پویایی شناسی ویروس کرونا
⭕️ پدیده ویروس کرونا تا به امروز حدود ۷۵ کشور را درگیر خود کرده است و فعالیت‌های روزمره را در بسیاری از آنها با مشکل مواجه کرده است. متاسفانه شایعات بی‌اساس در فضای مجازی هم وحشت عمومی در این زمینه را تقویت کرده و عملاً منجر به رکود فعالیت‌های اقتصادی، فرهنگی و اجتماعی شده است. در این مجال سعی کرده‌ام با کمک متدولوژی پویایی‌شناسی سیستم‌ها رفتار اپیدمیک این ویروس را تا حدی تشریح کنم.
⚠️ قبل پرداختن به مطلب لازم است مفروضات مدل‌سازی را توضیح دهم تا معیار درستی از اعتبار نتایج مدل در اختیار مخاطب قرار داده شود. این مفروضات عبارتند از:
▪️نرخ مرگ و میر ناشی از بیماری برابر با ۳٫۴ درصد حسب آخرین تحقیقات اعلام شده توسط WHO در نظر گرفته شده است. شایان ذکر است که تا یک هفته پیش این نرخ را حدود ۲ درصد برآورد کرده بودند.
▪️متوسط زمان بیماری در صورت مرگ حدود ۱۰ روز در صورت بهبودی حدود ۸ روز برآورد شده است.
▪️نرخ سرایت برای هر بیمار برابر با ۴ نفر در شش روز لحاظ شده است.
▪️فرض شده است در صورت بهبود دیگر فرد مبتلا به بیماری نمی شود.
🔴 اما خلاصه نتایج:
🔸 باید دقت کرد که مدل با ساده‌سازی واقعیت ایجاد شده است و برخی پارامترها همچنان ممکن است با تحقیقات آتی دقیقتر شوند. لذا بیشتر از مقادیر متغیرها، رفتار آنها باید در تحلیل مد نظر قرار گیرد.
🔸شاید مهم‌ترین متغیر مدل تعداد مبتلایان باشد که از رفتار #Overshoot_and_Collapse پیروی می‌کند. این بدین معناست که ابتدا یک رفتار رشد نمایی در تعداد مبتلایان دیده می‌شود و سپس به شکل نمایی منفی این مقدار به صفر سقوط می‌کند. در شبیه‌سازی انجام گرفته اوج تعداد مبتلایان حدود ۱٫۵ ماه بعد از شروع اپیدمی بوده است که البته با توجه به دقت پارامترها ممکن است دقیق نباشد. اما رفتار نشان‌دهنده آن است که بعد از اوج سقوط را خواهیم دید.
🔸میزان مرگ و میر نیز دارای رفتار #S_Shape است که باز نشان دهنده آن است که ابتدا با نرخ نمایی تعداد مرگ و میر رشد کرده اما سپس یک رفتار هدف جو خواهد داشت و به یک مقدار مشخص (همان مقدار هدف) به صورت مجانبی نزدیک می‌شود. لذا در مورد مرگ و میر هم به مرور زمان نگرانی از بین خواهد رفت.
🔸 جمعیت بهبود یافتگان هم مانند میزان مرگ و میر دارای رفتار S شکل است با تفاوت که از نظر تعداد به مراتب بالاتر از میزان مرگ و میر خواهد بود.
🔸باید دقت کرد که در مدل‌سازی صورت گرفته #بدترین_شرائط (Worst case) مدل‌سازی شده است و تأثیر سیاست‌های جلوگیری دیده نشده است و پارامترها هم با عملکرد ۱۰۰ درصدی لحاظ شده اند. برای مثال کل جمعیت در معرض بوده‌اند که قطعا در واقعیت اینطور نخواهد بود.
🔸نتیجه شبیه‌سازی نشان می دهد که سیاست قرنطینه تأثیر زیادی روی موضوع نخواهد داشت و فقط میزان تأخیر ابتلاء را بیشتر می‌کند. لذا تنها زمانی موثر خواهد بود که مثلا با افزایش دما ویروس نابود شده و یا اینکه واکسن یا راه درمان قطعی برای ویروس شناخته شود در غیر اینصورت تنها زمان ابتلاء به تأخیر خواهد افتاد.
🔸 مدیریت زمان ابتلاء و پیک ابتلاء از منظر سیاست‌گذاری حکومتی بسیار مهم است و با توجه به محدودیت منابع حتما باید مورد نظر قرار گیرد. در شبیه‌سازی ما ۱٫۵ ماه زمان پیک ابتلاء بوده است که در آن شرائط مدیریت امور در صورت عدم پیش‌بینی مناسب بسیار سخت خواهد بود.
🔴 البته تحلیل‌های بسیار بیشتری را می‌توان در در مورد رفتار این ویروس و تأثیر سیاست‌های مقابله بیان کرد که به دلیل کوتاه بودن مجال از آنها اجنتاب می‌کنم. امید است با استفاده از ابزارهای علمی و به خصوص تفکر سیستمی در نظامات مدیریتی کشور شاهد برخورد مناسب‌تری با بحران‌ها و مشکلات باشیم.
