CN115101210A - 一种用于国家防控措施评估的流行病风险分析方法及装置 - Google Patents
一种用于国家防控措施评估的流行病风险分析方法及装置 Download PDFInfo
- Publication number
- CN115101210A CN115101210A CN202210636614.3A CN202210636614A CN115101210A CN 115101210 A CN115101210 A CN 115101210A CN 202210636614 A CN202210636614 A CN 202210636614A CN 115101210 A CN115101210 A CN 115101210A
- Authority
- CN
- China
- Prior art keywords
- index
- epidemic
- determining
- state value
- risk evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及疾病防控技术领域,特别是指一种用于国家防控措施评估的流行病风险分析方法及装置。方法包括:确定流行病风险评价指标;确定流行病风险评价指标的状态值划分规则;确定样本数据,基于ISM‑K2算法对样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布,进而确定各流行病风险评价指标不同状态值的条件概率表,构建贝叶斯网络;获取待评判国家的流行病风险评价指标对应的状态值;基于待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。采用本发明,可以较为快速准确地分析国家的流行病风险。
Description
技术领域
本发明涉及疾病防控技术领域,特别是指一种用于国家防控措施评估的流行病风险分析方法及装置。
背景技术
变异毒株的出现加剧了新冠疫情的传播风险,在全球范围内引起了严重的健康问题和经济危机。一种基于国家层面的流行病风险防控措施评估分析模型及方法,用以评估现有的疫情防控措施,并对未来疫情的发展趋势进行预测,从而对政府提供决策支持。目前的研究大都基于城市层面,所包含的影响因子众多,但对其重要程度和各因素之间的耦合关系缺乏定量研究,而已有的风险分析模型则难以在识别关键因素的同时分析各因素之间的相互依赖性,从而缺少普遍适用性。
发明内容
本发明实施例提供了一种用于国家防控措施评估的流行病风险分析方法及装置。所述技术方案如下:
一方面,提供了一种用于国家防控措施评估的流行病风险分析方法,该方法由电子设备实现,该方法包括:
S1、基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;
S2、基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;
S3、基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据所述流行病风险评价指标的状态值划分规则,确定样本数据,所述样本数据包括样本国家的流行病风险评价指标的状态值;
S4、基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;
S5、基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,所述各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;
S6、获取待评判国家的流行病风险评价指标的数据值,确定所述待评判国家的流行病风险评价指标对应的状态值;
S7、基于所述待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。
可选地,所述基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标,包括:
基于国家疫情防控基础的维度,确定国家发展水平指标、应急准备情况指标、政府风险管理效率指标以及医疗质量和可及性指数指标;
基于社会韧性的维度,确定迁移等级指标、教育程度指标、低龄人口占比等级指标、人口密集程度指标以及群众生活水平指标;
基于疫情处置的维度,确定监测与诊断指标、医疗卫生就绪度指标以及疫情处置措施指标;
基于传播影响范围的维度,确定感染情况指标以及涉疫面积指标。
可选地,所述基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则,包括:
依据联合国标准状态值划分规则,确定国家发展水平指标、迁移等级指标、人口密集程度指标以及群众生活水平指标的状态值划分规则;
依据新冠肺炎区域安全评估报告中的指标状态值划分规则,确定应急准备情况指标、政府风险管理效率指标、医疗质量和可及性指数指标、监测与诊断指标以及医疗卫生就绪度指标的状态值划分规则;
依据黄金比例分割法,确定教育程度指标、低龄人口占比等级指标以及感染情况指标的状态值划分规则;
依据主观定性法,确定疫情处置措施指标以及涉疫面积指标的状态值划分规则。
可选地,所述基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布,包括:
建立节点变量之间的两两关系;
基于所述节点变量之间的两两关系,建立结构自相关矩阵,其中,所述结构自相关矩阵用于表示有向连接图中两两节点之间的连接关系;
