Национальные особенности изменения опасности развития пандемии коронавируса COVID-19: математическое моделирование и статистический анализ
Научная статья
-
Александр Константинович Черкашин
Институт географии им. В. Б. Сочавы Сибирского отделения РАН, Иркутск, Россия
akcherk@irnok.net
ORCID ID https://orcid.org/0000-0002-7596-7780
Elibrary Author_id 58425ResearchID K-2418-2017Выражение признательностиИсследование выполнено за счет средств государственного задания АААА-А17-117041910167-0Для цитированияЧеркашин А. К. Национальные особенности изменения опасности развития пандемии коронавируса COVID-19: математическое моделирование и статистический анализ // Народонаселение. 2020. Том 23. № 3. С. 83-95. DOI: https://doi.org/10.19181/population.2020.23.3.8
Аннотация
Исключительные события, связанные с распространением инфекции коронавируса COVID-19 среди населения различных стран, предоставляют информацию для сравнительного анализа и количественной оценки качества принимаемых решений в различных национальных обстоятельствах борьбы с пандемией. С использованием математических моделей теории надежности выявляется общая тенденция изменения эпидемических кривых и проводится оперативный расчет коэффициентов моделей и динамики численности установленных случаев заболеваний по функции отказов (фактов заражений), плотности вероятности отказов (роста доли инфицированных), интегрированной опасности и риска заражения, приемлемого риска, первичной готовности к эпидемии и управляемости текущей эпидемической ситуацией. Россия, в отличие от других стран, вступила в эпидемический процесс с высокой готовностью — малым показателем приемлемого риска, но продемонстрировала низкую управляемость текущей ситуацией. Функции надежности основаны на двойной интерпретации уравнения изменения меры опасности во времени и по факторам развития эпидемического процесса, в частности, по возрасту населения. Базовым для математического и статистического анализа является экспоненциальное уравнение опасности, которое в полулогарифмической шкале представлено линейной зависимостью от времени. Ее искажения за счет варьирования управляемой величины приемлемого риска указывает на национальные особенности регулирования эпидемической нагрузки на население. Все показатели надежности имеют ясный смысл и взаимосвязаны. Для прогнозирования необходимо знать моменты начала и пика эпидемии, потенциал заражения в группе риска, приемлемый риск. По данным в фазе экспоненциального роста приемлемый риск линейно снижается со временем до минимального значения, что становится основанием для оценки управляемости эпидемической ситуацией и дальнейшего совершенствования модели.Ключевые слова:пандемия COVID-19, страновые особенности эпидемических кривых, математические модели опасности заражения, показатель предварительной готовности, управляемость ситуациейЛитература
1. Гендон Ю.З. Пандемии гриппа: прошлое и будущее // Природа. — 2008. — № 5. — С. 3-9.
2. Global Health Security Index. [Электронный ресурс] — Режим доступа: https://www.ghsindex.org/wp-content/uploads/2019/10/2019-Global-Health-Security-Index.pdf (дата обращения: 16 марта 2020).
3. Каткова И.П. Российское здравоохранение в контексте задач достижения всеобщей доступности услуг здравоохранения к 2030 году // Народонаселение. — 2020. — Т. 23. — № 1. — С. 135-147. DOI: 10.19181/population.2020.23.1.11
4. Будилова Е.В., Лагутин М.Б., Мигранова Л. А. Влияние демографических и социально-экономических факторов на популяционное здоровье населения // Народонаселение. — 2019. — № 3. — С. 80-92. DOI: 10.24411/1561-7785-2019-00028
5. Aaltola M. Covid-19 — a trigger for global transformation? Political distancing, global decoupling and growing distrust in health governance // FIIA working papers, 2020, N113. P. 4-14.
6. Denis M., Vandeweerd V., Verbeke R., Van der VlietD. Overview of information available to support the development of medical countermeasures and interventions against COVID-19 // Version dd. 30, 2020, Transdisciplinary insights. P. 1-134.
7. Cohen J. Scientists are racing to model the next moves of a coronavirus that's still hard to predict // Science, 07 February 2020. [Электронный ресурс] — Режим доступа: https://www.sciencemag.org/news/2020/02/scientists-are-racing-model-next-moves-coronavirus-thats-still-hard-predict (дата обращения: 18.04.2020).
8. Kermack W, McKendrick A. Contributions to the mathematical theory of epidemics — part III. Further studies of the problem of endemicity // Bulletin of Mathematical Biology, 1991, Vol. 5. No. 3(1-2). P. 89-118.
9. Бейли Н. Математика в биологии и медицине. — М.: Мир, 1970. — 326 с.
10. Zhang G., Pang H., Xue Y., Zhou Y., Wang R. Forecasting and analysis of time variation of parameters of COVID-19 infection in China using an improved SEIR model. — 2020 // Centre for Mathematical Modelling of Infectious Diseases COVID-19 working group // The lancet, March 11, 2020. [Электронный ресурс] — Режим доступа: www.thelancet.com/infection. (дата обращения: 18.03.2020).
11. Владимиров И. Н., Мясникова С. И., Черкашин А. К. Геоинформационное обеспечение оценки заболевания птичьим гриппом в регионе // Известия РАН. Серия географическая. — 2008. — № 2. — С. 122-131.
12. Huang C. Y., Wen T.H., Tsai Y.S. A Novel four-layer model for simulating epidemic dynamics and assessing intervention policies // Hindawi Publishing Corporation. Journal of Applied Mathematics. Vol. 2013. P. 1-20.
13. Черкашин А. К. Полисистемное моделирование. — Новосибирск: Наука, 2005. — 280 с.
14. Therneau T.M., Grambsch P.M. Modeling survival data: extending the Cox model. New York: Springer-Verlag, 2000. 355 p.
15. Черкашин А. К. Оценка качества жизни на основе решения обратной задачи моделирования динамики численности населения // Народонаселение. — 2014. — № 1. — С. 54-67.
16. Черкашин А. К., Красноштанова Н. Е. Моделирование оценки риска хозяйственной деятельности в районах нового нефтегазового освоения // Проблемы анализа риска. — 2015. — Т. 12, № 6. — С. 44-52.
17. Склянова И.П., Черкашин А. К. Количественная оценка демографической реакции на изменения условий жизнедеятельности в моногородах // Регион: экономика и социология. — 2015. — № 4. — С. 179-197.
18. Roser M., Ritchie H., Ortiz-Ospina E. Coronavirus disease (COVID-19): Statistics and research // Our World in Data. — 2020. [Электронный ресурс] — Режим доступа: https://ourworldindata.org/coronavirus/ (дата обращения: 01.04.2020).
19. Gavrilov L.A., Gavrilova N. S. Reliability theory of aging and longevity // Handbook of the biology of aging, Sixth edition. Academic Press. San Diego, CA, USA, 2006, P. 3-42.
20. Черкашин А. К., Лещенко Я. А., Боева А. В. Динамические и квалиметрические модели оценки качества жизни семьи // Народонаселение. — 2015. — № 3. — С. 61-76.
21. H0yland A., Rausand M. System Reliability Theory: Models and Statistical Methods. New Jersey: John Wiley& Sons, Inc. 2004. 518 p.
22. Северцев Н.А., Дедков В.К. Методологические вопросы надежности и безопасности // Вестник ТвГУ. Серия: Прикладная математика. — 2007. — № 3(6). — С. 123-128.
23. Камке Э. Справочник по дифференциальным уравнениям в частных производных первого порядка. — М.: Наука, 1966. — 260 с.
24. Насколько опасен коронавирус: заразность, летальность и группы риска. [Электронный ресурс] — Режим доступа: https://ria.ru/20200319/1568742369.html?in=t (Дата обращения: 18.04.2020).
СтатьяПоступила: 05.05.2020
Опубликована: 25.09.2020
Форматы цитированияДругие форматы цитирования:
APAЧеркашин, А. К. (2020). Национальные особенности изменения опасности развития пандемии коронавируса COVID-19: математическое моделирование и статистический анализ. Народонаселение, 23(3), 83-95. https://doi.org/10.19181/population.2020.23.3.8РазделПРОБЛЕМЫ ЗДРАВООХРАНЕНИЯ И СОЦИАЛЬНОГО ОБСЛУЖИВАНИЯ
