促进母婴健康是21世纪的重要议题之一，对于人类健康具有重要意义，也受到国际社会与各国政府的高度重视。在2015年联合国提出的17个可持续发展目标中，目标三“良好健康与福祉”[1]突出了对儿童健康的重视。根据世界卫生组织(World Health Organization, WHO)公布，低出生体重会导致60%～80%的新生儿死亡[2]。WHO将低出生体重儿(low birth weight infant, LBWI)定义为出生体重小于2 500 g的新生儿[3]，低出生体重发生率是衡量一个地区新生儿健康情况的重要指标。
目前，基于地理学视角对低出生体重开展的研究还较少，相关研究主要关注新生儿低出生体重的区域差异及影响因素。基于全球与国家尺度，对低出生体重发生率的变化趋势的相关研究发现，2000—2016年中国的低出生体重率在全球范围内处于较低水平，虽然世界低出生体重发生率上升趋势放缓，但整体上仍与“至2025年将全球低出生体重发生率减少30%”的控制目标差距较大[4]。国内已有研究在县级行政单元尺度，探讨了全国低出生体重发生率的空间差异，研究结果发现城市低出生体重发生率低于农村地区，沿海地区低于内地地区，内地地区低于边远地区[5]。
就影响因素而言，研究发现孕产妇个体特征，包括孕产妇体重[6]、健康状况[7]、年龄[8]、受教育水平[9]、生育特点[10]、生活习惯[11]和精神状态[12]等会对新生儿低出生体重产生影响。国内也有研究关注自然环境的影响作用，讨论了高海拔地区低出生体重发生规律，得出随海拔增高，新生儿出生体重逐渐降低的结论[13]。Li等利用湖北省2014年的新生儿出生记录和同时段乡镇街道的PM2.5日平均浓度数据，探讨了孕妇在妊娠期内的空气污染暴露对婴儿早产的影响，研究结果发现空气污染暴露量对于早产风险呈正向关系[14]，而早产作为影响新生儿体重的重要因素之一，空气污染也会对新生儿体重产生一定影响。国外有研究分析社会环境对新生儿低出生体重的影响，包括国家宏观卫生政策与经济水平、医疗服务覆盖程度、疾病补助与家庭补助水平等[15-16]。国内大部分的研究较少涉及社会和政策因素。总的来说，基于地理学视角研究某一区域低出生体重发生率，以及结合孕产妇个体特征与环境因素研究新生儿低出生体重影响因素的研究较少。
本研究旨在刻画2016年湖北省各乡镇街道尺度的低出生体重发生率的空间格局，揭示全省范围内低出生体重发生率的整体水平及空间差异；根据发生率空间分布，进一步探测低出生体重发生的热点地区，分析低出生体重发生率高发区的空间范围；并从地区生育特征角度，结合社会与自然环境要素进行多因素分析，探究低出生体重发生率的影响因素及其空间差异，以便为湖北省各地开展相关的疾病干预、布局医疗资源及分区制定政策提供科学依据。
对象与方法
一、本研究相关数据主要分为三类：生育特征变量、社会经济变量与自然环境变量
1.生育特征变量：2016年孕产妇基础建档数据、新生儿出生记录及孕产妇分娩记录由湖北省卫生健康委员会提供。经统计，2016年湖北省新生儿基础数据共有病例数据688 109条，活产新生儿数据685 824条，出生人数占统计年鉴中出生人口数量的97.1%，其中659 892条数据各项指标完整，是本研究的基础数据。本研究将孕产妇的常住地址数据进行乡镇街道一级的空间化处理，新生儿及对应的孕产妇个体数据均归并到乡镇/街道尺度。低出生体重发生率以及生育特征变量，包括小于胎龄儿占比、高龄产妇占比、孕产妇高中以下学历占比、新生儿性别比、二胎占比和非单胎占比，均是通过统计各区域满足条件的个体数量与区域孕妇或新生儿总量之比得出。具体处理方式如表1。
表1 生育特征变量相关数据与来源
Table 1 Data and sources of the variables of characteristics on fertility
IndicatorOriginal statistical indicatorCalculation methodStatistical scaleSourceLow birth weight rateNeonatal weightThe number of newborns < 2500g in each township/street /the number of live births in the township/streetThe proportion of small gestational ageGestational ageThe number of newborns with a gestational age <37 weeks in each township/street/the number of live births in the township/streetThe proportion of advanced maternal ageMaternal ageThe number of pregnant women over the age of 35 in each township/street/the number of pregnant women in the township/streetThe proportion of pregnant women with education levels levels below high schoolEducational levelThe number of pregnant women with education levels below high school in each township/street/the number of pregnant women in the township/streetThe gender ratio of newbornNewborn genderThe number of male infants in township/street/the number of female infants in the township/streetThe proportion of the second birthParityThe number of second births in each township/street/the number of live births in the township/streetThe proportion of non-single birthNumber of birthsThe number of non-single newborns in each township/ street /the number of live births in the township/streetTownship/streetMaternal and newborn medi-cal records
2.社会经济变量的空间尺度均为区县一级，具体变量与来源如下。就医可达性是利用 2010 年六普人口数据、2016 年湖北省卫健委提供的医院信息数据和孕产妇分娩记录以及利用百度地图 API 得到的湖北省各乡镇街道政府所在地到各医院的实时时间距离数据，运用两步移动搜寻法计算得到[17-18]。人均GDP、城乡居民人均可支配收入、第一产业占比、第二产业占比、第三产业占比、床位数/万人和医生数/万人来源于《湖北统计年鉴》中2016年各区县的相关数据[19]。
3.自然环境数据中，海拔、温度、归一化植被指数(normalized difference vegetation index, NDVI)、土壤类型数据来源于中国科学院资源环境科学与数据中心[20]。海拔为30 m×30 m栅格数据，温度、NDVI、土壤类型为1 000 m×1 000 m栅格数据。坡度数据由海拔数据通过ArcGIS Pro 2.5.2进行坡度提取分析处理，得到100 m×100 m栅格数据。空气质量指数(air quality index, AQI)数据来源于中国环境监测总站的全国城市空气质量实时发布平台，经克里金插值处理后得到所需数据。将海拔、温度、NDVI、坡度和AQI的栅格数据与湖北省乡镇街道面状图层进行叠加统计，取面域的均值作为乡镇街道一级的数据。土壤类型中分类众多，本研究通过统计各面域的水稻土面积与该区域面积的比值得到水稻土占比变量数据。
二、研究方法
1.混合层级区划方法：本研究以乡镇街道为最小研究单元。某些乡镇街道可能出现新生儿数量少，但存在低出生体重的现象，从而放大了该空间单元的低出生体重发生率，造成小样本问题。本研究运用混合层级区划方法(mixed level regionalization，MLR)[21]整合样本数量小的区域，以放大样本区域，解决小样本问题。该方法将皮亚诺曲线演算(modified the peano curve algorithm, MPC)和改良的尺度-空间集群(modified scale-space clustering, MSSC)方法相结合，MPC用于实现空间上相邻，MSSC用于实现属性上相似，因此MLR是一种混合性方法，该方法利用基于ArcGIS的Mixed Level Regionalization Tools工具箱实现[22]。MPC是在皮亚诺曲线上设置聚类边界和阈值人口。聚类边界遵循皮亚诺曲线的空间顺序值，断点由阈值种群大小定义。虽然MPC满足了空间上相邻的要求，也保证了每个区域的阈值能够在一定程度上解决小样本问题对于结果的影响，但是在此聚类过程中缺少了实现属性同质性的条件，因此引入MSSC解决此问题。因子分析是进行重新区划的基础。利用因子分析提取出的因子及特征值作为区划的依据，可使新区域在属性上类似，区划后的结果更加科学。
2.空间自相关方法：本研究以区划后的数据进行低出生体重发生率的空间格局刻画，并利用Moran′s I指数[23]与局部Moran′s I指数[24]进行低出生体重发生率的空间自相关分析，进一步探索湖北省低出生体重发生率的空间分布规律。全局空间自相关分析通过ArcGIS Pro2.5.2实现，其计算公式为：
其中，N为在乡镇街道尺度上，重新区划之后的区域总数；i和j为其中两个区域；xi和xj分别是区域i和区域j的低出生体重发生率，
是全省范围内的低出生体重发生率；wij为定义的空间权重。局部空间自相关分析通过ArcGIS Pro2.5.2实现，其公式为：
式中，xi和xj分别是区域i和区域j的低出生体重发生率，wij是空间权重，是全域低出生体重发生率，s2x是方差，计算方式为
其中n为地域单元数。式中对j的累加不包括区域j本身，即j≠i。
3.空间回归方法：为进行影响因素探究，本研究基于区划之后的空间单元进行回归分析，即将低出生体重发生率和各区域自变量的值，按照区划之后的结果重新计算并进行标准化处理。通过SPSS 25版本进行共线性诊断，确定纳入回归模型的自变量。将变量纳入普通最小二乘法(ordinary least squares，OLS)回归分析。通过OLS分析各乡镇低出生体重发生率影响因素和各自变量之间的关系，剔除不显著的自变量，将显著变量纳入地理加权回归模型(geographical weighting regression, GWR)[25]研究其局部空间回归拟合情况。GWR扩展了线性回归模型，可以反映解释变量对被解释变量随空间位置的变化而变化的结果，通过ArcGIS Pro2.5.2实现。其实质是用局部最小二乘法求解，将数据的空间位置纳入到方程中，其公式如下:
式中yi代表各区域的低出生体重发生率，xij是第i个单元低出生体重发生率的第j个影响因素；(ui，vi)是第i个单元的空间坐标；βj(ui，vi)是影响因素j在第i个空间单元的回归系数，εi为随机误差。
4.地理探测器：为进一步探究低出生体重的影响因素，本研究也运用地理探测器作为研究方法之一。地理探测器[26]是对于空间分层异质性进行探测和利用的工具，包括因子探测器、风险探测器、交互探测器和生态探测器。因子探测器用来检验低出生体重发生率的分层异质性和探测自变量在多大程度上解释了低出生体重发生率的空间分布，表达式为：
其中，
式中，h=1,……，L为低出生体重发生率的分层，N为由某自变量分类或分区而得出的单元总数量，Nh为该自变量分区而得的某层h；σ2和σ2h分别为层h和全区的低出生体重发生率的方差。SSW与SST分别代表低出生体重发生率的层内方差和层间方差。q值值域为[0,1]，值越大说明低出生体重发生率的空间分异性越强；也表示自变量对低出生体重发生率的解释力越强，反之则越弱。如果q=0，则说明低出生体重发生率不存在空间分异性或低出生体重发生率与某自变量之间没有关系；若q=1，则说明低出生体重发生率具有完美的空间分异性或者某自变量完全控制了低出生体重发生率的空间分布，q值表示该自变量解释了q×100%的低出生体重发生率。
风险探测器用于检验低出生体重发生率风险区域的位置，利用t检验，判断两个子区域之间是否有显著差别，分析同一自变量的不同分类对低出生体重发生率的作用。公式如下：
式中，
表示某一自变量的子区域h内的低出生体重发生率，nh为某自变量的子区域h内的样本数量，Var表示方差。统计量t近似服从student′s t分布，零假设
如果在置信水平∝下拒绝H0，则认为该自变量的两个子区域之间的属性值存在着显著的差异。其中自由度计算公式为:
风险探测器通过统计同一自变量的不同分级中的低出生体重发生率，表现出随着该自变量等级的提升，低出生体重发生率随之发生的变化。
交互探测器用于探测影响因子的独立作用强，还是与其他变量的交互作用效果更强。方法为首先分别计算两因子X1和X2的q值，然后计算两因子交互所形成的新的区域的q值，最后进行比较。本研究首先对低出生体重发生率进行空间分层异质性度量，然后分别进行因子探测、风险探测及交互探测。
结 果
一、低出生体重发生率空间分布特征
为解决小样本问题，在进行区域划分之前，首先纳入18个变量进行因子分析。具体选择的变量及因子分析的结果如下所示(表2)。因子1～5分别反映社会经济与环境变量、自然变量、产业结构变量、医疗资源变量与地区生育特征变量，其权重值分别为4.9、3.6、1.9、1.8和1.4。上述五个因子可解释75%的变量，本研究将各因子的特征值作为分区的权重值。
表2 因子分析结果
Table 2 Results of the factor analysis
VariablesFactor1Factor 2Factor 3Factor 4Factor 5GDP per capita0.80.0-0.30.10.0Per capita disposable income of urban residents0.90.20.30.00.2Per capita disposable income of rural residents0.80.40.2-0.10.2The proportion of secondary industry-0.9-0.10.1-0.20.0NDVI-0.7-0.2-0.30.0-0.2AQI0.50.5-0.1-0.3-0.1Altitude-0.3-0.90.00.1-0.1Slope-0.3-0.90.00.1-0.1Temperature0.30.90.00.00.1Proportion of paddy soil-0.20.8-0.10.00.0The proportion of secondary industry0.20.1-0.9-0.1-0.1The proportion of the tertiary industry0.50.00.80.20.1Accessibility to medical care0.50.30.20.50.1Number of beds per 10,000 people-0.2-0.10.10.8-0.1Number of doctors per 10,000 people0.4-0.10.10.80.0The proportion of small gestational age0.20.0-0.10.10.8Gender ratio of newborn-0.20.10.1-0.10.4The proportion of non-single birth0.40.00.1-0.10.7
经过数据筛选与计算，2016年湖北省共有低出生体重新生儿数据23 551例，低出生体重发生率3.6%。根据描述性统计分析结果，1 277个乡镇街道中共有新生儿659 892例，其中处于25%位置的乡镇街道尺度新生儿数量为214；低出生体重儿23 551例，处于25%位置的乡镇街道尺度低出生体重儿数量为7。本研究将处于四分位数中25%位置的数量在MLR中确定为新生儿数量与低出生体重儿数量下限，阈值分别为214和7。结合因子分析结果，利用MLR方法进行区域划分，调整后共划分985个新的地理单元。现计算各新生成的空间单元的低出生体重发生率，将其进行可视化处理。为探究低出生体重发生率热点区域，运用全局空间自相关和局部空间自相关方法进行热点探测。
湖北省低出生体重发生率范围在1.4%～12.1%之间。从整体上看，湖北省低出生体重发生率趋势西高东低，但东部地区也有零散的低出生体重发生率高值区域(图1)。湖北省低出生体重发生率最高的地区主要位于武汉市中心城区和南部的蔡甸区与汉南区个别乡镇街道，襄阳市襄城区王府街道也为高值区之一，其低出生体重发生率在7.2%～12.1%。西部恩施州、宜昌市、神农架林区、十堰市西南部以及东部武汉市低出生体重发生率较高，大部分乡镇街道的低出生体重发生率在3.9%～7.1%，其他地区则整体低出生体重发生率较低，范围在1.4%～3.8%之间。
图1 2016年湖北省低出生体重发生率
Figure 1 Prevalence of LBW in Hubei Province in 2016
对各区域低出生体重发生率进行全局空间自相关检验，基于Queen邻接进行权重赋值，得出Moran′s I系数为0.31(95%CI：0.28～0.35)，结果说明低出生体重发生率在空间上具有一定的全局空间相关性。在此基础上进行局部空间自相关分析，利用局部Moran′s I指数进行聚类和异常值分析。结果显示(图2)，低出生体重发生率高-高值区主要在西部地区呈条带状分布，热点区主要位于十堰市西南部、神农架林区西部和恩施州东部地区，恩施州西部和宜昌市西部有零散高值区分布。东部地区高-高值区主要呈块状分布，集中于武汉市中部和南部地区。低出生体重发生率低-低值区域主要分布在湖北省北部、东部和南部省界附近，较为零散。荆州市北部、咸宁市南部、黄冈市东南部、襄阳市西北部和东北部低-低分布区域较广。根据图中信息，湖北省其他地区并无显著冷热点分布。
图2 2016年湖北省低出生体重发生率聚类和异常值分布图
Figure 2 Distribution of clusters and outliers of LBW incidence rate in Hubei Province in 2016
二、低出生体重影响因素
本研究基于MLR区划得到的结果，以划分后的区域为统计单元，重新统计985个区域的新生儿、低出生体重儿、小于胎龄儿、男女新生儿、二胎和非单胎新生儿、孕产妇、高龄产妇、高中以下学历产妇的数量，计算各变量比重，得到各区域的生育特征变量，纳入回归方程进行分析。MLR将1277个乡镇街道整合为985个区域，单元数量并未大幅下降，同时合并的区域大多为同一区县范围，社会经济变量的统计尺度为区县一级，因此未合并区域的社会经济变量数值仍为原统计数据，经过合并的区域按照均值确定社会经济变量数值。自然环境变量按照新的区域界线进行重新统计。为探究湖北省低出生体重发生率的影响因素及其空间差异，本研究首先运用SPSS 25软件对自变量进行共线性诊断，最后选取了16个自变量，即小于胎龄儿占比、高龄产妇占比、孕产妇高中以下学历占比、新生儿性别比、二胎占比、非单胎占比、就医可达性、人均GDP、城乡居民人均可支配收入比、第一产业占比、万人床位数、万人医生数、海拔高度、水稻土占比、NDVI和AQI等指标。本研究将16个自变量数据进行标准化处理，利用SPSS25对标准化之后的低出生体重发生率和各自变量进行一般线性回归并检验残差的正态分布，结果显示其残差呈正态分布，因此可以进行回归分析。
将低出生体重发生率及标准化之后的16个自变量纳入OLS回归分析，调整后R2结果为0.5。对低出生体重发生率具有显著影响力的自变量包括小于胎龄儿占比(b1=0.28，95%CI：0.23～0.32)、高龄产妇占比(b2=-0.04，95%CI：-0.08～-0.01)、二胎占比(b3=-0.06，95%CI：-0.09～-0.03)、非单胎占比(b4=0.34，95%CI：0.31～0.37)、海拔(b5=0.19，95%CI：0.14～0.23)和NDVI(b6=-0.05，95%CI：-0.09～0.00)。总体上，区域小于胎龄儿占比越高，非单胎占比越高，海拔越高，低出生体重发生率越高；高龄产妇占比越低，二胎占比越低，NDVI越低，区域低出生体重发生率越高。但高龄产妇占比和NDVI变量的回归系数较小，因此这些变量整体上对于因变量的影响作用较小。
对由OLS回归得出的6个显著变量进行GWR分析，得到调整后R2为0.5。在湖北省全省范围内，R2值的范围在0.116～0.696之间。从趋势上看，拟合效果整体东高西低。武汉市及其周边孝感市、黄冈市西部、黄石市、咸宁市、荆州市东部、仙桃市、天门市东部的R2值较高，在0.47以上；十堰市、神农架林区、恩施州、宜昌市、襄阳市、随州市和天门市的R2值在0.269～0.47之间；荆州市西部和中部校正后R2值较低，在0.116～0.268之间。
图3 湖北省低出生体重局部R2分布图
Figure 3 The local R2 of LBW in Hubei Province
六个显著自变量的回归系数与标准化数值空间分布图如图4所示。就影响程度而言，对于低出生体重发生率影响由大到小依次为NDVI、小于胎龄儿占比、海拔、非单胎占比、二胎占比、高龄产妇占比。
图4 湖北省低出生体重发生率显著变量回归系数(左)与标准化数值(右)分布图
Figure 4 Distribution of regression coefficients(left)and standardized values(right)of significant variables for LBW incidence rate in Hubei Province
