下面是小编为大家整理的人口活动与美国新冠疫情时空分布关联关系研究,供大家参考。
Geographical Science Research 地理科学研究, 2022, 11(1), 124-140 Published Online February 2022 in Hans. http://www.hanspub.org/journal/gser https://doi.org/10.12677/gser.2022.111014
文章引用: 李卫红, 刘国庆. 人口活动与美国新冠疫情时空分布关联关系研究[J]. 地理科学研究, 2022, 11(1): 124-140.
DOI: 10.12677/gser.2022.111014
人口活动与美国新冠疫情时空分布 关联关系研究
李卫红 1,2* ， 刘国庆 1,2
1 华南师范大学地理科学学院，广东 广州 2 广东师大维智信息科技有限公司，广东 广州
收稿日期：2021年12月28日；录用日期：2022年2月7日；发布日期：2022年2月14日
摘
要
新冠疫情( 以下简称“疫情”) 严重影响了人类生命安全，地理学者开展了对疫情时空分布、影响因素等方面的研究，人口活动对疫情时空传播具有显著的影响，但相关的研究较少。本文以疫情高发地美国为例，探究人口活动( 州内日常活动、州际人口流动) 与疫情时空分布( 时空扩散、时空聚集) 的关联关系。针对时空扩散：根据暴露指数构建人口流动网络，对迁入指数和实时基本再生数进行相关分析、对疫情演化序列和网络节点序列进行序列相似度对比，对环境数据和疫情演化结果进行相关分析；针对时空聚集：对人口流动网络并进行社区划分，采用空间自相关判断病例分布是否产生聚集，利用时空扫 描得到疫情的时空聚类簇，将网络社区划分结果和时空聚类簇进行对比。结果表明：从实时基本再生数来看，美国疫情是趋于缓和的；美国疫情时空扩散与人口流动和人口日常活动存在关联关系，餐饮购物活动和人口流入是主要影响因素；美国疫情时空聚集与人口流动存在关联关系，人口流动网络中社区内部的密切人口往来塑造了疫情时空聚集特征。人口活动与疫情时空分布存在关联关系，为了遏制疫情应当严格控制人口活动。
关键词
新冠疫情 ， 人口活动 ， 时空特征 ， 序列相似度 ， 人口流动网络
Study on the Correlation between Population Activities and Spatiotemporal Distribution of COVID-19 in the United States
Weihong Li 1,2* , Guoqing Liu 1,2
1 School of Geography, South China Normal University, Guangzhou Guangdong 2 Guangdong Shida Weizhi Information Technology Co., Ltd., Guangzhou Guangdong
* 通讯作者。
李卫红，刘国庆
DOI: 10.12677/gser.2022.111014 125 地理科学研究
Received: Dec. 28 th , 2021; accepted: Feb. 7 th , 2022; published: Feb. 14 th , 2022
Abstract The COVID-19 epidemic has seriously affected the safety of human lives. Geographers have carried out studies on the spatiotemporal distribution and influencing factors of COVID-19, etc. Popula-tion activities have a significant impact on the spatiotemporal spread of COVID-19, but there are few relevant studies. This paper takes the United States as an example to explore the relationship between population activities (daily activities within the state, interstate population movement) and the spatiotemporal distribution of the epidemic (spatiotemporal diffusion, spatiotemporal aggregation). For the spatiotemporal diffusion: the population flow network was constructed ac-cording to the exposure index, the correlation analysis was conducted between the migration in-dex and the real-time basic regeneration number, the sequence similarity comparison was made between the epidemic evolution sequence and the network node sequence, and the correlation analysis was conducted between the environmental data and the epidemic evolution result. Spa-tial and temporal clustering: the population flow network was divided into communities, spatial autocorrelation was used to judge whether the distribution of cases clustered, and spatiotemporal clustering cluster of the epidemic was obtained by spatiotemporal scanning, and the results of network community division were compared with the spatiotemporal clustering cluster. The re-sults showed that the epidemic in the United States was moderating from the perspective of real-time basic regenerative number. The spatiotemporal spread of the epidemic in the United States was correlated with population mobility and daily activities, with catering and shopping ac-tivities and population inflow as the main influencing factors. The spatiotemporal clustering of epidemics in the United States is correlated with population migration, and the close population exchanges within communities in the network of population migration shape the characteristics of spatiotemporal clustering of epidemics. There is a correlation between population activities and the temporal and spatial distribution of the epidemic. In order to contain the epidemic, population activities should be strictly controlled.
Keywords COVID-19, Population Activity, Spatial-Temporal Characteristics, Sequence Similarity, Population Migration Network
Copyright © 2022 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). http://creativecommons.org/licenses/by/4.0/
1. 引言 2019 年底，新冠疫情(以下简称“疫情”)席卷全球，严重影响全球人类安全和国家稳定发展，迅速成为全人类关注的焦点，截至 2020 年 6 月 30 日，全球累计确诊病例达到 10,388,323 例，死亡病例 505,058例，其中美国确诊病例 1,443,976 例，死亡病例 129,031 例。美国作为全球感染病例最多和死亡病例最多的国家，在疫情研究中具有典型意义。
针对美国疫情，地理学者开展了大量研究，研究主要集中在疫情时空分布、影响因素等方面。研究表明，美国的疫情分布存在空间差异[1] [2] [3]，Sung B 及 Oluyomi A O 等发现，发病率的空间差异主要是由邻里特征差异造成的[4] [5]；社会经济、人口迁移、种族等因素是造成美国疫情空间差异的重要驱动因Open Access
李卫红，刘国庆
DOI: 10.12677/gser.2022.111014 126 地理科学研究
子[6] [7] [8] [9] [10]，在居家令发布之后，在一定程度上居家令缓解了疫情的发展[11] [12] [13] [14] [15]，事实上，不论是居家令还是经济、人口、种族因素，它们中的大部分都是通过作用于人口活动从而影响疫情发展，Fu X Y 发现，不同社区的经济、人口、种族结构不同，人口活动也有差异[16]；人口活动是传染病地理传播的重要驱动力[17]，因此可以推测，人口活动也与美国新冠肺炎疫情存在关联关系；Li Z 等通过社交媒体大数据监测疫情的空间传播，发现人口活动是推动疫情空间传播的主要因素[18]。
已有研究主要关注于疫情的时空分布和疫情的影响因素，在疫情的影响因素方面，学者多关注于社会经济因素、政策因素。在人口活动和疫情时空分布关联关系方面，已有的研究采用带地理标记的推文来代表人口流动，这种方法是存在误差的，因为网民发布推文时可以标记任意一个地点。本文采用社会环境数据和建成环境数据表征人口日常活动，采用基于手机信令的暴露指数表征人口流动，这种方法有效的避免了社交媒体大数据的庞大数据量和数据误差，尝试采用复杂网络分析方法和相关分析方法探寻人口活动与美国疫情时空特征的关联关系。
2. 数据与方法 2.1. 数据 本文选取了美国 50 个州以及哥伦比亚特区为研究区域，以州为基本单元，搜集了各个州的疫情数据(每日新增病例和累计确诊病例，来自于 https://covidtracking.com/data)，暴露指数(由加利福尼亚大学伯克利分校提供，以智能手机在各州之间的移动来描述人口流动)，环境统计数据(包括社会环境：餐饮就业人数、制造业产值、注册车辆、公路里程、货运铁路里程、航道里程、宗教人士数量建成环境：宗教场所、工业场所、体育场、高尔夫球场、电影院、步道、公园、餐饮场所、商场、书店、水港)，环境统计数据主要用于表征人口日常活动[19]数据描述见表 1。
Table 1. Data description 表 表 1. 数据描述 类型 名称 来源 基础数据 疫情数据 (包含累计确诊病例和每日新增病例) https://covidtracking.com
实时基本再生数(R0(t)) 由疫情数据计算得到 州边界数据 (包含美国 50 州以及哥伦比亚特区) https://www.openstreetmap.org/
社会环境 餐饮就业人数 https://restaurant.org/downloads/pdfs/state-statistics/
宗教人士数量 宗教数据档案协会(http://www.thearda.com/) 制造业产值(单位：10 亿美元) 美国制造商协会(https://www.nam.org/state-manufacturing-data/) 注册车辆 美国交通统计局(https://www.bts.gov/content/state-transportation-numbers) 公路里程(单位：英里) 美国交通统计局(https://www.bts.gov/content/state-transportation-numbers) 货运铁路里程(单位：英里) 美国交通统计局(https://www.bts.gov/content/state-transportation-number) 航道里程(单位：英里) 美国交通统计局(https://www.bts.gov/content/state-transportation-numbers)
李卫红，刘国庆
DOI: 10.12677/gser.2022.111014 127 地理科学研究
Continued 建成环境 宗教场所 宗教数据档案协会(http://www.thearda.com/) 工业场所 美国制造商协会(https://www.nam.org/state-manufacturing-data/) 餐饮场所 https://restaurant.org/research-and-media/research/industry-statistics/state-statistics/
体育场 http://www.worldstadiums.com/
高尔夫球场 https://www.golflink.com/
电影院 https://www.movieticketsandshowtimes.com/
步道 https://www.traillink.com/find-trails/
公园 http://www.stateparks.com/index.html
商场 https://shoppingcenters.com/
书店 https://www.placelookup.net/
水港 美国交通统计局(https://www.bts.gov/content/state-transportation-numbers) 人口流动 暴露指数 https://github.com/COVIDExposureIndices
迁入指数 由暴露指数整理得到 2.2. 研究思路与方法 本文主要研究人口活动与美国疫情时空特征的关联关系，疫情时空特征分为时空扩散特征和时空聚集特征，人口活动分为人口日常活动(州内)和人口流动(州之间)。研究流程如图 1。使用到的方法包括空间自相关、时空扫描、相关分析、序列相似度对比和复杂网络方法。针对时空扩散特征关联关系：首先基于暴露指数分离出迁入指数并根据暴露指数构建人口流动网络计算网络节点重要性，然后根据疫情数
(a)
李卫红，刘国庆
DOI: 10.12677/gser.2022.111014 128 地理科学研究
(b) Figure 1. The research process of the correlation between temporal and spatial characteristics of epidemic and population mobility 图 图 1. 疫情时空特征与人口流动关联关系研究流程
据得出时空扩散特征，包括实时基本再生数和疫情演化结果，之后对迁入指数和实时基本再生数进行相关分析，另外基于演化结果得到演化序列，对比演化序列和网络节点序列相似度，最后得到人口流动与疫情时空扩散关联关系；另一方面，对演化结果和环境数据进行相关分析，得到人口日常活动与疫情时空扩散关联关系(图 1(a))。针对时空聚集特征关联关系：首先根据暴露指数构建人口流动网络并进行网络社区划分，得到人口流动社区；然后对疫情数据进行空间自相关分析确定空间聚集性，进一步进行时空扫描分析，得到疫情时空聚类簇；最后对比人口流动社区和疫情时空聚类簇，得到人口流动与疫情时空聚集关联关系(图 1(b))。
2.2.1. 序列相似度 假设有长度为 n 的 A、B 两个序列，组成序列的数字唯一但排列顺序不同，为了衡量 A、B 序列的相似程度，需要采用序列相似度算法，本文采用的指标为位方差[20]，即数字在两序列中的位置差距的平方的平均值，位方差越小序列越相似。算法公式为：
( ) [ ] ( )211, [ ]i niLSD A B i A i Bn=== −∑
(1) 其中，LSD (location square deviation)为位方差，n 为序列长度， [ ] i A 为 i 在 A 中的位置。
[ ] [ ] i A i B − 表示序列种某元素 i 在序列 A 和序列 B 中位置的差值，当 i 在 A、B 序列中位置相同时，差值为 0。公式表明，A、B 序列中相同位置的元素越多，LSD 越小，LSD 为 0 时 A、B 序列完全一样，因此可以用于衡量序列相似性。
2.2.2. 复杂网络 复杂网络是指具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络[21]，本研究中涉及的人口流动网络也属于复杂网络。为了衡量人口流动网络中节点的重要性以及进行社区探测，本文使用了复杂网络中的节点重要性发掘方法[22]和 Fast Unfolding 社区...
推荐访问:美国新冠研究 人口活动与美国新冠疫情时空分布关联关系研究 美国 疫情 分布