人口流动与城市早期新冠肺炎疫情空间扩散及分布关系研究

曾永明，骆泽平，杨 敏，徐 飞

(1.江西财经大学 经济学院，南昌 330013;2.江西财经大学 人文学院，南昌 330013)

一、问题的提出与研究假设

截至2020年4月26日24时，全国累计报告新冠肺炎确诊病例82 830例、死亡4 633例，其中湖北累计确诊病例68 128例，死亡4 512例，武汉确诊病例46 464例，死亡3 869例。从空间分布来看，全国所有省/市/自治区均有确诊病例。全国333个地级市、4个直辖市及湖北天门、潜江和仙桃3个省管县级市在内的总计340个城市中，有310个城市出现确诊病例，疫情波及范围十分广泛。尽管本次新冠疫情的致死率没有2003年“非典”高，但传染力强，基本传染数R0估算约为2.2甚至更高[1-2]。

由于新冠病毒“人传人”，新冠肺炎疫情暴发和大范围传播就与人口大规模流动密切相关[3]。当前我国疫情防控重点是防止境外输入风险，这显然是受国际人口流动的影响。我国疫情暴发初期正值春运高峰，由武汉返程的回流人口给疫情防控带来挑战。尽管1月23日10时武汉已经“封城”，但春节前的大规模返程高峰其实已经结束，这批人流向的区域被重点关注，分析武汉流出人口的去向十分重要[4]。许小可等基于腾讯和百度等地理位置服务收集到了大规模人口流动数据，并对春节前武汉流出人口的地理分布进行了统计分析，发现武汉市关闭出城通道前的流出人口和往年春运期间的人口流动情况无较大差别，仅有少量人口在“封城”前的最后一段时间离开武汉[5]。人口流动的影响使得各地对新冠肺炎病例的关注度上升[6]，也使得武汉及全国多个城市将“封城”行动视为重要的防疫手段。早期的“封城”措施目的就在于严格管理人口流动，对疫情早期防控起到了关键作用。这也给疫情研究带来一个新议题：区域早期新冠肺炎病例与武汉“封城”前返程人口回流规模是否存在内在关系。对于该问题的解答有利于解释“封城”措施对我国疫情防控的有效作用及对国外疫情防控的借鉴作用，也有利于普通百姓理解我国早期“封城”的果断行动所蕴含的科学意义。

2019年，我国流动人口总数达到2.36亿人，接近中国总人口数量的17%。人们对经济目标的追求和选择形成了人口迁移或流动现象[7-8]。人口流动是市场经济条件下人力资本合理配置的有效方式，人口流动的数量和频率是经济发展活力的重要表现[9-11]；大规模人口流动也可能会给社会发展带来风险[12-14]。当前我国进入新冠肺炎疫情防控的常态化时期，大批企业已复工复产，人口逐渐回流，流动人口的管控和服务工作依然是疫情防控的重点。事实上，对于疫情传播和防控，人口流动的影响一直不可忽视，因人口流动具有强烈的空间属性，会产生时空效应[15-17]。受流动人口健康意识等主观因素及生活、工作环境等客观因素的影响，再加上现有公共服务相对薄弱，流动人口是疫情传播的高风险人群和疫情防控的重点人群[18]。在新冠肺炎暴发不久后，各地启动了重大突发公共卫生事件一级响应，严格管控人口的进出，阻断病毒在人与人之间的传播。与此类似，2003年“SARS”病毒在广州暴发，当时防控最有效的途径是减少流动人口，避免接触感染。曹志冬等对人口密度、道路交通、医院、商场这些与流动人口密切相关的空间风险因子深入研究后，发现其与“SARS”发病率有显著的正相关关系，严控这些风险因子可以有效防控“SARS”流行[19]。中世纪欧洲暴发了被称为“黑死病”的鼠疫，夺走了1/3欧洲人的生命,造成灾难性结果的主要原因是人们对疫情传播规律的一无所知，但是在2009年暴发的甲型H1N1疫情中，基于对1918年暴发的“西班牙流感”等历史事件的借鉴，我国相关卫生部门掌握了流感在人群中的传播规律，采取缩小“社会距离”的措施，即严格限制人群活动，管制人们的出行，降低疫情传播的风险[20]。流动人口在每次疫情传播中都具有载体功能，所以对新冠肺炎的研究离不开对流动人口的研究。基于此，本文的研究主题是人口流动对本次疫情区域早期新冠肺炎感染者空间分布的解释力。因此本研究提出第一个假设：

假设1：人口流动是早期新冠肺炎疫情扩散的主要因素，流动人口规模会影响区域感染人数。

同时，疫情传播具有一定的空间规律(即区内传播、区际传播、距离衰减等特征)，而且疫情传播也具有一定的时间过程，并与空间分布规律相耦合[21]，人口流动正是疫情时空传播的重要载体，本次疫情暴发时间正值中国农历新年，大规模的返程流动人口给疫情传播提供了时空条件。因此本文的第二个研究假设是：

假设2：早期新冠肺炎疫情扩散符合空间地理邻近规律。

充分认识湖北尤其是武汉外流返程人口的时空变化过程对于解释感染者空间分布及疫情防控具有重要意义。本文应用计量方法，利用疫情的空间依赖性来研究人口流动对区域新冠肺炎感染者空间分布的影响和内在关联，并补充面板数据模型加以稳健性检验。当前，深化认识武汉等特大城市人口聚集与风险聚集、疫情防控、流动人口治理与管控的关系迫在眉睫，本文的边际贡献在于从人口流动视角为未来疫情防控和国家公共卫生应急管理体系建设提供一定的参考。在大数据背景下，地理大数据为相关议题研究提供了数据支撑，本文运用2020年春运期间百度地图春节人口迁徙大数据(以下简称“百度迁徙”)提供的人口流动地理迁徙大数据，结合国家和地方卫生健康委员会每日公布的新冠肺炎疫情数据进行分析，提升研究结论的时效性和参考意义。

二、研究方法与数据

(一)空间自相关模型

空间自相关是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性；空间位置越邻近，属性越趋同，空间现象越相似，通常把这种相关性叫作空间依赖。观察数据受空间依赖性的影响，彼此之间可能不再相互独立，而是具有相关性。空间自相关的统计量常用的是全局和局域空间自相关统计量Moran’s I。空间自相关统计量与传统地理统计量的关键区别就是引入了空间权重矩阵。权重是其区别于非空间模型的主要特征，包括邻接权重、地理权重、经济权重等[22]。其中全域Moran’s I的定义为：

(1)

局域空间自相关一般用统计量局域Moran’s I表示，主要有两个优良分析方法：空间联系的局部指标(Local Indicators of Spatial Association，LISA)和Moran聚集图。局域空间自相关的Moran’s I(LISA)的定义是：

(2)

以上四种局部空间关系的含义是(以城市为空间尺度举例)：“高高”表示城市与邻接城市的某属性都较高，“低低”表示城市与邻接城市的某属性都较低，这两个象限的某属性存在空间同质性；“高低”表示城市某属性较高，而其邻接城市的某属性都较低，“低高”表示城市某属性较低，而其邻接城市的某属性都较高，这两个象限的某属性存在空间异质性。

(二)空间常系数回归模型

空间常系数回归模型是空间计量模型的重要方法，它主要是纳入了空间效应(空间相关和空间异质性)，考虑了空间依赖性和空间权重。按照空间依赖性体现的不同方式，空间常系数回归模型可分为空间滞后模型(Spatial Lag Model，SLM)和空间误差模型(Spatial Error Model，SEM)两种[22]。

1.SLM可以探讨变量在一地区是否有溢出效应，其模型为：

y=ρWy+βX+ε

(3)

其中，y为因变量，X为n×k的自变量矩阵(n为区域个数，k为自变量个数)，w为n×n空间权重矩阵，ρ为空间滞后系数，β为自变量回归系数，ε为随即误差项。

2.SEM可以探讨误差项之间是否存在序列相关，其模型为：

y=BX+ε
ε=λWε+μ

(4)

其中λ为空间误差系数，μ为服从正态分布的随即误差项，其他参数与SLM中的含义相同。

(三)面板数据模型

面板数据(Panel Data)，是截面数据与时间序列综合起来的一种数据资源。在分析时，多用PanelData模型，故也被称为面板数据模型。它可以用于分析各样本在时间序列上组成的数据的特征，能够综合利用样本信息，通过模型中的参数,既可以分析个体之间的差异情况，又可以描述个体的动态变化特征，比起单维的截面或时间序列分析更加全面。面板数据模型的一般形式是：

yit=βXit+μi+εit

(5)

其中i=1,2,…,N，指N个不同的空间个体；t=1,2,…,T,指时间；yit是被解释变量观测值；Xit是K维解释变量行向量；β是K维系数列向量；μi是空间单元个体效应；εit是均值为0、方差为σ2独立同分布的随机误差项。

(四)变量定义与数据说明

(1)截面数据。本文的被解释变量为城市早期新冠肺炎确诊病例数。由于新冠病毒可以人传人，人口流动可能会加剧疫情早期的传播，很多地方早期确诊病例大多数为从武汉返程的回流人口，因此如何科学定义“早期”比较关键。本文将早期感染人数定义为截至2020年1月31日的新冠肺炎确诊人数，因为临床发现新冠肺炎的潜伏期平均为7天[23]，1月23日武汉“封城”，次日为除夕，即春节前春运的最后一日，也是人口从武汉流出的最后一日，叠加潜伏期7日即1月31日。因此，1月31日前各城市确诊病例数可能与从武汉返程回流人口规模相关，而到了后期，即1月31日后则存在二次传播，除了与流动人口规模相关，其他很多因素会影响病毒传播速度和最终感染人数，比如宏观上的人口规模、微观上的个人防护等，因此之后的确诊病例数与人口流动的关联性将下降，流动人口规模不再适用于解释后期的病例数。鉴于此，将1月31日的确诊感染数定义为本文的被解释变量，即早期新冠肺炎确诊病例数。

核心解释变量是从武汉返程的流动人口规模，“百度迁徙”提供了2020年1月10日春运起至2020年1月24日除夕止武汉流入各地的人口比例。这一期间是返程高峰，是人口流动的主要阶段，也是早期新冠肺炎感染者暴增的节点。“百度迁徙”数据公开了这一时期接收武汉流出人口数量排名前100城市及相关流入人口所占比例，所以各城市人口流入规模的计算方式为这100个城市相关人口流入比例乘以500万。这100个城市吸收了92%的武汉流出人口，具有很好的代表性；500万是指年前武汉流出的外来人口估计值，且这一数值已经过多方证实。为了尽量减少遗漏变量，选择其他解释变量纳入模型估计，包括城市的人口、经济发展水平、卫生医疗水平、交通联系和环境几个方面。其中人口采用城市人口规模(万人，取对数)，是人口接触和疫情传播的一个基础条件；经济水平采用人均GDP(元，取对数)，反映城市发展程度和风险应对能力；卫生医疗水平采用万人医院床位数(张，取对数)，反映城市的医疗卫生技术条件；交通联系以是否经过京广线表示，反映疫情传播的交通载体；需要说明的是，作为枢纽城市，经过武汉的铁路非常多，本文未能涵盖所有路线，而是选择最有代表性和最繁忙路线之一的京广线作为案例，考察铁路交通的影响；环境则为一月平均气温。城市人口规模数据为2018年底值，经济社会数据来源于《中国城市统计年鉴》，是否经过京广线通过查阅铁道线路获得。变量描述性统计见表1。

表1 100个目标城市各指标描述性统计结果

其中100个城市样本的流入人口规模和新冠肺炎确诊数空间分布如图1所示。空间分布图显示两者之间有很强的空间相关性和重叠性：来自武汉的流入人口规模越大，1月31日输入性新冠肺炎感染者的人数规模也越大。分区域来看，湖北省15个城市来自武汉的流入人口平均规模为23.08万人，新冠肺炎确诊数平均值为262人，湖北省外的城市流入规模平均值为1.31万人，新冠肺炎确诊数平均值为39人。

图1 100个目标城市接收武汉人口流入规模及其新冠肺炎感染者分布情况

(2)面板数据。由前文可知截面数据是累计数据，而面板数据为每日新增数据，首先具体日期范围需要明确。日期的选择一要考虑被解释变量每日新增确诊病例的数据完整性，从武汉“封城”引起强烈关注开始，各省市卫健委开始公布每日数据，使得数据从该日起趋于完善；二是考虑到本文研究的是早期新冠肺炎感染者，那么应同截面数据一致截止到1月31日，因此，被解释变量时间为1月23日至31日。解释变量流动人口规模为：省级面板是指从武汉流出到31个省/市/自治区的人口规模，城市面板是指从武汉流出到39个城市的人口规模(“百度迁徙”指数公布春运期间每日流入人口数量排名前50城市的名单及相关人口所占比例，但前50个城市中仅39个数据连续出现在研究时期内，这 39个城市平均每日接收85%的武汉流出人口，具有很好的代表性)。考虑到新冠肺炎潜伏期平均为7天的临床观察结果，解释变量的时间为1月16日至24日。因此最后形成31×9和39×9的省级和城市面板数据，限于篇幅这里不再列出描述性统计。

三、新冠肺炎感染人数扩散与分布格局

(一)各城市早期新冠肺炎确诊病例数的时空格局

分析2020年1月23日武汉“封城”日和1月31日两个时间节点全国城市新冠肺炎确诊病例分布(不包括我国港澳台地区)，包括4个直辖市、333个地级市和湖北仙桃、天门和潜江3个省辖县级市，总计340个城市。图2显示，1月23日大多数城市还没有确诊病例，一方面可能因为还在潜伏期，另一方面可能是检测能力和速度不够。到了1月31日，感染者开始形成了以武汉为中心的集群圈，集聚特征开始显现，武汉的确诊病例从1月23日的495例增加到31日的3 215人。从确诊病例为0的城市数量来看，1月23日有209个城市确诊者为0例，1月31日则猛然下降到49个城市，也就是说全国340个城市中，短短几天内疫情就覆盖了大多数城市，各市防控压力有所增加，早期新冠肺炎病例数的这种空间演变过程正好与春运大规模人口流动的背景相重叠，增加了人口流动与区域早期新冠肺炎感染数空间分布的关联性，具体见图1、图2。

图2 全国城市早期新冠肺炎确诊病例数空间分布与变迁

(二)各城市早期新冠肺炎确诊病例数的空间自相关分析

新冠肺炎感染者分布的空间自相关分析是考察疫情在空间上是否存在集群性和连片性，也是为空间计量建模提供证据支撑。空间自相关的检验方法通常采用Moran’s I。检验发现，全局Moran’s I显著为正，以1月31日的0.259 2为例，Z统计检验量为3.74，远大于5%显著性水平统计值1.96，不存在空间自相关的概率为0，表明全国城市早期新冠肺炎确诊病例数存在显著的空间依赖性，即疫情分布有一定的空间规律。表现了空间集群性和异质性，分布很不均衡。这种空间集聚性给人口流动管控带来挑战，说明“封城”是必要的，也表明对疫情分布规律和特征采用空间计量分析方法是必要的。再看局域空间自相关分析，它是考察疫情在空间上的集群性和连片性分布，通常采用局域Moran’s I，并通过做聚类图进行分析。结果如图3。从演变趋势看，疫情早期有一个明显的空间扩散特征。其中1月23日“高高”聚集区特征并不明显，到了1月31日之后基本形成了以武汉为中心，辐射整个湖北及周边省份个别城市的稳定空间结构，比如江西的南昌、九江，湖南的长沙、岳阳，安徽的合肥、阜阳，河南的郑州、周口等城市，说明疫情时空分布扩散符合地理邻近的基本规律。因此，本文假设2先得到证实。“低低”聚集区呈现明显的成片集聚分布特征，1月23日主要是西北偏东及西南两个小片区，1月31日空间范围扩大，并继前两个地区后形成了第三个主要聚集区：东北。研究期内“低高”聚集区则围绕“高高”聚集区环形分布，与“高高”区形成鲜明对比。“高低”聚集区则非常稀少，仅有北京市，说明北京相较其周边城市疫情比较严重。

图3 全国城市新冠肺炎确诊者局部Moran’s I演变

四、人口流动与城市早期新冠肺炎感染数空间分布建模分析

(一)普通最小二乘估计(OLS)建模

为了便于比较，先不考虑空间依赖性而直接用OLS(Ordinary Least Square，OLS)构建模型(见表2)。表中两个模型分别是不加其他控制变量以及加入其他控制变量的结果。从OLS的两个模型来看，拟合优度分别达到84%和89%，拟合较好。除了万人医院床位数和是否经过京广线以外，都通过了系数显著性检验。具体来看，核心解释变量人口流入量通过1%的显著性检验，其系数大约为10，在保持其他变量不变的情况下，每万人从武汉流入，则该市输入性新冠肺炎感染者的数量平均可达10人，说明人口流动是影响新冠肺炎感染者分布的重要原因。事实上，全国大多数城市、乡镇、村、社区都实行了“封城”措施，以达到切断病毒传播途径的目的，这显然是必要的。为了进一步分析区域新冠肺炎感染者分布的其他影响因素，加入其他控制变量进行回归。结果显示，从系数符号看，是否经过京广线、一月份平均气温似乎与预期的结果相反，可能存在感染者分布悖论现象。比如按照常理，经过京广线的城市感染者应该增加，未经过则更低，符号应该为正；而此处结果却为负(尽管不显著)。由于OLS分析没有考虑到空间依赖性，是否真的存在感染者分布悖论现象，要在SLM和SEM分析后再下定论和解释。

表2 OLS估计结果

(二)空间计量建模和分析

构建感染者分布的空间计量模型就是要克服OLS忽视空间依赖性的不足，强化空间自相关性的地理意义，提高估计优度，对地理空间聚集性和异质性做出合理解释。尽管之前有许多关于要素分布的研究都是地理学者做出的，但同样很少考虑空间依赖性，当然主要原因是当时还没有成熟的空间计量估计方法，当前随着空间分析方法的进步，则可以解决上述问题。由于事先无法凭经验判定是应该建立空间滞后模型还是空间误差模型，所以先同时建立，再检验孰优孰劣，最后得到估计结果(见表3)。从结果看，首先是空间滞后系数和空间误差系数都通过了5%的系数显著性检验，本文的假设2再次得到证实，也说明新冠肺炎感染者分布确实存在空间依赖性，这一点前文已证明，因此加入空间系数的模型能更好地解释新冠肺炎感染者的空间分布。其中空间滞后模型的现实解释是周边区域平均每增加一个感染者，则本区域将可能增加0.1个感染者。从拟合优度R2来看，SLM和SEM得到的估计结果都微弱优于OLS，从LogL、AIC和SC来看，同样要优于OLS估计结果，表明在考虑到空间相关性和异质性时能更好地解释新冠肺炎感染者的空间分布特征。同时对OLS估计结果的残差进行空间自相关检验(见表4)，得到Moran’s I(error)为0.148 9，概率值为0.013 1，拒绝不存在空间自相关的假设，进一步表明忽视空间自相关的OLS模型存在一定的不足，应该选择空间计量模型进行分析。

表3 SLM和SEM估计结果

具体来看，核心解释变量人口流入量的系数在SLM和SEM模型中分别为10.5和10.4，并未有显著的变化，在保持其他变量不变的情况下，每万人从武汉流入该市，则输入性新冠肺炎感染者的数量平均可达到10人的基本结果是比较稳健的。因此，本文的假设1得到证实。城市人口规模系数显著为正，表明人口规模比较大的城市输入性新冠肺炎感染者更多；人均GDP越高，输入性新冠肺炎感染者也更多，这与城市规模解释相似；万人医院床位数同样为正，不过并不显著，主要原因可能是当前的解释变量是感染率，如果是死亡率可能会有显著影响；正如上文所述，是否经过京广线、一月份平均气温系数与OLS估计结果一致，似乎与预期结果相反，看起来可能存在感染者分布悖论现象。是否经过京广线的城市并未显著影响感染者数量，表明火车线路可能并不是重要的病毒传染载体，大量输入型传染者是通过其他交通工具返程的。这也表明，火车经停、中转武汉并没有想象中那么可怕。有研究指出病毒传播与温度相关，“喜冷不喜热”，就像流感发生于冬季，且温度越低传播的概率越大。不过从本文估计结果看，温度低并没有加剧疫情传播，原因可能是新冠肺炎尽管有类似于流感的特征，但并不完全相同；同时新冠肺炎疫情传播可能与人口流动相关，从武汉返程的流动人口中，迁入南方的略多，南方相对更高的温度与感染者高发地区在空间上耦合形成本文温度估计结果。

另外，从估计检验来看，尽管估计的系数变化不大，但总体上SLM和SEM还是要优于OLS估计结果，可是SLM和SEM中究竟哪个模型更优，需要进一步加以检验。不过依照Anselin等提出的判别准则[22]得到如下检验结果(见表4)。可以看出，空间滞后模型和空间误差模型下的拉格朗日乘数的LMLAG和LMERR都显著，而稳健形式下的R-LMLAG和R-LMERR都不显著，表明SLM和SEM模型都是合适的，并没有显著差异。加之SLM和SEM估计结果并没有显著差异，用两个模型解释问题都是合理的，结论也是一致的。

表4 SLM和SEM估计模型判别检验

(三)面板数据建模的稳健性验证

以上研究结论实际上已经证明人口流动与早期新冠肺炎感染者空间分布的内在关联，人口流动在解释早期疫情传染时具有很好的表征意义。不过前文测算模型是基于截面数据，而截面数据有一定的局限，比如样本量的规模。面板数据能在一定程度上解决其不足，为此，本文进一步用面板数据进行稳健性验证，包括省级面板和城市面板。需要指出的是，由于是每日数据，难以选择其他宏观性控制变量，比如人均GDP，万人医院床位数等，不过这些宏观变量短期内不会发生重大改变，也难以统计到日数据。为此仅将核心解释变量“人口流入量”进行分析，但采用固定效应方式进行估计，这种处理方式可以有效减轻模型受到其他控制变量的干扰[24-25]。结果见表5，结论依然显示区域人口流入量在1%的水平上显著提升新冠肺炎感染者确诊数量。不过值得注意的是，省级数据和城市数据的系数分别为21和17，即每万人从武汉流出到某省或某市，则该省或该市新冠肺炎确诊病例数平均可达21人和17人，高于前文的10人。原因可能是，一方面前文的截面数据是一个合成累计数据，100个城市的累计得到的平均影响力会扁平化数据规模，得到更低系数，而面板数据则是全程分布数据；另一方面可能是没有其他控制变量的影响。尽管如此，截面数据结果和面板数据得出的基本结论是一致的：返程流动人口规模与区域早期新冠肺炎感染者人数有强烈关联[26]。

表5 面板数据模型估计结果

五、结论与讨论

本文试图证明两个问题或证实两个假设：一是疫情分布具有典型的空间自相关或空间依赖性，新冠肺炎疫情的时空分布符合地理学基本规律；二是人口流动对城市早期新冠肺炎感染者空间分布具有较强的解释力。对于前者，本文认为新冠肺炎感染者分布是一个空间现象，内含有空间关系和空间规律，因此缺乏空间视角或是说空间均质化假设下的研究结论仍值得商榷，所以摒弃空间相互独立的假设、考虑空间权重成为研究疫情分布特征新的选择，空间计量模型便是有效方式。对于后者，人口流动是当前社会运行的基本过程，类似于武汉的大城市在一定时期内将持续保持高比例的流动人口。但不能因为此次疫情的暴发而否定和阻止人口流动，诚然，流动人口较多的大城市和病毒传播的风险有着正相关性，人口规模和密度大的城市，传染病蔓延速度与规模一般都比人口规模小且人口稀疏的农村更为严重，因此大城市面临的疫情风险更大。但是大城市人口规模的聚集过程所产生的财富效应、溢出效应和技术集中优势支持了其抵御风险的能力，不能将人口规模与风险简单相关[27]，要进一步了解人口流动的地理变迁过程、时空演变规律，不仅不必过度担心我国大规模的流动人口，反而应利用其规律来防控疫情，健全国家公共卫生应急管理体系。

因此，本文的研究意义或贡献就在于对疫情分布空间属性的深化认知，特别是对传统研究中有关传染病分布研究建模过程中忽视空间自相关的不足做出了补充。具体来说主要有以下几个方面的研究意义或研究突破：一是放松传统要素分布研究中隐含的空间相互独立假设条件的约束，应用空间计量模型更精确地反映疫情分布和扩散特征；二是运用多种方法验证了基本研究结论，在具有共识的基础上考虑空间因素并运用空间计量模型研究当前重大疫情的空间特征。当然本文也有不足，一方面是因数据限制，仅选择了人口流动规模前100名的城市，尽管已经纳入了92%的流动人口，但还是有8%未能统计。另一方面，影响新冠肺炎疫情的因素很多，本文从早期的感染人数及人口流动视角切入，而后期感染人数的上升及其原因未有涉及。因此应进一步扩展研究的空间，包括进行更广泛、更长期的数据搜寻，发掘更多的影响因素。

鉴于研究结论，本文提出几个建议：短期来看，第一，要继续做好人口流动监控，面对疫情高风险地区的“解封”和持续性返程复工带来的人口大规模流动，应持续做好防控工作[3]，防止疫情反弹，保护既有成效；第二，重点强化境外流入人口管理，防控境外输入性病例的风险。长期来看，第一，跨区域、跨部门的协作十分重要，流出地与流入地信息的同步交互非常关键，政府部门应该整合好人口流动大数据，实时给予地方动态数据支持。当前许多人口流动数据及疫情地图由非政府部门或者是商业公司提供，比如百度地图春节人口迁徙大数据等，需要政府、企业和专业技术人员的协同“作战”。第二，“封城”并非长远之计，既不符合现代社会运行的逻辑，也严重影响经济发展；更有效的方式是完善终端疫情防控机制、健全国家公共卫生应急管理体系，提升国家治理能力和应对风险的能力，做好技术战略储备、完善公共卫生技术支撑。第三，对于人口流动本身，在做好流动人口疫情防控的同时，要切实维护好流动人口的健康权益和其他合法利益；流动人口为社会做出了巨大贡献，不能因为疫情使得流动人口“有家不能回”，更要避免来自疫情重点区域的流动人口遭受地域歧视。