公共卫生社会措施与新型冠状病毒感染疫情防控效果的关联分析

Association of public health and social measures with the effectiveness of COVID-19 epidemic control

摘要

目的 公共卫生社会措施是一个国家控制疫情传播的重要途径，但它也会影响正常的社会经济秩序。本研究旨在分析2020年1月至2022年9月全球118个国家公共卫生社会措施政策强度差异、时间变化趋势及其与新型冠状病毒感染(corona virus disease 2019，COVID-19)防控效果的关联，为科学制定相关公共卫生社会措施提供参考。 方法 通过箱式图描述118个国家在疫情流行期间的公共卫生社会措施综合及单项政策强度得分的分布特征，通过拟合线性和非线性模型检验118个国家公共卫生社会措施政策强度的时间变化趋势，采用双因素固定效应模型分析公共卫生社会措施政策强度与COVID-19有效再生数的关联。 结果 118个国家间的公共卫生社会措施综合政策强度得分介于7.78~69.75。在所纳入的118个国家中，108个国家的公共卫生社会措施综合政策强度得分曲线拟合模型(均为3次曲线模型)有统计学意义且决定系数均大于0.25，其中59个国家公共卫生社会措施综合政策强度得分整体上随时间递增，49个国家随时间递减。调整协变量、国家的个体固定效应和时间固定效应后，公共卫生社会措施综合政策强度得分与有效再生数呈负相关(β’=-0.076，P<0.05)；关闭学校措施、关闭工作场所措施、聚集限制措施、国内出行限制措施、戴口罩措施等5项措施政策强度得分与COVID-19有效再生数均呈负相关(分别β’=-0.020、β’=-0.046、β’=-0.032、β’=-0.011和β’=-0.030，均P<0.05)；国际旅行限制措施政策强度得分与COVID-19有效再生数呈正相关(β’=0.053，P<0.05)。 结论 COVID-19大规模流行期间，全球118个国家的公共卫生社会措施平均执行力度相差极大。关闭学校、关闭工作场所、聚集限制、国内出行限制和戴口罩措施能够有效地控制COVID-19的发展，国际旅行限制措施的防控效果随时间推移而逐渐减弱。

Abstract

Objective Public health and social measures are essential tools for countries to control epidemic transmission but may also disrupt normal socioeconomic activities. This study aims to analyze differences in public health and social measures policy stringency, temporal trends, and their association with corona virus disease 2019 (COVID-19) control outcomes in 118 countries from January 2020 to September 2022, providing evidence to support the formulation of scientifically grounded public health and social measures policies. Methods Boxplots were used to describe the distribution of overall and individual public health and social measures policy stringency scores across 118 countries during the pandemic. Linear and nonlinear models were fitted to examine temporal trends in public health and social measures policy stringency. A two-way fixed-effects model was applied to analyze the association between public health and social measures policy stringency and the effective reproduction number of COVID-19. Results The overall public health and social measures stringency scores across the 188 countries ranged from 7.78 to 69.75. Among these countries, temporal trend models for public health and social measures stringency were statistically significant in 108 countries (all third-order polynomial models), with coefficients of determination exceeding 0.25. Overall public health and social measures stringency increased over time in 59 countries but decreased in 49 countries. After adjusting for covariates, country-level fixed effects, and time fixed effects, the overall public health and social measures policy stringency score was negatively associated with effective reproduction number (β’=-0.076, P<0.05). Five individual public health and social measures components, school closures, workplace closures, gathering restrictions, domestic movement restrictions, and mask-wearing policies, were each negatively associated with the effective reproduction number (β’=-0.020, β’=-0.046, β’=-0.032, β’=-0.011, and β’=-0.030, respectively; all P<0.05). In contrast, international travel restrictions were positively associated with the effective reproduction number (β’=0.053, P<0.05). Conclusion During the COVID-19 pandemic, the average intensity of public health and social measures implementation varied widely across 118 countries. School closures, workplace closures, gathering restrictions, domestic movement restrictions, and mask-wearing measures effectively curbed COVID-19 transmission, whereas the effectiveness of international travel restrictions diminished over time.

Graphical abstract

关键词

新型冠状病毒 / 公共卫生社会措施 / 政策强度 / 疫苗接种 / 有效再生数

Key words

corona virus disease 2019 / public health and social measures / policy stringency / vaccination / effective reproduction number

2020年3月11日世界卫生组织(World Health Organization，WHO)宣布，由严重急性呼吸综合征冠状病毒2型(severe acute respiratory syndrome coronavirus 2，SARS-CoV-2)引起的新型冠状病毒感染(corona virus disease 2019，COVID-19)暴发为大规模流行^[1]，各国陆续制定和实施了不同的公共卫生社会措施来控制疫情传播。公共卫生社会措施是一个国家控制疫情传播的重要途径，但其也会对社会经济秩序造成影响。

既往研究大多聚焦于公共卫生社会措施与COVID-19的短期关联研究^[2-5]，且多采用横断面数据或时间序列数据进行分析，未考虑干预措施和结局指标的动态变化和个体地区间差异^[5-7]。此外，既往关于公共卫生社会措施效果评价的研究^[8-10]未考虑疫苗接种和病毒变异等重要混杂因素对疫情发展的影响。截至目前，暂未检索到关于公共卫生社会措施与COVID-19的长期关联研究。在此背景下，本研究通过分析新型冠状病毒感染疫情期间不同国家的公共卫生社会措施政策强度差异、时间变化趋势及其与COVID-19疫情防控效果的关联，为未来全球科学实施公共卫生社会措施政策应对类似疫情提供参考。

1 资料与方法

1.1 研究设计

本研究为生态学研究，基于118个国家2020年1月至2022年9月公共卫生社会措施政策强度的面板数据，分析不同国家公共卫生社会措施政策实施强度差异及其变化与COVID-19防控效果的关联。

1.2 资料收集

本研究从Our World in Data等10个开源平台^{[1, 11-19]}按照国家和日期获取了公共卫生社会措施政策强度和其他相关指标的面板数据，剔除其中任意一个变量缺失值超过30%的国家，并对纳入对象低于30%的变量缺失值通过滑动平均插补进行补充，最终选取全球118个国家作为研究对象(表1)。

1.3 数据来源

1.3.1 COVID-19有效再生数

有效再生数是指在特定时间点考虑到人群可能已经具有免疫力并且正采取各种干预措施的情况下，一个原发病例能够产生继发病例的平均数^[20]。有效再生数大于1，表示病例数随时间的推移而增加，并有可能出现大规模流行，它是反映传染病传播性的重要指标，常被用于评估政策变化、群体免疫及其他因素如何在特定时间点影响病毒传播^[21-23]。参照既往研究^[24-27]，本文用有效再生数来反映COVID-19疫情的防控效果。GitHub代码托管平台提供了相应代码和全球多国COVID-19有效再生数的纵向数据集^[12]。

COVID-19人均检测数量的数据来自Our World in Data数据库^[28]，人口移动数据来自Google公司发布的《COVID-19社区流动性报告》(2020年)^[13]。

1.3.2 公共卫生社会措施政策强度

本研究的公共卫生社会措施政策强度数据来源于Our World in Data网站的Oxford Coronavirus Government Response Tracker(OxCGRT)数据库^{[11, 29]}。OxCGRT数据库汇总了全球约180个国家/地区政府官方网站和新闻媒体报道的关于应对COVID-19流行的政策措施，根据其内容划分为23类，并按照国家或地区记录每一类政策措施的内容、开始时间、结束时间、实施范围、强制程度等信息，再对每一类政策措施的实施范围和强制程度赋分，得到政府每日实施COVID-19防控措施的政策强度分值(0~100)，该数据在其网站上免费向全球开放。根据WHO汇总的公共卫生社会措施的具体内容^[30-31]，本研究在OxCGRT数据库中提取了关闭学校、关闭工作场所、国内出行限制、聚集限制、国外旅行限制和戴口罩的数据，并根据公共卫生社会措施的政策强度计算公式计算上述6项措施的综合政策强度得分(附表1，https://doi.org/10.57760/sciencedb.xbyxb.00121)。

1.3.3 疫苗接种数据

疫苗接种是影响COVID-19发展进程的重要因素，本研究选取每百万人新增疫苗接种数作为疫苗接种情况的衡量指标，该数据来自Our World in Data全球COVID-19疫苗接种数据集^[32]。同时，本文选择联合国经济和社会事务部人口司世界人口展望数据库中的人口数据计算每百万人新增疫苗接种数^[14]。

1.3.4 病毒变异株数据

GISAID平台^[33]是一个提供流感病毒数据的在线共享平台，其中包括SARS-CoV-2病毒数据。根据研究选取的时间范围内WHO划分的COVID-19需要特别关注的变异株类型^[34]。本研究从GISAID平台获取了截至2022年9月19日Alpha变异株、Beta变异株、Delta变异株、Gamma变异株和Omicron变异株随时间变化的相对频数，以每日相对频数最大的变异株作为该国当日的主要流行株，从而获得本研究所纳入国家在研究时间范围内COVID-19变异株的动态变化数据。

1.3.5 其他协变量数据

本研究参考以往相关研究^{[2-3, 9]}，选取人口密度、65岁以上人口比重、人均国内生产总值、人类发展指数、心血管疾病年龄标化死亡率、糖尿病年龄标化死亡率、超重患病率、期望寿命、每千人病床数、政府卫生支出占卫生总费用比重和人均卫生费用作为协变量。相关数据均来自官方公开数据库^[14-19](附表2，https://doi.org/10.57760/sciencedb.xbyxb.30530)。

1.4 统计学处理

采用算术平均数描述118个国家研究期内关闭学校、关闭工作场所、聚集限制、国内出行限制、国际旅行限制、戴口罩措施的政策强度得分和6项措施综合政策强度得分，在此基础上采用箱式图描述118个国家公共卫生社会措施政策强度算术平均数的分布。

以月为单位计算各类指标的平均数，拟合公共卫生社会措施政策强度得分和有效再生数随时间变化的线性模型及常见非线性模型^[35]，并选择最优模型，将决定系数(R²)>0.25的模型视作拟合优度较高的模型^[36]。

在多因素分析中，为了确保解释变量在回归模型中提供独立的信息，本研究计算了协变量的方差膨胀因子(variance inflation factor，VIF)，并逐步从模型中剔除VIF最高的协变量，直到所有协变量的VIF均小于10。回归模型以关闭学校、关闭工作场所、国内出行限制、聚集限制、国外旅行限制和戴口罩单项措施的政策强度得分及公共卫生社会措施综合政策强度得分为自变量，以人口密度、65岁以上人口比重、人均国内生产总值、人类发展指数、心血管疾病病死率、糖尿病病死率、成人超重率、期望寿命、每千人病床数、政府卫生支出占卫生总费用比重为协变量分别进行拟合，探索公共卫生社会措施的政策强度对COVID-19防控效果的影响。

本研究的自变量和因变量是由不同截面单位上的多个时间序列组成，反映国家和时间2个维度的信息，故选用面板数据回归模型分析数据。首先对国家和时间2个维度的固定效应与随机效应进行检验，通过方差齐性检验判断数据是否存在国家和时间效应，从而确定选择单因素模型还是双因素模型，通过Hausman检验判定选择固定效应模型还是随机效应模型^[37]。

由于政策措施的下达和执行对COVID-19防控效果的影响存在时间滞后性，现有研究通常认为公共卫生社会措施存在7 d的滞后效应^[38]，因此本研究使用前7 d的自变量数据进行模型拟合。人口密度、65岁以上人口比重、人均国内生产总值、人类发展指数、心血管疾病病死率、糖尿病病死率、成人超重率、期望寿命、每千人病床数、政府卫生支出占卫生总费用比重对有效再生数的影响不具有滞后性，因此无需进行滞后处理。

所有数据分析均采用Stata 16软件和Graphpad Prism 9.5软件完成，P<0.05为差异具有统计学意义。

2 结 果

2.1 不同国家公共卫生社会措施政策强度

在公共卫生社会措施的综合政策强度方面，中国平均得分(69.755)最高，尼加拉瓜平均得分最低，为7.781；在关闭学校措施政策强度方面，乌克兰平均得分(82.875)最高，白俄罗斯(1.181)最低；在关闭工作场所措施政策强度方面，伊朗平均得分(82.657)最高，尼加拉瓜平均得分为0；在限制聚集措施政策强度方面，吉布提该措施平均得分最高，为98.686，尼加拉瓜平均得分为0；在国内出行限制措施政策强度方面，几内亚平均得分(81.264)最高，白俄罗斯、冰岛、拉脱维亚和尼加拉瓜在研究期间未采取任何国内出行限制措施；在国际旅行限制措施政策强度方面，新西兰平均得分最高，为85.401，尼加拉瓜平均得分最低，为25.147；在戴口罩措施政策强度方面，孟加拉国平均得分为92.271，瑞典平均得分最低，为7.336(图1)。

2.2 公共卫生社会措施政策强度的时间变化趋势

2.2.1 公共卫生社会措施政策强度变化趋势模型拟合结果

分别通过11种线性和非线性模型拟合118个国家公共卫生社会措施政策强度得分变化趋势，结果显示：3次曲线模型对6项措施及公共卫生社会措施综合政策强度得分的拟合效果最好，但是不同国家的拟合效果存在差异。108个国家的公共卫生社会措施的综合政策强度得分的3次曲线拟合模型均有统计学意义(均P<0.05)，且模型的R²>0.25。模型拟合效果最优的前3个国家为阿根廷(R²=0.932)、美国(R²=0.895)、澳大利亚(R²=0.838)，波斯尼亚和黑塞哥维那、多哥共和国、阿拉伯联合酋长国、南非、尼加拉瓜、海地、乌克兰、中国、俄罗斯和乌干达10个国家的公共卫生社会措施的综合政策强度得分均无明显线性或非线性变化趋势(均P>0.05)。在3次曲线拟合模型的R²>0.25的国家中，博茨瓦纳、孟加拉国和智利等59个国家的公共卫生社会措施综合政策强度得分均随时间递增，阿尔巴尼亚、黎巴嫩和瑞典等49个国家的综合政策强度得分均随时间递减。

在单项措施中，98个国家的关闭学校措施政策强度3次曲线拟合模型的R²>0.25(P<0.05)，模型拟合最佳的国家为阿根廷(R²=0.910)，乌克兰等20个国家的模型拟合结果均无明显线性或非线性变化趋势(均P>0.05)。94个国家的关闭工作场所措施政策强度的3次曲线拟合模型的R²>0.25且均P<0.05，拟合效果最好的前3国家为智利(R²=0.879)、瑞典(R²=0.866)、阿根廷(R²=0.865)，韩国等23个国家的结果均无统计学意义，尼加拉瓜在研究期内未制定任何与关闭工作场所相关的政策。在聚集限制措施政策强度中，104个国家拟合模型的R²>0.25且均P<0.05，乌干达等13个国家拟合模型的R²<0.25，尼加拉瓜在研究期内未制定任何与聚集限制相关的政策。114个国家国内出行限制措施政策强度拟合模型中，78个国家的R²≥0.25，1个国家(荷兰)的R²=0.248(均P<0.05)，其余35个国家3次曲线拟合模型均无统计学意义(均P>0.05)，白俄罗斯、冰岛、拉脱维亚和尼加拉瓜在研究期内均未制定任何与国内出行限制相关的政策。97个国家的国际旅行限制措施政策强度得分随时间变化的拟合模型的R²>0.25且均P<0.05，1个国家(危地马拉)的3次曲线拟合模型不佳(R²=0.248，P<0.05)，阿拉伯联合酋长国等20个国家和地区的拟合模型均无统计学意义(均P>0.05)。101个国家的戴口罩措施政策强度拟合模型的R²>0.25且均P<0.05，日本等17个国家拟合模型均无统计学意义。

2.2.2 公共卫生社会措施政策强度对COVID-19防控效果的回归分析

面板数据回归模型和Hausman检验结果提示本研究应选择双因素固定效应回归模型进行多因素分析，结果显示：随着公共卫生社会措施综合政策强度得分和疫苗接种强度的增加，COVID-19有效再生数均呈下降趋势，标准化偏回归系数为-0.076和-0.065。相比于Alpha变异株，Beta、Delta、Omicron和其他非特别关注的变异株作为主要流行株持续的时间越长，COVID-19有效再生数越大。与Alpha变异株相比，Gamma变异株作为流行株持续的时间越长，COVID-19有效再生数越低，其标准化偏回归系数为-0.006(表2)。

公共卫生社会措施单项措施政策强度得分的回归结果显示：关闭学校、关闭工作场所、聚集限制、国内出行限制和戴口罩措施的政策强度得分与COVID-19有效再生数的标准化偏回归系数分别为-0.020、-0.046、-0.032、-0.011和-0.030，国际旅行限制措施对应的标准化偏回归系数为正数，每百万人新增疫苗接种数与COVID-19再生数呈负相关。相比于Alpha变异株，Beta、Delta、Omicron和非特别关注的变异株作为流行株持续的时间越长，COVID-19有效再生数越高，而Gamma变异株作为流行株持续的时间越长，COVID-19有效再生数越低(表3)。

3 讨 论

本研究发现不同国家的公共卫生社会措施政策强度得分及其变化存在较大差异。在纳入研究的118个国家中，公共卫生社会措施的综合政策强度得分整体最高的国家是中国，最低的是尼加拉瓜。中国在疫情发展初期就高度重视疫情防控工作，并在2020年1月23日暂时关闭了离开武汉的通道^[39]。之后各个城市针对COVID-19防控均采取严格的公共卫生社会措施，2020年4月国内疫情得到全面控制^{[9, 40-44]}。此后，中国又将COVID-19疫情防控的工作重心转移到境外输入性疫情防控上，对出入境采取了严格的管理措施^[45]。而尼加拉瓜作为美洲第2贫穷的国家，其政府未采纳WHO建议的预防措施，且民众还通过大规模公共活动来抗议这些建议。这种现象不仅归因于尼加拉瓜的经济发展水平，还与尼加拉瓜政府的权力结构密切相关^[46]。泰国公共卫生社会措施政策强度得分在研究期间存在显著的下降趋势，其在疫情发展初期采取了一系列的封锁和管制措施，但这些措施对泰国的旅游经济造成了重创，因此2020年4月22日后泰国政府取消了疫情管控区，并逐渐放开了国际旅行限制^[47]。

由回归分析结果可知，公共卫生社会措施综合政策强度的提高能够有效降低COVID-19有效再生数。在单项措施的回归模型中，除国际旅行限制措施之外的其他5项措施均对COVID-19防控有正向促进作用。从整体来看，关闭学校政策措施有助于控制疫情发展，这与研究^[48-49]相符。关闭工作场所、聚集限制和国内出行限制措施总体上也能有效控制病毒传播，但这仅与个别报道^[50]一致。在对非药物干预措施效果的跨国家研究^[3]中，关闭工作场所、聚集限制和国内出行限制措施并未对控制COVID-19增长率有显著的效果。国际旅行限制措施在COVID-19流行早期对控制疫情跨国家、跨地区传播发挥了重要作用^[51-52]。但本研究结果显示：从长期来看国际旅行限制措施并不能作为一项有效的常态化防控策略。在疫情暴发初期，COVID-19病例集中在某一地区，及时推行国际旅行限制政策能够将病例控制在小范围内，但随着时间的推移，如果COVID-19在一个国家内广泛流行，那么限制国际旅行对疫情防控的影响将会逐渐减弱。戴口罩被证实是效果较好、可持续性较强的干预措施之一^[9]。本研究回归模型分析结果与此一致。

受数据可及性限制，本研究仍存在一定的局限性。首先，本研究未进一步分析人们对政策的依从性、措施的执行程度和政策之间的交互作用。其次，由于结局变量是基于WHO的每日新增报告病例数进行计算，受各国检测策略的影响，可能会低估无症状感染和轻度感染，从而低估感染总数。此外，本研究在研究对象选择上剔除了数据完整性较低的国家，此类国家多为缺乏有效公共卫生社会措施的发展中国家，因此可能会高估全球公共卫生社会措施的政策强度。

总体而言，关闭学校、关闭工作场所、聚集限制、国内出行限制和戴口罩能够有效地控制COVID-19的发展，但经济发展水平较低的国家在制定关闭学校和关闭工作场所相关措施时需要考虑到这2类措施可能会增加人群在学校和工作场所外的危险因素暴露风险^[53]。对于国内出行限制和聚集限制措施，不同的国家需要考虑人群对政府政策的依从性^[3]。国际旅行措施在国内疫情稳定的国家短期内适用，当国内传播风险大幅提高后，国际旅行措施的效果将大打折扣，因此政策制定时需要充分考虑政策的时间节点和周期^[54-55]。与此同时，戴口罩对环境造成的负面影响也需要制订合理的解决方案^[56-58]。在未来公共卫生社会措施效果评价的研究中，还需进一步讨论不同的文化规范对人们行为的影响。政府在制定公共卫生社会措施的相关政策时，应进一步评估措施的负面影响，并及时提供配套的解决方案。

参考文献

[1] World Health Organization. WHO Director-General’s opening remarks at the media briefing on COVID-19-11 March 2020[EB/OL]. (2020-03-11)[2022-11-13].

[2] Rubin D, Huang J, Fisher BT, et al. Association of social distancing, population density, and temperature with the instantaneous reproduction number of SARS-CoV-2 in counties across the United States[J/OL]. JAMA Netw Open, 2020, 3(7): e2016099[2024-11-07].

[3] Banholzer N, van Weenen E, Lison A, et al. Estimating the effects of non-pharmaceutical interventions on the number of new infections with COVID-19 during the first epidemic wave[J/OL]. PLoS One, 2021, 16(6): e0252827[2024-11-17].

[4] Flaxman S, Mishra S, Gandy A, et al. Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe[J]. Nature, 2020, 584(7820): 257-261.

[5] Koh WC, Naing L, Wong J. Estimating the impact of physical distancing measures in containing COVID-19: an empirical analysis[J]. Int J Infect Dis, 2020, 100: 42-49.

[6] Duhon J, Bragazzi N, Kong JD. The impact of non-pharmaceutical interventions, demographic, social, and climatic factors on the initial growth rate of COVID-19: a cross-country study[J]. Sci Total Environ, 2021, 760: 144325.

[7] Auger KA, Shah SS, Richardson T, et al. Association between statewide school closure and COVID-19 incidence and mortality in the US[J]. JAMA, 2020, 324(9): 859-870.

[8] Wang D, Mao ZF. A comparative study of public health and social measures of COVID-19 advocated in different countries[J]. Health Policy, 2021, 125(8): 957-971.

[9] Bo YC, Guo C, Lin CQ, et al. Effectiveness of non-pharmaceutical interventions on COVID-19 transmission in 190 countries from 23 January to 13 April 2020[J]. Int J Infect Dis, 2021, 102: 247-253.

[10] Pan A, Liu L, Wang CL, et al. Association of public health interventions with the epidemiology of the COVID-19 outbreak in Wuhan, China[J]. JAMA, 2020, 323(19): 1915-1923.

[11] Hale T, Angrist N, Goldszmidt R, et al. A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker)[J]. Nat Hum Behav, 2021, 5(4): 529-538.

[12] Methodology for calculating indices[EB/OL]. (2020-01-01)[2023-04-05].

[13] Google. Google COVID-19 community mobility reports 2020[EB/OL]. (2020-04-02)[2023-04-05].

[14] United Nations | Department of economic and social affairs population division. World population prospects[EB/OL]. (2022-07-11)[2023-04-13].

[15] World Health Organization. Global health observatory[EB/OL]. (2023-07-31)[2024-02-13].

[16] The World Bank. World development indicators[EB/OL]. (2023-07-31)[2024-04-13].

[17] United Nations Development Programme. Human development index (HDI)[EB/OL]. (2021-03-02)[2023-04-05].

[18] World Health Organization. Noncommunicable diseases data portal[EB/OL]. (2022-12-31)[2023-04-05].

[19] World Health Organization. Global health expenditure database[EB/OL]. (2022-10-31)[2023-02-05].

[20] Bhatt S, Ferguson N, Flaxman S, et al. Semi-mechanistic Bayesian modelling of COVID-19 with renewal processes[J]. J R Stat Soc Ser A Stat Soc, 2023, 186(4): 601-615.

[21] Wallinga J, Teunis P. Different epidemic curves for severe acute respiratory syndrome reveal similar impacts of control measures[J]. Am J Epidemiol, 2004, 160(6): 509-516.

[22] Cori A, Ferguson NM, Fraser C, et al. A new framework and software to estimate time-varying reproduction numbers during epidemics[J]. Am J Epidemiol, 2013, 178(9): 1505-1512.

[23] 董欢欢. 甘肃省新型冠状病毒肺炎流行病学特征及防控效果分析[D]. 兰州: 兰州大学, 2022.

[24] DONG Huanhuan. Analysis on epidemiological characteristics and prevention and control effects of COVID-19 in Gansu Province[D]. Lanzhou: Lanzhou University, 2022.

[25] Viner RM, Russell SJ, Croker H, et al. School closure and management practices during coronavirus outbreaks including COVID-19: a rapid systematic review[J]. Lancet Child Adolesc Health, 2020, 4(5): 397-404.

[26] Panarello D, Tassinari G. One year of COVID-19 in Italy: are containment policies enough to shape the pandemic pattern?[J]. Socioecon Plann Sci, 2022, 79: 101120.

[27] Levinson M, Cevik M, Lipsitch M. Reopening primary schools during the pandemic[J]. N Engl J Med, 2020, 383(10): 981-985.

[28] Gurdasani D, Alwan NA, Greenhalgh T, et al. School reopening without robust COVID-19 mitigation risks accelerating the pandemic[J]. Lancet, 2021, 397(10280): 1177-1178.

[29] Our World in Data. Coronavirus pandemic (COVID-19) [EB/OL]. (2020-11-05)[2023-04-05].

[30] Shuja J, Alanazi E, Alasmary W, et al. COVID-19 open source data sets: a comprehensive survey[J]. Appl Intell, 2021, 51(3): 1296-1325.

[31] World Health Organization. Considerations for implementing and adjusting public health and social measures in the context of COVID-19: interim guidance, 4 November 2020[R/OL]. (2020-12-16)[2024-06-20].

[32] World Health Organization. Public health and social measures (PHSM) in use: PHSM severity index[EB/OL]. (2023-07-31)[2024-09-26].

[33] Mathieu E, Ritchie H, Ortiz-Ospina E, et al. A global database of COVID-19 vaccinations[J]. Nat Hum Behav, 2021, 5(7): 947-953.

[34] Elbe S, Buckland-Merrett G. Data, disease and diplomacy: GISAID’s innovative contribution to global health[J]. Glob Chall, 2017, 1(1): 33-46.

[35] World Health Organization. Historical working definitions and primary actions for SARS-CoV-2 variants[EB/OL]. (2022-06-28)[2024-11-11].

[36] 虞仁和. SPSS 18及其医学应用[M]. 长沙: 中南大学出版社, 2012.

[37] YU Renhe. SPSS 18 and its medical applications[M]. Changsha: Central South University Press, 2012.

[38] Cohen J. Statistical Power Analysis for the Behavioral Sciences[M]. New York: Academic Press, 1969.

[39] 王倩莹. 半参数面板数据模型的估计、检验及模型选择[D]. 北京: 北京化工大学, 2016.

[40] WANG Qianying. Estimating, testing and model selection in semi-parametric panel data models[D]. Beijing: Beijing University of Chemical Technology, 2016.

[41] 中华人民共和国国家卫生健康委员会. 《新闻1+1》20200123 离汉通道暂时关闭，第一日！[EB/OL]. (2020-01-23)[2023-04-04].

[42] National Health Commission of the People’s Republic of China. ‘News 1+1’ (Jan 23, 2020): The first day of temporary closure of exit channels from Wuhan![EB/OL]. (2020-01-23)[2023-04-04].

[43] 中华人民共和国国家卫生健康委员会. 四川防控新型冠状病毒感染的肺炎疫情|设检疫卡点多部门开展检疫排查工作[EB/OL]. (2020-01-25)[2023-04-04].

[44] National Health Commission of the People’s Republic of China. Sichuan controls the COVID-19 epidemic: Sets up quarantine checkpoints and multiple departments carry out quarantine inspection work[EB/OL]. (2020-01-25)[2023-04-04].

[45] 甘肃省卫生健康委员会. 《甘肃省新型冠状病毒感染的肺炎防控技术方案》印发[EB/OL]. (2020-01-26)[2023-04-04].

[46] Health Commission of Gansu Province. “Gansu province novel coronavirus pneumonia prevention and control technical scheme” issued[EB/OL]. (2020-01-26)[2023-04-04].

[47] 中华人民共和国国家卫生健康委员会. 贵州省应对新型冠状病毒感染的肺炎疫情防控领导小组召开调度会议[EB/OL]. (2020-01-26)[2023-04-04].

[48] National Health Commission of the People’s Republic of China. Guizhou province’s leading Group for COVID-19 response holds scheduling meeting[EB/OL]. (2020-01-26)[2023-04-04].

[49] 中华人民共和国国家卫生健康委员会. 山东省各级各部门开展联防联控落实防控措施| 全力以赴应对新型冠状病毒感染肺炎疫情[EB/OL]. (2020-01-25)[2023-04-04].

[50] National Health Commission of the People’s Republic of China. Shandong Province’s departments at all levels carry out joint prevention and control and implement measures: Going all out to respond to the COVID-19 epidemic[EB/OL]. (2020-01-25)[2023-04-04].

[51] 环球网. 新疆维吾尔自治区召开视频会议安排部署疫情防控工作[EB/OL]. (2020-12-12)[2022-01-26].

[52] TimesGlobal. Xinjiang Uygur Autonomous Region holds video conference to deploy epidemic prevention and control work[EB/OL]. (2020-12-12)[2022-01-26].

[53] 宗慧莹, 宁佩珊, 成佩霞, 等. 国内COVID-19疫情反弹事件中的疫情信息采集现状分析[J]. 中国卫生统计, 2021, 38(6): 837-841.

[54] ZONG Huiying, NING Peishan, CHENG Peixia, et al. Analysis of data collection of relapsing COVID-19 epidemic events in China[J]. Chinese Journal of Health Statistics, 2021, 38(6): 837-841.

[55] 蒋志豪, 宗慧莹, 宁佩珊, 等. 中国大陆地区COVID-19境外输入确诊病例特点分析[J]. 中华疾病控制杂志, 2023, 27(2): 136-141.

[56] JIANG Zhihao, ZONG Huiying, NING Peishan, et al. Analysis of the characteristics of imported COVID-19 cases in mainland China[J]. Chinese Journal of Disease Control and Prevention, 2023, 27(2): 136-141.

[57] Pearson AA, Prado AM, Colburn FD. Nicaragua’s surprising response to COVID-19[J]. J Glob Health, 2020, 10(1): 010371.

[58] 胡慧茵. 泰国调整防疫路线图5月起“免核酸向全球游客开放”[N]. 21世纪经济报道, 2022-04-28(3).

[59] HU Huiying. Thailand adjusts epidemic prevention roadmap, waives nucleic acid tests for global tourists from May[N]. 21st Century Business Herald, 2022-04-28(3).

[60] Walsh S, Chowdhury A, Braithwaite V, et al. Do school closures and school reopenings affect community transmission of COVID-19? A systematic review of observational studies [J/OL]. BMJ Open, 2021, 11(8): e053371[2024-11-14].

[61] Dreher N, Spiera Z, McAuley FM, et al. Policy interventions, social distancing, and SARS-CoV-2 transmission in the United States: a retrospective state-level analysis[J]. Am J Med Sci, 2021, 361(5): 575-584.

[62] Fergyson NM, Laydon D, Nedjati GG, et al. Report 9: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand[R/OL]. (2020-03-16)[2024-09-20].

[63] Burns J, Movsisyan A, Stratil JM, et al. International travel-related control measures to contain the COVID-19 pandemic: a rapid review[J]. Cochrane Database Syst Rev, 2021, 3(3): CD013717.

[64] Adekunle A, Meehan M, Rojas-Alvarez D, et al. Delaying the COVID-19 epidemic in Australia: evaluating the effectiveness of international travel bans[J]. Aust N Z J Public Health, 2020, 44(4): 257-259.

[65] Li H, Wang LQ, Zhang MX, et al. Effects of vaccination and non-pharmaceutical interventions and their lag times on the COVID-19 pandemic: Comparison of eight countries[J/OL]. PLoS Negl Trop Dis, 2022, 16(1): e0010101[2024-11-01].

[66] 阎思宇, 靳英辉, 王永博, 等. 常态化疫情防控阶段中国内地COVID-19境外输入确诊病例时空分布特征分析[J]. 现代预防医学, 2021, 48(13): 2305-2308.

[67] YAN Siyu, JIN Yinghui, WANG Yongbo, et al. Analysis of spatiotemporal distribution characteristics of COVID-19 imported confirmed cases in China’s mainland during the stage of normalized epidemic prevention and control[J]. Modern Preventive Medicine, 2021, 48(13): 2305-2308.

[68] 陈勇, 刘晓侠, 吴寰宇, 等. 上海市境外输入性新型冠状病毒肺炎疫情趋势分析及相关风险研判[J]. 上海预防医学, 2021, 33(1): 25-32.

[69] CHEN Yong, LIU Xiaoxia, WU Huanyu, et al. Assessment and prediction of the oversea imported risk of COVID-19 in Shanghai[J]. Shanghai Journal of Preventive Medicine, 2021, 33(1): 25-32.

[70] 董彩霞. 丹麦: 一次性口罩带来的污染[J]. 世界环境, 2020(6): 44-45.

[71] DONG Caixia. Denmark: The pollution caused by disposable face masks[J]. World Environment, 2020(6): 44-45.

[72] 马珣, 邓余平, 张杰, 等. 疫情背景下制售假冒伪劣医用口罩法律问题(上)[N]. 上海法治报, 2020-03-04(B05).

[73] MA Xun, DENG Yuping, ZHANG Jie, et al. Legal issues in the production and sale of counterfeit and substandard medical masks under the pandemic (Part 1)[N]. Shanghai Law Journal, 2020-03-04(B05).

[74] 马珣, 邓余平, 张杰, 等. 疫情背景下制售假冒伪劣医用口罩法律问题(下)[N]. 上海法治报, 2020-03-11(B05).

[75] MA Xun, DENG Yuping, ZHANG Jie, et al. Legal issues in the production and sale of counterfeit and substandard medical masks under the pandemic (Part 2)[N]. Shanghai Law Journal, 2020-03-11(B05).

基金资助

国家社会科学基金(20&ZD120┫。This work was supported by the National Social Science Foundation of China ┣20&ZD120)

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0┫的方式)

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(在任何媒介以任何形式复制、传播本作品┣https://creativecommons.org/licenses/by-nc-nd/4.0/)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。