HAL Id: hal-02509142
https://hal.archives-ouvertes.fr/hal-02509142v7
Submitted on 27 May 2020
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
Un modèle mathématique des débuts de l’épidémie de
coronavirus en France
Nicolas Bacaër
To cite this version:
Nicolas Bacaër. Un modèle mathématique des débuts de l’épidémie de coronavirus en France.
Mathe-matical Modelling of Natural Phenomena, EDP Sciences, 2020, 15, pp.29. �10.1051/mmnp/2020015�.
�hal-02509142v7�
l'épidémie de oronavirus en Fran e
Ni olas Ba aër
∗
Math. Model. Nat.Phenom.15 (2020)29 doi: 10.1051/mmnp/2020015
hal :02509142
Tradu tions : [ar, de ,es , it,ja, nl, pt ,ru, zh℄, [html℄
Résumé
OnétudieunmodèlemathématiquedetypeS-E-I-Ràdeuxphases, ins-piré del'épidémiea tuelle de oronavirus. Siles onta tssont réduitsà zéro à partir d'une ertaine date
T
pro he du début de l'épidémie, la taille nale de l'épidémieest pro he de elle que l'on obtient en multi-pliant le nombre umuléde asR(T )
à ette date parla reprodu tivitéR
0
del'épidémie.Plusgénéralement,siles onta tssontdivisésautempsT
parq > 1
desortequeR
0
/q < 1
,alorslataillenaledel'épidémieest pro he deR(T ) R
0
(1 − 1/q)/(1 − R
0
/q)
.Onajusteapproximativement lesparamètresdumodèleauxdonnéesrelativesau oronavirusenFran e.1 Le modèle La gure 1
a
montre le nombre umulé de as onrmésde oronavirusen Fran eentrele 25févrieret le29mars2020; esdonnéesin luentàlafoisles laboratoiresdebiologiemédi aledevilleet lespatientshospitalisés[10℄.Ilfaut distinguerladatedu15marsàpartirdelaquelledesmesuresdrastiquesontété prisessubitementpourarrêterl'épidémie(fermeturedesé oles,desrestaurants, et .). Pour estrois dates, le nombre umulé de as onrmés est passé de13 à
5 423
puisà40 174
. La gure1b
montre lesmêmes données en oordonnées logarithmiques ainsi que des droites de régression linéaire. On observe trois périodes : dans la première, qui va jusqu'au 6 mars, la roissan e est rapide maisassezirrégulière;dansladeuxième,quivajusqu'au15mars,la roissan e estunpeumoinsrapidemaisrégulière;danslatroisième,àpartirdu16mars, la roissan e est ralentiemais toujoursrégulière. Si l'on ajuste une droite sur l'ensemble des deux premières périodes, qui va du 25 février au 15 mars, on
∗
Institut de re her he pour le développement, Unité de modélisation mathématique et informatiquedessystèmes omplexes,LesCordeliers,Paris,Fran e,ni olas.ba aerird.fr
trouveque lenombre de as roît omme
e
λt
ave untaux
λ ≃
0,31 parjour (droiterouge).Letempsdedoublementest(ln 2)/λ ≃
2,2jours.Sienrevan he onselimite àladeuxièmepériode, ave desdonnéesquisontparti ulièrement bien alignées en é helle logarithmique, on obtientλ ≃
0,225 par jour et un tempsdedoublementde3,1 jours(droitebleue).Commelesdonnéesdudébut del'épidémiesontperturbéesparunepartimportantedenouveaux asimportés et pardes eetssto hastiques, 'est probablementladeuxième estimation qui estlaplus able.Pourlatroisièmepériode,après lamiseen pla ede mesures drastiques,letempsdedoublementpasseà4,9jours.0
5
10
15
20
25
30
35
0
20 000
40 000
10 000
30 000
5 000
15 000
25 000
35 000
45 000
15 mars
0
5
10
15
20
25
30
35
10
2
4
6
8
3
5
7
9
11
15 mars
ln(cas)
Figure1a)Nombre umuléde as onrmésenFran eentrele25févrieret le29mars2020,d'aprèsSantépubliqueFran eet[11℄.b)Logarithmenépérien de e nombreet droitesderégressionlinéaire.
Onvaétudierunmodèlemathématiqueinspiréde etteépidémie.Divisonsla populationen inq ompartiments,selonunevariantedumodèle lassique S-E-I-R(voirparexemple[3,p.61℄):sus eptibled'êtreinfe té(
S
),infe téenphase latenteautrementditnonen oreinfe tieux(E
),infe tieuxsansprote tion(I
),et retirédela haînedetransmissionenétant omptabiliséparmiles as onrmés (R
1
) ou en ne l'étant pas (R
2
). Cha un de es deux derniers ompartiments regroupedon àlafois euxquisonten oreinfe tieuxmaisisoléset euxquine sontplusinfe tieux arguérisoudé édés.Certainsmaladesontdessymptmes defaiblegravitéet restent hezeuxsanssefairetester,d'autreshabitentdans desmaisonsderetraitesetn'ontpasnonplusététestésmalgréles ompli ations voireledé ès; esont es atégoriesquel'onretrouvedansle ompartimentR
2
. On peut évidemment raner à l'inni e modèle pour le rendre plus réaliste maisonaessayéi idelimiteraumaximumlenombredeparamètresin onnus; onaaussi pour but prin ipal d'obtenirun résultatthéorique relatifà lataille naledel'épidémie.Notons
N
lapopulationtotale (supposéegrande)de sortequeN = S(t) +
E(t) + I(t) + R
1
(t) + R
2
(t)
. Notonsa
le taux de onta t ee tif,b
le taux auquelles personnes infe tées en phaselatente deviennentinfe tieuses, etc
le taux moyen auquel les personnes infe tieuses sont isolées et don retirées de la haîne detransmission. Notonsf
la fra tion d'individusinfe tieux qui sontomptabilisés parmi les as onrmésau momentde l'isolement(
0 ≤ f ≤ 1
); ette fra tion peut varier au l du temps mais on supposera pour simplier qu'elleest onstante.AlorsdS
dt
=
−a S
I
N
,
(1)dE
dt
=
a S
I
N
− b E ,
(2)dI
dt
=
b E − c I ,
(3)dR
1
dt
=
f c I ,
(4)dR
2
dt
=
(1 − f ) c I .
(5) Pour fairele lien ave lesdonnées dela gure1,R
1
(t)
orrespondau nombre umulé de as onrmés à l'instantt
. Si l'on noteR(t) = R
1
(t) + R
2
(t)
, on remarquequedR
dt
= c I .
(6)Ave
R
1
(0) = R
2
(0) = 0
,onendéduitqueR
1
(t) = f R(t)
etR
2
(t) = (1−f )R(t)
pourtoutt ≥ 0
.Au début de l'épidémie, lenombre de as reste très petit parrapportà la populationtotaledesorteque
S(t) ≃ N
, equi onduitàlalinéarisationdE
dt
≃ a I − b E,
dI
dt
= b E − c I.
Les ompartiments
E
etI
maisaussiles ompartimentsR
1
etR
2
tendentdon à roîtreexponentiellement ommee
λt
,où
λ
estlaplusgrandevaleurproprede lamatri e−b
a
b
−c
.
(7)Lepolynme ara téristiqueest
λ
2
+ (b + c)λ + b(c − a) = 0.
(8) Donλ =
−(b + c) +
p(b + c)
2
− 4b(c − a)
2
=
−(b + c) +
p(b − c)
2
+ 4ab
2
.
(9)[9℄indiquequeladuréed'in ubation, 'est-à-direlapériodeavantapparition dessymptmes,est de5à6jours.Lapériodedelaten epeutêtreunpeuplus ourtepuisqu'onpeutdevenirinfe tieuxavantdemontrerdessymptmes.On xeladuréemoyenne
1/b
danslaphaselatenteE
à4jours;donb =
0,25par jour.Laduréemoyennedansle ompartiment
I
avantisolement,quivaut1/c
,est plusdi ile àestimer ar elle dépend de nombreux fa teurs. Elle dépend des ara téristiques biologiques du virus, des ara téristiques des individus telles queleur âge,mais ausside lapromptitude ave laquelle les as sont isolés, e quivaried'unpaysàl'autre.L'épidémieenFran ealieualorsqueleshabitants sontdéjàbienau ourantdel'existen edelapandémie;lesmaladesnetardent pastropàêtreisolés.Certainsneserontpasdutoutinfe tieux,d'autreleseront plusieursjoursavantd'être isolés.Supposonsquelamoyennesoitdel'ordrede 1jour,laformedumodèlesous-entendantqueladistributionestexponentielle. Onauraitunemoyennede etordredansunmodèleplusranésiparexemple 80%desinfe tésrestaient0jourinfe tieuxetsi20%restaient5joursinfe tieux avantd'êtreisolés.Enrésumé,ona hoisic = 1
parjour.Ondéduitdelaformule(9)que
a =
(2λ + b + c)
2
− (b − c)
2
4b
= (λ + c)
1 +
λ
b
.
(10)e qui permettrait de al uler numériquement le taux de onta t ee tif
a
à partirdutauxde roissan eobservéλ
.Imaginons que des mesures de santé publique puissent diviser le taux de onta tee tif parunnombre
k
qui soitsupérieurà1.Combiendoitvaloirau minimumk
pourarrêterl'épidémie?Cettevaleurdek
,traditionnellementnotéeR
0
àlasuitedeLotkaetappeléeparluireprodu tivité[6,p.102℄,s'obtient simplementenremarquantquelorsquea
estrempla épara
′
= a/R
0
,lenouveau tauxde roissan ede l'épidémieλ
′
doitêtre nul, e qui d'aprèsl'équation (8) onduità
c − a/R
0
= 0
etàR
0
=
a
c
=
1 +
λ
b
1 +
λ
c
≃
2,33si l'on utilise la valeur numérique
λ ≃
0,225 par jour suggérée par la ourbe épidémique delagure1.Vueslesin ertitudes sur lesparamètresb
etc
, e i nepeutêtrequ'unevaleurappro hée1 .
Revenons aumodèle S-E-I-Rnon linéaire (1)-(6). Rappelons omment dé-terminerlataillenaledel'épidémieenl'absen e omplèted'intervention; 'est une adaptation fa ile et d'ailleurs bien onnue de la méthode utilisée pourle modèleS-I-R(voirparexemple[4,p.76℄).L'équation(1)montreque
d
dt
ln S = −
a
N
I(t).
Don enintégrantdet = 0
àt = +∞
,ln S(∞) − ln S(0) = −
a
N
Z
∞
0
I(t) dt ,
(11)1. Demanièrepluste hnique(voirparexemple[7℄),onauraitpuremarquerque
R
0
était aussilerayonspe traldelamatri e0
a
0
0
b
0
−b
c
−1
.
où
S(∞)
désignelalimitequandt → +∞
delafon tionS(t)
quiestdé roissante etpositive.CommeR(0) = 0
,l'équation (6)montrequeR(∞) = c
Z
∞
0
I(t) dt.
(12)Parailleurs,onaàtoutinstant
S(t) + E(t) + I(t) + R(t) = N
.Quandt → +∞
, l'épidémienitpars'arrêterdesortequeE(t)
etI(t)
tendentvers0.Àlalimite, ilnerestedon quelespersonnesquionté happéàl'épidémieet ellesquiont étéinfe téesmaisquisontpasséesdansles ompartimentsR
:S(∞) + R(∞) = N.
(13)En ombinant(11),(12)et (13),onvoitque
N − R(∞) = S(0) exp
−
a
c
R(∞)
N
.
Audébutdel'épidémie,iln'yaquequelquespersonnesinfe téesdansla popu-lation,don
S(0) ≃ N
. L'équationimpli ite pour lataille nale de l'épidémie peuts'é rire omme1 −
R(∞)
N
≃ exp
−R
0
R(∞)
N
,
(14)quisetrouveavoirlamêmeformequepourlemodèleS-I-R[4℄.Ave
R
0
≃
2,33, ontrouvenumériquementR(∞)/N ≃ 87%
.Seule unefra tionf
de es asest re ensée.2 Deuxième phase ave intervention drastique Imaginons qu'à une ertaine date
T
, des mesures drastiques soient prises de sorte que le nouveau taux de onta t ee tif soit réduit à 0 alors qu'il y aR
1
(T )
as onrmés umulés. Par exemple, il y avait en Fran e5 423
as onrmés umulésau15mars,dateàlaquellesontentréesenvigueurlesmesures on ernantlesé olesetleslieuxpubli s.Peut-onalorsprévoirquelleauraitété sous es hypothèsesidéales lanouvelletaille nale del'épidémieR(∞)
, ou du moins elle onrméeR
1
(∞)
?Verslandelaphaseexponentielle où
t ≤ T
et oùle nombretotalde as représenteen oreunepartinmedelapopulationtotale,onaE(t) ≃ u e
λt
,
I(t) ≃ v e
λt
,
R(t) ≃ w e
λt
,
où
(u, v)
est un ve teur propreasso ié àla plusgrande valeur propreλ
de la matri e(7).Ainsi,−b u + a v = λ u
.Ave l'équation (10),ontrouvequeu =
a v
λ + b
=
λ + c
b
v .
Comme
dR/dt ≃ λR
pourt < T
lorsquet
n'estpastroppro hede0,onaI(T ) =
1
c
dR
dt
(T ) ≃
λ
c
R(T ).
MaisI(T ) ≃ v e
λT
,donE(T ) ≃ u e
λT
=
λ + c
b
v e
λT
≃
λ + c
b
I(T ) ≃
λ
2
bc
+
λ
b
R(T ) .
Les onta tsétantsupposésréduitsàzéro,onapour
t > T
dS
dt
= 0,
dE
dt
= −b E,
(15)tandisque les autres équations(3), (4)et (5) restentidentiques. Sans avoirà résoudre e système, il est lair que lataille nale del'épidémie sera
R(∞) =
R(T ) + E(T ) + I(T )
, puisqu'il yaE(T ) + I(T )
individus infe tés qui nesont pasen oredansles ompartimentsR
autempsT
.AinsiR(∞) ≃ R(T )
1 +
λ
2
bc
+
λ
b
+
λ
c
= R(T )
1 +
λ
b
1 +
λ
c
= R
0
R(T ) .
Puisqueàtout instant
R
1
(t) = f R(t)
,onendéduitaussiqueR
1
(∞) ≃ R
0
R
1
(T ).
Ainsi,siles onta tssontréduitsàzéroàpartird'une ertainedatepro hedu débutdel'épidémie(assezpro hepourquel'approximationlinéairesoiten ore valable mais pastroppro he pour que lesystème linéarisé ait eu letemps de onverger vers leve teur propreasso ié àla première valeurpropre), alors la taille nale ( onrmée ou totale) de l'épidémie est pro he de elle que l'on obtientenmultipliantlenombre umulé de as( onrmésouautotal)à ette dateparlareprodu tivité
R
0
del'épidémie.Unrésultatsemblables'obtientde la même manière pour un modèle S-I-R. En annexe, on remarque ependant que e n'est plusR
0
qui détermine le rapportR(∞)/R(T )
dans les modèles ave une période infe tieuse qui n'est pas distribuée exponentiellement, mais uneexpressionplus ompliquée.Ave
R
1
(T ) = 5 423
etR
0
≃
2,33, ela donneR
1
(∞) ≃ 12 600
.Soulignons en oreune foisl'in ertitudeautourdesparamètresb
etc
,quiseretrouvedans lavaleurdeR
1
(∞)
.Notonsaupassagel'analogieave le on eptdepotentield'a roissement despopulationsendémographie[8,p.176℄.C'estlerapportentrelapopulation nalestationnaireetlapopulationàun ertaininstantsilafertilitéestdivisée subitementà et instantpar lareprodu tivité
R
0
, de sorte que lapopulation seretrouve ave un tauxasymptotique de roissan e nul. Comme dans notre al ul, 'estensupposantquelapopulationà et instanteststableausens deLotka( 'est-à-diredonnéeparlepremierve teurpropre)queKeytzaobtenufait aussi intervenir
R
0
quoique de manière plus ompliquée que pour notre modèleS-E-I-R[8,p. 179℄.Notonsaussiquel'estimationde
R(T ) + E(T ) + I(T )
àpartirdeladonnéeR(T )
seuleestanalogueauproblèmequis'étaitposéauxdébuts del'épidémie deVIHpourestimerlenombredepersonnesséropositivesàpartirdunombre de asdé larésdeSIDA.La gure2
a
illustre e modèle àdeux phases.On apris
N = 65 × 10
6
(la populationtotaledelaFran e)etles onditionsinitiales
S(0) = N − 1,
E(0) = 1,
I(0) = 0,
R(0) = 0.
(16)Leparamètre
a
est donnéparlaformule (10)aveλ =
0,225 parjour, omme danslagure 1.Ondispose de peu d'informationausujet duparamètref
, si en'est rétrospe tivementqu'ungrandnombrededé ès dusauvirus dansles maisonsderetraiten'étaientpas omptabilisésparmiles as onrmésaudébut del'épidémie;xonsparexemplef =
0,5pourl'illustration.OnaprisT =
43,2 joursdesortequeR
1
(T ) ≃ 5 438
soitpro hedeladonnée5 423
du15mars.En poursuivantlasimulationunpeu pluslongtempsquedans lagure,ontrouve biennumériquementqueR
1
(∞)/R
1
(T ) ≃
2,33≃ R
0
.0
10
20
30
40
50
60
70
80
90
0
10 000
2 000
4 000
6 000
8 000
12 000
14 000
16 000
0
20
40
60
80
100
120
10
2
4
6
8
1
3
5
7
9
Figure2 a)Exempledesimulationdumodèleàdeuxphases.b)Lerapport
R
1
(∞)/R
1
(T )
enfon tiondeT
.Lagure2
b
montre ommentlerapport
R
1
(∞)/R
1
(T )
varieenfon tionde l'instantT
où le taux de onta t est réduit à zéro. On observe ee tivement unplateau où e rapport est pro he deR
0
. QuandT → 0
, onaR
1
(T ) → 0
etR
1
(∞) → f (E(0) + I(0)) > 0
, don le rapportR
1
(∞)/R
1
(T )
tend vers l'inni.Lerapportserappro hedeR
0
lorsqueT
estdel'ordredel'inversedela diéren eentre lesdeuxvaleurspropresde lamatri e (7).Quandau ontraireT → ∞
, alorsl'interventionintervient troptard;l'épidémieest déjàpassée etR
1
(∞)/R
1
(T ) → 1
.Ons'attendà equelalargeurduplateauoùR
1
(∞)/R
1
(T )
estpro hedeR
0
roisse omme(ln N )/λ
lorsqueN → +∞
,puisque telestpar exemple le omportement du temps jusqu'au pi épidémique dans un modèle S-I-Rà oe ients onstants(voir[2℄ou[5,p. 12℄).Dans la réalité, le taux de onta t ee tif n'est sûrement pas tout à fait nul pour
t > T
. La valeurobtenue pourR(∞)
peut néanmoins être onsidé-rée ommeune borne inférieure de la valeurréelle puisqu'il est ertain que la taillenaledel'épidémieserasupérieureave des onta tsnonnulsqu'ave des onta tsnuls pourt > T
.Rappelons ependantà e sujetquelesmodèles épi-démiquesdetypeS-I-RouS-E-I-Rave untauxde onta tvariablenesontpas monotones, dans lesens qu'unerédu tiondutauxde onta tpeutparfois onduireàunetaillenaledel'épidémieplusgrande[1℄.Considérons maintenant le as où le taux de onta t n'est pas réduit à 0 maissimplementdivisé parunnombre
q > 1
.La rédu tionà0 orrespondau aslimiteoùq
tendversl'inni.Onapourt > T
,dS
dt
= −
a
q
S
I
N
,
dE
dt
=
a
q
S
I
N
− b E,
(17) tandisqueleséquations(3), (4) et(5) restentidentiques.Parle même raison-nementquedanslase tion1,onapourt > T
1
S
dS
dt
= −
a
q c N
dR
dt
.
Enintégrantentret = T
ett = +∞
,onendéduit queln
S(∞)
S(T )
= −
R
0
q
R(∞) − R(T )
N
,
où
R
0
= a/c > 1
.CommeS(∞) = N − R(∞)
,onadon1 −
R(∞)
N
=
S(T )
N
exp
−
R
0
q
R(∞) − R(T )
N
.
(18)Supposons ommedanslase tion2queletemps
T
nesoitnitroppetitnitrop grand, 'est-à-diredans leplateaude lagure2b
. Enpremièreapproximation,
S(T ) ≃ N
etR(T )
esten orepetit devantN
.Deux asseprésententalors.Si
1 < q < R
0
,alorsl'argumentgraphique lassique[4℄qui onsisteàtra er lesmembresdegau heet dedroitede l'équation(18)en fon tiondeR(∞)/N
montrequelasolutionR(∞)/N
n'estpasinnitésimalemaispro hedela solu-tionstri tementpositivedel'équation1 −
R(∞)
N
≃ exp
−
R
0
q
R(∞)
N
.
(19)Si au ontraire
q > R
0
, alors la solutionR(∞)/N
de l'équation (18) est petite. CommeS(T ) = N − E(T ) − I(T ) − R(T )
etE(T ) + I(T ) + R(T ) ≃
R
0
R(T )
,undéveloppementàl'ordre1del'exponentielle dans l'équation (18) onduità1 −
R(∞)
N
≃
1 −
R
0
R(T )
N
1 −
R
0
q
R(∞) − R(T )
N
.
1 −
R(∞)
N
≃ 1 −
R
0
R(T )
N
−
R
0
q
R(∞) − R(T )
N
.
Finalement,R(∞) ≃ R(T ) R
0
1 − 1/q
1 − R
0
/q
.
(20)Lorsque
q → +∞
, onretrouvebien queR(∞) ≃ R(T ) R
0
. Onremarque aussi que(1 − 1/q)/(1 − R
0
/q) > 1
, ommeil sedoit.Une formuleidentique à(20) lieR
1
(∞)
etR
1
(T )
.La gure 3 montre ave une ligne ontinue, en fon tion du paramètre
q
, lataillenaledel'épidémieené hellelogarithmique,ln(R(∞)/N )
,obtenuepar simulationnumériquedusystème(1)-(6)pourt < T
ave les onditionsinitiales (16) et du système (17) pourt > T
. Comme dans la gure2a
, la population totale est
N = 65 × 10
6
et le paramètre
a
est donné par laformule (10) aveλ =
0,225 par jour; on aen ore prisf =
0,5 etT =
43,2 jours de sortequeR
1
(T ) ≃ 5 438
. La gure montre aussi ave des petits ronds e que donne la formule(20)pourq > R
0
.Ellemontreennave depetits losangeslasolution stri tement positive de l'équation (19) pourq < R
0
. On voit que les deux approximations essentd'êtrevalablesauvoisinagedeq = R
0
.10
2
4
6
8
1
3
5
7
9
0
−8
−6
−4
−2
−7
−5
−3
−1
Figure 3
ln(R(∞)/N )
en fon tion deq
(ligne ontinue), omparé ave la formule(20)(petitsronds)valablepourq > R
0
etave lasolutiondel'équation (19)(petitslosanges)valablepourq < R
0
.Onnoteraquelataillenaledel'épidémievariedeplusieursordresde gran-deurs lorsque le paramètre
q
est pro he deR
0
. Comme il est di ile de le quantier, la prédi tion de la taille nale de l'épidémie est également di iledans ettezone.Iln'yaquesileparamètre
q
estnettementsupérieuràR
0
que laprévisionave laformule(20)devientmoinssensibleàlavaleurdeq
.4 Tentative d'estimation du paramètre
q
Essayons d'estimer le paramètre
q
en ajustant une simulation du modèle auxdonnéespostérieures au15mars,y ompris elles jusqu'au15avril quine guraient pasdans la gure1. [10℄ avertit néanmoins quele nombrede as onrmés en Fran e ne reète plus de manière satisfaisante la dynamique de l'épidémie, étantdonné que lespatientsprésentantdes signesde COVID-19 ne sont plus systématiquement onrmés par un test biologique. Pour ela, on part de la donnéeR
1
(T ) = 5 423
et des relationsR(T ) = R
1
(T )/f
etR
2
(T ) = (1 − f )R(T )
. Comme les données des 8 jours qui pré èdent sont parti ulièrementbien alignées,ondémarre lasimulationdenotre modèleaveR(T − τ ) = e
−
λτ
R(T )
où
λ =
0,225parjouretτ = 8
jours,etave les estima-tions orrespondantesI(T − τ ) ≃
λ
c
R(T − τ )
,E(T − τ ) ≃ (
λ
2
bc
+
λ
b
)R(T − τ )
etS(T − τ ) = N − E(T − τ ) − I(T − τ ) − R(T − τ )
.Pour
t > T
,letauxde onta tee tifesta/q
et l'onessaied'ajusterR
1
(t)
auxdonnéesjusqu'au15avril.Lemeilleurajustementsetrouveauxalentoursdeq =
1,7.Comme ettevaleurestinférieureàR
0
,ilsembleraitquelesmesuresde onnementsoienten oreinsusantes.Maislestousdernierspointsdelagure montrentquel'é artave lemodèlegranditdanslesensd'unralentissementde l'épidémieréelle.Ilsepeutquelavaleurdef
hoisienesoit pasappropriéeou qu'elleaitvariéau oursdel'épidémie.Oualorslemodèleestpeut-êtreunpeu tropsimpliste; ons'attend notamment à e qu'unedistribution non exponen-tielle des temps passés dans les diérents ompartiments inuen e lemoment oùla ourbe ommen eàs'iné hir.En on lusion,onaexploréuns énarioàdeuxphasesoùletauxde onta t estréduitàpartird'un ertainedate.Onatrouvéuneformuleappro héesimple pourlataillenaledel'épidémieenfon tiondunombrede asdéte tésau mo-mentde larédu tion.Ilrestenéanmoins àénon eret àdémontrer plus rigou-reusement erésultat,probablementenlefaisantapparaître ommeunrésultat asymptotiquelorsque
N → +∞
.Remer iements.
On remer ie Hisashi Inaba, Ali Moussaoui et Frédéri Hamelin pourleurs ommentairessurlemanus rit.
Annexe
ConsidéronsunmodèleS-I-Rave une périodeinfe tieusequin'estpas né- essairementdistribuée exponentiellement. Soit
I(t, x)
ladensité depersonnes20
40
10
15
25
30
35
45
50
10
6
8
12
7
9
11
13
15 mars
15 mars
15 mars
15 mars
Figure4Logarithmenépériendunombrede asre ensésentre le7marset le15avril(petitsronds,donnéesdeSantépubliqueFran e[11℄)et
ln(R
1
(t))
en fon tiondutempst
dans4simulationsave dehautenbasq ∈ {
1,5;
1,7; 2;
2,5}
.infe téesdepuis
x
unitésdetempsautempst
.Soita(x)
letauxde onta tee tif etb(x)
letauxauquellespersonnesinfe tées essentdetransmettrel'infe tion. Onaaudébutdel'épidémieI(t, 0) ≃
Z
∞
0
a(x) I(t, x) dx
∂I
∂t
+
∂I
∂x
=
−b(x) I(t, x)
dR
dt
=
Z
∞
0
b(x) I(t, x) dx
Onendéduit, ommedanslathéoriedespopulationsstablesdeLotka[6℄que
I(t, x) ≃ k e
λt
e
−
λx−
R
x
0
b(y) dy
où
k
estune onstanteetletauxde roissan eλ
estl'uniquesolutionde l'équa-tion1 =
Z
∞
0
a(x)e
−λx−
R
x
0
b(y) dy
dx.
Sil'onpose
I(t) =
R
∞
0
I(t, x) dx
,leproblèmeestd'estimerI(T ) + R(T )
àpartir deR(T )
.OrλR(T ) ≃
dR
dt
(T ) =
Z
∞
0
b(x) I(T, x) dx ≃
Z
∞
0
b(x) k e
λT
e
−
λx−
R
x
0
b(y) dy
dx.
k ≃
λR(T )e
−
λT
R
∞
0
b(x) e
−λx−
R
x
0
b(y) dy
dx
.
Finalement,I(T ) + R(T )
R(T )
≃
λ
R
∞
0
e
−
λx−
R
x
0
b(y) dy
R
∞
0
b(x) e
−λx−
R
x
0
b(y) dy
+ 1.
Onvoitquelemembrededroiten'apasderaisonparti ulièrede oïn iderave
R
0
=
R
∞
0
a(x) e
−
R
x
0
b(y) dy
dx
.Dansle asspé ialoùlestauxsont onstants,ave
a(x) ≡ a
etb(x) ≡ b
,ona ependantλ = a − b
etdon(I(T ) + R(T ))/R(T ) ≃
λ
b
+ 1 =
a
b
= R
0
.Référen es
[1℄ N. Ba aër et M.G.M. Gomes, Sur la taille nale des épidé-mies ave saisonnalité, Bull. Math. Biol. 71 (2009) 19541966. https://hal.ar hives-ouvertes.fr/hal-01299608
[2℄ N. Ba aër,Sur lepi épidémique dans un modèle S-I-R,Quadrature117 (2020)1-4.https://hal.ar hives-ouvertes.fr/hal-02518993
[3℄ M. Corlosquet-Habart, J. Janssen et R. Man a(2012), Modélisation sto- hastiquedurisquedepandémie:stratégiesde ouvertureetd'assuran e. Lavoisier,Ca han(2012).
[4℄ A.Hillion,LesThéoriesmathématiquesdespopulations.Presses Universi-tairesdeFran e,Paris(1986).
[5℄ H.A. Lauwerier, Mathemati al Models of Epidemi s. Mathematis h Cen-trum,Amsterdam(1984).
[6℄ A.J.Lotka,Théorieanalytiquedesasso iationsbiologiques,2
e
partie. Her-mann,Paris(1939).
[7℄ L. Nkague Nkamba, Robustesse des seuils en épidémiologie et stabi-lité asymptotique d'un modèle à infe tivitéet sus eptibilitédiérentielle. Thèse, UniversitédeLorraineetUniversitéGastonBerger(2012).
[8℄ R. Pressat, Éléments de démographie mathématique. AIDELF, Paris (1995).
[9℄ Ph. Sansonetti, Covid-19oula hroniqued'une émergen eannon ée. Ex-posé,CollègedeFran e,18mars2020.
[10℄ Santé publiqueFran e, Covid-19,pointépidémiologique hebdomadaire du 09avril2020.www.santepubliquefran e.fr