其中 S 的含義是這樣的：如果發(fā)燒的搜索是發(fā)燒人口的一個相對穩(wěn)定的比例，且在非疫情期間發(fā)燒人口是總?cè)丝诘南鄬Ψ€(wěn)定的比例。那么 S 就正比于疫情感染的人口占總?cè)丝诘谋壤覀儼阉凶?“超額發(fā)燒搜索指數(shù)累計面積”。②下圖列出了臺灣地區(qū)、香港特別行政區(qū)以及日本的 “超額發(fā)燒搜索指數(shù)累計面積”，即下圖橙色面積、藍(lán)色面積和灰色面積。
我們發(fā)現(xiàn)在這三個地區(qū)，當(dāng)疫情達(dá)到頂峰時，這個“超額發(fā)燒搜索指數(shù)累計面積” 的數(shù)值全部剛好達(dá)到 80。這兩個地區(qū)第一波疫情結(jié)束時，香港特別行政區(qū)的面積達(dá)到了 160，臺灣地區(qū)的面積達(dá)到了 200，日本的最終面積是 250。③如果用百度搜索指數(shù)做類似的研究會有什么效果呢？我使用了本輪疫情進(jìn)入群體感染最快、最早的石家莊、邢臺和保定做了計算：
可以算出，從疫情開始后計算，石家莊的 “超額發(fā)燒搜索指數(shù)累計面積” 已經(jīng)達(dá)到了 76，邢臺已經(jīng)達(dá)到了 67，保定也達(dá)到了 71。由此來看，百度搜索指數(shù)和 Google 指數(shù)分別算出的“超額發(fā)燒搜索指數(shù)累計面積”，至少是在一個差不多的數(shù)量級上。④考慮到保定、石家莊、邢臺等地的發(fā)燒指數(shù)仍然在上升，以及百度搜索指數(shù)和 Google 指數(shù)的差異。我們比較保守地將 100 作為疫情達(dá)峰時的 “超額發(fā)燒搜索指數(shù)累計面積”，將 250 作為第一輪疫情結(jié)束時的 “超額發(fā)燒搜索指數(shù)累計面積”。那么我們通過每個城市的搜索指數(shù)累計增長，累計速度，就可以算出現(xiàn)在每一個有疫情的城市疫情達(dá)峰的時間，以及疫情結(jié)束的時間。這是計算的結(jié)果，列出了所有能在明年春節(jié)前達(dá)峰的城市以及這些城市在達(dá)峰前已經(jīng)感染的人口比例（截止至 12 月 10 日）。
第一是加入了巨量算數(shù)指標(biāo)修正了一些城市，加入了一些之前數(shù)據(jù)不足的城市。第二是我將過峰的“超額發(fā)燒搜索累計面積”修正回了 80。之前的幾張表格中，保守起見，這個數(shù)值我使用的是 100，他會使一些城市過峰偏慢。但從這幾天的數(shù)據(jù)看，石家莊、保定等地已經(jīng)過峰，這說明中國內(nèi)地城市居民，在非疫情-疫情的變化中，搜索行為的變化上和香港特別行政區(qū)、臺灣地區(qū)的居民在同樣時期的變化是非常類似的。因此一些城市會在今天的表格中有所提前。第三是加入了“結(jié)束進(jìn)度條”這一變量，代表已經(jīng)度過疫情頂峰的城市在第一波疫情結(jié)束前可能還要走的路程。
“達(dá)峰進(jìn)度條”說明的是在疫情達(dá)到日增頂峰前已經(jīng)感染了多少人，這是城市疫情逐漸加劇，院感增加，醫(yī)療資源逐漸擠兌的一段日子，數(shù)字達(dá)到 100 時日增感染者就達(dá)到了頂峰。
而“結(jié)束進(jìn)度條”說明的是在疫情過峰后，在這一波疫情結(jié)束前已經(jīng)感染了多少人，這段時間的疫情雖然整體緩解，但感染還是會繼續(xù)增加，并且大部分死亡會出現(xiàn)在這個階段。在數(shù)字達(dá)到 100 時，城市的這一波疫情就基本結(jié)束了。
疫情達(dá)峰時間的推算，原本只是搜索指數(shù)的一次嘗試，初衷是覺得有趣，但無心插柳，竟然能幫助許多人緩解焦慮。
焦慮來自哪里？來自未知。既然和疫情共存了，那么不怕他不來，肯定得來，就怕它在計劃外亂來。
那么有一個數(shù)據(jù)，雖然簡陋，但也比沒有數(shù)據(jù)好，至少大致上是和真實趨勢吻合的。
既然如此，在衛(wèi)健委有能力提供真實數(shù)據(jù)之前，我還是會希望繼續(xù)更新下去，讓這份粗糙的數(shù)據(jù)陪伴大家渡過第一次沖擊。
今天按照行政區(qū)劃代碼的順序做了排序，增加了一個變量“累計感染占總?cè)丝诒戎怠薄?/span>這個數(shù)值也是根據(jù)累計的超額搜索面積計算的。在“數(shù)據(jù)團(tuán)+”小程序中也做了相應(yīng)更新。一些人口較少的城市的搜索指數(shù)變化幅度較大，可能會導(dǎo)致數(shù)據(jù)波動。
今天修改了許多之前計算的 bug，比如多段疫情被合并計算（例如新疆的一些城市被合并三個月疫情后出現(xiàn)了超過 100 的感染率），疫情結(jié)束時間的算法尾部過寬，一些小城市的缺失（比如濟(jì)源、仙桃、吉林省吉林市）以及巨量算數(shù)的權(quán)重。頭條系產(chǎn)品的許多數(shù)據(jù)來自被動推送，比如點擊搜索框，出現(xiàn)一個“內(nèi)馬爾發(fā)燒了”，吸引用戶點擊后，可能就會造成一些地方的“發(fā)燒”搜索異常。我使用百度的全國指數(shù)作為基準(zhǔn)整體修正了巨量算數(shù)，得到了一個更為穩(wěn)健的結(jié)果。有些讀者可能會注意到今天有一些城市的疫情過峰時間、結(jié)束時間都變長了，這一方面來自上面的幾項 bug 修改的結(jié)果。當(dāng)然，更重要的一方面原因是一些城市確實在壓平曲線，盡量降低疫情的增速。快速過峰當(dāng)然會使得這個城市能夠較快地離開第一波疫情，但是同樣也會造成醫(yī)療資源大量擠兌。力所能及地增加一些社交距離，雖然會讓這個城市的疫情更持久，但總死亡也會降低，在第一波感染中，還是值得的。這也是我們的模型最后一次大幅度修改，之后的數(shù)據(jù)就能保持相對穩(wěn)定了。
數(shù)據(jù)不足，方法簡陋，僅供參考。
