Большие ограничения и большие данные: помогли ли локдауны побороть пандемию? Сравнительный анализ скандинавских стран

Алексей Барич, приглашённый либертарианский автор

Главным аргументом прогрессивной общественности, с аплодисментами поддержавшей авторитарные практики в борьбе с новой коронавирусной инфекцией, оказалась вывернутая наизнанку цитата Бенджамина Франклина: «Кто жертвует безопасностью ради свободы, теряет и безопасность, и свободу». Так, мы стали свидетелями трагедии, когда люди без толики сомнения расстались с правом на свободу передвижения, ратовали за политику принудительной вакцинации. Сегодня, в пост-ковидных реалиях, уместно обернуться назад и проанализировать последствия безоговорочного доверия Левиафану, потребовавшего пожертвовать личной свободой в обмен на безопасность. Насколько политика локдаунов оказались эффективной? Знаем ли мы примеры стран, в которых чиновники обошлись без ужесточения политик, не жертвуя жизнями граждан?

Краткую версию этого текста с обобщенными результатами исследования для широкой аудитории ищите на страницах первого печатного выпуска «Фронды» «Гражданское общество: вызовы в эпоху пандемии».

Для ответа на эти вопросы я сравнил эпидемиологические политики нескольких скандинавских стран: Швеции, Финляндии, Норвегии и Дании. Почему именно они? Во-первых, мы можем доверять качеству собранной там статистики в период пандемии COVID-19. Если Россия, Китай, Северная Корея, Иран, Саудовская Аравия и страны Африки либо манипулировали статистикой, либо собирали ее из рук вон плохо, то официальные данные выбранных североевропейских государств вызывают гораздо больше уверенности у научного сообщества. Во-вторых, эти страны имеют примерно схожие социально-демографические характеристики, но при этом их эпидемиологические политики заметно отличались друг от друга. Так, в Швеции вводились одни из самых мягких антиковидных ограничений в мире. Финляндия хоть и в меньшей степени, но также не пошла по пути тотальных запретов. А вот остальные скандинавские страны достаточно сурово ограничивали свободы граждан. По этой причине мы исследуем именно их, а не большие, децентрализованные и неоднородные государства вроде США, Канады Австралии, Индии или Бразилии. Пример стран Скандинавии идеален для сравнительного анализа!

Также, я ограничил хронологические рамки исследования 2020-2021 годами: на третий год пандемии значительно изменилось отношение к самому COVID-19. Повсеместное применение вакцин снизило страхи общественности и закрепило новые пропагандистские паттерны — например, знаменитые n+1 бустеры, которые на этот раз наверняка защитят от заражения. Однако эффективность программ иммунизации выходит за рамки моего исследования. Другая важная деталь — многие страны отказались от ограничений свободы передвижения и масочного режима в пользу паспортов вакцинации. Поэтому данные за этот период вкупе с пиком распространения омикрон-штамма специфичны и могут сильно исказить общую картину.

В качестве независимой переменной выступает строгость антиковидных мер — эти данные собирает проект Oxford Coronavirus Government Response Tracker (OxCGRT). Зависимые переменные — абсолютное и совокупное число случаев заражения и смертей от COVID-19 по каждой стране, а также эти же данные в расчете на 1000 человек, то есть официальная эпидемиологическая статистика стран. Независимая переменная — это та, которая в эксперименте контролируется или изменяется, тестируется на предмет влияния на зависимую переменную. В нашем исследовании мы проверяем, влияла ли строгость антиковидных мер на заражаемость и смертность от ковида.

Перейдем к результатам исследования. Так выглядит сравнительная динамика ограничений в этих странах:

Динамика изменения уровня строгости антиковидных мер (Stringency Index) в Финляндии, Швеции, Норвегии и Дании, а также среднее значение по этим странам. Данные: OxCGRT.

Рассмотрим общую статистику заболеваемости и смертности по выбранным странам на 1000 человек:

Динамика прироста новых случаев заражения COVID-19 (New cases) в Финляндии, Швеции, Норвегии и Дании. Данные: OxCGRT.

Смертность имеет пиковые значения в начале пандемии и на рубеже 2020-2021 годов. Заболеваемость при этом у большинства стран имеет один выраженный пик, совпадающий со вторым пиком смертности. Швеция пережила вторую волну с марта по июль 2021 года. 

Динамика прироста новых смертей от COVID-19 (New deaths) в Финляндии, Швеции, Норвегии и Дании. Данные: OxCGRT.

Вместе с тем общая статистика создает обманчивое впечатление, что некоторые страны справились с пандемией заметно хуже. Более наглядными оказывается кумулятивные величины, нормированные на численность населения: по ним можно увидеть как пиковые значения, — они будут соответствовать наибольшему росту кумулятивной функции, — так и общее количество жертв болезни. 

Динамика прироста совокупного числа случаев заражения COVID-19 (Cumulative cases) в Финляндии, Швеции, Норвегии и Дании. Данные: OxCGRT.

Эти графики наталкивают на очевидную мысль: общества, пережившие пандемию с минимальными жертвами, сделали это точно не благодаря или вопреки ограничениям. Однако сами по себе графики не могут быть доказательством существования связи между строгостью антиковидных мер и показателями эпидемиологической статистики.

Динамика прироста совокупного числа смертей от COVID-19 (Cumulative deaths) в Финляндии, Швеции, Норвегии и Дании. Данные: OxCGRT.

По периоду наибольшего роста заболеваемости можно судить, так ли это. Выберем еще более узкое временное окно: с октября 2020 по апрель 2021. В этом промежутке мы наблюдаем скачок и заболеваемости, и смертности, поэтому данные этих месяцев помогут определить наличие или отсутствие зависимости между переменными. В частности, это позволит проверить, сыграл ли какую-либо роль рост ограничений: в Норвегии показатели увеличились едва ли не в два раза, тогда как в Финляндии и Швеции разница оказалась незначительной. В качестве исследовательского метода я буду использовать регрессионный анализ — благодаря этому мы сможем проверить, повлияло ли изменение нашей независимой переменной (строгость антиковидных мер по данным проекта OxCGRT) на зависимые (абсолютное и совокупное число случаев заражения и смертей от COVID-19 по каждой стране). Для анализа я выбрал модель VARIMA — она подходит для оценки связи нескольких переменных, значения которых зависят не только от показателей в прошлом, но и от других переменных, которые могут не учитываться моделью, что помогает снизить вероятность статистических ошибок.

Для начала проверим, насколько стационарны наши ряды данных при помощи теста Дики-Фуллера — не меняются ли средние показатели наших переменных с течением времени. Для корректности сделаем ряды стационарными: дифференцируем данные и удалим трендовую составляющую там, где она есть. После этих операций p-value — то есть значение p, которое определяет вероятность того, что наша гипотеза о связи переменных верна — выглядят так: 

Сводная таблица связи независимой переменной StringencyIndex_Average (строгость антиковидных мер) с зависимыми переменными: New_cases (прирост ежесуточного числа новых случаев заражения COVID-19), New_deaths (прирост ежесуточного числа новых случаев смертей от COVID-19), Cumulative_cases (прирост совокупного числа заражений COVID-19) и Cumulative_deaths (прирост совокупного числа смертей от COVID-19) с разбивкой по странам: Финляндия, Швеция, Норвегия, Дания.

Рассмотрим четыре модели: 

  • Cumulative_cases~StringencyIndex_Average — прирост совокупного числа заражений COVID-19 и строгость антковидных мер;
  • Cumulative_deaths~StringencyIndex_Average — прирост совокупного числа смертей от COVID-19 и строгость антиковидных мер;
  • New_cases~StringencyIndex_Average — прирост ежесуточного числа новых случаев заражения COVID-19 и строгость антиковидных мер;
  • New_deaths~StringencyIndex_Average — прирост ежесуточного числа новых случаев смертей от COVID-19 и строгость антиковидных мер.

Необходимо узнать, насколько связаны изменения значений зависимых переменных — в моделях они находятся слева — с ограничениями для каждой страны. Все полученные модели имеют проблему гетероскедастичности, что значительно уменьшает результаты — значения в наших моделях слишком неоднородны, а это вредит их качеству. Также, ни одна модель не набрала достаточной статистической значимости — это говорит о том, что гипотезы о связи наших переменных несостоятельны:

Модель Cumulative_cases~StringencyIndex_Average — влияние строгости антиковидных мер на рост совокупного числа заражений COVID-19.
Модель Cumulative_deaths~StringencyIndex_Average — влияние строгости антиковидных мер на прирост совокупного числа смертей от COVID-19.
Модель New_cases~StringencyIndex_Average — влияние строгости антиковидных мер на прирост ежесуточного числа новых случаев заражения COVID-19.
Модель New_deaths~StringencyIndex_Average — влияние строгости антиковидных мер на прирост ежесуточного числа новых случаев смертей.

На основе нашего анализа можно сделать следующий вывод — разница показателей заболеваемости и смертности от COVID-19 в Швеции, Финляндии, Норвегии и Дании объясняются не строгостью антиковидных мер, а другими факторами. Это может говорить о том, что ограничительные государственные политики скорее всего не были значимыми причинами успеха или неудач в борьбе с пандемией в наших кейсах. 

Но как тогда объяснить эту разницу? Вероятно, это может быть связано с разными подходами в социальной политике — например, вопросами финансирования профильных организаций, менеджментом в сфере здравоохранения или самими методами лечения COVID-19.

Несмотря на столь разные подходы к борьбе эпидемией, все страны этого региона в целом успешнее справились с вызовом, нежели остальные государства. И это не случайно! Вопреки левому мифу о политике «скандинавского социализма», которым объясняют успешную судьбу этих государств, реальность оказывается сложнее. Страны Скандинавии объединяют общие черты: высокий уровень доверия государству и внутри общества, высокий социальный капитал, реальная политическая конкуренция. Во многом это обусловлено особенностью исторического институционального развития — Скандинавия не переживала период феодализма с политикой закрепощения населения. Еще с XIX века эти страны развивали свободную рыночную экономику, укрепляли институт частной собственности и реализовали принцип разделения властей. Именно эти причины, а не масштабные государственные перераспределения привилегий, вывели скандинавские страны на первые места всевозможных мировых рейтингов со знаком плюс. Действительно, когда гражданин может свободно выдвигаться в муниципальные органы власти, когда работа институтов подотчетна обществу, когда любая низовая инициатива обсуждается политиками — именно в этих условиях формируется стабильная культура взаимной поддержки и практика добровольной заботы о коллективном здоровье. В случае стран Скандинавии это усиливается общей склонностью к рационализму. 


Пандемия COVID-19 показала нам довольно очевидный урок — далеко не все государственные меры по борьбе с чрезвычайной ситуаций на практике действительно являются эффективными, а свобода всегда лучше, чем несвобода.


Алексей Барич — публицист-либертарианец.


Рекомендуем ознакомиться: