اندازه‌گیری آسیب‌پذیری COVID-19 برای شهرداری‌های شمال شرق برزیل: عوامل اجتماعی، اقتصادی و جمعیتی بر اساس معیارهای چندگانه و تحلیل فضایی

کووید-۱۹ پیامدهای مضر متعددی را از منظرهای مختلف، از جمله مسائل اجتماعی، اقتصادی، و رفاهی علاوه بر مسائل بهداشتی برای جهان به ارمغان آورده است. با این حال، شدت این پیامدهای مضر در مناطق مختلف متفاوت است. شناسایی اینکه کدام شهرها در برابر COVID-19 آسیب پذیرتر هستند و درک اینکه کدام متغیرها می توانند با پیشرفت موارد ثبت شده مرتبط باشند یک چالش است. بنابراین، این مطالعه با در نظر گرفتن جنبه‌های اجتماعی، اقتصادی، جمعیت‌شناختی و سرزمینی، یک مدل تصمیم‌گیری فضایی را برای شناسایی ویژگی‌های شهرهایی که در برابر COVID-19 آسیب‌پذیرترین هستند، بررسی و ایجاد می‌کند. از این رو، ۱۸ ویژگی در چهار گروه ذکر شده تفکیک شد. ما از مدلی استفاده کردیم که به رویکرد مجموعه خشن مبتنی بر تسلط برای تجمیع ویژگی‌ها (معیارهای چندگانه) و تحلیل فضایی (شاخص موران، و Getis و Ord) برای به دست آوردن نتایج نهایی. نتایج نشان می‌دهد که آسیب‌پذیرترین نقاط دارای ویژگی‌هایی با تراکم جمعیت بالا و شرایط اقتصادی نامناسب هستند. علاوه بر این، ما تجزیه و تحلیل های بعدی را برای تایید نتایج انجام دادیم. این پرونده در منطقه شمال شرقی برزیل توسعه یافته است.

کلید واژه ها:

COVID-19 ؛ چند معیار ؛ تجزیه و تحلیل آسیب پذیری ; تحلیل فضایی

۱٫ مقدمه

SARS-CoV-2، ویروس کرونا که باعث همه‌گیری کووید-۱۹ شد، در دسامبر ۲۰۱۹ کشف شد. اولین موارد شناخته شده در نمونه‌های به‌دست‌آمده از یک بیمار از ووهان، استان هوبی (چین)، که به ذات‌الریه یک بیماری آن زمان مبتلا بود، شناسایی شد. منشا ناشناخته همگنی فیلوژنتیک SARS-CoV-2 دارای ویژگی هایی است که با سایر ویروس های تنفسی انسانی مانند SARS-CoV، MERS-CoV و ویروس آنفلوانزای فصلی متمایز است [ ۱ ، ۲ ]

این ویروس به سرعت در سراسر جهان گسترش یافت و در سال ۲۰۲۰، سازمان بهداشت جهانی (WHO) شیوع آن را اعلام کرد. شیوع ویروس کرونای جدید دیرتر از سایر قاره ها به کشورهای آمریکای لاتین رسید. در برزیل، اولین مورد در ۲۶ فوریه [ ۳ ] تایید شد و انتقال جامعه در ۱۳ مارس [ ۴ ] شناسایی شد. با این وجود، در سال ۲۰۲۱، برزیل در میان کشورهایی بوده است که بیشترین موارد ابتلا و مرگ و میر را ثبت کرده است و در سال ۲۰۲۲ در رتبه سوم باقی مانده است [ ۵ ]. این رتبه بالا به استانداردهای ناکارآمد مدیریت بحران در دولت ملی برزیل نسبت داده می شود [ ۶ ، ۷ ]] و دولت‌های محلی (ایالت‌ها و شهرداری‌ها)، استفاده از ابزارهای نامناسب برای نظارت اپیدمیولوژیک [ ۸ ]، اقدامات ناکافی برای اجرای فاصله‌گذاری اجتماعی [ ۴ ]، و آزمایش‌ها و تشخیص‌های کمیاب RT-PCR [ ۹ ]. همچنین، منابع محدود فشار زیادی را بر امکانات سیستم سلامت وارد می کند [ ۱۰ ]. موج اول همه‌گیری در برزیل در شهرهای اصلی آن (بزرگ‌ترین و مرفه‌ترین شهرها با فعالیت‌های اقتصادی شدید)، به‌ویژه در سائوپائولو و ریودوژانیرو آغاز شد [ ۴ ]. در نهایت، ویروس به شهرهای کوچکتر سرایت کرد و متأسفانه، بر خلاف مراکز شهری، این شهرها با کمبود تجهیزات پزشکی، امکانات بهداشتی، بیمارستان‌ها، تخت‌ها و متخصصان بهداشت مواجه هستند [ ۱۱ ].].

تنوع مسائل اجتماعی ناشی از COVID-19 نیازمند تحقیق از دیدگاه های مختلف است. یکی از این نگرانی‌ها ارتباط بین انتشار COVID-19 با عوامل اقتصادی، جمعیتی و محیطی است، به عنوان مثال، مقایسه میزان بروز بیماری در شهرداری‌های شهری و روستایی با توجه به ویژگی‌های محلی [ ۱۲ ]، با در نظر گرفتن جنبه واکسیناسیون. سیاست‌های جمعیت‌شناختی [ ۱۳ ] و تأیید اندازه شهرها که شیوع ویروس را تأیید می‌کند [ ۷ ]. موضوع دیگری که جای بحث بیشتری دارد، جنبه های مکانی جغرافیایی است. تحقیق انجام شده در [ ۱۴] نشان می دهد که شیوع COVID-19 در مناطق شهری با تراکم جمعیت بالا بیشتر از مناطق روستایی رخ داده است. با این حال، تراکم را نمی توان به عنوان توضیح منحصر به فرد برای تعداد بالای موارد COVID-19 در نظر گرفت، همانطور که در [ ۱۵ ] نشان داده شده است. در برزیل، عواملی که باعث گسترش کووید-۱۹ می‌شوند، ظاهراً در مراحل اولیه ناشناخته بودند و پس از آن بررسی شدند تا به حرکت مردم نسبت به چندین عامل دیگر مرتبط باشند [ ۱۶ ].

با توجه به زمینه و دانش در مورد موقعیت‌های مشابه مربوط به بیماری‌های مسری، این مقاله به بررسی و شناسایی گروه‌های آسیب‌پذیر اجتماعی می‌پردازد که پرسش‌های اجتماعی-اقتصادی و محیطی در رابطه با COVID-19 برای آنها بسیار مرتبط است. بنابراین، یک مدل تصمیم‌گیری فضایی (ارزیابی معیارهای چندگانه و تجزیه و تحلیل فضایی خوشه‌ای) برای تعیین شهرداری‌های آسیب‌پذیر در منطقه شمال شرقی برزیل، بر اساس جنبه‌های اجتماعی، اقتصادی، سرزمینی و جمعیت‌شناختی ساختاریافته شد. با این چارچوب، برنامه‌هایی برای ارائه راه‌حل‌هایی برای مناطقی که بیشترین آسیب را در برابر COVID-19 دارند، باید طراحی و اجرا شود.

۲٫ بررسی نظری

از زمانی که شیوع بیماری همه‌گیر اعلام شد، محققان از رشته‌های مختلف پروژه‌های دانشگاهی را برای مشارکت و ارائه راه‌حل‌هایی برای جلوگیری از اثرات مضر کووید-۱۹ انجام داده‌اند. در این بخش، ما رابطه بین COVID-19 و ویژگی‌های اجتماعی، اقتصادی، سرزمینی و جمعیتی را برای حمایت از هدف این مطالعه بررسی می‌کنیم.

در یکی از اولین چنین مطالعاتی، [ ۱۷ ] تجزیه و تحلیل جغرافیایی COVID-19 را در آلمان انجام داد که شامل ۳۶۸ متغیر برای شناسایی الگوها در میان ویژگی های جغرافیایی، اجتماعی-اقتصادی، زیرساختی و محیطی بود. آنها ارتباط قوی بین COVID-19 و کلیساها، ثبت احوال بیکاری و ایستگاه های حمل و نقل عمومی را تعیین کردند. در مطالعه ای بر روی پکن، [ ۱۸ ] تراکم جمعیتی و فواصل در مناطق تولیدی، بیمارستان ها، مراکز مالی، محله های صنعتی، امکانات آموزشی (موزه ها، مدارس و کتابخانه ها) و مراکز خرید را به عنوان ویژگی های مرتبط شناسایی کرد. یک شاخص آسیب پذیری توسط [ ۱۹ ] پیشنهاد شد]، با در نظر گرفتن متغیرهایی مانند تراکم جمعیت، بیکاری و وضعیت سلامت (چاقی یا دیابت).

در [ ۲۰ ]، فناوری تحرک تلفن هوشمند در دهلی، هند برای ردیابی بیماران مبتلا به علائم استفاده شد. با این حال، در دسترس نبودن گوشی‌های هوشمند و موانع مربوط به جنبه‌های اجتماعی، اقتصادی، سرزمینی و جمعیتی به ایجاد یک محیط محروم در برخی مناطق کمک کرده است. در مطالعه‌ای در ایالات متحده، موارد ثبت‌شده COVID-19 با داده‌های اجتماعی-اقتصادی با استفاده از تجزیه و تحلیل خوشه‌ای و رگرسیون جغرافیایی [ ۲۱ ] مرتبط بود. آنها نشان دادند که سن، نژاد، شغل و زندگی در موقعیت‌های آسیب‌پذیر برای شناسایی حساسیت یک جمعیت به COVID-19 مهم است. علاوه بر این، متغیرهایی که به درستی انتخاب شده اند ممکن است برای ارائه اطلاعات ارزشمند برای توسعه مداخلات هدفمند برای مناطق و دوره های خاص مفید باشند، همانطور که در [.۲۲ ].

مطالعات مشابهی نیز در مورد برزیل انجام شده است که ارتباط بین موارد COVID-19 و چندین متغیر را نشان می دهد. در [ ۴ ]، تمام سرزمین های برزیل نقشه برداری شدند، و مشخص شد که کدام مراکز شهری محروم هستند و کدام مناطق در نزدیکی هستند. مکان هایی با تراکم بالاتر نیز شیوع بیماری را تسریع کردند. نتایج مشابهی برای سالوادور، پرجمعیت‌ترین شهر اصلی شمال شرق برزیل به دست آمد که شامل نابرابری‌های اقتصادی و نژاد به عنوان عوامل مرتبط بود [ ۲۳ ].

مقالات تحقیقاتی برزیل در مورد هر ایالت شمال شرقی منتشر شده است. در ایالت سئارا، خوشه‌های فضایی و شاخص توسعه انسانی ارتباط مثبتی با موارد COVID-19 داشتند [ ۲۴ ]. در فورتالزا (پایتخت ایالت سئارا)، شواهدی وجود داشت مبنی بر اینکه شیوع بیماری در محله‌ای با مشخصات اجتماعی-اقتصادی گسترده، از جمله گروه‌های فقیر و تراکم جمعیت بالا آغاز شد [ ۲۵ ]. نتایج مشابهی برای شهرداری Recife، در ایالت پرنامبوکو [ ۲۶ ] به دست آمد. در سالوادور (پایتخت ایالت باهیا)، مناطق با شرایط اقتصادی بهتر در رابطه با مسری بودن بیماری مزیت داشتند [ ۲۷ ].

درک این انجمن ها به عنوان مرجعی برای ایجاد سیاست های بهداشت عمومی در رفاه جمعی مرتبط کمک می کند. از این منظر، یک روش باید با این ارتباطات به عنوان یک اصل اساسی برای نتایج سازگار ساخته شود. جدول ۱ خلاصه ای از مقالات تحقیقاتی برزیل را با تمرکز بر ادغام داده های اجتماعی، اقتصادی و جمعیتی ارائه می دهد.

۳٫ داده ها و روش ها

روش ارائه شده در این مقاله از یک روش گام به گام خطی پیروی می کند که شامل جمع آوری داده ها، انتخاب محل برای مطالعه، پیش تحلیل، مدل سازی فضایی و تجزیه و تحلیل نتایج است. مطالعه ما به طور عینی مجموعه‌ای از متغیرها را بررسی می‌کند که شهرداری‌ها را با در نظر گرفتن سوابق مورد COVID-19 مشخص می‌کند و یک روش طبقه‌بندی را برای اندازه‌گیری سطح آسیب‌پذیری انجام می‌دهد. یک رویکرد کل نگر برای ساخت یک مدل چند معیاره استفاده شد و قوانین تصمیم گیری برای طبقه بندی شهرداری ها ایجاد شد و از [ ۳۲ ] اقتباس شد.]. در طول این فرآیند، تجزیه و تحلیل فضایی در دو مرحله برای اطمینان از نتایج بهتر انجام شد. روش پیشنهادی چهار مرحله را دنبال می‌کند: (الف) پردازش داده، (ب) کاوش متغیر، (ج) مدل تصمیم‌گیری چند معیاره، و (د) استنتاج فضایی.

۳٫۱٫ داده درمانی

در گام اول، شهرداری‌های مورد تجزیه و تحلیل تعریف و ویژگی‌های معرف آن‌ها انتخاب شدند. قبل از دستیابی به این ویژگی ها، ما مطالعات مشابه را با استفاده از ارزیابی معیارهای چندگانه در زمینه COVID بررسی کردیم. در [ ۳۳ ]، از روش فرآیند تحلیل سلسله مراتبی (AHP) برای ایجاد یک شاخص آسیب‌پذیری منطقه‌ای برای ویروس COVID-19 با در نظر گرفتن معیارهایی مانند: تراکم جمعیت، جمعیت ساکن دائم، مسافر-کیلومتر و تعداد دانش‌آموزان با مدرک دانشگاهی یا بالاتر در [ ۳۴]، از ۱۵ ویژگی برای مدل‌سازی آسیب‌پذیری COVID-19 با استفاده از پلتفرم GIS و روش AHP استفاده شد. علاوه بر معیارهای اجتماعی مورد استفاده (تراکم جمعیت و جمعیت شهری)، معیارهای آسیب پذیری فیزیکی (بیمارستان و شبکه جاده ای) و اپیدمیولوژیک (موارد فعال، افراد واکسینه شده و کل مرگ و میر) لحاظ شد. AHP برای اولویت‌بندی سیاست‌ها در برابر COVID-19 در ترکیه، که شامل جنبه‌هایی مانند جنسیت، سن، و شغل می‌شد، استفاده شد [ ۳۵ ]. در [ ۳۶ ]، از GIS و ارزیابی معیارهای چندگانه برای تحلیل شاخص آسیب پذیری نیز با معیارهایی مانند ویژگی های اجتماعی و شهری استفاده شد. همه این یافته ها تجزیه و تحلیل رضایت بخشی را با ویژگی های مورد استفاده نشان داده اند.

ما مجموعه‌ای از متغیرهای توضیحی را ایجاد کردیم که با گسترش COVID-19 مرتبط است، بر اساس پنج جنبه: اجتماعی، اقتصادی، جمعیتی، سرزمینی و موارد COVID-19. از این جنبه ها، مجموعه ای از ۱۹ متغیر تعریف شد ( جدول ۲ ). این ویژگی ها شامل جنبه های مربوط به جمعیت، تراکم جمعیتی، نرخ اشتغال، سطح تحصیلات، درآمد خانوار، شاخص توسعه انسانی (HDI)، تولید ناخالص داخلی (GDP) و فقر است. داده های اولیه از موسسه جغرافیا و آمار برزیل جمع آوری شد [ ۳۷]. در نهایت، دیدگاه سرزمینی مربوط به زیرمجموعه های هر شهرداری (شهرنشینی و مناطق روستایی) است. هر شهر برزیل دارای چندین بخش اداری (محل سرشماری، محله، مرز شهرستان ها و غیره) است. برای مطالعه حاضر، مناطق فضایی با استفاده از ترکیبی از ویژگی‌های روستایی x شهری x ویژگی‌های تراکم بالا به دست آمد که سه دسته از شهرستان‌ها را مشخص می‌کند. اولی قلمروهای همه شهرستان ها را به عنوان متغیر فضایی در نظر می گیرد. متغیر دوم فقط مناطق دارای شهرنشینی (زیاد و کم سکونت) را در نظر می گیرد، در حالی که متغیر سوم تنها مناطق با تراکم ساختمانی بالا (با محاسبه تراکم ساکنان) را در نظر می گیرد. در مجموع، ما مجموعه ای از ۱۹ ویژگی را بررسی کردیم که در جدول ۲ توضیح داده شده است. علاوه بر این، داده‌های مربوط به ثبت‌های COVID-19 (گزارش‌های مورد روزانه) نیز به عنوان یک ویژگی ممکن مورد بررسی قرار گرفت.

۳٫۲٫ کاوش متغیر

در مرحله (ب)، ما ارتباط بین ویژگی‌های انتخاب شده و سوابق COVID-19 را با استفاده از تجزیه و تحلیل آماری و مکانی بررسی کردیم. ابتدا، رابطه را با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS) و با ضریب همبستگی رتبه اسپیرمن بررسی کردیم. علاوه بر این، ما از تحلیل خودهمبستگی فضایی برای ارزیابی الگوهای خوشه‌بندی فضایی ثبت‌های COVID-19 از طریق شاخص جهانی موران I [ ۳۸ ] استفاده کردیم.] برای چند هفته، تا رفتار شیوع بیماری همراه با تکامل رکوردهای جدید مورد بررسی قرار گیرد. با توجه به استنباط، تحلیل فضایی نیز با در نظر گرفتن تردید واکسیناسیون مرتبط با عواملی مانند درآمد سرانه، سن، خانه های متحرک و افراد فاقد بیمه مورد استفاده قرار گرفت. این شاخص به صورت زیر به کار گرفته شد (معادله (۱)):

من=n∑من=۱n∑j=1nدبلیومنj(ایکسمن-ایکس¯)(ایکسj-ایکس¯)∑من=۱n ∑j=1nدبلیومنj∑من=۱n(ایکسمن-ایکس¯)۲،

(۱)

جایی که دبلیومنjوزن رابطه فضایی بین عناصر را نشان می دهد منو j، ( ایکسمن-ایکس¯) انحراف مقدار ویژگی عنصر را نشان می دهد مناز میانگین آن، و nتعداد کل عناصر را نشان می دهد. مقدار Global Moran’s I در محدوده [-۱, ۱] است. اگر شاخص مقداری نزدیک به ۰ داشته باشد، توزیع موارد COVID-19 دارای یک الگوی تصادفی است. اگر شاخص نزدیک به -۱ باشد، انتشار ویروس دارای توزیع پراکنده است، در حالی که اگر شاخص نزدیک به ۱ باشد، الگوی موارد COVID-19 خوشه‌بندی می‌شود [ ۱۸ ].

۳٫۳٫ مدل تصمیم گیری چند معیاره

ما به دنبال طبقه‌بندی شهرداری‌های شمال شرقی برزیل از نظر آسیب‌پذیری در برابر COVID-19 بر اساس تأثیر معیارهای متعددی بودیم که نشان‌دهنده ویژگی‌های این مکان‌ها هستند. برای این تحلیل، سه دسته که سطوح آسیب پذیری را نشان می دهند، تعریف شده است:

Cl _Low – آسیب پذیری کم
Cl _متوسط - آسیب پذیری متوسط
Cl _بالا – آسیب پذیری بالا

در این راستا، ما روشی به نام رویکرد مجموعه خشن مبتنی بر تسلط (DRSA) را به کار بردیم که شامل کاوش دانش به روشی جامع بر اساس استنباط از اطلاعات شناخته شده قبلی است [ ۳۹ ]. DRSA روشی برای مرتب سازی مسائل با استفاده از رویکرد تصمیم گیری چند معیاره غیرکلاسیک [ ۴۰ ] است.

