疫情防控造成的影响长久以来是大家讨论的话题。本文摘取了几位经济学者关于疫情防控的研究。讨论经济问题，必须要对数字有基本的感觉，这包括基于数据的推理和对数据背后经济现实的感知，例如一天的防控对应多大体量的经济活动，1%的GDP变动意味着多少个企业和家庭的生计...对一些基本问题没有感觉，就无法对周围的环境和目前的局势做出清晰和理性的判断；也体会不到很多决策的重量，对于问题的讨论容易陷入臆断。
主要结论：
第一篇是香港科技大学宋铮教授等人关于封城的经济成本的研究。根据车流量等数据可以估算封城两周会让当地当季的GDP下降1/3，如果是上海这样的城市，封城两周能让这个月全国的GDP往下掉2%，差不多几乎两千亿人民币。
第二篇是梁建章老师的基于生命价值计算的防疫策略讨论。GDP和人均寿命之间有一个简单的线性关系是，人均收入减半，人均寿命减少1-3年。换算一下，人均GDP每减少1%，人均寿命就会减少5天左右。将这个数字和前面封控造成的GDP损失结合起来，很容易做一个换算，如果上海封城两周，经济损失将两千亿，全国当月GDP可能往下掉2%，全年掉0.2%，人均寿命大概降低0.6天，对应4万人的意外死亡风险。
第三篇是chenqin老师关于防疫效果的评估，在相同防控程度下，奥密克戎变异疫情的扩散速度要比非奥密克戎疫情快5.82倍。二， 要控制住疫情的扩散，奥密克戎变异袭击的城市需要在原有封控强度上再额外减少52%的人流量，才能取得非奥密克戎疫情下相同水平的防控成果。
需要强调的是，任何研究只是提供了一些增量信息和研究视角而已，也仅此而已。勤于获取信息、勤于思考是好习惯，但切不可将其结论直接套用至公共政策的评价上，更不可断章取义，以偏概全，套着科学的帽子对现实叫叫嚷嚷、指指点点。现实是很高傲的，不要轻易对它评头论足。
封城的经济成本
Chen, Jingjing, Wei Chen, Ernest Liu, Jie Luo and Zheng (Michael) Song. “The Economic Cost of Lockdown in China: Evidence from City-to-City Truck Flows.” (2022)
公众号：Impactful Research
新冠疫情全球流行已经两年，世界各地大多数政府都试过各种方式来控制疫情，亚太国家和地区在这方面做得比较成功。以“清零”或“动态清零”为标志的中国抗疫政策在短时间内阻断病毒传播的效果尤其显著。中国抗疫政策是一个整体，其中包括反应迅速的全民检测、有效的接触者追踪和严格的入境管理。但就中国特色而言，快速、精准的“封控”、“管控”和“防范”可以说是“清零”或“动态清零”有别于其他国家和地区抗疫政策的关键。
中国的“封控”和“管控”从小区做起，根据情况可以升级到区县一级，一直到最严厉的“封城”。不过，封城的个数其实很少。自武汉疫情结束后，一直到上周，根据我们的统计，全国只有16个城市经历过封城。另外有18个城市经历过“局部封城”（即区县一级封闭），其中两个城市经历过不止一次的局部封城。封城或局部封城大都在三周内结束，很少有超过两个月的情况。流行病学专家对封城在抗疫方面的效果做过很多研究。简单的国际对比就可以说明问题。即使是疫情最重的西安，总共也只有两千多例确诊个案。
在取得巨大成绩的同时，我们也应当看到封城的经济成本和社会成本。在刚结束的全国政协会议上，新闻发言人郭卫民就提到了要“努力以更高的水平、更小的社会成本来控制住疫情，保障经济社会持续健康稳定发展。”要算清楚封城的经济账，经济学家当然义不容辞。不过，不要小看了算这笔账的难度。过去两年，世界各地有不少封城的经历，也有经济学家通过对比封城前后的数据来推算封城的经济损失。但到目前为止，大家并没有太多共识，还是一笔糊涂账。比如有研究表明，虽然美国封城期间的经济损失很大，但由封城造成的损失却比较轻微，大多数损失可能来自于新冠疫情本身和民众自发的防护反应。当然，世界各地经济差异很大，封城的具体限制也各有不同，可以相互参考的价值比较有限。
中国雷厉风行并且行之有效的封城措施倒是给我们提供了一个很好的估计封城经济损失的机会。由于政策目标明确，争取第一时间“清零”，即使只有个位数的病例，也可能封城。所以，对比封城前后被封城的内地城市（类似“实验组”）和同一时期未被封城的内地城市（对照组）的经济表现，就可以估计由于封城本身（而非疫情）造成的经济损失。下一个难题是用什么指标来衡量各个城市的经济表现。政府公布的数据大都按年更新，而且不一定覆盖内地所有三百多个地级市。
所以，在最近我和其他几位学者合写的论文中，我们用按月更新的城际卡车流量变化来推算各个城市的实际收入变化。我们重点分析了武汉疫情结束后内地的16次封城，发现封城造成的经济损失为当期GDP的34%（对数值下降0.41，标准差为0.04）。封城取消后经济迅速恢复到原有水平，但并没有反弹。在控制了疫情程度和封城长度后，封城两周造成的经济损失在当月GDP的32%左右。如果封城两周（或者1个月），经济损失大致为这个城市全年GDP的2.7%（或者4.5%）。
局部封城的经济损失只有封城的四分之一，充分说明精准政策的优势。如果对北京或上海这样的一个特大城市实施封城两周，对当月全国GDP的影响大致在2个百分点左右（以2021年GDP计大约为一千九百亿人民币）。这个损失里有7%是来自于当地封城对其他城市造成的间接经济损失。
我们的估计忽略了很多其他因素。比如城际卡车流量并不能完全代表经济活动，我们还需要寻找更多有代表性的高频经济指标。被封城的可能性有多大，也会影响对照组的表现，从而造成估计的偏差。封城对各个行业造成的经济损失差异很大，经济损失在经济结构不同的城市之间也可能有很大差异。不过，对一个每月GDP达到千亿级别的城市实施一个月的封城，造成的经济损失数以百亿计应当是个比较难拒绝的统计推断。
封城是否得不偿失？虽然科学地回答这个问题需要汇总各个方面的研究，但从直觉上讲，对比中国和西方国家在过去两年的综合表现，答案是显而易见的。况且，中国的抗疫政策一直在不断完善，也在随着疫情的变化而不断调整。我们曾经做过一个估计，发现武汉疫情结束之后的封城所造成的经济损失明显低于之前的封城。即使在疫情严重程度可比的情况下，这个结论也是成立的。这说明中国政府的确做到了“以更高的水平、更小的社会成本来控制住疫情”。
不过，奥密克戎病毒出现之后，“动态清零”的难度可能成倍上升，过去几天长春、深圳和东莞先后封城就是最好的预警。在极端情况下，如果有十分之一的城市被迫封城两周，根据我们的估计，当月全国GDP可能损失3.1%（以2021年GDP计接近三千亿人民币）。为了应对这种极端情况，中国政府的确应当汇总各方最新信息，在坚决守住不出现疫情规模性反弹底线的前提下进一步优化我们的抗疫政策。
___________________________
研究评价：车流量、公路拥堵指数等是十分常用也相对易得的宏观经济监测指标。这篇文章的结果核心就在于封城两周当地当月GDP损失大约1/3，这一定程度上是很符合直觉的，一个月大概有四周，封城两周意味至少有1/2的时间无法正常开展活动，如果假设解封后经济直接恢复至原有的水平，那么可以推算出封城期间经济萎缩到了正常情况的1/6。当然现实中这个假设不成立，因为很多数据都表明解封后要想让人流量等恢复至封城前的水平，是需要不少时间的，这个时间可能长达2~3个月，因此1/6这个值有低估。
但这样的估算能给我们提供一个很好的基准值，方便我们对政策的调整变化所带来的影响做出基本的判断。我个人很偏好这种思维方式，讨论经济问题一定要对数字敏感，而精细地计算往往需要扎实的数据和细致的工具，这是研究者们的工作，如果只是需要对动态变化中的局势和形势快速做出判断的非学者群体，对于一些基本数字的敏感和计算就足以得到模糊的正确了。
___________________________
防疫策略的统计生命价值估算
梁建章：生命损失最小化的防疫策略
公众号：绕梁说
经济的计算之所以是必要的，是因为经济与人的健康、生命本就是息息相关的，人均收入越高的国家，其人均寿命就会越长。因为富国更有能力和意愿在医疗、基础设施和环境治理等方面进行投入，从而降低死亡率和提高人均寿命。
一个简单的线性关系是，人均收入减半，人均寿命减少1-3年。换算一下，人均GDP每减少1%，人均寿命就会减少5天左右。
我们也可以通过经济学中Value of Statistical life“统计生命价值”的理论来验证这个假设。在经济学界，“统计生命价值”是一个比较成熟的概念，指一个社会愿意花多少成本来降低死亡率。或许有人会对这个概念心存反感，认为没必要去计算生命的价值，因为生命理应是无价的。仅从伦理道德角度来说，上述观点当然没有错。但在实际操作过程中，无论工作生活、企业经营还是社会管理，都必须在减少死亡风险和投入成本之间追求一种平衡。至于如何找到这个平衡点，就需要看似有些无情但实则科学理性地去计算“统计生命价值”。
举个例子，企业和政府在提供各种交通工具和交通基础设施时，也需要在风险与成本之间实现平衡。比如说政府在设计一条路时，如果造的车道更多一些，或者设置专门的非机动车道，又或者人行道更宽一些等等，都有可能降低交通事故的死亡率。但是很明显，并非所有道路都有这样的设置。这说明设计者罔顾生命安全吗？并非如此。作为设计者，如果在设计时不顾成本，一条看似绝对安全的道路要花100亿来建造的话，很可能这条路根本就造不出来，让老百姓们无路可走。所以对于此类建设工程来说，究竟值得花多少代价来减少多少死亡率呢？这里面，同样存在隐性的平衡生命价值的计算。其实，经济学家们早就根据各国数据，从经济学意义上计算了生命的价值。中国的学者也对此做了一些研究，得出中国生命统计价值范围大体在100万到720万，我们就姑且取500万的数值。
假设由于大面积隔离封控造成经济的损失1%GDP，那么就是一万亿。按照“统计生命价值”500万的计算，可能会增加二十万（人）意外死亡的风险。如果按照每个意外死亡减少20000天的人均寿命的话，二十万人就是40亿天，总体来看就会造成中国人均寿命减少大约3天。这种人均寿命的损失的计算，还没有算上由于大量医疗资源被核酸检测等任务占用，导致其他疾病得不到及时治疗所造成的次生死亡对于减少寿命的影响。
所以综合前面两种计算生命代价的方法，1%的GDP的损失会减少3-5天的人均寿命，这是防感染策略所需的隔离封控的代价。
将这个数字和前面封控造成的GDP损失结合起来，很容易做一个换算，如果上海封城两周，经济损失将两千亿，全国当月GDP可能往下掉2%，全年掉0.2%，人均寿命大概降低0.6天，对应4万人的意外死亡风险。
当然这只是非常粗糙和片面的计算。例如清零之后社会尽快恢复所能得到的收益等等在其中完全被忽略了，这个结果切不可断章取义，直接用于评估政策，只是一个研究视角而已，仅此而已。
___________________________
研究评价：这篇文章后面还有很长一部分，它对不同的防控策略进行了计算比较，确定了策略转换的阈值，这一部分我没有摘出来，因为我是不认同的，因为原文的计算显然是一个非常粗糙的基于人均寿命的计算和局部均衡的考虑，没有考虑一般均衡，即疫情溢出后的全局性影响，当然这本身也很难。但是摘出这一部分，主要是想说明，很多人会认为经济的计算是冰冷的。生命的价值无法计算，这没问题。但现实就是资源是有限的，一定需要人做出权衡，而经济规律的残酷之处在于它不管你主观上是怎么想的。有个很简单的故事，你可以去把加油站开在沙漠里，你主观上可以相信因为沙漠上开加油站是个好生意，但经济的客观规律决定你这样做一定会亏损。
同样的道理，你可以主观上认为人的生命、自由、安全等等一系列东西都是无价的，不可衡量的，甚至任何对于它们的算计都是亵渎和不可饶恕的，但客观规律决定了当你在现实生活中做出决策和选择的时候，你一定是舍弃了一部分去得到另一部分，无形之中你已经为它们赋予了高低，或者说，无形当中，生命的一切东西都已经标上了价码。作为学习过的经济学的人，要对这一点有充分的理解和认识，现实当然是复杂的，但是一些基础的数据和研究可以帮我们揭示出背后的成本与权衡，无论我们决策的时候怎样想，客观规律和由此导致的结果就在那里，不以人的意志为转移。
相反，直面并认清现状，才有助于我们更好的决策，才是对我们所珍视的一切最好的尊重。但同时也要明白，现实的权衡要复杂得多，不同研究只是提供了不同的思考侧面而已，也仅此而已，不要把它断章取义地用于评估现实。
___________________________
封城的效果与成本
chenqin 多强的封控政策，才能防住奥密克戎？
公众号：绕城市数据团
在2021年和之前的每一次疫情中，我们的应对手段其实归根结底就是三条——发现与监测；流调与溯源；管控与重点人群核酸。当发现和监测落后于病例传播，流调与溯源手段也无法穷尽病例时，立刻停止整个城市或者城市部分高风险区域的运作，开展全员核酸，就成了最后一道，也是最行之有效的一道防线。
▍「封城」对疫情控制的作用在奥密克戎变异之前，「封城」对疫情的控制能够起到什么样的效果？使用国家卫健委公布的每天各城市的本土病例数量和本土无症状感染者数量，以及每个城市从2020年至今每天的人流量数据，我们可以完成一个简单的计算。
下图是我们使用的各城市疫情数据来源。
图表 1：每日新增本土病例
我们的人流量是通过当地商圈的人流量监测和到店消费分天数据综合计算得到的。下图列出了西安市从2020年2月至今的每日人流量指数。可以看到，西安曾经有过四个因疫情造成的凹陷，前三次分别是2021年1月的石家庄疫情，2021年8月南京疫情，2021年10月兰州疫情导致的输入病例。这几次疫情都没有出现大规模的本土感染，但西安都做了一些预防性的防疫工作，例如为了应对南京疫情可能造成的输入，在2021年7月30日关闭了华清池和兵马俑。但西安的最大考验出现在图中的第四个凹陷，也就是2021年12月的西安本地疫情中。
图表 2：西安市人流量
我们将西安的人流量数据聚焦于2021年12月1日到2022年1月31日。西安本轮疫情的第一例本土病例出现在12月9日，但西安并没有立刻做出反馈，而是在12月16日左右开始进行较大规模的防控。而最后西安的疫情也较为严重，一直到1月底时，西安市人流量也只恢复到疫情前的70%。
图表 3：西安疫情期间人流量
在和西安疫情几乎相同的时刻，12月5日在宁波市出现了3例阳性病例。宁波的反应非常快，12月6日便暂停了疫情出现地点镇海区的所有文旅体活动，镇海区停课停学。
下图列出了宁波市的人流量指数变化情况。从图中可以看到，宁波通过快速的反馈和封控控制了疫情，当地人流量在10天后即达到谷底，随后回升。宁波市此次疫情最后仅有76个病例，用时一个月不到，当地人流量就达到了疫情前的水平。
图表 4：宁波市疫情期间人流量
从这样两个例子的比较看，「及时封城」，确实是对「控制疫情」有比较好的作用。
我们可以试着从统计上证明这一点。
首先，用T表示用天计算的时间。如果一座城市从T-5到T-1这五天内均没有出现病例，而在T时刻出现了本土病例，那么我们将疫情的「爆发」定义在T时间点。在这种定义下，一些城市会出现多段疫情，我们将每一段疫情的爆发起始点均算作一个数据点。
其次，将「封控强度」定义为一个城市的人流量的变化。用T 4、T 5、T 6时刻的当地人流量平均值，除以T-1时刻的当地人流量，定义为一个地区「封控强度」。T 4、T 5、T 6时刻的人流量相比疫情前下降得越多，说明该地区的封控越快，越严格。对西安12月9日的疫情来说，这个数字接近1，也就是没有在五天内采取任何封城措施；对宁波12月5日的疫情来说，这个数字大约是0.87，即人流量因封控下降了13%。
再次，将「控制疫情」定义为一个城市T 14、T 15、T 16三天的新增病例与T 4、T 5、T 6三天的新增病例的比值。这里的病例包括了确诊病例和无症状感染者。如果疫情爆发半个月后的当日新增病例比起疫情爆发第四到六时的新增病例要少，说明疫情得到了控制。这个数字越低，说明疫情控制得越好。
最后，将「封控强度」和「控制疫情」取对数，
在非奥密克戎变异疫情，和奥密克戎变异疫情下，分别用「封城」去解释「控制疫情」。两者相关性越高，越能够说明及时、快速的「封城」可以快速控制疫情。
▍非奥密克戎变异疫情
图表 5：Omicron之前的疫情
