网络模型揭示社区防控与出行限制为什么有效

snachina

社区防控政策的实证研究

社区防控（Community-Based Monitoring）：是指政府以社区为基本单位，对社区居民的健康状况进行排查、统计与监测，对社区居民的行为进行建议、指导与约束的公共政策。例如：在居民进出社区时测量体温、对居民近期出行情况进行登记、限制非本社区居民的进入社区、限制居民出入社区的时间、严格检查居民佩戴口罩等医疗防护用品的情况等。
然而，由于居民行为和认知上的差异或出于个人目的，对于社区防控要求，居民并不一定会严格执行，这给疫情防控任务增加了难度。研究者假设，所有居民都会以一定概率遵守政策规定，并认为居民一旦选择遵守政策就会一直遵守，不会随时间变化而不再遵守。特别是对于被感染的个体，如果选择遵守政策，那么在其表现症状的第一天就会被隔离治疗，不会传染其他人；如果选择不遵守政策，那么他会在传染期的每一天以一定概率传染他人。

只要有40%左右的人愿意配合，社区防控政策就是有效的
图1：社区防控政策的实施效果对比 如图1所示，A、B分别展示了在2014年利比里亚的埃博拉疫情中，现存确诊病例数和累计确诊病例数随时间的变化关系，其中政府从图中虚线处（疫情爆发后的第70天）实施社区防控政策，不同颜色的曲线表示人们对于社区防控政策的遵守程度。（例如，0.4表示人们有40%的概率遵守社区防控政策，对于群体来说，即为有40%的人会依照政府要求行事）
从图中可以看出，在实施社区防控政策后，只要有40%的人都能遵守政策，疫情就可以得到有效控制；当有60%的人都能遵守政策时，疫情可以在一个月左右的时间内基本结束。

社区人口的密集程度不会从根本上影响政策实施效果

       图2：不同社区网络结构对社区防控政策实施效果的影响

如图2所示，A、B、C分别展示了在不同网络结构下，现存确诊病例数随时间的变化关系，其中政府从图中虚线处（疫情出现后的第70天）实施政策，不同颜色的曲线表示人们对于政策的遵守程度。
在图A的网络结构中，对于每个人来说，距离最近的4个人作为邻居，即形成最近邻耦合网络；在图B的网络结构中，对于每个人来说，距离最近的8个人作为邻居；在图C的网络结构中，对于每个人来说，除了与距离最近的4个人作为邻居外，还会随机与其他个体形成邻居，即形成小世界网络。
从图中可以看出，当有60%的人都能遵守政策时，在不同网络结构的社区中实施社区防控都是有效的，并且与图1所示的曲线相似，结论具有很高的鲁棒性。

出行限制政策的模型研究

不管是对于真实数据，还是模拟网络，社区防控政策都需要群体中有一定比例（40%）的人能够遵守政策，然而在真实的疫情防控中，可能难以达到要求。当大多数人都没意识到疫情的重要性，不能严格遵守政府政策时，仅依靠社区防控政策是不足以防控疫情的，特别是疫情在社区间的快速蔓延可能导致医疗资源的短缺以及资源配置问题。那么这时候政府应该何去何从呢？作者给出了他的答案——出行限制政策。
出行限制（ Travel Restrictions）是指政府对区域内人员的社区出行实施强制性管控，以防止疫情跨社区蔓延。由于出行限制政策的实施依托于个体的空间分布，为了方便说明，研究者首先要对个人的空间分布进行适当的简化。

个体空间分布与疾病传播机制
图3：空间模型下的疫情传播机制 如图3所示，黑色方框表示空间结构人群中的个体，蓝色方框表示社区。因此，疾病在实际传播过程中，存在以下四种可能的传播形式：

• 同社区邻居传染
• 跨社区邻居传染
• 社区内的陌生人传染
• 跨社区的陌生人传染
  
  

在空间模型中，可以归纳为两种疾病传播机制：

• 局部传播机制：每个传染个体每天与格子上所有四个邻居进行一次交互，在交互过程中，每个传染个体会以一定概率传染易感邻居。
• 远程传播机制：每个易感个体每天都会随机选择网格中的任何一个个体，与之密切接触，如果随机选择到的个体为传染状态，那么易感个体以一个较小的概率被传染。
  

强制性出行限制一个月，效果立竿见影！

在前文的空间模型下，研究者可以将社区依据疫情的严重程度做一个类型划分。

图4：用颜色表示社区的疫情严重程度

上图用方格的方式，表示了一大片区域。其中红色方格表示出现传染状态个体的社区（高危社区），绿色方格表示红色方格的相邻社区（较危险社区），蓝色方格表示其他社区（相对安全的社区）。社区危险程度类型会随时间实时更新。

研究者假设，出行限制政策，确保了当社区防控政策实施时，原本就相对安全的社区居民更难被传染，因此，蓝色方格的数目只增不减。对于高危社区和危险社区来说，政府会集中医疗力量，治愈确诊病例，排查疑似病例，因此，红色和绿色方格会随时间向蓝色方格转变，逐渐变为安全社区。

于是，研究者进行了计算机模拟实验，假设区域内有90000（300× 300）个体，每个社区100（10 × 10）个体，共计900个社区，群体中有70%的人会遵守政策，社区防控政策和出行限制政策从第50天开始实施。

图5：实施社区防控政策及出行限制政策下的仿真模拟效果

计算机模拟的结果如上图所示，六张图分别模拟了在第60、70、80、90、100、110天的疫情防控效果。

从图中可以看出，在社区防控背景下，出行限制政策可以在30天内，显著减少高危社区及危险社区数量，从而有效防控疫情。

社区防控+出行限制

政策的联合效果

如果人们不配合社区防控，有必要强制限制其出行
图6：社区防控及出行限制政策效果

如图6所示，A、B分别展示了疫情持续时间和累计确诊病例数与人们对于政策的遵守程度的关系。其中，红线代表仅实施社区防控政策的状态，蓝线代表实施社区防控与出行限制政策的状态，政策都是从疫情出现后的第70天开始实施的。
从两幅图中我们不难看出，当有60%以上的人都能遵守政策时，出行限制的政策作用并不明显；当有遵守政策的人数不足40%时，无论是对于缩短疫情持续时间，还是减少整个疫情期间的累计确诊病例数，出现限制政策都具有至关重要的作用。

关键性决策：

学校停课与聚集性活动取消

即使病毒传播性很弱，在大型聚集活动中，疫情爆发的潜在风险也非常高

前文所述的研究是基于社区个体数相同、个体在社区内均匀分布的空间模型展开的，而在病毒的实际传播中，被感染个体的分布是明显非均匀的，类似“钻石公主号”游轮上的疫情聚集性爆发的现象时有发生。

最近在arXiv上刊登的一篇文章基于个体间的接触结构建立疾病传播模型，重点研究了在不同规模的聚集性活动中，疫情爆发的潜在风险。

论文题目：School closures, event cancellations, and the mesoscopic localization of epidemics in networks with higher-order structure论文地址：https://arxiv.org/abs/2003.05924

图7：不同大小集团中疾病流行程度比较
如图7所示，展示了在人数为n的聚集性活动形成的小集团内部，集团内疾病流行程度（纵坐标）与病毒传播能力（横坐标）的关系。其中虚线表示在所有疫情爆发地区的平均疾病流行程度。从图中可以看出，即使病毒的传播能力非常有限，但在大型聚集性活动中疾病一旦开始传播，就会迅速蔓延，至少会导致集团内部半数的人被感染，并且疾病流行程度会随着聚集性活动规模的增加而超线性增长。文章进一步论证了取消大型聚集性活动对于疫情防控工作的重要意义。

总结

本文围绕疫情防控工作中的防控政策与防控措施展开，文章通过建立一个符合真实数据同时可以量化社区防控与出行限制政策的空间模型，发现仅需要群体中有40%- 60%遵守政策，社区防控政策对于疫情防治就会产生明显的效果。同时，出行限制政策可以有效降低群体中因遵守政策的人员比例不足造成的疾病传播风险。
两个政策相互配合可以快速高效的展开疫情防治工作，避免疾病扩散与医疗资源浪费。此外，另一篇文章，基于个体间的接触结构建立了疾病传播模型，强调了取消大型聚集性活动对于疫情防控的重要意义。
转自：https://swarma.org/?p=18822