Various measures have been taken in different countries to mitigate the Covid-19 epidemic. But, throughout the world, many citizens don't understand well how these measures are taken and even question the decisions taken by their government. Should the measures be more (or less) restrictive? Are they taken for a too long (or too short) period of time? To provide some quantitative elements of response to these questions, we consider the well-known SEIR model for the Covid-19 epidemic propagation and propose a pragmatic model of the government decision-making operation. Although simple and obviously improvable, the proposed model allows us to study the tradeoff between health and economic aspects in a pragmatic and insightful way. Assuming a given number of phases for the epidemic and a desired tradeoff between health and economic aspects, it is then possible to determine the optimal duration of each phase and the optimal severity level for each of them. The numerical analysis is performed for the case of France but the adopted approach can be applied to any country. One of the takeaway messages of this analysis is that being able to implement the optimal 4-phase epidemic management strategy in France would have led to 1.05 million infected people and a GDP loss of 231 billion euro instead of 6.88 million of infected and a loss of 241 billion euro. This indicates that, seen from the proposed model perspective, the effectively implemented epidemic management strategy is good economically, whereas substantial improvements might have been obtained in terms of health impact. Our analysis indicates that the lockdown/severe phase should have been more severe but shorter, and the adjustment phase occurred earlier. Due to the natural tendency of people to deviate from the official rules, updating measures every month over the whole epidemic episode seems to be more appropriate.


翻译:在不同国家采取了各种措施来缓解Covid-19流行病。但是,在世界各地,许多公民并不十分了解这些措施是如何采取的,甚至质疑政府做出的决定。如果这些措施具有更多的(或更少的)限制性吗?它们是否采取了时间太长(或太短)的限定性措施?为了提供对这些问题作出反应的量化要素,我们认为众所周知的Covid-19流行病传播的SEIR模式是众所周知的Covid-19流行病传播的SEIR模式,并提出了政府决策行动的务实模式。虽然这种模式非常简单而且显然可即时,但它使我们无法以务实和有见地的方式研究卫生与经济之间的权衡。假设这一措施的阶段是该流行病的某个特定阶段和预期的健康与经济方面之间的权衡性平衡,那么就有可能确定每个阶段的最佳期限和每个阶段的最佳程度;为了对法国的情况进行数字分析,但采用的方法可以适用于任何国家。这一分析的一个结果表明,在法国实施最佳的四阶段流行病管理战略时,从实用的、实际的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、比的、最优的、比的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、最优的、比的、比的、最优的、比的、最优的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、比的、

0
下载
关闭预览

相关内容

专知会员服务
123+阅读 · 2020年9月8日
专知会员服务
52+阅读 · 2020年9月7日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
意识是一种数学模式
CreateAMind
3+阅读 · 2019年6月24日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关VIP内容
专知会员服务
123+阅读 · 2020年9月8日
专知会员服务
52+阅读 · 2020年9月7日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
意识是一种数学模式
CreateAMind
3+阅读 · 2019年6月24日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员