其他
前沿速递：高精度时空大数据支撑政策演化评估与空间靶向干预
导语
近日，复旦大学余宏杰课题组联合国防科技大学吕欣课题组，在大规模人群时空特征分析与政策演化评估领域取得重要进展。研究基于540万用户的累计匿名网格移动数据，分析了上海市新冠疫情暴发期间（2022年2-6月）人群移动行为与防控政策演化、以及与实际感染风险之间的相互作用。基于实时、准确的网格化累计人口流动信息，可以在保证个体隐私安全的前提下，及时评估和调整公共管理政策，为干预措施的靶向施策、精准评估和系统优化等提供重要的科学决策证据，促进新时代背景下的智慧社会治理优化。
研究领域：移动计算，城市网格，人群移动行为，复杂网络，时空大数据，空间靶向干预
近日，复旦大学余宏杰课题组联合国防科技大学吕欣课题组在大规模人群时空特征分析与防控政策演化评估领域取得重要进展，研究成果以“Heterogeneous changes in mobility in response to the SARS-CoV-2 Omicron BA.2 outbreak in Shanghai”为题，于10月12日在线发表在美国科学院院刊PNAS。
论文题目：Heterogeneous changes in mobility in response to the SARS-CoV-2 Omicron BA.2 outbreak in Shanghai论文链接: https://www.pnas.org/doi/10.1073/pnas.2306710120
近年来，移动大数据、数字化追踪、人工智能技术等不断深入拓展应用到公共安全与危机管理中来，使全面快速地分析大规模群体行为成为，实施科学的精准靶向干预成为可能，有力推动了基于时空大数据开展人群移动模式的研究，促进新时代背景下的智慧社会治理优化。新冠疫情期间已有多项研究利用此类数据分析新冠病毒的时空传播规律。然而，以往研究多聚焦在国家或城市尺度，较少研究回答新冠疫情暴发导致的人群移动模式变化在城市内部以及不同人群（例如，年龄、性别等）间是否存在异质性。此外，由于较难获取完整、准确的新冠流行病学监测数据（例如，不同年龄组人群COVID-19的报告率、缺少报告病例的地理位置等空间信息），尚无研究在高精度空间尺度上将新冠的流行病学与人群移动建立关联，回答在不断演化的防控政策背景下人群移动模式的异质性，及其对新冠传播的影响。
为回答上述关键科学问题，该研究将上海市划分为7355个1km×1km的地理网格，基于移动定位和去隐私化技术，从540万用户提取了上海市SARS-CoV-2 Omicron BA.2疫情暴发期间（2022年2-6月）网格之间的小时级人群流动信息。此外，课题组通过公开来源，系统收集了上海市Omicron BA.2疫情暴发期间新冠病毒感染者（包括有症状患者和无症状感染者）的信息。为应对此次暴发疫情，上海市采取了多轮次的全市核酸筛查，极大降低了COVID-19的漏报率，为开展人群移动与新冠病毒传播动力学研究提供了高质量的流行病学数据。
根据上海市采取的防控措施和疫情流行情况，将疫情划分为五个阶段（2月15日-2月28日：疫情暴发前；3月1日至3月31日：全市封锁前；4月1日至4月30日：全市封锁；5月1日至5月31日：部分解封；6月1日至6月30日：完全解封），进而分阶段估计了出行频次和出行距离，并采用Informap算法刻画了移动网络特征以及城市网格社区结构的动态变化。
研究结果表明，疫情暴发前平均每人每天的出行频次为1.365，中位出行距离为6.035km。移动网络中共识别出40个社区，其中最大的占上海市陆地面积的8%。随着疫情进展和干预措施的变化，全市封锁期间，出行频次降至最低（下降87.3%）；出行距离降至1.205km，其中约79%的出行在3km内（图1）。
图1. 上海市疫情期间出行频次与出行距离的变化。A：平均每人每天的出行频次与每日新增感染人数，B：疫情暴发前人群移动的空间分布，C：按出行距离分层的人群移动的构成比与中位出行距离，D：每日出行距离的累计概率分布
疫情前的40个社区也分解成221个更小的社区单元，拆解了紧密连接的市中心-郊区结构。完全解封后，出行频次在一周内快速恢复至疫情前的90.5%，其中3km内的短距离出行恢复最快，超过了疫情前水平；而30km以上的长距离出行仅恢复至疫情前的一半，社区数量也仅降至54（图2）。
图2. 不同阶段网络结构的变化。A-E分别对应不同的疫情进展阶段。每个节点对应一个社区，节点大小与社区大小成正比，箭头粗细与社区之间的人群移动量成正比
此外，研究还发现网格水平的疫情流行情况及干预措施对人群移动变化的影响存在空间异质性。3月28日浦东封锁前，网格内疫情越严重，其出行降低的比例也越大。例如，感染人数超过50的网格内，人群移动平均降低78.7%，而无疫情报告的网格仅降低13.0%。5月16日后的部分解封期间，高风险地区依然严格封控，主要分布在城郊和郊区的低风险地区则逐渐开始恢复出行。出行的恢复程度与网格内的新增感染人数呈显著负相关，例如，感染人数超过50的网格，出行仅恢复12.6%，而无疫情报告的网格已恢复至84.1%（图3）。
图3. 疫情流行情况以及干预措施对人群移动变化的影响。A：封锁前新冠感染人数（上层地图）以及出行降低比例（下层地图）的空间分布，B：封锁前出行降低的比例与新增感染人数之间的关系，C：部分解封阶段新冠感染人数（上层地图）以及出行恢复比例（下层地图）的空间分布，D：部分解封阶段移动恢复的比例与新增感染人数之间的关系
最后，研究比较了不同人群（年龄和性别）出行频次、出行距离以及移动网络社区结构的差异，并利用3月1日-25日的新冠疫情数据分析了人群移动与新冠感染风险之间的相关性。结果发现，疫情暴发前30-59岁人群的出行频次最高（1.457），出行距离最长（6.195km）；而70岁以上老年人出行频次最低（0.596），出行距离最短（4.350km）。全市封锁前，所有年龄组中，更多的出行频次与更高的感染发生率显著相关（Pearson =0.904, p=0.035），更长的出行距离与更大范围的感染面积也显著相关（Pearson =0.894, p=0.040）。各年龄组人群的移动网络特征也存在显著差异。例如，30-59岁人群的平均度（考虑流入与流出的连边总数）是16-18岁人群的40倍，其社区结构连接最为紧密（社区大小排名前10的社区所占面积为37.250%）、社区数量最少（141）。同样发现男性比女性出行距离更长、出行频次更高、社区结构更为紧密以及社区数量也更少，相应地其感染发生率更高、感染的面积更大（图4）。
图4. 不同年龄和性别人群出行频次、出行距离以及移动网络社区结构的变化。A-C：疫情暴发前、全市封锁期间以及全市解封后按年龄和性别分组的出行频次与出行距离；d-f：左侧表示按社区大小排名前10的社区占上海市面积的比例，右侧表示总的社区数量，其中填充部分表示至少覆盖10个网格的社区数量；g-h：不同阶段按年龄和性别分组的度分布
城市科学读书会
在这个大背景下，集智俱乐部“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。欢迎感兴趣的朋友报名参与！
详情请见：城市科学读书会启动：AI与因果交织的城市复杂系统
计算社会科学读书会第二季
【计算社会科学读书会】第二季由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，进行了12周的分享和讨论，一次闭门茶话会，两次圆桌讨论。本季读书聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、人类移动、新冠疫情、科学学研究等课题。欢迎从事相关研究或对计算社会科学感兴趣的朋友参与学习。
详情请见：
推荐阅读