-
摘要:目的 描述并探讨甘肃省新型冠状病毒肺炎（COVID-19）疫情的时间风险特征。方法 收集截至2020年2月16日甘肃省各县（区）报告的COVID-19的发病数、相应县（区）人口数等数据，运用空间统计学的方法计算各县（区）的时间风险指数频率指数（α）、持续时间频率（β）和强度指数（γ）。结果 全局自相关分析发现，α的Moran’s I系数为0.115，提示未来COVID-19发病频率增加概率较小。 γ的Moran’s I系数为0.070，说明COVID-19确诊病例不会集中出现，疫情的发病强度较低。 甘肃省COVID-19疫情的α、β存在全局空间自相关性（P<0.05），γ不存在全局空间自相关性（P>0.05）。 α局部空间自相关分析发现区域（主要分布于兰州市城关区、七里河区、安宁区、红古区、皋兰县和榆中县）内存在高−高聚集性（P<0.05）。 β局部空间自相关分析发现区域（主要分布于兰州市城关区、七里河区、西固区、安宁区、皋兰县和榆中县）内存在高−高聚集性（P<0.05）。结论 结果提示兰州市大部分县（区）呈现高风险聚集性，但发病强度较低；全省在疫情期间采取的各项防控措施及时、有效。Abstract:Objective To describe the temporal risk characteristics of coronavirus disease 2019 (COVID-19) in Gansu province.Methods The information about confirmed COVID-19 cases reported in Gansu as of February 16, 2020 and population data of local counties (districts) were collected to calculate temporal risk of frequency index (α), duration frequency (β) and intensity index (γ) of COVID-19 in Gansu with spatial statistic.Results The Moran's I coefficient of α of COVID-19 in Gansu was 0.115 by global autocorrelation analysis, suggesting that the probability of incidence frequency increase was low. The Moran's I coefficient of γ of COVID-19 in Gansu was 0.070, which showed that the confirmed cases would have no clustering and the epidemic intensity was low. Frequency index (α) and duration frequency (β) had global spatial autocorrelation (P<0.05), while intensity index (γ) had no global spatial autocorrelation (P>0.05). Frequency index (α) showed that there was high-high clustering in local spatial autocorrelation analysis (mainly in Chengguan, Qilihe, Anning, Honggu districts, and Gaolan and Yuzhong counties). There was high-high clustering in Chengguan, Qilihe, Xigu, Anning districts, and Gaolan and Yuzhong countries indicated by duration frequency (β) in local spatial autocorrelation analysis.Conclusion The majority of counties in Lanzhou showed high risk of clustering of COVID-19, but the intensity was low. The prevention and control measures were timely and effective during COVID-19 epidemic period.
-
2019年12月，湖北省首次发现新型冠状病毒肺炎病例，随后疫情扩散至全国，发病人数不断增加［1–2］。2020年2月11日世界卫生组织该病命名为coronavirus disease 2019（COVID-19）［3］。COVID-19作为新发突发传染病，目前国内主要针对其流行病学特征进行研究［4］，甘肃省COVID-19疫情时间风险的空间特征分析研究较少。时间风险特征的引入可以优化空间聚类分析，更加全面地了解COVID-19疫情，测量其发生频率，评估其持续时间及严重程度。实时评估防控措施的效果，起早期预警作用。本研究对截至2020年2月16日报告的91例本土病例发病时间的时间风险特征进行分析。
1. 资料与方法
1.1 数据来源
基于中国疾病预防控制信息系统, 统计截至2020年2月16日甘肃省网络报告的91例COVID-19本土确诊病例。甘肃省地图由中国疾病预防控制中心提供。
1.2 研究方法
以天为时间单位，采用Wen等［5］开发的时间风险特征指数频率指数（α）、持续时间频率（β）和强度指数（γ）评估甘肃省COVID-19疫情的严重程度和实时防控效果。将α、β、γ的空间自相关分析结果导入地理信息数据库中，建立甘肃省COVID-19时间风险指数的地理信息数据库。
时间风险特征指数：α用于评估疾病发生的频率，指在COVID-19疫情总观察天数中（34 d），一天内出现确诊病例的概率。计算公式为α=EW/TW，EW为有确诊病例报告的天数，TW为研究期内总观察天数（34 d）。α介于0～1，α越接近1，提示未来COVID-19发病频率上升。β用于描述COVID-19疫情内确诊病例持续报告的平均天数。计算公式为β=EW/EV，EV为在34 d内共有几个流行波，流行波为出现1例或连续发生确诊病例的波次数。COVID-19疫情持续时间通常由几个流行波组成。γ用于衡量COVID-19疫情的流行程度。计算公式为γ=IR/EV，IR为疾病的报告发病率。γ值越大说明确诊病例会持续集中出现，疫情发病强度越高。如果确诊病例分散出现，即流行波越多，γ则越小，COVID-19发病强度越小。
1.3 统计分析
地图绘制采用ArcGIS 10.2软件；空间自相关分析采用开源软件Geoda 1.60。
1.3.1 α、β和γ的全局Moran’s I系数
全局Moran’s I系数衡量事件发生的全局自相关性，其取值范围为［−1, 1］，正值表示该空间事物的属性取值分布具有正相关性，表明相邻空间单元具有相似的属性值；负值表示该空间事物的属性取值分布具有负相关性。绝对值越大，相关性越强。零表示该空间事物的属性取值分布无相关性，即空间随机分布［6–7］。以全局Moran’s I系数分析甘肃省COVID-19确诊病例的α、β和γ是否具有全局聚集性，从总体上反映研究目标的空间相关性。全局Moran’s I系数的计算公式：
I＝nn∑i＝1n∑j＝1wij(xi－ˉx)(xj－ˉx)n∑i＝1n∑j＝1wijn∑i＝1(xi－ˉx)2＝n∑i＝1n∑j≠iwij(xi－¯x)(xj－¯x)S2n∑i＝1n∑j≠iwij 其中，n为样本量，即空间位置的个数。xi、xj是空间位置i和j的观察值，wij表示空间位置i和j的邻近关系，当i和j为邻近的空间位置时，wij=1；反之，wij=0。S为所有空间权重的集合。对于Moran’s I指数，可以用标准化统计量Z来检验n个区域是否存在空间自相关关系，Z的计算公式:
Z＝I－E(I)√Var(I)＝n∑j≠iwij(d)(xj－ˉxi)Si√wi(n－1－wi)/(n－2)j≠i E(I)和Var(I)是其数学期望和方差。数学期望E(I)=−1/(n－1)。
若P>0.05，表明事件的发生服从随机空间分布过程；若P<0.05，且Z（I）值为正，表明事件的发生呈高值或者低值的聚集性分布过程；若P<0.05，且Z（I）值为负，表明事件的发生呈高值和低值的离散型分布过程。
1.3.2 α、β和γ的局部Moran’s Ii系数
局部Moran’s Ii系数衡量事件发生的全局自相关性，其取值与全局Moran’s I相似，表示观察区域与周围区域事件发生的相似程度，以标准化统计量Z（Ii）检验其统计学意义［8］。结合Z（Ii）和标准化事件发生变量，可以将局部空间关联模式分为4类，即高–高、低–低、低–高、高–低，前2种为空间正相关模式，后2种为空间负相关模式。
1.4 百度迁徙指数
利用百度地图对其拥有的基于地理位置的服务（LBS）大数据进行计算分析，实现全程、动态、即时、直观地展现中国春节前后人口大迁徙的轨迹与特征，反映春运期间迁入或迁出的人口规模。
2. 结果
2.1 基本情况
2020年1月23日至2月16日甘肃省共报告91例确证本土病例，发病日期为1月8日至2月10日。报告发病率为0.35/10万（图1）。分布于全省29个县（区），兰州市城关区、七里河区、西固区、安宁区、红古区、榆中县、皋兰县和永登县报告的病例占全部病例的39.56%（图2）。
![]()
图 2 甘肃省各地新型冠状病毒肺炎的发病率Figure 2. Incidence rates of COVID-19 in different areas in Gansu2.2 甘肃省COVID-19时间风险指数的空间自相关分析
2.2.1 全局空间自相关分析
甘肃省COVID-19 α、β、γ的全局自相关系数见表1。α和β的全局自相关系数Moran’s I的P<0.05，表明在研究区域内COVID-19的时间风险指数在空间分布上为非随机分布，存在空间自相关性。
表 1 甘肃省新型冠状病毒肺炎时间风险指数全局空间自相关分析结果Table 1. Global spatial autocorrelation analysis with the time risk index on COVID-19 in Gansu时间风险指数 Moran’s I Z（I） P值 α 0.115 2.109 0.032 β 0.226 3.402 0.003 γ 0.070 1.312 0.106 2.2.2 局部空间自相关分析
对α和β进行局部自相关检验，结合各县（区）空间关联模式类型和空间关联局域指标（local indicators of spatial association, LISA）值的统计概率，制作α和β关联类型地图（表2）。在兰州市的6个县（区）（城关区、七里河区、安宁区、红古区、皋兰县和榆中县），α呈高–高聚集性（P<0.05）。在6个县（区）（城关区、七里河区、西固区、安宁区、皋兰县和榆中县），β呈高–高聚集性（P<0.05）。γ无统计学意义（P>0.05）（图3）。
表 2 甘肃省新型冠状病毒肺炎频率指数和持续时间频率局部空间自相关分析结果Table 2. Local spatial autocorrelation analysis with frequency index α and duration frequency β on COVID-19 in Gansu时间风险指数 县（区） LISA统计值 关联类型 P值 α 城关区 3.423 高−高 0.05 七里河区 3.023 高−高 0.01 安宁区 0.225 高−高 0.01 红古区 0.613 高−高 0.05 皋兰县 0.10 高−高 0.01 榆中县 0.078 高−高 0.02 金川区 −0.037 高−低 0.01 合作市 −1.036 高−低 0.01 临夏市 −0.537 高−低 0.01 β 城关区 3.505 高−高 0.01 七里河区 1.189 高−高 0.02 安宁区 1.615 高−高 0.01 西固区 1.061 高−高 0.03 皋兰县 1.219 高−高 0.01 榆中县 0.972 高−高 0.01 秦安县 −0.484 低−高 0.03 甘谷县 −0.551 低−高 0.01 宕昌县 −0.783 低−高 0.04 金川区 −0.551 高−低 0.01 庆城县 −0.551 高−低 0.01 合作市 −1.015 高−低 0.01 临夏市 −0.551 高−低 0.01 注：LISA. 空间关联局域指标 ![]()
图 3 甘肃省新型冠状病毒肺炎α和β局部自相关关联类型地图Figure 3. Local autocorrelation association type with frequency index α and duration frequency β of COVID-19 in Gansu2.3 百度迁徙指数
2020年1月10日，武汉市人口迁入兰州市的百度迁徙指数最高为0.67%，1月23日最低，为0.27%。见表3。
表 3 2020年1月10－24日武汉市人口迁入兰州市的百度迁徙指数Table 3. Baidu migration index of population from Wuhan to Lanzhou, 10–24 January, 2020时间（月−日） 百度迁徙指数（%） 01−10 0.67 01−11 0.54 01−12 0.51 01−13 0.47 01−14 0.46 01−15 0.47 01−16 0.45 01−17 0.46 01−18 0.41 01−19 0.40 01−20 0.34 01−21 0.42 01−22 0.51 01−23 0.27 3. 讨论
COVID-19作为新发传染病，主要经呼吸道飞沫和密切接触传播，传染性和致病性较强［9–11］。2020年疫情发生时正值中国农历春节，人口流动最为活跃。全国对新型冠状病毒的认知处于探索阶段，人群聚集性暴露行为较常见［12］，给COVID-19的传播提供了有利条件［2, 4］。所以，疫情初期病例以输入性散发为主［13］。随着疫情的不断进展，武汉市输入性病例和本地病例的密切接触，形成了家庭间人际传播和聚集性传播，导致聚集性病例持续增加［14–15］，发病频率迅速增高，2020年2月2日到达单日发病频率顶峰。
本研究采用时间风险特征结合空间自相关分析对甘肃省COVID-19病例进行时间和空间两个维度的探测。通过全局自相关分析发现，甘肃省区域内COVID-19疫情分布存在空间相关性。局部空间自相关分析发现，在兰州市的城关区、七里河区、安宁区、皋兰县、榆中县，α和β分布存在高−高聚集性。
COVID-19的发病率与3 d左右的百度迁徙指数（迁入数据）呈正相关关系［16］。2020年1月1－24日百度迁徙指数显示武汉市迁入甘肃省的人员主要进入兰州市。在甘肃省13起聚集性病例中，兰州市6起，且聚集性病例多发生在城镇［15,17］。城关区为甘肃省报告病例数最多的县（区），兰州市所有县（区）均有病例分布。这与局部自相关分析结果一致。
Wen等［5］的研究提示，当时间风险指数中α和β有统计学意义、γ无统计学意义时，提示可能由于当地对流行病采取了有效的防控措施。1月25日甘肃省启动重大突发公共卫生事件一级响应，采取各项措施，如严密监测返甘入甘人员，公安部门协助查找密切接触者，并于2月2日对密切接触者实施集中隔离医学观察，积极宣传疫情防控知识，减少大型公共活动，关闭各类营业场所，引导群众减少外出活动等［12］。这些措施将人口流动性降至最低，有效阻断了新型冠状病毒的传播。新型冠状病毒的潜伏期为5.2 d［10］，2月2日后，其发病频率开始降低，逐渐出现零病例天数，至2月10日最后1例病例发病，再无本土病例发生。虽然疾病发病频率高，持续时间长，但发病强度较低［5］。结合α、β和γ的全局自相关分析的Moran’s I系数，说明COVID-19疫情期间甘肃省采取的各项措施有效阻止了疫情的进一步蔓延。
本研究首次将时间风险特征和空间自相关分析相结合，阐明了甘肃省COVID-19疫情的时间风险特征在空间上的发病风险等级。通过此种方法能够在短时间内评估防控措施的效果，及时发现高风险地区，建立监测系统，有效控制疫情蔓延。同时，通过这种方法可以在重点区域建立监测系统，实时监测干预措施的有效性，最大限度控制新突发传染病的传播和扩散。但甘肃省非高流行地区，病例数较少，无法真实反映COVID-19的时间风险特征，需要其他省份的大样本进一步研究，阐明全国COVID-19疫情的时间风险的空间特征分布。
利益冲突 所有作者均声明不存在利益冲突
-
![]()
图 2 甘肃省各地新型冠状病毒肺炎的发病率
Figure 2. Incidence rates of COVID-19 in different areas in Gansu
![]()
图 3 甘肃省新型冠状病毒肺炎α和β局部自相关关联类型地图
Figure 3. Local autocorrelation association type with frequency index α and duration frequency β of COVID-19 in Gansu
表 1 甘肃省新型冠状病毒肺炎时间风险指数全局空间自相关分析结果
Table 1 Global spatial autocorrelation analysis with the time risk index on COVID-19 in Gansu
时间风险指数 Moran’s I Z（I） P值 α 0.115 2.109 0.032 β 0.226 3.402 0.003 γ 0.070 1.312 0.106 
下载: 导出CSV
表 2 甘肃省新型冠状病毒肺炎频率指数和持续时间频率局部空间自相关分析结果
Table 2 Local spatial autocorrelation analysis with frequency index α and duration frequency β on COVID-19 in Gansu
时间风险指数 县（区） LISA统计值 关联类型 P值 α 城关区 3.423 高−高 0.05 七里河区 3.023 高−高 0.01 安宁区 0.225 高−高 0.01 红古区 0.613 高−高 0.05 皋兰县 0.10 高−高 0.01 榆中县 0.078 高−高 0.02 金川区 −0.037 高−低 0.01 合作市 −1.036 高−低 0.01 临夏市 −0.537 高−低 0.01 β 城关区 3.505 高−高 0.01 七里河区 1.189 高−高 0.02 安宁区 1.615 高−高 0.01 西固区 1.061 高−高 0.03 皋兰县 1.219 高−高 0.01 榆中县 0.972 高−高 0.01 秦安县 −0.484 低−高 0.03 甘谷县 −0.551 低−高 0.01 宕昌县 −0.783 低−高 0.04 金川区 −0.551 高−低 0.01 庆城县 −0.551 高−低 0.01 合作市 −1.015 高−低 0.01 临夏市 −0.551 高−低 0.01 注：LISA. 空间关联局域指标
下载: 导出CSV
表 3 2020年1月10－24日武汉市人口迁入兰州市的百度迁徙指数
Table 3 Baidu migration index of population from Wuhan to Lanzhou, 10–24 January, 2020
时间（月−日） 百度迁徙指数（%） 01−10 0.67 01−11 0.54 01−12 0.51 01−13 0.47 01−14 0.46 01−15 0.47 01−16 0.45 01−17 0.46 01−18 0.41 01−19 0.40 01−20 0.34 01−21 0.42 01−22 0.51 01−23 0.27
下载: 导出CSV
-
[1] 凌锋, 刘社兰, 倪朝荣, 等. 浙江省首例新型冠状病毒肺炎报告病例流行病学调查[J]. 预防医学,2020,32(2):109–112. DOI:10.19485/j.cnki.issn2096−5087.2020.02.001. Ling F, Liu SL, Ni CR, et al. Epidemiological investigation of the first reported case of coronavirus disease 2019 (COVID-19) in Zhejiang province[J]. Prev Med, 2020,32(2):109–112. DOI:10.19485/j.cnki.issn2096−5087.2020.02.001.
[2] 欧剑鸣, 叶雯婧, 郑奎城, 等. 福建省新型冠状病毒肺炎流行病学特征分析[J]. 中国人兽共患病学报,2020,36(5):366–371. DOI:10.3969/j.issn.1002−2694.2020.00.029. Ou JM, Ye WJ, Zheng KC, et al. Epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19) in FuJian, China[J]. Chin J Zoon, 2020,36(5):366–371. DOI:10.3969/j.issn.1002−2694.2020.00.029.
[3] 中华人民共和国国家卫生健康委员会. 国家卫生健康委关于修订新型冠状病毒肺炎英文命名事宜的通知[EB/OL]. （2020−02−22） ［2020−03−01］. http://www.nhc.gov.cn/yzygj/s7653p/202002/33393aa53d984ccdb1053a52b6bef810.shtml. National Health Commission of the People's Republic of China. Notification of English naming COVID-19 revised by the National Health Commission of the People's Republic of China[EB/OL]. （2020−02−22) ［2020−03−01］. http://www.nhc.gov.cn/yzygj/s7653p/202002/33393aa53d984ccdb1053a52b6bef810.shtml.
[4] 李陈晨, 马倩倩, 殷环, 等. 河南省新型冠状病毒肺炎高发区流行病学特征及防控分析[J]. 武汉大学学报:医学版,2020,41(4):521–528. DOI:10.14188/j.1671−8852.2020.0113. Li CC, Ma QQ, Yin H, et al. Epidemiological features and prevention measures of COVID-19 in high incidence areas of Henan province[J]. Med J Wuhan Univ:Med Sci, 2020,41(4):521–528. DOI:10.14188/j.1671−8852.2020.0113.
[5] Wen TH, Lin NH, Lin CH, et al. Spatial mapping of temporal risk characteristics to improve environmental health risk identification: A case study of a dengue epidemic in Taiwan[J]. Sci Total Environ, 2006,367(2/3):631–640. DOI: 10.1016/j.scitotenv.2006.02.009.
[6] 何慧敏, 杨莉, 黄开勇. 桂林市道路交通伤害的GIS空间分析[J]. 中华疾病控制杂志,2012,16(11):995–997. He HM, Yang L, Huang KY. GIS spatial analysis on road traffic injuries in Guilin city[J]. Chin J Dis Control Prev, 2012,16(11):995–997.
[7] 蒋敏, 李晓松, 冯子健, 等. 四川省HIV/AIDS空间自相关分析[J]. 现代预防医学,2008,35(22):4329–4331. DOI:10.3969/j.issn.1003−8507.2008.22.002. Jiang M, Li XS, Feng ZJ, et al. The spatial autocorrelation of HIV/AIDS in Sichuan[J]. Mod Prev Med, 2008,35(22):4329–4331. DOI:10.3969/j.issn.1003−8507.2008.22.002.
[8] Anselin L. Local indicators of spatial association—LISA[J]. Geograph Anal, 1995,27(2):93–115. DOI:10.1111/j.1538−4632.1995.tb00338.x.
[9] Huang CL, Wang YM, Li XW, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. Lancet, 2020,395(10223):497–506. DOI:10.1016/S0140−6736(20)30183−5.
[10] 中华预防医学会新型冠状病毒肺炎防控专家组. 新型冠状病毒肺炎流行病学特征的最新认识[J]. 中华流行病学杂志,2020,41(2):139–144. DOI:10.3760/cma.j.issn.0254−6450.2020.02.002. Special Expert Group for Control of the Epidemic of Novel Coronavirus Pneumonia of the Chinese Preventive Medicine. An update on the epidemiological characteristics of novel coronavirus pneumonia(COVID-19)[J]. Chin J Epidemiol, 2020,41(2):139–144. DOI:10.3760/cma.j.issn.0254−6450.2020.02.002.
[11] 中国疾病预防控制中心新型冠状病毒肺炎应急响应机制流行病学组. 新型冠状病毒肺炎流行病学特征分析[J]. 中华流行病学杂志,2020,41(2):145–151. DOI:10.3760/cma.j.issn.0254−6450.2020.02.003. Epidemiology Working Group for NCIP Epidemic Response. The epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19) in China[J]. Chin J Epidemiol, 2020,41(2):145–151. DOI:10.3760/cma.j.issn.0254−6450.2020.02.003.
[12] 仇元营, 王松强, 王小丽, 等. 一起新型冠状病毒肺炎家庭聚集性流行病学分析[J]. 中华流行病学杂志,2020,41(4):494–497. DOI:10.3760/cma.j.cn112338−20200221−00147. Qiu YY, Wang SQ, Wang XL, et al. Epidemiological analysis on a family cluster of COVID-19[J]. Chin J Epidemiol, 2020,41(4):494–497. DOI:10.3760/cma.j.cn112338−20200221−00147.
[13] 漆翠芳, 杨力仁, 杨子轩, 等. 影响新型冠状病毒肺炎省际传播与发展的因素: 基于30个省市的数据分析[J]. 西安交通大学学报:医学版,2020,41(5):757–763. DOI: 10.7652/jdyxb202005023. Qi CF, Yang LR, Yang ZX, et al. The influencing factors of interprovincial transmission and development of COVID-19: Data analysis based on 30 provinces and cities in China[J]. J Xi'an Jiaotong Univ:Med Sci, 2020,41(5):757–763. DOI: 10.7652/jdyxb202005023.
[14] 杨海燕, 徐洁, 李岩, 等. 新型冠状病毒肺炎聚集性疫情特征初步分析[J]. 中华流行病学杂志,2020,41(5):623–628. DOI:10.3760/cma.j.cn112338−20200223−00153. Yang HY, Xu J, Li Y, et al. The preliminary analysis on the characteristics of the cluster for the coronavirus disease[J]. Chin J Epidemiol, 2020,41(5):623–628. DOI:10.3760/cma.j.cn112338−20200223−00153.
[15] 苟发香, 张晓曙, 姚进喜, 等. 甘肃省新型冠状病毒肺炎流行病学特征分析[J]. 中华流行病学杂志,2020,41(9):1415–1419. DOI:10.3760/cma.j.cn112338−20200229−00216. Gou FX, Zhang XS, Yao JX, et al. Epidemiological characteristics of COVID-19 in Gansu province[J]. Chin J Epidemiol, 2020,41(9):1415–1419. DOI:10.3760/cma.j.cn112338−20200229−00216.
[16] 王宣焯, 廖聪慧, 李志慧, 等. 广东省新型冠状病毒肺炎早期流行与时空分布情况初步分析[J]. 热带医学杂志,2020,20(4):427–430, 571. DOI:10.3969/j.issn.1672−3619.2020.04.001. Wang XZ, Liao CH, Li ZH, et al. Preliminary analysis on the early epidemic and spatiotemporal distribution of COVID-19 in Guangdong province[J]. J Trop Med, 2020,20(4):427–430, 571. DOI:10.3969/j.issn.1672−3619.2020.04.001.
[17] 王小军, 高婧, 王小博, 等. 甘肃省新型冠状病毒肺炎病例的临床及流行病学特征[J]. 中国感染控制杂志,2020,19(3):223–226. DOI:10.12138/j.issn.1671−9638.20206492. Wang XJ, Gao J, Wang XB, et al. Clinical and epidemiological characteristics of patients with COVID-19 in Gansu province[J]. Chin Infect Control, 2020,19(3):223–226. DOI:10.12138/j.issn.1671−9638.20206492.
-
其他相关附件
计量
- 文章访问数: 1967
- HTML全文浏览量: 308
- PDF下载量: 84
