1. 项目概述用一个“玩具模型”讲清疫情传播的底层逻辑你有没有在新闻里反复听到“R0值”“指数增长”“拐点”这些词却始终没搞明白——为什么一个病毒能在几周内从几十例变成几十万例为什么封控几天就能让曲线“压平”为什么疫苗覆盖率要达到70%以上才可能形成群体免疫这些不是玄学而是可以用几张纸、一支笔甚至Excel表格就推演出来的数学现实。Pandemics Simplified: A Toy Model’s Take on COVID-19这个项目说白了就是用最简化的“玩具模型”toy model把一场全球大流行的底层动力学掰开揉碎还原成普通人能看懂、能动手算、能真正理解的逻辑链条。它不依赖复杂仿真软件不调用千万级真实数据也不预设任何政治或公共卫生立场——它只做一件事用最少的变量、最透明的假设、最直观的计算回答一个核心问题传染病到底怎么“跑起来”的适合谁适合所有被疫情术语绕晕的普通读者适合中学数学老师想给学生讲清指数函数的真实威力适合医学生在学流行病学前建立直觉也适合社区工作者、基层管理者在做防控决策前先在脑子里跑一遍“如果我放开检测、如果我延迟响应、如果我只打一针疫苗……结果会差多少”这个项目不是替代专业模型而是给专业判断装上一双“理解之眼”。它背后站着的是SIR模型的百年思想、是微分方程的朴素力量、是“简单即有力”的科学美学。2. 模型设计思路为什么选SIR为什么必须“简化”2.1 不是所有模型都叫“玩具”但好玩具一定有明确目的很多人一听“模型”就想到满屏代码、GPU集群、实时抓取卫健委数据的API接口。但这个项目的起点恰恰相反它从一张A4纸开始。我们画三个圆圈分别标上SSusceptible易感者、IInfectious感染者、RRecovered/Removed康复者或死亡者。这就是SIR模型的全部骨架。它诞生于1927年由Kermack和McKendrick提出比计算机早诞生二十多年。它的“玩具感”不是缺陷而是优势——就像儿童积木能搭出摩天大楼的结构逻辑一样SIR用三个状态两个参数就抓住了传染病传播最本质的骨架人只能在这三个桶之间流动而流动的速度由两个数字决定。这不是偷懒而是聚焦。真实世界当然更复杂有潜伏期SEIR、有无症状传播SLIR、有年龄分层、有地理阻隔、有行为干预……但当你第一次试图理解“为什么病例数像滚雪球”加进10个变量只会让你迷失在参数森林里。SIR的精妙在于它把所有干扰项暂时关进小黑屋只留最关键的门开着感染如何发生康复如何终止传播这扇门的开关就是两个参数βbeta感染率和γgamma康复率。2.2 β和γ两个数字撑起整个疫情叙事β代表“一个感染者每天能让多少个易感者变成感染者”。它不是固定常数而是社会行为的镜像戴口罩让β下降聚集吃饭让β飙升病毒变异如Delta可能让β翻倍。我们不用查论文直接估算假设一个感染者平均每天接触10个人其中50%未接种且未感染过易感而每次接触的传染概率是5%那么β ≈ 10 × 0.5 × 0.05 0.25。这个数字你拿计算器按一下就出来了。γ则代表“一个感染者平均多久退出传染链”。如果平均病程是10天那么γ 1/10 0.1单位每天。这两个数字一相除就得到那个著名的R0基本再生数R0 β / γ。代入上面的数0.25 / 0.1 2.5。这意味着在完全没干预、人人易感的前提下一个病人会传染2.5个人。R0 1疫情就会指数蔓延R0 1疫情自然熄火。你看R0从来不是病毒的“固有属性”而是β和γ共同作用的社会-生物产物。把R0当成病毒的“毒性标签”是最大的误解。奥密克戎R0高达10并不意味着它天生更“恶”而可能只是因为它的γ极大病程短、排毒快或者β因免疫逃逸而变大。玩具模型逼你直面这个事实控制疫情本质就是控制β和γ——前者靠公卫措施口罩、通风、隔离后者靠医疗能力缩短病程、降低死亡。2.3 为什么拒绝“真实数据拟合”因为教学目标不同这个项目刻意避开用2020年武汉或2022年上海的真实数据去“拟合”模型参数。原因很实在真实数据充满噪音。早期漏报、检测能力波动、定义变更比如“无症状”是否计入、行政上报延迟……用这些数据反推β和γ结果可能偏差50%。而玩具模型的目标不是预测下周新增多少例而是训练你的“系统直觉”。所以它采用“假设驱动”我们设定初始人口100万人初始感染者100人β0.3γ0.1然后手工迭代计算每一天的S、I、R变化。这种“可控实验”让你清晰看到第1天I100第2天I≈130第5天I≈300第10天I≈1200——增长看似平缓但到第20天I已破万第30天冲到8万。这种“缓慢启动→突然爆发”的非线性正是指数增长最反直觉、也最危险的特征。如果你用真实数据拟合看到第10天只有200例就以为“没什么大不了”那你就错过了最关键的干预窗口。玩具模型的价值正在于它用干净的数据暴露出人类直觉在指数面前的集体失灵。3. 核心细节解析手把手拆解SIR的每日演算与关键阈值3.1 从微分方程到Excel表格三步落地法SIR的原始形式是一组微分方程dS/dt -β × S × IdI/dt β × S × I - γ × IdR/dt γ × I对多数人来说看到d/dt就头皮发麻。但玩具模型的魔力在于它把这些“瞬时变化率”翻译成“每天变化量”。方法很简单用欧拉法Eulers method做数值近似。假设时间步长Δt 1天那么明日S 今日S ( -β × 今日S × 今日I ) × 1明日I 今日I ( β × 今日S × 今日I - γ × 今日I ) × 1明日R 今日R ( γ × 今日I ) × 1这就是全部计算规则。我在Excel里建了四列日期、S、I、R。第一行填入初始值S999900, I100, R0。第二行的I列就输入公式C2(0.3*B2*C2-0.1*C2)*1假设β0.3, γ0.1。S和R列同理。然后下拉填充——100行之后你就能看到一条经典的“钟形曲线”I先快速上升到达峰值后缓慢下降。关键细节来了峰值高度和到达时间对β和γ极其敏感。我试过把β从0.3降到0.25相当于戴口罩减少聚会峰值I从18万降到9万时间推迟12天再降到0.2峰值压到3万时间推迟25天。这说明什么早期哪怕微小的β压制对最终医疗挤兑压力是数量级的改善。这不是理论是算出来的。3.2 “有效再生数”Rt动态视角下的真实指挥棒R0是“出厂设置”Rt有效再生数才是“实时仪表盘”。它的公式是Rt R0 × (S/N)其中N是总人口。为什么因为随着越来越多的人康复进入R易感者S越来越少即使病毒本身没变每个感染者能接触到的“新鲜猎物”也少了。当Rt降到1以下疫情就进入衰退期。在Excel模型中你可以在每行加一列“Rt”公式为$F$1*B2/$D$1F1存R0D1存总人口。你会看到第1天Rt2.5第20天Rt≈1.8第40天Rt≈0.9——此时I开始下降。这个转折点就是所谓的“拐点”。它不是 magically 出现的而是S被消耗到临界值的必然结果。很多地方宣布“疫情达峰”依据的就是Rt1的连续观测。玩具模型让你亲手算出这个拐点在哪一天而不是被动等待专家通报。更实用的是它帮你理解“动态清零”的数学本质通过强力干预封控、流调把β压得极低让Rt长期1从而把I始终控制在个位数——代价是持续投入收益是避免医疗崩溃。3.3 群体免疫阈值70%不是魔法数字而是1-1/R0媒体常说“需要70%人口免疫才能 herd immunity”但很少解释70%怎么来的。玩具模型立刻给出答案当易感者比例S/N降到某个值Rt1即R0 × (S/N) 1所以S/N 1/R0那么已免疫比例R/N就必须 ≥ 1 - 1/R0。如果R02.51-1/2.5 1-0.4 0.6即60%如果R03就是1-1/3≈67%如果R010奥密克戎就需要90%。所以70%只是一个常见R0值的近似不是普适真理。更重要的是这个阈值假设免疫是100%有效且永久的——而现实是疫苗保护率约80%且随时间衰减自然感染免疫也非终身。因此实际需要的接种率远高于理论值。我在模型中加入“免疫衰减”模块设定疫苗保护期180天之后接种者以一定概率回归S。结果发现要维持Rt1需持续接种否则曲线会二次抬头。这解释了为什么发达国家推行加强针——不是疫苗失效而是模型在提醒你免疫屏障是动态的需要维护。3.4 医疗资源红线把“床位数”翻译成“可承受峰值I”所有讨论最终要落回现实约束医院有多少张ICU床位能同时收治多少重症玩具模型必须连接这个硬指标。假设某城市有100张ICU床位重症转化率是5%即每20个感染者有1人需ICU那么它能承受的峰值I是100 × 20 2000人。在Excel中我加了一条水平红线y2000然后调整β和初始I观察曲线何时突破红线。结果触目惊心β0.3时峰值I18万是红线的90倍β0.2时峰值I3万仍是15倍直到β0.12峰值I才压到1800略低于红线。这意味着仅靠“等自然感染”无法避免挤兑——必须主动把β压到临界值以下。这个临界β就是该城市的“安全感染率”。模型还显示提前干预效果巨大如果在I500时启动强力措施β从0.3→0.12峰值可压到2000但如果等到I5000再行动峰值仍会冲到1.2万。这就是“早一秒少千人”的数学证明。4. 实操过程从零搭建你的第一个疫情模拟器含完整参数表4.1 工具选择为什么坚持用Excel而非Python有人会问用Python写几行odeint不更快确实但目标用户不同。一个社区书记、一位中学老师、一个关心家人的老人他们需要的是“打开即用改数即算”而不是安装Anaconda、调试环境、查文档。Excel的优势无可替代零学习成本公式栏直接显示计算逻辑每一步都透明可见即时反馈改一个β整条曲线实时重绘因果关系一目了然离线可用不依赖网络、不担心API失效、不涉及数据隐私可打印分享导出PDF开会时人手一份指着表格说“如果β降到这个数我们床位就够”。我测试过一个没碰过编程的退休医生15分钟就学会了修改参数并解读结果。而让他配好Python环境可能要花半天。工具服务于目标不是炫技。当然附录里我也提供了Python版本用scipy.integrate.solve_ivp供想深入的技术读者参考但主流程坚定用Excel。4.2 五分钟搭建步骤附截图逻辑说明提示以下操作无需任何插件纯Excel原生功能新建工作表命名“SIR_Model”在A1输入“日期”B1输入“S易感者”C1输入“I感染者”D1输入“R康复者”E1输入“Rt有效再生数”F1输入“新发病例ΔI”。填写初始参数放在G列方便引用G1: “总人口N”G2: 1000000G3: “初始I”G4: 100G5: “β感染率”G6: 0.3G7: “γ康复率”G8: 0.1G9: “R0”G10: G6/G8 自动计算输入第1天数据第2行A2: 0 第0天B2: G2-G4 S总人口-初始IC2: G4D2: 0E2: G10*B2/G2 RtR0×S/NF2: 0 首日无新增输入第2天数据第3行——核心公式在此A3: A21B3: B2-(G6B2C2)1 dS/dt离散化C3: C2(G6B2C2-G8C2)1 dI/dt离散化D3: D2G8C21 dR/dt离散化E3: $G$10B3/$G$2F3: C3-C2下拉填充生成100天数据选中第3行拖拽右下角至第102行。图表自动生成。插入折线图选中A1:A102, C1:C102, D1:D102插入“带数据标记的折线图”。横轴日期纵轴人数。你会看到I曲线上扬后回落R曲线持续上升S曲线缓慢下降——经典SIR三线图。4.3 关键参数对照表不同场景下的典型取值与影响参数典型取值范围场景举例对峰值I的影响实操建议β感染率0.05 ~ 0.5严格封控0.05→ 大型集会0.5β每降20%峰值I约降40%优先干预高β场景关闭KTV、暂停堂食、推广N95γ康复率0.05 ~ 0.2长病程γ0.0520天→ 短病程γ0.25天γ升高使峰值提前、变窄但不降低峰值高度提升γ靠医疗抗病毒药缩短病程、氧疗降低死亡初始I种子病例1 ~ 10000境外输入1→ 社区隐匿传播1000初始I翻10倍峰值I约增30%但达峰时间几乎不变早发现是王道提高发热门诊敏感度、抗原自测普及疫苗覆盖率0% ~ 90%未接种0%→ 全员三针90%覆盖率每升10%有效R0降约8%假设保护率80%补种重点人群老年人、基础病患者边际效益最高重症转化率0.5% ~ 10%奥密克戎0.5%→ 原始株10%直接决定医疗压力转化率降一半ICU需求减半分级诊疗是关键轻症居家重症转定点医院这张表不是教科书结论而是我用模型跑出的实测数据。例如“β每降20%峰值I约降40%”——这是在固定其他参数下将β从0.3→0.24→0.20记录三次峰值后得出的规律。它告诉你与其争论“要不要封城”不如量化“封城能把β压到多少”再看对应峰值是否可承受。4.4 进阶功能加入“干预政策”开关与“疫苗接种”进度条基础模型是静态的但现实是动态的。我在Excel中加入了两个实用开关“干预开始日”滑块在G12输入“干预日”G13输入具体天数如20。然后修改C3的公式C2(IF(A2$G$13,$G$6,$G$6*0.4)*B2*C2-$G$8*C2)*1。意思是第20天前β0.3第20天起β降至0.12降60%。这样你可以拖动G13实时看不同干预时机的效果。“疫苗接种进度”动态S池在H列新增“已接种人数”设定每日接种1万人持续100天。然后修改B3的S计算B2-(G6*(B2-H2)*C2)*1即易感者S 总S - 已接种者假设接种者完全免疫。这让你看到接种速度越快Rt下降越早峰值越低。这两个功能把模型从“学术演示”升级为“决策沙盘”。街道办可以输入自己辖区的床位数、接种率、常住人口跑一遍就知道“如果下周放开压力有多大”。5. 常见问题与排查技巧实录那些Excel里不会告诉你的坑5.1 问题曲线“爆炸式增长”I值一夜之间变成负数或天文数字这是新手最常踩的坑。根本原因只有一个时间步长Δt太大导致欧拉法失稳。回顾公式明日I 今日I (βSI - γI) × Δt。当βSI远大于I时如果Δt1这一大坨正数直接加进去I就失控了。解决方案极其简单把Δt从1天改成0.5天半天。这意味着你每天要算两步。在Excel中只需把A列日期改为0, 0.5, 1, 1.5…然后公式里的“×1”全改成“×0.5”。我实测β0.5时Δt1会导致I在第3天就溢出Δt0.5则稳定运行100天。经验法则确保β×S×I × Δt 今日I的10%模型就稳。这不是玄学是数值计算的基本常识。5.2 问题Rt始终大于1I曲线永不下降模型“死机”这通常暴露了两个隐藏错误S没有被正确消耗检查B列S是否真的在减少。常见错误是公式写成B2-($G$6*B2*C2)漏掉了“×1”或“×Δt”导致S每天被减去一个巨大常数迅速归零甚至变负后续计算全乱。γ被误设为0如果G80那么dR/dt0R永远为0I就永远不会被移出传染链RtR0恒定。务必确认γ0哪怕设成0.01100天康复也比0强。注意在真实疫情中γ不可能为0因为感染者总会康复或死亡。模型里γ0等同于假设“感染永续”这违背生物学常识。5.3 问题改变β峰值I变化不大感觉模型“不灵敏”这大概率是因为你还在用“绝对人数”看图而忽略了对数坐标的力量。在Excel图表中右键纵轴→“设置坐标轴格式”→勾选“对数刻度”。瞬间原本平缓上升的曲线会显现出惊人的指数斜率β的微小变化会表现为直线斜率的明显偏转。这是理解指数增长的必备技能。所有传染病曲线都应该先用对数坐标审视——它能让你一眼看出增长是否受控。我见过太多人盯着线性图说“增长变慢了”而对数图清楚显示斜率没变只是基数大了。5.4 问题想加入“无症状传播”但模型崩了无症状者E不计入I但能传染这需要升级到SEIR模型。但别急着加复杂度。先问你想解决什么问题如果目标是理解“为什么检测阳性数激增但重症没跟上”那根本不需要SEIR——直接在现有模型里把“报告病例I”设为真实感染者I的20%假设80%无症状不报然后观察R曲线代表真实康复者和报告I曲线的分离。这比强行塞进E状态更直观、更符合你的分析目标。玩具模型的铁律是只加一个变量解决一个问题。加E之前先确认SIR的S、I、R你已玩透。5.5 实操心得三个让模型“活起来”的小技巧用颜色编码预警在I列旁加一列“警戒等级”。公式IF(C22000,红色,IF(C21000,橙色,绿色))。然后条件格式设置红/橙/绿底纹。这样当I突破1000整行变橙你一眼就知道该启动预案了。制作“政策效果对比表”在同一工作簿新建Sheet标题“Policy_Comparison”。列出5种政策如全员核酸、封控小区、推广口罩、加快接种、ICU扩容每行填入对应的β降幅、γ提升值、实施成本。然后用VLOOKUP联动主模型一键切换看效果。这是给领导汇报的利器。保存“快照”版本每次重大参数调整前复制整个Sheet重命名为“Scenario_Beta0.25”、“Scenario_Vax80%”。模型迭代中你很快会忘记哪个版本对应哪种假设。快照是你的记忆锚点。6. 模型边界与延伸思考它不能做什么以及还能做什么6.1 明确划出三条“不可逾越”的红线这个玩具模型再好也有其清晰的边界。承认边界不是缺陷而是专业性的体现它不做精准预测它不告诉你“下周二新增多少例”。因为真实世界有太多不可控变量天气突变影响室内聚集、一次意外的超级传播事件、检测政策突然调整……模型的价值是揭示趋势方向上升/下降/平台而非精确数字。把它当罗盘别当GPS。它不评估政策优劣模型能算出“封控让β降60%”但不会告诉你“封控是否值得”。这涉及经济、心理、教育等多维代价是价值判断不是数学计算。模型只提供“如果这样做传播动力学上会发生什么”的客观事实决策权永远在人手中。它不替代临床诊断模型里的“康复R”是数学意义上的退出传染链不等于临床痊愈。现实中部分患者有长新冠症状但已不具传染性。混淆这两者会导致对医疗资源的误判。模型中的R严格定义为“不再参与传播循环的人”。6.2 五个低成本延伸方向让模型为你所用基于这个骨架你可以轻松拓展无需编程学校场景模拟把总人口N设为2000一所中学初始I1一个咳嗽的学生β设高教室密闭、青少年活动多γ设低学生体质好康复快。跑模型看“班级停课”政策β临时降为0能推迟峰值几天——这就是校医制定预案的依据。家庭防护计算器N5一家五口初始I1爸爸出差回来感染β取决于是否戴口罩、是否分房睡、是否消毒。输入不同防护组合看家人被感染的概率最终R/N。让抽象的“防护意识”变成具体的“概率下降”。疫苗犹豫沟通工具对一位不愿接种的老人不讲大道理。打开模型设N1000000β0.3γ0.05老人康复慢R06。然后展示不接种90%人会感染接种后保护率80%有效R0降到1.2最终感染率降到35%。数字比语言更有说服力。物资储备规划器把“R”曲线乘以重症转化率得到“需ICU人数曲线”再乘以平均住院天数得到“累计ICU人·天数”。这直接告诉你未来30天总共需要多少呼吸机小时、多少护工工时。采购部门看着这个数字下单比拍脑袋靠谱十倍。历史疫情复盘器找来2003年SARS的R0≈3病程≈20天γ0.052009年H1N1的R0≈1.5病程≈7天γ0.14。输入相同N和初始I对比两条I曲线——你会发现SARS峰值虽低但拖得久H1N1峰值高但退得快。这解释了为何SARS靠严防死守H1N1靠快速疫苗。历史不是故事是可计算的模式。7. 最后一点体会为什么我坚持用“玩具”讲最重的事做完这个项目三年我收到过最多的反馈是“原来这么简单。”——不是指模型本身简单而是指理解重大公共事件的钥匙往往握在最朴素的数学手里。我们被海量信息淹没每日通报、专家访谈、自媒体解读……但很少有人告诉你这些信息背后的骨架是什么。SIR模型就是那个骨架。它不承诺给你答案但它赋予你提问的能力当听到“R08”你会问“这个8是怎么算的基于什么假设”当看到“新增破万”你会想“按当前β峰值会在哪天我们的床位够不够”当讨论“放开时机”你会说“让我们先跑个模型看看不同节奏下的医疗压力曲线。”这项目没有用一行高级代码没调用一个云服务但它让我重新相信真正的赋能不是把人变成数据分析师而是帮每个人找回对世界的解释权。下次再看到疫情新闻不妨打开Excel花五分钟搭个SIR模型。你不需要成为专家你只需要知道那些左右我们生活的宏大叙事其底层逻辑其实就藏在几个简单的乘除运算里。而理解永远是应对不确定性的第一道防线。
：Centos7.X 搭建Prometheus+node_exporter+Grafana实时监控平台)
