基于多源地理數據精細尺度的武漢市人居環境新型冠狀病毒肺炎疫情傳播風險評估

姚 堯,尹瀚玙,李歆藝,郭紫錦,任書良,王若宇,關慶鋒

1 中國地質大學(武漢)地理與信息工程學院,武漢 430078 2 武漢大學測繪遙感信息工程國家重點實驗室,武漢 430072 3 愛丁堡大學地球科學學院,英國

在全球范圍的突發性公共衛生事件發生時,及時準確的風險評估在提高大眾警惕[1]、控制疾病傳播[2]、穩定大眾情緒[3]、維穩社會環境[4]方面具有不可或缺的重要作用。風險評估是國家公共衛生機構的核心職能之一,指聯合各主要公共衛生機構,評估突發事件的威脅程度,基于已有證據提出事件預警,做好應對準備[4]。2020年1月,新型冠狀病毒肺炎(COVID- 19)開始大規模爆發[5]。1月20日,國家衛健委發布1號公告,將新型冠狀病毒感染的肺炎納入《中華人民共和國傳染病防治法》規定的乙類傳染病,并采取甲類傳染病的預防、控制措施[6]。然而情況惡化,該肺炎疫情逐漸在全球擴散,成為國際關注的突發性公共衛生事件[7]。對該疫情的研究主要集中在流行病學[8- 10]、藥理學[11-12]、病理學[13- 16]方面。從流行病學傳播角度,及時研判各地區疫情傳播風險,預測疫情發展走向,可為政府防控提供決策支持,為人民群眾提供安全保障。

風險評估起初多采用專家會商法[1-4]進行,邀請各方專家進行評估,得出應對建議。該類方法多基于先驗知識的積累,存在一定的主觀因素;新型疾病的出現會極大增強專家會商法的局限性。現如今處于大數據時代,大數據具有大容量(Volume)、多樣化(Variety)、快速化(Velocity)、價值密度低(Value)、真實性(Veracity)等5V特征[17],僅靠人力對該量級的數據作分析難度極大。反之,以數據驅動方式進行風險評估的實驗可行性大大增強。

近十年來,數據驅動方法逐漸被引入風險評估領域,如相關性分析[18]、經典時間序列分析[19]、控制圖法[20]、時間聚類分析[21]、傳染病動力學模型[22]等。例如,楊維中等人采用控制圖法、基于時間聚類分析建立國家層面的預警模型,得到較好的預警結果[21]。但上述方法多從時間角度回顧疾病爆發特征,總結病理學特征,提出疫情爆發的預測,是一種回溯性的風險評估[23],并不能對疫情性質進行評估,并且研究尺度較為宏觀。Deng等人在對手足口病的風險評估中結合時空聚類的方法建立風險評估模型,得到模型擬合效果較好,提出幼兒人口占比、男女比例、日照總量是影響地區手足口病的主要風險因子[24]。但該研究以廣東省縣域行政區劃為基本單位,存在“主觀劃分單元”的可變面元問題(Mdifiable areal unit problem, MAUP)[25]。隨著機器學習的出現,貝葉斯網絡也被應用于突發事件風險評估領域。如Jiang等人根據貝葉斯網絡[26]實現的疾病預測系統可以預測疫情發生的規模及持續時間,并估計其爆發時間[27];Liao等人提出一種基于貝葉斯信念網絡的不同尺度疾病爆發風險評估模型,從縣級尺度評估手足口病的風險,從鄉鎮尺度分析麻疹疫情情況[23]。上述兩種方法綜合多元變量,基于機器學習算法進行風險評估,分析更精細化,對特定疾病的防控更具有指導意義;但這些方法受數據實時性與準確度的影響,同時尚未考慮精細尺度下人群空間聚集因素對疫情傳播的作用,無法預測城市內部的疾病傳播風險分布。

為積極響應國家恢復經濟社會秩序的號召,各地政府致力于標定市域內各地區的不同風險等級,以實施精細尺度下的精準施策。故而,城市內部范圍的疫情傳播風險評估研究被提上日程。然而目前關于疾病風險評估的研究大多基于城市甚至國家尺度[19,23,27- 30],尚未有具體至社區或建筑場所尺度的疾病風險評估研究。其主要原因在于缺少描述精細尺度的可靠數據和相應模型。描述風險評估需要的精細尺度數據包括高精度人口數據及發病情況[31],發病情況可通過每日社區通報記錄收集,而囿于技術原因[32],精細尺度的人口數據制圖一度成為學界的研究痛點,導致精細尺度的疾病風險評估研究的發展也停滯不前。

隨著地理大數據時代的到來,基于位置的服務服務技術(Location based service, LBS)的發展以及多源地理數據的繁盛使得精細尺度下的空間研究分析成為可能[33]。地理基礎服務(LBS)技術由于具有可移動定位、定位精度高、交互性強等特點,被廣泛應用于動態地理空間信息相關的研究中[34]。多源地理數據是指由大眾采集并向大眾提供的開放地理數據(Volunteered geographic information, VGI)[35- 37]。諸如興趣點(Points of interest, POIs)、GPS行駛數據、用戶簽到數據、手機信令數據等[38]。研究表明[33,37,39- 42],多源地理數據憑借其在微觀層面與人類活動的相關性,可以有效反映人口分布狀況及人類活動狀態。目前,公共健康領域同樣也有多源地理大數據的應用[43- 45]。但是該類數據多用于心理健康的分析研究,尚未有針對精細尺度下疫情風險評估的相關研究。

綜上所述,已有研究存在以下不足：(1)面對新型疾病的暴發,傳統的基于先驗知識的風險評估方法[1,4]在數據處理量級和評估準確性上均存在極大局限性;(2)現有的根據數據驅動方法建立的風險評估模型[22- 24,27- 29],多從時間角度與先驗知識回顧總結疾病暴發特征,并不能對新型疾病性質進行評估,且實驗精度受數據實時性與準確度影響,多未考慮精細尺度下人群空間聚集因素對疾病傳播的風險,無法預測城市內部的疾病傳播風險分布研究;(3)隨著地理大數據時代的到來,多源地理數據憑借其在微觀層面與人類活動的相關性,使得精細尺度下的空間研究分析成為可能,但目前精細尺度下的公共健康領域研究多為心理健康或老齡化問題相關,尚未涉及疾病傳染風險評估領域。

基于前人研究的不足,為定量分析微觀尺度下城市生態對于新型冠狀病毒肺炎傳播的關系,本研究首先建立了基于數據驅動的地理空間導向風險評估框架,引入多源地理大數據作為精細尺度下人群空間活動的表征,耦合社區尺度的患者數據,利用非線性機器學習算法建立多元決策模型,實現社區尺度的疫情傳播風險等級劃分。最后根據評估場所的不同權重,分析疫情傳播潛在的驅動因素及判斷緣由,進而對疫情在社區尺度下的傳播規律進行了總結和應用,討論并提出關于復工復產后疫情防控的相關建議。

1 數據來源及研究方法

1.1 研究區概況

本研究選定武漢市市域空間作為研究區域。以地理位置而言,武漢位于中國中部、湖北省東部、長江與漢江交匯處,是湖北省省會,處于北緯29°58′— 31°22′,東經113°41′— 115°05′之間。以行政區劃而言,武漢下轄江岸、江漢、硚口、漢陽、武昌、青山、洪山、蔡甸、江夏、黃陂、新洲、東西湖、漢南13個行政區。作為新型冠狀病毒肺炎疫情(COVID- 19)的爆發區,武漢市具有較高研究價值。截至發稿前(2020年4月29日24時),武漢市累計報告確診的病例50333例,累計治愈出院46464例[46]。該地區感染患者數據量較大,以此為根據的大數據研究具有一定可信度。

1.2 數據來源

1.2.1社區尺度的新冠病毒肺炎患者數據

在社區尺度上,本研究采集了武漢市共計983個小區截至2020年2月16日通報感染的病例數據(含確診和疑似病例)及其地理位置,整理制作了各小區感染人數氣泡圖,如圖1所示。

該圖按照自然斷點法(Natural breaks)[47],將小區按照感染人數分為5個等級,1—5人為0級(低風險),5—15人為1級(中低風險),15—30人為2級(中等風險),30—45人為3級(中高風險),45人及以上為4級(高風險)。本研究以單位感染人數表示感染風險。

1.2.2空間輔助數據

城市興趣點是影響居民公共健康的重要因素之一[48]。本研究使用2018年武漢市范圍內的高德地圖POIs數據,每條POIs數據包括ID、名稱、類型、行政區、地址、經度、緯度7個屬性,共886415條。根據已有研究[49],將POIs類型分成14大類,包括汽車服務類、餐飲服務類、購物服務類、生活服務類、體育休閑類、醫療服務類、住宿服務類、風景名勝類、科教文化類、交通設施類、金融類、公司企業類、道路附屬類、公共設施類等,其下又包含40小類,具體分類如圖2所示。

圖1 已采集的社區感染患者數量及分布情況,截止至2020年2月16日Fig.1 Community Distribution of infected patients, statistics by February 16th 2020

圖2 POIs分類架構圖Fig.2 The architecture of POIsPOIs: 興趣點Points of interest

人群在路網上的空間交互移動對流行病情的時空擴散具有直接作用[50],因此需要探究其與相鄰路網的距離遠近。研究區域的路網數據來源于OpenStreetMap(OSM)網站(http://www.openstreetmap.org)。根據數據需要,本研究保留了2019年OSM路網中的一級、二級及干線道路,用以計算各小區與一二級道路的距離遠近。

已有流行病學研究認為人口密度與病情的傳播具有較強的相關性[51],數據來自騰訊用戶實時定位數據(Real-time tencent user density, RTUD)[41]。通過網絡爬蟲技術,可在騰訊時序數據庫CTSDB日志存儲與監控分析網站(https://cloud.tencent.com/act/event/ctsdb)獲取該類數據。獲取的數據時間跨度為2016年9月19日至9月25日,時間分辨率為1h,空間分辨率為0.00025°(約為26.5m)。本研究基于時序數據壓縮算法[52],將數據按街道尺度進行壓縮,并將其以自然間斷點標準[47]進行分級,最后進行歸一化處理。從而獲得了低信息損失、而高壓縮率的RTUD數據,作為代表精細尺度下人口密度的特征變量。

1.3 研究方法

為評估不同尺度下疫情傳播的風險程度,本研究首先通過網格法對市域范圍的社區數據進行空間采樣,得到1986個基本單元。然后耦合全市域興趣點(POIs)數據、糾偏后的LBS人口密度數據以及與主要道路的距離數據作為特征向量,將社區感染分級情況作為目標擬合值,基于非線性機器學習方法構建“空間變量-感染程度”的非線性風險程度評估模型。根據特征權重,可進一步探究疫情傳播的驅動因素,并分析學校周邊的感染風險,以此為武漢市復工、復產、復學等疫情防控安排提出建議。具體技術路線如圖3。

圖3 技術路線圖Fig.3 Work flow chartLBS： 基于位置的服務Location based service;POIs: 興趣點Points of interest;OSM: 開放街道地圖OpenStreetMap

1.3.1格網法空間采樣

本研究采用規則格網劃分武漢市社區。由于收集數據尺度不統一(社區與社區的定義混雜),導致直接用行政統計單元進行空間劃分存在一定問題,如聚類質量受影響,結果無法解釋;統計數據無法具體至每個社區,部分以社區(社區抱團聚集)形式記錄[53]。而采用規則格網進行重采樣,相鄰單元間存在隱性空間關系,統計數據依附基本單元而存在,避免了尺度問題[54],有利于風險評估模型的構建。主要過程如下。

基于已知的行政統計單元進行規則格網的劃分,將空間劃分成528m×611m的單元網格,并給每個單元按照行政數據的位置關系賦予屬性數據。本研究共劃分1986個基本地塊單元。

1.3.2基于隨機森林算法的感染風險評估

隨機森林(Random forest, RF)是基于集成學習的思路,將多棵決策樹集成的一種算法[55]。相較于大部分機器學習方法,它具有高精度、能處理高維特征樣本、自動生成無偏估計、可控過擬合現象等優點[56]。

為評估武漢全市域的疫情感染風險,本研究將上述數據包括市域興趣點(POIs)數據、LBS人口密度數據以及第一、二級的路網數據作為特征向量χi,并且將社區感染分級情況作為目標值Y。通過RF模型計算每個因變量的影響權重,對高維因變量進行降維處理,探索特征變量之間的復雜相關性。考慮數據數量限制,設置130棵決策樹與隨機占比30%的袋外數據,基于OOB交叉驗證對RF模型進行迭代修正,將隨機訓練與預測過程重復100遍,已獲得最可靠的平均凈精度結果。

