Menu Close

කුටීර ආකෘති

මේ ලිපිය ලියන්නෙත් වසංගතවේදයේ ආකෘති ගැන උනන්දුවක් දක්වන අය වෙනුවෙනුයි. එහෙත්, ඕනෑම කෙනෙකුට අඩු වශයෙන් කොටසක් හෝ තේරුම් ගත හැකි වෙන්න පුළුවන් තරම්ම සරලවයි මම ලියන්නේ.

වසංගත පැතිරෙන ආකාරය ආකෘතිගත කරන්න ඉතා ජනප්‍රියව හා සුලභව යොදා ගැනෙන්නේ කුටීර ආකෘති. විවිධ වසංගත පැතිරෙන ආකාරය විස්තර කිරීමට විවිධ කුටීර ආකෘති යොදා ගැනෙනවා. ඒ ආකෘති අතර විවිධ වෙනස්කම් තිබුණත් මූලික ලක්ෂණ අනුව බොහෝ දුරට සමානයි. ඒ නිසා අපි පැරණිම හා සරලම කුටීර ආකෘතියකින් පටන් ගනිමු. ආකෘතිය සරල වුවත් මෙය කෝවිඩ්-19 සඳහා බොහෝ දුරට ගැලපෙනවා.

මේ ආකෘතිය අනුව කිසියම් ජනගහණයක සිටින නිශ්චිත පුද්ගලයෙක් කිසියම් නිශ්චිත අවස්ථාවක ඉන්නේ කුටීර තුනකින් එකක් ඇතුළේ. ආරම්භයේදී ඉන්නේ පළමු කුටීරයේ. ඉන් පසුව, දෙවන කුටීරයටත් අවසානයේදී තෙවන කුටීරයටත් යනවා. මේ කුටීර තුන අපි අ, ආ, ඉ කියා හඳුන්වමු. මේ නාමකරණය අනුවම යමින් අපට මේ ආකෘතිය “අආඉ ආකෘතිය” ලෙස හඳුන්වන්න පුළුවන්. මේ සිංහල නම ඉකොනොමැට්ටාගේ නමක්. සමහර විට නිවැරදි තාක්ෂනික යෙදුමක් ඇති. මම දන්නේ නැහැ. ඉංග්‍රීසි නම SIR ආකෘතිය.

දැන් මේ කුටීර තුන මොනවාද? ඒවා මොනවාද කියා කිවුවට පස්සේ මම මේ ආකෘතිය “අආඉ ආකෘතිය” ලෙස හැඳින්වූවේ ඇයි කියන එකත්, ඉංග්‍රීසියෙන් SIR ආකෘතිය කියන්නේ ඇයි කියන එකත් පැහැදිලි වෙයි.

පළමු කුටීරය – අවදානමක සිටින පිරිස (susceptible)
දෙවන කුටීරය – ආසාදිත පිරිස (infected)
තෙවන කුටීරය – ඉවත් වූ පිරිස (removed)

කෝවිඩ්-19 වගේ අලුතෙන්ම පැතිරෙන රෝගයක් ගත්තහම ආරම්භයේදී රටේ මුළු ජනගහණයම ඉන්නේ පළමු කුටීරය ඇතුළේ. තවම මේ රෝගයට කිසිවෙකුව එන්නත් කර නැහැ. කිසිවෙකුට ස්වභාවික ප්‍රතිශක්තිය ඇති බව තහවුරු වෙලත් නැහැ. දෙවන චක්‍රයකදීනම් තත්ත්වය වෙනස්.

පළමු කුටීරයේ ඉන්න අය ක්‍රමයෙන් දෙවන කුටීරයට යනවා. දෙවන කුටීරයේ ඉන්න අය සුව වූ පසු හෝ මිය යාමෙන් පසු තෙවන කුටීරයට යනවා. මේ ආකෘතියේදී සුව වූ අය සහ මිය ගිය අය වෙන් කර අධ්‍යයනය කරන්නේ නැහැ. දෙගොල්ලොම ඉන්නේ එක ගොඩේ. ආකෘතියේ උපකල්පන අනුව, ඔය දෙකෙන් කොයි එක වුනත් ආසාදිතයින් ප්‍රමාණය අඩු වෙන එකයි වෙන්නේ.

අපි මේ කණ්ඩායම් තුන ඉංග්‍රීසි මුල් අකුරු අනුව යමින් මේ විදිහට හඳුන්වමු.

S = S(t) – අවදානමක සිටින පිරිස
I = I(t) – ආසාදිත පිරිස
R = R(t) – ඉවත් වූ පිරිස

ඒ වගේම රටේ මුළු ජනගහණය N ලෙස හඳුන්වමු.

මෙහිදී අපි S, I හා R නිශ්චිත අගයන් ලෙස සලකා නැහැ. කිසියම් මොහොතක එම අගයන් නිශ්චිත වුවත් කාලයත් සමඟ වෙනස් වෙනවා. S(t), I(t) හා R(t) ලෙස හඳුන්වා තිබෙන්නේ ඒ නිසයි. එහෙමනම්, කිසියම් මොහොතක රටේ මුළු ජනගහණය කොපමණද? එම ප්‍රමාණය මේ කුටීර තුනේ ඉන්නා පිරිස් වල එකතුවට සමාන විය යුතුයි.

N = S(t) + I(t) + R(t)

දැන් මේ N කාලයත් සමඟ වෙනස් වෙන්නේ නැද්ද? අනිවාර්යයෙන්ම වෙනස් වෙන්න ඕනෑනේ.

– කෝවිඩ්-19 මරණ නිසා
– කෝවිඩ්-19 නොවන මරණ නිසා
– අලුත් දරු උපත් නිසා
– රටින් පිටතට යන හා රටට එන අය නිසා.

මේ ආදී විවිධ හේතු නිසා රටේ මුළු ජනගහණය කාලයත් සමඟ වෙනස් වෙනවා. ඒ සියලු කරුණු සලකා බැලෙන වඩා සංකීර්ණ ආකෘති තිබුණත් මේ මූලික ආකෘතියේදී අපට N නියතයක් ලෙස උපකල්පනය කරන්න පුළුවන්. කෝවිඩ්-19 නිසා වසරක් තුළදී රටක ජනගහණයෙන් 1%ක් මිය යා හැකියි කියා හිතුවත්, සාමාන්‍යයෙන් වසරක් ඇතුළත ජනගහණ වර්ධනයද 1%ක්නම් අන්තිමට ජනගහණයේ වෙනසක් වෙන්නේ නැහැ. ඔය වැඩේ ඔහොම හරියටම සමතුලිත නොවුනත් කෙටි කාලයක් තුළ කෝවිඩ්-19 තිබුණා හෝ නොතිබුණා කියා රටේ ජනගහණය විශාල ලෙස වෙනස් වෙන්නේ නැහැ.

අපි හිතමු ආරම්භයේදී කවර හෝ ආකාරයෙන් රටේ යම් පිරිසක් ආසාදනය වුනා කියා. මේ ප්‍රමාණය m කියා කියමු. දැන්, රටේ ජනගහණයෙන් මේ m පිරිස හැර අනෙක් සියලු දෙනාම ඉන්නේ පළමු කුටීරයේ. ආසාදනය වූ අය ඉන්නේ දෙවන කුටීරයේ. තෙවන කුටීරයේ කිසිවෙකු නැහැ. ඒ නිසා,

S(0) = N – m
I(0) = m
R(0) = 0

උදාහරණයක් විදිහට අපි හිතමු මුළු ජනගහණය 100 හා ආරම්භයේදී ආසාදනය වී සිටි ගණන 2 බව. මේ උදාහරණයේදී,

S(0) = 98
I(0) = 2
R(0) = 0

ඊට පස්සේ මොකක්ද වෙන්නේ? මෙය පැහැදිලි කිරීම සඳහා අපට ඉතා කුඩා නිශ්චිත කාලාන්තරයක් තුළදී පළමු කුටීරයේ සිට දෙවන කුටීරයටත්, දෙවන කුටීරයේ සිට තෙවන කුටීරයටත් “ගලා යාමක්” සිදු වන ආකාරය පිළිබඳව ප්‍රවාදයක් අවශ්‍ය වෙනවා. ඒ නිසා, අපි පහත උපකල්පන කරමු.

1. ඉතා කුඩා නිශ්චිත කාලාන්තරයක් තුළදී පළමු කුටීරයේ සිට දෙවන කුටීරයට ගලා යාමේ වේගය පළමු කුටීරයේ සිටින අයෙකු දෙවන කුටීරයේ සිටින අයෙකුව හමු විය හැකි අවස්ථා ගණනට අනුලෝමව සමානුපාතිකයි. ඕනෑම අයෙකු තවත් අයෙකු සමඟ අහඹු ලෙස මිශ්‍ර විය හැකි බව අපි කලින්ම උපකල්පනය කරලා තියෙන නිසා මෙම අවස්ථා ගණන S(t) * I(t)  ගුණිතයට සමානයි. ඉහත උදාහරණය ගත්තොත් දැනට පළමු කුටීරයේ (අවදානම් තත්ත්වයේ) ඉන්න 98 දෙනාට දෙවන කුටීරයේ සිටින ආසාදිතයින් ඕනෑම කෙනෙක් හමු විය හැකි නිසා මෙවැනි හමු 98*2 = 196ක් සිදු විය හැකියි. එසේ හමුවන අවස්ථාවකදී රෝගය සම්ප්‍රේෂණය වීමේ සම්භාවිතාව β ලෙස සැලකුවොත්, මෙම කාලාන්තරය අතරතුර β * S(t) * I(t) දෙනෙකු අලුතෙන් ආසාදනය වෙනවා. උදාහරණයක් ලෙස අපි හිතමු β = 1/100 කියා. ඒ කියන්නේ ඉහත කී සිදු විය හැකි හමු 196දී ආසන්න වශයෙන් ආසාදනය වීම් 2ක් පමණ සිදු විය හැකියි.

පහත දුඹුරු පාටින් ඇති කොටස් ගණිතය හදාරා ඇති අයට පමණයි. අනෙක් අයට එම කොටස් අතහැර කියැවුවා කියා අඩුවක් වෙන්න හේතුවක් නැහැ.

මේ අනුව,

පළමු කුටීරයේ සිට දෙවන කුටීරයට ගලා යාමේ වේගය  ∝ S(t) * I(t)

මුළු ජනගහණය N නියතයක් නිසා අපට මෙසේද කියන්න පුළුවන්.

පළමු කුටීරයේ සිට දෙවන කුටීරයට ගලා යාමේ වේගය  ∝ S(t) * I(t)/N 

මෙහි I(t)/N යනු කිසියම් මොහොතක ජනගහණය තුළ ආසාදිතයින්ගේ ප්‍රතිශතයයි.

අපට නියතයක් යොදා ගෙන මෙහි සමානුපාතික ලකුණ ඉවත් කළ හැකියි. මේ නියතය අපි β ලෙස හඳුන්වමු. මේ අනුපාතයට කාලයත් සමඟ පළමු කුටීරයේ ජනගහණය ක්‍රමයෙන් අඩු වෙනවා. ඒ නිසා,

dS(t)/dt = -β * S(t) * I(t)/N.

2. දෙවන කුටීරයේ සිට තෙවන කුටීරයට ගලා යාමේ වේගය දෙවන කුටීරයේ සිටින (ආසාදිතයින්) ගණනට අනුලෝමව සමානුපාතිකයි. අපි හිතමු දෙවන කුටීරයේ සිටින අයෙකු තෙවන කුටීරයට යාමට (සුව වීමට හෝ මියයාමට) දින 10ක් ගත වන බව. ඒ අනුව, දෙවන කුටීරයේ සිටින අයෙකු දිනක් තුළ එයින් ඉවත් වීමේ සම්භාවිතාව 1/10යි. එහි 20 දෙනෙකු ඉන්නවානම් එයින් දෙදෙනෙකු දිනක් ඇතුළත තෙවන කුටීරයට යනවා.

මේ අනුව,

දෙවන කුටීරයේ සිට තෙවන කුටීරයට ගලා යාමේ වේගය  ∝ I(t)

අපට නියතයක් යොදා ගෙන මෙහිද සමානුපාතික ලකුණ ඉවත් කළ හැකියි. මේ නියතය අපි γ ලෙස හඳුන්වමු. මේ අනුපාතයට කාලයත් සමඟ තෙවන කුටීරයේ ජනගහණය ක්‍රමයෙන් වැඩි වෙනවා. ඒ නිසා,


dR(t)/dt = γ * I(t)

දැන් අපට කාලයත් සමඟ ආසාදිතයින් ප්‍රමාණයද පහසුවෙන්ම සූත්‍රගත කළ හැකියි.

දෙවන කුටීරයේ ජනගහණය (ආසාදිතයින් ගණන) වෙනස් වීම = පළමු කුටීරයෙන් එකතු වන ප්‍රමාණය – තෙවන කුටීරයට ඉවත් වන ප්‍රමාණය.

අවකල සමීකරණයක් ලෙස,

dS(t)/dt = β * S(t) * I(t)/N – γ * I(t).

ඉහත අවකල සමීකරණ තුන එක් පද්ධතියක් ලෙස සලකා විසඳිය හැකියි. එවිට, අපට කිසියම් මොහොතක එක් එක් කුටීරයේ සිටින ජනගහණය සඳහා විශ්ලේෂණාත්මක විසඳුමක් ලැබෙනවා. නිරීක්ෂණය කරන දත්ත යොදාගනිමින් එහි පරාමිතීන් හොයා ගන්න පුළුවන්. මගේ කලින් ලිපි වල විස්තර කළ R0 අගය මේ අවකල සමීකරණ වල එන β/γ අගයට සමාන බවද ගණිතය යොදා ගෙන පෙන්වා දිය හැකියි. එහෙත් එය යොදා ගන්නා කුටීර ආකෘතිය අනුව වෙනස් වෙන්න පුළුවන්.

මේ ආකෘතියට අනුව කාලයත් සමඟ එක් එක් කුටීරයේ සිටින ප්‍රමාණය වෙනස් වෙන්නේ පහත රූප සටහනේ පෙන්වා දී තිබෙන ආකාරයේ රටාවකටයි.

(Image: https://www.researchgate.net/publication/224209140_To_agent-based_simulation_from_System_Dynamics/figures?lo=1)

%d bloggers like this: