تحلیل فضایی میزان ابتلا به کوید۱۹ با کاربرد رگرسیون فضایی

سابقه و هدف: همه گیری کووید ۱۹ به منزله پدیده ای جغرافیایی درنظر گرفته می شود که تجزیه وتحلیل فضایی و تاثیر جغرافیایی آن، در تصمیم گیری و جنبه های زندگی روزمره، بسیار اهمیت می یابد. سامانه اطلاعات جغرافیایی و تکنیک های مکانی می توانند نقش مهمی در تجزیه و تحلیل کلان داده های شیوع این بیماری در سطح جهانی ایفا کنند. مطالعات انجام شده باکمک تکنیک های تحلیل فضایی توانسته اند میزان اهمیت متغیرهای اجتماعی و بهداشتی را در میزان ابتلا و موارد مرگ ومیر ناشی از بیماری کووید ۱۹ نشان دهند؛ هرچند درمورد تاثیر متغیرهای هواشناسی در این زمینه، مطابق با متفاوت بودن نتایج پژوهش های پیشین، همچنان ابهاماتی وجود دارد. با توجه به تنوع اقلیمی ایران، با انجام دادن پژوهش هایی در این زمینه به منظور آشکارسازی عوامل مهم و اثرگذار فضایی، می توان گام های موثری برداشت. بنابراین هدف این مطالعه مدل سازی و تعیین عوامل تاثیرگذار در پراکنش بیماری کووید ۱۹، براساس داده های موجود و دردسترس است. مواد و روش ها: در این مطالعه، با استفاده از روش های رگرسیون فضایی عمومی و محلی، عوامل تاثیرگذار در پراکنش میزان ابتلا به بیماری کووید ۱۹ بررسی شد. برای این منظور، ۷۳ شهرستان که آمار تعداد مبتلایان به بیماری کووید ۱۹ آنها (طی دوره ای کوتاه، از دهم اسفند ۹۸ تا بیستم خرداد ۹۹ به تفکیک شهرستان ها) دردسترس بوده است، انتخاب شدند. عوامل ارتفاع، تراکم جمعیت و میانگین سنی، نسبت جمعیت بالای ۵۵ سال به جمعیت کل و همچنین پارامترهای هواشناسی شامل رطوبت، دما، فشار و سرعت باد انتخاب و رابطه آنها با این بیماری، به کمک روش های آمار فضایی، بررسی شد. براساس روش رگرسیون گام به گام تراکم جمعیت، فشار هوا، میانگین سن و سرعت باد به منزله پیش بینی کننده های معنی دار تعیین شدند و بروز بیماری با استفاده از تکنیک OLS مدل سازی شد. سپس با توجه به ناایستابودن رابطه متغیرهای مستقل با متغیر وابسته، هم در بعد فضایی و هم در بعد داده ها، تکنیک GWR به کار رفت و برای افزایش تغییرپذیری فضایی و برطرف کردن مشکل هم راستایی خطی، از روش تحلیل مولفه های اصلی و نرم افزار SPSS بهره برده شد. نتایج و بحث: نتایج نشان داد مدل عمومی ارائه شده به طور کلی به لحاظ آماری معنی دار است و مقادیر واریانس توجیه شده با مدل تصادفی نیست اما رابطه متغیرهای مستقل با متغیر وابسته، هم در بعد فضایی و هم در بعد داده ها، ناایستاست. همچنین مشخص شد توزیع باقی مانده ها تاحدی از توزیع نرمال انحراف نشان می دهد که چه بسا به دلیل وجود ناایستایی در مدل باشد. بنابراین تکنیک رگرسیون وزن دار جغرافیایی برای مدل سازی به کار گرفته شد. به منظور اجرای آن و افزایش تغییرپذیری فضایی برای رفع مشکل هم راستایی خطی (به دلیل وجود الگوی خوشه ای در متغیرهای هواشناسی)، روش تحلیل مولفه های اصلی استفاده شد و عوامل هواشناسی به یک فاکتور کاهش یافت. این عامل نزدیک به ۷۰٪ تغییرات این متغیرها را توجیه می کند. کاهش عوامل متغیرهای میانگین سن و نسبت جمعیت بالای ۵۵ سال نیز به یک عامل باعث بهبود نتایج شد. بنابراین تراکم جمعیت، عامل هواشناسی و عامل سن به منزله متغیرهای پیش بینی کننده در مدل سازی با تکنیک GWR درنظر گرفته شدند. افزایش ۱۰درصدی ضریب تعیین تعدیل شده مدل وزن دار جغرافیایی (۶۳٪) نشان از بهبود نسبی نتایج این مدل درقیاس با مدل عمومی دارد. نتایج آزمون خودهمبستگی فضایی موران نشان داد، با اینکه از شدت الگوی خوشه ای باقی مانده ها در این مدل درمقایسه با مدل OLS کاسته شده است، همچنان در سطح اطمینان ۹۹٪ معنی دار است. تحلیل نقاط داغ در سطح اطمینان ۹۵٪ نشان داد بخش های غربی استان کردستان، بخش های شمالی و غربی استان خوزستان نقاط داغ (الگوی خوشه ای کم برآورد معنی دار) و بخش های شرقی استان همدان و بخش های شمالی استان بوشهر نقاط سرد (الگوی خوشه ای بیش برآورد معنی دار) هستند. بنابراین دست کم یک متغیر تاثیرگذار در بروز این بیماری درنظر گرفته نشده است. با توجه به اینکه متغیرهای احتمالی درنظر گرفته نشده همچون عوامل فرهنگی، بهداشتی و ژنتیکی دردسترس نبوده اند و یا ممکن است اندازه گیری آنها سخت بوده باشد، از بررسی آنها صرف نظر شد. نتیجه گیری: نتایج این مطالعه اهمیت و میزان تاثیر عوامل جمعیت شناختی و محیطی را در میزان ابتلا به بیماری کووید ۱۹ روشن کرده است و می تواند برای ادامه مطالعاتی در این زمینه راه گشا باشد.

Keywords:

مدل وزن دار جغرافیایی , مدل حداقل مربعات معمولی , خودهمبستگی موران , تحلیل نقاط داغ.