tourism across Chinese Cities: A Spatiotemporal Heterogeneous Perspective” ISPRS International Journal of Geo-Information 10, no. 6: 410.

Chao Song, Yaode Wang, Xiu Yang, Yili Yang, Zhangying Tang, Xiuli Wang, and Jay Pan. Spatial and Temporal Impacts of Socioeconomic and Environmental Factors on Healthcare Resources: A County-Level Bayesian Local Spatiotemporal Regression Modeling Study of Hospital Beds in Southwest China. Int. J. Environ. Res. Public Health 2020, 17, 5890.