不同的新冠預(yù)測(cè)結(jié)果，究竟該相信誰(shuí)？到底哪個(gè)更“準(zhǔn)”？圖源：Marco Verch Professional Photographer
https://foto.wuestenigel.com/graph-showing-new-covid-19-cases-during-the-third-wave-of-the-pandemic/ ，CC BY 2.0
隨著國(guó)家防疫政策的調(diào)整，各地迎來(lái)新冠疫情的考驗(yàn)。在全國(guó)醫(yī)療和公共衛(wèi)生系統(tǒng)面臨空前壓力的時(shí)刻，各式各樣新冠預(yù)測(cè)的結(jié)果紛紛出爐，預(yù)測(cè)我國(guó)未來(lái)因?yàn)樾鹿谝咔樗劳龅娜藬?shù)。公眾面對(duì)這些不同的新冠預(yù)測(cè)結(jié)果，不免感到焦慮，甚至心生疑惑：這些不同的預(yù)測(cè)結(jié)果，究竟該相信誰(shuí)？到底哪個(gè)更“準(zhǔn)”？本文作者認(rèn)為，在面對(duì)這些新冠預(yù)測(cè)結(jié)果的時(shí)候，首先需要理解這些預(yù)測(cè)是基于某些模型的，依賴于一定數(shù)據(jù)的計(jì)算結(jié)果；而模型是基于對(duì)現(xiàn)實(shí)世界的簡(jiǎn)化，依賴于當(dāng)下人們對(duì)于世界的認(rèn)識(shí)。模型預(yù)測(cè)的準(zhǔn)確度，會(huì)受到模型本身、數(shù)據(jù)質(zhì)量和非線性系統(tǒng)特征等多方面的制約。此外，新冠預(yù)測(cè)的結(jié)果還會(huì)在大眾傳播的過(guò)程中經(jīng)歷逐漸碎片化的過(guò)程，甚至最終脫離作者的原意。這些形形色色的新冠預(yù)測(cè)模型，究竟哪個(gè)更“準(zhǔn)”呢？這里并沒(méi)有一個(gè)簡(jiǎn)單的答案，但作者想提醒公眾，在面對(duì)各色新冠預(yù)測(cè)結(jié)果的時(shí)候，理解模型的前提假設(shè)和局限條件，和知曉模型預(yù)測(cè)的結(jié)果同樣重要。這對(duì)于我們?nèi)娑鴾?zhǔn)確地理解模型預(yù)測(cè)的結(jié)果，有重要意義。撰文 ｜ 底騫（清華大學(xué)萬(wàn)科公共衛(wèi)生與健康學(xué)院）
1. 新冠預(yù)測(cè)模型回顧
在本文最開(kāi)始，讓我們簡(jiǎn)單了解一下新冠模型預(yù)測(cè)的大致原理。新冠預(yù)測(cè)模型大多是基于SIR模型。這種模型將人群劃分為還未感染新冠的易感者（S），感染新冠的感染者（I），和從新冠恢復(fù)具有抗體短時(shí)間不會(huì)再次感染的康復(fù)者（R），一共三個(gè)狀態(tài)。模型根據(jù)接觸系數(shù)等參數(shù)，一些人口學(xué)參數(shù)，以及一系列偏微分方程，描述人群在三個(gè)狀態(tài)之間的轉(zhuǎn)變速率，預(yù)測(cè)未來(lái)某個(gè)時(shí)間點(diǎn)三個(gè)狀態(tài)的人數(shù)。當(dāng)然，我們可以將這個(gè)模型做得稍微復(fù)雜一些。例如，感染者有一定的幾率死亡，模型的參數(shù)是按年齡設(shè)定的，等等[1]。不同的防疫政策，例如疫苗接種，保持社交距離等等，可以體現(xiàn)為模型中不同參數(shù)的變化。這樣，我們可以調(diào)整模型參數(shù)來(lái)預(yù)測(cè)不同政策情形下新冠疫情的可能發(fā)展情況。還有一種常見(jiàn)的方法會(huì)考慮到現(xiàn)實(shí)世界中的互動(dòng)網(wǎng)絡(luò)，例如交通、國(guó)際航班等等，通過(guò)考慮不同地區(qū)之間人類的活動(dòng)，來(lái)動(dòng)態(tài)模擬新冠疫情在不同地區(qū)之間的傳播。此外，還有其他的一些稍微小眾的方法。在眾多方法中，SIR模型無(wú)疑是最常用的。因此，本文的討論也主要就SIR模型展開(kāi)。2. 模型是對(duì)現(xiàn)實(shí)世界的簡(jiǎn)化對(duì)于新冠的預(yù)測(cè)，無(wú)論使用SIR模型還是基于網(wǎng)絡(luò)的模型，都是基于模型的預(yù)測(cè)；我們無(wú)法在真實(shí)世界中找到一群人，施加不同的防疫政策來(lái)觀察新冠傳播的情況。既然是基于模型的方法，新冠預(yù)測(cè)就繼承了所有模型預(yù)測(cè)的優(yōu)點(diǎn)和缺點(diǎn)：優(yōu)點(diǎn)不言而喻，模型對(duì)現(xiàn)實(shí)世界情況做了適當(dāng)簡(jiǎn)化，讓我們不需要操作真實(shí)世界就可以推測(cè)新冠傳播的情況；缺點(diǎn)也恰恰來(lái)自于簡(jiǎn)化。在建立模型的過(guò)程中，我們需要對(duì)現(xiàn)實(shí)世界的復(fù)雜情況進(jìn)行簡(jiǎn)化和抽象，而這個(gè)簡(jiǎn)化抽象的過(guò)程本身存在的缺陷，會(huì)影響模型預(yù)測(cè)的結(jié)果。例如，某些SIR模型將人群簡(jiǎn)化抽象成為易感者、感染者和康復(fù)者三類。但是，一個(gè)人感染新冠之后不會(huì)馬上發(fā)病并傳染其他人，而會(huì)經(jīng)歷一段時(shí)間潛伏期，上述的SIR模型未能考慮這種情況。固然，我們還可以再改進(jìn)模型，將這部分人定義為一個(gè)新的類別“暴露者（或接觸者）”，但這依然無(wú)法完美刻畫(huà)現(xiàn)實(shí)世界的各種情況，例如接觸者還可以分為“密接”或“次密接”等等。而且，增加新的類別也會(huì)不可避免增加模型參數(shù)估計(jì)的難度和模型預(yù)測(cè)的不確定性。又例如，某些SIR模型的參數(shù)設(shè)定，如接觸系數(shù)等，對(duì)于每個(gè)人都是一樣的。但是，一個(gè)感染新冠還四處活動(dòng)的人，和一個(gè)感染之后自我隔離的人，對(duì)于新冠傳播的影響顯然是不同的，在模型中給他們賦予相同的接觸系數(shù)肯定不妥。固然，我們可以進(jìn)一步改進(jìn)模型，對(duì)不同年齡不同職業(yè)的人設(shè)置不同的接觸系數(shù)，但是這一方面增加了參數(shù)估計(jì)的難度，另一方面，模型中加入更多估計(jì)的參數(shù)，會(huì)增加模型預(yù)測(cè)結(jié)果的不確定性。從上面的例子看出：過(guò)分簡(jiǎn)化的模型，分析起來(lái)比較簡(jiǎn)單，結(jié)果也比較確定，但是有可能因?yàn)檫^(guò)分簡(jiǎn)化和實(shí)際情況相距甚遠(yuǎn)；而復(fù)雜的模型，固然可以更好地反映現(xiàn)實(shí)情況，但分析和運(yùn)算難度增加，結(jié)果不確定性增加。模型是如何建立的，是如何對(duì)現(xiàn)實(shí)世界進(jìn)行簡(jiǎn)化和抽象的，是預(yù)測(cè)模型建立中的重要信息。該信息指示著模型成立的條件，適用范圍，以及可能失效的情形。我們甚至可以說(shuō)，模型對(duì)現(xiàn)實(shí)世界的簡(jiǎn)化，一定會(huì)伴隨對(duì)現(xiàn)實(shí)世界的扭曲和失真。所以喬治·博克斯（George Box）會(huì)發(fā)出“所有的模型都是錯(cuò)的，但有的模型會(huì)有用”的感慨。模型的簡(jiǎn)化，確實(shí)是一個(gè)難以拿捏的微妙平衡，普通的統(tǒng)計(jì)模型中有一些經(jīng)驗(yàn)判斷指標(biāo)幫助確定合適的簡(jiǎn)化程度，但是對(duì)于SIR等模型，找到合適的簡(jiǎn)化模型，與其說(shuō)是一個(gè)科學(xué)，有些時(shí)候不如說(shuō)是一項(xiàng)藝術(shù)。
退一步講，就算我們能夠找到合適的簡(jiǎn)化的方法，但如果我們對(duì)于客觀規(guī)律的認(rèn)識(shí)或者假設(shè)有局限，我們對(duì)于未來(lái)的估計(jì)仍然會(huì)出錯(cuò)。例如，玻爾的氫原子模型非常經(jīng)典和優(yōu)美，但是他對(duì)于原子內(nèi)電子運(yùn)動(dòng)的假設(shè)依然是基于經(jīng)典物理，不符合我們現(xiàn)代對(duì)原子內(nèi)電子運(yùn)動(dòng)的認(rèn)識(shí)，所以玻爾模型也只能適用于氫原子，無(wú)法推廣到更加復(fù)雜的情況。又例如，谷歌曾經(jīng)基于搜索引擎中和流感相關(guān)的關(guān)鍵詞數(shù)量變化，來(lái)預(yù)測(cè)流感的趨勢(shì)，基于的假設(shè)是人們?cè)诟腥玖鞲兄髸?huì)去搜索引擎中尋找癥狀和治療方案，所以搜索關(guān)鍵詞的數(shù)量變化和流感趨勢(shì)會(huì)有相關(guān)性，可以用于預(yù)測(cè)流感趨勢(shì)。后來(lái)，研究人員確實(shí)發(fā)現(xiàn)了一批搜索關(guān)鍵詞數(shù)量變化和流感趨勢(shì)高度相關(guān)?；诖耍雀韫局谱髁嗣麨椤肮雀枇鞲汹厔?shì)”（Google Flu Trends）的應(yīng)用，并于2009年在某國(guó)際頂級(jí)期刊上發(fā)表了學(xué)術(shù)論文[2]。但是這項(xiàng)應(yīng)用基于的假設(shè)是有偏差的：因?yàn)橛薪咏?0%的人在感染流感之后是無(wú)癥狀的；這些無(wú)癥狀的感染者不知道自己患流感，不太會(huì)閑來(lái)無(wú)事去搜索流感相關(guān)的關(guān)鍵詞；同時(shí)，他們?nèi)匀皇怯懈腥灸芰Φ?。所以，流感相關(guān)搜索關(guān)鍵詞的數(shù)量和流感趨勢(shì)之間的相關(guān)性并不存在，搜索關(guān)鍵詞數(shù)量變化無(wú)法用于預(yù)測(cè)流感。事實(shí)上，谷歌流感趨勢(shì)之后沒(méi)能預(yù)測(cè)2013年流感流行，之后的預(yù)測(cè)結(jié)果更加糟糕，于2015年完全停止運(yùn)行；當(dāng)初發(fā)現(xiàn)和流感趨勢(shì)碰巧“高度相關(guān)”的搜索關(guān)鍵詞，很可能因?yàn)閿?shù)據(jù)的過(guò)分?jǐn)M合。以上的例子都說(shuō)明，我們對(duì)于現(xiàn)實(shí)世界的認(rèn)識(shí)和假設(shè)，就是模型的根基，會(huì)直接影響模型的預(yù)測(cè)結(jié)果；如果認(rèn)知和假設(shè)出現(xiàn)錯(cuò)誤和偏差，會(huì)釜底抽薪般地影響預(yù)測(cè)結(jié)果的可靠性。而對(duì)于新冠這樣快速發(fā)展的傳染病，我們甚至難以有時(shí)間去全面收集信息認(rèn)識(shí)事物發(fā)展的規(guī)律，不得不在信息不完備的情形之下做決策。完全有可能，我們現(xiàn)在對(duì)于疾病規(guī)律的認(rèn)識(shí)是有局限的，而新出現(xiàn)的證據(jù)，會(huì)改變我們對(duì)于新冠的認(rèn)識(shí)進(jìn)而改變預(yù)測(cè)結(jié)果。例如，在2020年1月，隨著醫(yī)務(wù)工作者感染的出現(xiàn)，鐘南山給出了新冠疫情人傳人的新判斷，這在當(dāng)時(shí)極大改變了人們對(duì)于新冠傳播的預(yù)期?，F(xiàn)在，隨著新冠疫情在全國(guó)范圍內(nèi)的快速發(fā)展，病毒本身的變異會(huì)改變其傳播的規(guī)律；同時(shí)，我們的防疫政策也在因時(shí)而變，也會(huì)改變疫情的形勢(shì)。層出不窮的新信息，隨時(shí)更新著我們對(duì)于疫情的認(rèn)識(shí)，但這些新信息如果無(wú)法及時(shí)反映在預(yù)測(cè)模型中，將使得我們無(wú)法對(duì)新冠疫情的發(fā)展做出準(zhǔn)確預(yù)測(cè)，尤其是不太可能做出長(zhǎng)期的準(zhǔn)確預(yù)測(cè)。總之，人類對(duì)于現(xiàn)實(shí)世界的認(rèn)識(shí)不可能完備，而且往往落后于疫情本身的快速變化；基于滯后認(rèn)知的模型，也不可避免具有局限性。
再退一步講，就算我們?cè)诔浞终J(rèn)識(shí)世界的基礎(chǔ)上，開(kāi)發(fā)出了合適簡(jiǎn)化的模型，我們對(duì)于新冠的預(yù)測(cè)仍會(huì)受到數(shù)據(jù)的限制。上面提到的SIR模型，其模型預(yù)測(cè)依賴于一些關(guān)鍵參數(shù)。這些參數(shù)固然可以來(lái)自既往文獻(xiàn)，但歸根結(jié)底依賴于真實(shí)世界數(shù)據(jù)。而真實(shí)世界數(shù)據(jù)的質(zhì)量，會(huì)對(duì)新冠預(yù)測(cè)產(chǎn)生多方面的影響。首先，諸如疫情感染人數(shù)的數(shù)據(jù)，相對(duì)來(lái)說(shuō)比較缺乏，尤其是對(duì)長(zhǎng)時(shí)間大規(guī)模人群而言?，F(xiàn)在，隨著疫情防控和檢測(cè)政策的調(diào)整，新冠預(yù)測(cè)模型依賴的基礎(chǔ)數(shù)據(jù)處于缺乏或者失真的狀態(tài)，使用這些數(shù)據(jù)做出的預(yù)測(cè)質(zhì)量，可想而知。而且，更加致命的是，這些基礎(chǔ)數(shù)據(jù)和參數(shù)引入的誤差，會(huì)以非線性的方式在預(yù)測(cè)模型中繁殖，最終達(dá)到“失之毫厘謬以千里”的效果[3]。所以，預(yù)測(cè)模型往往會(huì)進(jìn)行敏感性分析，考察輸入數(shù)據(jù)的變化會(huì)如何影響最終的模型預(yù)測(cè)結(jié)果。但是這種敏感性分析，依然是在模型假設(shè)和數(shù)據(jù)劃定的范圍內(nèi)進(jìn)行不確定性估計(jì)，無(wú)法完全排除模型假設(shè)和數(shù)據(jù)不正確的影響。另一方面，這種關(guān)于模型預(yù)測(cè)結(jié)果限制條件的敏感性分析，在論文向大眾傳播的過(guò)程中會(huì)逐漸被丟失，我們?cè)诤竺鏁?huì)討論。讀到這里，可能有讀者會(huì)提出疑問(wèn)：天氣預(yù)報(bào)、氣候預(yù)測(cè)、大氣模擬、分子動(dòng)力學(xué)模擬，這些都是高度非線性的復(fù)雜系統(tǒng)，但是學(xué)術(shù)界在這些問(wèn)題上仍取得了長(zhǎng)足的進(jìn)步。對(duì)于某些關(guān)鍵科學(xué)問(wèn)題，例如氣候變化，盡管預(yù)測(cè)的細(xì)節(jié)存在差異，但學(xué)術(shù)界已經(jīng)達(dá)成某些共識(shí)。新冠預(yù)測(cè)為何沒(méi)能達(dá)到類似的程度？這個(gè)問(wèn)題的回答要回到科學(xué)共同體的發(fā)展和科研合作的模式上?，F(xiàn)代的科學(xué)研究早已不是一百年前“小作坊式”的單打獨(dú)斗，而是高度分工協(xié)作的大規(guī)模群體活動(dòng)。科研人員的研究需要在數(shù)據(jù)和模型上密切合作。例如，在預(yù)測(cè)氣候變化的領(lǐng)域，學(xué)術(shù)共同體建立了一系列的機(jī)制（如CMIP），用于預(yù)測(cè)模型和數(shù)據(jù)的共享，幫助研究人員評(píng)估和改進(jìn)氣候模式的預(yù)測(cè)結(jié)果。例如，在空氣質(zhì)量模擬領(lǐng)域，某些重要的預(yù)測(cè)模型（如GEOS-Chem, CMAQ等）已成為研究人員常用的工具，而且研究人員還開(kāi)發(fā)新的組件，集成到現(xiàn)有的預(yù)測(cè)模型中，進(jìn)一步為整個(gè)學(xué)術(shù)共同體改進(jìn)模型。再例如，在機(jī)器學(xué)習(xí)領(lǐng)域，眾多的機(jī)器學(xué)習(xí)模型不僅可以輕松獲取，而且這些模型已經(jīng)經(jīng)過(guò)預(yù)訓(xùn)練，省去了用戶自己從頭訓(xùn)練參數(shù)的時(shí)間和計(jì)算資源。再例如，在蛋白模擬領(lǐng)域，研究人員構(gòu)建了蛋白數(shù)據(jù)庫(kù)（如RCSB PDB，Uniprot）用于集成蛋白結(jié)構(gòu)等相關(guān)信息。近年來(lái)Meta AI和谷歌的AlphaFold在蛋白結(jié)構(gòu)預(yù)測(cè)的突破，和這些基礎(chǔ)數(shù)據(jù)的積累和共享是分不開(kāi)的。以上都是學(xué)術(shù)共同體在這些領(lǐng)域深度合作和參與的例子。反觀新冠預(yù)測(cè)模型，一個(gè)重要的特點(diǎn)是不同模型團(tuán)隊(duì)間的合作遠(yuǎn)未達(dá)到其他領(lǐng)域的深度。固然，不同的模型團(tuán)隊(duì)可以在模型的架構(gòu)、概念和重要參數(shù)選擇上彼此借鑒，但并未產(chǎn)生像上面那種共同協(xié)作的平臺(tái)。缺乏這種學(xué)術(shù)共同體的深度共享合作，使得各個(gè)團(tuán)隊(duì)需要花大量的時(shí)間完成一些基礎(chǔ)性的重復(fù)工作，這限制了新冠預(yù)測(cè)模型能夠達(dá)到的精細(xì)程度，阻礙了科研人員之間互相協(xié)作改進(jìn)模型提升預(yù)測(cè)結(jié)果。最終，預(yù)測(cè)模型就變成你預(yù)測(cè)你的，我預(yù)測(cè)我的；因?yàn)槲茨茉谀Ｐ秃蛿?shù)據(jù)上深度共享合作，大家也不知道彼此預(yù)測(cè)結(jié)果究竟差在哪里。就算是我們充分認(rèn)識(shí)新冠傳播的規(guī)律，有高質(zhì)量的數(shù)據(jù)，并開(kāi)發(fā)出合適的簡(jiǎn)化模型，我們可能仍然無(wú)法準(zhǔn)確預(yù)測(cè)新冠，因?yàn)檫@個(gè)動(dòng)力學(xué)系統(tǒng)很可能是混沌的。混沌是某些非線性系統(tǒng)的特征，指該系統(tǒng)對(duì)于初始條件非常敏感，從而表現(xiàn)出系統(tǒng)結(jié)果無(wú)法預(yù)測(cè)的狀態(tài)。如果初始值哪怕差之毫厘，最終得到的結(jié)果也會(huì)謬以千里。一個(gè)通俗的比喻就是，南美熱帶雨林的蝴蝶扇動(dòng)翅膀，會(huì)引發(fā)美國(guó)德克薩斯州的一場(chǎng)龍卷風(fēng)。天氣系統(tǒng)是典型的非線性系統(tǒng)，所以現(xiàn)在的天氣預(yù)報(bào)無(wú)法做出超過(guò)2周的預(yù)測(cè)。傳染病傳播，也是一個(gè)非線性的系統(tǒng)[4]；已經(jīng)有研究使用真實(shí)世界的各國(guó)新冠數(shù)據(jù)，表明新冠的病例數(shù)據(jù)的時(shí)序變化，呈現(xiàn)混沌的特征。而且具體的混沌行為和該國(guó)新冠的管控政策是相關(guān)的[5]。新冠傳播的混沌特征意味著，我們也許在短期可以勉強(qiáng)預(yù)測(cè)新冠感染人數(shù)，就像我們可以做兩周之內(nèi)的天氣預(yù)報(bào)；但時(shí)間一旦拉長(zhǎng)，我們就無(wú)法準(zhǔn)確預(yù)測(cè)新冠具體的病例數(shù)目是多少，就像我們無(wú)法預(yù)測(cè)2周以后具體某天的天氣情況。事實(shí)上，相當(dāng)數(shù)量的新冠預(yù)測(cè)模型在論文中都坦率地表示，該模型只能在短期預(yù)測(cè)新冠疫情的走勢(shì)，無(wú)法提供長(zhǎng)期的預(yù)測(cè)結(jié)果，或者只能“幫助”我們了解疫情長(zhǎng)期的趨勢(shì)[6]。我們完全可以設(shè)想，隨著預(yù)測(cè)時(shí)間的延長(zhǎng)，模型預(yù)測(cè)結(jié)果的不確定性會(huì)迅速增加，以至于完全陷入混沌中。這和我們的SIR模型的優(yōu)劣，和輸入數(shù)據(jù)質(zhì)量，和我們對(duì)于新冠疫情傳播規(guī)律的認(rèn)識(shí)無(wú)關(guān)，這就是混沌系統(tǒng)本身給我們的預(yù)測(cè)模型設(shè)定的天花板。由此觀之，從混沌理論來(lái)看，對(duì)于未來(lái)新冠預(yù)測(cè)，尤其是長(zhǎng)期病例數(shù)目的預(yù)測(cè)，我們尤其要加以警惕與小心。因?yàn)榛煦绲拇嬖?，不允許我們?cè)诰唧w的病例數(shù)目上做長(zhǎng)期精確的預(yù)測(cè)。但這并不是說(shuō)對(duì)于混沌系統(tǒng)就無(wú)法做任何預(yù)測(cè)。混沌系統(tǒng)盡管看上去捉摸不定，但是某些規(guī)律會(huì)從混沌中涌現(xiàn)出來(lái)，讓我們?cè)诟叩木S度上進(jìn)行預(yù)測(cè)。就像我們雖然無(wú)法預(yù)測(cè)未來(lái)某天的天氣情況，但仍然可以通過(guò)氣候模型預(yù)測(cè)未來(lái)數(shù)百年的地球氣候一樣。例如，早在2020年5月，就有科研人員使用SIR模型，模擬了2020到2025年新冠疫情可能趨勢(shì)，指出新冠疫情在最初的暴發(fā)之后很可能會(huì)出現(xiàn)周期性的流行；為防止醫(yī)療系統(tǒng)過(guò)載，社交隔離可能需要持續(xù)到2022年；具體的疫情持續(xù)時(shí)間依賴于人體對(duì)新冠病毒免疫力的持續(xù)時(shí)間[7]。此文在當(dāng)時(shí)反駁了某些人認(rèn)為新冠疫情會(huì)如SARS疫情一樣迅速消失的“速勝論”的樂(lè)觀設(shè)想，之后疫情發(fā)展基本上也證明了該文預(yù)測(cè)的前瞻性。這個(gè)例子說(shuō)明，我們并非不能對(duì)新冠疫情趨勢(shì)做預(yù)測(cè)；而是面對(duì)這個(gè)高度非線性的混沌系統(tǒng)，過(guò)分糾結(jié)于具體的病例數(shù)目是不現(xiàn)實(shí)的，混沌不允許我們對(duì)新冠感染人數(shù)做長(zhǎng)期的準(zhǔn)確預(yù)測(cè)。我們應(yīng)該關(guān)注新冠傳播這個(gè)混沌系統(tǒng)可能涌現(xiàn)出規(guī)律性，并依此做好準(zhǔn)備。6. 學(xué)術(shù)界與公眾的互動(dòng)
以上我們還是僅僅在學(xué)術(shù)和科研角度來(lái)分析新冠預(yù)測(cè)的問(wèn)題，在現(xiàn)實(shí)世界中，新冠預(yù)測(cè)還會(huì)和大眾互動(dòng)，產(chǎn)生新的問(wèn)題，在這個(gè)過(guò)程中，大眾不是被動(dòng)接受新冠預(yù)測(cè)的相關(guān)結(jié)果，而是積極參與到預(yù)測(cè)結(jié)果的解讀和二次創(chuàng)作中。艾布拉姆斯（Meyer Abrams）在《鏡與燈》中曾描述過(guò)藝術(shù)創(chuàng)作活動(dòng)是循環(huán)往復(fù)的，讀者、作品和作者是彼此聯(lián)系，讀者在這個(gè)動(dòng)態(tài)過(guò)程中起到了關(guān)鍵作用；讀者這邊的審美接受并非完全承接藝術(shù)創(chuàng)造的價(jià)值，而是有一個(gè)再創(chuàng)造的過(guò)程。我們甚至可以說(shuō)，作品問(wèn)世之后，作者和作品已經(jīng)成為兩個(gè)彼此獨(dú)立的主體。所以羅蘭·巴特會(huì)發(fā)出“作者已死”的說(shuō)法。從這個(gè)角度去觀察新冠預(yù)測(cè)以及公眾的接受，就會(huì)有全新的理解：公眾在新冠預(yù)測(cè)的過(guò)程中完全不是處于被動(dòng)的從屬地位，而是積極參與和形塑了新冠預(yù)測(cè)相關(guān)信息的傳播和發(fā)展。例如，在最近一篇預(yù)印本的論文中，幾位作者預(yù)測(cè)了不同政策情形之下中國(guó)在完全放開(kāi)之后的新冠死亡率（注意：預(yù)印本的論文表明該論文未經(jīng)過(guò)學(xué)術(shù)共同體的評(píng)審過(guò)程，該論文的學(xué)術(shù)可靠性尚待證實(shí)）[8]。在文中，作者考慮了中國(guó)完全沒(méi)有任何公共衛(wèi)生措施和社會(huì)干預(yù)措施，沒(méi)有補(bǔ)充接種疫苗又完全放開(kāi)的最壞情形，并計(jì)算了在這種幾乎不可能出現(xiàn)的最壞情形下的新冠死亡率。據(jù)此可以計(jì)算出中國(guó)大陸的新冠死亡人數(shù)大約是96萬(wàn)。但是，這僅僅是作者構(gòu)建的一種假想的最壞情形，用于模型預(yù)測(cè)的參考；現(xiàn)實(shí)中這樣的情形并未發(fā)生，各地疫苗第四針接種和其他公共衛(wèi)生干預(yù)已經(jīng)展開(kāi)。令人驚訝的是，當(dāng)某知名英文學(xué)術(shù)網(wǎng)站轉(zhuǎn)述這篇論文的時(shí)候，這些模型預(yù)測(cè)結(jié)果的限制條件統(tǒng)統(tǒng)不見(jiàn)了，而是被簡(jiǎn)化轉(zhuǎn)述成為了“……可能會(huì)在接下來(lái)幾個(gè)月中導(dǎo)致約100萬(wàn)人死亡”，而在標(biāo)題中，更是被聳人聽(tīng)聞地再次簡(jiǎn)化為“中國(guó)的新冠疫情可能會(huì)殺死一百萬(wàn)人——模型預(yù)測(cè)”（China COVID wave could kill one million people, models predict）。這樣的標(biāo)題再被某些中文媒體轉(zhuǎn)載的時(shí)候，語(yǔ)氣再次改變，成為“死亡數(shù)可能高過(guò)一百萬(wàn)”。本文無(wú)意分析新冠預(yù)測(cè)結(jié)果在傳播過(guò)程中混雜的其他因素，但我們可以發(fā)現(xiàn)，科學(xué)研究的嚴(yán)謹(jǐn)性是天生不利于傳播的，這些用于限制模型結(jié)果和提升嚴(yán)謹(jǐn)性的信息，會(huì)在傳播過(guò)程中丟失；而且，讀者會(huì)按照自己的理解，并再次傳播。這種“集體創(chuàng)作”的過(guò)程，往往會(huì)扭曲原始的科學(xué)內(nèi)容，削弱其嚴(yán)肅性。
在這一過(guò)程中，我們也不能忽視媒介的力量。麥克盧漢（Marshall McLuhan）曾提醒我們：“媒介即信息?！睕](méi)錯(cuò)，媒介非常重要，它會(huì)影響我們對(duì)于傳播內(nèi)容的理解。在這樣一個(gè)注意力稀缺，沉浸式閱讀變得罕見(jiàn)，15秒短視頻大行其道的時(shí)代，你能期待一篇幾十頁(yè)的新冠預(yù)測(cè)模型論文，或者幾千字對(duì)于模型預(yù)測(cè)結(jié)果的嚴(yán)肅解讀，能在大眾傳播中被完整保留？更可能的情形，是嚴(yán)肅的科學(xué)預(yù)測(cè)結(jié)果，被逐漸簡(jiǎn)化成為一些關(guān)鍵詞，最終只剩下“新冠”“死亡”“一百萬(wàn)”等零碎的字眼，類似于約翰·伯納姆（John Burnham）在《科學(xué)是怎樣敗給迷信》中描繪的“傳播——普及——稀釋——碎片化”過(guò)程。是的，我們正在目睹關(guān)于新冠預(yù)測(cè)的嚴(yán)肅科學(xué)，如何被迷信消解和解構(gòu)。此外，在這樣一個(gè)自媒體的時(shí)代，人人都可以選擇訂閱自己閱讀的主題，關(guān)注自己喜歡的視頻作者，屏蔽不喜歡的人的朋友圈；甚至，這一切都不需要自己動(dòng)手，手機(jī)應(yīng)用的算法會(huì)“貼心”和“智能”地揣摩你的喜好，遴選出你喜好的信息，成為你在智能時(shí)代的數(shù)字“奶頭樂(lè)”，讓你活在一個(gè)個(gè)信息繭房中。最終，日常被各種新冠預(yù)測(cè)的小道消息刷屏的讀者，可能永遠(yuǎn)也看不到這篇文章。7. 預(yù)測(cè)的積極意義
也許讀者到這里會(huì)質(zhì)疑，這篇文章一直在論述預(yù)測(cè)模型的缺陷，那我們干嘛做預(yù)測(cè)？預(yù)測(cè)模型究竟有沒(méi)有什么積極意義？首先，對(duì)未來(lái)做預(yù)測(cè)可以說(shuō)是人類的一種本能，它和尋找因果一樣，屬于人類的基本認(rèn)知活動(dòng)。例如，我國(guó)古代的商朝人，經(jīng)常用火烤龜殼占卜，根據(jù)裂紋走向判斷吉兇。弗雷澤（James George Frazer）在《金枝》中也記敘了人類的各種巫術(shù)，當(dāng)時(shí)的人類期望通過(guò)巫術(shù)來(lái)認(rèn)識(shí)事物發(fā)展的規(guī)律并預(yù)測(cè)未來(lái)。無(wú)論是商朝人的占卜，還是《金枝》中的巫術(shù)，它們從本質(zhì)上講和新冠預(yù)測(cè)模型在某些方面有類似之處：都是人們嘗試認(rèn)識(shí)世界運(yùn)行的規(guī)律，并以此來(lái)預(yù)測(cè)未來(lái)。所以，預(yù)測(cè)未來(lái)是人類的一種本能——如果不用SIR模型，就會(huì)有其他的方式，甚至非科學(xué)的方式來(lái)預(yù)測(cè)新冠走勢(shì)。當(dāng)然，在預(yù)測(cè)新冠走勢(shì)這件事情上，無(wú)論SIR模型還是其他的方式有再多的局限，也比其他非科學(xué)的方式可靠太多。另外，我們不可忽視新冠預(yù)測(cè)本身對(duì)于凝聚社會(huì)共識(shí)，緩解焦慮方面的心理作用。然后，就如前面所言，在模型適當(dāng)簡(jiǎn)化，基于客觀規(guī)律合理，輸入數(shù)據(jù)真實(shí)可靠的前提之下，盡管新冠預(yù)測(cè)模型無(wú)法對(duì)于長(zhǎng)期的疫情病例數(shù)目做出準(zhǔn)確的預(yù)測(cè)，但可以在系統(tǒng)混沌之前，給出一定預(yù)測(cè)信息，或者是超越混沌在更高維度上對(duì)疫情發(fā)展的某種規(guī)律給出預(yù)測(cè)。只是，面對(duì)形形色色的新冠預(yù)測(cè)結(jié)果，有一點(diǎn)要銘記于心，新冠預(yù)測(cè)歸根結(jié)底是一個(gè)科學(xué)問(wèn)題。但科學(xué)不是萬(wàn)能的，而且是有局限的。在新冠預(yù)測(cè)模型的問(wèn)題上，了解模型預(yù)測(cè)賴以成立的前提，理解模型的局限和缺陷，和關(guān)注預(yù)測(cè)的新冠數(shù)字同樣重要，甚至更加重要。
底騫，清華大學(xué)萬(wàn)科公共衛(wèi)生與健康學(xué)院副教授。參考文獻(xiàn)：
[1] Mistry, Dina, et al. "Inferring high-resolution human mixing patterns for disease modeling." Nature communications 12.1 (2021): 1-12.[2] Ginsberg, J., Mohebbi, M., Patel, R. et al. Detecting influenza epidemics using search engine query data. Nature 457, 1012–1014 (2009). https://doi.org/10.1038/nature07634[3] Santosh, K.C. COVID-19 Prediction Models and Unexploited Data. J Med Syst 44, 170 (2020). https://doi.org/10.1007/s10916-020-01645-z[4] Momani, Shaher, et al. "A chaos study of fractional SIR epidemic model of childhood diseases." Results in Physics 27 (2021): 104422.[5] Necesito, Imee V., et al. "Understanding chaos in COVID-19 and its relationship to stringency index: Applications to large-scale and granular level prediction models." PloS one 17.6 (2022): e0268023.[6] Moein, S., Nickaeen, N., Roointan, A. et al. Inefficiency of SIR models in forecasting COVID-19 epidemic: a case study of Isfahan. Sci Rep 11, 4725 (2021).[7] Kissler, Stephen M., et al. "Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period." Science 368.6493 (2020): 860-868.[8] Leung, Kathy, Gabriel M. Leung, and Joseph Wu. "Modelling the adjustment of COVID-19 response and exit from dynamic zero-COVID in China." medRxiv (2022).
制版編輯 | 小毛
歡迎關(guān)注我們，投稿、授權(quán)等請(qǐng)聯(lián)系saixiansheng@zhishifenzi.com
