基于环比增长率和空间约束聚类算法分析中国COVID-19疫情的风险现状

胡健; 张俊; 王文舸; 董琳娟; 黄家祺; 张志杰

doi:10.16462/j.cnki.zhjbkz.2020.05.011

基于环比增长率和空间约束聚类算法分析中国COVID-19疫情的风险现状

doi: 10.16462/j.cnki.zhjbkz.2020.05.011

1.
200032 上海, 复旦大学公共卫生学院流行病学与卫生统计教研室
2.
310101 上海, 黄浦区半淞园街道社区卫生服务中心

详细信息

通讯作者:
张志杰, E-mail:zhj_zhang@fudan.edu.cn

中图分类号: R512.99
计量
- 文章访问数: 435
- HTML全文浏览量: 168
- PDF下载量: 34
- 被引次数: 0
出版历程
- 收稿日期: 2020-03-07
- 修回日期: 2020-03-21
- 刊出日期: 2020-05-10

Current risk status and spatial distribution of COVID-19 in China based on the day-on-day growth rate and spatial constrained clustering algorithm

1.
Department of Epidemiology and Health Statistics, School of Public Health, Fudan University, Shanghai 200032, China
2.
Community Health Service Center of Bansongynan Street, Huangpu District, Shanghai 310101, China

More Information

Corresponding author: ZHANG Zhi-jie, E-mail:zhj_zhang@fudan.edu.cn

摘要

摘要: 目的分析中国31个省、自治区、直辖市和新疆生产建设兵团(以下简称“31个省(区、市、兵团)”)新型冠状病毒肺炎(coronavirus disease 2019, COVID-19)疫情的近期防控态势, 基于各省份的疫情防控现状提出分区管理的设计建议。方法基于2020年1月25—2月8日中国31个省(区、市、兵团)COVID-19累计确诊病例数, 计算累计和新增确诊病例数的环比增长率, 并拟合随时间的线性函数得到环比增长率的线性趋势。进一步结合环比增长率的中位数(median, M)、标准差(standarddeviation, S)和累计确诊病例数进行AZP-SA(auto zone procedure with stimulate annealing, AZP-SA)的空间约束聚类, 对各省份疫情现状进行合理分区。结果中国31个省(区、市、兵团)累计确诊病例数的环比增长率在近期均呈现下降趋势。新增确诊病例数的环比增长率则没有呈现出明显的趋势方向。选择AZP-SA方法将中国31个省(区、市、兵团)分成8个区, 其中湖北及湖北周边省份属于疫情下降相对较慢的地区, 西北和北方省份疫情控制良好, 东部和东南省份的疫情控制效果处于两者之间。结论累计确诊病例数的环比增长率是衡量疫情短期趋势的良好指标, 基于累计确诊病例数及其环比增长率应用空间约束聚类可以对中国各省份的疫情现状进行划分, 为下一步的复工复产提供建议。
- 新型冠状病毒肺炎 /
- 环比增长率 /
- 空间约束聚类 /
- 分区管理
Abstract: Objective Analyze the current situation of COVID-19 epidemic prevention and control in various provinces in China, and propose a regionalized management method based on current status of epidemic prevention and control. Methods We calculated day-of-day growth rate of cumulative and new confirmed cases based on the reported confirmed cases between Jan 25 to Feb 8, and fitted it with the linear regression model accompanied with date. Furthermore, we applied auto zone procedure with simulator annealing(AZP-SA) spatial constrained clustering in cumulative confirmed cases and the linear trend, median, standard deviation of the growth rate, and provided a regionalized management suggestion based on previous result. Results The growth rate of cumulative confirmed cases in all provinces has shown a downward trend in recent. The growth rate of new confirmed cases did not show a significant trend. AZP-SA method partitions the mainland China into 8 regions. Region surrounding Hubei with relatively slow decline trend, and regions of the northwest and north provinces have good control of epidemic situation, and the eastern and Southeast provinces have a control effect between them. Conclusions The growth rate of the cumulative confirmed cases is a good indicator to measure the short-term trend of the epidemic. Based on the cumulative confirmed cases and its growth rate, the application of spatial constraint clustering can partitions the epidemic status of China, and provide a regionalized management for work resumption.
- Coronavirus disease 2019 /
- Growth rate /
- Spatial constrained clustering /
- Regionalized management

HTML全文

图 1 我国2020年2月8日各省市的COVID-19累计确诊病例数分布图

Figure 1. Distribution of COVID-19 cumulative confirmed cases by provinces and cities in China in February 8, 2020

下载: 全尺寸图片幻灯片

图 2 中国COVID-19累计确诊病例数的环比增长率曲线

Figure 2. Dod growth curve of COVID-19 cumulative confirmed cases in provinces and cities in mainland China

下载: 全尺寸图片幻灯片

图 3 中国COVID-19新增确诊病例数的环比增长率曲线

Figure 3. Dod growth rate of COVID-19 newly confirmed cases in provinces and cities in mainland China

下载: 全尺寸图片幻灯片

图 4 空间约束聚类中聚类数目与Calinski-Harabasz指数的关系图

Figure 4. Relationship between the number of clusters and the Calinski-Harabasz index in spatially constrained clustering

下载: 全尺寸图片幻灯片

图 5 中国COVID-19空间聚类分布地图

Figure 5. Spatial clustering distribution map of COVID-19 in provinces and cities in mainland China

下载: 全尺寸图片幻灯片

表 1 中国COVID-19累计确诊病例数的环比增长率的线性模型系数

Table 1. Linear model coefficients of the dod growth rate of COVID-19 cumulative confirmed cases in mainland China

省份	β₁值	t值	P值	R²(%)	省份	β₁值	t值	P值	R²(%)
吉林	-0.011	-1.017	0.328	7.37	辽宁	-0.022	-4.561	0.001	61.54
贵州	-0.016	-1.280	0.223	11.19	浙江	-0.040	-4.643	< 0.001	62.38
新疆	-0.033	-1.776	0.099	19.52	重庆	-0.021	-4.656	< 0.001	62.52
青海	-0.097	-2.103	0.057	26.94	安徽	-0.027	-4.789	< 0.001	63.82
内蒙古	-0.076	-2.368	0.034	30.13	河北	-0.041	-4.817	< 0.001	64.10
天津	-0.021	-2.627	0.021	34.67	江苏	-0.053	-4.848	< 0.001	64.38
海南	-0.034	-2.867	0.013	38.74	山东	-0.041	-5.170	< 0.001	67.28
河南	-0.057	-3.298	0.006	45.55	江西	-0.048	-5.575	< 0.001	70.51
湖南	-0.069	-3.330	0.005	46.03	云南	-0.069	-5.747	< 0.001	71.76
陕西	-0.075	-3.354	0.005	46.40	福建	-0.057	-5.803	< 0.001	72.15
湖北	-0.031	-3.544	0.004	49.14	四川	-0.034	-6.394	< 0.001	75.88
甘肃	-0.044	-3.610	0.003	50.06	广东	-0.025	-6.620	< 0.001	77.12
广西	-0.021	-4.081	0.001	56.16	山西	-0.032	-6.814	< 0.001	78.13
宁夏	-0.037	-4.156	0.001	57.05	北京	-0.020	-7.255	< 0.001	80.19
黑龙江	-0.027	-4.346	0.001	59.23	上海	-0.019	-7.594	< 0.001	81.60

下载: 导出CSV

表 2 中国COVID-19新增确诊病例数的环比增长率的线性模型系数

Table 2. Linear model coefficients of the dod growth rate of COVID-19 newly confirmed casesin mainland China

省份	β₁	t值	P值	R²(%)	省份	β₁	t值	P值	R²(%)
甘肃	0.228	1.592	0.135	16.32	四川	-0.019	-1.007	0.332	7.24
黑龙江	0.076	1.133	0.278	8.98	上海	-0.023	-1.042	0.316	7.71
天津	0.054	0.544	0.596	2.22	山东	-0.021	-1.246	0.235	10.67
广西	0.015	0.323	0.752	0.80	浙江	-0.053	-1.572	0.140	15.98
吉林	0.016	0.176	0.863	0.28	陕西	-0.105	-1.721	0.109	18.56
辽宁	0.000	0.009	0.993	0.00	广东	-0.044	-1.737	0.106	18.84
山西	0.000	0.008	0.994	0.00	北京	-0.028	-1.739	0.106	18.88
贵州	-0.019	-0.270	0.792	0.60	宁夏	-0.136	-1.782	0.100	20.93
河北	-0.016	-0.368	0.719	1.03	河南	-0.043	-1.809	0.094	20.11
重庆	-0.012	-0.387	0.705	1.14	福建	-0.044	-1.847	0.088	20.79
内蒙古	-0.034	-0.416	0.684	1.31	湖北	-0.068	-1.849	0.087	20.83
新疆	-0.053	-0.418	0.682	1.33	江西	-0.044	-1.899	0.080	21.71
青海	-0.077	-0.593	0.572	4.78	湖南	-0.066	-1.995	0.067	23.43
海南	-0.030	-0.836	0.418	5.10	江苏	-0.038	-2.894	0.013	39.18
安徽	-0.041	-0.909	0.380	5.97	云南	-0.068	-3.142	0.008	43.16

下载: 导出CSV

表 3 中国COVID-19聚类结果

Table 3. COVID-19 clustering results of provinces and cities in China

聚类	省份	累计确诊病例数(个)	环比增长率
聚类	省份	累计确诊病例数(个)	M值	S值	线性趋势系数
1	湖北省	27 100	0.23	0.20	-3.54
	x值	27 100	0.23	0.20	-3.54
	S²值
2	甘肃省	81	0.14	0.28	-3.61
	宁夏回族自治区	45	0.11	0.22	-4.16
	新疆维吾尔自治区	45	0.14	0.34	-1.78
	x值	57	0.13	0.28	-3.18
	S²值	17	0.02	0.05	1.02
3	内蒙古自治区	54	0.13	0.62	-2.37
	陕西省	208	0.16	0.49	-3.35
	x值	131	0.15	0.55	-2.86
	S²值	77	0.02	0.06	0.49
4	北京市	326	0.17	0.10	-7.25
	福建省	250	0.13	0.30	-5.80
	广东省	1 120	0.17	0.13	-6.62
	广西壮族自治区	195	0.12	0.13	-4.08
	河北省	206	0.16	0.23	-4.82
	江苏省	468	0.17	0.30	-4.85
	辽宁省	105	0.09	0.12	-4.56
	山东省	435	0.13	0.23	-5.17
	山西省	115	0.18	0.16	-6.81
	上海市	292	0.16	0.09	-7.59
	四川省	386	0.12	0.17	-6.39
	云南省	140	0.10	0.36	-5.75
	浙江省	1 075	0.12	0.22	-4.64
	重庆市	446	0.12	0.12	-4.66
	x值	397	0.14	0.19	-5.64
	S²值	309	0.03	0.08	1.08
5	天津市	88	0.09	0.16	-2.63
	x值	88	0.09	0.16	-2.63
	S²值
6	黑龙江省	307	0.23	0.16	-4.35
	吉林省	78	0.21	0.17	-1.02
	x值	193	0.22	0.17	-2.68
	S²值	115	0.01	0.01	1.66
7	青海省	18	0.06	0.76	-1.64
	x值	18	0.06	0.76	-1.64
	S²值
8	安徽省	779	0.18	0.15	-4.79
	贵州省	96	0.22	0.22	-1.28
	河南省	1 033	0.19	0.38	-3.30
	湖南省	838	0.17	0.46	-3.33
	江西省	740	0.19	0.26	-5.58
	x值	697	0.19	0.29	-3.65
	S²值	317	0.02	0.11	1.47

下载: 导出CSV

参考文献(12)

[1]	World Health Organization. Coronavirus disease(COVID-19)outbreak situation[EB/OL]. (2020-02-23)[2020-03-05]. https://www.who.int/emergencies/diseases/novel-coronavirus-2019.
[2]	中国疾病预防控制中心.新型冠状病毒肺炎专栏[EB/OL]. (2020-02-23)[2020-03-07]. http://www.chinacdc.cn/jkzt/crb/zl/szkb_11803/. Chinese Center for Disease Control and Prevention. COVID-19 column[EB/OL]. http://www.chinacdc.cn/jkzt/crb/zl/szkb_11803/.
[3]	中华人民共和国国家卫生健康委员会.新型冠状病毒肺炎疫情通报[EB/OL]. (2020-02-23)[2020-03-05]. http://www.nhc.gov.cn/xcs/xxgzbd/gzbd_index.shtml. National Health Commission of the people's Republic of China. COVID-19 notification[EB/OL]. (2020-02-23)[2020-03-05]. http://www.nhc.gov.cn/xcs/xxgzbd/gzbd_index.shtml.
[4]	胡健, 胡艺, 高风华, 等.基于SKATER聚类算法设计血吸虫病监测点的探索性研究[J].中国血吸虫病防治杂志, 2019, 31(4): 368-373.DOI: 10.16250/j.32.1374.2019011. Hu J, Hu Y, Gao FH, et al. Design of schistosomiasis surveillance sites based on Spatial Kluster Analysis by Tree Edge Removal(SKATER)method: an exploratory study[J]. Chin J Schisto Control, 2019, 31(4): 368-373. DOI: 10.16250/j.32.1374.2019011.
[5]	Wu C, Hu W, Zhou MJ, et al. Data-driven regionalization for analyzing the spatiotemporal characteristics of air quality in China[J]. Atmos Environ, 2019, 203: 172-182.DOI: 10.1016/j.atmosenv.2019.01.048.
[6]	Openshaw S, Rao L. Algorithms for reengineering 1991 Census geography[J]. Environ Plan A, 1995, 27(3): 425-446.DOI: 10.1068/a270425.
[7]	Cockings S, Harfoot A, Martin D, et al. Maintaining existing zoning systems using automated zone-design techniques: methods for creating the 2011 census output geographies for England and Wales[J]. Environ Plan A, 2011, 43(10): 2399-2418.DOI: 10.1068/a43601.
[8]	Aarts EH, Van Laarhoven PJ.Pattern recognition theory and applications[M].Berlin: Springer, 1987: 179-192.
[9]	Caliński T, Harabasz J. A dendrite method for cluster analysis[J]. Commun Stat-Theory Methods, 1974, 3(1): 1-27.DOI: 10.1080/03610927408827101.
[10]	中国疾病预防控制中心新型冠状病毒肺炎应急响应机制流行病学组.新型冠状病毒肺炎流行病学特征分析[J].中华流行病学杂志, 2020, 41(2): 145-151.DOI: 10.3760/cma.j.issn.0254-6450.2020.02.003. Novel Coronavirus Pneumonia Emergency Response Epidemiology Team. The epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases(COVID-19)in China[J]. Chin J Epidemiol, 2020, 41(2): 145-151. DOI: 10.3760/cma.j.issn.0254-6450.2020.02.003.
[11]	Wu Z, McGoogan JM. Characteristics of and important lessons from the coronavirus disease 2019(COVID-19)outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention[J]. JAMA, 2020.DOI: 10.1001/jama.2020.2648.
[12]	Du Z, Wang L, Cauchemez S, et al. Risk for transportation of 2019 novel coronavirus disease from Wuhan to other Cities in China[J]. Emerg Infect Dis, 2020, 26(5). http://www.researchgate.net/publication/338927327_Risk_for_Transportation_of_2019_Novel_Coronavirus_COVID-19_from_Wuhan_to_Cities_in_China