这两年度，众人瞅着疫情数据，看得脑袋生疼，每日增加多少，何时抵达高峰，这些数字后侧究竟存有啥规律。实际上，存在一个经典数学模型，能够协助我们将疫情数据解读清楚。
三个字母看懂传播规律
有这样一种分法，它把人群划分成了三类，一类是还没有得病的处于易感染状态的人，一类是正在患病的处于被感染状态的人，一类是已经康复了或者已经死亡的处于被移出状态的人 ，这种分法极为简单，因为很明显，一个人要么是没有被感染，要么就是正在被感染，要么就是已经结束了被感染的状态。
模型借助三个字母S、I、R来代表这三类人的数量，而总人口保持不变，感染者每日会传染给数量确定的易感者，与此同时，每天存在一定比例的感染者康复或者死亡，这两个数字对疫情走势起到了决定性作用。
在2020年年初，当武汉出现疫情之际，研究人员运用这个模型计算得出了关键参数，举例来说，感染率β所指的是每个感染者平均每日传染他人的数量，而恢复率γ指的是感染者每日康复的占比，这两个数据一经呈现，整个疫情的发展趋势便明晰了。
预测疫情拐点和高峰
就拿关于武汉疫情的实际数据来讲，在2020年1月下旬之时，一直到2月中旬这个阶段，感染者的数量呈现出快速上升的态势，运用SIR模型去拟合这些数据，如此便能够计算出当地的基本再生数，这也就是指一个感染者平均会传染几个人。
依据模型计算所得结果表明，武汉在当时的状况下，其感染率β大概处于0.3至0.4的范围，恢复率γ大概是0.1上下。这所蕴含的意义是，每一位感染者每日会传染出0.3至0.4个人，那些被感染的个体从发病开始直至康复或者死亡，平均而言需要10天。
将这些参数作为依据，模型做出预测，认为疫情高峰期处于2月中下旬，而实际数据对此予以了证实。2020年2月18日这一刻，武汉所新增的确诊病例数量创下峰值，为1660例，在此之后便开始呈现下降态势。该预测为政府以及医院在调配资源方面，提供了具有重要意义的依据。
评估防控措施效果
可模拟不同防控措施效果的 SIR 模型，其最大用处在于此，像隔离以及戴口罩会使感染率β降低。然而那特效药与疫苗会让恢复率γ提高，对这两个参数进行调整，便能够看到疫情曲线的变化。
在2020年3月，当时意大利的疫情正处于严重状态之际 ，研究人员运用SIR模型对不同力度的封锁措施就行模拟。最终所呈现的结果表明 ，要是完全不进行任何干预的话 ，那么感染者的峰值将会超过总人口数量的60% ；要是采取中等力度的封锁举措，峰值则会下降到20% ；要是实施严格的封锁 ，峰值能够被控制在5%以内。
此模拟所得结果，径直对意大利政府自3月9日起施行之全境封锁政策予以支持。实际呈现的数据显示，在经过严格封锁这一举措之后，意大利国内的那般感染率，由起初的每名感染者有着传染2.5人之状况，降至了1人以下，进而使得疫情增长显著放缓。
研究不同阶段的传播特点
SIR模型能够助力我们领会疫情为何起初迅速展开随后逐渐变缓，在疫情刚开始的时候，存在着数量众多的易感者，感染者基本近乎每天都可以寻觅到新接触之人这般的状况所导致，病例的数量呈现出指数式地增长，当感染的人数变多之后，易感者的数量减少了，增长的速度便随之慢了下来。
出现感染者数量抵达顶峰的情况之际，每日新增的感染者数目与康复者数目呈现相等状态。于这个时间点过后，康复的速率超越了新感染的速率，紧接着疫情便开始出现下降态势。此一规律在各个国家的疫情状况当中均获得了验证。
纽约在2020年4月时的疫情具体关于数据的情况是符合这个模式的，在4月10日接近的时候纽约达成了日新增方面的最高数量值顶峰；紧接着由于感染的人数数量呈现出减少态势并且康复的人数数量呈现出增加态势，曲线便展开了转向向下的状况；一直到6月初的时候，日新增病症案例已然降低到处于高峰期时候数量的10%之下。
帮助公众理解防疫必要性
SIR模型可用于做科普，能使得大家清楚为何要戴口罩，为何要少出门。不少人认为感染率降低些许无足轻重，然而模型计算会向你表明，哪怕感染率下降百分之二十，最终感染人数或许会减少一半多。
比如说，假定有一座城市，其人口数量为一百万，最初的感染者是一百人，感染率为零点三，恢复率为零点一。经由模型计算得出，最终会有大概百分之七十的人受到感染。要是借助戴口罩的方式，把感染率降低至零点二，那么最终的感染比例就会下降到百分之四十左右。
对于这个数据的对比而言，其呈现出来的直观程度是相当显著的。在2020年5月的时候，韩国运用了这样的一种模型，面向公众进行展示，以此来表明保持社交距离能够使得感染率从0.4降低至0.2以下，进而让民众明白为什么需要配合防疫措施。从实际所展现出来的效果来看，也是极为明显的，韩国在并未实施封城的状况之下，成功地将疫情控制住了。
模型也有局限性不能照搬
固然，SIR模型并非无所不能，它假定所有人接触机会均等，然而在现实里，有些人接触频繁，有些人接触稀少。它又假定感染率与恢复率为常数，可是在实际状况中，这两个数值会伴随天气、政策以及人们行为的变动而发生变化。
英国在2020年底出现变异病毒之后，原本的参数就不再准确了。新毒株传染性提升了70%，感染率β从0.35升至0.6左右，模型需要重新调整参数方可继续使用。这表明模型要结合实时数据持续更新。
此外，SIR模型并未顾及无症状感染者以及潜伏期传播情况。在2020年初的时候，新冠病毒存在着大批量的无症状传播现象，而这是传统 SIR 模型不能够模拟的。随后，研究人员研发出了SEIR模型，增添了潜伏期人群这一类别，如此才更为准确。
当你如今每天看到疫情通报时，可曾会去思索一下这些数字背后究竟能够运用什么样的模型来展开分析预测？欢迎于评论区去分享一下你的看法，点赞以便让更多的人能够看懂疫情数据。
