人口流動與城市早期新冠肺炎疫情空間擴散及分布關系研究

曾永明，駱澤平，楊 敏，徐 飛

(1.江西財經大學 經濟學院，南昌 330013;2.江西財經大學 人文學院，南昌 330013)

一、問題的提出與研究假設

截至2020年4月26日24時，全國累計報告新冠肺炎確診病例82 830例、死亡4 633例，其中湖北累計確診病例68 128例，死亡4 512例，武漢確診病例46 464例，死亡3 869例。從空間分布來看，全國所有省/市/自治區均有確診病例。全國333個地級市、4個直轄市及湖北天門、潛江和仙桃3個省管縣級市在內的總計340個城市中，有310個城市出現確診病例，疫情波及范圍十分廣泛。盡管本次新冠疫情的致死率沒有2003年“非典”高，但傳染力強，基本傳染數R0估算約為2.2甚至更高[1-2]。

由于新冠病毒“人傳人”，新冠肺炎疫情暴發和大范圍傳播就與人口大規模流動密切相關[3]。當前我國疫情防控重點是防止境外輸入風險，這顯然是受國際人口流動的影響。我國疫情暴發初期正值春運高峰，由武漢返程的回流人口給疫情防控帶來挑戰。盡管1月23日10時武漢已經“封城”，但春節前的大規模返程高峰其實已經結束，這批人流向的區域被重點關注，分析武漢流出人口的去向十分重要[4]。許小可等基于騰訊和百度等地理位置服務收集到了大規模人口流動數據，并對春節前武漢流出人口的地理分布進行了統計分析，發現武漢市關閉出城通道前的流出人口和往年春運期間的人口流動情況無較大差別，僅有少量人口在“封城”前的最后一段時間離開武漢[5]。人口流動的影響使得各地對新冠肺炎病例的關注度上升[6]，也使得武漢及全國多個城市將“封城”行動視為重要的防疫手段。早期的“封城”措施目的就在于嚴格管理人口流動，對疫情早期防控起到了關鍵作用。這也給疫情研究帶來一個新議題：區域早期新冠肺炎病例與武漢“封城”前返程人口回流規模是否存在內在關系。對于該問題的解答有利于解釋“封城”措施對我國疫情防控的有效作用及對國外疫情防控的借鑒作用，也有利于普通百姓理解我國早期“封城”的果斷行動所蘊含的科學意義。

2019年，我國流動人口總數達到2.36億人，接近中國總人口數量的17%。人們對經濟目標的追求和選擇形成了人口遷移或流動現象[7-8]。人口流動是市場經濟條件下人力資本合理配置的有效方式，人口流動的數量和頻率是經濟發展活力的重要表現[9-11]；大規模人口流動也可能會給社會發展帶來風險[12-14]。當前我國進入新冠肺炎疫情防控的常態化時期，大批企業已復工復產，人口逐漸回流，流動人口的管控和服務工作依然是疫情防控的重點。事實上，對于疫情傳播和防控，人口流動的影響一直不可忽視，因人口流動具有強烈的空間屬性，會產生時空效應[15-17]。受流動人口健康意識等主觀因素及生活、工作環境等客觀因素的影響，再加上現有公共服務相對薄弱，流動人口是疫情傳播的高風險人群和疫情防控的重點人群[18]。在新冠肺炎暴發不久后，各地啟動了重大突發公共衛生事件一級響應，嚴格管控人口的進出，阻斷病毒在人與人之間的傳播。與此類似，2003年“SARS”病毒在廣州暴發，當時防控最有效的途徑是減少流動人口，避免接觸感染。曹志冬等對人口密度、道路交通、醫院、商場這些與流動人口密切相關的空間風險因子深入研究后，發現其與“SARS”發病率有顯著的正相關關系，嚴控這些風險因子可以有效防控“SARS”流行[19]。中世紀歐洲暴發了被稱為“黑死病”的鼠疫，奪走了1/3歐洲人的生命,造成災難性結果的主要原因是人們對疫情傳播規律的一無所知，但是在2009年暴發的甲型H1N1疫情中，基于對1918年暴發的“西班牙流感”等歷史事件的借鑒，我國相關衛生部門掌握了流感在人群中的傳播規律，采取縮小“社會距離”的措施，即嚴格限制人群活動，管制人們的出行，降低疫情傳播的風險[20]。流動人口在每次疫情傳播中都具有載體功能，所以對新冠肺炎的研究離不開對流動人口的研究。基于此，本文的研究主題是人口流動對本次疫情區域早期新冠肺炎感染者空間分布的解釋力。因此本研究提出第一個假設：

假設1：人口流動是早期新冠肺炎疫情擴散的主要因素，流動人口規模會影響區域感染人數。

同時，疫情傳播具有一定的空間規律(即區內傳播、區際傳播、距離衰減等特征)，而且疫情傳播也具有一定的時間過程，并與空間分布規律相耦合[21]，人口流動正是疫情時空傳播的重要載體，本次疫情暴發時間正值中國農歷新年，大規模的返程流動人口給疫情傳播提供了時空條件。因此本文的第二個研究假設是：

假設2：早期新冠肺炎疫情擴散符合空間地理鄰近規律。

充分認識湖北尤其是武漢外流返程人口的時空變化過程對于解釋感染者空間分布及疫情防控具有重要意義。本文應用計量方法，利用疫情的空間依賴性來研究人口流動對區域新冠肺炎感染者空間分布的影響和內在關聯，并補充面板數據模型加以穩健性檢驗。當前，深化認識武漢等特大城市人口聚集與風險聚集、疫情防控、流動人口治理與管控的關系迫在眉睫，本文的邊際貢獻在于從人口流動視角為未來疫情防控和國家公共衛生應急管理體系建設提供一定的參考。在大數據背景下，地理大數據為相關議題研究提供了數據支撐，本文運用2020年春運期間百度地圖春節人口遷徙大數據(以下簡稱“百度遷徙”)提供的人口流動地理遷徙大數據，結合國家和地方衛生健康委員會每日公布的新冠肺炎疫情數據進行分析，提升研究結論的時效性和參考意義。

二、研究方法與數據

(一)空間自相關模型

空間自相關是指一些變量在同一個分布區內的觀測數據之間潛在的相互依賴性；空間位置越鄰近，屬性越趨同，空間現象越相似，通常把這種相關性叫作空間依賴。觀察數據受空間依賴性的影響，彼此之間可能不再相互獨立，而是具有相關性?？臻g自相關的統計量常用的是全局和局域空間自相關統計量Moran’s I。空間自相關統計量與傳統地理統計量的關鍵區別就是引入了空間權重矩陣。權重是其區別于非空間模型的主要特征，包括鄰接權重、地理權重、經濟權重等[22]。其中全域Moran’s I的定義為：

(1)

局域空間自相關一般用統計量局域Moran’s I表示，主要有兩個優良分析方法：空間聯系的局部指標(Local Indicators of Spatial Association，LISA)和Moran聚集圖。局域空間自相關的Moran’s I(LISA)的定義是：

(2)

以上四種局部空間關系的含義是(以城市為空間尺度舉例)：“高高”表示城市與鄰接城市的某屬性都較高，“低低”表示城市與鄰接城市的某屬性都較低，這兩個象限的某屬性存在空間同質性；“高低”表示城市某屬性較高，而其鄰接城市的某屬性都較低，“低高”表示城市某屬性較低，而其鄰接城市的某屬性都較高，這兩個象限的某屬性存在空間異質性。

(二)空間常系數回歸模型

空間常系數回歸模型是空間計量模型的重要方法，它主要是納入了空間效應(空間相關和空間異質性)，考慮了空間依賴性和空間權重。按照空間依賴性體現的不同方式，空間常系數回歸模型可分為空間滯后模型(Spatial Lag Model，SLM)和空間誤差模型(Spatial Error Model，SEM)兩種[22]。

1.SLM可以探討變量在一地區是否有溢出效應，其模型為：

y=ρWy+βX+ε

(3)

其中，y為因變量，X為n×k的自變量矩陣(n為區域個數，k為自變量個數)，w為n×n空間權重矩陣，ρ為空間滯后系數，β為自變量回歸系數，ε為隨即誤差項。

2.SEM可以探討誤差項之間是否存在序列相關，其模型為：

y=BX+ε
ε=λWε+μ

(4)

其中λ為空間誤差系數，μ為服從正態分布的隨即誤差項，其他參數與SLM中的含義相同。

(三)面板數據模型

面板數據(Panel Data)，是截面數據與時間序列綜合起來的一種數據資源。在分析時，多用PanelData模型，故也被稱為面板數據模型。它可以用于分析各樣本在時間序列上組成的數據的特征，能夠綜合利用樣本信息，通過模型中的參數,既可以分析個體之間的差異情況，又可以描述個體的動態變化特征，比起單維的截面或時間序列分析更加全面。面板數據模型的一般形式是：

yit=βXit+μi+εit

(5)

其中i=1,2,…,N，指N個不同的空間個體；t=1,2,…,T,指時間；yit是被解釋變量觀測值；Xit是K維解釋變量行向量；β是K維系數列向量；μi是空間單元個體效應；εit是均值為0、方差為σ2獨立同分布的隨機誤差項。

(四)變量定義與數據說明

(1)截面數據。本文的被解釋變量為城市早期新冠肺炎確診病例數。由于新冠病毒可以人傳人，人口流動可能會加劇疫情早期的傳播，很多地方早期確診病例大多數為從武漢返程的回流人口，因此如何科學定義“早期”比較關鍵。本文將早期感染人數定義為截至2020年1月31日的新冠肺炎確診人數，因為臨床發現新冠肺炎的潛伏期平均為7天[23]，1月23日武漢“封城”，次日為除夕，即春節前春運的最后一日，也是人口從武漢流出的最后一日，疊加潛伏期7日即1月31日。因此，1月31日前各城市確診病例數可能與從武漢返程回流人口規模相關，而到了后期，即1月31日后則存在二次傳播，除了與流動人口規模相關，其他很多因素會影響病毒傳播速度和最終感染人數，比如宏觀上的人口規模、微觀上的個人防護等，因此之后的確診病例數與人口流動的關聯性將下降，流動人口規模不再適用于解釋后期的病例數。鑒于此，將1月31日的確診感染數定義為本文的被解釋變量，即早期新冠肺炎確診病例數。

核心解釋變量是從武漢返程的流動人口規模，“百度遷徙”提供了2020年1月10日春運起至2020年1月24日除夕止武漢流入各地的人口比例。這一期間是返程高峰，是人口流動的主要階段，也是早期新冠肺炎感染者暴增的節點。“百度遷徙”數據公開了這一時期接收武漢流出人口數量排名前100城市及相關流入人口所占比例，所以各城市人口流入規模的計算方式為這100個城市相關人口流入比例乘以500萬。這100個城市吸收了92%的武漢流出人口，具有很好的代表性；500萬是指年前武漢流出的外來人口估計值，且這一數值已經過多方證實。為了盡量減少遺漏變量，選擇其他解釋變量納入模型估計，包括城市的人口、經濟發展水平、衛生醫療水平、交通聯系和環境幾個方面。其中人口采用城市人口規模(萬人，取對數)，是人口接觸和疫情傳播的一個基礎條件；經濟水平采用人均GDP(元，取對數)，反映城市發展程度和風險應對能力；衛生醫療水平采用萬人醫院床位數(張，取對數)，反映城市的醫療衛生技術條件；交通聯系以是否經過京廣線表示，反映疫情傳播的交通載體；需要說明的是，作為樞紐城市，經過武漢的鐵路非常多，本文未能涵蓋所有路線，而是選擇最有代表性和最繁忙路線之一的京廣線作為案例，考察鐵路交通的影響；環境則為一月平均氣溫。城市人口規模數據為2018年底值，經濟社會數據來源于《中國城市統計年鑒》，是否經過京廣線通過查閱鐵道線路獲得。變量描述性統計見表1。

表1 100個目標城市各指標描述性統計結果

其中100個城市樣本的流入人口規模和新冠肺炎確診數空間分布如圖1所示?？臻g分布圖顯示兩者之間有很強的空間相關性和重疊性：來自武漢的流入人口規模越大，1月31日輸入性新冠肺炎感染者的人數規模也越大。分區域來看，湖北省15個城市來自武漢的流入人口平均規模為23.08萬人，新冠肺炎確診數平均值為262人，湖北省外的城市流入規模平均值為1.31萬人，新冠肺炎確診數平均值為39人。

圖1 100個目標城市接收武漢人口流入規模及其新冠肺炎感染者分布情況

(2)面板數據。由前文可知截面數據是累計數據，而面板數據為每日新增數據，首先具體日期范圍需要明確。日期的選擇一要考慮被解釋變量每日新增確診病例的數據完整性，從武漢“封城”引起強烈關注開始，各省市衛健委開始公布每日數據，使得數據從該日起趨于完善；二是考慮到本文研究的是早期新冠肺炎感染者，那么應同截面數據一致截止到1月31日，因此，被解釋變量時間為1月23日至31日。解釋變量流動人口規模為：省級面板是指從武漢流出到31個省/市/自治區的人口規模，城市面板是指從武漢流出到39個城市的人口規模(“百度遷徙”指數公布春運期間每日流入人口數量排名前50城市的名單及相關人口所占比例，但前50個城市中僅39個數據連續出現在研究時期內，這 39個城市平均每日接收85%的武漢流出人口，具有很好的代表性)。考慮到新冠肺炎潛伏期平均為7天的臨床觀察結果，解釋變量的時間為1月16日至24日。因此最后形成31×9和39×9的省級和城市面板數據，限于篇幅這里不再列出描述性統計。

三、新冠肺炎感染人數擴散與分布格局

(一)各城市早期新冠肺炎確診病例數的時空格局

分析2020年1月23日武漢“封城”日和1月31日兩個時間節點全國城市新冠肺炎確診病例分布(不包括我國港澳臺地區)，包括4個直轄市、333個地級市和湖北仙桃、天門和潛江3個省轄縣級市，總計340個城市。圖2顯示，1月23日大多數城市還沒有確診病例，一方面可能因為還在潛伏期，另一方面可能是檢測能力和速度不夠。到了1月31日，感染者開始形成了以武漢為中心的集群圈，集聚特征開始顯現，武漢的確診病例從1月23日的495例增加到31日的3 215人。從確診病例為0的城市數量來看，1月23日有209個城市確診者為0例，1月31日則猛然下降到49個城市，也就是說全國340個城市中，短短幾天內疫情就覆蓋了大多數城市，各市防控壓力有所增加，早期新冠肺炎病例數的這種空間演變過程正好與春運大規模人口流動的背景相重疊，增加了人口流動與區域早期新冠肺炎感染數空間分布的關聯性，具體見圖1、圖2。

