داده‌های بارگیری پرونده COVID-19

در این مطالعه، برای یک دوره ۳۰۴ روزه (۱۳ مارس ۲۰۲۰ – ۱۰ ژانویه ۲۰۲۱)، برای هر ایالت و ناحیه کلمبیا، ما داده‌ها را از هشت متغیر نتیجه جمع‌آوری کردیم تا از منظری وسیع، گسترش COVID- را نشان دهیم. ۱۹٫ آنها موارد تجمعی، مرگ و میر تجمعی، موارد جدید و مرگ و میر جدید به ازای هر ۱۰۰۰ نفر از این چهار متغیر هستند (همه روزانه جمع آوری می شوند). نقطه شروع به این دلیل انتخاب شد که ۱۱ مارس ۲۰۲۰ به عنوان وضعیت اضطراری ملی در ایالات متحده برای مبارزه با بیماری همه گیر اعلام شد. نقطه پایانی به این دلیل انتخاب شد که تحقیقات فعلی تلاش می‌کند تأثیر واکسیناسیون COVID-19 را جدا کند و در عوض بر اثربخشی و سیاست‌گذاری مرتبط استراتژی‌های NPI تمرکز دارد. در زمان مشخص شده ۱۰ ژانویه ۲۰۲۱، تنها تعداد کمی از کارکنان بهداشتی که به طور کامل واکسینه شده بودند در کشور وجود داشت. داده های مرکز کنترل و پیشگیری از بیماری (CDC) نشان می دهد که در ۱۰ ژانویه ۲۰۲۱، تنها ۰٫۳۵ درصد از جمعیت ایالات متحده به طور کامل واکسینه شده بودند (CDC) نقل قول۲۰۲۱). این دوره طولانی فرصتی عالی برای مطالعه چگونگی جلوگیری از گسترش COVID-19 توسط NPI ها و نحوه استفاده روزانه از اطلاعات برای سیاست گذاری خود در طول همه گیری همه گیر فراهم می کند. ما از هر هشت متغیر حجم پرونده برای نشان دادن شیوع COVID-19 استفاده می‌کنیم، زیرا شیوع کروناویروس جدید یک فرآیند بسیار پیچیده است و نحوه تولید داده‌ها نیز از مکان به مکان و زمان به زمان متفاوت است. یک شاخص ترکیبی مبتنی بر هشت متغیر حجم پرونده ممکن است وسوسه انگیز باشد، اما مکانیسم های ثبت و گزارش متفاوت در حالت های مختلف نشان می دهد که یک استراتژی نمایش چند نتیجه ای برای ثبت تصویر کامل از گسترش ویروس بهترین کار را دارد (Guo et al. نقل قول۲۰۲۰). بررسی اینکه چگونه NPI های مختلف از گسترده ترین دیدگاه ممکن از گسترش ویروس جلوگیری می کنند بسیار مهم است. علاوه بر این، برای حذف نوسانات روزانه بالقوه داده‌های گزارش‌شده، ما یک فرآیند میانگین‌گیری پنج روزه متحرک را روی داده‌های خام اعمال کردیم تا یک الگوی تغییر روزانه هموار بارهای موردی ایجاد کنیم، که تحلیل نهایی را از ۱۵ مارس ۲۰۲۰ ارائه می‌کند. تا ۸ ژانویه ۲۰۲۱، در مجموع ۳۰۰ روز.

داده های NPI

داده‌های پنج استراتژی NPI در طول دوره مطالعه ۳۰۰ روزه برای هر ایالت نیز جمع‌آوری می‌شود، از جمله تاریخ‌ها و ساعت‌های دقیق اتخاذ، برداشتن و انتخاب مجدد هر استراتژی. این استراتژی‌های کاهش عبارتند از: دستور اقامت در خانه یا توصیه، محدودیت رستوران و بار (فقط بسته شدن یا صرف غذا در خارج از خانه)، ممنوعیت تجمع بزرگ (بیش از ده نفر)، تعطیلی مشاغل غیر ضروری، و اجبار استفاده از ماسک.

در مجموع ۳۷۰۳ دستور اجرایی مربوط به دستورات NPI از وب سایت های دولت ایالتی برای تمام پنجاه ایالت و واشنگتن دی سی استخراج شد. شکل ۱ فرآیند استخراج داده ها را با استفاده از نیومکزیکو به عنوان مثال نشان می دهد (همه ایالت های دیگر و اقدامات NPI از همین رویه پیروی می کنند و در اینجا تکرار نمی شوند). پس از آن کدگذاری و تحلیل محتوا انجام می شود. دستورالعمل های بازبینی و کدگذاری از قبل تهیه شده بود. دو محقق از تیم ما به طور جداگانه همه اسناد را بررسی کردند و اختلافات در کدنویسی را با اجماع در یک بحث حل کردند. با در نظر گرفتن تنوع در بین ایالات در فراوانی استفاده از راهبردهای جایگزین فاصله گذاری اجتماعی و ادبیات قبلی در مورد فاصله گذاری اجتماعی، ما اطلاعاتی را در مورد پنج نوع مداخله کاهشی استخراج کردیم. پنجره مطالعه از اعلام وضعیت اضطراری ملی (۱۳ مارس ۲۰۲۰) تا زمانی که تلاش‌های عمده واکسیناسیون توسط دولت بایدن هنوز آغاز نشده بود (۱۰ ژانویه ۲۰۲۱) تعریف شد.

عوامل اجتماعی تعیین کننده کنترل بیماری و پیشگیری از اپیدمی یا همه گیر

علاوه بر این داده‌های متغیر روزانه COVID-19 و داده‌های NPI، از اطلاعات پس‌زمینه ثابت روزانه برای هر ایالت نیز استفاده کرده‌ایم. از منظر کنترل بیماری، اثربخشی NPI ها در برابر COVID-19 به زمینه های اجتماعی-اقتصادی، جمعیتی و فرهنگی-سیاسی هر ایالت حساس است. اطلاعات پس زمینه تحت هدایت گزارش آکادمی های ملی علوم، مهندسی و پزشکی در مورد تطبیق چارچوب سازمان جهانی بهداشت (WHO) “تعیین کننده های اجتماعی سلامت” (SDOH) برای ایالات متحده جمع آوری شد. چارچوب SDOH بر روابط قوی بین پیامدهای سلامت و عوامل اجتماعی-اقتصادی، فرهنگی، قومی، سیاسی و زیرساختی تأکید دارد. در حالی که تغییرات شیوع COVID-19 و اجرای اقدامات کاهشی برای هر روز بی ثبات است، این تغییرات به عوامل پس زمینه نسبتاً ثابت برای هر ایالت مربوط می شود. بر اساس گزارش آکادمی‌های ملی تحت چارچوب SDOH، این تحقیق پنج بلوک از عوامل سطح دولتی را شناسایی کرد که ممکن است بر گسترش COVID-19 و اجرای اقدامات کاهشی مختلف NPI تأثیر بگذارد. اینها شامل (۱) عوامل جمعیت شناختی، که شامل درصد افراد شصت و پنج سال و بالاتر در سال ۲۰۱۸، و درصد آفریقایی ها و آمریکای لاتین می شود. (۲) عوامل اقتصادی که شامل سرانه تولید ناخالص داخلی در سال ۲۰۱۹، نرخ فقر در سال ۲۰۱۸ و نرخ بیکاری در فوریه ۲۰۲۰ می شود. (۳) عوامل زیرساخت بهداشت عمومی، که شامل تعداد تخت های بیمارستانی به ازای هر ۱۰۰۰ نفر جمعیت در سال ۲۰۱۸، درصد افراد غیر بیمه شده در سال ۲۰۱۸، و سرانه بودجه بهداشت عمومی در سال ۲۰۱۹ است. (۴) عوامل سیاسی، که شامل دموکرات بودن فرماندار در سال ۲۰۲۰ و داشتن سناتورهای دموکرات در این ایالت در سال ۲۰۲۰ می شود. و (۵) عوامل زیرساختی، که شامل تعداد فرودگاه‌های بین‌المللی در سال ۲۰۲۰ می‌شود. همه داده‌ها از سرشماری ایالات متحده، اداره آمار کار، بنیاد خانواده قیصر، و سایر منابع داده عمومی، از جمله مقالات منتشر شده در نیویورک تایمز، واشنگتن پست، و سایر خبرگزاری های مرتبط.

تبدیل معکوس – نرمال و روش غیر مستقیم INT

این مطالعه از هر دو متغیر روزانه حجم مورد و داده های مداخله و اطلاعات پس زمینه وضعیت ثابت روزانه استفاده می کند. برای در نظر گرفتن اطلاعات پس‌زمینه وضعیت و کنترل برای نوسانات نسبی جزئیات متغیر روزانه، و برای جلوگیری از تعیین نادرست مدل‌سازی با متغیرهای بار موردی با انحراف به راست و صفر تورم (هیستوگرام برای همه متغیرها به دلیل محدودیت فضا در اینجا گزارش نشده است. ما از تبدیل غیرمستقیم معکوس – نرمال (INT) و رویکرد مدلسازی مختلط پیشنهاد شده در McCaw و همکاران استفاده می کنیم. (نقل قول۲۰۲۰) برای پیش پردازش داده ها.

دلالت می کند $y_{\mathit{\text{آی تی}}}$ متغیرهای حجم مورد برای منایالت در آن زمان تی، $آ\left\{\mathrm{۱}،…،\mathrm{تی}\right\}،$ تجزیه و تحلیل این مراحل را دنبال کرد.

1. به طور جداگانه برای هر نقطه زمانی $\mathrm{تی}آ\left\{\mathrm{۱}،…،\mathrm{تی}\right\}،$ پسرفت هر کدام $y_{\mathit{\text{آی تی}}}$ در اطلاعات پس زمینه ثابت با زمان $w_j$ (j = ۱، …، ک، ک تعداد متغیرهای کمکی پس زمینه ثابت با زمان) برای به دست آوردن باقیمانده ها است ${\mathrm{Î\mu }}_{\mathit{\text{آی تی}}}:$
   $${\mathrm{Î\mu }}_{\mathit{\text{آی تی}}}=y_{\mathit{\text{آی تی}}}آ\text{'}آ\text{'}{\mathrm{β}}_j^0{w}_j$$

   جایی که ${\mathrm{β}}_j^0$ ضرایب (گزارش نشده) از است jامین متغیر کمکی ثابت زمان، از جمله رهگیری. پس از این مرحله، تأثیر اطلاعات SDOH پس زمینه حذف می شود.

2. انجام INT در باقی مانده برای به دست آوردن ز امتیازات $z_{\mathit{\text{آی تی}}}آ‰\mathit{\text{INT}}({\mathrm{Î\mu }}_{\mathit{\text{آی تی}}})،$ دوباره به طور جداگانه برای هر نقطه زمانی تی. رویه های INT دنبال می شوند: فرض کنید تو یک متغیر توزیع شده اریب با باد صفر است. اجازه دهید رتبه(تو_من) نشان دهنده رتبه نمونه از تو_من هنگامی که اندازه گیری ها به ترتیب صعودی قرار می گیرند. INT مبتنی بر رتبه به صورت زیر تعریف می شود:
   $$\mathit{\text{INT}}\left({\mathrm{تو}}_{\mathrm{من}}\right)={\mathrm{ـ}}^{آ\text{'}\mathrm{۱}}\left[\frac{\mathit{\text{rank}}\left(u_i\right)−k}{n−\mathrm{۲}k+1}\right].$$

   اینجا ${ـ}^{آ\text{'}\mathrm{۱}}$ تابع چگالی نرمال یا تابع توزیع تجمعی معکوس یک توزیع نرمال است که نام INT از آن گرفته شده است. ک $آ$ (۰، ½) یک افست قابل تنظیم است و n حجم نمونه است. به طور پیش فرض، Blom offset از ک = ۳/۸ پذیرفته شده است (McCaw et al. نقل قول۲۰۲۰). این تبدیل هم مشکل تورم صفر در داده ها را از بین می برد و هم توزیع را عادی می کند. این روش هم برای داده‌های حجم گسسته و هم برای داده‌های نسبت پیوسته انجام می‌شود، زیرا هر دو مجموعه داده به شدت صفر هستند.

3. از آنجا که تبدیل INT خطی نیست، تبدیل شده است $z_{\mathit{\text{آی تی}}}$ دوباره با اطلاعات پس زمینه مرتبط است $w_j.$ برای حذف این همبستگی زائد (به طوری که بتوان تأثیرات آنها را به طور کامل در نظر گرفت)، هر یک از پنج متغیر NPI متغیر زمانی را رگرسیون می کنیم. ${\mathrm{ایکس}}_{\mathit{\text{ipt}}}،پآ\left\{\mathrm{۱}،…،\mathrm{۵}\right\}،$ بر روی متغیرهای کمکی ثابت زمان (اطلاعات پس زمینه) $w_{\mathrm{من}}$ برای بدست آوردن باقیمانده ${\mathrm{Î\mu }}_{\mathit{\text{ipt}}}$ (مک کاو و همکاران نقل قول۲۰۲۰):
   $${\mathrm{Î\mu }}_{\mathit{\text{ipt}}}={\mathrm{ایکس}}_{\mathit{\text{ipt}}}آ\text{'}آ\text{'}{\mathrm{β}}_j^{پ}{w}_j$$

   جایی که ${\mathrm{β}}_j^{پ}$ ضرایب (گزارش نشده) از است پاقدامات کاهشی در jامین متغیر کمکی تغییرناپذیر زمان، از جمله رهگیری ها.

4. تازه به دست آمده $z_{\mathit{\text{آی تی}}}$ و ${\mathrm{Î\mu }}_{\mathit{\text{ipt}}}$ نشان‌دهنده متغیر نتیجه و اقدامات کاهشی است که برای درک تأثیر اقدامات کاهش NPI بر گسترش COVID-19 پس از کنترل اطلاعات پس‌زمینه اجتماعی، اقتصادی، فرهنگی و زیرساختی برای هر ایالت استفاده می‌شود (زیرا اکنون متغیرهای پس‌زمینه SDOH هستند. تأثیرات پس از این روش به طور کامل حذف می شوند). مدل نهایی به شکل زیر است:
   $$z_{\mathit{\text{آی تی}}}={\mathrm{β}}_{\mathrm{۰}}+\underset{\mathrm{من}=\mathrm{۱}}{\overset{پ}{آ\text{'}}}{\mathrm{β}}_{\mathrm{من}}{\mathrm{Î\mu }}_{\mathit{\text{ipt}}}+{\mathrm{Î\mu }}^{\mathrm{*}}$$

   جایی که ${\mathrm{β}}_{\mathrm{۰}}$ عبارت ثابت است، ${\mathrm{β}}_{\mathrm{من}}$ ضریب است مناقدام کاهشی و ${\mathrm{Î\mu }}^{*}$ مدل باقی مانده است.

مدل های سلسله مراتبی بیزی برای ارزیابی اثربخشی استراتژی های NPI

برای درک نحوه عملکرد سیستم رتبه‌بندی دولت‌ها در پاسخ به همه‌گیری، از مدل سلسله مراتبی بیزی استفاده کرده‌ایم. این مدل به ما امکان تجزیه و تحلیل داده‌های جمع‌آوری‌شده در مناطق و بازه‌های زمانی مختلف را می‌دهد که معمولاً به داده‌های ژئوپانل گفته می‌شود. چنین داده‌هایی اغلب همبستگی‌هایی را بین مناطق جغرافیایی نزدیک یا نقاط زمانی مشابه (همبستگی خودکار) نشان می‌دهند، عاملی که ما باید در مدل‌های خود برای نتایج مدل‌سازی بی‌طرفانه و کارآمد در نظر بگیریم.

بر خلاف مدل های خودبازگشت فضایی معمولی که در الهورست توضیح داده شده است (نقل قول۲۰۱۴(نقل قول۲۰۱۰) و یو و همکاران. (نقل قول۲۰۲۳مدل سلسله مراتبی بیزی برای ترکیب فرآیندهای ضریب متغیر مکانی و زمانی به طور صریح در چارچوب مدل‌سازی مناسب است. این به این دلیل است که ساختار سلسله مراتبی به کار رفته در این مدل اجازه می دهد تا ساختارهای خودرگرسیون فضایی به صراحت با استفاده از توزیع های آماری خاص بیان شوند (Besag نقل قول۱۹۷۴; بساق و گرین نقل قول۱۹۹۳)، مانند هسته Matérn برای نقاط (Genton نقل قول۲۰۰۱، یا میدان تصادفی مارکوف گاوسی برای واحدهای منطقه ای (Rue and Held نقل قول۲۰۰۵). ساختار خودرگرسیون زمانی اغلب با یک فرآیند خودرگرسیون مرتبه اول مدل‌سازی می‌شود، همانطور که در تحلیل سری‌های زمانی معمول است (همیلتون نقل قول۲۰۲۰).

مهمتر از آن، برهمکنش‌های بین ساختارهای مکانی و زمانی که اغلب در مدل‌های دیگر پنهان تلقی می‌شوند را می‌توان با توزیع میدان تصادفی مارکوف گاوسی (Rue and Held) نیز بیان کرد. نقل قول۲۰۰۵). از این رو این مدل فرصتی عالی برای بررسی پویایی پیچیده و روابط بالقوه متفاوت بین اطلاعات بارگیری روزانه COVID-19 و اعمال و رفع استراتژی های NPI در هر ایالت فراهم می کند. پس از کنترل ساختارهای خودرگرسیون زمانی، مکانی و مکانی-زمانی به صراحت با استفاده از ساختار سلسله مراتبی بیزی، می‌توانیم ضرایب خلفی را در هر حالت و در هر روز تولید کنیم، از این رو ضرایب مکانی-زمانی متغیر هستند. این روابط بالقوه متغیر روزانه و دولتی، پایه و اساس ارزیابی سیاست دقیق در چارچوب روش‌شناختی پیشنهادی ما هستند.

ما سه نسخه از این مدل را اعمال کرده‌ایم که هر کدام از نسخه قبلی پیچیده‌تر هستند. مدل اول شامل یک اثر تصادفی فضایی و یک خودرگرسیون زمانی قبل از حسابداری برای ساختارهای همبستگی است (این مربوط به یک مدل غیر مکانی است). مدل دوم یک گام فراتر می رود و اثر تصادفی فضایی را به عنوان یک میدان تصادفی مارکوف گاوسی در نظر می گیرد، تکنیکی برای مدل سازی داده های همبسته فضایی (این مربوط به یک مدل ضریب فضایی اما غیرمتغیر است). سومین و پیشرفته‌ترین مدل ما تأثیرات و برهمکنش‌های متفاوت مکانی و زمانی را در هر دو رهگیری مدل و شیب‌های آن نشان می‌دهد. این مدل فرآیند ضریب متغیر مکانی-زمانی سلسله مراتبی بیزی (BHSTVCP) نامیده می شود. مدل BHSTVCP به این عناصر اجازه می‌دهد در طول زمان و مکان تغییر کنند و درک غنی‌تری از نحوه تأثیر NPI بر تعداد موارد COVID-19 به دست می‌دهد. شرح مفصل روش شناختی در ارائه شده است مواد تکمیلی برای مخاطبان علاقه مند

تطبیق پذیری این مدل ها به ما امکان می دهد تصویر دقیق تری از اثربخشی روزانه معیارهای NPI ترسیم کنیم. سپس این تصویر با اقدامات دولت‌های ایالتی در رابطه با اقدامات NPI مقایسه می‌شود، و ارزیابی عملکرد دولت را از نظر مبارزه با COVID-19 در مقابل سایر خواسته‌ها ایجاد می‌کند، بنابراین مبنایی برای شیوه‌های حکمرانی متعادل است.

ما این محاسبات را با استفاده از تکنیکی به نام تقریب‌های لاپلاس تودرتو یکپارچه (INLA)، یک الگوریتم قطعی ارائه‌شده توسط Rue، Martino و Chopin انجام داده‌ایم.نقل قول۲۰۰۹) و در پلتفرم R برای شبیه سازی بیزی کارآمد و دقیق پیاده سازی شده است. در دسترس بودن الگوریتم INLA امکان تخمین مدل پیچیده BHSTVCP را با هزینه محاسباتی معقول (کمتر از ده دقیقه) در ایستگاه کاری Microsoft Windows با CPU Xeon Platinum 8280، پنجاه و شش هسته و ۵۱۲ ‰GB RAM می دهد. این تجزیه و تحلیل پیچیده، ضمن در نظر گرفتن تقاضاهای متعددی که با آن مواجه هستند، دیدگاهی متفاوت از پاسخ های هر ایالت به کووید-۱۹ به ما ارائه می دهد.

بکارگیری مدل ضرایب متغیر مکانی-زمانی کانالی را برای ایجاد یک برداشت اثربخشی روزانه از پنج معیار NPI فراهم می‌کند (خواه معیارهای NPI در هر روز مهم باشند یا نه). هنگام مقایسه این تصور اثربخشی با اقدامات دولت ایالتی از نظر پنج معیار NPI، هدف ارزیابی عملکرد متعادل دولت بین مبارزه با گسترش COVID-19 و سایر نیازهای فوری است. ما روند ارزیابی را با یک سیستم امتیازدهی در ادامه شرح می دهیم.

امتیاز دهی و رتبه بندی تلاش های ایالت ها

برای ارزیابی اینکه دولت‌ها چگونه تعادل ایجاد می‌کنند، یک مقیاس لیکرت ۴ درجه‌ای برای امتیاز دادن به عملکرد مداخله برای هر ایالت در هر روز از دوره مطالعه از ۱۵ مارس ۲۰۲۰ تا ۸ ژانویه ۲۰۲۱ طراحی می‌کنیم. سیستم امتیازدهی با اعمال یک چارچوب خلاف واقع ابداع شد. برای ارزیابی برنامه این فریم ورک در اصل توسط Neyman (نقل قول۱۹۲۳) برای ارزیابی برنامه ها با استفاده از یک آزمایش تصادفی، و بعدا توسط Rubin (نقل قول۱۹۷۴، نقل قول۱۹۸۶) به ارزیابی برنامه ها با یک شبه آزمایش غیرتصادفی.

خلاف واقع یک نتیجه بالقوه یا وضعیتی است که در غیاب علت اتفاق می افتاد. چارچوب خلاف واقع تأکید می کند که شرکت کنندگان برنامه انتخاب شده در شرایط درمانی یا غیردرمانی دارای نتایج بالقوه ای در هر دو حالت هستند: حالتی که در آن مشاهده می شوند و حالتی که در آن مشاهده نمی شوند. تفاوت بین پیامدهای مشاهده شده و بالقوه در اثر درمان است. تحت شرایط فعلی، دولتی که عملاً مداخله ای را اجرا می کند، نتیجه درمان است. به همین ترتیب، دولتی که مداخله ای را اجرا نمی کند، نتیجه عدم درمان است. با استفاده از ضرایب پیش‌بینی‌شده توسط مدل BHSTVCP، اهمیت پیش‌بینی‌شده مدل اجرای یک NPI خاص را به‌عنوان پیامد بالقوه و اینکه آیا یک دولت واقعاً مداخله را به‌عنوان یک پیامد مشاهده‌شده اجرا کرده است، تعریف می‌کنیم. یک دولت ایالتی ممکن است به دلیل عوامل مختلفی که بر تصمیم‌گیری تأثیر می‌گذارند، به ویژه عوامل اقتصادی، بهداشتی و سیاسی، درمان را انجام دهد یا نکند. کشورهایی که باید NPI های خاصی را برای مبارزه با گسترش COVID-19 می گرفتند، ممکن است این کار را انجام ندهند. از این رو، اینکه آیا تصمیمات اتخاذ شده توسط ایالت ها با الزامات اپیدمیولوژیک مطابقت دارد یا خیر که در اینجا به عنوان اهمیت پیش بینی شده توسط مدل برای اجرای یک NPI خاص تعریف شده است یا خیر، نشان دهنده عملکرد دولت در مبارزه با گسترش بیماری است. سیستم امتیاز دهی از یک مقیاس لیکرت ۴ درجه ای برای اندازه گیری اثرات درمان یا سطوح مختلف تفاوت بین خلاف واقع (یعنی اگر وضعیت “عمل پیشنهاد شده توسط مدل BHSTVCP” را دنبال می کرد چه اتفاقی می افتاد) و واقعی استفاده می کرد. نتیجه، با ۴ عالی، ۳ بسیار خوب، ۲ منصفانه و ۱ ضعیف. ما امتیازات را بر اساس مقایسه‌های زیر بین اینکه آیا یک دولت مداخله را اجرا کرده است و اینکه آیا مدل BHSTVCP نشان می‌دهد که اجرای آن به طور قابل‌توجهی بار موارد COVID-19 را کاهش می‌دهد (بر اساس فرضیه صفر مبنی بر اینکه تفاوتی بین مداخله قبل و بعد از دولت وجود ندارد، ارائه کردیم. و سطح اعتبار یک طرفه ۹۵ درصد). با این حال، همچنین باید توجه داشت که سیاست گذاری در مواجهه با یک بیماری همه گیر جدید اساساً یک انتخاب در شرایط عدم اطمینان (بسیار بزرگ) است. معیارهای ارزیابی ما فقط یک جنبه (مبارزه با ویروس کشنده) از طیف کامل حکومت را ارزیابی می کند.

1. اگر یک ایالت مداخله ای را اجرا کرد و مدل BHSTVCP نشان داد که مداخله در آن روز قابل توجه نبوده است، ما به ایالت امتیاز ۴ می دهیم تا از تلاش های پیشگیرانه دولت قدردانی کنیم. این به این دلیل است که اجرای واقعی هر یک از مداخلات تصمیمی بود که تحت عدم اطمینان بسیار زیادی اتخاذ شد. اگر مداخله ای طبق مدل گزارش شده مؤثر نباشد، فرماندار همچنان تصمیم می گیرد، به این معنی که تصمیم گیرنده محتاط تر بوده است. تلاش بیشتر فرماندار برای جلوگیری از شیوع COVID-19 بالاترین امتیاز را تضمین می کند.

2. اگر یک ایالت مداخله ای را اجرا کرد و مدل BHSVCP نشان داد که مداخله در آن روز قابل توجه بوده است، ما به ایالت نمره ۳ می دهیم. اگر فرماندار اقدامی را انجام دهد که برای آن روز ضروری بود، به این معنی است که فرماندار تصمیم درستی گرفت در این زمینه، بر خلاف وضعیت قبلی که استاندار تصمیم سنجیده تری گرفته بود، بالاترین امتیاز بعدی را به استاندار تعلق می گیرد.

3. اگر یک ایالت مداخله ای را اجرا نکرد و مدل BHSVCP نشان داد که مداخله در آن روز ضروری نبود (از نظر آماری معنی دار نبود)، ما به ایالت نمره ۲ دادیم. در این مورد، فرمانداران فقط خوش شانس بودند.

4. اگر یک ایالت مداخله ای را اجرا نکرد، اما مدل BHSVCP نشان می دهد که مداخله در آن روز ضروری بوده است، ما به ایالت نمره ۱ می دهیم. این سناریویی است که مقیاس متعادل به سمت اولویت های دیگری غیر از جلوگیری از گسترش منحرف می شود. سپس نمرات روزانه در طول ۳۰۰ روز جمع‌آوری می‌شود تا داستان تلاش‌های دولت‌ها برای استفاده از شواهد علمی در جلوگیری از گسترش COVID-19 بیان شود.

نتایج حاصل از مدل‌های بیزی غیر فضایی، فضایی و BHSTVCP

با پیروی از مشخصات مدل‌های جهانی، ما هشت مدل بیزی غیرمکانی (اثر تصادفی مکانی فرض می‌شود iid با اثر زمانی است)، هشت مدل بیزی مکانی (اما نه از نظر مکانی-زمانی متغیر) (اثر تصادفی فضایی فرض می‌شود که «بسگی» با زمان است را کالیبره کردیم. اثر) و هشت مدل BHSTVCP برای هشت متغیر نتیجه بر روی پنج معیار NPI پس از تبدیل غیرمستقیم INT پسرفت کردند.

بسیار جالب است که برای مدل‌های سلسله مراتبی بیزی، مدل غیرمکانی نشان می‌دهد که هیچ یک از NPI‌ها در برابر گسترش COVID-19 کار نمی‌کنند (زیرا تمام فاصله اعتبار یک طرفه حاوی مقدار صفر است)، اما زمانی که اطلاعات مکانی با اطلاعات قبلی مدل‌سازی می‌شوند. نشان داده شده است که “بعث”، “دستور در خانه ماندن” و “بدون تجمع بزرگ” از نظر آماری برای جلوگیری از شیوع COVID-19 مهم هستند.میز ۱)، اما سایر استراتژی‌های کاهش NPI بی‌اهمیت باقی می‌مانند. این عمل با بسیاری از مطالعات جغرافیایی طنین انداز می شود که وقتی داده ها بر روی فضاهای جغرافیایی (یا فضاهای جغرافیایی-زمانی) جمع آوری می شوند، در نظر گرفتن ساختار همبستگی خودکار داده ها تفاوت زیادی در نتایج مدل سازی شده و عملکرد مدل سازی ایجاد می کند (Anselin). نقل قول۱۹۸۸; لسیج و پیس نقل قول۲۰۰۹). با این حال، این مدل‌ها ماهیت جهانی دارند و الگوهای محلی دقیق به مدل فرآیند ضریب متغیر نیاز دارند.

از مدل های BHSTVCP، برای هر یک از پنج معیار NPI، مدل ها ۸ (تعداد متغیرهای نتیجه) * ۵۱ (تعداد حالت ها) * ۳۰۰ (تعداد روز) = ۱۲۲۴۰۰ ضرایب متغیر مکانی-زمانی تولید می کنند. در مجموع ۵ * ۱۲۲۴۰۰ = ۶۱۲۰۰۰ ضرایب متغیر مکانی-زمانی تولید شده است. علاوه بر این، برای این ۶۱۲۰۰۰ ضرایب متغیر، ما آزمون معناداری یک طرفه (سطح اطمینان ۹۵ درصد) را برای هر ضریب تخمینی فردی انجام دادیم تا ببینیم آیا معیار NPI به طور مؤثر از انتشار COVID-19 در روز و وضعیت مشخص شده جلوگیری می کند.

مقدار اطلاعات تولید شده توسط مدل های BHSTVCP غنی است. تجسم تمام ۶۱۲۰۰۰ ضرایب متغیر عملی نخواهد بود و آموزنده نیز نخواهد بود. علاوه بر این، مقادیر واقعی ضرایب احتمالاً در طرح مدل‌سازی متغیر مکانی-زمانی کمتر مورد توجه هستند. در عوض الگوی متغیر مکانی-زمانی مورد توجه بیشتری است. علاوه بر این، لازم است این ضرایب به همراه تغییرات آنها خلاصه شود z امتیازاتی که نشان می دهد از نظر آماری معنی دار هستند یا خیر.

برای ایجاد الگوی متغیر مکانی-زمانی، اولین کاری که انجام دادیم این بود که ضرایب را با z امتیازهایی که نشان می‌دهند بازه‌های اعتبار ۹۵ درصدی آن‌ها حاوی مقدار صفر نیستند. سپس ضرایب را بر روی هشت متغیر تعداد موارد COVID-19 ترکیب می کنیم زیرا هر هشت متغیر را به عنوان جنبه های مختلف گسترش COVID-19 در نظر می گیریم. در طول ترکیب، به دلیل اینکه مقادیر ضرایب کمتر مورد توجه است، برای هر استراتژی کاهش NPI، در هر حالت و هر روز، اگر یکی از هشت ضریب از نظر آماری معنی‌دار باشد (فاصله اعتبار ۹۵ درصد حاوی مقدار صفر نیست)، اولین ضریب برای آن استراتژی کاهش NPI در وضعیت و روز خاص حفظ خواهد شد. پس از این دو مرحله، تعداد کل ضرایبی که برای تجسم استفاده می‌کنیم از ۶۱۲۰۰۰ به ۲۵۰۰۰ کاهش می‌یابد (۱۰۲۲۹ برای ماندن در خانه، ۲۸۵۰ برای محدودیت رستوران و بار، ۹۵۲۱ برای ممنوعیت تجمع بزرگ، ۱۶۵۸ برای تعطیلی مشاغل غیر ضروری و ۷۴۲ برای دستور استفاده از ماسک). با استفاده از زمان به عنوان محور افقی و حالت و ضرایب متغیر به عنوان محورهای عمودی، می‌توانیم پنج نمودار خلاصه شده را تولید کنیم. شکل های ۲ تا ۶. همه نمودارها در R (R Core Team نقل قول۲۰۲۲).

