Direkt zum Hauptbereich

It's a small #COVID19 world: Warum die Reduzierung von Kontakten vielleicht weniger hilft als erwartet

Das einzige Mittel, was der Politik derzeit gegen die Ausbreitung der COVID19-Pandemie einzufallen scheint, ist eine Reduzierung der Kontakte.

Es ist fraglich, ob damit die gewünschte Wirkung eintreten wird. Ein Grund für Skeptizismus ist, dass unsere sozialen Kontakte einem "Small World Network" folgen: D. h., es gibt einige Leute, die sehr viele Kontakte haben (zum Beispiel auf der Arbeit) und andere die sehr wenig Kontakte haben. Dadurch ist letztlich jeder mit jedem relativ eng vernetzt.

ForscherInnen der John Hopkins University haben in Science gerade sehr prominent auf diesen Small-World-Charakter hingewiesen.

Ich habe eine kleine Simulation gebaut, die folgende Schritte durchläuft:

  1. Ein zufälliges Small-World-Network wird erstellt.
  2. Ein "Virus" infiziert eine kleine Anzahl von Knoten.
  3. Mit einer bestimmten Wahrscheinlichkeit werden dann die Nachbarknoten infiziert (oder eben auch nicht). Dadurch breitet sich das Virus im Netzwerk aus.
  4. Dann werden aus dem Netzwerk zufällig eine festgelegter Anteil aller Verbindungen gelöscht und die Verbreitung wird in diesem ausgedünnten Netzwerk simuliert.
Hier ein Beispiel für die Infektion in einem simulierten Netzwerk und dann in dem selben, aber ausgedünnten Netzwerk.
Original Netzwerk
Netzwerk mit 30% weniger Verbindungen



In diesem Beispiel wurden die Kontakte um (Kanten im Netzwerk) um 30% reduziert. Die Anzahl der Infizierten nach fünf Intervallen sank aber nur von 98 auf 81.

Diese Simulation hat nicht den Anspruch, die Verbreitung von COVID19 angemessen zu erfassen. Dafür wären wesentlich komplexere Modelle nötig. Aber es lassen sich folgende Schlüsse ziehen:
  • In einem Small-World-Network führt die Reduzierung der Kontakte (im Prinzip) zu einer Verlangsamung der Ausbreitung.
  • Wie stark der Effekt aber ausfällt, ist sehr stark abhängig von der Ausgangsdichte des Netzwerks und vom Grad der Ausdünnung.
  • Gegeben, dass die meisten aktuellen Ansteckungen im eigenen Haushalt und am Arbeitsplatz passieren, wage ich die These, dass ein Lockdown, der sich auf private Aktivitäten begrenzt, nahezu wirkungslos sein wird.


Labels:

Beliebte Posts aus diesem Blog

#RTutorial: Using R to Harvest the Twitter STREAM API

Initializing the Twitter API In this tutorial, the so called STREAMING-API from Twitter is used. This API provides real-time access to Twitter, so the results are dependent from what is actually going on, right now. Before we start, we have to initialize the Twitter-API. To use the Twitter API, a consumer key and consumer secret is required. Therefore, you have to register as a developer who is creating a Twitter app. Create a Twitter account and then sign in at https://apps.twitter.com/. The account has to be verified with a phone number. This can be done on the Twitter webpage in the account settings. Fill in name, description and any valid URL with leading “http://”. It is important NOT to provide any call-back URL, because otherwise the registration from R will not function. After this, you can see a summary of your newly created app with a link to “manage keys and access tokens”. The consumer key and consumer secret that can be found there have to be copied into the following R-...
19 Kommentare
Mehr anzeigen

Deep-Dive Impfeffektivität: Eine kritische Datenanalyse der RKI-Berechnungen / Teil 1: Die Methode

Die Einschätzung, wie effektiv die COVID-Impfung ist, ist eine der politisch relevantesten Kennzahlen derzeit. Insbesondere für die Einschätzungen der Angemessenheit einr Impfpflicht ist diese Zahl extrem wichtig. In der Vergangenheit hat sich immer wieder gezeigt, dass die Berechnungen des RKI nicht in jeder Hinsicht eindeutig sind, sondern auf vielen Annahmen beruhen, die man auch kritisch hinterfragen kann und muss. Für die politische Datenwissenschaft ist es daher essenziell, diese Berechnungen nachvollziehbar zu machen. In diesem Beitrag wird das methodische Vorgehen des RKI zur Berechnung der Impfeffektivität analysiert. Die Informationen dazu entstammen den RKI-Wochenberichten .  In einem zweiten Teil habe ich die konkreten Berechnungen des RKI so weit wie möglich rekonstruiert und kann daher zeigen, wie stark die Ergebnisse schwanken, wenn Annahmen leicht verändert werden. Meine Erkenntnisse aus der folgenden Analyse: Das RKI verwendet zur Berechnung der Impfeffektivität di...
Mehr anzeigen

The Social Science One Facebook Cooperation: A Systemic Failure

This blogpost is a detailed background statement to this comment published in Nature at https://www.nature.com/articles/d41586-020-00828-5 . Fast-Read The following text argues that the Social Science One initiative that is celebrated by Facebook as success is an systemic failure. Privacy concerns are instrumentalized to withhold data from independent researchers while similar data is still available to private companies. The hurdles for researchers at Social Science One are set in a way that it is nearly impossible to study the effect of social media on elections and democracy. This fits to the strategic interest of Facebook to play cooperative but to control the outcomes of research. Social Science One is structured in a way that it is easy for Facebook to instrumentalize this organization. We end with policy recommendations. An appendix shows that the dataset delivered by Facebook is more or less useless. Background Facebook has announced the release of a dataset that is shar...
Mehr anzeigen