为何大多数 COVID-19 感染曲线呈线性？

许多国家已度过其第一波 COVID-19 疫情高峰。传统流行病学模型将此描述为将增长率压低至恢复率以下的非药物干预的结果。在疫情的这一新阶段，许多国家在较长时间内显示出几乎线性的确诊病例增长。这种新的遏制状态难以用传统模型解释，在传统模型中，感染人数要么呈指数级增长直至达到群体免疫，要么疫情被完全抑制（零新增病例）。在此，我们基于接触网络结构为这一令人困惑的观察结果提供一种解释。我们证明，对于任何给定的传播率，存在一个临界社交接触数 $D_c$，低于该值时必然出现线性增长和低感染率。高于 $D_c$ 时，则会出现传统的流行病动力学，例如 SIR 型模型中的情况。当我们将相应模型校准到传播率和传染天数的经验估计值时，我们发现 $D_c\sim 7.2$。假设现实中的接触网络度数约为 5，并假设封锁措施会将其减少到家庭规模（约 2.5），我们在不进行参数拟合或微调的情况下，以极高的精度再现了实际的感染曲线。我们特别比较了美国和奥地利，作为最初未采取措施和早期即采取严厉封锁措施的两个国家的例子。我们的发现对标准仓室模型在描述 COVID-19 遏制阶段的适用性提出了质疑。在这些模型中观察到线性增长的概率实际上为零。