基于地理加權(quán)回歸模型的山東省臨沂市結(jié)核病發(fā)病情況及其影響因素分析

董振 王萍萍 藺躍付 姜秀波

［摘要］ ?目的 ?探討山東省臨沂市各縣區(qū)結(jié)核病發(fā)病登記率現(xiàn)況及其與相關(guān)影響因素的空間局域關(guān)系。

方法收集2019年1—12月臨沂市12個(gè)縣區(qū)的結(jié)核病發(fā)病及相關(guān)影響因素資料；采用Geoda 4.02軟件分析空間自相關(guān)性；采用GWR 4.09軟件構(gòu)建最小二乘法（OLS）和地理加權(quán)回歸（GWR）模型；采用ArcGIS 10.2軟件繪制GWR模型影響因素的空間分布地圖。

結(jié)果2019年臨沂市結(jié)核病發(fā)病總計(jì)3 261例，總發(fā)病率為32.39/10萬。不同縣區(qū)、不同性別及年齡組之間結(jié)核病發(fā)病率差異均有統(tǒng)計(jì)學(xué)意義（χ2=71.257～1 532.464，P<0.001）。空間自相關(guān)分析結(jié)果顯示為空間正相關(guān)（Moran I=0.234，P=0.021）。LISA聚類圖結(jié)果顯示，羅莊區(qū)和蘭陵縣為低-低聚集，莒南縣為高-高聚集。OLS和GWR結(jié)果顯示GWR模型各種診斷標(biāo)準(zhǔn)均優(yōu)于OLS模型。GWR模型結(jié)果顯示人口密度（β=－0.019）、人均受教育年限（β=－14.509）、每萬人平均衛(wèi)生技術(shù)人員數(shù)（β=－0.293）、空氣質(zhì)量指數(shù)（β=－15.438）對(duì)結(jié)核病發(fā)病率影響具有統(tǒng)計(jì)學(xué)意義（P<0.05）。

結(jié)論山東省臨沂市2019年結(jié)核病發(fā)病率存在性別、年齡、地域差異。各縣區(qū)結(jié)核病發(fā)病率存在空間聚集性。社會(huì)、環(huán)境、經(jīng)濟(jì)等因素對(duì)結(jié)核病發(fā)病率影響存在空間異質(zhì)性。GWR模型較OLS模型對(duì)發(fā)病率影響因素的分析上具有獨(dú)特優(yōu)勢(shì)性。

［關(guān)鍵詞］ ?結(jié)核；患病率；空間回歸；流行病學(xué)；最小二乘法；影響因素分析；地理學(xué)，醫(yī)學(xué)

［中圖分類號(hào)］ ?R195.4;R52

［文獻(xiàn)標(biāo)志碼］ ?A

Incidence rate of tuberculosis and related influencing factors in Linyi City， Shandong Province， China： An analysis based on the geographical weighted regression model

DONG Zhen， WANG Pingping， LIN Yuefu， JIANG Xiubo

（School of Public Health， Qingdao University， Qingdao 266071， China）

;［ABSTRACT］?Objective?To investigate the current registration rate of tuberculosis in each county and district of Linyi City， Shandong Province， China and its spatial local relationship with related influencing factors.

Methods?Related data were collected for the incidence rate of tuberculosis and related influencing factors in 12 counties and districts of Linyi City from January to December 2019. Geoda 4.02 software was used to analyze spatial autocorrelation; GWR 4.09 software was used to construct an ordinary least squares regression （OLS） model and a geographic weighted regression （GWR） model; ArcGIS 10.2 software was used to plot the spatial distribution map of influencing factors based on the GWR model.

Results?In 2019， there were 3 261 cases of tuberculosis in Linyi City， with an overall incidence rate of 32.39/100 000. There was a significant difference in the incidence rate of tuberculosis between different counties， sexes， and age groups （χ2=71.257-1 532.464， P<0.001）. The results of spatial autocorrelation analysis showed a positive spatial correlation （Moran I=0.234， P=0.021）. The results of LISA clustering analysis showed low-low clustering in Luozhuang District and Lanling County and high-high clustering in Junan County. OLS and GWR model analyses showed that the GWR model had better diagnostic criteria than the OLS model. The GWR model showed that population density （β=-0.019）， per capita education years （β=-14.509）， the number of health technicians per ten thousand people （β=-0.293）， and air quality index （β=-15.438） had significant effects on the incidence rate of tuberculosis （P<0.05）.

Conclusion

There are sex， age， and regional differences in the incidence rate of tuberculosis in Linyi City， Shandong Province in 2019. Spatial aggregation is observed for the incidence rate of tuberculosis in each county， and spatial heterogeneity is observed for the influence of social， environmental， economic factors on the incidence rate of tuberculosis. Compared with the OLS model， the GWR model has unique advantages in analyzing the influencing factors for incidence rate.

［KEY WORDS］?Tuberculosis; Prevalence; Spatial regression; Epidemiology; Least-squares analysis; Root cause analysis; Geography， medical

結(jié)核病是由結(jié)核分枝桿菌引起的慢性傳染性疾病，以肺部結(jié)核最為常見［1］，是危害人類健康的重大疾病之一。作為一種典型的呼吸道傳染病，結(jié)核病的發(fā)生符合因自身感染機(jī)制與特定的地理環(huán)境因素相互作用的特性［2］。隨著地理信息技術(shù)的發(fā)展和完善，地理加權(quán)回歸模型（geographically weighted regression，GWR）等空間聚集性分析技術(shù)也被廣泛應(yīng)用于結(jié)核病的流行病學(xué)研究中。多項(xiàng)地區(qū)性研究表明，結(jié)核病發(fā)病存在空間聚集性，并與人口、環(huán)境以及社會(huì)資源等因素有關(guān)［3-6］。

本研究擬采用2019年山東省臨沂市12個(gè)縣區(qū)結(jié)核病發(fā)病登記、人口、環(huán)境和社會(huì)經(jīng)濟(jì)等統(tǒng)計(jì)數(shù)據(jù)，探討臨沂市結(jié)核病發(fā)病率現(xiàn)況及空間分布特征，并評(píng)價(jià)人口密度、人均受教育年限、人均可支配收入、每萬人平均衛(wèi)生技術(shù)人員數(shù)、空氣質(zhì)量指數(shù)等因素對(duì)臨沂市局部區(qū)域結(jié)核病發(fā)病率的影響，旨在為制定適宜的結(jié)核病防控策略提供科學(xué)依據(jù)［7］。

1 資料與方法

1.1 數(shù)據(jù)來源

2019年1—12月山東省臨沂市12個(gè)縣區(qū)的結(jié)核病病例資料來源于中國疾病預(yù)防控制信息系統(tǒng)及臨沂市結(jié)核病防治中心的病案登記資料，人口數(shù)據(jù)等來自政府公開資料，臨沂市矢量地圖及地圖數(shù)據(jù)來源于中國基礎(chǔ)地理信息數(shù)據(jù)庫。結(jié)核病發(fā)病率的影響因素選取人口密度（人/km2）、人均受教育年限（年）、人均可支配收入（元）、每萬人平均衛(wèi)生技術(shù)人員數(shù)（人）、空氣質(zhì)量指數(shù)等5項(xiàng)指標(biāo)。

1.2 研究方法

1.2.1空間相關(guān)性分析 采用空間自相關(guān)系數(shù)來描述某現(xiàn)象在總體區(qū)域內(nèi)的聚集特性。本研究采用Moran指數(shù)I描述區(qū)域結(jié)核病發(fā)病的全域空間自相關(guān)性，取值［－1，1］，小于0表示存在空間負(fù)相關(guān)，大于0存在正相關(guān)，絕對(duì)值越接近1則空間相關(guān)性越強(qiáng)［8］。通過制作局部指標(biāo)（LISA）聚類地圖及顯著性地圖分析局部相關(guān)關(guān)系［9］。

1.2.2最小二乘法回歸模型及地理加權(quán)回歸模型

最小二乘法回歸模型（OLS）及GWR具體計(jì)算公式見參考文獻(xiàn)［10］，本研究以2019年度結(jié)核病登記發(fā)病率為因變量，相關(guān)影響因素為自變量構(gòu)建OLS模型及GWR模型，GWR模型分析選取Gauss函數(shù)法確定空間權(quán)重函數(shù)，采用赤池信息準(zhǔn)則（AIC）來確定最優(yōu)帶寬［11］。

1.3統(tǒng)計(jì)學(xué)處理

使用SPSS 26.0 軟件進(jìn)行數(shù)據(jù)處理和一般分析，使用GeoDa 4.02軟件進(jìn)行空間相關(guān)性分析，使用GWR 4.09軟件建立OLS及GWR模型，使用ArcGIS 10.2軟件繪制GWR模型影響因素回歸系數(shù)空間分布地圖。

2 結(jié) ?果

2.1 結(jié)核病發(fā)病基本情況

2019年山東省臨沂市總?cè)丝? 006.46萬，結(jié)核病新發(fā)登記病例總計(jì)3 261例，總發(fā)病率為32.39/10萬。

2.1.1地區(qū)分布情況 臨沂市12個(gè)縣區(qū)當(dāng)中，沂南縣的發(fā)病率最高，為37.88/10萬；蘭山區(qū)最低，為22.18/10萬。各縣區(qū)結(jié)核病發(fā)病率比較，差異有統(tǒng)計(jì)學(xué)意義（χ2=71.257，P<0.05），見表1。

2.1.2性別分布情況 男性新發(fā)病例為2 362例，女性為899例，男性發(fā)病率為41.92/10萬，女性為16.70/10萬。不同性別發(fā)病率比較差異有統(tǒng)計(jì)學(xué)意義（χ2=591.801，P<0.05）。見表2。

2.1.3年齡分布情況 四個(gè)年齡組人群中，60歲以上的老年組結(jié)核病發(fā)病率最高，為68.20/10萬。四個(gè)年齡組間發(fā)病率比較差異具有統(tǒng)計(jì)學(xué)意義（χ2=1 532.464，P<0.05）。見表3。

2.2 空間相關(guān)性分析

臨沂市各縣區(qū)結(jié)核病發(fā)病率分布如圖1所示?？臻g相關(guān)性分析通過全域Moran散點(diǎn)圖及蒙特卡洛模擬999次檢驗(yàn)結(jié)果顯示Moran I=0.234，差異有統(tǒng)計(jì)學(xué)意義（Z=2.289，P<0.05）。

通過LISA聚類地圖分析局部相關(guān)性，結(jié)果顯示羅莊區(qū)和蘭陵縣為低-低聚集，莒南縣為高-高聚集（P均<0.05）。見圖2。

2.3 結(jié)核病發(fā)病率的影響因素分析

2.3.1OLS模型結(jié)果 OLS模型結(jié)果顯示人均受教育年限（β=0.562）、每萬人平均衛(wèi)生技術(shù)人員數(shù)（β=－0.154）、空氣質(zhì)量指數(shù)（β=－0.111）、人口密度（β=－0.011）對(duì)結(jié)核病發(fā)病率的影響均有統(tǒng)計(jì)學(xué)意義（P<0.05）。見表4。

2.3.2GWR模型結(jié)果 GWR模型結(jié)果顯示，人口密度（β=－0.019）、每萬人平均衛(wèi)生技術(shù)人員數(shù)（β=－0.293）、人均受教育年限（β=－14.509）、空氣質(zhì)量指數(shù)（β=－15.438）對(duì)結(jié)核病發(fā)病率影響具有統(tǒng)計(jì)學(xué)意義（P<0.05），人均可支配收入期望值為0.001（P=0.065）。不同因素對(duì)結(jié)核病發(fā)病率的影響存在空間差異，即存在空間非穩(wěn)定性。見表5。

2.3.3OLS與GWR模型診斷結(jié)果比較 比較兩種模型的主要診斷指標(biāo)發(fā)現(xiàn)，GWR模型的AIC以及殘差平方和均小于OLS模型相應(yīng)的指標(biāo)。提示GWR模型的擬合結(jié)果顯著優(yōu)于OLS模型。見表6。

2.4 結(jié)核病發(fā)病率各影響因素回歸系數(shù)分布地圖

結(jié)核病發(fā)病率各影響因素GWR模型回歸系數(shù)分布地圖顯示，臨沂市西部縣區(qū)如平邑縣、費(fèi)縣等主要影響因素為人均可支配收入、人均受教育年限、每萬人平均衛(wèi)生技術(shù)人員數(shù)；東部縣區(qū)如莒南縣等主要影響因素為人口密度、空氣質(zhì)量指數(shù)。見圖3。

3 討 ?論

本研究匯集2019年山東省臨沂市12個(gè)縣區(qū)結(jié)

核病發(fā)病登記及社會(huì)環(huán)境經(jīng)濟(jì)等數(shù)據(jù)，采用地理加權(quán)回歸等空間分析技術(shù)，探討了臨沂市各縣區(qū)結(jié)核病發(fā)病現(xiàn)況及相關(guān)影響因素。結(jié)果顯示2019年臨沂市結(jié)核病總發(fā)病率32.39/10萬，基于2020年中國人口普查數(shù)據(jù)［12］計(jì)算出全國人口年齡標(biāo)化發(fā)病率33.77/10萬，遠(yuǎn)低于當(dāng)年全國55.55/10萬［13］以及全球130/10萬的結(jié)核病發(fā)病率水平［14］，略高于當(dāng)年山東省29.85/10萬水平［13］。臨沂市男性居民結(jié)核病的發(fā)病率遠(yuǎn)高于女性，這可能與男性的壓力較大，外出機(jī)會(huì)相對(duì)較多有關(guān)，其他如吸煙以及酗酒等高風(fēng)險(xiǎn)因素也會(huì)導(dǎo)致男性居民結(jié)核病的高發(fā)病率［15］。年齡方面60歲及以上的老年組發(fā)病遠(yuǎn)高于?其他年齡組。研究結(jié)果與全國和山東省年齡發(fā)病的相關(guān)數(shù)據(jù)結(jié)果一致［13］。原因可能與老年人免疫功能差，醫(yī)療服務(wù)依從性低等因素有關(guān)［16-17］。

本研究空間全局自相關(guān)分析結(jié)果顯示，臨沂市結(jié)核病發(fā)病表現(xiàn)為空間正相關(guān)，LISA聚集圖結(jié)果顯示，羅莊區(qū)和蘭陵縣為低-低聚集、莒南縣為高-高聚集區(qū)域，證明了由于肺結(jié)核以呼吸道傳播為主，空間相鄰區(qū)域的疫情必然受到相互影響［18］，與各類傳染病空間分析結(jié)果相一致［19］。

結(jié)核病作為一種由結(jié)核分枝桿菌引起的慢性傳染病，引起最多的是肺部感染，其傳播受到了社會(huì)經(jīng)濟(jì)、人口及環(huán)境因素等多方面的影響［20］。本研究顯示，人均受教育年限、每萬人平均衛(wèi)生技術(shù)人員數(shù)、空氣質(zhì)量指數(shù)與結(jié)核病發(fā)病率呈負(fù)相關(guān)，與相關(guān)研究結(jié)果一致［21］。就區(qū)域而言，郯城縣受教育因素的影響最大，蘭陵縣受到空氣質(zhì)量的影響最大，提示改善相關(guān)的影響因素可以有效地減少該地區(qū)該種疾病的發(fā)生。其中衛(wèi)生資源對(duì)結(jié)核病的發(fā)病率影響比較大［22］，因此提高結(jié)核病人的醫(yī)療救治水平，能有效降低結(jié)核病發(fā)病率［23］。人口密度被認(rèn)為是引起結(jié)核高發(fā)病率的主要原因之一［24］，本研究得出其回歸系數(shù)（β=－0.019）絕對(duì)值較小，且系數(shù)估計(jì)值為負(fù)值，與其他研究結(jié)果相反，張文豪等［25］的研究證明城鎮(zhèn)化率與結(jié)核病發(fā)病呈負(fù)相關(guān)，人口密度因素與城鎮(zhèn)化率呈正相關(guān)［26］。2020年臨沂市政府報(bào)告指出2019年臨沂市城鎮(zhèn)化率已達(dá)52.75%，其中最高的為蘭山區(qū)80.35%，符合GWR模型中人口密度回歸系數(shù)對(duì)發(fā)病率影響為負(fù)的空間分布特征。造成這種情況的原因可能與低城鎮(zhèn)化率地區(qū)的醫(yī)療衛(wèi)生條件較差、居民健康意識(shí)薄弱有關(guān)系。因此高城鎮(zhèn)化率可能是造成人口密度因素的影響與預(yù)期相反的重要因素。

本研究GWR模型還顯示，人均可支配收入的影響存在邊緣統(tǒng)計(jì)學(xué)意義，提示臨沂市結(jié)核病發(fā)病率與經(jīng)濟(jì)收入水平存在一定關(guān)聯(lián)。結(jié)核病是導(dǎo)致我國居民特別是農(nóng)村人口因病致貧的重要因素［27］，農(nóng)村地區(qū)生活衛(wèi)生等水平與城鎮(zhèn)居民相比較低，治療依從性差，因此農(nóng)村經(jīng)濟(jì)水平的提升可以對(duì)全市結(jié)核病防控工作起到重要作用［28］。

本研究結(jié)核病數(shù)據(jù)來源于法定監(jiān)測網(wǎng)絡(luò)數(shù)據(jù)，與真實(shí)的發(fā)病率可能存在一定的差異，研究因素資料來源為政府網(wǎng)站及其公開統(tǒng)計(jì)數(shù)據(jù)，缺乏人口流動(dòng)情況、膳食營養(yǎng)狀況、城鄉(xiāng)差異等其他結(jié)核發(fā)病影響因素?cái)?shù)據(jù)，因此研究結(jié)果存在一定的局限性。

綜上所述，山東省臨沂市2019年結(jié)核病發(fā)病率存在性別、年齡、地域差別。各縣區(qū)結(jié)核病發(fā)病率存在空間聚集性。社會(huì)、環(huán)境、經(jīng)濟(jì)等影響因素對(duì)不同地域的結(jié)核病發(fā)病率影響存在空間異質(zhì)性。建議各縣區(qū)根據(jù)本地影響因素的特點(diǎn)開展精準(zhǔn)地方防控策略，進(jìn)一步提高防控效果。

作者聲明： 董振、姜秀波參與了研究設(shè)計(jì)；董振、王萍萍、藺躍付、姜秀波參與了論文的寫作和修改。所有作者均閱讀并同意發(fā)表該論文，且均聲明不存在利益沖突。

［參考文獻(xiàn)］

［1］肖東樓，趙明剛，王宇，等. 中國結(jié)核病防治規(guī)劃實(shí)施工作指南（2008年版）［M］. ?北京：中國協(xié)和醫(yī)科大學(xué)出版社， 2009：7.

［2］ 畢圣賢，胡錫健，張輝國. 2014—2018年中國大陸結(jié)核病疫情的時(shí)空分布特征及其影響因素［J］. ?中華疾病控制雜志， 2021，25（7）：758-762，811.

［3］ 何秋平，郭亮永，朱榮健，等. 2010—2019年南寧市農(nóng)村地區(qū)結(jié)核病空間分布特征分析［J］. ?公共衛(wèi)生與預(yù)防醫(yī)學(xué)， 2022，33（1）：48-52.

［4］ 楊佳麗. 結(jié)核病空間分布特征及其影響因素的研究［D］. ?北京：中國疾病預(yù)防控制中心， 2020：62.

［5］ 王若男，楊正貴，馬寧，等. 2004—2019年寧夏地區(qū)肺結(jié)核時(shí)空分布差異的影響因素研究［J］. ?中華疾病控制雜志， 2022，26（11）：1290-1295.

［6］ 張芳毓. 基于GWR模型的全國肺結(jié)核病影響因素分析［D］. ?大連：大連理工大學(xué)， 2018：34.

［7］ 趙明揚(yáng)，周乾宇，王榮榮，等. 基于時(shí)空地理加權(quán)回歸模型的中國肺結(jié)核發(fā)病情況及影響因素研究［J］. ?中國全科醫(yī)學(xué)， 2023，26（5）：583-590.

［8］ REN L N， MATSUMOTO K. Effects of socioeconomic and natural factors on air pollution in China： A spatial panel data analysis［J］. ?Sci Total Environ， 2020，740：140155.

［9］ 賀嬌，孫金芳，楊欣，等. 我國沿海地區(qū)市售貝類腹瀉性貝類毒素污染及膳食暴露的空間分析［J］. ?中國食品衛(wèi)生雜志， 2023，35（8）：1166-1173.

［10］ FOTHERINGHAM A S， CHARLTON M E， BRUNSDON C. Geographically weighted regression： A natural evolution of the expansion method for spatial data analysis［J］. ?Environ Plan A， 1998，30（11）：1905-1927.

［11］ HUANG B， WU B， BARRY M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices［J］. ?Int J Geogr Inf Sci， 2010，24（3）：383-401.

［12］ 郭棟，佘競雄. 中國人口普查分縣資料—2020［M］. 北京：中國統(tǒng)計(jì)出版社， 2022：69.

［13］ 王前，李濤，杜昕，等. 2015—2019年全國肺結(jié)核報(bào)告發(fā)病情況分析［J］. ?中國防癆雜志， 2021，43（2）：107-112.

［14］ CHAKAYA J， KHAN M， NTOUMI F， et al. Global Tuberculosis Report 2020——Reflections on the Global TB burden， treatment and prevention efforts［J］. ?Int J Infect Dis， 2021，113（Suppl 1）：S7-S12.

［15］ LIU K， LI T， VONGPRADITH A， et al. Identification and prediction of tuberculosis in eastern China： Analyses from 10-year population-based notification data in Zhejiang Province， China［J］. ?Sci Rep， 2020，10（1）：7425.

［16］ ADU P A， SPIEGEL J M， YASSI A. Towards TB elimination： How are macro-level factors perceived and addressed in policy initiatives in a high burden country？［J］. ?Global Health， 2021，17（1）：11.

［17］ 王榮，楊晨，苗瑞芬，等. 南京市2011—2019年≥65歲老年肺結(jié)核病例特征分析［J］. ?華南預(yù)防醫(yī)學(xué)， 2021，47（11）：1470-1473.

［18］ KIANI B， RAOUF RAHMATI A， BERGQUIST R， et al. Spatio-temporal epidemiology of the tuberculosis incidence rate in Iran 2008 to 2018［J］. ?BMC Public Health， 2021，21（1）：1093.

［19］ SLOAN C， CHANDRASEKHAR R， MITCHEL E， et al. Spatial and temporal clustering of patients hospitalized with laboratory-confirmed influenza in the United States［J］. ?Epide-mics， 2020，31：100387.

［20］ WANG Q， GUO L， WANG J， et al. Spatial distribution of tuberculosis and its socioeconomic influencing factors in mainland China 2013—2016［J］. ?Trop Med Int Health， 2019，24（9）：1104-1113.

［21］ HAYWARD S， HARDING R M， MCSHANE H， et al. Factors influencing the higher incidence of tuberculosis among migrants and ethnic minorities in the UK［J］. ?F1000Res， 2018，7：461.

［22］ MOLLALO A， MAO L， RASHIDI P， et al. A GIS-based artificial neural network model for spatial distribution of tuberculosis across the continental United States［J］. ?Int J Environ Res Public Health， 2019，16（1）：157.

［23］ 王前，周林，劉二勇，等. 我國縣級(jí)結(jié)核病定點(diǎn)醫(yī)療機(jī)構(gòu)結(jié)核病診斷能力現(xiàn)況調(diào)查研究［J］. ?中國防癆雜志， 2020，42（9）：926-930.

［24］ 呂利平. 全國肺結(jié)核發(fā)病率分布特征的統(tǒng)計(jì)分析［D］. ?蘭州：蘭州財(cái)經(jīng)大學(xué)， 2019：39.

［25］ 張文豪，肖川，任濤，等. 2004—2013年綿陽市結(jié)核病發(fā)病的生態(tài)學(xué)趨勢(shì)研究［J］. ?四川大學(xué)學(xué)報(bào)（醫(yī)學(xué)版）， 2016，47（5）：759-762.

［26］ 毛其智，龍瀛，吳康. 中國人口密度時(shí)空演變與城鎮(zhèn)化空間格局初探：從2000年到2010年［J］. ?城市規(guī)劃， 2015，39（2）：38-43.

［27］ 杜志成，張王劍，郝元濤. 中國主要呼吸道傳染病分布模式及其社會(huì)經(jīng)濟(jì)影響因素［J］. ?中華疾病控制雜志， 2016，20（1）：5-8.

［28］ 趙宏宇，曾誼，馬偉，等. 2012—2017年南京市肺結(jié)核流行特征分析［J］. ?現(xiàn)代預(yù)防醫(yī)學(xué)， 2020，47（13）：2322-2327.

（本文編輯 耿波 厲建強(qiáng)）