周涛
突发疫情防控措施与常态化疫情治理方法

周涛，电子科技大学教授，大数据研究中心主任；主要研究方向为统计物理与复杂性科学，发表论文300余篇，引用27000余次，H指数为77；自2014年起历年入选Elsevier最具国际影响力中国科学家名单；2015年，与屠呦呦等七名个人和北斗导航等三个团队共同当选2015年度中国十大科技创新人物。

2020年，新冠肺炎疫情在全球大暴发[1-4]，截至2020年7月26日，全球累计确诊感染者已超过1600万人，实际感染人口数以千万计，累计死亡人数超过了64万，每日新增确诊人数接近30万，疫情呈现愈演愈烈的态势。本文是在我国疫情已经得到有效遏制，但全球疫情态势严峻、新冠肺炎疫情必然常态化的前提下撰写的，拟回顾和介绍中国疫情防控的关键策略与成果，并基于此讨论疫情常态化后的治理方法。

2020年1月20日，中华人民共和国国家卫生健康委员会发布公告，将新型冠状病毒感染的肺炎纳入《中华人民共和国传染病防治法》规定的乙类传染病，并采取甲类传染病的预防、控制措施。世界卫生组织2020年2月11日将该病正式命名为Coronavirus Disease 2019（COVID-19）。

衡量传染病传播能力最关键的参数之一就是基本再生数R0[1]，它被定义为在没有干预的情况下，在一个全部是易感人群的环境中平均一个患者可以传染的人数，通俗地讲就是自由传播的情况下一个病人平均能感染多少人。假设COVID-19早期传播可以用一个“易感-潜伏-传染-移除（SEIR）”动力学模型[2]近似刻画，且在自由传播时呈指数趋势，并根据早期流行病传播关键参数[3]，可以估计基本再生数为2.2～3.0[4]。从基本再生数来看，COVID-19和SARS是接近的，但COVID-19感染下一代病人的速度更快，因此其传播能力实际上高于SARS——这还不包括可能有一些无症状期的传染及未被检测到的感染者[5]。随着防控措施的实施，传染病传播不再是自由传播阶段，为了评价防控措施的有效性，通常采用有效再生数对传染病的传播能力进行实时评估。有效再生数Rt定义为在某时刻t，一个感染者平均可以感染其他个体的数量。以前估计有效再生数的方法需要知道患者出现症状的时间，陈端兵等人[6-7]基于蒙特卡洛方法提出了一种依据少量患者的症状出现时间对有效再生数进行估计的方法，为及时对防控措施的效果进行定量评估提供了手段，同时以强有力的数据证实了中国防疫的巨大成就——除了湖北，所有省份的有效生成数都在实施防控措施一周内下降到了1以下。同期利用几个省份获取的更大规模包含出现症状时间的数据，可以得到定性完全一致、定量几乎一致的结果[8]。

对于这类传染性较高（基本再生数为2～3）、传播速度快（早期数据显示平均代际时间只有7.5天[3]，而近期一些更大样本数据的分析显示这个时间可能只有4天左右[9-10]，远远短于SARS）、发病较缓慢且存在大量无症状和轻微症状[5]的呼吸道传染病，中国至少目前已成功控制！有研究人员根据公开报道的确诊情况，结合地区人口及疫情管控前从武汉流入人口的数据，对中国若干大中城市防控成效进行了排序，并深入分析了防控效果出色的城市——石家庄的经验[11]。结合各种学术论文、新闻报道和流行病防控历史经验，去除个别地区的特殊优势（如石家庄是中国口罩的主要产地等），我认为中国防控成功主要归功于以下三个方面。

第一是反馈及时。2020年1月20日，中华人民共和国国家卫生健康委员会发布公告，采取甲类传染病的预防、控制措施进行疫情防控，之后，各省、市、自治区立刻采取了果断严厉的措施。喻孜等人[12]的研究显示，政府防控措施每晚出台10天，感染人数就会比真实人数高一倍。刘权辉等人[13]基于四川省数据的研究显示，如果防控措施晚出台4周，则会多感染9000多人（比实际感染人数多出了17倍），对医疗系统带来的负担将显著超过四川的承受能力。

第二是阻断接触。在没有疫苗的情况下，阻断或至少减少接触是从根本上控制疫情传播的措施。针对武汉和上海的接触模式问卷调查显示，在实施防控策略之后，每天的有效接触人数下降到了原来的1/8～1/7的水平[14]。建模分析显示，降低接触是最为有效的防控措施[14-15]。因为这些接触主要都发生在家庭和紧密的社团内，因此实际带来的防控效果还要好于随机将接触下降到1/8～1/7的防控效果。进一步地，因为接触少了，客观上也使得对于确诊患者的流行病追踪变得更加高效和准确。

第三是数据追踪。传统流行病追踪通过访谈确诊患者，必然存在诸多局限性，如患者身体和精神状况不佳、患者难以精确回忆去过的地方和时间等。特别地，在生产生活常态化、接触频度大幅度上升之后，流行病追踪的难度会进一步提高。中国率先采用了数字技术进行密切接触的数据追踪，主要基于健康码并结合运营商的数据，可以对确诊患者和高风险人员的轨迹进行快速复现。尽管很难通过真实数据定量分析数据追踪对疫情防控的影响，但最近有大量理论研究显示，数据追踪对于疫情有效防控起到了关键性的作用，并且已经有越来越多的学者向其他国家和地区推荐这一方法[16-18]。

除了以上三方面的关键要素，各种公共场所的消杀清洁工作，以及戴口罩和勤洗手等行为引导也对疫情防控起到了一定的作用。

尽管中国政府和人民在抗击新冠肺炎疫情方面已经取得了令世界瞩目的阶段性胜利，但目前主流学术界认为新冠肺炎疫情将呈现常态化，甚至变成类似流感一样的季节性流行病[19]，因此常态化疫情防控将是中国必须长期面对的难题和挑战。显然，加强医学方面的研发至关重要，包括简捷准确的检测方法、长效安全的疫苗、有效且低成本的治疗方案和深入的血清学研究等。本文的焦点主要是非医疗的疫情防控措施。我认为，面对常态化疫情，急需先进的数字化管理体系和方法，为此，我提以下三点建议，这些建议对于新型冠状病毒以外的其他公共卫生突发事件也有借鉴意义。

第一，要进一步优化和升级健康码，实现更广的覆盖和更高效的流行病追踪。

首先，要加快推进全国健康码的打通。目前健康码还存在各地割据的情况，在推进的过程中，中央应该和地方“分数”，就是不能一刀切把地方的数据收上来又不让地方使用这些数据。因为地方没有这些数据，就会两眼一抹黑，处理不了本地有特殊性的问题，更何况很多地方的健康码已经绑定了其他市民应用。不仅是公共卫生，中央各部门要想真正实现数据融通的一张网、一盘棋，应和地方“分数”，让地方在数据上也不吃亏。其次，在部分高风险公共地区，要变“亮码通行”为“扫码通行”。

个人只需要打开微信或支付宝“扫一扫”各类公共场所张贴的二维码，就可以立刻、快速记录个人轨迹。通过对人员活动轨迹的精准溯源和叠加分析，可以实现一旦发现确诊或疑似患者，立刻就能找到和他们使用相同交通工具或在相同时空驻留的密切接触者。“扫码记”适用于机关企事业单位、商场、超市、药店、楼宇、餐馆饭店、公交地铁等场景，特别是在部分亮码后无法及时准确返回地点类型和精确位置的场景。最近已经有研究分析了各类公共场所的风险[20]，扫码功能可以优先选择风险高的场所进行布置。最后，在特定场合或特殊情况下，可以采用蓝牙技术进行定位。

例如，内部空间较大的公共场所（如大型商场）和具有大量人员的、相对封闭的工作生活混杂区域（如高校），如果一出现确诊患者就全部隔离，在后期可能会带来很大的公共卫生资源负担，所以需要进一步了解场所内部的精确轨迹，此时低功耗蓝牙就可以发挥作用了。新加坡政府从2020年4月9日后，开始使用基于手机蓝牙的BlueTrace系统进行接触追踪，要求公民下载和使用对应的App，从而可以利用蓝牙信号自动发现密切接触行为和接触时长。每个手机终端按照15分钟一次进行动态ID轮替和加密，使得除政府之外的任何第三方都无法长期追踪某手机用户的轨迹。所有接触行为均进行本地存储（存储量极小）且用户无法删除近期数据，如果用户在确诊或高度疑似患者的密切接触对象中，政府可以通过加密协议端对端提出请求并自动获取该用户的数据[21]。相应的机制和协议可以保护隐私并保障高效率的传播接触，有相当的借鉴意义，建议中国开展相关的追踪研究和小规模试点。

第二，要基于真实数据和流行病传播的动力学机制，建立具有决策支撑作用的仿真系统。

要基于高度精细化的社会人口统计数据，分别构建包含家庭、学校、公司和社区的人工社会网络模型，结合不同流行病的动力学特性和关键参数，建立可以再现真实流行病传播行为的仿真系统。基于仿真系统，实现对流行病传播趋势的早期预测，量化关键影响因素（如人口流动和人口接触模式等）对整体传播速度和发生规模的影响，分析现有干预策略（如城市进出交通管制、居民出行限制、检测和隔离措施、市内交通管制、生活卫生习惯改变、关闭学校、中止生产和服务、基于健康码的快速接触追踪等）对流行病防控的效果。

应分析公共卫生资源储备对流行病防控的影响，以及防控措施的经济社会代价，实现从防控效果和经济社会代价两个方面对现有防控政策的效果进行定量化的事前预估与事后评价。国外很早就已经有这方面的尝试且相关成果在疫情防控中发挥了重要作用[22]，中国也应该着力开展这方面的系统性的工作。

第三，要加快推进公共数据共享，建立公共应急事件的信息化支撑机制。

我国在取得疫情防控重大胜利的同时，也暴露出了公共卫生危机下协同调度的短板。疫情早期，大量政府和基层组织并未充分利用先进的信息通信技术，而是采用手工作坊式的人海战术“打笨仗、打硬仗”，大大降低了工作效率和群众体验。这是因为社区自下而上的信息力量被忽视，而政府自上而下的数据汇聚还未实现，无法提供高精度的时空场景下高频次的实时数据支撑。因此，亟须推进公共数据共享，打破政府部门“数权即事权”的官本位思想，建立基于大数据的公共应急事件的资源调度和应急处置平台，构建国家、省、市、区、街道、社区多层级联动的信息化系统，实现人员、场所、车辆、物资等时空分散的信息的实时汇聚，支撑快速决策和处置。健康码的推行已经积累了大量高价值的微观数据，可以作为该系统的重要支撑。未来这些数据还可以应用于新型基层社会治理体系的建设，使得基层工作人员可以同时掌握人、地、事、物、组织5大要素，真正实现“网格划分清晰、居住状况明确、人员定位准确、责任落实到位”的基层社区治理新格局。

参考文献

[1] Anderson R M, May R M. Infectious Diseases of Humans: Dynamics and Control [M]. Oxford: Oxford University Press, 1991.

[2] Pastor-Satorras R, et al. Epidemic processes in complex networks[J]. Review of Modern Physics, 2015, 87: 925-979.

[3] Li Q, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus–infected pneumonia[J]. NEJM, 2020, 382: 1199-1207.

[4] Zhou T, et al. Preliminary prediction of the basic reproduction number of the Wuhan novel coronavirus 2019-nCoV[J]. Journal of Evidence-Based Medicine, 2020（13）: 3-7.

[5] Li R, et al. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus（SARS-CoV2）[J]. Science, 2020, 368: 489-493.

[6] Chen D B, Zhou T. Control Efficacy on COVID-19 [EB/OL] https://arxiv.org/abs/2003.00305.

[7] 陈端兵，等，新型冠状病毒肺炎防控效果的定量评估[J]. 电子科技大学学报，2020，49（3）：339-344.

[8] Zhang J, et al. 2020 Evolving epidemiology and transmission dynamics of coronavirus disease 2019 outside Hubei province, China: a descriptive and modelling study[J]. Lancet Infect. Dis., 2020, 20: 793-802.

[9] Nishiura H, Linton N M, Akhmetzhanov A R. Serial interval of novel coronavirus（COVID-19）infections[J]. Int. J. Infect. Dis., 2002, 93: 284-286.

[10] Du Z, et al. Serial Interval of COVID-19 among Publicly Reported Confirmed Cases[J]. Emerging Infectious Diseases, 2020, 26: 1341-1343.

[11] 李冀鹏，等. 评估新型冠状病毒地区防控效果的一种近似方法[J]. 物理学报，2020，69：100201.

[12] 喻孜，等. 基于时变参数-SIR模型的2019-nCoV疫情评估和预测[J]. 电子科技大学学报，2020，49（3）：357-361.

[13] Liu Q H, et al. The COVID-19 outbreak in Sichuan, China: epidemiology and impact of interventions[EB/OL]. [2020-07-20]. https://www.medrxiv.org/content/10.1101/2020.07.20.20157602vl.

[14] Zhang J, et al. 2020 Changes in contact patterns shape the dynamics of the COVID-19 outbreak in China[J]. Science，2020，368:1481-1486.

[15] 汪剑眉，李钢. 新冠肺炎非均匀感染力传播模型与干预分析[J]. 电子科技大学学报，2020，49（3）：392-398.

[16] Ferretti L, et al. Quantifying SARS-COV-2 transmission suggests epidemic control with digital contact tracing[J]. Science, 2020,368: abb6936.

[17] Kojakn S, Hebert-Dufresne L, Ahn Y Y, The effectiveness of contact tracing in heterogeneous networks[EB/oL]. [2020-05-05]. https://arxiv.org/abs/2005.02362.

[18] Bianconi G, et al. A message-passing approach to epidemic tracing and mitigation with apps[EB/OL]. [2020-07-10]. https://arxiv.org/abs/2007.05277.

[19] Kissler S M, et al. Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period[J]. Science, 2020, 368: abb5793.

[20] Benzell S G, Collis A, Nicolaides C. Rationing social contact during the COVID-19 pandemic: Transmission risk and social benefits of US locations[J]. PNAS, 2020, 117: 14642-14644.

[21] Bay J, et al. BlueTrace: A privacy-preserving protocol for community-driven contact tracing across borders, from Singapore's Government Technology Agency[EB/OL]. https://bluetrace.io/.

[22] Balcan D, et al. Modeling the spatial spread of infectious diseases: The Global Epidemic and Mobility computational model [J]. Journal of Computational Science, 2020, 1: 132-145.