城市街区尺度的自杀集群检测：基于26年数据序列的实证研究

本研究针对自杀集群（suicide clusters）这一罕见但危害严重的公共卫生问题，采用DBSCAN算法对智利瓦尔迪维亚市26年（1996-2021）的393例自杀事件进行时空分析，首次在街区尺度（<300米）识别出7个具有统计学显著性（pc<2.5%）的集群，揭示6%自杀事件呈空间聚集性，为社区精准防控提供关键时空参数。

　　

自杀行为对社区造成的深远影响中，最令人不安的现象莫过于自杀集群（suicide clusters）——在狭小时空范围内超出随机预期的自杀事件聚集。尽管发生率仅占自杀总数的1-5%，这种“心理传染病”已在全球不同文化背景下被记录。现有研究面临两大困境：一是缺乏标准化的时空尺度定义（从几百米到数公里不等），二是过度依赖“模仿传染”（contagion-as-imitation）理论而忽视社会人口学因素的协同作用。智利公共卫生体系的分散式管理结构为破解这一难题提供了独特条件，该国洛斯里奥斯大区首府瓦尔迪维亚市集中了该地区40%的自杀病例，成为理想的研究场域。

智利南部大学（Universidad Austral de Chile）联合智利法医服务局的研究团队在《Spatial and Spatio-temporal Epidemiology》发表的研究，创新性地采用基于密度的空间聚类算法（DBSCAN），对1996-2021年间该市393例自杀事件进行微尺度分析。通过整合地理坐标、人口统计学数据和时空参数，团队首次在街区级分辨率（两到三个城市街区范围）捕捉到自杀集群的精确边界，为社区精准干预树立了新标尺。

关键技术方法包括：1）从智利法医服务局死亡率数据库获取包含地理坐标、人口特征的26年自杀事件数据；2）应用DBSCAN算法进行时空聚类检测，参数设置参考自杀流行病学特征；3）采用蒙特卡洛模拟计算集群显著性（p_c）；4）通过“脆弱性圈层”模型（circles of vulnerability）解析地理、心理、社会三维邻近效应。

【数据描述】
研究区域覆盖40平方公里城区，样本中男性占80%，30岁以上人群占比93%。自杀事件时空分布呈现显著异质性，为微尺度聚类分析奠定基础。

【结果】
检出7个具有统计学意义的自杀集群（p_c<2.5%），空间尺度均<300米，对应1999-2019年间不同年份。集群包含3-4例自杀，总占比6%，显著高于全球基线水平（1-5%）。所有集群均呈现男性主导（与总体人群一致）和30岁以上人群高发的特征，暗示年龄结构可能比性别因素更具集群特异性。

【讨论】
这项研究突破性地证明：1）自杀集群可在远小于传统认知的尺度（城市街区）发生，挑战了现有防控措施的响应半径；2）6%的集群占比提示瓦尔迪维亚可能存在未被识别的社会脆弱性因素；3）DBSCAN算法在微尺度集群检测中展现优越性能。研究者特别强调，基于地理邻近性（geographical proximity）的防控策略需与心理、社会邻近性干预相结合，这为“脆弱性圈层”理论提供了实证支持。

该研究的公共卫生意义在于：1）为资源有限地区提供成本效益最优的防控标尺（300米半径）；2）证实分散式卫生系统（如智利）实施精准干预的可行性；3）推动自杀集群研究从现象描述向机制解析转变。正如作者指出，未来需结合社交媒体数据、移动轨迹等新型数据源，进一步揭示地理集群背后的社会网络传导机制。