COVID-19 خود را با تأثیر شدیدی بر منابع مراکز اپی خود نشان داده است. در اوگاندا، به خصوص در مرکز شهری اصلی، منطقه شهری کامپالا بزرگ (GKMA) عدم اطمینان وجود دارد. در نتیجه، متخصصان بهداشت عمومی به دنبال استراتژی‌های منبع محور و برنامه‌ریزی برای مهار شیوع هستند. بنابراین، این مقاله مدل‌سازی فضایی را برای کمک به درک تنوع فضایی آسیب‌پذیری COVID-19 در GKMA با استفاده از ویژگی‌های اجتماعی-اقتصادی منطقه به کار می‌گیرد. بر اساس نظر کارشناسان در مورد کروناویروس جدید رایج، شاخص‌های مبتنی بر مکانی برای ارزیابی آسیب‌پذیری تولید شدند. از طریق یک نظرسنجی آنلاین و مجموعه داده‌های کمکی، این شاخص‌ها بر اساس چارچوب آسیب‌پذیری BBC تغییر، طبقه‌بندی و وزن‌دهی شدند. اینها به صورت مکانی برای ارزیابی شاخص های آسیب پذیری مدل سازی شدند. شاخص‌های پیوسته حاصل جمع‌آوری، صریحاً منطقه‌بندی، طبقه‌بندی و بر اساس محله‌ها رتبه‌بندی شدند. ماهیت فضایی حاصل از آسیب‌پذیری نسبت به COVID-19 در GKMA از مناطق اصلی شهری گسترش می‌یابد، در اطراف شهری منتشر می‌شود و در مناطق کم‌جمعیت نازک می‌شود. سطوح بالای آسیب‌پذیری (24.5٪ محله‌ها) در شهرهای اصلی که مراکز خرید، دفاتر معاملاتی و مراکز حمل‌ونقل زیادی وجود دارند، متمرکز است. تقریباً نیمی از کل محله‌ها در GKMA (47.3%) نسبتاً آسیب‌پذیر بودند، این بخش‌ها عمدتاً بخش‌های حومه شهرهای بزرگ را تشکیل می‌دادند در حالی که 28.2 درصد آسیب‌پذیری پایینی داشتند. رویکرد فضایی ارائه شده در این مقاله به ارائه یک ارزیابی سریع از آسیب‌پذیری اجتماعی-اقتصادی بر اساس واحدهای تصمیم‌گیری اداری-بخش‌ها کمک می‌کند. این امر اساساً حوزه سلامت عمومی را با تشخیص صحیح تجهیز می کند تا جوامع بسیار در معرض و آسیب پذیر را در معرض سیاست های نظارتی قرار دهد، انگیزه های انعطاف پذیری را در مناطق کم سازگار افزایش دهد و به طور بهینه منابع را برای جلوگیری از رهاسازی مناطق با حساسیت بالا در کانون کووید-19 مستقر کند.
کلید واژه ها
COVID-19 ، آسیب پذیری اجتماعی-اقتصادی ، مدل سازی فضایی ، منطقه شهری کامپالا بزرگ
1. مقدمه
شیوع کروناویروس جدید (SARS-CoV-2) در چین در دسامبر 2019 به عنوان یک پاتوژن منتقل شده از راه تنفسی منجر به بیماری همه گیر کووید-19 [ 1 ]، توجه جهانی را دوباره بر سرکوب گسترش منطقه ای، ملی و محلی متمرکز کرده است. بیماری که ذاتی تعامل اجتماعی است. در آفریقا، اکثر کشورها به طرز غم انگیزی برای تأثیرگذاری آماده نیستند [ 2 ]. آنها گرفتار ضعیف هستند. سیستم های بهداشتی، ماهیچه های مالی، نظارت و ظرفیت آزمایشگاهی [ 3 ]. در جوامع شهری آفریقا، بسیاری از مردم در محله های نزدیک با هم زندگی می کنند. این امر فاصله گذاری اجتماعی، یک استراتژی پیشگیری حیاتی در مبارزه با کووید-19 را برای اجرای [ 2 ] برای جمعیت آسیب پذیر شهری مشکل ساز می کند.
اوگاندا اولین مورد COVID-19 خود را در 21 مارس 2020 ثبت کرد. با این حال، تا 18 مارس 2020، رئیس جمهور 25 دستورالعمل مربوط به قرنطینه را صادر کرده بود [ 4 ]. این امر در جهت تحریک سطح انتقال برای وقفه در رشد اپیدمی در جامعه بسیار اجتماعی اوگاندا بود. مانند بسیاری از کشورها، مسیر اصلی کاهش همه‌گیری و اوج تقاضا برای مراقبت‌های بهداشتی کاهش از طریق فاصله‌گذاری اجتماعی و جداسازی موارد مشکوک و خانواده‌هایشان است. با این حال، وزارت بهداشت (MoH) در اوگاندا به سرعت خاطرنشان کرد که این کار در مکان‌هایی با تعداد زیادی از جوانان (75٪ از جمعیت)، مناطق شهری پرجمعیت و مراکز تجاری کار نمی‌کند [ 4 ]]. این برای منطقه شهری بزرگ کامپالا (GKMA) معمول است. این منطقه به عنوان پرجمعیت ترین منطقه در اوگاندا با بیش از هفت میلیون نفر در سال 2020 بر اساس جمعیت روزانه ثبت شده است [ 5 ]. با این حال، آسیب‌پذیری اجتماعی-اقتصادی در برابر COVID-19 در این زمینه را می‌توان ارزیابی کرد و به واحدهای اداری کوچکتر (بخش‌ها) تقسیم کرد تا سیاست‌ها را با اطلاعات به موقع برای اعمال اقدامات مناسب کاهش COVID-19 القا کند. بنابراین، این مقاله به این موضوع می‌پردازد و به درک تنوع فضایی آسیب‌پذیری COVID-19 در GKMA با استفاده از ویژگی‌های اجتماعی-اقتصادی منطقه کمک می‌کند.
در چارچوب سیاست همه‌گیری COVID-19، مقامات بهداشت عمومی مجبور شده‌اند بر اساس شواهد کمیاب تصمیم بگیرند [ 6 ]. از سوی دیگر، آسیب پذیری یک مفهوم شناخته شده در کاهش ریسک است [ 7 ]. این به عنوان انگیزه ای برای سیاست های متناسب با کاهش حساسیت ها و تقویت تاب آوری بیماری های منتقله از طریق ناقل (VBDs) مستقل از شیوع استفاده شده است [ 8 ] [ 9 ] [ 10 ]. اگرچه در VBD ها رایج است، ارزیابی آسیب پذیری اجتماعی اخیراً در مدیریت بیماری های عفونی گسترش یافته است [ 11 ] [ 12 ]]. آسیب‌پذیری به خودی خود پدیده‌ای پیچیده است و تخمین ارزش آن در یک فضای معین یک مشکل بسیار ابعادی است که تحت تأثیر طیف متنوعی از محرک‌های انسان‌شناختی، زیست‌محیطی، اجتماعی-اقتصادی و سیاسی [ 13 ] [ 14 ] به‌علاوه یک جایگاه بیشتر در زمینه و کاربرد. استراتژی بین المللی برای کاهش بلایا (ISDR) [ 15] آسیب پذیری را اینگونه توصیف می کند: «شرایط تعیین شده توسط عوامل یا فرآیندهای فیزیکی، اجتماعی، اقتصادی و محیطی، که حساسیت جامعه را نسبت به تأثیر مخاطرات افزایش می دهد». در مقابل، برنامه توسعه ملی متحد (UNDP) آسیب‌پذیری را به عنوان «شرایط یا فرآیند انسانی ناشی از عوامل فیزیکی، اجتماعی، اقتصادی و محیطی تعریف می‌کند که احتمال و مقیاس آسیب ناشی از تأثیر یک خطر معین را تعیین می‌کند». [ 16]. با توجه به زمینه اجتماعی Covid-19، این مطالعه به تعریف ISDR تمایل دارد. بنابراین، مفهوم آسیب‌پذیری در اینجا به شرایطی اشاره دارد که توسط عوامل یا فرآیندهای فیزیکی، جمعیتی، اقتصادی، اجتماعی و محیطی تعیین می‌شود، که حساسیت جوامع در GKMA را نسبت به تأثیر COVID-19 در هر بزرگی افزایش می‌دهد و بر روی مقیاس از 0 (تقریباً بدون آسیب) تا 1 (کل آسیب).
بنابراین، هدف مهم این مقاله، انجام یک ارزیابی فضایی سریع اداری و صریح از سطوح نسبی آسیب‌پذیری اجتماعی-اقتصادی بین محله‌های مختلف در GKMA، مستقل از شیوع COVID-19 است. در اصل، این استعداد جمعیت در GKMA را برای تحت تأثیر قرار گرفتن نامطلوب از همه‌گیری مدل می‌کند. بر اساس چارچوب جامع آسیب‌پذیری و ماهیت جدید COVID-19، ما از رویکردهای مبتنی بر متخصص برای تجزیه و تحلیل و تجمیع شاخص‌های اجتماعی-اقتصادی و جمعیت شناختی استفاده می‌کنیم.
1.1. مفهوم سازی آسیب پذیری
معیارهای زیادی وجود دارد که آسیب‌پذیری را ارزیابی می‌کند [ 17 ]، این ارزیابی آسیب‌پذیری چارچوب بی‌بی‌سی [ 18 ] را اتخاذ می‌کند. این چارچوب تعامل جمعیت‌شناختی، قرار گرفتن در معرض اقتصادی و سیاسی در پیکربندی آسیب‌پذیری [ 19 ] را در نظر می‌گیرد که در شیوع COVID-19 بسیار مهم هستند. این چارچوب امکان مفهوم سازی ماهیت چند بعدی و پیچیده آسیب پذیری را در مقیاس های فضایی مختلف فراهم می کند. در اینجا، آسیب پذیری به سه عامل مشخص می شود. قرار گرفتن در معرض، حساسیت و ظرفیت کپی/تطبیقی همانطور که در شکل 1 نشان داده شده است. در مورد COVID-19 در GKMA؛ قرار گرفتن در اینجا به افراد، دارایی‌ها، سیستم‌ها یا سایر عناصر موجود در مناطق ضربه اطلاق می‌شود که در نتیجه در معرض خسارات احتمالی ناشی از ضربه قرار می‌گیرند، حساسیت در اینجا به عوامل ذاتی مستعد فیزیکی COVID-19 اشاره دارد، ظرفیت تطبیقی در اینجا به یک اشاره دارد. ترکیبی از نقاط قوت و
شکل 1 . چارچوب مفهومی [ 20 ].
منابع موجود در یک جامعه یا سازمان که می تواند اثر COVID-19 را کاهش دهد.
1.2. ارزیابی آسیب پذیری در حوزه سلامت
روش های آماری و احتمالاتی برای ارزیابی آسیب پذیری در حوزه سلامت استفاده شده است [ 21 ] [ 22 ]. در این روش‌ها، مدل‌های دو متغیره مانند نسبت فرکانس، تجزیه و تحلیل مؤلفه‌های اصلی بر روی داده‌های آرشیو شده برای استخراج وزن‌هایی اعمال می‌شوند که بعداً برای ترکیب داده‌های پراکسی برای به دست آوردن آسیب‌پذیری استفاده می‌شوند. همچنین، مدل‌های چند متغیره را می‌توان برای مطالعه روابط مکانی-زمانی و روند بین هر مجموعه داده پراکسی و آسیب‌پذیری استفاده کرد. از اینها، خانواده ای از روش ها و رویکردها [ 23] بسته به زمینه و منبع داده وجود دارد. این تحقیق بر اساس شاخص اتخاذ شد. این روش شناسی دانش علمی، نظرات کارشناسان محلی، داده های تاریخی و زیرساخت های داده های مکانی ملی را ادغام می کند. علاوه بر این، روش برای بهبود مدل فراهم می‌کند زیرا امکان افزودن انعطاف‌پذیر مجموعه داده‌های شاخص جدید را فراهم می‌کند.
2. روش ها
2.1. منطقه مطالعه
منطقه شهری کامپالا بزرگ (GKMA) که در شکل 2 نشان داده شده است شامل پایتخت کامپالا و بخشی از ناحیه همسایه Wakiso، ناحیه Mukono، ناحیه Mpigi، منطقه Buikwe، و منطقه Luweero است. این پرجمعیت ترین خشکی شهری در اوگاندا با جمعیتی به سرعت در حال رشد است که توسط اداره آمار اوگاندا (UBOS) در سال 2020 حدود 7 میلیون نفر (جمعیت روزانه) در مساحت 8451.9 کیلومتر مربع برآورد شده است . مراکز شهری بزرگ در منطقه بزرگ کامپالا شامل شهر کامپالا، انتبه، موکونو، شهر واکیسو، کیرا، و شهرداری نانسانا می باشد.
شکل 2 . منطقه شهری کامپالا بزرگ (GKMA).
2.2. مدل سازی گردش کار
برای در نظر گرفتن ماهیت چند وجهی آسیب‌پذیری، این مطالعه طرح تحقیقاتی ترکیبی [ 24 ] را برای پاسخ به سؤالات پژوهشی در مورد اینکه کدام مناطق در منطقه شهری بیشتر، در معرض، مستعد، سازگار، و آسیب‌پذیرتر به همه‌گیری COVID-19 هستند، اتخاذ کرد. گردش کار مطالعه ( شکل 3 ) از OECD پیروی می کند [ 25] دستورالعمل ها اجزای اصلی گردش کار عبارتند از: 1) تعریف چارچوب آسیب پذیری. 2) تعیین ماتریسی از شاخص‌های طبقه‌بندی‌شده به پیچیدگی‌های قرار گرفتن در معرض، ظرفیت سازگاری و حساسیت به COVID-19 بر اساس بررسی ادبیات و مشاوره کارشناسان ذینفع؛ 3) جمع‌آوری داده‌ها (داده‌های اولیه و ثانویه)، جمع‌آوری داده‌های اولیه شامل اجرای یک نظرسنجی آنلاین در منطقه برای تعیین شرایط پزشکی از قبل موجود و سطوح درآمد، روش‌های داده‌های ثانویه شامل استخراج مجموعه داده‌های تاریخی است. 4) تجزیه و تحلیل داده ها و تحولات فضایی. 5) عادی سازی؛ 6) وزن دادن؛ 7) تجزیه و تحلیل تصمیم گیری چند معیاره (MCDA) در حوزه های مختلف آسیب پذیری. 8) تجمع برای شاخص آسیب پذیری. 9) مقیاس پذیری به واحد اداری (بخش)؛ 10) تجسم
2.3. مولفه های
با توجه به اینکه روش اتخاذ شده مبتنی بر شاخص بود، مشاوره با ذینفعان متخصص برای شناسایی شاخص های مورد نیاز انجام شد. کارشناسان عمدتاً از حوزه‌های بهداشت عمومی، علوم اجتماعی و علم اطلاعات جغرافیایی استخراج شدند. 12 شاخص برای تعیین آسیب‌پذیری COVID-19 (5 قرار گرفتن در معرض، 5 ظرفیت تطبیقی و 2 حساسیت) انتخاب شدند. این ها بودند
شکل 3 . طراحی مطالعه و گردش کار.
بسته به داده‌های موجود، تفاوت در بازنمایی، تأثیر و اهمیت تجزیه و تحلیل، و ارتباط مکانی و زمانی با پویایی تأثیر COVID-19 انتخاب شده است.
2.4. جمع آوری داده ها
داده ها در دو خوشه داده های ثانویه و داده های اولیه جمع آوری شد. داده های ثانویه عمدتاً از طریق داده کاوی مجموعه داده های موجود بوده است. داده های اولیه روی دست عمدتاً از طریق یک نظرسنجی اجتماعی-اقتصادی، با جمعیت تخمینی نزدیک به 5 میلیون نفر در شب و 7 میلیون نفر در روز، تولید شد، یک نمونه نماینده با استفاده از روش کرجسی و مورگان [ 26 ] محاسبه شد.
حجم نمونه (n) طبق فرمول محاسبه می شود:
n = [ z 2 ∗ پ ∗ ( 1 – پ ) / ه 2 ] / [ 1 + ( z 2 ∗ پ ∗ ( 1 – پ ) / ( ه 2 ∗ ن ) ) ](1)
جایی که: z = 1.96 برای سطح اطمینان (α) 95٪، p = نسبت (بیان شده به صورت اعشاری)، N = اندازه جمعیت، e = حاشیه خطا.
با این حال، علاوه بر نمونه‌گیری آماری، توزیع فضایی در سراسر منطقه مورد مطالعه نیز از طریق اجرای مجدد نظرسنجی در مناطق با پاسخ‌دهی کم در نظر گرفته شد.
2.5. تبدیل داده ها
برای شروع تجزیه و تحلیل، داده ها به سطوح تبدیل می شوند، اینها باید ویژگی های مشابهی مانند تبدیل مختصات، وسعت فضایی، اندازه پیکسل داشته باشند. این با قرار دادن داده ها در معرض طرح مجدد، نمونه گیری مجدد، درون یابی و تجمیع به دست آمد.
2.6. عادی سازی داده ها
از آنجایی که شاخص‌های مورد استفاده در این ارزیابی اندازه‌گیری‌های متفاوتی دارند، نرمال‌سازی انجام می‌شود تا قبل از تجمیع قابل مقایسه باشند. چندین تکنیک عادی سازی وجود دارد [ 27 ]، با این حال، این ارزیابی روش حداکثر-min را به دلیل توانایی آن در حفظ روابط درون داده ها [ 28 ] و گسترش دامنه شاخص هایی که در یک بازه زمانی کوچک قرار دارند، اتخاذ کرد. شاخص ها در یک محدوده یکسان، 0 – 1 اختصاص داده می شوند.
در نرمال سازی حداقل حداکثر [ 24 ]، هر شاخص ایکس q ج تی برای یک کشور عمومی c و زمان t به تبدیل می شود.
من q ج تی = ایکس q ج تی – دقیقه ج ( ایکس q تی ) حداکثر ج ( ایکس q تی ) – دقیقه ج ( ایکس q تی )(2)
جایی که دقیقه ج ( ایکس q تی ) و حداکثر ج ( ایکس q تی ) حداقل و حداکثر مقدار هستند ایکس q ج تی در تمام کشورها c در زمان t. به این ترتیب، شاخص های نرمال شده است من q ج دارای مقادیری بین 0 (تاخر، ایکس q ج تی = دقیقه ج ( ایکس q تی ) ), 1 (رهبر، ایکس q ج تی = حداکثر ج ( ایکس q تی ) ).
2.7. تجزیه و تحلیل تصمیم گیری چند معیاره (MCDA) – وزن دهی و تجمیع
MCDA مجموعه ای از رویکردهای رسمی است که به دنبال در نظر گرفتن صریح عوامل کلیدی در کمک به افراد یا گروه ها برای کشف تصمیمات مهم است [ 29 ]. بر این اساس، این روش‌های MCDA را به‌عنوان قواعد تصمیم‌گیری که رابطه بین نقشه ورودی و خروجی را با استفاده از داده‌های جغرافیایی، دستکاری داده‌های ترجیحی تصمیم‌گیرنده، و ترجیحات بر اساس قوانین تصمیم را تعریف می‌کنند، توانمند می‌سازد [ 30 ]. سپس ترجیحات از نظر وزن یا اهمیتی که در طول ارزیابی به آنها اختصاص داده شده، در مدل تصمیم گنجانده می شوند. در طول دهه گذشته، چندین روش ارزیابی چند معیاره در محیط GIS معرفی شد [ 31 ]. این ارزیابی وزن گیری مبتنی بر خبره را اتخاذ کرد. این تکنیک شفاف، کوتاه و نسبتاً مستقیم است [24 ]، با این حال، این نیز بسیار ذهنی است. در این مورد، از آنجایی که ارزیابی به موازات تلاش‌های رایج کاهش شیوع COVID-19 انجام شد، به تصویب رسید.
تجمیع فرآیندی از ترکیب چندین مقدار در یک ارزش واحد است به طوری که نتیجه نهایی تجمیع به روش معینی همه مقادیر فردی را در نظر می گیرد [ 32 ]. روش های مختلفی وجود دارد که شاخص ها را می توان در MCDA [ 30 ] تجمیع کرد. از این میان، ترکیب خطی وزنی (WLC) و توابع پوشش بولی مانند تقاطع (AND) و اتحاد (OR) مستقیماً در نظر گرفته می شوند و بیشتر در محیط GIS به کار می روند [ 33 ]. این ارزیابی WLC را انتخاب کرد که نمرات معیارهای نرمال شده را در وزن های نسبی برای هر زیرشاخص ضرب می کند [ 34]. سپس نمره کل با ضرب وزن (w) اختصاص داده شده به هر زیرشاخص (x)، مقدار نرمال شده در معیارهای داده شده و سپس جمع کردن شاخص کلی محصولات (I) به دست می آید [ 30 ].
من = ∑ w من ایکس من(3)
آمار منطقه ای آن ها هستند که برای تولید مقادیر کل برای واحدهای اداری استفاده می شوند.
از چارچوب ما، آسیب‌پذیری (V) تابعی از شاخص قرار گرفتن در معرض (EI)، شاخص حساسیت (SI) و شاخص ظرفیت تطبیقی (ACI) است. V = f ( EI ، SI ، ACI ) . در مطالعه ای بر روی الگوریتم های تجمع آسیب پذیری [ 35 ]، معادله (4) منجر به توزیع یکنواخت تری در فواصل مختلف شد. بنابراین، این مطالعه همان مدل تجمیع را اتخاذ کرد.
V = EI + SI + ACI(4)
3. نتایج و بحث
3.1. شاخص های آسیب پذیری
ترکیبی از 12 شاخص برای ساخت کامپوزیت ها توسط تیم متخصص شناسایی و وزن دهی شد. این عمدتاً به در دسترس بودن، تأثیرگذاری و ارتباط داده ها بستگی داشت. جدول 1 یک نمای کلی از مجموعه نهایی شاخص ها، دامنه نماینده، وزن شاخص و دامنه، پروکسی داده ها و منبع داده ها را ارائه می دهد. در مجموع 6830 پاسخ دهنده از نظرسنجی آسیب پذیری به دست آمد.
3.2. کامپوزیت های آسیب پذیری
کامپوزیت‌های آسیب‌پذیری همانطور که در شکل‌های 4(a)-(c) نشان داده شده است، به ترتیب نشان‌دهنده ظرفیت تطبیقی، قرار گرفتن در معرض و حساسیت ایجاد شدند. در حالی که آسیب‌پذیری اغلب بر روی یک سطح پیوسته نشان داده می‌شود، این مطالعه بازنمایی آن را به طور صریح به تنوع مورد نظر بر اساس واحدهای اداری به نام محله تقسیم کرد. واحدهای اداری اوگاندا به ترتیب زیر تنظیم شده اند. مناطق، ولسوالی‌ها، شهرستان‌ها، بخش‌ها/بخش‌های فرعی، بخش‌ها/بخش‌ها و کوچکترین مراکز واحد مستقر و پشتیبانی می‌شوند که به آن مرکز بهداشتی II می‌گویند. اینها در دهکده های محله/سلول خدمت می کنند. در حوزه سلامت، کوچکترین سطح مدیریت رسمی سلامت. در نتیجه، تنوع آسیب‌پذیری در سطح محله ارزیابی شد. شکل 5تأثیر آماری کامپوزیت های مختلف بر روی محله ها را نشان می دهد. در اینجا، مقیاس تأثیر به 3 خوشه تقسیم می شود. بالا، متوسط و پایین.
3.3. ظرفیت تطبیقی
از شکل 4 (الف)، مرکز منطقه شهری کامپالا بزرگ (GKMA) که ناحیه تجاری مرکزی (CBD)، قسمت جنوبی دورتر است.
(الف)
(ب)
(ج)
شکل 4 . نمایش شاخص ظرفیت تطبیقی (a)، شاخص مواجهه (b) و شاخص حساسیت (c).
شکل 5 . جدول تعداد محله های آسیب دیده در مقیاس های مختلف را نشان می دهد.
که شهرداری Entebbe است که دارای فرودگاه است، و شرق دور که دارای شهرداری Mukono است، ظرفیت سازگاری بالایی دارد. از شکل 5، 21 محله که 12.9٪ از محله های دیگر در GKMA را تشکیل می دهند نیز از ظرفیت سازگاری بالایی برخوردار بودند. اینها عمدتاً در مناطق شهری هستند که در مجاورت امکانات پزشکی پیشرفته، بازارهای غذایی فوق العاده و بالاترین سطح درآمد هستند. 120 محله که 74 درصد از GKMA را نشان می‌دهند نسبتاً سازگار بودند. GKMA ردپای پایتخت است و از این رو مناطق حاشیه‌شهری که طبقه کارگر شهری را در خود جای داده است که می‌تواند هزینه تغذیه مناسب، حمل‌ونقل به بیمارستان‌ها و درآمد متوسط را برای حفظ آنها حتی در قرنطینه داشته باشد. مشاهده شد که 22 محله که 13.2 درصد از GKMA را تشکیل می دهند دارای ظرفیت تطبیقی پایینی هستند. این مشخصه بود؛ مناطق فقیر نشین مانند Katwe I، و Bbanda، و مناطقی با روستاهای نزدیک مانند Ssisa، همچنین، مناطقی که تحت سلطه باتلاق ها هستند، خانواده های پراکنده.
3.4. ارائه
از شکل 4 (ب) و شکل 5، مرکز GKMA، CBD دارای شاخص قرار گرفتن در معرض بالا است، این مورد در شهرداری های بزرگ مانند Mukono، Nansana و Entebbe نیز وجود دارد. این حساب برای 81 محله است که معادل 49.7٪ از کل محله به شدت در معرض. مناطقی مانند محله زندان لوزیرا که محل زندان اصلی است و Makerere III که دانشگاه اصلی و همچنین مناطق فقیر نشین را در خود جای داده است، از این دسته هستند. این مناطق دارای جمعیت نسبتاً بالایی به ویژه در روز، مراکز حمل و نقل متعدد، دفاتر معاملاتی و همچنین مراکز خرید و تجاری هستند. برای کنترل شیوع احتمالی بیماری در این محله‌ها، باید برای کنترل هجوم جمعیت روزانه محدودیتی در حمل و نقل عمومی اعمال شود. 62 محله که 38 درصد از محله های منطقه کلان شهر را نمایندگی می کنند، در معرض متوسط قرار دارند. آنها عمدتاً مناطق اطراف شهری هستند، به عنوان مثال، Nabweru، Katabi، Kikaya. مشاهده می شود که این مناطق بسیار مسکونی هستند، در حالی که دارای جمعیت بالایی هستند، حمل و نقل، تراکنش و تعامل خرید کنترل شده وجود دارد. 20 محله که 12.3٪ از محله‌های GKMA را نشان می‌دهند، در معرض کم قرار گرفتن یافت شدند. اینها عمدتاً در انتهای مناطق شهری هستند. این مناطق با جمعیت فضایی، مناطق خرید محدود و فقط نقاط حمل و نقل توقفی مشخص می شوند.
3.5. حساسیت
شکل 4 (ج) و شکل 5 46 محله را نشان می دهد که نشان دهنده 28.2٪ بسیار حساس بودند. مرکز GKMA بیشترین غلظت را داشت و بخش شرقی غالب بود. در اواخر قرن نوزدهم، کامپالا امروزی در این منطقه بر روی سه تپه بزرگ گسترده شد: منگو، پایتخت (کیبوگا) پادشاهی بوگاندا) و محل کاخ کاباکا (محل اقامت پادشاه بوگاندا)، روباگا، محل مأموریت کاتولیک، و نامیرمبه، خانه پروتستان ها [ 36]. این منطقه دارای بزرگترین سکونتگاه ها با حدود 77000 بومی باگاندا بود، در حالی که روباگا و نامیرمبه مبلغان اروپایی و گروه های آنها را در خود جای داده بودند. بنابراین، سکونتگاه‌ها در این مناطق از دیرباز وجود داشته‌اند. این پاسخ بالای جمعیت سالخورده در مناطق مربوطه را توضیح می دهد. 61 محله که 4/37 درصد از محله‌ها را تشکیل می‌دهند نسبتاً مستعد بودند، این در مناطقی مشاهده شد که اخیراً تحت تسلط مسکونی قرار گرفته‌اند، در اوایل دهه 2000 در مناطقی که در ناحیه واکیسو هستند اما ماهواره‌ای به کامپالا هستند، مشکلات شهری وجود داشت [ 37 ]]. در حال حاضر اعتقاد بر این است که این مناطق دارای جمعیت اصلی شهری بین 21 تا 45 نفر هستند، زیرا آنها بازار اصلی اجاره و مسکونی را دارند. 56 محله که 4/34 درصد از محله‌ها را تشکیل می‌دهند، حساسیت پایینی داشتند که عمدتاً با جوانان شهری و سکونتگاه‌های گروه سنی پویا مرتبط هستند. این نظرسنجی یک ارتباط قوی بین شرایط از قبل موجود با سن را مشاهده کرد.
3.6. آسیب پذیری
شکل 6، نشان دهنده ترکیبی از شاخص آسیب پذیری است، در این ترکیب 40 محله که 24.5 درصد از GKMA را تشکیل می دهند بسیار آسیب پذیر بودند. این مناطق عمدتاً در بخش مرکزی کامپالا مرکزی و روباگا مشاهده می‌شوند. شهرداری‌های بزرگ مانند Entebbe و Mukonoin در جنوب و شرق دور نیز به ترتیب شاخص آسیب‌پذیری بالایی را ارائه کردند. در حالی که ظرفیت تطبیقی در این مناطق خوب است، قرار گرفتن در معرض و حساسیت بالا است. این امر مستلزم مداخلات سیاسی است زیرا احتمال تأثیر COVID-19 در این زمینه بالا است. تعداد زیادی از محله ها، 77 محله که 47.3 درصد را تشکیل می دهند، نسبتاً آسیب پذیر بودند. اینها حومه شهرداری ها و شهرهای بزرگ هستند. ظرفیت تطبیقی در این مناطق تا حد زیادی متوسط است، اما سطوح مختلفی از قرار گرفتن در معرض و حساسیت وجود دارد. این مناطق باید مکانیسم‌های کنترل COVID-19 را در مورد تغییرات قرار گرفتن در معرض و حساسیت افزایش دهند. در مجموع 46 محله که 28.2 درصد را تشکیل می دهند آسیب پذیری پایینی داشتند. اینها در مناطقی هستند که در حومه مناطق حاشیه شهری بودند، آنها با جمعیت نسبتاً کم در مقایسه با مرکز شهر، فواصل طولانی تر تا بیمارستان ها، دفاتر معاملات محدود، خرید و … مشخص می شوند.
شکل 6 . شاخص آسیب پذیری منطقه بزرگ کامپالا.
مراکز حمل و نقل این مناطق ظرفیت انطباق پایینی دارند و باید منابعی برای افزایش تاب‌آوری به آنها اختصاص داده شود، خوشبختانه امکانات اجتماعی مسئول در معرض قرار گرفتن بالا در این مناطق کم است، با این حال ماهیت پراکنده حساسیت و سطح فردی نیاز به ایجاد حساسیت و محدودیت‌های مسافرتی دارد. به چنین مناطقی
3.7. تجسم
یک سری نقشه وب باز بر روی زیرساخت آنلاین ArcGIS توسعه داده شد تا نقشه برداری را از ایستا به پویا تبدیل کند. نقشه های پویا همانطور که در شکل 7 نشان داده شده است ، امکان بازجویی تعاملی از شاخص های آسیب پذیری را به جزئیات می دهد. یک ماتریس آسیب‌پذیری ایجاد شد که قرار گرفتن در معرض، حساسیت، ظرفیت تطبیقی، و آسیب‌پذیری را گروه‌بندی می‌کند، همانطور که در شکل 8 نشان داده شده است ، این دسترسی به داده‌ها و مقایسه تفسیر خارج از نقشه را تسریع می‌کند.
شکل 7 . پلت فرم شاخص های آسیب پذیری میزبانی شده.
شکل 8 . ماتریس آسیب پذیری
4. نتیجه گیری و پیشنهادات
چالش‌هایی که همه‌گیری COVID-19 بر سلامت عمومی تاکید می‌کند، حیاتی هستند و نوآوری محوری است. این مقاله یک رویکرد فضایی برای ارزیابی آسیب‌پذیری اجتماعی-اقتصادی در GKMA ارائه می‌کند. بر اساس نظر کارشناسان در مورد کروناویروس جدید COVID-19، شاخص‌های مبتنی بر فضایی برای ارزیابی آسیب‌پذیری ایجاد شد. از طریق یک نظرسنجی آنلاین و مجموعه داده های کمکی، این شاخص ها بر اساس چارچوب آسیب پذیری به دست آمد، تبدیل، طبقه بندی و وزن دهی شدند. اینها به صورت فضایی برای ارزیابی شاخص‌های مواجهه، حساسیت، ظرفیت سازگاری و آسیب‌پذیری مدل‌سازی شدند. شاخص‌های پیوسته حاصل جمع‌آوری، صریحاً منطقه‌بندی، طبقه‌بندی و بر اساس یک زنجیره بالا، متوسط و پایین بر اساس واحدهای اداری به نام محله رتبه‌بندی شدند. نتایج یک تغییر محله به محله در آسیب‌پذیری اجتماعی-اقتصادی ایجاد می‌کند که به سیاست‌ها با اطلاعات «کجا» پاداش می‌دهد تا منابع نظارتی را به شهرهای بزرگ بسیار آسیب‌پذیر و بسیار آسیب‌پذیر هدایت کند، سازگاری را در مناطق حاشیه‌شهری افزایش دهد، و جریان کاری فاصله‌گذاری اجتماعی را القا کند. در مناطق بسیار حساس این اساساً تضمین می‌کند که محلی‌ها برای به دست آوردن و حفظ انعطاف‌پذیری از طریق تصمیم‌گیری مبتنی بر شواهد توانمند هستند.
بدون دیدگاه