Tugas Mawan

ekongudan
g Layanan dari
Leibniz-Informationszentrum
Wirtschaft
Pusat Informasi
Leibniz untuk Ekonomi
Jadikan Publikasi Anda

Terlihat. zbw
Qiu, Yun; Chen, Xi; Shi, Wei
Makalah kerja
Dampak Faktor Sosial dan Ekonomi terhadap

Penularan Penyakit Coronavirus 2019 (COVID-19)
di Tiongkok
Makalah Diskusi GLO, No. 494
Disediakan dalam Kerjasama dengan:

Organisasi Buruh Global (GLO)
Kutipan yang Disarankan: Qiu, Yun; Chen, Xi; Shi, Wei (2020): Dampak Faktor Sosial dan
Ekonomi terhadap Penularan Penyakit Coronavirus 2019 (COVID-19) di Cina, Makalah Diskusi
GLO, No. 494, Organisasi Buruh Global (GLO), Essen
Versi ini tersedia di:

http://hdl.handle.net/10419/214870
Standard-Nutzungsbedingungen: Syarat Penggunaan:
Setelah Dokumente auf EconStor dürfen zu eigenen Dokumen di EconStor dapat disimpan dan disalin untuk
wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert tujuan pribadi dan ilmiah Anda.
und kopiert werden.
Anda tidak boleh menyalin dokumen untuk tujuan publik
Setelah itu, Dokumente nicht für öffentliche oder kommerzielle atau komersial, untuk memamerkan dokumen secara publik,
Zwecke vervielfältigen, öffentlich ausstellen, öffentlich untuk membuatnya tersedia untuk umum di internet, atau
zugänglich machen, vertreiben oder anderweitig nutzen. untuk mendistribusikan atau menggunakan dokumen di
depan umum.
Hanya dengan Verfasser dan Dokumente untuk Konten-Terbuka-
Lizenzen (tidak termasuk CC-Lizenzen) dan Verifikasi-Verifikasi Jika dokumen telah tersedia di bawah Lisensi Konten Terbuka
yang terkait dengan gaya hidup, terutama jika Anda ingin (terutama Lisensi Creative Commons), Anda dapat
Nutzungsbedingungen mati di der dort genannten Lizenz gewährten menggunakan hak penggunaan lebih lanjut sebagaimana
Nutzungsrechte. ditentukan dalam lisensi yang ditunjukkan.
www.econstor.e
Dampak Faktor Sosial dan Ekonomi terhadap Penularan
Penyakit Coronavirus 2019 (COVID-19) di Tiongkok
13 Maret 2020
Abstrak
Makalah ini meneliti peran berbagai faktor sosial ekonomi dalam memediasi transmisi
lokal dan lintas-kota dari novel coronavirus 2019 (COVID-19) di Cina. Kami menerapkan
pendekatan pembelajaran mesin untuk memilih variabel instrumental yang sangat
memprediksi trans-misi virus di antara karakteristik cuaca eksogen yang kaya. Perkiraan
2SLS kami menunjukkan bahwa karantina yang ketat, penguncian besar-besaran dan
tindakan kesehatan masyarakat lainnya yang diberlakukan pada akhir Januari-Januari secara
signifikan mengurangi tingkat transmisi COVID-19. Pada awal Februari, penyebaran virus
telah terkandung. Sementara banyak faktor sosial ekonomi menengahi penyebaran virus,
tanggapan pemerintah yang kuat sejak akhir Januari memainkan peran penentu dalam
penahanan virus. Kami juga menunjukkan bahwa populasi aktual yang berasal dari sumber
wabah menimbulkan risiko lebih tinggi ke tujuan daripada faktor-faktor lain seperti kedekatan
geografis dan kesamaan dalam kondisi ekonomi. Hasilnya memiliki implikasi yang kaya untuk
upaya global yang sedang berlangsung dalam penahanan COVID-19.
Klasi kasi JEL: I18, I12, C23

Kata kunci: coronavirus novel 2019, penularan
Kami berterima kasih kepada para peserta seminar di Lembaga Penelitian Ekonomi dan Sosial Universitas Jinan
untuk komentar dan saran mereka yang sangat membantu. Semua kesalahan adalah milik kita sendiri. Qiu dan Shi
mengakui dukungan dari Proyek 111 (Grant No.B18026). Chen berterima kasih kepada sumber pendanaan berikut:
US Scholar Center Award PEPPER (P30AG021342) dan hibah NIH / NIA (R03AG048920; K01AG053408). Shi
berterima kasih kepada Yayasan Ilmu Pengetahuan Alam Nasional China (Hibah No.71803062) dan Kementerian
Pendidikan Tiongkok (Hibah No.18YJC790138) untuk dukungan keuangan. Para penulis menyatakan bahwa mereka
tidak memiliki konflik kepentingan.
y Institut Penelitian Ekonomi dan Sosial, Universitas Jinan; Email: yunqiu yq@jnu.edu.cn
z Departemen Kebijakan dan Manajemen Kesehatan, Sekolah Kesehatan Masyarakat Yale; Departemen Ekonomi,
Universitas Yale; Email: xi.chen@yale.edu
x
Institut Penelitian Ekonomi dan Sosial, Universitas Jinan; Email: wshi16@jnu.edu.cn ; Penulis yang sesuai
1 pengantar
Beberapa kelompok pasien dengan pneumonia yang tidak diketahui penyebabnya dilaporkan pada
akhir Desember 2019 di Wuhan, ibu kota Provinsi Hubei, Cina. Itu kemudian diidentifikasi
disebabkan oleh coronavirus baru (sindrom pernafasan akut parah coronavirus 2, atau SARS-CoV-
2) (Zhu et al., 2020) dan penyakit ini dinamai oleh Organisasi Kesehatan Dunia (WHO) sebagai
1
Penyakit Coronavirus 2019 (COVID-19) . Sejak pertengahan Januari 2020, telah menyebar dengan
cepat ke seluruh Cina dan negara-negara lain. Kasus terkonfirmasi pertama di luar Wuhan di Cina
dilaporkan pada 19 Januari (Shenzhen) (Li et al., 2020). Mirip dengan SARS-CoV dan MERS-CoV,
COVID-19 dapat ditularkan dari orang ke orang orang. Per 30 Januari, total 9976 kasus telah
2
dilaporkan di setidaknya 21 negara . Deteksi awal impor COVID-19 dan pencegahan penularan
selanjutnya sangat penting untuk semua bidang yang berisiko impor dari daerah dengan transmisi
aktif (Gilbert et al., 2020). Untuk mengendalikan virus itu, Wuhan dikunci dan warga tidak diizinkan
meninggalkan kota itu pada Januari
23. Pada hari yang sama atau hari berikutnya, sebagian besar transportasi umum berhenti di
Wuhan dan kota-kota lain di provinsi Hubei. Selain itu, sebagian besar kota di provinsi Hubei telah
mengadopsi tindakan blokade untuk Kelas
3
Penyakit menular pada 28 Januari . Warga di daerah-daerah tersebut sangat dianjurkan untuk
tinggal di rumah dan tidak menghadiri kegiatan berkumpul. Selain itu, setidaknya 207 kota di Cina
telah mengadopsi tindakan serupa yang lebih lunak pada 12 Februari. Orang sering diingatkan oleh
media dan pekerja komunitas untuk menjaga jarak sosial yang aman. Selain itu, banyak kota
mengharuskan pengunjung baru ke daerah berisiko COVID-19 yang tinggi untuk karantina sendiri di
rumah atau di fasilitas khusus
14 hari. Warga yang memiliki gejala demam atau batuk kering diharuskan melaporkan situasi
tersebut kepada masyarakat, dan dikarantina serta dirawat di fasilitas medis khusus.
Pemerintah juga melacak dan mengisolasi kontak dari pasien-pasien itu.
Karena banyak negara telah menerapkan karantina wajib atau bahkan penutupan besar-
besaran, seperti Korea Selatan, Italia dan Cina, dan lebih banyak negara akan bergabung karena
wabah koronavirus menjadi pandemi global, memeriksa faktor-faktor yang mempengaruhi penularan
COVID-19 dan efektivitas langkah-langkah karantina skala besar di Cina tidak hanya menambah
pemahaman kita tentang penahanan COVID-19 tetapi juga memberikan wawasan tentang upaya
pencegahan di masa depan terhadap penyakit menular yang serupa. Dalam tulisan ini, kami
memperkirakan bagaimana jumlah kasus COVID-19 terkonfirmasi di sebuah kota dipengaruhi oleh
jumlah kasus COVID-19 baru di kota yang sama, kota-kota lain, dan Wuhan masing-masing pada
minggu-minggu pertama dan kedua sebelumnya. . Kebijakan karantina skala besar Tiongkok akan
berlaku pada akhir Januari.
Untuk penyakit menular, jumlah orang yang terinfeksi biasanya meningkat terlebih dahulu
sebelum mencapai puncak dan kemudian turun. Pola ini menyiratkan bahwa untuk persamaan linier
kasus baru pada jumlah kasus di masa lalu, faktor penentu infeksi baru yang tidak teramati
berkorelasi serial. Itu
1
COVID-19 sebelumnya dikenal sebagai pneumonia koronavirus baru atau penyakit pernapasan akut 2019-nCoV.
2 https://gisanddata.maps.arcgis.com/apps/opsdashboard/index.html#/bda7594740fd40299423467b48e9ecf6
3
Menurut Undang-Undang Republik Rakyat Tiongkok tentang Pencegahan dan Pengobatan Penyakit Menular,
Kelas
Penyakit menular hanya mencakup wabah dan kolera.
faktor-faktor penentu yang tidak teramati dari kasus-kasus baru mungkin berkorelasi seri, juga
karena mereka mengukur faktor persisten, seperti kebiasaan masyarakat dan kebijakan pemerintah.
Korelasi serial dalam kesalahan memunculkan korelasi antara jumlah kasus yang tertinggal dan
jangka waktu kesalahan, dan estimator ordinary least square (OLS) mungkin bias. Menggabungkan
wawasan dalamTambah sebuah (2016) dan pengetahuan yang ada tentang masa inkubasi COVID-
19, kami membangun variabel instrumental untuk jumlah kasus COVID-19 baru dalam dua minggu
sebelumnya. Karakteristik cuaca pada minggu ketiga dan keempat sebelumnya tidak secara
langsung mempengaruhi jumlah COVID-19 kasus baru hari ini setelah mengendalikan jumlah kasus
COVID-19 baru dan kondisi cuaca pada minggu-minggu pertama dan kedua sebelumnya. Karena
itu, perkiraan dampak kami memiliki interpretasi kausal. Kami menggunakan metode Lasso untuk
memilih variabel instrumental di antara sebelas karakteristik cuaca yang memiliki daya prediksi
tertinggi untuk jumlah rata-rata kasus terkonfirmasi baru selama masing-masing dua minggu
terakhir. Selanjutnya, kami memeriksa efek moderator dari faktor sosial ekonomi pada transmisi
COVID-19 di Cina, yang termasuk populasi yang keluar dari Wuhan, jarak antara kota, PDB per
kapita, jumlah dokter, dan karakteristik cuaca kontemporer. Kami fokus pada pengaruh arus
populasi dari asal-usul wabah COVID-19, karena data tentang perjalanan waktu nyata antar kota
baru-baru ini tersedia dan kami memeriksa apakah itu dapat menjelaskan penyebaran penyakit, dan
bahwa Wuhan adalah kota utama dan pusat transportasi dengan pergerakan populasi yang
signifikan.
Kami menemukan bahwa tindakan karantina yang ketat dan kesehatan masyarakat yang
diberlakukan pada akhir Januari secara signifikan menurunkan tingkat penularan COVID-19.
Pada awal Februari, penyebaran virus telah terkandung di Cina. Sementara banyak faktor
sosial ekonomi memoderasi penyebaran virus, populasi aktual yang berasal dari sumber
berisiko lebih tinggi ke tujuan daripada faktor-faktor lain seperti kedekatan geografis dan
kesamaan dalam kondisi ekonomi.
Analisis kami berkontribusi pada literatur yang ada dalam dua aspek. Pertama, analisis kami
terhubung dengan literatur ekonomi dan epidemiologi tentang faktor-faktor yang memengaruhi dan
cara-cara mencegah penyebaran penyakit menular. Studi yang ada menemukan bahwa
pengurangan kontak interpersonal dari penutupan sekolah liburan (Tambah sebuah, 2016),
penutupan sekolah reaktif (Litvinova et al., 2019), pemogokan angkutan umum (Godzinski dan
Suarez Castillo, 2019), penargetan strategis wisatawan dari lokasi insiden tinggi (Milusheva, 2017),
dan dibayar cuti sakit untuk menjaga pekerja menular di rumah (Barmby dan Larguem, 2009, Pichler
dan Ziebarth, 2017) dapat mengurangi prevalensi in uenza. Selain itu, literatur menemukan bahwa
epidemi menyebar lebih cepat selama boom ekonomi (Tambah sebuah, 2016), peningkatan
lapangan kerja dikaitkan dengan peningkatan insiden in uenza (Markowitz et al., 2010), dan
pertumbuhan perdagangan dapat secara signifikan meningkatkan penyebaran influenza (Tambah
sebuah, 2016) dan HIV (Oster, 2012). Vaksinasi (Maurer, 2009, putih, 2019) dan paparan sinar
matahari (Slusky dan Zeckhauser, 2018) juga ditemukan efektif dalam mengurangi penyebaran
influenza. Dalam kasus COVID-19, kebijakan karantina berlaku di seluruh Cina dalam beberapa hari
di akhir Januari. Dengan demikian, kami langsung membandingkan efek transmisi pada pra dan
pasca 1 Februari sampel untuk menguji efektivitasnya dalam mencegah transmisi COVID-19.
Menariknya, dalam waktu satu minggu, arus populasi dari Wuhan secara signifikan meningkatkan
penyebaran virus pada subsampel awal, tetapi menurunkan tingkat penularannya pada subsampel
kemudian, menunjukkan bahwa orang-orang telah
telah mengambil tindakan yang lebih hati-hati dari daerah berisiko COVID-19 yang tinggi. Selain
itu, mengikuti literatur sebelumnya tentang efek moderator perkembangan ekonomi dan
karakteristik lingkungan pada penularan virus, analisis kami lebih lanjut mengungkapkan bahwa
transmisi COVID-19 secara positif dimoderasi oleh PDB per kapita dan dimoderasi secara
negatif oleh jumlah dokter, sementara efeknya faktor lingkungan dan kepadatan penduduk
dicampur.
Kedua, makalah kami melengkapi studi epidemiologi pada jumlah reproduksi dasar COVID-19.
Menggunakan data pada 425 COVID-19 pasien pertama pada 22 Januari,Li et al. (2020)
memperkirakan jumlah reproduksi dasar 2.2. Berdasarkan data time-series pada jumlah kasus
COVID-19 di daratan Tiongkok dari 10 Januari hingga 24 Januari,Zhao et al. (2020) memperkirakan
bahwa angka reproduksi rata-rata berkisar antara 2,24 hingga 3,58. Mengingat waktu yang singkat
sejak awal wabah COVID-19, diperlukan lebih banyak penelitian di bidang ini untuk menilai dinamika
penularan dan implikasinya pada bagaimana wabah COVID-19 akan berkembang (Wu dan
McGoogan, 2020, Wu et al., 2020b). Beberapa penelitian baru-baru ini telah meneliti pengaruh
pergerakan populasi pada penyebaran dari COVID-19 (Zhan et al., 2020, Zhang et al., 2020).
Analisis kami bergantung pada data terpilah secara spasial dalam periode yang lebih lama, dan
pendekatan variabel instrumental yang kami gunakan memberikan batasan yang lebih sedikit pada
hubungan antara faktor penentu yang tidak teramati dari kasus baru dan jumlah kasus di masa lalu.
Menggunakan suhu eksogen, kecepatan angin dan curah hujan pada minggu ketiga dan keempat
sebelumnya sebagai instrumen, kami menemukan bahwa pada 19 Januari - 1 Februari subsampel,
satu infeksi baru mengarah ke 1: 465 lebih banyak kasus dalam satu minggu dan efek pada minggu
kedua tidak pasti. Sementara perkiraan sebab akibat ini sedikit lebih rendah daripada studi
epidemiologi di atas, analisis rolling window menunjukkan bahwa tingkat infeksi meningkat pada
akhir Januari, kemudian stabil dan turun. Makalah kami juga menambah studi epidemiologi tentang
cara efektif mengandung COVID-19.Hellewell et al. (2020) dan menemukan pelacakan kontak yang
sangat efektif dan isolasi kasus sudah cukup untuk mengendalikan wabah baru COVID-19 dalam
waktu tiga bulan di sebagian besar skenario. Estimasi empiris kami berdasarkan jumlah nyata dari
kasus COVID-19 yang baru dikonfirmasikan menunjukkan bahwa satu kasus infeksi baru dapat
mengurangi jumlah kasus baru sebesar 0: 097 (0: 438) pada minggu pertama (kedua) berikutnya
pada 2 Februari - 2 Februari 15 subsampel, menguatkan keefektifan kebijakan karantina skala besar
Tiongkok.
Makalah ini disusun sebagai berikut. Bagian2 memperkenalkan model empiris. Bagian3
membahas data kami dan pembangunan variabel kunci. Hasilnya disajikan dalam Bagian4.
Bagian5 menyimpulkan.
2 Model empiris
Sampel analisis kami mencakup 303 kota tingkat prefektur di Cina. Kami mengecualikan Wuhan dari
analisis kami karena pola epidemi di Wuhan secara signifikan berbeda dari yang ada di kota-kota
lain. Beberapa kasus terkonfirmasi di Wuhan tertular virus melalui paparan ke Pasar Grosir
4
Makanan Laut Huanan, yang merupakan asal usul virus yang paling mungkin. . Di kota-kota lain,
infeksi muncul
4 Li et al. (2020) mendokumentasikan riwayat paparan dari 425 kasus pertama. Diduga bahwa kasus awal adalah terkait
dengan Pasar Grosir Makanan Laut Huanan di Wuhan.
4
dari transmisi manusia ke manusia. Sistem perawatan kesehatan di Wuhan menghadapi
tantangan infeksi virus yang sebelumnya tidak diketahui pada awal Januari dan menjadi
kewalahan karena jumlah kasus baru meningkat secara eksponensial dari pertengahan Januari.
Faktor-faktor ini dapat menyebabkan keterlambatan parah dan masalah kesalahan pengukuran
dalam jumlah kasus yang dilaporkan di Wuhan. Kami mengurangi masalah kesalahan
pengukuran menggunakan variasi infeksi yang disebabkan oleh perubahan eksogen dalam
kondisi cuaca yang dibahas secara rinci dalam Bagian3.2.
Untuk memodelkan penyebaran virus, kami mempertimbangkan secara simultan dalam
penyebaran kota dan antar transmisi kota, seperti pada Tambah sebuah (2016).
variabelnya adalah bahwa kondisi cuaca sebelum dua minggu tidak memengaruhi kemungkinan
seseorang yang rentan terhadap virus terjangkit penyakit, tergantung pada kondisi cuaca dalam
dua minggu. Di sisi lain, mereka memengaruhi jumlah orang lain yang telah menular dalam
