بازی جمع صفر در بازار مالی، تقسیم کیک

در ادامه چند مطلب قبلی که روی ماهیت «بازی جمع صفر» در خرید و فروش سوداگرانه در بازار مالی بودند، بد ندیدم یک پاراگراف از یکی از مقالات جوزف استیگلیتز (سال ۱۹۸۹) را ترجمه کنم. اصل مقاله در مورد بهینگی مالیات‌گیری از تراکنش‌های بازار مالی است و استیگلیتز به عنوان یک اقتصاددان درجه یک (خصوصا در دهه هشتاد)، با این سوال شروع می‌کند که آیا مالیات در بازار مالی باعث اعوجاج (Distortion) در تخصیص منابع و در نتیجه افت کارایی اقتصاد می‌شود یا نه؟ بعد سوال را به این‌جا می‌برد که ایا اصل پایه اقتصاد مقدماتی که می‌گوید هر جایی که «سود تولید می‌شود» حتما «خدمتی برای جامعه تولید شده»، این‌جا هم برقرار است یا نه؟ (می‌دانیم که کسی که گندم مرغوب تولید می‌کند و سود می‌برد، این سود را بابت مازادی که برای جامعه خلق کرده دریافت می‌کند). خب چون تخصص استیگلیتز اقتصاد اطلاعات است قدم بعدی‌‌اش این است که بگوید وقتی «اطلاعات نامتقارن» داریم، لزوما «سود خصوصی» معادل «منافع اجتماعی» نیست و آن اصل پایه اقتصاد نقض می‌شود.

حال من یک پاراگراف از مقاله را به صورت آزاد ترجمه می‌کنم.

«دلیل این‌که می‌گوییم منافع خصوصی و عمومی در بازار مالی لزوما برقرار نیست به این دلیل شهودی است: فرض کنید اطلاعات جدیدی رسیده که باعث می‌شود ارزش‌گذاری یک سهم از ۱۰ دلار به ۵۰ دلار برسد. فرض کنیم که اطلاعات فردا در روزنامه‌ها منتشر می‌شود (یعنی عمومی می‌شود). حال اگر کسی تلاش کند که این اطلاعات را امروز جمع کند (چای داغ: کاری که مثلا هج‌فاند‌ها یا معامله‌گران مجهز به فناوری‌های نوین و الخ انجام می‌دهند)، ایا ارزشی اجتماعی ایجاد کرده است؟ فرض کنیم شرکت صاحب این سهام قرار نیست با این اطلاعات کار خاصی بکند (خصوصا اگر آن‌ها را فقط یک روز یا چند ساعت زودتر بداند). در این صورت واقعا منافع اجتماعی خاص برای خلق آن اطلاعات متصور نیست چون تولید حقیقی شرکت و سود حقیقی این سهم در هر صورت همان خواهد بود که هست. فقط اگر کسی سعی کند جلوتر از بازار اطلاعات کسب کند و این سهم را بخرد، ۴۰ دلار سود می‌کند. اگر هم او این کار را نمی‌کرد، کسی که دیروز سهم را داشت ۴۰ دلار سود می‌کرد. به عبارت دیگر تلاش برای جمع‌آوری اطلاعات، «اندازه کیک» سود سهام یا مازاد خلق شده در اقتصاد را تغییر نداد و فقط توزیع آن بین بازی‌گران مختلف را عوض کرد.»

خلاصه این‌که کسانی که می‌گویند خرید و فروش سوداگرانه بازی جمع صفر است، خیلی خوب مبانی بازارهای مالی و عملیات آن را می‌شناسند و چون مجهز به یک عینک نظری هستند می‌توانند ماهیت «جمع صفر» را تبیین کنند.

لینک مقاله اصلی
https://link.springer.com/chapter/10.1007/978-94-009-2193-1_2

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

آیا همه فعالیت‌های اقتصادی «جمع صفر» است؟

دوستی سعی کرده بود چکیده یکی دو مطلب قبلی را این طور توضیح بدهد که ببین چای داغ دارد می‌گوید «مثلا دو شرکت لبنیاتی که با هم رقیب هستند مرتب سعی می‌کنند کاری کنند که از رقیب جلو بیفتند. مثلا یکی پنج جور ماست می‌زند و دیگری هم مجبور می‌شود پنج جور ماست بزند و آخر سر هر کدام همان سهم بازار را دارند ولی زحمت اضافه کشیده‌اند.

من بهشان توضیح دادم که هر چند روح چکیده‌شان به مطالب ما نزدیک است ولی مثالی که زدند لزوما «بازی جمع صفر» نیست! و اضافه کردم که شاید اگر به جای «تنوع در ماست‌ها»، از مثال «تبلیغات تلویزیونی توسط سلبریتی‌ها» استفاده می‌کردند به مضمون مطلب نزدیک‌تر بود.

با این مثال می‌‌خواهم بگویم که هر چند در نگاه اول تقریبا همه حرکت‌های رقابتی ممکن است «بازی جمع صفر» به نظر برسند ولی از منظر اقتصادی، اکثر آن‌ها «جمع مثبت» (و البته بعضی از آن‌ها «جمع منفی») دارند. چرا مثال «تنوع در نوع ماست‌‌ها» را جمع صفر حساب نمی‌کنیم؟ چون در این‌جا رقابت باعث نوآوری در بخش «حقیقی» اقتصاد شده است و با افزایش امکان‌های انتخاب و تنوع محصول پیش‌روی مشتریان مازاد جدید و اضافه‌ای برای آن‌ها خلق کرده است. در واقع عمده رشد و رفاهی که ما در جامعه بشری در یکی دو سده اخیر (و خصوصا ۵۰ سال اخیر) دیده‌ایم محصول چنین رقابت‌هایی هستند.

کی رقابت باعث «بازی جمع منفی» می‌شود؟ جایی که به قول اقتصاددان‌ها، میزان تلاش و سرمایه‌گذاری از نقطه بهینه اجتماعی عبور کند و به اصطلاح Over-Invest انجام بگیرد. مثال ساده‌ای که در مباحث میانی نظریه بازی طرح می‌کنیم، بازی تحقیق و توسعه بین چند شرکت در حالتی است که فقط نفر اول برنده بازار می‌شود و همه نفرات دیگر (مستقل از این که چند قدم عقب‌تر هستند) به کل می‌بازند و منفعتی کسب نمی‌کنند. در این حالت ممکن است مجموعه منافع صرف شده توسط کل شرکت‌ها از منافع اجتماعی و مازاد تولید شده بزرگ‌تر باشد.

دوست دیگری نوشت که «در یک پنلی دیدم که ساموئلسون (برنده جایزه نوبل اقتصاد و یکی از تاثیرگذارترین اقتصاددانان کل دوران‌ها) آرزو می کرد که کل بازارهای مالی برچیده بشوند و می گفت فعالیت زائد هست.» من البته آن فیلم را ندیده‌ام که بفهمم اشاره ساموئلسون به چه جنبه‌ای از بازارهای مالی بوده ولی از دید قطعا بخش مالی زاید نیست و مازاد مهم و کلیدی برای اقتصاد خلق می کند (مثلا از طریق اشتراک ریسک یا تسهیل جفت و جور شدن بین پروژه‌ها و سرمایه‌ها). اشاره ادبیات به ماهیت جمع صفر بازار مالی عمدتا حول محور «ترید» است و نه مثلا نوآوری مالی یا خدمات واسطه‌گری مالی یا مدیریت سرمایه‌گذاری یا تامین مالی و امثال آن.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

جمع‌بندی بازی جمع صفر در بازارهای مالی

خوش‌حالم که چند مطلبی که نوشتم باعث شده تا نگاه بعضی دوستان به مساله کمی تغییر کند و خیلی‌ها که در ابتدا تردید داشتند که «خرید و فروش سوداگانه» یا همان Trade بازی جمع صفر است، اکنون با آن هم‌راهی می‌کنند هر چند ابهام‌هایی طرح می‌شود که همیشه مفید است و به درک به‌تر قضیه کمک می‌کند. این‌جا لینک کل مطالبی که در این مدت در مورد این موضوع نوشته‌ایم را یک جا می‌گذارم و امیدوارم که این مطالب روی هم بتواند به بیش‌تر ابهام‌ها و سوالات کمک کند.

https://t.me/hamedghoddusi/696
https://t.me/hamedghoddusi/697
https://t.me/hamedghoddusi/698
https://t.me/hamedghoddusi/699
https://t.me/hamedghoddusi/704
https://t.me/hamedghoddusi/705
https://t.me/hamedghoddusi/665
https://t.me/hamedghoddusi/561
https://t.me/hamedghoddusi/226
https://t.me/hamedghoddusi/221
https://t.me/hamedghoddusi/222
https://t.me/hamedghoddusi/223
https://t.me/hamedghoddusi/225
https://t.me/hamedghoddusi/226

معمولا کسانی که متخصص موضوع هستند دو ابهام کلیدی طرح می‌کنند:

الف: ما می‌دانیم که بازده بازار مالی در بلندمدت مثبت است، پس چرا می‌گویی جمع صفر؟
پاسخ: بلی بازده بازار مالی (که در بخش حقیقی اقتصاد تولید می‌شود) به صورت انتظاری مثبت است و افراد بابت مشارکت در بخش حقیقی و پذیرش ریسک‌ها، پاداش دریافت می‌کنند. این همان «کیک بازده بخش مالی» است که از آن صحبت کردیم و اندازه آن ربطی به فعالیت‌های سوداگرانه و ترید و امثال آن ندارد و حتی در یک استراتژی سرمایه‌گذاری منفعل هم به دست می‌آید. جمع صفر اشاره به «تقسیم کیک بازده بازار مالی» بین بازی‌گران مختلف دارد.

ب: آیا وجود سوداگران فعال، باعث نمی‌شود که قیمت‌ها سریع‌تر بروز شوند و این به فرستادن علامت‌‌های مفید به بخش حقیقی کمک کند؟

پاسخ: این مشاهده کاملا درست است و احتمالا در غیاب همه تریدرهای فعال، قیمت‌ها از مقدار بنیادی خود فاصله می‌گیرند و نوسان می‌کنند. در نتیجه قطعا مقداری مازاد اجتماعی از طریق خاصیت علامت‌دهی قیمت دارایی‌ها خلق می‌شود. سوال اصلی این است که ارزش اجتماعی این علامت چه قدر است و برای رسیدن به مقدار کارایی از قیمت دارایی‌ها، چه قدر حجم فعالیت سوداگرانه کفایت می‌کند. پاسخ دقیق‌تر این سوالات را در پست‌های بعدی بحث می‌کنیم.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

تخمین‌های اریب (Biased)

به مناسبتی مجبور شدم در ماه‌های اخیر کمی در مورد آمار ریاضی و نظریه تصمیم و تخمین در آمار بخوانم و تجربه بسیار مفید و جذابی بود. شاید مهم‌ترین درسی که گرفتم این بود که ما در اقتصاد و اقتصادسنجی تمرکز بیش از حد روی تخمین‌گرهای غیراریب و روش‌هایی مثل حداقل مربعات داریم و تخمین‌گرهای اریب را فقط به صورت حاشیه‌ای و در مباحث پیش‌رفته طرح می‌کنیم. به نظرم اگر قبل از یاد گرفتن آمار و احتمالات کلاسیک و اقتصادسنجی، یک درس آمار ریاضی جدی گرفته بودیم دنیای تخمین و تخمین‌گرها را خیلی وسیع‌تر می‌‌دیدیم و ارتباط‌‌مان هم با حوزه‌های علمی دیگر قوی‌تر می‌شد.

بعد از این تجربه، جلسه اول درس اقتصادسنجی خودم را کمی عوض کرده‌ام و وقت زیادتری روی معیار MSE و مساله بده-بستان بین «اریبی» و «پراکندگی» یا Bias-Variance Trade-off می‌گذارم و به دانش‌جویان می‌گویم که ما در بقیه درس روی دسته محدودی از تخمین‌گرها یعنی تخمین‌‌گرای غیراریب متمرکز می‌شویم ولی کسانی که مساله‌شان بهینه کردن دقت پیش‌بینی و درجه اطمینان مدل است (مثلا کسانی که در حوزه یادگیری ماشین کار می‌کنند) جور دیگری از ما فکر می‌کنند: آن‌ها گاهی می‌پذیرند که تخمین‌گر کمی اریبی داشته باشد ولی در عوض واریانس خیلی پایین‌تری داشته باشد (به زبان روزمره یعنی حساسیت مدل به داده‌‌هایی که برای کالیبره کردن استفاده شده کم باشد). و کمی هم در مورد تخمین‌گرهایی مثل Stein و روی‌کرد کلی Shrinkage صحبت می‌کنم. هر چند بحث در همان جلسه اول بسته می‌شود ولی به نظرم این پیشینه ذهنی به اقتصادخوانده‌‌ها کمک می‌کند که رابطه فکری راحت‌تری با روش‌های رو به رشد در حوزه‌ یادگیری آماری و یادگیری ماشین برقرار کنند.

تقریبا مطمئنم با گسترش روش‌های یادگیری ماشین در حوزه سنجش علی (Causal Identification)، در چند سال آینده بخشی از محتوای کلاس‌های سنجی در این جهت تغییر خواهد کرد.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

اثرات اجتماعی فین‌تک و مبادلات فرکانس بالا

در ادامه بحث «بازی جمع صفر در بازارهای مالی» یک سلسله مطلب در مورد فین‌تک و مبادلات فرکانس بالا (HFT) می‌نویسیم که به آن بحث هم خیلی مربوط است.

به این پاراگراف که Menkveld 2016 برداشته ام دقت کنید

Hu, Pan & Wang (2014) show how
powerful their textual algorithms are when parsing macro announcements. They find that when the news is released to HFTs two seconds before the official announcement, most of the index-futures price discovery happens within 0.2 seconds after HFTs had their early peek.

پاراگراف انگلیسی می‌گوید که اگر اخبار کلان (مثل اعلام نرخ بیکاری یا نرخ بهره) از طریق روش‌های متن‌کاوی حدود «دو ثانیه» زودتر به مبادله‌کنندگان با فرکانس بالا برسد، بازارهای قراردادهای آتی حدود دو دهم ثانیه بعد از تراکنش این مبادله‌گران به‌روز می‌شود.

در واکنش به چنین پاراگرافی محققان دو دسته می‌شوند. گروه اول می گویند چه قدر هیجان‌انگیز! پس برویم و الگوریتم‌های یادگیری ماشین و متن‌کاوی‌ قوی‌تری بنویسیم که آن دو دهم ثانیه تبدیل به یک دهم ثانیه شود.

گروه دوم می‌پرسند که اگر این اتفاق را به عنوان یک «واقعیت صرف» بپذیریم چه پیامد‌هایی از آن ناشی می‌شود و چه منافع عمومی دارد. مثلا این «دو ثانیه» پردازش سریع‌تر اطلاعات - که در هر صورت فقط دو ثانیه بعد عمومی شده و در قیمت دارایی‌ها منعکس خواهد شد - اگر اتفاق نمی‌افتاد جامعه چه چیزی از دست می‌داد؟ اگر به جای دو ثانیه، مثلا دو ساعت تاخیر بود چه می‌شد؟ اگر دو ثانیه کم‌کم تبدیل به یک ثانیه و یک دهم ثانیه و امثال آن شود چه چیزی عاید جامعه می‌شود و الخ.

