چگونه عوامل شهری بر توزیع فضایی و زمانی بیماری های عفونی علاوه بر جابجایی جمعیت بین شهری در چین تأثیر می گذارد

خلاصه

شیوع ویروس کرونای جدید (COVID-19) در سال 2019 توجه جهانی را به خود جلب کرده است. در تعطیلات سال نو چینی، خروج جمعیت از ووهان باعث گسترش این بیماری همه گیر به شهرهای دیگر چین شد. این مطالعه داده‌های حرکت بین‌شهری عظیم از بایدو و داده‌های اپیدمی را تجزیه و تحلیل کرد تا بررسی کند که چگونه خروج جمعیت بین‌شهری بر گسترش فضایی و زمانی اپیدمی تأثیر می‌گذارد.
این مطالعه بیشتر بررسی کرد که چگونه عوامل شهری بر گسترش فضایی-زمانی COVID-19 تأثیر گذاشتند. تجزیه و تحلیل نشان می دهد که حرکت بین شهری عامل مهمی در گسترش اپیدمی در چین بود و تأثیر حرکت بین شهری بر گسترش در بین طبقات مختلف شهرها ناهمگون بود. گسترش اپیدمی همچنین در بین شهرها متفاوت بود و تحت تأثیر عوامل شهری از جمله کل جمعیت قرار گرفت. تراکم جمعیت و تولید ناخالص داخلی (GDP). یافته ها پیامدهایی برای مدیریت بهداشت عمومی دارند. کلان شهرها باید در مقایسه با سایر شهرها اقدامات سخت تری را برای مهار شیوع این بیماری همه گیر در نظر بگیرند. برای سیاستگذاران در هر کشوری اهمیت زیادی دارد که خطر بالقوه اپیدمی ها را ارزیابی کنند و برنامه ریزی های محتاطانه را پیش از موعد انجام دهند.

کلید واژه ها:

حرکت جمعیت ؛ توزیع فضایی و زمانی ; بیماری های عفونی

چکیده گرافیکی

1. معرفی

برآورد گسترش و تکامل بیماری های عفونی برای سلامت عمومی در طول یک بیماری همه گیر ضروری است [ 1 ]. سفرهای انسانی یکی از عوامل اصلی گسترش بیماری های همه گیر از داخل یک شهر به شهر دیگر است. بروز بیماری های عفونی مانند آنفولانزا در شهرها متفاوت است و تحت تأثیر عوامل شهری از جمله اندازه جمعیت، شرایط اجتماعی-اقتصادی، ساختار شهری و ارتباط با سایر شهرها قرار می گیرد [2 ، 3 ، 4 ] . با این حال، مطالعات کمی در مورد چگونگی تأثیر حرکات بین شهری بر گسترش فضایی و زمانی بیماری‌های عفونی همراه با عوامل شهری وجود دارد.
ظهور ویروس کرونای جدید 2019 (COVID-19) مصادف با تعطیلات سال نو قمری بود، که طی آن با بازگشت مردم به شهر خود، مهاجرت قابل توجهی از انسان رخ داد [ 5 ]. خروج جمعیت از نظر فضایی اپیدمی را به شهرهای دیگر چین گسترش داد. هنگامی که محدودیت های سفر در ووهان در 23 ژانویه 2020 اجرایی شد، بسیاری از شهرهای چین قبلاً تعدادی از مسافران آلوده را پذیرفته بودند [ 6 ]. حدود 5 میلیون نفر از ووهان به شهرهای دیگر سفر کردند و حدود یک سوم آنها طی دو هفته قبل از قرنطینه به شهرهای دیگر خارج از استان هوبی رفتند. لی و پی و همکاران [ 7] تخمین زده است که 86 درصد از همه عفونت‌ها قبل از اعمال محدودیت‌های سفر در ووهان بدون سند بوده است. حرکت انسان به طور قابل توجهی بر توزیع و مقیاس اپیدمی ها در چین تأثیر گذاشت و می توان از آن برای پیش بینی گسترش آینده اپیدمی ها استفاده کرد [ 8 ، 9 ]. فرض بر این است که جابجایی جمعیت از ووهان به شهرهای دیگر در دو هفته قبل از قرنطینه ممکن است تأثیر قابل‌توجهی بر شیوع احتمالی COVID-19 در سایر شهرهای چین داشته باشد. بنابراین، درک اینکه چگونه حرکت انسان بر توزیع مکانی-زمانی COVID-19 در چین تأثیر می گذارد، ضروری است.
برخی از مطالعات همبستگی بین حرکات بین شهری و بیماری های عفونی [ 10 ] را تجزیه و تحلیل کرده اند، در حالی که مطالعات کمی بررسی کرده اند که چگونه عوامل شهری بر گسترش فضایی و زمانی بیماری های عفونی تأثیر می گذارد. گسترش فضایی اپیدمی ها نه تنها متاثر از جابجایی بین شهری افراد مبتلا است، بلکه تحت تأثیر عوامل شهری شهرهای مختلف نیز قرار دارد. این مطالعه بیشتر بررسی می‌کند که چگونه عوامل شهری بر توزیع مکانی و زمانی COVID-19 علاوه بر جابجایی جمعیت بین شهری در شهرهای چین تأثیر می‌گذارد.

2. بررسی ادبیات

2.1. تحرک انسان و بیماری های عفونی

بسیاری از شهرها احتمالاً با بیماری‌های عفونی جدی‌تری نسبت به قبل مواجه می‌شوند که دلیل آن افزایش سطح حرکت انسانی با ادامه جهانی‌شدن است. حرکت عظیم انسان بین شهری گسترش بیماری های عفونی را تسریع می کند و مطالعات قبلی در مورد تجزیه و تحلیل بیماری های عفونی از سطح جهانی تا درون شهری در مقیاس متفاوت بوده است [ 11 ]. برای مثال، ولز و ساه [ 12 ] تأثیر سفرهای فراملی و سیاست‌های کنترل مرزی را بر گسترش COVID-19 در سطح جهانی بررسی کردند. ژو و زو [ 13 ] از داده های مشاهده تلفن همراه برای بررسی اثرات بالقوه محدودیت های حرکتی درون شهری بر گسترش COVID-19 در شهر شنژن استفاده کردند. ماسارو و کندور [ 14] تعامل بین تحرک انسان و شیوع بیماری های عفونی را مورد مطالعه قرار داد و دریافت که تحرک درون شهری عامل اصلی شیوع بیماری های عفونی در سنگاپور است. برخی از مطالعات الگوی مکانی-زمانی COIVD-19 را در سطح ملی یا منطقه ای تجزیه و تحلیل کرده اند [ 1 ، 15 ، 16 ]. با این حال، مطالعات کمی رابطه بین حرکت انسان و توزیع مکانی و زمانی بیماری‌های عفونی را در مقیاس ملی بررسی کرده‌اند، زیرا به‌دست آوردن سوابق سفرهای بین‌شهری با جزئیات دشوار است [ 17 ]. به عنوان مثال، جیا و لو [ 18] بررسی کرد که چگونه حرکت جمعیت باعث توزیع فضایی COVID-19 در شهرهای چین با استفاده از داده های موقعیت مکانی تلفن همراه در سطح ملی شد.

