阿片干预的因果评估、敏感性与精准投放

摘要：本文针对美赛 2019-C 第三层问题——干预效果评估与资源优化。以第一层拟合的阶跃系数 $c=-8.790$ 为支点，用反事实对照（令 $c=0$ 即"从未干预"）量化一项综合干预的因果效应：实施后月度死亡率由反事实的 41.032/10 万 降至实际 34.147/10 万，相对降幅 16.78%；干预前趋势 +0.165/月 逆转为 −0.568/月。以州级人口 100 万 折算，干预期 30 个月累计避免死亡约 2066 人。敏感性分析揭示两条杠杆：干预强度由基准 8.5 提至 12，可避免死亡升至 2820（+36%）；启动时点由第 54 月提前至第 42 月，避免死亡升至 3120（+51%）——早启动、强干预收益巨大。结合第二层结论，最高危 25% 人群贡献 38.3% 的复发负担，应将有限资源优先投向该层（图1—图8）。

关键词：反事实；双重差分；敏感性；避免死亡数；高危优先

一、问题重述

前两问分别给出了"人群时间序列"与"个体风险"两套模型。第三层要求把二者贯通，回答决策者最关心的问题：这项干预到底救了多少人？怎样才能救更多人？ 这本质是因果推断：在观察数据上，干预与同期其他变化纠缠，直接用"前后均值差"会混入时间趋势。本文用第一层估计的干预阶跃作为"处理效应"估计量，构造干净的反事实（无干预的平行演化），以"实际 vs 反事实之差"度量净效应，再做强度与时点的双维敏感性，并把个体风险分层转化为投放优先级。

政策映射：州公共卫生署要在预算约束下决定"明年扩不扩戒毒床位、何时扩"。本文给出的"强度—时点"敏感性曲线，正是这类"值不值、早不早"决策的量化依据。

这类决策的本质是"在不确定中分配稀缺"：戒毒床位有建设周期、随访人力有编制上限，盲目全覆盖并不现实。本文无意给出"标准答案"，而是提供一条可辩论的证据链——把"救了多少人""早启动与多投钱孰优"翻译成可比较的数字，供决策者在公开听证中质证与取舍。

二、模型假设

第一层估计的 $c$ 是干预的平均处理效应（ATT）估计，且一旦启动即持续；
反事实 = 保持趋势与季节、仅令 $c=0$ 的序列，代表"若无此项干预"的演化；
率换算为人数：避免死亡数 $= \sum_t (\text{反事实}_t-\text{实际}_t)/10^5 \times P$ ， $P=10^6$ ；
敏感性中"强度"以满额效应 $c$ 的取值 5/8.5/12 标定，"时点"以 $t_0\in\{42,54,66\}$ 标定；
个体风险分位沿用第二层的真实风险评分，负担占比为该层复发数占总复发数比例。

三、符号说明

符号	含义
$\bar y_{\text{cf}}$	反事实（无干预）干预期均值
$\bar y_{\text{post}}$	实际干预期均值
$\Delta\%$	相对降幅 $(\bar y_{\text{cf}}-\bar y_{\text{post}})/\bar y_{\text{cf}}$
$A$	累计避免死亡数
$\text{eff},t_0$	干预强度 / 启动时点（敏感性参数）

四、模型的建立

4.1 反事实对照

由第一层预测式，定义

$\hat y_{\text{cf}}(t)=\hat a+\hat b\,t+\hat\gamma_{t\bmod12},\qquad \hat y(t)=\hat y_{\text{cf}}(t)+\hat c\cdot\mathrm{ramp}(t)$

二者之差 $\hat c\cdot\mathrm{ramp}(t)$ 即干预带来的月度"率缺口"。这等价于**单组中断时间序列（ITS）**的因果识别：用干预前的趋势外推作对照，扣除后得净效应（图1）。ITS 思路的说服力来自"用自身前期做对照"，避免了寻找同期未干预对照组的困难；其前提假设是"若无干预，前期趋势会延续"，本文第一层已证实趋势外推在留出窗口严重失效，反证了干预确实打断了趋势，使反事实设定成立。

4.2 避免死亡数折算

对干预期 $t\in[t_0,T)$ ，累计避免

$A=\sum_{t}\frac{\hat y_{\text{cf}}(t)-\hat y(t)}{10^5}\,P =\sum_t\frac{-\hat c\cdot\mathrm{ramp}(t)}{10^5}\,P$

图1 实际死亡率 vs 反事实（假设从未干预）

图2 月度死亡率缺口（反事实−实际，每 10 万人）

4.3 双重敏感性

固定其他，分别扫描强度 $\text{eff}$ 与启动时点 $t_0$ ，观察 $A$ 的弹性，识别"边际收益最大"的杠杆点（图3、图4、图6）。敏感性并非灵敏度分析的同义反复：它回答的是"如果我们的 eff、 $t_0$ 估计有偏，结论会不会翻盘"，从而把"点估计"升级为"决策稳健性证据"。

五、模型求解与结果

因果效应：反事实干预期均值 41.032/10 万，实际 34.147/10 万，相对降幅 16.78%；趋势由干预前 +0.165/月 转为干预后 −0.568/月——干预不仅止升，且逆转下行（图1）。
避免死亡数：30 个月累计 2065.5 人（约 2066 人），即每月平均约 69 人因干预免于过量死亡。
强度敏感性（图3）：eff=5 → 1175 人，eff=8.5（基准）→ 1998 人，eff=12 → 2820 人；强度每增一档，收益近似线性放大。
时点敏感性（图4）：t0=42 → 3120 人，t0=54（基准）→ 2066 人，t0=66 → 1011 人；提前 12 个月启动可多救约 1054 人，滞后则损失近半。
高危集中（图5）：最高危 25% 人群贡献 38.3% 的复发负担，是投放的"高杠杆"目标。

图3 敏感性：干预强度→累计避免死亡数

图4 敏感性：启动时点→累计避免死亡数

六、结果分析与灵敏度

干预确有效且反转趋势：相对降幅 16.78%、斜率由正转负，说明该综合干预（床位+纳洛酮+随访）打断了"处方→耐受→过量"的上升链，而非仅延缓。
早启动是最大杠杆：时点从 54 提前到 42，避免死亡 +51%；因效应随暴露时长累积，拖延直接损失近半收益——对决策者，"尽快启动"比"多投钱"更划算（图6 龙卷风右摆最大）。
强度有线性红利：eff 8.5→12 增 41% 投入对应 +36% 产出，近似等弹性，说明当前强度未达饱和，仍有扩面空间。
避免死亡数口径透明：2066 人建立在 P=100 万的州级假设上，若用于他州按人口线性缩放即可，方法可迁移。
精准投放提升性价比：结合第二层，把新增床位/随访优先给最高危 25%（复发率 86.4%），单位资源救回的事件数最高——把"人群层效应"与"个体层风险"打通。
不确定性诚实披露：本评估用 ITS 而非随机对照，可能残留同期混杂；龙卷风仅覆盖 eff/ $t_0$ 两参数，未含协变量漂移，属保守下限。
与个体层联动的投放效率：第三问的"避免死亡数"是人群总量，第二问的"高危 25% 占 38.3% 负担"是结构。二者结合可得"若只覆盖高危层，能用更少资源撬动更大比例的事件避免"——总量效应与结构效应相乘，才是精准公共卫生的全部含义。
结论的稳健方向：在全部扫描情景中，避免死亡数始终为正且随强度/时点单调，说明"干预有效"不依赖单一参数取值；龙卷风虽有幅度差异但符号方向一致，故政策建议（早启动、强干预、投向高危）稳健可信。

图5 复发负担集中于高危前 25% 人群

图6 参数敏感性龙卷风（对避免死亡数的 % 影响）

七、模型评价

优点：(1) 以第一层估计量为支点，反事实构造干净、可解释；(2) 强度/时点双维敏感性直接服务决策；(3) 率→人数的折算使"救了多少人"直观可比；(4) 与个体风险分层衔接，形成"人群—个体"闭环。反事实折算出的"避免死亡数"以人数为单位，天然比"率下降百分之几"更易被公众与立法者理解，利于政策传播。

局限：(1) ITS 设计对同期其他政策敏感，未做协变量调整；(2) 假设干预效应恒定、无衰减；(3) 敏感性仅两参数，未做全因素蒙特卡洛；(4) P=100 万为常数，未建模人口结构差异。

八、结论

该项干预使月度死亡率相对下降 16.78%、并逆转了上升趋势，30 个月在百万人口中避免约 2066 例死亡。决策优先级清晰：早启动（提前一年可多救约 1054 人）的边际收益大于加强度；同时应将新增资源精准投向最高危 25% 人群（占 38.3% 负担）。把时间序列的"效应估计"、分类的"风险排序"与干预的"因果核算"三链合一，构成一套从监测到投放的完整公共卫生决策闭环。需要强调的是，本文所有数字均来自可复现的合成生成器（种子 2019），方法而非具体数值才是可迁移资产：换一州、换一年，重跑同一套代码即得该地的专属证据链。

图7 累计避免死亡数随时间（不同干预强度）

图8 本研究技术路线（Q3 干预评估）

九、管理建议（落地指引）

把效应评估转化为预算决策，需配套五条可执行指引。第一，优先争取"早启动"而非盲目"加强度"：敏感性表明提前一年部署的边际救人数量，远高于同等成本下单纯提高干预强度，因此资源应当向时间维度倾斜。第二，将新增预算的至少一半定向投入最高危的百分之二十五人群，因为他们承载着约四成的死亡负担，单位投入的减损效率最高。第三，建立季度评估节奏：每三个月用最新实测与反事实对照重新核算累计避免死亡数，向立法机构汇报投入产出，巩固持续 funding。第四，对干预效应做保守假设并公开 uncertainty：在汇报时同步给出乐观与悲观情景区间，避免把点估计当作确定承诺，维护公共卫生公信。第五，把本研究的合成代码作为各州可复用的"评估模板"，换入本地数据即可生成本地的专属证据链，实现方法资产化。这五条建议的核心，是让有限的公共卫生经费花在边际收益最大的时间和人群上。

附录：核心 Python 实现

# 附录：核心 Python 实现（独立可运行，复现本文权威数字）
import os, sys
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_mcm2019c as G

D = G.gen_mcm2019c()
iv = D["interv"]
print("干预前斜率=%.4f 干预后斜率=%.4f" % (iv["pre_slope"], iv["post_slope"]))
print("反事实均值=%.3f 实际均值=%.3f" % (iv["cf_mean"], iv["post_mean"]))
print("相对降幅 = %.3f%%" % iv["rel_reduction_pct"])
print("累计避免死亡数 = %.1f 人（人口=%d）" % (iv["averted_cases"], D["P"]))
print("强度敏感性:", {k: round(v, 1) for k, v in iv["sens_intensity"].items()})
print("时点敏感性:", {k: round(v, 1) for k, v in iv["sens_timing"].items()})
print("高危前25%%负担占比 = %.2f%%" % iv["topq_burden_share"])