传染病监测（二）：模型搭建实战 —— 从流感预测看数学建模的骨架

“当一种新型流感突袭 10 万人的小镇，我们如何预测疫情走势？本章揭晓：传染病学家如何用数学方程‘预演’疫情！” 在上一篇博客中，我们了解了传染病监测的基础概念，如 R0、潜伏期等。今天，我们将深入到模型构建的底层逻辑中，以教材中的流感案例为线索，带你一步步看懂数学建模的全流程。

一、模型搭建七步法

我们的核心目标是回答 “流感入侵 10 万人小镇后，易感 / 感染 / 免疫者数量如何变化？最终多少人感染？”。下面给出的建模七步曲，就像搭建一座房子的蓝图，指引我们完成整个模型的构建：

1. 明确问题：确定我们要解决的具体问题，比如上述的流感预测。
2. 收集感染病学事实：了解疾病的各种特性，像潜伏期、传染期等。
3. 选择模型结构：这是关键决策！不同的模型结构适用于不同的场景。
4. 设定输入参数：给模型提供具体的数据，比如感染率、康复率等。
5. 建立模型方程：将前面的步骤整合起来，形成描述疫情变化的方程。
6. 模型验证：检查模型是否符合实际情况。
7. 预测与优化：用模型进行预测，并根据结果优化模型。

小白提示：建模就像组装乐高，先选框架（步骤 3），再填参数（步骤 4），最后拼装成方程（步骤 5），一步步来，其实没那么难！

二、模型类型：三大选择决定预测风格

1. 结构选择：SIR?SIS?SEIR?SIRS?

上面研究的疾病是流感，因此我们选择SEIR。为什么流感选 SEIR？因为流感有 1 - 2 天的潜伏期（E 状态），传染期约 5 天（I 状态），康复后还有短期免疫（R 状态），SEIR 模型能更好地描述这些特点。

2. 确定性 vs 随机性模型

随机模型能展现出疫情可能消失或爆发的情况，更贴近现实中的不确定性。

3. 其他模型分类

• 分室模型（Compartmental）：把人群按状态分组（如 S/E/I/R），追踪组间流动。

• 个体模型（Individual-based）：模拟每个人的行为，但计算成本高。

• 网络模型（Network）：模拟真实接触链，比如性传播网络。

三、方程实战：流感 SEIR 模型的搭建

假设前提：

• 小镇 10 万人全易感（S₀=99,999），1 名感染者（I₀=1）。

• 随机混合接触（简化计算）。

• 忽略出生 / 死亡 / 迁移。

核心方程（差分方程形式）：

\( S_{t+1} = S_t - \lambda_t S_t \)

\( E_{t+1} = E_t + \lambda_t S_t - f E_t \)

\( I_{t+1} = I_t + f E_t - r I_t \)

\( R_{t+1} = R_t + r I_t \)

参数解读：

• \(\lambda_t = \beta I_t\)：当日感染风险，和感染者数量\(I_t\)成正比。

• \(\beta\)：有效接触率，两人每日有效接触概率，在这个例子中\(\beta = 10^{-5}\)。

• \(f\)：结束潜伏率，如果潜伏期是 2 天，那么\(f=0.5/天\)。

• \(r\)：康复率，如果传染期 5 天，那么\(r=0.2/天\)。

为什么\(\lambda_t = \beta I_t\)？这是基于质量作用定律，感染风险和感染者密度、易感者密度都成正比。\(\beta\)还有深层意义，它可以通过公式\(\beta = \frac{R_0}{N \times D} = \frac{2}{100,000 \times 2} = 10^{-5}\)计算得出（\(R_0=2\), \(D\)= 传染期 2 天，\(N\)=10 万人）。

四、参数争议：频率依赖 vs 密度依赖

决策关键：如果我们要模拟城市扩张（人口增长），选择频率依赖（\(\lambda_t = \frac{c_e I_t}{N_t}\)）会更合理。

根据上述建模的过程，我们可以使用MATLAB对其进行仿真，代码如下：

clear; clc
% 初始化参数
N = 100000;   % 总人数
S0 = 99999;   % 初始易感者
E0 = 0;       % 初始暴露者
I0 = N - S0;       % 初始感染者
R0 = 0;       % 初始康复者
br = 2;       % 基本再生数
D = 2;        % 传染期
beta = br / (N * D);  % 接触感染率（β）
f = 0.5;      % 暴露者转化率（/天）
r = 0.2;      % 康复率（/天）
T = 200;     % 模拟天数z

% 初始化状态向量
S = zeros(1, T);
E = zeros(1, T);
I = zeros(1, T);
R = zeros(1, T);

% 初始条件
S(1) = S0;
E(1) = E0;
I(1) = I0;
R(1) = R0;

% 差分方程迭代
for t = 1:T-1
    lambda_t = beta * I(t);  % 有效接触率（λ_t = β*I_t，假设λ_t与感染者数量成正比）
    S(t+1) = S(t) - lambda_t * S(t);
    E(t+1) = E(t) + lambda_t * S(t) - f * E(t);
    I(t+1) = I(t) + f * E(t) - r * I(t);
    R(t+1) = R(t) + r * I(t);
end

% 生成时间序列
t = 1:T;

% 绘制演化曲线
figure('Color', 'white', 'Position', [100 100 800 500]);
plot(t, S, 'b-', 'LineWidth', 1.5, 'DisplayName', '易感者(S)');
hold on;
plot(t, E, 'g--', 'LineWidth', 1.5, 'DisplayName', '暴露者(E)');
plot(t, I, 'r-.', 'LineWidth', 1.5, 'DisplayName', '感染者(I)');
plot(t, R, 'm:', 'LineWidth', 1.5, 'DisplayName', '康复者(R)');

% 添加图表属性
xlabel('时间（天）', 'FontSize', 12);
ylabel('人数', 'FontSize', 12);
title('SEIR模型群体演化曲线', 'FontSize', 14, 'FontWeight', 'bold');
legend('Location', 'northeast', 'FontSize', 10);
grid on;

运行结果如下：

输出结果显示：

• 疫情高峰在第40天左右；
• 暴露者高峰先于感染者高峰。 

五、模型验证：避免 “垃圾进，垃圾出”

• 校验依据：把模型结果和历史疫情数据对比，比如 1957 年流感血清抗体分布。

• 参数校准：要是\(R_0\)未知，可以调整参数，让模型曲线和真实病例数更贴合。

• 敏感度分析：测试不同\(R_0\)（1.5 vs 3.0）对结果的影响。

六、总结与预告

本章精华：模型是现实的 “简笔画”，SEIR 框架描述人群状态流动，\(\beta\)量化传播强度，差分方程推进时间演化。通过一步步搭建模型，我们能更好地理解疫情传播的规律。

下篇预告：差分方程升级版来了！微分方程模型如何实现 “连续时间模拟”？我们将用 SIR 模型解析疫情拐点与疫苗策略，敬请期待！