王 琳,趙俊三

昆明理工大學(xué)國(guó)土資源工程學(xué)院, 昆明 650093

從湖北省武漢市等多個(gè)地區(qū)發(fā)生新型冠狀病毒感染的肺炎疫情以來(lái),我國(guó)境內(nèi)報(bào)告感染累計(jì)數(shù)不斷攀升[1]。專(zhuān)家研判認(rèn)為,疫情傳播途徑以呼吸道傳播為主,人員流動(dòng)性會(huì)加大疫情傳播的風(fēng)險(xiǎn)和防控的難度[2]。城市群擁有強(qiáng)大的人口和經(jīng)濟(jì)聚集力,伴隨著世界城市化進(jìn)程,大城市正成為傳染病傳播的重要中心[3]。我國(guó)不同城市群雖然在人口數(shù)量和空間規(guī)模的分布略有不同,但均呈現(xiàn)出較明顯的規(guī)律性,大多為集中型分布格局[4-5]。我國(guó)疫情的時(shí)空分布變化與我國(guó)城市群的整體分布格局是否具有關(guān)聯(lián)性？基于城市群的疫情發(fā)展具有怎樣的空間規(guī)律性？疫情的發(fā)展分布在地理上受哪些空間差異性因素影響？對(duì)疫情在城市群范圍進(jìn)行空間分析和地理因素探索,將在疫情防控方面能發(fā)揮積極的作用。

城市群是一個(gè)相對(duì)完整的城市“集合體”,在形式上表現(xiàn)為空間形態(tài)高度發(fā)達(dá)、城市高度融合、群內(nèi)要素向大城市高度集聚,空間交互較強(qiáng)[6]。我國(guó)目前已基本形成了“19+2”城市群分布格局——19個(gè)城市群,加上以新疆喀什和西藏拉薩為中心的兩個(gè)城市圈。我國(guó)19個(gè)城市群占全國(guó)27.40%的土地面積,承載全國(guó)人口的72.98%[7]。大量的人口流動(dòng)在城市之間發(fā)生,大多數(shù)發(fā)達(dá)國(guó)家的城市化率已經(jīng)高達(dá)約80%,聯(lián)合國(guó)預(yù)測(cè)世界城市人口將從2007年的33億增長(zhǎng)到2050年的63億,指數(shù)級(jí)城市增長(zhǎng)正在對(duì)全球人類(lèi)健康產(chǎn)生深遠(yuǎn)影響[3]。推進(jìn)健康中國(guó)建設(shè),需要結(jié)合城市群的高聚集性和開(kāi)放性對(duì)城市群進(jìn)行可持續(xù)發(fā)展規(guī)劃,處理好集中與分散的關(guān)系,圍繞城市群的功能、空間、交通、形態(tài)等科學(xué)布局。

從新冠肺炎疫情爆發(fā)以來(lái)國(guó)內(nèi)外出現(xiàn)了不少研究,除病理學(xué)分析外,多集中于統(tǒng)計(jì)分析并建立模型對(duì)疫情傳播進(jìn)行模擬預(yù)測(cè),Qun Li等[1]通過(guò)擬合傳輸模型來(lái)推導(dǎo)疫情的發(fā)展和演變,Tianmu Chen等[8]建立蝙蝠-宿主-海鮮市場(chǎng)-人群(BHRP)傳播網(wǎng)絡(luò)模型評(píng)估COVID-19的傳導(dǎo)性,Tianyi Qiu等[9]建立了SEIO實(shí)時(shí)狀態(tài)動(dòng)態(tài)模型：對(duì)易感、暴露、感染癥狀、醫(yī)療(Medical care)和系統(tǒng)外人口進(jìn)行建模,協(xié)助疫情應(yīng)對(duì)。研究者還運(yùn)用一般增長(zhǎng)模型[10]、傳播動(dòng)力學(xué)模型[11]、以及復(fù)雜網(wǎng)絡(luò)的疾病傳播模型SIR[12]、SEIR模型[13]對(duì)疫情演變進(jìn)行分析。對(duì)于疫情擴(kuò)散的人口流動(dòng)和安全距離的研究,許小可等[14]基于地理位置服務(wù)的人口流動(dòng)數(shù)據(jù),對(duì)春節(jié)前離漢人口的地理分布進(jìn)行了統(tǒng)計(jì)分析和對(duì)疾病傳播的影響,George J Milne[15]建立了基于個(gè)體的模擬模型,在沒(méi)有干預(yù)的情況下,在社區(qū)模型中對(duì)病毒傳播的模擬提供一個(gè)基準(zhǔn),用來(lái)比較替代性的社會(huì)疏遠(yuǎn)策略。而對(duì)于城市群的研究,諸多學(xué)者從不同角度展開(kāi),研究主題主要涵蓋了城市群的空間格局[16]、城市群綜合發(fā)展評(píng)價(jià)[17]、資源與生態(tài)環(huán)境[18-19]、承載力[20]、社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展[21]、土地利用[22-23]、時(shí)空演化[24]等。在疫情嚴(yán)峻的形勢(shì)下,鮮有結(jié)合城市群進(jìn)行地理空間分析的研究。本文首先將疫情在數(shù)量、人口遷移和空間分布上進(jìn)行測(cè)度,利用空間自相關(guān)分析疫情空間分布特征,運(yùn)用地理探測(cè)器方法客觀地測(cè)度城市群疫情發(fā)展的影響極其差異性,從景觀格局中挖掘相關(guān)影響因子,以期為國(guó)土空間規(guī)劃中的防疫空間規(guī)劃布局提供科學(xué)依據(jù)。

1 數(shù)據(jù)來(lái)源及處理

本文研究數(shù)據(jù)包括百度遷徙數(shù)據(jù),全國(guó)各省、市疫情統(tǒng)計(jì)數(shù)據(jù),用于驅(qū)動(dòng)因素分析的自然指標(biāo)柵格數(shù)據(jù),社會(huì)經(jīng)濟(jì)指標(biāo)屬性數(shù)據(jù)。對(duì)2018年土地利用1 km柵格數(shù)據(jù)按土地利用一級(jí)類(lèi)型進(jìn)行分類(lèi)提取生態(tài)用地和建設(shè)用地,基于全國(guó)氣象站點(diǎn)月數(shù)據(jù),計(jì)算年均氣溫、年平均降水量等,利用反向距離加權(quán)平均的方法內(nèi)插出空間分辨率為100 m×100 m的年平均氣溫、年平均降水量、干燥度和濕潤(rùn)指數(shù)。利用SPSS對(duì)缺失數(shù)據(jù)采取線性插值等方法進(jìn)行補(bǔ)充,通過(guò)歸一化處理消除量綱和量級(jí)的影響。使用ArcGIS對(duì)各圖層進(jìn)行投影坐標(biāo)變換、空間配準(zhǔn)等空間化處理,為使疫情確診感染人數(shù)、社會(huì)、經(jīng)濟(jì)等無(wú)X、Y坐標(biāo)的屬性數(shù)據(jù)實(shí)現(xiàn)指標(biāo)空間化,將省域和市域尺度社會(huì)經(jīng)濟(jì)數(shù)據(jù)結(jié)合自然因素?cái)?shù)據(jù)轉(zhuǎn)化成格網(wǎng)數(shù)據(jù),保證感染人數(shù)、社會(huì)、經(jīng)濟(jì)等屬性數(shù)據(jù)在空間上的平滑過(guò)渡。借助GeoDa軟件進(jìn)行空間自相關(guān)分析,通過(guò)GeoDetector進(jìn)行空間分異性測(cè)算,用Fragstats測(cè)度景觀格局指數(shù)。主要數(shù)據(jù)源及處理相關(guān)信息如表1所示。

表1 指標(biāo)體系、主要數(shù)據(jù)來(lái)源Table 1 The index system, main data source

2 研究方法

2.1 核密度

密度分析是基于空間平滑及空間內(nèi)插技術(shù)的統(tǒng)計(jì)分析過(guò)程,核密度值隨中心輻射距離的增大逐漸變小[25],運(yùn)用核密度估計(jì)可以清晰反映累計(jì)確診人數(shù)在空間上的分散和集聚特征,其計(jì)算表達(dá)式為：

(1)

式中,fn為疫情人數(shù)分布的核密度測(cè)算值,n為COVID-19感染累計(jì)總?cè)藬?shù),k為核密度函數(shù),xi為獨(dú)立同分布的累計(jì)確診值,x為均值,h為核密度測(cè)算帶寬的平滑參數(shù)。

2.2 空間自相關(guān)

空間自相關(guān)是區(qū)域化變量的基本屬性之一,既可檢驗(yàn)變量空間分布的自相關(guān)強(qiáng)度,又可檢測(cè)研究區(qū)內(nèi)變量的分布是否具有結(jié)構(gòu)性[26]。全局自相關(guān)描述整體分布情況,判斷某屬性在特定區(qū)域內(nèi)是否有聚集特征存在,局部自相關(guān)能指出顯著的聚集發(fā)生在哪些位置[27]。Moran′sI∈[-1,1],小于0表示負(fù)相關(guān),等于0表示不相關(guān),大于0表示正相關(guān)。

全局 Moran′sI計(jì)算表達(dá)式為：

(2)

局部 Moran′sI計(jì)算表達(dá)式為：

(3)

式中,n為變量x的觀測(cè)數(shù);xi、xj分別為變量x在位置i和位置j處的觀測(cè)值;x為所有觀測(cè)值的均值;Wij是空間權(quán)重矩陣值。

2.3 理探測(cè)器

地理探測(cè)器模型可較好表達(dá)同一區(qū)域內(nèi)的相似性、不同區(qū)域之間的差異性,該模型主要是基于統(tǒng)計(jì)學(xué)原理的空間方差分析, 通過(guò)分析層內(nèi)方差與層間方差的異同來(lái)定量表達(dá)研究對(duì)象的空間分層異質(zhì)性(空間異質(zhì)性)。其計(jì)算表達(dá)式為：

(4)

式中,q為疫情分布的空間異質(zhì)性;N為群市區(qū)域的全部樣本數(shù);σ2為指標(biāo)的方差;h=1, 2, …,L,h標(biāo)識(shí)分區(qū),L表示分區(qū)數(shù)目。q∈[0, 1],q的大小反映了空間分異的程度,q值越大,表示空間分層異質(zhì)性越強(qiáng),反之則空間分布的隨機(jī)性越強(qiáng)[28]。

2.4 景觀格局指數(shù)

景觀指數(shù)可以研究地區(qū)面積分布、邊緣和形狀特征,以及它們的細(xì)碎化和連通性[29]。本文選擇以下指標(biāo)對(duì)城市群生態(tài)用地和建設(shè)用地進(jìn)行分析：香農(nóng)多樣性指數(shù)(SHDI,Shannon′s Diversity Index)、蔓延度(CONTAG,Contagion Index)、散布與并列指數(shù)(IJI,Interspersion Juxtaposition Index)、聚集度指數(shù)(AI,Aggregation Index)、相似臨近百分比(PLADJ,Percentage of Like Adjacencies)和整體性斑塊凝聚度(COHESION,Patch Cohesion Index)[30-31],并通過(guò)ArcGIS 10.2將不同城市建設(shè)用地和生態(tài)用地指標(biāo)生成Grid柵格數(shù)據(jù),在Fragstats 4.2景觀分析軟件中完成指標(biāo)評(píng)價(jià)。

3 結(jié)果與分析

3.1 全國(guó)疫情分布與演化格局

3.1.1疫情分布特征

全國(guó)累計(jì)確診病例數(shù)自1月20日有數(shù)據(jù)記錄以來(lái),一直處于上升階段,結(jié)合趨勢(shì)圖可將疫情劃分為3個(gè)階段：爆發(fā)期(1月20日—2月12日),從傳播開(kāi)始,確診數(shù)量增長(zhǎng)為快速上升趨勢(shì),該階段后期急劇增加(2月12日,湖北省對(duì)新增確診病例標(biāo)準(zhǔn)進(jìn)行了調(diào)整,當(dāng)日新增的14840例中包含了臨床診斷病例13332例);發(fā)展期(2月12日—3月2日),累計(jì)確診人數(shù)漲幅度較前一階段有所放緩,平均增長(zhǎng)率為24.18%;控制期(2月28日—5月),新增確診得到有效控制,累計(jì)人數(shù)趨于平緩,平均增長(zhǎng)率為1.97%,成功緩解了疫情。為了反映疫情發(fā)展的時(shí)空變化,將不同階段數(shù)據(jù)繪制成雷達(dá)圖,因?yàn)槲錆h及相鄰城市疫情的烈度和形勢(shì)都顯著不同于其它地區(qū),數(shù)據(jù)樣本沒(méi)有包含湖北省?？梢钥闯?數(shù)量上各省(直轄市)COVID-19感染確診數(shù)量差別較大,疫情區(qū)域面積較大的集中在廣東、河南、浙江、安徽和江西等省,而增長(zhǎng)情況在爆發(fā)期增長(zhǎng)面積最多,進(jìn)入發(fā)展期大部分地區(qū)確診人數(shù)均有增加,而控制期則面積變化總體較小,僅在上海、黑龍江、廣東等地有較明顯的增加(圖1)。

圖1 全國(guó)COVID-19感染累計(jì)確診病例發(fā)展趨勢(shì)Fig.1 The development trend chart of COVID-19 cases in China

3.1.2COVID-19感染熱點(diǎn)區(qū)域與城市群耦合特征

為體現(xiàn)疫情的空間密度分布,將市域尺度的確診累計(jì)病例矢量數(shù)據(jù)進(jìn)行要素轉(zhuǎn)點(diǎn),使用核函數(shù)計(jì)算各單位面積的量值,并將各個(gè)點(diǎn)擬合為光滑錐狀表面,對(duì)核密度值高的區(qū)域以高亮形式顯示,從而用熱力圖形式呈現(xiàn)疫情空間密度分布(圖2)。我國(guó)感染COVID-19的人數(shù)在空間分布中整體表現(xiàn)出明顯的不均勻聚集特征：以武漢為中心的區(qū)域是明顯的高密度區(qū),以此為中心向周?chē)椛?湖北省其他城市則為中高密度區(qū),在北京市周邊,浙江、江蘇、上海等地,以及廣州地區(qū)都是中高密度區(qū)。與湖北省相鄰的河南省、安徽省、江西省、湖南省等周邊區(qū)域以及黑龍江哈爾濱等地區(qū)中密度區(qū),其余為中低密度區(qū)。以胡煥庸線為界,界線以西普遍體現(xiàn)為低密度區(qū)。進(jìn)一步將疫情核密度圖與城市群區(qū)域進(jìn)行疊加分析,可以看出COVID-19感染的高密度區(qū)與長(zhǎng)江中游城市群相吻合,中高密度區(qū)分別與京津冀城市群、長(zhǎng)江三角洲城市群和珠江三角洲城市群區(qū)取相重合。因此,本文圍繞以上四大城市群做進(jìn)一步研究分析。

3.2 城市群人口遷徙與疫情演化分布

利用python獲取百度遷徙中全國(guó)人口遷徙的OD(Origin-destination)數(shù)據(jù),計(jì)算疫情爆發(fā)期湖北省疫情高發(fā)城市遷出的無(wú)量綱遷徙指數(shù)累計(jì)數(shù)。從湖北省遷往長(zhǎng)江中游城市群、京津冀城市群、長(zhǎng)江三角洲城市群和珠江三角洲城市群的人口數(shù)量占總遷徙量的67.8%,遷往長(zhǎng)江中游城市群的比例為55.4%,疫情高發(fā)城市遷出排名前25的城市主要集中在湖北省。人口流動(dòng)促進(jìn)傳染疾病的傳播是不言而喻的[32],從武漢遷入的省內(nèi)城市,大部分如孝感、襄陽(yáng)、孝感、鄂州、黃岡、荊州、黃石、宜昌等地成為了疫情較嚴(yán)峻地區(qū),以及從湖北遷入的省外城市如深圳、溫州、南昌、九江、安慶、長(zhǎng)沙、岳陽(yáng)、常德等地感染確診數(shù)也相對(duì)較多。以市域?yàn)槌叨葘?duì)城市群的COVID-19感染累計(jì)確診數(shù)和增長(zhǎng)率進(jìn)行統(tǒng)計(jì),長(zhǎng)江中游城市群中武漢市感染人數(shù)最多,占四大城市群的69.95%,除去武漢市長(zhǎng)江中游其余城市占四個(gè)城市群感染人數(shù)的23.89%。除去武漢市的感染人數(shù),長(zhǎng)江三角洲城市群疫情人數(shù)占4個(gè)城市群最高,為47.91%,其次為珠三角城市群27.24%,京津冀城市群為24.85%。在控制期階段,大部分城市為零增長(zhǎng),而該階段依舊還有新增病例的城市主要有武漢、北京、天津、上海和東莞等。城市群的首位核心城市確診病例數(shù)在城市群中占比均較高,城市群疫情擴(kuò)散分布呈現(xiàn)典型的由核心城市向外輻射的特征(圖3、圖4)。

圖4 COVID-19感染確診累計(jì)人數(shù)和增長(zhǎng)指數(shù)Fig.4 Number of cases and increase index of COVID-19 infection

3.3 確診數(shù)與增長(zhǎng)率空間自相關(guān)分析

分別將全國(guó)有疫情統(tǒng)計(jì)數(shù)據(jù)的365個(gè)城市COVID-19確診人數(shù)和增長(zhǎng)率作為空間自相關(guān)分析的屬性值,引入全局Moran′sI指數(shù)來(lái)分析疫情發(fā)展的空間自相關(guān)性以及不平衡性。對(duì)比全國(guó)以及四大城市群全局Moran′sI指數(shù),結(jié)合Z值和P值進(jìn)行統(tǒng)計(jì)量檢驗(yàn)(表2)。在全國(guó)范圍,確診人數(shù)Moran′sI指數(shù)為0.564,增長(zhǎng)率Moran′sI指數(shù)為0.409,P值均≤0.001,Z值均大于1.96,達(dá)到顯著水平,具有正空間自相關(guān)關(guān)系,存在較顯著空間集聚特征。在城市群范圍,四個(gè)城市群在感染確診人數(shù)的空間自相關(guān)均通過(guò)檢驗(yàn),Moran′s Ⅰ指數(shù)從長(zhǎng)江中游城市群、珠江三角洲城市群、京津冀城市群、長(zhǎng)江三角洲城市群依次降低,表明聚集區(qū)域范圍逐漸縮小;而城市群感染增長(zhǎng)率Moran′sI指數(shù)除長(zhǎng)江三角洲城市群外,均沒(méi)有通過(guò)顯著性檢驗(yàn),說(shuō)明長(zhǎng)江三角洲城市群的增長(zhǎng)率表現(xiàn)為正空間自相關(guān)關(guān)系,存在空間集聚特征,而其他三個(gè)城市群的城市與周?chē)鷧^(qū)域的增長(zhǎng)率在空間分布上差異較大。

表2 全國(guó)及四個(gè)城市群確診數(shù)與增長(zhǎng)率全局Moran′s I指數(shù)分析值Table 2 The Moran′s I index analysis value of COVID-19 cases and increase rate of nationwide and four urban agglomerations

通過(guò)LISA聚集圖可以看到,確診人數(shù)在長(zhǎng)江中游城市群大部分地區(qū)為高-高聚集,表示該區(qū)域本身以及周?chē)鷧^(qū)域的確診人數(shù)均較高,長(zhǎng)江中游城市群南部部分城市、京津冀城市群石家莊市、長(zhǎng)江三角洲城市群的泰州市、珠三角洲城市群肇慶市、佛山市和江門(mén)市、東北部分城市以及胡煥庸線以西大部分地區(qū)為低-低聚集,這些區(qū)域與周?chē)_診人數(shù)均較低,北京市為高-低聚集,長(zhǎng)江中游城市群少部分城市為低-高聚集。感染增長(zhǎng)率則在東北部分地區(qū)以及長(zhǎng)江中游地區(qū)武漢市、潛江市、天門(mén)市為高-高聚集,而在長(zhǎng)江中游和長(zhǎng)三角洲城市群少部分城市、云南省部分地區(qū)和胡煥庸線以西大部分地區(qū)為低-低聚集,疫情增長(zhǎng)率在四個(gè)城市群的空間關(guān)聯(lián)集聚區(qū)域較少,僅在武漢市及周邊部分城市聚集,其余地區(qū)聚集規(guī)律不明顯(圖5)。

圖5 全國(guó)感染人數(shù)與增長(zhǎng)率空間關(guān)聯(lián)分析 Fig.5 Spatial correlation analysis of COVID-19 cases and increase rate in China該圖基于國(guó)家測(cè)繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號(hào)為GS(2019)1823號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無(wú)修改

3.4 疫情影響因子探測(cè)分析

3.4.1主導(dǎo)因子探測(cè)分析

依據(jù)人口、地理空間形態(tài)、交通功能、生態(tài)、社會(huì)經(jīng)濟(jì)可能對(duì)疫情產(chǎn)生影響的機(jī)理[33],結(jié)合數(shù)據(jù)可獲取性,建立多維指標(biāo)體系。以城市群的市級(jí)行政區(qū)劃為研究單元,以8個(gè)類(lèi)型(經(jīng)濟(jì)核算、人口密度、城鄉(xiāng)建設(shè)、交通、衛(wèi)生、科技、氣候、生態(tài)綠地)的14項(xiàng)指標(biāo)數(shù)據(jù)為因變量,COVID-19感染確診累計(jì)數(shù)和感染增長(zhǎng)率分別作為自變量,對(duì)指標(biāo)數(shù)據(jù)采用自然斷點(diǎn)法進(jìn)行離散處理,運(yùn)用地理探測(cè)器模型計(jì)算出不同指標(biāo)因子的影響力水平(圖6)。從京津冀城市群的主導(dǎo)因子來(lái)看,感染確診累計(jì)數(shù)和感染增長(zhǎng)率的q統(tǒng)計(jì)值最高的為公交運(yùn)營(yíng)數(shù)(0.9591、0.9430),長(zhǎng)江中游城市群為衛(wèi)生機(jī)構(gòu)床位數(shù)(0.9245、0.9312),長(zhǎng)江三角洲城市群為建成區(qū)路網(wǎng)密度(0.9230、0.9505),珠江三角洲城市群的感染確診累計(jì)數(shù)上城市人口密度q統(tǒng)計(jì)值最高(0.9725),感染增長(zhǎng)率q值最高的為人均公園綠地面積(0.8911)。

圖6 疫情空間分異影響因子探測(cè)結(jié)果(q統(tǒng)計(jì)量)Fig.6 Detection results of epidemic spatial differentiation influencing factors (q statistic)

結(jié)果表明,在主導(dǎo)因子探測(cè)中,以經(jīng)濟(jì)發(fā)展為方向的人均GDP和以年均氣溫、降水、干燥度和濕潤(rùn)度為指標(biāo)的氣候因子的解釋能力相對(duì)較小。不同城市群的主導(dǎo)影響因子及其解釋力因城市群自身特征而具有不同程度的差異：京津冀城市群城市交通解釋力最大,其次為城市公園綠地;長(zhǎng)江中游城市群醫(yī)療衛(wèi)生資源解釋力最大,其次為科技創(chuàng)新水平;長(zhǎng)江三角洲城市群的城市道路通達(dá)程度解釋力最大,其次為醫(yī)療衛(wèi)生資源;珠江三角洲城市群的人口密度解釋力最大,其次為公園綠地?？傮w分析,對(duì)疫情具有較大解釋力的因子反映了在城市化建設(shè)過(guò)程中,城市土地集約化利用,促使人口集聚程度增高,公路網(wǎng)總體規(guī)模建設(shè)促進(jìn)了交通的高效性和通達(dá)性,并且為人口流動(dòng)提供了便利條件;高技術(shù)產(chǎn)業(yè)科技創(chuàng)新對(duì)疫情的防控起到一定的作用;生態(tài)和建設(shè)用地在空間上的規(guī)模集聚或者分散能夠起到一定地理阻隔、生態(tài)廊道的安全作用。

3.4.2交互作用分析

不同因子之間具有交互作用,不同評(píng)估因子共同作用時(shí)可能會(huì)增加或減弱對(duì)因變量的解釋力[31]。研究分別對(duì)COVID-19感染確診累計(jì)數(shù)和增長(zhǎng)率的空間分異探測(cè)因子進(jìn)行交互探測(cè),提取兩兩交互的增強(qiáng)型因子中最大q值交互因子(表3)。結(jié)果表明,在交互主導(dǎo)因子中,最大q值的兩個(gè)因子交互后,作用強(qiáng)度都明顯大于單一因子。在COVID-19感染人數(shù)的空間分異上,京津冀城市群q值最高的主導(dǎo)交互因子為專(zhuān)利授權(quán)和公園綠地交互(q為0.9246),長(zhǎng)江中游城市群為衛(wèi)生機(jī)構(gòu)床位數(shù)和公園綠地交互(q為0.9668),長(zhǎng)三角城市群為人口密度和衛(wèi)生機(jī)構(gòu)數(shù)交互(q為0.9477),珠三角城市群為公交運(yùn)營(yíng)和衛(wèi)生機(jī)構(gòu)數(shù)交互(q為0.9626)。在COVID-19感染增長(zhǎng)率上,4個(gè)城市群的主導(dǎo)交互分別是京津冀城市群為網(wǎng)密度和專(zhuān)利授權(quán)(q為0.9956),長(zhǎng)江中游城市群的主導(dǎo)交互為衛(wèi)生機(jī)構(gòu)數(shù)和專(zhuān)利授權(quán)(q為0.9398),長(zhǎng)三角城市群為人口密度和公交運(yùn)營(yíng)(q為0.9215),珠三角城市群為專(zhuān)利授權(quán)和公園綠地(q為0.9610)。

表3 交互主導(dǎo)因子影響強(qiáng)度(q值)表Table 3 The dominant interactions between two covariates (q value)

4個(gè)城市群的主導(dǎo)雙因子交互反映出,城市群的經(jīng)濟(jì)水平、城鎮(zhèn)化的發(fā)展、醫(yī)療衛(wèi)生水平、交通通達(dá)程度、科技創(chuàng)新研發(fā)能力、生態(tài)綠地因素相互作用,增強(qiáng)了對(duì)疫情的空間分布解釋能力。對(duì)具有高解釋力的因子做進(jìn)一步分析,上述因素既存在傳播擴(kuò)散的高風(fēng)險(xiǎn),同時(shí)也具備疫情管控的優(yōu)勢(shì)：在風(fēng)險(xiǎn)方面,由于4個(gè)城市群的經(jīng)濟(jì)發(fā)展水平相對(duì)高,大城市群形成了巨大而緊密的一體化區(qū)域城市和城市區(qū)域,城市間以及城市內(nèi)部人口流動(dòng)和出行移動(dòng),交通的普及化、便利化和高速化,助推了國(guó)民流動(dòng)性和市民機(jī)動(dòng)性的大幅度提升[34],在區(qū)域空間上人員的密集性以及人員流動(dòng)性,都會(huì)增加疫情擴(kuò)散的風(fēng)險(xiǎn)。而在優(yōu)勢(shì)方面,則由于發(fā)展水平較高的城市醫(yī)療水平也相對(duì)較高,醫(yī)療設(shè)施完善、人員配備齊全,同時(shí)還有一個(gè)重要的條件就是科技創(chuàng)新研發(fā)能力所帶來(lái)的技術(shù)優(yōu)勢(shì),能夠在抗擊疫情的關(guān)鍵的時(shí)刻提升效率和防控準(zhǔn)確度,為建設(shè)提供技術(shù)支持,為防護(hù)提供物資保障,能夠在防控技術(shù)開(kāi)發(fā)和應(yīng)用方面發(fā)揮出關(guān)鍵的作用;而城市綠地作為城市自然生態(tài)系統(tǒng)的重要部分,與山水林田湖草等自然生態(tài)要素有機(jī)連接,能夠確保生態(tài)廊道暢通,城市通風(fēng)廊道得到優(yōu)化,能夠成為疫情時(shí)期的開(kāi)放空間和疏散通道。

3.4.3生態(tài)與建設(shè)用地景觀格局探測(cè)分析

城市空間一直是健康生活的重要支撐,城市化增強(qiáng)了病毒傳播的能力[35]。城市群的城市建設(shè)和生態(tài)綠地空間形成了融合集聚及阻斷方式,在因子探測(cè)中已經(jīng)得到顯現(xiàn),為了深入挖掘城市群的土地利用景觀格局對(duì)疫情的解釋力,進(jìn)一步研究探測(cè)建設(shè)用和生態(tài)用地景觀格局對(duì)于感染風(fēng)險(xiǎn)的分異度q值(表4)。

生態(tài)用地景觀格局指數(shù)探測(cè)q統(tǒng)計(jì)量較高且均通過(guò)5%顯著性檢驗(yàn)的3個(gè)因子為：香農(nóng)多樣性指數(shù)(SHDI)、蔓延度(CONTAG)和散布與并列指數(shù)(IJI),說(shuō)明生態(tài)用地景觀的多樣性、優(yōu)勢(shì)生態(tài)用地類(lèi)型所形成的良好的連接性以及生態(tài)用地破碎化程度的解釋力較高。整體上蔓延度指數(shù)的q值具有較高解釋性,體現(xiàn)了景觀格局中的優(yōu)勢(shì)斑塊與非優(yōu)勢(shì)斑塊的連接度在疫情人數(shù)上有較大解釋能力。在感染增長(zhǎng)率方面,四個(gè)城市群的散布與并列指數(shù)相對(duì)較高,說(shuō)明生態(tài)景觀趨向分散的格局對(duì)疫情發(fā)展具有較強(qiáng)解釋能力。

建設(shè)用地的景觀格局指數(shù)探測(cè)出結(jié)解釋度較高的3個(gè)因子為：聚集度指數(shù)(AI)、相似臨近百分比(PLADJ)和整體性斑塊凝聚度(COHESION),感染人數(shù)的q值整體大于增長(zhǎng)率q值,說(shuō)明城市群的建設(shè)用地在聚合度上對(duì)疫情的解釋力較強(qiáng),對(duì)感染人數(shù)的解釋力強(qiáng)于對(duì)增長(zhǎng)率的解釋。3個(gè)因子的q統(tǒng)計(jì)量在京津冀城市群的探測(cè)中最高,說(shuō)明在建設(shè)用地的聚集結(jié)合聚合和集群程度對(duì)疫情的解釋力最高。

在高度集約化的城市群,生態(tài)綠帶和廊道規(guī)劃設(shè)計(jì),景觀的連通性、生態(tài)流、良好的連接度是促進(jìn)生態(tài)系統(tǒng)健康、可持續(xù)發(fā)展的關(guān)鍵[36]。結(jié)合城市群的疫情分布和景觀格局指數(shù)來(lái)看,在建設(shè)用地景觀格局指數(shù)探測(cè)中選取q值整體較高的聚集度指數(shù)(AI),在生態(tài)用地探測(cè)中選取q值整體較高的蔓延度指數(shù)(CONTAG),用ArcGIS 10.2基于自然斷點(diǎn)法進(jìn)行數(shù)量分類(lèi)并可視化,與疫情數(shù)量和增長(zhǎng)情況進(jìn)行比較(圖7)?？梢钥闯?在疫情數(shù)量和增長(zhǎng)率較高的大部分地區(qū),建設(shè)用地的聚集度指數(shù)較高,如長(zhǎng)江中游城市群中武漢、 南昌等地,京津冀城市群中北京、天津,長(zhǎng)三角洲城市群中上海、杭州、合肥,珠三角州的廣州、東莞和深圳;而疫情人數(shù)增長(zhǎng)率較低的地區(qū),生態(tài)用地景觀蔓延度指數(shù)較高,如長(zhǎng)江中游城市群益陽(yáng)、衡陽(yáng)、安慶,京津冀城市群中承德,長(zhǎng)江三角洲城市群中南通、蘇州,珠三角州的佛山。

圖7 城市群疫情數(shù)量統(tǒng)計(jì)與景觀格局指數(shù)示意圖Fig.7 Schematic diagram of epidemic quantity statistics and landscape pattern index in urban agglomerations

4 結(jié)論與討論

4.1 結(jié)論

全國(guó)COVID-19感染人數(shù)核密度高值區(qū)空間分布與我國(guó)四大城市群區(qū)域耦合。湖北省疫情高發(fā)城市遷往四大城市群的人口數(shù)量占總遷徙量的67.8%,遷往長(zhǎng)江中游城市群的比例為50.4%,從湖北遷入量排前25的大部分城市在感染人數(shù)和增長(zhǎng)率上相對(duì)偏高。在全國(guó)范圍COVID-19感染確診人數(shù)Moran′sI指數(shù)(0.564)高于增長(zhǎng)率Moran′sI指數(shù)(0.409),存在顯著空間集聚特征;在城市群范圍COVID-19感染人數(shù)的Moran′sI指數(shù)從長(zhǎng)江中游、珠江三角洲、京津冀到長(zhǎng)江三角洲城市群依次降低;在城市群范圍COVID-19感染人數(shù)增長(zhǎng)率的空間關(guān)聯(lián)集聚區(qū)域較少,聚集規(guī)律不明顯。經(jīng)過(guò)地理空間分異性探測(cè),經(jīng)濟(jì)核算、氣候因子解釋力相對(duì)較小,人口密度、城鄉(xiāng)建設(shè)、交通、衛(wèi)生、科技、生態(tài)綠地等驅(qū)動(dòng)因子影響力較大,并且交互后解釋力增強(qiáng)。生態(tài)與建設(shè)用地景觀格局對(duì)疫情有較大解釋力,其中建設(shè)用地的聚集性和生態(tài)用地的蔓延性對(duì)疫情的解釋力較高。總之,COVID-19感染的人數(shù)分布體現(xiàn)出空間上的鄰近性,因此,從疫情控制和生態(tài)安全的角度考慮,城市的人口規(guī)模和空間形態(tài)是國(guó)土空間規(guī)劃的關(guān)鍵問(wèn)題。把健康理念融入規(guī)劃,優(yōu)化城市群空間格局需要集聚與分散相結(jié)合,綜合考慮建筑密度、道路通達(dá)性、自然植被、生態(tài)廊道等因素。

4.2 討論

本文采用定量分析的方法對(duì)新冠肺炎疫情的城市群區(qū)域確定、空間相關(guān)性、空間分異機(jī)制進(jìn)行研究,以市域尺度在宏觀層面總結(jié)了空間分布的規(guī)律和疫情的驅(qū)動(dòng)因素,基于土地利用分類(lèi)的數(shù)據(jù),對(duì)建設(shè)用地和生態(tài)用地的景觀格局指數(shù)進(jìn)行了研判。要進(jìn)一步把握相關(guān)因子與疫情的一致性關(guān)系以及跨區(qū)域發(fā)展趨勢(shì),需對(duì)感染人群所在具體位置進(jìn)行更細(xì)致的時(shí)空分析,結(jié)合跨區(qū)域流動(dòng),挖掘更多有價(jià)值的信息。要進(jìn)一步驗(yàn)證和研究景觀格局對(duì)傳染病的影響以及規(guī)劃的防控作用,需要結(jié)合疫情個(gè)體和群體,通過(guò)更小尺度的土地利用類(lèi)型和景觀斑塊形態(tài),來(lái)探討城市建設(shè)過(guò)程中生態(tài)廊道的布局對(duì)疫情發(fā)展的隔離作用。城市群規(guī)劃的景觀格局和空間形態(tài)對(duì)人民健康生活構(gòu)成影響,直接關(guān)系到經(jīng)濟(jì)持續(xù)健康發(fā)展,也關(guān)系到政治和社會(huì)建設(shè)。