1.3.3模型評價方法

本研究采用總體精度(Overall accuracy, OA)、均方根誤差(Root mean squared error, RMSE)、平均相對誤差(Mean relative error, MRE)及Kappa系數評價風險傳播模型的精度。

Kappa系數采用一種離散多元統計技術來計算和評價最終指標,基于混淆矩陣,常用來評估二者間的一致性,可以用來描述總體一致性和分類一致性[57]。該統計值計算方法如下[57- 59]：

(1)

式中,po為分類圖像與參考圖像一致性的概率,即各個類別被劃分正確的概率總和;pe為隨機一致性概率。

(2)

(3)

式中,r為混淆矩陣行數,xii為混淆矩陣中對角線上的樣本數,指分類正確的數目,xi+和x+i分別為第i行與第i列的樣本總數,N為混淆矩陣中的總樣本數。

對于Kappa系數結果與分類精度的關系,Landis與Koch將計算結果分成五組,用以對應不同的一致性結果：計算結果位于0.00—0.20為一致性極低,位于0.21—0.40為一致性一般,位于0.41—0.60為一致性中等,位于0.61—0.80為一致性較高,位于0.81—1.00為幾乎完全一致[60]。

1.3.4空間驅動因子分析

根據風險評估模型,可得到市域范圍內各社區的疾病風險等級分級。為探究各社區疾病傳播的空間影響變量,可以根據隨機森林算法中各決策樹的劃分情況及其結點的權重分布,計算得到每一個社區單元疾病風險等級的組成參數權重,即為空間驅動因子。本研究重定義后的POIs具有二層結構,故而空間驅動因子也相對應有二級權重。將二級權重定義為POIs中各場所對其所在社區格網單元評估的影響權重。

本文從縱向和橫向兩個角度進行空間驅動因子的分析。

2 結果與分析

本節基于已有框架進行模型構建,并且完成全市域范圍的社區尺度疫情傳播風險等級劃分。再者,對生成模型結果進行性能評估,由局部到整體進行實地結果驗證,分析該模型的合理性。并且基于空間可視化方法的疫情傳播空間驅動因素分析,定量其權重,定性其成因,根據構成不同場所對精細單元傳播風險權重高低,采用詞云與柱狀圖等形式,挖掘社區尺度存在的疫情風險及不同級別驅動因素。

2.1 精細尺度感染風險評估分析

通過感染者社區分布情況、POIs數據、LBS人口密度數據及路網數據,基于隨機森林算法建立模型,得到了COVID- 19武漢市全域和中心城區的社區感染風險分布情況。該模型的測試精度達到了0.85,分類結果的Kappa系數達到0.70,說明模型擬合程度較高,與目標值有很高的一致性。具體精度及相應混淆矩陣如表1和表2所示。

表1 精度分析

表2 混淆矩陣

圖4 武漢市域社區感染風險評估Fig.4 COVID- 19 community infection risk assessment in Wuhan左：市域尺度 右：行政區尺度

基于已得到的風險評估模型,對武漢市域1968個社區進行風險評估,結果如圖4和圖5所示。前者為武漢市市域社區的風險等級分布,后者為武漢市都市發展區范圍內社區的風險等級分布。可以發現作為這次疫情暴發的中心,漢口的中心區域(江漢區、江岸區、硚口區)不僅是重災區,也是武漢市感染風險最高的區域。青山區作為工業老區,“熟人社區”導致了疫情擴散。漢陽區明顯呈現沿著主干道(漢陽大道)的疫情傳播趨勢。高校重地洪山區感染風險程度較低,猜測這與今年高等院校放假普遍較早(1月10日左右)有密切關系。同時,洪山區光谷片區的感染主要集中于人群密集的生活社區。相反,年輕人集中生活和工作的關山區,相比于武昌和漢口中心區域感染風險程度較低。

圖5 武漢市中心城區疫情風險等級分布Fig.5 Community infection risk estimation in downtown

圖6 一級空間變量的疫情傳播驅動因素分析 Fig.6 Epidemic spread driving factor analysis of the primary variables

2.1.1多級空間驅動因素分析

基于隨機森林算法中各決策樹的劃分情況及其結點的權重分布,可計算得到評估每一個社區單元疾病風險等級的組成參數權重列表,該參數列表即為影響各社區風險等級的驅動因素,如表3所示。該表數據以POIs重分類后的空間變量進行組織,各一級空間變量按權重高低由上至下排序,各二級權重在相關所屬類內由權重高低由上至下排序。

