Data-Driven Change-Point SEIR Modeling of the 2025 COVID-19 Epidemic Wave in China: Model Comparison, Robustness Analysis, and Residual Diagnostics

流行病并非静态事件；它们是书写在人类移动与病毒演变中的生动故事。为了理解这些故事，科学家经常使用一种简单的心理地图，称为分层模型（compartmental model）。想象一下，人群被分为四组：可以感染疾病的人、已经感染但尚未发病的人、正在患病且可以传播疾病的人，以及已经康复或脱离循环的人。这个被称为 SEIR 的框架，让研究人员能够追踪感染如何在一段时间内流经一个社区。驱动这种流动的引擎是传播率，这是一个代表病毒在人与人之间跳转难易程度的数值。几十年来，这些模型的一个共同假设是这一速率保持稳定，就像一阵持续吹过田野的恒定微风。然而，现实世界的爆发很少表现出如此统一的行为。疫苗、人们互动方式的变化、新的病毒变异株以及季节性转变，都可能改变这阵“风”，有时甚至会发生剧烈变化。挑战在于，科学家如何确定这些转变何时发生以及如何发生，而不仅仅是根据图表上的数据形态进行猜测。

在 2026 年 8 月发表的一项研究中，研究员徐莉琳（Lilin Xu）通过研究 2025 年中国的新冠病毒波次来解决这一问题。数据显示了一个清晰的模式：病例在春季急剧上升，在 5 月下旬达到高峰，随后在整个夏季开始漫长而稳定的下降。核心问题在于，这整个过程是否可以用单一且不变的传播率来解释，还是病毒的行为在某个时间点发生了根本性的转变。为了找到答案，徐并未简单地选取病例达峰的那天并宣布传播率发生了变化。相反，该研究将变化的发生时间视为一个由数据本身来解开的谜题。研究人员测试了数千个可能的日期，将模型拟合到每日病例数上，以寻找每个潜在转折点。其目标是利用一种严谨的统计方法——这种方法在追求准确性的同时会对不必要的复杂性进行惩罚——来找到数学描述与现实世界数字契合度最高的特定日期。

分析显示，假设传播率恒定的模型无法捕捉到疫情的真实形态。它无法同时解释 5 月份的快速上升和随后的持续下降。然而，当模型被允许拥有两种不同的传播率时——即在特定日期之前和之后各有一种——拟合效果得到了显著提升。数据指出，2构 2025 年 5 月 24 日是变化最可能的时刻。这个日期比观察到的每日病例峰值早了两天，这种时间差在生物学上是合理的，因为在变化发生前发生的感染会在几天后继续发展并被上报。在此转折点之前，模型表明病毒正处于扩张阶段，即每个感染者很可能感染不止一个其他人。变化发生后，传播率大幅下降，使疫情转向了收缩阶段，即病毒已不再能够维持其增长。

该研究进行了大量工作，以确保这一结论并非基于特定数值选择的偶然现象。研究人员针对关于人们保持传染期时长以及在出现症状前处于潜伏期时长的各种假设，对模型进行了测试。在每种情景下，核心发现都保持一致：疫情从扩张状态转向了收缩状态。即使研究人员调整了数据的规模（考虑到报告病例仅为实际感染的一小部分），结论依然保持稳定。这种稳健性表明，传播率的转变是 2025 年波次中真实的结构性特征，而非数据测量或解读产生的偏差。该研究明确避免声称特定的政府政策或干预措施导致了这种下降。相反，它将传播强度的变化识别为一个既定事实，而将具体的诱因——无论是行为变化、新变异株还是其他因素——留待后续单独调查。

即便使用了改进后的模型，研究人员也发现故事并非完全平滑。当他们观察模型的预测值与实际报告数字之间的差异时，出现了一个明显的每周规律。模型往往会高估周末的病例数，并低估工作日的病例数。这是疾病监测中的常见现象，很可能是由于检测、实验室处理和报告工作在周末通常会放缓，并在周间进行补报。这一发现强调了一个重要的区别：模型成功捕捉到了疫情宏观的、跨越数月的轨迹，但它无法解释报告系统中日常的行政节奏。研究结论认为，虽然简单的模型是理解疫情大局的强大工具，但必须配合仔细的检查，以了解它们遗漏了什么。通过让数据本身说话，而不是强行套用单一的恒定速率，该研究为中国 2025 年疫情波次的展开提供了一个更清晰、更诚实的图景——即从一段快速增长期转向了一段漫长且稳定的下降期。