تحلیل فضایی میزان ابتلا به کوید19 با کاربرد رگرسیون فضایی

سابقه و هدف: همه‌گیری کووید 19 به‌منزله‌‌ پدیده‌ای جغرافیایی درنظر گرفته می‌شود که تجزیه‌وتحلیل فضایی و تاثیر جغرافیایی آن، در تصمیم‌گیری و جنبه‌های زندگی روزمره، بسیار اهمیت می‌یابد. سامانه‌ 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 کووید‌ 19 نشان دهند؛ هرچند درمورد تاثیر 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 موثری برداشت. بنابراین هدف این مطالعه مدل‌سازی و تعیین عوامل تاثیرگذار در پراکنش بیماری کووید 19، براساس داده‌های موجود و دردسترس است.مواد و روش‌ها: در این مطالعه، با استفاده از روش‌های رگرسیون فضایی عمومی و محلی، عوامل تاثیرگذار در پراکنش میزان ابتلا به بیماری کووید 19 بررسی شد. برای این منظور، 73 شهرستان که آمار تعداد مبتلایان به بیماری کووید 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 رابطه‌ آنها با این بیماری، به‌کمک روش‌های آمار فضایی، بررسی شد. براساس روش رگرسیون گام‌به‌گام تراکم جمعیت، فشار هوا، میانگین سن و سرعت باد به‌منزله‌ پیش‌بینی‌کننده‌های معنی‌دار تعیین شدند و بروز بیماری با استفاده از تکنیک‌ ols مدل‌سازی شد. سپس با توجه به ناایستابودن رابطه‌ 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 مولفه‌های 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 رابطه‌ 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 مولفه‌های 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 به‌منزله‌ متغیرهای پیش‌بینی‌کننده در مدل‌سازی با تکنیک gwr درنظر گرفته شدند. افزایش 10درصدی ضریب تعیین تعدیل‌شده‌ 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 تاثیرگذار 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 تاثیر عوامل جمعیت‌شناختی و محیطی را در میزان ابتلا به بیماری ‌کووید 19 روشن کرده است و می‌تواند برای ادامه‌ مطالعاتی در این زمینه راه‌گشا باشد.

spatial analysis of govid-19 outbreak using spatial regression

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.