赵 月，伍卫平

空间统计学方法在棘球蚴病研究中的应用

赵 月，伍卫平

空间统计学方法在棘球蚴病空间流行病学研究中发挥着重要的作用。在棘球蚴病空间流行病学研究方面，空间统计学方法可用于描述棘球蚴病的空间分布情况，对未抽样地区棘球蚴病患病率进行预测，分析棘球蚴病的影响因素。明确棘球蚴病的空间分布对于开展棘球蚴病的防控工作具有重要的意义。

空间统计学；空间流行病学；棘球蚴病

在公共卫生领域，一些疾病的发生与其地理分布具有密切的联系，空间统计学方法的发展为我们提供了利用疾病的地理信息分析疾病的空间分布情况，探索潜在的空间因素对疾病的影响的新方法。空间统计学方法主要用于：①评估不同地区患病率的差别；②识别疾病分布特征；③识别疾病聚集性；④分析疾病的影响因素[1]。目前，在棘球蚴病空间流行病学研究方面，主要运用空间统计学方法描述棘球蚴病的空间分布情况，对棘球蚴病患病率进行预测，分析棘球蚴病患病率的影响因素。本文就空间统计学方法在棘球蚴病流行病学研究中的应用进行综述，以了解空间统计学方法在棘球蚴病领域的应用现状，明确应用前景，为今后的科研工作提供指导。

1 空间分布情况研究

1.1 空间分布描述 棘球蚴病空间分析的前提是对棘球蚴病的空间分布进行描述，在描述之前要对未抽样地区棘球蚴病的患病率进行估计，考虑到地形、空间自相关等因素，用于估计患病率的空间统计学方法主要有空间插值法、椭圆梯度法、贝叶斯模型等。

Olaf Berke等[2]收集了1991-1997年在德国萨克森省47个地区死亡或捕获的365只红狐，剖检检测红狐的多房棘球蚴病患病率，运用经验贝叶斯模型对47个地区的患病率进行估计并绘制等值线图，结果显示，在萨克森省南部和北部地区红狐多房棘球蚴病患病率高，提示存在空间趋势效应，条件自回归空间模型(CAR)也证实了这一空间趋势效应的存在。Muriel Vervaeke 等[3]运用椭圆梯度法分析比利时1996—2002年间随机捕获的164只感染了多房棘球绦虫的红狐和2002-2003年荷兰林堡15只感染多房棘球绦虫的红狐的空间分布情况，发现红狐多房棘球绦虫病患病率呈现由东南向西北方向降低的趋势。时空分析结果显示在1998—2000年，最南部地区红狐多房棘球绦虫病患病率上升同时患病率有向西北方向扩散的趋势，到2001年，患病率出现急剧下降，到2002年，红狐的患病率再次升高。Branko Bobic等[4]为了解塞尔维亚棘球蚴病的空间分布情况，收集了1998—2010年间政府报告的409例棘球蚴病病例和820例临床研究报道的棘球蚴病病例的相关数据，运用样条函数插值法对塞尔维亚各地区棘球蚴病患病率进行空间分析，绘制塞尔维亚各地区疾病地图，并发现一些高患病率地区和低患病率地区在地理位置上极为接近。Eva Fuglei等[5]在挪威的斯瓦尔巴特群岛以田鼠的活动范围为中心，在田鼠活动范围及分别距离中心2～6 km、6～40 km、130 km的4类地区收集了红狐的粪便并用ELISA法检测多房棘球绦虫抗体，采用线性横断面法计算了狐粪密度，得出多房棘球绦虫抗体阳性的狐粪正好分布在田鼠活动的核心区，周边地区狐粪多房棘球绦虫抗体为阴性，人类感染的高风险区域正好和中间宿主的活动区域重叠。房琦等[6]运用局部多项式插值法、反距离权重插值法和Kriging法，以2012年全国棘球蚴病流行情况调查获得的四川、西藏、甘肃和青海四省(区)青藏高原地区124个藏区县人群棘球蚴病患病率为基础，对青海省治多县和玛多县人群棘球蚴病患病率进行估计。其中，普通Kriging法预测效果较好。估计治多县和玛多县患病率分别为2.04%和5.28%，预测西藏中部和西北部部分地区患病率高于西藏其他地区。3种方法均显示人群棘球蚴病的高患病率地区位于四川、西藏和青海交汇处。

1.2 空间聚集性分析 在棘球蚴病的流行病学研究中，许多学者的研究结果提示棘球蚴病的空间分布具有一定的聚集性[2,7-8]，识别棘球蚴病的空间聚集性及聚集区域对于棘球蚴病的防控工作的开展具有重要的意义。空间统计学为识别疾病的空间聚集性及聚集区域提供了方法，分析空间聚集性的方法主要有空间自相关分析和空间插值分析。

1.2.1 空间自相关分析 空间自相关分析包括全局空间自相关分析和局部空间自相关分析两部分。全局空间自相关分析可分析在整个研究范围疾病是否有聚集，但并不能确切地指出聚集区域，局部空间自相关分析可指出具体的聚集区域。全局和局部Moran's I法、全局和局部Getis'G法和空间扫描统计量是空间自相关分析的主要方法。Moran's I法可区分正空间自相关和负空间自相关(正空间自相关即相似的观测值趋于空间聚集，负空间自相关即相似的观测值趋于分散分布)，但不能区分“热点区”、“冷点区”(“热点区”即高患病率聚集区，“冷点区”即低患病率聚集区)。而Getis`G法可识别“热点区”、“冷点区”，但识别负空间自相关能力较差。因此，Moran's I法和Getis'G法常结合起来使用。空间扫描统计量结果可直观的显示出聚集范围。

M. T. Manfredi等[9]为明确意大利伦巴第细粒棘球绦虫中间宿主分布对人类的潜在影响，分析了中间宿主的空间分布情况并找出中间宿主细粒棘球蚴病的聚集区。他们收集了285个检测到牛细粒棘球蚴病的牧场的空间位置，运用局部Moran's I法和ELISA检验进行局部空间自相关分析，绘制出聚集区域地图，局部Moran'I值为0.480 9，提示有较强的空间自相关性。王立英[10]运用全局Morans'I法对青南高原的称多县多房棘球绦虫中间宿主高原鼠兔和青海田鼠的洞穴密度进行空间自相关分析，得出高原鼠兔和青海田鼠的合计整体分布具有较强的空间自相关性，高原鼠兔的分布不具有空间自相关性，青海田鼠的分布具有空间自相关性。齐颜凤[11]对四川省阿坝州13县208村人群棘球蚴病患病率运用全局Morans'I法进行空间自相关分析得出棘球蚴病患病率存在有统计学意义的聚集性分布，全局Getis'G法得出棘球蚴病患病率不仅存在聚集区，而且存在高患病率聚集区。

