Besmetting, maatregelen en Google-mobiliteit

Wat is het effect van de diverse corona-maatregelen op de mobiliteit van de Nederlanders? En wat is het effect van veranderende mobiliteitstrends op de corona-besmettingen? Google beschikt over de locatiedata van alle mobiele telefoons met het Google besturingssysteem, en dat zijn er heel veel. Die locatie wordt voortdurend bijgehouden. Google (maps) kent de ligging van woonwijken, werkplekken, OV-stations, parken, winkelcentra, recreatieterreinen enzovoorts. Die gegevens koppelen ze dan aan de locatie van een mobieltje op een bepaald moment, en een oneindige stroom van data ontstaat. Dat kan beangstigend zijn maar is soms ook nuttig, zoals in dit geval.

Google onderscheidt onder andere de locatiecategorieën Wonen, Werken, OV-stations (knooppunten in het openbaar vervoer, zoals metro-, bus- en treinstations), Detailhandel en Recreatie (restaurants, cafés, winkelcentra, themaparken, musea, bibliotheken en bioscopen) en Supermarkt en Apotheek (supermarkten, warenmarkten, gespecialiseerde levensmiddelenwinkels, drogisterijen en apotheken). Het leuke is dat Google al deze data over vrijwel alle landen beschikbaar stelt op het internet.

 

Fig. 1   Data: NICE

Ik wil deze data combineren met de data van corona, het liefst met de besmettingsdata. Helaas zijn besmettingsdata niet beschikbaar , maar wel data van ziekenhuisopnames. Figuur 1 toont de aantallen ziekenhuisopnames per dag zoals beschikbaar zijn via NICE. RIVM/GGD leveren ook data van ziekenhuisopnames. Het verschil tussen beide is te zien in dit recente bericht.

De grafieken verschillen nogal van elkaar: RIVM/GGD tonen hogere opnamecijfers tijdens de piek in het voorjaar, en lagere in het najaar. Waarschijnlijk zijn de voorjaarscijfers van RIVM/GGD betrouwbaarder dan die van NICE, en is dat in het najaar andersom. Ik kies vanwege dat laatste voor het gebruik van de NICE data.

Mensen die opgenomen worden met corona-indicatie hebben al enige tijd het virus onder de ledenen. De incubatieperiode ( tijd tussen besmetting en ziek worden) ligt tussen 1 en 14 dagen, waarbij de gemiddelde duur 5 a 6 dagen is (WHO). Voor dit onderzoekje ga ik uit van een gemiddelde incubatietijd tussen besmetting en ziekenhuisopname van 6 dagen. De grafiek komt er dan zo uit te zien:

Fig. 2

De door het WHO geschatte incubatietijd van 6 dagen kan wellicht nog wat verfijnder maar is voor dit doel wel bruikbaar, mede ook omdat ik de dagelijkse Googledata teruggebracht heb tot 7-daags voortschrijdend gemiddelden. Bedenk dat als ik het hier over ‘besmettingen’ heb, dat dat de besmettingen zijn die gemiddeld 6 dagen later tot ziekenhuisopname hebben geleid. Besmettingen die niet hebben geleid tot ziekenhuisopname zijn in de data afwezig.

Verder had ik nodig de gegevens van de diverse corona-maatregelen:

12 maart 2020                   Gedeeltelijke lockdown: oproep thuiswerken, bijeenkomsten met > 100 mensen verboden, hogescholen en universiteiten dicht, et cetera.

15 maart 2020                   Scholen VO en kinderdagverblijven dicht, cafés, restaurants en sportscholen dicht, et cetera.

23 maart 2020                   Aanvullende maatregelen: verdere verboden op casino’s e.d., evenementen, contactberoepen, sommige winkels en markten , et cetera.

31 maart 2020                   Verlenging maatregen tot 28 april

28 april 2020                      Einde maatregelen

14 oktober 2020               Cafés, restaurants dicht, sporten zonder publiek. Thuis maximaal 3 gasten per dag, groepen van maximaal 4 personen, et cetera.

15/16 december 2020   Meeste winkels dicht, alle typen scholen en KDV dicht, oproep thuiswerken, sportwedstrijden verboden et cetera. Maximaal 2 personen per dag thuis ontvangen , et cetera.

De maatregelen van 15 en 16 december heb ik niet meegenomen vanwege gebrek aan data. De diverse data zijn in de volgende grafieken aangegeven met gekleurde verticale lijnen.

Door de grafiek van de besmettingsdata op basis van de ziekenhuisopnames te combineren met diverse grafieken van Google’s mobiliteitsdata hoop ik meer inzicht te krijgen in de relaties tussen besmetting, overheidsmaatregelen en mobiliteit. Voor de data van Google geldt dat de veranderingen gedurende een dag worden vergeleken met een basislijnwaarde voor die dag van de week. De basislijn is de mediaan voor de betreffende dag van de week gedurende de vijfweekse periode van 3 januari tot 6 februari 2020. De afwijking ten opzichte van de basislijn wordt uitgedrukt in een percentage.

Fig. 3

In figuur 3 worden de mobiliteitstrends voor woonlocaties vergeleken met de besmettingsdata en de overheidsmaatregelen. Om een goede vergelijking mogelijk te maken met werk- en school gerelateerde mobiliteitscijfers heb ik alleen de werkdagen bekeken. Te zien is dat de maatregelen van 12 maart (thuis werken, hoger onderwijs op afstand) onmiddellijk een sterke reactie tot gevolg hebben in het thuis blijven. Binnen enkele dagen stijgen de thuisblijvers met bijna 20%.

Vanaf medio april zakken de woonlocatiedata gestaag tot ongeveer +5% medio september. Vanaf begin september neemt het aantal besmettingen per dag weer toe en twee weken later neemt het aantal thuisblijvers weer flink toe tot iets boven 10%. Die stijging van de thuisblijvers lijkt een autonome reactie op het toegenomen aantal besmette personen. De maatregelen van 14 oktober lijken nauwelijks invloed te hebben op het aantal besmette personen dat naderhand in het ziekenhuis belandt. Vanaf medio oktober blijft het percentage thuisblijvers min of meer constant.

Fig. 4

Figuur 4 koppelt de besmettingsdata aan de mobiliteitstrends voor OV-stations en werklocaties op werkdagen. Deze grafiek is logischerwijze deels gespiegeld aan de thuisblijfgrafiek maar vertoont toch wat extra bijzonderheden. Zowel het bezoek aan OV-stations (vooral werk- en onderwijsverkeer) als werklocaties daalt medio maart binnen enkele dagen met bijna 60%, zonder twijfel als gevolg van ‘sluiting’ van hoger onderwijs en de oproep thuis te werken.

Vanaf begin april stijgen de percentages OV-stations en werklocaties weer gestaag, waarbij de zomervakantiedip voor de werklocaties duidelijk aanwezig is. Opvallend is dat de stijging van beide trends al begin april van start gaat, terwijl tegelijk de daling van het aantal dagelijkse besmettingen verder afneemt tot begin juni. Er is dan geen positieve correlatie tussen de hoeveelheid mensen die geteld worden op OV-stations en werklocaties aan de ene kant en het aantal besmettingen aan de andere kant.

Vanaf begin september beginnen de besmettingen langzaam wat toe te nemen. Opvallend is dat dat heel snel leidt tot een afname van het OV gebruik (vanaf ongeveer 10 september) en vanaf eind september tot afname van het aantal mensen op werklocatie. Omdat pas op 14 oktober nieuwe maatregelen van kracht worden durf ik te stellen dat die geconstateerde afname in beide mobiliteitstrends autonome ontwikkelingen zijn.

De aangekondigde maatregelen van 14 oktober lijken geen effect te hebben op OV-stations en werklocaties, in tegendeel: vanaf 15 oktober daalt de lijn van OV-stations niet meer en blijft min of meer gelijk. De lijn van de werklocaties maakt zelfs vanaf 20 oktober een scherpe knik opwaarts tot eind oktober en blijft daarna licht stijgen. De oproep op 14 oktober om vooral thuis te werken lijkt geen effect te hebben. Ook opvallend is dat de stijging van de mobiliteitstrend werklocaties samenvalt met de daling van het aantal besmettingen per dag.

Fig. 5

Figuur 5 toont de data van besmettingen, overheidsmaatregelen en de mobiliteitstrends van detailhandel/recreatie en supermarkt/drogist/apotheek. Terwijl de supermarktlijn een hamsterpiek vertoont rond 12 maart (eerste maatregelen) is de daling van het bezoek aan detailhandels en recreatielocaties al vrijwillig, vóór overheidsmaatregelen, begonnen. De sterke daling van beide trends stopt eind maart en wordt omgezet in een stijgende trend. Tegelijkertijd blijven de besmettingscijfers dalen. Dat laat zien dat er geen positieve correlatie is tussen het aantal mensen dat gebruik maakt van supermarkten, detailhandel, recreatie en drogisterij/apotheek en het aantal ziekenhuisopnames.

De supermarktlijn bereikt medio mei weer het oude (0) niveau en neemt vanaf eind juni tot 12 december heel langzaam wat af. Tegelijk laten de besmettingscijfers vanaf begin september een relatief sterke stijging zien en vanaf ongeveer 20 oktober een afname. Het is niet duidelijk of die afname (mede) het gevolg is van het advies van 14 oktober om in winkels een mondkapje te dragen. In de wetenschap wordt het dragen van een dergelijk mondkapje slecht weinig werkzaamheid toegedicht, en dat werd bevestigd door het RIVM. Ik neem dus aan dat het min of meer samenvallen van het verzoek om een mondkapje te dragen en de daling – een week later- van de besmettingscijfers op toeval berust.

De lijn van detailhandel/recreatie  stijgt tot medio juli. De zomervakanties spelen daar zonder twijfel een rol bij.  Vanaf medio september daalt deze lijn terwijl de besmettingsgrafiek oploopt. Dat toont een afwezige positieve correlatie tussen besmetting en mobiliteit die te maken heeft met detailhandel en recreatie. Opvallend is dat vanaf de nieuwe overheidsmaatregelen op 14 oktober, net als we zagen bij OV-stations en werklocaties, de trend van de mobiliteitsgegevens m.b.t. detailhandel en recreatie niet verder daalt maar tot medio december stabiliseert rond -30%.

Conclusies:

De mobiliteitstrends van de 5 gebruikte Google-categorieën lijken weinig correlatie te vertonen met de besmettingscijfers. Wel reageren de mobiliteitstrends snel op overheidsmaatregelen, maar ze vertonen dan ook snel weer een eigen autonome ‘versoepeling’.  Overigens is er ook een autonome ‘strengere’ trend waarneembaar als in september de besmettingen weer toenemen. De afname van Detailhandel/recreatie, van OV-gebruik en van thuis werken ontstaat spontaan, een maand vóórdat de overheid met maatregelen komt.

Het is uit de grafieken niet af te leiden of en hoeveel invloed de overheidsmaatregelen hebben gehad op het verloop van het aantal besmettingen met ziekenhuisopname tot gevolg. Het verloop in Nederland lijkt sterk op het verloop van corona in veel andere landen in NW Europa, elk met hun eigen  maatregelen en tijdstippen van invoering.  De ‘zomerstop’ van het virus lijkt sterk op de ontwikkeling in het jaar van influenzabesmettingen, ’s zomers lijkt het virus vrijwel verdwenen.

Voor de liefhebber: de Google data zij ook beschikbaar voor veel andere landen en regio’s. Zo ben ik benieuwd naar de mobiliteit in Zweden, en de Googledata op provincieniveau kan wellicht opmerkelijke verschillen of overeenkomsten laten zien tussen Nederlandse provincies.