برخی از مطالعات رابطه ای بین شرایط محله و سلامت ایجاد کرده اند. با این حال، آنها نه اهمیت نسبی اجزای همسایگی را در افزایش چاقی ارزیابی می‌کنند و نه، مهم‌تر از آن، اینکه چگونه این عوامل همسایگی از نظر جغرافیایی متفاوت هستند. ما از جنگل تصادفی جغرافیایی برای تجزیه و تحلیل تغییرات فضایی هر عامل و سهم آن در توضیح شیوع چاقی در سطح دستگاه در شیکاگو، ایلینوی، ایالات متحده استفاده می‌کنیم. با توجه به یافته‌های ما، جنگل تصادفی جغرافیایی از مدل جنگل تصادفی غیرمکانی معمولی از نظر دقت پیش‌بینی خارج از کیسه بهتر عمل می‌کند. در مناطق شیکاگو، فقر مهمترین عامل است، در حالی که دوچرخه سواری کمترین اهمیت را دارد. جرم و جنایت مهم ترین عامل در توضیح شیوع چاقی در حومه جنوبی شیکاگو است، در حالی که به نظر می رسد فقر مهم ترین عامل پیش بینی در جنوب شهر باشد. برای برنامه ریزی سیاست و تصمیم گیری مبتنی بر شواهد، نتایج ما نشان می دهد که الگوهای اجتماعی و بوم شناختی ویژگی های محله با شیوع چاقی مرتبط است. در نتیجه، مداخلات باید بر اساس شرایط محلی ابداع و اجرا شود تا مفاهیم کلی استراتژی های پیشگیری و موانع مراقبت های بهداشتی که در شیکاگو اعمال می شود.

کلید واژه ها: 

چاقی ؛ محله ها ; تنوع فضایی ؛ یادگیری ماشین فضایی ; جنگل تصادفی جغرافیایی ; تجزیه و تحلیل فضایی

1. مقدمه

ایالات متحده از نظر تعداد افراد دارای اضافه وزن در رتبه دوازدهم جهان قرار دارد [ 1 ]. شیوع چاقی در سال 2020 در بین افراد 20 تا 39 ساله 40.0 درصد، در بین 40 تا 59 سال 44.8 درصد و در بین 60 سال به بالا 42.8 درصد بوده است. چاقی با بیماری قلبی، سکته مغزی، دیابت نوع 2 و چندین نوع سرطان مرتبط است [ 2 ]. اگرچه سبک زندگی فعال خطر ابتلا به چاقی را کاهش می دهد، اکثر بزرگسالان در کشورهای توسعه یافته و در حال توسعه به دلیل سبک زندگی کم تحرک، استفاده از روش های حمل و نقل غیرفعال و غیره نمی توانند سطوح توصیه شده فعالیت بدنی را برآورده کنند [ 3 ، 4 ].
در حالی که به طور کلی درک می شود که عوامل در سطح فردی مانند استعداد ژنتیکی [ 5 ] و جنبه های رفتاری (به عنوان مثال، فعالیت بدنی) [ 6 ] در افزایش وزن نقش دارند، تحقیقات بیشتری در مورد تأثیر ویژگی های محله مسکونی برای ارائه یک درک چند رشته ای از شیوع چاقی ویژگی های محیطی مانند شکل شهری، ایمنی محله، سرمایه اجتماعی-اقتصادی و در دسترس بودن غذا در ادبیات مورد توجه قرار گرفته است [ 7 ، 8 ، 9 ]. همانطور که در جاهای دیگر پیشنهاد شد [ 7 ، 8 ، 9 ، 10 ، 11]، این عوامل تعیین کننده احتمالاً به طیف وسیعی از ویژگی های اجتماعی و محیطی مانند تحرک شهری و جرم مرتبط هستند. شواهد همچنین نشان می دهد که محیط ساخته شده می تواند به طور مثبت بر رفتارهای سلامتی تأثیر بگذارد یا یک عامل استرس زا برای سلامتی باشد [ 12 ]. به عنوان مثال، خطر چاقی با بی ثباتی مسکونی و عدم استطاعت اجاره افزایش می یابد [ 13 ]. اگرچه هزینه های مسکن و ناامنی خانه (به عنوان مثال، بی خانمانی) بار مهمی در ایالات متحده است، اطلاعات کمی در مورد تأثیر آنها بر شیوع چاقی وجود دارد. خانواده‌های کم‌درآمدی که دارای هزینه‌های سنگین هستند، تاب‌آوری محدودی در بحران‌های اقتصادی یا از دست دادن شغل دارند، که منجر به ناامنی مسکن و سایر قربانی‌های قابل توجهی می‌شود که به سلامت آسیب می‌رساند [ 13 ].]. توانایی خانواده را برای پرداخت نیازهای ارتقاء دهنده سلامتی مانند غذای مغذی، بازدید از مراقبت های بهداشتی، انرژی و نگهداری از خانه کاهش می دهد [ 14 ، 15 ، 16 ]. علاوه بر این، امکانات شهری مانند پارک‌ها، مسیرهای دوچرخه‌سواری و زمین‌های بازی یک سبک زندگی فعال را تشویق می‌کنند و بروز چاقی را کاهش می‌دهند [ 17 ، 18 ، 19 ، 20 ، 21 ]. در حالی که فضاهای سبز در کاهش نگرانی های چاقی مهم هستند [ 22 ]، نتایج متناقضی در مورد ارتباط بین فضای سبز و چاقی وجود دارد [ 23 ].
تا به امروز، چاقی در درجه اول در سلامت عمومی و رفتاری و تا حدودی از منظر علم جغرافیایی مورد بررسی قرار گرفته است. مدل‌سازی فضایی می‌تواند ابزار قدرتمندی برای پزشکان بهداشت شهری باشد تا الگوها و پویایی‌های جغرافیایی را درک کنند که در غیر این صورت مورد توجه قرار نمی‌گیرد. در حالی که بیشتر تحقیقات چاقی به مدل‌های فضایی خطی [ 24 ، 25 ] یا مدل‌های فضایی خطی [ 26 ، 27 ، 28 ، 29 ، 30 ، 31 ] تکیه می‌کنند، مدل‌سازی فضایی صریح غیرخطی برای بررسی روابط بین عوامل چاقی در سطح دستگاه و شیوع چاقی همانطور که ما از آن آگاه هستیم. برای مثال فردوسی و همکاران. [32 ] از مدل‌سازی تصادفی غیرخطی جنگل برای ارزیابی خطر چاقی با استفاده از عوامل رفتاری استفاده کرد. Ghosh و Guha [ 33 ] از تخصیص دیریکله پنهان برای بررسی مضامین مرتبط با چاقی در داده های توییتر استفاده کردند. علاوه بر این، مطالعات چاقی در محیط ساخته شده در مقیاس خرد با استفاده از فناوری های مکانی مانند سیستم های موقعیت یابی جغرافیایی [ 34 ، 35 ، 36 ] و تمرکز بر چاقی کودکان [ 37 ، 38 ] انجام می شود. با این حال، چاقی وابسته به زمینه است و توسط تأثیر متقابل عوامل سیاسی، اجتماعی، اقتصادی، فرهنگی، محیطی، رفتاری و بیولوژیکی و همچنین تعاملات مقطعی و غیرخطی در این ابعاد هدایت می‌شود [ 39 ]، 40 ]. خطی بودن در بین مدل‌های خطی اجتماعی-محیطی، تحلیل‌ها را از این طریق پیچیده می‌کند و توسعه مدل‌های آگاه از هم خطی را ضروری می‌کند [ 41 ]. ما توزیع فضایی شیوع چاقی را در افراد محلی با استفاده از مدل جنگل تصادفی جغرافیایی (GRF) بررسی می‌کنیم.
GRF یک مدل جدید یادگیری ماشینی مبتنی بر درخت است [ 42 ، 43 ]. این مزیت این است که خطی بودن محلی را پیش‌فرض نمی‌کند و اغلب از یک مدل جنگل تصادفی فضایی در عملکرد پیش‌بینی بهتر عمل می‌کند [ 44 ]، اما به قیمت پیچیدگی محاسباتی بیشتر [ 45 ]. مدل GRF از نظر مفهومی از رگرسیون وزن‌دار جغرافیایی الهام گرفته شده است [ 46]، با این تفاوت که با استفاده از جنگل تصادفی به جای حداقل مربعات سنتی کالیبره شده است. GRF، بر خلاف رگرسیون وزن‌دار جغرافیایی، نیازی به محاسبه چند خطی ندارد و می‌تواند همه متغیرهای مستقل را بدون نیاز به غربالگری همخطی ارزیابی کند. همچنین ممکن است برای بررسی روابط محلی بین متغیرهای جغرافیایی مستقل و وابسته استفاده شود در حالی که معمولاً منجر به دقت پیش‌بینی بالاتر از رگرسیون وزن‌دار جغرافیایی می‌شود [ 42 ، 44 ].
با توجه به دانش ما، هیچ مطالعه ای از GRF برای بررسی تنوع فضایی (به عنوان مثال، غیر ایستایی) در ارتباط بین شیوع چاقی در سطح دستگاه و متغیرهای همسایگی اجتماعی و محیطی استفاده نکرد. اهداف ما این بود که (الف) ارتباط محلی بین شیوع چاقی و متغیرهای سطح دستگاه را بررسی کنیم تا تلاش‌های پیشگیری و مداخله در مناطق پرخطر را متمرکز کنیم و (ب) عملکرد پیش‌بینی GRF را با مدل رگرسیون تصادفی جنگل سنتی مقایسه کنیم. توجه داشته باشید، هدف ما پیشنهاد یک رویکرد جامع برای مدل‌سازی و نقشه‌برداری شیوع چاقی با در نظر گرفتن هر عامل موجود نیست، بلکه هدف ما ارائه یک رویکرد فضایی جدید به جامعه برای درک شیوع چاقی بود.
GRF اخیراً برای مدل‌سازی شرایط اجتماعی-اقتصادی در مناطق اتحادیه اروپا مورد استفاده قرار گرفت [ 47 ]. علاوه بر این، برای مدل‌سازی اهمیت نسبی 29 عامل اجتماعی-اقتصادی و مرتبط با سلامت در نرخ مرگ و میر کووید-19 استفاده شد و از رگرسیون‌های محلی و جهانی که معمولاً استفاده می‌شود، بهتر عمل کرد [ 44 ]. همچنین برای پیش بینی شیوع دیابت در ایالات متحده استفاده شد [ 42 ]. با این حال، در کنار این تعداد محدود برنامه، شواهد بیشتری مورد نیاز است.

2. مواد و روشها

2.1. داده ها

چاقی یک مشکل عمده در شیکاگو است، جایی که 61.2٪ از بزرگسالان در منطقه شهری دارای اضافه وزن یا چاق هستند [ 48 ]. چاقی به ویژه به عنوان یکی از علل مرگ و میر در کلان شهرهایی مانند شیکاگو، ایلینوی [ 48 ] شناخته شد. ما داده های مقطعی و زیست محیطی را برای همه 793 سرشماری در شیکاگو از منابع مختلف به دست آوردیم. ما هندسه های چند ضلعی سرشماری را به عنوان فایل های شکل TIGER/Line از اداره سرشماری ایالات متحده برای انجام تحلیل و نقشه برداری فضایی با استفاده از سیستم های اطلاعات جغرافیایی (GIS) [ 49 ] به دست آوردیم.]. با اندازه متوسط ​​0.28 مایل مربع (انحراف استاندارد [SD] 0.39 ±)، مسیرهای سرشماری مقیاس تحلیلی مناسبی برای ارزیابی شیوع چاقی در سطح منطقه در نظر گرفته شد. کدهای 11 رقمی استانداردهای پردازش اطلاعات فدرال برای غنی‌سازی هندسه‌ها با متغیرهای سطح سرشماری استفاده شد.
ما تخمین‌هایی از شیوع چاقی در هر سرشماری را بر اساس پاسخ‌ها به بررسی سیستم نظارت بر عوامل خطر رفتاری و پروژه مکان‌های مراکز کنترل و پیشگیری از بیماری [ 50 ] به دست آوردیم. چاقی به عنوان داشتن شاخص توده بدنی (BMI) حداقل 30 کیلوگرم بر متر مربع با استفاده از داده های قد و وزن خود گزارش شده تعریف می شود. برآوردهای شیوع چاقی برای سال 2020 به عنوان متغیر پاسخ ما بود ( جدول 1 ).
بر اساس مطالعات قبلی [ 51 ، 52 ]، ما هشت متغیر کمکی را انتخاب کردیم. سال‌های متغیرهای کمکی با داده‌های چاقی در سال 2019 مطابقت دارند. ابتدا، اجاره شدید را به عنوان درصدی از جمعیت اضافه کردیم که بیش از 50 درصد از درآمد خود را برای اجاره مسکن خرج می‌کنند. خانواده‌هایی که هزینه‌های ماهیانه بالایی دارند، پول کمی برای سایر ملزومات مانند غذا، پوشاک، آب و برق و مراقبت‌های بهداشتی باقی می‌مانند. این تجربیات ممکن است بر سلامت جسمی و روانی تأثیر منفی بگذارد [ 13]. ثانیاً، درصد فقر بر اساس درآمدی که بر اساس اندازه و ترکیب خانواده متفاوت است، تعیین شد، که دلیل توزیع نابرابر درآمد در میان جمعیت است. سوم، درصد بیکاری نسبت به جمعیت سرشماری مربوطه. چهارم، درصد تخلیه، پرونده تخلیه به ازای هر 100 خانوار اجاره‌نشین. و پنجم، درصد مسکن خالی در هر سرشماری توسط اطلس سلامت شیکاگو [ 52 ]. ششم، ما فضای سبز موجود (مانند پارک‌ها، فضاهای باز سبز، باغ‌های مسکونی) را با استفاده از میانگین شاخص تفاوت عادی شده گیاهی در هر بخش سرشماری وارد کردیم. داده‌های سنجش از دور از داده‌های زمین ناسا لندست 8 [ 53 ، 54 ] به‌دست آمد.]. هفتم، با استفاده از داده‌های سیستم اشتراک دوچرخه Divvy، ما استفاده از دوچرخه را به عنوان نسبت سفرهای دوچرخه به، از و در بخش‌های سرشماری به جمعیت مربوطه محاسبه کردیم [ 55 ]. هشتم، ما جرم استخراج شده از اداره پلیس شیکاگو [ 56 ] را به عنوان نسبت بین تعداد انواع جرایم و جمعیت سرشماری مربوطه در نظر گرفتیم. داده های جرم به مکان های وقوع جرم اشاره دارد ( جدول 1 ).

2.2. رویکردهای تحلیلی

جنگل تصادفی فضایی

از آنجایی که مجموعه تکنیک‌های یادگیری ماشین بزرگ است [ 57 ]، ما یک مدل مبتنی بر رگرسیون به خوبی تثبیت شده و معمولاً با عملکرد خوب، یعنی جنگل تصادفی، برای ارزیابی ارتباط بین شیوع چاقی و عوامل تعیین‌کننده محله انتخاب کردیم. جنگل تصادفی استاندارد یک رویکرد یادگیری ماشین جهانی است که ارتباط‌ها را به طور یکنواخت در فضا ارزیابی می‌کند، در حالی که این مدل می‌تواند غیرخطی‌ها و تعاملات بین متغیرها را ارزیابی کند [ 44 ]. علاوه بر این، هیچ فرضیات آماری دقیقی وجود ندارد [ 58 ].
به طور خلاصه، یک جنگل تصادفی شامل مجموعه ای از درختان تصمیم گیری جداگانه برای تجزیه و تحلیل رگرسیون [ 57 ] است.]. هر درخت تصمیم از یک مجموعه داده آموزشی برازش می شود. ابتدا، یک زیرمجموعه با انتخاب تصادفی نمونه هایی با جایگزینی از مجموعه آموزشی اصلی (معمولاً 2/3 مجموعه آموزشی) ایجاد می شود. داده های باقی مانده (معمولاً 1/3 دیگر) که به مجموعه خارج از کیسه اشاره دارد برای ارزیابی مدل (یعنی ارزیابی دقت پیش بینی) استفاده می شود. علاوه بر این، یک زیر مجموعه تصادفی از متغیرهای کمکی نیز برای هر گره در هر درخت تصمیم انتخاب می شود. همین رویکرد برای تعداد زیادی تکرار تکرار می‌شود و جنگلی از درختان آموزش دیده با زیرمجموعه‌های تصادفی داده‌های آموزشی به دست می‌آید. در نهایت، خطای پیش‌بینی هر درخت محاسبه می‌شود و خروجی نهایی همه درختان، میانگین مقدار پیش‌بینی است.
دقت خارج از کیسه یک معیار مستقل قوی است که اغلب برای ارزیابی ارتباط هر متغیر و عملکرد کلی مدل استفاده می‌شود [ 57 ]. ما از افزایش میانگین مربعات خطا (IncMSE) به عنوان معیاری برای تعیین ارتباط هر متغیر استفاده کردیم [ 58 ]. خطای خارج از کیسه با تغییر تصادفی مقادیر هر متغیر در مجموعه خارج از کیسه محاسبه می شود. اگر خطای خارج از کیسه افزایش یابد، متغیر مهم تلقی می شود. و هر چه این تغییر بیشتر باشد، متغیر مربوط به تخمین متغیر وابسته است [ 44 ، 58 ]]. با این حال، جنگل تصادفی سنتی منجر به یک مدل رگرسیون منفرد می شود که برای کل منطقه مورد مطالعه معتبر است. در نتیجه، الگوریتم نمی تواند تغییرات جغرافیایی در انجمن ها را در نظر بگیرد، که ممکن است منجر به نمایش ناکافی انجمن ها شود.

2.3. جنگل تصادفی جغرافیایی

برای دور زدن فرض محدود کننده ارتباط یکنواخت جنگل تصادفی سنتی، ما یک جنگل تصادفی جغرافیایی (GRF) را با وزن‌دهی فضایی که قادر به مدل‌سازی غیرایستایی فضایی است برازش دادیم [ 47 ]. از نظر فنی، GRF به صورت محلی فقط با استفاده از مشاهدات نزدیک از طریق یک هسته فضایی و یک ماتریس وزن های فضایی کالیبره می شود [ 59 ]. اصل اصلی GRF شبیه رگرسیون وزن‌دار جغرافیایی است [ 60 و 61]، که در آن یک پنجره متحرک برای ایجاد زیرمدل های محلی اعمال می شود. هر جنگل تصادفی محلی برای هر سایت بسته به داده های ورودی از مشاهدات اطراف ارزیابی می شود. ما از یک هسته فضایی تطبیقی ​​برای GRF استفاده کردیم، زیرا زمانی که نقاط داده به طور ناموزون توزیع شده اند و زمانی که فرض می شود همبستگی خودکار فضایی در داده ها وجود دارد، به طور گسترده استفاده می شود . ما از حداقل خطای خارج از کیسه برای تعیین پهنای باند بهینه (BW) استفاده کردیم. برای بحث کامل در مورد GRF، به جورگانوس و همکاران مراجعه کنید. [ 47 ، 59 ].
برای تعیین فراپارامتر بهینه GRF (یعنی تعداد درختان و نسبت ویژگی‌های نمونه‌برداری تصادفی در هر گره)، از جستجوی شبکه‌ای تصادفی همانطور که در جاهای دیگر انجام شد استفاده کردیم [ 42 ، 44 ]. از مجموعه ای از ترکیبات فراپارامتر ممکن، ما از اعتبارسنجی متقابل 10 برابری برای تعیین مناسب ترین آنها استفاده کردیم. ما از پهنای باند 30 مشاهده استفاده کردیم، تعداد درختان روی 1000 تنظیم شد، و تعداد متغیرهایی که به‌طور تصادفی به‌عنوان نامزد در هر تقسیم‌بندی نمونه‌گیری شدند، 5 تنظیم شد. هر دو مدل جنگل تصادفی و GRF با این فراپارامترها آموزش داده شدند. سپس معیارهای عملکرد مانند میانگین مربعات خطا (MSE)، میانگین خطای مطلق (MAE)، ریشه میانگین مربع خطا (RMSE) و ضریب تعیین (R2) را محاسبه می‌کنیم .). از آنجایی که خود همبستگی فضایی باقیمانده قابل توجه، مفروضات رگرسیون مربوط به استقلال مشاهدات را نقض می کند، ما از آماره موران 1 به خوبی تثبیت شده برای بررسی میزان خودهمبستگی فضایی باقیمانده استفاده کردیم. ما همچنین از Moran’s I محلی برای ردیابی خوشه بندی باقیمانده فضایی بالقوه استفاده می کنیم [ 60 ].
ما از رویکرد اهمیت ویژگی جایگشت برای ارزیابی نقش پیش‌بینی‌کننده‌ها در مدل‌های جنگل تصادفی و GRF استفاده کردیم. در حالی که اولی یک مدل جهانی و فضایی است، GRF یک جنگل تصادفی را در مدل‌های فرعی محلی تجزیه می‌کند، بنابراین، ناپایداری ذاتی داده و همبستگی خودکار فضایی را در نظر می‌گیرد. GRF اهمیت ویژگی محلی، باقیمانده‌های محلی و آمار برازش محلی را برای هر پیش‌بینی‌کننده در هر مدل جنگل تصادفی محلی نشان می‌دهد [ 44 ]. مشابه جنگل تصادفی، ما اهمیت متغیرها را بر اساس درصد تغییر در MSE رتبه بندی کردیم [ 44 ]. علاوه بر این، ما اهمیت متغیر محلی را ترسیم کردیم تا بررسی کنیم که چگونه تأثیر هر متغیر مستقل بر شیوع چاقی از نظر جغرافیایی متفاوت است.
نمودارهای وابستگی جزئی برای توصیف روابط غیرخطی بین شیوع چاقی و متغیرهای کمکی استفاده شد. نمودارهای وابستگی جزئی با ارائه پاسخ هدف مورد انتظار به عنوان تابعی از ویژگی های ورودی مورد علاقه نشان می دهد که آیا رابطه بین هدف و یک ویژگی خطی، یکنواخت، منحنی خطی یا پیچیده تر است [ 62 ]. تمام تجزیه و تحلیل های آماری ما با بسته “SpatialML” [ 63 ] در محیط محاسباتی آماری R [ 64 ] انجام می شود. برای کارتوگرافی از ArcGIS 10.8.1 استفاده کردیم.

3. نتایج

شکل 1 شیوع چاقی و عوامل اجتماعی و محیطی را در سطح دستگاه نشان می دهد. چاقی در محله های جنوبی و غربی شیکاگو بیشتر است. جنوب و شمال غرب دارای سبزترین فضا هستند، در حالی که مرکز شهر و محله های اطراف آن درصد بالایی از مردم دوچرخه سواری دارند. بیشترین سهم افراد کم درآمد و بیکار در ضلع جنوبی و غربی است. فعالیت های مجرمانه در ضلع های غربی و جنوبی متمرکز است، جایی که درصد قابل توجهی از خانه های خالی، اجاره بها شدید و نرخ بالای تخلیه وجود دارد که آسیب پذیری افراد بیکار و کم درآمد را افزایش می دهد.

نتایج جنگل تصادفی فضایی و GRF

در مجموعه خارج از کیسه، مدل GRF دارای MSE، RMSE و MAE کمتر و R2 بالاتر از مدل جنگل تصادفی جهانی بود ( جدول 2 ) . به طور کلی، تداعی ها اشکال پیچیده ای را نشان می دهند که نیاز به استفاده از مدل های غیرخطی را برجسته می کند. شکل 2 رابطه غیرخطی بین شیوع چاقی و متغیرهای کمکی را نشان می دهد. متغیرهای دوچرخه سواری ( شکل 2 ب)، جرم و جنایت ( شکل 2 ج)، بیکاری ( شکل 2 د)، و نرخ اخراج ( شکل 2 e) به طور منحنی با شیوع چاقی مرتبط بودند، در حالی که مسکن خالی ( شکل 2 f) و اجاره بها شدید (شکل 2) شکل 2ح) ارتباط نسبتاً غیرخطی با شیوع چاقی نشان می دهد. در حالی که انجمن های کلی غیرخطی ها را نشان می دهد، همبستگی های خطی در محدوده های خاص وجود دارد. به عنوان مثال، یک ارتباط خطی مثبت بین نرخ اخراج و شیوع چاقی در محدوده زیر 2٪ وجود دارد، اما اثر پس از آن ثابت می ماند ( شکل 2 e). به طور مشابه، در محدوده بین 15 تا 27 درصد، یک ارتباط مثبت خطی بین اجاره شدید و شیوع چاقی وجود دارد، اما تأثیر آن پس از آن قابل چشم پوشی است ( شکل 2 ساعت).
جدول 2 اهمیت این متغیرهای کمکی را در مدل جنگل تصادفی و GRF مقایسه می کند. نسبت جرم مهمترین متغیر در اولی است و پس از آن فقر، بیکاری و نرخ اخراج با توجه به اهمیت ویژگی مبتنی بر جابجایی قرار دارند، در حالی که فقر مهمترین متغیر در GRF است و پس از آن نسبت جرم، بیکاری، و میزان تخلیه همانطور که در جدول 2 نشان داده شده است ، میانگین MSE مثبت مدل GRF نشان می دهد که اکثر دستگاه ها دارای اهمیت متغیر محلی مثبت هستند. ترتیب اهمیت سایر عوامل تعیین کننده نیز با مدل جنگل تصادفی جهانی متفاوت است. برای مثال دوچرخه سواری در مدل جنگل تصادفی پنجمین اما در مدل GRF در رتبه آخر قرار دارد ( جدول 2)). تفاوت در اهمیت ویژگی محتمل است زیرا جنگل تصادفی یک مدل جهانی است و به تغییرات مکانی و محلی نمی‌پردازد. در مقابل، GRF تغییرات مکانی (یعنی محلی) متغیرهای پیش بینی را ارزیابی می کند.
علاوه بر این، ما عوامل تعیین کننده را برای درک بهتر توزیع فضایی اهمیت متغیر محلی (IncMSE) ترسیم کردیم ( شکل 3 ). توجه به این نکته مهم است که مقادیر بالای صفر در شیوع چاقی اهمیت دارد، در حالی که مقادیر بالاتر دستگاه حاکی از اهمیت بیشتر است. به نظر می رسد فضاهای سبز در سرتاسر شهر اهمیت کمی دارند ( شکل 3 الف). برای دوچرخه سواری نیز همینطور است، به استثنای چند مکان در جنوب غربی مرکز شهر ( شکل 3 ب). از سوی دیگر، بیکاری در منطقه جنوب مرکز شهر بیشترین اهمیت را دارد ( شکل 3 ج). فقر در نواحی مختلف در جنوب و جنوب غربی مرکز شهر بیشترین شیوع را دارد ( شکل 3 د). میزان جرم و جنایت در نواحی جنوبی بیشترین اهمیت را دارد (شکل 3 e). به جز اجاره شدید، که بیشترین اهمیت را در جنوب دارد، مسکن خالی ( شکل 3 f)، نرخ تخلیه ( شکل 3 g)، و اجاره شدید ( شکل 3h ) از اهمیت یکسانی در سراسر شیکاگو برخوردار است.
شکل 4 a R 2 محلی GRF را نشان می دهد. تناسب مدل در فضا متفاوت بود، بین 35٪ تا 60٪. عمدتاً در مناطق شمال شهر، R2 زیر 0.5 بود ( شکل 4 a). آزمون جهانی موران I ( I = -0.01، p = 0.18) تایید می کند که هیچ همبستگی باقیمانده فضایی وجود ندارد. علاوه بر این، Moran’s I محلی همچنین نشان می‌دهد که هیچ خوشه‌بندی جغرافیایی باقی‌مانده‌ها در بیشتر مکان‌ها وجود ندارد و باقیمانده‌ها به‌طور تصادفی توزیع می‌شوند ( شکل 4 ج). این نتایج تأیید می کند که GRF داده ها را به خوبی مدل می کند.

4. بحث

این مطالعه اکولوژیکی مقطعی به بررسی شیوع چاقی در سطح دستگاه در شیکاگو با استفاده از جنگل تصادفی جغرافیایی (GRF)، یک رویکرد یادگیری ماشین فضایی نوآورانه می‌پردازد. با توجه به یافته‌های ما، مدل GRF از نظر دقت پیش‌بینی از مدل جنگل تصادفی فضایی معمولاً استفاده شده بهتر عمل کرد. این نشان می‌دهد که GRF ناهمگونی فضایی را در انجمن‌ها در نظر می‌گیرد و عواملی را شناسایی می‌کند که باعث تغییرات محلی در میزان شیوع چاقی می‌شود که به توسعه مداخلات مبتنی بر مکان برای کنترل چاقی کمک می‌کند. یافته ما نتایج چند مطالعه دیگر را با استفاده از مدل GRF تأیید می کند [ 23 , 44 , 47]. ما همچنین دریافتیم که سه مورد از چهار عامل محلی مهم (یعنی فقر، جرم و بیکاری) به عوامل تعیین‌کننده محله اشاره دارد و یکی با مسکن (نرخ اخراج) مرتبط است. پیامدهای این یافته ها در زیر توضیح داده شده است.

4.1. فقر

فقر بیشترین اهمیت متناسب را به ازای هر بخش سرشماری در محله‌های مرکز شهر غرب و جنوب غربی دارد، در حالی که در بقیه شیکاگو کمترین اهمیت را دارد ( شکل 3 د). علاوه بر این، ارتباط مثبت کلی بین چاقی و فقر در شکل 2 د، اهمیت فقر را نشان می دهد. فقر یک محیط چاق‌زا ایجاد می‌کند که در آن افراد ممکن است به غذاهای مقرون‌به‌صرفه و سالم دسترسی نداشته باشند [ 65 ]، کمبود بودجه برای تجهیزات ورزشی و شرکت در فعالیت‌های بدنی، و در معرض استرس روانی [ 66 ]، و همچنین زندگی در خانه‌های شلوغ با خواب ضعیف زندگی کنند. کیفیت [ 67]. با این حال، رابطه بین ثروت بالا و افزایش فعالیت بدنی به خوبی ثابت نشده است و به تحقیقات بیشتری نیاز دارد [ 68 ]. از آنجایی که فقر با افزایش خطر چاقی مرتبط است، سیاست گذاران و برنامه ریزان باید پیامدهای فقر محله را بر پیامدهای سلامت ارزیابی کنند [ 69 ]. محرومیت باعث شکل‌گیری عادات و فرهنگ‌های مضر می‌شود که سپس به نسل‌ها منتقل می‌شود. خطر چاقی در بزرگسالی در حال ظهور به طور قابل توجهی با قرار گرفتن در معرض تجمعی در معرض فقر محله افزایش می یابد. بدتر شدن شرایط اجتماعی-اقتصادی محله نیز یک عامل خطر مهم چاقی است [ 69 ]]. مطالعه ما نشان می‌دهد که سیاست‌ها و سازمان‌های چند رشته‌ای (مانند خدمات غذا و تغذیه USDA و مقامات مسکن) برای کنترل و کاهش چاقی با هم همکاری کنند.

4.2. جرم

اهمیت جرم در سرشماری (یعنی انواع رفتارهای غیرقانونی) در نواحی جنوبی بیشترین اهمیت را دارد، اگرچه در محله های شمالی شیکاگو گسترده نیست ( شکل 3 e). جرم و جنایت به شدت با شیوع چاقی در امتداد دریاچه جنوبی میشیگان مرتبط است، جایی که درصد زیادی از مردم با اجاره بها شدید، ناامنی مسکن، فقر و بیکاری مواجه هستند ( شکل 1 ). عوامل اجتماعی و سطح فردی ممکن است با جرم محله مرتبط باشند. کناره‌گیری کسب‌وکار، مهاجرت جمعیت، زوال فیزیکی، کاهش منابع جامعه، و زیرساخت‌های عمومی در حال فروپاشی در سطح جامعه در مناطق با جرم و جنایت بالا مشاهده می‌شود که برای ورزش فیزیکی ناامن هستند [ 70 ، 71 ]]. علاوه بر این، ادراک افراد از ناامنی، اضطراب و استرس تحت تأثیر جنایات محله است که مشارکت در فعالیت های فیزیکی را محدود می کند [ 72 ]. هنگام رسیدگی به مسائل جرم و جنایت در سطح محله، انواع جرم باید جداگانه مورد بررسی قرار گیرد زیرا نهادها و سیاست های مرتبط باید جرایم را تنظیم کنند (سرقت از منزل در مقابل سرقت). محله هایی با طراحی خوب با سرمایه های اجتماعی-اقتصادی به خوبی حفظ شده (یعنی پیاده روها) رفتارهای سالم را تشویق می کنند و از رفتارهای غیرقانونی جلوگیری می کنند.

4.3. بیکاری

اهمیت بیکاری در سرشماری در محله های مرکز شهر جنوبی در امتداد دریاچه میشیگان بالاترین است ( شکل 3 ج). به طور مشابه، بیکاری به شدت با چاقی در نواحی جنوب غربی مرکز شهر جنوب، که در آن فضاهای سبز فراوان است، اما نرخ اخراج بالاست، مرتبط است ( شکل 1 ). به خوبی شناخته شده است که بیکاری با افزایش خطر بیماری مرتبط است. این ارتباط را می‌توان تا حدی با رفتارهای منفی مرتبط با سلامتی – به ویژه سیگار کشیدن، رژیم غذایی، ورزش و مصرف الکل – ناشی از درآمد کمتر، تغییر روال روزانه و استرس روانی که معمولاً با از دست دادن شغل همراه است، توضیح داد [ 73 ]. با این حال، هیوز و همکاران. [ 51] دریافت که جویندگان کار نسبت به افرادی که هرگز بیکار نشده اند کمتر احتمال دارد اضافه وزن داشته باشند، به این معنی که بیکاری ممکن است با BMI برای جمعیت های مختلف متفاوت باشد. روم [ 73 ] دریافت که افزایش 1 درصدی در نرخ بیکاری ایالتی با کاهش 2 درصدی در مصرف چربی روزانه بین سال های 1987 و 1995 همراه است. همچنین او دریافت که در طول رکود اقتصادی، وزن بدن در بین افراد چاق شدید کاهش می یابد و ورزش در بین افراد غیرفعال قبلی افزایش می یابد. کاتلر و همکاران [ 74 ] دریافتند که نرخ بیکاری بالاتر در زمان فارغ التحصیلی با درآمد کمتر و چاقی بیشتر در زندگی بعدی مرتبط است. دب و همکاران [ 75] تأثیر تعطیلی مشاغل بر چاقی را بررسی کنید. آنها دریافتند که جدایی شغلی در مقایسه با افراد مسن، احتمال چاقی را برای زنان، کم درآمدتر، افراد کم سواد و میانسال به طور قابل توجهی افزایش می دهد. بیکاری باید در درجه اول در سطح خانوار و فردی با توجه به شیوع چاقی مورد مطالعه قرار گیرد.

