编辑推荐：
为解决新冠在城市传播难以精准建模及防控政策制定缺乏数据支持的问题，研究人员开展城市疫情建模研究。他们将元种群与重力模型结合，精准模拟疫情，揭示超级传播机制，为防控政策提供依据，极具科研与应用价值，值得一读。
新冠疫情下的城市抗疫 “利器”：融合模型助力精准防控
在 2020 年，新冠疫情如一场突如其来的风暴，席卷全球，给人类社会带来了巨大的冲击。作为一种主要通过人际接触传播的呼吸道传染病，新冠病毒在城市空间的传播机制极其复杂。这种复杂性体现在多个方面，从确诊病例增长模式的多样性，时而呈现指数式增长，时而又变成亚线性增长，到令人头疼的 “超级传播现象”（一小部分感染者或场所导致大量的继发感染），都让疫情防控变得困难重重。
传统的同质混合模型，比如经典的易感 - 暴露 - 感染 - 康复（SEIR）模型，在没有考虑人员流动数据的情况下，只能解释疫情的指数增长曲线，这与实际观察到的疫情发展情况相差甚远。为了更准确地模拟疫情传播，研究人员引入了元种群框架（把目标区域划分为多个元种群斑块，打破了同质混合的假设），但在深入研究城市内部动态时，简单的随机扩散流动性规则又因人类精细活动的高度异质性而失效。于是，大家开始借助各种数据来描绘城市内人员流动，像个人手机轨迹、基于调查的接触矩阵、智能卡签到记录等。然而，这些方法虽然在疫情建模上有了显著进步，却带来了严重的数据隐私问题，而且在低收入和中等收入国家（LMICs），这些数据往往很难收集。
为了攻克这些难题，来自相关研究团队（文中未提及第一作者单位，可假设为某知名科研团队）的研究人员在《Nature Scientific Reports》期刊上发表了题为 “文章中论文原文标题（暂未提供中文标题，可按原文呈现）” 的论文。他们发现，将元种群流行病学模型与简单的重力流动性模型相结合，能够捕捉城市空间中大部分复杂的疫情动态，这一发现意义重大，大大减少了对实证流动性数据的依赖，为疫情防控提供了新的思路和方法。
在这项研究中，研究人员主要运用了以下关键技术方法：首先，采用元种群方案，把城市空间划分成多个 1km×1km 的网格单元（文中称为 “社区”） ，每个社区都有独立的易感（S）、无症状（A）、感染（I）和康复（R）状态，并运行单独的 SIR 变体模型来捕捉局部传播。其次，引入重力流动性模型，该模型综合了社会互动机会的吸引力和旅行距离成本，以此预测城市内的人员流动，且模型参数与流行病学参数通过新冠发病率记录进行联合校准。此外，利用贝叶斯优化方法对模型中的感染率、隔离率和流动性水平等参数进行优化，以提高模型的准确性。
下面，让我们深入了解一下他们的研究成果：
城市流动性驱动的元种群流行病学模型
研究人员为了探究城市流动性与疫情传播的关系，构建了一个模型。他们将城市空间划分成多个社区，每个社区都有各自的人口和 SIR 变体模型。通过这个模型，他们发现简单的重力模型足以解释复杂的新冠增长曲线。于是，他们把重力流动性模型融入元种群流行病学模型，通过拟合新冠确诊病例的增长曲线来校准模型参数，从而减少了对精细实证流动性数据的依赖。
研究人员以美国、巴西和印度 30 个疫情严重的城市和县区为研究对象，对模型进行评估。这些城市的确诊病例增长曲线复杂多样，可分为线性、凹形、凸形和 S 形四类。研究结果令人惊喜，他们的模型能够精准预测这些独特的增长曲线，
分数均高于 0.980，而传统的同质混合 SIR 变体模型却无法做到，只能预测指数增长或无增长情况。在预测每日发病率方面，该模型的
分数高达 0.936，相比基线模型有显著提升。此外，研究人员还用辐射流动性模型替换重力流动性模型进行测试，结果表明模型性能差异可忽略不计，而且即使采用更大的社区尺度（如 10km×10km），模型虽准确性略有下降，但仍能保持较高的
分数，这些都证明了模型的稳健性。研究还发现，不同水平的城市流动性对增长曲线的形状有显著影响，这进一步说明了将人类流动性纳入模型对于刻画新冠病例复杂增长的必要性。
再现和解释城市空间中的超级传播事件
超级传播事件在新冠疫情以及其他传染病疫情中都频繁出现，但标准的 SEIR 模型和 SIR-X 模型都无法对其进行充分解释，因为它们都基于人口同质混合的假设。而这项研究中的模型通过引入人类流动性模型，为解释超级传播事件背后的机制提供了分析框架。
研究人员用感染 - 感染源比率（IIR）来衡量不同社区的超级传播严重程度。通过对城市所有社区按平均 IIR 进行排序，他们发现模型再现了高度不均衡的感染分布。最具传染性的 20% 社区导致了 68.3% 的继发感染，感染人口和继发感染的基尼系数分别高达 0.553 和 0.630，这表明感染风险在城市空间中存在高度的异质性。研究人员还以纽约市为例，验证了模型预测的空间异质性感染风险与实际数据高度相关（斯皮尔曼相关系数
） ，这说明该模型能够在没有实证流动性数据支持的情况下，有效再现超级传播事件。
为了找出超级传播事件背后的行为机制，研究人员进行了深入探究。他们发现，城市人口分布不均确实会对感染风险的空间异质性产生影响，但仅仅这一个因素并不能完全解释超级传播事件。当用随机城市运动替代重力模型时，感染人口和继发感染的空间不均衡性大幅降低。而城市运动，尤其是社会互动和旅行成本这两个因素，对超级传播事件有着重要影响。当城市流动性模型只考虑旅行成本时，感染风险的空间异质性与随机运动相似；但当只考虑社会互动规则时，就会再现强烈的超级传播效应，这表明超级传播事件是城市人口分布不均和人口流动增加共同作用的结果。
为无流动性行为数据下的流动性感知旅行限制政策提供依据
由于超级传播现象的存在，新冠病例在空间上呈现出高度不均衡的分布，这为设计更有效的旅行限制政策提供了思路。研究人员认为，在缺乏流动性行为数据的情况下，模型预测的人员流动可以为制定此类政策提供有力支持。
他们利用模型为流动性感知旅行限制政策提供建议，即只限制预测感染风险最高的社区的人员流动。研究人员设定了社会成本预算（如美国县区为城市人口的 5%），并评估了不同政策在相同社会成本预算下遏制疾病传播的效果。结果显示，与随机选择社区进行流动性控制的 “随机选择” 政策相比，广泛采用的优先限制人口最多社区的 “人口最多” 政策，能避免 28.49% 的总体确诊病例，表现稍好。然而，如果根据模型预测的感染风险来控制社区的流动性，总体确诊病例可减少 60.13%。以洛杉矶、德里和圣保罗等城市为例，研究人员发现 “人口最多” 政策会忽略一些感染风险高但人口较少的社区，而基于模型的政策能够更好地捕捉这些高风险地区，无论是单中心城市还是多中心城市，该政策都表现出色，能更有效地控制疫情传播，这表明模型能够为制定更具成本效益的旅行限制政策提供指导。
模拟不同情景下的疫情发展
新冠疫情的发展受到多种因素的影响，如新冠病毒新变种的出现、城市流动性行为的改变以及不同社交距离政策的实施等。研究人员的模型作为一个将人类流动性与病毒传播相结合的通用框架，能够通过设置不同的参数来模拟不同情景下的疫情发展。
研究人员分别评估了不同流动性水平、感染率、隔离率和干预时间等情景对疫情传播的影响。模拟结果显示，限制流动性行为对减少新冠病毒传播非常有效，现实世界中流动性活动每增加 10%，总体感染人数将增加近三倍；而流动性减少 10%，病例数将减半。降低感染率也是控制疫情的关键，感染率每降低 10%，感染人数将近乎减半。隔离措施虽然效果复杂，但提高隔离率能显著减少感染人数，不过这需要确保检测能力和医院资源充足。此外，及时采取干预措施至关重要，延迟 10 天采取行动，总体感染人数将增加 3.26 倍；而提前 10 天实施政策，感染人数可减少 57.5%。这些分析表明，及时的干预措施，如减少流动性、保持社交距离和隔离等，在遏制新冠病毒传播方面起着重要作用。
在讨论部分，研究人员指出，传染病在城市空间的复杂传播过程一直是研究热点。以往的研究虽然发现疫情的形状与城市人口分布有关，但人口分布并不能完全反映城市中人与人之间的互动情况。而他们的研究利用模型预测的城市流动性来进行传染病建模，在无需大规模数据收集的情况下，从城市流动性的角度解释和再现了不同城市的独特增长曲线，还为超级传播事件提供了解释，并基于模型预测设计了更有效的旅行限制政策。不过，这项研究也存在一些局限性。例如，模型只纳入了基本的疫情传播假设，没有考虑天气、人们对防控政策态度的变化等因素；在数据需求和模型简单性之间也还有提升空间，如可以利用每日通勤数据进一步校准重力模型，结合城市精细的人口统计数据考虑不同年龄组的感染风险差异，以及根据疫苗接种数据评估更有针对性的疫苗接种策略等。
尽管如此，这项研究成果对于理解和控制疫情传播具有重要意义。它证明了元种群流行病学模型与城市流动性模型相结合，能够有效再现复杂的疫情动态，模型估计的流动性变化与现实观察相符，为缺乏精细流动性数据的低收入和中等收入国家的疫情防控决策提供了有力支持。研究还揭示了超级传播事件与人类流动性异质性的关系，强调了在疫情防控中考虑城市环境和人类流动性行为的重要性。此外，研究发现采用更精细的流动性模型（更小的社区尺度）有助于更好地捕捉疫情动态，这也为疫情防控提供了新的思路。随着新冠病毒的不断变异，未来可能需要更有针对性、成本效益更高的流动性控制政策，而这项研究为后续的研究和政策制定奠定了坚实的基础，有望推动全球疫情防控工作朝着更科学、更有效的方向发展。
