1. 传播动力学

“道生一，一生二，二生三，三生万物。” ---《道德经》

所谓“不积跬步无以至千里”，任何变化都是由点滴变化决定并发展起来的。知道所有的微观点滴变化，就能够掌握宏观变化。点滴变化决定并发展成宏观变化这一过程可以用动力学模型描述。点滴变化有时会被忽略，当充分显现时经常会势不可挡。有“风光人不觉，已著后园梅”，更有“山青花欲燃”。今天楼下迎春花开数朵儿，很快就多得数不过来了。

对点滴变化的研究，有两个方面。一个是研究引起变化的原因，这属于特定专业范畴，如研究新冠病毒的S蛋白和ACE2之间的亲和力；另一个方面是研究变化发展规律，从而预判宏观变化态势，这属于传播动力学范畴，如预测传播期、感染人数规模，评估防疫效果等。

传播动力学可见于小道消息传播，和传播者、接收者数量，以及传播者与接收者之间的互动频次有关。

类似的传播动力学还常用于网络信息传播、计算机病毒传播、商品/服务推荐、大型网络故障继发效应等。这里关注传染病。

2. 人群SIR划分

"The beginning of wisdom is the definition of terms." --- Socrates

在平静的日子里，大家自由地生活。有个调皮的小伙伴躁动不安，不幸中招，之后是他的亲戚朋友同事，再后来累及整个人群，如下图：

注：橙色表示刚中招，蓝色中招超一天。

考虑一种最简单的情况，新病毒和所有人都有亲和力，即所有人都是易感者，这样可以进行如下分类：

设总人数为N ，维持不变，不考虑自然生死和迁入迁出。
染病者治愈后有抗体不会再被感染，称为移出者（百毒不侵者），用集合R 表示（Removeds）。得此病不幸远去者，也归于此类。有些传染病，患者治愈后还可以被传染，那么移出者只包含这些最终不幸的患者。
中招的且没有治愈的人称为感染者（播散病毒者），用集合I（Infectives）表示。
还没有中过招的人称为易感者（小心提防者），用集合S（Susceptibles）表示。愈后无抗体的会重新回到S 。
某时刻t ，感染者占比为i(t)，则感染人数为N·i(t) ; 移出者占比r(t) ，则移出者人数为N·r(t) ；易感者占比为s(t) ，则易感者人数为 N·s(t) 。显然，r(t)+i(t)+s(t)=1。

3. 自由传播传染

新病毒在作孽初期，还没有入医生的法眼，医疗机构和防疫部门还没有采取措施，病毒在逍遥地自由传播。不考虑治愈和死亡。

既然是研究点滴变化，我们就取一足够小时间段Δt 。最够小的时间段内感染人数增加可看作线性变化，和病毒散播者（感染者）数量成正比，和单位时间内每人平均有效接触数次数λ 成正比。因为感染者单位时间平均有效接触的λ 次中，接触易感者比例为s(t)，所以引起传染的人数为λs(t)。这样可以得到以t 时刻为起点的Δt 内，感染者增加为：

对应的微分方程及其解为：

自由传播，没有考虑治愈情况下，人群分为S 和 I，且最终所有的人都会被感染。上述传播模型称为SI模型。SI模型只是在传染病发生初期有效，可以用来预测病例增加速度的峰值到来时间。λ 值越大，传染性越强，称为日接触率，此时t的单位为天。我们以1000万人口的城市为例，假设第1天，不知什么原因产生了一个突发病人。感染者比例和时间的关系如下图所示，λ 值为0.9时，感染人数超过99%需要24天；λ 值为1.3时，只需要16天。当然，本次新冠的λ 值要小得多。

挖掘λ 值的影响因素对于防疫工作非常重要。总的来讲，可以归结为如下几个方面：

传播途径。古登堡当年铸造的镜子，反射圣物上的反射光的反射光来救赎拿镜子人的罪孽，λ 值会大得惊人。“红眼病”，一见就妒，也不好控制。本次新冠主要是飞沫传染，有效接触距离为几米，“拱手不握手”就差不多避免了。值得注意的是，飞沫传染比体液传播的λ 值大的多，不可小觑。
人们的生活习惯。少聚会、勤洗手，显然可以有效降低λ 值，拥抱和贴面之类的问候，肯定会乐坏了新冠病毒。
隔离强度。要想减少甚至切断感染者和易感人群之间接触，最有效的办法是隔离。正如我们现在享受的居家时光，远程工作、网上学习。对于可敬的医生和各类保障支撑人员，不能居家，只能加强自我防护。

有效接触率λ 能够反映传染病之传染性的强弱，但总让人觉得不够直接。Anderson 等1992年提出了一个定义R0（基本再生数）用来反映传染性的强弱。R0定义如下：“the average number of secondary infections produced when one infected individual is introduced into a host population where everyone is susceptible”。在一个全部都是易感者人群中，引入一个感染者引发传染病，R0相当于一段时间内（可以是全部中招后）平均每个患者感染的人数。

套用一句俗话“一传十、十传百”。实际上传染过程是随机的，没这么简单，不过仍然可以部分说明问题。基于“一传十、十传百”，第一天引入一个患者；第二天新感染R0个；第三天新感染R02；...，第k天新感染R0(k-1)，共有感染者：

由上式不难看出，R0<1时，传染病会逐渐消亡；R0>1时，传染病会爆发。R0越大，疫情发展会更快。如此看来，用R0值来衡量传染性的强弱更易懂一些。R0的计算可以采用两种方法，一个是根据流行病学调查，统计每个确诊者的密切接触者之中被感染的人数，计算均值得R0；另一种是通过建模计算R0。计算R0是要注意患者人群的差异，患者隔离状态差异等因素。在发病初期，R0会高，后期随着人们认识程度提高，患者被收治隔离的比例提高，R0会显著下降，λ 值也是如此。打败疫情，在数学上就要把R0降到1以下。

还是用上面的例子，对于1000万人口的城市，如果R0=3，基于“一传十、十传百”的方式，16天会使全部感染。如下图，大致相当于SI模型中λ 值为1.218对应的情况。