依赖感染率和死亡率的SIR模型

《Axioms》：SIR Model with Dependent Infectivity and Death Rates

　　

本研究构建、分析并模拟了一个新的通用SIR流行病学模型，用于描述一种长期疾病的传播，其中感染率和死亡率系数为系统变量。诸如COVID-19等疾病清楚地表明，即使对于同一病毒变种，感染率和死亡率也会因疫苗接种、治疗改进、诊断优化和药物提升等因素而随时间变化。这促使研究人员构建了SIR-ID模型，在该模型中，速率系数作为状态变量参与系统随时间演化。该模型由五个耦合微分方程组成，其中感染率和死亡率的方程具有通用源函数。分析证明了解的存在性、正性和有界性。讨论了地方病平衡点（Endemic Equilibrium, EE）和无病平衡点（Disease-Free Equilibrium, DFE）及其稳定性。对DFE和EE进行了分岔分析，并进行了敏感性分析。计算机模拟展示了两种典型的动态行为：一种是DFE稳定且吸引，另一种是EE稳定且吸引。这些模拟还显示了系统趋近稳态的方式。

**论文解读：依赖感染率和死亡率的SIR模型**

**研究背景与问题**
经典的SIR模型假设感染率和死亡率为常数，但实际传染病（如COVID-19）的疫情数据表明，这些参数会随疫苗接种、医疗改善、病毒变异等因素动态变化。现有模型多通过曲线拟合处理时变参数，缺乏对参数内在动态机制的描述。为此，研究人员提出一种扩展的SIR模型，将感染率和死亡率作为系统状态变量，构建耦合微分方程，以更真实地反映长期疾病的传播规律。

**研究内容与结论**
研究人员构建了SIR-ID模型，包含五个微分方程：易感者（S）、感染者（I）、康复者（R）的经典动力学方程，以及感染率α和疾病所致死亡率β的动态方程。α和β受源函数调控，并施加约束以保证其取值在合理区间。通过数学分析，证明了模型解的非负性、有界性和全局存在性。稳态分析表明，当基本再生数R₀小于1时，无病平衡点（DFE）全局渐近稳定；当R₀大于1时，DFE失稳，出现地方病平衡点（EE）并局部渐近稳定。分岔分析揭示了R₀=1处的跨临界分岔，且系统不存在Hopf分岔，即无周期振荡。敏感性分析显示系统对感染率的敏感性最高。数值模拟验证了DFE和EE两种稳态的吸引行为，并展示了系统趋近稳态的动态过程。该模型为长期传染病动态提供了更精确的预测工具，为公共卫生决策提供了理论依据。论文发表于《Axioms》。

**主要技术方法**
研究人员采用常微分方程组建模，引入源函数和截断算子约束参数范围。利用线性化稳定性分析和下一代矩阵方法计算基本再生数。通过构造李雅普诺夫函数或Metzler矩阵条件证明全局稳定性。采用中心流形理论进行跨临界分岔分析。数值上使用显式时间步进算法（MATLAB R2025b）模拟，并通过细化网格验证收敛性。样本队列来源未在文中提及。

**研究结果**
- **无病平衡点（DFE）稳定性**：当R₀<1时，DFE局部渐近稳定；当R₀>1时失稳。进一步证明全局渐近稳定。
- **敏感性分析**：感染率α对R₀的影响指数为1，而死亡率β、自然死亡率μ和恢复率γ的指数为负，表明α是最敏感参数。
- **跨临界分岔**：在R₀=1处发生前向跨临界分岔，DFE将稳定性转移给EE。
- **地方病平衡点（EE）存在性**：当R₀>1时，存在唯一EE，表达式由定理6给出，且EE局部渐近稳定。
- **无Hopf分岔**：定理7证明不存在振荡解，系统单调趋近稳态。
- **数值模拟**：基于表2参数，案例1（R₀<1）中系统约20天趋近DFE，感染和康复人群归零；案例2（R₀>1）中系统趋近EE，感染和康复稳定于正值。模拟显示α和β动态变化，最终受系统约束而非预设常数。

**讨论与结论**
讨论部分指出，模型需根据具体疾病定制源函数，并探讨了未来扩展方向，如引入随机性模拟新变异株出现、将恢复率γ作为状态变量、优化公共卫生策略等。结论部分强调，SIR-ID模型通过将感染率和死亡率作为系统变量，成功捕捉了长期疾病中的时变特性，验证了DFE和EE的稳定性，且无振荡行为。模拟结果证实了模型的有效性，为传染病防控提供了更可靠的数学工具。