همه‌گیری COVID-19 چالش بی‌سابقه‌ای را برای سلامت عمومی در سراسر جهان ایجاد کرده است و نابرابری‌های بهداشتی و آسیب‌پذیری گروه‌های حاشیه‌ای را بیشتر آشکار کرده است. از آنجایی که این بیماری همه‌گیر تفاوت‌های منطقه‌ای مشخصی را نشان داده است، درک بهتر سطوح آسیب‌پذیری نسبت به این بیماری در سطوح محلی و ارائه ابزارهای اضافی به سیاست‌گذاران ضروری است که به آنها اجازه می‌دهد تا سیاست‌های دقیق و هدفمندی را توسعه دهند. در این مطالعه، ما برای ایالت آلاباما (ایالات متحده آمریکا) یک شاخص آسیب‌پذیری ترکیبی در سطح شهرستان ایجاد می‌کنیم که می‌تواند به عنوان ابزاری برای مدیریت همه‌گیری کمک کند. بیست و چهار شاخص به سه دسته زیر اختصاص داده شد: قرار گرفتن در معرض، حساسیت، و ظرفیت تطبیقی. زیرشاخص‌های به‌دست‌آمده در یک شاخص ترکیبی تجمیع شدند که آسیب‌پذیری در برابر COVID-19 را نشان می‌دهد. برای تخصیص بارهای عاملی و وزن به شاخص ها از تحلیل چند متغیره استفاده شد و نتایج با استفاده از سیستم های اطلاعات جغرافیایی ترسیم شد. شاخص آسیب پذیری نابرابری های بهداشتی را به خوبی نشان می دهد. بسیاری از آسیب پذیرترین شهرستان ها در منطقه کمربند سیاه آلاباما یافت شدند. ساختارشکنی شاخص کلی و زیرشاخص‌ها امکان توسعه پروفایل‌های شهرستانی و شناسایی نقاط قوت و ضعف محلی را فراهم کرد. ما انتظار داریم مدل توسعه یافته در این مطالعه یک ابزار برنامه ریزی کارآمد برای تصمیم گیرندگان باشد. شاخص آسیب پذیری نابرابری های بهداشتی را به خوبی نشان می دهد. بسیاری از آسیب پذیرترین شهرستان ها در منطقه کمربند سیاه آلاباما یافت شدند. ساختارشکنی شاخص کلی و زیرشاخص‌ها امکان توسعه پروفایل‌های شهرستانی و شناسایی نقاط قوت و ضعف محلی را فراهم کرد. ما انتظار داریم مدل توسعه یافته در این مطالعه یک ابزار برنامه ریزی کارآمد برای تصمیم گیرندگان باشد. شاخص آسیب پذیری نابرابری های بهداشتی را به خوبی نشان می دهد. بسیاری از آسیب پذیرترین شهرستان ها در منطقه کمربند سیاه آلاباما یافت شدند. ساختارشکنی شاخص کلی و زیرشاخص‌ها امکان توسعه پروفایل‌های شهرستانی و شناسایی نقاط قوت و ضعف محلی را فراهم کرد. ما انتظار داریم مدل توسعه یافته در این مطالعه یک ابزار برنامه ریزی کارآمد برای تصمیم گیرندگان باشد.

کلید واژه ها:

COVID-19 ؛ سیستم های اطلاعات جغرافیایی ; آسیب پذیری ؛ قرار گرفتن در معرض حساسیت ؛ ظرفیت تطبیقی منطقه کمربند سیاه

1. مقدمه

در دسامبر 2019، یک کروناویروس جدید، سندرم حاد تنفسی ویروس کرونا-2 (SARS-CoV-2)، در ووهان، هوبی پراویدنس (چین) ظهور کرد و به سرعت در سراسر جهان گسترش یافت. سازمان جهانی بهداشت (WHO) سیستم مدیریت حادثه خود را فعال کرد و سپس شیوع آن را به عنوان یک وضعیت اضطراری بهداشت عمومی با نگرانی بین المللی در ژانویه 2020 اعلام کرد و در نهایت COVID-19 را در مارس 2020 یک بیماری همه گیر اعلام کرد. در ایالات متحده، مراکز کنترل و پیشگیری از بیماری (CDC) اولین مورد تایید شده آزمایشگاهی COVID-19 در ایالات متحده را در 20 ژانویه 2020 تایید کرد. در اواسط ماه مارس، ایالات متحده وضعیت اضطراری سراسری را اعلام کرد و شروع به تعطیلی به منظور جلوگیری از گسترش این بیماری کرد. تا آوریل 2020،1 ]. از آن زمان، امواج متعددی از COVID-19 ایالات متحده را درنوردید و تا اوایل آوریل 2022، بیش از 80,000,000 مورد و 980,000 مرگ ناشی از این بیماری وجود داشت [ 2 ].
همانطور که اطلاعات بیشتری در دسترس بود و اطلاعات بیشتری در مورد بیماری جدید آموخته شد، آشکار شد که (1) اگرچه هر کسی ممکن است به این بیماری مبتلا شود، افراد مبتلا به بیماری های زمینه ای و افراد مسن بیشتر در معرض خطر ابتلا و ابتلا به بیماری های جدی هستند. [ 3 ]؛ (2) گروه‌های اقلیت نژادی و قومی بیشتر احتمال دارد که بیمار شوند و بیماری شدیدتر و مرگ ناشی از ویروس را تجربه کنند [ 4 ، 5 ]. علاوه بر آشکار ساختن نابرابری‌های بهداشتی، این بیماری همه‌گیر باعث ایجاد یک بحران بی‌سابقه و چندوجهی در سراسر جهان شد. بازارها و زنجیره های تامین به دلیل قفل کردن، بسته شدن مرزها، و محدودیت های تجاری ناشی از آن، با عواقب مخربی بر مشاغل و افراد مختل شدند [ 6 ]]. نرخ بالای عوارض و مرگ و میر ناشی از همه گیری و اقدامات انجام شده برای کاهش آن مشاغل را در سراسر جهان از بین برد و باعث اختلالات اجتماعی عمیق، به ویژه در میان آسیب پذیرترین جمعیت ها شد [ 6 ، 7 ، 8 ، 9 ، 10 ].
در ایالات متحده، نرخ بیکاری بین آوریل و نوامبر 2020 11.2٪ افزایش یافته است [ 11 ]. معیشت مردم به طرق زیر تحت تأثیر قرار گرفت: عدم دسترسی به امکانات بهداشتی تحت تأثیر همه‌گیری، از دست دادن شغل، مرخصی، کاهش دستمزد، تمام شدن پس‌اندازهای اضطراری (در صورت وجود)، افزایش مسئولیت‌های مراقبتی (مراقبت تمام وقت و مراقبت از کودکان. افراد مسن)، کاهش بهره وری کار، کاهش درآمد و دسترسی به غذا، برای ذکر چند مثال [ 6 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 .]. اگرچه تاکنون میلیاردها دلار توسط دولت‌های فدرال و ایالتی برای کاهش اثرات همه‌گیری اختصاص یافته است، بسیاری از خانواده‌های آسیب‌پذیر در سراسر ایالات متحده هنوز با مشکلات مالی جدی مواجه هستند [ 14 ، 15 ، 16 ].
امروزه، علیرغم آگاهی بهتر از شیوه عملکرد ویروس، بسته‌های محرک با هدف کمک به کسب‌وکارها و مردم در مواجهه با اختلالات ناشی از COVID-19، پیشرفت‌های انجام شده در درمان‌های پزشکی و واکسیناسیون یک بیماری همه‌گیر هنوز تحت کنترل نیست. افزایش تعداد افراد انواع بسیار مسری COVID-19 دلتا و Omicron به سرعت در سراسر جهان از جمله در ایالات متحده گسترش یافته است. تلاش‌های کاهشی برای جلوگیری از انتشار ویروس توسط عوامل متعددی از جمله امتناع بخشی از جمعیت از واکسینه شدن، اطلاعات نادرست، اطلاعات نادرست، سیاسی‌سازی و انکار علم با مشکل مواجه شده است [ 17 ].
تأثیرات COVID-19 گسترده است: همه‌گیری در انواع مختلف محله‌ها، بدون توجه به سطح ثروت، گسترش یافته است. با این حال، با توجه به توانایی مقابله با بیماری همه گیر، جوامع به طور متفاوتی تحت تاثیر قرار گرفته اند [ 4 ، 18 ]. نابرابری های بهداشتی تفاوت در پیامدهای سلامت و عوامل تعیین کننده ساختاری آنها بین بخش های جمعیت است [ 19 ، 20 ]. عوامل تعیین کننده اجتماعی عبارتند از نژاد، درآمد، تحصیلات، وضعیت ناتوانی، سطح دسترسی به خدمات بهداشتی و بیمه، موانع زبانی، و موقعیت جغرافیایی [ 19 ، 20 ]. همانطور که توسط تعداد زیادی از مطالعات تأیید شده است، نابرابری های بهداشتی جدید نیستند [ 19 ، 20 ], 21 , 22 , 23 , 24 , 25 ]. بزرگی همه‌گیری COVID-19 و ارتباط آن با بیماری‌های همراه مختلف، این تفاوت‌ها را بیشتر آشکار کرده است. در نتیجه، تعداد فزاینده ای از مطالعات بر ارتباط بین آسیب پذیری اجتماعی و COVID-19 متمرکز شده اند [ 26 ، 27 ، 28 ، 29 ، 30 ، 31 ، 32 ]. گروه‌های آسیب‌پذیر اجتماعی کمتر می‌توانند با اثرات بلایا کنار بیایند و از پس آن برآیند [ 24]. مجموعه دیگری از مطالعات به نقش عوامل محیطی در انتقال COVID-19 می پردازد. محققان تأثیر عوامل مختلفی از جمله دما، رطوبت، آلودگی (ذرات، انتشار CO 2 ) و تأثیرات رویدادهای آب و هواشناسی را بررسی کرده اند [ 33 ، 34 ، 35 ، 36 ، 37 ، 38 ، 39 ، 40 ]. شایان ذکر است که قرنطینه های اعمال شده در سراسر جهان منجر به بهبود قابل توجه کیفیت هوا، به ویژه در مناطق شهری شد [ 41 ، 42 ، 43 ، 44 ].
علاوه بر عوامل تعیین‌کننده اجتماعی-اقتصادی و محیطی، بسیاری از عوامل خطرزای دیگر در تبدیل شدن مدیریت کووید-19 به یک کار پیچیده نقش دارند و همانطور که این بیماری شناخته شده‌تر است، عوامل جدیدی نیز مورد توجه قرار می‌گیرند. این ماهیت چند وجهی و پویای COVID-19 یک رویکرد جامع را برای درک بهتر تعامل بین عوامل خطر مختلف و شناسایی آسیب پذیرترین جوامع تضمین می کند. یکی از روش‌هایی که به‌طور گسترده مورد استفاده قرار می‌گیرد، توسعه یک شاخص آسیب‌پذیری ترکیبی است که یک مقدار واحد است که با جمع‌آوری چند شاخص با استفاده از محاسبات ریاضی [ 45 ، 46 ، 47 ، 48 ] به دست می‌آید.]. شاخص‌های ترکیبی می‌توانند پدیده‌های پیچیده و چند بعدی را خلاصه کنند و اغلب به عنوان ابزار ارتباطی، اما همچنین برای مقایسه و رتبه‌بندی عملکردها در مقیاس‌های مختلف، و حمایت از سیاست‌گذاران استفاده می‌شوند [ 47 ، 49 ، 50 ، 51 ، 52 ، 53 ، 54 ]. ادبیات مربوط به استفاده از شاخص های ترکیبی برای ارزیابی آسیب پذیری در برابر COVID-19 در حال حاضر قابل توجه است [ 55 , 56 , 57 , 58 , 59 , 60 , 61 , 62]. برخی از این مطالعات منجر به توسعه داشبوردهایی با هدف ارائه اطلاعات در زمان واقعی در مورد بیماری همه گیر شده است. به عنوان مثال، مارول و همکاران. (2021) داشبورد تعاملی شاخص آسیب پذیری همه گیر (PVI) را ایجاد کرد که هدف آن ارائه پشتیبانی از تصمیم گیرندگان در سطح شهرستان است [ 59 ]. داشبورد PVI ابزارهای نظارت، تجسم و پیش بینی مختلفی را ارائه می دهد که به شناسایی آسیب پذیری های محلی و پیش بینی نتایج بالقوه آینده کمک می کند. علیرغم تعداد فزاینده آنها، مطالعات فوق الذکر اضافی نیستند، زیرا بیماری همه گیر تفاوت های منطقه ای و محلی قوی را نشان داده است و بنابراین نیاز به تمرکز بر مقیاس های دقیق تر دارد. همانطور که CDC اشاره کرد [ 63]، “نظارت بر تعداد موارد کووید-19، مرگ‌ومیرها و تغییرات بروز در سطح حوزه قضایی برای درک خطرات جامعه و تصمیم‌گیری در مورد کاهش جامعه ضروری است.” تأثیرات بهداشتی، اقتصادی، اجتماعی و مالی COVID-19 در هر کشور به طور قابل توجهی متفاوت است و مقامات محلی و جوامع را در خط مقدم مدیریت بحران و بهبود قرار می دهد [ 64 ، 65 ]. به عنوان مثال، همه گیری باعث کاهش چشمگیر درآمدهای شهرداری در سراسر ایالات متحده شده است [ 66 ، 67 ]. علاوه بر این، جوامع نسبت به دولت های ملی یا فدرال اعتماد بیشتری به دولت های محلی دارند [ 65 ، 68]. بنابراین، مدیریت بیماری همه گیر نیازمند یک رویکرد محلی برای پاسخ به سیاست است.
هدف از این مطالعه ایجاد یک شاخص آسیب‌پذیری COVID-19 در سطح شهرستان برای ایالت آلاباما با جمع‌آوری مجموعه‌ای از شاخص‌های مرتبط با سطوح قرار گرفتن در معرض، حساسیت و تاب‌آوری جمعیت‌ها است. انتظار می‌رود که شاخص ترکیبی تنوع جوامع محلی را به تصویر بکشد و اطلاعات جامعی را در اختیار سیاست‌گذاران قرار دهد که به آنها کمک می‌کند تا شهرستان‌های ایالت را در موضوعات چندوجهی رتبه‌بندی کنند، آسیب‌پذیرترین جمعیت‌ها را بهتر شناسایی کنند، و اقدامات کاهشی و بازیابی متناسب با واقعیت‌های محلی را انجام دهند. مدل مورد استفاده در این مطالعه را می توان در سایر ایالت های ایالات متحده تکرار کرد و با پیشرفت دانش در مورد بیماری همه گیر، می توان آن را اصلاح کرد و متناسب با وضعیت حاکم کرد.

2. مواد و روشها

2.1. منطقه مطالعه

ایالت آلاباما، واقع در جنوب ایالات متحده ( شکل 1 الف)، از شصت و هفت شهرستان تشکیل شده است. بیشترین تراکم جمعیت در شهرستان‌های زیر یافت می‌شود که شهرهای بزرگ را در خود جای داده‌اند: جفرسون، مدیسون، مونتگومری، و شهرستان‌های موبایل که به ترتیب بیرمنگام، هانتسویل، مونتگومری و موبایل هستند. یکی از ویژگی‌های بارز جمعیتی این ایالت این است که برخی از شهرستان‌های آن بخشی از کمربند سیاه جنوبی هستند، که در حال حاضر به عنوان منطقه‌ای متشکل از شهرستان‌هایی که جمعیت سیاه‌پوست غالب هستند، تعریف می‌شود ( شکل 1 ب). اگرچه درآمد خانوار در سال های اخیر افزایش یافته است، اما هنوز شکاف درآمدی قابل توجهی در سراسر ایالت وجود دارد، که در بسیاری از ایالت های دیگر ایالات متحده نیز وجود دارد [ 69 ]. همانطور که در نشان داده شده استشکل 1 ج، الگوهای فضایی خانوارهای زیر سطح فقر به اندازه کافی توزیع اقلیت ها را در سراسر ایالت منعکس می کند. این یک عامل مهم است، با توجه به نابرابری های بهداشتی نژادی و اجتماعی-اقتصادی مرتبط با COVID-19 [ 19 ، 20 ، 21 ، 22 ، 23 ، 24 ، 25 ].
مانند سایر ایالات ایالات متحده، ایالت آلاباما نیز با شیوع ویرانگر ویروس مواجه شد. اولین مورد شناخته شده COVID-19 در آلاباما در 3 مارس 2020 اعلام شد. ماه بعد، فرماندار دستور اقامت در خانه را در سراسر ایالت صادر کرد. بین 1 آوریل 2020 و 30 آوریل 2021، افزایش شدید موارد و مرگ و میر COVID-19 مشاهده شد، اما به نظر می رسید این روند افزایشی تا ماه آوریل 2021 تثبیت شود ( شکل 1 د). در این دوره، آلاباما در میان ایالت های ایالات متحده با افراد کمتر آزمایش شده قرار گرفت. تا اواخر سپتامبر 2021، بیش از 794000 مورد و 14155 مورد مرگ ناشی از این بیماری وجود داشت و آلاباما در میان ایالت‌هایی با افراد کمتر واکسینه شده قرار داشت [ 70 ].
برای ارزیابی آسیب پذیری جمعیت ایالت در برابر بیماری جدید در سطح شهرستان، از داده های منابع مختلف استفاده شد.

2.2. انواع داده ها و منابع

داده های بهداشتی مورد استفاده در این مطالعه از اداره بهداشت عمومی آلاباما [ 71 ] به دست آمد]. از زمان ظهور کووید-19، ADPH اطلاعات مختلف در سطح شهرستان را در مورد این بیماری به صورت روزانه در وب سایت خود قرار داده است و مرکز داشبورد COVID-19 آلاباما را که داشبوردهای مختلفی را در خود جای داده است، نگهداری می کند. داده‌های ارسال‌شده در وب‌سایت ADPH را می‌توان به‌صورت صفحه‌گسترده بارگیری کرد و شامل آمار و اطلاعات مکان در مورد ارائه‌دهندگان واکسن، کلینیک‌های فقط برای قرار ملاقات، کلینیک‌های رانندگی و پیاده‌روی، داده‌های موردی، سایت‌های آزمایش، و داده‌های واکسن شهرستان است. ارائه‌دهندگان واکسن، کلینیک‌های فقط برای قرار ملاقات، کلینیک‌های رانندگی و راه‌اندازی، و سایت‌های آزمایش به‌عنوان فهرستی از آدرس‌ها ارائه می‌شوند. داده های موردی شامل تعداد کل موارد، افراد آزمایش شده و مرگ و میر در هر شهرستان است. داده های واکسن شهرستان آماری را در مورد جمعیت > 16، افرادی که حداقل یک دوز دریافت کرده اند (تعداد کل و درصد)، تعداد افراد کاملاً واکسینه شده، ارائه می دهد.
داده‌های بهداشتی اضافی به‌دست‌آمده از منابع مختلف دیگر شامل آماری در مورد تعداد سیگاری‌ها، چاقی بزرگسالان، دیابت، و نرخ سرطان به‌دست‌آمده از مؤسسه سلامت جمعیت دانشگاه ویسکانسین در سال 2020 رتبه‌بندی بهداشت شهرستان [ 72 ]، و آژانس حفاظت از محیط زیست، خطر تنفسی سموم هوا است. شاخص، که مجموع شاخص های خطر است، که در آن هر شاخص خطر، نسبت غلظت قرار گرفتن در معرض در هوا به غلظت مرجع مبتنی بر سلامت است که توسط آژانس حفاظت از محیط زیست [ 73 ] تعیین شده است. این داده‌های بهداشتی اضافی برخی از بیماری‌های همراه و سایر خطرات سلامتی را نشان می‌دهند که احتمالاً باعث بیماری شدید ناشی از COVID-19 می‌شوند [ 74 ]]. آمار بستری شدن در بیمارستان به دلیل COVID-19 از نیویورک تایمز به دست آمد که داده ها را از ایالت آلاباما و آژانس های محلی جمع آوری کرد [ 75 ]. داده‌های مربوط به تعداد تخت‌های موجود در واحد مراقبت‌های ویژه (ICU) (مجموع 7 روزه: 24 تا 30 آوریل 2021) از HealthData.gov [ 76 ] به‌دست آمد.
بیشتر داده‌های جمعیتی و اجتماعی-اقتصادی از اداره سرشماری ایالات متحده سرچشمه گرفته و توسط مؤسسه تحقیقات سیستم‌های زیست محیطی (ESRI) به‌روز شده و به قالب پایگاه داده‌های جغرافیایی که به راحتی با نرم‌افزار سیستم اطلاعات جغرافیایی (GIS) قابل استفاده است، تبدیل شده‌اند. متغیرهای مرتبط به طور کلی در توسعه شاخص‌های آسیب‌پذیری استفاده می‌شوند که دارای مؤلفه‌های جمعیتی، اجتماعی و اقتصادی هستند [ 24 ، 77 ، 78 ، 79 ، 80 ، 81 ، 82 ، 83 .]. داده های جمعیت شناختی شامل تراکم جمعیت و تراکم جمعیت در طول روز، و درصد جمعیت اقلیت، جمعیت سالمندان (سن 65 ≥)، و خانوارهایی با 5 نفر یا بیشتر است. تمام داده های جمعیت شناختی از دموگرافیک ESRI 2019 به دست آمد، به جز تراکم جمعیت در طول روز، که از شاخص آسیب پذیری اجتماعی CDC 2018 [ 84 ] سرچشمه می گیرد. داده‌های اجتماعی-اقتصادی شامل (1) فایل‌های پایگاه داده جغرافیایی مربوط به جمعیت‌شناسی ESRI 2019 است که شامل موارد زیر است: نرخ بیکاری، خانوارهای زیر سطح فقر، افراد دارای تحصیلات متوسطه اما بدون مدرک؛ (2) نرخ ناامنی غذایی 2019 به دست آمده از Feeding America [ 85]؛ و (3) جمعیت بدون بیمه به دست آمده از رتبه‌بندی سلامت شهرستان 2020 و نقشه‌های راه توسعه‌یافته توسط موسسه بهداشت جمعیت دانشگاه ویسکانسین [ 72 ].

2.3. پردازش داده های اولیه

با توجه به انواع فرمت ها، داده های سطح شهرستان با استفاده از ArcGIS ESRI پردازش شدند. اگرچه بیشتر داده‌ها قبلاً در قالب فضایی بودند و به سند نقشه اضافه می‌شدند، اما برخی از متغیرها مانند چاقی بزرگسالان، دیابت، نرخ سرطان، تعداد تخت‌های ICU، تعداد افراد سیگاری، جمعیت‌های بیمه‌نشده و میزان ناامنی غذایی وارد شدند. به عنوان جداولی که به سند نقشه اضافه شده و با استفاده از نام شهرستان ها به عنوان فیلد مشترک به جدول ویژگی های داده های مکانی ملحق شده اند. داده‌های بهداشتی ارائه‌شده به‌عنوان جداول آدرس‌ها ابتدا به شکل فایل‌های نقطه‌ای توسط آدرس‌های کدگذاری جغرافیایی تبدیل شدند، سپس برای تولید تعداد امکانات در هر شهرستان خلاصه شدند. همه متغیرها در یک مجموعه داده اصلی در قالب shapefile، با پیوستن جداول مختلف به جدول ویژگی shapefile با استفاده از نام شهرستان ها به عنوان فیلد مشترک، جمع آوری شدند. و جدول ویژگی مرتبط به عنوان یک فایل متنی در قالب جدا شده با کاما (csv) مناسب برای پردازش بیشتر در یک صفحه گسترده اکسل صادر شد. از این جدول اصلی، سه زیرمجموعه ایجاد شد که هر یک از آنها متغیرها (شاخص‌ها) متعلق به تعیین‌کننده مربوطه را دوباره گروه‌بندی می‌کنند. شایان ذکر است تمامی مقادیر شمارش به درصد تبدیل شد. به عنوان مثال، شاخص خانوار به صورت زیر محاسبه شد: (تعداد خانوارهای پنج نفر یا بیشتر/تعداد کل خانوار) ​​∗ 100. شایان ذکر است تمامی مقادیر شمارش به درصد تبدیل شد. به عنوان مثال، شاخص خانوار به صورت زیر محاسبه شد: (تعداد خانوارهای پنج نفر یا بیشتر/تعداد کل خانوار) ​​∗ 100. شایان ذکر است تمامی مقادیر شمارش به درصد تبدیل شد. به عنوان مثال، شاخص خانوار به صورت زیر محاسبه شد: (تعداد خانوارهای پنج نفر یا بیشتر/تعداد کل خانوار) ​​∗ 100.

2.4. توسعه شاخص آسیب پذیری

2.4.1. چارچوب آسیب پذیری

یک سیستم زمانی آسیب پذیر است که احتمال دارد به دلیل قرار گرفتن در معرض خطر آسیب ببیند و/یا قادر به مقابله با اثرات نامطلوب خطر نباشد [ 86 ]. خطر به عنوان یک “تهدید برای یک سیستم، متشکل از اختلالات و استرس، … و پیامدهایی که ایجاد می کند” تعریف می شود [ 87 ]. طبق IPCC [ 86]، آسیب پذیری تابعی از قرار گرفتن در معرض، حساسیت و ظرفیت سازگاری است. قرار گرفتن در معرض “ماهیت و درجه ای است که یک سیستم در معرض آن قرار می گیرد”. حساسیت عبارت است از “درجه ای که یک سیستم تحت تاثیر منفی یا سودمند قرار می گیرد”. ظرفیت تطبیقی ​​توانایی یک سیستم برای اجرای اقدامات سازگاری مؤثر برای تعدیل آسیب‌های احتمالی، استفاده از فرصت‌ها یا مقابله با پیامدها با استفاده از کل قابلیت‌ها، منابع و نهادهای خود است [ 86 ، 88 ]. این چارچوب آسیب پذیری ارائه شده در گزارش ارزیابی سوم IPCC [ 86 ] در بسیاری از مطالعات بعدی به کار گرفته شد (به عنوان مثال، [ 89 ، 90 ]).
در این مطالعه، ما این چارچوب IPCC را پذیرفتیم و یک شاخص ترکیبی آسیب‌پذیری ایجاد کردیم که سه عامل تعیین‌کننده (زیرشاخص) زیر را ترکیب می‌کند: قرار گرفتن در معرض، حساسیت، و ظرفیت تطبیقی ​​( شکل 2 ). قرار گرفتن در معرض و حساسیت، اثرات بالقوه COVID-19 می تواند بر جمعیت ها داشته باشد. مقادیر بالای قرار گرفتن در معرض و حساسیت همراه با مقادیر پایین ظرفیت تطبیقی ​​منجر به نمرات بالایی از شاخص کلی می شود که نشان دهنده آسیب پذیری بالا است.

