Доклады Российской академии наук. Математика, информатика, процессы управления, 2022, T. 505, № 1, стр. 24-29
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПРЕОДОЛЕНИЯ ПАНДЕМИИ COVID-19 И ВОССТАНОВЛЕНИЯ ЭКОНОМИЧЕСКОГО РОСТА
Академик РАН В. А. Садовничий 1, *, Иностранный член РАН А. А. Акаев 2, **, А. И. Звягинцев 3, ***, А. И. Сарыгулов 4, ****
1 Московский государственный университет
имени М.В. Ломоносова
Москва, Россия
2 Институт математических исследований сложных систем Московского государственного университета имени М.В. Ломоносова
Москва, Россия
3 Михайловская военная артиллерийская академия
Санкт-Петербург, Россия
4 Санкт-Петербургский государственный экономический университет
Санкт-Петербург, Россия
* E-mail: info@rector.msu.ru
** E-mail: askarakaev@mai.ru
*** E-mail: azvyagintsev@mail.ru
**** E-mail: dept.cfr@unecon.ru
Поступила в редакцию 01.04.2022
После доработки 19.04.2022
Принята к публикации 01.06.2022
- EDN: LUCLTR
- DOI: 10.31857/S2686954322040166
Аннотация
Предложена математическая модель, которая не только генерирует сценарные прогнозы, но и одновременно формирует конкретные управленческие меры, направленные на подавление пандемии и восстановление экономического роста. Разработанная модель взаимного влияния пандемии и экономики является не только инструментом эффективного и адекватного прогнозирования, но и способна имитировать различные сценарии, которые вполне могут соответствовать реальным эпидемиологическим процессам. Возможность практически управлять динамикой пандемии и ВВП с целью стабилизации социально-экономического развития – одно из преимуществ этой модели.
Математические модели, описывающие распространение эпидемии COVID-19, начали разрабатываться практически одновременно с первой вспышкой заболевания в Китае в январе 2020 г. В основе таких моделей лежат различные подходы, обзоры которых содержатся, например, в работах [1–3]. Существенным недостатком большинства разработанных математических моделей является их неспособность имитировать циклические процессы, которые характерны для волнообразной динамики заболеваемости коронавирусом. Наконец, отсутствуют модели, которые генерируют конкретные математически обоснованные размеры и сроки осуществления мероприятий по преодолению пандемии и направленных на обеспечение экономического роста.
Данная работа посвящена математическому моделированию процессов преодоления пандемии и восстановления экономического роста, а также моделированию необходимых объемов антикризисных мер и эффективных сроков их проведения. В качестве базовых экономико-математических моделей были использованы модель Кермака–Маккендрика [4] и модель Сандерсона [5, 6].
Предложенная В. Кермаком и А. Маккендриком [4] модель является классической SIR-моделью распространения инфекции и состоит из 3 дифференциальных уравнений. Отдельные эксперты считают ошибочным использование SIR-моделей для описания пандемии коронавируса [7]. Действительно, в этой модели считается, что переболевшие индивиды приобретают иммунитет и не могут быть заражены вторично. Для пандемии COVID-19 это предположение не выполняется. Более того, в SIR-модели не учитывается процесс вакцинации от вирусной инфекции. В этой связи мы добавили в SIR-модель четвертое “вакцинное” уравнение и ввели поправочные компоненты, которые учитывают возможность повторного заражения и другие нюансы. Кроме того, поскольку при практическом моделировании приходится оперировать дискретными значениями статистики, то целесообразен переход от дифференциальных уравнений к разностным уравнениям. В результате мы получили эпидемо-математическую модель в виде дискретной системы уравнений:
(1)
$\begin{gathered} \left\{ \begin{gathered} {{S}_{{j + 1}}} = {{S}_{j}}\left( {1 - r{{I}_{j}} - q + a} \right) \hfill \\ {{I}_{{j + 1}}} = {{I}_{j}}\left( {1 + r{{S}_{j}} - {v}} \right) + c{{R}_{j}} \hfill \\ {{R}_{{j + 1}}} = {{R}_{j}}\left( {1 - c} \right) + {v}{{I}_{j}} + d{{V}_{j}} \hfill \\ {{V}_{{j + 1}}} = {{V}_{j}}\left( {1 - d} \right) + q{{S}_{j}} + b{{R}_{j}} \hfill \\ \end{gathered} \right. \\ j = 0,1,2,... \\ \end{gathered} $В качестве примера рассмотрим коронавирусную статистику по России [8]. Высший пик заболеваемости пришелся на февраль 2022 г., причем динамика заболеваемости имела “пилообразную” конфигурацию. Рисунок 1 содержит ежедневные показатели новых заражений коронавирусом среди граждан России в феврале. Динамика заболеваемости имеет четко прослеживаемую цикличность с периодом 7 дней.
Покажем, что модель (1) позволяет генерировать циклические траектории с требуемой периодичностью. Из выше изложенного следует, что интерес представляют циклы с периодом 7 дней. В результате компьютерного эксперимента были подобраны численные значения параметров системы (1):
C помощью приближенных методов были найдены начальные условия, при которых система (1) моделирует периодическую орбиту с периодом 7:
(2)
$\begin{gathered} {{\widetilde {R~}}_{0}} = 2.23329875094284; \\ {{{\tilde {V}}}_{0}} = 3.89439991609052. \\ \end{gathered} $Осуществленная на основании статистических данных [8] верификация периодической орбиты, смоделированной системой (1) с начальными условиями (2), позволяет получать прогнозируемые циклы для COVID-19, адаптированные к эпидемиологическим реалиям. Рисунок 1 содержит график смоделированного краткосрочного прогноза для возможных колебаний коронавирусной динамики на март 2022 г.
Коронавирусная эпидемия спровоцировала глобальный экономический кризис. В России [9, 10] по итогам 2020 г. ВВП на душу населения упал на 2.07%, нарушив тенденцию к росту в предыдущие до пандемии годы. Для математической интерпретации взаимного влияния пандемии и экономики мы воспользовались двумя уравнениями из предложенной В. Сандерсоном [5, 6] дискретной модели, которая называется моделью Wonderland (“Чудесная страна”) и описывает взаимосвязь экономических, демографических и экологических процессов.
В итоге получена математическая модель взаимного влияния пандемии и экономики:
(3)
$\left\{ \begin{gathered} {{S}_{{j + 1}}} = {{S}_{j}}(1 - r{{I}_{j}} - q + a) \hfill \\ {{I}_{{j + 1}}} = {{I}_{j}}\left( {1 + r{{S}_{j}} - {v}} \right) + c{{R}_{j}} \hfill \\ {{R}_{{j + 1}}} = {{R}_{j}}\left( {1 - c} \right) + {v}{{I}_{j}} + d{{V}_{j}} \hfill \\ {{V}_{{j + 1}}} = {{V}_{j}}\left( {1 - d} \right) + q{{S}_{j}} + b{{R}_{j}} \hfill \\ {{z}_{{j + 1}}} = \frac{{{{z}_{j}}{{e}^{{\delta {{z}_{j}}^{\rho } - \omega {{y}_{j}}{{I}_{j}}}}}}}{{1 - {{z}_{j}} + {{z}_{j}}{{e}^{{\delta {{z}_{j}}^{\rho } - \omega {{y}_{j}}{{I}_{j}}}}}}} \hfill \\ {{y}_{{j + 1}}} = {{y}_{j}}(1 + \gamma - \left( {\gamma + \eta } \right){{\left( {1 - {{z}_{j}}} \right)}^{\lambda }}). \hfill \\ \end{gathered} \right.$Здесь коэффициенты $\gamma ,\eta ,\lambda ,\delta ,\rho ,\omega $ являются константами; yj – ВВП на душу населения. Через zj обозначается уровень преодоления пандемии ($0 \leqslant {{z}_{j}} \leqslant 1$). В случае ${{z}_{j}} = 1$ считается, что эпидемиологическая обстановка находится в идеальном состоянии и заражение COVID полностью отсутствует. Значение ${{z}_{j}} = 0$ выражает противоположный предельный случай, когда размеры пандемии настолько велики, что возникает максимальная угроза для человеческого здоровья и экономики.
Государство заинтересовано в преодолении пандемии, восстановлении экономического роста и возвращении социально-экономической обстановки в устойчивый режим. С математической точки зрения устойчивому режиму соответствует неподвижная точка системы (3). Для нахождения неподвижной точки правые части в (3) приравниваются соответственно Sj,Ij,Rj,Vj,zj,yj и вычисляются координаты неподвижной точки ${{w}_{\# }}$.
Поскольку для показателей заболеваемости и выздоровления характерна хаотичность, то в целях преодоления хаотичной динамики осуществим модификацию модели (3), используя результаты из современной теории управления хаосом. Введем обозначения
(4)
$w\left( {j + 1} \right) = F\left( {w\left( j \right)} \right)~;\quad j~ \in \left\{ {0,~1,~2,~ \ldots } \right\},$Совершив линеаризацию системы (4) в окрестности неподвижной точки w# и затем применив метод Пирагаса [11], получим модифицированную систему:
(5)
$w\left( {j + 1} \right) = F\left( {w\left( j \right)} \right) + U\left( j \right)~;\quad j \in ~\left\{ {0,1,2, \ldots } \right\},$(6)
$\begin{gathered} U\left( j \right) = F\left( {{{w}_{\# }}} \right) - F\left( {w\left( j \right)} \right) + A\left( {{{w}_{\# }}} \right)\left[ {w\left( j \right) - {{w}_{\# }}} \right] + \\ + P\left( j \right)\left[ {w\left( j \right) - w\left( {j - 1} \right)} \right]. \\ \end{gathered} $Здесь P(j) – периодичная матрица, заданная формулой:
Дискретная система (5) характеризуется сверхвысокой чувствительностью к изменениям параметров. Таким образом, за счет вариации коэффициентов модель (5) способна имитировать различные сценарии, которые вполне соответствуют реальным эпидемиологическим и экономическим процессам. При моделировании с помощью системы (5) будем использовать помесячную статистику.
В целях моделирования прогноза по преодолению пандемии и развитию экономики будем решать систему (5) с начальными условиями, которые соответствуют текущим реалиям. Согласно статистическим данным [8–10] на конец февраля 2022 г. имеем
(7)
$\begin{gathered} {{w}_{1}}\left( 0 \right) = 0.3748;\quad {{w}_{2}}\left( 0 \right) = 0.031;~\quad {{w}_{3}}\left( 0 \right) = 0.0237; \\ {{w}_{4}}\left( 0 \right) = 0.5705;\quad {{w}_{5}}\left( 0 \right) = 0.4583; \\ ~{{w}_{6}}\left( 0 \right) = 894.4~\,\,{\text{тыс}}{\text{.}}\,{\text{руб}}. \\ \end{gathered} $В результате компьютерного эксперимента были подобраны численные значения параметров системы (5):
По многочисленным экспертным оценкам, в 2022 г. ВВП России может снизиться на 7% и более в результате западных санкций, направленных против российской военной спецоперации на Украине. В этой связи при моделировании для 2022 г. использовались коэффициенты
Решив систему (5) с начальными условиями (7) мы получили прогнозные траектории, графики которых представлены на рис. 2–4.
Графики рис. 2, 3 наглядно демонстрируют, что вакцинация населения является главным инструментом в борьбе с COVID-19. Кроме того, рис. 3, 4 указывают на существенную взаимосвязь между преодолением пандемии и восстановлением экономического роста. Коэффициент корреляции между полученными значениями w5(j) и w6(j) составляет 0.79.
Разработанная модель (5)–(6) является не только инструментом эффективного и адекватного прогнозирования. Основное достоинство этой модели заключается в том, что она дополнительно дает возможность практического управления динамикой пандемии и ВВП в целях стабилизации социально-экономического развития. Полученная в явном виде аналитическая формула (6) дает возможность определять конкретные размеры и время проведения упреждающих корректировок.
В результате вычислений и верификации, проведенных на основе итогов моделирования, и с учетом инвестиционного мультипликатора [14] были получены помесячные значения для масштабов вакцинирования и объемов дополнительных инвестиций, необходимых для преодоления пандемии и обеспечения экономического роста. Эти значения сведены в табл. 1, которая по сути является графиком проведения превентивных антикризисных мер.
Таблица 1
Месяц | Масштабы вакцинации (% населения) | Дополнительные инвестиции в экономику (млрд. руб.) | Месяц | Масштабы вакцинации (% населения) | Дополнительные инвестиции в экономику (млрд. руб.) |
---|---|---|---|---|---|
мар.22 | 0.0 | 0.0 | авг.23 | 0.0 | 1.3 |
апр.22 | 0.0 | 0.0 | сен.23 | 1.1 | 146.0 |
май22 | 10.7 | 2720.9 | окт.23 | 0.0 | 0.7 |
июн.22 | 0.0 | 0.0 | ноя.23 | 0.8 | 102.2 |
июл.22 | 7.5 | 2179.2 | дек.23 | 0.0 | 0.3 |
авг.22 | 0.0 | 0.0 | янв.24 | 0.6 | 71.6 |
сен.22 | 5.2 | 1646.1 | фев.24 | 0.0 | 0.2 |
окт.22 | 0.0 | 0.0 | мар.24 | 0.4 | 50.1 |
ноя.22 | 3.7 | 1211.4 | апр.24 | 0.0 | 0.1 |
дек.22 | 0.0 | 0.0 | май24 | 0.3 | 35.1 |
янв.23 | 0.0 | 14.8 | июн.24 | 0.0 | 0.0 |
фев.23 | 0.0 | 9.9 | июл.24 | 0.2 | 24.5 |
мар.23 | 3.3 | 425.8 | авг.24 | 0.0 | 0.0 |
апр.23 | 0.0 | 5.2 | сен.24 | 0.1 | 17.2 |
май23 | 2.3 | 298.1 | окт.24 | 0.0 | 0.0 |
июн.23 | 0.0 | 2.6 | ноя.24 | 0.1 | 12.0 |
июл.23 | 1.6 | 208.6 | дек.24 | 0.0 | 0.0 |
На основании полученных результатов можно сделать вывод, что для преодоления пандемии и восстановления экономического роста необходимо своевременно осуществлять упреждающие корректирующие меры. Организацию и реализацию управленческих мер способны выполнить только государственные структуры. В соответствии с полученными в данной работе результатами моделирования, на среднесрочную перспективу первоочередными задачами государства являются полная реализация программы вакцинации и финансовая поддержка экономики в необходимых объемах и сроках.
Список литературы
Vishnu Vytla, Sravanth Kumar Ramakuri, Anudeep Peddi, Kalyan Srinivas K.N. Nithish Ragav. Mathematical Models for Predicting Covid-19 Pandemic: A Review // Journal of Physics: Conference Series. 2021. 1797. 012009.
Куркина Е.С., Кольцова Э.М. // Прикладная математика и информатика № 66. – М.: Изд-во факультета ВМК МГУ. 2021. С. 41–66.
Еремеева Н.И. // Вестник ТвГУ. Серия: Прикладная математика. 2020. Вып. 4. С. 14–27.
Kermack W.O., McKendrick A.G. // Proceedings of the Royal Society of London Series A, Containing Papers of a Mathematical and Physical Character. 1927. V. 115. № 772. P. 700–721.
Sanderson W.C. / In Lutz W. [4], 1994. P. 33–71.
Lutz W., (Ed.). Population, Development, Environment: Understanding Their Interactions in Mauritius. – Berlin: Springer, 1994.
Comunian A., Gaburro R., Giudici M. // Physica D. 2020. 413. 132674.
Worldometer: https://www.worldometers.info/coronavirus/
Мировые Финансы: http://global-finances.ru/vvp-rossii-po-godam/
Мир Таблиц: https://worldtable.info/gosudarstvo/chislennost-naselenija-rossii-po-godam
Pyragas K. // Physics Letters A. 1992. V. 170. P. 421–428.
Леонов Г.А., Звягинцева К.А. // Вестник СПбГУ. Серия 1. Математика. Механика. Астрономия. 2015. Т. 2. № 60. Вып. 3. С. 342–353.
Leonov G.A., Zvyagintseva K.A., Kuznetsova O.A. // IFAC-PapersOnLine. – 2016. V. 49 № 14. P. 56–61.
Николаев И.А., Марченко Т.Е., Точилкина О.С. // Институт стратегического развития. Москва. 2019. https://www.fbk.ru/upload/docs/Investments_report.pdf
Дополнительные материалы отсутствуют.
Инструменты
Доклады Российской академии наук. Математика, информатика, процессы управления