Berke等[12]在德国南部萨克森省的43个地区收集了1991—1994、1994—1997、2003—2005这3个时间段共8 459只红狐，剖检检查红狐多房棘球绦虫的患病率，并以二项分布模型为基础，用空间扫描统计量分析空间聚集性，发现红狐的患病率在该省的南部有聚集，聚集的范围包括7个地区。并建立普通克里格模型，作潜在患病风险的等值线图，以表示患病风险随时间变化情况。A. Mastin等[13]在英国威尔士波厄斯郡南部收集了247个农场577份犬粪样品检测细粒棘球绦虫抗原，阳性率为10.6%。为明确阳性粪便的空间分布情况，对其中有地理坐标的567份犬粪样品运用空间扫描统计量分析其空间聚集性。结果表明，在该地区存在两个聚集区，高阳性率聚集区半径为22 km，位于波厄斯郡最南端；低阳性率聚集区半径为27 km，位于整个研究区域的东北部地区。W.B. Diego Brundu等[14]在意大利撒丁岛分析了2009年宰杀的牛细粒棘球蚴病患病情况，并收集了牛所在农场位置的数据，将有患细粒棘球蚴病的牛的1 029个农场都认为是细粒棘球绦虫的传染源，对这1 029个农场用二项分布模型进行空间扫描统计量分析，得到两个聚集区。第一个聚集区是以北纬39.478 61度、东经8.582 6度为圆心，97.92 km为半径的区域；第二个聚集区是以北纬40.588 90度、东经8.984 00度为圆心、15.44 km为半径的区域，并绘制显示聚集情况的疾病地图。Zeinaba said-ali等[15]收集了1982—2011年间法国489例多房棘球蚴病病人资料，运用扫描统计量法分析其聚集性，空间扫描统计量法在全国检测到两个聚集区，分别位于法国东部和中央高原地区。在法国东部聚集区内，又检测到4个巢式聚集区，最核心的巢式聚集区位于阿芒塞州。时间扫描统计量法检测到在1991—2003年存在低患病率聚集，在2007—2011年存在高患病率聚集。以十年为一个时间单位分析聚集区变化情况可发现，法国东部聚集区在1991—2001年间范围逐渐缩小，在2002—2011年间范围扩大，中央高原聚集区在上个世纪已消失。由以上结果可以看出，尽管普遍认为棘球蚴病的流行区分布范围变化不大，但仍然会发生变化。M. T. Manfredi等[9]运用空间扫描统计量分析意大利伦巴第细粒棘球绦虫中间宿主分布情况，得到了4个聚集区域：一级聚集区域位于伦巴第东南部，半径为20.71 km的地区；次级聚集区域位于布雷西亚省南部、帕维斯、贝加莫省和米兰省之间的地区。

此外，王谦等[16]运用BB join-count分析方法分析棘球蚴病的空间聚集性。通过氢溴酸槟榔碱驱虫的方法，收集四川省石渠县牧区家牧犬多房棘球绦虫的感染情况，并用GPS测量犬只的地理位置，BB join-count方法证明了在300～600 m、800 m、1 600 m、和1 800～3 900 m的距离，感染多房棘球绦虫的犬只存在空间聚集性。

1.2.2 空间插值分析 运用插值方法对未抽样地区的患病率进行估计，并将结果制成疾病地图，制成的疾病地图可直观的显示患病率聚集区。常用的插值方法有反距离权重插值、样条插值、克里格法插值等。其中克里格法应用最为广泛，在棘球蚴病流行病学研究中也有应用。

Pleydell等[17]运用克里格插值方法，对宁夏西吉152个村庄3 205名村民多房棘球蚴病的患病率进行分析，绘制疾病平滑地图，得到3个发病热点，最主要的热点是六盘山和月亮山之间的区域，这一地方主要是回族聚居区，其余两个热点一个在其西面30 km的汉族聚居区，另一个在第一、二个热点之间偏南面的一个各民族混居区域。齐颜凤[11]制作了四川省阿坝州13县208村人群棘球蚴病患病率趋势分析的三维趋势图，进行半变异函数模型拟合，运用克里格插值法对棘球蚴病流行范围和患病程度进行预测。结果显示，患病率从东南向西北逐渐升高，在若尔盖、阿坝和红原交界处；壤塘、阿坝和马尔康交界处存在明显的高患病率聚集区。房琦等[6]运用普通Kriging法对2012年全国棘球蚴病流行情况调查获得的四川、西藏、甘肃和青海四省(区)青藏高原地区124个藏区县人群棘球蚴病患病率进行空间插值运算，选择指数模型拟合半变异函数模型，模型结果显示棘球蚴病的患病率具有空间自相关性。

2 影响因素研究

空间流行病学主要是在空间水平对健康和疾病状态及其影响因素进行研究。在建立影响因素分析模型时，可引入空间效应项以减弱可能存在的空间自相关性对研究结果的影响。在棘球蚴病影响因素研究方面，主要考虑的空间因素有地形地貌特征、气候因素、植被指数等。

Pleydell等[18]收集了1995—2000年法国弗朗什孔泰地区11个检测点1 360份红狐粪便检测多房棘球绦虫抗原水平，选取平均抗原水平最高的年份进行分析，共得到345份样本。通过建立多种模型，分析草场构成比与阳性狐粪密度之间的关系。结果显示，只以草场构成比为自变量建立的克里格模型的拟合优度最佳，可较好的预测阳性狐粪密度。Jean-Francois Viel等[19]为研究水鼠密度对人棘球蚴病患病率的影响，收集了1980—1992年间法国杜省的地貌特征、地形构成、气候特征、水鼠密度数据，以这些因素为自变量，以人棘球蚴病患病率为因变量建立空间泊松回归模型进行分析。结果显示，水鼠密度(RR=10.34)和地貌类型(RR=7.1)是人棘球蚴病的影响因素。Pleydell等[17]对宁夏西吉152个村庄3 205名村民多房棘球蚴病的患病率建立广义可加混合模型，对多房棘球蚴病患病的影响因素进行分析，引入了村内随机效应(一些未知的村内影响患病率的因素)和空间随机效应(用来解释空间自相关)，得出养狗是主要的危险因素。Patrick Giraudoux等[20]为分析人多房棘球蚴病分布与小型哺乳动物中间宿主种类和环境因素的关系，于2002—2008年对我国四川省西部和青海省94个村庄17 589名村民运用B超进行多房棘球蚴病检查，制作调查区域内967个地点274种小型哺乳动物分布图，并收集降雨量、气温、高程、土地覆盖类型等环境因素数据。以人棘球蚴病患病率为因变量建立贝叶斯广义线性混合模型，引入空间随机效应，分析多房棘球蚴病的影响因素。模型结果显示，人多房棘球蚴病患病率与小型哺乳动物种类无关，与降雨量、气温、高程无直接相关，与草场比例成正相关，与森林覆盖率成负相关。李俊[21]以青海果洛州儿童棘球蚴病血清阳性率数据为因变量，犬均羊数、高程、LST、NDVI为自变量，建立无空间效应的贝叶斯模型和贝叶斯空间模型并进行比较，结果显示以乡镇为单位的儿童棘球蚴病血清阳性率与高程和犬均羊数呈正相关，与LST、NDVI呈负相关。

3 结 语

目前，运用空间统计学方法进行棘球蚴病空间流行病学研究主要集中在欧洲和亚洲地区，研究内容以描述棘球蚴病空间分布和空间聚集性为主，建立空间模型进行棘球蚴病影响因素的研究较少。越来越多的研究结果证实棘球蚴病的空间分布具有聚集性，而造成这种聚集性的原因需要进行更深入的研究。有学者运用空间插值法、贝叶斯模型等对未抽样地区棘球蚴病患病率进行预测，而未见对棘球蚴病未来流行趋势的预测。因此，在今后的科研工作中，应着重进行以下三方面的研究：①建立空间模型进行棘球蚴病影响因素研究。②明确造成棘球蚴病聚集分布的原因。③预测棘球蚴病未来流行趋势。

在空间统计学方法选择上，估计未抽样地区患病率以空间插值方法为主，常用的空间插值方法有全局多项式插值法、反距离权重法、Kriging插值法、趋势面分析法，每种空间插值方法适用的数据类型各有不同，其中Kriging插值法被认为是最优线性无偏估计，目前已得到广泛运用。空间自相关分析多用来证明疾病的空间分布是否存在空间聚集性，实际应用中常将Morans'I法与Getis'G法结合起来使用，既可区分正空间自相关和负空间自相关，又能区分“热点区”、“冷点区”。以上空间插值方法和空间自相关分析均可通过ArcGIS软件实现。空间扫描统计量因其结果直观，SaTScan软件操作简单，在疾病空间聚集性分析中应用也较广泛。由于棘球蚴病的空间分布多具有聚集性特征，棘球蚴病影响因素分析可运用广义线性混合模型及贝叶斯空间模型。广义线性混合模型是在广义线性模型的基础上，在线性预测部分引入随机效应项，随机效应的引入可反映不同对象之间的异质性，以及同一对象不同观测之间的相关性(如聚集性)[22]。广义线性混合模型建模可用SAS软件实现。贝叶斯模型同样可以引入随机效应来反映不同对象之间的异质性，以及同一对象不同观测之间的相关性，同时，贝叶斯方法可较好地利用先验信息，提高估计结果的精确性。可用WinBUGS软件建立贝叶斯空间模型及贝叶斯时空模型，WinBUGS软件编程较复杂，对学者提出了较高要求。

空间统计学方法在其他寄生虫病空间流行病学研究中已得到广泛应用，如血吸虫[23-24]、疟疾[25-26]、黑热病[27]。我国棘球蚴病流行严重，是导致西部地区因病致贫、因病返贫的主要疾病，明确棘球蚴病的空间分布情况对于棘球蚴病的防控工作具有重要的意义。结合应用地理信息系统、全球定位系统、遥感技术和空间统计学方法将使棘球蚴病空间流行病学研究更深入、更全面。

[1]Waller LA, Gotway CA. Applied spatial statistics for public health data[M]. Hoboken: John Wiley & Sons, 2004：1-3.

[2]Berke O. Choropleth mapping of regional count data ofEchinococcusmultilocularisamong red foxes in Lower Saxony, Germany[J]. Prev Vet Med, 2001, 52(2): 119-131. DOI: 10.1016/S0167-5877(01)00246-X

[3]Vervaeke M, van der Giessen J, Brochier B, et al. Spatial spreading ofEchinococcusmultilocularisin Red foxes (Vulpesvulpes) across nation borders in Western Europe[J]. Prev Vet Med, 2006, 76(3/4): 137-150. DOI: 10.1016/j.prevetmed.2006.04.014

[4]Bobic B, Nikolic A, Radivojevic SK, et al. Echinococcosis in serbia: an issue for the 21stcentury?[J]. Foodborne Pathog Dis, 2012, 9(11): 967-973. DOI: 10.1089/fpd.2012.1227

[5]Fuglei E, Stien A, Yoccoz NG, et al. Spatial distribution ofEchinococcusmultilocularis, Svalbard, Norway[J]. Emerg Infect Dis, 2008, 14(1): 73-75. DOI: 10.3201/eid1401.070565

[6]Fang Q, Wu WP, Wang LY, et al. Use of saptial interpolation to predict the prevalence of Hydatidosis[J]. J Pathog Biol, 2014, 9(3): 203-206. DOI: 10.13350/j.cjpb.140303 (in Chinese) 房琦, 伍卫平, 王立英, 等. 空间插值法在人群包虫病患病率预测中的应用[J]. 中国病原生物学杂志, 2014, 9(3): 203-206. DOI: 10.13350/j.cjpb.140303

[7]Robardet E, Giraudoux P, Caillot C, et al. Fox defecation behaviour in relation to spatial distribution of voles in an urbanised area: An increasing risk of transmission ofEchinococcusmultilocularis[J]. Int J Parasitol, 2011, 41(2): 145-154. DOI: 10.1016/j.ijpara.2010.08.007

[8]Piarroux M, Piarroux R, Knapp J, et al. Populations at risk for alveolar echinococcosis, France[J]. Emerg Infect Dis, 2013, 19(5): 721-728. DOI: 10.3201/eid1905.120867

