基于院士样本的新冠疫情分析

携风飘零 · 发表于 2023-1-7 18:06:02

1，背景

在下面这个2022年12月23日的回答中：
Gemfield首次基于院士离世的数据进行了新冠病毒—奥密克戎的致病性分析。本文基于这一想法，新增了所有去世院士的数据，并扩展了几个新的维度，使得结果更加详实可靠。这些维度有：

去世人数变化；
平均去世年龄变化；
搜索指数交叉验证。

并最后给出量化后的新冠病毒之奥密克戎的破坏力。
阅读本文前，请注意以下事项：

院士每两年（奇数年）增选一次，增选名额基数为60名（增加不到10%）；
院士主要居住在北京，北京市2022年12月6日起公共场所不再查验核酸；
奥密克戎感染一般会在9天到12天左右发展成重症，意味着2022年12月18日前后是一个重要节点；
2020年1月20日开始宣布戴口罩措施，因此2020年2月1日是一个重要节点；
截至到2023年1月1日，科学院去世666人，平均年龄84.2岁；工程院去世院士293人，平均年龄84.9岁。基于平均年龄相差不大的事实，本文将合并两院院士的数据进行分析。工程院院士去世年龄大一点，是因为早年没有工程院。

2，去世人数变化

从以下方面来分析：

每年去世人数；
每年12月去世人数；
滑动窗口内去世人数；
每个月份上各年去世人数之和。

2.1，每年去世人数

每年死亡人数

可以看到2022年出现了大幅增长。
2.2，每年12月去世人数

每年12月死亡人数

可以看到2022年12月份出现了异乎寻常的增长。

观察1：12月份去世院士数量是过往三年12月份平均值的6.5倍；
猜想1：奥密克戎病毒的快速传播造成了12月份去世数据的飙涨；
猜想2：疫情期间封控、口罩等新的环境变化，使得去世院士数量在2020年、2021年12月份出现下降。

2.3，滑动窗口内去世人数

滑动窗口长度为2个月，步长为两例之间的间隔：

设置长度为2个月的窗口，从57年滑动到现在

图中标出了从57年滑动到现在出现的异常窗口（死亡人数显著突破此前历史记录），从左到右的窗口时间依次为：

62.06.09 ~ 62.08.02
68.10.16 ~ 68.12.05
72.01.01 ~ 72.02.21
92.11.04 ~ 92.12.28
02.11.01 ~ 03.01.01
05.08.08 ~ 05.10.06 ~ 05.11.04
07.12.02 ~ 08.02.02
12.05.31 ~ 12.07.21
14.11.10 ~ 15.01.10
22.11.02 ~ 23.01.01

可以看到，10个异常窗口，有7个在冬季。其它三个窗口中，1个在62年夏天、1个在05年夏天/秋天、1个在12年夏天，不知道有什么特别的原因。此外，2015年之后到2022年12月之间没再出现异常窗口。

观察2：14.11.10 ~ 15.01.10是距离现在最近的一个异常窗口，而22.11.02 ~ 23.01.01异常窗口的去世人数已经达到14.11.10 ~ 15.01.10窗口的2倍，并且随着时间推移，这一数字有可能达到4倍；
猜想3：冬季容易造成去世人数创新高；
猜想4：对身体比较友好的季节分别是春天、秋天、夏天、冬天；
猜想5：2015年春天到2022年12月之前，长达近8年的时间内再无异常窗口出现（尤其在人口老龄化的背景下），猜测在医疗技术、环境、气候、空气等某些方面出现了巨大变化；
猜想6：每个创新高的时间窗口背后，必定和某种事物有因果关系（如气候、疾病或其它灾害），而不是简单的随机事件。

2.4，每个月份上各年去世人数之和

由于2020年1月是特殊节点，因此我分三阶段统计：

最早 ~ 2020.01.24；
2020.02.14 ~ 2022.02.14；
2022.03.01 ~ 2023.01.01。

最早 ~ 2020.01.24

观察3：2020年之前，每年11月到次年1月去世人数略高于每年5月/7月，略高于每年其它月份。

2020.02.14 ~ 2022.02.14

猜想7：2020年2月开始的两年时间，由于防控、口罩等原因，11月到次年1月去世人数明显下降。

受奥密克戎快速传播的影响，12月去世人数显著增加。这一点佐证了【猜想1】。
3，寿命变化

从以下方面来分析：

每年去世平均年龄；
滑动窗口内平均年龄。

3.1，每年去世平均年龄

观察4：院士去世平均年龄从上世纪50年代的60岁，稳步增长到如今的91岁；
观察5：2021年全国人均预期寿命为78.2岁、北京户籍居民人均预期寿命为82岁、今年院士去世平均年龄为91.3岁；
猜想8：导致寿命差距的本质原因在于经济收入、工作环境、居住环境、休假、医疗资源。假使我们发展经济，提升产业链、医疗资源、工作环境、居住环境，使得未来某年全国人均的收入、休假、医疗、工作居住环境水平能达到2022年院士的水平，那就能使得平均每年1千万~2千万人免于提前13年离世。

3.2，滑动窗口内平均年龄

先后去世的12个人组成一个窗口，去掉max和min以平滑曲线，如果窗口周期横跨超过3个月则不予标注（相当于样本密度小，失去了平均意义）。从1957年滑动到现在，如下所示：

Gemfield在图中一共标了4个箭头，从左到右分别是：

2014.11.11 ~2015.01.10，这个点有着非比寻常的含义，创下了平均寿命下降9岁的记录；
2022.03.16 ~ 2022.06.12，该窗口的平均年龄首次突破95岁大关；
2022.10.22 ~ 2022.12.21，最后一个高点；
此刻，窗口平均年龄开始下降，快速下滑3岁。

那么

观察6：奥密克戎快速传播后，窗口平均年龄开始下降；但是这个波动仍在正常范围以内，几乎是历次波动的平均水平（注意：仍需继续观察1个月）；
猜想9：2014.11.11 ~2015.01.10这个窗口在创下平均寿命下降9岁的同时，在2.3章节中，2014.11.11 ~2015.01.10窗口也是创下去世人数历史新高的窗口。这意味着这个期间一定发生了严重传染病流行；
猜想10：疫情封控、口罩、人员流动减少、活动减少等原因，使得2022.03.16 ~ 2022.06.12窗口平均年龄突破95岁大关，是非正常的不可持续的一种情况。

4，搜索指数的交叉验证

我们可以使用百度搜索指数，看看在那段时间，“发烧”关键词的搜索量发生了什么变化。但是为了确保“发烧”一词的搜索数据的准确无误（比如没有篡改、污染之类的），我使用下面三个关键词进行交叉验证：感冒、咳嗽、体温。
4.1，谷歌趋势

先用谷歌趋势先进行一次模拟，以对这种想法进行验证。我使用了fever、thermometer、cough、headache四个关键词进行验证：

美国2014~2022

从图中可以得到如下信息：

每个小波峰基本都是冬季；
两个大的波峰分别是2020年3月、2022年1月；
关键词之间是正相关的。

我们对2020年3月出现的大波峰进行放大，如下图所示：

美国2020年上半年放大

从图中可以得到如下信息：

2020年3月11日开始病例明显增多；
2020年3月16到3月18达到峰值。

从谷歌趋势中我们可以看出，观察一个个的波峰，主要是观察它的三个维度：

波峰的宽度：代表传染病持续的时长；
波峰的高度：代表同时感染的最多人数；
波峰的斜率：代表传染速度。波峰陡峭，代表传染速度快。

4.2，百度指数

Gemfield选取了“发烧”、“咳嗽”、“感冒”、“体温”四个词进行验证和交叉验证（同时也可以防止搜索被污染的情况），时间段为2013年8月到2022年12月5日。如下图所示：

从左到右依次标出了9个异常时间窗口：

时间窗口	发烧	咳嗽	感冒	体温	备注
2013-12-16 2014-02-02	高	高	高	无	类型1
2014-11-24 2015-01-25	高	高	高	无	类型1
2015-12-07 2016-02-07	高	高	高	无	类型1
2016-04-25 2016-05-22	无	中	高	无	类型2
2016-11-21 2017-03-05	低	高	中	无	类型3
2017-12-11 2018-02-11	高	高	高	低	类型4
2018-12-24 2019-02-03	高	高	高	低	类型4
2020-01-13 2020-03-15	高	高	中	高	类型5
2022-11-28 2022-12-05	高	高	中	中	类型6

观察7：搜索指数中，从2014年到2020年，每年冬季都有波峰（佐证了【猜想3】）；2016年5月份的类型2是唯一不在冬季的传染病；
观察8：搜索指数中，2020年1月份、2022年12月份，波峰要陡峭的多（传染性高）；
观察9：搜索指数中，2020~2021、2021~2022 这两个冬季，原本会出现的传染病波峰明显被削平（佐证了【猜想7】）；
观察10：搜索指数中观察到了6种症状的传染病类型；
观察11：搜索指数中的2014.11.24~2015.01.25窗口佐证了【观察2】；
观察12：搜索指数中，2022-11-28 ~ 2022-12-05 窗口已经显示了感染情况的飙升（早于12月6日的调整防控措施），从这个角度看，与其说是放开导致了人群快速感染，不如说是人群快速感染导致防控措施被迫调整，反过来再次加快了人群快速感染。

5，总结

从上文所列数据中观察到了11点：

观察1：12月份去世院士数量是过往三年12月份平均值的6.5倍；
观察2：14.11.10 ~ 15.01.10是距离现在最近的一个异常窗口，而22.11.02 ~ 23.01.01异常窗口的去世人数已经达到14.11.10 ~ 15.01.10窗口的2倍，并且随着时间推移，这一数字有可能达到4倍；
观察3：2020年之前，每年11月到次年1月去世人数略高于每年5月/7月，略高于每年其它月份；
观察4：院士去世平均年龄从上世纪50年代的60岁，稳步增长到如今的91岁；
观察5：2021年全国人均预期寿命为78.2岁、北京户籍居民人均预期寿命为82岁、今年院士去世平均年龄为91.3岁；
观察6：奥密克戎快速传播后，窗口平均年龄开始下降；但是这个波动仍在正常范围以内，几乎是历次波动的平均水平（注意：仍需观察到2023年2月20日）；
观察7：搜索指数中，从2014年到2020年，每年冬季都有波峰（佐证了【猜想3】）；2016年5月份的类型2是唯一不在冬季的传染病；
观察8：搜索指数中，2020年1月份、2022年12月份，波峰要陡峭的多（传染性高）；
观察9：搜索指数中，2020~2021、2021~2022 这两个冬季，原本会出现的传染病波峰明显被削平（佐证了【猜想7】）；
观察10：搜索指数中观察到了6种症状的传染病类型；
观察11：搜索指数中的2014.11.24~2015.01.25窗口佐证了【观察2】；
观察12：搜索指数中，2022-11-28 ~ 2022-12-05 窗口已经显示了感染情况的飙升（早于12月6日的调整防控措施），从这个角度看，与其说是放开导致了人群快速感染，不如说是人群快速感染导致防控措施被迫调整，反过来再次加快了人群快速感染。

并引发了10个猜想：

猜想1：奥密克戎病毒的快速传播造成了12月份去世数据的飙涨；
猜想2：疫情期间封控、口罩等新的环境变化，使得去世院士数量在2020年、2021年12月份出现下降；
猜想3：冬季容易造成去世人数创新高；
猜想4：对身体比较友好的季节分别是春天、秋天、夏天、冬天；
猜想5：2015年春天到2022年12月之前，长达近8年的时间内再无异常窗口出现（尤其在人口老龄化的背景下），猜测在医疗技术、环境、气候、空气等某些方面出现了巨大变化；
猜想6：每个创新高的时间窗口背后，必定和某种事物有因果关系（如气候、疾病或其它灾害），而不是简单的随机事件；
猜想7：2020年2月开始的两年时间，由于防控、口罩等原因，11月到次年1月去世人数明显下降；
猜想8：导致寿命差距的本质原因在于经济收入、工作环境、居住环境、休假、医疗资源。假使我们发展经济，提升产业链、医疗资源、工作环境、居住环境，使得未来某年全国人均的收入、休假、医疗、工作居住环境水平能达到2022年院士的水平，那就能使得平均每年1千万~2千万人免于提前13年离世；
猜想9：2014.11.11 ~2015.01.10这个窗口在创下平均寿命下降9岁的同时，在2.3章节中，2014.11.11 ~2015.01.10窗口也是创下去世人数历史新高的窗口。这意味着这个期间一定发生了严重传染病流行；
猜想10：疫情封控、口罩、人员流动减少、活动减少等原因，使得2022.03.16 ~ 2022.06.12窗口平均年龄突破95岁大关，是非正常的不可持续的一种情况。

和2014.11.11 ~2015.01.10期间的传染病进行比较：

奥密克戎造成的去世人数是其的4倍（需要观察到2023年2月底）；
奥密克戎造成的寿命丢失是其三分之一（需要观察到2023年2月底）。

2023年2月底，Gemfield将对本文数据、观察、猜想进行更新。

聞人遠揚 · 发表于 2023-1-7 18:06:25

钦佩

蒸肉香 · 发表于 2023-1-7 18:06:55

猜想太多，结论少。
也许应该到了3月份结论明了再写比较好？

衣苦生 · 发表于 2023-1-7 18:07:41

这些猜想，最终也只会是猜想

第玖憾倌 · 发表于 2023-1-7 18:08:32

2020和2021其实少死了不少人，当然也付出相应代价，但是少死的人有可能后面会补回来。

小雨绵绵丶 · 发表于 2023-1-7 18:08:53

院士们普遍身体平均强度（底子）比一般人群平均要高一点。这部分和工作条件，医疗条件等无关。因为这个行业从业问题的原因，身体好精力充沛首先是大多数人可以成为院士的一个基本条件。

木子是李 · 发表于 2023-1-7 18:09:36

我看很多猜想很有意义，如果阐述因果关系得出结论很有说服力，并且可以指导我们做好防疫，挽救不少人的生命。

天雨天晴 · 发表于 2023-1-7 18:10:12

写作猜想，实际[大笑][大笑]

忠于信仰 · 发表于 2023-1-7 18:10:54

这才是知乎该有的样子

小小袋鼠 · 发表于 2023-1-7 18:11:51

因为猜想全靠现有数据推理出来的，只要官方不公布真实数据，那么这些都不是实锤。。。

		自动登录	找回密码
密码			立即注册