Rozdział 5 Analiza danych związanych z COVID-19

5.1 Popularność haseł związanych z koronawirusem w Internecie

5.1.1 Google

Według narzędzia Google Trends w 2019 roku wyszukiwanym w przeglądarce Google hasłem, które zyskało największą popularność⁴ na całym świecie było “India vs South Africa”, natomiast w przypadku nowości/wydarzeń – “Copa America”. Popularność zdobyło również “Notre Dame”, które w kategorii “News” znalazło się na miejscu drugim, co niewątpliwie ma istotny związek z pożarem tejże katedry, który wybuchł 15.04.2019 r. (w 2018 roku “Notre Dame” nie znalazło się na żadnej z dziesięciu pozycji). Szczyt popularności osiągnięty został we Francji (wartość popularności hasła równa 100), za nią natomiast figurowały Kanada i Belgia (o wartościach popularności hasła równych 52 i 50 odpowiednio). Z kolei w Polsce popularne stały się tematy związane z “Strajk nauczycieli”. Użytkownicy zastanawiali się, “Jak głosować w wyborach do UE?” czy “Jak rozliczyć PIT za 2018?”, co również ma związek z pewnymi utrwalonymi, ale też czasowo pojawiającymi się w kraju wydarzeniami. Mimo że wyszukiwania pomiędzy różnymi krajami świata znacząco różniły się od siebie w kwestii popularności, wskazując tym samym na niejednoznaczną i często unikatową specyfikę omawianych tematów/wydarzeń w danym kraju, rok 2020 w pewien sposób je zjednoczył, co zauważa się we wspólnych i charakterystycznych dla tego roku pojęciach. Wśród “Searches”, jak i “News” w czołówce znalazły się “Coronavirus”, “Coronavirus update” i “Coronavirus symptoms”. Na pierwszy plan wysunęły się przedstawienie ogólnej sytuacji związana z koronawirusem (zapytanie “coronavirus update” – wartość 100 popularności hasła) czy też dane dotyczące nowych zakażeń (zapytanie “coronavirus cases” – wartość 93 popularności hasła). Te same pojęcia również przewijały się w wyszukiwaniach wśród obywateli wielu krajów, m.in. Polski, Niemiec, Meksyku czy Norwegii.

Lista najpopularniejszych wyszukiwań (“Searches”) w przeglądarce Google w 2020 roku dla różnych krajów świata, jak i całego świata. Źródło: opracowanie własne na podstawie danych dla roku 2020 z Google Trends (Google, 2021).

	Świat	Polska	Niemcy	Meksyk	Norwegia
1	Coronavirus	Koronawirus	Coronavirus	Coronavirus	Koronavirus
2	Election results	Koronawirus w Polsce	US Wahl	Classroom	USA-valget
3	Kobe Bryant	Wybory USA	Wetter morgen	Elecciones Estados Unidos	Joe Biden
4	Zoom	Koronawirus porady	Wirecard	Bienestar Azteca	FHI
5	IPL	Google Classroom	Biontech Aktie	Juegos de Doodles de Googlepopulares	Corona symptomer
6	India vs New Zealand	Microsoft Teams	Kobe Bryant	Zoom	Munbind
7	Coronavirus update	Koronawirus mapa	iPhone 12	Consejos sobre el coronavirus	Førstegangstjenesten
8	Coronavirus symptoms	365 dni	Disney Plus	Síntomas del coronavirus	Kobe Bryant
9	Joe Biden	Joe Biden	PS5	Among Us	iPhone 12
10	Google Classroom	Kobe Bryant	Joe Biden	Champions League	Coronavirus Norge

W 2020 roku “Coronavirus” w kontekście wyszukiwań największą popularnością (100) cieszył się we Włoszech – dalej w Hiszpanii (89) i Katarze (80)⁵. Użytkownicy na świecie wyszukujący to pojęcie byli również zainteresowani takimi tematami, jak “Włochy — kraj w Europie” (przede wszystkim w marcu 2020 r.), “Worldometer — witryna internetowa’ (głównie w marcu i kwietniu 2020 r.) i”Statystyka — dziedzina nauki’ (głównie w marcu 2020 r.). W Polsce natomiast pojęcie “koronawirus” cieszyło się dużą liczbą wyszukiwań wśród wszystkich województw — przede wszystkim podkarpackim (100), ale też świętokrzyskim (98), podlaskim, lubelskim (95), kujawsko-pomorskim (94), opolskim (93), warmińsko-mazurskim (92) i śląskim (92). Zarówno w Polsce, jak i na świecie pojęcia związane z koronawirusem (“Koronawirus”/“Coronavirus”, “COVID-19”, “SARS-CoV-2”) były najczęściej wyszukiwane w czasie ogłoszenia przez WHO pandemii, a więc w marcu 2020 r., a w Polsce również zaobserwowano wzrost popularności w porównaniu z poprzednimi miesiącami pomiędzy 2 a 8 sierpnia (22) i 4 a 31 października (22–27). W dowolnym okresie hasło “Koronawirus/Coronavirus” cieszyło się większą popularnością w zestawieniu z “COVID-19” i “SARS-CoV-2” (rysunek 5.1).

Wskaźnik zainteresowania danym hasłem związanym z koronawirusem wyszukiwanym w wyszukiwarce Google w czasie. Zainteresowanie ujęte jest w skali 0-100, gdzie 100 to najwyższa popularność hasła, natomiast 0 oznacza, że dla hasła nie zebrano wystarczającej ilości danych. Źródło: opracowanie własne na podstawie danych z narzędzia Google Trends (Google, 2021).

Szczyt popularności haseł związanych z tematyką “Koronawirusy”⁶ w wielu krajach świata (rysunek 5.2) przypadł w pierwszej połowie marca, kiedy to WHO zaklasyfikowała zagrożenie ze strony COVID-19 jako pandemię, co dokładniej miało miejsce 11.03.2020 r. Wysoka popularność tejże tematyki utrzymywała się przeważnie do pierwszej połowy kwietnia, a potem spadała, osiągając różne maksima w zależności od kraju świata będące konsekwencją charakterystycznych dla danego kraju zdarzeń związanych z koronawirusem — w głównej mierze jest to szybko rosnący wzrost dziennej liczby zakażeń.

Wskaźnik zainteresowania (w ujęciu tydzień do tygodnia) tematyką “Koronawirusy” wyszukiwaną w wyszukiwarce Google w czasie dla różnych krajów świata. Zainteresowanie ujęte jest w skali 0–100, gdzie 100 to najwyższa popularność haseł z tej tematyki w danym czasie, natomiast 0 oznacza, że dla haseł nie zebrano wystarczającej ilości danych. Źródło: opracowanie własne na podstawie danych z narzędzia Google Trends (Google, 2021).

Przykładowo, pierwszy przypadek COVID-19 w Polsce zgłoszono 4.03.2020 r. Od tego czasu stwierdzono nagły wzrost popularności tematyką koronawirusa wśród użytkowników wyszukiwarki Google, która swoje maksimum (100) osiągnęła w pierwszym tygodniu marca, gdzie jeszcze w ostatnim tygodniu lutego wyniosła 28. Zainteresowanie na poziomie większym od 50 utrzymywało się przez kolejne 4 tygodnie, a od ok. pierwszej połowy kwietnia zaczęło spadać do poziomu ok. 10–25, z czego kolejny największy, ale tym razem lokalny wzrost zaobserwowano w drugiej połowie października. Wyraźne maksima dają się również dostrzec dla pozostałych przedstawionych na rysunku 5.2 – dla Grecji zauważyć można wzrost zainteresowania w sezonie jesienno-zimowym, natomiast dla Stanów Zjednoczonych jeszcze w okresie letnim.

5.1.2 Wikipedia

W Wikipedii szczyt dziennej liczby odsłon artykułów bezpośrednio związanych z koronawirusem⁷ przypadł na okres pomiędzy styczniem a marcem 2020 r. - zarówno dla Polski, jak i w ujęciu całego świata⁸, natomiast między grudniem 2020 r. a styczniem 2021 r. zaobserwowano dynamicznie postępujący wzrost zainteresowania artykułami “Koronawirusy” i “Coronavirus” w porównaniu z miesiącami poprzednimi (rysunek 5.3).

Zależność zlogarytmowanej liczby odsłon danego artykułu związanego z koronawirusem na stronie internetowej Wikipedii (pl.wikipedia.org dla Polski i en.wikipedia.org dla świata) od czasu (styczeń 2018–grudzień 2020 r.). Źródło: opracowanie własne na podstawie danych z narzędzia Pageviews (MusikAnimal et al., 2021).

Na popularności zyskały również artykuły pośrednio⁹ związane z koronawirusem – tyczące się zdrowia i leczenia. W latach 2018 i 2019 dla dowolnego okresu nie zauważono gwałtownego i znacznego przyrostu dziennej liczby odsłon danego artykułu, jak to miało miejsce między styczniem a kwietniem 2020 r., przy czym przyrost ten dla artykułów “Dezynfekcja rąk”, “Hand washing” i “Półmaska”, “Surgical mask” był większy niż dla “Szczepionka”, “Vaccine”. Podobieństwo okresów, w jakich artykuły te zyskały na popularności, sugeruje, że najprawdopodobniej ustanowienie przez WHO stanu pandemii i podejmowane w tym czasie poważne kroki przez rządy wielu krajów świata przyczyniły się do wzrostu ogólnego zainteresowania ludzi tematyką związaną z SARS-CoV-2 i chorobą COVID-19, a więc i zjawiskami, które nawet w sposób pośredni istotnie się ich tyczą¹⁰.

Zależność zlogarytmowanej liczby odsłon danego artykułu związanego z higieną/leczeniem na stronie internetowej Wikipedii (pl.wikipedia.org dla Polski i en.wikipedia.org dla świata) czasu (styczeń 2018–grudzień 2020 r.). Źródło: opracowanie własne na podstawie danych z narzędzia Pageviews (MusikAnimal et al., 2021).

Artykuł “Coronavirus” w angielskiej wersji Wikipedii maksimum dziennych wyświetleń w 2020 r. uzyskał 27.01 (982 596), mimo że jeszcze na początku tego miesiąca wartość ta nie przekraczała 1 000. Liczba dziennych odsłon zaczęła gwałtownie zwiększać się pod koniec stycznia 2020 r., a w marcu średnia i mediana były większe w porównaniu z pozostałymi miesiącami (rysunek 5.5).

Liczba dziennych odsłon artykułu “Coronavirus” w angielskiej wersji Wikipedii w zależności od miesiąca (od grudnia 2019 r. do maja 2020 r.). Źródło: opracowanie własne na podstawie danych z narzędzia Pageviews (MusikAnimal et al., 2021).

Pomiędzy medianami dziennych miesięcznych liczb odsłon istniały statystycznie istotne różnice (\(\chi^2 = 125,14\); \(p <.001\)). Nie wykryto istotnych różnic w medianach pomiędzy styczniem a kwietniem 2020 r., styczniem a majem 2020 r. i lutym a kwietniem 2020 r. Największa różnica była obserwowana pomiędzy grudniem 2019 r. a marcem 2020 r., kiedy mediany wyniosły odpowiednio 396 i 349,52, a więc minimum i maksimum dziennych liczb odsłon rozpatrywanych tu miesięcy, co znaczy, że spośród wszystkich artykuł ten był najmniej popularny w grudniu, a najbardziej w marcu.

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla median dziennych liczb dziennych odsłon artykułu “Coronavirus” w angielskiej wersji Wikipedii pod koniec roku 2019 i w pierwszej połowie roku 2020. Asterysk (*) wskazuje na istotną różnicę na poziomie istotności \(\alpha = 0,05\). Źródło: opracowanie własne.

	styczeń 2020	luty 2020	marzec 2020	kwiecień 2020	maj 2020
grudzień 2019	5,58*	7,76*	10,27*	6,52*	3,7*
styczeń 2020		2,27*	4,68*	0,98	-1,88
luty 2020			2,33*	-1,29	-4,12*
marzec 2020				-3,67*	-6,56*
kwiecień 2020					-2,85*

Na popularyzację danego zjawiska, mogą wpływać zdarzenia bezpośrednio z nim powiązane (tu: liczba nowych przypadków i zgonów z powodu COVID-19). Czynniki te jednak nie wyjaśniają skoków i spadków popularności w każdym okresie – biorąc na przykład Polskę, pierwszy oficjalnie potwierdzony przypadek zakażenia SARS-CoV-2 został podany do informacji publicznej 4 marca 2020 r., a artykuły bezpośrednio i pośrednio związane z koronawirusem zyskiwały na popularności już w styczniu 2020 r. Weryfikując korelację pomiędzy liczbą nowych przypadków zakażeń/zgonów a popularnością wybranych artykułów¹¹ dla polskiej wersji Wikipedii, zdecydowano się uwzględnić liczbę dziennych odsłon artykułów w okresie 1.06–31.12.2020 r., gdyż ich popularność zaczęła się stabilizować od maja 2020 r. Nowe dzienne przypadki zakażeń dodatnio korelowały z popularnością wszystkich rozpatrywanych artykułów, z wyjątkiem “Dezynfekcja rąk”. Przedstawiony na rysunku 5.6 korelogram uwzględnia również korelację pomiędzy dziennymi liczbami wyświetleń danych artykułów, jak i nowych przypadków zakażeń i zgonów. Uwzględniając czynnik zakażeń i popularność danego artykułu, najsilniejsza korelacja \(\tau\) Kendalla zaistniała dla pary “nowe zakażenia” – “SARS-CoV-2” (\(\tau = 0,53; p < 0,05\)), natomiast najmniejsza: “nowe zakażenia” – “Dezynfekcja rąk” (\(\tau = -0,08\)), której współczynnik okazał się być nieistotny na poziomie istotności \(\alpha = 0,05\). Z kolei dla czynnika zgonów najsilniejszą korelację zaobserwowano dla pary “nowe zgony” – “Szczepionka” (\(\tau = 0,56; p < 0,05\)). Najwyższe współczynniki uzyskano dla par artykułów kolejno “COVID-19” – “SARS-CoV-2” (\(\tau = 0,74; p < 0,05\)), “COVID-19” – “Koronawirusy” (\(\tau = 0,72; p < 0,05\)) i “Koronawirusy” – “COVID-19” (\(\tau = 0,69, p < 0,05\)).

Korelogram liczby dziennych odsłon artykułów polskiej Wikipedii powiązanych z tematyką koronawirusa i leczeniem (pisane wielką literą) i nowymi przypadkami zakażeń i zgonów z powodu COVID-19 (pisane małą literą) w okresie 01.06–31.12.2020 r. dla Polski. Przedstawione wartości stanowią współczynniki \(\tau\) Kendalla. Źródło: opracowanie własne na podstawie danych z narzędzia Pageviews (MusikAnimal et al., 2021).

Istotnie dodatnie współczynniki korelacji potwierdzają pewną postępującą zależność pomiędzy nowymi przypadkami zakażeń i zgonów a artykułami w polskiej Wikipedii tyczącymi się SARS-CoV-2 jako wirusa i COVID-19 jako choroby, a także higieny osobistej (z wyłączeniem dezynfekcji rąk) czy szczepionki, choć nie jest to deterministyczne (rysunek 5.7), co może mieć związek z innymi czynnikami (np. nagłaśnianymi przez media przypadkami z innych krajów czy też ogłaszanymi w tym czasie postępami związanymi z opatentowaniem szczepionki). Użytkownicy przeglądający artykuł związany z chorobą COVID-19 w tym samym okresie również chętnie przeglądali ten związany z samym wirusem SARS-CoV-2. Najmniejsze wartości współczynników korelacji odkryto dla popularności artykułu “Dezynfekcja rąk” i pozostałych, włącznie z artykułem “Szczepionka”, nowymi przypadkami zakażeń i zgonów, dla których współczynniki te nie były istotnie różne od zera.

Zależność liczby dziennych odsłon artykułu powiązanego z koronawirusem i zdrowiem w Wikipedii a liczbą nowych zakażeń na SARS-CoV-2 w okresie 01.06–31.12.2020 r. Źródło: opracowanie własne na podstawie danych z narzędzia Pageviews (MusikAnimal et al., 2021).

5.1.3 PubMed

W bazie PubMed popularność haseł związanych z koronawirusem/leczeniem również znajduje swój wydźwięk w liczbie nowo powstałych artykułów w roku 2020, które zawierają w swoim tytule bądź abstrakcie takie pojęcia, jak “face mask” (tłum. “maska na twarz”) lub “hand washing” (tłum. “mycie rąk”). Wzrost liczby takich artykułów można zaobserwować, począwszy od 1945 roku z przewagą dla hasła “hand washing” aż do roku ok. 1965. Gwałtowny wzrost przypadł na początek lat 80. XX wieku (głównie dla zawierających w treści “hand washing”). W dalszym okresie zauważalny jest również wzrost w pierwszych latach XXI wieku, na co mogła mieć wpływ ówczesna epidemia SARS-CoV w roku 2003. Trend ten rósł do ok. roku 2010, osiągając szczyt w roku 2009, co z kolei sugeruje możliwe powiązanie z pandemią świńskiej grypy, a następnie spadał, by w roku 2020 dla ponownie wzrosnąć — tym razem o wiele większą krotność w porównaniu z poprzednimi okresami, kiedy wzrost ten również był zauważalny (rysunek 5.8).

Zależność liczby wyników haseł w przeliczeniu na 100 tys. związanych z higieną zawartych w tytule lub abstrakcie artykułów w bazie PubMed od roku ich publikacji. Źródło: opracowanie własne na podstawie danych z narzędzia PubMed by Year (Ed Sperr, M.L.I.S, 2016).

Tematyka koronawirusa z roku 2019 skupiła na sobie wielu badaczy, na co wskazuje zwiększająca się liczba nowych artykułów, które w tytule bądź abstrakcie posiadały hasła “COVID-19” lub “SARS-CoV-2” (rysunek 5.9). W roku 2020 w styczniu do bazy PubMed napłynęło 2 209 takich artykułów, w kwietniu liczba ta była jeszcze większa – wynosiła 6 265 – natomiast w maju ok. 1,6-krotnie więcej niż w kwietniu. Szczyt osiągnięty został w lipcu, kiedy do bazy wpłynęło 13 582 nowych artykułów, co daje średnio ok. 438 artykułów dziennie. W kolejnych miesiącach nie zauważono wzrostu, aczkolwiek trend w zainteresowaniu badaczy tą tematyką utrzymywał się na względnie tym samym poziomie.

Liczba nowych artykułów w bazie PubMed, które w tytule bądź abstrakcie miały hasło COVID-19/SARS-CoV-2, w danym miesiąciu roku 2020. Źródło: opracowanie własne na podstawie danych z narzędzia PubMed by Year (Ed Sperr, M.L.I.S, 2016).

5.2 Przebieg pandemii COVID-19 w roku 2020 na świecie

5.2.1 Zarys

W 2020 roku wirus SARS-CoV-2 pojawił się w 189 regionach świata. Do 31.12 nie pojawił się on m.in. na takich terenach, jak Święta Helena (Afryka), Tonga (Oceania) czy Wyspa Man (Europa), a więc w większości niezamieszkanych bądź o bardzo niskiej gęstości zaludnienia. Pod względem liczby zakażeń i zgonów przeważała Europa —- stanowiła ona 28,73% ogółu przypadków zakażeń na tle wszystkich kontynentów; za nią zaś figurowały Ameryka Północna (27,9%), Azja (24,03%), Ameryka Południowa (15,96%), Afryka (3,34%) i Oceania (0,04%). Również i Europa znajdowała się na pierwszym miejscu wśród kontynentów o największej liczbie zgonów z powodu COVID-19 (29,84%); za nią natomiast Ameryka Północna (28,13%), Ameryka Południowa (19,89%), Azja (18,5%), Afryka (3,59%) i Oceania (0,05%; rysunek 5.10).

Skumulowane liczby nowych przypadków zakażeń i zgonów z powodu COVID-19 w okresie 01.01–31.12.2020 r. dla kontynentów świata. Źródło: opracowanie własne.

Dynamicznie postępujące przyrosty zakażeń i zgonów były obserwowane dla wszystkich kontynentów świata już w I kwartale roku 2020. Główne źródło zakażenia wynikło na kontynencie azjatyckim (w Chinach) - tam też najwcześniej, bo już w lutym, przyrosty te były najbardziej zauważalne (głównie zakażeń). W marcu, kiedy dynamika ta na kontynencie azjatyckim zaczęła się stabilizować, w krajach europejskich zaczęto odnotowywać wyższe liczby osób zakażonych i zmarłych w porównaniu z poprzednimi tygodniami, tak że Europa stała się aktywnym centrum pandemii COVID-19 na tle pozostałych kontynentów. Z przyrostem dziennej liczby zakażeń na COVID-19 jest też z pewnym opóźnieniem powiązana liczba zgonów, gdyż pewna frakcja osób zakażonych umiera w pewnym czasie. Sytuacja pandemiczna zdawała się stabilizować w okresie letnim (lipiec–sierpień), a w okresie jesienno-zimowym (wrzesień–grudzień) głównie w Europie i Ameryce Północnej ponownie zaczęto obserwować wzrost liczb nowych zakażeń i zgonów w porównaniu z okresem wiosenno-letnim (rysunek 5.11).

Skumulowane zlogarytmowane liczby nowych przypadków zakażeń i zgonów z powodu SARS-CoV-2 w okresie 01.01–31.12.2020 dla kontynentów świata. Źródło: opracowanie własne.

Wśród krajów na świecie z największymi sumarycznymi liczbami przypadków zakażeń i zgonów w 2020 roku w przeważającej części znalazły się kraje europejskie. Stany Zjednoczone wyprzedziły w liczbie zakażeń niemal 2-krotnie Indie, a w liczbie zgonów – Brazylię – figurując na pierwszym miejscu wśród wszystkich krajów świata. Mimo że Meksyk nie znalazł się wśród dziesięciu krajów z największą sumaryczną liczbą zakażeń, zajął czwarte miejsce jako kraj o największej liczbie zgonów – zaraz za Indiami, a przed Włochami (rysunek 5.12).

Skumulowane liczby nowych przypadków zakażeń (A) i zgonów (B) z powodu COVID-19 w okresie 01.01–31.12.2020 r. dla krajów świata. Źródło: opracowanie własne.

Rozbieżności w statystykach pomiędzy krajami wynikają nie tyle ze specyfiki zakażeń wirusa SARS-CoV-2 i szeregu czynników możliwie mających wpływ na jego rozprzestrzenianie się w populacji (np. położenia geograficznego — klimatu, temperatury, itp.), o ile z liczby ludności zamieszkującej dany kraj, przez co państwo o większej liczbie zaludnienia ma większą szansę na znalezienie się w czołówce krajów w porównaniu z krajem słabo zaludnionym. Normalizując statystyki pomiędzy krajami, tj. wyznaczając liczbę zakażeń/zgonów na 1 mln mieszkańców, Stany Zjednoczone znalazły się już na 6. miejscu pod kątem liczby zakażeń (60 722,66 na 1 mln osób), a na 1. miejscu — Andora, gdzie na ok. 10 mieszkańców przypadał 1 pozytywny przypadek zakażenia (tabela 5.3).

10 krajów świata z największą sumaryczną liczbą zakażeń w przeliczeniu na 1 mln mieszkańców i sumaryczną liczbą zgonów w przeliczeniu na 1 mln mieszkańców w 2020 roku. Źródło: opracowanie własne.

	Kraj	Sumaryczna liczba zakażeń	Sumaryczna liczba zgonów
1	Andora	104 173,94	1 087,15
2	Czarnogóra	76 818,85	1 085,87
3	Luksemburg	74 148,23	790,80
4	San Marino	71 542,20	1 738,45
5	Czechy	67 108,25	1 081,34
6	Stany Zjednoczone	60 722,66	1 063,84
7	Słowenia	58 757,09	1 297,30
8	Panama	57 196,59	932,15
9	Gruzja	57 009,27	627,95
10	Liechtenstein	56 008,59	1 022,63

Z kolei wśród krajów o największej sumarycznej liczbie zgonów w przeliczeniu na 1 mln mieszkańców znalazły się m.in. San Marino, Belgia, Słowenia (odpowiednio 1., 2. i 3. miejsce), a także Włochy (5. miejsce), które w 2.04 osiągnęły maksymalny współczynnik 7-dniowej średniej liczby zgonów w przeliczeniu na 1 mln mieszkańców w wysokości 13,47, co daje wzrost o 18,35% w porównaniu z 1 marca, kiedy to współczynnik ten wyniósł 0,07. Część krajów, jak np. Stany Zjednoczone, Indie czy Brazylia, nie znalazła się wśród 10 krajów z największą sumaryczną liczbą zgonów w przeliczeniu na 1 mln mieszkańców w roku 2020, mimo że stanowiły część krajów o największej sumarycznej liczbie zgonów, co wynika z ich dużej liczebności populacji (tabela 5.4).

10 krajów świata z największą sumaryczną liczbą zgonów w przeliczeniu na 1 mln mieszkańców i sumaryczną liczbą zakażeń w przeliczeniu na 1 mln mieszkańców w 2020 roku. Źródło: opracowanie własne.

	Kraj	Sumaryczna liczba zgonów	Sumaryczna liczba zakażeń
1	San Marino	1 738,45	71 542,20
2	Belgia	1 684,95	55 782,36
3	Słowenia	1 297,30	58 757,09
4	Bośnia i Hercegowina	1 234,46	33 828,48
5	Włochy	1 226,54	34 851,18
6	Macedonia Północna	1 201,44	39 997,04
7	Peru	1 142,80	30 787,99
8	Bułgaria	1 090,34	29 109,54
9	Hiszpania	1 087,31	41 242,09
10	Andora	1 087,15	104 173,94

Pierwszy pozytywny przypadek zakażenia wirusem SARS-CoV-2 został w Polsce zarejestrowany 4.03.2020 r., natomiast pierwszy zgon – 8 dni później – 12.03. Najwyższą liczbę odnotowanych zakażeń stwierdzono 24.11 (32 733), a zgonów - 25.11 (674). W krajach sąsiadujących z Polską również statystyki te osiągnęły swoje maksimum w sezonie jesienno-zimowym – w Czechach, przykładowo, najwięcej zakażeń zarejestrowano 31.12 (17 039), na Ukrainie 28.11 (16 585), a w Rosji 24.12 (29 499). Przebieg pandemii COVID-19 w Polsce, jak i w innych krajach świata, w tym krajach sąsiadujących, można analizować w kontekście sezonów, tj. “fal” pandemii, czyli nagłego skoku liczby dziennych przypadków i zgonów, ale też 7-dniowych średnich obserwowanych w danym okresie. W takiej fali wyróżnić można trzy fazy: wzrostu, szczytu i spadku. Zasadniczo Polskę i kraje z nią sąsiadujące podzielić można pod względem przyrostu dziennej liczby zakażeń na kraje, które już w pierwszej połowie roku (sezon wiosenno-letni) borykały się z dynamicznie przyrastającą pierwszą falą zakażeń, i te, które pierwsze półrocze przebyły w dość łagodnym stopniu. Do pierwszej grupy zaliczyć można Białoruś, Niemcy i Rosję, a do drugiej – Czechy, Litwę, Polskę, Słowację i Ukrainę (rysunek 5.13).

Dzienne liczby nowych przypadków zakażeń na COVID-19 w roku 2020 dla Polski i krajów z nią sąsiadujących. Źródło: opracowanie własne.

Zauważalne regularne i cyklicznie powtarzające się wzrosty i spadki dziennych liczb nowych zakażeń dla Polski i krajów z nią sąsiadujących wynikają z daty ich zgłaszania, co ma związek z wykonywaniem przez państwowe placówki mniej testów w dni wolne od pracy. Ponadto podawane do publicznej wiadomości statystyki nie dotyczyły dnia ich zgłaszania, a poprzedniego bądź nawet nanosiły korektę do okresów wcześniejszych. Liczba zgłaszanych w poniedziałek testów w kierunku COVID-19 dotyczyła zatem stanu sprzed kilku dni, często weekendów (niedzieli), dlatego też dla części krajów, m.in. Polski czy Ukrainy, spadek ten jest zauważalny w poniedziałek, a w przypadku innych, m.in. Czech czy Litwy, w niedzielę (rysunek 5.14).

Zgłaszane testy w kierunku COVID-19 w roku 2020 dla Polski i krajów z nią sąsiadujących na przestrzeni dni tygodnia. Źródło: opracowanie własne.

W Polsce pomiędzy poniedziałkiem a pozostałymi dniami tygodnia (oprócz niedzieli) istniały istotne różnice w medianach zgłaszanych testów (\(p < 0,05\)), a pomiędzy niedzielą a poniedziałkiem, wtorkiem i sobotą brak było istotnych różnic na poziomie istotności \(\alpha = 0,05\). Mediany nie były również istotnie różne pomiędzy parami dni w środku tygodnia, tzn. od wtorku do piątku.

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla median zgłaszanych w Polsce testów pomiędzy dniami tygodnia w roku 2020. Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*).

****	poniedziałek	wtorek	środa	czwartek	piątek	sobota
niedziela	-1,76	1,26	3,24*	3,1*	2,98*	2,62
poniedziałek		3,03*	5,02*	4,88*	4,74*	4,39*
wtorek			1,98	1,84	1,72	1,37
środa				-0,14	-0,25	-0,61
czwartek					-0,11	-0,47
piątek						-0,36

Najniższa średnia median zgłaszanych testów dla Polski i krajów z nią sąsiadujących przypadała na niedzielę; krajem o najwyższej średniej median (2,79) zgłaszanych testów w przeliczeniu na 1 000 mieszkańców były Czechy, a za nimi Rosja (2); Polska zaś figurowała na 3 miejscu od końca (0,56) - przed Słowacją i Ukrainą, dla których średnie median w obrębie wszystkich dni tygodnia były najniższe (0,52 dla Słowacji i 0,38 dla Ukrainy). Mniej testów zgłaszano również w poniedziałek – w Polsce mediana dla poniedziałku była jeszcze niższa niż dla niedzieli. Wszystkie kraje natomiast najwięcej testów zgłaszały w środku tygodnia: od wtorku do piątku, ale przeważnie w środę i w czwartek.

Niejednorodności w liczbie wykonywanych, a zgłaszanych z pewnym opóźnieniem dziennych testów, bezpośrednio wpływają na liczbę równolegle zgłaszanych tego samego dnia nowych zakażeń, ponieważ im większy jest odsetek wykonanych testów, tym więcej nowych zakażeń się identyfiuje, co potwierdza dodatnia korelacja pomiędzy liczbą wykonywanych testów a zgłaszanymi przypadkami zakażeń dla Polski (\(\tau = 0,6, p <.001)\), ale też krajów z nią sąsiadujących: Czech (\(\tau = 0,56, p <.001\)), Litwy (\(\tau = 0,41, p <.001\)), Rosji (\(\tau = 0,55, p <.001\)), Słowacji (\(\tau = 0,58, p <.001\)) i Ukrainy (\(\tau = 0,75, p <.001\); rysunek 5.15).

Zależność między liczbami zgłoszonych testów na COVID-19 a zakażeń dla Polski i krajów z nią sąsiadujących w roku 2020. Źródło: opracowanie własne.

Niejednorodności te z kolei przekładają się na ogólną krzywą nowych przypadków zakażeń, zaburzając jej regularny bieg ze względu na dynamicznie postępujące po sobie skoki i spadki dziennych liczb zgłaszanych zakażeń, co w pewnym stopniu utrudnia analizę rozwoju epidemii. Uśredniając wyniki z uwzględnieniem 7-dniowego okna, uzyskuje się bardziej klarowny obraz sytuacji epidemicznej. W przypadku Polski nagły i dynamiczny wzrost zachorowań następował od 19.09, kiedy to liczba zgłoszonych przypadków przekroczyła 1 000 - 1 002 przypadki. 21.10 przekroczono 10 000 przypadków zakażeń, a 29.10 – 20,000. Szczyt osiągnięty został 24.11, kiedy liczba ta wyniosła 32 733. Najwięcej zgonów również obserwowano w sezonie jesienno-zimowym – szczyt przypadł na 25.11 z liczbą równą 674 (rysunek 5.16).

Liczba nowych zakażeń (A), zlogarytmowana liczba nowych zakażeń (B), liczba nowych zgonów (C) i zlogarytmowana liczba nowych zgonów (D) w czasie dla Polski w roku 2020. Źródło: opracowanie własne.

W Polsce wyższy odsetek zmarłych z powodu COVID-19 w okresie 12.03-18.11.2020 stanowili mężczyźni (6 573 zgony – 57,5% ogółu) niż kobiety (4 858 zgony – 42,5% ogółu). Średnia wieku osób zmarłych wynosiła 75,35 lat, natomiast mediana - 77 lat; w przypadku kobiet średnia wynosiła 77,84 lat, a mediana – 80 lat – i były większe niż mężczyzn, dla których statystyki te wyniosły odpowiednio 73,51 lat i 74 lat. Najmłodsza zmarła osoba miała 16 dni, a najstarsza - 107 lat. Najwyższą umieralnością odznaczała się grupa wiekowa 80–89, która stanowiła 32% ogółu osób zmarłych. 6 136 (54% ogółu) zmarłych miało wiek wyższy od ogólnej średniej wiekowej, natomiast 10 350 (91% ogółu) - wyższy bądź równy 60. Najmniejszą umieralność obserwowano wśród najmłodszych grup wiekowych (tabela 5.7). Rozkłady umieralności kobiet i mężczyzn dla wszystkich grup wiekowych były lewoskośne (\(A_S = -1,04\) dla kobiet i \(A_S = -0,76\) dla mężczyzn), co potwierdza, że najwyższy odsetek zmarłych w Polsce stanowiły osoby starsze, a im dana osoba była młodsza, tym szansa, że znajdzie się w grupie osób zmarłych, malała (rysunek 5.17).

Graficzny rozkład zgonów na COVID-19 wśród kobiet i mężczyzn różnych grup wiekowych w Polsce w okresie 12.03–18.11.2020. Źródło: opracowanie własne.

5.2.2 Sezon wiosenno-letni (do 22.09.2020 r.)

Stany Zjednoczone, Indie i Brazylia, czyli 3 kraje o największej sumarycznej liczbie zakażeń w roku 2020, a także Szwecja, która w przeciwieństwie do pozostałych krajów nie zastosowała podejścia opartego na ograniczeniu kontaktów społecznych, przekroczyły sumaryczną liczbę zakażeń w wysokości 100 w podobnym czasie: Brazylia 13.03, Indie 14.03, Stany Zjednoczone 4.03, a Szwecja 06.03.2020 r. Pomimo podobnego okresu pierwszego intensywnego przyrostu dziennych nowych liczb zakażeń, w późniejszych okresach kraje te nie podążały tą samą dynamiką. Indie w okresie wiosenno-letnim zachowały regularnie przystającą z dnia na dzień 7-dniową średnią dzienną liczbę zakażeń, tak że kształt krzywej epidemii zbliżał się do postaci wykładniczej – dopiero od połowy września zauważalny był spadek. Z kolei w przypadku Stanów Zjednoczonych w tym okresie wyróżnić można dwie fale, z czego pierwsza osiągnęła swoje maksimum 09.04 (35 942 zgłoszonych przypadków tego dnia), a druga 24.07 (73 319 zgłoszonych przypadków). Pomiędzy majem a lipcem 7-dniowa średnia liczba zakażeń pozostawała stabilna (\(CV = 0,23\)). Również i ostatniego dnia lata, tj. 22.09.2020 r. Stany Zjednoczone figurowały na pierwszym miejscu pod względem sumarycznej liczby nowych zakażeń (6 902 696), następnie Indie (5 646 010) i Brazylia (4 591 364; rysunek 5.18).

Liczba nowych zakażeń dla 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecji w okresie od początku zgłoszenia pierwszego zakażenia w danym kraju do 22.09.2020 r. Źródło: opracowanie własne.

Uwzględniając liczebność populacji rozpatrywanych krajów, największy przyrost i maksimum 7-dniowych średnich dziennych liczb zakażeń w przeliczeniu na 1 mln mieszkańców obserwowane były dla Stanów Zjednoczonych i Brazylii, pomiędzy którymi nie było istotnych różnic w medianach, które wyniosły odpowiednio 124,13 i 127,29 (\(D = 1,49; p = 0,07\)). Mediana była ponadto większa w Szwecji (28,8) niż w Indiach (5,13). W Stanach Zjednoczonych drugi ilościowo większy od pierwszego przyrost dziennej liczby zakażeń przypadł na okres letni, kiedy w Szwecji pozostawał na dość stabilnych poziomie. Od końca sierpnia obserwowano mniej zakażeń aż do końca sezonu wiosenno-letniego (rysunek 5.19).

7-dniowa średnia liczba nowych zakażeń w przeliczeniu na 1 mln osób dla 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecji w okresie od początku zgłoszenia pierwszego zakażenia w danym kraju do 22.09.2020 r. Źródło: opracowanie własne.

Pierwsze tygodnie epidemii w części krajach sąsiadujących z Polską (Litwa, Słowacja, Ukraina) nie były dostatecznie kontrolowane pod względem współczynnika pozytywnych testów. Na Litwie jednak już po kilku dniach (29.03) spadł on poniżej 5% i utrzymywał się na tym poziomie przez cały okres wiosenno-letni ze wzrostem od połowy sierpnia. Podobna sytuacja miała miejsce w Słowacji – początkowo \(PR\) wzrósł do poziomu 7,3% 17.03, po czym od 24.03 (4,8%) nie przekraczał już minimalnego poziomu krytycznego ustalonego przez WHO aż do końca lata. Jego przyrost zaczęto obserwować od końca lipca, a 22.09 przekroczył on 5% (5,10%). Największa liczba dni, podczas których \(PR\) przekraczał 5% występowała na Ukrainie – na 204 dni epidemii w sezonie wiosenno-letnim przypadało 193 dni (94,6%), kiedy wykrywano 1 bądź więcej nowych zakażeń na 20 wykonanych testów (rysunek 5.20).

7-dniowa średnia dziennego odsetka pozytywnych testów w kierunku COVID-19 (wyrażony w %) w części krajów sąsiadujących z Polską w okresie od początku epidemii w danym kraju do 22.09.2020. Źródło: opracowanie własne.

W Polsce do 31 marca potwierdzono w sumie 2 311 przypadków zakażeń i 33 zgony. Do 5 kwietnia 7-dniowa średnia dziennych liczb zakażeń wzrosła do 320 i utrzymywała się na poziomie 200–400 do końca lipca (rysunek 5.18, A). Możliwe, że wprowadzone restrykcje w postaci ograniczenia przemieszczania się i minimalizacji kontaktów z innymi ludźmi ustabilizowały dynamicznie przyrastające liczby nowych zakażeń w marcu, kiedy to 7-dniowa średnia na dzień 31 marca była niemal 100-krotnie wyższa niż 9 marca (rysunek 5.18, B).

Liczba nowych zakażeń (A), zlogarytmowana liczba nowych zakażeń (B), liczba nowych zgonów (C) i zlogarytmowana liczba nowych zgonów (D) w czasie dla Polski do 22.09.2020. Źródło: opracowanie własne.

W sezonie wiosenno-letnim największa średnia liczba zgonów przypadała na kwiecień, a od maja do lipca nie zauważano jej przyrostu aż do sierpnia, kiedy to wraz ze średnią liczbą zakażeń zaczęły rosnąć. Spadek liczby zgonów zaczęto obserwować od maja, natomiast 7-dniowa średnia liczba zakażeń od kwietnia do lipca pozostawała na względnie tym samym poziomie (współczynnik zmienności \(CV = 15,46\)). W sierpniu 7-dniowa średnia liczba zakażeń była niemal 2-krotnie wyższa niż w lipcu; we wrześniu natomiast - o 15% mniejsza niż w sierpniu, aczkolwiek niemal 1,8 razy większa niż w lipcu.

Średnie, odchylenia standardowe i mediany 7-dniowych liczb zakażeń i zgonów w Polsce w okresie wiosenno-letnim (do 22.09.2020 r.). Źródło: opracowanie własne.

Miesiąc	Średnia (7-dniowa liczba zakażeń)	Odchylenie standardowe (7-dniowa liczba zakażeń)	Mediana (7-dniowa liczba zakażeń)	Średnia (7-dniowa liczba zgonów)	Odchylenie standardowe (7-dniowa liczba zgonów)	Mediana (7-dniowa liczba zgonów)
marzec	71,4	65,1	51	0,93	0,95	0,57
kwiecień	342	39,7	350	18,2	6,39	195
maj	351	32	361	15,2	3,97	16,1
czerwiec	362	57,50	362	13,1	1,58	12,9
lipiec	335	73,9	300	8,27	1,66	7,71
sierpień	688	56,1	703	10,6	1,21	10,9
wrzesień	587	102	577	12	1,6	11,9

Przyrost liczb zakażeń i zgonów w sierpniu i wrześniu wyjaśnić można procesem luzowania obostrzeń w kraju postępującym od 20 kwietnia, kiedy to w zwiększony został limit osób przebywających w sklepach, a także zniesiony został zakaz przemieszczania się w celach rekreacyjnych. Finalny etap zniesienia obostrzeń miał miejsce 6 czerwca - od tej pory przywrócona została działalność placówek publicznych, m.in. salonów fryzjerskich, sklepów niespożywczych w centrach handlowych czy placówek rekreacyjnych (kina, teatry, kluby fitness, itp.). Między sierpniem a wrześniem nie było istotnych różnic w medianach 7-dniowej średniej liczby zakażeń (\(Z = -1,05; p = .18\) i zgonów (\(D = 1,63; p = 0,06\)); takie różnice zaobserwowano jednak między sierpniem i wrześniem a pozostałymi miesiącami okresu wiosenno-letniego (marzec–lipiec). Mediany 7-dniowej średniej liczby zgonów we wrześniu i maju, a także wrześniu i czerwcu nie różniły się od siebie istotnie, co może mieć związek z przechodzeniem choroby COVID-19 u osób z pozytywnym wynikiem w sposób bezobjawowy w czasie, kiedy następował dynamiczny przyrost zakażeń, czyli u końca okresu wiosenno-letniego.

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla median 7-dniowej średniej liczby zgłaszanych w Polsce nowych zakażeń pomiędzy miesiącami sezonu wiosenno-letniego roku 2020. Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*).

****	kwiecień	maj	czerwiec	lipiec	sierpień	wrzesień
marzec	4,61*	4,92*	5,14*	3,71*	10,57*	8,77*
kwiecień		0,3	0,28	-1	6,37*	4,77*
maj			0,28	-1,31	6,13*	4,53*
czerwiec				-1,58	5,8*	4,24*
lipiec					7,44*	5,72*
sierpień						-1,05

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla median 7-dniowej średniej liczby zgłaszanych w Polsce nowych zgonów pomiędzy miesiącami sezonu wiosenno-letniego roku 2020. Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*).

****	kwiecień	maj	czerwiec	lipiec	sierpień	wrzesień
marzec	9,01*	7,92*	7,39*	2,43*	4,64*	5,81*
kwiecień		-1,24	-1,75	-7,14*	-4,77*	-2,73*
maj			-0,52	-5,95*	-3,56*	-1,61
czerwiec				-5,38*	-3,01*	-1,13
lipiec					2,39*	3,81*
sierpień						1,63

Przez większość miesięcy okresu wiosenno-letniego Polska utrzymywała odsetek pozytywnych testów w kierunku COVID-19 na poziomie mniejszym niż 5%, w związku z czym potrzeba było wykonać więcej niż 20 testów, aby jednostkowo stwierdzić pozytywny przypadek zakażenia. Próg ten w Polsce przekroczony został 2 kwietnia, kiedy to 7-dniowa średnia wyniosła 5,69%, czyli pozytywny wynik był uzyskiwany po wykonaniu ok. 18 testów. Na poziomie większym od 5% utrzymywał się do 11 kwietnia, po czym zaczął spadać, sugerując stabilizację dziennego przyrostu nowych zakażeń. Kolejny dynamiczny przyrost odsetka przypadł na środek lata, kiedy to od poziomu 1,73% 1 lipca wzrósł do 3,28% 30 sierpnia ze spadkiem na początku września do minimalnego poziomu równego 2,46% 9 września, po czym nastąpił jego ponowny wzrost, a 22 września był blisko granicy 5% - wynosił 4,41%, co ma związek z rozpoczynającą się w tamtym czasie kolejną falą. Patrząc pod kątem \(PR\) na tle sąsiadów, Polska w zadowalającym stopniu radziła sobie z epidemią w sezonie wiosenno-letnim – na 199 dni epidemii tylko podczas 9 \(PR\) był większy bądź równy 5%, a więc przez 4,52% sezonu (rysunek 5.22).

7-dniowa średnia dziennego odsetka pozytywnych testów w kierunku COVID-19 (wyrażony w %) w Polsce w okresie 08.03–22.09.2020. Źródło: opracowanie własne.

Niektóre polskie województwa miały znaczny wkład w przyrost odsetka pozytywnych testów, z czego w niektórych z nich sytuacja epidemiczna wydawała się być opanowana, na ogół osiągając 7-dniowy średni odsetek na poziomie mniejszym niż 5%. Od 11 maja do 21 września w odstępie tygodniowym województwa dolnośląskie, mazowieckie i zachodniopomorskie nie osiągnęły poziomu odsetka w wysokości 5%, natomiast w województwach opolskim, podkarpackim i śląskim utrzymywał się on na poziomie większym bądź bliskim 5% (rysunek 5.23).

7-dniowe średnie dziennych liczb zakażeń w przeliczeniu na 1,00 mieszkańców dla województw Polski w okresie 04.03–22.09.2020. Źródło: opracowanie własne.

Największy przyrost nowych zakażeń zaobserwowano w województwie śląskim, kiedy pojawiły się masowe zakażenia pracujących w kopalniach na Górnym Śląsku górników. Mimo że w pozostałych województwach w okresie wiosenno-letnim, a przede wszystkim w lecie przyrost nie wykazywał postępującej dynamiki, dało się zauważyć postępujący wzrost liczby nowych zakażeń od połowy września, czyli wraz ze zbliżającym się okresem jesienno-zimowym (rysunek 5.24).

7-dniowe średnie dziennych liczb zakażeń w przeliczeniu na 100 000 mieszkańców dla województw Polski w okresie 04.03–22.09.2020. Źródło: opracowanie własne.

5.2.3 Sezon jesienno-zimowy (23.09–31.12.2020 r.)

Postępujący pod koniec sezonu wiosenno-letniego przyrost dziennej liczby nowych zakażeń w Stanach Zjednoczonych i Szwecji swoje apogeum osiągnął w połowie grudnia. Pomiędzy Stanami Zjednoczony a Szwecją istniały istotne różnice w medianach 7-dniowej średniej liczby nowych zakażeń w przeliczeniu na 1 mln mieszkańców – większa ona była w Stanach Zjednoczonych (\(W = 74 771; p <.001\)). W porównaniu z okresem poprzednim, w sezonie jesienno-zimowym (rysunek 5.25). Mimo że wszystkie kraje różniły się od siebie pod względem mediany tego czynnika, największa różnica zaistniała pomiędzy Stanami Zjednoczonymi a Indiami (tabela 5.11). Umiarkowanie stabilna sytuacja epidemiczna miała miejsce również w Brazylii – mediana 7-dniowej średniej liczby nowych zakażeń była mniejsza od odpowiadających dla Stanów Zjednoczonych i Szwecji, a \(CV\) był najmniejszy ze wszystkich rozpatrywanych krajów: wynosił 0,3 (dla Indii z kolei 0,39).

7-dniowa średnia liczba nowych zakażeń w przeliczeniu na 1 mln osób dla 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecji w sezonie jesienno-zimowym (23.09–31.12.2020 r.) Źródło: opracowanie własne.

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla median 7-dniowej średniej liczby nowych zakażeń dla 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecji w sezonie jesienno-zimowym (23.09–31.12.2020 r.). Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*).

	Brazylia	Indie	Stany Zjednoczone
Szwecja	-3,19*	-11,93*	2,96*
Brazylia		-8,73*	6,14*
Indie			-14,88*

Podobny trend utrzymał się również wśród krajów graniczących z Polską. Największy przyrost 7-dniowej średniej liczby nowych zakażeń w przeliczeniu na 1 mln osób zaobserwowano dla Czech, które swoje maksimum pod względem tego czynnika osiągnęły 27.10, a 31.12 liczba nowych zakażeń w sezonie jesienno-zimowym była największa (17 039). Tylko Litwa i Słowacja nie różniły się w medianach 7-dniowych średnich liczb nowych zakażeń w przeliczeniu na 1 mln osób (\(D = -0,22; p = .41\)), a największa różnica zaistniała pomiędzy Czechami a Białorusią (\(D = -13,61; p <.001\); rysunek 5.26).

7-dniowa średnia liczba nowych zakażeń w przeliczeniu na 1 mln osób dla części krajów graniczących z Polską w sezonie jesienno-zimowym (23.09–31.12.2020 r.) Źródło: opracowanie własne.

W sezonie jesienno-zimowym Polska dotkliwie zniosła drugą “falę” pandemii, o czym świadczą utrzymujące się na poziomie większym niż 1 000 7-dniowe średnie liczby zakażeń dla końca września, października, listopada i grudnia – dla porównania, w sezonie wiosenno-letnim najwyższa średnia wartość została osiągnięta w sierpniu (688). Najwyższe średnia (21 727,76) i mediana (21 903,29) przypadały na listopad, na co wpływ mieć mogły czynniki pogodowe, jak i organizowanie wówczas na terenie kraju protesty. W grudniu średnia (10 065,79) była już 2-krotnie większa, choć nadal niemal 10-krotnie wyższa niż pod koniec września. Z kolei największa 7-dniowa średnia liczba zgonów przypadała na grudzień (370,52) i była bardzo zbliżona do tej z listopada (368,7), niemniej jej utrzymywanie się na poziomie niemal 20-krotnie wyższym niż we wrześniu może sugerować przerwę czasową pomiędzy momentem zakażenia a śmiercią (tabela 5.12). Liczby nowych zakażeń i zgonów zaczęły się stopniowo stabilizować pod koniec listopada, sukcesywnie spadając aż do końca roku 2020 (rysunek 5.27).

Średnie, odchylenia standardowe i mediany 7-dniowych średnich liczb zakażeń i zgonów w Polsce w okresie jesienno-zimowym (23.09–31.12.2020 r.). Źródło: opracowanie własne.

Miesiąc	Średnia (7-dniowa liczba zakażeń)	Odchylenie standardowe (7-dniowa liczba zakażeń)	Mediana (7-dniowa liczba zakażeń)	Średnia (7-dniowa liczba zgonów)	Odchylenie standardowe (7-dniowa liczba zgonów)	Mediana (7-dniowa liczba zgonów)
wrzesień	1 120,34	198,81	1 124,29	19,84	3,26	20,07
październik	6 954,09	4 716,2	5 895,71	80,44	45,15	74,43
listopad	21 727,76	2 431,36	21 903,29	368,7	102,04	351,36
grudzień	10 065,79	1 430,32	10 180,86	370,52	71,84	388,14

7-dniowa średnia liczba nowych zakażeń (A), zlogarytmowana 7-dniowa średnia liczba nowych zakażeń (B), 7-dniowa średnia liczba nowych zgonów (C) i zlogarytmowana 7-dniowa średnia liczba nowych zgonów (D) w czasie dla Polski w sezonie jesienno-zimowym (23.09–31.12.2020 r.). Źródło: opracowanie własne.

Pomiędzy październikiem a grudniem nie było istotnych różnic w medianach 7-dniowych średnich liczb nowych zakażeń (tabela 5.13). Październik i grudzień jako miesiące “otulające” apogeum epidemii w Polsce, które przypadło w listopadzie, różniły się jednak w przebiegu krzywej epidemii – w październiku liczby zakażeń zaczęły przyrastać od minimalnego poziomu we wrześniu, natomiast w grudniu nastąpił ich wyraźny spadek, ale z maksymalnego poziomu w listopadzie.

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla median 7-dniowej średniej liczby zgłaszanych w Polsce nowych zakażeń pomiędzy miesiącami sezonu jesienno-zimowego roku 2020. Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*).

	październik	listopad	grudzień
wrzesień	2,43*	7,01*	3,66*
październik		7,14*	1,93
listopad			-5,23*

Dynamiczne przyrosty nowych zakażeń dotknęły wszystkie województwa Polski, w podobnym czasie, tj. w połowie listopada, osiągnęły również maksimum. Jako pierwsze najwcześniej przyrost ten był zauważalny w województwie kujawsko-pomorskim, lubelskim, łódzkim i mazowieckim, które szczyt liczby nowych zakażeń osiągnęły już na początku listopada (rysunek 5.28).

7-dniowe średnie dziennych liczb zakażeń w przeliczeniu na 100 tys. mieszkańców dla województw Polski w sezonie jesienno-zimowym (23.09–31.12.2020 r.). Źródło: opracowanie własne.

5.3 Szczepienia w kierunku COVID-19

5.3.1 Zarys

Pierwsze szczepienie w kierunku COVID-19 zostało przeprowadzone 8.12.2020 r. – zaszczepiona została 90-letnia emerytowana pielęgniarka w Wielkiej Brytanii. Wkrótce za Wielką Brytanią podążyły pozostałe kraje świata, tak że do 31.12.2020 r. w sumie na świecie wykonano 279 932 szczepienia, a do 31.03.2021 r. – 16 363 968. W Europie, Azji i Ameryce Północnej największy przyrost 7-dniowej średniej liczby wykonanych szczepień zaczęto obserwować od stycznia 2021 roku, natomiast dla pozostałych kontynentów – Afryki, Ameryki Południowej i Oceanii – znacznie później: kiedy Europa, Azja i Ameryka Północna przekroczyły liczbę 10 000 osób zaszczepionych kolejno 23.12, 16.12 i 21.12.2020 r., Afryka przekroczyła dopiero 29.01.2021 r., Ameryka Południowa – 30.12.2020 r. – a Oceania – 11.03.2020 r. (rysunek 5.29).

7-dniowa liczba nowych szczepień w przeliczeniu na 1 mln osób dla kontynentów świata od 04.12.2020 r. do 31.03.2021 r. Źródło: opracowanie własne.

Krajem o najwyższej intensywności wykonywanych dziennie szczepień był Izrael – na 31.12.2020 r. łącznie wykonano tam 11,44 szczepień w przeliczeniu na 100 osób, czyli niemal 2 razy więcej w porównaniu z pozostałymi 9 krajami razem wziętymi, które znalazły się wśród 10 krajów o największej sumarycznej liczbie wykonanych szczepień w przeliczeniu na 100 osób na 31.12 (rysunek 5.30).

10 krajów z największą suma wykonanych szczepień w przeliczeniu na 100 osób na 31.12.2020 r.. Źródło: opracowanie własne.

Na 31.03.2021 r. tylko 3 kraje na świecie zaszczepiły więcej niż połowę populacji: Gibraltar (94,2% zaszczepionych 1 z 2 dawek i 84,7% zaszczepionych 2 dawkami), Izrael (60,6% zaszczepionych 1 z 2 dawek i 55,4% zaszczepionych 2 dawkami) i Bhutan (51,2% zaszczepionych 1 z 2 dawek i 0% zaszczepionych 2 dawkami), z czego Izrael miał najmniejszą różnicę frakcji osób zaszczepionych 1 z 2 dawek a 2 dawkami. Duża procentowa liczba osób zaszczepionych w Gibraltarze, Bhutanie czy na Wyspie Man wynika nie tyle z intensywności przebiegu szczepień, ile raczej z liczby ludności je zamieszkujących (rysunek 5.31).

10 krajów z największym procentem zaszczepionych osób w populacji 1 z 2 dawek w porównaniu z 2 dawkami na 31.03.2021 r. Czarną, przerywaną linią zaznaczono granicę wskazującą na połowę liczebności populacji kraju. Źródło: opracowanie własne.

Program szczepień w Polsce, jak i w krajach z nią sąsiadujących rozpoczął się już w grudniu 2020 r.; na początku w Rosji, w której 15.12 zaszczepiono 28 500 osób, a następnie w Czechach, Niemczech i na Litwie 27.12, gdzie zaszczepiono kolejno 1 252, 24 087 i 2 454 osób. Pod koniec grudnia do akcji wkroczyła Polska - 28.12 zaszczepiono 2 000 osób - a na początku 2021 roku, tj. 5.01, Słowacja z łączną liczbą zaszczepionych osób równą 425. Szczepienia w Białorusi rozpoczęły się dość późno, mianowicie 18.02.2021 r. - zaszczepiono 20 944 osób. Jako ostatnia włączyła się Ukraina - 24.02 do pierwszego szczepienia przystąpiło 159 osób. 31.12 najwięcej szczepień w przeliczeniu na 100 osób wykonywała Litwa (0,36), za nią zaś figurowały Niemcy (0,25), Polska (0,13) i Czechy (0,11). Do 31.03.2021 r. Litwa w dalszym ciągu figurowała na 1. miejscu w największej sumarycznej liczbie szczepień w przeliczeniu na 100 osób (19,09 i 12,93 osób zaszczepionych), Niemcy zostały wyparte przez Słowację (18,27 i 13,45 osób zaszczepionych), a same zajęły 3. miejsce (16,93 i 11,88 osób zaszczepionych). Polska natomiast doganiała Niemcy (16,57 i 11,18 osób zaszczepionych). Największy przyrost 7-dniowej liczby szczepień w przeliczeniu na 1 mln mieszkańców dla większości krajów zaczęto obserwować od początku 2021 roku (rysunek 5.32).

7-dniowa średnia liczba osób zaszczepionych w przeliczeniu na 1 mln mieszkańców dla Polski i krajów sąsiadujących od daty zgłoszenia pierwszego szczepienia do 31.03.2021. Źródło: opracowanie własne.

Do 31.03.2021 akcja szczepień była efektywnie przeprowadzana w Polsce, Czechach, Słowacji, Niemczech i na Litwie - pomiędzy każdą z par tych krajów nie było istotnych różnic w medianach 7-dniowych średnich liczb osób zaszczepionych w przeliczeniu na 1 mln mieszkańców. Różnic również nie było pomiędzy Białorusią a Ukrainą - krajami, które do 31.03 zaszczepiły mniej niż 1% populacji.

Wartości statystyk testu Dunneta z poprawką Benjamini-Hochberga dla różnic w medianach 7-dniowych średnich osób zaszczepionych w przeliczeniu na 1 mln mieszkańców dla Polski i jej sąsiadów w okresie od daty pierwszego szczepienia w danym kraju do 31.03.2021. Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*). Źródło: opracowanie własne.

	Czechy	Litwa	Niemcy	Polska	Słowacja	Rosja	Ukraina
Białoruś	12,79*	14,62*	13,95*	13,60*	14,14*	6,1*	-0,169
Czechy		1,89	1,21	0,87	1,56	-7,12*	-11,45*
Litwa			-0,67	-1,01	-0,29	-9,03*	-13,07*
Niemcy				-0,33	0,37	-8,33*	-12,47*
Polska					0,70	-7,97*	-12,17*
Słowacja						-8,59*	12,67*
Rosja							-5,53*

Do 31.03.2021 jednak Polska i żaden kraj z nią graniczący nie osiągnęli optymalnego odsetka zaszczepionych osób, by można było mówić o udziale odporności stadnej w zahamowaniu transmisji wirusa. Krajem, który zaszczepił największą część populacji, była Słowacja (13,4% osób zaszczepionych 1 z 2 dawek i 4,8% 2 dawkami), a za nią Litwa (12,9% osób zaszczepionych 1 z 2 dawek i 6,2% 2 dawkami). Niemcy, Czechy i Polska zaszczepiły podobną część populacji 1 z 2 dawek - odpowiednio 11.9%, 11,3% i 11,3%. Rosja i Ukraina do 31.03 zaszczepiły tylko kolejno 4,8% i 0,6% populacji, z czego Ukraina nie rozpoczęła jeszcze szczepień drugą dawką. W porównaniu z krajami przeprowadzającymi akcję szczepień w efektywnym tempie osoby w pełni zaszczepione (tj. 2 dawkami szczepionki) stanową więcej niż połowę osób zaszczepionych tylko 1 z 2 dawek (rysunek 5.33).

Procent populacji zaszczepionej 1 z 2 dawek szczepionki i 2 dawkami w Polsce i krajach z nią sąsiadujących na 31.03.2021. Źródło: opracowanie własne.

5.3.2 Niepożądane odczyny poszczepiennie (NOP-y) wśród polskich pacjentów

Pierwsze przypadki niepożądanych odczynów poszczepiennych (NOP-ów) w Polsce zostały zgłoszone 31.12.2020 r. Do 30.03.2021 zaszczepionych minimum 1 dawką szczepionki zostało 6 081 824 osób, z czego ok. 3 899 000 stanowiły kobiety (64,1%), a ok. 2 176 000 mężczyźni (35,8%)¹² Zarejestrowano w sumie 5 751 zgłoszeń dotyczących NOP-ów pośród zaszczepionych osób, co stanowi ok. 0,09% NOP-ów wśród sumy wykonanych szczepień do tego dnia, a więc 1 NOP na ok. 1 111 wykonanych szczepień. Najczęściej występowały one u kobiet (4 936 – 85,8%) niż u mężczyzn (815 – 14,2%); kobiety też częściej niż mężczyźni borykały się z NOP na tle ogółu osób zaszczepionych w obrębie płci \((\chi^2 = 1173,4, p <.001)\). Wyróżniono cztery typy objawów poszczepiennych: lekki, poważny, ciężki i zgon. 86,1% osób (4 951) borykało się z lekkimi odczynami, do których należały ból czy zaczerwienienie w miejscu ukłucia. 10,7% osób (614) zgłaszało odczyny poważne niewymagające hospitalizacji, jak np. drętwienie kończyn czy podwyższona temperatura, 2,4% ciężkie (136) wymagające hospitalizacji, jak np. padaczka czy nagłe zatrzymanie akcji serca, a 0,9% (50) zmarło w przeciągu 4 tygodni od aplikacji szczepionki (rysunek 5.34).

Rozkład częstości wystąpienia niepożądanych objawów poszczepiennych wśród mieszkańców Polski w zależności od płci (stan na 31.03.2021). Klasyfikacja: C - ciężki; L - lekki; P - poważny; Z - zgon. Źródło: opracowanie własne.

Mimo że kobiety częściej niż mężczyźni zmagały się z NOP-ami, proporcje osób z odczynami klasyfikowanymi do stanu ciężkiego i zmarłych były wyższe w grupie mężczyzn (\(\chi^2 = 29,2, p <.001\) i \(\chi^2 = 53,23, p <.001\) odpowiednio). Z kolei proporcje osób z odczynami poważnymi były jednorodne pomiędzy grupami kobiet i mężczyzn i wynosiły 10,7% (\(\chi^2 = 0, p = .99\)). W porównaniu z mężczyznami kobiety częściej zmagały się z odczynami lekkimi (\(\chi^2 = 18,7, p <.001\)).

Porównanie mężczyzn i kobiet w Polsce pod względem klasyfikacji niepożądanych odczynów poszczepiennych (stan na 31.03.2021). Wartości \(\chi^2\) i \(p\) zostały obliczone z użyciem testu dla proporcji.

Klasyfikacja objawu	Liczebność (kobiety)	%	Liczebność (mężczyźni)	%	Liczebność (ogółem)	%	\(\chi^2\)	Wartość \(p\)
C	95	1,9	41	5	136	2,4	29,2	.001*
L	4 289	86,9	662	81,2	4 951	86,1	18,7	.001*
P	527	10,7	87	10,7	614	10,7	0	.99
Z	25	0,5	25	3,1	50	0,9	53,23	.001*
Suma	4 936	100	815	100	5 751	100	-	-

Do zaklasyfikowanego objawu każdego pacjenta dodawano notkę informacyjną o jego stanie. Najczęściej pojawiającą się informacją było “zaczerwienienie i krótkotrwała bolesność w miejscu wkłucia” – pojawiła się ona w 4 948 notkach i była przypisywana pacjentom z odczynami lekkimi; stanowiła 99,94% zawartości notek pacjentów z tej grupy. Wśród słów najczęściej występujących w notkach w przypadku objawów poważnych na 1. miejscu znalazło się “gorączka” (3,4%). Odczyny poważne zatem najczęściej wiązały się z gorączką, “bóle” (2,8%) i “głowy” (2,8%), czyli bólem głowy, ale też “osłabienie” (1,8%) i “mięśni” (1,4%), co ma związek z ogólnym osłabieniem, jak i dolegliwościami ze strony układu mięśniowego. Z kolei część pacjentów z odczynami ciężkimi wymagała leczenia w szpitalnym oddziale ratunkowym (24 notek zawierających “sor” na 136 - 17,6%). Przyczyną zgonu części zmarłych pacjentów była niewydolność krążeniowa - “krążenia” (1,5%, ciąg “krążeni”: 7 na 50 notek - 14%) - czemu wcześnie towarzyszyła “duszność” (0,8%, ciąg “duszno”: 6 na 50 notek - 12%). Wśród wyrażeń w notkach zaklasyfikowanych do pacjentów zmarłych nie zidentyfikowano jednak regularności - niektóre z nich zawierały wyłącznie informację “zgon” (7 na 50 notek - 14%), podczas gdy inne tylko nieistotnie ją uzupełniały, np. “zgon w 11 dobie po szczepieniu.”.

10 najczęściej występujących słów w notkach zawierających informacje o stanie pacjentów w Polsce, których objawy zostały zaklasyfikowane do jednej z kategorii spośród P (poważne), C (ciężkie) i Z (zgon), dla danego typu objawu (stan na 31.03.2021). Źródło: opracowanie własne.

Pozycja	Wyraz (P)	Liczba wystąpień (P)	Częstość wystąpienia słowa w objawie P (w %)	Wyraz (C)	Liczba wystąpień (C)	Częstość wystąpienia słowa w objawie C (w %)	Wyraz (Z)	Liczba wystąpień (Z)	Częstość wystąpienia słowa w objawie Z (w %)
1	gorączka	249	3,4	hospitalizacja	31	1,4	zgon	50	8,2
2	hospitalizacji	223	3	pacjentka	30	1,3	dniu	13	2,1
3	głowy	210	2,8	sor	29	1,3	szczepieniu	11	1,8
4	bóle	205	2,8	hospitalizowana	19	0,8	krążenia	9	1,5
5	ból	199	2,7	przytomności	19	0,8	pacjentka	9	1,5
6	wymaga	167	2,3	głowy	18	0,8	pacjent	7	1,2
7	osłabienie	132	1,8	gorączka	18	0,8	dobie	6	1
8	miejscu	118	1,6	pacjent	18	0,8	godz	6	1
9	mięśni	105	1,4	szczepieniu	18	0,8	zgonu	6	1
10	odczyn	104	1,4	hospitalizowany	17	0,7	duszność	5	0,8

5.4 Estymacja współczynnika reprodukcji wirusa (R)

Wyestymowany z użyciem filtra Kalmana współczynnik \(R(t)\) dla Polski w pierwszych dniach po przekroczeniu sumarycznej liczby zakażeń w wysokości 100 początkowo zakładał intensywny rozwój epidemii. Średnia współczynnika w okresie 16.03-23.03.2020 r. wynosiła 2,5 z odchyleniem standardowym równym 1,19, a mediana 2,35. Współczynnik zmienności \(CV\) wynosił 0,47, co świadczy o silnym zróżnicowaniu \(R(t)\) na przestrzeni rozpatrywanego okresu.

Dane rzeczywiste i uzyskane z modelu \(SIR\) dla dziennych liczb nowych zakażeń w Polsce w okresie 14.03–23.03.2020 r. wraz z wyestymowanym chwilowym współczynnikiem reprodukcji wirusa \(R(t)\).

Data	Liczba nowych zakażeń (dane rzeczywiste)	Suma zakażeń (dane rzeczywiste)	Liczba nowych zakażeń (dane z modelu SIR)	Współczynnik wzrostu (dane z modelu SIR)	\(R(t)\)
14.03.2020	35	103	-	-	-
15.03.2020	16	119	104,271	-	-
16.03.2020	58	177	147,36	0,413	3,89
17.03.2020	61	238	187,288	0,271	2,9
18.03.2020	13	251	173,506	-0,074	0,48
19.03.2020	104	355	252,695	0,456	4,19
20.03.2020	70	425	286,56	0,134	1,94
21.03.2020	111	536	356,582	0,244	2,71
22.03.2020	98	634	403,591	0,132	1,92
23.03.2020	115	749	460,877	0,142	1,99

Podobne wyniki dla tego okresu zostały uzyskane z użyciem metody z pakietu EpiEstim w R. Tu średnia wyniosła 2,38 z odchyleniem standardowym równym 0,44 a mediana 2,19; \(CV\) natomiast był mniejszy w porównaniu z odpowiadającym dla filtra Kalmana (0,18), aczkolwiek utrzymujące się chwilowe współczynniki na poziomie większym od 2 w siedmiu na osiem dni wskazują na równie intensywny rozwój epidemii, co zaznaczył też filtr Kalmana.

Współczynniki \(R(t)\) wyestymowane z użyciem pakietu EpiEstim w R dla Polski w okresie 16.03-23.03.2020 r. Źródło: opracowanie własne.

Data	\(R(t)\)
16.03.2020	3,14
17.03.2020	2,97
18.03.2020	2,16
19.03.2020	2,41
20.03.2020	2,22
21.03.2020	2,15
22.03.2020	2,08
23.03.2020	1,9

W przypadku 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecji, jak i pozostałych krajów świata, w pierwszych tygodniach od przekroczenia całkowitej liczby zakażeń w wysokości 100 współczynnik \(R(t)\) był znacznie większy od 1. Przykładowo, dla Stanów Zjednoczonych wynosił on 4 07.03, dla Brazylii 3,22 19.03, dla Indii 2,53 21.03, a dla Szwecji 3,07 09.03 wg szacunków EpiEstim. W sezonie wiosenno-letnim dla części krajów, m.in. Brazylii, Stanów Zjednoczonych i Szwecji zmiana współczynnika \(R(t)\) na przestrzeni okresów nie była jednostajna, jak w Indiach, dla których w tym czasie współczynnik \(CV\) wynosił 0,24, co wskazuje na jego przeciętne zróżnicowanie (dla Brazylii: 0,33; dla Stanów Zjednoczonych: 0,47; dla Szwecji: 0,34). Przez ten czas w Brazylii \(R(t)\) w 147 dniach na 191 było większych bądź równych 1 (76,96% dni epidemii). Pomimo słabego zróżnicowania współczynnika w tym okresie w Indiach, przez znaczną większość czasu (189 na 199 dni – 99,47%) był on większy bądź równy 1. W przypadku Stanów Zjednoczonych proporcje dni ze współczynnikiem \(R(t)\) większym bądź równym 1 i mniejszym niż 1 nie różniły się istotnie (\(\chi^2 = 0,49; p = 0,48\)) – wynosiły odpowiednio 52% i 48%. Podobnie jak w Brazylii i Indiach, również w Szwecji przeważała wartość większa od 1 (128 na 198 dni – 64,64%. W sezonie jesienno-zimowym zmniejszający się \(R(t)\) od okresu letniego utrzymywał się na poziomie mniejszym od 1 w przeważającej części okresu (6 na 101 dni – 5,94%). Sytuacja epidemiczna związana z transmisją wirusa pogorszyła się jednak w Stanach Zjednoczonych, dla których proporcje te nie były już równe: dla \(R(t)\) większego bądź równego 1 i mniejszego od 1 równały się kolejno 82,18% i 17,82% (83 na 101 dni). Spośród rozpatrywanych krajów największą liczbą dni, dla których współczynnik ten wynosił nie mniej niż 1, odznaczała się Szwecja – na 101 dni w 96 (95,05%) transmisja wirusa przybierała na sile (rysunek 5.35).

Zależność współczynników \(R(t)\) wyestymowanych z użyciem pakietu EpiEstim w R i filtra Kalmana (średnia 7-dniowa) w czasie dla 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecji. Pionową, czerwoną linią oznaczono dzień 22.09.2020 r. – koniec sezonu wiosenno-letniego. Źródło: opracowanie własne.

W okresie letnim tj. 21.06–22.09.2020 r. \(R(t)\) pozostawał na stabilnym poziomie wśród sąsiadów Polski: \(CV\) dla Białorusi był równy 0,17; dla Czech 0,19, dla Litwy 0,2, dla Niemiec 0,12, dla Rosji 0,04, dla Słowacji 0,16, a dla Ukrainy 0,06). W Niemczech, kiedy współczynnik \(R(t)\) w sezonie wiosenno-letnim spadł poniżej 1 07.04 (0,99), kolejny przyrost liczby zakażeń w liczbie większej niż 5 000 zaobserwowano w październiku, na początku sezonu jesienno-zimowego. Wzrost \(R(t)\) powyżej 1 przypadał również między czerwcem a lipcem. Przyrost współczynnika od początku ostatniego kwartału roku 2020 przypadał także dla innych krajów, m.in. Czech, Litwy, Rosji i Słowacji – przede wszystkim w październiku, ale też w listopadzie, ze spadkiem na początku grudnia.

Zależność współczynników \(R(t)\) wyestymowanych z użyciem pakietu EpiEstim w R i filtra Kalmana (średnia 7-dniowa) w czasie dla krajów graniczących z Polską. Pionową, czerwoną linią oznaczono dzień 22.09.2020 r. – koniec sezonu wiosenno-letniego – a czarną, przerywaną granicę oznaczającą przekroczenie współczynnika \(R(t)\) równego 1. Źródło: opracowanie własne.

Zbliżający się sezon jesienno-zimowy w Polsce skutkował nagłym i dynamicznym przyspieszeniem rozprzestrzeniania się wirusa od poziomu \(R(t)\) równego 0,82 10.09 do 1,58 10.10¹³. Współczynnik ten na poziomie większym niż 1 utrzymywał się począwszy od 15.09 (1,01) do 16.11 (1,01), a więc przez 57 dni, co stanowi większość (56,44%) sezonu jesienno-zimowego. Regularny spadek odnotowywano aż do 07.12 (0,79), po czym \(R(t)\) zaczął ponownie przyrastać, nie przekraczając wartości 1, do ostatniego dnia roku 2020 (rysunek 5.38).

Zależność współczynników \(R(t)\) wyestymowanych z użyciem pakietu EpiEstim w R i filtra Kalmana (średnia 7-dniowa) w czasie dla Polski. Pionową, czerwoną linią oznaczono dzień 22.09.2020 r. – koniec sezonu wiosenno-letniego – a czarną, przerywaną granicę oznaczającą przekroczenie współczynnika \(R(t)\) równego 1. Źródło: opracowanie własne.

Rozpoczynająca się w Polsce epidemia w marcu odznaczała się względnie wysokim współczynnikiem \(R(t)\), którego mediana istotnie różniła się w zestawieniu z pozostałymi miesiącami z wyłączeniem października. Najmniejsza różnica była pomiędzy marcem a kwietniem, co sugeruje zmniejszenie średniej transmisji przekazywania wirusa przez jedną osobę w kwietniu, ale zbliżony \(R(t)\) do odpowiadającego marcu, biorąc pod uwagę pozostałe miesiące roku 2020. W okresie letnim tzn. pomiędzy lipcem a sierpniem i sierpniem a wrześniem nie zaobserwowano różnic w medianach. W październiku mediana \(R(t)\) nie różniła się istotnie od odpowiadającej w marcu, również pomiędzy październikiem a listopadem i październikiem a grudniem istniały statystycznie istotnie różnice w medianach – największe pomiędzy październikiem a grudniem. Kierując się interpretacją współczynnika, epidemia wydawała się silnie wygasać w grudniu – pomiędzy grudniem a pozostałymi miesiącami roku 2020 istniały różnice w medianach współczynników.

Wartości statystyk testu porównań wielokrotnych Dunneta z poprawką Benjamini-Hochberga dla różnic w medianach współczynników \(R(t)\) dla Polski w zależności od miesięcy roku 2020. Statystycznie istotne różnice na poziomie istotności \(\alpha = 0,05\) zostały oznaczone asteryskiem (*). Źródło: opracowanie własne.

	kwiecień	maj	czerwiec	lipiec	sierpień	wrzesień	październik	listopad	grudzień
marzec	-4,36*	-6,17*	-7,53*	5,42*	-4,76*	-5,84*	-1,44	-5,56*	-9,47*
kwiecień		2,14	-3,8*	-1,24	-0,44	-1,76	3,9*	-1,43	-6,11*
maj			-1,68	0,91	1,71	0,36	6,09*	0,7	-4*
czerwiec				2,59*	3,39*	2,03	7,73*	2,36*	-2,28*
lipiec					0,8	0,54	5,18*	-0,21	-4,91*
sierpień						-1,34	4,38*	-1	-5,71*
wrzesień							5,68*	0,33	-4,33*
październik								-5,34*	-10,09*
listopad									-4,66*

5.4.1 Porównanie współczynników \(R(t)\) pomiędzy krajami

W sezonie wiosenno-letnim zarówno Polska, jak i kraje z nią graniczące (\(\chi^2 = 34,78, p <.001\)), a także 3 kraje z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie) i Szwecja (\(\chi^2 = 93,74, p <.001\)) różniły się istotnie pod względem median współczynników \(R(t)\). Również i w sezonie jesienno-zimowym mediany te dla Polski i jej sąsiadów (\(\chi^2 = 42,79, p <.001\)), jak i wspomnianych pozostałych krajów (\(\chi^2 = 180,46, p <.001\)) nie były jednorodne. Najniższa średnia \(R(t)\) w sezonie wiosenno-letnim była obserwowana dla Litwy (1,07), a najwyższa – Indii (1,27). Większość krajów (Brazylia, Czechy, Indie, Litwa, Polska, Rosja, Słowacja, Szwecja, Ukraina) wykazywała przeciętne zróżnicowanie współczynników \(R(t)\) w pierwszych trzech kwartałach roku, z czego niektóre z nich (Białoruś, Niemcy, Stany Zjednoczone) przeciwnie. Z kolei w sezonie jesienno-zimowym pozostawał on na stabilnym poziomie we wszystkich krajach, chociaż dla części z nich (Litwa, Polska, Słowacja, Szwecja) jego średnia była wyższa niż w okresie poprzedzającym (tabela 5.17).

Mediany współczynników \(R(t)\) w sezonie wiosenno-letnim były mniejsze niż w sezonie jesienno-zimowym dla większości krajów (Białoruś, Czechy, Litwa, Niemcy, Polska, Rosja, Szwecja) i na ogół przekraczały 1. W sezonie jesienno-zimowym na tle krajów wyróżniały się Indie – 25% \(R(t)\) było mniejszych od 0,89 i większych od 0,96, a najwyższa wartość współczynnika osiągnięta przez ten kraj wyniosła 1,06, a więc znacznie mniej w porównaniu ze Szwecją, dla której był on równy 1,61, a tylko 25% wartości było mniejszych od 1,07 (rysunek 5.34).

Rozkłady współczynników \(R(t)\) wyestymowanych z użyciem pakietu EpiEstim w R dla 3 krajów z największą sumaryczną liczbą zakażeń w roku 2020 (Stany Zjednoczone, Brazylia, Indie), Szwecji, Polski i krajów z nią graniczących dla sezonów wiosenno-letniego i jesienno-zimowego roku 2020. Źródło: opracowanie własne.

Stany Zjednoczone, Brazylia i Indie w roku 2020 różniły się pod względem median współczynników \(R(t)\) (tabela 5.19). W porównaniu z sezonem jesienno-zimowym, w sezonie wiosenno-letnim spośród tych trzech krajów względnie niska transmisja wirusa była obserwowana dla Stanów Zjednoczonych, dla których mediana \(R(t)\) wyniosła 1, a tylko 25% wartości było większych od 1,16 (dla Brazylii, przykładowo, trzeci kwartyl wyniósł 1,29; dla Indii natomiast 1,27; tabela 5.18), dlatego też Stany Zjednoczone i Indie cechowały największa różnica w medianach na poziomie istotności \(\alpha = 0,05\) (tabela 5.19). W kolejnym sezonie mediany \(R(t)\) dla Indii i Brazylii były mniejsze w porównaniu z poprzednim okresem – odpowiednio 1,02 i 0,92. Dla Stanów Zjednoczonych odwrotnie – pierwszy kwartyl (1,01) był bliski medianie (1,09). Z kolei Polska i jej sąsiedzi w sezonie jesienno-zimowym gorzej radziły sobie z zahamowaniem transmisji wirusa – w większości krajach (Białoruś, Czechy, Litwa, Niemcy, Polska, Rosja) mediana \(R(t)\) w sezonie jesienno-zimowym przewyższała odpowiadającą z sezonu wiosenno-letniego. Na przestrzeni całego roku 2020 jednak Polska w zestawieniu z Białorusią, Czechami, Litwą, Niemcami, Rosją i Słowacją nie różniły się istotnie pod względem median \(R(t)\), a różnica ta była najmniejsza pomiędzy Polską a Rosją.

W rozpatrywanych krajach sumaryczna liczba zakażeń w wysokości 100 została przekroczona w podobnym czasie. Mimo to niektóre kraje różniły się pod względem odsetka dni ze współczynnikiem \(R(t)\) większym bądź równym 1. Najdłuższy okres rozwoju epidemii przypadł w Ukrainie, gdzie na 280 dni w 218 \(R(t)\) był większy bądź równy 1 (tabela 5.20). Statystycznie istotne różnice nie zostały zaobserwowane jednak pomiędzy Ukrainą, Litwą i Szwecją, co sugeruje podobny ilościowo przebieg transmisji wirusa w tych krajach. Polska wraz z Białorusią, Brazylią, Czechami, Indiami, Niemcami, Rosją, Słowacją i Stanami Zjednoczonymi zachowała podobny odsetek dni, dla których \(R(t)\) był większy bądź równy 1.

W sezonie letni,, pomimo znoszenia restrykcji, nie we wszystkich krajach epidemia poziom transmisji wirusa w populacji pozostawał na stabilnym, niesprzyjającym dalszemu rozwoju poziomie. W Stanach Zjednoczonych, Brazylii i Szwecji nie zauważono w tym czasie różnicy pomiędzy odsetkami \(R(t)\) większym bądź równym 1 a mniejszym od 1. W niektórych krajach z kolei w przeważającej części sezonu proces przekazywania wirusa został znacząco zminimalizowany, m.in. na Białorusi czy w Rosji. W Polsce proporcje nieistotnie różniły się od siebie, a w Czechach, Indiach, Słowacji, na Litwie i Ukrainie w większości dniach \(R(t)\) był większy od 1.

5.4.2 Zbieżność metod estymacji

Uwzględniając kraje¹⁴, dla których oszacowano współczynnik \(R(t)\) począwszy od dnia przekroczenia sumy zakażeń w liczbie 100, w sumie zebrano 3 482 współczynników \(R(t)\) dla metod filtra Kalmana i z pakietu EpiEstim w R. W przypadku danych codziennych dla filtra Kalmana tzn. takich, których współczynnik \(R(t)\) dla danego dnia wynikał z obliczeń modelowych, nie zaś z uśrednień tygodniowych, najniższa bezwzględna wartość reszty wynosiła 0, co wskazuje taką samą wartość pomiaru z obu metod, natomiast najwyższa - 8,83. 25% wartości (pierwszy kwartyl) było mniejszych od 0,06, a 25% (drugi kwartyl) większych od 0,37; mediana wynosiła 0,17, a średnia 0,31. Rozkład tych wartości był silnie prawoskośny \(A_S = 6,87\), co znaczy, że najwięcej wartości skupiało się w dolnych granicach przedziału osi \(X\) (pomniżej średniej), przede wszystkim w przedziale \([0, 1]\), w którym znalazło się 95% reszt, a 67% było mniejszych od 0,3. Po uśrednieniu współczynników \(R(t)\) uzyskanych metodą filtra Kalmana w oknie 7-dniowym, powstały rozkład bezwzględnych wartości reszt również jest prawoskośnie asymetryczny, aczkolwiek słabiej niż w przypadku danych codziennych (\(A_S = 3,90\)). Mimo to tak uśrednione dane wydają się lepiej dopasowywać do metody z pakietu EpiEstim w R niż dane codzienne, gdyż 95% reszt nie przekraczało 0,3, a więc więcej o 28 punktów procentowych w porównaniu z poprzednią metodyką. Niemal wszystkie wartości (97,9%) były mniejsze od 0,5, a mediana i średnia wynosiły odpowiednio 0,04 i 0,08, natomiast 25% (pierwszy kwartyl) reszt nie przekraczało 0,02, a 25% (trzeci kwartyl) było większych od 0,09 (rysunek 5.39).

Rozkład bezwzględnych różnic (reszt) wartości współczynników \(R(t)\) uzyskanych z użyciem filtra Kalmana i pakietu EpiEstim w R dla danych codziennych i filtra Kalmana z danych uśrednionych w oknie 7-dniowym. Źródło: opracowanie własne.

Bazująca na 7-dniowym oknie metoda wyznaczania współczynników \(R(t)\) z pakietu EpiEstim w R różni się od metodyki filtra Kalmana, która uwzględnia zmianę dziennych liczb zakażeń, bazując na serii modelowej. Stąd też dla większości analizowanych tu krajów metody te wydają się być porównywalne: współczynniki korelacji liniowej \(R\) Pearsona na ogół wahają się pomiędzy 0,7 a 0,9, co wskazuje na silną, liniową zbieżność, a wysokie współczynniki \(\tau\) Kendalla potwierdzają istotną monotoniczność. Średni bezwzględny błąd (MAE) dla znacznej części krajów był mniejszy od 0,5, co świadczy o mniejszej niż 0,5 średniej odległości uzyskanych z obu metod współczynników. Również wyestymowane współczynniki z użyciem metody najmniejszych kwadratów (MNK) klasycznej regresji liniowej wskazują na dobre, liniowe dopasowanie zmiennych – współczynniki \(\hat{\beta_1}\) są istotnie różne od 0 i względnie bliskie jedności, natomiast współczynniki \(\hat{\beta_0}\) dla niektórych krajów (Białoruś, Czechy, Litwa, Szwecja i Ukraina) są nieistotnie różne od 0; dla pozostałych zaś istotnie, ale nie przekraczają jedności. W przypadku Szwecji metody te nie wydają się być silnie zbieżne (\(r = 0,32\), \(\tau = 0,3\), \(MAE = 0,73\)).

Porównanie współczynników \(R(t)\) wyestymowanych z użyciem filtra Kalmana (dane codzienne) i pakietu EpiEstim w R na podstawie współczynników korelacji \(R\) Pearsona, \(\tau\) Kendalla, średniego błędu bezwzględnego (MAE, ang. mean absolute error) i wartości estymatorów MNK modelu regresji liniowej. Źródło: opracowanie własne.

Kraj	Wsp. kor. \(r\) Pearsona	Wsp. kor. \(\tau\) Kendalla	\(MAE\)	Wartość estymatora MNK \(\hat{\beta_1}\)	Wartość estymatora MNK \(\hat{\beta_0}\)
Białoruś	0,84*	0,76*	0,13	1,04*	-0,03
Brazylia	0,7*	0,38*	0,37	1,41*	-0,41*
Czechy	0,66*	0,44*	0,37	1,2*	-0,18
Indie	0,75*	0,69*	0,16	1,34*	-0,35*
Litwa	0,56*	0,45*	0,34	1,17*	-0,16
Niemcy	0,74*	0,47*	0,36	1,42*	-0,42*
Polska	0,8*	0,55*	0,21	1,21*	-0,2*
Rosja	0,93*	0,85*	0,08	1,21*	-0,21*
Słowacja	0,5*	0,33*	0,58	1,45*	-0,44*
Stany Zjednoczone	0,9*	0,57*	0,17	1,28*	-0,28*
Szwecja	0,32*	0,3*	0,73	1,48*	-0,41
Ukraina	0,75*	0,44*	0,17	1,09*	-0,07

Po uśrednieniu współczynników \(R(t)\) wyestymowanych z użyciem filtra Kalmana w oknie 7-dniowym, \(MAE\) zostaje zminimalizowany dla większości krajów do części setnych, a współczynniki korelacji liniowej \(R\) Pearsona i \(\tau\) Kendalla wynoszą nie mniej niż 0,93 (\(r\) Pearsona) i 0,80 (\(\tau\) Kendalla). Silna zbieżność metod wynikła również dla Szwecji, w przypadku której dla danych codziennych z filtra Kalmana nie zaobserwowano silnej korelacji. Ponadto mediany współczynników \(R(t)\) wyestymowanych z użyciem filtra Kalmana (zarówno dla danych codziennych, jak i uśrednionych w oknie 7-dniowym) i pakietu EpiEstim w R nie różnią się istotnie dla znacznej większości krajów.

Porównanie współczynników \(R(t)\) wyestymowanych z użyciem filtra Kalmana (pomiary uśrednione w oknie 7-dniowym) i pakietu EpiEstim w R na podstawie współczynników korelacji \(r\) Pearsona, \(\tau\) Kendalla, średniego błędu bezwzględnego (MAE, ang. mean absolute error) i wartości estymatorów MNK modelu regresji liniowej. Źródło: opracowanie własne.

Kraj	Wsp. kor. \(r\) Pearsona	Wsp. kor. $ au$ Kendalla	MAE	Wartość estymatora MNK \(\hat{\beta_1}\)	Wartość estymatora MNK \(\hat{\beta_0}\)
Białoruś	0,98*	0,96*	0,06	1,33*	-0,32*
Brazylia	0,98*	0,94*	0,08	1,46*	-0,44*
Czechy	0,98*	0,92*	0,08	1,32*	-0,30*
Indie	0,97*	0,97*	0,08	1,32*	-0,31*
Litwa	0,98*	0,91*	0,08	1,28*	-0,26*
Niemcy	0,99*	0,94*	0,10	1,47*	-0,45*
Polska	0,99*	0,94*	0,07	1,37*	-0,36*
Rosja	0,99*	0,96*	0,06	1,37*	-0,37*
Słowacja	0,97*	0,87*	0,11	1,27*	-0,23*
Stany Zjednoczone	0,99*	0,95*	0,08	1,43*	-0,43*
Szwecja	0,93*	0,80*	0,15	1,52*	-0,43*
Ukraina	0,99*	0,94*	0,05	1,38*	-0,38*

Porównanie współczynników \(R(t)\) wyestymowanych z użyciem filtra Kalmana (pomiary uśrednione w oknie 7-dniowym) i pakietu EpiEstim w R na podstawie testu sumy rang Wilcoxona dla każdego kraju. Źródło: opracowanie własne.

Kraj	Liczba dni z wyestymowanym współczynnikiem \(R(t)\)	Mediana - EpiEstim	Mediana - filtr Kalmana (dane codzienne)	Mediana - filtr Kalmana (dane uśrednione)	Statystyka \(W\) - EpiEstim/filtr Kalmana (dane codzienne)	Statystyka \(W\) - EpiEstim/filtr Kalmana (dane uśrednione)
Białoruś	274	1,06	1,07	1,09	36 744	34 804
Brazylia	292	1,07	1,18	1,09	37 975*	38 597
Czechy	292	1,08	1,04	1,13	43 703	39 751
Indie	291	1,09	1,12	1,13	41 641	38 931
Litwa	283	1,12	1,08	1,17	41 361	35 869
Niemcy	304	1,06	1,07	1,09	46 715	43 592
Polska	291	1,04	1,09	1,06	41 814	40 395
Rosja	288	1,04	1,05	1,05	41 712	40 581
Słowacja	287	1,15	1,08	1,25	42 906	34 780*
Stany Zjednoczone	301	1,04	1,07	1,05	43 934	43 079
Szwecja	299	1,09	1,02	1,21	48 370	33 973*
Ukraina	280	1,1	1,12	1,13	35 646	31 819*

Uśrednione w oknie 7-dniowym dla metody filtra Kalmana współczynniki \(R(t)\) tworzą wraz z odpowiadającymi z EpiEstim ścisły układ liniowy (\(R = 0,98, p <.001\)), jednocześnie odznaczając się mniejszą różnicą pomiędzy danymi parami w porównaniu z danymi codziennymi z filtra Kalmana (\(R = 0,61, p < .001\); rysunek 5.40). Monotoniczność dla ogółu danych potwierdza również wysoki współczynnik \(\tau\) Kendalla, który w przypadku danych codziennych filtra Kalmana i uśrednionych w oknie 7-dniowym wyniósł kolejno 0,47 (\(p < .001\)) i 0,92 (\(p < .001\)).

Zależność pomiędzy współczynnikami \(R(t)\) wyestymowanymi z użyciem pakietu EpiEstim w R i filtra Kalmana dla danych codziennych (A) i uśrednionych w oknie 7-dniowym (B). Dodatkowo naniesiono informacje o współczynniku korelacji \(R\) Pearsona i wartości \(p\) dla współczynnika korelacji. Niebieska prosta została dopasowana do danych metodą najmniejszych kwadratów, a czerwona została opisana równaniem \(y = x\). Źródło: opracowanie własne.

Pod kątem interpretacji¹⁵ współczynników \(R(t)\) średnia dla uwzględnianych krajów dla danych codziennych z filtra Kalmana wyniosła 76,76%, a więc ok. 8 na 10 par \(k_i\) i \(b_i\) było mniejszych od 1 bądź większych lub równych 1. Największą zgodność zaobserwowano dla Białorusi (93,43%), a najmniejszą – Szwecji (64,54%). Jeszcze większe podobieństwo uzyskano, uśredniając wyestymowane z filtra Kalmana \(R(t)\) w oknie 7-dniowym. Żaden z krajów nie przekraczał progu równego 90%, co odpowiada 9 zgodnym parom na 10.

Procent współczynników \(R(t)\) wyestymowanych z użyciem metod filtra Kalmana (dane codzienne i uśrednione w oknie 7-dniowym) i pakietu EpiEstim w R spełniających warunek \((k_i \wedge b_i < 1) \vee (k_i \wedge b_i \geqslant 1)\).

Kraj	% równolicznych \(R(t)\) codziennych	% równolicznych \(R(t)\) uśrednionych w oknie 7-dniowym (filtr Kalmana)
Białoruś	93,43	95,62
Brazylia	70,89	92,81
Czechy	72,26	94,18
Indie	90,03	97,59
Litwa	71,73	94,35
Niemcy	75,33	92,76
Polska	76,63	95,19
Rosja	91,67	94,10
Słowacja	66,55	95,47
Stany Zjednoczone	76,08	93,02
Szwecja	62,54	96,32
Ukraina	73,93	96,79
Średnia	76,76	94,85

5.5 Wizualizacja dziennych danych w programie Kibana

Epidemia jako zjawisko nieustannie się zmieniające i ściśle zależne od czasu powinna być na bieżąco kontrolowana, aby w odpowiednim czasie podejmować właściwe decyzje w krajach, które najbardziej ich w danym momencie potrzebują. Na czas pandemii COVID-19 w Internecie istnieje wiele codziennie aktualizowanych i konserwowanych zbiorów danych poświęconych danym związanym z COVID-19. Jedną z takich witryn jest Worldometer, która dane dotyczące COVID-19 dla każdego kraju zbiera w formie tabeli, w której zawarte są takie informacje, jak liczby nowych zakażeń, zgonów, ozdrowieńców, wykonanych testów i inne.

Dostarczone programowi Kibana pozyskane ręcznie dane z użyciem metody “web-scraping” w języku Python dane mogą być analizowane i wizualizowane. Analiza opiera się na narzędziu Discover, które umożliwia ogląd zgromadzonych danych (zbioru danych) z możliwością ich filtracji. Rysunek 5.41 przedstawia główne okno narzędzia Discover po przefiltrowaniu plików z danymi, których nazwa rozpoczyna się od ciągu coronavirus, z datą nie większą od 30 dni. Narzędzie zwraca wynik w postaci wykresu słupkowego, który obrazuje liczbę wierszy (oś Y – “Count”) pliku w zależności od daty związanej z aktualnością informacji w nim zawartymi (oś X – “date per day”. W przypadku zbioru danych dotyczących COVID-19 narzędzie Discover wyświetla 8 słupków na wykresie, co oznacza, że programowi Kibana dostarczonych zostało 8 plików z dziennymi danymi pobranymi z witryny Worldometer – od 10.05.2021 r. do 17.05.2021 r. Wysokości wszystkich słupków są równe, zatem każdy z dostarczonych plików posiada tę samą liczbę wierszy – 222 – a więc liczba krajów na przestrzeni tych 8 dni się nie zmieniała. Ramka danych pod wykresem w każdym wierszu odpowiada każdemu wierszu połączonego już zbioru danych ze wszystkich dostarczonych plików domyślnie sortowane w kolejności malejącej względem daty (kolumny “Time”). Nazwy zmiennych i jej zawartości składowane są w kolumnie “Document” – przykładowo, na 17.05.2021 dla Stanów Zjednoczonych (“USA”) znajdujących się w Ameryce Północnej (“North America”) odnotowano 7,849 przypadków krytycznych.

Główne okno narzędzia Discover programu Kibana na podstawie danych związanych z COVID-19 z witryny Worldometer. Źródło: opracowanie własne z interfejsu Kibana.

Kibana wizualizację umożliwia z wykorzystaniem wielu narzędzi – oprócz różnych rodzajów wykresów (jak np. wykres słupkowy, liniowy, kołowy, mapa cieplna), możliwe jest też przedstawienie zbioru danych w postaci stabelaryzowanej. Taką formę analizy można zastosować w przypadku zbioru danych dotyczących COVID-19, który zawiera wiele bezpośrednio niepowiązanych ze sobą zmiennych. W 19 tygodniu roku 2021 (10–16.05) witryna Worldometer zgromadziła dane o 4 599 791 nowych zakażeniach na całym świecie, z czego większość wynikła w Indiach (2 297 276), następnie w Brazylii (442 685) i Stanach Zjednoczonych (211 902). Na koniec tygodnia, tj. 16.05, na świecie zarejestrowano ponad 163 000 000 zakażeń i 3 000 000 zgonów (rysunek 5.42).

Skumulowane statystyki informacji dotyczących COVID-19 pobrane z witryny Worldometer dla okresu 10–16.05.2021 posortowane malejąco względem kolumny Nowe zakażenia. Źródło: opracowanie własne z interfejsu Kibana.

Ogólne podsumowanie zgromadzonych danych względem danego czynnika i statystyki zapewniają metryki. Pośród kontynentów świata na pierwszym miejscu z największą sumaryczną liczbą zakażeń (w przeliczeniu na 1 mln osób) w 19. tygodniu roku 2021 znalazła się Azja (41 387,16), na drugim zaś Europa (34 012), a trzecim – Afryka (21 396,01; rysunek 5.43). Stabilna sytuacja wydawała się panować w Australii/Oceanii, gdzie liczba ta nie przekroczyła tysiąca w porównaniu do pozostałych kontynentów, a wynosiła 199,98, czyli ok. 57 razy mniej niż dla Ameryki Północnej (rysunek 5.43). Pomimo wysokiej liczby zakażeń na kontynencie azjatyckim w tamtym czasie, Azja znalazła się na trzecim miejscu pod względem sumarycznej liczby zgonów w przeliczeniu na 1 mln osób – liczbowo niemal dwukrotnie figurowała za Europą, która znalazła się na 1. miejscu (rysunek 5.44).

Sumaryczna liczba nowych zakażeń na kontynentach świata w okresie 10.–16.05.2021. Źródło: opracowanie własne z interfejsu Kibana.

Sumaryczna liczba nowych zgonów na kontynentach świata w okresie 10.–16.05.2021. Źródło: opracowanie własne z interfejsu Kibana.

Od 10. do 16.05.2021 Azja w każdym dniu przewyższała pozostałe kontynenty pod względem liczby nowych zakażeń. Wszystkie kontynenty szczyt liczby zakażeń osiągnęły w połowie tygodnia – przykładowo, znajdująca się na 1. miejscu Azja 12.05 (449,125), a znajdująca się na 2. miejscu Ameryka Południowa 13.05 (144,656; ponad 3-krotnie mniej niż Azja). W większości kontynentach m.in. Azji, Ameryki Południowej, Europy i Ameryki Północnej liczba nowych zakażeń zaczęła przyrastać od 10.05 (poniedziałek), a następnie zmniejszać się pod koniec tygodnia (rysunek 5.45).

Liczba nowych zakażeń na kontynentach świata w okresie 10.–16.05.2021. Źródło: opracowanie własne z interfejsu Kibana.

Za niestabilną sytuację epidemiologiczną w Azji w rozpatrywanym tygodniu wpływ w głównej mierze miały Indie, które stanowiły 79.91% (2 297 276) wszystkich przypadków na tym kontynencie. Zaraz za Indiami figurowały Iran (3,35%, 96 355) i Turcja (2,99%, 86 042), a pozostałe kraje stanowiły 13,75% (395 229) wszystkich przypadków. Ta niejednorodność również wynikła w Ameryce Południowej, gdzie Brazylia stanowiła większość przypadków zakażeń (54,19%, 442 685). Z kolei na kontynencie europejskim pomiędzy znajdującymi się w czołówce krajami nie było znaczących różnic, jak w przypadku Azji i Ameryki Południowej – na 1. miejscu pod względem najwyższej skumulowanej tygodniowej liczby zakażeń znalazła się Francja (18,3%, 100 700), a za nią Niemcy (13,7%, 75 399) i Rosja (10,9%, 59 983). Pozostałe kraje składały się na więcej niż połowę nowych zakażeń (57,11%, 314 324; rysunek 5.46).

3 kontynenty i 3 kraje na każdym kontynencie z najwyższą sumaryczną liczbą nowych zakażeń w okresie 10.–16.05.2021. Źródło: opracowanie własne z interfejsu Kibana.

References

Ed Sperr, M.L.I.S. (2016). PubMed by Year. https://esperr.github.io/pubmed-by-year/

Google. (2021). Google Trends. In Google Trends. https://trends.google.com/trends/

MusikAnimal, Kaldari, & Marcel Ruinz Forns. (2021). Pageviews. https://pageviews.toolforge.org/?project=en.wikipedia.org&platform=all-access&agent=user&redirects=0&range=latest-20&pages=Cat|Dog

---

4. Jak zaznacza Google, listy najbardziej popularnych haseł konstruowane są na podstawie miernika popularności, czyli popularności hasła w aktualnym roku w stosunku do roku ubiegłego. Liczba wyświetleń hasła w danym punkcie czasu dzielona jest przez całkowitą liczbę wyświetleń, a wyniki są normalizowane na skali 0–100, gdzie 0 oznacza znikomą popularność hasła, natomiast 100 – najwyższe zainteresowanie.↩︎

5. Jak zaznacza Google, podane wyniki stanowią wyższy odsetek zapytań, a nie większą bezwzględną liczbę zapytań.↩︎

6. Tematyka “Koronawirusy” uwzględnia wyszukiwane w wyszukiwarce Google hasła związane z kategorią “Wirusy” jako charakterystyczne dla “Koronawirusy” w ujęciu danego oficjalnego języka obowiązującego w analizowanym kraju.↩︎

7. Artykuły: “COVID-19”, “Koronawirusy”/“Coronavirus”, “SARS-CoV-2”.↩︎

8. W tym przypadku analizowano Wikipedię w języku angielskim.↩︎

9. Artykuły: “Dezynfekcja rąk”/“Hand washing”, “Półmaska”/“Surgical mask”, “Szczepionka”/“Vaccine”.↩︎

10. Przykładowo, stan zagrożenia epidemicznego w Polsce wprowadzony został 12.03.2020 r., a począwszy od 16.04.2020 r. przez polski rząd nałożony został nakaz zakrywania ust i nosa w przestrzeni publicznej, np. z użyciem półmaski.↩︎

11. Wybrane zostały artykuły bezpośrednio związane z pandemią COVID-19 (“Koronawirusy”, “COVID-19”, “SARS-CoV-2”) i pośrednio (“Higiena osobista”, “Szczepionka”, “Dezynfekcja rąk”).↩︎

12. 6 659 zaszczepionym osobom (0,1%) nie przypisano płci.↩︎

13. Wg danych uzyskanych z pakietu EpiEstim w R.↩︎

14. 12 krajów: Białoruś, Brazylia, Czechy, Indie, Litwa, Niemcy, Polska, Rosja, Słowacja, Stany Zjednoczone, Szwecja i Ukraina.↩︎

15. Tj. zgodności wyrażenia \((k_i \wedge b_i < 1) \vee (k_i \wedge b_i \geqslant 1)\), które jest prawdziwe, jeśli wyestymowany z użyciem filtra Kalmana \(R(t)\) jako \(k_i\) jest mniejszy bądź większy od jedności z odpowiadającym z pakietu EpiEstim w R jako \(b_i\).↩︎