圖2 全國城市早期新冠肺炎確診病例數空間分布與變遷

(二)各城市早期新冠肺炎確診病例數的空間自相關分析

新冠肺炎感染者分布的空間自相關分析是考察疫情在空間上是否存在集群性和連片性，也是為空間計量建模提供證據支撐?？臻g自相關的檢驗方法通常采用Moran’s I。檢驗發現，全局Moran’s I顯著為正，以1月31日的0.259 2為例，Z統計檢驗量為3.74，遠大于5%顯著性水平統計值1.96，不存在空間自相關的概率為0，表明全國城市早期新冠肺炎確診病例數存在顯著的空間依賴性，即疫情分布有一定的空間規律。表現了空間集群性和異質性，分布很不均衡。這種空間集聚性給人口流動管控帶來挑戰，說明“封城”是必要的，也表明對疫情分布規律和特征采用空間計量分析方法是必要的。再看局域空間自相關分析，它是考察疫情在空間上的集群性和連片性分布，通常采用局域Moran’s I，并通過做聚類圖進行分析。結果如圖3。從演變趨勢看，疫情早期有一個明顯的空間擴散特征。其中1月23日“高高”聚集區特征并不明顯，到了1月31日之后基本形成了以武漢為中心，輻射整個湖北及周邊省份個別城市的穩定空間結構，比如江西的南昌、九江，湖南的長沙、岳陽，安徽的合肥、阜陽，河南的鄭州、周口等城市，說明疫情時空分布擴散符合地理鄰近的基本規律。因此，本文假設2先得到證實?！暗偷汀本奂瘏^呈現明顯的成片集聚分布特征，1月23日主要是西北偏東及西南兩個小片區，1月31日空間范圍擴大，并繼前兩個地區后形成了第三個主要聚集區：東北。研究期內“低高”聚集區則圍繞“高高”聚集區環形分布，與“高高”區形成鮮明對比?！案叩汀本奂瘏^則非常稀少，僅有北京市，說明北京相較其周邊城市疫情比較嚴重。

圖3 全國城市新冠肺炎確診者局部Moran’s I演變

四、人口流動與城市早期新冠肺炎感染數空間分布建模分析

(一)普通最小二乘估計(OLS)建模

為了便于比較，先不考慮空間依賴性而直接用OLS(Ordinary Least Square，OLS)構建模型(見表2)。表中兩個模型分別是不加其他控制變量以及加入其他控制變量的結果。從OLS的兩個模型來看，擬合優度分別達到84%和89%，擬合較好。除了萬人醫院床位數和是否經過京廣線以外，都通過了系數顯著性檢驗。具體來看，核心解釋變量人口流入量通過1%的顯著性檢驗，其系數大約為10，在保持其他變量不變的情況下，每萬人從武漢流入，則該市輸入性新冠肺炎感染者的數量平均可達10人，說明人口流動是影響新冠肺炎感染者分布的重要原因。事實上，全國大多數城市、鄉鎮、村、社區都實行了“封城”措施，以達到切斷病毒傳播途徑的目的，這顯然是必要的。為了進一步分析區域新冠肺炎感染者分布的其他影響因素，加入其他控制變量進行回歸。結果顯示，從系數符號看，是否經過京廣線、一月份平均氣溫似乎與預期的結果相反，可能存在感染者分布悖論現象。比如按照常理，經過京廣線的城市感染者應該增加，未經過則更低，符號應該為正；而此處結果卻為負(盡管不顯著)。由于OLS分析沒有考慮到空間依賴性，是否真的存在感染者分布悖論現象，要在SLM和SEM分析后再下定論和解釋。

表2 OLS估計結果

(二)空間計量建模和分析

構建感染者分布的空間計量模型就是要克服OLS忽視空間依賴性的不足，強化空間自相關性的地理意義，提高估計優度，對地理空間聚集性和異質性做出合理解釋。盡管之前有許多關于要素分布的研究都是地理學者做出的，但同樣很少考慮空間依賴性，當然主要原因是當時還沒有成熟的空間計量估計方法，當前隨著空間分析方法的進步，則可以解決上述問題。由于事先無法憑經驗判定是應該建立空間滯后模型還是空間誤差模型，所以先同時建立，再檢驗孰優孰劣，最后得到估計結果(見表3)。從結果看，首先是空間滯后系數和空間誤差系數都通過了5%的系數顯著性檢驗，本文的假設2再次得到證實，也說明新冠肺炎感染者分布確實存在空間依賴性，這一點前文已證明，因此加入空間系數的模型能更好地解釋新冠肺炎感染者的空間分布。其中空間滯后模型的現實解釋是周邊區域平均每增加一個感染者，則本區域將可能增加0.1個感染者。從擬合優度R2來看，SLM和SEM得到的估計結果都微弱優于OLS，從LogL、AIC和SC來看，同樣要優于OLS估計結果，表明在考慮到空間相關性和異質性時能更好地解釋新冠肺炎感染者的空間分布特征。同時對OLS估計結果的殘差進行空間自相關檢驗(見表4)，得到Moran’s I(error)為0.148 9，概率值為0.013 1，拒絕不存在空間自相關的假設，進一步表明忽視空間自相關的OLS模型存在一定的不足，應該選擇空間計量模型進行分析。

表3 SLM和SEM估計結果

具體來看，核心解釋變量人口流入量的系數在SLM和SEM模型中分別為10.5和10.4，并未有顯著的變化，在保持其他變量不變的情況下，每萬人從武漢流入該市，則輸入性新冠肺炎感染者的數量平均可達到10人的基本結果是比較穩健的。因此，本文的假設1得到證實。城市人口規模系數顯著為正，表明人口規模比較大的城市輸入性新冠肺炎感染者更多；人均GDP越高，輸入性新冠肺炎感染者也更多，這與城市規模解釋相似；萬人醫院床位數同樣為正，不過并不顯著，主要原因可能是當前的解釋變量是感染率，如果是死亡率可能會有顯著影響；正如上文所述，是否經過京廣線、一月份平均氣溫系數與OLS估計結果一致，似乎與預期結果相反，看起來可能存在感染者分布悖論現象。是否經過京廣線的城市并未顯著影響感染者數量，表明火車線路可能并不是重要的病毒傳染載體，大量輸入型傳染者是通過其他交通工具返程的。這也表明，火車經停、中轉武漢并沒有想象中那么可怕。有研究指出病毒傳播與溫度相關，“喜冷不喜熱”，就像流感發生于冬季，且溫度越低傳播的概率越大。不過從本文估計結果看，溫度低并沒有加劇疫情傳播，原因可能是新冠肺炎盡管有類似于流感的特征，但并不完全相同；同時新冠肺炎疫情傳播可能與人口流動相關，從武漢返程的流動人口中，遷入南方的略多，南方相對更高的溫度與感染者高發地區在空間上耦合形成本文溫度估計結果。

另外，從估計檢驗來看，盡管估計的系數變化不大，但總體上SLM和SEM還是要優于OLS估計結果，可是SLM和SEM中究竟哪個模型更優，需要進一步加以檢驗。不過依照Anselin等提出的判別準則[22]得到如下檢驗結果(見表4)。可以看出，空間滯后模型和空間誤差模型下的拉格朗日乘數的LMLAG和LMERR都顯著，而穩健形式下的R-LMLAG和R-LMERR都不顯著，表明SLM和SEM模型都是合適的，并沒有顯著差異。加之SLM和SEM估計結果并沒有顯著差異，用兩個模型解釋問題都是合理的，結論也是一致的。

表4 SLM和SEM估計模型判別檢驗

(三)面板數據建模的穩健性驗證

以上研究結論實際上已經證明人口流動與早期新冠肺炎感染者空間分布的內在關聯，人口流動在解釋早期疫情傳染時具有很好的表征意義。不過前文測算模型是基于截面數據，而截面數據有一定的局限，比如樣本量的規模。面板數據能在一定程度上解決其不足，為此，本文進一步用面板數據進行穩健性驗證，包括省級面板和城市面板。需要指出的是，由于是每日數據，難以選擇其他宏觀性控制變量，比如人均GDP，萬人醫院床位數等，不過這些宏觀變量短期內不會發生重大改變，也難以統計到日數據。為此僅將核心解釋變量“人口流入量”進行分析，但采用固定效應方式進行估計，這種處理方式可以有效減輕模型受到其他控制變量的干擾[24-25]。結果見表5，結論依然顯示區域人口流入量在1%的水平上顯著提升新冠肺炎感染者確診數量。不過值得注意的是，省級數據和城市數據的系數分別為21和17，即每萬人從武漢流出到某省或某市，則該省或該市新冠肺炎確診病例數平均可達21人和17人，高于前文的10人。原因可能是，一方面前文的截面數據是一個合成累計數據，100個城市的累計得到的平均影響力會扁平化數據規模，得到更低系數，而面板數據則是全程分布數據；另一方面可能是沒有其他控制變量的影響。盡管如此，截面數據結果和面板數據得出的基本結論是一致的：返程流動人口規模與區域早期新冠肺炎感染者人數有強烈關聯[26]。

