导语


公平与效率的取舍是公共资源分配和社会治理中的一个经典难题,在很多应用场景中提升效率往往会有损公平,而保证公平也常以牺牲效率为代价。面对新冠病毒引发的公共卫生危机和在全球范围持续短缺的疫苗供给,人们再次面临考验:如何制定疫苗分配策略以兼顾社会公平和效用?近日发表于《自然·人类行为》(Nature Human Behaviour)的题为Strategic COVID-19 vaccine distribution can simultaneously elevate social utility and equity的文章,建立了一个综合考虑复杂移动行为和人口属性差异的城市疫情传播模型,并在此基础上深入研究了不同疫苗分配策略的综合效果。


通过分析美国大城市的真实移动行为数据,研究者发现城市空间中的弱势群体(低收入、少数族裔、社会必须工作者等)由于社会和经济压力在新冠危机中往往保持较高移动性,这使得他们面临更高的新冠风险并且也更容易通过移动接触网络传播新冠病毒。该研究进一步发现,在非均匀的移动网络效应的作用下,当疫苗被优先分配给弱势群体时可以同时提升社会公平和效用。基于这一发现,研究者设计了一个移动行为数据驱动的智能疫苗分配策略,可以综合考虑城市空间中各弱势群体和整体人群的利益,在多个维度上实现对社会公平和整体效用的同时提升。这一研究提供了在复杂的流行病环境中平衡多种伦理价值的新思路,为大数据和人工智能时代下的社会治理提供了新思想和新范式。


研究领域:社会公平,流行病研究,计算社会科学


 

论文题目:

Strategic COVID-19 vaccine distribution can simultaneously elevate social utility and equity

论文链接:

https://www.nature.com/articles/s41562-022-01429-0





1. 疫苗分配的伦理难题




从天花到麻疹,从流感到新冠肺炎,每一场大规模传染病都给人类社会带来猛烈的冲击,在危害公共健康的同时加剧了社会不平等,迫使人们加速科学研究以寻找应对方案,其中关键的一环就是研制疫苗。然而,疫苗在面世后很长一段时间内在全球范围内面临持续短缺的局面,因此如何分配稀缺的疫苗资源以平衡不同的社会价值成为了世界各地共同面对的难题。

贯穿于世界卫生组织(WHO)和各国政府出台的疫苗分配框架中的理念,是对疫苗分配的社会效用和公平这两大目标的平衡:前者致力于减少人群整体的患病率或死亡率,后者致力于平衡不同人群面临的风险和伤害。然而此类框架未能具体回答如下问题:这两个分别根植于功利主义和平等主义的目标在现实中可能兼得吗?如果可以,我们又该如何设计疫苗策略,将可能变为现实呢?

针对这些问题,本文基于真实世界的移动行为数据和城市传染病记录,定量揭示 COVID-19 疫苗分配中社会效用与公平之间的关系,并据此指导智能疫苗分配策略的设计。




2. 模型揭示常见疫苗分配策略的效果




为了捕捉不同社区面临的健康风险的异质性,研究人员提出了一个综合考虑移动行为和人口属性差异的流行病模型(Behavior-Demographic model, BD model)。它首先为每个社区构建一个独特的传染病模型,模型参数由该社区居民的人口属性决定,然后使用移动数据,构建了一个连接居民社区和各类场所(POI)的时变二分网络,刻画社区间人群流动伴随的病毒传播。仿真结果显示,本文提出的BD模型相比于传统的群体传染病模型,显著提升了预测准确度,且能捕捉到人群内部传染病风险的异质性,从而为进一步的分析提供了平台支持。

在此模型的基础上,研究人员首先通过仿真分析了常见疫苗分配策略的效果。在美国多个大城市中的仿真结果一致揭示:相比于均匀分配疫苗,如果人们在分配疫苗时优先照顾某个弱势群体(例如年龄维度下的老年人、职业维度下的社会必须工作者),那么就很可能同时提升疫苗的社会效用和该人口属性维度下的公平程度。然而,不同人口属性维度上的公平性往往互相掣肘;例如,仅优先分配给老年人群体时,不同族裔的公平程度下降幅度可达39.6%。由此可见,仅根据人口属性,难以设计出兼顾效用与各维度公平性的疫苗分配策略。

论文图2a :相比于均匀疫苗分配策略,按年龄/收入/职业/种族优先分配的策略效果(横轴表示社会效用,纵轴表示公平程度)。红点和蓝点分别表示优先分配给该维度最弱势群体和最优势群体的策略,位于纵轴右侧的点表示该策略能取得社会效用提升,位于横轴上方的点表示该策略能提升公平程度。




3. 设计兼顾社会公平和效用的

疫苗分配策略




如何才能设计出兼顾效用与公平的疫苗分配策略呢?我们首先要能快速评估将疫苗分配给特定社区的预期效果。为此,研究人员结合社区居民的移动水平和人口属性,设计了两个指标:首先是社区风险指标(Community Risk, CR),刻画将疫苗分配给某个社区后,该社区能减少的死亡人数;其次是社会风险指标(Societal Risk, SR),刻画将疫苗分配给某个社区后,整个社会能减少的死亡人数(参见论文图3a)

回归分析结果显示,相比于仅基于人口属性特征的回归模型,加入新定义的CR和SR指标能大幅提升预估疫苗分配策略效果的准确性。研究人员进一步发现,这两个指标之间存在一定的正相关性,这意味着最脆弱的群体也更可能是给社会带来高传播风险的群体;例如,在高收入群体普遍减少外出、转为线上工作的时候,很多低收入居民在疫情期间仍不得不进行线下工作,故他们在面临较高感染风险的同时,也有更大机率成为疫情传播者。这也从机制上解释了设计疫苗策略的空间:如果能准确找到此类人群并给他们优先分配疫苗,就有可能兼顾社会公平和整体效用。

论文图3a:社区风险(CR)和社会风险(SR)的计算方式 。每个节点代表一个社区,其大小反映社区的脆弱性,颜色反映社区中的死亡人数(对应点上方的D值);不同粗细的边代表社区间不同强度的人群移动。对于每个社区,CR 等于其自身的死亡风险(绿色框),SR 等于其自身的死亡风险和它可能给其他社区带来的死亡风险之和(红色框)。作为两个代表性案例,传染链I的社区A具有较大的CR、较小的SR,而传染链II的社区B具有较小的CR、较大的SR。

基于上文所提指标,研究人员提出了一个由移动行为大数据驱动的智能疫苗分配策略。仿真结果显示,所提策略可以在各维度社会公平性和整体效用上同时取得提升,并且相比于七种现行分配策略在多个伦理价值之间做到了更好的平衡。进一步的实验显示,该策略在不同疫苗数量和分配时间的多个场景下,均能取得一致和稳定的优化效果。

论文图4a:对比本文所提策略(Comprehensive)和7个基准疫苗分配策略在各维度社会公平性和整体效用上的效果。

人类社会的历史同时也是一部传染病抗争史。随着人口规模的扩大和人口流动的增强,传染病防控越来越离不开数据的支持、不同学科的交叉融合。在此背景下,此研究基于大规模真实数据,为公共卫生政策的评估和制定提供了实证支持,打开了在复杂的流行病环境中平衡多种伦理价值的新思路,为大数据和人工智能时代的社会治理提供了新思想和新范式。



计算社会科学读书会第二季


计算社会科学作为一个新兴交叉领域,越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用,大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究,计算社会科学广泛采用了计算范式和复杂系统视角,因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法,推动研究创新,集智俱乐部发起了计算社会科学系列读书会。

新一季【计算社会科学读书会】由清华大学罗家德教授领衔,卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起,自2022年6月18日开始,持续10-12周。本季读书将聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合,并针对性讨论预测性与解释性、新冠疫情研究等课题。读书会详情及参与方式见文末,欢迎从事相关研究或对计算社会科学感兴趣的朋友参与。


详情请见:
数据与计算前沿方法整合:计算社会科学读书会第二季启动


推荐阅读



点击“阅读原文”,报名读书会