突发公共卫生事件中地方政府与社会公众间的演化博弈研究

近年来,突发公共卫生事件频发,社会公众与地方政府相互配合是及时、高效解决突发公共卫生事件的必然选择。本文以全球抗击新冠肺炎疫情为背景,讨论在突发公共卫生事件中社会公众与地方政府之间的博弈关系,基于有限理性假设,构建演化博弈模型,分析博弈双方决策行为的动态调整过程,得到在不同条件下社会公众和地方政府的演化稳定策略。同时,利用MATLAB进行仿真实验,分析在博弈过程中政府的奖惩、上级部门的处罚等主要因素对博弈双方策略选择的影响。研究结果表明,完善相关的补贴政策,普及疫情防控的相关法律法规,加大对社会公众随意流动、违反疫情相关规章制度的惩罚力度,提高对地方政府宽松防疫的处罚等措施可以有效促进社会公众和地方政府之间的相互协作,最终实现共同积极防疫。     

SIR类型新型冠状病毒肺炎多阶段最优控制模型

新型冠状病毒肺炎(COVID-19)疫情在全球范围传播,给人们的健康带来了严重的威胁。面对疫情发展预期数据,我们需要在有限医疗资源的情况下确定疫情传播参数,以指导主要防疫措施的实施力度。本文采用SIR类型的模型描述新冠肺炎疫情发展,并建立多阶段最优控制模型确定疫情传播参数。为了高效确定参数取值,我们建立多项式时间可计算的半定规划近似模型。基于世界卫生组织发布的数据,我们求解近似模型,得到描述给定时段内美国新冠肺炎疫情发展态势的疫情传播参数,并分析疫情防控策略。     

基于变系数Hawkes过程的新型冠状病毒肺炎的传播强度分析

当前,新型冠状病毒肺炎(COVID-19)在全球大部分地区肆虐,对人类生命安全和社会经济活动带来严峻挑战.新型冠状病毒肺炎的传播强度随时间的变化规律及其影响因素是传染病学家关心的重要问题.基于新型冠状病毒肺炎病例数,本文提出变系数Hawkes过程,分析日本,韩国以及北京市,武汉市新冠肺炎传播强度随时间变化的趋势,评估突发事件和政府采取的干预措施对疫情防控的影响.本文基于样条逼近技术建立半参数估计方法,数值模拟结果表明所提出方法在有限样本下具有良好表现.该研究可为疫情防控提供有益的统计建议.     

重大突发疫情下公众情绪演化模型与引导策略研究

重大突发疫情发生后,不同地区的公众在不同时期对风险认知不同,因此公众情绪类型及其变化呈现出不同的特点。现有研究多采用数据挖掘方式描述公众情绪的演化过程,并没有构建刻画公众情绪演化规律的数学模型,使得政府制定的疫情信息发布策略缺乏针对性,无法有效引导公众情绪。为此,本研究调查了新冠肺炎疫情下不同风险地区的公众情绪变化,发现公众对疫情的关注率很高,主流情绪表现为恐惧。通过等级比较法得到了不同风险地区公众在不同阶段的恐惧情绪水平,构建了公众恐惧情绪演化模型,并划分为潜伏期、爆发期和延续期三个时期。比较分析了公众恐惧情绪演化的共同特性和差异,为合理引导公众情绪提出信息发布策略,为落实防控措施、精准引导公众理性行为与避免出现极端情绪提供理论支撑,为重大疫情下情绪治理形成新的研究视角。     

COVID-19疫情时滞模型构建与确诊病例驱动的追踪隔离措施分析

新型冠状病毒肺炎(COVID-19)疫情自暴发以来,众多研究者基于公开的疫情数据和经典的SEIR模型研究了疫情的发展趋势、传播风险等,为早期COVID-19疫情预测预警提供了重要的决策依据.本论文首先讨论在突发性传染病疫情发展期间,传染病数学模型是如何助力疫情防控的,能在公共卫生重大突发事件中发挥什么样的重要作用.然后集中介绍如何建立数学模型来刻画COVID-19疫情期间密切跟踪隔离措施的实施以及措施强度的变化,重点讨论有症状感染者和确诊病例驱动的追踪隔离措施在建模上的异同,最后得到确诊病例驱动的COVID-19时滞非自治传染病模型.主要结论揭示了确诊滞后不仅能有效延迟感染者类峰值到来的时间,而且使得其出现多峰,甚至最终感染规模可能增大的现象,但是我国强有力的综合防控策略能够有效减缓确诊滞后带来的不利影响.这为分析复杂疫情数据提供了新的重要的模型参考.     

