张惠林 陈玉燕 肖瑶 李淑莲

[摘要] 目的 探討2010～2016年我国（不含港澳台）梅毒疫情的时空分布特征及社会影响因素。 方法 应用地理信息软件ArcGIS结合空间数据分析软件GeoDa对2010～2016年我国（不含港澳台）梅毒疫情的空间聚集状况进行分析，应用空间数据处理软件SaTScan对2010～2016年梅毒疫情进行回顾性时空扫描分析，应用Stata对梅毒疫情进行面板数据回归分析。 结果 全局空间自相关分析表明，2011～2015年我国（不含港澳台）梅毒发病无空间聚集性（Moran′s I = 0.0444～0.1099，P > 0.05），但是，2010年（Moran′s I = 0.2524，P < 0.05）及2016年（Moran′s I = 0.1932，P < 0.05）我国（不含港澳台）梅毒发病存在空间聚集性。局部自相关分析结果表明，2010年江苏、上海和福建处于高-高区域，2013～2016年甘肃均处于低-高区域，2011～2012年我国（不含港澳台）均未处于高-高区域。回顾性时空扫描分析发现1个一级聚类区域（上海、浙江，RR = 2.49）及6个二级聚类区域（广西、新疆、重庆、辽宁、内蒙及宁夏，RR = 1.44～3.50）。面板数据回归分析结果表明，人均GDP和居民消费水平是梅毒发病的影响因素（P < 0.05）。 结论 梅毒疫情具有明显的时空聚集特征，并且受社会人口因素的影响，探讨其时空聚集特征可为梅毒的防控策略和评价防控措施效果提供积极的参考。

[关键词] 梅毒;空间聚集;时空分布;社会人口因素

[中图分类号] R514          [文献标识码] A          [文章编号] 1673-7210（2019）09（b）-0057-07

Spatial-temporal distribution of syphilis and its influencing factors in China （excluding Hong Kong， Macao and Taiwan） from 2010 to 2016

ZHANG Huilin1   CHEN Yuyan2   XIAO Yao3   LI Shulian4▲

1.Department of Clinical Laboratory， Zhongshan Hospital Affiliated to Xiamen University， Fujian Province， Xiamen  361004， China; 2.Department of Clinical Laboratory， the Fifth Hospital of Xiamen City， Fujian Province， Xiamen  361101， China; 3.Department of Science and Education， Xiamen Traditional Chinese Medicine Hospital， Fujian Province， Xiamen   361009， China; 4.President′s Office， Maternity and Child Care Hospital of Huli District in Xiamen City， Fujian Province， Xiamen   361006， China

[Abstract] Objective To explore spatial-temporal distribution characteristics of syphilis epidemic situation in China （excluding Hong Kong， Macao and Taiwan） from 2010 to 2016 and its social influencing factors. Methods Spatial aggregation of syphilis epidemic situation in China （excluding Hong Kong， Macao and Taiwan） from 2010 to 2016 was analyzed by using geographic information software ArcGIS and spatial data analysis software GeoDa. Spatial data processing software SaTScan was used to retrospectively analyze syphilis epidemic situation from 2010 to 2016. Stata was used to carry out panel data regression analysis of syphilis epidemic situation. Results Global spatial autocorrelation analysis showed that there was no spatial aggregation of syphilis incidence in China （excluding Hong Kong， Macao and Taiwan） from 2011 to 2015 （Moran′s I = 0.0444 to 0.1099， P > 0.05）， however， in 2010 （Moran′s I = 0.2524， P < 0.05） and 2016 （Moran′s I = 0.1932， P < 0.05）， syphilis incidence in China （excluding Hong Kong， Macao and Taiwan） was spatially aggregated. The results of local autocorrelation analysis showed that Jiangsu， Shanghai and Fujian were in the high-high region in 2010， Gansu was in the low-high region in 2013-2016， and all regions in China （excluding Hong Kong， Macao and Taiwan） were not in the high-high region in 2011-2012. Retrospective spatio-temporal scanning analysis revealed that there was one primary clustering region （Shanghai， Zhejiang， RR = 2.49） and six secondary clustering regions （Guangxi， Xinjiang， Chongqing， Liaoning， Inner Mongolia and Ningxia， RR = 1.44-3.50）. The results of panel data regression analysis showed that per capita GDP and consumption level were the influencing factors of the incidence of syphilis （P < 0.05）. Conclusion The epidemic situation of syphilis has obvious characteristics of spatial-temporal aggregation and is affected by social demographic factors. Discussing the characteristics of spatial-temporal aggregation of syphilis can provide a positive reference for syphilis control strategy and evaluation of the effect of prevention and control measures.

