جستجو ...

بررسی رابطه بین محیط ساخته شده و خطر نسبی COVID-19 در هنگ کنگ

مقالات داخلی و بین المللی بررسی رابطه بین محیط ساخته شده و خطر نسبی COVID-19 در هنگ کنگ

خلاصه

درک رابطه بین محیط ساخته شده و خطر انتقال COVID-19 برای پاسخ به همه گیری ضروری است. این مطالعه رابطه بین محیط ساخته شده و خطر COVID-19 را با استفاده از داده های موارد تایید شده جمع آوری شده در هنگ کنگ بررسی می کند. با استفاده از اطلاعات ساختمان‌های مسکونی و مکان‌های بازدید شده برای هر مورد از مجموعه داده‌ها، خطر COVID-19 را ارزیابی می‌کنیم و الگوهای جغرافیایی آن‌ها را در سطح واحد برنامه‌ریزی سوم (TPU) بر اساس نرخ بروز (R1) و تراکم محل بررسی می‌کنیم. (R2). سپس ما ارتباط بین چندین متغیر محیط ساخته شده (به عنوان مثال، دسترسی گرهی و تراکم فضای سبز) و خطر COVID-19 را با استفاده از رگرسیون پواسون جهانی (GPR) و مدل‌های رگرسیون پواسون وزن‌دار جغرافیایی (GWPR) بررسی می‌کنیم. نتایج نشان می دهد که خطر COVID-19 در مناطق خاصی از هنگ کنگ متمرکز است. استفاده از نرخ بروز به عنوان شاخصی برای ارزیابی خطر COVID-19 ممکن است خطر انتقال COVID-19 را در برخی مناطق حومه شهر دست کم بگیرد. مدل‌های GPR و GWPR یک رابطه نزدیک و ناهمگون فضایی بین متغیرهای محیط ساخته‌شده انتخاب‌شده و خطر انتقال COVID-19 را نشان می‌دهند. این مطالعه بینش‌های مفیدی را ارائه می‌کند که از سیاست‌گذاران در واکنش به همه‌گیری COVID-19 و همه‌گیری‌های آینده حمایت می‌کند. مدل‌های GPR و GWPR یک رابطه نزدیک و ناهمگون فضایی بین متغیرهای محیط ساخته‌شده انتخاب‌شده و خطر انتقال COVID-19 را نشان می‌دهند. این مطالعه بینش‌های مفیدی را ارائه می‌کند که از سیاست‌گذاران در واکنش به همه‌گیری COVID-19 و همه‌گیری‌های آینده حمایت می‌کند. مدل‌های GPR و GWPR یک رابطه نزدیک و ناهمگون فضایی بین متغیرهای محیط ساخته‌شده انتخاب‌شده و خطر انتقال COVID-19 را نشان می‌دهند. این مطالعه بینش‌های مفیدی را ارائه می‌کند که از سیاست‌گذاران در واکنش به همه‌گیری COVID-19 و همه‌گیری‌های آینده حمایت می‌کند.

کلید واژه ها:

خطر ابتلا به COVID-19 ؛ محیط ساخته شده ؛ رگرسیون جهانی پواسون ; رگرسیون پواسون دارای وزن جغرافیایی

1. معرفی

سه کروناویروس در دو دهه گذشته ظهور کرده اند (یعنی SARS-CoV، MERS-CoV و SARS-CoV-2) [ 1 ]. از جمله، کروناویروس جدید (SARS-CoV-2) و همه‌گیری COVID-19 که ایجاد می‌کند، تهدیدی جدی برای سلامت جهانی به شمار می‌روند، زیرا تعداد موارد جدید COVID-19 و مرگ و میرها با نرخ هشداردهنده‌ای در برخی کشورها در حال افزایش است. . COVID-19 توسط سازمان بهداشت جهانی (WHO) در 11 مارس 2020 به عنوان یک بیماری همه گیر تعیین شد [ 2 ]. برای کاهش همه‌گیری و کنترل شیوع آن در جمعیت‌های انسانی، بیشتر دولت‌ها اقدامات مداخله‌ای شدید را اجرا کرده‌اند که شامل محدودیت‌های سفر، دستورات ماندن در خانه، تعطیلی مدارس و محدودیت‌های تجمعات عمومی است [3، 4 ، 5 ] .]. این استراتژی‌های کنترلی به دنبال کاهش شیوع COVID-19 با مجبور کردن یا تشویق افراد به تمرین فاصله‌گذاری اجتماعی و کاهش تعاملات اجتماعی پرخطر هستند.
اقداماتی مانند فاصله گذاری اجتماعی، محدودیت های سفر، و دستورات ماندن در خانه، مداخلات غیردارویی برای کنترل شیوع COVID-19 از طریق کاهش تماس نزدیک بین مردم و تغییر رفتارهای آنها هستند [6 ] . مطالعات متعددی مزایای مداخلات غیردارویی را برای کنترل همه گیری ها مشاهده کرده اند. این مطالعات نشان داد که تغییرات در رفتار فردی می تواند اثرات زیادی بر کاهش انتقال بیماری های عفونی داشته باشد [ 7 ، 8 ، 9 ، 10 ، 11]]. مزایای تغییرات رفتاری انسان از طریق فاصله گذاری اجتماعی آشکار به نظر می رسد. با این حال، رفتار انسان ممکن است به گونه‌ای تغییر کند که منجر به پیامدهای مخالف در طول یک بیماری همه‌گیر شود، زیرا رفتار انسان نیز توسط محیط ساخته شده شکل می‌گیرد [ 12 ، 13 ]. به عنوان مثال، مردم هنوز در طول یک بیماری همه گیر نیاز به دریافت مواد غذایی، داروها و خدمات ضروری دارند. علاوه بر این، برخی از افراد ممکن است همچنان بخواهند فعالیت‌های خاصی در فضای باز انجام دهند (مانند پیاده‌روی، پیک‌نیک، یا تعطیلات ساحلی) یا فعالیت‌های اجتماعی در مکان‌ها یا مکان‌های مختلف برای حفظ سلامت روانی خود در طول سفارش‌های طولانی مدت در خانه [14، 15 ] .]. از این رو، بررسی رابطه بین محیط ساخته شده و خطر انتقال COVID-19 به منظور کنترل موثر همه گیری بسیار مهم است. از یک سو، دانش جدید تولید شده می‌تواند با شناسایی استراتژی‌های هدفمندتر برای کاهش تماس پرخطر افراد با دیگران، توسعه و اثربخشی مداخلات غیردارویی را افزایش دهد. علاوه بر این، آگاه کردن مردم برای اجتناب از انجام فعالیت‌های پرخطر و بازدید از مکان‌های پرخطر به ایجاد تغییرات رفتاری برای کاهش شیوع بیماری‌های عفونی کمک می‌کند. از سوی دیگر، ویژگی‌های خاصی از محیط ساخته شده را می‌توان برای ترویج رفتارهای سالم و کاهش خطر ابتلا به COVID-19 در طول همه‌گیری، اصلاح کرد یا به صورت پویا مدیریت کرد.
بنابراین این مطالعه رابطه بین ویژگی های محیط ساخته شده و خطر انتقال COVID-19 در هنگ کنگ را بررسی می کند. به دنبال پاسخ به سؤالات زیر است: (1) الگوهای جغرافیایی کلیدی موارد COVID-19 در هنگ کنگ چیست؟ (2) چه ویژگی‌ها و مناطقی از محیط ساخته شده با خطر بالاتر انتقال COVID-19 در منطقه مورد مطالعه مرتبط است؟ برای پاسخ به این سؤالات، ابتدا خطر COVID-19 را با استفاده از دو شاخص مختلف که از داده‌های مربوط به موارد COVID-19 و مکان‌های موجود در صفحه وب وزارت بهداشت هنگ‌کنگ COVID-19 به دست آمده است، ارزیابی می‌کنیم. اولین شاخص نرخ بروز (R1: تراکم مورد) است که بر اساس تعداد موارد تایید شده به ازای هر 1000 نفر در هر یک از واحدهای برنامه ریزی سوم (TPU) در هنگ کنگ محاسبه می شود. مورد دوم تراکم محل برگزاری (R2) است. که بر اساس تعداد مکان ها یا ساختمان های بازدید شده توسط موارد تایید شده در هر TPU محاسبه می شود. سپس، توزیع فضایی و توزیع فرکانسی R1 و R2 مورد تجزیه و تحلیل قرار می‌گیرد. در نهایت، ما از رگرسیون جهانی پواسون (GPR) و رگرسیون پواسون وزن‌دار جغرافیایی (GWPR) برای بررسی رابطه بین ویژگی‌های خاص محیط ساخته شده و خطر COVID-19 استفاده می‌کنیم. نتایج نشان می‌دهد که خطر COVID-19 به طور چشمگیری در فضا از TPUهایی با بالاترین خطر کاهش می‌یابد، که نشان می‌دهد خطر انتقال COVID-19 در مناطق خاصی از هنگ کنگ متمرکز است. علاوه بر این، نرخ فروپاشی برای R1، همانطور که توسط توزیع فرکانسی نرخ بروز منعکس می‌شود، بیشتر از R2 است. این نشان می دهد که شاخص نرخ بروز ممکن است خطر COVID-19 را در برخی مناطق حومه شهر دست کم بگیرد. درصد انحراف تعدیل شده توضیح داده شده در مورد مدل GPR 0.44 برای R1 و 0.58 برای R2 است که نشان دهنده رابطه نزدیک بین متغیرهای محیط ساخته شده و خطر COVID-19 است. مدل‌های GWPR بهتر از مدل‌های رگرسیون GPR عمل می‌کنند، و نتایج نشان می‌دهد که روابط بین متغیرهای محیط ساخته‌شده انتخاب‌شده و خطر COVID-19 (یعنی R1 و R2) از نظر مکانی در سراسر منطقه مورد مطالعه متفاوت است.

2. محیط ساخته شده و گسترش بیماری های عفونی

در زمان نگارش این مقاله، کووید-19 به یک بیماری همه گیر جهانی تبدیل شده است که تهدیدی جدی برای سلامت عمومی در بسیاری از کشورها محسوب می شود و هنگ کنگ موج سوم گسترده ای از همه گیری را تجربه می کند. مطالعات گذشته نشان داده‌اند که ویژگی‌های محیط داخلی محلی و ویژگی‌های اجتماعی-اقتصادی افراد به طور قابل‌توجهی بر انتقال ویروس و نرخ بروز تأثیر می‌گذارد [ 16]]. از یک سو، محیط ساخته شده به شدت بر الگوهای فضا-زمان و شدت تعاملات اجتماعی افراد تأثیر می گذارد. مکان، تراکم و دسترسی ویژگی‌های مختلف محیط ساخته شده (مثلاً ایستگاه‌های مترو) ممکن است بر تراکم افراد در حال حرکت در فضاهای خاص تأثیر بگذارد و در نتیجه ممکن است تأثیر قابل‌توجهی بر انتقال بیماری داشته باشد (به عنوان مثال، تراکم‌های محیطی بالاتر تمایل به افزایش دارند. تعاملات مردم) [ 17]. انواع مختلف مسکن و میزان فضای سبز در یک منطقه (که فاصله گذاری اجتماعی و پرهیز از شلوغی را تسهیل می کند) نیز ممکن است عوامل مهمی باشند. انواع خاصی از مکان‌ها و مناطقی که رویدادهای فوق‌گسترش و شیوع خوشه‌ای تمایل به وقوع دارند (به عنوان مثال، میخانه‌ها، رستوران‌ها و مکان‌های کارائوکه) نیز از ویژگی‌های محیط ساخته شده پرخطر برای انتقال بیماری هستند.
دانش ما در مورد تأثیرات محیط های ساخته شده و اجتماعی بر گسترش بیماری های عفونی بسیار مسری مانند COVID-19 هنوز تا به امروز بسیار محدود است و برخی از یافته های ظاهرا مفید از مطالعات اخیر ممکن است غیر قابل اعتماد باشند. به عنوان مثال، حمیدی و همکاران در یک مطالعه اخیر بر روی 913 شهرستان کلان شهر در ایالات متحده. [ 18] نشان داد که اندازه کلان شهرها بر اساس میزان آلودگی و مرگ و میر ناشی از کووید-19 در ایالات متحده، مهمتر از تراکم در تأثیرگذاری بر گسترش همه گیری کووید-19 در ایالات متحده است. اما این یافته برخلاف نتایجی است که ما با استفاده از واحدهای منطقه ای بسیار کوچکتر در مورد همه گیر COVID-19 در هنگ کنگ به دست آوردیم. به نظر می رسد تراکم شهری عامل مهمی است که بر میزان بروز و خطر انتقال COVID-19 تأثیر می گذارد. یک موضوع روش شناختی مهم که در حمیدی و همکاران نادیده گرفته شده است. [ 18] این است که آیا موضوعات تراکم ممکن است به مقیاس فضایی واحدهای تحلیلی یا مناطق جغرافیایی (به عنوان مثال، شهرستان‌ها، مناطق سرشماری، یا گروه‌های بلوک سرشماری) مورد استفاده در تجزیه و تحلیل بستگی داشته باشد. این مسئله شناخته شده واحد منطقه ای قابل اصلاح (MAUP) است، به این معنی که یافته های تحقیق ممکن است به دلیل استفاده از مقیاس های فضایی مختلف یا طرح های منطقه ای مناطق جغرافیایی برای استخراج متغیرهای مبتنی بر منطقه (مانند تراکم شهری و آلودگی) متفاوت باشد. نرخ ها).
علاوه بر این، مطالعات نشان داده اند که کروناویروس می تواند برای مدت طولانی در سطوح مختلف محیطی خاص خارج از ارگانیسم میزبان خود زنده بماند [ 19 ]. به عنوان مثال، کازانووا و همکاران. [ 20 ] مشاهده کرد که ویروس کرونا می تواند برای چند روز تا هفته در آب و فاضلاب عفونی بماند. در سال 2003، یک شیوع خوشه‌ای SARS-CoV در یک ساختمان مسکونی بلندمرتبه در هنگ کنگ از طریق سیستم فاضلاب معیوب و آلوده ساختمان رخ داد [ 21 ]. وان و همکاران [ 22] گزارش داد که ویروس SARS-CoV-2 می تواند پس از 3 ساعت در آئروسل ها و پس از 72 ساعت روی سطوح پلاستیکی و فولادی ضد زنگ باقی بماند. سطوح مختلف محیطی که ویروس کرونا می‌تواند روی آنها زنده بماند، در مکان‌های مختلف (مانند میخانه‌ها و رستوران‌ها) در سراسر فضاهای شهری توزیع می‌شود و افراد آلوده ممکن است ویروس را روی سطوح خاصی (مانند دستگیره‌های در، دکمه‌های آسانسور و ظروف غذاخوری) رها کنند. در مکان هایی که بازدید کرده اند یا اقامت کرده اند (مانند رستوران ها یا هتل ها). از این رو، بسیاری از ویژگی های محیط ساخته شده که به افراد امکان می دهد فعالیت های روزانه خود را انجام دهند ممکن است به منابع بالقوه انتقال عفونت تبدیل شوند [ 23 ، 24 ].
بسیاری از مطالعات رابطه بین محیط ساخته شده، رفتار انسان و سلامت را بررسی کرده اند [ 25 ، 26 ، 27 ، 28 ]. به عنوان مثال، محققان مشاهده کرده اند که محله هایی با محیط های غذایی سالم و متنوع می توانند بروز چاقی را کاهش دهند [ 29 ، 30 ]. فضاهای سبز متراکم، ارتفاع کمتر ساختمان، و دید خوب از آسمان ممکن است افراد را تشویق به انجام فعالیت‌های بیشتر در فضای باز (مانند دویدن، پیاده‌روی، دوچرخه‌سواری، پیک‌نیک و پیاده‌روی) کند و ممکن است منجر به سلامتی بهتر شود [31 ، 32 ]]. ایمنی افراد ممکن است در نتیجه فعالیت‌های فیزیکی بیشتر و قرار گرفتن در معرض فضاهای سبز بهبود یابد، که به نوبه خود ممکن است استرس، چاقی و آسیب‌پذیری در برابر بیماری‌های عفونی را کاهش دهد [ 33 ، 34 ]. این یافته‌ها به مطالعات در مورد خطر COVID-19 مربوط می‌شوند، زیرا افراد با سلامت ضعیف‌تر آسیب‌پذیرتر هستند و راحت‌تر به آن مبتلا می‌شوند، که اغلب در الگوهای خاصی از بیماری‌های همراه ظاهر می‌شود (به عنوان مثال، افراد مبتلا به بیماری‌های مزمن مانند دیابت و فشار خون به مراتب بیشتر در معرض مرگ هستند. کووید 19). از سوی دیگر، مطالعات نشان داده است که مردم تمایل دارند برای کاهش استرس خود از مناطقی با دسترسی بالا و مناطق تجاری پر تراکم برای فعالیت های اجتماعی با دوستان خود (مثلاً نوشیدن در بارها، تماشای فیلم و غذا خوردن در رستوران ها) بازدید کنند [35] . ،36 ]. علاوه بر این، مناطقی با امکانات حمل‌ونقل با تراکم بالا و انواع کاربری‌های متنوع ممکن است مردم را تشویق به انجام فعالیت‌های سفر در فواصل کوتاه به دلیل راحتی فرصت‌های فعالیت کنند [ 37 ].
به طور کلی، این مطالعات نشان می‌دهد که توزیع فضایی ویژگی‌های محیط ساخته شده بر الگوهای جغرافیایی نه تنها تماس‌های انسانی و تعاملات اجتماعی، بلکه بر سلامت و ایمنی افراد نیز تأثیر می‌گذارد (با افزایش برخی فعالیت‌های ارتقای سلامت، که به نوبه خود ممکن است کووید افراد را تغییر دهد. -19 خطر). این نشان می دهد که خطر ابتلا به COVID-19 ممکن است با اصلاح رفتارهای پرخطر انسانی از طریق اصلاح الگوهای تعامل آنها (به عنوان مثال، سفارشات در خانه ماندن) و ویژگی های خاص محیط ساخته شده کاهش یابد [38 ] . به عنوان مثال، دسترسی گره‌ای یک منطقه، که نشان‌دهنده ارتباط خوب منطقه با سایر مناطق از طریق شبکه حمل‌ونقل است، می‌تواند به صورت پویا تغییر یابد (مثلا محدودیت‌های سفر) برای کمک به کنترل گسترش یک بیماری همه‌گیر [39 ، 40 ]. در درازمدت، بهبود طرح‌های شهری و بازسازی فضاهای شهری (به عنوان مثال، از جمله فضاهای سبز بیشتر در مناطق پر تراکم) ممکن است جریان‌های عابران پیاده و تمرکز فعالیت‌ها در مناطق خاص را تغییر دهد، که ممکن است به کاهش گسترش همه‌گیری‌های آینده کمک کند [ 41 ] . از این رو، الگوهای جغرافیایی رفتارها و تعاملات انسانی را می توان با استفاده از اقدامات مداخله غیردارویی مرتبط با محیط ساخته شده برای کنترل گسترش COVID-19 اصلاح کرد [42 ] . بنابراین مهم است که ابتدا پویایی انتقال COVID-19 را با بررسی روابط بین ویژگی های محیط ساخته شده و خطر COVID-19 درک کنیم.

3. داده ها و روش ها

3.1. حوزه و داده های مطالعه

به عنوان منطقه مورد مطالعه این تحقیق، هنگ کنگ یک منطقه اداری ویژه چین در شرق دلتای رودخانه مروارید است ( شکل 1 ). این یکی از پرجمعیت ترین شهرهای جهان است. جمعیت آن حدود 7.4 میلیون نفر (تا پایان سال 2019) از ملیت های مختلف در 1104 کیلومتر مربع قلمرو دارد. این مطالعه به دنبال روشن کردن روابط بین خطر COVID-19 و ویژگی های محیط ساخته شده است که ممکن است با سایر مطالعات قبلی یا سایر مناطق مورد مطالعه متفاوت باشد [ 43 ، 44 ]. این تأثیرات ناهمگون فضایی ویژگی‌های مختلف محیط ساخته شده بر خطر انتقال COVID-19 در هنگ کنگ را بررسی می‌کند.
این مطالعه از داده های COVID-19 ارائه شده توسط وزارت بهداشت هنگ کنگ استفاده می کند که به طور رایگان از طریق وب سایت داده باز دولت ( https://data.gov.hk) در دسترس است.). این داده ها اطلاعات زیر را در مورد موارد COVID-19 در هنگ کنگ ارائه می دهد: تعداد موارد تایید شده، تاریخچه مختصر و برخی از داده های جمعیت شناختی برای هر مورد، و کشورها، ساختمان ها یا مکان های بازدید شده توسط موارد در طول دوره کمون برای موارد وارداتی و داخلی موارد تایید شده بر اساس منشاء جغرافیایی عفونت به دو گروه طبقه بندی می شوند: (1) موارد وارداتی (افرادی که در یک کشور یا شهر خارجی آلوده شده اند) و (2) موارد محلی که شامل موارد با منابع کاملاً محلی است (مثلاً آلوده شده توسط یکی از اعضای خانواده یا همکار در محل کار)، و مواردی که شامل عفونت توسط موارد محلی یا وارداتی یا تماس نزدیک احتمالی با موارد داخلی یا وارداتی است ( شکل 1 را ببینید.). دولت هنگ کنگ انتشار داده های COVID-19 را از 27 ژانویه 2020 آغاز کرد و پس از آن داده ها روزانه به روز می شوند. علاوه بر این، موج اول (یعنی بیشتر موارد موارد وارداتی هستند) و موج دوم (یعنی بیشتر موارد موارد محلی هستند) همه‌گیری در هنگ کنگ تا 14 آوریل 2020 (یعنی دیگر نه بیشتر) تحت کنترل بود. موارد محلی برای چند هفته پس از 14 آوریل 2020 پیدا شد). از این رو، تجزیه و تحلیل ما از داده‌های بین 27 ژانویه 2020 و 14 آوریل 2020 (که دوره‌ای با دو موج واضح و کامل از همه‌گیری را مشخص می‌کند) استفاده می‌کند و بر اساس 291 واحد برنامه‌ریزی سوم (TPU) هنگ کنگ و ساختمان‌های خاص است. یا مکان های بازدید شده توسط موارد تایید شده (توجه داشته باشید که هنگ کنگ به 291 TPU به منظور برنامه ریزی شهری و سرشماری تقسیم شده است).
با استفاده از اطلاعات مکان ساختمان در داده‌های COVID-19، ابتدا مکان‌های مورد را در TPUs جمع می‌کنیم. سپس داده‌های مربوط به ویژگی‌های محیط داخلی مربوطه هنگ کنگ از همان وب‌سایت داده باز دولتی ( https://data.gov.hk ) که توسط بخش‌های مختلف دولتی (به عنوان مثال، اداره برنامه‌ریزی و اداره حمل‌ونقل) ارائه شده است، جمع‌آوری می‌شود. این داده ها کاربری زمین، جمعیت، ردپای ساختمان، شبکه حمل و نقل چندوجهی، فضاهای سبز، تراکم تسهیلات حمل و نقل و سایر ویژگی ها را پوشش می دهد. مجموعه داده کاربری زمین توسط دپارتمان برنامه ریزی در سال 2018 با استفاده از منابع داده چندگانه (مثلاً تصاویر ماهواره ای، داده های بررسی داخلی و سایر اطلاعات مرتبط از ادارات مختلف دولتی) گردآوری شد که مجموعه داده شطرنجی 10×10 متری با 27 است. انواع کاربریشکل 2 نمونه ای از داده ها را نشان می دهد که شامل انواع مختلف کاربری زمین است. توزیع تخمینی جمعیت در سال 2020 توسط گروه کاری پیش‌بینی‌های توزیع جمعیت (WGPD) منتشر شد که آخرین پیش‌بینی‌های جمعیتی اداره آمار و سرشماری را که در سپتامبر 2017 منتشر شد، به عنوان کنترل تصویب کرد. چند ضلعی های ساختمان به عنوان یک مجموعه داده فضایی سه بعدی با هندسه و ارتفاع ساختمان در دسترس هستند. مجموعه داده شبکه حمل و نقل چندوجهی (از 9 مارس 2020) شامل داده های مسیرهای حمل و نقل عمومی و موقعیت ایستگاه ها و ایستگاه های حمل و نقل عمومی (به عنوان مثال، اتوبوس ها، راه آهن حمل و نقل انبوه و کشتی ها) است. علاوه بر این، مجموعه داده توزیع عامل نمای آسمان (SVF) تولید شده در مطالعه قبلی از نویسندگان [ 45] به دست آمده است.]. این مجموعه داده SVF یک مجموعه داده شطرنجی 10 × 10 متر است که از داده های LiDAR موجود در هوا بازیابی شده است. SVF نسبت آسمان مرئی با موانع به آسمان بدون انسداد است که از صفر تا یک برای نشان دادن آسمان کاملاً مسدود و آسمان باز متغیر است [ 46 ]. مشخص شده است که SVF تحت تأثیر ارتفاع و تراکم ساختمان است که ممکن است به نوبه خود بر خطر سلامتی یک منطقه شهری تأثیر بگذارد [ 47 ]. شکل 3 چند ضلعی های ساختمان را با اطلاعات ارتفاع و توزیع فضایی عامل نمای آسمان نشان می دهد.

3.2. ارزیابی خطر COVID-19

ما از دو معیار مختلف برای ارزیابی خطر COVID-19 در هنگ کنگ استفاده می کنیم. اولین معیار میزان بروز یا شیوع (R1: تراکم مورد) است که تعداد موارد تایید شده در هر 1000 نفر در هر یک از 291 واحد برنامه ریزی سوم (TPU) در یک دوره زمانی مشخص است. توجه داشته باشید که فقط موارد تایید شده “محلی” برای محاسبه نرخ بروز در این مطالعه گنجانده شده است زیرا موارد وارداتی نتیجه عوامل خطر در مناطق مبدا خود هستند، نه عوامل خطر محیطی ساخته شده هنگ کنگ. معیار دوم R2 (تراکم مکان) است که تعداد مکان‌ها یا ساختمان‌هایی است که توسط موارد تایید شده در هر TPU بازدید شده است. همانطور که قبلا ذکر شد، ویروس کرونا می‌تواند روی سطوح مختلف محیطی زنده بماند، و برخی از ویژگی های محیط ساخته شده تمایل به جذب فعالیت ها و تعاملات انسانی بیشتری دارند و بنابراین احتمال بیشتری دارد که به منابع انتقال COVID-19 تبدیل شوند. از این رو، دومین اندازه گیری خطر COVID-19 (R2) بر اساس تعداد مکان ها و مکان های بازدید شده توسط همه موارد تایید شده (یعنی ساختمان ها یا مکان هایی که موارد تایید شده در 14 روز گذشته بازدید کرده اند) محاسبه می شود. توجه داشته باشید که هم موارد تایید شده «محلی» و هم «وارداتی» هنگام محاسبه R2 لحاظ می‌شوند، زیرا این معیار مکان‌ها یا مکان‌های پرخطر را شناسایی می‌کند (که توسط موارد تأیید شده بازدید شده‌اند و در نتیجه، سایر افرادی که از این مکان‌ها بازدید کرده‌اند دارای بالاترین میزان هستند. خطر ابتلا به COVID-19). فرمول R2 به شرح زیر است: دومین اندازه گیری خطر COVID-19 (R2) بر اساس تعداد مکان ها و مکان های بازدید شده توسط همه موارد تایید شده (یعنی ساختمان ها یا مکان هایی که موارد تایید شده در 14 روز گذشته بازدید کرده اند) محاسبه می شود. توجه داشته باشید که هم موارد تایید شده «محلی» و هم «وارداتی» هنگام محاسبه R2 لحاظ می‌شوند، زیرا این معیار مکان‌ها یا مکان‌های پرخطر را شناسایی می‌کند (که توسط موارد تأیید شده بازدید شده‌اند و در نتیجه، سایر افرادی که از این مکان‌ها بازدید کرده‌اند دارای بالاترین میزان هستند. خطر ابتلا به COVID-19). فرمول R2 به شرح زیر است: دومین اندازه گیری خطر COVID-19 (R2) بر اساس تعداد مکان ها و مکان های بازدید شده توسط همه موارد تایید شده (یعنی ساختمان ها یا مکان هایی که موارد تایید شده در 14 روز گذشته بازدید کرده اند) محاسبه می شود. توجه داشته باشید که هم موارد تایید شده «محلی» و هم «وارداتی» هنگام محاسبه R2 لحاظ می‌شوند، زیرا این معیار مکان‌ها یا مکان‌های پرخطر را شناسایی می‌کند (که توسط موارد تأیید شده بازدید شده‌اند و در نتیجه، سایر افرادی که از این مکان‌ها بازدید کرده‌اند دارای بالاترین میزان هستند. خطر ابتلا به COVID-19). فرمول R2 به شرح زیر است: توجه داشته باشید که هم موارد تایید شده «محلی» و هم «وارداتی» هنگام محاسبه R2 لحاظ می‌شوند، زیرا این معیار مکان‌ها یا مکان‌های پرخطر را شناسایی می‌کند (که توسط موارد تأیید شده بازدید شده‌اند و در نتیجه، سایر افرادی که از این مکان‌ها بازدید کرده‌اند دارای بالاترین میزان هستند. خطر ابتلا به COVID-19). فرمول R2 به شرح زیر است: توجه داشته باشید که هم موارد تایید شده «محلی» و هم «وارداتی» هنگام محاسبه R2 لحاظ می‌شوند، زیرا این معیار مکان‌ها یا مکان‌های پرخطر را شناسایی می‌کند (که توسط موارد تأیید شده بازدید شده‌اند و در نتیجه، سایر افرادی که از این مکان‌ها بازدید کرده‌اند دارای بالاترین میزان هستند. خطر ابتلا به COVID-19). فرمول R2 به شرح زیر است:

آر2س=∑من∈تیسwمن

جایی که آر2ستراکم محل برگزاری TPU است تیس، و wمنتعداد ساختمان ها یا مکان ها در TPU است تیسکه توسط موارد تایید شده ویزیت شده اند. TPUهایی با مقادیر بالاتر R1 و R2 خطر COVID-19 بالاتری دارند (یعنی ویژگی‌های محیط ساخته شده و الگوهای فعالیت انسانی آنها برای انتقال COVID-19 مساعدتر است).

3.3. استخراج ویژگی های محیط ساخته شده

همانطور که در جدول 1 نشان داده شده است، 9 ویژگی محیط ساخته شده به عنوان متغیرهای مستقل در تحلیل ما انتخاب شده اند: دسترسی گرهی (NA)، تراکم جمعیت (PD)، تراکم مسکونی خصوصی (PR)، تراکم تجاری (CD)، تراکم فضای سبز ( GSD)، ارتفاع ساختمان (BH)، تراکم تسهیلات حمل و نقل (TF)، تنوع کاربری زمین (LUD)، و نمای آسمان (SV). آنها برای هر یک از 291 TUP هنگ کنگ بر اساس داده های کاربری زمین، داده های سرشماری جمعیت، داده های چند ضلعی ساختمان، داده های شبکه حمل و نقل چندوجهی، و مجموعه داده SVF که قبلا توضیح داده شد، محاسبه می شوند. این نه ویژگی محیط ساخته شده به شرح زیر است.

دسترسی گرهی یک TPU بر اساس ایستگاه های حمل و نقل چندوجهی در هر TPU مشتق شده است. اول، هر ایستگاه حمل و نقل عمومی (یعنی ایستگاه مترو، اتوبوس یا کشتی) به عنوان یک گره در نظر گرفته می شود، جایی که یک پیوند گره را به هم متصل می کند. nو متربا توجه به شبکه مسیر یک توصیه خاص از الکساندر و همکاران. [ 48 ] ​​این است که فاصله بین دو ایستگاه برای یک سفر انتقال نباید از 183 متر تجاوز کند (به عنوان مثال، لی و همکاران [ 49 ] ایستگاه های اتوبوس متصل برای انتقال بین گره در فاصله کمتر از 120 متر در سئول). از این رو، ما یک پیوند انتقال اضافه می کنیم که گره های نزدیک را به هم متصل می کند nو متردر صورتی که فاصله بین این دو ایستگاه از 100 متر بیشتر نباشد. دوم، ما یک ماتریس اتصال ایجاد می کنیم سی، جایی که سیمترnتمام پیوندهای بین گره ها را ارائه می دهد nو متر(یعنی سیمترn= 1 اگر گره nو مترمتصل هستند یا 0 اگر گره هستند nو مترمتصل نیستند). توجه داشته باشید که ممکن است وجود داشته باشد لکوتاه ترین مسیرها بین گره ها nو متر. فرض کنید یک مسیر متصل می شود لمنایستگاه ها از طریق ک-1گره ها با پانتقال مودال، سپس اتصال بین گره ها nو متربه شرح زیر برآورد می شود:

سیمترn(ک)=∑ک=1کمترآایکساسک∑ل1،ل2،ل3…لک-1سیمترل1سیل1ل2سیل2ل3…سیلک-1nتیپ

جایی که تی(0 < t < 1) معیار اسکالر ناکارآمدی انتقال است و اس(0 < S < 1) اسکالر اثر فاصله- فروپاشی را نشان می دهد. در این مطالعه، تی0.7 است و اسبر اساس نتایج مطالعه قبلی 0.8 است [ 50 ]. پس از تخمین اتصال بین هر جفت گره، دسترسی گرهی گره متراز جمع کل اتصال بدست می آید سیمترnبه طور کلی n:

سیمتر=∑nسیمترn
در نهایت، دسترسی گره‌ای یک TPU با جمع‌بندی دسترسی گرهی تمام ایستگاه‌های حمل‌ونقل عمومی در آن TPU به دست می‌آید.

تراکم جمعیت (PD) تعداد افراد در هر کیلومتر در هر TPU است. تراکم مسکونی خصوصی (PR)، تراکم تجاری (CD)، تراکم تسهیلات حمل و نقل (TF) و تراکم فضای سبز (GSD) بر اساس مساحت هر یک از این انواع کاربری زمین در هر TPU تقسیم بر مساحت آن محاسبه می‌شوند. TPU توجه داشته باشید که تراکم فضای سبز (GSD) در هر TPU بر اساس مجموع مساحت علفزار، بوته زار و جنگل که حدود 65.4٪ از کل مساحت کاربری زمین هنگ کنگ را پوشش می دهد، تخمین زده می شود. این مساحت بر اساس داده‌های کاربری زمین که قبلاً ذکر شد، محاسبه می‌شود، که کاربری زمین سلول را به عنوان فضای سبز (به عنوان مثال، چمن، جنگل، و بوته‌زار) طبقه‌بندی می‌کند، اگر سلول عمدتاً توسط پوشش گیاهی پوشیده شده باشد. تنوع کاربری زمین (LUD) با استفاده از مدل آنتروپی پرکاربرد زیر برآورد می شود:

LUD=-∑من=1nپمن∗لوگاریتمپمنn

جایی که پمننشان دهنده نسبت مننوع کاربری اراضی و nتعداد کل انواع کاربری زمین است. ارتفاع ساختمان (BH) با استفاده از داده های چند ضلعی ساختمان و اطلاعات توپوگرافی دیجیتال تخمین زده می شود. در این تحلیل، ارتفاع ساختمان به میانگین ارتفاع ساختمان برای هر TPU اشاره دارد. نمای آسمان (SV) به میانگین SVF در هر کیلومتر مربع در هر TPU اشاره دارد که کل SVF در هر TPU تقسیم بر مساحت آن TPU است.

3.4. بررسی رابطه بین ویژگی های محیط ساخته شده و خطر COVID-19

با توجه به اینکه خطر ابتلا به COVID-19 (یعنی R1 و R2) ذکر شده در بخش 3.2 داده های شمارشی هستند و مدل رگرسیون پواسون یک تکنیک مناسب برای مدل سازی داده های شمارش [ 51 ] است، بنابراین از هر دو رگرسیون جهانی پواسون (GPR) استفاده می کنیم. و رگرسیون پواسون وزن‌دار جغرافیایی (GWPR) برای بررسی رابطه بین ویژگی‌های محیط ساخته شده و خطر COVID-19. در این تحلیل، R1 و R2 متغیرهای وابسته و متغیرهای مستقل 9 ویژگی محیط ساخته شده هستند. مدل های GPR و GWPR بر اساس TPU ها به عنوان واحدهای تحلیل تخمین زده می شوند. مدل GPR به صورت زیر فرموله شده است:

لn(آرمن)=β0+β1نآ+β2پD+β3پآر+β4سیD+β5جیاسD+β6باچ(or اسV)+ε

جایی که آرمننشان دهنده خطر COVID-19 TUP i است ، βمننشان دهنده ضرایب رگرسیون برای عبارت قطع و متغیرهای مستقل و εنشان دهنده خطای تصادفی است. مدل GWPR برای در نظر گرفتن مسائلی که روابط بین متغیرها ممکن است در فضا متفاوت باشد، که به عنوان ناایستایی فضایی [ 52 ] نامیده می شود، و برای کاهش خطای تخمین به دلیل همبستگی خودکار مکانی، توسعه داده شد. مدل GWPR یک مدل موضعی است که تغییرات فضایی در روابط بین متغیرها را با برازش پارامترهایی که در فضا تغییر می‌کنند، وزن دادن به مشاهدات همسایه مرتبط (که TPU در این مطالعه هستند) با استفاده از یک ماتریس وزن فضایی به تصویر می‌کشد. در این تحقیق مدل GWPR به صورت زیر فرموله شده است:

لn(آرمن)=β0(تومن)+β1(تومن)نآ+β2(تومن)پD+β3(تومن)پآر+β4(تومن)سیD+β5(تومن)جیاسD+β6(تومن)باچ(or اسV)+ε

جایی که مننشان دهنده منTPU، آرمنمخفف خطر COVID-19 از منTPU، βمنضرایب رگرسیون تخمین زده شده است منTPU، و εمنعبارت خطای TPU i است . توجه داشته باشید که βjاکنون تابعی از مکان است تومن = (توایکسمن، توyمن) ، که مختصات دو بعدی را نشان می دهد مننقطه (مرکز از منth TPU) در فضا. بنابراین، غیر ایستایی فضایی در چارچوب مدل‌سازی GWPR مورد بررسی قرار می‌گیرد. در این تلاش مدل‌سازی، مقادیر پهنای باند تطبیقی ​​فضایی با استفاده از روشی به دست می‌آید که معیار اطلاعات آکایک (AIC) مدل‌های رگرسیون را به حداقل می‌رساند. ضریب تورم واریانس (VIF) برای آزمایش چند خطی بودن متغیرها استفاده می شود. رویکرد معیار اطلاعات آکایک (AIC) برای ارزیابی معاوضه بین خوب بودن تناسب و سادگی مدل‌ها (یعنی برای ارزیابی ریسک بیش‌برازش یا عدم تناسب) استفاده می‌شود.

4. نتایج

4.1. ارزیابی خطر COVID-19 در هر TPU

در این بخش فرعی، ویژگی‌های خطر COVID-19 در هنگ کنگ را بر اساس دو معیار شرح داده شده در بخش 3.2 بررسی می‌کنیم . به یاد داشته باشید که اولین معیار میزان بروز یا شیوع (R1: تراکم مورد) است که تعداد موارد تایید شده در هر 1000 نفر در هر یک از 291 واحد برنامه ریزی سوم (TPU) در یک دوره زمانی مشخص است. معیار دوم R2 (تراکم مکان) است که تعداد مکان‌ها یا ساختمان‌هایی است که توسط موارد تایید شده در هر TPU بازدید شده است.
شکل 4 توزیع فراوانی خطر COVID-19 را در سطح TPU نشان می دهد. هر دو توزیع فرکانس R1 و R2 در بین 291 TPU در هنگ کنگ به طور چشمگیری کاهش می یابد، که نشان می دهد خطر COVID-19 در چند TPU برتر متمرکز است. به منظور درک اثرات فروپاشی در توزیع فرکانس R1 و R2، ما دو منحنی توزیع احتمال را با استفاده از تابع نمایی برازش می‌کنیم. پ(ایکس) ~ هبایکسو تابع قانون قدرت پ(ایکس) ~ ایکسببه توزیع ها نتایج نشان می دهد که هر دو R1 و R2 برازش بهتری با تابع نمایی دارند (یعنی، آر2=0.97برای R1 و آر2=0.98برای R2) نسبت به تابع قانون قدرت (یعنی، آر2=0.88برای R1 و آر2=0.91برای R2). علاوه بر این، نرخ فروپاشی برای R1 بیشتر از R2 است، که نشان می دهد تعداد TPU های با R1 بالا کوچکتر از R2 است.
شکل 5 توزیع فضایی خطر COVID-19 را در هنگ کنگ در سطح TPU نشان می دهد. همانطور که توسط نتایج تجزیه و تحلیل توزیع فرکانس R1 و R2 نشان داده شده است، مناطق با خطر COVID-19 بالا در چند TPU در هنگ کنگ متمرکز شده اند. با توجه به توزیع فضایی R1 ( شکل 5 a)، سه ناحیه (با علامت A، B، و C) با R1 بالا وجود دارد. به طور خاص، منطقه A منطقه مرکز شهر با تراکم بالای جمعیت و ساختمان های تجاری است. مناطق B و C مناطق حومه شهر با تراکم جمعیت کم و مقادیر زیادی از فضاهای عمومی (مانند پارک های کشور و سواحل) هستند. شکل 5b توزیع فضایی R2 را نشان می دهد، که در آن شش ناحیه (که به عنوان A، B، C، D، E، و F مشخص شده اند) با R2 بالا مشخص می شوند. به طور خاص، مناطق A و B دارای ساختمان های تجاری و مسکونی با تراکم بالا هستند، در حالی که مناطق C، D، E، و F مناطق حومه شهر با مقادیر زیادی فضای باز هستند (مانند پارک های کشور و سواحل). این نتایج نشان می دهد که هم مرکز شهر و هم مناطق حومه ای خاص در شهر مناطق پرخطر COVID-19 هستند. علاوه بر این، شاخص نرخ بروز (R1) ممکن است خطر COVID-19 را در برخی مناطق حومه شهر با مقدار قابل توجهی از فضاهای عمومی دست کم بگیرد.

4.2. رابطه بین ویژگی های محیط ساخته شده و خطر COVID-19: نتایج تجزیه و تحلیل GPR

در این بخش فرعی، ما به بررسی روابط بین متغیرهای محیط ساخته شده انتخاب شده و خطر COVID-19 در منطقه مورد مطالعه می پردازیم. 9 متغیر محیط ساخته شده شرح داده شده در بخش 3.3 به عنوان متغیرهای مستقل در تحلیل رگرسیون جهانی پواسون (GPR) و تحلیل رگرسیون پواسون دارای وزن جغرافیایی (GWPR) زیر استفاده می شوند و R1 و R2 متغیرهای وابسته در مدل های جداگانه هستند (جدول 2 را ببینید) . ). توجه داشته باشید که تراکم جمعیت و ارتفاع ساختمان در مدل‌های GPR و GWPR در محدوده 0 تا 1 استاندارد شده است.
دو مدل GPR با R1 یا R2 به عنوان متغیر وابسته برای بررسی روابط جهانی بین متغیرهای محیط ساخته شده و خطر COVID-19 به ترتیب در هنگ کنگ برآورد شده است. نتایج رگرسیون در جدول 3 ارائه شده است. همانطور که نتایج نشان می دهد، مقادیر ضریب تورم واریانس (VIF) متغیر مستقل کمتر از 10 است که نشان می دهد چند خطی بین متغیرها وجود ندارد. تراکم تسهیلات حمل و نقل، تراکم جمعیت، تراکم مسکونی خصوصی، تنوع کاربری زمین و ارتفاع ساختمان به طور قابل توجهی با R1 مرتبط هستند. در همین حال، دسترسی گرهی، تراکم جمعیت، تراکم مسکونی خصوصی، تراکم تجاری، تراکم فضای سبز و نمای آسمان به طور قابل توجهی با R2 مرتبط است. نسبت‌های انحراف باقی‌مانده به درجات آزادی 1.01 و 1.03 برای R1 و R2 است، که نشان می‌دهد در مدل‌های GPR پراکندگی بیش از حد قابل‌توجهی وجود ندارد. درصد انحراف تعدیل شده توضیح داده شده 0.44 برای R1 و 0.58 برای R2 است.
علاوه بر این، ضرایب رگرسیون نشان می دهد که تراکم مسکونی خصوصی با هر دو R1 و R2 ارتباط مثبت دارد، به این معنی که مناطقی با تراکم مسکونی خصوصی بالاتر تمایل به ابتلا به COVID-19 بالاتری دارند. تراکم جمعیت، با این حال، ارتباط منفی با هر دو R1 و R2 دارد. تراکم تسهیلات حمل و نقل و ارتفاع ساختمان با R1 ارتباط مثبت دارد، در حالی که تنوع کاربری زمین با R1 ارتباط منفی دارد. تراکم فضای سبز ارتباط مثبتی با R2 دارد، به این معنی که تراکم فضای سبز بیشتر تمایل به افزایش دفعات بازدید از موارد تایید شده دارد. دلیل آن این است که فضای سبز احتمالاً افراد را برای انجام فعالیت های مختلف در فضای باز جذب می کند و این افراد شامل برخی موارد تأیید شده می شوند. علاوه بر این، نمای آسمان با R2 ارتباط منفی دارد، که نشان می دهد مناطق با دید بهتر آسمان ریسک کمتری با R2 ارزیابی می شود. نتیجه به این معنی است که احتمال بالاتر دیدن آسمان خطر ابتلا به COVID-19 را کاهش می دهد.

4.3. رابطه بین ویژگی های محیط ساخته شده و خطر COVID-19: نتایج تجزیه و تحلیل GWPR

در این بخش، ما رابطه بین متغیرهای محیط ساخته شده و خطر COVID-19 را بر اساس نتایج مدل‌های GWPR بررسی می‌کنیم. مقادیر پهنای باند برآورد شده توسط مدل ها به ترتیب برای R1 و R2 66 و 55 است. جدول 4نتایج عملکرد نسبی مدل های GPR و GWPR را نشان می دهد. همانطور که جدول نشان می دهد، درصد انحراف تنظیم شده توسط مدل های GWPR (0.63 برای R1 و 0.74 برای R2) بیشتر از مدل های GPR است (یعنی 0.44 برای R1 و 0.58 برای R2). علاوه بر این، معیار اطلاعات Akaike (AIC) مدل های GWPR (یعنی 149.42 برای R1 و 512.93 برای R2) به طور قابل ملاحظه ای پایین تر از مدل های GPR است (429.71 برای R1 و 1513.14 برای R2). بهبود در انحراف درصد تعدیل شده توضیح داده شده و کاهش مقادیر AIC نشان می‌دهد که مدل‌های GWPR قدرت توضیح بهتری نسبت به مدل‌های GPR برای بررسی تأثیر ویژگی‌های محیط ساخته شده بر خطر COVID-19 در هنگ کنگ دارند.
شکل 6 توزیع فضایی درصد انحراف محلی را نشان می دهد که توسط مدل های GPWR برای R1 و R2 توضیح داده شده است. نتایج نشان می‌دهد که دو مدل GPWR توزیع‌های مکانی مشابه درصد انحراف محلی را در بخش‌های شمالی و غربی منطقه مورد مطالعه ارائه می‌کنند. در همین حال، می‌توان مشاهده کرد که مدل‌های GPWR قدرت توضیح کمتری برای R1 و R2 در TPU‌های Kwun Tong و اطراف آن (که در شکل 6 a با A مشخص شده‌اند) و Mong Kok (در شکل 6 b با A مشخص شده‌اند) دارند.
شکل 7 توزیع فضایی باقیمانده های استاندارد را از دو مدل GPWR برای R1 و R2 نشان می دهد. 95٪ و 96٪ از باقیمانده های استاندارد به ترتیب دارای مقادیر در محدوده (2.58-، 2.58) هستند. ما بیشتر همبستگی فضایی باقیمانده‌های استاندارد را بررسی می‌کنیم و Moran’s I جهانی را برای باقیمانده‌های استاندارد مدل‌های GPWR، که به ترتیب 0.03- و 0.02- هستند، به دست می‌آوریم، و نشان می‌دهد که توزیع باقیمانده‌های استاندارد از مدل‌های GPWR تصادفی است. سطح معنی داری 5 درصد علاوه بر این، مقادیر پایین Moran’s I جهانی نیز نشان می‌دهد که هیچ خطای سیستماتیک در مدل‌ها وجود ندارد.
توزیع فضایی ضرایب تخمینی متغیرهای محیط ساخته شده در شکل 8 و شکل 9 ارائه شده است . رنگ آبی نشان می دهد که متغیر محیط ساخته شده مربوطه تأثیر منفی بر خطر COVID-19 دارد، در حالی که رنگ قرمز نشان دهنده تأثیر مثبت است. مدل‌های GWPR تأثیر مکانی متغیر هر متغیر محیط ساخته شده را بر خطر COVID-19 نشان می‌دهد. در شکل 8می توان مشاهده کرد که ارتباط بین تراکم تسهیلات حمل و نقل، تراکم جمعیت، تراکم مسکونی خصوصی، تنوع کاربری زمین و ارتفاع ساختمان و خطر COVID-19 برای R1 از منفی به مثبت در نوسان است. برای متغیرهایی مانند تراکم تسهیلات حمل و نقل، تراکم مسکونی خصوصی و ارتفاع ساختمان، نسبت TPU ها با ضرایب مثبت و منفی با یکدیگر قابل مقایسه هستند، که دلالت بر یک رابطه پیچیده بین این متغیرها و R1 دارد. به عنوان مثال، مقادیر مثبت برای تراکم تسهیلات حمل و نقل، تراکم مسکونی خصوصی، و ارتفاع ساختمان عمدتاً در منطقه مرکز شهر و تونگ چانگ توزیع می‌شوند، در حالی که مقادیر منفی عمدتاً در مناطق حومه‌ای پیرامونی یافت می‌شوند (شکل 8) .الف، ج، ه). با توجه به تراکم جمعیت، اکثر TPU ها در هنگ کنگ ارتباط منفی با R1 نشان می دهند، در حالی که TPU ها با انجمن های مثبت تنها خوشه های روستا در Ma On Shan را پوشش می دهند ( شکل 8 ب). به طور مشابه، تنوع کاربری زمین یک رابطه منفی با R1 برای اکثر TPU ها دارد ( شکل 8 د).
شکل 9 a نشان می دهد که دسترسی گرهی ارتباط مثبتی با R2 برای کل منطقه مورد مطالعه دارد و انجمن های بالاتر در جزیره هنگ کنگ، جزیره لاما و تین شویی وای واقع شده اند. تراکم مسکونی خصوصی ارتباط مثبتی با R2 برای اکثر TPUها دارد ( شکل 9 ج). علاوه بر این، ارتباط بین تراکم جمعیت ( شکل 9 ب)، تراکم تجاری (نگاه کنید به شکل 9 د)، تراکم فضای سبز ( شکل 9 e) و نمای آسمان ( شکل 9)f) و R2 از منفی به مثبت در نوسان است. نسبت TPU ها با ضرایب مثبت و منفی با یکدیگر قابل مقایسه هستند که نشان دهنده رابطه پیچیده بین این متغیرها و R2 است. به عنوان مثال، مقادیر مثبت برای فضای سبز (که شامل تپه ها، کوه ها و پارک های کشور برای پیاده روی یا پیک نیک می شود) عمدتاً در مناطق حومه شهر توزیع می شود، در حالی که مقادیر منفی در مناطقی مانند مرکزی، تسیم شا تسوئی و وان چای یافت می شود. ، جایی که تراکم میخانه ها، رستوران ها و مراکز خرید زیاد است. نمای آسمان و تراکم جمعیت دارای الگوهای مشابهی از توزیع ارزش هستند: مثبت در بخش غربی هنگ کنگ و منفی در بخش شرقی هنگ کنگ.
به طور خلاصه، ارتباط بین ویژگی های محیط ساخته شده انتخاب شده و خطر COVID-19 از نظر مکانی در منطقه مورد مطالعه متفاوت است. مدل‌های GPR رابطه جهانی بین ویژگی‌های محیط ساخته‌شده و خطر COVID-19 را برای TPU‌ها ارائه می‌کنند، و مدل‌های GWPR با در نظر گرفتن همبستگی خودکار فضایی و غیرایستایی فضایی، برخی تفاوت‌های متمایز و پیچیده را بین TPU‌ها نشان می‌دهند. نتایج مدل، روابط بین متغیرهای محیط ساخته شده و خطر COVID-19 را در مقیاس میکروسکوپی تر روشن می کند.

5. بحث و نتیجه گیری

درک رابطه بین محیط ساخته شده و خطر COVID-19 می تواند از مقامات بهداشتی برای واکنش به همه گیری حمایت کند. در این مقاله، ما از مدل‌های GPR و GWPR برای بررسی رابطه بین ویژگی‌های محیط ساخته شده و خطر COVID-19 در هنگ کنگ در سطح TPU استفاده کردیم. خطر COVID-19 با استفاده از نرخ بروز (R1) و تراکم محل برگزاری (R2) ارزیابی می شود. یافته های اصلی مطالعه به شرح زیر خلاصه می شود.
اول، هر دو R1 و R2 دارای اثر فروپاشی قابل توجهی در فضا هستند. این نشان می دهد که مناطق کمی با خطر COVID-19 بالا وجود دارد. نتایج مشابهی در مطالعات Desjardins و همکاران مشاهده شده است. [ 53 ] و گاتو و همکاران. [ 54 ] در ایالات متحده و ایتالیا در مراحل اولیه همه گیری. علاوه بر این، نرخ فروپاشی R1 بیشتر از R2 است، که نشان می‌دهد تعداد TPU با R1 بالا کمتر از تعداد TPU با R2 بالا است. این نشان می دهد که شاخص نرخ بروز ممکن است خطر COVID-19 را در برخی مناطق حومه شهر با فضای عمومی بزرگ دست کم بگیرد. دوم، نتایج مدل GPR یک رابطه نزدیک بین متغیرهای محیطی ساخته شده انتخاب شده و خطر COVID-19 را نشان می دهد. توجه داشته باشید که نگوین و همکاران [ 55] نتایج مشابهی را با استفاده از مجموعه داده های بزرگ تصویر نمای خیابان Google در محله های آمریکا (یعنی منطقه کد پستی) گزارش کرد. آنها دریافتند که تنوع کاربری زمین و دسترسی بیشتر با موارد بیشتر COVID-19 بدون در نظر گرفتن غیر ایستایی فضایی، ارتباط مثبتی دارد. در همین حال، نتایج ما ارتباط منفی بین تراکم جمعیت و خطر ابتلا به COVID-19 را نشان می‌دهد. نتایج با نتایج مطالعات امرام و همکاران متفاوت است. [ 56 ] و Xiong و همکاران. [ 57 ] در ایالات متحده و چین (یعنی تراکم جمعیت ارتباط مثبت یا غیر قابل توجهی با خطر COVID-19 دارد). این نتایج متناقض چندین فرضیه را مطرح می کند که ارزش بحث را دارد. اول از همه، همانطور که در بخش 2 اشاره کردیماستفاده از مقیاس‌های فضایی مختلف واحدهای تحلیلی یا مناطق جغرافیایی (به عنوان مثال، شهرستان‌ها، مناطق سرشماری، یا گروه‌های بلوک سرشماری) در تجزیه و تحلیل ممکن است به نتایج متفاوتی منجر شود (یعنی مشکل واحد منطقه‌ای قابل تغییر). سپس، چندین متغیر دیگر به طور بالقوه می توانند از انتقال بیماری در محله های یک شهر متراکم و توسعه یافته جلوگیری کنند. به عنوان مثال، مناطق متراکم در یک شهر توسعه یافته ممکن است دسترسی بهتری به امکانات بهداشتی و رعایت فاصله اجتماعی توسط ساکنان داشته باشند (به عنوان مثال، بیش از 97.5٪ از مردم هنگ کنگ هنگام بیرون رفتن از ماسک استفاده می کردند و بیش از 85٪). از آنها در طول فوریه و مارس 2020 از مکان های شلوغ اجتناب کردند [ 58 ]).
با در نظر گرفتن ناپایداری فضایی، نتایج ما نشان می‌دهد که مدل‌های GWPR بر اساس مقدار درصد انحراف تنظیم‌شده توضیح داده شده و AIC بهتر از مدل‌های GPR عمل می‌کنند. جهانی پایین موران Iمقادیر (R1: -0.03؛ R2: -0.02) در نقشه های باقیمانده نشان می دهد که هیچ خطای سیستماتیک در مدل ها وجود ندارد. نتایج نشان می دهد که روابط بین متغیرهای محیطی ساخته شده انتخاب شده و خطر COVID-19 (یعنی R1 و R2) از نظر مکانی در سراسر منطقه مورد مطالعه متفاوت است. برای ویژگی های محیط ساخته شده مانند تراکم تسهیلات حمل و نقل، تراکم مسکونی خصوصی، ارتفاع ساختمان، تراکم جمعیت، تراکم تجاری، تراکم فضای سبز و نمای آسمان، نسبت های نسبی TPU ها با ضرایب مثبت و منفی نشان دهنده یک رابطه پیچیده بین منتخب ساخته شده است. متغیرهای محیطی و خطر COVID-19
بر اساس نتایج دو مجموعه از مدل‌های رگرسیون، ما روابط پیچیده بین متغیرهای انتخاب‌شده محیط ساخته شده و خطر COVID-19 را مشاهده کردیم. نتایج همچنین مشاهدات جالب دیگری را نشان می دهد که ارزش بحث را دارد. به عنوان مثال، بیشتر موارد تایید شده که در تونگ چانگ زندگی می کردند، در واقع در محل کار خود (به عنوان مثال، مرکزی) آلوده بودند. این نشان می دهد که تعاملات فضایی قوی بین مناطق حومه شهر (به عنوان مثال، تونگ چانگ) و منطقه مرکز شهر (به عنوان مثال، مرکزی) ممکن است منجر به الگوهای مشابه در خطر COVID-19 شود (به عنوان مثال، تراکم تسهیلات حمل و نقل برای R1 و دسترسی گرهی برای R2). علاوه بر این، تراکم فضای سبز و نمای آسمان در منطقه مرکز شهر (به عنوان مثال، مرکزی و Tsim Sha Tsui) و برخی مناطق حومه شهر (به عنوان مثال، Tung Chung و Tuen Mun) اثرات متضادی بر خطر COVID-19 دارند.
یافته‌های ما چندین پیامد مهم برای اقدامات مداخله‌ای غیردارویی برای دولت در طول همه‌گیری دارد. اول، نتایج فراوانی و توزیع مکانی خطر COVID-19 نشان می‌دهد که چند TPU خطر COVID-19 بالاتری دارند. بنابراین مقامات بهداشتی باید برای مداخلات بعدی به منظور کنترل همه‌گیری COVID-19 روی این مناطق تمرکز کنند. دوم، نتایج نشان می‌دهد که میزان بروز ممکن است خطر ابتلا به COVID-19 را در برخی مناطق حومه شهر با مناطق وسیعی از فضای تفریحی عمومی (مانند پارک‌ها) دست کم بگیرد. از یک طرف، مناطقی با امکانات حمل و نقل متراکم، دسترسی گرهی بالاتر، فضای سبز بیشتر و چشم انداز خوب به آسمان تمایل بیشتری به جذب بازدیدکنندگان دارند. از سوی دیگر، افرادی که در مناطق حومه شهر زندگی می کنند ممکن است مجبور شوند برای کار به مرکز شهر بروند که خطر بیشتری دارد. علاوه بر این، مدل‌های GPR و GWPR نشان می‌دهند که مداخلات پویا خطر انتقال COVID-19 باید در طول همه‌گیری در نظر گرفته شود. به عنوان مثال، محدود کردن مردم از رفتن به پارک‌های کشور و مناطق مسکونی خاص در حومه شهر یا محدود کردن فعالیت‌های گروهی در این مناطق ممکن است به کنترل همه‌گیری کمک کند.
در این مطالعه، ما دریافتیم که الگوهای فضایی ویژگی‌های محیط ساخته شده بر الگوهای فضایی خطر COVID-19 در سراسر منطقه مورد مطالعه تأثیر می‌گذارد. یافته‌ها نشان می‌دهد که COVID-19 را می‌توان با ویژگی‌های مربوط به محیط داخلی توضیح داد. روش‌های مورد استفاده در این مطالعه را می‌توان در سایر شهرهای جهان برای بررسی رابطه بین محیط ساخته شده و خطر COVID-19 اعمال کرد. مطالعات تطبیقی ​​در آشکار کردن تأثیرات رفتارهای مختلف انسانی و اقدامات مداخله در زمینه‌های اجتماعی-فرهنگی مختلف مفید خواهد بود. این یک جهت ممکن ثمربخش برای تحقیقات آینده است.
در این میان محدودیت های متعددی در این پژوهش وجود دارد. ابتدا، این مطالعه از داده‌های COVID-19 از 27 ژانویه تا 14 آوریل 2020 استفاده کرد که طی آن دولت هنگ کنگ چندین اقدام مداخله‌ای غیردارویی را در پاسخ به همه‌گیری COVID-19 اجرا کرده بود. بنابراین، نتایج حاصل از مدل‌های رگرسیون ما، رابطه بین ویژگی‌های محیط ساخته شده و خطر COVID-19 را تحت این مداخلات غیردارویی نشان می‌دهد. مشخص نیست که آیا رابطه بین محیط ساخته شده و خطر COVID-19 که ما شناسایی کردیم در زمان عادی (یعنی بدون اقدامات مداخله ای) نیز برقرار خواهد بود یا خیر. در آینده، ما قصد داریم این را در دوره پس از همه گیری بررسی کنیم. دوم، این مطالعه از میزان بروز و تراکم مکان به عنوان معیارهای خطر COVID-19 استفاده کرد. سایر شاخص ها، مانند کاهش تعداد بازمانده از ویروس کرونا که بر اساس آخرین زمان ویزیت توسط موارد تایید شده تخمین زده می شود، می تواند در آینده مورد توجه قرار گیرد. از آنجایی که اثر پوسیدگی بقای کرونا در طول زمان به سطوح مختلف محیطی مرتبط است، گنجاندن این متغیر در تجزیه و تحلیل ممکن است بینش بیشتری در مورد خطر COVID-19 و ارتباط آن با انواع خاصی از محیط‌های ساخته شده ارائه دهد. سوم، این مطالعه پویایی زمانی تعامل فضایی بین TPU ها را در نظر نگرفت (به عنوان مثال، تعاملات فضایی بین TPU ها ممکن است بین زمان های مختلف یک روز یا قبل و بعد از اجرای سیاست های مداخله تغییر کند)، که ممکن است منجر به ارتباط های مختلف بین شود. محیط ساخته شده و خطر COVID-19. از آنجایی که اثر پوسیدگی بقای کرونا در طول زمان به سطوح مختلف محیطی مرتبط است، گنجاندن این متغیر در تجزیه و تحلیل ممکن است بینش بیشتری در مورد خطر COVID-19 و ارتباط آن با انواع خاصی از محیط‌های ساخته شده ارائه دهد. سوم، این مطالعه پویایی زمانی تعامل فضایی بین TPU ها را در نظر نگرفت (به عنوان مثال، تعاملات فضایی بین TPU ها ممکن است بین زمان های مختلف یک روز یا قبل و بعد از اجرای سیاست های مداخله تغییر کند)، که ممکن است منجر به ارتباط های مختلف بین شود. محیط ساخته شده و خطر COVID-19. از آنجایی که اثر پوسیدگی بقای کرونا در طول زمان به سطوح مختلف محیطی مرتبط است، گنجاندن این متغیر در تجزیه و تحلیل ممکن است بینش بیشتری در مورد خطر COVID-19 و ارتباط آن با انواع خاصی از محیط‌های ساخته شده ارائه دهد. سوم، این مطالعه پویایی زمانی تعامل فضایی بین TPU ها را در نظر نگرفت (به عنوان مثال، تعاملات فضایی بین TPU ها ممکن است بین زمان های مختلف یک روز یا قبل و بعد از اجرای سیاست های مداخله تغییر کند)، که ممکن است منجر به ارتباط های مختلف بین شود. محیط ساخته شده و خطر COVID-19.

منابع

  1. Guarner, J. سه کروناویروس نوظهور در دو دهه: داستان SARS، MERS، و اکنون COVID-19. صبح. جی. کلین. پاتول. 2020 ، 153 ، 420-421. [ Google Scholar ] [ CrossRef ]
  2. سازمان بهداشت جهانی. گزارش وضعیت کروناویروس جدید (COVID-19)-75. 2020. در دسترس آنلاین: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200404-sitrep-75-covid-19.pdf?sfvrsn=99251b2b_2 (در 12 مه 202).
  3. کوپفراشمیت، ک. کوهن، جی. اقدامات تهاجمی چین، ویروس کرونا را کند کرده است. آنها ممکن است در کشورهای دیگر کار نکنند. 2020. در دسترس آنلاین: https://www.sciencemag.org/news/2020/03/china-s-aggressive-measures-have-slowed-coronavirus-they-may-not-work-other-countries (در 12 مورد دسترسی قرار گرفته است. می 2020).
  4. تیان، اچ. لیو، ی. لی، ی. وو، CH; چن، بی. کریمر، MU; 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. کو، جی آر. کوک، AR؛ پارک، ام. مداخلات برای کاهش شیوع زودهنگام COVID-19 در سنگاپور: یک مطالعه مدل سازی. Lancet Infect Dis. 2020 ، 20 ، 678-688. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. وایلدر اسمیت، ای. Freedman، DO Isolation، قرنطینه، فاصله اجتماعی و مهار جامعه: نقش محوری اقدامات بهداشت عمومی قدیمی در شیوع کروناویروس جدید (2019-nCoV). J. Travel Med. 2020 ، 27 ، taaa020. [ Google Scholar ] [ CrossRef ]
  7. دل واله، اس. Hethcote، H. هیمن، جی.ام. کاستیلو چاوز، سی. اثرات تغییرات رفتاری در مدل حمله آبله. ریاضی. Biosci. 2005 ، 195 ، 228-251. [ Google Scholar ] [ CrossRef ]
  8. Fenichel، EP; کاستیلو چاوز، سی. Ceddia، MG; چاول، جی. پارا، PAG; هیکلینگ، GJ; هالووی، جی. هوران، ر. مورین، بی. پرینگز، سی. و همکاران رفتار تطبیقی ​​انسان در مدل های اپیدمیولوژیک Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 6306-6311. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  9. یانگ، ی. اتکینسون، PM؛ Ettema، D. تجزیه و تحلیل اقدامات کنترل اجتماعی CDC با استفاده از شبیه سازی مبتنی بر عامل یک اپیدمی آنفلوانزا در یک شهر. BMC Infect. دیس 2011 ، 11 ، 199. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  10. ریزو، ا. فراسکا، م. پورفیری، م. تأثیر رفتار فردی بر گسترش اپیدمی در شبکه‌های فعالیت محور. فیزیک Rev. E 2014 , 90 , 042801. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  11. سازمان بهداشت جهانی. اقدامات بهداشت عمومی غیردارویی برای کاهش خطر و تأثیر آنفولانزای همه گیر و همه گیر: ضمیمه: گزارش بررسی های ادبیات سیستماتیک. 2019. در دسترس آنلاین: https://apps.who.int/iris/bitstream/handle/10665/329439/WHO-WHE-IHM-GIP-2019.1-eng.pdf (در 12 مه 2020 قابل دسترسی است).
  12. بیهام، ج. Fenichel، EP تأثیر تعطیلی مدارس برای COVID-19 بر نیروی کار مراقبت های بهداشتی ایالات متحده و مرگ و میر خالص: یک مطالعه مدل سازی. Lancet Public Health 2020 ، 5 ، e271–e278. [ Google Scholar ] [ CrossRef ]
  13. داگلاس، ام. Katikireddi، SV; طالبوت، م. مک کی، ام. مک‌کارتنی، جی. کاهش اثرات بهداشتی گسترده‌تر پاسخ به همه‌گیری کووید-۱۹. BMJ Br. پزشکی J. 2020 , 369 , m1557. [ Google Scholar ] [ CrossRef ]
  14. ونکاتش، ع. ادیراپولی، اس. فاصله گذاری اجتماعی در کووید-19: پیامدهای سلامت روان چیست؟ BMJ Br. پزشکی J. 2020 , 369 , m1379. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. گالیا، اس. Merchant, RM; لوری، ن. پیامدهای سلامت روان COVID-19 و فاصله گذاری فیزیکی: نیاز به پیشگیری و مداخله زودهنگام. JAMA Intern. پزشکی 2020 ، 180 ، 817-818. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  16. Emeruwa، UN; به عنوان.؛ Shaman، JL; توریتز، ا. رایت، جی دی. گیامفی بنرمن، سی. ملامد، الف. ارتباط بین محیط ساخته شده، وضعیت اجتماعی-اقتصادی محله، و عفونت SARS-CoV-2 در میان زنان باردار در شهر نیویورک. JAMA Netw. 2020 ، 324 ، 390-392. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. فرانک، LD; Engelke، PO محیط ساخته شده و الگوهای فعالیت انسانی: بررسی تأثیرات شکل شهری بر سلامت عمومی. جی. پلان. روشن شد 2001 ، 16 ، 202-218. [ Google Scholar ] [ CrossRef ]
  18. حمیدی، س. صبوری، س. یوینگ، آر. آیا تراکم همه‌گیری COVID-19 را تشدید می‌کند؟ یافته ها و درس های اولیه برای برنامه ریزان. مربا. برنامه ریزی کنید. دانشیار 2020 ، 1-15. [ Google Scholar ] [ CrossRef ]
  19. وبر، دی جی; روتالا، WA; فیشر، WA; کاناموری، اچ. Sickbert-Bennett، EE بیماری های عفونی نوظهور: تمرکز بر مسائل کنترل عفونت برای کروناویروس های جدید (سندرم تنفسی حاد شدید-CoV و سندرم تنفسی خاورمیانه-CoV)، ویروس های تب خونریزی دهنده (لاسا و ابولا)، و ویروس های آنفلوانزای پرندگان بسیار بیماری زا، A (H5N1) و A (H7N9). صبح. ج. عفونی کردن. Control 2016 , 44 , e91–e100. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. کازانووا، ال. روتالا، WA; وبر، دی جی; Sobsey, MD بقای کروناویروس های جانشین در آب. Water Res. 2009 ، 43 ، 1893-1898. [ Google Scholar ] [ CrossRef ]
  21. پیریس، JSM; چو، سی ام؛ چنگ، VCC; چان، KS; آویزان، IFN; پون، LL; قانون، KI; تانگ، BSF; Hon، TYW; چان، CS; و همکاران پیشرفت بالینی و بار ویروسی در یک شیوع اجتماعی پنومونی SARS مرتبط با کرونا: یک مطالعه آینده نگر. Lancet 2003 ، 361 ، 1767-1772. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. ون دورمالن، ن. بوش میکر، تی. موریس، دی اچ. هالبروک، ام جی; گمبل، ا. ویلیامسون، BN; تامین، ع. هارکورت، جی ال. تورنبرگ، نیوجرسی؛ گربر، SI; و همکاران پایداری آئروسل و سطح SARS-CoV-2 در مقایسه با SARS-CoV-1. N. Engl. جی. مد. 2020 ، 382 ، 1564-1567. [ Google Scholar ] [ CrossRef ]
  23. Handy، SL; Boarnet، MG; یوینگ، آر. Killingsworth، RE چگونه محیط ساخته شده بر فعالیت بدنی تأثیر می گذارد: دیدگاه هایی از برنامه ریزی شهری. صبح. J. قبلی پزشکی 2002 ، 23 ، 64-73. [ Google Scholar ] [ CrossRef ]
  24. یان، جی. گرانتام، ام. پانتلیک، جی. de Mesquita، PJB; آلبرت، بی. لیو، اف. ارمن، س. میلتون، DK; کنسرسیوم EMIT ویروس عفونی در تنفس بازدم در موارد علامت دار آنفلوانزای فصلی از یک جامعه دانشگاهی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2018 ، 115 ، 1081–1086. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. ژائو، پی. کوان، ام.-پی. ژو، اس. مشکل زمینه جغرافیایی نامشخص در تجزیه و تحلیل روابط بین چاقی و محیط ساخته شده در گوانگژو. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 308. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. وانگ، جی. تره فرنگی.؛ کوان، ام.-پی. تأثیرات محیطی بر عدم فعالیت بدنی اوقات فراغت در ایالات متحده: کاوشی در مورد غیر ایستایی فضایی ISPRS Int. J. Geoinf. 2018 ، 7 ، 143. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. هوانگ، جی. لیو، ایکس. ژائو، پی. ژانگ، جی. Kwan، MP تعاملات بین استفاده از اتوبوس، مترو، و تاکسی قبل و بعد از جشنواره بهار چین. ISPRS Int. J. Geoinf. 2019 ، 8 ، 445. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. ژائو، پی. خو، ی. لیو، ایکس. کوان، ام.-پی. پویایی فضا-زمان رفتارهای اقامت رانندگان تاکسی و روابط آنها با ویژگی های محیط ساخته شده Cities 2020 , 101 , 102689. [ Google Scholar ] [ CrossRef ]
  29. راندل، ا. Neckerman، KM; فریمن، ال. لواسی، جی اس. پورسیل، ام. کوین، جی. ریچاردز، سی. سیرکار، ن. ویس، سی. محیط غذایی محله و قابلیت پیاده روی چاقی را در شهر نیویورک پیش بینی می کند. محیط زیست چشم انداز سلامتی 2009 ، 117 ، 442-447. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. Bodor, JN; برنج، JC; فارلی، TA; Swalm، CM; Rose, D. ارتباط بین چاقی و محیط های غذایی شهری. J. Urban Health 2010 ، 87 ، 771-781. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  31. Lu, Y. استفاده از نمای خیابان گوگل برای بررسی ارتباط بین فضای سبز خیابان و فعالیت بدنی. Landsc. طرح شهری. 2019 ، 191 ، 103435. [ Google Scholar ] [ CrossRef ]
  32. لین، تی پی؛ Tsai، KT; هوانگ، RL; Matzarakis, A. کمی سازی اثر شاخص های حرارتی و عامل نمای آسمان بر حضور در پارک. Landsc. طرح شهری. 2012 ، 107 ، 137-146. [ Google Scholar ] [ CrossRef ]
  33. کارتر، اس جی; Baranauskas، MN; Fly, AD ملاحظات مربوط به چاقی، ویتامین D و فعالیت بدنی در میان همه‌گیری COVID-19. چاقی 2020 ، 28 ، 1176-1177. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. گال، اف. سابلا، EA؛ مولین، جی دی; Giglio، OD; کاجیانو، جی. اونوفریو، وی دی. فراکوتی، اس. Montagna، MT; لیگوری، جی. Orsi، GB; و همکاران درک دانش و رفتارهای مرتبط با اپیدمی CoViD-19 در دانشجویان مقطع کارشناسی ایتالیا: مطالعه EPICO. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 , 17 , 3481. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. لیدن، KM سرمایه اجتماعی و محیط ساخته شده: اهمیت محله‌های قابل پیاده‌روی. صبح. J. بهداشت عمومی 2003 ، 93 ، 1546-1551. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  36. موراتیدیس، ک. محیط ساخته شده و رفاه اجتماعی: شکل شهری چگونه بر زندگی اجتماعی و روابط شخصی تأثیر می گذارد؟ شهرها 2018 ، 74 ، 7-20. [ Google Scholar ] [ CrossRef ]
  37. چن، اچ. جیا، بی. لاو، اس. شکل شهری پایدار برای شهرهای فشرده چینی: چالش های اقتصاد شهری سریع. Habitat Int. 2008 ، 32 ، 28-40. [ Google Scholar ] [ CrossRef ]
  38. پینتر ولمن، ن. جلیک، ا. ولز، NM تأثیر محیط ساخته شده بر رفتارهای بهداشتی و انتقال بیماری در سیستم های اجتماعی. فیلوس ترانس. R. Soc. لندن. B Biol. علمی 2018 , 373 , 20170245. [ Google Scholar ] [ CrossRef ]
  39. باجردی، پ. پولتو، سی. راماسکو، جی جی. تیزونی، م. کولیزا، وی. Vespignani، A. شبکه های تحرک انسانی، محدودیت های سفر، و گسترش جهانی بیماری همه گیر H1N1 در سال 2009. PLoS ONE 2011 ، 6 ، e16591. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. 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 ][ نسخه سبز ]
  41. ساموئلسون، ک. بارتل، اس. کولدینگ، جی. ماکاسا، جی. Giusti، M. طبیعت شهری به عنوان منبع تاب آوری در طول فاصله گذاری اجتماعی در میان همه گیری ویروس کرونا. آماده سازی OSF 2020 . [ Google Scholar ] [ CrossRef ]
  42. ون باول، جی جی. بایکر، ک. Boggio، PS; کاپرارو، وی. سیچوکا، ا. سیکارا، م. Crockett، MJ; کرام، ای جی. داگلاس، KM; Druckman، JN; و همکاران استفاده از علوم اجتماعی و رفتاری برای حمایت از پاسخ به همه گیری COVID-19. نات هوم رفتار 2020 ، 4 ، 460-471. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. دیتز، ال. هورو، پی اف. کویل، DA; فرتز، ام. آیزن، جی. ون دن ویملنبرگ، ک. 2019 بیماری همه گیر کروناویروس جدید (COVID-19): ملاحظات محیطی ساخته شده برای کاهش انتقال. mSystems 2020 ، 5 ، e00245-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. فنگ، ی. مارشال، تی. اسپری، تی. یی، H. تأثیر باد و رطوبت نسبی بر اثربخشی فاصله گذاری اجتماعی برای جلوگیری از انتقال هوابرد COVID-19: یک مطالعه عددی. J. Aerosol Sci. 2020 , 147 , 105585. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  45. یانگ، جی. وانگ، ام اس؛ مننتی، م. Nichol, J. مدل‌سازی تابش مؤثر سایبان شهری با استفاده از عامل نمای آسمان ISPRS J. Photogramm. Remote Sens. 2015 ، 105 ، 211-219. [ Google Scholar ] [ CrossRef ]
  46. Oke، طراحی خیابان TR و آب و هوای لایه سایبان شهری. انرژی ساخت. 1988 ، 11 ، 103-113. [ Google Scholar ] [ CrossRef ]
  47. لای، P.-C. کم، C.-T. Tse، W.-SC; Tsui، C.-K. لی، اچ. هوی، پی.-ک. خطر ابتلا به سل در خانه های با متراژ بالا و تراکم بالا: یک تحلیل فضایی اکتشافی. محیط زیست آلودگی 2013 ، 183 ، 40-45. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. الکساندر، سی. ایشیکاوا، اس. Silverstein, M. A Pattern Language: Towns, Buildings, Construction ; انتشارات دانشگاه آکسفورد: آکسفورد، بریتانیا، 1977. [ Google Scholar ]
  49. تره فرنگی.؛ پارک، جی اس. گوه، اس. چوی، ام. اندازه گیری دسترسی در شبکه های حمل و نقل و کاربرد در سیستم اتوبوس سئول. Geogr. مقعدی 2019 ، 51 ، 339-353. [ Google Scholar ] [ CrossRef ]
  50. تره فرنگی.؛ لی، HY یک الگوریتم جدید برای اندازه‌گیری دسترسی گرهی گره‌ای نظری. Geogr. مقعدی 1998 ، 30 ، 1-14. [ Google Scholar ] [ CrossRef ]
  51. کاهل، بی. هیل، جی. هوبی، سی جی; شویکارت، جی. کرافت، تی. Dukers-Muijrers، NH توزیع فضایی عفونت‌های ویروس هپاتیت C و عوامل تعیین‌کننده مرتبط – کاربرد یک رگرسیون پواسون وزن‌دار جغرافیایی برای مداخلات غربالگری مبتنی بر شواهد در نقاط داغ. PLoS ONE 2015 ، 10 ، e0135656. [ Google Scholar ] [ CrossRef ]
  52. براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr Anal. 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
  53. Desjardins، MR; هول، ا. Delmelle، EM نظارت سریع بر COVID-19 در ایالات متحده با استفاده از آمار اسکن فضا-زمان آینده نگر: شناسایی و ارزیابی خوشه های در حال ظهور. Appl. Geogr. 2020 , 118 , 102202. [ Google Scholar ] [ CrossRef ]
  54. گاتو، م. برتوزو، ای. ماری، ال. میکولی، اس. کارارو، ال. کاساگراندی، ر. Rinaldo، A. گسترش و پویایی اپیدمی COVID-19 در ایتالیا: اثرات اقدامات مهار اضطراری. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 10484–10491. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. نگوین، QC؛ هوانگ، ی. کومار، ا. دوان، اچ. کرالیس، جی.ام. دوویدی، پ. منگ، H.-W.; Brunisholz، KD; جی، جی. جوانمردی، م. و همکاران استفاده از 164 میلیون تصویر نمای خیابان Google برای استخراج پیش‌بینی‌کننده‌های محیطی ساخته‌شده از موارد COVID-19. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 6359. [ Google Scholar ] [ CrossRef ]
  56. امرام، او. امیری، س. لوتز، RB; راجان، بی. Monsivais, P. توسعه یک شاخص آسیب‌پذیری برای تشخیص کروناویروس جدید، COVID-19، در ایالت واشنگتن، ایالات متحده. Health Place 2020 , 64 , 102377. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  57. Xiong، Y. وانگ، ی. چن، اف. ژو، ام. آمار فضایی و عوامل مؤثر بر اپیدمی COVID-19 در هر دو سطح استان و شهرستان در استان هوبی، چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 3903. [ Google Scholar ] [ CrossRef ]
  58. Cowling، BJ; یک لیست؛ Ng، TW; Tsang، TK; لی، جی سی. فونگ، مگاوات؛ لیائو، کیو. کوان، من؛ لی، اس ال. چیو، اس اس. و همکاران ارزیابی تاثیر مداخلات غیردارویی علیه بیماری کروناویروس 2019 و آنفولانزا در هنگ کنگ: یک مطالعه مشاهده ای. Lancet Public Health 2020 ، 5 ، e279–e288. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00624 g001 550
شکل 1. منطقه مطالعه و توزیع فضایی مسکونی موارد تایید شده (TPU، واحد برنامه ریزی سوم هنگ کنگ).
Ijgi 09 00624 g002 550
شکل 2. مجموعه داده کاربری زمین.
Ijgi 09 00624 g003 550
شکل 3. مجموعه داده های چند ضلعی ساختمان و عامل نمای آسمان (SVF).
Ijgi 09 00624 g004 550
شکل 4. توزیع فراوانی خطر COVID-19 در هنگ کنگ: ( الف ) توزیع فراوانی R1. ( ب ) توزیع فرکانس R2.
Ijgi 09 00624 g005 550
شکل 5. توزیع فضایی خطر COVID-19 در هنگ کنگ: ( الف ) توزیع فضایی R1. ( ب ) توزیع فضایی R2.
Ijgi 09 00624 g006 550
شکل 6. توزیع فضایی درصد انحراف محلی که توسط مدل های GPWR برای R1 و R2 توضیح داده شده است: ( الف ) درصد انحراف محلی R1 توضیح داده شده است. ( ب ) درصد انحراف محلی R2 را توضیح داد.
Ijgi 09 00624 g007 550
شکل 7. توزیع فضایی باقیمانده استاندارد محلی از مدل های GPWR برای R1 و R2: ( الف ) باقیمانده استاندارد محلی R1. ( ب ) R2 باقیمانده استاندارد محلی.
Ijgi 09 00624 g008 550
شکل 8. توزیع فضایی ضرایب GWPR برای R1: ( الف ) تراکم تسهیلات حمل و نقل. ( ب ) تراکم جمعیت. ( ج ) تراکم مسکونی خصوصی. ( د ) تنوع کاربری زمین. ( ه ) ارتفاع ساختمان.
Ijgi 09 00624 g009 550
شکل 9. توزیع فضایی ضرایب GWPR برای R2: ( الف ) دسترسی گرهی. ( ب ) تراکم جمعیت. ( ج ) تراکم مسکونی خصوصی. ( د ) تراکم تجاری. ( ه ) تراکم فضای سبز. ( و ) نمای آسمان.
قیمت طراحی سایت آموزش gis آموزش مقاله نویسی آموزش کسب و کار

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید