EN中文

Tropical Geography >

2020 , Vol. 40 >Issue 3: 432 - 445

DOI: https://doi.org/10.13284/j.cnki.rddl.003246

Spatio-Temporal Evolution and Risk Profiling of the COVID-19 Epidemic in Shaanxi Province

  • Jiaobei Wang , 1a ,
  • Gang Li , 1, 2 ,
  • Jianpo Wang 1a ,
  • Jingqi Qiang 1a ,
  • Dandan Zhu 1a
Expand
  • 1. a. College of Urban and Environmental Sciences; b. Institute of Earth Surface System and Hazards, Northwest University, Xi’an 710127, China
  • 2. Institute of Earth Surface System and Hazards, Northwest University, Xi’an 710127, China

Received date: 2020-04-06

  Revised date: 2020-04-28

  Online published: 2020-06-30

Fold

Highlights

The sudden outbreak and spread of the Corona Virus Disease 2019 (COVID-19) has posed great challenges to the society as well as the academia of not only China but the whole world. The occurrence of epidemic has obvious time and space attributes. Analysis of the spatiotemporal diffusion pattern and process of the epidemic reflects the dynamics of the interaction between humans and the COVID-19, it is worth discussing from the perspective of geography, which is very important for measures for prevention and control of this public health emergency. Based on the confirmed COVID-19 cases’ details manually extracted from the official reports and the relevant Point Of Interest (POI) data, this study aims to reveal the spatiotemporal evolution and risk profiling of the COVID-19 epidemic in Shaanxi province. The results are as follows: Firstly, the age-gender structure of the confirmed cases was diamond-shaped, where more males than females are confirmed, and the overall age trended to be medium-old aged, especially the age group of 40-49. Both non-local and local infections were dominantly caused by the flows of people between cities. Most of the infections belonged to small clusters of core families due to imported cases from Wuhan City, while other large mixed cluster infections in special places may have a deep influence. Secondly, the epidemic evolution process can be roughly divided into three stages, namely wave development stage (Jan.23rd-Feb.6th, 2020), low-speed recession stage (Feb.7th-20th), and stable clearance stage (Feb.21st-Mar.15th). There were lag periods between the cases’ confirmed dates and the onset or initial diagnosis dates. Moreover, the initial reporting dates of confirmed populations were synchronized with the overall evolution of the epidemic. Thirdly, the spatial flow of the epidemic to Shaanxi province was different from that to other provinces around Hubei. That is, it had a unique spatial pattern of only a single cluster center. The overall spatial distribution of the epidemic presented an inverted T-type pattern concentrated in central and southern Shaanxi with significant spatial differentiation. The spatial evolution at the city level was three-pronged. Here, the Wuhan-Xi'an path was the most frequent flow path, exhibiting the flow pattern of "from one source to many sinks, and from Wuhan to central and southern Shaanxi". Finally, the high risk areas were these key cities, for example Xi'an, as shown by the "one big cluster with three small collections" pattern, with the risk level in urban areas being higher than that in the surrounding counties.

Cite this article

Jiaobei Wang , Gang Li , Jianpo Wang , Jingqi Qiang , Dandan Zhu . Spatio-Temporal Evolution and Risk Profiling of the COVID-19 Epidemic in Shaanxi Province[J]. Tropical Geography, 2020 , 40(3) : 432 -445 . DOI: 10.13284/j.cnki.rddl.003246

新型冠状病毒肺炎（COVID-19）疫情已蔓延至全球多地，对全球人类健康安全和社会经济发展带来严重危害，已成为社会和学界关注的焦点。据国家卫生健康委员会通报，截至2020-05-20，全国累计通报确诊病例已达84 505人，累计死亡病例4 645例；全球已有215个国家和地区出现疫情，累计确诊病例4 845 115人，已有11个国家确诊过10万。在全国人民的共同努力下，当前我国疫情已基本得到控制，但境外多个国家和地区的疫情仍呈扩散态势，我国境外输入型病例数逐日上升。整体来看，全球疫情防控形势依然十分严峻。
COVID-19是一种严重的急性呼吸窘迫综合征，当前对COVID-19的研究多集中于流行病学、病原学及传播动力学等。流行病学方面，有学者提出武汉早期COVID-19疫情发展与华南海鲜市场密切相关，无症状感染者也可能为感染源（Wu et al., 2020; Wang et al., 2020）；亦有学者选取儿童群体作为研究对象，筛查发现父母是其主要的传染来源，家庭内感染不容忽视（刘洁 等，2020；杨柳 等，2020）。病原学基于病毒基因序列，推测中华菊头蝠或为SARS-CoV-2病毒的原始宿主（Ren et al., 2020），蛇（Ji et al., 2020）、穿山甲（Xiao et al., 2020）可能为中间宿主。传播动力学领域着力于流行预测，将传染病流行范围内的人群划分为S类（易感者）、E类（暴露者）、I类（感病者）及R类（康复者），基于此各学者纷纷建立SEIR仓室模型（周涛 等，2020）或EIR（Xiong et al., 2020）、SIR（李承倬 等，2020）等模型计算基本可再生数以模拟未来疫情的走势；其中有学者基于发病时间与传染链数据，估算了西安市的基本可再生数（R 0）为1.48~1.69（Tang et al., 2020），认为西安市疫情的传播与防控措施密切相关。疾病的发生、流行大多具有一定的地理规律，由此研究人群疾病的时间演变、空间格局等内容的医学地理学应运而生，其研究领域广泛，一般包括疾病地理、健康地理、营养地理、保健地理、灾害医学地理及区域医学地理等分支（杨煌，2002）。早期关于疾病地理的理论主要有“自然疫源地学说”“疾病天然地方性学说”及“疾病生态学”等，对指导疾病的调查与防治工作具有重要意义（邓厚培，1994）。国外早前研究多聚焦于气候变化（WHO, 1990; IPCC, 2001）、环境变迁（程杨 等，2006）等因子对疾病传播的影响；随着社会经济的发展，社会人文因素愈加受到重视，倡导从经济、人口、城市化、居住环境及贫富差距等人文因素来探讨环境对健康的影响（杨林生 等，2010）。国内早前则多聚焦疾病的地方性特征（谭见安，1990；2000），近年来在城市化、遥感、地理信息系统及模型方面的探索也日渐丰富（杨莹莹 等，2007；迟文学 等，2007；王丽萍 等，2008）。有研究指出基于空间信息视角的分析能更有效地解译疾病发生、流行模式、影响因素、时空分布格局及规律（郭凤云 等，2009）；GIS技术在传染病与寄生虫病等方面的地理研究具有重要价值，对疾病危险因素干预以及防治效果等方面的作用重大（陈宝 等，2014）。目前地理学者对COVID-19疫情的探讨陆续展开，如柴彦威等（2020）认为对微观时空行为轨迹数据进行精细分析，对日常活动规划、突发疫情的应对和防控价值更高，能为公众提供更为精准的防控信息；周素红（2020）提出应结合多源大数据以探究建成环境与疾病传播机理，模拟政府及公众应对重大公共卫生事件的效果；刘逸等（2020）探讨了COVID-19疫情在广东省的扩散特征，建议在省内科学划分风险防控区域，实施分级管控，要特别关注原本经济韧性较为脆弱的欠发达地区；刘郑倩等（2020）以珠海市为案例区，探讨了新冠疫情聚集发生的时空规律与传播路径，指出疫情发展受人口流动和管控的影响，以输入一代家庭聚集传播为典型路径，研究结果为合理制定防控对策能提供科学参考；金安楠等（2020）探讨了深圳市疫情的时空演化特征，指出其“线形”迁移主导的疫情扩散模式，同时提出真正释放数据价值和潜力，基于多源数据和先进技术的“时-空-人”互馈协同下的精准防控目标以及对策体系，对深圳市疫情的有效防控能提供科学支撑。
COVID-19疫情波及全国所有省域，各地受影响程度存在显著差异，值得聚焦不同省域深入探讨。已有研究表明疫情的发生扩散与时间和空间显著相关，且符合地理邻近规律（范新生 等，2005；程杨 等，2009）。当前研究多集中于中国疫情始发省域湖北及其邻近或远离的高发省域，对邻近湖北但是处于中低发水平省域的精细解析和原因分析较为欠缺。毗邻湖北的陕西省，虽然确诊人群规模相对较小，但仍是受疫情影响最为严重的西北省域，深入分析疫情在陕西省的时空扩散有助于探究邻鄂低发区域、西北高发区域的疫情演化规律与防控对策。鉴于此，本文从人、时、空等维度，基于官方通报的病例数据与人工判读采集的病例详细信息及相关POI数据，采用数理统计、空间分析、文本分析、案例分析等方法探究陕西省确诊人群的社会人口学特征，揭示全省疫情时空分布格局与演化过程，进而聚焦评估重点市域的疫情风险，以期为疫情的深入研究和科学防控提供参考。

