خلاصه
شواهد علمی حاکی از آن است که مداخلات غیردارویی (NPIs) به طور موثری از گسترش COVID-19 قبل از یک راه حل دارویی جلوگیری می کند. اجرای این مداخلات همچنین به طور قابل توجهی بر فعالیت های اجتماعی-اقتصادی منظم و رویه های عدالت اجتماعی، نژادی و سیاسی تأثیر می گذارد. دولت های محلی اغلب در طول سیاست گذاری با اهداف متضادی مواجه می شوند. ایجاد تعادل بین اهداف رقابتی در طول یک بیماری همه گیر جهانی یک علم خوب در زمینه حکمرانی است. اینکه دولتهای ایالتی تا چه اندازه از شواهد علمی استفاده میکنند و چنین تعادلی را حفظ میکنند، کمتر شناخته شده است. این مطالعه از مجموعهای از مدلهای سلسله مراتبی بیزی برای ارزیابی نحوه استفاده دولتهای ایالتی در ایالات متحده از شواهد علمی برای متعادل کردن مبارزه با گسترش بیماری کووید-۱۹ و تقاضاهای اجتماعی-اقتصادی، نژادی، عدالت اجتماعی و سایر مطالبات استفاده میکند. ما روابط بین پنج استراتژی NPI و اطلاعات بار مورد COVID-19 را مدلسازی کردیم و از نتیجه مدلسازی شده برای انجام یک ارزیابی حاکمیت متوازن استفاده کردیم. نتایج نشان میدهد که نگرش و راهنماییهای دولتی به طور مؤثر مردم را برای مقابله با یک بیماری همهگیر جهانی راهنمایی میکند. مدل فرآیند ضریب متغیر مکانی-زمانی دقیق تر، ۶۱۲۰۰۰ ضریب متغیر مکانی-زمانی تولید می کند، که نشان می دهد همه اقدامات گاهی اوقات در جایی کار می کنند. نتایج خلاصهشده نشان میدهد که کشورهایی که بر NPIها تأکید میکنند در مهار گسترش COVID-19 عملکرد خوبی داشتهاند. با بیش از ۱ میلیون مرگ و میر ناشی از کووید-۱۹ در ایالات متحده، ما احساس می کنیم که مقیاس تعادل احتمالاً باید به سمت حفظ جان انسان ها تغییر کند. ارزیابی ما از سیاست های حاکمیتی بر اساس چنین استدلالی است. هدف این مطالعه ارائه پشتیبانی تصمیم برای سیاست گذاری در شرایط اضطراری ملی است.
ç§'å¦è¯ æ ®è¡¨æ˜Ž, åœ¨è ¯ç‰©è§£å†³æ–¹æ¡ˆå‡ºçŽ°ä¹‹å‰ é žè ¯ç‰©„å¹²é (NPI)有效é åˆ¶äº†æ–°å† è‚ºç‚Žçš„ä¼ æ'。实施这些干¢¢„措æŸå¸ä çš„ç¤¾ä¼šç» æµŽæ´»åŠ¨å'Œç¤¾ä¼šã€ ç§ æ— å'Œæ”¿æ²»æ£ä¹‰å®žè·µäº§ç”Ÿé‡ å¤§å½ €‚地方政府在决ç–过程ä¸ç» ¸¸é €‚åœ¨å…¨ç ƒç–«æƒ…æœŸé—´، 在相äº'ç«žäº‰çš„ç›®æ ‡ä¹‹é—´å –å¾—å¹³è¡¡ææ¯ ¸€é—¨æ²»ç †ç§'å¦ã€‚美国州政府在多大程度上éá纳了ç§'å¦è ¯ æ ®å¹¶ä¿ æŒ è¿™ç§ å¹³è¡¡, ç›®å‰ è¿˜ä¸ å¤ªæ¸…æ¥šã€‚æœ¬ç ”ç©¶é‡‡ç”¨ ä¸€ç»„è´ å ¶æ–¯åˆ†å±‚æ¨¡åž‹، è¯„ä¼°äº†å “ä¸ªå·žæ”¿åºœå¦‚ä½•åˆ©ç”¨ ç§'å¦è¯ æ ®, æ ¥å¹³è¡¡æŠ—å‡»æ–°å† è‚ºç‚Žä¼ æ'å'Œç¤¾ä¼šç» 济㦦 æ— ã€ ç¤ ä¹‰ç‰éœ€æ±‚。æˆ'ä»¬å¯¹äº”ç§ NPIç–ç•¥ä¸Žæ–°å† è‚ºç‚Žç—…ä¾‹æ•°é‡ ä¹ ‹é—´çš„关系进行了建模, 并利用模型结果å¹å¹³è¡¡æè²»ç † 行了评估。结果表明, æ”¿åºœçš„æ€ åº¦å'ŒæŒ‡å¯¼æœ‰æ•ˆå¼… ä¼—å å‡»å…¨ç ƒç–«æƒ…ã€‚é€šè¿‡æ›´è¯¦ç»†çš„æ—¶ç©ºå ˜åŒ–ç³»æ•°è¿ ‡ç¨‹æ¨¡åž‹, 制作了۶۱۲,۰۰۰ä¸ªæ—¶ç©ºå ˜åŒ–ç³»æ¦¦¨, æŸ äº ›æ—¶å€™ã€ æŸ äº›åœ°æ–¹æœ‰æ•ˆã€‚ç»¼å ˆç»“æžœè¡¨æ˜Ž، 强调NPI禶鷞在 å† è‚ºç‚Žä¼ æ'æ–¹é ¢è¡¨çŽ°è‰¯å¥½ã€‚ç”±äºŽæ–°å† è‚ºç‚Žåœ¨ç¾Žå›½é۱ 人æ»äº¡، æˆ'们认为، å¹³è¡¡å ¯èƒ½éœ€è¦ ä¾§é‡ ä¿ ¯¹æ²»ç †æ”¿ç–çš„è¯„ä¼°å°±æ˜¯åŸºäºŽè¿™æ ·ä¸€ä¸ªè§‚ç‚¹ã€‚æœ¬ç ”ç©¶æ— ¨åœ¨ä¸ºå›½å®¶ç´§æ€¥çŠ¶æ€ 下的决ç–æ 供决ç–æ”¯æŒ ã€‚
شواهد علمی حاکی از آن است که مداخلات غیردارویی (NPIs) در واقع سرعت انتشار COVID-19 را قبل از اینکه یک راه حل دارویی رخ دهد، کند می کند. اجرای این مداخلات همچنین به طور قابل توجهی بر فعالیت های منظم اجتماعی-اقتصادی و رویه های عدالت اجتماعی، نژادی و سیاسی تأثیر می گذارد. دولت های محلی معمولاً هنگام اجرای سیاست ها با اهداف متناقضی مواجه می شوند. ایجاد تعادل بین اهداف رقابتی در طول یک بیماری همه گیر جهانی، شاخصی از علم دولت است. هنوز مشخص نیست که چگونه دولت های ایالتی شواهد علمی را جذب می کنند و این تعادل را حفظ می کنند. مطالعه حاضر از مجموعهای از مدلهای بیزی سلسله مراتبی برای ارزیابی نحوه استفاده دولتهای ایالتی از این شواهد برای ایجاد تعادل در مبارزه با گسترش بیماری کووید-۱۹، و خواستههای اجتماعی-اقتصادی، نژادی، و عدالت اجتماعی استفاده میکند. ما رابطه بین پنج استراتژی NPI و اطلاعات بار موردی را مدل می کنیم و از نتیجه به کارگیری مدل برای ارزیابی متوازن حاکمیت استفاده می کنیم. نتایج نشان میدهد که نگرش و راهنماییهای دولت به طور مؤثر مردم را برای واکنش مناسب در مبارزه با یک بیماری همهگیر جهانی راهنمایی میکند. دقیقترین مدل فرآیند ضرایب متغیر مکانی-زمانی، ۶۱۲۰۰۰ ضرایب متغیر مکانی-زمانی تولید میکند، که نشان میدهد همه اندازهگیریها گاهی اوقات در جایی کار میکنند. نتایج خلاصه نشان می دهد که کشورهایی که بر NPI ها تاکید دارند در تلاش خود برای مهار گسترش COVID-19 به نتایج خوبی دست یافته اند. با بیش از یک میلیون مرگ در ایالات متحده ناشی از کووید-۱۹، به نظر ما این تعادل باید به سمت حفظ جان انسان ها تغییر کند. بنابراین، ارزیابی ما از سیاستهای حاکمیتی مبتنی بر استدلالی از این نوع است. هدف این مطالعه ارائه پشتیبانی تصمیم برای تدوین خط مشی در شرایط اضطراری ملی است.
کلید واژه ها:
کلید واژه ها:
برای سیاستگذاران، داشتن درک کامل از اینکه مداخلات غیردارویی (NPIs) چه کار میکنند و تا چه اندازه این مداخلات مانع گسترش COVID-19 میشوند، یک موضوع فوری است. تصمیمات صحیح برای اقدام در برابر گسترش یک بیماری مسری می تواند میزان مرگ و میر افراد را در طول این بیماری همه گیر جهانی کاهش دهد، به ویژه زمانی که انواع مختلف ویروس در سراسر کشور بیداد می کند در حالی که نگرش مردم نسبت به واکسیناسیون مختلط است (کرپس و همکاران . نقل قول۲۰۲۰; لارجنت و همکاران نقل قول۲۰۲۰).
مطالعات کمی از روشهای تحلیلی پیشرفته جغرافیایی برای محاسبه زمان و پراکندگی جغرافیایی به طور همزمان چنین مداخلاتی، برای بررسی کل دوره همهگیری قبل از راهحل واکسیناسیون جامد در ایالات متحده برای کاهش پیامدهای سیاستگذاری، برای آموختن درسهایی برای آماده شدن برای همهگیریهای مشابه استفاده کردهاند. در آینده، و مهمتر از آن، ایجاد تعادل بین تقاضاهای اقتصادی، الزامات بهداشت عمومی و ملاحظات سیاسی. این به دلیل ماهیت پیچیده و درهم تنیده سیاستگذاری و شیوههای حکمرانی در طول همهگیری ناشی از یک ویروس جدید است. پاسخ ها و اقداماتی که به طور قابل توجهی بر زندگی روزمره مردم تأثیر می گذارد، باید به صورت کوتاه مدت، گاهی اوقات حتی روزانه، به دلیل نوسان بودن اطلاعات پرونده و به دلیل اینکه هنوز دانش محدودی در مورد ویروس داریم، انجام شود. با این حال، تعداد کمی از مطالعات تغییرات سیاست های روزانه را توضیح می دهند. علاوه بر این، اغلب روشهای سنتی معمولاً فاقد ظرفیت برای مقابله با دادههای بار موردی روزانه بسیار منحرف و اغلب با تورم صفر هستند که برای سیاستگذاری پویا و شیوههای حاکمیت روزانه لازم است (یو و همکاران. نقل قول۲۰۲۳). علاوه بر این، در ایالات متحده، نگرش مردم نسبت به همهگیری از مکانی به مکان دیگر بهطور چشمگیری متفاوت است (پوسپیتاساری و همکاران، نقل قول۲۰۲۰; کر، پاناگووپولوس و ون در لیندن نقل قول۲۰۲۱). در حالی که دولتها و مردم در برخی مکانها کووید-۱۹ را به عنوان یک بیماری بلافاصله تهدید کننده زندگی میدانستند، در برخی دیگر، کووید-۱۹ جدیتر از آنفولانزای فصلی درمان نمیشد (کر، پاناگوپولس، و ون در لیندن). نقل قول۲۰۲۱). چنین تغییرات مکانی و زمانی بسیار پیچیده ای از بیماری و نگرش های دولتی و فردی نسبت به این بیماری منجر به چشم اندازی بسیار پیچیده و ناهموار از استراتژی های اجرای NPI در سراسر ایالات متحده می شود. این پیچیدگی، اثربخشی سیاستهای طراحیشده در سطوح فدرال و محلی برای مهار گسترش COVID-19 را بیشتر پیچیده کرد.
اگرچه بسیاری از محققان تلاش کرده اند تا روند و الگوهای COVID-19 را مدل و پیش بینی کنند (انسرینک و کوپفرشمیت نقل قول۲۰۲۰; داود و همکاران نقل قول۲۰۲۰; نازیا، لاو و بات نقل قول۲۰۲۲و یا اینکه چه راهبردهای فاصله گذاری اجتماعی (یا فاصله گذاری فیزیکی) باید اتخاذ شود (کرایمر و همکاران. نقل قول۲۰۲۰; اوگر و همکاران نقل قول۲۰۲۰)، این مدلهای تحقیقاتی مرسوم اغلب از کاوش عمیق در پویاییهای پیچیده مکانی-زمانی در میان بار بیماری، اجرای NPI، رفتارهای فردی و تصمیمهای دولتی در طول همهگیری کوتاهی میکنند. در موارد بسیاری نشان داده شده است که NPIها در جلوگیری از گسترش COVID-19 موثر هستند (بیکر و همکاران. نقل قول۲۰۲۰; کرامر و همکاران نقل قول۲۰۲۰; تیان و همکاران نقل قول۲۰۲۰). با این حال، اثربخشی NPI ها به طرز تلقی نزدیکی با نگرش ها و رفتارهای فردی و تصمیمات دولت ها مرتبط است. اگرچه شناسایی نگرش ها و رفتارهای شخصی به طور کلی دشوار است، اما نشان داده شده است که آنها ارتباط نزدیکی با سطوح دانش فردی و جهت گیری سیاسی دولت ها دارند (که بر نگرش و تصمیمات دولت ها تأثیر می گذارد) در طول یک رویداد بهداشت عمومی مانند شیوع COVID-19. پوسپیتاساری و همکاران نقل قول۲۰۲۰; کر، پاناگووپولوس و ون در لیندن نقل قول۲۰۲۱; سالومون و همکاران نقل قول۲۰۲۱). علاوه بر این، در یک بیماری همه گیر جهانی که توسط یک ویروس جدید ایجاد شده است، وضعیت به طور مداوم در حال تغییر است و بین گزینه های تصمیم گیری مختلف (اجرای NPI در مقابل حفظ عملکرد اقتصادی، عدالت اجتماعی در مقابل عدالت اقتصادی در مقابل تهدید سلامت، از جمله موارد دیگر) مبارزه می شود. همه جا حاضر بسیاری از چنین تصمیماتی (چه فردی و چه دولتی) باید روزانه گرفته شود. برای این موضوع، بررسی تصمیمهای دولتها و ارزیابی اینکه چگونه چنین تصمیمهایی چشمانداز پیچیده فعلی اجرای NPI را ایجاد میکنند، بهویژه در یک تفکیک زمانی روزانه، یک پشتیبانی عملی سیاستگذاری با جهتگیری علمی بسیار مورد نیاز را فراهم میکند، که میتواند منجر به راهنماییهای سیاستی بهتر برای دولتهای ایالتی شود. در رویدادهای بهداشت عمومی اضطراری آینده پردازش دادههای اخیراً توسعهیافته (مثلاً تبدیل غیرمستقیم معکوس – نرمال) و روشهای مکانی-زمانی پیشرفته (مثلاً مدلسازی سلسله مراتبی بیزی) میتواند به ما اجازه دهد تا بررسی کاملی از این پویاییهای پیچیده انجام دهیم تا تصویری کاملتر و دقیقتر از سیاستگذاری و حکمرانی داشته باشیم. در طول یک بیماری همه گیر را می توان برای هدایت پاسخ ها و اقدامات آینده بهتر به تصویر کشید.
اهداف اصلی این مطالعه عبارت بودند از (۱) بررسی تأثیرات NPIها بر مهار گسترش COVID-19 قبل از یک راه حل دارویی و (۲) ارزیابی نحوه استفاده دولت های ایالتی ایالات متحده از این اطلاعات برای سیاست گذاری متعادل. این ارزیابی قصد دارد نقطه شروع روشنی را برای دولتها فراهم کند تا از میان گزینههای بیشماری در یک بحران بهداشت عمومی پر هرج و مرج مانند این عبور کنند تا آنها به وضوح پیامدهای تصمیمهای خود را درک کنند و بهترین حکمرانی متعادل را برای شهروندان خود فراهم کنند. ما قصد داریم به دو سوال تحقیق بپردازیم. ابتدا، هدف ما این است که چگونه NPIها بر حجم مورد کووید-۱۹ روزانه با مدلهای ضرایب متغیر مکانی-زمانی تأثیر میگذارند، که قصد دارد بینشهای مرتبط با سیاستگذاری دقیق را در مورد اثربخشی این مداخلات در کنترل شیوع ویروس ارائه دهد. دوم، ما یک طرح ارزیابی از سیاستهای دولتهای ایالتی ایالات متحده در مبارزه با گسترش COVID-19 با مقایسه تصمیمهای اجرای NPI اتخاذ شده توسط دولتهای ایالتی ایالات متحده و نتایج مدلسازی شده کارآمدی NPI طراحی میکنیم.
با توجه به تلفات بیش از ۱ میلیون نفر در ایالات متحده، چارچوب ارزیابی ما بر اولویت دادن به مهار شیوع بیماری بیش از سایر ملاحظات است. هدف این مطالعه استخراج درسهایی است که بر سیاستگذاریهایی که عدالت نژادی، اجتماعی و سیاسی را تقویت میکند، روشن میسازد.
بررسی ادبیات
شواهد علمی حاکی از آن است که NPI ها در درجات مختلف در برابر COVID-19 موثر هستند (Dehning et al. نقل قول۲۰۲۰; گوو و همکاران نقل قول۲۰۲۰; براونر و همکاران نقل قول۲۰۲۱). با این حال، چگونگی استفاده از چنین شواهد علمی در ایالات متحده برای توسعه سیاست ها، داستان متفاوتی بوده است. ملاحظاتی در مورد تعادل ظریف بین مداخلات علیه COVID-19، تنشها با “آزادیهای فردی” و کاهش هزینههای اقتصادی وجود داشت. همچنین وضعیت پیچیده انتخابات ریاست جمهوری ۲۰۲۰ وجود داشت که طی آن سیاستمداران اغلب به برنامه و سیاست های خود محکم تر از زمان های دیگر پایبند بودند (بارتلز نقل قول۱۹۹۳; جیکوبز و شاپیرو نقل قول۲۰۰۰; ماسکت، وینبرن و رایت نقل قول۲۰۱۲; Desmarais، La Raja، و Kowal نقل قول۲۰۱۵). علاوه بر این، مرگ جورج فلوید و جنبش ضد نژادپرستی متعاقب آن، تصویب و اجرای NPIs در طول همهگیری را پیچیدهتر کرد، بهویژه با توجه به شواهد قوی از تفاوتهای نژادی در تأثیر همهگیری در ایالات متحده (Boserup، McKenney، و Elkbuli). نقل قول۲۰۲۰; آگاروال و همکاران نقل قول۲۰۲۱). ما به طور خلاصه برخی از استدلالهای بسیار پویا و بحثبرانگیز را در طول همهگیری بررسی میکنیم تا پسزمینه محکمی برای تجزیه و تحلیل فضایی و زمانی بیزی و شیوههای ارزیابی حکومت بعدی ارائه کنیم.
جمعیتهای آسیبپذیر از همهگیری شدیدترین رنج را متحمل شدند
جمعیتهای آسیبپذیر (یعنی اقلیتهای نژادی و قومی، افراد محروم از نظر اقتصادی و افراد بیکار) به طور قابلتوجهی تحت تأثیر این همهگیری قرار گرفتند (Guo et al. نقل قول۲۰۲۰; چونگ نقل قول۲۰۲۲). مطالعات نشان می دهد که COVID-19 تأثیر نامتناسبی بر جوامع اقلیت از نظر نرخ عفونت بالاتر، نرخ مرگ و میر بالاتر و دسترسی کمتر به مراقبت های بهداشتی داشته است (لارنسین و مک کلینتون). نقل قول۲۰۲۰; تای و همکاران نقل قول۲۰۲۰; وب هوپر، ناپلز، و پارز-استیبل نقل قول۲۰۲۰). در مراحل اولیه شیوع، میزان عفونت در جوامع سیاه پوست در مقایسه با جوامع عمدتا سفیدپوست (تباولت، تران، و ویلیامز) بیش از سه برابر بیشتر بود. نقل قول۲۰۲۰). یک مطالعه اخیر به طور سیستماتیک ادبیات منتشر شده از ۳ ژوئن ۲۰۲۰ تا ۳۱ آگوست ۲۰۲۰ را مرور کرد. نتایج نشان داد که جمعیت آفریقایی-آمریکایی و لاتینکس به طور نامتناسبی بالاتر از میزان آلودگی و مرگ و میر COVID-19 را تجربه کردند (Mackey et al. نقل قول۲۰۲۱).
همهگیری COVID-19 حساسیت افراد آسیبدیده اجتماعی-اقتصادی نسبت به خطرات سلامتی و چالشهای زندگی روزمره را تشدید کرده است. یک مطالعه زیستمحیطی که دادههایی را از هفت ایالت بهشدت آسیبدیده در طول شیوع اولیه همهگیری جمعآوری کرد، نشان داد که شهرستانهایی که نرخ فقر بالاتری داشتند، با نرخ مرگومیر بالاتری همراه بودند (عابدی و همکاران. نقل قول۲۰۲۱). الگوهای مشابهی در سایر مطالعات مشاهدهای (رایفمن و رایفمن) یافت شد نقل قول۲۰۲۰). تحقیق دیگری بر اساس داده های بیمارستانی، تأثیر وضعیت اجتماعی و اقتصادی بیماران را بر پیامدهای COVID-19 بررسی کرد. این مطالعه نشان داد که افراد از جوامع کم درآمد به دلیل ابتلا به کووید-۱۹ با خطر مرگ و میر، تهویه پزشکی و پذیرش در بخش مراقبت های ویژه مواجه بودند (Quan et al. نقل قول۲۰۲۱). علاوه بر این، علیرغم انتقال درآمد اختصاص داده شده توسط قانون کمک، امداد و امنیت اقتصادی کروناویروس (CARES)، نرخ فقر همچنان از ۱۵٫۰ درصد به ۱۶٫۷ درصد بین فوریه و سپتامبر ۲۰۲۰ افزایش می یابد، با روندی خاص در میان افراد سیاه پوست و اسپانیایی تبار. و کودکان (پارولین و همکاران نقل قول۲۰۲۰). شواهد نشان داد که خانوارهای زیر ۲۰۰ درصد خط فقر فدرال افزایش قابل توجهی در ناامنی انرژی و قطع برق در طول همهگیری کووید-۱۹ تجربه کردند (مموت و همکاران. نقل قول۲۰۲۱).
به طور مشابه، افراد بیکار به شدت تحت تأثیر این همه گیری قرار گرفتند. هان، مایر و سالیوان (نقل قول۲۰۲۰) گزارش داد که همه گیری کووید-۱۹ تلفات زیادی را بر بازار کار ایالات متحده وارد کرده است. نرخ اشتغال در آوریل ۲۰۲۰ به میزان قابل توجهی بیش از هشت واحد درصد (۱۴ درصد) کاهش یافت که برجسته ترین کاهش یک ماهه تاریخ ثبت شده را نشان می دهد. به طور همزمان، درآمدها به طور همزمان بیش از ۱۰ درصد کاهش یافت. اگرچه اشتغال و درآمد در ماه مه و ژوئن افزایش جزئی داشتند، اما هنوز از ابتدای سال ۲۰۲۰ عقب تر بودند. مطالعات انجام شده در دهه های گذشته به طور مداوم ارتباط قوی بین بیکاری و طیف گسترده ای از پیامدهای نامطلوب بهداشتی را نشان می دهد. مرگ و میر، بیماری های قلبی عروقی، مرگ و میر ناشی از خودکشی، و افزایش میزان پریشانی روانی، سوء مصرف مواد، افسردگی و اضطراب (موزر، فاکس، و جونز) نقل قول۱۹۸۴; ویرگولینو و همکاران نقل قول۲۰۲۲).
این مشاهدات یک معمای فوری و پیچیده را برای حکومت محلی ایجاد می کند. اولین مسئله ای که باید با آن دست و پنجه نرم کرد این است که آیا اجرای NPI ها مشکلاتی را که آسیب پذیرترین اقشار مردم با آن مواجه هستند تشدید می کند و در نتیجه شکاف های نابرابری اجتماعی و اقتصادی را بیشتر می کند. این موضوع یک سوال فوری را ایجاد می کند: آیا می توان از NPI ها هم برای کاهش شیوع بیماری و هم برای جلوگیری از تشدید نابرابری های موجود استفاده کرد؟
در مقابل، موضوع دوم به همان اندازه چالش برانگیز است: اگر سیاستها عملکرد اقتصادی را بر اقدامات بهداشت عمومی مانند NPI اولویتبندی کنند، پیامدهای بالقوه آن چه خواهد بود؟ باید پیامدهای احتمالی بر سلامت عمومی، انسجام اجتماعی و کیفیت کلی زندگی را در نظر گرفت. آیا چنین استراتژی به بهای رفاه اجتماعی درازمدت منجر به دستاوردهای کوتاه مدت اقتصادی می شود؟ آیا به طور طعنه آمیزی، به دلیل اثرات طولانی مدت سلامتی، به بحران های اقتصادی عمیق تری در آینده منجر خواهد شد؟
بنابراین، واضح است که هر رویکردی به این مخمصه باید تعادل ظریف بین حفاظت از سلامت عمومی و حفظ ثبات اقتصادی را در نظر بگیرد و در عین حال رفتار منصفانه و عادلانه را با همه گروههای اجتماعی تضمین کند. این اساس و دلیل اساسی ما برای طراحی یک طرح ارزیابی دولتی است تا درک روشنی از پیامدهای سلامت عمومی تصمیمات دولت ها وجود داشته باشد در حالی که به دنبال حکمرانی متعادل هستیم.
تأثیر سیاست بر سیاست های NPI
مطالعات نشان داده اند که NPIهای اولیه اجرا شده توسط فرمانداران ایالتی پیش بینی کننده قابل توجهی برای کاهش موارد تجمعی، موارد جدید و نرخ مرگ و میر بودند (Guo et al. نقل قول۲۰۲۰; وایت و هابرت دوفرن نقل قول۲۰۲۰). ادبیات موجود، تأثیر حیاتی جانبداری را بر اثربخشی اجرای مداخلات فاصلهگذاری اجتماعی در ایالات متحده در سطح فردی گزارش کرده است. آلکات و همکاران با استفاده از داده های فاصله گذاری اجتماعی SafeGraph. (نقل قول۲۰۲۰) نشان داد که در مناطقی که از دونالد ترامپ در انتخابات ریاست جمهوری ۲۰۱۶ حمایت کردند، مردم نسبت به مردم مناطقی که از هیلاری کلینتون حمایت کردند، کمتر احتمال دارد فاصله اجتماعی را رعایت کنند. علاوه بر این، نقاش و کیو (نقل قول۲۰۲۰) همچنین نشان داد که دموکراتها کمتر از یک فرمانروایی دموکرات در سطح ایالتی که توسط یک فرماندار جمهوریخواه صادر میشود، پیروی میکنند. این پیچیدگی سیاست و حکومت به طور قابل توجهی بر نحوه اجرا و دریافت مداخلات بهداشت عمومی تأثیر می گذارد. این امر بر تقاطع همسویی سیاسی و پیروی از دستورالعملهای بهداشتی تاکید میکند، که دلالت بر یک تعامل پیچیده بین عوامل سیاسی، اجتماعی و بهداشتی دارد که نمیتوان نادیده گرفت. پیامدها بسیار متنوع است، و نشان می دهد که موفقیت چنین اقدامات بهداشتی به طور جدایی ناپذیری با گرایش های سیاسی جمعیت هایی که قصد محافظت از آنها را دارند، مرتبط است.
در واقع، نقش حیاتی رهبران سیاسی در شکلدهی واکنشهای عمومی به بحرانها را آشکار میکند. قابل ذکر است، توانایی آنها در هدایت افراد تشکیل دهنده خود به سمت رفتارهای مفید برای سلامت عمومی به وابستگی های سیاسی، سیستم های اعتقادی و اعتماد بستگی دارد. شواهدی که به تازگی ارائه شده نشان می دهد که اثربخشی مداخلات بهداشتی حیاتی در طول یک بیماری همه گیر، مانند فاصله گذاری اجتماعی، می تواند به طور قابل توجهی توسط تفاوت های جانبی به خطر بیفتد. در نهایت، این درهمتنیدگی پیچیده سیاست و حکومت، پیامدهای گستردهای برای سلامت عمومی دارد که نیازمند رویکردی برای مدیریت بیماری همهگیر است که از نظر علمی صحیح، از نظر سیاسی آگاه و از نظر اجتماعی حساس باشد.
مطالعات اندکی تا این حد برای حل پیچیدگی تعامل بین سیاست، عدالت اجتماعی-اقتصادی، راهبردهای NPI در برابر یک بیماری همه گیر و دیگر خواسته هایی که نهادهای حاکم هر روز با آن مواجه هستند، جسارت کرده اند. آدولف و همکاران (نقل قول۲۰۲۱پاسخ اولیه پنج سیاست مداخله کاهش سطح ایالت (یعنی ممنوعیت تجمع بزرگ، دستور ماندن در خانه، تعطیلی مدارس، محدودیتهای رستورانها و تعطیلی مشاغل غیرضروری) را در تمام پنجاه ایالت با یک پنجره مطالعه از ۲۶ فوریه بررسی کرد. ۲۰۲۰ تا ۲۳ مارس ۲۰۲۰٫ نتایج نشان داد که وابستگی حزبی فرمانداران مهمترین پیشبینیکننده زمانی بود که دولتها مداخلات کاهشی را صادر کردند. با توجه به شرایط دیگر، ایالت های تحت رهبری جمهوری خواهان در زمان شیوع اولیه کووید-۱۹ در اجرای چنین سیاست هایی کندتر بودند. این یافتهها با مطالعه دیگری همسو بود که نشان داد فرمانداران دموکرات دستورات ماندن در خانه را سریعتر از همتایان جمهوریخواه خود اتخاذ کردند (پترسون) نقل قول۲۰۲۲). با این حال، این مطالعات با هدف درک زمان اجرای سیاستهای کاهش اولیه و تعامل سیاسی دولت با چنین اجرای تا آوریل ۲۰۲۰، بدون بررسی این سیاستها در یک دوره طولانیتر، از جمله صدور، لغو و صدور مجدد سیاستهای فاصلهگذاری اجتماعی انجام شد. هدف این مطالعه پر کردن این شکاف است.
مطالعات رتبه بندی پنجاه ایالت و واشنگتن دی سی از نظر عملکرد حاکمیتی
ما ادبیات موجود در مورد رتبهبندی کارایی پاسخهای دولت به همهگیری COVID-19 را بررسی کردیم و کمبود تحقیقات انجام شده در ایالات متحده را مشاهده کردیم. خو، پارک و پارک (نقل قول۲۰۲۱) تجزیه و تحلیل پوششی داده ها و چهار رویکرد متمایز یادگیری ماشینی را برای ارزیابی عملکرد پاسخ به COVID-19 در سطح ایالت در ایالات متحده اتخاذ کرد. نتایج نشان داد که بیست و سه ایالت از نظر تعداد آزمایششده، بودجه عمومی، کارکنان مراقبتهای بهداشتی و تختهای بیمارستانی کارآمد بودند. علاوه بر این، رادلی، باومگارتنر و کالینز (نقل قول۲۰۲۳) پنجاه و شش معیار از جمله دسترسی به مراقبت های بهداشتی، نابرابری های بهداشتی، و پیامدهای سلامت را برای ارزیابی عملکرد و آمادگی کلی سیستم سلامت پنجاه ایالت در سال ۲۰۲۰ ادغام کردند. آنها هاوایی و ماساچوست را در صدر و می سی سی پی، اوکلاهما و ویرجینیای غربی قرار دادند. به عنوان شرکت کنندگان با عملکرد پایین این مطالعات به جای درک تعامل بین تلاشهای دولتها و اثربخشی سیاستهای کاهش، بر ارزیابی زیرساختهای بهداشت عمومی در پاسخ به همهگیری متمرکز بود.
