我国是农业大国，养猪业是我国农业活动中重要的部分，发展养猪业对经济发展和人民饮食具有重要意义。但随着传统养猪业向现代养猪业的转变，传染性疾病问题日益突显，并对养猪业带来巨大的危害。红斑丹毒丝菌最易感染的动物是猪，而由其引起的猪丹毒是一种传染性强、发病率高的传染病，急性败血型、亚急性疹块型、慢性心内膜炎型是猪丹毒主要的3种临床表现类型^[1]，目前, 此病在我国表现为地方流行性，尚未彻底净化，是较常见的传染病，同时也给养猪场带来严重的经济损失从而降低猪厂的经济效益^[2]，影响了养殖者的收入，制约了养殖行业的发展，因此对猪丹毒的探讨，也成为了学者们研究的热点。

目前，国内外有关猪丹毒的研究主要集中在病原体分析、疫苗研制、鉴别诊断等，但有关时空扩散特征和疾病传播因素的文章不多^[3-4]，并且研究局限于部分地区且较少应用空间回归模型分析相关影响因素的空间异质性。动物传染病的防控对于养殖业的健康发展和人类公共卫生均具有重要意义，预警监测系统是从源头防控治理突发传染病事件的关键。随着微生物学和检验检测技术的快速发展，病原体实验室检测逐渐成为各国传染病预警监测的重要组成部分^[5]，2014年, 科学家通过高通量测序技术揭示了以猪冠状动脉带、母猪鼻部水疱病变和急性新生猪死亡等为特征的传染病病原的基因组与塞内卡病毒具有高度相似性，并开发了商用PCR检测试剂盒，成功地控制了疫情扩散^[6]。近年来, 随着互联网技术和大数据技术的广泛应用，传染病监测及其系统已向学科交叉和综合应用转变，传染病监测技术也在不断更新。在如今具有详细社会经济和地理空间信息的背景下，研究者尝试通过建立空间预警和时空预警模型来识别疫情暴发地区，Mostashari等^[7]通过建立基于空间扫描统计量的死鸟检测系统来预警西尼罗病毒并指导相关部门做出防疫措施。赖圣杰等^[8]将移动百分位数和空间扫描统计量相结合，构建传染病时空预警系统来监测传染病的暴发。

同时随着GIS技术的快速发展，利用空间统计建模来阐明传染病的传播与其驱动因素之间关系的研究也逐渐发展起来。传染病的传播通常与自然因素(地理、气候、生态环境等)和社会因素(经济、人口、文化等)有密切关系，应用基于GIS技术的空间统计模型可以从空间层面上对传染病的发展及其与驱动因素的关系进行探究，发现疫情的扩散规律^[9]。Gao等^[10]应用GIS制图和空间聚类分析探究我国31个省份的猪巴氏杆菌流行情况，并采用零膨胀泊松模型评估气象因素对猪巴氏杆菌流行影响的概率。杨瑛莹等^[11]利用地理加权回归模型(geographically weighted regression，GWR)探讨我国新冠肺炎空间异质性的相关因素。石国宁等^[12]采用地理探测器和空间自相关分析对我国非洲猪瘟的时空演化特征及影响因素进行探究。王莹婧等^[13]通过构建GWR模型以研究区域地理环境因素对流感发病的影响。在这些空间分析技术中，GWR模型是目前应用较为广泛的空间分析回归模型之一^[14]，相较于经典的最小二乘法(ordinary least squares，OLS)，前者使回归系数随着地理位置的变化而变化，能有效解释空间非平稳性。GWR模型通常采用统一带宽来计算权重，使得所有变量的回归过程均在相同的尺度上运行。然而在实际生活中，不同的过程发生在不同的尺度上^[15]，如传染病的传播规律，可能会受气候因素和人为因素的影响，但二者的影响尺度明显不在一个尺度上。因此，为克服GWR模型忽略不同解释变量对因变量作用尺度的差异，Fotheringham等^[16]提出了多尺度地理加权回归模型(multiscale geographically weighted regression，MGWR)，该模型通过放宽对变量单一带宽的限制，使回归过程可以在不同尺度上进行，具有更好的解释性。

因此本文基于2010—2020年我国猪丹毒的疫情数据，采用H-P滤波法^[17]和时空统计分析方法，探讨了我国31个省级行政区猪丹毒发病的时空分布特征和流行规律，并建立多尺度地理加权回归模型探讨社会和气候因素在不同尺度下对猪丹毒的影响程度。

1 材料与方法 1.1 数据来源

MGWR模型的输入参数包括猪丹毒的病例数、生猪数量、农林水事务支出、第一产业GDP、公路密度、乡村人口占比、气温、降雨量和风速等。猪丹毒疫情数据来源于兽医公报(http://www.moa.gov.cn/gk/sygb/)，各省生猪数量、农林水事务支出、第一产业GDP、公路里程、乡村人口数来源于国家统计局(http://www.stats.gov.cn/)；公路密度为各省公路里程除以各省面积，乡村人口占比为各省乡村人口数除以各省年末常住人口数；气温、降雨量和风速数据通过处理中国地面气候资料日值数据集V3.0(https://data.cma.cn/)生成。

1.2 H-P滤波法

H-P滤波法就是将变化不定的时间序列数据中具有一定变化趋势的平滑序列分离出来，将时间序列{y_t}分为趋势要素数据{g_t}和周期性波动数据{c_t}：

$y_t=g_t+c_t t=1, 2, \cdots, T$

(1)

{g_t}被定义为损失函数最小化的解^[17]：

$\begin{aligned} & \min (M)=\min \\ & \left\{\sum\limits_{t=1}^T\left(y_t-g_t\right)^2+\lambda \sum\limits_{t=3}^T\left[\left(g_t-g_{t-1}\right)-\left(g_{t-1}-g_{t-2}\right)\right]^2\right\}\end{aligned}$

(2)

λ越大，表示长期趋势越平滑，对于月度数据，λ一般取值为14 400。

1.3 空间自相关

空间自相关是探究在一定空间内一个点与其相邻点的观察值是否存在某种相关关系以及度量这种相关关系的空间探索性分析方法，其分为全局空间自相关分析和局部空间自相关分析。本文采用全局莫兰指数(Moran’s I)^[18]和热点分析(Getis-Ord Gi^*)^[19]对猪丹毒病例的分布进行全局和局部空间自相关分析，两者公式分别如下：

$I=\frac{n \sum_{i=1}^n \sum_{j=1}^n \boldsymbol{W}_{i j}\left(y_i-\bar{y}\right)\left(y_j-\bar{y}\right)}{\left(\sum_{i=1}^n \sum_{j=1}^n \boldsymbol{W}_{i j}\right) \sum_{i=1}^n\left(y_i-\bar{y}\right)^2}$

(3)

$G_i^*=\frac{\sum_{j=1}^n \boldsymbol{W}_{i j} y_j-\bar{y} \sum_{j=1}^n \boldsymbol{W}_{i j}}{S \sqrt{\frac{\left[n \sum_{j=1}^n \boldsymbol{W}_{i j}{ }^2-\left(\sum_{j=1}^n \boldsymbol{W}_{i j}\right)^2\right]}{n-1}}}$

(4)

其中，n为研究地区的数量；W_ij为省份i和省份j的空间权重矩阵；y_i和y_j为省份i和省份j的猪丹毒病例数；y为所有省份的病例数均值，S为猪丹毒病例的标准差。

1.4 时空扫描分析

时空扫描分析是由Kulldorff与Nagarwalla^[20]提出用于识别热点区域的方法，它可以弥补空间自相关分析无法分析空间分布格局与范围的缺点^[21]。时空扫描分析是以一个在空间中动态移动的扫描窗口为基础，设定扫描窗口为底对应研究区域，高对应时间长度的圆柱体形，以动态变化的扫描窗口对不同时空进行扫描，计算每次变动下窗口内外的实际病发数与预期病发数的对数似然比(log likelihood ratio，LLR)去评价扫描窗口内发病数的异常情况，将LLR值最大的窗口定义为一级高发病聚集区，其余具有统计意义的窗口依照LLR值排序并定义为次级高发病聚集区，假设发病数服从Poisson分布，则LLR的公式：

$L L R=\log \left[\left(\frac{n_Z}{\mu_Z}\right)^{n_Z}\left(\frac{N-n_Z}{N-\mu_Z}\right)^{\left(N-n_Z\right)}\right]$

(5)

其中，N表示总发病数，n_Z为窗口内的实际发病数，μ_Z为窗口内的期望发病数。而后通过对窗口的统计学检验，计算相对危险度(relative risk，RR)去评估各聚集区的相对风险大小^[22]。

1.5 地理加权回归和多尺度地理加权回归模型

地理加权回归(GWR)模型在普通最小二乘(OLS)模型的基础上，将数据的空间位置引入回归参数中，使得回归系数随着地理位置的变化而变化，其模型如下^[14]：

$y_i=\beta_0\left(u_i, v_i\right)+\sum\limits_{j=1}^p \beta_j\left(u_i, v_i\right) x_{i j}+\varepsilon_i i=1, 2 \cdots, n$

(6)

式中，(u_i, v_i)是第i个地区的空间坐标(如经纬度)，y_i、x_ij、β₀(u_i, v_i)、ε_i分别是第i个地区的因变量、第j个自变量、回归常数项以及随机误差项。β_j(u_i, v_i)则代表第i个地区上的第j个回归参数，可以通过下式计算：

$\hat{\beta}\left(u_i, v_i\right)=\left(X^T W\left(u_i, v_i\right) X\right)^{-1} X^T W\left(u_i, v_i\right) Y$

(7)

式中，$\hat{\beta}\left(u_i, v_i\right)$为β_j(u_i, v_i)的估计值，X为自变量矩阵，Y为因变量向量，W(u_i, v_i)是地区i的空间权重对角阵，其形式如下：

$W_i=\left[\begin{array}{ccccc}w_{i 1} & 0 & \cdots & \cdots & 0 \\ 0 & w_{i 2} & \cdots & \cdots & 0 \\ 0 & 0 & w_{i 3} & \cdots & 0 \\ \dot{0} & \dot{0} & \dot{0} & \cdots & \dot{w}_{i j}\end{array}\right]$

(8)

w_ij代表样本点j在回归点i的地理权重，使用合理的权函数来确定地理权重w_ij会对参数估计值$\hat{\beta}\left(u_i, v_i\right)$产生重要影响，因此本文采用最常见的Gauss权函数来计算w_ij：

$w_{i j}=\exp \left(-\left(d_{i j} / b\right)^2\right)$

(9)

d_ij表示地区i和地区j之间的地理距离，b为带宽，用于描述权重和地理距离之间的关系。在实际应用中，GWR模型对带宽的选择十分敏感，带宽太小会导致回归参数估计的方差过大，带宽太大又会使得回归参数估计的偏差过大^[23]，因而本文采取修正的赤池信息量准则(correct akaike information criterion，AICc)^[24]来确定最优带宽。

多尺度地理加权回归(MGWR)模型在GWR模型的基础上，允许每个变量有单独的优化带宽，其一般形式如下^[16]：

$\begin{gathered}y_i=\beta_{b w 0}\left(u_i, v_i\right)+\sum\limits_{j=1}^m \beta_{b w j}\left(u_i, v_i\right) \\ X_{i j}+\varepsilon_i i=1, 2 \cdots, n\end{gathered}$

(10)

其中，bw0为截距项的带宽，bwj为第j个解释变量的带宽。MGWR模型在核函数和带宽选取准则上与GWR相同，但不同于GWR模型采用加权最小二乘法来估计参数，MGWR模型使用后向拟合(back-fitting)算法^[25]进行参数估计以保持估计的回归系数更加平滑。

2 结果 2.1 猪丹毒病例的时空分布特征

2.1.1 猪丹毒病例的时间特征 　　用H-P滤波法分解2010-2020年全国猪丹毒月病例的长期波动和长期趋势发现(图 1)，月病例在2017年之前存在明显的季节性周期波动，每年的7、8月份为发病高峰时期，1、2月份为发病低峰时期；猪丹毒月病例的长期趋势在2010—2014年随时间变化而递增，从2015年开始，病例数逐年递减。提取季节指数并制作成雷达图(图 2)，由图 2可以看出, 6—9月份为猪丹毒发病旺季，其病例季节性指数分别为146.24%、171.75%、170.55%、128.46%，1—4月份为猪丹毒低发时期，病例季节性指数仅为38.18%、52.47%、62.84%、83.66%。

2.1.2 猪丹毒病例的空间特征 　　2010—2020年猪丹毒的高发地区主要集中在中南部省份(广西、湖南、四川、湖北、重庆)，北部以及西部地区为猪丹毒低发地区(图 3)。四川省的年均病例数最高(270例)，北京和西藏均为0例。将疫情周期划分为个别时间段进行时空特征分析不仅可以更深入地了解疫情的时空动态特征^[26]，也有助于监测之前存在的和新出现的聚集区域^[27]。因此将猪丹毒的周期分为2010—2014年(递增阶段)和2015—2020年(递减阶段)两个阶段，并对这两个阶段进行热点分析和下文的时空扫描分析。由图 3可知，热点主要分布在四川、云南、重庆、贵州、广西、湖南等地区，冷点地区集中在北京、河北、山东，内蒙古和辽宁等地，两个阶段的冷热点分布并未有太大差异。结果表明无论猪丹毒病例随时间递增或递减，中南部地区依旧呈现高病发率，北方地区同样保持低病发率。

空间自相关分析显示，2010—2020年，猪丹毒病例的分布呈空间聚集性(表 1)。每一年的Moran’s I值均为正，表示历年猪丹毒病例存在显著的空间自相关性。并且Moran’s I值呈现先减(2010—2014年)后增(2014—2015年)的趋势，这与猪丹毒病例的长期趋势相反，即猪丹毒病例与其空间聚集程度存在“此消彼长”的状态。这是由于2010—2014年猪丹毒病例数逐年递增，其发病地区由广西、云南等西南地区向湖南、湖北、重庆等中部地区扩散，使得猪丹毒发病区域的范围更分散，导致空间自相关性有减弱的趋势，自2015年后，猪丹毒病例数逐年减少，其发病地区缩小到四川、云南等南部地区，发病地区在空间上更集聚，使得空间自相关性逐渐加强。

2.1.3 猪丹毒的时空聚集性分析 　　为了进一步挖掘猪丹毒的时空分布格局，应用基于离散泊松概率模型的时空扫描统计量法，以各省级行政区为地理单元，以月为时间尺度，通过SaTScan10.0软件对我国2010—2014年和2015—2020年两个阶段猪丹毒的月发病数进行回顾性时空扫描，参考已有研究^[28-30]，将聚类范围最大限定值定为25%的总人数处于风险人口中，时间扫描上限为6个月、下限为3个月，扫描窗口以月为单位，蒙特卡洛模拟数设为999次，当检验统计量LLR的P值< 0.001时，表示窗口内外猪丹毒发病数的异常情况具有统计意义，即窗口内的区域为猪丹毒的高发时空聚集区，图 4和表 2展示了具有统计意义的时空聚集信号。

第一阶段共探测出5个具有统计意义的猪丹毒高发时空聚集区，而第二阶段探测出4个，两阶段探测出的结果与热点分析得出的结论较为一致，但福建、浙江、江苏等沿海地区虽然在热点分析中未表现出较高的热点，却在时空扫描中被标记为具有统计意义的猪丹毒高发聚集区。这是因为利用热点分析时，在构建距离尺度的过程中没有考虑时间的影响且存在主观选择尺度的不稳定因素，因此往往导致局部高发热点被减弱甚至忽略，而时空扫描不仅充分融合了时空技术还实现了尺度自动转换的目的^[31]，从而充分挖掘时空聚集信号。从图 5可以看出，2010—2014年一级聚集区的中心主要集中在重庆和四川，而2015—2020年多集中在贵州、广西、云南，并且江西、湖南、福建在2015—2020年也表现出了较强的聚集信号，这种变化趋势提示猪丹毒发病的时空聚集区存在向南移动的趋势。由表 3可知，猪丹毒的时空聚集区域在月份上比较集中，第一阶段的一级聚集区和次级聚集区4主要表现在6—11月，次级聚集区1和2发生于3—9月，次级聚集区3则出现在7—9月，第二阶段的聚集区均集中在5—10月，这与H-P滤波法分解出来的季节特征相似，即猪丹毒主要高发于较为炎热的月份。

2.2 猪丹毒病例的影响因素研究

2.2.1 影响因素选取 　　流行病的空间分布并不是随机分布的，其传播规律可能会受环境、人为因素的影响，因此在探究疫病的流行特征时需考虑如气候、经济、地理条件等具有空间异质性的因素。诱使动物疾病传播的因素较多，且与其发生的多重特征密切相关。如气象因素往往会使传染病的发病率呈现明显的季节性特征^[32]；较差的生态环境更能促使病原体的滋生和传播，农林水事务支出通过影响水质、土质进而改善养殖场的生态环境^[33]；猪丹毒具有高传染率的特性，当生猪数量越多，受感染的概率也越大；由于大多数的养殖场位处农村，因此乡村人口占比能在一定程度上影响猪丹毒的传播；而第一产业GDP和公路密度则间接地反映了畜牧业的发展以及猪丹毒的流动情况。因此本文选择各省的气温、降水量、风速、农林水事务支出、生猪数量、公路密度、第一产业GDP以及乡村人口比例作为影响猪丹毒病例数的因素。通过R软件将数据进行标准化并对各影响因素进行多重共线性诊断，各影响因素的方差膨胀因子(VIF)均小于6，即各影响因素之间没有显著相关性，均适用于建模，因此构造如下指标体系(表 3)。

2.2.2 多尺度空间非平稳性建模 　　以每年猪丹毒的病例数为因变量，以表 3中的各影响因素为自变量，建立OLS、GWR以及MGWR模型。模型评估结果如表 4所示。从各项评价指标上看，MGWR模型的拟合效果更好，其整体的R²、AIC以及残差平方和(residual sum of squares，RSS)均优于GWR和OLS模型，并且OLS模型的表现最差，说明猪丹毒病例数和其影响因素在空间上呈现显著的空间非平稳性。从每一年的拟合情况上看，2015-2017年的拟合效果最差，其MGWR模型的R²均小于0.7，2020年的拟合效果最好，其R²为0.84，AIC和RSS分别为-37.49和0.33。

2.2.3 影响因素的尺度差异性分析 　　带宽的大小反映空间异质性的强弱，较小的带宽通常意味着空间异质性较强。图 5展示了MGWR模型各变量每一年的带宽，不同变量对因变量的回归过程可以在不同的空间尺度上运行，因而导致变量间的带宽有所差异，并且同一变量的带宽并不是每一年都相同，这同时也反映了自变量对因变量影响尺度具有时间异质性。可以发现第一产业GDP、公路密度、降雨量、农林水事务支出以及气温的历年带宽均大于27，接近样本总量31，表现为全局同质性，即这些变量每一年对各省猪丹毒病例的影响大致相同。乡村人口比例在2014、2017、2018以及2020年的带宽为27，其系数在空间上表现较为平稳。而风速的带宽有明显的上升趋势，即随时间增长各省猪丹毒病例受风速影响的差异程度逐渐降低，反观带宽表现为递减的生猪数量随时间变化对各省猪丹毒病例的影响差异程度逐渐升高。

2.2.4 影响因素的时间差异性分析 　　对模型拟合结果中的回归系数进行整理，将其绘制成随阶段变化的箱线图并绘制均值线进而观察其时间变化趋势(图 6)。值得注意的是，第一产业GDP、农林水事务支出和降雨量的系数几乎均不显著(P>0.05)，即这些因素不能有效地解释其对猪丹毒病例的影响效应。2010—2020年，风速的平均值均为负数且均显著(P < 0.05)，说明风速抑制猪丹毒病毒扩散的影响显著。此外，其估计系数的分散性逐渐降低，说明空间差异性逐渐减弱；虽然公路密度的系数呈上升趋势，但其整体对猪丹毒病例表现为负向影响，并且仅在猪丹毒病例上升的时期(2010—2014年)具有显著影响；随着全球气候变暖，每年的气温总体呈现上升趋势，但气温作用力却逐渐减弱，这可能是由于各影响因素交互作用导致，不过其对猪丹毒发病数仍然表现为积极作用；由于环保限制和猪周期等多种因素影响^[34]，生猪存栏量逐年下降，其对猪丹毒的正向影响程度也有下降的趋势；乡村人口比例的估计系数有明显的先降后升的特征，其表现为对猪丹毒病例由原先的抑制作用逐渐变为促进作用。2006年，乡镇畜牧兽医服务中心设立并展开了以强制防检为主，治疗放开的工作体系，建立了村级防疫队伍和派驻防检监督人员的基层防疫队伍^[35]，强化了乡村动物的防疫能力，使得乡村人口比例在一定程度上控制了猪丹毒病例数的增加。然而城镇化进程的不可逆导致进城务工人员不断上升，同时《兽用处方药和非处方药管理办法》的实施^[36]，加强了兽药监管，减少了使用不当和违规使用兽药导致动物疫病蔓延的现象，使得乡村人口比例对猪丹毒的影响逐渐减弱。

2.2.5 影响因素的空间差异性分析 　　为解释各指标影响效应的空间异质性，用ArcGis10.6软件对较显著的影响因素进行系数可视化。由于风速、气温、乡村人口比例在猪丹毒病例上升时期以及下降时期均存在显著影响，因此选取2010、2015、2020年的系数进行可视化(图 7)。而公路密度和生猪数量仅在猪丹毒病例上升时期对其有显著效应，所以将二者在2011、2012、2013年的系数进行可视化(图 8)。风速的系数在2010、2015和2020年的空间分布均呈现西南向东北规律性递增的格局，即风速对地区猪丹毒病例的负向影响程度从西南到东北持续减弱。虽然我国有南小北大的风速分布格局，但从南往北，风速逐渐增大，猪丹毒病例却逐渐减少，因此导致局部回归系数也逐渐降低；虽然气温在所有地区均对猪丹毒病例保持积极影响，但其空间异质性较低，对南部地区的作用力大于北部地区，这是由于气温存在明显的北低南高的分布格局，而且随着气温的升高，病原体的繁殖和变异会加速，使得疾病暴发的可能性增加^[37]，并且气温对所有地区的影响程度有随时间减弱的趋势；乡村人口比例系数的空间分布差异性较低，并且常年的分布特征不一致。2010年东南地区的回归系数小于其他地区，2015年的回归系数存在明显的纬度方向的阶梯状变化趋势，2020年则呈现南小北大的分布特征。

公路密度在2011年的空间异质性偏小，所有地区的系数均在-0.32~-0.37间变化，2012—2013年存在明显的经度方向的阶梯状变化趋势，并且影响效应逐年减低。2011—2013年，生猪数量的系数空间分布格局总体呈现西南向东北规律性递减，且所有区域均为正值，即生猪数量对区域猪丹毒正向影响的显著程度表现为西南地区多东北少的空间分布状态。猪丹毒的传染性较强，随着生猪数量增多，丹毒丝菌获得新宿主的机会也会越大。同时我国中小规模的养猪场居多^[38]，且往往采用开放式管理手段，再加上出入养殖场的人数较多^[39]，对丹毒丝菌的传播十分有利，因此在生猪数量较多的西南地区，生猪数对猪丹毒传播的影响力度更强，而在生猪数较少的西北和东北部地区，生猪数对这些地区猪丹毒传播的影响力就相对更弱。

3 讨论

时间上，猪丹毒的流行存在明显的季节性，暴发于每年的6-8月，与Wang等^[3]的研究一致。这可能与气候对丹毒丝菌存活的影响有关，夏季高温和潮湿的环境可能会加速丹毒丝菌的繁殖同时提高其存活率，因此养殖人员应更加注重夏季的防治工作。空间上，猪丹毒疫情存在常年不均匀的空间分布特征，高发地区主要集中在四川、云南、广西、湖南等中部和西南部地区，低发地区主要分布于西藏、内蒙古、北京、吉林等西部和北部地区。这与我国生猪养殖业的地理分布存在密切关系，我国生猪的规模养殖场主要分布在湖南、湖北、四川和云南等中西部地区，新疆、西藏、内蒙古和东北地区的生猪数量及养殖场相对较少^[38]。同时可以发现，高发地区和低发地区的气候特征存在明显的差别，这也暗示了气候因素可能在一定程度上会影响猪丹毒疫情的空间分布。

时空扫描探测出猪丹毒发病数的时空聚集区域除热点分析中的热点区域，还观察到江苏、浙江、福建等地同样也具有相对较显著的时空聚集信号，这是因为2013-2014年这些地区发生过短暂的区域性猪丹毒疫情^[40]。而且2015-2020年的发病数聚集区较2010-2014年具有向南偏移的趋势，这可能与生猪调运有关，卢易等^[41]指出使用未经清洗消毒和不符合动物防疫要求的运输车辆会加大疫情传播的风险，同时云南、贵州、广西等南部地区是猪肉消费大省，由此导致猪丹毒的分布重心出现南移的趋势。在聚集时间上，两个阶段均显示疫情多集中在较为炎热的夏秋季，这也进一步强调做好季节性防疫工作的重要性。

在分析各影响因素对猪丹毒病例数的驱动力方面，OLS、GWR以及MGWR模型在2010-2014年的拟合效果优于2015-2020年的拟合效果，联想到2015年开始实施的新环保法，该政策对养殖场的建设和管理提出明确要求并严格管控废气、废水、畜禽粪便等排放^[42]，使生猪养殖进入了更为规范化、环保化的产业时代，因而由各因素导致的猪丹毒病例减少，影响因素的效应降低，从而使得2015-2020年的拟合效果更差。相对于OLS和GWR模型，MGWR模型的拟合效果更好，这是因为MGWR模型允许参数的空间变化过程在不同的空间尺度下运行，使得其可以识别不同因素的尺度差异。温度的升高和生猪数量的增多均会加速猪丹毒的传播，高温不仅能加速食物的变质，还能提高病毒传播载体的存活率以至于加快猪丹毒的传播^[4]，同时高温会使猪产生不同程度的应激反应，减弱了生猪对抗原免疫应答的能力，增加了生猪患上猪丹毒的概率。丹毒丝菌可通过猪的一些分泌物排出体外，并污染饲料、饮水、用具和猪舍等，从而传染给其他生猪^[43]，因此生猪数量越多，猪丹毒的传播速度就会越快。所以养殖人员应采用集约化养殖技术，保持猪舍内的温度正常，改善养殖场内的饮水系统，对养殖工具和猪舍定期进行消毒。2010-2013年的公路密度与猪丹毒病例数的关联有统计学意义，这与石国宁等^[12]和Korennoy等^[44]的研究一致，说明生猪的调运与疫情的传播有密切关联。风速对猪丹毒病例数的负向影响最显著，较高的风速能改善空气质量和通风，以减少病毒的暴露，并且风速能在一定程度上降低温度对猪丹毒的影响^[3]。乡村人口比例在控制猪丹毒暴发上发挥一定作用，乡村动物防疫是动物防疫工作的前沿和主战场，建立乡村动物防疫组织是搞好动物防疫工作的保证，因此建立以乡镇动物防疫为主导的联防联控组织是重中之重，同时增加人力，扩大领域，健全乡村动物防疫体系^[45]。

本文重点旨在通过数据分析和方法探讨研究我国猪丹毒的时空分布格局及其与影响因素之间的关系，为猪丹毒的预警监测和风险管理提供参考，对以往有关猪丹毒时空分布和影响因素的文献进行补充。但在实际试验过程中由于数据获取的限制，未采集到市级层面的各类数据，忽略了各省内的时空异质性，同时以省级层面的数据去替代省内各养殖场的数据难免会出现“区位谬误”的现象。因此，在今后的研究中可细化研究区域范围，进一步完善猪丹毒预警监测方面的研究。

4 结论

本研究表明我国猪丹毒暴发于每年的6-8月，高发病区集中在我国中南部地区，并具有向南移动的趋势。风速、气温、公路密度、生猪数量以及乡村人口比例均会对区域猪丹毒的病例数有一定影响。根据这些结果，未来可以开展更精确的猪丹毒预警监测工作，有助于对预防和控制猪丹毒传播提供参考意见。