李 清,蘇 強(qiáng)
(1.上海政法學(xué)院經(jīng)濟(jì)管理學(xué)院,上海 200333;2.同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院,上海 200092)
2019年12月底,湖北武漢陸續(xù)發(fā)現(xiàn)多例肺炎患者,后被證實(shí)為是一種新型冠狀病毒引起的急性呼吸道傳染病.隨著春節(jié)到來,人流大規(guī)模大范圍移動,該病毒逐漸蔓延,在海外很多國家和地區(qū)也相繼出現(xiàn),呈現(xiàn)出爆發(fā)式增長的趨勢.截至2021年1月4日,據(jù)中國31個省、自治區(qū)、直轄市和新疆生產(chǎn)建設(shè)兵團(tuán)的報告,累計確診病例87 183例,累計死亡病例4 634例;累計收到中國港、澳、臺地區(qū)通報確診病例9 878例,死亡病例160例[1].全球222個國家和地區(qū)累計確診病例85 617 337例,累計死亡病例1 852 571例.美國、印度和巴西是當(dāng)時累計確診病例人數(shù)最多的三個國家,每日新增患病感染人數(shù)以較快的速度增加,多個國家甚至出現(xiàn)了新冠病毒新變種,疫情傳播風(fēng)險進(jìn)一步加大[2].中國本土疫情呈現(xiàn)零星散發(fā)和局部聚集性疫情交織疊加態(tài)勢,防控形勢仍然嚴(yán)峻復(fù)雜.各地仍有零星新增病例,主要以境外輸入病例為主,境外輸入確診病例294例,累計確診病例4 339例.
全球化帶來的國際貿(mào)易和人口流動會擴(kuò)大疫情的傳播范圍,使其進(jìn)一步擴(kuò)散和蔓延[3].為描述疫情傳播趨勢,國內(nèi)外專家采用傳染病學(xué)和數(shù)學(xué)建模等方法對新冠疫情進(jìn)行了研究.中國疾控中心新型冠狀病毒應(yīng)急響應(yīng)機(jī)制流行病學(xué)組基于截至2020年2月11日中國內(nèi)地所有上報的新冠肺炎病例,分析了患者的年齡、性別、病死率、疾病傳播時空特點(diǎn)和流行病學(xué)曲線[4].在傳染病傳播方面,Sun等將人群分成不同類別,建立常微分方程模型[5].張剛慶等[6]和Bolzoni等[7]分別考慮了易感者、感染者和痊愈者三類人群,建立傳播擴(kuò)散模型,模擬疫情傳播過程.Kim等[8]和Liu等[9]采用計算機(jī)模擬和數(shù)值計算方法建立并完善傳染模型.Zhao等建立指數(shù)增長模型描述2020年1月10日到24日的病例時間序列曲線,對疫情早期階段的基本感染數(shù)量進(jìn)行估計[10].隨著疫情傳播進(jìn)程,病毒感染數(shù)量的變化,控制策略和檢測技術(shù)發(fā)生了顯著變化.Tang等構(gòu)建動態(tài)傳輸模型,采用隨時間變化的接觸率和診斷率,對每日再生數(shù)進(jìn)行重新估計,制定更好的干預(yù)措施[11].Lin等考慮個人和政府行為(延長假期、限制旅行和強(qiáng)化檢驗檢疫等),建立新冠疫情概念模型,估算傳染病傳播中的關(guān)鍵因素,估計和捕捉疫情發(fā)展趨勢[12].基于新冠肺炎傳播機(jī)理、隔離和治療感染者等措施的研究,白寧等建立動力學(xué)模型,預(yù)測湖北省疫情發(fā)展情況,并評估相應(yīng)控制策略的有效性[13].
隨著春節(jié)臨近,境外回國人員增加,境內(nèi)人員流動性大且聚集活動增加,進(jìn)口冷鏈?zhǔn)称泛拓浳镂锪髟龃螅哟罅艘咔閭鞑ワL(fēng)險.新冠肺炎疫情在短期內(nèi)并不會消失,考慮到疫情的突發(fā)特性及其帶來的重大經(jīng)濟(jì)社會影響,國務(wù)院聯(lián)防聯(lián)控機(jī)制在落實(shí)個人防護(hù)措施、社會和企事業(yè)單位防控措施、行業(yè)防控責(zé)任和地方政府責(zé)任等方面提出了明確要求[14].2020年2月24日推出的《突發(fā)公共衛(wèi)生事件應(yīng)急管理研究之二:從抗擊新冠肺炎看應(yīng)急醫(yī)療資源優(yōu)化配置》研究報告中強(qiáng)調(diào),在公共衛(wèi)生事件應(yīng)急管理中,應(yīng)急醫(yī)療資源是物質(zhì)基礎(chǔ),其配置如何直接關(guān)系事件處置的及時性和有效性,優(yōu)化應(yīng)急醫(yī)療資源配置的意義重大[15].
針對傳染病等公共突發(fā)事件的應(yīng)急救援,Rachaniotis等[16]、Liu等[17]、He等[18]建立了數(shù)學(xué)規(guī)劃模型,解決了救援物資的配置決策和優(yōu)化問題.黃天春分析災(zāi)害生命周期各階段中應(yīng)急救援行動和網(wǎng)絡(luò)的特性,為應(yīng)急救援工作提供了技術(shù)支持[19].在傳染病傳播和應(yīng)急救援過程中,救援物資需求量往往難以精確計算,在各方面信息不確定的情況下,Liu等以最小化生命損失為目標(biāo),探討確保醫(yī)療救援物資的供應(yīng)機(jī)制[20].基于傳染病動力模型,馬知恩等將人群分為易感者、潛伏者、感染者和痊愈者四類,建立SEIR模型,并根據(jù)模型對應(yīng)急物資需求進(jìn)行預(yù)測[21].區(qū)別于地震等突發(fā)自然災(zāi)害,傳染病的傳染率、治愈率和死亡率等關(guān)鍵信息不確定,醫(yī)療救援物資需求存在特殊性.針對難以獲得精確疫情信息,葛洪磊以最小化貝葉斯風(fēng)險為目標(biāo)建立應(yīng)急物資分配決策模型,求解最優(yōu)信息觀測次數(shù)和物資分配量,從時間、事件、信息特征和感染規(guī)模等7個維度將新冠肺炎疫情分成5種情境,分析每個情境下的關(guān)鍵因素,建立多周期貝葉斯序貫決策模型,分別提出各情境下的救援物資配置方案,并基于武漢疫情數(shù)據(jù)進(jìn)行分析和驗證[22-23].
目前大多數(shù)文獻(xiàn)假設(shè)應(yīng)急需求對時間因素不敏感,然而,實(shí)際救援中醫(yī)療資源需求隨時間動態(tài)變化,早期醫(yī)療物資配置量會對后期需求有影響.此外,現(xiàn)有文獻(xiàn)主要關(guān)注傳染病傳播模型和應(yīng)急救援的研究,將兩個方面統(tǒng)一集成考慮的文獻(xiàn)不多.本文基于傳染病模型構(gòu)建應(yīng)急物資需求預(yù)測模型,分別建立時變需求和貝葉斯序貫決策物資需求模型,為實(shí)際應(yīng)急救援工作提供科學(xué)有效的預(yù)測方法.
醫(yī)療物資配置決策受新冠肺炎疫情時間、空間、感染者數(shù)量和疫情事件信息等多個因素的影響,一方面這些因素將決定采取哪種級別的防控措施,另一方面防控措施的具體執(zhí)行也將影響疫情傳播,縮小傳染規(guī)模.疫情最早通報時間為2019年12月31號,但在12月底就發(fā)現(xiàn)了相關(guān)病例,其傳播和發(fā)展可以總結(jié)為如表1所示的4個階段.
表1 新冠肺炎疫情演化4個階段Tab.1 Four evolution stages of COVID -19
根據(jù)表1中的4個階段,考慮湖北和全國除湖北外其他省市的每日新增患病感染人數(shù)和現(xiàn)有患病感染人數(shù),繪制圖1和圖2.
疫情初期主要出現(xiàn)在湖北武漢,之后傳播到全國各地.產(chǎn)生階段,患病感染者隨著報道和排查的深入逐步被發(fā)現(xiàn),新增患病感染人數(shù)逐漸增多,總?cè)藬?shù)在100以下;全國除湖北外的地區(qū)暫未發(fā)現(xiàn)患病感染者,但自1月20日開始出現(xiàn)患病感染者.爆發(fā)階段,1月31日前湖北每日患病感染人數(shù)緩慢增長,總?cè)藬?shù)小于1 500人;之后呈現(xiàn)快速增長趨勢,峰值的每日患病感染人數(shù)超過3 000人,總?cè)藬?shù)大于2 000人;得益于及時的交通管制策略,全國除湖北外地區(qū)的患病感染人數(shù)呈現(xiàn)出先緩慢增長再緩慢減少的趨勢,人數(shù)在1 000人以下.高峰階段,受疫情多次傳播的影響,經(jīng)全面排查湖北每日新增患病感染人數(shù)在2 000人上下波動;由于統(tǒng)計方式的改變,2月12日新增患病感染人數(shù)急劇增加,之后逐漸減少.這一階段,各社區(qū)實(shí)行封閉式管理,因此,全國除湖北外地區(qū)的每日新增患病感染人數(shù)逐漸減少,疫情逐步被控制.衰退階段,湖北每日新增患病感染人數(shù)在短暫上升后急劇下降,并從3月18日開始清零.全國除湖北外地區(qū)的每日新增患病感染人數(shù)在20人上下波動,隨著復(fù)工復(fù)產(chǎn)的逐步實(shí)施,患病感染人數(shù)有較小幅度的上升,但是整體在可控范圍內(nèi).因春節(jié)期間國內(nèi)人員流動量較大,同時受到境外人員和貨物輸入的影響,在衰退階段國內(nèi)一些省市仍存在零星病例.
圖1 新冠肺炎不同階段每日新增患病感染人數(shù)Fig.1 Number of new infections per day at different stages of COVID -19
圖2 新冠肺炎不同階段患病感染人數(shù)Fig.2 Number of infections at different stages of COVID-19
基于新冠疫情演化特征,考慮隔離措施的影響,本文建立SEIR模型模擬疫情傳播和發(fā)展趨勢.在疫情產(chǎn)生、傳播、爆發(fā)和衰退整個過程中,感染者、康復(fù)者和死亡者數(shù)量隨時間不斷變化,而醫(yī)療物資需求量與感染者數(shù)量息息相關(guān),因此首先預(yù)測患病感染者和潛伏期感染者數(shù)量,接著計算醫(yī)療救援物資和防護(hù)物資的需求量.
基于SEIR模型[9],不考慮人口遷徙、自然出生和死亡,本文將人群N分為易感、潛伏、感染、痊愈和死亡五類.其中,S(t)表示t時刻易感者數(shù)量,也即t時刻健康人群數(shù)量;E(t)為t時刻潛伏期感染者數(shù)量;I(t)為t時刻患病感染者數(shù)量;R(t)為t時刻痊愈者數(shù)量;D(t)為t時刻死亡者數(shù)量.五類人群間的轉(zhuǎn)換關(guān)系如圖3所示.
圖3 SEIR模型Fig.3 SEIR model
基于圖3構(gòu)建如式(1)~(6)的微分方程模型:
N=S(t)+E(t)+I(t)+R(t)+D(t),
(1)
S(t+1)=S(t)-βkS(t)I(t)-brS(t)E(t),
(2)
E(t+1)=E(t)+βkS(t)I(t)+
brS(t)E(t)-dE(t),
(3)
I(t+1)=I(t)+dE(t)-(α+δ)I(t),
(4)
R(t+1)=R(t)+δI(t),
(5)
D(t+1)=D(t)+αI(t),
(6)
其中,β表示患病感染者的傳染概率;k表示每個患病感染者平均接觸的人數(shù);b為潛伏期感染者的傳染概率;r為每個潛伏期感染者平均接觸的人數(shù);d表示潛伏期感染者患病概率;α為死亡率;δ為康復(fù)率,β,b,d,α,δ>0.在實(shí)際觀測中發(fā)現(xiàn)潛伏期感染者經(jīng)過潛伏期后有一定的概率轉(zhuǎn)為健康患者,因此,引入n表示潛伏期感染者轉(zhuǎn)為健康人群的概率,τ表示潛伏期,則當(dāng)t>τ時,易感者和潛伏期感染者的轉(zhuǎn)換方程如式(7)和(8)所示.
S(t+1)=S(t)-βkS(t)I(t)-
brS(t)E(t)+nE(t),
(7)
E(t+1)=E(t)+βkS(t)I(t)+
brS(t)E(t)-dE(t)-nE(t).
(8)
在疫情實(shí)際傳播中,國家和地方均出臺了相關(guān)的管控措施.2020年1月23日,武漢實(shí)行交通管制,2月11日開始,全國的社區(qū)實(shí)行封閉式管理.在上述SEIR模型中,考慮管控措施對疫情傳播的影響,實(shí)行管制后,對患病感染者和潛伏期感染者平均接觸人數(shù)進(jìn)行調(diào)整,即降低k和r這兩個參數(shù)的值.
基于SEIR模型,本文建立醫(yī)療物資需求預(yù)測模型[17].假設(shè)t時刻醫(yī)療物資需求量是關(guān)于患病感染人數(shù)的函數(shù),如式(9),通常采用線性函數(shù)形式,即式(10),其中a為系數(shù).
dt=f[I(t)],
(9)
(10)
對于口罩和防護(hù)服等每天或每隔一段時間需要更換的物資,其需求為患病感染者的函數(shù),根據(jù)式(9),可以得到t和t+1時刻該類物資需求量分別為dt和dt+1.對于呼吸機(jī)和床位這類可以反復(fù)使用的物資,其需求量會隨時間變化,早期醫(yī)療物資配置會在一定程度上減緩疫情,并影響后期物資實(shí)際需求量.實(shí)際應(yīng)急救援中,t時刻可能會有pt單位的救援物資到達(dá).在這種情況下,t+1時刻實(shí)際需要配送的物資量為dt+1-pt,而不是dt+1.引入因子ηt,建立式(11)衡量前期物資配置量對后期物資需求的影響.
(11)
患病感染者接受一定時間的治療后恢復(fù)健康,假設(shè)患病感染者的治療周期為Γ,有效治愈率為δ,得到t=1時刻的醫(yī)療物資需求量,如式(12)所示;t=2和t=3時刻的醫(yī)療物資需求量,分別如式(13)和(14)所示.
(12)
(13)
(14)
由式(12)~(14),得到遞推公式(15),也即t=n時刻的醫(yī)療物資需求量.
(15)
以每天為一個決策周期,計算得到時變需求下每天的物資需求量.
在疫情演化過程中,信息不確定且實(shí)時更新,應(yīng)用貝葉斯決策可以建立更符合實(shí)際的物資預(yù)測模型.采用貝葉斯分析對收集到的信息進(jìn)行更新,建立貝葉斯序貫決策模型,以1 d作為決策周期對疫情信息進(jìn)行觀測;基于先驗信息和觀測得到的信息,采用貝葉斯方法計算后驗信息;根據(jù)每個周期的后驗信息預(yù)測物資需求量.為充分利用初始先驗信息和每個周期的觀測信息,將每個周期的后驗信息作為后一周期的先驗信息,根據(jù)觀測信息不斷推進(jìn),降低信息不確定性[23].
t:決策周期,t∈T;
β:患病感染者的傳染概率;
It:t周期(時刻)患病感染者數(shù)量;
ω:每個患病感染者在每個決策周期需要的單位物資數(shù)量;
nt:t周期傳染概率觀測次數(shù);
Vt:t周期物資需求量.
當(dāng)物資預(yù)測量小于需求量時,決策產(chǎn)生損失.在觀測到信息后再制定物資需求決策,無法滿足觀測信息前的需求,造成物資配置延遲,產(chǎn)生延遲損失.由于疫情信息不確定導(dǎo)致物資配置不能滿足實(shí)際需求,造成失誤損失.第t周期的延誤損失、失誤損失和加權(quán)損失函數(shù)分別如式(16)~(18)所示:
(16)
(17)
(18)
(19)
(20)
采用SEIR模型對湖北每日新增患病感染人數(shù)進(jìn)行預(yù)測,參考相關(guān)文獻(xiàn)和報道[13],模型中相關(guān)參數(shù)的定義和取值見表2.
表2 參數(shù)定義和取值Tab.2 Parameter definitions and values
湖北省總?cè)丝谟嫗?9 170 000.從2020年1月11日開始統(tǒng)計,11日湖北有患病感染人數(shù)41人,SEIR模型預(yù)測的每日患病感染人數(shù)與實(shí)際每日患病感染人數(shù)如圖4.
圖4 預(yù)測患病感染人數(shù)與實(shí)際人數(shù)比較Fig.4 The predicted number of infections compared with the actual number
圖4中藍(lán)線為預(yù)測每日患病感染人數(shù),綠線表示實(shí)際每日患病感染人數(shù).兩條曲線的走勢大致相同,相關(guān)系數(shù)為72.58%.
受到統(tǒng)計標(biāo)準(zhǔn)影響,2月12日(第33天)出現(xiàn)了非常大的峰值,模型出現(xiàn)較大誤差.因此,以2月11日(第32天)和13日(第34天)新增患病感染人數(shù)的平均值代替原始數(shù)據(jù),對其進(jìn)行修正.此外,1月11日湖北新增患病感染人數(shù)為41例,受到初期檢測技術(shù)和排查范圍的影響,接下來的4 d新增患者數(shù)量均為0.為進(jìn)一步降低誤差,以1月16日(第6天)作為初始時刻統(tǒng)計患病感染人數(shù).
圖5 預(yù)測患病感染人數(shù)與實(shí)際人數(shù)比較(修正)Fig.5 The predicted number of infections compared with the actual number (revision)
采用1月16日到4月14日這90 d的數(shù)據(jù)對預(yù)測模型進(jìn)行修正,結(jié)果如圖5所示.預(yù)測每日患病感染人數(shù)與實(shí)際每日患病感染人數(shù)的相關(guān)系數(shù)達(dá)到91.83%,SEIR模型與實(shí)際情況貼合較好,模型能較準(zhǔn)確地描述疫情演化情況.
采用時變需求模型計算每日物資需求量,假設(shè)患病感染者治療周期為Γ=15,有效治愈率為δ=0.25,a=1表示每個患病感染者每日物資需求量為1個單位.
圖6 基于預(yù)測患病感染人數(shù)的時變需求模型物資需求量Fig.6 The material demand of time varying model based on the predicted number of infections
采用SEIR模型預(yù)測每日患病感染人數(shù),根據(jù)式(10)計算傳統(tǒng)物資需求量,如圖6藍(lán)線所示.根據(jù)式(15)計算時變物資需求量,如圖6綠線所示.兩條曲線趨勢一致,時變需求量在期初與傳統(tǒng)需求量一致,之后逐漸小于傳統(tǒng)需求量.
根據(jù)實(shí)際每日新增患病感染人數(shù),分別計算傳統(tǒng)物資需求量和時變物資需求量,具體如圖7.
圖7 基于實(shí)際患病感染人數(shù)的時變需求模型物資需求量Fig.7 The material demand of time varying model based on the actual number of infections
根據(jù)式(10)計算傳統(tǒng)物資需求量,如圖7藍(lán)線所示.根據(jù)式(15)計算時變物資需求量,如圖7綠線所示.考慮到前期物資配給量對后期需求量的影響,時變需求量整體小于傳統(tǒng)需求,時變需求曲線與傳統(tǒng)需求曲線的趨勢基本一致.
假設(shè)決策周期初始湖北省的感染率服從均值為1.019 8,標(biāo)準(zhǔn)差為0.543 4的正態(tài)分布[23],每日觀測次數(shù)為隨機(jī)生成的正態(tài)分布隨機(jī)數(shù),取值范圍為1到4.當(dāng)一天有多次觀測時,取多個觀測值的平均值和標(biāo)準(zhǔn)差作為觀測均值和標(biāo)準(zhǔn)差.根據(jù)每一天患病感染人數(shù)計算當(dāng)天感染率,并與期初的感染率相比較,求得下一周期感染率的均值和標(biāo)準(zhǔn)差.采用貝葉斯序貫決策模型預(yù)測物資需求量,并與傳統(tǒng)需求進(jìn)行比較,具體如圖8、圖9所示.
圖8 基于預(yù)測患病感染人數(shù)的貝葉斯序貫決策模型物資需求量Fig.8 The material demand of Bayesian sequential model based on the predicted number of infections
基于SEIR模型對每日患病感染人數(shù)進(jìn)行預(yù)測,根據(jù)式(10)計算得到傳統(tǒng)物資需求量,如圖8中藍(lán)線所示.根據(jù)式(20)計算貝葉斯模型物資需求量,如圖8中綠線所示.貝葉斯模型需求量受傳染概率影響,呈現(xiàn)出上下局部波動的趨勢.
根據(jù)實(shí)際每日新增患病感染人數(shù),計算傳統(tǒng)物資需求量和貝葉斯模型物資需求量,分別如圖9中藍(lán)線和綠線所示.假設(shè)傳染概率不斷更新,根據(jù)前一階段的先驗概率和這一階段的觀察值求得這一階段的傳染概率,不斷調(diào)整傳染概率值.貝葉斯模型需求量與傳統(tǒng)物資需求量的趨勢一致,兩條曲線貼合情況較好.
圖9 基于實(shí)際患病感染人數(shù)的貝葉斯物資需求量Fig.9 The material demand of Bayesian sequential model based on the actual number of infections
根據(jù)預(yù)測患病感染人數(shù),分別采用時變需求模型和貝葉斯模型對物資需求進(jìn)行預(yù)測,兩種模型與傳統(tǒng)物資需求量的誤差見圖10.
圖10 基于預(yù)測患病感染人數(shù)的兩種模型的需求預(yù)測誤差Fig.10 Demand forecasting errors of the two models based on the predicted number of infections
時變需求模型的誤差逐步增加,到達(dá)峰值后逐步減小,最后趨于0;患病感染人數(shù)越多,誤差越大.貝葉斯模型的物資預(yù)測量受到傳染概率影響,誤差呈現(xiàn)出隨機(jī)波動趨勢,并隨著患病感染人數(shù)減少逐漸變小.
根據(jù)實(shí)際患病感染人數(shù),分別采用時變需求模型和貝葉斯模型對物資需求進(jìn)行預(yù)測,兩種模型與傳統(tǒng)物資需求量的誤差見圖11.
時變需求模型的誤差與實(shí)際患病感染人數(shù)趨勢一致,先逐漸增加,到達(dá)峰值后逐步減小,最后趨于0.患病感染人數(shù)越多,誤差越大.貝葉斯模型的物資預(yù)測量受到傳染概率的影響,其誤差呈現(xiàn)出隨機(jī)波動的趨勢,出現(xiàn)峰值的日期與患病感染人數(shù)出現(xiàn)峰值的日期基本一致.
圖11 基于實(shí)際患病感染人數(shù)的兩種模型的需求預(yù)測誤差Fig.11 Demand forecasting errors of the two models based on the actual number of infections
基于預(yù)測和實(shí)際患病感染人數(shù)兩種情況,時變需求模型和貝葉斯需求模型與傳統(tǒng)需求的總誤差統(tǒng)計見表3.
表3 兩種模型總誤差Tab.3 Total errors of the two models
基于預(yù)測患病感染人數(shù),時變需求模型和貝葉斯需求模型與傳統(tǒng)需求量的總誤差分別為28 813.18和4 634.09.規(guī)劃周期內(nèi)預(yù)測患病感染人數(shù)的總和為50 943人,因此,其百分比誤差分別為56.56%和9.10%.基于實(shí)際患病感染人數(shù),時變需求模型和貝葉斯需求模型與傳統(tǒng)需求量的總誤差分別為21 967.94和8 425.35,規(guī)劃周期內(nèi)實(shí)際患病感染人數(shù)的總和為57 477人,因此,其百分比誤差分別為38.22%和14.66%.兩種情況下,貝葉斯需求模型的誤差均小于時變需求模型.
新冠肺炎疫情自2019年12月底出現(xiàn)后在全世界傳播蔓延,引起了全球的廣泛關(guān)注.目前,我國總體上疫情防控局勢穩(wěn)定,但各地仍不時出現(xiàn)零星病例,而國外疫情態(tài)勢仍十分嚴(yán)峻.本文根據(jù)代表性事件和患病感染人數(shù)特征,將新冠肺炎疫情的傳播演化分為產(chǎn)生—爆發(fā)—高峰—衰退四個階段,分析每個階段的特征.基于經(jīng)典SEIR模型,考慮本次疫情的隔離措施和潛伏期感染者轉(zhuǎn)陰特征建立傳播模型,預(yù)測每日患病感染人數(shù).根據(jù)預(yù)測患病感染人數(shù)和實(shí)際患病感染人數(shù),采用時變需求模型預(yù)測每日物資需求量.最后,考慮傳染概率不斷更新的情況,建立貝葉斯序貫決策模型預(yù)測每日物資需求量.在預(yù)測和實(shí)際患病感染人數(shù)兩種場景下,貝葉斯模型的與傳統(tǒng)需求模型的誤差均小于時變需求模型的.
面對突如其來的疫情和不斷變化的形勢,政府加強(qiáng)信息平臺建設(shè),實(shí)時更新疫情信息,可有效防止小道消息和謠言散播而加劇群眾恐慌,引起物資哄搶或其他惡劣行為.與此同時要制定并完善應(yīng)對大規(guī)模傳染病的應(yīng)急預(yù)案,建立針對不同災(zāi)難的應(yīng)急物資儲備體系,同時有效開展物資生產(chǎn)和運(yùn)輸活動,保證疫情重點(diǎn)區(qū)域和其他區(qū)域的物資穩(wěn)定快速供應(yīng),為疫情防控提供重要物質(zhì)基礎(chǔ).另外,還需要建立科學(xué)的物資預(yù)測和配送體系,根據(jù)實(shí)時更新的信息預(yù)測物資需求并制定合理的物資分配方案,要防止倉庫物資堆積如山居民卻物資供應(yīng)不足的情況出現(xiàn),確保物資能得到有效利用.
此次新冠肺炎疫情在老年患者中傳染概率較高,且男性患者比例高于女性.此外,除了傳染概率,康復(fù)率、死亡率和潛伏者轉(zhuǎn)陰概率也隨著時間不斷變化.進(jìn)一步的研究中,可以在SEIR模型中考慮年齡和性別等因素,建立更符合新冠疫情的傳播模型;同時考慮其他關(guān)鍵信息的不斷更新,以更準(zhǔn)確預(yù)測物資需求量.