《济南市哮喘患病率与环境因子空间相关性研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
单位代码１０４４５学号２０１５０２０８２２分类号Ｒ１８８研究生类别全日制硕士学位论文（学术学位）论文题目济南市哮喘患病率与环境因子空间相关性研究学科专业名称自然地理申请人姓名周姣姣指导教师吴泉源教授论文提交时间２０１８年６月１２曰 独创声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研宄成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研宄成果，也不包含为获得（注：如没有其他需要特别声明的，本栏可空）或其他教育机构的学位或证书使用过的材料一。与我同工作的同志对本研宄所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：导师签字：ｉｆ学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权学校可以将学份ｉ仑文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：导师签字：》签字曰期产年》月／曰签字／日期峰ｊ月曰ｙ 目录摘要................................................................................................................................IAbstract....................................................................................................................III1绪论.............................................................................................................................11.1选题背景及意义..............................................................................................11.1.1研究背景...............................................................................................11.1.2研究意义...............................................................................................21.2国内外研究现状..............................................................................................21.2.1环境因素对哮喘病的影响研究...........................................................21.2.2空间分析在疾病领域的研究应用.......................................................41.3研究目标与内容..............................................................................................51.3.1研究目标...............................................................................................51.3.2研究内容...............................................................................................51.4研究思路与技术路线......................................................................................62研究区概况.................................................................................................................72.1研究区范围界定..............................................................................................72.2自然地理概况..................................................................................................92.2.1地形地貌...............................................................................................92.2.2气象气候...............................................................................................92.2.3土壤植被...............................................................................................92.3社会经济概况..................................................................................................92.3.1人口分布...............................................................................................92.3.2经济发展.............................................................................................103数据来源与处理......................................................................................................103.1环境因子获取及处理....................................................................................103.1.1自然因子获取及处理.........................................................................113.1.2人文社会因子获取及处理.................................................................123.2病患数据获取及处理....................................................................................133.2.1病患数据获取.....................................................................................13 3.2.2病患数据处理.....................................................................................134特征分析...................................................................................................................144.1哮喘病病患特征分析....................................................................................144.1.1哮喘患病率统计特征.........................................................................144.1.2哮喘患病率空间分布特征................................................................164.2环境因子特征分析........................................................................................194.2.1自然因子空间分布特征.....................................................................194.2.2人文社会因子空间分布特征.............................................................275环境因子与哮喘患病率相关性空间统计分析.......................................................285.1空间统计方法介绍........................................................................................295.1.1地理探测分析.....................................................................................295.1.2空间自回归分析.................................................................................305.1.3地理加权回归分析.............................................................................305.2分析模型建立与评价....................................................................................315.2.1空间自回归模型建立与评价.............................................................315.2.2地理加权回归模型建立与评价.........................................................335.3空间相关性结果分析....................................................................................345.3.1地理探测结果分析.............................................................................345.3.2空间自回归结果分析.........................................................................345.3.3地理加权回归模型结果分析............................................................366环境因子影响下的哮喘患病率风险分级预测......................................................427结论与展望...............................................................................................................467.1结论...............................................................................................................467.2存在问题与展望............................................................................................48参考文献......................................................................................................................49攻读硕士学位期间发表的学术论文及参与课题......................................................53致谢..............................................................................................................................54 山东师范大学硕士学位论文摘要哮喘作为难以治愈的慢性呼吸道疾病，严重危害人类身体健康，增加人民经济负担，影响群众日常生活。近年来哮喘患病率的快速上升，极大程度上与环境因子变化存在潜在联系。识别环境因子与哮喘患病率的空间相关性，有助于进一步推动哮喘病病理机制研究，为有效预防和控制哮喘病、相关卫生政策的制定及医疗资源合理配置提供客观依据。论文在国家自然科学基金资助项目（41371395）、山东省地质环境监测总站项目（鲁勘字【2011】14号）等课题支持下，将济南市5个市辖区（市中区、历下区、天桥区、槐荫区、历城区）设为研究区域。基于2009年哮喘病病患数据与15项环境因子的遥感、监测、统计、插值数据，借助数理统计、地理空间探测器、空间自回归模型、地理加权回归建模及决策树模型等手段方法。描述哮喘患病率及环境因子空间分布特点，定量分析两者相关性，明确各项环境因子与哮喘患病率相关系数，模拟预测哮喘患病率风险并分级，探究哮喘患病率与环境因子的空间相关性。研究结果最终汇总为以下结论：（1）研究区女性哮喘病患病人数高于男性，多集中在51-70岁的年龄层，历下区哮喘患病率最高而天桥区最低。邻近街道哮喘患病率表现具有空间相似性，且存在高高、低低及低高聚集区。热点聚集区域呈扁平椭圆状，地处天桥区、历下区、槐荫区及市中区4区交界地带。研究区哮喘患病率整体呈现以中偏西为圆心，向外呈同心圆递减的空间变化规律。哮喘病发病人数9月份最多，2月最少；秋季（9-11月）最多，冬季（12-2月）最少；51-70岁为哮喘高发年龄层。（2）CO、NO2、SO2年均浓度均呈西北高东南低的分布特征，O3恰好与之相反，PM10年均浓度北部高于南部。研究区的年均相对湿度呈西南部为中心向外逐层递增的变化趋势，年均温度与之相反。年均风速自西南向北逐渐降低。且研究区的年均降水量自西南向东北递减，北部年均气压高于南部。研究区地势东南高西北低，植被覆盖度以研究区中偏西北部为圆心，向外逐层递增。重点废气监控企业多位于研究区北部，大体沿西南-东北方向直线分布。路网密度具有西北大于东南的分布特征。人均GDP大体呈现东南部及北部边界低，中偏东部、西部较高的特征。将环境因子插值图与病患分布点叠加发现，两者存在关联。（3）就环境因子与哮喘患病率相关程度来看，SO2年均浓度与哮喘患病率I 山东师范大学硕士学位论文相关性较强，对哮喘患病率的空间分布差异存在显著影响。年均降水量相关性较弱且无显著影响。任何两种环境因子组合对哮喘患病率空间分布的相关性影响都会增强。就环境因子作用方向来看，NDVI、高程、年均气压、病患地址到重点废气监控企业的距离、病患地址到道路距离同哮喘患病率呈负相关，其余因素呈正相关。就各项因子相关度的空间分布特征来看，PM10年均浓度相关度自西南向东北方向逐渐递增，年均温度及高程恰好与之相反。SO2年均浓度相关度以西北部为中心，呈半环状向东偏北逐层递减。年均气压相关性自西北向东南方向逐渐衰减。人均GDP相关程度自西向东逐渐递减。病患地址到道路距离相关系数略呈现自西南向北偏东及由东向西逐步降低的双向变化特征。（4）模型预测结果显示哮喘患病率高值区域仍集中在中偏西部地区，以其为中心呈环形向外围递减。市中区与历城区分别在哮喘患病率高值区与低值区占最大面积。二七街道哮喘病患率预测风险最高。依据相等间隔将哮喘患病率值分为5个风险等级，分属重风险区域的街道数量最多。NDVI是预测街道哮喘患病率数值大小的最关键因素，病患地址到重点废气监控企业的距离、年均温度对预测哮喘患病率风险均具有重要划分意义。关键词：哮喘患病率；环境因子；空间相关性；模型分类号：R188II 山东师范大学硕士学位论文SpatialCorrelationStudyonPrevalenceRateofAsthmaandEnvironmentalFactorsinJinanAbstractAsanincurablechronicrespiratorydisease,asthmaseriouslyendangershumanhealth,increasestheeconomicburdenofthepeople,andaffectsthedailylifeofthemasses.Inrecentyears,therapidriseintheprevalenceofasthmahas,toagreatextent,apotentiallinkwiththeshiftinenvironmentalfactors.Identifyingthespatialcorrelationbetweenenvironmentalfactorsandtheprevalenceofasthmacanhelptofurtherpromotethepathologicalmechanismofasthmaandprovidesanobjectivebasisforeffectivepreventionandcontrolsofasthma,thedevelopmentofrelatedhealthpoliciesandrationalallocationofmedicalresources..ThisdisquisitionwasdevelopedonsupporttheNationalNaturalScienceFoundationofChina(41371395),GeologicalEnvironmentalMonitoringStationProjectinShandongProvince(LuKanWord【2011】14).ThedissertationsetsthefiveurbanareasofJi'nan(ShizhongDistrict,LixiaDistrict,TianqiaoDistrict,HuaiyinDistrict,andLichengDistrict)astheresearcharea.Basedonthedataofthe2009asthmapatientand15environmentalfactors,whichisremotesensing,monitoring,statistics,andinterpolationdata.Describespatialdistributioncharacteristicsoftheprevalenceofasthmaandtheenvironmentalfactors,quantitativelyanalyzethecorrelationbetweenthetwo,definethecorrelationcoefficientbetweenvariousenvironmentalfactorsandtheprevalenceofasthma,simulateandpredicttheriskofasthmaandtheclassificationofasthma.Bymeansofmathematicalstatistics,thegeographicaldetectors,spatialautoregressivemodel,geographicalweightedregressionmodelinganddecisiontreemodel.Toexplorethespatialcorrelationbetweenthediseaserateofasthmaandtheenvironmentalfactors.Theresearchresultsarefinallysummarizedasthefollowingconclusions:(1)Thenumberoffemaleasthmaticpatientsinthestudyareaishigherthanthatofmales,mostlyintheagegroupof51-70yearsold.TheprevalencerateofasthmaintheLixiadistrictisthehighestandthatinTianqiaodistrictisthelowest.TheIII 山东师范大学硕士学位论文prevalenceofasthmaintheneighboringstreethasspatialsimilarity,andexisthigh-high,low-low,low-highaccumulationareas.Thehotspotgatheringareaisflatoval.ItislocatedatthejunctionofTianqiaoDistrict,LixiaDistrict,HuaiyinDistrict,andShizhongDistrict.Theoverallprevalenceofasthmainthestudyareapresentsaspatialpatternthatcenteredonthethecenterofgravity，alittlebittowardsthewest,decreasingoutwardlyconcentricallycircular.ThehighestincidencecasesofasthmawastheinSeptemberandthelowestinFebruary;itwasthehighestinautumn(September-November)andthelowestinwinter(February-February);Theagerangefrom51to70hasahighriskofasthma.(2)TheaverageannualconcentrationofCO,NO2,andSO2islowerinthenorthwestandhigherinthesoutheast.O3happenstobetheopposite.TheaverageannualconcentrationofPM10inthenorthishigherthanthatinthesouth.Theannualaveragerelativehumidityinthestudyareaisincreasinggraduallyfromthesouthwesttothecenter,andtheaverageannualtemperatureisopposite.Theaverageannualwindspeedgraduallydecreasesfromsouthwesttonorth.Theaverageannualprecipitationinthestudyareadecreasesfromthesouthwesttothenortheast,andtheaverageannualpressureinthenorthishigherthanthatinthesouth.Intheresearchareas,theterrainishigherinthesoutheastandlowerinthenorthwest,andthevegetationcoverageisconcentricallyincreasinggraduallyfromthethecenterofgravity，alittlebittowardsthenorthwesttooutward.Majorwastegasmonitoringcompaniesarelocatedinthenorthernpartofthestudyarea,generallydistributedalongthesouthwest-northeastline.Theroadnetworkdensityhasthedistributioncharacteristicthatthenorthwestisgreaterthanthesoutheast.ThepercapitaGDPgenerallyshowsacharacteristicthatthesoutheastandnorthernbordersarelower,andhigherinthethecenterofgravity，alittlebittowardseastandwest.Theoverlayofenvironmentalfactorinterpolationmapsandpatientdistributionpointsrevealsthatthereisacertaincorrelationbetweenthetwo.(3)Withregardtothedegreeofspatialcorrelationbetweenenvironmentalfactorsandtheprevalenceofasthma,theannualaverageconcentrationofSO2hasstronglycorrelationwiththeprevalenceofasthma,andthereisasignificantimpactonIV 山东师范大学硕士学位论文thespatialdistributionofasthmaprevalence.Theannualaverageprecipitationhaslesscorrelationandhasnosignificanteffect.Andtheinfluenceofthecombinationofanytwoenvironmentalfactorsonthespatialdistributionofasthmaprevalencewillincrease.Intermsofthedirectionofenvironmentalfactors,NDVI,elevation,averageannualairpressure,distancefrompatientaddresstokeyexhaustgasmonitoringcompanies,andpatient-to-roaddistancewerenegativelycorrelatedwiththeprevalenceofasthma.Otherfactorswerepositivelycorrelated.Accordingtothespatialdistributioncharacteristicsofvariousfactors,thecorrelationofPM10averageannualconcentrationgraduallyincreasesfromthesouthwesttothenortheast,theaverageannualtemperatureandelevationareexactlyopposite.TheannualaverageconcentrationofSO2iscenteredonthenorthwesternpartanddescendssemi-circularlyeastwardsandnorthwards.Theaverageannualpressurecorrelationdecaysgraduallyfromnorthwesttosoutheast.PerCapitaGDPisgraduallydecreasingfromwesttoeast.Thepatient-to-roaddistancecoefficientshowsabidirectionalchangefromsouthwesttonortheastandfromeasttowest.(4)Modelpredictionsshowthattheareaofhighprevalenceofasthmaisstillconcentratedinthecentralandwesternregions,takeitastheheartwiththecenteroftheringdecreasingtowardstheperiphery.ShizhongDistrictandLichengDistrictoccupythelargestareainthehigh-lowvalueareasofasthmaprevalence.ThehighestriskofasthmaprevalenceisinErqiStreet.Basedonequalintervals,theprevalenceofasthmawasdividedintofiveriskcategories,andthenumberofstreetsbelongingtotheheavyriskareawasthehighest.NDVIisthemostcriticalfactorinpredictingtheprevalenceofstreetasthma.Thedistancefromthepatient'saddresstothekeyexhaustgasmonitoringcompanyandtheaverageannualtemperatureareimportanttopredicttheriskofasthma.Keywords:Prevalenceofasthma;Environmentalfactors;Spatialcorrelation;ModelsClassificationnumber:R188V 山东师范大学硕士学位论文1绪论1.1选题背景及意义1.1.1研究背景人类从事的生产生活活动都处在一定的自然与社会环境下，疾病的发生更是受周围环境的影响。环境中的某些成分或因素的变化会对人类健康产生一定的影响,区域与区域间的环境因素差别可能就包含导致疾病发生或流行传播的危险因素。依据世界卫生组织对各大类疾病和健康状况因环境造成的“疾病负担”的量化估计，全球所有疾病负担的24%和全部死亡的23%可归因于地理环境因素[1]。由此可见，地理环境作为影响人体健康状况及疾病发生的重要因素，深刻影响着人们的基本生活和生存状况。明确区域内与疾病发生密切相关的地理环境因子的研究具有一定的必要性及重要性。流行病学作为医学地理学重要研究方向，旨在研究环境因素和人体健康之间的相关关系和因果关系，揭示环境污染对人群健康潜在和长期危害。传统的流行病学研究方法与手段在空间数据的获取与分析方面存在相当大的难度，对疾病患病率分布信息的分析与统计计算也仅限于疾病的发生具有独立同分布的假设之上。但实际上，疾病患病率的分布还会受到其空间属性的影响与干扰，呈现一定的空间规律。对疾病空间信息的深入挖掘将有助于为疾病病因分析探讨提供更有价值的信息。地理信息系统技术的快速发展和空间分析方法的不断完善，促使二者在公共卫生和疾病健康领域的研究中的作用日益加强，应用越来越广泛，进而为环境因子与疾病关系的推断研究开辟了新的探索路径。但由于缺乏合适的空间数据采集、管理和统计分析工具，以及多维空间数据处理复杂，使得大范围、多因素的环境致病分析的细致研究仍存在困难。支气管哮喘(简称哮喘)作为严重危害人类健康的重要慢性呼吸疾病，其复杂的病理机制尚未完全被揭示清楚，为其预防及治愈带来巨大困难。世界卫生组织研究显示，全球约有2.35亿人患有哮喘疾病，2015年共有38.3万人因哮喘而死亡。近年来，哮喘患病率在世界范围内具有有明显增加趋势。美国哮喘发病率已由2001年的7.3%上升至2010年的8.4%[2]；日本一项针对20至81岁成人的调查数据显示，男性及女性哮喘患病率分别由2006年的5.7%和6.3%增至2011年的7.9%和7.5%[3]；中国儿科哮喘协作组针对城市0-14岁儿童哮喘患病情况调查发现，儿童哮喘患病率已从2000年的1.54%[4]增加至2010年的3.02%[5],10年间上升率高达96.1%，增长十分迅速。且我国每年哮喘的住院率、就诊次数、1 山东师范大学硕士学位论文死亡率也呈现增加趋势。哮喘患病率的增加在降低生命质量同时也增加了社会经济负担。哮喘病已成为严重威胁人类正常活动的危险因素,直接制约了人民生活质量的提高和身体健康状况的改善。1.1.2研究意义随着社会经济的发展及人民生活水平的不断提高，人们对疾病的认识理解逐渐加深，有关危害人类身体健康的风险因素分析受到人们的热切关注。地理环境因素作为影响疾病发生的关键因子也受到相关学者的研究重视，引发众多探讨。哮喘作为由多种因素共同作用引起的以慢性气道炎症为特征的异质性疾病[6]，是基因与环境共同作用的结果。然而，遗传变异的缓慢进展和近年来哮喘的持续高发说明哮喘患病率的快速上升趋势在极大程度上受地理环境转变影响。现阶段针对于哮喘危险因素的研究往往集中于单因素与哮喘患病率的关系研究，尚缺少有关多种地理环境因素共同或相互作用影响下哮喘患病率空间分布特征的研究。识别与哮喘患病率密切相关的地理环境因子，有助于进一步推动哮喘病病理机制研究，为有效预防和控制哮喘病的发生、相关卫生政策的制定及医疗资源配置提供客观依据。1.2国内外研究现状1.2.1环境因素对哮喘病的影响研究由于致使哮喘病发生的原因具有深刻的复杂性，针对其病因的研究始终是国内外广泛关注的课题。环境因素作为哮喘病发生的重要诱因，引发国内外专家的热烈讨论。其研究内容主要集中在环境中的致病过敏原对哮喘病影响以及环境因素变化引起的哮喘病预测响应。具体来说主要体现在以下几个方面：（1）室内空气污染物暴露影响分析吴金贵等人研究证实室内甲醛、苯、NO[7]2浓度水平与儿童哮喘发作存在联系。孙妍妍等人研究显示室内高浓度水平的PM[8]2.5含量是儿童哮喘风险增大的可能性因素。Breysse等人研究证明暴露于室内高水平浓度NO[9]2及O3的环境中会引起哮喘病的发作（2）花粉、霉菌影响分析王晓艳等人研究发现气传花粉浓度高峰期与过敏性哮喘就诊高峰期表现一致，在秋季尤为明显[10]。Susan等人通过分析过敏性哮喘的发病率对气候变化影响下的橡树花粉季节长度变化响应，综合阐述气候变化与花粉对哮喘急诊就诊率的影响[11]。宋国超等人及Oluwole等人的研究均认为高水平的霉菌浓度与儿童哮喘存在显著相关关系[12-13]。2 山东师范大学硕士学位论文（3）室外环境中的大气污染物浓度影响分析Winquist等人研究显示O3、CO，NO2，SO2和PM2.5浓度的增加与暖季小儿哮喘急诊科就诊的增加存在相关性[14]。Moghtaderi等人研究表明哮喘紧急入院在温暖季节与PM10，SO[15]2，CO和O3浓度水平相关，在寒冷季节与NO2浓度水平相关。Hyomi等人研究发现PM10和PM2.5浓度对哮喘住院率具有不利影响，且冬季的PM10、春季的PM2.5影响性更为突出[16]。（4）职业工作环境暴露影响分析Viegas等人研究发觉家禽场粉尘中含有较高浓度的PM颗粒物（PM5和PM10）增大了工人哮喘病患病风险[17]。Donatella等人研究显示职业暴露于气体、尘埃和烟雾的人群哮喘严重程度指标要高于其他受试者[18]。Hinson等人研究发现暴露于棉尘的受试者比未暴露受试者有更高的哮喘患病率[19]。（5）气象因素影响分析张春晖等人研究发现儿童哮喘急性发作住院人数与相对湿度、风速、平均气温及气压4项气象因素存在相关关系[20]。Kirthana等人研究表明温度，降雨量是导致哮喘病恶化的重要影响因素[21]。Jo等人研究认为温度的升高以及相对湿度的降低会导致哮喘病入院率的增加[22]。由于气象因素的变化同样会对室外环境中污染物的浓度造成影响，故常将二者进行结合，分析其对哮喘发作的共同影响。（6）环境因素变化引起的哮喘病预测响应王洁等人研究发现当昼夜温差超过一定阈值后，儿童哮喘门诊就诊人数会随温差的增加而增大[23]。César等人研究认为PM2.5浓度的升降会引起哮喘病住院人数及相对住院风险的变化[24]。Yao等人研究发现PM2.5浓度的短期升高会引起哮喘病总住院率，门诊人次和急诊人次的增加[25]。综合来看，由于儿童属哮喘病易感人群，因此国内外研究大多以其作为研究对象，针对成人研究较少。因不同国家和地区、不同时期的地理环境和经济发展程度不同，其哮喘病患病表现具有明显的地理差异性，研究结果不尽相同，研究重点也存在区别。目前，国内外有关室内污染物暴露对哮喘病的近时段研究较少，多集中于室外环境中各项空气污染物浓度暴露分析。且针对花粉颗粒、气象因素及与空气质量综合作用的影响研究均较为充分。相比于国外，国内有关霉菌的影响分析并不充分，有关职业性哮喘的研究尤为稀少，并未得到相应重视。且常用的分析方法主要为多元logical回归分析，双变量相关性分析，广义相加泊松模型及其扩展模型，设置对照组对比分析等形式。3 山东师范大学硕士学位论文1.2.2空间分析在疾病领域的研究应用在研究与疾病相关的问题时，因需重视数据时空特征，促使空间分析理论和技术广泛应用于疾病领域。随着具有强大空间分析功能的相关技术手段的不断发展，深入揭示疾病时空分布规律及形成机制成为可能。空间分析技术在疾病领域的具体应用主要体现在以下三个方面：(1)对疾病时空分布规律的认识环境要素在空间上的差异性导致疾病分布在空间上具有不同特点；在不同时期也会发生相应变化，对疾病的影响力度也不同；且疾病本身也有其发生、流行及消亡的时间演化规律。故常从时空间两个角度进行分析，综合反映其分布规律。胡碧松等人利用2002至2003年中国SARS病例数据,从感染个体和空间区域两个角度来探索北京市病毒感染扩展的输入与输出传播机制与流行病学时空分布特征[26]。Zhou等人采用精确回归模型及回顾性时空扫描方法探讨了2007年至2012年深圳女性乳腺癌发病率的时空聚类分布规律[27]。黄宁波等人应用GIS、RS技术及贝叶斯模型等方法，构建山区钉螺分布的时空模型，探索云南省洱源县山区钉螺在村级尺度上分布的时空异质性及分布规律[28]。(2)对疾病致病因素的分析疾病的发生通常被认为是特定的地理环境相互联系、相互影响的结果。地理环境因素的区域差异性及在相邻区域显现出的相似性，使得疾病在空间分布上既具有异质性又存在相关性。通过空间分析技术与方法，探索地理环境因子与疾病的相关关系，有助于分析理清疾病致病因素，指导疾病防控。Glass等人结合地理、高程、土地利用、土壤类型、植被类型与分布等人环境因素对马里兰州莱姆关节炎进行分析，明确了影响该病发生的环境致病因素[29]。王劲峰等人利用地理探测器研究了水文、地质和土壤对山西省和顺县神经管出生缺陷疾病的关系，发现地质断层对该疾病有重要影响[30]。肖雄等人对比OLS应用GWR模型探讨了影响四川省血吸虫病血检阳性率的环境因素，结果显示人口密度、降雨量和NDVI三个因素与其具有相关性[31]。通拉嘎等人综合高程、水文、土地利用、土壤、植被等因子,基于地理探测器模型分时段分析了地理环境因子对2009年湖北省钉螺分布的影响[32]。(3)对疾病的预防与控制监测在明确疾病时空分布规律和影响因素的基础上，可以通过空间分析对疾病发病情况进行预测，便于相关机构采取相应对策，合理配置医疗资源，进行疾病的防控。其具体应用4 山东师范大学硕士学位论文方法主要有以下四方面：①在已有发病数据的时空变化分析的基础上，利用空间统计分析手段，预测疾病发病数或发病率的时空发展趋势；②将发病率或发病数作为因变量，自然或社会经济等人可能致病地理环境因素作为自变量，构建回归模型，定量分析发病率或发病数与致病因素的关系；③根据高危人群或致病因素的空间分布特征，合理配置医疗资源，实现空间优化配置。④开发构建疾病监测预警系统，长期、连续、系统地观测疾病的动态分布状况及其影响因素变化，以便及时采取干预措施。Zhang等人利用细菌性痢疾病例数与气候资料建立SAREMA模型，分析了济南市细菌性痢疾的流行与气温、气压、降水之间的关系[33]。孙乐平等人通过建立监测预警点地标库和网络相册管理系统，实现相关信息网上实时查询表达[34]。刘少坤等人分别用泰森多边形方、最短路径分析等人空间分析方法对广州市天河区医疗资源的布局现状、空间可达性、公平性进行了研究[35]。宋泳泽等人基于安徽省2004至2010年数据，使用遗传规划方法建立函数关系，结合地理信息系统的空间分析功能，对疟疾进行空间分析预测[36]。1.3研究目标与内容1.3.1研究目标本文将济南市5个市辖区作为主要研究区域，以2009年哮喘病数据为例，把明确影响哮喘患病率的地理环境要素当作出发点，从空间角度对地理环境因子与哮喘患病率的关系进行风险探测分析。其目的主要是通过利用GIS技术及数理统计模型等方法，根据疾病特征，结合各项环境因子，将两者的空间分布规律直观有效地体现出来；定量探索判别哮喘患病率与各项环境因子间是否具有相关性；采用基于空间效应的回归模型，综合考虑数据空间属性影响，利用回归模型从街道尺度分析预测哮喘患病率高发区域，并对其进行等级分区；利用决策树模型分类预测影响哮喘患病率的关键节点因子及分值，为制定预防和控制哮喘病的长远或近期应对策略提供参考。1.3.2研究内容本文的研究工作主要包括以下几个方面的内容：(1)描述哮喘患病率在空间上的分布特征,对研究区哮喘患病率的空间自相关性、空间聚集性及热点区域进行分析，明确患病率较高的相对危险区域及聚集区域。表述参与分析的自然因素（气象、地形、植被覆盖度、空气污染物浓度）及社会经济因素（人口密度、病患地址到道路的距离、病患地址到重点废气监控企业的距离）空间分布特性，并对两者进行简单的叠加分析。5 山东师范大学硕士学位论文(2)定量分析研究区内哮喘患病率与环境因子关系。通过空间分析方法识别各项环境因子与哮喘患病率相关性大小及作用方向，明确与患病率关系最为紧密的环境要素。(3)分析哮喘患病率空间分布及变化情况的模拟预测结果，并明确哮喘患病率预测关键因子，绘制风险分布图，进行风险度分级。为其他区域或未来该地区的风险预测提供定量参考。1.4研究思路与技术路线(1)数据预处理搜集研究区范围内哮喘患病率与环境因子基本数据，对统计、监测、遥感图像等数据形式进行分类整理，提取相关有效信息，制作各类环境因子的空间分布插值图，并对病患数据进行平滑计算。(2)哮喘患病率与环境因子空间分布特征分析利用ArcGis将细化处理后的哮喘患病率统计数据进行可视化表达。通过Moran'sI及方向性分布计算，对患病率的空间自相关性及空间热点进行分析，明确空间聚集特征。通过环境因素插值图分析各项因子空间分布规律，并与病患分布点进行叠加，对两者的相关性进行简单分析。(3)哮喘患病率与环境因子空间相关性分析考虑到自变量和因变量的自相关性及空间异质性，借助地理探测器模型，对哮喘患病率及环境因子的面状数据进行定性测算，建立空间自回归模型及地理加权回归模型进行空间分析计算，明确环境因素与哮喘患病率空间相关性大小。(4)空间回归分析建模预测分级依据回归参数进行栅格计算，模拟预测患病风险，制作风险图对比不同模型预测结果并划分等级。建立决策树模型，探寻对哮喘患病率数值的划分具有关键作用的环境因子，及对预测哮喘患病率的影响。根据上述研究内容及思路，本文制定如下技术路线图：6 山东师范大学硕士学位论文图1-1技术路线图2研究区概况2.1研究区范围界定济南市作为济南都市圈核心城市，北连京津冀城市群，南接长三角城市群，东西连通山东半岛城市群与中原城市群，是环渤海经济区和京沪经济线的重要交汇点，具有显著的区位优势。全市共包含7个市辖区（市中区、历下区、天桥区、槐荫区、历城区、长清区和章丘区），以及3个县区（平阴县、济阳县和商河县），总占地面积约为8177.21平方7 山东师范大学硕士学位论文千米。本文选取济南市7个市辖区中的5个市辖区作为研究区域进行数据探索分析，5个市辖区分别为市中区、历下区、天桥区、槐荫区以及历城区，总占地面积约为2079.94平方公里。其中，市中区包含17个街道；历下区包含13个街道；天桥区包含15个街道；槐荫区包含14个街道；历城区包含17个街道。研究区地处济南市中南部地区，地理坐标范围为东经116°8’至117°37'，北纬36°09'至36°03'。东部毗邻章丘区、泰安市，西部临近德州市，南部接壤泰安市和长清区，北靠黄河、小清河，北部与济阳县相邻。图2-1研究区位置与范围8 山东师范大学硕士学位论文2.2自然地理概况2.2.1地形地貌受华北平原与泰山山脉交接影响，研究区范围内地势由南到北，由高到低，地形以平原丘陵为主，由南到北依次分为南部低山丘陵带及中部山前倾斜平原带和北部临黄冲积平原带三带。依据成因对区域地貌类型进行划分可分为构造剥蚀区、剥蚀堆积区和堆积平原区三类。研究区北部为海拔高度较低的的黄河冲积平原地带，地形平坦。小清河及黄河水系横跨其上，流经河流数量众多，河网密布。研究区南部山区部分坡度较大，海拔自344m至823m不等。连接平原与丘陵的山前平原海拔范围主要在30m至100m左右。2.2.2气象气候研究区地理位置优越，处中纬度地带，气候适宜，属暖温带大陆性季风气候。受太阳辐射、大气环流和地理位置、下垫面等因素的影响，其主要气候特征为春季干燥少雨，以西南风为主；夏季炎热多雨，秋季天高气爽，冬季寒冷干燥，以东北风为主。季节分明，冬冷夏热，季风性明显。研究区年均气温常年保持在14℃到15℃之间，受地形及地理位置影响，东西南北四个分区温度存在差别。主要表现为北部年平均气温略高于南部，大体相差2℃到2.5℃之间。西部年均气温略高于东部，相差1℃到1.5℃。5个市辖区夏季降雨量较为充沛，年平均降水量在700mm左右，受地域差异，南侧多于北侧，平原少于山区；全年无霜期平均为230天，具有山区区域少于平原地带，东部地区少于西部地区的空间分布特点。常年主导风向为西南风和东北风，年平均风速约为3m/s。2.2.3土壤植被研究区主要包含潮土、褐土、棕壤和砂姜黑土四种土壤类型，土壤质地整体较为瘠薄。自然植被类型主要为针阔混交林和常绿阔叶林，植被种类较丰富，植被覆盖率较低约为14.68%。截止至2016年底济南全市人均绿地面积约为11.81平方米/人，建成区绿化覆盖率约为40.12%。2.3社会经济概况2.3.1人口分布据统计，2009年研究区5个市区年末户籍总人口数为291.86万人，其中历下区55.07万人、市中区56.92万人、槐荫区37.8万人、天桥区50.11万人、历城区91.96万人。20169 山东师范大学硕士学位论文年研究区5个市辖区年末户籍总人口数为314.32万人，其中历下区62.74万人、市中区61.76万人、槐荫区41万人、天桥区51.66万人、历城区97.16万人。以此计算，2009-2016年历下区人口增幅最大，各区人口密度差大，历下区人口最稠密，在研究区中始终位列第一。历城区人口数量众多但面积广阔，人口密度最小。槐荫区人口密度相对较大，市中区与天桥区人口密度在5区中排名分列3、4位。除天桥区外其余市辖区人口密度均有所增加。表2-1研究区人口密度表市辖区历下区市中区槐荫区天桥区历城区研究区综合2009年人口密度（人/平方千米）545820332495201270814032016年人口密度（人/平方千米）621221982697199574715012.3.2经济发展研究区经济发展速度较快，发展水平较高，第二、三产业在产业结构中的比重呈上升趋势，第一产业比重则呈逐年下降态势。三次产业增加值的增长率均呈稳定上升趋势。电子信息产业、汽车制造业发展势头良好，现代服务业繁荣发展。2009年研究区地区生产总值达2183.35亿元，2016年研究区地区生产总值达4393.03亿元，实现平稳增长，第三产业占GDP比重最高。其中，历下区地区生产总值贡献度最大，人均GDP水平最高；相比之下，天桥区经济发展状况并不理想，水平较为落后。表2-2研究区各区经济发展指标市辖区历下区市中区槐荫区天桥区历城区高新区综合2009年586.69434.76206.63196.44536.17222.662183.35地区生产总值（亿元）2016年1186.27826.32433.03417.98798.33731.14393.032009年0.2690.1990.0950.090.2460.102各区比重1.002016年0.270.1880.0990.0950.1820.1662009年10.657.645.473.925.836.72人均GDP（万元）2016年18.9113.3810.568.098.22111.65注：表中地区生产总值数据来自《济南市统计年鉴》。3数据来源与处理3.1环境因子获取及处理与哮喘病存在联系的环境因素众多，虽未形成系统理论假说，但对环境因素与哮喘病10 山东师范大学硕士学位论文的关系探讨存在一定研究。以“哮喘与环境”、“哮喘与影响因素”、“哮喘病因”等为主题，于中国知网(CNKI)全文数据库收录的期刊和学位论文中检索，以数据的可操作性、空间性、全面性为原则，依据相关文献选取可能存在相关的15项环境因子参与论文研究。3.1.1自然因子获取及处理研究所用的气象资料共包含温度、相对湿度、气压、风速、降水量5项因素，分别从中国气象科学数据共享服务网(http://data.cma.cn/)获取2009年济南市6个常规气象监测站的地面气候年均值数据用于插值及检验。2009年大气污染物年均浓度数据主要由山东省环境监测站提供，包括15个环境监测站的PM10、SO2、NO2、O3、CO共5项污染物年度平均浓度值。提取研究区海拔高度时使用的2009年SRTMDEM数据及测算研究区2009年植被覆盖率时使用的NDVI指数图均来自中国地理空间数据云网站（http://www.gscloud.cn/）。其中SRTMD为插值修正数据，其空间分辨率为90m；12幅NDVI数据图来源于2009年MODND1M中国NDVI月最大值合成产品，空间分辨率为500M。采用合成计算获取研究区范围内NDVI年均值。图3-1研究区监测站点位置分布图11 山东师范大学硕士学位论文为明确研究区空气质量及气象空间分布特征表现，利用反距离权重法、样条函数法、普通克里金法选取不同半径分别对5项污染物的年度平均质量年均浓度值及5种气象因素进行插值模拟。为验证插值结果的精度，便于对比不同插值方法模拟效果，采用交叉检验进行精度验证。采用实测值和预测值之间的平均误差(ME)、均方根误差(RMSE)、相关系数(R)三个指标对气象因素及大气污染物的空间插值结果进行验证。其中，ME用以衡量全局反映预测值误差，RMSE反映插值模型的极值效应及反演灵敏度，二者值越接近于0，插值越精度，效果越好；R的值代表模拟值与实测值之间的符合程度，其绝对值越趋近于1，表明模拟值越接近于实测值。最终依据检验结果（见表3-1），采用反距离权重对5项污染物的年度平均质量年均浓度值及风速、气压、相对湿度、温度进行插值，利用样条函数法对年均降水量进行插值，获取共10幅污染物及气象空间插值图。最终采用分区统计计算76个街道的各类自然环境因子均值。因用于插值的气象站点数量较少；且站点分布位置会对临近区域造成影响，在一定程度上会模拟结果精准度产生干扰。表3-1差值图精度检验表MERMSERPM10-0.0000070.0000140.999999SO20.0035110.0184900.986192NO20.0057840.0059750.649408CO0.0702920.1371020.636254O30.0026510.0055770.578776年均风速-0.8983830.9090240.729918年均降水量5.9191944.3334160.928239年均相对湿度-0.9542674.397360-0.749621年均气温0.6350000.817473-0.449109年均气压7.0830009.6873480.9072363.1.2人文社会因子获取及处理研究区市中区、历下区、槐荫区、天桥区及历城区5个市辖区的面积通过《济南市统计年鉴》获取。道路交通数据来自OpenStreetMap(https://www.openstreetmap.org)的矢量路12 山东师范大学硕士学位论文网数据。采用中国科学院资源环境科学数据中心(http://www.resdc.cn)提供的中国公里网格人口空间分布数据集(2010，1km×1km)及中国公里网格GDP空间分布数据集(2010，1km×1km)提取街道和市辖区人口密度、GDP的均值数据。工业污染源数据采用省控及以上国家重点监控废气企业代替，从山东省环保厅网站获取其基本信息。利用Geosharp软件从Google地图上获取哮喘病病患点、废气监控企业点具体空间地理位置(经纬度)数据。将哮喘病病患点、废气监控企业点及路网数据统一投影到WGS1984、UTMzone50N坐标系下，通过邻域分析计算各病患数据点到城市道路及废气监控企业的最短距离作为影响因素参与分析。3.2病患数据获取及处理3.2.1病患数据获取研究分析采用的2009年哮喘病病患数据为齐鲁医院提供的抽样调查数据及济南市五家三甲医院（山东省立医院、山东大学齐鲁医院、山东省千佛山医院、山东省交通医院、山东省中心医院）就诊数据两项综合。其中，医院提供的病患就诊人数为169人，涵盖23个街道办事处；抽样调查对象共计8647人，皆为实际在本地居住6个月以上的所有常住居民，性别及年龄不作限制。数据包含病患家庭住址，家族病史，曾居地及现居地，吸烟习性等详细信息。主要通过横断面多级分层随机抽样的方法确定济南市市中区、历下区、槐荫区、天桥区及历城区的具体抽样地点，共包含56个街道。研究采用哮喘病患者数据去除哮喘病家族遗传病史及吸烟影响，不论发病及确诊时间，新旧病例，凡尚未痊愈者皆作为患病病例参与分析计算。抽样调查数据与病患就诊的地址信息转换为地理坐标，实现病患空间位置数字化处理。哮喘患病率标准化时采用的全国人口统计数据来自《中国人口和就业统计年鉴》。3.2.2病患数据处理为清晰准确体现研究区范围内居民的哮喘病患病状况，引用哮喘患病率作为衡量研究区范围内哮喘病分布情况的重要参数指标。计算2009年5个市辖区各区总体居民患有哮喘病的频数时，研究采用的患病率概念定义为现患病率，即在特定时间内一定人群中某病新旧病例数所占的比例，具体计算方式为调查时期内病患例数/参与调查研究的居民人数*100%。具体来说，调查开始节点前就已经发病，并持续到调查结束后；或调查开始节点后发病，但持续到结束后的病例都纳入哮喘患病率的计算，病患哮喘确诊时间对患病率的计算并无影响。13 山东师范大学硕士学位论文为消除不同区域之间病患数据内部构成不同对哮喘病患病总率的影响，使各区域的哮喘患病率具有可比性，对病患数据进行标准化处理。以全国人口统计数据作为统一标准，通过直接标准化的方法对5个市辖区的各年龄组及性别进行处理。具体公式如（1）：n(1)NiPiP'i1N式中，Ni代表标准组各分组的具体人口数，Pi代表被标准化各分组的哮喘患病率，N代表nNiPi标准组总人口数，i1代表依据标准组求得的哮喘病预期患病总人数，P’代表标准化哮喘患病率。为进一步分析各市辖区街道居民的哮喘病患病情况，使哮喘患病率具有具有一定空间属性，对传统的哮喘患病率的计算公式进行修改，将区域总人数替换为区域总面积，即哮喘患病率=调差查时期内病患例数/各街道面积，借此分析各区街道范围内哮喘病患病密集程度，以便相互比较。由于哮喘病患病属于小概率事件，且受随机效应及区域间人口、面积差异影响，导致哮喘患病率在不同的空间位置上的可靠性差异较大。因此，不能直接比较不同街道之间的患病率差别。故在分析哮喘患病率与环境因子空间相关性前，首先应该将患病率进行贝叶斯平滑处理，使区域调整到整体水平基本一致的状态下，随后进行空间相关性统计分析，以降低患病率数值在行政边界地区发生突变的可能性，增强区域间数据可比性及研究结果的可靠性。4特征分析4.1哮喘病病患特征分析4.1.1哮喘患病率统计特征依据2009年调查结果显示，研究区范围内哮喘病患病病例共计252例。其中，男性病例120例，占总数的47.6%；女性病例132例，占总数的52.4%；总体而言，女性患病例数高于男性。将年龄按照0-30岁、31-50岁、51-70岁、71-90岁对哮喘病患病病例进行分层，各年龄层所占比重依次约为7.94%、27.78%、46.03%、18.25%；哮喘病患病病例多集中在51-70岁的年龄层。就各区具体情况来看，历下区哮喘病患病病例为39例，其中男性17例，女性22例，0-30岁、31-50岁、51-70岁、71-90岁病例数分别为4例、17例、14例、4例；市中区哮喘病患病病例为51例，其中男性25例，女性26例，0-30岁、31-5014 山东师范大学硕士学位论文岁、51-70岁、71-90岁病例数分别为2例、10例、25例、14例；槐荫区哮喘病患病病例为53例，其中男性23例，女性30例，0-30岁、31-50岁、51-70岁、71-90岁病例数分别为4例、13例、27例、9例；天桥区哮喘病患病病例为51例，其中男性25例，女性26例，0-30岁、31-50岁、51-70岁、71-90岁病例数分别为5例、13例、26例、7例；历城区58例，其中男性30例，女性28例，0-30岁、31-50岁、51-70岁、71-90岁病例数分别为5例、17例、24例、12例。表4-1哮喘病患病病例统计特征病例数（例）男女0-30（岁）31-50（岁）51-70（岁）71-90（岁）历下区391722417144市中区5125262102514槐荫区532330413279天桥区512526513267历城区5830285172412合计252120132207011646通过对调查数据分析可知，研究区范围内哮喘病患病约为1.365%。其中，男性患病率约为1.147%，女性患病率约为1.578%，女性患病率略高于男性。按照具体年龄分组来看，0-30岁患病率约为0.472%，31-50岁患病率约为1.253%，51-70岁患病率约为2.085%，71-90岁患病率约为2.451%，中老年人口患病率较高。就各区具体情况而言，市中区患病率为1.511%，历下区患病率为1.89%，槐荫区患病率为1.347%，天桥区患病率为1.077%，历城区患病率为1.437%；按年龄组标准化的结果显示市中区标准化患病率为1.124%，历下区标准化患病率为1.787%，槐荫区标准化患病率为1.095%，天桥区标准化患病率为0.895%，历城区标准化患病率为1.268%；按性别标准化的结果显示市中区标准化患病率为1.495%，历下区标准化患病率为1.878%，槐荫区标准化患病率为1.336%，天桥区标准化患病率为1.075%，历城区标准化患病率为1.432%。综合两种标准化结果显示历下区患病率略高于其他四区，天桥区相对患病率最低。对2009年病患就诊数据进行分析可知，一年之中9月份哮喘病发病人数最多，日均发病人数约为0.67；2月份最少，日均发病人数约为0.21。秋季（9-11月）哮喘病发病人数最多，为50人；冬季（12-2月）哮喘病发病人数最少，为31人；春季(3-5月）及夏季15 山东师范大学硕士学位论文(6-8月）哮喘病发病人数分别为40人、48人。将年龄按照0-30岁、31-50岁、51-70岁、71-90岁对哮喘病发病人数进行分层，各年龄层在春季所占比重依次约为0%、35%、45%、25%；在夏季所占比重依次约为4.17%、33.33%、37.5%、25%；在秋季所占比重依次约为8%、22%、36%、34%；在冬季所占比重依次约为9.68%、12.9%、58.06%、19.35%。51-70岁人群在全年均为为哮喘病高发病人群，0-30岁及51-70岁人群发病人数比重在冬季最高。4.1.2哮喘患病率空间分布特征经贝叶斯平滑处理后研究区2009年街道哮喘患病率空间分布数据中的部分极端值得到了调整，使其更接近于邻近区域平均值，减少极端变异数据，突显数据的空间聚集特征。依据图4-1可以看出研究区西南部、西北部及东部部分街道哮喘患病率较低，研究区几何中心偏西部为哮喘患病率高发地区。患病率空间分布大体表现为中心高、四周低，以中偏西南为圆心，向外呈同心圆递减的规律特征。其中，历下区智远街道，市中区十六里河街道、陡沟街道，历城区仲宫镇、柳埠镇、西营镇哮喘患病率最低；槐荫区振兴街道最高。对研究区哮喘患病率进行聚类，大体可划5个等级：患病率≦0.02%的相对安全区，共包含14个街道；0.03%≦患病率≦0.09%的低风险区，共计14个街道；0.1%≦患病率≦0.95%的中风险区，共涵盖18个街道；1.02%≦患病率≦1.8%的高风险区，共包括19个街道；2.26%≦患病率≦7.5%的极端风险区，共囊括18个街道。图4-1研究区2009年贝叶斯平滑后哮喘患病率空间分布图16 山东师范大学硕士学位论文为分析判定相邻地区哮喘患病率是否存在关联性及关联程度大小，从街道空间尺度上对研究区整个区域的空间自相关性进行剖析，以揭示哮喘患病率的空间分布形态特征。本文应用Geoda软件对研究区进行空间自相关分析，采用相邻要素关系（k=8）构造空间权重矩阵，对研究区全局空间自相关及局部空间自相关进行分析。计算研究区空间联系的全局及局部指标，并进行空间自相关显著性的检验[37-39]，计算Z值。统计量的显著性检验主要通过比较Z的P值与显著性水平α的关系来判定，当P<α时研究对象间存在空间自相关。基于GlobalMoran’sI统计量分析显示，研究区全局Moran’sI为0.30291，Z得分为6.954254>+2.58，呈显著正相关性(p>0.01)。表明研究区内的邻近街道间哮喘病空间患病率相似，其空间分布模式具有显著聚集性，临近街道间的哮喘病空间患病率存在关联。由于全局空间自相关评估存在忽略小范围局部不稳定性及反常状况的可能性，需通过局部空间自相关进行补充[40]。为进一步明确研究区内单个街道的局部邻域哮喘病空间患病率的空间分布模式，识别高值或低值的空间聚集趋势，借助LISA图进一步对研究区进行分析，以弥补全局空间自相关分析的疏漏。（a）研究区街道哮喘患病率LISA图（b）局部空间自相关显著性检验空间分布图图4-2研究区街道哮喘患病率局部空间自相关结果对图像4-2（a）分析可得出以下结论：（1）同为高值区所包围的哮喘病空间患病率高度集聚，位于研究区中偏西部，呈块状分布。需对该区域进行重点监测调查，完善医疗资源配置，改善居民健康状况。高高聚集区主要包括市中区及槐荫区2个市辖区，共12个街道范围。其中市中区主要分布在六里山街道、四里村街道、二七街道处、七里山街道处、泺源街道5处，槐荫区主要分布在振兴街道、中大槐树街道、道德街街道、西市场街道、五里沟街道、青年公园街道、南辛庄街道7处，共占研究区街道范围约15.58%的比例。（2）同为低值区所包围的哮喘病空间患病率可分为2个分区，分别位于研究区西北17 山东师范大学硕士学位论文部及整个东部边缘地区，呈条带状分布。低低聚集区主要包括历城区、槐荫区及天桥区3个市辖区，共14个街道范围。其中历城区主要分布在孙村街道、巨野河街道、柳埠镇、郭店镇、董家镇、唐王镇、遥墙镇、华山镇、西营镇、彩石镇10处，槐荫区主要分布在美里湖街道、吴家堡镇、段店镇3处，天桥区仅包含桑梓店镇1处，共占研究区街道范围约18.18%的比例。（3）低值区域被高值区域所包围的地区较分散，总体可分为2个区域，主要包括市中区及槐荫区2个市辖区，共5个街道范围。其中市中区主要分布在舜耕街道、白马山街道、七贤街道办事处3处，槐荫区主要分布在营市街街道、段店北路街道2处，共占研究区街道范围约6.49%的比例。其余地区并未有显著聚集特征。依据图像4-2（b）局部空间相关区域显著性检验分布图可知，通过0.01显著性水平检验的街道共18个，占研究区街道范围约23.38%的比例；通过0.05显著性水平检验的街道共13个，占研究区街道范围约16.88%的比例。对2009年调查范围期间收集到的所有哮喘病患病病例进行空间热点探测，统计其空间热点区域的范围和面积，定量分析哮喘病患病病例重点分布区。从而辅助相关医疗卫生保障策略及措施的调整与确定，明确疾病重点监测调查范围，有助于分析发现可能导致区域哮喘患病率高发的环境致病因素。图4-3研究区哮喘病患病病例方向分布图通过图4-3可看出病患数据点聚集区主要分布在研究区中偏西部，病例分布数量显著异于其他区域，数量异常，具有明显的空间聚类特征。因作为天桥区、历下区、槐荫区及18 山东师范大学硕士学位论文市中区4区交界地带，受4区空间交叉重叠影响较大，病患点分布集中。从研究区整体范围来看，病患点聚集区呈椭圆状且扁平程度较大，哮喘病患病病例分布集中，影响面积较大，约为200km2，略微呈现东北-西南方向相关，病患分布中心位于千佛山街道范围内。从各市具体病患点分布状况来分析：历下区病患点聚集区主要分布在其西北部，方向分布椭圆面积约为21km2，呈东西方向相关，病患点分布中心位于文化东路街道范围内；市中区病患点聚集区主要分布在其东北部，方向分布椭圆面积约为27km2，呈东北-西南方向相关，病患点分布中心位于七里山街道范围内；槐荫区病患点聚集区主要分布在其东南部，方向分布椭圆面积约为20km2，呈西北-东南方向相关，病患点分布中心位于南辛庄街道范围内；天桥区病患点聚集区主要分布在其东南部，方向分布椭圆形态略接近于圆形，方向相关性不明显，面积约为70km2，病患点分布中心位于官扎营街道范围内；历城区病患点聚集区主要分布在其西北部，方向分布椭圆面积约为363km2，呈东北-西南方向相关，病患点分布中心位于智远街道范围内。详细内容见表4-2。表4-2哮喘病病患方向分布属性2范围中心位置X轴长度（km）Y轴长度（km）角度（°）面积（km）历下区117.0536.660.040.0291.5820.74历城区117.1336.700.080.1478.27362.56天桥区116.9836.690.040.0582.8469.87市中区116.9936.630.020.0467.0327.14槐荫区116.9636.660.040.02114.8219.725市辖区综合117.0236.670.050.1278.89199.994.2环境因子特征分析由于哮喘患病率数据并不具有年内时间变化特性，因此，与之进行空间相关分析时采用的环境因子数据均为年均数据。论文基于该数据对2009年环境因子的空间分布特性进行分析，并与病患空间分布点进行叠加，简略直观地分析二者是否存在关联。4.2.1自然因子空间分布特征依据污染物年均浓度插值图4-4可看出研究区污染物空间分布状态整体并不一致。①CO、NO2、SO2三项污染物年均浓度均呈现西北高东南低的分布特征，但三者的重污染中心并不相同：CO高污染地区主要分布在研究区中偏西部，NO2高污染地区主要分布在研19 山东师范大学硕士学位论文究区中偏西北部，研究区的西北部的绝大部分均属于SO2高污染地区。且具体到街道空间尺度时三项污染物年均浓度特征也存在区别，如港沟镇与彩石镇南部CO年均浓度较高而NO2年均浓度相对较低，港沟镇北部SO2相对较低。其中，CO年均浓度最高地区为槐荫区南辛庄街道，NO2年均浓度最高地区为天桥区天桥东街道，SO2年均浓度最高地区为历城区山大路街道。②研究区PM10年均浓度呈现对称分布，北部污染程度整体高于南部，重污染区域主要位于研究区中偏北部。其中，历城区王舍人镇PM10年均浓度最低。③PM10、CO、NO2、SO24项污染物年均浓度最低地区皆为市中区兴隆街道，较高地区均位于山前平原，这可能与研究区人口分布规律及主导风向有一定的相关性。PM10、CO、NO2重污染区域主要分布在历下区龙洞街道与历城区港沟镇南部交界处的附近区域。④O3年均浓度空间分布特征与其他4项污染物相比较为独特，呈东南高西北低的分布规律，其年均浓度最高地区为历城区港沟镇，最低为天桥区天桥东街道。⑤将污染物年均浓度插值图与病患空间分布点进行叠加可发现，就整体而言PM10、CO、NO2、SO2污染物年均浓度较高地区哮喘病患分布较为集中。(a)CO年均浓度插值图20 山东师范大学硕士学位论文(b)NO2年均浓度插值图(c)PM10年均浓度插值图21 山东师范大学硕士学位论文(d)O3年均浓度插值图(e)SO2年均浓度插值图图4-4污染物年均浓度插值图近几年研究区导致大气污染物产生的污染源已经发生了巨大的变化，如企业布局、产业结构、车流量等因素等均发生改变，但对比2016年研究区相同监测站污染物插值图发现大气污染物整体空间分布规律并未发生较大变化，污染物具体浓度数值存在差别。论文22 山东师范大学硕士学位论文所得出的大气污染物年均空间分布特征较为符合实际状况。依据气象因素插值图4-5可看出研究区多种气象因素空间分布状态并不相同。①研究区年均降水量分布特征主要表现为自西南向东北逐渐减少的态势，东部降水多于西部，且北部城区相对于南部山区降水量较大，这主要与城区空气中凝结核含量较高，城市“雨岛效应”突出有关。年均降水量最大地区为天桥区桑梓店镇，最小为历城区唐王镇。②研究区的年均气压由南向北逐渐递增，城区气压大于南部山区。研究区南部及北部气压等值线分别向东北与西北两个方向突起。年均气压最高地区为槐荫区吴家堡镇，最低地区为市中区十六里河街道。③在风速方面，南部山区地区年均风速较大，自西南向北逐渐降低，大体呈现左右对称分布。年均风速最大与最小的街道皆属于历城区，分别为遥墙镇和柳埠镇。④研究区年均相对湿度呈现以西南部为中心向外逐层递增的变化趋势，整体以西北-东南方向为轴对称分布，且研究区范围外的西北部及东北部存在高气压及高相对湿度中心。年均相对湿度最高地区为历城区遥墙镇，最低值位于市中区十六里河街道。⑤研究区年均温度分布特征与相对湿度恰好相反，呈现西南部为中心向外逐层递减的变化趋势，以东北-西南方向为轴对称分布，研究区范围外的东北部存在低温中心。年均温度最高地区为市中区十六里河街道，最低为历城区遥墙镇。⑥将气象因素插值图与病患空间分布点叠加可发现，病患广泛分布地区年均风速较大，年均温度较高，年均气压较高，年均降水量，年均相对湿度较小。(a)年均降水量插值图23 山东师范大学硕士学位论文(b)年均气压插值图(c)年均风速插值图24 山东师范大学硕士学位论文(d)年均相对湿度插值图(e)年均温度插值图图4-5气象因素插值图25 山东师范大学硕士学位论文(a)DEM插值图(b)NDVI分布图图4-6DEM插值与NDVI分布图依据图4-6可看出研究区地势东南高西北低，其中历城区唐王镇平均海拔最低，同区的西营镇最高。5个市辖区的西北部、东北部及东南部植被覆盖度较好，其中西北部、东北部主要为农业植被而东南部主要为森林与灌木。研究区几何中心的西北部地区NDVI较低，绿化程度以其为中心呈同心圆状向外逐层递增，其中历下区东关街道NDVI值最低，历城区董家镇最高。将两幅插值图与病患空间分布点叠加可发现，病患分布较为聚集地区为南部丘陵前平原地带，地势平缓且植被覆盖程度相对较低。26 山东师范大学硕士学位论文4.2.2人文社会因子空间分布特征依据图4-7可知研究区范围内30个重点废气监控企业大体分布在西南-东北方向的一条直线上，多位于5个市辖区的北部区域。且研究区路网密度也呈现西北地区大于东南地区的特征，5个市辖区几何中心的西南部为路网最为稠密地区。两者的分布规律与地形存在极大的关联，平原地形利于建厂且修建道路难度较低，企业与道路多分布在该处。大观园街道的病患地址到重点废气监控企业的平均距离最小，而病患地址到废气重点监测企业的平均距离较近的为宝华街道。将废气监控企业与道路分布图与病患空间位置点叠加可看出，病患分布密集地区病患地址到废气重点监测企业的距离较近，在哮喘病患集中分布的天桥区、历下区、槐荫区及市中区4区交界地带的污染企业分布密度及路网密度均处较大水平。历城区北部污染企业及道路数量虽多但由于人口密度较低，哮喘病空间患病率较低。而病患地址到道路的距离与病患分布聚集地区关系并不明显。(a)重点废气监控企业与道路分布图27 山东师范大学硕士学位论文(b)人均GDP分布图图4-7人文社会因子空间分布图研究区人均GDP大体呈现东南部及北部边界低，中偏东部、西部较高的空间分布规律，其中槐荫区振兴街道人均GDP最高约为1.74万元/万人，而历城区的仲宫镇及西营镇最低约为0.03万元/万人。将人均GDP分布图与病患空间位置点叠加可看出，哮喘病空间患病率与当地经济状况较为一致，人均GDP发展水平较高地区哮喘病空间患病率较高。5环境因子与哮喘患病率相关性空间统计分析为明确环境因子与哮喘患病率相关密切程度，本文借助地理探测器模型、空间自回归模型及地理加权回归模型3种空间统计方法，采用分层贝叶斯模型调整的哮喘患病率数据及各街道范围内环境因子平均数据分析，探寻研究区环境因子与哮喘患病率相关关系。本文采用的这3种分析方法均能有效提取数据的空间属性信息进行分析，明确各项环境因子与哮喘患病率的空间相关性大小。且由于3种方法分析角度不同，得出的结果能相互补充完善，有助于充分了解环境因子与哮喘患病率空间相关性关系。其中，地理探测分析可揭示不同环境因子对哮喘患病率的空间分布规律是否存在显著性差异影响并分析环境因子间的交互作用；空间自回归分析及地理加权回归分析均可分辨环境因子与哮喘患病率影响度及作用方向；后者还可进一步分析环境因素影响力空间变化规律。28 山东师范大学硕士学位论文5.1空间统计方法介绍5.1.1地理探测分析主要借助王劲峰等人在2010年提出的地理探测器模型，对数据空间分层异质性进行统计分析。与Pearson、Spearman、Kendall等相关分析方式相比，地理探测器模型能综合考虑环境要素和患病率空间分布的同一性与差异性，处理可观测统计数据或类别离散型数据两种形式的数据[41]，可更好地从对环境因素与哮喘患病率进行定量评估，揭示以街道为空间尺度的环境因素与哮喘患病率的相关度。该方法主要依靠空间方差分析定量描述环境要素与哮喘患病率之间的相关关系。本文主要利用模型中的因子探测分析、生态探测分析和交互作用分析3种方法进行计算[42]。用于判别影响环境要素与哮喘患病率是否具有相关性、计算两者相关性大小以及判定影响因素间是否具有交互影响。其主要处理方式为将哮喘患病率分布层与环境要素图层进行空间叠加，计算不同的环境要素影响下的某街道范围内哮喘患病率的均值和方差。通过Student'st（公式（2））及非中心F分布（公式（3））统计量来对比2项不同环境因子对哮喘患病率的空间分布规律是否存在显著性差异影响。y1-y2（2）TVar y1n1Var y2n22N1N2-1N1（3）F2N2N1-1N2式中，y代表某街道哮喘患病率；n代表街道内病患个数；Var代表方差；N代表因子个数；ΣNσ2代表方差和。此外，还可通过公式（4）计算出各街道哮喘患病率或环境因子在总区域变异度比重，以及某种影响因素与哮喘患病率的相关性大小。当某环境要素相关度为1时，代表该环境因子与哮喘患病率存在极大相关性；当某环境要素相关度为0时，则可以认为该因素与哮喘患病率无关。环境要素相关度数值越大，与哮喘患病率的相关性越高[43-44]。NzVarz（4）C1-NVar式中，C代表环境因子与哮喘患病率相关度；NZ代表某项环境因子样本数；Var代表方差。并且通过计算单因子分别作用下的相关度值与双因子共同作用下的相关度值，比较分29 山东师范大学硕士学位论文析两种状况下数值差异，可推导判断出两项环境因子交互关系。5.1.2空间自回归分析空间自回归模型在分析数据中的空间差异性、空间相关性及数据间溢出效应等方面具有独特优势，它主要包括空间滞后模型（SLM）和空间误差模型（SEM）两个基本模型[45]。出于空间单元间的空间关联性的考虑，引入了空间滞后因变量和空间滞后误差项。为判定哪种空间自回归模型更适合对数据进行分析，一般使用拉格朗日乘数检验法进行空间相关性检验，计算空间滞后模型的LM-Lag统计量和空间误差模型的LM-Error统计量。模型选择的判断准则可分为3种状况：在空间相关性检验中，LM-Lag与LM-Error哪个具有统计学意义，则选择相应的空间自回归模型；两者均不显著，则选择不考虑数据空间相关性的普通最小二乘法计算[46]；两者均具有统计学意义时，继续进行Robust形式检验，选择具有统计学意义的模型。两种空间自回归模型相比，空间滞后模型假定因变量除与本身自变量有关外，又依赖于相邻区域因变量，考虑了因变量间的空间相关性。空间滞后模型通常被认为是空间交互过程平衡结果的正规表达，某个单元因变量的观测值由临近单元的值决定[47]。而空间误差模型则假定因变量的值依赖于其自变量的观测值及误差项，且误差项在空间上具有相关性，借助非对角的协方差矩阵展现空间形式。LM-Lag模型yWyX（5）LM-Error模型yx（6）式中，ρ代表空间回归系数；W代表空间权值矩阵；WY代表空间滞后被解释变量；X代表外生解释变量矩阵；β代表参数向量；ε代表随机误差项。5.1.3地理加权回归分析地理加权回归模型（GWR）是空间变系数回归模型的一种，是一个局部回归统计量。其主要原理为基于局部光滑思想，考虑地理要素分布的局部异质性特点，将数据的空间位置代入到回归参数中，模型参数将随回归点空间位置变动而变化，揭示自变量对因变量的相关程度，并通过局部加权最小二乘法进行逐点估计，得到因变量回归值。即在估算区域某点处的回归参数时，将利用邻近区域观测值的子样本信息进行局部回归[48-50]。模型采用的空间权重为回归点所在地理空间位置到其他各观测点的地理空间位置间的距离函数[51]。t（7）yi0 ui vik ui vixikik130 山东师范大学硕士学位论文式中，（u0kui viivi）代表第i个采样点的经纬度坐标；代表回归常数；代表第i个采样点上的第k个回归系数；t代表参数个数；ε代表随机误差。常用的普通线性回归模型主要用于展现研究范围内的整体规律。而地理加权回归模型考虑到非平稳性，即变量因空间位置的变化而引起的彼此间关系或结构的改变的特性[67]，赋予回归参数地理位置属性，进一步突出观测点所在空间位置周围临近地区作用，注重数据局部空间异质性表现。可通过绘制图表的形式清晰定量的展现自变量与因变量的相关性大小及变量的空间分布特点。5.2分析模型建立与评价为辨别人文社会因子与哮喘患病率相关性是否受自然因子影响，需对人文社会因子与自然因子进行相关性分析。由于大部分数据并不符合正态分布规律，采用Spearman秩相关分析进行评价。依据表5-1显示，人均GDP与多项自然因素显著相关，病患地址到重点废气监控企业的距离仅与O3年均浓度相关，病患地址到道路距离则与各项自然因子无相关性。为控制自然因素对2项人文社会因素与哮喘患病率相关性的影响，采用偏相关分析进一步验证。依据计算结果显示，人均GDP偏关系数为0.415（P=0.001），病患地址到重点废气监控企业的距离偏关系数为-0.338（P=0.04），二者均与哮喘患病率存在相关性，可进行后续分析建模。表5-1人文社会因子与自然因子秩相关系数ND相对PM10SO2NO2O3CO高程风速温度气压降水VI湿度BDD-0.05-0.15-0.120.24*-0.160.220.08-0.050.02-0.050.01-0.12BDL-0.090.02-0.050.130.070.040.120.06-0.130.12-0.130.04人均0.210.49**0.30**-0.47**0.59**-0.51**-0.180.12-0.25*0.28*-0.220.34**GDP注：表中BDD代表病患地址到重点废气监控企业的距离，BDL代表病患地址到道路距离，**代表相关性在P=0.01水平上显著，*代表相关性在P=0.05水平上显著。5.2.1空间自回归模型建立与评价在模型建立前需对哮喘患病率及参与分析的环境因子进行空间自相关分析计算，判断其是否存在空间依赖性。哮喘患病率在4.1.2章中已进行分析，这里不再赘述。通过计算可知15项环境因子均存在空间依赖性可进行空间回归建模。表5-2列出了90%置信水平下各项环境因子的Moran’sI值。31 山东师范大学硕士学位论文表5-2环境因子Moran’sI值ND人均相对PM10SO2NO2O3CO高程BDDBDL风速温度气压降水VIGDP湿度Moran0.730.820.840.880.760.770.740.080.070.460.760.790.820.790.76’sIz11.8711.5812.4613.2811.6412.579.981.681.667.3413.1612.6711.7211.0613.75注：表中BDD代表病患地址到重点废气监控企业的距离，BDL代表病患地址到道路距离。为从整体上研究各项环境因子对哮喘患病率的贡献大小，需对数据进行多元线性回归分析，由于参与分析的变量具有空间属性，故建立基于最大似然估计的空间滞后模型、空间误差模型进行探析模拟。数据普通最小二乘回归（OLS）结果显示标准形式的LM－Lag和LM-Error均通过显著检验，其值分别为14.39和7.35。且统计量的Robust形式均具有统计学意义（P<0.0001），其值分别为12.76和5.71。二者相比，LM－Lag模型比LM-Error更为显著。为进一步对比模型结果，分别将数据变量代入空间滞后模型和空间误差模型，比较模型的R2、最大似然对数值（Loglikelihood）、赤池信息量准则值（Akaikeinfocriterion，AIC）、施瓦茨准则值（Schwarzcriterion，SC），明确较优模型。表5-3模型结果比较OLSLM－LagLM-ErrorR-squared0.487690.6220690.590838Loglikelihood-116.71-109.106-111.4792Akaikeinfocriterion265.42252.211254.958Schwarzcriterion302.921292.056292.459其中，0≦R2≦1,值越接近于1，方程拟合度越优；Loglikelihood值一般取负值，绝对值越小表示残差平方和越小，参数拟合效果越好；AIC及SC信息标准方向为正，其值越低，模型契合度越高。依据表5-3可知，利用LM－Lag模型分析环境因子对哮喘患病率的解释力大小结果更为精确。对模型的可信度进行检验分析的结果显示，采用的LM－Lag模型决定系数值为0.622069，说明参与建模的环境因子通过回归方程能在62%的程度下对哮喘患病率的发生进行解释，模型的拟合度较好。依据误差分布Jarque-Bera检验显示，其P值<0.0001的显著水平下，统计量值为42.77，超过自由度为2时的卡方临界值。即在给定显著水平α=0.01下，Χ2(2)=9.210，误差呈非正态分布特征。且误差的空间自相关分析指标Moran'sI值为32 山东师范大学硕士学位论文5.334，标准化Z值为3.1，大于99%置信区间下的检验域值2.58，表明通过0.01显著水平下的自相关检验，进一步验证构建的普通线性回归模型误差不符合正态分布。用于探测模型的异方差性Breusch-Pagan检验值显示，df为15，其具体统计值为64.8124，P值<0.01，随机误差项具有不同的方差，得到的模型参数估计量并不准确，存在一定的偏差。5.2.2地理加权回归模型建立与评价为保障地理加权回归模型分析计算后得出的回归参数估计值的精确性和稳定性，降低因素彼此间的干预影响，首先对不同的环境因素进行多重共线性检验。本文采用的检验指标主要为方差膨胀因子VIF、条件指数、特征根3项。依据计算结果可知多个维度的特征值接近于0，维度7至16的条件指数均大于30，SO2年均浓度、NO2年均浓度、O3年均浓度、风速、相对湿度、温度、气压、降水的方差膨胀因子均大于10，其中相对湿度与气压的VIF值超过100，存在较严重的多重共线性。这主要是因为各环境因子之间存在一定相关性，这种相关性可能会对哮喘患病率与环境因子空间相关性产生干扰，影响模型运行。由于相关环境因子间的多重共线性较强，自变量所提供的信息是重叠量较大，为保证模型精准度，需对自变量进行删减，本文主要通过向后逐步回归分析提取参与建模的环境因素。将部分环境因素剔除后保留了PM10年均浓度、SO2年均浓度、年均温度、年均气压、高程、病患地址到道路距离、人均GDP。这7项环境因子的方差膨胀因子值均低于7，无明显共线性，模型稳定性有所提升。由于哮喘患病率受环境要素的影响是随空间距离的大小而变换的，故权重函数的选择对其具有至关重要的影响。GWR模型常用空间权重函数为Gauss函数与bi-square函数两种。考虑到两种函数带宽在是否具有阈值作用方面的差别，基于Gauss函数建立权重。这种权重基本原理为，病患地址分布点的位置对研究区内各街道中心点的哮喘患病率的影响会随着距离增大呈以自然常数e为底的指数曲线减小。当距离增大到一定数值时，权重接近于0，表明远处病患点对当前街道哮喘患病率的影响微乎其微。且空间权重随距离增加而衰减的变化幅度速率可通过改变Gauss函数的带宽进行调节。因在保证样本观测点对回归点具有足够影响的前提下，无法确定调整型空间核的近邻接数量，最终选取固定型空间核确定带宽，创建更为平滑的核表面。通过AICc法计算模型最优的带宽，以确保模型能够具有较高的拟合度，最终模型带宽确定为24086.533米。对模型进行诊断分析可知，去除共线性因素后，模型调整后的R2由原有的0.565升至0.584，AICc由278.48降至262.23，交叉验证值CV由1.8降至1.7，但剩余平方和由94.286升至103.84，Log-likelihood由234.11升至241.54。综合来看模型的精确度有所上升，拟33 山东师范大学硕士学位论文合度得以提高。但除去的影响因素仍带有部分信息，使得模型仅能解释哮喘患病率的58.4%的信息量。5.3空间相关性结果分析5.3.1地理探测结果分析依据研究区因子探测分析结果，各项环境因子对哮喘患病率相关程度的相对大小排列如下：SO2年均浓度(0.953)>年均温度(0.947)>病患地址到重点废气监控企业的距离(0.945)>年均气压(0.923)>PM10年均浓度(0.912)>相对湿度(0.892)>NO2年均浓度(0.862)>O3年均浓度(0.827)年均风速(0.812)>人均GDP(0.788)>高程(0.734)>病患地址到道路距离(0.661)>CO年均浓度(0.638)>NDVI(0.553)>年均降水量>(0.458)。由此可看出，SO2年均浓度相关度最大，是影响哮喘患病率的空间分布特征的主导因素；而降水量在15项环境因子中的相关度数值最低，对哮喘患病率的空间分布特征影响较小。自然环境因子中温度、气压、相对湿度、风速4项气象要素，SO2、PM10两项空气污染物年均浓度与海拔高度，以及人文社会因子中的距污染源距离与人均GDP两项因子与哮喘患病率的相关程度均处较大水平，联系较为密切。其余环境因子与这几项要素相比相关性较低。生态探测分析结果显示与其他环境因子相比降水量与哮喘患病率的空间分布差异性不显著相关，而SO2年均浓度关系密切。对比各项环境因子彼此间对患病率空间分布的相关性显著程度可知，SO2年均浓度、病患地址到重点废气监控企业的距离、温度、PM10年均浓度、气压、NO2年均浓度的相对显著程度依次降低且影响度较大，而CO年均浓度、病患地址到重点废气监控企业的距离及降水量影响程度较小。此外，风速与高程彼此间对哮喘患病率分布影响并无显著差异。综合因子探测器和生态探测器的结果，我们可以发现SO2年均浓度与哮喘患病率的相关度较大，而年均降水量最小。交互作用探测分析用来检验两种影响哮喘患病率的环境因子是独立起作用的还是相互作用的，如果是相互作用，对患病率影响是增强了还是减弱了。计算的结果表明任何两种环境因子对哮喘患病率空间分布的交互作用都得以增强，皆大于单一因子的独自作用，呈双线性协同关系。换言之，双因子交互作用下的影响力大于两个单因子影响力的最大值。即使是单独影响力最低的降水量在与其它环境因子的结合作用下其影响力也得到极大的提高。由此可见，各环境因子间交互作用对哮喘患病率的影响较为突出。5.3.2空间自回归结果分析根据LM－Lag模型模拟的回归参数可以建立环境因子对哮喘患病率的空间自回归模34 山东师范大学硕士学位论文型方程，且模型回归结果中的线性参数值大小表示15项环境因子的影响程度。具体的LM－Lag模型可表示为哮喘患病率=0.010742×[PM10年均浓度]+0.011129×[SO2年均浓度]+0.038105×[NO2年均浓度]+0.02241×[O3年均浓度]+0.6106551×[CO年均浓度]-3.055241×[NDVI]-0.005852×[高程]-0.023387×[病患地址到重点废气监控企业的距离]-0.008859[病患地址到道路距离]+1.473497×[人均GDP]+1.539013×[年均风速]-3.140343×[年均相对湿度]+5.935598×[年均温度]+3.906049×[年均气压]+0.000523×[年均降水量]+1043.799由模型的回归参数可知，研究区自然因子中的NDVI、高程、年均相对湿度与人文社会环境因子中的病患地址到重点废气监控企业的距离、病患地址到道路距离同哮喘患病率呈负相关；其中，年均相对湿度对哮喘患病率贡献程度最大，NDVI紧随其后位居第二位，代表两者影响程度的系数值均大于3；而高程与病患地址到道路距离的影响度值均小于0.01，且高程在所有负相关因素中与患病率的关联性最低，系数小于0.006；相比之下，病患地址到重点废气监控企业的距离与哮喘患病率影响程度约处中等水平。呈现这种规律的原因可能是因为①适宜的相对湿度有益于保护鼻腔内的鼻黏膜，降低气管与鼻咽压力②海拔高度较高地区人口分布较为稀疏，哮喘病病患人数较少。③植被可截留吸附空气中飘浮的粉尘，在一定程度上减少空气中悬浮颗粒物含量。高植被覆盖度有利于净化空气，提升空气质量。④病患地址到重点废气监控企业的距离与病患地址到道路距离皆体现距污染源远近对哮喘病患病的影响，离污染源越近哮喘患病率越高。相比之下，与哮喘患病率呈正相关的环境因子数量较多，共包括5项大气污染物年均浓度（PM10、SO2、NO2、O3、CO），4项气象因子（年均温度、年均气压、年均风速、年均降水量）以及人均GDP。这10项环境因子中年均温度与年均气压同哮喘患病率的关系最为紧密，两者的回归系数均大于3，且温度的回归系数接近于6；年均风速与人均GDP对哮喘患病率的影响程度均处较大水平，回归系数大于1；污染物质量年均浓度对哮喘病患病影响度较差，PM10年均浓度在5项污染物中程度最低，而CO年均浓度回归系数最大，达到0.6左右。空气污染与呼吸道疾病的关联性已得到广泛认可，对二者关系的定量分析与病理探讨已成为近几年研究的热点问题，其中有关PM10、SO2年均浓度与疾病的研究尤为充分。空气污染物主要通过影响人类呼吸道及肺部功能对哮喘病患病与发病造成干预影响，长期暴露于高污染物浓度水平的环境中，极易导致患病率升高。在气象方面，年均降水充沛易使得空气中的水分含量过高，一方面空气中飘浮的小水滴对悬着颗粒物具有吸附作用，另一方面潮湿的环境为病菌的生存提供生存环境，二种方式均通过增加致病因子数35 山东师范大学硕士学位论文量对哮喘病的发生起促进作用。风速同样通过间接影响致病因子对哮喘病的发生进行干预，较大的风速利于花粉病菌等呼吸道过敏原传播，增加患病率。且高气压环境下，天气状况稳定，大气污染物、花粉等过敏原难以向高处扩散，使其在近地面停滞，增大哮喘患病风险。高温的自然环境易影响人类的身体机能，自我调节能力降低，人体的抵抗能力减弱，更易引发疾病。在人文社会因素方面，人均GDP越高，代表地区的经济发展水平越好，产业分布密集。但粗放的发展方式及落后的产能结构带来的经济发展造成巨大环境压力，间接对哮喘病的发生造成影响。基于模型参数，对15项环境因子的影响度进行综合排序，其顺序依次为年均温度、年均相对湿度、年均气压、NDVI、年均风速、人均GDP、CO年均浓度、NO2年均浓度、病患地址到重点废气监控企业的距离、O3年均浓度、SO2年均浓度、PM10年均浓度、病患地址到道路距离、高程、年均降水量。5.3.3地理加权回归模型结果分析由于每个街道的每项环境因子都有与之一一对应的回归参数，将经共线性筛选后的7项环境因子代入模型进行模拟，共产生75*7个环境因子系数，与75项代表截距的常数。为直观清晰的展现7项环境因子对哮喘患病率的影响度随距离远近的不同而变化的规律，突显各因子在不同区域位置对患病率作用强度的区别，创建各项环境因子系数的栅格表面插值图。由某些环境因子与哮喘患病率的相关性并不是在全局范围内的各区域中均表现显著，故存在某些局部地区中，回归系数表明二者呈正相关的关系，而在其他区域中为负相关关系的情况。从全局角度综合各回归系数模拟结果，最终得到的GWR模型回归方程可写作以下形式：哮喘患病率=14.680449×[PM10年均浓度]+26.336824×[SO2年均浓度]-0.002344×[高程]-0.006961×[病患地址到道路的距离]+1.742983×[人均GDP]+1.849248×[年均温度]+0.269109×[年均气压]+240.698077通过方程可以看出在全局角度上，GWR模型各项环境因子对哮喘患病率的作用方向同LM-Lag模型表现一致，但相关程度排序仍存在差别，在GWR模型中相关度最大的为SO2年均浓度非年均温度。环境因子与哮喘患病率的相关度具体排序依次为SO2年均浓度、PM10年均浓度、人均GDP、年均温度、年均气压、病患地址到道路的距离、高程。因方程反映的是多项环境因子共同作用下各要素对哮喘患病率的综合相关度，而非各项因子的单独相关程度。为进一步突显环境单要素影响特点，仅将单项因子带入模型，对其的系数分别进行估计模拟，并通过插值图的形式展现其影响力在空间上的变化特征。36 山东师范大学硕士学位论文依据图5-1(a)显示，83%的PM10年均浓度相关系数值为正，余下的负值主要分布在研究区南部。系数之间差值较大，系数随空间位置的移动变化明显。总整体来看，其主要变化规律较为清晰简单，PM10年均浓度相关程度呈现自西南向东北方向逐渐递增的特征。同一纬度上，东部地区比西部地区受PM10年均浓度影响力度更大；西部系数变化速率更快，反应较为敏感。这主要与研究区东部存在PM10重污染中心有关，越接近高污染地区，因子的影响作用愈发突出。研究区西南部由于距离污染中心较远，受其影响的力度小，PM10年均浓度对哮喘患病率的影响并不显著。系数等值线分布密度整体较为均衡，接近平行，变幅均匀，PM10年均浓度差异并未引起地区哮喘患病率的极端变化。东北部边界地区系数变化幅度较小，说明该区域哮喘患病率对PM10年均浓度的敏感度低，PM10质量浓度在一定范围内对哮喘患病率的影响度相差较小。依据图5-1(b)可知，不同于PM10回归系数空间特征，SO2年均浓度相关系数均为正值，同哮喘患病率呈正相关关系，即高浓度的SO2污染易导致哮喘患病率的升高。其回归系数表现为以西北部为中心，呈半环状向东偏北逐层递减的变化趋势。相关度最小的地区位于研究区的东南方向，系数最大值与最小值间的相差度较大。同一纬度上，西部地区比东部地区受SO2年均浓度影响的力度更大，相关程度更高。这主要是因为研究区西北部为SO2的高浓度污染中心，距重污染地区越远，受其影响越小，两者联系性越低。北部及西南部系数等值线较中部更为密集，变化速率更快，这两个地区域哮喘患病率对SO2年均浓度的敏锐度更高，污染物质量浓度的小幅变化会引起哮喘患病率较大改变。在同等数值间隔下，系数影响范围自西向东有所扩大。图5-1(c)揭示出年均温度同哮喘患病率呈正相关关系，相关系数模拟值皆大于0，且系数最大值与最小值间相差较大，空间分异特征明显。总整体来看，其变化规律表露出自西南向东北方向逐渐递减的特征。同一纬度上，西部地区比东部地区受年均温度影响力度更大，相关度更高，系数变化速度更快。这主要与研究区西南部存在高温中心有关，越接近高值地区，年均温度因子的影响作用愈发突出。研究区东北部由于距离中心较远，受其影响的力度大幅减小，联系减弱。同等数值间隔下，系数影响范围自中部地区向东北西南两个方向略微扩张，5区东北部表现最为显著，等值线间隔较宽。研究区西北部系数等值线分布较为集中，系数变化速率快，该区域哮喘患病率对年均温度变化较敏感，细微的数值差别可能会引起患病率的较大变化。根据图5-1(d)表明，年均气压相关系数模拟值均为正数，同哮喘患病率呈正向关系，系数最大值与最小值间的差别较小，随空间位置的改变而小幅变化。总整体来看，其变化37 山东师范大学硕士学位论文规律主要显露出自西北向东南方向逐渐衰减的特征，东北部相关度值最低。同一纬度上，西部地区比东部地区受年均气压影响力度更大。这主要与研究区西北部气压较高有关，越接近西北边界地区，年均气压的影响作用愈发突出。同等数值间隔下，系数影响范围自西北向东南随距离增加先逐渐增大后又有所缩小。研究区北部及西南部系数等值线密度较大，系数变化速率快，该区哮喘患病率对年均气压的灵敏度相对较高。而研究区西南方向的中轴线上等值线较稀疏，同系数范围的距离间隔较大，灵敏度低。由图5-1(e)可知，高程相关系数模拟值中94%为负值，余下的正值主要分布在研究区北部边界，因子同哮喘患病率负相关，系数极值的差距值较小，空间位置的改变会引起系数些微的变化。由于研究区东北部高程对哮喘患病率的作用并不显著，故从总整体来看，其主要变化规律为系数值自西南向东北方向逐渐衰减，中部偏北区域影响力值最低。同一纬度上，西部地区比东部地区受海拔高度的影响力度更大。同等数值间隔下，系数影响范围自西南向东北呈减小趋势。研究区西北部系数等值线密度较大，系数变化幅度大且速度快；而南部及东部地区整体等值线较稀疏，同系数范围的距离间隔较大，哮喘患病率对高程变化并不敏锐。依照图5-1(f)显示，人均GDP相关系数模拟值均为正值，同哮喘患病率呈正相关关系。系数极值间的差值较小，空间位置的不同变化对系数的作用并不明显。总整体来看，其主要变化规律清楚明了，人均GDP影响程度呈现自西向东逐渐递减的特征。同一纬度上，东部地区比西部地区受人均GDP影响力度更小。这主要与研究区西部为经济发展重心有关，越接近西部因子的影响作用愈加鲜明。同等数值间隔下，系数影响范围自西向东明显呈半环状逐环递减的变化趋势。且研究区西部相当大的地区范围内相关系数较大且数值极为相近，等值线间隔较宽，系数变化幅度小。而东部地区系数变化速度在短距离内迅速增大，等值线间相距较小。研究区北部系数等值线分布较南部更为集中，相比之下5区东北部边界及北部区域哮喘患病率对人均GDP变化更为敏感。根据图5-1(g)表明，相比于其他因子系数空间分布特性，病患地址到道路距离的表现较为独特。其因子系数模拟值91%为负，与哮喘患病率存在负相关性。研究区北部边界因子系数值为正数，病患地址到道路距离对哮喘患病率的影响并不显著。系数值整体偏低且彼此间差值较小，空间位置的改变会引起系数微弱的变化。西南部及东北部边界地区的系数绝对值相对较大，在中心的鞍部地区系数值较小。因存在两个高值中心，相关系数略呈现自西南向北偏东及由东向西逐步降低的双向变化特征。分开来看，研究区西部同等数值间隔下，系数在西南部一定地区内变幅较小，向北部移动过程中变化速率有所提升，等值38 山东师范大学硕士学位论文线间隔距离逐渐变小；研究区东部同等数值间隔下，系数影响范围自西向东稍有增大，等值线间隔略有扩宽。研究区西南部与其他地区相比，系数等值线更为密集，该区域哮喘患病率对病患地址到道路距离的变化更为敏感。(a)PM10年均浓度相关系数插值图(b)SO2年均浓度相关系数插值图39 山东师范大学硕士学位论文(c)年均温度相关系数插值图(d)年均气压相关系数插值图40 山东师范大学硕士学位论文(e)高程相关系数插值图(f)人均GDP相关系数插值图41 山东师范大学硕士学位论文(g)病患地址到道路距离相关系数插值图图5-1GWR模型相关系数插值图综合来看，SO2、年均浓度及年均气压影响力在西北部处较大水平，年均温度、病患地址到道路距离、高程影响力度在西南部表现最突出，人均GDP在西部影响力最高，PM10年均浓度影响力在东北部度达到最大值。回归系数的变化速率作为反映哮喘患病率对环境因子敏感程度的指标在不同地区表现不同。SO2年均浓度的回归系数在西南部变化速率最快，年均温度与高程的回归系数在西北部变化速度最快，年均气压与病患地址到道路距离在东北部系数变化最为迅速，研究区东部人均GDP系数变化速率比西部快，而PM10年均浓度系数变化速度在研究区范围内无明显差异。6环境因子影响下的哮喘患病率风险分级预测利用将LM－Lag模型与GWR模型拟合方程计算求得的各项环境因子相关系数代入arcgis中栅格计算器，模拟预测各街道哮喘患病率值并依据自然断裂法进行分级。依据图6-8可看出，与各街道实际哮喘患病率值相比，预测值整体偏高，最大值均在8%左右，而实际哮喘患病率最大值约为7.4%。哮喘患病率预测值高值区域仍集中在中偏西部地区，以42 山东师范大学硕士学位论文该区域为中心患病率大体呈现环形向外围地区递减。5个市辖区中市中区在哮喘患病率高值区域所占面积最大，在哮喘患病率低值区域所占面积最大的市辖区为历城区。同一街道两种模型预测的哮喘患病率值虽存在一定差别，但其等级分区存在部分重合。槐荫区的段店镇和吴家堡镇，及历城区遥墙镇和彩石镇均被划分为为低值区域，患病风险等级低，属于相对安全的区域。其中，遥墙镇在两个模型中哮喘患病率预测值综合排名最低，该区哮喘病患病风险较小。天桥区制锦市街道，历下区东关街道、甸柳街道、泉城路街道，槐荫区青年公园街道、五里沟街道、道德街街道、南辛庄街道、振兴街道，市中区魏家庄街道、舜玉街道、七贤街道、泺源街道、王官庄街道、二七街道、六里山街道、七里山街道，共计17个街道均属哮喘患病率值高值区，患病风险等级极高，属重风险区域。其中，二七街道在两个模型中哮喘患病率预测值排名皆为靠前，该区哮喘病患病风险极大。(a)GWR模型哮喘患病率预测图43 山东师范大学硕士学位论文(b)LM－Lag模型患病率预测图图6-1哮喘患病率风险预测图综合两项模型预测数值，对研究区哮喘病患病风险等级进行详细划分，取同等间隔大小，将哮喘患病率值分为5个风险等级：患病率预测值≦2%属低风险区域，2%<患病率预测值≦4%属中等风险区域，4%<患病率预测值≦6%属高风险区域，6%<患病率预测值≦8%属重风险区域，患病率预测值>8%属极端风险区域。依据该等级对整个研究区重新进行划分，共有8个街道分属低风险区域，约占全区的10.39%，其中历城区管辖下的街道数量最多；有20个街道分属中等风险区域，约占全区的25.97%；有19个街道分属高风险区域，约占全区的24.68%，其中历下区管辖下的街道数量相对较多；有23个街道分属重风险区域，约占全区的29.87%，其中市中区与天桥区管辖下的街道数量最多，皆为9个街道；有7个街道分属重风险区域，约占全区的9.09%，只包含市中区与槐荫区管辖下的街道。对5个市辖区的具体情况分析发现，天桥区内处高风险等级的街道数量最多，约占全区的33.33%；历城区内处中等风险等级的街道数量最多，约占全区的47.06%；槐荫区内处高重风险等级的街道数量最多，约占全区的26.67%；市中区内处重风险等级的街道数量最多，约占全区的52.94%；历下区内处高重风险等级的街道数量最多，约占全区的46.15%。44 山东师范大学硕士学位论文为进一步挖掘环境因子与哮喘患病率间的相关关系，明确对哮喘患病率分类预测具有关键影响的环境因子，利用决策树模型，基于ExhaustiveCHAID的方法，综合分析15项环境因子，对哮喘患病率进行预测。该方法可实现样本优度分配，直观展现决策树模型检验精准度。将研究区75个街道数据进行随机拆分，其中80%作为模型训练样本，20%作为检测样本，在0.05的显著水平下，将分类树最大深度设为5，母结点和子结点分别为14与6，对数据进行实验分析，以求模型评估准确率达到最高，并以显著性为依据选出最优模型。图7-1训练样本决策树由训练及检测样本得出的决策树可看出NDVI是预测街道哮喘患病率数值大小的最关键因素，病患地址到重点废气监控企业的距离、温度对预测哮喘患病率风险均具有重要分类意义，3项环境因子将决策树划分为3层。依据模拟结果可以看出第2层决策树划共存在3个节点：当NDVI值<29.87%时，街道哮喘患病率有15.8%至19%的可能性达到1.012%；NDVI值处于29.87%-35.43%时，街道哮喘患病率有31%至36.8%的概率达到2.993%；NDVI值>35.43%时，街道哮喘患病率有47.7%至50%的几率达到0.233%。第3层决策树划共存在5个节点，这5个节点又可分为2部分。第1部分以NDVI值处于29.87%-35.43%为前提，下分2个子节点：年均温度<14.59℃时，街道哮喘患病率有10.3%至15.8%的可能性达45 山东师范大学硕士学位论文到0.297%；年均温度>14.59℃时，街道哮喘患病率有20.7%至21.1%的概率达到4.026%。第2部分又以NDVI值>35.43%为先决条件，下分3个子节点：当病患地址到重点废气监控企业的距离<548.83m时，街道哮喘患病率有5.3%至22.4%的可能性达到0.073%；病患地址到重点废气监控企业的距离处于548.83-2566.23m时，街道哮喘患病率有8.6%至21.1%的概率达到1.01%，病患地址到重点废气监控企业的距离>2566.23m时，街道哮喘患病率有19%至21.1%的几率达到0.068%。7结论与展望7.1结论本文以济南市市中区、历下区、天桥区、槐荫区、历城区5区为研究对象，利用2009年哮喘病病患抽样调查数据与15项环境因子的遥感、监测、统计数据，采取数理统计、空间分析、建模模拟的手段对哮喘病病患率与环境因子的空间相关性进行探究，形成以下结论：（1）哮喘病病患特性。研究区范围内历下区哮喘患病率最高而天桥区最低，女性哮喘病患病病例数多于男性，主要集中在51-70岁的年龄层。以街道为空间尺度的哮喘患病率分布具有显著空间自相关性，邻近地区哮喘患病率表现较为相似，且存在显著聚集区域。其中，高值集聚区主要分布在市中区及槐荫区。病患热点聚集区的空间分布形态近似于东北-西南方向的扁平椭圆，哮喘患病率大体表现为以研究区中偏西南为圆心，呈同心圆状向外递减的空间特性。哮喘病发病人数9月份最多，2月最少；秋季（9-11月）最多，冬季（12-2月）最少；51-70岁年龄层发病量最多，0-30岁及51-70岁人群发病人数比重在冬季最高。（2）环境因子空间分布特性。在大气污染物方面，CO、NO2、SO2年均浓度均呈西北高东南低的分布特征，但重污染中心并不相同。而O3分布特征恰好与之相反，表现为东南高西北低。PM10年均浓度则表现为东北部高南部低。在气象方面，研究区的年均降水量自西南向东北递减，北部年均气压高于南部，年均相对湿度呈西南部为中心向外逐层递增的变化趋势，年均温度分布特征与之相反。5区年均风速自西南向北逐渐降低。研究区地势东南高西北低，植被覆盖度以研究区中偏西北部地区为中心呈同心圆状向外逐层递增。重点废气监控企业多位于研究区北部，大体呈西南-东北直线分布。研究区路网密度具有西北大于东南的特征。人均GDP大体呈现东南部及北部边界低，中偏东部、西部较高的规律。将环境插值图与病患空间分布点叠加可发现，病患分布较为聚集地区位于南部丘陵前平原46 山东师范大学硕士学位论文地带，植被覆盖程度相对较低，PM10、CO、NO2、SO2污染物年均浓度较高，年均风速较大，年均温度及气压较高，年均相对湿度较大，距污染企业较近，路网密度较大，人均GDP发展水平较高。（3）哮喘病病患率与环境因子相关性。①依据地理探测器模型结果，两者相关度排名依次为SO2年均浓度(0.953)、年均温度(0.947)、病患地址到重点废气监控企业的距离(0.945)、年均气压(0.923)、PM10年均浓度(0.912)、年均相对湿度(0.892)、NO2年均浓度(0.862)、O3年均浓度(0.827)、年均风速(0.812)、人均GDP(0.788)、高程(0.734)、病患地址到道路距离(0.661)、CO年均浓度(0.638)、NDVI(0.553)、年均降水量(0.458)。降水量对各街道哮喘患病率的空间分布差异无显著影响，而SO2年均浓度存在显著差异。且任意两种环境因子具有双线性协同关系，两者的交互作用对哮喘患病率影响更大。②依据LM－Lag模型结果，15项环境因子影响力排名依次为年均温度、相对湿度、年均气压、NDVI、年均风速、人均GDP、CO年均浓度、NO2年均浓度、病患地址到重点废气监控企业的距离、O3年均浓度、SO2年均浓度、PM10年均浓度、病患地址到道路距离、高程、年均降水量。其中，NDVI、高程、病患地址到重点废气监控企业的距离、病患地址到道路距离同哮喘患病率呈负相关，其余因素呈正相关。③GWR模型在除去环境因子共线性影响后的结果表明，PM10年均浓度相关度自西南向东北方向逐渐递增。SO2年均浓度相关系数以西北部为中心，呈半环状向东偏北逐层递减。年均温度及高程相关程度自西南向东北方向逐渐递减。年均气压影响力自西北向东南方向逐渐衰减。人均GDP影响程度呈现自西向东逐渐递减。病患地址到道路距离相关系数略呈现自西南向北偏东及由东向西逐步降低的双向变化特征。④哮喘病病患率与环境因子存在空间相关性，两者间的相关程度具有空间分异性。NDVI、高程、年均相对湿度、病患地址到重点废气监控企业的距离、病患地址到道路距离与哮喘患病率呈空间负相关；5项大气污染物年均浓度（PM10、SO2、NO2、O3、CO），4项气象因子（年均温度、年均气压、年均风速、年均降水量）及人均GDP呈空间正相关。SO2年均浓度、年均温度与哮喘病病患率关系密切，年均降水量相关性较弱。（4）以街道为尺度的哮喘患病率的风险预测及分级。模型预测结果显示哮喘患病率高值区域仍集中在中偏西部地区，以其为中心呈环形向外围递减。市中区与历城区分别在哮喘患病率高值区与低值区占最大面积。在研究区内二七街道哮喘病患病预测风险最高。依据相等间隔将哮喘患病率值分为5个风险等级，分属重风险区域的街道数量最多。NDVI是预测街道哮喘患病率数值大小的最关键因素，病患地址到重点废气监控企业的距离、年均温度对预测哮喘患病率风险均具有重要划分意义。47 山东师范大学硕士学位论文7.2存在问题与展望由于本研究采用哮喘病病患数据为2009年抽样调查资料，年代较为久远。与现今情况相比，实用性有所降低，研究结果缺少时效性。且因病患数据资料匮乏，仅有一年数据，无法建立时间序列模型进行年度分析，亦无法判定一定时间段内环境因子的变化对哮喘患病率造成何种影响。研究虽采用多种方法证明环境因素与哮喘患病率存在空间相关性，但受数据影响说服力较弱。受数据获取难度及时间约束影响，论文可从以下方面进一完善与提高：（1）在选取环境因素时，并未将热点污染物PM2.5浓度加入研究范围，缺少对二者相关性的探讨。可利用气溶胶反演及监测数据空间插值的方式模拟其时空分布特征，对PM2.5与哮喘患病率的相关性加以解析。研究区降水量值可借助TRMM数据进行分析，对气温空间插值可结合DEM，实现数据精确度的进一步提高。（2）在进行环境因素与哮喘患病率的相关分析时仅从空间角度单方面出发，阐述二者的关系，并未考虑时间方面的影响。而现今有关疾病与环境因子时间序列模型研究已较为充分，可将两者进行深度的结合，更好的剖析环境因素与哮喘患病率的相关关系。（3）为解决病患数据来源问题，应加强与医院进行沟通与协作，建立良好的合作关系，共同研商新的研究思路。借助医院丰富的数据库资料，获取更充实更详尽更及时的病患数据信息。（4）可采用更为先进的BP神经网络构建及深度学习等方法或构建环境因素影响力评价模型，对哮喘患病率的风险预测进行模拟分析与讨论。48 山东师范大学硕士学位论文参考文献[1]PrüssÜstün,A,Corvalán,C,PrüssÜstün,A,etal.Preventingdiseasethroughhealthyenvironments.Towardsanestimateoftheenvironmentalburdenofdisease.[J].Eng.sanit.ambient,2006,12(2):115-116.[2]AkinbamiLJ,MoormanJE,BaileyC,etal.Trendsinasthmaprevalence,healthcareuse,andmortalityintheUnitedStates,2001-2010.[J].NchsDataBrief,2012,94(94):1-8.[3]ShimizuK,KonnoS,KimuraH,etal.PrevalenceofadultasthmaandallergicrhinitisinKamishihoro,Hokkaido-trendsfrom2006through2011.[J].Allergy,2014,63(7):928-37.[4]陈育智.中国城区儿童哮喘患病率调查[J].中华儿科杂志,2003,41(2):123-127.[5]全国儿科哮喘协作组.第三次中国城市儿童哮喘流行病学调查[J].中华儿科杂志,2013,51(10):729-736.[6]SuMW,TsaiCH,TungKY,etal.GSTP1isahubgeneforgene-airpollutioninteractionsonchildhoodasthma.[J].Allergy,2013,68(12):1614-7.[7]吴金贵,庄祖嘉,钮春瑾,等.室内污染物暴露对儿童呼吸道症状的影响研究[J].中华疾病控制杂志,2010,14(9):899-902.[8]孙妍妍,鲁建江,尹晓文,等.室内颗粒物污染对儿童哮喘的影响[J].环境与健康杂志,2017,34(3):210-213.[9]BreyssePN,BuckleyTJ,WilliamsD,etal.Indoorexposurestoairpollutantsandallergensinthehomesofasthmaticchildrenininner-cityBaltimore[J].EnvironmentalResearch,2005,98(2):167-176.[10]王晓艳,田宗梅,宁慧宇,等.北京城区气传花粉分布与过敏性疾病就诊关系分析[J].临床耳鼻咽喉头颈外科杂志,2017(10):757-761.[11]AnenbergS,WeinbergerKR,RomanH,etal.ImpactsofoakpollenonallergicasthmaintheUSAandpotentialeffectoffutureclimatechange:amodellinganalysis[J].Lancet,2017,389:S2.[12]宋国超,王雪艳,王峥,等.儿童血清过敏原与哮喘发生关系的探讨[J].中国当代儿科杂志,2015,17(8):806-810.[13]OluwoleO,KirychukSP,LawsonJA,etal.Indoormoldlevelsandcurrentasthmaamongschool-agedchildreninSaskatchewan,Canada[J].IndoorAir,2016,27(2):311.[14]WinquistA,KirraneE,KleinM,etal.Jointeffectsofambientairpollutantsonpediatric49 山东师范大学硕士学位论文asthmaemergencydepartmentvisitsinAtlanta,1998-2004.[J].Epidemiology,2014,25(5):666-673.[15]MoghtaderiM,ZareiM,FarjadianS,etal.PredictionoftheimpactofairpollutiononratesofhospitalizationforasthmainShirazbasedonairpollutionindicesin2007-2012[J].OpenJournalofAirPollution,2016,05(2):37-43.[16]KimH,KimH,ParkYH,etal.Assessmentoftemporalvariationfortheriskofparticulatemattersonasthmahospitalization.[J].EnvironmentalResearch,2017,156:542-550.[17]ViegasS,FaãScaVM,DiasH,etal.Occupationalexposuretopoultrydustandeffectsontherespiratorysysteminworkers[J].JournalofToxicology&EnvironmentalHealthPartA,2013,76(4-5):230-239.[18]TaliniD,CibertiA,BartoliD,etal.Work-relatedasthmainasampleofsubjectswithestablishedasthma[J].RespiratoryMedicine,2017,130:85.[19]HinsonAV,LokossouVK,SchlünssenV,etal.CottonDustExposureandRespiratoryDisordersamongTextileWorkersataTextileCompanyintheSouthernPartofBenin[J].InternationalJournalofEnvironmentalResearch&PublicHealth,2016,13(9):895.[20]张春晖,李维平,王霞.不同气象条件下大气细颗粒物对儿童哮喘的影响[J].临床肺科杂志,2017,22(8):1387-1389.[21]KunikullayaKU,VijayaraghavaA,AshaP,etal.MeteorologicalparametersandpollutantsonasthmaexacerbationinBangalore,India-anecologicalretrospectivetime-seriesstudy[J].JournalofBasic&ClinicalPhysiology&Pharmacology,2017,28(2):133.[22]JoEJ,LeeWS,JoHY,etal.EffectsofparticulatematteronrespiratorydiseaseandtheimpactofmeteorologicalfactorsinBusan,Korea.[J].RespiratoryMedicine,2017,124:79.[23]王洁,付桂琴,刘华悦等人.石家庄昼夜温差与儿童哮喘就诊人数的关联[J].干旱气象,2018,36(1):130-135.[24]CésarACG,NascimentoLFC,MantovaniKCC,etal.Fineparticulatematterestimatedbymathematicalmodelandhospitalizationsforpneumoniaandasthmainchildren[J].RevistaPaulistaDePediatria,2016,34(1):18-23.[25]TianY,XiangX,JuanJ,etal.FineparticulateairpollutionandhospitalvisitsforasthmainBeijing,China[J].EnvironmentalPollution,2017,230:227.[26]胡碧松,龚建华,周洁萍,等.疾病传播输入输出流的时空特征分析——以北京SARS流50 山东师范大学硕士学位论文行为例[J].中国科学:地球科学,2013,43(9):122-140.[27]ZhouHB.Spatio-temporalanalysisoffemalebreastcancerincidenceinShenzhen,2007–2012[J].ChineseJournalofCancer,2015,34(3):198-204.[28]黄宁波,杨坤,施学文,等.云南省洱源县山区村级尺度的钉螺时空分布格局研究[J].中国血吸虫病防治杂志,2014,26(2):137-140.[29]GlassGE,SchwartzBS,MorganJM,etal.EnviromentalriskfactorsforLymediseaseidentifiedwithgeographicinformationsystems[J].AmJPublicHealth,1995,85:944-948.[30]WangJF,LiXH,ChristakosG,etal.GeographicalDetectors-BasedHealthRiskAssessmentanditsApplicationintheNeuralTubeDefectsStudyoftheHeshunRegion,China[J].InternationalJournalofGeographicalInformationScience,2010,24(1):107-127.[31]肖雄,杨长虹,谭柯,等.地理加权回归模型在传染病空间分析中的应用[J].中国卫生统计,2013,30(6):833-836.[32]通拉嘎,徐新良,付颖,等.地理环境因子对螺情影响的探测分析[J].地理科学进展,2014,33(5):625-635.[33]ZhangY,BiP,HillerJE.WeatherandthetransmissionofbacillarydysenteryinJinan,northernChina:atime-seriesanalysis.[J].PublicHealthReports,2008,123(1):61-66.[34]孙乐平,梁幼生,田增喜,等.江苏省血吸虫病监测预警系统的研究Ⅱ基于GoogleEarth的实时操作与表达平台的建立[J].中国血吸虫病防治杂志,2009,21(5):368-372.[35]刘少坤,关欣,王彬武,等.基于GIS的城市医疗资源可达性与公平性评价研究[J].中国卫生事业管理,2014,31(5):332-334.[36]宋泳泽,葛咏,彭军还,等.疟疾预测的遗传规划方法与应用——以安徽省县(市)疟疾发病率为例[J].地球信息科学学报,2015,17(8):954-962.[37]李一凡,王卷乐,高孟绪.自然疫源性疾病地理环境因子探测及风险预测研究综述[J].地理科学进展,2015,34(7):926-935.[38]SanjeevS,HelenaT,RichardL,etal.AnexploratoryspatialdataanalysisapproachtounderstandingtherelationshipbetweendeprivationandmortalityinScotland[J].SocialScience&Medicine,2007,65(9):1942-1952.[39]吴玉鸣.中国区域研发、知识溢出与创新的空间计量经济研究[M].人民出版社，2007:60-64.[40]Anselin,L.LocalindicatorsofspatialassociationLISA[J].GeographicalAnalysis,1995,51 山东师范大学硕士学位论文27(2),93-115.[41]WangJF,XHLi,etal.GeographicalDetectors-BasedHealthRiskAssessmentanditsApplicationintheNeuralTubeDefectsStudyoftheHeshunRegion,China[J].InternationalJournalofGeographicalInformationScience,2010.24:107-127.[42]王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(1):116-134.[43]胡艺.基于空间模型的小概率地理健康事件生态学研究[D].北京:中国地质大学，2012.[44]张彦.山西省神经管畸形发生的时空分布研究及其环境影响因子探测[D].中国矿业大学,2015.[45]ElhorstJP.Specificationandestimationofspatialpaneldatamodels[J].Internationalregionalsciencereview,2003,26(3):244-268.[46]AnselinL,ReyS.Propertiesoftestsforspatialdependenceinlinearregressionmodels[J].Geographicalanalysis,1991,23(2):112-131.[62]AnselinL,LeGJ,JayetH.TheEconometricsofPanelDate,FudamentalsandRecentDevelopmentsinTheoryandPractice[M].3rded.Berlin:SpringerVerlag,2008:625-660.[47]覃文忠.地理加权回归基本理论与应用研究[D].同济大学土木工程学院测量与国土信息工程系同济大学,2007.[48]杨东阳.河南省流行病数据空间分析[D].河南大学,2015.[49]张洁.基于GWR模型的城市住宅地价空间分异研究[D].浙江大学,2012.[50]FotheringhamAS,BrunsdonC,CharltonM.GeographicallyWeightRegression[M].NewYork:Wiley,2002.[51]BrunsdonC,FotheringhamAS,CharltonME.GeographicallyWeightRegression:AMethodforExploringSpatialNonstationarity[J].GeographicalAnalysis,1996,28(4):281-298.52 山东师范大学硕士学位论文攻读硕士学位期间发表的学术论文及参与课题发表的学术论文：[1]周姣姣，吴泉源.济南市大气污染“春节效应”特征[J].浙江农业科学，2018，59(2):338-342+347.[2]姜涵,周姣姣,潘健,吴泉源.潍北地区表层土壤盐分空间分布特征分析[J].安徽农业科学,2018,46(03):99-101+106.参与课题：基于地表参量的污水灌溉区农田生态安全遥感监测研究（国家自然科学基金：41371395）。53 山东师范大学硕士学位论文致谢流光容易把人抛，红了樱桃，绿了芭蕉。光阴似箭，白驹过隙，蓦然回首，三年时光已然匆匆流逝，往事历历在目。这短短几年的学习研究生活充实了我的人生旅程，使我体验了别样的美好风景，仅以此文感恩三年来一路陪伴的良师益友。首先，由衷感谢恩师吴泉源教授三年来的悉心教导与培养，使我领略到了科研创新独特的魅力。为提升我们的专业素养，开阔我们的研究思路，吴老师经常组织组内研讨汇报活动，给我们创造了良好的学术研究氛围，使我们的思维在交流中碰撞，灵感在沟通中迸发。无论是学习还是生活方面，恩师予以的珍贵建议均使我获益匪浅，受益良多。恩师博闻多识的学术素养，诲人不倦的教学态度，一丝不苟的科研作风，精雕细琢的工作态度，宽容大度的的胸怀性情皆使我发自真心地感到敬仰与感激，为我的人生树立了优秀的榜样。衷心感谢李子君老师、韩美老师、徐跃通老师、张伟老师、齐善忠老师、郑昭佩老师、孙维君老师，各位自然地理专业授课教师在学业方面的教育指导；感谢学院办公室穆新伟老师、高宝棣老师在日常学习生活中给予的辅导帮助；感谢杜永刚老师、姚磊老师在论文修改中给予的宝贵意见；感谢各位答辩老师在论文开题和中期检查中提出的修改建议。愿各位老师平安喜乐，工作顺遂，生活幸福。诚挚感谢我的师门，感谢李春芳师姐、曹见飞师哥、周历媛师姐、曹文涛师哥、王菲师姐和康日斐师姐在我研究生期间给予的关怀与指点；感谢与我一起奋斗的同窗姜涵、潘建、安庆的援助；感谢于庆师妹、徐汝汝师妹、周旭师弟、徐夕博师弟、宋仁超师弟、李彤师妹及刘玉红师妹的鼓励与关心。能与各位一同在吴老师的课题组中学习合作使我获益良多，祝福各位学业有成，前程似锦。感谢齐鲁医院提供的病患数据信息。诚心感谢舍友郇璐琳、徐宁宁、朱琳，同学张巧云、孙晓月在学习生活中的给予的包容与协助，感谢好友蒋雪婷在论文探讨研究过程中提供的帮助与开导，感谢你们陪我度过这段难忘而有意义的学习时光，愿你们平安快乐。最后，感谢父母的养育与教导之恩，感谢你们在精神与生活上对我无微不至的照顾与默默支持。尤其要感谢母亲始终做我坚强的后盾，为我的生活遮风挡雨，不让我有后顾之忧。今后我唯有将愧疚和感恩之心化为动力，担起责任，不断前进，有所建树。真心希望父母能永远健康快乐，平安幸福。周姣姣2018年4月于山东师范大学54
此文档下载收益归作者所有
