俄罗斯下诺夫哥罗德地区动物狂犬病（2012-2024年）：描述性与预测性流行病学分析

Animal rabies in the Nizhny Novgorod region of Russia (2012-2024): Descriptive and predictive epidemiological analysis.
PREV VET MED.2025V240N:106531(P40220665)

在ScienceDirect上可用的目录列表

预防兽医学

期刊主页：http://www.elsevier.com/locate/prevetmed

奥尔加·I·扎哈罗娃 a,* ，叶莲娜·A·利斯科娃 a ，伊琳娜·V·拉舍娃 a, 纳杰日达\cdotpA\cdotp格拉德科娃 ，奥尔加·A·布罗娃 a ，伊万·V·亚申 a ，安德烈·A·布洛欣 a ，费奥多尔·I·科罗年科

a 俄罗斯下诺夫哥罗德市病毒学与微生物学联邦研究中心，下诺夫哥罗德分部

b 俄罗斯弗拉基米尔市“联邦动物健康中心”（FGBI“ARRIAH”）

文章信息

关键词：

自回归移动平均模型

狂犬病

预测

下诺夫哥罗德

回归分析

野生动物

人畜共患病

摘要

本研究的目的是揭示2012年至2024年间俄罗斯下诺夫哥罗德州各种动物出现狂犬病例的时空模式，并利用回归模型和时间序列分析识别疾病暴露风险最高的区域。研究期间共登记了676例狂犬病例，其中60.10%发生在野生动物中，31.52%发生在家畜（伴侣动物）中，7.51%发生在牲畜动物中。研究区域内狂犬病的传播主要由野生动物驱动，尤其是红狐（Vulpes vulpes）。牲畜形成了一个独立的群体，几乎无法呈现狂犬病病毒传播的联系，但可以作为病毒在动物中存在的指标。一个具有良好预测能力（R²=0.63）的回归模型揭示了行政单位的狂犬病例数量的主要解释因素，包括定居点数量、人口密度、狐狸种群规模和道路长度。自回归积分滑动平均模型（ARIMA）被用于预测下诺夫哥罗德地区各区域短期时间序列的动物狂犬病例数量。根据ARIMA预测，所有动物中的狂犬病例数量预计为6-23例，特别是在整个2025年度狐狸中预计有高达15例。该研究为兽医服务提供了重要的流行病学信息，包括按人口计算的预期动物狂犬病例数量。这些信息在制定疫苗接种策略时可能会有所帮助。

1. 引言

狂犬病是由狂犬病病毒引起的一种人兽共患病，该病毒属于弹状病毒科（RABV）。病毒是神经趋向性的，影响所有哺乳动物物种，包括人类（冯等人，2021年；努尔马勒等人，2022年）。每年全球有超过50,000至60,000人死于狂犬病。人类中的死亡病例主要归因于动物控制不当，因为动物作为病毒的天然宿主，且特定暴露后预防（PEP）措施使用不足（科尔曼等人，2004年；汉普森等人，2004年）。（来源：世界卫生组织，2011年；汉普森等人，2015年）。全球大约80%的狂犬病病例是由三种动物引起的：蝙蝠、浣熊狗和臭鼬（华莱士等人，2014年；希普利等人，2019年）。还有其他一些动物可以传播狂犬病毒——狐狸、狼、豺、浣熊狗、刺猬、獾，以及在城市狂犬病情况下——猫和狗、家畜（戴维斯等人，2012年；普洛赖特等人，2017年）。根据病毒的生态特性，狂犬病分为两种类型：城市型和林野型或野生动物狂犬病（梁等人，2010年）。狂犬病是俄罗斯联邦境内的地方病，全年都有野生动物和家畜以及人类爆发疫情的记录。根据官方数据，2022年在俄罗斯联邦的64个地区共登记了767起动物狂犬病病例，其中341例（42%）涉及野生动物。大多数感染动物（88.5%）是狐狸（“俄罗斯联邦兽医状况”，无日期，2023年）。因此，俄罗斯联邦狂犬病的时间和空间流行病学取决于野生狐狸的数量（哈里斯和特雷韦特拉，1988年；谢尔宾宁等人，2020年；阿利耶娃和泽亚诺娃，2023年；希什金娜等人，2023年；扎伊科娃等人，2023年）。尽管在俄罗斯联邦实施了针对野生动物和家畜的疫苗接种计划，但全年仍有狂犬病病例记录，且季节性明显。流浪狗猫以及野生动物作为人类感染的重要源头（梅塞科，2014年）。根据统计和文献来源，俄罗斯联邦狂犬病病毒最常见的宿主动物是狐狸、浣熊狗、雪鼬、狼、豺和科萨克（Elakov，2022年；Anisia等人，2023年）。其他动物也可能参与流行病。最近，已报告獾、雪鼬、鼬獾、海狸、驼鹿、猞猁、野猫、灰鼠和家庭鼠感染狂犬病病例（Chomel和Sykes，2021年）。

在俄罗斯联邦不同动物中的狂犬病疫源地范围包括国内大部分地区。动物中记录的狂犬病病例数量最多的是中央、伏尔加河和乌拉尔联邦区，占所有病例的78%。目前，家畜和野生动物都观察到狂犬病（Cushman和Huettmann，2010年；Main，2020年；Russell等人，2020年）。

狂犬病空间分布和季节性的特定特征与野生动物种群规模、栖息地以及生物学和行为特征有关。俄罗斯面临狂犬病病毒（RABV）问题的地区之一是下诺夫哥罗德州，该州的疾病疫源地每年都有登记。该地区家畜和人类的狂犬病病毒自然宿主包括狐狸、浣熊狗、獾、貂、刺猬和其他野生动物。狐狸在下诺夫哥罗德州狂犬病病例中占受影响野生动物的大多数（52.13%）。

统计预测模型在理解不同动物种类疾病的流行病学方面发挥着重要作用（Ward和Carpenter，2000年；Hayes等人）。（来源：世界卫生组织，2022年）。预测病例数量和感染趋势是动物疾病控制策略中的一个有用工具，包括狂犬病在内，因为它有助于确定疫情的最佳和最差情况。

预测野生和家畜中狂犬病病例的数量有助于兽医服务识别传播方式并制定适当的预防措施（Fooks等人，2014年；Lopes等人，2015年；Hayes等人，2022年；Ortega-Sanchez等人，2022年）。

该研究的目的是对下诺夫哥罗德州各区记录的动物狂犬病病例进行描述性分析，以评估其平稳性，并使用时间序列分析构建短期预测。

2. 材料与方法

2.1. 研究区域

下诺夫哥罗德州（或地区）是俄罗斯联邦的一个主体，位于其欧洲部分的中心。该州分为52个市区，这些市区是我们研究的单位，并且有动物种群数量和狂犬病登记病例数据库的数据（图1）。该地区覆盖面积为7.69万平方公里，占俄罗斯总面积的0.31%。该区域沿45度经线从北到南的长度超过430公里，从西到东约为300公里。气候为温和的大陆性（根据科彭分类为Dfb）。河流总长度为3.2万公里。森林覆盖了该地区的34.15万多公顷，占其总面积的53%。在该地区北部，森林几乎覆盖了全部面积的80%。下诺夫哥罗德州内有14个自然保护区。截至2022年，该地区狐狸总数估计为1126只。狐狸密度最高的区域在该地区的南部各区。在我们的研究中，通过将种群数量除以研究单位的总森林面积来计算狐狸密度。

2.2. 狂犬病数据

下诺夫哥罗德州注册动物狂犬病数据来源于地区兽医服务处的报告，包括野生、农场和家庭（伴侣）动物确认狂犬病的病例信息。在本研究中，一个病例被定义为在地理局部区域内注册的实验室确认感染动物。根据现行国家标准“GOST 26075-13 动物。通常情况下，疑似狂犬病的情况下，会捕获表现出攻击性或不当行为的动物进行为期10天的隔离观察，以观察疾病临床症状的出现。如果动物继续保持攻击性并出现狂怒发作，则将其处死，并检查脑组织是否存在狂犬病毒。如果动物没有显示临床症状，则将其归还给主人接种狂犬病疫苗（如果尚未接种疫苗）。狂犬病的实验室诊断方法”（GOST 26075-2013，2014年），实验室确认是在下诺夫哥罗德兽医实验室使用荧光抗体法（MFA）（委员会，2014年）进行的。当在荧光显微镜下观察时，通过涂片中的颗粒发出特征性的黄绿色荧光来评估反应为阳性。

在研究区域的52个区中的46个区，从2012年到2024年期间共登记了676例动物狂犬病例，其中包括414例野生动物（狐狸、浣熊狗、貂、狼、猞猁）、51例家畜（牛、小反刍动物、马）和214例伴侣宠物（狗和猫）（https://vetnadzor.nobl.ru/）。对于每个病例，都有进一步建模所必需的下述参数可用：地理坐标、受影响物种、感染动物数量以及诊断日期。狂犬病病例的地理数据被转换为shapefile格式，用于制图和空间建模。

2.3. 描述性分析

季节性指数S是通过将每月平均病例数除以相应年份的平均年病例数来计算的，用以确定动物狂犬病病例的季节性趋势（徐等人，2023年）。

2.4. 回归分析

为了确定影响研究区域狂犬病病例强度的主要因素，我们拟合了一个回归模型，其中响应变量由整个研究期间按地区划分的狂犬病病例总数表示：1）所有动物，2）作为疾病主要宿主的狐狸（迈耶斯，1997年；扎伊科娃等人，2023年）。我们使用了负二项回归模型，这是一种应用于过度分散的计数数据的回归类型，当响应变量的变异超过其平均值时（希尔比，2011年）。在我们的案例中选择负二项回归是合理的，因为病例数量明显过度分散：在所有动物中的狂犬病病例，平均数是9.4，变异是78.3；在狐狸中的病例，平均数是5.4（变异37.2）。回归模型通过逐步移除独立变量进行调整，以使用stepAIC程序获得最低的赤池信息准则（AIC）值。考虑了以下变量：地区级人口密度、定居点数量、主要道路长度、狐狸数量、总森林面积（哈伊利等人，2021年）。为避免多重共线性，本研究中的所有变量都使用Spearman等级相关检验进行了预测试。只有相关水平| rs|≤ 0.7的变量被用于进一步建模。模型拟合的整体质量通过调整后的R2来评估，该值代表模型解释响应变量变异的比例（Zeileis等人，2008年）。变量的显著性通过t检验评估，p值≤ 0.05表示变量在模型中具有统计学显著性。模型残差的空间分布通过Moran’s I空间自相关检验来评估，该检验显示观察到的残差空间分布与假设随机分布（零假设）的一致性。Moran’s I系数接近零的值，对应于p> 0.05时低z分数，表明研究的分布呈正态。残差中的空间自相关表明研究现象存在未解释的聚集，未被解释变量所涵盖。

2.5. 数据来源

人口规模和定居点数量的数据从联邦国家统计部网站（http s://rosstat.gov.ru/）获取。下诺夫哥罗德州狩猎监督地区委员会提供了野生动物种群的数据，特别是狐狸（https://ohotnadzor.government-nnov.ru/?id=87104）。从兽医的统计接种报告（https://vetnadzor.nobl.ru/）获取关于家畜数量的数据。道路网络数据来自下诺夫哥罗德州政府的官方网站（https://admgor.nnov.ru/）。森林区域数据从OpenStreetMap网站的数据集中提取（https://www.openstreetmap.org/#map=3/69.62/-74.90）。

2.6. 时间序列分析

时间序列是按时间顺序调整的数据集。时间序列通常具有三个特点：非平稳性、自相关性和季节性。时间序列分析的一个重要特点是，任何随时间测量的变量都可能与前几次观测值自相关。预测被定义为基于过去和现在的数据值及趋势识别变化（Zeileis等人，2008年；Khayli等人，2019年）。

在本研究中，使用时间序列分析来检查动物狂犬病病例的季度总数，这使我们能够识别季节性变化，并使用自回归积分滑动平均模型（ARIMA）预测下一年的病例数量。当其他方法如简单回归未能解释潜在趋势、季节性和自相关性时，ARIMA建模是一种有用的分析工具。为了预测2024年的病例数量，对模型进行了参数化，并用2012年至2022年的季度数据运行模型，分别针对：1）所有动物的病例；以及2）仅狐狸的病例。

通过季节性分解和线性回归评估时间序列中的趋势和季节性成分。在应用回归模型之前，使用图形和统计方法评估了序列的平稳性。平稳性是拟合时间序列数据模型的基本条件。如果一个序列随时间不会周期性变化，则认为它是平稳的。对于非平稳时间序列，首先对其进行差分，然后再次评估其平稳性。接下来是选择模型并调整选定的ARIMA模型以预测狂犬病病例。

ARIMA模型的一般结构可以写成非季节性和季节性部分：(p,d,q)(P,D,Q)m，其中m指的是季节性周期中时间序列观测的数量。在模型的非季节性部分，滞后值的阶数称为“p”，在季节性部分称为“P”。在模型的非季节性部分，滞后误差的阶数称为“q”，在季节性部分称为“Q”。在模型的非季节性部分，差分的阶数用“d”表示，在季节性部分用“D”表示。

使用R中的自动化ARIMA模型函数来确定ARIMA模型的非季节性组成部分（d）和季节性组成部分（D）是否需要进行差分。然后通过可视化时间序列图、自相关函数（ACF）图和统计测试来评估平稳性。

评估均值为零且方差恒定的ARIMA模型的预测误差，以及它们之间的相关性。预测误差，使用Ljung-Box检验对预测模型残差自相关性进行分析，并可视化模型误差的直方图（Hyndman和Khandakar，2008年；Pfaff，2008年；Trapletti等人，2023年）。

2.7. 软件

使用微软Office Excel（美国华盛顿州雷德蒙德）进行数据统计处理。使用美国加州雷德兰兹的ArcMap Pro 3.2.0地理信息系统进行地理空间数据处理和制图。使用统计导向软件R 3.6.2（https://cran.r-project.org/）进行二项式回归和时间序列分析。ARIMA使用auto.arima R包实现，可从CRAN仓库下载（Rdocumentation，2025年）。

3. 结果

3.1. 描述性空间分析

2012年至2024年间，该地区登记狂犬病病例总数为676例，涉及家畜、野生动物。其中，52.13%登记在狐狸身上，21.21%在狗身上，10.31%在猫身上，3.31%在牛身上，3.09%和2.21%在浣熊狗和小反刍动物身上，1.91%在貂身上，1.91%在马身上，2.06%在狼身上，1.77%在猞猁身上。按动物种类划分的年度病例数、其平均值和标准差见表1。

基于所有动物中狂犬病病例的空间分布可视化（图1），我们可以说该疾病已影响几乎所有下诺夫哥罗德州的地区，包括该州北部的一些地区。在整个分析期间，绝大多数病例发生在野生动物种群中，尤其是狐狸，占所有登记疾病病灶的52.13%。

表1 2012 – 2024年俄罗斯下诺夫哥罗德地区狂犬病病例的物种分布情况。

从2013年到2015年，不同动物种类报告的狂犬病病例数量最多，每年61至62例。那时，狂犬病动物的总数在2016年减少到35只，而在2021年至2024年，报告的动物狂犬病病例数量再次从54例增加到66例（见图2）。

如图1所示，从2012年到2024年，狂犬病病例的最大数量出现在野生动物中，以及家畜中，主要在诺夫哥罗德地区的南部地区。

3.2. 2012-2022年下诺夫哥罗德地区不同动物狂犬病病例的季节性

图3显示了从2012年到2024年所有动物（a）和狐狸（b）检测到的狂犬病病例数量的季节性变化。所有动物报告的狂犬病病例的季节性在3月至5月有一个第一个高峰（分别为14.2％至9.62％），在冬季12月和1月有一个第二个高峰（分别为8.73％和8.88％）。狐狸狂犬病病例的季节性在3月和4月分别达到高峰，为13.85％和13.3％，而病例数量最少出现在8月和9月，百分比为5.54％至5.82％。

3.3. 狂犬病病例数量的时间序列预测分析

作为自动化算法auto应用的结果。通过搜索最佳回归模型来预测动物中狂犬病病例的数量，根据信息准则（AIC、BIC）最小化的原则，得到了以下ARIMA回归模型，这些模型被认为是最合适且满足既定参数的。

该模型以所有物种的季节年份中的狂犬病病例数量为调整对象，其标准符合(0,0,2)(2,1,1)4。因此，该模型的自相关阶数(p)为1，移动平均阶数(q)为0，季节性部分的自相关阶数(P)为2。因此，我们将考虑将此模型视为潜在的最终模型。

使用auto.arima()函数选择ARIMA回归模型来预测狐狸中狂犬病病例数量，得到一个符合以下标准(3,0,0)(2,1,0)[4]的模型，其特征是模型的季节性成分周期为一年中的4个季节（见图4b）。该模型确定自相关阶数(p)为3，移动平均阶数(q)为0，模型季节性部分的自相关阶数(P)为2。因此，我们将考虑将此模型视为潜在的最终模型。

预测的下诺夫哥罗德州所有动物物种及狐狸中狂犬病病例的数量（2024-2026年）分别在表S2和S3中呈现。

对拟合ARIMA狂犬病预测模型的所有动物的预测误差分布进行的Ljung-Box检验得到的p值为0。465，我们可以得出结论，预测误差在滞后1-20期时非零自相关的证据非常小，模型拟合得很好。通过拟合ARIMA模型得到的狐狸狂犬病（3,0,0）（2,1,0）[4]案例的预测误差分布的p值为0.676，这也表明预测模型拟合得很好。预测误差呈正态分布，特征是方差恒定且均值接近零。

3.4. 对家畜和野生动物中狂犬病病例预测因子的回归分析

回归分析揭示了按区域划分的所有动物狂犬病病例数量与狐狸数量、定居点数量、人口密度以及长度之间的可靠关系。

该模型的拟合度令人满意，R2 值为0.63。对模型残差的空间自相关性检验，定义为莫兰指数，得出 $I=0.135$、$z$ 分数 $=1.76$ 和 p 值为0.354，这表明模型残差中没有空间自相关性。这表明数据分布中没有模型无法解释的空间依赖性。

对狐狸狂犬病病例数量与若干潜在风险因素之间关系的回归分析显示，仅与狐狸种群大小有关联（估计值=3.564，p<0.000），这自然反映了病毒在给定易感物种群体内的循环。

4. 讨论

关于狂犬病病例的不完整数据使得难以评估易感动物群体的健康状况，以及理解各种风险因素对狂犬病毒传播的贡献，从而导致问题的严重性被低估（Smith和Wilkinson，2003年；Slavica等人，2010年）。

在诺夫哥罗德地区，参与狂犬病毒传播的主要动物物种仍然是红狐（52±10.46%）。在感染病灶检出频率方面位居第二的是伴侣动物（狗和猫）（分别为21±5.61%和10±3.16%）。其他野生动物占所有狂犬病例的1±0.3%。所有动物报告的狂犬病例的季节性呈现第一个高峰，从三月到五月（14.2-9。分别为62%，第二个高峰出现在冬季的12月和1月（分别为8.73%和8.88%）。狐狸狂犬病病例的季节性在3月和4月达到高峰，分别为13.85%和13.3%，而病例数量最少出现在8月和9月，百分比为5.54%-5.82%。

所有动物物种在3月至5月间以及狐狸在3月至4月间的狂犬病发病率季节性高峰部分可以通过易感动物（野生和家养伴侣动物）数量的增加来解释。狂犬病发病率的第一个高峰期出现在早春，此时狐狸正在繁殖，第二个高峰期则出现在晚秋或冬季，此时幼狐分散进入宿主动物领地。对所有动物进行的时间序列分析中狂犬病病例的季节性成分估计（Ward和Carpenter，2000年；Kamler等人，2017年）显示了一个相似的模式：季节因素的高峰出现在3月（3.432），而最低点则出现在9月（-0.435）。

了解易感动物在接触狂犬病毒后的生物学和生态学、繁殖和迁徙过程，可以增进我们对观察到的动物疾病季节性的理解（Loveridge和Macdonald，2001年）。

大多数兽医学中的疾病根除策略都是基于有限的证据基础实施的，这对于正确选择最佳和有效的预防措施至关重要（Linden等人，2003年）。评估预防动物狂犬病的措施，如疫苗接种，对于消除该病至关重要。然而，许多研究表明，用于确定所需疫苗剂量的评估方法并不完美，有时在应用于野生动物时不够充分。因此，许多兽医和科学家对正确有效的评估方法和工具感兴趣，因为简单的方法可能导致错误或有偏的结果。

在某些情况下，简单回归可能不适合评估感染风险因素、预防干预或疫情规模研究的影响。例如，当数据显示非线性及/或不规律趋势时，或者当存在复杂的季节性难以用简单的分段回归模型解释时。此外，当普通回归模型中存在残差自相关性时，应考虑替代方法，如ARIMA模型（Hyndman等人，2023年）。

在这项工作中，为了预测所有动物中以及单独针对狐狸的狂犬病发病焦点，我们使用了ARIMA模型，其结果通过野生动物生物学特性解释了下诺夫哥罗德地区地域流行的特征。因此，通过分析季节性动态，发现春季疾病登记数量增加，这可能与幼崽出生和年轻个体的社交化有关。春季是狂犬病爆发的高峰期，其预测值平均为23次（置信区间95%为14.23-32.03次）。在春季出现最多狂犬病焦点的趋势在所有野生动物中依然存在，这可能是由于狐狸作为主导物种的生物学特性。春季，狐狸中预测的狂犬病焦点平均每个季节有14个（置信区间95%为7.28-21.54），维持了该地区野生动物狂犬病的地方性。

在秋冬季节，所有动物和狐狸中狂犬病爆发的最低数量被预测出来，每个季节的范围是23到4次爆发。或许这一事实可以通过疫苗接种活动在伏尔加河中游地区积累的疫苗抗体来解释，以及在狩猎季节调节狐狸数量的结果。

我们应用的ARIMA模型显示了在预测中探究模式与关系的重要性，并提供了在规划狂犬病预防活动时可考虑的动物狂犬病预期发病数量的信息（Ward等人，2020年；Santos等人，2022年）。

ARIMA模型相当灵活，能够描述多种情况。

表 2 2012 – 2024 年俄罗斯联邦下诺夫哥罗德地区动物狂犬病研究中，动物狂犬病病例与多个变量的负二项回归模型结果。

在实践中可能会遇到的时间序列特征。

然而，自回归移动平均（ARIMA）模型的使用也有几个缺点，比如训练时需要相对大量的数据，以及在添加新数据时几乎需要完全重建模型。因此，使用自回归模型进行预测的一般限制是，所有这些模型，不管使用的计算方法如何，都使用回顾性数据。如果疫情爆发的条件发生变化，只有在一段时间之后这些变化才会被考虑在内。在那之前，预测将是错误的。上述因素导致这些模型在疫病情况稳定的情况下表现良好，例如，在自然焦点感染的情况下，但在大规模和突然的疫病爆发期间，当疫病过程动态发生显著变化时，这些模型就不足以反映实际情况了。

在新戈罗德地区研究动物狂犬病的一个任务就是确定狂犬病在动物间传播的空间和时间特征，以及这些传播如何影响疫病过程。

在我们的动物狂犬病病例研究中，影响感染传播的主要解释变量由野生动物栖息地和人为因素代表。研究表明，狐狸数量、定居点数量、人口密度以及道路集中度是研究区域内动物狂犬病强度的决定因素（Khayli等人，2019年）。

野生动物宿主动物在狂犬病病毒传播中扮演一定角色，它们可以参与对其他物种（包括家畜、农场动物和人类）的感染传播。因此，通过分析狂犬病爆发与多个因素的依赖关系，确定野生狐狸种群的大小是易感人群中病毒传播的主要预测因素。

在地理受限区域内狐狸种群密度较高会导致种群内动物之间的互动更加频繁。这增加了通过感染动物的咬伤和唾液传播狂犬病病毒的概率，尤其是在由于狐狸栖息地的限制以及人为对野生动物栖息地变化的影响而产生的密切接触期间。因此，狐狸种群的密度在狂犬病病毒传播中起着关键作用，导致感染和未感染动物之间的接触增加。管理狐狸种群并采取包括疫苗接种、监测和公众教育在内的狂犬病预防措施可以显著降低这种危险疾病传播的风险。

Thanapongtharm等人（2021年）确定了人口密度和道路长度作为家畜（伴侣动物）之间狂犬病传播的主要风险因素。我们工作中的回归分析也证实了道路和人口密度在所有动物物种间狂犬病爆发传播中的重要性。许多野生动物（包括狐狸）自然栖息地的开发和探索，将该地区用于提供城市化自然景观所需的基础设施，导致野生动物被迫迁移到新的领土，并增加了狂犬病病毒的传播（Thanapongtharm等人，2021年）。

因此，我们的分析显示，某些地区的高人口密度也可以起到维持动物流行病的作用，并增加野生动物与人及家畜接触的可能性。这可能会促进不同动物物种之间狂犬病的传播，特别是如果由于空间有限而更频繁地接触。此外，宽阔的道路网络可能会导致野生动物自然栖息地的破碎化，从而增加动物与携带狂犬病的家畜及其他野生动物接触的可能性。这一事实可能导致不同动物物种之间狂犬病传播风险的增加，这也对人类健康构成风险。我们研究中的另一个风险因素是新戈罗德地区各区的居民点数量。这一预测因子被识别为狂犬病传播的第二重要因素。可以假设，一个地区的人口越多，野生动物遇到人和家畜的可能性就越大。生活在人口密集地区的野生动物更有可能与人及家畜接触。这也可能是狂犬病传播的一个源头，因为它增加了病毒在动物与人类之间传播的可能性。需要注意的是，上述人口统计和交通因素可以被看作是检测到狂犬病动物概率的代理指标，因为它们与人类居住地的存在以及人类正确识别并报告疾病的能力有关。其他研究也得出了类似的结论（Sararat等人，2022年；Mshelbwala等人，2022年）。

这些因素共同创造了有利于狂犬病在野生动物中传播及其转移到家畜和人类的条件。为了降低风险，必须采取措施控制野生动物种群，给宠物接种疫苗，教育公众了解预防措施，并管理与人为因素的动物互动。进一步的研究可能会考虑所呈现风险因素的更详细层面。例如，按人口规模和森林区域与城市接近程度划分居住区等特征可能提供重要信息，以解释当前状况并建立预测。

按区域预测的狂犬病例分布有助于确定地区兽医服务针对的控制和监测疾病的预防措施区域。预测野生动物中狂犬病爆发的季节性和强度有助于确定最佳的接种时间，从而提高其有效性。预测可用于通知动物主人和当地社区有关狂犬病风险的信息，这有助于提高意识和遵守预防措施。

5. 结论

在新戈罗德州所有地区每年发现新的狂犬病例是一个迫切问题，无法通过单独应用流行病学或空间分析方法解决。全面的时空分析，包括使用地理信息系统（GIS）工具，对于决策以优化疾病预防和改善狂犬病监测至关重要。

从地理空间分析获得的预测信息主要有助于更好地理解疾病传播的景观因素（农村地区、城市化、人口因素）。这些结果应用于提高公众意识和兽医优先事项，以及当数据信息量不足时理解基本决策支持工具的挑战。

Hits: 59