虽然在OLS的分析结果中，NDVI对于新生儿低出生体重发生率的影响系数在整体上并不高，但在GWR的分析结果中发现其影响作用在六个显著的自变量中最大且存在空间差异，其系数值在-0.264～0.792之间。在湖北省中部及恩施州大部分地区，系数值为正，该变量与低出生体重发生率呈正相关关系；在湖北省东部及十堰市和宜昌市东北部，自变量系数为负数，NDVI越高，低出生体重发生率越低。对于湖北省西部大部分地区，NDVI已经达到一定水平，因此该变量等级的提高并不一定能够对低出生体重发生率的降低产生正面影响。相反，在湖北省东部地区，其NDVI数值相对较低，而该变量的提高，可能会对低出生体重发生率的降低产生正向作用。小于胎龄儿占比在全省范围内为正值，其系数在0.028～0.576之间，变量值越高，低出生体重发生率越高。结合图示，标准化后的小于胎龄儿占比数值与低出生体重发生率分布图较为相似，整体上西高东低，武汉市附近为高值区域。海拔的回归系数值在-0.447～0.535之间，咸宁市、黄石市、鄂州市、武汉市南部、仙桃市东部、荆州市东部和恩施州南部小部分区域的系数值为负，其他区域回归系数值为正。在湖北省大部分地区，海拔越高，低出生体重发生率越高。非单胎占比的系数值在-0.357～0.502之间，在恩施州和宜昌市西南部该回归系数值为负；在湖北省大部分地区，该变量回归系数值为正，即非单胎占比越高，低出生体重发生率越高。标准化后的非单胎占比数值分布图中，武汉及周边区域也是高值分布区。二胎占比说明胎次对于新生儿体重也会造成一定影响。标准化后的二胎占比分布图显示其高值位于湖北省边界地区，经回归分析，该变量对于低出生体重的影响程度显著，但相对其他变量作用较小。高龄产妇占比的回归系数值在-0.19～0.255之间，在湖北省大部分地区，该变量的回归系数值为负。该变量的回归系数绝对值较小，与其他变量相比对于低出生体重的作用也较小，且在湖北省不同区域对低出生体重产生不同的效果，需要结合其他变量进一步分析。
为进一步了解湖北省新生儿低出生体重的影响因素，本研究利用区划之后的低出生体重发生率作为因变量，将标准化之后的16个自变量运用自然断裂点方法分级，纳入地理探测器分析。经过计算，低出生体重发生率的q值在0.9以上，具有很强的空间分异性，而后进一步探究其影响因素。
由因子探测器得出，各变量的q值由大到小为：海拔(0.179)>小于胎龄儿占比(0.153)> NDVI(0.123)>非单胎占比(0.115)>城乡居民人均可支配收入比(0.100)>高龄产妇占比(0.097)>水稻土占比(0.069)>万人医生数(0.049)>孕产妇高中及以下学历占比(0.046)>人均GDP(0.036)>第一产业占比(0.028)>万人床位数(0.024)>二胎占比(0.023)>就医可达性(0.022)>新生儿性别比(0.020)>AQI(0.015)。由此可见16个自变量对于湖北省低出生体重发生率的影响程度差异。风险探测器通过统计同一自变量的不同分级的低出生体重发生率，可以得出随着自变量的变化而产生的低出生体重发生率的变化(表3)。风险探测器结果显示，海拔、小于胎龄儿占比、非单胎占比、高龄产妇占比、孕产妇高中以下学历占比、第一产业占比和AQI共7个变量，与低出生体重发生率大致呈正向关系，水稻土占比、万人医生数、万人床位数、二胎占比、就医可达性和新生儿性别比共6个变量整体上与低出生体重发生率呈负向关系。NDVI、城乡居民人均可支配收入比、人均GDP共3个变量随着变量数值的增加，低出生体重发生率先降后升，呈现出“U型”关系。随着人均GDP的增加与NDVI的提高，经济水平与环境质量得到提升，从而对低出生体重发生率的降低产生正向影响。当经济条件与居住环境达到一定程度时，两变量对于低出生体重发生率降低的作用有限。城乡居民人均可支配收入比与低出生体重发生率之间的“U”型关系需进一步研究与讨论。交互探测器可分析两变量交互作用的结果，结果表明，任意两种变量对于低出生体重发生率的空间分布的交互作用都要大于一种变量的独自作用。
表3 风险探测器结果
Table 3 The results of risk detector(%)
GradeThe proportion of small gestational ageThe proportion of advanced maternal ageThe proportion of pregnant women with education levels below high schoolGender ratioof newbornThe proportion of second birthThe proportion of non-single birthAccessibility to medical careGDP per capita13.13.43.44.03.83.33.73.823.23.33.33.63.83.43.73.633.73.73.93.53.63.63.63.544.13.73.83.53.44.53.33.254.44.63.73.43.55.43.43.9GradePer capita disposable income ratio of urban and rural residentsThe proportion of primary industryNumber of beds per 10 000 peopleNumber of doctors per 10 000 peopleAltitudeProportion of paddy soilNDVIAQI13.73.44.14.13.33.93.83.623.33.63.73.73.23.43.73.533.43.33.63.53.73.43.43.743.33.73.43.74.23.33.354.13.83.73.14.73.23.263.53.93.673.83.44.2
Annotation:The blank part in the table is caused by different grades of variables.
结合OLS和地理探测器的分析结果，对所有变量与低出生体重发生率的关系做出如下总结。在地区生育特征变量中，小于胎龄儿占比和非单胎占比两变量基本与低出生体重发生率呈正向关系；新生儿性别比和二胎占比与低出生体重发生率呈负向关系；高龄产妇占比、孕产妇高中以下学历占比在两种结果中对于低出生体重的影响作用不同。在地理探测器结果中，两变量等级越高，低出生体重发生率越高，与OLS和GWR结论相反，其结果有待进一步验证。社会经济变量中，就医可达性与人均医生数越高，低出生体重发生率越低；人均GDP、城乡居民人均可支配收入比在OLS结果中与低出生体重发生率呈负相关关系，在地理探测器中呈“U”型关系；第一产业占比和人均床位数在两种方法中结果相反。社会经济变量从整体上看对于低出生体重发生率的作用较小。自然环境变量中，海拔与AQI越高，水稻土占比越低，低出生体重发生率越高。此外，经GWR进一步分析，NDVI在鄂中与鄂东地区对低出生体重发生率起负向作用，在鄂西与鄂北部分地区起正向作用；地理探测器结果显示NDVI与低出生体重发生率呈“U”型关系。
根据OLS与GWR以及地理探测器的结果分析发现，就显著变量而言，地区生育特征变量中小于胎龄儿占比、二胎占比、非单胎占比与高龄产妇占比显著；社会经济变量中并无显著变量；自然环境变量中海拔、NDVI为显著变量。新生儿出生体重与胎龄有关，胎儿生长发育的营养物质基本上均由母亲提供，胎龄越小，胎儿在母体中获取的营养越少，出生体重越低。此外，由于胎龄较低使得正常孕周缩短，胎儿在母体中成长的时间减少，在子宫内的发育时间被过早中断，新生儿的各器官发育不够成熟[27]，因此胎龄是影响新生儿低出生体重的重要因素。结果显示二胎占比越高，低出生体重发生率越低，而各研究中关于胎次与低出生体重的关系的结果并不一致，因此需进一步探讨。胎数也是影响新生儿出生体重的重要因素。随胎数增加，新生儿发生低出生体重的概率增加。由于胎儿在母亲子宫内的空间有限，胎数的增加，意味着每个新生儿的生长空间受到限制，因此有可能会造成新生儿低出生体重。孕产妇年龄对于低出生体重的影响在两种方法中结果不同，但一般而言，高龄产妇与适龄产妇相比，具有高危风险因素的可能性更大，因此随着区域高龄产妇占比的增加，低出生体重发生率随之增加。从自然环境变量角度来看，湖北省西部海拔最高达3 000米，海拔较高的地区可能会对孕产妇身体健康有一定影响。同时结合湖北省西部地区的经济社会条件，该地区低出生体重发生率也相应较高。NDVI整体与低出生体重发生率呈负向关系，但在鄂西与鄂北地区，其植被覆盖率自身很高，因此NDVI指数的提高对于低出生体重发生率并未产生负向作用。
结合GWR分析结果，对湖北省不同地区低出生体重影响显著因素的区域差异进一步归纳。在鄂东、鄂中大部分地区，鄂北十堰市中部和东部，以及神农架林区，NDVI与低出生体重发生率呈负相关，在其他地区呈正相关。小于胎龄儿占比在全省范围内与低出生体重发生率呈正相关，整体上看该变量在湖北省西部地区以及武汉市的影响作用相对其他地区较大。除湖北省东南部部分地区，海拔越高，低出生体重发生率越高，其中海拔在孝感市、随州市、天门市和潜江市的影响作用最强。非单胎占比在全省大部分地区与低出生体重呈正相关关系，仅在恩施州回归系数为负，该变量在鄂东与鄂中地区的影响效果大于鄂西与鄂北地区。二胎占比在整体上与低出生体重发生率呈负相关，仅在荆州市中部和其他市的个别地区与低出生体重发生率呈正相关。在湖北省北部与恩施州，该变量的影响作用较强。高龄产妇占比相对于其他变量最不显著，在十堰市西部，恩施州中部，襄阳市东部，荆门市西北部以及湖北省东南部省界部分地区，高龄产妇占比越高，低出生体重发生率越高。从湖北省不同区域看，每个变量赋予低出生体重发生的效果与整体上也略有差异，表4列出了各变量在湖北省层面以及各分区层面的影响作用排序，1～6依次为由大到小。
表4 各变量在湖北省整体与分区上的影响作用排序
Table 4 The ranking of the influence of each variable on Hubei Province and its different regions
OrderHubei provinceHubeiEast Central WestNorth1NDVIThe proportion of non-single birthAltitudeNDVIThe proportion of small gestational age2The proportion of small gestational ageAltitudeThe proportion of non-single birthThe proportion of small gestational ageThe proportion of non-single birth3AltitudeThe proportion of small gestational ageThe proportion of small gestational ageThe proportion of non-single birthThe proportion of second birth4The proportion of non-single birthNDVIThe proportion of second birthThe proportion of second birthNDVI5The proportion of second birthThe proportion of advanced maternal ageNDVIAltitudeAltitude6The proportion of advanced maternal ageThe proportion of second birthThe proportion of advanced maternal ageThe proportion of advanced maternal ageThe proportion of advanced maternal age
讨 论
本研究基于2016年湖北省新生儿及孕产妇建档数据，运用MLR区划方法探究湖北省新生儿低出生体重发生率空间分布特征，并运用OLS及GWR分析方法以及地理探测器方法分析新生儿低出生体重的影响因素。从湖北省新生儿低出生体重发生率的空间分布特征来看，低出生体重发生率的高值区位于西部山区以及东部的武汉市及周边地区。通过空间自相关分析，低出生体重发生率的热点区域在西部地区呈条带状分布，主要位于平原-山地过渡带；在东部地区主要呈块状分布，集中于武汉市中部和南部地区。冷点区域主要分布在湖北省北部、东部和南部省界附近。
通过低出生体重影响因素分析，个体变量对于新生儿低出生体重的影响最大，其次是自然环境变量，社会经济变量的作用相对较小。其中小于胎龄儿占比、非单胎占比、二胎占比、海拔和NDVI在两种方法中均对低出生体重发生率起到了显著作用。此外，高龄产妇占比仅在OLS与GWR的结果中显著，除小范围地区外，其回归系数整体上为负数；城乡居民人均可支配收入比在地理探测器结果中为显著变量。高龄产妇占比与城乡居民人均可支配收入比与低出生体重发生率的关系有待进一步研究。
从空间分布特征来看，GWR得出的显著变量在不同区域对低出生体重发生率的影响作用不同。但是总体上看，小于胎龄儿占比和非单胎占比在湖北省全局以及鄂东、鄂中、鄂西和鄂北地区的影响作用都较大，海拔和NDVI次之，二胎占比和高龄产妇占比影响作用较小。
在OLS结果中，显著变量中高龄产妇占比与NDVI的系数较小，但是高龄产妇占比在地理探测器结果中显著性大于其他变量，NDVI在GWR结果中对于低出生体重发生率的作用最大。由于OLS是基于湖北省整体进行回归分析，而GWR是局部空间回归方法，地理探测器通过划分自变量的等级得出因变量的变化规律，因此在结果上有所差异。因此，本研究将OLS与GWR，以及地理探测器结合分析使结果更加科学。
基于以上研究结果，本研究提出以下政策建议。首先，各地政府应进一步加强对于孕产妇的孕期保健，提升对高危和多胞胎孕妇的生育服务保障能力，促进各地医疗资源的优化配置；此外，随着中国二、三胎政策的逐渐放开，高龄高危产妇数量的上升，增加了生育的潜在风险，建议加强健康教育与健康促进工作，提倡适龄生育；最后，鄂东与鄂中地区进一步倡导绿色生产，发展绿色经济，在促进经济发展的条件下重视生态环境的保护，改善空气质量与植被覆盖，创建宜居的生活环境，有助于促进健康生育。
本研究运用MLR区划方法解决了湖北省新生儿低出生体重发生率的小样本问题，由区划之后的数据绘制而得的低出生体重发生率空间分布更加具有科学性与准确性。此外，运用OLS、GWR和地理探测器方法探究低出生体重的影响因素，更清晰地解释了影响因素的作用能力及空间差异。但本研究也存在不足之处。本研究仅从区域低出生体重发生率的角度分析了影响因素，未来可基于个体、社区、区域等尺度展开多尺度影响因素的耦合作用分析，进一步揭示影响因素作用的区域差异，因地制宜地为湖北省的产科医疗资源配置提供科学依据。
1 联合国.可持续发展目标.https://www.un.org/sustainabledevelopment/zh/health/,2015-09-25/2020-05-01.
2 世界卫生组织.早产和/或低出生体重新生儿护理.https://www.who.int/maternal_child_adolescent/topics/newborn/care_of_preterm/zh/,2013-12-09/2020-11-08.
3 International statistics classification of diseases and related health problems:ICD-10.https://apps.who.int/iris/handle/10665/246208,2020-11-08.
4 沈丽萍,王杰,段一凡,等.2000—2016年国内外低出生体重流行趋势.卫生研究,2020,49:850-854.
5 林良明,刘玉琳,张新利,等.1998年中国低出生体重发生率的分布特点及影响因素.中国儿童保健杂志,2001,9:217-220.
6 Liu P,Xu L,Wang Y,et al.Association between perinatal outcomes and maternal pre-pregnancy body mass index.Obes Rev,2016,17:1091-1102.
7 Patel A,Prakash AA,Das PK,et al.Maternal anemia and underweight as determinants of pregnancy outcomes:cohort study in eastern rural Maharashtra,India.BMJ Open,2018,8:1-45.
8 叶茜,顾霞婷.苏州市姑苏区2017—2018年低出生体重危险因素分析.中国公共卫生管理,2020,36:385-387.
9 王红丽,赵娜,刘蓉,等.母亲文化程度与产前检查次数对新生儿低出生体重的影响及其交互调节作用.西安交通大学学报(医学版),2019,40:144-148.
10 章小维,郭明彩,杨慧霞.高龄初产对妊娠结局的影响.中国实用妇科与产科杂志,2005,21:50-51.
11 王红丽,赵娜,刘蓉,等.基于结构方程模型分析陕西育龄妇女孕期膳食模式对新生儿低出生体重的影响.中国卫生统计,2019,36:834-838.
12 Ghimire U,Papabathini SS,Kawuki J,et al.Depression during pregnancy and the risk of low birth weight,preterm birth and intrauterine growth restriction-an updated meta-analysis.Early Hum Dev,2020,152:105243.
13 徐小红,普布卓玛,格央,等.高海拔地区低出生体重儿发生规律及相关因素分析.中国实用妇科与产科杂志,2018,34:293-297.
14 Li L,Ma J,Cheng Y,et al.Urban-rural disparity in the relationship between ambient air pollution and preterm birth.Int J Health Geogr,2020,19:1-15.
15 Koupilova I,Vagero D,Leon DA,et al.Social variation in size at birth and preterm delivery in the Czech Republic and Sweden,1989-91.Paediatr Perinat Epidemiol,1998,12:7-24.
16 Chung H,Muntaner C.Political and welfare state determinants of infant and child health indicators:an analysis of wealthy countries.Soc Sci Med,2006,63:829-842.
17 Luo W,Wang F.Measures of spatial accessibility to health care in a GIS environment:Synthesis and a case study in the Chicago region.Environ Plann B Plann Des,2003,30:865-884.
18 Tao Z,Cheng Y,Du S,et al.Accessibility to delivery care in Hubei Province,China.Soc Sci Med,2020,260:113186.
19 湖北统计局,国家统计局湖北调查总队.湖北统计年鉴:2017.北京:中国统计出版社,2017/2020-11-08.https://data.cnki.net/yearbook/Single/N2017110025.
20 徐新良.中国年度植被指数(NDVI)空间分布数据集.中国科学院资源环境科学数据中心数据注册与出版系统,2018.DOI:10.12078/2018060601.
21 Mu L,Wang F,Chen VW,et al.A Place-Oriented,Mixed-Level Regionalization method for constructing geographic areas in health data dissemination and analysis.Ann Assoc Am Geogr,2015,105:48-66.
22 王法辉.GIS和数量方法在社会经济研究中的应用.刘凌波,译.北京:商务印书馆,2019:235.
23 Moran PA.Notes on continuous stochastic phenomena.Biometrika,1950,37:17-23.
24 Anselin L.Local indicators of spatial association-LISA.Geogr Anal,1995,27:93-115.
25 Fotheringham AS,Brunsdon C,Charlton ME.Quantitative geography:Perspectives on spatial analysis.London:SAGE Publications,2000:102-107.
26 王劲峰,徐成东.地理探测器:原理与展望.地理学报,2017,72:116-134.
27 朱萍,杜旭东,李宓儿,等.2008-2014年成都市新都区低出生体重儿发生率变化趋势及影响因素分析.现代预防医学,2017,44:1428-1432.