编辑推荐：
为探究新冠传播与流动性关系，研究人员分析中国 2022 年奥密克戎疫情中城市层面病例和流动性数据（市内移动、城际流入、城际流出），计算时变有效再生数（Rt）等。发现两者呈正相关但动态变化，政府响应指数（GRI）影响该关系，为疫情预测提供参考。
新冠疫情的传播与人类流动性之间的关系一直是公共卫生领域关注的焦点。早期研究多在国家或省级层面发现两者存在正相关，但普遍假设疫情期间相关性恒定，却忽视了更精细尺度下的关联差异及动态变化。例如，不同城市的人口结构、防控措施执行力度等可能导致流动性与传播的关系呈现异质性，而疫情不同阶段（如高峰前后）的防控政策调整也可能使两者的关联强度发生改变。若简单以恒定相关性为基础，将流动性作为传播强度的替代指标，可能导致疫情预测偏差或防控决策失误，因此深入探究城市层面两者的动态关联具有重要现实意义。
香港大学李嘉诚医学院公共卫生学院（世界卫生组织传染病流行病学和控制合作中心）的研究人员针对这一问题，分析了中国内地 2022 年奥密克戎疫情期间的城市数据，相关研究成果发表在《Communications Medicine》。
研究人员主要采用了以下关键技术方法：收集 2022 年 1 月 1 日至 11 月 27 日中国国家卫生健康委员会官网公布的新冠病例数据（包含本土有症状和无症状病例，排除云南、新疆部分缺失数据城市，纳入 336 个城市）；获取百度 mobility 大数据平台的三类流动性指数（市内移动、城际流入、城际流出），数据基于百度地图定位服务技术采集，经 7 天滑动平均处理以消除周度波动；政府响应指数（GRI）源自牛津大学 COVID-19 政府响应追踪器（OxCGRT），通过省级数据结合城市病例占比（≥80% 阈值）推导至城市层面，并进行不同阈值的敏感性分析；采用去卷积方法根据报告日期重建感染日期的流行曲线，基于 Cori 等人的泊松框架估计时变有效再生数（Rt）；通过皮尔逊相关计算 Rt与流动性指数的跨相关性，选择滞后 0 天为最优滞后，采用双周滚动相关分析动态关联，运用非线性最小二乘法拟合五种模型（常数、线性、二次、正弦、余弦），并通过混合效应回归分析政府响应等因素的影响。
研究结果
疫情爆发特征
2022 年中国内地经历两轮奥密克戎疫情：第一轮（2-6 月）由 BA.2 变异株引起，涉及 23 个省 57 个城市的 57 起疫情，累计 76.6 万例；第二轮（7-12 月）由传播力更强的 BA.5 变异株主导，截至 11 月 27 日涉及 29 个省 171 个城市的 171 起疫情，累计 55.4 万例。以上海第一轮疫情为例，Rt、病例数、流动性指数及政府响应指数（GRI）呈现动态变化，跨相关性和滚动相关性也随时间波动。
跨相关性差异
两轮疫情中 Rt与三类流动性指数均呈正相关，但第一轮跨相关性加权平均为 0.64-0.71，显著高于第二轮的 0.45-0.46。同一城市两轮疫情的跨相关性无显著关联（相关系数 0.08，p=0.61），且部分疫情存在无关联（第一轮 12-23%，第二轮 22-26%）或负相关（第一轮 5-9%，第二轮 19-24%）现象。
滚动相关性动态变化
在持续≥42 天的疫情中（第一轮 27 起，第二轮 64 起），滚动相关性频繁显著波动，呈现振荡模式。正弦 / 余弦模型在 75-82% 的疫情中拟合最优，常数模型表现最差。滚动相关性极值与跨相关性无显著关联，86-90% 的疫情中滚动相关最小值为负，68-77% 的疫情中跨相关性与滚动相关最小值符号相反，而滚动相关最大值几乎均接近 1。
影响因素分析
疫情持续时间与跨相关性呈负相关（第一轮 - 0.37 至 - 0.21，第二轮 - 0.25 至 - 0.21）；第二轮中 Rt峰值与市内移动、城际流入跨相关性呈正相关；政府响应指数（GRI）在疫情高峰前与滚动相关性呈正相关，高峰后呈负相关。例如，高峰前 GRI 从 55 升至 75 时，市内移动滚动相关性从 0.04 升至 0.99，高峰后则从 0.86 降至 0.33。
研究结论与讨论
研究表明，城市层面奥密克戎传播与流动性总体呈正相关，但关联强度随疫情阶段、病毒变异株、政府防控措施等动态变化。跨相关性在不同轮次疫情中差异显著，可能与 BA.5 更强的传播力及公众 “疫情疲劳” 导致的防护行为改变有关。滚动相关性的振荡模式提示，静态假设流动性与传播的关系会低估动态波动，例如高峰后防控措施持续但流动性可能因公众 compliance 下降而反弹，导致两者关联减弱。
政府响应指数（GRI）对滚动相关性的双向调节作用表明，早期严格防控通过降低流动性有效抑制传播（正相关），而后期措施可能转向精准化，或因公众行为改变使流动性与传播的关联脱钩（负相关）。这解释了为何仅依赖流动性预测传播可能产生偏差，需结合防控阶段和政策强度综合判断。
该研究首次在城市尺度系统揭示流动性与新冠传播的动态关联，强调了精细时空分析的必要性。其结果为疫情实时预测模型提供了关键依据，提示在利用流动性数据时需纳入时变因素和区域特征，避免单一静态关联假设。未来研究可进一步整合多源数据（如社交接触模式、病毒基因组监测），以更全面刻画传播动力学，为优化公共卫生决策提供科学支撑。
