خلاصه

در این مطالعه، ما عوامل محرک بالقوه‌ای را که منجر به نابرابری در سری‌های زمانی زمان سکونت در خانه می‌شود، به شیوه‌ای مبتنی بر داده بررسی می‌کنیم، با هدف ارائه دانش اساسی که به سود سیاست‌گذاری برای استراتژی‌های کاهش بهتر بیماری‌های همه‌گیر آینده است. با در نظر گرفتن مترو آتلانتا به عنوان یک مورد مطالعه، ما با انجام خوشه‌بندی سری‌های زمانی Kmeans با استفاده از رکوردهای ریزدانه زمان اقامت در خانه از SafeGraph، یک تحلیل مبتنی بر روند انجام می‌دهیم. علاوه بر این، ما ANOVA (تحلیل واریانس) را همراه با آزمون توکی پس‌هک برای ارزیابی تفاوت آماری در شانزده متغیر جمعیت‌شناختی/اجتماعی-اقتصادی (از تخمین‌های ACS 2014-2018) در میان خوشه‌های سری زمانی شناسایی‌شده اعمال می‌کنیم. ما متوجه شدیم که متغیرهای جمعیت شناختی/اجتماعی-اقتصادی می توانند نابرابری در زمان سکونت در خانه را در پاسخ به دستور اقامت در خانه توضیح دهند. که به طور بالقوه منجر به قرار گرفتن در معرض خطر COVID-19 متفاوت می شود. نتایج همچنین نشان می‌دهد که گروه‌های آسیب‌دیده اجتماعی کمتر از دستور ماندن در خانه پیروی می‌کنند و به شکاف‌های گسترده در اثربخشی اقدامات فاصله‌گذاری اجتماعی که بین گروه‌های آسیب‌دیده اجتماعی و دیگران وجود دارد، اشاره می‌کند. مطالعه ما نشان می دهد که موضوع طولانی مدت بی عدالتی در ایالات متحده مانع از اجرای موثر اقدامات فاصله گذاری اجتماعی است.

کلید واژه ها:

COVID-19 ؛ زمان اقامت در خانه ؛ خوشه بندی سری های زمانی ; سفارشات ماندن در خانه

1. معرفی

بیماری کروناویروس 2019 (COVID-19) یک تهدید جهانی است که نگرانی‌های جهانی را با تشدید چالش‌های اقتصادی، اجتماعی و بهداشتی ایجاد می‌کند. در 11 مارس، سازمان بهداشت جهانی (WHO) رسماً COVID-19 را به عنوان یک بیماری همه گیر اعلام کرد و به خطر پایدار گسترش بیشتر جهانی اشاره کرد و از کشورها و مناطق خواست به نیروها بپیوندند [1 ] . تا 6 سپتامبر (زمان نگارش)، در مجموع 26,763,217 عفونت و 876,616 مرگ در سراسر جهان وجود داشته است و ایالات متحده 23.0٪ از عفونت های جهانی و 21.3٪ از مرگ و میرهای جهانی را تشکیل می دهد [2] .]. ما هنوز شاهد انتقال گسترده بیماری COIVD-19 در جامعه در سراسر جهان هستیم. متأسفانه، تا به امروز، نه واکسنی یافت شده است و نه عامل دارویی برای کاهش انتقال سندرم حاد تنفسی ویروس کرونا-2 (SARS-CoV-2)، ویروسی که باعث COVID-19 می شود [3 ] .
در پاسخ به تهدید COVID-19، اقدامات فاصله گذاری اجتماعی یکی از ابزارهای اولیه برای کاهش انتقال ویروس SARS-CoV-2 است. دولت‌های ملی و محلی دستورات ماندن در خانه را ترویج کرده‌اند در حالی که نیازمند تعطیلی مشاغل غیر ضروری برای کاهش خطر انتقال با افزایش بیشتر اقدامات فاصله‌گذاری اجتماعی هستند [ 4 ]. مطالعات نشان داده‌اند که چنین سیاست‌های اولیه دولتی در چین [ 5 ]، کره [ 6 ] و بسیاری از کشورهای اروپایی مؤثر بوده است [ 7 ، 8]]، زیرا کاهش قابل توجهی در نرخ انتقال به دنبال اجرای اقدامات قوی برای کاهش تحرک مشاهده شد. در ایالات متحده، بسیاری از ایالت‌ها، شهرستان‌ها و شهرها شروع به صدور اقدامات کاهش اقامت در خانه یا مشابهی کردند که ساکنان را ملزم به کاهش جابجایی و ماندن در خانه از اوایل مارس 2020 کردند، که منجر به افزایش قابل توجه زمان اقامت در خانه شده است. اولین دستور اقامت در خانه در منطقه خلیج، کالیفرنیا، در 16 مارس 2020 اجرا شد و به زودی (3 روز بعد)، یک دستور اقامت در خانه در سراسر ایالت در CA صادر شد [9 ] . به تدریج، تعداد فزاینده ای از دولت ها شروع به اتخاذ این استراتژی کردند. تا 24 مارس، بیش از 50 درصد از جمعیت ایالات متحده تحت دستور اقامت در خانه بودند و این تعداد تا 4 آوریل از 50 درصد به 95 درصد افزایش یافت. .]. با وجود دستورات اقامت در خانه که به طور گسترده پذیرفته شده است، شواهد فزاینده ای از پاسخ های متفاوت وجود دارد که به طور بالقوه جمعیت آسیب پذیر را به طور نابرابر در معرض همه گیری COVID-19 قرار می دهد [ 10 ، 11 ]. هنگام مواجهه با اقدامات کاهش‌دهنده یکسان، چنین پاسخ‌های متفاوتی از سوی ساکنان عمدتاً به دلیل وضعیت‌های مختلف اجتماعی-اقتصادی است که منعکس‌کننده مشکل طولانی‌مدت نابرابری سلامت در ایالات متحده است، که معمولاً عواقب ناشی از پاسخ‌های نامتناسب را با تحمیل پیامدهای منفی طولانی‌مدت برای آنها اغراق می‌کند. گروه های آسیب دیده اجتماعی [ 12 ]. بنابراین، شناسایی متغیرهای جمعیت شناختی و اجتماعی-اقتصادی که به طور بالقوه باعث ایجاد نابرابری در اجرای دستورات اقامت در خانه می شوند، مستحق توجه زیادی است.
بسیاری از مطالعات نابرابری را در پاسخ به دستورات ماندن در خانه در طول همه‌گیری COVID-19 بررسی کرده‌اند. به لطف در دسترس بودن مجموعه داده های تحرک که نظارت سریع بر تحرک انسان را تسهیل می کند، پاسخ ها معمولاً با زمان اقامت در خانه، مسافت سفر و بازدیدهای POI (نقطه مورد علاقه) اندازه گیری می شوند. Chiou و Tucker [ 13 ] همبستگی سطح ایالات متحده بین درآمد و خود انزوا در خانه را بررسی کردند و دریافتند که افراد با درآمد بالا معمولاً زمان بیشتری را در خانه می گذرانند (شواهد آنها نشان می دهد که دسترسی به اینترنت پرسرعت نقش مهمی ایفا می کند. ). بارنت هاول و مبارک [ 14] دریافت که افرادی که درآمد کمتری دارند، به جای ابتلا به کووید-19، ارزش بیشتری برای نگرانی‌های معیشتی خود قائل می‌شوند، در نتیجه منجر به مزایای اپیدمیولوژیک و اقتصادی کمتر اقدامات فاصله‌گذاری اجتماعی در مناطق فقیرتر می‌شود. جونز [ 15 ] اختلاف شهری و روستایی را در آگاهی از تهدید مستند کرد، زیرا 54 درصد از ساکنان شهری در ایالت ها کووید-19 را یک تهدید بزرگ می دانند، در مقایسه با 42 درصد از ساکنان حومه شهر و تنها 27 درصد از ساکنان روستایی در همان ایالت ها این نابرابری شهری و روستایی در آگاهی از خطر احتمالاً باعث ایجاد نابرابری در جابجایی روزانه آنها می شود، بنابراین بیشتر به نابرابری در قرار گرفتن در معرض COVID-19 ترجمه می شود. از طریق بررسی سوابق تحرک در سطح شهرستان ایالات متحده، لو و همکاران. [ 16] تأثیرات متفاوت سفارش‌های اقامت در خانه را بر گروه‌های اقتصادی نشان داد، جایی که گروه کم درآمد کمتر از دستور ماندن در خانه پیروی می‌کنند، که با مسافت طولانی‌تر سفر آنها در مقایسه با گروه با درآمد بالاتر مشهود است. به طور مشابه، هوانگ و همکاران. [ 10] چهار مجموعه داده متحرک محبوب را مقایسه کرد و دریافت که، صرف نظر از ویژگی‌های منحصر به فرد آنها، همه مجموعه داده‌های تحرک انتخابی یک همبستگی مثبت آماری معنادار بین کاهش تحرک و درآمد در مقیاس شهرستانی را نشان می‌دهند. علی‌رغم تلاش‌های فوق، صحت نابرابری مرتبط در پاسخ به متغیرهای جمعیتی/اجتماعی-اقتصادی توسط واحدهای جغرافیایی درشت مختل شده است، زیرا سیاست‌های کاهش ممکن است در کشورها، ایالت‌ها و حتی شهرستان‌های مختلف متفاوت باشد. بنابراین، نابرابری مستند در پاسخ ممکن است ناشی از اختلاف در سیاست‌های کاهش باشد، نه از شاخص‌های جمعیتی/اجتماعی-اقتصادی متفاوت. بنابراین، بررسی سوابق تحرک دقیق (مثلاً در سطح سرشماری یا گروه بلوک) بسیار نیاز است. علاوه بر این، اکثر مطالعات موجود از شاخص‌هایی استفاده می‌کنند که در طول یک دوره خاص خلاصه شده‌اند تا پاسخ مربوط به تحرک را کمی کنند، و چشم‌اندازهای پویا نشان‌داده‌شده از داده‌های سری زمانی را نادیده می‌گیرند. در مقایسه، تحلیل‌های مبتنی بر روند سری‌های زمانی ممکن است بینش‌های ارزشمندی را در مورد تمایز الگوهای دینامیکی مختلف رکوردهای تحرک ارائه دهد، بنابراین تحقیقات بیشتر را تضمین می‌کند.
اهداف این مطالعه کشف قابلیت خوشه‌بندی سری‌های زمانی در دسته‌بندی سوابق تحرک دقیق در طول همه‌گیری COVID-19، و بررسی بیشتر متغیرهای جمعیت‌شناختی/اجتماعی-اقتصادی در بین دسته‌هایی با اهمیت آماری است. استفاده از زمان اقامت در خانه در سطح Census Block Group (CBG) از SafeGraph [ 17]، و با استفاده از منطقه آماری شهری آتلانتا-سندی اسپرینگز-روزول (MSA) (از این پس مترو آتلانتا نامیده می شود) به عنوان یک مورد مطالعه، این مطالعه عوامل محرک بالقوه را که منجر به نابرابری در سری های زمانی خانه های مسکونی می شود بررسی می کند. بارها در طول همه گیری کووید-19، ارائه دانش اساسی که به نفع سیاست گذاری برای اقدامات کاهش بهتر در همه گیری های آینده است. مشارکت های این اثر به شرح زیر خلاصه می شود:
  • ما با انجام خوشه‌بندی سری‌های زمانی Kmeans با استفاده از رکوردهای زمان سکونت در خانه ریزدانه از SafeGraph، یک تحلیل روند محور انجام می‌دهیم.
  • ما اهمیت آماری شانزده متغیر جمعیتی/اجتماعی-اقتصادی منتخب را در میان گروه‌های طبقه‌بندی شده به دست آمده از خوشه‌بندی سری‌های زمانی ارزیابی می‌کنیم. این متغیرها وضعیت اقتصادی، نژاد و قومیت، سن و نوع خانوار، تحصیلات و حمل و نقل را پوشش می دهند.
  • ما در مورد متغیرهای جمعیتی/اجتماعی-اقتصادی بالقوه که منجر به نابرابری در زمان سکونت در خانه در طول همه‌گیری COVID-19 می‌شود، چگونگی منعکس‌کننده نابرابری طولانی مدت سلامت در ایالات متحده و آنچه می‌توان برای سیاست‌گذاری بهتر پیشنهاد کرد، بحث می‌کنیم.
ادامه مقاله به شرح زیر تدوین شده است. بخش 2 مجموعه داده های مورد استفاده در این مطالعه را معرفی می کند. بخش 3 رویکردهای روش شناختی را که ما به کار بردیم ارائه می کند. بخش 4 زمینه های مورد مطالعه (مترو آتلانتا) را شرح می دهد. بخش 5 نتایج خوشه بندی سری های زمانی، نتایج تحلیل واریانس و بحث را ارائه می کند. بخش 6 مقاله ما را به پایان می رساند.

