مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

الگوهای فضایی انتشار COVID-19 در سنگاپور و عوامل موثر بر آن

مقالات الگوهای فضایی انتشار COVID-19 در سنگاپور و عوامل موثر بر آن

بررسی الگوهای فضایی انتقال COVID-19 و عوامل کلیدی تعیین کننده آن می تواند درک عمیق تری از تکامل همه گیری COVID-19 ارائه دهد. هدف این مطالعه بررسی الگوهای فضایی انتقال COVID-19 در دوره‌های مختلف در سنگاپور و همچنین ارتباط آن‌ها با عوامل جمعیت‌شناختی و محیطی است. بر اساس موارد گزارش شده از ۲۳ ژانویه تا ۳۰ سپتامبر ۲۰۲۰، زمان تحقیق را به شش مرحله تقسیم کردیم و از تحلیل خودهمبستگی فضایی، مدل حداقل مربعات معمولی (OLS)، مدل رگرسیون وزن‌دار جغرافیایی چند مقیاسی (MGWR) و تحلیل برتری برای کاوش استفاده کردیم. الگوهای فضایی و عوامل موثر در هر مرحله نتایج نشان داد که الگوهای فضایی موارد COVID-19 در طول زمان متفاوت است و موارد وارداتی یک الگوی تصادفی ارائه می‌کنند. در حالی که موارد محلی یک الگوی خوشه ای ارائه کردند. در میان متغیرهای انتخاب شده، تراکم سوپرمارکت، تراکم جمعیت سالمندان، تراکم هتل، نسبت زمین تجاری و تراکم پارک ممکن است شاخص‌های مناسبی باشند که مراحل مختلف توسعه همه‌گیری را در سنگاپور توضیح می‌دهند. علاوه بر این، ارتباط بین عوامل تعیین کننده و انتقال COVID-19 به طور پویا در طول زمان تغییر کرد. این مطالعه اطلاعات ارزشمندی را برای توسعه مداخلات هدفمند برای مناطق و دوره های خاص به سیاستگذاران ارائه می دهد. علاوه بر این، ارتباط بین عوامل تعیین کننده و انتقال COVID-19 به طور پویا در طول زمان تغییر کرد. این مطالعه اطلاعات ارزشمندی را برای توسعه مداخلات هدفمند برای مناطق و دوره های خاص به سیاستگذاران ارائه می دهد. علاوه بر این، ارتباط بین عوامل تعیین کننده و انتقال COVID-19 به طور پویا در طول زمان تغییر کرد. این مطالعه اطلاعات ارزشمندی را برای توسعه مداخلات هدفمند برای مناطق و دوره های خاص به سیاستگذاران ارائه می دهد.

کلید واژه ها:

COVID-19 ؛ الگوهای فضایی ؛ جمعیتی ; محیط ساخته شده ؛ MGWR ; سنگاپور

۱٫ مقدمه

همه‌گیری COVID-19 به یک بحران بی‌سابقه بهداشت عمومی جهانی تبدیل شده است که تهدیدی جدی برای سلامت انسان به شمار می‌رود. از زمانی که سازمان جهانی بهداشت (WHO) شیوع کووید-۱۹ را در ۱۱ مارس ۲۰۲۰ یک بیماری همه گیر اعلام کرد [ ۱ ]، تعداد موارد تایید شده در سراسر جهان از ۲۳۱ میلیون نفر فراتر رفته است که تا ۲۸ سپتامبر ۲۰۲۱، ۴٫۷ میلیون نفر جان خود را از دست داده اند [ ۲ ]. تعداد هر روز در حال افزایش است همه‌گیری کووید-۱۹ فشار و چالش‌های زیادی را بر امنیت بهداشت عمومی همه کشورها وارد کرده است و دولت‌های مختلف استراتژی‌های ملی مختلفی را برای مهار شیوع این ویروس به کار گرفته‌اند.
در مراحل اولیه همه‌گیری، مداخلات غیردارویی (مانند فاصله‌گذاری اجتماعی و قرنطینه) و ترکیبات آنها می‌تواند راه‌های موثری برای کاهش شیوع ویروس باشد [ ۳ ]. تمرکز این اقدامات کاهش تحرک مردم برای جلوگیری از انتشار ویروس در بین مردم است. برای دستیابی به این هدف، درک الگوی فضایی توزیع ویروس در طول زمان ضروری است [ ۴ ]. مطالعات قبلی نشان داده‌اند که عوامل جغرافیایی نقش مهمی در گسترش بیماری‌ها ایفا می‌کنند و برخی از الگوهای توزیع مکانی-زمانی را ارائه می‌کنند و عوامل مؤثر مختلفی را در مناطق مختلف نشان می‌دهند [ ۵ ، ۶ ، ۷ ].
تجزیه و تحلیل الگوهای مکانی و زمانی بیماری برای شناسایی خوشه های بیماری و پیش بینی خطر انتقال بیماری، که یک فرآیند کلیدی مداخلات هدفمند است، بسیار مفید بوده است [ ۸ ، ۹ ]. با این حال، اگرچه برخی کشورها یا مناطق ممکن است الگوهای انتقال مشابهی را در مراحل اولیه همه‌گیری نشان داده باشند [ ۱۰ ]، با تغییر اقدامات مداخله‌ای، شیوع ویروس الگوهای فضایی متفاوتی را نشان می‌دهد. به عنوان مثال، گسترش COVID-19 در ایتالیا در چندین استان شمالی آغاز شد و سپس به جای پیروی از یک الگوی یکپارچه در سراسر قلمرو ایتالیا، به استان های باقی مانده در امتداد بوت گسترش یافت [ ۱۱ ]]. در آلمان، بروز کووید-۱۹ دو الگوی فضایی متمایز ارائه کرد و شیب شدید بروز از جنوب به شمال به تقسیم همه ایالت‌های فدرال به دو بخش اپیدمیولوژیک کمک کرد [ ۹ ]. در چین، فرآیند انتشار فضایی بین شهری COVID-19 عمدتاً از الگوهای جغرافیایی انتشار مجاور، جابجایی، سلسله مراتبی و کریدور پیروی می‌کند [ ۶ ]، و خوشه‌های فضایی با نرخ بروز بالا در استان هوبی در منطقه شهری ووهان متمرکز شده‌اند [ ۱۲ ]. ]، در حالی که در چونگ کینگ، یک الگوی خوشه بندی قابل توجهی در مقیاس جامعه مسکونی با نقاط داغ خوشه بندی مختلف برای موارد وارداتی و محلی مشاهده شد [ ۱۳ ].
ارزیابی رابطه بین انتقال COVID-19 و عوامل محیطی مختلف نه تنها بینشی در مورد الگوهای توزیع و تنوع فضایی COVID-19 ارائه می‌کند، بلکه اطلاعاتی را برای بهبود توانایی مدل‌های اپیدمیولوژیک برای پیش‌بینی خطر شیوع آتی ارائه می‌دهد [ ۵ ]. مطالعات اخیر نشان داده اند که عوامل متعددی به طور قابل توجهی بر الگوهای فضایی گسترش COVID-19 تأثیر می گذارد، مانند کل جمعیت [ ۱۴ ]، تراکم جمعیت [ ۱۵ ]، جمعیت سالمند [ ۱۶ ، ۱۷ ]، تحرک جمعیت [ ۳ ، ۱۸ ، ۱۹ ]، نژاد [ ۲۰ ]، درآمد [ ۱۴، ۲۰ ]، فقر [ ۱۴ ]، تولید ناخالص داخلی منطقه ای [ ۱۹ ] و غیره. علاوه بر عوامل جمعیت شناختی اجتماعی، عوامل مراقبت های بهداشتی مانند تخت های بیمارستانی، نرخ دیابت [ ۱۷ ]، نسبت پرستاران [ ۲۰ ]، و میزان تست COVID-19 [ ۱۶ ] ممکن است به طور بالقوه تنوع مکانی موارد COVID-19 یا مرگ و میر را توضیح دهند. علاوه بر این، محیط ساخته شده شهری (به عنوان مثال، پیکربندی فضایی و امکانات شهری) به طور قابل توجهی بر فعالیت های انسانی و تعاملات اجتماعی تأثیر می گذارد که ارتباط نزدیکی با گسترش بیماری های عفونی دارد [ ۲۱ ].]. مطالعات مرتبط قبلی مشاهده کردند که شدت COVID-19 عمدتاً به عوامل زیر نسبت داده می شود: نسبت مساحت زمین ساخت و ساز، تراکم بیمارستان [ ۲۲ ]، مخلوط کاربری زمین، رشد شهری، امکانات تجاری [ ۲۳ ]، تراکم زمین تجاری [ ۲۱ ] ، تراکم امکانات حمل و نقل [ ۲۴ ] و فضای سبز [ ۲۵ ، ۲۶ ]. از آنجایی که COVID-19 عمدتاً از طریق تماس نزدیک بین افراد منتقل می شود، تماس نزدیکی که در فضاهای سرپوشیده نسبتاً بسته و محدود مانند رستوران ها، هتل ها و فروشگاه های مواد غذایی رخ می دهد، ممکن است خطر ابتلا را افزایش دهد و این خطر ممکن است با زمان متفاوت باشد. و سیاست ها [ ۲۷]. در یک کلام، مطالعات انجام شده از کشورها، مناطق و شهرهای مختلف نشان می دهد که عوامل اجتماعی جمعیت شناختی، محیط ساخته شده و سایر عوامل با گسترش کووید-۱۹ مرتبط هستند و این ارتباط ها از نظر فضایی غیر ثابت هستند، به این معنی که می توانند در سراسر جهان متفاوت باشند. فضا.
با این حال، همانطور که یک بیماری همه گیر توسعه می یابد، ارتباط بین عوامل محیطی و انتقال COVID-19 ممکن است در طول زمان تغییر کند، که نشان می دهد که چنین ارتباطی ممکن است به طور موقت غیر ثابت باشد، یعنی ارتباط بین عوامل محیطی و پیامدهای سلامت در طول زمان متفاوت است [ ۲۸ ]. مطالعه‌ای روی موج اول همه‌گیری COVID-19 در ایالات متحده مشاهده کرد که به دلیل تغییر در فعالیت‌های افراد پس از بازگشایی، برخی از عوامل (مانند شاخص تحرک و میانگین روزانه PM 2.5) فقط به طور قابل توجهی با بروز COVID-19 مرتبط هستند. در طول بازگشایی، اما نه در طول قرنطینه [ ۲۹ ]. به طور مشابه، تأثیر محیط های طبیعی و انسانی بر الگوی گسترش COVID-19 در چین قبل و بعد از تعطیلی ووهان متفاوت بود [ ۳۰ ]]. علاوه بر این، یک مطالعه اخیر نشان داد که در طول چهار موج همه‌گیری در هنگ کنگ، ارتباط بین محیط ساخته شده و ویژگی‌های جمعیت‌شناختی اجتماعی با گسترش COVID-19 در مکان و زمان تغییر کرده است، احتمالاً به دلیل تغییر در غیر مداخلات دارویی در طول زمان [ ۲۸ ]. بنابراین، بررسی تغییرات پویا در ارتباط بین عوامل محیطی و انتقال COVID-19 برای ارزیابی تکامل زمانی بیماری، شناسایی عوامل کلیدی در دوره‌های خاص و توسعه مداخلات هدفمند مفید است.
سنگاپور، یک ایالت-شهر واقع در منتهی الیه جنوبی شبه جزیره مالایا در جنوب شرقی آسیا، یکی از اولین کشورهای جنوب شرقی آسیا بود که تحت تأثیر COVID-19 قرار گرفت. اقدامات واکنش تهاجمی آن برای جلوگیری از انتشار COVID-19، مانند غربالگری دما، کنترل مرزها، و ردیابی تماس و آزمایش، از زمان اعلام اولین مورد تایید شده در ۲۳ ژانویه ۲۰۲۰، ارتقاء و کالیبره شده است. جامعه بین المللی به رسمیت شناختن دولت پاسخ اولیه و موفقیت در طول همه گیری [ ۳۱ ، ۳۲ ]. با این حال، در آغاز ماه آوریل، شیوع بیماری در خوابگاه‌های کارگران خارجی یک نقطه کور اجتماعی را از نظر ظرفیت سیاسی نشان داد [ ۳۳ ]]، که منجر به اعلام قرنطینه سراسری از سوی دولت از ۷ آوریل ۲۰۲۰ شد. با این وجود، تعداد موارد خوابگاه به سرعت در حال افزایش بود تا ۳۰ سپتامبر ۲۰۲۰، ۵۷۷۶۵ مورد تایید شده و ۲۷ مورد مرگ در جمعیت ۵٫۷ میلیون نفری وجود داشته است.
مطالعات متعددی در مورد همه‌گیری COVID-19 در سنگاپور انجام شده است و جنبه‌های مختلفی از جمله مدل‌سازی انتقال COVID-19 [ ۳۴ ]، بررسی خوشه‌های عفونت [ ۳۵ ، ۳۶ ]، کاوش در خطر قرار گرفتن در معرض احتمالی [ ۳۷ ، ۳۸ ]، و ارزیابی سیاست کنترل COVID-19 [ ۳۹]. با این حال، نتایج کمی در مورد این سوال وجود دارد که کدام عوامل اجتماعی جمعیت شناختی، محیط ساخته شده، یا عوامل خاص منطقه با گسترش COVID-19 مرتبط هستند. علاوه بر این، با توجه به تکامل سریع COVID-19 و تفاوت در الگوهای توزیع فضایی آن در کشورها یا مناطق مختلف، باید یک سری زمانی طولانی‌تر برای شناسایی ویژگی‌های گسترش آن در مکان‌های خاص و همچنین غیرایستایی موقت انجمن‌های آن انجام شود. با عوامل محیطی بنابراین، این مطالعه با استفاده از یک سری طولانی‌مدت از داده‌های مورد COVID-19 برای بررسی الگوهای فضایی انتقال COVID-19 در سنگاپور، و همچنین عوامل جمعیت‌شناختی و محیط ساخته شده مرتبط، شکاف فوق‌الذکر را پر می‌کند. اولین، این مطالعه تکامل همه‌گیری COVID-19 در سنگاپور را به بخش‌های زمانی تقسیم می‌کند و الگوهای فضایی را با استفاده از تحلیل خودهمبستگی فضایی تجزیه و تحلیل می‌کند. دوم، عوامل جمعیت شناختی و محیط ساخته شده مرتبط با انتقال COVID-19 را بررسی می کند و با استفاده از یک رویکرد تحلیلی سه مرحله ای، عوامل تاثیرگذار مهم در دوره های مختلف را شناسایی می کند. نتایج تغییرات الگوهای فضایی انتقال COVID-19 و تفاوت‌های عوامل مرتبط در فضا و زمان را نشان می‌دهد که بینش‌های کلیدی را برای فرمول‌بندی به موقع اقدامات بهداشت عمومی در دوره‌های خاص و مناطق پرخطر ارائه می‌دهد. فاکتورهای جمعیت شناختی و محیط ساخته شده مرتبط با انتقال کووید-۱۹ را بررسی می کند و با استفاده از یک رویکرد تحلیلی سه مرحله ای، عوامل تأثیرگذار مهم در دوره های مختلف را شناسایی می کند. نتایج تغییرات الگوهای فضایی انتقال COVID-19 و تفاوت‌های عوامل مرتبط در فضا و زمان را نشان می‌دهد که بینش‌های کلیدی را برای فرمول‌بندی به موقع اقدامات بهداشت عمومی در دوره‌های خاص و مناطق پرخطر ارائه می‌دهد. فاکتورهای جمعیت شناختی و محیط ساخته شده مرتبط با انتقال کووید-۱۹ را بررسی می کند و با استفاده از یک رویکرد تحلیلی سه مرحله ای، عوامل تأثیرگذار مهم در دوره های مختلف را شناسایی می کند. نتایج تغییرات الگوهای فضایی انتقال COVID-19 و تفاوت‌های عوامل مرتبط در فضا و زمان را نشان می‌دهد که بینش‌های کلیدی را برای فرمول‌بندی به موقع اقدامات بهداشت عمومی در دوره‌های خاص و مناطق پرخطر ارائه می‌دهد.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه و جمع آوری داده ها

منطقه مورد مطالعه این تحقیق سنگاپور است، یک ایالت-شهر با مساحت کل حدود ۷۲۸٫۳ کیلومتر مربع و جمعیت ۷٫۵ میلیون نفر تا پایان دسامبر ۲۰۲۰٫ سنگاپور در پنج منطقه، ۵۵ منطقه برنامه ریزی و ۳۳۲ سازماندهی شده است. زیرمنطقه ها، طبق طرح جامع ۲۰۱۹٫ این مناطق شامل منطقه مرکزی، منطقه شرق، منطقه شمال شرق، منطقه شمال و منطقه غرب است. مطالعه ما بر روی داده‌های سطح زیرمنطقه، با داده‌های منطقه (به عنوان داده کمکی) [ ۴۰ ] و داده‌های زیرمنطقه [ ۴۱ ] به‌دست‌آمده از وب‌سایت آژانس فناوری دولتی سنگاپور متمرکز شد.
موارد تایید شده COVID-19 و بروز تراکم COVID-19 در سطح زیرمنطقه متغیرهای نتیجه مورد علاقه بودند. داده‌های مربوط به موارد تایید شده COVID-19 از وزارت بهداشت، سنگاپور (MOH) جمع‌آوری شد [ ۴۲ ]]. این شامل برخی از اطلاعات جمعیت شناختی (به عنوان مثال، جنسیت، سن، و ملیت)، ارتباط بین موارد، و موقعیت جغرافیایی افراد یا گروه های عفونت است. موارد تایید شده به موارد وارداتی و موارد محلی، با موارد محلی شامل موارد اجتماعی و خوابگاهی دسته بندی شدند. با توجه به افزایش تعداد موارد تایید شده، وزارت بهداشت از اواسط مارس ۲۰۲۰ تنها مکان خوشه های عفونت را به جای افراد آلوده گزارش کرده است. از ۲۳ ژانویه تا ۳۰ سپتامبر ۲۰۲۰، ۵۴,۲۵۸ مورد تایید شده (شامل موارد فردی و موارد مرتبط با خوشه های عفونت) به دست آمد که تقریباً ۹۴ درصد از کل موارد تایید شده (۵۷,۷۶۵) را تشکیل می دهد. موارد تایید شده COVID-19 برای بررسی تغییرات در الگوهای فضایی انتقال COVID-19 مورد استفاده قرار گرفت. به ویژه الگوهای فضایی انواع مختلف موارد. علاوه بر این، از آنجایی که موارد کارگران خارجی ساکن در خوابگاه‌ها بخش بزرگی از کل موارد تایید شده را تشکیل می‌دهند و داده‌های جمعیت زیرمنطقه فقط شامل ساکنان سنگاپور (شهروندان سنگاپور و مقیم دائم)، افراد غیر مقیم (خارجیانی که در حال کار، تحصیل یا زندگی می‌کنند. سنگاپور اما اقامت دائم اعطا نشده است) شمارش نشد. برای جلوگیری از انحراف ناشی از نرخ بروز محاسبه شده توسط جمعیت، تراکم بروز COVID-19 که با تقسیم تعداد موارد تایید شده بر مساحت کل در هر زیرمنطقه محاسبه می‌شود، به عنوان متغیر وابسته مدل‌های رگرسیون برای بررسی عوامل تأثیرگذار بالقوه استفاده شد. مرتبط با انتقال COVID-19. زیرا موارد کارگران خارجی ساکن در خوابگاه ها بخش بزرگی از کل موارد تایید شده را تشکیل می دهند و داده های جمعیت زیرمنطقه فقط شامل ساکنان سنگاپور (شهروندان سنگاپور و مقیم دائم)، افراد غیر مقیم (خارجیانی که در سنگاپور کار، تحصیل یا زندگی می کنند، می شود. اقامت دائم اعطا نشد) شمارش نشد. برای جلوگیری از انحراف ناشی از نرخ بروز محاسبه شده توسط جمعیت، تراکم بروز COVID-19 که با تقسیم تعداد موارد تایید شده بر مساحت کل در هر زیرمنطقه محاسبه می‌شود، به عنوان متغیر وابسته مدل‌های رگرسیون برای بررسی عوامل تأثیرگذار بالقوه استفاده شد. مرتبط با انتقال COVID-19. زیرا موارد کارگران خارجی ساکن در خوابگاه ها بخش بزرگی از کل موارد تایید شده را تشکیل می دهند و داده های جمعیت زیرمنطقه فقط شامل ساکنان سنگاپور (شهروندان سنگاپور و مقیم دائم)، افراد غیر مقیم (خارجیانی که در سنگاپور کار، تحصیل یا زندگی می کنند، می شود. اقامت دائم اعطا نشد) شمارش نشد. برای جلوگیری از انحراف ناشی از نرخ بروز محاسبه شده توسط جمعیت، تراکم بروز COVID-19 که با تقسیم تعداد موارد تایید شده بر مساحت کل در هر زیرمنطقه محاسبه می‌شود، به عنوان متغیر وابسته مدل‌های رگرسیون برای بررسی عوامل تأثیرگذار بالقوه استفاده شد. مرتبط با انتقال COVID-19. و داده های جمعیت زیرمنطقه فقط شامل ساکنان سنگاپور (شهروندان سنگاپور و مقیم دائم)، افراد غیر مقیم (خارجیانی که در سنگاپور کار، تحصیل یا زندگی می کنند اما اقامت دائم ندارند) شمارش نشد. برای جلوگیری از انحراف ناشی از نرخ بروز محاسبه شده توسط جمعیت، تراکم بروز COVID-19 که با تقسیم تعداد موارد تایید شده بر مساحت کل در هر زیرمنطقه محاسبه می‌شود، به عنوان متغیر وابسته مدل‌های رگرسیون برای بررسی عوامل تأثیرگذار بالقوه استفاده شد. مرتبط با انتقال COVID-19. و داده های جمعیت زیرمنطقه فقط شامل ساکنان سنگاپور (شهروندان سنگاپور و مقیم دائم)، افراد غیر مقیم (خارجیانی که در سنگاپور کار، تحصیل یا زندگی می کنند اما اقامت دائم ندارند) شمارش نشد. برای جلوگیری از انحراف ناشی از نرخ بروز محاسبه شده توسط جمعیت، تراکم بروز COVID-19 که با تقسیم تعداد موارد تایید شده بر مساحت کل در هر زیرمنطقه محاسبه می‌شود، به عنوان متغیر وابسته مدل‌های رگرسیون برای بررسی عوامل تأثیرگذار بالقوه استفاده شد. مرتبط با انتقال COVID-19.
در این تحقیق عوامل مرتبط با جمعیت شناسی و محیط ساخته شده بر اساس مطالعات قبلی و داده های موجود در نظر گرفته شد. داده های دموگرافیک شامل تراکم جمعیت و تراکم جمعیت سالمندان (۶۵ سال به بالا) بود که هر دو عامل مهم جمعیت شناختی ثابت شده اند. داده های محیط ساخته شده شامل دو جنبه است: متغیرهای مربوط به کاربری زمین شامل نسبت های زمین مسکونی، زمین تجاری، زمین تجاری، فضای باز و فضای سبز است. متغیرهای مربوط به امکانات شهری شامل تراکم بیمارستان‌ها، داروخانه‌ها، مدارس، سوپرمارکت‌ها، تسهیلات مراقبت از سالمندان، هتل‌ها، غذاخوری‌ها، ایستگاه‌های حمل‌ونقل و پارک‌ها بود. تا حدودی، این داده ها ممکن است جنبه های مختلف فعالیت های انسانی را منعکس کنند. تعاریف، آمار توصیفی،برای محاسبه هر متغیر از جدول S1 و ArcMap 10.5 ( http://www.esri.com/arcgis ؛ دسترسی به ۱۲ دسامبر ۲۰۲۱) استفاده شد.

۲٫۲٫ مواد و روش ها

۲٫۲٫۱٫ تحلیل خودهمبستگی فضایی

خودهمبستگی فضایی معیاری از وابستگی فضایی است که به همبستگی مشاهدات در موقعیت های مختلف اشاره دارد. دو نوع شاخص وجود دارد: شاخص های جهانی و شاخص های محلی. خودهمبستگی فضایی جهانی توزیع کلی یک پدیده را در واحدهای فضایی توصیف می کند و وجود الگوهای خوشه ای، پراکنده و تصادفی را ارزیابی می کند. اگر پدیده از نظر فضایی غیر ثابت باشد، تفاوت محلی با استفاده از خودهمبستگی فضایی محلی [ ۴۳ ] توصیف می شود. ابتدا، ما الگوهای فضایی موارد COVID-19 را در سطح زیرمنطقه با استفاده از آمار جهانی Moran’s I ، که معیاری پرکاربرد برای خود همبستگی فضایی جهانی است، بررسی کردیم [ ۴۴ ]. ارزش جهانی Moran’s Iاز ۱- تا ۱ متغیر است. اگر مقدار به ۱ نزدیک شود، نشان می دهد که توزیع موارد COVID-19 خوشه ای است. یک الگوی گسسته زمانی مشاهده می شود که مقدار آن نزدیک به -۱ باشد. اگر مقدار نزدیک یا مساوی ۰ باشد، موارد COVID-19 به طور تصادفی توزیع می شوند. سپس، Getis-Ord Gi*، یک شاخص خودهمبستگی فضایی محلی، برای بررسی همبستگی موارد COVID-19 در واحدهای فضایی مختلف با شناسایی خوشه‌های فضایی معنی‌دار آماری مقادیر بالا (نقطه داغ) و پایین (نقطه سرد) استفاده شد.
۲٫۲٫۲٫ انتخاب و مدلسازی متغیر
برای تعیین عوامل مهم مؤثر بر تراکم بروز COVID-19، رویکرد تحلیلی به سه مرحله تقسیم شد. ابتدا برای انتخاب متغیرها از روش رگرسیون گام به گام به جلو استفاده شد. متغیرهای انتخاب شده در این مرحله تراکم جمعیت سالمندان، نسبت زمین تجاری و تجاری و تراکم بیمارستان‌ها، مدارس، داروخانه‌ها، سوپرمارکت‌ها، هتل‌ها، غذاخوری‌ها و پارک‌ها بودند که در مدل‌های زیر مورد استفاده قرار خواهند گرفت. به طور همزمان، ضریب تورم واریانس (VIF) و تحمل برای تأیید چند خطی استفاده شد. همه مقادیر VIF در بین متغیرهای فیلتر شده کمتر از ۳ بودند، که نشان می‌دهد که چند خطی قابل‌توجهی وجود ندارد.
دوم، مدل حداقل مربعات معمولی (OLS) و مدل رگرسیون وزن‌دار جغرافیایی چند مقیاسی (MGWR) برای بررسی ارتباط بین عوامل تأثیرگذار و تراکم بروز COVID-19 در دوره‌های مختلف انجام شد. مدل OLS رایج ترین و پرکاربردترین مدل رگرسیون جهانی است، اغلب برای ارزیابی اثربخشی کلی هر متغیر توضیحی استفاده می شود و پارامترهای رگرسیون آن در فضای جغرافیایی ثابت نگه داشته می شوند. مدل MGWR یک توسعه رگرسیون وزنی جغرافیایی (GWR) است که امکان مطالعه روابط بین متغیرهای وابسته و متغیرهای مستقل را در مقیاس های مکانی متفاوت فراهم می کند [ ۴۵ ]. با گرفتن اثر مقیاس در فرآیند فضایی، ناپایداری فضایی را با دقت بیشتری به تصویر می کشد [ ۲۰ ]]، که برای ارزیابی عوامل تعیین کننده چاقی [ ۴۶ ] و انتقال COVID-19 [ ۱۷ ، ۲۰ ، ۴۷ ] استفاده شده است.
در نهایت برای شناسایی مهمترین عوامل تأثیرگذار از روش تحلیل غالب استفاده شد. تحلیل تسلط یک روش تحلیل اهمیت نسبی است که سهم نسبی متغیرهای مستقل را با بررسی تغییر در R ۲ ناشی از افزودن یک متغیر مستقل در همه مدل‌های رگرسیون زیر مجموعه ممکن تخمین می‌زند [ ۴۸ ]. این روش می‌تواند بر محدودیت تخمین اهمیت زمانی که پیش‌بینی‌کننده‌ها همبسته هستند غلبه کند، بنابراین اغلب به عنوان مکمل مهمی در تحلیل رگرسیون استفاده می‌شود.
تجزیه و تحلیل خودهمبستگی فضایی با استفاده از نرم افزار GeoDa 1.16 ( http://geodacenter.github.io ؛ دسترسی به ۱۲ دسامبر ۲۰۲۱) انجام شد و یک ماتریس وزن فضایی بر اساس مجاورت ملکه مرتبه اول برای بیان پتانسیل تعامل بین مشاهدات انتخاب شد. در هر جفت واحد فضایی آمار توصیفی متغیرها و رگرسیون گام به گام به جلو در نرم افزار SPSS نسخه ۲۲ انجام شد. مدل OLS در ArcMap 10.5 اجرا شد، در حالی که مدل MGWR در نرم افزار MGWR2.2 توسعه یافته توسط Oshan و همکاران پیاده سازی شد. [ ۴۹]. برای تقریب پهنای باند هسته و محاسبه پهنای باند متغیر برای MGWR، به ترتیب از هسته فضایی تطبیقی ​​دو مربعی و روش جستجوی پهنای باند طلایی استفاده شد و از معیار اطلاعات Akaike اصلاح شده (AICc) برای انتخاب بهترین پهنای باند استفاده شد. قبل از اجرای مدل، همه متغیرها استاندارد شده بودند تا میانگین صفر و واریانس یک داشته باشند تا پهنای باند MGWR تحت تأثیر ابعاد متغیرهای توضیحی قرار نگیرد [ ۴۹ ]. تجزیه و تحلیل غالب با Stata 16.0 انجام شد.

۳٫ نتایج

۳٫۱٫ بخش شش مرحله ای مدت زمان مورد مطالعه

شیوع COVID-19 در سنگاپور از ۲۳ ژانویه ۲۰۲۰ تا ۳۰ سپتامبر ۲۰۲۰ را می توان به شش مرحله تقسیم کرد. نقطه تقسیم بر اساس لحظات کلیدی همه گیری سنگاپور و اجرای سیاست های حیاتی انتخاب شد. شکل ۱ شش مرحله را از ۲۳ ژانویه تا ۳۰ سپتامبر ۲۰۲۰ نشان می دهد که مربوط به لحظات بحرانی در همه گیری سنگاپور است ( جدول S2برای جزئیات). فاز A را می توان دوره ای از موارد وارداتی با سابقه سفر چین دانست. فاز B در ۴ فوریه آغاز شد، تاریخی که سنگاپور ظهور خوشه های انتقال محلی را اعلام کرد، که نشان دهنده شروع مرحله جدیدی از انتقال جامعه محدود در سنگاپور است. مرحله C در ۱۱ مارس، روزی که سازمان جهانی بهداشت شیوع کووید-۱۹ را یک بیماری همه گیر اعلام کرد، آغاز شد و تا ۷ آوریل، زمانی که دولت سیاست قرنطینه را اجرا کرد (“مدار شکن”، مجموعه ای از اقدامات فاصله گذاری اجتماعی که توسط سنگاپور اجرا شد، تمدید شد. دولت). این مرحله دوره افزایش تعداد موارد وارداتی با سابقه سفر از بریتانیا، ایالات متحده و سایر کشورها یا مناطق بود. فاز D را می توان به عنوان دوره قفل در نظر گرفت، و همچنین دوره شیوع موارد خوابگاهی به دلیل افزایش چشمگیر تعداد موارد خوابگاهی. پس از مدار شکن، سنگاپور به تدریج فعالیت های خود را در سه مرحله از سر گرفت: «بازگشایی ایمن»، «انتقال ایمن» و «ملت امن» [۵۰ ]. در طول بازگشایی ایمن (۲ ژوئن تا ۱۸ ژوئن)، برخی از فعالیت‌های با خطر انتقال کم، مانند برخی از محل‌های کار، مدارس و مراقبت‌های پزشکی، از سر گرفته شدند، در حالی که در دوره انتقال ایمن (از ۱۹ ژوئن)، به استثنای چند مورد ، اکثر فعالیت ها مانند پذیرایی، مراکز خرید و پارک ها از سر گرفته شدند، بنابراین ما ۱۹ ژوئن را به عنوان تاریخ شروع فاز E انتخاب کردیم. فاز F در ۱۱ اوت آغاز شد، تاریخی که وزارت نیروی انسانی سنگاپور (MOM) اعلام کرد که همه خوابگاه ها از COVID-19 پاکسازی شده بودند، به این معنی که آزمایش همه کارگران در خوابگاه ها تکمیل شده است. تقسیم‌بندی این شش مرحله تقریباً با روند شاخص سخت‌گیری واکنش دولت سنگاپور که از ردیاب واکنش دولت آکسفورد COVID-19 ارزیابی شده است، مطابقت دارد [ ۵۱ ].

۳٫۲٫ الگوهای توزیع فضایی همه گیر COVID-19 در سنگاپور

در شش مرحله، مقادیر جهانی موران I -۰٫۰۰۸ ( p = ۰٫۴۵۴)، ۰٫۰۷۷ ( p = ۰٫۰۱۸)، ۰٫۰۱۲ – ( p = ۰٫۴۳۰)، ۰٫۲۰۲ ( p = ۰٫۰۰۱)، ۰٫۰۷۵ ( p = ۰٫۰۲) بود. ۰٫۰۰۷ ( p = ۰٫۳۵۹)، همانطور که در جدول ۱ نشان داده شده است. ارزش های موران Iدر فازهای B، D و E پس از ۹۹۹ جایگشت، آزمون اهمیت ۵ درصد را گذراند. این بدان معنی است که موارد COVID-19 در این مراحل دارای همبستگی مکانی قابل توجهی با همبستگی مثبت بودند. قابل ذکر است، موارد COVID-19 در فازهای B، D و E دسته بندی شده و به طور تصادفی در فازهای A، C و F توزیع شده اند، که نشان می دهد الگوهای فضایی همه گیر COVID-19 در سنگاپور در طول زمان تغییر کرده است. در همین حال، مقادیر موران I نشان داد که درجه تجمع در مرحله D، یعنی دوره قفل، که با مطالعات انجام شده در برخی کشورها یا مناطقی که مشاهده کردند درجه تجمع باید در طول دوره قفل کاهش یابد در تضاد بود، بالاترین درجه بود [ ۵۲ ].]. این امر به این دلیل است که تعداد زیادی از گروه های کارگری خوابگاهی در این فاز وجود دارد. با این حال، درجه تجمیع در فاز F به وضوح کمتر از فاز D بود، که نشان می‌دهد اقدامات (مانند جداسازی و شناسایی) اجرا شده برای موارد خوابگاه ممکن است تأثیر مثبتی داشته باشد.
ما بیشتر خودهمبستگی فضایی موارد محلی و موارد وارداتی را در فازهای A، B و C تجزیه و تحلیل کردیم. نتایج در جدول ۲ نشان داده شده است. از آنجایی که پرونده های محلی در فاز A بسیار کم بود، فقط پرونده های وارداتی مورد بررسی قرار گرفت. مقدار I موران موارد محلی در فاز B 0.089 بود، با pمقادیر کمتر از ۰٫۰۵، نشان دهنده یک الگوی خوشه ای از موارد محلی است. با این حال، الگوهای توزیع برای موارد وارداتی همه تصادفی در این سه فاز بود. هنگامی که با الگوی خوشه‌بندی در فاز D ترکیب می‌شود (کمتر از ۵۰ مورد در طول دوره قرنطینه وارد شده است)، می‌توان نشان داد که الگوهای توزیع موارد محلی و وارداتی ممکن است کاملاً متفاوت باشد. به طور کلی، تأثیر موارد غالب در هر فاز تا حد زیادی الگوی فضایی شش فاز را تعیین می کند و اقدامات مداخله ممکن است دلیل اصلی تغییر در موارد غالب در هر فاز باشد. در فاز A موارد بیشتر وارد شده و الگوی فضایی تصادفی بود. با اعمال محدودیت های مرزی، تعداد پرونده های وارداتی کاهش یافت و پرونده های محلی به موارد غالب در فاز B تبدیل شد. منجر به انتقال انبوه می شود. الگوی فضایی در فاز C به دلیل افزایش زیاد موارد وارداتی از سایر مناطق همه گیر مانند اروپا و ایالات متحده، تصادفی بود، در حالی که پس از قرنطینه، تعداد موارد وارداتی به شدت کاهش یافت و تعداد زیادی موارد داخلی باعث شد. گسترش فضایی برای نشان دادن یک الگوی خوشه‌ای آشکار در طول فاز D. الگوی خوشه‌ای در فاز E ممکن است به تشخیص دولت از موارد کارگر خارجی بدون علامت و خوددرمانی مرتبط باشد. در فاز F، هیچ مورد غالب برجسته ای وجود نداشت و موارد پراکنده به طور تصادفی منتقل شدند. در نتیجه، اقدامات مداخله ای ممکن است مهم ترین عامل در تغییر الگوهای فضایی انتقال COVID-19 باشد و تغییر الگوهای فضایی با گذشت زمان نیز به طور غیرمستقیم اثربخشی اجرای سیاست ها را نشان می دهد.
نقشه نتایج تحلیل نقطه داغ (Getis-Ord Gi*) با سطح اطمینان ۹۵ درصد ارائه شده است. همانطور که در شکل ۲ نشان داده شده استدر طول شش مرحله همه‌گیری کووید-۱۹ در سنگاپور، نقاط داغ عمدتاً در وسط، جنوب و شرق منطقه مرکزی در طول فاز A ظاهر شدند. در فاز B، نقاط داغ در محل اتصال مرکز متمرکز شدند. و نواحی شمال شرقی و بخش‌های مرکزی و شرقی منطقه غرب و در فاز C به سمت شرق حرکت کردند که اکثریت در منطقه شرق و تعداد کمی در منطقه مرکزی پراکنده شدند. در فاز D، نقاط داغ در بخش‌های جنوبی و جنوب غربی منطقه غرب گسترده بودند، در حالی که در منطقه شمال، در امتداد مرز منطقه شمال – غرب و همچنین زیر پهنه‌ها در امتداد لبه شمالی قرار داشتند. همچنین مناطق خوشه ای در نزدیکی تیمور Pulau Punggol در منطقه شمال شرقی و فرودگاه Changi در منطقه شرق وجود داشت. در طول فاز E، نقاط داغ عمدتا در جنوب غربی، میانی، و شرق منطقه غرب. نقاط داغ فاز F در نواحی جنوبی و جنوب غربی منطقه غرب متمرکز بودند. نواحی خوشه ای در نزدیکی محل اتصال منطقه غرب و شمال شبیه به آنچه در فاز D دیده می شود. تجزیه و تحلیل Getis-Ord Gi* نشان داد که خوشه های فضایی با ارزش و کم ارزش در مراحل مختلف همه گیری وجود دارد، و مکان نقاط داغ ثابت نبودند و با تکامل همه گیر تغییر کردند. این نقاط حساس مناطق حیاتی برای پیشگیری و کنترل COVID-19 بودند. علاوه بر این، روند کلی حرکت هات اسپات از منطقه مرکزی به خارج بوده است، به طوری که اکثر نقاط کانونی در منطقه غرب و شمال منطقه شمال متمرکز شده اند.

۳٫۳٫ ارتباط بین عوامل جمعیتی و محیطی ساخته شده با تراکم شیوع COVID-19

جدول ۳نتایج مدل OLS را در شش مرحله نشان می‌دهد که ارتباط بین متغیرهای انتخابی و تراکم شیوع COVID-19 را بررسی می‌کند. در فاز A، تراکم سوپرمارکت و تراکم غذاخوری همبستگی مثبت معنی‌داری با تراکم بروز بالاتر نشان داد، در حالی که تراکم داروخانه یک همبستگی منفی نشان داد. در فاز B، تراکم جمعیت سالمندان با تراکم بروز همبستگی مثبت داشت، در حالی که تراکم بیمارستان همبستگی منفی داشت، که نشان می‌دهد افزایش تراکم بیمارستان بر این اساس، تراکم بروز را کاهش می‌دهد. تراکم هتل و تراکم پارک با تراکم بروز در فاز C ارتباط مثبت داشتند، در حالی که نسبت زمین تجاری و تراکم سوپرمارکت با تراکم بروز در فاز D ارتباط مثبت داشتند. نسبت زمین تجاری ارتباط مثبتی با تراکم بروز داشت. در فاز F، تراکم غذاخوری ها و پارک ها با تراکم بروز همبستگی مثبت داشت، در حالی که تراکم بیمارستان ها و هتل ها با تراکم بروز همبستگی منفی داشت.
به دنبال مدل OLS، مدل MGWR برای ارزیابی تغییرات فضایی محلی در روابط با تراکم بروز COVID-19 مورد استفاده قرار گرفت. برای مقایسه عملکرد مدل، از R2 و AICc تنظیم شده استفاده شد . هرچه R ۲ تنظیم شده یک مدل رگرسیون بالاتر بود، قدرت توضیحی آن بیشتر بود و هرچه AICc آن کمتر بود، تناسب بهتری با داده های مشاهده شده داشت. عملکرد مدل های OLS و MGWR در شش فاز در جدول ۴ ارائه شده است . مدل OLS یک R ۲ با تنظیم نسبتاً کم تولید کرددر هر مرحله، از ۰٫۰۳۰ تا ۰٫۲۷۵، به این معنی است که تراکم بروز جزئی کووید-۱۹ در شش مرحله به اندازه کافی قابل توضیح نیست، احتمالاً به دلیل تغییرات محلی که هنوز ثبت نشده است. با این حال، نتایج مدل OLS به عنوان پایه ای برای مدل های محلی عمل کرد.
در مقایسه با برآوردهای مدل جهانی، مدل MGWR برازش بهتری را نشان داد. با توجه به داده های جدول ۴ ، مدل MGWR مقادیر R2 تنظیم شده را در هر فاز بهبود بخشید. R 2 تنظیم شده مدل MGWR تقریباً دو تا سه برابر مدل OLS بود. در هر دو مدل، بالاترین R ۲ تنظیم شده در فاز C و کمترین مقدار در فاز E مشاهده شد. از نظر AICc، همه مقادیر در مدل MGWR به طور قابل توجهی کاهش یافتند. به طور کلی، پس از محاسبه عوامل غیرایستایی فضایی، مدل MGWR می‌تواند تغییرات فضایی روابط در مدل را بهتر به تصویر بکشد.
ضرایب نقشه برداری MGWR برای متغیرهای مهم در شکل ۳ نشان داده شده است ، که به طور شهودی تفاوت در ارتباطات فضایی بین متغیرهای مختلف و تراکم بروز COVID-19 را منعکس می کند. تراکم جمعیت سالمندان یک عامل تأثیرگذار در توضیح تغییر در تراکم بروز غرب منطقه غرب و جنوب منطقه مرکزی در فاز B، به ویژه در زیر پهنه‌های فیلیپ و رافلز بود. تأثیر نسبت زمین تجاری بر تراکم وقوع از فازهای D تا E شروع به کاهش کرد که به ویژه در منطقه شرق و بخش شمالی منطقه شمالی قابل توجه بود.
ضریب تراکم بیمارستان در فازهای B و F روند صعودی یکسانی را از جنوب شرقی به شمال غربی نشان داد، در حالی که ضریب تراکم داروخانه در فاز A در سراسر منطقه جنوبی سنگاپور نسبتاً بالا بود. به طور کلی اختلاف مکانی بین ضرایب این دو عامل معنی دار نبود. از نظر تراکم سوپرمارکت، نواحی با ضریب همبستگی مثبت بالاتر در جنوب شرقی منطقه مرکزی متمرکز شدند، در حالی که نواحی منفی در غرب منطقه مرکزی و جنوب منطقه شمال شرق قرار داشتند. در فاز D، مناطق با ضریب بالا در منطقه غرب و همچنین شمال منطقه شمال و منطقه شمال شرق توزیع شد. از فاز A تا D
در فاز C محدوده ضریب تراکم هتل مثبت بود و مناطق با ضرایب بالاتر در جنوب منطقه مرکزی، غرب منطقه غرب، شمال منطقه شمال و شرق منطقه شمال شرق توزیع شدند. نشان دهنده ارتباط مثبت قوی بین تراکم هتل و تراکم بروز COVID-19 در این مناطق است. با این حال، ضریب در فاز F منفی شد و مقادیر در جنوب غربی و جنوب سنگاپور کمی بیشتر از سایر مناطق بود. ارتباط بین تراکم غذاخوری و تراکم بروز در فاز F به‌طور معنی‌داری قوی‌تر از فاز A بود، به‌ویژه در بخش جنوبی منطقه مورد مطالعه. در فاز C، توزیع ضرایب تراکم پارک از شمال به جنوب افزایش یافت. با این حال، یک تفاوت فضایی واضح در فاز F وجود داشت:
نتایج تجزیه و تحلیل غالب در شش مرحله در جدول ۵ نشان داده شده است. تراکم سوپرمارکت، تراکم جمعیت سالمندان، تراکم هتل و تراکم پارک متغیرهایی بودند که به ترتیب در فازهای A، B، C و F بیشترین درصد مشارکت را داشتند، در حالی که نسبت زمین تجاری بیشترین سهم را در فازهای D و E داشت. به جز تراکم جمعیت سالمندان و تراکم پارک، درصد مشارکت همه متغیرهای دیگر از ۵۰ درصد فراتر رفت و درصد سهم تراکم هتل به ۷۷٫۸۶ درصد رسید. بر اساس یافته‌ها، این متغیرها مهم‌ترین متغیرهای توضیحی در هر مرحله بودند که نشان می‌دهد آن‌ها عوامل غالب تغییرات فضایی در تراکم شیوع COVID-19 در سنگاپور بودند.
این نتایج نشان داد که عوامل جمعیت شناختی و محیط ساخته شده با تراکم بروز COVID-19 ارتباط معنی داری دارند و این ارتباط می تواند الگوهای فضایی را در مراحل خاص توضیح دهد. به طور خاص، تراکم بالاتر جمعیت سالمندان با افزایش قابل توجهی در تراکم بروز همراه بود که با یافته‌های سایر مطالعات مطابقت داشت [ ۱۷ ، ۵۳ ]. این ارتباط فقط در سنگاپور در طول فاز B ظاهر شد. یک توضیح احتمالی این بود که بسیاری از موارد تایید شده در این دوره به فعالیت‌های اجتماعی و تجمعات افراد مسن مرتبط بودند، همانطور که در مورد خوشه SAFRA Jurong [ ۵۴ ] بود.
از نظر محیط ساخته شده، نسبت زمین تجاری، یک عامل کاربری مرتبط، رابطه نزدیک آن را با تراکم بروز در طول دوره شیوع موارد خوابگاه (فاز D و E) برجسته می کند. در همین حال، ارتباط بین انواع مختلف امکانات شهری و تراکم بروز، تأثیرات متفاوت آنها را بر انتقال بیماری نشان داد. تراکم داروخانه و تراکم بیمارستان به طور منفی با تراکم بروز مرتبط بودند، به این معنی که ممکن است در کاهش سرعت گسترش ویروس نقش داشته باشند. در مراحل اولیه همه‌گیری، داروخانه‌ها منابع اولیه پزشکی را فراهم می‌کردند، و موقعیت مناسب آنها ممکن است توصیه‌های خودمراقبتی را به افرادی که بیماری‌های جزئی خاصی در آن نزدیکی دارند، ارائه دهد و خطر ابتلا به عفونت را هنگام مراجعه یا انتقال افراد به بیمارستان‌ها کاهش دهد. به عنوان یک عامل محافظتی،
تراکم غذاخوری و تراکم سوپرمارکت با تراکم بروز ارتباط مثبت داشت، که نشان می‌دهد ممکن است احتمال انتقال COVID-19 را افزایش دهد. یک محیط بسته شلوغ و با تهویه ضعیف ممکن است انتقال آئروسل کوتاه برد ویروس را به خصوص در رستوران ها طولانی کند [ ۵۵ ]]. لازم به ذکر است که علیرغم اجرای مدارشکن، نفوذ سوپرمارکت همچنان قابل توجه بود که می توان آن را ناشی از احتکار وحشتناک ساکنان و رفتار خرید پس از اعلام دولت مبنی بر اجرای دستور قرنطینه دانست. ارتباط بین تراکم هتل و تراکم وقوع به ویژه در فاز C قوی بود، که مربوط به اجرای اعلامیه اقامت در خانه (SHN) توسط دولت در اواخر مارس در هتل‌های تعاونی برای رسیدگی به تعداد زیادی از موارد وارداتی بود. جالب اینجاست که این ارتباط در فاز F منفی شد، به این معنی که هتل ها ممکن است تاثیر مثبتی بر کاهش خطر انتقال COVID-19 داشته باشند. از نظر تراکم پارک، تحقیقات قبلی نشان داد که شانس بازدید از فضای سبز در سنگاپور ۳۱ افزایش یافته است.۲۵ ]، که می تواند توضیح دهد که چرا تراکم پارک به عنوان یک عامل همبستگی معنی دار در فاز C ظاهر شد. در فاز F، ارتباط بین تراکم پارک و تراکم وقوع در برخی مناطق مثبت و در برخی دیگر منفی بود، با ناهمگونی فضایی قابل توجه، که نشان می دهد پارک ها دارای هم تاثیرات مثبت بر انتقال کووید-۱۹ یعنی بهبود سلامت افراد و هم اثرات منفی یعنی دسترسی زیاد و نیاز به ورزش روزانه ممکن است آنها را به علت بالقوه انتقال ویروس تبدیل کند.
علاوه بر این، تأثیر این عوامل تعیین‌کننده بر تراکم شیوع COVID-19 نه تنها در فضا متفاوت بود، بلکه نقش‌های مختلفی را در مراحل مختلف در سنگاپور ایفا کرد، که نشان می‌دهد ارتباط بین این عوامل و تراکم بروز در مکان و زمان پویا است. این بدان معناست که ارتباط بین عوامل جمعیتی و محیط ساخته شده با انتقال کووید-۱۹، غیرایستایی موقتی است.

۴٫ بحث

کووید-۱۹ بیش از یک سال است که در حال گسترش است و بسیاری از مناطق و کشورها هنوز با شیوع جدی مواجه هستند. در حال حاضر، تعداد کل موارد در سنگاپور به ۲۶۷۹۱۶ نفر رسیده است و ظهور مداوم انواع ویروس جدید چالش بزرگتری برای کنترل همه گیر ایجاد می کند. این مطالعه که گسترش COVID-19 در سنگاپور را از ۲۳ ژانویه ۲۰۲۰ تا ۳۰ سپتامبر ۲۰۲۰ بررسی کرد، با هدف بررسی الگوهای فضایی آن و همچنین تغییرات مکانی-زمانی در ارتباط بین عوامل جمعیتی و محیط ساخته شده با COVID-19 انجام شد. انتقال. این می‌تواند اطلاعاتی را برای سیاست‌های بهداشت عمومی کشورها و شهرهای خاص ارائه کند و همچنین موارد و دانش جدیدی را در تحقیقات COVID-19 در مورد انتقال فضایی کمک کند.
نتایج نشان داد که گسترش COVID-19 در سنگاپور عمدتاً ویژگی‌های الگوهای تصادفی خوشه‌ای را نشان می‌دهد که با زمان متناوب می‌شوند، که ممکن است تحت تأثیر اقدامات مداخله‌ای اجرا شده در مراحل مختلف باشد. در همین حال، حالت انتقال، که به عنوان انتقال وارداتی و محلی طبقه بندی می شد، در سنگاپور بسیار مهم بود [ ۵۶ ]. نتایج همچنین نشان داد که موارد وارداتی تمایل به پراکندگی دارند، اما موارد محلی تمایل به خوشه‌بندی دارند. به طور کلی، انتشار تصادفی و سرایت نقش عمده‌ای در مراحل اولیه همه‌گیری داشت [ ۵۷ ]]؛ با این حال، موارد وارداتی ممکن است تصادفی بودن انتقال بیماری را افزایش دهد، در حالی که خطر شیوع موارد محلی را نیز افزایش می دهد. برای سنگاپور، برخی موارد وارداتی ممکن است علت شیوع گسترده خوشه ای در میان کارگران خارجی ساکن در خوابگاه باشد [ ۵۸ ]. در نتیجه، کنترل زودهنگام موارد وارداتی برای جلوگیری از گسترش در مقیاس بزرگ حیاتی است. علاوه بر این، نقاط داغ فضایی متفاوتی در دوره‌های مختلف مشاهده شده‌اند که ممکن است نشان‌دهنده یک روند بالقوه باشد، یعنی عفونت همیشه از منطقه مرفه مرکزی (یا منطقه شهری) به مناطق دورافتاده (یا مناطق روستایی) سرایت می‌کند.
تجزیه و تحلیل ارتباط بین عوامل جمعیتی و محیط ساخته شده با انتقال COVID-19 بیشتر نشان می دهد که عوامل کلیدی شکل دهنده چشم انداز COVID-19 در سنگاپور است. از میان عوامل مرتبط با شیوع کووید-۱۹، تراکم سوپرمارکت ها، تراکم جمعیت سالمندان، تراکم هتل، نسبت زمین تجاری و تراکم پارک مهم ترین عوامل تأثیرگذار در مراحل مختلف بودند. تراکم جمعیت سالمندان، تراکم سوپرمارکت ها و تراکم پارک عواملی بودند که توسط ادبیات موجود در سایر کشورها یا مناطق تأیید شده بود، در حالی که نسبت زمین تجاری و تراکم هتل ممکن است عوامل خاصی بر گسترش COVID-19 در سنگاپور باشد. اکثر کارگران خارجی در خوابگاه های ساخته شده (PBD) یا خوابگاه هایی که از سایت های صنعتی غیرقابل استفاده تغییر یافته اند زندگی می کنند. در نتیجه آلودگی گسترده کارگران خوابگاه، ارتباط بین زمین تجاری و شیوع COVID-19 بسیار قابل توجه شد. در همین حال، هتل ها به دلیل نقش خود در انتقال COVID-19 به عنوان تسهیلات ایزوله برای مسافران ورودی یا تماس های نزدیک توجه کمی داشته اند، در حالی که یافته های ما ارتباط فضایی نزدیک بین هتل ها و انتقال COVID-19 را بهتر نشان می دهد. قابل ذکر است، تحت سیاست محدودکننده سست، ارتباط بین تراکم پارک و انتقال COVID-19 ممکن است الگوهای پیچیده تری را نشان دهد. پارک ها به عنوان بخشی از فضای سبز عمومی تاثیر مثبتی در بهبود سلامت مردم دارند. با این حال، رفتار مردم در بازدید از فضای سبز در نتیجه همه گیری تغییر کرده است و تقاضای بیشتری برای بازدید از فضای سبز وجود دارد.۲۶ ]، که ممکن است فضای سبز را به مکانی پرخطر برای تجمع مردم و گسترش بیماری تبدیل کند، در نتیجه تأثیر منفی در مهار گسترش همه‌گیری دارد. به طور کلی، مکان‌هایی با تراکم جمعیت بالا، به‌ویژه افراد آسیب‌پذیر، مانند اجتماعات سالمندان یا محیط‌های زندگی شلوغ برای کارگران خارجی، بیشتر احتمال دارد که الگوهای انتقال خوشه‌ای ایجاد کنند، در حالی که مکان‌هایی با تحرک جمعیت بالا، مانند سوپرمارکت‌ها، غذاخوری‌ها و پارک ها، احتمال بیشتری برای ایجاد الگوهای انتقال تصادفی دارند. علاوه بر این، تقسیم زمانی معقول، کلید آشکارسازی این عوامل تأثیرگذار بالقوه است.
این مطالعه مهم است زیرا اولین مطالعه‌ای بود که از یک سری زمانی طولانی برای بررسی عوامل محرک انتقال COVID-19 در سنگاپور استفاده کرد و همچنین شواهدی ارائه کرد که نشان می‌دهد ارتباط بین عوامل محرک و انتقال COVID-19 موقتاً غیر ثابت است. برخی از مطالعات نشان داده اند که ارتباط بین عوامل اجتماعی جمعیت شناختی و محیط ساخته شده با گسترش COVID-19 در امواج مختلف متفاوت است [ ۲۸ ]]. یافته‌های ما همچنین نشان داد که ارتباط بین همان عامل و انتشار COVID-19 می‌تواند در طول زمان تغییر کند. این تغییر می‌تواند ناشی از اقدامات مداخله‌ای یا تغییرات رفتاری افراد در مواجهه با خطرات و سیاست‌های عفونت باشد که این ارتباط را قوی‌تر یا ضعیف‌تر می‌کند، یا می‌تواند گذر از ارتباط مثبت به منفی باشد، همانطور که در ارتباط این مطالعه بین تراکم هتل و انتقال COVID-19 یا در برخی بیمارستان‌ها با عفونت بیمارستانی.
این مطالعه پیشنهادهایی برای تدوین مداخلات غیردارویی برای کنترل شیوع COVID-19 ارائه می‌کند. اولاً، از آنجایی که الگوهای فضایی موارد وارداتی با موارد داخلی متفاوت است، سیاستگذاران باید اقدامات هدفمند یا ترکیبی را برای حالت‌های مختلف انتقال، مانند اجرای همزمان محدودیت‌های سفر و اقدامات فاصله اجتماعی، اجرا کنند تا به طور موثر از زنجیره انتقال محلی ناشی از موارد وارداتی جلوگیری شود. . دوم، از آنجایی که روابط بین عوامل تأثیرگذار و انتقال COVID-19 در طول زمان و مکان تغییر می‌کند، سیاست‌گذاران باید بدانند که توسعه مداخلات هدفمند در دوره‌های خاص و مناطق خطر می‌تواند اثربخشی مداخلات غیردارویی را بهبود بخشد. به عنوان مثال، زمانی که طرح قرنطینه اجرا می شود، محدود کردن ظرفیت جمعیت سوپرمارکت‌ها و ایجاد مراکز توزیع کالاهای اضطراری می‌تواند خطر ابتلا به عفونت ناشی از احتکار و خرید مایحتاج روزانه ساکنان را کاهش دهد و کنترل خطر باید در رستوران‌ها، پارک‌ها و سایر مکان‌ها در طول دوره بازگشایی اجرا شود که می‌تواند به تنظیم اجتماعی کمک کند. اندازه گیری فاصله و دستیابی به مدیریت پویا در مناطق خاص. در همین حال، یافته‌های ما همچنین از سیاست‌گذاران می‌خواهد تا برای کاهش تأثیر نابرابری اجتماعی بر گروه‌های آسیب‌پذیر تلاش کنند. فضاهای زندگی کارگران مهاجر به قدری شلوغ است که نمی توانند فاصله گذاری اجتماعی را رعایت کنند و ممکن است از مراقبت های پزشکی یا حمایت اجتماعی برابر برخوردار نشوند و در مقابل این بیماری همه گیر آسیب پذیرتر شوند. و مکان های دیگر در طول دوره بازگشایی، که می تواند به تنظیم اقدامات فاصله اجتماعی و دستیابی به مدیریت پویا در مناطق خاص کمک کند. در همین حال، یافته‌های ما همچنین از سیاست‌گذاران می‌خواهد تا برای کاهش تأثیر نابرابری اجتماعی بر گروه‌های آسیب‌پذیر تلاش کنند. فضاهای زندگی کارگران مهاجر به قدری شلوغ است که نمی توانند فاصله گذاری اجتماعی را رعایت کنند و ممکن است از مراقبت های پزشکی یا حمایت اجتماعی برابر برخوردار نشوند و در مقابل این بیماری همه گیر آسیب پذیرتر شوند. و مکان های دیگر در طول دوره بازگشایی، که می تواند به تنظیم اقدامات فاصله اجتماعی و دستیابی به مدیریت پویا در مناطق خاص کمک کند. در همین حال، یافته‌های ما همچنین از سیاست‌گذاران می‌خواهد تا برای کاهش تأثیر نابرابری اجتماعی بر گروه‌های آسیب‌پذیر تلاش کنند. فضاهای زندگی کارگران مهاجر به قدری شلوغ است که نمی توانند فاصله گذاری اجتماعی را رعایت کنند و ممکن است از مراقبت های پزشکی یا حمایت اجتماعی برابر برخوردار نشوند و در مقابل این بیماری همه گیر آسیب پذیرتر شوند.۵۹ ]. در نتیجه، زندگی و رفاه افراد آسیب پذیر باید به طور مداوم بهبود یابد تا خطر شیوع بیماری های عفونی در آینده کاهش یابد.
با این وجود، این مطالعه دارای محدودیت های متعددی است. بر اساس در دسترس بودن داده ها، متغیرهای در نظر گرفته شده در این مطالعه محدود بودند. برخی از عوامل کلیدی (به عنوان مثال، عوامل اجتماعی-اقتصادی، ساختار فضایی شهرها) نیز ممکن است نقش مهمی در گسترش COVID-19 ایفا کنند، و فقدان داده های مناسب برای این متغیرها ممکن است محدودیت هایی را برای تحلیل ما ایجاد کند. بنابراین، عوامل بیشتری باید در تحقیقات آینده در نظر گرفته شود، و همچنین تأثیر عوامل مخدوش کننده مانند سن و توزیع نژادی/قومی. محدودیت دیگر این است که رابطه بین انواع مختلف موارد و عوامل موثر به طور کامل مشخص نشده است و استفاده گروه‌های سنی مختلف از خدمات یا مکان‌های خاص (مانند خدمات پزشکی یا پارک‌ها) ممکن است منجر به تفاوت در همبستگی بین سن شود. گروه ها و برخی متغیرها علاوه بر این، این مطالعه در سطح زیرمنطقه انجام شد، که به ناچار تحت تأثیر مسئله واحد منطقه ای قابل تغییر (MAUP) قرار گرفت، زمانی که داده های فردی در واحدهای منطقه جمع شدند. در نتیجه، داده‌های طبقه‌بندی دقیق‌تر و داده‌های سطح جامعه یا فردی برای بررسی بیشتر عوامل خطر در مقیاسی دقیق‌تر مورد نیاز است، که به مدیریت دقیق خطر انتقال COVID-19 کمک می‌کند.

۵٫ نتیجه گیری ها

این مطالعه الگوهای فضایی همه‌گیری COVID-19 در سنگاپور را از ۲۳ ژانویه تا ۳۰ سپتامبر ۲۰۲۰ و همچنین ارتباط بین عوامل جمعیتی و محیط ساخته شده با گسترش COVID-19 بررسی کرد. نتایج نشان داد که توزیع فضایی موارد COVID-19 در طول زمان تغییر کرد و در درجه اول دو نوع الگو را نشان داد: تصادفی و خوشه‌ای. علاوه بر این، الگوهای فضایی بین موارد وارداتی و محلی متفاوت است، با موارد وارداتی دارای یک الگوی تصادفی و موارد محلی دارای یک الگوی خوشه‌ای. در همین حال، از بین متغیرهای در نظر گرفته شده در این مطالعه، تراکم سوپرمارکت، تراکم جمعیت سالمندان، تراکم هتل، نسبت زمین تجاری و تراکم پارک مهم‌ترین عوامل مؤثر بر شیوع COVID-19 در سنگاپور بودند. با نسبت زمین تجاری و تراکم هتل متغیرهای مهمی هستند که به طور گسترده در سایر کشورها یا مناطق شناخته نشده اند. یافته‌ها همچنین حاکی از آن است که ارتباط بین عوامل جمعیت‌شناختی و محیط ساخته شده با انتقال COVID-19 به‌طور پویا در طول زمان تغییر می‌کند و این که تنوع فضایی در زیرمنطقه‌ها روندهای متفاوتی را در تراکم شیوع COVID-19 در پاسخ به عوامل تأثیرگذار انتخاب‌شده منعکس می‌کند. این مطالعه نه تنها در توسعه و بهبود استراتژی‌های مداخله برای مناطق و دوره‌های خاص در طول همه‌گیری کنونی، بلکه در آماده‌سازی مناطق، کشورها و شهرها برای پاسخ‌گویی انعطاف‌پذیر به بحران‌های بهداشت عمومی آینده مفید است. یافته‌ها همچنین حاکی از آن است که ارتباط بین عوامل جمعیت‌شناختی و محیط ساخته شده با انتقال COVID-19 به‌طور پویا در طول زمان تغییر می‌کند و این که تنوع فضایی در زیرمنطقه‌ها روندهای متفاوتی را در تراکم شیوع COVID-19 در پاسخ به عوامل تأثیرگذار انتخاب‌شده منعکس می‌کند. این مطالعه نه تنها در توسعه و بهبود استراتژی‌های مداخله برای مناطق و دوره‌های خاص در طول همه‌گیری کنونی، بلکه در آماده‌سازی مناطق، کشورها و شهرها برای پاسخ‌گویی انعطاف‌پذیر به بحران‌های بهداشت عمومی آینده مفید است. یافته‌ها همچنین حاکی از آن است که ارتباط بین عوامل جمعیت‌شناختی و محیط ساخته شده با انتقال COVID-19 به‌طور پویا در طول زمان تغییر می‌کند و این که تنوع فضایی در زیرمنطقه‌ها روندهای متفاوتی را در تراکم شیوع COVID-19 در پاسخ به عوامل تأثیرگذار انتخاب‌شده منعکس می‌کند. این مطالعه نه تنها در توسعه و بهبود استراتژی‌های مداخله برای مناطق و دوره‌های خاص در طول همه‌گیری کنونی، بلکه در آماده‌سازی مناطق، کشورها و شهرها برای پاسخ‌گویی انعطاف‌پذیر به بحران‌های بهداشت عمومی آینده مفید است.

منابع

  1. سازمان بهداشت جهانی. سخنان افتتاحیه مدیر کل WHO در کنفرانس رسانه ای در مورد COVID-19. در دسترس آنلاین: https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19—11 -مارس-۲۰۲۰ (در ۳۱ دسامبر ۲۰۲۰ قابل دسترسی است).
  2. سازمان بهداشت جهانی. بیماری کروناویروس ۲۰۱۹ (COVID-19): گزارش وضعیت. به‌روزرسانی هفتگی اپیدمیولوژیک در مورد کووید-۱۹—۲۸ سپتامبر ۲۰۲۱٫ در دسترس به صورت آنلاین: https://www.who.int/publications/m/item/weekly-epidemiological-update-on-covid-19—۲۸-september-2021 (دسترسی در ۱۵ اکتبر ۲۰۲۱).
  3. تیان، اچ. لیو، ی. لی، ی. وو، سی.-اچ. چن، بی. کریمر، MUG; لی، بی. کای، جی. خو، بی. یانگ، کیو. و همکاران بررسی اقدامات کنترل انتقال طی ۵۰ روز اول اپیدمی COVID-19 در چین. Science ۲۰۲۰ ، ۳۶۸ ، ۶۳۸-۶۴۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  4. Carballada، AM; Balsa-Barreiro، J. تجزیه و تحلیل جغرافیایی و استراتژی‌های نقشه‌برداری برای داده‌های کووید-۱۹ دقیق و دقیق با GIS. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۰۲٫ [ Google Scholar ] [ CrossRef ]
  5. فرانک-پاردو، آی. ناپلتانو، بی.ام. روزت ورجز، اف. Billa, L. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی کل محیط. ۲۰۲۰ , ۷۳۹ , ۱۴۰۰۳۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. وانگ، جی. دو، دی. وی، ی. یانگ، اچ. توسعه COVID-19 در چین: انتشار فضایی و الگوی جغرافیایی. Geogr. Res. ۲۰۲۰ ، ۳۹ ، ۱۴۵۰-۱۴۶۲٫ [ Google Scholar ]
  7. Huang, Z. الگوهای تکامل مکانی-زمانی همه‌گیری COVID-19 با استفاده از تجمع فضا-زمان و آمار فضایی: چشم‌انداز جهانی. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۵۱۹٫ [ Google Scholar ] [ CrossRef ]
  8. کاپرارلی، جی. فلچر، اس. مروری کوتاه بر مفاهیم و ابزارهای تحلیل فضایی مورد استفاده برای نقشه‌برداری، مهار و مدل‌سازی خطر بیماری‌های عفونی و سایر بیماری‌ها. انگل شناسی ۲۰۱۴ ، ۱۴۱ ، ۵۸۱-۶۰۱٫ [ Google Scholar ] [ CrossRef ]
  9. اسکارپونه، سی. برینکمن، ST; گروس، 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 ]
  10. Kwok، KO; لای، FYL; وی، VWI؛ Tsoi، MTF؛ وانگ، SYS؛ تانگ، JWT مقایسه تأثیر مداخلات مختلف برای کنترل شیوع COVID-19 در دوازده کشور. جی. هاسپ. آلوده کردن ۲۰۲۰ ، ۱۰۶ ، ۲۱۴-۲۱۶٫ [ Google Scholar ] [ CrossRef ]
  11. جولیانی، دی. دیکسون، ام.ام. اسپا، جی. Santi, F. مدل‌سازی و پیش‌بینی گسترش فضایی-زمانی COVID-19 در ایتالیا. BMC Infect. دیس ۲۰۲۰ ، ۲۰ ، ۷۰۰٫ [ Google Scholar ] [ CrossRef ]
  12. یانگ، دبلیو. دنگ، م. لی، سی. Huang, J. الگوهای فضایی-زمانی اپیدمی ۲۰۱۹-nCoV در سطح شهرستان در استان هوبی، چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۲۵۶۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. چن، ایکس. هوانگ، ی. لی، جی. وانگ، اس. پی، تی. ویژگی‌های خوشه‌بندی موارد COVID-19 و عوامل مؤثر در شهرداری چونگ کینگ. Prog. Geogr. ۲۰۲۰ ، ۳۹ ، ۱۱٫ [ Google Scholar ] [ CrossRef ]
  14. صنیگراهی، س. پیلا، اف. باسو، بی. باسو، ع. مولتر، آ. بررسی ارتباط بین ترکیب اجتماعی-جمعیتی و تلفات ناشی از COVID-19 در منطقه اروپا با استفاده از رویکرد رگرسیون فضایی. سوست جامعه شهرها ۲۰۲۰ , ۶۲ , ۱۰۲۴۱۸٫ [ Google Scholar ] [ CrossRef ]
  15. ژنگ، ا. وانگ، تی. لی، ایکس. ویژگی‌های فضایی و زمانی و عوامل خطر همه‌گیری COVID-19 در ایالت نیویورک: پیامدهای سیاست‌های آینده. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۲۷٫ [ Google Scholar ] [ CrossRef ]
  16. ژانگ، CH; شوارتز، نابرابری های فضایی GG در بروز و مرگ و میر کروناویروس در ایالات متحده: تجزیه و تحلیل زیست محیطی از ماه مه ۲۰۲۰٫ J. Rural Health ۲۰۲۰ ، ۳۶ ، ۴۳۳-۴۴۵٫ [ Google Scholar ] [ CrossRef ]
  17. منصور، س. الکندی، ع. السعید، ع. السعید، ع. اتکینسون، P. عوامل اجتماعی جمعیت‌شناختی نرخ‌های بروز COVID-19 در عمان: مدل‌سازی مکانی با استفاده از رگرسیون وزن‌دار جغرافیایی چند مقیاسی (MGWR). سوست جامعه شهرها ۲۰۲۱ ، ۶۵ ، ۱۰۲۶۲۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. لیو، جی. هائو، جی. سان، ی. Shi, Z. تحلیل شبکه جریان جمعیت در میان شهرهای بزرگ و تأثیر آن بر انتقال COVID-19 در چین. Cities ۲۰۲۱ , ۱۱۲ , ۱۰۳۱۳۸٫ [ Google Scholar ] [ CrossRef ]
  19. لیو، ی. او، ز. Zhou، X. تغییرات فضا-زمان و تمایز فضایی موارد تأیید شده COVID-19 در استان هوبی بر اساس GWR گسترده. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۵۳۶٫ [ Google Scholar ] [ CrossRef ]
  20. مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی کل محیط. ۲۰۲۰ , ۷۲۸ , ۱۳۸۸۸۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. کان، ز. کوان، ام.-پی. وانگ، ام اس؛ هوانگ، جی. لیو، دی. شناسایی الگوهای فضا-زمان خطر COVID-19 و ارتباط آنها با ویژگی های مختلف محیط ساخته شده در هنگ کنگ. علمی کل محیط. ۲۰۲۱ , ۷۷۲ , ۱۴۵۳۷۹٫ [ Google Scholar ] [ CrossRef ]
  22. شما، اچ. وو، ایکس. Guo، X. توزیع نرخ ابتلا به COVID-19 در ارتباط با عوامل اجتماعی و اقتصادی در ووهان، چین: پیامدهایی برای توسعه شهری. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ , ۱۷ , ۳۴۱۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. لی، ایکس. ژو، ال. جیا، تی. پنگ، آر. فو، ایکس. Zou, Y. ارتباط شدت کووید-۱۹ با عوامل شهری: مطالعه موردی ووهان. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ , ۱۷ , ۶۷۱۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  24. هوانگ، جی. کوان، ام.-پی. کان، ز. وانگ، ام اس؛ Kwok، CYT؛ Yu, X. بررسی رابطه بین محیط ساخته شده و خطر نسبی COVID-19 در هنگ کنگ. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۶۲۴٫ [ Google Scholar ] [ CrossRef ]
  25. لو، ی. ژائو، جی. وو، ایکس. Lo, SM فرار به طبیعت در طول یک بیماری همه گیر: یک آزمایش طبیعی در شهرهای آسیایی در طول همه گیری COVID-19 با داده های بزرگ رسانه های اجتماعی. علمی کل محیط. ۲۰۲۱ ، ۷۷۷ ، ۱۴۶۰۹۲٫ [ Google Scholar ] [ CrossRef ]
  26. پان، جی. بردان، ر. Jin, Y. اثرات توزیعی فضایی فضای سبز عمومی و عفونت COVID-19 در لندن. شهری برای. سبز شهری. ۲۰۲۱ ، ۶۲ ، ۱۲۷۱۸۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. چانگ، اس. پیرسون، ای. Koh، PW; جراردین، جی. ردبرد، بی. گروسکی، دی. مدل‌های شبکه Leskovec، J. Mobility برای COVID-19 نابرابری‌ها را توضیح می‌دهند و بازگشایی را اطلاع می‌دهند. Nature ۲۰۲۱ ، ۵۸۹ ، ۸۲-۸۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. هوانگ، جی. کوان، ام.-پی. کان، زی. مکان‌های فوق‌العاده‌ی COVID-19 و محیط ساخته‌شده و ویژگی‌های اجتماعی-جمعیتی مرتبط: مطالعه‌ای با استفاده از چارچوب شبکه فضایی و داده‌های فعالیت در سطح فردی. Health Place ۲۰۲۱ , ۷۲ , ۱۰۲۶۹۴٫ [ Google Scholar ] [ CrossRef ]
  29. وانگ، ال. ژانگ، اس. یانگ، ز. ژائو، ز. Moudon، AV; فنگ، اچ. لیانگ، جی. سان، دبلیو. کائو، بی. چه عواملی در سطح شهرستان بر بروز COVID-19 در ایالات متحده تأثیر می گذارد؟ یافته های موج اول همه گیری Cities ۲۰۲۱ , ۱۱۸ , ۱۰۳۳۹۶٫ [ Google Scholar ] [ CrossRef ]
  30. وو، ایکس. یین، جی. لی، سی. شیانگ، اچ. Lv، M. Guo, Z. محیط طبیعی و انسانی به طور تعاملی الگوی گسترش COVID-19 را هدایت می کند: یک مطالعه مدل سازی در سطح شهر در چین. علمی کل محیط. ۲۰۲۱ ، ۷۵۶ ، ۱۴۳۳۴۳٫ [ Google Scholar ] [ CrossRef ]
  31. نیهوس، ر. دی سالازار، نخست وزیر؛ تیلور، آر. لیپسیچ، ام. استفاده از داده‌های مشاهده‌ای برای تعیین کمیت سوگیری تخمین‌های شیوع COVID-19 ناشی از مسافران در ووهان، چین. عفونت لانست دیس ۲۰۲۰ ، ۲۰ ، ۸۰۳-۸۰۸٫ [ Google Scholar ] [ CrossRef ]
  32. اندرسون، آر.ام. هیستربیک، اچ. کلینکنبرگ، دی. هالینگزورث، تی دی چگونه اقدامات کاهشی مبتنی بر کشور بر روند اپیدمی COVID-19 تأثیر می گذارد؟ Lancet ۲۰۲۰ ، ۳۹۵ ، ۹۳۱-۹۳۴٫ [ Google Scholar ] [ CrossRef ]
  33. کاپانو، جی. هاولت، ام. جارویس، DSL؛ رامش، م. گویال، N. بسیج سیاست (بدون) ظرفیت برای مبارزه با کووید-۱۹: درک تغییرات در واکنش های ایالتی. جامعه سیاست ۲۰۲۰ ، ۳۹ ، ۲۸۵-۳۰۸٫ [ Google Scholar ] [ CrossRef ]
  34. کو، جی آر. کوک، AR؛ پارک، ام. سان، ی. سان، اچ. لیم، جی تی; تام، سی. مداخلات دیکنز، BL برای کاهش انتشار اولیه SARS-CoV-2 در سنگاپور: یک مطالعه مدل سازی. عفونت لانست دیس ۲۰۲۰ ، ۲۰ ، ۶۷۸-۶۸۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. طارق، ع. لی، ی. روزا، ک. بلومبرگ، اس. یان، پی. ما، س. Chowell, G. نظارت همزمان بر پتانسیل انتقال COVID-19 در سنگاپور، مارس ۲۰۲۰٫ BMC Med. ۲۰۲۰ ، ۱۸ ، ۱۶۶٫ [ Google Scholar ] [ CrossRef ]
  36. پونگ، آر. چیو، سی جی; جوان، BE; چین، اس. چن، MIC; کلافام، HE; کوک، AR؛ مورر استرو، اس. Toh، MPHS; پو، سی. و همکاران بررسی سه خوشه COVID-19 در سنگاپور: پیامدهای اقدامات نظارتی و واکنشی. Lancet ۲۰۲۰ ، ۳۹۵ ، ۱۰۳۹-۱۰۴۶٫ [ Google Scholar ] [ CrossRef ]
  37. یی، اچ. Ng، ST; فروین، ع. کم، PTA؛ چانگ، سی ام. Lim, J. ملاحظات برابری سلامت در COVID-19: تجزیه و تحلیل شبکه جغرافیایی شیوع COVID-19 در جمعیت مهاجر در سنگاپور. J. Travel Med. ۲۰۲۰ ، ۲۸ ، taaa159. [ Google Scholar ] [ CrossRef ]
  38. جیانگ، پی. فو، ایکس. فن، YV; کلمز، جی جی. چن، پی. ما، س. Zhang، W. تجزیه و تحلیل خطر مواجهه بالقوه مکانی-زمانی و اثرات پایداری شهری مربوط به کاهش COVID-19: دیدگاهی از رفتار تحرک خودرو. J. Clean Prod. ۲۰۲۱ ، ۲۷۹ ، ۱۲۳۶۷۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. وو، ظرفیت JJ Policy و واکنش سنگاپور به همه‌گیری COVID-19. جامعه سیاست ۲۰۲۰ ، ۳۹ ، ۳۴۵-۳۶۲٫ [ Google Scholar ] [ CrossRef ]
  40. آژانس فناوری دولتی سنگاپور طرح جامع ۲۰۱۹ مرز منطقه (بدون دریا). در دسترس آنلاین: https://geo.data.gov.sg/ura-mp19-region-no-sea-pl/2019/12/23/kml/ura-mp19-region-no-sea-pl.kml (دسترسی در ۱ دسامبر ۲۰۲۰).
  41. آژانس فناوری دولتی سنگاپور طرح جامع ۲۰۱۹ مرز زیرمنطقه (بدون دریا). در دسترس آنلاین: https://geo.data.gov.sg/ura-mp19-subzone-no-sea-pl/2019/12/23/kml/ura-mp19-subzone-no-sea-pl.kml (دسترسی در ۱ دسامبر ۲۰۲۰).
  42. وزارت بهداشت، سنگاپور به‌روزرسانی‌های وضعیت محلی COVID-19 (بیماری کروناویروس ۲۰۱۹). در دسترس آنلاین: https://www.moh.gov.sg/covid-19 (در ۱۵ نوامبر ۲۰۲۰ قابل دسترسی است).
  43. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی ۱۹۹۲ ، ۲۴ ، ۱۸۹-۲۰۶٫ [ Google Scholar ] [ CrossRef ]
  44. موران، PAP تفسیر نقشه های آماری. JR Stat. Soc. سر. روش B. ۱۹۴۸ ، ۱۰ ، ۲۴۳-۲۵۱٫ [ Google Scholar ] [ CrossRef ]
  45. Fotheringham، AS; یانگ، دبلیو. کانگ، دبلیو. رگرسیون جغرافیایی وزن دار چند مقیاسی (MGWR). ان صبح. دانشیار Geogr. ۲۰۱۷ ، ۱۰۷ ، ۱۲۴۷-۱۲۶۵٫ [ Google Scholar ] [ CrossRef ]
  46. اوشان، TM; اسمیت، جی پی؛ Fotheringham، AS هدف قرار دادن بافت فضایی عوامل تعیین کننده چاقی از طریق رگرسیون وزنی جغرافیایی چند مقیاسی. بین المللی J. Health Geogr. ۲۰۲۰ ، ۱۹ ، ۱۱٫ [ Google Scholar ] [ CrossRef ]
  47. Iyanda، AE; آدلکه، ر. لو، ی. اوسایومی، تی. Adaralegbe، A. لاسود، ام. Chima-Adaralegbe، NJ; Osundina، AM یک بررسی بین‌المللی گذشته‌نگر شیوع COVID-19 در ۱۷۵ کشور: یک تحلیل رگرسیون جغرافیایی وزن‌دار چند مقیاسی (۱۱ ژانویه تا ۲۸ ژوئن ۲۰۲۰). ج. عفونی کردن. بهداشت عمومی ۲۰۲۰ ، ۱۳ ، ۱۴۳۸-۱۴۴۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. تونیداندل، س. LeBreton، JM تجزیه و تحلیل اهمیت نسبی: یک مکمل مفید برای تجزیه و تحلیل رگرسیون. اتوبوس جی. روانی ۲۰۱۱ ، ۲۶ ، ۱-۹٫ [ Google Scholar ] [ CrossRef ]
  49. اوشان، TM; لی، ز. کانگ، دبلیو. ولف، ال جی. Fotheringham، AS mgwr: پیاده‌سازی پایتون از رگرسیون وزن‌دار جغرافیایی چند مقیاسی برای بررسی ناهمگونی و مقیاس فضایی فرآیند. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۲۶۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  50. وزارت بهداشت، سنگاپور پایان مدار شکن، رویکرد مرحله‌ای برای از سرگیری ایمن فعالیت‌ها. در دسترس آنلاین: https://www.moh.gov.sg/news-highlights/details/end-of-circuit-breaker-phased-approach-to-resuming-activities-safely (در ۲۰ مه ۲۰۲۰ قابل دسترسی است).
  51. توماس، اچ. آنگریست، ن. کامرون-بلیک، ای. هالاس، ال. کیرا، بی. مجومدار، س. پتریک، ا. فیلیپس، تی. تاتلو، اچ. Webster, S. Oxford COVID-19 دولت ردیاب پاسخ. در دسترس آنلاین: https://www.bsg.ox.ac.uk/research/research-projects/coronavirus-government-response-tracker (در ۲۵ دسامبر ۲۰۲۰ قابل دسترسی است).
  52. آرال، ن. باکر، H. تجزیه و تحلیل فضایی-زمانی COVID-19 در ترکیه. حفظ کنید. جامعه شهرها ۲۰۲۲ ، ۷۶ ، ۱۰۳۴۲۱٫ [ Google Scholar ] [ CrossRef ]
  53. لی، اس. ما، س. Zhang, J. انجمن ویژگی های محیط ساخته شده با گسترش COVID-19 در مرحله اولیه آن در چین. حفظ کنید. جامعه شهرها ۲۰۲۱ ، ۶۷ ، ۱۰۲۷۵۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. وزارت بهداشت، سنگاپور اقدامات پیشگیرانه اضافی برای محافظت از سالمندان ما. در دسترس آنلاین: https://www.moh.gov.sg/news-highlights/details/additional-precautionary-measures-to-protect-our-seniors (در ۲۰ مه ۲۰۲۰ قابل دسترسی است).
  55. لی، ی. کیان، اچ. هنگ، جی. چن، ایکس. هونگ، ال. لیانگ، پی. لی، جی. شیائو، اس. وی، جی. لیو، ال. و همکاران شواهدی برای انتقال احتمالی SARS-CoV-2 در آئروسل در یک رستوران با تهویه ضعیف. medRxiv ۲۰۲۰ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. ماموده خان، ن. باکوچ، اچ اس. Soobhug، AD; Scotto, MG Insights در مورد روند سری جدید کروناویروس ۲۰۱۹ در برخی از کشورهای در حال توسعه جزیره کوچک: رویکرد مدلسازی مبتنی بر نازک شدن. الکس. مهندس J. ۲۰۲۱ , ۶۰ , ۲۵۳۵–۲۵۵۰٫ [ Google Scholar ] [ CrossRef ]
  57. روکز، ال. Bonnefon، O. بودرو، وی. سوبیراند، س. Berestycki، H. یک رویکرد صرفه جویی برای انتقال فضایی و ناهمگونی در انتشار COVID-19. R. Soc. علوم را باز کنید. ۲۰۲۰ ، ۷ ، ۲۰۱۳۸۲٫ [ Google Scholar ] [ CrossRef ]
  58. بله، ای.کی. چونگ، کی سی. چیو، سی جی; لی، وی جی؛ Ng، CW; هاشیموتو، اچ. کوون، اس. وانگ، دبلیو. Chau، NNS؛ یام، CHK; و همکاران ارزیابی تأثیر مداخلات غیردارویی بر قابلیت انتقال و شدت COVID-19 در طول پنج ماه اول در منطقه غربی اقیانوس آرام. One Health ۲۰۲۱ , ۱۲ , ۱۰۰۲۱۳٫ [ Google Scholar ] [ CrossRef ]
  59. فو، ایکس. Zhai, W. بررسی رابطه مکانی و زمانی بین آسیب‌پذیری اجتماعی و رفتارهای ماندن در خانه در شهر نیویورک در طول همه‌گیری COVID-19. حفظ کنید. جامعه شهرها ۲۰۲۱ ، ۶۷ ، ۱۰۲۷۵۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 11 00152 g001 550
شکل ۱٫ شش مرحله شیوع COVID-19 در سنگاپور از ۲۳ ژانویه تا ۳۰ سپتامبر ۲۰۲۰٫
Ijgi 11 00152 g002 550
شکل ۲٫ تجزیه و تحلیل نقطه داغ موارد COVID-19 در سنگاپور در شش مرحله. ( A – F ) به شش مرحله در این مطالعه اشاره دارد.
Ijgi 11 00152 g003 550
شکل ۳٫ توزیع فضایی ضرایب محلی تراکم جمعیت سالمندان، نسبت زمین تجاری، تراکم بیمارستان، تراکم داروخانه، تراکم سوپرمارکت، تراکم هتل، تراکم غذاخوری و تراکم پارک در فازهای مختلف. حروف بزرگ در هر عنوان نقشه به یکی از شش مرحله در این مطالعه اشاره دارد. برای مثال، A به فاز A اشاره دارد.

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما