-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
公共卫生风险耦合模型构建：中国四川省18个城市的灾害危险性与城市脆弱性空间交互机制研究
【字体： 大 中 小 】 时间：2025年09月18日 来源：Frontiers in Public Health 3.4
编辑推荐：
本综述创新性地构建了“危险性-脆弱性”风险耦合模型（CCD），运用熵值法和耦合协调度模型系统分析了传染病风险与城市系统的空间交互机制。研究揭示了四川省18个地级市在公共卫生应急管理中存在的显著空间异质性（如成都呈现“低脆弱性-高危险性”特征），突破了传统线性评估的局限，为区域差异化防控策略和韧性城市建设提供了量化依据。
公共卫生突发事件作为全球性危机，其影响机制和空间分布特征已成为跨学科研究的前沿课题。从历史视角看，从查士丁尼瘟疫到COVID-19大流行，此类事件不仅造成重大人员伤亡和经济损失，更通过复杂的空间交互机制重塑城市发展轨迹。在当代城镇化进程中，要素集聚与流动网络在提升医疗资源配置效率的同时，也显著增加了病原体传播风险。因此，建立科学的风险评估框架对有效实施城市规划策略、公共卫生政策和应急管理措施至关重要。
传染病传播机制研究已取得显著进展，例如Dai等系统论证了高密度城市环境中气溶胶传播呼吸道疾病的潜在风险，Ruiz-Herrera等通过数学模型量化了人口流动在疫情传播中的关键作用。但这些研究主要关注病原体本身的传播动力学，未能充分考虑城市复杂系统对传播过程的调控作用。
城市脆弱性研究则深入分析了社会经济因素对公共卫生应急响应能力的影响，明确将空间要素确定为影响疾病传播的关键变量。这些研究揭示了城乡空间组织模式如何关键性地决定疫情防控效能，尤其是城市化水平差异和区域发展不平衡会加剧健康脆弱性，导致公共卫生服务供给与疾病负担的空间错配。然而，这些研究普遍忽视病原体特异性传播途径和致病机制，这种学科碎片化导致现有风险评估框架存在显著理论局限和实践盲点。
现有研究还表明，城市化对传染病传播的影响呈现显著的区域异质性。这种空间分异不仅体现在传播风险的地理差异上，还通过公共卫生紧急事件的冲击波触发城市系统内部的多级联级效应。具体而言，公共卫生危机既加剧了疾病传播与社会经济空间分异原有格局的极化，又催生了空间可达性差异、环境正义失衡和健康资源分配不公平等新的脆弱性维度。这些多维不平等的空间耦合和协同效应不仅加剧了城市系统风险异质性程度，更对传统公共卫生风险管理范式构成系统性挑战。
基于这些研究发现，学者开始重新审视传统城市化模式的适应性，倡导建立系统性、多层次、动态演进的城市韧性框架。基于城市政治生态学理论，Gandy开发了"人畜共患病城市"分析框架，强调城市化进程必须与流行病学特征相结合，才能全面把握健康威胁与环境变化间的复杂相互作用。此外，Yang等在湖北省的实证研究提出，后疫情时代的城市发展应超越单纯的经济集聚和规模扩张，转向以公共服务提升和宜居性优化为重点的新模式。Pacheco等的系统综述证明，增加可达公共空间并优化其在健康危机期间的适应性使用，正成为城市设计的关键创新方向。这些研究进展为构建更具韧性的城市系统提供了重要理论基础和实践路径。
通过深入分析当前研究进展，传染病与城市系统相互作用研究仍存在三个关键理论空白：首先，现有研究范式主要局限于单向线性分析，要么关注疾病传播机制和疫情对城市系统的影响，要么单独考察城市因素对疾病传播的影响；其次，在方法论层面，当前风险评估框架缺乏对城市内部微观尺度风险异质性形成机制的分析能力，难以有效识别不同地区风险分异的关键驱动因素；更关键的是，尽管大量证据证明空间组织模式与疫情防控效果存在显著相关性，但仍缺乏有效将风险评估结果转化为城市规划干预措施的整合框架。这些理论和方法局限迫切要求建立系统性、多维度和动态的传染病风险评估体系，并通过科学的风险管理方法实施精准干预。
四川省位于中国西南部，在西部大开发、扶贫攻坚和成渝地区双城经济圈建设等重大国家战略中发挥着 pivotal 作用。尽管交通网络发达，促进了高效的人口流动和物资流通，但城市体系仍不完善。除成都外，省内缺乏其他超大城市和Ⅰ型大城市，仅有3个Ⅱ型大城市，导致中小城市人口收缩和中心城区过度集聚。虽然四川区域GDP全国排名第五，但经济发展呈现显著空间差异，整体发展水平相对滞后，城乡差距明显，资源配置不均，空间安全韧性较低。历史上易发地震和流行病，在近期重大疫情爆发期间进一步暴露了健康风险。
本研究考察了四川省四大经济区内的18个地级及以上城市。省会成都城镇人口1334万，是中国第6大超大城市，其经济发展创造了显著的人口虹吸效应。全省城市体系包括3个Ⅱ型大城市（绵阳、南充和宜宾）、9个中等城市（泸州、达州、自贡、遂宁、乐山、眉山、攀枝花、德阳和内江）以及5个Ⅰ型小城市（广元、巴中、资阳、广安和雅安），共同构成了成都超大城市主导下的层级城市网络。
本研究使用统计数据和网络数据。统计数据主要来源于《四川统计年鉴2023》《四川交通年鉴2023》、各地市统计年鉴以及地级市发布的人力资源和社会保障公报。执业（助理）医师和医院床位数据主要来自《四川卫生统计年鉴2023》，65岁及以上人口比例（2020年数据）等人口指标来自《四川人口普查年鉴2020》。
传染病数据涉及COVID-19疫情，来源于四川省卫生健康委员会官方网站。数据集包括地级市尺度的确诊病例，覆盖时间为2020年1月1日至2022年12月10日。
网络数据包括2022年四川省地级市兴趣点（POI）数据，来自高德地图（Amap POI），包括便利店、超市、购物中心和餐馆等日常生活服务设施的数量，用于衡量生活服务场所密度。此外，各城市行政边界矢量图从国家地理信息公共服务平台获取。
为全面理解综合灾害风险，联合国减少灾害风险办公室（UNDRR）和联合国开发计划署（UNDP）基于度量框架将减灾措施纳入国家规划和决策过程。减少灾害风险（DRR）话语正经历向脆弱性导向方法的范式转变，脆弱性已成为众多风险评估的共同评价特征，为准确防灾减灾提供实用信息。
学者们对传染病灾害综合风险进行了深入研究。例如：Mete等采用INFORM COVID-19风险指数的三个风险因素——危险性和暴露度、应对能力缺乏和脆弱性，分两个阶段重新评估国家灾害风险；Pang等基于载体脆弱性、致灾环境不稳定性、危险强度、防灾能力和应急响应能力建立了灾害损失指数模型，研究疫情传播的环境风险和社会经济影响；Pluchino等建立了包含疾病危险性（H）、区域暴露度（E）和人口脆弱性（V）的风险指数框架，评估地理区域的流行病学风险并识别高风险区域；Kanga等创建了结合危险性和脆弱性的综合风险评估框架，将传染病风险定义为C=H×V，随后进行风险评估和制图。总之，风险指数评估主要关注疾病风险、危险性和脆弱性。通过综合考虑多个风险因素及其影响，可以实现更有效的风险评估和管理。在构建本研究传染病灾害综合风险评估指标体系时，需要重新定义这两个子系统——危险性和脆弱性。
传染病传播强度既决定疾病发生可能性又影响传播范围，因此需要选择能够表征疾病传播模式的指标作为危险性因素。病毒流行病学特征分析表明，传播途径主要包括气溶胶传播、空气传播和直接接触传播，影响因素高度复杂。传染病的出现和传播与若干决定因素相关，包括人为因素（如人口密度、旅行和贸易模式、不同人口群体的易感性）和生态因素。因此，本研究从以下维度提取危险性相关影响因素：人口特征、人口集聚、人口动态和环境因素，这些要素共同构成指标体系框架。
流行病灾害与自然灾害不同，其主要通过人际传播影响人类健康并导致持久的社会经济后果。因此，疫情风险评估研究更关注人口和社会经济系统的脆弱性，而往往忽视空间因素。然而，许多大流行脆弱性的驱动因素与全球连通性和城市化水平内在相关，源于空间结构失衡、经济发展不均和治理能力不足的复杂相互作用。任何这些因素的恶化都可能增加城市脆弱性和风险。在本研究中，我们将脆弱性定义为城市系统对外部干扰的敏感性及其应对能力的缺乏，这使得其结构和功能易于发生变化。
为构建公共卫生突发事件城市脆弱性指标体系，我们全面回顾了相关文献，包括公共卫生和医疗领域广泛使用的人口脆弱性指数（PVI）、社会脆弱性指数（SVI）、在地方规划中结合社会和物理因素的城市脆弱性评估（UVA）以及大流行脆弱性指数（PVI）。我们从社会经济、空间环境和基础设施维度提取城市脆弱性的关键影响因素构建指标体系。
建立传染病危险性与城市脆弱性的风险耦合评估模型可以有效衡量传染病威胁程度和城市脆弱性程度，识别风险影响因素，进而制定有针对性的疫情防控和城市规划策略。这为防灾减灾和韧性城市发展提供关键科学支持。为探索影响传染病危险性和城市脆弱性的潜在变量，本研究参考了既往研究包含的变量。基于数据相关性、可得性和可靠性原则，我们筛选和分类关键指标，构建了综合风险评估框架。
在多指标评价体系中，不同指标可能有不同的计量单位，因此在评价过程中需要进行数据标准化。评价指标分为正向和负向两类：对正向指标，值越大表示风险和脆弱性越高；对负向指标，值越大表示风险和脆弱性越低。因此，本研究采用极差法对所有原始指标进行正向化处理。
正向指标：Xij = (xij - xmin)/(xmax - xmin) (i=1,2,…,m; j=1,2,…,n)
负向指标：Xij = (xmax - xij)/(xmax - xmin) (i=1,2,…,m; j=1,2,…,n)
其中xij为评价指标的原始数据；xmax和xmin为评价指标的最大值和最小值；Xij为标准化处理后的指标值。此处i指研究中的地级及以上城市，总计m=18。j代表各项指标。
熵值法通过测量信息熵量化数据变异性来客观确定指标权重，有效消除了主观加权方法的偏差。在信息论中，熵是系统无序性和数据集中有用信息量的度量。当评价对象在特定指标上表现出显著差异时，较低的熵值表明信息效用更大，应赋予更高权重。方法流程包括：标准化原始数据，计算各指标的信息熵，基于熵值得出权重系数。这一过程严格考虑了指标间的相对重要性，确保了科学稳健的权重分配。对于公共卫生风险评估，熵值法在处理多源异构数据方面特别有效，能精确捕捉每个风险因素对综合评估的实际贡献。
第i个城市在第j个指标下的特征比重可定义为：Pij = Xij/∑i=1mXij
其中m代表地级及以上城市总数（此处m=18），计算常数k由下式给出：k = 1/ln(m)
第j个指标的信息熵可定义为：ej = -k∑i=1mPijln(Pij)
计算第j个指标的差异系数gj：gj = 1 - ej
计算第j个指标的权重：wj = gj/∑j=1ngj
本研究通过结合标准化指标值及其相应权重计算灾害危险性指数，反映研究区域的危险强度水平和空间分布模式。计算公式表示为：Hi = ∑j=1nWj×Xij
其中Hi表示第i个城市的灾害危险性指数，值越高表示危险强度越大；Wj表示通过熵值法得出的第j个指标的权重，Xij对应指标的标准化值。
为量化区域脆弱性，采用相同方法计算城市脆弱性指数，从而能够定量分析研究区域脆弱性的大小和空间分布：Vi = ∑j=1nWj×Xij
其中Vi表示第i个城市的城市脆弱性指数，值越高表示脆弱程度越大；Wj表示通过熵值法得出的第j个指标的权重，Xij对应指标的标准化值。
风险分析应同时考虑传染病危险性和城市脆弱性，因为风险是危险性和脆弱性的函数。计算公式可表示为：Ri = Hi×Vi
上述计算表明，区域灾害风险随着危险强度和脆弱性水平的增加而升级。
耦合协调度模型（CCDM）基于耦合理论，有效评估不同系统间的交互效应和协调发展水平，已广泛应用于考察社会、经济和生态系统之间的关系，包括：生产-生活-生态空间、经济-生态相互作用、城镇化-生态环境动力学、文化景观保护与社会经济发展。最近，CCDM已从社会经济生态研究转向灾害风险研究，能够深入分析：多维贫困与地质灾害风险的空间耦合关系、洪水风险与人口脆弱性的耦合关系、"危险性-暴露度-脆弱性"对城市洪水风险的综合效应和多维影响。这些研究证明了CCDM在灾害风险评估框架中的适用性。然而，现有研究缺乏空间耦合视角来揭示急性公共卫生危险性与城市脆弱性之间的交互机制。
"耦合"指的是两个或多个要素之间相互作用和相互影响的过程。本研究采用CCDM分析灾害危险性与城市脆弱性之间的相互依赖或相互制约关系。在CCDM研究中，大多数学者采用常规模型结构计算如下：
C = 2×√[(Hi×Vi)/(Hi+Vi)2]
T = αHi+βVi
D = √(C×T)
考虑到灾害危险性与城市脆弱性之间的维度差异，采用标准化序数值计算它们的同步性和整体协调度。基于最终耦合协调度（D）值，并参考Xiang等研究的分类框架，将灾害危险性与城市脆弱性之间的协调发展状况分为4大类，根据两个系统的比例关系进一步细分为6个亚型。
鉴于灾害危险性与城市脆弱性之间的维度差异，采用标准化序数值计算它们的同步性和整体协调度。基于最终耦合协调度（D）值，并参考Xiang等研究的分类框架，将灾害危险性与城市脆弱性之间的协调发展状况分为4大类，根据两个系统的比例关系进一步细分为6个亚型。
C = [f(x)k×g(x)k]/[αf(x)+βg(x)]2k
T = √[αf(x)×βg(x)]
D = √(C×T)
其中C是耦合度，T是灾害危险性与城市脆弱性之间的协调指数，D是耦合协调度。f(x)是灾害危险性排名的标准化值；g(x)是城市脆弱性排名的标准化值。k是调整系数（通常2≤k≤5）。为增强区分能力，本研究参照Su等设置k=3。考虑到f(x)与g(x)同等重要（即α+β=1，α=β=0.5）。D值越高，灾害危险性与城市脆弱性之间的协调度越好。
采用熵值法对标准化指标进行客观加权，得出传染病危险性和城市脆弱性的各自指标权重以及维度指数，从而能够定量测量传染病危险性、城市脆弱性、综合风险和耦合协调度，并通过空间制图技术可视化区域分布模式。此外，研究还结合四川省区域发展特点进行了定性分析。
通过对人口特征、人口集聚、人口流动和环境暴露的综合评价，本研究揭示了四川省各城市的传染病风险水平和空间分布模式。定量风险得分范围从0.149到0.761。成都表现出最高的风险指数0.761，而所有其他城市得分均低于0.5，表明普遍处于中低风险水平。这些发现证明了四川省区域疫情防控政策在风险管理方面的显著有效性。
此外，人口流动构成传染病风险最具影响力的因素。关键贡献要素包括国内游客数量、每万人公共交通车辆、人口密度和公路客运量。
使用ArcGIS中的自然断点法将危险性指数分为五个风险等级：极高、高、中、低和极低风险区。空间上，四川省的灾害风险呈现明显的区域分异，与城市规模、地理经济因素和自然环境密切相关。
极高风险区以超大城市成都为代表，其高风险可能源于密集人口、经济活动和城市扩张引起的环境干扰。中高风险区包括宜宾、泸州、乐山、眉山和自贡等大中城市。相比之下，低和极低风险区主要分布在较小的外围城市，如攀枝花、广元和达州，这些地区环境资源丰富、开发强度较低，可能有助于风险缓解。
总体而言，这种空间风险模式既反映了自然地理条件的约束，也体现了区域发展差异的影响。
城市脆弱性指数反映城市系统对内外干扰的敏感性及其应对能力的缺乏——这些属性使其结构和功能易于发生变化。通过对空间布局、经济发展和社会系统的综合评价，本研究揭示了四川省各城市的脆弱性水平和空间分布特征。
定量脆弱性得分范围从0.383到0.720。成都显示出最低的脆弱性指数（0.383），其次是南充（0.402），而大多数其他城市得分高于0.5，表明处于中高脆弱性水平。眉山表现出最高的脆弱性指数0.720。这些结果证明了四川省城市系统在应对公共卫生突发事件时的内在脆弱性。
空间脆弱性表现出最显著的平均影响。关键贡献因素包括交通设施密度、居住密度、路网密度、开放空间密度、医生数量和医院床位容量。这反映了区域发展水平与空间配置平衡之间的密切关系。
使用ArcGIS中的自然断点分类法将脆弱性指数分为五个等级：极高、高、中、低和极低脆弱性区。空间上，四川省的城市脆弱性呈现明显的区域分异。
极低脆弱性区以超大城市成都为代表，其韧性源于先进的经济发展和完善的公共服务系统。南充和自贡等城市也因良好的经济条件表现出相对较低的脆弱性，而广元则受益于稳定的地质环境条件。
攀枝花和泸州属于低脆弱性类别，绵阳和遂宁被归类为中度脆弱。乐山、宜宾和广安等高脆弱性地区可能受到多种因素影响，包括地质灾害风险、工业环境压力和不平衡的公共服务。
总体而言，这种城市脆弱性的空间模式既反映了自然地理条件的变化，也体现了区域发展水平的差异。
基于前述传染病危险性和城市脆弱性评估结果，我们计算了综合风险指数。四川省总体呈现较低的整体风险水平。省会成都显示出最高的风险指数（0.291），而广元和攀枝花表现出最低值。
使用ArcGIS中的自然断点分类法将研究区域划分为五个风险等级：低、较低、中、较高和高风险区。空间上，四川的风险分布遵循"中部高、周边低"的模式。成都平原和川南地区的风险水平明显高于攀西和川东北地区。
成都平原和川南地区集中了全省大部分大中城市。这些城市区域虽然受益于先进的经济发展和完善的基础设施，但同时也面临高人口密度和强流动性的挑战，导致传染病传播风险升高。值得注意的是，成都呈现出典型的"低脆弱性-高风险"特征。相比之下，攀西和川东北地区主要由小城市或偏远地区组成（如攀枝花、广元和雅安），具有较低的人口密度、较少的人类活动强度和较高的自然环境承载力，导致综合风险指数相对较低。
我们进行了综合风险指数与实际累计感染病例之间的相关性分析，以评估该风险指标系统是否能有效反映感染模式。Spearman等级相关分析显示两个变量之间存在统计学显著的正相关关系（rs=0.680，p=0.002），在0.01显著性水平上。这些结果表明：综合风险指数的增加与较高的累计感染数显著相关；风险指数的地理分布特征有效反映了实际病例数的空间分布模式。
本研究计算了耦合协调度（CCD）指数以检验传染病危险性与城市脆弱性之间的相互作用和协调关系。研究区域整体CCD水平相对较低（均值=0.384）。广元和攀枝花显示出最高的CCD值（分别为0.655和0.649），而成都具有最低的CCD（0.031）。作为超大城市，成都表现出极低的城市脆弱性但 exceptionally 高的传染病风险，导致严重的耦合协调失衡。
基于第2.7节建立的CCD模型，我们使用以下阈值将研究区域分为四种协调类型：协调发展（0.6≤D≤1）、边际协调（0.5≤D<0.6）、临近失衡（0.4≤D<0.5）和衰退失衡（0≤D<0.4）。研究发现"较低CCD对应较高风险"的空间模式。协调发展城市空间分散，而衰退失衡城市主要集中于成都平原和川南地区。
深入分析表明，"危险性主导滞后"模式在四川省耦合协调类型中占主导地位。实现协调或边际协调发展的城市，如攀枝花、自贡和广元，在风险治理与空间规划协调方面取得了初步进展。在失调和衰退协调类别中，区域风险模式呈现显著空间异质性：成都表现出典型的"失衡-脆弱性滞后"类型，而其他城市主要遵循"失衡-危险性滞后"模式。实证证据证实了城市脆弱性水平与传染病危险性之间存在显著的正反馈效应， heightened 脆弱性不仅通过削弱系统韧性加剧疫情传播风险，还 perpetuates 耦合系统失衡。
上述研究揭示了影响耦合协调发展的核心机制源于经济-空间-社会-环境系统的多维相互作用。这表现为两种 distinct 模式：在快速发展地区（如成都、绵阳），经济增长导致过度要素集聚，形成"高投资-高密度-高风险"传输链；而在欠发达地区（如广安），发展动力不足 creates 恶性循环"低产出-低保护-高脆弱性"。这些发现与Shekhar等提出的"经济基础-空间结构-治理能力"协同机制一致，揭示了区域系统复杂性的耦合路径：
第一，成都平原地区的经济-空间耦合表现出显著的正反馈效应。以成都和绵阳为例，高新技术产业集聚驱动了人口集中和流动，同时引发土地利用模式重组。然而，过度集约化发展导致人均公共服务资源下降。这种"高密度、高压"耦合模型导致疫情期间核心城区感染风险远高于周边地区，证实了经济驱动空间重构带来的风险累积效应。
第二，川东北地区的经济-社会耦合表现为双向抑制效应。代表性案例是广安"5.09"疫情，月度感染数激增至1,299例。该事件揭示该地区人均医疗支出落后于全省平均水平，医疗设施短缺直接加速了疫情传播。该事件不仅展示了基础设施脆弱性如何放大风险传播，更重要的是暴露了潜在机制： sluggish 经济发展严重制约公共服务投入，而不足的社会保护同时限制人力资本发展并通过削弱消费能力抑制经济增长。
第三，经济-环境耦合在工业城市表现出明显的压力效应，特别是在南充、宜宾和眉山。传统产业扩张（如宜宾白酒制造、南充纺织化工生产）导致PM2.5浓度增加和水质恶化。不足的环境保护投资进一步加剧健康风险，实证验证了发展强度与生态承载力之间的张力如何转化为公共卫生威胁。
第四，空间与经济系统的耦合协调在攀枝花尤为突出。通过包括矿区集约化再开发、中心城区功能多元化和严格生态保护管理等措施，该市实现了空间资源配置与经济发展需求的最佳匹配。这种空间优化策略使攀枝花成为国家资源综合利用核心城市。这种协调发展路径为同类城市构建更具韧性的产业-空间-生态系统提供了可复制的实践解决方案。
第五，空间-社会-环境系统的协同效应在广元市得到突出体现。作为四川省CCD得分最高的城市（CCD=0.655），广元通过"低密度、高投入"发展模式实现了社会系统与环境治理的良性互动。利用山地地形创建多中心空间配置，该市在保持相对较低人口密度的同时，通过特殊医疗卫生资源分配和 robust 社会保障系统补偿经济发展限制。这种整合分散空间结构、优质生态禀赋和 targeted 社会投资的治理方法，不仅显著降低了疫情传播风险，还为山地城市建立了独特的韧性发展范式。它为协调欠发达西部地区社会经济发展与生态保护提供了宝贵参考。
这些耦合机制不仅解构了风险异质性的生成逻辑，还通过典型案例实证验证了一条传输链：产业集聚（经济）→土地利用紧凑度（空间）→服务覆盖（社会）→生态敏感性（环境）。这为区域韧性规划提供了差异化的理论框架。
传染病危险性与城市脆弱性之间的协调发展构成城市公共卫生风险治理的关键组成部分。这两个系统通过要素流动和反馈机制相互作用，共同决定区域综合风险水平。本研究测量了传染病危险性、城市脆弱性、综合风险和耦合协调度，并通过空间制图技术可视化区域分布模式。
本研究使用2020年1月1日至2021年12月31日期间四川省地级市累计感染病例数据验证了耦合协调度（CCD）评估结果。采用病例增长增量（ΔC = C2022 - C2020-2021）进行验证，生成各城市的ΔC和CCD分区统计图。
结果显示，成都表现出全省最高的病例增长增量（16,341例），远超过其他城市，这与其在四川最低的CCDI（0.031）相对应。形成鲜明对比的是，攀枝花记录了最低的病例增长增量（71例），与其高CCD指数（0.649）呈现反向关系。
研究发现表明，在奥密克戎变异株爆发期间，四川省各城市的疫情发展与耦合协调度（CCD）之间存在显著负相关关系。较高CCD值的城市（如攀枝花）表现出更强的疫情抵抗能力，保持相对较低的病例增长增量。相反，较低CCD值的城市（如成都）面临 substantially 更大的疫情防控压力。这些结果表明，CCD模型能有效预测各城市病例数趋势，验证了该模型在评估区域疫情防控效能方面的准确性和适用性。这些发现为制定差异化防控策略提供了科学证据。
CCD模型与传统风险评估模型的比较分析表明，CCD框架超越了传统方法（如加权求和或
生物通微信公众号
知名企业招聘
