NBER WORKING PAPER SERIES

BLOQUEOS OBJETIVOS ÓPTIMOS EN UN MODELO SIR MULTIGRUPO

Daron Acemoglu
Victor
Chernozhukov
Iván Werning
Michael D.
Whinston

Documento de trabajo 27102

http://www.nber.org/papers/
w27102

OFICINA NACIONAL DE INVESTIGACIONES ECONÓMICAS

1050 Massachusetts Avenue
Cambridge, MA 02138
Mayo de 2020

Rebekah Anne Dix y Tishara Garg proporcionaron una excelente asistencia para la
investigación. Para conversaciones útiles, comentarios y sugerencias damos las gracias a
Fernando Alvarez, Alyssa Bilinski, Samantha Burn, Arup Chakraborty, Joe Doyle, Glenn
Ellison, Zeke Emanuel, Eli Fenichel, Michael Greenstone, Simon Johnson, Simon
Mongey, Robert Shimer y AlexWolitzky. Agradecemos a Sang Seung Yi por
proporcionarnos los datos coreanos de casos y mortalidad. Todos los errores restantes
son nuestros. Las opiniones expresadas en este documento son las de los autores y no
reflejan necesariamente las opiniones de la Oficina Nacional de Investigaciones
Económicas.

Los documentos de trabajo de la NBER se distribuyen con fines de discusión y

comentarios. No han sido revisados por pares ni han sido objeto de la revisión por
parte del Consejo de Administración de NBER que acoba alas publicaciones oficiales
deNBER.
© 2020 por Daron Acemoglu, Victor Chernozhukov, Iván Werning y Michael D.
Whinston. Todos los derechos reservados. Las secciones breves de texto, que no
excedan de dos párrafos, pueden citarse sin el permiso explícito, siempre que se dé
crédito completo, incluido © aviso, a la fuente.
Bloqueos objetivos óptimos en un modelo SIR multigrupo
Daron Acemoglu, Victor Chernozhukov, Iván Werning y Michael D.
Whinston NBER Documento de trabajo No. 27102
Mayo de 2020, revisado en junio de 2020
JEL No. I18

Abstracto

Estudiamos los bloqueos dirigidos en un modelo de SIR multigrupo donde las tasas de
infección, hospitalización y mortalidad varían entre grupos, en particular entre los
"jóvenes", "los de mediana edad" y los "viejos". Nuestro modelo permite un análisis
cuantitativo manejable de la política óptima. Para los valores de parámetros de
referencia para la pandemia COVID-19 aplicada a los Estados Unidos, encontramos
quelas políticas imales opt sedirigen diferencialmente a los grupos de riesgo/edad
superan significativamente las políticas uniformes óptimas y la mayoría de las ganancias
se pueden lograr al tener políticas de bloqueo más estrictas en el grupo más antiguo.
Intuitivamente, un bloqueo estricto y largo para elgrupo más vulnerable reduce las
infecciones y permite bloqueos menos estrictos para los grupos de menor riesgo.
También estudiamos los impactos del distanciamiento en grupo, las pruebas y el rastreo
de contratos, la tecnología de emparejamiento y la hora prevista de llegada de una
vacuna en los policies óptimos. En general, las políticas específicas que se combinan con
medidas que reducen las interacciones entre grupos y aumentan las pruebas y el
aislamiento de los infectados pueden minimizar tanto las pérdidas económicas como las
muertes en nuestro modelo.

Departamento de Iván Werning

Daron Acemoglu of Departamento de Economía,
Economía MIT E52-536 MIT
50 Memorial Drive 50 Memorial Drive
Cambridge, MA 02142- Cambridge, MA
1347 y NBER 02142 y NBER
daron@mit.edu iwerning@mit.edu

Victor Chernozhukov Michael D. Whinston

Departamento de Sloan School of
Economía Management y
Instituto Tecnológico de Departamento de
Massachusetts 77 Massachusetts Economía
Avenue Instituto Tecnológico de
02139 vchern@mit.edu Massachusetts 100 Main St
Cambridge, MA
02142 y NBER
whinston@mit.edu
1 Introducción1
El principio de focalización desempeña un papel importante en los análisis económicos
de la política gubernamental. La aplicación de este principio bien respetado es otra
cuestión, que requiere mostrar ing beneficios sustanciales caso por caso. En
muchas epidemias, el riesgo de infección o complicaciones graves de salud varía
mucho entre los diferentes grupos demográficos. El costo de prevenir la actividad
económica a través de los bloqueos también es típicamente heterogéneo dentro de la
población. La pandemia COVID-19, que se ha cobrado la vida de más tde360.000
personas en todo el mundo (el 29 de mayo de 2020) y ha llevado al mayor receso
mundial sion de las últimas nueve décadas, no es una excepción. Se distingue por
un riesgo de mortalidad muy elevado con respecto a la edad: para los mayores de
65 años la mortalidad por infección es about 60 veces mayor que los de 20-49 años.
Las diferencias de esta magnitud merecen examinar los beneficios de las políticas de
focalización. policies.
En este trabajo desarrollamos una versión multigrupo del modelo
epidemiológico basado en la población SIR y realizamos un análisis cuantitativo
aplicado a COVID-19. 2 Nos centramos en identificar los beneficios derivados de
políticas específicas óptimas que bloquean los distintos grupos de forma
diferencial. Para ello, resolvemos unproblema de control optima l yexaminamos cómo la
posibilidad de segmentar mejora la compensación. Encontramos que los beneficios de la
segmentación son significativos. Creemos que el modelo y el análisis que desarrollamos
podrían aplicarse al estudio de futuras pandemias para las que el mundo podría
necesitar prepararse.
Comenzamos con el caso especial de nuestro modelo que consta de tres grupos:
jóvenes (20-49), de mediana edad (50-64) y viejos (65+) y donde las únicas diferencias
en las interacciones entre los tres grupos provienen de las políticas de bloqueo
diferencial. Basamos nuestras opciones de pa- rametro en la pandemia COVID-19 y
caracterizamos diferentes tipos de policies óptimos. En consonancia con otras obras
sobre la pandemia, cuando el menú se limita a políticas uniformes que tratan a todos los
grupos simétricamente, hay difíciles compensaciones a las que se enfrentan los
responsables políticos. Cuando la prioridad es salvar vidas (un enfoque "centrado

en la seguridad"), la econ- omi tendrá que soportar un largo cierre y descensos

considerables del PIB. Por ejemplo,
1
Visite nuestro simulador MR-SIR (GUI) en línea para explorar el modelo, el efecto de las
políticas simples y las políticas óptimas, para varios valores de parámetros: https://mr-
sir.herokuapp.com/
2
El modelo SIR fue propuesto originalmente por Kermack, McKendrick y Walker (1927) y sigue
siendo una referencia importante en la literatura epidemiológica. Pertenece a una clase más amplia de
1
modelos compartimentales deterministas basados en la población que son un caballo de batalla en los
análisis epidemiológicos, junto con modelos basados en agentes y de red. El beneficio del marco SIR y
sus extensiones es que es relat- tively manejable, y susceptible a nuestro análisis de control óptimo.
Las extensiones del modelo que permiten diferencias entre grupos se mencionan de diversas maneras
en la literature epidemiológica,rature, como multigrupo, y cuando se centran en la edad, la
estructura de edad o la estratificada por la edad. Preferimos referirnos a nuestro modelo como un
"multigrupo" porque esta terminología es familiar tanto para los economistas como para los
epidemiólogos, y porque creemos que los principios generales que nuestro análisis aclara son
aplicables más allá de las heterogeneidades en losgrupos ag e en el contextode COVID-19.

2
con el fin de mantener la tasa de mortalidad en la población (adulta) por debajo del
0,2%,3 responsables políticos tendrán que imponer un bloqueo total o parcial de la
economía durante casi un año y medio y soportar costos económicos equivalentes a
hasta el 38% del PIB de un año. GDP. Por el contrario, los responsables políticos que
priorizan la economía (empleando un "enfoque centrado en la economía) y tratando de
mantener los daños económicos a menos del 10 por ciento del PIB de un año pueden
verse obligados a soportar una tasa de mortalidad superior al 1 por ciento.
Nuestro principal resultado en este documento es que este equilibrio polhelado
puede mejorarse significativamente con políticas específicas que aplican bloqueos
diferenciales en los diversos grupos de riesgo. Para hacer este punto, nos centramos en
la frontera ("Pareto") entre la pérdida económica y la pérdida de vidas, que representa el
equilibrio antes mencionadoque enfrentan losresponsables políticos y se representa en
la sólida curva de la Figura 1.1. La frontera está inclinada hacia arriba después de
cierto punto, indi- cating que la ausencia de políticas de mitigación conducirá tanto a
mayores pérdidas económicas y más vidas perdidas. Esto se debe a que los daños
económicos incluyen la pérdida de productividad debido a la enfermedad y las
contribuciones de productividad perdidas de quienes mueren porqueel uso delvirus. Lo
que es más importante, la frontera discontinua para las políticas específicas está mucho
más cerca del "punto de la felicidad" representado por el origen que la frontera para
políticas uniformes. Esta cifra, además, nos ayuda a entender por qué las políticas
específicas pueden salvar un número significativo de vidas, pasando horizontalmente
de la frontera política uniforme al nivel de política objetivo mantiene la pérdida
económica igual, pero reduce sustancialmente las muertes. Por ejemplo, mostramos
que, en comparación con lapolítica deunif orm centrada en la economía, la focalización
permite reducir la mortalidad en la población (adulta) de más del 1% a alrededor del
0,5%, salvando más de 1,2 millones de vidas en comparación con el punto de referencia
de una política uniforme óptima. policy. Alternativamente, con el objetivo centrado en
la seguridad de 0.02% mdela ortalidad, la segmentación reduce los daños económicos
de alrededor de 37% a 25%. Naturalmente, las ganancias exactas dependen del punto
de referencia inicial en la frontera y de si los beneficios de pasar a políticas específicas se
toman como re- ductions en la mortalidad o laspérdidas de economic, o alguna
combinación. Nuestro enfoque basado en la comparación de fronteras enteras tiene el
beneficio de evitar la difícil elección de un
punto en la frontera. 4
También veremos que casi todos los beneficios de la segmentación se pueden lograr
sin la necesidad de recurrir a políticas de segmentación complicadas. Más bien, una
política "semi-orientada" que simplemente trata al grupo de edad más
vulnerable (mayor) de manera diferente que el resto de lapop-
 3
A lo largo, por "población" nos referimos a la población adulta (mayores de 20 años).
4
Una alternativa común es elegir un punto a lo largo de la frontera resolviendo para la política óptima
utilizando un parámetro de "valor de la vida" que intercambia las muertes frente a las pérdidas
económicas. Sin embargo, el considerable acuerdo sobre el valor correcto de la vida, o incluso sobre la
validez de este concepto en la práctica, complica las aplicaciones de este enfoque.
 Control máximo
totalmente eficaz

pérdida de producción
Máximo Control de
hacerse por cuenta

Uniforme
óptimo Control
Políticas del
pecado

Óptima
Políticas
0 dirigidas
Muertes

Figura 1.1: Frontera: vidas perdidas entre economía y vidas perdidas.

y la mediana edad de edad diferencial).

Nuestro modelo también permite un análisis de un menú más rico de opciones
de políticas. Un conjunto prometedor de políticas (en la práctica implementadas tanto
por regulaciones explícitas como por normas) son aquellas que reducen las
interacciones entre el grupo de edad más vulnerable y el resto de la pop- ulation. Estas
políticas, que llamamos "distanciamiento de grupos", resultan ser muy poderosas en la
reducción de las mortalidades, porque complementan los bloqueos dirigidos. En
nuestro modelo, la tasa de mortalidad del grupo de edad avanzada todavía puede ser
relativamente alta incluso bajo políticas óptimas dirigidas porque, unas en el
mundoreal, los bloqueos son imperfectos y los indi- uals más antiguos todavía entran
en contacto con los jóvenes y los de mediana edad y se infectan. 5 El distanciamiento de
grupos rectifica parcialmente esto y permite mejores resultados de salud y bloqueos
más cortos (ya que, cuando el grupo más viejo está más aislado de los más jóvenes, el
bloqueo de este último se puede aliviar más rápidamente). Por ejemplo, con las
políticas de distanc- ing y semi-objetivos de grupo, las pérdidas económicas resultantes
delobjeto de no más del0,2% de la tasa de mortalidad pueden reducirse a
aproximadamente el 16% del PIB de un año (o, alternativamente, la mortalidad puede
reducirse aún más).
Otro conjunto de políticas que mejoran significativamente las compensaciones a las
que se enfrentan los responsables de la formulación de políticas es el seguimiento de
testing y (contacto). Al identificar y aislar a las personas infectadas, estas políticas
proporcionan una mejor protección contra el virus y conducen a
 5
Este problema se pone de relieve por la difícil situación de las poblaciones de residencias de
ancianos en los Estados Unidos, que estuvieron expuestas al virus a través de visitantes y
personal, y hasta la fecha representan más de un tercio de todas las muertes relacionadas con
COVID-19 en el país (por ejemplo, https://www.nytimes.com/interactive/2020/05/09/us/
coronavirus-cases-nursing-homes-us.html).
 Figura 1.2: Frontera: vidas económicas frente a vidas perdidas con políticas adicionales.

salud pública, especialmente cuando se combina con políticas semi-objetivo.

Curiosamente, cuando se adoptan políticas tanto de distanciamiento en grupo como de
seguimiento de pruebas y consideramos políticas óptimas semi-orientadas, el equilibrio
entre las vidas perdidas y la dama ges económicamejoraradicalmente como se ilustra la
Figura 1.2. Por ejemplo, los responsables de la formulación de políticas pueden
mantener los daños ecológicos en aproximadamente el 7 por ciento del PIB de un año, al
tiempo que logran una mortalidad del 0,2 por ciento.
También investigamos las implicaciones de la "technología coincidente" entre los
individuos afectados e infectados para la dinámica de la pandemia y la política óptima.
La tecnología de emparejamiento en el modelo SIR estándar es similar a la
tecnología cuadrática coincidente del famoso modelo de coco Di amond (1982), donde
el número de coincidencias entre dos grupos (o dentro de un grupo en sí) es el
producto del tamaño de los dos grupos. Aunque esta tecnología cuadrática es una
buena aproximación a la coincidencia encontextos geográficos donde el contacto y la
proximidad es aleatoria, no es necesariamente así para otras interac- ciones
(como en los lugares de trabajo, para la coincidencia entre empresas y trabajadores,
o en el contexto de ciertos tipos de actividades de ocio que tienen lugar en
pequeños grupos). Para investigar las implic- ciones de la tecnología de
emparejamiento en nuestro modelo, generalizamos la tecnología de emparejamiento
para permitir un grado flexible de "aumento de los retornos a la escala". Con un
retorno constante a la tecnología de emparejamiento de a constant returns to escala,
los recuperados ofrecen una mayor protección a los susceptibles,
pero contrarrestando esto, los bloqueos en sí mismos son menos efectivos (porque
el "doble ben- efit" generado por los bloqueos bajo la tecnología de coincidencia
cuadrática se debilita). 6

6
Las mismas cuestiones se discuten en la literatura epidemiológica, a veces contrastando los modelos
con "acción masiva" o "dependiente de la densidad" (que corresponden a coincidencias cuadráticas)
con la "pseudo masa
A pesar de estas diferencias, encontramos que las políticas óptimas de los objetivos
semesto son en general similares en el marco de diferentes tecnologías de
coincidencia y siguen superando significativamente las políticas uniformes óptimas.
Subrayamos que hay mucha incertidumbre sobre muchos de los parámetros
clave para COVID- 19 (Manski y Molinari, 2020) y cualquier políticaóptima,
uniforme o no, será muy sensible a estos parámetros (por ejemplo, Atkeson, 2020a,
Avery y otros. , 2020, Stock, 2020). No obstante, si bien las cifras específicas sobre los
costos económicos y de salud pública son sensibles a los valores de los parámetros,
nuestra conclusión general de que las políticas específicas aportan beneficios
considerables parecen muy sólidas (como documentamos también).
Dentro de la incipiente literatura económica-epidemiológica, Atkeson (2020b)y
Stock (2020) proporcionan unaintroducción al marco SIR y sus implicaciones para
COVID-19 en los Estados Unidos. Fernández-Villaverde y Jones (2020) ajustan un
modelo SIR estándar a varias regiones (países, estados y ciudades) y utiliza el modelo
para inferir vables unobser(como el número de recuperados) y crear pronósticos.
Más cerca de nuestro documento, varios documentos recientes han comenzado a
incorporar compensaciones económicas y llevar a cabo un análisis óptimo de las
políticas en el marco del SIR (por ejemplo. Rowthorn y Toxvaerd, 2020, Eichenbaum,
Rebelo y Trabandt 2020a, Alvarez, Argente y Lippi 2020, Jones, Philippon y
Venkateswaran, 2020, Farboodi, Jarosch y Shimer, 2020 y Garriga et al. , 2020). 7
Todos los trabajos que realizan un análisis de control óptimo han trabajado con modelos
de un solo grupo.
Varios artículos recientesinvestigan ntly el papel de los hospitales dependientes de
la edad y las tasas de fatalidad en los modelos SIR (Gollier, 2020, Favero, Ichino y
Rustichini, 2020, Rampini, 2020, Bairoliya y Immrohorogá lu, 2020, Brotherhood et
al. (2020) y Glover
((2020)). Las principales diferencias entre estos trabajos y los nuestros son: (1) nuestro
tratamiento general de la dinámica de la infección en un modelo SIR con múltiples
grupos de riesgo, diferentes estructuras de interacción y pruebas y rastreo
potencialmente imperfectos, y (2) más impor- tantly, nuestro análisis de la política
óptima. Por ejemplo, nuestros resultados que muestran que las políticas semi-
objetivod pueden mejorarsignificativamente las políticas uniformes óptimas y lograr la
gran mayoría de las ganancias de políticas óptimas totalmente orientadas no tienen
contrapartes en estos pa- pers. Hermandad, Kircher, Santos y Tertilt (2020)y Glover,
Heathcote, Krueger y Ríos-Rull (2020), enparticular, estudian la infección y la dinámica
económica en entornos con opciones económicas adicionales (suministro de mano de
obra y opciones de consumo bajo información incompleta sobre el estado de la infección
en el primero, y la elección sectorial en la segunda). Su
acción" o "dependiente de frecuencia". Véase, por ejemplo, McCallum et al. (2001).
7
Además, Eichenbaum, Rebelo y Trabandt (2020a), Jones, Philippon y Venkateswaran (2020),
Farboodi, Jarosch y Shimer (2020), Kudlyak, Smith y Wilson (2020) y Garibaldi, Moen y
Pissarides (2020) son papeles endogenizantes recientes de comportamiento económico en los modelos
básicos de IR. Las primeras contribuciones relacionadas incluyen Geoffard y Philipson (1996) y
Fenichel (2013).
 Sin UCI
R1
S1 Yo1
D1
Uci
Contactos
de rojo

Sin UCI
R2
S2 Yo2
D2
Uci

Figura 2.1: MG-SIR: Modelo recuperado infectado con múltiples riesgos. Las líneas
sólidas muestran los flujos de un estado a otro. Las líneas discontinuas enfatizan las
interacciones que tienen lugar entre grupos de riesgo.

enfoque y los resultados principales son diferentes y complementarios a los nuestros.

Por ejemplo, Brother- hood et al. (2020) se centran en el comportamiento de las
personas más jóvenes de riesgo y las implicaciones de esto para las pruebas y la
cuarentena condicional, mientras que Glover et al. (2020) el principal énfasis de los
jóvenes y los ancianos se centra en el conflicto entre los jóvenes y los ancianos sobre las
políticas de mitigación. Aunque Glover et al. (2020) considerar una política óptima,
esta política se elige de una familia paramétrica y su énfasis principal está en el
contraste entre esta política y las preferidas por los jóvenes y los antiguos.
El resto del documento se organiza de la siguiente manera. La siguiente sección
describe los principales resultados de nuestro modelo de SIR multigrupo, presentando
las leyes de movimiento en tiempo continuo para las poblaciones infecciosas,
susceptibles y recuperadas por grupo, así como los resultados económicos y de
mortalidad que nuestro modelo con políticas de bloqueo puede generar. La Sección 4
describe nuestras opciones de parámetros y métodos numéricos. de- scribes
Nuestros principales resultados se presentan en la Sección 5,que también contiene
una serie de ejercicios de robustez. La sección 6 contiene nuestras conclusiones.

2 Modelo MG-SIR
Nuestro modelo SIR multigrupo se establece en tiempo continuo t ∈ [0, ∞). Los
individuos son par- titioned en grupos de riesgo j - 1, . . . , J con Nj miembros
iniciales. 8 La población total se normaliza a la unidad de modo que ∑j Nj a 1.
En cualquier momento t, los individuos en el grupo j se subdividen en los susceptibles (S),
8
Véanse Heesterbeek y Roberts (2007)y Bayham, Kuminoff, Gunn y Fenichel (2015)y las referencias
a los mismos para una discusión sobre la edad o los modelos epidemiológicos compartimentales
estructurados en etapa.
 infectados (I), los recuperados (R) y los fallecidos (D),

Sj(t)+ Ij(t)+ Rj(t)+ Dj(t)- Nj.

Los agentes pasan de susceptibles a infectados, luego se recuperan o mueren. 9,10 Escribimos S(t)
•Sj(t) j y de forma similar para I(t), R(t) y D(t). Los grupos interactúan consigo
mismos, así como entre sí, como se describe a continuación.
Antes de describir los detalles, anticipamos una de nuestras ecuaciones clave. En el
modelo canónico de un solo grupo, la ecuación clave de la evolución es cuadrática:

nuevas infecciones: βSI.

Ennuestro modelo, sin bloqueos y aislamientos, tenemos

∑k ajk Ik
nuevas infecciones en el grupo j s S ,
J . jkj (Sk + Ik + Rk α Σ2o−
∑K k )

donde los parámetros son los de jk jk que controlan la velocidad de contacto entre el
grupo j y k. Aquí el ∈ [1, 2] nos permite controlar los retornos para escalar en la
coincidencia: cuando el número 1 tenemos retornos de con- stant: las infecciones se
duplican si S, I y R doble; cuando 2 obtenemos la especificación c cuadráticaque,
con un solo grupo, se reduce al modelo SIR canónico. A continuación desarrollamos el
modelo completo, complementando y ampliando esta ecuación básica para incluir
pruebas, aislamiento, encierros, capacidad hospitalaria, la llegada de una vacuna
ysusconsid- eraciones, etc.

2.1 Suposiciones modelo

Aquí discutimos los elementos básicos de nuestro modelo y luego pasamos a las
ecuaciones dinámicas que describen la evolución de las variables de estado.

Infección, UCI, Fatalidad y Recuperación. Las personas susceptibles pueden infectarse

al entrar en contacto con personas infectadas. Los infectados pueden o no requerir
"cuidado de la UCI", una etiqueta de captura que utilizamos para captar la necesidad de
ventiladores y otros

9
Dado el horizonte de tiempo relativamente corto de esta pandemia, nos abstraen de otras fuentes de
muertes y nacimientos.
10
Las extensiones más comunes del modelo SIR incluyen el "Expuesto" que aún no se ha vuelto
infeccioso (SEIR) o el "Asintomático" que puede infectar a otros(SAIR). Véanse, por ejemplo, Brauer,
van den Driessche y Wu (2008). Creemos que nuestras principales conclusiones y resultados son sólidos
para tales ex- tensiones y planeamos investigar esto en el futuro.
Especializado Médica Cuidado. Nosotros Supongo ese el Necesita Para Uci Es
Inmediatamente realizado tras la infección. Dejar ι j Denotar el Constante Fracción De
Infectado Gente De Tipo
J
j Necesidad Uci Cuidado. Con Llegada de Poisson δr un
paciente de la UCI de tipo J Recupera. Los pacientes no pertenecientes a la UCI no
mueren y se recuperan con la llegada de Poisson γj .
Sólo aquellos que necesitan atención de la UCI pueden morir. Mientras que en la
UCI, los pacientes mueren con la llegada de Poisson δd(t). Permitimos que esta tasa de
J
mortalidad sea una función de las necesidades totales de la UCI en relación con la
capacidad, que puede variar con el tiempo. Suponemos que

áj á δ d (t ) + δ r (t).
j j

Estas suposiciones implican que las proporciones de pacientes de la UCI y de los

pacientes no pertenecientes a la UCI entre los infectados en el grupo j no cambian con
el tiempo. 11
Deje que Hj(t) denote el número de personas de tipo j que necesitan atención de la
UCI en el momento t, de modoque Hj(t) áj Ij(t). Las necesidades totales de la UCI son
H(t) a ∑j Hj(t). Suponemos que el probabil- Ity condicionado a la UCI es una función
no decreciente del número de pacientes

δdJ(t) = ψj(H(t)),

para algunos dada la función no desderea ψj.12

Detección: Infección e inmunidad. Se supone que la detección de individuos

infectados, así como su aislamiento, son imperfectas. Para evitar variables de estado
adicionales, para cada individuo infectado se determina inmediatamente después de
la infección si la detección y el aislamiento es posible. Let Denoremos por jj la
probabilidad constante de que un individuo infectado de tipo j que no necesita la
UCI se aísle. El aislamiento puede ocurrir simplemente porque el individuo se enferma
demasiado para trabajar y socializar, tal vez necesita hospitalización por debajo de
la UCI. También puede ocurrir porque el individuo se detecta como infectado
mostrando symptoms o mediante pruebas y esfuerzos de rastreo. ms Del mismo
modo, dejamos que jj denote la probabilidad de que un individuo de tipo j que
necesita atención de la UCI sea detectado y aislado. Si bien puede ser razonable
establecer el valor dej a 1, permitimos que φj < 1 anide trabajos anteriores, como
Alvarez et al. (2020), que no modeló la UCI necesita explicitly (estableciendo el valor
dej á j).j). En resumen, la probabilidad de que un
 11
Relajar estas suposiciones es posible, pero requiere una variable de estado adicional para realizar un
seguimiento de la UCI frente a las personas infectadas por la UCI.
12
Uno puede ampliar el modelo para incorporar capacidad que aumente con el tiempo permitiendo
que ψ j(H(t), t) dependan de t. Esto podría captar los esfuerzos emprendidos al comienzo de la
epidemia para mejorar los recursos médicos para los pacientes con COVID-19.
la persona infectada no es detectada y aislada es dada por

•j ≡ 1o − (ájáj + (j1 á j)áj).

Suponemos que los agentes recuperados son inmunes, al menos durante la duración
restante de la pandemia, hasta que llegue la vacuna y la cura. 13 Los individuos
que se recuperan pueden ser liberados del bloqueo sin riesgo para sí mismos o para
otros. Sin embargo, debido a las pruebas imperfectas, κ suponemos que sólo una
fracción delos agentes recuperados se identifican como tales y se les permite trabajar
libremente. La fracción restante no se identifica osetréifica de forma idéntica a las que no
se consideran recuperadas. Una vez más, para simplificar asumimos que este estado se
determina inmediatamente después de la recuperación. 14

Encierro y distanciamiento social. Ahora consideramos el bloqueo y las medidas sociales

de distancinag que afectan la tasa de transmisión de infecciones. Para simplificar
nuestra discusión, etiquetamos todas estas como políticas de "bloqueo", aunque también
podrían representar otros comportamientos y políticas de distanciamiento social.
Los individuos en el grupo j producen wj cuando no están en bloqueo y ξjwj
durante el bloqueo, donde ξj ∈ [0, 1]. El parámetro ξj captura la productividad relativa
de la producción doméstica frente a la del mercado. Si ξj > 0, entonces se puede hacer
algún trabajo productivo desde casa.
Un bloqueo completo crea una pérdida igual a (1 s ξ j )wj . 15 Para cada grupo,
los bloqueos no son necesariamente todo o nada. Deje que L j (t ) denote la parte del
grupo j que está en "bloqueo" con L j (t) - 1 designando el bloqueo completo y L j (t)
a 0 sin bloqueo. Los valores intermedios de L j(t) ∈ (0, 1) representan situaciones
menos extremas. Una interpretación es que en cada instante t una fracción
aleatoria L j (t) se dibuja independientemente (de todos los eventos pasados) del
grupo j y se envía al bloqueo. 16

13
Aunque muchos expertos están de acuerdo en que esta es actualmente la principal
hipótesis de COVID-19, es im- portante subrayar que, debido a la rectitud de la pandemia, en este
momento esta hipótesis no está respaldada por pruebas concluyentes. De hecho, la Organización
Mundial de la Salud ha declarado que "actualmente no hay información sobre que las personas
que se han recuperado de COVID-19 and tienen anticuerpos están protegidos de una segunda
infección". (24 de abril de 2020, sesión informativa: https://www.who.int/news-
room/commentaries/detail/ inmunidad-pasaportes-en el-contexto-de-covid-19).
14
Si la única restricción eran la detección, podría ser razonable suponer κj [ι j φj +
∈(1 ι?j)τ j, 1] Captura
• el
Noción ese Nosotros hacer No Olvidar aquellos ese Fueron Identificado Como Ser Infectado. Sin embargo
Nosotros hacer no rescudrir esto Condición.
15
Tenga en cuenta que wj resume tanto el nivel salarial como el de empleo del grupo j. En los
datos, a medida que las personas envejecen los salarios aumentan, pero la participación en el mercado
laboral disminuye. En términos más generales, wj también puede capturar más que la producción,
como los beneficios de servicios públicos experimentados por los consumidores o el ocio fuera del
bloqueo. Nos centramos en la interpretación estrecha de esta variable para facilitar nuestro análisis
cuantitativo, aunque volvemos a tratar este tema en nuestrascomprobaciones de robustness.
 16
Este implies que los bloqueos intermedios no están seleccionando a los mismos trabajadores para ser
bloqueados por cuenta. Estos tipos de políticas se pueden incorporar a nuestro marco
dividiendo
 El bloqueo completo puede no ser factible, por lo que imponemos L j (t) - L- j - 1. Esto puede
capture
que algunos bienes se consideran esenciales, por lo que su producción no puede ser
cerrada. to Alternativamente, tively, puede ser difícil monitorear e impedir que
algunas personas vayan a su lugar de trabajo. it También asumimos que
incluso si el cierre completo fuera factible, para que nadie pudiera trabajar,
no necesariamente eliminaría todas las interacciones humanas y el contagio. En
particular, suponemos que el bloqueo L j (t) reduce el trabajo real por Lj(t), pero la
presencia del grupo j en las interacciones infecciosas sólo por un factor 1 á j Lj (t )
donde áj á 1. Esto puede deberse a que las personas todavía están permitidas en las
calles y la transmisión ocurre cuando se cruzan,
o puede ser porque la gente desobedece los encierros o las cuarentenas, o engaña en el
margen visitándonos socialmente. También puede capturar la transmisión que se
produce sin contacto de persona a persona, como cuando alguien toca un objeto tocado
recientemente por una persona infectada. Básicamente, por varias razones, el bloqueo
no es totalmente eficaz para eliminar la transmisión y θj < 1 es una medida de esta
ineficiencia.

Vacuna y cura. Suponemos que una vacuna está disponible en alguna fecha T. Para
simplificar, nos assume que una cura para todos los que están infectados actualmente
también está disponible en la misma fecha. 17 En el caso de COVID-19, los expertos
estiman actualmente el tiempo de elaboración, ensayo y despliegue de una vacuna de
entre uno y dos años, aunque se están realizando esfuerzos extraordinarios para
acelerar la evolución de las vacunas.

2.2 Dinámica en MG-SIR

Antes de la vacuna y la cura, las infecciones para el grupo j evolucionan de acuerdo con
la ecuación diferencial para todos los ∈ (0, T)

I˙J = Mj(S, I, R, L)β(1 − θj Lj)Sj ∑ ρJkηk(1 − θk Lk)Ik − γj Yoj,

K

para los coeficientes {ρjkde contacto y no negativos y los coeficientes de contacto

. ∑ ájk[( Sk + kk Ik + (1 k á k ) Rk )( 1 áj Lk ) + ΣN.o2
Mj(S, I, R, L)≡ k Rk ] .
K

Tenga en cuenta que M j(S, I, R, L) = 1 en el caso cuadrático Α = 2.

gruposfervientes que pueden ser tratados de manera diferente.

17
Los medicamentos antivirales para tratar una infección y las vacunas requieren dos avances médicos
separados e imple- mentaciones. En la práctica, esta suposición simplificador hace poca diferencia
siempre y cuando la infección en la fecha T sea baja, por lo que el valor de una cura para los actualmente
infectados es pequeño en relación con el beneficio de prevenir más infecciones.
 El resto de las leyes de movimiento para t ∈ (0, T) son

Sá j á Iáj á j Ij ,
D˙ j = δd (t) Hj ,
J

R˙ j = δJr (t) Hj + γ j ( Ij − Hj ),

donde, de nuevo, Hj á ιj j denotan el número de pacientes de la UCI en los grupos j. j j

Después de que la vacuna y la cura llegan a T, cada individuo que está vivo se coloca en
la categoría recuperada: S(t) á I(t) - 0 y R(t) - S(T) + R(T) y D(t) - D(T) para t - T.
Naturalmente, establecemos los bloqueos en cero L(t) a 0 para t - T.

Discusión. Para obtener más información sobre esta ecuación clave, tenga en
cuenta el caso de un solo grupo y establezca los caracteres de los números 2 y 1.
Luego obtenemos

Iáj á βSI(1 − áL)2 -I,

que es la especificación ESTÁNDAR de SIR cuadrática.

Con el grupo de riesgo múltiple, los coeficientes de ρ 22o permiten diferentes
velocidades de contacto entre grupos. Por ejemplo, puede ser natural suponer que
jj jj > jkjk para k ƒ j, de modo que los individuos de un grupo dado tienden a tener
una tasa de contacto más alta dentro de su propio grupo (es decir, los jóvenes pueden
trabajar y socializar entre sí más que con los antiguos).
Aunque la mayoría de la literatura económico-epidemiológica se centra en el caso
de coincidencia cuadrática con el número 2, permitimos una formulación más general.
Una manera de ver la dif- ference es pensar en la escala. La tecnología de emparejamiento
con el número 1 exhibe retornos constantes a la escala: duplicar S, I y R (mientras que
la fijación de la política de bloqueo L) duplica elentumecimientode lasinfecciones,
dejando la tasa de crecimiento de las infecciones sin cambios. Por el contrario, con la
coincidencia cuadrática, lo cuadruplicaría. Intuitivamente, la constante devuelve
mayúsculas y minúsculas con el valor de 1 supone que el número de contactos para cada
individuo no se ve afectado porel número total de personas que no están endobles de
bloqueo. Esto se conoce como "dependencia de frecuencia" en epidemiología. Por el
contrario, el caso cuadrático con el valor 2 asume que el número de contactos se
duplica. La tecnología de coincidencia cuadrática supone que un entorno más
densamente ocupado conduce a más contactos en proporción estricta a la densidad. Esto
se conoce como "dependencia de la densidad" en la epidemiología.
En ausencia de encierros, para una localidad determinada, las diferencias entre los
números 2 y 1 son pequeñas en la práctica. Esto se debe a que, podemos ajustar el
valor de ,por lo que es específica dela localidad, para compensar las diferencias de
tamaño iniciales en la población. Entonces, siempre y cuando
 la mortalidad nunca es demasiado alta, por lo que el valor de los vivos S + I + R no se
ve demasiado afectado, las dos especificaciones se comportan muy de cerca. Sin
embargo, en presencia de bloqueos hay diferencias notriviales entre los caracteres de
los caracteres de los caracteres de los caracteres de los caracteres de los caracteres de
los caracteres de los caracteres de los caracteres de los caracteres de los caracteres de los
caracteres de los caracteres de los caracteres de los caracteres de los caracteres de los
caracteres de los caracteres de los caracteres de los caracteres de los caracteres de los
caracteres de los caracteres de los caracteres de los Para ver esto, considere como
ejemplo el caso de un solo grupo de nuevo, pero esta vez con el número 1:
1 − θL
I˙J = βSI − γI
θL
S + I + R + 1o -R •L

Ajuste Κ = 0 y S + Yo + R ≈ 1 primero, vemos que los bloqueos afectan a las nuevas

infecciones por un factor 1 − θL en lugar de De el Cuadrática (1 − θL )2 . Así Mitad el
Población interactuar a través de bloqueos, es decir, (1 − θL ) = 1 , tiene el efecto de
reducir las nuevas infecciones Adelante 2Con α = 2 Y Por a Mitad Con α = 1. Girando
Para el Denominador Cuando κ >
0, surge una diferencia adicional debido a la presencia de LL
R. Con distinto de cero
1oθL
bloqueo L > 0 y fijación S + I + R,vemos que un mayor número de individuos recuperados
R contribuyen a reducir las infecciones; de manera similar, para determinados cero
R, bloqueos más grandes L menores infecciones.
En la práctica, algunas interacciones sociales están más cerca del tipo cuadrático,
mientras que otras a los retornos constantes. Caminar por una calle o comprar un
supermercado genera interacciones que aumentan con la densidad. Sin embargo, las
interacciones en el trabajo o con amigos may estar más cerca de los retornos
constantes a escala, ya que cada persona hará tiempo y buscará un número
determinado de compañeros de trabajo o amigos con los que interactuar estrechamente.
En resumen, es probable que la realidad se encuentra en algún lugar entre estos dos
extremos, lo que sugiere un valor intermedio entre 1 y 2 para ..

Un resultado de agregación. Nuestro modelo MG-SIR muestra una propiedad de

agregación útil, comportándose como un modelo SIR de grupo único en casos
especiales cuando los bloqueos son uniformes.
Supongamos que lasj (t L(t tasas de contacto efectivas y las tasas de resolución de la
infección son las mismas entre los grupos, de modo que los valores delos γ grupos, de
modo que los valores de los grupos también se consideren los de tipo "jk" y γ"j" y"j" y
"j"y"j" L(t) para todos los j. Supongamos además que las tasas de infección son
inicialmente idénticas entre grupos, de modo que Nj 0)/ I Sj (0)/Nj(j y Rj (0)/Nj están
in-
dependiente de j. Entonces es sencillo ver que, a pesar de las diferencias en las tasas de
mortalidad, la evolución de las infecciones dentro de cada grupo, y por lo tanto las
infecciones agregadas, es idéntica a la de un modelo SIR de un solo grupo. Lo mismo
no es cierto para las muertes, son diferentesentre los grupos, pero no afectan la
evolución de las infecciones.
Este resultado de agregación se verifica en nuestras simulaciones cuando
presentamos bloqueos uniformes de opti- mal.
3 Frontera eficiente
Nuestro planificador controla el bloqueo para cada grupo de L j (t ) j j para todos los t ∈
[0, T) teniendo en cuenta el efecto que esto tiene en el sistema dinámico descrito
anteriormente. Consideraremos will los casos en los que el bloqueo está restringido a
ser uniforme entre los grupos L j (t) - L(t), así como los casos en los que es diferencial
entre grupos.
Hay dos objetivos a considerar, y el equilibrio entre los dos da nuestro fron-
tier. Para simplificar la exposición ignoramos el descuento. 18 El primer objetivo es
minimizar las muertes totales (excesos) durante la pandemia, which es simplemente

Vidas perdidas: ∑ D j( T).

J

Recuerde que no habrá muertes (excesos) después de la llegada de la vacuna y

19
la cura, es decir, para t > T.
El segundo objetivo es minimizar la pérdida económica total, que representamos como

∫
Económico Pérdidas =
∑ ΨΨj(t) dt,
J
T
0

donde el costo de flujo para el grupo j es dado por

Ψj()wt)á (1 á ξj)wjSj(t)Lj(t) +(1 á ξj ij j(t)(1 − ák(1 á J((t)))

+ (1 − ξj)wj(1 − κj)Rj(t)Lj(t) + wj∆jιjδd(t)Ij(tJ)

El primer término representa la pérdida económica de bloqueo de individuos susceptibles.

18
El descuento se puede añadir fácilmente, pero tenga en cuenta que los tipos de interés nominales se
redujeron a casi cero en abril de 2020, por lo que esto no tiene efectos significativos en nuestros
resultados.
19
Permitir que la hora de llegada de la vacuna sea estocástica es sencillo. Supongamos que T tiene
distribution Facumulativo(T) y suponga que no hay información sobre la hora de llegada de la
vacuna antes de su llegada real. El primer objetivo es el número esperado de muertes, que pueden
integrarse por partes para producir,
∫ ∞ F (T) . D (T)á dT - ∫ ∞(1 x d
(t)I (t)á dt

0
∑F(t)) .
J
0
∑j J
J
áδ j
Del mismo modo, el objetivo económico se convierte en
∫ ∞(1 − F(t)) ∑
0
Ψj(t)dt
J
Previamente •1 F(t) = 0 para T < T Y 1 á F(t) = 0 Para t? T. Una opción conveniente (por ejemplo,
Alvarez et al., 2020; Eichenbaum et al., 2020b) es una distribución de Poisson con llegada constante Tasa.
El segundo término es la pérdida económica si el bloqueo de las personas infectadas,
que ahora captura el Hecho ese Incluso En el Ausencia De a Encierro (Lj (t ) = 0) a
Fracción 1 − ηj se encuentra no funciona porque está en aislamiento. El tercer término
representa el costo de bloqueo de las personas recuperadas, que es cero si todos los
agentes recuperados son devueltos inmediatamente al trabajo, es decir, κj = 1. El último
plazo representa un costo económico de muertesJ en grupos j, dado por el producto del
caudal de mortalidad ι j δ d ( t )I j (t ) y la pérdida económica w j ∆ j por muerte, donde ∆j es el
tiempo de empleo restante del grupo j, perdidos debido a Muerte.20

Frontier y Valor de la vida. Nuestro enfoque es caracterizar la frontera entre Pérdidas Y

Vidas. A Común Alternativa Es Para Peso el Último Por Algunos Valor Decir Χ Y
Minimizar ∫ T
∑ Ψ Ψ j ( t ) dt + á ∑ Dj(T).
0 j j

Para ver la relación con nuestro enfoque, tenga en cuenta que para cualquier -,
minimizar esta expresión conducirá a un punto particular en la frontera. Mientras la
frontera sea convexa, se puede rastrear out toda la frontera variando .
Geométricamente, cada valor de -corresponde a un punto en la frontera y - es igual a
la pendiente tangente en este punto.
Bajo esta interpretación, wj∆j + - denota el valor total de la vida, o la pena de muerte,
compuesto por un componente económico χ wj∆j y un componente no pecuniario .
La principal distinción entre nuestro enfoque y uno centrado en torno al objetivo
ponderado utilizando é es que caracterizamos toda la frontera y describimos puntos en
la frontera por el número de muertes o las pérdidas económicas, en lugar de invocar un
valor de la vida o mapearlo a un parámetro como ..
Esta diferencia puede parecer sutil, pero ofrece una perspectiva distinta: no
pretendemos determinar un óptimo, seleccionando un punto a lo largo de la frontera.
Más bien, al caracterizar la frontera describimos el menú de opciones difíciles a las que
se enfrenta la sociedad (los responsables políticos). Nuestros resultados que muestran
los beneficios de las políticas de focalización adquieren la siguiente interpretación:
Supongamos que la sociedad está utilizando bloqueos uniformes y se encuentra en
algún lugar a lo largo de la fronterade la política de formasuni-, o peor. Entonces
nuestro análisis puede arrojar luz sobre cómo mejorar esta situación, ya sea reduciendo
el número de muertes o reduciendo las pérdidas económicas, o alguna combinación.
Por el contrario, un enfoque centrado en una elección para el valor de la vida o
es menos atractivo, en parte porque hay un gran desacuerdo sobre los valores correctos
para estos parámetros.
 20
Para simplificar, tomamos ∆j para ser constantes. Una alternativa es dejar que dependa del momento de la muerte,
para que
∆ j ( . t) - ∆á j . Esto haría poco difference para el rango de valores de T que consider.
Valor marginal de las innovaciones en vacunas. Supongamos que tenemos una mejora
marginal en la llegada de la vacuna. De T a T a dT con dT > 0 denotando una
mejora. Aplicando el Teorema de Sobre, calculamos el cambio marginal en los dos
objetivos a ser, muertes y pérdidas económicas:21

− Despegueι
J j δ (t)Ij (t)
d
Y − Despegue ∑ Ψ j ( T ) .
J

Como de costumbre, el planificador reaccionará a un cambio en T para lograr

un nuevo óptimo, pero el Teorema Enve- lope nos permite evaluar el valor
marginal de pequeños cambios sin calcular la nueva solución. Intuitivamente, cuando
la vacuna llega antes, la distribución de F(t) cambia hacia arriba, reduciendo el costo
porque los costos de flujo futuros del bloqueo, representados por integrand, ya no se
incurren. 22
De los cálculos anteriores, el valor marginal de una vacuna/cura anterior depende
crucialmente de las tasas de bloqueo e infección. En particular, si ambos son cada
vez más pequeños en T, entonces sólo hay una mejora cada vez más pequeña. Por
ejemplo, si la solución original era "ir por la inmunidad del rebaño" (ver más abajo) de
modo que los bloqueos fueran cero y las infecciones estuvieran cerca de cero en T,
entonces una llegada de la vacuna un poco más temprana es de poco valor.

Muchas inmunidades de rebaño y esperando for la vacuna. Aunque la forma

exacta del bloqueo óptimo es compleja, es útil discutir algunos conceptos y
aspectos generales sobre las estrategias alternativas disponibles para el planificador
para reducir las muertes y las pérdidasde micrófono econo. En primer lugar, el
planificador puede aguantar la vacuna o ir por "inmunidad de rebaño". En segundo
lugar, hay muchas maneras de alcanzar la inmunidad del rebaño y el planificador
puede usar esto para dirigir la pandemia. Para simplificar la discusión,
consideramos el caso de dos grupos y asumimos que los dos grupos,
etiquetados como los antiguos y los jóvenes, tienen el mismo tamaño y los números
1 y 2.
La figura 3.1 muestra, en este caso, la ruta de tiempo para el par (Sy(t), So(t)) a lo
largo de la pandemia para t ∈ [0, T] hasta la llegada de la vacuna. La pandemia
comienza cerca (1, 1) con pocas infecciones y viaja hacia abajo y hacia la izquierda, a
medida que más personas se infectan. (
El área sombreada s representa la región de inmunidad del rebaño, donde el
tamaño de la población suscep- tible es lo suficientemente bajo que, una vez que
entramos en esta región, la pandemia llega a
 21
Este cálculo presupone que la solución es continua en la llegada c.d.f. F en el punto óptimo original.
Debido a que el problema no es convexo, las soluciones pueden ser discontinuas. Si la solución es
discontinua, se mantiene una fórmula similar para la derivada direccional.
22
En el caso de llegada estocástica, tenemos una distribución F(t),y consideramos un cambio en esta distribución
F:
∫ ∞−
árt
ΔF(t)e ∑ ΨΨj(t)dt
0
J
 So (1,1)

Inmunidad del rebaño

(0,0) Sy

Figura 3.1: Región ilustrativa de inmunidad al rebaño y diferentes vías horarias para la
pandemia con dos grupos, mayores y jóvenes.

un final rápidamente (pero no inmediatamente como discutimos a continuación). 23 En

los modelos SIR de un grupo, esta región corresponde a un intervalo de la forma S ∈
[0, S-], y dentro de este intervalo tenemos I < 0. Con el grupo múltiple este mismo
concepto define una región para el par (Sy, So). Cuando el número 1 y los dos grupos
tienen los mismos tamaños, esta región es simétrica, con pendiente
1, como se muestra en la figura.
Sin ninguna mitigación, la enfermedad sigue la línea discontinua de 45 grados,
comenzando desde una condición inicial en la que casi nadie ha estado enfermo y
llegando a una situación en la que la mayoría en ambos grupos han sido infectados
en algún momento. En este caso, la pandemia va más allá de la frontera por la
inmunidad del rebaño, un fenómeno conocido como "exceso" en la literatura
epidemiológica. Esto ocurre si hay un número significativo de infecciones al cruzar el
umbral. Tenga en cuenta que aunque la pandemia viaja a lo largo de la línea de 45
grados para que la misma fracción de jóvenes y ancianos se infecten, la
mortalidad puede ser significativamente mayor para los mayores.
Podemos clasificar cualquier política por si el camino que induce llega a la región de
inmunidad del rebaño antes de tiempo t . . Se puede decir que los que no lo
hacen están esperando la vacuna, mientras que los que llegan a esta región van por
inmunidad al rebaño.
Cualquier política uniforme envía (Sy, So) a lo largo de la línea de 45 grados en virtud de nuestra
aggrega-

23
Más formalmente, podemos definir la región de la inmunidad del rebaño como el conjunto de
puntos (sy, s0) con la propiedad que, en ausencia de bloqueos Lyy(t) á Loo(t) - 0, el sistema dinámico
que comienza desde (Sy(0), S0(0) á (Sy, S0) y pequeñas infecciones iniciales (Iy(0), Io(0)) convergen a
puntos cercanos (Sy, S0). En otras palabras (Sy(∞), S0(∞)) es continuo en (Iy(0), Io(0)) de modo que
para el punto límite
• ( S y ( ∞ ) , S 0 ( ∞ ), de modo que para el punto límite (Sy(∞), S0(∞))) tenemos
(Sy(∞), S0(∞)) (Sy, S0) como (Iy(0), Ioo(0)) (Iy(0), Io(0)). Se puede expresar esta propiedad como
condición en el valor propio más grande (dominante) del sistema dinámico linealizado.
resultado de la ción. Las políticas uniformes con cierres lo suficientemente estrictos
mantendrán las infecciones lo suficientemente bajas como para esperar la vacuna, porlo
que estará en el segmento de la líneadiscontinua fuera de esta región en el momento
t . . Otras políticas uniformes pueden alcanzar la inmunidad del rebaño, pero
evitar un exceso significativo. Además, como revelará nuestro análisis a continuación,
incluso las políticas óptimas que van para el rebaño immunity buscarán "aplanar la
curva" con el fin de evitar la mayor mortalidad debido a la limitada capacidad
hospitalaria.
Las políticas de mitigación más específicas abren nuevas posibilidades. La línea
sólida superior bloquea a los ancianos más agresivamente que los jóvenes, lo que
conduce ainfecciones de ower entre los ancianos en relación con los jóvenes. El
camino de la pandemia puede llegar entonces a la región de inmunidad del rebaño
en un ángulo, con una fracción más alta de infectados entre los jóvenes que entre
los mayores, reduciendo el exceso de mortalidad proveniente de la antigua. Con
políticas específicas, también, el planificador puede optar por mantenerse a la espera
de la vacuna, pero también adoptará políticas que reduzcan las infecciones entre
los antiguos.

4 Especificación y calibración
En nuestro análisis en el resto del documento, nos centramos en políticas de orientación
basadas en la edad. 24 Consideramos un entorno con tres grupos, los "jóvenes" (y) que
tienen entre 20 y 49 años, los "de mediana edad" (m) que tienen 50-64 años, y los "viejos"
(o) que tienen 65 años y más. No incluimos a los menores de 20 años en nuestro
análisis. Tomamos la proporción de población de estos tres grupos entre los
mayores de 20 años de edad a partir de los datos de población de BLS para 2019,
estableciendo Ny á 0,53, Nm a 0,26, y No a 0,21. En nuestra línea de base, asumimos
la misma ganancia per cápita para los grupos jóvenes y de mediana edad, que
normalizamos estableciendo wy á wm á 1. 25 Sobre la base del hecho de que sólo el
20% de los mayores de 65 años de edad están empleados, y sus ganancias semanales
promedio a tiempo completo, fijamos wo a 0,26. Fijamos ξ 0,7, lo que implica que
trabajar desde el hogar resulta, en promedio, en una pérdida de productividad del 70%.
productivity. Este número es chosen de modo que un bloqueo de todo el año de todos
los trabajadores no esenciales conduciría a una disminución de aproximadamente el
50% del PIB. También está en el estadio de los números sugeridos en Dingel y Neiman
(2020).
Al igual que en Alvarez, Argente y Lippi (2020), en nuestra calibración de 0,7
línea de base establecemos L¯
cuando consideramos políticas uniformes, reflecting la necesidad de esenciales
services, y establecer L o - 1 y L- j - 0.7 para los otros groups al considerar las
-
políticas targeted. En nuestra línea de base, suponemos que hay un 10% de
probabilidad de que un individuo infectado esté aislado, un número
unos pocos puntos porcentuales superior a la probabilidad del 6,6% de hospitalización para
un
24
Otro factor del que podría depender las políticas específicas es la presencia de morbilidades, que han
demostrado dar lugar a necesidades de mortalidad y UCI significativamente mayores.
25
De las estadísticas de BLS, los trabajadores a tiempo completo de mediana edad tienen un 12% más
de ingresos semanales más altos, pero tienen un 13% menos de probabilidades de ser empleados que los
jóvenes. La proporción de trabajadores que trabajan a tiempo completo frente a tiempo parcial es
aproximadamente igual en los dos grupos.
COVID-19 caso implicado para los EE.UU. por las suposiciones en Ferguson et al.
(2020). Por lo tanto, establecemos el valor dej τj j a j a 0,1, lo que implica que la
probabilidad de no aislar a un individuo infectado es ηj de j ≡ á 0,9 para todos los
grupos. (En la sección 5.3, consideramos el efecto de las disminuciones en el valor de
gracias a la identificación y el aislamiento de los infectados por síntomas, pruebas o
rastreo.) Como en Alvarez et al. (2020), para nuestra línea debase, asumimos que hay
una identificación perfecta de aquellas personas que se han recuperado y se les permite
volver a trabajar evitando los bloqueos, de modo que el número j 1. Este caso es de
interés porque la emisión de tales permisos de "tarjeta de inmunidad" para el trabajo es
claramente eficiente en el modelo. Sin embargo, puede no ser realista si las pruebas son
limitadas, así como el hecho de que hay muchos problemas éticos y prácticos que
resolver. Por lo tanto, también consideraremos lasuposición opposite, de modo que los
recuperados no se identifican o tratan de manera diferente, y están sujetos a los mismos
bloqueos que todos los demás, j j á 0.
Elegimos el número 1/18 para que un caso COVID-19 llegue a una conclusión,
ya sea con el individuo recuperándose o muriendo, en 18 días en promedio.
Para la naturaleza de las interacciones comenzamos suponiendo que hay
un único grupo en el que todos aquellos que no están efectivamente bloqueados
(compartir (1 o L j ) de cada grupo j) interactúan. En nuestra línea de base, fijamos
el valor de 0,75 y examinamos otros valores de la unidad en nuestro análisis de robustez.
Parametrizamos las interacciones entre grupos de la siguiente manera:

1 i a j
• ρ Yo ƒ j,
ij ij

y en nuestra línea de base fijamos el número 1. 26 A continuación, en la subsección

5.2,consideramos el caso en el que se reduce la coincidencia entre grupos, de modo que
el valor de < 1, un escenario que facilita la protección de los ancianosen un
bloqueoespecífico.
Fijamos el valor de 0.134, reflejando un valor reproductivo básico de R0 a 2,4 sin
medidas de distanciamiento y aislamiento, 27 que es el valor de línea de base utilizado
en Ferguson et al. (2020).
Tomamos de Ferguson et al. (2020) las tasas de letalidad de los gruposde edad,
, d condicionados a qued) se disponga de servicios de infección δd e UCI, que
denotamos por (
y m o
y resumir en el Cuadro 1. Para los grupos jóvenes y de mediana edad, estas cifras
26
La actividad social puede ser más probable dentro de los grupos de edad en función de la
similitud de los intereses, pero también podría ser mayor entre los grupos de edad si, por ejemplo,
hay hogares multigeneracionales. En los Estados Unidos, el primero parece ser la dirección más
probable. Sin embargo, dada la falta de datos fiables sobre estas cifras, no introducimos esta
heterogeneidad en nuestra línea de base, sino que exploramos los efectos como una extensión de nuestro
análisis.
Se puede
R0 β/ considerar el número de nuevas infecciones generadas en un día por un solo individuo
infeccioso cuando el resto de la población es susceptible.
 Tasa de mortalidad del grupo de edad
20- 0.001
49
50- 0.01
64
65 0.06
+
Tabla 1: Tasa de mortalidad por infección por COVID-19.

igualar las tasas de mortalidad que derivamos de los datos recientes de Corea del Sur,
un país con una amplia capacidad de UCI en relación con las necesidades y las
pruebas generalizadas (y, por lo tanto, esperemos relativamente poca selección de los
más gravemente enfermos entre los probados). 28 Sin embargo, para los mayores de 70
años, los datos de Corea del Sur otorgan una tasa de mortalidad más alta que la
utilizada por Ferguson et al. (2020). Dadas las tasas de mortalidad aún más bajas para
las cohortes más antiguas del crucero Diamond Princess, utilizamos tasas de
mortalidad cercanas a Ferguson et al. (2020) para las edades de 65 años como
nuestra línea de base y luego verify la robustez de nuestros resultados a las tasas
coreanas. Para igualar las tasas de mortalidad de casos condicionadas a la infección
que se muestran en el Cuadro 1,, fijamos tasasd de mortalidad diaria base
La UCI necesita para los diferentes grupos en:m d a δd 0,001á/ιj, dγ/ι , 0,01, y δd , 0,06o/oo.
y m o
Finalmente Nosotros Modelo el Efecto De el Población Infección Tasa En Mortalidad
pendiente Para Limitada Uci Capacidad Por Asumiendo ese Uci Necesidades Son
Proporcional Para el Mortalidad Tarifas En Mesa 1Ajuste ιj = σδd para algún parámetro
J
Σ > 0. Nosotros Establecer Σ = 0.0076 basado en el Fracción
infecciones que requieren atención de la UCI por edad utilizada en Ferguson et al. (2020),
ajustado para el
estructura de la población estadounidense, y la suposición de que 10 días de la duración
media de los casos de 18 días para las personas infectadas se gastan en la UCI. 29 Por lo
tanto, la UCI needs en Hora T Son H(t) = (0.0076) ∑k δd Yok(t)Dónde
K

δdJ (t) = δdJ · [1 + λH(t)].

eso Es Difícil Para Saber Cómo Alto Mortalidad Tarifas Sería Ir Si Uci Necesidades
Masivamente Excedido Disponible Capacidad.Un. En nuestra línea de base, establecemos Λ
−1 K
= (0.0076) ∑k δd Nk , implicando que CuandoΣ
hay una tasa uniforme de infección del 10% para los tres grupos, las tasas de
mortalidad son 1,1 veces las tasas de mortalidad base. Examinamos una mayor
penalización por mortalidad en nuestros controles de robustez.
 Establecemos que la vida laboral restante de los tres grupos al morir sea ∆y 32,5o ×
365, ∆m a 10 x 365, y ∆o a 2,5 x 365.
on 28Utilizamos muertes por edad específica notificadas el 11 de abril y divididas por el
número total de casos específicos de edad notificados 18 días antes. Los datos están
disponibles en los comunicados de prensa en coreano de la Sede Central coreana de Control de
Enfermedades y la Sede Central de Gestión de Desastres: http://ncov.mohw.go.kr/
tcmBoardList.do?brdId-3
29
Tanto Ferguson como otros. (2020) y los datos coreanos, que informan de las cifras de casos activos
"críticos" y "graves" actuales, respaldan la suposición de que las necesidades de la UCI para diferentes
grupos de edad son proporcionales a las tasas de letalidad de casos.
 Finalmente, en nuestra línea de base tratamos la hora de llegada de la vacuna, T,
como determinista. Hemos experimentado con algunas especificaciones, incluyendo
incertidumbre, como las tasas de llegada de Poisson con tiempos de llegada medios de
1 o 1,5 años, y los resultados son muy similares. 30 Preferimos los tiempos de llegada
deterministas como nuestra línea de base, ya que estos facilitan la interpretación de
nuestra solución. Por ejemplo, con T determinista es más fácil juzgar si la solución está
tratando de evitar infecciones y aguantar la vacuna o renunciar a esto y buscar
inmunidad de rebaño antes de su llegada. Específicamente, suponemos que una vacuna
llegará en un año y medio, y así establecer T a 548 días.

Método computacional. El problema de planificación equivale a un problema de

control óptimo sobre el horizonte t ∈ [0, T]. Hay nueve variables de estado:
(Sj(t), Ij(t), Rj(t)) para j , m, o. En el caso de las políticas uniformes hay un control,
Lj (t ) á L(t), mientras que con las políticas semi-objetivo hay dos controles Loy(t) y L y
(t) á L((t), y con las políticas totalmente dirigidas, tres controles, Lo(t),Lm(t) y Ly(t). o
Discretizamos el problema a intervalos de tiempo semanales y luego minimizamos
la suma de los costos económicos sujetos a restricciones y leyes de movimientos
centradas en la economía o en seguridad para encontrar el valor inicial óptimo de los
bloqueos y sus cambios incrementales durante cada semana. La solución se encuentra
mediante un método de programación no lineal llamado IPOPT (W-chter y Biegler,
2006), que implementa una solución de punto interior algo- rithm. Confiamos en una
interfaz APMonitor-Gekko para formular y pasar el problema de optimización a la
IPOPT (Hedengren et al. , 2014; Beal et al. , 2018). Al igual que con cualquier técnica de
solución numérica no exhaustiva, se debe considerar la posibilidad de que la so- lución
converja a máximos locales que no son máximos globales. Para explorar esta
posibilidad, iniciamos las rutinas con diferentes secuencias iniciales control, pero nunca
encontramos situaciones en las que la solución dependía de estas condiciones iniciales.

5 Políticas óptimas
En esta sección presentamos nuestros principales resultados cuantitativos para los
valores de parámetros de referencia descritos en la sección anterior. Através de la
nube, nuestro enfoque principal es la comparación entre las compensaciones
presentadas por las políticas uniformes óptimas (donde los tres grupos de edad se
tratan simétricamente), políticas óptimas semi-objetivo (donde el grupo de edad
más antiguo se trata de manera diferente que los grupos jóvenes y de mediana edad) y
políticas óptimas totalmente dirigidas (donde los tres grupos de edad se tratan
diferencialmente). Resumimos estas
 30
También hemos experimentado con una especificación de Poisson con un tiempo medio de llegada
l de1-1,5 años y no altera sustancialmente los resultados cuantitativos que se presentan a continuación.
 PDV de pérdida económica en fracciones del PIB
PDV de Pérdida Económica vs Fatalidades
0.5
Política uniforme
Política semi-objetivo

0.4 Política dirigida

0.3

0.2

0.1

0.0
0.000 0.005 0.010 0.015
Fatalidades como Fracción de Adt. Población
Base: Resultados para 0,75 ,2 , 1, 0,9, T a 546

Figura 5.1: Fronteras de pérdida de salida frente a muerte para la especificación de

línea de base. Las tres fronteras representan diferentes niveles de segmentación.

con las fronteras entre las vidas perdidas y los daños económicos (como en la Figura 1.1
de la Introducción). El enfoque en las fronteras (en lugar de una sola política "óptima")
está motivado por el desacuerdo entre los encargados de la formulación de políticas, los
estudiosos y los miembros del público sobre el valor exacto de la vida en relación con
otros objetivos económicos y sociales, y because fronteras resumen las mejores opciones
de política y proporcionan una mejor idea de la gama de mejoras que permite la
focalización. El mensaje principal de nuestros resultados de referencia en la próxima
subsec- ción es que la focalización tiene grandes beneficios en términos de vidas
salvadas y reducidas daños económicos, y curiosamente, la mayoría de estos
beneficios se pueden lograr con las políticas semi-objetivo. El resto de la sección se
dirige a otras intervenciones (no farmacológicas), cuyo análisis es posible o
enriquecido por nuestro model con múltiples grupos deriesgo. En primer lugar,
introducimos y estudiamos las implicaciones del "distanciamiento en grupo" (que
implica un distanciamiento social adicional entre grupos de edad). A continuación,
analizamos los efectos de las pruebas y el seguimiento, con o sin distanciamiento en
grupo. También discutimos el papel de la tecnología de emparejamiento y cómo cambia
la hora de llegada de la vacuna. We Terminamos la sección con un bate de
controles de robustez, confirmando los patrones amplios que tanto hemosenfatizado, en
particular, las mejoras sustanciales en la salud pública y los resultados económicos
debidos a la orientación.

1.0 0.8 0.6 0.4

 Política de Tasas de infección
0.2 bloqueo 0.150

y
M
0.125
o

0.100

0.075

0.050

0.025
 y

Resulta M
dos o
Pérdida 0.3735
económica
Adt. Pop. 0.002
Muertes
Tasa de 0.0001
fatalidad Y
Tasa de 0.0013
fatalidad M
O Tasa de 0.0076
Fatalidad

0.0
0.000
0 200 400 0 200 400

Base: Política Uniforme de SF para 0,75 s 2,0 a .9 a 1,0 =

Figura 5.2: Política uniforme óptima para los parámetros de referencia que alcance el
objetivo "centrado en la seguridad" de limitar la tasa de mortalidad de la población a no
más del 0,2%.

5.1 Resultados básicos

La Figura 5.1 describe la frontera entre las vidas perdidas y los daños económicos en el
marco de políticas diferentes. Usamos los valores de parámetro de línea base
introducidos en la sección anterior. A saber, establecemos el número 2, de modo que la
tecnología de coincidencia sea cuadrática; 1 para que, a falta de bloqueos diferenciales,
los individuos coincidan conlos miembros de su grupo y de diferentes grupos a la
mismavelocidad; = 0,75 para todos los grupos, de modo que se desobedezca un
bloqueo completo un cuarto de tiempo; ξ 0,70 euros, de modo que los trabajadores
pierdan en promedio el 70% de su producto cuando están bajo bloqueo; 0,9, de
modo que sólo el 10% de las personas infectadas terminan aislados en el nivel de línea
de base; y T a 548, de modo que la vacuna llegará en un año y medio. A lo largo de
todo, tomamos las condiciones iniciales del sistema dinámico para ser 98% susceptible,
1% infectado y 1% recuperado dentro de cada grupo. A continuación, trazamos la
frontera entre las muertes totales por la pandemia y sus daños económicos totales. 31
Como en la figura
1.1 En la Introducción, el punto de dicha en esta figura es el origen, donde no hay vidas
perdidas (ex- cess) y no hay daños económicos. La curva Each en la figura
representa la frontera resultante de una clase diferente de políticas: la frontera superior
(roja) es para políticas uniformes, luego debajo de ella tenemos la frontera (verde) para
las políticas semi-objetivo, y ligeramente por debajo de esto (en azul) es el nivelde
laspolíticas totalmente dirigidas. La forma convexa de las fronteras representa una
disminución de los retornos a la consecución de un objetivo a expensas del otro.

31
En la práctica, calculamos políticas óptimas para once puntos a lo largo de la frontera e interpolamos
entreellos.
 El mensaje principal de la curva roja de la Figura 5.1 es claro. La compensación
a la que se enfrentan los responsables políticos cuando el menú de opciones se limita a
políticas uniformes es bastante sombrío. En el caso de los exámenes, los responsables de
la formulación de políticas que priorizan las vidas salvíficas podrían tener como
objetivo mantener la mortalidad total de COVID-19 a menos del 0,2% de la población
(adulta). 32 Esta política uniforme óptima "centrada en la seguridad" se describe en la
Figura 5.2 y requeriría un bloqueo que permanecía en vigor de alguna forma hasta la
llegada de la vacuna. 33 Este bloqueo de lengthy tiene costos económicos significantes.
hy lockdown has signifi- cant Los daños económicos de estas políticas uniformes
óptimas ascienden al 37,3% del PIB de un año (el 36,3% de esta pérdida es en términos
de pérdidas actuales y el 1% se debe a la contribución productiva pasadade los
quemueren debido a la pandemia). Las pérdidas y muertes económicas que resultan
de esta política también están representadas por el punto más del noroeste que
mostramos en la frontera política uniforme. En este caso, cabe destacar varios puntos
sobre la forma de una política óptima. En primer lugar, de acuerdo con nuestro
resultado de r ag- gregación (y debido a la suposición de que las tasas de infección
son simétricas entre los grupos de riesgo bajo políticas uniformes), las tasas de
infección para los tres grupos de edad están uno encima del otro en el segundo
panel de la Figura 5.2 . Sin embargo, la tabla en la parte superior derecha de la figura
muestra que las tasas de mortalidad son mucho más altas para el grupo más antiguo, lo
que refleja su granvulnerabilidad a lainfección. En segundo lugar, la trayectoria
temporal de la tasa de infección en forma de U inversa, típica en los modelos SIR,
alcanza su punto máximo en aproximadamente un mes y medio y disminuye
lentamente a partir de entonces. En tercer lugar, el comportamiento de la tasa de
infección revela quela política de "esperar la vacuna" es "esperar a la vacuna", ya que no
conduce a la inmunidad del rebaño contra el virus. Esto se puede observar en el hecho
de que cuando se levanta el bloqueo poco antes de la llegada de la vacuna, las
infecciones comienzan a aumentar de inmediato(sólo para ser bajo control de la
vacuna). Este último punto se ilustra además en la Figura A.1 del Apéndice, que
describe la evolución de la proporción de susceptibles en la población y la tasa de
reproducción del virus en el marco de la política uniforme óptima centrada en la
seguridad.
Podemos contrastar esta política óptima centrada en la seguridad con otro punto en
la frontera con prioridades muy diferentes: una política uniforme óptima "centrada en
la economía", que limita

32
Una tasa de mortalidad del 0,2% sigue siendo muy alta. Sin embargo, como veremos, sin pruebas y
rastreos sistemáticos, incluso esta política conduce a pérdidas económicas muy considerables. Esto
motiva nuestra elección del 0,2% como punto de referencia para el enfoque de la seguridad.
 33
Esta política seríaóptima, alternativamente, si asignéramos un "valor de la vida estadística"
(costo de una muerte), incluidos los costos económicos y no pecuniarios (psíquicos/emocionales),
equivalentes a $2.8 millones. Dados los 8,66 años de vida promedio perdidos por una muerte
bajo una política uniforme, este costo de una muerte implica un costo por año de vida
perdido de $306,000. A modo de comparación, las Directrices de la Agencia de Protección
Ambiental para la Preparación de Análisis Económicos sugieren un valor de vida igual a 9,4
millones de dólares cuando se actualiza a la antes de la 2020. A una tasa de interés real anual
del 3% y una esperanza de vida de 40,3 años para la persona mediana en los Ee.UU., este valor de la
vida implica un valor por año de vida de $402,000. En contraste, el ejército estadounidense parece
poner un valor más bajo, pagando una muerte total benefit de $100,000
(https://myarmybenefits.us.army.mil/https://myarmybenefits.us.army.mil/ Benefit-
Library/Federal-Benefits/Death-Gratuity-).
Política de Tasas de infección
1.0 bloqueo 0.150
Resultados

0.125 e
Pérdida
0.8 y
M
y
o conó M
0.100 mica0,o
0.6 1

0.075 Adt. El

padre.
0.4 Fatalidades
0.050 0.0105

Tasa de
0.2
0.025 mortalidad

Y0.0007
0.0 M Tasa de
0.000
Fatalidad
0 200 400 0 200 400 0.0067

O Tasa de
Base con EF:: Política Uniforme de EF para 0,75 s 2,0 a .9 a 1,0
Fatalidad
=

0.04

Figura 5.3: Política uniforme óptima para los parámetros de referencia que alcance el
objetivo "centrado en la economía" de limitar las pérdidas económicas a no más del 10
por ciento del PIB de un año.

económica a no más del 10% del PIB de un año. 34 Esta directiva se muestra en la Figura
5.3. En este caso, una fracción significativamente mayor de la población, alrededor
del 0,83%, perecerá a causa de la enfermedad. 35 También vale la pena señalar que, a
diferencia de la política de un uniforme óptimo centrada en la seguridad, la política
centrada en la economía se aplica a la "inmunidad de rebaño", con un bloqueo más
corto que, sin embargo, aplana significativamente la curva de las infecciones (lo que es
beneficioso parar evitar la abrumadora capacidad de la UCI, como se ha discutido en
la sección anterior). Las infecciones ahora alcanzan un máximo de un nivel más alto,
alrededor del 9%, pero también disminuyen a cero y nunca muestran un repunte
adicional. Esto se debe a que la propagación más rápida del virus conduce a la manada
yincluso antes de la vacunación a granescala.
Nuestro resultado principal se puede obtener comparando la frontera para
políticas uniformes óptimas con la de políticas semi-objetivo óptimas, que se muestran
en verde en la Figura 5.1 . Por ejemplo, en el caso del objetivo centrado en la
seguridad, cuyo objetivo es mantener la mortalidad total del virus a menos del 0,2%,
una política semi-objetivo reducelas pérdidas económicas del 37,3% mencionado
anteriormente al 24,9% (23,3% de esta próxima en forma de disminución del PIB actual).
La forma de la política óptima semi-orientada a la seguridad se describe en la Figura
5.4 y tiene una serie de diferencias notables con respecto a la política de uniforme
óptimo centrado en la seguridad. La mayoría

34
El valor de un año de vida que justificaría la política centrada en la economía, calculada de la misma
manera que en la nota anterior, es de 139.000 dólares en comparación con los 306.000 dólares de
lapolítica centrada en laseguridad.
35
Subrayamos que esto es diferente de la política de "no encierro", que conduciría a más muertes,
tal vez hasta el 6,5% de la población, aunque este número es probablemente un sobreestimado
porque, cuando no hay bloqueos obligatorios, los individuos adoptarían una serie de medidas de
distanciamiento social voluntarias, reduciendo la tasa de reproducción del virus y las infecciones.
Política de Tasas de infección
1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025

yM

M
o
 Resulta
0.0 dos
0.000
Pérdida 0.2485
económica
0 200 400 0 200 400
Adt. Pop. 0.002
Muertes
Tasa de 0.0003
fatalidad Y Base: SF Política semitargeted paras 0.75
? 2.0 - .9 - 1.0 =

Tasa de 0.0026
fatalidad M
Figura 5.4:OFatalidad
Política
Tasa de semiacu
0.0057 dirigida óptima para los parámetros de referencia que
alcance el objetivo "centrado en la seguridad" de limitar la tasa de mortalidad de la
población a no más del 0,2%.

es importante destacar que el bloqueo es muy estricto en el grupo de edad avanzada y

mucho menos estricto para el resto de la población, cuyo bloqueo disminuye más
rápidamente y termina antes que en la política óptima y uniforme centrada en la
seguridad. policy. También es notable la trayectoria temporal de las infecciones. La
política óptima semi-dirigida centrada en la seguridad espera la vacuna para el
grupo más viejo (que está encerrada hasta la llegada de la vacuna) y parcialmente
para el resto de la población (cuya curva se aplana de nuevo tanto que para el
momento en que llegan las vacunas, todavía no hay inmunidad de rebaño en toda la
población, como se puede ver desde el repunte de las infecciones justo antes de la
vacuna). Finalmente, en comparación con el patrón bajo políticas uniformes óptimas, la
tasa de infección del grupo 65+ alcanza un pico más pequeño, porque están protegidos
por su bloqueo más estricto. En particular, sin embargo, todavía estáninfectados por
los jóvenes y los de mediana edad, ya que nuestra elección de parámetro de 0,75
implica que están en contacto no demasiado poco frecuente con estos grupos más
jóvenes. Esta es, de hecho, la razón por la que la política óptima semi-dirigida en
este caso mantiene el young y el de mediana edad bajo un cierre relativamente largo,
como una forma de proteger lo viejo. 36
La Figura 5.5 se centra en la política óptima semiacu dirigida para lograr el
objetivo centrado en la economía de mantener las pérdidas económicas a menos del 10
por ciento del PIB de un año. GDP. Esta política logra resultados de salud pública
mucho mejores que la política uniforme óptima centrada en la economía, que
condujo a una tasa de mortalidad adulta del 1,05%. En su lugar, ahora tenemos una
mor-

36
Una estrategia aún más "prioritariamente de la seguridad" sería tomar todos los beneficios de la
focalización en forma de reducción de la mortalidad (manteniendo los daños económicos en el 37,3%). Si
los responsables de la formulación de políticas aplicaron esta estrategia, las políticas semi-específicas
podríanreducirse a la mortalidad al 0,036%.
Política de bloqueo
1.0 0.6 0.2

0.8 0.4
 Resultados

e
Pérdida
y
conó M
mica0,o
1

Adt. El

padre.
Tasas de infección
0.150 0.100 0.050 Fatalidades
0.0048

Tasa de

0.125 0.075 0.025 mortalidad

y
M
o
Y0.0006
0.0 M Tasa de
0.000
Fatalidad
0 200 400 0 200 400 0.006

O Tasa de
Base con EF:: Política semitargeted de EF para 0,75 , 2,0 , .9, = 1,0,
Fatalidad =

0.0138

Figura 5.5: Política semiacuiente óptima para los parámetros de referencia que alcance
el objetivo "centrado en la economía" de limitar las pérdidas económicas al 10 por ciento
del PIB de un año.

tasa de talidad —0.48%— porque el cierre más estricto en el grupo más viejo los protege
parcialmente de las infecciones. Dicho de otra manera, las políticas semi-objetivo en
este caso pueden salvar 1,37 mil- león ( á (0.0105-0.0048)-241,000,000) vidas
adicionales en relación conlas políticas óptimas dedes iform mientras se logra la misma
pérdida económica. Vale la pena señalar que, al igual que las políticas uniformes
centradas en la economía, las políticas óptimas semi-orientadas en este caso también
van por la inmunidad del rebaño, pero con un matiz— esta inmunidad del rebaño se
logra principalmente con lasinfecciones de los jóvenes y los de mediana edad, mientras
que el grupo más vulnerable de edad avanzada se mantiene bajo control. La inmunidad
del rebaño también explica por qué al grupo mayor se le permite salir de su encierro
gradualmente a partir de aproximadamente un año.
Un resultado sorprendente,menos importante en relación con nuestras expectativas
iniciales, es que las políticas totalmente orientadas que tratan a los jóvenes y a los de
mediana edad tienen un desempeño esencial y semi-objetivo. Esto se puede ver en
el hecho de que la curva azul en la Figura 5.1 es casi indistinguible de la curva
verde (para las políticas semi-objetivo). La razón es que el tratamiento asimétrico de
los jóvenes y los de mediana edad genera ganancias mucho menores que las
derivadas de la protección de los más vulnerables con el estricto bloqueo en el
grupo de edad mayor y con el aplanamiento moderado de la curva de infección
entre el resto de la población. Sin embargo, la The forma de políticas óptimas
totalmente orientadas es algo diferente de las de las políticas semicidas óptimas. Esto
se muestra en la Figura 5.6 para las políticas totalmente orientadas a la seguridad y
destaca que los de mediana edad, que tienen tasas de mortalidad más altas por el virus
que el young, se someten a un bloqueo más estricto y más largo. Los números en la
tabla en la esquina superior derecha de la figura muestran que

1.0 0.8 0.6 0.4

 Política de Tasas de infección
0.2 bloqueo 0.150

0.125

0.100

0.075

0.050

0.025

yM y
o M
o
 Resulta
0.0 dos
0.000
Pérdida 0.2443
económica
0 200 400 0 200 400
Adt. Pop. 0.002
Muertes
Tasa de Base:
0.0003 Sf Targeted Policy para s0.75 á 2.0 á .9 - 1.0 =

fatalidad Y
Tasa de 0.0023

Figura 5.6: Políticas 0.006

fatalidad M
O Tasa de
específicas óptimas para los parámetros de línea de base y
"SeguridadFatalidad
-Primera" en la frontera.

hay cierta mejora con respecto a la política óptima semicértica centrada en la seguridad
en este caso, pero esta mejora es pequeña.
Una pregunta es si los estrictos bloqueos a la antigua política totalmente dirigida son
principalmente el resultado de su mayor tasa de mortalidad o de su menor
participación económica. Para arrojar luz sobre esta cuestión, consideramos un modelo
extendido con cuatro grupos.. En particular, separamos a los antiguos en dos grupos,
los ancianos jubilados, que no tienen ninguna contribución económica (que representa
alrededor del 80% de los antiguos), y los ancianos, que tienen la misma productividad
que los jóvenes y los de mediana edad (que conforman el 20% restante del 20% de
los ancianos). Tomamos las tasas de mortalidad de los ancianos jubilados y los
ancianos trabajadores para que fueran iguales con el fin de hacer que los dos grupos
fueran idénticos, excepto por sus oportunidades económicas (y así aclarar la fuente de
nuestros resultados en una manner mástransparente). La Figura 5.7 describe la política
óptima semi-dirigida centrada en la seguridad, que trata a los jóvenes y a los de
mediana edad simétricamente, pero aplica bloqueos diferenciales a los trabajadores
ancianos y antiguos, y por lo tanto es más útil para aclarar la forma de nuestras
políticas óptimas semi-orientadas. La cifra confirma que la principal fuente del
tratamiento asimétrico de los grupos más viejos y jóvenes es su susceptibilidad
diferencial al virus, los quetrabajan, que tienen las mismas oportunidades económicas
que los jóvenes y los de mediana edad, se mantienen bajo un bloqueo completo como
los ancianos jubilados en la política centrada en la seguridad y bajo un bloqueo
relativamente largo, llegando a su fin sólo después de un año, en la política de enfoque
ecológico. policy.
A continuación, exploramos otro punto en la frontera, que prioriza salvar vidas más
 Política de Tasas de infección
1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025
 Resulta
dos
Pérdida 0.2351
económica
Adt. Pop. 0.002
Muertes
Tasa de 0.0003
fatalidad Y
Tasa de 0.0026
fatalidad M
O Tasa de 0.0057
Fatalidad
y y
O Tasa de 0.0057
fatalidad M M
o o

0.0
O O

0.000
0 200 400 0 200 400

4G: SF Política semitargeted para 0,75 s 2,0 , .9 , 1,0

Política de Tasas de infección

1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050
y

0.2 M
o
0.025
O
 y

M
o
Resulta
0.0
O
dos
0.000
Pérdida 0.1
económica
0 200 400 0 200 400
Adt. Pop. 0.0043
Muertes
Tasa de 0.0005
4G: Política semitargeted de EF para 0,75 , 2,0 , .9, 1,0,
fatalidad Y
Tasa de 0.0054

Figura 5.7:O Políticas

fatalidad M
Tasa de
semi-orientadas
0.0123
óptimas con cuatro grupos: "Enfoque de seguridad"
(arriba) y "Enfoque
Fatalidad
O Tasa de
económico"
0.0123
(abajo).
fatalidad
 Política de Tasas de infección
1.0 bloqueo 0.150
Resultados
Pérdida económica0,4489
0.125
0.8
Adt. El padre. Fatalidades0.0005

0.100
0.6 Y Tasa
O Tasa de
de fatalidad 0.0 0.0019
Fatalidad
0.075 de
M Tasa
0.4
0.050 Fatalidad0.0003
0.2 y
0.025
y
M
M
o
o
0.0
0.000
0 200 400 0 200 400

RC FR.05%: Política Uniforme de SF para 0.75 a 2.0 a .9 a 1.0

Política de Tasas de infección

1.0 bloqueo 0.150
Resultados
0.125 Pérdida 0.3699
0.8 económica

Adt. El padre. Fatalidades0.0005

0.100
0.6 Tasa de mortalidad Y0.0001

0.075 de
M Tasa

0.4 Fatalidad0.0006
0.050

0.2 de
O Tasa
0.025
y
Fatalidad0.0015 y

M
M

0.0 o
o

0.000
0 200 400 0 200 400

RC FR.05%: Sf SemiTargeted Policy para s 0.75 ? 2.0 á .9 - 1.0 =

Figura 5.8: Políticas uniformes y semi-objetivos óptimas para un punto de seguridad en

la frontera (con parámetros de referencia), logrando una mortalidad adulta del 0,05%.
 PDV de Pérdida Económica vs Fatalidades
0.5

PDV de pérdida económica en fracciones del PIB

Política
uniforme
Política semi-
0.4 Política semi-
objetivo
Política
objetivo

unifo
0.3
rme
0.2

0.1

0.0
0.00 0.01 0.02
Fatalidades como Fracción de Adt. Población

TestModel Params: 0,75 , 2, 1, 0,8, T a 546

Figura 5.9: Las fronteras uniformes y semi-objetivo óptimas cuando se recuperan no

pueden probar inmunidad o evitar bloqueos (líneas discontinuas) y líneas de base
donde pueden (sólidos).

fuertemente que nuestra estrategia centrada en la seguridad. Esta estrategia, que

denominamos "en primer lugar" de seguridad, tiene como objetivo mantener la
mortalidad general (adulta) por debajo del 0,05%. La Figura 5.8 muestra las directivas
de forma uni y semi-objetivo asociadas. Los bloqueos son ahora mucho más graves,
permaneciendo en niveles altos y cayendo lentamente hasta el final, justo antes de que
llegue la vacuna y la cura. Con políticas uniformes, las menorestasas de infección ymor
talidad tienen un costo eco-nomico más alto del 45% (como una fracción del PIB de un
año). Una vez más, sin embargo, las políticas específicas pueden mejorar
significativamente estos resultados. Por ejemplo, con una política semi-orientada
óptima, se puede alcanzar el mismo objetivo de mortalidad con daños económicos que
ascienden al 37% del PIB de un año.
Por último, exploramos las implicaciones de relajar la suposición de que los
individuos previamente infectados y ahora recuperados son identificados como tales y
se les permite trabajar, concluidos de cualquier encierro. La Figura 5.9 muestra la
parametrización baseline, pero estableciendo el valor dej á 0, por lo que los agentes
recuperados se tratan igual que el resto de la población y no pueden evitar los bloqueos.
Esto hace que los bloqueos sean más costosos, especialmente más adelante en la
epidemia. La Figura 5.9 confirma que las fronteras en este caso(mostradas con curvas
sólidas) son
lejos del origen que nuestras fronteras de línea de base (mostradas con líneas
discontinuas) donde los recuperados podrían probar su inmunidad. Sin embargo, la
cifra también confirma que las políticas semi-objetivo todavía superan
significativamentelas políticas uniformes óptimas.
En general, nuestros principales resultados muestran que los equilibrios entre las
vidas perdidas y los daños económicos de la pandemia se mejoran
significativamente cuando consideramos las políticas específicas y la mayoría de los
beneficios se pueden lograr con políticas simples semi-objetivosque aplicanbloqueos
más estrictos al grupo más antiguo y más vulnerable. non- A continuación,
demostramos que hay ganancias aún mayores cuando las políticas de bloqueo
semicido se combinan con otras
 PDV de pérdida económica en fracciones del PIB
PDV de Pérdida Económica vs Fatalidades
0.5
Política uniforme
Política semi-objetivo

0.4 Política dirigida

0.3

0.2

0.1

0.0
0.000 0.005 0.010 0.015
Fatalidades como Fracción de Adt. Población
Base con GD: Resultados para , 0,75 ,2 , 0,7, 0,9, T a 546

Figura 5.10: Frontera de la pérdida de producción frente a la muerte con mayor

distanciamiento de grupo, = 0,7o, intervenciones farmacológicas.

5.2 El papel del distanciamiento de grupos

Nuestro modelo con múltiples grupos de riesgo permite una investigación de las
implicaciones de las poli- cíces que reducen las interacciones entre grupos. Este tipo de
medidas de "distanciamiento de grupos" son particularmente importantes junto con
políticas específicas, porque, como hemos adoptado en fase, las personas mayores
se infectan por sus interacciones con los jóvenes y los de mediana edad, incluso cuando
están bajo un estricto bloqueo. Recuerde que nuestra param- eterización basal asumió
la tasa de contacto social e infección, sin bloqueos, para ser el mismo entre grupos,
resumido con la tasa deinfección. Una alternativa natural es suponer que las
coincidencias entre grupos se pueden reducir, por ejemplo, en una fracción de 1o, − de
modo que la tasa de infección de las coincidencias entre grupos se reduzca a .. Nuestra
baseline parameteriza- tion es el caso con el número 1. Existen varios instrumentos de
política para lograr tales reducciones, incluidas las intervenciones basadas en normas
(para que las personas visiten a sus parientes mayores menores de diez) o
intervenciones basadas en la ley (por ejemplo, designar a ancianos-sólo horas en
supermercados y farmacias o restringir quién puede visitar y trabajar en residencias de
ancianos). pharmacies or restricting who can visit and work in nursing 37
30% La Figura 5.10 muestra la frontera entre las vidas perdidas en daños
económicos bajo políticas uni- formas, semi-objetivos y totalmente dirigidas cuando

el número
de 0,7, lo que implica una reduc-
37
Con nuestra tecnología de emparejamiento cuadrático de referencia, cualquier cambio en la
coincidencia entre grupos influ- ence el número total de partidos y lo hará de manera que dependa del
tamaño del grupo. Con las intervenciones que tenemos en mente, creemos que este es el tipo correcto de
variación a considerar, aunque debe tenerse en cuenta que un número reducido de partidostambién
disminuirá gravemente las tasas de infección.
en las interacciones entre el grupo de edad avanzada y el resto de la población
en relación con to la línea de base. El mensaje principal es el mismo que en la
subsección anterior: hay una mejora sig- nificant cuando se pasa de políticas
uniformes a políticas semi-objetivo, evidenciado por el cambio considerable de la
frontera de rojo (uniforme) a verde (semi-objetivo). Esencialmente no hay ninguna
mejora adicional de la segmentación completa.
Esta reconfirmación de nuestro mensaje principal a pesar de, también hay dif-
ferences notables desde la línea de base. En primer lugar, la adición de distanciamiento
en grupo aumenta las ganancias de la política de obtención de alquitrán, como se
muestra en la Figura 5.11:políticassemi-targeted centradas en la seguridad con
distanciamiento de grupo, por ejemplo, puede lograr una mortalidad del 0,2% con
daños económicos del 16,5%, una reducción de casi un tercio de las pérdidas
económicas en comparación con la política semi-objetivo óptima centrada en la
seguridad sin distancimiento de grupos. Esta figura también muestra que el
distanciamiento de grupo mejora las políticas uniformes, pero no cambia su estructura
general. En particular, en este caso sigue siendo óptimo esperar la vacuna, pero ahora el
bloqueo es menos grave porque el distanciamiento en grupo permite a los jóvenes y a
los de mediana edad volver a trabajar con menos impacto en los antiguos. Sin embargo,
la política semi-objetivo correspondiente cambia de manera notable. En primer lugar, el
bloqueo de los grupos de edad más jóvenes es ahora mucho less se- vere, alcanzando un
máximo de aproximadamente el 30% de estos trabajadores, y se levanta por completo
en poco más de un año. En segundo lugar, el grupo más antiguo se libera ahora del
encierro antes de la llegada de la vacuna, lo que se debe al hecho de que el
distanciamiento grupal protege aún mása losinfectados entre los jóvenes y los de
mediana edad.
Las políticas óptimas centradas en la economía, tanto uniformes como
específicas, son similares a las de nuestro caso de referencia, pero conducen a una
menor mortalidad. Por ejemplo, como se muestra en la Figura 5.12, la mortalidad
disminuye del 0,48% al 0,32% en la política semi-objetivo óptima.
El mensaje general de esta subsección es que, si es factible reducir las interacciones
entre los grupos de alto riesgo y el resto de la sociedad con políticas similares a las
utilizadas para el encierro, entonces las tasas de mortalidad o los daños económicos, o
ambos, pueden reducirse de manera considerado.

5.3 Los efectos de las pruebas y el seguimiento

A continuación, investigamos cómo la capacidad de probar y aislar a las personas
infectadas afecta las políticas y los resultados óptimos. Recuerde que las pruebas y el
rastreo se incorporaron a nuestro modelo en la Sección 2,peronuestro escenario de
referencia asumió que estos no se estaban utilizando, estableciendo η el valor de 0,90
para reflejar sólo que el 10% de los infectados serían aislados debido a la
enfermedad mak- ing ellos incapaces de trabajar o socializar. Ahora introducimos
pruebas y rastreo y, dadas las incertidumbres sobre la eficacia exacta de estas
medidas y la capacidad de los Estados Unidos para
 Política de Tasas de infección
1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025
y

M
o
 Resulta
dos
Pérdida 0.2777
económica
Adt. Pop. 0.002
Muertes
Tasa de 0.0001
fatalidad Y
Tasa de 0.0013
fatalidad M
O Tasa de 0.0076
Fatalidad y

0.0
o

0.000
0 200 400 0 200 400

Base con GD: Política Uniforme de SF para 0,75 s 2,0 a .9 a 0,7

Política de Tasas de infección

1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025
y

M
o
 y

M
Resulta
0.0
o
dos
0.000
Pérdida 0.1654
económica
0 200 400 0 200 400
Adt. Pop. 0.002
Muertes
Tasa de Base0.0003
con GD: SF Política semitargeted para á 0,75 s 2,0 a .9 a 0,7
fatalidad Y
Tasa de 0.0028

Figura 5.11: Políticas 0.0052

fatalidad M
O Tasa de
óptimas uniformes y semi-orientadas a la seguridad con un mayor
distanciamiento
Fatalidad de grupo de 0,7.
 Política de Tasas de infección
1.0 bloqueo 0.150

0.125
0.8 y

m
o
o
0.100
0.6
0.075
0.4
0.050

0.2
0.025
 y
Resulta m
dos
Pérdida 0.1 o
económica
Adt. Pop. 0.0032
Muertes o

Tasa de 0.0005
fatalidad Y
Tasa de 0.0044
fatalidad M
O Tasa de 0.0086
Fatalidad

0.0
0.000
0 200 400 0 200 400

Base con GD: Política semidestinada de EF para 0,75 s 2,0 , 9 , 0,7 =

Figura 5.12: Política óptima semi-orientada con un mayor distanciamiento de grupo

que logra el objetivo "centrado en la economía" de limitar las pérdidas económicas a
no más del 10% del PIB de un año.

PDV de Pérdida Económica vs PDV de Pérdida Económica vs Fatalidades

0.5 Fatalidades 0.5
PDV de pérdida económica en fracciones del PIB

PDV de pérdida económica en fracciones del PIB

0.4 Política uniforme 0.4 Política

Política semi-objetivo
uniforme
0,3 Política dirigida 0,3 Política semi-objetivo

Política
0,2 0,2
dirigida
0,1 0,1

0.0
0.0
0.000 0.005 0.010 0.015
0.000 0.005 0.010 0.015
Fatalidades como Fracción de Adt. Población
Fatalidades como Fracción de Adt. Población
0.8, Base , , , con Pruebas .8: Resultados
0.7, Base , , , con Pruebas .7: Resultados para .
para .

PDV de Pérdida Económica vs PDV de Pérdida Económica vs Fatalidades

0.5 Fatalidades 0.5
PDV de pérdida económica en fracciones del PIB

PDV de pérdida económica en fracciones del PIB

0.4 Política uniforme 0.4 Política

Política semi-objetivo
uniforme
0,3 Política dirigida 0,3 Política semi-objetivo

Política
0,2 0,2
dirigida
0,1 0,1

0.0
0.0
0.000 0.005 0.010 0.015
0.000 0.005 0.010 0.015
Fatalidades como Fracción de Adt. Población
Fatalidades como Fracción de Adt. Población
0.6, Base , , , con Pruebas .6: Resultados
Base con pruebas . 5: Resultados para 0,75, 2, 1, 0,5, T a 546

para .

Figura 5.13: Fronteras de pérdida de producción frente a muerte con pruebas y aislamiento
mejorados.
0.8 0.2

1.0 0.4
0.6
Política de
Ta
bloqueo 0.150 sa
s
0.125 y
M de
o
inf
0.100
ec
0.075
ció
n
0.050

0.025
 y

Resulta M
dos o
Pérdida 0.1389
económica
Adt. Pop. 0.002
Muertes
Tasa de 0.0003
fatalidad Y
Tasa de 0.0027
fatalidad M
O Tasa de 0.0055
Fatalidad

0.0
0.000
0 200 400 0 200 400

0.75= = Base con Pruebas: SF Política Semitargeted para .

Figura 5.14: Políticas semi-orientadas a la seguridad óptimas con pruebas y aislamiento

mejorados (.
.). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .

implementarlos, consideramos cuatro casos en la Figura η 5.13: á 0,80, á 0,70, 0,60

y 0,50. Por ejemplo, con una política en la que todos los que son sintomáticos
están aislados, terminaríamos con el valor de 0,60 euros. 38 En la práctica, el
número limitado de pruebas y las dificultades de implemen- teación pueden implicar
una menor probabilidad de aislar a las personas infectadas (y, por lo tanto, un valor
más elevado, como 0,70 o incluso 0,80, y un seguimiento exitoso del contrato podría
dar lugar a una mayor probabilidad de identificar e infectar los ns (p. ej., 0,50 euros).
Mantenemos todos los demás parámetros en los niveles de nuestra especificación base.
La Figura 5.13 presenta las fronteras uniformes y semi-objetivo para estos cuatro
valores de . A medida que aumenta la capacidad de identificar y aislar a los infectados,
las compensaciones mejoran notablemente. Cuando la Figura 5.13 muestra
quelastasas de mort ality pueden mantenerse en niveles muy bajos a costos económicos
relativamente pequeños.
La Figura 5.14 explica por qué esto es así para el caso en el que la probabilidad de
identificar y aislar al individuo infectado es igual a 0,30 o 0,70: un bloqueo corto y
limitado en los jóvenes y de mediana edad, combinado con un bloqueo todavía
bastante estricto del grupo de edad avanzada, es suficiente para mantener las
infecciones muy bajas y la tasa general de mortalidad en 0.2%, y tiene un costo
económico de sólo 13.9% del PIB.
Esta conclusión se refuerza aún más en la Figura 5.15, quepresenta las fronteras y la
forma de la política óptima semi-orientada (para el caso centrado en la seguridad)
cuando hay distanciamiento de grupo, así como pruebas de traccióncon 0,70 euros.

Gracias a la combinación de
38
Este número se basa en el siguiente razonamiento: aproximadamente el 50% de las personas
infectadas son asintomáticas y el 50% restante tarda cinco días en presentar síntomas.
0.5 0.3
mica en fracciones del PIB

0.4 0.2
 PDV de Pérdida Económica vs Política de Tasas de infección
Fatalidades 0.150
0.1 1.0 bloqueo
Política uniforme Pér Re
Adt.
did su
Política semi-objetivo
y
M 0.125 Pop.
lta
Política dirigida
0.8 a
Fatalida
eco do
o des0.00
s
2nó y
0.100 mic 0.M
Tasa de
0.6 a 07
mortali
08
dad o
0.075 Y0.0003

0.4 M

0.050 d
Tasa

0.2
0.025
e
Fat
0.0 ali
0.0 0.000
0.000 0.005 0.010 0.015
0 200 400 0 200 400 da
Fatalidades como Fracción de Adt. Población
d0.00
Base con GD+T: Resultados para ,
0,75 Dist de grupo y pruebas: SF SemiTargeted Policy para s 0.75 ? 282.0 - .7 - 0.7
2, 0,7, 0,7, T a 546
O

d
Figura 5.15: Semi-targeting óptimo con distanciamiento y pruebas de grupo.
Tasa

e
Fat
las políticas semi-objetivo de distanciamiento y seguimiento de pruebas de grupos ali
alcanzan ahora el objetivo del 0,2% de mor- talidad a un costo económico de sólo elda7%
d0.00
del PIB de un año. 52

En general, las medidas para combatir la pandemiase producen mucho más potentes
cuando las políticas de obtención de alquitrán se combinan con el distanciamiento de
grupos y la mejora de las estrategias de prueba y rastreo. Con estas herramientas, los
bloqueos relativamente cortos son suficientes para proteger la salud pública y,
naturalmente, conducen adaños onómicos ec mucho más limitados.

5.4 El papel de la tecnología de emparejamiento

Como se señala en la Introducción, nuestro modelo de referencia sigue la literatura
epidemiológica (y una serie de documentos de economía recientes) al asumir la
coincidencia cuadrática. Al igual que en otros entornos ecológicos, hay razones por
las que un gran número de individuos pueden generar conges- ción (especialmente
cuando los bloqueos extremos no están en vigor) y por lo tanto reducir elching de
esteras a tasas inferiores a las implícitas por una tecnología cuadrática. Además,
mientras que la tecnología cuadrática es atractiva cuando el emparejamiento ocurre al
azar en un espacio geográfico, es menos natural cuando los individuos interactúan en
un lugar de trabajo determinado o con susamigos y parientes close. Por lo tanto, es útil
entender cuáles son las implicaciones de apartarse de este punto de referencia
cuadrático. Otra razón importante para considerar tecnologías de emparejamiento más
ricas es que la fuerte forma de "inmunidad de rebaño" dondelos individuos immune
protegen a los susceptibles de infecciones no tiene lugar con la coincidencia cuadrática-
causa la tasa de coincidencia entre dos subpoblaciones cualquiera es independiente de
la presencia o ausencia de otros en la población (y, específicamente, la recubierto).
Para destacar el papel de la tecnología de emparejamiento, ahora presentamos
políticas óptimas cuando la tecnología de emparejamiento tiene un grado más limitado
de aumento de los retornos a la escala,
 PDV de pérdida económica en fracciones del PIB
PDV de Pérdida Económica vs Fatalidades

Política Uniforme ( 1,5) =

Política semi-orientada Const( 1.5) =

0.6
Política Uniforme ( N.o 2)

Política semi-orientada ( N.o 2)

0.4

0.2

0.0
0.000 0.005 0.010 0.015
Fatalidades como Fracción de Adt. Población
Efecto técnico de coincidencia: Resultados para 0,75, 1,5, 2 , 1, 0,9, T a 546 =

Figura 5.16: = Frontera de la pérdida de producción frente a la muerte con

tecnologías de coincidencia cuadráticas y no cuadráticas: 2 frente a 1,5.

en particular, 1,5 euros. En la Figura 5.16 mostramos las fronteras para unas
políticas uniformes, semi-orientadas y totalmente orientadas óptimas para el número
1.5, junto con las fronteras para el número 2 para la comparación El contraste de las
fronteras muestraque el equilibrio a los que se enfrentan losresponsables políticos es
aún peor en el aumento de los rendimientos más limitados de la tecnología de
emparejamiento. Intereses, este empeoramiento es más pronunciado cuando el objetivo
se centra en salvar vidas en lugar de salvar la economía. La Figura 5.17, que traza
políticas óptimas uniformes y semi-específicas para el caso centrado en la seguridad,
explica por qué. Las políticas uniformes ahora requieren una pérdida económica de más
del 45% (expresada de nuevo como una fracción del PIB de un año) para lograr una
mortalidad global del 0,2%. mortality. Como de costumbre, las políticas específicas
funcionan mucho mejor, pero siguen conndo un coste económico del 32,8%.
Este resultado puede parecer al principio sorprendente, ya que la inmunidad del
rebaño es más fácil de lograr cuando hay un aumento más limitado en la tecnología
de emparejamiento y esto podría hacernos esperar a ver costoseconómicos más bajos.
Ir en contra de esta fuerza, sin embargo, es que los bloqueos son menos efectivos
cuando el alcance de aumentar los rendimientos es menor que cuadrático, porque
retirar una fracción de la población del grupo de coincidencias no conduce a una
disminución cuadrática en el número de partidos. Nuestros resultados muestran que el
segundo efecto domina, y como resultado, la compensación a la que se enfrentan los
responsables políticos empeora cuando el valor de = 1,5 euros.
 La situación es algo different cuando el objetivo está centrado en la economía,
como se muestra en la Figura 5.18. En este caso, la pérdida adicional en relación con la
tecnología cuadrática coincidente es pequeña, con políticas semi-objetivo, 0.0054% de
mortalidad en comparación con 0.0048% antes. Esto se debe a que las políticas
centradas en la economía van por la inmunidad del rebaño,
 Política de Tasas de infección
1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025
y

M
o
 Resulta
dos
Pérdida 0.455
económica
Adt. Pop. 0.002
Muertes
Tasa de 0.0001
fatalidad Y
Tasa de 0.0013
fatalidad M
O Tasa de 0.0076
Fatalidad y

0.0 o

0.000
0 200 400 0 200 400

Efecto MT: Política Uniforme de SF para 0,75 s 1,5 a .9 a 1,0

Política de Tasas de infección

1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025
 y y

m M
Resulta
0.0 dos
oo o

0.000
Pérdida 0.3288
económica
0 200 400 0 200 400
Adt. Pop. 0.002
Muertes
Tasa de 0.0002MT: Sf Política semitargeted para 0,75
Efecto s 1,5 x .9 a 1,0
fatalidad Y
Tasa de 0.0025
Figura 5.17: Políticas 0.0058
fatalidad M
O Tasa de
uniformes y semi-objetivos óptimas con 1,5o para alcanzar el
objetivo centrado
Fatalidad en la seguridad de limitar la mortalidad de la población al 0,2%.
 Política de Tasas de infección
1.0 bloqueo 0.150
Resultados
0.125
0.8 Pérdida económica0,1
0.100 Adt. El padre. Fatalidades0.0109

0.6
Tasa de mortalidad Y0.0007
0.075
M Tasa de Fatalidad 0.0069
0.4
0.050 O Tasa de Fatalidad 0.0417

0.2
0.025
y
y
M
M
o

0.0
o

0.000
0 200 400 0 200 400

Efecto MT: Política Uniforme de EF para 0,75 , 1,5 , .9 , 1,0

Política de Tasas de infección

1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025
y

M
o

39
 y

M
Resulta
0.0
o
dos
0.000
Pérdida 0.1
económica
0 200 400 0 200 400
Adt. Pop. 0.0054
Muertes
Tasa de 0.0007MT: Política semitargeted de EF para 0,75
Efecto , 1,5 , .9 , 1,0
fatalidad Y
Tasa de 0.0066
Figura 5.18: Políticas 0.0159
fatalidad M
O Tasa de
uniformes y semi-objetivos óptimas con 1,5o para alcanzar el
objetivo centrado
Fatalidad en la economía de limitar las pérdidas económicas al 10 %.
Política de Tasas de infección
1.0 bloqueo 0.150

0.125
0.8

0.100
0.6
0.075
0.4
0.050

0.2
0.025

40

yM y
o mo
 Resulta
0.0 dos
0.000
Pérdida 0.1757
económica
0 100 200 300 0 100 200 300
Adt. Pop. 0.002
Muertes
Tasa de
fatalidad Y
0.0003
Vacuna en 1 año: SF Política semideserada por 0,75 s 2,0 a .9 a 1,0 =

Tasa de 0.0026
fatalidad M
Figura 5.19:
O TasaPolíticas
de
Fatalidad
uniformes, semi-objetivos y totalmente orientadas óptimas con
0.0056

llegada previa de vac- cine.

los efectos de los bloqueos menos potentes por debajo de 1,5 se reducen y se obtienen
los beneficios de un aumento más limitado de los rendimientos en la coincidencia. Eslo
más destacado que el aumento más limitado de los retornos a escala en la coincidencia
tiende a favorecer las estrategias que van por la inmunidad del rebaño.

5.5 La promesa de una vacuna

En esta subsección, consideramos las implicaciones de una fecha de llegada más
temprana para la vacuna. A saber, reducimos la T de un año y medio a un año. Esto
tiene poco impacto en la forma de la política semi-dirigida centrada en la seguridad,
que se muestra en la Figura 5.19 y de nuevo mantiene a los viejos sometidos a un cierre
de cerradura hasta que llega la vacuna y tiene un bloqueo bastante largo en los grupos
de edad más jóvenes. Los costos económicos, sin embargo, son ahora más bajos (por
ejemplo, sólo el 17,6% del PIB de un año para el caso centrado en la seguridad mostrado
en la cifra), porque los bloqueos terminan antes con la llegada más temprana de la
vacuna: la llegada anterior de la vacuna ahorra un 7,3% en los costos económicos (o
equivalently $1,8 billones) al tiempo que alcanza la misma tasa de mortalidad del 0,2%.

5.6 Otros ejercicios de robustez

Como ya se ha señalado en la Introducción, existe una considerable incertidumbre
tanto sobre los parámetros de evasión para el virus COVID-19 como para las
presas económicas queenvejecen por los encierros.

41
En esta subsección, confirmamos que nuestras conclusiones cualitativas sobre los
beneficios significativos de las políticas semi-objetivo, tanto en términos de vidas
salvadas como de reducción de los daños económicos, son sólidas para una amplia
gama de variaciones de parámetros. Para ahorrar espacio, todas las cifras de rele- vant
se presentan en el Apéndice, y aquí nos limitamos aquí a un breve debate
sobre los resultados y las implicaciones de estos controles de robustez.
En primer lugar, seguimos parte de la literatura epidemiológica sobre la política
COVID-19 y im- pose una fuerte restricción a la capacidad de la UCI (porque la
capacidad de UCI excesivamente costosa e inaceptable). 39 En la práctica, esto significa
que sólo son factibles las políticas que garantizan H(t) a 0.000133 en todo
momento. Esta restricción implica que bajo un
capacidad de la UCI se alcanzaría con una tasa de infección de la población del 2%. 40 Figura
A.2 muestra las fronteras en este caso con y sin imponer la restricción. 41 La
restricción de la UCI se une a lo largo de la frontera política uniforme, empeorando los
resultados alcanzables, para pérdidas económicas inferiores a 0,34. 42 La semi-targeting
ayuda a evitar alcanzar la capacidad de la UCI, de modo que la restricción de la UCI se
une por debajo de una pérdida económica de 0,20. Para ilustrar cómo las políticas
óptimas responden a la necesidad de evitar exceder la capacidad disponible de la
UCI, la Figura A.3 muestra la política uniforme de la economía-focused que resulta en
una pérdida económica del 0,3%. Vemos en esta figura que la política óptima garantiza
ahora que nos mantenemos justos en contra de la UCI durante más de seis meses, y a
partir de entonces el bloqueo se endurece mientras esperamos la vacuna. Vale la pena
subrayar que no hay ningún análogo de las repetidas alternancias de encendido
y apagado de las medidas de bloqueo que surgen en estudios como Ferguson et al.
(2020).
También investigamos las implicaciones de aumentar la tasa de mortalidad del
grupo más antiguo después de la infección de Ferguson et al. (2020) números a los
números más altos de Corea del Sur. Esto afecta naturalmente a las cifras
demortalidad de una política fija, pero tiene poco efecto en las brechas entre las tres
fronteras, como se muestra en el primer panel de la Figura A.4. El cuadro dentro del
tercer grupo especial indica que, en este caso, se puede lograr una mortalidad global
(adulta) del 0,2 por ciento a un costo económico ligeramente superior al 30,7 por
ciento que en la política semicida de referencia.

39 También
experimentamos con una pena de mortalidad más alta, λpara capturar el escenario
extremo enel que mueren casi los que necesitan pero se les niega la UCI. Los resultados son
similares, pero por supuesto conducen a tasas de mortalidad más altas, especialmente bajo las
políticas centradas en la economía. El valor de las directivas semi-objetivo es aún mayor en este
escenario.
40
Antes de la aparición de COVID-19, los Estados Unidos tenían aproximadamente 32.000 camas de
UCI disponibles. Suponemos que las camas disponibles pueden aumentar un 15%. Siguiendo a
Ferguson et al. (2020), asumimos que el 1,58% de las infecciones adultas en los Estados Unidos
requieren atención de la UCI y que, para esos casos, el 50% de la duración media del caso de 18
días tendrá que estar en la UCI.
41
Ya no imponemos una sanción por mortalidad, por lo que las fronteras sin restricción difieren
ligeramente de las de nuestro caso de referencia.
42
Observamos también que es imposible lograr una pérdida económica inferior al 0,25 % sin infringir
la restricción de la capacidad de la UCI.
 Nuestro siguiente ejercicio consiste en reducir la velocidad de transmisión básica de
la enfermedad, que se correlaciona con el parámetro de nuestro modelo aumentando
de 0,134 (lo que implica R0 a2,4) a
0.1 (lo que implica R0 a 1,8). La Figura A.5 muestra que, no es de extrañar, semi-targeted la poli-
Cies alcanza ahora una tasa de mortalidad del 0,2% en la población adulta a un
costo económico mucho menor: 12% del PIB de un año, con políticas semi-objetivo.
Sin embargo, la ganancia significativa de la segmentación se mantiene
independientemente del valor exacto de ..
A continuación cambiamos el estado inicial para reflejar cuál puede ser la situación
actual en algunos son apartir de los Estados Unidos con COVID-19: los tres grupos
comienzan con el 15% de sus miembros ya recuperados, el 84% susceptibles y el 1%
infectados. Esto conduce a grandes reducciones tanto de las pérdidas ecológicas como
de la mortalidad de todas las políticas, que pueden observarse en las posiciones de las
fronteras de la Figura A.6 en relación con la línea de base de la Figura 5.1. Esta es una
consecuencia directa de comenzar con una población susceptible más pequeña, que
reduce directamente las infecciones y también altera la naturaleza de las políticas
óptimas centradas en la seguridad. De hecho, la Figura A.6 muestra que la política
óptima dirigida a semi ahora va en el caso de la inmunidad del rebaño para los
grupos más jóvenes, como se puede ver desde el repunte de las tasas de infección justo
antes de la llegada de la vacuna, así como por el hecho de que el grupo mayor se libera
del bloqueo antes de la vacuna. Las im- plications de este cambio son bastante
significativas para los costos económicos de la política semi-objetivo centrada en la
seguridad, que ahora son un costo económico del 13,9% (en comparación con los daños
ecológicos del 24,8% en la línea de base).
A continuación nos dirigimos a una serie de variaciones relativas a los parámetros
sociales y económicos. Comenzamos con una investigación de las implicaciones de un
valor más bajo de 0,5, en lugar de nuestra línea de base de 0,75. Esta variación es
importante para verificar que los beneficios del tratamiento diferencial de losgrupos
másvulneres pueden permanecer incluso cuando hay un mayor deslizamiento de los
bloqueos. La Figura A.7 muestra que, en este caso, tanto las políticas óptimas de semi-
objetivo óptimas centradas en la seguridad se vuelven mucho más estrictas en respuesta
a que los bloqueosse vuelvan menos eficaces. Se podría haber esperado que esto hiciera
que una política óptima fuera para la inmunidad del rebaño, ya que ahora se ha vuelto
muy difícil proteger a los ancianos que pueden herirse. Sin embargo, las políticas
centradas en la seguridad, cuyo objetivo es mantener la mortalidad en el population
por debajo del 0,2%, se ven obligadas a buscar bloqueos más largos para lograr
este objetivo. El resultado son costos económicos mucho mayores, 52,7% en el marco de
políticas uniformes y 42,7% en el marco de políticas específicas. Sin embargo, como
sugieren estas cifras, las ganancias significativas de la obtención de alquitrán se
mantienen incluso en este caso. La Figura A.8 muestra lo mismo, pero para el punto
centrado en la economía en la frontera. Confirmando esta interpretación, las poli- cíes
óptimas centradas en la economía que todavía van por la inmunidad del rebaño
responden a la menor eficacia de los bloqueos abriendo la economía antes que en la
línea de base. El encierro de los grupos más jóvenes ha terminado por completo unos
seis meses e incluso los ancianos son liberados de su
completamente antes del final del primer año. En ambos casos, las políticas
específicas siguen mejorando significativamente los resultados.
La Figura A.9 considera el caso de un distanciamiento de grupo aún más extremo,
representado por el número 0,30, que nuestro debate en la Sección 5.2. En este
escenario, vemos un patrón de bloqueo no monotónico notable. El bloqueo del
grupo mayor se relaja a partir de
unos siete meses, pero luego se vuelve a apretar después de unos 14 meses. Esto
se debe a que, con un fuerte distanciamiento de group, se puede permitir que el
grupo más antiguo vuelva a las actividades económicas y sociales durante un tiempo
(sin verse afectados negativamente por las tasas de infección más altas entre los grupos
más jóvenes), pero esto a su vez aumenta su propia tasa de infección, que luego
multiplicaría las infecciones adicionales ya que, a diferenciade la tasa de coincidencia
entre grupos de los antiguos, su tasa de coincidencia dentrodel grupo sigue siendo
alta. En respuesta, la política óptima impone una segunda ronda de bloqueos a este
grupo. Por el contrario, los bloqueos en los jóvenes y los de mediana edad son
monotonos, ya que en nuestra línea de base y otros controles de robustez, causan una
causa incluso cuando aumentan las infecciones, sus menores tasas de mortalidad
mantienen las muertes de estos grupos en niveles bajos. groups at low
En la Figura A.10 consideramos una formulación diferente para "trabajar desde
casa". Nuestra baselinsuposición básica era que todos los trabajadores podían trabajar
desde casa, pero esto implicaba una pérdida de ditrebilidad pro- ductividad.
Suponemos que sólo una fracción del 30% de la población puede trabajar desde
casa y puede hacerlo con plena productividad. Esto mejora la eficacia de las políticas
uniformes y específicas. Pero las ganancias son más pronunciadas con políticas
específicas porque ahora los trabajadores jóvenes y de mediana edad que pueden
trabajar desde casa productivamente pueden ser bloqueados sin costo alguno, mientras
que los remainder son priorizados para su liberación dada su menor productividad en
el hogar. Como resultado, el costo económico de lograr una mortalidad del 0,2% en la
población es ahora del 19,7% en comparación con el 24,8% en la línea de base. A pesar
de esta importante diferencia, la comparación de las diferentes fronteras es muy similar
a nuestros resultados de referencia.
Por último, consideramos las implicaciones de aumentar el valor de que el viejo está
fuera del bloqueo. Nuestro valor de referencia de este parámetro, wo á 0,20, fue
motivado por la rela-
ganancias de los más de 65 miembros del grupo. Sin embargo, puede haber ganancias
adicionales por tener al grupo mayor fuera del bloqueo, porque pueden disfrutar mejor
del ocio o contribuir a la actividad económica a través de sus gastos. Para verificar si
nuestros resultados son robustos para incorpo- rating estas consideraciones,
aumentamos wo a 0.50. La Figura A.11 muestra que esta variación tiene poco impacto
en nuestros principales resultados. La brecha entre las fronteras uniforme y semi-
objetivo sigue siendo considerable. Además, la política semi-dirigida óptima centrada
en la seguridad ahora exhibe una ligera no monotonía para los bloqueos en el antiguo.
La intuición para este comportamiento es similar a la que vimos en la Figura
A.9:: la política óptima comienza a publicar la
de su encierro después de unos nueve meses para beneficiarse del valor ahora
más alto de su actividad económica y social. Sin embargo, una vez que los viejos se
unen a la piscina coincidente, las infec- ciones comienzan a aumentar, y después de
tres meses, el bloqueo en este grupo se vuelve ang, apretar. También es interesante
ver que en el momento en que los viejos están de nuevo en el bloqueo, hay una inflexión
en el camino del tiempo de bloqueo para los grupos más jóvenes. Esto se debe a que,
una vez que los ancianos están protegidos a través de su propio encierro, la
liberación de los grupos de ngers se puede reducir, ya que la preocupación de que sus
infecciones se transmitirán a los ancianos más vulnerables se reduce.
En general, los diversos ejercicios de esta subsección demuestran que nuestras
conclusiones cualitativas sobre las importantes gains que se pueden obtener mediante la
segmentación son bastante sólidas.

6 Conclusiones
En este artículo, dimos un primer paso en la introducción de múltiples grupos de riesgo
en un modelo SIR estándar. Esta generalización es importante en el contexto de la
pandemia COVID-19, ya que la evidencia existente demuestra diferencias muy grandes
en las tasas de hospitalización y fatality entre los grupos de edad. Después de
proporcionar un análisis básico de la dinámica de las infecciones en este entorno
multigrupo, procedimos a una investigación cuantitativa de la política óptima,
centrándonos en particular en la frontera que resume las compensaciones de los
responsables políticosentre salvar vidas y mejorar los resultadoseconómicos. La política
óptima de formas uni- formularios, que trata a diferentes grupos demográficos
simétricamente, como en otros trabajos sobre COVID-19, subraya las sombrías
opciones a las que se enfrentan los responsables políticos. En nuestras paratetrando en
par, si los responsables de la formulación de políticas se centran en la seguridad y tratan
de limitar la tasa de mortalidad en la población adulta a no más del 0,2%, entonces
tienen que soportarpérdidas ecológicas que ascienden al 37,3% del PIB de un año. Si
priorizan la economía e intentan limitar las pérdidas económicas a menos del 24,8%
del PIB de un año, entonces la sociedad sufre una tasa de mortalidad de hasta el 1,05%.
Nuestro principal resultado, sin embargo, es que es posible mejorar los resultados
sociales con políticas específicas. Los bloqueos diferenciales a los grupos con riesgos
diferenciales pueden im- probar significativamente las compensaciones políticas, lo que
permite grandes reducciones de los daños económicos o el exceso de muertes o ambos.
También encontramos que la mayoríndola de estos logros se puede lograr con una
política simple de alquitrán que aplica un cierre agresivo en el grupo más antiguo
y trata al resto de la población de manera uniforme. Estas conclusiones cualitativas
son bastante consistentes en las parametrizaciones diferentes de nuestro modelo y
son el principal mensaje de toma del documento. Para nuestra parametrización de
referencia, las políticas semi-orientadas a la seguridad podrían limitar nomic las
pérdidas ecológicas al 24,8% del PIB de un año, manteniendo al mismo tiempo una
tasa de mortalidad adulta
0.2 %, o limitar la mortalidad entre la población adulta al 0,48%, manteniendo las
pérdidas económicas en el 10% del PIB de un año.
Nos apresuramos a subrayar que existe una considerable incertidumbre sobre
algunos de los parámetros clave que rigen la propagación de LA COVID-19, incluida la
duradera inmunidad, su tasa de reproducción básica, las tasas de mortalidad básica
por grupos, la mortalidad adicional derivadaenalty de la sobrecapacidad de la UCI y
la eficacia de las nuevas curas y vacunas, así como los daños económicos exactos
causados por los bloqueos (en parte porque ni la ex tienda de campaña a la que el
trabajo desde el hogar puede sustituir las interacciones en el lugar de trabajo ni los
efectos delas medidas actuales en las cadenas de suministro y las relaciones entre
trabajadores y empresas aún están en pie). Tampoco hay consenso sobre el valor de
la vida en relación con los daños sociales y económicos de los bloqueos. Estas son las
principales razones por las que enfatizamos las conclusiones cualitativas de nuestro
trabajo: que el equilibrio entre las vidas perdidas ylos dañosomices ecológicos mejora
sustancialmente con políticas específicas. También documentamos que nuestros
principales resultados son robustos para una serie de cambios en los parámetros.
Cabe destacar que los beneficios de las políticas específicas pueden aumentar
sustancialmente si los combinamos con medidas adicionales que destaca nuestro
modelo DE SIR multigrupo. Por ejemplo, aumentar la "distancia social" entre el
grupo más antiguo y el resto de la población —por normas que reducen
temporalmente las visitas a parientes mayores o regulaciones que protegen mejor los
hogares de ancianos y segregan los momentos en que diferentes grupos
demográficos pueden ir a tiendas de comestibles y farmacias— puede reducir las
muertes a tan solo 0.02% de la población y reducir los daños económicos a
alrededor del 7% del PIB de un año. Lapolíticar prometedora, que también es
sinérgica a la focalización, está probando y rastreando. La mejora de las pruebas y el
seguimiento combinados con la política específica pueden reducir las muertes al 0,02%
de la población (adulta) y los daños económicos a alrededor del 7%. Si se combinaran
políticas específicas, distanciamiento de grupos y pruebas y rastreo, las
compensaciones a las que se enfrentan los responsables de la formulación de políticas
mejorarían radicalmente, y nuestra parametrización de referencia sugiere que la
pandemia podría controlarse muy rápidamente y con muertes mínimas
ycostosonómicos ec.
Hay un sentido en el que nuestro análisis subestima los beneficios de la
segmentación, porque nos hemos centrado sólo en la segmentación por edad. Las tasas
de mortalidad de COVID-19 también varían significativamente según las morbilidades
preexistentes, y apuntar al bloqueo y la protección a las comorbilidades a las
comorbilidades pueden multiplicar los beneficios de la focalización significativamente.
Dejamos una investigación detallada de este tema en el trabajo futuro.
Un problema que no abordamos es cómo se pueden implementar las políticas de
bloqueo, espe- cialmente cuando son heteógenospor grupo y también implican varios
elementos de distanciamiento social entre grupos. El primer aspecto de esta pregunta es
que los cambios de comportamiento voluntarios ya pueden alcanzar algunos de los
objetivos de la política óptima (por ejemplo,
doración socialy la sustitución individual del trabajo desde casa). Un segundo aspecto
con- cerns la pregunta "diseño del mecanismo", cómo estas regulaciones pueden ser
efectivamente imple- mented. Observamos aquí que las políticas semi-orientadas
pueden ser más fáciles de implementar porque losbloqueos estrictos son para
personas mayores y pueden interpretarse como una forma de "custodia protec- tive"
para ese grupo, lo que significa que es principalmente para proteger al propio grupo no
reducir las externalidades que crean sobre los demás. Lo mismo se aplica a las medidas
para lograr interacciones entre este grupo y el resto de la población. A pesar de la
importancia de las preguntas que rodean el cambio de comportamiento endógeno y la
implementación, dejamos estas cuestiones para el trabajo futuro también.
Consideramos nuestro documento como un primer paso para enriquecer el modelo
SIR, que se ha convertido en una herramienta de caballo de batalla para comprender y
combatir la pandemia COVID-19, mediante la incorporación de efectos económicos y
compensaciones que dependen de riesgos diferenciales en la población. Como señaló
already, los resultados cualitativos de nuestro estudio deben tomarse como
ilustrativos y estar en medio de la precaución, y por lo tanto nuestro mayor énfasis en
los patrones cualitativos y la comparación de fronteras. Hay mucho por hacer para
incorporar formas más ricas de interacciones eco-nomicas y epidemiológicas dentro
y entre diferentes grupos, especially para estudiar cómo los cambios en los incentivos
económicos y sociales afectan la dinámica de las infec- ciones. Nuestra conclusión de
que las políticas específicas pueden mejorar significativamente el bienestar social
también pone de relieve la necesidad de disponer de datos más detallados sobre
COVID-19 en particular, y de otras enfermedades y epidemias en general. highlights

Referencias
Alvarez, Fernando, David Argente y Francesco Lippi, "A Simple Planning Problem for
COVID-19 Lockdown", Working Paper 26981, National Bureau of Economic Re-
search April 2020.

Atkeson, Andrew, "¿Qué tan mortal es COVID-19? Comprender las dificultades con la
estimación de su tasa de mortalidad", documento de trabajo 26965, Oficina Nacional
de Investigaciones Económicas de abril de 2020.

, "¿Cuál será el impacto económico de COVID-19 en los Estados Unidos? Estimaciones

aproximadas de escenarios de desenperanza", documento de trabajo 26867, Oficina
Nacional de Investigaciones Económicas de marzo de 2020.

Avery, Christopher, William Bossert, Adam Clark, Glenn Ellison y Sara Fisher El-
lison, "Policy Implications of Models of the Spread of Coronavirus: Perspectives and
 Oportunidades para los Economistas", Documento de Trabajo 27007, Oficina Nacional
de Investigaciones Económicas de abril de 2020.

Bairoliya, Neha y ¸e Ays

g˘ , roeconomic "Lasmrohoro consecuencias de la estancia-at- ˙
Políticas de hogar durante la pandemia COVID-19", abril de 2020. Mimeo.

Bayham, Jude, Nicolai V. Kuminoff, Quentin Gunn y Eli P. Fenichel, "Measured

voluntary avoidance behaviour during the 2009 A/H1N1 epidemic", Proceedings of
the Royal Society B: Biological Sciences,2015, 282 (1818), 20150814.

Beal, L.D.R., D.C. Hill, R.A. Martin y J.D. Hedengren,"GEKKO Optimization Suite.""
Procesos, 2018, 6 (106).

Brauer, Fred, Pauline van den Driessche y J. Wu, Epidemiología Matemática ,

Springer- Verlag Berlin Heidelberg, 2008.

La Hermandad, Luiz, Philipp Kircher, Cezar Santos, y Michele Tertilt, "Un modelo
económico de la epidemia Covid-19: La importancia de las pruebas y las políticas
específicas de la edad", 2020.

Diamond, Peter A., "Aggregate Demand Management in Search Equilibrium", Journal

of Political Economy,1982, 90 (5), 881–894.

Dingel, Jonathan y Brent Neiman, "¿Cuántos trabajos se pueden hacer en casa?", abril
de 2020. Libro Blanco.

Eichenbaum, Martin, Sergio Rebelo y Mathias Trabandt, "The Macroeconomics of

Epidemics", Working Paper 26882, National Bureau of Economic Research March
2020.

, , y , "La macroeconomía de las pruebas durante las epidemias", abril de 2020. mimeo.

Farboodi, Maryam, Gregor Jarosch y Robert Shimer, "Internal and External

Effects of Social Distancing in a Pandemic", Working Paper 27059, National Bureau of
Economic Research April 2020.

Favero, Carlo A., Andrea Ichino y Aldo Rustichini, "Restarting the Economy while
Saving Lives Under COVID-19", abril de 2020.

Fenichel, Eli P, "Consideraciones económicas para el distanciamiento social y las

políticas basadas en el comportamiento durante una epidemia", J Health Econ,marzo
de 2013, págs. 32 (2), 440–451.
Ferguson, NM, D. Laydon, G. Nedjati-Gilani, N. Imai, K Ainslie, M. Baguelin, S.
Bha- tia, A. Boonyasiri, Z. Cucunubá, G. Cuomo-Dannenburg, y A. Dighe,
"Impacto de las intervenciones no farmacéuticas (NPI) para reducir el COVID-19 y la
demanda de mortalidad, marzo de 2020. Equipo de Respuesta del Imperial College
COVID-19.

Fernández-Villaverde, Jesús y Charles J.Jones, "stimando y simulando un modelo

SIRD de COVID-19 para muchos países, estados y ciudades", 2020.

Garibaldi, Pietro, Espen R. Moen y Christopher A Pissarides, "Modelling contacts and

transitions in the SIR epidemics model", en Charles Wyplosz, ed., CovidEconomics
Vetted and Real-Time Papers,CEPR, abril de 2020.

Garriga, Carlos, Rody Manuelli y Siddhartha Sanghi, "Gestión óptima de una

epidemia: Una aplicación a COVID-19. Un informe de progreso", abril de 2020.
mimeo.

Geoffard, Pierre-Yves y Tomas Philipson, "Rational Epidemics and Their Public

Con- trol", International Economic Review,1996, págs. 37 (3), 603–624.

Guanter, Andrew, Jonathan Heathcote, Dirk Krueger, y José-Víctor Ríos-Rull,

"Salud versus riqueza: sobre los efectos distributarios de controlar una pandemia", Pa-
trabajo por 27046, Oficina Nacional de Investigaciones Económicas en abril de 2020.

Gollier, Christian, "Análisis costo-beneficio de estrategias de desconfinement

específicas de la edad", abril de 2020. diapositivas de presentación.

Hedengren, John D., Reza Asgharzadeh Shishavan, Kody M. Powell, y Thomas F.

Edgar, "Modelado no lineal, estimación y control predictivo en APMonitor," Com-
puters and Chemical Engineering,2014, 70, 133 – 148.

Heesterbeek, J.A.P. y M.G. Roberts, "The type-reproduction number T in models for

infectious disease control", Mathematical Biosciences,2007, 206 (1), 3 – 10. Edición
Especial de Alcalá.

Jones, Callum J, Thomas Philippon y Venky Venkateswaran, "Optimal Mitigation

Policies in a Pandemic: Social Distancing and Working from Home", Working Paper
26984, National Bureau of Economic Research April 2020.

Kermack, William Ogilvy, A. G. McKendrick y Gilbert ThomasWalker, "Una con-

tribución a la teoría matemática de las epidemias", Actas de la Royal Society de Londres.
Serie A, que contiene papeles de carácter matemático yfísico,1927, 115 (772), 700–721.
Kudlyak, Marianna, Lones Smith y Andrea Wilson, "Avoidance Behavior at the
COVID19 Breakout in an SI3R Model", abril de 2020. mimeo.

Manski, Charles F y Francesca Molinari, "Estimating the COVID-19 Infection Rate:

Anatomy of an Inference Problem", Working Paper 27023, National Bureau of Eco-
nomic Research April 2020.

McCallum, Hamish, Nigel Barlow y Jim Hone,"¿Cómo se debe modelar la transmisión

de patógenos?," Tendencias en Ecología y Evolución,2001, 16 (6), 295 – 300.

Rampini, Adriano A, "Sequential Lifting of COVID-19 Interventions with Population

Heterogeneity", Working Paper 27063, National Bureau of Economic Research April
2020.

Rowthorn, Robert y Flavio Toxvaerd, "The Optimal Control of Infectious Diseases

via Prevention and Treatment", Technical Report 2013, Cambridge-INET Working
Paper 2020.

Stock, James H, "Data Gaps and the Policy Response to the Novel Coronavirus",
Documento de trabajo 26902, Oficina Nacional de Investigaciones Económicas de
marzo de 2020.

Wuchter, A. y L. Biegler, "En la implementación de un algoritmo de búsqueda de línea

de filtro de punto interior para la programación no lineal a gran escala.", Math.
Programa, 2006, 106, 25–57.
A Apéndice: Cifras adicionales

A.1 Cifras para la simulación de línea de base

Fracción de no Tasa de reproducción

1.0 infectado 3.0

y 2.5
0.8 o
M
Población
estoy bien 2.0
0.6 del

rebañ 1.5
0.4 o
1.0

0.2
0.5
Pop

0.0
0.0
0 200 400 0 200 400

Base: Política Uniforme de SF para 0,75 s 2,0 a .9 a 1,0 =

Figura A.1: Susceptible (panel izquierdo) y R(t) (panel derecho) para la parametrización
de línea base.

A.2 Cifras para ejercicios de robustez

PDV de Pérdida Económica vs Fatalidades

0.5
PDV de pérdida económica en fracciones del PIB

Const de Política
Uniforme
Política semi-
0.4 Política semi-
dirigida Const
Política
objetivo

unifo
0.3
rme
0.2

0.1

0.0
0.000 0.005 0.010 0.015
Fatalidades como Fracción de Adt. Población

RC: UCI Constr x 1.25: Resultados para 0,75, 2, 1 1, 0,9, T a 546

Figura A.2: Imposición de una restricción rígida a la capacidad de la UCI.

 Política de Tasas de infección
1.0 bloqueo 0.150
Resultados
0.125 Pérdida económica0,3
0.8
0.100 Adt. El padre. Fatalidades0.0043

0.6 Tasa de mortalidad Y0.0003

0.075 de
M Tasa

0.4
0.050
Fatalidad0.0027
0.2 de
O Tasa
0.025
y

M Fatalidad0.0163 y

M
o
0.0 o

0.000
0 200 400 0 200 400

RC0 ICU Constr x 1: Política Uniforme de EF para 0,75o = = 2,0 a .9 a 1,0

Figura A.3: Imponer una fuerte restricción a la capacidad de la UCI, políticas uniformes
y semi-orientadas óptimas para el punto centrado en la economía en la frontera.

PDV de Pérdida Económica vs Política de Tasas de infección

0.5 Fatalidades
PDV de pérdida económica en fracciones del PIB

1.0 bloqueo 0.150

Política uniforme Resultados
0.4 Política semi-objetivo 0.125
Política dirigida
0.8 Pérdida económica0.3072
Adt. Pop. Fatalidades0.002
0.100 Tasa de mortalidad Y0.0002
0.3 0.6
0.075 de
M Tasa

0.2 0.4 Fatalidad0.0016

0.050
de
O Tasa
0.1 0.2
y
0.025 Fatalidad0.0072 y

Mo M

0.0 0.0
o o

0.000
0.00 0.01 0.02 0 200 400 0 200 400
Fatalidades como Fracción de Adt.
Población

RC:fr_o-120: Resultados para 0,75 , 2, 1, 0,9, T a 546

RC:fr_o-120: Política de semitargeted de SF para 0,75 s 2,0 , 9 , 1,0

Figura A.4: Mayor tasa de mortalidad de los ancianos basada en datos surcoreanos,
políticas uniformes y semi-objetivo óptimas para el punto de enfoque de la seguridad en
la frontera.
 PDV de Pérdida Económica vs Política de Tasas de infección
0.5 Fatalidades
PDV de pérdida económica en fracciones del PIB

1.0 bloqueo 0.150

Política uniforme Resultados
0.4 Política semi-objetivo 0.125
Política dirigida
0.8 Pérdida económica0.1202
Adt. Pop. Fatalidades0.002
0.100 Tasa de mortalidad Y0.0003
0.3 0.6
0.075 de
M Tasa

0.2 0.4 Fatalidad0.0027

0.050
de
O Tasa
0.1 0.2 y

M
0.025 Fatalidad0.0054 y

o M

0.0 0.0
o

0.000
0.000 0.005 0.010 0.015
0 200 400 0 200 400
Fatalidades como Fracción de Adt. Población

RC: beta 0,7: Resultados para , 0,75 , 2, 1, 0,9, T a 546

RC: beta 0,7: Política de semitargeted de SF para 0,75 s 2,0 a 9 x 1,0

Figura A.5: Valor más bajo para la velocidad de transmisión, β poli- cíes uniformes y
semi-objetivos óptimos para el primer punto de seguridad en la frontera.

PDV de Pérdida Económica vs Política de Tasas de infección

0.5 Fatalidades
PDV de pérdida económica en fracciones del PIB

1.0 bloqueo 0.150

Política uniforme Resultados
0.4 Política semi-objetivo 0.125
Política dirigida
0.8 Pérdida económica0.139
Adt. Pop. Fatalidades0.002
0.100 Tasa de mortalidad Y0.0003
0.3 0.6
0.075 de
M Tasa

0.2 0.4 Fatalidad0.0027

0.050
de
O Tasa
0.1 0.2 y

M
0.025 Fatalidad0.0055 y

o M

0.0 0.0
o

0.000
0.000 0.005 0.010 0.015
0 200 400 0 200 400
Fatalidades como Fracción de Adt. Población

RC: R(0) -0.15; I(0) -0,01; S(0)-0,84: Resultados para 0,75 , 2, 1, 0,9, T a 546
RC: R(0) -0.15; I(0) -0,01; S(0)-0.84: Política de semitargeted de SF para el núme ro 0.75 a 2.0 a .9 a 1.0

Figura A.6: Condición inicial alternativa con mayor número de individuos recuperados,
políticas uniformes y semi-objetivo óptimas para el punto de enfoque de seguridad en la
frontera.
 Política de Tasas de infección
1.0 bloqueo 0.150
Resultados
0.125
0.8 Pérdida económica0.5274
Adt. Pop. Fatalidades0.002

0.100 Tasa de mortalidad Y0.0001

0.6
0.075
O de
M Tasa
Tasa de 0.0076
Fatalidad

0.4 Fatalidad0.0013
0.050
0.2
0.025
y
y
M
o M

0.0 o

0.000
0 200 400 0 200 400

RC2: theta-0.5: Política Uniforme de SF para 0.5 a 2.0 a .9 a 1.0

Política de Tasas de infección

1.0 bloqueo 0.150
Resultados
0.125 Pérdida 0.4266
0.8 económica
Adt. Pop. Fatalidades0.002

0.100 Tasa de mortalidad Y0.0002

0.6
de
M Tasa
0.075
0.4
Fatalidad0.0017
0.050 O Tasa de Fatalidad0.007

0.2
y
0.025 y

Mo M

0.0 o o

0.000
0 200 400 0 200 400

Prueba: SF SemiTargeted Policy para s 0.5 á 2.0 á .9 - 1.0

Figura A.7: Menor efectividad de los bloqueos, 0,5. Políticas uniformes y semi-
específicas óptimas para el punto de enfoque de seguridad en la frontera.
 Política de Tasas de infección
1.0 bloqueo 0.150
Resultados
0.125 Pérdida económica0,1
0.8
0.100 Adt. El padre. Fatalidades0.0116

0.6 Tasa de mortalidad Y0.0007

0.075 de
M Tasa

0.4
0.050
Fatalidad0.0074
0.2 de
O Tasa
0.025
y

o
M
Fatalidad0.0443 y

0.0 o

0.000
0 200 400 0 200 400

RC:Baja : Política Uniforme de EF para 0,5 s 2,0 a .9 a 1,0

Política de Tasas de infección

1.0 bloqueo 0.150
Resultados
0.125 Pérdida 0.1
0.8 económica

Adt. El padre. Fatalidades0.0079

0.100
0.6 Tasa de mortalidad Y0.0007

0.075 de
M Tasa

0.4 Fatalidad0.0068
0.050
0.2 de
O Tasa
0.025
y

o
M
fatalidad0.0276 y

0.0 o

0.000
0 200 400 0 200 400

RC:Inferior : Política semitargeted de EF para 0,5 s 2,0 a .9 a 1,0

Figura A.8: Menor efectividad de los bloqueos, 0,5. Políticas uniformes y semi-
orientadas óptimas para el punto de enfoque económico en la frontera.

PDV de Pérdida Económica vs Política de Tasas de infección

0.5 Fatalidades
PDV de pérdida económica en fracciones del PIB

1.0 bloqueo 0.150

Política uniforme Resultados
0.4 Política semi-objetivo 0.125
Política dirigida
0.8 Pérdida
económica
0.2507
Adt. Pop. Fatalidades0.002
0.100 Tasa de mortalidad Y0.0004
0.3 0.6
0.075 de
M Tasa

0.2 0.4 Fatalidad0.0029

0.050
de
O Tasa
0.1 0.2 y

M
0.025 Fatalidad0.0048 y
o M

0.0 0.0
o

0.000
0.000 0.005 0.010 0.015
0 200 400 0 200 400
Fatalidades como Fracción de Adt. Población

RC: Alt rho: Resultados para , 0,75 , 2, 0,3, 0,9 , T a 546

RC Atr Rho: SF Política semitargeted para s 0.75 ? 2.0 - .9 - 0.3

Figura A.9: Distanciamiento de grupo mayor alternativo, n.o 0,3. Políticas uniformes y
semi-específicas óptimas para el punto de enfoque de seguridad en la frontera.
 PDV de Pérdida Económica vs Política de Tasas de infección
0.5 Fatalidades
PDV de pérdida económica en fracciones del PIB

1.0 bloqueo 0.150

Política uniforme Resultados
0.4 Política semi-objetivo 0.125
Política dirigida
0.8 Pérdida económica0.1971
Adt. Pop. Fatalidades0.002
0.100 Tasa de mortalidad Y0.0003
0.3 0.6
0.075 de
M Tasa

0.2 0.4 Fatalidad0.0029

0.050
de
O Tasa
0.1 0.2 y

M
0.025 Fatalidad0.0052 y

o M

0.0 0.0
o

0.000
0.000 0.005 0.010 0.015
0 200 400 0 200 400
Fatalidades como Fracción de Adt. Población

RC: WFH-0,3; PWHF-0: Resultados para 0,75 , 2, 1, 0,9 , T a 546

RC: WFH-0,3; PWHF-0: Política de semitargeted de SF para 0,75 , 2,0 , 9 , 1,0

Figura A.10: Formulación alternativa para trabajar desde casa. Políticas uniformes
y semi-objetivos óptimas para el primer punto de seguridad en la frontera.

PDV de Pérdida Económica vs Política de Tasas de infección

0.5 Fatalidades
PDV de pérdida económica en fracciones del PIB

1.0 bloqueo 0.150

Política uniforme Resultados
0.4 Política semi-objetivo 0.125
Política dirigida
0.8 Pérdida económica0.2876
Adt. Pop. Fatalidades0.002
0.100 Tasa de mortalidad Y0.0003
0.3 0.6
0.075 de
M Tasa

0.2 0.4 Fatalidad0.0026

0.050
de
O Tasa
0.1 0.2 y

M
0.025 Fatalidad0.0057 y

o M

0.0 0.0
o

0.000
0.000 0.005 0.010 0.015
0 200 400 0 200 400
Fatalidades como Fracción de Adt. Población

RC: wro 0,5: Resultados para 0,75 , 2, 1, 0,9, T a 546

RC: wro 0.5: Sf SemiTargeted Policy para s 0.75 á 2.0 á .9 - 1.0

Figura A.11: Valor más alto de la antigua que está fuera de bloqueo. Políticas uniformes
y semi-objetivos óptimas para el primer punto de seguridad en la frontera.