基于所述结构自相关矩阵,计算可达矩阵,其中,所述可达矩阵表示有向连接图中两两节点之间是否可以彼此到达;
对所述可达矩阵进行区域划分,建立系统的解释结构模型ISM,得到指标层次结构;
基于样本数据以及K2算法,计算得到各流行病风险评价指标不同状态值的概率分布。
可选地,所述基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,包括:
基于最大后验估计MAP算法、所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表。
另一方面,提供了一种用于国家防控措施评估的流行病风险分析装置,该装置应用于用于国家防控措施评估的流行病风险分析方法,该装置包括:
第一确定模块,用于基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;
第二确定模块,用于基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;
第三确定模块,用于基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据所述流行病风险评价指标的状态值划分规则,确定样本数据,所述样本数据包括样本国家的流行病风险评价指标的状态值;
第四确定模块,用于基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;
第五确定模块,用于基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,所述各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;
第六确定模块,用于获取待评判国家的流行病风险评价指标的数据值,确定所述待评判国家的流行病风险评价指标对应的状态值;
分析模块,用于基于所述待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。
可选地,所述第一确定模块,用于:
基于国家疫情防控基础的维度,确定国家发展水平指标、应急准备情况指标、政府风险管理效率指标以及医疗质量和可及性指数指标;
基于社会韧性的维度,确定迁移等级指标、教育程度指标、低龄人口占比等级指标、人口密集程度指标以及群众生活水平指标;
基于疫情处置的维度,确定监测与诊断指标、医疗卫生就绪度指标以及疫情处置措施指标;
基于传播影响范围的维度,确定感染情况指标以及涉疫面积指标。
可选地,所述第二确定模块,用于:
依据联合国标准状态值划分规则,确定国家发展水平指标、迁移等级指标、人口密集程度指标以及群众生活水平指标的状态值划分规则;
依据新冠肺炎区域安全评估报告中的指标状态值划分规则,确定应急准备情况指标、政府风险管理效率指标、医疗质量和可及性指数指标、监测与诊断指标以及医疗卫生就绪度指标的状态值划分规则;
依据黄金比例分割法,确定教育程度指标、低龄人口占比等级指标以及感染情况指标的状态值划分规则;
依据主观定性法,确定疫情处置措施指标以及涉疫面积指标的状态值划分规则。
可选地,所述第四确定模块,用于:
建立节点变量之间的两两关系;
基于所述节点变量之间的两两关系,建立结构自相关矩阵,其中,所述结构自相关矩阵用于表示有向连接图中两两节点之间的连接关系;
基于所述结构自相关矩阵,计算可达矩阵,其中,所述可达矩阵表示有向连接图中两两节点之间是否可以彼此到达;
对所述可达矩阵进行区域划分,建立系统的解释结构模型ISM,得到指标层次结构;
基于样本数据以及K2算法,计算得到各流行病风险评价指标不同状态值的概率分布。
可选地,所述第五确定模块,用于:
基于最大后验估计MAP算法、所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述用于国家防控措施评估的流行病风险分析方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述用于国家防控措施评估的流行病风险分析方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据流行病风险评价指标的状态值划分规则,确定样本数据,样本数据包括样本国家的流行病风险评价指标的状态值;基于ISM-K2算法对样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;基于指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;获取待评判国家的流行病风险评价指标的数据值,确定待评判国家的流行病风险评价指标对应的状态值;基于待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。这样,可以对各指标重要程度和各因素之间的耦合关系进行定量研究,在识别关键因素的同时分析各因素之间的相互依赖性,进行具备普遍适用性,可以较为快速准确地分析国家的流行病风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于国家防控措施评估的流行病风险分析方法流程图;
图2是本发明实施例提供的一种国家流行病风险分析模型层级结构示意图;
图3是本发明实施例提供的一种用于国家防控措施评估的流行病风险分析装置框图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种用于国家防控措施评估的流行病风险分析方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的用于国家防控措施评估的流行病风险分析方法流程图,该方法的处理流程可以包括如下的步骤:
S1、基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标。
一种可行的实施方式中,经过多个专家的综合考量以及多种疫情防控资料的分析,可以确定国家疫情防控基础、社会韧性、疫情处置、传播影响范围这四个维度可以较为全面的评价国家疫情的情况,因此,按照这四个维度确定流行病风险评价指标。具体的流行病风险评价指标可以如下:
(1)基于国家疫情防控基础的维度,确定国家发展水平指标、应急准备情况指标、政府风险管理效率指标以及医疗质量和可及性指数指标;
(2)基于社会韧性的维度,确定迁移等级指标、教育程度指标、低龄人口占比等级指标、人口密集程度指标以及群众生活水平指标;
(3)基于疫情处置的维度,确定监测与诊断指标、医疗卫生就绪度指标以及疫情处置措施指标;
(4)基于传播影响范围的维度,确定感染情况指标以及涉疫面积指标。
S2、基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则。
一种可行的实施方式中,可以参照下述步骤S21-S24确定流行病风险评价指标的状态值划分规则:
S21、依据联合国标准状态值划分规则,确定国家发展水平指标、迁移等级指标、人口密集程度指标以及群众生活水平指标的状态值划分规则。
具体地:(1)国家发展水平指标,其状态值可分为发达国家(S1)、发展中国家(S2)和最不发达国家(S3)。
(2)迁移状态值指标按净移民人口数占比进行划分,状态值分为高 (S1,>5%)、状态值为较高(S2,3%~5%)、状态值为中等(S3,1%~3%)、较低 (S4,0%~1%)以及低(S5,<0%)。
(3)人口密集程度指标按人口密度进行划分,状态值分为较稠密 (S1,>100人/平方千米)、中等(S2,25-100人/平方千米)以及较稀疏(S3,0-25 人/平方千米)。
(4)群众生活水平指标使用人均GDP进行衡量,分为状态值较高 (S1,>11906美元)、状态值一般(S2,3856-11905美元)以及状态值较低(S3,976- 3855美元)。
S22、依据新冠肺炎区域安全评估报告中的指标状态值划分规则,确定应急准备情况指标、政府风险管理效率指标、医疗质量和可及性指数指标、监测与诊断指标以及医疗卫生就绪度指标的状态值划分规则。
具体地:(1)应急准备情况指标分为较好(S1,>91)、一般(S2 63-90)以及较差(S3,0-60)。
(2)政府风险管理效率指标分为较高(S1,>145)、一般(S2,116-145)以及较低(S3,0-116)。
(3)医疗质量和可及性指数指标分为较高(S1,>80)、一般(S2 60-80)以及较低(S3,0-59)。
(4)监测与诊断指标分为较好(S1,>103)、一般(S2,93-102)以及较差(S3, 0-92)。
(5)医疗卫生就绪度指标分为较高(S1,>80)、一般(S2,65-79)以及较低 (S3,0-64)。
S23、依据黄金比例分割法,确定教育程度指标、低龄人口占比等级指标以及感染情况指标的状态值划分规则。
一种可行的实施方式中,黄金比例分割法的划分方法是将样本数据从大到小排序,排在样本数据的前38.2%被指定为状态值1(即S1),排在样本数据的 38.2%和61.8%之间的数据被指定为等2(即S2),其余的被指定为状态值3(即 S3)。具体地:(1)教育程度指标按照高等教育(大专及以上)人口占比进行划分,分为较高(S1,>27%),中等(S2,20-26%),一般(S3,0-20%)。
(2)低龄人口占比指标据年龄在0-14岁人口占比进行划分,分为较高(S1,>19%)、一般(S2,16-18%)以及较低(S3,0-15%)。
(3)感染情况指标使用累计确诊人数占比进行状态值划分,分为较为危险 (S1,>14%)、一般(S2,7-14%)以及较为安全(S3,0-7%)。
S24、依据主观定性法,确定疫情处置措施指标以及涉疫面积指标的状态值划分规则。
一种可行的实施方式中,主观定性法的划分方法是对指标进行简单状态值划分,具体地:(1)疫情处置措施指标分为采取限制措施并实施(S1)、颁布相关政策但未落实(S2)以及不采取限制措施(S3)。
(2)涉疫面积指标分为全局涉疫(S1)以及局部涉疫(S2)。
S3、基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据流行病风险评价指标的状态值划分规则,确定样本数据。
其中,样本数据包括样本国家的流行病风险评价指标的状态值。
一种可行的实施方式中,根据上述步骤确定流行病风险评价指标以及指标的状态值划分规则后,从新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库中,获取样本国家的各指标的数据值,并按照状态值划分规则,确定各指标对应的状态值,得到样本数据。每个指标具体的数据来源,可以参照下述表1所示:
表1
下面以10个特定样本国家N1-N10为例进行说明,其流行病风险评价各指标数据分别如表格2所示,其中,流行病风险评价指标名称后面括号里的是该流行病风险评价指标对应的缩写名称。
表2
S4、基于ISM_K2算法对样本数据库进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布。
一种可行的实施方式中,ISM_K2算法包括解释结构模型ISM以及K2算法;具体可以包括以下步骤S41-S45:
S41、建立节点变量之间的两两关系。
具体地,建立节点变量之间的两两关系的方法有多种,其中一种可行的方法是根据专家知识建立,具体方式包括:根据德尔菲法设计了两轮调查问卷,咨询了三位专家。在第一轮问卷调查中,要求专家判断每对变量之间的关系,例如,“低龄人口占比等级(D)是否影响教育程度(E2)?”,可选择答案“是”、“否”、或“不确定”。对同一问题,如果至少两位专家给出一致评估,则认为这对关系成立,否则待定。梳理所有待定关系,设计第二轮问卷,向专家反馈不一致的意见,并请专家进行重新评估,直至所有问题都得到一致意见为止。
S42、基于节点变量之间的两两关系,建立结构自相关矩阵。
具体地,结构自相关矩阵SSIM用于表示有向连接图中两两节点之间的连接关系,SSIM是一个二维n×n矩阵,矩阵中的元素aij可表示为:
S43、基于结构自相关矩阵,计算可达矩阵。
具体地,可达矩阵表示有向连接图中两两节点之间是否可以彼此到达。如果节点i经过一定长度的通路可以连接到节点j,则认为i到j可达。对于n个节点,其可达矩阵M可表示为二元n×n矩阵,矩阵的每个元素mij可表达为:
如果Si出发到达Sj需要经过k条支路,则称Si到Sj的长度为k。
可达矩阵M可由结构自相关矩阵SSIM经下式计算:
M=(SSIM+I)k+1=(SSIM+I)k≠(SSIM+I)k-1
式中I表示单位矩阵,k∈[1,n]表示SSIM中最长的支路长度。
举例说明,根据专家一家建立该模型结构自相关矩阵SSIM示例如下:
将所得自相关矩阵经由下式转换为可达矩阵(M)。
M=(SSIM+I)k+1=(SSIM+I)k≠(SSIM+I)k-1
可达性矩阵计算结果如下:
基于层级划分建立解释结构模型ISM。计算每个元素的可达集、先行集和共同集,当可达集与共同集的交集只有该元素本身时到达“终点”;所有元素均到达终点时,层级划分完成;层级划分共需重复十次上述步骤。此处仅展示第一步层级划分后所得的可达集示例,可以参见表格3。
表3
根据层级划分结果获得国家流行病风险分析模型的层级结构如图2所示。
S44、对可达矩阵进行区域划分,建立系统的解释结构模型ISM,得到指标层次结构。
具体地,i)求每个元素的可达集R(Si)和先行集A(Si)。R(Si)表示由元素Si出发可到达的所有元素的集合,A(Si)表示所有可达Si的元素的集合。
ii)求共同集C(Si)=R(Si)∩A(Si),即可达集与共同集的交集。
iii)划分层级。如果C(Si)=R(Si),即元素Si除自身外再无可达元素,到达系统的“终点”,将该元素划分到最高层级。除去该元素后,再次计算可达集、先行集和共同集,直到所有元素到达“终点”,即完成层级划分。
S45、基于样本数据以及K2算法,计算得到各流行病风险评价指标不同状态值的概率分布。
一种可行的实施方式中,通过统计方法计算各流行病风险评价指标不同状态值的概率分布,比如总共100个国家,20个国家是状态S1,那么S1的概率就是20÷100=20%。依次计算各流行病风险评价指标不同状态值的概率,形成概率分布。
S5、基于指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表。
其中,各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络。
本发明实施例中的贝叶斯结构可以通过现有的应用程序实现,即GeNIe2.2 应用程序。具体实施时,可以基于优化后的贝叶斯结构和待评判国家的流行病风险评价指标对应的状态值,使用GeNIe2.2应用程序提供的MAP算法进行计算。例如,某发达国家(N=S1)的人均GDP超过11,906美元(M2=S1)则可获得其医疗质量和可及性指数(H2)各状态概率分布如表格4,其中该变量状态为S1的概率为0.9102。
表4
确定条件概率表后,基于条件概率表与指标层次结构,构建贝叶斯网络。
S6、获取待评判国家的流行病风险评价指标的数据值,确定待评判国家的流行病风险评价指标对应的状态值。
一种可行的实施方式中,获取待评判国家的流行病风险评价指标的数据值的数据来源可以参照上述步骤S3中的表1,将数据值转化为状态值的方式可以参照上述步骤S3中获取样本数据的方式,此处不做赘述。
S7、基于待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。
其中,灵敏度分析即为对指标的重要程度进行分析。
一种可行的实施方式中,将上述步骤获取的待评判国家的流行病风险评价指标对应的状态值输入到构建好的贝叶斯网络中,即可对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施,贝叶斯网络可以通过现有的GeNIe2.2应用程序实现,相应的步骤可以包括S71-S72:
S71、根据待评判的目标国家的变量情况,在GeNIe2.2应用程序(即贝叶斯网络)中设置节点状态变量的不同状态,基于GeNIe2.2应用程序确定感染情况的每个状态值的概率范围。
具体地,据上述指标节点状态,根据所评判的目标国家的变量情况,在 GeNIe2.2软件中设置节点状态变量的不同状态,即可获得感染情况(I)较为危险、一般、较为安全的概率,根据所定义风险等级转化表,即可获得所评判目标国家的流行病风险等级,可以参考下表5所示,其中,P1为感染情况为较为危险 (S1)的概率大小。
表5
风险等级 | 划分标准 |
较高 | P1>30% |
一般 | 10%<P1≤30% |
较低 | P1≤10% |
S72、将感染情况设为目标节点,通过GeNIe2.2应用程序(即贝叶斯网络) 对各个流行病风险评价指标进行灵敏度分析,获得各个防疫措施的影响大小分析结果。
举例来说,以发展中国家A为例,根据相关报告,N1国家应急准备情况为93分,政府效率得分为125分,医疗质量和可及性指数得分为70分,医疗卫生准备得分为70,监测诊断得分为110。基于公开网络数据的统计数据显示,该国政府问题提出了限制政策,但实施不力;该国净移民人口占4%,受过高等教育(大专及以上学历)的人口比例为32%,该国0-14岁人口比例为12%,人口密度为102人/平方公里,人均GDP值为12,066美元。其各指标状态变量见表6。
表6
基于S4所得的贝叶斯结构,将感染情况(I)设置为目标节点,根据A国家的变量情况设置节点状态变量状态,计算得到A国的感染情况的概率为20%,将所得概率依照标准进行等级划分,得到该国流行病风险等级为“一般”;再通过灵敏度分析,所得结果如表7所示,则该国应重视受教育程度对于疫情的影响,以及应该制定实施更加严格的疫情预防处置措施。
表7
本发明实施例中,基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据流行病风险评价指标的状态值划分规则,确定样本数据,样本数据包括样本国家的流行病风险评价指标的状态值;基于ISM-K2算法对样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;基于指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;获取待评判国家的流行病风险评价指标的数据值,确定待评判国家的流行病风险评价指标对应的状态值;基于待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。这样,可以对各指标重要程度和各因素之间的耦合关系进行定量研究,在识别关键因素的同时分析各因素之间的相互依赖性,进行具备普遍适用性,可以较为快速准确地分析国家的流行病风险。
图3是根据一示例性实施例示出的一种用于国家防控措施评估的流行病风险分析装置框图。参照图3,该装置包括:
第一确定模块310,用于基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;
第二确定模块320,用于基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;
第三确定模块330,用于基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据所述流行病风险评价指标的状态值划分规则,确定样本数据,所述样本数据包括样本国家的流行病风险评价指标的状态值;
第四确定模块340,用于基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;
第五确定模块350,用于基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,所述各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;
第六确定模块360,用于获取待评判国家的流行病风险评价指标的数据值,确定所述待评判国家的流行病风险评价指标对应的状态值;
分析模块370,用于基于所述待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。
可选地,所述第一确定模块310,用于:
基于国家疫情防控基础的维度,确定国家发展水平指标、应急准备情况指标、政府风险管理效率指标以及医疗质量和可及性指数指标;
基于社会韧性的维度,确定迁移等级指标、教育程度指标、低龄人口占比等级指标、人口密集程度指标以及群众生活水平指标;
基于疫情处置的维度,确定监测与诊断指标、医疗卫生就绪度指标以及疫情处置措施指标;
基于传播影响范围的维度,确定感染情况指标以及涉疫面积指标。
可选地,所述第二确定模块320,用于:
依据联合国标准状态值划分规则,确定国家发展水平指标、迁移等级指标、人口密集程度指标以及群众生活水平指标的状态值划分规则;
依据新冠肺炎区域安全评估报告中的指标状态值划分规则,确定应急准备情况指标、政府风险管理效率指标、医疗质量和可及性指数指标、监测与诊断指标以及医疗卫生就绪度指标的状态值划分规则;
依据黄金比例分割法,确定教育程度指标、低龄人口占比等级指标以及感染情况指标的状态值划分规则;
依据主观定性法,确定疫情处置措施指标以及涉疫面积指标的状态值划分规则。
可选地,所述第四确定模块340,用于:
建立节点变量之间的两两关系;
基于所述节点变量之间的两两关系,建立结构自相关矩阵,其中,所述结构自相关矩阵用于表示有向连接图中两两节点之间的连接关系;
基于所述结构自相关矩阵,计算可达矩阵,其中,所述可达矩阵表示有向连接图中两两节点之间是否可以彼此到达;
对所述可达矩阵进行区域划分,建立系统的解释结构模型ISM,得到指标层次结构;
基于样本数据以及K2算法,计算得到各流行病风险评价指标不同状态值的概率分布。
可选地,所述第五确定模块350,用于:
基于最大后验估计MAP算法、所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表。
本发明实施例中,基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据流行病风险评价指标的状态值划分规则,确定样本数据,样本数据包括样本国家的流行病风险评价指标的状态值;基于ISM-K2算法对样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;基于指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;获取待评判国家的流行病风险评价指标的数据值,确定待评判国家的流行病风险评价指标对应的状态值;基于待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。这样,可以对各指标重要程度和各因素之间的耦合关系进行定量研究,在识别关键因素的同时分析各因素之间的相互依赖性,进行具备普遍适用性,可以较为快速准确地分析国家的流行病风险。
图4是本发明实施例提供的一种电子设备400的结构示意图,该电子设备 400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器 (centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,所述存储器502中存储有至少一条指令,所述至少一条指令由所述处理器 501加载并执行以实现上述用于国家防控措施评估的流行病风险分析方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述用于国家防控措施评估的流行病风险分析方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于国家防控措施评估的流行病风险分析方法,其特征在于,所述方法包括:
S1、基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;
S2、基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;
S3、基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据所述流行病风险评价指标的状态值划分规则,确定样本数据,所述样本数据包括样本国家的流行病风险评价指标的状态值;
S4、基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;
S5、基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,所述各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;
S6、获取待评判国家的流行病风险评价指标的数据值,确定所述待评判国家的流行病风险评价指标对应的状态值;
S7、基于所述待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。
2.根据权利要求1所述的方法,其特征在于,所述基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标,包括:
基于国家疫情防控基础的维度,确定国家发展水平指标、应急准备情况指标、政府风险管理效率指标以及医疗质量和可及性指数指标;
基于社会韧性的维度,确定迁移等级指标、教育程度指标、低龄人口占比等级指标、人口密集程度指标以及群众生活水平指标;
基于疫情处置的维度,确定监测与诊断指标、医疗卫生就绪度指标以及疫情处置措施指标;
基于传播影响范围的维度,确定感染情况指标以及涉疫面积指标。
3.根据权利要求1所述的方法,其特征在于,所述基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则,包括:
依据联合国标准状态值划分规则,确定国家发展水平指标、迁移等级指标、人口密集程度指标以及群众生活水平指标的状态值划分规则;
依据新冠肺炎区域安全评估报告中的指标状态值划分规则,确定应急准备情况指标、政府风险管理效率指标、医疗质量和可及性指数指标、监测与诊断指标以及医疗卫生就绪度指标的状态值划分规则;
依据黄金比例分割法,确定教育程度指标、低龄人口占比等级指标以及感染情况指标的状态值划分规则;
依据主观定性法,确定疫情处置措施指标以及涉疫面积指标的状态值划分规则。
4.根据权利要求1所述的方法,其特征在于,所述基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布,包括:
建立节点变量之间的两两关系;
基于所述节点变量之间的两两关系,建立结构自相关矩阵,其中,所述结构自相关矩阵用于表示有向连接图中两两节点之间的连接关系;
基于所述结构自相关矩阵,计算可达矩阵,其中,所述可达矩阵表示有向连接图中两两节点之间是否可以彼此到达;
对所述可达矩阵进行区域划分,建立系统的解释结构模型ISM,得到指标层次结构;
基于样本数据以及K2算法,计算得到各流行病风险评价指标不同状态值的概率分布。
5.根据权利要求1所述的方法,其特征在于,所述基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,包括:
基于最大后验估计MAP算法、所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表。
6.一种用于国家防控措施评估的流行病风险分析装置,其特征在于,所述用于国家防控措施评估的流行病风险分析装置用于实现用于国家防控措施评估的流行病风险分析方法,所述装置包括:
第一确定模块,用于基于国家疫情防控基础、社会韧性、疫情处置、传播影响范围四个维度,确定流行病风险评价指标;
第二确定模块,用于基于联合国标准状态值划分规则、新冠肺炎区域安全评估报告中的指标状态值划分规则、黄金比例分割法以及主观定性法,确定流行病风险评价指标的状态值划分规则;
第三确定模块,用于基于新冠肺炎区域安全评估报告、疫情信息数据库和疫情风险案例库,获取样本国家的流行病风险评价指标的数据值,根据所述流行病风险评价指标的状态值划分规则,确定样本数据,所述样本数据包括样本国家的流行病风险评价指标的状态值;
第四确定模块,用于基于ISM-K2算法对所述样本数据进行学习,得到指标层次结构以及各流行病风险评价指标不同状态值的概率分布;
第五确定模块,用于基于所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表,所述各流行病风险评价指标不同状态值的条件概率表用于构建贝叶斯网络;
第六确定模块,用于获取待评判国家的流行病风险评价指标的数据值,确定所述待评判国家的流行病风险评价指标对应的状态值;
分析模块,用于基于所述待评判国家的流行病风险评价指标对应的状态值以及贝叶斯网络,对实际场景进行情景推演及灵敏度分析,以量化评估国家流行病的控制措施。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,用于:
基于国家疫情防控基础的维度,确定国家发展水平指标、应急准备情况指标、政府风险管理效率指标以及医疗质量和可及性指数指标;
基于社会韧性的维度,确定迁移等级指标、教育程度指标、低龄人口占比等级指标、人口密集程度指标以及群众生活水平指标;
基于疫情处置的维度,确定监测与诊断指标、医疗卫生就绪度指标以及疫情处置措施指标;
基于传播影响范围的维度,确定感染情况指标以及涉疫面积指标。
8.根据权利要求6所述的装置,其特征在于,所述第二确定模块,用于:
依据联合国标准状态值划分规则,确定国家发展水平指标、迁移等级指标、人口密集程度指标以及群众生活水平指标的状态值划分规则;
依据新冠肺炎区域安全评估报告中的指标状态值划分规则,确定应急准备情况指标、政府风险管理效率指标、医疗质量和可及性指数指标、监测与诊断指标以及医疗卫生就绪度指标的状态值划分规则;
依据黄金比例分割法,确定教育程度指标、低龄人口占比等级指标以及感染情况指标的状态值划分规则;
依据主观定性法,确定疫情处置措施指标以及涉疫面积指标的状态值划分规则。
9.根据权利要求6所述的装置,其特征在于,所述第四确定模块,用于:
建立节点变量之间的两两关系;
基于所述节点变量之间的两两关系,建立结构自相关矩阵,其中,所述结构自相关矩阵用于表示有向连接图中两两节点之间的连接关系;
基于所述结构自相关矩阵,计算可达矩阵,其中,所述可达矩阵表示有向连接图中两两节点之间是否可以彼此到达;
对所述可达矩阵进行区域划分,建立系统的解释结构模型ISM,得到指标层次结构;
基于样本数据以及K2算法,计算得到各流行病风险评价指标不同状态值的概率分布。
10.根据权利要求6所述的装置,其特征在于,所述第五确定模块,用于:
基于最大后验估计MAP算法、所述指标层次结构以及各流行病风险评价指标不同状态值的概率分布,确定各流行病风险评价指标不同状态值的条件概率表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636614.3A CN115101210A (zh) | 2022-06-07 | 2022-06-07 | 一种用于国家防控措施评估的流行病风险分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636614.3A CN115101210A (zh) | 2022-06-07 | 2022-06-07 | 一种用于国家防控措施评估的流行病风险分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115101210A true CN115101210A (zh) | 2022-09-23 |
Family
ID=83289447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636614.3A Pending CN115101210A (zh) | 2022-06-07 | 2022-06-07 | 一种用于国家防控措施评估的流行病风险分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115101210A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745081A (zh) * | 2024-02-20 | 2024-03-22 | 中国石油大学(华东) | 一种台风风暴潮灾害风险评估方法和装置 |
-
2022
- 2022-06-07 CN CN202210636614.3A patent/CN115101210A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745081A (zh) * | 2024-02-20 | 2024-03-22 | 中国石油大学(华东) | 一种台风风暴潮灾害风险评估方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mourifié et al. | Testing local average treatment effect assumptions | |
Scott | Making judgements about educational research | |
CN114091443A (zh) | 基于深度学习的网络信息传播指标体系构建及量化评估方法及系统 | |
CN115101210A (zh) | 一种用于国家防控措施评估的流行病风险分析方法及装置 | |
Lin et al. | Impulse response function analysis of the impacts of hospital accreditations on hospital efficiency | |
Mauk | Quality of democracy makes a difference, but not for everyone: how political interest, education, and conceptions of democracy condition the relationship between democratic quality and political trust | |
Hayadi et al. | Certainty factor method analysis for identification of Covid-19 virus accuracy | |
CN111815487A (zh) | 基于深度学习的健康教育评估方法、装置及介质 | |
Adalian | General considerations about data and selection of statistical approaches | |
KR101469081B1 (ko) | 실시간 성적 분포 및 등급컷 추정 방법 | |
Uekawa et al. | Creating an Early Warning System: Predictors of Dropout in Delaware. REL Mid-Atlantic Technical Assistance Brief. REL MA 1.2. 75-10. | |
Nguyen et al. | Data-driven models for individual and group decision making | |
Al-Dahash et al. | Evaluating disaster response management stemming from war operations and terrorism in Iraq: a methodological approach | |
Janssen | Test-selection strategies to increase the number of MAP-independent variables | |
Coleman et al. | Law and Multidimensional Measurement | |
RU2622858C1 (ru) | Способ оценки информации об эффективности функционирования системы и устройство на его основе для решения задач управления, контроля и диагностики | |
Olechnowicz-Szewczyk et al. | Behavioural factors of willingness to save long term–a factor analysis | |
Nelson et al. | The likelihood difference heuristic and binary test selection given situation-specific utilities. | |
Zhang et al. | A large-scale group grey-DEMATEL decision framework for analyzing factors affecting pandemic control: a case in Ghana during COVID-19 | |
Ferro et al. | Is intimate partner violence harmful on children school outcomes? Evidence from Brazil | |
McGovern et al. | The effect of home-based HIV testing and counseling on HIV programmatic linkage: an instrumental variable approach | |
Yu et al. | Evaluation for space frequency and orbit resources using EWM-AHP | |
Coccia et al. | Chapter Monitoring and evaluation of gender equality policies | |
Finsterbusch | A Bayesian Perspective on Social Impact Assessment Data Collection | |
Kassa et al. | Food Insecurity Erodes Trust |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |