中國退役軍人協會

2022年12月19日星期一

新京报｜新十条后，北京十日记

新京报｜新十条后，北京十日记: 专家预计的第一波感染峰值即将到来，每个人都在以自己的力量，对抗病毒，等待春天。

2022年12月18日星期日

一個月後重症高峰怎麼辦？網絡熱傳北京著名教授私信

【北京的一位著名教授的私信】

“我们这里已经把大把资源都浪费了……” pic.twitter.com/BbIEgH0eCx— 章立凡 Zhang Lifan (@zhanglifan) 点此链接观看视频或图片 December 17, 2022

1个月后怎么办？网传北京一教授私信内容

美众院新报告：新冠或与中共生化武器计划有关

作者：肖然

2021年2月3日，世卫组织团队调查新冠大流行起源期间，武汉病毒研究所大门前部署了严密的警力把守（HECTOR RETAMAL/AFP via Getty Images）

就在中国遭受新一波新冠病毒的袭击之际，美国众议院情报委员会的共和党成员在12月14日发布新报告称，有迹象表明新冠病毒（COVID-19）可能与中共生化武器研究计划有关，并在武汉病毒研究所的事故中“蔓延”到普通人群。

“与[情报界]解密报告的暗示相反，根据我们对各种公开和非公开信息的调查，我们得出结论，有迹象表明SARS-CoV-2可能与中共的生物武器研究有关，计划并在武汉病毒研究所发生的实验室相关事件中蔓延到普通人群，”该报告的摘要指出，“情报机构未能在其机密更新评估中充分解决这些问题。当我们试图向其提出问题时，没有得到回应。”

2021年10月，美国国家情报总监办公室对新冠起源的解密评估报告中指出，SARS-CoV-2“可能不是生物武器”，并补充说，“我们仍然对指控持怀疑态度SARS-CoV-2是一种生物武器，因为它们得到了科学上无效的说法的支持。”

众议院共和党人周三发布的报告则称，其调查“揭示了情报界机密和解密版本的严重缺陷”，并指出这些遗漏“可能扭曲了公众对关键问题的理解并加深了不信任”。

报告指出：“委员会认为，情报界淡化了有关COVID-19与中共生物武器研究之间可能存在联系的重要信息，部分原因是依赖外部专家的意见。”

共和党众议员文斯特里普（Brad Wenstrup）接受福克斯新闻采访时说，“我们对美国人应获得的新冠起源的答案负有责任。我们的报告指出，新冠病毒(又称中共病毒，COVID-19)可能与中国的生化武器研究计划有关，情报界(IC)向美国民选官员隐瞒了关键信息，加深了公众的不信任，”他说，“我们的调查还表明，中共对这场大流行负有比美国人已知的更大的责任。”

“作为一名医生和退伍军人，我认为了解新冠大流行的起源、并尽全力避免美国未来的防疫政策像这次一样脆弱是至关重要的。”他补充道。

报告也指出，没有看到任何可靠的迹象表明该病毒是有意而非无意释放的。

“我们也不声称我们发现的信息是确凿的证据，可以毫无疑问地最终解决新冠溯源问题。但这些信息对于加深公众的理解很重要。在新一届国会，我们将寻求解密该报告的机密版本，以进一步推动相关讨论。”报告写道。

BBC紀錄片：香港的自由之戰（上）－ BBC News 中文

2022年12月17日星期六

今天的数据也已经在文章中更新完毕了，大家可以在文章末尾看到表格。

如果表格查阅不方便的话，也可以去微信搜索小程序“数据团+”，这是我们做的一个可以查阅2010、2020年中国人口普查分县资料数据的小工具，今天把疫情进度也更新了进去，未来也会加入一些其他好玩的数据，不妨去玩一玩。（如果数据刷不出来的话可以退出再进去一次）

疫情分城市达峰时间表主要有三个改动：

第一是我将算法中过峰的“超额发烧搜索累计面积”修正回了80。

之前的几张表格中，保守起见，这个数值我使用了100，他会使一些城市过峰偏慢。但从这几天的数据看，石家庄、保定等地的累计超额倍数超过80的同时搜索指数也已经过峰，这说明中国内地城市居民，在非疫情-疫情的变化中，搜索行为的变化上和香港特别行政区、台湾地区的居民在同样时期的变化是非常类似的。因此一些城市的过峰时间会在表格中有所提前。

第二是加入了两个“进度条”，代表在城市在走向疫情顶峰和疫情结束的路程中感染了多少人。

“达峰进度条”说明的是在疫情达到日增顶峰前已经感染了多少人，这是城市疫情逐渐加剧，院感增加，医疗资源逐渐挤兑的一段日子，数字达到100时日增感染者就达到了顶峰。而“结束进度条”说明的是在疫情过峰后，在这一波疫情结束前已经感染了多少人，这段时间的疫情虽然整体缓解，但感染还是会继续增加，并且大部分死亡会出现在这个阶段。在数字达到100时，城市的这一波疫情就基本结束了。

第三是加入了巨量算数指标修正了一些城市，加入了一些之前数据不足的城市，因此城市数量大幅度增加，一些城市的百度指数很低，但是抖音安装率很高，因此巨量算术的数据能够起到作用。

当然数据增加的更大原因是因为许多城市疫情正在逐步蔓延，因此进入了搜索指数的监测中。我常常收到私信和评论询问“我住在xx，但xx城市在哪里我在表格里面怎么看不到”，我想说，珍稀这样的时光吧，不出意外的话马上你就可以天天看到你住的城市了。

随着全国疫情进一步蔓延，以及今天“疫情达峰地图”上了微博热搜，能感受到大家的各种焦虑，今天大概收到了上百条私信几百条评论询问各自城市的情况，基本没有能回复，先说声抱歉。

疫情达峰时间的推算，原本只是搜索指数的一次尝试，初衷是觉得有趣，但无心插柳，竟然能帮助许多人缓解焦虑。焦虑来自哪里？来自未知。既然和疫情共存了，那么不怕他不来，肯定得来，就怕它在计划外乱来。那么有一个数据，虽然简陋，但也比没有数据好，至少大致上是和真实趋势吻合的。

既然如此，在卫健委有能力提供真实数据之前，我还是会希望继续更新下去，让这份粗糙的数据陪伴大家渡过第一次冲击。

12-14

·IP 属地上海·作者置顶·热评

沙前

有看到今天更新了辛苦了！小建议：达峰进度条和结束进度条，最好都标明是百分比%。比如说，石家庄结束进度条是8，容易让很多不太了解的人误以为是石家庄还需要8天就结束。 [害羞] [大笑]

12-14

·IP 属地北京

芙克斯香香

wwwat

目前的顺序有个好处是可以直观感受到全国各个城市达峰的先后时距 [思考]

，好像也蛮好

12-15

·IP 属地山东

大數據各城市首轮感染高峰期预测

在昨天的这个回答之后：

专家称一两个月内会出现大规模疫情冲击，元旦春节将使疫情形势达到高峰，该如何应对做好防护？9697 赞同 · 1042 评论回答

我又对台湾地区、香港特别行政区和日本的感染情况与“发烧”搜索指数进行了分析，发现一个可能可以帮助预测感染高峰期的方法：

1）将Google搜索指数分为疫情期间和非疫情期间，非疫情期间的发烧指数平均数为 $\bar{F_{非疫情}}$ ，将疫情期间的搜索指数做以下处理后加总，计算一个数值 $S = \sum \frac{F_{疫情} - \bar{F_{非疫情}}}{\bar{F_{非疫情}}}$

其中S的含义是这样的：如果发烧的搜索是发烧人口的一个相对稳定的比例，且在非疫情期间发烧人口是总人口的相对稳定的比例，那么S就正比于疫情感染的人口占总人口的比例，我们把它叫做“超额发烧搜索指数累计面积”

2）下图列出了台湾地区、香港特别行政区以及日本的“超额发烧搜索指数累计面积”，即下图橙色面积、蓝色面积和灰色面积。

我们发现在这三个地区，当疫情达到顶峰时，这个“超额发烧搜索指数累计面积”的数值全部刚好达到80。这两个地区第一波疫情结束时，香港特别行政区的面积达到了160，台湾地区的面积达到了200，日本的最终面积是250。

3）如果用百度搜索指数做类似的研究会有什么效果呢？我使用了本轮疫情进入群体感染最快、最早的石家庄、邢台和保定做了计算：

可以算出，从疫情开始后计算，石家庄的“超额发烧搜索指数累计面积”已经达到了76，邢台已经达到了67，保定也达到了71。由此来看，百度搜索指数和Google指数分别算出的“超额发烧搜索指数累计面积”，至少是在一个差不多的数量级上。

4）考虑到保定、石家庄、邢台等地的发烧指数仍然在上升，以及百度搜索指数和Google指数的差异，我们比较保守地将100作为疫情达峰时的“超额发烧搜索指数累计面积”，将250作为第一轮疫情结束时的“超额发烧搜索指数累计面积”。那么我们通过每个城市的搜索指数累计增长，累计速度，就可以算出现在每一个有疫情的城市疫情达峰的时间，以及疫情结束的时间。

这是计算的结果，列出了所有能在明年春节前达峰的城市以及这些城市在达峰前已经感染的人口比例（截止至12月10日）。

2022年12月12日更新：

2022年12月13日更新：

12月14日更新：

今天的更新有三个大的改动。

第一是加入了巨量算数指标修正了一些城市，加入了一些之前数据不足的城市。

第二是我将过峰的“超额发烧搜索累计面积”修正回了80。

之前的几张表格中，保守起见，这个数值我使用的是100，他会使一些城市过峰偏慢。但从这几天的数据看，石家庄、保定等地已经过峰，这说明中国内地城市居民，在非疫情-疫情的变化中，搜索行为的变化上和香港特别行政区、台湾地区的居民在同样时期的变化是非常类似的。因此一些城市会在今天的表格中有所提前。

第三是加入了“结束进度条”这一变量，代表已经度过疫情顶峰的城市在第一波疫情结束前可能还要走的路程。

12月15日更新：

今天按照行政区划代码的顺序做了排序，增加了一个变量“累计感染占总人口比值”。这个数值也是根据累计的超额搜索面积计算的。在“数据团+”小程序中也做了相应更新。一些人口较少的城市的搜索指数变化幅度较大，可能会导致数据波动。

12月16日更新：

今天修改了许多之前计算的bug，比如多段疫情被合并计算（例如新疆的一些城市被合并三个月疫情后出现了超过100的感染率），疫情结束时间的算法尾部过宽，一些小城市的缺失（比如济源、仙桃、吉林省吉林市）以及巨量算数的权重。头条系产品的许多数据来自被动推送，比如点击搜索框，出现一个“内马尔发烧了”，吸引用户点击后，可能就会造成一些地方的“发烧”搜索异常。我使用百度的全国指数作为基准整体修正了巨量算数，得到了一个更为稳健的结果。有些读者可能会注意到今天有一些城市的疫情过峰时间、结束时间都变长了，这一方面来自上面的几项bug修改的结果。当然，更重要的一方面原因是一些城市确实在压平曲线，尽量降低疫情的增速。快速过峰当然会使得这个城市能够较快地离开第一波疫情，但是同样也会造成医疗资源大量挤兑。力所能及地增加一些社交距离，虽然会让这个城市的疫情更持久，但总死亡也会降低，在第一波感染中，还是值得的。

这也是我们的模型最后一次大幅度修改，之后的数据就能保持相对稳定了。