印度遏制COVID-19大流行的助推举措：基于机器学习主题建模的回应性公共政策分析

为应对COVID-19大流行，印度于2020年3月25日对13亿人实施封锁。其经济成本估计达980亿美元，而社会成本尚不可知。本研究考察了政府如何在其政策部门中形成回应性政策以抗击冠状病毒。原始数据以政府计划、政策、项目倡议与成就的新闻稿形式从新闻信息局（PIB）收集。我们从PIB的396份文档创建了包含260,852个词的文本语料库。对该文本语料库使用潜在狄利克雷分配（LDA）算法进行无监督的基于机器的主题建模，以提取政策部门中的高概率主题。通过助推理论视角对提取主题进行解读，以推导政府的关键政策启发式。结果表明，多数干预旨在利用外部触发产生内生助推。值得注意的是，印度总理的助推对于在全国形成封锁与社交距离规范的从众效应至关重要。在公共卫生（如公共场所口罩；瑜伽与阿育吠陀增强免疫力）、交通（如旧列车改造为隔离病房）、中小微企业（如快速生产PPE与口罩）、科技部门（如诊断试剂盒、机器人与纳米技术）、内政（如监控与封锁）、城市（如无人机、GIS工具）和教育（如在线学习）方面也观察到类似效应。结论认为，利用这些启发式对于封锁放松规划至关重要。