[9]Manfredi MT, Cerbo AR, Zanzani S. Cystic echinococcosis in Lombardy: epidemiological aspects and spatial analysis[J]. Helminthologia, 2013, 50(2): 96-103. DOI: 10.2478/s11687-013-0115-5

[10]Wang LY. Study on the relation of distribution of intermediate host ofEchinococcusmultilocularisto the environmental factors in southern Qinghai Plateau[D]. Shanghai: Chinese Center for Disease Control and Prevention, 2009. (in Chinese) 王立英. 青南高原多房棘球绦虫中间宿主分布与环境因素关系的研究[D]. 上海: 中国疾病预防控制中心, 2009.

[11]Qi YF. Study on distribution characteristics and influencing factors of echinococcosis in Aba Prefecture, Sichuan Province[D]. Shanghai: Chinese Center for Disease Control and Prevention, 2013. (in Chinese) 齐颜凤. 四川省阿坝州棘球蚴病分布特征和影响因素研究[D]. 上海: 中国疾病预防控制中心,2013.

[12]Berke O, Romig T, von Keyserlingk M. Emergence ofEchinococcusmultilocularisamong Red foxes in northern Germany, 1991-2005[J]. Vet Parasitol, 2008, 155(3/4): 319-322. DOI: 10.1016/ j.vetpar.2008.05.017

[13]Mastin A, Brouwer A, Fox M, et al. Spatial and temporal investigation ofEchinococcusgranulosuscoproantigen prevalence in farm dogs in South Powys, Wales[J]. Vet Parasitol, 2011, 178(1-2): 100-107. DOI: 10.1016/j.vetpar.2010.11.049

[14]Brundu D, Aloi D, Rolesu S, et al. Cystic echinococcosis in slaughtered cattle in Sardinia: a retrospective epidemiological study and spatial analysis[J]. Geospat Health, 2012, 6(2): 285-291.

[15]Said-Ali Z, Grenouillet F, Knapp J, et al. Detecting nested clusters of human alveolar Echinococcosis[J]. Parasitology, 2013, 140(13): 1693-1700. DOI: 10.1017/S0031182013001352

[16]Wang Q, Christine B, Huang L, et al. Spatial clustering ofE.multilocularisinfected dogs in Pastoral Tibetan communities, Sichuan China[J]. J Prev Med Inf, 2012, 28(5): 323-328. (in Chinese) 王谦, 克莉丝汀·布德克, 黄亮, 等. 四川省藏族牧区感染多房棘球绦虫犬只空间聚集性研究(英文)[J]. 预防医学情报杂志, 2012, 28(5): 323-328.

[17]Pleydell DR, Yang YR, Danson FM, et al. Landscape composition and spatial prediction of alveolar echinococcosis in southern Ningxia, China[J]. PLoS Negl Trop Dis, 2008, 2(9): e287. DOI: 10.1371/ journal. pntd. 0000287

[18]Pleydell DR, Raoul F, Tourneux F, et al. Modelling the spatial distribution ofEchinococcusmultilocularisinfection in foxes[J]. Acta Trop, 2004, 91(3): 253-265. DOI: 10.1016/j.actatropica.2004.05.004

[19]Viel JF, Giraudoux P, Abrial V, et al. Water vole (Arvicola terrestris scherman) density as risk factor for human alveolar echinococcosis[J]. Am J Trop Med Hyg, 1999, 61(4): 559-565.

[20]Giraudoux P, Raoul F, Pleydell D, et al. Drivers ofEchinococcusmultilocularistransmission in China: small mammal diversity, landscape or climate[J]. PLoS Negl Trop Dis, 2013, 7(3): e2045. DOI: 10.1371/journal.pntd.0002045

[21]Li J. Bayesian spatial modeling of echinococcosis among children in Guoluo prefecture, Qinghai Province[D]. Shanghai: Chinese Center for Disease Control and Prevention, 2012. (in Chinese) 李俊. 青海省果洛州儿童棘球蚴病的贝叶斯空间建模[D]. 上海: 中国疾病预防控制中心, 2012.

