模型的角色

席佛把流行病做為複雜系統的最後一個範例。從 1976 年福特政府的豬流感慘案、2009 年的 H1N1 大流行，到 SIR 模型在芝加哥麻疹爆發與舊金山愛滋悖論中的失靈，本章所要回答的是：當預測對象同時帶有指數成長、回饋迴圈與資料污染時，「模型」究竟該扮演什麼角色？

1976 年豬流感：當警鈴遠大於疫情#

1976 年 1 月，紐澤西州迪克斯堡（Fort Dix）軍營：

19 歲士兵路易斯（David Lewis）發燒卻仍隨隊行軍 50 英里，最後病倒身亡，肺部充血——死於一種非典型重症流感。
CDC 鑑定後發現，他與其他幾百名感染者所感染的並非當年流通的 A/Victoria，而是 1918 年西班牙流感同型的 H1N1——曾奪走全球約 5,000 萬人命。
當時學界流傳「重大流感大約每十年會大流行一次（1938、1947、1957、1968）」，1976 因而被認為「該輪到了」。

衛生部長馬修斯（F. David Mathews）公開預測「將有 100 萬美國人死亡」。
但醫學專家私下評估的最壞情境機率僅 2–35%。福特總統決定大規模疫苗計畫（2 億劑、$1.8 億預算），把它定義成「金錢 vs 生命」的賭注。

夏季南半球疫情季沒有出現 H1N1 蹤跡；CDC 副主任、WHO、《刺胳針》、《紐約時報》紛紛質疑警報。但白宮反向加碼，推出戲劇化公益廣告。十月，民眾開始接種：

三名匹茲堡長者、兩名奧克拉荷馬市長者、一名邁阿密長者接種後過世——皆無證據與疫苗有關，但媒體未做統計脈絡解讀，疫情恐慌轉為疫苗恐慌。
大約 500 例格林—巴利症候群（Guillain–Barré syndrome）——一種罕見自體免疫癱瘓，發生率為一般族群的 10 倍。
12 月 16 日，計畫終止。

結局：H1N1 從未在迪克斯堡之外擴散，當年 A/Victoria 死亡人數低於平均。
福特當年連任失敗。
政府因法律豁免條款承擔 26 億美元賠償索賠。
此後幾年願意接種流感疫苗的美國人銳減至約 100 萬，若 1978–79 真的爆發強毒株，將更加致命。

2009 年 H1N1：先漏看、再過度預警#

流感主要由海鳥（信天翁、海鷗、鴨、鵝）攜帶基因跨洲，再傳給雞與豬。
雞會生病但能存活並把病毒傳給人類。
豬同時對人、禽、自己的病毒易感，是混合與突變的最佳容器。

孵化新型流感的「完美三條件」：人豬密集接觸、靠海有候鳥、開發中國家衛生條件較差——這描述的是中國、印尼、泰國、越南。但 2009 年的 H1N1 起源於墨西哥韋拉克魯斯州（Veracruz）——同樣符合這三項，只是當時學界都把目光放在亞洲的 H5N1。

預測歷程的兩段失誤：

第一波過度警報：墨西哥約 1,900 例、150 死，致死率約 8%（高於西班牙流感）；歐洲對美墨發布旅遊警告，香港新加坡股市重挫。
回落樂觀：美國 4/26–5/11 從 20 例暴增到 2,618 例，但僅 3 死，致死率與一般流感相當；CDC 一週內就建議重開停課學校。
第二波警報：6 月 WHO 升級為第 6 級（最高）大流行，學界擔心步上 1918 二波、三波的後塵；8 月美國官方提出「合理情境」可能感染半數人口、9 萬人死亡。
實際結果：約 5,500 萬美國人感染（佔人口 1/6），約 11,000 人死亡，致死率僅 0.02%；當季流感死亡人數甚至略低於平均。

外推法（extrapolation）的危險#

「外推」就是假設當前趨勢無限延伸——常常錯得很離譜。

1894 年《泰晤士報》預測：到 1940 年代，倫敦每條街道將被 9 英尺深的馬糞覆蓋；十幾年後福特 Model T 解危。
17 世紀經濟學家佩蒂（William Petty）依當時人口成長率推估，2012 年世界人口約 7 億（實際逾 70 億，差 10 倍）。
1968 年艾爾利希夫婦（Paul Ehrlich, Anne Ehrlich）的《人口炸彈》預言 1970 年代將餓死數億人；他們假設「自由戀愛時代」的高生育率會延續，忽視女性教育與就業興起會壓低生育。
1980 年代初按 AIDS 累積病例外推，會在 1995 年得出 27 萬例；實際為 56 萬例，外推法低估近一倍。
但即使方法用對，外推法在指數成長時誤差區間極寬（35,000 ~ 180 萬例之間），預測力有限。

流感預測為何在 2009 年失準#

兩個關鍵變數：

基本再生數（R₀, basic reproduction number）：在無疫苗、無隔離下，每個感染者預期傳染給多少人。
季節性流感 ≈ 1.3
1918 H1N1 ≈ 3
2009 H1N1 ≈ 1.5
SARS、HIV/AIDS ≈ 3.5
天花 ≈ 6、麻疹 ≈ 15、瘧疾 ≈ 150
致死率（case fatality rate）：死亡數 ÷ 病例數。

這兩個量都需要疫情走完才知道，但學界必須在初期、資料雜訊大時就外推。

致死率是分子與分母都有不確定的比值。
分母被低估：墨西哥的醫療回報遠不如美國，許多輕症未進入統計，因此 1,900 例僅是冰山一角。
分子被高估：實驗室複檢顯示，僅約 1/4「歸因 H1N1」死亡確實有 H1N1 跡象。
媒體效應：H1N1 進入美國後成為熱話，輕症也大量被通報，進一步扭曲分母。

愛滋早年也是同樣現象：因為汙名與不熟悉，很多疑似病例未被診斷或被誤診，等多年後重新檢視老病歷才有較準確估計。

自我實現與自我抵消的預測#

自我實現（self-fulfilling）：預測本身改變人們行為，反過來讓預測成真。
2012 愛荷華初選 CNN 民調出現桑托倫（Rick Santorum）跳升至 16% 的離群數據，引發媒體聚焦，最終真的讓他贏。
時尚界提早一年「決定」流行色——只要設計師、模特兒、店面同步轉向棕色，公眾跟風使預測成真。
自閉症診斷數量與媒體出現「autism」一詞的頻率幾乎完全同步：哈佛公衛學者奧佐諾夫（Alex Ozonoff）指出，越被討論的疾病，回報率越接近 100%。

自我抵消（self-cancelling）：預測讓人們做出反向行動，反而使預測落空。
GPS 導航推薦同一條「較快」路線給所有駕駛，路徑反而塞車變慢。
流感預測的部分目的本就是讓人改變行為（接種、洗手、戴口罩），「最有效的預測」可能因此看起來「失準」。

簡單但要「精緻地簡單」#

芬蘭學者寇可（Hanna Kokko）把建模比喻為製圖：太少細節無用，太多細節讓旅人迷路。
第五章已示範過：太複雜的模型會把雜訊當訊號（過度配適）；但太簡單的模型則會讓重要差異被均質化掉。

最基本的傳染病模型是 1927 年提出的 SIR 模型：

S（Susceptible）→ I（Infected）→ R（Recovered）。
疫苗就是「跳過 I」直接到 R 的捷徑。
數學僅幾條微分方程，筆電幾秒可解。

但 SIR 假設整個人口同質且隨機混合——這個假設在多種情境下都被打破。

舊金山愛滋悖論：行為比生物更靈活#

1990 年代末到 2000 年代初，舊金山男同志社群的無套性行為明顯增加：

解釋包括安非他命使用增加、抗反轉錄病毒治療延長壽命、年輕世代對 1980 年代愛滋陰影較淡。
各種梅毒與淋病的新增病例同步上升（梅毒從 1998 年的 9 例升到 2004 年的 502 例）。
但 HIV 新增診斷數沒有跟著上升，反而在 2004 年達到流行病學起算最低點。

解釋：男同志社群越來越擅長「血清狀態配對（serosorting）」——刻意選擇與自己 HIV 狀態相同的伴侶。
公衛宣傳轉向「協商安全（negotiated safety）」可能起到正面作用。
網路逐漸取代酒吧成為媒合場域，個人檔案揭露 HIV 狀態使溝通更容易。
SIR 假設「人人同等易感」，當風險不對稱地分布在子族群時，模型會嚴重高估 HIV——你不會走進雜貨店就染上 HIV。

芝加哥麻疹與迪克斯堡：模型在哪裡失靈#

麻疹本應是 SIR 模型最容易處理的疾病：可血液檢測、僅一種變異株、感染必有症狀、終生免疫。

但 1980 至 1990 年代初，芝加哥連年爆發麻疹，每年高達一千名孩童感染——市府甚至派護士挨家挨戶接種。
達姆（Robert Daum）醫師發現問題在芝加哥的「鄰里隔離」：南區貧窮、非裔多的社區疫苗接種率低，這些孩子上同一間學校、互相打噴嚏，違反了 SIR 中「隨機混合」的假設。

同樣的「非隨機混合」可能誤導了 1976 年的迪克斯堡危機。
軍營空間擁擠、共享物資、體能高負荷、有「生病也要報到」的文化——疾病傳播條件遠比一般社區強。
230 例的快速擴散讓學者誤以為 R₀ 接近 1918 年的 3。
後續研究顯示 A/New Jersey/76 的 R₀ 僅 1.2，與普通季節性流感相當；它在迪克斯堡耗盡可感染對象後就熄火，根本未具大流行潛力。

席佛強調並非「複雜模型一定優於簡單模型」——複雜模型同樣可能高自信、過度配適。但模型應「精緻地簡單（sophisticatedly simple）」，能反映現實中重要的不對稱與群聚結構。

SimFlu：以代理人模擬整座城市#

氣象預測的成功部分歸功於對大氣的物理模擬。流行病領域則正在發展對應的方法——「代理人基模型（agent-based modeling）」。

匹茲堡大學的 FRED（Framework for the Reconstruction of Epidemic Dynamics）：

在電腦中建構整座匹茲堡——每個人都是代理人，有家庭、社交網路、學校、工作場所與信念。
學校大小不一、孩子並非都讀最近的學校，模擬出非隨機混合。
模型可呈現 zip code 等級的疾病擴散波動，需要超級電腦運算。

這類模型對行為資料極依賴，但人們會說謊。
受訪者宣稱洗手、戴保險套的頻率，遠高於實際。
民眾接種意願與「自身對疾病風險的感知」高度相關，而這種感知會隨身邊有人生病、新聞報導而動態改變——再次帶入自我實現／抵消的迴圈。

芝加哥團隊則用代理人模型研究 MRSA（對抗生素具抗藥性的金黃色葡萄球菌），它的傳播路徑包含擁抱、共用毛巾、運動更衣室、甚至監獄環境。

即便如此，多數團隊仍只把代理人模型用於「為了洞見而建模（modeling for insights）」，而不是直接做預測。
部分結論已經有實際指引：
學校關閉太短或太早可能反而適得其反（匹茲堡團隊）。
芝加哥內城的 MRSA 集中現象與庫克郡監獄的人流進出有關（芝加哥團隊）。

預測困難時，該如何前進#

席佛訪談的流行病學家普遍對自己模型的限制保持謙遜。Lipsitch：「依靠 1918、1957、1968 三個資料點做預測本身就很愚蠢，能做的就是為不同情境準備計畫。」

如果你做不出好預測，假裝能做反而有害。
醫療人員深諳「Primum non nocere（首先不要造成傷害）」——劣質模型在醫學裡會死人，這份戒慎讓他們對統計方法的應用比其他領域更講究。

統計學家 George E. P. Box 的名言貫穿本章：

「所有模型都是錯的，但有些模型是有用的。」
模型必然簡化宇宙，否則就不是模型。
「貓的最佳模型就是一隻貓」——任何更小的模型都得捨棄細節。
細節是否關鍵，視問題與要求精度而定。
連語言都是一種模型——「黃色」對你我足夠，對平面設計師則需要 Pantone 107。
好模型即使預測錯誤仍有價值：奧佐諾夫說「預測平均都會錯，重點是知道它怎麼錯、錯了該怎麼辦、如何把代價最小化。」

席佛在本章收尾把全書分為兩半：

前半部主要講「我們的近似在哪裡服務了我們、又在哪裡背叛了我們」。
後半部要展示如何一步步把這些近似變得更好——下一章就是貝氏定理登場。