传播中断之后，下一轮流行由什么决定？

一种呼吸道感染安静了一段时间，随后突然增多，甚至在往年不常流行的季节出现。直觉会说：前面少感染，后面就要补回来。这句话抓到一个可能存在的机制，却把几道不同的问题挤在了一起。

是从未感染过的孩子变多了，还是同龄人的保护发生了变化？是恢复接触后病例暂时集中，还是从干预开始算起，累计感染真的更多？如果首次感染推迟到更大的年龄，临床后果会与原来相同吗？

这些区别决定了“免疫债”究竟是在指一个可测量的人群状态，还是在替尚未完成的归因下结论。本篇以RSV为主、流感为比较，把出生、免疫、接触和季节放进同一条因果链；用一个实际执行的小模型说明哪些结果可以并存，再看原始研究如何用观察约束模型。这里不估计中国防控造成了多少额外感染，也不根据模型给出个人健康建议。

安静期间，变化的是什么

设想两个社区在某一时刻具有相同的人口结构和感染经历。此后，一个社区保持原来的接触条件，另一个社区有一段时间大幅减少传播。即便病毒本身完全不变，两个社区后来也会走到不同的状态。

首先，孩子继续出生。持续流行的社区里，一部分新生儿随后经历初次感染；传播很少的社区里，更多孩子尚未经历它。于是同样叫“两岁儿童”，两组人的感染历史可能不同。

其次，过去感染过的人也在变化。某些能降低再次感染机会的保护可能随时间减弱，近期感染带来的抗体提升也不再经常出现。但保护的变化不能简单理解成“整个免疫系统闲坏了”：不同抗体、位置和细胞记忆承担不同作用，抗体读数与感染风险的关系需要另外验证。这是前篇《抗体变少，意味着更容易感染吗？》讨论的边界。

第三，年龄照常增长。身体发育、气道结构、行为与接触对象会改变，即使孩子没有经历目标病原体的感染。因此，“更大年龄”与“更多次感染”平时经常一起出现，在传播中断期间却能部分分开。Koltai等的RSV研究正是利用这个区别，比较年龄相关变化和既往感染分别能解释什么。2

一个简化例子足以把队列变化讲清楚。假设每个尚未感染的人，每年的初次感染风险率恒为0.8；这只是自选示意值。在持续暴露的世界，年龄为两岁时仍未感染的比例是 $e^{-0.8\times2}$，约20%。如果最近两年完全没有该病原体的传播，那么这两年出生、至今不超过两岁的孩子，在这个例子里都没有经历过它。

两边孩子的实际年龄一样，感染经历却很不一样。这个差别无须先假定孩子的免疫器官受到了损伤就能出现。反过来，它也没有证明既往感染是年龄相关保护的全部来源。这个例子只计算“到这个年龄为止有没有感染过”，没有模拟母体抗体、再次感染和人与人的传播反馈。

所谓群体的历史状态，至少包括：各年龄有多少人、各自经历过什么、当前保护如何，以及这些人接下来怎样互相接触。 一个全国平均抗体数或一个易感总比例，会丢掉其中不少信息。

易感人数有收支，但“感染债务”没有固定账单

最小的传播模型把人分成易感者 $S$、当前感染者 $I$ 和暂时受到保护者 $R$。如果保护会减弱，使一部分人重新容易感染，就有 $S\to I\to R\to S$ 的循环，通常称为SIRS模型。

模型里的“易感”是针对某种感染结局的近似分组，不代表一个人的全部免疫能力归零。真实保护通常是分程度的，年龄、感染次数和病原体变异也会影响它。为了把一条机制单独看清，本节暂时把这些细节压缩成几个收支项。

把总人口标准化为1，出生与死亡率都记为 $\mu$，保护状态的退出率为 $\omega$，单位时间的新感染事件记为 $J(t)$，易感比例的变化就是：

右侧依次是新生人口进入、保护减弱后回流、因感染离开，以及易感者死亡离开。模型忽略新生儿被动保护，把出生者直接放入易感组；这一简化不能用于解释生命最初几个月的具体风险。

在同样的人群状态下，降低传播系数会压低“因感染离开”这一项。只要补充和回流仍在继续，易感人群就可能比持续流行的对照更多；随着人群状态分化，两边每个时点的感染率仍须重新计算。这是后续反弹的一条明确机制，2020年Baker等对RSV和流感的研究已用类似的人群收支解释过它。1

然而，把上述式子从开始积到某个终点 $T$，得到的是：

这说明累计感染并不是预先定好的常数。改变传播后，保护状态的人数及其回流会变，易感者的人时会变，终点的人群状态也会变。人口不断出生、老去和退出，预防方式与病原体还可能继续改变。

因此，“当时少感染了一些人”不能单凭人口收支就变成“以后必须多感染同样多的人”。在允许再次感染的模型里，左边累计的是感染事件，同一个人可以计入不止一次；它也不是这群人的终身感染人数。

同一条历史，可以有更高的峰值，也可以有更低的累计值

本库实际计算了两个具有相同初始状态的假想世界：对照持续保持原接触条件；另一个世界把传播系数降低75%，持续1.5年后恢复。两边采用相同的季节变化和极小外来输入，后者让低流行期之后仍有感染引入。

这些参数用于讲清机制，未拟合RSV、流感或任何中国地区。模型不描述疾病严重程度。季节变化下的对照也不必每年出现完全相同的波形，所以比较必须使用对应的日历窗口，不能随手挑一个较小的历史峰作分母。

图中阴影是传播系数降低的1.5年。上图纵轴把瞬时年感染率除以52，便于按周阅读；它不是对每个自然周逐周积分的病例数。中图显示易感状态，下图显示“干预世界减去对照世界”的累计事件差。全部曲线由本库计算，非论文原图。

恢复时，两边易感比例约为77%与35%。前者随后出现一个集中的高峰；在恢复后同一个一年窗口内，它的最高新感染率约为对照的7.8倍。这个倍数属于本例、这个分母和这个窗口，不能当成现实预测。

再看累计值，会得到另一幅图景：

同一个模型，同一组参数，没有更换比较对象，只是把结算日期往后移动，差值就会改变正负。原因是两条流行历史已经错开：一边刚经历大波峰，另一边下一轮尚未来到；随着各自的感染与保护收支继续变化，差距又会改变。

这既不能证明现实中的干预一定降低六年累计感染，也不能证明真实人口一定要经历这个反弹。它证明的是更有限、但有用的一点：看到后来的高峰，尚不足以回答累计发生了多少；选择哪段时间比较，是问题定义的一部分。 本例六年结束时也不能宣告系统已经达到唯一长期结局。

同理，“医院更忙”还多隔着几步。住院量取决于各年龄的感染量、感染后的疾病风险、就医与收治方式，以及病例在时间上是否集中。峰值压力、整个季节的住院总量和多年累计负担需要分别计量；只算感染曲线的模型无法替它们作答。

为什么恢复接触之后，不一定立刻出现同一种反弹

易感人群是历史留下的状态，接触与季节是当下的条件。两者要相遇，才能形成具体的流行。

恢复发生时，可能仍处于不利于传播的季节；也可能接触只逐步恢复，或者不同年龄恢复得不同。外来输入何时出现、本地是否还有感染延续，也影响起点。因此“政策某日调整”与“实际接触某日全部恢复”不能互换，行政日期更不直接等于感染曲线的起涨日期。

2020年的Baker模型比较过季节节律不同的美国地区。它支持传播减少可能使后续流行推迟、增大或偏离原来的季节，但这些是以既有资料拟合并外推的条件结果。其早期监测还受到检测变化影响，不是一场预先随机安排的对照试验。1

本库把同样持续1.5年的干预分别放在12个不同的开始季节，其他基准参数不变。恢复后一年内的峰值比出现明显差异。这里开始和结束季节一起移动，且各情景都有对应的未干预对照；它没有将季节与人群历史完全拆成彼此独立的效应。

右图另外比较三种保护退出时间尺度与三种人口更新率，显示恢复时两世界易感比例的差。每组都先生成自己的长期基准轨迹，再作配对比较。曲线并不处处单调：参数既改变人群补充，也改变原来的流行节律。不能把“出生率更高”直接翻译成“反弹一定按比例更大”。图中的免疫期是简化保护状态的平均停留时间，不是抗体的实测寿命。

有现实约束的例子来自Koltai等2022年的RSV研究。作者把年龄与既往感染历史分开，在多个年龄组中比较不同机制。仅凭疫情前的常规季节模式，不少不同参数组合都能过关；它们对传播恢复后的年龄构成和病例量却给出不同结果。2

更有信息量的是模型没有解释好的地方。最初假定接触在2021年5月一步恢复，即使疫情前拟合较好的模型，也不能很好重现英国从6月开始的回升。改成从3月起逐渐恢复接触后，部分轨迹才更接近观察到的起点。这些轨迹同时更偏向较弱的季节作用及较强的年龄相关效应。

这不等于“年龄机制已经被唯一证实”：接触、季节和免疫参数仍有互相补偿的空间，模型也没有完整重现后续峰值。它说明，恢复的实际过程是承重条件，不能只给模型填上一个解除限制的日期，就把余下差异全部算到免疫头上。

血清证据能让模型走多远

2025年Bents等把美国King County的呼吸道病原体抗体资料与流感就医监测接起来，尝试让不同年龄的免疫变化成为模型约束。儿童部分主要是不同时间采到的横断面样本，成年人另有配对样本；不能把全部资料讲成“跟踪同一批儿童看着抗体下降”。4

研究比较了两种结构：所有年龄用相同的保护退出速率，或允许小龄儿童与较大年龄不同。后者更好解释了疫情后流感就医中较大儿童占比的变化，这是年龄结构提供额外信息的例子。

但它没有在所有指标上胜出。两种模型对2022—2023年回升时间都偏晚；年龄统一模型的时间估计还略近一些。方法部分给出的总体拟合误差也没有显示分层模型全面更优。并且这些比较使用了2017—2023年的拟合资料，不能称为对全新后续年份的独立预测检验。

观测层还有一道限制：医院急诊与住院记录不等于全部感染。报告机构数量随时间增加，研究只能用机构数作近似调整；年龄间检测与报告方式的差异仍可能影响构成。模型也没有显式模拟疫苗和流感抗原演化。因此，这项研究使“年龄不同，保护变化可能不同”更值得检验，却没有给某地区的反弹分配出一个唯一的免疫原因比例。

从血清走到群体归因，至少要过三道关：读数怎样对应保护，保护怎样对应实际感染，感染怎样对应监测里被看见的事件。把第一关的发现直接拿来回答第三关，会高估证据已经走过的距离。

长期持续降低传播，是另一道问题

前面的例子研究“减少一段时间，然后恢复”。另一种常见说法谈的却是“长期维持某种措施后，最后能少多少感染”。这两个问题的比较条件不同。

在没有季节、没有外来输入的经典SIRS模型里，如果干预始终只把传播系数乘以一个固定比例 $p$，其他参数不变，那么存在地方性流行时：

这里 $R_0$ 是无干预的基本再生数，$\gamma$ 是感染者恢复率；在本节的常系数模型中，$R_0=\beta/(\gamma+\mu)$，$\beta$ 是传播系数。星号代表平衡状态；若 $pR_0\le1$，不能继续套用正的地方性流行公式。这段解析比较也不适用于前面带外来输入和季节起伏的模型。

这个式子有一个反直觉的结果：相同幅度的持续传播降低，在不同基准条件下，对长期平均感染的影响可能差很多。本库代入持续降低20%：在 $R_0=1.8$ 的示例中，平衡感染比例变为原来的约69%；在 $R_0=8$ 时，约为96%。由于恢复率和死亡率固定，平衡时新感染率的比值也相同。

左图是前文“孩子长大、感染经历未同步增长”的队列例子，右图是本节的长期平衡；两幅图属于两个不同的简化问题。它们共同提醒我们：感染历史可以累积出差别，但这个差别没有一个通用的偿还规则。

上述长期差异是Baker等2022年研究强调的机制之一：在特定模型和较高基础传播水平下，较小的持续传播降低可能被易感状态的调整部分抵消。3 这不能升格为“任何措施最终都没用”。更强的干预、不同的免疫结构、疫苗、年龄相关重症风险，乃至干预期间已经减少的负担，都超出那句口号。

2026年Saad-Roy等进一步改变了一个结构假设：已有部分保护的人，面对不同程度的暴露，保护的实际表现未必保持同一固定比例。把这种依赖关系加入模型后，持续减少传播的长期收益可以不同于经典模型的结果。5

这是一项理论扩展。研究没有提供新的经验数据来确定关系的定量形状；减少接触次数，也不能自动等同于改变每次接触的暴露程度。它的贡献是指出原先结论依赖哪些可改动假设，尚不能作为现实中某项措施长期效果的直接估计。2020、2022与2026这条模型研究线还有共同作者，不能计成三份相互独立的历史验证。

什么证据最能区分这些解释

更大的反弹，往往同时符合多种解释。需要寻找的不是更多形状相似的曲线，而是让竞争解释出现不同预期的观察。

这里有一个容易忽略的比较条件：如果只从恢复传播那天开始计数，就已经舍去了前面被减少的感染；如果仅与一个特别低的年份相比，则分母本身会放大“增长”。两种比较都可以回答局部问题，但不能无说明地回答整个历史过程的得失。

对本篇主问题，能够收口的判断是：减少传播可以改变随后的人群状态，出生队列和保护回流是具体可研究的机制；状态如何变成下一轮流行，取决于接触、季节、输入与保护结构。RSV和流感研究提供了相应线索，也显示仅靠病例曲线常难以唯一识别机制。

因此，面对“现在是否还在还免疫债”，更可回答的问法是：哪一种病原体、哪个年龄队列、相对哪段基线，当前还有什么保护或感染经历差异，这个差异能解释多少新增风险？回答到这一步，才有机会区分真实的人群历史效应与一个方便但过于整齐的比喻。

计算与可回查边界

本篇自选SIRS参数以年为单位：$\mu=1/60$、$\omega=0.5$、$\gamma=52$，基准 $R_0=2.4$，季节振幅0.25，外来感染力为每年 $10^{-5}$；传播系数降低75%并维持1.5年。先在原条件下演化100年生成共同起点，再进行两世界的配对比较。长期平衡解析例子移除了季节和外来输入，另行代入两种 $R_0$。出生队列例子则只使用恒定初次感染风险率，不与SIRS联立。

代码位于仓库 research/calculations/epidemics_after_interruption.py；可下载结果与参数、基准完整轨迹及出生队列数值。计算核对人口守恒和易感收支；基准情景收紧数值容差后，峰值比差异小于百万分之一。这个检查只验证该数值例子的稳定性，不是对全部参数、唯一长期状态或真实流行的验证。

原论文的读取范围与未取得附件见来源记录。本篇没有重跑作者完整的年龄分层模型或血清推断，没有估计中国归因份额；新数据若推翻某项保护假设，模型解释也需要相应改写。