スキップしてメイン コンテンツに移動

ドイツのメルケル首相は語る、再生算数R_tを!

2020年4月15日 メルケル首相は語る:基本再生産数R0について


 2020年415日ドイツ政府は長く続いたロックダウンの段階的解除を決定した。しかし、メルケル首相は、気を緩めるとどうなるかを「ロベルト・コッホ研究所;Robert Koch Institut」の感染症モデルに基づいてドイツ国民に次のように説明をした。

ロベルト・コッホ研究所:Robert Koch Institut(英文)」は、結核のワクチンを開発したことで有名なロベルト・コッホによって1891年(明治24年)に王立プロイセン感染症研究所として設立された。ちなみに、慶應義塾大学医学部の創立者でもある北里柴三郎は、1885年(明治18年)ドイツのベルリン大学に当初は2年の予定で、最終的には6年間留学した。そこで、コッホ博士に師事し、破傷風菌の発見をはじめとする様々な業績をあげた。


写真はその時のドイツ語での国民への呼びかけである。クリックすれば、その時の映像を見ることができる。

映像の下に字幕が流れ、英語で翻訳をしたものがながれている。基本再生産数に関する部分の概要を日本語で下に示そう。

========================================
(感染者数の)カーブが平坦になりました。私たちの健康システムに過大な負担をかけないように、カーブをフラットに維持する必要があります。


モデルからの観測値ですが、今の再生産数(R0)は1です。これは平均値ですが、1人が他の1人に感染させる数値です。これが

1人から1.1人になれば、10月までに医療崩壊が生じます。

1.2人になれば、つまりいまより20%多くの人が感染するようになると7月には医療システムの崩壊に、

1.3人になると6月に崩壊が生じます。
========================================

ここで注目すべきことは、赤字で示したように、メルケル首相は、再生産数R0に言及をしその意味をわかりやすく説明している。この演説はドイツ国民の多大の共感をよんだようである。

「ドイツ日本研究所」が5月27日に行った、ドイツと日本のCOVID-19への政策対応の比較検討をおこなったオンラインフォーラム「National Approaches to Systemic Risk Germany and Japan under the COVID-19 Crisis」でドイツ側を代表して報告をおこなったリスクの研究者であるOrtwin Renn (scientific director at the Institute for Advanced Sustainability Studies (IASS) in Potsdam)氏は、メルケル首相は、コッホ研究所と新型コロナ感染症リスクに関してコッホ研究所と高度な連携のもとで政策決定を行ったと述べていた(発表時に用いられたパワーポイント資料はここから入手可能である)。


また、メルケル首相は、東ドイツ崩壊まで、東ドイツの科学アカデミーで理論物理学の研究を行っていた。感染症のモデルは、このブログの「感染症モデル入門(1)」でも説明するように、非線形の連立微分方程式を用いる。その最も有名なモデルの1つである「SRIモデル」は、科学における触媒の役割を記述モデルがその基礎になっている。メルケル首相は、1986年に博士論文を提出して博士号 (Dr. rer. nat.) を取得。そのご物理学者として分析化学にの研究をおこなったとのことである。あくまでも推測であるが、彼女にとっては、感染症モデルの理解は、アドバイザーの説明を聞いたのであろうが、容易であったに違いない。再生産数R_t の説明も、彼女の政治家としての説得力と彼女の物理学の素養をもった分析科学者としての知識の決勝であるかもしれない。








コメント

このブログの人気の投稿

感染症モデル入門 (3) Excelで感染症 SIRモデルをシミュレーションする

感染症流行をExcelでシミュレーションする(ファイルがダウンロード出来ます)。 1.準備:ファイルのダウンロードをする。 SIRモデルのわかりやすい(つまり最も簡単な)Excelシートを作成した。Excelファイルを用いたシミュレーションは以下の二通りの方法で実行できる。 1.1 「Google スプレッドシート」を用いてオンラインでSIRモデルのシミュレーションを行う 。  オンラインでシミュレーションをする場合には、Google スプレッドシートをつかいます。「 ここ 」をクリックしてください。「感染症数理モデル_入門と応用_森平_2020-05-29」というファイルがGoogle スプレッドシート上で開くはずです。次のような画面を見ることができます。 携帯などから利用していて、通信環境などが良くないときには、オフラインでの実行をおすすめします。>ファイル?オフラインで実行する、とすれば、自分の携帯にダウンロードしてあるGoogle スプレッドシート上でこのプログラムが実行できるはずです。 1.2 Excelファイルとしてダウンロードして、自分のPC上でシミュレーションをおこなう。  Excelシートとして使い時は、上で示したGoogle スプレッドシートのメニュー上で >ファイル>ダウンロード>MicroSoft Excel (.xlsx)  としてファイルをExcelプログラムしてダウンロードしてください。ダウンロードしたファイルを実行すると、次のような画面が現れるはずです。 2.初期値とパラメータ値を設定する。 2.1 Excelのシートで説明しよう。1行目は変数名とパラメー名前である。2行目の薄緑色のセルに具体的な数値を与える必要がある。ここでは次のような値を初期値とパラメータ値として設定している。 1)  感染可能人数の初期値:$S_0=100$人 2)  感染者人数の初期値:$I_0=1$人 3)  回復人数の初期値:$R_0=0$人 4)  感染率:$\beta=0.01$,つまり1パーセント 5)  回復率:$\beta=0.1$,つまり10パーセント (削減率については今回は計算結果に影響の無いようにしている) これらの...

感染症モデル入門: (2) SIRモデル(離散型)の場合。易しいです

感染症モデル入門 (2) SIRモデル(離散型)の場合。易しい! 1.SIR感染症モデル:一日ごとの人数変化  時間間隔が1日という離散的な時間変化を考えると、前回示した微分方程式での記述は、次のような差分方程式に変換できる。 \begin{eqnarray}   \mbox{感染可能人数}  \qquad  {S_{t + 1}} &=& {S_t} - \beta {S_t}{I_t} \hfill \\   \mbox{感染者数} \qquad  {I_{t + 1}} &=&  {I_t} + \beta {S_t}{I_t} - \gamma {I_t} \hfill \\   \mbox{回復人数} \qquad {R_{t + 1}} &=&  {R_t} + \gamma {I_t} \end{eqnarray} これは連続的な時間の変化$dt$を離散的な時間変化$\Delta t$でおきかえたものである。$dt$が「1秒間隔」であったのに対し、$\Delta t$は1日単位と考えてみよう。実際のCOVID-19のデータは1日単位で発表されるので、そのように考えたほうが実際に合っている。  時間経過を1日と考えたのであるから、感染可能人数を$dS_t \approx \Delta S_t$、感染者数を$dI_t \approx \Delta I_t$, 回復者数を$dR_t \approx \Delta R_t$と表現する。これらも1日あたりの人数の変化である。  そうすると、例えば、感染可能人数を示す微分方程式は$\left( {\frac{{\Delta {S_t}}}{{\Delta t}} = \frac{{\Delta {S_t}}}{1} = \Delta {S_t} = {S_{t + 1}} - {S_t}} \right) =  - \beta {S_t}{I_t}$と変換できる。つまり${S_{t + 1}} - {S_t} =  - \beta {S_{t}}{I_{t}}$を得る。...

感染症モデル入門(4):統計言語[R]によるSIRモデルのシミュレーション

1.SIRモデルを統計言語[R]でシミュレーションする。 以下にRのプログラムを示す。なるべくシンプルなコーディングを目指したので、統計言語[R]の初歩的な知識があれば、コメント(#)行をみれば、何をやっているのかがわかるであろう。 このプログラムは、自分のPCに[R]が既にインストールしてあれば、その上で動く。あるいは、手軽に試してみたい場合には、ネット上にオンラインで[R]を走らせるサイトがいくつかある。たとえば、 1) ここ compile R online をクリックして、以下のプログラムをコピペして、左下にある[run it]をクリックするか、自分のPCでF8を押せばよい。あるいは、 2) ここ paiza.io でも同様なことができる。 試してみてはいかがだろうか? # ================================================== #  [R]によるSIRモデルの計算 ##================================================== ##### シミュレーション期間の設定とS,I,Rベクトルの定義 No_of_Days=50; N1=No_of_Days+1; S=I=R=R_t=numeric(N1);  ##### S,I,Rの初期値とパラメータ値の設定 S[1]=100; I[1]=1; R[1]=0; beta=0.01; gamma=0.1 ##### SIRモデルの繰り返し計算 for (t in 1:No_of_Days){     S[t+1] = S[t] - beta*S[t]*I[t]     I[t+1] = I[t] + beta*S[t]*I[t] - gamma*I[t]     R[t+1] = R[t] + gamma*I[t]     R_t[t+1] = S[t+1]*beta/gamma } ##### S,I,Rのグラフを描く(S,I,Rと横軸に日数をひとまとめのデータフレームとしてから) output = data.frame( S, I, R, date=1:N1 ) library...