2.1.2一級空間變量驅動因子分析

圖6以極點圖形式展示了14類一級空間變量對疫情傳播的影響程度高低。可以明顯發現購物服務和交通設施因素遠高于其他因素,這兩大因素具備人群密集、人流量大的特點,致使病毒可以大范圍傳播。交通設施具備人與人之間間接接觸的條件。如公交車、地鐵等交通設施中存在來往人群復雜的問題,病毒可通過呼吸道傳播和接觸等方式傳播,車上空間的密閉性也可能導致氣溶膠的濃度較高,這是城市內部疫情傳播和擴散的重要影響因素。同時需要重點關注大型場館(體育休閑)、醫療服務、生活服務和餐飲服務帶來的風險。

2.1.3二級空間變量驅動因子分析

通過對各地理場所的疫情相關風險評估可視化分析(圖7),可得知全市域普遍影響疾病傳播能力較大的幾類驅動因子。圖7以詞云方式展示二級場所與疫情的相關性,圖8以柱狀圖形式展示,以色系為區分標準,一個色系為一組二級驅動因子,每一組中按影響權重由大至小排列。

表3 空間驅動因子權重表

圖7 二級場所空間變量影響因素詞云展示Fig.7 The word cloud of 40 sites epidemic weight

從場所角度,菜市場和超市作為人群最為密集的區域,感染風險程度最高。其次,銀行和機場等人群流動且停滯時間較長的區域,也是重要的高風險區域。

社區醫院(診所)作為居民選擇的首診場所,相對綜合醫院硬件設施差,距離居民社區近,社區內患者流動程度高,內部患者的集聚和流動導致了大量的交叉感染,造成了疫情的進一步擴散,因此社區醫院在防疫和疫情傳播中的作用不可輕視。今后資源分配應考慮加強社區醫院的軟硬件條件管理和疫情控制能力。

總而言之,橫向分析影響疫情傳播的驅動因子,從一級空間驅動因子分析,可以明顯發現購物服務和交通設施因素的傳播風險遠高于其他因素,這兩大因素具備人群密集、人流量大的特點,致使病毒可以大范圍傳播。從二級空間驅動因子分析,菜市場和超市作為人群最為密集的區域,感染風險程度最高。其次,銀行和機場等人群流動且停滯時間較長的區域,也是重要的高風險區域。社區醫院(診所)作為居民選擇的首診場所,存在醫院感染的可能性,故而也是需重視的高風險區域。

縱向分析影響疫情傳播的驅動因子,各類一級空間變量可由二級空間變量驅動力進行解釋。餐飲服務類中餐館影響權重最高,聚集性聚餐促進了病毒的聚集性傳播,分餐而食的外國餐廳影響權重則相對較低。購物服務類中蔬菜市場對病毒傳播的影響因素遠高于其他購物場所,對病毒防御能力較弱的中老年群眾多至蔬菜市場購物,致使病毒更容易通過該人群進行傳播。生活服務類通常為密閉環境,空氣較難流通,并且該類商店多屬于服務業,每日進出人流較多,病毒傳播的風險較高。體育休閑類場所多屬于封閉環境,且在運動過程中易促進飛沫傳播。醫療服務類社區醫院(診所)的感染風險最高,其配套硬件設施的落后以及社區內患者的大量流動導致疫情交叉擴散可能性大。科教文化類場所因環境空氣流動性高低,傳播風險相應較低或較高。交通設施類場所中封閉環境的輪渡占最高權重,且根據交通工具運載距離遠近,風險呈現“高-低-高”的態勢。道路附屬類場所較易發生接觸性感染,公共設施類場所中公共廁所影響因素遠高于緊急避難場所,說明及時消毒舉措可以降低感染風險。

圖8 二級場所驅動權重分析Fig.8 Bar chart for weight analysis of secondary site drivers

2.2 疫情傳播空間規律分析及應用

本節主要基于空間聚集性指數總結了疫情傳播相關規律,并以此應用于各類院校周邊疫情傳播風險評估。通過傳播規律分析院校周邊存在的風險因子,從而對不同院校進行風險傳播等級劃分。

2.2.1空間傳播規律探究

圖9 疫情風險聚集程度指數分析Fig.9 Analysis of epidemic risk concentration index

(1) 從傳播源頭分析,武漢市疫情分布呈現“一個中心點,兩個分中心”向外輻射的形態,以江岸區華南海鮮市場附近的社區為中心點、半徑10km的緩沖區,以及以機場為中心點,半徑3km的緩沖區均為本次疫情高風險區。建議對該處加強管控措施,實時“內防擴散、外防輸出、嚴格管控”。

(2) 從傳播方向分析,疫情傳播風險嚴重區大多沿河岸分布,且向東西方向延伸,能夠較清晰地看出東西向的疾病蔓延發展方向。故建議對東西湖區、洪山區、青山區、蔡甸區、江夏區等存在更大疾病蔓延風險的地區采取更具針對性的防控措施,如以街道為單位,通過核酸試劑檢測全面排查患者,及時接收診治管理疑似病例、確診病例及無癥狀感染者。

(3) 從傳播手段分析,購物服務與交通設施兩大因素對疫情傳播的影響力最為重要。其中,蔬菜市場、超市、購物中心為購物服務中影響因子權重最高的三大場所,而輪渡站、機場和汽車站是交通設施的場所大類中影響權重最高的三類場所。

圖10 核密度分析結果Fig.10 Results of nuclear density analysis(A: Hanyang District A：漢陽區 箭頭所指為琴臺大道; B：江岸區 黃色三角為華南海鮮市場; C：青山區居民住宅區 D：武昌區黃鶴樓

2.2.2傳播規律的應用

通過傳播規律分析各級各類院校周邊存在的疫情傳播風險因子,從而對不同院校進行風險傳播等級劃分,同時根據疫情傳播規律對疫情未結束期間學校開展復學決定提出相應建議。

分別對小學、中學、高等院校進行空間變量點的緩沖區分析,與之前預測的風險區域進行區域統計,求得武漢市所有小學、中學、高等院校空間變量點的風險等級分布。表4估了武漢市全域范圍內所有學校的傳播風險。具體而言,絕大部分小學、中學的疫情傳播風險為低風險。這主要是因為中小學處于封閉性管理,人員流動性較低。雖然超過半數高等院校的疫情傳播風險為低或中低風險,但其高風險占比以及平均風險等級均偏高,疫情潛在爆發風險不容樂觀。這主要是因為高等院校中學生相對自由,學生與校外人群接觸多,因此交叉感染可能性大。從圖11可以看出,武漢市整體學校周邊疫情風險等級較低,風險高的區域主要集中在了中心城區,并呈現出向外的輻射遞減特征,因此復學前期應重點關注中心區域各大高校的消毒防護、人員限流以及肺炎檢測工作。圖12表明,學校周邊風險等級高的各類院校主要集中在江漢區、武昌區。中心區人口密集,在復學準備期間可能會由于學生的聚餐、外出購物等集體性行為而產生較高的疫情傳播風險,因此應重點關注這些區域的商超、菜市場、中小型作坊以及公共廁所等生活服務設施,對不合格場所及時進行嚴格整頓。同時,在復學準備期間,應密切關注該區域上學通勤交通工具的消毒工作,并適當增加區域車次,避免上學高峰時期的擁擠現象。

表4 武漢市全域學校疫情傳播風險評估表

圖11 武漢市全域學校空間分布和周邊風險等級 Fig.11 COVID- 19 infection risk spatial distribution around schools in Wuhan city

圖12 武漢市中心城區學校周邊風險等級分布Fig.12 COVID- 19 infection risk evaluation around schools in downtown

3 討論和建議

如今,新型冠狀病毒肺炎疫情已經在全世界范圍內傳播[5]。全社會的人們必須要盡最大努力,采取一切方法,用盡一切手段以提高公共健康能力和政府行政執行能力,以減緩甚至逼停新型冠狀病毒肺炎的傳播[7]。與此同時,政府為避免經濟大衰退,勢必要采取措施維護經濟發展[61]。2月21日,習近平總書記主持中共中央政治局會議,指出要以實行分區分級精準防控為抓手,統籌疫情防控與經濟社會秩序恢復[62]。武漢市企事業單位的復工復產即將提上日程,本文的研究意義就在于對疫情分布空間屬性的深化認知,特別是對傳統研究中有關傳染病分布研究建模過程中忽視空間特征以及微觀環境的不足做出了補充。

本研究主要有以下幾個方面的研究發現：首先,武漢中心區域感染風險最高并呈現出向外圍遞減的趨勢;其次,感染風險排名前五的一級場所類型分別為購物服務、交通設施、體育休閑、醫療服務、生活服務以及公共設施;第三,小學、中學的疫情傳播風險較低,而高等院校傳播風險較高;最后,模型確定了社區尺度下的疫情風險程度,預測購物場所與交通場所是疫情傳播風險最高的驅動因子。針對本研究成果,從政策層面上可提出進行城市治理的相關建議如下：

(1) 加強對公共場所的衛生治理,完善垃圾分類制度,對感染高風險區域加強防疫力度。科學劃分疫情等級,重點關注市中心區域,及時更新各地疫情狀況,做到分區分級精準施策。對城中村、老舊社區、老年人口較多的社區加強衛生服務和監管,減少感染風險,防控易感人群的暴露和聚集導致疫情擴散的風險。提升社區醫院的硬件條件,推廣分級治療。對公共場所進行衛生治理,保證區域中廁所的定期消毒,加強衛生督查工作。增加公共交通消毒頻率和力度,保護司乘人員的身體健康,建議建立健全動態的船舶衛生風險評估機制。小型餐館導致的疫情擴散不可忽視,應增強對小型餐館的衛生檢查管理力度。

(2) 關注學校周邊區域衛生環境,錯峰開學,限制高風險區域學生外出和跨區流動。建議根據該區域風險評估情況,制定錯時錯峰開學方案,做好教學銜接。做好各級各類學校周邊區域的衛生督查工作,完善垃圾分類制度,嚴格措施,加大校園管理力度。對于自由度相對較高的高校學生,校內管理人員應做好安全監管工作,實施網格化管理,對發熱和密切接觸疫情嚴重區域的學生及時治療,并在校內定點區域進行隔離。同時也應做好對各級各類學校學生的衛生教育工作。

(3) 合理規劃城市功能,加強城市周邊區域衛星城居住、醫療和商業服務設施配套工作。適當考慮增加密集居住區的商業和醫療服務配套設施,尤其是城郊大型社區應建立更多便利店以分散大型超市和菜市場承擔的商業職能,并可通過菜蔬貨品快遞上門的方式,避免人群聚集產生疫情感染風險。推動城市服務的自動化和線上化,可有效避免公共服務導致的人群間的病毒的接觸傳播。在未來的社區服務規劃上,根據人口密度、人口年齡、經濟水平和教育結構等指標,按需科學配置商業、醫療服務設施和服務人員,強調“以人為本”,合理配置社區各類服務資源。

本文的創新點在于運用地理信息技術和大數據,在社區和場所兩個不同尺度上對武漢市市域疫情傳播風險進行評估,且以可視化方法簡潔明了地分析疫情傳播的驅動因素,最后依據研究結論提出防控建議。希望本文的研究方法及結論可以為未來結合地理信息技術的傳染病研究提供借鑒與參考。

在設計和構建風險評估模型的過程中,本研究仍有不足的地方。首先,收集的社區疫情數據時間跨度不夠,僅考慮到空間范圍,摘取時刻點上的相應數據進行分析,使得結果可能存在一定偏差。在未來研究中將考慮將時序感染數據加入模型進行分析。其次,武漢主城區外的新區多以自然村形式分布,且大多為手機使用頻率較低的老年人口和兒童,故而人口密度數據存在一定偏差,相關地區的評估代表性可能不足。此外,本文未將境外輸入病例作為考慮因素,而現階段國內大部分確診病例的主要來源均為境外輸入病例[31,63],在今后的研究中會將此作為新的特征變量予以考慮。

4 結論

本文以曾經的疫情高發地武漢作為研究區域,耦合社區疫情傳染數據、興趣點數據、LBS人口密度數據以及路網數據,結合隨機森林算法評估社區和場所兩個尺度上的武漢疫情傳播風險,模型測試精度達0.85,且與真值一致性較好。并且對學校周邊地區疫情風險進行分析,由此提出錯峰上學、重點區域重點防控的建議。以特征向量權重為依據分析疫情傳播的驅動因子,發現購物服務和交通設施存在聚集性疫情爆發的可能性,說明模型對引起疫情傳播的因子具有一定的識別能力,體現地理信息技術在傳染病防控方面的適用性。