برداشت فوری از پنج نمودار این است که اثربخشی (ضرایب قابل توجه استراتژی های کاهش NPI) هم در جغرافیا و هم در زمان متفاوت است. اگرچه در طی فرآیند جمع‌بندی و ترکیب اطلاعات از دست می‌رود، اما واضح است که برخلاف مدل غیرمتغیر، همه استراتژی‌های کاهش NPI برای جلوگیری از گسترش COVID-19 در برخی مکان‌ها و گاهی اوقات کار می‌کنند، اگرچه اهمیت آماری در مکان‌های مختلف متفاوت است. در زمان های مختلف نتیجه به طور کلی با بسیاری از مطالعات قبلی مطابقت دارد (آبل و مک کوئین نقل قول۲۰۲۰; اندرسون و همکاران نقل قول۲۰۲۰; اوگر و همکاران نقل قول۲۰۲۰; گنر، حسناولو، و آکتائش نقل قول۲۰۲۰; براونر و همکاران نقل قول۲۰۲۱) و شیوه های رایج در سناریوهای اپیدمیولوژیک. مهمتر از همه، مقادیر DIC اشباع گزارش شده در جدول ۲ شواهدی هستند که نشان می‌دهند مدل‌های ضرایب متغیر بسیار بهتر از مدل‌های فضایی جهانی، که کمی بهتر از مدل‌های غیرفضایی جهانی عمل می‌کنند، عمل می‌کنند. شایان ذکر است که در اینجا، تغییر بزرگ مقدار DIC اشباع شده از مدل جهانی به محلی ممکن است به دلیل انعطاف پذیری بیشتر مدل محلی باشد که نه تنها ساختارهای مکانی و زمانی داده ها، بلکه تعاملات آنها را نیز در نظر می گیرد. . ما از خوانندگان دعوت می کنیم هنگام تفسیر تناسب مدل ها با داده ها محتاط باشند. به جای مقایسه مدل‌ها و بزرگداشت برتری ظاهری مدل‌های محلی، ممکن است عاقلانه‌تر باشد که مدل‌های مختلف را در سناریوهای کاربردی مختلف قرار دهیم. علاوه بر این، نتایج حاصل از مدل‌های محلی همچنین نشان می‌دهد که اثربخشی استراتژی‌های کاهش NPI ممکن است در سطح محلی (ایالت فردی) به جای سطح جهانی (دولت جمعی) بهتر ارزیابی شود. در کشورهایی مانند ایالات متحده که در آن هر واحد اداری محلی (ایالت) سیاست‌گذاری و اجرای شیوه‌ها و اولویت‌های منحصربه‌فرد خود را دارد، یک مدل جهانی که جزئیات گسترده را خلاصه می‌کند ممکن است اطلاعات کافی مشخصی برای ارزیابی اثربخشی برخی از سیاست‌ها ارائه نکند. از سوی دیگر، مدل‌های محلی، اگرچه به طور خاص بر جزئیات تفاوت‌های فردی تمرکز می‌کنند، می‌توانند نتایج معقول‌تری برای ارزیابی سیاست‌ها ایجاد کنند و از این رو سیاست‌گذاری و حکمرانی را در آینده راهنمایی کنند.

ارزیابی عملکرد دولت ها با مدل BHSTVCP

برای استفاده از این حجم غنی از اطلاعات برای ارزیابی عملکرد دولت‌های ایالتی در طول همه‌گیری، ما اطلاعات را با انجام محاسبات زیر، رتبه‌بندی و نقشه‌برداری نتایج را خلاصه می‌کنیم. جدول ۳ و پنج نقشه (شکل ۷).

اولاً، برای هر وضعیت و روز خاصی، اگر یکی از پنج استراتژی NPI به طور قابل توجهی بر روی هر یک از هشت متغیر نتیجه موثر باشد، معیار NPI برای جلوگیری از انتشار COVID-19 برای آن ایالت در آن حالت به‌طور قابل‌توجهی موثر علامت‌گذاری می‌شود. روز سپس تعداد روزهایی که اندازه گیری NPI به طور قابل توجهی برای هر ایالت موثر است، ثبت می شود. این اطلاعات در تصویرسازی می شود شکل های ۲ تا ۶ با پنج نمودار

دوم، تعداد روزهایی که یک معیار NPI خاص به طور قابل توجهی برای هر ایالت موثر است با تعداد روزهایی که معیار NPI برای ایالت مربوطه اجرا می‌شود مقایسه می‌شود. مقایسه تمام پنجاه و یک حالت به صورت نمودار میله ای در نقشه ها نشان داده شده است (شکل ۷).

سوم، یک مقیاس لیکرت ۴ درجه ای برای نمره دادن به عملکرد مداخله برای هر ایالت در هر روز از دوره مطالعه از ۱۵ مارس ۲۰۲۰ تا ۸ ژانویه ۲۰۲۱ استفاده می شود. این مقیاس از مقادیر زیر برای نشان دادن عملکرد یک دولت ایالتی در برابر شرایط استفاده می کند. انتشار COVID-19: 4 = عالی، ۳ = خیلی خوب، ۲ = عادلانه، ۱ = ضعیف (جزئیات قبلاً داده شد). پس از امتیازدهی به هر ایالت برای تمام ۳۰۰ روز، امتیازها جمع می‌شوند تا مبنای رتبه‌بندی و ارزیابی نحوه مصرف ایالت‌ها از شواهد علمی مؤثر بودن NPIها در برابر COVID-19 باشد. نمرات جمع شده برای همه ایالت ها در ارائه شده است جدول ۳. رتبه بندی ترتیب رتبه بندی امتیاز بود که بیشتر ایالت های مساوی را در نظر می گرفت. این رتبه بندی همچنین برای هر ایالت در پنج نقشه در مقیاس خاکستری است شکل ۷.

درس کلی

برای اولین هدف و سؤالات تحقیق ما، نتایج ما به وضوح نشان می دهد که اجرای استراتژی های NPI تأثیر قابل توجهی بر گسترش COVID-19 دارد. این امر به ویژه زمانی صادق است که ساختار مکانی و زمانی داده‌های ما در مدل گنجانده شود.

تیم تحقیقاتی هزاران وب‌سایت دولتی، اسناد مرتبط با سیاست‌ها و منابع دیگر را بررسی کردند تا مجموعه‌ای کامل از مجموعه داده‌های بار موردی COVID-19 و استراتژی‌های NPI ایجاد کنند. ما سیاست‌گذاری و شیوه‌های حکمرانی را در سطح ایالت در طول همه‌گیری با آشکارسازی چگونگی عملکرد سیاست‌گذاران در چنین مواقع دشواری از طریق مدل‌سازی مکانی-زمانی پیشرفته بررسی کردیم. مدل‌های جهانی و محلی برای استفاده کامل از اطلاعات مکانی و زمانی بسیار غنی در داده‌های جمع‌آوری‌شده استفاده می‌شوند. نتایج هر دو مدل جهانی و محلی به وضوح نشان می‌دهد که اقدامات کاهشی NPI برای مهار گسترش بیماری کار می‌کنند، اگر نگوییم همیشه و در همه مکان‌ها، حداقل در برخی مکان‌ها (بیشتر مکان‌ها) و در برخی مواقع (بیشتر). از زمان). از دیدگاه کلی و جهانی، میز ۱ زمانی که ساختار فضایی به طور صریح مدل‌سازی می‌شود، دستور اقامت در خانه یا توصیه‌ای را پیشنهاد می‌کند و هیچ تجمع بزرگی برای مهار گسترش تحت چارچوب مدل‌سازی سلسله مراتبی بیزی در سراسر طیف هشت متغیر پیامد انتشار COVID-19 کار نمی‌کند. این نتیجه با مطالعات قبلی مطابقت دارد که اجرای دولت و فاصله گذاری اجتماعی نقش مهمی در مهار گسترش COVID-19 ایفا می کند، حداقل از منظر کلی، همانطور که در بسیاری از کشورهای دیگر شاهد هستیم (Dehning et al. نقل قول۲۰۲۰; گوو و همکاران نقل قول۲۰۲۰; براونر و همکاران نقل قول۲۰۲۱). مدل‌های جهانی شواهدی را ارائه می‌کنند که نشان می‌دهد نگرش و راهنمایی‌های دولتی به طور مؤثر مردم را برای مقابله با یک بیماری همه‌گیر جهانی راهنمایی می‌کند.

گسترش COVID-19 و مبارزه با آن در ایالات متحده برای سال های ۲۰۲۰ و ۲۰۲۱ مبارزه ای برای مردم و دولت ها بود. جلوگیری از شیوع بیماری از طریق اقدامات NPI (به عنوان مثال، دستورات و توصیه های ماندن در خانه، دستورات فاصله گذاری اجتماعی، الزامات پوشیدن ماسک، و تعطیلی مشاغل، از جمله بسیاری موارد دیگر) برای کاهش شدیدترین اثرات بیماری همه گیر بر مردم. و اقتصاد و حفظ عدالت اجتماعی در طول همه گیری دائماً در تضاد بودند. اینکه آیا دولت باید استراتژی‌های NPI را اجرا کند، آیا افراد باید واکسینه شوند یا نه، و آیا ممنوعیت سفر (چه داخلی و چه بین‌المللی) باید اجرا شود یا خیر، سؤالاتی هستند که بحث‌های شدیدی را به خود جلب کردند که همیشه بر شواهد علمی متکی نبودند. ایجاد تعادل بین اجرای NPI و تأثیرات درک شده بر عملکرد اقتصادی، عدالت اجتماعی، و بسیاری دیگر از مشاغل روزمره، اغلب موضوعی بود که بیشترین تضاد را هنگام تصمیم گیری فرمانداران ایالت ایجاد می کرد. اگرچه این امر مستلزم سنجیدن ارزش یک انسان در برابر عوامل دیگری مانند هزینه ها و آزادی های اقتصادی بود، اما فرمانداران و سایر سیاست گذاران این تصمیمات را بدون استفاده از مطالعات صریح ارزش زندگی یا در نظر گرفتن اخلاق پیچیده چنین تصمیماتی اتخاذ کردند. در نظر گرفتن نگرش های دولتی و به ویژه سیاست ها می تواند تأثیرات گسترده ای بر رفتارهای افراد داشته باشد (پاتریک و کورمیر نقل قول۲۰۲۰; براونر و همکاران نقل قول۲۰۲۱; کر، پاناگووپولوس و ون در لیندن نقل قول۲۰۲۱) از میان هرج و مرج روزانه موارد COVID-19، دستورات روزانه صادر شده توسط دولت، توصیه ها و دستوراتی که تلاش برای مبارزه با گسترش COVID-19، و تلاش برای حفظ عملکرد اجتماعی-اقتصادی امکان پذیر است. و عدالت، برای مطالعات سیاستی مبتنی بر علم اهمیت حیاتی دارد.

با این حال، مدل‌های جهانی فرض می‌کنند که روابط پسرفته بین نتایج و NPIها در مکان‌ها و زمان‌ها یکسان می‌مانند. اثرات تغییرات جغرافیایی (فردی) و زمانی معمولاً نگران کننده نیستند. نتایجی که در اینجا می بینیم تنها تصویری کلی از روابط را نشان می دهد. اگرچه نتایج برای ارزیابی سریع سیاست‌های کلی مفید است، اما احساس می‌کنیم که درک دقیق‌تر روابط در هم تنیده بین اجرای استراتژی‌های NPI و گسترش COVID-19 برای ارزیابی سیاست‌های حاکمیتی ضروری است. نتایج حاصل از مدل جهانی نیاز به بررسی بیشتر دارد. با این حال، ما متوجه هستیم که عوامل زیادی غیر از استراتژی های NPI وجود دارد که برای مهار گسترش COVID-19 در کار هستند. همچنین می‌دانیم که واحدهای اداری که استراتژی‌های NPI را اجرا می‌کنند (شهرداری‌ها) و واحدهای جمع‌آوری داده‌ها (ایالت‌ها) همیشه یکسان نیستند، بنابراین این مشکل واحد منطقه‌ای قابل تغییر (MAUP) ممکن است به این معنی باشد که این نتیجه تحلیلی باید با احتیاط انجام شود و ارزش بررسی بیشتر را دارد

الگوی تفصیلی

در مورد هدف و سوال دوم تحقیق ما، با سیستم مقیاس لیکرت و نتایج حاصل از مدل ضرایب متغیر مکانی-زمانی، ما می‌توانیم یک طرح ارزیابی سیاست حاکمیتی ایجاد کنیم. این طرح ضرایب متغیر مکانی-زمانی مدل‌سازی شده و اجرای استراتژی‌های NPI را در هر ایالت در هر روز مقایسه می‌کند.

اول، ما دریافتیم که تحت چارچوب تحلیلی بیزی، مدل ضریب متغیر سلسله مراتبی بیزی از نظر مکانی-زمانی، توانایی آشکارسازی روابط به ظاهر آشفته ناشی از MAUP را ارائه می‌کند. این مدل داده‌ها و تجربیات قبلی ما را در مورد نحوه تعامل سیاست‌ها در واحدهای جغرافیایی و دوره‌های زمانی ترکیب می‌کند و اجازه می‌دهد ضریب هم در مکان و هم در زمان متفاوت باشد. این مدل قادر است رابطه را در سطح محلی دقیق تری بررسی کند.

دوم، مکمل مدل جهانی، مدل محلی پیشنهاد می‌کند که همه NPIها در یک مکان و در برخی روزها در طول دوره مطالعه کار کنند. جای تعجب نیست که دستورات یا توصیه های ماندن در خانه و ممنوعیت تجمعات بزرگ دو عاملی هستند که بیشترین تأثیر را دارند زیرا در بیشتر روزها و در بیشتر مکان ها کار می کنند.

بر اساس نتایج، ما ادعا می کنیم که تصمیمات افراد در ماندن در خانه یا شرکت در گردهمایی های بزرگ بدون توجه به دستور یا توصیه ممکن است از مکان به مکان متفاوت باشد. در حالی که مدل‌های جهانی برای تشخیص تفاوت مکان در رفتارهای افراد طراحی نشده‌اند، مدل‌های محلی جزئیات بیشتری را ارائه می‌دهند که این اقدامات در برخی از مکان‌ها در برابر COVID-19 در برخی از روزها مؤثر است، به ویژه زمانی که و در جایی که رفتارهای افراد موافق هستند. با سفارش یا مشاوره

مهمتر از آن، مدل محلی یک شکاف سیاسی را در مصرف شواهد علمی نشان می دهد که تصویب NPI ها مهار گسترش COVID-19 را تسهیل می کند. ایالت هایی که به طور فعال NPI ها را تصویب کرده اند، که اتفاقاً عمدتاً ایالت های طرفدار دموکرات هستند، معمولاً با توجه به اجرای استراتژی های NPI و اثربخشی آنها، رتبه بالاتری دارند.جدول ۳). کشورهایی که توسعه اقتصادی اولویت بیشتری داشت و NPIها و سلامت عمومی در سیاست‌هایشان اهمیت کمتری داشتند، همانطور که اکثر فرمانداران جمهوری‌خواه از آن حمایت می‌کردند و اغلب در مقابله با شیوع ویروس در رتبه پایین‌تری قرار داشتند.جدول ۳) در طرح رتبه بندی ما.

به عنوان مثال، برای ایالت های پنجک برتر در رتبه بندی (جدول ۳بیش از ۸۰ درصد از آنها یا فرماندار دموکرات دارند یا در سال ۲۰۲۰ به جو بایدن رای داده اند. نیومکزیکو بالاترین رتبه را دارد (همیشه در بین ده ها برتر)، پس از آن نیویورک (چهار بار) و کالیفرنیا، رود آیلند و واشنگتن قرار دارند. (سه بار). برای ایالت های پنجک پایین، بیش از ۶۰ درصد از آنها در سال ۲۰۲۰ به ترامپ رای دادند. میسوری و نبراسکا پایین ترین رتبه را دارند (چهار برابر در میان ده کشور پایین) و پس از آن داکوتای شمالی و مونتانا (سه بار). جدول ۳ و شکل ۲-۶). وقتی دیدگاه‌های دولتی در تضاد مستقیم با شواهد علمی باشد، به‌ویژه زمانی که رهبری در مهار گسترش COVID-19 وجود ندارد، اغلب هرج و مرج رخ می‌دهد. اگرچه قرار است جلوگیری از گسترش یک بیماری همه گیر جهانی یک تمرین علمی باشد، اما واقعیت این است که علم و سیاست اغلب در طراحی سیاست های محلی در هم آمیخته می شوند. نگرش‌های متفاوت نسبت به شواهد علمی منجر به استراتژی‌های متفاوتی برای مدیریت اجرای NPI‌های مختلف شد که پیامدهای مستقیمی بر تعداد موارد روزانه COVID-19 داشت.

پیام خود را به خانه

تضاد بین اهمیت زندگی انسان و عملکرد اقتصادی ذاتاً پیچیده است. به ندرت پیش می آمد که این مبادله صریح به طور تجربی در طول همه گیری همه گیر به صراحت بیان شود، زیرا سیاست گذاران درباره تغییرات سیاست بحث می کردند. با این حال، اقتصادهای آشفته همچنین می توانند به عواقب غم انگیزی هم برای افراد و هم برای دولت ها منجر شوند. ایجاد تعادل بین علم و سیاست، علم ظریف سیاست و حکمرانی است. ما در این مطالعه رتبه‌بندی حاکمیت را ارائه می‌کنیم، اما همچنین اذعان می‌کنیم که این رتبه‌بندی به شدت برای مهار گسترش COVID-19 اعمال می‌شود. با این حال، اینکه آیا مهار گسترش COVID-19 باید به عنوان بالاترین اولویت در نظر گرفته شود یا خیر، یک تصمیم سیاستی است که همه نهادهای حاکمیتی باید به دقت در نظر بگیرند و پیامدهای آن را همه شهروندان تحت حاکمیت احساس می کنند. ظرافت چنین تعادلی فراتر از محدوده این مطالعه برای بررسی کامل است، اگرچه با بیش از ۱ میلیون مرگ ناشی از COVID-19 از سال ۲۰۲۰ در ایالات متحده، ما معتقدیم که مقیاس این تعادل باید به سمت نجات جان انسان ها افزایش یابد. این مطالعه با مدل‌سازی مکانی-زمانی پیشرفته، دستیابی به چنین تعادلی را تسهیل می‌کند. چارچوب تحلیلی زیبای بیزی که به محققان اجازه می‌دهد تا مشاهده شده (داده‌ها) و با تجربه (پیش‌ها) را ترکیب کنند تا پسین‌های قابل اعتمادتری تولید کنند، مصالحه بالقوه علمی را بین اولویت‌های مختلف، در زمان‌ها و مکان‌های مختلف ارائه می‌کند. این امر به ویژه در شرایط تداوم انواع جدید ویروس و مشکل دولت در متقاعد کردن افراد بیشتر برای واکسینه شدن صادق است. حتی با واکسیناسیون، NPIها همچنان استراتژی‌های موثری هستند که در برابر گسترش COVID-19 مبارزه می‌کنند (بیکر و همکاران. نقل قول۲۰۲۰). ما امیدواریم که نتایج این مطالعه نه تنها حمایت عملی سیاست‌گذاری را برای دولت‌های ایالتی در مبارزه مداوم با کووید-۱۹ فراهم کند، بلکه بستری برای بحث در مورد تعادل ظریف بین مبارزه با یک بیماری همه‌گیر جهانی و حفظ وضعیت عادی اجتماعی-اقتصادی ایجاد کند.