سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

رفعتی, سمیه, رمضانی, ابوذر, صادقی نیا, علیرضا. (1403). تحلیل فضایی میزان ابتلا به کویدـ19 با کاربرد رگرسیون فضایی. , 16(1), 67-80. doi: 10.48308/gisj.2022.102903
سمیه رفعتی; ابوذر رمضانی; علیرضا صادقی نیا. "تحلیل فضایی میزان ابتلا به کویدـ19 با کاربرد رگرسیون فضایی". , 16, 1, 1403, 67-80. doi: 10.48308/gisj.2022.102903
رفعتی, سمیه, رمضانی, ابوذر, صادقی نیا, علیرضا. (1403). 'تحلیل فضایی میزان ابتلا به کویدـ19 با کاربرد رگرسیون فضایی', , 16(1), pp. 67-80. doi: 10.48308/gisj.2022.102903
رفعتی, سمیه, رمضانی, ابوذر, صادقی نیا, علیرضا. تحلیل فضایی میزان ابتلا به کویدـ19 با کاربرد رگرسیون فضایی. , 1403; 16(1): 67-80. doi: 10.48308/gisj.2022.102903

تحلیل فضایی میزان ابتلا به کویدـ19 با کاربرد رگرسیون فضایی

نشریه سنجش از دور و GIS ایران
مقاله 4، دوره 16، شماره 1 - شماره پیاپی 61، 1403، صفحه 67-80    اصل مقاله (2.08 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/gisj.2022.102903
نویسندگان
سمیه رفعتی* 1؛ ابوذر رمضانی2؛ علیرضا صادقی نیا3
1استادیار گروه جغرافیا، دانشگاه سید جمال‌الدین اسدآبادی، اسدآباد همدان، ایران
2استادیار سیستم اطلاعات مکانی، گروه نقشه‌برداری، دانشگاه سید جمال‌الدین اسدآبادی، همدان، ایران
3استادیار گروه علوم انسانی و اجتماعی، دانشگاه فرهنگیان، تهران، ایران
چکیده
سابقه و هدف: همه‌گیری کوویدـ 19 به‌منزلة‌ پدیده‌ای جغرافیایی درنظر گرفته می‌شود که تجزیه‌وتحلیل فضایی و تأثیر جغرافیایی آن، در تصمیم‌گیری و جنبه‌های زندگی روزمره، بسیار اهمیت می‌یابد. سامانة اطلاعات جغرافیایی و تکنیک‌های مکانی می‌توانند نقش مهمی در تجزیه‌و‌تحلیل کلان‌داده‌های شیوع این بیماری در سطح جهانی ایفا کنند. مطالعات انجام‌شده باکمک تکنیک‌های تحلیل فضایی توانسته‌اند میزان اهمیت متغیرهای اجتماعی و بهداشتی را در میزان ابتلا و موارد مرگ‌ومیر ناشی از بیماری کووید‌ـ 19 نشان دهند؛ هرچند درمورد تأثیر متغیرهای هواشناسی در ‌این‌ زمینه، مطابق با متفاوت‌بودن نتایج پژوهش‌های پیشین، همچنان ابهاماتی وجود دارد. با توجه به تنوع اقلیمی ایران، با انجام‌دادن پژوهش‌هایی در این زمینه به‌منظور آشکارسازی عوامل مهم و اثرگذار فضایی، می‌توان گام‌های مؤثری برداشت. بنابراین هدف این مطالعه مدل‌سازی و تعیین عوامل تأثیرگذار در پراکنش بیماری کوویدـ 19، براساس داده‌های موجود و دردسترس است.
مواد و روش‌ها: در این مطالعه، با استفاده از روش‌های رگرسیون فضایی عمومی و محلی، عوامل تأثیرگذار در پراکنش میزان ابتلا به بیماری کوویدـ 19 بررسی شد. برای این منظور، 73 شهرستان که آمار تعداد مبتلایان به بیماری کوویدـ 19 آنها (طی دوره‌ای کوتاه، از دهم اسفند 98 تا بیستم خرداد 99 به‌تفکیک شهرستان‌ها) دردسترس بوده است، انتخاب شدند. عوامل ارتفاع، تراکم جمعیت و میانگین سنی،‌ نسبت جمعیت بالای 55 سال به جمعیت کل و همچنین پارامترهای هواشناسی شامل رطوبت، دما، فشار و سرعت باد انتخاب و رابطة آنها با این بیماری، به‌کمک روش‌های آمار فضایی، بررسی شد. براساس روش رگرسیون گام‌به‌گام تراکم جمعیت، فشار هوا، میانگین سن و سرعت باد به‌منزلة پیش‌بینی‌کننده‌های معنی‌دار تعیین شدند و بروز بیماری با استفاده از تکنیک‌ OLS مدل‌سازی شد. سپس با توجه به ناایستابودن رابطة متغیرهای مستقل با متغیر وابسته، هم در بعد فضایی و هم در بعد داده‌ها، تکنیک GWR به‌کار رفت و برای افزایش تغییرپذیری فضایی و برطرف‌کردن مشکل هم‌راستایی خطی، از روش تحلیل مؤلفه‌های اصلی و نرم‌افزار SPSS بهره برده شد.
نتایج و بحث: نتایج نشان داد مدل عمومی ارائه‌شده به‌طور کلی به‌لحاظ آماری معنی‌دار است و مقادیر واریانس توجیه‌شده با مدل تصادفی نیست اما رابطة متغیرهای مستقل با متغیر وابسته، هم در بعد فضایی و هم در بعد داده‌ها، ناایستاست. همچنین مشخص شد توزیع باقی‌مانده‌ها تاحدی از توزیع نرمال انحراف نشان می‌دهد که چه‌بسا به‌دلیل وجود ناایستایی در مدل باشد. بنابراین تکنیک رگرسیون وزن‌دار جغرافیایی برای مدل‌سازی به‌کار گرفته شد. به‌منظور اجرای آن و افزایش تغییرپذیری فضایی برای رفع مشکل هم‌راستایی خطی (به‌دلیل وجود الگوی خوشه‌ای در متغیرهای هواشناسی)، روش تحلیل مؤلفه‌های اصلی استفاده شد و عوامل هواشناسی به یک فاکتور کاهش یافت. این عامل نزدیک به 70٪ تغییرات این متغیرها را توجیه می‌کند. کاهش عوامل متغیرهای میانگین سن و نسبت جمعیت بالای 55 سال نیز به یک عامل باعث بهبود نتایج شد. بنابراین تراکم جمعیت، عامل هواشناسی و عامل سن به‌منزلة متغیرهای پیش‌بینی‌کننده در مدل‌سازی با تکنیک GWR درنظر گرفته شدند. افزایش 10درصدی ضریب تعیین تعدیل‌شدة مدل وزن‌دار جغرافیایی (63٪) نشان از بهبود نسبی نتایج این مدل درقیاس با مدل عمومی دارد. نتایج آزمون خودهمبستگی فضایی موران نشان داد، با اینکه از شدت الگوی خوشه‌ای باقی‌مانده‌ها در این مدل درمقایسه با مدل OLS کاسته شده است، همچنان در سطح اطمینان 99٪ معنی‌دار است. تحلیل نقاط داغ در سطح اطمینان 95٪ نشان داد بخش‌های غربی استان کردستان، بخش‌های شمالی و غربی استان خوزستان نقاط داغ (الگوی خوشه‌ای کم‌برآورد معنی‌دار) و بخش‌های شرقی استان همدان و بخش‌های شمالی استان بوشهر نقاط سرد (الگوی خوشه‌ای بیش‌برآورد معنی‌دار) هستند. بنابراین دست‌کم یک متغیر تأثیرگذار در بروز این بیماری درنظر گرفته نشده است. با توجه به اینکه متغیرهای احتمالی درنظر گرفته‌نشده همچون عوامل فرهنگی، بهداشتی و ژنتیکی دردسترس نبوده‌اند و یا ممکن است اندازه‌گیری آنها سخت بوده باشد، از بررسی آنها صرف‌نظر شد.
نتیجه‌گیری: نتایج این مطالعه اهمیت و میزان تأثیر عوامل جمعیت‌شناختی و محیطی را در میزان ابتلا به بیماری ‌کوویدـ 19 روشن کرده است و می‌تواند برای ادامة مطالعاتی در این زمینه راه‌گشا باشد.
کلیدواژه‌ها
مدل وزن‌دار جغرافیایی؛ مدل حداقل مربعات معمولی؛ خودهمبستگی موران؛ تحلیل نقاط داغ. 
عنوان مقاله [English]
Spatial Analysis of GOVID-19 Outbreak Using Spatial Regression
نویسندگان [English]
Somayeh Rafati alashti1؛ Abozar Ramezani2؛ Alireza Sadeghinia3
1Assistant prof., Dep. of Geography, Sayyed Jamaleddin Asadabadi University, Asadabad, Hamedan, Iran
2Assistant prof., Dep. ofGeomatics, Sayyed Jamaleddin Asadabadi University, Asadabad, Hamedan, Iran
3Assistant prof., Dep. of Humanities and Social Sciences, Farhangian University, Tehran, Iran
چکیده [English]
Introduction: The COVID-19 epidemic is considered a geographical phenomenon, and its impact on decision-making and daily life is significant. Geographic information systems (GIS) and spatial techniques play crucial roles in analyzing the spread of COVID-19 globally. Studies using spatial analysis have highlighted the importance of social and health variables in infection and mortality rates, despite existing uncertainties about the effects of meteorological variables. Given Iran's climatic diversity, it is valuable to identify the key spatial factors influencing COVID-19. Therefore, this study aims to model and determine the factors affecting the COVID-19 epidemic based on available data.
Materials and Methods: This study investigated the factors influencing the distribution of COVID-19 infection rates using global and local spatial regression methods. Seventy-three cities were selected, with data on COVID-19 infections available from March 10 to June 20, 2019. The factors considered were altitude, population density, average age, the ratio of the population over 55 years to the total population, and meteorological parameters, including humidity, temperature, pressure, and wind speed. Their relationships with the disease were analyzed using spatial statistics methods. Stepwise regression identified population density, air pressure, average age, and wind speed as significant predictors, and the occurrence of the disease was modeled using the Ordinary Least Squares (OLS) technique. Due to the unstable relationship between the independent and dependent variables, the Geographically Weighted Regression (GWR) technique was used. Principal Component Analysis (PCA) and SPSS software were employed to address spatial variability and multicollinearity.
Results and Discussion: The results showed that the OLS model was statistically significant, with variance values explained by the model being non-random. However, the explanatory variables had an inconsistent relationship with the dependent variable in both geographic and data spaces. The residual distribution deviated somewhat from normal, indicating model instability. Thus, the GWR technique was applied for modeling. PCA addressed multicollinearity (due to a cluster pattern in meteorological variables), reducing meteorological factors to one component, explaining nearly 70% of the variance. The model improved by consolidating the average age and the ratio of the population over 55 into one factor. Subsequently, population density, meteorological factors, and age demographics were utilized as predictive variables in the GWR model. A 10% increase in the adjusted R-squared of the GWR model (63%) demonstrated its relative improvement over the OLS model. Moran's spatial autocorrelation test indicated that, while the cluster pattern of residuals was less pronounced in the GWR model than in the OLS model, it remained significant at the 99% confidence level. Hot spot analysis at the 95% confidence level identified the western parts of Kurdistan province and the northern and western parts of Khuzestan province as hot spots (areas of significant underestimation), and the eastern parts of Hamadan province and the northern parts of Bushehr province as cold spots (areas of significant overestimation). Thus, at least one variable affecting disease occurrence was not considered. Other potential factors, such as cultural, health, and genetic variables, were not included due to unavailability or measurement difficulties.
Conclusion: This study highlights the importance of demographic and environmental factors in COVID-19 infection rates and provides a foundation for further research in the study area.
کلیدواژه‌ها [English]
Geographically Weighted Regression, Ordinary least squares, Moran’s I test, Hot spot analysis
مراجع

