利用公共数据库识别欧洲非洲猪瘟流行因素：家猪与野猪的差异分析

《Acta Veterinaria Scandinavica》：Can public-domain datasets be leveraged to identify factors associated with the occurrence of African swine fever in europe?

本研究针对非洲猪瘟(ASF)在欧洲的传播机制不明确的问题，通过整合WOAH-WAHIS和EMPRES-i两大公共数据库的疫情数据，结合温度、降水、土地利用等(a)biotic变量，构建了负二项混合模型。研究发现家猪ASF与猪密度(OR=1.087)、温度(OR=5.008)显著相关，而野猪ASF主要受内陆湿地(OR=3.826)和工业用地(OR=0.318)影响。研究开发了交互式Shiny应用平台，为差异化防控策略提供了数据支撑，对提高ASF预警能力具有重要意义。

　　

当非洲猪瘟病毒如幽灵般在欧洲大陆徘徊时，科学家们面临着一个关键难题：如何利用现有公共资源破解这种致命疾病的传播密码？非洲猪瘟(ASF)作为一种高致死性病毒性疾病，自1921年在非洲首次发现后，已多次席卷欧洲大陆。据统计，2016-2020年间欧洲就报告了4,271起疫情，导致超过62万头家猪和野猪死亡。更令人担忧的是，截至2022年1月，ASF已在五大洲造成约175万头动物损失，成为全球养猪业的头号威胁。

这种病毒既可通过病畜直接接触传播，也能通过污染的饲料、设备等间接传播，虽然不感染人类，但其高达100%的死亡率给畜牧业带来毁灭性打击。面对这一挑战，哥本哈根大学的研究团队独辟蹊径，尝试回答一个颇具现实意义的问题：公共数据库能否成为预测ASF传播的有力工具？他们的研究成果发表在《Acta Veterinaria Scandinavica》上，为疫情预警提供了新思路。

研究方法上，团队整合了WOAH-WAHIS和EMPRES-i两大权威数据库2018-2023年的疫情数据，结合气候、土地利用、人口密度等变量，采用负二项混合模型进行空间分析。特别值得一提的是，他们开发了交互式Shiny应用，使数据可视化变得直观易懂。研究还创新性地比较了不同空间尺度(10×10 km与5×5 km)对预测结果的影响，为后续研究提供了重要方法学参考。

数据整合与清洗

研究团队从WOAH-WAHIS和EMPRES-i数据库获取了2018-2023年间27个欧盟国家的ASF疫情数据，经过严格的数据清洗和去重处理，最终确定了5,626例家猪病例和19,395例野猪病例。这些数据与温度、降水、土地利用类型等环境变量进行空间匹配，建立了多维度分析数据集。

空间统计分析

采用负二项回归模型分析(a)biotic变量与ASF发生的关联性，同时考虑了国家、经纬度等随机效应。通过方差膨胀因子(VIF)检验变量共线性，使用莫兰指数(Moran's I)评估空间自相关性。模型采用70%训练集和30%测试集的划分策略，并进行了五折交叉验证以确保结果稳健性。

多尺度比较分析

创新性地设置了10×10 km和5×5 km两种空间分辨率，比较不同尺度下变量关联性的变化，揭示了ASF传播机制在宏观和微观层面的差异。

模型性能评估

通过准确率、灵敏度、特异性等指标全面评估模型预测能力，发现家猪ASF预测准确率达88%，而野猪仅为32%，这表明野猪ASF传播存在更复杂的生态驱动因素。

研究结果显示，家猪与野猪的ASF传播机制存在显著差异。家猪疫情与养猪密度呈正相关(OR=1.087)，温度升高也使风险增加5倍，这反映了密集饲养条件下病毒更易传播的特点。而令人意外的是，人口密集区域的家猪疫情风险反而较低(OR=0.489)，这可能得益于更好的生物安全措施和监测系统。

土地利用类型分析揭示了更丰富的细节。家猪ASF在耕地(OR=1.787)和工业交通区域(OR=1.933)风险较高，而野猪疫情则与内陆湿地显著相关(OR=3.826)。这一发现印证了湿地生态系统作为野猪天然栖息地的重要角色，也提示湿地周边需要加强监测。

空间尺度的影响尤为值得关注。当分析网格从10×10 km精细到5×5 km时，野猪ASF的驱动因素保持稳定，而家猪仅剩人口密度仍显着相关。这表明野猪ASF受大尺度生态因素主导，而家猪疫情更多受局部管理因素影响。

模型预测性能的差异进一步印证了这一结论。家猪ASF预测准确率高达88%，而野猪仅为32%，说明当前公共数据库对野生动物疫情的捕捉存在明显局限。这种差异可能源于野猪种群动态的复杂性，包括迁徙、食性、与染病尸体接触等难以量化的因素。

研究的讨论部分深入剖析了这些发现的深层意义。公共数据库虽然为大规模疫情分析提供了便利，但也存在报告偏倚、数据粒度不均等局限。特别是野猪密度数据在欧盟各国的不一致性，限制了跨区域比较的准确性。此外，未报告疫情区域的存在（即所谓"沉默疫区"）可能影响模型的空间预测效果。

该研究的创新之处在于建立了可复用的数据分析流程，并开发了公开的Shiny应用平台，使政策制定者能够直观探索疫情数据。研究人员建议，未来应整合动物移动、迁徙路线等限制性数据，特别是加强对野猪种群生态学的研究，以弥补当前模型的不足。

这项研究的意义远超学术范畴：它为差异化防控策略提供了科学依据。家猪ASF防控应重点关注养殖密度管理和局部生物安全，而野猪疫情则需要从景观生态学层面制定区域性防控方案。随着气候变化加剧和人类活动扩张，这种基于大数据的风险评估方法将为ASF乃至其他人畜共患病的防控提供重要借鉴。

正如研究者所言，精准的疫情预测不仅需要先进的分析方法，更依赖于高质量、多维度的数据支撑。这项研究为构建更加完善的动物疫病预警体系迈出了重要一步，也为全球公共卫生安全贡献了北欧智慧。