هر کاربرد DRSA [ ۳۹ ] بر اساس یک جدول داده است که به طور رسمی توسط یک سیستم اطلاعاتی چهارگانه نشان داده شده است. اس={آ،س،V،f}، جایی که آمجموعه متناهی غیر خالی از اشیاء است و سیک مجموعه متناهی غیر خالی از صفات است. کاربرد DRSA مستلزم ایجاد مجموعه ای از ویژگی ها و اشیاء با ویژگی است q ∈سو اعتراض آ ∈ آ. را Vqحوزه صفات است qو V=∪q∈سVq، و f:آ×س→Vیک تابع کل است که به گونه ای تعریف شده است که f(آ،q) ∈ Vqبرای هر ویژگی q ∈سو اعتراض آ ∈ آ. مجموعه ساغلب به یک زیر مجموعه تقسیم می شود سی={ج۱، ج۲،…،جمتر}از ویژگی های شرط با سی≠∅و یک زیر مجموعه D≠∅از ویژگی های تصمیم گیری، به گونه ای که سی∪D=سو سی∩D=∅. علاوه بر این، اشیاء مرجع از اشیاء مرجع (یا اشیاء یادگیری) تشکیل شده است.

DRSA با معرفی یک رابطه برتر از رتبه غنی می شود ≽جبه آ*با توجه به صفت ج ϵ سی، به طوری که آ۱*≽جآ۲*یعنی که آ۱*حداقل به خوبی است آ۲*با توجه به صفت ج.

به منظور سادگی، در ادامه، مورد یک صفت تصمیم واحد را بررسی خواهیم کرد، یعنی: D={د}. به طور رسمی تر، اجازه دهید سیل={سیلتی، تی∈{۱،…،n}}مجموعه ای از کلاس ها باشد آبه گونه ای که هر کدام آ۱*∈آمتعلق به یک و تنها یک طبقه است سیلتی∈سیل. فرض کنید سیلrو سیلسدو کلاس از پیش تعریف شده با r هستند، س∈تی، آ۱*∈سیلr، و آ۲*∈سیلس. اگر r>س، سپس آ۱*≽آ۲*. در این مطالعه، مجموعه کلاس تصمیم به صورت زیر نمایش داده می شود: سیل={سیلLow>سیلمoدهrآتیه>سیلاچمنgساعت}.

DRSA مفهوم تقریب مجموعه ای از اشیاء (اتحادیه کلاس های تصمیم) را با توجه به مجموعه ای از ویژگی ها (یا معیارها) معرفی می کند. برای پ⊆سی، مجموعه ای از تمام اشیاء که می توانند به آنها طبقه بندی شوند سیلتی≥که بدون هیچ گونه ابهامی را تشکیل می دهد پ-تقریبا کمتر از سیلتی≥. مجموعه ای از تمام اشیایی که می توان به آنها طبقه بندی کرد سیلتی≥را تشکیل می دهد پ-تقریبا بالای سیلتی≥. به طور مشابه، می توان تعریف کرد پ-تقریبا کمتر از سیلتی≤و پ-تقریبا بالای سیلتی≤.

برای هر پ⊆سی، کیفیت تقریب طبقه بندی ترتیبی سیلبا مجموعه صفات، نسبتی است که با اصالت بین جهان بیان می شود آو همه پجایگزین های به درستی طبقه بندی شده (معادله (۲)).

γپ(سیل)=|آ-(∪تی=۱،…،nبnپ(سیلتی≤))∪(∪تی=۱،…،nبnپ(سیلتی≥))||آ|

(۲)

γپ(سیل)را می توان به عنوان درجه ای از سازگاری اشیاء از آ، جایی که پمجموعه صفات است و سیلطبقه بندی ترتیبی در نظر گرفته شده است.

این تقریب ها برای القای قوانین تصمیم گیری از نوع “اگر …، آنگاه…” بررسی می شوند که برای تخصیص اشیاء به اتحادیه های کلاس ها استفاده می شوند. سیلتی≥و سیلتی≤. پنج نوع قواعد تصمیم گیری ممکن است در نظر گرفته شود [ ۳۹ ]، اما ما قوانین مورد استفاده در مطالعه را اینگونه توصیف می کنیم: i: معین D≥-قوانین تصمیم گیری از تقریب پایین تر ایجاد می شود پ_(سیلتی≥); ii مسلم – قطعی D≤قوانین تصمیم گیری تولید شده از پ_(سیلتی≤).

این روش مجموعه ای از قوانین تصمیم گیری را بر اساس جدول آموزشی و علاوه بر این، یک نقشه آموزشی ایجاد می کند. برای ساخت جدول، زیرمجموعه ای از اشیاء (به نام اشیاء مرجع) را انتخاب کردیم تا فقط به یک کلاس اختصاص داده شود. سیلتیبا توجه به سطح آسیب پذیری آن تمام ارزیابی‌ها برای انتخاب اشیاء مرجع در محیط GIS برای اجتناب از استفاده از جداول انجام شد. برای به دست آوردن قوانین تصمیم گیری از الگوریتم های DomLEM (Blaszczynski et al., 2013) استفاده شد.

۳٫۴٫ استنتاج فضایی

آخرین مرحله شامل جمع‌آوری طبقه‌بندی از طریق رویکرد مجموعه خشن مبتنی بر تسلط (DRSA)، استفاده از دو تحلیل فضایی و شناسایی طبقه‌بندی فضایی خوشه‌ای بود. لوک آنسلین لوکال موران I (LISA) [ ۴۱ ]، مشابه تجزیه و تحلیل فضایی در مرحله ۳٫۲، به کار گرفته شد، با این تفاوت که این روش مکان یابی و شناسایی خوشه های فضایی القا شده توسط سایر شهرداری های فردی را در آمار جهانی و ارزیابی پرت ممکن می سازد. آزمون آماری، خوشه‌ها را به چهار گروه معنی‌دار دسته‌بندی کرد: خوشه‌های مقادیر بالا (HH)، خوشه‌های مقادیر کم (LL)، نقاط پرت که در آن مقدار بالا عمدتاً با مقادیر کم (HL) احاطه شده است، و گروه‌های پرت که در آنها مقدار کم است. در درجه اول توسط مقادیر بالا (LH) احاطه شده است. شاخص با استفاده از رابطه (۳) به دست آمد:

من=ایکسمن-ایکس¯اسمن۲∑j=1،j≠منnدبلیومن،j(ایکسj-ایکس¯)،

(۳)

جایی که ایکسمنیک ویژگی برای ویژگی است من، در حالیکه ایکسمنمیانگین صفت مربوطه است. دبلیومن،jوزن فضایی بین ویژگی است منو j، و اسمن۲انحراف معیار است.

دومین آمار فضایی Getis و Ord ( جیمن*)[ ۳۸ ] معیاری برای آزمون معنی‌داری آماری مربوط به خوشه‌های با مقادیر بالا (نقاط داغ) و مقادیر کم (نقاط سرد)، با در نظر گرفتن مجموع عملکرد برای منطقه مورد نظر در مطالعه است. را جیمن*سنجش مجموعه‌ای از گزینه‌ها برای اندازه‌گیری میزان ارتباط هر عملکرد با همسایگی آن، برای از پیش تعریف کردن فاصله است. معادله (۴) محاسبه را نشان می دهد:

جیمن*=∑jدبلیومنj(د)ایکسj∑jایکسj که در که j≠من،

(۴)

جایی که ایکسjمقدار وزن برای یک ویژگی مشخص است، و دبلیومنj(د)یک ماتریس وزن فضایی متقارن یک/صفر است که برای همه پیوندها در فاصله تعریف شده است. د(یا شهرداری های همجوار) یک منطقه معین من; همه لینک های دیگر صفر هستند. در هر دو مورد (LISA، و Getis و Ord)، اهداف ویژگی بر اساس سطح آسیب‌پذیری نسبت به COVID-19 در مرحله قبلی DRSA در نظر گرفته شد.

۴٫ نتایج

همانطور که قبلا ذکر شد، این تحقیق برای ایجاد یک پانل از انجمن ها در مورد COVID-19 در منطقه شمال شرقی برزیل انجام شد. شکل ۱ ۹ واحد فدرال (ایالات برزیل) را نشان می دهد که منطقه شمال شرقی را تشکیل می دهند ( شکل ۱ ب). هر یک از آنها یک حکومت اداری دارند و از شهرداری ها تشکیل شده اند. پایتخت، شهرداری است که دفتر مرکزی دولت ایالتی در آن قرار دارد. در مجموع، ۱۷۹۳ شهرداری در ۹ ایالت وجود دارد ( شکل ۱ج). این منطقه تقریباً ۵۷ میلیون نفر جمعیت دارد که معادل ۲۷٫۲٪ از کل جمعیت برزیل است. آب و هوا در اکثر مناطق نیمه خشک است و شرایط شدید (خشکسالی و کمبود باران) بر توسعه انسانی، کشاورزی و صنایع غذایی تأثیر منفی می گذارد [ ۴۲ ، ۴۳ ]. در مقایسه با سایر مناطق برزیل، شمال شرق در شاخص اجتماعی-اقتصادی، بیکاری، مرگ و میر کودکان و درآمد سرانه عملکرد خوبی ندارد، اگرچه صنایع در برخی مناطق رشد قابل توجهی را تجربه کرده اند [ ۴۴ ]. همچنین با توجه به زیرساخت‌های بهداشتی، مناطق روستایی آن با کمبود تجهیزات پزشکی مواجه هستند.

