2021年6月20日 星期日

武肺疫情在台灣致死率全世界第一? 資料視覺化破解源自黃珊珊的假消息

世界各國因武肺瘟疫每百萬人案例及每百萬人致死數 臺北市副市長黃珊珊 在臉書上聲稱 「台灣致死率全世界第一」 被 yahoo中時愛傳媒 等等多家媒體以聳動的標題轉載: 「黃珊珊》台灣致死率全世界第一,太多人枉死」。 這是毫無根據的假新聞。 其他許多主流媒體雖然沒有採用這個整齊畫一的標題, 卻也都把黃珊珊的這句謊言當成是事實來引用。 本文繪圖駁斥, 同時也可以作為老師們上媒體識讀或資料視覺化課題的教材。 上面幾篇聳動標題的連結是網路時光機備份版, 請放心點, 不會幫原始網站衝流量; FB 禁止網路時光機備份, 只好 截圖備份

沒有來源網址的隨便放話或轉傳 (例如 line 的長輩圖) 本來就應該先存疑、 暫時當作假新聞看待。 本文要駁斥黃珊珊所散佈的謠言, 當然更應該提供 數據來源。 讀者也可以到 CNN維基百科這裡 去驗證。 [2022/12/29 這兩天發現:某次整理檔案不小心刪掉 csv 跟 json 檔。 於是從網路時光機抓回當時的資料重新製作互動圖。 跟當初的截圖可能長得有點不太一樣。]

把上述表格轉成 csv 檔、 用試算表打開、 將 「每百萬死亡」 除以 「每百萬案例」, 得到的新欄位就是染疫致死率。 以這個新欄位排序, 看到臺灣排名確實偏高, 但並不是第一名, 而是全球第十七名。 前幾名分別是萬納度、 葉門、 西撒哈拉、 秘魯。

但是這個名次有很大的參考價值嗎? 拿 scatplot 以 「每百萬案例」 為橫軸、 「每百萬死亡」 為縱軸、 人口數為圓圈大小, 畫出可以互動的 氣泡圖/散點圖。 (<==請點進去玩玩看) 越右上角表示災情越嚴重。 但是如果氣泡太小, 表示那是人口數很少的微型國家, 這些數字意義可能也不太大。 從圖中可以看到小型以上國家當中, 捷克明顯疫情比較嚴重。 大國當中, 美國與巴西最嚴重。 死於武肺佔全國人口比例最高的, 是秘魯。

世界各國因武肺瘟疫每百萬人案例及每百萬人致死數 那麼臺灣呢? 在左下角很接近原點處,藏在幾乎看不見的地方。 用滑鼠在原點附近框起一個長方形, 放大兩次或三次, 才會得到右圖。 (如果要還原, 可以把滑鼠移到標題, 點擊標題右上方工具列上的「Autoscale」, 或在空白處雙擊。) 黃珊珊所關心的 「死於武肺佔染疫人口比例偏高」, 以圖形來說就是該國與原點連線的斜率偏高(角度偏陡)。 例如先前試算表裡看到的第二名葉門, 他們的角度比別人都更陡。 但是角度陡代表什麼呢? 以一個流行病學外行人、 數學還不錯的我來看, 像葉門這樣染疫人口比例極低的國家, 實在看不太出來去談論這個比值有什麼太大的意義 -- 因為這個點太接近原點, 分母 (X 值) 的誤差可能很大啊! 如果要我勉強猜一個有意義的結論, 我會猜葉門與臺灣的實際染疫人數 (X 值) 可能有些低估了。

亞洲各國因武肺瘟疫每百萬人案例及每百萬人致死數 臺灣或葉門真實的疫情嚴重性, 跟亞洲鄰國比起來 其實真的不高。 從亞洲各國的這張圖也可以很明顯地看出: 如果我是美國, 假設沒有 晶片政治 等等其他考量、 假設單純只考慮疫情嚴重性, 第一優先關心的東亞與南亞戰略夥伴當然是菲律賓, 其次是日本, 再來是韓國, 臺灣根本應該排在很後面。 還有日本, 竟然願意幫助疫情低於自身的鄰國。 這張圖說服我們一方面更應該心存感謝, 另一方面也應該知道自己的國家對美日的重要性。

我不知道黃珊珊為什麼要造謠, 而且還是一個從好幾個層次看都很沒有說服力的謠言。 在今天這件事之前, 我對她的印象一直不錯。 至少先前她跟柯文哲很不一樣, 至少先前她願意把大部分的力氣花在控制自己城市的疫情而不是拿自己的錯誤來抹黑別人。 但是這件事實在太令人失望。 更令人失望的是她的臉書底下其實已經有網友拿維基百科指出她的說法是錯的, 但她還是沒有道歉、 沒有更正。 難道我國的首都首長真的已經淪為 中共國 認知戰 工具了嗎? 黃珊珊, 你不只欠大家一個道歉, 還欠大家一個解釋: 你這個滿懷惡意的假消息到底是從哪裡來的?

ps. 好奇如果向臉書檢舉黃珊珊的貼文是假新聞, 臉書會處理嗎?

[6/22 更正] 噗友指正: 「病死率 (Case Fatality Rate) 一定區間內確診死亡數除以確診數和死亡率 (Mortality Rate) 確診個案追蹤一定時間後死亡的比例是不同的概念,不能混為一談。」 本篇的英文名稱取錯了 (艸)。 另外, 臺灣的排名應是17而不是20。 (有一些 div by 0 的列原先被誤列入前幾名)

[7/30 補充] 相關: 柯文哲造謠抹黑事件簿, 持續更新中。

[2023/7/9] 我寫的幾篇與 「疫情+資料視覺化」 相關的文章:

  1. 源自黃珊珊的假消息
  2. 陳時中團隊的 covid 19 防疫成績
  3. 讓資料視覺化告訴你何謂 mal-information

沒有留言:

張貼留言

請見 留言審核及授權政策