コロナ 倍加時間 都道府県。 緊急事態宣言が出たのはなぜ7都道府県だけだったのか?

コロナよりインフルエンザの死亡率の方が高いのに、騒ぎ過ぎだと思いませんか?

コロナ 倍加時間 都道府県

東京都で新型コロナウイルスの感染者数が増え続けている。 その影響で東京から地方へ「コロナ疎開」をする人も出てきている。 統計データ分析家の本川裕氏は「10万人当たりの感染者数(感染率)を調べると、東京より福井のほうが高い。 感染者数ワースト1位は東京都だが、感染率ワースト1位は福井県 4月4日、東京都で新たに確認された新型コロナウイルス感染者が118人と初めて100人を超え、累計は891人となった。 翌5日には143人が確認され、累計は1034人になっている。 こうした発表を受け、首都を中心に全国で感染爆発が起こるのではないかという不安や懸念がますます強まりつつある。 感染者数は実数で報道されることが多い。 確かに値が大きい場合には、それがもたらす影響度も大きいので、実数の報道には大きな意味がある。 しかし、人口約1300万人の東京と人口約78万人の福井とを比較して東京の感染者数が福井よりずっと多いといっても、感染リスクを正しく評価したことにはならないだろう。 時間が経過するだけ新しいデータが発表される。 ここで使用している値は4月5日17:00現在で入手可能なものまでである点を読者にはご了解いただきたい。 図表1には、感染者数の多い都道府県ランキングを実数と人口10万人当たりの両方で示したデータを掲げた。 感染者数そのものについては、1位の東京が891人と2位の大阪の387人の2倍以上となっている。 上位2都府が3位の神奈川以下を大きく上回っており、首都東京や関西の中心大阪の動きが極めて重大な局面にあることがうかがわれる。 3位以下、10位までの上位地域としては、北海道を除くと東西大都市圏の近郊地域や愛知、福岡といった中心都市が占めており、都市部の感染がウエートとして大きいといえる。 ところが、人口10万人当たりの感染者数(以下、「感染率」と呼ぶ)の都道府県ランキングは「実数」のランキングとはかなり様相を異にしている。 何と1位は6. 7人(10万人あたり、以下同)の福井であり、6. 5人の東京は2位なのである。

次の

日本の新型コロナウイルス対策の問題点と提言|suna|note

コロナ 倍加時間 都道府県

Disclaimer まず初めに本稿ではコロナウイルスによる死者数の予測についてのデータを示していますが、これは現在までウィルスにより亡くなられた方、また現在もウィルスによる肺炎などの症状で苦しまれている方を貶めるものではもちろんありません。 また、この予測についてはあくまで現時点でのデータから科学的に(=ある一定の手法に則ったやり方で)導かれる結果とそれに対する私の個人的な考察であり、政治的・宗教的その他の意図を持ったものでもありません。 あくまで本稿では 「公開されているデータからどのような予測があり得るのか?」について、その手法の1つを再現可能な形で示そうとするものです。 ですので、もし本稿の内容に興味を持たれた方は私の考察を鵜呑みにせず、是非ご自分で色々と分析してみていただければと思います。 また、ここで述べる意見については私個人の意見であり、本稿での間違いは私に帰属し、所属する組織等とは関係ありません。 本稿を書くに至った動機 率直に言えば、これは私の個人的な 「現在世界で何が起こっているのかを実際に自分の手を動かすことで知りたい」という試みです。 日々コロナウイルスに関する新たな感染者や、コロナショックにより世界経済がとんでもないことになっている、というニュースが報告されていますが、その時々のスナップショットの情報だけでは数字の大小または比較といった判断しかできません。 しかし重要なのは、それが今後どういう結果になるのか?、そしてそのような事態に対し我々はどう備えるべきか?、といった事だと思います。 その上で問題になるのは、感染症の感染拡大初期では指数関数的に感染者数が増大しますが(と呼ばれています)、 人間はこのような非線形的な増加を上手く認識できない、という事です。 専門家も含めて指数関数的な増加関数を人間は上手く認識できない、ということを近い将来に思い知ることになるだろう。 また、同じようなことは成長戦略の文脈においても言われていますが、これは成長という変数が増殖してゆく過程と考えれば同じものとして捉えることができます。 イーロン・マスクを成功に導いた「ドミノ戦略」を知れば、「あなたがいつまでも成功できない理由」がわかる このように非線形を認識するのが苦手な我々(というか私)ですが、 線形ならなんとか認識できるかと思います。 幸い、このような増殖過程初期は logを取ることで線形近似できることが分かっています(次節)。 そこで、このような線形近似というめちゃくちゃ基礎的な手法を使い、モデル化と予測を通じて何とか今世の中で起こっていることを理解したいと思い、自分で手を動かしながらデータ分析してみたのが本稿になります。 理論的背景 上でも述べましたが、 ウィルス、バクテリア、人口などの増加の最も基礎的なモデルとして使われるのがです。 import numpy as np import matplotlib. arange 0 , 15 , 0. stats. linregress x [ 0 : 500 ], np. plot x , y axes [ 0 ]. plot x , np. log y axes [ 1 ]. legend [ 'Logistic' , 'Logistic fit' ] plt. savefig 'logistic. しかし、重要なのはその後です。 つまり、 線形近似との乖離傾向が見られ出したら、感染は中期フェーズに入り、感染者数・死亡者数の急激な増大に備えなければいけないフェーズに入るのだ、と解釈できるかと思います。 以上のことを念頭に、それでは実際のデータを見てみましょう。 データ収集 データはいくつかのデータソースが考えられますが、今回はWorldometerというサイトからデータを自分で集計しました(と言ってもちまちま手動で数字を抜き出しただけです)。 集計方法は、 各国の感染データにおいて、初めてコロナウイルスによる死亡者が出た日を1日目とし、それ以降の累積値をカウントしたものをフィッティング用データとしました。 フィッティングは最初5日間を除き、6日目以降についてフィッティングを行いました。 対象国は現在感染が深刻な状況となっている欧米諸国を中心とし、中国は対象としませんでした。 日本については後述しています。 私が集めたデータはからダウンロード出来ます(3月23日時点まで)。 Kaggleにも24時間毎にアップデートされているCOVID-19のデータがありますが、今回は使いませんでした。 Worldometer -- COVID-19 CORONAVIRUS PANDEMIC• Kaggle -- COVID-19 Complete Dataset Updated every 24hrs import numpy as np import scipy. stats import matplotlib. head 10 Days since the first confirmed death Italy Spain France UK US Iran Germany South Korea Switzerland Netherlands 0 1. 0 1. 0 1 1. 0 1. 0 2. 0 2. 0 1. 0 1. 0 1. 0 1 2. 0 2. 0 1 2. 0 1. 0 2. 0 2. 0 2. 0 1. 0 1. 0 2 3. 0 3. 0 1 2. 0 6. 0 4. 0 3. 0 2. 0 1. 0 3. 0 3 7. 0 8. 0 1 3. 0 9. 0 6. 0 6. 0 6. 0 2. 0 4. 0 4 11. 0 10. 0 1 5. 0 11. 0 8. 0 8. 0 8. 0 2. 0 4. 0 5 12. 0 17. 0 1 6. 0 12. 0 12. 0 9. 0 11. 0 3. 0 5. 0 6 17. 0 30. 0 1 8. 0 15. 0 16. 0 13. 0 12. 0 4. 0 5. 0 7 21. 0 36. 0 1 10. 0 19. 0 19. 0 17. 0 13. 0 7. 0 10. 0 8 29. 0 55. 0 1 11. 0 22. 0 26. 0 26. 0 16. 0 11. 0 12. 0 9 41. 0 86. 0 1 21. 0 26. 0 34. 0 28. 0 17. 0 13. 0 20. 0 線形近似する それでは線形近似を行っていきます。 statsmodelsライブラリとかもありますが、今回はscipyのライブラリに入っている線形回帰を行う関数 linregressを使います。 dropna. arange 0 , days , 1 , 'int' 線形近似する。 stats. Italy: doubling 2. 98 Spain: doubling 2. 99 France : doubling 2. 99 UK: doubling 2. 98 US: doubling 3. 99 Iran: doubling 3. 99 Germany: doubling 2. 98 South Korea: doubling 8. 92 Switzerland: doubling 2. 99 Netherlands: doubling 2. モデル化がワークしていると解釈してよいかと思います。 ここで気になるのは倍加時間です。 韓国では約9日で死亡者数が倍になるのに対し、ヨーロッパ諸国では2,3日で倍です。 これは10日で16倍というようなペースですから、どんな対策を取るにしろあまりにも早すぎると思います。 次にプロットを見ていきます。 左側のプロットがY軸をlogでプロットしたもの、右側のプロットはY軸がリニアのもので、X軸はどちらも死亡者が最初に確認されてからの日数です。 青が実際のデータ、オレンジがフィッティングしたデータになります。 dropna. arange 0 , days , 1 , 'int' plt. plot x,y plt. stats. log y , 'o-' axes [ 0 ]. legend [ 'Actual' , 'Fit' ] plt. 1 データがフィッティングを下回って来ている国 イタリア、イギリスなどでは直近の数日間のデータに関してフィッティングよりも実際のデータが下側に来ています。 この1つの解釈としては、 ロックダウン(都市封鎖)などにより、感染が抑えられ、その結果死亡者数が減少してきている、という解釈ができるかと思います。 例えばイギリスでは先週末あたりからパブ閉鎖などの外出抑制令を出し、かなり厳しい態勢を取ってきましたので(今は外出禁止令になっています)、この効果が出始めているのだと考えられます。 また、韓国では実際のデータでは15日目以降から死亡者数が指数関数的ではなく線形で増加しているようにも見えますが(右側のプロット)、MERSのアウトブレイクなどの苦い経験から比較的早い段階から感染に厳しく取り組んできていたので、これもまたその効果が出ているのかと解釈されます(フィッティングという意味ではあまり上手くワークしていないと解釈できますが)。 しかし、上でも述べたようにフィッティングとの乖離が見えてきた段階が初期フェーズの終わりでしたので、これからの状況はウィルス封じ込めが上手く行かなければ中期フェーズに入る可能性があり、まだ全く安心できない状況であると考えられます。 2 データがフィッティングと一致している国 フランスやスイスなどではデータとフィッティングが綺麗に一致している様子が見られます。 これは、まだこれらの国では感染が初期フェーズにある段階だと解釈できます。 また、言い換えれば、 封じ込めなどの感染対策がまだ効果を発揮していない段階だ、とも解釈できます(これらの国のニュースまでフォローできていないので実際には違うかもしれません)。 3 データがフィッティングを上回って来ているもの 一方でアメリカではここ数日のデータについては実際のデータがフィッティングよりも上に来ています。 これは 感染がモデルよりも早く拡大している状況であると解釈できます。 しかし、ニューヨークなどの大都市と、ほぼ車ばかりで移動する地方都市とでは感染の広がり方も違うかと言われますので、この解釈が間違っている可能性も十分に考えられますが、かなり注意を要する状況であることは間違いありません。 推定する 次に、 このフィッティングが合っていると仮定した場合今後1週間でどのような状況になるのか?を推定してみます。 上のグラフ同様、左側のプロットがY軸log、右側がY軸リニアのもので、オレンジがフィッティングしたデータです。 dropna. arange 0 , days , 1 , 'int' plt. plot x,y plt. stats. log y , '. -' axes [ 0 ]. -' axes [ 0 ]. -' axes [ 1 ]. -' axes [ 1 ]. legend [ 'Actual' , 'Fit' ] plt. 実際にはフィッティングと実際のデータの乖離が見えてきている国もありますし、死亡者数はロジスティック関数的に増加していくと考えられるため、これよりはずっと少ない数になると思われます。 とはいえこの半分、3分の1と考えても1万人を超えるケースもありますので、感染者数がこれよりずっと多いことを考えれば、医療体制的に1国として到底許容できる数ではありません。 日本の場合 次に、日本の場合を見てみます。 Worldometerには日本のデータは載っていませんでしたので(なぜ?)、以下のサイトで公開してくださっているCSVファイルを使用しました。 都道府県別新型コロナウイルス感染者数マップ(ジャッグジャパン株式会社提供) フィッティングについては14日目以降のデータについて行いました。 jag-japan. dropna. arange 0 , days plt. plot x,y plt. stats. plot x , np. log y , '. -' axes [ 0 ]. -' axes [ 0 ]. plot x , y , '. -' axes [ 1 ]. -' axes [ 1 ]. legend [ 'Actual' , 'Fit' ] plt. 95 倍加時間は6日と韓国まではいかないものの、他の国よりもずっと長いこと、死亡者数の絶対値が他国と比べ低く抑えられていることから、感染拡大への試みが功を奏していることが伺えます。 また、実際のデータとフィッティングとの乖離も少しですが見えていますので、まだ時間はかかるとは思いますがこのまま収束いていくことを願うばかりです。 おわりに 本稿では非常に単純な線形近似というモデルを用い、フィッティングと実際のデータの乖離・最悪のシナリオの予測、などを通して新型コロナウィルスの現状を把握しようと試みました。 繰り返しになりますが、あくまで現状を把握するためのツールですので、今後必ずこうなると主張するようなものではありませんし、いたずらに不安を煽ろうとする意図もありません。 現状から見える最悪を予測し、それに備えるためには何が必要か考えるためのFood for thoughtを提供しようとするものです。 また、モデル分析は色々な方法が使えます、例えば線形近似ではなくもっとストレートにロジスティック関数で実際のデータを近似する、などのアプローチも試したりできると思います。 もし本稿の内容にご興味を持たれた方は是非ご自分で試してみていただけると幸いです。 最後に、新型コロナウィルス対策に日々必死で頑張っておられる各国の医療関係者の方々、感染対策チームの方々に感謝を申し上げて締めくくりたいと思います。

次の

新型コロナ「感染率」ワースト1位は東京ではなく、福井だった 10万人当たり感染者数で見えた真実

コロナ 倍加時間 都道府県

表のページと棒グラフのページの2種類です。 それぞれ、「感染者数」と死亡者数についての「倍加時間」を知ることができます。 プルダウンメニューを設定していて、表示させたい国を選べます。 表の場合は複数の国を選ぶことができます。 「倍加時間」は、各日付の5日前からの増加率を使用して算出しています。 「倍加時間」が短くなっていれば、増加スピードが加速しているということになります。 逆に、「倍加時間」が長くなっていれば、増加スピードが鈍化していることになります。 日本の「感染者数」の「倍加時間」は短くなってきています。 増加ペースは、3月20日ごろと比べて、速くなってきていることがわかります。 3月上旬の外出自粛、学校休校などの「引き締め」施策の効果が3月20日ごろの「倍加時間」の長さに表れていると見ることもできます。 その増加ペースは欧米諸国と比べて緩やかです。 検査数が影響していると考えられます。 ダッシュボードのグラフの右上の欄外のところをクリックれば、グラフのデータをダウンロードできます。 Rの前処理では、lag を使って、5日前からの増加率を算出して、倍加時間を計算しています。

次の