人口流动、传染病蔓延应急管控与中国新冠疫情防控经验

郭文璇 房昊

摘 要：基于我国新冠肺炎疫情数据和百度迁徙大数据，实证分析了重点疫区人口外流以及城内人口流动对疫情蔓延的影响，并分析了加强人员出行管控对于疫情防控的有效性。结果表明：武汉迁入人口规模对各地新增新冠肺炎确诊病例数具有显著正向影响，从武汉迁入人口越多的地区，面临的输入性传染风险越大，疫情形势越严峻;城内出行强度对各地新增新冠肺炎确诊病例数具有显著正向影响，城内人口流动强度高的地区，传染源进一步扩散风险将增加，疫情也更严重;而人员出行管控力度较强的地区在实施出行管控后，本地接触性传染得到有效减少，更好地控制了疫情的蔓延。

关键词：新冠疫情 应急管控 人口流动 大数据

一、引言

新冠肺炎疫情爆发后，党中央高度重视，迅速作出部署，全面加强疫情防控工作。2020年1月7日，习近平总书记主持召开中央政治局常委会会议，对做好疫情防控工作提出了要求;2020年1月22日，习近平总书记明确要求湖北省对人员外流实施全面严格管控;2020年2月10日，习近平总书记进一步指出，要继续强化防止疫情向外蔓延的措施，并且认为湖北境内民航、铁路、公路、水路客运等外出通道的关闭，对全国疫情控制发挥了重要作用，并强调一些人员自行流出带来的风险也不能忽视[1-2]。

在此次新冠疫情的防控阻击战中，我国把控制传染源、切断传播途径作为关键着力点。面对武汉新冠肺炎确诊病例的迅速增加以及春节期间全国人口流动高峰可能带来的疫情大范围扩散风险，党中央果断要求湖北省对人员外流实施全面严格管控，明确提出“内防扩散、外防输出”的要求，强调采取更有效的措施，把疫情扩散抑制住。而对于其他地区，则要求完善防控措施，减少行走的传染源，减少人群流动和密切接触，做到“外防输入、内防扩散”[1-2]。截至2020年3月上旬，我国已成功将每日新增确诊病例控制在几十例，多数省份连续保持新增确诊病例0增加。因此，深入分析与总结中国有效防控新冠肺炎的举措与经验，对于世界各国应对新冠肺炎等传染病具有重要意义。但是，目前缺乏基于实际经验数据从实证上深入分析影响疫情传播的因素、以及防控措施对遏制疫情蔓延的影响，比如重点疫区人口流出规模是否是影响疫情蔓延的重要因素？各地区内人员流动是否会加重疫情蔓延？加強人员出行管控力度是否有助于有效遏制新冠疫情的蔓延？而对于上述问题的研究与回答，对世界各国应对新冠肺炎等传染病，具有重要理论价值和迫切的现实意义。为此，本文将基于我国的经验数据，从实证上对上述问题进行深入探究。

本研究的贡献主要包括以下几个方面：（1）采用百度迁徙中国人口流动大数据，从实证上论证了加强人员出行管控力度、实施出行管控措施，对于遏制疫情蔓延的有效性;（2）本文丰富了人口流动管制的公共卫生干预效果领域的研究;（3）本文的实证研究结果对于传染病应急管控，世界各国应对新冠疫情等传染病具有重要的政策意义;（4）本文基于实证研究，证实了党中央应对新冠疫情所采取的举措是十分科学的、有效的。

二、文献综述与理论分析

（一）重点疫区人口迁徙与疫情蔓延

首先，人口迁徙是非疫区产生输入性病例的主要原因，尤其是对于通过航空旅行的人口迁徙[3]。基于数学模型分析的研究认为，航空旅行可能对美国境内的流感传播产生重要影响，尤其是在航空客流量大的城市[4-5]。经验研究也表明，限制国内航班数量将对流感大流行的传播速度产生可测度的影响，特别是对跨区域的传播[6]。对从严重疫区机场出发的国际旅客进行筛查，将有助于对所有最有可能接触病毒感染者的旅客进行健康评估[7]。

第二，人口迁徙限制能够延迟疫情的大流行，这为加强其他疫情管控措施争取了时间[8]。国际航空旅行限制可能对大流行的传播提供一个时间虽短但极为重要的延迟，特别是如果再配合其他疫情控制措施。虽然这段时间不足以研发和生产大量的疫苗，但从公共健康的角度来看，疫情的延迟对疫苗准备、加强公众对疫情的认识，并准备其他疫情管控措施争取了时间[9]。据此，提出假说一。

H1：自重点疫区迁入人口越多的地区，面临的输入性传染风险将越大，疫情形势将越严峻。

（二）城内出行强度、加强人员出行管控与疫情蔓延防控

城内出行强度对疫情传播的影响，主要体现在以下方面：首先，城内出行强度的增加导致人与人之间的社会距离缩短，进而加剧了流行病的传播。一项全面的病毒基因组分析表明，流行病的传播遵循经典的引力模型，即较大的人口规模和较近的地理距离之间存在强烈的传播[10]。社区与社区间的疫情传播同样符合引力模型，疫情传播与社区规模呈正比，与社区之间的距离呈反比[11]。其次，城内出行强度的增加意味着较高的通勤水平，这会加速疫情的蔓延。在较高的通勤水平下，疫情达到稳定状态的时间会被延长[12]。通勤量与流行病的传播高度相关，并且通勤水平对疫情传播的影响具有异质性，相比往返工作单位的通勤，往返学校的通勤对疫情空间传播的影响更大[13]，这意味着延迟开学比延迟复工对疫情防控更加重要。据此，提出假说二和三。

H2：城内人口出行强度高的地区，传染源进一步扩散风险更大，疫情形势将越严峻。

H3：人员出行管控力度较强的地区，实施出行管控后，将更大幅度地减少人员流动、减少行走的传染源，有利于控制疫情的传播。

三、模型设计与数据说明

（一）数据说明

1.被解释变量：每日新增确诊病例（lnconfirmed）

由于有些省份在某些天无新增确诊病例，本文将每日新增确诊病例的数值加1后再取自然对数，变量数据来源于国家卫健委官方网站。

2.核心解释变量

（1）重点疫区迁入人口规模（migrate）

重点疫区迁入人口规模采用武汉迁入各省人口规模衡量，本文采用百度迁徙大数据中武汉市迁出人口规模乘以武汉迁出目的地中各省所占比例计算，即：

疫区迁入人口规模=武汉迁出人口规模×武汉迁出目的地中各省所占比例[JY]（1）

（2）城内出行强度（travel）

城内出行强度采用各省省会城市的城内出行强度作为代理变量，城内出行强度为该城市有出行的人数与该城市居住人口比值的指数化结果，数据来源于百度迁徙。

（3）人员出行管控力度（control）

本文以实施出行管控后，城内出行强度相比实施出行管控前的下降幅度大于全国平均降幅的地区，为实行人员出行管控较强的地区，令其取值为1，反之则为人员出行管控力度较弱的地区，取值为0。

control=1，实施管控前后城内出行强度下降幅度

大于全国平均水平的地区

0，其他地区[JY]（2）

此外，我们还构建了另外两个人员出行管控力度的稳健性指标control2和control3。

control2=1，今年与去年阴历同期的城内出行强度相

比降幅大于全国平均水平的地区

0，其他地区[JY]（3）

control3=1，今年与去年阴历同期的城内出行强度之比

小于全国平均水平的地区

0，其他地区[JY]（4）

为了考察人员出行管控力度强的地区，在实施管控后是否更有助于减少本地接触性传染、更有利于控制疫情的蔓延，我们构建了管控时间虚拟变量dumfc与上述反映各地区人员出行管控力度变量的交叉项。由于我国大部分省份在武汉1月23日封城后，也相应对人员流动实施了全面的严格管控，因此管控时间虚拟变量dumfc在1月23日之前取值为0，之后取值为1。

3.控制变量

（1）交通密度（trafdensity），以各地区公路、铁路、内河航道里程之和/各地区国土面积来衡量，数据来源于中国统计年鉴。

（2）总人口数（lnpopulation），數据来源于中国统计年鉴的常住人口数，并取对数处理。

（3）人口密度（popdensity），以总人口数/各地区国土面积来衡量，数据来源于中国统计年鉴。

（4）医疗卫生机构床位（lnbed）作为医疗条件的代理变量，数据来源于中国统计年鉴，并取自然对数处理。

（5）气温（temperature），气温较高的地区、以及随着各地气温的升高，可能将有助于控制疫情的发展，降低受感染人数。本文各地气温数据来源于中国天气网。

（6）地方政府公共卫生治理能力（governance），参照陈诗一和陈登科[14]的做法，本文中各地区政府公共卫生治理能力采用2020年省级政府工作报告中与“医疗”“卫生”等相关词汇出现的词频数衡量，数据根据我国各地政府工作报告整理。

4.数据说明

由于本文旨在考察人口迁徙以及对于人口流动的管控对新冠肺炎疫情防控的影响，而湖北省为我国疫情最早爆发的地区、为传染源的最初输出地区，为此本文所选取的样本为湖北省以及港澳台以外的我国30个省市自治区。由于中国新冠疫情的发展轨迹呈现出“暴发期短、连续性强和单一峰值”的特点，2月底疫情基本平息，实现了抗击疫情重要阶段性胜利[15]，因此本文样本区间为2020年1月1日至2月29日，所有变量数据均为日度数据。

