摘要
联合国粮农组织将跨境动物疾病（Transboundary Animal Diseases，TADs）描述为：具有高度传染性或可传播性，并具备迅速扩散潜力的流行病。这些疾病不论发生在哪个国家，都会造成严重的经济后果甚至公共卫生问题。非洲猪瘟（African swine fever， ASF）正是当前严重危害全球家猪和野猪、威胁世界粮食供应的跨境动物疾病。中国作为全球重要的猪肉生产和消费大国，生猪产业自2018年ASF暴发以来遭受了重大打击。尽管在我国有关部门的努力下，疫情防控在短时间内得到了较为明显的成果，但病毒仍将在我国未来较长一段时间内存在。在全球ASF疫情持续蔓延的形势下，如何防止病毒再度入侵，如何进一步遏制国内疫情的发展成为了这一阶段面临的新挑战。 ASF防控主要有以下几个难点：其一，非洲猪瘟病毒（African swine fever virus， ASFV）具有强大的生命力，能够在多种环境介质和非生物媒介中长期存在，再通过生物媒介的机械性传播和人类活动等各种途径迅速扩散；其二，作为 ASFV 储存宿主，野猪和钝缘蜱的存在使得疫情根除难度加大；其三，当ASF在某一地区定植后，亚临床型和慢性型病例会增多，即会导致疫情更难被及时发现。然而究其根本原因，是当前尚未研发出针对ASFV有效的疫苗和药物，仅能通过监测、扑杀、流行病学调查与溯源等方式阻断疫情的进一步传播。 因此，在这种较为被动的防御情景下，及时了解全球以及邻近区域的ASF动态、掌握最新的流行病学信息与传播特点、总结国外有效的防控经验显得尤为重要。但盲目学习和照搬经验是不可取的，应结合我国疫情的发展的特点和进程适时进行调整。此外，由于人为因素在ASF的传播中起到了至关重要的作用，基于本国的养殖业的实际情况进行具体风险因素分析，将使得国家的防控策略更科学有效，防控资源更能得到合理使用。 本研究主要由三部分构成，第一部分为ASF全球分布分析，通过全面回顾和分析2015-2020年全球ASF疫情形势，挖掘疫情分布特点并总结国外疫情防控的经验；此外，首次采用时间序列分析验证、预测全球野猪病死率的季节性。第二部分为ASF中国分布分析，基于2018年8月至2020年10月的中国ASF信息数据，通过统计与建模客观地呈现我国从 ASF 疫情的发展和有关部门逐步争取疫情主动权中防控重心的变化；第三部分为中国ASF风险因素分析，首次采用主成分分析法和机器学习中的神经网络模型相结合的方法，以猪产业相关因素为切入点，分析我国与ASF相关的风险因素，希望为我国防控策略的制定提供科学依据，为巩固ASF常态化防控成果助力。具体研究内容如下： 1．全球疫情分布分析 跨境动物疫病是对大多数国家的经济、贸易或者粮食安全产生重大影响的一类疾病统称。随着经济全球化进程加快，共享疫情信息与防控经验、加强区域联防联控已成为各国应对的重要策略。由于尚无针对ASF的有效疫苗，ASFV凭借其强大的存活能力、感染宿主间复杂的传播关系成为当前全球影响广泛的跨境动物疫病。2015-2020年，分布于4个大洲的42个国家报道了ASF疫情；感染动物数量逐年增加，于2018年首次突破了20万。其中，野猪通报疫情数显著高于家猪，但家猪却是受ASF绝对影响的宿主。通过时间序列分析，我们验证了全球野猪病死率的季节性，建立了简单季节模型（R2=80.2%，P=0.282），并对2021年的野猪病死率进行预测。 2．中国疫情分布分析 ASF起源于东非的肯尼亚，近一个世纪以来主要在非洲、欧洲等国家流行。该病严重危害感染国的粮食安全和贸易出口，甚至可能引发一系列社会问题。2018年8月3日，辽宁省沈阳市确诊我国首例也是亚洲第一起ASF疫情，引发国际社会广泛关注。截至2020年10月底，除香港、澳门和台湾外，我国31个省（市、自治区）先后报道ASF疫情182起，包括家猪疫情176起，野猪疫情6起。5个省级行政区报告了10起以上疫情，一半以上省份报告疫情少于5起；10个省级行政区总扑杀数量在10000头以上，一半以上省份风险存栏量在5000头以下。两年间，疫情防控以被动报告为主，规模化养殖场是我国ASF疫情发生的重灾区。此外，我们还建立了数学模型宏观地模拟并分析了疫情的发展趋势。 3．中国疫情风险因素分析 为了探究影响我国ASF疫情发生的风险因素，我们首先对34个猪生产相关的变量进行了多次主成分分析，依据相关性与共线性对变量进行删除与合并，最终将剩余的20个变量分为了3类主成分，可解释原变量77.6%的数据变异。随后，我们尝试以提取的3个主成分为自变量，中国31个省级行政单位风险存栏数为因变量建立线性回归模型，但结果显示F（3，27）=0.247，P=0.863gt;0.05，即模型没有统计学意义，参数间不存在线性相关性。最后，我们根据 31 个省份风险存栏数的差异重新划分出了2个风险等级，结合提取的3个主成分构建了一个3层的人工神经网络模型。分析显示，该模型对样本的预测能力强，受到主成分Z2的影响最大。
NETL