2. مجموعه داده ها

2.1. خانه زمان اقامت

رکوردهای زمان سکونت در خانه از SafeGraph ( https://www.safegraph.com/ )، یک شرکت داده مشتق شده است که داده های مکان ناشناس را از برنامه های متعدد به منظور ارائه بینش در مکان های فیزیکی جمع آوری می کند. SafeGraph داده‌ها را با استفاده از پانلی از نقاط GPS از دستگاه‌های تلفن همراه ناشناس جمع‌آوری می‌کند و مکان خانه را به عنوان مکان مشترک شبانه هر دستگاه تلفن همراه در یک دوره شش هفته‌ای تا یک دانه‌بندی Geohash-7 (153 × 153 متر) تعیین می‌کند [ .]. برای افزایش حریم خصوصی، SafeGraph اطلاعات CBG را حذف می‌کند، اگر کمتر از پنج دستگاه در یک ماه از یک CBG معین از یک موسسه بازدید کنند. رکوردهای داده مورد استفاده در این مطالعه میانگین زمان ماندن در خانه بر حسب دقیقه برای همه دستگاه‌های دارای CBG مشخص به صورت روزانه است. برای هر دستگاه، دقایق مشاهده شده در خانه در طول روز جمع می‌شود و مقدار متوسط ​​برای همه دستگاه‌های با CBG مشخص بیشتر محاسبه می‌شود [ 17 ]. مجموعه داده خام SafeGraph که برای سال 2020 استفاده کردیم، از 1 ژانویه 2020 تا 31 اوت 2020 (244 روز) با سوابق زندگی روزانه در خانه (در دقیقه) در مجموع 219972 CBG را شامل می شود. نقشه حرارتی زمان اقامت در خانه برای این CBG ها در ارائه شده است شکل 1 ارائه شده است. تأثیر COVID-19 را می توان مشاهده کرد، زیرا زمان اقامت در خانه به طور قابل توجهی پس از اعلام وضعیت اضطراری ملی در 13 مارس 2020 [ 18 ] افزایش یافت ( شکل 1 )، با وجود تفاوت در شدت فزاینده. با این حال، پس از لغو اقدامات سختگیرانه فاصله گذاری اجتماعی در اوایل ماه مه، زمان اقامت در خانه شروع به کاهش می کند و به سطح قبل از همه گیری باز می گردد ( شکل 1 ). افزایش تغییرات زمان اقامت در خانه پس از اعلام اضطرار ملی نشان می دهد که CBG ها واکنش های متفاوتی به همه گیری و دستور دولت دارند. علیرغم تعداد زیاد CBGها، همه CBGها حاوی سوابق کافی برای استخراج سری های زمانی پایدار نیستند که بتوان از آنها برای خوشه بندی استفاده کرد. جزئیات مراحل پیش پردازش در ارائه شده است بخش 3.1 ارائه شده است.

2.2. متغیرهای جمعیتی/اجتماعی اقتصادی

متغیرهای جمعیتی و اجتماعی-اقتصادی در این مطالعه از نظرسنجی جامعه آمریکا (ACS) که توسط اداره سرشماری ایالات متحده جمع آوری شده است، مشتق شده است. ACS یک نظرسنجی سراسری در حال انجام است که هر ساله انواع اطلاعات جمع آوری شده در مورد ساکنان ایالات متحده را در سطوح مختلف جغرافیایی بررسی می کند [ 19 ]. ACS به طور تصادفی نمونه های ماهانه را بر اساس آدرس های واحد مسکونی انتخاب می کند و مجموعه داده های تخمینی سالانه (یعنی نمونه های 12 ماهه) را منتشر می کند. علاوه بر مجموعه داده های 1 ساله، ACS همچنین تخمین های 3 ساله (یعنی نمونه های 36 ماهه) و تخمین های 5 ساله (یعنی نمونه های 60 ماهه) را منتشر می کند. در مقایسه با مجموعه داده‌های 1 ساله و 3 ساله، برآوردهای 5 ساله بیشترین مناطق را پوشش می‌دهند، بیشترین حجم نمونه را دارند و حاوی معتبرترین اطلاعات هستند [20 ]]. در این مطالعه، ما از آخرین داده‌های 5 ساله ACS، یعنی برآوردهای 5 ساله ACS 2014-2018، به‌دست‌آمده از Social Explorer ( https://www.socialexplorer.com/ ) استفاده می‌کنیم. ما متغیرها را از داده‌های ACS به عنوان پنج دسته اصلی مجدداً کدگذاری می‌کنیم: (1) وضعیت اقتصادی. (2) نژاد و قومیت؛ (3) جنسیت، سن و نوع خانواده؛ (4) آموزش و پرورش؛ (5) حمل و نقل مطالعات تجربی قبلی نشان داد که این متغیرها می توانند با الگوی سفرهای روزانه و مشارکت در فعالیت های خارج از خانه مرتبط باشند [ 21 ، 22 ، 23 ، 24 ]. اطلاعات دقیق متغیرها در پنج دسته در جدول 1 ارائه شده است. علاوه بر این، مرزهای CBG از TIGER/Line Shapefiles 2019 توسط اداره سرشماری ایالات متحده ( https://www.census.gov/cgi-bin/geo/shapefiles/index.php ) مشتق شده است.

3. روش ها

3.1. پیش پردازش

چندین مرحله پیش پردازش برای اطمینان از اینکه CBG ها در منطقه مورد مطالعه حاوی سوابق کافی و معتبر برای استخراج سری های زمانی پایدار هستند که می توانند برای خوشه بندی استفاده شوند، اعمال می شود. ما ابتدا CBG هایی را انتخاب می کنیم که در منطقه مورد مطالعه قرار می گیرند، یعنی مترو آتلانتا (جزئیات بیشتر مترو-آتلانتا را می توان در بخش 4 یافت )، که در مجموع 2687 CBG را به دست می آورد. از آنجایی که SafeGraph از دستگاه‌های دیجیتال برای اندازه‌گیری زمان اقامت در خانه استفاده می‌کند، تعداد دستگاه‌های موجود در هر CBG تا حد زیادی نمایندگی و پایداری سری‌های زمانی را تعیین می‌کند. ما توزیع فضایی میانگین تعداد دستگاه های روزانه را در منطقه مترو آتلانتا ترسیم کردیم و مشاهده کردیم که CBG های تحت سلطه مناطق غیرمسکونی تمایل به تعداد دستگاه های روزانه کمتری دارند ( شکل 2)الف)، احتمالاً به دلیل تعداد کمتر مکان های خانه شناسایی شده از طریق الگوریتم SafeGraph است (به بخش 3.1 مراجعه کنید ). ما CBG هایی را با بیش از 200 روز (از 244 روز) سوابق زمان سکونت در خانه نگه داشتیم تا اطمینان حاصل کنیم که می توان سری های زمانی قابل اعتماد تولید کرد. برای پر کردن داده‌های گمشده، رویکرد هوانگ و همکاران را اتخاذ کردیم. [ 10]، که در آن داده های از دست رفته از طریق یک درونیابی خطی ساده با فرض تغییر خطی زمان اقامت در خانه بین دو رکورد متوالی موجود پر می شود. بررسی اولیه ما نشان می‌دهد که زمانی که تعداد دستگاه‌های روزانه به 100 برسد، می‌توان به سری‌های زمانی پایدار از زمان اقامت روزانه در خانه دست یافت. بنابراین، ما میانگین تعداد دستگاه‌های روزانه را برای هر CBG در طول دوره 244 روزه محاسبه کردیم و CBGها را با میانه انتخاب کردیم. برابر یا بزرگتر از 100. ما همچنین مشاهده کردیم که برخی از CBGها الگوهای غیرعادی خانه نشینی را با مقادیر 0 متوالی برای مدت زمان معینی ارائه می دهند. برای جلوگیری از مشکلات احتمالی ناشی از این CBGها در عملکرد الگوریتم خوشه‌بندی، CBGها را با مقادیر 0 که بیش از سه روز متوالی را در بر می‌گرفت حذف کردیم. در مجموع 1483 CBG پس از مراحل پیش پردازش فوق الذکر باقی مانده است.شکل 2 ب. نمایندگی به عنوان نسبت بین میانگین تعداد دستگاه های روزانه و جمعیت از برآوردهای ACS 2014-2018 تعریف می شود. میزان نمایندگی برای اکثر CBG ها از 5 تا 10 درصد است ( شکل 2 ب)، که به طور قابل توجهی بالاتر از توییتر است [ 25 ]، یک پلت فرم منبع باز معمولا برای استخراج آمارهای مرتبط با تحرک.

3.2. خوشه بندی سری های زمانی

خوشه‌بندی سری‌های زمانی فرآیند تقسیم‌بندی مجموعه داده‌های سری زمانی به تعداد معینی از خوشه‌ها، با توجه به معیار شباهت خاصی است. در این مطالعه، هدف ما خوشه‌بندی سری‌های زمانی زمان سکونت در خانه در CBGها در منطقه مورد مطالعه بود. ما طراحی K-means [ 26 ] را اتخاذ می‌کنیم، یک الگوریتم خوشه‌بندی مبتنی بر پارتیشن بدون نظارت که در آن مشاهدات در خوشه‌ای با نزدیک‌ترین میانگین طبقه‌بندی می‌شوند. انتخاب اندازه‌گیری‌های شباهت در Kmeans برای تشخیص خوشه‌ها بسیار مهم است [ 27 ]. با توجه به اینکه سری های زمانی زمان سکونت در خانه برای اکثر CBG ها شکل مشابهی دارند اما در شدت متفاوت هستند ( شکل 1ما تصمیم گرفتیم فاصله اقلیدسی بین دو سری زمانی را محاسبه کنیم.

با توجه به مجموعه داده در nسری زمانی تی={تی1، تی1،…، تیn}، هدف ما پارتیشن بندی بود تیدر مجموع از کخوشه ها، یعنی سی={سی1، سی2،… سیک، }با کمینه کردن تابع هدف J که به صورت زیر داده می شود:

= ∑j=1ک∑من=1n”تیمنj-سیj”

جایی که تیمنjنشان دهنده سری زمانی است تیمندر دسته بندی j، و “·”نشان دهنده اندازه گیری شباهت است که فاصله بین آنها را اندازه گیری می کند تیمنj و مرکز خوشه از سیj. اجازه دهید تیمنو سیjهر کدام یک باشند متر-بردار بعدی، جایی که متربرابر طول سری زمانی است (در این مورد 244). از آنجایی که فاصله اقلیدسی به عنوان سنجش تشابه در این مطالعه انتخاب شده است، “تیمنj-سیj”را می توان به صورت زیر بازنویسی کرد:

“تیمنj-سیj”=∑ک=1متر(تیمنکj-سیjک)2
علاوه بر این، Kmeans از یک روش تکراری با مراحل زیر برای استخراج دسته بندی نهایی برای هر نامزد سری زمانی استفاده می کند:
مقدار دهی اولیه کنید  کمرکزهای خوشه ای سی1، سی2،… سیک، خودسرانه
هر سری زمانی را اختصاص دهید تیمنبه خوشه صحیح آن سیj، مطابق با آrgمترمنn”تیمنj-سیj”.
مراکز را به روز کنید سیjبر اساس خوشه های جدید
مراحل 2 و 3 را تا زمان همگرایی تکرار کنید.
خوشه‌بندی سری‌های زمانی Kmeans نیاز به پیش‌تعیین تعداد کل خوشه‌ها دارد (یعنی ک) که به ناچار ماهیت ذهنی تصمیم گیری در مورد تشکیل خوشه های معقول را معرفی می کند [ 28 ]. از طریق بررسی مجموعه داده سری زمانی، ما تنظیم کردیم ک=3با انتظار یافتن سه خوشه CBG با الگوهای مختلف زمان اقامت در خانه، به دنبال ترتیب ماندن در خانه: (1) CBG با افزایش قابل توجه زمان اقامت در خانه. (2) CBG با افزایش متوسط ​​زمان اقامت در خانه؛ (3) CBG با تغییرات غیرقابل توجه در زمان اقامت در خانه.

3.3. رویکردهای تحلیلی

پس از خوشه‌بندی سری‌های زمانی، سه خوشه CBG تشکیل می‌شوند که هر کدام دارای الگوی توزیع منحصربه‌فردی از زمان سکونت روزانه در خانه هستند. شناسایی تفاوت آماری در متغیرهای جمعیتی/اجتماعی-اقتصادی در میان این خوشه‌ها، درک بهتری از متغیرهایی که به طور بالقوه منجر به نابرابری در زمان سکونت در خانه در طول همه‌گیری COVID-19 می‌شوند را تسهیل می‌کند. از نظر کیفی، ما خوشه های CBG را برچسب گذاری می کنیم، آنها را به صورت فضایی رسم می کنیم و الگوی فضایی خوشه ها را با الگوی فضایی چندین متغیر عمده جمعیتی/اجتماعی-اقتصادی در منطقه مورد مطالعه مقایسه می کنیم ( شکل 3 را ببینید) . از نظر کمی، از آنالیز واریانس یک طرفه (تحلیل واریانس) (001/0 = α) [ 29 ] برای ارزیابی اهمیت آماری پنج شاخص اصلی استفاده می‌کنیم ( جدول 1 را ببینید).) در میان گروه‌های CBG طبقه‌بندی‌شده که از خوشه‌بندی سری‌های زمانی مشتق شده‌اند. از آنجایی که ANOVA بینش هایی را در مورد تفاوت های خاص بین جفت میانگین های خوشه ای ارائه نمی دهد، ما بیشتر آزمون Tukey (0.05، 0.01، 0.001 = α) [30] را انجام می دهیم، یک تجزیه و تحلیل محبوب پس از آن به دنبال ANOVA، برای ارزیابی تفاوت آماری جمعیت شناختی / متغیرهای اجتماعی و اقتصادی بین جفت های خوشه.

4. مشخصات منطقه مورد مطالعه

منطقه مطالعه تعریف شده در این مطالعه به عنوان مترو آتلانتا نامیده می شود که توسط دفتر مدیریت و بودجه ایالات متحده (OMB) به عنوان منطقه آماری شهری آتلانتا-سندی اسپرینگز-آلفارتتا، جورجیا (GA) تعیین شده است. مترو آتلانتا دوازدهمین MSA بزرگ در ایالات متحده و پرجمعیت ترین منطقه مترو در GA است [ 31 ]. منطقه مورد مطالعه در مجموع شامل 30 شهرستان GA (فهرست شده در جدول A1 ) است و طبق برآورد ACS 2014-2018 دارای جمعیت تخمینی 5,975,424 است. مترو آتلانتا از دهه 1940 به سرعت رشد کرده است. با این حال، مترو آتلانتا علیرغم رشد سریع خود، نابرابری های فزاینده ای از جمله تقسیمات طبقاتی و نژادی را نشان داده است که زمینه ساز رشد و توسعه نابرابر است و آن را به یکی از مناطق مترو با بیشترین نابرابری تبدیل کرده است [32] ., 33 , 34 ]. دلیل اصلی این است که چرا ما این منطقه مترو را برای بررسی نابرابری در پاسخ‌ها به همه‌گیری COVID-19 انتخاب کردیم. در چند دهه اخیر، منطقه متروی شمالی بیشتر رشد جدید را جذب کرده است، به لطف روند تغییر به سمت شمال جمعیت سفیدپوست منطقه مترو و توسعه سریع اداری، تجاری و خرده فروشی [35 ] . پس از توسعه نامتعادل فزاینده در دهه های اخیر، مترو آتلانتا شروع به ارائه یک نابرابری فضایی متمایز از شمال به جنوب در بسیاری از متغیرهای جمعیتی/اجتماعی-اقتصادی کرد ( شکل 3 ). در مقایسه با منطقه متروی جنوبی، منطقه شمال با درآمد بالاتر ( شکل 3 الف)، درصد سفید بالاتر ( شکل 3) مشخص می شود.ب)، آموزش عالی ( شکل 3 ج)، و درصد بالاتری از کارگران کار از خانه ( شکل 3 د).
برخلاف ناهمگونی فضایی قابل توجه وضعیت اجتماعی-اقتصادی، واکنش‌های دولتی GA به همه‌گیری COVID-19 در فضا تقریباً همگن است. در 14 مارس 2020، فرماندار برایان پی کمپ وضعیت اضطراری بهداشت عمومی را در GA اعلام کرد. بیست روز بعد (3 آوریل)، دستور سرپناه در محل برای کل ایالت اعمال شد [ 36 ]. اقدامات سختگیرانه فاصله گذاری اجتماعی تا اواخر آوریل ادامه داشت تا زمانی که GA شروع به بازگشایی تدریجی کرد: از سرگیری خدمات غذاخوری در رستوران (27 آوریل)، بازگشایی بارها و کلوپ های شبانه با محدودیت ظرفیت (1 ژوئن)، اجازه تجمع 50 نفر (16 ژوئن)، و بازگشایی کنوانسیون ها و اجرای زنده (1 ژوئیه) [ 37 ].

5. نتایج

5.1. خوشه های CBG و توزیع فضایی آنها را شناسایی کرد

سه خوشه CBG بر اساس الگوی سری زمانی در زمان سکونت روزانه خانه از طریق الگوریتم خوشه‌بندی سری زمانی Kmeans شناسایی می‌شوند. CBGها در خوشه شماره 1 با تغییرات غیرقابل توجه آنها در زمان اقامت در خانه در کل بازه زمانی مشخص می شوند، که نشان می دهد سفارشات ماندن در خانه تأثیر حداقلی بر افرادی دارد که در این CBG ها زندگی می کنند (شکل 4 a ) . در مقایسه، CBGها در خوشه شماره 2 ( شکل 4 ب) و خوشه شماره 3 ( شکل 4 ج) به اقدامات سختگیرانه اجرا شده در ماه مارس و آوریل به شدت پاسخ دادند. CBGها در خوشه شماره 2 افزایش متوسطی را در زمان اقامت در خانه در طول اجرای اقدامات سختگیرانه فاصله گذاری اجتماعی تجربه کردند ( شکل 4)ب). در مقایسه با خوشه شماره 2، که در آن زمان اقامت روزانه در خانه تا 1200 دقیقه افزایش یافت، CBGها در خوشه شماره 3 افزایش چشمگیری داشتند، زیرا زمان ماندن در خانه برای اکثر CBGها در خوشه شماره 3 به 1400 دقیقه (از 1440 دقیقه) رسید. دقیقه در روز) در ماه های مارس و آوریل، نشان می دهد که اقدامات کاهشی رفتار سفر افراد را در این CBGها به شدت تغییر داده است ( شکل 4 ج). توجه داشته باشید که سه خوشه شناسایی شده با تعداد متفاوتی از CBG هستند. خوشه های #1، #2 و #3 به ترتیب دارای 157 CBG، 778 CBG و 552 CBG هستند.
شکل 5 توزیع فضایی سه خوشه CBG را نشان می دهد که سطح مشخصی از خودهمبستگی فضایی را به ویژه برای خوشه شماره 2 و خوشه شماره 3 نشان می دهد. گلوبال موران I [ 38 ] برای توزیع سه خوشه شناسایی شده 0.243 است و در سطح معنی داری 0.01 معنادار است. به طور کلی، توزیع فضایی دلالت بر این دارد که متغیرهای جمعیتی/اجتماعی-اقتصادی به طور بالقوه باعث ایجاد نابرابری در زمان سکونت در خانه در طول همه‌گیری می‌شوند. توزیع CBGها در خوشه شماره 3 نشان دهنده همبستگی بالایی بین زمان سکونت در خانه و درآمد است، زیرا الگوهای توزیع بین CBGها در خوشه شماره 3 و CBGهای درآمد بالای خانوار (شکل 3 را ببینید) .الف) تا حد زیادی مشابه هستند. متروی شمالی آتلانتا، جایی که CBGها با درصد بالایی از کارگران کار از خانه و سطوح تحصیلی بالا متمرکز شده‌اند، به دلیل دستورات اقامت در خانه تأثیر زیادی از خود نشان می‌دهد، که با غلظت بالای CBGها در خوشه شماره 3، مشهود است. خوشه ای با افزایش قابل توجه زمان اقامت در خانه در مارس و آوریل.

5.2. متغیرهای جمعیتی/اجتماعی اقتصادی در سه خوشه شناسایی شده

شانزده متغیر جمعیتی/اجتماعی-اقتصادی منتخب الگوهای توزیع منحصر به فردی را در سه خوشه شناسایی شده ارائه می دهند ( شکل 6 ). در مقایسه با دو خوشه دیگر، خوشه شماره 3 با درآمد متوسط ​​خانوار بالا، درصد بالایی از گروه های پردرآمد، درصد پایین گروه های کم درآمد و نرخ بیکاری پایین مشخص می شود، که نشان می دهد ساکنان CBG های ثروتمند پاسخ دادند. با کاهش چشمگیر فعالیت های خارج از خانه خود، به دستور اقامت در خانه با شدت بیشتری عمل کنند. این نشان می‌دهد که منابع مالی می‌تواند تا حدی بر اثربخشی سیاست‌ها تأثیر بگذارد، همانطور که در مطالعات دیگر بیان شد [ 16 ، 39 ].
از نظر ترکیب نژادی، این سه خوشه کاملاً متفاوت هستند. میانگین درصد سیاهی CBGها در خوشه #1، #2 و #3 به ترتیب 49.5٪، 31.3٪ و 14.5٪ است. CBGها در خوشه شماره 1 (با افزایش غیرقابل توجه زمان اقامت در خانه) درصد سیاهی بسیار بیشتری نسبت به خوشه شماره 3 (با افزایش زمان ماندگاری قوی در خانه دارند) نشان می دهد که ترتیب اقامت در خانه برای CBGهایی با درصد سیاهی بالاتر کمتر موثر است. این یافته با سایر مطالعات اخیر که نابرابری‌های نژادی را در طول همه‌گیری COVID-19 شناسایی کردند، مطابقت دارد [ 40 ، 41 ]. همانطور که انتظار می رود، خوشه شماره 1 نیز درصد خانواده تک والدی بالاتری را نشان می دهد، با توجه به این واقعیت که درصد بالایی از خانواده های تک والدی معمولا در جوامع سیاه پوست دیده می شود [ 42] .]. در مقابل، سه خوشه شناسایی‌شده درصدهای اسپانیایی و زنانه مشابهی را نشان می‌دهند که نشان‌دهنده نقش ضعیف‌تر آنها در تشخیص الگوهای زمان سکونت در خانه است.
در مورد آموزش، CBGها در خوشه #1 و #2 توزیع مشابهی از درصدهای تحصیلات پایین را نشان می دهند (42.1٪ و 43.1٪ به عنوان میانگین) در حالی که CBGs در خوشه #3 درصد قابل توجهی پایین تری (22.7٪ به عنوان میانگین) نشان می دهد. یک الگوی معکوس را می توان برای آموزش عالی یافت، که در آن خوشه شماره 3 درصد بالاتری از تحصیلات عالی را در مقایسه با خوشه شماره 1 و شماره 2 ارائه می دهد.
درصد مسافران کوتاه مدت در هر سه خوشه مشابه باقی می ماند، در حالی که درصد مسافران طولانی مدت متفاوت است. میانگین درصد مسافران طولانی مدت در خوشه #1، #2 و #3 به ترتیب 27.3٪، 31.8٪ و 35.4٪ است. نتیجه نشان می‌دهد که افزایش قوی‌تر در زمان اقامت در خانه با درصد بالاتری از مسافران طولانی مدت همراه است.

5.3. ANOVA و تست Tukey برای CBG های خوشه ای

ما ANOVA را برای ارزیابی تفاوت آماری متغیرهای جمعیت‌شناختی/اجتماعی-اقتصادی در بین سه خوشه شناسایی‌شده و آزمون توکی پس‌هک برای ارزیابی تفاوت آماری بین یک جفت خوشه خاص انجام دادیم. نتایج حاصل از ANOVA نشان می دهد که همه متغیرهای انتخاب شده، به جز درصد زنان (pct_female) و درصد افراد کوتاه مدت (pct_short_commute)، تفاوت آماری معنی داری (001/0 = α) را در بین سه خوشه نشان می دهند (جدول 2 ) . نتایج نشان می‌دهد که جنسیت و درصد افراد کوتاه‌مدت تفاوت معنی‌داری (001/0 = α) در میان میانگین‌های سه خوشه شناسایی‌شده ندارند، که نشان می‌دهد این دو متغیر نقش ضعیف‌تری در توضیح نابرابری در الگوهای زمان سکونت در خانه دارند.
برای ارائه بینش عمیق تر در مورد مقایسه متغیرهای انتخاب شده بین یک جفت خاص از خوشه ها، ما بیشتر آزمون توکی را انجام دادیم ( شکل 7) .). برای متغیرهای مربوط به وضعیت اقتصادی، خوشه شماره 3 از لحاظ آماری (001/0 = α) با خوشه شماره 1 و شماره 2 در هر چهار متغیر مرتبط با اقتصاد، یعنی pct_درآمد_کم، pct_درآمد_بالا، متوسط_hhinc، و pct_unemployrate متفاوت است. خوشه شماره 1 و خوشه شماره 2 تفاوت ضعیف تری (01/0 = α) در میانگین_hhinc دارند و در pct_درآمد_بالا تفاوت معنی داری ندارند. نتایج متغیرهای نژادی و قومی نشان می‌دهد که سه خوشه از نظر آماری در pct_سفید، pct_سیاه و pct_hispanic با یکدیگر متفاوت هستند، علی‌رغم تفاوت ضعیف‌تر در pct_hispanic (0.05 = α) بین خوشه #1 و #2. تفاوت در تحصیلات (pct_low_edu و pct_high_edu) بین خوشه #1 و خوشه #2 معنی‌دار نیست، اما هنگام مقایسه خوشه #3 با خوشه #1 یا #2 معنی‌دار است (001/0 = α). این نشان می دهد که CBG ها در خوشه شماره 3، یک خوشه با افزایش شدید زمان اقامت در خانه، توسط ساکنان آنها با تحصیلات بالا مشخص می شود که از نظر آماری با دو خوشه دیگر متفاوت است. علاوه بر این، سه خوشه از نظر آماری (001/0 = α) با یکدیگر از نظر مسافران طولانی (pct_long_commute) و مالکیت خودرو (pct_0car) متفاوت هستند، که نشان می‌دهد این دو متغیر تا حدی تفاوت در زمان اقامت در خانه را توضیح می‌دهند.

6. بحث

6.1. چه می آموزیم؟

این مطالعه از یک تکنیک خوشه‌بندی سری زمانی برای دسته‌بندی سوابق تحرک ریز (در سطح CBG) در طول همه‌گیری COVID-19 استفاده می‌کند. از طریق بررسی متغیرهای جمعیتی/اجتماعی-اقتصادی در خوشه‌های سری زمانی شناسایی شده، متوجه می‌شویم که آن‌ها می‌توانند نابرابری در زمان سکونت در خانه را در پاسخ به دستور اقامت در خانه توضیح دهند، که به طور بالقوه منجر به قرار گرفتن در معرض نامتناسب با خطر می‌شود. از COVID-19. این مطالعه همچنین نشان می‌دهد که گروه‌های آسیب‌دیده اجتماعی کمتر از دستور ماندن در خانه پیروی می‌کنند و به شکاف‌های گسترده در اثربخشی اقدامات فاصله‌گذاری اجتماعی بین گروه‌های آسیب‌دیده اجتماعی و دیگران اشاره می‌کند. بدتر از همه، وضعیت اجتماعی-اقتصادی موجود باعث ایجاد نابرابری هایی شده است که اغلب با کاستی های ایالات متحده اغراق می شود.10 ]. این مطالعه علاوه بر شواهد اپیدمیولوژیک فراوانی که رابطه قوی بین نابرابری اجتماعی و پیامدهای سلامتی را ثابت می کند [ 43 ، 44 ]، شواهدی را در مورد همه گیری COVID-19 که با آن مواجه هستیم ارائه می دهد.
به طور خاص، متوجه شدیم که همه متغیرهای انتخاب شده، به جز درصد زنان (pct_female) و درصد افراد کوتاه‌مدت (pct_short_commute)، تفاوت آماری معنی‌داری (001/0 = α) را در بین سه خوشه شناسایی‌شده نشان می‌دهند. CBGها در خوشه شماره 3، خوشه ای با پاسخ قوی در زمان سکونت در خانه، با درآمد متوسط ​​خانوار بالا، درصد سیاه پوست بالا، درصد بالای گروه های پردرآمد، نرخ بیکاری پایین، تحصیلات بالا، درصد پایین تک والدین، بالا مشخص می شوند. مالکیت خودرو و درصد بالایی از مسافران طولانی مدت. تفاوت معنی دار آماری متغیرهای جمعیت شناختی/اجتماعی-اقتصادی در خوشه شماره 3 مجموعاً به امتیاز گروه های دارای مزیت، معمولاً سفیدپوستان و مرفه اشاره می کند.
واکنش ضعیف گروه‌های آسیب‌دیده اجتماعی را احتمالاً می‌توان با این واقعیت توضیح داد که گاهی اوقات سیاست‌ها می‌توانند ناخواسته بین گروه‌هایی با موقعیت‌های اجتماعی-اقتصادی متفاوت [16] تبعیض ایجاد کنند، زیرا مردم می‌توانند بر اساس منابع مالی خود به سیاست‌ها واکنش نشان دهند. 45]، که در مقابل، بر اثربخشی سیاست ها تأثیر می گذارد. مطالعه ما نشان می دهد که موضوع طولانی مدت بی عدالتی در ایالات متحده مانع از اجرای موثر اقدامات فاصله گذاری اجتماعی است. بنابراین، سیاست‌گذاران باید به‌دقت مبادله اجتناب‌ناپذیر میان گروه‌های مختلف را ارزیابی کنند و مطمئن شوند که نتایج سیاست‌های آن‌ها نه تنها ترجیحات مزیت‌ها، بلکه منافع افراد محروم را نیز منعکس می‌کند.

6.2. محدودیت ها و مسیرهای آینده

ذکر چند محدودیت این مطالعه و ارائه رهنمودهایی برای مسیرهای آتی حائز اهمیت است. ابتدا، ما ذهنیت پیش تعریف تعداد خوشه ها در الگوریتم خوشه بندی Kmeans را تصدیق می کنیم. در این مطالعه، ما تعداد خوشه ها را سه (به عنوان مثال، ک=3) از طریق بررسی و تفسیر رکوردهای زمان اقامت در خانه از SafeGraph. ما متوجه شدیم که، حتی پس از پیش پردازش، برخی از CBG ها به دلیل تعداد کم و متغیر روزانه دستگاه، هنوز الگوهای زمانی ناپایدار را ارائه می دهند. تفسیر ما از سوابق داده ها سه الگوی زمانی متمایز را با افزایش قوی، متوسط ​​و غیرقابل توجه در زمان اقامت در خانه در ماه های مارس و آوریل نشان می دهد (از این رو، کبه صورت 3 از پیش تعریف شده است). برای اطمینان از تفسیرپذیری خوشه‌ها، انتخاب تعداد خوشه‌ها در Kmeans از طریق دانش قبلی رایج است. با این حال، ما تصدیق می‌کنیم که رویکردهایی مانند منحنی آرنج [ 46 ] و تحلیل Silhouette [ 47 ] تا حد زیادی برای تسهیل بهینه‌سازی استفاده می‌شوند. کبدون اطلاع قبلی هنگام انجام یک مقایسه بین شهری یا بازتولید رویکرد خود در منطقه دیگر، توصیه می‌کنیم الگوی سری‌های زمانی را دوباره بررسی کنیم یا رویکردهای فوق‌الذکر را برای به دست آوردن یک تنظیم معقول از k استفاده کنیم .
دوم، ما سری‌های زمانی زمان سکونت در خانه را با استفاده از داده‌های سال 2020 (1 ژانویه تا 31 اوت)، بدون در نظر گرفتن تغییرات سری‌های زمانی نسبت به سال قبل، می‌سازیم و خوشه‌بندی می‌کنیم. منطقی است فرض کنیم که استخراج شاخص تغییر متقابل سال شناسایی CBGهایی را که در مقایسه با سال 2019 رفتار متفاوتی دارند، تسهیل می‌کند. ، از آنجایی که تعداد دستگاه های روزانه ممکن است به طور قابل توجهی متفاوت باشد، که منجر به نمایندگی متفاوت یک CBG بین دو سال می شود. علاوه بر این، الگوریتم خوشه‌بندی سری زمانی Kmeans در این مطالعه دوره 8 ماهه را به عنوان ورودی می‌گیرد.
سوم، این مطالعه در مجموع شانزده متغیر را از پنج دسته اصلی انتخاب کرده و توزیع این متغیرها را در سه خوشه شناسایی شده بررسی می‌کند. اگرچه مطالعات قبلی ارتباط قوی بین این متغیرها و مشارکت در فعالیت‌های خارج از خانه را نشان داده‌اند، نمی‌توانیم سهم احتمالی سایر متغیرهای جمعیت‌شناختی/اجتماعی-اقتصادی را که در این مطالعه گنجانده نشده‌اند رد کنیم. مطالعات آینده نیاز به ترکیب متغیرهای بیشتری برای درک نقش آنها در نحوه اجرای دستورالعمل های فاصله گذاری اجتماعی دارند. علاوه بر این، این مطالعه تنها تفاوت‌های متغیرهای جمعیت‌شناختی/اجتماعی-اقتصادی را در میان خوشه‌های CBG شناسایی‌شده از طریق یک رویکرد مبتنی بر سری‌های زمانی بررسی می‌کند. سهم این متغیرها در زمان سکونت در خانه مستحق بررسی بیشتر است. منطقی است که فرض کنیم این متغیرها باعث ایجاد نابرابری در زمان اقامت در خانه می شوند، نه به طور مستقل، بلکه به صورت جمعی. بنابراین، رویکردهای آماری مانند رگرسیون لوجیت چند جمله ای [48 ] و رگرسیون جنگل تصادفی [ 49 ] را می توان برای بررسی بیشتر تعاملات بین این متغیرها که به طور بالقوه منجر به نابرابری در زمان سکونت در خانه می شود استفاده کرد.
در نهایت، باید توجه داشت که ساختار جمعیتی، الگوی فضایی، و محیط ساخته شده به طور قابل ملاحظه ای در مناطق مختلف، به ویژه در بافت های شهری پرجمعیت متفاوت است [ 50 ، 51] .]. بنابراین، تأثیر متغیرهای جمعیتی/اجتماعی-اقتصادی بر نابرابری در زمان سکونت در خانه پس از دستور اقامت در خانه ممکن است یکسان نباشد و از نظر جغرافیایی متفاوت باشد. علاوه بر این، دولت‌های محلی واکنش‌های متفاوتی به این همه‌گیری با سخت‌گیری‌های متفاوتی از اقدامات فاصله‌گذاری اجتماعی اجرا شده داشتند. حتی در مترو آتلانتا، تفاوت های ظریف در اجرای سیاست وجود دارد. این مطالعه مترو آتلانتا را به عنوان یک نهاد با اقدامات کاهشی نسبتا همگن می بیند و فقط وضعیت مترو آتلانتا را بررسی می کند. بنابراین، مطالعات آینده نیاز به ترکیب اختلافات در اقدامات کاهشی و انجام مطالعات تطبیقی ​​شامل مناطق متعدد برای درک بهتر سهم متغیرهای جمعیتی/اجتماعی-اقتصادی در تأثیر همه‌گیری COVID-19 بر رفتارهای مرتبط با تحرک دارد.

7. نتیجه گیری

این مطالعه سری‌های زمانی سوابق زمان سکونت در خانه را در طول همه‌گیری کووید-19 دسته‌بندی می‌کند و بیشتر به بررسی اینکه چه متغیرهای جمعیت شناختی/اجتماعی-اقتصادی در بین دسته‌هایی با اهمیت آماری متفاوت است، می‌پردازد. با در نظر گرفتن منطقه آماری شهری آتلانتا-سندی اسپرینگز-روزول (مترو آتلانتا) به عنوان یک مورد مطالعه، عوامل محرک بالقوه ای را که منجر به نابرابری در سری های زمانی زمان سکونت در خانه می شود، بررسی می کنیم و دانش بنیادی را ارائه می دهیم که برای سیاست گذاری مفید است. اقدامات کاهش بهتر در همه گیری های آینده
ما متوجه شدیم که متغیرهای جمعیتی/اجتماعی-اقتصادی می‌توانند تفاوت زمان سکونت در خانه را در پاسخ به دستور اقامت در خانه توضیح دهند، که به طور بالقوه منجر به قرار گرفتن در معرض نامتناسب با خطر COVID-19 می‌شود. نتایج همچنین نشان می‌دهد که گروه‌های آسیب‌دیده اجتماعی کمتر از دستور ماندن در خانه پیروی می‌کنند، و اشاره می‌کند که شکاف‌های گسترده در اثربخشی اقدامات فاصله‌گذاری اجتماعی بین گروه‌های آسیب‌دیده اجتماعی و دیگران وجود دارد. به طور خاص، ما متوجه شدیم که CBGهایی که پاسخ قوی به دستور اقامت در خانه دارند با درآمد متوسط ​​خانوار بالا، درصد سیاه کم، درصد بالای گروه‌های پردرآمد، نرخ بیکاری پایین، تحصیلات بالا، درصد پایین والدین مجرد مشخص می‌شوند. ، مالکیت خودرو بالا و درصد بالای مسافران طولانی مدت، با اشاره به امتیاز گروه‌های دارای مزیت، معمولاً سفیدپوستان و مرفه‌ها. به عبارت دیگر، جمعیت‌هایی که وضعیت اجتماعی-اقتصادی پایین‌تری دارند ممکن است آزادی یا انعطاف‌پذیری برای ماندن در خانه نداشته باشند، که منجر به قرار گرفتن در معرض خطرات بیشتری در طول همه‌گیری می‌شود. مطالعه ما نشان می دهد که موضوع طولانی مدت بی عدالتی در ایالات متحده مانع از اجرای موثر اقدامات فاصله گذاری اجتماعی است. بنابراین، سیاست‌گذاران باید به‌دقت مبادله اجتناب‌ناپذیر میان گروه‌های مختلف را ارزیابی کنند و مطمئن شوند که نتایج سیاست‌های آن‌ها نه تنها ترجیحات مزیت‌ها، بلکه منافع افراد محروم را نیز منعکس می‌کند. منجر به قرار گرفتن در معرض خطرات بیشتری در طول همه گیری می شود. مطالعه ما نشان می دهد که موضوع طولانی مدت بی عدالتی در ایالات متحده مانع از اجرای موثر اقدامات فاصله گذاری اجتماعی است. بنابراین، سیاست‌گذاران باید به‌دقت مبادله اجتناب‌ناپذیر میان گروه‌های مختلف را ارزیابی کنند و مطمئن شوند که نتایج سیاست‌های آن‌ها نه تنها ترجیحات مزیت‌ها، بلکه منافع افراد محروم را نیز منعکس می‌کند. منجر به قرار گرفتن در معرض خطرات بیشتری در طول همه گیری می شود. مطالعه ما نشان می دهد که موضوع طولانی مدت بی عدالتی در ایالات متحده مانع از اجرای موثر اقدامات فاصله گذاری اجتماعی است. بنابراین، سیاست‌گذاران باید به‌دقت مبادله اجتناب‌ناپذیر میان گروه‌های مختلف را ارزیابی کنند و مطمئن شوند که نتایج سیاست‌های آن‌ها نه تنها ترجیحات مزیت‌ها، بلکه منافع افراد محروم را نیز منعکس می‌کند.

پیوست اول

جدول
جدول A1. شهرستان های ایالات متحده که در مترو آتلانتا قرار دارند.

منابع

  1. بیماری کروناویروس WHO (COVID-19) – رویدادهایی که اتفاق می‌افتند. در دسترس آنلاین: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/events-as-they-happen (در 7 سپتامبر 2020 قابل دسترسی است).
  2. بیماری کروناویروس WHO (COVID-19) – به‌روزرسانی هفتگی اپیدمیولوژیک. در دسترس آنلاین: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200907-weekly-epi-update-4.pdf?sfvrsn=f5f607ee_2 (در 7 سپتامبر 2020 قابل دسترسی است).
  3. Le، TT; آندریاداکیس، ز. کومار، ا. رومن، RG; تولفسن، اس. ساویل، ام. میهیو، اس. چشم انداز توسعه واکسن کووید-19. نات Rev. Drug. کشف کنید. 2020 ، 19 ، 305-306. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. ویل، جی. استیگلر، ام. دشنس، او. Springborn، MR پاسخ‌های فاصله‌گذاری اجتماعی به اعلامیه‌های اضطراری COVID-19 به شدت بر اساس درآمد متفاوت است. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 19658–19660. [ Google Scholar ] [ CrossRef ]
  5. کریمر، MU; یانگ، CH; گوتیرز، بی. وو، CH; کلاین، بی. پیگوت، دی.م. دو پلسیس، ال. 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 ] [ PubMed ][ نسخه سبز ]
  6. شیم، ای. طارق، ع. چوی، دبلیو. لی، ی. چاول، جی. پتانسیل انتقال و شدت COVID-19 در کره جنوبی. بین المللی ج. عفونی کردن. دیس 2020 ، 93 ، 339-344. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. رموزی، ع. Remuzzi، G. COVID-19 و ایتالیا: بعد چه؟ Lancet 2020 ، 395 ، 1225-1228. [ Google Scholar ] [ CrossRef ]
  8. استوکلین، اس بی; رولان، پی. سیلو، ی. میلز، ا. کامپس، سی. سیموندون، ا. مچاین، م. موریس، ال. نگوین، م. باسی، سی. و همکاران اولین موارد بیماری کروناویروس 2019 (COVID-19) در فرانسه: نظارت، بررسی و اقدامات کنترلی. Eurosurveillance 2020 ، 25 ، 2000094. [ Google Scholar ]
  9. بایک، سی. مک کروری، پی بی; مسر، تی. Mui, P. اثرات بیکاری سفارشات اقامت در خانه: شواهد از داده های ادعاهای فرکانس بالا. Inst. Res. استخدام نیروی کار کار کنید. پاپ 2020 ، 1–72. [ Google Scholar ] [ CrossRef ]
  10. هوانگ، ایکس. لی، ز. جیانگ، ی. بله، X. دنگ، سی. ژانگ، جی. لی، ایکس. ویژگی‌های مجموعه داده‌های تحرک چند منبعی و نحوه نشان دادن ماهیت لوکس فاصله‌گذاری اجتماعی در ایالات متحده در طول همه‌گیری COVID-19. medRxiv 2020 . [ Google Scholar ] [ CrossRef ]
  11. آلماگرو، ام. Orane-Hutchinson، A. عوامل تعیین کننده قرار گرفتن در معرض متمایز به COVID-19 در شهر نیویورک و تکامل آنها در طول زمان. Covid Econ. پاپ بلادرنگ تایید شده 2020 ، 103293. [ Google Scholar ] [ CrossRef ]
  12. بوناکورسی، جی. پیری، اف. سینلی، م. فلوری، ع. گالیازی، ا. پورچلی، اف. اشمیت، آل. Valensise، CM; اسکالا، ا. Quattrociocchi، W. و همکاران پیامدهای اقتصادی و اجتماعی محدودیت های تحرک انسانی تحت COVID-19. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 15530–15535. [ Google Scholar ] [ CrossRef ]
  13. چیو، ال. تاکر، سی. فاصله گذاری اجتماعی، دسترسی به اینترنت و نابرابری (شماره w26982). Natl. فرز اقتصاد Res. 2020 . [ Google Scholar ] [ CrossRef ]
  14. بارنت هاول، ز. مبارک، AM مزایا و هزینه های فاصله گذاری اجتماعی در کشورهای غنی و فقیر. arXiv 2020 ، arXiv:2004.04867. [ Google Scholar ]
  15. ساکنان شهری در ایالت ها به شدت تحت تأثیر کووید-19 قرار گرفته اند، به احتمال زیاد آن را تهدیدی برای زندگی روزمره می دانند. در دسترس آنلاین: https://www.pewresearch.org/fact-tank/2020/03/20/urban-residents-in-states-hit-hard-by-covid-19-most-likely-to-see-it -به عنوان-تهدید-برای-زندگی-/ (در 13 سپتامبر 2020 قابل دسترسی است).
  16. لو، جی. شن، ایکس. نیمایر، دی. آیا پیگیری دستورات ماندن در خانه برای گروه های کم درآمد دشوارتر است؟ J. Transp. Geogr. 2020 , 89 , 102894. [ Google Scholar ] [ CrossRef ]
  17. SafeGraph-Social Distancing Metrics. در دسترس آنلاین: https://docs.safegraph.com/docs/social-distancing-metrics (در 14 سپتامبر 2020 قابل دسترسی است).
  18. اعلامیه در مورد اعلام وضعیت اضطراری ملی در مورد شیوع بیماری جدید کرونا (COVID-19). در دسترس آنلاین: https://www.whitehouse.gov/presidential-actions/proclamation-declaring-national-emergency-concerning-novel-coronavirus-disease-covid-19-outbreak/ (در 7 سپتامبر 2020 قابل دسترسی است).
  19. راهنمای اطلاعات نظرسنجی جامعه آمریکا. در دسترس آنلاین: https://www.census.gov/content/dam/Census/programs-surveys/acs/about/ACS_Information_Guide.pdf (در 15 سپتامبر 2020 قابل دسترسی است).
  20. زمان استفاده از برآوردهای 1 ساله، 3 ساله یا 5 ساله. در دسترس آنلاین: https://www.census.gov/programs-surveys/acs/guidance/estimates.html (در 15 سپتامبر 2020 قابل دسترسی است).
  21. مورنسی، سی. پائز، ا. Roorda، MJ; مرکادو، آر. Farber, S. Distance در سه شهر کانادا سفر کرد: تجزیه و تحلیل فضایی از دیدگاه بخش های آسیب پذیر جمعیت. J. Transp. Geogr. 2011 ، 19 ، 39-50. [ Google Scholar ] [ CrossRef ]
  22. فاربر، اس. پائز، آ. Mercado، RG; روردا، م. مورنسی، سی. بررسی استفاده از زمان در مورد مشارکت خرید در سه شهر کانادا: آیا شواهدی مبنی بر طرد اجتماعی وجود دارد؟ حمل و نقل 2011 ، 38 ، 17-44. [ Google Scholar ] [ CrossRef ]
  23. فاربر، اس. پائز، آ. ماشین من، دوستانم و من: تحلیلی مقدماتی از خودرو و مشارکت در فعالیت های اجتماعی. J. Transp. Geogr. 2009 ، 17 ، 216-225. [ Google Scholar ] [ CrossRef ]
  24. پائز، آ. گرتس مرکادو، آر. فاربر، اس. مورنسی، سی. Roorda، M. شاخص های محرومیت دسترسی نسبی برای تنظیمات شهری: تعاریف و کاربرد برای بیابان های غذایی در مونترال. مطالعه شهری. 2010 ، 47 ، 1415-1438. [ Google Scholar ] [ CrossRef ]
  25. هوانگ، ایکس. لی، ز. جیانگ، ی. لی، ایکس. پورتر، دی. توییتر، تحرک انسان، و کووید-19. arXiv 2020 ، arXiv:2007.01100. [ Google Scholar ]
  26. کانونگو، تی. کوه، DM; نتانیاهو، NS; پیاتکو، سی دی; سیلورمن، آر. Wu، AY یک الگوریتم خوشه بندی k-means کارآمد: تجزیه و تحلیل و پیاده سازی. IEEE Trans. الگوی مقعدی ماخ هوشمند 2002 ، 24 ، 881-892. [ Google Scholar ] [ CrossRef ]
  27. Liao، TW خوشه بندی داده های سری زمانی – یک نظرسنجی. تشخیص الگو 2005 ، 38 ، 1857-1874. [ Google Scholar ] [ CrossRef ]
  28. فام، دی.تی. دیموف، اس اس. نگوین، CD انتخاب K در K-به معنی خوشه بندی. Proc. Inst. مکانیک. مهندس C 2005 ، 219 ، 103-119. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. سنت، ال. Wold، S. آنالیز واریانس (ANOVA). شیمی. هوشمند آزمایشگاه. سیستم 1989 ، 6 ، 259-272. [ Google Scholar ]
  30. عبدی، ح. آزمون تفاوت معنادار صادقانه (HSD) ویلیامز، ال جی توکی. در دایره المعارف طراحی پژوهش ; سالکیند، نیوجرسی، اد. انتشارات SAGE, Inc.: Thousand Oaks, CA, USA, 2010; جلد 3، ص 1-5. [ Google Scholar ]
  31. کلانشهرها و مناطق آماری خرد کل جمعیت و مولفه های تغییر: 2010–2019. در دسترس آنلاین: https://www.census.gov/data/tables/time-series/demo/popest/2010s-total-metro-and-micro-statistical-areas.html (در 20 سپتامبر 2020 قابل دسترسی است).
  32. بوبو، ال. جانسون، جی. الیور، ام. فارلی، آر. بلوستون، بی. براون، آی. دانزیگر، اس. گرین، جی. هولزر، اچ. کریسان، م. و همکاران مطالعه چند شهر نابرابری شهری، 1992-1994 [آتلانتا، بوستون، دیترویت، و لس آنجلس] ؛ کنسرسیوم بین دانشگاهی برای تحقیقات سیاسی و اجتماعی: Ann Arbor، MI، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  33. ویچالکوفسکی، سی‌کی. ولش، تی. پاشا، O. نابرابری های دسترسی حمل و نقل: مورد آتلانتا، GA. J. Comp. سیاست حقوق شهری 2020 ، 4 ، 654-681. [ Google Scholar ]
  34. بولارد، RD; جانسون، جی اس. تورس، AO Sprawl Atlanta: ابعاد برابری اجتماعی رشد و توسعه نابرابر ؛ دانشگاه کلارک آتلانتا، مرکز منابع عدالت محیطی: آتلانتا، GA، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  35. کیتینگ، ال. آتلانتا: نژاد، طبقه، و گسترش شهری . انتشارات دانشگاه تمپل: فیلادلفیا، PA، ایالات متحده آمریکا، 2001; صص 7-40. [ Google Scholar ]
  36. بیانیه های مطبوعاتی، فرماندار برایان پی کمپ – دفتر فرماندار. در دسترس آنلاین: https://gov.georgia.gov/press-releases?field_press_release_type_target_id=All&page=17 (در 20 سپتامبر 2020 قابل دسترسی است).
  37. جایی که ایالات بازگشایی شدند و پرونده ها پس از تعطیلی ایالات متحده افزایش یافت، واشنگتن پست. در دسترس آنلاین: https://www.washingtonpost.com/graphics/2020/national/states-reopening-coronavirus-map/ (در 20 سپتامبر 2020 قابل دسترسی است).
  38. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  39. Karaye, IM; Horney, JA تأثیر آسیب پذیری اجتماعی بر COVID-19 در ایالات متحده: تجزیه و تحلیل روابط متفاوت فضایی. صبح. J. قبلی پزشکی 2020 ، 59 ، 317-325. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. Holtgrave، DR; Barranco، MA; Tesoriero، JM; وبلاگ، DS; روزنبرگ، ES ارزیابی نابرابری‌های نژادی و قومی با استفاده از پیامدهای COVID-19 برای ایالت نیویورک. ان اپیدمیول. 2020 ، 48 ، 9-14. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  41. Laurencin، CT; مک‌کلینتون، ای. همه‌گیری کووید-19: فراخوانی برای اقدام برای شناسایی و رسیدگی به نابرابری‌های نژادی و قومی. J. نژاد نژاد. نابرابری های سلامت 2020 ، 7 ، 398-402. [ Google Scholar ] [ CrossRef ]
  42. بیانچی، SM تغییر ویژگی های جمعیت شناختی و اجتماعی-اقتصادی خانواده های تک والد. J. ازدواج فام. 1994 ، 20 ، 71-97. [ Google Scholar ] [ CrossRef ]
  43. نگوین، وی کی؛ پسچارد، ک. انسان شناسی، نابرابری و بیماری: بررسی. آنو. کشیش آنتروپل. 2003 ، 32 ، 447-474. [ Google Scholar ] [ CrossRef ]
  44. Muennig، P. فرانک، پی. جیا، اچ. لوبتکین، ای. Gold, MR بار بیماری مرتبط با درآمد در ایالات متحده. Soc. علمی پزشکی 2005 ، 61 ، 2018–2026. [ Google Scholar ] [ CrossRef ]
  45. مکانیک، د. معایب، نابرابری، و سیاست اجتماعی. اداره بهداشت 2002 ، 21 ، 48-59. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  46. Kodinariya، TM; مکوانا، بررسی روابط عمومی بر تعیین تعداد خوشه در خوشه بندی K-Means. بین المللی J. Adv. Res. محاسبه کنید. علمی مدیریت گل میخ. 2013 ، 1 ، 90-95. [ Google Scholar ]
  47. للتی، ر. اورتیز، ام سی؛ سارابیا، لس آنجلس؛ سانچز، MS انتخاب متغیرها برای تحلیل خوشه‌ای k-means با استفاده از یک الگوریتم ژنتیک که شبح‌ها را بهینه می‌کند. مقعدی چیم. Acta. 2004 ، 515 ، 87-100. [ Google Scholar ] [ CrossRef ]
  48. بوهنینگ، دی. الگوریتم رگرسیون لجستیک چند جمله ای. ان Inst. آمار ریاضی. 1992 ، 44 ، 197-200. [ Google Scholar ] [ CrossRef ]
  49. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News 2002 , 2 , 18-22. [ Google Scholar ]
  50. نصری، ع. Zhang, L. تأثیر محیط ساخته شده در سطح کلان شهر بر رفتار سفر. ترانسپ Res. ضبط 2012 ، 2323 ، 75-79. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. ژانگ، ال. هونگ، جی. نصری، ع. Shen, Q. چگونه محیط ساخته شده بر رفتار سفر تأثیر می گذارد: تجزیه و تحلیل مقایسه ای از ارتباطات بین کاربری زمین و مایل های وسیله نقلیه طی شده در شهرهای ایالات متحده. J. Transp. کاربری زمین 2012 ، 5 ، 40-52. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00675 g001 550
شکل 1. نقشه حرارتی زمان سکونت در خانه برای 219972 CBG در ایالات متحده از 1 ژانویه 2020 تا 31 اوت 2020. غلظت های بالا/پایین به صورت قرمز/آبی مشخص شده است.
Ijgi 09 00675 g002 550
شکل 2. ( الف ) میانگین شمارش روزانه دستگاه ها از 1 ژانویه تا 31 اوت در سطح CBG در مترو آتلانتا. ( ب ) نمایندگی هر CBG در مترو آتلانتا. نمایندگی به عنوان نسبت تعداد متوسط ​​روزانه دستگاه ها به جمعیت از برآوردهای ACS 2014-2018 تعریف می شود. CBG های مشروح شده با “N/A” در مراحل پیش پردازش الزامات را برآورده نمی کنند و بنابراین حذف می شوند. مرزهای CBG از TIGER/Line Shapefiles 2019 مشتق شده اند.
Ijgi 09 00675 g003 550
شکل 3. نمایه مترو آتلانتا با چهار متغیر انتخاب شده. ( الف ) درآمد متوسط ​​خانوار؛ ( ب ) درصد سیاهی؛ ج ) درصد تحصیلات پایین (تحصیلات برابر یا کمتر از دبیرستان). ( د ) درصد کارگرانی که از خانه کار می کنند. تمام آمار از برآوردهای ACS 2014-2018 مشتق شده است. مرزهای CBG از TIGER/Line Shapefiles 2019 مشتق شده اند.
Ijgi 09 00675 g004 550
شکل 4. سری زمانی سه خوشه CBG شناسایی شده. ( الف ) خوشه شماره 1: CBG با تغییرات غیرقابل توجه در زمان اقامت در خانه (157 CBG). ( ب ) خوشه شماره 2: CBG با افزایش متوسط ​​زمان اقامت در خانه (778 CBG). ( ج ) خوشه شماره 3: CBG با افزایش شدید زمان اقامت در خانه (552 CBG).
Ijgi 09 00675 g005 550
شکل 5. توزیع فضایی سه خوشه CBG شناسایی شده.
Ijgi 09 00675 g006 550
شکل 6. متغیرهای جمعیت شناختی/اجتماعی-اقتصادی انتخاب شده در سه خوشه شناسایی شده. شرح این متغیرها را می توان در جدول 1 یافت .
Ijgi 09 00675 g007 550
شکل 7. آزمون توکی پس از تصادف برای متغیرهای انتخاب شده بین جفت خوشه ها. NS “مهم نیست” را تنزل می دهد ( پ≥0.05).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید