نوع مقاله : علمی - پژوهشی
نویسندگان
1 دانشگاه سیدجمال الدین اسدآبادی
2 استادیار سیستم اطلاعات مکانی، گروه نقشهبرداری، دانشگاه سید جمالالدین اسدآبادی
3 استادیار اقلیمشناسی، گروه علوم انسانی و اجتماعی، دانشگاه فرهنگیان
چکیده
همهگیری کووید-19 به عنوان پدیدهای جغرافیایی در نظر گرفته میشود که تجزیه و تحلیل فضایی و تأثیر جغرافیایی آن بر تصمیمگیری و زندگی روزمره، بسیار مهم است. سیستم اطلاعات جغرافیایی و تکنیکهای مکانی میتوانند نقش مهمی در تجزیه و تحلیل کلان دادههای شیوع کووید-19 در سطح جهانی ایفا کنند. در این پژوهش با کاربرد نرمافزار ArcGIS و روشهای رگرسیون فضایی عمومی و محلی، بر اساس نرخ ابتلا به این بیماری در 73 شهرستان، به بررسی عوامل تاثیرگذار بر پراکنش آن پرداخته شد. برای این منظور 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 به عنوان متغیرهای پیشبینی کننده در نظر گرفته شدند. بر اساس روش رگرسیون گامبهگام، تراکم جمعیت، فشار هوا، میانگین سن و سرعت باد به عنوان پیشبینی کنندههای معنیدار تعیین و با تکنیک OLS مدلسازی نرخ ابتلا انجام شد. نتایج نشان داد مدل ارایه شده به لحاظ آماری معنیدار است، اما رابطه متغیرهای مستقل با متغیر وابسته هم در بعد فضایی و هم در بعد دادهها ناایستا است. بنابراین تکنیک GWR به کار گرفته شد و برای افزایش تغییرپذیری فضایی و برطرف نمودن مشکل همراستایی خطی، روش تحلیل مولفههای اصلی و نرمافزار SPSS به کار گرفته شد. در نهایت تراکم جمعیت، عامل هواشناسی و عامل سن به عنوان متغیرهای پیشبینی کننده در مدل محلی در نظر گرفته شدند. به دلیل بهبود نسبی عملکرد این مدل نسبت به مدل عمومی، میتوان گفت توانایی مدلهای محلی نسبت به مدلهای عمومی برای مدلسازی بیماری کوید 19 بیشتر است. نتایج آزمون خودهمبستگی فضایی موران و تحلیل نقاط داغ نشان داد دستکم یک متغیر تاثیرگذار بر بروز این بیماری وجود دارد که در این مطالعه در نظر گرفته نشده است. هرچند، نتایج این مطالعه اهمیت عوامل جمعیتشناختی و هواشناسی را بر نرخ ابتلا به بیماری کوید 19 روشن کرده است.
کلیدواژهها
عنوان مقاله [English]
Spatial analysis and modeling of Covid-19 outbreak using spatial regression techniques
نویسندگان [English]
- Somayeh Rafati alashti 1
- Abozar Ramezani 2
- Alireza Sadeghinia 3
1 Seyed jamaloddin University
2 Sayed Jamaleddin Asadabadi Uni Assaabad,Hamedan
3 Department of Humanities and Social Sciences, Farhangian University, Tehran, Iran
چکیده [English]
The Covid-19 pandemic is considered as a geographical phenomenon, so spatial analysis and its geographical impact on decision-making are very important. Geographic information system and spatial analysis can play an important role in analysis of the spread of Covid-19 at the global level. This study investigated the factors affecting Covid-19 outbreak using global and local spatial regression methods. Altitude, population density, mean age, ratio of population over 55 years to the total population as well as meteorological parameters including humidity, temperature, pressure and wind speed were selected as predictor variables. Population density, air pressure, mean age and wind speed were determined as significant predictors based on the stepwise regression and entered into the OLS. The results showed that the OLS model is statistically significant, but the explanatory variables in the model have an inconsistent relationship to the dependent variable both in geographic space and in data space. Therefore, the GWR was used. To solve the problem of local multicollinearity and increase spatial variability, principal component analysis was used. Finally population density, meteorological and age factors were calculated and used as predictor variables in the GWR. Due to the relative improvement of the performance of this model compared to the general OLS model, it can be concluded that the ability of local models to explain the relationships between these variables is higher than global models. The results of Moran’s I test and hot spot analysis showed that there is at least one variable affecting this disease that has not been considered in this study. However, the results of this study have highlighted the importance of demographic and meteorological factors on the Covid 19 outbreak.
کلیدواژهها [English]
- Geographically Weighted Regression, Ordinary least squares, Moran&rsquo
- s I test, Hot spot analysis