張惠林 陳玉燕 肖瑤 李淑蓮

[摘要] 目的 探討2010～2016年我國（不含港澳臺）梅毒疫情的時空分布特征及社會影響因素。 方法 應用地理信息軟件ArcGIS結(jié)合空間數(shù)據(jù)分析軟件GeoDa對2010～2016年我國（不含港澳臺）梅毒疫情的空間聚集狀況進行分析，應用空間數(shù)據(jù)處理軟件SaTScan對2010～2016年梅毒疫情進行回顧性時空掃描分析，應用Stata對梅毒疫情進行面板數(shù)據(jù)回歸分析。 結(jié)果 全局空間自相關(guān)分析表明，2011～2015年我國（不含港澳臺）梅毒發(fā)病無空間聚集性（Moran′s I = 0.0444～0.1099，P > 0.05），但是，2010年（Moran′s I = 0.2524，P < 0.05）及2016年（Moran′s I = 0.1932，P < 0.05）我國（不含港澳臺）梅毒發(fā)病存在空間聚集性。局部自相關(guān)分析結(jié)果表明，2010年江蘇、上海和福建處于高-高區(qū)域，2013～2016年甘肅均處于低-高區(qū)域，2011～2012年我國（不含港澳臺）均未處于高-高區(qū)域?；仡櫺詴r空掃描分析發(fā)現(xiàn)1個一級聚類區(qū)域（上海、浙江，RR = 2.49）及6個二級聚類區(qū)域（廣西、新疆、重慶、遼寧、內(nèi)蒙及寧夏，RR = 1.44～3.50）。面板數(shù)據(jù)回歸分析結(jié)果表明，人均GDP和居民消費水平是梅毒發(fā)病的影響因素（P < 0.05）。 結(jié)論 梅毒疫情具有明顯的時空聚集特征，并且受社會人口因素的影響，探討其時空聚集特征可為梅毒的防控策略和評價防控措施效果提供積極的參考。

[關(guān)鍵詞] 梅毒;空間聚集;時空分布;社會人口因素

[中圖分類號] R514? ? ? ? ? [文獻標識碼] A? ? ? ? ? [文章編號] 1673-7210（2019）09（b）-0057-07

Spatial-temporal distribution of syphilis and its influencing factors in China （excluding Hong Kong， Macao and Taiwan） from 2010 to 2016

ZHANG Huilin1? ?CHEN Yuyan2? ?XIAO Yao3? ?LI Shulian4▲

1.Department of Clinical Laboratory， Zhongshan Hospital Affiliated to Xiamen University， Fujian Province， Xiamen? 361004， China; 2.Department of Clinical Laboratory， the Fifth Hospital of Xiamen City， Fujian Province， Xiamen? 361101， China; 3.Department of Science and Education， Xiamen Traditional Chinese Medicine Hospital， Fujian Province， Xiamen? ?361009， China; 4.President′s Office， Maternity and Child Care Hospital of Huli District in Xiamen City， Fujian Province， Xiamen? ?361006， China

[Abstract] Objective To explore spatial-temporal distribution characteristics of syphilis epidemic situation in China （excluding Hong Kong， Macao and Taiwan） from 2010 to 2016 and its social influencing factors. Methods Spatial aggregation of syphilis epidemic situation in China （excluding Hong Kong， Macao and Taiwan） from 2010 to 2016 was analyzed by using geographic information software ArcGIS and spatial data analysis software GeoDa. Spatial data processing software SaTScan was used to retrospectively analyze syphilis epidemic situation from 2010 to 2016. Stata was used to carry out panel data regression analysis of syphilis epidemic situation. Results Global spatial autocorrelation analysis showed that there was no spatial aggregation of syphilis incidence in China （excluding Hong Kong， Macao and Taiwan） from 2011 to 2015 （Moran′s I = 0.0444 to 0.1099， P > 0.05）， however， in 2010 （Moran′s I = 0.2524， P < 0.05） and 2016 （Moran′s I = 0.1932， P < 0.05）， syphilis incidence in China （excluding Hong Kong， Macao and Taiwan） was spatially aggregated. The results of local autocorrelation analysis showed that Jiangsu， Shanghai and Fujian were in the high-high region in 2010， Gansu was in the low-high region in 2013-2016， and all regions in China （excluding Hong Kong， Macao and Taiwan） were not in the high-high region in 2011-2012. Retrospective spatio-temporal scanning analysis revealed that there was one primary clustering region （Shanghai， Zhejiang， RR = 2.49） and six secondary clustering regions （Guangxi， Xinjiang， Chongqing， Liaoning， Inner Mongolia and Ningxia， RR = 1.44-3.50）. The results of panel data regression analysis showed that per capita GDP and consumption level were the influencing factors of the incidence of syphilis （P < 0.05）. Conclusion The epidemic situation of syphilis has obvious characteristics of spatial-temporal aggregation and is affected by social demographic factors. Discussing the characteristics of spatial-temporal aggregation of syphilis can provide a positive reference for syphilis control strategy and evaluation of the effect of prevention and control measures.

[Key words] Syphilis; Spatial aggregation; Spatial-temporal distribution; Social demographic factors

梅毒是由梅毒螺旋體引起的性傳播疾病，可嚴重損害人體多個系統(tǒng)及器官[1]。近年來中國梅毒發(fā)病呈持續(xù)上升趨勢，已成為嚴重的公共衛(wèi)生問題[2-3]。本研究基于2010～2016年全國梅毒疫情監(jiān)測數(shù)據(jù)，應用空間自相關(guān)分析和回顧性時空掃描分析探索我國31個省、自治區(qū)、直轄市（不含港澳臺地區(qū)）梅毒疫情的時空分布特征。既往研究表明，人口密度、性別比、居民消費水平、離婚率和失業(yè)率等[4-6]社會人口因素與性傳播疾病之間存在一定聯(lián)系。本研究應用面板數(shù)據(jù)回歸模型探索社會人口因素與梅毒發(fā)病率之間的關(guān)系，旨在為梅毒的防控策略和評價防控措施效果提供積極的參考。

1 資料與方法

1.1 資料來源

2010～2016年我國（不含港澳臺地區(qū)）梅毒疫情數(shù)據(jù)下載自公共衛(wèi)生科學數(shù)據(jù)中心官網(wǎng)，人口資料下載自國家統(tǒng)計局官網(wǎng)，地理信息及電子地圖下載自國家基礎地理信息中心官網(wǎng)。

1.2 方法

1.2.1 構(gòu)建地理信息數(shù)據(jù)庫? 建立包含我國（不含港澳臺地區(qū)）地理編碼、經(jīng)度和緯度信息的梅毒病例地理信息數(shù)據(jù)庫，建立包含各地區(qū)地理編碼、年份、人口數(shù)、性別比、人均GDP、失業(yè)率、離婚率、居民消費水平及旅客周轉(zhuǎn)量等資料的人口信息數(shù)據(jù)庫。

1.2.2 各年度梅毒疫情空間聚集分析? 空間自相關(guān)分析是檢測某個空間的觀測值與臨近空間的觀測值是否相關(guān)的分析方法。如果一個空間的觀測值較高，其臨近空間的觀測值也較高，則認為兩者呈空間正相關(guān)，相反則認為呈空間負相關(guān)。莫蘭指數(shù)（Moran′s I）是空間自相關(guān)分析中的重要指標，可以指出區(qū)域?qū)傩灾档姆植嫉降资蔷奂?、離散還是隨機分布模式。Moran′s I的取值范圍為-1～1，取值為-1時說明呈完全負相關(guān)，取值為1時說明呈完全正相關(guān)，取值為0則說明完全不相關(guān)。Moran′s I分為全局型和局域型，分別反映全局空間自相關(guān)（GISA）和局域型空間自相關(guān)（LISA）。全局型Moran′s I用于判斷總體上是否存在空間聚集，局域型Moran′s I用于評估每個觀測區(qū)域周圍的局部空間聚集概率。本研究先以全局型Moran′s I探測梅毒發(fā)病在我國（不含港澳臺）是否存在總體上的空間聚集，再根據(jù)局域型Moran′s I值繪制Moran散點圖，并通過蒙特卡洛方法將Moran散點圖與LISA檢驗結(jié)果結(jié)合，標識出各地區(qū)的梅毒發(fā)病是否處于高-高、低-低、高-低或低-高聚集狀態(tài)，從而判斷各地區(qū)之間梅毒發(fā)病在空間上的分布關(guān)系。

1.2.3 回顧性時空掃描分析? 本研究應用回顧性時空掃描方法，依據(jù)泊松分布判斷梅毒發(fā)病是否在空間和時間上存在統(tǒng)計顯著性，探索梅毒發(fā)病的空間聚集隨時間變化的趨勢。在SaTScan軟件中將圓作為掃描窗口，掃描窗口半徑大小設置為0～最大風險人口（總?cè)丝诘?0%）逐步上升[7]。針對每個圓，比較窗口內(nèi)和窗口外的發(fā)病率，將窗口內(nèi)統(tǒng)計上明顯高的圓定義為空間聚集。根據(jù)得到的對數(shù)似然比（LLR，即實際發(fā)病數(shù)與理論發(fā)病數(shù)之比）將聚集分為一類和二類，LLR值最大的地區(qū)為一級聚類區(qū);其他掃描探測出的地區(qū)為二級聚類區(qū)。最后計算各地區(qū)梅毒發(fā)病的相對危險度（RR）。

1.2.4 面板數(shù)據(jù)回歸分析? 面板數(shù)據(jù)是指在一系列時間上的多個截面同時選取某個觀測值所組成的樣本數(shù)據(jù)，其本質(zhì)是時間序列上的截面數(shù)據(jù)。本研究同時建立固定效應模型和隨機效應模型進行面板數(shù)據(jù)回歸分析，再根據(jù)Hausman檢驗結(jié)果采用其中一種模型。本研究將2010～2016年各地區(qū)各年份梅毒發(fā)病率進行對數(shù)轉(zhuǎn)換，探討其是否受到性別比、人均GDP、失業(yè)率、離婚率、居民消費水平及旅客周轉(zhuǎn)量的影響。

1.3 統(tǒng)計學方法

應用地理信息軟件ArcGIS 10.4.1建立我國各地區(qū)（不含港澳臺地區(qū)）地理信息及人口信息數(shù)據(jù)庫，結(jié)合空間數(shù)據(jù)分析軟件GeoDa 1.6.7對各年度梅毒疫情進行空間自相關(guān)分析和時空掃描聚類分析。應用空間數(shù)據(jù)處理軟件SaTScan 9.5對梅毒疫情進行回顧性時空掃描分析。應用Stata 15.1對梅毒發(fā)病率與社會人口因素之間的關(guān)系進行面板數(shù)據(jù)回歸分析。

2 結(jié)果

2.1 基本情況

2010～2016年我國31個省、自治區(qū)、直轄市（不含港澳臺地區(qū)）報告梅毒總病例數(shù)為2 861 826例，年發(fā)病率為30.2221/10萬。見表1。

表1? ?2010～2016年我國（不含港澳臺）梅毒發(fā)病概況

2.2 梅毒空間聚集區(qū)域分析

2.2.1 全局空間自相關(guān)分析? 2010～2016年我國（不含港澳臺）梅毒發(fā)病分布的Moran散點圖如圖1所示。2011～2015年我國（不含港澳臺）梅毒發(fā)病分布無空間聚集性（Moran′s I = 0.0444～0.1099，P > 0.05），2010年（Moran′s I = 0.2524，P < 0.05）和2016年（Moran′s I = 0.1932，P < 0.05）我國（不含港澳臺）梅毒發(fā)病分布存在空間聚集性。見表2。

表2? ?2010～2016年我國（不含港澳臺）梅毒全局空間

自相關(guān)分析結(jié)果

2.2.2 局域空間自相關(guān)分析? 2010年江蘇、上海和福建地區(qū)表現(xiàn)為高-高聚集模式，2013～2016年甘肅表現(xiàn)為低-高聚集模式，2011、2012年我國（不含港澳臺）均未表現(xiàn)為高-高聚集模式。見圖2。

2.3 回顧性時空掃描

2010～2016年各地區(qū)共掃描到1個一級聚類區(qū)域和6個二級聚類區(qū)域。一級聚類區(qū)域為2010～2012年的上海和浙江地區(qū)，二級聚類區(qū)域包括2010～2012年的廣西地區(qū)、2013～2015年的新疆地區(qū)、2014～2016年的重慶地區(qū)、2013～2015年的遼寧地區(qū)、2013～2015年的內(nèi)蒙古地區(qū)及2014～2016年的寧夏地區(qū)。見表3、圖3（封四）。

2.4 面板數(shù)據(jù)回歸分析

根據(jù)Hausman檢驗（P = 0.043），本研究中的面板數(shù)據(jù)回歸分析采用固定效應模型。人均GDP和居民消費水平是梅毒發(fā)病的影響因素（P < 0.05），而性別比、失業(yè)率、離婚率及旅客周轉(zhuǎn)量等因素對梅毒發(fā)病無影響。見表4。

3 討論

關(guān)鵬等[7]的研究表明，2005～2010年我國（不含港澳臺）梅毒發(fā)病分布存在空間聚集性，2011年無空間聚集性。本研究結(jié)果也表明，2010年我國（不含港澳臺）梅毒發(fā)病分布存在空間聚集性，2011～2015年無空間聚集性，2016年存在空間聚集性。這種聚集性消失又再出現(xiàn)的可能原因有待進一步研究，但也說明當前梅毒疫情的防控形勢變得更加嚴峻。本研究提示，上海、浙江、江蘇和福建的梅毒發(fā)病高度聚集，說明這些地區(qū)梅毒的防控形勢不容樂觀。這種現(xiàn)象可能是由于這些地區(qū)經(jīng)濟發(fā)達、大量吸引外來人才、人口政策的調(diào)整以及對外開放和國際接軌的不斷提高、外來勞務人員（包括性工作者）不斷增加所導致[8-10]。

時間效應和空間效應均可能對事物的發(fā)展產(chǎn)生影響，因此僅以空間自相關(guān)分析判斷梅毒發(fā)病的聚集性會忽略時間因素的影響，缺乏時效性[11]。與傳統(tǒng)的流行病學描述比較，時空掃描分析方法應用大小和位置處于動態(tài)變化的窗口對觀測對象進行掃描，對聚集性的大小、位置、時間及強度等參數(shù)事先無任何假設，避免了人為的選擇偏倚[12-13]。應用空間自相關(guān)分析，同時結(jié)合時空掃描分析方法，可以同時實現(xiàn)靜態(tài)觀測和動態(tài)觀測，進一步提高客觀性及準確性。時空掃描聚類分析結(jié)果顯示，除上海、浙江形成聚類外，2013年起遼寧、內(nèi)蒙古和中西部部分省份也開始形成梅毒的時空聚類，提示應加強上述地區(qū)梅毒發(fā)病的監(jiān)測，積極對高危人群進行宣傳教育及主動干預，阻斷梅毒的傳播途徑[14-15]。

面板數(shù)據(jù)回歸分析表明，梅毒發(fā)病率受人均GDP和居民消費水平的影響，即梅毒發(fā)病率與人均GDP及居民消費水平呈正相關(guān)。時空掃描分析得出的梅毒高聚集地區(qū)如上海、浙江也是人均GDP及消費水平較高的地區(qū)，兩種方法得到的結(jié)論較為一致。一項廣東地區(qū)的研究也顯示，家庭收入中位數(shù)較高的城鎮(zhèn)往往有較高的性病發(fā)病率[16]。

性病的早期發(fā)現(xiàn)、早期治療也是梅毒控制策略的重要組成部分。性工作者是感染和傳播性病的高危人群[17-18]，對這類高危人群重點開展健康教育、推進避孕套使用等預防措施均有助于梅毒感染的預防。本研究聯(lián)合應用時空掃描分析和面板數(shù)據(jù)回歸分析，可以更好地識別梅毒高危聚集區(qū)域及社會人口因素對梅毒發(fā)病的影響，為梅毒疫情的預防和控制提供了目標地區(qū)，使梅毒預防及控制的公共衛(wèi)生實踐更加具有針對性。這不僅在梅毒流行病學中有用，在其他傳染病的研究中也是有益的。

本研究也存在不足之處。首先，一些潛在的影響變量，如年齡結(jié)構(gòu)、種族構(gòu)成及犯罪率等由于數(shù)據(jù)獲得的限制而被忽略，更詳盡的調(diào)查將使梅毒的預防和控制更有針對性。其次，性傳播疾病的漏報情況對研究結(jié)果的干擾也一直是研究者關(guān)心的問題。另外，面板數(shù)據(jù)回歸分析未能充分考慮到空間效應的影響，未來還應綜合考慮時間效應和空間效應，采用空間面板數(shù)據(jù)回歸分析對影響梅毒發(fā)病的社會人口因素進行研究[19]。最后，最小空間尺度的選擇對研究結(jié)果也存在一定影響，實際工作中需要根據(jù)研究目的和數(shù)據(jù)特征謹慎選擇合適的最小空間尺度，例如可以按照經(jīng)濟區(qū)域進行劃分[20]，研究不同發(fā)展水平的經(jīng)濟區(qū)域之間梅毒疫情的分布特征。

[參考文獻]

[1]? Liu LL，Lin Y，Zhuang JC，et al. Analysis of serum metabolite profiles in syphilis patients by untargeted metabolomics [J]. J Eur Acad Dermato，2019，33：1378-1385.

[2]? 陶長余，章士軍，陳郁.2005-2014年我國梅毒發(fā)病率趨勢分析及預測[J].職業(yè)與健康，2015，31（21）：3026-3027.

[3]? Zhu B，ZhuY，Liu JL，et al. Notifiable sexually transmitted infections in china：epidemiologic trends and spatial changing patterns [J]. Sustainability，2017，9（10）：1784.

[4]? Cao WT，Li R，Ying JY，et al. Spatiotemporal distribution and determinants of gonorrhea infections in mainland China：a panel data analysis [J]. Public Health，2018，162：82-90.

[5]? Xiao G，Xu C，Wang J，et al. Spatial-temporal pattern and risk factor analysis of bacillary dysentery in the Beijing-Tianjin-Tangshan urban region of China [J]. BMC Public Health，2014，14（1）：998.

[6]? Health N，Commission FP. Report on China′s migrant population development [D]. China Population Publishing House，2017.

[7]? 關(guān)鵬，曹爽，黃德生，等.2005-2011年中國大陸地區(qū)梅毒疫情時空分布[J].中國感染控制雜志，2014，13（5）：257-262.

[8]? 嚴華美，楊瑛，張星燦，等.上海市閔行區(qū)2005-2016年梅毒疫情分析[J].復旦學報，2017，44（5）：585-589.

[9]? 徐曉燕.常熟市2005-2015年梅毒疫情分析[J].江蘇預防醫(yī)學，2017，28（3）：300-301.

[10]? Wong NZ，Chen L，Joseph D，et al. Distribution of reported syphilis cases in South China：spatiotemporal analysis [J]. Sci Rep，2018，8（1）：9090.

[11]? 王培安，羅衛(wèi)華，白永平.基于空間自相關(guān)和時空掃描統(tǒng)計量的聚集比較分析[J].人文地理，2012，27（2）：119-127.

[12]? Goujon-Bellec S，Demoury C，Guyot-Goubin A，et al. Detection of clusters of a rare disease over a large territory performance of cluster detection methods [J]. Int J Health Geogr，2011，10：53.

[13]? 廖一蘭，王勁峰，楊維中，等.傳染病多維度聚集性探測方法[J].地理學報，2012，67（4）：435-443.

[14]? 楊振，王念，王宇.中國性病疫情的時空差異與經(jīng)濟驅(qū)動機制——以淋病、梅毒為例[J].熱帶地理，2016，36（5）：761-766.

[15]? Chang BA，Pearson WS，Owusu-Edusei K. Correlates of county-level nonviral sexually transmitted infection hot spots in the US：application of hot spot analysis and spatial logistic regression [J]. Ann Epidemiol，2017，27（4）：231-237.

[16]? Tan NX，Messina JP，Yang LG，et al. A spatial analysis of county-level variation in syphilis and gonorrhea in Guangdong Province，China [J]. PLoS One，2011，6：e19648.

[17]? Chen X，Peeling RW，Yin Y，et al. The epidemic of sexually transmitted infections in China：implications for control and future perspectives [J]. BMC Med，2011，9：111.

[18]? Chen W，Zhou F，Hall BJ，et al. Spatial distribution and cluster analysis of risky sexual behaviors and STDs reported by Chinese adults in Guangzhou，China：a representative population-based study [J]. Sex Transm Infect，2016，92（4）：316-322.

[19]? 唐小靜，曾慶，趙寒，等.重慶市2008-2012年手足口病空間聚集性及影響因素研究[J].中國人獸共患病學報，2014，30（12）：1196-1200.

[20]? Fu R，Zhao JK，Wu Dan，et al. A spatiotemporal meta-analysis of HIV/syphilis epidemic among men who have sex with men living in mainland China [J]. BMC Infect Dis，2018，18（1）：652.

（收稿日期：2019-06-19? 本文編輯：李亞聰）