State-dependent non-identifiability of the reproduction number under adaptive behavior: an empirical characterization from COVID-19 mobility

想象一下，你正试图预测一群人在迷宫中的移动方式。在疾病建模的世界里，科学家们使用一个特殊的数字，叫做基本再生数，或者称为 $R_0$（读作“R-naught”）。你可以把 $R_0$ 想象成病毒的一张成绩单：它告诉你在所有人都是健康的、且完全不知道病毒即将来袭的情况下，一个感染者会传染给多少个新的人。长期以来，科学家一直将这个数字视为病毒本身的一个固定属性，就像汽车的最高时速是引擎的一个固定特征一样。

但问题在于：人不是汽车。当病毒开始传播时，人类会察觉到。人们会感到恐惧，从而待在家里，戴上口罩，并停止拥抱。这被称为适应性行为（adaptive behavior）。科学家们面临的一个大问题是：如果人们因为病毒而改变行为，这是否会改变病毒的“分数”？我们今天计算出的 $R_0$ 数字，在病毒发生变化时仍然有效吗？这篇论文正是利用了 COVID-19 大流行期间的海量数据，深入探讨了这个谜题，试图看我们是否真的能够将病毒的生物学特性与人类自身的反应区分开来。

---

伟大的“究竟是谁干的？”之谜

想象一下，你正在观看一段汽车在接近停止标志时减速的视频。你想知道：是因为司机看到了标志而踩了刹车，还是因为汽车没油了？在流行病学的世界里，“汽车减速”是指新增感染人数下降。而“刹车”是人们待在家里（行为），“没油了”是病毒自然的传播能力（生物学）。

多年来，科学家一直试图弄清楚这种减速中有多少是因为病毒失去了动力，有多少是因为人们踩了刹车。但他们陷入了困境。他们能看到汽车在减速，却看不见司机踩踏板的脚。他们只能靠猜测。

然而，这篇论文拥有一个超能力：谷歌移动性报告（Google Mobility Reports）。在大流行期间，这些报告实时追踪了人们的活动量变化。这就像是在车内装了一个摄像头，能清晰地看到司机的脚是如何移动的。作者法比奥·桑切斯（Fabio Sanchez）利用这些数据，终于观察到了那只“脚”的动作。

重大发现：数据的“魔术戏法”

这篇论文的主要发现有点烧脑。事实证明，如果你只观察流行病的既往历史（“事实性”路径），你无法分辨出两种截然不同的故事。

故事 A： 病毒非常强劲，但人们非常恐惧并选择待在家里，这就是为什么病例下降了。
故事 B： 病毒很弱，且人们完全没有改变行为，这也是为什么病例下降了。

这两个故事都能完美契合数据。它们产生了完全相同的感染曲线。这意味着，“真实的” $R_0$ 是无法识别的。你无法仅通过观察过去来锁定它。我们通常计算出的那个数字（“表观 $R_0$”）实际上是病毒强度与人类恐惧感的混合体，而数据无法分辨其中的成分。

论文将此称为**“观测等效类”**（observational equivalence class）。想象一位魔术师从帽子里变出一只兔子。如果你只看到了兔子，你不知道魔术师是真的有一只兔子，还是用了某种戏法。数据就是那只兔子；而戏法则是隐藏在生物学与行为之间的混合物。

当规则改变时会发生什么？

那么，如果我们无法分辨过去，这还重要吗？论文指出：重要，但前提是我们试图预测未来。

作者进行了模拟实验，以观察如果病毒发生变化——例如，如果它变得更具传染性 4 0%（一个“反事实”情景）——会发生什么：

• 如果我们假设人们不会改变行为（“外生性”观点），模型会预测出现巨大的、恐怖的感染浪潮。
• 如果我们假设人们会对新的危险做出反应（“内生性”观点），他们会更加居家，因此浪潮会小得多。

这两个预测之间的差距，就是论文所称的 “$R_0$ 掩盖了什么”。它是标准 $R_0$ 数字所隐藏的关于未来的部分。论文发现，这个隐藏的差距是状态依赖的（state-dependent）。当流行病处于“中等”严重程度时，这个差距最大。

• 如果流行病规模很小，人们不会做出反应，所以差距很小。
• 如果流行病已经演变成一场彻底的灾难，人们已经尽可能地待在家里了（他们已达到“饱和”状态），因此无法做出更多的反应，所以差距也很小。
• 这个差距在中间阶段最大，即人们感到足够恐惧并产生反应，但尚未触及居家生活的“底线”时。

令人惊讶的转折：为什么现实中的差距很小

你可能会想：“好吧，差距是存在的，但在现实世界中它有多大呢？”作者对全美 50 个州和华盛顿特区进行了这项检查。

令人惊讶的部分在于：在实践中，这个差距其实相当小。

为什么呢？论文发现，要让差距变得巨大，需要两个条件同时具备：高风险敏感度（人们反应强烈）和高“余量”（人们还有减少活动的余地），但这两者从未同时出现。

• 在那些人们对风险非常敏感的地方（反应强烈），他们的活动量已经降到了绝对最低水平。他们已经没有“余量”去进一步减少活动了。
• 在那些人们仍有“余量”（仍在大量活动）的地方，他们对风险的反应其实并不大。

这就像是一个恒温器，它要么已经被调到了最低，要么就是坏了调不动。你永远不会遇到一个既灵敏又还有下调空间的恒温器。因为这两个条件没有重叠，所以对于第一波 COVID-19 而言，$R_0$ 数字中存在的“隐藏”误差其实是适度的。

对未来的启示

那么，这对我们意味着什么？

1. 描述过去是安全的： 如果你只是想描述我们在观察期间病毒有多严重，标准的 $R_0$ 数字是可以使用的。
2. 预测未来是复杂的： 如果你想知道如果出现一种新的、更强的变异株会发生什么，标准的 $R_0$ 是不完整的。它假设人们不会改变行为，但这很少发生。
3. “高峰”最为关键： 论文表明，虽然人们感染的总人数（“攻击率”）可能不会因行为而发生太大变化，但高峰的高度和时间（即同时有多少人患病）会发生巨大变化。这对医院至关重要。如果人们对新一波疫情做出反应，高峰可能会更低、更晚到来，从而为医院争取应对时间。如果他们不做出反应，高峰可能会变成一道压垮一切的巨浪。

简而言之，这篇论文告诉我们，病毒的“分数”不仅仅是一个刻在石头上的数字；它是病毒与人类恐惧之间的一场对话。我们无法仅通过观察历史来判断谁的声音更大，但如果这场对话的内容发生了变化，结果也会随之改变。幸运的是，对于 COVID-19 的第一波疫情，这场对话并没有变得过于混乱，因为人们要么已经倾其所有，要么压根就没打算做出太多改变。