为了评估效果，研究者汇总了中国、韩国、意大利、伊朗、法国和美国6个国家为遏制大流行部署的1717个地方、区域和国家层面的非药物干预措施数据。然后，他们采用通常用来衡量政策对经济增长的影响的简化计量经济学方法，对这些抗疫政策对传染病增长率的影响进行实证评价。研究发现：在缺乏抗疫政策的情况下，COVID-19早期感染呈指数级增长，增长率约为每天38%。
研究结果表明，正在进行的抗疫政策已经大幅减少了目前世界上报告新冠确诊人数。
研究估计，如果没有实施抗疫政策，中国或增加约3700万确诊病例(总感染人数增加2.85亿)，韩国或增加1150万例确诊病例(总感染人数为3800万)，意大利或新增210万确诊病例(4900万感染病例)，伊朗或新增500万确诊病例(5400万感染病例)，法国或新增140万确诊病例(4500万感染病例)，美国新增480万确诊病例(6000万感染病例)。
实证结果表明，大规模的抗疫政策正在减缓COVID-19大流行，并提供了巨大的健康效益。如果没有实施这些政策，新冠感染率最初会呈指数级快速增长，到论文数据截止时，中国将有约465倍于目前的确诊病例数，意大利为17倍，美国为14倍。
他们发现，遏制传染的政策显著且地减缓了这一增长。一些政策对不同的人群产生不同的影响，但他们得到的一致证据表明：目前部署的一揽子政策正在取得巨大的、有益的和可衡量的健康收益。研究者估计，在这6个国家，干预措施预防或延迟了大约6200万例新冠确诊病例，相当于避免了大约5.3亿例感染。这些信息可能有助于告知是否、何时应部署加强或取消这些政策，并为全球抗疫决策提供借鉴。
以上研究刊发在国际权威学术期刊《自然》上，以“加速评审文章”的形式于当地时间6月8日发表。研究题为The effect of large-scale anti-contagion policies on the COVID-19 pandemic（大规划抗疫政策在对新冠大流行产生的影响）。
新冠大流行迫使世界各地的政府在信息有限的情况下，作出相应的决策。这些政策旨在通过减少个人之间或人群之间的接触，例如关闭餐馆或限制旅行，从而将COVID-19的传播速度降至可控制的水平，遏制病毒的传播。这些大规模的抗疫政策是通过流行病学模拟和过去流行病中少量的自然实验得出的。然而，这些政策对新冠感染率的实际定量影响尚不清楚。由于当代社会人类从未遇到过这种病原体，也没有部署过如此规模和范围的抗议措施，因此将政策影响的直接测量与数值模拟一起综合考量对政策的制定是至关重要的。
世界各国都在权衡抗疫政策带来的健康益处是否值得付出社会和经济代价。其中许多成本显而易见：例如，限制商业增加了失业人口，关闭学校影响了教育成果。因此，一些国家执行抗疫政策前会犹豫不决，这一点并不奇怪，特别是当这些政策的成本是显而易见的，而其健康效益没法在数据上得到立竿见影的体现时。因为健康益处是指如不加干预本来会发生，但却通过抗疫政策得以避免或推迟了的感染人数和死亡人数。该研究的目标是衡量这些政策对健康的直接好处。具体来说，就是这些政策在多大程度上减缓了感染增长率。为此，他们比较了每项政策在当地实施前后这些国家内数百个地区的感染增长率。
在这里，研究团队对1717个地方层面、地区层面和国家层面政策对中国、法国、伊朗、意大利、韩国和美国各地感染增长率的影响进行了评估(图1)。研究者汇编了每日感染率、病例定义变化和政策部署时间，包括：
(1)旅行限制
(2)通过取消活动和暂停教育/商业/宗教活动来保持社会距离
(3)隔离和封锁
(4)从疫情暴发的最早时间到2020年4月6日间的其他政策，如紧急声明和扩大带薪病假
在此期间，所有人口对新冠病毒几乎完全敏感，这导致对新冠感染的自然传播率呈现近乎完美的指数增长。这种指数增长的速度可能每天都在变化，这取决于流行病学因素，如疾病传染性，以及改变国民行为的抗疫政策。由于政策是在疫情发生时部署的，研究可以根据经验估计其影响。他们研究了每个地区当地当日实施的一系列政策导致的每日感染增长率是如何变化的。
研究估计，在缺乏抗疫政策的情况下，这6个国家COVID-19的早期感染率平均每天增长43%(标准误差[SE] = 5%)，这意味着大约2天的时间翻了一番。具体国家的估计范围从美国的34% (SE = 7%)到伊朗的68% (SE = 9%)。研究者无法确定，对伊朗的估值高是否来自真正的流行病学差异、数据质量问题、最初暴发与重大宗教节日和朝圣活动同时发生，或抽样差异。排除伊朗后，其他5个国家的增长率估计值非常接近，平均增长率为每天38% (SE = 5%) (图2a)。这些估计值与观察到的平均增长率不同，因为后者被政策的影响所干扰。这些增长速度不是由检测的扩大或病例检出率的增加驱动的，也不是由个别地区的数据驱动的(附加图3)。
流行病学模型与预测一致，研究发现抗疫政策在每个国家的综合效应大幅减少了感染的增长率，者具有统计学显著性(图2 b,)。例如,法国的基准增长率为33%(全国平均水平)，在完全部署法国使用的所有抗疫政策措施后，日增长率降低到了16%−17%。尽管在一些国家，许多地方还没有部署整套政策，但总的来说，一揽子政策的估计总效果足够大，原则上足以抵消大部分甚至消除感染的基线增长率(附加图3)。
在中国，有3项政策在7周的时间内在116个城市中实施，这为研究者提供了足够的数据来实证估计这些政策的影响：如何随着时间的推移而演变，而无需对这些影响产生的时间进行假设(图2b)。他们估计：这些政策部署后的第一周其综合效应将感染的增长率降低2.6% (SE = 0.046),第二周的大幅降低了20% (SE = 0.049)，第三周基本稳定，降低了28% (SE = 0.047)。在其他国家，研究团队缺乏足够的数据来明确地估计这些时间动态，只报告政策部署后所有天的平均综合效应。如果其他国家能有类似于中国的短暂反应，研究者预计预测结果可以更加准确。
上面的估计数(图2b)反映了每个国家部署的所有政策的叠加，即它们代表了政策的平均效果，如果在每个国家的任何地方颁布的所有政策都同时在该国的一个区域执行，我们将期望观察到这些政策的平均效果。我们还评估了个别政策或政策集群(图2c)的影响，这些政策或政策集群是根据目标的相似性(如图书馆和博物馆关闭)或时间(如同时部署的政策)进行分组的。我们对这些个别影响的估计，在统计上往往比对所有政策的估计加起来还要嘈杂。对同一政策的一些估计在国家之间存在差异，这可能是因为政策的执行不尽相同，或者因为人口的行为不同。尽管如此，29个点中有22个点的估计表明，个别政策可能有助于降低感染增长率。七项政策(一项在韩国，两项在意大利，四项在美国)都有正面的点估计，其中六项在量级上很小(< 0.1)，在统计学上与零没有差别(5%水平)。
基于这些结果，研究发现，在所有6个国家部署的抗疫政策显著和实质性地减缓了大流行。将上述估计与1717项政策部署的时间数据结合起来，可以估计样本中所有政策在各个日期的总影响。为了做到这一点，研究者在假设该地点在那一天使用了某种政策的情况下，用此前的估计来预测每天每个地方的感染增长率 (图3，蓝色标记)。然后，他们使用相同的模型来预测如果去除所有政策会有怎样的影响(图3，红色标记)，这被称之为“无政策情景”。这两种预测的之间的差距，就是所有部署的抗疫政策对感染增长率的影响。研究者估计，所有抗疫政策能使感染平均日增长率放缓25.2%(SE = 0.045, p < 0.001)。在中国是24.8% (SE = 0.089, p < 0.01)，在韩国是24% (SE = 0.068, p < 0.001)，在意大利是35.5% (SE = 0.063, p < 0.001)，在伊朗是12.3% (SE = 0.019, p < 0.001)，在法国是8.4% (SE = 0.03, p < 0.01)。
某一天COVID-19感染人数取决于之前所有日子的感染增长率。因此，增长率的持续下降会对感染产生复合效应，直到易感人口减少导致增长放缓。研究者整合了图3中每个地区的感染增长率，以评估累计感染，包括实际的抗疫政策和无政策情景。为了考虑到每个行政单位中易感人群的减少，研究对政策影响的计量经济学估计与“易感-感染-消除”(SIR)模型结合起来，该模型根据估计的病例检出率调整每个行政单位中的易感人群。
