کاربرد رگرسیون وزنی جغرافیایی (GWR) در مدل سازی فضایی بیماری کووید 19 و سیاستگذاری شهری در گروه های سنی مختلف در شهر گراش استان فارس
الموضوعات :
ثریا انصاری
1
,
مریم انصاری
2
,
محمد انصاری
3
,
عطریه احمدی
4
,
طیبه مهروری
5
,
محمد حسین گلکار
6
,
محمد نوروزی
7
,
صفیه آتشبار
8
1 - رئیس گروه جوانی جمعیت، سلامت خانواده و مدارس معاونت بهداشت دانشکده علوم پزشکی گراش، فارس، ایران
2 - گروه جغرافیا، دانشگاه رازی، کرمانشاه، ایران
3 - کارشناس بیماری های واگیر معاونت بهداشت دانشکده علوم پزشکی گراش، ایران
4 - مدیر بهبود کیفیت مرکز آموزشی درمانی امیرالمومنین (ع) گراش، ایران
5 - متخصص اطفال، معاون بهداشت دانشکده علوم پزشکی گراش، گراش، ایران
6 - معاون فنی معاونت بهداشت دانشکده علوم پزشکی گراش
7 - رئیس گروه بیماری¬ها، معاون اجرایی معاونت بهداشت دانشکده علوم پزشکی گراش
8 - کارشناس برنامه سلامت مادران معاونت بهداشت دانشکده علوم پزشکی گراش،
الکلمات المفتاحية: سیاست گذاری, کووید 19, گراش, مدل سازی, GWR,
ملخص المقالة :
همه‌گیری کووید 19 به‌دلیل نرخ بالای انتقال و گسترش سریع آن در سراسر جهان به یک مشکل بهداشتی تبدیل شده است. بنابراین در سال های اخیر بسیاری از پژوهشگران جهت مدیریت بهتر این شرایط با روش های مختلف به بررسی و تجزیه و تحلیل فضایی بیماری کووید 19 با عوامل مختلف پرداخته اند. از این رو در این تحقیق سعی شد با انتخاب شهر گراش در استان فارس به‌عنوان نمونه ای از شهرهای جنوبی کشور کارایی مدل GWR برای تعیین مناطق پرخطر مرگ و میر بر اثر بیماری کرونا در گروه های سنی مختلف، سنجیده شود. در این تحقیق برای بررسی رابطۀ بین مرگ و میر ناشی از کرونا در شهر گراش و گروه های سنی مختلف و مدل سازی مکانی جهت سیاستگذاری شهری از مدل رگرسیون وزنی جغرافیایی (GWR) استفاده شده است. نتایج نشان داد که از بین 10 گروه سنی، یکی از آن ها یعنی گروه سنی 61-70 سال با تعداد مرگ و میر رابطۀ معنی دار دارند و بیشترین میزان همبستگی در غرب شهر گراش قابل مشاهده می باشد و پس از آن بیشترین میزان همبستگی به ترتیب مربوط به شمال با 97/0، مرکز با 92/0 و جنوب با 88/0 است. مکان های مشخص شده نسبت به نقاط دیگر شهر از لحاظ اقتصادی ضعیف تر می باشند و اقشاری از جامعه که از نظر اقتصادی ضعیف تر می باشند نسبت به قشرهای دیگر آسیب پذیرترند. همچنین نتایج کاربردی مدل GWR و قدرت بالای آن جهت مدل سازی به مدیران و برنامه ریزان کمک می کند تا نقاط حساس شرایط پاندمی را شناسایی و برای مدیریت و سیاستگذاری هرچه بهتر به کار گیرند.
Ansari, M., Jabbari, I., Sargordi, F. (2021); Spatial Modelling of Water QualityParameters Based on Geological Formations. Hydrogeomorphology. 8(26): 137-117. (in Persian) 10.22034/HYD.2021.44081.1571
Brunsdon, H. (1996); Fotheringham S, Charlton M. Geographically Weighted Regression: A method for exploring spatial nonstationarity. Geogr Anal. 28(4): 281-298. https://doi.org/10.1111/j.1538-4632.1996.tb00936.x
Erfanian, M. (2016); Modeling the Effects of Land Use on Water Quality Parameters Using OLS and GWR Multivariate Regression Methods in Fars Province Watersheds. JES. 42(2): 353-373. (in Persian) doi: 10.22059/jes.2016.58738
Erfanian, M., Hosseinkhah, M., Alijanpour, A. (2013): Introduction to Ordinary Least Squares (OLS) and Geographically Weighted Regression (GWR) Methods in Spatial Modeling of Land Use Effects on Water Quality. Extens and Develop of Watershed Manage. 1(1): 33-38. (in Persian)
Gerash municipality website. (in Persian) https://gerash.ir/
Isazade, V., Qasimi, A.B., Dong, P., Kaplan, G., Isazade, E. (2023); Integration of Moran’s I, geographically weighted regression (GWR), and ordinary least square (OLS) models in spatiotemporal modeling of COVID-19 outbreak in Qom and Mazandaran Provinces, Iran. Model Earth Syst Environ. 1-15. https://doi.org/10.1007/s40808-023-01729-y
Isazadeh, V., Argany, M., Ghanbari, A., Mohammadi, H. (2021); Temporal and spatial distribution modeling of corona virus spread (Case study: Qom and Mazandaran provinces). JEHM. 8(1): 81-98. (in Persian) doi: 10.22059/jhsci.2021.321919.642
Jasim, I.A., Fileeh, M.K., Ebrahhem, M.A., Al Maliki, L.A., Al Mamoori, S.K., Al Ansari, N. (2022); Geographically weighted regression model for physical, social, and economic factors affecting the COVID-19 pandemic spreading. Environ Sci Pollut Res. 29: 51507–51520. https://doi.org/10.1007/s11356-022-18564-w
Karim zadeh, H., Khaleghi, A., Taghi zadeh, R. (2020); Analysis of the rural community's environmental perception of the spread of the corona virus in the central part of Varzeghan city. J. space economy & rural develop. 33(9): 49-70. (in Persian) http://serd.khu.ac.ir/article-1-3581-fa.html
Middya, A.I., Roy, S. (2021); Geographically varying relationships of COVID-19 mortality with different factors in India. Sci Rep. 11(7890): 1-12. https://doi.org/10.1038/s41598-021-86987-5
Nasire Zare, S., Parizadi, T., Hakimi, M. (2022); Pathology of Rural Areas in Risks of COVID-19 (Case Study: Rural Areas of Ijroud City in Zanjan Province). Journal of Geography and Environmental Hazards. 11(1): 217-234. (in Persian) doi: 10.22067/geoeh.2021.72004.1098
Pine, J.C. (2014); Hazards Analysis Reducing the Impact of Disasters. Second Edition. CRC Press. Boca Raton. 338 pages. https://doi.org/10.1201/b17463
Pratt, B., Changa, H. (2012): Effects of land cover, topography, and built structure on seasonal water quality at multiple spatial scales, J Hazard Mater. 209– 210: 48-58. 10.1016/j.jhazmat.2011.12.068
Rahnama, M.R., Bazargan, M. (2020); Modeling the spatial spread pattern of the covid-19 virus in rural and urban areas of Iran. J. space economy & rural develop. 33(9): 25-48. (in Persian) http://serd.khu.ac.ir/article-1-3580-fa.html
Widiawaty, M.A., Lam, K.C., Dede, M., Asnawi, N.H. (2022); Spatial differentiation and determinants of COVID-19 in Indonesia. BMC Public Health. 22(1030): 1-16. https://doi.org/10.1186/s12889-022-13316-4
Yao, Y., Shi, W., Zhang, A., Liu, Z., Luo, Sh. (2021); Examining the diffusion of coronavirus disease 2019 cases in a metropolis: a space syntax approach. Int. J Health Geogr. 20(17): 1-14. https://doi.org/10.1186/s12942-021-00270-4
Zietz, M., Zucker, J., Tatonetti, N. (2020); Associations between blood type and COVID-19 infection, intubation, and death. Nat Commun. 5761(11): 1-6.
