Использование клеточного автомата для оценки влияния городской планировки на социоэкономические показатели при распространении эпидемий
https://doi.org/10.15514/ISPRAS-2024-36(5)-15
Аннотация
В работе рассматривается влияние городской планировки на социоэкономические факторы, полученные из эпидемиологических показателей путем моделирования распространения эпидемии с помощью клеточного автомата. Показывается, что (при одинаковом соотношении площадей районов с высокой и низкой плотностью) планировка влияет на распространение эпидемии, причем существует оптимальная планировка, которая минимизирует экономические убытки и смертность. Несмотря на модельность подхода, результат свидетельствует о том, что ущерб от пандемии может быть снижен благодаря грамотной градостроительной политике.
При поддержке: Работа выполнена при поддержке Российского Научного фонда (проект 23-71-10068).
Об авторе
Степан Алексеевич ЕЛИСТРАТОВ
Институт системного программирования имени В.П. Иванникова,
Институт математики СО РАН
Россия
Россия
Сотрудник Лаборатории цифрового моделирования технических систем Института системного программирования с 2021 года. Сфера научных интересов: математическое моделирование, прогностические модели, методы пониженной размерности.
Список литературы
1. Wynants L. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal / L. Wynants, B. Van Calster, G.S. Collins, R.D. Riley // BMJ. – 2020. – 369. DOI: 10.1136/bmj.m1328.
2. M. Riaz, M. Hussain Sial, S. Sharif, Q. Mehmood. Epidemiological Forecasting Models Using ARIMA, SARIMA, and Holt–Winter Multiplicative Approach for Pakistan // Journal of Environmental and Public Health, 2023, 8907610, 8 pages, 2023. https://doi.org/10.1155/2023/8907610.
3. A. Bakhta, T. Boiveau, Y. Maday, O. Mula, Epidemiological Forecasting with Model Reduction of Compartmental Models. Application to the COVID-19 Pandemic // Biology (2021), 10, 22. https://doi.org/10.3390/biology10010022.
4. V. Petrakova, O. Krivorotko. Mean field game for modeling of COVID-19 spread // Journal of Mathematical Analysis and Applications, 514(1), 2022, https://doi.org/10.1016/j.jmaa.2022.126271.
5. Doncel, Josu, Nicolas Gast, and Bruno Gaujal. A mean field game analysis of SIR dynamics with vaccination. // Probability in the Engineering and Informational Sciences 36(2): 482–99, 2022. doi: 10.1017/S0269964820000522.
6. Ghilli, D., Ricci, C. & Zanco, G. A mean field game model for COVID-19 with human capital accumulation. Econ Theory 77, 533–560 (2024). https://doi.org/10.1007/s00199-023-01505-0.
7. P. Patlolla, V. Gunupudi, A. Mikler, Armin and R.T. Jacob (2004). Agent-Based Simulation Tools in Computational Epidemiology. 212-223. 10.1007/11553762_21.
8. Perez L, Dragicevic S. An agent-based approach for modeling dynamics of contagious disease spread. Int J Health Geogr. 2009 Aug 5;8:50. doi: 10.1186/1476-072X-8-50.
9. Tracy M, Cerdá M, Keyes KM. Agent-Based Modeling in Public Health: Current Applications and Future Directions. Annu Rev Public Health. 2018 Apr 1;39:77-94. doi: 10.1146/annurev-publhealth-040617-014317.
10. Bissett, K.R., Cadena, J., Khan, M. et al. Agent-Based Computational Epidemiological Modeling. J Indian Inst Sci 101, 303–327 (2021). https://doi.org/10.1007/s41745-021-00260-2.
11. Anwar A, Anwar S, Ayub M, Nawaz F, Hyder S, Khan N, Malik I. Climate Change and Infectious Diseases: Evidence from Highly Vulnerable Countries. Iran J Public Health. 2019 Dec;48(12):2187-2195. PMID: 31993386; PMCID: PMC6974868.
12. Mecenas P, Bastos RTDRM, Vallinoto ACR, Normando D. Effects of temperature and humidity on the spread of COVID-19: A systematic review. PLoS One. 2020 Sep 18;15(9):e0238339. doi: 10.1371/journal.pone.0238339.
13. Ganasegeran K, Jamil MFA, Ch'ng ASH, Looi I, Peariasamy KM. Influence of Population Density for COVID-19 Spread in Malaysia: An Ecological Study. Int J Environ Res Public Health. 2021 Sep 18;18(18):9866.
14. Hazarie, S., Soriano-Paños, D., Arenas, A. et al. Interplay between population density and mobility in determining the spread of epidemics in cities. Commun Phys 4, 191 (2021). https://doi.org/10.1038/s42005-021-00679-0.
15. Montoya ID. Topography as a contextual variable in infectious disease transmission. Clin Lab Sci. 2004 Spring;17(2):95-101.
16. Henstell, Samantha (2019). "The Role of Urban Planning in the Spread of Communicable Diseases," Agora Journal of Urban Planning and Design, 26-32.
17. Arifin, S.M.N.; Arifin, R.R.; Pitts, D.D.A.; Rahman, M.S.; Nowreen, S.; Madey, G.R.; Collins, F.H. Landscape Epidemiology Modeling Using an Agent-Based Model and a Geographic Information System. Land 2015, 4, 378-412. https://doi.org/10.3390/land4020378
18. Fuentes M.A. Cellular automata and epidemiological models with spatial dependence / M.A. Fuentes, M.N. Kuperman // Physica A: Statistical Mechanics and its Applications. – 1999. – 267(3). – p. 471-486. – URL: https://www.sciencedirect.com/science/article/pii/S0378437199000278 DOI: 10.1016/S0378-4371(99)00027-8.
19. White S.H. Modeling epidemics using cellular automata / S.H. White, A.M. Del Rey, G.R. Sanchez // Appl Math Comput. – 2006. – 186(1). – p. 193-202. DOI: 10.1016/j.amc.2006.06.126.
20. Krivorotko O. Agent-based modeling of COVID-19 outbreaks for New York state and UK: Parameter identification algorithm / O. Krivorotko, M. Sosnovskaia, I. Vashchenko, C. Kerr // Infect Dis Model. – 2024. – 7(1). – p. 30-44. DOI: 10.1016/j.idm.2021.11.004.
21. W. Song, Z. Yunlin, X. Zhenggang, Y. Guiyan, H. Tian, Huang and M. Nan. Landscape pattern and economic factors’ effect on prediction accuracy of cellular automata-Markov chain model on county scale // Open Geosciences, vol. 12, no. 1, 2020, pp. 626-636. https://doi.org/10.1515/geo-2020-0162.
22. Yeh, A.G.O., Li, X., Xia, C. (2021). Cellular Automata Modeling for Urban and Regional Planning. In: Shi, W., Goodchild, M.F., Batty, M., Kwan, MP., Zhang, A. (eds) Urban Informatics. The Urban Book Series. Springer, Singapore. https://doi.org/10.1007/978-981-15-8983-6_45.
23. Гребенников Р.В. (2011). Моделирование поведения толпы с использованием локальных скалярных полей (диссертация на соискание степени к.т.н., Воронеж, 2011).
24. М. Е. Степанцов, Математическая модель направленного движения группы людей. Матем. Моделирование, 2004, том 16, номер 3, 43–49
25. И. В. Деревич, А. А. Панова, Стохастическая модель движения группы индивидов в ограниченном пространстве с учетом их социального поведения. Матем.
26. моделирование, 2023, том 35, номер 6, 51–62.
27. Managi S, Chen Z. Social-economic impacts of epidemic diseases. Technol Forecast Soc Change. 2022 Feb;175:121316. doi: 10.1016/j.techfore.2021.121316.
28. Nicola M, Alsafi Z, Sohrabi C, Kerwan A, Al-Jabir A, Iosifidis C, Agha M, Agha R. The socio-economic implications of the coronavirus pandemic (COVID-19): A review. Int J Surg. 2020 Jun;78:185-193. doi: 10.1016/j.ijsu.2020.04.018.
29. Samui P, Mondal J, Khajanchi S. A mathematical model for COVID-19 transmission dynamics with a case study of India. Chaos Solitons Fractals. 2020 Nov;140:110173. doi: 10.1016/j.chaos.2020.110173
30. Wu Y, Kang L, Guo Z, Liu J, Liu M, Liang W. Incubation Period of COVID-19 Caused by Unique SARS-CoV-2 Strains: A Systematic Review and Meta-analysis. JAMA Netw Open. 2022 Aug 1;5(8):e2228008.
31. Ma T, Ding S, Huang R, Wang H, Wang J, Liu J, Wang J, Li J, Wu C, Fan H, Zhou N. The latent period of coronavirus disease 2019 with SARS-CoV-2 B.1.617.2 Delta variant of concern in the postvaccination era. Immun Inflamm Dis. 2022 Jul;10(7):e664.
32. Park M, Pawliuk C, Nguyen T, Griffitt A, Dix-Cooper L, Fourik N, Dawes M. Determining the communicable period of SARS-CoV-2: A rapid review of the literature, March to September 2020. Euro Surveill. 2021 Apr;26(14):2001506. doi: 10.2807/1560-7917.ES.2021.26.14.2001506.
33. https://www.publichealthontario.ca/-/media/documents/ncov/covid-wwksf/2021/03/wwksf-period-of-communicability-overview.pdf?la=en.
34. Baud D, Qi X, Nielsen-Saines K, Musso D, Pomar L, Favre G. Real estimates of mortality following COVID-19 infection. Lancet Infect Dis. 2020 Jul;20(7):773. doi: 10.1016/S1473-3099(20)30195-X.
Рецензия
Для цитирования:
ЕЛИСТРАТОВ С.А. Использование клеточного автомата для оценки влияния городской планировки на социоэкономические показатели при распространении эпидемий. Труды Института системного программирования РАН. 2024;36(5):219-226. https://doi.org/10.15514/ISPRAS-2024-36(5)-15
For citation:
ELISTRATOV S.A. Cellular Automaton Approach for the Urban Planning Influence Estmation on the Social and Economic Indicators while a Disease Spreading. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2024;36(5):219-226. (In Russ.) https://doi.org/10.15514/ISPRAS-2024-36(5)-15
Послать статью по эл. почте 