公共卫生与政策科学硕士研究生前沿专题课：疫情防控策略的动态优化建模与仿真导学案

公共卫生与政策科学硕士研究生前沿专题课：疫情防控策略的动态优化建模与仿真导学案

  一、学情与课程定位深度分析

  本导学案面向公共卫生学院、公共管理学院及数据科学相关专业的全日制学术型硕士研究生。学习者已完成流行病学原理、卫生统计学、公共政策分析、中级微观经济学以及基础编程（如Python或R语言）等先修课程，具备跨学科的知识图谱雏形。他们已掌握传染病动力学SIR/SEIR基础模型、成本效益分析框架、政策评估基本方法以及描述性统计分析技能。

  然而，其认知瓶颈普遍存在于：其一，知识割裂。能将流行病学模型与经济学成本分析、社会行为理论进行有机整合者寥寥无几，多学科工具呈“孤岛”状态。其二，静态思维。习惯于评估固定策略的静态效果，缺乏在复杂、不确定环境下对策略进行动态调整与迭代优化的系统思维。其三，模型与实践脱节。对模型参数的现实含义、数据来源的混杂性及政策执行中的摩擦损耗认识不足，构建的模型往往理想化，robustness（稳健性）差。

  因此，本专题课定位于一门“高阶整合与动态模拟”的前沿课程。它并非基础知识的重复，而是旨在打破学科壁垒，引导学生在高度仿真的复杂系统中，运用多源数据、多智能体建模与动态优化理论，模拟、评估并迭代设计疫情防控策略。课程聚焦于“策略优化”这一核心，将公共卫生目标（降低发病死亡率）、经济社会成本（隔离的经济损失、社会心理负担）与政策执行力（资源约束、公众合规性）置于同一框架下进行动态权衡，培养学生在不确定情境下进行科学决策与系统优化的顶级能力。

  二、核心素养与教学目标体系

  本课程致力于培养研究生在重大公共卫生危机管理中的四项核心素养：

  1.复杂系统思维素养：能将疫情防控视为一个由病原体特性、个体行为、社会网络、经济流动、政策干预等多要素相互作用、动态演化的复杂适应系统。

  2.多目标权衡决策素养：能在健康效益、经济成本、社会公平、自由伦理等多重且时常冲突的目标间，进行量化分析与价值权衡。

  3.动态建模与仿真素养：能构建、校准、运行并解读基于多智能体（Agent-BasedModeling,ABM）或复杂网络模型的计算机仿真，用于政策试验。

  4.循证沟通与迭代素养：能基于仿真证据与实时监测数据，清晰阐述策略优化逻辑，并具备根据新证据快速迭代策略方案的思维敏捷性。

  基于上述核心素养，确立三层级教学目标：

  【认知与理解层面】

  *能阐释动态优化理论（如模型预测控制MPC、强化学习基础概念）在疫情防控策略调整中的核心思想。

  *能辨析不同政策工具（如检测、隔离、社交距离、疫苗接种、旅行限制）的作用机制、优势、局限及协同效应。

  *能解释关键流行病学参数（如基本再生数R0、有效再生数Rt、序列间隔）与经济社会参数（如支付意愿、机会成本）在优化模型中的角色。

  【应用与创新层面】

  *能设计并实现一个简化的、融入个体异质性与部分真实世界数据的多智能体疫情传播仿真环境。

  *能在给定多目标函数（如最小化生命损失与GDP损失加权和）与资源约束下，运用启发式算法或优化库，对策略参数（如隔离触发阈值、疫苗接种优先级）进行自动化或半自动化寻优。

  *能针对特定情景（如高变异株出现、医疗资源挤兑、疫苗犹豫），设计并仿真测试一套自适应策略调整方案。

  【评价与创造层面】

  *能批判性评估不同优化模型的假设缺陷、参数不确定性对策略推荐结果的影响，并进行敏感性分析。

  *能综合仿真结果、伦理考量与政治可行性，撰写一份面向决策层的策略优化建议报告，清晰展示不同策略路径的权衡与预期后果。

  *能基于课程方法论，初步构思一个针对非新冠呼吸道传染病（如流感大流行）的策略动态优化研究框架。

  三、教学重难点剖析

  *教学重点：

   1.动态优化思想的建立：从“制定-执行-评估”的静态循环，转向“监测-预测-优化-执行-再监测”的动态闭环。核心在于理解如何将实时监测数据（如废水监测阳性率、医院急诊室ILI比例）转化为模型输入，并基于短期预测进行前瞻性的策略微调。

   2.多目标权衡框架的构建：如何将不可公度的目标（生命、金钱、自由）量化为一个可操作的优化目标函数，或进行帕累托前沿分析。这涉及成本效益分析、质量调整生命年（QALY）损失计算、社会福祉函数构建等方法的综合应用。

   3.多智能体仿真建模的核心逻辑：超越均质混合的微分方程模型，构建具有空间位置、社会角色、移动模式、风险感知与行为规则差异的个体智能体，模拟策略在异质人群中的非均匀效果与涌现现象。

  *教学难点：

   1.模型不确定性与策略稳健性的矛盾：学生需理解，所有模型都是对现实的简化，参数存在巨大不确定性（如无症状感染者比例、疫苗对传播的有效性）。优化出的“最优”策略可能在真实世界中表现脆弱。因此，教学需引导学生寻找对参数不确定性不敏感、表现稳健的“满意”策略，而非理论上完美的“最优”策略。

   2.人类行为内生化建模的复杂性：政策的有效性极度依赖公众的合规性，而合规性又受风险沟通、信任水平、疲劳效应和政策本身的影响。将这种行为反馈回路（如政策收紧导致部分人群产生逆反心理，降低合规性）整合到优化模型中，是理论与实证的双重挑战。

   3.跨学科语言与方法的无缝集成：如何让具备不同学科背景的研究生在同一个建模平台上有效协作，使流行病学家的传播动力学、经济学家的成本函数、社会学家的行为规则、计算机科学家的算法能够“对话”而非“叠加”，是实现高质量整合建模的关键难点。

  四、教学资源与工具矩阵

  1.核心学术文献包：

   *奠基性文献

：Ferguson等（2020）关于非药物干预措施（NPIs）效果的模型研究；Kaplan（2020）关于“锤子与舞蹈”策略的论述。

   *方法学文献

：Hethcote（2000）经典的传染病动力学模型综述；Epstein（2009）关于生成式社会科学（即基于Agent建模）的论文；Matrajt等（2021）关于疫苗优化分配策略的研究。

   *前沿研究

：最新发表于《科学》、《自然》、《柳叶刀》及PNAS上关于奥密克戎时代防控策略评估与优化的实证与模型研究。

  2.数据资源库：

   *真实世界数据集：约翰斯·霍普金斯大学疫情面板数据（用于模型校准）、某城市匿名化的移动电话信令数据（模拟人口流动模式）、公开的社区经济脆弱性指数、医疗资源（ICU床位）地理分布数据。

   *合成数据生成器：教授使用合成数据生成具有特定统计特性（如年龄分布、接触矩阵、家庭结构）的虚拟人口，以保护隐私并控制数据质量。

  3.软件与计算平台：

   *仿真建模平台：NetLogo（入门友好，适合原型构建与概念验证）、Python中的Mesa库或Julia中的Agents.jl（适合开发更复杂、高性能的定制化模型）。

   *优化与计算工具：Python的SciPy优化工具箱、PyGMO多目标优化库，或商业软件如MATLAB的优化工具箱。

   *协同与可视化：JupyterNotebook/Lab（用于可复现的分析与报告）、Git（版本控制）、Tableau或Plotly（用于动态结果可视化）。

  4.案例库：

   *历史案例深度剖析：1918年大流感中不同城市策略效果的回顾性分析；2009年H1N1流感疫苗接种优先级决策过程。

   *虚拟情景案例：如“海岛暴发”、“超级城市应对高传播力变异株”、“资源匮乏地区的策略选择”等结构化情景，用于课堂模拟推演。

  五、教学实施过程（核心环节详述）

  本课程采用“翻转课堂”与“项目式学习（PBL）”深度融合的模式，共32学时（8周，每周4学时）。教学实施围绕一个贯穿始终的“虚拟城市疫情应对策略优化”综合项目展开。

  第一阶段：概念奠基与问题锚定（第1-2周，8学时）

  *课前：学生自主学习文献包中关于经典模型与策略评估的文献，并观看教师录制的关于“从静态评估到动态优化”的微视频。完成在线测验，重点考察对基本概念（如Rt估算、QALY）的理解。

  *课中：

   *第一模块：现实复杂性的解构（2学时）。教师不直接讲授理论，而是展示一个真实疫情曲线（如某城市奥密克戎波次），引导学生分组讨论：曲线背后有多少种力量在驱动？除病毒生物学特性外，列出所有你能想到的影响因素（如检测策略变化、公众自我防护行为变化、节假日聚集、政策干预时间点等）。通过头脑风暴，让学生切身感受到单一维度思维的局限性，自然引出“复杂系统”视角。

   *第二模块：动态优化思想导入（2学时）。以“巡航导弹追踪移动目标”为类比，引入模型预测控制（MPC）思想：基于当前状态（导弹位置）和对目标运动的预测模型，计算出一段未来时间内的最优控制指令（导弹转向），执行第一个指令，然后重新测量状态、更新预测、再次计算，如此循环。将“导弹”替换为“疫情发展”，“控制指令”替换为“社交距离强度”，使学生直观理解动态优化的闭环逻辑。对比讲解开环控制（一次性制定整个疫情期策略）的弊端。

   *第三模块：多目标冲突的体验（2学时）。进行课堂实时投票游戏。给出一个简化情景：虚拟城市爆发疫情，资源有限。学生扮演决策者，需要在“延长封锁降低死亡”和“缩短封锁减少失业”之间分配权重。实时展示不同权重选择下，模型模拟出的死亡人数和失业人数的变化曲线（使用一个预先准备好的简化交互式模型）。让学生直观感受权衡的艰难，并引出构建目标函数的数学方法。

   *第四模块：综合项目启动（2学时）。发布“虚拟城市Alpha市”的背景资料包（人口结构、经济构成、医疗系统、交通网络）。公布贯穿课程的综合项目任务：作为Alpha市公共卫生顾问团队，在疫情发展的不同阶段，提出并论证你们的动态优化策略方案。学生形成4-5人跨学科项目小组，进行初步分工。

  第二阶段：方法工具箱构建与初步整合（第3-5周，12学时）

  *课前：各项目小组根据分工，分别深入学习指定技术模块的教程（如A成员学ABM建模基础，B成员学多目标优化算法基础，C成员学成本效益分析）。

  *课中：采取“技术工作坊+小组协作实验室”交替模式。

   *工作坊1：ABM建模实战入门（4学时）。使用NetLogo，从零开始构建一个包含家庭、学校、工作单位三种场所的简单传播模型。学生动手调整参数：个体移动概率、不同场所的传播概率、出现症状后的自我隔离概率。观察对疫情曲线的影响。重点强调如何将现实数据（如通勤率、接触者调查）转化为模型参数。

   *工作坊2：目标函数与约束条件量化（4学时）。以小组形式，研讨如何为Alpha市项目构建目标函数。引导他们思考：生命价值如何量化？是否使用统计学生命价值（VSL）还是QALY？GDP损失如何动态估算（基于不同行业停工比例）？如何将“医疗资源不被击穿”设定为约束条件而非目标？教师提供几种范式供讨论选择，不给定标准答案。

   *小组协作实验室1：模型校准初体验（2学时）。各小组使用提供的Alpha市“第一波疫情”数据（合成数据），尝试校准自己构建的NetLogo基础模型的参数，使模拟曲线与“真实”曲线大致匹配。体验校准的挑战，理解参数不确定性。

   *工作坊3：动态优化算法连接（2学时）。演示如何将NetLogo模型（或其他Python模型）与一个优化脚本连接。以“寻找最优的检测隔离触发阈值”为例，展示如何编写代码让优化算法自动运行数百次不同参数的模拟，并根据目标函数评分自动搜索更优解。

  第三阶段：综合仿真、优化与迭代推演（第6-7周，8学时）

  此阶段为课程高潮，完全以小组项目研讨和教师针对性指导为主。

  *课中：

   *情景推演与策略设计（4学时）。教师分阶段发布Alpha市疫情演化新情报：“第10天，发现传播速度加快20%，疑似变异株”、“第25天，医院ICU占用率达到70%”、“第40天，疫苗到货，但首批仅覆盖10%人口”。各小组必须根据新“情报”，利用课下开发的模型工具，快速进行仿真测试，调整策略。课堂上，各组展示其策略调整的逻辑、仿真支持证据以及预期的多目标Outcomes。

   *同行评议与抗压测试（4学时）。各组进行交叉评议。评议方不仅要评价策略本身，还要扮演“反对派”或“意外因素”，例如：“如果公众因为长期封锁，对你们策略的合规性下降15%，你们的结果会怎样？”、“如果疫苗对变异株的有效性只有50%，你们的接种策略如何调整？”迫使展示方思考自己策略的稳健性和灵活性。教师在此过程中扮演高级顾问，对关键的方法论错误进行即时纠正，并引导学生进行更深层次的敏感性分析。

  第四阶段：成果凝练、答辩与迁移（第8周，4学时）

  *课前：各小组撰写完整的《Alpha市疫情响应动态优化策略建议报告》，并制作答辩视频。

  *课中：

   *模拟决策听证会（3学时）。举行正式答辩，邀请其他院系教师（模拟市长、财政局长、伦理委员会代表）组成评审团。各小组进行15分钟汇报，重点阐述：1）所构建的优化框架的核心逻辑；2）关键情景下的策略选择及依据；3）对不确定性和伦理考量的分析；4）策略实施与监测的建议。评审团进行质询，问题涵盖技术细节、价值判断和政治可行性。

   *迁移反思与课程总结（1学时）。答辩结束后，教师引导学生跳出Alpha市的具体情境，进行抽象反思：这套动态优化建模的方法论，其核心要素是什么？可以迁移到哪些其他公共政策领域（如交通拥堵治理、水资源分配、能源系统调度）？存在哪些共同的挑战和局限？最后，教师对整个课程的知识脉络、思维提升进行总结，强调在“后真相”时代，基于模型与数据的系统性、迭代性思维对于应对复杂挑战的极端重要性。

  六、教学评估与反馈机制

  采用过程性评估与终结性评估相结合，侧重能力成长与团队贡献。

  1.个人表现（30%）：

   *课前测验与作业（10%）：考察基础知识掌握。

   *课堂参与度（10%）：特别是技术工作坊的实操贡献、小组讨论中的观点质量。

   *个人反思日志（10%）：每周提交，记录学习困惑、跨学科合作心得以及对优化思维的认知演变。

  2.小组项目表现（70%）：

   *项目过程材料（20%）：包括模型代码（注释清晰度、可复现性）、数据分析笔记、小组会议纪要，评估工作过程的科学性。

   *最终策略建议报告（30%）：评估其问题的系统性、方法运用的严谨性、数据分析的深度、结论的洞察力以及文字表达的清晰度。

   *模拟决策听证会表现（20%）：评估汇报沟通能力、临场应变能力以及对政策语境的把握能力。

  3.反馈机制：

   *实时反馈：技术工作坊中教师与助教的现场指导；小组协作实验室中教师的巡回点拨。

   *结构化反馈：在项目关键节点（如模型初稿、目标函数设计草案），安排与教师的一对一或小组答疑时间，获得针对性反馈。

   *多元反馈：引入同行评议分数作为项目成绩的参考组成部分，并鼓励学生在反思日志中对同伴和教学过程提出建设性意见。

  七、教学反思与迭代

  本课程设计的成功与否，关键在于能否真正实现从“知识传