Динамические байесовские сети при решении задач стратегического и оперативного планирования сдерживания пандемий

Применение государственных мероприятий сдерживания пандемии требует эффективного решения задач оперативного и стратегического планирования и охвата всего без исключения населения страны. Данное исследование направлено на выявление взаимосвязей между показателями эпидемического процесса и показателями реагирования государства в рамках сдерживания пандемии COVID-19. Выявлена последовательность противоэпидемических мероприятий, способствующая снижению заболеваемости населения и росту экономического потенциала страны. Исследование выполнено на примере России. Использованы еженедельные статистические данные за период с января по декабрь 2020 г. по показателям, характеризующим развитие эпидемического процесса COVID-19 и реализацию государственных противоэпидемических мероприятий (источник – Oxford COVID-19 Government Response Tracker). Построена динамическая байесовская сеть. При обучении сети использован алгоритм «a variation on Ghada Trabelsi’s dynamic max-min hill climbing». Расчеты выполнены с применением библиотеки dbnR языка программирования R. Выявлены следующие типы взаимосвязей между показателями развития эпидемического процесса COVID-19 и государственными мероприятиями сдерживания пандемии: 1) краткосрочные; 2) долгосрочные; 3) самовлияния. Государственные противоэпидемические мероприятия формируют сложную динамическую структуру, которая определяет закономерности их воздействия на сдерживание роста заболеваемости населения России COVID-19. Эпидемический процесс характеризуется эффектом памяти: изменение заболеваемости и смертность населения в текущий момент будут являться причиной изменения показателей данного процесса в будущем. Эффективная реализация государственных противоэпидемических мероприятий способствует снижению роста заболеваемости и смертности населения от COVID-19. При этом необходимо соблюдать строгую последовательность противоэпидемических мероприятий: начинать с реализации мер в сфере здравоохранения, затем постепенно подключать ограничительные государственные мероприятия, далее – мероприятия государственной экономической поддержки населения. Особое внимание необходимо обращать на реализацию двух видов мероприятий: 1) ограничения по проведению собраний; 2) экономическая поддержка населения, поскольку они подвержены значительному влиянию со стороны различных факторов. При этом ограничение на передвижение общественного транспорта не оказывает значимого влияния на заболеваемость и смертность населения от COVID-19.

1. Doubled mortality rate during the COVID-19 pandemic in Italy: quantifying what is not captured by surveillance / A. Odone, D. Delmonte, G. Gaetti, C. Signorelli // Public Health. 2021. Vol. 190. Pp. 108–115. URL: https://doi.org/10.1016/j.puhe.2020.11.016 (дата обращения: 14.01.2024).

2. Yousefpour A., Jahanshahi H., Bekiros S., Optimal policies for control of the novel coronavirus disease (COVID-19) outbreak // Chaos, Solitons & Fractals. 2020. Vol. 136. URL: https://doi.org/10.1016/j.chaos.2020.109883 (дата обращения: 14.01.2024).

3. The impact of various policy factors implemented for controlling the spread of COVID-19 / P.N. Senthil Prakash, B. Hariharan, S. Kaliraj [et al.] // Materials Today : proceedings. 2021. URL: https://doi.org/ 10.1016/j.matpr.2021.01.524 (дата обращения: 14.01.2024).

4. Wang Y. Government policies, national culture and social distancing during the first wave of the COVID19 pandemic: International evidence // Safety Science. 2021. Vol. 135. URL: https://doi.org/10.1016/j.ssci.2020.105138 (дата обращения: 14.01.2024).

5. COVID-ABS: an agent-based model of COVID-19 epidemic to simulate health and economic effects of social distancing interventions / Petrônio C.L. Silva, Paulo V.C. Batista, Hélder S. Lima [et al.] // Chaos, Solitons & Fractals. 2020. Vol. 139. URL: https://doi.org/10.1016/j.chaos.2020.110088 (дата обращения: 14.01.2024).

6. Public health effects of travel-related policies on the COVID-19 pandemic: A mixed-methods systematic review / Lama Bou-Karroum, Joanne Khabsa, Mathilda Jabbour [et al.] // Journal of Infection. 2021. Vol. 83, Issue 4. Pp. 413–423. URL: https://doi.org/10.1016/j.jinf.2021.07.017 (дата обращения: 14.01.2024).

7. López D.Q., Castilla G.A.V. Gaussian dynamic Bayesian networks structure learning and inference in R. 2019. URL: https://www.researchgate.net/publication/337545669_Gaussian_dynamic_Bayesian_networks_structure_learning_and_inference_in_R (дата обращения: 14.01.2024).

8. Trabelsi G. New structure learning algorithms and evaluation methods for large dynamic Bayesian networks. URL: https://tel.archives-ouvertes.fr/tel-00996061/document (дата обращения: 14.01.2024).

9. Ontañón S., Montaña J.L., Gonzalez A.J. A Dynamic-Bayesian Network framework for modeling and evaluating learning from observation // Expert Systems with Applications. 2014. Vol. 41, Issue 11. Pp. 5212– 5226. URL: https://doi.org/10.1016/j.eswa.2014.02.049 (дата обращения: 14.01.2024).