近年來，時空統計分析方法與地理信息科學（GIS）技術在地球科學、環境生態學、公共衛生、空間流行病學等領域取得了廣泛關注和認可。時空變系數（Spatiotemporally Varying Coefficients，STVC）模型是貝葉斯統計體系下，首次被提出的一類局域尺度時空統計分析方法，可同時探測時間和空間維度下目標變量與不同解釋變量之間的局域非平穩異質性回歸關系，并顯著提升模型擬合度和預測精度。時空變系數STVC模型克服了傳統空間和時空回歸模型缺乏考慮局域尺度因子成因關系的缺陷。目前，STVC模型被成功應用于挖掘手足口傳染病與不同氣象因子之間的局域時空成因關系。
文獻綜述表明手足口疾病（HFMD）與氣象氣候因子具有較強的關聯性，但是，尚無研究探討這種關聯（HFMD與氣象因子）在局域時空尺度是如何變化的，特別是同時考慮社會經濟因素的影響。我們在層次貝葉斯體系下，提出了一類創新的局域回歸統計模型，叫做時空變系數STVC模型，用于探索HFMD與相關氣象因子的時間和空間非平穩關系。我們的試驗數據包括四川省2009-2011年36個月的縣市空間尺度手足口病數據，以及相關的6種氣象因子和14種社會經濟因子。
交叉驗證試驗結果表明我們新提出的貝葉斯STVC模型取得了最好的預測效果（81.98%），相比于傳統的多變量（68.27%），時間（72.34%），空間（75.99%）和時空（77.60%）生態回歸模型。本研究中，以logistic分布為似然先驗的STVC模型可以將傳統流行病風險評價指標比值比（odds ratio, OR）降尺度為局域OR（local OR），用于表示時間和空間尺度上疾病氣象風險關聯的細尺度變化特征。針對疾病本身和疾病氣象關聯兩大類風險效應，我們探測到了明顯的季節效應和顯著的空間集聚性特征。特別地，我們發現環境溫度(OR = 2.59)，相對濕度(OR = 1.35)和風速(OR = 0.65)不僅是全局的HFMD風險因子，也是局域尺度的時空變化風險因子。
我們的研究結果表明，四川省縣市級別尺度的手足口病干預可能需要考慮局域變化的時空疾病氣候風險關系。我們新提出的貝葉斯STVC模型能夠捕捉到時空非平穩的暴露反應關系，可用于精細尺度的暴露評價和高級風險制圖，并為更廣泛的地球科學、環境科學和空間統計學提供了新的見解。
論文圖形摘要：基于傳統平穩性假設的回歸系數制圖（左圖）；基于時空非平穩假設STVC模型估算的空間局域系數地圖（中圖）；基于時空非平穩假設STVC模型估算的時間局域系數趨勢圖（右圖）
考慮空間邊際效應的四川省研究區與手足口傳染病暴發原始地圖（左圖）；基于STVC模型擬合的手足口傳染病爆發的時間季節性效應趨勢（右上）；基于STVC模型識別的手足口傳染病空間自相關效應及集聚性熱點制圖（右下）。
該研究成果發表于國際著名環境科學與生態學頂級期刊《Science of the Total Environment》，2018年最新影響因子5.589。
論文信息：Song C, Shi X, Bo Y, Wang J, Wang Y, Huang D (2019) Exploring spatiotemporal nonstationary effects of climate factors on hand, foot, and mouth disease using Bayesian Spatiotemporally Varying Coefficients (STVC) model in Sichuan, China. Science of the Total Environment 648:550-560. https://doi.org/10.1016/j.scitotenv.2018.08.114
主要參考文獻：
Song C, He Y, Bo Y, Wang J, Ren Z, Yang H (2018) Risk Assessment and Mapping of Hand, Foot, and Mouth Disease at the County Level in Mainland China Using Spatiotemporal Zero-Inflated Bayesian Hierarchical Models. International journal of environmental research and public health 15:1476. https://doi.org/10.3390/ijerph15071476
Bo Y, Song C, Wang J, Li X (2014) Using an autologistic regression model to identify spatial risk factors and spatial risk patterns of hand, foot and mouth disease (HFMD) in Mainland China. BMC Public Health 14:358. https://doi.org/10.1186/1471-2458-14-358
Ugarte MD, Adin A, Goicoa T, Militino AF (2014) On fitting spatio-temporal disease mapping models using approximate Bayesian inference. Statistical methods in medical research 23:507-530. https://doi.org/10.1177/0962280214527528
Wang J, Guo Y, Christakos G, Yang W, Liao Y, Li Z, Li X, Lai S, Chen H (2011) Hand, foot and mouth disease: spatiotemporal transmission and climate. International journal of health geographics 10:25. https://doi.org/10.1186/1476-072X-10-25