برای انجام آزمایش‌ها، ما چهار گروه را بر اساس ویژگی‌های انتخاب شده ایجاد کردیم (که در جدول ۲ آمده است)، تعریف مقوله هایی که جنبه های اجتماعی، اقتصادی، سرزمینی و جمعیتی را در بر می گیرند. از این گروه ها برای بدست آوردن و مقایسه نتایج استفاده شد. بدین ترتیب به این گروه ها اشاره کردیم: گروه اول، گروه دوم، گروه سوم و گروه چهارم. این گروه‌ها همچنین ثبت‌های COVID-19 (گزارش‌های موردی روزانه) را به‌عنوان معیاری برای تأیید تأثیر آن‌ها بر کیفیت دانش استخراج‌شده از مدل شامل می‌شوند، به‌عنوان مثال، اگر/زمانی که قوانین تصمیم این اطلاعات را برای به دست آوردن طبقه‌بندی آسیب‌پذیری منتقل می‌کنند. با توجه به شیوع دوره، سه روز مختلف با پیک موارد COVID-19 ثبت شده در شهرستان های شمال شرق برزیل انتخاب شد. متغیرهای ایجاد شده (منطقه ۱، ناحیه ۲، دان ۱ و ۲) نیز به دلیل اهمیت مشخص کردن فضاهای جغرافیایی شهرستان ها در همه گروه ها گنجانده شدند. گروه ها به شرح زیر تعریف شدند: گروه I به عنوان “کنترل گروه” (همه متغیرها) در نظر گرفته شد. سایر گروه ها با ویژگی های مشابه تقسیم شدند.جدول ۳ ویژگی های هر گروه را نشان می دهد، در حالی که جدول ۴ داده های توصیفی را ارائه می دهد.

تکامل سوابق COVID-19 روند مورد انتظار را دنبال کرد، با گسترش سریع در مراکز شهری و بعداً، سرایت در شهرداری‌های کوچک و متوسط. شهرداری های کوچک منابع پزشکی کمی دارند و هر مورد جدید ناگهانی ظرفیت های خدمات بهداشتی محلی را هشدار می دهد. از طرفی شهرهای کوچک نیز تراکم جمعیتی پایینی دارند که احتمالاً احتمال سرایت را کاهش می دهد.

در طول ماه‌هایی که مورد تجزیه و تحلیل قرار گرفت، ما اهمیت آماری فضایی را در میان سوابق COVID-19 در منطقه شمال شرقی مشاهده کردیم ( جدول ۵ ). در سه تاریخ اول (۱۵ مارس، ۳۰ مارس و ۱۵ آوریل ۲۰۲۰)، هیچ گونه اهمیت آماری در میان رکوردهای اختصاص داده شده توسط Global Moran’s I به عنوان رویدادهای تصادفی مشاهده نشد. با این حال، از ۳۰ آوریل، اهمیت برای الگوی خوشه مشاهده شد. این یافته با تعداد بالای رکوردها برای مراکز شهری و اطراف شهرها توضیح داده می شود.

گروه‌های انتخاب‌شده برای آزمایش‌ها سپس برای همبستگی ویژگی‌ها و روزهای مرجع (۳۰ ژوئن ۲۰۲۰) ( جدول ۶ ) تجزیه و تحلیل شدند و قدرت آماری بسیار توضیحی (R2 تنظیم شده بالای ۹۰٪) به‌جز گروه IV به دست آمد. نتایج از نظر AIC با یک همبستگی معنی دار ( p -value ) نزدیک است. بنابراین، پیشنهاد استفاده از چهار گروه به عنوان مجموعه‌ای از ویژگی‌ها برای ارزیابی اشیاء مرجع (شهرداری) جذاب است و اجازه می‌دهد تا مرحله زیر استفاده از DRSA برای کشف قوانین تصمیم‌گیری انجام شود.

در مرحله سوم، ما DRSA را با هدف بررسی قوانین تصمیم گیری حاصل از آن اعمال کردیم. برای هر گروه، شی مرجع را دوباره امتحان کردیم و کلاس تصمیم را بر اساس ۳۰ ژوئن ۲۰۲۰ به عنوان روز مرجع ایجاد کردیم. رکوردها در گروه های ۱۰۰ هزار نفری مشاهده شد که بر اساس الگوریتم شکست های طبیعی جنکس تقسیم شدند. این روش به طبقه‌بندی هدف ویژگی (موارد COVID-19) بر اساس بهترین ترتیب مرتب‌سازی، با هدف کاهش واریانس در هر کلاس و به حداکثر رساندن واریانس بین کلاس‌ها کمک کرد. پس از آن، روش تصمیم‌گیرنده را مجدداً برای انتخاب کلاس‌های تصمیم‌گیری باقی‌مانده امتحان کردیم. شکل ۲نشان دهنده داده های انباشته شده از موارد تایید شده کووید-۱۹ تا ۳۰ ژوئن ۲۰۲۰ است که بر اساس فواصل طبیعی مرتب شده اند. این نتایج برای ساخت اشیاء مرجع استفاده شد.

یک روش تصادفی برای انتخاب اشیاء مرجع انجام شد و به هر شی یک کلاس تصمیم اختصاص داده شد: سیل={سیلLow>سیلمoدهrآتیه>سیلاچمنgساعت}. کلاس های تصمیم نشان دهنده سه سطح آسیب پذیری مربوط به COVID-19 است. با پشتیبانی از نتایج شکل ۲ ، یک تحلیل کل نگر برای اختصاص هر شی مرجع انتخاب شده برای همه گروه ها (I، II، III و IV) انجام شد. این روش امکان استخراج اطلاعات قوی در مورد اینکه کدام معیارها ممکن است معرف دانش برای طبقه بندی باشند را می دهد و قوانین تصمیم گیری را ارائه می دهد (اگر… سپس… سیل).

علاوه بر این، برای همه گروه‌ها، مجموعه‌های یکسانی از اشیاء در نظر گرفته شد که فقط ویژگی‌های هر گروه را تغییر می‌داد. ۱۸ شی برای سطح آسیب پذیری بالا، ۴۷ مورد برای سطح آسیب پذیری متوسط و ۱۱۶ مورد برای سطح آسیب پذیری پایین وجود داشت که در مجموع ۱۸۱ شی برای جمع آوری قوانین تصمیم گیری می شود. برای همه گروه‌ها، پارامترهای DRSA زیر آنالیز شدند: کیفیت تقریب، کاهش‌ها و هسته ( جدول ۷ ).

استثنا در میان گروه ها گروه IV بود که برای آن فقط یک کاهش به دست آمد. در مقایسه، حداقل چهار کاهش برای هر یک از گروه های دیگر به دست آمد. این نتیجه نشان می دهد که برای گروه IV، اطلاعات را می توان تنها بر اساس ویژگی های آن کاهش مشاهده کرد. با توجه به هسته ها، تقاطع بین کاهش ها به جمعیت (تراکم)، جنبه های اقتصادی (تولید ناخالص داخلی و درآمد) و منطقه شهرداری نسبت داده شد. برخلاف گروه I، ثبت کووید-۱۹ اغلب برای گروه های II، III و IV مشاهده می شد. همه گروه‌ها کیفیت‌های تقریبی را داشتند که بالای ۹۰/۰ بود، اگرچه ثبات بازنمایی حفظ شد.

تجزیه و تحلیل جداگانه در گروه ها (گروه I تا IV) به دلیل مزیت آشکار کردن مجموعه های مختلف ویژگی ها و ویژگی های مختلف، با کیفیت تقریب خوب توجیه می شود. داشتن مجموعه‌ای از ویژگی‌های مختلف، امکان تولید و به نوعی مقایسه قوانین تصمیم‌گیری و الگوهای آسیب‌پذیری را فراهم می‌کند که برای تصمیم‌گیری مفید است. علاوه بر این، مدل‌های تصمیم‌گیری کل‌نگر به دانش قبلی (دانش ترجیحی) نیاز دارند که ارزیابی آن در صورت وجود تعداد زیادی از ویژگی‌ها ممکن است دشوار باشد. مطالعات سوگیری ها در تصمیم گیری نشان می دهد که وقتی اطلاعات بیش از حد وجود دارد، ذهن انسان تمایل دارد برای قضاوت بر روی زیرمجموعه ای از اطلاعات تمرکز کند [ ۴۵ ]]. اگرچه DRSA قادر به کاهش تعداد صفات است، مطلوب است که زیرمجموعه‌های مختلف ویژگی‌ها را که منجر به نتایج مشابه می‌شود، بررسی کنیم.

متعاقباً، قوانین تصمیم گیری به دست آمده برای طبقه بندی کل مجموعه شهرداری ها و مقایسه نتایج به دست آمده با هر گروه از معیارها مورد استفاده قرار گرفت. طبق آزمایش‌هایی که با استفاده از DRSA انجام شد، سطوح آسیب‌پذیری از نظر همه ویژگی‌های گروه I را می‌توان با ۶۲ قانون تصمیم‌گیری و در گروه II با ۵۸ قانون نشان داد، در حالی که گروه‌های III و IV هر کدام ۵۶ قانون تولید کردند. تفاوت در تعداد قواعد تصمیم گیری در بین گروه ها نتیجه متناسب بودن با مقدار اشیاء مرجع و ویژگی های مورد استفاده بود. با توجه به انواع کلاس تقریب اتحادیه (حداقل و حداکثر)، مواردی که غالب بودند حداکثر ۱، حداکثر ۲ و حداقل ۳ بودند، همچنین به دلیل تعداد اشیاء مرجع برای هر کلاس. جدول ۸نمونه ای از قوانین تصمیم گیری را برای هر گروه ارائه می دهد.

شکل ۳نتایج طبقه‌بندی همه شهرداری‌ها را از نظر آسیب‌پذیری در برابر موارد COVID-19 با در نظر گرفتن قوانین تصمیم‌گیری از DRSA نشان می‌دهد. هر نقشه با گروه های اشیاء مرجعی که استفاده شده است مرتبط است. شباهت‌های قوی بین گروه‌ها تأیید شد و در همه آن‌ها، شیوع بالایی از سطوح آسیب‌پذیری کم و متوسط وجود داشت، علاوه بر این، چند ناحیه سطح آسیب‌پذیری بالا را متمایز کردند. به طور کلی، نتایج مشابه باقی می‌مانند حتی زمانی که تغییرات در ویژگی‌ها اعمال شود. در داخل گروه‌ها در شهرداری‌ها بین طبقات آسیب‌پذیری کم و متوسط، تفاوت‌های کمی وجود داشت، در حالی که، بین گروه‌ها، تعداد کمی از شهرداری‌ها در برخی گروه‌ها دارای آسیب‌پذیری بالا و در برخی دیگر از آسیب‌پذیری متوسط در نظر گرفته شدند.

در رابطه با موارد COVID-19 ثبت شده در سه روز مورد استفاده به عنوان ورودی در مدل، یافته‌های ما تأیید می‌کند که چنین ویژگی‌هایی به دستیابی به نتایج رضایت‌بخش کمک می‌کنند. با مشاهده نتایج در چهار گروه ( شکل ۳ ) و موارد انباشته چگالی ( شکل ۲ )، الگویی در اطراف توزیع در طبقات وجود دارد. غلظت یکی از انواع الگوهای طبقه‌بندی در ناحیه ساحلی (آسیب‌پذیری متوسط) و در داخل نقشه، انواع دیگر طبقه‌بندی الگو (آسیب‌پذیری کم) وجود دارد.

مرحله چهارم مدل‌سازی شامل کاوش خوشه‌های فضایی به‌دست‌آمده از DRSA، به‌کارگیری دو تکنیک که به‌طور گسترده در ادبیات مورد بحث قرار گرفته‌اند: LISA، و Getis و Ord بود. جیمن*). هر دو روش تشکیلات خوشه را با در نظر گرفتن هدف ویژگی، که معیارهای طبقه‌بندی آسیب‌پذیری به‌دست‌آمده از DRSA بود، مکان‌یابی می‌کنند. شکل ۴ و شکل ۵ نتایج را نشان می دهد و ماهیت هر خوشه را متمایز می کند. هدف از خوشه ها شناسایی غلظت کلاس های تصمیم گیری از شکل ۳ است.

رویکرد LISA چهار نوع منطقه (خوشه ها و نقاط پرت) را شناسایی کرد. خوشه های HH برای مناطق ساحلی، که در آن شهرداری ها طبقه بندی های مشابهی دارند، مشهودتر بود. از سوی دیگر، شهرداری‌های HL سطوح آسیب‌پذیری متوسط و بالا را نشان دادند که شامل تفاوت‌های بین گزینه‌ها بود. در نهایت، LH و LL کمتر از خوشه های دیگر برجسته شدند. در همین حال، تجزیه و تحلیل با استفاده از Getis و Ord ( جیمن*) منجر به تشکیل خوشه های دیگری شد اما نتایج مشابهی در مقایسه با LISA داشت. نتایج نشان دهنده خوشه های متمرکزتر (سازندهای گرم و سرد) است. یک منطقه مشابه از طبقه بندی های مشابه نیز برای مناطق ساحلی نشان داده شد.

روش اعتبارسنجی شامل اکتشاف یک تجزیه و تحلیل جدید برای شناسایی مکان‌های آسیب‌پذیر برای COVID-19 در مرحله نهایی شیوع دوم (۲۰۲۱) بود. برای تجزیه و تحلیل جدید، یک تغییر اعمال شد: موارد ثبت شده COVID-19 به عنوان ورودی برای ایجاد قوانین تصمیم گیری در حالی که معیارهای دیگر حفظ می شود ( جدول ۹) استفاده شد.). هدف این بود که بررسی شود که آیا امکان شناسایی دقیق مناطق آسیب‌پذیر تنها با آپلود داده‌های موارد جدید و ثبت‌شده COVID-19 وجود دارد یا خیر. تجزیه و تحلیل مجدداً برای چهار گروه در نظر گرفته شده انجام شد و روزهای انتخاب شده عبارت بودند از: ۲۲ ژوئن، ۲۴ ژوئن، و ۲۶ ژوئن. برای منطقه شمال شرق برزیل، ۶۹۰۳۸ مورد در ۲۲ ژوئن و ۱۷۰۵۱ مورد در ۲۴ ژوئن ثبت شد. در ۲۴ ژوئن، ۱۱۴۹۹ مورد COVID-19 به طور رسمی تایید شد. برای ارائه نتایج جدید، ما ۱۸۰ شی مرجع را برای انجام تجزیه و تحلیل دوم، به استثنای رجیسترهای اعمال شده در تجزیه و تحلیل ۲۰۲۰، اضافه کردیم. اشیاء مرجع نیز برای تأیید کیفیت اطلاعات استفاده شده تغییر کردند. کیفیت اشیاء مرجع هنگام مشاهده بین گروه ها نوسانات کوچکی را نشان می دهد. در رابطه با تعداد “کاهش” و “هسته” به دست آمده از رویکرد DRSA، ارزش ها برای همه یکسان بود. قابل توجه است که کیفیت برای همه گروه‌ها در مقایسه با اشیاء مرجع مورد استفاده در سال ۲۰۲۰ کاهش یافته است. با این حال، با همین پارامتر بالای ۷۰ درصد، می‌توانیم اشیاء را با شواهد موجود نگه داریم و به استفاده از داده‌ها برای به دست آوردن قوانین تصمیم‌گیری ادامه دهیم.

شهرداری‌های آسیب‌پذیر شناسایی‌شده در تحلیل دوم «طبقه آسیب‌پذیری بالا» بیشتری را در مقایسه با نتایج سال ۲۰۲۰ نشان دادند ( شکل ۶ ). با احتساب مجموع سه روز، در سال ۲۰۲۱، در مجموع ۹۷۵۸۸ مورد رخ داده است، در حالی که در سال ۲۰۲۰، ۴۱۳۱۸ مورد بوده است. اگر شکل ۳ را با شکل ۶ مقایسه کنیمدر سال ۲۰۲۰ تعداد شهرداری‌های بیشتری به‌عنوان «کم» طبقه‌بندی شده‌اند، در حالی که در سال ۲۰۲۱ تعداد شهرداری‌های بیشتری به طبقات متوسط و بالا اختصاص داده شده است. مشاهده می شود که تنها به روز رسانی پرونده های ثبت شده برای آشکارسازی شهرداری های آسیب پذیر ضروری است. در رابطه با گروه‌ها در سال ۲۰۲۱، نتایج به‌دست‌آمده برای گروه یک نشان می‌دهد که شهرداری‌های بیشتری نسبت به گروه‌های دیگر به طبقه‌بندی کم آسیب‌پذیر اختصاص یافته‌اند. گروه دوم و گروه سوم شباهت هایی در کلاس ها دارند. در گروه چهارم، سطوح به هم پیوسته آنها به عنوان آسیب پذیری کم، متوسط و زیاد طبقه بندی می شوند. ما تأکید می‌کنیم که شهرداری‌هایی که آسیب‌پذیرتر هستند (بالا) بین گروه‌های II، III و IV نزدیک‌تر از نتایج نشان‌داده‌شده برای گروه I هستند. جدول ۱۰ هر دو نتیجه را خلاصه می‌کند.

شکل ۷ و شکل ۸توزیع طبقه بندی را با توجه به خوشه های تحلیل فضایی مورد استفاده (LISA، و Getis و Ord) نشان می دهد. بر اساس تجزیه و تحلیل LISA، تمرکز شهرداری‌های بالا در همان موقعیت‌هایی بود که شهرداری‌هایی که به‌عنوان آسیب‌پذیری بالا طبقه‌بندی می‌شدند. مشاهده کردیم که برای گروه I، خوشه های بیشتری نسبت به سایر گروه ها به دلیل تنوع اطلاعات تشکیل شده است. علاوه بر این، خوشه‌های غلظت بالا در بخش شمال شرقی رقم به‌عنوان زیاد-زیاد نشان داده شده‌اند که در مقایسه با شهرداری‌هایی که به عنوان کم-زیاد تخصیص داده شده‌اند. علاوه بر این، جزئیات مهمی در نتایج به‌دست‌آمده از تجزیه و تحلیل LISA وجود دارد: همه گروه‌ها (I، II، III، و IV) دارای حضور شهرداری‌ها هستند که به صورت کم‌کم تخصیص داده شده است که به معنی موارد ثبت‌شده بیشتر در مکان‌های معدودی متمرکز است. در واقع، در سال ۲۰۲۰، ده شهر اول با موارد بیشتر، ۴۴ درصد از کل موارد ثبت شده در منطقه شمال شرقی برزیل را تشکیل می دادند، در حالی که در سال ۲۰۲۱، ده شهرداری برتر، ۵۳ درصد از کل ثبت ها را تشکیل می دادند. نتایج به‌دست‌آمده توسط Getis و Ord در مقایسه با نتایج LISA، غلظت مشابهی را نشان می‌دهند، اما شامل اطلاعات مربوط به خوشه‌های سرد است، که امکان تحلیل عمیق کمتر آسیب‌پذیر (طبقه پایین) شهرداری‌ها را فراهم می‌کند. در نهایت، در هر دو نتیجه، در ایالت ریو گراند دو نورته (RN)، مناطق متمرکزی وجود دارد که به‌عنوان نقاط بسیار بالا (LISA) و نقاط داغ با ۹۹ درصد اهمیت (Getis و Ord) مشخص شده‌اند. در سه روز مورد تجزیه و تحلیل، این ایالت ۵۹ درصد از کل موارد ثبت شده را تشکیل می داد. ده شهرداری برتر ۵۳ درصد از کل ثبت ها را تشکیل می دهند. نتایج به‌دست‌آمده توسط Getis و Ord در مقایسه با نتایج LISA، غلظت مشابهی را نشان می‌دهند، اما شامل اطلاعات مربوط به خوشه‌های سرد است، که امکان تحلیل عمیق کمتر آسیب‌پذیر (طبقه پایین) شهرداری‌ها را فراهم می‌کند. در نهایت، در هر دو نتیجه، در ایالت ریو گراند دو نورته (RN)، مناطق متمرکزی وجود دارد که به‌عنوان نقاط بسیار بالا (LISA) و نقاط داغ با ۹۹ درصد اهمیت (Getis و Ord) مشخص شده‌اند. در سه روز مورد تجزیه و تحلیل، این ایالت ۵۹ درصد از کل موارد ثبت شده را تشکیل می داد. ده شهرداری برتر ۵۳ درصد از کل ثبت ها را تشکیل می دهند. نتایج به‌دست‌آمده توسط Getis و Ord در مقایسه با نتایج LISA، غلظت مشابهی را نشان می‌دهند، اما شامل اطلاعات مربوط به خوشه‌های سرد است، که امکان تحلیل عمیق کمتر آسیب‌پذیر (طبقه پایین) شهرداری‌ها را فراهم می‌کند. در نهایت، در هر دو نتیجه، در ایالت ریو گراند دو نورته (RN)، مناطق متمرکزی وجود دارد که به‌عنوان نقاط بسیار بالا (LISA) و نقاط داغ با ۹۹ درصد اهمیت (Getis و Ord) مشخص شده‌اند. در سه روز مورد تجزیه و تحلیل، این ایالت ۵۹ درصد از کل موارد ثبت شده را تشکیل می داد. در نهایت، در هر دو نتیجه، در ایالت ریو گراند دو نورته (RN)، مناطق متمرکزی وجود دارد که به‌عنوان نقاط بسیار بالا (LISA) و نقاط داغ با ۹۹ درصد اهمیت (Getis و Ord) مشخص شده‌اند. در سه روز مورد تجزیه و تحلیل، این ایالت ۵۹ درصد از کل موارد ثبت شده را تشکیل می داد. در نهایت، در هر دو نتیجه، در ایالت ریو گراند دو نورته (RN)، مناطق متمرکزی وجود دارد که به‌عنوان نقاط بسیار بالا (LISA) و نقاط داغ با ۹۹ درصد اهمیت (Getis و Ord) مشخص شده‌اند. در سه روز مورد تجزیه و تحلیل، این ایالت ۵۹ درصد از کل موارد ثبت شده را تشکیل می داد.

ما همچنین معیارهای حاصل از تکالیف ارائه شده توسط اعمال قوانین تصمیم القا شده بر روی اشیاء مرجع و تعداد قوانین ایجاد شده را مقایسه کردیم. جدول ۱۱معیارهای مورد استفاده برای ایجاد قوانین تصمیم را توصیف می کند. ذکر این نکته مثمر ثمر است که معیارهای در نظر گرفته شده برای شناسایی مکان های آسیب پذیر و همچنین به کارگیری موارد ثبت شده به عنوان معیار ضروری بودند. با توجه به معیارهای مورد استفاده برای انجام طبقه‌بندی آسیب‌پذیری، تأیید می‌کنیم که این مدل برای به کارگیری چندین عامل مرتبط: اجتماعی، اقتصادی و جمعیتی مناسب است. علاوه بر این، جنبه های مربوط به جمعیت، تراکم جمعیت و درآمد تأثیر عمیقی دارند زیرا با جابجایی مردم در مناطق شهری مرتبط هستند. به طور غیرمستقیم، جنبه های دیگر (GPD و فاضلاب) می تواند برای حمایت از تصمیمات استفاده شود. بنابراین، بر اساس هر دو نتیجه، ما قضاوت می‌کنیم که روش‌شناسی COVID-19 مورد استفاده در اینجا پتانسیل زیادی برای کمک به برنامه‌ریزان سیاست برای تصمیم‌گیری عمومی دارد.

شیوع بیماری همه گیر COVID-19 باعث پیدایش زمینه وسیعی از تحقیقات در مورد ویروس و عوامل مرتبط با گسترش آن شده است. مطالعه ارائه شده در [ ۱۴ ] الگوهای مشابهی را نشان داد که با شهرستان‌های با تراکم بالا (ویروس سریع‌تر از شهرستان‌های کوچک گسترش می‌یابد). با این حال، شهرهای بزرگ نیز نباید به عنوان در معرض حداکثر قرار گرفتن در معرض COVID-19 دیده شوند، که نشان می دهد، در این شهرها، امکانات بیشتری در دسترس است [ ۱۵ ]. برای مثال، برزیل شکافی را در واحدهای بیمارستانی موجود در شهرهای کوچک ارائه کرده است که منجر به انتقال بیماران به پایتخت ایالت‌ها شده است [ ۱۶ ].]. علاوه بر این، مطالعه ما به شناسایی ویژگی‌هایی مانند تراکم جمعیت، درآمد و اندازه شهرستان‌های مرتبط با اندازه‌گیری سطح آسیب‌پذیری کمک می‌کند. در نتیجه، چنین جنبه هایی باید هنگام تصمیم گیری در مورد پیشگیری از بیماری و کاهش موارد ثبت شده در نظر گرفته شود.

۵٫ بحث و اظهارات پایانی

ما مدلی را معرفی می‌کنیم که قادر به آشکار کردن ویژگی‌ها و شرایط اصلی شهرداری‌ها در رابطه با سطوح آسیب‌پذیری است. این مدل قادر است شهرداری‌های اصلی آسیب‌پذیر در برابر COVID-19 را شناسایی کند و چندین روش مبتنی بر تحلیل فضایی و تصمیم‌گیری چند معیاره را ادغام کند. شمال شرق برزیل منطقه ای بود که مورد بررسی قرار گرفت و مدل بر روی آن نشان داده شد. ابتدا مجموعه ای از ویژگی ها به همراه موارد ثبت شده روزانه برای ارزیابی انتخاب شدند. سپس از تکنیک‌های تحلیل فضایی و DRSA برای پردازش داده‌ها و اندازه‌گیری آسیب‌پذیری استفاده شد. پس از آن، دو تجزیه و تحلیل خوشه‌ای بیانی انجام شد که چندین ناحیه نقطه داغ را بر اساس نتایج DRSA نشان می‌داد. برای ایجاد یک مدل جامع،

روش DRSA یک رویکرد کل نگر است که کیفیت اطلاعات را با در نظر گرفتن ویژگی های ضروری حفظ می کند. همچنین قوانین تصمیم گیری را برمی گرداند که به آشکار شدن الگوهای متمایز در بین شهرداری ها کمک کرد که آنها را در مورد گسترش COVID-19 یکسان می کند. بر این اساس، روش به ویژه برای کاوش داده های مطالعه ما مفید بود. طبقه بندی (اندازه گیری آسیب پذیری) حاصل مشاهده چهار جنبه اصلی اجتماعی، اقتصادی، جمعیتی و سرزمینی است. نتیجه می گیریم که جمعیت، تولید ناخالص داخلی، درآمد و تراکم جمعیت ویژگی های مهمی برای شناسایی شهرهایی هستند که ممکن است به بررسی بیشتر نیاز داشته باشند. علاوه بر این، همین متغیرها به طبقه‌بندی به سطوح آسیب‌پذیری متوسط و پایین کمک می‌کنند. از سوی دیگر، سوابق روزانه COVID-19، تراکم جمعیت و مساحت سرزمینی برای کل طبقه بندی مهم ترین هستند. با این وجود، روش DRSA بر اساس چهار گروه متمایز از ویژگی‌ها قادر به ارزیابی شهرهای کوچک و بزرگ در منطقه شمال شرقی برزیل است.

در رابطه با تحلیل خوشه‌ای، جستجوی مکان‌هایی با سطوح آسیب‌پذیری مشابه انجام شد. در نتیجه، درک این موضوع را ساده می کند که کدام مناطق به سختگیری یکسان (یا حتی مخالف) اقدامات اداری برای جلوگیری از گسترش بیماری نیاز دارند. علاوه بر این، یافته‌های مطالعه ما مشابه یافته‌های سایر مطالعات است، زیرا نشان دادیم که مراکز شهری تمایل بیشتری به انتشار ویروس دارند و بیشتر تحت تأثیر آن قرار می‌گیرند. با این حال، این اطلاعات به مناطق بزرگ شهری محدود نمی شود. مناطق روستایی نیز مورد ارزیابی قرار گرفت. یافته‌های این تحقیق ممکن است از چندین سیاست عمومی در زمینه کمک‌های بهداشتی برای کاهش پیامدهای نامطلوب COVID-19 حمایت کند.

در یک زمینه همه‌گیر، یافته‌های اینجا خط سیر موارد COVID-19 را در مکان‌های شهری و روستایی فراتر از متغیرهای مرتبط با موارد ثبت‌شده نشان می‌دهد. برای دستیابی به پاسخ‌ها در نقشه‌ها در [ ۴۶ ]، تجسم‌سازی‌ها مزایای متعددی را برای درک تأثیر بر جامعه و اقتصاد به ارمغان می‌آورند. با توجه به گسترش و انتشار ویروس، مطالعه ما غلظت بالایی از موارد را در مناطق شهری اطراف مدیریت دولت های پایتخت نشان داد، با نتایج مشابهی در [ ۱۴ ، ۳۱ ]. این به عنوان یک رویداد تصادفی رخ نمی دهد، اما مکان ها به یکدیگر متصل هستند [ ۴۷ ].

متغیرهای مورد استفاده در اینجا (تراکم جمعیتی، مساحت، درآمد و موارد روزانه) بینش‌های مهمی را در مورد جنبه‌های مربوط به تحلیل فضایی (OLS) ارائه می‌دهند، و نتایج حاصل از DRSA ممکن است توسط تجزیه و تحلیل فضایی (LISA، و Getis و Ord hot spot) استفاده شود. . نتایج ما با نتایج مشابهی که از متغیرهای اجتماعی و نابرابری با توجه به COVID-19 استفاده می‌کردند، همسو می‌شوند و نشان می‌دهند که چگونه این متغیرها به نتایج مهم مربوط به استنتاج‌های فضایی دست می‌یابند [ ۲۵ ، ۲۶ ، ۳۰ ]. بعلاوه، بعد فضایی با استفاده از یک فضای بزرگ (شمال شرقی برزیل) نشان می‌دهد که چگونه شهرهای کوچکی که حتی به عنوان آسیب‌پذیری بالا یا آسیب‌پذیری متوسط طبقه‌بندی می‌شوند، دقیقاً به این دلیل جدا می‌شوند که به فضاهای شهری مرتبط متصل نیستند.

در نهایت، سهم این مطالعه شامل ارتباط چندین عامل (اجتماعی-اقتصادی، جمعیتی و سرزمینی) با COVID-19، به ویژه در مناطق برزیل است. روش پیشنهادی برای انجام ارزیابی آسیب پذیری و هدایت تصمیم گیرندگان مفید خواهد بود. با این حال، ما همچنین باید به برخی محدودیت‌ها بپردازیم، مانند در نظر گرفتن داده‌های به‌روزرسانی و سایر ویژگی‌های مربوط به شهرداری‌ها برای تجزیه و تحلیل بیشتر، که ممکن است در تحقیقات آینده مورد بررسی قرار گیرد.

منابع

گوان، دبلیو. نی، ز. هو، ی. لیانگ، دبلیو. او، سی. او، جی. لیو، ال. شان، اچ. لی، سی. هوی، دی. و همکاران ویژگی های بالینی بیماری کروناویروس ۲۰۱۹ در چین. N. Engl. جی. مد. ۲۰۲۰ ، ۳۸۲ ، ۱۷۰۸-۱۷۲۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژو، پی. یانگ، XL; وانگ، XG; هو، بی. ژانگ، ال. ژانگ، دبلیو. Si، HR; زو، ی. لی، بی. هوانگ، CL; و همکاران شیوع پنومونی با یک ویروس کرونای جدید با منشا احتمالی خفاش همراه است. Nature ۲۰۲۰ ، ۵۷۹ ، ۲۷۰-۲۷۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
گورایب، ع. د اولیویرا سانتوس، جی. دا کونا، اچ‌جی. دا سیلوا، RB; د سوزا، WF; مسکیتا، RD; دا سیلوا لیبریو، ال. د سوزا سیلوا، FD; do Nascimento, SL; موتا، سی ام؛ و همکاران اطلاعات جغرافیایی داوطلبانه درک فضایی جدیدی از COVID-19 در فورتالزا ایجاد می کند. J. Lat. صبح. Geogr. ۲۰۲۰ ، ۱۹ ، ۲۶۰-۲۷۱٫ [ Google Scholar ] [ CrossRef ]
کوئیلو، اف سی؛ لانا، آر.ام. کروز، OG; ویللا، دی. باستوس، LS; پاستوره ای پیونتی، ای. دیویس، جی تی; وسپیگنانی، ا. Codeço، CT; Gomes، MF ارزیابی گسترش COVID-19 در برزیل: تحرک، عوارض و آسیب پذیری اجتماعی. PLoS ONE ۲۰۲۰ , ۱۵ , e0238214. [ Google Scholar ] [ CrossRef ] [ PubMed ]
داشبورد COVID-19 توسط مرکز علوم و مهندسی سیستم ها (CSSE) در دانشگاه جان هاپکینز (HUI). مرکز تحقیقات کرونا = دانشگاه و پزشکی جان هاپکینز. [برخط]. در دسترس آنلاین: https://coronavirus.jhu.edu/map.html (در ۲۵ مارس ۲۰۲۲ قابل دسترسی است).
فریتاس، سی ام. سیلوا، IVM؛ Cidade، NC کووید-۱۹ به عنوان یک فاجعه جهانی: چالش‌های حاکمیتی و آسیب‌پذیری اجتماعی برزیل. کشیش Ambiente Soc. ۲۰۲۰ ، ۲۳ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
ریبیرو، HV; سوناهارا، AA; ساتن، جی. پرک، ام. هانلی، اندازه شهر QS و گسترش COVID-19 در برزیل. PLoS ONE ۲۰۲۰ , ۱۵ , e0239699. [ Google Scholar ] [ CrossRef ]
براگا، JU; راموس، NA; فریرا، اف. Lacerda، VM; فریره، RMC; Bertoncini، BV تمایل شدید به COVID-19 در میان جمعیت محله‌های فورتالزا، برزیل، در سال ۲۰۲۰٫ BMC Public Health ۲۰۲۰ ، ۲۰ ، ۱۴۸۶٫ [ Google Scholar ] [ CrossRef ]
Marson، FAL COVID-19-6 میلیون مورد در سراسر جهان و مروری بر تشخیص در برزیل: فاجعه ای که باید اعلام شود. تشخیص دهید. میکروبیول. آلوده کردن دیس ۲۰۲۰ ، ۹۸ ، ۱۱۵۱۱۳٫ [ Google Scholar ] [ CrossRef ]
Nepomuceno، TCC; سیلوا، WMN؛ Nepomuceno، KTC; باروس، IKB رویکرد پیچیدگی نیازهای مبتنی بر DEA برای تخلیه تخت‌های بیمارستانی در طول شیوع COVID-19. J. Healthc. مهندس ۲۰۲۰ ، ۲۰۲۰ ، ۸۸۵۷۵۵۳٫ [ Google Scholar ] [ CrossRef ]
فراز، ف.د. ماریانو، EB; Manzine, PR; مورالس، HF; مورسیرو، رایانه شخصی؛ تورس، BG; د آلمیدا، MR; Soares de Mello, JC; Rebelatto، شاخص ساختار سلامت کووید DADN: آسیب پذیری مناطق کوچک برزیل. Soc. اندیک. Res. ۲۰۲۱ ، ۱۵۹ ، ۱۹۷-۲۱۵٫ [ Google Scholar ] [ CrossRef ]
هوانگ، Q. جکسون، اس. درخشان، س. لی، ال. فام، ای. جکسون، ای. کاتر، SL تفاوت های شهری-روستایی در مواجهه و پیامدهای COVID-19 در جنوب: تجزیه و تحلیل اولیه از کارولینای جنوبی. PLoS ONE ۲۰۲۰ , ۱۶ , e0246548. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مارکوفچ، آر. استرک، م. مارل، ام. پرک، ام. Gosak، M. عوامل اجتماعی-دموگرافیک و بهداشتی باعث پیشرفت اپیدمی می شوند و باید راهبردهای واکسیناسیون را برای بهترین مهار COVID-19 هدایت کنند. نتایج Phys. ۲۰۲۱ ، ۲۶ ، ۱۰۴۴۳۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
مک ماهون، تی. چان، آ. هاولین، اس. گالوس، LK همبستگی های فضایی در گسترش جغرافیایی COVID-19 در ایالات متحده. علمی Rep. ۲۰۲۲ , ۱۲ , ۶۹۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
خاوریان گرمسیر، ع. شریفی، ع. مرادپور، شمال. آیا مناطق پر تراکم در برابر همه گیری کووید-۹ آسیب پذیرتر هستند؟ حفظ کنید. جامعه شهرها ۲۰۲۱ , ۷۰ , ۱۰۲۹۱۱٫ [ Google Scholar ] [ CrossRef ]
نیکوللیس، م. Raimundo، RLG; Peixoto، PS; آندره، CS تاثیر شهرها، بزرگراه‌ها، و در دسترس بودن مراقبت‌های ویژه در مراحل اولیه همه‌گیری COVID19 در برزیل. علمی Rep. ۲۰۲۱ , ۱۱ , ۱۳۰۰۱٫ [ Google Scholar ] [ CrossRef ]
اسکارپونه، سی. برینکمن، ST; گروب، تی. سوننوالد، دی. فوکس، ام. Walker، BB یک رویکرد چند روشی برای تجزیه و تحلیل جغرافیایی در مقیاس شهرستانی بیماری‌های عفونی در حال ظهور: یک مطالعه موردی مقطعی از بروز COVID-19 در آلمان. بین المللی J. Health Geogr. ۲۰۲۰ ، ۱۹ ، ۳۲٫ [ Google Scholar ] [ CrossRef ]
هان، ی. یانگ، ال. جیا، ک. لی، جی. فنگ، اس. چن، دبلیو. ژائو، دبلیو. Pereira, P. ویژگی های توزیع فضایی همه گیری CVODI-19 در پکن و رابطه آن با عوامل محیطی. علمی کل محیط. ۲۰۲۱ ، ۷۶۱ ، ۱۴۴۲۵۷٫ [ Google Scholar ] [ CrossRef ]
پاییز، ES; عبدالله، ای. کوانسا، جی. فرانکلین، ام جی; Whaley-Omidire، ارزیابی آسیب‌پذیری به COVID-19 در سطح شهرستان W. در آلاباما. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۳۲۰٫ [ Google Scholar ] [ CrossRef ]
شارما، SN; باسو، س. شارما، P. عوامل اجتماعی دموگرافیک اتخاذ یک برنامه ردیابی تماس در طول اپیدمی COVID-19 در دهلی، هند. فناوری سیاست سلامت ۲۰۲۱ ، ۱۰ ، ۱۰۰۴۹۶٫ [ Google Scholar ] [ CrossRef ]
اندرسن، ال.ام. هاردن، اس آر. Sugg، MM; رانکل، جی دی. Lundquist، TE تجزیه و تحلیل عوامل مکانی انتقال محلی COVID-19 در ایالات متحده. علمی کل محیط. ۲۰۲۱ ، ۷۵۴ ، ۱۴۲۳۹۶٫ [ Google Scholar ] [ CrossRef ]
ما، جی. زو، اچ. لی، پی. لیو، سی. لی، اف. لو، ز. ژانگ، ام. Li, L. الگوهای فضایی گسترش COVID-19 در سنگاپور و عوامل تأثیرگذار. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۱۵۲٫ [ Google Scholar ] [ CrossRef ]
پنها، MER همه‌گیری و نابرابری‌های قومی-فضایی آن: ملاحظات سالوادور، باهیا، برزیل. J. Lat. صبح. فرقه گل میخ. ۲۰۲۰ ، ۲۹ ، ۳۲۵-۳۳۱٫ [ Google Scholar ] [ CrossRef ]
Maciel، JAC; کاسترو-سیلوا، II; Farias، MR Analise inicial da correlação espacial entre a incidência de COVID-19 eo desenvolvimento humano nos municípios do estado do ceará no Brazil. سوتین کشیش. د اپیدمیول. ۲۰۲۰ ، ۲۳ ، e200057. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پائولا، DP; Medeiros، DH; باروس، EL; Guerra, RG; سانتوس، جی دی. لیما، جی اس. مونتیرو، RM انتشار COVID-19 در کلانشهر شمالی در شمال شرقی بریل: پویایی های سرزمینی و خطرات مرتبط با آسیب پذیری اجتماعی. Soc. نات. ۲۰۲۰ ، ۳۲ ، ۶۳۹-۶۵۶٫ [ Google Scholar ] [ CrossRef ]
سوزا، APG; موتا، CMM؛ رزا، AGF; Figueiredo, CJJ; Candeias، ALB یک تحلیل مکانی-زمانی در مراحل اولیه همه‌گیری COVID-19 و عوامل تعیین‌کننده آن: مورد محله‌های Recife، برزیل. PLoS ONE ۲۰۲۲ , ۱۷ , e0268538. [ Google Scholar ] [ CrossRef ]
Natividade، MDS; برناردز، ک. پریرا، م. میراندا، اس.اس. برتولدو، جی. Teixeira، MDG; لیورامنتو، HL; Aragão، E. فاصله گذاری اجتماعی و شرایط زندگی در همه گیری COVID-19 در سالوادور-باهیا، برزیل. Ciênc. Saúde Coletiva ۲۰۲۰ ، ۲۵ ، ۳۳۸۵–۳۳۹۲٫ [ Google Scholar ] [ CrossRef ]
سیلوا، APSC; مایا، LTS; سوزا، WV سندرم تنفسی حاد شدید در پرنامبوکو: مقایسه الگوهای قبل و در طول همه گیری COVID-19. Ciênc. Saúde Coletiva ۲۰۲۰ ، ۲۵ ، ۴۱۴۱–۴۱۵۰٫ [ Google Scholar ] [ CrossRef ]
بریتو، PL; کوفر، م. کووا، م. پدراسولی، جی سی. وانگ، جی. کاستا، اف. Freitas، AD بعد فضایی COVID-19: پتانسیل داده های رصد زمین در حمایت از جوامع زاغه نشین با شواهدی از برزیل. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۵۵۷٫ [ Google Scholar ] [ CrossRef ]
تانگ، آی دبلیو. ویرا، VM؛ شیرر، E. تأثیر عوامل اجتماعی-اقتصادی در طول همه گیری اولیه COVID-19: یک تحلیل فضایی. BMC Public Health ۲۰۲۲ ، ۲۲ ، ۱۲۱۲٫ [ Google Scholar ] [ CrossRef ]
رامیرز، آی جی; لی، جی. ظهور COVID-19 و عوامل اجتماعی و بهداشتی در کلرادو: تجزیه و تحلیل سریع فضایی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۳۸۵۶٫ [ Google Scholar ] [ CrossRef ]
موتا، CMM؛ Figueiredo, CJJ; Pereira، DVS شناسایی مناطق آسیب پذیر به قتل با استفاده از تجزیه و تحلیل معیارهای چندگانه و تجزیه و تحلیل فضایی. Omega ۲۰۲۱ , ۱۰۰ , ۱۰۲۲۱۱٫ [ Google Scholar ] [ CrossRef ]
گائو، ز. جیانگ، ی. او، جی. وو، جی. خو، جی. کریستاکوس، جی. مدل آسیب‌پذیری کووید-۱۹ منطقه‌ای مبتنی بر AHP و کاربرد آن در چین. مدل. سیستم زمین محیط زیست ۲۰۲۲ ، ۸ ، ۲۵۲۵-۲۵۳۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Malakar، S. مدل‌سازی جغرافیایی آسیب‌پذیری COVID-19 با استفاده از رویکرد MCDM فازی یکپارچه: مطالعه موردی بنگال غربی، هند. مدل. سیستم زمین محیط زیست ۲۰۲۱ ، ۲۷ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Yetim، BY; سونمز، اس. کونکا، م. Ilgun, M. اولویت بندی سیاست ها و شیوه های اعمال شده در ترکیه برای مبارزه با COVID-19 از طریق تکنیک AHP. Saúde Soc. ۲۰۲۱ ، ۳۰ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
نقشه‌برداری حساسیت به کووید-۱۹ سرکار، SK با استفاده از ارزیابی چند معیاره. فاجعه پزشکی. آمادگی بهداشت عمومی ۲۰۲۱ ، ۱۴ ، ۵۲۱-۵۳۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
موسسه جغرافیا و آمار برزیل IBGE Cidades IBGE. ۲۰۲۰٫ در دسترس آنلاین: https://cidades.ibge.gov.br/ (در ۲۱ ژانویه ۲۰۲۱ قابل دسترسی است).
گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی ۱۹۹۲ ، ۲۴ ، ۱۸۹-۲۰۶٫ [ Google Scholar ] [ CrossRef ]
گرکو، اس. ماتارازو، بی. Slowinski، R. Rough روش‌شناسی را برای مرتب‌سازی مسائل در حضور ویژگی‌ها و معیارهای متعدد تنظیم می‌کند. یورو جی. اوپر. Res. ۲۰۰۲ ، ۱۳۸ ، ۲۴۷-۲۵۹٫ [ Google Scholar ] [ CrossRef ]
آلوارز، PA; ایشیزاکا، ا. مارتینز، L. روش های مرتب سازی تصمیم گیری چند معیاره: نظرسنجی. سیستم خبره Appl. ۲۰۲۱ ، ۱۸۳ ، ۱۱۵۳۶۸٫ [ Google Scholar ] [ CrossRef ]
Anselin، L. شاخص های محلی انجمن فضایی-LISA. Geogr. مقعدی ۱۹۹۵ ، ۲۷ ، ۹۳-۱۱۵٫ [ Google Scholar ] [ CrossRef ]
برزیل، پی. مدیروس، پی. منبع آب مدیریت ۲۰۲۰ ، ۳۴ ، ۱۹۵-۲۱۰٫ [ Google Scholar ] [ CrossRef ]
Haguenauer، HGM; سیلوا، تولید ناخالص داخلی; شرقاوی، MH; نتو، ع. Viana، DB; de Freitas، MAV فرصت‌های فعلی و آینده برای سیستم‌های نمک‌زدایی یکپارچه تجدیدپذیر در منطقه نیمه خشک برزیل. آب شیرین کن. ۲۰۱۹ ، ۱۶۶ ، ۲۷۹-۲۹۵٫ [ Google Scholar ] [ CrossRef ]
کاوالکانتی، کالیفرنیا؛ لیما، جی پی آر نیمه خشک شمال شرقی: تحولات اخیر هم در اقتصاد و هم در بخش صنعتی. Rev. Econômica Do Nordeste ۲۰۱۹ ، ۵۰ ، ۶۹–۸۸٫ [ Google Scholar ]
Schkade، DA; Kahneman، D. آیا زندگی در کالیفرنیا مردم را خوشحال می کند؟ یک توهم متمرکز در قضاوت درباره رضایت از زندگی. روانی علمی ۱۹۹۸ ، ۹ ، ۳۴۰-۳۴۶٫ [ Google Scholar ] [ CrossRef ]
موکنیک، اف. راپوسو، پی. فرینگا، دبلیو. راک، م. Köbben، B. اپیدمی ها و همه گیری ها در نقشه ها – مورد COVID-19. J. Maps ۲۰۲۰ , ۱۶ , ۱۴۴–۱۵۲٫ [ Google Scholar ] [ CrossRef ]
اریاندو، تی. سیپاهوتار، ت. Rahardiantoro, S. توزیع خطر COVID-19 در اندونزی: تجزیه و تحلیل فضایی. آسیا پک J. بهداشت عمومی ۲۰۲۰ ، ۳۲ ، ۴۵۰-۴۵۲٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ منطقه مورد مطالعه: ( الف ) مرزهای برزیل. ( ب ) ۲۶ واحد فدراتیو برزیل و پایتخت فدرال، با برجسته کردن واحدهای (رنگ قرمز) که به منطقه شمال شرقی برزیل تعلق دارند. و ( ج ) ۱۷۹۳ شهرداری در ۹ ایالت شمال شرقی.

شکل ۲٫ وقفه های طبیعی برای موارد COVID-19 برای ۳۰ ژوئن ۲۰۲۰٫

شکل ۳٫ نتایج طبقه بندی از DRSA. هر گروه با در نظر گرفتن مثال های مرجع، طبقه بندی را از قوانین تصمیم گیری DRSA توصیف می کند.

شکل ۴٫ تجزیه و تحلیل LISA پس از نتایج DRSA. هر گروه خوشه های به دست آمده از شاخص موران اعمال شده در سال ۲۰۲۰ را توصیف می کند.

شکل ۵٫ تجزیه و تحلیل Getis و Ord پس از نتایج DRSA. هر گروه خوشه های به دست آمده از تجزیه و تحلیل Getis-Ord را که در سال ۲۰۲۰ اعمال شده است، توصیف می کند.

شکل ۶٫ نتایج طبقه‌بندی از DRSA برای ۲۰۲۱ پرونده ثبت‌شده در سال ۲۰۲۱٫ هر گروه با در نظر گرفتن مثال‌های مرجع، طبقه‌بندی را از قوانین تصمیم‌گیری DRSA توصیف می‌کند.

شکل ۷٫ تجزیه و تحلیل LISA پس از نتایج DRSA موارد COVID-19 ثبت شده در سال ۲۰۲۱٫ هر گروه خوشه های به دست آمده از شاخص موران اعمال شده در سال ۲۰۲۱ را توصیف می کند.

شکل ۸٫ تجزیه و تحلیل Getis و Ord پس از نتایج DRSA موارد ثبت‌شده در سال ۲۰۲۱٫ هر گروه خوشه‌های به‌دست‌آمده از تجزیه و تحلیل Getis Ord اعمال شده در سال ۲۰۲۰ را توصیف می‌کند.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام