EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 11: 1936 - 1945

DOI: https://doi.org/10.12082/dqxxkx.2021.210090

专栏：全球新型冠状病毒肺炎(COVID-19)疫情时空建模与决策分析

深圳市快速抑制COVID-19疫情的非药物干预措施效果评估：基于智能体的建模研究

  • 张浩 1, 2 ,
  • 尹凌 , 1, * ,
  • 刘康 1, 5 ,
  • 毛亮 3 ,
  • 冯圣中 4 ,
  • 陈洁 , 5 ,
  • 梅树江 6
展开
  • 1. 中国科学院深圳先进技术研究院,深圳 518055
  • 2. 中国科学院大学,北京 100049
  • 3. 佛罗里达大学地理系,盖恩斯维尔 32611-2002
  • 4. 国家超级计算深圳中心,深圳 518055
  • 5. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 6. 深圳市疾病预防控制中心,深圳 518055
*尹凌（1981— ）,女,重庆人,研究员,主要从事时空数据挖掘、传染病时空建模、交通GIS等研究。 E-mail:

张浩（1989— ）,男,河南永城人,博士生,主要从事时空大数据挖掘与基于智能体的传染病建模研究。E-mail:

收稿日期: 2021-02-23

  要求修回日期: 2021-03-22

  网络出版日期: 2022-01-25

基金资助

国家自然科学基金项目(41771441)

国家自然科学基金项目(41901391)

自治区重大科技专项(2020A03004-4)

广东省自然科学基金面上项目(2021A1515011191)

资源与环境信息系统国家重点实验室开放课题(2019)

比尔及梅琳达·盖茨基金(INV-005834)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Effectiveness of Non-pharmaceutical Interventions on Suppressing the 1st Wave of COVID-19 Epidemic in Shenzhen: An Agent-based Modelling Study

  • ZHANG Hao 1, 2 ,
  • YIN Ling , 1, * ,
  • LIU Kang 1, 5 ,
  • MAO Liang 3 ,
  • FENG Shengzhong 4 ,
  • CHEN Jie , 5 ,
  • MEI Shujiang 6
Expand
  • 1. Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Department of Geography, University of Florida, Gainesville 32611-2002, USA
  • 4. National Supercomputing Center in Shenzhen, Shenzhen 518055, China
  • 5. State Key Laboratory of Resource and Environmental Information Systems, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 6. Shenzhen Center for Disease Control and Prevention, Shenzhen 518055, China
*YIN Ling, E-mail:

Received date: 2021-02-23

  Request revised date: 2021-03-22

  Online published: 2022-01-25

Supported by

National Natural Science Foundation of China, No(41771441)

National Natural Science Foundation of China, No(41901391)

Major science and technology projects of Xinjiang Uygur Autonomous Region, No(2020A03004-4)

Natural Science Foundation of Guangdong Province, No(2021A1515011191)

State Key Laboratory of Resources and Environmental Information System, No(2019)

Bill & Melinda Gates Foundation, No(INV-005834)

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

在2020年COVID-19第一波疫情中,通过一系列非药物干预措施,国内许多城市实现了疫情的快速抑制。对这些交叉叠加的多项干预措施进行单项措施的效果评估,识别出关键的防控策略,能够为未来的疫情防控提供重要的经验与科学依据。本研究以深圳市为例,利用融合了多源时空轨迹大数据的空间显式智能体模型评估深圳市快速抑制第一波疫情的各项非药物干预措施效果,识别出核心措施与辅助措施。模拟结果显示,在深圳市第一波疫情中,单项干预措施有效性从高到低依次为居家令、综合隔离、佩戴口罩与分批复工。其中,居家令或综合隔离均能有效抑制疫情的大范围暴发,被本研究称之为核心措施;佩戴口罩或分批复工则只能从不同程度上降低总体感染规模并延缓疫情峰值,并不能抑制疫情暴发,被本研究称之为辅助措施。考虑到社会经济成本以及常态化防疫中人群依从性降低,本研究建议在COVID-19 散发疫情防控中将核心措施与辅助措施相结合,重点实施各项隔离措施,同时将外出佩戴口罩作为疫情常态化防控手段。此外,本研究展示了结合时空大数据与智能体模型精细化模拟城市内部传染病扩散过程的优势：不仅能在城市内部高精度推演疫情发展过程,而且能够支撑评估面向个体及各类型出行活动的非药物干预措施实施效果,为制定针对性、精细化的“时间-空间-人群”防控策略提供重要的科学依据。

关键词： COVID-19; 时空数据; 智能体模型; 传染病建模; 居家令; 隔离; 口罩

本文引用格式

张浩 , 尹凌 , 刘康 , 毛亮 , 冯圣中 , 陈洁 , 梅树江 . 深圳市快速抑制COVID-19疫情的非药物干预措施效果评估：基于智能体的建模研究[J]. 地球信息科学学报, 2021 , 23(11) : 1936 -1945 . DOI: 10.12082/dqxxkx.2021.210090

Abstract

Many cities in China have adopted a series of Non-Pharmaceutical Interventions (NPIs) and rapidly suppressed the 1st wave of COVID-19 epidemic in 2020. It is critical to evaluate the effectiveness of these NPIs for future epidemic control. However, as a variety of NPIs were applied together in practice, it is difficult to evaluate the effectiveness of a single type of intervention by epidemiological observation. Taking Shenzhen city as an example, this study used a spatially explicit agent-based model by integrating mobile phone location data, travel survey data, building survey data and other multi-source spatiotemporal big data to evaluate the effectiveness of different types of NPIs in the suppression of the 1st wave of COVID-19 epidemic in Shenzhen. The simulation results show that the peak of the epidemic would have appeared on the 127th day since Jan 1st of 2020, resulting in an average of 72.26% of the population to be infected without any interventions. In the 1st wave of Shenzhen epidemic, except for the hospitalization of confirmed cases and intercity traffic restrictions, the stay-at-home order was the most effective one, followed by comprehensive isolation and quarantine measures (for close contacts, imported population and suspected cases), mask wearing, and orderly resumption of work. The stay-at-home order and comprehensive isolation and quarantine measures can effectively control the large-scale outbreak of the COVID-19, which are identified as the core measures; Mask wearing and orderly resumption of work can only reduce the overall infection size and delay the epidemic peak, which are identified as secondary measures. Considering the socioeconomic costs and the receding compliance to interventions in the post-epidemic period, this study suggests that the core measures and secondary measures should be combined to control the sporadic cases. Specifically, the local government can give the highest priority to isolation and quarantine measures for confirmed cases and high-risk individuals, complemented by mask wearing. In addition, our model can reveal the high-risk infection areas at a community level, which can help deploy control measures within an urban environment. In summary, this study demonstrated the advantages of integrating spatiotemporal big data and agent-based models to simulate the spread processes of infectious diseases in an urban environment: it can not only simulate the evolving processes of an epidemic at a fine-grained scale, but also evaluate the effectiveness of the NPIs at an individual level and for activity-travel behaviors, which can be useful for precise intervention.

Key words： COVID-19; spatiotemporal data; agent-based model; epidemic modeling; stay-at-home order; quarantine; mask

1 引言

在2020年COVID-19第一波疫情（1—3月）中,深圳市作为千万级人口的超大城市,采取了一系列非药物干预措施（non-pharmaceutical interventions,NPIs）,快速抑制了疫情的传播扩散。深圳市2020年1月14日确诊首例病例,1月22日—27日发病人数达到峰值,随后上报确诊人数逐渐下降,至3月1日共计确诊418例感染者,其防控成果被世界卫生组织WHO作为唯一城市应对代表进行展示,并得到了WHO总干事高级顾问艾尔沃德现场的高度评价[1]。在疫情防控过程中,深圳市先后采用了一系列NPIs[2,3],例如,城际交通封锁[4]、要求外出佩戴口罩、对确诊患者实行密接追踪、隔离入境人员14 d等。尽管COVID-19疫苗已经面世,但距离全球性大规模疫苗接种还有较长的路;同时COVID-19病毒持续变异,疫苗的有效性存在一定的不确定性。因此,在通过接种疫苗达到群体免疫之前,非药物干预措施仍然是必要的防疫手段。在深圳市执行的干预措施中,各项措施的效果如何?哪些措施起到了关键性的作用?这需要进行深入的回顾性研究。然而,由于这些措施在实际情况中是交叉叠加进行的,难以使用流行病学调查的方法对每一项措施直接进行效果评估。通过构建合理有效的COVID-19传播模型,使其能够支撑对各类措施的单一效果评估,有利于为未来的疫情防控提供科学依据,减少社会经济损失,保证人民生活质量和幸福感。
在COVID-19疫情中,由于常微分方程组构建的群体级别传染病仓室模型能够较为高效地建模与模拟,因此该类模型被广泛应用于NPIs效果评估研究[4,5,6,7]。然而,这类模型将同一仓室内的人群设置为同质且均匀混合,难以刻画个体异质性与个体间的复杂接触关系。相比之下,基于智能体构建的个体级别传染病仓室模型,能够灵活表达个体属性及其移动与交互行为,精确刻画病毒在个体间的传播过程,支持针对个体或群体与各类型活动场所的精准防控决策[8,9,10]。部分研究利用数学规则[11,12,13]或出行调查数据[14,15,16]对智能体模型中的个体时空行为进行建模。例如,曹中浩等[16]根据人口普查数据、出行统计等数据构建基于智能体的人口地理时空行为模型,估计了广州市COVID-19疫情传播的重要参数,并研究了境外输入性病例对城市疫情防控的影响;Ferguson等[18]通过人口普查数据生成智能体模型中的人口年龄和家庭分布,利用通勤距离调查数据模拟模型中个体的工作场所,以预测英国在不同防疫策略下的死亡人数,其策略包括显性感染者居家隔离、患者家庭成员居家隔离、70岁以上老人保持社交距离、所有个体保持社交距离、关闭学校及大学。另一部分研究则在智能体模型中结合了个体真实的轨迹数据,以增加模型中个体时空行为的真实性。例如,Koo等[17]基于新加坡人口普查数据、个体公共交通刷卡数据构建智能体模型,估计了SARS-CoV-2在3种不同基本再生数R0数值下的传播情形,并模拟了4种不同干预方案（隔离患者及家庭成员、隔离患者及家庭成员并关闭学校2周、隔离患者及家庭成员并鼓励在家办公、隔离患者及家庭成员并关闭学校且鼓励居家办公）下的累积感染人数;Aleta等[19]利用匿名手机用户的POI访问数据构建智能体模型中个体间的加权接触网络,以模拟不同密接追踪、居家隔离与检测比例对波士顿第二波COVID-19疫情的影响;Müller等[20]基于手机位置数据模拟智能体模型中个体随时间变化的活动强度,揭示了减少个体间的接触、关闭学校、将休闲活动从室外转移到室内对柏林市疫情发展的影响; Yin等[21]融合手机位置、出行调查、人口普查与建筑物普查等多源时空数据构建千万级个体的智能体模型,模拟COVID-19在深圳市的传播过程,系统性评估了家庭、工作、公共场所的接触者隔离、口罩佩戴、及时检测对抑制散发疫情的作用,为不同防疫需求的城市疫情常态化管理推荐了非药物干预措施组合。因此,构建基于智能体的传染病模型,尤其是能够明确表达个体移动与活动位置/场所的空间显式模型,能够有效地支撑面向不同群体、场所、地理位置的干预措施。
因此,本研究采用融合了个体轨迹数据的空间显式智能体模型,评估深圳市在快速抑制COVID-19第一波疫情中采用的各项非药物干预措施的效果,识别出核心措施与辅助措施。具体地,以Yin等[21]构建的深圳市COVID-19智能体扩散模拟模型为基础,基于反事实模拟思路,对无任何干预措施的人口流动进行模拟,以此作为对比基准,进而模拟单项干预措施的疫情控制效果,包括疫情发展规模与病例时空分布,为超大城市响应重大突发疫情的防控部署提供科学依据。

2 基于智能体模型的非药物干预措施建模

2.1 研究区域与数据

深圳市从2020年1月14日发现第一例COVID-19确诊患者至2020年3月1日共计上报418例病例。本研究使用的每日新增病例数据源自深圳市卫生健康委员会发布的公开数据[22],包含患者之间的关系、患者居住地所在行政区、是否为输入性病例、患者发病时间、就诊时间、确诊时间等信息。
本研究所涉及的多源时空数据包括深圳市人口普查数据、建筑物普查数据、手机位置数据、交通出行调查数据等。深圳市人口普查数据包含普查小区的人口年龄分布、各年龄段性别比例、职业、家庭结构分布等信息,可用来对深圳市的人口属性信息进行建模。建筑物普查数据包含深圳市60万栋建筑物单体的位置、楼高、建筑面积、功能（工厂、教学楼、居民住宅、办公楼、商场等）等信息,这部分数据是构建家庭住址、工作单位地址、个体活动空间位置的基础,也是个体接触网络构建的最小单元。手机位置数据由中国三大运营商之一提供,共计有1600 万匿名手机用户,主要用于构建手机用户的个体活动链。深圳市出行调查数据包含19万被调查者及其11种活动类型的出行活动记录,主要用于构建无手机个体的活动链。

2.2 基于智能体的个体活动与动态接触模型

本研究采用Yin等[21]构建的智能体模型作为基础模型,将城市中的独立个体作为智能体,通过融合大规模个体轨迹数据（手机位置数据、出行调查数据）与普查数据（人口普查数据、建筑物普查数据）合成智能体的个体属性、家庭属性、工作属性以及出行行为（图1）,最终构建的模型共包含1120万人口、450万户家庭、23万个工作单位（含学校）。个体的时空行为表达为具有活动目的（包括居家、上班、上学、其他）、活动地点、活动起止时间的活动链。活动链以小时为单位,将一天划分为24 个时段,以建筑物为单元记录个体活动所在位置。合成的智能体个体分为有手机个体与无手机个体。对于有手机个体,从手机位置数据中通过相关算法[24]识别职住地,推测活动类型,按时间顺序生成活动链;对于无手机个体,依据出行调查数据为其重构活动链。为了给每个合成家庭赋予家庭住址,根据个体家庭信息以及建筑类型将个体家庭与建筑物匹配。同理,根据合成个体的工作类型以及建筑物功能信息,将成年个体的工作地与建筑物匹配。对于在学儿童,其学校地址按照家庭位置就近分配。
图1 空间显式智能体模型架构

Fig. 1 Architecture diagram of the agent-based spatially explicit model

根据生成的个体活动链,将同一小时在同一建筑内进行同类型活动的个体视为时空同现个体。根据上海市的社会接触调查研究[25],将家庭、工作单位与学校的时空同现个体分为多个固定接触圈,固定接触圈内的个体为固定接触成员,固定接触圈以外的其他时空同现个体为随机成员,从而模拟针对熟人的固定接触与针对陌生人的随机接触（表1）。个体在从事其他类型的活动时,与其他个体之间仅产生随机接触。整体上,个体接触总人数呈长尾分布。
表1 智能体接触类型及接触人数设置

Tab. 1 Contact types and daily contact number of individuals

活动类型 时空同现人数 固定成员人数 每天固定接触人数 每天随机接触人数
居家 家庭成员数 家庭成员数 家庭成员数 -
上学 同一幼儿园所有学生 同班同学25人 同班同学10人 其他班级2人
同一小学所有学生 同班同学50人 同班同学20人 其他班级5人
同一初中所有学生 同班同学50人 同班同学20人 其他班级5人
同一高中所有学生 同班同学50人 同班同学20人 其他班级5人
上班 相同工作单位的所有同事 工作小组10人 工作小组7人 其他同事3人
其他 同一建筑从事相同活动的所有个体 - - 受个体接触人数总体分布约束

2.3 融合非药物干预措施的传播模型

对于有潜伏期的传染病,其常用的疾病传播动力学模型将人群分为4种不同的状态,即S（易感人群）、E（暴露期人群）、I（感染期人群）、R（恢复或死亡人群）。本研究采用的融合非药物干预措施的SEIR模模型（图2）不仅区分了显性感染者与隐性感染者,而且考虑了COVID-19显性感染者在发病前具有传播病毒的能力。同时,本研究在模型中融合了深圳市在第一波疫情中实施的各项NPIs, 如表2所示,包括确诊病例集中隔离诊治、综合隔离措施、居家令、佩戴口罩、分批复工以及城际交通限制六大类措施。具体地,城市每天的迁入人口与迁出人口根据百度迁徙[26]人口流动数据计算,其中迁入人口的数量对深圳市输入性病例数及系统内模拟的人口总数产生直接影响。
图2 融合非药物干预措施的SEIR模型

注：S—易感人群;L—潜伏期人群;Ipre_sym—发病前开始传播病毒;Ionset—开始发病;Iasym—隐性感染者开始传播病毒;Q—隔离人群;R—恢复/移除人群;ε—潜伏期;ε'—潜隐期;γ—发病前传播病毒时长;β—显性感染者的感染期;μ—隐性感染者的感染期

Fig. 2 SEIR model incorporating non-pharmaceutical intervention measures

在模型中,易感者与感染者接触后被感染的概率p为：
p = pTrans × I c × r ︷ 无任何干预措施场景 × ( 1 - θ ) ︷ 外出佩戴口罩 × ( 1 - δ ) ︷ 发病后居家隔离
表2 深圳市第一波疫情期间实施的各项非药物干预措施

Tab. 2 Non-pharmaceutical Interventions applied by Shenzhen to suppress the 1st wave of COVID-19

序号 措施 描述 模型实现
1 集中诊治 显性感染者确诊后进行医院集中隔离,直至至恢复;隐性感染者如果核酸检测阳性,则同样集中隔离至核酸检测呈阴性 个体从模拟系统中移除
2
综合隔
离措施		 密接追踪 确诊患者的密切接触者集中隔离14 d* 对确诊患者的密接者集中隔离14 d,不与任何人产生接触;若密接者未被感染则在14 d后释放,否则从模拟系统移除
输入人员居家隔离 进入城市的人员居家隔离14 d 仅与家庭成员产生接触
发病后居家隔离 具有疑似症状的患者发病后自行居家隔离 发病后仅与家庭成员产生接触（病毒传播率下降 δ,即模型中的居家隔离有效性）
3 居家令 居民限制外出活动 个体仅与家庭成员产生接触
4 佩戴口罩 外出佩戴口罩 降低易感者被感染的风险（病毒传播率下降θ,即模型中的口罩有效性）
5 分批复工 按时间段和工作性质分批复工 有工作的个体从2月10日至3月2日平均分为4批复工,复工前执行居家令
6 城际交通限制 武汉限制外出 限制武汉地区人员进入深圳 影响模型的潜在输入性病例
湖北省其他城市限制外出 限制湖北省人员进入深圳
限制其余地区入深人员 限制其余地区进入深圳的人员数量 仅将模型选中的已复工个体放入模拟系统

注：*确诊患者指核酸检测呈阳性的所有感染者,包含隐性感染者和显性感染者。

式中：pTrans为单位时间接触的传播概率;Ic为接触相对时长[21];θ为口罩有效性;δ为自我居家隔离有效性;r为感染者出现症状前传播病毒的相对能力（无症状感染者的传染性设为有症状感染者的0.12倍）。口罩佩戴率 p m计算公式[27]为：
p m = 1 1 + e - 0.5 × t - t 0
式中： t 0为佩戴口罩的初始日期,设置为2020年1月23日（武汉市封锁城际交通的日期）;t为日期; t - t 0表示实施佩戴口罩措施的天数。
根据对第一波COVID-19疫情的相关研究,易感者S被感染后有25%的概率[28,29]成为隐性感染者,否则在潜伏期结束后产生症状变为显性感染者。隐性感染者经历 ε '=4.6 d的潜隐期[18]后开始具有传播病毒的能力,这种能力持续μ=9.5 d[30];显性感染者平均要经历ε=5.2 d的潜伏期[31,32]才能产生症状,在产生症状前γ=2 d[18,19]开始具有传播病毒的能力,其感染期β基于真实流行病调查数据进行设置,其值随干预措施的实施力度从疫情初始的5.21 d逐步缩短至1.31 d。

