EN中文

Acta Geographica Sinica >

2020 , Vol. 75 >Issue 11: 2475 - 2489

DOI: https://doi.org/10.11821/dlxb202011015

Impacts of COVID-19

Spatio-temporal evolution process and integrated measures for prevention and control of COVID-19 epidemic in China

  • LI Gang , 1, 2, 3 ,
  • WANG Jiaobei 1 ,
  • XU Tingting 1 ,
  • GAO Xing 1 ,
  • JIN Annan 1 ,
  • YU Yue 1
Expand
  • 1. College of Urban and Environmental Sciences, Northwest University, Xi'an 710127, China
  • 2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi'an 710127, China
  • 3. Institute of Earth Surface System and Hazards, Northwest University, Xi'an 710127, China

Received date: 2020-03-31

  Request revised date: 2020-10-30

  Online published: 2021-01-25

Supported by

Key Project of the Special Guidance Fund for Emergency Study on the Prevention and Treatment of COVID-19 by Northwest University(2020)

Tang Scholar Program of Northwest University(2016)

"Human-Environment Relations and Space Security" Characteristic & Advantage Research Team Construction Project of Northwest University(2019)

Copyright

Copyright reserved © 2020
Fold

Abstract

The sudden outbreak of the novel coronavirus disease (COVID-19), an unexpected emergency event in human society, is spreading globally and has severe impacts on human health and social development. Based on the confirmed COVID-19 cases' details manually extracted from the official reports and the relevant Point of Interest (POI) data, this paper aims to explore the sociodemographic characteristics of confirmed COVID-19 cases and examine the spatio-temporal evolution patterns on different spatial scales in China by using text analysis, spatial analysis and other methods. Furthermore, we provide targeted measures for prevention and control of this epidemic. The results indicate that: (1) In contrast to the twenty-four solar terms, the epidemic started at Heavy Snow, ran rampant in the Beginning of Spring, declined in the Awakening of Insects, and stagnated at the Vernal Equinox. It experienced four stages: the early period of Wuhan dominant outbreak, the middle period of cross-country diffusion, the later period of Wuhan dominant decline and the ending period of rare local epidemic transmission. (2) The spatial distribution presents a pattern of "one core, two arcs and multiple islands", mainly affected by the distance to Wuhan and the flow of population; the spatial evolution is manifested in the mode of "core outbreak - cluster occurrence - dispersion occurrence - point occurrence". The core aggregation area in each stage was located in Hubei province. Finally, by integrating the influencing factors and effective measures of the epidemic evolution in China, this paper proposes effective countermeasures for the spread of the current epidemic and the coordinated development of human resources in response to similar challenges in the future, which are manifested in instant response, coordinated cooperation, regular prevention and control, and strict prevention of importation, etc. Also, the directions of in-depth study in the future are pointed out.

Key words： COVID-19; major epidemic; spatio-temporal evolution; prevention and control measures; China

Cite this article

LI Gang , WANG Jiaobei , XU Tingting , GAO Xing , JIN Annan , YU Yue . Spatio-temporal evolution process and integrated measures for prevention and control of COVID-19 epidemic in China[J]. Acta Geographica Sinica, 2020 , 75(11) : 2475 -2489 . DOI: 10.11821/dlxb202011015

1 引言

新型冠状病毒肺炎（COVID-19）疫情以远高于SARS和MERS的传播强度与速度,极大地威胁人类的正常生活与生命安全。据国家卫生健康委员会通报,截至2020年10月29日,全国累计通报确诊病例已达91829人,累计死亡病例4746人,境外已有超过210个国家和地区出现疫情,全球累计确诊病例超4472万人,疫情已发展成为蔓延全球多数地区的大流行病。在全国人民的共同努力下,当前中国的疫情已基本得到控制,但境外多个国家和地区的疫情仍呈扩散态势。整体来看,全球疫情防控形势依然不容乐观。
COVID-19是一种严重的急性呼吸窘迫综合征,当前大多研究主要基于病原学、流行病学及传播动力学的视角,集中于临床症状、病理分析、病毒溯源及流行预测等方面。病原学的研究多从病毒基因序列入手,揭示COVID-19病毒为β属、有包膜的新型冠状病毒,颗粒呈圆或椭圆状,并发现蝙蝠与其96.2%的基因序列一致,推断可能为病毒的原始宿主[1,2]。流行病学分析表明,该病毒主要通过飞沫、密切接触等途径传播,潜伏期为1~14 d,多为3~7 d,以发热、咳嗽、乏力为典型临床症状,胸部影像表现明显,多为胸膜下斑片影、磨玻璃样影,严重者或出现“白肺”[3,4]。传播动力学聚焦基本再生数R0,构建相应模型,根据疫情历史与现状计算概率以推测未来走势,如周涛等[5]利用SEIR仓室模型推测R0于2.8~3.3之间,以及Xiong等[6]利用EIR模型模拟干预前后R0变化,发现隔离率与干预政策对疫情传播有很大影响。
疫情在人群与地域的传播扩散是典型的时空演化现象与人地互动过程,疫情防控本质上是人与病毒对抗的时空问题,是亟需地理学者贡献智慧和力量的社会现实痛点问题。此前研究大多针对历史上的疫病开展,如龚胜生[7]基于历史地理视角,指出历史疫灾与气候、空间等因素密切相关;余新忠[8]揭示中国应对疫病的观念在晚清与近代经历了由消极向积极主动干预的过程;程杨等[9]认为明清时期疫灾发生的频率及影响范围在时间上呈上升之势,空间上为沿海向内陆递减;谭见安等[10]划分四大疟疾流行区,认为25°N以南为高疟区,青藏高原地区及北方干旱地区为无疟区。在现代疫情研究方面,早前对SARS的研究多借助空间自相关对其时空演化过程进行解析,发现疫情在空间上的扩散大多存在地理邻近性,借此得到疫情的集聚、分异、扩散特征及冷热点,并提出相应对策[11,12,13,14,15]。此外,从大气环境[16]、预警机制[17,18]等方面的研究也为疫情防控提供路径参考。目前在COVID-19疫情方面的探讨较少且时效性强,如Xu等[19]利用SEIR模型估计了异常高发城市温州疫情的基本再生数R0（约为2.91）,从城市视角管窥全国乃至全球疫情发展特征;王皎贝等[20]发现陕西省疫情分布在其中南部,多为由武汉输入型病例所致的扩散;刘逸等[21]揭示广东省各地级市确诊病例数的变化趋势,探究空间分异规律,划分疫情风险等级。金安楠等[22]揭示了深圳市“线形”迁移主导的疫情扩散模式,提出了“时—空—人”互馈协同下的精准防控对策体系。王姣娥等[23]指出新冠肺炎疫情在中国空间扩散过程主要表现为邻近扩散、迁移扩散、等级扩散和廊道扩散四种模式,并揭示疫情传播扩散的影响因素,为疫情防控措施的制定提供参考。地理学者如周成虎、傅伯杰、朱竑、苗长虹、周素红、杨林生、刘瑜等及其团队对疫情可视化、系统抗击方案、APP开发及地理学研究与思考等方面作了探索,柴彦威和李钢等还获批了所在单位的疫情防控应急基金重点项目,带领团队积极开展地理学视角的疫情研究。
深入分析疫情在中国不同地域和人群的传播扩散与演化过程,是当前开展疫情防控和未来应对类似挑战的重要基础。鉴于此,本文基于官方通报的病例数据与相关POI数据,从省域、市域、县域和小区多个维度揭示疫情在中国的时空演化过程与分异特征,进而探索疫情分布演化的影响机制,提出针对性的防控对策,以期为COVID-19疫情的深入研究与科学防控提供参考。

2 数据与方法

2.1 研究区域与数据来源

本文立足全国,以中国31个省（市、自治区）为研究区域（不含港澳台）,拟分别从省域、市域、县域和小区4个尺度逐步讨论。研究数据包括：① 疫情数据（截至2020年3月31日）,来源于全国各级卫生健康委员会官方公布的各地区确诊人数、治愈人数、死亡人数等数据,其中区县级确诊人数数据来源于Mapplus（http://ncov.mapplus.cn/api）,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（除湖北及信息不详地市,共10316条）,和借助Python从百度地图爬取的全国疫情小区（9776条）、定点医疗机构（收治医院和发热门诊,共计12778条）、人群聚集地（34512条）等POI数据（截至2020年3月31日的峰值数据）和1月10日—1月23日的百度迁徙数据。② 空间数据：来源于国家基础地理信息中心提供的1∶400万行政边界数据。

2.2 研究方法

首先采用数理统计分析法对时间演变特征进行概述,其次使用空间分析法对疫情的空间格局进行可视化。主要方法简述如下：
2.2.1 热点分析（Getis-Ord Gi*） 热点分析用来识别研究区中具有显著性的冷点与热点,即低值簇类与高值簇类。本文利用ArcGIS空间统计工具中聚类分布制图的热点分析考察疫情在县域上的冷热点分布规律。
2.2.2 标准差椭圆（SDE） 标准差椭圆[24]用来分析空间离散数据集的分布方向特征,本文借助ArcGIS空间统计工具中用于度量地理分布的标准差椭圆来探究疫情小区、定点医疗机构及人群聚集地的方向分布趋势。
2.2.3 核密度估计（KDE） 核密度估计[25,26]通过测度某位置周围单位面积内要素数量及密集程度来估计该位置事件的密度。本文以ArcGIS空间分析模块下密度分析中的核密度估计法来解析全国疫情小区的空间密度分布特征。
2.2.4 空间自相关 空间自相关[27,28]是指同一个变量在不同空间位置上的相关性,是空间单元属性值聚集程度的一种度量。本文引入ArcGIS分析模式下的全局空间自相关Moran's I对全国疫情的空间分布进行测度,探究疫情发生发展的集聚扩散模式,采用聚类分布制图下的局部自相关探寻疫情在不同时期的集聚程度及具体集聚单元。

3 中国COVID-19疫情时间演变特征

3.1 确诊病例逐日演化

以武汉市卫健委官网首次通报确诊病例的时间2019年12月8日为起点,以2020年3月31日为终点,解析疫情在此期间的日变化特征（图1）。已有研究表明,冬至前一段时间易发生支气管炎等疾病[29],而支气管炎与新型冠状病毒肺炎同属于呼吸道系统疾病,基于节气对中国疫情的发展阶段进行归纳十分必要。中国的疫情总体上始于大雪,盛于立春,衰于惊蛰,滞于春分,疫病扩散具有显著节气特征。新增确诊病例数整体呈倒“V”型走势,自2019年12月8日起,确诊人数持续小幅增长,于2020年1月17日开始近乎直线上升,这与疫情初期被低估、接近年关人流量大、疫情加速扩散有关。1月24日起疫情大规模暴发,但确诊人数存在两个低值点,分别为2月6日和2月11日。2月6日处于武汉“封城”后的第14 d,封闭性措施成效开始显现;2月12日湖北省将临床诊断病例数纳入确诊病例数进行公布,一夜激增1.48万确诊病例。2月13日后全国确诊人数增长渐趋平缓,尤其3月12日（国务院宣布“中国本轮疫情流行高峰已经过去”）后国内确诊人数增长渐趋于0,以境外输入的零星病例为主,此时的防控重点已逐步转向外防输入,中国抗疫战取得了阶段性的胜利。
图1 中国COVID-19疫情逐日变化特征

Fig. 1 Daily variation patterns of the COVID-19 epidemic in China

3.2 治愈、死亡病例逐日演化

治愈人数与死亡人数逐日变化经历了4个阶段,治愈人数于1月10日—1月23日前持续高于死亡人数,1月23日后医疗人员临床经验不断增加,治愈病例也经历了从无到有的跨越,呈现早期治愈人数高于死亡人数之势,故COVID-19传染性虽强,但在中国的致死率低。随着疫情的全面扩散,因医疗设备及医护人员有限,治疗方案尚未成熟等,治愈率提升缓慢。同期确诊病例大规模增加,危重型、重型病例基数加大,致使中期治愈人数渐低于死亡人数。2月1日起,各地纷纷分离出毒株,医疗机构及设备的完善和医疗人员在此期间不断积累的救治经验均促使治愈率不断提升,治愈人数超过死亡人数。末期中国治愈水平已处于高位稳定阶段,确诊人数日趋减少,医疗压力得到缓解,各地纷纷致力于确诊病例的“清存”,死亡人数的增长渐趋于0。截至3月31日,治愈率已近94%,其中,武汉治愈率达92%,非武汉地区治愈率约95%,中国全面战胜本轮疫情指日可待。

3.3 武汉市与非武汉地区的差异

除西藏自治区首例为随州输入型病例,其他各省（市、自治区）首例均为武汉输入型病例,选取武汉市与非武汉地区疫情的时间变化进行对比分析,发现早期确诊人数以武汉市居多,自武汉“封城”（1月23日）起,疫情迅速蔓延,非武汉地区的确诊人数呈爆炸性增长,2月12日起再次回归武汉主导之势,这与统计口径发生变化导致武汉市确诊人数于一夜之间呈台阶式增加有关。此外,各地区皆为以武汉输入型病例诱发的扩散,在封闭型管理的保障下,疫情很快得到控制,而武汉作为中国疫情主战场,波及范围广,感染人数多,虽然在强有力控制下疫情有所缓解,但仍须管控。自3月12日国务院宣布“中国本轮疫情流行高峰已经过去”起,疫情扩散得到控制。3月24日,中央应对新冠肺炎疫情工作领导小组会议明确指出,以武汉为主战场的全国本土疫情传播基本阻断,疫情得到有效控制。而死亡人数长期为武汉市多于非武汉地区,因非武汉地区多为中期与后期感染者,疫情治愈时效与手段提升,治愈率随之升高。武汉市的治愈人数早期低于非武汉地区,后期在火神山、雷神山医院及方舱医院的建成和各地援鄂医疗队的支持下不断增加。可见,时间演变上,全国疫情整体上经历早期武汉主导暴发、中期全国差异扩散、后期武汉主导衰减及末期本土疫情传播基本阻断4个阶段,对重要事件节点响应明显。

4 中国COVID-19疫情空间格局特征

4.1 空间分布特征

4.1.1 省域分布特征 根据自然断点分级法将中国COVID-19确诊病例的省域分布分为6层（由于多数境外输入病例信息尚未精确到市,故空间分析中不含境外输入病例及其关联病例）,省域分布极不均衡,呈“喇叭”状的“一核两弧多岛”格局,集中于中国东南部地区（图2a）：“一核”即以武汉市为重心的湖北主战场,“两弧”即以湖北为参照形成的近鄂高发弧（环鄂弧）及东南沿海高发弧,环鄂弧即由与湖北相接的高发省域（河南、安徽、江西、湖南、重庆等）构成,东南沿海高发弧则由山东、江苏、上海、浙江、福建、广东等省域构成,“多岛”由东南沿海高发弧省域中相对高发的市域及东部其他高发市域构成。
图2 中国COVID-19疫情多尺度空间格局

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。

Fig. 2 Multi-scale spatial patterns of the COVID-19 epidemic in China

4.1.2 市域分布特征 进一步对疫情市域分布进行探讨,按照自然断点分级法分为8层（图2b）。可以看出,东南沿海高发弧主要由“多岛”中的上海（沪岛）及以广深为主的“大湾区”（湾岛）构成。除此之外,“多岛”还以“飞地”——黑龙江省哈尔滨市（哈岛）及以北京（京岛）为典型。其中,“京岛”“沪岛”“湾岛”因其经济水平、区位优势及密集人流产生较高的感染风险。同时,除浙江、山东、河南、河北、广东、海南等省域的高发市域分别位于该省的非省会城市温州、济宁、信阳、唐山、深圳、三亚外,其余省域的高发市域为其省会城市。结合官方通报文本,将非省会高发地分为工作流动型、旅游流动型、省际交界型及特殊场所感染型4类。其中温州为典型的工作流动型,具有大量在武汉经商务工的返温人员,他们甚至把湖北或武汉称为“第二故乡”[30],形成“湖北工商团”。三亚属于旅游流动型,三亚作为旅游胜地其知名度长期高于省会城市海口,且正当旅游旺季,人流密集,受疫情影响亦大。信阳位于河南省与湖北省的交界处,是河南省距离湖北省最近的省际交界型城市,符合距离衰减规律。山东济宁主要因任城监狱发生200例感染病例,为典型的特殊场所感染型,造成较为负面的社会影响。
4.1.3 县域分布特征 深入县域尺度捕捉疫情分布特征,将其划分为15层（图2c）,发现环鄂弧呈现由武汉市为中心的东南—西北向延伸,东南沿海弧则南北向扩散。热点分析发现99%置信度下的热点区位于以武汉市为中心的圆区内（图2d）,包括湖北与河南、安徽、江西及湖南的交界地带,圆区外围由置信度为95%、90%的热点区包围。山西东南部与河北南部出现置信度为90%的冷点区,其余地区冷热点不显著。与省域、市域空间分布基本相符。
4.1.4 疫情小区分布特征 微观地点上,一方面,全国疫情小区分布呈东北—西南走向且集中于中国人口分界线——胡焕庸线的东南半壁（图2e）,且高核区多位于胡焕庸线以东及省际交界处（鄂豫边界、鄂湘边界、鄂赣边界及豫皖边界等）,而中西部高核区主要位于邻近湖北的重庆与四川中东部（图2f）。这一格局符合疫情确诊人群的空间分布特征,与人口密度分布、人口流动格局及与中国疫情主战场的时空距离有关。另一方面,疫情的扩散和防控与人群的流动、聚集和医疗资源的配置、分布密切相关。为此,进一步结合人群聚集地与定点医疗机构的位置数据以探讨其间的空间供需关系,发现人群聚集地与疫情小区的数据接近重合,验证了人群的聚集加剧疫情的传播,而定点医疗机构的分布因其大多位置既定,则相对广泛、分散。

4.2 空间格局成因

收集截至2020年1月23日（武汉“封城”前）湖北迁至各省（市、自治区）数据并取平均值,前10位除“沪岛”“京岛”外,其余均为“两弧”所在省份（表1）,且迁徙数据与省域空间格局基本相符,以广东、浙江及邻近湖北等省份最为典型。由此可见,COVID-19确诊病例数在省域的分布主要受邻近性与联系强度（人口迁徙）的影响,且高发省域大多为于2020年1月21日及其之前报告首例的省份。环鄂弧主要受邻近性的影响,西部相接省份整体低发于东、北、南相接省份,尤其湖北西北方向的陕西省最为低发,其余省份累计报告病例数均超过500例,这可能与西北地区人口密度较低及人口流动相对较少有关,其他邻近省份中以与湖北省相接的市域为高发市域,如河南省信阳市、江西省九江市、湖南省岳阳市等,省内呈“多中心连片”式分布。湖北近邻省份中市域呈以武汉市为中心的近汉环状层级分布,约包含3个等级环,受距离衰减作用明显。第1等级环主要为湖北省内与武汉相接的鄂州、黄石、咸宁、荆州及孝感等地;第2等级环为湖北省近邻高发市域,如河南信阳、南阳、江西九江、湖南岳阳等;第3等级环为近邻省份的其他市域,包括西安、郑州、驻马店、周口、阜阳、商丘、合肥、安庆、南昌、宜春、长沙等地。证实空间邻近所带来的自相似性对疫情的传播扩散有显著影响,邻近武汉疫情主战场的市域相对其它城市存在更高的风险。
表1 湖北迁出指数平均值(%)

Tab. 1 The average emigration index from Hubei

地域 平均值 属性 地域 平均值 属性 地域 平均值 属性
广东 27.79 沿海弧 安徽 2.60 邻近 海南 0.59 其他
浙江 14.29 沿海弧 陕西 2.27 邻近 辽宁 0.42 其他
湖南 7.81 邻近 四川 2.23 其他 甘肃 0.37 其他
江苏 7.00 沿海弧 山东 1.88 沿海弧 西藏 0.33 其他
河南 5.94 邻近 河北 1.57 沿海弧 新疆 0.31 其他
上海 4.31 多岛 广西 1.35 其他 黑龙江 0.22 多岛
福建 4.29 沿海弧 贵州 1.15 其他 内蒙古 0.21 其他
江西 3.66 邻近 云南 1.07 其他 吉林 0.20 其他
重庆 3.39 邻近 天津 0.71 多岛 宁夏 0.13 其他
北京 3.17 多岛 山西 0.68 其他 青海 0.12 其他
而“沿海弧”与“多岛”则以与湖北联系强度的影响为主,剔除境外、市内及无法确定市域的路径信息,对确诊病例详细市际活动轨迹（3823条）进行解析（图3）,发现疫情流动网络呈现以武汉为中心的放射状分布,核心流动区位于胡焕庸线东南侧,核心路径表现为“十”字分布,主要包含京津冀地区、长三角地区、川渝地区、珠三角地区4个流入地,东南沿海弧高发除了基于自身较高的人口基数外,还有基于其相对中西部地区经济水平较高而产生的人口吸引力,与武汉市联系强度大,主要包括珠三角、长三角及京津冀三个城市群。珠三角、长三角人口密度相当高,但其人口增长的主要来源为外来迁入人口,人口流动频繁,被感染的可能性大[31]。尤其珠三角地区与武汉市流动联系最为密切,是仅次于武汉市的高频途经点,这给当地及其周边带来极大潜在风险。京津冀与武汉的联系强度仅次于珠三角及长三角。京津冀主要基于政治与经济吸引力,吸引大量人才,作为人口集散重地,人口迁徙量极大,相对其他城市存在更高的感染风险。除此之外,“多岛”中的黑龙江省会城市哈尔滨高发主要受人为因素的影响,在疫情全面扩散至该地后,群众配合度不高,基层防控工作难以顺利开展,导致发生多起聚集性感染事件,而哈尔滨作为省会城市,相对周边其他城市与武汉联系强度大,疫情风险等级高,由此形成远鄂高发市域。川渝高发与其紧邻湖北有关,且成渝双城与武汉联系密切。此外,除个别与武汉联系强度高的温州市、深圳市等地,其余省份均以省会城市及其周边城市感染风险高于其它城市。
图3 中国COVID-19疫情空间流动网络

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。

Fig. 3 Spatial flow pattern of the COVID-19 epidemic in China

4.3 空间演化特征

运用全局自相关中的Moran's I衡量疫情由始至衰的演化集聚特征（图4）,由于省域效果不显著,选取市域尺度进行空间自相关分析,发现疫情在全国空间演化上呈前期扩散—随机、中期高度集聚、后期集聚衰退、末期集聚平稳（核发—群发—散发—点发）的4阶段模态,即①随机扩散期：2019年12月8日—2020年1月23日,该时期疫情发展呈扩散—随机型,1月19日之前疫情为90%置信度下的扩散蔓延态势,前期疫情多发于武汉市,自19日起才陆续扩散至其他地区;1月20日—1月23日,处于扩散向集聚的过渡期,疫情开始向全国多地逐渐蔓延,呈随机分布。② 高度集聚期：1月24日—2月7日,由“两拱”构成,表现为“3”型分布,“一拱”为1月24日—1月29日,并于1月28日达到峰值;前期“返乡潮”“春运”等带来的大批“早期感染者”开始显现其传播效应;另“一拱”则波动较小,为1月30日—2月11日,1月31日达到局部小高峰。该时段各地政府为控制疫情持续采取措施（如交通管控、小区封闭、公共场所体温监测及重点疫区的地毯式排查等）、医疗人员不懈努力、大众的自我约束能力和防范意识提升,使中国严峻的疫情形势得到缓解。③ 集聚衰退期：2月12日—3月12日,这一时期集聚特征变化趋于平缓,中国疫情已基本得到控制。④ 集聚平稳期：3月13日—3月31日,这一时期Moran's I较为稳定,集聚特征无明显变化,疫情本土传播基本被阻断。
图4 中国COVID-19疫情集聚变化过程(全局自相关Moran's I逐日变化)

Fig. 4 Evolution process of COVID-19 epidemic cluster in China (Daily Global Moran's I)

运用局部自相关中的Moran's I衡量疫情在不同时段的集聚区（表2）,发现各时段均无高—低型、低—低型集聚类型区,疫情热点集聚区始终位于湖北省内,且相关性显著。除个别市域外,其余各市均为99%置信度下的集聚区。随着疫情的蔓延,武汉市逐渐转为高—高型集聚,与其相接的黄冈市、孝感市逐渐呈现出高—高型集聚,但与其邻近的鄂州市却表现为低—高型集聚。在高度集聚时期,疫情已进一步扩散到全国多地,但仍以湖北省为核心,湖北省除神农架林区、天门市、潜江市及恩施土家族苗族自治州外,其他市域均属于高—高型集聚,而在集聚衰退时期,十堰市、宜昌市、襄阳市、荆门市、仙桃市、咸宁市等皆退出高—高型集聚区。
表2 中国COVID-19疫情分时段市域集聚类型

Tab. 2 The city cluster types of the COVID-19 epidemic in China in different periods

时间 高—高型 低—高型
随机扩散期 武汉市、黄冈市、孝感市 鄂州市*
高度集聚期 十堰市*、宜昌市、襄阳市、荆门市、随州市、孝感市、武汉市、仙桃市、荆州市、咸宁市、黄石市、黄冈市、鄂州市
集聚衰退期 随州市*、孝感市、武汉市、荆州市*、黄石市、黄冈市、鄂州市
集聚停滞期 随州市*、孝感市、武汉市、荆州市*、黄石市*、黄冈市、鄂州市

注：*表示显著性水平在0.01 ≤ p ≤ 0.05的市域。

5 中国COVID-19疫情的影响机制与防控策略

传染病的发生反映人与自然的失衡,其传播具有多维性,具体表现为疫情的时空分布及演变受人群属性及其社会活动、流动等因素的综合影响[13],也与其所处的环境密不可分。疾病生态学以自然与社会为界对生态系统进行划分,并解析社会生态系统对疾病的影响[32]。本文在总结分析结果的基础上,对宏观尺度上COVID-19的自然与社会环境因子进行解析,发现时空传播异质性显著,在人口学特征方面主要表现为性别年龄的变化,其中年龄上更具层次性;时间上随季节、响应措施、政策等变化,“封城”“隔离”等措施有效阻断传播途径,成为强有力的“中国方案”;空间上则与中国疫情主战场武汉市密切关联,同时区域毗邻性、“地理隔离”、人口空间流动及人群聚集分布也对疫情产生重要的影响;城市内部社区生活圈的资源配置,如医疗设施的布局也会影响疫情扩散。
综上所述,本文聚焦COVID-19相关的数据资料,探讨了2019年12月8日—2020年3月31日中国COVID-19疫情的时空演化过程,以期为今后深入研究和科学防控提供参考。基于研究发现,针对当前疫情发展和未来迎接类似挑战提出以下对策建议（图5）。
图5 中国疫情演化与防控的综合机制框架

Fig. 5 Integrated mechanism framework for COVID-19 epidemic evolution and prevention & control in China

5.1 因人制宜——个体与人群,家庭之间与家庭内部

疫情在人群之间的传播受到群体特征及其流动强度的影响。① 从性别年龄上,加强对青壮年务工人员和学生群体的防控,相关单位密切监测已返工复学人群,防止疫情因复产复工复学而复发;老年人群体质较弱,部分思想固化而不愿自我防护,尤其独居老人可能疏于照顾,各社区（村庄）应针对性地开展特殊管理;② 地域属性上,对从武汉乃至湖北等疫情重灾区返乡人员进行逐一排查并持续追踪,对有确诊患者密切接触史的人群持续关注;③ 存在疑似症状人群须积极主动以相对独立的出行方式就医,有外出史、接触史但未有症状的人群要积极配合进行自我隔离;④ 健康人群须提高警惕,做好个人和家庭防护工作,减少外出和前往人群聚集地;⑤ 距离定点医疗机构较远的普通疾病患者可就近治疗或寻求网络问诊,避免在就医途中交叉感染;⑥ 确诊病例要保持积极良好的心态,配合医护人员的救治工作;已治愈者仍要坚持14 d隔离至未出现复阳。此外,疫情在人群的传播可以简单分为家庭之间和家庭内部两种途径。家庭之间多发于具有一定时空共现性的各类人员之间,家庭内部则以亲属成员之间传播为主,其防控策略应有差异。总而言之,特殊时期,尽量保持安全社交距离,避免如探亲、聚餐等各种聚集活动,避免暴露在高风险场所;口罩作为防止飞沫的有效防护工具仍不可过早摘除,家庭应做好相关防护用品储备,以应对未来冬春流感或COVID-19疫情复发。

5.2 因地制宜——不同尺度与属性的空间,城市之间与城市内部

疫情在地域的扩散受地理邻近性与地域间人流联系强度的影响,尤其是毗邻湖北、与湖北人员交流频繁、人流量大、人口密集的地域需要高度警惕。疫情在地域的扩散可以简单分为城市之间和城市内部两种尺度。城市之间为跨地域扩散,城市内部则为本地扩散,其防控策略各不相同。① 城市之间：及时切断传染源,对发现确诊病例的地域及时采取管制措施并进行全面排查是较为有效的方法;湖北省武汉市作为中国疫情主战场,对其采取相对长期的追踪监测和未来多年的冬春预警很有必要;虽然中国当前疫情防控已经向好发展,但在全球尚未完全稳定控制前,仍须加强科学研究和开展国际援助;与湖北武汉联系强度较大的省市要密切关注疫情动向;② 城市内部：加强对公共场所的监控及卫生消杀,尤其城市内部人群密集地（如车站、商场等）是防控的重点地域;社区内部分类分户管理十分必要,同时社区内公共活动场所分时段分单元开放,减少人群聚集;疫情期间尽量减少公共交通出行,适宜选乘私家车或共享车等感染风险小的交通工具;市域范围全面执行以健康码出行,且加强各交通节点的体温检测;医疗机构做好隔离防护工作,避免医护人员因工感染;③ 特殊空间：加强对监狱、邮轮、景区、超市、边境等不同属性的特殊空间的监测管控,防患于未然;④ 入境口岸：当前中国疫情已基本得到控制,但境外疫情仍在蔓延,要做好入境管控分流,可安排机场到隔离点的点对点转运,避免境外输入引起国内疫情集中复发。

5.3 因时制宜——一时一策

本次疫情中,强有力的管控手段成为中国率先交出疫情答卷的重要支撑,可为其它国家提供借鉴。中国疫情的传播扩散经历了不同阶段,在因人、因地制宜的同时也不断关注因时制宜,充分实现“一时一策”。① 初期的阻断措施对疫情的控制作用明显。由于初期对疫情了解不够,疫情借助“春运”大潮席卷开来,一时间全国多地或多或少出现了确诊病例。假如更早加以干预,疫情规模可能会更小。以此为鉴,初期应第一时间采取措施加以控制,并对密切接触者进行排查。② 中期,中国由上而下的联防联控、群防群控,成为本次疫情得以有效控制的重要基础,上至各级政府推行的“封城”“封路”“封社区”以及地毯式排查等措施,中至各行各业全力抗疫（如口罩生产赶工、各地医院奋战一线、建筑业迅速建成应急医疗场地等）,下至国民防护意识提高,公共场合积极佩戴口罩,保持安全社交距离。③ 后、末期常态化防控和严防输入的管控使得中国疫情得到稳固控制。

5.4 政策与科技

因时制策是应对疫情的有效手段,政府的准确评估同样对疫情防控至关重要,但须依靠即时监测与科学评估。初现期对疫情及时响应,抓住最佳隔离窗口期,及时“阻疫”;暴发期统筹各行各业,加强合作,采取强有力手段,集中“战疫”;衰退期将防止复发转为常态化,持续“控疫”;尾声期将严防输入作为工作重点,严格“防疫”。尤其在逐渐复产复工复学之际,仍须做好统筹整合与分区划片监测预警。复产复工复学皆要满足控疫标准,错峰划片分区施行,确保安全的工作学习环境与社交距离。必要条件下可以通过立法等手段,建立“平时+疫时”长效防控机制,加强全国和地方（重点是城市）的公共卫生体系建设,为突发事件的有效解决做好应急预案。加大疫苗、药物和快速检测技术研发投入,增加防疫救治医疗设施,增加移动实验室。在以先进科技为支撑奠定的“新城市”前景下,呈现出大数据、人工智能、物联网和传感网、自动化系统及虚拟现实等多方应对疫情的手段[33]。完善疾病预防控制体制,完善传染病直报和预警系统,整合警务大数据、电信运营商、网络电商、手机APP等基于位置服务（LBS、UGC、VGI）的多源时空大小数据和公安系统“天网”等技术手段和硬件设施,在保护个人隐私的前提下密切监测、模拟和预测易感人群及其流动,为疫情多尺度空间防控做足准备。

5.5 文明理念与基础建设

此次疫情暴发是人类中心主义的灾难性显现,在未来发展中须牢固树立人与自然和谐共生的生态文明理念,努力构建多维度人类命运共同体。此外,坚持生命至上,全面提升公民面对类似挑战的理性思维与科学素养,构建和谐理性的社会/网络舆论环境,同时强力回击境外舆论挑衅与污名化。未来中国城市健康安全秩序亟待重建,城市内部社会生活圈基础设施须进一步完善,在社区生活圈内构建好可开可合的防护带,构建社区（村庄）命运共同体,强化应急物资保障及基层卫生防疫,尤其是医疗机构的位置、容量、内部设备与防护措施还需进一步优化,健康/韧性/智慧城市（社区）理念仍需提升,建设须落地可行,未来如出现类似挑战须发挥实际效用。

6 结论与讨论

6.1 结论

本文基于官方通报的病例数据及POI数据,综合运用数理统计与空间分析等方法,从4个空间尺度探究疫情在中国的时空演化过程,提出针对性的应对建议。主要结论为：
（1）时间演变特征：中国疫情始于大雪,盛于立春,衰于惊蛰,滞于春分,前期表现为武汉主导的线性增长,中期为向非武汉地区差异化扩散的爆炸式增长,后期回归武汉主导的缓慢增长,末期中国疫情本土扩散基本阻断,并且对春节、“封城”等事件点响应明显。
（2）空间分布与演化特征：全国总体表现为“喇叭”状的“一核两弧多岛”的空间分布格局,主要受邻近性与人口流动影响,以胡焕庸线的东南半壁为最,各省高发区多位于省会城市,高核区分布于胡焕庸线以东及省际交界地带;疫情随时间推进,经历扩散—随机、高度集聚、集聚衰退、集聚平稳过程的“核发—群发—散发—点发”4阶段模态;各时期集聚区均位于湖北省内,集聚范围于高度集聚期达到顶峰,之后开始缩减。
（3）影响因素与防控机制：疫情的时空分布及演变受人群属性及其社会活动、流动等因素的综合影响。基于此,本文提出人地互馈的协同防控机制,因人因地因时制策并确保其落实,提出“及时响应—统筹合作—常态防控—严防输入”的时段防控链,以应对未来类似挑战。

6.2 讨论

本文虽取得一定认识,但仍存在以下局限：本文数据来源于各级卫健委,但各地统计口径、信息完整度不一,尤其湖北省具体病例详细信息尚未公开,对中国疫情主战场的深入探讨有待开展。本文着眼于全国层面,数据庞杂,时空精度也有待提高。在今后研究中,拟将人群个体水平的迁移扩散与细胞分子水平的全基因组序列的解析结果相参照,针对国家、城市群、城市、区县、街道（乡镇）和社区（村庄）及特殊空间等不同尺度和属性地域,针对不同年龄（老年人、儿童）、社会阶层（职业、收入）和暴露水平（医护人员）等不同人群,以及“封城”“封路”“封社区”“境外输入”“复产复工复学”等不同现实措施和需求,构建变化条件下疫情“感知预判—扩散演变—应对防控”典型情境（历史情境重构与未来情境模拟）,并提出应对预案。剖析过去和预判未来存在的主要现实问题,尤其侧重在“后疫情”与“复疫情”时期对于韧性城市、安全社区等空间建设与智慧治理,持续追踪关注相对弱势的西部、东北地区,尤其是受疫情影响严重的乡村、城中村等地域人群的生计恢复和可持续性,通过不断优化完善,提出有助于促进国家和地方治理体系和治理能力现代化的综合对策体系。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Lu R J, Zhao X, Li J, et al. Genomic characterisation and epidemiology of 2019 novel coronavirus: Implications for virus origins and receptor binging. Lancet, 2020,395(10224):565-574.

DOI PMID

[2]
Zhou P, Yang X L, Wang X G, et al. A pneumonia outbreak associated with a new coronavirus of probable bat origin. Nature, 2020,579(7798):270-273.

DOI PMID

[3]
National Health Committee General Office "About print and distribute new coronavirus pneumonia diagnosis and treatment scheme (trial version 5)" notice. http://www.nhc.gov.cn/wjw/gfxwjj/list.shtml, 2020-02-05.

[ 国家卫生健康委办公厅《关于印发新型冠状病毒感染肺炎诊疗方案 (试行第五版)》的通知. http://www.nhc.gov.cn/wjw/gfxwjj/list.shtml, 2020-02-05.]

[4]
Huang C L, Wang Y M, Li X W, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet, 2020,395(10223):497-506.

DOI PMID

[5]
Zhou Tao, Liu Quanhui, Yang Zimo, et al. Preliminary prediction of the basic reproduction number of the novel coronavirus 2019-nCoV. Chinese Journal of Evidence-Based Medicine, 2020,20(3):359-364.

[ 周涛, 刘权辉, 杨紫陌, 等. 新型冠状病毒肺炎基本再生数的初步预测. 中国循证医学杂志, 2020,20(3):359-364.]

[6]
Xiong H, Yan H L. Simulating the infected population and spread trend of 2019-nCov under different policy by EIR model. Medrxiv, 2020. Doi: 10.1101/2020.02.10.20021519.

DOI PMID

[7]
Gong Shengsheng. Changes of the temporal-spatial distribution of epidemic disasters in 770BC-AD1911, China. Acta Geographica Sinica, 2003,58(6):870-878.

DOI

[ 龚胜生. 中国疫灾的时空分布变迁规律. 地理学报, 2003,58(6):870-878.]

[8]
Yu Xinzhong. From epidemic avoidance to epidemic prevention: The evolution of epidemic response in late Qing dynasty. Journal of Central China Normal University (Humanities and Social Sciences Edition), 2008,47(2):51-60.

[ 余新忠. 从避疫到防疫: 晚清因应疫病观念的演变. 华中师范大学学报(人文社会科学版), 2008,47(2):51-60.]

[9]
Cheng Yang, Li Hairong, Yang Linsheng. Temporal-spatial distribution of epidemics in Ming and Qing dynasties (1368-1911 A.D.) in China. Geographical Research, 2009,28(4):1059-1068.

[ 程杨, 李海蓉, 杨林生. 中国明清时期疫病时空分布规律的定量研究. 地理研究, 2009,28(4):1059-1068.]

[10]
Tan Jianan, Li Ribang, Zhu Wenyu. The progress in medical geography of China and its prospect. Acta Geographica Sinica, 1990,45(2):187-201.

[ 谭见安, 李日邦, 朱文郁. 我国医学地理研究的主要进展和展望. 地理学报, 1990,45(2):187-201.]

[11]
Wu Jilei, Wang Jinfeng, Meng Bin, et al. Spatial association analysis on epidemic of SARS in Beijing, 2003. Journal of Zhejiang University (Agriculture and Life Sciences), 2005,31(1):97-101.

[ 武继磊, 王劲峰, 孟斌, 等. 2003年北京市SARS疫情空间相关性分析. 浙江大学学报(农业与生命科学版), 2005,31(1):97-101.]

[12]
Fan Xinsheng, Ying Longgen. An exploratory spatial data analysis of SARS epidemic in China. Advances in Earth Science, 2005,20(3):282-291.

[ 范新生, 应龙根. 中国SARS疫情的探索性空间数据分析. 地球科学进展, 2005,20(3):282-291.]

[13]
Wang Jinfeng, Meng Bin, Zheng Xiaoying, et al. Analysis on the multi-distribution and the major influencing factors on severe acute respiratory syndrome in Beijing. Chinese Journal of Epidemiology, 2005,26(3):164-168.

PMID

[ 王劲峰, 孟斌, 郑晓瑛, 等. 北京市2003年SARS疫情的多维分布及其影响因素分析. 中华流行病学杂志, 2005,26(3):164-168.]

[14]
Cao Zhidong, Zeng Dajun, Zheng Xiaolong, et al. Characteristics of SARS epidemic in Beijing and laws of spatial and temporal transmission. Scientia Sinica (Terrae), 2010,40(6):776-788.

[ 曹志冬, 曾大军, 郑晓龙, 等. 北京市SARS流行的特征与时空传播规律. 中国科学: 地球科学, 2010,40(6):776-788.]

[15]
Cao Zhidong, Wang Jinfeng, Gao Yige, et al. Risk factors and autocorrelation characteristics on severe acute respiratory syndrome in Guangzhou. Acta Geographica Sinica, 2008,63(9):981-993.

DOI

[ 曹志冬, 王劲峰, 高一鸽, 等. 广州SARS流行的空间风险因子与空间相关性特征. 地理学报, 2008,63(9):981-993.]

[16]
Feng Yerong, Zhu Kelun, Ji Zhongping, et al. On the study of the relationship between Guangzhou atmospheric environment factors and the SARS epidemic. Journal of Tropical Meteorology, 2005,21(2):191-198.

[ 冯业荣, 朱科伦, 纪忠萍, 等. 广州大气环境因素与SARS疫情短期变化关系的研究. 热带气象学报, 2005,21(2):191-198.]

[17]
Liu Jiyuan, Zhong Ershun, Zhuang Dafang, et al. SARS control and early warning geographic information system. Modern Scientific Instruments, 2003(4):10-13.

[ 刘纪远, 钟耳顺, 庄大方, 等. SARS控制与预警地理信息系统. 现代科学仪器, 2003(4):10-13.]

[18]
Liu Jiyuan, Zhong Ershun, Zhuang Dafang, et al. Development and application of SARS control and early warning geographic information system. Journal of Remote Sensing, 2003,7(5):337-344, 433.

DOI

[ 刘纪远, 钟耳顺, 庄大方, 等. SARS控制与预警地理信息系统的研制与应用. 遥感学报, 2003,7(5):337-344, 433.]

[19]
Xu L D, Yuan J, Zhang Y R. et al. Highland of COVID-19 outside Hubei: Epidemic characteristics, control and projections of Wenzhou, China. Medrxiv, 2020. Doi: 10.1101/2020.02.25.20024398.

DOI PMID

[20]
Wang Jiaobei, Li Gang, Wang Jianpo, et al. Spatio-temporal evolution and risk profiling of COVID-19 epidemic in Shaanxi province. Tropical Geography, 2020,40(3):432-445.

[ 王皎贝, 李钢, 王建坡, 等. 陕西省COVID-19疫情时空演化与风险画像. 热带地理, 2020,40(3):432-445.]

[21]
Liu Yi, Li Yuan, Li Zhuoling, et al. Diffusion characteristics of the Corona Virus Disease 2019(COVID-19) outbreak in Guangdong province. Tropical Geography, 2020,40(3):367-374.

[ 刘逸, 李源, 黎卓灵, 等. 新冠肺炎疫情在广东省的扩散特征. 热带地理, 2020,40(3):367-374.]

[22]
Jin Annan, Li Gang, Wang Jiaobei, et al. Spatio-temporal evolution and control strategies of COVID-19 epidemic in Shenzhen, China. Journal of Shaanxi Normal University (Natural Science Edition), 2020,48(3):18-32.

[ 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. 陕西师范大学学报(自然科学版), 2020,48(3):18-32.]

[23]
Wang Jiaoe, Du Delin, Wei Ye, et al. The development of COVID-19 in China: Spatial diffusion and geographical pattern. Geographical Research, 2020,39(7):1450-1462.

[ 王姣娥, 杜德林, 魏冶, 等. 新冠肺炎疫情的空间扩散过程与模式研究. 地理研究, 2020,39(7):1450-1462.]

[24]
Lefever D W. Measuring geographic concentration by means of the standard deviational ellipse. The American Journal of Sociology, 1926,32(1):88-94.

DOI

[25]
Xie Z, Yan J. Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems, 2008,32(5):396-406.

DOI

[26]
Xie Z, Yan J. Detecting traffic accidents clusters with network kernel density estimation and local spatial statistics: An integrated approach. Journal of Transport Geography, 2013,31(5):64-71.

DOI

[27]
Getis A, Ord J K. The analysis of spatial association by use of distance statistics. Geographical Analysis, 2010,24(3):189-206.

DOI

[28]
Goodchild M. Spatial Autocorrelation Concepts and Techniques in Modern Geography. London: Norwich UK Geo Books, 1986.

[29]
Cai Yan, Chen Huijun, Chen Chuangrong. Analysis of the thought of Chinese medicine's and solar terms. Traditional Chinese Medicinal Research, 2007,20(8):9-11.

[ 蔡彦, 陈惠军, 陈创荣. 中医节气思想浅析. 中医研究, 2007,20(8):9-11.]

[30]
Xiang Biao. Communities across Borders:The History of "Zhejiang village" in Beijing. Beijing: SDX Joint Publishing Company, Sanlian Bookstore, 2000.

[ 项飚. 跨越边界的社区:北京“浙江村”的生活史. 北京: 生活—读书—新知三联书店, 2000.]

[31]
Liu Zhijia, Huang Heqing. Tempo-spatial characteristics of interactions among changes in built-up land, GDP and demography in the Pearl River Delta. Resource Science, 2015,37(7):1394-1402.

[ 刘志佳, 黄河清. 珠三角地区建设用地扩张与经济、人口变化之间相互作用的时空演变特征分析. 资源科学, 2015,37(7):1394-1402.]

[32]
Deng Houpei. Basic theory and method of disease geography research. Journal of Capital Normal University (Natural Science Edition), 1994,15(3):94-98.

[ 邓厚培. 疾病地理研究的基本理论和方法. 首都师范大学学报(自然科学版), 1994,15(3):94-98.]

[33]
Long Ying. Wisdom the technology to improve the toughness of the city: Talk to 2020 COVID-19 accidents will. Urban Planning, 2020. Doi: 10.11819/cpr20201614v.

DOI PMID

[ 龙瀛. 泛智慧城市技术提高城市韧性: 应对2020新型冠状病毒肺炎突发事件笔谈会. 城市规划, 2020. Doi: 10.11819/cpr20201614v.]

Options
Outlines

/

〈 〉