Ahmadi, M., Sharifi, A., Dorosti, S., Ghoushchi, S.J. & Ghanbari, N., 2020, Investigation of Effective Climatology Parameters on COVID-19 Outbreak in Iran, Science of the Total Environment, No. 138705, 10.1016/j.scitotenv.2020.138705.

Alijani, B., 2002, Synoptic Climatology, Samt Publications, Tehran, Iran.

Arab-Mazar, Z., Sah, R., Rabaan, A.A., Dhama, K. & Rodriguez-Morales, A.J., 2020, Mapping the incidence of the COVID-19 Hotspot in Iran–Implications for Travellers, Travel Medicine and Infectious Disease, 34, 101630.

Buheji, M., da Costa Cunha, K., Beka, G., Mavric, B., de Souza, Y., da Costa Silva, S.S. & Yein, T.C., 2020, The Extent of Covid-19 Pandemic Socio-Economic Impact on Global Poverty. A Global Integrative Multidisciplinary Review, American Journal of Economics, 10(4), PP. 213-224,  10.5923/j.economics.20201004.02.

Chen, Y., Jiao, J., Bai, S. & Lindquist, J., 2020, Modeling the Spatial Factors of COVID-19 in New York City, Available at: https://ssrn.com/abstract=3606719. http://dx.doi.org/10.2139/ssrn.3606719.

DiMaggio, C., Klein, M., Berry, C. & Frangos, S., 2020, Blacks/African Americans are 5 Times More Likely to Develop COVID-19: Spatial Modeling of New York City ZIP Code-Level Testing Results, medRxiv, doi: https://doi.org/10.1101/2020.05.14.20101691.

Ehlert, A., 2021, The Socio-Economic Determinants of COVID-19: A Spatial Analysis of German County Level Data, Socio-Economic Planning Sciences, Available online: https://doi.org/10.1016/j.seps.2021.101083.

Franch-Pardo, I., Napoletano, B.M., Rosete-Verges, F. & Billa, L., 2020, Spatial Analysis and GIS in the Study of COVID-19. A Review, Science of the Total Environment, 739, P. 140033, https://doi.org/10.1016/j.scitotenv.2020.140033.

Gupta, A., Banerjee, S. & Das, S., 2020, Significance of Geographical Factors to the COVID-19 Outbreak in India, Modeling Earth Systems and Environment, 6, PP. 2645-2653 .

Iyanda, A.E., Adeleke, R., Lu, Y., Osayomi, T., Adaralegbe, A., Lasode, M., Chima-Adaralegbe, N.J. & Osundina, A.M., 2020, A Retrospective Cross-National Examination of COVID-19 Outbreak in 175 Countries: A Multiscale Geographically Weighted Regression Analysis (January 11-June 28, 2020), Journal of Infection and Public Health, 13, PP. 1438-1445.

Kang, D., Choi, H., Kim, J.-H. & Choi, J., 2020, Spatial Epidemic Dynamics of the COVID-19 Outbreak in China, International Journal of Infectious Diseases, 94, PP. 96-102.

Mansour, S., Al-Kindi, A., Al-Said, A., Al-Said, A. & Atkinson, P., 2021, Sociodemographic Determinants of COVID-19 Incidence Rates in Oman: Geospatial Modelling Using Multiscale Geographically Weighted Regression (MGWR), Sustainable Cities and Society, 65, P. 102627, https://doi.org/10.1016/j.scs.2020.102627.

Meade, M.S., 2014, Medical Geography, The Wiley Blackwell Encyclopedia of Health, Illness, Behavior, and Society, PP. 1375-1381.

Mollalo, A., Vahedi, B. & Rivera, K.M., 2020, GIS-Based Spatial Modeling of COVID-19 Incidence Rate in the Continental United States, Science of the Total Environment, No. 138884, https://doi.org/10.1016/j.scitotenv.2020.138884.

Montgomery, D., Peck, E. & Vining, G., 2012, Introduction to Linear Regression Analysis, New York: John Wiley & Sons.

Qiu, Y., Chen, X. & Shi, W., 2020, Impacts of Social and Economic Factors on the Transmission of Coronavirus Disease 2019 (COVID-19) in China, Journal of Population Economics, 33, PP. 1127-1172.

Sirkeci, I. & Yucesahin, M.M., 2020, Coronavirus and Migration: Analysis of Human Mobility and the Spread of COVID-19, Migration Letters, 17(2), PP. 379-398, https://doi.org/10.59670/ml.v17i2.935.

Sannigrahi, S., Pilla, F., Basu, B., Basu, A.S. & Molter, A., 2020, Examining the Association between Socio-Demographic Composition and COVID-19 Fatalities in the European Region Using Spatial Regression Approach, Sustainable Cities and Society, 62(102418), https://doi.org/10.1016/j.scs.2020.102418.

Tian, S., Hu, N., Lou, J., Chen, K., Kang, X., Xiang, Z. & Liu, D., 2020, Characteristics of COVID-19 Infection in Beijing, Journal of Infection, 80(4), PP. 401-406.

World Health Organization. Shortage of Personal Protective Equipment Endangering Health Workers Worldwide, 2020, (accessed 27 Mar 2020).

Yarnal, B., 2006, Synoptic Climatology in Environmental Analysis: A Primer, Masoudian, A., Isfahan University, Isfahan.

Zhou, C., Su, F., Pei, T., Zhang, A., Du, Y., Luo, B. & Zhu, Y., 2020, COVID-19: Challenges to GIS with Big Data, Geography and Sustainability, 1(1), PP. 77-87.

 

آمار
تعداد مشاهده مقاله: 4,538
تعداد دریافت فایل اصل مقاله: 1,770