表5 面板數據模型估計結果

五、結論與討論

本文試圖證明兩個問題或證實兩個假設：一是疫情分布具有典型的空間自相關或空間依賴性，新冠肺炎疫情的時空分布符合地理學基本規律；二是人口流動對城市早期新冠肺炎感染者空間分布具有較強的解釋力。對于前者，本文認為新冠肺炎感染者分布是一個空間現象，內含有空間關系和空間規律，因此缺乏空間視角或是說空間均質化假設下的研究結論仍值得商榷，所以摒棄空間相互獨立的假設、考慮空間權重成為研究疫情分布特征新的選擇，空間計量模型便是有效方式。對于后者，人口流動是當前社會運行的基本過程，類似于武漢的大城市在一定時期內將持續保持高比例的流動人口。但不能因為此次疫情的暴發而否定和阻止人口流動，誠然，流動人口較多的大城市和病毒傳播的風險有著正相關性，人口規模和密度大的城市，傳染病蔓延速度與規模一般都比人口規模小且人口稀疏的農村更為嚴重，因此大城市面臨的疫情風險更大。但是大城市人口規模的聚集過程所產生的財富效應、溢出效應和技術集中優勢支持了其抵御風險的能力，不能將人口規模與風險簡單相關[27]，要進一步了解人口流動的地理變遷過程、時空演變規律，不僅不必過度擔心我國大規模的流動人口，反而應利用其規律來防控疫情，健全國家公共衛生應急管理體系。

因此，本文的研究意義或貢獻就在于對疫情分布空間屬性的深化認知，特別是對傳統研究中有關傳染病分布研究建模過程中忽視空間自相關的不足做出了補充。具體來說主要有以下幾個方面的研究意義或研究突破：一是放松傳統要素分布研究中隱含的空間相互獨立假設條件的約束，應用空間計量模型更精確地反映疫情分布和擴散特征；二是運用多種方法驗證了基本研究結論，在具有共識的基礎上考慮空間因素并運用空間計量模型研究當前重大疫情的空間特征。當然本文也有不足，一方面是因數據限制，僅選擇了人口流動規模前100名的城市，盡管已經納入了92%的流動人口，但還是有8%未能統計。另一方面，影響新冠肺炎疫情的因素很多，本文從早期的感染人數及人口流動視角切入，而后期感染人數的上升及其原因未有涉及。因此應進一步擴展研究的空間，包括進行更廣泛、更長期的數據搜尋，發掘更多的影響因素。

鑒于研究結論，本文提出幾個建議：短期來看，第一，要繼續做好人口流動監控，面對疫情高風險地區的“解封”和持續性返程復工帶來的人口大規模流動，應持續做好防控工作[3]，防止疫情反彈，保護既有成效；第二，重點強化境外流入人口管理，防控境外輸入性病例的風險。長期來看，第一，跨區域、跨部門的協作十分重要，流出地與流入地信息的同步交互非常關鍵，政府部門應該整合好人口流動大數據，實時給予地方動態數據支持。當前許多人口流動數據及疫情地圖由非政府部門或者是商業公司提供，比如百度地圖春節人口遷徙大數據等，需要政府、企業和專業技術人員的協同“作戰”。第二，“封城”并非長遠之計，既不符合現代社會運行的邏輯，也嚴重影響經濟發展；更有效的方式是完善終端疫情防控機制、健全國家公共衛生應急管理體系，提升國家治理能力和應對風險的能力，做好技術戰略儲備、完善公共衛生技術支撐。第三，對于人口流動本身，在做好流動人口疫情防控的同時，要切實維護好流動人口的健康權益和其他合法利益；流動人口為社會做出了巨大貢獻，不能因為疫情使得流動人口“有家不能回”，更要避免來自疫情重點區域的流動人口遭受地域歧視。