R₀ 看起來只是一個數字，為什麼專家在疫情中算出來的 Rₜ 卻天天打架？

R₀ 看起來只是一個數字，為什麼專家在疫情中算出來的 Rₜ 卻天天打架？

你已經知道基本再生數（basic reproduction number, R₀）描述「一名感染者平均傳染給多少人」，也知道把有效再生數（effective reproduction number, Rₜ）壓到 1 以下就能讓疫情消退。但 2020–2022 年新冠疫情期間，你或許注意到一個怪現象：同一週、同一個地區，不同團隊估出的 Rₜ 可以從 0.9 到 1.4 不等，有人說「疫情正在收斂」，有人說「還在擴大」。如果 Rₜ 真是一個明確的物理量，怎麼會吵成這樣？

答案藏在一個入門篇刻意略過的細節裡：R₀ 不是病原體的固定屬性，而是一個從動力學模型「推導」出來的合成量。 它牽涉到傳染期有多長、世代間隔（generation interval）如何分布、人群如何混合接觸，以及你用什麼方法把「過去幾天的病例數」反推回「此刻的傳播力」。這篇進階篇不再重述傳播鏈與群體免疫門檻的基礎，而是直接走進傳染病防治真正吃功夫的地方：如何把一條看不見的傳播鏈，寫成一組能計算、能預測、能據以決策的方程式，以及這些方程式在哪裡會騙人。

從區隔模型重新理解 R₀：β 與 γ 的真正意義

入門時 R₀ 是被「給定」的數字。進階流行病學則把它拆解到動力學的根。最簡單的 SIR 區隔模型（Susceptible–Infected–Recovered compartmental model）用三條微分方程描述一個封閉族群中三種人的流動：

$$\frac{dS}{dt} = -\beta \frac{SI}{N}, \quad \frac{dI}{dt} = \beta \frac{SI}{N} - \gamma I, \quad \frac{dR}{dt} = \gamma I$$

其中 $\beta$ 是有效接觸率（一個感染者單位時間內造成的有效傳染接觸數），$\gamma$ 是康復率（等於平均傳染期 $D$ 的倒數，$\gamma = 1/D$）。把 $dI/dt$ 在疫情初期（$S \approx N$）的條件下整理，可以得到那個著名的關係：

$$R_0 = \frac{\beta}{\gamma} = \beta \cdot D$$

這條式子比「平均傳給幾個人」深刻得多，因為它告訴我們 R₀ 同時受傳染力（藏在 β 裡，與病毒、口罩、通風、社交距離有關）與傳染期長度（D，與病程、隔離速度有關）牽動。這也解釋了防治的兩條獨立戰線：降低 β（戴口罩、改善通風）與縮短 D（快篩早期發現、及早隔離），兩者都能壓低 R₀，而且效果是相乘的。

把潛伏期納進來，就得到 SEIR 模型：在 S 與 I 之間插入一個「已感染但尚無傳染力」的暴露區隔（Exposed, E）。對於潛伏期明顯的疾病（如麻疹），SEIR 比 SIR 更貼合真實的時間延遲，也讓模型能區分「潛伏期」與「傳染期」這兩段在防治上意義截然不同的時間窗。

看一個例子：同樣 R₀ = 2，為什麼一個慢燒、一個爆發

假設疾病甲與疾病乙的 R₀ 都是 2，但甲的平均傳染期 $D = 10$ 天、乙只有 2 天。由 $R_0 = \beta D$ 反推，甲的 $\beta = 0.2$、乙的 $\beta = 1.0$。雖然「每代傳給 2 人」相同，但乙的「每一代」只花 2 天就完成，甲卻要 10 天。

這意味著在同樣的指數成長階段，乙的病例數翻倍速度比甲快上數倍——它的世代間隔（generation interval）短，傳播鏈一代接一代滾得飛快。這正是公共衛生最害怕的組合：短世代間隔 + R₀ > 1。它讓你幾乎沒有反應時間，等你算出 Rₜ、開完會、下達指令，疫情已經滾過好幾代。理解這一點，你就懂為什麼「及早、果斷」在短世代間隔疾病上不是口號，而是數學上的硬約束。

世代間隔與序列間隔：Rₜ 估計的隱形地基

要在疫情「進行中」估計 Rₜ，我們手上通常只有每天通報的病例數。從這串時間序列反推傳播力，必須依賴一個關鍵分布：世代間隔（generation interval）——「感染者被感染」到「他傳染給下一個人」之間的時間。問題是，感染時刻無法直接觀察，於是實務上常用序列間隔（serial interval）替代：「前一個病例發病」到「後一個病例發病」之間的時間，因為發病時間看得見。

這個替代埋了三個陷阱，正是不同團隊 Rₜ 打架的根源：

• 序列間隔不等於世代間隔。 當存在症狀前傳播（presymptomatic transmission）時，序列間隔甚至可能是負的（後一個病例比傳染他的人更早發病）。用序列間隔當世代間隔，會系統性地偏移 Rₜ 估計。
• 世代間隔分布本身會隨防疫措施改變。 隔離越快，傳染期被截斷得越早，實際的世代間隔就被「壓縮」。用疫情早期估的世代間隔去算後期的 Rₜ，會高估傳播力。
• 通報延遲（reporting delay）與右設限（right truncation）。 最近幾天的病例還沒被完整通報，直接拿來算會讓 Rₜ 看起來「假性下降」，必須做 nowcasting 校正。

主流方法如 Cori 等人提出的瞬時再生數（instantaneous reproduction number）估計，正是把「今天的新發病例」除以「過去病例經世代間隔分布加權的傳染壓力」。換句話說，Rₜ 的估計值，對你假設的世代間隔分布極度敏感。 兩個團隊只要餵進不同的世代間隔，就會吵出不同的結論——這不是誰算錯，而是輸入假設不同。對研究者的啟示是：報告 Rₜ 時，必須一併公開所用的世代間隔與資料校正方式，否則數字無法被檢驗。

把群體免疫門檻算得更誠實：異質性如何讓 1 − 1/R₀ 偏高

入門篇給了那條漂亮的群體免疫門檻公式 $HIT = 1 - 1/R_0$。麻疹 R₀ ≈ 15 代入得 93%。但在真實族群中，這個數字其實是偏保守的高估，原因在於它假設了「均勻混合（homogeneous mixing）」——每個人和每個人接觸機會相等。現實並非如此。

考慮兩種異質性：

• 接觸異質性。 人群中有高接觸者（如服務業、學生）與低接觸者（如居家長者）。高接觸者既容易感染、也容易傳染，因此他們往往較早就被自然感染或優先接種。當這群「傳播樞紐」先退出易感池，剩下的傳播效率會比均勻混合模型預期的更快下降，使得實際達到群體免疫所需的免疫比例低於 $1 - 1/R_0$。
• 易感性異質性。 人群對病原體的天生易感程度不同，高易感者也會優先被感染而退出，產生類似效果。

這帶出一個進階概念：不該用單一 R₀ 套全人口，而要用「下世代矩陣（next-generation matrix）」。 把人群分成若干次群（依年齡、職業、地理），矩陣的每個元素 $k_{ij}$ 代表「次群 j 的一個感染者平均傳染給次群 i 的人數」。R₀ 不再是 β/γ，而是這個矩陣的主特徵值（dominant eigenvalue）。對應的特徵向量則告訴你疫情成長期各次群的感染比例——這解釋了為什麼許多呼吸道疾病在學齡兒童間先爆發：接觸矩陣裡「學童對學童」那一格的值特別高。

動手試試：算一算「年齡分層」會怎麼改變防疫策略

假設某疾病主要由 20–40 歲的高接觸成人驅動傳播，但重症與死亡集中在 65 歲以上長者。疫苗數量有限，你只能先打一半人口。試比較兩種策略：

• 策略 A（保護易感者）：優先打 65 歲以上長者。
• 策略 B（阻斷傳播）：優先打 20–40 歲高接觸成人。

直覺上「先保護最脆弱的人」似乎理所當然，但用下世代矩陣思考會發現：若 B 能把整體 Rₜ 壓到 1 以下，疫情根本起不來，連帶保護了沒打疫苗的長者——這是間接保護（indirect protection）。反之若傳播力極強（即使打了高接觸者仍無法把 Rₜ 壓到 1 以下），則直接保護重症高風險群（策略 A）能最快減少死亡。

真實答案取決於 R₀、疫苗對「阻斷傳播」與「預防重症」兩種效果的高低、以及各年齡層的重症率。這正是 COVID-19 疫苗分配時各國模型團隊激烈辯論的核心——沒有放諸四海皆準的答案，只有「在你的接觸矩陣與目標函數下的最適解」。這個練習的價值，是讓你體會到族群層次的最佳策略，往往違反個體層次的直覺。

疫苗效果的兩種數學模型：leaky 還是 all-or-nothing？

入門篇把疫苗視為「讓人獲得免疫」。進階防治必須面對一個尷尬現實：沒有疫苗是 100% 有效的，而「不完全有效」可以用兩種截然不同的機制建模，對群體免疫門檻的影響大不相同。

• 全有全無模型（all-or-nothing）：疫苗讓比例為 VE（疫苗效力）的人獲得完全免疫，其餘的人完全沒有保護，彷彿沒打。
• 滲漏模型（leaky）：每個接種者面對每一次暴露，被感染的機率都降低 VE。也就是說，沒有人是金鐘罩，但每個人每次暴露的風險都按比例打折。

兩者在低暴露時看起來相似，但在高暴露、長時間的情境下分歧巨大：leaky 疫苗下的接種者只要暴露夠多次，終究有相當機率突破（breakthrough），這部分解釋了高傳播壓力下「突破性感染」為何不代表疫苗失效。把 VE 代入群體免疫門檻，公式要修正為：

$$HIT_{\text{vaccine}} = \frac{1 - 1/R_0}{VE}$$

代麻疹（R₀ ≈ 15、麻疹疫苗 VE ≈ 0.97）：$HIT = 0.933 / 0.97 \approx 0.96$，需要約 96% 接種率。注意：當 $VE < 1 - 1/R_0$ 時分母太小，HIT 會超過 1——意味著光靠這支疫苗、無論打到 100% 都達不到群體免疫，必須搭配其他措施。這個邊界條件，正是評估一支新疫苗「能否單獨終結流行」的硬指標。

此外要嚴格區分效力（efficacy，臨床試驗的理想條件下）與效果（effectiveness，真實世界）：真實世界有保存運送的冷鏈損耗、接種劑次不全、變異株免疫逃脫、以及免疫力隨時間衰退（waning immunity）。waning 的存在讓「一次接種達標」變成「需要持續補強」，也讓 SEIRS（多一個 S，康復者會重新變回易感）這類模型在描述反覆流行的疾病時更貼近真實。

為什麼麻疹會「週期性」回來：臨界社區規模與動力學共振

入門篇說麻疹覆蓋率稍降就復燃，但沒解釋一個更迷人的現象：在疫苗時代之前，許多大城市的麻疹疫情呈現驚人規律的兩年週期。這不是巧合，而是 SEIR 動力學的內在性質。

關鍵在於易感者的補充速度。每一波麻疹大流行會「燒掉」大量易感兒童，使易感池枯竭、疫情消退；之後新生兒陸續出生，易感池慢慢回填，直到累積到足夠引爆下一波——這個「消耗—回填」的循環，疊加在疾病本身的世代間隔上，產生了規律的振盪（damped oscillation）。出生率越高、回填越快，週期越短。

另一個族群層次的概念是臨界社區規模（critical community size, CCS）：一個社區要大到一定人口，麻疹這類「感染後終身免疫」的疾病才能持續存在而不自行絕跡。麻疹的 CCS 估計約在 25–50 萬人。小於此規模的社區，疫情燒完後因為新生易感者補充太慢，病毒會在兩波之間「斷鏈」而本地滅絕，必須靠外部移入才能再起。這個洞見對島嶼、偏鄉與根除策略至關重要——它告訴我們，有些疾病不必把全球都打到群體免疫，只要讓每個社區都低於 CCS，就能逐步擠壓病原的生存空間。 天花的根除、麻疹的區域消除目標，背後都有這層動力學邏輯。

重點回顧

• R₀ 不是病原體常數，而是 $R_0 = \beta D$：拆成有效接觸率 β 與傳染期 D 後，防治就有了降低 β（口罩、通風）與縮短 D（早篩早隔離）兩條相乘的戰線。
• Rₜ 估計極度依賴世代間隔分布：序列間隔不等於世代間隔、分布會隨防疫改變、近期資料有通報延遲——這三點是不同團隊 Rₜ「打架」的真正原因，報告 Rₜ 必須附上假設。
• 群體免疫門檻 $1 - 1/R_0$ 假設均勻混合，是高估：接觸與易感性異質性讓實際門檻偏低，正確做法是用下世代矩陣的主特徵值，分年齡／職業次群分析。
• 疫苗不完全有效有 leaky 與 all-or-nothing 兩種模型，修正後 $HIT = (1-1/R_0)/VE$；當 VE 太低時 HIT 會超過 1，代表單靠疫苗無法達群體免疫。
• 麻疹的週期性與臨界社區規模源自「易感者消耗—回填」的動力學振盪；低於 CCS 的社區會自行斷鏈，這是根除策略的理論基礎。

深入探討（研究所視角）

把上述模型推到當代研究前沿，第一個值得深究的方向是 R₀ 平均數背後的離散度（overdispersion）。入門篇提過超級傳播者，進階的量化工具是以負二項分布（negative binomial）刻畫每個感染者實際傳染人數，並用離散度參數 $k$ 描述異質性——$k$ 越小，傳播越集中於少數事件。SARS 與 COVID-19 的 $k$ 估計都很小（約 0.1–0.5），意味著或許 80% 的傳播來自不到 20% 的感染者。這個事實從根本上改變了控制策略的成本效益：前瞻性接觸者追蹤（forward tracing）找下一波受害者，效率遠不如回溯性追蹤（backward tracing）去找「那個把病傳給我的群聚事件」，因為在高離散度下，找到源頭往往能一次截斷一大叢集。

第二個前沿是 參數估計的不確定性與模型結構誤差的區分。當模型給出「若不介入將有 X 萬人感染」時，這個預測同時承載兩類不確定性：參數不確定性（β、γ、世代間隔的估計區間）與結構不確定性（你假設的是 SIR 還是 SEIR、有沒有 waning、接觸矩陣對不對）。當代做法是用貝氏推論（Bayesian inference）搭配 MCMC 或粒子濾波（particle filter）將觀測資料同化進機制模型，得到 Rₜ 的後驗分布而非單點估計。值得警惕的是：再精緻的統計也無法修正錯誤的模型結構——這正是流行病學建模「全錯但有用（all models are wrong, but some are useful）」的精神所在，使用者必須誠實揭露模型的假設邊界。

第三個交會領域是 動力學模型與基因體流行病學（genomic epidemiology）的結合。傳統 Rₜ 估計靠病例計數，但病原體全基因體定序提供了獨立的傳播訊號：透過 phylodynamics（親緣動力學），研究者能從病毒序列的演化樹直接推估有效族群大小的變化、傳播叢集的結構，甚至跨境傳入的時間點，與流行曲線互為交叉驗證。這把「看不見的傳播鏈」從仰賴問卷回溯，提升到能以分子訊號重建的精度。

最後是一個倫理與方法交織的反思。所有這些模型的輸出——封城門檻、疫苗分配順序、檢疫天數——本質上都在替不同族群分配風險與資源。下世代矩陣告訴我們「先打高接觸年輕人能救最多長者」，但這牽涉代際公平、自主權與信任。對有志於公共衛生研究的學生而言，掌握 SEIR、下世代矩陣與 Rₜ 估計只是入場券；更難也更重要的，是學會在模型的數學確定性與真實世界的價值取捨之間，誠實地劃出那條界線——承認模型能照亮決策，但永遠不能代替決策。