[论文解读] Exposure Density and Neighborhood Disparities in COVID-19 Infection Risk: Using Large-scale Geolocation Data to Understand Burdens on Vulnerable Communities

Boyeong Hong, Bartosz Bończak+3 more|arXiv (Cornell University)|Aug 4, 2020

COVID-19 epidemiological studies参考文献 18被引用 6

一句话总结

本研究提出曝光密度（$E_x\rho$）作为一项综合指标，结合局部活动体积与非住宅/户外用地用途，以量化新冠疫情下社区层面的感染风险。利用纽约市大规模智能手机地理定位数据，研究发现低收入、少数族裔社区因必要工作及远程工作选择有限，维持了较高的曝光密度，导致感染和死亡率显著升高——凸显了社交距离措施在结构性不平等方面的失效。

ABSTRACT

This study develops a new method to quantify neighborhood activity levels at high spatial and temporal resolutions and test whether, and to what extent, behavioral responses to social distancing policies vary with socioeconomic and demographic characteristics. We define exposure density as a measure of both the localized volume of activity in a defined area and the proportion of activity occurring in non-residential and outdoor land uses. We utilize this approach to capture inflows/outflows of people as a result of the pandemic and changes in mobility behavior for those that remain. First, we develop a generalizable method for assessing neighborhood activity levels by land use type using smartphone geolocation data over a three-month period covering more than 12 million unique users within the Greater New York area. Second, we measure and analyze disparities in community social distancing by identifying patterns in neighborhood activity levels and characteristics before and after the stay-at-home order. Finally, we evaluate the effect of social distancing in neighborhoods on COVID-19 infection rates and outcomes associated with localized demographic, socioeconomic, and infrastructure characteristics in order to identify disparities in health outcomes related to exposure risk. Our findings provide insight into the timely evaluation of the effectiveness of social distancing for individual neighborhoods and support a more equitable allocation of resources to support vulnerable and at-risk communities. Our findings demonstrate distinct patterns of activity pre- and post-COVID across neighborhoods. The variation in exposure density has a direct and measurable impact on the risk of infection.

研究动机与目标

• 开发一种可扩展、高分辨率的方法，利用智能手机地理定位数据测量社区活动水平。
• 评估不同社会经济和人口特征社区之间社交距离行为的差异。
• 评估曝光密度与新冠肺炎感染率之间的关系，并控制社会决定因素健康的影响。
• 识别因移动模式和工作模式中的结构性不平等而面临不成比例感染风险的脆弱社区。
• 通过将实时移动数据与健康结果差异关联，为制定公平的公共卫生政策提供建议。

提出的方法

• 将曝光密度（$E_x\rho$）定义为局部活动量与非住宅或户外活动比例的综合指标，两者均与更高传播风险相关。
• 利用大纽约地区超过1200万名独立用户在三个月内的匿名智能手机地理定位数据。
• 将数据聚合至250米空间网格，并进一步聚合至邮政编码级别，以与公共卫生报告的地理范围保持一致。
• 应用标准化技术，以实现曝光密度指标在不同区域和城市间的可比性。
• 基于居家令前后的移动模式，将社区聚类为不同的行为响应类型（如撤离型、稳定型、活动增加型）。
• 使用多元回归模型评估曝光密度与新冠肺炎结果之间的关系，控制人口统计、社会经济和基础设施因素。

实验结果

研究问题

• RQ1 居家令前后，社区活动模式与曝光密度如何变化？
• RQ2 社会经济与人口特征在多大程度上可预测不同社区间社交距离行为的差异？
• RQ3 在社区层面，曝光密度与实际新冠肺炎感染率、阳性率和死亡率之间存在何种关系？
• RQ4 收入、种族、医疗保险可及性及工作类型等结构性因素如何调节曝光密度对健康结果的影响？
• RQ5 曝光密度能否作为预测和公平识别大流行期间高风险社区的指标？

主要发现

• 曝光密度最高的社区——尤其是低收入、少数族裔社区——即使在控制社会决定因素健康后，仍经历了最高的感染率、阳性率和死亡率。
• 在更富裕的曼哈顿和布鲁克林社区，居民大幅减少活动并发生迁移，导致曝光密度显著下降，感染率也较低。
• 稳定型社区（主要为低收入和少数族裔）因必要工作及远程工作选择有限，维持了疫情前的活动水平，导致曝光密度持续处于高位。
• 部分低密度、类似郊区的社区因户外和非住宅活动量增加，曝光密度上升，尽管人口密度较低，但接触风险增加。
• 曝光密度的降低与人均感染率和死亡率的下降直接相关，证实了其对健康结果的预测能力。
• 收入低、少数族裔、医疗保险覆盖率低的复合风险最高的社区承受了最大负担，凸显了大流行中结构性不平等对脆弱性的影响。