[Key words] Syphilis; Spatial aggregation; Spatial-temporal distribution; Social demographic factors

梅毒是由梅毒螺旋體引起的性传播疾病，可严重损害人体多个系统及器官[1]。近年来中国梅毒发病呈持续上升趋势，已成为严重的公共卫生问题[2-3]。本研究基于2010～2016年全国梅毒疫情监测数据，应用空间自相关分析和回顾性时空扫描分析探索我国31个省、自治区、直辖市（不含港澳台地区）梅毒疫情的时空分布特征。既往研究表明，人口密度、性别比、居民消费水平、离婚率和失业率等[4-6]社会人口因素与性传播疾病之间存在一定联系。本研究应用面板数据回归模型探索社会人口因素与梅毒发病率之间的关系，旨在为梅毒的防控策略和评价防控措施效果提供积极的参考。

1 资料与方法

1.1 资料来源

2010～2016年我国（不含港澳台地区）梅毒疫情数据下载自公共卫生科学数据中心官网，人口资料下载自国家统计局官网，地理信息及电子地图下载自国家基础地理信息中心官网。

1.2 方法

1.2.1 构建地理信息数据库  建立包含我国（不含港澳台地区）地理编码、经度和纬度信息的梅毒病例地理信息数据库，建立包含各地区地理编码、年份、人口数、性别比、人均GDP、失业率、离婚率、居民消费水平及旅客周转量等资料的人口信息数据库。

1.2.2 各年度梅毒疫情空间聚集分析  空间自相关分析是检测某个空间的观测值与临近空间的观测值是否相关的分析方法。如果一个空间的观测值较高，其临近空间的观测值也较高，则认为两者呈空间正相关，相反则认为呈空间负相关。莫兰指数（Moran′s I）是空间自相关分析中的重要指标，可以指出区域属性值的分布到底是聚集、离散还是随机分布模式。Moran′s I的取值范围为-1～1，取值为-1时说明呈完全负相关，取值为1时说明呈完全正相关，取值为0则说明完全不相关。Moran′s I分为全局型和局域型，分别反映全局空间自相关（GISA）和局域型空间自相关（LISA）。全局型Moran′s I用于判断总体上是否存在空间聚集，局域型Moran′s I用于评估每个观测区域周围的局部空间聚集概率。本研究先以全局型Moran′s I探测梅毒发病在我国（不含港澳台）是否存在总体上的空间聚集，再根据局域型Moran′s I值绘制Moran散点图，并通过蒙特卡洛方法将Moran散点图与LISA检验结果结合，标识出各地区的梅毒发病是否处于高-高、低-低、高-低或低-高聚集状态，从而判断各地区之间梅毒发病在空间上的分布关系。

1.2.3 回顾性时空扫描分析  本研究应用回顾性时空扫描方法，依据泊松分布判断梅毒发病是否在空间和时间上存在统计显著性，探索梅毒发病的空间聚集随时间变化的趋势。在SaTScan软件中将圆作为扫描窗口，扫描窗口半径大小设置为0～最大风险人口（总人口的50%）逐步上升[7]。针对每个圆，比较窗口内和窗口外的发病率，将窗口内统计上明显高的圆定义为空间聚集。根据得到的对数似然比（LLR，即实际发病数与理论发病数之比）将聚集分为一类和二类，LLR值最大的地区为一级聚类区;其他扫描探测出的地区为二级聚类区。最后计算各地区梅毒发病的相对危险度（RR）。

1.2.4 面板数据回归分析  面板数据是指在一系列时间上的多个截面同时选取某个观测值所组成的样本数据，其本质是时间序列上的截面数据。本研究同时建立固定效应模型和随机效应模型进行面板数据回归分析，再根据Hausman检验结果采用其中一种模型。本研究将2010～2016年各地区各年份梅毒发病率进行对数转换，探讨其是否受到性别比、人均GDP、失业率、离婚率、居民消费水平及旅客周转量的影响。

1.3 统计学方法

应用地理信息软件ArcGIS 10.4.1建立我国各地区（不含港澳台地区）地理信息及人口信息数据库，结合空间数据分析软件GeoDa 1.6.7对各年度梅毒疫情进行空间自相关分析和时空扫描聚类分析。应用空间数据处理软件SaTScan 9.5对梅毒疫情进行回顾性时空扫描分析。应用Stata 15.1对梅毒发病率与社会人口因素之间的关系进行面板数据回归分析。

