近年來(lái)，應(yīng)用空間統(tǒng)計(jì)分析方法進(jìn)行疾病分布圖描述、疾病聚集性研究、地理環(huán)境與疾病相關(guān)性研究，以及疾病危險(xiǎn)因素研究逐漸成為熱點(diǎn)。由于空間分析方法的日益豐富和局部地理數(shù)據(jù)可獲渠道的多樣性，現(xiàn)代空間流行病學(xué)已成為流行病學(xué)分支，特別適用于局部區(qū)域的空間分析，主要應(yīng)用于環(huán)境污染監(jiān)測(cè)、傳染病和慢性疾病的預(yù)防控制、公共衛(wèi)生應(yīng)急管理和預(yù)警技術(shù)3個(gè)方面[1]。本文復(fù)習(xí)空間統(tǒng)計(jì)分析中主要幾種方法。
1. 空間測(cè)距法（spatial proximity）：該法的基本思想是通過(guò)測(cè)算目標(biāo)地點(diǎn)（如住宅和工作場(chǎng)所）到目標(biāo)資源或危害源的距離以解釋暴露的大小。一般用于人群行為模式或環(huán)境污染的研究，如研究空氣污染一般通過(guò)計(jì)算目標(biāo)地點(diǎn)到最近的鐵路距離以評(píng)估環(huán)境污染狀況[2]；行為學(xué)家通過(guò)測(cè)算研究地點(diǎn)到最便捷的快餐店或零食商店，研究人群飲食結(jié)構(gòu)的差異[3]，測(cè)算到公園綠地等的距離以研究人群運(yùn)動(dòng)習(xí)慣的差異[4]，測(cè)算到藥店的距離以研究患病求醫(yī)行為的差異[5]。在此所用的距離一般為點(diǎn)之間的直線距離，盡管很方便，但往往非常粗糙，不能反映真實(shí)情況，故有學(xué)者建議使用網(wǎng)狀路線距離來(lái)計(jì)算實(shí)際距離以減小誤差[5]。當(dāng)然，若兩點(diǎn)之間距離較遠(yuǎn)而致出行時(shí)間成為掣肘，測(cè)距時(shí)也應(yīng)考慮其出行方式。測(cè)距法的最大優(yōu)勢(shì)在于其原理簡(jiǎn)單，應(yīng)用方便，劣勢(shì)在于誤差過(guò)大。
2. 集結(jié)法（aggregation methods）：常用以評(píng)估暴露的一種空間方法。其基本原理是用給定空間（如一個(gè)普查區(qū)）的某一特征量的合計(jì)量或平均水平來(lái)評(píng)估某一特征，如以某地區(qū)車輛的總數(shù)評(píng)估該地區(qū)的交通污染暴露情況[5,6]，或以某城市的道路交叉路口數(shù)評(píng)估該城市的環(huán)境宜步行性[7]。該法常與空間測(cè)距法聯(lián)用，通過(guò)加入距離權(quán)重進(jìn)行資源評(píng)估。使用中可能遇到困難，如研究特定空間中基礎(chǔ)人口分布對(duì)變異的影響，人口密度會(huì)影響到人均可用資源，即更高的人口密度意味著對(duì)資源愈加激烈的競(jìng)爭(zhēng)性。目前有兩種方法可以解決該問(wèn)題：第一，研究空間的大小可以根據(jù)人口密度進(jìn)行調(diào)整；第二，研究人員可以使用一個(gè)固定的緩沖區(qū)，其密度由人口數(shù)量加權(quán)[8,9]。雖然緩沖區(qū)域集結(jié)法應(yīng)用簡(jiǎn)便，但仍太復(fù)雜，即當(dāng)緩沖區(qū)域作為部分測(cè)量區(qū)域時(shí)，需要使用修正因子；由于相關(guān)的緩沖區(qū)大小未知，需要對(duì)可替代的緩沖區(qū)大小作靈敏度分析[10]。
集結(jié)法也常用ArcGIS進(jìn)行，考慮到人口密度的影響時(shí)，使用全球人口動(dòng)態(tài)統(tǒng)計(jì)數(shù)據(jù)庫(kù)LandScan。該數(shù)據(jù)庫(kù)由美國(guó)能源部橡樹(shù)嶺國(guó)家實(shí)驗(yàn)室（ORNL）開(kāi) 發(fā)，East View Cartographic提供。LandScan運(yùn)用GIS和遙感等創(chuàng)新方法，是全球人口數(shù)據(jù)發(fā)布的社會(huì)標(biāo)準(zhǔn)，也是全球最為準(zhǔn)確、可靠，具有分布模型和最佳分辨率的全球人口動(dòng)態(tài)統(tǒng)計(jì)分析數(shù)據(jù)庫(kù)。
3. 空間插值分析（spatial interpolation）：空間流行病學(xué)也常用抽樣研究。利用樣本點(diǎn)值的空間分布規(guī)律可以對(duì)未抽樣點(diǎn)值進(jìn)行估計(jì)，估計(jì)值可以制作疾病地圖，供衛(wèi)生決策參考。由于空間插值分析是通過(guò)有限的樣本點(diǎn)數(shù)據(jù)，對(duì)地圖平面上所有點(diǎn)位值進(jìn)行估計(jì)，采用這些估計(jì)值所制作的疾病地圖可以連成一個(gè)光滑的表面[11]，故空間插值分析又被認(rèn)為是一種平滑技術(shù)。該法主要有距離倒數(shù)插值、趨勢(shì)面分析、樣條插值、權(quán)重插值、Kriging插值等方法。前兩種方法現(xiàn)在應(yīng)用較少，在研究中一般使用后三種。
（1）距離倒數(shù)插值：該法是基于兩空間位置屬性的相似性或相關(guān)性與距離成反比，即距離越遠(yuǎn)，影響越小。
（2）趨勢(shì)面分析：是用以研究區(qū)域尺度上空間結(jié)構(gòu)的趨勢(shì)和逐漸變化的一種空間分析方法。其基本思想是將數(shù)據(jù)的空間變化分解成3個(gè)部分：區(qū)域趨勢(shì)、局部異常和隨機(jī)誤差，其實(shí)質(zhì)是進(jìn)行數(shù)據(jù)擬合。趨勢(shì)面本身是一個(gè)多項(xiàng)式函數(shù)，隨多項(xiàng)式次數(shù)提高，雖然擬合程度越高，但其能用性和預(yù)測(cè)性也就越低，計(jì)算也越復(fù)雜，實(shí)際應(yīng)用中通常采用的是二階或三階多項(xiàng)式函數(shù)。
（3）樣條插值：是使用一種稱為樣條的特殊分段，采用多項(xiàng)式進(jìn)行插值，以解決低階插值函數(shù)擬合程度差，高階插值函數(shù)計(jì)算量大、有劇烈振蕩、數(shù)值穩(wěn)定性差，分段線性插值在分段點(diǎn)上僅連續(xù)而不光滑等問(wèn)題。該方法特別適用于局部地區(qū)趨勢(shì)明顯的數(shù)據(jù)研究，并不要求數(shù)據(jù)分布，計(jì)算量也較小[12,13]。
（4）權(quán)重插值：權(quán)重插值可綜合考量空間面積大小、形狀影響、人口數(shù)量、信息變異速度等各影響量，其優(yōu)點(diǎn)是計(jì)算量小。
（5）Kriging插值：該方法由Krige于1951年提出。其原理是空間距離相關(guān)和方向相關(guān)，在數(shù)學(xué)上被證明是空間分布數(shù)據(jù)局部最優(yōu)線性無(wú)偏估計(jì)技術(shù)[14]。線性是指估計(jì)值是樣本值的線性組合；無(wú)偏是指估計(jì)值的數(shù)學(xué)期望等于理論值，最優(yōu)是指估計(jì)的誤差方差最小。一些研究中常用地理系統(tǒng)基礎(chǔ)的Kriging插值估計(jì)患病率[15,16]。
4. 聚類檢測(cè)技術(shù)（cluster detection techniques）：在非隨機(jī)分布的空間數(shù)據(jù)中，空間聚類分析是最常用的工具。其中有些用以檢驗(yàn)一些疾病地理空間聚類及其聚集是否具有偶然性。根據(jù)研究范圍的大小和明確的研究地區(qū)，又分為全球聚類檢驗(yàn)、局部聚類檢驗(yàn)和焦點(diǎn)聚類檢驗(yàn)3種類型。
全球集類檢測(cè)可確定未給限定地點(diǎn)的大區(qū)域存在的聚類，最常用的方法有Diggle Chetwynd二元K檢驗(yàn)、MantelBailar測(cè)試、Potthoff-Whittinghill（PW）測(cè)試，較少用的方法有Moran’s I統(tǒng)計(jì)，至近鄰近法（Cuzick and Edwards’s nearest neighbors）和最大化額外事件測(cè)試（Tango’s maximized excess events tests，MEET），其中以MEET的檢驗(yàn)效能最強(qiáng)，可評(píng)估空間自相關(guān)和空間異質(zhì)性[17]。局部聚類檢驗(yàn)也稱熱點(diǎn)分析，用于檢驗(yàn)特定小規(guī)模區(qū)域的聚集性。常用方法有空間相關(guān)性的局部指標(biāo)法（Anselin’s local indicator of spatial association，LISA）、Besag-Newell檢驗(yàn)法、時(shí)空掃描統(tǒng)計(jì)量。Naus提出了掃描統(tǒng)計(jì)量的概念，即用事先選定的時(shí)間區(qū)間掃描整個(gè)觀察期得到的病例數(shù)最大值。由于該方法消除了人為地按年或月分組造成的主觀性，而且檢驗(yàn)效能較高，可以調(diào)整為多聯(lián)性測(cè)試，允許非均勻人口密度的背景，及其他混雜變量，適用于點(diǎn)數(shù)據(jù)和聚集性數(shù)據(jù)，與SaTScan相結(jié)合，目前已成為疾病時(shí)間聚集性或區(qū)域聚集性分析的熱點(diǎn)[18,19]。根據(jù)資料性質(zhì)不同，常用的主要方法有Bernoulli模型的掃描統(tǒng)計(jì)量、Poisson模型的掃描統(tǒng)計(jì)量、時(shí)空重排模型的掃描統(tǒng)計(jì)量、Ordinal模型的掃描統(tǒng)計(jì)量和指數(shù)模型的掃描統(tǒng)計(jì)量等[20]。
盡管大多數(shù)疾病調(diào)查的集群本質(zhì)上是空間的，而研究探索癌癥和傳染病往往涉及到時(shí)空分析，許多研究應(yīng)用Knox全球時(shí)空分析技術(shù)和Diggle全球時(shí)空K檢驗(yàn)技術(shù)[21,22]，其中K檢驗(yàn)更佳，因?yàn)榧纯筛眉m正邊緣效果也可允許更大范圍的時(shí)空尺度。其他方法還包括研究當(dāng)?shù)貢r(shí)空聚類的空間掃描統(tǒng)計(jì)量、用于前瞻性識(shí)別和監(jiān)測(cè)高危地區(qū)的連續(xù)時(shí)空系統(tǒng)（dynamic continuous-area space-time system，DYCAST）、用于數(shù)據(jù)不確定性的廣義Bayes最大熵技術(shù)（generalized Bayesian maximum entropy，GBME）和用于探索流行波在長(zhǎng)期時(shí)段速度的空間速度技術(shù)（spatial velocity techniques）等。
5. 多元空間回歸分析（multivariable spatial regression）：空間回歸模型是生態(tài)學(xué)分析的主要方法，從生態(tài)學(xué)的角度研究疾病發(fā)?。ɑ蚧疾 ⑺劳龅龋┛臻g分布與解釋變量（環(huán)境因素，如空氣、水、土壤等及社會(huì)經(jīng)濟(jì)學(xué)因素）間的關(guān)系。在傳統(tǒng)分析中，分析結(jié)果變量和解釋變量的關(guān)系時(shí)，常采用線性回歸或logistic回歸等方法，均要求個(gè)體間彼此獨(dú)立，而由于受共同環(huán)境影響，在空間分布的個(gè)體間可能彼此相關(guān)，故在傳統(tǒng)的回歸分析中引入隨機(jī)效應(yīng)項(xiàng)，以解釋可能存在的空間相關(guān)性的影響。
標(biāo)準(zhǔn)的統(tǒng)計(jì)回歸模型，其數(shù)據(jù)要求具有獨(dú)立性，因此不適合分析空間數(shù)據(jù)的分析?？臻g建模需要對(duì)準(zhǔn)則和調(diào)整后的數(shù)據(jù)就空間自相關(guān)性的強(qiáng)度進(jìn)行反復(fù)評(píng)估。如果空間數(shù)據(jù)具有自相關(guān)性或者協(xié)變量信息不能完全解釋該模式，那么就必須將空間相關(guān)性引入模型。盡管有大量的空間和非空間統(tǒng)計(jì)模型，但其間的差異很小[12,23]，實(shí)際應(yīng)用中常采用空間自相關(guān)分析和Bayes統(tǒng)計(jì)模型。
（1）空間自相關(guān)分析：空間自相關(guān)性是指空間位置上越靠近的事物或現(xiàn)象就越相似，即事物或現(xiàn)象具有對(duì)空間位置的依賴關(guān)系。空間自相關(guān)分析包括全程空間自相關(guān)分析和局部空間自相關(guān)分析，需要的空間數(shù)據(jù)類型是點(diǎn)或面數(shù)據(jù)，分析的對(duì)象是具有點(diǎn)或面分布特征的特定屬性?？臻g流行病學(xué)中，表示空間自相關(guān)大小的常用統(tǒng)計(jì)量有3個(gè)，即Moran’s I、Geary’s C和G統(tǒng)計(jì)量。Moran’s I統(tǒng)計(jì)量是一個(gè)應(yīng)用最廣的衡量空間自相關(guān)性指標(biāo)，可用來(lái)進(jìn)行全程或局部空間自相關(guān)分析；Geary’s C統(tǒng)計(jì)量是另一個(gè)常用于分析全局空間自相關(guān)性的指標(biāo)；G統(tǒng)計(jì)量用來(lái)分析局部空間自相關(guān)性。
（2）Bayes統(tǒng)計(jì)模型：近年來(lái)生態(tài)學(xué)研究的重點(diǎn)已轉(zhuǎn)向針對(duì)小區(qū)域的空間研究上。但由于區(qū)域范圍小，計(jì)數(shù)總量少且分散，變異大，不同區(qū)域往往存在空間相關(guān)性，Bayes分析能克服這些困難，因而成為疾病分析的主流方法。其基本原理為通過(guò)構(gòu)建分層Bayes模型對(duì)未知參數(shù)只提出先驗(yàn)分布，并進(jìn)行Bayes估計(jì)獲得Bayes后驗(yàn)分布，再通過(guò)馬爾科夫鏈-蒙特卡羅方法（Markov Chain Monte Carlo method，MCMC）進(jìn)行后驗(yàn)分布的計(jì)算，最終獲得參數(shù)的估計(jì)值，可以有效對(duì)包括小區(qū)域范圍疾病分布圖的描繪、疾病地理聚集性分析和疾病地理相關(guān)性研究在內(nèi)的時(shí)空非獨(dú)立數(shù)據(jù)進(jìn)行分析[24]。目前Bayes空間分析模型已發(fā)展成多類的分析方法，包括近年來(lái)充分發(fā)展和得到應(yīng)用的BYM（Besag York and Molliè）模型、聯(lián)合隨機(jī)模型、半?yún)?shù)Bayes統(tǒng)計(jì)及移動(dòng)性均化模型等。其中，以BYM模型和半?yún)?shù)模型中的MIX模型的優(yōu)勢(shì)較明顯。
BYM模型是目前最成熟且應(yīng)用最廣泛的方法。在利用固定協(xié)變量和隨機(jī)效應(yīng)的多數(shù)研究中，利用BYM模型可定量單一疾病的潛在風(fēng)險(xiǎn)因子效應(yīng)[23,25,26]；在部分研究中，利用帶有共享組件的BYM模型可建立二元或多元疾病的聯(lián)合空間模型以分析共同的風(fēng)險(xiǎn)因子[27,28,29]。另外，還發(fā)展了空間BYM模型進(jìn)行時(shí)空分析[27]。在半?yún)?shù)模型中，相對(duì)BYM模型而言，MIX模型最受關(guān)注，且更加反映真實(shí)情況，更具靈活性和適應(yīng)性。MIX模型傾向于把各個(gè)地區(qū)的發(fā)病資料劃分類別，形成危險(xiǎn)性地區(qū)或者普通地區(qū)，因此，MIX模型可以顯著發(fā)現(xiàn)高危險(xiǎn)性地區(qū)。而B(niǎo)YM模型往往會(huì)中和高危地區(qū)和低危地區(qū)。但是對(duì)于整個(gè)區(qū)域發(fā)病緩和的情況，MIX模型的處理能力卻不如BYM模型[20]。
6. 基于空間動(dòng)態(tài)面板模型：這是處理截面數(shù)據(jù)中空間效應(yīng)（spatial effects）專門的計(jì)量模型和統(tǒng)計(jì)方法。該法能同時(shí)考慮被解釋變量在時(shí)間動(dòng)態(tài)（dynamic）效應(yīng)與在空間上的溢出（spillover）效應(yīng)?，F(xiàn)代的許多領(lǐng)域，例如區(qū)域科學(xué)[30]、環(huán)境經(jīng)濟(jì)學(xué)[31]、農(nóng)業(yè)經(jīng)濟(jì)學(xué)、公共財(cái)政[32]和流行病學(xué)等研究已越來(lái)越多地考慮截面數(shù)據(jù)上的空間自相關(guān)性。
7.統(tǒng)計(jì)軟件：時(shí)空統(tǒng)計(jì)分析常用軟件見(jiàn)表 1。
綜上所述，空間測(cè)距法和集結(jié)法由于其方法簡(jiǎn)便，是空間分析中最為青睞的方法；空間插值分析、聚類檢測(cè)技術(shù)、多元空間回歸分析相對(duì)應(yīng)用較少，其中空間掃描統(tǒng)計(jì)法和Bayes回歸模型法由于其獨(dú)特的優(yōu)勢(shì)，逐漸成為時(shí)空分析的熱點(diǎn)。在實(shí)際應(yīng)用中，由于空間測(cè)距法和集結(jié)法偏倚過(guò)大，分析問(wèn)題流于表面和簡(jiǎn)單，同樣也不適用于大規(guī)模大數(shù)據(jù)的研究，近來(lái)其應(yīng)用已趨減少?？臻g掃面統(tǒng)計(jì)法和建立回歸模型是建立在大樣本數(shù)據(jù)之上，加之SaTScan等軟件的開(kāi)發(fā)方便了運(yùn)算步驟，其準(zhǔn)確性得到可靠保證，越受青睞。然而在流行病學(xué)中應(yīng)用空間分析方法的研究仍為少數(shù)，大部分流行病學(xué)專家不擅長(zhǎng)空間分析方法，但隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展和各類空間技術(shù)水平的不斷提高，這一交叉學(xué)科必定會(huì)推動(dòng)公共衛(wèi)生學(xué)、生物學(xué)（遺傳學(xué)）、生態(tài)學(xué)、數(shù)學(xué)、數(shù)理統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)、GIS等專業(yè)的發(fā)展，并將在醫(yī)學(xué)與公共衛(wèi)生領(lǐng)域中發(fā)揮更大作用。
| [1] Zhou XN, Yang GJ, Yang K, et al. Progress and trends of spatial epidemiology in China[J]. Chin J Epidemiol, 2011, 32(9):854-858. (in Chinese)周曉農(nóng), 楊國(guó)靜, 楊坤, 等. 中國(guó)空間流行病學(xué)的發(fā)展歷程與發(fā)展趨勢(shì)[J]. 中華流行病學(xué)雜志, 2011, 32(9):854-858. |
| [2] Allen RW, Criqui MH, Diez Roux AV, et al. Fine particulate matter air pollution, proximity to traffic, and aortic atherosclerosis[J]. Epidemiology, 2009, 20:254-264. |
| [3] Davis B, Carpenter C. Proximity of fast-food restaurants to schools and adolescent obesity[J]. Am J Public Health, 2009, 99:505- 510. |
| [4] Zenk SN, Schulz AJ, Israel BA, et al. Neighborhood racial composition, neighborhood poverty, and the spatial accessibility of supermarkets in metropolitan Detroit[J]. Am J Public Health, 2005, 95:660-667. |
| [5] Michael YL, Perdue LA, Orwoll ES, et al. Physical activity resources and changes in walking in a cohort of older men[J]. Am J Public Health, 2010, 100:654-660. |
| [6] Bailey TC, Gatrell AC. Interactive Spatial Data Analysis[M]. Hoboken, NJ: Wiley, 1995. |
| [7] Cervero R, Duncan M. Walking, bicycling, and urban landscapes: evidence from the San Francisco Bay Area[J]. Am J Public Health, 2003, 93:1478-1483. |
| [8] Berke EM, Tanski SE, Demidenko E, et al. Alcohol retail density and demographic predictors of health disparities: a geographic analysis[J]. Am J Public Health, 2010, 100:1967-1971. |
| [9] Chaix B, Merlo J, Subramanian SV, et al. Comparison of a spatial perspective with the multilevel analytical approach in neighborhood studies: the case of mental and behavioral disorders due to psychoactive substance use in Malmo, Sweden, 2001[J]. Am J Epidemiol, 2005, 162:171-182. |
| [10] Diez Roux AV, Evenson KR, McGinn AP, et al. Availability of recreational resources and physical activity in adults[J]. Am J Public Health, 2007, 97:493-499. |
| [11] Moore DA, Carpenter TE. Spatial analytical methods and geographic information systems: use in health research and epidemiology[J]. Epidemiol Rev, 1999, 21:143-161. |
| [12] Auchincloss AH, Diez Roux AV, Brown DG, et al. Filling the gaps:spatial interpolation of residential survey data in the estimation of neighborhood characteristics[J]. Epidemiology, 2007, 18:469-478. |
| [13] Ugarte MD, Goicoa T, Etxeberria J, et al. Age-specific spatio- temporal patterns of female breast cancer mortality in Spain (1975-2005)[J]. Ann Epidemiol, 2010, 20:906-916. |
| [14] Goovaerts P. Geostatistics for Natural Resources Evaluation[M]. Oxford: Oxford University Press, 1997. |
| [15] Gemperli A, Vounatsou P, Kleinschmidt I, et al. Spatial patterns of infant mortality in Mali: the effect of malaria endemicity[J]. Am J Epidemiol, 2004, 159:64-72. |
| [16] Gesink Law DC, Bernstein KT, Serre ML, et al. Modeling a syphilis outbreak through space and time using the Bayesian maximum entropy approach[J]. Ann Epidemiol, 2006, 16:797-804. |
| [17] Thomas W, Birgit R, Edith S. Changing geographical distribution of diabetes mellitus type 1 incidence in Austrian children 1989-2005[J]. Eur J Epidemiol, 2008, 23:213-218. |
| [18] Kulldorff M. A spatial scan statistic[J]. Commun Stat Part A Theory Methods, 1997, 26:1481-1496. |
| [19] Gregorio DI, Huang L, DeChello LM, et al. Place of residence effect on likelihood of surviving prostate cancer[J]. Ann Epidemiol, 2007, 17:520-524. |
| [20] Li XY, Chen K. Scan statistics and its application in spatial epidemiology[J]. Chin J Epidemiol, 2008, 29(8):828-831. (in Chinese)李秀央, 陳坤. 掃描統(tǒng)計(jì)量的理論及其在空間流行病學(xué)中的應(yīng)用[J]. 中華流行病學(xué)雜志, 2008, 29(8):828-831. |
| [21] Gustafsson B, Carstensen J. Space-time clustering of childhood lymphatic leukaemias and non-Hodgkin's lymphomas in Sweden[J]. Eur J Epidemiol, 2000, 16:1111-1116. |
| [22] Houben MP, Coebergh JW, Birch JM, et al. Space-time clustering of glioma cannot be attributed to specific histological subgroups[J]. Eur J Epidemiol, 2006, 21:197-201. |
| [23] Boyd HA, Flanders WD, Addiss DG, et al. Residual spatial correlation between geographically referenced observations: a Bayesian hierarchical modeling approach[J]. Epidemiology, 2005, 16:532-541. |
| [24] Zheng WJ, Li XY, Chen K. Bayesian statistics in spatial epidemiology[J]. J Zhejiang Univ:Med Sci, 2008, 37(6):644- 649. (in Chinese)鄭衛(wèi)軍, 李秀央, 陳坤. 空間流行病學(xué)研究中的Bayes統(tǒng)計(jì)方法[J]. 浙江大學(xué)學(xué)報(bào):醫(yī)學(xué)版, 2008, 37(6):644-649. |
| [25] Dominguez-Berjon MF, Gandarillas A, Segura del Pozo J, et al. Census tract socioeconomic and physical environment and cardiovascular mortality in the region of Madrid (Spain)[J]. J Epidemiol Commun Health, 2010, 64:1086-1093. |
| [26] Hickson DA, Waller LA, Gebreab SY, et al. Geographic representation of the Jackson Heart Study cohort to the African-American population in Jackson, Mississippi[J]. Am J Epidemiol, 2011, 173:110-117. |
| [27] Feltbower RG, Manda SO, Gilthorpe MS, et al. Detecting small- area similarities in the epidemiology of childhood acute lymphoblastic leukemia and diabetes mellitus, type 1: a Bayesian approach[J]. Am J Epidemiol, 2005, 161:1168-1180. |
| [28] Havulinna AS, Paakkonen R, Karvonen M, et al. Geographic patterns of incidence of ischemic stroke and acute myocardial infarction in Finland during 1991-2003[J]. Ann Epidemiol, 2008, 18:206-213. |
| [29] Manda SO, Feltbower RG, Gilthorpe MS. Investigating spatio- temporal similarities in the epidemiology of childhood leukaemia and diabetes[J]. Eur J Epidemiol, 2009, 24:743-752. |
| [30] Li R, Wang LP, Liu QQ. The empirical analysis on the influence of geographical distance and economic distance to entrepreneurship knowledge spillover[J]. Sci Technol Progress Policy, 2012, 29(10):113-118. (in Chinese)李燃, 王立平, 劉琴琴. 地理距離與經(jīng)濟(jì)距離對(duì)創(chuàng)業(yè)知識(shí)溢出影響的實(shí)證分析[J]. 科技進(jìn)步與對(duì)策, 2012, 29(10):113-118. |
| [31] Wei LL, Sun X, Wang LP. Spatial structure dynamic analysis of industrial transfer and environmental pollution[J]. Inquiry into Economic Issues, 2010, 10:23-27. (in Chinese)未良莉, 孫欣, 王立平. 產(chǎn)業(yè)轉(zhuǎn)移與環(huán)境污染的空間動(dòng)態(tài)面板分析[J]. 經(jīng)濟(jì)問(wèn)題探索, 2010, 10:23-27. |
| [32] Gong LZ. Influencing factors and regional disparity of growth of China's land remise income — an empirical study based on dynamic model of spatial panel data[J]. Res Economics Management, 2011, 9:15-23. (in Chinese)龔麗貞. 我國(guó)土地出讓收入增長(zhǎng)的影響因素與地區(qū)差異——基于空間動(dòng)態(tài)面板模型的實(shí)證研究[J]. 經(jīng)濟(jì)與管理研究, 2011, 9:15-23. |
聯(lián)系客服
