近日，中阿肯色大学、阿肯色大学、怀俄明大学、伊利诺伊大学厄巴纳-香槟分校、四川大学华西公共卫生学院/华西第四医院合作在《ISPRS International Journal of Geo-Information》发表题为“Geospatial Modeling of Health, Socioeconomic, Demographic, and Environmental Factors with COVID-19 Incidence Rate in Arkansas, US”的原创性研究论文。
He Y, Seminara PJ, Huang X, Yang D, Fang F, Song C.
Geospatial Modeling of Health, Socioeconomic, Demographic, and Environmental Factors with COVID-19 Incidence Rate in Arkansas, US. ISPRS International Journal of Geo-Information, 12(2), 45. DOI: 10.3390/ijgi12020045
1. 摘要
COVID-19的大流行给人类社会带来了众多挑战。此前的研究探讨了许多影响新冠病毒传播的因素，但它们对COVID-19的影响并不单一，且在不同的地理区域存在差异。因此，本研究系统地量化了美国阿肯色州县级的49个健康、社会经济、人口和环境因素与COVID-19的时空关联，采用了普通最小二乘法（OLS）线性回归、空间滞后模型（SLM）、空间误差模型（SEM）和多尺度地理加权回归（MGWR）模型，分析 2020 年至 2021 年的每个季节（春季、夏季、秋季和冬季）的新冠肺炎发病率与49个因素的空间关联，并揭示空间关联在不同COVID-19发展时期内的变化。研究结果显示，不同COVID-19变异体的传播伴随着不同的驱动因素，其影响效应的大小在时空上也有变化。成人肥胖与整个阿肯色州的COVID-19发病率呈正相关，湿度在所有季节都会减少COVID-19的发病率，糖尿病在早期COVID-19变体和Delta的传播中显示出作用，而湿度在Delta和Omicron的传播中起作用。本研究表明健康、社会经济、人口和环境因素在阿肯色州不同季节和县域内影响COVID-19具有复杂性和时空异质性，这些发现有助于为当地卫生规划（如疫苗推广、口罩监管和测试/追踪）提供参考。
2. 文章主要内容
研究区域
阿肯色州位于美国中南部（图1），属于亚热带湿润气候。它的年降水量约为1250毫米，温度约为16℃，夏季湿热冬季干燥。阿肯色州涵盖七个生态区，包括高地、山谷和平原。农业是阿肯色州的主要经济来源，每年为其经济贡献超过210亿美元。2019年，阿肯色州的家庭收入中位数为48,952美元，与美国其他州相比，阿肯色州是一个经济贫穷的州。2018年，阿肯色州居民的预期寿命只有75.6岁，在各州中排名倒数第六，远低于全国78.8岁的平均水平。COVID-19于2020年3月11日开始在阿肯色州传播，Delta和Omicron变体分别于2021年6月和12月开始席卷全州。
数据
2020年3月至2022年2月的县级每日累计COVID-19病例数据从纽约时报GitHub数据库（NYTIMES）下载。我们从县级健康排名（CHR）、疾病控制和预防中心（CDC）、《纽约时报》数据库、美国有毒物质和疾病登记局（ATSDR）以及欧洲中期天气预报中心再分析数据集（ERA5）收集了24个健康、11个社会经济、9个人口和5个环境变量。大多数变量是在接近2021年至2022年研究期的年份获得的年度数据；但气候变量是月度数据；疫苗接种变量是每日数据；除了气候变量是网格化数据外，所有的变量都是县级数据。每个变量的描述和来源详见表1。
表1. 健康、社会经济、人口和环境因素的描述和数据来源
方法及流程图
首先对阿肯色州COVID-19确诊病例进行热点分析，了解其时空集聚分布；再使用向后逐步回归法来选择2020年至2021年各季节的变量；其次使用OLS方法对每个季节的数据进行全局回归分析，以确定哪些因素对新冠肺炎发病率有显著影响，并检验是否存在空间自相关或非平稳性；使用SLM和SEM方法对每个季节的数据进行了空间回归分析，以考虑空间自相关，并比较哪种模型更适合描述数据；最后使用MGWR方法对每个季节的数据进行了局部回归分析，以考虑空间异质性，并计算每个因素对新冠肺炎发病率影响程度的空间分布。
阿肯色州COVID-19病例的时空热点分析
图3展示了2020年至2021年阿肯色州每个季节的累积COVID-19病例。
图4的热点分析进一步显示，阿肯色州有两个热点地区（即西北部和中部地区）。
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
基于MGWR模型的空间影响因素分析
研究数据显示，MGWR模型的表现优于OLS、SLM和SLM。每个季节的每个自变量的系数在所有模型中都有一致的符号，而且大多数OLS、SLM和SEM模型的系数大小都在MGWR模型的范围内。因此，在下面的讨论中，我们着重讨论MGWR的结果。
图5显示了每个季节中每个县的MGWR模型的局部R平方值。某些季节的一些县的R²很低。值得注意的是，MGWR 模型在2021年第一季度表现较差，这可能表明这些地区在2021年第一季度期间需要考虑其他解释变量。而在大多数县和季节，MGWR模型的局部R²＞0.5，表明我们的模型可以捕获标准化COVID-19病例率的50%以上的变化，具有相对可靠性。
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
COVID-19与健康因素的空间关联
健康状况不佳、成年肥胖症、获得锻炼的机会、糖尿病与是否接种疫苗对COVID-19的影响存在差异。具体如图6：
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
COVID-19与社会经济因素的空间关联
贫困儿童数、收入不平等、设施不足、集体宿舍与失业对在不同时间对COVID-19的空间影响不同。具体如图7：
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
COVID-19与人口学因素的空间关联
18岁以下人口比例、本地人比例、西班牙裔比例和非西班牙裔白人比例、65岁及以上的百分比、亚洲人的百分比、夏威夷原住民的百分比与农村比对COVID-19存在不同空间关联。而失业率与非西班牙裔黑人的百分比会降低COVID-19的发病率，这可能是因为存在无法检测而造成的隐性COVID-19病例，需要进一步探讨。具体如图8：
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
COVID-19与气候因素的空间关联
空气污染、湿度、温度以及风在不同季节对COVID-19有不同的空间异质影响效应。具体如图9：
(MAM：三月-四月-五月；JJA：六月-七月-八月；SON：九月-十月-十一月；DJF：十二月-一月-二月）
讨论与结论
本研究使用热点分析法探索了阿肯色州COVID-19的时空模式，应用多尺度地理加权回归（MGWR）模型系统地评估了2020年至2021年各季节下健康、社会经济、人口和环境因素如何影响COVID-19在阿肯色州各县的传播，有助于为阿肯色州居民的当地卫生规划（如疫苗推广、口罩监管和测试/追踪）提供信息。
2020-2021年间，COVID-19主要集中发生在阿肯色州的两个主要城市（小石城和费耶特维尔），空间分布呈现出明显的季节性和区域性差异，其中2020年冬季和2021年冬季出现了两次高峰，主要集中在密西西比河沼泽平原和奥扎克高地等生态区。这可能与当地的人口密度、社会经济水平和健康状况等因素有关，也可能与这些地区的气候条件、变异株传播和防控措施等因素有关。
不同的因素与新冠肺炎发病率有不同的空间关联。成年肥胖是最为显著的正相关影响因素，湿度是最显著的负相关影响因素。这可能是因为成年肥胖会降低人体的免疫力和抵抗力，增加感染和重症的风险，而湿度则会降低病毒的存活和传播能力，减少感染的风险。除此之外，在不同季节或不同地区，风、温度、锻炼机会、疫苗接种率、贫困儿童数、集体住宿率、服务业从业人数、人口密度、高中毕业率等，均与新冠肺炎发病率有显著关联。
随着病毒的不断变异，COVID-19与不同因素之间的关系也在不断变化，因此应不断跟进研究，探索不同变异体带来的新变化。
研究的局限性总结如下：首先，可能还存在其他影响COVID-19的因素；其次，我们发现失业率和非西班牙裔黑人人口比例与COVID-19存在负相关关系，这可能是由于有隐藏的病例未被纳入，需获取更准确的数据进行研究；第三，本研究未考虑不同因素之间的相互作用以及空间和时间之间的相互作用；最后，不同因素对COVID-19的影响程度存在空间上的差异，需要更多的县级信息以更好地解释这些空间格局。
作者简介
何亚倩
博士，中阿肯色大学地理系助理教授。
研究方向：遥感和地理信息系统，土地利用覆盖变化，地气交互作用，全球环境变化
通讯邮箱：yhe@uca.edu
个人主页：https://uca.edu/geography/facultystaff/he/
供稿丨罗雅玲
编辑丨王朝辉
审校丨何亚倩、宋超