白斑病 http://www.bflvye.com/CitationInformation
FahuiWang()WhypublichealthneedsGIS:amethodologicaloverview,AnnalsofGIS,26:1,1-12,
DOI:10./..
导读
在这个充满不确定性的世界上，如果有什么确定的，那就是地理复杂性。公共卫生领域的研究人员和实际工作者，可能希望了解GIS是如何处理地理复杂性，帮助*府制订因地制宜的公共*策的。而GIS专家们，可能会考虑自己满脑子装的空间模型理论和空间分析方法在哪些公共卫生领域能一展身手。这篇短文从六个方法论的角度，包括地理异质性、空间可达性、社区效应、小样本问题、医疗服务区划分、空间公平性规划等，对这些问题进行简单梳理，希望对搭起沟通这两个领域的桥梁，实现两个领域互为滋补，共同发展有所助益。
01
对健康行为和健康状况
地理异质性的建模分析
地理现象的异质性被称为“地理学第二定律”。空间异质性包括空间分层异质性(spatialstratifiedheterogeneity)和空间局部异质性(spatiallocalheterogeneity)。前者强调区域之间的异质性，即各个区域内部结构和过程各异，而后者刻画事物的属性和相互关系随空间位置的不同而变化(Wang,Zhang,andFu)。
例如，Mobley等()在评估美国非裔和西班牙裔在按期进行癌症预防检测上相对于白人是否有所不同时，把全国的样本按其所属州分开，对每州分别计算回归模型，然后用地图展示模型结果(如回归系数的正负和其显著性)，以观察各州的差异。以肠癌的预防检测为例，只有密歇根州的非裔和新泽西州的西班牙裔做得明显比白人好，而在其他州，情况要么相反，要么差异不明显。另一个案例是Xu和Wang()关于美国健身行为和肥胖症的环境因素研究。他们根据样本所在县的城市化水平，将数据划分为五个子集：农村地区(0-0.01)，亚农村区(0.01-0.50)，亚城市化区(0.50-0.90)，高城市化区(0.90-0.99)，全城市化区(0.99-1.00)，然后对每个子集计算回归模型。结果显示，散步或跑步的环境条件优劣(如是否有专用的步行道)，只在高度城市化地区(一般是大城市的郊区)才影响人们的健身行为和肥胖风险。这告诉我们，相关的公共*策不能“一刀切”，而应该好钢用在刀刃上，将公共资源集中用于效益明显的地区。这两个例子属于空间分层异质性的问题，即有明确地理边界的不同区域，其内部的机理有异。
关于空间局部异质性的研究，所探究的是在整个研究区内某种现象或关系在空间上是如何变化的，进而刻画或界定不同态势或关联的地域范围。比如大家熟悉的地理加权回归(GWR)，就是探测回归模型中的系数在空间上的不稳定性，其理念是自变量对因变量的影响会因地域而异。这里介绍从GWR发展出来的一个新模型——半参数地理加权回归(SGWR)模型及其应用实例。SGWR模型的优点是能够识别自变量中哪些是全局因素，哪些是局部因素。前者对整个研究区的影响是稳定的(类似一般的回归模型，只有一个回归系数值)，而后者的影响(表现为回归系数值)是因地而异的。Mashhoodi等()用SGWR模型研究了影响荷兰各地能源短缺水平的因素。模型识别出的全局因素包括低收入家庭和退休金领取者的比例，而局部变量包括家庭规模、失业率、建筑年龄、租房率、夏季天数和霜冻天数等。图1的地图清楚地显示了哪个因素在哪里影响最大。该研究的*策意义显而易见：国家级*策应侧重于缓解全局因素，而社区级的措施则应该从当地最重要的局部因素入手，真正实现*策上的靶向精准。
▲
图1影响荷兰各地居民能源消耗最明显的局部因素
（图片来源:Mashhoodi等,,28页）
02
估测医院潜在拥挤度
人口和医疗设施在空间上分布不均，导致居民就医可达性有别和医护人员工作量相异。前者导致人们对医疗资源的利用程度不一，乃至影响到健康水平；后者影响医护人员的工作压力及护理效果。二者代表就医市场的供需两方。它们在空间上的相互作用，形成居医院的潜在拥挤度的空间变化。最新的研究将二者的测算方法进行了统一。
Luo和Wang()的“两步移动搜索法(2SFCA)”，是应用最广的空间可达性度量方法。该方法既考虑了居民与医疗设施的邻近程度，又考虑了二者的匹配比。Wang()最新提出的“反两步移动搜索法(i2SFCA)”，估测的是医疗设施的潜在拥挤度(也可理解为资源短缺程度或获取服务的竞争强度)。在实例研究中，Wang()同时用2SFCA和i2SFCA对美国佛罗里达州的医患空间分布不均进行了估测(见图2)。结果显示，医院一般位于居民就医可达性更差的地区，但二者并无数学上的对应关系。这表明，两种方法从不同的侧面刻画了医患双方的匹配程度，居民就医方便程度与医疗服务点的拥挤程度虽然一币两面，却在空间上存在着复杂的关系和相互作用，两个测度不能相互取代。?
▲
图2基于2SFCA与i2SFCA估测的佛罗里达州居医院的潜在拥挤度
（图片来源:Wang,页）
03
刻画社区效应
个人的健康行为和健康状况通常是个体属性和社区环境共同作用的结果。相关的回归模型常用的是多级建模(MultilevelModelling，简称MLM)，而不是传统的OLS回归。这类研究的一大挑战是如何定义“社区”，即如何真正捕捉到相关的地理环境。Kwan()把这类问题提炼为“地理环境影响的不确定性问题(UncertainGeographicContextProblem，简称UGCoP)”，呼吁解决问题的出路在于GIS建模。
Xu等()在研究美国犹他州的社区建成环境与个人肥胖风险的关联性时，选用了不同大小的地域单元来定义相关的社区。结果表明，居民离公园远近这一变量，在采用邮*编码区作为社区时对肥胖风险的影响最为显著；而就食环境(如快餐餐馆比率)这一变量，在采用县域作为社区时对肥胖风险有显著影响。根据这个结果，研究者推测个人的运动水平与是否临近公园有关，因而相关社区应该是空间范围较小的邮*编码区；而犹他州人口稀少，人们通常要开车去餐馆就餐，因而相关社区变成了空间范围较大的县域。这说明，探究社区效应时，相关变量的定义应反映特定出行目的实际空间范围，不能教条地搬用单一的行*单位。
近年来，社区效应研究的一个新趋势是用GIS来追踪、记录人们的日常活动，从而更准确地衡量环境(如污染、绿化空间和其他建成环境)对个体健康的影响。Helbich()提出，只有对个体的日常活动轨迹(例如居家、上班和休闲)的全程追踪，才能抓住环境对人每天的累积影响；而要刻画大环境对一个人健康的综合影响，可能需要追踪其一生的迁徙轨迹，以回顾当时当地的社区环境效应(见图3)。
▲
图3动态环境影响评估
a)个体的每日活动路径(b)个体人生迁徙轨迹
（图片来源：Helbich,页）
04
构建发病率制图与分析的地理单元
发病率制图与分析，通常会遇到“小样本”问题，即如果分子(病例数)和/或分母(人口)数太小，会导致计算的发病率不可靠。另一方面，数据部门出于保护隐私的考虑，往往不公布所有数据，导致公众或研究人员所获得的数据存在缺失。例如，美国癌症研究所(NCI)公布的各州癌症发病率(statecancerprofiles.cancer.gov)是县一级的数据，而很多县的发病率不能公布，因为按规定，病例数小于16或人口小于五万的地域，其数据需要屏蔽。文献中有几种常见的克服上述“小样本”问题的GIS方法，如空间平滑和空间滤波，但在应用时都有一定的缺憾。这里介绍两种基于GIS的自动区化法，它们都试图构建同质和足够大的新区域。
一种是Guo()创立的REDCAP。REDCAP分两步。第一步是从下至上，构建一个逐步空间聚类的层次结构。首先将两个相邻且最相似的区域合并成第一个新区(聚类)，再将两个相邻且最相似的区合并成又一个新区，依此类推，直到整个研究区成为一个大区。每次合并时，用一个链接记录下参与聚类的两个区，这样串起来的链带就记录了全部聚类的层次性。第二步是从上至下，逐步移除上述链接，每次生成的两个区域需要满足区内同质性的最大化；如此下去，直到达到所需的区域大小和数量。Wang等()对该方法进行了修改，专门针对“小样本”问题设置了最小区域人口(和/或最小病例数)阈值等限制条件。
另一种是Mu等()提出的混级区化法(Mixed-LevelRegionalization，简称MLR)。MLR一方面把人口多的区分解成多个更小的区，以获得更好的空间分辨率；另一方面将人口少的区合并成更大的区，以保护数据的隐私。这样最后生成的新区在人口数上就具有更好的可比性。Mu等()在研究美国路易斯安那州乳腺癌发病率时，对人口少的农村县，以县为单元进行合并；而对人口较多的城市县，则将每个县切分为多个区，具体实现就是把县内的人口普查区合并成多个区；对那些不大不小的县，就不进行任何合并或切割。由此所得的新区由多个(混合)级别的地理单元组成。MLR的核心算法，仍然是面单元的空间聚类(无论是小县的合并还是大县内的人口普查区的合并)，在聚类过程中需要平衡区内属性的同质性和空间形状的紧凑性(
