پیش بینی میزان مرگ ومیر ناشی از ویروس کووید ۱۹ در جهان با استفاده مدل های سیستم خاکستری

هدف: ویروس کووید-۱۹ تهدید بزرگی برای سلامتی و ایمنی مردم در سراسر جهان است. یکی از مولفه های اساسی در مقابله با این تهدید جهانی، تصمیم گیری سریع و بجا برای کنترل همه گیری این بیماری است؛ بنابراین پیش بینی روند آینده این بیماری در جهان ازجمله پیش بینی افراد فوت شده می تواند برای سیاست گذاری، مدیریت و کنترل شیوع آن مفید باشد. ازاین رو به پیش بینی میزان مرگ ومیر ناشی از این ویروس با مدل های خاکستری در جهان پرداخته شده است.روش شناسی پژوهش: این پژوهش به بررسی روند پیش بینی میزان مرگ ومیر در جهان با استفاده از مدل های نظریه سیستم های خاکستری می پردازد. داده های پژوهش از سایت سازمان بهداشت جهانی جمع آوری شده و پیش بینی میزان افراد فوت شده در جهان به صورت ماهانه با پنج روش سیستم خاکستری GM(۱,۱)،GreyVerhulst،DGM(۱,۱)،NGBM(۱,۱) و F-NGBM(۱,۱) مدل سازی و پیش بینی شده است. به منظور ارزیابی خطای مدل ها، از معیارهای متداول ارزیابی خطا MAE، RMSE و MAPE استفاده شد.یافته ها: با ارزیابی خطای مدل ها، پیش بینی مدل F-NGBM(۱,۱) در دسته مدل های عالی، مقادیر پیش بینی مدل GreyVerhulst جزو دسته پیش بینی های قابل قبول و بقیه مدل ها در دسته پیش بینی خوب قرار می گیرند. همچنین مدل (F-NGBM(۱,۱ با مقادیر خطایMAE, RMSE و MAPE به ترتیب ۲۶۹۸۹.۵۴، ۲۱۵۳۳.۹۴ و ۷.۲۱ مناسب ترین مدل نسبت به سایر روش های دیگر است. ۲۵۰۹۵۸ فوتی با پیش بینی مدل (F-NGBM(۱,۱ برای انتهای سال ۲۰۲۱ برآورد شده است که ممکن است مناسب ترین مقدار در بین روش های پیش بینی ها باشد.اصالت/ارزش افزوده علمی: با توجه به عدم وجود داده های تاریخی و همچنین عدم قطعیت فراوان در داده های دسترس، نیاز است از رویکردهای مواجهه با عدم قطعیت همچون نظریه سیستم خاکستری در پیش بینی میزان مرگ ومیر این بیماری استفاده شود. ازاین رو در این پژوهش برخلاف پژوهش های انجام شده با مدل های مختلف پیش بینی خاکستری به برآورد میزان مرگ و میر پرداخته که به نسبت روش های موجود، داده های نسبتا کمتری نیاز داشته و خطای مدل هم بسیار پایین تر است. همچنین این پژوهش برای میزان مرگ ومیر در کل دنیا انجام شده است و جامعیت بیشتری برای اقدامات یکپارچه جهانی خواهد داشت.

کلیدواژه ها:

تحلیل داده ، کرونا ویروس ، سیستم خاکستری ، پیش بینی خاکستری ، سری زمانی