20221223-腾景数研-腾景宏观快报_大数据疫情观察（二）_全国疫情高峰过了么_——基于腾景AI高频模拟和预测_17页_1mb

报告摘要

腾景宏观快报总结：全国疫情高峰过了么？

核心内容

本期报告聚焦于全国疫情是否已达到高峰的问题，结合腾景AI高频模拟和预测技术，分析了疫情趋势，并探讨了大数据在宏观经济预测中的应用及其局限性。

主要观点

疫情是否见顶的争议
- 根据百度搜索指数，全国“发烧”搜索指数在2022年12月17日见顶，但部分城市如北京、石家庄、武汉、重庆等已度过疫情峰值。
- 全国疫情可能尚未达峰，但部分城市达峰进程可能提前。
- 部分研究者认为预测准确，而另一些则认为与实际感知存在偏差。
地铁客运量作为疫情达峰的辅助指标
- 地铁客运量可作为疫情发展的重要辅助观察变量，其变化与疫情趋势高度相关。
- 北京、武汉、重庆、沈阳、石家庄、兰州、昆明等城市地铁客运量已企稳回升，处于疫情峰值后的第四阶段。
- 上海、广州、南京、西安、苏州、长沙、深圳、天津、成都、合肥、南昌、常州等城市仍处于疫情攀升阶段，地铁客运量持续下滑，表明疫情尚未达峰。
大数据预测的局限性
- 大数据预测并非完美无缺，如谷歌流感趋势（GFT）因媒体报道和用户搜索行为变化而失灵。
- 互联网数据存在样本缺失问题，尤其是非网民群体（如60岁及以上老年人）的行为数据未被纳入分析，可能影响预测准确性。
- 非网民主要集中在农村地区和老年群体，其对疫情相关搜索行为的缺失可能导致数据低估。
预测与现实的互动
- 预测的准确性依赖于数据的客观性和全面性，同时，预测本身可能影响公众行为，形成“预测即干涉”的悖论。
- 在缺乏权威数据的情况下，预测需通过多维度数据验证，如地铁客流、搜索指数等。
腾景AI的预测方法
- 腾景AI采用高频模拟和AI预测技术，结合深度学习和机器学习，对经济金融指标进行预测。
- 预测关注指标走向和拐点，而非精确数值，有助于把握经济趋势。
- 全口径数据体系通过动态投入产出矩阵，补全和校准官方数据，提升预测准确性。

关键信息

预测模型的适用性：腾景AI采用四阶段模型验证各城市疫情是否达峰，模型基于地铁客运量和搜索指数等多维度数据。
数据来源：主要依赖Wind、百度、头条、巨量算数等平台的数据，同时结合互联网搜索行为。
非网民的影响：非网民群体（特别是老年人）的行为数据缺失可能影响搜索指数的准确性，从而影响疫情预测。
预测的局限性：大数据预测存在信息失真、样本偏差等问题，如谷歌流感趋势因媒体影响而失灵。
全口径数据体系：腾景AI构建了包含150多个常用指标、5000多个指标的全口径数据库，涵盖居民消费、政府消费、固定资产投资等多个维度，提升数据全面性和准确性。

数据分析与模型验证

地铁客运量变化趋势：
- 北京、武汉、重庆、沈阳、石家庄、兰州、昆明等城市地铁客运量已企稳回升，表明疫情高峰已过。
- 上海、广州、南京、西安、苏州、长沙、深圳、天津、成都、合肥、南昌、常州等城市地铁客运量仍处于下降阶段，疫情尚未达峰。
搜索指数变化：
- 百度“发烧”搜索指数在12月16日见顶，但部分城市数据出现异常波动，可能由非疫情因素造成。
- 地铁客运量与搜索指数的变化趋势相互印证，为疫情趋势研判提供依据。