2021.11.16
"Epidemic outbreaks in
complex heterogeneous networks", Yamir Moreno, Romualdo
Pastor-Satorras and Alessandro
Vespignani
European Physical
Journal B, 26,521-529(2002)
・・・May & Lloid
の論文とほぼ同時に公開されていて、内容もほぼ同じであるが、こちらの方が丁寧で長い。更に数値計算も追加されていて、新しい知見も追加されている。
・・・この論文では治癒時間を単位とする時間になっている。記号も異なる。
また、それぞれの結合数 k 内部での S I R 比率を基本的な変数としているから、May & Lloid
の定義との関係に注意すべきである。
III. The SIR
model in complex networks (一般論)
・・・感染係数は λ である。感受性人口比は Sk、感染人口比は
ρk、回復人口比は Rk である。結合数 k を持つ node の相対割合は P(k) と同じ記号である。
May & Lloid の xk、yk
は、
xk
= P(k)Sk; yk = P(k)ρk
方程式は
dρk(t)/dt = -ρk(t) +
λkSk(t)Θ(t)
dSk(t)/dt = -λkSk(t)Θ(t)
dRk(t)/dt =
ρk(t)
Θ(t) = (1/<k>)ΣjP(j)ρj(t)
である。
Rk(t) の微分の式から、Rj(0) =
0 とすれば、
∫
ρj(s)ds = Rj(t): 積分は s=0 から t まで、
が得られるから、
∫
Θ(s)ds =
(1/<k>)ΣjP(j)Rj(t): 積分は s=0 から t まで、和は j について全て、
となり、Sk(t)
の微分式は形式的に積分出来て、
ln{Sk(t)} = -λkφ(t) + ln{Sk(0)}
とかけて、
φ(t)= ∫ Θ(s)ds =
(1/<k>)ΣjP(j)Rj(t)
Sk(t) の減少速度は感染の進行速度であるから、その位相速度が λk
に比例していることを表す。
φ(t) の時間微分は Θ(t) であり、Rj = 1 - Sj - ρj という関係式を使うと、
dφ(t)/dt =
1 - φ(t) -(1/<k>)ΣjP(j)exp(-λjφ(t))Sj(0): 和は j
について全て、
となる。これが式(15)である。ただし、論文では Sj(0) = 1 としている。
これを解いて、位相 φ(t)
を求めれば感染推移が得られる。
t =
∞ では左辺が 0 になるから、
φ(∞) =
1
-(1/<k>)ΣjP(j)exp(-λjφ(∞))Sj(0)
右辺は φ(∞) について上に凸の関数だから、φ(∞)での微分が φ(∞)=0
で 1 より大きい時に 非ゼロ解を持つ。
(λ/<k>)∑j j^2 P(j) Sj(0) >
1
である。Sj(0) =
1 とすれば、
λ(<k^2>/<k>) >
1
である。
IV. Exponetially distributed networks: The
Watts-Strogatz model
・・・この章は Scale free ではなく、"small world"
特性を持つモデルの場合で、より均一結合数モデルに近い結果を与える。省略する。
V. Power-law distributed networks: The
Barabasi-Albert model
・・・ネットワークを作り方で説明してある。m0 個の独立 node を作る。1ステップ毎に
1つづつ頂点(vertex)が追加されて、そこから既存の node に対して m 個の結合が作られるのだが、その確率は ki/∑kj とする。(一番最初は
ki=0 なのだが、まあ 確率 1 とするのであろう。)これを多数回繰り返すと P(k)∝k^-3 となるらしい。<k>=
2mとなるらしい。ここではm0=5、m=3 としてある。
P(k)=
2m^2/k^3
となる。m は最小の kである。<k^2>∝log(N)となって、人口サイズと共に対数発散するから感染閾値を持たない。但し、最終感染比率R(∞)~exp(-1/λm)となる。これは以下の数値計算(N=10^6、λ=
0.09)で確認されている。
・・・Fig.3 には N=10^6 での 1/λ に対する R(∞) の計算結果が示されている。また
λ=0.9 についての感染者比率 ρ(t) の時間変化も図示されている。ρ(t) を積算すると R(t) になるわけだから、目分量で R(∞)=0.005
位だろう。ln(0.005)=-5.3 位なので、メインのグラフから見ると λ=0.09 の間違いだろうと思う。
・・・Fig.4
は意味が判らない。シミュレーションでは、10^4 から 10^5 回の感染爆発を確率的に計算して、最終感染比率の平均値を採用して、Fig.3
にプロットしているらしい。積算確率 P(R∞>R) というのは、どういう意味だろうか?そもそも横軸の R が回復者比率とすれば、1
より大きい筈がない。
・・・Fig.5 は Sk の k 依存性が exp(-λkφ) となることの実証である。
・・・Fig.6 は書いてある通り、驚くべき結果である。初期条件としては、これまでは各 k
に均一に感染者比率を与えていた(ρk(0)=ρ0) のだが、特定の k
だけに初期感染者を入れると、感染のサイズが大きく変わるが、感染の時間経過は変わらないのである。
・・普通の SIR モデルと比べてみよう。大きな k
の初期感染者は k に比例した感染力を持つから、普通の SIR モデルでは、初期感染者数が k
倍あるという状況に相当する。だから、その場合には感染初期には感染者数が k
倍になる。しかし、その分だけ集団免疫に達する時間も早くなるので、総感染者数は変わらない。つまり、人数軸方向で k 倍になる代わりに 時間軸方向で 1/k
になる。しかし、スケールフリーネットワークにおいては、人数軸方向だけが k
倍になって時間軸方向は変わらないのである。これは集団免疫のメカニズムが異なることを意味している。
・・均一初期条件の Fig.4 の場合を Fig.5 に書き加えるとすれば、k=3
の場合よりも下に来る感じである。これはよく判らない。k
について均一分布なのだから間に来るのが自然ではないだろうか?
・・現実の接触者数分布がこれに近いとして、感染プロファイルを比較する為には、ここでの
λ や m 等を見積もらねばならない。しかし、そもそも このモデルでは R0 が 0 に近いのであるから、λ
を推定することが出来ない。感染プロファイルの初期を比較して見るしかないだろうが、実際の新規感染者数の推移はここでの ρ(t)
には対応していないことにも注意すべきである。簡単な比較として、例えば感染の波の継続時間から推定できるかもしれない。今までの5つの波は高さが違ってはいても継続時間は同じくらいであるから、ある程度このネットワークモデルの状況に近いと言えるのかもしれない。解釈としては、感染力の高いウイルスが感染の波を引き起こす場合、接触数の大きな人口グループの間に早く感染が拡がるために、感染者数は急速に増加するが、平均としての接触数は減少していくために、予想よりは感染が早く終息してしまう、ということである。こういう状況を数値計算で例示出来れば面白いだろう。