Dipartimento di Fisica

Corso di Laurea Triennale in Fisica

Ottimizzazione della politica di Lockdown per Covid-19

Relatori: Presentata da:

Riccardo Mannella Manuel Luci

Sessione estiva
Anno Accademico 2020/2021
Indice

1 Modello 1
1.1 Estensione del modello SIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Comportamento degli individui nelle diverse categorie . . . . . . . . . . . . . . . . 3
1.2.1 Decisione ottimale per R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Decisione ottimale per I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Comportamento delle persone esposte . . . . . . . . . . . . . . . . . . . . . 6
1.3 Controllo ottimale per il governo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Procedimento risolutivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Vaccino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2 Parametri utili per il modello 9

3 Risultati numerici 11
3.1 Modello SIR Canonico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Modello Basic-SIR Macro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Modello Simple Containment Policy . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Modello Optimal Simple Containment Policy . . . . . . . . . . . . . . . . . . . . . . 12
3.5 Modelli con vaccino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.5.1 Modello Simple Containment Policy con vaccino . . . . . . . . . . . . . . . 13
3.5.2 Modello Optimal Simple Containment Policy con vaccino . . . . . . . . . . 13
3.6 Uscita anticipata dal lockdown . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.6.1 Uscita anticipata settimana 12 . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.6.2 Uscita antipata settimana 44 . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.7 Entrata posticipata del lockdown . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.8 Smart Containment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.9 Tabella riassuntiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4 Conclusione 23

1
Bibliografia 24

2
 Sommario

A causa della diffusione del COVID-19 una delle misure di prevenzione più importanti per combat-
tere la pandemia è stato il Lockdown. Sebbene sia risultata efficace per contenere la diffusioni, le
conseguenze sull’economia sono state importanti.
Nella seguente discussione estendendo il modello classico SIR, cercheremo di trovare una decisione
che ottimizzi sia l’economia che la salute delle persone durante il lockdown.
Il modello sarà diviso in due parti:

• la prima parte è un problema di ottimizzazione in cui le persone a causa della pandemia pren-
deranno delle decisioni sulle loro ore di lavoro e consumi per massimizzare la loro objective
function;

• nella seconda parte prendiamo in considerazione il governo che ,attraverso la politica del
lockdown, massimizzerà il welfare della società.

Nel capitolo 1descriviamo l’estensione del modello SIR, analizzandone le propietà. Nel capitolo 2,
discutiamo e stimiamo i parametri utili per una simulazione reale (caso Italia). Nel capitolo 3 mo-
striamo i risultati numerici del nostro modello. Nel capitolo 4 trarremo le conclusioni. Successiva-
mente vedremo come il vaccino influenzerà queste scelte e l’importanza dei tempi di entrata/uscita
dal lockdown.
Per il comportamento delle persone useremo il modello dell’equilibrio di Cournot.
Tutti i risultati che mostreremo saranno ottenuti attraverso simulazioni numeriche usando MA-
TLAB (per la soluzione del problema di ottimizzazione e per parti del codice, ho seguito [ERT20]);
il lavoro originale del seguente modello è [FXJW21]; mentre per il modello SIR canonico può essere
utile la lettura del paper originale [KM27]
Capitolo 1

Modello

In seguito descriviamo l’estensione del modello canonico SIR; inseguito analizziamo il comporta-
mento delle 3 categorie di persone esposti, infetti e guariti riguardo la loro decisione dei consumi e
ore di lavoro sotto lockdown e formuliamo un modello di controllo ottimale; infine aggiungiamo al
nostro modello il costo della morte.

1.1 Estensione del modello SIR

Come mostrato nel modello classico SIR [KM27], classifichiamo le persone in 3 categorie:

• Infetti (I), coloro che risultano positivi al virus;

• Guariti (R) coloro che sono stati positivi ma ora sono guariti (effettuiamo l’ipotesi che le
persone guarite non possono risultare nuovamente infette);

• Esposti (S) sono coloro che non sono ancora risultati positivi al virus.

Gli infetti possono guarire con probabilità πr o morire con probabilitò πd .

Ogni persona esposta può infettarsi in 3 modi:

• attraverso l’acquisto o consumo di beni e servizi;

• lavrare con altri infetti;

• altre attività.

Attuando una politica di lockdown, andremo a limitare i contatti che possono avvenire nel lavoro,
modificando quindi il flusso del reddito che imporrà inevitabilmente dei vincoli sugli acquisti e

1
consumi.
Le equazioni che descrivono il modello sono:

Tt = πs1 (St Cts )(It Cti ) + πs2 (St Nts )(It Nti ) + πs3 St It (1.1)

St+1 = St − Tt (1.2)

It+1 = It + Tt − (πr + πd )It (1.3)

Rt+1 = Rt + πr It (1.4)

Dt+1 = Dt + πd It (1.5)

dove:

• St , It , Rt , Dt indicano il numero delle persone rispettivamente in S, I, R, D (morti)

al tempo t;

• (Ctj , Ntj ), con j = s, i, r indicano il consumo medio e le ore di lavoro rispettivamente per
S, I, R;

• Tt è il numero di nuovi infetti tra t e t + 1;

• πsj con j = 1, 2, 3 indica il tasso di transizione S → I attraverso il contatto rispettivamente

di: acquisti/consumi, lavoro, altri tipi di contatto.

Sia ora ∆Yt = Yt+1 − Yt , Y = S, I, R la dinamica del nostro modello si può riscrivere:

∆St = −Tt (1.6)

∆It = Tt − (πr + πd )It (1.7)

∆Rt = πr It (1.8)

Possiamo usare una notazione vettoriale e matriciale per semplificare il nostro modello: sia Xt =
(St , It , Rt )T , Ct = (Cts , Cti , Ctr )T , nt = (nst , nit , nrt ) e ∀x, x = (x1 , x2 .x3 )T , c = (c1 , c2 , c3 )T , n =
(n2 , n2 , n3 )T , definiamo:

T (x, c, n) = x1 x2 (πs1 c1 c2 + πs2 n1 n2 + πs3 ) (1.9)

F (x, c, n) = (−T (x, c, n), T (x, c, n) − (πr + πd )x2 , πd x2 )T (1.10)

possiamo riscrivere il problema come:

∆Xt = F (Xt , Ct .nt ) (1.11)

2
1.2 Comportamento degli individui nelle diverse categorie

Studiamo ora il comportamento razionale di tutte le persone che massimizzano il loro welfare sce-
gliendo un adeguato consumo e ore di lavoro e come ipotesi le persone non cambiano la loro raziona-
lità e le loro preferenze durante l’epidemia. Come utility function useremo la seguente espressione
che prende in considerazione sia i consumi che i lavori di un individuo:

θ
u(c, n) = log c − n2 (1.12)
2

con c i consumi e n le ore di lavoro.

Sia A lo stipendio medio per ora di una persona, il reddito lavorativo sarà An, abbiamo dunque un
estremo superiore per i consumi : An ≥ c. Sia n0 l’orario di lavoro in unità di tempo prima della
diffusione del virus (indicata dal governo), attraverso la scelta ottimale per la società, possiamo
ricavare informazioni su θ0 .
Se per ipotesi tutte le persone lavorano tutte le ore n0 , il reddito lavorativo sarà An0 ; poichè u
è monotona crescente in c, tutto il reddito sarà utilizzato e avrà un consumo ottimale c0 = n0 .
Ottimizzando n0 :
∂u(c0 , n0 ) 1 1
= − θn0 = 0 ⇒ θ = 2 (1.13)
∂n n0 n0
Dunque l’objective fuction del flusso dei consumi e ore di lavoro {(cτ , nτ )}τ =t,...,T :
T
X
U (c, n) = β τ u(cτ , nτ ) (1.14)
τ =t

con β ∈ (0, 1) indica il tasso di inflazione.

Per contenere la diffusione del virus, il governo applica politiche di lockdown la quale riduce il
contatto tra le persone e impone costrizioni sulle loro abitudini.
Indicando il lockdown con L ∈ [0, 1] come rapporto tra orario di lavoro e capacità di lavoro totale
(n0 ), le ore di lavoro hanno un limite superiore n0 L.
Effettuiamo una seconda ipotesi: il governo non riesce a individuare facilmente le 3 categorie, quindi
le restrizioni del lockdown sono uguali per tutte le categorie.
Affrontiamo il problema seguendo questi step:

1. problema decisionale per ogni categoria assegnato L;

2. studiamo la politica di scelta di L per il governo.

3
1.2.1 Decisione ottimale per R

Suppongo misura di lockdown Lt ∈ [0, 1], ∀t, le persone guarite vorranno massimizzare la loro
objective function:
T
X
J r (cr , nr , t) = β τ −t u(crτ , nrτ ) (1.15)
τ =t
con vincoli cnτ ≤ Anrτ , nrτ ≤ n0 Lτ

Teorema 1. Al tempo t con stato Xt e politica di lockdown {Lτ : τ ∈ [t, T ]}, la decisione ottimale
(cr , nr ) è:
cr∗
τ = An0 Lτ , nr∗
τ = n0 Lτ con τ = t, . . . , T

Dimostrazione.

∂J r (cr , nr , t) 1
r
= β τ −t r > 0 =⇒ cr∗ r
τ = Anτ ∀τ = t, . . . , T
∂cτ cτ

Sia
T
X
f (cr , nr , λrn , t) = J r (cr , nr , t) + λrnτ (n0 Lτ − nrτ )
τ =t
per le condizioni KKT:

r∗ r∗ r
 ∂f (c ,n r ,λn ,t) = 0

⇒ β τ −t (−θnrτ + 1/nrτ ) − λrnτ = 0
∂n τ

λr (n L − nr ) = 0,

λrnτ ≥ 0
nτ 0 τ τ

Poiché n20 θ = 1 =⇒ β τ −t (−θnrτ + 1/nrτ ) > β τ −t (−θn0 + n0 ) = 0.

Quindi, ∀τ = t, . . . , T :
nr∗
τ = n0 Lτ

cr∗
τ = An0 L

Il comportamento delle persone guarite è il più semplice poiché non hanno alcun effetto nella
diffusione del virus.

1.2.2 Decisione ottimale per I

Le persone infette vogliono ottimizzare {(cit , nit )}t=0,...,T , con i vincoli cit ≤ Anit , nit ≤ n0 Lt .
Le persone infette hanno un peggior stato di salute che incide in un minor numero di ore di lavoro,
parametrizziamo questa condizione con nit = AΦn, con Φ ∈ [0, 1] costante efficienza lavorativa.
Inoltre esse hanno:

• probabilità πr di guarire;

4
 • probabilità πd di morire;

• probabilità 1 − πd − πr di rimanere infetti

Quindi dopo un tempo τ > t, sia pi,j con j = i, r, d è la probabilità rispettivamente di essere ancora
infetti, guarire, morire, possiamo dedurre:

pi,i (t, τ ) = (1 − πr − πd )τ −t

(1 − (1 − πr − πd ))τ −t
pi,r (t, τ ) = πr
πr + pid
(1 − (1 − πr − πd ))τ −t
pi,d (t, τ ) = πd
πr + pid
Se l’individuo guarisce, l’ottimizzazione è la stessa trovata nel punto precedente, se muore l’objec-
tive function è 0, dunque per un flusso dato (ci , ni ), l’objective function è:
T
X
J i (ci , ni , t) = β τ −t [pi,i (t, τ )u(ciτ , niτ ) − pi,r u(cr∗ r∗
τ , nτ )] (1.16)
τ =t

Teorema 2. Data una politica di lockdown L la decisione ottimale (ci , ri ) è:

ci∗
τ = AΦn0 Lτ , ni∗
τ = n0 Lτ , con τ = t, . . . , T

Dimostrazione. Analogamente al caso precedente:

∂J i (ci , ni , t) 1
i
= (β(1 − πr − πd ))τ −t i > 0 =⇒ ci∗ i
τ = AΦnτ , ∀τ = t, . . . , T
∂cr cτ

Sia
T
X
i i
f (c , n , λin , t) i i i
= J (c , n , t) + λinτ (n0 Lτ − niτ )
τ =t

per le condizioni KKT:


i∗ i∗ i∗
 ∂f (c ,n i ,λ ,t) = 0

⇒ (β(1 − πr − πd ))τ −t (−θniτ + 1/niτ ) − λinτ = 0
∂n τ

λi (n L − ni ) = 0,

λinτ ≥ 0
nτ 0 τ τ

Poiché n20 θ = 1:

λinτ = (β(1 − πr − πd ))τ −t (−θniτ + 1/niτ ) > (β(1 − πr − πd ))τ −t (−θn0 + 1/n0 ) = 0

Quindi:
ci∗
τ = AΦn0 Lτ , ni∗
τ = n0 Lτ , con τ = t, . . . , T

5
1.2.3 Comportamento delle persone esposte

Per semplificare il problema, usiamo la ricorsività. conosciamo la funzione ottimale degli infetti,
al tempo t consideriamo una persona esposta, dato uno stato iniziale Xt e politica di lockdown
completamente assegnata L.
Prima di essere infetto abbiamo un flusso di consumo e orario lavorativo (csτ , nsτ )τ =t,t+1,...,T , mentre
dopo essere infetto la funzione è uguale alla funzione trovata in precedenza.
L’objective function è dunque:

J s (cs , ns , t, Xt , L) = u(cst , nst ) + βτt J i∗ (t + 1, L) + β(1 − τt )J s (cs , ns , t + 1, Xt+1 , L) (1.17)

J s (cs , ns , T, XT , L) = u(ciτ , niτ ) (1.18)

con:

• τt = πs1 n0 AφIt Lt cst + πs2 n0 It Lt nst + πs3 It probabilità che la persona esposta sia infettata
al prossimo step temporale;

• J i∗ (t + 1, L): è l’objective function raggiungibile per una persona infetta al tempo t+1;

• Xt+1 : è lo stato al tempo t+1 dovuto al comportamento (cs∗ s∗ i∗ i∗ r∗ r∗

t , nt , ct , nt , ct , nt ) e al tempo

t dello stato Xt

Vogliamo ottimizzare J s (cs , ns , t, Xt , L) sul flusso iniziale (cs , ns ), risolviamo il problema di

ottimizzazione:

max J s (cs , ns , t, Xt , L)

t.c csτ ≤ Anst , nsτ ≤ n0 Lτ ∀τ ∈ {t, t + 1, . . . , T } (1.19)

Teorema 3. Al tempo t con stato Xt e politica di lockdown Lτ : τ ∈ [t, T ], la decisione ottimale

(cs , ns ) è:
cs∗ s∗
τ = Anτ , τ = t, . . . , T

Dimostrazione. Fissiamo la politica di lockdown L, sia l’objective function V (t, Xt ) = J s (cs∗ , ns∗ , t, Xt , L),
in accordo con il principo di programmazione dinamica, V deve soddisfare:

V (t, Xt ) = max [u(cst , nst ) + βτt J i∗ (t + 1, L) + β(1 − τt )V (t + 1, Xt+1 )]

cst ≤Anst ,nst ≤n0 Lt

∗ i∗ ∗ ∗
= u(cs∗ s∗
t , nt ) + βτt J (t + 1, L) + β(1 − τt )V (t + 1, Xt+1 ) (1.20)

dove τt∗ e Xt+1

∗ sono la probabilità di infezione e lo stato del nostro modello a t + 1.
Per assurdo se cs∗ s∗ s s s∗ s∗
t < Ant , poichè τt è monotono crescente sia in c che n , ∃m ∈ (ct , Ant ) e

possiamo costruire un nuovo controllo:

m
cst = m, nst = t.c τt = τt∗ e Xt+1 = Xt
A

6
Ma cst > cs∗ s s∗ s s s∗ s∗ s∗ s∗
t e nt < nt , quindi u(ct , nt ) > u(ct , nt ) contraddicendo il fatto che (c , n ) è

ottimale, quindi cs∗ s∗

τ = Anτ

1.3 Controllo ottimale per il governo

Dato dunque il comportamento ottimale per ogni cateforia sotto una data politica di lockdown L,
posso riformulare il problema di ottimizzazione decisionale politica in un problema di controllo
ottimale.
Supponendo che iniziamo il lockdown a un dato tempo t0 , stato contaminato Xt0 dato da St0 =
s, It0 = i, Rt0 = r, possiamo considerare il seguente problema di controllo ottimale:
T
X
max J 0 (L, t, Xt ) = β t−t0 [St u(cs∗ s∗ i∗ i∗ r∗ r∗
t , nt ) + It u(ct , nt ) + Rt u(ct , nt )] (1.21)
L
t=t0

con (cjt , njt ) si intende consumi e ore di lavoro ottimali per categorie (j = s, i, r), se ora introdu-
ciamo anche il costo dei decessi, modellizzando come un multiplo λ > 0 dell’objective function per
R, con λ che varia in base alla severità che ha il decesso per il governo:
T
X
λ
maxJ (L, t, Xt ) = β t−t0 [St u(cs∗ s∗ i∗ i∗ r∗ r∗ r∗ r∗
t , nt ) + It u(ct , nt ) + Rt u(ct , nt ) − λDτ u(cτ , nτ )]
L
t=t0

t.c Lτ ∈ [0.1] ∀t ∈ [0, T ] (1.22)

Per l’analisi sul costo della morto, consiglio la lettura di [FXJW21], io mi limiterò nelle simulazioni
al primo modello.

1.3.1 Procedimento risolutivo

Nell’ultimo problema formulato (o nella sua versione ridotta) sono coinvolte le decisioni ottimali
di tutte e 3 le categorie, le decisioni ottimali di R e I sono triviali grazie alla buona struttura del
modello; in seguito possiamo affrontare il problema (1.19) per S, mantenendo L costante, in seguito
risolviamo (1.22) in funzione di L.
La soluzione del problema (1.19) la otteniamo attraverso un problema di controllo ottimale numerico
seguendo lo stesso schema usato in [ERT20] (data la complessità del problema, non è possibile
ottenere una soluzione analitica): in questo approccio ad ogni step temporale il controllo ottimale è
considerato come un’ottimizzazione statica con 2 vincoli, ovvero il budget dei consumi e la politica
di lockdown sulle ore di lavoro, le soluzione sono ottenute risolvendo le condizioni KKT.
Con il controllo ottimale (cs∗ , ns∗ ) come una funzione della politica di lockdown L, affrontiamo il
problema di controllo ottimale (1.22) come ottimizzazione su uno spazio iperdimensionale [0, 1]T
attraverso il comando fmincon

7
1.4 Vaccino

Il vaccino è un metodo importante per prevenire l’infezione della malattia e . Se ad un certo periodo
δv della popolazione si vaccina(abbiamo dunque una transizione S → R) e il costo del vaccino p è
a carico del governo, l’objective function di S è:

δv
i∗
J s (cs , ns , t, Xt , L) = u(cst , nst ) + β 1 − τt J (t + 1, L)+
St
δv

+β 1− (1 − τt )J s (cs , ns , t + 1, Xt+1 , L)+ (1.23)
St
δv r∗
+β J (t + 1, L)
St
il problema di controllo ottimo del governo diventa:
T
X
max J 0 (L, t, Xt ) = β t−t0 [St u(cs∗ s∗ i∗ i∗ r∗ r∗
t , nt ) + It u(ct , nt ) + Rt u(ct , nt ) − pδv ] (1.24)
L
t=t0

8
Capitolo 2

Parametri utili per il modello

Vediamo ora come stimare i parametri del nostro modello attraverso dati reali. Nel nostro caso
applicheremo il seguente modello in Italia.
Normalizziamo la popolazione a 1, N = 1, per questo motivo normalizzeremo St , It , Rt , Dt . Come
step temporale useremo le settimane.
Dai dati che possiamo raccogliere sul sito di raccolta dati HPCC1 troviamo πr , πd :

7 2
• πd ' 0.035 · 18 ;

7
• πr = 18 − πd .

Stimiamo ora πs1 , πs2 , πs3 , ∀t abbiamo πs1 cst cit + πs2 nst nit + πs3 = πt , con πt rate trasmission del
modello classico SIR (si può trovare anch’esso sul sito del HPCC), ora scegliamo due diversi stati
temporali: t1 prima del lockdown, t2 dopo lockdown.
Dai dati di πt1 , πt2 , più una terza equazione che ufficialmente non è possibile avere, quindi la
ipotizziamo su base empirica (seguendo il ragionamento di [ERT20]):

πt1 = πs1 A2 n20 + πs2 n20 + πs3






 πt2 = πs1 A2 n20 L2t2 + πs2 n20 L2t2 + πs3 (2.1)



0 = πs2 n2 · 1 · 1 − πs3

0 3 6

Nell’ultima equazione assumo che le persone esposte spendono circa 1/3 delle loro ore lavorative
per altre attività legate ad altri tipi di contatto diretto e le persone infette spendono metà del tempo
di quelle esposte in questo tipo di attività a causa delle loro precarie condizioni di salute.
Considerando dunque come t1 Gennaio 2020 e t2 Aprile 2020, dati dati dell’ISTAT3 ricaviamo il
1
https://covid19.hpccsystems.com/
2
usiamo un modello settimanale, e in media dopo 18 giorni si può guarire o morire
3
http://dati.istat.it/Index.aspx?DataSetCode=DCCV_ORELAVMED

9
tasso di Lockdown Lt2 ' 0.52, n0 = 40(numero di ore totale di lavoro full-time settimanali) →
n20 θ = 1 ⇒ θ=6.25 × 10−4 , A ' 31641
52·40 = 15.21 (stipendio medio a ore)4 , R0t1 ' 1.95, R0t2 ' 1.17,
quindi πt1 = 1.95 · 7/18 = 0.76, πt2 = 1.17 · 7/18 = 0.46, risolvendo il sistema trovo:
πs1 = 1.86 × 10−7 , πs2 = 8.35 × 10−4 ,πs3 = 7.44 × 10−2 .
In accordo con China Center for Disease Control and Prevention Φ = 0.8 (80% delle persone infette
sono asintomatiche), β ' (1 − 2%)1/52 (tasso di inflazione settimanale) 5 , δv = 1/104.
Le condizioni iniziali del nostro problema sono: (S0 , I0 , R0 ) = (0.9997, 0.0003, 0) e nelle nostre
simulazioni consideriamo un ciclo di 150 settimane

4
http://dati.istat.it/Index.aspx?DataSetCode=DCCV_REDNETFAMFONTERED
5
L’obbiettivo della BCE è mantenere un tasso d’inflazione medio del 2%

10
Capitolo 3

Risultati numerici

In seguito saranno esposti i risultati ottenuti dalla simulazione, indichiamo con:

• Modello Canonico SIR: il modello SIR classico descritto da Kermack e McKendrick [KM27]
(ovvero con πs1 =πs2 =0, le ore di lavoro non influenzano la dinamica del nostro modello);

• Modello Basic-SIR Macro: una prima estensione del modello SIR, in cui vengono introdotti i
fattori economici (consumi e ore di lavoro), in questo modello le persone esposte tenderanno
a ridurre i loro consumi e ore di lavoro per avere meno probabilità di essere infette.

• Simple Containment Policy: implementiamo ora la politica di lockdown, ma nel modo più
semplice possibile, ovvero il governo decide di imporre la politica di lockdown, non distin-
guendo tra le varie categorie (stesse cst = cit = crt e nst = nit = nrt per tutte le categorie).

• Optimal Simple Containment Policy: descritto in (1.22) il governo attraverso le sue politiche
di
lockdown, massimizza la sua objective function;

• R0 è il numero di riproduzione base ed è statisticamente il numero totale di persone che un

infetto può influenzare, sia γ il tasso di medio infezione:

γ
R0 = γ + (1 − πr − πd )γ + (1 − πr − πd )2 γ + · · · = (3.1)
πr + πd

3.1 Modello SIR Canonico

Simulando imponendo πs1 =πs2 =0, in assenza di lockdown otteniamo un R0 = 1.51, un minimo
dei consumi di −1.46% (rispetto allo stato iniziale in equilibrio), una percentuale massima di infetti
rispetto al numero della popolazione del 6.80%, una percentuale di decessi rispetto al numero della
popolazione del 0.21%, quindi un numero di morti di 1.260 × 106

11
Questo è il modello che ovviamente restituisce il massimo numero dei consumi e un maggior
numero di infetti e morti.

3.2 Modello Basic-SIR Macro

Simulando questo modello, notiamo già una sostanziale differenza rispetto al modello canonico SIR,
infatti, pur senza lockdown abbiamo R0 = 1.46, un minimo dei consumi di −11.69% (rispetto allo
stato iniziale in equilibrio), una percentuale massima di infetti rispetto al numero della popolazione
del 5.06%, una percentuale di decessi rispetto al numero della popolazione del 0.19%, quindi un
numero di morti di 1.11 × 106 unitcommands. Notiamo come in questo modello le persone esposte
tendono a ridurre i loro consumi e ore di lavoro per diminuire la probabilità di essere infetti

3.3 Modello Simple Containment Policy

Introducendo un primo lockdown (nel modo più semplice, ovvero il governo impone stessi consumi
e ore di lavoro per tutte le categorie) notiamo un R0 = 1.46, con una recessione che arriva ad un
massimo del 32.02%, una percentuale massima di infetti rispetto al numero della popolazione del
3.26%, una percentuale di morti rispetto al numero della popolazione del 0.15%, e un numero di
morti di 9.042 × 10−5 . Notiamo come già la più semplice forma di lockdown, permette di prevenire
il 19% dei decessi, rispetto al Modello Basic-SIR Macro.

3.4 Modello Optimal Simple Containment Policy

Se il governo decide di massimizzare la propria objective function, risolvendo dunque il problema

di ottimizzazione 1.21, abbiamo un R0 = 1.44, una percentuali di consumi rispetto allo stato di
equilibrio iniziale del −31.44%, una percentuale massima di infetti rispetto alla popolazione iniziale
del 3.26%, una percentuale di decessi rispetto al numero della popolazione del 0.14%,quindi un
numero di morti del 8.653 × 105 . Rispetto al modello precedente, abbiamo un aumento dei consumi
del 2% e una prevenzione del 4% del numero dei morti.

3.5 Modelli con vaccino

Come già descritto l’uso del vaccino permette una transizione diretta S → R, dunque avremo un
calo netto sia del numero di decessi e un notevole aumento dei consumi.

12
3.5.1 Modello Simple Containment Policy con vaccino

Implementando l’uso dei vaccini al modello Simple Containment Policy, otteniamo un R0 = 1.38,
una recessione massima del 25.99%, una percentuale massima degli infetti rispetto al numero della
popolazione del 3.16%, una percentuale dei decessi rispetto al numero della popolazione del 0.13%,
quindi un numero di morti 7.812 × 105 .

3.5.2 Modello Optimal Simple Containment Policy con vaccino

Implementando l’uso dei vaccini al modello Simple Containment Policy, otteniamo un R0 = 1.34,
una recessione massima del 25.24%, una percentuale massima degli infetti rispetto al numero della
popolazione del 2.89%, una percentuale dei decessi rispetto al numero della popolazione del 0.12%,
quindi un numero di morti di 7.248 × 105 .
Molto interessante è la politica di lockdown attuata in questo caso, infatti fin da subito il governo
impone una politica di lockdown molto più aggressiva all’inizio per poi diminuirla drasticamente
(sapendo dell’invenzione del vaccino), in modo da minimizzare il numero dei morti.

3.6 Uscita anticipata dal lockdown

Il governo potrebbe decidere di concludere anticipatamente il lockdown a causa dell’impatto nega-

tivo che ha sull’economia, la settimana 444 è la settimana in cui l’infezione raggiunge il picco sotto
secondo il modello Simple Containment Policy. Nei seguenti modelli abbiamo incluso il vaccino.

3.6.1 Uscita anticipata settimana 12

Se il governo decide di terminare il lockdown alla settimana 12, otteniamo un R0 = 1.45, una per-
centuale minima dei consumi rispetto allo stato iniziale di equilibrio del −13.62%, una percentuale
massima di infetti rispetto la popolazione iniziale del 4.99%, una percentuale di decessi rispetto alla
popolazione iniziale del 0.18%, quindi un numero di morti 1.017 × 106 .
Notiamo come questa scelta provoca un aumento dei morti del 41% rispetto al modello modello
Simple Containment Policy con vaccino, con un aumento dei consumi del 48%.

3.6.2 Uscita antipata settimana 44

Se il governo decide di terminare il lockdown alla settimana 44, otteniamo un R0 = 1.20, una per-
centuale minima dei consumi rispetto allo stato iniziale di equilibrio del −24.54%, una percentuale
massima di infetti rispetto la popolazione iniziale del 3.87%, una percentuale di decessi rispetto alla
popolazione iniziale del 0.177%, quindi un numero di morti 1.061 × 106 .

13
Questa scelta provoca un aumento dei morti del 36% rispetto al modello modello Simple Contain-
ment Policy, con un aumento dei consumi del 5%.

3.7 Entrata posticipata del lockdown

Il volendo potrebbe anche decidere di ritardare l’entrata del lockdown. Se il governo decide di ap-
plicare Optimal Simple Containment con vaccino dopo 33 settimane otteniamo un R0 = 1.05, una
percentuale minima dei consumi rispetto allo stato iniziale di equilibrio del −34.74%, una per-
centuale massima di infetti rispetto la popolazione iniziale del 3.51%, una percentuale di decessi
rispetto alla popolazione iniziale del 0.151%, quindi un numero di morti 9.085 × 105 .
Molto interessante è l’andamento delle politica di lockdown, infatti a causa del grande numero di
infetti, il governo deciderà di imporre una politica di lockdown molto restrittiva, arrivando addi-
rittura a un 100%, il quale comporterà la massima recessione analizzata fino ad ora, di ben 38%
maggiore rispetto al modello Optimal Simple Containment con vaccino.

3.8 Smart Containment

Il seguente modello presuppone che il governo conosca perfettamente la categoria a cui appartiene
ogni singola persona; grazie a questa conoscenza sarà in grado di gestire meglio il lockdown per
ogni singola categoria,otteniamo i seguenti risultati (solo in questo caso abbiamo scelto di effettuare
una simulazione su 500 settimane):un R0 = 1.00, una percentuale minima dei consumi rispetto allo
stato iniziale di equilibrio del −0.03%, una percentuale massima di infetti rispetto la popolazione
iniziale del 0.03%, una percentuale di decessi rispetto alla popolazione iniziale del 0.01%, quindi
un numero di morti 5.935 × 104 .
Infatti in questo modello le persone esposte continueranno a lavoreranno senza la paura di rimanere
infette, poiché le persone infetti lavorano soltanto quando saranno guarite. Poichè le persone infette
sono completamente isolate, l’infezione iniziale muore rapidamente senza causare recissione.

14
3.9 Tabella riassuntiva

Nella seguente tabella è riassunta tutti i dati ottenuti dalla nostra simulazione

Modello R0 % min C % max I %D D

SIR Canonico 1.51 -1.46 6.80 0.21 1.260 × 106

Basic-SIR Macro 1.46 -11.69 5.06 0.19 1.111 × 106
Simple Containment Policy 1.49 -32.02 3.26 0.15 9.042 × 105
Optimal Simple Containment Policy 1.44 -31.44 2.92 0.14 8.653 × 105
Simple Containment Policy con Vaccino 1.38 -25.99 3.16 0.13 7.812 × 105
Optimal Simple Containment Policy con Vaccino 1.34 -25.24 2.89 0.12 7.248 × 105
Uscita anticipata settimana 12 1.45 -13.62 4.99 0.18 1.107 × 106
Uscita anticipata settimana 44 1.20 -24.54 3.87 0.177 1.061 × 106
Entrata posticipata settimana 33 1.05 -34.74 3.51 0.151 9.085 × 105
Smart Containment 1.00 -0.003 0.03 0.01 5.93 × 104
In seguito riportiamo i grafici riassuntivi delle simulazioni

15
 Basic SIR-Macro Model vs. SIR Model
Basic SIR-Macro Model SIR Model ( s1
= s2
=0)

Infetti, I Esposti, S Guariti, R

8 100 60
% Popolazione iniziale

% Popolazione iniziale

% Popolazione iniziale
90 50
6
80 40

4 70 30

60 20
2
50 10

0 40 0
0 50 100 150 0 50 100 150 0 50 100 150

Morti, D Consumi totali, C Lavoro totale, N

0.25 0 0
% Dev. dallo stato iniziale

% Dev. dallo stato iniziale

% Popolazione iniziale

0.2 -2 -2

-4 -4
0.15
-6 -6
0.1
-8 -8
0.05 -10 -10

0 -12 -12
0 50 100 150 0 50 100 150 0 50 100 150
Settimane Weeks Weeks
 Consumi e Lavori per categorie nel Basic SIR-Macro Model
Consumi per categorie Lavoro per categorie
0 0

-2
-2

-4
-4
-6
% Dev. dallo stato iniziale

% Dev. dallo stato iniziale

-6
-8

-10 -8

-12
-10

-14
-12
-16

-14
-18

-20 -16
0 50 100 150 0 50 100 150
Settimane Settimane
 Basic SIR-Macro Model con e senza lockdown
Basic SIR-Macro Model Optimal Simple Containment Policy Simple Containment Policy

Infetti, I Esposti, S Guariti, R

6 100 60
% Popolazione iniziale

% Popolazione iniziale

% Popolazione iniziale
5 90 50

4 80 40

3 70 30

2 60 20

1 50 10

0 40 0
0 50 100 150 0 50 100 150 0 50 100 150

Morti, D Consumi totali, C Lockdown, L

0.2 0 100
% Dev. dallo stato iniziale
% Popolazione iniziale

80
0.15 -10

60
%

0.1 -20
40

0.05 -30
20

0 -40 0
0 50 100 150 0 50 100 150 0 50 100 150
Settimane Settimane Settimane
 SIR-Macro Model con Vaccino
Basic SIR-Macro Model Modello con Vaccino no lockdown Optimal Simple Containment Policy con vaccino

Infetti, I Esposti, S Guariti, R

6 100 60
% Popolazione iniziale

% Popolazione iniziale
% Popolazione infetti

5 90 50

4 80 40

3 70 30

2 60 20

1 50 10

0 40 0
0 50 100 150 0 50 100 150 0 50 100 150

Morti, D Consumi totali, C Lockdown,L

0.2 0 60
% Dev. dallo stato iniziale
% Popolazione iniziale

-5 50
0.15
-10 40
%

0.1 -15 30

-20 20
0.05
-25 10

0 -30 0
0 50 100 150 0 50 100 150 0 50 100 150
Settimane Settimane Settimane
 SIR-Macro Model Vaccini uscita anticipata lockdown
Simple Containment Policy Conclusione anticipata Lockdown

Infetti, I Morti, D Consumi totali, C Lockdown, L

Panel A: Conclusione dopo 12 Settimane

5 0.2 0 60

-5 50
4
0.15
-10 40
3
0.1 -15 30
2
-20 20
0.05
1
-25 10

0 0 -30 0
0 50 100 0 50 100 0 50 100 0 50 100
Nota: asse x in settimane; morti e infetti in % popolazione iniziale; consumi in % dev. stato iniziale; best containment policy in %.

Infetti, I Morti, D Consumi totali, C Lockdown, L

Panel B: Conclusione dopo 38 settimane

4 0.2 0 60

-5 50
3 0.15
-10 40

2 0.1 -15 30

-20 20
1 0.05
-25 10

0 0 -30 0
0 50 100 0 50 100 0 50 100 0 50 100
 SIR-Macro Model Vaccini entrata posticipata lockdown
Benchmark SIR-Macro Model Simple Containment Policy Inizio ritardato lockdown (Settimana 33)

Infetti, I Esposti, S Guariti, R

6 100 60
% Popolazione iniziale

% Popolazione iniziale

% Popolazione iniziale
5 90 50

4 80 40

3 70 30

2 60 20

1 50 10

0 40 0
0 50 100 150 0 50 100 150 0 50 100 150

Morti, D Consumi totali, C Lockdown, L

0.2 0 100
% Popolazione iniziale

% Dev. stato iniziale

80
0.15 -10

60
%

0.1 -20
40

0.05 -30
20

0 -40 0
0 50 100 150 0 50 100 150 0 50 100 150
Settimane Settimane Settimane
 Smart Containment
Infetti, I Esposti, S
0.03 100
% Popolazione iniziale

% Popolazione iniziale
0.025 99.5

0.02 99

0.015 98.5

0.01 98

0.005 97.5

0 97
0 100 200 300 400 500 0 100 200 300 400 500

Morti, D Consumi totali, C

0.01 0
% Dev. dallo stato iniziale
% Popolazione iniziale

0.008
-0.01

0.006
-0.02
0.004

-0.03
0.002

0 -0.04
0 100 200 300 400 500 0 100 200 300 400 500
Settimane Settimane
Capitolo 4

Conclusione

Inseguito alle analisi fatte, notiamo non solo l’utilità del lockdown nel limitare la diffusione del virus
e le eventuali morti,bensì notiamo di come altrettanto importante sia la tempistica di attuazione di
quest’ultimo, un ritardo ha importanti effetti negativi sia sull’economia che sul numero dei morti,
mentre un’uscita anticipata provoca un importante aumento delle morti.
L’utilità del vaccino non si limita solamente a un minor numero di morti, come si nota dalle simu-
lazioni ha importanti effetti positivi anche sull’economia.
Sicuramente il modello più efficace sia in termini economici che di riduzione del numero di vittime
è il modello Smart Containment, questo modello risulta però di difficile attuazione, poiché richiede
una precisa e totale conoscenza dello stato di salute di tutte le persone ottenibili solamente con
precisi test e tamponi anti-Covid. Inoltre in questo modello abbiamo ipotizzato che il governo può
inviare direttamente i beni di consumo alle persone infette, così non esse non hanno bisogno di
uscire per fare compere.
Possiamo volendo implementare il modello aggiungendo ad esempio una possibile cura (ad oggi
non abbiamo ufficialmente una cura per questa pandemia).

23
Bibliografia

[ERT20] Martin S Eichenbaum, Sergio Rebelo, and Mathias Trabandt, The macroeconomics of epidemics, National
Bureau of Economic Research, 2020.

[FXJW21] Yuting Fu, Haitao Xiang, Hanqing Jin, and Ning Wang, Optimal lockdown policy for covid-19: A modelling
study, arXiv preprint arXiv:2102.06070 (2021).

[KM27] William Ogilvy Kermack and Anderson G McKendrick, A contribution to the mathematical theory of epide-
mics, Proceedings of the royal society of london. Series A, Containing papers of a mathematical and physical
character 115 (1927), no. 772, 700–721.

24