西南财经大学金融科技国际联合实验室是一个以国内外顶尖高校、国际金融机构、政府以及监管机构多方联合建设的开放性网络状资源集聚平台。在全国上下抗击疫情的过程中，实验室发挥自身优势积极参与疫情防控相关研究工作，3月份联合中国女企业家协会发布《新冠疫情影响下中国女企业家经营现状、面临问题及相关措施建议——1069位女企业家问卷调查报告》，如今在疫情较为稳定时期及抗疫后期，实验室利用技术优势开发疫情预警动态网络，为疫情防控工作贡献一份力量。

壹

创作背景

在2020年春天爆发的大规模新冠肺炎疫情，使我们国家的医疗系统，物流系统，甚至区域管理能力都面临前所未遇的挑战。

在疫情初期，由于疫情蔓延较为迅速，及时获得一体化的动态疫情数据帮助抗疫管理指挥人员做出正确决策就成为了这场战役制胜的关键。在进行了大量的调研工作后，我们开发了一系列的抗疫指挥台数据可视化方案，在疫情较为稳定时期及抗疫后期，及时发现无症状感染者及预测高危的密切接触人群则成了抗疫能否取得最终胜利之关键。我们团队在不断探索中构建出一个确诊患者与密切接触者之间的关系网络，使之随着疫情态势的发展动态演变，最终直观清晰地展现出从个体传播路径到整体防控态势的全部信息。

贰

FIC创新解决方案团队

FIC创新解决方案团队是以孵化金融科技创新理念和培养金融科技人才为目标，对接金融行业，前沿科技企业与学术界顶级资源为渠道，致力于研发金融科技解决方案和为业界提供定制化金融科技创新服务的锐意创新团队。团队在金融科技创新，用户体验设计，大数据分析及人工智能，云计算，区块链，IT管理技术等领域深耕多年，同时也积极参加社会公益事业。

FIC创新解决方案团队成员在高维数据可视化领域有多个项目经验，并持续积极地进行前沿的可视化技术探索。在本次疫情数据可视化项目中，我们组建了一支由多个专业角色（包括：业务分析师 / 用户体验设计师 / 数据工程师 / 可视化工程师）所组成的公益项目团队。

叁

数据来源

疫情预警动态网络所需的基础数据包括：每日确诊者、密切接触者、对应的接触方式、治愈、死亡等状态变化、人员基础信息等数据。由于我国充分动员了社区资源，为了做到应收尽收、隔离防控，充分排查了所有确诊人员的基础信息以及对应的密切接触者信息，这一部分数据大多以非结构化形式沉淀于各级社区、疾控机构，但是鉴于隐私保护等原因，此类数据暂时无法从公开渠道获取。

为了验证疫情预警动态网络的可视化效果与分析支持能力，FIC团队设计了一套模拟数据生成逻辑，模拟了一个10000人规模的社区中，从疫情发生开始近一个月的数据。数据生成中所涉及的主要逻辑如下：

STEP 1.初始设定10000个健康个体，并对其进行ID编码

STEP 2.在首日2020-01-20（T日）加入N例确诊病例作为输入型病例

STEP 3.对于每日新确诊的人，计算其密切接触者：

· 针对每一个今日（T日）确诊者i，将T日健康人群分为六大类：家庭、工作、交通、商场、医疗、其他。

· 从六类人群中分别以不同概率抽取一定数量的人作为确诊者i的密切接触者，并记录每一个接触者的接触方式。

· 确诊者i在T日隔离，未来不再产生新的接触者。

STEP 4.更新日期到T+1日，根据预设的治愈率、死亡率以及继续治疗的概率更新现有确诊者的状态，对于现有密切接触者根据不同的接触方式所预设的传染发病率，更新其是否转变为确诊状态，对于新的确诊者，沿用 STEP 3的逻辑计算其密切接触者。随机加入一定量输入病例。

肆

作品功能说明

本章节将从构成网路图基本元素和作品核心交互两个维度对本次作品功能进行详细阐述。

01

基本元素

疫情预警动态网络为多点无向网络，以确诊和接触人群作为基础点，构建了人群间接触情况的复杂网络，同时设计了时间轴滑杆来帮助用户浏览疫情在人群中的传播动态，也设计开发了有关重要接触者的筛选工具，协助用户便捷直观地发掘出潜在的主要传播者。其中成图所涉及的基本元素设计如下：

点 确诊病例与密切接触者共同构成了所有的点。点的状态共有六种：确诊、密切接触者、治愈、死亡、解除医学观察以及无症状感染；可以通过图例所示相应的颜色来区分。确诊病例状态会转变为治愈或死亡；密切接触者会转变为确诊或解除医学观察，继而变为治愈或死亡。点的大小和其密切接触者的数量正相关。

边 两点之间有接触史则在其之间连线，接触状态暂分为6类，可以由图例所示连线的颜色来区分，依次为：家庭、医疗接触、工作、交通、商场、其他。

>> 区分各类人群状态

>> 区分各类接触状态

时间轴 滑动时间轴可以查看每日数据更新带来的网络图变化情况。滑动时间轴时，会有新增确诊病例，也会同步产生更多密切接触者，同时上一日的人员状态也会根据数据更新的情况进行演变。

>> 浏览不同时间节点数据

Tooltip 当前选中点的基本信息、接触史、确诊日期等。

>> 关注个体接触感染史

>> 多位感染者密切接触个体的接触感染史

02

核心交互

密切接触者筛选 通过调节滑杆，筛选出尚未确诊的人群中，超过一定密切接触次数的接触者。借助这个功能，用户可以非常迅速直接地定位到疫情传播风险最高的一批密切接触者，进而合理安排防控重点对象。

鼠标点上悬停 显示所有与该点直接相连接的点，其他剩余的点和连线隐入背景。

鼠标单击某个点 展开显示与该点直接相连接的所有点，这部分点和连线的显示不受密切接触者筛选条件的限制。

>> 密切接触者筛选

>> 鼠标悬停显示特定点及连接状态

切换展示维度 可以在侧重点自身所处状态和侧重点之间的连接关系两种不同展示视角之间自由切换。在关注人员分类状态时，网络图中每个点的颜色样式由其所处状态决定，此时连线统一为白色；在关注人员之间的接触关系时，点的颜色仅根据是否确诊来区分（红色为确诊，白色为尚未确诊的密切接触者），点之间连线的颜色则根据其接触状态显示出6种不同的颜色。

>> 以接触关系为主的视角

>> 以人员分类为主的视角

单点搜索跟踪 可以搜索任意一个点，进入该点的选中锁定状态，即显示所有与该点直接相连接的点，其他剩余的点和连线隐入背景，同时在此状态下可以滑动时间轴，追踪该点状态及所属传播网络的动态变化过程。双击网络图空白处即可退出该点的选中锁定状态。在此样本数据中，每个点用ID编码，例如确诊为I1,I2,I3....；密切接触者为C1,C2, C3,C4,...。

>> i6患者2020-01-23搜索结果

>> i6患者2020-02-06搜索结果

伍

应用场景与社会价值

疫情预警动态网络可以广泛应用在社区疫情防控、重点人员筛查、检测资源与疫苗资源科学分配等场景中，帮助一线防疫工作者在排查确诊与密切接触者人员数据的同时，最大程度地发掘出其中所蕴含的价值，为基层工作者提供直观、易用、高效的可视化分析工具，提升工作效率，做到科学防控，有的放矢。

当前国内疫情态势趋于稳定，复产复工有序开展，然而境外疫情发展则进入爆发期，各国政府根据本国情况采取了一系列侧重点不同、防控强度不一的防疫政策。我国过去近两个月的巨大投入如今取得了显著成果，充分验证了在面临新型冠状病毒的威胁时，通过大规模动员社区资源，进行网格化管理的模式是卓有成效的，值得各国政府参考借鉴。

在此次疫情应对中，基层社区防疫工作人员通过走访排查，积累了大量疫情相关人员信息以及密切接触者信息，但是受限于分析工具相对有限，工作人员需要花费相当的时间与精力才能从原始数据中梳理出基本的人员接触传播路径，如果借助疫情预警动态网络，则可以大幅度简化分析过程，并在传染路径的基础上深度挖掘出更多信息。

作为一个 轻量级的可视化分析工具 ，疫情预警动态网络只需要按照一定格式录入每日确诊者、密切接触者、相应接触方式、治愈、死亡等状态变化、人员基础信息等数据，即可以自动成图。社区防疫工作者可以非常直观地观测到所有确诊、密切接触者之间的传播网络状态，第一时间掌握到本区域内的主要传播方式，聚集状态等信息。同时，通过筛选接触频次较高的密切接触者，可以帮助防控人员识别出潜在的重点传播者，甚至是尚未确诊的无症状传染者，并依此优先调配病毒检测资源，合理分配工作重点。在疫情发展的中后期，当疫苗或其他防控药物开始供应时，可以借助复杂网络分析中经典的免疫理论，基于疫情预警动态网络进行定量分析，得出科学高效的免疫策略，通过对少量核心人群的免疫干预来最大程度降低病毒在社区中的传播概率，做到防控效用最大化。另一方面，通过疫情预警动态网络汇总分析的数据，可以为后续传染病溯源提供有力支持。

陆

技术说明

可视化实现

在可视化实现上，采用React前端框架，基于可视化图形组件ECharts绘制成图，后期根据功能更新与交互调整的需求，可以迁移到D3.js重构开发。

数据处理

主要使用Python构建了原始数据模拟生成的逻辑，在实践操作中，各地社区防疫摸排的实际数据可以整合为一定格式的CSV文件，借助Python脚本自动化处理为前端可应用的Json文件。另一方面，考虑到个体信息的隐私保护，本平台可以实现集中部署在省市地方的疾控机构服务器，根据网格划分进行分区授权，落实区域内管控责任，并保障疾控部门的居中协同管控能力。