تغییرات فضا-زمان و تمایز فضایی موارد تایید شده COVID-19 در استان هوبی بر اساس GWR طولانی

خلاصه

شفاف سازی مکانیسم انتقال منطقه ای COVID-19 اهمیت عملی برای محافظت موثر دارد. با در نظر گرفتن ۱۰۳ منطقه در سطح شهرستان استان هوبی به عنوان مثال، و با در نظر گرفتن سریعترین مرحله شیوع COVID-19، که از ۲۹ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰ به طول انجامید، ما به طور سیستماتیک مهاجرت جمعیت، فضا را تجزیه و تحلیل کردیم. -الگوی تغییرات زمانی کووید-۱۹، با تاکید بر تفاوت‌های مکانی-زمانی و اثرات مقیاس عوامل مرتبط با استفاده از روش تحلیل داده‌های لغزشی روزانه، مرتب‌شده زمانی، همراه با رگرسیون وزن‌دار جغرافیایی گسترده (GWR). نتایج بیان می کند که: مهاجرت جمعیت نقشی دوطرفه در تغییرات COVID-19 دارد. جمعیت مهاجر و مهاجر شهر ووهان ۷۰/۳ درصد و ۷۳ نفر بوده است. ۰۵ درصد از کل جمعیت مهاجران؛ اقدامات محدود کننده نه تنها در کنترل مهاجران مؤثر بود، بلکه در جلوگیری از مهاجران نیز مؤثر بود. COVID-19 دارای خود همبستگی فضایی قابل توجهی است و تمایز مکانی-زمانی بر COVID-19 تأثیر دارد. عوامل مختلف درجات تأثیر متفاوتی بر COVID-19 دارند و عوامل مشابه تأثیرات مقیاس متفاوتی را نشان می‌دهند. به طور کلی، الگوی تمایز فضایی یک الگوی انتقالی از نوارهای موازی از شرق به غرب، و همچنین یک الگوی تابشی همپایه است که در دایره شهری ووهان ۱ + ۸ متمرکز شده است. این مقاله برای درک تکامل مکانی-زمانی COVID-19 در استان هوبی مفید است، تا مرجعی برای پیشگیری از اپیدمی مشابه ارائه دهد. بلکه در جلوگیری از مهاجران نیز موثر است. COVID-19 دارای خود همبستگی فضایی قابل توجهی است و تمایز مکانی-زمانی بر COVID-19 تأثیر دارد. عوامل مختلف درجات تأثیر متفاوتی بر COVID-19 دارند و عوامل مشابه تأثیرات مقیاس متفاوتی را نشان می‌دهند. به طور کلی، الگوی تمایز فضایی یک الگوی انتقالی از نوارهای موازی از شرق به غرب، و همچنین یک الگوی تابشی همپایه است که در دایره شهری ووهان ۱ + ۸ متمرکز شده است. این مقاله برای درک تکامل مکانی-زمانی COVID-19 در استان هوبی مفید است، تا مرجعی برای پیشگیری از اپیدمی مشابه ارائه دهد. بلکه در جلوگیری از مهاجران نیز موثر است. COVID-19 دارای خود همبستگی فضایی قابل توجهی است و تمایز مکانی-زمانی بر COVID-19 تأثیر دارد. عوامل مختلف درجات تأثیر متفاوتی بر COVID-19 دارند و عوامل مشابه تأثیرات مقیاس متفاوتی را نشان می‌دهند. به طور کلی، الگوی تمایز فضایی یک الگوی انتقالی از نوارهای موازی از شرق به غرب، و همچنین یک الگوی تابشی همپایه است که در دایره شهری ووهان ۱ + ۸ متمرکز شده است. این مقاله برای درک تکامل مکانی-زمانی COVID-19 در استان هوبی مفید است، تا مرجعی برای پیشگیری از اپیدمی مشابه ارائه دهد. عوامل مختلف درجات تأثیر متفاوتی بر COVID-19 دارند و عوامل مشابه تأثیرات مقیاس متفاوتی را نشان می‌دهند. به طور کلی، الگوی تمایز فضایی یک الگوی انتقالی از نوارهای موازی از شرق به غرب، و همچنین یک الگوی تابشی همپایه است که در دایره شهری ووهان ۱ + ۸ متمرکز شده است. این مقاله برای درک تکامل مکانی-زمانی COVID-19 در استان هوبی مفید است، تا مرجعی برای پیشگیری از اپیدمی مشابه ارائه دهد. عوامل مختلف درجات تأثیر متفاوتی بر COVID-19 دارند و عوامل مشابه تأثیرات مقیاس متفاوتی را نشان می‌دهند. به طور کلی، الگوی تمایز فضایی یک الگوی انتقالی از نوارهای موازی از شرق به غرب، و همچنین یک الگوی تابشی همپایه است که در دایره شهری ووهان ۱ + ۸ متمرکز شده است. این مقاله برای درک تکامل مکانی-زمانی COVID-19 در استان هوبی مفید است، تا مرجعی برای پیشگیری از اپیدمی مشابه ارائه دهد.

کلید واژه ها:

COVID-19 ؛ GTWR _ MGWR ; تغییرات مکانی – زمانی ; اثر مقیاس ; استان هوبی

چکیده گرافیکی

۱٫ معرفی

ویروس ها تهدیدی بالقوه برای بقای انسان هستند. در دسامبر ۲۰۱۹، یک ذات الریه غیر معمول به نام کووید-۱۹، منتسب به یک ویروس کرونای جدید با منشاء مشترک بین انسان و دام، در ووهان، چین شیوع یافت [ ۱ ]. این بیماری با سرعت غیرقابل کنترلی در سراسر جهان گسترش یافته است که مردم باید روزانه موارد را بشمارند. تا ۲۴ جولای ۲۰۲۰، ۱۵،۵۸۱،۰۰۹ مورد تایید شده و ۶۳۵،۱۷۳ مرگ در ۲۱۶ کشور وجود داشته است [ ۲ ]]. این اپیدمی بی‌سابقه فشار و چالش بی‌سابقه‌ای را بر سیستم حفاظت پزشکی همه کشورهای جهان وارد کرده است و تأثیر جدی بر تجارت، اقتصاد، روابط سیاسی و تحرک جغرافیایی کنونی انسان گذاشته است. مهار موثر این بیماری همه گیر اولویت اصلی برای دولت ها و مردم از هر طبقه است. کووید-۱۹ نه اولین و نه آخرین اپیدمی است که ما با آن مواجه بوده ایم یا قرار است با آن مواجه شویم. بنابراین، بررسی تغییرات مکانی-زمانی و مکانیسم انتقال COVID-19 در مرکز زمین لرزه، استان هوبی، برای پیشگیری از همه گیری فعلی و آینده ویروس های مشابه، زمانی که پیشگیری از همه گیری داخلی چین به پیروزی دوره ای دست یافته است، اهمیت عملی زیادی دارد.

در ابتدای شیوع کووید-۱۹، گسترش سریع و گسترده آن در کوتاه مدت، وظیفه اصلی پیشگیری از همه گیر را به دست آوردن اطلاعات به موقع درباره منشا ویروس، انتقال ویروس پاتوژنز ویروسی و غیره تبدیل کرد [ ۳ ]. تعداد زیادی از محققان برای یافتن ویژگی‌های خود ویروس و جداسازی سویه‌های کووید-۱۹ با موفقیت، مطالعات روشنگرانه‌ای به موقع انجام دادند که پایه محکمی برای توسعه واکسن گذاشت. از آنجایی که هنوز دانش ناشناخته زیادی در مورد COVID-19 وجود دارد [ ۴ ]، برخی از محققان از مدل های انتشار چندگانه مانند مدل پویا بیماری عفونی (SEIR)، convLSTM برای پیش بینی شیوع COVID-19 از قبل استفاده کرده اند [ ۵ ، ۶ ، ۷ ]و برخی از محققان مهاجرت به مهاجرت به ویروس روابط و خطرات بالقوه را در دوران پس از اپیدمی ارزیابی کرده اند [ ۸ ]، به منظور افزایش اثربخشی اقدامات پیشگیرانه. محققان زمانی که از رویکرد تحلیلی آماری سنتی پیرسون [ ۹ ] استفاده کردند، یا زمانی که مدل‌های اطلاعات مکانی همبسته خودکار مکانی مانند موران I، LISA [ ۱۰ ]، یا مدل‌های اطلاعات مکانی-زمانی مربوط به تاریخ پانل را معرفی کردند، تمرکز زیادی بر عوامل زیر داشتند. [ ۱۱]، به منظور یافتن عوامل غالب مرتبط با انتقال COVID-19. اینها عوامل پاتولوژیک مستقیماً با خود بیماران (سن آنها، داشتن یا نداشتن بیماریهای دیگر و غیره) و عوامل مرتبط با محیط خارجی (مهاجرت سفر، تراکم جمعیت، تولید ناخالص داخلی منطقه، شبکه ترافیک، دما و رطوبت و غیره) هستند. . ابزارها و روش های تحلیل مکانی مانند GIS و آمار فضایی نقش مهمی در فرآیند اکتشاف دارند [ ۱۲ ]. با توجه به ویژگی های پاتولوژیک کووید-۱۹، که می تواند بین افراد منتقل شود، برخی از محققان مطالعاتی را با هدف مکانیسم تأثیر مهاجرت و انتقال جمعیت [ ۱۳ ] و اثربخشی اقدامات مداخله ای دولت انجام داده اند [ ۱۴ ،۱۵]، پس از فرآیند انتخاب عامل مرسوم. این تحقیق بر سطوح مختلف از کل جهان، ملل، مناطق استانی و شهری متمرکز شده است [ ۱۶ ، ۱۷ ]. مناطق سطح شهرستانی که توسط سیاست ملی هدایت می شدند در خط مقدم پیشگیری از بیماری همه گیر بودند، اما مطالعات کمی روی این سطح متمرکز بود.

شیوع COVID-19 ثبات منطقه ای ندارد اما تمرکز منطقه ای دارد، زیرا در استان هوبی با کمتر از ۲٪ قلمرو، بیش از ۸۰٪ از بیماران متمرکز شده اند [ ۱۸ ]. بنابراین، اپیدمی هم از نظر مقیاس و هم در مکانیسم های انتقال دارای ویژگی خاص خود است. یکی از مشکلاتی که در مطالعات فعلی در مورد COVID-19 ظاهر می شود این است که موارد هوبی اغلب در تجزیه و تحلیل مطالعات قبلی [ ۵ ] از کل تصویر جدا یا حذف می شدند زیرا COVID-19 خطر ابتلا به بیماری را در استان هوبی به طور قابل توجهی بالاتر از آن به همراه داشت. در مناطق اطراف و شدت موارد در استان هوبی و موارد سایر استان‌های چین و سایر نقاط جهان تفاوت معنی‌داری وجود داشت [ ۱۹ ]]. پژوهش ما بر مقیاس شهرستانی متمرکز شد تا الگوی تنوع اپیدمی در گسترش و الگوی تمایز فضایی آن را روشن کند. بنابراین، می تواند مرجع مفیدی برای محافظت موثر در مواجهه با COVID-19 و سایر ویروس های مشابه آینده باشد.

۲٫ مواد و روشها

۲٫۱٫ مروری بر منطقه مورد مطالعه

استان هوبی، واقع در مرکز چین (۱۰۸°۲۱′۴۲″–۱۱۶°۰۷′۵۰″ شرقی، ۲۹°۰۱′۵۳″–۳۳°۶′۴۷″ شمالی)، دارای انواع لندفرم های مختلف و پیچیده است و توسط کوه ها احاطه شده است. در شرق، غرب و شمال. در وسط استان هوبی، دشت جیانگان قرار دارد که سرزمین فراوانی است. استان هوبی ۱۸۵۹۰۰ کیلومتر مربع مساحت دارد که ۱٫۹۴ درصد از مساحت کشور را به خود اختصاص داده و در رتبه شانزدهمین استان بزرگ قرار دارد. میانگین دمای سالانه استان هوبی ۱۵ تا ۱۸ درجه سانتی گراد است. زمستان آن سرد و تابستان گرم است. در این مکان تابستان و زمستان طولانی و بهار و پاییز کوتاه است. باران و گرما در اینجا در یک فصل می آید و منابع آب و هوایی آن غنی و متنوع است. با وجود اینکه میزان بارندگی بسیار زیاد است، با بارش سالانه ۱۲۰۱ میلی متر، توزیع بارندگی حتی در سطوح مکانی و زمانی هم نیست. استان هوبی یک پیوند حمل و نقل است که شرق به غرب و جنوب را به شمال متصل می کند. ووهان، مرکز استان که از زمان های قدیم به دلیل ارتباط با مکان های مختلف مشهور است، مرکز شبکه ملی راه آهن پرسرعت است. فرودگاه بین المللی ووهان تیانهه یک فرودگاه داخلی مهم در چین است. استان هوبی دارای ۱۰۶۲ کیلومتر رودخانه یانگ تسه است که از غرب به شرق می گذرد و از شهر ووهان می گذرد. راه‌های هوایی، راه‌آهن، بزرگراه‌ها و آبراه‌ها همگی دارای مبادلات سه‌بعدی با یکدیگر هستند. تا پایان سال ۲۰۱۸، جمعیت ساکن استان هوبی ۵۹٫۱۷ میلیون نفر بوده است که از این تعداد ۱۱٫۰۸۱ میلیون در ووهان بوده است. استان هوبی دارای تولید ناخالص داخلی منطقه ای ۳۹۳۶٫۶۵۵ میلیارد یوان و در مجموع ۹۸۷ بود. ۱۹۷۰ میلیارد مسافر از انواع ترافیک. تعداد مؤسسات بهداشتی، کارکنان صنعت بهداشت و تخت به ترتیب ۳۶۳۹۷۵۲۱٫۸ هزار و ۳۹۳٫۵ هزار تخت با میزان بهره‌برداری از تخت‌ها ۹۲٫۶۵ درصد بوده است.۲۰ ].

ترکیب فضایی مناطق اداری در استان هوبی شامل ۱۲ شهرداری (ووهان، هوانگشی، ژیانگ‌فان، جینگژو، ییچانگ، شیان، شیائوگان، جینگمن، اژو، هوانگانگ، ژیانینگ و سوئیژو)، ۱ استان خودمختار (Enshi Tujia Autonomous Prefectorityo Enshi) 1 منطقه جنگلی (منطقه جنگلی Shenongjia) و ۳ واحد اداری که تحت صلاحیت استان هستند (Xiantao، Qiangjiang و Tianmen). در این مقاله، تمام ۱۷ منطقه ذکر شده در بالا، مناطق سطح شهر نامیده می شوند. این مناطق در سطح شهر را می توان به مناطق یا شهرستان های پیچیده تر تقسیم کرد که در مقاله به آنها مناطق سطح شهرستان می گویند. تعداد کل این مناطق در سطح شهرستان ۱۰۳ است.

برای درک دقیق‌تر مکانیسم انتقال COVID-19 و عوامل مؤثر بر انتقال آن، ۱۰۳ منطقه در سطح شهرستان را به عنوان اهداف مطالعه در نظر گرفتیم. برخی از مناطق پس از بررسی آخرین تقسیمات استان هوبی همراه با منطقه ای که اطلاعات رسمی در آن منتشر شده بود مجدداً منطقه بندی شدند ( شکل ۱ ).

۲٫۲٫ منابع اطلاعات

داده های نقشه جغرافیایی استانی / استانی / سطح استانی (۲۰۱۵) از پایگاه داده های جغرافیایی پایه ملی (مقیاس ۱:۱ میلیون) به دست آمده است که توسط سرویس کاتالوگ ملی برای اطلاعات جغرافیایی ( http://www ) ارائه شده است. .webmap.cn/ ). از آنجایی که برخی از مناطق اداری طبق آخرین نقشه استاندارد (۲۰۲۰) که از وب‌سایت اداره طبیعی دریافت شده است، ویرایش و به‌روزرسانی شده‌اند، برای مطابقت با محدوده فضایی موارد تأیید شده COVID-19 گزارش شده، چند تغییر انجام دادیم. منابع استان هوبی ( http://zrzyt.hubei.gov.cn/). تمام داده های تایید شده مبتلایان به کووید-۱۹ از آخرین بولتن وب سایت رسمی به دست آمده است. در این میان، داده های همه گیر سه شهرداری به طور مستقیم تحت مدیریت (Xiantao، Qiangjiang و Tianmen) و یک منطقه جنگلی (منطقه جنگلی Shennongjia) از کمیسیون بهداشت استان هوبی به دست آمد. داده های ۱۳ منطقه در شهر ووهان در مرحله اولیه بر اساس کل موارد در ووهان در مرحله اولیه به نسبت مقیاس محاسبه شده با ترکیب داده های آماری تقسیم شده در مرحله بعدی با جمعیت ساکن محاسبه شد، زیرا وجود داشت. هیچ داده آماری رسمی در مرحله اولیه از کمیسیون بهداشت شهرداری ووهان تقسیم نشده است. سایر داده های همه گیر در سطح شهرستان در وب سایت رسمی هر شهرداری یا وب سایت کمیته های بهداشتی وابسته منتشر شد. آنها بر اساس نواحی و شهرستان ها که توسط شهرها تقسیم شده و اداره می شدند، به خوبی سازماندهی شده بودند. داده‌های راه‌آهن، بزرگراه‌ها، جاده‌های اصلی و جاده‌های معمولی و غیره از نقشه بایدو به‌دست آمدند.http://map.baidu.com/ ) و آمپ ( https://www.amap.com/ )، که دو پلتفرم خدمات نقشه عمومی بودند. داده‌های سطوح غیرقابل نفوذ شهری و روستایی با وضوح ۳۰ متر از سنجش از دور ماهواره‌ای از مشاهده و نظارت با وضوح دقیق-پوشش زمین جهانی ( http://data.ess.tsinghua.edu.cn/ ) دانلود شد. داده های شاخص مهاجرت بایدو (۱ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰) از Smarteye Map ( https://qianxi.baidu.com/ ) به دست آمده است. داده های جمعیت، تولید ناخالص داخلی منطقه ای در سطح شهرستان (منطقه ها، شهرستان ها) در استان هوبی از “سالنامه آماری هوبی ۲۰۱۹ و ۲۰۱۸” و سالنامه آماری ۲۰۱۹ و ۲۰۱۸ هر شهر در سطح استان به دست آمده است.

۲٫۳٫ روش های پژوهش

ایده کلی مقاله در شکل ۲ نشان داده شده است . در ابتدا، همبستگی بین مهاجرت و COVID-19 با محاسبه شاخص مهاجرت تجزیه و تحلیل می شود. ثانیا، همبستگی مکانی موارد تایید شده COVID-19 با استفاده از داده های سریال زمانی و Global Moran’s I بررسی می شود. در نهایت، با GTWR و MGWR مدل های توسعه یافته GWR، تمایز مکانی-زمانی و مقیاس موارد تایید شده COVID-19 بررسی می شود. تجزیه و تحلیل کرد. در فرآیند تحلیلی، تحلیل لغزشی روز به روز برای بخش‌های زمانی ۳۲ روزه انجام شد. بخش‌های طولانی‌تر برای جلوگیری از نوسانات گاه به گاه مساعد بود، و لغزش روز به روز به دلیل دوره کمون نامشخص COVID-19 برای یافتن نتایج بهینه مفید بود. روش های اصلی در زیر توضیح داده شده است.

۲٫۳٫۱٫ مدل رگرسیون وزن‌دار جغرافیایی و زمانی (GTWR)

گسترش اپیدمی COVID-19 در استان هوبی نه تنها در سطح جغرافیایی متفاوت بود، بلکه از نظر زمانی نیز متفاوت بود. بنابراین، تغییر سریع وضعیت اپیدمی به صورت روزانه، فاکتورهای زمانی را در تحلیل مدل از اهمیت ویژه‌ای برخوردار می‌کند، اگرچه مدل رگرسیون وزن‌دار جغرافیایی (GWR) این مزیت را دارد که با معرفی پارامتر مکان، مدل تحلیل رگرسیون سنتی را گسترش می‌دهد، به طوری که فضایی ناهمگونی را می توان در تجزیه و تحلیل COVID-19 منعکس کرد و نتایج تجزیه و تحلیل را معقول تر کرد. مدل GTWR هم زمان و هم ناهمگونی مکانی را در نظر می گیرد و ضرایب رگرسیون را در هر نقطه مشاهده با محاسبه فاصله فضا-زمان به دست می آورد و مدل را از لحاظ نظری به واقعیت نزدیکتر می کند.۲۱ ].

Y من = β ۰ (μ من ، ν من ، تی من) + \sum ک β ک (μ من ، ν من ، تی من) ایکس من ک + ε من

(۱)

در این فرمول، i نمایانگر i مین مشاهده است (۱ ≤ i ≤ n ، n تعداد مشاهدات است). k نشان دهنده k امین متغیر مستقل مانند مهاجرت، تولید ناخالص داخلی، تراکم جمعیت و غیره است (۱ ≤ k ≤ m , m تعداد متغیرهای مستقل است). X _ik مقدار k امین متغیر مستقل در نقطه مشاهده i است. ε _i نشان دهنده باقیمانده نقطه مشاهده من است. ( μ _i ، ν_i , t _i ) مختصات نقطه i را در سیستم مختصات مکانی – زمانی نشان می دهد. β _۰ ( μ _i , ν _i , t _i ) نشان دهنده مقدار قطع است و β _k ( μ _i , ν _i , t _i ) مجموعه ای از مقادیر پارامترها در نقاط i است و می تواند متناسب با زمان و مکان تغییر کند. ، که بیان دقیق تری از اثرات محلی را ارائه می دهد.

در رگرسیون محلی GTWR، محاسبات نقاط مجاور اطراف نقاط مشاهده به فاصله مکانی و فاصله زمانی بستگی دارد. نتایج جامع با افزودن عملیات به دست می آید. برای متعادل کردن اثرات مختلف روش‌های مورد استفاده برای اندازه‌گیری فاصله مکانی و زمانی در سیستم‌های متریک مربوطه، ما به ترتیب ضریب فاصله مکانی و ضریب فاصله زمانی (فرمول ۲) را ارائه کردیم. پس از اینکه ضریب فاصله مناسب داده شد، می توان درجه مجاورت را اندازه گیری کرد.

د اس تی = λ د اس + μ د تی

(۲)

در فرمول (۲)، d ^ST نشان دهنده فاصله مکانی و زمانی است. d ^S و λ به ترتیب نشان دهنده فاصله و ضریب مکانی هستند. d ^T و μ به ترتیب نشان دهنده فاصله زمانی و ضریب هستند. اگر d ^T کوچکتر از d ^S باشد، نشان می دهد که d ^ST تحت سلطه d ^S خواهد بود . اگر d ^T بزرگتر از d ^S باشد، نشان می دهد که d ^ST تحت سلطه d خواهد بود.^تی . به منظور ساده سازی مدل، k = μ / λ و λ = ۱ را در عملیات واقعی تعریف کردیم. μ با استفاده از اعتبارسنجی متقابل بر حسب R2 یا AIC [^۲۱ ] بهینه شد.

۲٫۳٫۲٫ رگرسیون وزنی جغرافیایی چند مقیاسی (MGWR)

قانون اول جغرافیای توبلر یک پایه نظری برای تحلیل خودهمبستگی فضایی ایجاد می کند. محدوده مکانی یک نمایش مقیاس معمولی برای تجزیه و تحلیل GIS است [ ۲۲ ]. در GWR، ناهمگونی همه روابط فضایی در یک مقیاس توسط پهنای باند فضایی گرفته می‌شود، اما محدود کردن مقیاس فضایی یکسان برای همه فرآیندهای فضایی ممکن است نتایج برآورد را منحرف کند. برای مثال، دما ممکن است از نظر مکانی کمی متفاوت باشد، در حالی که فواصل بین جاده های اصلی به تراکم جاده های منطقه ای بستگی دارد که تفاوت های آشکاری دارند. MGWR، با در نظر گرفتن مقیاس‌های فضایی مختلف که ممکن است بین متغیرهای مستقل مختلف وجود داشته باشد، می‌تواند اجازه دهد که روابط شرطی بین متغیرهای مستقل و متغیرهای وابسته در مقیاس‌های فضایی مختلف تغییر کند.۲۳ ] و متغیرهای مستقل مختلف، در نتایج رگرسیون، عباراتی از پهنای باند متفاوت دارند. مدل زیر مدل MGWR [ ۲۴ ] است.

y من = \sum j = ۰ متر β b w j (μ من ، ν من) ایکس من ج + ε من

(۳)

در فرمول ۳، i نمایانگر i مین مشاهده است (۱ ≤ i ≤ n ، n تعداد مشاهدات است). j نشان دهنده j امین متغیر مستقل مانند مهاجرت، تولید ناخالص داخلی، تراکم جمعیت و غیره است. m تعداد متغیرهای مستقل است. x _ij مقدار j امین متغیر مستقل در i امین نقطه مشاهده است. ε _i نشان دهنده باقیمانده نقطه مشاهده من است. ( μ _i ، ν _i) مختصات نقطه i را در فضا نشان می دهد. bwj در β _bwj پهنای باند مورد استفاده برای کالیبراسیون رابطه شرطی j را نشان می دهد. β _bwj ( μi , ν _i₎ مجموعه ای از مقادیر پارامترها در نقاط i است. فرآیند حل پارامتر در [ ۲۴ ] است.

پهنای باند GWR Extended نرخ کاهش وزن های رگرسیون را در اطراف یک نقطه معین (( u , v , t )/( u , v )) تعیین می کند. پهنای باند بهینه با روش AICc [ ۲۱ ] تعیین می شود. نوع هسته فضایی تطبیقی تنظیم شده است.

۲٫۳٫۳٫ رگرسیون لغزشی داده های پانل

از آنجایی که دانش ما درباره COVID-19 کامل نیست، اگر فقط از داده‌های مناطق خاص یا در لحظات خاص استفاده کنیم، نتیجه از آن منحرف می‌شود. با این حال، داده های تابلویی می توانند اطلاعات افراد را در مورد رفتار پویای افراد ارائه دهند. با استفاده از مقطع و زمان، این دو بعد حجم نمونه را به میزان قابل توجهی افزایش می دهند که می تواند دقت نتایج برآورد شده را به میزان قابل توجهی بهبود بخشد. طبق تحقیقات قبلی، مهاجرت جمعیت عامل مهمی است که بر وضعیت همه‌گیری COVID-19 تأثیر می‌گذارد. بنابراین، در این تحقیق، داده‌هایی را در مورد مهاجرت روزانه جمعیت (نسبت مهاجران هر شهر در هر روز و شاخص مقیاس مهاجرت روزانه هر شهر) در ۱۷ منطقه سطح شهر استان هوبی از ۱ ژانویه ۲۰۲۰ جمع‌آوری کردیم. تا ۲۹ فوریه ۲۰۲۰٫ با توجه به رسم نزدیک به جشنواره بهار در داخل کشور (که بیشتر مهاجرت ها برای گذراندن جشنواره بهار در شهر خود بوده است) و در دسترس بودن داده های مهاجران شهرستان ها، ما داده های مهاجران روزانه شهرها را بر اساس هر شهرستان به ۱۰۳ منطقه تحقیقاتی تناسب کردیم. جمعیت ثبت نام خانوار به منظور بررسی تأثیر مهاجران ووهان بر سایر مناطق، داده‌های مهاجرت را در دو بخش دسته‌بندی کردیم. یکی در مورد مهاجران از ووهان (فرمول (۴)) و دیگری در مورد مهاجران از مناطق دیگر (فرمول (۵)). ما داده‌های روزانه مهاجران شهرها را بر اساس جمعیت ثبت نام خانوار هر شهرستان به ۱۰۳ منطقه تحقیقاتی تناسب کردیم. به منظور بررسی تأثیر مهاجران ووهان بر سایر مناطق، داده‌های مهاجرت را در دو بخش دسته‌بندی کردیم. یکی در مورد مهاجران از ووهان (فرمول (۴)) و دیگری در مورد مهاجران از مناطق دیگر (فرمول (۵)). ما داده‌های روزانه مهاجران شهرها را بر اساس جمعیت ثبت نام خانوار هر شهرستان به ۱۰۳ منطقه تحقیقاتی تناسب کردیم. به منظور بررسی تأثیر مهاجران ووهان بر سایر مناطق، داده‌های مهاجرت را در دو بخش دسته‌بندی کردیم. یکی در مورد مهاجران از ووهان (فرمول (۴)) و دیگری در مورد مهاجران از مناطق دیگر (فرمول (۵)).

y ساعت_من تی = ρ من تی سی ساعت_تی

(۴)

y o t h e r s من تی = \sum k = ۱ ۱۶ ρ من تی سی k t

(۵)

در این فرمول ها،

y_{i t}^{w h}

نشان دهنده شاخص مهاجرت از ووهان است، در حالی که

y_{i t}^{o t h e r s}

نشان دهنده شاخص مهاجرت از مناطق دیگر است. i نشان‌دهنده منطقه من در سطح شهرستان است (۱ ≤ i ≤ ۱۰۳). t نشان دهنده روز از ۱ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰ است. ρ _نشان دهنده درصد مهاجران از زمان t در منطقه است.

C_{t}^{w h}

نشان دهنده مقیاس مهاجرت از ووهان در زمان t . C _kt نشان دهنده مقیاس مهاجرت از منطقه k از ۱۶ شهر باقی مانده در سطح استان است. مقیاس مهاجران در میان شهرهای مختلف استانی در یک روز قابل مقایسه است.

بر اساس داده‌های رسمی نسبتاً کامل در مورد COVID-19 از ۲۹ ژانویه ۲۰۲۰، روند گسترش اپیدمی COVID-19 در استان هوبی در فوریه ۲۰۲۰ آشکارترین بود. تا ۲۹ فوریه ۲۰۲۰، ۸۵ شهر از ۱۰۳ شهرستان در سطح شهرستان (۸۲٫۵۲ درصد) در استان قبلاً صفر مورد تأیید شده جدید داشته اند. برای اینکه انحرافات بیشتری در تحلیل‌های بعدی وارد نشود، ما فقط موارد تایید شده را در سطح شهرستان از ۲۹ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰ در این مقاله جمع‌آوری کردیم.

عدم قطعیت دوره نهفتگی کووید-۱۹ تشخیص دقیق رابطه بین داده های مهاجرت و موارد تایید شده را دشوار کرده است. به عنوان مثال، مطالعات مراحل اولیه نشان داد که میانگین دوره کمون ۵٫۲ روز (۹۵% فاصله اطمینان [CI]، ۴٫۱ تا ۷٫۷٫۰) بود [ ۲۵ ]. تانو سینگال دوره کمون را از ۲ تا ۱۴ روز محاسبه کرد [ ۲۶ ]]. بیمارانی که در دوره مراقبت پزشکی ۱۴ روزه یا ایزوله طبیعی به نظر می رسند و بیماران در دوره های بیماری زایی تا تشخیص همگی می توانند منبع بالقوه عفونت باشند. عدم قطعیت دوره نهفتگی کووید-۱۹ تشخیص دقیق رابطه متناظر بین زمان اولیه داده های مهاجرت و موارد تایید شده در رگرسیون پانل را دشوار می کند. در تحلیل‌های خود، ما روز به روز بر روی داده‌های عامل مهاجر لغزش می‌دادیم تا نتایج بهینه را جستجو کنیم. روش تجزیه و تحلیل لغزشی در فرمول های (۶) – (۸) است.

y من = f (ایکس ساعت_من تی ، ایکس o t h e r من تی ، ایکس p o p ، ایکس جی دی پی ، ایکس د من_، ایکس د e n ، ایکس من p_)

(۶)

ایکس ساعت_من تی = (ایکس ساعت_من t ۱ ، ایکس ساعت_من t ۲, \dots, ایکس ساعت_من ۳۲_)

(۷)

ایکس o t h e r من تی = (ایکس o t h e r من t ۱ ، ایکس o t h e r من t ۲, \dots, ایکس o t h e r من ۳۲_)

(۸)

در این فرمول ها، y _i بردار متشکل از y _i1 ، y _i2 ،…، y _i32 است (شکل ۱ × ۳۲) است.

x_{i t}^{w h}

x_{i t}^{o t h e r}

به بردار مهاجرت جمعیت از ووهان و سایر مناطق به ترتیب به منطقه اول تحقیق از روز t مراجعه کنید . از آنجایی که نمی‌توان دوره نهفتگی کووید-۱۹ را دقیقاً پیش‌بینی کرد، مقدار t از ۱ ژانویه ۲۰۲۰ شروع می‌شود و سپس به هر روز پس از آن ادامه می‌یابد. هر بار، داده های مهاجرت جمعیت به مدت ۳۲ روز متوالی برای تجزیه و تحلیل گرفته شد. پس از ۲۳ ژانویه ۲۰۲۰، به دلیل سیاست مداخله ای شدید دولت در سفر، امکان انتقال ناشی از مهاجرت جمعیت به شدت کاهش یافت. برای اینکه داده‌های پس از مسدود کردن مهاجرت جمعیت نسبت زیادی در یک تحلیل توالی ۳۲ روزه نداشته باشند، حداکثر مقدار t در ۲۹ ژانویه ۲۰۲۰ بود.f روش تحلیل آماری مورد استفاده در مطالعه ما بود. روش های معمولی GTWR و MGWR هستند که در مراجع [ ۹ ، ۱۰ ، ۲۷ ] قابل مشاهده است. x _pop , x _GDP , x _den به ترتیب جمعیت ساکن هر واحد در سطح شهرستان در سال ۲۰۱۸، تولید ناخالص داخلی در سال ۲۰۱۸ و تراکم جمعیت منطقه بودند.

برای بررسی رابطه بین تغییر در محیط سکونت انسانی و COVID-19، ما متغیرهای منطقه غیرقابل نفوذ x _imp را در مناطق مختلف از سال ۱۹۷۸ تا ۲۰۱۷ معرفی کردیم [ ۲۸ ]]. سطوح جاده ها تجسم مستقیم راحتی ترافیک هستند. تکمیل زیرساخت های جاده ای ارتباط مستقیمی با کارایی مهاجرت جمعیت دارد و ظرفیت حمل جاده های سطوح مختلف در مهاجرت جمعیت یکسان نیست. در مطالعه ما، فواصل از نقطه مرکزی هر منطقه در سطح شهرستان به ترتیب تا راه آهن، بزرگراه، جاده اصلی، راه فرعی، سایر جاده ها و مترو محاسبه شد. از آنجایی که متروها فقط در شهر ووهان هستند، ما از فواصل واقعی آنها در شهر ووهان استفاده کردیم، در حالی که ارزش آن را در سایر مناطق ۲۶۵۹۴ متر تعریف کردیم که با نزدیکترین منطقه (Xiaogan) یکسان است. این بدان معناست که متروها در سایر مناطق نیز همین تأثیر را دارند. برای محاسبه وزن انواع فاصله از روش وزن آنتروپی استفاده شد ( جدول ۱و سپس مجموع وزن فواصل تمام نواحی ( x _dis ) به عنوان تأثیر نهایی فواصل به دست آمد.

۲٫۴٫ تکامل مهاجرت جمعیت بین شهرها در سطح استان

این واقعیت که COVID-19 بین افراد مسری است نشان می دهد که مهاجرت جمعیت یک عامل غیر قابل اغماض در پیشگیری و کنترل گسترش همه گیری است [ ۲۹ ، ۳۰ ]. ما داده‌های جمعیت مهاجر را بین جفت شهرها در بین ۱۷ شهر استان هوبی در سطح استان هوبی از ۱ ژانویه تا ۲۹ فوریه ۲۰۲۰ جمع‌آوری کردیم. نقشه‌های دایره‌ای را با استفاده از Circos ترسیم کردیم تا روند مهاجرت را بیان کنیم، زیرا پس از محدودیت بر روی آن مشخص نبود. سفر اجرا شد. بازه زمانی تحقیق از ۱ ژانویه ۲۰۲۰ تا ۳۱ ژانویه ۲۰۲۰ [ ۳۱ ] بود ( شکل ۳ ).

در سمت راست شکل ۳ ، منبع مهاجرت جمعیت نشان داده شده است. ما قضاوت کردیم که میزان کل مهاجران در هر یک از ۱۷ شهر استان هوبی طی ۳۱ روز در ژانویه نسبتاً متعادل بود، در حالی که مقصدهای جمعیت روند تمرکز قابل توجهی دارند. طبق جدول ۲ ، میانگین جمعیت ۱۶ شهر دیگر که به شهر ووهان نقل مکان می‌کنند، بدون احتساب مهاجرت متقابل در شهر ووهان، ۷۳٫۰۵٪ است (Xiaogan حداکثر ۹۲٫۲۰٪ است، در حالی که Shennongjia دارای حداقل ۴۳٫۶۴٪ است). با توجه به مقاصد مهاجرت در سمت چپ شکل ۳، ووهان در ۱۷ شهر در سطح استان بسیار برجسته است. در مجموع ۷۱٫۵۹٪ از کل جمعیت مهاجرت استان هوبی در ژانویه ۲۰۲۰ به ووهان نقل مکان کردند، در حالی که جمعیت شهر ووهان که به سایر مناطق استان مهاجرت می کنند فقط ۳٫۷۰٪ است. ووهان مرکز اقتصادی و سیاسی استان هوبی است. تأثیر تشعشع آن بر مناطق اطراف تا حدی توسط کارگران سیار که خانواده‌ها و شرکت‌هایشان در ووهان هستند درک می‌شود، در حالی که آنها همیشه یا به طور موقت در سایر مناطق استان مشغول به کار هستند. آغاز شیوع COVID-19 به طور تصادفی نزدیک به جشنواره بهار بود. این بزرگترین جشنواره سنتی در چین است، بنابراین بسیاری از کارگران خارج از خانه روند آشکار بازگشت به شهر خود را نشان می دهند. روند مهاجرت جمعیت به ووهان، که در بالا ذکر شد، دقیقاً نشان دهنده این است.

داده های مهاجرت عمدتاً با طولانی شدن فاصله کاهش می یابد. ووهان مرکز مهاجرت در شرق استان است. Xiaogan، Ezhou، Xianning، Huanggang و Xiantao به عنوان پنج منبع اول مهاجران ووهان رتبه بندی می شوند. تعداد مهاجران از Enshi کمترین است، تنها ۲۱٫۹۳٪ از مقدار Xiaogan، که در رتبه اول قرار دارد. در مورد مهاجران ووهان، آنها بیشتر به Huanggang، Xiaogan، Jingzou، Xianning و Xiangyang نقل مکان کردند که به عنوان پنج مقصد اول رتبه بندی می شوند. تعداد افرادی که به هوانگانگ می روند ۶٫۱۹ برابر نسبت به شیانگ یانگ است. در بخش غربی استان، حلقه‌های مهاجرتی که در میان شهرهای نزدیک به یکدیگر ظاهر می‌شوند، در شنونجیا، کیان جیانگ، انشی و ییچانگ قرار دارند. به عنوان مثال، تعداد افرادی که از Shennongjia به Yichang و Xiangyang حرکت می کنند، به ترتیب ۱۳٫۲۷ و ۴ است. ۳۲ برابر بیشتر از ووهان. روند مهاجرت مانند درجه شهرنشینی مناطق است، بنابراین مهاجران به Shennongjia از هر شهر کمترین جمعیت را تشکیل می دهند.

۲٫۵٫ خودهمبستگی مکانی-سریال زمانی COVID-19

از اوایل دهه ۱۸۰۰، محققان یک اثر فروپاشی فاصله را شناسایی کرده بودند [ ۳۲ ]. تعامل فضایی بین داده‌های جغرافیایی یک مکان و مکان مجاور آن در تکامل شیوع COVID-19 وجود دارد. موران I اغلب برای توصیف کمی همبستگی فضایی COVID-19 استفاده می شود [ ۳۳ ]. با استفاده از Global Moran’s I برای تجزیه و تحلیل موارد تایید شده COVID-19 در ۱۰۳ منطقه تحقیقاتی از ۱ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰، می تواند توزیع کلی خودهمبستگی فضایی خود را نشان دهد، که برای قضاوت کمی که آیا تجمع کووید-۱۹ در فضا اتفاق می افتد مفید است. ( شکل ۴ ).

شکل ۴ نشان می دهد که موارد تایید شده کووید-۱۹ در شهرستان های استان هوبی دارای همبستگی مکانی قابل توجهی از ۱ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰ است که اساساً با برخی از نتایج تحقیقات در مرجع مطابقت دارد [ ۸ ]. درجه همبستگی پس از رشد سریع در مراحل اولیه پایدار است، که به طور کلی می توان آن را به چهار مرحله تقسیم کرد. اولین مرحله، مرحله کاهش (۲۹ ژانویه ۲۰۲۰ تا ۳۱ ژانویه ۲۰۲۰) است که در آن استان هوبی شدیدترین سیاست انزوای جمعیت و محدودیت سفر را به دلیل گسترش سریع همه گیر اجرا کرد [ ۱ ]]. این امر منجر به کنترل مؤثر روند گسترش سریع این بیماری در مراحل اولیه شد. مرحله دوم دوره رشد سریع (۱ فوریه ۲۰۲۰ تا ۱۱ فوریه ۲۰۲۰) است. در این مرحله به تدریج دوره نهفتگی جمعیت ناقل ویروس به پایان رسید و پس از سیاست انزوا و محدودیت بیماری به تدریج ظهور کرد. در این میان، فناوری جدید تشخیص سریع، مانند کیت تقویت همدما، توانایی تشخیص در واحد زمان را افزایش داد. بنابراین، عوامل مختلفی منجر به شیوع متمرکز موارد تأیید شده COVID-19 شد و همبستگی فضایی جهانی به طور قابل توجهی افزایش یافت. دوره سوم دوره انتقال صاف (۱۲ فوریه ۲۰۲۰ تا ۲۳ فوریه ۲۰۲۰) است. در این دوره، تمام تیم‌های پزشکی و بهداشت عمومی و تجهیزات پزشکی از استان‌های دیگر برای کمک در هر منطقه از استان هوبی جمع شدند. بیمارستان‌های جدید بیماری‌های عفونی و بیمارستان‌های کوپه سیار مورد استفاده قرار گرفتند. اقدامات انزوا در سطح جوامع تقویت شد [۳۴ ]. همه این عوامل به مهار موثر روند رشد سریع اپیدمی COVID-19 کمک کردند. تعداد تجمعی موارد در هر شهرستان اندکی تغییر کرد، بنابراین منحنی همبستگی فضایی سری زمانی ثابت است (نوسان در ۱۲ فوریه ۲۰۲۰ و ۲۳ فوریه ۲۰۲۰ ناشی از تغییر در کالیبر آماری است). دوره چهارم (۲۴ فوریه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰). در این مرحله به تدریج اثر همه جانبه اقدامات مختلف پیشگیری از بیماری همه گیر نمایان شد. موارد تایید شده در سایر شهرستان ها به جز ووهان با توقف افزایش غالب شد. با افزایش مستمر موارد درمان شده، موارد تایید شده COVID-19 کمتر و کمتر خواهد شد و منحنی همبستگی مکانی سری زمانی در پایان این مرحله روند نزولی را نشان داد.

۲٫۶٫ نتایج رگرسیون لغزشی متوالی GWR توسعه یافته

همبستگی مکانی-زمانی و ناهمگنی مکانی-زمانی دو ویژگی مهم داده های مکانی-زمانی هستند [ ۳۵ ]. نه تنها ناهمگونی اثر فضایی بر گسترش COVID-19 تأثیر می‌گذارد، بلکه اثر پیچیده زمانی منجر به ثابت نبودن تکامل موارد تأیید شده COVID-19 می‌شود. شکل ۵ نتایج رگرسیون لغزشی متوالی را تحت الگوهای فضایی و زمانی مختلف نشان می دهد. خلاصه مدل های OLS، GTWR و MGWR در جدول ۳ نشان داده شده است.

از شکل ۵ ، می بینیم که OLS بهترین نتیجه رگرسیون را از ۱۴ ژانویه ۲۰۲۰ تا ۱۷ ژانویه ۲۰۲۰ داشته است. این نشان می دهد که وقتی صحبت از موارد تأیید شده COVID-19 در کل ۱۰۳ منطقه در سطح شهرستان در استان هوبی می شود (۱) ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰)، رگرسیون نتایج بهینه را پس از ۱۲ تا ۱۵ روز مهاجرت جمعیت با در نظر گرفتن عوامل تأثیرگذار مهاجرت جمعیت به دست آورد. حداکثر R ^۲ تنظیم شده ۰٫۵۹۶ است. در رگرسیون GTWR، پس از در نظر گرفتن ناهمگنی مکانی و زمانی، R2 تعدیل شده ^پس از رگرسیون توالی از ۱ ژانویه ۲۰۲۰ تا ۸ ژانویه ۲۰۲۰ به طور کلی به طور پیوسته کاهش یافت. از ۸ ژانویه ۲۰۲۰ تا ۱۱ ژانویه ۲۰۲۰، R ^{۲ تنظیم شده}به سرعت افزایش یافت و مقدار پیک ظاهر شده در روز گذشته ۰٫۹۶۳ بود. از ۱۱ ژانویه ۲۰۲۰ تا ۲۴ ژانویه ۲۰۲۰، اندکی کاهش یافت و سپس به آرامی افزایش یافت و در ۲۴ ژانویه ۲۰۲۰ به حداکثر مقدار ۰٫۹۶۶ رسید. پس از آن، به دلیل محدودیت شدید سفر در سراسر منطقه از ۲۳ ژانویه ۲۰۲۰ و عوامل دیگر. ، R ^{۲ تنظیم شده}به طور کلی از ۰٫۹۶۶ به ۰٫۹۶۵ از ۲۴ ژانویه ۲۰۲۰ تا ۳۱ ژانویه ۲۰۲۰ کاهش یافت. نسبت فاصله زمانی- مکانی از ۰٫۲۶۹ به ۰٫۳۷۳ افزایش یافت (۵ ژانویه ۲۰۲۰ به ۸ ژانویه ۲۰۲۰) و سپس به ۰٫۲۶ کاهش یافت. این نشان می‌دهد که ناهمگونی فضایی در ناهمگونی مکانی-زمانی غالب است و ناهمگنی زمانی در نوسان است. رگرسیون MGWR، بر اساس ناهمگونی فضایی، تفاوت‌های مقیاس فضایی متغیرهای مختلف را در نظر می‌گیرد. در نتایج لغزشی متوالی MGWR، R2 تنظیم ^شده یک روند صعودی سریع را از ۱ ژانویه ۲۰۲۰ تا ۱۱ ژانویه ۲۰۲۰ نشان می دهد، که نشان می دهد اثر مقیاس متغیر بر نتایج رگرسیون افزایش یافته است. به عنوان مثال، مقیاس فضایی Intercept ، x ^WH ، x^Other , x _pop , x _GDP , x _dis , x _den و x _imp در ۵ ژانویه ۲۰۲۰ به ترتیب برابر با ۶۸، ۳۲۷۰، ۳۹۴، ۴۳۱، ۳۲۷۰، ۱۳۷، ۶۸ و ۱۰۳۴ است که با GWR که در آن همه متغیرها متفاوت است. مقیاس فضایی یکسانی دارند. MGWR دارای نتایج رگرسیون بهینه در ۱۱ ژانویه ۲۰۲۰ است که در آن نقطه R^۲ تعدیل شده ۰٫۹۱۶ است. پس از آن، روند نزولی R2 تعدیل شده^منحنی رگرسیون MGWR آشکار است. اگرچه پس از ۲۳ ژانویه ۲۰۲۰ که محدودیت اعمال شد، کمی نوسان دارد، روند کلی همچنان نزولی است.

۳٫ بحث

۳٫۱٫ مهاجرت دو طرفه جمعیت

برای مناطق خاص، مهاجرت جمعیت را می توان به دو نوع تقسیم کرد: مهاجرت و مهاجرت. با فرض اینکه انتقال بین انسان یکی از مسیرهای اصلی انتقال کووید-۱۹ است، الگوی تأثیر آن دو طرفه است. اولاً، ناقلان ویروس کرونا تأثیر مثبتی بر جمعیت بیماران مقصد خود دارند. مطالعات برخی محققان در مورد موارد تایید شده در مقاصد جمعیت مهاجرت ووهان نشان داد که بین آنها همبستگی مثبت و معناداری وجود دارد [ ۳۶ ].]، و مقصدها عمدتاً خارج از مرکز زلزله، استان هوبی بوده است (میزان موارد تایید شده در داخل و خارج استان تفاوت معنی داری دارند). ثانیاً، مهاجرت جمعیت سالم بر تراکم بیماران مقاصد تأثیر دارد. ووهان شهری با ده ها میلیون نفر جمعیت است. قبل از قرنطینه شهر، موارد تایید شده COVID-19 جمعیت بسیار کمی را تشکیل می دادند، بنابراین تراکم نیز کم بود [ ۳۷ ] (در ۲۳ ژانویه ۲۰۲۰، رسماً اعلام شد که ۵۴۹ نفر مبتلا به عفونت تجمعی هستند [ ۱ ]]). علاوه بر این، نزدیک جشنواره بهار بود، بنابراین مهاجرت جمعیت در استان عمدتاً به ووهان بازگشت. بنابراین، پیش‌بینی شیوع موارد تایید شده COVID-19 بر اساس آمار مهاجرت جمعیت در مقیاس بزرگ مانند سیگنال‌دهی تلفن همراه، دقت محدودی دارد. با این حال، نظارت دقیق بر COVID-19 مسیر مهاجرت بیماران را تائید کرد کارآمدتر و دقیق تر است. در مرحله بعدی، گزارش‌های مربوط به مهاجرت در داخل و خارج از کشور همگی بر این موضوع متمرکز بود که آیا موارد خاص سابقه سفر ووهان دارند یا خیر و گزارش‌های پیش‌بینی‌کننده کمی وجود داشت که مستقیماً بر اساس داده‌های مهاجرت باشد.

دوره بین ۱ ژانویه ۲۰۲۰ و ۲۹ فوریه ۲۰۲۰ معمولی ترین مرحله شیوع متمرکز COVID-19 در استان هوبی بود. تعداد موارد در ابتدای ماه رشد سریعی داشت، در حالی که تا پایان ماه هیچ مورد جدیدی در اکثر مناطق مشاهده نشد. نامشخص بودن دوره نهفتگی کووید-۱۹، تشخیص دقیق رابطه بین مهاجرت و موارد تأیید شده کووید-۱۹ را دشوار کرده است. موارد تایید شده کووید-۱۹ را به عنوان متغیری که توضیح داده می شود در نظر می گیریم و شاخص مهاجر ۱۶ منطقه دیگر را به عنوان متغیر مورد استفاده برای توضیح از چرخه ۳۲ روزه ذکر شده در نظر می گیریم و تا آنجا که ممکن است تأثیر ارزش جهش را حذف می کنیم. ما همبستگی (دو دم) را بین شهرهای زوج از ۱۷ شهر در سطح استان در استان هوبی روز به روز از اول ژانویه ۲۰۲۰ محاسبه کردیم.شکل ۶ نتیجه همبستگی و اهمیت مربوطه است.

از جانب شکل ۶الف، ب، می بینیم که همبستگی همه مناطق روندی را نشان می دهد که نشان می دهد همبستگی مثبت/منفی از ابتدای ماه، به منفی معنادار در اواسط ماه و همبستگی مثبت و منفی ناچیز در پایان ماه وجود دارد. ماه حداکثر مقدار همبستگی هر منطقه در دوره ۱۴ ژانویه ۲۰۲۰ تا ۱۸ ژانویه ۲۰۲۰ و اهمیت همبستگی متمرکز در دوره ۸ ژانویه ۲۰۲۰ تا ۲۲ ژانویه ۲۰۲۰٫ همبستگی منفی بخش اصلی نشان می دهد که جمعیت مهاجرت ۱۷ نفر است. مقیاس های سطح شهر عمدتا سالم بود. در این دوره، حالت مهاجرت عمدتا به این صورت است که افراد به ووهان مهاجرت می کنند، که خطر ابتلا به عفونت فردی در مراحل بعدی و تعداد اصلی بیمار را افزایش می دهد. از این رو،

۳٫۲٫ اثرات مشترک ناهمگونی مکانی و ناهمگنی زمانی بر COVID-19

تکامل COVID-19 ارتباط نزدیکی با عوامل محیطی دارد که عمدتاً در دو بعد فضا و زمان منعکس شده است، بر اساس دانش قبلی مبنی بر اینکه هر چیزی مهم نیست قوی یا ضعیف باشد همبستگی فضایی دارد [ ۳۸ ]. تفاوت در طبیعت، علوم انسانی و غیره، در مناطق مختلف به طور بالقوه بر توسعه COVID-19 تأثیر می گذارد [ ۹ ، ۳۹ ]. با اشاره به روش اندازه‌گیری فاصله مکانی، ناهمگونی بعد زمانی در مقیاس عنصر وزن‌دار زمانی بین مشاهدات i و j در ماتریس وزن مکانی-زمانی منعکس می‌شود. با استفاده از ۱۱ ژانویه ۲۰۲۰، زمانی که R ^{۲ تنظیم شده است}در نتیجه لغزشی توالی زمانی GWR بهینه است، ما محدوده زمانی ۳۲ روز را به چهار مرحله تقسیم کردیم و تأثیر ناهمگونی‌های مکانی-زمانی آنها را مقایسه کردیم. مشخص شد که همه عوامل تأثیرگذار در مرحله اول (۱۱ ژانویه ۲۰۲۰ تا ۱۸ ژانویه ۲۰۲۰) و مرحله دوم (۱۹ ژانویه ۲۰۲۰ تا ۲۶ ژانویه ۲۰۲۰) نسبتاً واضح بودند، در حالی که مرحله سوم (۲۷ ژانویه ۲۰۲۰ تا ۳ فوریه ۲۰۲۰) ) و مرحله چهارم (۴ فوریه ۲۰۲۰ تا ۱۱ فوریه ۲۰۲۰) نسبتاً ادامه مرحله دوم بود. با در نظر گرفتن عامل جمعیت ساکن که تأثیر نسبتاً زیادی داشت، به عنوان مثال، تغییرات مرحله چهارم در شکل ۷ نشان داده شده است.

در شکل ۷ ، می‌توانیم ببینیم که تأثیر جمعیت ساکن بر COVID-19 دارای تمایز مکانی-زمانی قابل‌توجهی است. با در نظر گرفتن دایره شهر ووهان ۱ + ۸ به عنوان مرکز، درجه نفوذ به تدریج از بیرون به داخل کاهش می یابد. شکل ۷ a نشان می دهد که در مرحله اول که مردم می توانند آزادانه مهاجرت کنند، تأثیر جمعیت ساکن بر روی Xiangyang، Huanggang، Ezhou، Huangshi مهم ترین است. با این حال، تأثیر کلی نسبتاً گسترده است. تأثیر آن در شهرهای نزدیک و دور از ووهان، مانند لیچوان در غرب هوبی، هوانگمی در شرق هوبی و جینگمن آشکار است. شکل ۷b نشان می دهد که با اجرای محدودیت سفر در ووهان در ۲۳ ژانویه ۲۰۲۰ و بعداً سایر مناطق هوبی، مرکز نفوذ مکانی-زمانی جمعیت ساکن در مرحله دوم به تدریج به منطقه مرکزی ووهان کاهش می یابد. پس از اجرای کامل محدودیت سفر، ناهمگونی مکانی و زمانی جمعیت ساکن دیگر تغییرات زیادی ندارد. شکل ۷ ج، د نشان می دهد که در مرحله سوم و چهارم، تمایز مکانی و زمانی اساساً ادامه مرحله قبلی است. دایره شهر ووهان ۱ + ۸ حدود ۵۲٫۸۳ درصد از جمعیت استان و ۶۰٫۳۵ درصد از تولید ناخالص داخلی را تشکیل می دهد. ۴۰ ]]، و روند ناهمگونی مکانی و زمانی جمعیت ساکن در این دایره به طور فزاینده ای آشکار شد.

۳٫۳٫ اثرات مقیاس فضایی عوامل مختلف متفاوت است

وضوح و وسعت دو نمایش مقیاس معمولی در تحلیل جغرافیایی هستند. در اینجا، مقیاس به معنای گسترش دادن است. در حالت ایده‌آل، مدل‌های فرآیند فیزیکی بر روی داده‌های بدون مقیاس تعریف و آزمایش می‌شوند [ ۲۲ ]، اما مدل‌های کلاسیک GWR به عوامل مختلف مقیاس فضایی یکسان می‌دهند در حالی که ناهمگونی فضایی را در نظر می‌گیرند، به این معنی که در تحلیل تکامل COVID-19، عواملی مانند جمعیت تراکم و فواصل تا جاده ها دارای محدوده موثر فضایی یکسانی هستند. با این حال، بدیهی است که همان جاده ای که از مناطق با تراکم جمعیت بالا یا مناطق با جمعیت کم تراکم عبور می کند، در گسترش COVID-19 تفاوت ایجاد می کند.شکل ۸علاوه بر فاکتور تراکم جمعیت که قبلا ذکر شد، تفاوت مقیاس شش عامل دیگر در COVID-19 را ارائه می دهد.

از شکل ۸ ، می توان مشاهده کرد که عوامل مختلف درجات متفاوتی بر COVID-19 تأثیر دارند و عوامل هم کلاس تأثیرات مقیاس متفاوتی را نشان می دهند. شکل ۸ الف نشان می دهد که مهاجران از ووهان نفوذ حساس تری در شمال شرقی استان نسبت به جنوب غربی داشتند. انتقال دامنه تأثیر عموماً در الگوی باند موازی است و درجه بندی بسیار واضح است. ماهیت منفی کل منطقه نشان می دهد که در مدت ۳۲ روز متوالی از ۱۱ ژانویه ۲۰۲۰، نفوذ مهاجران از ووهان به دلیل محدودیت مهاجرت در روز سیزدهم دوره کاهش یافته است و این کاهش در شمال شرق بیشتر بوده است. از شکل ۸ مشخص استb که مهاجرت جمعیت سایر مناطق بیشترین تأثیر را بر ووهان دارد و تأثیر مقیاس آشکارترین است. ماهیت منفی این عدد نشان می دهد که تحت شرایطی که همه عوامل دیگر برابر باشند، تأثیر مهاجران مناطق دیگر بر وضعیت کووید-۱۹ ووهان کمتر از میانگین منطقه ای بوده است، در حالی که تأثیر آنها بر مناطق دیگر مانند انشی، شنونجیا، که در غرب استان هوبی قرار دارند و از شهر ووهان دور هستند و بالاتر از میانگین منطقه ای قرار دارند. شکل ۸c,e دارای الگوی مشابهی از تمایز مقیاس است. بخش اصلی یک روند انتقال سطح به سطح از بزرگ به کوچک، از غرب به شرق را نشان می دهد. محیط زیست محیطی بخش غربی استان بهتر از ووهان و بخش شرقی است، اما تولید ناخالص داخلی و تراکم جمعیت بخش غربی به مراتب کمتر از بخش شرقی است، بنابراین نسبت به تغییر در منطقه حساس تر است. تولید ناخالص داخلی و تراکم جمعیت. شکل ۸ د نشان می دهد که تأثیر عوامل ترافیکی بر انشی، ییچانگ و سایر مناطق نسبتاً آشکار است. محیط جغرافیایی در این منطقه پیچیده و متنوع است، بنابراین ترافیک کمتر از اطراف ووهان توسعه یافته است. بنابراین، ناهمگونی انواع ترافیک تنها در مقیاس بزرگتر آشکار است. شکل ۸f نشان می دهد که یک رابطه منفی بین سطح نفوذناپذیر و COVID-19 وجود دارد. این بدان معناست که هر چه منطقه غیر قابل نفوذ بزرگتر باشد، محیط زیستگاه بهتر است و تعداد موارد تایید شده کمتر است. سطح نفوذ ناپذیر تأثیر کمتری بر ووهان، ازو و مناطق اطراف آنها دارد، در حالی که تأثیر نسبتاً زیادی بر مناطقی مانند انشی، شنونجیا و شیان دارد. احتمالاً به این دلیل است که ساخت و ساز سطح غیرقابل نفوذ در ووهان و اطراف آن در مقایسه با منطقه غربی به درجه بسیار بالایی رسیده است. بنابراین، به طور نسبی، تاثیر تغییر در سطح نفوذ ناپذیر کمتر از غرب است.

۴٫ نتیجه گیری

مهاجرت تأثیری دو طرفه بر گسترش COVID-19 دارد. جمعیت سایر مناطق استان هوبی تا ووهان عمدتاً برای گذراندن جشنواره بهار قبل از ۲۳ ژانویه ۲۰۲۰، زمانی که محدودیت ها در ووهان اجرا شد، به خانه بازمی گشتند. تأثیر مهاجرت نزدیک به بخش غربی استان از ۲۹ ژانویه ۲۰۲۰ تا ۲۹ فوریه ۲۰۲۰ آشکار بود (از ۱ ژانویه ۲۰۲۰ روز به روز لغزش می یابد و ۳۲ روز یک دوره واحد است)، ارتباط بین کووید-۱۹ انباشته شده است. موارد تایید شده از ۱۰۳ واحد در سطح شهرستان در کل استان و جمعیت مهاجر الگوی U معکوس را نشان دادند، با همبستگی منفی در مرحله اولیه، و در مرحله بعد به همبستگی مثبت/منفی منتقل شدند. از ۸ ژانویه ۲۰۲۰ تا ۲۲ ژانویه ۲۰۲۰ اهمیت بالایی داشت. حداکثر همبستگی هر منطقه در زمان متفاوتی ظاهر شد، با ۱۶ ژانویه ۲۰۲۰ به عنوان مرکز، و در دوره از ۱۴ ژانویه ۲۰۲۰ تا ۱۸ ژانویه ۲۰۲۰ متمرکز شد. به طور بالقوه، می توان قضاوت کرد که شیوع همه گیر COVID-19 در فوریه رخ داده است. بزرگترین رابطه با مهاجرت جمعیت ۱۱-۱۵ روز قبل از آن است. همبستگی منفی حداکثر همبستگی هر منطقه نشان می دهد که تأثیر مهاجرت جمعیت در مقاصدی به غیر از ووهان هنوز مشهود است و پیشگیری مؤثر از همه گیری نه تنها باید بر محدود کردن مهاجرت موارد تأیید شده COVID-19 متمرکز شود، بلکه باید اقدامات محدود کننده ای نیز انجام داد. به طور فعال از عفونت متقاطع افراد سالمی که به مناطق پرخطر نقل مکان می کنند جلوگیری کنید. همانطور که موارد تایید شده COVID-19 در جریان متراکم افراد سالم ادغام شده است، این یک راه حفاظتی کارآمد برای منزوی کردن و محدود کردن سفر به طور خاص به منظور جلوگیری از گسترش بر اساس مهاجرت جمعیت است. اقدامات مشابه مهاجرت جمعیت را می توان برای پیشگیری از سایر ویروس ها یا همان ویروس در مناطق دیگر مورد استفاده قرار داد.

COVID-19 به طور قابل توجهی از نظر مکانی همبستگی خودکار دارد. تکامل آن در استان هوبی هر دو تحت تأثیر تمایز زمانی و تمایز فضایی قرار گرفت و دومی به عنوان تأثیر اصلی. تمایز زمانی ارتباط نزدیکی با مهاجرت جمعیت دارد. تأثیر آن مراحل آشکاری دارد. قبل از محدودیت سفر، تفاوت‌های زمانی جمعیت مهاجر به وضوح متفاوت است، در حالی که پس از محدودیت، تفاوت‌های زمانی- مکانی ثابت می‌شوند. در هر لحظه از رگرسیون لغزشی، R2 تنظیم شده ^استGTWR بزرگتر از MGWR است. اثر ترکیبی تمایز مکانی و تمایز زمانی آشکارتر از اثر مقیاس متغیر است. تکامل COVID-19 دارای تمرکز مکانی و تداوم زمانی است و اقدامات پیشگیرانه به موقع برای مبارزه با گسترش بیشتر اپیدمی اهمیت زیادی دارد.

عوامل مختلف بر کووید-۱۹ به میزان متفاوتی تأثیر می‌گذارند و عوامل هم‌رده تأثیرات مقیاس متغیر متفاوتی را نشان می‌دهند. از جنبه فضایی، اثر مقیاس متغیر موارد تایید شده COVID-19 در استان هوبی، یک الگوی انتقال نوارهای موازی از شرق به غرب و یک الگوی تشعشع همپایه با محوریت دایره شهر ووهان ۱ + ۸ را نشان می‌دهد. در بازه زمانی ۳۲ روزه، جمعیت ساکن و تراکم جمعیت تأثیر زیادی بر موارد تأیید شده COVID-19 در کل منطقه دارد و به دنبال آن عواملی از جمله مهاجرت ووهان، تولید ناخالص داخلی منطقه و سطح غیرقابل نفوذ. شرایط ترافیکی تأثیر نسبتا کمی بر موارد تأیید شده COVID-19 دارد. با نزدیک شدن به جشنواره بهار، مهاجرت از سایر مناطق استان هوبی تأثیر نسبتاً زیادی بر ووهان و سایر مراکز اقتصادی منطقه ای داشت. بنابراین، می‌توان نتیجه گرفت که توسعه متوازن مناطق برای مهاجرت معقول جمعیت مفید است و در نتیجه شیوع متمرکز ویروس‌ها را کاهش می‌دهد.

مشارکت های نویسنده

Zongyi He و Yanwen Liu این آزمایش ها را تصور و طراحی کردند، Yanwen Liu و Xia Zhou داده ها را به دست آوردند و تجزیه و تحلیل کردند. شیا ژو ابزارهای تجزیه و تحلیل کمک کرد. Yanwen Liu پیش نویس اصلی را آماده کرد. Zongyi He و Xia Zhou نسخه خطی را بررسی و ویرایش کردند. سایر وظایف به طور مشترک توسط همه نویسندگان فهرست شده تکمیل شد. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

بنیاد ملی علوم طبیعی چین (No.41071290); پروژه فلسفه و علوم اجتماعی استان هوبی (شماره ۱۹Q176).

قدردانی

نویسندگان از کمک همه داوران ناشناس که کیفیت مقاله را بهبود بخشیده اند، قدردانی می کنند.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

یانگ، ZF; Zeng، ZQ; وانگ، ک. وانگ، اس.-اس. لیانگ، WH; زنین، م. لیو، پی. کائو، XD; گائو، ZQ؛ مای، ZT; و همکاران پیش بینی SEIR و AI اصلاح شده از روند اپیدمی COVID-19 در چین تحت مداخلات بهداشت عمومی. جی. توراک. دیس ۲۰۲۰ ، ۱۲ ، ۱۶۵-۱۷۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
آخرین آمار سازمان بهداشت جهانی. ۲۰۲۰٫ در دسترس آنلاین: https://www.who.int/COVID-19 (در ۲۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
یوئن، KS؛ بله، ZW; Fung، SY; چان، CP; جین، DY SARS-CoV-2 و COVID-19: مهمترین سؤالات تحقیق. سلول بیوسی. ۲۰۲۰ ، ۱۰ ، ۴۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
هلمی، YA; فاوزی، م. الاسود، ع. سوبیه، ع. کنی، اس پی; شهاتا، AA همه گیر COVID-19: بررسی جامع طبقه بندی، ژنتیک، اپیدمیولوژی، تشخیص، درمان و کنترل. جی. کلین. پزشکی ۲۰۲۰ ، ۹ ، ۱۲۲۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چانگ، آر جی. وانگ، HW; ژانگ، اس ایکس؛ وانگ، ZZ; دونگ، YQ; ثاملاگ، ال. یو، XY; خو، سی. یو، ی.ال. طولانی، RS; و همکاران برآورد فاز و منطقه اپیدمی تعدیل شده از تعداد موارد بیماری کروناویروس ۲۰۱۹ در چین. جلو. پزشکی ۲۰۲۰ ، ۱۴ ، ۱۹۹-۲۰۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پل، SK; جانا، س. Bhaumik، P. مدل انتشار چند متغیره فضایی-زمانی COVID-19 با استفاده از مجموعه شبکه‌های ConvLSTM. MedRxiv ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
جولیانی، دی. دیکسون، ام.ام. اسپا، جی. سانتی، اف. مدل‌سازی و پیش‌بینی گسترش فضایی- زمانی بیماری کروناویروس ۲۰۱۹ (COVID-19) در ایتالیا. ۲۰۲۰٫ در دسترس آنلاین: https://ssrn.com/abstract=3559569 (در ۱۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
وانگ، ژ. یائو، من؛ منگ، سی جی. کلارامونت، سی. ارزیابی ریسک کووید-۱۹ وارداتی خارج از کشور کشتی‌های اقیانوس پیما بر اساس AIS و داده‌های عفونت. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۵۱٫ [ Google Scholar ] [ CrossRef ]
Xiong، YZ; وانگ، YP; چن، اف. زو، آمار فضایی من و عوامل مؤثر بر اپیدمی پنومونی کروناویروس جدید ۲۰۱۹ در استان هوبی، چین. Res. مربع ۲۰۲۰ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کائو، زد. وانگ، جی اف. گائو، YG; هان، WG; فنگ، XL; Zeng، G. عوامل خطر و ویژگی های خود همبستگی در سندرم تنفسی حاد شدید در گوانگژو. Dili Xuebao/Acta Geogr. Sinica ۲۰۰۸ ، ۶۳ ، ۹۸۱-۹۹۳٫ [ Google Scholar ]
گلیف، اچ. تعیین اثرات فضایی COVID-19 با استفاده از مدل داده پانل فضایی. تف کردن آمار ۲۰۲۰ , ۳۸ , ۱۰۰۴۴۳٫ [ Google Scholar ] [ CrossRef ]
ایوان، FP; برایان، MN; فرناندو، RV; لاول، ب. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی کل محیط. ۲۰۲۰ , ۷۳۹ , ۱۴۰۰۳۳٫ [ Google Scholar ] [ CrossRef ]
سیرکچی، آی. Yucesahin، MM Coronavirus و مهاجرت: تجزیه و تحلیل تحرک انسان و گسترش COVID-19. مهاجرت Lett. ۲۰۲۰ ، ۱۷ ، ۳۷۹-۳۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پریم، ک. لیو، ی. راسل، TW; کوچارسکی، ای جی. Ego, RM; دیویس، ن. جیت، م. Klepac، P. تأثیر استراتژی‌های کنترل برای کاهش اختلاط اجتماعی بر پیامدهای اپیدمی COVID-19 در ووهان، چین: یک مطالعه مدل‌سازی. Lancet Public Health ۲۰۲۰ ، ۵ ، E261–E270. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سباستینی، جی. ماسا، م. Riboli، E. Covid-19 همه گیر در ایتالیا: تکامل، پیش بینی ها و تاثیر اقدامات دولت. یورو J. Epidemiol. ۲۰۲۰ ، ۳۵ ، ۳۴۱-۳۴۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Boulos، MKN; Geraghty، EM ردیابی و نقشه برداری جغرافیایی بیماری کرونا ویروس کووید-۱۹/سندرم حاد تنفسی ویروس همه گیر ۲ (SARS-CoV-2) و رویدادهای مرتبط در سراسر جهان: چگونه فناوری های GIS قرن بیست و یکم از مبارزه جهانی علیه شیوع و همه گیری ها حمایت می کنند. بین المللی J. Health Geogr. ۲۰۲۰ ، ۱۹ ، ۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
دورلین، AM; رامن، ا. سوانسون، اول. تجزیه و تحلیل عوامل جمعیت شناختی، مکانی و زمانی مؤثر بر الگوهای تماس اجتماعی در ایالات متحده و پیامدهایی برای گسترش بیماری های عفونی. [نسخه خطی منتشر نشده] دانشکده روابط عمومی هامفری، دانشگاه مینه سوتا. در دسترس آنلاین: http://www.audreydorelien.com/wp-content/uploads/2020/04/ATUS_social_contact_latest.pdf (در ۲۵ مارس ۲۰۲۰ قابل دسترسی است).
آخرین آمار کمیسیون ملی بهداشت چین. ۲۰۲۰٫ در دسترس آنلاین: http://www.nhc.gov.cn (در ۱۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
Tetro، JA آیا COVID-19 ADE را از سایر کروناویروس ها دریافت می کند؟ میکروب ها عفونی می کنند. ۲۰۲۰ ، ۲۲ ، ۷۲-۷۳٫ [ Google Scholar ] [ CrossRef ]
اداره آمار استان هوبی؛ تیم بررسی هوبی اداره ملی آمار. سالنامه آماری هوبی ; انتشارات آمار چین: پکن، چین، ۲۰۱۹٫ [ Google Scholar ]
هوانگ، بی. وو، بی. Barry, M. رگرسیون وزن‌دار جغرافیایی و زمانی برای مدل‌سازی تغییرات مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۳۸۳-۴۰۱٫ [ Google Scholar ] [ CrossRef ]
Goodchild، مقیاس MF در GIS: یک مرور کلی. ژئومورفولوژی ۲۰۱۱ ، ۱۳۰ ، ۵-۹٫ [ Google Scholar ] [ CrossRef ]
یانگ، WB بسط رگرسیون وزن‌دار جغرافیایی با پهنای باند انعطاف‌پذیر. دکتری پایان نامه، دانشگاه سنت اندروز، سنت اندروز، انگلستان، ۲۰۱۴٫ [ Google Scholar ]
Fotheringham، AS; یانگ، WB; کانگ، دبلیو. رگرسیون جغرافیایی وزن دار چند مقیاسی (MGWR). ان صبح. دانشیار Geogr. ۲۰۱۷ ، ۱۰۷ ، ۱۲۴۷-۱۲۶۵٫ [ Google Scholar ] [ CrossRef ]
لی، کیو. Guan، XH; وو، پی. وانگ، XY; ژو، ال. تانگ، YQ; رن، آر کیو؛ لئونگ، KSM؛ لاو، EHY; وانگ، جی. و همکاران پویایی انتقال اولیه در ووهان، چین، پنومونی جدید آلوده به ویروس کرونا. N. Engl. جی. مد. ۲۰۲۰ ، ۳۸۲ ، ۱۱۹۹-۱۲۰۷٫ [ Google Scholar ] [ CrossRef ]
Singhal, T. مروری بر بیماری کروناویروس-۲۰۱۹ (COVID-19). هندی J. Pediatr. ۲۰۲۰ ، ۸۷ ، ۲۸۱-۲۸۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بریز-ردون، Á. سرانو-آروکا، Á. تجزیه و تحلیل مکانی-زمانی برای بررسی تأثیر دما بر تکامل اولیه COVID-19 در اسپانیا. علمی کل محیط. ۲۰۲۰ , ۷۲۸ , ۱۳۸۸۱۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
گونگ، پی. لی، ایکس سی; Zhang، WH 40 ساله (۱۹۷۸-۲۰۱۷) تغییرات سکونتگاه انسانی در چین که توسط سطوح غیرقابل نفوذ از سنجش از راه دور ماهواره ای منعکس شده است. علمی گاو نر ۲۰۱۹ ، ۶۴ ، ۷۵۶-۷۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مالاپاتی، اس. چرا ویروس کرونا به راحتی بین مردم پخش می شود؟ Nature ۲۰۲۰ , ۵۷۹ , ۱۸۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
جیا، جی اس. لو، ایکس. یوان، ی. خو، جی. جیا، جی.ام. کریستاکیس، NA جریان جمعیت موجب توزیع مکانی-زمانی COVID-19 در چین می شود. طبیعت ۲۰۲۰ ، ۵۸۲ ، ۳۸۹-۳۹۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
کرژیوینسکی، م. شاین، جی. بیرول، آی. کانرز، جی. گاسکواین، آر. هورسمن، دی. جونز، اس جی. Marra, MA Circos: یک زیبایی شناسی اطلاعاتی برای ژنومیک مقایسه ای. ژنوم Res. ۲۰۰۹ ، ۱۹ ، ۱۶۳۹-۱۶۴۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
گتیس، الف. تأملاتی در مورد خودهمبستگی فضایی. Reg. علمی اقتصاد شهری ۲۰۰۷ ، ۳۷ ، ۴۹۱-۴۹۶٫ [ Google Scholar ] [ CrossRef ]
کانگ، دی. چوی، اچ. کیم، جی اچ. چوی، جی. پویایی اپیدمی فضایی شیوع COVID-19 در چین. بین المللی ج. عفونی کردن. دیس ۲۰۲۰ ، ۹۴ ، ۹۶-۱۰۲٫ [ Google Scholar ] [ CrossRef ]
وانگ، HW; وانگ، ZZ; دونگ، YQ; چانگ، آر جی. خو، سی. یو، XY; ژانگ، اس ایکس؛ ثاملاگ، ال. شانگ، ام ال. هوانگ، جی. و همکاران برآورد فاز تعدیل شده تعداد موارد بیماری کروناویروس ۲۰۱۹ در ووهان چین. Cell Discov. ۲۰۲۰ ، ۶ ، ۱-۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، HX; وانگ، جی دی. هوانگ، ب. پیش‌بینی مدل‌های مکانی-زمانی با خودرگرسیون در خطاها. J. ناپارامتر. آمار ۲۰۱۲ ، ۲۴ ، ۲۱۷-۲۴۴٫ [ Google Scholar ] [ CrossRef ]
چن، ZL; ژانگ، کیو. لو، ی. Guo، ZM; ژانگ، ایکس. ژانگ، WJ; گوا، سی. لیائو، CH; لی، QL؛ هان، XH; و همکاران توزیع اپیدمی COVID-19 و ارتباط با مهاجرت جمعیت از ووهان، چین. چانه. پزشکی J. ۲۰۲۰ ، ۱۳۳ ، ۱۰۴۴-۱۰۵۰٫ [ Google Scholar ] [ CrossRef ]
پنگ، ژ. وانگ، آر اس؛ لیو، LB; Wu, HZ بررسی ویژگی‌های فضایی شهری انتقال COVID-19 در ووهان بر اساس داده‌های رسانه‌های اجتماعی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ . [ Google Scholar ] [ CrossRef ]
Tobler, W. در مورد قانون اول جغرافیا: یک پاسخ. ان دانشیار صبح. Geogr. ۲۰۰۴ ، ۹۴ ، ۳۰۴-۳۱۰٫ [ Google Scholar ] [ CrossRef ]
سجادی، م.م. حبیب زاده، پ. وینتزیلئوس، ا. شکوهی، س. Miralles-Wilhelm، F. Amoroso، A. تجزیه و تحلیل دما و عرض جغرافیایی برای پیش‌بینی گسترش احتمالی و فصلی برای COVID-19. SSRN. در دسترس آنلاین: https://ssrn.com/abstract=3550308 (در ۵ مارس ۲۰۲۰ قابل دسترسی است).
لی، اچ. لیو، ی.ال. او، QS; پنگ، ایکس. یین، CH شبیه سازی گسترش تعاونی شهری در یک منطقه شهری تک هسته ای بر اساس جریان اطلاعات یکپارچه مدل CA بهبود یافته: مطالعه موردی تراکم شهری ووهان در چین. ج. طرح شهری. توسعه دهنده ۲۰۱۸ , ۱۴۴ , ۰۵۰۱۸۰۰۲٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ نقشه طرحی منطقه تحقیق.

شکل ۲٫ نمودار جریان تجزیه و تحلیل در مورد COVID-19.

شکل ۳٫مهاجرت بین جمعیتی از ۱ ژانویه ۲۰۲۰ تا ۳۱ ژانویه ۲۰۲۰٫ توجه: (۱) حروف بزرگ و غیر بزرگ در دایره های بیرونی نشان دهنده شهرهایی است که مردم از آنها نقل مکان می کنند و به آنها نقل مکان می کنند. (۲) همه برچسب های مقیاس تعداد مهاجرت ها را در ناحیه مربوطه نشان می دهند. (همه چیز را در ۰٫۱ ضرب کنید به جز درصد و مقیاس داخلی ترین دایره). (۳) نقاط پراکندگی در سطوح مختلف توزیع شده اند. نمودار خطی و هیستوگرام ترکیب زیرسطحی اطلاعات مهاجرت هر منطقه را نشان می دهد. (۴) نوارها با رنگ ها و عرض های مختلف در مرکز نمودار دایره ای به صورت بصری جهت و کمیت مهاجرت را از نواحی جابجایی نشان می دهند (به مواردی که در دایره های بیرونی با حروف بزرگ مانند: EZ) به مناطق جابجا شده توجه کنید. (به مواردی که در دایره های بیرونی حروف غیر بزرگ دارند، مانند: ez. توجه کنید).

شکل ۴٫ خودهمبستگی مکانی سریال زمانی COVID-19.

شکل ۵٫ کشویی سریال زمانی R2 تنظیم شده ^.توجه: Adj.

R_{m}^{2}

نشان دهنده مربع R تنظیم شده پس از رگرسیون MGWR. صفت

R_{t}^{2}

نشان دهنده مربع R تنظیم شده پس از رگرسیون GTWR. صفت

R_{o}^{2}

نشان دهنده مربع R تنظیم شده پس از رگرسیون جهانی است.

شکل ۶٫ همبستگی سریال زمانی بین مهاجرت و موارد تایید شده COVID-19: ( الف ) نتیجه همبستگی. ( ب ) اهمیت مربوطه. یادداشت ها: D2 به روز دوم ژانویه ۲۰۲۰ اشاره دارد و برچسب ها را می توان به طور مشابه توضیح داد. Z1-Z17 به ۱۷ شهر در سطح استان در جدول ۲ مراجعه کنید . رنگ های مختلف در شکل ۶ a, b درجه همبستگی را در نقاط مختلف مکانی-زمانی و اهمیت هر نقطه متناظر را نشان می دهد.

شکل ۷٫ تمایز مکانی-زمانی جمعیت ساکن: ( الف ) از ۱۱ تا ۱۸ ژانویه ۲۰۲۰٫ ( ب ) از ۱۹ تا ۲۶ ژانویه ۲۰۲۰؛ ( ج ) از ۲۷ ژانویه تا ۳ فوریه ۲۰۲۰؛ ( د ) از ۴ تا ۱۱ فوریه ۲۰۲۰٫

شکل ۸٫ تفاوت مقیاس عوامل مختلف: ( الف ) مهاجرت از ووهان. ( ب ) مهاجرت از مناطق دیگر. ( ج ) تولید ناخالص داخلی؛ ( د ) فاصله یکپارچه. (ه ) تراکم جمعیت. ( و ) مناطق نفوذ ناپذیر.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام