郭文璇 房昊

摘?要：基于我國新冠肺炎疫情數(shù)據和百度遷徙大數(shù)據，實證分析了重點疫區(qū)人口外流以及城內人口流動對疫情蔓延的影響，并分析了加強人員出行管控對于疫情防控的有效性。結果表明：武漢遷入人口規(guī)模對各地新增新冠肺炎確診病例數(shù)具有顯著正向影響，從武漢遷入人口越多的地區(qū)，面臨的輸入性傳染風險越大，疫情形勢越嚴峻;城內出行強度對各地新增新冠肺炎確診病例數(shù)具有顯著正向影響，城內人口流動強度高的地區(qū)，傳染源進一步擴散風險將增加，疫情也更嚴重;而人員出行管控力度較強的地區(qū)在實施出行管控后，本地接觸性傳染得到有效減少，更好地控制了疫情的蔓延。

關鍵詞：新冠疫情?應急管控?人口流動?大數(shù)據

一、引言

新冠肺炎疫情爆發(fā)后，黨中央高度重視，迅速作出部署，全面加強疫情防控工作。2020年1月7日，習近平總書記主持召開中央政治局常委會會議，對做好疫情防控工作提出了要求;2020年1月22日，習近平總書記明確要求湖北省對人員外流實施全面嚴格管控;2020年2月10日，習近平總書記進一步指出，要繼續(xù)強化防止疫情向外蔓延的措施，并且認為湖北境內民航、鐵路、公路、水路客運等外出通道的關閉，對全國疫情控制發(fā)揮了重要作用，并強調一些人員自行流出帶來的風險也不能忽視[1-2]。

在此次新冠疫情的防控阻擊戰(zhàn)中，我國把控制傳染源、切斷傳播途徑作為關鍵著力點。面對武漢新冠肺炎確診病例的迅速增加以及春節(jié)期間全國人口流動高峰可能帶來的疫情大范圍擴散風險，黨中央果斷要求湖北省對人員外流實施全面嚴格管控，明確提出“內防擴散、外防輸出”的要求，強調采取更有效的措施，把疫情擴散抑制住。而對于其他地區(qū)，則要求完善防控措施，減少行走的傳染源，減少人群流動和密切接觸，做到“外防輸入、內防擴散”[1-2]。截至2020年3月上旬，我國已成功將每日新增確診病例控制在幾十例，多數(shù)省份連續(xù)保持新增確診病例0增加。因此，深入分析與總結中國有效防控新冠肺炎的舉措與經驗，對于世界各國應對新冠肺炎等傳染病具有重要意義。但是，目前缺乏基于實際經驗數(shù)據從實證上深入分析影響疫情傳播的因素、以及防控措施對遏制疫情蔓延的影響，比如重點疫區(qū)人口流出規(guī)模是否是影響疫情蔓延的重要因素？各地區(qū)內人員流動是否會加重疫情蔓延？加強人員出行管控力度是否有助于有效遏制新冠疫情的蔓延？而對于上述問題的研究與回答，對世界各國應對新冠肺炎等傳染病，具有重要理論價值和迫切的現(xiàn)實意義。為此，本文將基于我國的經驗數(shù)據，從實證上對上述問題進行深入探究。

本研究的貢獻主要包括以下幾個方面：（1）采用百度遷徙中國人口流動大數(shù)據，從實證上論證了加強人員出行管控力度、實施出行管控措施，對于遏制疫情蔓延的有效性;（2）本文豐富了人口流動管制的公共衛(wèi)生干預效果領域的研究;（3）本文的實證研究結果對于傳染病應急管控，世界各國應對新冠疫情等傳染病具有重要的政策意義;（4）本文基于實證研究，證實了黨中央應對新冠疫情所采取的舉措是十分科學的、有效的。

二、文獻綜述與理論分析

（一）重點疫區(qū)人口遷徙與疫情蔓延

首先，人口遷徙是非疫區(qū)產生輸入性病例的主要原因，尤其是對于通過航空旅行的人口遷徙[3]?；跀?shù)學模型分析的研究認為，航空旅行可能對美國境內的流感傳播產生重要影響，尤其是在航空客流量大的城市[4-5]。經驗研究也表明，限制國內航班數(shù)量將對流感大流行的傳播速度產生可測度的影響，特別是對跨區(qū)域的傳播[6]。對從嚴重疫區(qū)機場出發(fā)的國際旅客進行篩查，將有助于對所有最有可能接觸病毒感染者的旅客進行健康評估[7]。

第二，人口遷徙限制能夠延遲疫情的大流行，這為加強其他疫情管控措施爭取了時間[8]。國際航空旅行限制可能對大流行的傳播提供一個時間雖短但極為重要的延遲，特別是如果再配合其他疫情控制措施。雖然這段時間不足以研發(fā)和生產大量的疫苗，但從公共健康的角度來看，疫情的延遲對疫苗準備、加強公眾對疫情的認識，并準備其他疫情管控措施爭取了時間[9]。據此，提出假說一。

H1：自重點疫區(qū)遷入人口越多的地區(qū)，面臨的輸入性傳染風險將越大，疫情形勢將越嚴峻。

（二）城內出行強度、加強人員出行管控與疫情蔓延防控

城內出行強度對疫情傳播的影響，主要體現(xiàn)在以下方面：首先，城內出行強度的增加導致人與人之間的社會距離縮短，進而加劇了流行病的傳播。一項全面的病毒基因組分析表明，流行病的傳播遵循經典的引力模型，即較大的人口規(guī)模和較近的地理距離之間存在強烈的傳播[10]。社區(qū)與社區(qū)間的疫情傳播同樣符合引力模型，疫情傳播與社區(qū)規(guī)模呈正比，與社區(qū)之間的距離呈反比[11]。其次，城內出行強度的增加意味著較高的通勤水平，這會加速疫情的蔓延。在較高的通勤水平下，疫情達到穩(wěn)定狀態(tài)的時間會被延長[12]。通勤量與流行病的傳播高度相關，并且通勤水平對疫情傳播的影響具有異質性，相比往返工作單位的通勤，往返學校的通勤對疫情空間傳播的影響更大[13]，這意味著延遲開學比延遲復工對疫情防控更加重要。據此，提出假說二和三。

H2：城內人口出行強度高的地區(qū)，傳染源進一步擴散風險更大，疫情形勢將越嚴峻。

H3：人員出行管控力度較強的地區(qū)，實施出行管控后，將更大幅度地減少人員流動、減少行走的傳染源，有利于控制疫情的傳播。

三、模型設計與數(shù)據說明

（一）數(shù)據說明

1.被解釋變量：每日新增確診病例（lnconfirmed）

由于有些省份在某些天無新增確診病例，本文將每日新增確診病例的數(shù)值加1后再取自然對數(shù)，變量數(shù)據來源于國家衛(wèi)健委官方網站。

2.核心解釋變量

（1）重點疫區(qū)遷入人口規(guī)模（migrate）

重點疫區(qū)遷入人口規(guī)模采用武漢遷入各省人口規(guī)模衡量，本文采用百度遷徙大數(shù)據中武漢市遷出人口規(guī)模乘以武漢遷出目的地中各省所占比例計算，即：

疫區(qū)遷入人口規(guī)模=武漢遷出人口規(guī)模×武漢遷出目的地中各省所占比例[JY]（1）

（2）城內出行強度（travel）

城內出行強度采用各省省會城市的城內出行強度作為代理變量，城內出行強度為該城市有出行的人數(shù)與該城市居住人口比值的指數(shù)化結果，數(shù)據來源于百度遷徙。

（3）人員出行管控力度（control）

本文以實施出行管控后，城內出行強度相比實施出行管控前的下降幅度大于全國平均降幅的地區(qū)，為實行人員出行管控較強的地區(qū)，令其取值為1，反之則為人員出行管控力度較弱的地區(qū)，取值為0。

control=1，實施管控前后城內出行強度下降幅度

大于全國平均水平的地區(qū)

0，其他地區(qū)[JY]（2）

此外，我們還構建了另外兩個人員出行管控力度的穩(wěn)健性指標control2和control3。

control2=1，今年與去年陰歷同期的城內出行強度相

比降幅大于全國平均水平的地區(qū)

0，其他地區(qū)[JY]（3）

control3=1，今年與去年陰歷同期的城內出行強度之比

小于全國平均水平的地區(qū)

0，其他地區(qū)[JY]（4）

為了考察人員出行管控力度強的地區(qū)，在實施管控后是否更有助于減少本地接觸性傳染、更有利于控制疫情的蔓延，我們構建了管控時間虛擬變量dumfc與上述反映各地區(qū)人員出行管控力度變量的交叉項。由于我國大部分省份在武漢1月23日封城后，也相應對人員流動實施了全面的嚴格管控，因此管控時間虛擬變量dumfc在1月23日之前取值為0，之后取值為1。

3.控制變量

（1）交通密度（trafdensity），以各地區(qū)公路、鐵路、內河航道里程之和/各地區(qū)國土面積來衡量，數(shù)據來源于中國統(tǒng)計年鑒。

（2）總人口數(shù)（lnpopulation），數(shù)據來源于中國統(tǒng)計年鑒的常住人口數(shù)，并取對數(shù)處理。

（3）人口密度（popdensity），以總人口數(shù)/各地區(qū)國土面積來衡量，數(shù)據來源于中國統(tǒng)計年鑒。

（4）醫(yī)療衛(wèi)生機構床位（lnbed）作為醫(yī)療條件的代理變量，數(shù)據來源于中國統(tǒng)計年鑒，并取自然對數(shù)處理。

（5）氣溫（temperature），氣溫較高的地區(qū)、以及隨著各地氣溫的升高，可能將有助于控制疫情的發(fā)展，降低受感染人數(shù)。本文各地氣溫數(shù)據來源于中國天氣網。

（6）地方政府公共衛(wèi)生治理能力（governance），參照陳詩一和陳登科[14]的做法，本文中各地區(qū)政府公共衛(wèi)生治理能力采用2020年省級政府工作報告中與“醫(yī)療”“衛(wèi)生”等相關詞匯出現(xiàn)的詞頻數(shù)衡量，數(shù)據根據我國各地政府工作報告整理。

4.數(shù)據說明

由于本文旨在考察人口遷徙以及對于人口流動的管控對新冠肺炎疫情防控的影響，而湖北省為我國疫情最早爆發(fā)的地區(qū)、為傳染源的最初輸出地區(qū)，為此本文所選取的樣本為湖北省以及港澳臺以外的我國30個省市自治區(qū)。由于中國新冠疫情的發(fā)展軌跡呈現(xiàn)出“暴發(fā)期短、連續(xù)性強和單一峰值”的特點，2月底疫情基本平息，實現(xiàn)了抗擊疫情重要階段性勝利[15]，因此本文樣本區(qū)間為2020年1月1日至2月29日，所有變量數(shù)據均為日度數(shù)據。

（二）模型設計

為了檢驗假說1，我們在基準模型分析中采用控制省份個體特征γi和時間效應θt的面板混合效應模型進行估計，并采用聚類穩(wěn)健的標準誤，模型設計如下：

其中，lnconfirmedit為省份i在日期t新增確診病例加1后的對數(shù)值。migrateit為重點疫區(qū)遷入人口規(guī)模，由于病毒具有一定的潛伏期，自疫區(qū)遷入人口對于該地區(qū)疫情的影響具有一定的時滯性，以及為了克服潛在的內生性問題，我們對migrateit取不同滯后期進行分析。根據鐘南山院士研究團隊的研究結果，我國此次新冠肺炎潛伏期中位數(shù)為4天，潛伏期的四分位間距為5天（2天～7天），即75%的感染者潛伏期為7天內，潛伏期大于14天的共13例（1.18%），而潛伏期大于18天的僅有8例（0.73%）[16]，因此對于變量migrateit滯后期的選取，我們選取滯后7天作為基準回歸，并進行了滯后期為4天、14天和18天的穩(wěn)健性分析。X（i，t）為其他控制變量，包括交通密度、總人口、人口密度、醫(yī)療衛(wèi)生機構床位、氣溫、地區(qū)政府治理能力等，為了克服潛在的內生性問題，本文控制變量均取一階滯后項。

為了檢驗假說2和3，我們在基準模型分析中采用控制省份個體特征和時間效應的面板混合效應模型進行估計，并采用聚類穩(wěn)健的標準誤，模型設計如下：

其中，lnconfirmedit為省份i在日期t新增確診病例加1后的對數(shù)值;travelit為各地的城內出行強度代理變量;controlit為人員出行管控力度代理變量;dumfcit為管控時間虛擬變量;交叉項controlit*dumfcit是我們所要重點考察的，若交叉項前面的系數(shù)β2符號顯著為負，則說明全國實施出行管控后，加強人員出行管控力度顯著降低了該地區(qū)的新增新冠肺炎確診病例數(shù)。

四、模型結果分析

（一）人口遷徙、疫區(qū)人口外流與新冠肺炎疫情蔓延

表1基準模型的實證結果表明，各回歸式中疫區(qū)遷入人口規(guī)模變量migrate滯后7期的系數(shù)均在1%的顯著性水平上顯著為正，說明武漢遷入我國各省的人口規(guī)模對我國各省的新增新冠肺炎確診病例數(shù)具有顯著的正向影響，從重點疫區(qū)武漢流入人口越多的地區(qū)，疫情越嚴重。

此外，交通密度變量trafdensity的系數(shù)在1%的顯著性水平上顯著為正，說明交通越發(fā)達、交通密度越高的地區(qū)，傳染源更容易擴散，這些地區(qū)的新冠疫情蔓延也更嚴重。各回歸式中總人口數(shù)lnpopulation的系數(shù)顯著為正，即人口基數(shù)較大的地區(qū)，新增新冠肺炎確診病例也相對較多。人口密度變量popdensity的系數(shù)顯著為負，表明人口密度對于新冠肺炎蔓延的綜合效應為負，更多的表現(xiàn)為人口相對集中的地區(qū)更有利于當?shù)卣M行群體集中管控，進而有利于疫情的防范。醫(yī)療衛(wèi)生機構床位lnbed的系數(shù)顯著為負，說明醫(yī)療條件好、病床數(shù)較多的地區(qū)，將有利于對新冠肺炎感染者尤其是重癥患者進行收治和有效治療，進而有助于減少傳染源、防止疫情的蔓延。氣溫變量temperature的系數(shù)在1%的顯著性水平上均顯著為負，表明氣溫較高的地區(qū)、以及隨著各地氣溫的升高，有助于控制疫情的蔓延。政府公共衛(wèi)生治理能力變量governance系數(shù)在1%的顯著性水平上顯著為負，說明地方政府公共衛(wèi)生治理能力較強的省市自治區(qū)，在面對此次新冠肺炎疫情突發(fā)事件時，更好地控制了疫情蔓延，該地區(qū)的新增新冠肺炎確診病例數(shù)相對較少。

（二）城內出行強度與疫情蔓延

表2基準模型的實證結果表明，各回歸式中城內出行強度變量travel滯后7期的系數(shù)均在1%的顯著性水平上為正，說明我國各省、直轄市和自治區(qū)的城內出行強度對各省的新增新冠肺炎確診病例數(shù)具有顯著的正向影響，城內人口出行強度高、人員流動性越大，將加大傳染源進一步擴散風險，疫情也將越嚴重。

（三）加強出行管控與疫情蔓延防控

表3基準模型的實證結果表明，各回歸式中人員出行管控力度與管控時間虛擬變量的交叉項controlit*dumfcit滯后7期的系數(shù)均在1%的顯著性水平上為負，說明全國實施出行管控后，加強人員出行管控力度顯著降低了該地區(qū)的新增新冠肺炎確診病例數(shù)，即人員出行管控力度較強的地區(qū)，實施出行管控后，將更大幅度地減少人員流動、減少行走的傳染源，有利于控制疫情的傳播。

（四）醫(yī)學觀察期與病毒不同潛伏期的穩(wěn)健性檢驗

出于結果穩(wěn)健性考慮，根據鐘南山院士研究團隊的研究結果，此次新冠肺炎潛伏期中位數(shù)為4天，潛伏期大于14天的占1.18%，潛伏期大于18天的占比0.73%[16]，為此我們又進行了滯后期為4天、14天和18天的穩(wěn)健性分析。

表4關于不同潛伏期的穩(wěn)健性實證分析結果表明，無論是對于疫區(qū)遷入人口規(guī)模變量migrate滯后4天、14天還是18天，各回歸式中疫區(qū)遷入人口規(guī)模變量migrate滯后期的系數(shù)均在1%的顯著性水平上為正。同時對比表1各回歸式中migrate變量不同滯后期的系數(shù)發(fā)現(xiàn)，從滯后4期至滯后14期疫區(qū)遷入人口規(guī)模變量migrate的系數(shù)呈不斷增加趨勢，而滯后18期的疫區(qū)遷入人口規(guī)模變量migrate的系數(shù)相較于滯后14期有所下降，這表明隨著考察的潛伏期的延長，每日新增新冠肺炎確診病例隨疫區(qū)遷入人口規(guī)模的增加而持續(xù)增多，但是滯后期到了14天以后影響的病例數(shù)幾乎不再增加。

表4關于不同潛伏期的穩(wěn)健性實證分析結果表明，在城內出行強度變量travel滯后4期回歸（4）式中，城內出行強度travel滯后期的系數(shù)在10%的顯著性水平上為負且系數(shù)相對較小，而在城內出行強度變量travel滯后14天和18天的回歸（5）式和（6）式，城內出行強度變量travel滯后期的系數(shù)均在1%的顯著性水平上為正且系數(shù)較大。同時對比表4各回歸式中城內出行強度變量travel滯后期的系數(shù)發(fā)現(xiàn)，從滯后4期至滯后14期城內出行強度變量travel的系數(shù)呈不斷增加趨勢，而滯后18期的城內出行強度變量travel的系數(shù)相對于滯后14期稍微有所下降但仍然顯著為正。這表明隨著考察的潛伏期的延長，每日新增新冠肺炎確診病例隨城內出行強度的增加而持續(xù)增多，但是滯后期到了14天以后影響的病例數(shù)幾乎不再增加。上述經驗研究結果從實證上證明，我國將新冠肺炎的醫(yī)學觀察期定為14天是非常科學的。

（五）人員出行管控力度替代變量的穩(wěn)健性分析

出于穩(wěn)健性考慮，此外我們還構建了兩個人員出行管控力度的穩(wěn)健性指標control2和control3。表5回歸結果表明，各回歸式中人員出行管控力度代理變量與管控時間虛擬變量的交叉項control2it*dumfcit和control3it*dumfcit系數(shù)仍然顯著為負，說明對于人員出行管控力度較強的地區(qū)，實施出行管控后，將更大幅度地減少人員流動、減少行走的傳染源，進而有助于減少新增感染人數(shù)、控制疫情發(fā)展的結論是穩(wěn)健的。

五、結論

本文的實證研究結果表明，武漢遷入我國各省的人口規(guī)模對各省的新增新冠肺炎確診病例數(shù)具有顯著的正向影響，從我國新冠肺炎最早爆發(fā)地武漢流入人口越多的地區(qū)，新冠肺炎疫情越嚴重。這也從實證研究上證明，在武漢疫情爆發(fā)初期，黨中央及時加強重點地區(qū)疫情防控，強化防止疫情向外蔓延，及時關閉湖北境內民航、鐵路、公路、水路客運等外出通道的舉措，對全國疫情控制發(fā)揮了重要作用。

本文實證研究結果還表明，我國各地區(qū)城內出行強度對各省的新增新冠肺炎確診病例數(shù)具有顯著的正向影響，城內人口出行強度高、人員流動性越大，將增加傳染源進一步擴散風險，增加更多的感染人群，疫情也將越嚴重。而對于人員出行管控力度較強的地區(qū)，實施出行管控后，則更大幅度地減少人員流動，更好地控制了疫情的發(fā)展。上述實證研究結果有力地證明了，黨中央強化社區(qū)防控網格化管理，加強重點群體管控，減少人群流動和密切接觸等舉措，對于有效控制疫情發(fā)展起了至關重要的作用。

我國新冠肺炎防控經驗與本文的實證研究結論，對于我國乃至世界各國人民應對新冠肺炎等傳染病具有重要的政策啟示：加強重點地區(qū)疫情防控，防止疫情向外蔓延是應對新冠肺炎及類似疫情的首要任務，對于重點疫區(qū)要嚴格做到“外防輸出”，而其他地區(qū)則要嚴格把控“外防輸入”;加強重點群體管控力度，減少行走的傳染源，減少人群流動和密切接觸，堅決做好“內防擴散”，對于有效控制疫情至關重要。

參考文獻：

[1]習近平.在統(tǒng)籌推進新冠肺炎疫情防控和經濟社會發(fā)展工作部署會議上的講話[N].人民日報，2020—02—24（002）.

[2]習近平.在中央政治局常委會會議研究應對新型冠狀病毒肺炎疫情工作時的講話[J].北京人大，2020（02）：4—8.

[3]Findlater?A，?Bogoch?I?I.?Human?mobility?and?the?global?spread?of?infectious?diseases：?a?focus?on?airtravel[J].?Trends?in?parasitology，?2018，34（9）：772—783.

[4]Rvachev?L?A，?Longini?Jr?I?M.?A?mathematical?model?for?the?global?spread?ofinfluenza[J].?Mathematical?biosciences，?1985，75（1）：3—22.

[5]Grais?R?F，?Ellis?J?H，?Kress?A，?et?al.?Modeling?the?spread?of?annual?influenza?epidemics?in?the?US：?The?potential?role?of?airtravel[J].?Health?care?management?science，2004，7（2）：127—134.

[6]Brownstein?J?S，?Wolfe?C?J，?Mandl?K?D.?Empirical?evidence?for?the?effect?of?airline?travel?on?inter-regional?influenza?spread?in?the?UnitedStates[J].?PLoS?Med，?2006，3（10）：e401.

[7]?Bogoch?I?I，?Creatore?M?I，?Cetron?M?S，?et?al.?Assessment?of?the?potential?for?international?dissemination?of?Ebola?virus?via?commercial?air?travel?during?the?2014?west?Africanoutbreak[J].?The?Lancet，?2015，385（9962）：29—35.

[8]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[J].?Science，?2020，368（6491）：638—642.

[9]Epstein?J?M，?Goedecke?D?M，?Yu?F，?et?al.?Controlling?pandemic?flu：?the?value?of?international?air?travelrestrictions[J].?PloS?one，?2007，2（5）：e401.

[10]Dudas?G，?Carvalho?L?M，?Bedford?T，?et?al.?Virus?genomes?reveal?factors?that?spread?and?sustained?the?Ebola?epidemic[J].?Nature，?2017，544（7650）：309—315.

[11]?Viboud?C，?Bjrnstad?O?N，?Smith?D?L，?et?al.?Synchrony，?waves，?and?spatial?hierarchies?in?the?spread?of?influenza[J].?science，?2006，312（5772）：447—451.

[12]Wu?M，?Han?S，?Sun?M，?et?al.?How?the?distance?between?regional?and?human?mobility?behavior?affect?the?epidemicspreading[J].?Physica?A：?Statistical?Mechanics?and?its?Applications，?2018，492：1823—1830.

[13]Charaudeau?S，?Pakdaman?K，?Bolle?P?Y.?Commuter?mobility?and?the?spread?of?infectious?diseases：?application?to?influenza?inFrance[J].?PloS?one，?2014，9（1）：e83002.

[14]陳詩一，陳登科.霧霾污染、政府治理與經濟高質量發(fā)展[J].經濟研究，2018，53（02）：20—34.

[15]劉濤，靳永愛.人口流動視角下的中國新冠疫情擴散時空動態(tài)——傳統(tǒng)數(shù)據和大數(shù)據的對比研究[J].人口研究，2020，44（05）：44—59.

[16]Guan?W，?Ni?Z，?Hu?Y，?et?al.?Clinical?characteristics?of?coronavirus?disease?2019?in?China[J].?New?England?journal?of?medicine，?2020，382（18）：1708—1720.

（郭文璇、房昊，南開大學金融學院）