全球新冠病毒疫情防控能力研究

李卓香 付春龍

摘要：新冠病毒威脅著人類的生命安全，研究全球各國的疫情防控能力對控制疫情有著重要的意義。本文搜集了與疫情防控相關(guān)的特征數(shù)據(jù)，然后對這些特征進(jìn)行了皮爾遜相關(guān)性分析，得出感染人數(shù)、死亡人數(shù)、治愈人數(shù)最能反映國家的疫情防控能力。運用了因子分析法，主成分分析法，熵值法，獨立性權(quán)重法，信息量權(quán)重法計算影響疫情控制因素的權(quán)重，然后對這些權(quán)重進(jìn)行取均值得到特征的最終權(quán)重。最后利用疫情防控公式計算得到各國的疫情防控能力排名。

關(guān)鍵詞：新型冠狀病毒;特征分析 ;特征權(quán)重;疫情防控

1 引言

冠狀病毒名為COVID-19，是一種新型呼吸道病毒，于2019年起，該病毒在全球傳播了200多個國家和地區(qū)，威脅著人們的生命安全。

在控制和消除新型冠狀病毒的研究領(lǐng)域，Ball S等人基于機(jī)器學(xué)習(xí)時間序列方法對Covid-19數(shù)據(jù)進(jìn)行了短期累積病例預(yù)測[1]。Malki Z等人在研究溫度、濕度與新冠病毒傳播的關(guān)系中發(fā)現(xiàn)，溫度越高死亡率越低[2]。Atchaya K等人使用支持向量機(jī)、邏輯回歸對未來疫情數(shù)據(jù)進(jìn)行了預(yù)測，發(fā)現(xiàn)邏輯回歸具有較好的預(yù)測效果[3]。

目前關(guān)于新冠病毒研究主要圍繞藥物、傳播、預(yù)測等方面的研究，沒有對疫情的防控進(jìn)行一個全面的分析和解讀。本文從全球疫情控制的角度出發(fā)，對全球的疫情控制能力進(jìn)行定量研究。因此我們對2021年7月21日不同國家對疫情的控制力進(jìn)行研究，并為各國的控制力大小進(jìn)行排名。疫情防控能力的排名可以充分的反應(yīng)全球的疫情控制的總體情況，這對全球共同協(xié)助抗擊疫情有非常重要的意義。它不僅可以反應(yīng)一個國家控制疫情的力度，還可以反應(yīng)各國在國際上發(fā)布的疫情數(shù)據(jù)與實際的疫情情況是否存在偏差，為疫情情況提供參考，以便能及時的采取相應(yīng)的抗疫措施。

2 數(shù)據(jù)處理及特征篩選

2.1數(shù)據(jù)獲取及處理

為了研究哪些因素是影響疫情防控的主要因素，本文對新型冠狀病毒的傳播和治愈過程進(jìn)行了分析。從疫情傳播角度出發(fā)，可能影響疫情傳播的因素有該國人口密度，能直接反映疫情傳播的數(shù)據(jù)有新冠感染人數(shù)。從治愈上來看，可能影響新冠患者死亡和治愈的因素有該國醫(yī)療水平和患者自身治療新冠的儲蓄，以及該國GDP發(fā)展是否能為患者提供充足的醫(yī)療物資，能直接反映疫情治愈情況的數(shù)據(jù)有新型冠狀病毒的治愈人數(shù)和死亡人數(shù)。

綜上所述，影響疫情防控的因素有人口密度、人均儲蓄、GDP、醫(yī)療水平、新冠感染人數(shù)、新冠治愈人數(shù)、新冠死亡人數(shù)。

數(shù)據(jù)來源：2021年7月21日21時的累計治愈人數(shù)、累計感染人數(shù)、累計死亡人數(shù)源于GitHub。2021年7月最新人口總數(shù)源于ModelWhale。人口密度，GDP，儲蓄源于World Bank Open Data。醫(yī)療水平HAQ指數(shù)，源于《柳葉刀》發(fā)布全球醫(yī)療質(zhì)量排行[4]。HAQ指數(shù)是通過對32項評估指標(biāo)計算出具體醫(yī)療質(zhì)量和可及性指數(shù)（Healthcare Access and Quality Index，以下簡稱HAQ），分值在0-100之間。分?jǐn)?shù)越高說明醫(yī)療質(zhì)量和可及性越好。疫情防控研究范圍包含了143個感染人數(shù)，治愈人數(shù)和死亡人數(shù)不為零的國家，由于部分國家地區(qū)的新冠疫情數(shù)據(jù)不完整，本文未對所有國家及地區(qū)進(jìn)行統(tǒng)計。

2.2相關(guān)性分析

為了研究全球各國對疫情防控能力的一個現(xiàn)狀，通過前面的分析，本文選取了如下特征：GDP，HAQ指數(shù)、總儲蓄、人口密度、累計感染人數(shù)、累計死亡人數(shù)和累計治愈人數(shù)。為了確定數(shù)據(jù)間的相關(guān)性，本文對各指標(biāo)進(jìn)行皮爾遜相關(guān)分析去度量兩個變量之間的相關(guān)程度，其公式如下：

其中 為X與Y的協(xié)方差， 為X的方差， 為Y的方差。根據(jù)該公式可以計算得到各特征之間的相關(guān)性，其結(jié)果通過熱力圖展示，參見圖1。

圖1中Y代表醫(yī)療水平，C代表儲蓄，M代表平均人口密度，S代表累計死亡人數(shù)，Z代表累計治愈人數(shù)，G代表累計感染人數(shù)。使用Pearson相關(guān)系數(shù)去研究特征之間的相關(guān)性強(qiáng)度，其反映了兩個特征相關(guān)系數(shù)值，當(dāng)相關(guān)系數(shù)值大于0則呈現(xiàn)正相關(guān)。Pearson相關(guān)系數(shù)顯著性檢驗方法所得到的p值能反映某一事件發(fā)生的可能性大小，在線性回歸中，p<0.05表示兩個特征顯著線性相關(guān)。

結(jié)果分析：由相關(guān)性分析可知兩個特征相關(guān)系數(shù)值大于0.8的有S與G、Z與G、Z與S、C與GDP，呈現(xiàn)正相關(guān)。兩個特征p值小于0.05的有S與G、Z與G、Z與S 、C與GDP、G與GDP、 S與GDP，呈現(xiàn)顯著性。因此可知GDP、醫(yī)療水平、總儲蓄、平均人口密度對疫情防控影響作用不大。能反映疫情防控的主要特征是累計死亡人數(shù)、累計治愈人數(shù)、累計感染人數(shù)，可用這些特征來研究疫情防控。

3 疫情防控分析

3.1特征權(quán)重

為了確定疫情控制中死亡人數(shù)，感染人數(shù)和治愈人數(shù)分別占的比重，本文分析8種確定權(quán)重的方法，分別是：因子分析法、主成分分析、AHP層次法、優(yōu)序圖法、熵值法、CRITIC權(quán)重、獨立性權(quán)重、信息量權(quán)重法[5]。

其中AHP層次法和優(yōu)序圖法是通過為指標(biāo)的重要性打分來確定權(quán)重，其結(jié)果包含太多主觀因素，因此在研究過程中排除。CRITRC權(quán)重方法在結(jié)果檢驗中出現(xiàn)異常值，也排除。最后確定研究權(quán)重的方法為剩下5種，并使用SPSS軟件進(jìn)行數(shù)據(jù)分析分別計算累積感染人數(shù)，累積死亡人數(shù)和累積治愈人數(shù)在疫情防控的權(quán)重。為了確保權(quán)重信息更具有代表性，需再求5種方法的權(quán)重均值，權(quán)重均值是我們研究疫情防控的重要數(shù)據(jù)，最終結(jié)果見表2。

3.2防控能力排名

研究全球疫情防控能力，首先計算了143個國家的累計感染人數(shù)、累計死亡人數(shù)、累計治愈人數(shù)與權(quán)重相乘的結(jié)果。接著對各國感染率、死亡率、治愈率進(jìn)行排名。其中感染率為累計感染人數(shù)除以總?cè)丝跀?shù)，死亡率為累計死亡人數(shù)除以感染總?cè)藬?shù)，治愈率為累計治愈人數(shù)除以感染總?cè)藬?shù)。感染率越小，排名越靠前。治愈率越大，排名越靠前。死亡率越小，排名越靠前。最終排名越靠前，說明疫情防控越好。

設(shè)某個國家疫情控制力排名為 ，感染率排名為 ，治愈率排名為 ，死染率排名為 。累計感染人數(shù)權(quán)重為 ，累計治愈人數(shù)權(quán)重為 ，累計死亡人數(shù)權(quán)重為 。各國疫情防控能力的排名公式如下，通過計算得到最終的排名結(jié)果見表3。

4 結(jié)論

本文對全球的疫情防控能力進(jìn)行定量研究，充分的反應(yīng)疫情控制的總體情況，這對全球共同抗擊疫情有非常重要的意義。在實驗中，相關(guān)性分析檢驗排除對疫情防控影響力較小的特征。權(quán)重分析和排序解決了特征總數(shù)不同帶來的影響，得到準(zhǔn)確的疫情防控的排名。由表6可見，排名靠前的有很多是發(fā)展中國家，而排名靠后的也有很多發(fā)達(dá)國家。結(jié)合前人對新冠病毒藥物、傳播、預(yù)測等方面的研究，可證明疫情防控與國家發(fā)達(dá)程度關(guān)系不大，與各國的氣候、文化、防控措施、民眾配合度有較大的關(guān)系。

參考文獻(xiàn)

[1]Ball S . Data Analysis of Covid-19 Pandemic and Short-Term Cumulative Case Forecasting Using Machine Learning Time Series Models[J]. Chaos Solitons & Fractals， 2021， 142：110512.

[2]Malki Z ， ?Atlam E S ， ?Hassanien A E ， et al. Association between Weather Data and COVID-19 Pandemic Predicting Mortality Rate： Machine Learning Approaches[J]. Chaos Solitons & Fractals， 2020， 138：110137.

[3]Atchaya K ， ?Darshinii M ， ?Harini R ， et al. Administered Machine Learning Models for Covid-19 Future Forecasting[J]. Journal of Physics： Conference Series， 2021， 1916（1）：012157 （6pp）.

[4]Measuring performance on the Healthcare Access and Quality Index for 195 countries and territories and selected subnational locations： a systematic analysis from the Global Burden of Disease Study 2016[J]. Lancet， 2018， 391（10136）：2236-2271.

[5]金新政， 厲巖. 優(yōu)序圖和層次分析法在確定權(quán)重時的比較研究及應(yīng)用[J].中國衛(wèi)生統(tǒng)計， 2001， 018（002）：119-120.

基金項目：四川大學(xué)錦江學(xué)院2020年青年教師科研基金項目“基于 Matlab 的疫情傳播研究與算法設(shè)計”（項目編號：QNJJ-2020-A02）。

作者簡介：付春龍，男，通訊作者，碩士，研究方向：人工智能、機(jī)器學(xué)習(xí);李卓香，女，本科，研究方向：人工智能、數(shù)據(jù)挖掘。