社会学视角下的新型冠状病毒肺炎疫情影响因素分析及预测

发布时间:2022-03-24 16:06:08 论文编辑:vicky

本文是一篇EI/SCI论文代写本文是基于社会学视角,对我国各市州的新型冠状病毒肺炎累计确诊人数的影响因素进行了探究,并对最终累计确诊人数进行了预测。虽取得了一些成果,但仍旧存在一些不足:第一,未能将各地区的冬季平均气温和平均海拔等气候地理因素、政策防控等人为干预因素纳入讨论中,不能判断此类因素是否会影响地区最终的确诊人数,是否会对模型预测结果产生影响;

第一章 绪论

1.1 研究背景与研究意义
1.1.1 研究背景
2019 年 12 月,武汉市呼吸科医生张继先上报了第一例新型冠状病毒肺炎病例,随后新型冠状病毒肺炎疫情从武汉逐渐蔓延至全国,前所未有的肺炎疫情笼罩在整个中国上空,全国上下谈“毒”色变。2020 年 1月 23 日 10 时起,武汉封城;随后湖北各市也纷纷关闭离“城”通道,暂停市内交通;而全国多个地区也纷纷“封城”、“封村”,戴口罩、勤消毒……种种措施齐上阵,为抑制当时还不甚了解的“恐怖病毒”疫情的传播竭尽全力!截止 2020 年 4 月 8 日,武汉市解封,标志着我国三个多月的“抗疫”斗争宣告胜利!但是,全球的疫情却不乐观,时至今日(3 月 26 日),全 球 确 诊 数 据 已 达 126125301 人 。 由 于 新 冠 确 诊 患 者 基 数 庞 大 、“SARS-CoV-2”病毒本身传染性极强,加上国际上大部分国家不是社会主义国家、不具备社会主义国家的优越性、防控措施不够到位,民众对这种病毒的认识度也不够、重视程度也相当不充分,新型冠状病毒并没能在疫情发展之初得到有效的控制。至今,新型冠状病毒已经成为了一种传染性强、危害性大、且将与人类长期共存的病毒。正所谓“覆巢之下,安有完卵”,在全球疫情都得不到有效控制的今天,我国当然无法独善其身,亦无法做到完全杜绝疫情在我国境内出现。截至目前,由于境外输入等原因,我国部分省市陆陆续续出现了局部疫情“反弹”,防疫措施至今不敢松懈。
为了能够更好的防治这种烈性传染病,很多专家学者针对我国疫情具体情况从医学、生物学的角度出发进行探究,探寻新型冠状病毒肺炎的相关影响因素,帮助理解其医学等方面的特性,为我国疫情防控献言献策。但是,作为一种在城市范围内传播的疾病,城市的相关社会学因素也可能对新冠病毒的传播具有一定影响。疫情防控不能单单从医学防治的角度出发,只着眼于医学、生物学等方面的传播影响因素往往容易忽视部分社会学因素对病毒传播造成的巨大影响,相关的分析结果和建议不能与城市的真实发展现状相匹配,在具体防控操作上也可能产生脱离现实的情况、最终致使防控效果不佳——毕竟城市自身的社会发展水平也会对病毒的传播产生影响。

1.2 国内外文献综述
1.2.1 新冠肺炎研究现状
作为当前的热点话题,目前已有不少针对 COVID-19 的相关研究,国内外很多学者采用了多种分析方法探究了疫情传播现状和传播特点。李慧聪等针对河南省的新冠肺炎传播状态进行探究,选取该省在疫情初期的 100 多例病例,分析了疫情有关特征;在刻画疫情特征的基础上,结合不同时间点的单位接触人数,构建非自治 SIAR 模型,再使用Matlab 软件进行数据处理和模型拟合,对河南省的疫情发展总体趋势进行预测和评估[1]。陈田木等以厦门市为研究对象,在搜集该市相关新型冠状病毒肺炎确诊数据并建立疫情数据库的基础上,构建 SEIAR 模型,同时计算 COVID-19 肺炎的“有效再生数”,模拟在政府及相关卫生单位采取多重干预措施后的传染病流行曲线,并对干预效果进行评价[2]。王聪等利用卫健委公布的相关疫情确诊数据,计算“易感者-感染者模型”的有关参数,同时参考百度大数据平台的迁徙数据和有关新闻报道,对武汉市疫情早期的人口流动特性进行了描述与总结;在充分认识以上特征的基础上,运用动力学模拟方式,获得引入了“人口变动”的时域差分方程模型,计算病毒传染率和人口流动,并根据模型推断不存在政策干预的情况下的疫情扩散时间[3]。曹文静等通过搜集安徽省有关病例信息,在充分探究其有向传播特点的基础上,构建自回归传播模型,对安徽省的疫情传播情况进行预测[4]。李辉智等以重庆市为研究对象,选定不同时间的疫情确诊人数和其他影响因素数据,先后使用了“系统聚类”、“层次分析”和“单指标评价”三种方法对重庆市的疫情严重程度进行评估,筛选出最合适评价疫情风险的方法——“层次分析法”[5]。贾艳等以浙江省各县市区为研究对象,在探究疫情的空间自相关性的基础上,利用层次聚类方法对城市进行分类,选用 Spearman 等级相关分析方法,探究新冠病毒肺炎患者的确诊人数与人口学等有关因素的相关性[6]。田斌群等以武汉市为研究对象,为探究新冠肺炎 的流行趋势,通过计算单日新增COVID-19 确诊人数的环比增长率、选定 95%的置信区间建立数学模型,对疫情的最终确诊人数进行预测,为地区的疾病防控工作提供了一定的参考[7]。杨瑛莹等利用中国 258 个城市在 2020 年两个月的 COVID-19发病率等相关数据,借用空间分析等方法,利用“地理加权回归模型”等方式探寻疫情发展的影响因素、探究新冠疫情传播的空间聚集性特性,同时发现武汉市迁入人群与城市最终的发病率存在一定的关联[8]。张磊等在回顾新冠患者相关临床数据和实验室资料的基础上,选定 386 位患者的具体临床和实验室数据,在对比和相关性分析的基础上,找出了新冠肺炎的易感人群,探究了相关临床症状和年龄等因素对病情严重程度的影响及应对措施,为新冠患者病情评估提出了参考意见[9]。刘利利等采用“时空聚类分析”方法,针对温州市的 504 例确诊病例,探究其时空分布特征;实验结果发现,武汉市“返乡人员”较多的地区易出现疫情的聚集性发生,政府和相关卫生机构应加强对疫情重点区域的管理和对外来人员的排查服务[10]。

第二章 相关模型算法概述

2.1 人工神经网络
人工神经网络,是一种从模拟动物神经系统信息传递的角度出发,采用分布式并行算法、模拟动物神经系统的有关行为特征所构建的信息处理数学模型。这种模型通过构建复杂的传递系统,同时反复调节系统内节点数量和节点间的链接方式,从而实现对大量信息进行处理的目的,且这种网络模型具有根据真实数据自学习、自适应的能力。人工神经网络方法不受传统统计分析模型的种种限制,可以很好的避开各种传统建模方法所要求的种种假设,能够更好的运用于非单纯线性关系的探索中。
针对本次研究,由于各种疾病的传染规律是一个非常复杂的问题,具有高度的非线性,因而尝试用神经网络方法进行新型冠状病毒传播预测分析。

EI/SCI论文代写参考


2.2 BP 神经网络
BP 神经网络的相关概念是在 19 世纪后期首次提出的,它是一种基于计算误差反向传递的多层前馈神经网络模型,能够很好反映数据间的非线性相关关系,目前已被广泛用于多个领域的研究[32]。
BP 神经网络采取是“有导师”的学习方式[33],通常包含有输入层、输出层和隐藏层,且各层的节点数不一。需要注意的是,在一个完整的BP 神经网络模型中,可以设计多个隐藏层,且拥有多个隐藏层在一定程度上能够实现更好的拟合效果。BP 神经网络中,相邻的两层间的“神经元”是全连接的,而不相连的两层 的“神经元 ”间则不存在直接连接的现象。下图将展示具有一个隐藏层的完整 BP 神经网络模型结构:

EI/SCI论文代写怎么写

BP 神经网络的模型训练过程包含两个过程:数据的正向传播,误差的反向传播。各个变量数据在输入设计好的模型后,将通过各个“神经元”间的连接传递至模型的下一层直至达到输出层;而在到达输出层后,计算后的数据将会与目标值进行对比,如果计算的输出值与期望值的误差较大,则会将该误差以方差的形式进行反向传播,利用“误差信号”对各个神经元的相关连接权重进行修正,直至输出值与期望值的误差达到最小。通过这样一个循环往复的训练过程,BP 神经网络最终训练完成,实现对数据间关系的较好拟合,并可以实现预测或其他目标功能。


第三章 2020 年初我国新型冠状病毒肺炎发展状况.....................................20
3.1 疫情总体发展状况...................................... 20
3.2 各省市疫情发展状况.......................................22
第四章 新型冠状病毒肺炎疫情传播影响因素..............................27
4.1 新冠肺炎疫情传播影响因素初探................................. 27
4.2 基于 Lasso 变量选择方法筛选变量..................................29
第五章 新型冠状病毒肺炎疫情预测................................ 38
5.1 神经网络模型构建..................................... 38
5.2 神经网络模型实验结果与分析................................40

第五章 新型冠状病毒肺炎疫情预测

5.1 神经网络模型构建
在筛选出城市最终累计确诊人数的显著影响因素后,本文拟采用“BP神经网络模型”,在充分训练模型的基础上,实现对新冠疫情肆掠后的最终感染患者数量的有效预测。
(1)划分测试集和训练集。受限于城市数据的有限性,同时考虑到各个城市的独特性和不可替代性,本文拟将 294 个市州的数据集同时用作模型的训练集与测试集,利用 294 个市州的数据训练神经网络模型,并用该数据来测试模型拟合效果。
(2)确定输入层和输出层大小。本文将成功筛选的 13 个影响变量作为输入层,将预测的城市最终累计确诊人数作为输出层,利用已有的深度学习框架,构建 BP 神经网络模型。
(3)确定隐藏层个数和各隐藏层的节点数。由于目前关于 BP 神经网络隐藏层数量的确定方法的相关研究还比较少,且一层隐藏层已经可以实现较小的预测误差,同时由于增加模型的隐藏层数量容易增加模型的训练难度,对设备的要求比较高,所以目前多采用控制隐藏层数量而增加隐藏层节点数的做法以达到实现较小误差的目的。
但是,由于增加隐藏层数量往往会提高模型的准确度,使模型预测误差更小,因而本文仍将设计多个隐藏层以帮助提高模型精度。鉴于目前已有的研究,本文将在仅有一层隐藏层的 BP 神经网络模型的训练效果的基础上,增加隐藏层,最终确定隐藏层层数。

第六章 总结

6.1 结论与建议
6.1.1 结论
本文在充分回顾和梳理 2020 年初我国新冠疫情发展状况的基础上,首先选定研究时间节点、划定研究的累计确诊人数数据的统计截止时间为 2020 年 4 月 8 日;其次,将研究单位具体到我国各市州,考虑到数据搜集的困难,最终选定我国 294 个市州作为研究单位;最后依据选择的研究对象,搜集有关数据,利用 Lasso 变量选择方法和 BP 神经网络方法构建预测模型,得出以下结论:
(1)2020 年初我国疫情传播分布特点
我国 2019 年 12 月 1 日出现第一例新型冠状病毒肺炎患者,随后疫情快速传播,全国疫情愈发严重,最终我国至 2020 年 4 月 8 日疫情趋于平稳,境内再无本土新增确诊病例,防控重点也转变为防控境外输入病例。我国 2020 年早期,确诊病例主要集中在湖北省武汉市,确诊人数增幅相对平稳;但在 2020 年 1 月中旬前后,疫情逐渐沿武汉市向周边省市蔓延,全国的确诊患者人数快速增加。至 2020 年 2 月中旬,增长幅度达到最高峰,河南省、湖南省、浙江省和广东省是除湖北外疫情最为严重的省份,黄冈市、孝感市是除武汉市外确诊人数最多的城市。随后得益于我国严厉的防控政策和防控手段,疫情发展速度逐渐下降,至 3 月中下旬,全国除武汉市外几乎不存在新增本土确诊患者。
(2)人口流动对疫情传播影响大
时值春运,人口的快速、长距离流动加速了疫情的传播速度和传播范围,城市的客运水平高也在相当程度上反映出城市的客运规模大、客流量大。人口流动规模越大、长距离交通运输旅客越多,新冠病毒传播范围越广,最终确诊人数也就越大。此外,城内出行人数占比全市总人口数越多、该市最终确诊人数相对也就越小。
(3)医疗系统发展水平对城市累计确诊人数存在较大影响
城市医疗系统不同方面的发展程度对该市疫情最终确诊人数存在不同方面的影响,医生、卫生技术人员和医院数能够抑制确诊患者数的增长,而病床位数则会在一定程度上促进感染人员的增加。
参考文献(略)

提交代写需求

如果您有论文代写需求,可以通过下面的方式联系我们。