上图列出了在奥密克戎变异前的历次疫情中疫情后人流量（横坐标）和病例增长速度（纵坐标）的关系。可以看到，两者之间存在着显著的相关性，其中越靠右的点，代表其封控强度更轻，靠左边的点则有更加严格且快速的封城行动。靠上的点表示疫情衰减越慢（0以下）或者增长越快（0以上）。
两者的拟合显示，当封控强度（即人流量减少程度）增加1%时，病例增长速度会减少2.55%，在1%的水平上显著。
在上图中，西安是最靠右上角的点，代表在这次疫情中，西安确实在封城上反应更慢，且半个月后的病例增速增长越快。石家庄则是最靠左下的点之一，其疫情后人流量的对数值为-0.75，即疫情前的47%，而病例增长速度的对数值等于-2，代表其半个月后的新增病例是疫情爆发后5天新增病例的13.5%。
在上图中，75%的疫情出现在红线下方，代表四分之三的城市15天之后的新增病例已经比5天时的新增病例要更少。如果这个城市对疫情进行了一定防控，即疫情之后人流量变化低于0，则该城市在半个月后继续出现病例增长的概率就只有10%。
▍奥密克戎变异疫情
图表 6：Omicron变异疫情
上图列出了奥密克戎变异疫情下的历次疫情中疫情后人流量（横坐标）和病例增长速度（纵坐标）的关系。两者之间仍然存在显著的正相关，
当封城的程度（即人流量减少程度）增加1%时，病例增长速度会减少2.78%，在1%的水平上显著。
不难注意到，在这张图中，最右边出现了深圳。读者也许会问，深圳的疫情明明已经控制住了，为什么会出现在疫情半个月后病例上升的区间呢？其实只要仔细阅读深圳的病例就知道，深圳的首个本土病例，并不是3月出现的，而是2月12日出现的。从2月16日到2月18日时，深圳分别有8、3、3个本土病例。半个月后，2月26日到2月28日的深圳本土病例猛增至30、36、28个本土病例，病例不仅没有衰减，反而大幅度上升了。深圳采取比较严格的封城措施，已经是三月初的时候。从2月中旬到3月初，深圳的人流量下降并不明显，幸运的是，深圳在这个阶段也没有出现病例的大规模传播，给3月初才开始进行的大规模封控提供了条件。
在奥密克戎变异疫情下，有一半以上的城市出现在了红线上方，即疫情爆发半个月后病例还在继续增长。
在奥密克戎变异疫情中，如果一个城市对疫情进行了一定防控，即疫情之后人流量变化低于0，则该城市在半个月后继续出现病例增长的概率仍然高达51%。
▍防控的效果出现了什么变化？非奥密克戎疫情，封城程度每提升1%可以降低2.55%的病例增长速度；在奥密克戎变异疫情下，封城程度每提升1%可以降低2.78%的病例增长速度。从这个对比看，封城依然是有效的，而且在奥密克戎变异下效果更好。
那么为什么在奥密克戎前的疫情只要做了一些防控，就可以将疫情扩散的概率控制在10%，而在奥密克戎变异下，同样程度的防控，疫情扩散概率却增长到了51%呢？
我们将前两张图合并在一起，就能看出问题所在——两者的截距有极大差异。：
图表 7：所有疫情的防控效果
非奥密克戎疫情下，我们用国内各城市疫情拟合出的直线表达式是：
而在奥密克戎变异疫情下，该表达式变成了：
两者的斜率类似，但两者的截距，一个是-0.502，一个是1.259，也就是说，在同样的防控力度下，奥密克戎变异疫情的病例增长对数，将比非奥密克戎变异疫情的病例增长对数高出1.761。
将自然对数作为底数计算，这意味着在同样的初始爆发条件和同样的防控力度下，奥密克戎变异疫情在半个月后的每日新增病例，将比非奥密克戎疫情在半个月后的每日新增病例高出5.82倍。
换一种表述，如果要让疫情得到控制，那么奥密克戎变异疫情后的人流量对数，需要比非奥密克戎疫情后的人流量对数，低0.648。将自然对数作为底数计算，这意味着要将半个月后的疫情控制在同样的程度下，奥密克戎变异需要比非奥密克戎变异，压低额外的52%的人流量。
2021年时将人流量减少到80%可以控制的疫情，现在需要将人流量减少到38.2%（即80%×（1-52%）=38.2%）才能达到同样的效果。
▍举个例子：长春我们在之前的一篇文章《哪些城市从疫情中复活更快？》中曾经提到，长春是一个能够从疫情中快速恢复的好例子。
2021年1月15日到2021年2月16日，长春爆发了一次105个病例的中等规模疫情。第一个病例于2021年1月16日报告，长春市立刻定位至疫情原发地公主岭市，1月18日开展第一轮长春下辖的公主岭市的全员核酸，要求「所有居民居家隔离，严禁出户，生活必需品由村屯、社区、小区值守人员代买」，并且对相关区域封城封区。第一轮核酸完毕后，长春将包围圈缩小至范家屯镇，在范家屯镇连续进行了4轮全员核酸。此时长春疫情已经得到了有效控制。再过一周，长春在1月30在公主岭市进行了第二轮全员核酸。接下来的所有新增病例都在隔离管控中发现。
可以看到，在这轮疫情中，长春市用雷霆手段，精准对个别区域进行全员核酸，实施严格封控，疫情一周就得到控制，两周就实现了社会面清零，后续经济也就快速恢复了。从线上、线下人流量数据中可以看到，长春的线上消费用了29天恢复到疫情前水平，线下人流量只用了35天就恢复到了疫情前水平。
从下图的病例和人流量指数可以看到，长春整体的人流量下降并不明显，防控措施在1月26日左右达到顶峰时，当地的人流量也只是下降到了疫情前的76%，却也成功控制住了疫情。
图表 8：长春非奥密克戎变异疫情病例与人流量指数
那么，在这一轮奥密克戎变异疫情中，长春又呈现了怎样的变化呢？
图表 9：长春奥密克戎变异疫情病例与人流量指数
从图中可以看到，本次长春疫情，3月4号出现第一例病例，3月5日长春的人流量就开始下降，一直下降到3月16日，长春的人流量已经降低到疫情前的4%，无论从速度、下降幅度还是持续时间上，长春本轮疫情的封控强度都已经远远超过了2021年1月时的疫情。但从结果看，每日病例仍然在继续上升。4月2日，长春新增确诊病例和无症状感染者合计3823人，再次创下奥密克戎变异疫情以来的当地最高峰。
▍写在最后从武汉疫情之后，中国一共出现了124次非奥密克戎疫情以及215次奥密克戎疫情，匹配人口流量数据后，我们可以获得其中55次非奥密克戎疫情和70次奥密克戎疫情的防控程度和疫情扩散率，从中可以得出两点结论：
一， 在相同防控程度下，奥密克戎变异疫情的扩散速度要比非奥密克戎疫情快5.82倍。
二， 要控制住疫情的扩散，奥密克戎变异袭击的城市需要在原有封控强度上再额外减少52%的人流量，才能取得非奥密克戎疫情下相同水平的防控成果。
奥密克戎变异的高传播性使得以往行之有效的防控手段失去了作用。那么，我们应该做到什么程度，才能够防控奥密克戎变异呢？
如果只是去看个别数据，可能会让我们得到偏颇的结论。
要是只看深圳，你可能会成为一个乐观主义者，认为即使疫情已经发展了半个月，仍有机会用「长痛不如短痛」的封控来解决疫情。
要是盯着长春，你又会成为一个悲观主义者，认为只要疫情一旦扩散，就再也无法通过封控的手段来解决，一个月的封城也无法阻止病例的继续上升。
这也是为什么我们需要去看更多的数据点。从我们的数据观察，有62个地区在奥密克戎变异疫情出现后采取了一定的防控手段。
这些防控手段如果用在奥密克戎变异之前的疫情中，可以有92%的可能控制住疫情，即使病例继续上升，也极少出现爆发性增长的状况。
但在奥密克戎疫情中，同样程度的防控措施，控制住疫情的概率只剩下51%。在那些没有控制住疫情的地区，更是有一部分出现了病例的爆发式的指数增长和传播。
因此，若要用较大把握防控奥密克戎变异疫情，我们不得不采取更加严格的措施，目前能看到的唯一方法，就是在第一例病例出现后，立刻采取全城封控。例如图7的天津津南、河南安阳、山东威海，都是通过异常严格的手段，短期内大幅度降低人流量，才换来了新增病例的下降。
___________________________
研究评价：这个研究也是很符合直觉的，传播性更快的病毒要付出更大的封控代价。同样，重要的不在于结论本身，更不要将结论直接套用去评估政策，而在于其中的数字和数字背后的经济学直觉。其实如果进一步放长来看，还可以看到解封之后人流量的恢复其实是极度缓慢的，大概需要2~3个月才能恢复至疫情前水平。而消费会更慢，因为这个过程有些店铺就彻底关门了。
___________________________
,
