作者解读 | 新冠疫情期间应急响应效果受社会经济条件制约
《柳叶刀-数字医疗》（The Lancet Digital Health）6月刊发表最新研究，评估新冠肺炎疫情期间政府应急响应效果及其相关因素。研究发现，在中国城市尺度（358个城市）和全球国家尺度（121个国家），政府针对新冠肺炎实施应急响应后，人群的响应程度与社会经济条件有关，经济落后地区响应更弱，这些地区可能承受来自疫情加重和经济负担的双重影响，是未来需要关注的重点地区。本研究由北京师范大学全球变化与公共健康研究中心、遥感科学国家重点实验室、哈佛大学医学院、奥斯陆大学等共同完成。田怀玉为通讯作者；刘永红、王增淼为共同第一作者。柳叶刀特别邀请本文通讯作者、北京师范大学全球变化与公共健康研究中心主任田怀玉带来文章解读。
识别二维码阅读《柳叶刀-数字医疗》6月刊
截至2021年5月底，全球已有192个国家和地区累计报告超过1.7亿例新冠肺炎确诊病例，超过350万死亡病例。在广泛的疫苗接种和有效的治疗药物之前，限制人口流动被证明是有效降低新冠病毒传播水平的主要干预措施之一[1]。在政府采取干预措施之后不同地区人群对政策响应存在差异，这些差异可能影响未来相关政策的收效[2，3]。
人口流动是影响传染病传播的一个关键因素，它会影响病原体的传播和分布。自2010年以来，智能手机的广泛使用使得精确描述人口流动模式成为可能。在新冠肺炎大流行早期传播期间，根据基于地理位置的移动电话数据评估，人口流动性的减少大大减轻了疫情的传播。基于深圳市的研究表明，城市人口流动性下降20-60%，对控制疫情传播效果显著[4]。评估各地区在应急响应后人口流动的变化对于疫情防控工作非常关键。
因此，本文在前期研究的基础上[5, 6]，根据人口流动数据、新型冠状病毒肺炎疫情相关数据和社会经济数据，评估了中国城市尺度（358个城市）和全球国家尺度（121个国家）的应急响应效果。研究结果可为今后识别潜在的高风险区域、制定疾病防控策略、预估防控效果提供科学依据。
本文的主要研究发现包含以下两个方面：
一、中国城市人口流动对新冠肺炎应急的响应与社会经济要素有关
2020年1月25日中国31个省份（西藏自治区除外）已全部启动突发公共事件一级应急响应，到2020年2月18人口流动下降到最低，同时也正处于春运时期。研究分析了这段时期三种类型的人口流动数据（即城市内部出行、迁入移动和迁出流动），并于2019年的农历同期做对比，从而反映人口流动对新冠肺炎应急的响应。三种流动方式相比于2019年同期都在减少，且流动性变化显示了明显的空间差异（详见原文图1），其中城市内部流动的平均变化率范围为-71.97% ~ -3.85%（详见原文图1A），迁入流动的平均变化率范围为-92.42% ~ -41.81%（详见原文图1B），迁出流动的平均变化率范围为-91.62% ~ -52.87%（详见原文图1C）。
图1：新冠肺炎紧急响应后中国各城市人口流动变化的异质性
本研究共收集了17种社会经济要素，使用主成分分析法将358个城市分为高社会经济发展指数、中-高社会经济发展指数、中社会经济发展指数和低社会经济发展指数四个类别。研究发现四类城市内部人口流动与社会经济条件相关（r= -0.47, P<0.0001），社会经济条件越好的城市，流动性响应越强，即在国家紧急响应期间，人群在城市内部流动强度明显降低。
通过构建单变量和多变量回归模型分析了人口流动响应和社会经济因素之间的关联，研究表明随着新冠肺炎病例报告数量的增加和限制出行措施的实施，城市内部人口流动在降低（图2A）。这表明，报告病例较多的城市的流动减少幅度更大，限制出行措施也大大减少了城市内部的人口流动。更重要的是，本研究发现城市内部流动的变化率与社会经济条件之间的显著关联（图2A）。在人口特征方面，人口年龄结构，特别是20-39岁人群的比例与流动变化率呈负相关，引起结果的原因可能是大多数城市内部的流动来自于往返于家和工作地点的通勤者。受教育程度与流动变化率呈负相关关系。这提示更好的了解病毒流行相关知识或许可以帮助人们通过自我健康管理来减少感染，例如减少出行和接触传染源。此外，我们对于疫情管控强度降低之后人口流动的变化与社会经济因素的关联也做了分析，发现在管控措施强度降低之后，社会经济条件较好的地区仍然比较好的遵守疫情期间的出行指南，其中受教育程度与城市内出行强度的减少量显著相关。
图2：中国358个城市社会经济条件与国家应急响应行为的关系
二、社会发展水平和全民健康覆盖水平越高的国家人口流动对新冠肺炎应急的响应越强
为了探索高精度的中国尺度的数据能否应对全球面临的公共卫生挑战，本研究收集了121个国家，比较每个国家6种场所的人口流动在应急响应期间相对于基线的变化。经分析发现，公园、工作场所、零售和娱乐场所、车站、食品杂货店和药房的人口流动相对于基线大部分是减少的，但居民区的人口流动整体都在增加（图3）。
图3：121个国家在国家紧急响应期间人口流动变化分布图
关于社会经济条件的量化指标这里考虑了两个社会经济指数，即社会人口指数（socio-demographic index，SDI）和全民健康覆盖指数（universal health coverage，UHC），研究其与人口流动性变化的关系。SDI代表一个国家的社会经济发展水平，UHC指数代表一个国家的基本健康覆盖水平。社会人口指数较高的国家在工作场所（r=-0.34, p=0.0002）、车站（r=-0.27, p=0.0028）、零售和娱乐场所（r=-0.30, p=0.0012）的流动性减少率更大，这与在中国城市尺度的研究结果高度一致（图4、5）。然而，对于居民区、公园、杂货店和药店，我们没有观察到流动性变化率与SDI之间的显著关联，一方面的原因可能是这些地点的人口流动都是日常生活中必不可少的。全民健康覆盖水平较高的国家在车站（r=-0.41, p<0.0001）、工作场所（r=-0.46, p<0.0001）、零售和娱乐场所（r=-0.51, p<0.0001）、公园（r=-0.39, p<0.0001）、杂货店和药店（r=-0.20, p<0.0001）的流动性减少的更大（图4），而增加了居民区的流动性（r=0.31, p<0.0001），也就是说医疗资源更好的地区，可能人们更加遵守国家紧急响应政策。
图4：121个国家在新冠肺炎紧急响应前后的每日人口流动的变化
图5：121个国家人口流动变化与SDI的关系
考虑到移动数据依赖于智能手机的使用率、不同国家的手机信号塔和覆盖范围不同，为了测试数据对本研究结论的影响，剔除非洲国家（剩余91个国家）后再次进行了分析。结果表明，在剔除非洲国家后，SDI的作用不显著，但SDI的变化趋势与全部数据结果一致。此外，由于居家限令措施不能完全反映每个国家的干预实施强度，研究使用新冠肺炎政府响应严格指数（Stringency Index, SI）替换模型中的居家限令。SI指标综合了禁止聚集、关闭公共交通、关闭学校等9种非药物干预措施，比较全面的代表了政策的实施力度。结果显示，SI和SDI与工作场所、车站、零售和娱乐场所的流动减少呈负相关，与前文结论一致。
本研究结果表明，社会经济、人口特征与国家应急响应效果有关。虽然无法推断出因果关系，但本研究为如何根据每个城市或国家的社会经济特征定制干预措施提供了证据。在未来的分析中，应建立社会经济因素模型，以预测不同地区的新冠肺炎风险。未来政策可以在社会经济水平较低的地区加强干预支持，以减少传播，包括加深公众对病毒的了解，改善自我健康管理，最大限度地发挥防控政策的作用。END
本项研究得到了国家自然科学基金、科技部重大专项、遥感科学国家重点实验室、北京师范大学科研攻关项目、高精尖学科的资助。参与本研究的所有研究人员列表以及所属机构请参见论文原文。
参考文献：
[1]. Liu Y, Morgenstern C, Kelly J, et al. The impact of non-pharmaceutical interventions on SARS-CoV-2 transmission across 130 countries and territories. BMC Med. 2021; 19(1): 40. doi: 10.1186/s12916-020-01872-8
[2]. Weill J A, Stigler M, Deschenes O, et al. Social distancing responses to COVID-19 emergency declarations strongly differentiated by income. Proc Natl Acad Sci U S A. 2020; 117(33): 19658-19660. doi: 10.1073/pnas.2009412117
[3]. Pullano G, Valdano E, Scarpa N, et al. Evaluating the effect of demographic factors, socioeconomic factors, and risk aversion on mobility during the COVID-19 epidemic in France under lockdown: a population-based study. Lancet Digit Health. 2020; 2(12): e638-e649. doi: 10.1016/S2589-7500(20)30243-0
[4]. Zhou Y, Xu R, Hu D, et al. Effects of human mobility restrictions on the spread of COVID-19 in Shenzhen, China: a modelling study using mobile phone data. Lancet Digit Health. 2020; 2(8): e417-e424. doi: 10.1016/S2589-7500(20)30165-5
[5]. Tian H, Liu Y, Li Y, et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China. Science. 2020; 368(6491): 638-642. doi: 10.1126/science.abb6105
[6]. Kraemer M U G, Yang C H, Gutierrez B, et al. The effect of human mobility and control measures on the COVID-19 epidemic in China. Science. 2020; 368(6490): 493-497. doi: 10.1126/science.abb4218
推荐阅读
点击阅读原文，查看《柳叶刀-数字医疗》更多内容