BAG (Bundesamt für Gesundheit) · Entscheidungsunterstützung Öffentliche Gesundheit
Gezielte Pandemie-Beschränkungen, die ~22 % der Infektionen bei gleichen Wirtschaftskosten einsparen
Eine Pareto-Frontier aus 15 Aktivitätsbeschränkungs-Politiken, Ende-zu-Ende auf der synthetischen 814’000-Agenten-Bevölkerung des Kantons Waadt berechnet — die Art altersaufgelöster Politikentscheidung, die ein grobes SEIR-Modell nicht liefern kann
Lockdowns wirken. Sie zerstören auch BIP. Die schwierige Frage, die jede Regierung im Dunkeln beantworten musste, ist, wie man beides austariert: welche Aktivitäten, für welche Altersgruppen, in welchen Regionen, in welchem Ausmass einzuschränken sind.
Wir haben eine Methodik gebaut, die diese Frage in ein Mehrziel-Optimierungsproblem verwandelt. Ein agentenbasierter Simulator berechnet epidemiologische Ergebnisse; ein Variable-Neighborhood-Search-Algorithmus durchsucht den Politikraum; der Output ist eine Pareto-Frontier von Beschränkungsstrategien, explizite Zielkonflikte zwischen Gesundheit und Wirtschaft, die Entscheider tatsächlich verteidigen können.
Die Herausforderung
Die meisten Pandemie-Modelle prognostizieren Übertragung. Wenige helfen bei der Wahl zwischen Politik-Alternativen. Keine der bestehenden Literatur kombiniert einen agentenbasierten Krankheitssimulator mit einem echten Optimierer, der Aktivitätsreduktionen zielgerichtet einsetzt und Gesundheits- gegen Wirtschaftskosten explizit abwägt.
Unsere Partner brauchten ein Framework, das in disaggregiertem Aktivitätsverhalten, Arbeit, Schule, Freizeit, Einkauf, verankert ist und ein verteidigbares Politik-Menü liefert, nicht eine einzelne Punktschätzung.
Unser Vorgehen
Wir haben die Epidemieausbreitung auf einer synthetischen Schweizer Bevölkerung mit einem Individual-Based / Agent-Based Model modelliert, Beschränkungen umgesetzt als gezielte Aktivitätsraten-Reduktionen pro Bevölkerungssegment (Alter, Geographie, sozioökonomischer Status).
Wir haben den Simulator in eine Variable-Neighborhood-Search-Optimierungsschleife gewickelt, mit zwei konkurrierenden Zielfunktionen: einem Gesundheitsverlust (Fälle plus gewichtete Tote) und einem Wirtschaftsverlust (Kosten der Politik). VNS durchsucht den Politikraum effizient und entkommt lokalen Optima, in denen Grid-Search und Gradientenmethoden hängen blieben.
Der Output ist eine vollständige Pareto-Frontier von Politiken, jede ein Vektor von Aktivitätsreduktions-Parametern, plus die simulierten Epidemiekurven, die jede Lösung stützen.
Das Ergebnis
Deliverable: eine Pareto-Frontier aus 15 Pandemie-Beschränkungspolitiken für die synthetische 814’000-Agenten-Bevölkerung des Kantons Waadt, jede Politik gekoppelt mit einer vollständigen 60-Tage-simulierten Epidemie-Trajektorie. Berechnet via Variable Neighborhood Search, die einen 30-Minuten-Auflösungs-individuenbasierten Simulator auf dem Jed-Server der EPFL umschliesst, in rund 6 Stunden Wall-Clock-Zeit.
Der Alters-Targeting-Befund: Lösung 3 (Arbeitsbeschränkung für 30–39-Jährige, Tage 2–59) erreicht ~360’000 Infizierte·Tage bei 72 Mio. CHF. Lösung 4 (Arbeitsbeschränkung für 40–49-Jährige plus 20 % Beschränkung für 70–79-Jährige, gleiches Fenster) kostet 4 % weniger bei 69 Mio. CHF, lässt aber Infektionen auf ~460’000 steigen, rund 22 % mehr. Die erwerbstätige Kohorte zu beschränken, die tatsächlich durch die Arbeitsplatz- und Pendlerschichten des Simulators läuft, ist deutlich wirkungsvoller, als Beschränkungen über ältere Kohorten zu verteilen — die Art von Entscheidungsinhalt, die ein grobes SEIR-Modell nicht zutage fördern kann.
Zweites Deliverable: die Methodik selbst. Tauschen Sie die Übertragungsparameter eines anderen Pathogens ein, swappen Sie die Aktivitätsdefinitionen, und dieselbe VNS-über-IBM-Schleife produziert eine neue Frontier ohne Neuaufbau der Arbeit.
Technischer Deep Dive
Das Modell hinter dem Ergebnis.
Das Modell
Das Pandemie-Politik-Problem hat keine einzelne Zielfunktion. Es hat zwei, und sie bekämpfen sich: Gesundheitskosten (Infektionen und Tote) und Wirtschaftskosten (verloren gegangener Output durch Beschränkungen). Die Entscheidungsvariablen liegen auf einer nicht-trivialen Bevölkerungsstruktur: J Altersgruppen, S diskrete Beschränkungsszenarien, plus Start- und Endtage der Beschränkungsperiode. Der Simulator ist eine Blackbox (ein individuenbasiertes Modell, das in 30-Minuten-Auflösung über die synthetische Bevölkerung des Kantons Waadt läuft), also muss der Optimierer Zielfunktionsauswertungen als teure Oracle-Calls behandeln und seine Politikzüge sorgfältig wählen.
Entscheidungsvariablen. Für jede Altersgruppe j eines von S Beschränkungsszenarien wählen; einen einzelnen Start- und Endtag für die Beschränkungsperiode über den T_sim-Tage-Simulationshorizont wählen. In unserem Lauf: J = 9 Altersgruppen, S = 4 Szenarien, T_sim = 60 Tage.
Bi-Ziel-Formulierung. Wir kollabieren die beiden Verluste nicht in ein gewichtetes Skalar (wer ‘Tote’ und ‘Franken’ in eine einzige Zahl zusammenführt, trifft das Werturteil, nicht das Modell). Wir verfolgen die volle Pareto-Frontier und lassen die Entscheider wählen.
Gesundheitsverlust. C_cas ist die kumulierte Anzahl Opfer aus der Agenten-Simulation; I_τ ist die Anzahl Infizierter an Tag τ; κ ≥ 0 setzt das relative Gewicht zwischen Infektionstagen und Toten. Beide Terme sind Outputs der IBM-Blackbox.
Wirtschaftsverlust. α_i ist die Grenzkosten (CHF / Person / Tag) der Beschränkung von Aktivität i ∈ A (Arbeit, Bildung, Freizeit, Einkauf, …); H_i(s) sind die Gesamtstunden der Aktivität i, die unter den gewählten Szenarien auf ‘Heim’ verlagert wurden; ε ist der Anteil der Stellen, die nicht remote erledigt werden können, ψ der Effizienzverlust derjenigen, die es können. Kalibriert auf den Kanton Waadt (BIP 62 Mrd. CHF, Bevölkerung 814 k, Arbeitskosten 344 CHF / Person / Tag).
Mächtigkeit des Lösungsraums. Vollständige Aufzählung ist aussichtslos: Bei rund 30 Sekunden IBM-Simulation pro Politikauswertung würde Brute Force etwa 450 CPU-Jahre brauchen. Die 6-Stunden-Wall-Clock, mit der wir am Ende gelaufen sind, entspricht ein paar tausend intelligenten Auswertungen.
VNS-Nachbarschaften. N^(1) inkrementiert oder dekrementiert das Szenario einer einzelnen Altersgruppe; N^(2) verschiebt den Start- oder Endtag um eins; N^(3) verschiebt die gesamte Beschränkungsperiode. VNS rotiert zwischen den Nachbarschaften, wenn es feststeckt, so entkommt es den lokalen Optima, in denen eine Koordinatenabstiegs-Suche hängenbleibt.
Der volle Optimierer ist die VNS-Schleife, die die IBM-Blackbox umschliesst: Politik in der aktuellen Nachbarschaft vorschlagen, Simulator laufen lassen, beide Verluste auswerten, nach Pareto-Dominanz akzeptieren oder ablehnen, bei Stagnation die Nachbarschaft wechseln. Weil jede Auswertung teuer ist, ist das einzig sinnvolle Effizienzmass Politik-Auswertungen pro Pareto-Punkt, weshalb temporale Züge zählen (eine einzelne +1-Tag-Verschiebung sieht günstiger aus, verschiebt die Kurve aber oft stärker als ein Szenario-Flip).
Benchmark
Vier repräsentative Lösungen aus der Pareto-Frontier (15 insgesamt), 60-Tage-Simulation auf der synthetischen Bevölkerung des Kantons Waadt (814 k Agenten, 9 Altersgruppen × 4 Szenarien). Gesundheitsverlust in Personen·Tage infiziert über den Horizont; Wirtschaftsverlust in CHF gegeben die kalibrierten Aktivitätskosten.
| Pareto-Lösung | Gesundheitsverlust (Personen·Tage) | Wirtschaftsverlust (CHF) | Zielgruppe(n) | Beschränkungsfenster |
|---|---|---|---|---|
| 1, Gesundheit zuerst | ~200 000 | 105 M | 30–39 (Arbeit), 50–59 (60 % alle) | volle 60 Tage |
| 2, Wirtschaft zuerst | ~700 000 | 15 M | 70–79 (leicht, nicht-erwerbstätig) | Tag 1 → 59 |
| 3, ausgewogen | ~360 000 | 72 M | 30–39 (Arbeit) | Tag 2 → 59 |
| 4, ausgewogen, verschobenes Alter | ~460 000 | 69 M | 40–49 (Arbeit), 70–79 (20 %) | Tag 2 → 59 |
Die Frontier trägt echten Entscheidungsgehalt. Vergleichen Sie Lösung 3 und 4: nahezu identischer Wirtschaftsverlust (72 M vs. 69 M CHF), aber Lösung 3 kontrolliert Infektionen um 28 % besser, indem sie die 30–39-Arbeitskohorte statt der 40–49-Arbeitskohorte einschränkt. Das ist die Art von Detail, die ein grobes SEIR-Modell nicht hervorbringen kann, weil es nicht weiss, wer um 10:30 Uhr an einem Dienstag an welchem Arbeitsplatz ist. Das dominante Muster über die volle Frontier: Beschränkungen der erwerbstätigen Bevölkerung kaufen Gesundheitsverlust am effizientesten ab, während Beschränkungen der Rentnerkohorte den Wirtschaftsverlust fast gratis senken (sie tragen nicht zum BIP bei), aber die Infektionskurve kaum bewegen.
Aus den Unterlagen
Techniken
- Variable Neighborhood Search (VNS)
- Agent-basierte / individuenbasierte Modellierung
- Mehrziel-Optimierung
- Pareto-Frontier-Exploration
- Bevölkerungssegmentierung
Stack
- Python
- Biogeme VNS-Paket
- Individual-based Simulator (IBM)
- MATSim-Aktivitäts-Schedules
Ein Problem wie dieses?