Математическое моделирование распространения эпидемии коронавируса COVID-19 в ряде европейских, азиатских стран, Израиле и России


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

На основе дискретного логистического уравнения проведено моделирование распространения коронавируса COVID-19 во Вьетнаме, Южной Корее, Израиле, Чехии, Португалии, Германии, Франции, Швеции, Японии, России и Российских регионах. Для каждой из стран определены параметры: показатели роста численности инфицированных коронавирусом COVID-19, емкости системы (максимальное число жителей страны, которые потенциально могли бы быть инфицированы). Для каждой из стран были спрогнозированы времена пиков эпидемии, численность на пике и в конце эпидемии, прирост численности инфицированных коронавирусом COVID-19 на протяжении эпидемии, сроки окончания эпидемии. Фактические данные и результаты прогноза хорошо согласуются друг с другом. Были сделаны выводы о связи показателей роста численности с ограничительными мерами, проводимыми во время эпидемии. Практически во всех странах менялись 2 раза значения показателей роста численности инфицированных коронавирусом COVID-19 переходя от больших значений к меньшим. Отдельно был сделан прогноз распространения эпидемии коронавируса COVID-19 в России и Российских регионах. Т.е. рассматривались фактические данные по численности инфицированных коронавирусом COVID-19 в России за вычетом фактических данных числа инфицированных в Московском регионе (Москве и Московской области). Определены даты пиков эпидемии в России, тренд которой задает г. Москва и даты пиков эпидемии в Российских регионах. Для Российских регионов рассматриваются 4 сценария развития эпидемии с различными емкостями. Значение емкости системы, соответствующей фактическим данным по Российским регионам определяется в окрестности пика эпидемии. В зависимости от емкости системы Российские регионы будут проходить пики от 28.04 до 04.05.

Полный текст

Доступ закрыт

Об авторах

Элеонора Моисеевна Кольцова

Российский химико-технологический университет имени Д.И. Менделеева

Email: kolts@muctr.ru
доктор технических наук, профессор; заведующая кафедрой ИКТ Москва, Российская Федерация

Елена Сергеевна Куркина

Российский химико-технологический университет имени Д.И. Менделеева; Московский государственный университет имени М.В. Ломоносова

Email: e.kurkina@rambler.ru
доктор физико-математических наук, доцент; профессор кафедры ИКТ; ведущий научный сотрудник факультета ВМК Москва, Российская Федерация

Алексей Михайлович Васецкий

Российский химико-технологический университет имени Д.И. Менделеева

Email: amvas@muctr.ru
старший преподаватель кафедры ИКТ Москва, Российская Федерация

Список литературы

  1. Chang S. L. et al. Modelling transmission and control of the COVID-19 pandemic in Australia. arXiv preprint arXiv: 2003.10218. 2020.
  2. Dandekar R., Barbastathis G. Neural Network aided quarantine control model estimation of global Covid-19 spread. arXiv preprint arXiv: 2004.02752. 2020.
  3. Tam K. M., Walker N., Moreno J. Projected Development of COVID-19 in Louisiana. arXiv preprint arXiv: 2004.02859. 2020.
  4. Blasius B. Power-law distribution in the number of confirmed COVID-19 cases. arXiv preprint arXiv: 2004.00940. 2020.
  5. Shao N. et al. Dynamic models for Coronavirus Disease 2019 and data analysis. Mathematical Methods in the Applied Sciences. 2020. Vol. 43. No. 7. Pp. 4943-4949.
  6. Tian J. et al. Modeling analysis of COVID-19 based on morbidity data in Anhui, China. Mathematical Biosciences and Engineering. 2020. Vol. 17. No. 4. Pp. 2842-2852.
  7. Peng L. et al. Epidemic analysis of COVID-19 in China by dynamical modeling. arXiv preprint arXiv: 2002.06563. 2020.
  8. Thyagaraja A. A phenomenological approach to COVID-19 spread in a population. arXiv preprint arXiv: 2003.12781. 2020.
  9. Qi C. et al. Model studies on the COVID-19 pandemic in Sweden. arXiv preprint arXiv: 2004.01575. 2020.
  10. Кольцова Э. М., Куркина Е. С., Васецкий А. М. Математическое моделирование распространения эпидемии коронавируса COVID-19 в Москве. Computational nanotechnology. 2020. Том. 7. №. 1. с. 99-105.
  11. Кольцова Э.М., Гордеев Л.С. Методы синергетики в химии и химической технологии. М.: Химия, 1999. 256 c.
  12. URL: https://coronavirus-monitor.ru/coronavirus-v-rossii/
  13. URL: https://www.worldometers.info/coronavirus/
  14. Chang S. L. et al. Modelling transmission and control of the COVID-19 pandemic in Australia. arXiv preprint arXiv: 2003.10218. 2020.
  15. Dandekar R., Barbastathis G. Neural Network aided quarantine control model estimation of global Covid-19 spread. arXiv preprint arXiv: 2004.02752. 2020.
  16. Tam K. M., Walker N., Moreno J. Projected Development of COVID-19 in Louisiana. arXiv preprint arXiv: 2004.02859. 2020.
  17. Blasius B. Power-law distribution in the number of confirmed COVID-19 cases. arXiv preprint arXiv: 2004.00940. 2020.
  18. Shao N. et al. Dynamic models for Coronavirus Disease 2019 and data analysis. Mathematical Methods in the Applied Sciences. 2020. Vol. 43. No. 7. Pp. 4943-4949.
  19. Tian J. et al. Modeling analysis of COVID-19 based on morbidity data in Anhui, China. Mathematical Biosciences and Engineering. 2020. Vol. 17. No. 4. Pp. 2842-2852.
  20. Peng L. et al. Epidemic analysis of COVID-19 in China by dynamical modeling. arXiv preprint arXiv: 2002.06563. 2020.
  21. Thyagaraja A. A phenomenological approach to COVID-19 spread in a population. arXiv preprint arXiv: 2003.12781. 2020.
  22. Qi C. et al. Model studies on the COVID-19 pandemic in Sweden. arXiv preprint arXiv: 2004.01575. 2020.
  23. Koltsova E.M., Kurkina E.S., Vasetsky A.M. Mathematical modeling of the spread of COVID-19 in Moscow. Computational nanotechnology. 2020. Vol. VII. №. 1. Pp. 99-105.
  24. Koltsova E.M., Gordeev L.S. Synergetic methods in chemistry and chemical technology. M.: Chemistry, 1999. 256 p
  25. URL: https://coronavirus-monitor.ru/coronavirus-v-rossii/
  26. URL: https://www.worldometers.info/coronavirus/

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах