Несколько подходов к моделированию динамики доходов населения в условиях эпидемии
Том 4 № 1 (2023), Статьи
Том 4 № 1 (2023)

Несколько подходов к моделированию динамики доходов населения в условиях эпидемии

Статьи
https://doi.org/10.51790/2712-9942-2023-4-1-04
Опубликовано Март 31, 2023
В. С. Петракова
Институт вычислительного моделирования СО РАН, г. Красноярск, Российская Федерация
http://orcid.org/0000-0003-1126-2148
О. И. Криворотько
Институт вычислительной математики и математической геофизики, г. Новосибирск, Российская Федерация; Новосибирский государственный университет, г. Новосибирск, Российская Федерация
http://orcid.org/0000-0003-0125-4988
PDF

Ключевые слова

COVID-19
макроэкономика
эпидемия
задачи оптимального управления

Как цитировать

1.
Петракова В.С., Криворотько О.И. Несколько подходов к моделированию динамики доходов населения в условиях эпидемии // Успехи кибернетики. 2023. Т. 4, № 1. С. 24-32. DOI: 10.51790/2712-9942-2023-4-1-04.
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver ГОСТ Р 7.0.5-2008

Скачать ссылку

Endnote/Zotero/Mendeley (RIS) BibTeX

Аннотация

в статье предлагаются две модели, описывающие влияние динамики распространения вируса на такие макроэкономические показатели, как численность рабочей силы и уровень среднедушевого дохода населения. Первая предложенная модель объединяет камерный подход SIR к моделированию распространения эпидемий и урбанистическую модель Лотки-Вольтерры. Вторая обобщает предложенную дифференциальную модель на задачу оптимального управления. Приведено сравнение результатов моделирования между собой и реальными данными на примере Новосибирской области за 2020–2021 гг. Для модели оптимального управления предложено несколько сценариев, которые могут быть использованы при расширении модели для моделирования отличной от рассматриваемой экономико-эпидемиологической ситуации.

https://doi.org/10.51790/2712-9942-2023-4-1-04
PDF

Литература

Zyatkov N., Krivorotko O. Forecasting Recessions in the US Economy Using Machine Learning Methods. Proceedings – 2021 17th International Asian School-Seminar “Optimization Problems of Complex Systems”. 2021:139–146. DOI: 10.1109/OPCS53376.2021.9588678.

Kermack W. O., McKendrick A. G. Contributions to the Mathematical Theory of Epidemics. Proc. R. Soc. 1927;A115:700–721. DOI: 10.1098/rspa.1927.0118.

Krivorotko O. I., Kabanikhin S. I. Mathematical models of COVID-19 spread. Available at: https://www.researchgate.net/publication/356985697_Mathematical_models_of_COVID-19_spread.

Kerr C. C. et al. Covasim: An Agent-Based Model of COVID-19 Dynamics and Interventions. PLoS Comput. Biol. 2021;17(7):e1009149. DOI: 10.1371/journal.pcbi.1009149.

Lin Q. et al. A Conceptual Model for the Coronavirus Disease 2019 (COVID-19) Outbreak in Wuhan, China with Individual Reaction and Governmental Action. Int. J. Infec. Dis. 2020;93:211–216. DOI: 10.1016/j.ijid.2020.02.058.

Krivorotko O. et al. Agent-Based Modeling of COVID-19 Outbreaks for New York State and UK: Parameter Identification Algorithm. Infectious Disease Modelling. 2022;7(1):30–44. DOI: 10.1016/j.idm.2021.11.004.

Viguerie A. et al. Diffusion–Reaction Compartmental Models Formulated in a Continuum Mechanics Framework: Application to COVID-19, Mathematical Analysis, and Numerical Study. Comput. Mech. 2020;66:1131–1152. DOI: 10.1007/s00466-020-01888-0.

Aristov V. V., Stroganov A. V., Yastrebov A. D. Simulation of Spatial Spread of the COVID-19 Pandemic on the Basis of the Kinetic-Advection Model. Physics. 2021;3(1):85–102. DOI: 10.3390/physics3010008.

Bremaud L. Mean Field Game Modeling of Epidemic Propagation. Paris: LPTMS; 2021.

Petrakova V. S., Krivorotko O. I. Mean Field Game for Modeling of COVID-19 Spread. Journal of Mathematical Analysis and Applications. 2022;514:126271–126271. DOI: 10.1016/j.jmaa.2022.126271.

Adarchenko V. A. et al. Modeling the Development of the Coronavirus Epidemic Using Differential and Statistical Models. RFNC-VNIITF. 2020;264:Preprint.

Brauer F. Mathematical Epidemiology: Past, Present, and Futures. Infectious Disease Modelling. 2017;2(2):113–127. DOI: 10.1016/j.idm.2017.02.001.

Wieczorek M., Silka J., Wo M. Neural Network Powered COVID-19 Spread Forecasting Model. Chaos, Solitons and Fractals. 2020;140:110203. DOI: 10.1016/j.chaos.2020.110203.

Kano T. et. al. An Agent-Based Model for Interrelation Between COVID-19 Outbreak and Economic Activities. Proc. R. Soc. A. 2021;477(2245). DOI: 10.1098/rspa.2020.0604.

McAdams D. Nash SIR: An Economic-Epidemiological Model of Strategic Behavior During a Viral Epidemic. MedRN: COVID-19 Research (Topic). Available at: https://www.semanticscholar.org/paper/Nash-SIR%3A-An-Economic-Epidemiological-Model-of-a-McAdams/be9875ba29b20b692fec23e6cb12761dfd93b9ce. DOI: 10.2139/ssrn.3593272.

Silva P. et al. COVID-ABS: An Agent-Based Model of COVID-19 Epidemic to Simulate Health and Economic Effects of Social Distancing Interventions. Chaos, Solitons and Fractals. 2020 Oct;139:110088. DOI: 10.1016/j.chaos.2020.110088.

Goenka A., Liu L., Nguyen M.-H. SIR Economic Epidemiological Models with Disease Induced Mortality. Journal of Mathematical Economics. 2021;93(3):102476. DOI: 10.1016/j.jmateco.2021.102476.

Kamann D., Nijkamp P. Technogenesis: Incubation and Diffusion. The Spatial Context of Technological Development at the Local Level. Serie Research Memoranda. 1988.

Novosibirsk Region Federal State Statistics Service. Available at: https://novosibstat.gks.ru/.

Chunfeng M. et al. Understanding Dynamics of Pandemic Models to Support Predictions of COVID19 Transmission: Parameter Sensitivity Analysis of SIR-Type Models. IEEE Journal of Biomedical and Health Informatics. 2022;26(6):2458–2468. DOI: 10.1109/JBHI.2022.3168825.

Yong J., Zhou X. Y. Maximum Principle and Stochastic Hamiltonian Systems. Stochastic Controls. Applications of Mathematics. 1999;43. Springer, New York, NY. DOI: 10.1007/978-1-4612-1466-3_3.

Inverse Problems. Available at: https://covid19-modeling.ru/data. (In Russ.)

Скачивания

Данные скачивания пока не доступны.