[22]Kang MM. Generalized linear mixed models and implementation with SAS[J]. Statistical Thinktank, 2009,10: 50-54. (in Chinese) 康萌萌. 广义线性混合模型及其SAS实现[J]. 统计教育, 2009, 10:50-54.

[23]Schur N, Hurlimann E, Stensgaard AS, et al. Spatially explicitSchistosomainfection risk in eastern Africa using Bayesian geostatistical modelling[J]. Acta Trop, 2013, 128(2): 365-377. DOI: 10.1016/j. actatropica.2011.10.006

[24]Wang XH, Zhou XN, Vounatsou P, et al. Bayesian spatio-temporal modeling ofSchistosomajaponicumprevalence data in the absence of a diagnostic 'gold' standard[J]. PLoS Negl Trop Dis, 2008, 2(6): e250. DOI: 10.1371/journal.pntd.0000250

[25]Noor AM, Kinyoki DK, Mundia CW, et al. The changing risk ofPlasmodiumfalciparummalaria infection in Africa: 2000--10: a spatial and temporal analysis of transmission intensity[J]. Lancet, 2014, 383(9930): 1739-1747. DOI: 10.1016/S0140-6736(13)62566-0

[26]Mosha JF, Sturrock HJ, Greenwood B, et al. Hot spot or not: a comparison of spatial statistical methods to predict prospective malaria infections[J]. Malar J, 2014, 13(1): 53. DOI: 10.1186/1475-2875-13-53

[27]Martins-Melo FR, Lima Mda S, Ramos AN, et al. Mortality and case fatality due to visceral leishmaniasis in Brazil: a nationwide analysis of epidemiology, trends and spatial patterns[J]. PLoS One, 2014, 9(4): e93770. DOI: 10.1371/journal. pone. 0093770

Application of spatial statistics on echinococcosis studies

ZHAO Yue,WU Wei-ping

(NationalInstituteofParasiticDiseases,ChineseCenterforDiseaseControlandPrevention/LaboratoryofParasiteandVectorBiology,MinistryofHealth,WHOCollaboratingCenterforMalaria,SchistosomiasisandFilariasis,Shanghai200025,China)

Spatial statistics plays an important role in spatial epidemiology studies of echinococcosis. Spatial statistics can be used to describe the spatial distribution, predict the prevalence, identify disease clusters, and analyze the influencing factors of echinococcosis. To describe spatial distribution and predict the prevalence, we can use spatial interpolation, empirical bayes smoothing and ellipsoidal gradient. Spatial autocorrelation always used to identify disease clusters. Moran's I value, Getis'G value and spatial scan statistics are used to judge spatial autocorrelation. Molding plays an important role on analyzing risk factors of echinococcosis. Generalised linear mixed models and Bayesian model are always performed with both spatial factors, such as geomorphologic features, climatic characteristics, vegetation index and factors which make great effect on disease transmission. To figure out the spatial distribution of echinococcosis is significant for echinococcosis control and prevention.

spatial statistics; spatial epidemiology; echinococcosis

Wu Wei-ping, Email: wuweiping@hotmail.com

10.3969/cjz.j.issn.1002-2694.2015.03.018

国家重大科技专项(2012ZX10004-220)与国家传染病重大专项(2012ZX10004-201)联合资助

伍卫平，Email：wuweiping@hotmail.com

中国疾病预防控制中心寄生虫病预防控制所，卫生部寄生虫病原与媒介生物学重点实验室，世界卫生组织疟疾、血吸虫病和丝虫病合作中心，上海 200025

R383.3

A

1002-2694(2015)03-0272-05

Funded by the National Science and Technology Major Project (No. 2012ZX10004-220) and the National Infectious Disease Major Project (No. 2012ZX10004-201)

2014-07-01；

2014-11-28