EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 2: 188 - 210

DOI: https://doi.org/10.12082/dqxxkx.2021.200434

Review on Spatiotemporal Analysis and Modeling of COVID-19 Pandemic

  • PEI Tao , 1, 2, * ,
  • WANG Xi 1, 2 ,
  • SONG Ci 1, 2 ,
  • LIU Yaxi 1, 2 ,
  • HUANG Qiang 1, 2 ,
  • SHU Hua 1, 2 ,
  • CHEN Xiao 1, 2 ,
  • GUO Sihui 1, 2 ,
  • ZHOU Chenghu 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
* PEI Tao, E-mail:

Received date: 2020-08-03

  Revised date: 2020-08-21

  Online published: 2021-04-25

Supported by

National Natural Science Foundation of China(42041001)

National Natural Science Foundation of China(41525004)

National Natural Science Foundation of China(41421001)

Copyright

Copyright reserved © 2021.
Fold

Abstract

The COVID-19 pandemic is the most serious global public health event since the 21 st century, and has become a hot topic concerned by different disciplines. According to the bibliometric analysis, more than 13,000 papers related to the COVID-19 have been published since the beginning of the pandemic. Related researches include not only the pathogenic mechanism of the virus and the development of specific drugs and vaccines from the medical and biological perspectives, but also the non-pharmaceutical prevention and control methods for the pandemic. The latter is the focus of this paper, in which the research progress on the pandemic is discussed from six aspects: detection of transmission relationships, spatiotemporal pattern analysis, prediction models, spread simulation, risk assessment, and impact evaluation. The research on the detection of transmission relationship mainly includes the detection of cluster cases and transmission relations, among which individual trajectory big data have become the key to research. The progress of the analysis of spatiotemporal patterns of the pandemic shows that the spatiotemporal distribution of the pandemic has significant temporal and spatial heterogeneity, and the spatiotemporal transmission presents typical network characteristics. The prediction of the pandemic mainly relies on dynamic models scaling from macro to micro, in which the non-negligible impact of population migration makes the human flow big data become one of the key elements of model prediction accuracy. In the study of epidemic spread simulation, the focus is on evaluating the effects of controlling measures such as traffic restrictions, community prevention and control, and medical resources allocation through simulation methods. Results show that traffic interruption and community control measures are the most effective means among non-pharmaceutical interventions at present, and the guarantee and reasonable deployment of medical resources are the basis for pandemic prevention and control. After the pandemic is controlled under the effective measures, the resumption of work and production must be in an orderly manner. The research on pandemic risk assessment currently focuses on biological factors, natural factors and social factors. As to biological factors, researches show that the underlying disease and the male (due to their high mobility) are related to a higher risk of infection. Among natural factors, temperature, precipitation and climate have limited influence on the spread of the pandemic. As to social factors, human mobility, population density, and differences in medical conditions caused by social inequity have significant influences on the infection rate. Regarding the impact of the COVID-19 pandemic, we mainly focus on three aspects: the public psychology, natural environment and economic development. Specifically, the impact of the pandemic is mainly negative on the public psychology and economy, and positive on the natural environment. In conclusion, big data especially individual trajectories and population big data are indeed pervasive in research of non-pharmaceutical intervention. To prevent and control the major outbreaks, the intersection of multiple disciplines and the collaboration of personnel in different fields are indispensable. Although a great progress has been made on various aspects such as the effect of controlling measures and the influencing factors of the pandemic, the spatial traceability, precise prediction and future impact of the pandemic are still unsolved problems.

Key words： COVID-19; bibliometric analysis; transmission relationships; spatiotemporal pattern; prediction models; spread simulation; risk assessment; impact evaluation for the epidemic

Cite this article

PEI Tao , WANG Xi , SONG Ci , LIU Yaxi , HUANG Qiang , SHU Hua , CHEN Xiao , GUO Sihui , ZHOU Chenghu . Review on Spatiotemporal Analysis and Modeling of COVID-19 Pandemic[J]. Journal of Geo-information Science, 2021 , 23(2) : 188 -210 . DOI: 10.12082/dqxxkx.2021.200434

1 引言

2019年年底发现并报告的新型冠状病毒肺炎（COVID-19）疫情于2020年相继在世界各国蔓延,对全球的公共安全构成了严重威胁。截至2020年7月15日,全球累计报告确诊病例13 322 285例,死亡578 673例。此次疫情被世界卫生组织确定为“全球大流行传染病”,同时也是新中国成立以来在我国发生的传播速度最快、感染范围最广、防控难度最大的一次重大突发公共卫生事件。COVID-19疫情的快速、大范围传播涉及病毒、人、环境等因素, 对科技界快速应对重大公共卫生事件的能力带来了极大挑战,迫切需要公共卫生学、临床医学、地理科学、公共管理学等多学科交叉探索疫情的准确预测、动态监测、精准防控与有效应对等方面的方法与技术。截至2020年7月15日,使用COVID-19,SARS-CoV-2为检索词,在WOS（Web of Science）中检索出13 757篇论文。从关键词统计的结果（图1）可看出,总体上,已有研究主要涉及病理诊断（COVID-19 infection,diagnosis,testing,clinical characteristics）、药物疫苗（COVID-19 patients, vaccine, treatment, care, telemedicine）、传播关系（community, transmission, detection,human mobility）、时空模式（global, time, period, cluster, temporal pattern, international）、疫情预测（prediction,basic reproduction number, future）、传播模拟（transmission,modeling,spread, prevention and control）、风险评估（risk, management, hospital, safety, severity, personal protective equipment）、疫情影响（mortality, crisis, impact, mental health）等方面。在上述研究中,前2个方面主要从医学的角度研究COVID-19致病机理和治疗,是疫情药物干预的基础,而后6个方面则面向疫情的非药物干预和应对。直至疫苗和特效药物被成功研发之前,非药物干预方法仍然是疫情防控不可或缺的重要手段。本文围绕非药物防控,分别从传播关系识别、疫情时空模式分析、疫情预测模型、疫情情景模拟、疫情风险评估、疫情影响6个方面进行归纳总结。
图1 Web of Science中与COVID-19和SARS-CoV-2相关的关键词频率统计

Fig. 1 Keyword frequency statistics for COVID-19 and SARS-CoV-2 in Web of Science

2 传播关系识别

COVID-19的传播依赖于传染源与人、人与人之间的接触,因此在缺乏疫苗和特效药的情况下,如何从微观层面识别这种关系成为疫情防控的关键。具体来说,相关研究可分为2个方面：① 如何通过病例的位置信息发现聚集性疫情,实现传染关系和场所的空间溯源;② 如何通过病例与病例、病例与一般人员轨迹间的交集发现感染者之间的传染关系以及潜在感染者。针对以上问题,传统流行病学研究主要依赖于问卷调查方法,即调查人员通过对感染者及相关人员进行询问,确定其近期的活动轨迹及接触人员。这种以主观调查为主的手段,由于被调查者可能出现的回忆偏倚、错乱、不完整,将导致调查结果产生偏差。随着个体位置信息和轨迹大数据的日益丰富,传统流行病学调查方法与大数据的结合已成为破解上述问题的新手段。

2.1 聚集性疫情识别

在传染病暴发早期,聚集性疫情的识别可用于空间溯源,而在疫情中后期可用于发现感染高风险场所。空间溯源的目的是发现0号病例并找到初始传染源,也是从根本上消除疫情的关键,目前主要依赖于对早期病例轨迹的空间分析。Huang等[1]通过对武汉市最初报告的41例病例进行流行病学调查分析,发现其中的66%约27例病例有华南海鲜市场暴露史,说明华南海鲜市场可能为武汉疫情的早期暴发地。北京市在2020年6月11日暴发二次疫情之后,疾控部门迅速对初期确诊病例的活动轨迹进行叠加分析,锁定新发地菜市场为可能的此次疫情的早期暴发地,并及时将其关闭和提高防控等级,从而遏制了疫情的进一步扩散[2]。即便如此,空间溯源一直是疫情防控的重点和难点,其原因在于通过宏观调查推理病毒微观传播的不确定性。
疫情聚集场所的提取是发现不同传染场景的关键,也是控制疫情传播的重要手段。现有研究表明,家庭、单位、商场、餐厅、交通工具等是发生聚集性传播的重要场所[3]。Zhou等[4]基于覆盖全国的病例手机轨迹数据库,通过构建融合时空、文本相似度的暴露度计算模型和患者-结点-患者关联模型,发现了天津宝坻百货商场、黑龙江哈尔滨透笼商场、浙江温州银泰世茂等聚集性疫情暴发的区域。邓志强等[5]基于通信运营商提供的轨迹大数据,对南昌市某医疗机构连续报告的有共同进餐史的多个病例进行轨迹热力图分析,确定了其聚餐时间和地点。陈晓慧等[6]基于病例轨迹数据分析提出：利用知识图谱技术直观表达病例间语义关系和时空关联关系,不仅可快速回溯病例的传染源,还可推理疫情传播过程、分析关键传播节点及场所。

2.2 病例传染树识别

人群聚集产生传染,而人群移动导致传播。不同病例之间通过传染关系连接起来,可以形成类似树的结构,树的叶子代表了感染病例,而树的分枝反映了传播路径。对病例传染树进行分析,有助于了解病毒传播过程,识别潜在感染者。
（1）病例传染关系分析
现有研究主要聚焦疫情传播路径、传染树拓扑结构、传染树空间分布3个方面。针对疫情传播路径,刘郑倩等[7]通过对珠海市98个病例的流行病学调查数据进行剖析,发现存在输入一代家庭聚集传播、输入一代非家庭聚集传播、输入二代家庭聚集传播、输入二代非家庭聚集传播 4种不同的传播路径,且以第一种为主要方式。针对传染树的拓扑结构,金安楠等[8]根据病例传染关系,将深圳市疫情在空间上的传播分为“线型”迁移扩散（包括常住湖北和途径湖北的输入性病例）和“伞状”传染扩散（包括家庭、朋友、同事之间的放射性传播）2种模式。针对传染树的分布特征,Zhang等[9]基于天津市135例病例形成的传染链,通过计算离散指数（Dispersion parameter）发现,天津市疫情传播存在显著异质性,其主要原因是超级传播者的存在。
（2）潜在感染者识别
本文将潜在感染者分为2种类型：疫情高风险区经停的人员和确诊病例的密切接触者。前者是指由于新冠病毒离开人体之后仍可在环境中存活,因此只要在病例经停场所停留的人员,就存在被病例或其遗留物感染的风险;而后者是指与病例存在近距离接触,可能发生直接传染的人员。已有的研究也可以据此分为2类。
针对风险区划分的潜在感染者识别,目前主要运用大数据手段。疫情期间广泛使用的“健康码”[10],其原理就是根据全国各个乡镇（街道）的疫情风险程度,叠加个人轨迹大数据,评估其可能发生感染的风险,并据此分为红、黄、绿3个等级,从而实现不同风险人群的动态管理。在此基础上,Zhou等[11]结合人群移动大数据和平均场理论构建了多尺度的疫情风险动态制图模型,实现对省、市、小区,以及医院、车站等不同尺度下疫情风险分布的动态评估,之后基于此对个体感染风险进行计算,并结合统计推断和机器学习的方法识别潜在感染者,相对于“健康码”,该模型更加注重差异性,识别结果也更加准确。
对于病例密切接触者的识别,其思路是从人群时空关系的角度出发,通过分析人群移动轨迹在时间和空间上的邻近性,识别出与已感染者可能发生过密切接触的潜在感染者大致范围。根据所使用的数据,相关进展可以分为3类。① 基于历史出行记录的密切接触者识别：如国家卫生健康委员会和中国电子科技集团联合推出的“密切接触者测量仪”[12],公众只需要输入姓名和身份证号码,后台便会根据其乘坐飞机、火车、大巴等交通工具的信息判断其是否属于已感染病例的密切接触者。② 基于手机定位数据的密切接触者识别：即通过对手机用户的移动轨迹与病患活动轨迹进行时空邻近性比对,判断其是否属于密切接触者,具体又可细分为基于手机信令的方法[13]和基于手机定位数据的方法[14]。由于手机信令的定位精度有限（室外约200~500 m,室内则根据基站密度而定,精度较室外高）,因而由此得到的密接人数范围较大,具体的甄别还需要借助具体的流行病调查;手机定位数据由于采用GPS或北斗定位系统,因而定位精度较高（不同条件精度不同,约3~50 m）,对密切接触人群的甄别度较高,但仍然需要借助人工流调的信息才能最终确定密接人员。③ 基于手机传感器的密切接触者识别：该类方法可通过对移动个体的手机WiFi、蓝牙等传感器信号进行分析,确定不同用户之间的相对位置,进而判断他们是否发生密切接触,相比其他方法识别结果更为准确[15]。

3 疫情时空模式分析

除了个体尺度上的传播关系之外,宏观上疫情的时空模式也是对其进行预测及防控的重要基础。目前的研究分别从时空统计分析和可视化分析2个思路开展工作。其中,时空统计分析包括：疫情时序分析、疫情空间分布模式分析、疫情时空传播模式分析;而疫情可视化又可分为疫情的专题可视化、疫情地图可视化、疫情可视化探索分析。

3.1 疫情时空统计分析

3.1.1 疫情时序分析
疫情时序分析主要包括2类思路：① 通过流行病动力学方法分析病例调查时序统计数据,以确定疫情传染强度的变化情况;② 通过时间序列方法对局部地区的日病例时间序列进行分析,从而发现每日新增病例变化趋势、疫情演变阶段、疫情拐点特征等。
（1）疫情传染强度的时序变化估计
疫情传染强度估计主要通过基本再生数R0和实时再生数Rt体现。R0表示一个感染者在感染期内平均传染的人数,而实时再生数Rt是指t时刻开始一个感染者平均传染的人数。通过流行病动力学时序模型推算Rt动态变化,有助于掌握疫情走势,分析疫情防控政策的效果[16,17]。已有研究发现,在SARS-CoV-2潜伏期与SARS或MERS潜伏期相似的假设下,中国早期疫情的基本再生数R0在2~4之间[18,19],部分研究通过中国的病例数据估算出SARS-CoV-2病毒可能具有更长潜伏期,从而得出了更高的基本再生数R0[20];不仅如此,SARS-CoV-2的R0可能存在区域的差异,有研究表明,美国以及欧洲部分地区疫情的基本再生数R0则呈现出较高数值,分别达到5.3和4.5[21]。
而针对Rt, Zhao等[22]发现,2019年12月8日—2020年2月9日Rt存在2次波动,其波峰分别出现在1月8日和1月27日,然后呈持续下降趋势。岳天祥等[23]发现,武汉“封城”后,其新冠疫情的实时再生数Rt开始持续下降,直至2月17日Rt降至1以下,表明此时疫情已基本得到控制。Stedman等[24]分析了英格兰149个县市的实时再生数Rt,通过分段回归方法发现实时再生数Rt从3月23日的2.8下降到4月19日的0.8左右。Peng等[25]分析了中国、意大利、伊朗、韩国、日本5个国家疫情的实时再生指数Rt的动态情况后发现：自武汉“封城”后中国疫情的Rt从3.98迅速下降到1以下;意大利在实施防控政策后疫情Rt呈缓慢下降趋势;伊朗虽然在成立国家疾控中心部门后Rt有一定下降,但由于其错过了最佳防控时期,疫情传染强度变化并没有显著下降的趋势;而日韩疫情的Rt则主要呈波动下降的特征。
（2）疫情病例时序特征分析
疫情病例时序统计数据记录了各地每日新增病例、重症病例、死亡病例等信息,通过时间序列分析方法可以剖析疫情动态变化情况以及评价政府防控措施效果。根据时序分析思路的不同,相关研究主要分为3类。① 趋势分析。这部分研究主要通过回归（或分段回归的方法）对不同时段的疫情演变趋势进行分析。研究表明,中国疫情初期的暴发趋势十分显著,尤以湖北武汉为甚,病例每日增长率达到10%,倍增率为7.4 d[19],随后湖北省每日新增病例于2月4日左右开始下降,在12 d内下降了约70%[26]。而自3月中旬起,世界各国的疫情暴发趋势更加明显,3月9日—3月15日期间,欧洲多国病例每日增长率都在20%以上（法国24%,瑞典28%,德国29%）,美国新冠病例每日增长率达到33%,巴西、智利等地病例日增长率超过40%[27]。② 突变识别。这部分研究主要通过突变点分析方法对疫情拐点进行识别,从而划分疫情不同发展阶段,量化防控政策效应。研究发现,中国疫情整体的拐点为2月1日,湖北省的疫情拐点则在2月6日前后[28],湖北省外的拐点则普遍比省内早[29];国内不同地区疫情拐点的到来与政府的防控措施密切相关,且由于防控措施的差异,各地疫情的下降趋势也存在显著不同[30]。③ 相关性分析。病例确诊日期相对于病例感染日期存在滞后性,因此需要通过自相关分析识别出这种滞后周期。这部分研究主要采用ARIMA模型揭示每日新增病例序列的时滞特征[31],以此构建疫情趋势预测模型[32,33]。另有研究表明,每日病例序列与致死率（CFR）也存在时滞关系,这是由于,一方面,病例基数增加必然造成其中重症、病死人数的增加;另一方面,病例数增加会进一步加剧医疗资源的缺乏,从而使病死人数也进一步上升[34]。
3.1.2 疫情空间模式分析
由于疫情发生地、人口密度、人流特征、防控政策等的不同,新冠疫情在社区-县市-国家等不同尺度上,呈现出差异分布特征[35]。研究者通过各类空间分析方法,如空间扫描统计[36]、空间相关分析（Moran's I, Getis'G）[35,37]、空间热点分析等,识别出不同尺度上疫情的空间聚集、暴发热点以及异常区域等。在社区尺度上,疫情空间分布模式主要受人群特征、聚集方式、社区类型等因素的影响,以新加坡为例,由于其新冠疫情的传染以家庭社区传播为主,因此疫情主要集中在中南部的住宅区[38]。在县、市尺度上,疫情空间分布主要与人口密度、人流强度等因素相关[35,39],因此其热点聚集区域主要分布在主城区,以及由主城区连同周边邻近乡镇形成的聚集区域,如北京的病例主要聚集在五环内的城六区[40,41],而深圳疫情病例则主要分布在主城区所在的福田区以及周边的南山区、龙岗区[40]。在国家尺度上,人口众多的大城市（如美国纽约、巴西圣保罗、印度新德里等）往往是疫情暴发的热点区域[36]。中国的疫情热点区域主要集中在湖北省及其周边部分县市（重庆、信阳、长沙等地）[29,35]。此外,大城市周边的小城市（如中国,武汉周边孝感、鄂州等地;如美国,纽约周边萨福克、韦斯切斯特、罗克兰等地）也很有可能成为疫情重点暴发地区[42]。
3.1.3 疫情时空传播模式分析
疫情传播模式分析则主要通过区域之间人流动态特征识别疫情传播的源汇区,解析疫情空间传播路径,从而为切断传染路径提供支撑。大量研究表明,疫情的传播与其最早发生地的人流情况密切相关[43,44,45],可通过聚合手机信令数据[46]、百度迁徙数据[47]、腾讯定位[48]、航空数据[49]等各类人群移动大数据探索疫情时空传播模式。以中国为例,一代疫情传播模式表现为从华南海鲜市场蔓延至整个武汉市,二代传播模式则由武汉市向湖北省内各县市、湖北省外各重点城市及国外传播[18],传入省外（或国外）重点城市的疫情也将进一步分别在其内部蔓延开来[50]。在此传播模式下,中国疫情早期在湖北、广东、浙江、河南、湖南等省形成了以省会或主要城市为中心的局部时空聚集[51]。以广东省为例,其首例病例于1月19日在深圳市被报告,随后疫情在深圳市扩散,并通过交通网向周边广州、东莞、中山、佛山等地蔓延,到2020年2月18日已迅速蔓延至广东省全部21个地市,累计病例达1331例[52]。

3.2 疫情可视化分析

可视化是表达疫情时空模式最直观的方式。国内外已有多个网站、手机应用APP对COVID-19疫情进行表达和展示。根据可视化的内容和方式,可将现有的公共平台大致可分为疫情的数字可视化、疫情实时地图以及疫情可视化分析3类。
3.2.1 疫情的专题可视化
疫情的表现有多个层面,通过专题可视化可直观地展示其不同特征,辅助揭示其内在规律。针对病例变化的可视化方式有：折线图（https://vis.ucloud365.com/ncov/mortalityline/）、气泡图（http://zeelab.cn/GlobalCircleGraph/）、堆积面积图（数字中国研究院公众号[53]）、螺旋柱状图（https://vis.ucloud365.com/ncov/radial/）、晴雨表（https://vis.ucloud365.com/ncov/barometer/）、像素图（https://vis.ucloud365.com/ncov/square/）、Sankey图（http://datanews.caixin.com/interactive/2020/covidinput/）、传染树图（https://nextstrain.org/ncov/global）等。疫情折线图、气泡图、堆积面积图以及螺旋柱状图主要通过不同专题图形表达各地疫情统计特征,给人以更加直观感觉（图2（a）、图2（b））。疫情变化晴雨表以及像素图借鉴像素可视化的思路表示各地每天新确诊人数以及变化趋势,可非常直观地进行各地最新疫情的比较（图2（c）、图2（d））。疫情桑基图通过流量延伸分支的方式,能够揭示疫情随人流的传染路径（图2（e））,而疫情传染树图则可显示病毒起源、变异、传播过程（图2（f））。
图2 疫情的专题可视化

Fig. 2 Thematic visualization of the COVID-19 epidemic

3.2.2 疫情地图可视化
疫情实时地图将疫情过程与地图表达结合,可展示与COVID-19相关要素的时空变化,是目前表达疫情时空传播的主要方式。目前关于疫情的地图类型,主要有静态分布地图（丁香园疫情地图https://ncov.dxy.cn/ncovh5/view/pneumonia?from=timeline&isappinstalled=0）、动态演变地图（美国ShareGeo: https://uscovid-19map.org/,财新数据的病例流向图http://datanews.caixin.com/interactive/2020/covidinput/）,疫情仪表盘（约翰斯霍普金斯大学疫情仪表盘https://coronavirus.jhu.edu/map.html,世卫组织疫情仪表盘https://covid19.who.int/）（图3（a））等。针对疫情表达的内容,主要包括：病例分布（图说每日疫情[41]）（图3（b））、病例轨迹、医疗资源、疫情风险（战疫分析 系统http://2019ncov.lreis.ac.cn:8080/）、民众反响（弗吉尼亚大学疫情地图https://hgis.uw.edu/virus/）等。
3.2.3 疫情可视化探索分析
图3 疫情的地图可视化

Fig. 3 Map visualization of the COVID-19 epidemic

除了对疫情的时空分布进行展示外,部分网站提供了针对疫情规律和原因的可视化探索分析功能。疫情可视化探索分析是在疫情实时地图的基础上,通过空间分析及统计方法,进一步对疫情数据进行交互式的分析。针对疫情的可视化探索功能主要包括：热点分析、关联分析、动态演化、风险分析等。Tableau在其表数据分析基础上构建了疫情病例的可视化热点分析功能,对美国、印度等多个国家疫情热点进行探测（图4（a））[54]。WHO（World Health Organization）在其疫情地图网站 （图4（b））上添加了数据探索功能,提供了疫情累 计病例、死亡人数、本地人口等数据的多维展示以 及关联分析功能,并通过动态散点图反映疫情指 标间的关联关系变化[55]。美国CDCP（Centers for Disease Control and Prevention）的Data Visualization （图4（c））以及欧洲ECDC（European Centre for Disease Prevention and Control）在其疫情地图上构建了分析模型,提供了动态演化及疫情对比结果[56,57]。英国南安普顿大学的WorldPop研究组根据疫情与人群移动数据分析并绘制了动态疫情风险地图[58]。
图4 疫情的可视化探索性分析

Fig. 4 Exploratory analysis of the COVID-19 epidemic visualization

4 疫情预测模型

疫情的预测是指应用动力学、统计等模型对未来病例数目的趋势进行估计,是疫情防控的“指南针”。根据原理可将COVID-19的预测模型分为动力学模型和统计学模型,其中,统计学模型包含了回归、时间序列分析以及统计过程控制技术（Statistical Process Control）等方法。统计学模型一般应用于传染病暴发的早期进行探测预警,但由于其不涉及传染病理论,因此无法进行更长时间的预测与特性分析。而传染病动力学模型由于考虑了种群生长的特性、疾病的发生及在种群内的传播规律,以及 与之有关的社会环境等因素,可反映传染病传播的内在动力学特性,能够较好地再现疾病的发展过程、揭示流行规律、预测变化趋势。因此,目前有关于COVID-19的研究,动力学模型占据主流。
传染病动力学模型中依据病原体、传染性、感染后免疫、传染源、传播途径、易感人群等流行病学特征[59],可分为SI、SIS、SIR、SEIR等基本类型（S、E、I、R分别表示Susceptible、Exposed、Infectious、Removed 4种仓室（Compartment）。仓室的含义是针对某类传染病将研究区的人群分为若干类,每个仓室对应着传染病的不同状态,例如Infectious就表示已被感染且具有传染力的群体[60,61]）,每一类适用于不同种类的传染病。其中,SI模型中感染者不能够恢复与治愈,适用于HIV、朊病毒、黑死病等传染病,且SI模型的假设下,全部人群最终都会被感染[62,63,64]。SIS模型中感染者恢复后不具有免疫力,即感染者治愈后有一定的几率重新转化成易感者,并且存在反复感染的可能性,适用于伤风、痢疾等传染病[65,66,67]。SIR模型中感染者在治愈之后均存在抗体,即具有强免疫力以至于后续不再被感染,适用于潜伏期较短且症状强烈的传染病如诺如病毒、天花、埃博拉等传染病[68,69,70]。SEIR模型中感染者与易感人群有效接触后不会即刻发病,而是成为病原体的携带者,在潜伏期后发病,适用潜伏期较长的传染如SARS、登革热等[60,71]。因此,考虑到COVID-19的潜伏期、感染后免疫、致死率等特征,目前有关COVID-19的动力学模型研究以SEIR为主要框架。COVID-19的SEIR模型根据其研究尺度（全球、国家、城市内部）及其所对应的空间化要素（人口流动、参数与仓室、传播场所）又可分为宏观、中观、微观3类。

4.1 宏观预测模型

针对COVID-19疫情,宏观预测模型的主要进展是在基本SEIR模型中融入了人口流动,使得模型能够量化人口流动对疫情传播范围与效率的重要影响,提升疫情预测的准确度,并使得预测结果可以空间化展示。目前宏观模型主要依赖于全球航空旅行数据,预测COVID-19对于不同国家的扩散风险。根据这一思想,针对疫情的全球流行态势,Wu等[18]基于SEIR模型建立了全球的疫情传播模型,其思路是：先依据腾讯位置请求数据,估算了病例从武汉输出到中国大陆其他城市的概率分布,然后在此基础上利用官方航空指南（OAG）数据计算出从中国输出到国际的可能风险。研究预测了部分国家可能会在2020年上半年面临COVID-19大流行,为相关国家制定疫情干预政策争取了准备时间。该研究只是粗略的估算了概率,未模拟COVID-19在国际上大规模流行的时空过程与规模。针对此问题,Chinazzi等[72]使用了全球机场的人口迁移数据,建立全球流行病与流动模型（GLEAM）[73,74,75],将世界划分为围绕主要交通枢纽（机场等）的子种群,并在每一个子种群内构建SEIR模型,模拟了疫情在全球传播的时空过程。此模型预测了武汉采取旅行禁令前后中国大陆对外输出病例概率最大的地区及相对输出量、全球范围内面临输入风险最大的国家及其疫情规模。一个国家疫情暴发的强度与该国的输入风险和医疗水平相关,由于发展中国家的医疗水平较差,而且这些国家也未做好疫情检测与干预措施的准备,即使输入风险较低但仍面临着极大的疫情暴发风险。针对此问题,Gilbert等[76]以中国各省的病例数据和国际航空人流数据建立了非洲疫情预测模型,计算COVID-19病例从中国输入非洲各国并产生疫情暴发的概率及其相对规模。宏观模型可预测COVID-19疫情在全球不同国家暴发的风险以及大致规模,是各国阻断国际输入性传播的重要参考。

4.2 中观预测模型

中观SEIR模型不仅融入人口流动,同时也考虑了空间异质性,并以此细化模型的参数与仓室,相较于传统模型的同质性假设,可更精确地反映人群地域的差异对疫情传播的影响。目前中观模型中可以空间化的参数包括：人口流入流出率、传染系数、隔离率、免疫力、季节性等,而可空间化的模型仓室结构则包括：感染者仓室（Infectious）、移除者仓室（Removed）等。据此思路,Jia等[43]为了验证人口流动对中国COVID-19传播的影响,使用了2020年春运期间出入武汉的手机信令数据,建立了基于人类流动的时空风险源模型,预测了确诊病例在中国大陆不同城市的时空分布,并指出疫情传播风险取决于武汉市的人口流入流出,而非当地人口的规模。该模型虽然能够预测疫情的时空分布,但在COVID-19病毒的传染性与毒性尚不清楚的情况下,无法解释其传播速度。针对此问题,Li等[77]利用中国大陆的腾讯位置请求数据,建立了基于人口流动网络的SEIR模型,并将模型中的感染者仓室分为记录感染者仓室与未记录感染者仓室,推算了在武汉“封城”前后的几周内,中国未记录感染者的传染性和数量,解释了COVID-19在中国快速传播的原因。上述研究将未记录感染者仓室加入模型,解释了部分COVID-19的传播特征,但对于感染者恢复后的免疫力、病毒传播环境、季节产生的影响却未予考虑,故无法预测COVID-19长时间的传播状态。针对此问题,Kissler等[78]参考与COVID-19相近的一些冠状病毒的季节性、免疫性、交叉免疫性等特征,估计了COVID-19传播模型的参数,建立了以美国为研究区域的疫情预测模型,预估了COVID-19大流行后5年内美国的COVID-19传播动态。模型预测结果认为,COVID-19虽然会受到季节性因素的影响,但可以在未来任何时间暴发,且疫情的传播主要取决于COVID-19免疫性与病毒之间的交叉免疫性。中观模型能够融入COVID-19传播所受到的影响因素,是制定区域防控措施的重要依据。

4.3 微观预测模型

微观SEIR模型在人口流动、参数与仓室空间化的基础上,着重模拟COVID-19的传播途径（呼吸道飞沫和接触传播）所受具体场所的影响。相较于以往SEIR模型可更准确地在空间上详细推算疫情的传播与风险。目前微观模型从路网划分的交通分析区,到具有POI属性的社区,再到具体的空间设施场所,通过不断改进逐步挖掘场所在提升预测精度方面的潜力。据此思路,冯明翔等[79]使用交通网络将武汉市中心区域划分为不同的交通分析区（TAZ）,并利用武汉市的手机信令数据计算不同TAZ之间的人口流动,估算TAZ的人群日均接触次数,最终建立不同TAZ之间的SEIR模型,成功模拟了COVID-19在武汉市传播的细粒度时空过程。根据路网划分的TAZ虽然推进了模型的细粒度研究,但基于TAZ的研究并未考虑实际场所属性。面对该问题,夏吉喆等[80]以粤港澳大湾区为研究区,应用9个城市的POI数据（超市、医院、公交地铁等）,计算出城市中不同社区的感染参数（R0）以修正SEIR模型,实现了精细化疫情传播模拟与风险评估。上述模型属于传统SEIR模型的拓展,仍未真正考虑城市内不同人口结构与实际设施场所的差异对疫情扩散的影响。针对此问题,Koo等[38]基于新加坡的地理人口数据与COVID-19病理性参数建立了Flu-TE模型。模型首先依据新加坡人口统计学特征（例如年龄,婚姻状况,宗教和种族）构建了家庭和个人层面上的人口Agent,然后根据2010年人口普查数据、当地交通数据、家庭住址等将Agent分配至具体工作场所或教育设施,成功模拟了在 3种COVID-19感染参数（R0）、4种干预方案下新加坡不同场所（工作场所或教育设施）的疫情传播状况。相较于传统模型,微观模型能够直观展示疫情在小尺度空间上的时空扩散过程,预测城市内不同场所的疫情传播,是城市实施精准、实时防控的依据。然而需要说明的是,微观模型建模相对复杂,数据粒度要求高,研究中由模型推算的病例空间分布不确定性较大,故未来发展具有较大的改进空间。

5 疫情情景模拟

疫情的情景模拟是指在不同的假设情景下,模拟疫情可能的发展趋势以及产生的后果。针对COVID-19疫情发展中不同阶段所面临的主要风险,国内外学者分别从早期交通限制措施、中期社区防控措施、医疗资源配置策略、后期复工复产4个方面开展了大量的情景模拟研究。

5.1 交通限制措施模拟

在疫情发展的早期阶段,病例由初始暴发地如何通过交通网络向外扩散是众多研究关注的核心问题。通过分析各地区与初始暴发地的联系强度,模拟交通限制措施的效果,对于评估各地区早期疫情输入风险和控制疫情扩散具有重要意义。已有研究主要聚焦城际和国际2个尺度。
城际尺度的研究主要采用调查数据或定位大数据模拟城市间人口的流动网络。Fan等[81]根据2017年流动人口调查数据,构建了城市尺度的流动人口居住地-出生地矩阵,模拟了不实施交通限制措施条件下中国22个移民城市COVID-19疫情暴发的情景后发现：在深圳、广州等外来人口比重高的城市暴发的疫情将使得疾病的传播范围更广,而河南、安徽由于返乡人群的大量涌入,疫情输入风险较高。Tian等[30]利用腾讯和百度迁徙数据,建立了传染病模型和回归模型对武汉“封城”措施效果进行了定量分析,结果表明,武汉“封城”使得其他城市首次出现病例的时间平均推迟了2.9 d,且确诊病例数比预期减少77%。Lai等[45]基于旅行网络的SEIR模型,使用百度迁徙数据模拟了不同城际旅行禁令实施时间条件下全国确诊病例的个数后发现,中国的城际旅行禁令如果提前1~3周,则病例数可以减少66%~95%,如果推迟1~3周,则病例数可能增长3~18倍。在国际尺度上,已有研究主要采用航班数据构建疫情传播网络。Chinazzi等[72]基于OAG数据,模拟了在武汉未“封城”情况下,病毒随航空传播至世界其他国家的情景,估计出武汉的“封城”政策使得国际上的病例输入量减少了近80%。Linka等[82]同样基于航班数据,模拟了欧盟内部国家之间旅行禁令的实施对欧洲疫情的动态影响,研究发现,不受限制的人员流动将会显著加速中欧、西班牙和法国等地区疫情的传播,而旅行禁令的严格实施能够有效缓解疫情的进一步蔓延。

5.2 社区防控措施模拟

在疫情快速传播的中期,各地区由输入性疫情为主转化为本地传播为主,即社区传播,故遏制疫情的社区尺度传播是控制疫情进一步蔓延的关键。针对这一问题,现有研究主要针对不同非药物干预措施对遏制社区传播的效果进行情景模拟。这些措施大致可分为技术性措施（如COVID-19的检测能力、追踪确诊病例密切接触者等）和政策性措施（居家隔离、关闭学校、口罩佩戴管控等）。
技术型措施中最为有效的手段是及时发现与隔离病例、追踪密切接触者[45,83]。感染者的及时发现依赖于COVID-19的检测能力。为了分析中国COVID-19检测能力与疫情发展的关系,Kraemer等[44]在线性模型中加入了表示COVID-19检测能力的参数,揭示了在疫情流行的中期,中国COVID-19检测能力的提升能缓解疫情暴发强度。追踪确诊病例的密切接触人群能够提前把潜在的感染人从易感人群中隔离,避免了疫情在社区尺度的进一步传播,而中国政府在抗击疫情的中后期,利用安全码等软件实施了该措施。为了验证其效果,Ferretti等[84]先使用中国病例的时间序列数据估算了COVID-19传播参数,后建立COVID-19的一般传播数学模型,模拟了隔离有症状病例、追踪并隔离有症状病例接触者两种措施的效果。研究发现：中国推行的风险追踪应用程序,能够提高追踪确诊病例密切接触者的成功率,可使COVID-19疫情再生数（R0）减小至1以下,从而有效控制疫情。
政策管控型措施旨在限制出行和减少人群聚集,降低社区传播风险。为了分析居家隔离令的有效性,Fowler等[85]对比了美国不同县的居家隔离令后,通过模拟得出：居家隔离令实施的前三周内,美国的确诊病例减少了39万例,死亡人数减少了4.1万。Zhang等[86]就关闭学校的措施进行了模拟后发现,学校的关闭不足以完全阻止COVID-19的暴发,但可将发病高峰降低40%~60%。Koo等[38]基于改进的流感流行模拟方法,以新加坡为例评估了工作场所保持社交距离和关闭学校2类措施对社区传播的遏制效果,模拟结果表明,保持社交距离比关闭学校的效果更好,二者联合的干预措施能够有效减少感染人数,在实施措施的具体过程中,工作场所保持社交距离应优先于关闭学校;口罩佩戴管控措施能有效降低感染风险与对外传播病毒的风险。为了验证这一措施的效果,夏吉喆等[80]利用流动人口等数据改进现有的SEIR模型,计算了口罩佩戴率为97%的情况下,粤港澳大湾区的传播风险,模型结果表明,正确佩戴口罩能在多种情景中平均降低90%的传播风险。

5.3 医疗资源配置模拟

疫情的短时间暴发对医疗资源的合理配置提出了巨大的挑战,故根据疫情对医疗资源需求的快速评估是疫情防控的前提,同时也是维持疫情期间医疗服务正常秩序与运转的重要保障。现有研究主要聚焦COVID-19疫情下的医疗资源需求量估算以及优化分配。
作为一种急性呼吸道传染疾病,COVID-19疫情的暴发对口罩、防护服、重症监护室（ICU）、呼吸机等医疗资源的需求激增。Wu等[87]对中国疫情暴发时期口罩的需求量进行了模拟估计,结果显示,在全国范围内普遍佩戴口罩的情景下,口罩短缺时间将持续132 d,每日最大缺口量可达5.9亿;若仅在湖北省内实施普遍戴口罩政策,口罩短缺时间持续时间将缩短至7 d,每日最大缺口量降低为3750万。Moghada等[88]基于美国人口统计数据模拟得出,COVID-19疫情高峰期的ICU需求量比平时多出8.6倍,其中,50岁以上的患者对ICU的需求量更大。Wells等[89]结合美国实时的住院情况和ICU中患者需要呼吸机的比例数据,在R0=2.5的条件下,模拟得出疫情暴发的高峰期至少需要20万台呼吸机,是目前能够供应数量的2.2倍。疫情防控的医疗资源在中低收入国家更为匮乏,Chatterjee 等[90]基于SEIR模型模拟了印度的疫情发展：若不及时采取非药物干预措施,在5月底将有12万人住院,2.6万人进入ICU,这将使得印度的医疗系统不堪重负。
由于人口结构和经济发展的差异,疫情中各地区对医疗资源的需求和供应存在不匹配的现象,因此如何识别出这些区域并进行医疗资源的合理调度是核心问题。Verhagen等[91]利用英国人口普查数据和卫生系统中的医疗资源数据,综合考虑当地人口年龄结构、贫困状况、人口密度和种族比例等多项指标,识别出了英格兰的潜在医疗压力点,如曼切斯特和利物浦等,为医疗资源实时动态分配提供了参考。为了实现医疗资源合理调度和优化,葛洪磊等[92]建立了多周期贝叶斯序贯决策模型,以武汉市为例,模拟得出疫情暴发期各城市向武汉调配口罩等医疗物资的最优方案,其结果可大幅度降低决策风险。

5.4 复工复产效果模拟

在疫情得到有效控制后,复工复产对于维护经济、社会的正常秩序和可持续发展具有重要意义,但同时也增加了人员聚集风险,可能引起疫情的二次暴发。已有研究针对复工复产的模拟主要集中在复工的时间、复工顺序两方面。
（1）复工时间的模拟
此类研究主要模拟不同复工的起始和持续时间对疫情发展的影响。由于疫情存在空间差异,相关研究分别对湖北省内和其他区域进行了模拟。王霞等[93]基于湖北省境内各城市2019年同期的百度迁徙流动网络结构和流量,构建了武汉市及其周边15个疫情严重城市的COVID-19传播的复杂网络模型,模拟了不同复工时间和控制强度情景下各城市病例的增长数,建议湖北地区的复工不能早于3月2日,否则可能会引起疫情的再次暴发。Liu等[94]以北京、天津、深圳和苏州等城市为例,基于年龄分层的接触矩阵,定量描述了COVID-19在不同人群中的潜在传播模式,模拟了不同复工起始时间和持续时间情景下疫情传播风险和经济损失,建议各城市开启复工计划的条件是：至少需要持续3 d无新增病例、复工持续时间不少于1周、保持必要的防控措施。针对国外疫情防控措施较为宽松的现状,Tian等[95]通过将无症状感染者纳入流行病模型中,模拟了美国纽约州和新泽西州的复工时间对病例增长曲线的影响,建议纽约州和新泽西州可分别在6月1日和6月15开启复工,但无症状感染者未清零将使得疫情二次暴发的风险持续存在。
（2）复工顺序的模拟
此类研究主要模拟不同的复工顺序对疫情发展的影响,其中,复工顺序可根据年龄段、行业类型进一步细分。Prem等[96]基于年龄分层的SEIR模型,模拟了武汉市不同年龄段人群错峰复工情景下疫情的发展趋势,并认为在4月初放松社交距离等控制措施,采取工作人员先返工,学生群体后返校的逐步复工顺序可有效推迟和降低疫情的高峰期。考虑到不同类型行业复工时所面临的风险程度不同,郑宇军等[97]基于改进的禁忌搜索算法,模拟求解了如何从大量企业申请中优先选择部分企业进行复工复产,从而在约束风险的条件下尽可能满足社会对相关产业产能的需求。Ge等[98]基于SEIR模型模拟了5种不同的复工顺序情景下北京市疫情的发展趋势,阐明了综合考虑感染风险和行业类型的分等级复工策略可降低疫情潜在的二次暴发高峰。

6 疫情风险评估

影响COVID-19病毒传播与扩散的因素来自多方面,除了感染者内在的生物学因素外,还需考虑自然和社会等外在环境因素。而在药物干涉手段尚未奏效的条件下,疫情的风险主要受外在环境因素的影响。因此,通过研究不同外在环境因素与疫情发展的关系,并建立相应的量化模型可对疫情的风险进行评估。

6.1 疫情传播的影响因素

在影响COVID-19疫情的因素中,易感人群的生物学因素是内因,而在外因中,一方面,自然环境会影响疫情的传播,现有研究的关注点主要为不同区域的环境差异对疫情的影响;另一方面,疫情的传播还受到社会、经济等因素的影响,并直接左右疫情防控的效果。
（1）传染者生物学因素的影响
个体的生物学因素主要影响其对病毒的易感性,相关的研究主要关注不同人群的感染风险。面对同样的病毒,个体的年龄、性别、血型、健康水平的不同会导致不同人群对疫情的承受能力存在差异。研究表明,老年人和基础疾病患者,感染COVID-19的风险及感染后的死亡率相对其他人群更高[99,100];而感染COVID-19后,男性和女性的死亡率存在统计学上的显著的差异（男性死亡率较女性高）[101,102];对重症COVID-19患者的基因分析表明,A型血型患者重症的风险高于其他血型患者,而O型血相比其他血型更具保护作用[103]。
（2）自然环境因素的影响
自然因素会改变SARS-CoV-2的生物学特性（如活性、体外存活时间等）,从而对其传播能力产生影响。COVID-19是否会成为一种季节性暴发的流行病,是人们普遍关注的问题。回答这一问题的关键是确定SARS-CoV-2对不同自然环境因素的响应。针对气候因素与COVID-19感染率之间的关系,Sajadi等[104]发现COVID-19疫情主要发生在30° N~50° N之间,且气候条件为年平均温度 5~11 ℃,具有较低的比湿度（3~6 g/kg）和绝对湿度（4~7 g/m3）[104]。Paez等[105]研究发现,温度和湿度的增加会降低COVID-19的发病率。然而,疫情的产生和发展虽然受上述自然环境因素影响,但这些因素都不能对病毒的生存和传播起到决定性的作用,因而COVID-19大概率不会随季节的变化而消失,而是会成为一种季节性暴发的流行病[105]。此外,环境污染会影响人的基础健康水平,从而改变患者对COVID-19的耐受力。相关研究结果显示,长期的污染暴露会显著增加人群罹患COVID-19后的死亡率[106,107],从另一方面暗示了改善环境是提高人群抵御COVID-19及类似传染病能力的有效措施之一。
（3）社会影响因素的研究
COVID-19的社会影响因素主要包括：人群流动、社会人口学以及经济发展因素等。疫情严重地区的人口外流是早期疫情大范围扩散最重要的影响因素。相关研究发现,各市累计确诊病例数与武汉流入的人数呈显著正相关[43,44];此外,对于本地的疫情,人口活动性同样是疫情传播的一个重要影响因素。部分研究根据百度迁徙等数据定义了人口活动指数[108,109],结合中国县级市每日确诊病例数据,发现活动性指数的增加会导致日确诊病例数的显著增加。人口的密集分布为病毒通过密切接触传播提供了有利条件,同时也是COVID-19疫情风险评估的重要因素。已有研究分析了人口密度与COVID-19之间的相关性,发现在城市建成区,人口密度的增加会导致COVID-19发病率和死亡率的上升[42]。另有研究证明,人群活动是影响疫情扩散的重要因素,同时也说明限制人群流动和保持社交距离是阻止疫情蔓延的有效措施[44,72]。社会人口学因素主要影响人群对SARS-CoV-2的易感性,以及感染后获得的伤害性。在种族不平等问题严重的国家和地区,不同种族人群得到医疗卫生服务的机会不均等,从而导致疫情在不同族群中传播速度及对不同族群感染者的伤害等存在差异。相关研究发现,美国黑人在疫情中的感染率及死亡率都相对更高[110]。受教育水平会影响获得医疗服务的机会和水平,从而导致疫情对不同学历层次人口的影响不同。针对教育因素的研究发现,SARS-CoV-2感染者中,受教育程度最低的群体的死亡比例较其他群体更高[111]。这些结论为不同国家和地区结合本地社会人口特征进行疫情精准防控提供了依据。经济因素可以影响人的行为特征模式、居住环境和可获得的公共服务水平等,进而间接对疫情产生影响。具体地,经济因素在疫情发展的不同阶段会对疫情产生不同的影响。疫情早期,经济因素的影响主要体现在疫情的扩散。研究发现,由于经济发达地区与其他各国的联系更为紧密,更有利于疫情的大范围扩散,导致疫情早期通常都会在经济发达的地区暴发,并迅速扩散到其他经济发达地区[105];另一方面,由于COVID-19主要通过密切接触传播,而经济发达地区通常人口居住更为密集,为病毒的聚集性传播提供了有利条件[112]。而当疫情进入社区传播阶段,经济因素的影响主要体现在疫情破坏性和持久性方面。研究表明,贫困地区由于人们的健康水平、卫生习惯和公共卫生服务水平等较差,疫情导致的发病率和死亡率通常更高[113,114,115],而且由于防治水平不足,贫困地区疫情通常会持续更长的时间[116]。

6.2 疫情的风险评估

对于一个地区,疫情的风险因素主要来自内外2个方面,内部因素是区域本身的脆弱性,即上文中提到的自然环境和社会因素,而外部因素为病例的输入,即上文中述及的社会因素中的人口流动。而针对疫情风险的研究大致也可以据此分为两类。
（1）基于外部输入的风险评估
疫情早期,人口流动是疫情扩散的最大风险。据此,Jia等[43]提出了基于人口流动的风险模型,并基于从武汉流入的人口数据,对中国城市疫情风险进行了评估。Du等[117]将指数增长模型和人口移动随机模型进行耦合,构建了一个传染病模型,通过腾讯定位数据推断人口移动,对中国369个城市的COVID-19输入风险进行了评估,发现了130个疫情高风险城市。后期的疫情数据显示,这130个高风险城市中的107个有病例报道,验证了风险评估结果的可靠性。保持社交距离是控制疫情社区传播的重要手段,为此,Pan等[118]构建了一个社交远离指数（SDI）,结合美国2002年1月1日至4月9日的手机定位数据,对美国各州COVID-19感染风险进行了划分。航空出行是疫情国际或洲际传播的主要风险因子,Pullano等[119]根据从武汉及其联系紧密城市（基于百度迁徙数据）到欧洲的航班数据,对欧洲国家疫情早期的输入风险进行了评估,发现英国、德国和法国疫情输入风险最高,对欧洲来说,来自于北京和上海的输入可能给欧洲带来更高及更大范围的风险。
（2）基于脆弱性因子的风险评估
COVID-19进入社区传播阶段后,自然的和社会的环境因素则是需要重点考量的。根据自然环境因素中的温度和湿度与COVID-19传播之间的关系,Sajadi等[104]应用2019年全球温度和湿度数据,对不同国家和区域面临的新冠疫情风险进行了评估。基于经济和人口学数据,Kim和Bostwick[120]构建了社会脆弱性指数和风险因素指标,并发现这些指标与COVID-19死亡率存在相关性,进而构建了COVID-19的风险评估模型。Kadt等[121]认为,经济因素将导致不同社区在保持卫生和社交距离的能力、健康水平及社会脆弱性等方面的差异,并据此估计了南非豪登省的疫情风险。而Cabore等[122]将COVID-19的流行过程抽象为马尔科夫转移矩阵,将一个地区中人群的密切接触、感染、死亡、痊愈等作为不同的状态,在转移概率的计算中综合考虑聚集因子、气候因子、区位因子和卫生习惯等因子,构建了疫情传播马尔科夫模型,并对非洲国家的COVID-19脆弱性进行了评估。

7 疫情影响评价

COVID-19疫情的波及范围、持续时间和感染数量在近一个世纪内都未曾有过,其对世界的影响是全方位的和极其深远的。不同学科的学者已对此展开系统研究,本文谨就人、自然、社会的角度分别就COVID-19疫情对公众心理、自然环境以及社会经济发展的影响进行梳理。

7.1 对公众心理的影响

COVID-19疫情暴发以来,不仅对公众的身体健康造成了损害,同时对公众的心理也造成了不同程度的伤害。现有的研究主要运用线上问卷调查、线下临床诊断以及荟萃分析等方法,综合探究了COVID-19暴发期间不同人群的焦虑、压力和抑郁水平。
相关研究主要集中在疫情对大众、患者以及医护人员的心理影响。在对公众的心理影响方面,Luo等[123]对现有文献进行荟萃分析得出,女性、社会经济地位较低、有较高风险感染COVID-19的人群以及被社会隔离的人群往往具有更高的心理疾病患病率,对此需要提供足够的医疗资源、最新和准确的防疫信息以及采取预防措施。在对患者的心理影响方面,钱俊等[124]认为,他们有可能会表现出抑郁、敌对、恐怖、躯体化、强迫、焦虑等心理症状,但在肺炎治疗初期进行心理干预将会对肺炎康复起到积极作用。在对医护人员的心理影响方面,Elbay等[125]得出,持续增长的每周工作时间量、增长的COVID-19患者数量、同事和主管的支持水平较低、后勤的服务保障较低以及在COVID-19任务中能力感较低等因素会对医护人员的心理状况产生负面影响。

7.2 对自然环境的影响

在COVID-19疫情期间,由于封锁隔离政策的实行,人类活动减少,自然环境的状况随之产生改变,其中,大气环境与水文环境的变化被认为最为显著。对自然环境影响的评估大多使用遥感数据、站点数据等,采用描述性统计与定性分析相结合的方式进行分析。大部分研究的思路是将COVID-19疫情分成多个时间段（如限制出行政策实施前、一级防控响应后、二级防控响应后）,分析不同时间段不同类型污染物的浓度变化,尤其是疫情期间与之前年份的差异。值得注意的是,疫情本身并不能对自然环境造成影响,而是通过限制出行政策[126,127,128,129]、人类活动性[127]、经济活动及能源消耗变 化[130]等因素产生作用。
（1）对大气环境的影响
在COVID-19疫情对大气环境的影响研究中,研究者较为关注空气污染物（NOx、PM2.5、PM10、O3、SO2、CO等）浓度的变化情况,部分研究也关注了温度、湿度的变化。研究均表明疫情期间的空气质量有所改善。Liu 等[131]分析了疫情期间中国各省份的空气质量指数变化,发现非必要产业和机动车使用的减少改善了空气质量。Sicard等[132]对比了欧洲的4个城市与中国武汉的污染物站点数据,发现限制出行的政策使得所有城市的NOx和PM浓度降低,而臭氧增多。Lal等[133]分析了全球温度、湿度、多种污染物浓度以及病例数目的变化,发现疫情期间NO2、CO、AOD均有所降低。在此基础上,还有研究进行了污染物的来源分析。Li等[134]使用三维空气质量数值模型WRF-CAMx进行建模,研究了污染物的区域传输路径,并估计了不同来源减排量,发现PM2.5污染来源主要为工业和住宅,为未来的空气污染控制提供了政策启示。除了无机物污染外,Kerimray等[135]通过研究发现,使用甲苯与苯的比例指标,可有效识别BTEX（苯、甲苯、乙苯、邻二甲苯）的排放源。
（2）对水文环境的影响
在COVID-19疫情对水文环境的影响研究中,研究者主要关注水体透明度、溶解固体总浓度等的变化。大多数研究表明,由于疫情导致人类活动减少,河流湖泊的水质有所改善。Braga等[136]分析了威尼斯泻湖水透明度的变化,并对悬浮物质进行了定量分析,发现疫情引发船运交通和旅游业的减少使得水体更为透明。Mandal等[126]使用水质采样数据,分析了COVID-19疫情不同时期印度Dwarka盆地流域的水质变化,发现河道中溶解固体总浓度降低了2倍。Lokhandwala等[137]发现,疫情暴发后恒河水质正在改善;而Cheval等[138]认为疫情使得城市地区水质改善,但卫生消耗品的处理也在海岸线附近产生了一定污染。
总体而言,现有研究得出的结论较为一致,即在封锁政策实施期间,由于人类活动减少,空气质量逐步变好,水质情况正在改善,污染情况得到缓解。

7.3 对经济发展的影响

因COVID-19疫情导致的死亡率增加、工作缺勤、生产力下降等现象,将对世界各国经济造成不同程度的破坏。为了揭示疫情对不同国家和世界经济发展造成的影响,现有研究主要集中在疫情对行业发展、金融市场以及区域经济增长3个方面。
（1）对不同行业的影响
为遏制疫情,各级政府均实行了不同程度的封锁政策,包括非关键基础设施企业不得营业、关闭公共交通等措施,这对一些行业的收入和产出造成了影响。现有研究多通过分析行业的从业者或消费者填写的调查问卷以及新闻报道、社交平台等信息,分析疫情对行业发展产生的影响。Biskanaki 等[139]对希腊不同地区的158位美容中心的所有者进行了电子问卷调查和分析,发现疫情使得大多数美容中心的营业额下降。Casero-Ripollés[140]使用问卷调查结果的二级数据对疫情在新闻消费方面产生的影响进行了比较分析,发现疫情发生后美国和欧洲的新闻消费大幅增长。Chen等[141]对中国知网核心报纸全文数据库中与旅游业和新冠肺炎相关的499篇新闻内容进行了文本解析,预测出COVID-19疫情将导致中国2020年全年旅游收入下降,且使得旅游业和酒店业中一些中小企业面临破产风险。
（2）对金融市场的影响
因疫情导致的需求萎缩,最终造成金融市场流动性骤减、企业停业甚至倒闭、投资组合重组等变化,这种变化主要体现在股票市场的波动性上。现有研究多通过分析不同国家和地区股市在疫情发生前后的波动性变化以评估疫情对金融市场的影响。Corbet等[142]使用2019-03-11至2020-03-10每小时回报率数据,通过GARCH算法衡量了深圳和上海证券交易所的股市波动性与黄金、比特币、西德克萨斯中质原油价格波动之间的动态相关性,研究发现中国金融市场在本次疫情中表现出色,受影响较小。Zaremba等[143]使用了2020-01-01至2020-04-03期间67个国家或地区（包括中国、英国、中国香港等）的股票数据以及牛津COVID-19政府反应追踪系统数据,运用面板分析和回归分析方法,发现非药物干预措施显著增强了股票市场的波动性,且早期的疫情宣传活动和取消公共活动两项举措是导致波动性增加的主要因素。
（3）对区域经济增长的影响
无论是对行业发展还是对金融市场的影响,疫情最终都会导致地区、国家乃至全球的经济发展状况发生变化。关于疫情对区域经济增长影响的研究大致可分为2类。第一类是通过分析代表经济变化的指标与病例数之间的关系,以说明疫情对经济增长的影响。Iqbal等[144]对2020-01-21至2020-03-31期间每日新增确诊病例数据和人民币对美元汇率数据,使用多小波相关方法进行分析,发现疫情对中国出口经济存在负面影响但影响有限。第二类方法是使用影响经济发展的因素的数据（如劳动力数据、投入—产出数据等）,通过经济模型或社会模型估算区域经济损失。Luo等[145]通过百度迁徙数据等估算了中国各省因“封城”导致的劳动力下降百分比,进而使用网络模型预测了中国和世界产出和收入下降百分比。Guan等[146]使用全球投入-产出数据,通过全球模拟模型计算出因一系列封锁措施而致的供应链效应对各国（包括中国、欧洲和美国等）和全球产生的经济影响。Dignum等[147]创建了一个适用于各个国家的基于Agent的社会模拟工具ASSOCC（Agent-based social simulation for the COVID-19 crisis）,并模拟了政府实行封锁政策后不同研究对象的经济变化情况。模拟的结果表明,实行封锁政策后个人资产可能有所增加,必需品商店营业额增加,但由于税收减少,政府储备金将急剧下降。
总体而言,COVID-19疫情导致了需求萎缩、资本流动停滞,从而对不同行业均造成了影响,引起了全球金融市场的动荡,给区域和全球经济造成了严重的损失。重大的公共卫生疫情不再是一个行业、一个国家所要面对的问题,在全球化背景的今天,COVID-19疫情需要全球合作与共同应对。

8 展望

总结疫情发生以来的多项进展后发现,疫情的防控涉及多个学科,必须进行交叉和综合,而在非药物干预的研究和实践中,地理信息科学的理论、方法和技术无疑发挥着重要的作用。未来,地理信息科学将在与公共卫生领域的交叉中产生新的研究方向和学科分支,而以下的研究问题和发展方向尤其值得关注。
（1）位置大数据将与传统流行病学调查一起成为疫情防控的基础信息。疫情传播的本质是人的聚集与流动,其核心涉及人的位置、接触以及行为轨迹。而由于手机等智能传感器的普及,位置大数据已经成为疫情防控的重要支撑。在理论上,位置大数据所包含的轨迹信息已经广泛应用于疫情的预测模型、情景模拟和风险评估;在应用上,通过健康码、密切接触识别系统等实现了辅助空间溯源、切断传染关系和保护易感人群。公共卫生与大数据的结合已经势不可挡。
（2）由于新冠肺炎传染所具有的复杂机制,疫情的传播、扩散以及演化在现阶段仍然是未解之谜。随着数字地球工程与技术的不断发展,以数字孪生技术为代表的虚拟现实与数字实验手段将成为疫情模拟与推演的重要途径,从而有望揭示疫情微观的传播机制和宏观的蔓延趋势。
（3）此次疫情对于防控措施力度、医疗体系韧性、防疫物资调配等是严峻的考验。由于缺乏经验,不同国家的疫情初期,或多或少都存在不同程度的应对不当。由于气候变化、基因编辑技术等来自自然与人类的外力将加大病毒变异的概率以及速度,可以预见,未来出现类似的重大公共安全事件将不是小概率事件。因此,确有必要针对类似公共卫生事件,研究和建立综合的信息平台,以解决医疗体系人力、物资以及防控措施之间的协调与优化。
（4）由于疫情防控的需要,保持社交距离、减少人群聚集等措施将改变人类活动的模式。人类活动由疫情之前的节律发展至因疫情而致的活动异常,再因疫情的长期防控而逐渐形成新的节律,而随着人类行为模式和节律一同改变的,将是城市群以及城市内部的功能及格局,而地理大数据则是发现上述改变的重要数据源。
（5）疫情对于环境的影响已毋庸置疑。由于交通出行、消费需求的减少,能源消耗、污染排放、生产经营的方式和规模都会发生改变,随之而来的是环境的改变。一方面,小到城市内部,大到全球,土、水、气、生的环境将发生不同程度的逆转;另一方面,由于环境逆转而对公众健康的影响将有可能成为新的研究热点。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Huang C L, Wang Y M, Li X W, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. Lancet, 2020,395(10223):497-506.

DOI PMID

[2]
白歌, 耿争. 一图速懂|新发地疫情时间轴[EB/OL]. https://baijiahao.baidu.com/s?id=1669906595168892675&wfr=spider&for=pc, 2020-06-19.

[ Bai G, Geng Z. Timeline of the COVID-19 outbreak in Xinfadi Market[EB/OL]. https://baijiahao.baidu.com/s?id=1669906595168892675&wfr=spider&for=pc, 2020-06-19.]

[3]
杨海燕, 徐洁, 李岩, 等. 新型冠状病毒肺炎聚集性疫情特征初步分析[J]. 中华流行病学杂志, 2020,41(5):623-628.

[ Yang H Y, Xu J, Li Y, et al. The preliminary analysis on the characteristics of the cluster for the COVID-19[J]. Chinese Journal of Epidemiology, 2020,41(5):623-628. ]

[4]
Zhou C H, Su F Z, Pei T, et al. COVID-19: Challenges to GIS with big data[J]. Geography and Sustainability, 2020,1(1):77-87.

DOI

[5]
邓志强, 夏文, 范义兵, 等. 南昌市一起新型冠状病毒肺炎聚集性疫情传播链分析[J]. 中华流行病学杂志,2020,41(2020-04-15). http://rs.yiigle.com/yufabiao/1189243.htm. DOI:10.3760/cma.j.cn112338-20200313-00334.

[ Deng Z Q, Xia W, Fan Y B, et al. Analysis on transmission chain of a cluster epidemic of COVID-19, Nanchang[J]. Chinese Journal of Epidemiology , 2020,41(2020-04-15). http://rs.yiigle.com/yufabiao/1189243.htm. DOI:10.3760/cma.j.cn112338-20200313-00334.]

[6]
陈晓慧, 刘俊楠, 徐立, 等. COVID-19病例活动知识图谱构建——以郑州市为例[J]. 武汉大学学报·信息科学版, 2020,45(6):816-825.

[ Chen X H, Liu J N, Xu L, et al. Construction of the COVID-19 epidemic cases activity knowledge graph: A case study of Zhengzhou city[J]. Geomatics and Information Science of Wuhan University, 2020,45(6):816-825. ]

[7]
刘郑倩, 叶玉瑶, 张虹鸥, 等. 珠海市新型冠状病毒肺炎聚集发生的时空特征及传播路径[J]. 热带地理, 2020,40(3):422-431.

[ Liu Z Q, Ye Y Y, Zhang H O, et al. Analysis of the spatio-temporal characteristics and transmission path of COVID-19 cluster cases in Zhuhai[J]. Tropical Geography, 2020,40(3):422-431. ]

[8]
金安楠, 李钢, 王皎贝, 等. 深圳市新型冠状病毒肺炎(COVID-19)疫情时空演化与防控对策[J]. 陕西师范大学学报(自然科学版), 2020,48(3):18-32.

[ Jin A N, Li G, Wang J B, et al. Spatial-temporal evolution and control strategies of COVID-19 epidemic in Shenzhen city[J]. Journal of Shanxi Normal University (Natural Science Edition), 2020,48(3):18-32. ]

[9]
Zhang Y J, Li Y Y, Wang L, et al. Evaluating transmission heterogeneity and super-spreading event of COVID-19 in a metropolis of China[J]. International Journal of Environmental Research and Public Health, 2020,17(10):3705.

DOI

[10]
健康码背后的大数据揭秘[J]. 今日科技, 2020(3):44-48.

[ Uncovering the big data behind the “Health Code”[J]. Today Science & Technology, 2020(3):44-48. ]

[11]
Zhou C S, Yuan W, Wang J, et al. Detecting suspected epidemic cases using trajectory big data[J]. arXiv preprint arXiv:2004.00908, 2020.

[12]
中国电子科技集团有限公司. 新冠肺炎“密切接触者测量仪”上线运行[EB/OL]. http://www.sastind.gov.cn/n112/n117/c6808819/content.html,2020-02-10.

[ China Electronics Technology Group Corporation Limited. COVID-19 “Close Contact Meter” goes online[EB/OL]. http://www.sastind.gov.cn/n112/n117/c6808819/content.html, 2020-02-10.]

[13]
Chen C M, Jyan H W, Chien S C, et al. Containing COVID-19 among 627,386 persons in contact with the Diamond Princess cruise ship passengers who disembarked in Taiwan: Big data analytics[J]. Journal of Medical Internet Research, 2020,22(5):e19540.

DOI PMID

[14]
Wang S S, Ding S Z, Xiong L. A new system for surveillance and digital contact tracing for COVID-19: Spatiotemporal reporting over network and GPS[J]. JMIR mHealth and uHealth, 2020,8(6):e19457.

DOI PMID

[15]
Nguyen K A, Luo Z Y, Watkins C. Epidemic contact tracing with smartphone sensors[J]. arXiv preprint arXiv:2006.00046, 2020.

[16]
Lin Q S, Hu T J, Zhou X H. Estimating the daily trend in the size of the COVID-19 infected population in Wuhan[J]. Infectious Diseases of Poverty, 2020,9(1):69.

DOI PMID

[17]
Wang H W, Wang Z Z, Dong Y Q, et al. Phase-adjusted estimation of the number of coronavirus disease 2019 cases in Wuhan, China[J]. Cell Discovery, 2020,6(1):1-8.

DOI

[18]
Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: A modelling study[J]. Lancet, 2020,395(10225):689-697.

DOI PMID

[19]
Li Q, Guan X H, 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 PMID

[20]
Zhao S, Zhuang Z, Ran J J, et al. The association between domestic train transportation and novel coronavirus (2019-nCoV) outbreak in China from 2019 to 2020: A data-driven correlational report[J]. Travel Medicine and Infectious Disease, 2020,33:101568.

DOI PMID

[21]
Yadav S, Yadav P K. Basic reproduction rate and case fatality rate of COVID-19: Application of meta-analysis[J]. medRxiv, 2020: 2020.05.13.20100750.

DOI PMID

[22]
Zhao Y, Wang R N, Li J P, et al. Analysis of the transmissibility change of 2019-Novel Coronavirus Pneumonia and its potential factors in China from 2019 to 2020[J]. Biomed Research International, 2020,2020:3842470.

DOI PMID

[23]
Yue T X, Fan Z M, Fan B, et al. A new approach to modeling the fade-out threshold of coronavirus disease[J]. Science Bulletin, 2020,65(15):1225-1227.

DOI PMID

[24]
Stedman M, Davies M, Lunt M, et al. A phased approach to unlocking during the COVID-19 pandemic-Lessons from trend analysis[J]. International Journal of Clinical Practice, 2020,e13528. doi: 10.1111/ijcp.13528.

[25]
Peng Z H, Song W Y, Ding Z X, et al. Linking key intervention timings to rapid declining effective reproduction number to quantify lessons against COVID-19[J]. Frontiers of Medicine, 2020. doi: 10.1007/s11684-020-0788-3.

DOI PMID

[26]
Chen B L, Zhong H H, Ni Y Y, et al. Epidemiological trends of coronavirus disease 2019 in China[J]. medRxiv, 2020:2020.03.13.20035642.

DOI PMID

[27]
Weber A, Ianelli F, Goncalves S. Trend analysis of the COVID-19 pandemic in China and the rest of the world[J]. arXiv preprint arXiv:2003.09032, 2020.

[28]
Li Q, Feng W, Quan Y. Trend and forecasting of the COVID-19 outbreak in China[J]. Journal of Infection, 2020,80(4):472-474.

[29]
Tang W M, Liao H P, Marley G, et al. The changing patterns of coronavirus disease 2019 (COVID-19) in China: A tempogeographic analysis of the severe acute respiratory syndrome coronavirus 2 epidemic[J]. Clinical Infectious Diseases, 2020,71(15):818-824.

DOI PMID

[30]
Tian H Y, Liu Y H, Li Y D, 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.

DOI PMID

[31]
Moftakhar L, Seif M, Safe M S. Exponentially increasing trend of infected patients with COVID-19 in Iran: A comparison of neural network and ARIMA forecasting models[J]. Iranian Journal of Public Health, 2020,49:92-100.

[32]
Ceylan Z. Estimation of COVID-19 prevalence in Italy, Spain, and France[J]. Science of the Total Environment, 2020,729:138817.

DOI

[33]
Chimmula V K R, Zhang L. Time series forecasting of COVID-19 transmission in Canada using LSTM networks[J]. Chaos, Solitons & Fractals, 2020: 109864.

[34]
Iosa M, Paolucci S, Morone G. Covid-19: A dynamic analysis of fatality risk in Italy[J]. Frontiers in Medicine, 2020,7:185.

DOI PMID

[35]
Xiong Y Z, Wang Y P, Chen F, et al. Spatial statistics and influencing factors of the COVID-19 epidemic at both prefecture and county levels in Hubei province, China[J]. International Journal of Environmental Research and Public Health, 2020,17(11):3903.

DOI

[36]
Desjardins M R, Hohl A, Delmelle E M. Rapid surveillance of COVID-19 in the United States using a prospective space-time scan statistic: Detecting and evaluating emerging clusters[J]. Applied Geography, 2020,118:102202.

DOI PMID

[37]
Kang D Y, Choi H, Kim J H, et al. Spatial epidemic dynamics of the COVID-19 outbreak in China[J]. International Journal of Infectious Diseases, 2020,94:96-102.

DOI PMID

[38]
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]. Lancet Infectious Diseases, 2020,20(6):678-688.

DOI PMID

[39]
Khose S, Moore J X, Wang H E. Epidemiology of the 2020 pandemic of COVID-19 in the state of Texas: The first month of community spread[J]. Journal of Community Health, 2020,45(4):696-701.

DOI PMID

[40]
Ren H Y, Zhao L, Zhang A, et al. Early forecasting of the potential risk zones of COVID-19 in China's megacities[J]. Science of the Total Environment, 2020,729:138995.

DOI

[41]
资源与环境信息系统国家重点实验室. "图说疫情"公众号[EB/OL]. https://mp.weixin.qq.com/s/vIIi8lClonPDbbO_Vxgdkw, 2020-01-31.

[ State Key Laboratory of Resources and Environmental Information System. Illustration of COVID-19[EB/OL]. https://mp.weixin.qq.com/s/vIIi8lClonPDbbO_Vxgdkw, 2020-01-31.]

[42]
Zhang C H, Schwartz G G. Spatial disparities in coronavirus incidence and mortality in the United States: An ecological analysis as of May 2020[J]. Journal of Rural Health, 2020,36(3):433-445.

DOI

[43]
Jia J S, Lu X, Yuan Y, et al. Population flow drives spatio-temporal distribution of COVID-19 in China[J]. Nature, 2020,582(7812):389-394.

DOI PMID

[44]
Kraemer M U G, Yang C H, Gutierrez B, et al. The effect of human mobility and control measures on the COVID-19 epidemic in China[J]. Science, 2020,368(6490):493-497.

DOI PMID

[45]
Lai S J, Ruktanonchai N W, Zhou L C, et al. Effect of non-pharmaceutical interventions to contain COVID-19 in China[J]. Nature, 2020. doi: 10.1038/s41586-020-2293-x.

PMID

[46]
Oliver N, Lepri B, Sterly H, et al. Mobile phone data for informing public health actions across the COVID-19 pandemic life cycle[J]. Science Advances, 2020, 6(23):eabc0764.

DOI PMID

[47]
Baidu Map. Baidu Migrations[EB/OL]. http://qianxi.baidu.com/,2020-01-22.

[48]
Tencent. Tencent Locations[EB/OL]. https://heat.qq.com/, 2020-01-22.

[49]
OAG. OAG Data[EB/OL]. https://www.oag.com/, 2020-01-22.

[50]
Hu B S, Qiu J Y, Chen H Y, et al. First, second and potential third generation spreads of the COVID-19 epidemic in mainland China: an early exploratory study incorporating location-based service data of mobile devices[J]. International Journal of Infectious Diseases, 2020,96:489-495.

DOI PMID

[51]
Mo C B, Tan D C, Mai T Y, et al. An analysis of spatiotemporal pattern for COIVD-19 in China based on space-time cube[J]. Journal of Medical Virology, 2020. doi: 10.1002/jmv.25834.

DOI PMID

[52]
李清清, 高铭, 郑沾福, 等. 2020年1月19日至2月18日广东省COVID-19疫情的空间流行病学分析[J/OL]. 重庆医科大学学报: 1-7[2020-08-03]. https://doi.org/10.13406/j.cnki.cyxb.002586.

[ Li Q Q, Gao M, Zheng Z F, et al. Spatial epidemiological analysis of coronavirus disease 2019 in Guangdong Province from January 19 to February 18, 2020[J/OL], Journal of Chongqing Medical University: 1-7[2020-08-03]. https://doi.org/10.13406/j.cnki.cyxb.002586. ]

[53]
数字中国研究院. 数字中国研究院官方公众号[EB/OL]. https://mp.weixin.qq.com/s/QmycS6UrwdcX5TOp8ImCGw, 2020-01-31.

[ The Academy of Digital China. Official account of ADC[EB/OL]. https://mp.weixin.qq.com/s/QmycS6UrwdcX5TOp8ImCGw, 2020-01-31.]

[54]
Tableau software. US COVID-19 Hotspots for Confirmed Cases[EB/OL]. https://public.tableau.com/profile/rosa.ser-eno#!/vizhome/USCovid-19HotspotsforConfirmedCases/Sheet1, 2020-04-27.

[55]
WHO. The WHO COVID-19 situation dashboard[EB/OL]. https://covid19.who.int/, 2020-07-15.

[56]
Centers for Disease Control and Prevention. Data Visualization[EB/OL]. https://www.cdc.gov/coronavirus/2019-ncov/covid-data/data-visualization.htm, 2020-07-15.

[57]
European Centre for Disease Prevention and Control(ECDC). Surveillance Atlas of Infectious Diseases[EB/OL]. http://atlas.ecdc.europa.eu/public/index.aspx,2020-07-15.

[58]
WorldPop. WorldPop COVID-19 research and data[EB/OL]. https://www.worldpop.org/covid19, 2020-07-15.

[59]
靳帧, 孙桂全, 刘茂省. 网络传染病动力学建模与分析[M]. 北京: 科学出版社, 2014.

[ Jin Z, Sun G Q, Liu M X. Modeling and analysis of network infectious disease dynamics [M]. Beijing: Science Press, 2014. ]

[60]
Kermack W O, Mckendrick A G. Contribution to the mathematical theory of epidemics[J]. Proceedings of the Royal Society of London Series a-Containing Papers of a Mathematical and Physical Character, 1927,115(772):700-721.

[61]
Bai Z G. Threshold dynamics of a periodic SIR model with delay in an infected compartment[J]. Mathematical Biosciences and Engineering, 2015,12(3):555-564.

DOI PMID

[62]
Kamenev A, Meerson B. Extinction of an infectious disease: A large fluctuation in a nonequilibrium system[J]. Physical Review E, 2008,77(6):061107.

DOI

[63]
Dearlove B, Wilson D J. Coalescent inference for infectious disease: Meta-analysis of hepatitis C[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 2013,368(1614):20120314.

DOI

[64]
Méndez V. Epidemic models with an infected-infectious period[J]. Physical Review E, 1998,57(3):3622-3624.

DOI

[65]
Kermack W O, Mckendrick A G. Contributions to the mathematical theory of epidemics-II. The problem of endemicity[J]. Bulletin of Mathematical Biology, 1991,53(1-2):57-87.

DOI PMID

[66]
Dietz K. Overall population patterns in the transmission cycle of infectious disease agents[M] // Population Biology of Infectious Diseases. Berlin: Springer, 1982: 87-102.

[67]
Heesterbeek J A P, Metz J A J. The saturating contact rate in marriage- and epidemic models[J]. Journal of Mathematical Biology, 1993,31(5):529-539.

DOI PMID

[68]
Shulgin B, Stone L, Agur Z. Pulse vaccination strategy in the SIR epidemic model[J]. Bulletin of Mathematical Biology, 1998,60(6):1123-1148.

DOI PMID

[69]
Hossain M T, Miah M M, Hossain M B. Numerical study of Kermack-Mckendrik SIR model to predict the outbreak of Ebola virus diseases using Euler and fourth order Runge-Kutta methods[J]. American Scientific Research Journal for Engineering, Technology, and Sciences, 2017,37(1):1-21.

[70]
Dottori M, Fabricius G. SIR model on a dynamical network and the endemic state of an infectious disease[J]. Physica A: Statistical Mechanics and its Applications, 2015,434:25-35.

DOI

[71]
Wang W, Zhao X Q. Threshold dynamics for compartmental epidemic models in periodic environments[J]. Journal of Dynamics and Differential Equations, 2008,20(3):699-717.

DOI

[72]
Chinazzi M, Davis J T, Ajelli M, et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak[J]. Science, 2020,368(6489):395-400.

DOI PMID

[73]
Balcan D, Colizza V, Goncalves B, et al. Multiscale mobility networks and the spatial spreading of infectious diseases[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009,106(51):21484-21489.

DOI PMID

[74]
Balcan D, Goncalves B, Hu H, et al. Modeling the spatial spread of infectious diseases: The GLobal Epidemic and Mobility computational model[J]. Journal of Computational Science, 2010,1(3):132-145.

DOI

[75]
Zhang Q, Sun K Y, Chinazzi M, et al. Spread of Zika virus in the Americas[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017,114(22):E4334-E4343.

DOI PMID

[76]
Gilbert M, Pullano G, Pinotti F, et al. Preparedness and vulnerability of African countries against importations of COVID-19: a modelling study[J]. Lancet, 2020,395(10227):871-877.

DOI PMID

[77]
Li R Y, 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 PMID

[78]
Kissler S M, Tedijanto C, Goldstein E, et al. Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period[J]. Science, 2020,368(6493):860-868.

DOI PMID

[79]
冯明翔, 方志祥, 路雄博, 等. 交通分析区尺度上的新型冠状病毒肺炎时空扩散推估方法:以武汉市为例[J/OL]. 武汉大学学报·信息科学版: 1-12[2020-06-03]. https://doi.org/10.13203/j.whugis20200141.

[ Feng M X, Fang Z X, Lu X B, et al. Traffic analysis zone-based epidemic estimation approach of COVID-19 based on mobile phone data:an Example of Wuhan[J/OL]. Geomatics and Information Science of Wuhan University: 1-12 [2020-06-03].https://doi.org/10.13203/j.whugis20200141. ]

[80]
夏吉喆, 周颖, 李珍, 等. 城市时空大数据驱动的新型冠状病毒传播风险评估——以粤港澳大湾区为例[J]. 测绘学报, 2020,49(6):671-680.

[ Xia J Z, Zhou Y, Li Z, et al. COVID-19 risk assessment driven by urban spatiotemporal big data: A case study of Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta Geodaetica et Cartographica Sinica, 2020,49(6):671-680. ]

[81]
Fan C J, Cai T M, Gai Z Y, et al. The relationship between the migrant population's migration network and the risk of COVID-19 transmission in China-Empirical analysis and prediction in prefecture-level cities[J]. International Journal of Environmental Research and Public Health, 2020,17(8):2630.

DOI

[82]
Linka K, Peirlinck M, Costabal F S, et al. Outbreak dynamics of COVID-19 in Europe and the effect of travel restrictions[J]. Computer Methods in Biomechanics and Biomedical Engineering, 2020: 1-8. doi: 10.1080/10255842.2020.1759560.

DOI PMID

[83]
Hellewell J, Abbott S, Gimma A, et al. Feasibility of controlling COVID-19 outbreaks by isolation of cases and contacts[J]. Lancet Global Health, 2020,8(4):E488-E496.

DOI PMID

[84]
Ferretti L, Wymant C, Kendall M, et al. Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing[J]. Science, 2020, 368(6491):eabb6936.

DOI PMID

[85]
Fowler J H, Hill S J, Obradovich N, et al. The effect of stay-at-home orders on COVID-19 cases and fatalities in the United States[J]. medRxiv, 2020: 2020.04.13.20063628.

PMID

[86]
Zhang J J, Litvinova M, Liang Y X, et al. Changes in contact patterns shape the dynamics of the COVID-19 outbreak in China[J]. Science, 2020,368(6498):1481-1486.

DOI PMID

[87]
Wu H L, Huang J, Zhang C J P,et al. Facemask shortage and the novel coronavirus disease (COVID-19) outbreak: Reflections on public health measures[J]. EClinicalMedicine, 2020,21:100329.

DOI PMID

[88]
Moghadas S M, Shoukat A, Fitzpatrick M C, et al. Projecting hospital utilization during the COVID-19 outbreaks in the United States[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020,117(16):9122-9126.

DOI PMID

[89]
Wells C R, Fitzpatrick M C, Sah P, et al. Projecting the demand for ventilators at the peak of the COVID-19 outbreak in the USA[J]. The Lancet Infectious Diseases, 2020, S1473-3099(20):30315-7.

[90]
Chatterjee K, Chatterjee K, Kumar A, et al. Healthcare impact of COVID-19 epidemic in India: A stochastic mathematical model[J]. Medical Journal Armed Forces India, 2020,76(2):147-155.

DOI

[91]
Verhagen M D, Brazel D M, Dowd J B, et al. Forecasting spatial, socioeconomic and demographic variation in COVID-19 health care demand in England and Wales[J]. BMC Medicine, 2020,18(1):1-11.

DOI PMID

[92]
葛洪磊, 刘南. 重大传染病疫情演化情境下应急物资配置决策建模分析:以新冠肺炎疫情为例[J/OL]. 管理工程学报: 1-9[2020-08-03]. https://doi.org/10.13587/j.cnki.jieem.2020.03.022.

[ Ge H L, Liu N. Modeling of emergency materials allocation decision-making problems based on the evolution scenarios of serious infectious diseases: A case of COVID-19[J/OL]. Journal of Industrial Engineering and Engineering Management: 1-9 [2020-08-03]. https://doi.org/10.13587/j.cnki.jieem.2020.03.022. ]

[93]
王霞, 唐三一, 陈勇, 等. 新型冠状病毒肺炎疫情下武汉及周边地区何时复工?数据驱动的网络模型分析[J]. 中国科学:数学, 2020,50(7):969-978.

[ Wang X, Tang S Y, Chen Y, et al. When will be the resumption of work in Wuhan and its surrounding areas during COVID-19 epidemic? A data-driven network modeling analysis[J]. Scientia Sinica Mathematica, 2020,50(7):969-978 ]

[94]
Liu Y, Gu Z L, Xia S, et al. What are the underlying transmission patterns of COVID-19 outbreak? An age-specific social contact characterization[J]. EClinical Medicine, 2020: 100354.

[95]
Tian T, Tan J B, Jiang Y K, et al. Evaluate the risk of resumption of business for the states of New York, New Jersey and Connecticut via a pre-symptomatic and asymptomatic transmission model of COVID-19[J]. medRxiv, 2020:2020.05.16.20103747.

DOI PMID

[96]
Prem K, Liu Y, Russell T W, et al. The effect of control strategies to reduce social mixing on outcomes of the COVID-19 epidemic in Wuhan, China: A modelling study[J]. Lancet Public Health, 2020,5(5):E261-E270.

DOI PMID

[97]
郑宇军, 吴晨昕, 陈恩富, 等. 新冠肺炎疫情条件下的企业复工复产优化规划方法[J/OL]. 运筹学学报:1-15 [ 2020- 08- 03]. http://kns.cnki.net/kcms/detail/31.1732.O1.20200416.0857.004.html.

[ Zheng Y J, Wu C Q, Chen E F, et al. An optimization method for production resumption planning under COVID-19 epidemic[J/OL]. Operations Research Transactions: 1-15[ 2020- 08- 03], http://kns.cnki.net/kcms/detail/31.1732.O1.20200416.0857.004.html]

[98]
Ge Y, Zhang W B, Wang J H, et al. Effect of different resumption strategies to flatten the potential COVID-19 outbreaks amid society reopens: A modeling study[J]. medRxiv, 2020:2020.06.25.20140418.

DOI PMID

[99]
Wang W, Tang J M, Wei F Q. Updated understanding of the outbreak of 2019 novel coronavirus (2019-nCoV) in Wuhan, China[J]. Journal of Medical Virology, 2020,92(4):441-447.

DOI PMID

[100]
Lighter J, Phillips M, Hochman S, et al. Obesity in patients younger than 60 years is a risk factor for Covid-19 hospital admission[J]. Clinical Infectious Diseases, 2020,71(15):896-897.

DOI PMID

[101]
Dowd J B, Andriano L, Brazel D M, et al. Demographic science aids in understanding the spread and fatality rates of COVID-19[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020,117(18):9696-9698.

DOI PMID

[102]
Deng X W, Yang J, Wang W, et al. Case fatality risk of the first pandemic wave of novel coronavirus disease 2019 (COVID-19) in China[J]. Clinical Infectious Diseases, 2020. doi: 10.1093/cid/ciaa578.

PMID

[103]
Ellinghaus D, Degenhardt F, Bujanda L, et al. Genomewide association study of severe Covid-19 with respiratory failure[J]. The New England Journal of Medicine, 2020. doi: 10.1056/NEJMoa2020283.

DOI PMID

[104]
Sajadi M M, Habibzadeh P, Vintzileos A, et al. Temperature and latitude analysis to predict potential spread and seasonality for COVID-19[J]. Available at SSRN: http://dx.doi.org/10.2139/ssrn.3550308, 2020.

[105]
Paez A, Lopez F A, Menezes T, et al. A spatio-temporal analysis of the environmental correlates of COVID-19 incidence in Spain[J]. Geographical Analysis, 2020. doi: 10.1111/gean.12241.

DOI PMID

[106]
Wu X, Nethery R C, Sabath B M, et al. Exposure to air pollution and COVID-19 mortality in the United States: A nationwide cross-sectional study[J]. medRxiv, 2020:2020.04.05.20054502

PMID

[107]
Pansini R, Fornacca D. Initial evidence of higher morbidity and mortality due to SARS-CoV-2 in regions with lower air quality[J]. medRxiv, 2020:2020.04.04.20053595.

[108]
Soucy J P R, Sturrock S L, Berry I, et al. Estimating effects of physical distancing on the COVID-19 pandemic using an urban mobility index[J]. medRxiv, 2020: 2020.04.05.20054288.

DOI PMID

[109]
Zhu Y J, Xie J G, Huang F M, et al. The mediating effect of air quality on the association between human mobility and COVID-19 infection in China[J]. Environmental Research, 2020,189:109911.

DOI PMID

[110]
Yancy C W. COVID-19 and African Americans[J]. Jama, 2020,323(19):1891-1892.

DOI PMID

[111]
Wadhera R K, Wadhera P, Gaba P, et al. Variation in COVID-19 hospitalizations and deaths across New York city boroughs[J]. Jama, 2020,323(21):2192-2195.

DOI PMID

[112]
李欣, 周林, 贾涛, 等. 城市因素对COVID-19疫情的影响——以武汉市为例[J]. 武汉大学学报·信息科学版, 2020,45(6):826-835.

[ Li X, Zhou L, Jia T, et al. Influence of urban factors on the COVID-19 epidemic: A case study of Wuhan city[J]. Geomatics and Information Science of Wuhan University, 2020,45(6):826-835. ]

[113]
Sinha I P, Lee A R, Bennett D, et al. Child poverty, food insecurity, and respiratory health during the COVID-19 pandemic[J]. The Lancet Respiratory Medicine, 2020,S22132600(20):30280-0.

[114]
Alipio M. Do socio-economic indicators associate with COVID-2019 cases? Findings from a Philippine study[J]. Available at SSRN: http://dx.doi.org/10.2139/ssrn.3573353, 2020.

[115]
Oronce C I, Scannell C A, Kawachi I, et al. Association between state-level income inequality and COVID-19 cases and mortality in the USA[J]. Journal of General Internal Medicine, 2020: 1-3, doi: 10.1007/s11606-020-05971-3.

DOI PMID

[116]
Millett G A, Jones A T, Benkeser D, et al. Assessing differential impacts of COVID-19 on black communities[J]. Annals of Epidemiology, 2020,47:37-44.

DOI PMID

[117]
Du Z W, Wang L, Cauchemez S, et al. Risk for transportation of coronavirus disease from Wuhan to other cities in China[J]. Emerging Infectious Diseases, 2020,26(5):1049-1052.

DOI PMID

[118]
Pan Y X, Darzi A, Kabiri A, et al. Quantifying human mobility behavior changes in response to non-pharmaceutical interventions during the COVID-19 outbreak in the United States[J]. arXiv preprint arXiv:2005.01224, 2020.

[119]
Pullano G, Pinotti F, Valdano E, et al. Novel coronavirus (2019-nCoV) early-stage importation risk to Europe, January 2020[J]. Eurosurveillance, 2020,25(4):2-6.

[120]
Kim S J, Bostwick W. Social Vulnerability and racial inequality in COVID-19 deaths in Chicago[J]. Health Education & Behavior, 2020,47(4):509-513.

DOI PMID

[121]
De Kadt J, Graeme G, Hamann C, et al. Mapping vulnerability to COVID-19 in Gauteng[EB/OL]. https://www.gcro.ac.za/outputs/map-of-the-month/detail/mapping-vulnerability-to-covid-19/. 2020-03-20.

[122]
Cabore J W, Karamagi H C, Kipruto H, et al. The potential effects of widespread community transmission of SARS-CoV-2 infection in the World Health Organization African Region: a predictive model[J]. BMJ Global Health, 2020,5(5):e002647.

DOI PMID

[123]
Luo M, Guo L X, Yu M Z, et al. The psychological and mental impact of coronavirus disease 2019 (COVID-19) on medical staff and general public: A systematic review and meta-analysis[J]. Psychiatry Research, 2020,291:113190.

DOI PMID

[124]
钱俊, 张波婷, 邱伟芬, 等. 新冠肺炎患者心理状况调查及心理干预效果[J/OL]. 中国健康心理学杂志:1-8 [ 2020- 08- 03]. http://kns.cnki.net/kcms/detail/11.5257.R.20200628.1852.024.html .

[ Qian J, Zhang B T, Qiu W F, et al. Psychological crisis intervention on the psychological status of 2019-ncov patients[J/OL]. China Journal of Health Psychology:1-8[ 2020- 08- 03]. http://kns.cnki.net/kcms/detail/11.5257.R.20200628.1852.024.html]

[125]
Elbay R Y, Kurtulmuş A, Arpacıoğlu S, et al. Depression, anxiety, stress levels of physicians and associated factors in Covid-19 pandemics[J]. Psychiatry Research, 2020,290:113130.

DOI PMID

[126]
Mandal I, Pal S. COVID-19 pandemic persuaded lockdown effects on environment over stone quarrying and crushing areas[J]. Science of the Total Environment, 2020,732:139281.

DOI

[127]
Bao R, Zhang A C. Does lockdown reduce air pollution? Evidence from 44 cities in northern China[J]. Science of the Total Environment, 2020,731:139052.

DOI

[128]
Mahato S, Pal S, Ghosh K G. Effect of lockdown amid COVID-19 pandemic on air quality of the megacity Delhi, India[J]. Science of the Total Environment, 2020,730:23.

[129]
Otmani A, Benchrif A, Tahri M, et al. Impact of Covid-19 lockdown on PM10, SO2 and NO2 concentrations in Sale City (Morocco)[J]. Science of the Total Environment, 2020,735:139541-139541.

DOI

[130]
Wang Q, Su M. A preliminary assessment of the impact of COVID-19 on environment: A case study of China[J]. Science of the Total Environment, 2020,728:138915.

DOI

[131]
Liu Q, Sha D X, Liu W, et al. Spatiotemporal patterns of COVID-19 impact on human activities and environment in mainland China using nighttime light and air quality data[J]. Remote Sensing, 2020,12:576.

DOI

[132]
Sicard P, De Marco A, Agathokleous E, et al. Amplified ozone pollution in cities during the COVID-19 lockdown[J]. Science of the Total Environment, 2020,735:139542.

DOI

[133]
Lal P, Kumar A, Kumar S, et al. The dark cloud with a silver lining: Assessing the impact of the SARS COVID-19 pandemic on the global environment[J]. Science of the Total Environment, 2020,732:139297.

DOI

[134]
Li L, Li Q, Huang L, et al. Air quality changes during the COVID-19 lockdown over the Yangtze River Delta Region: An insight into the impact of human activity pattern changes on air pollution variation[J]. Science of the Total Environment, 2020,732:139282.

DOI

[135]
Kerimray A, Baimatova N, Ibragimova O P, et al. Assessing air quality changes in large cities during COVID-19 lockdowns: The impacts of traffic-free urban conditions in Almaty, Kazakhstan[J]. Science of the Total Environment, 2020,730:139179.

DOI

[136]
Braga F, Scarpa G M, Brando V E, et al. COVID-19 lockdown measures reveal human impact on water transparency in the Venice Lagoon[J]. Science of the Total Environment, 2020,736:139612.

DOI

[137]
Lokhandwala S, Gautam P. Indirect impact of COVID-19 on environment: A brief study in Indian context[J]. Environmental Research, 2020,188:109807.

DOI PMID

[138]
Cheval S, Mihai Adamescu C, Georgiadis T, et al. Observed and potential impacts of the COVID-19 pandemic on the environment[J]. International Journal of Environmental Research and Public Health, 2020,17(11):4140.

DOI

[139]
Biskanaki F, Rallis F, Andreou E, et al. Social-economic impact of COVID-19 pandemic on aesthetic centers in Greece[J]. Journal of Cosmetic Dermatology, 2020. doi: 10.1111/jocd.13517.

DOI PMID

[140]
Casero-Ripolles A. Impact of Covid-19 on the media system. Communicative and democratic consequences of news consumption during the outbreak[J]. Profesional de la Informacion, 2020,29(2):e290223.

[141]
Chen H L, Huang X, Li Z Y. A content analysis of Chinese news coverage on COVID-19 and tourism[J]. Current Issues in Tourism, 2020: 1-8. doi: 10.1080/13683500.2020.1763269.

[142]
Corbet S, Larkin C, Lucey B. The contagion effects of the COVID-19 pandemic: Evidence from gold and cryptocurrencies[J]. Finance Research Letters, 2020,35:101554.

DOI

[143]
Zaremba A, Kizys R, Aharon D Y, et al. Infected markets: Novel coronavirus, government interventions, and stock return volatility around the globe[J]. Finance Research Letters, 2020,35:101597.

DOI PMID

[144]
Iqbal N, Fareed Z, Shahzad F, et al. The nexus between COVID-19, temperature and exchange rate in Wuhan city: New findings from partial and multiple wavelet coherence[J]. Science of the Total Environment, 2020,729:138916.

DOI

[145]
Luo S W, Tsang K P. China and world output impact of the Hubei lockdown during the coronavirus outbreak[J]. Contemporary Economic Policy, 2020. doi: 10.1111/coep.12482.

DOI PMID

[146]
Guan D B, Wang D P, Hallegatte S, et al. Global supply-chain effects of COVID-19 control measures[J]. Nature Human Behaviour, 2020,4(6):577-587.

DOI PMID

[147]
Dignum F, Dignum V, Davidsson P, et al. Analysing the combined health, social and economic impacts of the corovanvirus pandemic using agent-based social simulation[J]. Minds and Machines, 2020,30(2):177-194.

DOI

Options
Outlines

/

〈 〉