پیشبینی ناپذیری در پارامترهای کلیدی
مدلهای کلاسیک اپیدمیها از دهه ۱۹۲۰ و با استفاده از معادلات دیفرانسیل آغاز شدند. این مدلها فرض میکردند که جمعیت کاملا همگن است و افراد، سیر «مستعد دریافت ویروس»، «مبتلا شدن» و «بهبود/ مرگ» را طی میکنند. مهمترین دستاورد این مدلها ارائه فرضیه «ایمنی جمعی» بود، که در آن ایمن شدن بخشی از جامعه باعث فرونشاندن شیوع و محافظت از کل جامعه میشود. اما این مدلها برای درنظرگرفتن ساختار پیچیده و غیرهمگن روابط اجتماعی و تعاملات مستقیم افراد، که ممکن است رفتار خود را بر اساس میزان شیوع بیماری تنظیم کنند (شاید حتی غیرمنطقی)، مناسب نبود. با ظهور بیماری ایدز در اواخر دهه ۸۰ و افزایش اهمیت شبکه روابط مستقیم افراد در شیوع آن، تلاشها برای معرفی مدلهای ریاضی مناسبتر برای شبیهسازی انتشار بیماریهای واگیردار که دربرگیرنده جزئیات فردی و اجتماعی باشد (مانند مدلهای عامل/ فردـمحور) وارد مرحله جدیدی شد و در ادامه برای مدلسازی انتشار سایر بیماریها مانند سرخک، آبله، آنفلوآنزا، و اِبولا استفاده شد (بهعنوان نمونه رجوع شود به Epstein and Axtell ۱۹۹۶).
در روزها و هفتههای اخیر نیز شاهد اخبار مختلفی از پیشبینی کیفی یا کمی این مدلها از سیر انتشار کرونا در ایران و سایر کشورها بودهایم که پیشبینیهای بعضا بسیار متفاوتی از متغیرهای تصمیم ارائه دادهاند، اما در برخی موارد منجر به تغییر سیاستگذاری کشورها شدهاند. معروفترین نمونه آن، مدل فردـمحور کووید-۱۹ دانشگاه امپریال کالج انگلستان است که با پیشبینی تعداد بالای مرگومیر در صورت عدم اعمال مداخلههای سختگیرانه، باعث تغییر سیاست دولت انگلستان، تاثیر بر سیاستهای دولت آمریکا و هشدار برای فرانسه شد.
اما نتایج این مدلها (بهخصوص نتایج کمی) تا چه حد قابل اعتماد است، علت وجود تفاوت فاحش بین آنها چیست، و آیا انتشار رسانهای آنها اقدام موثری است؟ اگرچه شبیهسازی مبتنی بر مدلهای ریاضی بهترین ابزار موجود برای مدلسازی چنین سیستمهای پیچیده نوظهور است و چارچوبی کلی برای شناخت کلان سیستم و بررسی اثر مداخلههای مختلف برای سیاستگذار را فراهم میکند، قصد داریم در این نوشتار با بیان دشواری و محدودیتهای موجود برای توسعه این مدلها علت غیرقابل اتکا بودن نتایج عددی اکثر آنها را برای سیاستگذاران شرح دهیم و نیز بحثی درخصوص مضرات احتمالی انتشار عمومی آنها بر افکار عمومی داشته باشیم.
تمامی مدلهای ریاضی شبیهسازی انتشار، چه برای پیشبینی انتشار یک عقیده خاص، چه انتشار یک رفتار بین کشاورزان و چه همهگیر شدن یک بیماری جدید، حاوی یک یا چند پارامتر هستند که باید توسط پژوهشگر تعیین شوند. مثلا درخصوص نحوه شیوع بیماریهای واگیردار، مهمترین پارامتر متوسط تعداد افراد جدیدی است که هر فرد ناقل میتواند آنها را مبتلا کند (عدد تکثیر پایه یا R۰). این پارامترها با استفاده از نتایج تحقیقات پیشین یا دادههای واقعی موجود برآورد میشوند. درخصوص بیماریهای نوظهور، به دلیل ناشناخته بودن ویروس، برآورد این پارامترها خصوصا در مراحل اولیه همهگیری دشوار است. از یکسو، به دلیل تازه بودن مسأله و محدودیتهایی مانند کمبود تستهای تشخیص و عدم شناسایی دقیق افرادی که در تماس با یک فرد مبتلا بودهاند، داده کافی قابل استناد برای برآورد دقیق پارامترها وجود ندارد و حاوی تعداد زیادی موارد مثبت و منفی نادرست است (خطای نوع اول و دوم).
از سوی دیگر، به دلیل تفاوتهای جغرافیایی، تجهیزاتی، جمعیتشناختی و حتی فرهنگی کشورها و تاثیر آن در پارامترهای شیوع، استفاده از اعداد برآوردشده سایر کشورها ممکن است باعث افزایش معنیدار خطای مدلسازی شود. مثلا در مورد عدد تکثیر پایه، بر اساس برخی از تحقیقات پیشین درخصوص آنفلوآنزا، هر چه از خط استوا دور شویم، تعداد افرادی که فرد ناقل میتواند ویروس را به آنها منتقل کند بیشتر میشود. همچنین عدد تکثیر پایه در کشورهای دارای آبوهوای سردتر بیشتر است. یا درخصوص نرخ مرگومیر، بهصورت شهودی هر چه سرانه تعداد اتاق ICU کشوری بالاتر باشد، نسبت بیشتری از مبتلایان را میتوان از مرگ نجات داد.
به نظر میرسد یکی از انگیزههای اصلی استفاده از مدلهای مذکور، پیشبینی رفتارهای استراتژیک و احتمالی عوامل یک سیستم است. بهطور مثال، چنانچه مداخلات غیردارویی شامل فاصلهگذاری اجتماعی بهطور متناوب تمدید شود و بهدلیل فقدان تجربه قبلی یا ضعف پروتکلهای ارتباطات بحران روش مناسبی برای اطلاعرسانی اتخاذ نشود، ممکن است اعتماد عمومی جامعه و بهخصوص طبقات آسیب پذیرتر از نظر اقتصادی صدمه جدی ببیند. در چنین شرایطی گروههایی از اجتماع که تصور میکنند سیاستگذار درک درستی از هزینههای اقتصادی، اجتماعی و حتی فرهنگی مداخله هایش ندارد تلاش خواهند کرد به شکل معناداری مخالفت و حتی نافرمانی خود را برجسته سازند. در کشورها و مناطقی با اقتصاد ضعیفتر (مثل کسری بودجه مزمن و انباشته) دست سیاستگذاران برای گزینههای حمایتی از جمله سیاستهای پولی انبساطی بستهتر است و درنتیجه طبیعی است که واکنش آنها به چنین نافرمانیهایی محتاطانهتر باشد. در چنین شرایطی دلسردی کادر درمانی و پزشکی از مشاهده رفتار سهلگیرانه نهادهای انتظامی کاملا محتمل بوده و میتواند به وخامت اوضاع بیفزاید. همچنین پیشبینی رفتار متولیان هر واحد درمانی در تخصیص امکانات محدودشان به بیماران آسان نخواهد بود. در چنین شرایطی، رفتار مقامات رسمی در نحوه ثبت و ارائه آمار مبتلایان و مهمتر از آن تلفات انسانی ذیل یک بیماری مثل کرونا یکی دیگر از موضوعات مناقشهبرانگیز بوده و خواهد بود.
این نوشتار به هیچ عنوان قصد نادیدهگرفتن زحمات پژوهشگران ارجمند فعال در زمینه مدلسازی ریاضی انتشار کرونا را ندارد و قدردان تلاش شبانهروزی آنها است. اما بر لزوم توسعه مدلهای دقیق و منطبق بر شرایط دنیای واقعی که بتوانند باعث افزایش توانایی سیاستگذاران آگاه یا جلوگیری از گمراهی سیاستگذاران ناآشنا بشود تاکید ویژه دارد. خلاصه توصیههای مطرحشده در این نوشتار جهت نیل به این منظور در بحرانهای آتی با مخاطب قراردادن جامعه دانشگاهی در ذیل ارائه میشود:
● تبیین دقیق هدف مدل و پرهیز از خلط اهداف توصیفی/ توضیحی با پیشبینی
● پرهیز از تغییر کاربری مدلهای غیرمرتبط سهلالوصول جهت تسریع در امر واکنش به بحران موجود
● پرهیز از استفاده از مدلهای سایر کشورها بدون کالیبره کردن با شرایط داخلی
● پرهیز از ارائه عمومی نتایج کمی در صورت عدم توسعه مدل با جزئیات کافی
● ارائه رفتار مسوولانه درخصوص افکار عمومی و احتمال تولید اخبار گمراهکننده
● تشویق دانشجوبان به توسعه مدلهای کوچک (مثلا در سطح منطقه شهرداری) ولی دارای جزئیات کافی
● تمرکز بر تحلیل دادههای محلی و ارائه پیشبینیهای مبتنی بر تحلیل دادهها برای هر منطقه در زمان وقوع همهگیریهای نوظهور (شهر، شهرستان، یا استان)