📊 statistics

A Mathematical Model of Swine Flu (H1N1) Transmission with Imperfect Behavioral Vaccination Dynamics: A Case Study of Japan

本研究提出了一个结合时间依赖性行为疫苗接种动态的新型八舱确定性模型，用以分析日本的 H1N1 传播情况，证明了基本再生数决定了疾病的稳定性，并且有效的缓解措施取决于优化疫苗接种覆盖率、检疫措施以及降低感知的疫苗接种成本。

原作者： Md. Zakir Hosen, Akhil Kumar Srivastav, Jun Tanimoto

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Md. Zakir Hosen, Akhil Kumar Srivastav, Jun Tanimoto

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，传染病的世界就像一个巨大而混乱的舞池。在这场舞蹈中，病毒是音乐，而人们则是舞者。有时，音乐非常洗脑，以至于每个人都涌向中心，互相碰撞，将节奏传播到各处。这就是流行病学——研究疾病如何在人群中传播的科学领域。几十年来，科学家一直使用简单的地图来预测这场舞蹈，假设一旦疫苗问世，人们会以稳定、乏味的速度排队接种，就像等公交车一样。但现实生活要混乱得多。人们并不只是遵循某种时间表；他们会观察舞池，看谁生病了，并根据实时情况决定接种疫苗是否值得冒险。这篇论文深入探讨了这场舞蹈中混乱的人性面，提出了这样一个问题：当我们对生病的恐惧，以及我们对疫苗难度或风险的感知，在权衡精力或忧虑时，我们会如何改变主意？

研究人员是来自九州大学的一个团队，他们构建了一种新型数学模型来研究流感（H1N1）。他们没有将疫苗接种视为一个固定数值，而是引入了一个“行为变量”，这是一种高级说法，即他们创建了一个人类决策过程的数字镜像。他们问道：如果人们看到很多人生病，他们会去接种疫苗吗？如果他们认为疫苗的风险或难度相对于流感来说太高，他们会跳过接种吗？他们还考虑到疫苗并非完美的护盾；有时，即使是接种过疫苗的人也会感染流感，只是比未接种者更容易受到感染的情况要少。

该团队发现，舞池的混乱程度在很大程度上受人们对“成本”的感受影响。当“感知的成本”（生病、缺课、感觉极度不适）感觉高于“感知的疫苗成本”（接种的精力、对副作用的恐惧）时，更多的人会加入接种疫苗的行列。这创造了一个反馈循环：更多的生病导致更多的接种，进而减缓生病的速度。然而，如果疫苗的感知成本感觉过高，或者疫苗无法有效阻止“突破性感染”（即接种后仍感染的情况），病毒就会继续起舞。

该团队利用来自日本的数据模拟了这一场景，并发现他们的模型与现实世界的流感报告非常吻合，统计得分（R²）为 0.7247，这意味着他们的数字舞池看起来非常像真实的舞池。他们发现，阻止流感最强有力的招式不仅仅是制造疫苗；更重要的是让人们觉得接种疫苗是一个聪明且安全的抉择。如果我们能降低疫苗的感知成本，并确保隔离措施（比如隔离生病的舞者）迅速且有效，病毒就会失去节奏。这项研究表明，虽然我们无法控制病毒的变异，但通过理解人们在音乐响起时是如何思考、感受和决策的，我们可以掌控这场舞蹈。

技术摘要：具有不完全行为疫苗接种动态的猪流感（H1N1）传播数学模型

问题陈述
甲型流感（H1N1），即猪流感，由于其快速传播和潜在的大规模爆发，仍然是一个关键的公共卫生挑战。尽管已有许多数学模型针对 H1N1 的动态进行了研究，但现有文献通常将疫苗接种视为一个恒定的干预率。这种方法忽略了感染流行程度与个体疫苗接种决策之间的关键反馈机制。具体而言，以往的模型往往未能考虑到相对于感知到的疫苗接种成本，感染成本的感知如何驱动疫苗接种率的动态变化；同时也未能将不完全疫苗接种（即接种后仍可能感染，尽管感染率较低）与行为动态一致地结合起来。本研究通过提出一个将流行病学传播与时间依赖性行为疫苗接种响应相结合的模型，旨在填补这些空白。

方法论
作者开发了一个确定性的分层模型，将总人口分为八个流行病学隔室：易感者 ( $S$ )、已接种者 ( $V$ )、暴露者 ( $E$ )、有症状感染者 ( $I_s$ )、无症状感染者 ( $I_a$ )、隔离者 ( $Q$ )、康复者 ( $R$ ) 以及一个行为变量 ( $X$ )。

核心创新在于引入了代表愿意接受疫苗接种的人口比例的行为微分方程 $X(t)$ ：
$\frac{dX}{dt} = mX(1 - X)(C(I_s + I_a) - kC_v)$
这里， $m$ 是模仿率， $C$ 是感知的感染成本， $C_v$ 是感知的疫苗接种成本， $k$ 是权重参数。该方程将疫苗接种行为建模为一种成本效益分析：随着感染流行率（从而导致感知感染成本上升）的提高，个体接种疫苗的可能性会增加。

该模型整合了以下内容：

不完全疫苗接种： 已接种者 ( $V$ ) 的传播率 ( $\beta_1$ ) 低于易感者 ( $\beta$ )，其中 $\beta > \beta_1$ 。
无症状与有症状感染： 设置了不同的 $I_s$ 和 $I_a$ 隔室，并具有不同的进展率和隔离率。
隔离： 对有症状和无症状病例进行显式建模隔离。

数学分析
研究对模型的定性性质进行了严格分析：

基本再生数 ( $R_0$ )： 使用下一代矩阵法推导得出。计算了两个不同的 $R_0$ 值，分别对应不同的行为平衡态： $R_0^{(1)}$ 对应无疫苗接种状态 ( $X=0$ )， $R_0^{(2)}$ 对应完全疫苗接种状态 ( $X=1$ )。
平衡点： 确立了无疾病平衡点 (DFE) 和地方性流行平衡点 (EE) 的存在性。
- 若 $R_0 < 1$ ，则 DFE 是局部渐近稳定 (LAS) 的。
- 若 $R_0 > 1$ ，则 EE 存在且在满足 Routh-Hurwitz 稳定性条件下是 LAS 的。
敏感性分析： 计算了归一化正向敏感性指数，以识别对 $R_0$ 影响最大的参数。传播率 ( $\beta, \beta_1$ ) 显示出最高的正向敏感性，而隔离率 ( $\gamma_s, \gamma_a$ ) 和疫苗接种率 ( $\nu$ ) 则显示出显著的负向敏感性。
数值模拟： 使用四五阶龙格-库塔法 (RK45) 求解系统。研究采用了偏秩相关系数 (PRCC) 分析、等高线图、热力图和时间序列模拟来探索参数间的相互作用。

主要结果

行为动态： 模拟表明，疫苗接种行为 ( $X$ ) 不是静态的：随着感知感染成本的上升（由 $I_s + I_a$ 驱动），疫苗接种行为会增加；而如果疫苗接种成本 ( $C_v$ ) 过高，该行为则会下降。
不完全疫苗接种的影响： 模型证实，突破性感染（由 $\beta_1$ 控制）和免疫消退 ( $\phi$ ) 即使在接种疫苗的情况下，也会显著增加有效再生数 ( $R_{0,eff}$ ) 和感染峰值规模。
控制策略： 敏感性分析和等高线图表明，降低传播率、最小化免疫消退以及限制突破性感染是至关重要的。然而，研究强调行为参数同样关键：降低疫苗接种的感知成本 ( $C_v$ ) 或增加感染的感知成本 ( $C$ ) 能显著增强疫苗接种率并抑制疫情爆发。
模型验证： 模型针对 2025 年 7 月 1 日至 2026 年 5 月 30 日日本每周确诊流感病例进行了验证。模拟数据与观测数据表现出良好的吻合度，得出：
- 均方根误差 (RMSE)：109.4976
- 平均绝对误差 (MAE)：75.1195
- 决定系数 ( $R^2$ )：0.7247
- 残差分析表明不存在系统性偏差，这表明模型捕捉到了整体流行病概况，包括高峰期和下降阶段。

意义与主张
本文声称其主要贡献在于将时间依赖性行为疫苗接种动态与不完全疫苗接种及隔离整合进一个统一的数学框架中。通过超越恒定疫苗接种率，该模型为公众感知和成本效益分析如何影响流行病轨迹提供了更真实的表征。

作者断言，该模型为理解猪流感传播提供了一个有用的框架，并指出有效的缓解策略必须超越生物学干预措施。具体而言，他们得出结论：除了提高疫苗接种覆盖率、加强隔离措施和降低传播率外，还必须采取策略降低疫苗接种的感知成本相对于感染成本的比例，以促进积极的行为反应。

研究也适度承认了局限性，指出模型假设了同质的人群混合，并且没有明确纳入空间异质性、年龄结构、随机效应、媒体影响或个体心理差异。未来的工作拟扩展该框架，以包含这些因素，从而实现对疫苗接种行为更全面的理解。

技术摘要：具有不完全行为疫苗接种动态的猪流感（H1N1）传播数学模型

类似论文