2 结果

2.1 基本情况

2010～2016年我国31个省、自治区、直辖市（不含港澳台地区）报告梅毒总病例数为2 861 826例，年发病率为30.2221/10万。见表1。

表1   2010～2016年我国（不含港澳台）梅毒发病概况

2.2 梅毒空间聚集区域分析

2.2.1 全局空间自相关分析  2010～2016年我国（不含港澳台）梅毒发病分布的Moran散点图如图1所示。2011～2015年我国（不含港澳台）梅毒发病分布无空间聚集性（Moran′s I = 0.0444～0.1099，P > 0.05），2010年（Moran′s I = 0.2524，P < 0.05）和2016年（Moran′s I = 0.1932，P < 0.05）我国（不含港澳台）梅毒发病分布存在空间聚集性。见表2。

表2   2010～2016年我国（不含港澳台）梅毒全局空间

自相关分析结果

2.2.2 局域空间自相关分析  2010年江苏、上海和福建地区表现为高-高聚集模式，2013～2016年甘肃表现为低-高聚集模式，2011、2012年我国（不含港澳台）均未表现为高-高聚集模式。见图2。

2.3 回顾性时空扫描

2010～2016年各地区共扫描到1个一级聚类区域和6个二级聚类区域。一级聚类区域为2010～2012年的上海和浙江地区，二级聚类区域包括2010～2012年的广西地区、2013～2015年的新疆地区、2014～2016年的重庆地区、2013～2015年的辽宁地区、2013～2015年的内蒙古地区及2014～2016年的宁夏地区。见表3、图3（封四）。

2.4 面板数据回归分析

根据Hausman检验（P = 0.043），本研究中的面板数据回归分析采用固定效应模型。人均GDP和居民消费水平是梅毒发病的影响因素（P < 0.05），而性别比、失业率、离婚率及旅客周转量等因素对梅毒发病无影响。见表4。

3 讨论

关鹏等[7]的研究表明，2005～2010年我国（不含港澳台）梅毒发病分布存在空间聚集性，2011年无空间聚集性。本研究结果也表明，2010年我国（不含港澳台）梅毒发病分布存在空間聚集性，2011～2015年无空间聚集性，2016年存在空间聚集性。这种聚集性消失又再出现的可能原因有待进一步研究，但也说明当前梅毒疫情的防控形势变得更加严峻。本研究提示，上海、浙江、江苏和福建的梅毒发病高度聚集，说明这些地区梅毒的防控形势不容乐观。这种现象可能是由于这些地区经济发达、大量吸引外来人才、人口政策的调整以及对外开放和国际接轨的不断提高、外来劳务人员（包括性工作者）不断增加所导致[8-10]。

时间效应和空间效应均可能对事物的发展产生影响，因此仅以空间自相关分析判断梅毒发病的聚集性会忽略时间因素的影响，缺乏时效性[11]。与传统的流行病学描述比较，时空扫描分析方法应用大小和位置处于动态变化的窗口对观测对象进行扫描，对聚集性的大小、位置、时间及强度等参数事先无任何假设，避免了人为的选择偏倚[12-13]。应用空间自相关分析，同时结合时空扫描分析方法，可以同时实现静态观测和动态观测，进一步提高客观性及准确性。时空扫描聚类分析结果显示，除上海、浙江形成聚类外，2013年起辽宁、内蒙古和中西部部分省份也开始形成梅毒的时空聚类，提示应加强上述地区梅毒发病的监测，积极对高危人群进行宣传教育及主动干预，阻断梅毒的传播途径[14-15]。

面板数据回归分析表明，梅毒发病率受人均GDP和居民消费水平的影响，即梅毒发病率与人均GDP及居民消费水平呈正相关。时空扫描分析得出的梅毒高聚集地区如上海、浙江也是人均GDP及消费水平较高的地区，两种方法得到的结论较为一致。一项广东地区的研究也显示，家庭收入中位数较高的城镇往往有较高的性病发病率[16]。

性病的早期发现、早期治疗也是梅毒控制策略的重要组成部分。性工作者是感染和传播性病的高危人群[17-18]，对这类高危人群重点开展健康教育、推进避孕套使用等预防措施均有助于梅毒感染的预防。本研究联合应用时空扫描分析和面板数据回归分析，可以更好地识别梅毒高危聚集区域及社会人口因素对梅毒发病的影响，为梅毒疫情的预防和控制提供了目标地区，使梅毒预防及控制的公共卫生实践更加具有针对性。这不仅在梅毒流行病学中有用，在其他传染病的研究中也是有益的。