jendela dua minggu, karena mereka mungkin telah tertular virus lebih awal dari dua minggu.
Variabel cuaca ini eksogen terhadap istilah kesalahan dan mempengaruhi penyebaran virus,
7
dan telah digunakan olehTambah sebuah (2016) untuk instrumen infeksi .
Tujuan utama dari makalah ini adalah untuk mengukur pengaruh berbagai faktor sosial dan
ekonomi dalam memediasi tingkat penularan virus, yang dapat membantu mengidentifikasi
faktor risiko perilaku dan sosial ekonomi potensial untuk infeksi. Untuk transmisi dalam kota,
kami mempertimbangkan efek mediasi kepadatan populasi, tingkat perkembangan ekonomi,
jumlah dokter, dan faktor lingkungan seperti suhu, angin dan hujan. Untuk mengukur
penyebaran virus dari Wuhan, kami menyertakan perkiraan jumlah orang yang bepergian dari
Wuhan. Model empiris termasuk variabel mediasi ini adalah sebagai berikut,
K K K
2 dalam 2 antara 2 Wuhan
k k
XX XXX XX
k k kk
h y + m y + m z
yct = dalam; ct ct antara; crt rt c; Wuhan; t t
=1 =1 =1
k=1 k = 1 r6 = c k=1
+ xct + ct; (3)
k k k
dimana
, m dan m
hct crt c; Wuhan; t adalah faktor penengah untuk transmisi dalam kota, antara
transmisi kota dan kasing impor dari Wuhan.
3 Data
3.1 Variabel
19 Januari 2020 adalah hari pertama kasus COVID-19 dilaporkan di luar Wuhan, jadi kami
mengumpulkan jumlah harian kasus COVID-19 baru untuk 303 kota dari 19 Januari hingga 15
8
Februari. Semua data ini dilaporkan oleh 32 provinsi Komisi Kesehatan di Tiongkok . Angka1
menunjukkan pola waktu dari kasus baru yang dikonfirmasi di Wuhan, di provinsi Hubei di luar
Wuhan, dan di daratan Cina tetapi di luar provinsi Hubei.
Untuk variabel penjelas, kami menghitung jumlah kasus baru COVID-19 pada minggu-minggu
pertama dan kedua untuk masing-masing kota pada setiap hari. Untuk memperkirakan dampak
kasus COVID-19 baru di kota-kota lain pada kasus COVID-19 baru di kota itu sendiri, kami pertama-
tama menghitung jarak geografis antara kota dan semua kota lain menggunakan garis lintang dan
bujur dari pusat massa dari setiap kota, dan kemudian menghitung jumlah tertimbang jumlah
COVID-19 kasus baru di semua kota lain menggunakan kebalikan dari jarak log antara kota dan
masing-masing kota lainnya sebagai berat.
7 Virus flu lebih mudah bertahan hidup di cuaca dingin. Kondisi cuaca buruk juga membatasi aktivitas di luar ruangan yang
dapat mengurangi kemungkinan tertular virus. Untuk detailnya, lihatTambah sebuah (2016) dan Bagian 3.2.
8
Hong Kong dan Makau dikecualikan dari analisis kami karena kurangnya beberapa variabel sosial ekonom
Karena wabah COVID-19 dimulai dari Wuhan, kami juga menghitung jumlah COVID-19
kasus baru di Wuhan menggunakan kebalikan dari jarak log sebagai berat. Selanjutnya, untuk
mengeksplorasi dampak mediasi dari arus populasi dari Wuhan, kami mengumpulkan indeks
arus populasi harian dari Baidu yang mewakili total intensitas migrasi dari Wuhan ke kota-kota
9
lain . Angka2 memplot indeks Baidu dari populasi yang keluar dari Wuhan dan membandingkan
nilainya tahun ini dengan yang pada 2019. Kami kemudian berinteraksi dengan indeks arus
bagian yang diambil oleh kota tujuan (Gambar 3) untuk membangun ukuran pada arus populasi
dari Wuhan ke kota tujuan. Variabel mediasi lainnya termasuk kepadatan populasi, PDB per
kapita, dan jumlah dokter di tingkat kota, yang kami kumpulkan dari buku tahunan statistik kota
China terbaru. Meja1 menyajikan ringkasan statistik dari variabel-variabel ini.
Kami mengandalkan data meteorologi untuk membangun variabel instrumental untuk variabel
endogen. Administrasi Kelautan dan Atmosfer Nasional (NOAA) memberikan suhu rata-rata, maksimum
dan minimum, tekanan udara, kecepatan angin rata-rata dan maksimum, curah hujan, jumlah salju, dan
titik embun untuk 362 stasiun cuaca di tingkat harian di Cina. Untuk menggabungkan variabel metologis
dengan jumlah kasus baru COVID-19, pertama-tama kami menghitung variabel cuaca harian untuk setiap
kota pada setiap hari dari 2019 Desember hingga 2020 Februari dari catatan cuaca tingkat stasiun
mengikuti metode pembobotan jarak invers. Khususnya, untuk setiap kota, kami menggambar lingkaran
100 km dari pusat kota dan menghitung variabel cuaca harian rata-rata tertimbang menggunakan
9 Migrasi Baidu, qianxi.baidu.com
Gambar 3: Bagian Tujuan dalam Aliran Penduduk dari Wuhan
Tabel 1: Ringkasan Statistik
Variabel N Berarti Std dev. Min. Median Maks.
Kota-kota non Hubei
Karakteristik kota
PDB per kapita, 10.000RMB 287 5.236 3.024 1.141 4.334 21.549
2
Kepadatan populasi, per km 287 430.247 374.071 9.049 332.180 3444.092
Jumlah dokter, 10.000 287 1.089 1.139 0,030 0,808 10.938
Variabel waktu bervariasi, 19 Jan - 1 Feb
Jumlah harian untuk kasus baru yang
dikonfirmasi 4018 1.307 3.614 0 0 60
Suhu rata-rata mingguan, C 4018 3.287 9.182 -29.825 3.862 23.099
Rata-rata kecepatan angin maksimum
mingguan, m / s 4018 3.728 1.274 1.095 3.520 10.392
Rata-rata presipitasi mingguan, mm 4018 0,239 0,559 0 0,033 5.570
Variabel waktu yang bervariasi, 1 Feb - 15
Feb
dikonfirmasi 4018 1.708 3.539 0 0 49
mingguan, m / s 4018 3.889 1.310 1.227 3.777 9,789
Rata-rata presipitasi mingguan, mm 4018 0,175 0,493 0,000 0,022 5.432
Kota-kota di provinsi Hubei, tidak termasuk
Wuhan
Karakteristik kota
PDB per kapita, 10.000RMB 16 4.932 1.990 2.389 4.306 8.998
2
Kepadatan populasi, per km 16 416.501 220.834 24.409 438.820 846.263
Jumlah dokter, 10.000 16 0,698 0,436 0,017 0,702 1.393
Variabel waktu bervariasi, 19 Jan - 1 Feb
dikonfirmasi 224 22.165 35.555 0 7 276
mingguan, m / s 224 3.179 0,888 1.178 3.066 6.026
Variabel waktu yang bervariasi, 1 Feb - 15
Feb
dikonfirmasi 224 53.013 63.654 0 33.5 424
Suhu rata-rata mingguan, C 224 7.052 1.937 -0,952 7.264 11.634
mingguan, m / s 224 3.237 1.018 1.132 3.184 6.827
Variabel karakteristik kota diperoleh dari Buku Tahunan Statistik Kota. Variabel waktu yang bervariasi diamati setiap
hari untuk setiap kota. Variabel cuaca rata-rata mingguan adalah rata-rata selama minggu berikutnya.
10
stasiun dalam lingkaran 100 km . Kami menggunakan kebalikan dari jarak antara pusat massa
kota dan masing-masing stasiun sebagai bobot. Kedua, kami mencocokkan variabel cuaca
harian dengan jumlah kasus baru COVID-19 berdasarkan nama kota dan tanggal.
3.2 Pemilihan Variabel Instrumental
Tingkat transmisi COVID-19 mungkin dipengaruhi oleh banyak faktor lingkungan. Transmisi COVID-
19 dari manusia ke manusia sebagian besar melalui tetesan dan kontak (Kesehatan Nasional
Komisi RRC, 2020). Kondisi cuaca seperti curah hujan, kecepatan angin, dan suhu dapat
memainkan peran kunci dalam membentuk infeksi melalui pengaruh aktivitas sosial dan transmisi
virus. Misalnya, lebih banyak presipitasi meningkatkan kelembaban yang dapat melemahkan
transmisi virus (Lebih rendah dan Baja, 2014). Baik lebih banyak curah hujan dan suhu yang lebih
rendah dapat mengurangi kegiatan sosial. Menurunkan suhu juga dapat meningkatkan daya
menular virus di lingkungan (Wang et al., 2020). Kecepatan angin yang lebih tinggi dan karenanya
udara berventilasi dapat mengganggu transmisi virus. Baru saat ini kasus timbul karena tertular virus
di masa lalu, dan untuk kasus COVID-19, biasanya dalam waktu dua minggu. Tingkat penularan dari
manusia ke manusia ditentukan oleh jumlah orang yang sudah tertular virus dan kondisi lingkungan
dalam dua minggu. Bersyarat pada jumlah kasus yang terkonfirmasi dan kondisi lingkungan dalam
dua minggu, masuk akal bahwa kondisi cuaca lebih lanjut di masa lalu tidak akan mempengaruhi
kasus baru saat ini.
Ada banyak karakteristik cuaca yang berpotensi relevan, termasuk rata-rata harian, suhu
maksimum dan minimum, kecepatan angin rata-rata dan maksimum, presipitasi, tekanan udara,
visibilitas, titik embun, kedalaman salju, dan adanya cuaca ekstrem. Kami menggunakan metode
Lasso untuk memilih variabel lingkungan yang memiliki kekuatan prediktif tertinggi untuk jumlah
rata-rata harian kasus terkonfigurasi baru selama masing-masing dua minggu terakhir, dengan efek
provinsi dan hari sudah termasuk. Parameter penalti diberikan oleh plugin metode dariBelloni et al.
(2014). Ada empat variabel yang dipilih, termasuk kecepatan angin maksimum rata-rata dan curah
hujan rata-rata selama minggu ketiga dan keempat terakhir. Kami juga menyertakan suhu rata-rata
selama minggu ketiga dan keempat terakhir karena suhu diketahui memengaruhi transmisi virus u
dan diperkirakan untuk mempengaruhi COVID-19 juga (Wang et al., 2020). Kami kemudian regresi
variabel endogen pada keterlambatan satu hingga empat minggu dari variabel instrumental, kota,
dan pengaruh tanggal. Meja2 menunjukkan bahwa uji-F pada koefisien tiga dan empat minggu
keterlambatan dari variabel-variabel instrumental semuanya sangat menolak lambang persendian
bersama, yang menegaskan bahwa variabel-variabel instrumental yang dipilih tidak lemah. Koefisien
regresi tahap pertama dilaporkan dalam TabelB.1 dalam lampiran.
10
Lingkaran 100 km konsisten dengan literatur yang ada. Sebagian besar studi tentang dampak sosial ekonomi
dari perubahan iklim telah menemukan bahwa hasil estimasi tidak sensitif terhadap pilihan jarak cuto (Zhang et al.,
2017). Kami juga menggunakan jarak cuto lain (misalnya, 150 km) untuk pemeriksaan ketahanan, dan hasil utama
tetap tidak berubah. Hasil ini tersedia berdasarkan permintaan.
Tabel 2: Hasil Tahap Pertama
19 Jan - 15 Feb 19 Jan - 1 Feb 2 Feb - 15 Feb
Kota sendiri
Rata-rata jumlah kasus baru, 1
minggu lag F statistik 3:78 15:90 4:20
nilai p 0: 0000 0: 0000 0: 0000
Jumlah kasus baru rata-rata, lag 2
minggu F statistik 6:38 4:88 7:94
nilai p 0: 0000 0: 0000 0: 0000
Kota-kota lain, jarak terbalik berbobot
minggu lag F statistik 58:51 146: 96 75:43
nilai p 0: 0000 0: 0000 0: 0000
minggu F statistik 59:46 101: 84 86:72
nilai p 0: 0000 0: 0000 0: 0000
Tabel ini melaporkan uji-F pada koefisien signifikansi koefisien variabel instrumental yang dikeluarkan dari
persamaan struktural, yang meliputi suhu rata-rata, kecepatan angin maksimum rata-rata dan curah hujan rata-rata
selama tiga minggu terakhir dan keempat, dan rata-rata pembalikan jarak log dari variabel-variabel ini di kota-kota
lain. Untuk setiap statistik F, variabel dalam barisnya adalah variabel dependen, dan jendela waktu dalam kolomnya
menunjukkan rentang waktu sampel. Selain variabel-variabel instrumental ini, setiap regresi juga mencakup
keterlambatan satu dan dua minggu dari variabel-variabel cuaca ini, kota, tanggal dan kota menurut minggu
pengaruh tetap. Koefisien variabel instrumental untuk sampel lengkap dilaporkan dalam TabelB.1 dalam lampiran.
4 Hasil
4.1 dalam Transmisi Kota
Sampel kami mulai dari 19 Januari, ketika kasus COVID-19 pertama kali dilaporkan di luar
Wuhan. Sampel mencakup empat minggu secara total dan berakhir pada 15 Februari. Kami
juga memperkirakan model secara terpisah untuk setiap setengah sampel (19 Januari hingga 1
Februari, dan 2 Februari hingga 15 Februari). Dua minggu pertama menyaksikan infeksi virus
dengan cepat menyebar ke seluruh negeri dengan setiap provinsi melaporkan setidaknya satu
kasus terkonfirmasi, dan jumlah kasus juga meningkat dengan kecepatan yang meningkat
(Gambar 1).1). Selama dua minggu ini, respons pemerintah menjadi lebih kuat. Pada tanggal
20 Januari, COVID-19 diklasifikasikan sebagai penyakit menular menurut hukum Kelas B dan
diperlakukan sebagai penyakit menular menurut hukum Kelas A. Kota Wuhan dikunci pada 23
Januari, dengan penutupan jalan dan penduduk tidak diizinkan meninggalkan kota. Banyak kota
lain juga memberlakukan pembatasan perjalanan, mulai dari membatalkan acara publik,
menghentikan transportasi umum hingga membatasi seberapa sering penduduk dapat
meninggalkan rumah. Pada 8 Februari, Dewan Negara mengeluarkan Pemberitahuan tentang
Tertibnya Kembali Pekerjaan dan Produksi di Perusahaan, yang merupakan peristiwa de ning
untuk frase kedua dari langkah-langkah pencegahan dan kontrol di Cina (Organisasi Kesehatan
Dunia, 2020c). Dengan membandingkan dinamika penularan virus dalam dua sampel setengah
ini, kita dapat mengevaluasi efektivitas langkah-langkah kesehatan masyarakat ini.
Meja 3 melaporkan hasil estimasi regresi OLS dan IV dari Persamaan. (2), di mana hanya
transmisi dalam kota yang dipertimbangkan. Setelah mengendalikan spesifisitas kota yang tidak
tergantung waktu dan efek waktu yang umum di semua kota, rata-rata, satu infeksi baru
menyebabkan 1: 566 lebih banyak kasus pada minggu berikutnya, tetapi 1: 299 lebih sedikit kasus
satu minggu kemudian. Efek negatif dapat menjadi hasil dari kedua lokal
Tabel 3: Transmisi Dalam Kota COVID-19
(1) (2) (3) (4) (5) (6)
OLS IV OLS IV OLS IV
Semua Kota Tidak Termasuk
Wuhan
minggu lag 0.834 *** 1,566 *** 1.695 *** 1.966 *** -0,459 *** 0,490 ***
(0,00632) (0,111) (0,0376) (0,0889) (0,0598) (0,0788)
minggu -0,389 *** -1.299 *** 0,731 -1.678 -0,757 *** -0,847 ***
(0,00371) (0.124) (2.007) (2,558) (0,0310) (0,0478)
Pengamatan 8.484 8.484 4,242 4,242 4,242 4,242

Jumlah kota 303 303 303 303 303 303
Kontrol cuaca IYA IYA IYA IYA IYA IYA
Kota FE IYA IYA IYA IYA IYA IYA
Tanggal FE IYA IYA IYA IYA IYA IYA
Semua Kota Tidak Termasuk Kota di Provinsi
Hubei
minggu lag 0,745 *** 1.129 *** 1.045 *** 1,345 *** 0,0470 0,344
(0,0275) (0,250) (0,0827) (0,194) (0.126) (0,231)
minggu -0.472 *** -0,748 *** 0,149 -1.751 -0,810 *** -0,758 ***
(0,0156) (0,231) (0.683) (2,502) (0,0746) (0,188)
Pengamatan 8.036 8.036 4,018 4,018 4,018 4,018

Jumlah kota 287 287 287 287 287 287
Variabel dependen adalah jumlah kasus terkonfirmasi baru harian. Suhu rata-rata yang tertinggal, kecepatan angin
maksimum, dan curah hujan digunakan sebagai variabel instrumental dalam regresi IV. Kesalahan standar dalam
tanda kurung dikelompokkan menurut provinsi. *** p <0,01, ** p <0,05, * p <0,1
pihak berwenang dan penduduk mengambil tindakan lebih protektif dalam menanggapi risiko
yang lebih tinggi tertular penyakit. Melepaskan informasi resmi tentang kasus-kasus baru di
tingkat harian serta bertukar informasi melalui media sosial di seluruh Tiongkok dapat
mempromosikan tindakan yang lebih tepat waktu untuk memperlambat transmisi virus.
Membandingkan efek penahanan dari waktu ke waktu, dalam setengah sampel pertama, satu
infeksi baru menyebabkan 1: 966 lebih banyak kasus dalam seminggu, menyiratkan
pertumbuhan yang cepat dalam jumlah kasus. Namun, pada sampel babak kedua, efeknya
menurun menjadi 0: 490, menunjukkan bahwa tindakan kesehatan masyarakat yang
diberlakukan pada akhir Januari efektif dalam membatasi penyebaran virus lebih lanjut.
Selain Wuhan, sejumlah besar kasus juga dilaporkan di kota-kota lain di provinsi Hubei, di
11
mana 6 di antaranya melaporkan lebih dari 1000 kasus kumulatif pada 15 Februari . Sistem
perawatan kesehatan mereka yang terlalu ketat memperburuk kekhawatiran atas keterlambatan
pelaporan kasus terkonfirmasi di kota-kota ini. Untuk mengurangi potensi kesalahan
pengukuran seperti itu dalam perkiraan kami, kami mengecualikan semua kota di provinsi Hubei
dari regresi. Panel bawah Tabel3 melaporkan estimasi. Membandingkan perkiraan IV dalam
kolom (4) dan (6), kami mengamati bahwa dalam dua minggu pertama, rata-rata, satu kasus
baru mengarah ke 1: 345 lebih banyak kasus pada minggu berikutnya, sementara rantai infeksi
terputus di sampel babak kedua.
4.2 Antara Transmisi Kota
Orang dapat tertular virus melalui interaksi dengan orang yang terinfeksi dan tinggal di kota
yang sama atau kota lain. Tingkat keparahan infeksi virus di kota-kota lain dapat mempengaruhi
kesadaran otoritas kesehatan masyarakat setempat dan penduduk. Tingkat penyebaran virus
dapat dikurangi jika lebih banyak tindakan perlindungan diambil. Dalam Pers. (1), kami
mempertimbangkan efek infeksi di kota-kota lain dan pusat epidemi, Wuhan, menggunakan
jarak log terbalik sebagai bobot. Penguncian di Wuhan pada 23 Januari secara signifikan
mengurangi arus populasi dari Wuhan ke kota-kota lain, dan kedekatan geografis mungkin tidak
menggambarkan dengan baik tingkat interaksi sosial antara penduduk di Wuhan dan kota-kota
lain. Untuk mengatasi masalah ini, kami menggunakan ukuran ukuran arus populasi dari Wuhan
ke kota tujuan, yang dibangun dengan mengalikan indeks migrasi harian pada populasi yang
keluar dari Wuhan (Gambar2) dengan pangsa aliran yang diterima oleh kota tujuan yang
disediakan oleh Baidu (Gambar 3). Pada hari-hari sebelum 25 Januari, kami menggunakan
rata-rata pangsa tujuan antara 10 Januari dan 24 Januari. Selama berhari-hari pada atau
12
setelah 24 Januari, rata-rata pangsa tujuan antara 25 Januari dan 23 Februari digunakan .
Meja 4 melaporkan perkiraan dari regresi IV Persamaan. (1), dan Tabel 5 melaporkan hasil di
mana kami mengecualikan kota di provinsi Hubei dari analisis. Kolom (4) dari Tabel4 menunjukkan
bahwa dalam setengah sampel pertama, satu kasus baru menghasilkan 1: 465 lebih banyak kasus
dalam satu minggu, dan pengaruhnya tidak signifikan secara statistik antara satu dan dua minggu.
Dalam sampel babak kedua, satu kasus baru benar-benar mengurangi jumlah kasus baru di masa
depan, yang menunjukkan bahwa respons oleh
11 Kota-kota ini adalah Xiaogan, Huanggang, Jingzhou, Suizhou, Ezhou, dan Xiangyang.
12
Bagian dari 100 tujuan teratas tersedia. Tanggal awal dan akhir dari rata-rata saham yang dirilis oleh Baidu tidak
tepat sesuai dengan periode sampel analisis.
Tabel 4: Transmisi Dalam dan Antar Kota COVID-19
(1) (2) (3) (4) (5) (6)
Rata-rata jumlah kasus baru, 1 minggu lag
Kota sendiri 0,412 *** 0,804 *** 0,939 *** 1.465 *** -0,316 *** -0.0971 ***
(0,0276) (0,0741) (0,102) (0.144) (0,0614) (0,0258)
Kota-kota lain -0.0143 *** -0,0755 ** 0,0895 0,0215 -0,0483 ** -0.201 ***
berat = jarak terbalik (0,00442) (0,0328) (0,0717) (0,0583) (0,0223) (0,0628)
Wuhan -0,0695 * 0,397 -0.852 -1.769 * -0,0294 0,118
Wuhan -0.00110 ** 0,00334 *** 0,00460 *** 0,00490 *** -0.00420 *** -0.00337 ***
berat = populasi arus (0,000493) (0,000575) (0,000342) (0,000470) (0,000711) (0,000727)
Jumlah kasus baru rata-rata, lag 2 minggu

Kota sendiri -0.259 *** -0,714 *** 2.547 1.539 -0,434 *** -0,438 ***
(0,0173) (0,0594) (2.332) (2,502) (0,0364) (0,0755)
Kota-kota lain 0,0477 *** 0.152 *** -0,358 0,464 0,0923 ** 0.456 ***
berat = jarak terbalik (0,0173) (0,0483) (0,374) (0.397) (0,0390) (0.158)
Wuhan 0,138 -0,987 2.883 6.327 * 0,124 * -0.916 *
berat = jarak terbalik (0,0900) (0,707) (2,870) (3.482) (0,0715) (0,519)
Wuhan 0,0134 *** 0,0116 *** 0,00714 *** 0,00146 0,00716 *** 0,00883 ***
Pengamatan 8.484 8.484 4,242 4,242 4,242 4,242

Jumlah kota 303 303 303 303 303 303
Variabel dependen adalah jumlah kasus terkonfirmasi baru harian. Rata-rata kecepatan angin maksimum rata-
curah hujan digunakan sebagai variabel instrumental dalam regresi IV. rata dan kesalahan dalam tanda kurung
menurut provinsi. *** p <0,01, ** p <0,05, * p <0,1. berkerumun
Tabel 5: Transmisi Dalam dan Antar Kota COVID-19, Tidak Termasuk Kota di Provinsi Hubei
(1) (2) (3) (4) (5) (6)
Kota sendiri 0,617 *** 1.164 *** 0,793 *** 1.517 ** -0,0355 -0,0752
(0,0334) (0,240) (0,0827) (0,661) (0.149) (0,191)
Kota-kota lain 0,00266 -0,0176 -0,0167 0,0418 3.30e-05 -0,0429 ***
berat = jarak terbalik (0,00183) (0,0143) (0,0199) (0.179) (0,00234) (0,0111)
Wuhan 0,00608 0,0629 0,160 2.173 * 0,00785 0,110 **
Wuhan 0,00463 *** 0,00184 0,00636 *** 0,00105 -0.0135 ** -0,00688

Kota sendiri -0.400 *** -0,724 *** 0,256 0,0862 -0,714 *** -0,724 ***
(0,0264) (0,142) (0,584) (1,848) (0,0435) (0,0650)
Kota-kota lain -0.000654 0,0409 0,183 -0.218 0,00805 0,0728 ***
berat = jarak terbalik (0,00422) (0,0309) (0.119) (1.473) (0,00517) (0,0172)
Wuhan -0,0177 -0,205 -0.777 -9.917 * -0,0432 ** -0,297 ***
berat = jarak terbalik (0,0311) (0,150) (0.881) (5.656) (0,0207) (0,102)
Wuhan 0,00935 *** 0,00246 0,00974 *** -0,00476 0,00352 *** 0,00645 ***
Pengamatan 8.036 8.036 4,018 4,018 4,018 4,018

Jumlah kota 287 287 287 287 287 287
Variabel dependen adalah jumlah kasus terkonfirmasi baru harian. Rata-rata kecepatan angin maksimum rata-
curah hujan digunakan sebagai variabel instrumental dalam regresi IV. rata dan kesalahan dalam tanda kurung
menurut provinsi. *** p <0,01, ** p <0,05, * p <0,1. berkerumun
Gambar 4: Analisis Jendela Bergulir Transmisi Dalam dan Antar Kota COVID-19
Tabel ini menunjukkan perkiraan koefisien dan 95% CI dari regresi variabel instrumental jumlah harian kasus COVID-
19 terkonfirmasi pada jumlah rata-rata kasus baru dalam satu dan dua minggu sebelumnya, di kota yang sama, kota-
kota terdekat (ditimbang oleh inverse log distance) dan Wuhan (dihitung berdasarkan jarak log terbalik atau arus
populasi). Setiap sampel estimasi berisi 14 hari dengan tanggal mulai yang ditunjukkan pada sumbu horizontal.
pemerintah dan masyarakat secara efektif mengandung risiko infeksi tambahan. Pola waktu
yang bervariasi dalam transmisi lokal terbukti menggunakan analisis jendela bergulir
(Gambar4). Panel kiri atas menunjukkan perkiraan koefisien transmisi lokal untuk berbagai
sampel 14 hari dengan tanggal mulai ditunjukkan pada sumbu horizontal. Setelah peningkatan
awal pada tingkat transmisi lokal, satu kasus mengarah ke semakin sedikit kasus tambahan dari
akhir Januari dan seterusnya. Membandingkan meja4 dengan Table 3, kami mengamati bahwa
hasilnya tidak peka terhadap penyertaan istilah pada transmisi antar kota.
Sebagai uji ketahanan, Tabel 5 melaporkan hasil estimasi jika sampel analisis tidak termasuk
kota di provinsi Hubei. Kolom (4) dari Tabel5 menunjukkan bahwa dalam sampel setengah pertama,
satu kasus baru mengarah ke 1: 517 lebih banyak kasus dalam seminggu, dan ini menjadi kecil dan
secara statistik tidak signifikan pada sampel babak kedua. Selain itu, dalam sampel babak kedua,
satu kasus baru mengurangi infeksi baru sebesar 0: 724 antara 1 dan 2 minggu, yang lebih besar
dari perkiraan (0: 438) dengan kota-kota di provinsi Hubei termasuk. Secara keseluruhan,
penyebaran virus telah terkandung secara efektif antara 2 Februari dan 15 Februari, terutama untuk
kota-kota di luar provinsi Hubei.
Dalam literatur epidemiologi, perkiraan jumlah reproduksi dasar COVID-19 kira-kira berada
dalam kisaran 2 2: 5 (Organisasi Kesehatan Dunia, 2020c). Nilainya tergantung pada model
yang digunakan dan faktor-faktor yang mempengaruhi penularan penyakit seperti perilaku
populasi yang rentan dan terinfeksi. Secara intuitif, ini dapat diartikan sebagai mengukur jumlah
kasus baru yang diharapkan yang dihasilkan oleh satu kasus yang ada. Sangat menarik untuk
dicatat bahwa perkiraan kami berada di ujung bawah kisaran. Satu kasus lagi mengarah ke 1:
465 lebih banyak kasus di kota yang sama pada minggu berikutnya (1: 517 jika kota-kota di
provinsi Hubei dikecualikan). Efek pada keterlambatan lebih lanjut atau dalam sampel babak
kedua (2 Februari - 15 Februari) kecil, negatif, atau tidak tepat diperkirakan, menunjukkan
bahwa faktor-faktor seperti tindakan kesehatan masyarakat dan perilaku masyarakat mungkin
memainkan peran penting dalam mengandung transmisi COVID-19.
Untuk transmisi antar kota dari Wuhan, kami mengamati bahwa arus populasi lebih baik
menjelaskan efek penularan daripada kedekatan geografis (Tabel 4). Dalam sampel setengah
pertama, satu kasus baru di Wuhan mengarah ke lebih banyak kasus di kota-kota lain yang
menerima lebih banyak populasi dari Wuhan dalam waktu satu minggu. Dalam sampel babak
kedua, lebih banyak kedatangan dari Wuhan satu minggu sebelumnya masih bisa menjadi risiko.
Bagian belakang perhitungan amplop menunjukkan bahwa satu kasus baru di Wuhan mengarah ke
0: 067 (0: 120) lebih banyak kasus di kota tujuan per 10.000 pelancong dari Wuhan dalam satu
13
(dua) minggu antara 19 Januari dan 1 Februari (2 Februari dan 15 Februari) . Perhatikan bahwa
meskipun efeknya signifikan secara statistik, efeknya harus ditafsirkan dalam konteks. Diperkirakan
bahwa 15; 000; 000 orang akan melakukan perjalanan keluar dari Wuhan selama liburan Tahun
14
Baru Imlek . Jika semua pergi ke satu kota, ini akan secara langsung menghasilkan sekitar 280: 5
kasus dalam dua minggu. Risiko infeksi kemungkinan sangat rendah bagi sebagian besar
wisatawan kecuali beberapa yang memiliki kontak sebelumnya dengan sumber
13 Diperkirakan 14.925.000 orang bepergian keluar dari Wuhan pada 2019 selama liburan Tahun Baru Imlek ( http:
//www.whtv.com.cn/p/17571.html). Jumlah indeks migrasi Baidu untuk populasi keluar dari Wuhan selama 40 hari di sekitar Tahun
Baru Imlek 2019 adalah 203,3, yang berarti satu unit indeks mewakili 0,000013621 pelancong. Bagian tujuan dalam persentase.
Dengan satu lagi kasus di Wuhan, efek pada kota yang menerima 10.000 pelancong dari Wuhan adalah 0: 00490 0: 000013621
100 10000 = 0: 067.
14 http://www.whtv.com.cn/p/17571.html
infeksi, dan riwayat orang tertentu dari kontak di masa lalu mungkin merupakan prediktor yang
15
penting untuk risiko infeksi, selain jumlah total arus populasi .
Selain limpahan dari Wuhan, sebuah kota juga dapat dipengaruhi oleh infeksi di dekatnya. Kami
mengamati bahwa dalam sampel babak kedua, satu kasus baru di kota tetangga yang berjarak 100
16
km menghasilkan 0: 099 lebih banyak kasus setelah antara satu dan dua minggu . Ini
menunjukkan bahwa pada bulan Februari, sementara dalam transmisi kota terkandung secara
efektif, infeksi baru yang disebabkan oleh transmisi antar kota masih bisa menjadi risiko. Untuk kota
di luar provinsi Hubei, hasilnya serupa (Tabel5), kecuali bahwa transmisi dari Wuhan tidak signifikan
dalam sampel setengah pertama.
4.3 Faktor Mediasi Sosial dan Ekonomi
Kami menyelidiki dampak dari banyak variabel sosial, ekonomi dan lingkungan dalam
memediasi tingkat penularan (Persamaan.3)). Untuk transmisi kota sendiri, kami
mempertimbangkan efek mediasi kepadatan populasi, PDB per kapita, jumlah dokter, suhu
kontemporer, kecepatan angin, dan curah hujan. Untuk transmisi antar kota, kami
mempertimbangkan efek mediasi jarak, perbedaan kepadatan dan perbedaan PDB per kapita.
Kami juga memasukkan jumlah populasi dari Wuhan. Meja6 melaporkan hasil estimasi regresi
IV menggunakan setengah sampel pertama, dan Tabel 7 melaporkan perkiraan untuk sampel
babak kedua.
Kesimpulan utama kami masih berlaku dengan faktor-faktor mediasi ini termasuk. Efek dari
infeksi masa lalu jauh lebih kecil pada sampel paruh kedua, menunjukkan bahwa wabah virus
telah terkandung. Untuk transmisi antar kota, arus populasi dari Wuhan menimbulkan risiko
infeksi baru di kota-kota lain, dengan keterlambatan satu minggu dalam sampel setengah
pertama, dan dengan keterlambatan dua minggu pada sampel babak kedua. Efeknya kuat
dengan memasukkan ukuran kedekatan lainnya, seperti yang didasarkan pada geografi dan
kesamaan ekonomi.
Meja 8 menunjukkan variabel yang memengaruhi transmisi dalam kota dan yang
koefisiennya signifikan secara statistik pada 0: 1. Untuk membantu membandingkan antar
variabel, kami menghitung perubahan dalam variabel yang diperlukan agar koefisien infeksi
masa lalu pada kasus saat ini dapat dikurangi dengan 1. Pengaruh faktor lingkungan dan
kepadatan populasi dicampur. Kami juga mengamati bahwa tingkat penularan lebih rendah di
kota-kota dengan lebih banyak dokter. Kota-kota dengan PDB per kapita yang lebih tinggi
memiliki tingkat transmisi yang lebih tinggi, yang mungkin disebabkan oleh lebih banyak
17
interaksi sosial sebagai akibat dari lebih banyak kegiatan ekonomi . Namun, sampai
mekanisme yang lebih jelas diidentifikasi dan diuji, ini harus ditafsirkan dengan hati-hati.
15
Dari pertengahan Februari, kode kesehatan khusus individu seperti Alipay Health Code dan WeChat Health
Code digunakan di banyak kota untuk membantu upaya karantina.
16 0: 099 = 0: 456 log1100 .
17 Fogli dan Veldkamp (2019) menunjukkan bahwa pendapatan berkorelasi positif dengan jejaring sosial yang lebih terhubung,
dan jaringan padat menyebarkan penyakit lebih cepat.
Tabel 6: Faktor Sosial dan Ekonomi Memediasi Transmisi COVID-19, 19 Januari - 1 Februari
(1) (2) (3) (4) (5)

Kota sendiri 1.290 0,741 0,511 0,435 0,0292
(0.984) (0,631) (0.658) (0.656) (0,651)
kepadatan penduduk -0.000735 -0.000890 *** -0,00104 ** -0.00105 ***
(0,000518) (0,000283) (0,000406) (0,000382)
PDB per kapita 0,154 0,237 ** 0,230 ** 0,290 ***
(0.122) (0,112) (0.114) (0,110)
# dokter -0,179 * -0,0293 -0.0124 0,00240
(0,0989) (0,141) (0.134) (0.143)
suhu -0,0781 -0,0173 -0,0186 -0,0307
(0,0531) (0,0705) (0,0732) (0,0772)
kecepatan angin 0,151 -0,0653 -0,0341 -0,0479
(0,223) (0,0819) (0,0770) (0,0784)
pengendapan -0,575 0,0858 0,102 0,147
(0,440) (0,294) (0,278) (0,307)
Kota-kota lain 0,0588 -0,0739 -0.0123 0,00975 0,00741
berat = jarak terbalik (0,0941) (0,0930) (0,0527) (0,0478) (0,0608)
Kota-kota lain -0,00619 0,00132
berat = rasio kepadatan terbalik (0,00467) (0,00423)
Wuhan -3.518 *** -2.192 -2.537 ** -2.540 ** -2.190
berat = jarak terbalik (0,608) (1,744) (1.241) (1.256) (1.363)
Wuhan 0,00639 *** 0,00564 *** 0,00597 *** 0,00589 *** 0,00601 ***
berat = populasi arus (0,000672) (0,000895) (0,000690) (0,000707) (0,000678)
Wuhan -0.0562
berat = rasio PDB per kapita terbalik (0,766)
Wuhan 0,0270
berat = rasio kepadatan terbalik (0,0238)

Kota sendiri 16,93 * 36.28 *** 45.21 ** 43.77 ** 45.87 **
(10.25) (12,46) (19,15) (18,95) (18.65)
kepadatan penduduk 0,00343 0,00663 *** 0,00706 ** 0,00696 ***
(0,00335) (0,00252) (0,00281) (0,00248)
PDB per kapita -1.106 -0,151 -0,174 -0,0853
(1.277) (0,639) (0.609) (0.643)
# dokter -1.094 -4.050 ** -3.941 ** -4.323 **
(0.987) (1.897) (1,758) (1.958)
suhu -0.296 -1.429 ** -1.379 ** -1.427 **
(0,529) (0,592) (0,565) (0,594)
kecepatan angin -7.252 *** -3,577 -3,557 -3.657
Bersambung ke
halaman berikutnya
Tabel 6 {lanjutan dari halaman sebelumnya (1) (2) (3) (4) (5)
(1.954) (2.547) (2,558) (2.784)
pengendapan -2.604 -23,55 *** -22,18 *** -20.14 ***
(10.32) (5.654) (5.412) (4.719)
Kota-kota lain -0,188 1.415 ** 0,305 0,156 0,138
berat = jarak terbalik (0,926) (0,614) (0.476) (0,458) (0,543)
Kota-kota lain 0,0505 -0,0615
Wuhan 14.21 *** 8.903 11.02 ** 10.93 ** 9.217 *
berat = jarak terbalik (2.538) (7.749) (5.492) (5.194) (5.553)
Wuhan -0.000999 0,00236 0,00421 0,00479 0,00718
Wuhan -3,547
berat = rasio PDB per kapita terbalik (3.434)
Wuhan -0,0279
Pengamatan 4,242 4,242 4,242 4,242 4,242

Jumlah kota 303 303 303 303 303
Kontrol cuaca IYA IYA IYA IYA IYA
Kota FE IYA IYA IYA IYA IYA
Tanggal FE IYA IYA IYA IYA IYA
Variabel dependen adalah jumlah kasus terkonfirmasi baru harian. Dilaporkan adalah koefisien regresi IV
dengan kecepatan angin maksimum rata - rata dan curah hujan yang digunakan sebagai instrumen.
Kesalahan standar dalam tanda kurung dikelompokkan menurut provinsi. *** p <0,01, ** p <0,05, * p <0,1.
Tabel 7: Faktor Sosial dan Ekonomi Memediasi Transmisi COVID-19, 2 Februari - 15 Februari
(1) (2) (3) (4) (5)

minggu lag
Kota sendiri -0,127 0,745 * -0,683 -0,684 -0.672
(0.126) (0,407) (0,718) (0,633) (0,662)
kepadatan penduduk -0.000171 0,000712 * 0,000596 0,000609
(0,000222) (0,000416) (0,000396) (0,000490)
PDB per kapita 0.105 *** 0.252 *** 0,247 *** 0,240 ***
(0,0201) (0,0624) (0,0620) (0,0544)
# dokter -0.195 * -0,589 *** -0.548 *** -0.537 ***
(0,110) (0,227) (0,210) (0,208)
suhu -0.130 *** 0,0220 0,0196 0,0167
(0,0242) (0,0756) (0,0668) (0,0689)
kecepatan angin 0,0432 -0.148 * -0,122 -0,115
(0,0865) (0,0874) (0,0969) (0,0974)
Bersambung ke
halaman berikutnya
pengendapan 1.748 * 2.192 * 2.037 * 1,869 *
(0,915) (1.177) (1.182) (1.125)
Kota-kota lain -0.182 *** -0.0825 *** -0.146 -0,125 -0,128
berat = jarak terbalik (0,0493) (0,0271) (0,111) (0,0921) (0,0907)
Kota-kota lain -0.000483 -0,00330
Wuhan 0,0228 0,262 0,360 0,234 0,342
berat = jarak terbalik (0.165) (0,300) (0.417) (0,315) (0,404)
Wuhan -0,00334 ** -0.0138 *** -0.0112 *** -0.0107 *** -0.0113 ***
Wuhan 0,102
Wuhan -0,00457
minggu
Kota sendiri -0,351 -1.163 -0.819 -0.862 -0.774
(0,234) (0,858) (1,028) (1,003) (0,916)
kepadatan penduduk -0.000442 *** 0,000286 0,000181 0,000289
(0,000148) (0,000302) (0,000337) (0,000342)
PDB per kapita 0,0631 *** 0.165 * 0,163 * 0,131
(0,0189) (0,0874) (0,0867) (0,0859)
# dokter -0,0364 -0.223 *** -0.209 *** -0,201 **
(0,0709) (0,0763) (0,0748) (0,0863)
suhu 0,222 * 0,166 0,165 0,162
(0.122) (0.134) (0.129) (0,120)
kecepatan angin -0,195 ** -0,375 ** -0,346 ** -0.332 **
(0,0836) (0,150) (0,153) (0,160)
pengendapan 1.671 *** 1.619 1.462 1.362
(0.647) (1.295) (1.320) (1.249)
Kota-kota lain 0,364 *** 0,198 *** 0,213 0,194 * 0,208 *
berat = jarak terbalik (0,120) (0,0616) (0.134) (0.115) (0,120)
Kota-kota lain 0,00181 0,000865
Wuhan -0,487 * -0,634 -0.963 -0.713 -0.961
berat = jarak terbalik (0,285) (0.666) (1,003) (0,803) (1,018)
Wuhan 0,00888 *** 0,0148 *** 0,0132 *** 0,0129 *** 0,0126 ***
Wuhan -0.298
Wuhan 0,0167
Bersambung ke
halaman berikutnya
Pengamatan 4,242 4,242 4,242 4,242 4,242

Jumlah kota 303 303 303 303 303
Kontrol cuaca IYA IYA IYA IYA IYA
Kota FE IYA IYA IYA IYA IYA
Tanggal FE IYA IYA IYA IYA IYA
Variabel dependen adalah jumlah kasus terkonfirmasi baru harian. Dilaporkan adalah koefisien regresi IV
dengan kecepatan angin maksimum rata - rata dan curah hujan yang digunakan sebagai instrumen.
Kesalahan standar dalam tanda kurung dikelompokkan menurut provinsi. *** p <0,01, ** p <0,05, * p <0,1.
Tabel 8: Ringkasan Faktor Mediasi Dalam Transmisi Kota COVID-19
untuk tingkat transmisi lokal akan berkurang

1 19 Jan - 1 Feb 2 Feb - 15 Feb
ketinggalan 1
minggu pengendapan 0:54 mm
2
kepadatan penduduk +952: 38 per km
# dokter +18; 622
PDB per kapita 34; 483 RMB 41; 667 RMB
kecepatan angin +3: 01 m / s
suhu +0: 70C
ketinggalan 2
minggu pengendapan +0: 05 mm
2
kepadatan penduduk 143: 68 per km
# dokter +2; 313 +49; 751
Tabel ini menunjukkan perubahan dalam variabel yang diperlukan agar dampak infeksi kota yang sama di masa lalu
pada infeksi saat ini dapat dikurangi sebesar 1, menggunakan perkiraan pada Kolom (5) dari Tabel 6 dan 7, dengan
tingkat signifikansi minimal 0: 1.
5 Kesimpulan
Makalah ini membahas dinamika transmisi coronavirus novel 2019, mempertimbangkan
transmisi dalam dan antar kota. Perubahan kondisi cuaca menginduksi variasi eksogen pada
tingkat infeksi di masa lalu, yang memungkinkan kita untuk mengidentifikasi dampak kausal
infeksi masa lalu pada kasus baru. Kami menggunakan metode pembelajaran mesin (Lasso)
untuk memilih variabel instrumental dengan kekuatan prediktif yang kuat untuk variabel
endogen. Perkiraan menunjukkan bahwa efek positif dari infeksi dalam menghasilkan infeksi
lokal baru diamati dalam satu minggu, dan ada bukti bahwa tanggapan orang dapat memutus
rantai infeksi. Membandingkan perkiraan dalam dua sampel setengah, kami mengamati bahwa
penyebaran COVID-19 telah secara efektif terkandung pada awal Februari, terutama untuk
kota-kota di luar provinsi Hubei, pusat penyebaran. Data arus populasi real-time antar kota telah
tersedia dalam beberapa tahun terakhir, setelah mengumpulkan data lokasi dari berbagai
sumber pengguna ponsel individu. Kami menunjukkan bahwa sumber data baru ini berharga
dalam menjelaskan transmisi COVID-19 antar kota, bahkan setelah mengendalikan langkah-
langkah tradisional kedekatan geografis dan ekonomi.
Pada saat penulisan, COVID-19 mewakili risiko yang sangat tinggi di tingkat global, menurut
penilaian risiko WHO (Organisasi Kesehatan Dunia, 2020a). Negara-negara selain Cina
melaporkan kasus-kasus baru yang terkonfirmasi, dan semakin banyak kasus muncul melalui
transmisi komunitas daripada diimpor. Berdasarkan data kasus di China antara 19 Januari dan
15 Februari, kami menunjukkan bahwa tindakan kesehatan masyarakat yang diadopsi dapat
secara efektif menahan wabah virus, dan data yang baru tersedia tentang arus populasi waktu
nyata dapat menjadi alat yang berharga untuk penilaian risiko oleh otoritas kesehatan
masyarakat dan masyarakat umum.
Keterbatasan utama dari makalah ini adalah bahwa kami tidak dapat memisahkan efek dari
masing-masing langkah ketat yang diambil, karena bahkan dalam periode pengambilan sampel
empat minggu ini, Tiongkok memberlakukan sejumlah besar kebijakan padat waktu untuk
mengendalikan penyebaran virus, sering serentak di banyak kota. Keterbatasan kedua adalah
bahwa kebijakan ini termasuk dalam masing-masing dari dua sub-sampel. Pada tanggal mulai
rilis data resmi untuk kasus-kasus yang terinfeksi di seluruh China, yaitu Januari 2020, sejumlah
langkah tegas telah diambil, yang mencegah para peneliti untuk memeriksa dan
membandingkan periode sub-sampel secara ideal selama tidak ada kebijakan ketat.
ditegakkan. Kesenjangan pengetahuan utama tetap dalam pemahaman karakteristik
epidemiologis COVID-19, seperti faktor risiko individu untuk tertular virus dan infeksi dari kasus
asimptotik. Data tentang demografi dan riwayat pajanan untuk mereka yang telah menunjukkan
gejala serta mereka yang belum akan membantu memfasilitasi penelitian ini.
Referensi
Adda, J. (2016) Kegiatan ekonomi dan penyebaran penyakit virus: Bukti dari data frekuensi
tinggi, Quarterly Journal of Economics, hal. 891 {941.
Barmby, T. dan Larguem, M. (2009) Batuk dan bersin menyebarkan penyakit: Studi empiris
absensi dan penyakit menular, Jurnal Ekonomi Kesehatan, 28, 1012 {1017.
Belloni, A., Chernozhukov, V. dan Hansen, C. (2014) Kesimpulan tentang efek pengobatan
setelah pemilihan di antara kontrol dimensi tinggi, Review of Economic Studies, 81, 608 {650.
Fogli, A. dan Veldkamp, L. (2019) Kuman, jaringan sosial dan pertumbuhan, Ulasan Studi Ekonomi.
Gilbert, M., Pullano, G., Pinotti, F., Valdano, E., Poletto, C., Bo • elle, P.-Y., D'Ortenzio, E.,
Yazdanpanah, Y., Eholie, SP , Altmann, M., Gutierrez, B., Kraemer, MUG dan Colizza, V.
(2020) Kesiapan dan kerentanan negara-negara Afrika terhadap impor covid-19: studi
pemodelan, The Lancet.
Godzinski, A. dan Suarez Castillo, M. (2019) Efek kesehatan jangka pendek dari gangguan
transportasi umum: polusi udara dan saluran penyebaran virus.
Guan, W.-j., Ni, Z.-y., Hu, Y., Liang, W.-h., Ou, C.-q., Dia, J.-x., Liu, L., Shan, H., Lei, C.-l., Hui,
DS, Du, B., Li, L.-j., Zeng, G., Yuen, K.-Y., Chen, R.-c. , Tang, C.-l., Wang, T., Chen, P.-y.,
Xiang, J., Li, S.-y., Wang, J.-l., Liang, Z.-j., Peng, Y.-x., Wei, L., Liu, Y., Hu, Y .-h., Peng, P.,
Wang, J.-m., Liu, J.-y., Chen, Z., Li, G., Zheng, Z.-j., Qiu, S.-q ., Luo, J., Ye, C.-j., Zhu, S.-y.
dan Zhong, N.-s. (2020) Karakteristik klinis infeksi coronavirus novel 2019 di Cina, medRxiv.
Hellewell, J., Abbott, S., Gimma, A., Bosse, NI, Jarvis, CI, Russell, TW, Munday, JD, Kucharski,
AJ, Edmunds, WJ, Sun, F. et al. (2020) Kelayakan mengendalikan covid-19 out-break dengan
mengisolasi kasus dan kontak, The Lancet Global Health.
Li, Q., Guan, X., Wu, P., Wang, X., Zhou, L., Tong, Y., Ren, R., Leung, KS, Lau, EH, Wong, JY,
Xing, X ., Xiang, N., Wu, Y., Li, C., Chen, Q., Li, D., Liu, T., Zhao, J., Liu, M., Tu, W., Chen,
C ., Jin, L., Yang, R., Wang, Q., Zhou, S., Wang, R., Liu, H., Luo, Y., Liu, Y., Shao, G., Li, H .,
Tao, Z., Yang, Y., Deng, Z., Liu, B., Ma, Z., Zhang, Y., Shi, G., Lam, TT, Wu, JT, Gao, GF,
Cowling , BJ, Yang, B., Leung, GM dan Feng, Z. (2020) Dinamika penularan awal di Wuhan,
Cina, dari pneumonia yang terinfeksi coronavirus baru, New England Journal of Medicine.
Litvinova, M., Liu, Q.-H., Kulikov, ES dan Ajelli, M. (2019) Penutupan sekolah reaktif
melemahkan jaringan interaksi sosial dan mengurangi penyebaran in uenza, Prosiding
National Academy of Sciences, 116 , 13174 {13181.
Lowen, AC and Steel, J. (2014) Peran kelembaban dan suhu dalam membentuk musim
musiman, Journal of Virology, 88, 7692 {7695.
Markowitz, S., Nesson, E. dan Robinson, J. (2010) Pengaruh pekerjaan pada tingkat influenza.
Maurer, J. (2009) Siapa yang memiliki petunjuk untuk mencegah kamu? mengurai pasokan dan
permintaan mempengaruhi pada pengambilan vaksinasi in influenza, Jurnal Ekonomi
Kesehatan, 28, 704 {717.
Milusheva, S. (2017) Kurang gigitan untuk uang Anda: Menggunakan data ponsel untuk
menargetkan pencegahan penyakit.
Komisi Kesehatan Nasional RRC (2020) Novel diagnosis pneumonia coronavirus dan rencana
perawatan (edisi ke-6 sementara).
Oster, E. (2012) Rute infeksi: ekspor dan kejadian HIV di Afrika Sub-Sahara, Jurnal Asosiasi
Ekonomi Eropa, 10, 1025 {1058.
Pichler, S. dan Ziebarth, NR (2017) Pro dan kontra dari skema pembayaran sakit: Pengujian untuk
presenteeism menular dan perilaku absensi noncontagious, Jurnal Ekonomi Publik, 156, 14 {33.
Slusky, D. dan Zeckhauser, RJ (2018) Sinar matahari dan perlindungan terhadap uenza.
Wang, M., Jiang, A., Gong, L., Luo, L., Guo, W., Li, C., Zheng, J., Li, C., Yang, B., Zeng, J.,
Chen, Y., Zheng, K. dan Li, H. (2020) Suhu secara signifikan mengubah transmisi COVID-19
di 429 kota, medRxiv.
White, C. (2019) Mengukur manfaat sosial dan eksternalitas vaksinasi in influenza, Jurnal
Sumber Daya Manusia.
World Health Organization (2020a) Laporan situasi baru coronavirus 39.
Organisasi Kesehatan Dunia (2020b) Laporan situasi coronavirus baru 7.
Laporan Organisasi Kesehatan Dunia (2020c) dari misi bersama WHO-China tentang Penyakit
Coronavirus 2019 (COVID-19).
Wu, JT, Leung, K. dan Leung, GM (2020a) Saat ini menyiarkan dan memperkirakan potensi
penyebaran wabah 2019-nCoV domestik dan internasional yang berasal dari Wuhan, Cina:
Sebuah studi pemodelan, Lancet.
Wu, K., Zheng, J. dan Chen, J. (2020b) Memanfaatkan model matriks transisi keadaan untuk
memprediksi puncak infeksi virus corona baru dan distribusi pasien, medRxiv.
Wu, Z. dan McGoogan, JM (2020) Karakteristik dan pelajaran penting dari wabah penyakit
coronavirus 2019 (COVID-19) di Cina: Ringkasan laporan dari 72314 kasus dari Pusat
Pengendalian dan Pencegahan Penyakit Tiongkok, JAMA.
Zhan, C., Tse, C., Fu, Y., Lai, Z. dan Zhang, H. (2020) Pemodelan dan prediksi penyakit virus
korona 2019 yang menyebar di Cina dengan memasukkan data migrasi manusia, SSRN.
Zhang, C., Chen, C., Shen, W., Tang, F., Lei, H., Xie, Y., Cao, Z., Tang, K., Bai, J., Xiao, L., Xu,
Y., Song, Y., Chen, J., Guo, Z., Guo, Y., Wang, X., Xu, M., Zou, H., Shu, Y. dan Du, X.
( 2020) Dampak pergerakan populasi pada penyebaran 2019-nCoV di Cina, SSRN.
Zhang, P., Zhang, J. dan Chen, M. (2017) Dampak ekonomi dari perubahan iklim terhadap
pertanian: Pentingnya variabel iklim tambahan selain suhu dan curah hujan, Jurnal Ekonomi
dan Manajemen Lingkungan, 83, 8 {31.
Zhao, S., Lin, Q., Ran, J., Musa, SS, Yang, G., Wang, W., Lou, Y., Gao, D., Yang, L., Dia, D. et
al . (2020) Perkiraan awal jumlah dasar reproduksi coronavirus baru (2019-nCoV) di Cina,
dari 2019 hingga 2020: Analisis berbasis data dalam fase awal wabah, International Journal
of Infectious Diseases.
Zhu, N., Zhang, D., Wang, W., Li, X., Yang, B., Song, J., Zhao, X., Huang, B., Shi, W., Lu, R.,
Niu, P., Zhan, F., Ma, X., Wang, D., Xu, W., Wu, G., Gao, GF dan Tan, W. (2020) Virus
corona baru dari pasien dengan pneumonia di Tiongkok , 2019, Jurnal Kedokteran New
England, 382, 727 {733.
A Data
Angka A.1 menggambarkan variabel dependen, variabel instrumental, dan pembatasan eksklusi
bahwa kondisi cuaca lebih awal dari dua minggu sejak tanggal memengaruhi jumlah orang yang
menular dalam dua minggu terakhir, tetapi tidak secara langsung memengaruhi jumlah orang
yang terkonfirmasi baru. kasus pada tanggal t.
Gambar A.1: Garis Waktu Variabel Utama
B Regresi Tahap Pertama

