农业气候感知、通信与计算系统方法及技术用于精准灌溉管理：现状与展望

《Computers》：Agroclimatic Sensing, Communication, and Computational Systems-Based Methods and Technologies for Precision Irrigation Management: Current State and Prospects Aminata Sarr, Abhilash K. Chandel, Lamine Diop, Yrébégnan Moussa Soro, Alain K. Tossa, Smrutilipi Hota and Arunachalam Manimozhian

　　

本研究旨在验证COVID-19死亡率、人类发展指数（HDI）以及人口年龄在世界卫生组织（WHO）成员国之间是否存在统计学显著关系。尽管已有大量文献探讨COVID-19死亡率与社会人口学指标之间的关系，但很少有研究明确整合计数数据诊断、零膨胀机制以及多水平纵向建模来同时捕捉国家间异质性和时间动态。本研究通过应用一个结构化建模框架来填补这一空白，该框架结合了负二项模型、零膨胀模型和多水平回归模型，分析WHO国家层面数据。为此，研究人员采用了两种不同的统计技术：负二项回归建模（针对2020年7月20日和2022年7月20日每日时间暴露的零膨胀负二项类型，分别对应COVID-19疫苗首剂接种前和接种后）；以及针对两水平重复测量数据的多水平回归。负二项回归估计表明，在疫苗首剂接种前，HDI、年龄与COVID-19死亡率之间存在统计学显著的正相关。从无条件模型定义中得到的方差分解表明，感染和死亡的发生在不同国家/地区之间以及随时间推移存在显著变异。

**论文解读文章**

**研究背景**
COVID-19大流行对全球公共卫生系统构成了严峻挑战，并凸显了人类发展水平与社会经济脆弱性之间的关系。人类发展指数（HDI）作为衡量国家长期发展水平的综合指标，涵盖健康（出生时预期寿命）、教育（平均受教育年限）和收入（国民总收入）三个基本维度。已有研究（如Deaton等）指出，HDI与COVID-19感染和死亡率之间存在正相关，尤其是在高HDI国家，人口老龄化、强大的检测能力以及完善的卫生系统可能导致更高的报告病例数。然而，现有文献多采用横截面或单水平分析方法，未能充分处理计数数据中常见的过度离散（overdispersion）和零膨胀（zero-inflation）问题，也未能捕捉国家间随时间变化的异质性。为此，本研究旨在通过整合计数数据回归与多水平纵向建模，系统评估HDI、年龄与COVID-19死亡率之间的关系，并检验感染和死亡事件在国家间和时间上的变异来源。该研究发表在《Computers》期刊上。

**主要关键技术方法**
研究人员主要采用了以下统计建模方法：首先，通过Cameron和Trivedi的过度离散检验确定数据是否适合泊松模型，并利用Vuong检验评估零膨胀的必要性；其次，应用负二项回归模型（NB2）处理过度离散数据，并采用零膨胀负二项模型（ZINB）应对疫苗后时期出现的过量零值；最后，构建两水平多水平回归模型（水平1为时间，水平2为国家），通过随机截距和随机斜率模型分解方差，并计算组内相关系数（ICC），以评估国家间变异贡献。数据来源为WHO成员国（分别为188个和185个国家的样本），时间跨度为2020年1月12日至2022年7月20日。

**研究结果**
**4.1 各区域HDI均值差异分析**
通过回归模型比较，非洲区域（AFRO）的HDI均值为0.55，其他区域（AMRO、EMRO、EURO、SEARO、WPRO）的HDI均值显著高于非洲区域，且差异具有统计学意义（p<0.05）。

**4.2 因变量过度离散与零膨胀诊断**
直方图显示新死亡人数分布呈长尾，方差远大于均值（疫苗前σ2=17536.45，均值31.8；疫苗后σ2=1680.36，均值9.2），表明存在过度离散。Cameron和Trivedi检验证实过度离散显著（p<0.01）。Vuong检验表明，疫苗前数据更适合NB2模型（而非ZINB），而疫苗后数据则支持ZINB模型（较NB2更优）。

**4.3 负二项模型估计（疫苗前）**
NB2模型结果显示，HDI和年龄均与疫苗前每日新死亡人数呈显著正相关（HDI：z=2.95，p=0.003；年龄：z=2.99，p=0.003）。模型拟合优度检验表明NB2优于泊松模型。

**4.4 零膨胀负二项模型估计（疫苗后）**
ZINB模型同时建模非零计数和零膨胀部分。HDI和年龄均显著影响新死亡计数和零发生概率（p<0.05）。区域预测平均每日新死亡人数从AFRO的0.209（HDI）到EURO的16.786（HDI）不等。ZINB模型拟合优于ZIP模型。

**4.5 方差分解——多水平建模**
空模型（无条件模型）显示，感染和死亡总变异中，50.998%（感染）和63.244%（死亡）归因于国家间差异（p<0.01）。线性趋势模型（含随机截距和斜率）表明，每日感染和死亡平均增加约0.7%和0.6%，且国家间随机效应占总变异超过81%（感染）和85%（死亡）。最终完整模型纳入HDI后，HDI每增加一个单位，每日感染和死亡分别增加约43.554倍和83.263倍，且国家间变异仍占80.788%和84.99%。HDI的三个基本维度（年龄、教育、GNI）单独分析均呈正相关，且分别解释感染变异的80.899%、81.163%、81.491%，以及死亡变异的85.038%、85.322%、85.592%。

**4.6 假设评估**
假设H1（HDI与COVID-19死亡率正相关）得到支持；假设H2（年龄与死亡率正相关）得到确认；假设H3（HDI与死亡率关系随国家和时间变化）被多水平方差分解结果证实。

**讨论与结论**
研究人员在讨论部分指出，上述发现应被解释为统计关联而非因果关系，HDI与死亡率的关系可能反映人口老龄化、卫生系统能力和报告实践等结构性因素。研究结论部分总结：本研究的原创性不在于发现新的COVID-19死亡率决定因素，而在于方法上整合了计数数据回归与多水平纵向建模，为大规模流行病学数据集提供了综合分析框架。疫苗前，HDI和年龄使每日新死亡风险分别增加约1290.797倍和14.5%；疫苗后，零膨胀模型显示高HDI区域预测死亡数更高（EURO区域达16.786例/天）。多水平模型进一步表明，感染和死亡变异主要由国家间差异驱动（超过80%），HDI及其维度部分解释了这一变异。研究结果强调，社交隔离措施和疫苗接种运动显著降低了全球新死亡人数。未来研究可考虑非每日时间暴露以及纳入反映不平等和贫困的指数，以完善人类发展对COVID-19大流行影响的评估。本研究在方法上展示了如何将计数和多水平建模应用于大规模流行病学数据，在实质上强调了结构性和人口学异质性在塑造COVID-19死亡率模式中的作用，对理论研究和循证公共卫生决策具有重要价值。