Предложения по разработке средств повышения эффективности управления в условиях эпидемий

Main Article Content

Аннотация

Статья посвящена рассмотрению методов моделирования эпидемий применительно к COVID-19 и обоснованию путей повышения эффективности управленческих решений с учетом прогнозируемых последствий. В работе приведён обзор методов моделирования для прогнозирования и оценки последствий эпидемиологической обстановки. Научная новизна работы заключается в использовании средств поддержки принятия решений для оперативной оценки ситуации и прогноза ее развития. Для поставленной задачи предлагается использовать мультиагентный подход имитационного моделирования.

Article Details

Библиографические ссылки

1. Зацаринный А.А. О повышении эффективности информационно-аналитической поддержки принятия стратегических решений в органах государственной власти // Межотраслевая информационная служба. 2015. № 1. С. 11–22.
2. Балута В.И., Осипов В.П., Яковенко О.Ю. Среда моделирования, прогнозирования и экспертиз как интеллектуальное ядро поддержки управления сложными системами // М.: Препринты ИПМ им. М.В. Келдыша. 2015. №82. 16 с. URL: https://keldysh.ru/papers/2015/prep2015_82.pdf
3. Зацаринный А.А., Ильин Н.И., Колин К.К., Лепский В.Е., Малинецкий Г.Г., Новиков Д.А., Райков А.Н., Сильвестров С.Н., Славин Б.Б. Ситуационные центры развития в полисубъектной среде // Проблемы управления. 2017. №5. С. 31–42.
4. Ильин Н.И. Интервью Национальному центру цифровой экономики МГУ им. М.В. Ломоносова, 10.12.2018 г. URL: https://digital.msu.ru
5. Макаров В.Л., Бахтизин А.Р. Современные методы прогнозирования последствий управленческих решений // Управленческое консультирование. 2015. №7. С. 12–24.
6. Hunter E., Mac Namee B., Kelleher D. A taxonomy for agent-based models in human infectious disease epidemiology // Journal of Artificial Societies and Social Simulation. 2017. V. 20, No. 3. P. 2. URL: http://jasss.soc.surrey.ac.uk/20/3/2.html
7. Dunham J.B. An agent-based spatially explicit epidemiological model in MASON // Journal of Artificial Societies and Social Simulation. 2005. V. 9, No. 1. P. 3.
8. Perez L., Dragicevic S. An agent-based approach for modeling dynamics of contagious disease spread // International Journal of Health Geographics. 2009. V. 8. No. 50. P. 1–17. URL: https://doi.org/10.1186/1476-072X-8-50
9. Skvortsov A.T., Connell R.B., Dawson P.D. and Gailis R.M. Epidemic modelling: Validation of agentbased simulation by using simplemathematical models // MODSIM 2007 International Congress Modelling on and Simulation. Modelling and Simulation Society of Australia and New Zealand. 2007. P. 657–662.
URL: https://www.mssanz.org.au/MODSIM07/papers/13_s20/EpidemicModeling_s20_Skvortsov_.pdf
10. Crooks A.T., Hailegiorgis A.B. An agent-based modeling approach applied to the spread of cholera // Environmental Modelling&Soware. 2014. V. 62. P. 164– 77. URL: https://doi.org/10.1016/j.envsoft.2014.08.027
11. Rakowski F., Gruziel M., Bieniasz-Krzywiec L., Radomski J.P. Influenza epidemic spread simulation for Poland – a large scale, individual based model study // Physica A: Statistical Mechanics and its Applications. 2010. V. 389 (16). P. 3149–3165. URL: https://doi.org/10.1016/j.physa.2010.04.029
12. Armstrong J.S., Green K.C. Demand Forecasting: Evidence-based Methods // Strategic Marketing Management: A Business Process Approach. 2005. V. 24. URL: https://www.researchgate.net/publication/5179920_Demand_Forecasting_Evidence-Based_Methods
13. McFadden D.L.; Train K. Mixed MNL Models for Discrete Response // Journal of Applied Econometrics. 2000. V. 15. No. 5. P. 447–470.
URL: https://doi.org/10.1002/1099-1255(200009/10)15:5<447::AID-JAE570>3.0.CO;2-1
14. Duan W., Qiu X., Cao Z., Zheng X., Cui K. Heterogeneous and stochastic agent-based models for analyzing infectious diseases’ super spreaders // IEEE Intelligent Systems. 2013. V. 13. P. 1541–1672.
15. Mao L. Modeling triple-diusions of infectious diseases, information, and preventive behaviors through a metropolitan social network – an agent-based simulation // Applied Geography. 2014. V. 50. P. 31–39.
URL: https://doi.org/10.1016/j.apgeog.2014.02.005
16. Lee B.Y., Brown S.T., Cooley P., Potter M.A., Wheaton W.D., Voorhees R.E. Stebbins S., Grefenstette J.J., Zimmer S.M., Zimmerman R.K., Assi T.-M., Bailey R.R., Wagener D.K., Burke D.S. Simulating school closure strategies to mitigate an influenza epidemic // Journal of Public Health Managmentand Practice. 2008. V. 16. No. 3. P. 252–261. URL: https://doi.org/10.1097/PHH.0b013e3181ce594e
17. Crooks A.T., Hailegiorgis A.B. An agent-based modeling approach applied to the spread of cholera // Environmental Modelling&Sofware. 2014. V. 62. P. 164–177. URL: https://doi.org/10.1016/j.envsoft.2014.08.027
18. Merler S., Ajelli M., Fumanelli L., Gomes M.F.C., Y Piontti A.P., Rossi L., Chao D.L., Jr I. M.L., Halloran M.E., Vespignani A. Spatiotemporal spread of the 2014 outbreak of ebola virus disease in Liberia and the effectiveness of non-pharmaceutical interventions: A computational modelling analysis. The Lancet Infectious Diseases. 2015. V. 15. No. 2. P. 204–211. URL: https://doi.org/10.1016/S1473-3099(14)71074-6
19. Wolfram C. An Agent-Based Model of COVID-19 // Complex Systems. 2020. V. 29. No. 1. P. 87–105.
URL: https://doi.org/10.25088/ComplexSystems.29.1.87
20. Адарченко В.А. и др. Моделирование развития эпидемии коронавируса по дифференциальной и статистической моделям // Снежинск. Изд-во РФЯЦ-ВНИИТФ. 2020. Препринт №264. 29 с.
URL: http://vniitf.ru/data/files/pdf/corona.pdf
21. Silva P.C.L., Batista P.V.C., Lima H.S., Alves M.A., Guimarães F.G., Silva R.C.P. COVID-ABS: An agent-based model of COVID-19 epidemic to simulate health and economic effects of social distancing interventions // Chaos, Solitons & Fractals. 2020. P. 37. E-print: arXiv:2006.10532 [cs.AI]
URL: https://doi.org/10.1016/j.chaos.2020.110088


Наиболее читаемые статьи этого автора (авторов)