Meja B.1 melaporkan hasil tahap pertama dari regresi IV (Tabel 4). Dalam Kolom (1) dan (2),
variabel dependen adalah jumlah kasus COVID-19 yang baru dikonfirmasi di kota masing-
masing pada minggu pertama dan kedua. Dalam Kolom (3) dan (4), variabel dependen adalah
jumlah rata-rata tertimbang kasus COVID-19 yang baru dikonfirmasi di kota-kota lain pada
minggu-minggu pertama dan kedua (masing-masing ditimbang oleh jarak log terbalik). Variabel
cuaca di minggu pertama dan kedua sebelumnya termasuk dalam variabel kontrol. Variabel
cuaca pada minggu ketiga dan keempat sebelumnya adalah instrumen yang dikecualikan
dalam regresi IV, dan koefisien mereka dilaporkan dalam tabel.
Kondisi cuaca mempengaruhi transmisi penyakit baik secara langsung jika virus dapat lebih
mudah bertahan hidup dan menyebar di lingkungan tertentu, atau secara tidak langsung
dengan mengubah perilaku manusia. Dalam periode sampel kami, kecepatan angin yang lebih
tinggi atau lebih banyak presipitasi mengurangi jumlah infeksi di masa depan. Temperatur yang
lebih tinggi meningkatkan infeksi lokal, tetapi mengurangi infeksi di kota-kota lain.
Tabel B.1: Regresi Tahap Pertama
Rata-rata jumlah kasus
Variabel tak bebas baru
Kota sendiri Kota-kota lain
1 minggu lag 2 minggu lag 1 minggu lag 2 minggu lag
(1) (2) (3) (4)
Kota sendiri
Suhu rata-rata mingguan, 3 minggu lag 0,194 -0,163 -2.542 *** -2.597 ***
(1,080) (0,410) (0,940) (0.477)
Kecepatan angin maksimum rata-rata mingguan,
lag 3 minggu 0,582 -0,177 -0,712 0,131
(2.066) (0,785) (1,798) (0,912)
Rata-rata presipitasi mingguan, 3 minggu lag -0,305 0,180 -5.022 -4,309 **
(4.304) (1.636) (3,745) (1,900)
Suhu rata-rata mingguan, lag 4 minggu 0,650 0,390 0,436 -0,0727
(0,894) (0,340) (0.778) (0.395)
lag 4 minggu 0,767 0,0529 -0.828 -0.247
(1,568) (0,596) (1.364) (0,692)
Curah hujan rata-rata mingguan, lag 4 minggu -6,467 -3,572 ** -3.852 -3.780 **
(3,982) (1,514) (3.465) (1,758)
Kota-kota lain, berat = jarak terbalik

Suhu rata-rata mingguan, 3 minggu lag 0,592 0,385 ** 2,832 *** 2.036 ***
(0.469) (0,178) (0,408) (0,207)
lag 3 minggu -3,624 *** -1.725 *** -12.49 *** -6,751 ***
(1,041) (0.396) (0.906) (0,460)
Rata-rata presipitasi mingguan, 3 minggu lag -4.574 ** -2.019 ** -16,40 *** -6.457 ***
(2.210) (0,840) (1.923) (0,976)
Suhu rata-rata mingguan, lag 4 minggu 0,283 0,184 1.366 *** 1.050 ***
(0,390) (0.148) (0.339) (0,172)
lag 4 minggu -2.102 ** -1.047 *** -6,425 *** -3.681 ***
(0,822) (0,313) (0,715) (0.363)
Curah hujan rata-rata mingguan, lag 4 minggu -0,0551 -0.0585 -6,355 *** -3,597 ***
(1.856) (0,705) (1,615) (0,819)
F statistik 3.78 6.38 58.51 59.46

nilai p 0,0000 0,0000 0,0000 0,0000
Pengamatan 8.512 8.512 8.512 8.512

Jumlah kota 304 304 304 304
Kontrol cuaca IYA IYA IYA IYA
Kota FE IYA IYA IYA IYA
Tanggal FE IYA IYA IYA IYA
Kota oleh Minggu FE IYA IYA IYA IYA
Tabel ini menunjukkan hasil regresi tahap IV pertama. Koefisien variabel cuaca yang digunakan sebagai variabel
instrumental yang dikecualikan dilaporkan. *** p <0,01, ** p <0,05, * p <0,1.

Tugas Mawan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tugas Mawan

Diunggah oleh

Hak Cipta:

Format Tersedia

ekongudan

Jadikan Publikasi Anda

Dampak Faktor Sosial dan Ekonomi terhadap

Makalah Diskusi GLO, No. 494

Disediakan dalam Kerjasama dengan:

Versi ini tersedia di:

Standard-Nutzungsbedingungen: Syarat Penggunaan:

Klasi kasi JEL: I18, I12, C23

3.2 Pemilihan Variabel Instrumental

Pengamatan 8.484 8.484 4,242 4,242 4,242 4,242

Pengamatan 8.036 8.036 4,018 4,018 4,018 4,018

4.2 Antara Transmisi Kota

Jumlah kasus baru rata-rata, lag 2 minggu

Pengamatan 8.484 8.484 4,242 4,242 4,242 4,242

Jumlah kasus baru rata-rata, lag 2 minggu

Pengamatan 8.036 8.036 4,018 4,018 4,018 4,018

4.3 Faktor Mediasi Sosial dan Ekonomi

(1) (2) (3) (4) (5)

Jumlah kasus baru rata-rata, lag 2 minggu

Pengamatan 4,242 4,242 4,242 4,242 4,242

(1) (2) (3) (4) (5)

Pengamatan 4,242 4,242 4,242 4,242 4,242

Tabel 8: Ringkasan Faktor Mediasi Dalam Transmisi Kota COVID-19

untuk tingkat transmisi lokal akan berkurang

World Health Organization (2020a) Laporan situasi baru coronavirus 39.

Organisasi Kesehatan Dunia (2020b) Laporan situasi coronavirus baru 7.

Gambar A.1: Garis Waktu Variabel Utama

B Regresi Tahap Pertama

Kota-kota lain, berat = jarak terbalik

F statistik 3.78 6.38 58.51 59.46

Pengamatan 8.512 8.512 8.512 8.512

Anda mungkin juga menyukai