Нормализованное моделирование SVIR операторами Капуто–Фабрицио и бифуркационный анализ

Почему это важно для понимания вспышек

Когда мы думаем об эпидемиях, часто представляем себе простые кривые, которые растут и затем падают по мере распространения и затухания болезни. Но реальные вспышки «помнят» своё прошлое: скорость заражений ранее, момент внедрения вакцин и длительность иммунитета — всё это формирует дальнейшую динамику. В этой работе предлагается новый способ встроить «память» непосредственно в эпидемические модели с вакцинацией, чтобы лучше воспроизводить реалистичные волны заболеваний, не делая математику нестабильной или вводящей в заблуждение.

Новый способ дать эпидемиям память

Авторы работают в классическом формализме, который делит население на четыре группы: восприимчивые, вакцинированные, в настоящее время инфицированные и выздоровевшие. Традиционные модели описывают переходы между этими группами с помощью стандартного исчисления, где скорость изменения в данный момент зависит только от текущего состояния. Здесь авторы заменяют обычную временную производную на «нормализованный оператор Капуто–Фабрицио» — специальный математический инструмент, позволяющий учесть всю историю вспышки при моделировании, избегая при этом бесконечных всплесков или произвольного масштабирования. Нормализация делает так, что прошлые события влияют на настоящее как усреднение, а не накапливаются нереалистично.

Поведение модели в теории

С этой моделью, учитывающей память, команда сначала проверяет её корректность. Они доказывают, что при разумных начальных условиях существует единственное, хорошо определённое решение, сохраняющее неотрицательность всех четырёх групп населения и суммарную численность популяции во времени. Они выделяют семейство безболезненных для болезни состояний, в которых все либо вакцинированы, либо выздоровели, и показывают, что математически эти состояния устойчивы: небольшие вводные инфекции затухают, а не разрастаются, если эффективное репродукционное число меньше единицы. Даже при превышении этого порога модель допускает лишь временный рост вспышек, но не установление странных или нефизических долгосрочных паттернов.

Что показывают численные эксперименты о памяти и вакцинации

Чтобы увидеть, что уравнения означают на практике, авторы проводят компьютерные эксперименты при разных уровнях «силы памяти», управляемых дробным порядком. При сильной памяти кривые заражений растут медленнее, достигают пика позже и имеют более низкие максимумы, а группа восприимчивых снижается более плавно. Вакцинированные и выздоровевшие накапливаются постепенно, но могут в итоге занять схожие доли популяции. Изменение скоростей передачи и вакцинации показывает, как память смягчает острые высокие пики, типичные для классических моделей. Разработанная численная схема моделирует зависимость от истории, суммируя вклад всех предыдущих временных шагов; авторы проверяют сходимость метода и показывают, что при отключении памяти схема воспроизводит знакомую классическую модель.

Когда сложные паттерны невозможны

Многие современные исследования ищут бифуркации — резкие качественные изменения в поведении эпидемии, такие как появление нескольких устойчивых исходов или устойчивые колебания, напоминающие повторяющиеся волны. Авторы проводят детальный бифуркационный анализ и приходят к ясному выводу для рассматриваемой ими ситуации: в замкнутой популяции с постоянной вакцинацией и без рождений, смертей или неудач вакцины модель не поддерживает ни обратную бифуркацию (когда болезнь может сохраняться при числе воспроизводимости ниже единицы), ни бифуркацию Хопфа (которая породила бы бесконечные циклы). Даже если заменить простые члены передачи инфекции на насыщенные функции, обычно способствующие более богатой динамике, единственными долгосрочными исходами остаются состояния без инфекции. Любые колебания в симуляциях — это переходные отклики на начальные условия, усиленные памятью, а не истинные повторяющиеся волны.

Что это значит для будущего моделирования эпидемий

Проще говоря, эта работа показывает, как строить эпидемические модели, которые контролируемо и физически осмысленно «помнят» своё прошлое, оставаясь при этом математически корректными. Новый подход сглаживает и стабилизирует кривые вспышек при наличии вакцинации, но в изученной упрощённой постановке сам по себе не порождает множественные долгосрочные сценарии или постоянные циклы. Чтобы уловить такие явления, как повторяющиеся сезонные волны или сосуществование состояний с высоким и низким уровнем инфекции, авторы утверждают, что моделям нужно добавить реальные осложнения — рождение, смертность или несовершенство вакцин — поверх этой структуры памяти. Их рамка даёт надёжную отправную точку для более сложных моделей, обещая более реалистичные инструменты для планирования и оценки вакцинационных стратегий.

Цитирование: Shafqat, R., Al-Quran, A., Alsaadi, A. et al. Normalized Caputo–Fabrizio SVIR modeling and bifurcation analysis. Sci Rep 16, 8193 (2026). https://doi.org/10.1038/s41598-026-38301-4

Ключевые слова: моделирование эпидемий, дробное исчисление, динамика вакцинации, эффекты «памяти» болезни, бифуркационный анализ