斯坦福模型绘制城市COVID-19传播图，辅助政策决策
随着COVID-19病例全国增加，城市官员面临防控感染传播与支持商业的艰难平衡。斯坦福大学计算机模型以其创作者希望的方式展示流动性和接触模式，有望帮助社区领导者决策。
斯坦福团队表示，其模型的特异性可作为官员的宝贵工具，模拟揭示了场所限制容量开放时，新增感染与销售损失之间的权衡。
主要结论：根据模型（及上方斯坦福大学视频），将入住率上限限制在最大容量50%，经济仅损失5%-10%的客流量，但总感染数减少50%以上。
利用手机匿名大规模数据，斯坦福团队分析美国10大都会区（包括亚特兰大、达拉斯、纽约市——总计超9800万人）的移动模式。
计算机模型通过分析驱动感染风险的三因素，准确预测了春季这十大城市COVID-19传播：人们一天去哪些地方、停留多久；以及场所同时有多拥挤。
"少数兴趣点的感染，占了很大比例感染。"
本月发表在Nature ,的研究，结合人口统计数据、流行病学估计和匿名手机位置信息，预测大多数家庭外COVID-19传播发生在"超级传播点"，人们长时间近距离聚集。
"我们建立计算机模型分析不同人口背景、不同社区的人，访问拥挤程度不同的各类场所。基于此，我们能预测任何特定地点或时间发生新增感染的可能性，"斯坦福计算机科学家、首席研究员Jure Leskovec 说。
Leskovec团队得出结论：密度上限，即限制场所入住率，总体减少感染，也减少COVID-19影响的社区间差异。模型表明流动模式驱动不成比例风险。
"低收入群体更倾向于光顾高密度场所，"研究合著者、斯坦福人文科学学院社会学教授David Grusky说（见上方视频）。"例如，低收入社区杂货店密度更高、更拥挤。"
Tech Briefs更多计算机模型内容
Tech Briefs TV观看：MIT计算机模型实现最复杂3D DNA形状。
Billy博客： 突破性模型提供可充电电池内部更好视角。
杂志： NASA基于模型的诊断引擎
同时领导斯坦福贫困与不平等中心的Grusky表示，模型显示低入住率上限重开商业最有利于弱势群体。
"因雇佣少数族裔和低收入人群的场所往往更小更拥挤，重开商店的入住率上限可降低他们面临风险，"Grusky说。"我们有责任制定重开计划，消除或至少减少当前做法造成的差异。"
斯坦福如何收集数据
聚合移动应用匿名位置数据的SafeGraph公司，向斯坦福建模者展示人们去哪、待多久；最重要的是每个场所面积，以便研究人员确定每小时入住密度。
斯坦福研究城市包括纽约、洛杉矶、芝加哥、达拉斯、华盛顿特区、休斯顿、亚特兰大、迈阿密、费城和旧金山。
研究第一阶段（3月8日至5月）利用流动数据预测冠状病毒传播率。模型结合每日卫生官员报告的COVID-19感染数，研究人员开发并完善一系列方程，计算不同时间地点的感染事件概率。
预测与卫生官员实际报告紧密吻合，给研究人员模型可靠性信心。
团队（含博士生Emma Pierson）公开工具和数据，供其他研究者复现和拓展发现。
下面简短问答中，Pierson告诉Tech Briefs为何模型表明重开策略不必"非黑即白"。
Tech Briefs：模型本身收集何种数据，允许有价值的"特异性"，尤其是与现有建模方法相比？
Emma Pierson：我们使用SafeGraph匿名聚合数据，该公司利用手机数据追踪人类移动模式。数据记录每小时多少人去餐馆、杂货店等兴趣点（POI），及其来自哪些社区。
我们的分析基于2020年3月至5月十大美国都会区数据（首波感染）。这种细粒度流动数据让我们建模谁被感染、在哪感染、何时感染。
Tech Briefs：你认为模型得出的最重要结论是什么？
Emma Pierson：分析得出多个结论，但两个最重要：
- 重开不必"非黑即白"：降低最大入住率等策略能以相对较小客流量减少换取大幅感染减少，实现更高效重开。
- 模型还表明种族和社会经济差异部分源于流动性：非不可避免，可受短期政策决策影响。因此评估重开策略时，不仅要考虑整体人口影响，还要考虑对弱势群体影响。这支持加州和拜登-哈里斯过渡团队采取的措施，专门考虑重开政策对弱势群体影响。
Tech Briefs：官员如何最有效使用你的模型？
Emma Pierson：上述两发现直接关联政策，帮助制定更有效公平重开策略。我们也在构建在线工具，让决策者和公众与模型互动学习。最后，我们在更新数据上拓展分析，因原始分析基于春季数据，此后许多情况已变。
你怎么看？在下方分享你的问题和评论。
传感器