اگرچه این مطالعات بینشهای ارزشمندی را در مورد زیرساختهای بهداشتی و آمادگی ارائه میکنند، اما شکافی در درک اینکه چگونه شیوههای حاکمیت ایالتی بر اثربخشی استراتژیهای کاهش بیماری همهگیر تأثیر گذاشته است، وجود دارد. ما معتقدیم که ارزیابی شرایط ایستا زیرساخت های بهداشت عمومی و اینکه چگونه تصمیم گیری های دولتی پویا می تواند نتایج را شکل دهد ضروری است. هدف ما در این مطالعه، پر کردن این شکاف با توسعه یک سیستم رتبهبندی است که ارزش زندگی انسانها را بالاتر از سایر خواستههای اجتماعی، مانند توسعه اقتصادی، اولویت میدهد. ما این تمرکز انسان محور را با یک تجزیه و تحلیل قوی از شیوههای حکمرانی در سطح دولتی، بهویژه اجرای یا لغو استراتژیهای NPI در طول همهگیری، همراه با اثربخشی مدلسازی شده آن استراتژیهای NPI، ادغام میکنیم. مطالعه ما در نظر دارد تا درک دقیقتر و جامعتری از عملکرد دولتهای ایالتی در هنگام مواجهه با اهداف پیچیده و متضاد در شرایط اضطراری بهداشت عمومی بیسابقه مانند COVID-19 ایجاد کند. هدف این مطالعه ارائه زاویهای است که ممکن است برای هدایت شیوههای متعادل دولتهای آینده در مواقع اضطراری مانند COVID-19، اعم از بهداشت عمومی، بلایای طبیعی، یا مقابله با بحرانهای فزاینده مرتبط با تغییرات آب و هوایی، اهمیت اساسی داشته باشد.
جمع آوری داده ها
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. 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.
مواد و روش ها
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 متغیرهای حجم مورد برای منایالت در آن زمان تی، تجزیه و تحلیل این مراحل را دنبال کرد.
-
به طور جداگانه برای هر نقطه زمانی پسرفت هر کدام در اطلاعات پس زمینه ثابت با زمان (j = ۱، …، ک، ک تعداد متغیرهای کمکی پس زمینه ثابت با زمان) برای به دست آوردن باقیمانده ها است
جایی که 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.
-
انجام INT در باقی مانده برای به دست آوردن ز امتیازات 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(تومن) نشان دهنده رتبه نمونه از تومن هنگامی که اندازه گیری ها به ترتیب صعودی قرار می گیرند. INT مبتنی بر رتبه به صورت زیر تعریف می شود:
اینجا تابع چگالی نرمال یا تابع توزیع تجمعی معکوس یک توزیع نرمال است که نام INT از آن گرفته شده است. ک (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.
-
از آنجا که تبدیل INT خطی نیست، تبدیل شده است دوباره با اطلاعات پس زمینه مرتبط است 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. بر روی متغیرهای کمکی ثابت زمان (اطلاعات پس زمینه) برای بدست آوردن باقیمانده (مک کاو و همکاران نقل قول۲۰۲۰):
جایی که ضرایب (گزارش نشده) از است پاقدامات کاهشی در jامین متغیر کمکی تغییرناپذیر زمان، از جمله رهگیری ها.
-
تازه به دست آمده و 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:
جایی که عبارت ثابت است، ضریب است مناقدام کاهشی و مدل باقی مانده است.
روش تحلیل تاثیر با در نظر گرفتن ساختارهای مکانی و زمانی و ارزیابی امتیازدهی برای دولت های ایالتی
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.
-
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.
-
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.
-
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.
-
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
دادههای خام ابتدا از طریق رویکرد غیرمستقیم INT تبدیل شدند و سپس به مدلهای غیرمکانی، فضایی و BHSTVCP بیزی داده شدند. این مدل ها شانزده مجموعه جهانی (به ترتیب هشت مدل بیزی سلسله مراتبی غیرفضایی و فضایی) و ۱۲۲۴۰۰ مجموعه از روابط متفاوت محلی بین پنج استراتژی NPI و گسترش COVID-19 در ایالات متحده تولید می کنند (در مجموع، ۸ * ۵A وجود دارد. €‰= ۴۰ ضرایب رگرسیون هرکدام برای مدلهای غیرفضایی و فضایی سلسله مراتبی بیزی، و ۱۲۲۴۰۰ * ۵ = ۶۱۲۰۰۰ ضرایب رگرسیون مکانی زمانی متغیر برای مدلهای BHSTVCP). ضرایب جهانی در گزارش شده است . معیار اطلاعات انحراف اشباع (DIC) که برای مقایسه مدل های سلسله مراتبی بیزی استفاده می شود نیز تولید و گزارش شده است. . این نتایج شواهد محکمی برای دسترسی به اثربخشی مداخله COVID-19 و ارزیابی نحوه مصرف چنین اطلاعاتی در طول فرآیند سیاست گذاری در ایالت های مختلف ایالات متحده ارائه می دهد.
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.)، 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. . 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 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. و پنج نقشه ().
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 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 ().
