我国新冠肺炎疫情防控形势的演变及其影响因素

当前，我国的新冠肺炎疫情形势已经逐渐好转。据国家卫健委于3月12日发布的消息，本轮疫情的高峰期已经过去。然而，境外疫情仍然迅速扩散，防止国际输入转化为本土传播成为当前疫情防控的重点。

在疫情期间，许多掌握大量用户数据的企业提供了基于大数据预测疫情风险和优化防控政策的方案。例如，三大移动运营商通过手机通信数据提供个人历史行程查询，以便调整疫情防控措施。百度地图迁移大数据平台（qianxi.baidu.com）则提供了全国300多个城市间及城市内部的人口流动指数。这些数据包括人口普查数据以及基于机票、火车票预订量推算的旅客数据。然而，相较于这些数据，基于手机信号或应用程序计算的人口流动数据可能更加及时和全面。一些研究利用百度迁移数据来预测新冠肺炎的传播趋势。

大多数专家认为，人口流动会加速传染病的传播。基于此，我们试图回答以下问题：我国的防控政策如何改变了由人口流动带来的疫情扩散？

新冠肺炎传播的回顾

我们的回归模型基于传染病传播的经济学文献，考虑了疫情的外部输入和内部扩散。对于武汉以外的城市，人口流动可能会输入一些感染者，进而导致当地密切接触者的感染。随着国家疫情管控政策的加强，疫情传播的趋势也在变化。因此，我们以14天为一个滚动窗口，回顾了1月19日至2月15日这4周间武汉以外地区疫情传播情况的变化。数据来源是国家和省级卫健委公布的每日新增确诊病例。我们的分析样本未包括武汉，因为武汉的疫情情况与其他地区存在显著差异。具体技术细节详见我们的工作论文。

人口流动与疫情传播

上图中的系数反映了武汉人口流入对疫情传播的影响，证明了利用人口流动数据预测疫情风险的合理性。例如，左图的第一个数值为0.0049，表示如果从武汉到某城市的迁移指数为100，那么武汉每周平均新增1个病例将导致该城市在一周内平均新增0.49个病例。这一数值是在1月19日开始的14天样本中估计得出的。图中还标注了95%的置信区间。根据总出行人数估算，1万人的迁移指数约为100。因此，如果从武汉到某城市平均每周有1万人，武汉每周新增1个病例将导致该城市在一周内平均新增约0.49个病例。左图显示了一周的滞后效应，右图显示了1至2周的滞后效应。

通过对不同时间样本的估计值进行比较，可以发现因输入而导致的病例增长率正在减缓。在1月下旬，与武汉人口流动密切相关的城市受到武汉疫情影响的滞后时间为一周；而到了2月初，滞后时间延长到了1至2周。这就是所谓的“压平曲线”，即延缓了疫情高峰的到来，降低了疫情高峰时的严重程度，使医疗机构和公众能够更好地应对。这表明自1月下旬以来，武汉以外的城市有效降低了输入病例的风险。加上武汉和湖北的出行限制，疫情输入风险得到了有效控制。

疫情的本地传播

左图（右图）显示了本地每周新增1个病例在1周（1至2周）内的滞后效应。基于1月19日开始的14天样本，1个病例在1周内新增了1.465个病例。在接下来的一段时间内，传播速度一度加快。但从1月下旬开始，本地传播得到有效控制。许多系数变得较小甚至为负，反映了政府和公众对疫情应对措施的有效性。

当前，新冠肺炎在全球范围内传播，越来越多的国家加入到抗击新冠肺炎的战斗中，如韩国、意大利等国已经开始实施隔离、封城等措施。本文的分析结果不仅有助于我们了解新冠肺炎的传播机制，也为其他国家应对当前疫情提供了启示。

经济发展的双刃剑

武汉是一座人口超过千万的大城市。新冠肺炎疫情爆发后，特大城市的疫情风险引起了广泛关注。我们分析了经济和社会状况对疫情传播的调节作用。主要发现是，在经济更发达的地区（以人均GDP衡量），疫情传播速度更快。更丰富的医疗资源（以医生数量衡量）则降低了疫情传播的速度。

传染病在经济发达地区更容易传播的一个可能原因是经济活动增加了人群之间的互动。然而，近期的一项研究表明，传染病的高发可能导致某些地区的社会组织较为松懈，从而抑制经济的长期发展。因此，此次疫情也提醒人们思考公共卫生和生态安全对于经济长期发展的意义。

基于实证证据优化分区疫情管控

在医学领域，有一个概念叫循证医学，强调医疗决策应基于实证证据，同时考虑证据的质量和患者的意愿等因素。同样的理念也可以应用于分析如何优化疫情管控政策。自1月底以来，我国所有省份和直辖市都启动了重大突发公共卫生事件一级响应。为了控制疫情蔓延，各地出台了诸多管控政策，如限制出行、取消大型活动、要求佩戴口罩等。考虑到这些防控政策的经济和社会成本各不相同，在当前实行分区防控的背景下，如何优化不同区域的防控政策需要首先评估这些政策的有效性。

随机对照试验可以提供最令人信服的证据。但在分析疫情传播方面，随机对照试验通常是不可行的。同时，人们不会坐视疫情扩散。在进行政策评估时必须考虑这些因素。虽然无法进行随机试验，但经济学工具箱中有许多可用工具，相信实证经济学研究可以为公共卫生机构优化分区防控提供支持。

参考文献

1. Zhan, C., Tse, C., Fu, Y., Lai, Z. 和 Zhang, H. (2020). Modelling and prediction of the 2019 coronavirus disease spreading in China incorporating human migration data, SSRN.
2. Zhang, C., Chen, C., Shen, W., Tang, F., Lei, H., Xie, Y., Cao, Z., Tang, K., Bai, J., Xiao, L., Xu, Y., Song, Y., Chen, J., Guo, Z., Guo, Y., Wang, X., Xu, M., Zou, H., Shu, Y. 和 Du, X. (2020). Impact of population movement on the spread of 2019-nCoV in China, SSRN.
3. Adda, J. (2016). Economic activity and the spread of viral diseases: Evidence from high frequency data, Quarterly Journal of Economics, pp. 891–941.
4. Qiu, Y., Chen, X. 和 Shi, W. (2020). Impacts of social and economic factors on the transmission of coronavirus disease 2019 (COVID-19) in China, https://ideas.repec.org/p/zbw/glodps/494.html
5. https://www.vox.com/2020/3/10/21171481/coronavirus-us-cases-quarantine-cancellation
6. Fogli, A. 和 Veldkamp, L. (2019). Germs, social networks and growth, Review of Economic Studies.