2.4 无任何干预措施的场景

基于融合非药物干预措施的智能体模型,本研究采用反事实模拟思路,构建无任何干预措施的场景（即基准场景）,该场景不执行表2中任何一项干预措施以确保COVID-19在自然状态下传播扩散。城际交通封锁不仅影响模拟系统中深圳市的人口总数,还会影响人口流入速度和潜在输入性病例数。因此,在无任何干预措施的场景中,本研究基于百度迁徙数据,计算了春节前后深圳市人口的净流入与净流出,其中深圳市2020年1月10日—26日的迁出人口大于迁入人口,总人口呈下降趋势,2020年1月27日—3月27日的迁出人口小于迁入人口,总人口呈上升的趋势。假设深圳市春节前后的总输出与总输入相等,基于深圳市2019年百度迁徙数据中的节后每日输入人口数据,按比例计算出无任何干预措施场景下的节后每日人口流入量,如图3（a）中的预测输入人口所示。在基准场景中,春节后每天的输入性病例数Nimport则是根据全国除湖北省外（因湖北省封锁了对外交通,故不含湖北省）每天的现存病例数（来源于国家卫健委公开数据）Nexisting推算获得,具体计算公式描述如下：
图3 深圳市春节前后流动人口的模拟结果

Fig. 3 Simulation results of migrant population in Shenzhen before and after the Spring Festival

N import = N input N all × N existing
式中：Ninput为每天的输入人口数量;Nall为全国除湖北省以外的人口总数。预测出的深圳市春节后每天的输入性病例数如图3（b）所示,为悲观估计的输入性病例的最大数。假设输入性病例进入深圳时均未发病,将其潜伏期开始时间均设置为进入深圳的当天。输入性病例的家庭分配方式为：首先根据深圳市当天各个行政区实际上报病例的比例进行行政区归属的概率分配,再随机分配到相应区内的某个家庭。

3 模型拟合

本研究基于COVID-19在深圳市传播的基本再生数与深圳市实际的每日新增病例数对模型进行拟合,以获取深圳市COVID-19第一波疫情传播过程中的相关模型参数。在本模型中,不确定的参数包括个体间单位时间接触被感染的概率pTrans、口罩有效性θ以及居家隔离有效性δ,其他参数均参考COVID-19相关研究结论,并根据深圳市实际疫情情况进行设定。考虑到模型具有随机性,每组实验均模拟1000 次。模型验证过程简略描述如下（详见文献[21]）：
（1）拟合pTrans：在无任何干预措施场景下,通过调节pTrans的值使得基本再生数R0=2.4[19,31,33],由此拟合得到pTrans=0.165。
（2）拟合θ与δ：通过调节口罩有效性θ以及居家隔离有效性δ,计算模拟结果中的每日新增病例数与实际每日新增病例数之间的均方根误差（Root Mean Square Error, RMSE）,取使RMSE最小的一组（θ,δ）为最佳参数。本研究假设θ取值范围为0.5~0.9[34,35,36,37],δ取值范围为0~0.9,以网格搜索（步长0.1）的方式进行模型参数拟合。通过模拟发现： δ=0.7使得RMSE最小化（RMSE=1.354）,说明感染者发病后居家隔离能对家人产生积极的保护作用,可以有效降低病毒在家庭内部的继发感染率;然而,模型模拟结果对θ取值不敏感,难以确定其值,原因是疫情期间个体执行居家令,减少非必要公共活动,致使个体外出佩戴口罩产生的保护作用难以在模拟结果中体现。
由于智能体模型对计算资源消耗巨大,本实验基于Python 3.6.4 在高性能计算集群环境中进行,所用高性能计算集群拥有836个CPU核,单节点192 G内存。

4 非药物干预措施效果评估

由表2可知,第一项干预措施为最基本的确诊病例集中诊治,第六项干预措施则部分与其他地区相关。因此,本研究重点关注第二至五项与深圳市内部人员管控相关的干预措施,对其进行单项措施的效果评估。为评估单项干预措施的防控效果,本研究基于无任何干预措施的场景,向参数拟合后的模型中分别加入单项非药物干预措施,取1000 次模拟结果的平均值进行以下分析（即以下模拟的感染规模结果全部为均值）。由于模型拟合阶段无法给出口罩有效性的最优取值,因此,基于口罩有效性的相关研究[34,35,36,37,38],本研究模拟了口罩有效性为50%和70%时的2种情景,分别对应口罩有效性较低与较高的2种假设。如图4（a）和图4（b）所示,在无任何干预措施场景下,深圳市将有72.26%的人口被感染。仅实施分批复工策略场景下,将导致55.98%的人口被感染。假设口罩有效性仅为50%,在所有个体佩带口罩的场景下,仍有52.93%的人口被感染;若口罩有效性提升为70%,感染人数百分比降至38.15%。相比之下,单独实施综合隔离措施仅有835人被感染,所有个体严格执行居家令则仅有564人被感染。由此可知,单项措施的有效性从高到低依次为居家令、综合隔离措施、佩戴口罩、分批复工。其中,综合隔离措施和居家令均能有效抑制疫情的大范围暴发,本研究称其为核心干预措施;单独实施佩戴口罩或分批复工则只能从不同程度上降低总体感染规模并延缓疫情峰值,并不能抑制疫情暴发,被本研究称之为辅助措施。以2020年1月1日为模拟的起始日期,从疫情发展的全过程来看,在无任何干预措施的场景中,疫情在第127 d达到流行曲线的峰值（即疫情拐点）;居家令与综合隔离措施均能迅速控制疫情发展,在30 d内达到疫情拐点;当口罩有效性为50%时疫情在163 d达到峰值,当口罩有效性为70%时则在225 d达到峰值,口罩有效性升高降低了感染总人数,并将拐点时间推迟了2个月。
图4 非药物干预措施效果评估结果

注：虚线对应右侧坐标轴。

Fig. 4 Evaluation results of non-pharmaceutical interventions

在本研究采用的基于智能体的传染病扩散模拟模型中,个体活动的空间位置精确到建筑物,能高精度模拟疫情在空间上的传播动态。本研究将深圳市按照1 km×1 km的网格进行空间划分,统计每天每个网格内的平均发病人数,模拟出的无任何干预措施场景中COVID-19疫情的时空扩散过程如图5所示。分析可得,感染者在时空尺度呈现先扩散后消散的趋势,第127 d疫情达到峰值时,单一网络内的感染人数高达1365人,福田区、罗湖区的感染者数量远远多于其他区域。不同的干预措施将影响疫情在城市范围内的传播模式,导致疫情的波及范围和严重程度各不相同,如图6所示。此外,模拟生成的高空间分辨率疫情时空扩散图可以清晰提示需要重点防控的高风险区域（如图5和图6中标识的单一网格感染人数超过800人的区域）,有助于城市内部精准防控的部署。
图5 无任何干预措施场景下COVID-19疫情时空分布

Fig. 5 Spatio-temporal distribution of COVID-19 in the scenario without any intervention

图6 实施一种NPI场景下COVID-19疫情在峰值时的空间分布

Fig. 6 Spatial distribution of COVID-19 at peak in the scenario only with one intervention

5 结论与讨论

本研究以深圳市为研究区域,以建筑物为空间粒度,以小时为时间尺度,使用实际疫情数据对融合大规模轨迹数据的COVID-19精细化个体传播模型进行参数校正后,通过构建无干预措施的基准场景,评估了深圳市快速抑制COVID-19第一波疫情的4种主要的非药物干预措施的单项措施效果。
模拟结果显示,在深圳市2020年1—3月的COVID-19疫情中,排除最基本的确诊患者集中诊治以及与外部区域相关的城际交通限制,面向城市内部居民的单项非药物干预措施的有效性从高到低依次为居家令、综合隔离措施、佩戴口罩与分批复工。其中,居家令与综合隔离措施为核心干预措施,其他2种措施为辅助干预措施。具体地,居家令为最有效的手段,可以将病毒传播限制在家庭内部,然而,我们也应该意识到该措施对社会经济形成的巨大影响。各项对确诊病例及高风险人员的隔离措施能够切断传染源,有效缩短传染源的传播时长,因而其对控制疫情具有很好的效果。相比之下,佩戴口罩虽然对控制疫情具有一定的作用,然而,即使口罩有效性较高,也仅能降低外出活动个体之间的传播概率,单独实施该措施不能直接达到抑制疫情爆发的效果。分批复工政策则使个体在工作单位的接触网络发生了改变,减少了感染者与同事间的接触人次,降低了病毒在工作场所传播的可能性,但该政策在减少总体感染规模方面的效果有限,与无任何干预措施的场景相比仅能平均减少16.28%的人口感染规模,最终仍有一半的人口感染COVID-19。考虑到社会经济成本以及常态化防疫中人群依从性的降低,本研究建议在COVID-19散发疫情防控中将核心措施与辅助措施相结合,重点实施各项隔离措施,同时将外出佩戴口罩作为疫情常态化防控手段。
此外,在非药物干预措施有效性评估过程中,本研究对实施不同干预措施情景下的高风险区域进行了识别,不仅有利于指导个体出行,还能为科学部署干预措施的重点实施区域提供参考。
本研究仍存在一定的局限性。首先,在推断无干预措施下深圳市2020年春节后的输入性病例数时,为了简化模型和最大化估计潜在输入性病例,将湖北省以外的地区进行了统一处理,没有考虑不同输入地的疫情情况以及不同发病阶段的患者数量。其次,在输入性病例与模型中的个体进行匹配时,由于深圳市公开的病例数据集不包含患者详细居住地址,因此在个体位置匹配时仅匹配到行政区,会引入一定的空间不确定性。最后,本研究需要详细的人口属性数据,而其权威来源是10年一次的人口普查数据。然而,本研究进行之时,2020年的人口普查数据尚未形成。因此,本研究使用了能获得的最新人口普查数据,即2010年数据。同样,深圳市大规模出行调查也是10年一次,因此,本研究也使用了2010年同期的出行调查数据。与之匹配地,本研究使用了2012年手机数据与建筑物普查数据。本研究目的不在于实时监测预测,而在于揭示不同干预措施对疾病时空扩散的影响。虽然上述数据集并不是最新的数据,但其仍然反映了实际的人口分布以及与之相匹配的出行规律,因而理论上不会对本研究的结论产生实质性影响。与此同时,本研究呈现出了时空大数据对传染病精细化建模的作用,因而在未来更为丰富、快速更新的数据环境中,本研究所采用的方法将能发挥更大的作用。
此外,本研究聚焦于从时空精细化角度评估COVID-19前期疫情防控中各项非药物干预措施的有效性,后续研究可在此模型基础上对疫苗接种策略进行探讨,为未来长期的疫情防控工作提供新的思路和科学依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
新华网. 超大型城市战“疫”的深圳样本[ED/OL]. http://www.xinhuanet.com/politics/2020-04/20/c_1125879663.htm,2020-12-01.

[ Xinhuanet. Shenzhen sample of megacity for fight Coronavirus[ED/OL].http://www.xinhuanet.com/politics/2020-04/20/c_1125879663.htm 2020-12-01.]

[2]
邹旋, 吴永胜, 刘晓剑, 等. 深圳市新型冠状病毒肺炎应急响应策略和措施效果评价[J]. 中华流行病学杂志, 2020, 41(8):1225-1230.

[ Zou X, Wu Y S, Liu X J, et al. Evaluation of the emergency response strategies and measures on the epidemic of COVID-19 in Shenzhen, China[J]. Chinese Journal of Epidemiology, 2020, 41(8):1225-1230. ]

DOI PMID

[3]
Zou H C, Shu Y L, Feng T J. How Shenzhen, China avoided widespread community transmission: A potential model for successful prevention and control of COVID-19[J]. Infectious Diseases of Poverty, 2020, 9(1):89.

DOI

[4]
Zhou Y, Xu R, Hu D, et al. Effects of human mobility restrictions on the spread of COVID-19 in Shenzhen, China: A modelling study using mobile phone data[J]. The Lancet Digital Health, 2020, 2(8):e417-e424.

DOI

[5]
Lai S, Ruktanonchai N W, Zhou L, et al. Effect of non-pharmaceutical interventions to contain COVID-19 in China[J]. Nature, 2020, 585(7825):410-413.

DOI

[6]
Li R, Pei S, Chen B, et al. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV-2)[J]. Science, 2020, 368(6490):489-493.

DOI

[7]
Gatto M, Bertuzzo E, Mari L, et al. Spread and dynamics of the COVID-19 epidemic in Italy: Effects of emergency containment measures[J]. Proceedings of the National Academy of Sciences, 2020, 117(19):10484-10491.

DOI

[8]
Silva P C L, Batista P V C, Lima H S, et al. COVID-ABS: an agent-based model of COVID-19 epidemic to simulate health and economic effects of social distancing interventions[J]. Chaos, Solitons, and Fractals, 2020, 139:110088.

DOI

[9]
Chang S L, Harding N, Zachreson C, et al. Modelling transmission and control of the COVID-19 pandemic in Australia[J]. Nature Communications, 2020, 11(1):5710.

DOI

[10]
Mahdizadeh Gharakhanlou N, Hooshangi N. Spatio-temporal simulation of the novel coronavirus (COVID-19) outbreak using the agent-based modeling approach (case study: Urmia, Iran)[J]. Informatics in Medicine Unlocked, 2020, 20:100403.

DOI PMID

[11]
Giacopelli G. A full-scale agent-based model of Lombardy COVID-19 dynamics to explore social networks connectivity and vaccine impact on epidemic[J]. MedRxiv, 2020. DOI: https://doi.org/10.1101/2020.09.13.20193599.

DOI

[12]
刘涛, 黎夏, 刘小平. 基于小世界网络的多智能体及传染病时空传播模拟[J]. 科学通报, 2009, 54(24):3834-3843.

[ Liu T, Li X, Liu X P. Integration of small world networks with multi-agent systems for simulating epidemic spatiotemporal transmission[J]. Chinese Science Bulletin, 2009, 54(24):3834-3843. ]

[13]
潘理虎, 秦世鹏, 李晓文, 等. COVID-19病毒防控多智能体仿真模型[J]. 系统仿真学报, 2020, 32(11):2244-2257.

[ Pan L H, Qin S P, Li X W, et al. Multi-agent simulation model for COVID-19 virus prevention and control[J]. Journal of System Simulation, 2020, 32(11):2244-2257. ]

[14]
Ferguson N M, Cummings D A, Cauchemez S, et al. Strategies for containing an emerging influenza pandemic in Southeast Asia[J]. Nature, 2005, 437(7056):209-214.

DOI

[15]
Mao L, Bian L. Spatial-temporal transmission of influenza and its health risks in an urbanized area[J]. Computers, Environment and Urban Systems, 2010, 34(3):204-215.

DOI

[16]
曹中浩, 张健钦, 杨木, 等. 基于GIS新冠智能体仿真模型及应用——以广州市为例[J]. 地球信息科学学报, 2021, 23(2):297-306.

DOI

[ Cao Z H, Zhang J Q, Yang M, et al. The City agent model of COVID-19 based on GIS and application: A case study of Guangzhou[J]. Journal of Geo-information Science, 2021, 23(2):297-306. ]

[17]
Koo J R, Cook A R, Park M, et al. Interventions to mitigate early spread of SARS-CoV-2 in Singapore: A modelling study[J]. The Lancet Infectious Diseases, 2020, 20(6):678-688.

DOI

[18]
Ferguson N, Laydon D, Nedjati Gilani G, et al. Report 9: Impact of Non-Pharmaceutical Interventions (NPIs) to reduce COVID19 mortality and healthcare demand[J]. Imperial College London, 2020, 10(77482):491-497.

[19]
Aleta A, Martín-Corral D, Pastore Y, Piontti A, et al. Modelling the impact of testing, contact tracing and household quarantine on second waves of COVID-19[J]. Nature Human Behaviour, 2020, 4(9):964-971.

DOI

[20]
Müller S A, Balmer M, Charlton W, et al. A realistic agent-based simulation model for COVID-19 based on a traffic simulation and mobile phone data[J]. arXiv, 2020. DOI: arXiv:2011.11453.

DOI

[21]
Yin L, Zhang H, Li Y, et al. Effectiveness of contact tracing, mask wearing and prompt testing on suppressing COVID-19 resurgences in megacities: An individual-Based modelling study[J]. SSRN, 2021. DOI: http://dx.doi.org/10.2139/ssrn.3765491.

[22]
深圳市卫生健康委员会. 疫情信息[EB/OL]. http://wjw.sz.gov.cn/yqxx/, 2020-03-31.

[ Shenzhen Municipal Health Commission, Epidemic situation in Shenzhen[EB/OL]. http://wjw.sz.gov.cn/yqxx/, 2020-03-31.]

[23]
Xie J, Yin L, Mao L. A Modeling framework for individual-based urban mobility based on data fusion[A]. 2018 26th International Conference on Geoinformatics, IEEE, 2018:1-6.

[24]
Yin L, Lin N, Zhao Z. Mining daily activity chains from large-scale mobile phone location data[J]. Cities, 2020. DOI: https://doi.org/103010.101016/j.cities.102020.103013.

DOI

[25]
Zhang J, Klepac P, Read J M, et al. Patterns of human social contact and contact with animals in Shanghai, China[J]. Scientific Reports, 2019, 9(1):15141.

DOI

[26]
百度. 百度迁徙数据[EB/OL].http://qianxi.baidu.com/, 2020-03-01.

[ Baidu, Baidu mobility data[EB/OL]. http://qianxi.baidu.com/, 2020-03-01.]

[27]
Offeddu V, Yung C F, Low M S F, et al. Effectiveness of masks and respirators against respiratory infections in healthcare workers: A systematic review and meta-analysis[J]. Clinical Infectious Diseases, 2017, 65(11):1934-1942.

DOI

[28]
Nishiura H, Kobayashi T, Miyama T, et al. Estimation of the asymptomatic ratio of novel coronavirus infections (COVID-19)[J]. International Journal of Infectious Diseases, 2020, 94:154-155.

DOI PMID

[29]
Mizumoto K, Zarebski A, Chowell G. Estimating the asymptomatic proportion of coronavirus disease 2019 (COVID-19) cases on board the Diamond Princess cruise ship, Yokohama, Japan[J]. Euro Surveill, 2020, 25(10):2000180.

[30]
Hu Z L, Song C, Xu C J, et al. Clinical characteristics of 24 asymptomatic infections with COVID-19 screened among close contacts in Nanjing, China[J]. Science China Life Sciences, 2020, 63(5):706-711.

DOI

[31]
Li Q, Guan X, Wu P, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus-infected pneumonia[J]. The New England Journal of Medicine, 2020, 382(13):1199-1207.

DOI

[32]
Kucharski A J, Russell T W, Diamond C, et al. Early dynamics of transmission and control of COVID-19: A mathematical modelling study[J]. The Lancet Infectious Diseases, 2020, 20(5):553-558.

DOI

[33]
Davies N G, Kucharski A J, Eggo R M, et al. Effects of non-pharmaceutical interventions on COVID-19 cases, deaths, and demand for hospital services in the UK: a modelling study[J]. The Lancet Public Health, 2020, 5(7):e375-e385.

DOI

[34]
IHME COVID-19 Forecasting Team. Modeling COVID-19 scenarios for the united states[J]. Nature Medicine, 2021, 27(1):94-105.

DOI

[35]
Worby C J, Chang H H. Face mask use in the general population and optimal resource allocation during the COVID-19 pandemic[J]. Nature Communications, 2020, 11(1):4049.

DOI

[36]
Chu D K, Akl E A, Duda S, et al. Physical distancing, face masks, and eye protection to prevent person-to-person transmission of SARS-CoV-2 and COVID-19: A systematic review and meta-analysis[J]. Lancet, 2020, 395(10242):1973-1987.

DOI

[37]
Chan J F W, Yuan S F, Zhang A J, et al. Surgical mask partition reduces the risk of noncontact transmission in a golden Syrian hamster model for coronavirus disease 2019 (COVID-19)[J]. Clinical Infectious Diseases, 2020, 71(16):2139-2149.

DOI

[38]
Prather K A, Wang C C, Schooley R T. Reducing transmission of SARS-CoV-2[J]. Science, 2020, 368(6498):1422-1424.

DOI

Options
文章导航

/

〈 〉