2020年1月中下旬，武汉爆发新型冠状病毒（COVID-19）感染肺炎疫情，由于部分国家对该病毒重视程度不够或应对措施不当，疫情经过一个月左右平稳传播后形成了全球大爆发[1-4]，截止2020年7月26日，全球累计确诊感染者已超过1600万，实际感染人口估计数千万计，累计死亡人数超过了64万，每日新增确诊人数接近30万，疫情并未按照某些专家所期望的随着全球气温升高、已感染人数增加而趋于缓慢传播，反而呈现出愈演愈烈的态势。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和成果，并基于此讨论疫情常态化后的治理方法。
2019年12月8日，武汉出现首例新型冠状病毒肺炎患者；2020年1月中下旬，武汉爆发疫情，随后由于春运造成大规模人员迁移，造成疫情在全国蔓延并在全球爆发。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）。
我国在2020年1月20日迅速采取了一系列防控措施，有效遏制了新冠肺炎的传播。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[5]，它被定义为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，用大白话说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[6]近似刻画，且自由传播时呈指数趋势，并根据早期流行病传播关键参数[7]，可以估计基本再生数为2.2-3.0[8]。但看基本再生数，COVID-19和SARS是接近的，但是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以及因为未被检测到的感染者[9]。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，一个感染者平均而言可以感染其他个体的数量。以前的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[10][11]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——除湖北外所有省份有效生成数都在实施防控措施（以2020年1月21日为起点）一周内下降到了1以下。同期利用几个省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[12]。
对于这类传染性较高（基本再生数在2-3之间[8]）、传播速度快（早期数据显示平均代际时间只有7.5天[7]，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[13][14]，远远duanyu SARS）、发病叫缓慢且存在大量无症状和轻微症状[9]的呼吸道传染病，人类历史上还没有成功控制的先例，中国政府，至少到目前为止，是创造了奇迹！有研究人员根据公开报道的确诊情况，结合地区人口以及疫情管控前从武汉流入人口的数据，对中国的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最为出色城市石家庄的经验[15]。结合各种学术论文、新闻报导和流行病防控历史经验，去除个别地区的特殊优势（例如石家庄是中国口罩主要产地等），我认为中国的成功主要应归功于三个方面。第一是反馈及时。在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后，各省市自治区立刻采取了果断严厉的措施。若以1月21日作为防控地点日，大部分地区三至四天内有效再生数就降到了1以下[10-12]，不可谓一种奇迹。喻孜等人[16]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[17]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，阻断或者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，再实施防控策略之后，每天的有效接触人数下降到了原来的8/1至1/7的水平[18]。建模分析显示降低接触是最为有效的防控措施[18][19]。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8/1至1/7的水平。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。传统流行病追踪是通过访谈确诊患者，必然存在诸多局限性，例如患者身体和精神状况不佳、患者难以精确回忆到过的地方和时间等等。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，主要是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“是否采用数据追踪技术”对于疫情的影响，但是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[20-22]。除了以上三方面关键要素外，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疫情方面已经取得了令世界瞩目的阶段性胜利，但是目前主流学术界认为新冠疫情将呈现常态化，甚至变成类似流感一样的季节性流行病[23]，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等。本文的焦点主要是非医疗的疫情防控措施。我认为常态化疫情亟需先进的数字化管理体系和方法，为此我提三点建议，这些建议对于新冠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，就会眼前一抹黑，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，只有和地方“分数”，让地方在数据上也不吃亏，不然肯定推进不了。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，立刻可以快速记录个人轨迹，通过对人员活动轨迹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利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[24]，扫码功能可以优先选择风险高的场所进行布置。最后，在特定场合或者特殊情况下，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）和大量人员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，在后期有可能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，这时候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系统进行接触最终。公民被要求下载和使用对印的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，使得除政府外任何第三方都无法长期最终某手机用户的轨迹。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，如果用户在确诊或者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[25]。相应的机制和协议可以同时保护隐私并保障高效率传播接触，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）对整体传播速度和爆发规模的影响。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。分析公共卫生资源储备对于流行病防控的影响，以及防控措施的经济社会代价。实现从防控效果和社会经济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和事后评价。国外很早就已经有这方面的尝试并在疫情防控中发挥了重要作用[26]，中国也应该着力开展这方面系统性的工作。
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，亟需推进公共数据共享，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，构建联动国家、省、市、区、街道、社区多层级的信息化系统，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] J. T. Wu, K. Leung, G. M. Leung, Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study, Lancet 395 (2020) 689-697.
[2] V. J. Munster, et al., A Novel Coronavirus Emerging in China: Key Questions for Impact Assessment, NEJM 382 (2020) 692-694.
[3] N. Zhu, et al., A novel coronavirus from patients with pneumonia in China, 2019, NEJM 382 (2020) 727-733.
[4] 栾荣生，等, 新型冠状病毒肺炎的流行病学、临床治疗与疫情防控, 四川大学学报（医学版） 51(2) (2020) 131-138.
[5] R. M. Anderson, R. M. May, Infectious Diseases of Humans: Dynamics and Control (Oxford University Press, Oxford, 1991).
[6] R. Pastor-Satorras, et al., Epidemic processes in complex networks, Review of Modern Physics 87 (2015) 925-979.
[7] Q. Li, et al., Early transmission dynamics in Wuhan, China, of novel coronavirus–infected pneumonia, NEJM 382 (2020) 1199-1207.
[8] T. Zhou, et al., Preliminary prediction of the basic reproduction number of the Wuhan novel coronavirus 2019-nCoV, Journal of Evidence-Based Medicine 13 (2020) 3-7.
[9] R. Li, et al., Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV2), Science 368 (2020) 489-493.
[10] D.-B. Chen, T. Zhou, Control Efficacy on COVID-19, arXiv: 2003.00305.
[11] 陈端兵, 等，新型冠状病毒肺炎防控效果的定量评估，电子科技大学学报 49(3) (2020) 339-344.
[12] J. Zhang, et al., 2020 Evolving epidemiology and transmission dynamics of coronavirus disease 2019 outside Hubei province, China: a descriptive and modelling study, Lancet Infect. Dis. 20 (2020) 793-802.
[13] H. Nishiura, N. M. Linton, A. R. Akhmetzhanov, Serial interval of novel coronavirus (COVID-19) infections, Int. J. Infect. Dis. 93 (2020) 284-286.
[14] Z. Du, et al., Serial Interval of COVID-19 among Publicly Reported Confirmed Cases, Emerging Infectious Diseases 26 (2020) 1341-1343.
[15] 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, 物理学报 69 (2020) 100201.
[16] 喻孜, 等. 基于时变参数-SIR模型的2019-nCoV 疫情评估和预测，电子科技大学学报 49(3) (2020) 357-361.
[17] Q.-H. Liu, et al., The COVID-19 outbreak in Sichuan, China: epidemiology and impact of interventions, medRxiv: 2020.07.20.20157602.
[18] J. Zhang, et al., 2020 Changes in contact patterns shape the dynamics of the COVID-19 outbreak in China, Science 368 (2020) 489-493.
[19] 汪剑眉，李钢. 新冠肺炎非均匀感染力传播模型与干预分析，电子科技大学学报 49(3) (2020) 392-398.
[20] L. Ferretti, et al., Quantifying SARS-COV-2 transmission suggests epidemic control with digital contact tracing, Science 368 (2020) abb6936.
[21] S. Kojakn, L. Hebert-Dufresne, Y.-Y. Ahn, The effectiveness of contact tracing in heterogeneous networks, arXiv: 2005.02362.
[22] G. Bianconi, et al., A message-passing approach to epidemic tracing and mitigation with apps, arXiv: 2007.05277.
[23] S. M. Kissler, et al., Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period, Science 368 (2020) abb5793.
[24] S. G. Benzell, A. Collis, C. Nicolaides, Rationing social contact during the COVID-19 pandemic: Transmission risk and social benefits of US locations, PNAS 117 (2020) 14642-14644.
[25] J. Bay, et al., BlueTrace: A privacy-preserving protocol for community-driven contact tracing across borders, from Singapore's Government Technology Agency, https://bluetrace.io/.
[26] D. Balcan, et al., Modeling the spatial spread of infectious diseases: The Global Epidemic and Mobility computational model, Journal of Computational Science 1 (2020) 132-145.
