Forwarded from یادداشتهای یک معلم تفکر سیستمی (Mohammad Ali Esmaeilzadeh)
مدلسازی_شیوع_بیماری_کرونا_2_981223_pdf.pdf
1.1 MB
981224-CoronaVirus Model.pdf.pdf
1.1 MB
مدل پويايي شناسي سيستم گسترش كرونا در ايران
در تدوين اين مدل از نظرات گروه تلگرامي پويايي شناسي سيستم ها استفاده شده است
در تدوين اين مدل از نظرات گروه تلگرامي پويايي شناسي سيستم ها استفاده شده است
981225- 2 CoronaVirus Model.pdf.pdf
1.3 MB
نسخه دوم مدل پويايي شناسي سيستم گسترش كرونا در ايران
981226- 2 CoronaVirus Model.pdf.pdf
1.4 MB
نسخه جديد (سوم) مدل پويايي شناسي سيستم گسترش كرونا در ايران
Forwarded from بریدهها و برادهها
مقاله علمی: مدلسازی جهت تخمین شیوع بیماری کوید-19 در ایران
نوید غفارزادگان و هژیر رحمانداد
خلاصه فارسی مقاله
ابعاد شیوعِ بیماریِ ناشی از ویروس کرونا از مرزهای جغرافیایی فراتر رفته است و هماکنون بسیاری از کشورها با چالشهای ناشی از آن روبرو هستند. برای توسعه سیاستهای موثر در برابر گسترش ویروس، نیاز به دادههای قابل اطمینان در مورد بیماری و روند رشد آن وجود دارد، اما داده های رسمی در بسیاری از کشورها تخمینی پایین دستی از واقعیت ارائه میکند. در این شرایط، سیاستگذاران و عموم جامعه نیاز به مدلهایی دارند که با ترکیب دادههای مختلف رسمی و غیررسمی تصویری جامعتر از ابعاد همهگیری فراهم کنند. در این مطالعه، نمونهای از این رویکرد با تمرکز بر موردکاوی ایران ارائه شده است.
این مطالعه به توسعه و تخمین مدلی دینامیکی از گسترش بیماری و تطبیق آن با دادههای رسمی و غیررسمی از میزان بیماری و مرگ و میر میپردازد. تفاوت این مدل با مدلهای رایج در این است که متغیرهای درصد تست و سطح تعاملات اجتماعی، درونزا بوده و از گسترش بیماری بازخورد میگیرند. در این مدل، آمار رسمی، آمار غیررسمی و آمار واقعی، متغیرهای جدا و در عین حال وابسته هستند. کالیبراسیونِ این مدل، با درنظر گرفتن آمار رسمی و غیررسمی، به تخمینِ درصدِ تست و درصد پوشش آمار غیررسمی میانجامد، و به این ترتیب تعداد واقعی بیماران به صورت مجزا تخمین زده میشود.
مدل ارائه شده، با تخمین نسبتهای مربوط به تست، در حد مطلوبی قادر به بازسازی دادههای رسمی و غیررسمی موجود است. تصویر الف و ب در شکل 1 کیفیت همخوانی خروجی مدل با دادههای موجود را نشان میدهد. نتایج، حاکی از آن است که درصد کمی (حدود 2.5% ) از کل بیماران تست شدهاند و در میان متوفیان نیز تست پس از مرگ در حدود 26% است. دلایل مختلف، اعم از کمعارضه بودن بیماری در اکثریت مبتلایان، ظرفیتهای محدود آزمایشگاهی و کیتهای تست، و تاخیر در فرآیند تست میتواند کمبودن درصد تست را توضیح دهد. در چنین شرایطی، شبیه سازی این مدل، ما را به تخمینِ 493 هزار موردِ فعلی بیماری (بازه اطمینان 90 درصد: 271 هزار تا 810 هزار) در تاریخ اول فروردین 99 میرساند. تخمین این مدل، برای موارد انباشته بیماری، از ابتدا تا همان تاریخ، بالغ بر 916 هزار (بازه اطمینان 90 درصد: 508 هزار تا 1.5 میلیون) و میزان مرگ و میر، بالغ بر 15485 (بازه اطمینان 90 درصد: 8400 تا 25800) مورد است. با توجه به محدودیتهای مدل، و طبیعت پیچیده مسئله، در بررسی این تخمینها، باید توجه ویژه به بازه اطمینان 90 درصد نیز نمود که نشان از میزان عدم قطعیت در تخمینهاست. با این حال اعداد تخمینی نشان از عمق پخش بیماری در سطح جامعه، عدم تست کافی برای تشخیص موارد با وجود رشد در تعداد تستها، و نیاز به سیاستگذاری موثر هم در بهبود تست و هم در کاهش تعاملات اجتماعی دارد. با توجه به تخمینهای این شبیه سازی به نظر میرسد کاهش تعاملات اجتماعی تا پیش از نوروز 1399 تا حدودی در آهسته کردن رشد بیماری موثر بوده (تصویر پ)، اما روند طولانی مدت در درجه اول به عملکرد شهروندان در پایین نگه داشتن تعاملات فیزیکی باز می گردد. برای مثال در صورتی که طبق مفروضات مدل مردم با کاهش مرگ و میر ناشی از بیماری نسبتا سریع به حضور فعال در جامعه بازگردند, میتوان منتظر یک اوج دیگر در پخش بیماری بود. به علاوه روندها وابسته به سیاستهای مسوولین و تاثیر شرایط جوی است. بر اساس تخمینهای این مدل، ممکن است تا اوایل تیرماه، در بهترین سناریوها (کاهش سریع بیماری با توجه جدی سیاستگذار بر کاهش تعاملات و تاثیر مثبت شرایط جوی)، یک میلیون و ششصدهزار نفر به بیماری مبتلا بشوند و تعداد مرگ و میر بالغ بر پنجاه و هشت هزار نفر باشد، هرچند که باید به بازه بزرگ عدم قطعیت در این تخمینها توجه جدی کرد (تصویر ت). در سناریوهای بدتر، میزان مرگ و میر ممکن است به 103 هزار مورد برسد. برای جلوگیری از وقوع سناریوهای بدتر تمرکز همهجانبه سیاستگذاران برای پایین نگهداشتن تماسهای اجتماعی الزامی است. در نهایت، اعلام زودهنگام پیروزی، ممکن است به بازگشت دوباره بیماری بیانجامد و از این رو سیاستگذاران قبل از کاستن از تمهیدات باید اطمینان ویژه از پایان شیوع بیماری پیدا کنند هرچند مشکلات مربوط به گسترش ویروسِ کرونا معطوف به ایران نبوده و هماکنون بسیاری از نقاط دنیا به آن مبتلا هستند، دامنه گسترش آن در ایران شدید بوده است...
https://iran-corona.com/wp-content/uploads/2020/03/ModelOutcomeFarsi.gif
https://iran-corona.com/iranestimates/
Ghaffarzadegan, N., Rahmandad, H., 2020. Simulation-based Estimation of the Spread of COVID-19 in Iran, pre-print medrXiv.
#coronavirus
نوید غفارزادگان و هژیر رحمانداد
خلاصه فارسی مقاله
ابعاد شیوعِ بیماریِ ناشی از ویروس کرونا از مرزهای جغرافیایی فراتر رفته است و هماکنون بسیاری از کشورها با چالشهای ناشی از آن روبرو هستند. برای توسعه سیاستهای موثر در برابر گسترش ویروس، نیاز به دادههای قابل اطمینان در مورد بیماری و روند رشد آن وجود دارد، اما داده های رسمی در بسیاری از کشورها تخمینی پایین دستی از واقعیت ارائه میکند. در این شرایط، سیاستگذاران و عموم جامعه نیاز به مدلهایی دارند که با ترکیب دادههای مختلف رسمی و غیررسمی تصویری جامعتر از ابعاد همهگیری فراهم کنند. در این مطالعه، نمونهای از این رویکرد با تمرکز بر موردکاوی ایران ارائه شده است.
این مطالعه به توسعه و تخمین مدلی دینامیکی از گسترش بیماری و تطبیق آن با دادههای رسمی و غیررسمی از میزان بیماری و مرگ و میر میپردازد. تفاوت این مدل با مدلهای رایج در این است که متغیرهای درصد تست و سطح تعاملات اجتماعی، درونزا بوده و از گسترش بیماری بازخورد میگیرند. در این مدل، آمار رسمی، آمار غیررسمی و آمار واقعی، متغیرهای جدا و در عین حال وابسته هستند. کالیبراسیونِ این مدل، با درنظر گرفتن آمار رسمی و غیررسمی، به تخمینِ درصدِ تست و درصد پوشش آمار غیررسمی میانجامد، و به این ترتیب تعداد واقعی بیماران به صورت مجزا تخمین زده میشود.
مدل ارائه شده، با تخمین نسبتهای مربوط به تست، در حد مطلوبی قادر به بازسازی دادههای رسمی و غیررسمی موجود است. تصویر الف و ب در شکل 1 کیفیت همخوانی خروجی مدل با دادههای موجود را نشان میدهد. نتایج، حاکی از آن است که درصد کمی (حدود 2.5% ) از کل بیماران تست شدهاند و در میان متوفیان نیز تست پس از مرگ در حدود 26% است. دلایل مختلف، اعم از کمعارضه بودن بیماری در اکثریت مبتلایان، ظرفیتهای محدود آزمایشگاهی و کیتهای تست، و تاخیر در فرآیند تست میتواند کمبودن درصد تست را توضیح دهد. در چنین شرایطی، شبیه سازی این مدل، ما را به تخمینِ 493 هزار موردِ فعلی بیماری (بازه اطمینان 90 درصد: 271 هزار تا 810 هزار) در تاریخ اول فروردین 99 میرساند. تخمین این مدل، برای موارد انباشته بیماری، از ابتدا تا همان تاریخ، بالغ بر 916 هزار (بازه اطمینان 90 درصد: 508 هزار تا 1.5 میلیون) و میزان مرگ و میر، بالغ بر 15485 (بازه اطمینان 90 درصد: 8400 تا 25800) مورد است. با توجه به محدودیتهای مدل، و طبیعت پیچیده مسئله، در بررسی این تخمینها، باید توجه ویژه به بازه اطمینان 90 درصد نیز نمود که نشان از میزان عدم قطعیت در تخمینهاست. با این حال اعداد تخمینی نشان از عمق پخش بیماری در سطح جامعه، عدم تست کافی برای تشخیص موارد با وجود رشد در تعداد تستها، و نیاز به سیاستگذاری موثر هم در بهبود تست و هم در کاهش تعاملات اجتماعی دارد. با توجه به تخمینهای این شبیه سازی به نظر میرسد کاهش تعاملات اجتماعی تا پیش از نوروز 1399 تا حدودی در آهسته کردن رشد بیماری موثر بوده (تصویر پ)، اما روند طولانی مدت در درجه اول به عملکرد شهروندان در پایین نگه داشتن تعاملات فیزیکی باز می گردد. برای مثال در صورتی که طبق مفروضات مدل مردم با کاهش مرگ و میر ناشی از بیماری نسبتا سریع به حضور فعال در جامعه بازگردند, میتوان منتظر یک اوج دیگر در پخش بیماری بود. به علاوه روندها وابسته به سیاستهای مسوولین و تاثیر شرایط جوی است. بر اساس تخمینهای این مدل، ممکن است تا اوایل تیرماه، در بهترین سناریوها (کاهش سریع بیماری با توجه جدی سیاستگذار بر کاهش تعاملات و تاثیر مثبت شرایط جوی)، یک میلیون و ششصدهزار نفر به بیماری مبتلا بشوند و تعداد مرگ و میر بالغ بر پنجاه و هشت هزار نفر باشد، هرچند که باید به بازه بزرگ عدم قطعیت در این تخمینها توجه جدی کرد (تصویر ت). در سناریوهای بدتر، میزان مرگ و میر ممکن است به 103 هزار مورد برسد. برای جلوگیری از وقوع سناریوهای بدتر تمرکز همهجانبه سیاستگذاران برای پایین نگهداشتن تماسهای اجتماعی الزامی است. در نهایت، اعلام زودهنگام پیروزی، ممکن است به بازگشت دوباره بیماری بیانجامد و از این رو سیاستگذاران قبل از کاستن از تمهیدات باید اطمینان ویژه از پایان شیوع بیماری پیدا کنند هرچند مشکلات مربوط به گسترش ویروسِ کرونا معطوف به ایران نبوده و هماکنون بسیاری از نقاط دنیا به آن مبتلا هستند، دامنه گسترش آن در ایران شدید بوده است...
https://iran-corona.com/wp-content/uploads/2020/03/ModelOutcomeFarsi.gif
https://iran-corona.com/iranestimates/
Ghaffarzadegan, N., Rahmandad, H., 2020. Simulation-based Estimation of the Spread of COVID-19 in Iran, pre-print medrXiv.
#coronavirus
990114- 2 CoronaVirus Model.pdf.pdf
1.6 MB
نسخه چهارم مدل پويايي شناسي سيستم گسترش كرونا در ايران
Forwarded from تفکر سیستمی در عمل
#معرفیکتاب
دوستان زیادی در مورد کتاب آموزش نرمافزار ونسیم سوال میکنند، تاکنون چندین کتاب مختلف در این زمینه ارائهشده است، اما یکی از کتابهایی که در عین سادگی و حجم مطالب کم، میتواند کمک خیلی مناسبی برای علاقهمندان به مدلسازی با پویاییشناسی سیستمها باشد، کتاب آقایان دکتر منوچهر منطقی و دکتر علی حاجیغلام سریزدی میباشد.
در این کتاب، نکات کاربردی و مثالهای بسیار خوبی برای شروع به مدلسازی وجود دارد که راهنمای مناسبی برای این منظور میباشد.
🆔 @STinP
#کانال_تفکرسیستمی_درعمل
🔖ادمین کانال
✳️ @STinP_Admin
دوستان زیادی در مورد کتاب آموزش نرمافزار ونسیم سوال میکنند، تاکنون چندین کتاب مختلف در این زمینه ارائهشده است، اما یکی از کتابهایی که در عین سادگی و حجم مطالب کم، میتواند کمک خیلی مناسبی برای علاقهمندان به مدلسازی با پویاییشناسی سیستمها باشد، کتاب آقایان دکتر منوچهر منطقی و دکتر علی حاجیغلام سریزدی میباشد.
در این کتاب، نکات کاربردی و مثالهای بسیار خوبی برای شروع به مدلسازی وجود دارد که راهنمای مناسبی برای این منظور میباشد.
🆔 @STinP
#کانال_تفکرسیستمی_درعمل
🔖ادمین کانال
✳️ @STinP_Admin
Forwarded from Milad
Sciencedirect
Does the short-term boost of renewable energies guarantee their stable long-term growth? Assessment of the dynamics of feed-in…
Feed-in tariff (FiT) is one of the most efficient ways that many governments throughout the world use to stimulate investment in renewable energies (R…