مدل سازی و شناسایی کانون های شیوع ویروس کووید-19 در شهرهای گردشگری مذهبی با استفاده از مدل مکان مبنا در GIS (مطالعۀ موردی: کلانشهر مشهد)

نوع مقاله : مقالۀ پژوهشی (کاربردی - توسعه ای)

نویسندگان

1 عضو هیات علمی پژوهشکده گردشگری جهاد دانشگاهی واحد مشهد، خراسان رضوی، ایران

2 دانشگاه فردوسی مشهد، مشهد، ایران.

10.22103/jusg.2024.2125

چکیده

اپیدمی کووید-19 از جمله بیماری‌های عفونی ‌واگیردار با میزان شیوع بسیار زیاد است که منجر به ایجاد تحولات عمیق و پیچیده‌ای در فضاهای شهری شده است. به‌همین‌منظور، مقاله حاضر با هدف شناسایی مکان‌های باقابلیت انتشار همه‌گیری بیماری ‌کووید-19 در شهر مشهد انجام گرفته است.
داده و روش: پژوهش حاضر به لحاظ هدف از نوع تحقیقات کاربردی و به لحاظ روش از نوع توصیفی-تحلیلی و مبتنی بر تحلیل‌های فضایی است. در این مطالعه جهت شناسایی فضاهای شهری که امکان شیوع بیماری‌کووید-19 بالایی دارند، از مدل‌سازی بر مبنای تحلیل‌های فضایی و براساس مدل مکان‌مبنا با استفاده از نرم‌افزار ArcGIS انجام گرفته است.
یافته‌ها: مدل‌سازی فضایی مکان‌های شیوع کووید-19 در شهر‌ مشهد نشان‌ داد که در بخش مرکزی مشهد (مناطق 1، 2، 3، 6 و 8) به ویژه پیرامون حرم‌ مطهر ‌رضوی میزان شیوع کووید-19 بسیار بالا است. همچنین نتایج حاصل از مدل خودهمبستگی فضایی موران نشان داد که در فاصله 1482 متری از مرکز شهر خوهمبستگی مکانی مثبت و قوی است و از فاصله 4850 متری خودهمبستگی مکانی مثبت اما ضعیف بوده که بیانگر آن است از این فاصله به بعد از میزان شیوع کرونا کاسته می‌شود.
نتیجه‌گیری: شیوع ویروس کرونا در شهرهای گردشگری مذهبی بخصوص‌ کلانشهر مشهد (پیرامون حرم مطهر رضوی) در اثر ورود زائران و گردشگران زیاد است که این عامل می‌تواند منجر به شیوع و پخشایش فضایی این اپیدمی به کل کشور شود. لذا شناخت کانون‌های شیوع کووید-19 در فضاهای شهری می‌تواند به مدیریت و انجام اقدامات پیشگیرانه در این زمینه کمک شایانی نماید.

کلیدواژه‌ها

موضوعات


احمدی ­پور، زهرا؛ نصیرزاده، عزیز. (1400). سیاست­های شهری در مدیریت بحران کرونا. آمایش سیاسی فضا، 3(3)، 163-178.  DOI: 20.1001.1.26455145.2021.3.3.3.0
آزرمی، سیما؛ بنی ­یعقوبی، فائضه؛ حسینی­شکوه، سیدجواد؛ تاج شریفی ­فر، سیمین. (1400). مروری بر شیوع بیمای های عفونی پس از زلزله در ایران با تأکید بر نقش و جایگاه نظام سلامت. فصلنامه ابن­سینا، 23(1)، 75-65. Doi: 10.22034/23.1.65
آمارنامه شهر مشهد (1400). فصل حمل و نقل، شهرداری مشهد.
بازرگان، مهدی؛ امیرفخریان، مصطفی. (1399). تحلیل جغرافیایی اپیدمیولوژی کووید-19 در ایران با رویکرد تحلیل اکتشافی داده های مکانی (ESDA). مجله طب نظامی، 22(6)، 542-552. Doi: 10.30491/JMM.22.6.542
پندار، هادی؛ رستگار ژاله، سحر؛ محسن­نژاد، سارا. (1401). بازتعریف راهبردهای واکنش کارکردی-فضایی شهرها در برابر شیوع کووید-19 در ایران با تأکید بر تجربۀ شرق آسیا (چین). باغ نظر، 19(115)، 38-21. DOI: 10.22034/BAGH.2022.225869.4510
دوستوندی، میلاد؛ اکبری، مریم؛ کتاب­اللهی، کسری. (1401). بررسی انعطاف­پذیری فضاهای شهری در دوران همه­گیری کووید-19. پژوهش­های مکانی فضایی، 6(3)، 44-25.
رهنما، محمدرحیم؛ بازرگان، مهدی. (1399). مدل­سازی الگوی پخش فضایی ویروس کووید-19 در مناطق روستایی و شهری ایران. فصلنامه اقتصاد فضا و توسعه روستایی، 9(3)، 48-25.
سالنامه آماری استان خراسان رضوی (1400). فصل حمل و نقل و انبارداری، مرکز آمار ایران.
شهرابی­ فراهانی، مهدیه. (1400).  نقش بازدید مذهبی مجازی در تاب­آوری در دوران کرونا. گردشگری و اوقات فراغت، 6(12)، 121-107.
صابری­فر، رستم. (1399). بررسی توزیع جغرافیایی مبتلایان به ویروس کرونا در شهر مشهد بر اساس روش شکار مجدد و کاربرد سیستم های اطلاعات جغرافیایی. پژوهش های سلامت محور، 6(1)، 38-25.
عزیزپور، فرهاد؛ ریاحی، وحید؛ عزیزی، سمیه. (1399). تحلیل فضایی شیوع کرونا در ناحیه روستایی دماوند. تحلیل فضایی مخاطرات محیطی، 7(4)، 40-21.
قاسمی، ایرج. (1399). پیامدهای کرونا بر شهر و شهرسازی آینده. فصلنامه ارزیابی تأثیرات اجتماعی، 2، 253-227.
محمدی، فاطمه؛ کوزه­گری، سعیده. (1399). پیش­بینی شیوع بیماری کووید-19 و مرگ و میرهای ناشی از آن در ایران براساس نمای لیاپانوف. مجله دانشگاه علوم پزشکی قزوین، 24(2)، 122-108. Doi: 10.32598/JQUMS.24.2.2415.1
معاونت درمان دانشگاه علوم پزشکی مشهد (1399). کمیته مراقبت و درمان کرونا در دانشگاه علوم پزشکی مشهد: مرگ مشکوک. مشهد.
نصیری زارع، سعید؛ پریزادی، طاهر؛ حکیمی، مجتبی. (1401). آسیب­شناسی مناطق روستایی از خطرات شیوع بیماری کرونا (مورد مطالعه: نواحی روستایی شهرستان ایجرود استان زنجان). جغرافیا و مخاطرات محیطی، 11(41)، 234-217.  DOI:10.22067/geoeh.2021.72004.1098
Anderson, R..M, & May, R.M. (1992). Infectious diseases of humans: dynamics and control. Oxford University Press. DOI:10.1017/S0950268800059896
Bauch, CT. (2008). The Role of Mathematical Models in Explaining Recurrent Outbreaks of Infectious Childhood Diseases. Berlin: Springer. In: Brauer F, van den Driessche, P.; Wu, J.; editors. Mathematical Epidemiology. Berlin: Springer; 2008; 297-319. DOI:10.1007/978-3-540-78911-6_11
Briggs ADM, Wolstenholme J, Blakely T, Scarborough P. (2016). Choosing an epidemiological model structure for the economic evaluation of non-communicable disease public health interventions. Popul Health Metr, 14:17. DOI:10.1186/s12963-016-0085-1
Chandra Pal, Subodh.; Saha, Asish.; Chowdhuri, Indrajit.; Ruidas, Dipankar.; Chakrabortty, Rabin.; Roy, Paramita.; Shit, Manisa.; (2023). Earthquake hotspot and coldspot: Where, why and how? Geosystems and Geoenvironment, 2(1),  DOI: 10.1016/j.geogeo.2022.100130
Franch-Pardo, Ivan.; Napoletano, Brian M.; Rosete-Verges, Fernando.; Billa, Lawal. (2020). Spatial analysis and GIS in the study of COVID-19. A review. Science of the Total Environment, 739, 1-10.  DOI: 10.1016/j.scitotenv.2020.140033
Garnerin P, Valleron AJ. (1992). The French communicable diseases computer network: A technical view. Comput Biol Med, 22(3):189-200.  DOI:10.1016/0010-4825(92)90015-F
Jana, Arup.; Kundu, Sampurna.; Shaw, Subhojit.; Chakraborty, Sukanya.; Chattopadhyay Aparajita. (2023).  Spatial shifting of COVID-19 clusters and disease association with environmental parameters in India: A time series analysis. Environmental Research, 222.  DOI: 10.1016/j.envres.2023.115288
Lekić Glavan, O. Nikolić, N. Folić, B. Vitošević, B. Mitrović, A. & Kosanović, S. (2022). COVID-19 and City Space: Impact and Perspectives. Sustainabil-ity, 14(3), 1885.
Levins, R., Awerbuch, T., Brinkmann, U., Eckardt, I., Epstein, P., & Makhoul, N. (1994). The emergence of new diseases. American Scientist, 82(1): 52-60.
Mohammadi, F., & Kouzehgari, S.  (2020). Predicting the Prevalence of COVID-19 and its Mortality Rate in Iran Using Lyapunov Exponent. Journal of Qazvin University of Medical Sciences (JQUMS). 2020; 24(2): 108-122. [Persian]. DOI:10.32598/JQUMS.24.2.2415.1
Mubarak, N., & zin, C.S. (2020). Religious tourism and mass religious gatherings — the potential link in the spread of COVID-19. Current perspective and future implications, Travel Medicine and Infectious Disease, 36, 101786.
Oldstone, MBA. (2020). Viruses, plagues, and history: past, present, and future. Oxford, England: Oxford University Press.  DOI:10.1093/oso/9780190056780.001.0001
Perez, L., & Dragicevic, S. (2009). An agent-based approach for modeling dynamics of contagious disease spread. Int J Health Geogr, 8:50. DOI: 10.1186/1476-072X-8-50
Perez, L., & Dragicevic, S. (2009). An agent-based approach for modeling dynamics of contagious disease spread. Int J Health Geogr, 50, 1-18. DOI: 10.1186/1476-072X-8-50
Toubiana, L, & Vibert, JF. A. (1998). Neural Network Model for the spread of communicable diseases. In: Gierl L, Cliff AD, Valleron AJ, Farrington P, Bull M, editors. Geomed’ 97. Wiesbaden: Springer Vieweg Verlag.  DOI:10.1007/978-3-322-95397-1_19
Verity, R., Okell, L.C., Dorigatti, I., Winskill, P., Whittaker, C., & Imai N. (2020). Estimates of the severity of coronavirus disease 2019: A model-based analysis. Lancet Infect Dis. 2020; 20(6): 669-77. DOI:10.1016/S1473-3099(20)30243-7
Verity, R., Okell., L.C., Dorigatti, I., Winskill, P., Whittaker, C., & Imai, N. (2020). Estimates of the severity of coronavirus disease 2019: A model-based analysis. Lancet Infect Dis, 20(6), 669-677. doi.org/10.1016/S1473-3099(20)30243-7
Villagomez, E., Zapata, O., & Nieuwenhuijsen, M. (2020). The impact of COVID- 19 on public space: a review of the emerging questions. OfsPrePrints. Retrieved from.DOI:10.31219/osf.io/rf7xa
Wang, Pe., Liu, H., Zheng, Xinqi., & Ma, R. (2023). A New method for spatio-temporal transmission prediction of COVID-19. Chaos, Solitons and Fractals, 167.   DOI: 10.1016/j.chaos.2022.112996
Yu, W., & Ai, T. (2014). The visualization and analysis of urban facility pois using network kernel density estimation constrained by multi-factors, Artigos. Bol. Ciênc. Geod, 20 (4), DOI:10.1590/S1982-21702014000400050
Yuan, H.-Y., & Blakemore, C. (2021). The impact of multiple non-pharmaceutical interventions on controlling COVID-19 outbreak without lockdown in Hong Kong: A modelling study. The Lancet Regional Health - Western Pacific, 20. DOI:10.1016/j.lanwpc.2021.100343
Zhang, G. (2022). Detecting and Visualizing Observation Hot-Spots in Massive Volunteer-Contributed Geographic Data across Spatial Scales Using GPU-Accelerated Kernel Density Estimation. International Journal of Geo-Information, 11(55), 1-15.  DOI:10.3390/ijgi11010055