پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,075 |
| تعداد مشاهده مقاله | 125,703,334 |
| تعداد دریافت فایل اصل مقاله | 98,937,062 |
تحلیل الگوهای مکانی-زمانی اپیدمی ویروس کووید 19 و مخاطرات آن در ایران | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 1، دوره 7، شماره 2، تیر 1399، صفحه 113-127 اصل مقاله (1.23 M) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2020.304976.571 | ||
| نویسندگان | ||
| محمد رحیم رهنما1؛ مهدی بازرگان* 2 | ||
| 1استاد جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 2دانشجوی دکتری جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| چکیده | ||
| کووید 19 یکی از بیماری‌های واگیردار و عفونی قرن بیست‌ویکم است که از اواخر دسامبر سال 2019 به‌صورت شیوع پنومونی از ووهان چین به سراسر جهان گسترش یافت. تحلیل الگوهای مکانی-زمانی ویروس کرونا با استفاده از GIS در درک تفاوت توزیع جغرافیایی این اپیدمی و نیز مطالعات اپیدمیولوژیکی و بهداشت جامعه در کشور اهمیت فراوانی دارد. از این‌رو بررسی جغرافیایی این بیماری به‌منظور کنترل و پیشگیری آن ضروری است. در پژوهش کاربردی و توصیفی- تحلیلی حاضر، با استفاده از آمار فضایی به تحلیل مکانی- زمانی و نیز مدلسازی پخش فضایی اپیدمیولوژی ویروس کرونا در کشور پرداخته شده است. جامعۀ آماری پژوهش، 31 استان کشور است که داده‌های مبتلایان به ویروس کرونا در دامنۀ زمانی 3 اسفند 1398 تا 3 فروردین 1399 (21638 نفر) با استفاده از نرم‌افزار ArcGIS تجزیه‌وتحلیل شد. نتایج حاصل از خودهمبستگی فضایی نشان می‌دهد که استان‌های تهران، البرز، قم، مازندران، گیلان، قزوین، اصفهان، سمنان، مرکزی و یزد در خوشۀ HH قرار دارند، بدین معنا که تعداد مبتلایان به ویروس کرونا در این استان‌ها بیشتر از میانگین بوده که 26/32 درصد استان‌های کشور را در بر می‌گیرد. همچنین تحلیل لکه‌های داغ در خصوص تعداد مبتلایان به ویروس کرونا نشان داد که استان‌های قم، تهران، گلستان، سمنان، اصفهان، مازندران و البرز در خوشه‌های داغ و استان‌های بوشهر، ایلام و کرمانشاه در خوشه‌های سرد قرار دارند. نتایج تحقیق بیانگر آن است که مهم‌ترین عامل جغرافیایی انتشار ویروس کرونا در کشور، فاصله و مجاورت مکانی استان‌های درگیر با این بیماری بوده که از الگوی پخش فضایی سازش‌پذیر تبعیت می‌کند. از این‌رو ممنوعیت سفر به شهرهای زیارتی به‌ویژه مشهد و ارائۀ خدمات سازمان‌ها و ادارات به‌صورت الکترونیکی و غیرحضوری با هدف کاهش حضور مردم در جامعه، پیشنهادهای پژوهش حاضر به‌منظور کاهش شیوع بیماری کرونا در کشور است. | ||
| کلیدواژه‌ها | ||
| اپیدمیولوژی؛ انتشار فضایی؛ ایران؛ تحلیل مکانی- زمانی؛ کووید 19؛ مخاطرات | ||
| عنوان مقاله [English] | ||
| Analysis of spatio-temporal patterns of Covid-19 virus pandemic and its hazards in Iran | ||
| نویسندگان [English] | ||
| Mohammad Rahim Rahnama1؛ Mahdi Bazargan2 | ||
| 1Professor of Geography and Urban Planning, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| 2PhD Student in Geography and Urban Planning, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| چکیده [English] | ||
| Introduction In the present century, the prevalence of COVID-19 pneumonia as a contagious disease has posed major health threats to the world's public health. Despite significant advances in the fight against disease, infectious diseases are still of particular importance in epidemiology and community health. One of the main applications of epidemiological science is to facilitate the identification of geographical areas and vulnerable groups that are at higher risk for disease and risk factors for mortality. A geographic information system is a tool for collecting, storing, cohesive, managing, retrieving, analyzing, and displaying spatial information that can be used in epidemiological research and health policy. Therefore, this research has been conducted with the aim of geospatial study of Coronavirus to model the spatial emission of COVID-19 epidemiology in the country. Materials and Methods Based on the purpose of the present research, it is among the applied researches and according to the research method, it is descriptive-analytical. ArcGIS software has been used to analyze data. The statistical population of study includes the number of people infected with Coronavirus (21638 people) in the provinces of the country and in the time range of February 22, 2020 to March 22, 2020. Also, the study area in this research is 31 provinces of the country. Results and Discussion The present study has modeled the spread and spatial distribution of coronavirus epidemiology during the period of February 22, 2020 to March 22, 2020 in the country. The highest geographical distribution of coronary heart disease is observed in the northern and central regions of the country. The southern and southeastern regions of the country have the lowest prevalence of coronavirus. The results of spatial self-correlation showed that 32.26% of the country's provinces (Tehran, Alborz, Qom, Mazandaran, Gilan, Qazvin, Isfahan, Semnan, Markazi and Yazd) in the HH cluster, 9.68% of the provinces (Zanjan, Lorestan) And Ilam) in HL cluster, 41.94% of provinces (South Khorasan, East Azerbaijan, Kurdistan, Kohgiluyeh and Boyer-Ahmad, Hormozgan, Khuzestan, Fars, Bushehr, Sistan and Baluchestan, Chaharmahal and Bakhtiari, Kerman, Kermanshah and West Azerbaijan) in The LL cluster and 16.13% of the provinces (Golestan, Khorasan Razavi, North Khorasan, Ardabil and Hamedan) are also in the LH cluster. Conclusion The results of statistical-spatial analysis of hot spots show that Qom, Tehran, Golestan, Semnan, Isfahan, Mazandaran, and Alborz provinces (22.5% of the country's provinces) are in hot spots and Bushehr, Ilam and Kermanshah (9.67% of the country's provinces) were identified as cold spots. In addition, spatial clustering of the country's provinces showed that the spatio-temporal distance factor is the most important factor in spatial distribution of coronavirus from the center (Qom province) to other provinces, and follows the pattern of compatible spatial distribution. | ||
| کلیدواژه‌ها [English] | ||
| Spatio-temporal analysis, Spatial Diffusion, Epidemiology, COVID-19, Hazards, Iran | ||
| مراجع | ||
|
[1]. برتاو، عیسی؛ حاجی‌نژاد، علی؛ عسگری، علی؛ و گلی، علی (1392). «بررسی الگوهای سرقت مسکونی با به‌کارگیری رویکرد تحلیل اکتشافی داده‌های فضایی (مطالعۀ موردی: شهر زاهدان)»، پژوهش‌های راهبردی امنیت و نظم اجتماعی، دورۀ 2، ش 2، ص 23-1. [2]. شکوئی، حسین (1386). اندیشه‌های نو در فلسفۀ جغرافیا، تهران: گیتاشناسی. [3]. شکوئی، حسین (1387). جغرافیای کاربردی و مکتب‌های جغرافیایی، تهران: به‌نشر. [4]. مرکز آمار ایران (1397). سالنامۀ آماری کشور، تهران: انتشارات دفتر ریاست، روابط عمومی و همکاری‌های بین‌الملل مرکز آمار ایران. ]5 .[مقیمی ابراهیم (1399). آستانۀ سازگاری جغرافیایی با کرونا، خبرگزاری ایسنا 23/12/1399، ،https://www.isna.ir/news/98122116637/ [6]. وزارت بهداشت، درمان و آموزش پزشکی (1399). به‌روزرسانی مدلسازی کووید 19، گزارش شمارۀ 12، کمیتۀ اپیدمیولوژی کووید 19 و مرکز مدیریت بیماری‌های واگیر، http://corona.behdasht.gov.ir. [7]. American Health Organization (AHO) (1996). “Use of GIS in epidemiology”, Epidemiological Bulletin, 17, PP: 1–7. [8]. Anselin, L. (1992). “Spatial data analysis with GIS: An introduction to application in the social sciences”, National Center for Geographic Information and Analysis University of California, Santa Barbara, CA 93106, Technical Report 92-10. [9]. Bailley, T.; & Gatrell, A. (1995). Interactive spatial data analysis, Harlow: Longman. [10]. Bell, B.; & Broemeling, L. (2000). “A Bayesian analysis for spatial processes with application to disease mapping”, Stat Med, 19, PP: 974–989. [11]. Cliff, A. (1995). “Analyzing geographically related disease data”, Stat Methods Med Res, 4, PP: 93–101. [12]. Elliott, P.; Cuzik, J.; English, D.; & Stern, R. (1996). Geographical and environmental epidemiology, 1st edition, England, Oxford University Press. [13]. Faruque, F.S.; Lofton, S.P.; Doddato, T.M.; & Mangum, C. (2003). “Utilizing Geographic Information systems in community assessment& nursing research”, J Community Health Nurs, 20, PP: 179–191. [14]. Ghaedamini Asadabadi, R.; Tofighi, S.; Ghaedamini, H.; Azizian, F.; Amerieon, A.; & Shokri, M., (2012). “A review of some infectious diseases distribution based on geographic information system (GIS) in the area of Chahar Mahal and Bakhtiari”, Journal of Police Medicine, 1(2), PP: 113-123. [15]. Jacquez, G.M.; & Greiling, D.A. (2003). “Local clustering in breast, lung and colorectal cancer in Long Island”, NewYork, Int J Health Geographics, 2(3), PP: 1-12. [16]. Jalali Farahani, A.; Farnoosh, G.R.; Alishiri, G.H.; Hosseini Zijoud, R.; & Dorostkar, R. (2020). “Understanding the Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) and Coronavirus Disease (COVID-19) Based on Available Evidence - A Narrative Review”, Military Medicine, 22(1), PP: 1-11. [17]. Joyce, K. (2009). “To me it's just another tool to help understand the evidence: Public health decision-makers' perceptions of the value of geographical information systems (GIS)”, Health Place, 15, PP: 831-840. [18]. Kandwal, R.; Garg, P.K.; & Garg, R.D., (2009). “Health GIS and HIV/ AIDS studies: Perspective and retrospective”, J Biomed Inform, 42, PP: 748-755. [19]. Kistemann, T.; Dangendorf, F.; & Schweikart, J. (2002). “New perspectives on the use of Geographical Information Systems in environmental health sciences”, Int J Hyg Environ Health, 205, PP: 169 –181. [20]. Lee, S.I. (2000). “Developing a bivariate spatial association measure: An integration of Pearson's r and Moran's I”, Journal of geographical systems, 3(4), pp: 369-385. [21]. Odwyer, L.; & Burton, D. (1998). “Potential meets reality: GIS & public health research in Australia”, Aust J Public Health, 22, PP: 819–823. [22]. Rezaeian, M. (2007). “Geographical epidemiology, spatial analysis & geographical information system: a multidisciplinary glossary”, J Epidemiol Community Health, 61, PP: 98-102. [23]. Ricketts, T.C. (2003). “Geographic information system & public health”, Annu Rev Public Health, 24, PP: 1–6. [24]. Rogerson, P.A. (2006). Statistics Methods for Geographers: students Guide, SAGE Publications. Los Angeles, California. [25]. Salahi-Moghaddam, A.; Khoshdel, A.; Noori Fard, M.; & Pezeshkan, R. (2012). “Mapping the Important Communicable Diseases of Iran”, Health & Development, 1(1), PP: 31-46. [26]. Scholten, H.J.; & De Lepper, M.J. (1991). “The benefits of the application of geographical information systems in public & environmental health”, World Health Stat Q, 44, PP: 160– 170. [27]. Tanser, F.C.; & Le-Sueur, D. (2002). “The application of geographical information systems to important public health problems in Africa”, Int J Health Geography, 9, PP: 1-4. [28]. World Health Organization (WHO) (2020). Coronavirus disease 2019 (COVID-19) Situation Report. [29]. Yamada, L. Thill, J.C. (2006). “Local Indicators of Network-Constrained Clusters in Spatial Point Patterns”, Geographical Analysis, 39, pp: 268-292. [30]. Zhang, C., Luo, L., Xu, W., Ledwith, V., (2008). “Use of local Moran's I and GIS to identify pollution hotspots of Pb in urban soils of Galway”, Ireland, Science of The Total Environment, 398, PP: 212-221.
| ||
|
آمار تعداد مشاهده مقاله: 3,326 تعداد دریافت فایل اصل مقاله: 1,345 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب