城市群新冠疫情时空分布格局与分异机制的地理探测

王 琳,赵俊三

昆明理工大学国土资源工程学院, 昆明 650093

从湖北省武汉市等多个地区发生新型冠状病毒感染的肺炎疫情以来,我国境内报告感染累计数不断攀升[1]。专家研判认为,疫情传播途径以呼吸道传播为主,人员流动性会加大疫情传播的风险和防控的难度[2]。城市群拥有强大的人口和经济聚集力,伴随着世界城市化进程,大城市正成为传染病传播的重要中心[3]。我国不同城市群虽然在人口数量和空间规模的分布略有不同,但均呈现出较明显的规律性,大多为集中型分布格局[4-5]。我国疫情的时空分布变化与我国城市群的整体分布格局是否具有关联性？基于城市群的疫情发展具有怎样的空间规律性？疫情的发展分布在地理上受哪些空间差异性因素影响？对疫情在城市群范围进行空间分析和地理因素探索,将在疫情防控方面能发挥积极的作用。

城市群是一个相对完整的城市“集合体”,在形式上表现为空间形态高度发达、城市高度融合、群内要素向大城市高度集聚,空间交互较强[6]。我国目前已基本形成了“19+2”城市群分布格局——19个城市群,加上以新疆喀什和西藏拉萨为中心的两个城市圈。我国19个城市群占全国27.40%的土地面积,承载全国人口的72.98%[7]。大量的人口流动在城市之间发生,大多数发达国家的城市化率已经高达约80%,联合国预测世界城市人口将从2007年的33亿增长到2050年的63亿,指数级城市增长正在对全球人类健康产生深远影响[3]。推进健康中国建设,需要结合城市群的高聚集性和开放性对城市群进行可持续发展规划,处理好集中与分散的关系,围绕城市群的功能、空间、交通、形态等科学布局。

从新冠肺炎疫情爆发以来国内外出现了不少研究,除病理学分析外,多集中于统计分析并建立模型对疫情传播进行模拟预测,Qun Li等[1]通过拟合传输模型来推导疫情的发展和演变,Tianmu Chen等[8]建立蝙蝠-宿主-海鲜市场-人群(BHRP)传播网络模型评估COVID-19的传导性,Tianyi Qiu等[9]建立了SEIO实时状态动态模型：对易感、暴露、感染症状、医疗(Medical care)和系统外人口进行建模,协助疫情应对。研究者还运用一般增长模型[10]、传播动力学模型[11]、以及复杂网络的疾病传播模型SIR[12]、SEIR模型[13]对疫情演变进行分析。对于疫情扩散的人口流动和安全距离的研究,许小可等[14]基于地理位置服务的人口流动数据,对春节前离汉人口的地理分布进行了统计分析和对疾病传播的影响,George J Milne[15]建立了基于个体的模拟模型,在没有干预的情况下,在社区模型中对病毒传播的模拟提供一个基准,用来比较替代性的社会疏远策略。而对于城市群的研究,诸多学者从不同角度展开,研究主题主要涵盖了城市群的空间格局[16]、城市群综合发展评价[17]、资源与生态环境[18-19]、承载力[20]、社会经济的可持续发展[21]、土地利用[22-23]、时空演化[24]等。在疫情严峻的形势下,鲜有结合城市群进行地理空间分析的研究。本文首先将疫情在数量、人口迁移和空间分布上进行测度,利用空间自相关分析疫情空间分布特征,运用地理探测器方法客观地测度城市群疫情发展的影响极其差异性,从景观格局中挖掘相关影响因子,以期为国土空间规划中的防疫空间规划布局提供科学依据。

1 数据来源及处理

本文研究数据包括百度迁徙数据,全国各省、市疫情统计数据,用于驱动因素分析的自然指标栅格数据,社会经济指标属性数据。对2018年土地利用1 km栅格数据按土地利用一级类型进行分类提取生态用地和建设用地,基于全国气象站点月数据,计算年均气温、年平均降水量等,利用反向距离加权平均的方法内插出空间分辨率为100 m×100 m的年平均气温、年平均降水量、干燥度和湿润指数。利用SPSS对缺失数据采取线性插值等方法进行补充,通过归一化处理消除量纲和量级的影响。使用ArcGIS对各图层进行投影坐标变换、空间配准等空间化处理,为使疫情确诊感染人数、社会、经济等无X、Y坐标的属性数据实现指标空间化,将省域和市域尺度社会经济数据结合自然因素数据转化成格网数据,保证感染人数、社会、经济等属性数据在空间上的平滑过渡。借助GeoDa软件进行空间自相关分析,通过GeoDetector进行空间分异性测算,用Fragstats测度景观格局指数。主要数据源及处理相关信息如表1所示。

表1 指标体系、主要数据来源Table 1 The index system, main data source

2 研究方法

2.1 核密度

密度分析是基于空间平滑及空间内插技术的统计分析过程,核密度值随中心辐射距离的增大逐渐变小[25],运用核密度估计可以清晰反映累计确诊人数在空间上的分散和集聚特征,其计算表达式为：

(1)

式中,fn为疫情人数分布的核密度测算值,n为COVID-19感染累计总人数,k为核密度函数,xi为独立同分布的累计确诊值,x为均值,h为核密度测算带宽的平滑参数。

2.2 空间自相关

空间自相关是区域化变量的基本属性之一,既可检验变量空间分布的自相关强度,又可检测研究区内变量的分布是否具有结构性[26]。全局自相关描述整体分布情况,判断某属性在特定区域内是否有聚集特征存在,局部自相关能指出显著的聚集发生在哪些位置[27]。Moran′sI∈[-1,1],小于0表示负相关,等于0表示不相关,大于0表示正相关。

全局 Moran′sI计算表达式为：

(2)

局部 Moran′sI计算表达式为：

(3)

式中,n为变量x的观测数;xi、xj分别为变量x在位置i和位置j处的观测值;x为所有观测值的均值;Wij是空间权重矩阵值。

2.3 理探测器

地理探测器模型可较好表达同一区域内的相似性、不同区域之间的差异性,该模型主要是基于统计学原理的空间方差分析, 通过分析层内方差与层间方差的异同来定量表达研究对象的空间分层异质性(空间异质性)。其计算表达式为：

(4)

式中,q为疫情分布的空间异质性;N为群市区域的全部样本数;σ2为指标的方差;h=1, 2, …,L,h标识分区,L表示分区数目。q∈[0, 1],q的大小反映了空间分异的程度,q值越大,表示空间分层异质性越强,反之则空间分布的随机性越强[28]。

2.4 景观格局指数

景观指数可以研究地区面积分布、边缘和形状特征,以及它们的细碎化和连通性[29]。本文选择以下指标对城市群生态用地和建设用地进行分析：香农多样性指数(SHDI,Shannon′s Diversity Index)、蔓延度(CONTAG,Contagion Index)、散布与并列指数(IJI,Interspersion Juxtaposition Index)、聚集度指数(AI,Aggregation Index)、相似临近百分比(PLADJ,Percentage of Like Adjacencies)和整体性斑块凝聚度(COHESION,Patch Cohesion Index)[30-31],并通过ArcGIS 10.2将不同城市建设用地和生态用地指标生成Grid栅格数据,在Fragstats 4.2景观分析软件中完成指标评价。

3 结果与分析

3.1 全国疫情分布与演化格局

3.1.1疫情分布特征

全国累计确诊病例数自1月20日有数据记录以来,一直处于上升阶段,结合趋势图可将疫情划分为3个阶段：爆发期(1月20日—2月12日),从传播开始,确诊数量增长为快速上升趋势,该阶段后期急剧增加(2月12日,湖北省对新增确诊病例标准进行了调整,当日新增的14840例中包含了临床诊断病例13332例);发展期(2月12日—3月2日),累计确诊人数涨幅度较前一阶段有所放缓,平均增长率为24.18%;控制期(2月28日—5月),新增确诊得到有效控制,累计人数趋于平缓,平均增长率为1.97%,成功缓解了疫情。为了反映疫情发展的时空变化,将不同阶段数据绘制成雷达图,因为武汉及相邻城市疫情的烈度和形势都显著不同于其它地区,数据样本没有包含湖北省。可以看出,数量上各省(直辖市)COVID-19感染确诊数量差别较大,疫情区域面积较大的集中在广东、河南、浙江、安徽和江西等省,而增长情况在爆发期增长面积最多,进入发展期大部分地区确诊人数均有增加,而控制期则面积变化总体较小,仅在上海、黑龙江、广东等地有较明显的增加(图1)。

图1 全国COVID-19感染累计确诊病例发展趋势Fig.1 The development trend chart of COVID-19 cases in China

3.1.2COVID-19感染热点区域与城市群耦合特征

为体现疫情的空间密度分布,将市域尺度的确诊累计病例矢量数据进行要素转点,使用核函数计算各单位面积的量值,并将各个点拟合为光滑锥状表面,对核密度值高的区域以高亮形式显示,从而用热力图形式呈现疫情空间密度分布(图2)。我国感染COVID-19的人数在空间分布中整体表现出明显的不均匀聚集特征：以武汉为中心的区域是明显的高密度区,以此为中心向周围辐射,湖北省其他城市则为中高密度区,在北京市周边,浙江、江苏、上海等地,以及广州地区都是中高密度区。与湖北省相邻的河南省、安徽省、江西省、湖南省等周边区域以及黑龙江哈尔滨等地区中密度区,其余为中低密度区。以胡焕庸线为界,界线以西普遍体现为低密度区。进一步将疫情核密度图与城市群区域进行叠加分析,可以看出COVID-19感染的高密度区与长江中游城市群相吻合,中高密度区分别与京津冀城市群、长江三角洲城市群和珠江三角洲城市群区取相重合。因此,本文围绕以上四大城市群做进一步研究分析。

3.2 城市群人口迁徙与疫情演化分布

利用python获取百度迁徙中全国人口迁徙的OD(Origin-destination)数据,计算疫情爆发期湖北省疫情高发城市迁出的无量纲迁徙指数累计数。从湖北省迁往长江中游城市群、京津冀城市群、长江三角洲城市群和珠江三角洲城市群的人口数量占总迁徙量的67.8%,迁往长江中游城市群的比例为55.4%,疫情高发城市迁出排名前25的城市主要集中在湖北省。人口流动促进传染疾病的传播是不言而喻的[32],从武汉迁入的省内城市,大部分如孝感、襄阳、孝感、鄂州、黄冈、荆州、黄石、宜昌等地成为了疫情较严峻地区,以及从湖北迁入的省外城市如深圳、温州、南昌、九江、安庆、长沙、岳阳、常德等地感染确诊数也相对较多。以市域为尺度对城市群的COVID-19感染累计确诊数和增长率进行统计,长江中游城市群中武汉市感染人数最多,占四大城市群的69.95%,除去武汉市长江中游其余城市占四个城市群感染人数的23.89%。除去武汉市的感染人数,长江三角洲城市群疫情人数占4个城市群最高,为47.91%,其次为珠三角城市群27.24%,京津冀城市群为24.85%。在控制期阶段,大部分城市为零增长,而该阶段依旧还有新增病例的城市主要有武汉、北京、天津、上海和东莞等。城市群的首位核心城市确诊病例数在城市群中占比均较高,城市群疫情扩散分布呈现典型的由核心城市向外辐射的特征(图3、图4)。

图4 COVID-19感染确诊累计人数和增长指数Fig.4 Number of cases and increase index of COVID-19 infection

3.3 确诊数与增长率空间自相关分析

分别将全国有疫情统计数据的365个城市COVID-19确诊人数和增长率作为空间自相关分析的属性值,引入全局Moran′sI指数来分析疫情发展的空间自相关性以及不平衡性。对比全国以及四大城市群全局Moran′sI指数,结合Z值和P值进行统计量检验(表2)。在全国范围,确诊人数Moran′sI指数为0.564,增长率Moran′sI指数为0.409,P值均≤0.001,Z值均大于1.96,达到显著水平,具有正空间自相关关系,存在较显著空间集聚特征。在城市群范围,四个城市群在感染确诊人数的空间自相关均通过检验,Moran′s Ⅰ指数从长江中游城市群、珠江三角洲城市群、京津冀城市群、长江三角洲城市群依次降低,表明聚集区域范围逐渐缩小;而城市群感染增长率Moran′sI指数除长江三角洲城市群外,均没有通过显著性检验,说明长江三角洲城市群的增长率表现为正空间自相关关系,存在空间集聚特征,而其他三个城市群的城市与周围区域的增长率在空间分布上差异较大。

表2 全国及四个城市群确诊数与增长率全局Moran′s I指数分析值Table 2 The Moran′s I index analysis value of COVID-19 cases and increase rate of nationwide and four urban agglomerations

通过LISA聚集图可以看到,确诊人数在长江中游城市群大部分地区为高-高聚集,表示该区域本身以及周围区域的确诊人数均较高,长江中游城市群南部部分城市、京津冀城市群石家庄市、长江三角洲城市群的泰州市、珠三角洲城市群肇庆市、佛山市和江门市、东北部分城市以及胡焕庸线以西大部分地区为低-低聚集,这些区域与周围确诊人数均较低,北京市为高-低聚集,长江中游城市群少部分城市为低-高聚集。感染增长率则在东北部分地区以及长江中游地区武汉市、潜江市、天门市为高-高聚集,而在长江中游和长三角洲城市群少部分城市、云南省部分地区和胡焕庸线以西大部分地区为低-低聚集,疫情增长率在四个城市群的空间关联集聚区域较少,仅在武汉市及周边部分城市聚集,其余地区聚集规律不明显(图5)。

图5 全国感染人数与增长率空间关联分析 Fig.5 Spatial correlation analysis of COVID-19 cases and increase rate in China该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)1823号的标准地图制作，底图无修改

3.4 疫情影响因子探测分析

3.4.1主导因子探测分析

依据人口、地理空间形态、交通功能、生态、社会经济可能对疫情产生影响的机理[33],结合数据可获取性,建立多维指标体系。以城市群的市级行政区划为研究单元,以8个类型(经济核算、人口密度、城乡建设、交通、卫生、科技、气候、生态绿地)的14项指标数据为因变量,COVID-19感染确诊累计数和感染增长率分别作为自变量,对指标数据采用自然断点法进行离散处理,运用地理探测器模型计算出不同指标因子的影响力水平(图6)。从京津冀城市群的主导因子来看,感染确诊累计数和感染增长率的q统计值最高的为公交运营数(0.9591、0.9430),长江中游城市群为卫生机构床位数(0.9245、0.9312),长江三角洲城市群为建成区路网密度(0.9230、0.9505),珠江三角洲城市群的感染确诊累计数上城市人口密度q统计值最高(0.9725),感染增长率q值最高的为人均公园绿地面积(0.8911)。

图6 疫情空间分异影响因子探测结果(q统计量)Fig.6 Detection results of epidemic spatial differentiation influencing factors (q statistic)

结果表明,在主导因子探测中,以经济发展为方向的人均GDP和以年均气温、降水、干燥度和湿润度为指标的气候因子的解释能力相对较小。不同城市群的主导影响因子及其解释力因城市群自身特征而具有不同程度的差异：京津冀城市群城市交通解释力最大,其次为城市公园绿地;长江中游城市群医疗卫生资源解释力最大,其次为科技创新水平;长江三角洲城市群的城市道路通达程度解释力最大,其次为医疗卫生资源;珠江三角洲城市群的人口密度解释力最大,其次为公园绿地。总体分析,对疫情具有较大解释力的因子反映了在城市化建设过程中,城市土地集约化利用,促使人口集聚程度增高,公路网总体规模建设促进了交通的高效性和通达性,并且为人口流动提供了便利条件;高技术产业科技创新对疫情的防控起到一定的作用;生态和建设用地在空间上的规模集聚或者分散能够起到一定地理阻隔、生态廊道的安全作用。

3.4.2交互作用分析

不同因子之间具有交互作用,不同评估因子共同作用时可能会增加或减弱对因变量的解释力[31]。研究分别对COVID-19感染确诊累计数和增长率的空间分异探测因子进行交互探测,提取两两交互的增强型因子中最大q值交互因子(表3)。结果表明,在交互主导因子中,最大q值的两个因子交互后,作用强度都明显大于单一因子。在COVID-19感染人数的空间分异上,京津冀城市群q值最高的主导交互因子为专利授权和公园绿地交互(q为0.9246),长江中游城市群为卫生机构床位数和公园绿地交互(q为0.9668),长三角城市群为人口密度和卫生机构数交互(q为0.9477),珠三角城市群为公交运营和卫生机构数交互(q为0.9626)。在COVID-19感染增长率上,4个城市群的主导交互分别是京津冀城市群为网密度和专利授权(q为0.9956),长江中游城市群的主导交互为卫生机构数和专利授权(q为0.9398),长三角城市群为人口密度和公交运营(q为0.9215),珠三角城市群为专利授权和公园绿地(q为0.9610)。

表3 交互主导因子影响强度(q值)表Table 3 The dominant interactions between two covariates (q value)

4个城市群的主导双因子交互反映出,城市群的经济水平、城镇化的发展、医疗卫生水平、交通通达程度、科技创新研发能力、生态绿地因素相互作用,增强了对疫情的空间分布解释能力。对具有高解释力的因子做进一步分析,上述因素既存在传播扩散的高风险,同时也具备疫情管控的优势：在风险方面,由于4个城市群的经济发展水平相对高,大城市群形成了巨大而紧密的一体化区域城市和城市区域,城市间以及城市内部人口流动和出行移动,交通的普及化、便利化和高速化,助推了国民流动性和市民机动性的大幅度提升[34],在区域空间上人员的密集性以及人员流动性,都会增加疫情扩散的风险。而在优势方面,则由于发展水平较高的城市医疗水平也相对较高,医疗设施完善、人员配备齐全,同时还有一个重要的条件就是科技创新研发能力所带来的技术优势,能够在抗击疫情的关键的时刻提升效率和防控准确度,为建设提供技术支持,为防护提供物资保障,能够在防控技术开发和应用方面发挥出关键的作用;而城市绿地作为城市自然生态系统的重要部分,与山水林田湖草等自然生态要素有机连接,能够确保生态廊道畅通,城市通风廊道得到优化,能够成为疫情时期的开放空间和疏散通道。

3.4.3生态与建设用地景观格局探测分析

城市空间一直是健康生活的重要支撑,城市化增强了病毒传播的能力[35]。城市群的城市建设和生态绿地空间形成了融合集聚及阻断方式,在因子探测中已经得到显现,为了深入挖掘城市群的土地利用景观格局对疫情的解释力,进一步研究探测建设用和生态用地景观格局对于感染风险的分异度q值(表4)。

生态用地景观格局指数探测q统计量较高且均通过5%显著性检验的3个因子为：香农多样性指数(SHDI)、蔓延度(CONTAG)和散布与并列指数(IJI),说明生态用地景观的多样性、优势生态用地类型所形成的良好的连接性以及生态用地破碎化程度的解释力较高。整体上蔓延度指数的q值具有较高解释性,体现了景观格局中的优势斑块与非优势斑块的连接度在疫情人数上有较大解释能力。在感染增长率方面,四个城市群的散布与并列指数相对较高,说明生态景观趋向分散的格局对疫情发展具有较强解释能力。

建设用地的景观格局指数探测出结解释度较高的3个因子为：聚集度指数(AI)、相似临近百分比(PLADJ)和整体性斑块凝聚度(COHESION),感染人数的q值整体大于增长率q值,说明城市群的建设用地在聚合度上对疫情的解释力较强,对感染人数的解释力强于对增长率的解释。3个因子的q统计量在京津冀城市群的探测中最高,说明在建设用地的聚集结合聚合和集群程度对疫情的解释力最高。

在高度集约化的城市群,生态绿带和廊道规划设计,景观的连通性、生态流、良好的连接度是促进生态系统健康、可持续发展的关键[36]。结合城市群的疫情分布和景观格局指数来看,在建设用地景观格局指数探测中选取q值整体较高的聚集度指数(AI),在生态用地探测中选取q值整体较高的蔓延度指数(CONTAG),用ArcGIS 10.2基于自然断点法进行数量分类并可视化,与疫情数量和增长情况进行比较(图7)。可以看出,在疫情数量和增长率较高的大部分地区,建设用地的聚集度指数较高,如长江中游城市群中武汉、 南昌等地,京津冀城市群中北京、天津,长三角洲城市群中上海、杭州、合肥,珠三角州的广州、东莞和深圳;而疫情人数增长率较低的地区,生态用地景观蔓延度指数较高,如长江中游城市群益阳、衡阳、安庆,京津冀城市群中承德,长江三角洲城市群中南通、苏州,珠三角州的佛山。

图7 城市群疫情数量统计与景观格局指数示意图Fig.7 Schematic diagram of epidemic quantity statistics and landscape pattern index in urban agglomerations

4 结论与讨论

4.1 结论

全国COVID-19感染人数核密度高值区空间分布与我国四大城市群区域耦合。湖北省疫情高发城市迁往四大城市群的人口数量占总迁徙量的67.8%,迁往长江中游城市群的比例为50.4%,从湖北迁入量排前25的大部分城市在感染人数和增长率上相对偏高。在全国范围COVID-19感染确诊人数Moran′sI指数(0.564)高于增长率Moran′sI指数(0.409),存在显著空间集聚特征;在城市群范围COVID-19感染人数的Moran′sI指数从长江中游、珠江三角洲、京津冀到长江三角洲城市群依次降低;在城市群范围COVID-19感染人数增长率的空间关联集聚区域较少,聚集规律不明显。经过地理空间分异性探测,经济核算、气候因子解释力相对较小,人口密度、城乡建设、交通、卫生、科技、生态绿地等驱动因子影响力较大,并且交互后解释力增强。生态与建设用地景观格局对疫情有较大解释力,其中建设用地的聚集性和生态用地的蔓延性对疫情的解释力较高。总之,COVID-19感染的人数分布体现出空间上的邻近性,因此,从疫情控制和生态安全的角度考虑,城市的人口规模和空间形态是国土空间规划的关键问题。把健康理念融入规划,优化城市群空间格局需要集聚与分散相结合,综合考虑建筑密度、道路通达性、自然植被、生态廊道等因素。

4.2 讨论

本文采用定量分析的方法对新冠肺炎疫情的城市群区域确定、空间相关性、空间分异机制进行研究,以市域尺度在宏观层面总结了空间分布的规律和疫情的驱动因素,基于土地利用分类的数据,对建设用地和生态用地的景观格局指数进行了研判。要进一步把握相关因子与疫情的一致性关系以及跨区域发展趋势,需对感染人群所在具体位置进行更细致的时空分析,结合跨区域流动,挖掘更多有价值的信息。要进一步验证和研究景观格局对传染病的影响以及规划的防控作用,需要结合疫情个体和群体,通过更小尺度的土地利用类型和景观斑块形态,来探讨城市建设过程中生态廊道的布局对疫情发展的隔离作用。城市群规划的景观格局和空间形态对人民健康生活构成影响,直接关系到经济持续健康发展,也关系到政治和社会建设。