{"id":899,"date":"2020-11-03T00:39:47","date_gmt":"2020-11-03T00:39:47","guid":{"rendered":"https:\/\/www.georg-hosoya.de\/wordpress\/?p=899"},"modified":"2020-11-03T09:29:32","modified_gmt":"2020-11-03T09:29:32","slug":"monitoring-der-falldynamik-in-berlin-mit-open-data","status":"publish","type":"post","link":"https:\/\/www.georg-hosoya.de\/wordpress\/?p=899","title":{"rendered":"Monitoring der Falldynamik in Berlin mit Open Data"},"content":{"rendered":"\n

Das Open Data Portal<\/a> der Stadt Berlin stellt die gemeldeten Corona-Fallzahlen nach Bezirk offen zur Verf\u00fcgung. Sehr gut! Um die Lage im Auge zu behalten, habe ich ein kleines Skript geschrieben um die Daten zu visualisieren und einige Statistken zu berechnen, die mich interessieren. Gerade vor dem Hintergrund der erneut getroffenen Ma\u00dfnahmen finde ich es wichtig, eine Heuristik zur Hand zu haben, um zu berurteilen, inwiefern die Einschr\u00e4nkungen, die wir uns auferlegen, dazu beitragen, das Infektionsgeschehen in userer Stadt zu bremsen. Eigentlich war das Skript nur f\u00fcr meinen pers\u00f6nlichen Gebrauch gedacht, aber vielleicht kann noch jemand etwas damit anfangen. Vielleicht beschreibe ich einfach mal die Funktionen.<\/p>\n\n\n\n

Kurz gesagt l\u00e4dt das Skript die Daten von der Webseite der Lageso herunter, auf deren Basis Grafiken mit verschiedenen Informationen erstellt werden k\u00f6nnen.<\/p>\n\n\n\n

plot_cumsum_raw(x)<\/code><\/pre>\n\n\n\n
Diese Funktion stellt einfach die kumulierten Fallzahlen dar. In nachfolgender Abbildung geschieht dies f\u00fcr ganz Berlin, eine Visualisierung auf Bezirksebene ist ebenfalls m\u00f6glich.<\/p>\n\n\n\n
\"\"
Abbildung 1. Kumulierte Fallzahlen in Berlin Stand 1.11.2020<\/figcaption><\/figure>\n\n\n\n
plot_new_cases(x)<\/code><\/pre>\n\n\n\n
Diese Funktion stellt die neu gemeldeten F\u00e4lle pro Tag dar.<\/p>\n\n\n\n
\"\"
Abbildung 2. Neu gemeldete F\u00e4lle pro Tag in Berlin. Stand 1.11.2020<\/figcaption><\/figure>\n\n\n\n
Relativ deutlich erkennbar sind die zyklischen Schwankungen, die mit dem Meldesystem zu tun haben. Eine Technik zur Gl\u00e4ttung solcher Kurven besteht in der Berechnung eines gleitenden Mittelwertes \u00fcber ein bestimmtes Zeitfenster. <\/p>\n\n\n\n
plot_x_day_mean_cases(x)<\/code><\/pre>\n\n\n\n
Diese Funktion berechnet x-Tages-Mittelwerte und stellt sie im zeitlichen Verlauf dar. Im Folgenden wird ein 7-Tages-Fenster verwendet, aber auch andere Intervalle sind denkbar.<\/p>\n\n\n\n
\"\"
Abbildung 3. 7-Tages Mittelwert der gemeldeten F\u00e4lle in Berlin. Stand: 1.11.2020<\/figcaption><\/figure>\n\n\n\n
Die Abbildung entspricht derjenigen, die auch von der Berliner Senatskanzlei im Corona-Lagebericht<\/a> unter dem Punkt “Zeitlicher Verlauf” zur Verf\u00fcgung gestellt wird. Nebenbei bemerkt, ich finde die Seite gut gemacht und informativ. Bei einer Betrachtung am 1.11.2020 gab es in den vorhergehenden 7 Tagen im Schnitt 895 gemeldete F\u00e4lle pro Tag. Diese Zahl kann analog zur physikalischen Geschwindigkeit verstanden werden (F\u00e4lle\/Tag, anstatt km\/h). Interessant ist nun, wie sich die Beschleunigung der Fallzahlen beschreiben l\u00e4sst. Um bei der physikalischen Analogie zu bleiben, lie\u00dfe sich die Beschleunigung im diskreten Fall \u00fcber eine einfache Geschwindigkeitsdifferenz berechnen. Allerdings hat ein solcherart gebildeter Index ein \u00e4hnliches Problem, wie der R-Wert: er ist relativ anf\u00e4llig gegen\u00fcber Schwankungen. Daher wurde die Kurve \u00fcber gefensterte Regressionen weiter gegl\u00e4ttet.<\/p>\n\n\n\n
plot_x_day_smoothed_cases(x)<\/code><\/pre>\n\n\n\n
Diese Funktion gibt die weiter gegl\u00e4tteten Fallzahlen aus. Die jeweiligen Datenpunkte sind die gesch\u00e4tzten Steigungskoeffizienten von Regressionen in den jeweiligen 7-Tages Intervallen. <\/p>\n\n\n\n
\"\"
Abbildung 4. Regressionsgegl\u00e4ttete, neue F\u00e4lle pro Tag (7-Tages Intervall). Stand 1.11.2020.<\/figcaption><\/figure>\n\n\n\n
Hierbei muss allerdings beachtet werden, dass diese Kurve ein Fallgeschehen abbildet, dass – abh\u00e4ngig von gew\u00e4hlten Intervall – einige Tage zur\u00fcckliegt.<\/p>\n\n\n\n
Zur Bewertung der Beschleunigung bzw. der Bremsung des Fallgeschehens werden nun Differenzen der gegl\u00e4tteten, neuen F\u00e4lle pro Tag berechnet.<\/p>\n\n\n\n
plot_acc(x)<\/code><\/pre>\n\n\n\n
Diese Funktion bildet die Beschleunigung ab.<\/p>\n\n\n\n
\"\"
Abbildung 5. Beschleunigung der neuen F\u00e4lle pro Tag basierend auf regressionsgegl\u00e4tteten Fallzahlen in 7-Tages Intervallen<\/figcaption><\/figure>\n\n\n\n
Eine Beschleunigung von 0 bedeutet, dass die Fallzahlen von Tag zu Tag linear wachsen. Eine Beschleunigung gr\u00f6\u00dfer 0 bedeutet ein beschleunigtes Wachstum und eine Beschleunigung von kleiner 0 bedeutet ein gehemmtes Wachstum: da m\u00fcssen wir hin. In dieser Abbildung finde ich interessant, dass Mitte M\u00e4rz deutlich “auf die Bremse” getreten wurde. Zwischen Mitte April und September wurde z\u00f6gerlich “Gas gegeben” und wieder gebremst, bis seit September ein deutlicher Zuwachs an Beschleunigung zu verzeichnen war, der sich nat\u00fcrlich in immer schneller wachsenden Fallzahlen niedergeschlagen hat. An dieser Stelle ist psychologisch interessant, dass diese Kurve in gewisser Weise auch das Resultat unseres kollektiven Verhaltens ist. Individuelles Einzelverhalten, was darauf ausgelegt ist, eine eigene Infektion und die Infektion anderer zu vermeiden, sollte in der Summe des Einzelverhaltens in einem R\u00fcckgang der Beschleunigung und einer Schrumpfung der Fallzahlen m\u00fcnden. Aktuell zeigt sich, dass in den letzten Tagen zumindest die Beschleunigung nicht weiter ansteigt. Wichtig ist es nun, die Kurve unter Null zu dr\u00fccken. Und dazu kann jede und jeder beitragen. <\/p>\n\n\n\n
Was ich damit sagen m\u00f6chte ist, dass wir der Situation nicht hilflos ausgeliefert sind, sondern durch unser kollektives Verhalten einen Einfluss auf die Fallzahlen aus\u00fcben k\u00f6nnen. Das Gewinnen gegen das Virus ist ein Team-Sport. Ironischerweise hei\u00dft das in bestimmten F\u00e4llen auch einfach gemeinsam Abstand halten.<\/p>\n\n\n\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
Das Open Data Portal der Stadt Berlin stellt die gemeldeten Corona-Fallzahlen nach Bezirk offen zur Verf\u00fcgung. Sehr gut! Um die Lage im Auge zu behalten, habe ich ein kleines Skript geschrieben um die Daten zu visualisieren und einige Statistken zu … Continue reading →<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=\/wp\/v2\/posts\/899"}],"collection":[{"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=899"}],"version-history":[{"count":7,"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=\/wp\/v2\/posts\/899\/revisions"}],"predecessor-version":[{"id":912,"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=\/wp\/v2\/posts\/899\/revisions\/912"}],"wp:attachment":[{"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=899"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=899"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.georg-hosoya.de\/wordpress\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=899"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}