Καλησπερα διανοητες του φορουμ. Οι εχοντες καλη μνημη μπορει να διαπιστωσαν οτι σε ορους ενημερωσης, οι αναφορες προς την Σουηδια, σε σχεση με το 2020 τετοια μερα, εχουνε πεθανει. Αποφασισα λοιπον να κανω λιγη δουλιτσα και ετσι βρηκα τα παγκοσμια δεδομενα των μολυνσεων απο το John Hopkins Hospital και εγχωρια στατιστικα απο τον ΕΟΔΥ.
time_series_covid19_confirmed_global.csv και time_series_covid19_deaths_global.csv ειναι τα αρχεια που θελετε.
Διαπιστωσα πολλα πραγματα που δεν στεκουν με αυτα που ακουγονται, και που προσωπικα με πειθουν οτι το μοντελο της Σουηδιας ειναι καλυτερο απο το δικο μας. Δειτε και κρινατε μονοι σας. Εγω παρατηρησα τα εξης (ακολοθουν γραφηματα με τα δεδομενα):
Η σημερινη συνολικη εικονα ειναι:
SpoilerShow
Πληθυσμος:
Ελλαδα 10.5 mln
Σουηδια 10.3 mln
Κρουσματα:
Ελλαδα - 263689 (100%)
Σουηδια - 804886 (305%)
Θανατοι:
Ελλαδα - 8093 (100%)
Σουηδια - 13465 (166%)
Διαφορα: 5372
Θνησιμοτητα:
Ελλαδα - 3.1%
Σουηδια - 1.6%
Ελλαδα 10.5 mln
Σουηδια 10.3 mln
Κρουσματα:
Ελλαδα - 263689 (100%)
Σουηδια - 804886 (305%)
Θανατοι:
Ελλαδα - 8093 (100%)
Σουηδια - 13465 (166%)
Διαφορα: 5372
Θνησιμοτητα:
Ελλαδα - 3.1%
Σουηδια - 1.6%
Κρουσματα κατα ημερα
Θανατοι κατα μερα
Διαφορες Θανατων Σουηδιας - Ελλαδας, κατα μερα
Συσωρευμενοι Θανατοι, κατα μερα
Τα συμπερασματα μου:
- Ο ρυθμος αυξησης κρουσματων στο 3ο κυμα, ειναι σαφως μικροτερος απο το 2ο. Επιπλεον, δεν εχουμε αποτομες αλλαγες στο ρυθμο αυξησης, το οποιο σημαινει οτι κανενα απο τα καυτα επεισοδια των ημερων δεν αλλαξε τιποτα. Ουτε οι πορειες των ζαιων, ουτε οι βολτες στην παραλια, ουτε οι φιεστες στο Καραισκακη, χειροτερευσαν την κατασταση. Υπαρχει ενα επιχειρημα εδω οτι η κυκλοφορια στον ανοιχτο αερα καλυτερευσε τα πραγματα, αλλα δεν εχω επιστημονικα δεδομενα. Ο ρυθμος αυξησης των κρουσματων μας ειναι ιδιος με την Σουηδια απο τα μεσα Φλεβαρη.
- Μια αξιολογη παρατηρηση ειναι η αποτυχια της Σουηδιας τον Γεναρη, μετα την Πρωτοχρονια, και σε ορους κρουσματων, αλλα και θανατων.
- Η Σουηδια, παρολο που εχει 3πλασια συνολικα κρουσματα σε σχεση με μας, δεν ειχε καμια καταρρευση η στο ΕΣΥ τους. Αυτο συμβαινει επειδη τα κρουσματα στις παραγωγικες ηλικιες ειναι στην πραξη μια απλη ιωση. Και οχι, ο θανατος ενος νεαρου δεν αλλαζει αυτη την πρακτικη αληθεια. Εχω ακουσει συχνα οτι αυτο οφειλεται στο "καλυτερο συστημα υγειας τους". Η μονη πτυχη του ΕΣΥ που παιζει ρολο εδω ειναι μηχανηματα διασωληνωσης και κρεβατια. Τα ρομποτικα χειρουργικα εργαλεια, τα φθηνα φαρμακα για την αρθριτιδα, και ο μικρος χρονο αναμονης για χειρουργια στην σπληνα, δεν επηρεαζουν ουτε στο ελαχιστο την αντιμετωπηση της πανδημιας. Με βαση την Wikipedia, υπαρχει ιδιος αριθμος νοσοκομειων στις δυο μας χωρες. Εκτος αμα καθε ενα απο αυτα ειναι τριπλασια στο μεγεθος, τοτε η ποιοτητα του ΕΣΥ δεν παιζει τον απολυτο πρωταρχικο ρολο που ισχυριζονται καποιοι..
- Οι θανατοι στην Σουηδια εχουν πατωσει, ενω τα κρουσματα αυξανονται, ακομη και μετα την περιοδο επωασης των δυο εβδομαδων. Αυτο ειναι η ενσαρκωση της ανοσιας της αγελης, δηλαδη αρρωσταινουν οσοι δεν θα επιβαρυνουν το συστημα, και προσφερουν ανοσια. Αλλη μια πτυχη του φαινομενου αυτου ειναι οτι εχουν +200% κρουσματα σε σχεση με μας, αλλα μονο +66% θανατους.
- Η Ελλαδα αυτη την στιγμη εχει τους θανατους τις να αυξανονται. Η διαφορα με την Σουηδια μειωθηκε κατα ~1500 θανατους εντος ενος μηνα. Με βαση το γραφημα 3, σε 2-3 μηνες θα εχουμε ακριβως τους ιδιους θανατους. Η διαφορα ειναι οτι εμεις θα εχουμε πληρωσει ενα γιγαντιο κοστος σε οικονομια, δικαιωματα, ψυχικη υγεια.
- Αποτελεσμα του παραπανω ειναι τις τελευταιες 7 μερες, η Σουηδια να εχει 126 θανατους, ενω η Ελλαδα 526. Αυτο ειναι μια διαφορα +420%, κυριοι.
- Συμφωνα με την ημερισια αναφορα του ΕΟΔΥ εδω, οι νεκροι κατω απο 40 ειναι μονο το 0.7% των νεκρων. Οι 65+ αποτελουν το 84.9% των θανατων. Η ενημερωτικη στρατηγικη της Σουηδιας βασιστηκε σε αυτο το στατιστικο. Ειναι σαφως εξυπνοτερο, να προσπαθησεις να καθοδηγησεις μια μικροτερη μεριδα της κοινωνιας σε συμπεριφορες που θα προστατευσουν τους ιδιους, απο το ετσιθελικα να κλειδωσεις 10 εκατομμυρια κοσμο στα σπιτια τους και να τους αποκαλεις δολοφονους αν βγουνε.
- Με βαση την ιδια αναφορα, το 83.3% των κρουσματων ειναι στους κατω των 65 ετων. Επρεπε η κυβερνητικη στρατηγικη να ειναι διαχωρισμος των 2 αυτων γκρουπ (κατω και ανω των 65), οπως και στην Σουηδια.
- Στην Σουηδια το 5.3% εχει εμβολιαστει πληρως, και στην Ελλαδα το 7.5%
Αυτα τα τρεντς υπαρχουν εδω και ενα μηνα, αρα το εμβολιο δεν τα επηρεασε καθολου. - Συμπεραινω οτι ηταν μεγαλο λαθος η ολη προσεγγιση του ατελειωτου απολυταρχικου απαγορευτικου, και οτι το προσφατο ανοιγμα που συμβαινει ειναι μια κρυφη και δειλη παραδοχη αυτου του λαθους, παρεχοντας πολιτικη καλυψη στην ΝΔ και στο μη-εκλεγμενη επιτροπη λοιμοξιολογων που μας κυβερναει.
SpoilerShow
Κώδικας: Επιλογή όλων
library(data.table)
library(ggplot2)
library(stringr)
library(lubridate)
library(ggthemes)
#### Cases ####
cases_dt <- fread("Cases.csv", header = T)
cases_dt <- cases_dt[`Country/Region` %in% c("Greece", "Sweden")]
cases_dt[, Lat := NULL]
cases_dt[, Long := NULL]
cases_dt[, `Province/State` := NULL]
cases_dt <- transpose(cases_dt, keep.names = "date", make.names = "Country/Region")
setnames(cases_dt,names(cases_dt), c("date", "cases_gr", "cases_swe"))
cases_dt[, date := str_replace_all(date, "/", "-")]
cases_dt[, date := as.Date(date, format = "%m-%d-%Y")]
cases_dt[year(date) == 20, date := `year<-`(date, 2020)]
cases_dt[year(date) == 21, date := `year<-`(date, 2021)]
cases_dt[, cases_new_gr := c(0, diff(cases_gr))]
cases_dt[, cases_new_swe := c(0, diff(cases_swe))]
cases_dt[, cases_new_swe_stab := cases_new_swe]
cases_dt[, flag := wday(date) == 3]
cases_dt[, flag2 := cumsum(flag)]
cases_dt[flag == T, flag2 := flag2 - 1]
cases_dt[flag == T | cases_new_swe_stab == 0, flag3 := TRUE]
cases_dt[date > as.Date("2020-06-19"), cases_new_swe_stab := {
res <- copy(.SD)
maxim <- tail(cases_new_swe_stab, 1)
n <- .SD[, sum(flag3, na.rm = T)]
res[flag3 == T, cases_new_swe_stab := round(maxim/n)]
res$cases_new_swe_stab
}, by = flag2]
cases_dt[,cases_smooth_gr := smooth(cases_new_gr)]
cases_dt[,cases_smooth_swe := smooth(cases_new_swe)]
cases_dt[, c("flag", "flag2", "flag3") := NULL]
#### Deaths ####
deaths_dt <- fread("Deaths.csv", header = T)
deaths_dt <- deaths_dt[`Country/Region` %in% c("Greece", "Sweden")]
deaths_dt[, Lat := NULL]
deaths_dt[, Long := NULL]
deaths_dt[, `Province/State` := NULL]
deaths_dt <- transpose(deaths_dt, keep.names = "date", make.names = "Country/Region")
setnames(deaths_dt,names(deaths_dt), c("date", "deaths_gr", "deaths_swe"))
deaths_dt[, date := str_replace_all(date, "/", "-")]
deaths_dt[, date := as.Date(date, format = "%m-%d-%Y")]
deaths_dt[year(date) == 20, date := `year<-`(date, 2020)]
deaths_dt[year(date) == 21, date := `year<-`(date, 2021)]
deaths_dt[, deaths_new_gr := c(0, diff(deaths_gr))]
deaths_dt[, deaths_new_swe := c(0, diff(deaths_swe))]
deaths_dt[, deaths_new_swe_stab := deaths_new_swe]
deaths_dt[, flag := wday(date) == 3]
deaths_dt[, flag2 := cumsum(flag)]
deaths_dt[flag == T, flag2 := flag2 - 1]
deaths_dt[flag == T | deaths_new_swe_stab == 0, flag3 := TRUE]
deaths_dt[date > as.Date("2020-06-19"), deaths_new_swe_stab := {
res <- copy(.SD)
maxim <- tail(deaths_new_swe_stab, 1)
n <- .SD[, sum(flag3, na.rm = T)]
res[flag3 == T, deaths_new_swe_stab := round(maxim/n)]
res$deaths_new_swe_stab
}, by = flag2]
deaths_dt[,deaths_smooth_gr := smooth(deaths_new_gr)]
deaths_dt[,deaths_smooth_swe := smooth(deaths_new_swe)]
deaths_dt[, c("flag", "flag2", "flag3") := NULL]
complete <- merge(cases_dt, deaths_dt, by = "date")
complete <- complete[!(date %in% c(as.Date("2021-04-10"), as.Date("2021-04-11")))]
#### Plots ####
date_lim <- "2020-09-01"
ggplot(complete[date > date_lim]) + theme_economist() + ggtitle("Cases (New Daily)") +
geom_line(aes(x = date, y = cases_new_swe_stab, color = "Sweden")) +
geom_line(aes(x = date, y = cases_new_gr, color = "Greece"), stat = "identity") +
scale_x_date("date", breaks = seq.Date(as.Date(date_lim), as.Date("2021-05-01"), "1 month")) +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1)) +
scale_color_manual(name = "Legend", values = c("Greece" = "blue", "Sweden" = "red"))
ggplot(complete[date > date_lim]) + theme_economist() + ggtitle("Deaths (New Daily)") +
geom_line(aes(x = date, y = deaths_new_swe_stab, color = "Sweden"), stat = "identity") +
geom_line(aes(x = date, y = deaths_new_gr, color = "Greece"), stat = "identity") +
scale_x_date("date", breaks = seq.Date(as.Date(date_lim), as.Date("2021-05-01"), "1 month")) +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1)) +
scale_color_manual(name = "Legend", values = c("Greece" = "blue", "Sweden" = "red"))
ggplot(complete[date > date_lim]) + theme_economist() + ggtitle("Deaths Difference (Cumulative Daily)") +
geom_line(aes(x = date, y = deaths_swe - deaths_gr), stat = "identity", color = "red") +
scale_x_date("date", breaks = seq.Date(as.Date(date_lim), as.Date("2021-05-01"), "1 month")) +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1))
ggplot(complete[date > date_lim]) + theme_economist() + ggtitle("Deaths (Total Daily)") +
geom_line(aes(x = date, y = deaths_swe, color = "Sweden"), stat = "identity") +
geom_line(aes(x = date, y = deaths_gr, color = "Greece"), stat = "identity") +
scale_x_date("date", breaks = seq.Date(as.Date(date_lim), as.Date("2021-05-01"), "1 month")) +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1)) +
scale_color_manual(name = "Legend", values = c("Greece" = "blue", "Sweden" = "red"))
Vladimir, STOP! 