نوشته‌های این کانال در کل و این سری نوشته‌ها به طور خاص بیش‌تر حول سوال دوم است.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

📣🎯
🎊دومین هم اندیشی معناگرایی 🎊

"معناگرایی،تعامل بین رشته ای : امکان-امتناع"

.
با حضور اساتید ارجمند( به ترتیب حروف الفبا):
.
📜دکتر پژمان جعفری با موضوع معنا و مارکتینگ : کدام مارکتینگ، کدام معنا‌،
.
📜دکتر کامبیز حیدرزاده با موضوع بازاریابی معناگرا مفهومی نظری یا کاربردی،
.
📜دکتر بهرام خیری با موضوع بازاریابی معنا گرا گذر از انسان گرایی (از محصول گرایی به معناگرایی)،
.
📜دکتر بیژن عبدالکریمی با موضوع پرسش از امکان بازاریابی معناگرا،
.
📜دکتر احمد فعال با موضوع معنا در جهان مصرف محور


.
📣زمان : چهارشنبه 30 بهمن ماه 98 ، ساعت 14 الی 19
.
🏫مکان :تهران خیابان حافظ کوچه رشت دانشگاه امیرکبیر ساختمان فارابی سالن پروفسور سلیمی طبقه منهای یک
.
✍شرکت در این هم اندیشی، رایگان اما نیازمند ثبت نام است . ثبت نام در ایوند :
https://evand.com/events/معناگرایی-تعامل-بین-رشته-ای-امکان-امتناع-522068
آدرس تلگرام :
@Sedalgroup

اثرات حقیقی مبادلات با فرکانس بالا: قیمت اوراق بهادار

این را می‌دانیم که نظام قیمت‌های بازار مثل یک سیستم عصبی برای جامعه عمل می‌کند و «ترجیحات» مصرف‌کنندگان از یک طرف و «کم‌یابی نسبی» عوامل تولید را از طرف دیگر منعکس می‌کند و در نتیجه حاوی اطلاعات بسیار ذیقیمتی است که اگر مختل شود باعث تصمیمات نادرست و سرمایه‌گذاری‌های ناکارا می‌شود که در کشور خودمان هم فراوان سراغ داریم. سوال این است که آیا همین متافر را می‌توان در مورد بازار مالی هم به کار برد؟

به عبارت دیگر همان طور که قیمت سیب و گلابی حاوی اطلاعات مربوط به «ترجیحات و کم‌یابی حقیقی» است، آیا قیمت «اوراق بهادار» یا Security ها هم حاوی چنین اطلاعاتی است؟ قطعا این طور است. مثلا قیمت مجموعه اوراق قرضه جمع تخمین‌های جامعه از متغیرهای کلیدی مثل تورم، نرخ بهره حقیقی و احتمال ورشکستگی در اقتصاد را منعکس می‌کند. قیمت سهام، تخمین کلی جامعه از سودآوری بلندمدت بخش حقیقی را نشان می‌دهد و قیمت قراردادهای آتی محصولات خام (کومودیتی‌ها) تخمین‌گری از تعادل عرضه و تقاضای آینده برای این محصولات است. در هر سه این مثال‌ها به یک ویژگی مشترک دارایی‌ها اشاره کردیم: قیمت دارایی معمولا آینده‌نگر (Forward-Looking) است و اطلاعات آینده را در قیمت امروز منعکس می‌کند.

چون قیمت اوراق بهادار آینده نگر است، یک عامل مهم دیگر هم در قیمت آن‌ها تاثیر دارد که در قیمت سیب و گلابی تا حد خوبی غایب است و آن چیزی است که کینز به آن «مسابقه زیبایی» می‌گوید و اکثر ما با انواع مختلف آن آشنا هستیم. این تفسیر از قیمت دارایی‌ها می‌گوید که مهم نیست که من در مورد ارزش این دارایی چه فکر می‌کنم، بل‌که مهم این است که بدانم «بقیه» چه فکر می‌کنند (حتی اگر اشتباه فکر کنند) و در نتیجه مجموعه‌ای از «تصورات و عوامل رفتاری دیگران در مورد حال و آینده» هم وارد قیمت‌گذاری من می‌شود. تا جایی که من فکر می‌کنم که «فردا» یک نفر حاضر خواهد بود این سهم را از من به ۵۰ تومان بخرد، حاضرم امروز ۴۹ تومان بابت آن بپردازم، ولو این‌که خودم فکر کنم که این سهم بیش‌تر از ۲۰ تومان نباید بیرزد (به بحث فلسفی این‌جا دقت کنید، معنی «قیمت واقعی» دقیقا چیست؟)

البته اگر به این اصل که جامعه در نهایت انتظارات عقلانی دارد معتقد باشیم (که من هستم) در این صورت می‌گوییم که اگر چه ممکن است ارزش‌گذاری کلی جامعه مدتی خطا کند ولی دیر یا زود انتظارات و تصورات با «واقعیت» ارزش دارایی‌ها منطبق خواهد شد. در نتیجه اتفاقاتی مثل «حباب» یا قیمت‌گذاری بالاتر یا پایین‌تر از حد واقعی، گذرا و موقت هستند و نهایتا قیمت دارایی‌ها کمابیش متوسط یک تخمین درست از آینده را منعکس می‌کنند.

خب تمام پاراگراف‌های قبلی می‌‌گویند که پس اوراق بهادار و دارایی‌ها هم حاوی اطلاعات مهم و کلیدی هستند. ولی سوال بعدی که جوابش اصلا بدیهی نیست این است که چه کسانی از این اطلاعات بهره می‌برند و نیاز دارند که چنین اطلاعاتی با چه فرکانسی بروز شوند. در ادامه در مورد این موارد صحبت خواهیم کرد.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

یک خاطره بدون شرح: مصایب زندگی کارمندی

حدود بیست سال پیش در یک سازمان دولتی مشاور بودم. البته مشاوری که در واقع کارمند یک شرکت مشاور خصوصی بود و ساعتی حقوق می‌گرفت ولی محل استقرارش در سازمان کارفرما بود. پروژه ما از نوعی بود که به موازات ما هم برخی نیروهایی که کارمند رسمی آن سازمان بودند هم وظایف مشابهی داشتند. یعنی در واقع دو سری آدم بودیم با مسوولیت و اهداف کاری کمابیش مشترک ولی ساختار قراردادی مختلف.

ما که مشاور ساعتی بودیم با تاکسی و اتوبوس به محل کار می‌رفتیم (کارفرما در محدوده طرح ترافیک بود) و متوجه شدیم که آن کارشناسان کارفرما که از «کارمندی» می‌نالیدند، ماشین‌‌های دولتی نو در اختیار دارند و می‌آیند و می‌روند. یکی‌شان یک بار گفت که می‌خواستند به من پژو بدهند ولی من دیدم پیکان دردسرش کم‌تر است! موقع ناهار هم ما ساندویچی چیزی آن اطراف پیدا می‌کردیم ولی کارمندان سلف-سرویس رایگان خودشان را داشتند. ولی قسمت جالب‌تر قضیه حجم کار روزانه بود. ما چون ساعتی بودیم و بلاخره به برخی چیزها معتقد، ذره ذره ساعت‌های کارمان را ثبت می‌کردیم و برخی روزها که زمان به مباحث جنبی می‌گذشت فقط ۳-۴ ساعت کاری ثبت می‌شود. در عوض این دوستان در عین این‌که حقوق و مزایا و اضافه کار تمام وقت می‌گرفتند بیش‌تر مدت را مشغول گپ و گفت و خاطره و خنده بودند و البته فراموش نمی‌کردند که در زمان لازم برای ما «قیافه» هم بگیرند و در برخی جلسات دعوت نکنند و الخ.

و اصل خاطره این‌جا است. یک روز کپی فاکسی که از سازمان محیط‌زیست آمده بود اشتباهی به من هم داده شد. ماجرا یک کارگاه آموزشی در مورد مدیریت و اقتصاد محیط‌زیست بود که توسط کارشناسان بانک جهانی برگزار می‌شد و نهاد برگزارکننده از سازمان‌های مختلف دولتی برای شرکت دعوت کرده بود. آن موقع جوان و اهل ریسک بودیم، در نتیجه بدون این‌که از سوی جایی معرفی شده باشم روز برگزاری کارگاه سرم را انداختم پایین و رفتم به پردیسان و گفتم من کارمند هیچ‌جا نیستم ولی این دعوت‌نامه را دیدم و قصد شرکت دارم و خلاصه یک جوری اجازه دادند که شرکت کنم. البته همان اول کار و در زمان معرفی متوجه وصله ناجور بودنم شدم چون تنها شرکت‌کننده از بخش خصوصی در این کارگاه ۲-۳ روزه بودم و بقیه همه کارمندان سازمان‌های دولتی بودند. بگذریم که کارگاه بسیار مفیدی بود و آخر سر هم وقتی تیم‌ها را ارزیابی کردند، تیم ما اول شد چون تنها تیم مجهز به لپ‌تاپ و مهارت مدل‌سازی و پاورپوینت و از این قسم موارد بی‌فایده بود :) و البته صدای برخی کارشناسان دولتی هم از شیوه تحلیل و مدل‌سازی و ارائه نتایج ما درآمد.

روز آخر کارگاه که دیگر آشنا و رفیق شده بودیم از من هم دعوت کردند سوار اتوبوس‌هایی که شرکت‌کنندگان را به مرکز شهر باز می‌گرداند بشوم. آن‌جا متوجه یک تفاوت کار در بخش خصوصی و دولتی شدم. من این سه روز را از «جیب خودم» شرکت کرده بودم چون برای سه روزی که سر کار نرفته بودم درآمدی نداشتم. در عوض بقیه شرکت‌کنندگان نه تنها حقوق‌شان سرجایش بود بل‌که بعضا حق «ماموریت» هم می‌گرفتند. البته نیمه پر لیوان این است که شاید چون از جیب خودم خرج قضیه را داده بودم، دوره را از بقیه بیش‌تر جدی گرفته بودم.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

کرونا و اقتصاد ایران

در کنار نگرانی‌های جدی و درجه اولی که در مورد اثر اپیدمی محتمل کرونا روی سلامت شهروندان هست، یک نگرانی بعدی هم در مورد تاثیر این بحران روی اقتصاد کشور و معیشت هم‌وطنان ما و راه‌های حداقل کردن تاثیر منفی اقتصادی ماجرا است، آن‌هم در شرایطی که بخش بزرگی از مردم به دلایل مختلف - از تحریم‌های ظالمانه گرفته تا سیاست‌های غلط - تحت فشارهای اقتصادی و معیشتی شدید هستند. ان‌شاا... که کرونا درست مدیریت می‌شود و با کم‌ترین خسارات ممکن خاموش می‌شود ولی اگر احیانا شیوع این بیماری چند هفته‌ای یا خدای نکرده چند ماه طول کشید چه اتفاقات اقتصادی ممکن است رخ بدهد؟

برای نقطه شروع این پست آقای پدرام سلطانی را ببینید.

https://t.me/pedram_soltani/203

برای داشتن یک چارچوب تحلیلی منسجم و علمی برای تحلیل بخشی و تجمیعی ماجرا، جنبه‌های زیادی هست که می‌شود به بحث آقای سلطانی اضافه کرد. اول این‌که باید اثرات مستقیم کرونا (مثل هزینه‌های بهداشتی) را از اثرات غیرمستقیم (مثل تاثیر روی عرضه نیروی کار و کاهش تقاضا) را از هم تفکیک کرد. ضمن این‌که باید اثر روی اقتصاد داخلی را از تاثیر روی بازارهای بین‌المللی جدا کرد.

علی‌الحساب یک زاویه را برجسته می‌کنیم: در اقتصاد خیلی مهم است که بدانیم که آیا اثر یک «شوک گذرا» قابل مدیریت کردن از طریق جا به جا کردن برنامه بهینه تولید هست یا نه. مثلا کارخانه‌ای را تصور کنید که با ظرفیت کامل و در تمام ۲۴ ساعت روزهای هفته کار می‌کند. در این حالت، هر ساعت قطع برق کارخانه باعث خسارتی می‌شود که قابل جبران نیست چون قیود تولید در بقیه ساعت‌ها فعال هستند. در مقابل شرکتی را تصور کنید که روزانه هشت ساعت برای تولید یک نرم‌افزار فعالیت می‌کند. اگر احیانا یک روز کاری به خاطر برف تعطیل شود، اثر آن از طریق سرشکن کردن روی روزهای دیگر و چند ساعت اضافه کاری قابل جذب است.

همین چارچوب را به اقتصاد کلان تعمیم بدهید. اگر در سطح کلان اکثر بنگاه‌ها زیر ظرفیت کامل فعالیت می‌کنند و قیود تولید عمدتا از محدودیت‌هایی مثل واردات مواد اولیه یا تامین مالی ناشی می‌شوند، کل اقتصاد این امکان را دارد که موقتا سطح تولید خود را پایین بیاورد و در دوره‌های بعدی سطح تولید را بالاتر ببرد چون برای بالا بردن موقت سطح تولید در دوره‌های بعدی ظرفیت بلااستفاده و خالی دارد. طبعا درجه این هموارسازی در بخش‌های مختلف اقتصاد متفاوت است. مثلا اگر کشت کشاورزی یک فصل تعطیل شود، عملا در دوره بعدی قابل جبران نیست و تولید آن فصل از دست رفته است. در حالی که اگر تقاضای توریسم یا درمان یا آموزش یا تعمیر خودرو و امثال آن برای چند ماه کم شود، هم‌چنان ممکن است که این تقاضا موقتا به «تعویق» افتاده باشد و در دوره‌های بعدی به تدریج برگردد و در نتیجه کل تقاضای طول یک سال برای این بخش‌های تغییر چندانی نکند.

این مقدمه‌ای بر بحث بود و اگر عمری باقی بود ادامه می‌دهیم. البته امید اصلی این است که کرونا زودتر مهار شود و نیاز به ادامه بحث نباشد.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

کرونا و شبکه‌ها

دوستانی که تخصص مدل‌سازی شبکه (و خصوصا پویایی و رفتار انتشار روی شبکه) دارند، تخصص‌شان این روزها خیلی به درد می‌خورد. ببخشید که تلخ و گزنده می‌نویسم ولی چند روز کار در برج عاج را تعطیل کردن و خلاصه‌ای از نتایج و شهودهای مهم ادبیات در این حوزه را به زبان ساده نوشتن و پخش کردن می‌تواند به کمک بیاد و اثر واقعی داشته باشد. اگر هم نیاز به مثلا ترجمه متن‌های شما به فارسی یا بستری برای انتشار مطالب و امثال آن بود من و فکر کنم خیلی‌های دیگر حاضر هستیم کمک کنیم. متخصصان بهداشت کمک می‌کنند که در سطح فردی درست رفتار کنیم و متخصصان شبکه می‌توانند تصویری کلان‌تر از پویایی انتشار بیماری به مردم و سیاست‌گزاران بدهند.

بروزسازی: در زیر لینک پست‌هایی که حول مساله کرونا در این کانال منتشر می‌شوند را می‌توانید ببینید.

https://t.me/hamedghoddusi/714
https://t.me/hamedghoddusi/715
https://t.me/hamedghoddusi/716

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

پویایی انتشار بیماری در جامعه

دوستان زیادی لطف کردند و در پاسخ به این دعوت (https://t.me/hamedghoddusi/713) نظرات و تحلیل‌ها و مطالب مفیدی را ارسال کردند که در روزهای آینده منتشر می‌کنم. به عنوان یک مقدمه تحلیلی ساده که ممکن است برای درک بحث‌‌های روزهای آینده مفید باشد، خوب است به این سوال ابتدایی و استاندارد در حوزه اپیدمولوژی فکر کنیم: چه طور می‌شود که یک بیماری در سطح جامعه پخش می‌شود و یک بیماری دیگر پس از مدتی خاموش می‌شود؟

در ساده‌ترین حالت ممکن (که شبکه همگن باشد یعنی افراد جامعه کمابیش مثل هم باشند)، ماجرا تابعی از سه متغیر است: تعداد افرادی که هر فرد با آن‌ها در تماس است، میزان تعامل بین آن‌ها در طول روز و احتمال انتقال بیماری در هر تماس.

بر اساس این سه متغیر، می‌شود حساب کرد که هر فرد بیمار به طور متوسط چند نفر دیگر را بیمار خواهد کرد. حال اگر این عدد کوچک‌تر از «یک» باشد، بیماری خاموش می‌شود چون زنجیره بیمارسازی ضعیف و ضعیف‌تر می‌شود. مثلا اگر عدد ۰.۸ باشد و من بیمار باشم، زنجیره‌ هم‌گرایی از ۰.۸ و ۰.۶۴ و ... نفر بیمار جدید در جامعه شکل می‌گیرد که جمع آن عدد کران‌داری است. ولی اگر عدد متوسط بیمارسازی توسط هر نفر بزرگ‌تر از یک باشد، بیماری در جامعه پخش شده و مرتبا عده بیش‌تری را آلوده می‌کند.

حال اگر شبکه همگن نباشد و مثلا برخی افراد مرکزیت (Centrality) داشته باشند (مثلا رانندگان تاکسی، صندوق‌داران، استادان دانش‌گاه و امثال آن‌ها که تعداد تماس‌‌های‌ روزمره‌شان خیلی بیش‌تر از فرد متوسط جامعه است) قضیه کمی پیچده‌تر می‌شود چون این افراد «پر اثر» ممکن است پل انتقال بین تعداد زیادی از زیرگروه‌های بدون ارتباط باشند.

از طرف دیگر درجه تماس و شدت تعامل (احتمال انتقال در هر تماس) بین افراد هم هم‌گن نیست. مثلا شدت تعامل افراد خانواده خیلی قوی‌تر از شدت تعامل بین دانش‌آموز و مدیر مدرسه است.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

مدیریت انتشار بیماری در شبکه چند لایه
نویسنده مهمان: دکتر رسول رمضانیان

ما در مقاله‌ای به بررسی انتشار (یک رفتار، یک ویروس و ...) در بستر اجتماعی شبکه چند لایه پرداخته‌ایم (https://www.researchgate.net/publication/265052043_Diffusion_of_Innovations_over_Multiplex_Social_Networks).

🔷 وقتی می گوییم شبکه اجتماعی چند لایه، منظور چیست؟ همه ما در چندین شبکه اجتماعی با هم در ارتباط هستیم، شبکه اجتماعی خانوادگی و اقوام، شبکه اجتماعی همکاران، شبکه اجتماعی خریداران یک سوپرمارکت و ...

🔷 اگر یک شبکه چند لایه به ما بدهید، ما می توانیم بگوییم که قطع کردن کدام یالها (یعنی مثل تعطیلی کدام خط مترو) در اولویت است.

🔷 در این مقاله با توجه به جمعیت اولیه مبتلا، و احتمال انتقال، و نوع شبکه چندلایه، یک آستانه محاسبه شده است که اگر در صورتیکه مقدار جمعیت اولیه و یالهای شبکه و احتمال انتقال از آستانه کمتر باشد، همه گیری متوقف شده و کل اعضای شبکه را درگیر نخواهد کرد.

🔷 برای کرونا نیاز است که مقادیر اولیه (جمعیت اولیه، احتمال انتقال و شبکه چند لایه) را مشخص کنیم تا بتوانیم آستانه را محاسبه کنیم.

چای داغ: یک توصیه سیاستی این است که هر چه سریع‌تر پارامترهای کلیدی مثل احتمال انتقال و ساختار شبکه تعامل اجتماعی تخمین‌زده شود تا امکان تحلیل‌های سیاستی بهینه فراهم شود.

🔷 اما بطور کلی به هر ترتیبی که بتوانیم لایه های شبکه اجتماعی را ضعیف کنیم، موفق تر خواهیم بود. اگر در یک شبکه اجتماعی مذهبی مسجد عضو هستید، اگر به یک کافه می روید و ... این مکان ها مثل هاب عمل می کنند، از رفتن به هاب های خودداری کنید.

توصیه سیاستی: این یعنی این‌که جای‌گزینی هاب‌هایی با درجه تماس پایین (مثل خرید از بقالی محلی) به جای حضور در هاب‌های با تماس بالا (مثل خرید از هایپرمارکت) خودش یک قدم مهم در کاهش درجه اتصال شبکه است. در همین راستا، برداشتن موقت طرح ترافیک و تشویق مردم به استفاده از خودروهای کوچک (ماشین شخصی یا تاکسی) به جای وسایل حمل و نقل عمومی شلوغ برای سفرهای ضروری می‌تواند یک قدم باشد.

این مطلب در راستای سلسله مطالب قبلی (https://t.me/hamedghoddusi/714) این کانال برای تحلیل و مدیریت اپیدمی کرونا از منظر است.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

💎 ریسک سیستمی همه گیری ناشی از پاتوژن (بیماری زا) های جدید – کروناویروس: یک یادداشت
نسیم نیکولاس طالب، یانیر باریام، جوزف نورمن
26 ژانویه 2020

این یادداشت در مورد چندین اصل برای مقابله با کروناویروس جدید می باشد.
به طور مشخص، ما درگیر فرآیندی به شدت دم کلفت(fat-tailed) هستیم که افزایش اتصال مکان های مختلف به یکدیگر، سرعت انتشار را به شکل غیرخطی افزایش می دهد. فرآیندهای دم کلفت، دارای مشخصه هایی هستند که رویکردهای مدیریت ریسک معمول را ناکافی می سازند.

اصل احتیاطی کلی:
این اصل در مورد وضعیت هایی ست که باید کارها برای دوری از به فنارفتگی(ruin) انجام شوند و تحلیل های هزینه فایده ی مرسوم نباید به کار گرفته شوند. در حالیکه بقای بشر در مواجهه با تک رویداد های این چنینی احتمال بسیار بالایی دارد، اما در طول زمان، و هنگامیکه به صورت مکرر در معرض پدیده های این چنینی قرار بگیریم، در نهایت احتمال بقای بشر صفر است. در حالیکه ریسک های مکرر توسط افراد با امید به زندگی های محدود می تواند پذیرفته شود، اما در سطح سیستماتیک و جمعی، هیچوقت نباید در معرض به فنارفتگی قرار گرفت.

تجربه گرایی خام (ساده لوحانه) در مباحث مربوط به این مسئله:
سرعت گسترش: برآوردهایی از نرخ گسترش بیماری که بر اساس داده های تاریخی ست، به خاطر افزایش ارتباطات حمل و نقلی سالهای اخیر، سرعت و نرخ گسترش را دست کم میگیرد. اتصال نقاط مختلف جهان از جمله چین به یکدیگر، این روزها بیش از هر موقع در گذشته است. اساسا، رویداد های مسری ویروسی به ارتباط عوامل در فضای فیزیکی وابسته است و با نامعلومی هایی که شیوع ویروس های جدید لزوما به همراه دارند، کاهش موقت ارتباط نقاط مختلف به یکدیگر به منظور کم کردن جریان افراد ناقل محتمل، تنها رویکرد مقاوم در برابر تخمین های اشتباه از ویژگی های ویروس یا سایر موارد بیماری زا است.

نسبت تکثیر: تعداد مواردی که به طور میانگین هر مورد در طی دوره واگیر آلوده می کند را R0 یا نسبت تکثیر ویروس گویند و برآوردهای این نسبت رو به پایین اریب(biased) است. این مشخصه به خاطر دم کلفتی (fat-tailedness) و رویدادهایی ست که در آن افراد ناقلی به صورت خارق العاده تعداد بسیار زیادی را آلوده می کنند. در واقع، این نسبت از تخمین میانگینی به دست می آید که طول می کشد تا همگرا شود چرا که خود متغیری دم کلفت است.

میزان مرگ و میر: میزان شیوع بیماری و مرگ و میر نیز به علت تاخیر در شناسایی موارد مبتلا، مرگ ها و گزارش آن مرگ ها، اریبی رو به پایین دارد.

پاتوژن های نوظهور سریع منتشر شونده ی به طور فزاینده کشنده: با افزایش حمل و نقل، نزدیک گذر به شرایطی هستیم که به خاطر انتشار سریع تر و رویارویی با پاتوژن های به مراتب بدتر، انقراض قطعی شود.

عدم قطعیت نامتقارن: ویژگی های نامعلوم ویروس، تاثیر قابل توجهی در کارایی سیاست های پیاده شده خواهد داشت. مثلا، اینکه آیا ویروس از افراد ناقل بدون علامت نیز سرایت می کند یا خیر؟ این نامعلومی ها باعث می شود که تاثیر مطلوب اقداماتی نظیر کنترل دمای بدن در پایانه های مسافری در هاله ای از ابهام قرار گیرد. عملا، کل این نامعلومی ها در جهت وخیم تر شدن مسئله می باشند.

بی کنشی: شاید به خاطر چالش های یاد شده، یک رویکرد سلامت عمومی متدوال بی کنشی ست و پذیرفتن آن چه که روی خواهد داد، به علت باور به اینکه نمی شود کاری کرد. این پاسخ ناصحیح است زیرا قدرت اهرمی مداخله های فوق العاده ی منتخب درست، می تواند بسیار بالا باشد.

نتیجه گیری: رویکردهای سیاستی فرد-مقیاس استانداردی مانند کناره گرفتن، رد گیری تماس افراد آلوده و نظارت، در صورت رویارویی با سرایت گسترده، به شدت کم اثر می شوند و زین سو، نمی توان برای مهار همه گیری به آنها تکیه کرد. رویکردهای چند-مقیاس جمعیتی مانند قطع شدید ارتباط شبکه ها (مکان های مختلف) به یکدیگر به وسیله ی محدودیت های جمعی، تغییر رفتار اجتماعی و خود-پایشی انجمن های محلی ضرروی است.
این مشاهدات ضرورت اتخاذ رویکرد احتیاطی نسبت به شیوع بیماری های واگیر فعلی و آتی را نشان می دهد، که باید شامل محدود کردن الگوهای حرکتی در مراحل اولیه شیوع بیماری باشد، به خصوص هنگامیکه هنوز شناخت بسیار کمی از ویژگی های پاتوژن (بیماری زا) وجود دارد.
کاهش حرکت ها و جا به جایی ها، در کوتاه مدت هزینه هایی را به همراه خواهد داشت، ولی در صورت عدم انجام این کار، در نهایت همه چیز هزینه خواهد شد. طغیان و شیوع بیماری های این چنینی گریز ناپذیر است اما پاسخ احتیاطی مناسب، می تواند ریسک سیستماتیک را تا حد زیادی کاهش دهد. اما سیاست گذاران و تصمیم گیران، باید سریع عمل کنند و از مغلطه (احترام مناسب برای نامعلوم ها در رویارویی با فاجعه ی احتمالی برگشت ناپذیر، پارانویا است) یا وارون آن (اینکه هیچ کاری نمی شود کرد) دوری کنند.

تا حدی ترجمه و کمی تلخیص: سینا صفری، ۶ اسفند ۱۳۹۸

▪️فهرست به‌روز شده بیمارستان‌هایی که به مراکز درمان بیماری کرونا اختصاص یافته‌اند به تفکیک استان‌ها و شهرستان‌ها

🔺در استان تهران ۱۶ مرکز درمانی شامل بیمارستان‌های هاجر، شهدای یافت‌آباد، فیروزآبادی شهر ری، فیروزگر، شهید مهدی شریعت رضوی، امام خمینی، ضیائیان، امیراعلم، آیت‌الله کاشانی، بعثت، مسیح دانشوری، شهدای گمنام، طرفه، لبافی‌نژاد، بقیه‌الله الاعظم و شهید مفتح ورامین در این فهرست قرار دارند.
#کرونا
@tehranchamber

🔹 احتمال شرطی،  کرونا و مسئولیت اجتماعی


خطر اصلی در ویروس کرونای جدید نه فقط بالا بودن احتمال مرگ، که سرعت شیوع آلودگی است.

به زبان ساده احتمال اینکه من بر اثر هر بیماری  بمیرم حاصل ضرب دو احتمال است.

 احتمال اینکه من آن بیماری را بگیرم(١)
ضرب در (×)
احتمال اینکه  به شرط داشتن آن بیماری بمیرم (٢)

 در مورد خیلی از بیماریها این احتمال دوم در مقایسه با ویروس کرونای جدید  بسیار بزرگتر است. به طور مثال احتمال زنده ماندن برای بیماری که دچار «بیماری خواب آفریقایی» شود تقریبا صفر و برای کسی که «آبله» بگیرد کمتر از 5 درصد است. ولی ما اکنون نگران هیچ یک نیستیم، چون در هر دو مورد احتمال بیمار شدن برای ما نزدیک به صفر است. پس احتمال اینکه مرگ ما بر اثر این دو بیماری باشد تقریبا صفر ضربدر یک و کاملا قابل صرفنظر کردن است.

دقیقا این همان چیزی است که در مورد ویروس کرونای جدید نگرانی ایجاد کرده است. ضریب واگیری و احتمال اینکه به بیماری دچار شویم.

در خصوص احتمال شرطی دوم تقریبا هنوز علم به نتیجه ای برای کاهش مرگ آوری نشده است، هر چند امیدواریم که بزودی روشهای موثری یافت شود. طبق برآورد های آماری اکنون این احتمال شرطی حدود 2 درصد است. البته به سن و شرایط جسمانی هم بستگی دارد. یعنی اگر شما بیمار شوید 98 درصد احتمال دارد که به سلامت دوره درمان را سپری کنید و سلامتی خود را بدست آورید.

ولی احتمال اول به مقدار زیادی به ما و شیوه زندگی ما بستگی دارد. مطمئنا اگر شما خود را از امکان تماس با ویروس و افراد حامل آن محافظت کنید شانس اینکه دچار شوید را پایین میاورید و حاصل ضرب را به صفر نزدیک میکنید.

بنابر این تعداد زیادی از بیمارانی که تاکنون مبتلا شده اند الان رو به بهبود هستند. اینکه شمایی که بیمار بودید یا هستید جزو آن 98 درصد هستید یک خوش شانسی برای شماست نه یک افتخار. ولی دلیل ندارد که هر فرد دیگری به همین اندازه خوش شانس باشد. اگر به دلیل بی احتیاطی شما، مثلا 100 نفر دیگر آلوده شوند، به طور آماری شما مسئول مرگ دو نفر از ایشان هستید. یادتان باشد که افرادی که به شما نزدیک تر هستند احتمال آلوده شدنشان بیشتر است، خانواده، همکار، دوست. پس مسئولیت اجتماعی خود را جدی بگیرید.

کسی که علنا در صدا و سیما یا تصویر به اشتراک گذاشته شده در شبکه های اجتماعی اعلام می‌کند: "من کرونا گرفتم و بدون اینکه خود را قرنطینه کنم یا حتی از ماسک استفاده کنم خوب شدم"، و این را شجاعت خود می داند و دیگران را به این شجاعت توصیه می کند شاید نمی داند که با این شجاعتش تا کنون حتما  چندین نفر را به کام مرگ  فرستاده است.  اگر میدانست، اینگونه از این حماقت خود دم نمی زد. آنهایی که بیمارند نه به خاطر خود، بلکه باید به خاطر دیگران ماسک بزنند، نه به خاطر خود، بلکه به خاطر دیگران باید خود را قرنطینه کنند و از تماس با دیگران پرهیز کنند. حتی اگر به بیماری خود مشکوکید باز هم مسئولید. یادتان باشد در مورد مرگ انسان ها صحبت میکنیم. در مورد مرگ انسانیت صحبت میکنیم.


«در كويري سوت و كور
در ميان مردمي با اين مصيبتها صبور
صحبت از مرگ محبت مرگ عشق
گفتگو از مرگ انسانيت است.»

فریدون مشیری  

https://t.me/RezaEjtehadi

دستورالعمل کرونا برای کادر بهداشتی

کرونا و اقشار فقیر جامعه

🖊 عقیل دغاقله

کرونا اقشار فقیر و به حاشیه رفته جامعه را بیشتر تهدید می کند. مطالعات پیشین به خوبی نشان داده اند که بیماری های اپیدمیک احتمال بیشتری دارد که افراد فقیر و حاشیه نشینان را-به نسبت دیگر طبقات اجتماعی- گرفتار سازند. دلایل مختلفی برای این امر وجود دارد:

۱. تراکم جمعیتی بیشتر در مناطق فقیر نشین

۲. تعاملات اجتماعی روزانه بیشتر

۳. اظهار و ابراز صمیمیت بیشتر در تعاملات روزانه (گرم بودن روابط)

۴. اشتغال در حرفه ها و مشاغلی که تعامل و تماس بیشتری با عموم جامعه را ایجاد می کنند: دستفروشی، رانندگی، بازار

۵. بهره گیری بیشتر از خدمات و سرویس های عمومی: مراکز بیمارستانی دولتی، اتوبوس، مترو، مراکز بهداشت دولتی

۶. اهتمام کمتر به خطرات ناشی از بیماری های اپیدمیک به دلیل تمرکز بر نیازهای معیشتی و حیاتی

۷. تعلل در رفتن به پزشک برای معالجه به دلیل هزینه های احتمالی

۸. نداشتن امکان استراحت و ماندن در خانه به دلیل نوع شغل و ریسک بیکار شدن در صورت غیبت طولانی مدت

۹. عدم دسترسی لازم به اطلاعات صحیح و متقن درباره بیماری های اپیدمیک به دلیل عدم دسترسی به شبکه های اجتماعی، نداشتن تلفن هوشمند یا نداشتن وقت یا مهارت در گشت و گذار در این شبکه ها

۱۰. رنج بردن بیشتر از بیماری های زمینه ای مانند دیابت، فشار خون و یا بیماری های قلبی و عروقی که خطر ابتلا و مرگ و میر را افزایش می دهد.

۱۱. سیستم ایمنی ضعیف تر به دلیل نوع تغذیه و سبک زندگی پر استرس

به این لیست می توان موارد دیگری را نیز افزود. اما در نظر گرفتن همین فاکتورها می تواند ضرورت توجه ویژه و جدی تر به اقشار فقیر و محروم جامعه را نشان دهد. کارهای ساده ای که شاید موثر باشند:

🔷 تمرکز ویژه حوزه اطلاع رسانی بر اقشار فقیر و مناطق فقرنشین

🔷 انتشار بروشورهای ساده/مصور توسط آموزش و پرورش برای والدین و خانواده ها در مناطق فقیر نشین

🔷 اطلاع رسانی درباره علایم بیماری کرونا و شیوه مراجعه به پزشک در صورت مشکوک بودن به این بیماری

🔷‌ تهیه بروشور/ویدیو های آموزشی در سطح محلی و منطقه ای که شیوه های انتقال بیماری را با مولفه های موجود در زندگی روزمره این مردم در هم بیامیزد.

🔷‌تلاش بیشتر معلمان در این مناطق به اطلاع رسانی ویژه و آموزش اقدامات لازم

🔷 توزیع لوازم و موارد پیشگیرانه به صورت رایگان در مناطق فقیر نشین

🔷 تعطیل کردن موقت مراکز پرتجمع و پرتردد پرخطر در مناطق فقیر نشین- مانند قهوه خانه ها- (در نقاطی که احتمال انتشار می رود)- و پرداخت بخشی از خسارت به صاحبان این مراکز

🔷 اطلاع رسانی مستمر رادیو و تلویزیون

🔷 فعال و درگیر شدن نهادها و سمن های مختلف - با تمرکز بر مناطق فقیر نشین- و یافتن شیوه های اطلاع رسانی مناسب و انجام آنها

🔷 همچنین به نظر می رسد که در دراز مدت چرخه بیماری بیشترین اثر منفی را بر اقشار ضعیف و فقیر جامعه تحمیل می کند. هر گونه توقف یا کاهش چرخه اقتصادی-آنهم در شرایط کنونی- اولین اثر خود را بر اقشار فقیر می گذارد و ضروت دارد که به بسته های حمایتی برای اقشار فقیر جامعه نیز اندیشیده شود.

«اگر می‌پسندید، با دوستان خود به اشتراک بگذارید.»
t.me/adagha

شبیه‌سازی عامل-محور گسترش کرونا
نویسنده مهمان: مریم توکلی

مقدمه:‌ مدل سازی بر مبنای عامل (agent-based modeling) یکی از روش های شبیه سازی و تحلیل سیستم های پیچیده جمعیتی است. کاربرد اصلی این روش وقتی است که مدل سازی محاسباتی در سطح فردی (و روابط بین فردی)، خیلی ساده تر از مدل سازی رفتار جمعی سیستم باشد. به دلیل پیچیدگی اعتبارسنجی این مدل‌ها در مقایسه با مدلهای تحلیل داده و یادگیری ماشین، این حوزه در سال‌های اخیر چندان طرفدار ندارد و پویا نیست. اما در بعضی کاربردهای پیچیده مثل شرایط گسترش بیماری، روش قابل فهمی برای درک و پیش بینی پدیده ها در سطح کلان (مثلن میزان گسترش بیماری) بر مبنای تغییرات سطوح پایین (مثلن کاهش متوسط ارتباط های روزانه) ارایه میدهد.

بخاطر تعداد پارامتر زیاد و نداشتن نتیجه سناریوهای مختلف، اعتبارسنجی مدل های برمبنای عامل معمولا به‌طور کامل انجام نمی‌شود. بنابراین در بسیاری از موارد هدف این مدل ها شبیه سازی دقیق واقعیت نیست، بلکه تسهیل کننده تحلیل یک هدف بر مبنای تعدادی از متغیرها است. این متغیرها معمولا مجموعه ای از عوامل محرک و بازدارنده هستند که در نقطه ای به ثبات میرسند. این نقاط قابل مقایسه با واقعیت و قابل اعتبار سنجی هستند. ما در این جا یک مدل ساده را معرفی می‌کنیم که می‌تواند به عنوان پایه‌ای برای کارهای دقیق‌تر و پیچده‌تر استفاده شود.

۱) مدل گسترش بیماری، یک مدل ساده برای تحلیلی اولیه از چگونگی شیوع بیماری است. این مدل با تعریف کردن چند رابطه ساده نشان می‌دهد که چه‌طور تغییرات کوچک در سطح فردی (مثل متوسط تعداد ارتباط های بین افراد)، می‌تواند میزان شیوع بیماری را تغییر بدهد.

لینک:‌
http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/IABM%20Textbook/chapter%206/Spread%20of%20Disease.nlogo
منبع:
Wilensky, U. & Rand, W. (2015). Introduction to Agent-Based Modeling: Modeling Natural, Social and Engineered Complex Systems with NetLogo. Cambridge, MA. MIT Press.

متغیرها:

A) variant اثر متغیری که می‌خواهیم بررسی کنیم -- این اثر را روی نمودار پایین نسبت به زمان ‌می‌توانیم ببینیم.
mobile: حرکت مردم و تاثیر بر انتقال به همدیگر
network: اثر ارتباط برقرار شدن بین افراد و تاثیر آن بر انتقال
environmental: مدت زمان برای آلوده شدن محیط ها
B) num-infected: تعداد اولیه کسانی که آلوده شدند
C) num-people: جمعیت (چون نسخه تحت وب مدل محدودیت دارد میتوان از مقیاس کوچک‌تری برای جمعیت - مثلا لگاریتم جمعیت- استفاده کرد)
D) connection-per-node: متوسط تعداد ارتباط هایی که هر فرد در هر واحد زمانی (مثلا روز) برقرار میکند
E) desease-decay: مدت زمانی که فرد بیمار، ناقل است

۲)‌ مدل ساده گسترش ویروس های فصلی: این مدل تاثیر تعدادی از ویژگی های ویروس در نحوه گسترش اون بیماری در بین مردم را نشان می‌دهد. این مدل کمک می‌کند که شرایط گسترش این ویروس را با ویروس های بیماری زای قبلی مقایسه کنیم.

لینک بر روی وب:
http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/Sample%20Models/Biology/Virus.nlogo
منبع:
Wilensky, U. (1998). NetLogo Virus model. http://ccl.northwestern.edu/netlogo/models/Virus. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL.

متغیرها:
A) model speed: سرعت نمایش شبیه سازی
B) number-people:جمعیت (با مقیاس مناسب)
C) infectiousness: احتمال انتقال در صورت برخورد
D) chance-recover: احتمال سلامت بعد از آلودگی (زنده ماندن)
E) duration: مدت زمان بیماری (ناقل بودن)
F) turtle-shape: شکلی که هر فرد در شبیه سازی نشان داده می‌شود

برای اجرای شبیه سازی ها، ابتدا متغیرها رو تنظیم کنید، سپس دکمه setup و نهایتا go رو بزنید (اگر دوباره go را بزنید، شبیه سازی متوقف و اگر دوباره setup را بزنید مدل reset می‌شود).

بخش دوم مطلب
https://t.me/hamedghoddusi/725

لیست مطالب قبلی در این زمینه
https://t.me/hamedghoddusi/713

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

شبیه‌سازی عامل-محور گسترش کرونا (قسمت دوم)
نویسنده مهمان: مریم توکلی

۳) مدل گسترش ویروس SARS، یک تلاش ناتمام (۵ سال پیش) برای مدل سازی و تحلیل شرایطی مشابه شرایط الان بوده است. این مدل تعداد ویژگی های بیشتری از ویروس و محیط رو اضافه کرده است ولی نیمه رها شده و بدلیل اینکه متغیرهای بازدارنده کمی رو شامل شده است، میزان پراکندگی نتایج آن خیلی بیش از واقعیت است. در نتیجه در بیشتر شرایط، مدل به نقطه ثبات نمی‌رسد و ویروس کل جامعه رو میگیرد! با این حال، این مدل می‌تواند نسخه اولیه ای باشد برای کسی که بخواهد یک مدل سازی تحلیلی برمبنای عامل برای کرونا انجام بدهد.

به‌خاطر قدیمی بودن این مدل، نسخه ای که روی سایت هست کار نمی‌کند. برای اینکه با نسخه جدید netlogo قابل اجرا باشه تغییراتی که لازم هست رو اضافه کردم و فایل‌های زیپ شده آن را ضمیمه این مطلب می‌کنیم. لینک نصب netlogo هم در این پایین آمده است.

لینک:
http://modelingcommons.org/browse/one_model/4286
لینک دانلود NetLogo:
https://ccl.northwestern.edu/netlogo/6.1.1/


متغیرها:

A) Disease-Variables: انتخاب یک بیماری (اختیاری) - مقدارهای متغیرهای بعدی رو برمبنای هر بیماری و داده های آماری اون می‌‌توانید تغییر بدهید. اما این مقادیر رو برای سه بیماری ابولا، سارس و سرخک، طبق داده های آماری گذشته تنظیم کرده است که می‌توانید انتخاب کنید. با انتخاب این بیماری‌ها، مقادیر پیش فرض‌شان بطور خودکار تنظیم می‌شود ولی این مقادیر را خودتان هم می‌توانید تغییر بدهید. گزینه کرونا رو خودم اضافه کردم با مقادیری که خیلی هم معتبر نیستند.


B) fatality-rate: درصد مرگ و میر بخاطر این ویروس نسبت به کل بیماران
C) avg.-reproductive-rate: متوسط تعداد افرادی که یک فرد ناقل می‌تواند آلوده کند
D) reproductive-ratio-range: بازه تعداد افرادی که توسط یک ناقل آلوده می‌شوند reproductive-rate = avg.-reproductive-rate +/- reproductive-ratio-range
E) avg.-incubation-period: متوسط دوره پنهان بیماریF) incubation-period-range: بازه دوره پنهان بیماریincubation-period = avg.-incubation-period +/- incubation-period-range
G) symptom-length-lowest: حداقل طول معمول بیماری تا بهبود\فوت
H) symptom-length-highest: حداکثر طول معمول بیماری تا بهبود\فوت
I) get-again? در صورت ابتلا به بیماری و بهبود، آیا فرد در برخورد با بیمار دیگر دوباره مبتلا می‌شود؟
J) patient0-x طول جغرافیایی اولین بیمار
K) patient0-y عرض جغرافیایی اولین بیمار
J) #-people-per-agent: هر عامل (نقطه در تصویر) نماینده چند نفر است.

بخش اول مطلب
https://t.me/hamedghoddusi/724

لینک به فایل ضمیمه
https://t.me/hamedghoddusi/726

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

مدل نت‌لگو برای شبیه‌سازی عامل‌محور گسترش بیماری‌های ویروسی