人群规模是针对不同人群进行研究的基础，在估计一些社会边缘人群的规模时，尤其具有挑战性^[1]。网络规模迭加(network scale-up，NSU)法基于社会网络理论，通过调查普通人群来估计目标人群数量，由于普通人群抽样框架通常易于获得，调查实施难度较低，自20世纪90年代起，NSU法便被用于估计地震死亡人数^[2]、被强暴女性^[3]、癌症患者^[4-5]、自杀死亡与自杀未遂等人群^[6]的规模，并于2010年被WHO和联合国艾滋病规划署引入“艾滋病高危人群基数估计方法指南”^[7]。我国学者曾称其为网络扩大法、网络规模叠加法^[8]，并于2012年应用该方法估计重庆市MSM规模^[9]。由于NSU法应用于人群规模估计时存在的偏倚未得到很好的解决，该方法目前还处于不断试验完善阶段^[10]。本文对该方法基本原理、应用条件及其改进、与其他技术的结合等方面进行综述，旨在为该方法的进一步应用提供参考。

一、传统的NSU法

1. 基本原理：NSU法将普通人群个体的人际网络构成视为整个社会网络构成的一个缩影，即普通人群个体受访者人际网络中目标人群占比可以反映该受访者所在的社会网络中目标人群占比。公式为：m/c=e/t，其中m为受访者认识的目标人群的人数，c为受访者社交网络规模，e为目标人群规模，t为总人口数。

2. 方法：抽取一个代表性好，能推论到总体的受访者样本，获得受访者社会网络中属于某些特定已知规模的人群(已知人群)的数量。利用已知人群数量估计受试者的社会网络规模，其中已知人群数据一般来源于官方统计结果。再由受访者社会网络中目标人群数量来估计目标人群总体规模。公式：，其中，c_i为第i个受访者的社交网络规模，m_ij为第i个受访者报告的其社交网络中第j个已知人群的数量，e_j为第j个已知人群的数量，n为受访者数量，t为总人口数，m_i为第i个受访者报告的其社交网络中属于目标人群的数量^[11]。

3. 应用条件：①人群中的所有成员都有相同的机会认识未知规模群体中的成员^[10]；②总体中所有人对其网络中成员的信息都有很好的了解^[12]；③受访者能够快速准确地回忆并回答自己的熟人数量^{[10, 12]}。

4. 优点：①不涉及个人隐私，更易获得可靠的数据；②使用随机样本，可以跨时间和地点进行标准化，结果可比^[13]；③可以同时对不同的群体进行估计；④可以通过已知人群进行自我验证；⑤适用于国家、地区或城市层面进行估计等^[14]。

5. 偏倚：①选择偏倚：由于抽样产生的研究对象和总体之间在某些特征上存在差异造成的系统误差，在NSU法中常见的选择偏倚为障碍偏倚，即由于社会、地理等因素，导致目标人群与受访者的社交联系不均衡^[15]；②信息偏倚：在收集整理信息过程中出现的系统误差，在NSU法中常见的信息偏倚包括传播偏倚和回忆偏倚。传播偏倚指由于受访者不能充分了解其社交网络成员的所有信息造成的系统误差；回忆偏倚指受访者不能准确回忆其社交网络成员中目标人群的数量造成的系统误差^[16]。

二、NSU法的改进

1. 建立有代表性的已知人群集：社交网络规模值(c值)是NSU法应用的关键^[17]，在估计人群规模时，常使用已知人群法进行计算^[18-19]，在纳入已知人群时既要考虑数量也要考虑质量，有研究者推荐至少纳入20个已知人群^[3]。用有代表性的已知人群数据集去估计未知人群的规模才能提高结果的准确性，常用的筛选方法包括反向预测法和回归模型法^[20-21]。如在伊朗进行的一项估计人口统计变量与社会网络规模关系的研究中^[19]，先从已知人群中暂剔除1个人群，然后利用剩余的已知人群反向估计被剔除的人群规模，保留反向估计数值和原始数值的比值在0.5~2.0的人群，剔除其他人群，剔除后的c值从355减少到308，并通过线性回归分析已知规模的群体和人口学信息之间的关系，发现反向预测法得到了更准确的c值。王俊等^[22]在以我国上海市某区为例探索c值的校正方法时，使用了回归模型法，建立受访者报告的已知人群人数均值和已知人群占总人群比例之间的回归模型，20个已知人群中保留回归模型中残差值在-2~2的14个人群，c值由196校正为249，回归模型R²显示校正后模型拟合程度更好，将两种方法结合对已知人群进行筛选也更好地校正了c值。

2. 使用关联强度不同的社交联系定义：社交联系的定义决定了受访者社交网络规模的范围，目前常用的“社交联系”定义指彼此通过眼睛或名字认出对方，可以联系，并且在过去两年内通过面对面、电话或邮件有过联系。如果用弱关联定义社交联系，会有更多人成为受访者社交网络成员，c值变大，结果受非抽样误差影响较大；用强关联定义社交联系，虽然受访者社交网络成员变少，但是信息更加准确，结果受抽样误差影响大。Feehan等^[23]在原有的社交联系定义外，又加入了“饭友定义”(受访者与目标人群中的个体近两年内一起吃过饭被认定为有社交联系)，两种定义得到的c值分别为108和251，反向计算已知人群规模后，对结果的内部一致性进行检验，发现在大多数情况下两种定义的估计值都接近真实值，但饭友定义估计值的均方误差低于传统定义的均方误差，有理由认为饭友定义优于传统定义，最后研究者利用线性混合模型合并两种定义结果，使目标人群规模估计值更加稳健。其他社交联系的定义有待研究人员的探索。

3. 收集目标人群样本信息获得校正系数：传统NSU法仅通过普通人群信息获得结果，对其参数的校正只能在一定程度上减小偏倚，近年来，广义化的NSU法得到了广泛的应用，该方法通过收集目标人群样本获得校正系数，进而对结果进行校正^[24]。

广义化的NSU法指研究者同时收集普通人群、目标人群样本信息，以此获得校正系数对结果进行校正的方法^[25-26]。该方法由Salganik等^[27]在2011年首次提出，并应用于巴西库里蒂巴吸毒人群规模的估计。目前常用的校正系数有规模比、信息传递率和认可度^{[12, 28-34]}。规模比是目标人群和普通人群社交网络规模成员中已知人群数量的比值，反映了已知人群在普通人群和目标人群的人际网络中是否均匀分布，可以估计障碍偏倚的大小。信息传递率通过目标人群人际网络中属于已知人群且知晓其相关信息的成员所占比例，反映了目标人群和已知人群之间信息传递效率，可以估计传播偏倚的大小。认可度校正常用于社会边缘化人群的规模估计，通过已知人群对目标人群的认可程度对结果进行加权校正。如马传智等^[28]使用传统NSU法估计我国潍坊市某区MSM规模为287人，经认可度校正后为1 036人，经规模比和传递率校正后最终确定估计值为4 054人，占该地区18~60周岁男性居民的2.18%，处于国家平均水平2%~4%的范围内，校正后估计结果与实际情况更加接近。

有研究显示在估计有年龄或性别特征人群的规模时，对校正系数进行分层是很有必要的^{[12, 33, 35]}。Zamanian等^[31]通过收集流产者相关信息获得信息传递率以估计流产率时，考虑流产只发生于育龄期妇女，故分性别计算，结果发现总体流产的信息传递率为0.08，而女性亲属的信息传递率为0.11，是男性亲属(0.05)的2倍以上。Maghsoudi等^[30]也指出同伴间的信息传递率明显高于非同伴间的信息传递率。有学者在估计饮酒者和吸毒人群规模时，将校正系数按年龄和性别分层^{[18, 32]}。

近年来，有学者在校正系数上做了不同尝试，2016年Feehan和Salganik^[36]将传统NSU法结果与一个无偏的估计结果进行数学换算，得到校正系数的表达式进行拆分后，分别概括了被估计人群、被调查者和整个人群之间的差异以及被调查者报告的准确性，有效地校正了3种偏倚。广义化的NSU法获取校正因子时并非一定要接触目标人群，例如Teo等^[37]借助贝叶斯层次模型模拟了目标人群的社交网络，利用模型获得广义化NSU法的校正系数。目前尚缺乏这些方法的应用，结果的准确性有待进一步研究。

广义化的NSU法引入校正系数后，社会边缘人群的规模估计值变化较大，且多个研究显示，使用该方法获得的估计值大于其他方法^{[24, 27]}，在更多比较性研究的前提下，这种方法才能不断完善，进行推广^[38]。

三、新的调查技术为NSU法的应用带来了新思路

1. NSU法和随机应答技术(randomized response technique，RRT)的结合，提高对敏感信息的应答：RRT被广泛用于敏感问题的研究中^[39]，由于研究人员不知道被调查者回答的问题条目，受访者隐私得以保护，敏感问题回答的真实性得以提高，问题平均应答率可以通过公式计算^[40]。在使用NSU法时，来自普通人群的受访者被要求报告其个人社交网络中目标人群的数量，考虑到受访者隐瞒某些敏感信息，此时将NSU法和RRT相结合是校正信息偏倚的有效手段。Jing等^[41]在应用NSU法估计太原市城区暗娼规模时，发现应答率由未使用RRT时的11%，提高到使用后的96.4%，研究者获取了更多更可靠的信息。

2. NSU法和同伴推动抽样(respondent-driven sampling method，RDS)的结合，提高目标人群样本代表性：RDS法通常用于研究由于污名化等原因难以接触到的人群，其调查对象来源于样本成员的社会网络，即样本推论社会网络然后估计总体^[42]。研究者招募一定数量“种子”，通过“种子”招募同伴参与调查，并提供双重激励，招募过程中不断评价招募对象的同质性，直到样本达到平衡，提高了样本的代表性，是校正选择偏倚的有效手段^[43]。RDS法通过数学模型可以实现对隐藏人群规模的估计，但目前常作为一种抽样方法和其他人群规模估计方法结合应用^[44-46]。RDS法与NSU法结合时，往往根据RDS法获得的样本信息计算广义化NSU法中的校正系数，首先确定目标人群的“种子”，通过“种子”从目标总体中招募一个样本，利用RDS法获取样本代表性高的优点，得到更有代表性的目标人群样本，使校正系数更准确。

3. NSU法与基于场所的抽样结合，提高抽样效率：基于场所的抽样利用了隐藏人群成员聚集性的特点，在特定的地点进行抽样^[47]，有利于减小选择偏倚，提高抽样效率。与NSU法结合时，在目标人群经常出入的场所进行调查，了解受访者社交网络规模中目标人群的数量，并根据受访者到访该场所的频率对结果进行加权调整，以获得目标人群规模的估计值，尤其适用于估计规模小、隐匿性强的目标人群规模。Verdery等^[24]在一个综合模拟评估框架中测试了基于场所的NSU法，证明该方法比传统的NSU法得到了更准确的结果。

四、小结

NSU法作为一种新兴的人群规模估计方法很好地弥补了传统方法，如普查法^[48]、乘数法^[49]和捕获再捕获法^[50-51]等在估计社会边缘人群规模时的不足，但仍难以避免受到偏倚的影响，NSU法的改进以及与新的调查技术的结合为该方法的应用提供了新的可能性。筛选已知人群或探索社交联系的定义，都使研究人员在不增加额外成本的情况下获得更准确的估计；NSU法与RRT的结合是研究中存在敏感问题时校正偏倚的有效手段；NSU法的广义化通过目标人群样本信息针对性地校正了偏倚，虽然需要接触目标人群，但与多种抽样方法的结合可以解决难以获得目标人群等问题。

研究人员可以从研究目的、数据质量、目标人群的特点等多方面考虑，选择合适的改进措施，多样化NSU法改进方法的提出与应用让该方法趋于成熟，各国各领域的研究人员集思广益、交流进步，NSU法将会在各个领域得到更广泛的运用。

利益冲突  所有作者声明无利益冲突