本研究也存在不足之处。首先，一些潜在的影响变量，如年龄结构、种族构成及犯罪率等由于数据获得的限制而被忽略，更详尽的调查将使梅毒的预防和控制更有针对性。其次，性传播疾病的漏报情况对研究结果的干扰也一直是研究者关心的问题。另外，面板数据回归分析未能充分考虑到空间效应的影响，未来还应综合考虑时间效应和空间效应，采用空间面板数据回归分析对影响梅毒发病的社会人口因素进行研究[19]。最后，最小空间尺度的选择对研究结果也存在一定影响，实际工作中需要根据研究目的和数据特征谨慎选择合适的最小空间尺度，例如可以按照经济区域进行划分[20]，研究不同发展水平的经济区域之间梅毒疫情的分布特征。

[参考文献]

[1]  Liu LL，Lin Y，Zhuang JC，et al. Analysis of serum metabolite profiles in syphilis patients by untargeted metabolomics [J]. J Eur Acad Dermato，2019，33：1378-1385.

[2]  陶长余，章士军，陈郁.2005-2014年我国梅毒发病率趋势分析及预测[J].职业与健康，2015，31（21）：3026-3027.

[3]  Zhu B，ZhuY，Liu JL，et al. Notifiable sexually transmitted infections in china：epidemiologic trends and spatial changing patterns [J]. Sustainability，2017，9（10）：1784.

[4]  Cao WT，Li R，Ying JY，et al. Spatiotemporal distribution and determinants of gonorrhea infections in mainland China：a panel data analysis [J]. Public Health，2018，162：82-90.

[5]  Xiao G，Xu C，Wang J，et al. Spatial-temporal pattern and risk factor analysis of bacillary dysentery in the Beijing-Tianjin-Tangshan urban region of China [J]. BMC Public Health，2014，14（1）：998.

[6]  Health N，Commission FP. Report on China′s migrant population development [D]. China Population Publishing House，2017.

[7]  关鹏，曹爽，黄德生，等.2005-2011年中国大陆地区梅毒疫情时空分布[J].中国感染控制杂志，2014，13（5）：257-262.

[8]  严华美，杨瑛，张星灿，等.上海市闵行区2005-2016年梅毒疫情分析[J].复旦学报，2017，44（5）：585-589.

[9]  徐晓燕.常熟市2005-2015年梅毒疫情分析[J].江苏预防医学，2017，28（3）：300-301.

[10]  Wong NZ，Chen L，Joseph D，et al. Distribution of reported syphilis cases in South China：spatiotemporal analysis [J]. Sci Rep，2018，8（1）：9090.

[11]  王培安，羅卫华，白永平.基于空间自相关和时空扫描统计量的聚集比较分析[J].人文地理，2012，27（2）：119-127.

[12]  Goujon-Bellec S，Demoury C，Guyot-Goubin A，et al. Detection of clusters of a rare disease over a large territory performance of cluster detection methods [J]. Int J Health Geogr，2011，10：53.

[13]  廖一兰，王劲峰，杨维中，等.传染病多维度聚集性探测方法[J].地理学报，2012，67（4）：435-443.

[14]  杨振，王念，王宇.中国性病疫情的时空差异与经济驱动机制——以淋病、梅毒为例[J].热带地理，2016，36（5）：761-766.

[15]  Chang BA，Pearson WS，Owusu-Edusei K. Correlates of county-level nonviral sexually transmitted infection hot spots in the US：application of hot spot analysis and spatial logistic regression [J]. Ann Epidemiol，2017，27（4）：231-237.

[16]  Tan NX，Messina JP，Yang LG，et al. A spatial analysis of county-level variation in syphilis and gonorrhea in Guangdong Province，China [J]. PLoS One，2011，6：e19648.

[17]  Chen X，Peeling RW，Yin Y，et al. The epidemic of sexually transmitted infections in China：implications for control and future perspectives [J]. BMC Med，2011，9：111.

[18]  Chen W，Zhou F，Hall BJ，et al. Spatial distribution and cluster analysis of risky sexual behaviors and STDs reported by Chinese adults in Guangzhou，China：a representative population-based study [J]. Sex Transm Infect，2016，92（4）：316-322.

[19]  唐小静，曾庆，赵寒，等.重庆市2008-2012年手足口病空间聚集性及影响因素研究[J].中国人兽共患病学报，2014，30（12）：1196-1200.

[20]  Fu R，Zhao JK，Wu Dan，et al. A spatiotemporal meta-analysis of HIV/syphilis epidemic among men who have sex with men living in mainland China [J]. BMC Infect Dis，2018，18（1）：652.

（收稿日期：2019-06-19  本文编辑：李亚聪）