新技术扩散的传染病模型及实证分析_胡中功
传染病模型助力疫情防控：原理与案例
传染病模型助力疫情防控：原理与案例一、传染病模型的原理1. 易感者数量（S）：指未感染病原体的人群数量。
2. 感染者数量（I）：指已感染病原体的人群数量。
3. 传播系数（β）：指感染者与易感者之间的传播概率。
4. 恢复系数（γ）：指感染者康复后不再具有传染性的概率。
5. 死亡率（μ）：指感染者因疾病导致的死亡率。
根据这些参数，传染病模型可以模拟传染病的传播过程，预测疫情的发展趋势。
常见的传染病模型有SEIR模型、SIR模型和SIS模型等。
这些模型通过对参数的调整和优化，可以更准确地描述传染病的传播特征。
二、传染病模型的案例分析1. 2003年SARS疫情2003年，我国爆发了严重急性呼吸综合征（SARS）疫情。
在此次疫情防控中，传染病模型发挥了重要作用。
研究人员根据疫情数据，建立了SARS传播模型，预测了疫情的发展趋势。
根据模型预测结果，政府采取了严格的防控措施，如隔离病患、限制人员流动等，有效遏制了疫情的蔓延。
经过大约半年的努力，我国成功控制了SARS疫情。
2. 2009年H1N1流感疫情2009年，甲型H1N1流感（又称“猪流感”）在全球范围内爆发。
我国研究人员迅速建立了H1N1流感传播模型，并预测了疫情的发展趋势。
根据模型预测结果，政府采取了大规模疫苗接种、隔离病患等措施，有效控制了疫情。
经过大约一年的努力，我国成功遏制了H1N1流感的传播。
3. 2013年H7N9禽流感疫情2013年，我国出现了人感染H7N9禽流感的病例。
研究人员根据疫情数据，建立了H7N9禽流感传播模型，预测了疫情的发展趋势。
根据模型预测结果，政府采取了严格的防控措施，如加强活禽市场监管、隔离病患等，有效遏制了疫情的蔓延。
经过大约两个月的努力，我国成功控制了H7N9禽流感疫情。
4. 2019年COVID19疫情2019年底，新型冠状病毒（COVID19）疫情爆发。
我国研究人员迅速建立了COVID19传播模型，并预测了疫情的发展趋势。
扩散模型与生成模型详解-概述说明以及解释
扩散模型与生成模型详解-概述说明以及解释1.引言1.1 概述扩散模型与生成模型是两种常见的数学模型，用于描述和解释不同类型的数据和现象。
在许多领域，包括社会科学、自然科学和工程学等，这两种模型被广泛应用于数据分析、预测和决策等方面。
扩散模型是通过描述信息、物质或现象在空间和时间上的传播过程来模拟和预测其扩散的行为。
其基本思想是基于传播的概率和随机过程，通过建立数学模型来模拟和分析人群、病毒、信息等的传播行为。
扩散模型的应用非常广泛，如在流行病学中用于分析疾病传播的规律，或在社交网络中用于预测信息的传播路径和速度等。
生成模型是通过建立概率模型来模拟和生成数据。
与扩散模型不同，生成模型的目的是从已有的数据中学习其分布规律，并用于生成新的数据样本。
生成模型通常基于统计学和机器学习的方法，通过学习样本数据的概率分布来生成具有相似特性的新样本。
生成模型的应用非常广泛，如在自然语言处理中用于生成文本内容或在图像生成领域用于生成逼真的图像等。
本文将详细介绍扩散模型和生成模型的定义、常见类型及其应用领域。
首先，我们将对扩散模型进行概述，包括其基本定义和常见的扩散模型类型，以及扩散模型在疾病传播和信息传播等领域的应用。
接下来，我们将介绍生成模型的定义以及常见的生成模型类型，包括基于概率图模型的生成模型和基于深度学习的生成模型。
最后，我们将对比扩散模型和生成模型的特点和应用场景，并分析它们各自的优劣势。
同时，我们还将展望扩散模型和生成模型未来的发展趋势。
通过阅读本文，读者将对扩散模型和生成模型有一个全面的了解，并能够理解它们在实际问题中的应用价值。
1.2文章结构文章结构部分主要是对整篇文章的结构进行介绍，指出各个章节的主题和内容，以帮助读者快速了解文章的组织结构和主要内容。
在本篇文章中，共有四个主要章节，分别为引言、扩散模型、生成模型和结论。
下面将对每个章节的主题和内容进行简要介绍。
引言部分（Chapter 1）是文章的开篇部分，主要用于介绍本篇文章的背景和意义，以及引导读者进入主题。
传染病模型助力我国公共卫生事业(2)
传染病模型助力我国公共卫生事业自从人类社会诞生以来，传染病就一直伴随着我们，时不时地给人类带来严重的灾难。
我国历史悠久，饱受传染病之苦。
远的如东汉末年的黄巾起义，近的如2003年的非典、2008年的手足口病、2019年的新冠疫情，这些传染病不仅严重威胁着人民的生命安全，还给国家经济和社会稳定带来极大影响。
一、传染病模型的起源和发展传染病模型是研究传染病传播规律的数学模型，它起源于17世纪英国医生哈里森对麻疹的研究。
此后，许多科学家如牛顿、莱布尼茨、庞加莱等纷纷投入到传染病模型的研究之中。
20世纪初，我国数学家陈省身将传染病模型引入我国，并为我国传染病研究做出了巨大贡献。
传染病模型的发展经历了几个阶段：从最初的SEIR模型、SIR模型，到后来的SIS模型、MSIR模型，再到如今的多宿主、多病原体模型，传染病模型越来越精细化、多样化。
这些模型的发展为预测传染病传播趋势、制定防控策略提供了有力支持。
二、传染病模型的原理传染病模型主要包括三个基本参数：传染率、恢复率和死亡率。
传染率是指感染者与易感者接触时，将病原体传播给易感者的概率；恢复率是指感染者在经过一定时间的传染期后，战胜病原体并恢复健康的能力；死亡率是指感染者因病原体导致死亡的概率。
根据这些参数，传染病模型可以预测传染病的传播趋势，分析传染病在一定时间内的感染人数、治愈人数、死亡人数等关键指标。
通过对模型的调整和优化，可以更好地反映实际情况，为公共卫生决策提供科学依据。
三、传染病模型在我国公共卫生事业中的应用传染病模型在我国公共卫生事业中的应用取得了显著成效。
以新冠疫情为例，我国科学家在疫情初期迅速构建了新冠疫情传播模型，通过对模型参数的调整和优化，准确预测了疫情的发展趋势，为我国政府制定防控策略提供了有力支持。
在新冠疫情期间，传染病模型还被用于评估各种防控措施的效果，如社交距离、口罩使用、疫苗接种等。
通过模型模拟，科学家们可以直观地看到不同防控措施对疫情发展的影响，从而为政策制定提供科学依据。
传染病动态模型的研究与应用
传染病动态模型的研究与应用随着世界人口的不断增长和交通、通信等领域的迅猛发展，传染病的流行和传播也越来越成为公共卫生的关注重点。
建立传染病动态模型成为了研究和预测传染病传播的重要工具。
本文将介绍传染病动态模型的研究与应用现状。
一、传染病动态模型的基本概念传染病动态模型是描述传染病传播过程的数学模型，通过对感染、康复、死亡等过程的建模，模拟传染病在不同时间和空间的传播过程，从而为疫情控制和预测提供科学依据。
传染病动态模型常用的包括基本再生数、传染病流行学三元组、SI 模型、SIR模型、SEIR模型等。
其中，基本再生数是指每个患者能够感染的平均人数，它是评估传染病传播速度和规模的重要指标。
传染病流行学三元组包括感染率、发病率和死亡率，是评估传染病流行特征的重要指标。
SI模型是指只有感染和易感两种状态的传染病模型，不考虑治愈和免疫。
SIR模型增加了康复者状态，模拟了免疫性传染病的传播和暴发。
SEIR模型在SIR模型的基础上增加了暴露者状态，模拟了人群免疫率较低的新兴传染病的传播过程。
二、传染病动态模型的研究传染病动态模型的研究经历了从简单模型到复杂模型的发展过程。
早期的模型主要着眼于流行病学领域，如SI模型、SIS模型和SIR模型等，这些模型假定人群均匀混合且传染病的流行仅由人群自身特征驱动，无法准确反映真实的传染病传播过程。
近年来，随着计算机技术的不断发展和数据获取的便捷，越来越多的学者开始使用复杂网络理论、代数图论、机器学习等方法对传染病动态模型进行研究。
例如，疾控中心的赵福岭院士团队提出的社会网络模型可以更加准确地模拟人群的社交行为，从而更好地反映传染病的传播过程。
此外，一些研究还通过模拟流行病学数据，利用机器学习算法构建了时间序列和空间序列预测模型，可以更加精确地描述传染病流行的时空特征。
三、传染病动态模型的应用传染病动态模型的应用包括预测、评估、干预和治疗等方面。
预测方面，传染病动态模型可以通过对基本再生数和传染病流行学三元组等指标进行分析，预测传染病的传播规模和速度，为传染病的流行和暴发提供预警。
传染病传播模型新参数
传染病传播模型新参数传染病是指病原体通过感染途径传播给宿主，并在宿主体内繁殖引起疾病的一类疾病。
研究传染病传播模型是预测疫情和制定控制策略的重要手段。
传统的传染病传播模型主要基于流行病学理论和统计分析方法，但随着科技的进步和数据的丰富，传播模型中的参数也在不断更新和完善。
本文将介绍一些新的传染病传播模型参数及其应用。
一、重要参数的概述在传染病传播模型中，有一些重要的参数被广泛研究和应用，包括基本再生数（R0）、传播速率（β）、感染率（γ）等。
R0是用来评估传染病传播能力强弱的指标，它表示一个感染者在一个易感人群中平均能传染的人数。
传播速率β衡量了感染者向易感人群传播病原体的速度，而感染率γ则是感染者每天变得感染性的概率。
二、网络传播模型中的新参数网络传播模型是一种基于网络结构的传染病传播模型，它考虑了人际接触网络的拓扑结构对传染过程的影响。
这些模型中引入了一些新的参数，如节点的度分布、聚集系数、介数中心性等。
1. 节点的度分布节点的度是指在网络中与该节点相连的边的数量。
节点的度分布描述了网络中不同度的节点数量。
传染病传播模型中，节点的度分布可以反映出不同节点的传染风险。
一些研究发现，具有较高度的节点往往更容易成为传染病的主要传播源。
2. 聚集系数聚集系数是指一个节点的邻居之间实际存在的连接数量与其可能存在的连接数量之比。
聚集系数可以反映节点在网络中的密集程度。
传染病传播模型中，节点的聚集系数可以反映传染病在局部网络中传播的速度和规模。
3. 介数中心性介数中心性表示一个节点在网络中的中介程度，即节点在不同节点之间传递信息的能力。
传染病传播模型中，具有高介数中心性的节点往往在传播过程中起到关键的作用，因为它们可以将传染病从一个区域传播到另一个区域。
三、不完全混合模型中的新参数不完全混合模型是一种基于空间分布的传染病传播模型，它考虑了人群在空间上的聚集特点对传染病传播的影响。
这些模型中引入了一些新的参数，如人口密度、平均传播距离、移动速度等。
数学模型预测新兴传染病扩散趋势分析
数学模型预测新兴传染病扩散趋势分析新兴传染病的扩散对人类社会的健康和安全构成了巨大的挑战。
在过去的几十年里，我们目睹了SARS、流感等传染病的爆发以及其对全球公共卫生的冲击。
如何准确预测新兴传染病的扩散趋势成为了一个迫切需要解决的问题。
数学建模成为了预测新兴传染病扩散趋势的重要工具之一。
数学模型是一种通过数学公式和方法来描述和预测一定规律的工具。
在预测新兴传染病扩散趋势中，数学模型可以帮助我们理解病毒传播的机理以及各种因素对传播速度和范围的影响。
常用的数学模型包括传染病传播模型、动态网络模型和复杂系统模型等。
传染病传播模型是最常用的数学模型之一。
其中最著名的是SIR模型，即将传染病患者分为易感者（Susceptible）、感染者（Infectious）和康复者（Recovered）三类。
SIR模型基于一定的假设和公式，可以预测传染病传播的速度和范围。
通过调整模型中的参数，我们可以得到不同情景下传染病的扩散趋势，进而制定相应的防控措施。
动态网络模型是一种描述社交网络或交通网络等复杂系统中传染病传播的数学模型。
这种模型可以考虑网络拓扑结构、节点的影响力以及传染病的传播方式等因素，更加贴近真实情况。
通过对网络模型进行仿真和预测，我们可以发现传染病的传播路径和节点，从而有针对性地采取措施来控制传播。
此外，复杂系统模型是近年来新兴的数学模型之一。
这种模型可以将传染病传播与环境因素、人口流动、经济发展等各种因素综合考虑，更加全面地分析和预测传染病的扩散趋势。
复杂系统模型能够帮助我们了解传染病传播与人类社会发展之间的相互作用，为制定防控策略提供更多的参考依据。
在数学模型中，数据的质量和准确性非常关键。
传染病的扩散趋势预测需要大量的实时和准确的数据，包括病例的报告、人口统计数据、人群流动数据等。
同时，模型本身也需要根据具体的传染病特征和背景进行合理的参数设定和假设，以提高模型的准确性和可靠性。
然而，数学模型只是预测新兴传染病扩散趋势的工具之一，还需要结合其他学科和方法来进行综合分析和预测。
传染病的扩散和传播模型(hgp)
流行病毒的扩散与传播的控制问题摘要本文以微分方程为理论基础，建立流行病毒的扩散与传播的控制模型，进而对疫情的蔓延趋势进行分析。
对问题一，首先将人群划分为五类：正常人、疑似患者、确诊患者、治愈者、死亡者，前三类组成传染系统。
假设疑似患者包括病毒携带者（潜伏期患者）和非病毒携带者(最终为正常人)两部分，潜伏期患者最终都会被确诊，由此建立各类人群数量之间的变化关系。
然后将疫情变化分为两个阶段：控制前和控制后。
在控制前阶段，由于病人未被隔离，相当于自由传染源，其每人每天接触的r个人都会成为疑似病例，因此疫情发展较迅速。
在控制后阶段，疑似病例被隔离，确诊病人得到有效治疗，传染源减少，传染源每天接触的人数'r减少，治愈人数增多，退出传染系统者增多，最终疫情得到有效控制。
由上，建立起微分方程模型。
对问题二，代入题中限制条件求解模型得到潜伏期人数和确诊患者人数随时间变化的曲线图，控制前2t=时，潜伏期人数Q增至15093，确诊患者人数I增至为4062，并且两者增长速度很快，控制后四五天，潜伏期人数和确诊患者人数增到最大值max 15206Q=，max 12659I=，而后逐渐下降，在12t=时潜伏期人数几乎为零，当14t=时确诊患者人数几乎为零。
这时，疫情已经被控制。
对问题三，提前一天开始控制，3t=时，潜伏期人数达到最大值max 3722Q=；4t=时确诊患者人数达到最大max 3167I=，而后也逐渐降低，到第十一天潜伏期的人数几乎为零，第十二天患病者人数几乎为零。
对问题四，将隔离强度增强p改为0.9，重复求解得：高峰期潜伏者人数max 2527Q=确诊患者人数max 2093I=。
到第九天潜伏期人数减为零，到第十天确诊患者人数减为零，并根据以上分析结合实际给出一份建议报告。
关键词：传染病微分方程潜伏期一、问题重述近来猪流感在墨西哥爆发，引起全世界人的关注。
流行病毒的扩散与传播的控制问题得到各国领导人和世界卫生组织的重视。
基础药学研究病毒扩散模型分析
基础药学研究病毒扩散模型分析病毒扩散模型分析是基础药学研究领域中的重要内容之一。
通过建立合适的模型，可以帮助我们深入了解病毒的传播规律，为药物研发和防控措施的制定提供科学依据。
本文将介绍基础药学研究中常用的病毒扩散模型，并分析各模型的特点和应用范围。
一、常见的病毒扩散模型1. SI模型：SI模型是最简单的病毒扩散模型之一，将人群分为易感染者（Susceptible）和感染者（Infected），并假设感染后没有恢复和免疫的过程。
该模型可以用来研究病毒的传播速度和范围。
2. SIS模型：SIS模型在SI模型的基础上增加了恢复和再感染的过程。
即感染者可以被治愈，但在治愈后仍具有易感染的性质。
该模型常用于研究具有短期免疫的病毒传播。
3. SIR模型：SIR模型在SI模型的基础上增加了恢复和免疫的过程。
即感染者经过一段时间的治愈后会产生免疫力，不再易感染。
这种模型适用于具有长期免疫的病毒传播。
4. SEIR模型：SEIR模型在SIR模型的基础上增加了潜伏期（Exposed）。
潜伏期指的是感染者与感染后出现症状之间的时间间隔。
该模型适用于研究带有潜伏期的病毒传播，如新冠病毒。
二、病毒扩散模型的特点和应用范围1. SI模型特点和应用范围：SI模型简单易懂，适用于研究传染性较强、无免疫性的病毒，如流感病毒等。
通过该模型，我们可以得到病毒的传播速度和范围，为疫情防控措施的制定提供参考。
2. SIS模型特点和应用范围：SIS模型适用于研究具有短期免疫的病毒，如结核病等。
通过该模型，我们可以探究病毒在人群中的传播规律，为疾病的控制和预防提供参考。
3. SIR模型特点和应用范围：SIR模型适用于研究具有长期免疫的病毒，如麻疹等。
通过该模型，我们可以了解病毒传播的基本情况，如传播速度、感染人群的比例等，从而为预测疫情和制定疫苗接种策略提供科学依据。
4. SEIR模型特点和应用范围：SEIR模型适用于研究带有潜伏期的病毒，如新冠病毒。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第20卷 第2期1998年6月武 汉 工 业 大 学 学 报JOURNAL OF WUH A N UNIVERSITY OF TEC HNOLOGY V ol.20 N o.2 J un.1998新技术扩散的传染病模型及实证分析胡中功 叶春生(武汉化工学院) 摘 要: 介绍了适用于新技术扩散的传染病模型,实际分析了工业和农业技术扩散数据,并与文[1]中的扩散模型进行了比较,得出了一些具有实际意义的结论。
关键词: 传染病; 技术扩散; 模型; 参数估计中图法分类号: O 23收稿日期:1997-12-15.胡中功:男,1965年生,讲师;武汉:武汉化工学院自动化系(430073).长期以来,经济学家和社会学家们一直关注着如何在行业中推广技术改造和革新,如工业新技术、新产品的推广,农业新技术、新品种的推广等。
一旦一家企业采用了一项技术革新,那么该行业中其它企业将以怎样的速度接受这项革新?哪些因素决定着他们跟上来的速度?目前国际上关于技术扩散理论仍然以S 型曲线理论为基础,即新技术的扩散呈现S 型增长趋势(Davies ,1979;Dix on ,1980,姜彦福,1994;胡瑞发,1996;林毅夫,1991、1994)。
事实上,新技术的扩散过程类似于传染病的流行,本文在新技术扩散的传染病模型基础上,以“同步电动机失步保护及不减载自动再整步”(简称SBZ )技术和湘、川两省的杂交水稻种植为实例,研究了新技术的扩散过程及主要影响因素,通过两个模型的比较分析得出一些有意义的结论。
1 技术扩散的传染病模型设n m 为全社会所有人口对疾病无免疫力(即可被传染)的人数,n t 为时间t 时被传染的人数,g (t )为接触并可能传染的频率,Z t 为未受传染的人与已染病人的接触机会,可表示为n t /n m ,其大小取决于当时染病者人数。
因此,每个人在时间t 接触到疾病并被传染的机会取决于g (t )、Z t 及n m -n t 的大小。
n t 的增长速率及其解可用下列公式表示:d n t /d t =g (t )Z t (n m -n t )(1)n t =n m 1+e-∫t 0g (t )d t =n m 1+e -G (t )(2)其中G (t )>0,该曲线形状呈S 型,即发病人数是随时间历程按S 型曲线增长的。
特别地令G (t )=c +bt ,则(2)式可变换成:n t =n m 1+a e (3)(3)式即为本文采用的传染病扩散模型,它实际上也就是被广泛应用的Lo gistic 函数,式中n m ,a ,b 为待估参数;b 表示疾病扩散随时间而调节的速度,a 与基期的传染人数有关,截距n m /(1+a )表示最初的染病人数。
由于新技术扩散过程类似于传染病流行过程,所以将此模型应用于描述技术扩散过程,则相应地n m 代表新技术采用者的最大可能值,b 表示新技术的扩散随时间而调节的速度,a 与基期的新技术采用水平有关,截距n m /(1+a )表示最初的新技术采用者人数。
2 实证分析2.1 湘、川两省杂交水稻种植扩散以杂交水稻技术开始扩散年份(1976)的技术扩散年龄为1,根据两省的实际种植扩散资料(见表1),分别建立(3)式模型,得各估计参数及由模型所算的估算值均列于表1。
由表1结果可看出,所建立的传染病扩散模型适合于该技术扩散的描述,估计值与实际值吻合较好。
湖南省杂交稻扩散截距大于四川省的截距说明湖南先于四川采用该技术,而由于湖南省在1980、1985、1989年三次减少种植面积,因而导致该技术在湖南的扩散有些波动,主要是由于行政因素和种子质量等原因(林毅夫,1994),截止90年扩散值只占最大可能推广面积的70.8%,而四川省尽管采用的时间稍晚,但一直被大力宣传,平稳发展,因而截止90年,已使用面积已占最大可能推广面积的98.2%。
(进一步还可见,四川的数据拟合结果明显优于湖南,且F 测验达到显著水平)。
表1 两省杂交水稻种植面积(单位:万亩)及有关参数的估计年份湖南省实际值估计值四川省实际值估计值19750.07197684.23460.25450.53145.97221977114.48543.145620.00212.949719781181.68637.6824195.86307.103019791014.79744.3257480.33435.87141980941.61863.1488679.67605.517819811057.40993.7342847.60818.337019821142.051135.09451057.871069.501119831182.911285.63771422.931345.414519841512.891443.19641829.871625.642919851354.951605.12281859.731888.460619861652.011768.45531924.202117.166319871978.231930.12282100.532303.573919882294.492087.19782454.332447.564919892061.372237.05192616.072554.246319902473.352377.56742748.272630.8669n m 33602800a 7.6527.21b 0.19460.4032截距388.4499.26R 20.86970.9823F86.77721.46表2 全国SBZ 的采用数据及有关参数的估计年份实际累加值理论估计值文[1]二参数(3)式二参数(3)式三参数19845913.957.9358.4719858334.481.9383.0919*******.5115.81117.931987151108.7163.62167.0319********.5230.98235.971989336268.5325.70331.891990472407.1458.56464.401991657608.6644.19644.981992877899.5902.21886.81n m 25000*25000*7400a 0.000456609.434179.06b 0.38730.34750.35486截距040.9641.10R 20.96350.99810.9991F 98.85438.917439.81 注:*此25000为预先假定的值2.2 SBZ 技术扩散SBZ 技术是同步电动机的一种运行保护技术,采用该装置后,无须停机不减负载就能使电动机由失步状态自动恢复到同步运行状态,从而保障电机设备安全和生产连续进行。
1980年,SBZ 被列为向全国推广的23个重点应用项目之一,1986年和1990年均被列入“七五”、“八五”重点推广计划之中。
至92年止,全国有877台同步电动机使用该装置(表2)。
由于1984年以前的采用量小且缺乏分年度数据,作回归分析时取1984年的技术扩散年龄为1。
假定92年全国同步电动机数量为25000台,姜彦福(1994)文中推导并估计出一个扩散模型n t =n m (1-e -(a +b )t )1+(a /b )e -(a +b )t =25000(1-e -0.3877t )1+850e-0.3877t ;若采用本文前述的传染病扩散模型(3)式,此时亦记n m =25000台,则只需估计a 、b 两个参数,而另外若仍假定n m 未知,则可估计n m 、a 、b 三个参数。
为方便比较,所有结果列于表2中。
由表2,根据不同的技术扩散模型和考虑不同的参数个数分别进行的估计,我们可得到下面的结论:a )传染病扩散模型(Lagisitc 函数)优于文[1]中采用的扩散模型;本文模型对此数据的二参数和三参数拟合结果分别与文[1]二参数拟合结果比较,F 值分别为18.98和38.66,而F (7,7)0.01= 6.993,达到极显著水平。
b )传染病扩散模型在不同参数个数的情况下估计截距分别为40.96和41.1,接近实际值,而文[1]中扩散模型截距为0,无法对技术扩散的最初情况作出合理的解释。
c )采用三参数模型估计的结果优于对应模型的两参数估计(但两种拟合的比较F 值仅为 2.04,F (7,7)0.05=30787,未达显著水平),这说明了如果按92年以前的实际销售情况,即使再用足够长的时间销售,也不可能达到或接近25000台的销数量,而只能达到7400台。
3 讨论及说明a .对(3)式求二阶导数并令其为0,得扩散曲线拐点所对应的扩散速率转折时间和累计采用台数分别为t =(ln a )/b =18.45(年),n t =12493(台),即从1984年起至2001年,SBZ 技术将一直以加速趋势扩散,那时将有假定为25000台电动机的半数采用此装置,其后再减速扩散。
文[1]中转折时间为t *=17.39(年),和本文估计的值近似相等。
而若采用三参数估计模型,可算得开始减速扩散的时间值为t ′=14.62(年),此时的累计销售台数为n t ′=3700(台)。
77第20卷 第2期 胡中功等:新技术扩散的传染病模型及实证分析 b.由(3)式可看出,b 值越大,S 型曲线越陡,因而新技术扩散越快。
b 值表达了g (t )即传染病模型中未感染者接触感染者的频率,因而要加快技术扩散速度,必须强化采用信息的有效传播,进一步加强采用效果的更全面介绍和典型案例介绍,以使潜在采用者对采用效果有更多了解,调查证明了半数以上技术采用者接受信息来源来自于电机运行开发公司举办的SBZ 讲座,见文[1]。
c .对于SBZ 技术扩散情况,如果假定n m 值为25000是准确的,那么按照以往该技术的扩散情况来看,在不采取有效措施的前提下,该技术是绝对不能占领全国市场的。
改进的办法只有在92年后采用各种办法大力促销,否则只能调整自己的发展战略。
该装置在92年后的销售(使用)情况、扩散情况及预测分析等在另文中给出。
参考文献1 姜彦福,苏津津.技术扩散的实证研究.数量经济技术经济研究,1994,(6):65～692 林毅夫.中国的家庭责任制改革与杂交水稻的采用.制度、技术与中国农业发展,上海:上海三联书店,1994.3 林毅夫.中国的杂交水稻创新.制度、技术与中国农业发展,上海:上海三联书店,1994.4 库姆斯R..经济学与技术进步.上海:商务印书馆,1988.5 卢卡斯F ..微分方程模型.朱煜民,周宇虹译,长沙:国防科技大学出版社,1988.6 Dix on R.Hybrid Co rn Revisited.Eco no metrica ,1980,(48):1451～14627 Dav id A P .M anaging the Adopting of N ew T ech no lo gy .Routledg e L ondo n a nd N ew Yo rk ,1989."Infectious Disease Model "in New Technology Dissemination andIts Empirical EvidenceHu Zhonggong Yie ChunshengAbstract: T his pa per has intro duced "infec tious disease model"in new tech no lo gy dissemination.It fo cuses o n the a na ly sis o f the da ta concer ning industrial and ag ricultural tech no lo gy dissemina tio n .A co nclusio n o f considerable sig nificance ha s been dra wn fro m the compar ativ e study o f the dissemina tio n model in paper 1fro m the r eferences a nd infectio us disease model.Key words : infectio us disease; technolog y disseminatio n; mo del ; par ameter estimationHu Zhonggong : Lect.,W uhan Institute o f Chemica l T echnolog y ,Wuhan 430073,China.78 武 汉 工 业 大 学 学 报 1998年6月。