城读|大型流行病暴发的控制：出行限制与系统韧性，孰轻孰重？

275

大型流行病暴发的控制：出行限制与系统韧性，孰轻孰重？

不同程度出行限制与系统韧性的三种情景。

Emanuele Massaro, Alexander Ganin, Nicola Perra, Igor Linkov & Alessandro Vespignani. Resilience management during large-scale epidemic outbreaks. Sci Rep 8, 1859 (2018). https://doi.org/10.1038/s41598-018-19706-2

Sources: https://www.nature.com/articles/s41598-018-19706-2#citeas

http://www.emanuelemassaro.com/

题图来源（有改动）：https://www.who.int/emergencies/diseases/

managing-epidemics-interactive.pdf

现任洛桑联邦理工学院城市系统中的人地关系实验室（HERUS Lab，Human Environment Relations in Urban Systems Lab)的高级科学家伊曼纽尔·马萨罗（Emanuele Massaro）的在意大利佛罗伦萨大学的博士论文研究复杂多元网络下信息、人类风险感知与流行病传播。马萨罗与同事2018年在《自然-科学报告》发表的一篇论文《大型流行病暴发时的系统韧性管理》，提出系统韧性的概念，建模评估如何权衡流行病的个人风险和对社会关键功能的影响，对于现在国内和国际遏制新型冠状病毒扩散有一定参考价值。如下编译该论文主要观点和论据。

只考虑个体染病风险和疾病严重性来评估和管理大规模流行病的影响极其困难，并且代价可能极为高昂。量化流行病的社会影响涉及众多维度，经济后果、基础设施、服务中断以及恢复速度只是其中冰山一角。本研究通过定义系统范围内的关键功能将韧性（resilience）的概念扩展于结构化人群中的流行病特征，其中，关键功能(critical functionality)综合考虑个人患病风险(疾病发作率)和系统功能的破坏(人口流动性降低)。本研究把系统关键功能视为个人患病风险和人口流动性降低对系统功能所造成破坏的函数。本研究结合概念模型和数据驱动模型，发现在韧性评估框架下对个体风险和社会破坏的综合考虑，为流行病可能如何影响社会提供了一个富有洞见的图景。值得注意的是，旨在直接降低风险的遏制干预措施可能会减缓基本社会功能的恢复，从而对系统产生净负面影响。本研究将韧性框架进行操作化，为流行病暴发时优化遏制方案和缓解政策提供了一个更为细致和全面的方法。

评估流行病的风险与后果是一个高维复杂的问题，应考虑基础设施和服务中断、产出损失、价格上涨、危机引发的财政赤字和贫困等社会问题。因此，有必要扩大基于模型的流行病分析方法，通过纳入能够评估系统韧性的指标来扩大模型范围，衡量系统韧性指标包括整个系统对于干扰、后果、缓解结果以及系统恢复和系统功能维持的反应。最重要的是，系统韧性的操作化必须包括时间维度；即系统在面对不利事件时功能的恢复与维持。因此，评估和管理系统对流行病的韧性必须确定系统的关键功能，并评估系统在对不利事件时如何维持或恢复关键功能的时域剖面（temporal profile）。

本研究引入一个韧性框架来分析某种传染病在结构化人群中的全球传播。我们模拟传染病在相互联系的人群中的传播，并通过引入工程韧性（engineering resilience）的定义来监控系统对于流行病的反应，工程韧性包含出行限制与社交距离带来的破坏和疾病的发病率。研究发现，虽然限制出行和鼓励自发的社交距离等干预策略可能会降低个人感染疾病的风险，但它们也会逐渐降低人口流动性，减弱关键功能，从而降低系统韧性。数值结果显示了一个转折点，标志着响应于缓解政策的整体韧性的突然变化。因此，降低风险的遏制措施可能会将系统推向一个与长期整体破坏和低韧性相关的区域。有趣的是，这个区域接近系统的全球入侵阈值，并且它与流行病扩散的减缓有关。我们的研究强调，在流行病管理中必须考虑社会技术系统的多个维度，并提出了一个新框架，可能有助于分析国家和国际层面的应急计划。

模型结果

我们通过考虑一个初始的集合种群（metapopulation）网络，为应对流行病的系统韧性分析提供了一个总体框架。本研究中，我们考虑由V个不同亚群组成的系统。它们形成一个网络，其中每个亚群由Ni个体组成，并与其他子群体一组ki相连。

A集合种群模型的示意图：该系统由一个由扩散过程连接的亚群或斑块（patch）网络组成。每个斑块包含一组个体，这些个体根据其所处疾病阶段——易感（susceptible）、暴露（exposed）、疑似感染（susceptible with fear）、感染（infected）、治愈（removed）——来表征，并在图片中用不同颜色来识别。个体可以在亚群体之间的联系网络中从一个亚群移到另一个亚群。

B系统关键功能的示意图：在正常情况下，当所有亚群都健康，并且真实通勤者的数量等于虚拟通勤者的数量，即D(t)=0并且C(t)=Z(t)时， 该系统处于功能完全运行状态。当疾病暴发之后(T₀)，由于疾病传播和最终出行减少，系统功能下降。然后，系统开始恢复，直到流行病完全消失，对应于系统中不再有感染个体的时间

(T_E )。曲线(a)和(b)代表对应于高韧性和低韧性情景的关键功能。

面对大型新发传染病，应急规划往往会考虑采取限制或约束人口流动性的遏制措施。这些控制措施的目标针对前往或离开流行病暴发地区，阻止或减少受感染人口前往尚未受流行病影响的地区。与此同时，出行限制对于经济影响巨大，影响着服务的提供，包括医疗用品和派遣专业队伍前往控制流行病。因此，必须仔细权衡出行限制的成本与收益。本研究引入参数p∈[10⁻⁵,1]来模拟政策引致整个系统范围的出行限制。

数据驱动情景中的韧性和流行病规模。该图显示了对于不同的扩散率p值，韧性(蓝色)和患病人群的最终比例(红色)之间的差异。在图中，我们可以确定系统的三个关键区域。(i)p=0.1扩散率高于临界入侵阈值。即使系统特征表现为次优韧性，疾病也会在整个系统中传播。(ii)扩散参数p的减少导致患病人口数量的显著减少，但也导致韧性的显著降低；(iii)低于临界入侵阈值时，随着患病人口比例接近于零，韧性回到高值。

该图清楚说明了三种情景：i)低出行限制情景，非常严重的流行病感染所有亚群，但是持续时间不长，允许系统在短时间内恢复正常(高韧性值)；ii)出行限制接近全球入侵阈值，少量亚群被感染，但是系统关键功能受到长期损害，因此导致较低的韧性值； iii)出行限制处于临界阈值之上，使得系统能以低风险和高韧性值在源头控制疫情。值得注意的是，在数据驱动模型之中，出行限制达到韧性的最小值，这相当于流动性降低了三至四个数量级。因为在现代交通网络中，只有在极为严格的出行限制之下，才能达到全球入侵门槛，而这在实际中是几乎不可能实现的。换句话说，在现实环境中，出行限制的可行增加似乎总是会降低韧性。这需要对个人染病风险和系统韧性之间的权衡进行细致的审视，因为同时实现这两者的区域几乎是难以企及的。

讨论

量化现实威胁着实不易，评估新发传染病的风险和后果挑战极大。我们通过引入系统韧性的概念来分析传染病在结构化人群中的影响，系统韧性不仅考虑受感染人口数量，还考虑了社会在时空上维持某些关键功能的需要。特别是，我们假设人类流动性的限制和中断会恶化系统功能。限制个体流动性的遏制措施有利于降低风险，但可能会长期恶化系统功能，从而导致低系统韧性。尽管我们只考虑了社会技术系统功能所涵盖的众多维度当中的两个，但是，对韧性的研究使利益相关者能够衡量流行病威胁的影响，并区分不同的管理备选方案。对关键功能做出更现实的定义直截了当。可以根据与利益相关者相关性的主/客观评价对关键功能的组成部分进行加权。最后，在分析可能对感染个体具有长期影响甚至导致死亡的疾病社会影响时，应包括成本效益分析和伦理考虑。本研究强调以韧性为中心的分析对于选择干预策略的重要性。在管理新发流行病相关潜在风险时，保守的倾向可能导致不必要的麻烦和可能无效的行动，例如隔离和出行禁令。

因此，韧性评估和管理这一新兴领域及其实施可以评估跨领域备选方案，以确定政策设计，增强系统能力，从而(一)为此类不利事件做好规划，(二)吸收压力，(三)恢复，以及(四)通过必要的调适来预测未来压力并做好准备。为此，我们提出的框架可能有助于通过平衡降低风险与公共卫生干预相关关键功能的中断，优化疾病暴发的政策应对。

城读相关阅读：

（点击文章标题，或进入公众号回复标题前的数字获取文章 ）

城读 ∣城市阅读的记录

微信公共订阅账号“城读”，每周推送城市阅读笔记

关注我们，请搜索账号 CityReads

或长按上方图片，识别二维码关注