COVID-19: пространственная динамика и факторы распространения по регионам России

В регионах России подтвержденная заболеваемость населения коронавирусной инфекцией в первом приближении подчиняется общим пространственным закономерностям диффузии нововведений. В статье подробно описаны теоретические подходы к анализу распространения социальных заболеваний и обсуждаются методические ограничения, которые снижают возможности прогнозирования подобных явлений и влияют на принятие решений властями. При этом мы считаем, что для большинства регионов, включая Москву, на рассматриваемом периоде до 12 мая 2020 г. динамика подтвержденных случаев есть уменьшенное и запаздывающее отражение реальных процессов. Исходя из этих предпосылок, введение режима самоизоляции в Москве и ряде других крупных регионов повлияло на снижение числа новых подтвержденных случаев через две недели. В соответствии с предложенной моделью носители, заразившиеся за рубежом, на первом этапе концентрировались в регионах с крупными агломерациями, в приморских и приграничных регионах с высокой интенсивностью внутренних и внешних связей. К сожалению, заражение не удалось сдержать, начался этап экспоненциального роста по всей стране. К началу апреля 2020 г. случаи заболевания были зафиксированы в большинстве регионов, кроме наиболее удаленных. Согласно расчетам на 12 мая 2020 г., общее число подтвержденных случаев в России может превысить 480 тыс. чел. К середине мая, по крайней мере, в Москве число новых случаев стало снижаться, что создало предпосылки для снижения ограничений на передвижения жителей. В работе показано с помощью эконометрических методов, что для разных периодов диффузии на распространение заболевания влияют различные характеристики регионов. Среди них можно отметить высокую плотность населения в городах, близость к крупнейшим агломерациям, повышенную долю наиболее активной и часто путешествующей части населения (новаторов, мигрантов), интенсивные связи внутри сообщества и с другими странами и регионами. Скорость распространения выше в регионах с высокой подверженностью населения заболеваниям, что подтверждает тезисы о значимости капитала здоровья региона. На начальном этапе случайные факторы преобладали. В заключении приведены некоторые направления дальнейших исследований.

диффузия инноваций, коронавирусная инфекция, регионы России, факторы распространения заболеваний, капитал здоровья, плотность населения, социальные связи, трудовая миграция, туризм, медицинская география

1. Бабурин В.Л., Земцов С.П. Регионы-новаторы и инновационная периферия России. Исследование диффузии инноваций на примере ИКТ-продуктов // Региональные исследования. 2014. № 3. С. 27–37.

2. Бабурин В.Л., Земцов С.П. Инновационный потенциал регионов России: монография. М.: КДУ Университетская книга, 2017. 356 с.

3. Баринова В.А., Земцов С.П., Царева Ю.В. Предпринимательство и институты: есть ли связь на региональном уровне в России // Вопросы экономики. 2018. Т. 6. С. 92–116.

4. Блануца В.И. Диффузия почтовых нововведений в досоветской Сибири // География и природные ресурсы. 2012. № 4. С. 30–39.

5. Блануца В.И. Пространственная диффузия нововведений: сфера неопределенности и сетевая модель // Региональные исследования. 2015. № 3. С. 4–12.

6. Земцов С.П., Бабурин В.Л. Оценка потенциала экономико-географического положения регионов России // Экономика региона. 2016. Т. 12. № 1. С. 117–138.

7. Земцов С., Царева Ю. Тенденции развития сектора малых и средних предприятий в условиях пандемии и кризиса // Мониторинг экономической ситуации в России: тенденции и вызовы социально-экономического развития. 2020. № 10 (112). С. 155–166.

8. Канева М.А. Влияние капитала здоровья населения на экономический рост регионов РФ // Регион: экономика и социология. 2019. № 1. С. 47–70.

9. Косарев В., Павлов П., Каукин А. Социальный капитал как фактор экономического роста российских регионов // Экономическая политика. 2019. Т. 14. № 5. С. 144–149.

10. Назаров В., Сисигина Н. Сравнительный анализ подходов к тестированию на заболевание коронавирусом COVID-19 в России и зарубежных странах // Мониторинг экономической ситуации в России. Тенденции и вызовы социально-экономического развития. 2020. № 9 (111). Апрель. С. 22–38.

11. Назаров В.С., Сисигина Н.Н., Авксентьев Н.А. Подходы к снятию ограничений, принятых в целях сдерживания распространения новой коронавирусной инфекции // Мониторинг экономической ситуации в России. Тенденции и вызовы социально-экономического развития. 2020. № 11 (113). С. 21–31.

12. Петров Н., Архипова А., Спиридонов В., Пейгин Б. Инфодемия: существующие подходы к анализу паник, фобий, слухов, фейков во время эпидемий и предложения по борьбе с ними // Мониторинг экономической ситуации в России. Тенденции и вызовы социально-экономического развития. 2020. № 8 (110). С. 70–78.

13. Попов В.Ф. Эпидемия холеры в СССР в 1970 г. // БИОпрепараты. Профилактика, диагностика, лечение. 2011. № 2 (42). С. 36–38.

14. Ревич Б.А. Волны жары, качество атмосферного воздуха и смертность населения европейской части России летом 2010 года: результаты предварительной оценки // Экология человека. 2011. № 7. С. 3–9.

15. Bass F.M. A new product growth for model consumer durables // Management sci. 1969. T. 15 № 5. P. 215–227.

16. Bertrand J.T. Diffusion of innovations and HIV/AIDS // J. Health Communication. 2004. V. 9. № S1. P. 113–121.

17. Chen N., Zhou M., Dong X., Qu J., Gong F., Han Y., Qiu Y., Wang J., Liu Y., Wei Y., Xia J., Yu T., Zhang X., Zhang L. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study // Lancet Infect. Diseases. 2020. V. 10223. № 395. P. 507–513. https://doi.org/10.1016/S0140-6736(20)30211-7

18. Comin D.A., Dmitriev M., Rossi-Hansberg E. The spatial diffusion of technology // National Bureau of Economic Research. 2012. 39 p.

19. Grant A. Dynamics of COVID-19 epidemics: SEIR models underestimate peak infection rates and overestimate epidemic duration // medRxiv. 2020.

20. Hagerstrand T. Innovation diffusion as a spatial process. Chicago, USA: Univ. Chicago Press, 1968. 334 p.

21. Hauser A., Counotte M., Margossian C., Konstantinoudis G., Low N., Althaus C., Riou J. Estimation of SARS-CoV-2 mortality during the early stages of an epidemic: a modelling study in Hubei, China and Northern Italy // medRxiv. 2020. https://doi.org/10.1101/2020.03.04.20031104

22. Kucharski A.J., Russell T.W., Diamond C., Liu Y., Edmunds J., Funk S., Eggo R.M. Early dynamics of transmission and control of COVID-19: A mathematical modelling study // Lancet Infect. Diseases. 2020. V. 20. № 5. P. 553–558. https://doi.org/10.1016/S1473-3099(20)30144-4

23. Korolev I. Identification and Estimation of the SEIRD Epidemic Model for COVID-19. 2020. https://ssrn.com/abstract=3569367 or https://doi.org/10.2139/ssrn.3569367 (accessed: 12.05.2020).

24. Liu Y., Gayle A.A., Wilder-Smith A., Rocklöv J. The reproductive number of COVID-19 is higher compared to SARS coronavirus // J. Travel Medicine. 2020. V. 27. № 2.

25. New-product diffusion models / Mahajan V., Muller E., Wind Y. (Eds.). Springer Science & Business Media, 2000. V. 11. 355 p.

26. Meade N., Islam T. Modelling and forecasting the diffusion of innovation–A 25-year review // International J. of Forecasting. 2006. V. 22. № 3. P. 519–545.

27. Rogers E.M. Diffusion of innovations. Simon and Schuster, 2010. 518 p.

28. Shet A., Ray D., Malavige N., Santosham M., Bar-Zeev N. Differential COVID-19-attributable mortality and BCG vaccine use in countries. 2020. https://www.medrxiv.org/content/10.1101/2020.04.01.20049478v1.full.pdf?fbclid=IwAR38RiJFdGqpsqZPHHT2FD1zmRDyDo3zLN-OrTRUv9r2e11-VIMMLmYh2CE doi: 10.1101/2020.04.01.20049478

29. Wu J.T., Leung K., Leung G.M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study // Lancet Infect. Diseases. 2020. V. 395. № 10225. P. 689–697.

30. Zemtsov S., Barinova V., Semenova R. The Risks of Digitalization and the Adaptation of Regional Labor Markets in Russia // Foresight and STI Governance. 2019. V. 13. № 2. P. 84–96. https://doi.org/10.17323/2500-2597.2019.2.84.96

31. Zemtsov S., Kotsemir M. An assessment of regional innovation system efficiency in Russia: the application of the DEA approach // Scientometrics. 2019. V. 120. № 2. P. 375–404.

32. Zhao D. Sun J., Tan Y., Wu J., Dou Y. An extended SEIR model considering homepage effect for the information propagation of online social networks // Phys. A: Statist. Mechanics Appl. 2018. V. 512. P. 1019–1031.