2.2. عوامل شهری در شیوع بیماری های عفونی

حرکت انسان عامل مهمی در گسترش بیماری های عفونی است. با این حال، مطالعات بررسی چگونگی تأثیر عوامل شهری بر توزیع فضایی و زمانی بیماری‌های عفونی نادر است. اندازه شهر ممکن است بر گسترش فضایی بیماری‌های عفونی تأثیر بگذارد. با دورتر شدن ساکنان از مراکز شهر، مسافت رفت و آمد افزایش می یابد، بنابراین با بزرگتر شدن اندازه شهر بدون در نظر گرفتن ساختار فضایی، میانگین فواصل رفت و آمد طولانی تر می شود [ 19 ]. ساکنان ممکن است تعاملات بیشتری در طول رفت و آمد داشته باشند و ممکن است با مسافت های طولانی تر در معرض ابتلا به عفونت باشند. کل جمعیت و مساحت ساخته شده شاخص های رایج اندازه شهر هستند. دالزیل و پوربهلول [ 17] یک مدل در سطح فردی از انتقال بیماری های عفونی بر اساس داده های تحرک ایجاد کرد، که تأیید می کند که تفاوت در اندازه جمعیت و الگوهای تحرک بین شهرها برای تأثیرگذاری بر خطر و شدت اپیدمی ها در شهرهای مختلف کافی است. شهرهای بزرگتر با جمعیت بیشتر و تعاملات اجتماعی بیشتر در برابر بیماری های عفونی آسیب پذیرتر هستند [ 20 ].
تراکم بالای جمعیت، تعامل اجتماعی روزانه و تماس نزدیک افراد را افزایش می دهد، که آنها را در برابر بیماری های عفونی آسیب پذیر می کند و گسترش یک بیماری همه گیر را تسریع می کند [ 21 ]. شهرنشینی چین در دهه های اخیر به سرعت پیشرفت کرده است که با تراکم بالا مشخص می شود. بررسی اینکه چگونه تراکم بر گسترش یک بیماری همه گیر تأثیر می گذارد، به ویژه در شهرهای چین ضروری است.
در شهرهایی با تولید ناخالص داخلی بالاتر، مردم تمایل دارند ارتباطات چهره به چهره بیشتری داشته باشند و بنابراین در برابر بیماری های عفونی آسیب پذیرتر هستند. Garske T. [ 22 ] پیشنهاد کرد که بیماری های عفونی ممکن است در مناطق توسعه یافته سریعتر از مناطق کمتر توسعه یافته در چین گسترش یابد. فعالیت های اقتصادی مانند عمده فروشی، خرده فروشی و خدمات معمولا نیازمند تعاملات مکرر و نزدیک بین افراد است.

2.3. بررسی سفرهای بین شهری با داده های بزرگ مکان یابی مکانی-زمانی

مقیاس شهرنشینی چین از نظر بزرگی و نرخ تغییر و مهاجرت انبوه از روستاها به شهرها و از شهرهای کوچک به شهرهای بزرگ بی سابقه بوده است [ 23 ، 24 ]. بررسی چگونگی تأثیر جابجایی جمعیت بر ساختار شهری و توزیع جمعیت در شهرهای چینی، به ویژه در موارد همه‌گیر، ضروری است. برخی از مطالعات از داده های سرشماری برای بررسی سفرهای بین شهری استفاده می کنند. برای مثال، مو و یه [ 25 ] از داده های بررسی جمعیت شناختی برای تقسیم چین به مناطق رفت و آمد جدید بر اساس شبکه عملکردی جریان های رفت و آمد استفاده کردند. با این حال، این نوع داده‌های سرشماری برای جمع‌آوری کار فشرده هستند و با حجم نمونه محدود می‌شوند.
با توسعه و کاربردهای گسترده داده‌های فضایی-زمانی بزرگ [ 26 ، 27 ، 28 ]، داده‌های تحرک برای ردیابی حرکات بین‌شهری فضایی-زمانی و انتقال بیماری برای توانایی آن‌ها برای ردیابی رفتار سفر ساکنان در دانه‌ریزی خوب استفاده شده است [ 29 ، 30 ]. میلیون‌ها رکورد خدمات مبتنی بر مکان نه تنها می‌توانند توزیع مکانی و زمانی افراد و سفرهای بین شهری را ترسیم کنند [ 31 ، 32 ]، بلکه به روشن کردن واردات و انتقال بیماری‌ها همراه با داده‌های توزیع بیماری کمک می‌کنند [ 33 ]]. با محبوبیت حسگرهای مختلف، می توان بررسی کرد که چگونه جابجایی جمعیت بین شهری بر توزیع مکانی و زمانی بیماری های عفونی تأثیر می گذارد [ 34 ].

3. منطقه مطالعه و پردازش داده ها

3.1. منطقه مطالعه

این مطالعه بر روی استان های چین تمرکز دارد که در ابتدا شامل 360 واحد اداری می شود. در این مطالعه به این بخش‌ها «شهرها» گفته می‌شود ( شکل 1 ). همه شهرهای استان هوبی حذف شدند، زیرا انتقال درون شهری قبلاً بر گسترش محلی بیماری‌های عفونی در طول دوره مطالعه غالب بود. شیوع COVID-19 در سطح جامعه بسیار زودتر از سایر نقاط چین در استان هوبی رخ داد، زیرا شهر ووهان ارتباط روزانه نزدیک با آن شهرهای هوبی دارد.

3.2. داده های COVID-19

داده‌های COVID-19 از گزارش اپیدمی کمیسیون ملی بهداشت چین استخراج شده است. تعداد روزانه موارد تایید شده تا 6 فوریه 2020 (زمان استاندارد چین)، 14 روز پس از اولین روز قرنطینه ووهان (23 ژانویه 2020) خلاصه شد. آستانه 14 روز، مدت قرنطینه یا نظارت فعال افرادی است که بالقوه در معرض ویروس قرار دارند. طول پیشنهادی توسط یافته های مطالعات اپیدمیولوژیکی [ 35 ] پشتیبانی می شود.

3.3. داده های سفر بین شهری و داده های فاکتور شهری

داده های سفرهای بین شهری اتخاذ شده در این مطالعه به طور کلی از کاربران دستگاه های تلفن همراه توسط اپراتورهای خدمات مبتنی بر مکان جمع آوری شده است. آنها نوعی داده موقعیت یابی تلفن همراه هستند که توسط دستگاه های تلفن همراه تولید می شوند که صاحبان آنها از نرم افزار پشتیبانی شده توسط عملکرد خدمات مبتنی بر مکان مانند اینترنت، خدمات نقشه، خدمات رزرو، خدمات سریع و خدمات سرگرمی استفاده می کنند. تحت مجوز کاربران دستگاه های تلفن همراه، اپراتورهای خدمات مبتنی بر مکان به بازدید از رابط سیستم دستگاه تلفن همراه برای جمع آوری مکان های مختصات GPS آن در طول استفاده روزانه دسترسی دارند.
داده‌های سفرهای بین‌شهری منعکس‌کننده جابجایی‌های جمعیت در مناطق مختلف بر اساس تغییر موقعیت دستگاه‌های تلفن همراه شخصی است. داده ها از داده های Baidu Qianxi شرکت Baidu، بزرگترین اپراتور موتور جستجو در چین ( https://qianxi.baidu.com). می توان آن را به عنوان همتای گوگل در دنیای غرب در نظر گرفت. داده‌های Baidu Qianxi توسط پلت‌فرم خدمات مبتنی بر مکان بایدو جمع‌آوری و تأیید می‌شود، که جریان پویای جمعیت منطقه‌ای را به صورت روزانه نشان می‌دهد. بایدو بیان می کند که روزانه بیش از 120 میلیارد درخواست مکان توسط پلت فرم خدمات مبتنی بر مکان آن پشتیبانی می شود. داده ها حداقل 70 درصد از جمعیت چین را پوشش می دهند و حجم نمونه بالاتر از داده های سرشماری ملی است. یک الگوریتم ناشناس برای اطمینان از اینکه تمام داده‌های سفر بدون هیچ گونه اطلاعات حساس جمع‌آوری می‌شوند، برای در نظر گرفتن محرمانه بودن استفاده می‌شود. فقط برچسب های مکانی و زمانی برای تجزیه و تحلیل داده های مکانی و تجسم داده ها ثبت می شوند. ووهان در 23 ژانویه 2020، یک روز قبل از شب سال نو چینی، وارد قرنطینه شد. زمانی که فصل سفر جشنواره بهار تقریباً به پایان رسیده بود. ما تعداد افرادی را که از ووهان به شهرهای دیگر خارج شده‌اند را در 14 روز قبل از قرنطینه به دست آوردیم زیرا تصور می‌شود دوره نهفتگی عفونت حدود 14 روز باشد. فصل سفر بهار-جشنواره معمولاً دو هفته قبل از شب سال نو چینی آغاز می شود. بنابراین، داده های سفر منعکس کننده خروج جمعیت از ووهان از 10 ژانویه تا 23 ژانویه 2020 باید استخراج شود. طبق داده های بایدو، حداقل 3.31 میلیون مسافر در 14 روز ذکر شده ووهان را به مقصد سایر شهرهای داخلی ترک کرده اند. ما از داده‌های جابجایی جمعیت داخلی شناسایی‌نشده و تجمعی برای دو هفته قبل و بعد از محدودیت‌های سفر به داخل و خارج ووهان که از خدمات مبتنی بر مکان بایدو به دست آمده بود، استفاده کردیم.
اندازه جمعیت ساکن، تراکم جمعیت و تولید ناخالص داخلی شهرها از سالنامه آماری شهر/بخش‌های چین در سال 2019 استخراج شد [ 36 ].
چگونه عوامل شهری بر توزیع فضایی و زمانی بیماری های عفونی علاوه بر جابجایی جمعیت بین شهری در چین تأثیر می گذارد

3.4. پردازش داده ها

نوار داده سفرهای بین شهری از چهار ستون تشکیل شده است که نشان دهنده شهر عزیمت، شهر مقصد، تاریخ سفر و جمعیت جریان است ( جدول 1 ). شهر مبدأ معمولاً به عنوان محل اقامت یا محل اقامت شبانه شناخته می شود. شهر مقصد تنها در صورتی به عنوان مقصد معنی‌دار شناسایی می‌شود که فردی حداقل 4 ساعت به طور مداوم در شهر بماند. در غیر این صورت نادیده گرفته شد و محل اقامت موقت فرض شد. جریان بین شهری از ووهان به هر شهر دیگری در دو هفته قبل از جشنواره بهار با معادله زیر توصیف می شود:

افwمن= ∑د=1nافدمن

جایی که افwمنخروجی کل جمعیت از ووهان به شهر i است و افدمنخروجی روزانه جمعیت از ووهان به شهر i است .

4. روش تحقیق

4.1. نسبت خطر ابتلا به COVID-19 وارداتی

نسبت خطر ابتلا به کووید-19 وارداتی برای ارزیابی تأثیر جابجایی جمعیت بین شهری بر انتقال بیماری‌های عفونی در سراسر شهرها در ابتدای اپیدمی معرفی شده است. ضریب مجموع موارد تایید شده بر خروج جمعیت از ووهان به عنوان نسبت خطر شیوع COVID-19 وارداتی برای هر شهر با استفاده از معادله زیر تعریف می شود:

آرمن=∑د=1nسیدمنافwمن،

جایی که آرمننسبت خطر ابتلا به COVID-19 وارداتی در شهر i است و سیدمنموارد تایید شده روزانه COVID-19 در شهر i از زمان شیوع همه گیر است. تعداد تجمعی موارد تایید شده تا 6 فوریه 2020 خلاصه شده است. نسبت خطر به عنوان موارد تایید شده به ازای هر هزار جمعیت در نتیجه خروج از ووهان توصیف شده است.

4.2. جنبه دو متغیره خودهمبستگی فضایی محلی

این مطالعه عمدتاً چگونگی تأثیر جابجایی جمعیت از ووهان به شهرهای دیگر خارج از هوبی را در گسترش اپیدمی COVID-19 تجزیه و تحلیل کرد. خود همبستگی فضایی محلی برای اولین بار برای کشف ویژگی های توزیع فضایی موارد تایید شده و تشخیص همبستگی فضایی آنها با حرکت جمعیت مورد تجزیه و تحلیل قرار گرفت. تجزیه و تحلیل همبستگی و رگرسیون برای تخمین ارتباط بین خروج جمعیت از ووهان، تولید ناخالص داخلی (GDP)، اندازه جمعیت ساکن، تراکم جمعیت و تعداد تجمعی موارد تایید شده COVID-19 انجام شد.

تجزیه و تحلیل خود همبستگی فضایی شامل خود همبستگی فضایی جهانی و خودهمبستگی فضایی محلی بود. اولی برای آشکار کردن ویژگی‌های یکپارچه توزیع فضایی و اهمیت آن در منطقه مورد مطالعه استفاده شد، در حالی که دومی برای کشف ویژگی‌های توزیع محلی بالقوه عناصر فضایی، مانند توزیع‌های انباشته یا تصادفی استفاده شد. برای نشان دادن رابطه فضایی خودهمبستگی فضایی جهانی و خودهمبستگی فضایی محلی، از I موران و I موران محلی استفاده شد. I موران به صورت زیر محاسبه می شود:

من=∑من=1n∑j≠1nدبلیومنj(ایکسمن-ایکس¯)(ایکسj-ایکس¯)اس2∑من=1n∑j≠1nدبلیومنj.

Local Moran’s I به صورت زیر محاسبه می شود:

منمن=(ایکسمن-ایکس¯)∑من=1،j≠منnدبلیومنj(ایکسمن-ایکس¯)اس2.
اینجا، اس2=1n∑من=1n(ایکسمن-ایکس¯)، ایکس¯=1n∑من=1nایکسمن، n تعداد واحدهای فضایی برای تجزیه و تحلیل است، ایکسمنو ایکسjمقادیر اندازه گیری شده واحدهای فضایی i و j را نشان می دهد ، (ایکسمن-ایکس¯)نشان دهنده انحراف بین مقدار اندازه گیری شده واحد i و مقدار میانگین و دبلیومنjماتریس وزن فضایی با توجه به رابطه مجاورت است.

خودهمبستگی فضایی دو متغیره بیشتر از خودهمبستگی فضایی برای کشف همبستگی فضایی متغیرهای چندگانه تکامل یافت [ 37 ]. شاخص محلی Moran’s I دو متغیره برای شناسایی خوشه های فضایی و نقاط پرت جریان های بین شهری با موارد تایید شده COVID-19 استفاده شد. مدل خودهمبستگی فضایی دو متغیره را می توان به صورت زیر توصیف کرد:

منب،من=ایکسمن∑j=1nدبلیومنjYj،

جایی که ایکسمن=ایکسمن-ایکس¯σایکس، Yj=yj-y¯σy، ایکسمنمقدار اندازه گیری شده متغیر x واحد فضایی i است ، yjمقدار اندازه گیری شده متغیر y واحد فضایی j است ، ایکس¯و y¯میانگین مقادیر متغیرهای x و y را نشان می دهد و σایکسو σyواریانس متغیرهای x و y را نشان می دهد . ارتباط فضایی بین مقادیر متغیر x در مکان i ( i = 1, 2, …, n ) و میانگین مقادیر همسایه برای متغیر y در مکان j ( j = 1, 2, …, n ) قابل تعیین است. . آمار منب،منمحصول است ایکسمنبا تاخیر فضایی Yj[ 38 ، 39 ]. متغیر ایکسمندر این مطالعه خروجی تجمعی جمعیت از ووهان به شهر i در دو هفته قبل از قرنطینه ووهان، در حالی که متغیر است yjتعداد تجمعی موارد COVID-19 تایید شده در شهر j تا 6 فوریه 2020 است.

4.3. رگرسیون چند متغیره

تجزیه و تحلیل رگرسیون برای بررسی تأثیر متغیرهای مستقل، یعنی خروج جمعیت از ووهان و سایر عوامل بالقوه، بر یک متغیر وابسته، یعنی تعداد تجمعی موارد تأیید شده COVID-19 انجام شد. از طریق آزمایش همبستگی بین متغیرهای مستقل و وابسته، می توان یک مدل رگرسیونی برای توصیف بزرگی اثرات متغیرهای پیش بینی کننده بر متغیرهای پاسخ ایجاد کرد. در این تحقیق، تأثیر دقیقاً نسبت خطر وارداتی موارد تأیید شده COVID-19 در چین در سطح استان بود که می‌توان آن را به عنوان مدل تفسیر خطر همه‌گیری در نظر گرفت. با رگرسیون خطی چند متغیره به صورت زیر فرموله شد:

Yمن=β0+β1ایکسمن1+β2ایکسمن2+β3ایکسمن3+β4ایکسمن4+ε،

جایی که Yمنتعداد تجمعی موارد تایید شده در شهر i است ( i = 1، 2، …، n )، ایکسمن1خروج جمعیت از ووهان است، ایکسمن2تولید ناخالص داخلی است، ایکسمن3اندازه جمعیت ساکن است، ایکسمن4تراکم جمعیت است،  β0ثابت است و β1،…، β4نشان دهنده ضرایب رگرسیون برای هر متغیر مستقل است. تمامی ضرایب با استفاده از روش حداقل مربعات و ثابت به دست آمدند β0. εاصطلاح خطا است.

در این مطالعه، داده های مکانی-زمانی توسط PostgreSQL فراخوانی شدند. تجسم داده ها توسط ArcGIS 10.7 انجام شد. تجزیه و تحلیل خودهمبستگی مکانی با استفاده از Geoda 1.14 پردازش شد، در حالی که تجزیه و تحلیل همبستگی و رگرسیون با استفاده از SPSS 19.0 پردازش شد.

5. خوشه فضایی و تجزیه و تحلیل رگرسیون

5.1. خروج جمعیت از ووهان به شهرهای غیرهوبئی و موارد تایید شده تجمعی

چین در 40 سال گذشته شاهد شهرنشینی سریع بوده است. مهاجرت گسترده از مناطق روستایی به شهرها، ویژگی های جریان جابجایی جمعیت بین شهری چین را شکل داده است. ساخت اخیر یک سیستم راه‌آهن پرسرعت، مقیاس و فراوانی جریان‌های بین‌شهری را به‌ویژه در دوره جشنواره بهار افزایش داده است. بر اساس داده‌های مهاجرت روزانه بایدو، 3.31 میلیون کاربر دستگاه تلفن همراه از 10 ژانویه تا 23 ژانویه 2020 از ووهان سفر کردند که از این تعداد 1.02 میلیون نفر از ووهان به شهرهای غیرهوبئی در 14 روز سفر کردند. طبق گزارش‌های اپیدمی روزانه از کمیسیون ملی بهداشت چین، تعداد تجمعی موارد تایید شده COVID-19 تا 6 فوریه 2020، 19557 (فقط به استثنای شهر ووهان) بود.
بیشتر جمعیت خروجی از ووهان قبل از قرنطینه به بخش‌های شرقی چین بود. COVID-19 به سرعت تقریباً در تمام شهرها با حرکت گسترده جمعیت گسترش یافت ( شکل 2). علاوه بر این، توزیع فضایی خروج جمعیت و موارد تایید شده در شهرهای مختلف به شدت از قاعده مجاورت جغرافیایی با ووهان پیروی نمی کند. خروج جمعیت در مقیاس بزرگ نه تنها در شهرهای اطراف استان هوبی، بلکه در مناطق دوردست شهری مانند پکن، شانگهای، گوانگژو و شنژن توزیع شد. توزیع فضایی تجمعی موارد تایید شده نسبتاً در این مناطق متمرکز بود، جایی که تعداد موارد تایید شده به طور کلی از 201 تا 500 متغیر بود. اپیدمی را می توان بررسی کرد.
نسبت خطر انتقال وارداتی COVID-19 برای توصیف رابطه بین جریان جمعیت و موارد تایید شده در ابتدای اپیدمی استفاده شد ( شکل 3).). در تمام 360 شهر، مقدار متوسط ​​8.2 مورد تایید شده در هر هزار نفر در نتیجه خروج از ووهان بود. چهار شهر وجود داشت که در آنها نسبت ریسک بیش از 60.0 مورد به ازای هر هزار جمعیت در نتیجه خروج، با مقادیر 74.0، 96.8، 116.7 و 354.2 بود. این چهار شهر از نظر جغرافیایی و جابجایی جمعیت در مناطق حاشیه ای قرار داشتند. میانگین ارزش خروج جمعیت از ووهان در این چهار شهر 374.0 و میانگین ارزش برای همه 360 شهر 2817.0 بوده است. لازم بود این چهار شهر حاشیه‌ای با خروجی جزئی از ووهان حذف شوند تا نتیجه طبقه‌بندی برای نسبت ریسک معنادارتر شود.
با توجه به نتیجه طبقه‌بندی نسبت ریسک با استفاده از جنک‌های طبیعی، شهرهایی که در آن‌ها نسبت ریسک بیش از 16.1 مورد در هزار جمعیت در نتیجه خروج بود، نه تنها در بخش‌های ساحلی شرقی و جنوب شرقی چین (بیشترین) توزیع شده‌اند. مناطق پرجمعیت) بلکه در قسمت های شمالی. نسبت خطر ابتلا به کووید-19 وارداتی در مناطق اطراف ووهان به طرز شگفت انگیزی پایین بود، حتی اگر ووهان به عنوان اولین کانون کووید-19 شناخته شود. به عنوان مثال، میانگین نسبت در سراسر چین 8.89 مورد تایید شده به ازای هر هزار جمعیت در نتیجه خروج در سطح استان بود. استان ژجیانگ، هیلونگجیانگ و گوانگدونگ به ترتیب با میانگین مقادیر 28.2، 24.16 و 16.1 به عنوان سه برتر از نظر نسبت ریسک رتبه بندی شدند. با این حال، میانگین تنها 4 بود. 84 در استان هنان، که رتبه اول جابجایی جمعیت از ووهان به استان غیر هوبی را به خود اختصاص داده است. در مقایسه با مقیاس خروج جمعیت، نسبت‌های بالای ریسک در برخی از بخش‌های چین مانند استان هیلونگ‌جیانگ ناشی از خروجی نسبتاً کوچک از ووهان است. جابجایی جمعیت از ووهان به استان هیلونگ‌جیانگ تنها 9.93 هزار نفر بود، در حالی که 35.71 هزار نفر به استان ژجیانگ و 63.11 هزار نفر به استان گوانگدونگ بودند.
سایر عوامل محلی، مانند رفتار مسافرتی سالمندان یا رویدادهای اجتماعی، ممکن است انتقال COVID-19 را پیچیده کند، حتی زمانی که تعداد محدودی موارد وارداتی وجود دارد. با این حال، این کار عمدتاً بر جریان جمعیت بین شهری و همچنین عوامل فضایی و عوامل اجتماعی-اقتصادی شهرها متمرکز شده است. بنابراین، تعیین حد کمتری برای خروج جمعیت برای از بین بردن اثرات عوامل محلی مختلف بر گسترش COVID-19 در شهرها ضروری است.
چگونه عوامل شهری بر توزیع فضایی و زمانی بیماری های عفونی علاوه بر جابجایی جمعیت بین شهری در چین تأثیر می گذارد

5.2. همبستگی بین جریان بین شهری و اپیدمی COVID-19

معقول تر بود که بر شهرهایی با خروج جمعیت در مقیاس بزرگتر از ووهان تمرکز کنیم تا از تأثیر عوامل غیرقابل کنترل تصادفی بر گسترش COVID-19 جلوگیری کنیم. برای تحلیل رگرسیون، مقدار یک هزار برای خروج جمعیت در دو هفته قبل از شب سال نو چینی به عنوان آستانه پایین برای هر شهر تعیین شد. شهرهای زیر این آستانه به عنوان مناطق حاشیه ای جریان بین شهری در نظر گرفته شدند. بر اساس سالنامه آماری چین در سال 2019، در نهایت، 191 شهر به عنوان واحدهای مطالعه برای تحلیل رگرسیون بیشتر انتخاب شدند که بیش از نیمی از شهرهای داخلی و 1.06 میلیارد نفر را پوشش می‌دهند .
یک مدل رگرسیون خطی برای نشان دادن میزان تأثیر خروج جمعیت از ووهان، به عنوان تک متغیر، بر موارد تأیید شده ایجاد شد ( شکل 4 ). برای 191 شهر منتخب، خروج جمعیت از ووهان تأثیر قابل توجهی بر تعداد تجمعی موارد تأیید شده داشت ( R2 = 0.650، P <0.001). برای هر 10 درصد افزایش در خروج جمعیت از ووهان، تعداد تجمعی موارد تایید شده 8.06 درصد افزایش می یابد.

یک متغیر ساختگی برای آزمایش این فرضیه اضافه شد که تفاوت‌ها در طبقه اداری شهری تأثیری معادل اندازه بر شیوع COVID-19 دارد، به شرح زیر:

Yمنj=β0+β1ایکسمنj+λ1سیآپ_سیمنتیyj+εمنj

جایی که Yمنjتعداد تجمعی موارد تایید شده در شهر i از کلاس j است .  ایکسمنjخروجی جمعیت از ووهان به شهر i است . سیآپ_سیمنتیyjنشان دهنده تفاوت طبقاتی شهر است ( سیآپ_سیمنتیyj= 0، 1)، که در آن سیآپ_سیمنتیyj= 1 وقتی شهر پایتخت است. در این مطالعه مراکز استانی و شهرهای فرعی به عنوان «شهرهای پایتخت» معرفی می‌شوند. λ1نشان دهنده ضریب رگرسیون برای متغیر ساختگی است.

زمانی که متغیر ساختگی کلاس اداری شهری به مدل اضافه شد، R2 به 0.685 (p <0.001) افزایش یافت ، که نشان دهنده تناسب بهتر است . ضریب استاندارد کلاس اداری شهری 0.202 ( ص< 0.001)، یعنی شهرهای پایتخت نسبت به سایر شهرها نسبت خطر انتقال COVID-19 بالاتری دارند. به عنوان مثال، نسبت ریسک برای کلان شهرها و مراکز استانی مانند پکن، شانگهای، گوانگژو و شنژن 14.04 بود. با این حال، در شهرهای اطراف شهر ووهان، مانند نانیانگ، ژومادیان، جیوجیانگ، آنکینگ و ژوکو، تنها 4.80 بود، حتی اگر خروجی جمعیت آنها از 15 تا 30 هزار نفر در عرض دو هفته متغیر بود. تخمین زده شد که نسبت خطر شیوع بیماری های وارداتی در کلان شهرها و مراکز استان ها نزدیک به 2.93 برابر سایر شهرها حتی با جابجایی جمعیت بین شهری معادل است.

5.3. انجمن فضایی محلی دو متغیره جریان های بین شهری و موارد تایید شده

تحلیل خودهمبستگی فضایی در این تحقیق بر سطح استان داخلی با وزن‌های فضایی مبتنی بر مجاورت ملکه متمرکز بود. نتایج مرتبط، توزیع فضایی و زمانی خروجی تجمعی جمعیت و تعداد تجمعی موارد تایید شده را مشخص می‌کند. خوشه‌های زیاد و کم و کم در سطح استان نشان‌دهنده مناطقی است که تعداد تجمعی موارد تأیید شده COVID-19 همبستگی مثبت قابل توجهی با خروج جمعیت از ووهان نشان می‌دهد. خوشه های بالا-کم و کم-بالا منعکس کننده مناطقی هستند که همبستگی های منفی برای آنها قابل مشاهده بود. از طریق شناخت این خوشه‌های بالا-بالا و خوشه‌های زیاد-پایین، تأثیر حرکت جمعیت بر انتقال COVID-19 از منظر فضایی می‌تواند بیشتر مورد بررسی قرار گیرد.
نتیجه نشان داد که جریان بین شهری تا حد زیادی به گسترش COVID-19 کمک کرده است. نشان داده شد که توزیع فضایی خروجی ها و موارد تایید شده دارای یک خودهمبستگی فضایی مثبت، با مقدار I موران 0.161 ( p <0.05) است. دو توزیع فضایی متمایز از خوشه های بالا-بالا شناسایی شد ( شکل 5 ). خوشه های مرتفع به دلیل مجاورت فضایی عمدتاً در اطراف شهر ووهان متمرکز شده اند، در حالی که سایر خوشه های بالا در مناطق کلان شهری مانند دلتای رودخانه یانگ تسه و دلتای رودخانه مروارید متمرکز شده اند که هر دو نسبتاً هستند. دور و دارای جریان های جمعیتی قوی از ووهان و شهرهای دیگر در مناطق ابرشهری [ 40]. این خوشه‌های بالا-بالا نشان‌دهنده همبستگی فضایی بسیار بالاتری بین خروج جمعیت و موارد تأیید شده است، که همچنین نشان‌دهنده خطرات عفونی بسیار بالاتر COVID-19 به دلیل جابجایی جمعیت بین‌شهری است. برعکس، توزیع فضایی خوشه‌های کم-بالا در مراکز استان‌ها بود. در مقایسه با خوشه‌های کم-کم و کم-زیاد، نتیجه‌گیری می‌شود که شهرهای واقع در مناطق کلان شهر و مراکز استان‌ها خطرات بسیار بالاتری برای گسترش COVID-19 در آغاز انتقال همه‌گیری داشتند.

