Quantifying the impacts of human mobility restriction on the spread of coronavirus disease 2019: an empirical analysis from 344 cities of China
Notice bibliographique
Résumé
BACKGROUND: Since the outbreak of coronavirus disease 2019 (COVID-19), human mobility restriction measures have raised controversies, partly because of the inconsistent findings. An empirical study is promptly needed to reliably assess the causal effects of the mobility restriction. The purpose of this study was to quantify the causal effects of human mobility restriction on the spread of COVID-19. METHODS: Our study applied the difference-in-difference (DID) model to assess the declines of population mobility at the city level, and used the log-log regression model to examine the effects of population mobility declines on the disease spread measured by cumulative or new cases of COVID-19 over time after adjusting for confounders. RESULTS: The DID model showed that a continual expansion of the relative declines over time in 2020. After 4 weeks, population mobility declined by -54.81% (interquartile range, -65.50% to -43.56%). The accrued population mobility declines were associated with the significant reduction of cumulative COVID-19 cases throughout 6 weeks (ie, 1% decline of population mobility was associated with 0.72% [95% CI: 0.50%-0.93%] reduction of cumulative cases for 1 week, 1.42% 2 weeks, 1.69% 3 weeks, 1.72% 4 weeks, 1.64% 5 weeks, and 1.52% 6 weeks). The impact on the weekly new cases seemed greater in the first 4 weeks but faded thereafter. The effects on cumulative cases differed by cities of different population sizes, with greater effects seen in larger cities. CONCLUSIONS: Persistent population mobility restrictions are well deserved. Implementation of mobility restrictions in major cities with large population sizes may be even more important.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».