中国2014-2018年淋病空间分布特征及社会影响因素截面回归模型分析

中国2014-2018年淋病空间分布特征及社会影响因素截面回归模型分析摘要目的：分析我国2014-2018年淋病的空间分布特征及相关社会影响因素，识别疾病聚集区域，为淋病的有效防制提供理论依据。方法：应用地理信息系统(ArcGIS)建立2014-2018年淋病发病率数据库，进行三维趋势分析、Moran’sI空间自相关分析，探索其空间分布特征并进行可视化展示；运用OpenGeoDa软件对2014年各省的淋病发病率数据和政府卫生总费用，卫生人员数，医疗卫生机构床位数和人均GDP等社会指标进行空间截面回归模型分析，探讨影响地区发病率的相关社会经济因素。结果：2014-2018年全国淋病发病率总体呈上升趋势，三维趋势分析显示发病率总体上南北方向呈北低南高的弧形变化趋势，东西方向呈东高西低分布。全局空间自相关系数在0.3718-0.4225之间，均有统计学意义(P<0.05)，但取值较小，提示我国淋病的发病率在地区间呈现一定的聚集性分布现象。局部自相关分析显示：2014-2017年江苏，浙江，福建，上海处于(高-高)区域，2017-2018年福建，江西，上海处于(高-高)区域。2014-2015年新疆处于(高-低)区域，2015-2016年新疆内蒙古处于(高-低)区域。2014-2015年北京，河南，四川，重庆处于(低-低)区域，2016年新疆，青海，北京，河南处于(低-低)区域，2017-2018年内蒙古，新疆，青海，北京，河北，河南处于(低-低)区域。2014年，2016年江西处于(低-高)区域。通过统计年鉴选取2014年的社会影响因素进行分析，基于普通最小二乘法的分析结果显示回归方程有统计学意义(F=5.991，P=0.021)，但进入回归方程的变量只有人均GDP，但误差项Moran’sI=0.358，P<0.001，提示回归方程误差不独立，参照空间截面回归的选择原则，最终选择空间误差模型进行回归分析。结果显示：=0.678，地区间发病率存在空间自相关，扣除误差项的空间自相关后，人均GDP对发病率存在影响，b=1.078，表示在其他因素固定不变的情况下，地区人均GDP每增加1万元，淋病发病率将增加1.078/10万。对比OLS、SLM和SER回归分析结果，R2、Loglikelihood、AIC和SC等指标SER模型最优。结论：我国淋病发病存在一定程度的空间聚集性，江苏、浙江、福建、江西、上海为重点防控区域，从生态学的角度来说，人均GDP可能影响淋病的发病率水平。【关键词】淋病；趋势分析；空间自相关；空间截面回归AbstractObjective：ThispaperanalyzesthespatialdistributioncharacteristicsofgonorrheainChinafrom2014to2018andrelatedsocialfactors,identifiesthediseaseaggregationarea,andprovidestheoreticalbasisforeffectivecontrolofgonorrhea.Methods:AdatabaseofgonorrheaincidenceratewasestablishedbyusingArcGISfor2014-2018years.ThreedimensionaltrendanalysisandMoran'sIspatialautocorrelationanalysiswereconductedtoexploreitsspatialdistributioncharacteristicsandvisualizeit;OpenGeoDasoftwarewasusedtoanalyzethegonorrheaincidencerateandthetotalgovernmenthealthexpenditure,thenumberofhealthworkers,thenumberofbedsinmedicalinstitutionsandthepercapitaGDPin2014.Therelevantsocio-economicfactorsaffectingtheincidencerateoftheareawerediscussed.Results:TheincidencerateofgonorrheainChinahasbeenincreasinginrecent2014-2018years.ThetrendofthreeyearstrendshowsthattheincidencerateisgenerallythearctrendoftheSouthwithlownorthandsouth,andtheEastandWestarelowintheEastandWest.Theglobalspatialautocorrelationcoefficientwas0.3718-0.4225,whichwasstatisticallysignificant(P<0.05),however,thevalueofthediseaseissmall,suggestingthattheincidencerateofgonorrheainChinashowsacertainclusteringphenomenonamongregions.PartialautocorrelationanalysisshowsthatJiangsu,Zhejiang,FujianandShanghaiareinthe(high-high)regionfrom2014to2017,andFujian,JiangxiandShanghaiareinthe(high-high)regionfrom2017to2018.From2014to2015,Xinjiangwasinthe(high-low)region,andfrom2015to2016,XinjiangandInnerMongoliawereinthe(high-low)region.In2014-2015,Beijing,Henan,SichuanandChongqingwereinthe(low-low)region,in2016,Xinjiang,Qinghai,BeijingandHenanwereinthe(low-low)region,in2017-2018,InnerMongolia,Xinjiang,Qinghai,Beijing,HebeiandHenanwereinthe(low-low)region.In2014and2016,Jiangxiwasinthe(low-high)region.Throughthestatisticalyearbook,thesocialinfluencefactorsin2014areselectedforanalysis.Theanalysisresultsbasedontheordinaryleastsquaremethodshowthattheregressionequationhasstatisticalsignificance(F=5.991,P=0.021),butthevariablesenteringtheregressionequationareonlypercapitaGDP,buttheerrortermMoran'sI=0.358,P<0.001,indicatingthattheerrorofregressionequationisnotindependent.Accordingtotheselectionprincipleofspatialcross-sectionregression,thespatialerrormodelisfinallyselectedforregressionanalysis.Theresultsshowthat:=0.678,theincidencerateofincidenceisspatialautocorrelation.Afterdeductingthespatialautocorrelationoftheerroritems,theincidencerateofGDPperpersonisaffected.b=1.078indicatesthattheincidencerateofgonorrheawillincreaseby1.078/10millionwhentheGDPpercapitaincreasesby10thousandyuaninthecaseofotherfactors.BycomparingtheresultsofOLS,SLMandserregressionanalysis,R2,loglikelihood,AICandSCarethebest.Conclusion:ThereisacertaindegreeofspatialclusteringofgonorrheainChina.Jiangsu,Zhejiang,Fujian,JiangxiandShanghaiarethekeyareasofpreventionandcontrol.Fromtheecologicalpointofview,percapitaGDPmayaffecttheincidencerateofgonorrhea.【Keywords】Gonorrhea;TrendAnalysis;Spatialautocorrelation;Spatialcrosssectionregression前言淋病发病的主要病因是泌尿生殖系统化脓性炎性疾病，这种疾病主要是由淋病奈瑟菌致使的[1,2]，传播的渠道主要为性交。淋病发病后可感染尿道、子宫颈内膜、有时也可对直肠进行侵犯、对眼结膜和咽部造成一定的伤害。淋病对于女性的危害也有很多，会造成子宫内膜炎、前庭大腺炎、、输卵管炎、盆腔炎；对于男性的危害也不可小觑，可发生附睾炎和前列腺炎，造成不孕和不育；甚至会经血行播散，引起菌血症、关节炎、心内膜炎、脑膜炎、肝炎等。淋病奈瑟菌的形状一般比较规则，呈卵圆形或圆形，常成对排列，处于两菌接触面的位置一般是扁平状或稍凹，整体呈双肾形，大小一般也有固定的值为0.6µm×0.8µm。革兰染色阴性。淋病有着传染性强和重复感染的特点，易于合并衣原体等的感染，易于出现合并症及后遗症，所以对其的重视程度应该加强。淋病的发病率在我国开始升高是在1975年开始的，并且成为性病的主要发病病种。我国是传染病发病人数最多的国家之一，其中性传播疾病在部分地区给社会带来了沉重的疾病负担。探讨疾病的地区分布特征及发病率生态学相关影响因素，可以为政府决策提供参考，有效防控疾病的蔓延。近年兴起的空间流行病学其主要任务就是对具有空间信息的健康或疾病数据进行收集、处理与分析，人群的健康水平或疾病及在地理上分布及变化的相关因素是分析的主要对象，并通过分析提供出最适合疾病防控的措施，促进人群健康。空间聚集性分析和趋势面分析在空间流行病学研究中逐渐受到关注，广泛应用于很多疾病的空间分布特征研究。地理信息系统(GIS)兴起于20世纪60年代，20世纪80年代后才逐渐应用于公共卫生领域。早期主要在血吸虫病和疟疾等媒介传染病研究中应用。近年来，越来越多的疾病通过GIS来揭示其空间分布规律及发现疾病的聚集区域，为疾病防控提供便利。近年来疾病的聚集性和趋势面分析在空间流行病学中逐渐受到关注，已经成功应用于很多疾病的研究。如范瑾[3]，饶华祥[4]等利用空间流行病学的方法研究了中国肺结核的分布特征，韩桃利[5]等利用空间流行病学方法分析了中国大陆手足口病空间分布特征，宋全伟[6]，龚雪[7]等利用空间流行病学分析了中国乙型病毒性肝炎的空间分布特征，张伟东[8]，FuRong[9]，关鹏[10]等利用空间流行病学分析了中国大陆梅毒的空间分布特征。针对淋病，刘合岭[11]对全国的淋病的空间分布特征进行了分析，但是他只是确定了淋病时空分布的热点区域，缺乏对疾病聚集区域其他相关因素的研究。马巧君[12]，郭晓嘉[13]，查文婷[14]，相晓妹[15]，宣志华[16]，林瑾[17]等对对我国部分市(县)开展了淋病空间分布特征分析，王海连[18]对淋病的影响因素进行了调查分析，目前针对淋病的分析主要是各省(直辖市、自治区)，尚未有人对近几年全国淋病的发病率进行分析。而针对与淋病有关社会因素的研究分析相对更少。从淋病的发病特点来看，南方省份跟西部地区的发病率差异较大，淋病作为性传播疾病，其发生、扩散是否与当地的经济水平、医疗卫生条件等因素相关，未见相关文献报道。因此，本研究拟探讨人均GDP、医疗机构床位数、卫生人员数和卫生总费用等社会经济医疗资源指标是否与地区间的淋病发病率有关。针对影响因素生态学分析，常用的方法是多重线性回归模型，即普通最小二乘法(OLS)，但是由于地区间的传染病发病率可能存在相互影响，并不完全独立，OLS的参数估计结果可能会出现偏差，而近年来发展起来的空间计量经济模型，比如空间截面回归模型，假设空间统计数据具有空间多维特征和时空相关性，能利用研究对象的空间分布信息，较好地揭示疾病的影响因素及其时空分布。该模型不要求数据独立，可以充分分析数据的空间属性，已被广泛应用于探讨基于时空格局的影响因素及空间变异性，从最初的研究城市区域经济发展到目前被应用于环境科学、公共卫生学、传染病学、犯罪分析、公共财政学等几乎社会科学的各个方面。如饶华祥[19]利用空间截面回归对肺结核的社会影响因素进行了分析，陈艳艳[20]利用空间截面回归对钉螺感染率与气候因素的关系进行了分析。针对货币等经济指标，由于通货膨胀等因素，时间跨度较长的货币值间不具有可比性，因此，本研究拟选择一年的截面数据来分析社会经济、医疗资源等指标与地区发病率间的关系。1材料与方法1.1资料来源及准备2014-2016年全国31个省(直辖市、自治区)淋病年报告发病率资料来源于“中国疾病预防控制中心公共卫生科学数据中心”(/Share/)，不包含我国香港、澳门、台湾地区发病资料)，2017-2018年的资料来源于《中国卫生健康统计年鉴》。以省级行政区划代码为连接字段，在ArcGIS软件中构建年报告发病率地理信息数据库。社会影响因素来源于2015年《中国卫生和计划生育统计年鉴》。1.2方法与原理1.2.1淋病发病的空间分布地图展示利用ArcGIS10.2.2绘制2014-2018年淋病的发病率地图，把淋病的发病率按照由低到高的顺序排列，利用ArcGIS中的自然断点法把淋病的年报告发病率分为5个等级，并在地图中用5个不同深度的颜色代表5个不同的等级，将淋病的年报告发病率绘制成可视化地图[21-23]。1.2.2三维趋势分析三维趋势分析是指利用数学曲线模拟地理要素在空间内的分布及变化趋势，其运用最小二乘法，将三维坐标中的点X，Y(经度和纬度)作为自变量，观察值(发病率)Z作为因变量，考察Z值在空间内的变化趋势和格局。将各省年报告发病率视为几何中心处的一个点值(X，Y，Z)，X轴表示不同研究区域几何中心的经度，Y轴表示纬度，Z轴表示淋病的年均报告发病率，以X轴，Y轴，Z轴绘制三维立体图，将年报告发病率作为散点投影到XZ和YZ平面进行数据拟合，观察发病率在整个区域内的变化趋势。1.2.3空间自相关分析空间自相关分析的目的是确定某一变量(发病率)是否在空间上相关，分析同一变量在不同位置上的相关性以及其相关程度，包括全局空间自相关分析和局部空间自相关分析[24]。本研究采用基于一阶Rook邻接准则构建的行标化空间权重矩阵进行相关分析。全局空间自相关是对属性在整个区域空间特征的描述，其计算公式如下：，，，。其中，N为空间单元个数，xi代表第i个空间单元的观测值，为空间权重矩阵中的第(i，j)个元素。为零假设条件下的理论值，为的方差。采用Moran’sI全局空间自相关指数分析发病率在省级层面整体上空间相关程度，其取值范围(-1～+1)，取值越接近1，表示聚集的程度越大，越接近-1，则离散的程度越大，取值接近0则表示没有空间聚集性[25]。局部莫兰指数(LISA)用来检验局部地区是否存在变量集聚现象。地域单元i的局部莫兰指数用来度量它和其周围地域单元的关联性，其公式为：。正的Ii表示高值被高值包围(高-高)，或者一个低值被低值包围(低-低)。负的Ii表示一个低值被高值包围(低-高)，或者一个高值被低值所包围(高-低)[26-27]。1.2.4空间截面回归模型疾病的许多影响因素都存在这空间自相关问题，空间依赖的存在打破了经典统计分析中研究对象相互独立的基本假设，因而，在利用空间数据分析不同变量相互关系时，我们需要在经典回归模型中加入自相关因素。在采用空间截面回归分析时首先采用Moran’sI检验应变量是否存在空间自相关性，如果存在空间自相关性，则采用空间截面回归模型分析，反之，则采用传统多元线性回归模型分析。空间滞后模型(SLM)：空间滞后模型是指在某一地域单元的一种变量通过反馈效应与其周围地区相同的变量产生相互影响。自回归模型表达式为：，式中为维应变量向量，为包含个解释变量的维向量，为空间滞后因子，为维随机误差向量,为维空间权重矩阵，为解释变量系数，反映了自变量对应变量的影响，为空间自相关系数，反映了研究对象的空间依赖作用，即相邻区域的发病率对本地区发病率的影响方向和程度。空间误差模型(SEM)：空间误差模型所研究区域的应变量与相邻区域的应变量取值相互独立,应变量不存在空间自相关性。但是相邻研究区域间的同一种解释变量存在空间自相关性，表明模型中的残差项不满足独立性。模型表达式为：，，式中为随机误差项向量，为空间自相关系数，为空间滞后误差项，为空间误差模型的误差项。参数估计及模型选择：本研究中采用Anselin建议的极大似然法估计SLM和SEM的参数，通过Moran’sI检验、两个拉格朗日乘数(LagrangeMultiplier)形式LMERR、LMLAG及其稳健的RLMERR、RLMLAG等来实现模型选择。通过自然对数似然函数值(LogL)、赤池信息准则(AIC)，施瓦茨准则(SC)等指标来对比模型的拟合效果，LogL值越大，AIC和SC值越小，模型拟合效果越好。1.3统计学分析运用MiorosoftExcel2010软件对数据进行处理，运用ArcGIS10.2.2软件和OpenGenDa软件进行空间自相关分析并呈现可视化结果。运用OpenGenDa软件创建空间截面回归模型。2结果2.1发病情况概述2014-2018年我国共报告淋病582753例，年均报告发病率为8.50/10万，2014-2017年发病率呈上升趋势，2017年的发病率最高(10.06/10万),2018年发病率略微下降(9.59/10万)，发病率总体呈上升趋势(见表1)。表12014-2018年中国淋病年报告发病率(/10万)年份(年)最小值最大值第1四分位数中位数第3四分位数20141.5127.793.374.618.4120151.7229.823.475.098.3320161.3932.753.575.858.9120172.1439.194.096.4710.9420181.5631.613.696.5111.182.2年发病率可视化地图年发病率可视化地图显示淋病发病率较高的地区主要集中在南方省份，如江苏、浙江、福建、江西、上海等，在新疆，内蒙古的发病率也较高，而在青海、甘肃等地区发病率较低(见图1)。图12014-2018年全国淋病年报告发病率空间分布2.3三维趋势分析以年报告发病率为Z轴，经度为X轴，纬度为Y轴，将各地区发病率投影到XZ和YZ平面上，结果显示，各年份三维趋势图基本一致(见图2)，总体上南北方向呈南高北低的弧形变化趋势，东西方向呈东高西低分布，趋势面分析结果与可视化地图吻合。 图22014-2018年全国淋病年报告发病率三维趋势分析2.4全局空间自相关分析2014-2018年全国淋病报告发病率全局Moran’sI值均大于期望值，Z值均大于1.96，P<0.05，具有统计学意义，提示全国淋病发病率在省级层面具有空间聚集性(见表2，图3)。表2全国2014-2018年淋病年报告发病率全局Moran’sI空间自相关分析年份Moran’sI值Z值P值聚集2014年0.38794.0054<0.001是2015年0.40714.2505<0.001是2016年0.42254.2880<0.001是2017年0.39104.0063<0.001是2018年0.37183.7052<0.001是20142015201620172018图32014-2018年全国各省淋病全局Moran’sI散点图2.5局部Moran’sI指数分析2014-2017年江苏，浙江，福建，上海处于(高-高)区域，2017-2018年福建，江西，上海处于(高-高)区域。2014-2015年新疆处于(高-低)区域，2015-2016年新疆内蒙古处于(高-低)区域。2014-2015年北京，河南，四川，重庆处于(低-低)区域，2016年新疆，青海，北京，河南处于(低-低)区域，2017-2018年内蒙古，新疆，青海，北京，河北，河南处于(低-低)区域。2014年，2016年江西处于(低-高)区域(见图4)。20142015201620172018图42014-2018年全国各省淋病局部Moran’sI差异水平图和聚类图2.6基于截面回归模型的相关社会因素分析2.6.1淋病相关社会因素概况2014年-2018年全国各地的发病率存在着明显的差异，结果显示江苏、上海、浙江、江西等南部地区的发病率以及内蒙古，新疆等西北地区的发病率高，而这类地区的经济情况以及医疗卫生条件存在着较大的差异，因此选用医疗机构床位数、各地卫生总费用、卫生人员数以及人均GDP这些社会因素作为影响因素进行分析。淋病相关社会因素概况如表3所示：表32014年淋病相关各项社会指标概况指标最小值最大值第1四分位数中位数第3四分位数卫生人员数(人/千人)5.4612.966.937.568.13医疗总费用(千元/人)1.857.542.202.583.03医疗机构床位数(张/千人)3.816.314.374.945.30人均GDP(万元)2.6410.523.514.066.352.6.2空间截面回归模型基于普通最小二乘法的分析：以2014年的发病率与同期政府医疗卫生支出和人均GDP等4项社会指标进行OLS拟合。结果显示回归方程有统计学意义(F=5.991，P=0.021)，但进入回归方程的变量只有人均GDP，但误差项Moran’sI=0.358，P<0.001，提示回归方程误差不独立，OLS模型不适合该数据分析(表4)。参照空间截面回归的选择原则，LMLAG=4.902，P=0.027，LMERR=8.465，P=0.004，RobustLMLAG=1.716，P=0.190，RobustLMERR=5.279，P=0.022，最终选择空间误差模型进行回归分析。空间误差模型分析结果显示：=0.678，地区间发病率存在空间自相关，扣除误差项的空间自相关后，人均GDP对发病率存在影响，b=1.078，表示在其他因素固定不变的情况下，地区人均GDP每增加1万元，淋病发病率将增加1.078/10万(见表5)。对比OLS、SLM和SER回归分析结果，R2、Loglikelihood、AIC和SC等指标SER模型最优(见表6)。表42014年全国淋病发病率与社会因素普通最小二乘法回归分析结果变量bSbtP常数1.1212.5910.4680.643人均GDP(万元)1.1490.4702.4480.021Moran’sI0.358<0.001LMLAG4.9020.027RobustLMLAG1.7150.190LMERR8.4650.004RobustLMERR5.2790.022表52014年全国淋病发病率与社会因素空间截面回归分析结果变量bSbtP常数项3.8523.2851.1720.2410.6780.1424.778<0.001人均GDP(万元)1.0780.4782.2570.024表6三种回归方程拟合效果比较指标SERSLMOLSR20.4470.3050.171Loglikelihood-92.582-94.718-96.788AIC189.163195.435197.576SC192.031199.737200.4443讨论在2004年以前中国性病防治的规范性文件一直是“性病防治管理办法”直到2004年修订了“中华人民共和国传染病防治法”，我国在各种传染性疾病包含了性病的防控在疫情报告方面跟都有了很大的提升。但是在所有的性病发病率中淋病排在第一位[28]，淋病是常见的生殖系统化脓性感染的性传染疾病，它有着传染性强、并发症多等特点[29-30]。现有对淋病的研究多采用描述性流行病学分析方法回顾性研究对淋病发病情况进行研究，而在本文中则采用Moran'sI自相关和时空扫描方法进行研究[31-33]，并对社会因素与淋病发病率的关系进行研究，在本文研究中对全国31省(直辖市、自治区)2014-2018年淋病数据进行了回溯性研究，研究发现淋病发病在2014-2017年发病率逐渐升高，2014年淋病的发病率为(7.05/10万)，2017年淋病的发病率为(10.06/10万)，2018年的发病率有所下降(9.59/10万)，高发地区主要包括经济发达地区和流动人口较多的地区。空间可视化地图显示淋病的高发地区集中在经济发达和流动人口较多的地区，如长江和珠江三角洲，与刘合岭[11]研究的2005-2011年中国大陆地区淋病疫情分布一致。三维趋势分析显示总体上南北方向呈北高南低的弧形变化趋势，东西方向呈东高西低分布，根据局部自相关结果可看出2014-2017年江苏，浙江，福建，上海处于(高-高)区域，2017-2018年福建，江西，上海处于(高-高)区域。2014-2015年新疆处于(高-低)区域，2015-2016年新疆内蒙古处于(高-低)区域。2014-2015年北京，河南，四川，重庆处于(低-低)区域，2016年新疆，青海，北京，河南处于(低-低)区域，2017-2018年内蒙古，新疆，青海，北京，河北，河南处于(低-低)区域。2014年，2016年江西处于(低-高)区域。刘合岭等人对全国淋病的空间分布特征进行了分析，但是他们只确定了淋病时空分布的热点区域，缺乏对疾病聚集区域其他相关因素的研究，而本文的研究则添加了疾病聚集区域、人均GDP、医疗机构床位数等社会因素对淋病发病率的影响，结果显示淋病在我国南部省市的发病率较高，而在青海，西藏等地的发病率较低，这样的结果恰恰与我们所研究的医疗卫生条件以及人均GDP有着密切的联系。文献[19]中研究肺结核的社会影响因素时考虑了人均GDP对肺结核的影响，但对于淋病目前还没有人考虑过，对于淋病与肺结核都是发病率较高的传染病，存在某些共同性，因此本文将人均GDP也考虑进淋病发病率的社会影响因素中，并通过实验证明了人均GDP对淋病的发病率有着一定的影响。本研究利用空间截面回归模型对淋病及一些社会影响进行了分析，本研究的研究结果也说明淋病的发病率与人均GDP有关，淋病的发病率随着人均GDP的增加发病率上升。人均GDP是人们了解和把握一个国家或地区的宏观经济运行状况的有效工具，同时也可以反映人们的生活质量，并且淋病的发病会严重影响人们的生活质量，同时也会给患者的家庭带来经济负担也会影响人们的生活质量[34-35]。淋病发病的热点区域为经济发达地区，导致这种现象的最主要的原因可能为这类地区的娱乐业发达，进而导致性犯罪，吸毒性泛滥等行为诸多，还有一些其他的原因，比如此类地区的人均GDP，医疗水平，疾病监测水平等。本研究不足之处是在进行空间截面回归分析时随机选取了2014年-2018年中一年的社会因素进行了分析，并没有对几年中的社会因素进行对比分析；而且在分析的过程中所选取的社会因素种类较少，对淋病的社会影响因素并没有深入的挖掘，下一步的研究方向将向着影响淋病发病率的社会因素这一块进行研究，争取发现更多与淋病有关的社会因素。4结论通过实验研究发现，不同地区呈现不同的发病率，诸如江苏、浙江、福建、江西、上海等南方省份的淋病发病率在所研究的四年中都较高，西藏与内蒙则在近几年中发病率有所降低呈现出不同的发病率，而青海、甘肃等地区发病率一直处于较低程度。三维趋势分析呈总体上南北方向呈南高北低的弧形变化趋势，东西方向呈东高西低分布；淋病的发病率存在着空间聚集性，2014-2017年江苏，浙江，福建，上海处于(高-高)区域，2017-2018年福建，江西，上海处于(高-高)区域。2014-2015年新疆处于(高-低)区域，2015-2016年新疆内蒙古处于(高-低)区域。2014-2015年北京，河南，四川，重庆处于(低-低)区域，2016年新疆，青海，北京，河南处于(低-低)区域，2017-2018年内蒙古，新疆，青海，北京，河北，河南处于(低-低)区域。2014年，2016年江西处于(低-高)区域；人均GDP是淋病发病的影响因素。5参考文献[1]刘昆,李新楼,邵中军.空间流行病学在疾病预防控制工作中发挥着重要作用[J].中华流行病学杂志,2018,39(9):1143-1145.[2]左世梅,付学丽,宋瑞瑜,等.淋病奈瑟菌感染的实验室诊断技术概述[J].中国微生态学杂志,2020,32(4):481-486.[3]范瑾,饶华祥,武鹏,等.中国2012-2014年肺结核病空间分布特征分析[J].中华流行病学杂志,2017,38(7):926-930.[4]饶华祥,蔡芝锋,徐莉立,等.青海省2014-2016年肺结核空间分布特征及可视化分析[J].中华流行病学杂志,2018,39(3):347-351.[5]韩桃利,郭悦,许文波,等.2008-2017年中国大陆手足口病空间聚集性分析[J].病毒学报,2018,34(5):534-542.[6]宋全伟,李克莉,张国民,等.中国2005-2014年乙型病毒性肝炎空间流行病学特征分析[J].中国疫苗和免疫,2015,21(6):601-605.[7]龚雪,史越,王祖煜,等.2004-2013年中国乙型病毒性肝炎的流行病学特征研究[J].中国全科医学,2017,20(23):2879-2883.[8]张伟东,姚建义,等.1998-2007年中国梅毒流行病学特征分析[J].疾病监测,2011,24(11):830-831.[9]FuRong,ZhaoJinkou,WuDan,etal.Aspatiotemporalmeta-analysisofHIV/syphilisepidemicamongmenwhohavesexwithmenlivinginmainlandChina[J].BMCinfectiousdiseases,2018,18(1):652.[10]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.[11]刘合岭,李新,曹爽,等.2005-2011年中国大陆地区淋病疫情时空聚类研究[J].中国皮肤性病学杂志,2014,28(3):230-233.[12]马巧君,李国强,钟灵,等.2008-2018年酒泉市梅毒和淋病流行特征与趋势分析[J].中国初级卫生保健,2019,33(10):49-51.[13]郭晓嘉,蒋和宏,吴国辉,等.2010-2014年重庆梅毒与淋病疫情报告影响因素调查分析[J].检验医学与临床,2019,16(15):2144-2146,2150.[14]查文婷,邹享玉,易尚辉,等.2005-2016年某市淋病流行特征及时空变化规律研究[J].中华疾病控制杂志,2018,22(11):1134-1137,1159.[15]相晓妹,李熙桐,杜晓婷,等.2005-2014年西安市梅毒及淋病流行病学分析[J].现代预防医学,2017,44(6):972-975,982.[16]宣志华,刘淑萍,轩立华.北京市顺义区2010-2015年淋病流行病学分析[J].中国性科学,2017,26(3):59-61.[17]林瑾,杨欲静,叶东清.2011-2018年东莞市大岭山镇淋病流行病学分析[J].河南预防医学杂志,2020,31(3):234-235.[18]王海连,王伟,王德厚,等.承德市梅毒和淋病报告疫情变化影响因素调查[J].医学动物防制,2016,32(10):1104-1106.[19]饶华祥,徐莉立,蔡芝锋,等.空间截面回归模型在肺结核病社会影响因素生态学分析中的应用[J].中国卫生统计,2018,35(5):646-649,654.[20]陈艳艳,刘建兵,肖瑛,等.钉螺感染率与气候因素的空间回归关系研究[J].中国血吸虫病防治杂志,2015,27(2):125-128.[21]赖铿,吴桂锋,雷宇,等.2014-2018年广州市肺结核发病空间分布特征分析[J].中国防痨杂志,2020,42(04):327-334.[22]张斯钰,孙倩莱,张恒娇,等.湖南省2013-2018年人感染H7N9禽流感时空分布特征分析[J].实用预防医学,2020,27(02):132-134.[23]吴晨,吴昊澄,鲁琴宝,等.2010-2018年浙江省人感染布鲁氏菌病空间分布特征及影响因素研究[J].中国人兽共患病学报,2020,36(02):134-140.[24]范俊杰,于绍起,王怡,等.潍坊市肾综合征出血热空