新发传染病动力学模型——应用于2019新冠肺炎传播分析

针对新冠肺炎等新发传染病传播动力学模型的实际应用问题,提出了与确诊病例实时数据相关联的接触数,优化了新发传染病传播动力学模型,提升了模型的实用价值.把实时数据信息应用于模型参数估计,并将动力学模型应用于预估广州、武汉的新冠肺炎传播的峰值、最终规模、达峰时间.这类接触数可推广应用于其他一些新发传染病,揭示其暴发过程中不同时期的传播风险.本文数据来源于公开数据.     

基于平均场博弈的新冠肺炎最优防控力度切换策略

本文以新冠肺炎(COVID-19)在美国各州感染人数的公开数据为例,提出新冠肺炎大流行期的多地区随机动态传染模型.为解决何时"开放"或"限制"经济社会活动的问题,本文建立基于平均场交互的期望效用最大化的多地区最优防控切换Nash均衡策略.随后,考虑地区个数为无穷时对应的代表性地区感染人数模型和最优防控切换问题,证明其为有限地区情形Nash均衡的极限.最后,通过比较及分析不同状态下的最优切换边界,我们对何时及如何调整防控力度给出了具体的建议.     

基于捕获再捕获模型的新冠肺炎传染高危人群估计

利用手机定位大数据识别和监测新冠肺炎高危人群,既是流行病学调查方法的创新,也是疫情防控的重要支撑.本文聚焦于构造基于手机定位大数据的捕获再捕获模型,估计特定区域新冠肺炎传染高危人群总量,并利用互联网企业提供的,经脱敏处理的天津市手机APP定位大数据验证了方法的实践有效性.数据分析结果显示,2020年1月24日至1月31日期间天津每日传染高危人群规模约为12500人.本文的研究为当前疫情防控与复产复工中传染高风险人群的识别与监测提供了大数据方法支持.     

基于灰色预测模型的广州港货运发展研究

新冠肺炎疫情对广州港的货运发展产生了一定程度的影响,但目前仍然缺少相关的定量研究.基于灰色预测模型,利用港口货物吞吐量、外贸货物吞吐量、集装箱吞吐量三个货运指标,在新冠肺炎疫情没发生的这一假设下,推测2020年1-8月广州港的各货运发展指标值.基于预测值与实际值的比较,定量研究广州港的货运发展受新冠肺炎的影响值,反映新冠肺炎疫情对广州港货运增长的影响程度.实证结果显示:新冠肺炎疫情给广州港货运增长带来的总体影响比较大,对港口货物吞吐量的影响程度为-4.08%,外贸货物的影响-6.33%,集装箱货物的影响-5.79%.为了进一步探索如何减弱新冠肺炎疫情对广州港货运发展的影响,引入了灰色关联度模型,对广州港货运发展的关联因素进行研究.通过广州港货运发展关联因素研究,提出在后疫情时代,促进广州港货运发展的相关举措.     

新冠疫情期间黄金与比特币对中国股市的避险差异研究——基于DCC-GARCH t-Copula模型

新冠肺炎疫情的爆发给中国股市带来了一场危机,投资者对避险资产的选择也逐渐引发关注.文章通过DCC-GARCH t-copula模型检验了新冠肺炎期间黄金和比特币分别对中国股票市场的避险差异.结果表明,平均来看新冠疫情期间黄金是比比特币更优的避险资产,这是因为黄金比比特币有更低的平均套期保值比率,可以提供更廉价的对冲,并且与同样的股票行业指数组成的投资组合中黄金所需占比比比特币低.最优对冲比率和投资组合权重的动态波动性也进一步表明投资者需要积极地重新平衡他们的投资组合,而不是采用静态方法.     

封闭空间中新型冠状病毒肺炎传播模型:以日本“钻石公主号”邮轮为例

该文以新型冠状病毒(SARS-Cov-2)在日本钻石公主号邮轮上传播为例,通过建立简单的易感者-感染者传染病模型,研究在封闭空间中新冠病毒肺炎(COVID-19)的传播机制.动力学分析和数值拟合预测了疾病传播过程和最终结果,讨论了不同隔离措施对疾病传播进程的影响,并给出防控策略建议.     

新冠肺炎疫情条件下的企业复工复产优化规划方法

新冠病毒肺炎疫情对整个经济社会发展造成了很大冲击,如何在不放松疫情防控的前提下科学规划企业复工复产,这是地方政府面临的一个重要挑战。基于浙江省在统筹疫情防控和经济社会发展工作中的有关经验,本文建立了一个疫情条件下企业复工复产规划问题的整数规划模型,其目的是要在不违反疫情传播风险等约束下,从大批申请企业中选择一部分批准复工复产并安排优先顺序,以尽可能满足社会对相关产业产能的需求。为有效求解该问题,本文提出了一个改进的禁忌搜索算法,它使用贪心策略来构造一个初始解,并不断通过可变规模的邻域搜索来探寻更优的解,在多个地区企业复工复产规划问题实例上的计算结果验证了该算法的效率。     

具有跟踪隔离措施的新冠肺炎传播模型分析及应用

报道于2019年12月底的新型冠状病毒肺炎(COVID-19)疫情, 由于2020年春运期间人口的大规模流动, 使得其迅速蔓延.自2020年1月23日起, 我国采取了各种措施使得疫情得到了有效的控制, 例如武汉封城、确诊病例的密切接触者跟踪隔离、湖北人员的居家隔离等.该文基于COVID-19在山西省的实际传播情况, 建立了具有输入病例和确诊病例密切接触者跟踪隔离的动力学模型.在不考虑输入病例的情况下, 分析了模型的动力学行为.利用山西省COVID-19病例数据, 计算了实时再生数, 发现山西省2020 年1月25日全省封村封街道有效控制了COVID-19疫情的传播, 即实时再生数小于1, 从宏观角度验证了防控措施的有效性.进一步通过模型的数值拟合得到: 早期染病者隔离14天的防控策略是合理有效的; 武汉封城时间越早, 染病者的规模越小; 跟踪隔离到大量确诊病例的接触者时, 染病者的规模越小.     

基于Kolmogorov前向方程评估甲型H1N1流感疫情的动态变化北大核心CSCD

基于个体水平的传染病模型可以揭示随机性在传染病疫情防控中的重要作用.研究此类模型的普遍方法是通过事件驱动的、大量重复的随机模拟来确定预测变量的范围.而基于Kolmogorov前向方程(KFE)研究个体水平的传染病模型,不仅不需要大量的重复模拟来确定预测变量的范围,而且可以同时考虑每种状态发生的概率.因此,基于2009年西安市第八医院甲型H1N1流感数据,建立了基于社交网络的个体决策心理模型,以确定行为改变率;进一步地,为得到传染病传播过程中各状态的概率分布,基于改进的个体SIR模型,通过Markov过程推导出KFE.结果表明:通过数值求解KFE可以得到整个爆发过程中每种状态发生的概率分布、最严重的时间段及相应的概率,从而能更快、更准确地了解甲型H1N1疫情的传播过程,因此有助于高效地进行甲型H1N1疫情防控.     

The asymptotic behaviors of a stochastic social epidemics model with multi-perturbation

Alcohol abuse is a major social problem, which is often called social epidemic, for the some similarities to the classical infectious diseases. In this paper, we formulated a new stochastic alcoholism model based on the deterministic model proposed in \cite{Wangxy}, with the mortalities of all populations as well as the contact infected coefficient are all perturbed. Based on this model, we investigate the long-term stochastic dynamics behaviors of two equilibria of the corresponding deterministic model and point out the effect of random disturbance on the stability of the system. Finally, we carry out numerical simulations to support our theoretical results.     

Mathematical Analysis of SIR Epidemic Model with Piecewise Infection Rate and Control Strategies

The limitation of contact between susceptible and infected individuals plays an important role in decreasing the transmission of infectious diseases. Prevention and control strategies contribute to minimizing the transmission rate. In this paper, we propose SIR epidemic model with delayed control strategies, in which delay describes the response and effect time. We study the dynamic properties of the epidemic model from three aspects: steady states, stability and bifurcation. By eliminating the existence of limit cycles, we establish the global stability of the endemic equilibrium, when the delay is ignored. Further, we find that the delayed effect on the infection rate does not affect the stability of the disease-free equilibrium, but it can destabilize the endemic equilibrium and bring Hopf bifurcation. Theoretical results show that the prevention and control strategies can effectively reduce the final number of infected individuals in the population. Numerical results corroborate the theoretical ones.     

Qualitative analysis on an SIRS reaction–diffusion epidemic model with saturation infection mechanism

In this paper, we deal with an SIRS reaction–diffusion epidemic model with saturation infection mechanism. Based on the uniform boundedness of the parabolic system, we investigate the extinction and persistence of the infectious disease in terms of the basic reproduction number. To better investigate the effects of infection mechanism and individual diffusion, we further analyze the asymptotic profiles of the endemic equilibrium for small or large motility rate and large saturation rate. In particular it is shown that large saturation may cause the elimination of disease. Our study may provide some significant useful insight on disease control and prevention.     

非线性组合动态传播率模型与我国COVID-19疫情分析和预测

针对传统的流行性传染病学中基本传染数$R_0$难以准确估计以及单一模型预测精度低的缺陷,利用组合动态传播率替换基本传染数$R_0$,提出基于支持向量回归的非线性时变传播率模型并对我国COVID-19疫情进行分析和预测。首先,计算动态传播率的离散值;其次,使用多项式函数、指数函数、双曲函数和幂函数分别对动态传播率的离散值进行拟合并基于最佳滑窗期$k=3$构建相应的预测模型;接着,基于拟合优度等评价指标选择最佳的三种单一模型并对其预测结果进行非线性组合;最后,利用非线性组合动态传播率模型对湖北、全国除湖北和全国COVID-19疫情进行分析和预测。实证结果表明提出的非线性组合动态传播率模型对不同地区COVID-19疫情数据的预测误差均相对较小;对重点省市COVID-19疫情的拐点预测切实合理;湖北、全国除湖北与全国自2020年2月27日起后20天疫情预测曲线的拟合优度分别为98.53%、98.06%和97.98%。     

Regional Prediction of COVID-19 in the United States Based on the Difference Equation Model

The novel coronavirus pneumonia 2019 (COVID-19) has swept the globe in just a few months with negative social and psychological consequences for public health. So far, the United States has been one of the countries most affected by the epidemic. In this study, 51 states in the United States are divided into 10 state clusters according to relevant factors, and a difference equation model with spatio-temporal dynamic characteristics is established to predict the transmission dynamics of COVID-19 in the 10 state clusters and obtain data on regional aggregation levels (the United States). The study showed that the Pearson Correlation Coefficient between the actual data and the predicted data in the 10 state clusters is between 0.6 and 0.96 (mean R$^{2}$=0.8448), and the mean absolute error (MAE) of the newly confirmed cases in each cluster is between 300 and 1650 (mean MAE=878) and the average forecasting error rate (AFER) of the total confirmed cases in each cluster is between 0.9$\%$ and 3$\%$ (mean AFER=1.57$\%$). These results show that the difference equation model can well predict the changes in the recent confirmed cases of infectious diseases such as COVID-19.