传染病在不同地点之间的传播

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Spreading of an infectious disease between different locations》
---
作者：
Alessio Muscillo, Paolo Pin, Tiziano Razzolini
---
最新提交年份：
2018
---
英文摘要：
  The endogenous adaptation of agents, that may adjust their local contact network in response to the risk of being infected, can have the perverse effect of increasing the overall systemic infectiveness of a disease. We study a dynamical model over two geographically distinct but interacting locations, to better understand theoretically the mechanism at play. Moreover, we provide empirical motivation from the Italian National Bovine Database, for the period 2006-2013.
---
中文摘要：
药剂的内源性适应可能会调整其局部接触网络以应对感染风险，可能会产生增加疾病整体系统感染性的反作用。我们研究了两个地理上不同但相互作用的位置上的动力学模型，以便更好地从理论上理解起作用的机制。此外，我们还从意大利国家牛数据库提供了2006-2013年期间的经验动机。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Spreading_of_an_infectious_disease_between_different_locations.pdf (4.91 MB)

2022-6-11 07:19:38 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：传染病 Quantitative Contribution Geographical Internation

传染病在不同地点之间的传播*Alessio Muscilloa、Paolo Pinb和Tiziano Razzolinia，锡耶纳大学经济与统计学院决策科学系，IGIER和BIDSA，Bocconi UniversitycIZA和Labora本版本：2018年12月[这里您找到一个更新版本]抽象代理的内生适应，可能会调整其本地联系网络以应对感染风险，可能会对增加疾病的整体系统传染性产生不利影响。我们研究了两个地理位置不同但相互作用的动态模型，以便更好地从理论上理解起作用的机制。此外，我们还从意大利国家牛数据库中提供了2006-2013年期间的经验动机。JEL分类代码：C32、D83、I12关键词：传染病、意大利国家牛数据库、内源性传播、外源性冲击、岛屿模型1介绍个人之间的联系是有益的，因为它们能够实现商品和资源的交换。然而，它们也是疾病和冲击在社会中传播的手段，使社会容易受到危害和威胁。由于虚拟和物理通信的发展，了解这种贸易效应变得越来越必要，也越来越复杂。我们研究了在采取自我保护行为反应的人群中，感染的传播是如何演变的，这反过来又会影响流行病的演变。

我们关注两种相互作用的机制：首先，接触网如何通过仅允许通过现有接触传播而影响疾病的演变？第二，网络本身是如何被风险感知触发的行为反应内在地改变的？在一个简单的两位置模型中，我们从一个普通微分方程组中获得了分析结果。这种非常程式化的交叉定位相互作用可能会在接触网和感染传播构成的耦合机制的共同进化方面产生复杂的动力学。*我们感谢意大利教育部国家利益项目（PRIN）拨款2015592CTH。我们感谢意大利卫生部、意大利动物园研究所（Instituto Zoopro fi lattico Sperementale dell\'Abruzzo e del Molise“G.Caporale”），尤其是Luigi Posseti和Diana Palma对数据的帮助。感谢阿尔贝托·阿莱西纳（以及博科尼大学阅读小组的参与者）、莱昂纳多·邦奇内利、西蒙尼·德亚历山德罗、雅各布·格拉齐尼、凯南·胡雷莫维奇·安德罗贝托·帕图埃利对我们的评论。主要问题是，这种程式化的全球化如何影响两个地点的系统性抗感染率冲击。耦合系统是否比两个独立且自给自足的单一位置更耐冲击？当冲击同时击中两个位置时会发生什么？我们假设每个地点从疾病中恢复的能力有限（例如，隔离的住院能力有限），并且感染率的突然爆发（以下也称为感染休克）是外源性和突然性的。在受到这种初始感染性休克的打击后，疾病的演变（以及恢复措施的有效性）会持续观察。

当这两个地点连接在一起时，小规模冲击比孤立和自给自足时更容易控制：事实上，从感染最多的地点流向感染最少的地点的受感染个体，会在两个地点进行治疗，这有助于稀释和减少总体流行。相反，一次大的冲击，即使最初只集中在一个地方，最终可能会完全感染两个地方，从而危及整个系统的抗感染能力。就政策影响而言，鉴于所研究疾病的特点（例如传染性、感染冲击类型）以及各地区之间的联系（例如自给自足或全球化），整个系统对感染的抵抗力取决于为恢复措施分配的资源。随着该系统通过促进偏远地区之间的联系而变得越来越全球化，它也变得更能抵抗小规模感染冲击，但相反，它也变得更容易受到大冲击。此外，全球化世界相对于自给自足或孤立地区体系的相对优势（在系统阻力方面）随着用于恢复措施的资源量的增加而变得越来越大，这是因为两个地区之间建立了互补性。相关文献流行病学模型已经研究了几十年，从20世纪20年代和30年代的seminalKermack-McKendrick隔间模型开始（Allen等人，2008）。近年来，越来越多的人致力于将代理人的行为反应和意识纳入人群中疾病的并发演变（Funk et al.，2010；Fenichel et al.，2011；Polettiet al.，2012）。

此外，由于在全球化世界中建立相互联系和相互依赖的设施，更好的模型还需要考虑不同个人的流动模式（Brauer和van denDriessche，2001；Wang和Zhao，2004；Manfredi和D\'Onofrio，2013）。在一篇更接近经济学和社会科学的文献中，一些理论著作涉及战略疫苗接种或采用不同的防御机制，这可能取决于个人之间的联系（Galeotti andRogers，2013、2015；Goyal和Vigier，2015）。然而，就本论文而言，其他作品在处理通过贸易联系传播的疾病方面有着相同的动机（Horan等人，2015年），或者用不同的方法处理类似的问题（Reluga，2009年）。路线图本文继续如下。首先，我们为我们的分析提供了新颖和基本的实证动机（第2节）。然后，我们转到我们的模型，介绍单个位置的案例（第3节），主要模型（第4节）的描述和结果，以及其关于外来冲击的比较静态（第5节）。第6节总结了主要部分。此外，附录包括动机部分（附录A）中经验练习的扩展，第3、4和5部分（附录B）中省略的证明，以及线性情况的数学分析（附录C），其结束于用于比较静力学分析的平衡吸引盆地的近似值（附录D）。2我们练习的动机在继续描述模型及其对现有文献的贡献之前，我们为我们的工作提供了两个强大的动机。

第一个来自一个新的数据集，而另一个是相关的应用程序。牲畜贸易：感染和长期联系我们利用意大利国家牛数据库（Anagrafe Nazionale Bovina）对意大利境内的牛的贸易流量进行了实证分析。该数据集由意大利卫生部根据1992年欧洲经济共同体理事会第92/102/EEC号指令，在牛海绵状脑病（BSE）爆发后创建。该指令要求所有成员国使用耳贴识别每头牛，并跟踪其从出生到死亡的所有活动，通过国家领土内的所有控股公司（农场、装配中心、屠宰场、市场、集结点、牧场、原产国）。对于牛的每一次移动，我们都有大约220000个产地和目的地的位置信息（如市政当局），其中90%是农场。该数据集记录了2006年至2013年期间所有这些活动的确切日期，并包含了每个畜群的动物存量信息。关于贸易流量的信息已与SIMAN数据库（SistemaInformatico Malatti Animali）合并，该数据库记录了每个货舱内发生的疾病（Iannetti等人，2014年；Calistri等人，2013年）。我们还参考了Muscillo et al.（2018），了解更多详细信息。在我们的分析中，我们将重点关注2007年第一季度至2013年第四季度每个季度农场的流出量。我们主要感兴趣的是确定在时间t时农场i中是否发生疾病- 1影响t时农场i的贸易流量距离。图1显示了所有分析流量的距离直方图。中值约为17公里，而平均值和第75百分位分别为43公里和41公里。

大约10%的移动是在同一个城市的农场之间进行的，因此在距离分布上产生了一个零质量点。由于一些集结点或装配中心可能被误分类为农场，因此我们在样本中仅保留股票价值小于第99百分位（等于954）的持股。我们的最终样本包括117758个农场，来自1541370个流向其他农场的贸易流。因此，我们以贸易流距离为因变量，使用以下规格估计不同回归：距离IT=β+β正I，t-1+βStockit+Regiong+θt+αi+it（1）在发生任何流入或流出之前，在移动的同一日期记录股票信息。根据后一种信息和动物活动数据，我们计算了每个季度初的动物存量。由于2006年是引入跟踪系统的第一年，我们开始使用2007年第一季度的数据，当时磨合阶段已经结束。第99百分位数是第95百分位数的两倍，是第90百分位数的三倍，大约是中位数的14倍。来自无限制样本的经验估计在定性和定量上都是相似的。图1：贸易流距离0 5 10密度0 20 40 60 80 100距离75%中位数该图显示了2007-2013年期间发生的贸易流中短于100公里的距离（以公里为单位）的柱状图。距离的描述性统计如表1所示。t=2007Q1，2013年第4季度；g=1，20其中假人为阳性I，t-1如果farmi在上一季度至少登记了一种疾病，则等于1；Stockit在第t季度开始时测量第i组中牛的数量。

区域变量为区域模型和θ皮重四分之一模型，而αi特定农场的时不变效应通常用于固定效应回归。表1报告了因变量和主要回归变量的描述性统计。在2007-2013年期间，我们观察到265种疾病，占实证分析中使用的观察值（即所有运动）的0.02%。表1：描述性统计平均St.Dev.中值最小最大距离42.80 92.18 17.08 0 1291正0.0002 0.0131 0 0 1斯托克119.36 142.87 66 1 954观测值1541370N。农场117758该样本不包括牛存量价值大于954的农场。经验结果如表2所示。第1列报告了一个移动模型的估计值，其中当距离大于41公里（即第75个百分位）时，因变量设置为1在5%的水平上，估计的总阳性系数具有统计学意义。边际效应为0.05，这意味着在t-一只患病的动物将把t区的牛送到41公里以外的农场的可能性增加20%。第2栏显示了标准OLS回归的估计值。假阳性系数表明，过去的一种疾病会使贸易距离增加约19公里。在第3列中，我们报告了Tobit的估计影响，以考虑到点质量为零的距离的截尾性质。在这种情况下，估计的影响等于19公里。最后，在第4栏中，我们展示了从面板回归到控制的农场特定效应的估计值。假阳性的估计系数表明，在t- 1将距离增加约10公里。

所有的估计技术都证明了过去的疾病对当前距离值的积极和显著影响。然而，上述结果是在牛非零运动的农场样本上进行的。我们进行了稳健性检查，以考虑可能的选择影响。我们用极大似然估计估计了一个样本选择的二元四驱模型。结果显示出弱负选择的证据：更可能活跃的农场往往会将牛送到更靠近的地方。此外，在t- 1在t季度不太可能活跃。然而，假人对距离的正面影响估计值再次等于19公里。估计结果和采用的识别策略如附录A所示。表2：实证结果（1）（2）（3）（4）Probit OLS Tobit Panel FEPositivei，t-10.1628**18.7323***19.1025***10.9276**（0.081）（5.420）（5.587）（4.735）斯托克，t0.0010***0.0821***0.0846***0.0490***（0.000）（0.001）（0.001）（0.002）常数-1.2508***9.3844***7.4312***31.9721***（0.010）（0.553）（0.570）（0.406）σ90.528***（0.0528） Pr（Yi=1）/ 阳性0.0524**（0.0271）观察值1541370 1541370 1541370 1541370对数似然-838742.52-8819135.6Adj。R平方0.0845 0.3927时间模型的所有回归控制。第1、2和3列中的估计值控制了区域固定效应。第4栏农场特定效应对照中的面板固定效应估计。在服务器场级别聚集的标准错误显示在括号中。星号表示：**显著值为1%，**显著值为5%，*显著值为10%。2014年埃博拉爆发了感染动力学的理论研究，患者的（内源性）行为增加了感染，具有潜在的巨大应用价值。

这种机制一直在发挥作用（可能是一些灾难性流行病事件的根源），例如大约自2013年12月以来影响西非的扎伊尔埃博拉病毒疫情（见图2）。当传染病患者被驱逐出他们的村庄，并能够到达大城镇，甚至其他国家时，可能会出现特别危险的情况；或者，如果他们在生病时自愿前往其他国家，以避免社会耻辱，或者请参见Chowell和Nishiura（2014）进行详细审查；另见Thomas等人（2015年）和世界银行网站，了解对一些非洲国家经济造成损害的一些估计：http://www.worldbank.org/en/region/afr/publication/ebola-economic-analysis-ebola-long-term-economic-impact-could-be-devastatingand而且http://www.worldbank.org/en/region/afr/publication/the-economic-impact-of-the-2014-ebola-epidemic-short-and-medium-term-estimates-for-west-africa.obtain更好的治疗。世界卫生组织（WHO）报告称，2014年，在西非埃博拉爆发期间：“……随着一个国家的情况开始改善，它吸引了邻国的患者寻求无人看护的治疗床，从而重新启动了传播链。换句话说，只要一个国家经历了严重的传播，其他国家就仍然面临风险，无论他们自己的应对措施有多么有力。”直接引自世界卫生组织网站：“赤道非洲国家近四十年来经历了埃博拉疫情的爆发。[…]在这些疫情中，地理位置有助于遏制。