تحليل فضايي ميزان ابتلا به كويدـ19 با كاربرد رگرسيون فضايي

سابقه و هدف: همه‌گيري كوويدـ 19 به‌منزله‌‌ پديده‌اي جغرافيايي درنظر گرفته مي‌شود كه تجزيه‌وتحليل فضايي و تأثير جغرافيايي آن، در تصميم‌گيري و جنبه‌هاي زندگي روزمره، بسيار اهميت مي‌يابد. سامانه‌ اطلاعات جغرافيايي و تكنيك‌هاي مكاني مي‌توانند نقش مهمي در تجزيه‌و‌تحليل كلان‌داده‌هاي شيوع اين بيماري در سطح جهاني ايفا كنند. مطالعات انجام‌شده باكمك تكنيك‌هاي تحليل فضايي توانسته‌اند ميزان اهميت متغيرهاي اجتماعي و بهداشتي را در ميزان ابتلا و موارد مرگ‌ومير ناشي از بيماري كوويد‌ـ 19 نشان دهند؛ هرچند درمورد تأثير متغيرهاي هواشناسي در ‌اين‌ زمينه، مطابق با متفاوت‌بودن نتايج پژوهش‌هاي پيشين، همچنان ابهاماتي وجود دارد. با توجه به تنوع اقليمي ايران، با انجام‌دادن پژوهش‌هايي در اين زمينه به‌منظور آشكارسازي عوامل مهم و اثرگذار فضايي، مي‌توان گام‌هاي مؤثري برداشت. بنابراين هدف اين مطالعه مدل‌سازي و تعيين عوامل تأثيرگذار در پراكنش بيماري كوويدـ 19، براساس داده‌هاي موجود و دردسترس است.مواد و روش‌ها: در اين مطالعه، با استفاده از روش‌هاي رگرسيون فضايي عمومي و محلي، عوامل تأثيرگذار در پراكنش ميزان ابتلا به بيماري كوويدـ 19 بررسي شد. براي اين منظور، 73 شهرستان كه آمار تعداد مبتلايان به بيماري كوويدـ 19 آنها (طي دوره‌اي كوتاه، از دهم اسفند 98 تا بيستم خرداد 99 به‌تفكيك شهرستان‌ها) دردسترس بوده است، انتخاب شدند. عوامل ارتفاع، تراكم جمعيت و ميانگين سني،‌ نسبت جمعيت بالاي 55 سال به جمعيت كل و همچنين پارامترهاي هواشناسي شامل رطوبت، دما، فشار و سرعت باد انتخاب و رابطه‌ آنها با اين بيماري، به‌كمك روش‌هاي آمار فضايي، بررسي شد. براساس روش رگرسيون گام‌به‌گام تراكم جمعيت، فشار هوا، ميانگين سن و سرعت باد به‌منزله‌ پيش‌بيني‌كننده‌هاي معني‌دار تعيين شدند و بروز بيماري با استفاده از تكنيك‌ OLS مدل‌سازي شد. سپس با توجه به ناايستابودن رابطه‌ متغيرهاي مستقل با متغير وابسته، هم در بعد فضايي و هم در بعد داده‌ها، تكنيك GWR به‌كار رفت و براي افزايش تغييرپذيري فضايي و برطرف‌كردن مشكل هم‌راستايي خطي، از روش تحليل مؤلفه‌هاي اصلي و نرم‌افزار SPSS بهره برده شد.نتايج و بحث: نتايج نشان داد مدل عمومي ارائه‌شده به‌طور كلي به‌لحاظ آماري معني‌دار است و مقادير واريانس توجيه‌شده با مدل تصادفي نيست اما رابطه‌ متغيرهاي مستقل با متغير وابسته، هم در بعد فضايي و هم در بعد داده‌ها، ناايستاست. همچنين مشخص شد توزيع باقي‌مانده‌ها تاحدي از توزيع نرمال انحراف نشان مي‌دهد كه چه‌بسا به‌دليل وجود ناايستايي در مدل باشد. بنابراين تكنيك رگرسيون وزن‌دار جغرافيايي براي مدل‌سازي به‌كار گرفته شد. به‌منظور اجراي آن و افزايش تغييرپذيري فضايي براي رفع مشكل هم‌راستايي خطي (به‌دليل وجود الگوي خوشه‌اي در متغيرهاي هواشناسي)، روش تحليل مؤلفه‌هاي اصلي استفاده شد و عوامل هواشناسي به يك فاكتور كاهش يافت. اين عامل نزديك به 70٪ تغييرات اين متغيرها را توجيه مي‌كند. كاهش عوامل متغيرهاي ميانگين سن و نسبت جمعيت بالاي 55 سال نيز به يك عامل باعث بهبود نتايج شد. بنابراين تراكم جمعيت، عامل هواشناسي و عامل سن به‌منزله‌ متغيرهاي پيش‌بيني‌كننده در مدل‌سازي با تكنيك GWR درنظر گرفته شدند. افزايش 10درصدي ضريب تعيين تعديل‌شده‌ مدل وزن‌دار جغرافيايي (63٪) نشان از بهبود نسبي نتايج اين مدل درقياس با مدل عمومي دارد. نتايج آزمون خودهمبستگي فضايي موران نشان داد، با اينكه از شدت الگوي خوشه‌اي باقي‌مانده‌ها در اين مدل درمقايسه با مدل OLS كاسته شده است، همچنان در سطح اطمينان 99٪ معني‌دار است. تحليل نقاط داغ در سطح اطمينان 95٪ نشان داد بخش‌هاي غربي استان كردستان، بخش‌هاي شمالي و غربي استان خوزستان نقاط داغ (الگوي خوشه‌اي كم‌برآورد معني‌دار) و بخش‌هاي شرقي استان همدان و بخش‌هاي شمالي استان بوشهر نقاط سرد (الگوي خوشه‌اي بيش‌برآورد معني‌دار) هستند. بنابراين دست‌كم يك متغير تأثيرگذار در بروز اين بيماري درنظر گرفته نشده است. با توجه به اينكه متغيرهاي احتمالي درنظر گرفته‌نشده همچون عوامل فرهنگي، بهداشتي و ژنتيكي دردسترس نبوده‌اند و يا ممكن است اندازه‌گيري آنها سخت بوده باشد، از بررسي آنها صرف‌نظر شد.نتيجه‌گيري: نتايج اين مطالعه اهميت و ميزان تأثير عوامل جمعيت‌شناختي و محيطي را در ميزان ابتلا به بيماري ‌كوويدـ 19 روشن كرده است و مي‌تواند براي ادامه‌ مطالعاتي در اين زمينه راه‌گشا باشد.