4.4. نرخ اخراج

اهمیت نرخ اخراج در هر منطقه سرشماری در جنوب بیشتر است، اگرچه در برخی از محله‌های غربی نیز زیاد است ( شکل 3 g). در امتداد دریاچه میشیگان، جایی که افراد بیکار در فقر به سر می برند، نرخ اخراج با چاقی بسیار مرتبط است ( شکل 1 ). ارتباط بین تخلیه املاک تحت اشغال مستاجر و سلامت به خوبی درک نشده است [ 76 ]، در حالی که قیمت مسکن و تخلیه به طور جدایی ناپذیری مرتبط هستند. با این حال، اطلاعات کمی در مورد اینکه چگونه مداخلات سیاستی، مانند برنامه های یارانه مسکن طرف عرضه طراحی شده برای افزایش مسکن مقرون به صرفه، بر پویایی تخلیه محلی تأثیر می گذارد [ 77 ] شناخته شده است.]. ناامنی مسکن و مقرون به صرفه نبودن می تواند منجر به استرس، نگرانی و ناامیدی شود و همچنین متابولیسم را تغییر دهد و خطر چاقی را افزایش دهد [ 78 ، 79 ، 80 ]. در طول همه‌گیری جهانی COVID-19، زمانی که مستاجران شغل خود را از دست داده بودند، تحقیقات در مورد میزان تخلیه در سطح محله برجسته می‌شود. یافته‌های ما توجه را به نیاز محلی‌ها برای واکنش سریع به منظور محافظت از سلامت عمومی در برابر همه‌گیری چاقی از طریق اقدامات فعلی مانند افزایش کمک‌های اجاره و تمدید توقف تخلیه [ 81 ] جلب می‌کند.

4.5. سایر عوامل

عوامل دیگری مانند فضاهای سبز، اجاره بهای شدید، و مسکن خالی کمترین اهمیت را در شیوع چاقی در شیکاگو داشتند. با این حال، ادبیات [ 82 ] اهمیت فضاهای سبز را به عنوان یک منبع ارزشمند برای فعالیت بدنی برجسته می کند و از این رو پتانسیل کمک به کاهش چاقی و بهبود سلامت را دارد. این علاقه برنامه ریزان و سیاست گذاران را برانگیخته است که در مورد عملکردهای فضای سبز از نظر دسترسی، در دسترس بودن و دید در شیکاگو تحقیق می کنند، به جای استفاده از زیرساخت های سبز برای ارتقای سلامت، تمرکز اصلی بر صنعت گردشگری است. به طور مشابه، زیرساخت‌های دوچرخه‌سواری متمرکز در مرکز شهر به جای فعالیت بدنی به ترویج گردشگری کمک می‌کنند [ 83 ]]. مجموعه ای از مسیرهای دوچرخه سواری متصل به همسایگان این امکان را می دهد که به سرعت با دوچرخه به همه مکان ها برسند، در درجه اول در مرکز شهر. ادغام مسیرهای پیاده‌روی و دوچرخه‌سواری با فضای سبز برای ایجاد یک محیط ساخته‌شده که فعالیت بدنی را ترویج می‌کند، حیاتی است. علاوه بر این، املاک غیرمسکونی، مانند فضاهای شهری کم استفاده، باعث آسیب های شهری، ترویج جرم و جنایت در محله ها می شود و ممکن است به طور غیرمستقیم بر سبک زندگی فعال تأثیر بگذارد [ 84 ].

4.6. محدودیت ها

برآوردهای سطح دستگاه، که در چندین مطالعه قبلی [ 85 ، 86 ] ارزیابی شده‌اند، دارای محدودیت‌های خاصی هستند. متغیر نتیجه با استفاده از یک نظرسنجی تلفنی جمع آوری شد که احتمالاً به دلیل سوگیری یادآوری و سوگیری مطلوبیت اجتماعی با مشکلاتی مواجه است [ 87 ، 88 ].]. ما نمی‌توانیم این موضوع را رد کنیم که سوگیری سطح جمعیت در وزن و قد خود گزارش‌شده در مصاحبه‌های تلفنی بیشتر از مصاحبه‌های حضوری برای اندازه‌گیری BMI باشد. علاوه بر محدودیت داده ها، مدل های دارای وزن محلی دارای اشکالاتی نیز هستند. به عنوان مثال، ما از یک پهنای باند هسته تطبیقی ​​برای انتخاب تعداد بهینه تراکت برای آموزش GRF استفاده کردیم که تفاوت در اندازه تراکت را نشان می‌دهد. مسیرهایی با اندازه‌های مختلف که در یک منطقه جغرافیایی متفاوت هستند ممکن است منجر به اثرات سرریز متغیر وابسته در بخش‌های مجاور یا همبستگی فضایی باقیمانده‌ها شود. نه به طور غیرمنتظره، R2 محلی در GRF در سراسر فضا متفاوت بود. برای اکثر مسیرهای شمال شهر، R 2زیر 0.5 بود این نتایج نشان می‌دهد که متغیرهای وارد شده تنها بخش محدودی از واریانس متغیر نتیجه را توضیح می‌دهند و متغیرهای جایگزین باید برای بهبود عملکرد مدل‌های محلی در این مناطق گنجانده شوند. در حالی که نتایج ما ممکن است به مقیاس تحلیلی و منطقه بندی اساسی حساس باشد، استنتاج علی نیز توسط ماهیت مقطعی و زیست محیطی داده ها مختل می شود [ 89 ].

5. نتیجه گیری ها

این مطالعه اولین مطالعه‌ای است که از مدل GRF با وزن‌های فضایی برای ارزیابی تغییرات جغرافیایی شیوع چاقی در سطح دستگاه شیکاگو در پاسخ به عوامل تعیین‌کننده مرتبط با شرایط محله استفاده می‌کند. GRF از نظر دقت پیش‌بینی خارج از کیسه از مدل جنگل تصادفی غیرمکانی معمولی استفاده می‌شود. فقر مهمترین عامل در مسیرهای شیکاگو است، در حالی که دوچرخه سواری کمترین اهمیت را دارد. در حالی که فقر مهمترین عامل پیش بینی در حومه جنوبی شیکاگو است، جرم و جنایت مهم ترین عامل در توضیح شیوع چاقی است. تحقیقات آتی باید جنبه‌های دیگر کیفیت خانوار (مانند خانه‌های متحرک، بی‌خانمانی، و عوامل زیست‌محیطی) و همچنین رفتار فضایی اپیدمی چاقی را از دیدگاه یک محله-خانوار به طور کلی مورد بررسی قرار دهد.

منابع

  1. سازمان بهداشت جهانی (WHO). 2021. در دسترس آنلاین: https://www.who.int/news-room/facts-in-pictures/detail/6-facts-on-obesity (در 11 ژانویه 2022 قابل دسترسی است).
  2. مرکز کنترل و پیشگیری از بیماری آمریکا (CDC). حقایق چاقی بزرگسالان 2021. در دسترس آنلاین: https://www.cdc.gov/obsity/data/adult.html#:~:text=From%201999%20%E2%80%932000%20through%202017,and%20certain%20types% 20%20 سرطان (در 12 دسامبر 2021 قابل دسترسی است).
  3. اسمیت، جی دی. فو، ای. کوبایاشی، کارشناسی ارشد پیشگیری و مدیریت چاقی کودکان و بیماری های روانی و بهداشتی آن. آنو. کشیش کلین. روانی 2020 ، 16 ، 351-378. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. سازمان بهداشت جهانی (WHO). عدم فعالیت بدنی: یک مشکل جهانی بهداشت عمومی 2018. در دسترس آنلاین: https://www.who.int/dietphysicalactivity/factsheet_inactivity/en/ (در 11 ژانویه 2022 قابل دسترسی است).
  5. لوس، RJF; Yeo, GSH ژنتیک چاقی: از کشف تا زیست شناسی. نات. کشیش ژنه. 2021 ، 23 ، 120-133. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. ژانگ، ی. یانگ، جی. هو، دبلیو. Arcan، C. روند چاقی و ارتباط با انواع فعالیت بدنی و رفتار کم تحرک در بزرگسالان ایالات متحده: بررسی ملی سلامت و تغذیه، 2007-2016. چاقی 2021 ، 29 ، 240-250. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. عدلخا، د. براونسون، RC; Hipp، JA محیط ساخته شده با اضافه وزن و چاقی در میان بزرگسالان در چنای، هند مرتبط است. Cities Health 2021 ، 5 ، 289-297. [ Google Scholar ] [ CrossRef ]
  8. آن، ر. شن، جی. یانگ، کیو. یانگ، ی. تأثیر محیط ساخته شده بر فعالیت بدنی و چاقی در میان کودکان و نوجوانان در چین: یک مرور سیستماتیک روایتی. J. Sport Health Sci. 2019 ، 8 ، 153-169. [ Google Scholar ] [ CrossRef ]
  9. خو، ی. ون، ام. وانگ، اف. ویژگی های محیط ساخته شده چند سطحی و شانس فردی برای اضافه وزن و چاقی در یوتا. Appl. Geogr. 2015 ، 60 ، 197-203. [ Google Scholar ] [ CrossRef ]
  10. Lenhart، CM; ویمکن، ا. هانلون، ا. پرکت، ام. پترسون، F. درک امنیت محله مربوط به فعالیت بدنی اما نه رفتار بی تحرک مبتنی بر صفحه نمایش تفریحی در نوجوانان. BMC Public Health 2017 ، 17 ، 722. [ Google Scholar ] [ CrossRef ]
  11. اونگر، ای. Diez-Roux، AV; لوید جونز، DM; مجاهد، ام اس; نتلتون، جی. برتونی، ا. Badon، SE; نینگ، اچ. آلن، انجمن NB ویژگی های همسایگی با سلامت قلب و عروق در مطالعه چند قومیتی آترواسکلروز. دور قلب و عروق. کیفیت نتایج 2014 ، 7 ، 524-531. [ Google Scholar ] [ CrossRef ]
  12. فرانک، LD; انگلک، پی. تأثیرات چندگانه محیط ساخته شده بر سلامت عمومی: مکان های قابل پیاده روی و قرار گرفتن در معرض آلودگی هوا. بین المللی Reg. علمی Rev. 2005 , 28 , 193-216. [ Google Scholar ] [ CrossRef ]
  13. راجرز، جی. Briesacher، BA; والاس، RB; کواچی، من. Baum، CF; کیم، دی. مقرون به صرفه بودن مسکن در سطح شهرستان در رابطه با عوامل خطر بیماری قلبی عروقی در میان بزرگسالان میانسال: بررسی ملی طولی جوانان 1979. Health Place 2019 ، 59 ، 102194. [ Google Scholar ] [ CrossRef ]
  14. المردود، م. Maghelal, P. افزایش استفاده از حمل و نقل در مناطق خشک: مورد ابوظبی. بین المللی J. Sustain. ترانسپ 2019 ، 14 ، 375-388. [ Google Scholar ] [ CrossRef ]
  15. وانگ، ال. Qi، J. ارتباط بین ساختار خانواده و فعالیت بدنی نوجوانان چینی. BioMed Res. بین المللی 2016 ، 2016 ، 4278682. [ Google Scholar ] [ CrossRef ]
  16. Wang, N. Downsizing: How Micro Apartments Step to Better Affordable Housing in New York 2014. در دسترس آنلاین: https://bit.ly/2RBCWJo (در 10 دسامبر 2020 قابل دسترسی است).
  17. شیائو، ی. میائو، اس. ژانگ، ی. زی، بی. Wu, W. بررسی ارتباط بین سرسبزی محله و سطح فعالیت بدنی افراد مسن در شانگهای. J. Transp. Health 2022 , 24 , 101312. [ Google Scholar ] [ CrossRef ]
  18. پنگ، بی. اردوغان، اس. نصری، ع. Zou، Z. به سوی یک برنامه ریزی حمل و نقل آگاهانه سلامت: چارچوبی برای برآورد اثرات بهداشتی حمل و نقل فعال در سطح محلی. J. Transp. Health 2021 , 22 , 101231. [ Google Scholar ] [ CrossRef ]
  19. پاسی سولار، Á. مارگوزینی، پ. کورتینز-اوریان، ای. مونوز، جی سی. Mindell، JS مزایای تغذیه ای و متابولیک مرتبط با حمل و نقل فعال و عمومی: نتایج حاصل از بررسی سلامت ملی شیلی، ENS 2016-2017. J. Transp. Health 2020 , 17 , 100819. [ Google Scholar ] [ CrossRef ]
  20. فنگ، ایکس. Astell-Burt، T. آیا کمیت و کیفیت فضای سبز می تواند به جلوگیری از افزایش وزن پس از زایمان کمک کند؟ یک مطالعه طولی J. Epidemiol. سلامت جامعه 2019 ، 73 ، 295-302. [ Google Scholar ] [ CrossRef ]
  21. اندرسن، ال. رایزر، ا. راتر، اچ. گوئنکا، اس. نوردنگن، اس. Solbraa، AK روند در دوچرخه سواری و آسیب های مربوط به دوچرخه و محاسبه عوارض و مرگ و میر پیشگیری شده. J. Transp. سلامت 2018 ، 9 ، 217-225. [ Google Scholar ] [ CrossRef ]
  22. قیمیر، ر. فریرا، اس. سبز، GT؛ پودیال، NC; کوردل، هنگ کنگ؛ Thapa، JR فضای سبز و چاقی بزرگسالان در ایالات متحده. Ecol. اقتصاد 2017 ، 136 ، 201-212. [ Google Scholar ] [ CrossRef ]
  23. لو، ی. یان، جی. مک کلور، اس. توزیع عوامل خطر محیطی و اجتماعی-اقتصادی بر میزان مرگ و میر COVID-19 در سراسر قاره ایالات متحده: یک تحلیل غیرخطی فضایی. محیط زیست علمی آلودگی Res. 2020 ، 28 ، 6587–6599. [ Google Scholar ] [ CrossRef ]
  24. فرانک، LD; ادیکاری، بی. سفید، KR؛ دامر، تی. ساندو، جی. دملو، ای. هو، ی. هونگ، آ. بوش، MVD بیماری مزمن و محل زندگی شما: روابط محیطی ساخته شده و طبیعی با فعالیت بدنی، چاقی و دیابت. محیط زیست بین المللی 2022 ، 158 ، 106959. [ Google Scholar ] [ CrossRef ]
  25. هو، MD; لارنس، KG; Bodkin، MR; Kwok، RK; انگل، LS; سندلر، محرومیت محله DP، چاقی، و دیابت در ساکنان ساحل خلیج آمریکا. صبح. J. Epidemiol. 2021 ، 190 ، 295-304. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. ها، اچ. Xu، Y. یک مطالعه اکولوژیکی در مورد ارتباط فضایی متغیر بین نرخ چاقی بزرگسالان و ارتفاع در ایالات متحده: استفاده از رگرسیون وزن‌دار جغرافیایی. بین المللی جی. محیط زیست. Health Res. 2022 ، 32 ، 1030-1042. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. اوشان، TM; اسمیت، جی. Fotheringham، AS هدف قرار دادن بافت فضایی عوامل تعیین کننده چاقی از طریق رگرسیون وزنی جغرافیایی چند مقیاسی. بین المللی J. Health Geogr. 2020 ، 19 ، 11. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. لی، KH; هیو، جی. جایرامان، ر. داوسون، اس. نزدیکی به پارک ها و مناطق طبیعی به عنوان یک عامل تعیین کننده محیطی برای نابرابری های فضایی در شیوع چاقی. Appl. Geogr. 2019 ، 112 ، 102074. [ Google Scholar ] [ CrossRef ]
  29. Wende، D. تنظیم ریسک فضایی بین بیمه‌های سلامت: استفاده از GWR در مدل‌های تنظیم ریسک برای حفظ انگیزه‌ها برای بهینه‌سازی خدمات و کاهش MAUP. یورو جی. اقتصاد سلامت. 2019 ، 20 ، 1079–1091. [ Google Scholar ] [ CrossRef ]
  30. یو، کیو. Scribner، RA; لئوناردی، سی. ژانگ، ال. پارک، سی. چن، ال. Simonsen، NR بررسی نابرابری نژادی در چاقی: یک تحلیل میانجی با در نظر گرفتن عوامل محیطی کدگذاری شده جغرافیایی. تف کردن اپیدمیول فضایی-زمانی. 2017 ، 21 ، 13-23. [ Google Scholar ] [ CrossRef ]
  31. اسلک، تی. مایرز، کالیفرنیا؛ مارتین، CK; Heymsfield، SB تمرکز جغرافیایی شیوع چاقی بزرگسالان و عوامل اجتماعی، اقتصادی و محیطی مرتبط. چاقی 2013 ، 22 ، 868-874. [ Google Scholar ] [ CrossRef ]
  32. فردوسی، ف. علم راهی، ک.س. جبی الله، MI; حبیب، ام تی یک رویکرد یادگیری ماشینی برای پیش‌بینی خطر چاقی. Curr. Res. رفتار علمی 2021 ، 2 ، 100053. [ Google Scholar ] [ CrossRef ]
  33. قوش، د. گوها، آر. ما در مورد چاقی چه توییت می کنیم؟ نقشه برداری توییت ها با مدل سازی موضوع و سیستم اطلاعات جغرافیایی. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 90-102. [ Google Scholar ] [ CrossRef ]
  34. گیلی، اس. مک الروی، اس. بنمارحنیا، تی. بروکنر، TA گرین تحرک و خطر چاقی: تجزیه و تحلیل طولی در کالیفرنیا. Health Place 2021 , 68 , 102503. [ Google Scholar ] [ CrossRef ]
  35. جیا، پی. شو، اچ. یین، ال. استین، ا. وانگ، ام. وانگ، Y. فن آوری های فضایی در تحقیقات چاقی: کاربردهای فعلی و وعده های آینده. گرایش های اندوکرینول. متاب. 2019 ، 30 ، 211-223. [ Google Scholar ] [ CrossRef ]
  36. جیا، پی. چنگ، ایکس. شو، اچ. Wang, Y. کاربردهای داده ها و روش های سیستم های اطلاعات جغرافیایی (GIS) در تحقیقات مرتبط با چاقی. چاق ها Rev. 2017 , 18 , 400-411. [ Google Scholar ] [ CrossRef ]
  37. Mtambo، OPL؛ Debusho، LK تجزیه و تحلیل اضافه وزن و چاقی دوران کودکی در نامیبیا با استفاده از مدل‌های فاصله کمیت مکانی-زمانی. J. Health Popul. Nutr. 2021 ، 40 ، 51. [ Google Scholar ] [ CrossRef ]
  38. چالکیاس، سی. پاپادوپولوس، AG; کالوگروپولوس، ک. تامبالیس، ک. پسرا، جی. Sidossis، L. ناهمگونی جغرافیایی رابطه بین چاقی دوران کودکی و وضعیت اجتماعی و محیطی: شواهد تجربی از آتن، یونان. Appl. Geogr. 2012 ، 37 ، 34-43. [ Google Scholar ] [ CrossRef ]
  39. سالیس، جی اف. فلوید، ام.اف. رودریگز، DA; Saelens، BE نقش محیط های ساخته شده در فعالیت بدنی، چاقی، و بیماری های قلبی عروقی. تیراژ 2012 ، 125 ، 729-737. [ Google Scholar ] [ CrossRef ]
  40. شو، اچ. اسلیوکا، ال. ایگوسا، تی. هوانگ، تی تی. Wang, Y. کاربردهای مدل سازی سیستم در تحقیقات چاقی. چاق ها Rev. 2018 , 19 , 1293-1308. [ Google Scholar ] [ CrossRef ]
  41. لو، بی. هریس، پی. چارلتون، ام. Brunsdon، C. بسته GWmodel R: موضوعات بیشتر برای کاوش ناهمگونی فضایی با استفاده از مدل‌های وزن‌دار جغرافیایی. ژئو اسپات. Inf. علمی 2014 ، 17 ، 85-101. [ Google Scholar ] [ CrossRef ]
  42. کوئینونز، اس. گویال، ا. احمد، ZU مدل یادگیری ماشین با وزن جغرافیایی برای از بین بردن ناهمگنی فضایی شیوع دیابت نوع 2 (T2D) در ایالات متحده. علمی شماره 2021 ، 11 ، 6955. [ Google Scholar ] [ CrossRef ]
  43. الرحمن، SA; الوحیدان، ع. الراشد، RA; سیستم پایش و تشخیص بیماری‌های مزمن AlZunaytan، DN بر اساس مدل‌های پیش‌بینی ویژگی‌ها و یادگیری ماشین. محاسبات نرم. 2022 ، 26 ، 6175-6199. [ Google Scholar ] [ CrossRef ]
  44. گرکوسیس، جی. فنگ، ز. ماراکاکیس، آی. لو، ی. وانگ، آر. رتبه‌بندی اهمیت عوامل جمعیت‌شناختی، اجتماعی-اقتصادی، و زمینه‌ای سلامت در مرگ‌های ناشی از کووید-19 ایالات متحده: رویکرد جنگل تصادفی جغرافیایی. Health Place 2022 , 74 , 102744. [ Google Scholar ] [ CrossRef ]
  45. تاکور، دی. Biswas, S. ادغام استخراج ویژگی و انتخاب ویژگی جنگل تصادفی منظم و هدایت‌شده برای تشخیص فعالیت انسانی مبتنی بر گوشی‌های هوشمند. J. Netw. محاسبه کنید. Appl. 2022 ، 204 ، 103417. [ Google Scholar ] [ CrossRef ]
  46. Fotheringham، AS; کرسپو، آر. یائو، جی. رگرسیون وزنی جغرافیایی و زمانی (GTWR). Geogr. مقعدی 2015 ، 47 ، 431-452. [ Google Scholar ] [ CrossRef ]
  47. جورجانوس، اس. Kalogirou، S. A Forest of Forests: فرمولاسیون فضایی وزنی و محاسباتی کارآمد جنگل های تصادفی جغرافیایی. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 471. [ Google Scholar ] [ CrossRef ]
  48. مرکز کنترل و پیشگیری از بیماری آمریکا (CDC). اضافه وزن و چاقی. 2021. در دسترس آنلاین: https://www.cdc.gov/obesity/data/index.html (در 10 دسامبر 2021 قابل دسترسی است).
  49. نظرسنجی جامعه آمریکایی آمریکا (ACS). TIGER/Line با داده های جمعیتی و اقتصادی منتخب. 2019. در دسترس آنلاین: https://www.census.gov/geographies/mapping-files/time-series/geo/tiger-data.html (در 9 مارس 2022 قابل دسترسی است).
  50. سلچوک، آی. کوکتاش، AM; Toygar, A. عوامل اجتماعی-اقتصادی مؤثر بر احتمال چاقی: شواهد از یک نظرسنجی سراسری در ترکیه. کیفیت مقدار. 2022 ، 1-17. [ Google Scholar ] [ CrossRef ]
  51. هیوز، ا. کوماری، ام. بیکاری، کمبود وزن و چاقی: یافته های جامعه درک (UKHLS). قبلی پزشکی 2017 ، 97 ، 19-25. [ Google Scholar ] [ CrossRef ]
  52. اطلس سلامت شیکاگو (CHA). در دسترس آنلاین: https://chicagohealthatlas.org/ (دسترسی در 10 دسامبر 2021).
  53. موتور Google Earth، مجموعه لندست 8 1 ردیف 1 سالانه NDVI Composite. در دسترس آنلاین: https://explorer.earthengine.google.com/#detail/LANDSAT%2FLC08%2FC01%2FT1_ANNUAL_NDV (در 20 دسامبر 2021 قابل دسترسی است).
  54. چاندر، جی. مارکهام، BL; Helder، DL خلاصه ای از ضرایب کالیبراسیون رادیومتری فعلی برای سنسورهای Landsat MSS، TM، ETM+ و EO-1 ALI. سنسور از راه دور محیط. 2009 ، 113 ، 893-903. [ Google Scholar ] [ CrossRef ]
  55. اطلاعات سیستم Divvy در دسترس آنلاین: https://ride.divvybikes.com/system-data (در 15 دسامبر 2021 قابل دسترسی است).
  56. اداره پلیس شیکاگو ایالات متحده در دسترس آنلاین: https://www.chicago.gov/city/en/depts/cpd.html (در 15 ژانویه 2022 قابل دسترسی است).
  57. فرناندز-دلگادو، م. سرناداس، ای. بارو، اس. Amorim, D. آیا برای حل مسائل طبقه بندی دنیای واقعی به صدها طبقه بندی کننده نیاز داریم؟ جی. ماخ. فرا گرفتن. Res. 2014 ، 15 ، 3133-3181. [ Google Scholar ]
  58. Breiman، L. جنگلهای تصادفی ماخ. Learn 2001 , 45 , 5-32. [ Google Scholar ]
  59. جورجانوس، اس. گریپا، تی. Gadiaga، AN; لینارد، سی. لنرت، ام. وان هویس، اس. امبوگا، ن. ولف، ای. Kalogirou، S. جنگل‌های تصادفی جغرافیایی: گسترش فضایی الگوریتم جنگل تصادفی برای پرداختن به ناهمگونی فضایی در سنجش از دور و مدل‌سازی جمعیت. Geocarto Int. 2021 ، 36 ، 121-136. [ Google Scholar ] [ CrossRef ]
  60. Anselin، L. شاخص های محلی انجمن فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  61. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . Wiley: Hoboken، NJ، ایالات متحده، 2002. [ Google Scholar ]
  62. تقریب تابع فریدمن، JH Greedy: یک ماشین تقویت کننده گرادیان. ان آمار 2001 ، 29 ، 1189-1232. [ Google Scholar ] [ CrossRef ]
  63. کالوگیرو، س. جورجانوس، اس. یادگیری ماشین فضایی. پکیج R. در دسترس آنلاین: https://cran.r-project.org/web/packages/SpatialML/SpatialML.pdf (دسترسی در 10 ژانویه 2022).
  64. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2020؛ در دسترس آنلاین: https://www.R-project.org/ (در 1 ژوئن 2021 قابل دسترسی است).
  65. استانلی، کی سی; هریگان، پی بی. سرانو، EL؛ Kraak, VI مروری نظام‌مند از متون سوادآموزی برای ایجاد یک مدل دیجیتالی سواد غذایی و تغذیه برای بزرگسالان کم درآمد برای انتخاب سالم در اکوسیستم خرده‌فروشی آنلاین غذا برای کاهش خطر چاقی. چاق ها Rev. 2022 , 23 , e13414. [ Google Scholar ] [ CrossRef ]
  66. کوارتنگ، جی ال. شولز، ای جی; منتز، گیگابایت؛ اسرائیل، BA; پرکینز، DW اثرات مستقل فقر محله و استرس روانی اجتماعی بر چاقی در طول زمان. جی. گاو نر بهداشت شهری. آکادمی نیویورک پزشکی 2017 ، 94 ، 791-802. [ Google Scholar ] [ CrossRef ]
  67. Duraccio، KM; کریچ، KN; Chardon، ML; ون دایک، تی آر Beebe، DW خواب ضعیف و خطر چاقی نوجوانان: مروری بر مکانیسم‌های بالقوه. نوجوان بهداشت پزشکی آنجا 2019 ، 10 ، 117-130. [ Google Scholar ] [ CrossRef ]
  68. آرمسترانگ، اس. وانگ، کالیفرنیا؛ پرین، ای. پیج، اس. سیبلی، ال. اسکینر، الف. ارتباط فعالیت بدنی با درآمد، نژاد/قومیت، و جنسیت در میان نوجوانان و جوانان در ایالات متحده: یافته‌های حاصل از بررسی ملی سلامت و تغذیه، 2007-2016. JAMA Pediatr. 2018 ، 172 ، 732-740. [ Google Scholar ] [ CrossRef ]
  69. هوانگ، ی. Sparks، PJ مواجهه طولی با فقر محله و خطر چاقی در بزرگسالی در حال ظهور. Soc. علمی Res. 2022 ، 102796. [ Google Scholar ] [ CrossRef ]
  70. Feuillet، T. والت، جی. شاریر، اچ. Kesse-Guyot، E. جولیا، سی. ورنز مودون، ا. هرکبرگ، اس. توویه، ام. Oppert, J. تأثیر بافت شهری بر رابطه بین محرومیت محله و چاقی. Soc. علمی پزشکی 2020 ، 265 ، 113537. [ Google Scholar ] [ CrossRef ]
  71. لاکو، جی. Bostic، RW; آکولین، الف. جرم و سرمایه گذاری خصوصی در محله های شهری. J. شهری اقتصاد. 2018 ، 108 ، 154-169. [ Google Scholar ] [ CrossRef ]
  72. پارک، ی. گارسیا، ام. درک ایمنی عابر پیاده و تنظیمات خیابان شهری. بین المللی J. Sustain. ترانسپ 2020 ، 14 ، 860-871. [ Google Scholar ] [ CrossRef ]
  73. Ruhm, CJ زندگی سالم در روزهای سخت. جی. اقتصاد سلامت. 2005 ، 24 ، 341-363. [ Google Scholar ] [ CrossRef ]
  74. کاتلر، DM; هوانگ، دبلیو. Lleras-Muney، A. چه زمانی آموزش مهم است؟ اثر محافظتی آموزش برای گروه هایی که در زمان های بد فارغ التحصیل می شوند. Soc. علمی پزشکی 2015 ، 127 ، 63-73. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  75. دب، پ. گالو، WT؛ ایاگاری، پ. فلچر، جی.ام. Sindelar, JL اثر از دست دادن شغل بر اضافه وزن و الکل. جی. اقتصاد سلامت. 2011 ، 30 ، 317-327. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  76. جین، RL; شاه، CP; Svoboda، TJ تأثیر بیکاری بر سلامت: بررسی شواهد. J. سیاست بهداشت عمومی 1997 ، 18 ، 275-301، تجدید چاپ شده در Can. پزشکی دانشیار J. 1995 ، 153 ، 529-540. [ Google Scholar ] [ CrossRef ]
  77. هازکمپ، سی. یوسف، س. خاره، م. مک داول، ام. رفتارهای ناسالم در جوامع شهری ایلینوی متاثر از اخراج: تحلیل توصیفی. جامعه سلامت جامعه مراقبت 2021 ، 29 ، 867-875. [ Google Scholar ] [ CrossRef ]
  78. پرستون، جی. رینا، وی جی از اخراج پناه گرفته است؟ چارچوبی برای درک رابطه بین برنامه های مسکن یارانه ای و اخراج. خانه بحث سیاست 2021 ، 31 ، 785-817. [ Google Scholar ] [ CrossRef ]
  79. لطفا، ع. تومال، ام. بررسی عوامل تعیین کننده مسکن در شیوع چاقی با استفاده از رگرسیون چند مقیاسی دارای وزن جغرافیایی در شیکاگو، ایلینوی. پروفسور Geogr. 2022 ، 1-10. [ Google Scholar ] [ CrossRef ]
  80. چمبرز، EC; فوستر، دی. مسکن به عنوان یک محیط واسطه چاقی. بین المللی J. بهداشت عمومی 2012 ، 57 ، 453-454. [ Google Scholar ] [ CrossRef ]
  81. اخراج شیکاگو 2022. در دسترس آنلاین: https://eviction.lcbh.org/reports/eviction-unemployment-covid-19 (در 15 آوریل 2022 قابل دسترسی است).
  82. لاچوویچ، ک. جونز، AP Greenspace و چاقی: بررسی سیستماتیک شواهد. چاق ها کشیش خاموش. J. Int. دانشیار چاق ها را مطالعه کنید 2011 ، 12 ، e183–e189. [ Google Scholar ] [ CrossRef ]
  83. هول، ا. Lotfata، A. مدل‌سازی ارتباط فضایی و زمانی شیوع چاقی با دوچرخه‌سواری، هزینه مسکن و فضاهای سبز در شیکاگو، IL، ایالات متحده آمریکا، 2015-2017. J. Transp. Health 2022 , 26 , 101412. [ Google Scholar ] [ CrossRef ]
  84. او، س. لی، جی. نقش محیط ساخته شده و آسیب اجتماعی در جغرافیای جرم مالکیت. Cities 2021 , 121 , 103471. [ Google Scholar ] [ CrossRef ]
  85. Huang, H. نابرابری‌های محیطی غذایی و تأثیرات تعدیل‌کننده چاقی بر روابط آنها با کووید-19 در شیکاگو. Sustainability 2022 , 14 , 6498. [ Google Scholar ] [ CrossRef ]
  86. بوتاری، سی. Mantzoros، CS به‌روزرسانی 2022 در مورد اپیدمیولوژی چاقی و فراخوانی برای اقدام: از آنجایی که به نظر می‌رسد همه‌گیری کووید-19 دوقلوی آن در حال کاهش است، همه‌گیری چاقی و نارسایی متابولیسم همچنان ادامه دارد. متابولیسم 2022 ، 133 ، 155217. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  87. Cofie، LE; Cuevas، AG طول مدت اقامت در ایالات متحده و چاقی در سراسر نژاد/قومیت. جی. مهاجر. جزئی. سلامت 2022 ، 1-5. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  88. سنجیوی، ن. Freeland-Graves, JH کیفیت پایین رژیم غذایی با سطوح نامطلوب نشانگرهای سلامت متابولیک و خوشه بندی عوامل خطر در بزرگسالان مبتلا به دیابت نوع 2 مرتبط است. جی. هوم. Nutr. رژیم غذایی. 2022 . [ Google Scholar ] [ CrossRef ]
  89. هلبیچ، ام. براونینگ، MHM؛ کوان، ام.-پی. زمان پرداختن به عدم قطعیت های مکانی-زمانی در تحقیقات COVID-19: نگرانی ها و چالش ها. علمی کل محیط. 2021 ، 764 ، 142866. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00550 g001 550
شکل 1. شیوع چاقی در سطح دستگاه (%) و عوامل اجتماعی و محیطی تعیین کننده.
Ijgi 11 00550 g002 550
شکل 2. نمودارهای وابستگی جزئی عوامل تعیین کننده جنگل تصادفی جهانی.
Ijgi 11 00550 g003 550
شکل 3. تغییرات فضایی اهمیت ویژگی محلی (IncMSE) فضاهای سبز، دوچرخه سواری، نسبت جرم و جنایت، فقر، مسکن خالی، بیکاری، اجاره شدید، و نرخ تخلیه با استفاده از مدل جنگل تصادفی جغرافیایی. مقادیر منفی ویژگی هایی را نشان می دهد که هیچ سهم پیش بینی کننده ای ندارند.
Ijgi 11 00550 g004 550
شکل 4. ( الف ). ضریب تعیین محلی ( R2 ) . ( ب ). توزیع فضایی باقیمانده های محلی استاندارد شده ( ج ). Local Moran’s I از باقیمانده های استاندارد شده.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید