تحلیل جغرافیایی اپیدمیولوژی کووید-19 در ایران با رویکرد تحلیل اکتشافی داده های مکانی (ESDA)

نوع مقاله : پژوهشی اصیل

نویسندگان

گروه جغرافیا و برنامه ریزی شهری، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

زمینه و هدف: استفاده از تحلیل­ های جغرافیایی اپیدمیولوژی کووید-19، جهت شناسایی عوامل جغرافیایی مؤثر بر شیوع این بیماری می­تواند بر سیاست‎ گذاری ­های بهداشتی جامعه، مبنی بر کنترل روند شیوع این ویروس مؤثر واقع شود. از این­رو، پژوهش حاضر به تحلیل­ جغرافیایی اپیدمیولوژی ویروس ­کرونا در کشور پرداخته است.
روش­ها: این تحقیق از نظر روش­ شناسی، توصیفی-تحلیلی بوده و برای تجزیه ­و­ تحلیل داده­ها از نرم­ افزارهای ArcGIS و GeoDa استفاد شد. جامعه آماری تحقیق، شامل تعداد مبتلایان به ویروس­ کرونا (21638 نفر) در استان­های­ کشور و در محدوده زمانی3 اسفند 1398 الی 3 فروردین 1399 است. داده­ های مبتلایان به کرونا به تفکیک هر استان وارد نرم­ افزار ArcGIS شد. جهت نمایش پراکندگی ­فضایی مبتلایان به کرونا در کشور بر اساس بازه زمانی مذکور از تراکم نقطه ­ای استفاده شد. سپس با استفاده از ضریب موران پراکنش ­فضایی آن بررسی شد. همچنین با استفاده از خودهمبستگی­ فضایی میزان فاصله گسترش شیوع ویروس­ کرونا در بین استان­های­ کشور تحلیل شد. در نهایت با استفاده از شاخص محلی پیوند­ فضایی موران تک ­متغیره، خوشه­ بندی ­فضایی استان­های کشور بر اساس ویروس ­کرونا صورت گرفت.
یافته­ها: آمارها حاکی از آن است که گروه سنی 21-50 سال، بیشترین درصد مبتلایان به ویروس­ کرونا را تشکیل می ­دهند. نتایج حاصل از تحقیق نشان داد که مهمترین عامل انتشار فضایی ویروس ­کرونا در کشور، فاصله و مجاورت مکانی استان­های درگیر با این بیماری است بطوریکه در فاصله 8/383 کیلومتری بین استان­های ­کشور ضریب موران 0/136627 می ­باشد و نشان­ دهنده خودهمبستگی مکانی مثبت است. در فاصله 762/6 کیلومتری بین استان­ها ضریب­موران برابر 0/040246- است که نشان ­دهنده خودهمبستگی مکانی منفی بوده بدین معنی که از این فاصله به بعد از تعداد مبتلایان به کرونا کاسته می ­شود. در خوشه­ بندی ­فضایی، خوشه HH شامل استان­های (تهران، البرز، قم، مازندران، گیلان، قزوین، اصفهان، سمنان، مرکزی و یزد) به عنوان کانون اصلی انتشار فضایی اپیدمی ویروس ­کرونا شناخته می ­شوند که باید برای کنترل و کاهش شیوع این ویروس در کشور تمهیدات و محدودیت‌هایی در زمینه عبور و مرور بین استان­های واقع در این خوشه و سایر استان­ها اعمال شود. همچنین خوشه LH (شامل استان­های گلستان، خراسان رضوی، خراسان شمالی، اردبیل و همدان) به عنوان حلقۀ پیرامون­ کانون­ آسیب می ­باشند که به لحاظ تعامل­ فضایی و مجاورت با خوشه  HHباید کنترل­ های جدی در زمینه ممنوعیت رفت­ و آمد به آنها صورت بگیرد تا از ادامه گسترش شیوع ویروس­ کرونا به استان­های واقع در خوشه LH جلوگیری شود.
نتیجه­گیری: از مهمترین عوامل جغرافیایی مؤثر بر شیوع ویروس­کرونا براساس نظریه پخش فضایی، فاصله و مجاورت مکانی می ­باشد که مسئولان و برنامه­ ریزان باید با هوشمندسازی از مراجعه افراد به ادارات و سازمان­ها کاسته و با فراهم نمودن زمینه دورکاری، از ادامه روند صعودی شیوع ویروس­ کرونا در کشور جلوگیری نمایند.

کلیدواژه‌ها


1. Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y, et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet. 2020; 395: 507-513. doi:10.1016/S0140-6736(20)30211-7 2. Lu R, Zhao X, Li J, Niu P, Yang B, Wu H, et al. Genomic characterisation and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding. Lancet. 2020; 395: 565-574. doi:10.1016/S0140-6736(20)30251-8 3. World Health Organization (WHO), 2020. Report of theWHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19). Retrieved from. https://www.who.int/docs/default- source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf. 4. Mollalo A, Vahedi B, Rivera K. GIS-based spatial modeling of COVID-19 incidence rate in the continental United States. Science of the Total Environment. 2020; 728: 1-8. doi:10.1016/j.scitotenv.2020.138884 5. National Health Commission's briefing on the pneumonia epidemic situation. Released on 23 Feb 2020. 6. Wu F ZS, Bin Y, Chen YM, Wang W, Song ZG, Hu Y, et al. A new coronavirus associated with human respiratory disease in China. Nature. 2020. doi:10.1038/s41586-020-2202-3 7. Zhou P YX, Wang XG, Hu B, Zhang L, Zhang W, et al. A pneumonia outbreak associated with a new coronavirus of probable bat origin. Nature. 2020. 8. World Health Organization. 10 facts on neglected tropical diseases [Online]. 2011. Available from: URL: http://www.who.int/features/factfiles/ neglected_ tropical_ diseases/en/. 9. Ghaedamini Asadabadi R, Tofighi S, Ghaedamini H, Azizian F, Amerieon A, Shokri M. A review of some infectious diseases distribution based on geographic information system (GIS) in the area of Chahar Mahal and Bakhtiari. Journal of Police Medicine. 2012; 1(2): 113-123. 10. American Health Organization. Use of GIS in epidemiology. Epidemiological Bulletin. 1996;17:1-7. 11. Kandwal R, Garg PK, Garg RD. Health GIS and HIV/ AIDS studies: Perspective and retrospective. J Biomed Inform. 2009; 42: 748-755. doi:10.1016/j.jbi.2009.04.008 12. Elliott P, Cuzik J, English D, Stern R. Geographical & environmental epidemiology. 1st edition. England. Oxford University Press. 1996. doi:10.1093/acprof:oso/9780192622358.001.0001 13. Rezaeian M. Geographical epidemiology, spatial analysis& geographical information system: a multidisciplinary glossary. J Epidemiol Community Health. 2007; 61: 98-102. doi:10.1136/jech.2005.043117 14. Bailley T, Gatrell A. Interactive spatial data analysis. 1st ed. Harlow. Longman. 1995. 15. Bell B, Broemeling L. A Bayesian analysis for spatial processes with application to disease mapping. Stat Med. 2000;19:974-975.doi:10.1002/(SICI)1097-0258(20000415)19:7<957::AID-SIM396>3.0.CO;2-Q 16. Cliff A. Analyzing geographically related disease data. Stat Methods Med Res. 1995;4:93-101. doi:10.1177/096228029500400201 17. Joyce K. To me it's just another tool to help understand the evidence: Public health decision-makers' perceptions of the value of geographical information systems (GIS). Health Place. 2009; 15: 831-840. doi:10.1016/j.healthplace.2009.01.004 18. Scholten HJ, De Lepper MJ. The benefits of the application of geographical information systems in public & environmental health. World Health Stat Q. 1991; 44: 160- 170. 19. O Dwyer L, Burton D. Potential meets reality: GIS & public health research in Australia. Aust J Public Health. 1998; 22: 819-823. doi:10.1111/j.1467-842X.1998.tb01500.x 20. Kistemann T, Dangendorf F, Schweikart J. New perspectives on the use of Geographical Information Systems in environmental health sciences. Int J Hyg Environ Health. 2002; 205: 169 - 181. doi:10.1078/1438-4639-00145 21. Faruque FS, Lofton SP, Doddato TM, Mangum C. Utilizing Geographic Information systems in community assessment& nursing research. J Community Health Nurs. 2003; 20: 179 - 191. doi:10.1207/S15327655JCHN2003_04 22. Ricketts TC. Geographic information system & public health. Annu Rev Public Health. 2003;24:1- 6. doi:10.1146/annurev.publhealth.24.100901.140924 23. Tanser FC, Le-Sueur D. The application of geographical information systems to important public health problems in Africa. Int J Health Geography. 2002; 9: 1- 4. doi:10.1186/1476-072X-1-4 24. Anselin, Luc. The Moran scatter plot as an ESDA tool to assess local instability in spatial association. In Fischer M, Scholten H.J, Unwin D. (Eds.), Spatial analytical perspectives in GIS (pp. 111-125). London: Taylor & Francis. 1996. doi:10.1201/9780203739051-8 25. Le Gallo J, Dall'Erba S. Evaluating the temporal and spatial heterogeneity of the European convergence process, 1980-1999, Journal of Regional Science. 2006; 46(2): 269-288. doi:10.1111/j.0022-4146.2006.00441.x 26. Seifolddini F, Mansourian H. A Spatial Analysis of the Socio-economic and Environmental Variables of Tehran City, Spaces and Flows. 2012; 2: 53-67. doi:10.18848/2154-8676/CGP/v02i01/53833 27. Ertur C, Le Gallo J. An exploratory spatial data analysis of European disparities, 1980-1995, In Fingleton B. (Ed.), European regional growth. Berlin: Springer. 2003. doi:10.1007/978-3-662-07136-6_3 28. Rey S. Spatial dependence in the evolution of regional income distributions, In Getis A, Mur J.N, Zoeller H. (Eds.), Spatial econometrics and spatial statistics. Hampshire: Palgrave Macmillan. 2004. 29. Guillain R, Le Gallo J, Boiteux-Orain, C. Changes in spatial and sectoral patterns of employment in Ile-de-France, 1978-1997, Urban Studies. 2006; 43(11): 1-24. doi:10.1080/00420980600945203 30. Baumont C, Ertur C, Le Gallo J. Spatial analysis of employment and population density: The case of the agglomeration of Dijon. Geographical Analysis. 2004; 36: 146-176. doi:10.1111/j.1538-4632.2004.tb01130.x 31. World Health Organization. Coronavirus disease 2019 (COVID-19) Situation Report - 63. 23 March 2020. 32. Ministry of Health and Medical Education. 2020. https://behdasht.gov.ir/uploads/1/2020. https://iransdi.ir/layersf/Crona. 33. Ratcliff J.H. (2004), The Hot spots Matrix: A Framework for the Spatial-Temporal Targeting of Crime Reduction, police practice and research. 2004; 5(1): 5-23. doi:10.1080/1561426042000191305 34. Wentao Y, Min D, Chaokui L, Jincai H. Spatio-Temporal Patterns of the 2019-nCoV Epidemic at the County Level in Hubei Province, China. Int. J. Environ. Res. Public Health. 2020; 17: 1-11. doi:10.3390/ijerph17072563 35. Nikpouraghdam M, Farahani AJ, Alishiri G, Heydari S, Ebrahimnia M, Samadinia H, et al. Epidemiological characteristics of coronavirus disease 2019 (COVID-19) patients in IRAN: A single center study. Journal of Clinical Virology. 2020. doi:10.1016/j.jcv.2020.104378