1 数据来源与研究方法

1.1　研究区域

陕西省地处我国西北内陆地区，全省下辖10个地级市、107个区县，由陕北高原生态脆弱区、关中平原政治文化经济中心区以及陕南秦巴山地国家生态屏障区构成（张静 等，2016），是西北地区唯一的邻鄂省份。截至2018年底，陕西省常住人口共3 835.44万人次，GDP达24 438.32亿元，为西北地区首位，且远超江西、重庆等环鄂省市。陕西省2018年客运量为71 583万人，位列全国前十，是重要的人流物流集散地；而省会西安市客运量高达15 555万人次，是省内人流最为密集的地区（张晓光，2019）。陕西省自2020-01-23报告首例COVID-19确诊病例，截至3月15日，累计报告确诊病例245例（其中西安市120例），成为西北地区确诊病例规模最大的省域，也发生了多起家庭聚集性疫情事件及商场感染疫情事件。由此可见，从与湖北毗邻、在西北确诊规模最大、省内人流物流密集等角度综合来看，陕西省是探究COVID-19疫情从湖北向西北地区传播扩散的典型案例地。此外，聚焦省内疫情高发和人流密集的西安市进行风险预测，对其复产复工复学等现实需求有序推进和其他城市科学防控疫情也具有指导和参考意义。

1.2　数据来源

研究数据包括三类：1）病例数据，包括从陕西省卫健委官方网站获取的245条确诊病例数据及文本，其中区县级确诊人数数据来源于Mapplus 1，通过人工判读采集确诊病例的详细信息（包括性别、年龄、感染原因、确诊时间、活动轨迹、所属县区等条目），以及通过查证补充的典型疫情事件的过程信息。2）POI数据，借助python从百度地图爬取，经过去重、纠偏与空间匹配，共采集到西安市疫情小区、人群聚集地及定点医疗机构等226个POI数据。3）统计数据，来自于陕西省统计局的人口、社会经济等相关统计数据；以及LBS平台百度慧眼推出的百度迁徙数据（主要采用2020-01-01—23即武汉“封城”前的武汉迁出数据，并取平均值）。4）空间数据：来源于国家基础地理信息中心提供的1∶400万行政边界数据。

1.3　研究方法

本文基于人、时、空等维度，首先运用文本分析法提取确诊病例的基本情况、感染经过与时空轨迹等有效信息，其次采用数理统计方法对其社会人口学与流行病学特征进行概述，并结合案例分析，对典型事件进行回顾性分析，最后使用空间分析法对疫情的空间格局逐步降尺度可视化。
1）文本分析。指从文本表层深入到文本内部，透过普通阅读挖掘深层含义。本文通过文本分析法对确诊病例详情信息进行挖掘，获取确诊病例接触暴露历史、发病确诊经过与时空轨迹等有效信息。
2）案例分析。通过选取适当案例描述现象以总结分析事物发展一般规律的方法，是对某一特定人或特定群体的属性特征及其行为特征具体资料的研究（谭然，2018）。本文选择典型案例分析其感染过程及原因，旨在辅助解释陕西省COVID-19疫情发展规律。
3）热点分析（Getis-Ord G i *）。旨在识别研究区中具有显著性的冷点与热点。本文选用热点分析考察疫情在区县尺度上的冷热点分布规律，其计算公式如下（Ord， 1995）：
G i * = ∑ j = 1 n w i , j x j - x ¯ ∑ j = 1 n w i , j S n ∑ j = 1 n w i , j 2 - ∑ j = 1 n w i , j 2 n - 1
式中：xj是要素j属性值；wi,j是要素i和j之间的空间权重，n为要素总数，且： X ¯ = ∑ j = 1 n x j n， S = ∑ j = 1 n x j 2 n - X ¯ 2 ；z得分越高，高值（热点）的聚类就越紧密。对于统计学上的显著性 z得分，得分越低，低值（冷点）的聚类就越紧密。
4）复合增长率（Compound Growth Rate）。是用来描述一个投资回报率转变成一个较稳定的投资回报所得到的预想值，较为平滑，不会为短期回报的剧变而失衡。本文运用该指标衡量陕西省各市域疫情在特定时期内的平均增长状况。
C G R = 期 末 价 值 期 初 价 值 期 数 - 1
5）发病率。发病率是反映疾病对人群健康影响和描述疾病分布状态的一项测量指标。发病率高说明疾病对健康的影响大。本文运用发病率来衡量陕西省各市、区县受疫情的影响程度，公式如下（李立明，2008）。
发 病 率 = ( 新 发 病 例 人 数 / 同 时 期 内 暴 露 人 数 ) × k
本文以k=100 000/10万来计算发病率，其中新发病例人数即为陕西省各市（区县）的累计确诊人数，同时期内暴露人数为陕西省各市（区县）的总人口数。

2 陕西省COVID-19确诊病例的社会人口学特征

2.1　性别-年龄特征

新型冠状病毒（SARS-CoV-2）首先通过中间宿主攻击各类易感人群，再基于人群的交互作用进一步传播扩散，因此识别易感人群属性特征（如活动能力、免疫能力等）对制定针对性的疫情防控策略至关重要。将陕西省COVID-19确诊人群以10岁为间隔划分为9个年龄段进行统计（图1），发现确诊病例的性别年龄结构呈现明显的“菱形”，性别比近115，高于陕西省人口性别比106.63（张晓光，2019），性别差异显著。确诊人数在年龄上集中于20~69岁，其中40~49岁为峰值区间，且以男性居多。这可能与该年龄段人群多为精壮劳动力的主要供给有关，因为外出务工、出差等，具有极大的流动性，暴露风险高。0~9和80~89岁年龄段的确诊病例较少且多见于女性，这2个年龄段人群受自身条件限制，流动性弱，感染风险相对低；同时免疫力弱，重症风险相对高。
图1 陕西省COVID-19确诊人群性别-年龄结构

Fig.1 The age-gender structure of confirmed COVID-19 cases in Shaanxi

2.2　感染地属性特征

识别确诊病例的感染地有助于进一步确认疫情发生地并及时阻断病毒传播途径以控制疫情扩散规模。根据官方通报确诊病例时间及次序对确诊病例编号（1~245号），提取确诊病例活动轨迹位置信息，识别其城乡流动状况，将其划分为外地感染者与本地感染者（图2）。总体来看，城—城活动最为常见，达160例；其次为乡—乡（43例）、城—乡（41例），乡—城活动最少，仅为1例。以外地感染者居多，共139例，占比近57%。外地感染与本地感染均以由“城”作起点的迁移主导，乡—乡迁移在本地感染中有一定占比。这是由于相较于乡村，城市人口密集、社会活动频繁，暴露频率更高、强度更大，人群感染风险更高。通过文本判读发现外地感染者多为“务工”（案例一）、“返乡探亲”（案例二）群体，这与我国劳动力梯度迁移路径相符合：西—中—东、乡—城、城（经济欠发达）—城（经济较发达）迁移。
图2 陕西省COVID-19确诊人群感染地属性及城乡流动

Fig.2 Infection location and urban-rural migration patterns of COVID - 19 cases in Shaanxi

案例一：1号患者，男，49岁，安康市汉滨区人。长年在武汉工作，2020-01-19返回安康，当日发病，21日在汉滨区第二医院急诊科就诊，24日被确诊为新型冠状病毒感染的肺炎，目前在安康市传染病医院隔离治疗，病情平稳。 ——据陕西省卫生健康委员会2020-01-24发布
案例二：6号患者，女，36岁，湖北省武汉市人。2020-01-20在湖北省襄阳市出现症状，21日由襄阳市到蒲城县探亲，26日到蒲城县医院就诊。28日被诊断为新型冠状病毒感染的肺炎。目前在蒲城县医院隔离治疗，病情平稳。 ——据陕西省卫生健康委员会2020-01-28发布

2.3　感染群体特征

SARS-CoV-2病毒主要通过飞沫、密切接触等方式进行传播（Huang et al., 2020），具有人传人的特征，传播者与被传播者依据其间的传播关联构成相应群体。根据确诊病例之间的传播关联将其划分为135个群聚单元，陕西省仅89例为个体单独感染，近64%的确诊病例为群体接触型感染所致，以2~3人构成的小型感染群聚单元为主（图3-a），感染人数在7人以上的群体仅占0.9%。以各群体内初始确诊病例确诊时间为群体产生时间（图3-b），发现确诊群体多始于1月27日—2月9日，其中1月27日、31日为群体始发高峰，2月20日之后便无新增群体，基本与时间演化过程一致。
图3 陕西省COVID-19确诊病例群体特征（a. 群聚单元；b. 群体单元始发时间）

Fig.3 Population characteristics of confirmed COVID-19 cases in Shaanxi （a. cluster unit; b. initiation date of group unit）

2.4　社会网络图谱

进一步对确诊病例的群体关系进行精细解析，依据感染场所与接触关系特征将其划分为内部居住场所感染（纯家庭接触感染型）、外部活动场所感染（非家庭接触感染型）与复合型感染（感染群体中既有内部居住场所感染，也有外部活动场所感染）三类。发现陕西省确诊病例感染以家庭感染为主（图4），共有26起纯家庭感染事件、13起复合感染事件、6起外部接触感染事件，其中有42%的感染事件中有武汉输入型病例。
图4 陕西省COVID-19确诊病例社会关系图谱

Fig.4 Social relationship patterns of confirmed COVID-19 cases in Shaanxi

进一步根据家庭结构类型将内部居住场所感染划分为核心家庭感染、直系家庭感染及其他感染3类。其中核心家庭感染包括夫妇核心感染（仅由夫妇二人组成家庭）、标准核心感染（夫妇及其尚未婚嫁子女构成）、亲子核心感染（夫妇某一方同其子女形成）3类；直系家庭感染由二代家庭感染（夫妇同其已婚子女）和三代家庭感染（夫妇同其已婚子女及孙子女）构成（王跃生，2006）。统计发现，核心家庭感染占比近77%，其中尤以夫妇感染为最（11起）；标准家庭感染次之；直系家庭感染以二代居多；其他感染型最少。
复合型感染事件中多以3~5人组成的简单复合为主，大型感染事件共3件，每件均涉及≥8人，尤其自武汉返乡的25号、26号夫妻病例，致感病例达10人，多为密切接触所致；其中1号、3号事件均表现为以家庭为主导的感染，尤其是由武汉自驾返回铜川的9、10、11号病例，感染病例中其家庭成员者占88%（案例三）。除此之外，尚有1人因同乘而被感染。特殊场所感染事件也不容忽视，尤其多彩商户、西北商贸中心等商场及华阴市葬礼的人群聚集性感染，传播风险也极大（图4）。由此可见，密闭空间、人流密集对病毒的传播有助推作用。
案例三：4号患者，男，46岁，武汉市人。1月20日驾车到铜川市王益区探亲，23日出现症状，自行服药无效后到铜川市人民医院北院就诊。25日被确诊为新型冠状病毒感染的肺炎。目前在铜川市传染病医院隔离治疗，病情平稳。 5号患者，女，45岁，武汉市人，与4号患者为夫妻关系。1月20日驾车到铜川市王益区探亲，23日出现症状，自行服药无效后到铜川市人民医院北院就诊。25日被确诊为新型冠状病毒感染的肺炎。目前在铜川市传染病医院隔离治疗，病情平稳。 6号患者，女，9岁，武汉市人，系4号患者和5号患者的女儿。1月20日驾车到铜川市王益区探亲，21日出现症状，自行服药无效后到铜川市人民医院北院就诊。25日被确诊为新型冠状病毒感染的肺炎。目前在铜川市传染病医院隔离治疗，病情平稳。 ——据陕西省卫生健康委员会2020-01-25发布
外部活动场所感染型最少，所含确诊病例均为非武汉市输入型感染，大多事件均为与确诊病例直接接触所致，但其中也有2起为间接接触，证实COVID-19传染性极强，或存在密切接触、飞沫之外等传播途径。此外，还有1起发生于公共场所（人人乐超市）的小型感染事件。

3 陕西省COVID-19疫情时间演变特征

3.1　逐日演变特征

时间变化具有直线不可逆性，对疫情时间特征的探讨有助于充分回顾疫情的发展历程以总结疫情扩散模式，并可为将来应对此类重大挑战积累宝贵经验。2020-01-23，陕西省首次通报3例输入型COVID-19确诊病例；截至3月15日，共有245例确诊病例，2例死亡病例。该时段内COVID-19确诊病例数整体呈现多个“坡”型变化特征（陡坡—缓坡—平坡），增长率峰值期集中于早期，大致可以划分为3个阶段（图5）：1）波动发展期（1月23日—2月6日），这一时期的确诊病例趋势整体呈现持续发展的变化特征，并于1月25日达增长峰值，1月27日、31日达次峰值。同期疑似人数也呈断崖式增长，尤其1月30日疑似人数陡增111例。而现有病例数（累计确诊人数与治愈、死亡人数之差）的日变化则与确诊病例数日变化几乎重叠。2）低速衰退期（2月7—20日），这一阶段确诊病例数量呈现小幅增长，增长率稳定并接近于0。疑似人数于2月11日达到峰值后迅速下降；现有病例数自2月7日开始低于确诊病例数，并于2月12日达峰值，此后平稳缓慢下降。3）平稳清存期（2月21日—3月15日），该阶段确诊病例增长趋于停滞，实现0增长，并于2月27日完成所有疑似病例的排查，现有病例数持续下降，逐步减少病例存量。
图5 陕西省COVID-19疫情日变化特征

Fig.5 Daily evolution process of the COVID-19 epidemic in Shaanxi

进一步探析不同时期疫情流行与重大事件的关联发现，波动发展期处于陕西省通报首例确诊病例（1月23日）的一个潜伏期时长（14 d）内。春节前夕，“返乡”“探亲”等各种迁移活动促使疫情迅速蔓延，其中1月29日增长率创新低，该日为武汉“封城”以后半个潜伏期时长日，阻断疫情扩散的措施成效逐步显现。同时，该时段为陕西省疫情显现阶段，治疗经验、手段等有限，治愈率低。直到2月7日，封闭式措施实施已达半月，成效显著。尤其陕西省发现首位病例后及时响应，于1月25日启动突发公共卫生事件一级应急响应；同时借助春节最佳隔离窗口期，对存在确诊病例的小区实施封闭式管理，对尚未发现病例的小区纷纷加大出行限制、加强出入体温监测等举措，有效抑制了疫情的扩散。同期，各地纷纷分离毒株，治疗手段增加，医护人员诊疗经验日趋丰富；同时确诊主体为青壮年人群，病情较为稳定且体质较好，在接受治疗后均较快恢复。截至3月15日，陕西省仅剩11例现存病例。

3.2　滞后时长特征

确诊时间对于发病、初诊时间普遍存在滞后性，将确诊与发病、初诊的时间间隔定义为滞后时长。发现确诊时间与发病时间的滞后时间相对较长（图6），集中于2~10 d，其中0~7 d内确诊人数占56%，94%的病例能在发病后的一个潜伏期内（14 d）确诊，平均滞后时长约7.5 d，这主要受病例对疫情的关注度以及确诊手段的影响。早期医护人员临床经验不足，人群多以普通感冒待之，采取相应的初诊治疗或将延长确诊时间。计算确诊时间与初诊时间的滞后时长，发现两者间的滞后时长相对较短，平均滞后时长约为2 d，确诊人数与滞后时长呈负相关，当日及次日确诊人数达54%，这得益于后期确诊手段的增加、医护人员诊断经验积累。
图6 陕西省COVID-19确诊病例滞后时长

Fig.6 The lag period of confirmed COVID-19 cases in Shaanxi

对输入型病例发病滞后时长（即返陕与发病的时间间隔）进行解析，确诊病例多于返陕后0~3 d内出现症状，平均滞后周期为3.3 d；返陕当日发病人数达到最高峰，之后便随时长增加波动下降，且存在部分患者在返陕前就已发病，最早于返陕前21 d出现症状，这给疫情的防控带来较大挑战。

4 陕西省COVID-19疫情空间分布格局

空间环境是构成疫情传播扩散环境的基本要素，疫情在空间上的异质性是捕捉重点防控地域，有效调配人力物力资源以采取应对措施的参考基础。从数量上看，截至3月15日，在与湖北相邻的六大省域中，陕西是其中疫情相对低发的省域，分析其原因可能有：首先，陕西省整体表现为南北狭长状，除陕西南部的安康市、商洛市与湖北接壤、中部地区距离湖北较近外，其余市域均距湖北省较远，加上秦巴山地的自然阻隔，跨省交通的便利性及其覆盖度不高，阻隔了疫情扩散的通道；其次，陕西省作为湖北通往西北地区的门户，其人流量与疫情传播风险高于西北其余各省域，但相较中东部地区偏低；第三，我国人口分布格局决定了人口集中于胡焕庸线东南一侧，而西北地区人口密度低，在人口基数小的情况下，其被感染人数也会低于东部省域。
在空间分布上看（图7），发现除陕西外，其余各环鄂省域均以邻近湖北省的多个市域为其疫情核心，如河南省信阳市和南阳市、江西省九江市、湖南省岳阳市等，受地理距离衰减规律作用明显。唯独陕西省呈现以省会西安为单核心的分布格局。可见，COVID-19疫情在环鄂省域的扩散模式上，陕西显著区别于其他省域的“近鄂多核连片”特征，而独自呈现典型的“远鄂单核”的结构模式。因此，对陕西疫情的分布格局、扩散模式及防控对策进行探讨，对类似单核扩散地域的疫情研究具有重要参考价值。
图7 环鄂省域确诊人数的市域空间分布格局

Fig.7 City level spatial patterns of confirmed COVID-19 cases in neighboring provinces of Hubei Province

4.1　市域分布格局

利用发病率衡量陕西省COVID-19疫情的空间分布格局。从市域尺度来看（图8-a），省会城市西安市发病率（1.2/10万人）位居首位；汉中市、安康市、铜川市位于第二层级，发病率介于0.42/10万人~1/10万人之间；第三层级为咸阳市，发病率为0.41/10万人；第四层级为延安市、宝鸡市、渭南市和商洛市，发病率介于0.1/10万人~0.35/10万人；第五层级为榆林市，发病率为0.09/10万人。整体来看，陕西省疫情在市域分布上集中于中南部区域，呈倒“T”型非均衡分布。市域分布格局是受多种因素综合作用的结果。西安市作为陕西省会，人口密度大，与武汉联系强度高，成为陕西省发病率最高的城市。安康市、商洛市与湖北接壤，在地理邻近效应下，所受影响与距离变化呈负相关。但商洛市经济欠发达，人口密度相对较低，加之秦岭在地形上形成的“地理阻隔”等，其发病率保持较低。而汉中市、铜川市进入发病率第二层级，则分别缘于与武汉较强的空间流动联系及较少的总人口数。
图8 陕西省COVID-19发病率空间分布（a. 市域发病率；b. 区县发病率；c. 区县热点）

Fig.8 Spatial distribution of COVID-19 incidence in Shaanxi (a. municipal incidence; b. county incidence; c. county hotspots)

4.2　区县分布格局

陕西省COVID-19发病率第一层级为西安市的新城区、延安市的延川县、铜川市的王益区、汉中市的西乡县及安康市白河县（图8-b）；第二层级为西安市的碑林区、莲湖区、灞桥区、雁塔区及阎良区，咸阳市武功县，安康市紫阳县及旬阳县；第三层级有西安市未央区、高陵区、鄠邑区，宝鸡市渭滨区、凤翔县、岐山县，咸阳市秦都区、三原县、淳化县、杨凌示范区，渭南市临渭区，延安市安塞区，汉中市汉台区、南郑区、洋县，榆林市定边县，安康市汉滨区、汉阴县，商洛市洛南县及丹凤县；其余为第四层级或分布更少区县。各层级中铜川市王益区发病率最高，达4.58/10万人，除3个缺值区（延安市子长市、汉中市佛坪县、汉中市镇巴县）外，存在59个区县发病率为0，与市域分布无明显差异。进一步使用热点分析探究区县尺度发病率分布特征（图8-c），发现99%置信水平的热点区分布于西安市阎良区、临潼区、高陵区、未央区、莲湖区、新城区、灞桥区、雁塔区、长安区、蓝田县、鄠邑区，渭南市临渭区，咸阳市三原县、泾阳县、礼泉县、兴平市、秦都区、渭城区；95%置信水平的热点分布在柞水县；无冷点区。总体来看，区县尺度发病率分布呈离散型、斑块状，但仍聚集于南部区县；热点区主要分布于陕西省中部，呈现以西安市为圆心的圆团状分布，这主要受人口密度及流动强度的影响。

4.3　空间演变过程

复合增长率（Compound Growth Rate）被认为是平滑的增长率，表征某一指标在特定时期内的平均增长情况。以陕西省各市域确诊病例各时段的复合增长率作为纵轴，以累计确诊病例数作为气泡大小绘制气泡图（图9），由于平稳清存期各市均无新增，故仅对波动发展期与低速衰退期进行解析。总体来看，陕西省市域演变呈西安市、汉中市、安康市“三足鼎立”态势，与空间分布格局相符。其中波动发展期各市演化异质性显著，汉中市为波动发展期平均增速最快的市域。低速衰退期各市均为低位增长，已有两市（铜川市、商洛市）在该时期实现0增长。进一步依据复合增长率将陕西省各市于不同时段的增长模式划分为高进高出、低进高出、高进低出、低进低出4种类型。发现“三足”及渭南市处于高进高出，榆林市、咸阳市分别为低进高出、高进低出，宝鸡市、铜川市、延安市和商洛市均为低进低出。由此可见，陕西省大部分地区已达到低风险防范标准，但西安市、汉中市、安康市、渭南市及榆林市作为“高出”市域仍需重点监控，防止因全面复工复学导致疫情复燃。
图9 陕西省COVID-19市域演化特征

Fig.9 City level evolution patterns of the COVID-19 epidemic in Shaanxi

4.4　空间流动特征

人群的活动范围是影响疫病快速传播的重要因素，基于118条确诊病例详细活动轨迹信息（剔除境外、市内及不明路径信息），绘制确诊病例市际流动轨迹图（图10），揭示陕西省疫情空间流动路径。流入陕西省的市域组对多为“武汉—西安”（25.6%）、“武汉—安康”（12%）、“武汉—延安”（5.6%）等；自武汉流出路径占66.4%，流入西安、安康、汉中的路径分别占43.2%、14.4%、6.4%。总体来看，流出地广泛但集中于我国东部地区，西部地区仅兰州与成都有2例流出，武汉市为重点流出市域；流入地分散，但以西安市、安康市、汉中市等中南部市域为重点流入地区，整体呈现“一源多汇、汉入中南”的空间流动格局。
图10 陕西省COVID-19疫情空间流动格局

注：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(2016)1595号的标准地图制作，底图无修改。

Fig.10 Spatial flow patterns of COVID-19 epidemic in Shaanxi

5 重点市域西安疫情风险地理画像

西安市既是副省级城市、国家中心城市、关中平原城市群核心城市、陕西省的省会城市，也是陕西省人流物流集散地，地处中国陆地版图中心和中国中西部两大经济区域的结合部，发病率居全省首位，与武汉联系强度（基于2020-01-01—23武汉迁出数据）在各省会城市中位居前十，仅次于合肥，属高进高出型增长，风险等级极高。因此对西安市疫情风险评估对大部分疫情集中于省会城市的省域疫情防控具有参考价值。疫情小区、人群聚集地作为已有确诊病例、人流量大的空间单元，感染风险大，而定点医疗机构在邻近处布局则会在一定程度上有助于降低风险。因此，在1 km×1 km网格上将疫情小区、人群聚集地及定点医疗机构密度进行叠加（减）赋值，对西安市疫情风险进行地理画像（图11），分析发现：西安市疫情风险总体呈现“一组团三小片”分布。风险指数最大的“一组团”地区位于西安市主城区，包含未央区、新城区、灞桥区、莲湖区、碑林区、雁塔区及长安区北部、临潼区西南等地。“三小片”则位于阎良区西部、高陵区北部、鄠邑区中部等片区。同时风险热点区内部也夹杂嵌套着部分冷点风险斑块。
图11 西安市COVID-19疫情风险地理画像

Fig.11 Geographic profiling of COVID-19 epidemic risk in Xi’an city

叠加西安市街道以捕捉疫情风险在微观单元的分布情况，发现“一组团”集中于新城区太华路街道、胡家庙街道、西一路街道，碑林区长乐坊街道、东关南街街道、太乙路街道、柏树林街道，雁塔区大雁塔街道、小寨路街道、电子城街道、长延堡街道，莲湖区西关街道、枣园街道、北院门街道等，未央区未央宫街道、汉城街道，长安区的韦曲街道，灞桥区席王街道、红旗街道与十里铺街道交界及灞桥街道与洪庆街道交界，临潼区集中于西泉街道、斜口街道、骊山街道等。“三小片”分别处于高陵区唐苑街道、榆楚镇及张卜镇，阎良区振兴街道、凤凰路街道与新华路街道，鄠邑区的余下镇与秦渡镇。总体来看，风险热点多位于西安市主城区人流密集处（如小寨为商场集中地，大雁塔为景点集中地等），对此类地点的防控要进一步加强。

6 结论与讨论

本文以毗邻中国疫情始发省域湖北的陕西省为研究区，基于官方通报的病例数据与人工判读采集的病例详细信息及相关POI数据，综合运用数理统计、空间分析、文本分析、案例分析等方法，重点探究了确诊病例的社会人口学特征和疫情的时空演化格局与重点市域风险等级，主要结论如下：
1）社会人口学特征：确诊病例的性别年龄结构呈现明显的“菱形”，高发于20~69岁人群，尤以40~49为最，男性多于女性；多为外地感染，且外地感染与本地感染均以由“城”为起点的迁移主导。多呈由武汉输入型病例导致的2~3人小型核心家庭感染，群体始发时间变化与总体时间演变基本同步。
2）时间演变特征：确诊病例日变化呈“坡”型变化，表现为波动发展期（1月23日—2月6日）持续高发的“陡坡”、低速衰退期（2月7日—20日）小幅增长的“缓坡”、平稳清存期（2月21日—3月15日）0增长的“平坡”；确诊时间存在滞后时长，与发病时间的平均滞后时长为7.5 d，与初诊时间平均滞后时长为2 d，输入型病例多于返陕后0~3 d发病。
3）空间分布格局：疫情在陕西省的分布为典型的“单核”结构，且集中于省会西安，显著区别于其他邻鄂省份的“近鄂多核连片”格局。疫情省内分布差异显著，在市域分布上集中于中南部区域，呈倒“T”型非均衡分布；在区县分布上呈离散型、斑块状，集中于南部区县，热点区呈现以西安市为圆心的圆团状分布；市域演变上，呈“三足鼎立”模态，40%的市域为高进高出型；空间流动上表现为“一源多汇，汉入中南”的迁移格局。
4）风险等级分布：重点市域西安市疫情风险地理特征表现为“一组团三小片”式分布格局，主城区风险等级高于周边区县。
依据研究结果，本文提出以下防控建议： 1）确诊病例社会关系以核心家庭为主，多为外地感染，应从家庭层面做好防护，外出返乡者应积极配合坚持“居家隔离”，日常生活中保持勤洗手、多通风、做好家庭消毒等工作，尽量避免集聚性活动；2）西安市、汉中市、安康市作为高进高出型市域，应重点加以关注，政府应对相关地区疫情防控进行模拟，依据各地风险指数进行管控，尤其西安市主城区的复工复产复学应谨慎评估。3）加强对人流的管控，前期注重外省返乡人员，中期注重省内或市内人群流动与集聚，后期严防境外输入，避免因防控疏漏导致疫情复发。
本文虽取得一定认识，但仍存在以下局限：从数据上来看，确诊病例具体活动轨迹信息较为零散、不够详尽，未来仍需借助多源时空数据，深入对微观尺度人群活动与传播风险的研究；从内容上来看，风险等级分布只是基于疫情小区、人群聚集地及定点医疗机构等数据测算，以后工作需将风险因子继续完善，优化风险测度模型。在今后研究中，拟将人群个体水平的迁移扩散与细胞分子水平的全基因组序列的解析追踪溯源结果相参照，模拟构建变化条件下疫情“感知预判—扩散演变—应对防控”的典型情境，并提出应对预案。

1 http://ncov.mapplus.cn/api。

References

Publishing order | Descend order by publishing year | Descend order by cited within
柴彦威，张文佳. 2020. 时空间行为视角下的疫情防控——应对2020新型冠状病毒肺炎突发事件笔谈会. 城市规划：1[2020-03-31]．http://kns.cnki.net/kcms/detail/11.2378.TU.20200214. 1746.034.html. [Chai Yanwei and Zhang Wenjia. 2020. Epidemic Prevention and Control from the Perspective of Time-space Behavior- A Written Discussion on Coping with 2020 COVID-19 Emergencies. Urban Planning: 1[2020-03-31]．http://kns.cnki.net/kcms/detail/11.2378.TU.20200214. 1746.034.html. ]

程杨，杨林生，李海蓉. 2006．全球环境变化与人类健康．地理科学进展，25（2）：46-58. [Cheng Yang, Yang Linsheng and Li Hairong. 2006. Global Environmental Change and Human Health. Advances in Geosciences, 25 (2): 46-58. ]

程杨，李海蓉，杨林生. 2009 .中国明清时期疫病时空分布规律的定量研究.地理研究，28（4）：1059-1068. [Cheng Yang, Li Hairong and Yang Linsheng. 2009. Quantitative Study on Spatiotemporal Distribution of Epidemic Diseases in Ming and Qing Dynasties. Geography Research, 28(4): 1059-1068. ]

陈宝，况荣华，曹飞，李譞超，黄鹏. 2014. 地理信息系统在疾病危险因素研究中的应用. 南昌大学学报（医学版），54（2）：89-92，96. [Chen Bao, Kuang Ronghua, Cao Fei, Li Xuanchao and Huang Peng. 2014. Application of Geographic Information System in the Study of Disease Risk Factors. Journal of Nanchang University (Medicine), 54 (2): 89-92， 96. ]

迟文学，王劲峰，李新虎，廖一兰. 2007. 出生缺陷的空间点格局分析.环境与健康杂志，24（4）：238-241. [Chi Wenxue, Wang Jingfeng, Li Xinhu and Liao Yilan. 2007. Spatial Pattern Analysis of Birth Defects. Journal of Environment and Health, 24 (4): 238-241.]

邓厚培. 1994. 疾病地理研究的基本理论和方法. 首都师范大学学报(自然科学版)，（3）：94-98. [Deng Houpei. 1994. Basic Theory and Method of Disease Geography Research. Journal of Capital Normal University (Natural Science Edition), (3): 94-98. ]

范新生，应龙根. 2005.中国SARS疫情的探索性空间数据分析.地球科学进展,（3）：282-291. [Fan Xinsheng and Ying Longgen. 2005. An Exploratory Spatial Data Analysis of SARS Epidemic in China. Advances in Earth Science, (3): 282-291. ]

郭凤云，路紫. 2009.基于空间分析方法的疾病地理研究进展.地理信息世界，7（6）：22-26，46. [Guo Fengyun and Lu Zi. 2009. Advances in Disease Geography Research Based on Spatial Analysis. Geographic Information World, 7 (6): 22-26, 46. ]

Huang C L, Wang Y M and Li X W. 2020. Clinical Features of Patients Infected with 2019 Novel Coronavirus in Wuhan, China. Lancet, S0140-6736(20): 30183-30185.

IPCC. 2001. IPCC Third Assessment Report: Climate Change 2001: Synthesis Report. (2001-04-12) [2020-04-01]. http://www.ipcc.ch/pdf/climate-changes-2001/synthesis-spm/synthesis-spm-cn.pdf.

Ji W, Wang W, Zhao X F, Zai J J and Li X G. 2020. Cross-Species Transmission of the Newly Identified Coronavirus 2019-nCoV. Journal of Medical Virology, 92(4): 433-440. DOI: 10.1002/jmv.25682.

金安楠，李钢，王皎贝，徐婷婷，于悦，胡志恒，杨佳辰. 2020. 深圳市冠状病毒肺炎（COVID-19）疫情时空演化与防控对策.陕西师范大学学报（自然科学版），48（3）：18-32. ［Jin Annan, Li Gang, Wang Jiaobei, Xu Tingting, Yu Yue, Hu Zhiheng and Yang Jiachen. 2020. Spatio-Temporal Evolution and Control Strategies of COVID-19 Epidemic in Shenzhen, China. Journal of Shaanxi Normal University (Natural Science Edition), 48(3): 18-32. DOI: 10.15893/j.cnki.Jsnu.2020.03.017. ]

李承倬，冯敖梓，武文韬，潘振宇，李筱，吕军，徐安定. 2020. 河南省新型冠状病毒肺炎疫情防控效果分析.中医学报，（3）：497-500.[Li Chengzhuo, Feng Aozi, Wu Wentao, Pan Zhenyu, Li Xiao, Lv Jun and Xu Anding. 2020. Effect of COVID-19 Epidemic Prevention and Control in Henan Province. Chinese Journal of Traditional Chinese Medicine, (3): 497-500. ]

李立明. 2008. 流行病学. 北京：人民卫生出版社. [Li Liming. 2008. Epidemiology. Beijing: People's Medical Publishing House. ]

刘洁，罗万军，邓志宏，汪小杰，聂丽，王文娟，许渝，张晓慧，唐锋，王育继. 2020. 91例儿童新型冠状病毒肺炎确诊病例临床及流行病学特征.中华医院感染学杂志，（11）：1625-1629.[Liu Jie, Luo Wanjun, Deng Zhihong, Wang Xiaojie, Nie Li, Wang Wenjuan, Xu Yu, Zhang Xiaohui, Tang Feng and Wang Yuji. 2020. Clinical and Epidemiological Characteristics of 91 Confirmed Children with COVID-19. Chinese Journal of Hospital Infectiology， （11）： 1625-1629. ]

刘逸，李源，黎卓灵，韩芳菲． 2020. 新冠肺炎疫情在广东省的扩散特征.热带地理，40（3）：367-374. [Liu Yi, Li Yuan, Li Zhuoling and Han Fangfei. Diffusion Characteristics of the Corona Virus Disease 2019 (COVID-19) Outbreak in Guangdong Province. Tropical Geography, 40（3）：367-374.]

刘郑倩，叶玉瑶，张虹鸥，郭洪旭，杨骥，王长建. 2020. 珠海市新型冠状病毒肺炎聚集发生的时空特征及传播路径.热带地理，40(3):422-431. [Liu Zhengqian, Ye Yuyao, Zhang Hong'ou, Guo Hongxu, Yang Ji and Wang Changjian. 2020. Spatio-Temporal Characteristics and Transmission Path of COVID-19 Cluster Cases in Zhuhai. Tropical Geography, 40(3):422-431.]

Ord J K and Getis A. 1995. Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. Geographical Analysis, 27: 286-306.

Ren L L, Wang Y M, Wu Z Q, Xiang Z C, Guo L, Xu T, Jiang Y Z, Xiong Y, Li Y J, Li X W, Li H, Fan G H, Gu X Y, Xiao Y, Gao H, Xu J Y, Yang F, Wang X M, Wu C, Chen L, Liu Y W, Liu B, Yang J, Wang X R, Dong J, Li L, Huang C L, Zhao J P, Hu Y, Cheng Z S, Liu L L, Qian Z H, Qin C, Jin Q, Cao B and Wang J W. 2020. Identification of A Novel Coronavirus Causing Severe Pneumonia in Human: A Descriptive Study. Chinese Medical Journal, 1-29[2020-01-29]. https://mp.weixin.qq.com/s/vfqJcjoXWRPqmzyr KvtkHw.

谭见安. 1990. 中华人民共和国地方病与环境图集. 北京：科学出版社.[Tan Jianan. 1990. Atlas of Endemic Diseases and Environment in the People's Republic of China. Beijing: Science Press. ]

谭见安. 2000. 中华人民共和国鼠疫与环境图集. 北京：科学出版社.[Tan Jianan. 2000. Atlas of Plague and Environment in the People's Republic of China. Beijing: Science Press. ]

谭然. 2018. 地理学视角下的中国拐卖儿童犯罪研究. 西安：西北大学. [Tan Ran. 2018. Research on the Crime of Abducting and Trafficking Children in China from the Perspective of Geography. Xi’an: Northwest University. ]

Tang S Y, Tang B and Nicola L B. 2020. Stochastic Discrete Epidemic Modeling of COVID-19 Transmission in the Province of Shaanxi Incorporating Public Health Intervention and Case Importation.(2020-02-25) [2020-04-01]. MedRxiv, https://doi.org/10.1101/2020.02.25.20027615.

王跃生. 2006. 当代中国家庭结构变动分析.中国社会科学，（1）：96-108，207. [Wang Yuesheng. 2006. Analysis of Family Structure Changes in Contemporary China. Chinese Social Sciences, (1): 96-108, 207. ]

Wang C, Horby P W and Hayden F G. 2020. A Novel Coronavirus Outbreak of Global Health Concern. The Lancent, 395(10223): 470-473.

王丽萍，金水高. 2008. GIS空间分析技术在疟疾研究中应用.中国公共卫生，24（6）：745-747.[Wang Liping and Jin Shuigao. 2008. Application of GIS Spatial Analysis Technology in Malaria Research. China Public Health, 24 (6): 745-747. ]

WHO. 1990. Potential Health Effects of Climate Change: Report of a WHO Task Group. Geneva: WHO/PEP/90.10.

Wu F, Zhao S, Yu B, Chen Y M, Wang W, Song Z G, Hu Y,Tao Z W, Tian J H, Pei Y Y, Yuan M L, Zhang Y L, Dai F H, Liu Y, Wang Q M, Zheng J J, Xu L, Holoes E C and Zhang Y Z. 2020. A New Coronavirus Associated with Human Respiratory Disease in China. Nature, 579: 265-269.

Xiao K P, Zhai J Q and Feng Y Y. 2020. Solation and Characterization of 2019-nCoV-like Coronavirus from Malayan Pangolins. (2020-02-17) [2020-04-01].BioRxiv. Doi: https://doi.org/10.1101/2020. 02.17.951335.

Xiong H and Yan H L. 2020. Simulating the Infected Population and Spread Trend of 2019-nCov under Different Policy by EIR Model. (2020-02-10) [2020-04-01]. MedRxiv, Doi: https://doi.org/10.1101/2020.02.10.20021519.

杨煌. 2002. 医学地理学简介.卫生软科学，（2）：46-48. [Yang Huang. 2002. Introduction to Medical Geography. Soft Science of Health, (2): 46-48. ]

杨林生，李海蓉，李永华，王五一，谭见安. 2010. 医学地理和环境健康研究的主要领域与进展.地理科学进展，29（1）：31-44. [Yang Linsheng, Li Hairong, Li Yonghua, Wang Wuyi and Tan Jianan. 2010. Major Fields and Progress of Medical Geography and Environmental Health Research. Advances in Geographical Sciences, 29 (1): 31-44. ]

杨柳，李战，许华茹，常彩云，刘仲，李传彬，孙湛，景睿，刘铁诚，耿兴义，周敬文. 2020. 济南市10例儿童新型冠状病毒肺炎确诊病例流行病学和临床特征.山东大学学报（医学版）：（4）：36-39. [Yang Liu, Li Zhan, Xu Huaru, Chang Caiyun, Liu Zhong, Li Chuanbin, Sun Zhan, Jing Rui, Liu Tiecheng, Geng Xingyi and Zhou Jingwen. 2020. Epidemiological and Clinical Characteristics of 10 Confirmed Children with COVID-19 in Jinan. Journal of Shandong University (Medical Science): （4）： 36-39. ]

杨莹莹，郭欣武，甘亚弟，刘海博，朱立超. 2007. 北京市大兴区2006年流动人口传染病发病情况. 首都公共卫生，1（6）：256-258. [Yang Yingying, Guo Xinwu, Gan Yadi, Liu Haibo and Zhu Lichao. 2007. Prevalence of Floating Population Infectious Diseases in 2006 in Daxing District, Beijing. Capital Public Health, 1(6): 256-258. ]

张静，任志远. 2016. 陕西省城市可持续发展系统协调性评价.地域研究与开发，35（4）：79-84. [Zhang Jing and Ren Zhiyuan. 2016. Evaluation of Urban Sustainable Development System Coordination in Shaanxi Province. Regional Research and Development, 35 (4): 79-84. ]

张晓光. 2019. 陕西省统计年鉴2019. 北京：中国统计出版社.[Zhang Xiaoguang. 2019. Shaanxi Statistical Yearbook 2019. Beijing: China Statistics Press. ]

周素红. 2020. 安全与健康空间规划与治理——应对2020新型冠状病毒肺炎突发事件笔谈会.城市规划：1[2020-02-19]. http://kns.cnki.net/kcms/detail/11.2378.TU.20200214.1747.040.html. [Zhou Suhong. 2020. Safe and Healthy Space Planning and Management-A Written Discussion on Coping with 2020 COVID-19 Emergencies. Urban Planning: 1[2020-02-19]. http://kns.cnki.net/kcms/detail/11.2378.TU.20200214.1747.040.html. ]

周涛，刘权辉，杨紫陌，廖敬仪，杨可心，白薇，吕欣，张伟. 2020. 新型冠状病毒感染肺炎基本再生数的初步预测.中国循证医学杂志，（3）：359-364. [Zhou Tao, Liu Quanhui, Yang Zimo, Liao Jingyi, Yang Kexin, Bai Wei, Lv Xin and Zhang Wei. 2020. Preliminary Prediction of the Basic Regeneration Number of Novel Coronavirus Pneumonia. Chinese Journal of Evidence-Based Medicine， （3）： 359-364. ]

Options
Outlines

/

〈 〉