（二）模型设计

为了检验假说1，我们在基准模型分析中采用控制省份个体特征γi和时间效应θt的面板混合效应模型进行估计，并采用聚类稳健的标准误，模型设计如下：

其中，lnconfirmedit为省份i在日期t新增确诊病例加1后的对数值。migrateit为重点疫区迁入人口规模，由于病毒具有一定的潜伏期，自疫区迁入人口对于该地区疫情的影响具有一定的时滞性，以及为了克服潜在的内生性问题，我们对migrateit取不同滞后期进行分析。根据钟南山院士研究团队的研究结果，我国此次新冠肺炎潜伏期中位数为4天，潜伏期的四分位间距为5天（2天～7天），即75%的感染者潜伏期为7天内，潜伏期大于14天的共13例（1.18%），而潜伏期大于18天的仅有8例（0.73%）[16]，因此对于变量migrateit滞后期的选取，我们选取滞后7天作为基准回归，并进行了滞后期为4天、14天和18天的稳健性分析。X（i，t）为其他控制变量，包括交通密度、总人口、人口密度、医疗卫生机构床位、气温、地区政府治理能力等，为了克服潜在的内生性问题，本文控制变量均取一阶滞后项。

为了检验假说2和3，我们在基准模型分析中采用控制省份个体特征和时间效应的面板混合效应模型进行估计，并采用聚类稳健的标准误，模型设计如下：

其中，lnconfirmedit为省份i在日期t新增确诊病例加1后的对数值;travelit为各地的城内出行强度代理变量;controlit为人员出行管控力度代理变量;dumfcit为管控时间虚拟变量;交叉项controlit*dumfcit是我们所要重点考察的，若交叉项前面的系数β2符号显著为负，则说明全国实施出行管控后，加强人员出行管控力度显著降低了该地区的新增新冠肺炎确诊病例数。

四、模型结果分析

（一）人口迁徙、疫区人口外流与新冠肺炎疫情蔓延

表1基准模型的实证结果表明，各回归式中疫区迁入人口规模变量migrate滞后7期的系数均在1%的显著性水平上显著为正，说明武汉迁入我国各省的人口规模对我国各省的新增新冠肺炎确诊病例数具有显著的正向影响，从重点疫区武汉流入人口越多的地区，疫情越严重。

此外，交通密度变量trafdensity的系数在1%的显著性水平上显著为正，说明交通越发达、交通密度越高的地区，传染源更容易扩散，这些地区的新冠疫情蔓延也更严重。各回归式中总人口数lnpopulation的系数显著为正，即人口基数较大的地区，新增新冠肺炎确诊病例也相对较多。人口密度变量popdensity的系数显著为负，表明人口密度对于新冠肺炎蔓延的综合效应为负，更多的表现为人口相对集中的地区更有利于当地政府进行群体集中管控，进而有利于疫情的防范。医疗卫生机构床位lnbed的系数显著为负，说明医疗条件好、病床数较多的地区，将有利于对新冠肺炎感染者尤其是重症患者进行收治和有效治疗，进而有助于减少传染源、防止疫情的蔓延。气温变量temperature的系数在1%的显著性水平上均显著为负，表明气温较高的地区、以及随着各地气温的升高，有助于控制疫情的蔓延。政府公共卫生治理能力变量governance系数在1%的显著性水平上显著为负，说明地方政府公共卫生治理能力较强的省市自治区，在面对此次新冠肺炎疫情突发事件时，更好地控制了疫情蔓延，该地区的新增新冠肺炎确诊病例数相对较少。

（二）城内出行强度与疫情蔓延

表2基准模型的实证结果表明，各回归式中城内出行强度变量travel滞后7期的系数均在1%的显著性水平上为正，说明我国各省、直辖市和自治区的城内出行强度对各省的新增新冠肺炎确诊病例数具有显著的正向影响，城内人口出行强度高、人员流动性越大，将加大传染源进一步扩散风险，疫情也将越严重。

（三）加强出行管控与疫情蔓延防控

表3基准模型的实证结果表明，各回归式中人员出行管控力度与管控时间虚拟变量的交叉项controlit*dumfcit滞后7期的系数均在1%的显著性水平上为负，说明全国实施出行管控后，加强人员出行管控力度显著降低了该地区的新增新冠肺炎确诊病例数，即人员出行管控力度较强的地区，实施出行管控后，将更大幅度地减少人员流动、减少行走的传染源，有利于控制疫情的传播。

（四）医学观察期与病毒不同潜伏期的稳健性检验

出于结果稳健性考虑，根据钟南山院士研究团队的研究结果，此次新冠肺炎潜伏期中位数为4天，潜伏期大于14天的占1.18%，潜伏期大于18天的占比0.73%[16]，为此我们又进行了滞后期为4天、14天和18天的稳健性分析。

表4关于不同潜伏期的稳健性实证分析结果表明，无论是对于疫区迁入人口规模变量migrate滞后4天、14天还是18天，各回归式中疫区迁入人口规模变量migrate滞后期的系数均在1%的显著性水平上为正。同时对比表1各回归式中migrate变量不同滞后期的系数发现，从滞后4期至滞后14期疫区迁入人口规模变量migrate的系数呈不断增加趋势，而滞后18期的疫区迁入人口规模变量migrate的系数相较于滞后14期有所下降，这表明随着考察的潜伏期的延长，每日新增新冠肺炎确诊病例随疫区迁入人口规模的增加而持续增多，但是滞后期到了14天以后影响的病例数几乎不再增加。

表4关于不同潜伏期的稳健性实证分析结果表明，在城内出行强度变量travel滞后4期回归（4）式中，城内出行强度travel滞后期的系数在10%的显著性水平上为负且系数相对较小，而在城内出行强度变量travel滞后14天和18天的回归（5）式和（6）式，城内出行强度变量travel滞后期的系数均在1%的显著性水平上为正且系数较大。同时对比表4各回归式中城内出行强度变量travel滞后期的系数发现，从滞后4期至滞后14期城内出行强度变量travel的系数呈不断增加趋势，而滞后18期的城内出行强度变量travel的系数相对于滞后14期稍微有所下降但仍然显著为正。这表明随着考察的潜伏期的延长，每日新增新冠肺炎确诊病例随城内出行强度的增加而持续增多，但是滞后期到了14天以后影响的病例数几乎不再增加。上述经验研究结果从实证上证明，我国将新冠肺炎的医学观察期定为14天是非常科学的。

（五）人员出行管控力度替代变量的稳健性分析

出于稳健性考虑，此外我们还构建了两个人员出行管控力度的稳健性指標control2和control3。表5回归结果表明，各回归式中人员出行管控力度代理变量与管控时间虚拟变量的交叉项control2it*dumfcit和control3it*dumfcit系数仍然显著为负，说明对于人员出行管控力度较强的地区，实施出行管控后，将更大幅度地减少人员流动、减少行走的传染源，进而有助于减少新增感染人数、控制疫情发展的结论是稳健的。

五、结论

本文的实证研究结果表明，武汉迁入我国各省的人口规模对各省的新增新冠肺炎确诊病例数具有显著的正向影响，从我国新冠肺炎最早爆发地武汉流入人口越多的地区，新冠肺炎疫情越严重。这也从实证研究上证明，在武汉疫情爆发初期，党中央及时加强重点地区疫情防控，强化防止疫情向外蔓延，及时关闭湖北境内民航、铁路、公路、水路客运等外出通道的举措，对全国疫情控制发挥了重要作用。

本文实证研究结果还表明，我国各地区城内出行强度对各省的新增新冠肺炎确诊病例数具有显著的正向影响，城内人口出行强度高、人员流动性越大，将增加传染源进一步扩散风险，增加更多的感染人群，疫情也将越严重。而对于人员出行管控力度较强的地区，实施出行管控后，则更大幅度地减少人员流动，更好地控制了疫情的发展。上述实证研究结果有力地证明了，党中央强化社区防控网格化管理，加强重点群体管控，减少人群流动和密切接触等举措，对于有效控制疫情发展起了至关重要的作用。

我國新冠肺炎防控经验与本文的实证研究结论，对于我国乃至世界各国人民应对新冠肺炎等传染病具有重要的政策启示：加强重点地区疫情防控，防止疫情向外蔓延是应对新冠肺炎及类似疫情的首要任务，对于重点疫区要严格做到“外防输出”，而其他地区则要严格把控“外防输入”;加强重点群体管控力度，减少行走的传染源，减少人群流动和密切接触，坚决做好“内防扩散”，对于有效控制疫情至关重要。

参考文献：

[1]习近平.在统筹推进新冠肺炎疫情防控和经济社会发展工作部署会议上的讲话[N].人民日报，2020—02—24（002）.

[2]习近平.在中央政治局常委会会议研究应对新型冠状病毒肺炎疫情工作时的讲话[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]陈诗一，陈登科.雾霾污染、政府治理与经济高质量发展[J].经济研究，2018，53（02）：20—34.

[15]刘涛，靳永爱.人口流动视角下的中国新冠疫情扩散时空动态——传统数据和大数据的对比研究[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，南開大学金融学院）