Математическое моделирование распространения эпидемии коронавируса COVID-19 в ряде европейских, азиатских стран, Израиле и России
(Стр. 154-165)

На основе дискретного логистического уравнения проведено моделирование распространения коронавируса COVID-19 во Вьетнаме, Южной Корее, Израиле, Чехии, Португалии, Германии, Франции, Швеции, Японии, России и Российских регионах. Для каждой из стран определены параметры: показатели роста численности инфицированных коронавирусом COVID-19, емкости системы (максимальное число жителей страны, которые потенциально могли бы быть инфицированы). Для каждой из стран были спрогнозированы времена пиков эпидемии, численность на пике и в конце эпидемии, прирост численности инфицированных коронавирусом COVID-19 на протяжении эпидемии, сроки окончания эпидемии. Фактические данные и результаты прогноза хорошо согласуются друг с другом. Были сделаны выводы о связи показателей роста численности с ограничительными мерами, проводимыми во время эпидемии. Практически во всех странах менялись 2 раза значения показателей роста численности инфицированных коронавирусом COVID-19 переходя от больших значений к меньшим. Отдельно был сделан прогноз распространения эпидемии коронавируса COVID-19 в России и Российских регионах. Т.е. рассматривались фактические данные по численности инфицированных коронавирусом COVID-19 в России за вычетом фактических данных числа инфицированных в Московском регионе (Москве и Московской области). Определены даты пиков эпидемии в России, тренд которой задает г. Москва и даты пиков эпидемии в Российских регионах. Для Российских регионов рассматриваются 4 сценария развития эпидемии с различными емкостями. Значение емкости системы, соответствующей фактическим данным по Российским регионам определяется в окрестности пика эпидемии. В зависимости от емкости системы Российские регионы будут проходить пики от 28.04 до 04.05.

�

Chang S. L. et al. Modelling transmission and control of the COVID-19 pandemic in Australia. arXiv preprint arXiv: 2003.10218. 2020.
Dandekar R., Barbastathis G. Neural Network aided quarantine control model estimation of global Covid-19 spread. arXiv preprint arXiv: 2004.02752. 2020.
Tam K. M., Walker N., Moreno J. Projected Development of COVID-19 in Louisiana. arXiv preprint arXiv: 2004.02859. 2020.
Blasius B. Power-law distribution in the number of confirmed COVID-19 cases. arXiv preprint arXiv: 2004.00940. 2020.
Shao N. et al. Dynamic models for Coronavirus Disease 2019 and data analysis. Mathematical Methods in the Applied Sciences. 2020. Vol. 43. No. 7. Pp. 4943-4949.
Tian J. et al. Modeling analysis of COVID-19 based on morbidity data in Anhui, China. Mathematical Biosciences and Engineering. 2020. Vol. 17. No. 4. Pp. 2842-2852.
Peng L. et al. Epidemic analysis of COVID-19 in China by dynamical modeling. arXiv preprint arXiv: 2002.06563. 2020.
Thyagaraja A. A phenomenological approach to COVID-19 spread in a population. arXiv preprint arXiv: 2003.12781. 2020.
Qi C. et al. Model studies on the COVID-19 pandemic in Sweden. arXiv preprint arXiv: 2004.01575. 2020.
Кольцова Э. М., Куркина Е. С., Васецкий А. М. Математическое моделирование распространения эпидемии коронавируса COVID-19 в Москве. Computational nanotechnology. 2020. Том. 7. №. 1. с. 99-105.
Кольцова Э.М., Гордеев Л.С. Методы синергетики в химии и химической технологии. М.: Химия, 1999. 256 c.
URL: https://coronavirus-monitor.ru/coronavirus-v-rossii/
URL: https://www.worldometers.info/coronavirus/
Chang S. L. et al. Modelling transmission and control of the COVID-19 pandemic in Australia. arXiv preprint arXiv: 2003.10218. 2020.
Dandekar R., Barbastathis G. Neural Network aided quarantine control model estimation of global Covid-19 spread. arXiv preprint arXiv: 2004.02752. 2020.
Tam K. M., Walker N., Moreno J. Projected Development of COVID-19 in Louisiana. arXiv preprint arXiv: 2004.02859. 2020.
Blasius B. Power-law distribution in the number of confirmed COVID-19 cases. arXiv preprint arXiv: 2004.00940. 2020.
Shao N. et al. Dynamic models for Coronavirus Disease 2019 and data analysis. Mathematical Methods in the Applied Sciences. 2020. Vol. 43. No. 7. Pp. 4943-4949.
Tian J. et al. Modeling analysis of COVID-19 based on morbidity data in Anhui, China. Mathematical Biosciences and Engineering. 2020. Vol. 17. No. 4. Pp. 2842-2852.
Peng L. et al. Epidemic analysis of COVID-19 in China by dynamical modeling. arXiv preprint arXiv: 2002.06563. 2020.
Thyagaraja A. A phenomenological approach to COVID-19 spread in a population. arXiv preprint arXiv: 2003.12781. 2020.
Qi C. et al. Model studies on the COVID-19 pandemic in Sweden. arXiv preprint arXiv: 2004.01575. 2020.
Koltsova E.M., Kurkina E.S., Vasetsky A.M. Mathematical modeling of the spread of COVID-19 in Moscow. Computational nanotechnology. 2020. Vol. VII. №. 1. Pp. 99-105.
Koltsova E.M., Gordeev L.S. Synergetic methods in chemistry and chemical technology. M.: Chemistry, 1999. 256 p
URL: https://coronavirus-monitor.ru/coronavirus-v-rossii/
URL: https://www.worldometers.info/coronavirus/

математическое моделирование, коронавирус COVID-19, дискретное логистическое уравнение, европейские страны, азиатские страны, Израиль, Россия.