بنابراین، معادله محاسبه شاخص آسیب پذیری COVID-19 به صورت زیر تعریف شد:

آسیب پذیری = (قرار گرفتن در معرض + حساسیت) – ظرفیت تطبیقی
انتخاب شاخص‌ها مرحله مهمی در توسعه شاخص آسیب‌پذیری است [ 47 ]]. انتخاب شاخص‌های آسیب‌پذیری ما برای هر تعیین‌کننده بر اساس چارچوب انتخابی هدایت می‌شد که به ما امکان می‌داد شاخص‌ها را مطابق با سه مؤلفه شاخص طبقه‌بندی و ساختاربندی کنیم. انتخاب شاخص ها همچنین بر اساس (1) مجموعه گسترده ای از ادبیات در مورد انواع مختلف ارزیابی آسیب پذیری (آسیب پذیری در برابر تغییرات آب و هوا و سایر مخاطرات طبیعی، آسیب پذیری اجتماعی) بود که امکان انتخاب متغیرهای تثبیت شده مورد استفاده برای تعیین کمیت آسیب پذیری را فراهم کرد. و (2) دانش تخصصی COVID-19 از سازمان بهداشت جهانی (WHO) و موسسات بهداشتی پیشرو، مانند مرکز کنترل و پیشگیری از بیماری (CDC) و مؤسسه ملی بهداشت (NIH).
2.4.2. شاخص ها
شاخص های هر زیرشاخص در جدول 1 نشان داده شده است.
شاخص های نوردهی شاخص های قرار گرفتن در معرض COVID-19، محاسبه شده برای هر شهرستان آلاباما، شامل سه متغیر زیر است: (1) تعداد کل موارد COVID-19 در آلاباما، از 1 آوریل 2021 تا 30 آوریل 2021؛ نرخ بروز با محاسبه تفاوت تعداد موارد بین دو تاریخ، تقسیم آن بر جمعیت شهرستان و ضرب نتیجه در 1000 به دست آمد. (2) میانگین یک هفته ای تعداد بستری شدن در بیمارستان به دلیل COVID-19 (24-30 آوریل 2021)؛ نرخ بستری شدن در بیمارستان برای 100000 نفر محاسبه شد. (3) نرخ مرگ و میر COVID-19 به ازای هر 1000 نفر در طول دوره مورد مطالعه.
شاخص های حساسیت برای مشخص کردن حساسیت، این مطالعه از پانزده متغیر اختصاص داده شده به چهار زیر گروه زیر استفاده کرد: ازدحام، وضعیت جمعیتی، وضعیت اجتماعی-اقتصادی، و وضعیت سلامت، از جمله بیماری‌های همراه. زیر گروه ازدحام با سه متغیر زیر تعریف می شود: (1) تراکم جمعیت. (2) تراکم جمعیت در طول روز (که همچنین نشانگر تحرک است). و (3) ازدحام مسکونی، که درصد خانوارهای پنج نفره یا بیشتر را نشان می دهد. اکنون می دانیم که COVID-19 عمدتاً توسط افراد آلوده منتقل می شود که قطرات و ذرات بسیار کوچک حاوی ویروس را بیرون می دهند. بنابراین، باید از فضاهای شلوغ و با تهویه ضعیف اجتناب شود [ 3 ، 91]. مقادیر بالای متغیرهای شلوغی نشان‌دهنده غلظت بالای افراد است که اجرای کارآمد فاصله‌گذاری اجتماعی را دشوارتر می‌کند و در نتیجه خطر شیوع بیماری را افزایش می‌دهد. زیر گروه وضعیت جمعیتی از دو متغیر زیر تشکیل شده است: (1) سالمندان، درصد جمعیت 65 سال یا بیشتر. (2) اقلیت ها، درصد جمعیت های اقلیت. این دو گروه بیشتر در معرض ابتلا به عفونت و پیامدهای نامطلوب ناشی از ابتلا به ویروس هستند [ 3 ، 5 ، 91 ]. زیر گروه وضعیت اجتماعی و اقتصادیشامل پنج متغیر زیر است: (1) فقر، درصد خانوارهای زیر سطح فقر. (2) بیکاری، نرخ بیکاری در سطح شهرستان. (3) بیمه نشده، درصد جمعیت بدون بیمه درمانی. (4) بدون دیپلم، درصد جمعیتی که در برخی از دبیرستان ها تحصیل کرده اند اما فارغ التحصیل نشده اند. (5) ناامنی غذایی، نرخ ناامنی غذایی محاسبه شده با ترکیب مواد غذایی در سطح ایالت و شهرستان، اطلاعات جمعیت شناختی و اجتماعی-اقتصادی، مانند مالکیت خانه، شیوع ناتوانی، درآمد متوسط، میانگین دلاری که برای غذا در هفته خرج می شود، و دانشجوی غیر کارشناسی نرخ فقر. روش های محاسبه شاخص ناامنی غذایی در یک گزارش فنی از Feeding America [ 85 ] به تفصیل آمده است. شاخص ها در زیر گروه وضعیت اجتماعی-اقتصادیجمعیت های حاشیه نشین با درآمد کم، دسترسی محدود به آموزش بهداشت، مراقبت های پزشکی و بسیاری از منابع حیاتی دیگر را مشخص می کند. در تعداد زیادی از مطالعات، چنین گروه هایی به عنوان آسیب پذیرتر، کمتر قادر به مقابله با تهدیدات سلامتی شناسایی شده اند [ 19 ، 24 ، 92 ، 93 ]. زیر گروه وضعیت سلامتبا پنج متغیر زیر تعیین می شود: (1) چاقی، درصد بزرگسالان چاق در هر شهرستان. (2) شیوع دیابت، درصد افراد مبتلا به دیابت. (3) شیوع سرطان، درصد افراد مبتلا به سرطان. (4) افراد سیگاری، تعداد افراد سیگاری به عنوان درصد. (5) سموم هوا، شاخص خطر تنفسی سموم هوا. به خوبی شناخته شده است که افرادی که دارای برخی شرایط پزشکی زمینه ای خاص هستند، بیشتر احتمال دارد که بیماری شدید ناشی از COVID-19 را تجربه کنند [ 3 ، 91 ، 94 ، 95]. در مورد سیگار کشیدن، اگرچه هنوز شواهدی وجود ندارد که آن را با بیماری شدید ناشی از COVID-19 مرتبط کند، اما چنین عملی خطر بیماری قلبی و اختلالات ریوی را افزایش می دهد و ممکن است خطر ابتلا به این ویروس را افزایش دهد، به دلیل تماس مکرر دست به دهان. عمل در هنگام سیگار کشیدن [ 3 ].
شاخص های ظرفیت تطبیقی. هفت شاخص برای تعیین ظرفیت تطبیقی ​​انتخاب شد که به شرح زیر است: (1) تخت ICU، تخت ICU کارکنان بزرگسال در دسترس به ازای هر 10000 نفر. مقادیر پایین این متغیر نشان می دهد که شهرستان کمتر قادر به مقابله با بیماری شدید COVID-19 است و/یا اینکه بیمارستان ها تحت استرس زیاد کار می کنند. (2) واکسینه شده، درصد افراد مسن تر از 16 سال کاملاً واکسینه شده. (3) ارائه دهندگان واکسن، تعداد ارائه دهندگان واکسن در هر 10000 نفر؛ (4) سایت های آزمایش، تعداد سایت های آزمایش COVID-19 در هر 10000 نفر؛ (5) آزمایش شده، کل جمعیت مسن تر از 16 سال آزمایش شده، به ازای هر 10000 نفر؛ (6) دوزها، دوزهای COVID-19 تجویز شده، به ازای هر 1000 نفر بالای 16 سال؛ (7) کلینیک‌ها، تعداد کلینیک‌هایی که واکسن‌های کووید-19 را به ازای هر 10000 نفر تجویز می‌کنند. به طور کلی،
2.4.3. تحلیل آماری

کاهش تعداد متغیرها: یک مرحله مقدماتی مهم استفاده از تحلیل چند متغیره (1) برای کشف ساختار داده ها و بررسی روابط متقابل بین متغیرها است. توسعه موفقیت آمیز یک شاخص ترکیبی ابتدا به انتخاب مناسب متغیرهای تشکیل دهنده بستگی دارد، زیرا ساختار داده بسیار پیچیده و داده های بیش از حد می تواند بر روند توسعه شاخص تأثیر منفی بگذارد و تصمیم گیرندگان و همچنین کاربران بالقوه را سردرگم کند [ 47 ، 96 ]. (2) برای شناسایی افزونگی بالقوه در مجموعه داده، زیرا ترجیح داده می شود که هر متغیر به طور منحصر به فرد به ماتریس داده کمک کند، و کاهش داده حاصل نیز عملکرد محاسباتی را بهبود می بخشد [ 96 ، 97 ]]. در این فرآیند کاهش، اولین مرحله استانداردسازی همه متغیرها با استفاده از فرمول زیر بود:

z = (x – μ)/σ

که در آن z امتیاز استاندارد، x مقدار مشاهده شده، μ میانگین مجموعه نمونه، و σ انحراف استاندارد مجموعه نمونه است.

سپس، تجزیه و تحلیل مؤلفه اصلی (PCA) با استفاده از متغیرهای استاندارد شده که تحت هر تعیین کننده گروه بندی شده اند، به عنوان روشی برای کاهش داده ها استفاده شد [ 98 ، 99 ]. یکی از خروجی های PCA ماتریس همبستگی متغیرها است. تحت هر تعیین کننده یا زیرگروه، همبستگی ها برای افزونگی مورد بررسی قرار گرفت، و به دنبال همبستگی های زوجی با ضریب بزرگتر از 0.90 [ 100 ] بود.]. در چنین مواردی، متغیر با کمترین بارگذاری PCA حذف شد. در نتیجه این فرآیند، سه افزونگی زیر شناسایی شدند: در زیر گروه ازدحام، ضریب همبستگی تراکم در مقابل تراکم روز 0.99 بود. در زیر گروه وضعیت جمعیتی، ضریب برای سالمندان در مقابل اقلیت ها 0.95 بود. و تحت تعیین ظرفیت تطبیقی، برای دوزهای واکسینه شده در مقابل 0.97 بود. متغیرهای با بارهای PCA کمتر، یعنی تراکم روز، اقلیت ها و دوزها حذف شدند.

وزن دهی: از تحلیل عاملی (FA) با چرخش واریماکس برای تخصیص وزن به متغیرهای تحت هر تعیین کننده استفاده شد. با این روش مبتنی بر داده، هر متغیر بر اساس سهم آن در واریانس کلی در داده ها وزن می شود [ 47 ، 101 ]. این فرآیند از چند مرحله تشکیل شده است و قبل از اجرای FA، متغیرها برای داشتن یک محدوده یکسان (0، 1) نرمال سازی شدند که به شرح زیر است:

x′ = (x – min f(x))/(max f(x) – min f(x))

که در آن x مقدار نرمال شده است و x یک مقدار اصلی است.

ابتدا، لازم است با استفاده از دو آزمون زیر بررسی شود که آیا FA برای داده‌ها مناسب است یا خیر: آزمون Kaiser-Meyer-Olkin (KMO) و آزمون کرویت بارتلت. KMO اندازه گیری کفایت نمونه گیری (MSA) [ 102 ] است. این آزمون یک MSA برای هر متغیر و یک MSA کلی به دست می دهد. آمار KMO می تواند از 0 تا 1 متفاوت باشد و مقدار کوچکتر از 0.6 نشان می دهد که نمونه گیری کافی نیست و FA ممکن است برای داده ها مناسب نباشد [ 103 ]]. در این مطالعه، آزمون KMO برای سه عامل تعیین کننده نشان داد که استفاده از FA برای داده ها مناسب است، زیرا آزمایش نتایج MSA زیر را به همراه داشت: قرار گرفتن در معرض 0.68. حساسیت، 0.84; و ظرفیت تطبیقی، 0.75. آزمون دوم، آزمون کرویت بارتلت، برای آزمایش این فرضیه استفاده می شود که ماتریس همبستگی مشاهده شده یک ماتریس هویتی است (از این رو، شاخص های فردی در ماتریس همبستگی همبستگی ندارند) [ 104 ]. مقادیر کوچک سطح معنی داری ( p -value کمتر از 0.05) نشان می دهد که ادامه با FA مناسب است. در این مطالعه، نتایج آزمون بارتلت نشان داد که داده‌ها برای FA مناسب هستند، زیرا تمام مقادیر p به دست آمده کوچکتر از 0001/0 بودند.
گام بعدی انجام استخراج عامل با اجرای FA بر روی داده ها و حفظ تعداد فاکتورهایی بود که داده ها را نشان می دهند. دستورالعمل های مختلفی برای تصمیم گیری در مورد تعداد عواملی که باید حفظ شوند وجود دارد. ما یک رویه استاندارد اتخاذ شده در چندین مطالعه را دنبال کردیم و برای اینکه یک عامل حفظ شود، سه شرط وجود دارد که به شرح زیر است: (1) عامل با یک مقدار ویژه بزرگتر از واحد مرتبط است (>1). (2) عامل بیش از 10٪ از واریانس کلی داده ها را توضیح می دهد. (3) واریانس تجمعی عوامل انتخاب شده باید بیش از 60٪ باشد [ 47 ، 51 ، 101]. بر اساس این معیارها، عوامل برای هر یک از عوامل به شرح زیر حفظ شد: حساسیت، سه عامل. ظرفیت تطبیقی، دو عامل در مورد تعیین کننده قرار گرفتن در معرض، که فقط از سه شاخص تشکیل شده است، دستورالعمل های کامل نمی توانند رعایت شوند. تنها عامل اول دارای مقدار ویژه ای بزرگتر از واحد بود و حفظ شد.
در مرحله بعد، بارهای عاملی با استفاده از روش واریماکس چرخانده شدند که سازماندهی ساده تری از عوامل حفظ شده را به همراه دارد. به جای داشتن همه بارهای برجسته (شاخص های با بارگذاری بالا) در یک فاکتور، هر نشانگر منحصراً بر روی یکی از عوامل حفظ شده بارگذاری می شود. بارهای عامل چرخشی سپس مربع شدند. مقادیر به دست آمده نشان دهنده نسبت کل واریانس واحد شاخص است که با عامل [ 105 ] توضیح داده می شود.

بارهای عامل مجذور با مجموع 1 به صورت زیر مقیاس بندی شدند:

N = 1/(x1 + x2 + … + xn)

که در آن N نرمال ساز است و x موردی از لیست اعدادی است که باید نرمال سازی شوند. در مرحله بعد، هر عدد در لیست در نرمال ساز ضرب شد، و مجموع حاصل 1.0 است، همانطور که در رابطه (5) نشان داده شده است، که به شرح زیر است:

([x1 × N] + [x2 × N] + … + [xn × N]) = 1.0
کامپوزیت های میانی با گروه بندی شاخص هایی با بیشترین بارگذاری (که بارهای برجسته نیز نامیده می شود) در فاکتورهای مربوطه ایجاد شدند [ 101 ]. سپس کامپوزیت‌های میانی تجمیع شدند و به هر یک از مقادیر به‌دست‌آمده با ضرب آن در مقدار ویژه مربوطه، وزنی نسبت داده شد. آخرین مرحله از این فرآیند آماری، مقیاس کردن امتیازات وزنی حاصل از مجموع تا واحد بود که در معادلات (4) و (5) نشان داده شده است.
برای هر تعیین کننده، مقدار نرمال شده شاخص ها در وزن نهایی متناظر آن ضرب شد و نمرات حاصل جمع شد تا یک زیرشاخص برای تعیین کننده به دست آید. در نهایت، نمرات سه عامل تعیین کننده همانطور که در رابطه (1) نشان داده شده است برای ایجاد شاخص آسیب پذیری نهایی ترکیب شدند.
روش‌های GIS برای پیوستن جداول به‌دست‌آمده به یک فایل شکل از شهرستان‌های آلاباما برای تحلیل و نقشه‌برداری فضایی، با استفاده از نرم‌افزار GIS مؤسسه تحقیقات سیستم‌های محیطی، ArcGIS، استفاده شد. طرح‌های طبقه‌بندی مختلف، از جمله نقشه‌برداری مقادیر با استفاده از رنگ‌ها و نمودارهای درجه‌بندی شده، مورد استفاده قرار گرفت. برای طبقه بندی نمرات حاصل از تجزیه و تحلیل آماری از روش کمیت استفاده شد.

3. نتایج

در این بخش، نتایج حاصل از تجزیه و تحلیل آماری و پردازش های مکانی برای هر یک از عوامل تعیین کننده و شاخص آسیب پذیری نهایی ارائه شده است.

3.1. تحلیل آماری

جدول 2 نتایج FA را برای زیرشاخص مواجهه نشان می دهد که تنها از سه شاخص تشکیل شده است: تعداد موارد COVID-19، مرگ و میر و بستری شدن در بیمارستان. فرآیند FA تنها یک عامل با مقدار ویژه 1.4 به همراه داشت و 23 درصد از واریانس را توضیح می دهد. بیشترین امتیاز وزنی به مرگ و میر ناشی از کووید-19 (0.46) و پس از آن تعداد موارد (0.38) اختصاص داشت. بستری‌ها کمترین وزن (17/0) را داشتند.
نتایج FA برای زیرشاخص حساسیت در جدول 3 ارائه شده است. سه عامل حفظ شده 63.2 درصد از واریانس را تشکیل می دهند ( جدول 3 ). عامل 1 دارای بارهای برجسته بر روی بیکاری (0.78)، خانوارهای زیر سطح فقر (0.97)، ناامنی غذایی (0.41)، خانوارهای با 5+ نفر (0.19)، شاخص تنفسی (1.26) و چاقی (0.59) است. این عامل تحت تأثیر شرایط اجتماعی-اقتصادی و تا حدودی وضعیت سلامتی است. به سه مورد از شاخص ها بیشترین وزن اختصاص داده شد ( جدول 4). فاکتور 2 که با تراکم جمعیت (0.40)، برخی از دبیرستان اما بدون دیپلم (0.77)، بیمه نشده (0.08)، سیگاری ها (0.54) و دیابت (0.39) تشکیل می شود، ترکیبی از شرایط اجتماعی-اقتصادی و بهداشتی را نشان می دهد. فاکتور 3 دارای بارهای بالایی برای سالمندان (4.43) و سرطان (2.94) است. اوزان نهایی در جدول 4 نمایش داده شده است. به طور کلی، بیشتر اندیکاتورهای دارای بیشترین وزن در فاکتور 1 بارگذاری شدند.
برای زیرشاخص ظرفیت تطبیقی، دو عامل زیر که 62.2 درصد از واریانس را به خود اختصاص می دهند، حفظ شد: عامل 1 42.1 درصد از واریانس را توضیح می دهد و دارای ارزش ویژه 2.6 است. عامل 2 20.1 درصد از واریانس (مقدار ویژه: 1.5) را توضیح می دهد ( جدول 5 ). فاکتور 1 بارگذاری بالایی با مکان های آزمایش متغیرها، کلینیک ها، ارائه دهندگان واکسن و تخت های ICU دارد. با توجه به اجزای آن، این اولین عامل ممکن است به عنوان زیرساخت موجود برای مقابله با COVID-19 تفسیر شود. فاکتور 2 توسط متغیرهای واکسینه شده (که بالاترین بارگذاری 0.9 را دارد) تشکیل و (0.03) آزمایش شده است. این عامل نشان دهنده اقداماتی است که توسط افراد برای ردیابی بیماری و کاهش انتقال آن انجام شده است. جدول 6وزن نهایی شاخص های ظرفیت تطبیقی ​​را نشان می دهد. متغيرهاي زير بيشترين وزن را به خود اختصاص دادند: واکسينه شده (33/0)، درمانگاه ها (29/0) و ارائه دهندگان واکسن (21/0). مکان‌های آزمایش، تخت‌های ICU و آزمایش‌شده کمترین وزن را نشان دادند.

3.2. الگوهای فضایی زیرشاخص‌ها و شاخص آسیب‌پذیری نهایی

توزیع فضایی نمرات زیرشاخص مواجهه در شکل 3 نشان داده شده است . اکثر شهرستان‌هایی که بیشترین میزان ابتلا به کووید-19، بستری شدن در بیمارستان و/یا مرگ و میر را دارند در کمربند سیاه آلاباما قرار دارند (از 10 شهرستان با بالاترین امتیاز مواجهه، 6 استان را تشکیل می‌دهند).
در آن شهرستان ها، مرگ و میر ناشی از کووید-19 عامل اصلی زیرشاخص قرار گرفتن در معرض، بستری شدن در بیمارستان و تعداد موارد است ( شکل 4 الف). 14 شهرستان به عنوان کمترین در معرض ابتلا به کووید-19 طبقه بندی می شوند. آنها عمدتاً در بخش جنوب غربی ایالت واقع شده اند. با این حال، این گروه شامل سه شهرستان کمربند سیاه است: راسل، پایک و ویلکاکس. امتیاز زیرشاخص قرار گرفتن در معرض در این شهرستان‌ها ناشی از بستری شدن در بیمارستان COVID-19 و تا حدی کمتر، موارد و مرگ‌های COVID-19 است ( شکل 4 ب).
شکل 5 الگوهای فضایی نمرات زیرشاخص حساسیت را نشان می دهد. شهرستان هایی که بالاترین امتیاز را دارند، به جز شهرستان مونرو، همگی در کمربند سیاه آلاباما قرار دارند. امتیاز زیرشاخص حساسیت این شهرستان‌ها عمدتاً با سهم بیشتر تعداد سیگاری‌ها و شاخص خطر تنفسی توضیح داده می‌شود و درآمد خانوار زیر سطح فقر، ناامنی غذایی و چاقی به‌طور نزدیک به دنبال آن است. اکثر شهرستان هایی که کمترین امتیاز را دارند در شمال کمربند سیاه آلاباما قرار دارند. در این شهرستان‌ها، خانوارهایی با پنج نفر یا بیشتر سهم اصلی در زیرشاخص حساسیت دارند و پس از آن سرطان، شاخص خطر تنفسی و سیگاری‌ها قرار دارند.
توزیع فضایی امتیازات ظرفیت تطبیقی ​​در شکل 6 نشان داده شده است . الگوهای توزیع شهرستان‌هایی که بالاترین امتیاز را دارند، منسجم نیستند زیرا در بخش‌های مختلف ایالت پراکنده هستند. کمترین امتیازها عمدتاً در مجموعه ای از شهرستان ها در غرب کمربند سیاه آلاباما و شهرستان های جنوبی مجاور دیده می شود.
در شهرستان‌های دارای امتیاز بالا، عوامل اصلی زیرشاخص ظرفیت تطبیقی ​​تعداد تخت‌های ICU و به دنبال آن تعداد محل‌های آزمایش، ارائه‌دهندگان واکسن و افراد آزمایش‌شده است ( شکل 7 الف). در شهرستان‌های با امتیاز پایین، زیرشاخص توسط تعداد کلینیک‌های COVID-19، ارائه‌دهندگان واکسن و سایت‌های آزمایش هدایت می‌شود ( شکل 7 ب).
این سه زیرشاخص برای تشکیل شاخص کلی آسیب‌پذیری COVID-19 تجمیع شدند. توزیع فضایی نمرات کلی حاصل در شکل 8 نشان داده شده است . آسیب پذیرترین شهرستان ها در کمربند سیاه آلاباما یافت می شوند (در مجموع هشت شهرستان از نه شهرستان). به طور کلی، کمترین آسیب پذیرترین شهرستان ها در شمال کمربند سیاه قرار دارند (در مجموع یازده شهرستان از چهارده شهرستان). تنها دو شهرستان، بالدوین و کافی، در جنوب کمربند سیاه قرار دارند. شهرستان راسل یک استثنا قابل توجه است: علیرغم اینکه شهرستان کمربند سیاه است، به دلیل قرار گرفتن در معرض کمتر (تعداد موارد COVID-19 و مرگ و میر) و ظرفیت سازگاری بالاتر (تعداد نسبتاً بالای کلینیک، یکی از کمترین آسیب پذیرترین شهرستان ها است. افراد آزمایش شده و واکسینه شده).
رتبه‌بندی پنج شهرستان کمترین و آسیب‌پذیر ( شکل 9 ) تأیید می‌کند که آسیب‌پذیرترین شهرستان آلاباما در برابر کووید-19 در کمربند سیاه واقع شده‌اند که شامل یکی از کمترین آسیب‌پذیرترین شهرستان‌ها (کانتی راسل) نیز می‌شود. با این حال، باید توجه داشت که اکثریت جمعیت آلاباما در شهرستان‌هایی با آسیب‌پذیری پایین زندگی می‌کنند. بر اساس برآوردهای جمعیتی سال 2021 از سوی اداره سرشماری ایالات متحده، 59.6٪ از آلابامایی ها در چنین شهرستان هایی زندگی می کنند، در حالی که تنها 28.4٪ در شهرستان های بسیار آسیب پذیر زندگی می کنند.

3.3. تخریب شاخص آسیب پذیری COVID-19

اهمیت نسبی زیرشاخص ها برای شاخص کلی آسیب پذیری در جدول 7 خلاصه شده است. همبستگی زیرشاخص ها با شاخص کلی نشان می دهد که نمرات آسیب پذیری عمدتاً با ظرفیت انطباقی (86/0-) و حساسیت (85/0) توضیح داده می شود.
شاخص کلی آسیب‌پذیری خلاصه‌ای از زیرشاخص‌ها و شاخص‌های تشکیل‌دهنده است که می‌تواند توسط سیاست‌گذاران برای شروع فرآیند تصمیم‌گیری استفاده شود. با این حال، برای گسترش تجزیه و تحلیل، درک سهم هر زیرشاخص، و درک بهتر معنای هر امتیاز و عملکرد هر شهرستان، لازم است که شاخص کلی [ 47 ، 106 ] تجزیه شود. شکل 10سهم هر زیرشاخص در شاخص کل ترکیبی برای پنج شهرستان بیشترین و کمترین آسیب پذیری را نشان می دهد. در شهرستان‌های بسیار آسیب‌پذیر، حساسیت و قرار گرفتن در معرض عوامل اصلی در شاخص کلی هستند، در حالی که سهم ظرفیت تطبیقی ​​ضعیف است. شهرستان های کمتر آسیب پذیر سهم بسیار قوی از ظرفیت انطباقی و سهم کم از زیرشاخص های دیگر را نشان می دهند. به عنوان مثال، درصد سهم زیرشاخص‌ها در شاخص کل برای آسیب‌پذیرترین شهرستان (لوندز) به شرح زیر است: قرار گرفتن در معرض: 45%; حساسیت: 42%; ظرفیت تطبیقی: 13%. در مقابل، مقادیر کمترین آسیب پذیری شهرستان (بالدوین) به ترتیب 17، 9، و 75 درصد است.
این تضاد در شکل 11 نشان داده شده است ، که برای کشورهای دارای بالاترین و کمترین امتیاز (به ترتیب بالدوین و لوندز)، درصد سهم هر شاخص در شاخص کلی را با توجه به محدوده مقدار و میانگین نشان می دهد. به طور خلاصه، شهرستان‌های بسیار آسیب‌پذیر به دلیل ظرفیت سازگاری ضعیف، بیشتر در معرض COVID-19 قرار دارند و تحت تأثیر آن قرار می‌گیرند و کمتر می‌توانند با این بیماری کنار بیایند.
تجزیه و تحلیل را می توان با تفکیک هر زیرشاخص بیشتر گسترش داد. باید به خاطر داشت که نمرات بالاتر نشان دهنده آسیب پذیری بالاتر در برابر COVID-19 است. شکل 12 همبستگی هر زیرشاخص را با شاخص های تشکیل دهنده نشان می دهد. زیرشاخص قرار گرفتن در معرض ( شکل 12 الف)، با ضریب همبستگی 0.78، همبستگی زیادی با مرگ و میر ناشی از کووید-19 دارد. دو شاخص دیگر همبستگی بسیار کمتری با زیرشاخص دارند ( بستری شدن در بیمارستان، 0.28؛ موارد: 0.26). زیرشاخص حساسیت عمدتاً با چهار شاخص زیر توضیح داده می شود: درآمد خانوار زیر سطح فقر (0.88)، شاخص خطر تنفسی (0.88)، نرخ بیکاری (0.83) و چاقی (0.72) ( شکل 12 ).ب). سه شاخص دیگر نسبتا مهم هستند، اما به میزان کمتر: ناامنی غذایی (0.65)، سیگاری ها (0.62) و دیابت (0.61). شاخص بیمه نشده رابطه بسیار ضعیفی با زیرشاخص (0.04) نشان می دهد. دو شاخص تراکم جمعیت (تراکم جمعیت و خانوارهای پنج نفر یا بیشتر) با زیرشاخص همبستگی منفی دارند. به طور کلی، بسیاری از شاخص ها به طور قابل توجهی به زیرشاخص حساسیت کمک می کنند. زیرشاخص ظرفیت تطبیقی ​​عمدتاً تحت سلطه چهار شاخص است: کلینیک ها (0.87)، ارائه دهندگان واکسن (0.72)، افراد واکسینه شده (0.67) و مکان های آزمایش (0.62). دو شاخص دیگر (تخت های ICU و افراد مورد آزمایش) همبستگی ضعیف و منفی با زیرشاخص نشان می دهند (به ترتیب -0.20 و -0.01). به طور کلی، مقادیر ضرایب همبستگی با وزن های اختصاص داده شده به شاخص ها سازگار است.
با بازگشت به شاخص‌های زیربنایی، ساختارشکنی به درک بهتر هر امتیاز زیرشاخص و رتبه‌بندی‌های مرتبط اجازه می‌دهد [ 47 ، 106 ]. نمودارهای عنکبوتی (نمودارهای رادار) ارائه شده در شکل 13 نمونه ای از تفکیک زیرشاخص ها برای تفسیر آسان تر نمرات شاخص کلی ترکیبی هستند. برای هر زیرشاخص، نمرات شاخص‌های کمترین و آسیب‌پذیرترین شهرستان‌ها (به ترتیب شهرستان بالدوین و شهرستان لوندز) در کنار میانگین نمونه (میانگین امتیاز برای همه شهرستان‌ها) نمایش داده می‌شود. این روش به ما امکان می دهد تا عملکرد نسبی هر شهرستان را با توجه به کل نمونه تجزیه و تحلیل کنیم. ساختارشکنی زیرشاخص مواجهه ( شکل 13الف) نشان می‌دهد که شهرستان لوندز در همه شاخص‌ها امتیاز بالاتری از میانگین نمونه کسب می‌کند، در حالی که شهرستان بالدوین امتیازات پایین‌تری دارد. با این حال، برای تعداد موارد COVID-19 و افراد بستری شده در بیمارستان، نمرات هر دو شهرستان نسبتا نزدیک به میانگین نمونه است. بیشتر تفاوت‌های بین دو کشور با یک شاخص توضیح داده می‌شود، تعداد مرگ و میر ناشی از COVID-19، که بیشترین شکاف را بین امتیازات نشان می‌دهد: میانگین امتیاز کل نمونه 45 درصد است، در حالی که امتیاز شهرستان لوندز بسیار بالاتر از میانگین (88 درصد) است، برخلاف امتیاز شهرستان بالدوین (15 درصد). همه شاخص‌ها حاکی از قرار گرفتن بیشتر شهرستان لوندز در معرض COVID-19 است. شکل 13b نمرات سیزده شاخص را که زیرشاخص حساسیت هر دو کشور را تشکیل می دهند به همراه میانگین نمونه نمایش می دهد. حساسیت بالای شهرستان لوندز به COVID-19 عمدتاً با نمرات بالای شاخص‌های اجتماعی-اقتصادی و بیماری‌های همراه توضیح داده می‌شود. لوندز برای هشت شاخص امتیاز بسیار بالاتری از میانگین نمونه می گیرد و آن را برای دو شاخص دیگر مطابقت می دهد. در مقابل، شهرستان بالدوین امتیاز بسیار کمتری از میانگین نمونه برای ده شاخص کسب می کند. در نتیجه برای اکثر شاخص ها، شکاف بین دو شهرستان بسیار زیاد است. به عنوان مثال، شهرستان لوندز بیش از 50 درصد از شهرستان بالدوین برای درآمد خانوار زیر سطح فقر، افراد دارای تحصیلات متوسطه اما بدون دیپلم، نرخ ناامنی غذایی، شاخص تنفسی سمی هوا، تعداد سیگاری ها و چاقی پیشی می گیرد. استثناهای قابل توجهی وجود دارد: با وجود اینکه لوندز آسیب‌پذیرترین شهرستان است، امتیاز پایین‌تری نسبت به شهرستان بالدوین با تراکم جمعیت، خانوارهایی با حداقل پنج نفر، و تعداد سالمندان و افراد بدون بیمه دارد. ساختارشکنی زیرشاخص ظرفیت تطبیقی ​​نشان داده شده استشکل 13 ج. برای همه شاخص ها، شهرستان بالدوین امتیاز بالاتری نسبت به شهرستان لوندز و میانگین نمونه دارد. 4 شاخص زیر (از 6) دارای امتیاز بالاتر از 90٪ هستند: تعداد افراد مورد آزمایش، سایت های آزمایش، کلینیک ها و ارائه دهندگان واکسن. برعکس، شهرستان لوندز با همه شاخص‌ها به جز مسابقه با سایت‌های آزمایشی، امتیاز کمتری از میانگین می‌گیرد. یک منطقه نگران کننده برای هر دو شهرستان و ایالت آلاباما تعداد تخت های ICU است که کمترین امتیاز را از جمله میانگین نمونه نشان می دهد.
صرف نظر از نمره کلی به دست آمده، وضعیت هر شهرستان باید به طور دقیق تجزیه و تحلیل شود. نمودارهای عنکبوتی که نمرات شاخص هر شهرستان را با میانگین امتیاز برای همه شهرستان ها مقایسه می کنند، می توانند در کنار داده های جمعیت شناختی، اجتماعی-اقتصادی و بهداشتی مرتبط نمایش داده شوند. یک مثال (مدیسون شهرستان) در شکل 14 نشان داده شده است . نمایه شهرستان به دست آمده اطلاعات بیشتر و پشتیبانی بهتری را برای فرآیند تصمیم گیری فراهم می کند [ 106 ].
علاوه بر این، ساختارشکنی زیرشاخص‌ها می‌تواند برای سیاست‌گذاران مفیدتر باشد اگر مقادیر اصلی شاخص‌های فردی با توجه به نمونه در نظر گرفته شود [ 47 ، 106 ]. چنین عملی با در نظر گرفتن مقادیر واقعی به جای مقادیر نرمال شده، درک بهتری از معنای امتیاز هر شاخص فراهم می کند، زیرا از واحدهای آشنا استفاده می شود.

4. خلاصه و نتیجه گیری

در این مطالعه، آسیب‌پذیری نسبت به COVID-19 در سطح شهرستان برای ایالت آلاباما ارزیابی شد. روش‌های تجزیه و تحلیل چند متغیره برای (1) ارزیابی و سنجش شاخص‌های جمعیت‌شناختی، اجتماعی-اقتصادی و سلامت مرتبط با بیماری استفاده شد. (2) آنها را در سه زیرشاخص ترکیب کنید: قرار گرفتن در معرض، حساسیت، و ظرفیت تطبیقی. و (3) زیرشاخص ها را در یک شاخص آسیب پذیری ترکیبی جمع آوری کنید. برای ترسیم نتایج از روش های GIS استفاده شد.
الگوهای فضایی شاخص ترکیبی نشان داد که آسیب‌پذیری نسبت به COVID-19 به طور قابل‌توجهی در سراسر شهرستان‌های آلاباما متفاوت است. آسیب‌پذیرترین شهرستان‌ها در کمربند سیاه آلاباما یافت شدند، در حالی که بیشتر مناطق آسیب‌پذیر در شمال کمربند سیاه قرار داشتند. زیرشاخص‌ها نقش متفاوتی در شاخص آسیب‌پذیری داشتند که عمدتاً با ظرفیت و حساسیت انطباقی توضیح داده شد. زیرشاخص‌هایی که شاخص ترکیبی را هدایت می‌کنند نیز از نظر فضایی متفاوت بودند: اکثر شهرستان‌های آسیب‌پذیر با ظرفیت انطباقی کم، و قرار گرفتن در معرض و حساسیت بالا مشخص می‌شوند، در حالی که شهرستان‌های کمتر آسیب‌پذیر سهم قوی از ظرفیت انطباقی را نشان می‌دهند.
ساختارشکنی بیشتر هر زیرشاخص بینش جدیدی در مورد معنای شاخص ترکیبی ایجاد کرد و امکان توسعه پروفایل های شهرستانی را فراهم کرد که می تواند برای تصمیم گیرندگان بسیار مفید باشد. اطلاعات به‌دست‌آمده از ساختارشکنی می‌تواند به تصمیم‌گیرندگان اجازه دهد تا نقاط قوت و ضعف هر شهرستان را شناسایی کنند، شاخص‌هایی را شناسایی کنند که اهمیت کمتری دارند، و دقیقاً مناطقی را که مداخله لازم است مشخص کنند. به عنوان مثال، (1) کمترین آسیب پذیر بودن شهرستان مانع از بروز ضعف بالدوین در برخی زمینه ها (به عنوان مثال، سرطان، سالمندان، بدون بیمه) نشد. (2) تصمیم گیرندگانی که وضعیت لوندز را تجزیه و تحلیل می کنند می توانند به سرعت تشخیص دهند که اگرچه این شهرستان آسیب پذیرترین منطقه است، اما ازدحام جمعیت، سطح ثبت نام بیمه سلامت و تعداد سالمندان نگرانی اصلی نیست. از این رو،
محدودیت‌های این مطالعه شامل در دسترس نبودن مجموعه داده‌های جدیدتر برای برخی شاخص‌ها و ضعف‌های مستند شده است که در روش‌های آماری مورد استفاده برای نرمال‌سازی، وزن‌سازی و تجمیع داده‌ها ذاتی هستند [ 47 ، 54 ، 105 ]. به عنوان مثال، هم تحلیل عاملی و هم نرمال سازی به وجود مقادیر شدید یا نقاط پرت بسیار حساس هستند، که ممکن است منجر به تغییرپذیری جعلی داده ها شود و بر امتیاز ترکیبی تأثیر بگذارد. علاوه بر این، تمام روش های وزن دهی و تجمیع مزایا و معایب خود را دارند، و همانطور که در یک مطالعه نتیجه گیری شد، “هیچ راه حل کاملی برای مسئله وزن دهی وجود ندارد” [ 105 ]]. علاوه بر این، نسبت دادن شاخص‌ها به هر عامل تعیین‌کننده می‌تواند بر نتیجه تحلیل تأثیر بگذارد. به عنوان مثال، در این مطالعه، تعداد مرگ و میر و بستری شدن در بیمارستان به عنوان شاخص های مواجهه (ماهیت و میزان مواجهه جمعیت ها) در نظر گرفته شده است. با این حال، هر دو شاخص همچنین می توانند میزان تأثیرپذیری جمعیت ها (حساسیت) را به تصویر بکشند. یکی دیگر از محدودیت های این مطالعه عدم وجود شاخص حساسیت نشان دهنده تحرک جمعیت است. تراکم جمعیت در طول روز در ابتدا به عنوان معیاری برای ازدحام و تحرک انتخاب شد، با توجه به اینکه نزدیکی افراد باعث افزایش شیوع بیماری می شود [ 59 ]]. با این حال، این شاخص در نهایت به دلیل افزونگی و بارگذاری بسیار کم PCA کنار گذاشته شد. مطالعه ما همچنین به دلیل فقدان داده های سراسری برای تعیین کمیت سیاست های محلی که می تواند بر سطح آسیب پذیری در برابر همه گیری تأثیر بگذارد محدود شد. به عنوان مثال، برخی از شهرها مانند بیرمنگام، توسکالوسا و مونتگومری سعی کردند قوانین خود را وضع کنند (منع رفت و آمد در سطح شهر، در خانه ماندن، ماسک های اجباری صورت)، اما این یک روند گسترده نبود. به طور کلی، مناطق بسیار کمی در آلاباما با اقدامات پیشگیری متفاوت وجود داشته است. در عوض، اقداماتی که فرماندار در اوج همه‌گیری اتخاذ کرد (تجمعات عمومی محدود، دستور ماندن در خانه صادر شده در 3 آوریل 2020) بدون استثنا در سراسر ایالت اعمال شد.
شاخص آسیب‌پذیری COVID-19 که در این مطالعه ایجاد شده است بر اساس مجموعه‌ای از شاخص‌ها است که توسط متخصصان در زمینه‌های پزشکی و اجتماعی به عنوان مرتبط با این بیماری تأیید شده است. آن‌ها شامل بیماری‌های همراه، در دسترس بودن تخت‌های ICU و انواع متغیرهای جمعیتی و اجتماعی-اقتصادی هستند که اغلب به عنوان عوامل تعیین‌کننده نابرابری سلامت شناخته می‌شوند. این شاخص توانست شیوع COVID-19 را که به دلیل نابرابری های مرتبط با عوامل فوق الذکر تشدید شده است، ثبت کند. این واقعیت که بیشترین بخش‌های آسیب‌پذیر در کمربند سیاه آلاباما یافت شدند، تعجب‌آور نیست. طبق CDC، نسبت نرخ برای سیاه پوستان در مقایسه با افراد سفیدپوست و غیر اسپانیایی 2.8× برای بستری شدن در بیمارستان و 2.0× برای مرگ و میر است [ 18 ].]. همانطور که در بسیاری از مطالعات تأیید شده است، تأثیر نامتناسب COVID-19 بر آمریکایی های آفریقایی تبار ناشی از عوامل مختلفی از جمله نابرابری های جمعیتی، اجتماعی، اقتصادی و بهداشتی است [ 4 ، 19 ، 28 ، 107 ]. مطالعه ما این واقعیت را تأیید می کند.
کار آینده برای بهبود این مطالعه شامل (1) گنجاندن تجزیه و تحلیل عدم قطعیت و تجزیه و تحلیل حساسیت برای ارزیابی استحکام شاخص ترکیبی خواهد بود. و (2) بررسی بیشتر شاخص ها. این را می توان با دخالت دادن ذینفعان و جوامع، مشارکت بیشتر کارشناسان موضوع مشارکت، و با توجه به حذف شاخص هایی که مهم نیستند و افزودن شاخص های جدید (مانند معلولیت، زندان، خانه های سالمندان، و بی خانمانی). محصولات حاصل از این مطالعه، اگر به طور منظم به روز شوند و اصلاح شوند، می توانند به تصمیم گیرندگان کمک کنند تا یک سیستم کارآمد برای پایش یکپارچه بیماری همه گیر ایجاد کنند و بر روی عوامل تعیین کننده شاخص ترکیبی و زیرشاخص ها برای پاسخ مبتنی بر داده عمل کنند. به COVID-19.

منابع

  1. مراکز کنترل و پیشگیری از بیماری. جدول زمانی موزه CDC COVID-19. 2021. در دسترس آنلاین: https://www.cdc.gov/museum/timeline/covid19.html (در 12 ژوئن 2020 قابل دسترسی است).
  2. دانشگاه جان هاپکینز؛ مرکز منابع ویروس کرونا؛ مرکز علوم و مهندسی سیستم ها در دانشگاه و پزشکی جان هاپکینز. 2021. در دسترس آنلاین: https://coronavirus.jhu.edu/map.html (در 3 مه 2022 قابل دسترسی است).
  3. سازمان بهداشت جهانی. پرسش و پاسخ بیماری کرونا 2019. 2020. در دسترس آنلاین: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/question-and-answers-hub/qa-detail/coronavirus-disease-covid-19 (در تاریخ 12 ژوئن 2020 قابل دسترسی است. ).
  4. مراکز کنترل و پیشگیری از بیماری: مقدمه ای بر نابرابری های بهداشتی نژادی و قومی COVID-19. 2020. در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/community/health-equity/racial-ethnic-disparities/index.html (در 26 دسامبر 2020 قابل دسترسی است).
  5. گلدفارب، ای. وضعیت داده‌های نژادی و قومیتی کووید-۱۹. پروژه ردیابی کووید. 2021. در دسترس آنلاین: https://covidtracking.com/analysis-updates/state-of-COVID-race-and-etnicity-data (در 9 آوریل 2021 قابل دسترسی است).
  6. سازمان بهداشت جهانی. تأثیر COVID-19 بر معیشت مردم، سلامت آنها و سیستم های غذایی ما. 2020. در دسترس آنلاین: https://www.who.int/news/item/13-10-2020-impact-of-covid-19-on-people%27s-livelihoods-their-health-and-our-food -systems (در 12 ژوئن 2020 قابل دسترسی است).
  7. گوتام، اس. جوجه ها، L. COVID-19: تاثیر و بر محیط زیست، سلامت و اقتصاد. محیط زیست توسعه دهنده حفظ کنید. 2020 ، 22 ، 4953-4954. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. پاور، کی. همه‌گیری COVID-19 بار مراقبتی زنان و خانواده‌ها را افزایش داده است. حفظ کنید. علمی Pr. سیاست 2020 ، 16 ، 67-73. [ Google Scholar ] [ CrossRef ]
  9. بکمن، جی. کانتریمن، AM اهمیت کشاورزی در اقتصاد: تأثیرات ناشی از COVID-19. صبح. جی. آگریک. اقتصاد 2021 ، 103 ، 1595-1611. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. فیلیپسون، جی. گورتون، ام. ترنر، آر. شاکسمیت، م. آیتکن-مک درموت، ک. آرئال، اف. کاوی، پی. هابارد، سی. مایولی، اس. مک آریوی، آر. و همکاران همه‌گیری COVID-19 و پیامدهای آن برای اقتصادهای روستایی. پایداری 2020 ، 12 ، 3973. [ Google Scholar ] [ CrossRef ]
  11. موسسه ملی بهداشت COVID-19: اثرات ریپل. 2020. در دسترس آنلاین: https://covid19.nih.gov/news-and-stories/covid19-ripple-effects (در 22 مه 2021 قابل دسترسی است).
  12. فلاهرتی، سی. بدون اتاق شخصی: داده‌های ارسال اولیه مجله نشان می‌دهد که کووید-19 بهره‌وری تحقیقات زنان را کاهش می‌دهد. Inside Higher Ed. 2020. در دسترس آنلاین: https://www.insidehighered.com/news/2020/04/21/early-journal-submission-data-suggest-covid-19-tanking-womens-research-productivity (دسترسی در 22 مه 2021 ).
  13. Pulrang، A. 5 نکته در مورد کرونا و افراد دارای معلولیت. فوربس. 2020. در دسترس آنلاین: https://www.forbes.com/sites/andrewpulrang/2020/03/08/5-things-to-know-about-coronavirus-and-people-with-disabilities/?sh=531d04ec1d21 ( قابل دسترسی در 28 دسامبر 2020).
  14. رادیو عمومی ملی؛ بنیاد رابرت وود جانسون؛ هاروارد، TH; دانشکده بهداشت عمومی چان. تأثیر ویروس کرونا بر خانواده‌ها در سراسر آمریکا. 2020. در دسترس آنلاین: https://cdn1.sph.harvard.edu/wp-content/uploads/sites/21/2020/09/NPR-RWJF-Harvard-National-Report_092220_Final1-4.pdf (دسترسی در 9 آوریل 20 ).
  15. رادیو عمومی ملی؛ بنیاد رابرت وود جانسون؛ هاروارد، TH; دانشکده بهداشت عمومی چان. تأثیر ویروس کرونا بر خانوارهای روستایی آمریکا. 2020. در دسترس آنلاین: https://cdn1.sph.harvard.edu/wp-content/uploads/sites/94/2020/10/Rural-Report_100520-FINAL.pdf (دسترسی در 9 آوریل 2021).
  16. رادیو عمومی ملی؛ بنیاد رابرت وود جانسون؛ هاروارد، TH; دانشکده بهداشت عمومی چان. تاثیر ویروس کرونا بر خانواده های دارای فرزند. 2020. در دسترس آنلاین: https://cdn1.sph.harvard.edu/wp-content/uploads/sites/94/2020/09/HH-Children-Report_093020.pdf (دسترسی در 9 آوریل 2021).
  17. ایوانگا، اس. لیناس، ام. آدامز، جی. اسمولنیاک، ک. بینش، اطلاعات غلط CG Coronavirus: کمی کردن منابع و مضامین در “اینفودمیک” COVID-19. جی. مد. Internet Res. 2020; پیش چاپ ها . [ Google Scholar ] [ CrossRef ]
  18. مراکز کنترل و پیشگیری از بیماری. ملاحظات برابری سلامت و گروه های اقلیت نژادی و قومی. 2021. در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/community/health-equity/race-ethnicity.html (در 21 مه 2021 قابل دسترسی است).
  19. مراکز کنترل و پیشگیری از بیماری. گزارش نابرابری ها و نابرابری های بهداشتی-ایالات متحده. فانی. مورب. هفتگی گزارش. 2011 ، 60 ، 1-113. [ Google Scholar ]
  20. سازمان بهداشت جهانی. بستن شکاف در یک نسل: برابری سلامت از طریق اقدام بر روی عوامل اجتماعی تعیین کننده سلامت. گزارش نهایی کمیسیون عوامل اجتماعی سلامت ; سازمان بهداشت جهانی: ژنو، سوئیس، 2008. [ Google Scholar ]
  21. کپل، KG; پیرسی، نیوجرسی؛ Wagener، KG روند در نرخ های نژادی و قومی خاص برای شاخص های وضعیت سلامت: ایالات متحده، 1990-1998. افراد سالم 2000 یادداشت های آماری 2002 ، 23 ، 1-16. [ Google Scholar ]
  22. نلسون، AR درمان نابرابر: گزارش موسسه پزشکی در مورد نابرابری های نژادی و قومی در مراقبت های بهداشتی. ان قفسه سینه. سرگ. 2003 ، 76 ، S1377–S1381. [ Google Scholar ] [ CrossRef ]
  23. وزارت بهداشت و خدمات انسانی ایالات متحده. با درک و بهبود سلامت و اهداف برای بهبود سلامت. در افراد سالم 2010 ، ویرایش دوم. دفتر چاپ دولت ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2000. موجود به صورت آنلاین: https://files.eric.ed.gov/fulltext/ED443794.pdf (در 21 مه 2021 قابل دسترسی است).
  24. مراکز کنترل و پیشگیری از بیماری. برنامه ریزی برای شرایط اضطراری: استراتژی هایی برای شناسایی و درگیر کردن گروه های در معرض خطر. سند راهنمایی برای مدیران اورژانس ، ویرایش اول؛ CDC: آتلانتا، GA، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  25. آژانس تحقیقات و کیفیت مراقبت های بهداشتی. گزارش کیفیت و نابرابری های ملی مراقبت های بهداشتی 2019. Rockville، MD: آژانس تحقیقات و کیفیت مراقبت های بهداشتی. دسامبر 2020; انتشارات AHRQ. شماره 20(21)-0045-EF. در دسترس آنلاین: https://www.ahrq.gov/research/findings/nhqrdr/nhqdr19/index.html (در 9 فوریه 2021 قابل دسترسی است).
  26. داسگوپتا، اس. بوون، VB; لیدنر، آ. فلچر، ک. موزیال، تی. رز، سی. چا، ا. کانگ، جی. دیرلیکوف، ای. پوزنر، ای. و همکاران ارتباط بین آسیب‌پذیری اجتماعی و خطر یک شهرستان برای تبدیل شدن به کانون کووید-19-ایالات متحده، 1 ژوئن تا 25 ژوئیه 2020. MMWR. مورب. فانی. هفتگی Rep. 2020 , 69 , 1535–1541. [ Google Scholar ] [ CrossRef ]
  27. Karaye, IM; Horney، JA تأثیر آسیب پذیری اجتماعی بر COVID-19 در ایالات متحده: تحلیلی از روابط متفاوت فضایی. صبح. J. قبلی پزشکی 2020 ، 59 ، 317-325. [ Google Scholar ] [ CrossRef ]
  28. کیم، اس جی. Bostwick، W. آسیب پذیری اجتماعی و نابرابری نژادی در مرگ و میر ناشی از COVID-19 در شیکاگو. آموزش بهداشت. رفتار 2020 ، 47 ، 509-513. [ Google Scholar ] [ CrossRef ]
  29. نایاک، ع. اسلام، SJ; مهتا، ع. کو، ی.-آ. پاتل، SA; گویال، ا. سالیوان، اس. لوئیس، تی تی; واکارینو، وی. موریس، AA; و همکاران تأثیر آسیب پذیری اجتماعی بر بروز و پیامدهای COVID-19 در ایالات متحده. medRxiv ، 2020؛ پیش چاپ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. Wyper، GMA؛ آسونسائو، آر. کوشیری، اس. Devleesschauwer، B. فلچر، ای. هاگسما، JA; هیلدرینک، HBM؛ آیداواین، ج. لسنیک، تی. فون در لیپ، ای. و همکاران آسیب پذیری جمعیت در برابر COVID-19 در اروپا: بار تجزیه و تحلیل بیماری قوس. بهداشت عمومی 2020 , 78 , 47. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  31. بیگز، EN; مالونی، PM; Rung, AL; پیترز، ES; رابینسون، WT رابطه بین آسیب پذیری اجتماعی و بروز COVID-19 در میان سرشماری لوئیزیانا. جلو. بهداشت عمومی 2021 , 8 , 617976. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. اسوبی، آی سی; لاسود، MK; Anyanwu، CI; Flores-Barriguete، MO; اوکوری، MA; Lasode، DO ناامنی غذایی، آسیب‌پذیری اجتماعی، و تأثیر COVID-19 بر جمعیت وابسته به کمک‌های عمومی/SNAP: مطالعه موردی کارولینای جنوبی، ایالات متحده. جی. Food Secur. 2021 ، 9 ، 8-18. [ Google Scholar ] [ CrossRef ]
  33. کونتیسینی، ای. فردیانی، ب. کارو، دی. آیا می‌توان آلودگی اتمسفر را عاملی در سطح بسیار بالای مرگ‌ومیر SARS-CoV-2 در شمال ایتالیا در نظر گرفت؟ محیط زیست آلودگی 2020 ، 261 ، 114465. [ Google Scholar ] [ CrossRef ]
  34. Hossain، MA آیا شیوع COVID-19 در سراسر کشورها تحت تأثیر عوامل محیطی، اقتصادی و اجتماعی است؟ medRxiv 2020 . [ Google Scholar ] [ CrossRef ]
  35. جیانگ، ی. Xu, J. ارتباط بین مرگ و میر ناشی از COVID-19 و قرار گرفتن در معرض کوتاه مدت آلودگی هوا / شرایط هواشناسی: یک مطالعه گذشته نگر از ووهان، چین. کیفیت هوا اتمس. Health 2020 , 14 , 1-5. [ Google Scholar ] [ CrossRef ]
  36. خورشید، ع. مصطفی، ف. اختر، ع. بررسی نقش عوامل هواشناسی در انتقال COVID-19 در شمال ایتالیا. محیط زیست علمی آلودگی Res. 2021 ، 28 ، 48459-48470. [ Google Scholar ] [ CrossRef ]
  37. طهماسبی، پ. شکری کوهنی، اس ام اس; سهیمی، م. شکری، ن. عوامل محیطی، اقتصادی و بهداشتی چگونه بر آسیب‌پذیری منطقه‌ای در برابر COVID-19 تأثیر می‌گذارند؟ medRxiv 2020 . [ Google Scholar ] [ CrossRef ]
  38. وانگ، کیو. برگر، NA; Xu, R. تجزیه و تحلیل خطر، نابرابری نژادی، و نتایج در میان بیماران آمریکایی مبتلا به سرطان و عفونت COVID-19. جاما اونکول. 2021 ، 7 ، 220. [ Google Scholar ] [ CrossRef ]
  39. زوران، م. Savastru، RS; Savastru، DM; Tautan، MN ارزیابی رابطه بین سطوح سطحی ذرات PM2.5 و PM10 بر COVID-19 در میلان، ایتالیا. علمی کل محیط. 2020 , 738 , 139825. [ Google Scholar ] [ CrossRef ]
  40. وو، ایکس. Nethery، RC; Sabath, MB; براون، دی. Dominici، F. آلودگی هوا و مرگ و میر COVID-19 در ایالات متحده: نقاط قوت و محدودیت های یک تحلیل رگرسیون اکولوژیکی. علمی Adv. 2020 ، 6 ، eabd4049. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  41. لیو، اف. وانگ، ام. ژنگ، ام. اثرات قرنطینه COVID-19 بر کیفیت و سلامت جهانی هوا. علمی کل محیط. 2020 , 755 , 142533. [ Google Scholar ] [ PubMed ]
  42. سوگا، م. ایوانز، ام جی; کاکس، DTC؛ گاستون، KJ تأثیرات همه‌گیری COVID-19 بر تعاملات انسان و طبیعت: مسیرها، شواهد و پیامدها. مردم نات. 2021 ، 3 ، 518-527. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. مک‌نیلی، JA Nature و COVID-19: همه‌گیری، محیط‌زیست و راه پیش رو. Ambio 2021 ، 50 ، 767–781. [ Google Scholar ] [ CrossRef ]
  44. تورک، تی. دیاکوفسکا، ای. Kamińska، JA آیا قرنطینه COVID-19 بر کیفیت هوا تأثیر گذاشته است؟—مطالعه موردی مقیاس زمانی متفاوت در Wrocław، لهستان. Atmosphere 2021 , 12 , 1549. [ Google Scholar ] [ CrossRef ]
  45. سایسانا، م. تارانتولا، اس. گزارش پیشرفته در مورد روش‌ها و شیوه‌های فعلی برای توسعه شاخص‌های ترکیبی . کمیسیون اروپا، مرکز تحقیقات مشترک، مؤسسه حفاظت و امنیت شهروندان، واحد مدیریت ریسک فناوری و اقتصادی: Ispra، ایتالیا، 2002; یورو 20408 EN. [ Google Scholar ]
  46. سالزمن، ج. انتخاب‌های روش‌شناختی در ساخت شاخص‌های ترکیبی رفاه اقتصادی و اجتماعی. گزارش فنی ؛ مرکز مطالعه استانداردهای زندگی: اتاوا، ON، کانادا، 2003. [ Google Scholar ]
  47. ناردو، م. سایسانا، م. سالتلی، ا. تارانتولا، اس. هافمن، آ. Giovannini, E. Handbook on Constructing Composite Indicators: Methodology and User Guide ; JRC47008; انتشارات OECD: پاریس، فرانسه، 2008. [ Google Scholar ]
  48. کاتر، SL; برتون، سی جی; شاخص‌های مقاومت در برابر بلایای Emrich، CT برای محک زدن شرایط پایه. جی. هومل. امن ظهور. مدیریت 2010 ، 7 ، 1-24. [ Google Scholar ] [ CrossRef ]
  49. کاتر، SL; بوروف، بی جی؛ شرلی، WL آسیب پذیری اجتماعی در برابر خطرات محیطی. Soc. علمی Q. 2003 , 84 , 242-261. [ Google Scholar ] [ CrossRef ]
  50. فرودنبرگ، ام. شاخص های ترکیبی عملکرد کشور: ارزیابی انتقادی. OECD Sci. تکنولوژی کار. پاپ 2003 ، 16 ، 1-24. [ Google Scholar ] [ CrossRef ]
  51. ناردو، م. سایسانا، م. سالتلی، ا. Tarantola, S. Tools for Composite Indicators Building ; یورو 21682 EN. 2005. JRC31473; جوامع اروپایی: بروکسل، بلژیک، 2005. [ Google Scholar ]
  52. سونرکسا، جی. Moodie, R. The Race to Be the Perfect Nation (مارس 2013). اوست اقتصاد Rev. 2013 , 46 , 70-77. [ Google Scholar ] [ CrossRef ]
  53. Beccari، B. A Analysis Comparative of Disaster Risk، آسیب‌پذیری و شاخص‌های ترکیبی انعطاف‌پذیری. PLoS Curr. Disasters 2016 , 8 , 56. [ Google Scholar ] [ CrossRef ]
  54. بکر، دبلیو. سایسانا، م. پارولو، پی. Vandecasteele, I. وزن ها و اهمیت در شاخص های ترکیبی: بستن شکاف. Ecol. اندیک. 2017 ، 80 ، 12-22. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  55. آچاریا، ر. پوروال، A. یک شاخص آسیب پذیری برای مدیریت و پاسخ به اپیدمی COVID-19 در هند: یک مطالعه زیست محیطی. Lancet Glob. Health 2020 , 8 , e1142–e1151. [ Google Scholar ] [ CrossRef ]
  56. کیاقدی، ع. رفاعی، اچ اس. لیاو، دبلیو. ارزیابی خطر کووید-19، آسیب پذیری و شیوع عفونت در جوامع. PLoS ONE 2020 , 15 , e0241166. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  57. سرکار، ع. Chouhan، P. COVID-19: ارزیابی آسیب‌پذیری سطح ناحیه در هند. کلین. اپیدمیولوژی گلوب. سلامت 2020 ، 9 ، 204-215. [ Google Scholar ] [ CrossRef ]
  58. شید، س. Alawna، نقشه‌برداری آسیب‌پذیری COVID-19 مبتنی بر GIS در کرانه باختری، فلسطین. بین المللی J. کاهش خطر بلایا. 2021 ، 64 ، 102483. [ Google Scholar ] [ CrossRef ]
  59. مارول، جنوب غربی؛ هاوس، JS; ویلر، م. آهنگ، ک. ژو، Y.-H. رایت، FA; چیو، WA; راسین، آی. موتسینگر-ریف، ا. ریف، دی. داشبورد شاخص آسیب‌پذیری همه‌گیر COVID-19 (PVI): نظارت بر آسیب‌پذیری سطح شهرستان با استفاده از تجسم، مدل‌سازی آماری، و یادگیری ماشینی. محیط زیست چشم انداز سلامتی 2021 , 129 , 017701. [ Google Scholar ] [ CrossRef ]
  60. اسنایدر، BF; پارکز، V. تنوع فضایی در آسیب پذیری اجتماعی-اکولوژیکی در برابر کووید-19 در ایالات متحده مجاور. Health Place 2020 , 66 , 102471. [ Google Scholar ] [ CrossRef ]
  61. تیواری، ع. دادانیا، AV; راگوناترائو، VAB؛ Oliveira، ER با استفاده از یادگیری ماشینی برای ایجاد شاخص آسیب‌پذیری جدید COVID-19 (C19VI). علمی کل محیط. 2021 ، 773 ، 145650. [ Google Scholar ] [ CrossRef ]
  62. Campos، IS; آراتانی، VF; کابرال، KB; لیمونگی، جی. de Oliveira, SV تجزیه و تحلیل آسیب پذیری برای مدیریت و پاسخ به اپیدمی COVID-19 در دومین ایالت پرجمعیت برزیل. جلو. بهداشت عمومی 2021 , 9 , 586670. [ Google Scholar ] [ CrossRef ]
  63. مراکز کنترل و پیشگیری از بیماری؛ تیم پاسخگویی به COVID-19 CDC. تفاوت‌های جغرافیایی در موارد، مرگ‌ومیرها و بروز کووید-19-ایالات متحده، 12 فوریه تا 7 آوریل 2020. Morb. Mortal Wkly. Rep. 2020 , 69 , 465-471. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. OECD. پاسخ‌های سیاست OECD به کرونا (COVID-19): تأثیر سرزمینی COVID-19: مدیریت بحران در سطوح دولتی. 2020. در دسترس آنلاین: https://read.oecd-ilibrary.org/view/?ref=128_128287-5agkkojaaa&title=The-territorial-impact-of-covid-19-managing-the-crisis-across-levels-of- Government&_ga=2.223860242.821842099.1633583599-1452410078.1633583599 (دسترسی در 9 فوریه 2021).
  65. پیپا، AF; Bouchet, M. رهبری در سطح محلی: چگونه شهرها می توانند یک بهبود پایدار ایجاد کنند؟ در موسسه بروکینگز (2020) تجسم مجدد اقتصاد جهانی: بهبود بهتر در جهان پس از کووید-19 ؛ اقتصاد جهانی و توسعه در بروکینگز: واشنگتن، دی سی، ایالات متحده آمریکا، 2020؛ ص 17-23. [ Google Scholar ]
  66. چرنیک، اچ. کوپلند، دی. رسچوفسکی، A. اثرات مالی همه‌گیری COVID-19 بر شهرها: ارزیابی اولیه. Natl. مالیات J. 2020 ، 73 ، 699-732. [ Google Scholar ] [ CrossRef ]
  67. لیگ ملی شهرها معنای COVID-19 برای امور مالی شهر چیست؟ 2020. در دسترس آنلاین: https://covid19.nlc.org/wp-content/uploads/2020/06/What-Covid-19-Means-For-City-Finances_Report-Final.pdf (در 9 فوریه 2021 قابل دسترسی است).
  68. ادلمن. اعتماد دولت در بحبوحه همه‌گیری COVID-19 به بالاترین حد خود رسیده و آن را به قابل اعتمادترین مؤسسه تبدیل کرده است. 2020. در دسترس آنلاین: https://www.edelman.com/news/trust-2020-spring-update-press-release (در 12 ژانویه 2021 قابل دسترسی است).
  69. سمگا، ج. کولار، م. شرایدر، EA؛ Creamer، JF درآمد و فقر در ایالات متحده: اداره سرشماری 2019 ایالات متحده، گزارش های جمعیت فعلی، P60-270 (RV). 2020. در دسترس آنلاین: https://www.census.gov/content/dam/Census/library/publications/2020/demo/p60-270.pdf (در 12 اکتبر 2021 قابل دسترسی است).
  70. دانشگاه و پزشکی جان هاپکینز. درک پیشرفت واکسیناسیون 2021. در دسترس آنلاین: https://coronavirus.jhu.edu/vaccines/international (در 18 نوامبر 2021 قابل دسترسی است).
  71. وزارت بهداشت عمومی آلاباما COVID-19 در آلاباما. بخش ADPH بیماری های عفونی و شیوع. 2021. در دسترس آنلاین: https://dph1.adph.state.al.us/covid-19 (در 5 ژانویه 2021 قابل دسترسی است).
  72. مؤسسه بهداشت جمعیت دانشگاه ویسکانسین / رتبه‌بندی سلامت شهرستان و نقشه‌های راه. گزارش یافته های کلیدی رتبه بندی بهداشت شهرستان. 2020; صص 1-16. در دسترس آنلاین: https://www.countyhealthrankings.org/reports/2020-county-health-rankings-key-findings-report (در 5 ژانویه 2021 قابل دسترسی است).
  73. آژانس حفاظت از محیط زیست ایالات متحده (EPA). مستندات فنی EJSCREEN. 2015; صص 1-123. در دسترس آنلاین: https://www.epa.gov/sites/default/files/2015-05/documents/ejscreen_technical_document_20150505.pdf (در 12 اوت 2021 قابل دسترسی است).
  74. مراکز کنترل و پیشگیری از بیماری. افرادی که شرایط پزشکی خاصی دارند. 2021. در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/need-extra-precautions/people-with-medical-conditions.html (در 14 اکتبر 2021 قابل دسترسی است).
  75. مجله نیویورک تایمز. ردیابی کرونا در آلاباما: آخرین نقشه و تعداد موارد در دسترس آنلاین: https://www.nytimes.com/interactive/2021/us/alabama-covid-cases.html (در 23 اکتبر 2021 قابل دسترسی است).
  76. HealthData.Gov. تأثیر بیمار و ظرفیت بیمارستان بر اساس مرکز گزارش شده COVID-19. در دسترس آنلاین: https://healthdata.gov/Hospital/COVID-19-Reported-Patient-Impact-and-Hospital-Capa/uqq2-txqb/data (در 12 مه 2021 قابل دسترسی است).
  77. Flanagan، BE; گریگوری، EW; Hallisey، EJ; Heitgerd، JL; لوئیس، بی. شاخص آسیب پذیری اجتماعی برای مدیریت بلایا. جی. هومل. امن ظهور. مدیریت 2011 ، 8 ، 23. [ Google Scholar ] [ CrossRef ]
  78. هورنای، جی. سیمون، م. گرابیچ، اس. برک، پی. اندازه‌گیری مشارکت گروه‌های آسیب‌پذیر اجتماعی در برنامه‌ریزی کاهش خطر، شهرستان برتی، کارولینای شمالی. جی. محیط زیست. طرح. مدیریت 2015 ، 58 ، 802-818. [ Google Scholar ] [ CrossRef ]
  79. ولکین، آ. پترسون، جی آر. هریس، اس. سولر، ای. برر، اس. مک گیهین، ام. گرین، اس. کاهش خطر سلامت عمومی در طول بلایا: شناسایی آسیب پذیری های اجتماعی. جی. هومل. امن ظهور. مدیریت 2015 ، 12 ، 809-822. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  80. آن، ر. Xiang، X. آسیب پذیری اجتماعی و چاقی در میان بزرگسالان ایالات متحده. بین المللی J. Health Sci. (IJHS) 2015 ، 3 ، 7-21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  81. گی، جی ال. راب، SW; بنسون، KM; White, A. آیا می توان از شاخص آسیب پذیری اجتماعی برای بیش از آمادگی اضطراری استفاده کرد؟ معاینه با استفاده از داده های آمادگی جسمانی جوانان. J. Phys. عمل کنید. سلامت 2016 ، 13 ، 121-130. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  82. Flanagan، BE; Hallisey، EJ; آدامز، ای. Lavery، A. اندازه گیری آسیب پذیری جامعه در برابر خطرات طبیعی و انسانی: شاخص آسیب پذیری اجتماعی مراکز کنترل و پیشگیری از بیماری. جی. محیط زیست. سلامت 2018 ، 80 ، 34-36. [ Google Scholar ]
  83. Lehnert، EA; ویلت، جی. فلانگان، بی. Hallisey، E. کاوش فضایی شاخص آسیب پذیری اجتماعی CDC و پیامدهای بهداشتی مرتبط با گرما در گرجستان. بین المللی J. کاهش خطر بلایا. 2020 , 46 , 101517. [ Google Scholar ] [ CrossRef ]
  84. مراکز کنترل و پیشگیری از بیماری؛ آژانس ثبت مواد سمی و بیماری ها. برنامه تحقیقات، تحلیل و خدمات جغرافیایی. شاخص آسیب پذیری اجتماعی CDC/ATSDR. 2018. در دسترس آنلاین: https://www.atsdr.cdc.gov/placeandhealth/svi/index.html (در 28 آوریل 2021 قابل دسترسی است).
  85. غذا دادن به آمریکا نقشه مختصر فنی Meal Gap 2021: تحلیلی از ناامنی غذایی منطقه و کنگره و هزینه غذای شهرستان در ایالات متحده در سال 2019. در دسترس آنلاین: https://www.feedingamerica.org/research/map-the-meal-gap /how-we-got-the-map-data (در 15 ژانویه 2021 قابل دسترسی است).
  86. پانل بین دولتی در مورد تغییرات آب و هوا، 2001. در تغییر اقلیم 2001: پایه علمی. مشارکت گروه کاری اول در گزارش ارزیابی سوم هیئت بین دولتی در مورد تغییرات آب و هوایی . هاتون، جی تی. دینگ، ی. گریگز، دی جی؛ نوگر، ام. ون در لیندن، پی جی; دای، ایکس. ماسکل، ک. جانسون، کالیفرنیا (ویرایشگاه) انتشارات دانشگاه کمبریج: کمبریج، انگلستان; نیویورک، نیویورک، ایالات متحده آمریکا، 2001; پ. 881. [ Google Scholar ]
  87. Turner, BL, II; Kasperson، RE; Matson، PA; مک کارتی، جی جی; کورل، RW؛ کریستنسن، ال. ایکلی، ن. Kasperson، JX; لورز، آ. Martello، ML; و همکاران چارچوبی برای تجزیه و تحلیل آسیب پذیری در علم پایداری Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2003 ، 100 ، 8074-8079. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  88. پانل بین دولتی در مورد تغییرات آب و هوا، 2007. در تغییرات آب و هوایی 2007: تأثیرات، سازگاری و آسیب پذیری. مشارکت گروه کاری دوم در چهارمین گزارش ارزیابی گروه بین دولتی در مورد تغییرات آب و هوایی . Parry، ML; کانزیانی، اف. پالوتیکوف، جی پی. ون در لیندن، پی جی; Hanson، CE (Eds.) انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2007; پ. 976. [ Google Scholar ]
  89. مورفی، دی جی; وایبورن، سی. یونگ، ال. ویلیامز، DR مفاهیم و روش‌های کلیدی در آسیب‌پذیری اجتماعی و ظرفیت سازگاری ؛ ژنرال فنی RMRS-GTR-328; وزارت کشاورزی، خدمات جنگل، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، 2015; صص 1-24. [ Google Scholar ]
  90. فیشر، AP; Frazier، TG آسیب پذیری اجتماعی در برابر تغییرات آب و هوایی در مناطق معتدل جنگلی: اقدامات جدید قرار گرفتن در معرض، حساسیت و ظرفیت تطبیقی. ان صبح. دانشیار Geogr. 2017 ، 108 ، 658-678. [ Google Scholar ] [ CrossRef ]
  91. مراکز کنترل و پیشگیری از بیماری. COVID-19 چگونه گسترش می یابد. 2021. در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/prevent-getting-sick/how-covid-spreads.html (در 14 ژوئیه 2021 قابل دسترسی است).
  92. لوبر، جی. مک گیهین، ام. تغییرات آب و هوا و رویدادهای گرمای شدید. صبح. J. قبلی پزشکی 2008 ، 35 ، 429-435. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  93. برنامه تحقیقاتی تغییر جهانی ایالات متحده تأثیرات تغییر آب و هوا بر سلامت انسان در ایالات متحده: یک ارزیابی علمی. جنایتکاران ؛ Balbus, AJ, Gamble, JL, Beard, CB, Bell, JE, Dodgen, D., Eisen, RJ, Fann, N., Hawkins, MD, Herring, SC, Jantarasami, L., et al., Eds. برنامه تحقیقاتی تغییر جهانی ایالات متحده: واشنگتن دی سی، ایالات متحده آمریکا، 2016; پ. 312. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  94. پراناتا، آر. هوانگ، آی. لیم، MA; Wahjoepramono، EJ; ژوئیه، J. تأثیر بیماری‌های عروق مغزی و قلبی عروقی بر مرگ و میر و شدت مرور سیستماتیک، متاآنالیز و متارگرسیون COVID-19. J. سکته مغزی مغزی. دیس 2020 ، 29 ، 104949. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  95. Robilotti، EV; بابادی، NE; مید، PA; رولینگ، تی. پرز-جانستون، آر. برناردز، م. بوگلر، ی. کالدارو، ام. فیگوئروا، سی جی; گلیکمن، ام اس; و همکاران عوامل تعیین کننده شدت بیماری COVID-19 در بیماران مبتلا به سرطان. نات. پزشکی 2020 ، 26 ، 1218-1223. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  96. هال، MA; اسمیت، LA انتخاب زیر مجموعه ویژگی: یک رویکرد فیلتر مبتنی بر همبستگی. در سال 1997 کنفرانس بین المللی پردازش اطلاعات عصبی و سیستم های اطلاعات هوشمند . Springer: برلین/هایدلبرگ، آلمان، 1997; صص 855-858. [ Google Scholar ]
  97. چائو، Y.-S. وو، سی.-جی. شاخص‌های وزنی مبتنی بر مؤلفه اصلی و چارچوبی برای ارزیابی شاخص‌ها: نتایج از نظرسنجی پانل هزینه‌های پزشکی 1996 تا 2011. PLoS ONE 2017 ، 12 ، e0183997. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  98. Jolliffe، تجزیه و تحلیل مؤلفه اصلی فناوری اطلاعات ؛ سری Springer در آمار; Springer: New York, NY, USA, 2002; پ. 477. شابک 0-387-95442-2. [ Google Scholar ]
  99. اوریت، BS; Hothorn، T. تجزیه و تحلیل مؤلفه اصلی. کتابچه راهنمای تجزیه و تحلیل آماری با استفاده از R ; چپمن و هال/CRC: لندن، انگلستان، 2006; پ. 348. ISBN 9781482204582. [ Google Scholar ]
  100. کوهن، ام. ساخت مدل های پیش بینی در R با استفاده از بسته کارت. J. Stat. نرم افزار 2008 ، 28 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  101. نیکولتی، جی. اسکارپتا، اس. Boylaud, O. خلاصه شاخص‌های تنظیم بازار محصول با گسترش قانون حمایت از استخدام . مقاله کار گروه اقتصاد OECD، شماره 226; انتشارات OECD: پاریس، فرانسه، 2000. [ Google Scholar ] [ CrossRef ]
  102. Kaiser, HF نسل دوم جیفی کوچک. Psychometrika 1970 ، 35 ، 401-415. [ Google Scholar ] [ CrossRef ]
  103. قیصر، HF; رایس، جی. لیتل جیفی، علامت چهارم. آموزش. روانی Meas. 1974 ، 34 ، 111-117. [ Google Scholar ] [ CrossRef ]
  104. بارتلت، ام اس ویژگی های کفایت و آزمون های آماری. Proc. R. Soc. لندن. سر. یک ریاضی فیزیک علمی 1937 ، 160 ، 268-282. [ Google Scholar ] [ CrossRef ]
  105. شارپ، ا. اندروز، بی. ارزیابی روشهای وزن دهی برای شاخص های ترکیبی: مورد شاخص رفاه اقتصادی . گزارش پژوهشی مرکز مطالعه استانداردهای زندگی (CSLS) شماره 10-2012; مرکز مطالعه استانداردهای زندگی: اتاوا، ON، کانادا، 2012; پ. 49. [ Google Scholar ]
  106. دیلارد، MK; گودکه، TL; لاولیس، اس. Orthmeyer، A. نظارت بر رفاه و تغییر شرایط محیطی در جوامع ساحلی: توسعه یک روش ارزیابی . یادداشت فنی اداره ملی اقیانوسی و جوی (NOAA) NOS NCCOS 174; اداره ملی اقیانوسی و جوی: سیلور اسپرینگ، MD، ایالات متحده آمریکا، 2013; پ. 176. [ Google Scholar ]
  107. Yancy، CW COVID-19 و آفریقایی آمریکایی ها. JAMA 2020 ، 323 ، 1891. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ijgi 11 00320 g001 550
شکل 1. منطقه مورد مطالعه: ( الف ) موقعیت ایالت آلاباما. ( ب ) درصد جمعیت اقلیت در شهرستان های آلاباما. ج ) درصد تعداد خانوارهای با درآمد زیر سطح فقر برای هر شهرستان. ( د ) تعداد موارد COVID-19 (نوارهای خاکستری) و مرگ و میر (خط قرمز) بین آوریل 2020 و آوریل 2021. خطوط سیاه ضخیم در نقشه ها مرزهای شهرستان های کمربند سیاه را نشان می دهد.
Ijgi 11 00320 g002 550
شکل 2. چارچوب ارزیابی آسیب پذیری مورد استفاده در این مطالعه.
Ijgi 11 00320 g003 550
شکل 3. توزیع فضایی زیرشاخص مواجهه. نمرات به عنوان پنجک طبقه بندی می شوند. خطوط سیاه ضخیم مرزهای شهرستان های کمربند سیاه را نشان می دهد.
Ijgi 11 00320 g004 550
شکل 4. درصد سهم هر شاخص در زیرشاخص مواجهه برای ( الف ) کشورهایی که بیشترین میزان مواجهه و ( ب ) کمتر در معرض قرار گرفته اند.
Ijgi 11 00320 g005 550
شکل 5. توزیع فضایی زیرشاخص حساسیت. نمرات به عنوان پنجک طبقه بندی می شوند. خطوط سیاه ضخیم مرزهای شهرستان های کمربند سیاه را نشان می دهد.
Ijgi 11 00320 g006 550
شکل 6. توزیع فضایی زیرشاخص ظرفیت تطبیقی. نمرات به عنوان پنجک طبقه بندی می شوند. خطوط سیاه ضخیم مرزهای شهرستان های کمربند سیاه را نشان می دهد.
Ijgi 11 00320 g007 550
شکل 7. درصد سهم هر شاخص در زیرشاخص ظرفیت تطبیقی ​​برای شهرستان هایی با ( الف ) بالاترین و ( ب ) کمترین امتیاز زیرشاخص.
Ijgi 11 00320 g008 550
شکل 8. توزیع فضایی شاخص کلی آسیب پذیری COVID-19 در سطح شهرستان. خطوط سیاه ضخیم مرزهای شهرستان های کمربند سیاه را نشان می دهد.
Ijgi 11 00320 g009 550
شکل 9. رتبه بندی و موقعیت پنج شهرستان کمترین و آسیب پذیرترین.
Ijgi 11 00320 g010 550
شکل 10. درصد سهم هر زیرشاخص در شاخص کل ترکیبی برای پنج شهرستان کمترین و آسیب پذیرتر.
Ijgi 11 00320 g011 550
شکل 11. درصد مشارکت در شاخص آسیب پذیری COVID-19 برای کمترین و آسیب پذیرترین شهرستان ها (به ترتیب بالدوین و لوندز). E: قرار گرفتن در معرض S: حساسیت؛ AC: ظرفیت تطبیقی ناحیه خاکستری محدوده مقادیر درصد را برای هر نشانگر نشان می دهد.
Ijgi 11 00320 g012 550
شکل 12. همبستگی هر زیرشاخص با شاخص های آن: ( الف ) قرار گرفتن در معرض; ( ب ) حساسیت؛ ( ج ) ظرفیت تطبیقی. همه ضرایب همبستگی به جز ضرایب ستاره دار در سطح 5 درصد معنی دار هستند.
Ijgi 11 00320 g013 550
شکل 13. ساختارشکنی زیرشاخص های نشان داده شده به صورت نمودارهای عنکبوتی، برای کمترین و آسیب پذیرترین شهرستان ها (به ترتیب بالدوین و لوندز)، و میانگین برای همه شهرستان های آلاباما. مقادیر بین 0 (کمترین عملکرد) و 100 (بالاترین) مقیاس بندی می شوند.
Ijgi 11 00320 g014 550
شکل 14. نمایه شهرستان برای شهرستان مدیسون در مقایسه با میانگین برای تمام شهرستان های ایالت (مقادیر درصد هستند).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید