春节前，疫情由北向南迅速袭来，其势汹汹，令全国各地紧急动员，延工延学，锁城封村，病*之威，传播之广可见一斑.作为典型的传染病模型，我们可以从每日确诊人数来刻画出它的增长趋势，做一些简单研究.
首先我们介绍一下R0（ReproductionNumber），即病*再生数，简单的说，它是指一个感染者所传染的人数，据不同的推算，新冠状肺炎的R0倾向于在3.3到4.8之间，即使我们取中间值4，那就意味着一位感染者能够传染4个人.在初期疫情未受到重视的情况下，病*迅速爆发扩散，感染人数激增，随着国家采取各项措施，则病*的传染机会将大幅减少，再生数R0值也会随之下降，直至小于1，变为0，疫情才算得到控制.
由于最初的数据有异议，我从1月23日开始统计，在统计的最初十多天，疫情上升趋势明显，但是各地已经采取措施，有所防范，因此确诊人数虽然增长快，但并非爆炸型（指数型）增长，看图可知，无论是线性回归直线还是指数函数，拟合系数R2（范围在0-1之间，越接近1，说明拟合程度越高）距离1较远，都不符合增长趋势.
根据拟合所成直线，我们发现图像光滑连续，可用多项式函数表示，在此我选取两个函数
两个函数的拟合参数R2十分接近于1，因此可以预测次日的确诊人数.也就是说，根据统计的前12天（1月23至2月3日）的确诊人数来预测2月4日的确诊人数.
经计算，f1(13)≈，f2(13)≈，而官方通报2月4人确诊人数人，可以说预测数量比较接近实际.
但是我们知道，这只是上述函数的部分图像，可以作为预测次日的确诊人数的依据，但是如果预测数天之后的数据，就会产生较大的误差.因此我们更应该从宏观上看一看增长趋势.
随着时间（以天为单位）的变化，由折线图可以看到图像增长速度有渐缓的趋势，但是到了2月12日，由于诊断标准的变化，人数直线上升，增加了一万多人，此后的增长又恢复到正常状态.如果我们忽略这一点，再仔细看，你会发现整个走势曲线成S型.
我们称之为逻辑斯蒂（logistic）模型.
此模型最初是描述在资源有限的条件下种群增长规律的一个最佳数学模型，后来用以刻画病*传染的规律.它原本是微分方程模型，经过求解可得出函数解析式.
当病*感染一部分人时，由于传染性，感染人数会一直增长，但是随着限制条件的干扰（人为控制，总数固定等），其增长速度逐渐变慢，而传染总数会趋近于一个稳定值.而图像呈S形，因此又称为S型函数.
最近新闻媒体经常提到一个词：疫情拐点，那什么是拐点呢？在数学上，拐点就是拐点是使切线穿越曲线的点，直观的说，就是此点一侧是凸，另一侧是凹。以此点为分界点，曲线前后的增长速度由快转慢或由慢转快。后来被人们用来表示经济、疫情发展过程中运行趋势或运行速率的变化情况.
疫情拐点究竟在何时出现的？这是人们极为