5.4. تجزیه و تحلیل رگرسیون چند متغیره در سطح استان

رابطه بین تعداد موارد تایید شده و عوامل اجتماعی-اقتصادی در طول زمان با ضرایب همبستگی پیرسون ارزیابی شد. این آمار توصیفی برای متغیرها و همبستگی آن با موارد تایید شده تا 6 فوریه 2020 خلاصه شده است ( جدول 2 ). تغییرات ضریب همبستگی از 21 ژانویه 2020، زمانی که اولین مورد COVID-19 در خارج از استان هوبی شناسایی شد، تا 6 فوریه 2020، زمانی که ووهان به مدت 14 روز وارد قرنطینه شد، ارزیابی شد (شکل 6) .). با افزایش سریع موارد تایید شده تجمعی، همبستگی بین خروج جمعیت و موارد تایید شده از 421/0= پیرسون به 805/0 افزایش یافت. در همان زمان، همبستگی بین تولید ناخالص داخلی و موارد تایید شده به 0.775 رسید، در حالی که بین اندازه جمعیت ساکن و موارد تایید شده به 0.749 رسید. در مقابل، همبستگی بین تراکم جمعیت و موارد تایید شده کاهش مشخصی را در مرحله اولیه گسترش همه‌گیری نشان داد و سپس به تدریج به سطح پایدار افزایش یافت، با پیرسون r = 0.508، در 6 فوریه 2020. ضرایب همبستگی برای این موارد اجتماعی-اقتصادی همه عوامل با نوسانات جزئی از 31 ژانویه تثبیت شدند. بنابراین، این چهار متغیر همبستگی قوی با موارد تایید شده تجمعی در مرحله شیوع کووید-19 انتقال بین شهری نشان دادند.
رگرسیون چند متغیره برای ایجاد مدل تفسیری برای تعیین کمیت اثر جریان‌های بین شهری جمعیت و سایر عوامل اجتماعی-اقتصادی بر گسترش COVID-19 در شرایط عمومی انجام شد (جدول 3 ) . از نتایج مدل، رگرسیون آزمون F را در سطح معنی‌داری 01/0 گذراند و شاخص دوربین واتسون 063/2 بود که توزیع نرمال خوبی از باقیمانده‌ها را نشان می‌دهد. ضرایب تعیین R2 = 0.603 و R2 = 0.594 تعدیل شده، برازش مدل خوب را نشان می دهد، نشان می دهد که مدل قادر به توضیح 59.4 درصد از تنوع در موارد تایید شده تجمعی است .
با توجه به ضرایب استاندارد شده، تمامی متغیرهای مستقل تأثیر معناداری بر تعداد موارد تایید شده کووید-19 داشتند. در این میان، خروج جمعیت از ووهان بیشترین تأثیر را نشان می‌دهد و پس از آن اندازه جمعیت، تولید ناخالص داخلی و تراکم جمعیت قرار دارند. به ازای هر واحد افزایش خروج جمعیت از ووهان، تعداد تجمعی موارد تایید شده 0.488 افزایش می یابد. علاوه بر این، برای هر واحد افزایش در اندازه جمعیت، تولید ناخالص داخلی و تراکم جمعیت، تعداد تجمعی موارد تایید شده 0.244 (95% فاصله اطمینان: 0.241-0.635)، 0.216 (95% فاصله اطمینان: 0.203-0.573) افزایش می یابد. و 0.116 (95% CI: 0.068-1.631)، به ترتیب.

6. یافته ها و بحث

شیوع کووید-19 به دلیل مقیاس عظیم جریان جمعیت بین شهری در طول فصل اوج سفر قبل از جشنواره بهار، با توجه به موقعیت جغرافیایی مرکزی شهر ووهان در چین، منجر به بحران قابل توجهی از گسترش اپیدمی شد. با توجه به سیاست محدودیت سفرهای بین شهری که در 23 ژانویه 2020 در ووهان اجرا شد، خطر وارداتی COVID-19 از ووهان به طور قابل توجهی کنترل شد که دوره ایده آلی برای تجزیه و تحلیل روابط بین موارد تایید شده وارداتی، جابجایی جمعیت بین شهری و سایر بالقوه شهری فراهم کرد. عوامل.
بر اساس داده های بزرگ موقعیت یابی موبایل، حرکت جمعیت مکانی و زمانی و ویژگی های انتقال COVID-19 در مرحله شیوع اولیه بررسی شد. ما ارزش خروج جمعیت از ووهان به شهرهای غیرهوبئی را 1.02 میلیون نفر ذکر کردیم که نشان دهنده 30.82 درصد از کل خروجی جمعیت از ووهان قبل از قرنطینه است. در همین حال، 9063 مورد تایید شده در خارج از استان هوبی وجود داشت که 46.34٪ از کل تعداد موارد تایید شده تجمعی در چین را در 6 فوریه 2020 نشان می دهد. جابجایی جمعیت بین شهری نقش حیاتی در گسترش فضایی COVID-19 در چین داشت.
ابتدا، نتایج نشان می دهد که بین جابجایی جمعیت و تعداد موارد COVID-19 در شهرهای مختلف همبستگی مثبت و معنادار وجود دارد و این همبستگی با زمان متفاوت است. جابجایی جمعیت بین شهری در مقیاس بزرگ منجر به افزایش خطر انتقال برای شهرهای چین شد.
دوم، تأثیر حرکت بین شهری بر گسترش اپیدمی ها برای سطوح مختلف شهرها، از جمله پایتخت و سایر شهرها، در چین متفاوت است. شهرهایی که طبقات اداری بالاتری دارند، در صورت مواجهه با همان سطح جابجایی جمعیت، از خطر انتقال بیشتر رنج می برند. در مقایسه با شهرهای غیر پایتخت، شهرهای پایتخت به دلیل مقیاس اجتماعی و اقتصادی بزرگ ممکن است نیاز به اقدامات قرنطینه سخت تری برای کاهش شیوع بیماری های همه گیر داشته باشند.
ثالثاً، ویژگی‌های توزیع فضایی شهرها بر شیوع بیماری‌های عفونی تأثیر دارد. یک همبستگی فضایی مثبت بین جابجایی جمعیت و تعداد موارد تایید شده، با مقدار موران I 0.161 ( P <0.05) وجود داشت. سفرهای بین شهری در مقیاس بزرگ و مکرر تأثیر مثبتی بر ارتقای توسعه اقتصادی منطقه دارد، اما ممکن است اثرات «منفی» نیز داشته باشد. بررسی جریان های سفرهای بین شهری با استفاده از داده های بزرگ از خدمات مبتنی بر مکان همراه با داده های همه گیر ممکن است به روشن شدن اثرات “منفی” در طول همه گیری ها کمک کند. شهرهای واقع در دلتای رودخانه یانگ تسه و دلتای رودخانه مروارید با خطر انتقال بالاتری مواجه بودند.
چهارم، تجزیه و تحلیل بیشتر نشان داد که گسترش اپیدمی ها در شهرهای مختلف متفاوت است زیرا علاوه بر جابجایی جمعیت، تحت تأثیر عوامل شهری از جمله کل جمعیت، تراکم جمعیت و تولید ناخالص داخلی قرار می گیرد. شهرهایی با ویژگی های اجتماعی-اقتصادی متفاوت ممکن است خطر بالقوه اپیدمی ها را زودتر ارزیابی کنند. علاوه بر جابجایی جمعیت، اندازه جمعیت ساکن تأثیر زیادی بر خطر انتقال و به دنبال آن تولید ناخالص داخلی و تراکم جمعیت داشت.
در نهایت، جریان‌های جمعیتی بین‌شهری ایجاد شده از داده‌های بزرگ موقعیت‌یابی تلفن همراه، بررسی چگونگی تأثیر عوامل شهری بر توزیع مکانی و زمانی اپیدمی COVID-19 از دیدگاه فردی در سطح ملی را امکان‌پذیر می‌سازد، که کارآمدتر از نظرسنجی‌های شخصی کار فشرده است. در صورتی که داده های بزرگ موقعیت یابی موبایل برای این شهرها در دسترس باشد، چارچوب تحلیلی روشی مناسب برای ارزیابی اولیه خطر بالقوه اپیدمی ها در مراحل اولیه ارائه می دهد. یکی از محدودیت های این تحقیق این است که نحوه سفر بین شهری و زمان سفر بین شهری در نظر گرفته نشده است، زیرا به سختی می توان به طور دقیق از داده ها به دست آورد.
مدل‌های جغرافیایی مانند مدل‌های گرانشی یا مدل‌های بالقوه که با تصادفی‌سازی پشتیبانی می‌شوند، برای پیش‌بینی انتشار فضایی اپیدمی COVID-19 در مطالعات آینده استفاده خواهند شد.

7. نتیجه گیری

ظهور داده‌های خدمات مبتنی بر مکان در مقیاس بزرگ، فرصتی را برای بررسی جابجایی جمعیت بین شهری از دیدگاه افراد به جای تکیه بر داده‌های سرشماری یا بررسی سفر، که با حجم نمونه محدود شده‌اند، فراهم کرده است. بررسی چگونگی تأثیر حرکت جمعیت بین شهری و عوامل شهری بر توزیع مکانی و زمانی بیماری های عفونی با استفاده از داده های سفرهای بین شهری امکان پذیر است. این مطالعه از داده‌های جابجایی بین شهری عظیم از داده‌های خدمات مبتنی بر مکان بایدو برای بررسی تأثیر خروج جمعیت بر گسترش یک بیماری همه‌گیر در چین استفاده کرد. چارچوب داده-تحلیلی ما قابل تعمیم به مجموعه داده های دیگر است که جریان جمعیت بین شهری را ثبت می کند.
پیامدها در چین تا حدی برای سایر کشورها قابل اجرا است و سیاستگذاران در هر کشوری ممکن است اقدامات کنترلی لازم را از قبل ارائه کنند. مناطق کلان شهر ممکن است در طول رویدادهای اپیدمی با خطرات بیشتری نسبت به سایر مناطق مواجه شوند، زیرا جریان های زیاد و مکرر بین شهرهای مناطق کلان شهر وجود دارد. چنین مناطقی ممکن است جریان‌های جمعیتی را در میان شهرها با استفاده از داده‌های بزرگ سفرهای بین‌شهری به شیوه‌ای مشترک برای مهار بیماری‌های عفونی مدیریت کنند [ 41 ].

منابع

  1. بله، ال. Hu, L. توزیع فضایی و زمانی و روند COVID-19 در منطقه دلتای رودخانه یانگ تسه جمهوری خلق چین. ژئوسپات. Health 2020 , 15 , 1. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. دالزیل، BD; کیسلر، اس. گوگ، جی آر. ویبود، سی. بیورنستاد، ON; متکالف، سی. گرنفل، BT شهرنشینی و رطوبت، شدت اپیدمی آنفولانزا را در شهرهای ایالات متحده شکل می دهد. Science 2018 ، 362 ، 75-79. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. لای، اس. Ruktanonchai، NW; ژو، ال. پروسپر، او. Tatem، AJ اثر مداخلات غیردارویی برای مهار COVID-19 در چین. طبیعت 2020 ، 1-7. [ Google Scholar ] [ CrossRef ]
  4. تیان، اچ. لیو، ی. لی، ی. وو، سی. چن، بی. کریمر، MUG; لی، بی. کای، جی. خو، بی. یانگ، کیو. و همکاران بررسی اقدامات کنترل انتقال طی 50 روز اول اپیدمی COVID-19 در چین. Science 2020 ، 368 ، 638-642. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  5. سیمیائو، سی. جونتائو، ی. ویژونگ، ی. چن، دبلیو. تا، B. کنترل COVID-19 در چین در طول جابجایی های جمعیتی در سال نو. لانست لوند. انگلیسی 2020 ، 395 ، 764-766. [ Google Scholar ]
  6. چیناتزی، م. دیویس، جی تی; اژلی، م. جیوانینی، سی. لیتوینووا، م. مرلر، اس. پیونتی، APY؛ مو، ک. روسی، ال. سان، ک. و همکاران تاثیر محدودیت‌های سفر بر شیوع ویروس کرونای جدید (COVID-19) در سال 2019. Science 2020 , 368 , 395-400. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. لی، آر. پی، اس. چن، بی. آهنگ، ی. ژانگ، تی. یانگ، دبلیو. Shaman, J. عفونت غیرقانونی قابل توجهی انتشار سریع کروناویروس جدید (SARS-CoV2) را تسهیل می کند. Science 2020 ، 368 ، 489-493. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. کریمر، MUG; یانگ، سی. گوتیرز، بی. وو، سی. کلاین، بی. پیگوت، دی.م. Plessis، LD; فاریا، NR; لی، آر. Hanage، WP; و همکاران تأثیر تحرک انسان و اقدامات کنترلی بر اپیدمی COVID-19 در چین. Science 2020 , 368 , 493-497. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. فن، سی. لیو، ال. گوو، دبلیو. یانگ، آ. بله، سی. جیلیلی، م. رن، م. خو، پی. لانگ، اچ. وانگ، ی. پیش‌بینی گسترش اپیدمی ویروس کرونای جدید 2019 ناشی از حمل‌ونقل جشنواره بهار در چین: یک مطالعه مبتنی بر جمعیت. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 1679. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. چن، ز. ژانگ، Q. لو، ی. گوا، ز. ژانگ، X. توزیع اپیدمی کووید-19 و ارتباط با مهاجرت جمعیت از ووهان، چین. چانه. پزشکی J. 2020 , 133 . [ Google Scholar ] [ CrossRef ]
  11. بالکان، دی. کولیزا، وی. گونکالوز، بی. متعجب.؛ راماسکو، جی جی. Vespignani، A. شبکه های تحرک چند مقیاسی و گسترش فضایی بیماری های عفونی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2009 ، 106 ، 21484–21489. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  12. ولز، CR; ساح، پ. مقدس، SM; پاندی، ا. شوکت، ع. وانگ، ی. وانگ، ز. Meyers، LA; سینگر، BH; گالوانی، AP تأثیر سفرهای بین‌المللی و اقدامات کنترل مرزی بر گسترش جهانی شیوع کروناویروس جدید 2019. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 7504–7509. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. ژو، ی. خو، آر. هو، دی. یو، ی. لی، کیو. Xia, J. اثرات محدودیت های حرکتی انسان بر گسترش COVID-19 در شنژن، چین: یک مطالعه مدل سازی با استفاده از داده های تلفن همراه. Lancet Digit. Health 2020 , 2 , 417-424. [ Google Scholar ] [ CrossRef ]
  14. ماسارو، ای. کندور، دی. Ratti, C. ارزیابی تأثیر متقابل بین تحرک انسان و بیماری های منتقله از پشه در محیط های شهری. علمی Rep. 2019 , 9 , 16911. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. مو، سی. تان، دی. مای، تی. بی، سی. کوین، جی. پانگ، دبلیو. Zhang، Z. تجزیه و تحلیل الگوی فضایی-زمانی برای COIVD-19 در چین بر اساس مکعب فضا-زمان. جی. مد. ویرول. 2020 ، 92 ، 1587-1595. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  16. یانگ، دبلیو. دنگ، م. لی، سی. Huang, J. الگوهای فضایی-زمانی اپیدمی 2019-nCoV در سطح شهرستان در استان هوبی، چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 2563. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  17. دالزیل، BD; پوربهلول، بی. النر، SP الگوهای تحرک انسانی پویایی اپیدمی واگرا را در میان شهرها پیش بینی می کند. Proc. Biol. علمی 2013 ، 280 ، 20130763. [ Google Scholar ] [ CrossRef ]
  18. جیا، جی اس. لو، ایکس. یوان، ی. خو، جی. جیا، جی. کریستاکیس، NA جریان جمعیت موجب توزیع مکانی-زمانی COVID-19 در چین می شود. طبیعت 2020 ، 582 ، 389–394. [ Google Scholar ] [ CrossRef ]
  19. انگلفریت، ال. کومن، ای. تأثیر شکل شهری بر رفت و آمد در شهرهای بزرگ چین. حمل و نقل 2018 ، 45 ، 1269–1295. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. حمیدی، س. صبوری، س. یوینگ، آر. آیا تراکم همه‌گیری COVID-19 را تشدید می‌کند؟ مربا. طرح. دانشیار 2020 ، 1-15. [ Google Scholar ] [ CrossRef ]
  21. گلیزر، ای. شهرها، بهره وری و کیفیت زندگی. Science 2011 ، 333 ، 592-594. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. گارسکه، تی. یو، اچ. پنگ، ز. بله، م. ژو، اچ. چنگ، ایکس. وو، جی. فرگوسن، N. الگوهای سفر در چین. PLoS ONE 2011 ، 6 ، e16364. [ Google Scholar ] [ CrossRef ]
  23. Gaughan، AE; استیونز، FR; هوانگ، ز. نیوز، جی جی. سوریچتا، ا. لای، اس. بله، X. لینارد، سی. هورنبی، جنرال موتورز؛ هی، SI; و همکاران الگوهای فضایی و زمانی جمعیت در سرزمین اصلی چین، 1990 تا 2010. طبیعت 2016 ، 3 ، 160005. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  24. لیو، تی. چی، ی. کائو، جی. لیو، اچ. الگوهای فضایی، نیروهای محرک و اثرات شهرنشینی مهاجرت داخلی چین: تجزیه و تحلیل در سطح شهرستان بر اساس سرشماری های 2000 و 2010. جی. جئوگر. علمی 2015 ، 25 ، 236-256. [ Google Scholar ] [ CrossRef ]
  25. مو، ایکس. بله، الف. ترسیم منطقه ای چین بر اساس جریان های رفت و آمد. محیط زیست طرح. A 2020 , 52 , 478-482. [ Google Scholar ] [ CrossRef ]
  26. یانگ، سی. کلارک، ک. شکر، س. تائو، سی. تجزیه و تحلیل داده های مکانی-زمانی بزرگ: مرز تحقیق و نوآوری. بین المللی جی. جئوگر. Inf. 2020 ، 34 ، 1075-1088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. ژو، ایکس. بله، A. لی، دبلیو. Yue, Y. تجزیه و تحلیل طیف رفت و آمد از تعادل شغل-مسکن و خود مهاری اشتغال با داده های بزرگ مکان تلفن همراه. محیط زیست طرح. ب مقعد شهری. علوم شهر 2018 ، 45 ، 434-451. [ Google Scholar ] [ CrossRef ]
  28. کوان، نماینده مجلس؛ Neutens، T. پژوهش فضا-زمان در GIScience. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 851-854. [ Google Scholar ] [ CrossRef ]
  29. Menach, AL; تاتم، ای جی. کوهن، جی.ام. هی، SI; راندل، اچ. پاتیل، AP; اسمیت، DL خطر سفر، واردات مالاریا و انتقال مالاریا در زنگبار. علمی Rep. 2011 , 1 , 93. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. باکی، سی. بالساری، س. چان، جی. کراساس، ام. دومینیسی، اف. گاسر، یو. گراد، ی. گرنفل، بی. هالوران، م. کریمر، ام. و همکاران داده‌های تحرک انباشته می‌تواند به مبارزه با COVID-19 کمک کند. Science 2020 , 368 , eabb8021. [ Google Scholar ]
  31. لیو، ی. سویی، ز. کانگ، سی. گائو، ی. کشف الگوهای سفر بین شهری و تعامل فضایی از داده های ورود به شبکه های اجتماعی. PLoS ONE 2014 ، 9 ، e86026. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. یانگ، ایکس. نیش، ز. خو، ی. شاو، اس. ژائو، ز. یین، ال. ژانگ، تی. Lin, Y. درک الگوهای مکانی و زمانی همگرایی و واگرایی انسانی با استفاده از داده های مکان تلفن همراه. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 1. [ Google Scholar ] [ CrossRef ]
  33. مو، ایکس. بله، A. Zhang، X. تأثیر متقابل گسترش فضایی COVID-19 و تحرک انسان در سیستم شهری چین در طول سال نو چینی. محیط زیست طرح. ب مقعد شهری. علوم شهر 2020 . [ Google Scholar ] [ CrossRef ]
  34. یانگ، سی. شا، دی. لیو، کیو. لی، ی. لان، اچ. گوان، دبلیو. هو، تی. لی، ز. ژانگ، ز. تامپسون، جی. و همکاران گرفتن نبض COVID-19: دیدگاه فضایی و زمانی. بین المللی جی دیجیت. زمین 2020 . [ Google Scholar ] [ CrossRef ]
  35. لاور، اس. گرانتز، ک. بی، س. جونز، اف. ژنگ، کیو. مردیث، اچ. آزمون، ع. رایش، ن. لسلر، جی. دوره نهفتگی بیماری کروناویروس 2019 (COVID-19) از موارد تایید شده عمومی گزارش شده: تخمین و کاربرد. ان کارآموز پزشکی 2020 ، 172 ، 577-582. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. سالنامه آماری چین 2019. در دسترس آنلاین: https://www.stats.gov.cn/tjsj/ndsj/2019/indexeh.htm (در 5 ژوئیه 2020 قابل دسترسی است).
  37. وارتنبرگ، دی. همبستگی فضایی چند متغیره: روشی برای تحلیل جغرافیایی اکتشافی. Geogr. مقعدی 1985 ، 17 ، 263-283. [ Google Scholar ] [ CrossRef ]
  38. آنسلین، ال. سیبری، آی. اسمیرنوف، او. تجسم همبستگی فضایی چند متغیره با ویندوزهای دارای پیوند پویا. در ابزارهای جدید برای تجزیه و تحلیل داده های مکانی: مجموعه مقالات جلسه تخصصی ; Anselin, L., Rey, S., Eds. مرکز علوم اجتماعی یکپارچه فضایی (CSISS): سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  39. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  40. بله، A. چن، زی. از شهرها تا مناطق فوق‌شهری در چین در موج جدیدی از شهرنشینی و گذار اقتصادی: مسائل و چالش‌ها. مطالعه شهری. 2019 ، 57 ، 636-654. [ Google Scholar ] [ CrossRef ]
  41. بای، ایکس. ناژندرا، اچ. کشتی.؛ Liu, H. Cities: شبکه‌هایی بسازید و برنامه‌هایی را برای بیرون آمدن قوی‌تر از COVID-19 به اشتراک بگذارید. طبیعت 2020 ، 584 ، 517–520. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00615 g001 550
شکل 1. منطقه مطالعه.
Ijgi 09 00615 g002 550
شکل 2. توزیع فضایی خروج جمعیت از ووهان و تجمعی موارد تایید شده COVID-19.
Ijgi 09 00615 g003 550
شکل 3. نسبت خطر انتقال کروناویروس جدید 2019 (COVID-19) برای هر شهر (توسط جنکس طبیعی).
Ijgi 09 00615 g004 550
شکل 4. همبستگی بین خروج جمعیت از ووهان و موارد تایید شده انباشته COVID-19.
Ijgi 09 00615 g005 550
شکل 5. خود همبستگی فضایی محلی دو متغیره با خروج جمعیت از ووهان و تجمعی موارد تایید شده COVID-19.
Ijgi 09 00615 g006 550
شکل 6. همبستگی بین متغیرهای اجتماعی-اقتصادی و موارد تایید شده تجمعی بر اساس ضرایب پیرسون.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید