大数据环境下疫情扩散预警机制研究
来源:用户上传
作者:
摘 要
随着新型冠状病毒引起的非典型肺炎在全世界的蔓延，确诊人数不断上涨，疫情的规模和地理范围变得高度不确定。疾病传播尤其令人担忧。本研究旨在通过百度迁徙所提供的中国春运人员迁徙热力图及卫生健康委员会提供的新型冠状病毒感染的疫情分布，建立线性回归模型追踪疫情扩散的传播趋势。利用相关分析、回归分析证明作为始发地的输出比例与疫情确诊病例呈现显著的正相关关系。通过研究以期为世界范围内应对新型冠状病毒在人口和个人层面实施大规模卫生干预做好准备，以便迅速部署。
关键词
大数据;疫情扩散;预警机制
中图分类号： D63 文献标识码： A
DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 17 . 97
0 引言
自2019年12月31日以来，湖北省武汉市报告了由2019年新型冠状病毒引起的非典型肺炎爆发。
近几十年来，另外两种新型冠状病毒已成为全球主要流行病。2002年，重症急性呼吸综合征冠状病毒（SARS-CoV）传播到37个国家，确诊8000多例，近800人死亡;2012年，中东呼吸综合征冠状病毒（MERS-CoV）传播到27个国家，迄今为止，全球共确诊2494例，858人死亡。这些冠状病毒都是人畜共患的，并且具有持续的社区传播潜力。
本研究旨在通过2020年1月10日-2020年1月24日，武汉输出到全国及湖北其他地市的人口流出数据及截止到2020年2月2日的疫情分布数据，建立线性回归模型追踪疫情扩散的传播趋势，利用相关分析、回归分析等证明武汉作为始发地的输出比例与疫情确诊病例呈现显著的正相关关系。通过研究以期为世界范围内应对新型冠状病毒在人口和个人层面实施大规模卫生干预做好准备，以便迅速部署。
1 理论研究
本研究使用百度地图慧眼百度迁徙提供的武汉输出人口比例及国家卫建委和各省卫健委提供的新型冠状病毒感染的疫情分布作为数据支撑。
1.1 春运期间武汉迁出目的地分布
据相关报道：受春节和疫情的影响有500多万人离开武汉。那么，这500多万人到底去了哪里？这些离开武汉的人对疫情扩散又有着什么影响呢？
从百度地图慧眼的迁徙大数据可知，1月10日至1月24日春运期间，每天从武汉出发的人群中有6至7成的人前往了湖北省内的其他城市，其次是河南省、湖南省、安徽省、江西省、广东省。
从市际维度来看，除了湖北的城市，从武汉前往信阳、重庆、长沙、北京、上海、郑州的人群比例也较高。而在湖北省内，孝感和黄冈是接受武汉返乡客流比例最高的两个城市，离开武汉的人当中，平均每天有13.80%和13.04%是从武汉出城到达孝感和黄冈。
1.2 疫情扩散情况及分布比例
由表1可以看出，截止至2020年2月2日13点35分，全国新型冠状病毒确诊人数14425例。就全国范围来看，确诊病例排名前列的省份为：湖北省、浙江省、广东省、河南省、湖南省、安徽省、江西省。由<表2>可以看出，截止至2020年2月2日13点35分，湖北省新型冠状病毒确诊人数9074例。就全省来看，确诊病例排名前列的城市为：武汉、黄冈、孝感。
从“武汉迁出目的地地图及分布比例图”和“全国及湖北省疫情分布表”可以看出，从武汉（起始地）流向全国各省市的输出比例，与各省市新型冠状病毒确诊数量有着一定的正相关关系。
基于此，本研究提出如下假设：
假设1：省际输出比例与全国省际疫情确诊病例显著正相关。
假设2：市际输出比例与湖北市际疫情确诊病例显著正相关。
2 实证研究
本研究使用百度地图慧眼百度迁徙提供的武汉输出人口比例及国家卫建委和各省卫健委提供的新型冠状病毒感染的疫情分布数据，构建一元线性回归模型。使用SPASS22.0软件，进行相关性检验及回归检验。
回归模型如下所示：
Y=β0+β1Xi+εi，i=1，2，……，n
Y=疫情分布，Xi=输出比例
2.1 省际输出比例对全国省际疫情确诊病例的影响
在进行假设1验证之前，为了检验各变量之间的相互关系，进行了Pearson相关分析。
相关分析结果见表3。本研究采用Pearson相关分析进行分析。从表3可以看出，各变量的均值和标准差均不存在异常。表3显示，在0.01的显著水平上，输出比例与疫情确诊显著正相关（r=0.769， P<0.01），假设1得到初步支持。为了验证省际输出比例对疫情扩散施加影响的假设，本研究采用SPSS 22.0软件进行了回归分析。结果表明，F值显著，说明该变量适用于回归分析。输出比例对疫情扩散的解释力达到了40.233%。回归分析中方差膨胀因子（VIF）为1，小于10，说明没有严重的共线性。结果可以接受。输出比例对疫情扩散的影响为：β=.752，P<0.001，输出比例对疫情扩散具有显著的正向影響。假设1得到验证，即省际输出比例对全国省际疫情确诊病例有显著的正向影响。
2.2 市际输出比例对湖北市际疫情确诊病例的影响
在进行假设2验证之前，为了检验各变量之间的相互关系，进行了Pearson相关分析。
相关分析结果见表5。本研究采用Pearson相关分析进行相关分析。从表5可以看出，各变量的均值和标准差均不存在异常。在0.01的显著水平上，输出比例与疫情确诊显著正相关（r=0.911， P<0.01），假设2得到初步支持。为了验证市际输出比例对疫情扩散施加影响的假设，本研究采用SPSS22.0软件进行了回归分析。结果表明，F值显著，说明该变量适用于回归分析。输出比例对疫情扩散的解释力达到了68.309%。回归分析中方差膨胀因子（VIF）为1，小于10，说明没有严重的共线性。结果可以接受。输出比例对疫情扩散的影响为：β=.911，P <0.001，输出比例对疫情扩散具有显著的正向影响。假设2得到验证，即市际输出比例对湖北市际疫情确诊病例有显著的正向影响。 3 结论及建议
3.1 加强预警机制，注重疫情预测
预警主要由监测、识别、诊断及处理四个环节构成。但目前各大机构往往只注重处理环节，对其他环节未给予应有的重视，以至于错失将危机消灭在萌芽期的机会。正如我国目前所通用的做法往往是在疫情已经蔓延之后，再采取成立临时指挥部，对疫情进行集中处理，但此时的处理，往往已错失了疫情控制的最佳时期。正如2019新型冠状病毒疫情爆发，尽管武汉市于2020年1月23日采取封城措施，但鉴于2010年1月10日-1月24日，正值春运的特殊时期，在此期间仍有500多万人离开武汉，仅2月22日晚全城出走30万人，这些在封城之前出走的武汉人有部分人员在之后得到确诊，而此时因人员流动所带来的严重危害已造成其他省市的大面积感染。
以此看来，如果对疫情的预警仅仅停留在应对而非预测，那么对疫情的控制显然是被动的。如果各地市在武汉人口输出后，能够在第一时间对海量数据进行抓取分析，将大数据技术运用到疫情扩散的预测中，采取及时果断的隔离措施，就可以避免因人员流动带来的疫情扩散，进而就能将疫情扩散扼杀在萌芽状态，减少生命财产损失。
3.2 加强预警信息系统，注重系统建设
预警的核心问题就是相关部门对信息的收集和处理过程，根据信息处理结果进行分析汇总，并及时采取相应措施。而我国在预警信息系统建设方面尚不完善。例如，我国对于危机信息的处理仍采取层级上报制度，此过程往往会造成信息的延误和失真，造成危机进一步恶化。对信息的反馈，往往会加入社会利益因素，可能会对关键预警信息采取漠视态度，造成信息瞒报、误报。例如，2019新型冠状病毒爆发，其实早在2019年12月8日就出现第一例不明肺炎患者，1月11日出现第一例死亡病例，1月20日，中央对武汉新型冠状病毒感染的肺炎做出最高指示，当天武汉成立疫情防控指挥部;1月22日，防控全面升级2天后，武汉才开始号召市民戴口罩;1月23日，武汉采取“封城”措施。尽管病毒从被发现到确诊需要一个过程，我国政府也已在最快的时间内成立了疫情防控指挥部，但由于危机信息层级上报，这期间经历了45天的无控制状态，在这45天中，公众并未对病毒有一个充分的了解，更没有预防意识，造成了疫情的扩散。
因此，建立一个强大的预警信息系统，使其拥有强大的信息收集能力、快速的传递速度以及高效的数据处理能力成为关键。
参考文献
[1]Abbad A， Perera R A P M， Anga L， et al. Middle East respiratory syndrome coronavirus （MERS-CoV） neutralising antibodies in a high-risk human population， Morocco， November 2017 to January 2018[J]. Eurosurveillance， 2019， 24（48）.
[2]Wu J T， Leung K， Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan， China： a modelling study[J]. The Lancet， 2020.
[3]Virlogeux V， Fang V J， Park M， et al. Comparison of incubation period distribution of human infections with MERS-CoV in South Korea and Saudi Arabia[J]. Scientific reports， 2016，6：35839.
[4]Zhang S， Tuo J， Huang X， et al. Epidemiology characteristics of human coronaviruses in patients with respiratory infection symptoms and phylogenetic analysis of HCoV-OC43 during 2010-2015 in Guangzhou[J]. PloS one， 2018，13（1）.
[5]Oh M， Park W B， Park S W， et al. Middle East respiratory syndrome：what we learned from the 2015 outbreak in the Republic of Korea[J].The Korean journal of internal medicine， 2018， 33（2）：233.
[6]劉琦.我国突发公共卫生事件危机预警管理研究[D].沈阳：沈阳师范大学，2016
转载注明来源:https://www.xzbu.com/8/view-15282927.htm