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 . 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 .
بحث و نتیجه گیری
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، 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.). 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.) در طرح رتبه بندی ما.
به عنوان مثال، برای ایالت های پنجک برتر در رتبه بندی (بیش 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). و ). 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.
مواد تکمیلی
بیانیه افشا
هیچ تضاد منافع احتمالی توسط نویسندگان گزارش نشده است.
مواد تکمیلی
دادههای تکمیلی این مقاله را میتوانید در سایت ناشر در آدرس زیر مشاهده کنید: https://doi.org/10.1080/24694452.2023.2292807
اطلاعات تکمیلی
یادداشت هایی در مورد مشارکت کنندگان
دانلین یو
DANLIN YU استاد جغرافیای شهری و GIS در گروه زمین و مطالعات محیطی، دانشگاه ایالتی Montclair، Montclair، NJ 07043 است. ایمیل: yud@montclair.edu. زمینه های تحقیقاتی او شامل تحلیل داده های مکانی و مکانی، جغرافیای شهری و بازسازی و شبیه سازی سیستم های پیچیده است.
شنیانگ گو
SHENYANG GUO استاد برجسته فرانک جی برونو در دانشکده براون دانشگاه واشنگتن در سنت لوئیس، سنت لوئیس، MO 63130 است. ایمیل: s.guo@wustl.edu. زمینه های تحقیقاتی وی شامل روش های تحقیق کمی، رفاه کودک، سلامت روان کودک و پژوهش مداخله ای است.
یوانیوان یانگ
YUANYUAN YANG دانشجوی دکترا در دانشکده مددکاری اجتماعی براون در دانشگاه واشنگتن در سنت لوئیس، سنت لوئیس، MO 63130 است. ایمیل: yuanyuan.yang@wustl.edu. علایق تحقیقاتی او شامل سیاست فقر مبتنی بر دارایی و عوامل اجتماعی تعیین کننده سلامت روان کودکان است.
لینیون فو
LINYUN FU دانشجوی دکترا در دانشکده مددکاری اجتماعی خانواده تاج و تخت در دانشگاه شیکاگو، شیکاگو، IL 60637 است. ایمیل: fulinyun@uchicago.edu. علایق تحقیقاتی او شامل ارزیابی برنامه و سیاست، پژوهش مداخله ای و سلامت روان کودک است.
تیموتی مک براید
تیموتی مکBRIDE استاد مدرسه براون، دانشگاه واشنگتن در سنت لوئیس، سنت لوئیس، MO 63130 است. ایمیل: tmcbride@wustl.edu. علایق تحقیقاتی او شامل بیمه نامه درمانی، Medicaid، Medicare، اقتصاد سلامت، بهداشت روستایی و مراقبت های طولانی مدت است.
رووپنگ آن
RUOPENG AN دانشیار دانشکده براون و بخش علوم محاسباتی و داده در دانشگاه واشنگتن در سنت لوئیس، سنت لوئیس، MO 63124 است. ایمیل: ruopeng@wustl.edu. تحقیقات او سیاستهای سطح جمعیت، غذای محلی و محیط ساختهشده و عوامل اجتماعی اقتصادی را که بر رفتار رژیم غذایی، فعالیت بدنی، سبک زندگی بیتحرک و چاقی در کودکان، بزرگسالان در تمام سنین و افراد دارای معلولیت تأثیر میگذارند، ارزیابی میکند.
منابع
- . ۲۰۲۱٫ نابرابری های نژادی، اقتصادی و بهداشتی در ایالات متحده. مجله نابرابری های سلامت نژادی و قومی ۸ (۳): ۷۳۲ – ۴۲٫ doi: 10.1007/s40615-020-00833-4.
- آبل، تی و دی مک کوئین. ۲۰۲۰٫ همهگیری کووید-۱۹ خواستار فاصلهگذاری فضایی و نزدیکی اجتماعی است: نه برای فاصلهگذاری اجتماعی! مجله بین المللی بهداشت عمومی ۶۵ (۳): ۲۳۱٫ دو: ۱۰٫۱۰۰۷/s00038-020-01366-7.
- آدولف، سی، کی. آمانو، بی. بنگ جنسن، ان. فولمن و جی. ویلکرسون. ۲۰۲۱٫ سیاست های همه گیر: زمان بندی پاسخ های فاصله گذاری اجتماعی در سطح ایالت به COVID-19. مجله سیاست، سیاست و قانون سلامت ۴۶ (۲): ۲۱۱ – ۳۳٫ doi: 10.1215/03616878-8802162.
- Agarwal، R.، M. Dugas، J. Ramaprasad، JJ Luo، GJ Li، و GD Gao. 2021. امتیازات اجتماعی-اقتصادی و ایدئولوژی سیاسی با نابرابری نژادی در واکسیناسیون کووید-۱۹ مرتبط است. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا ۱۱۸ (۳۳): ۳٫ doi: 10.1073/pnas.2107873118.
- آلکات، اچ، ال. باکسل، جی. کانوی، ام. گنتزکو، ام. تالر، و دی. یانگ. ۲۰۲۰٫ قطبی شدن و سلامت عمومی: تفاوت های حزبی در فاصله گذاری اجتماعی در طول همه گیری ویروس کرونا. مجله اقتصاد عمومی ۱۹۱:۱۰۴۲۵۴٫ doi: 10.1016/j.jpubeco.2020.104254.
- اندرسون، RM، H. Heesterbeek، D. Klinkenberg، و TD Hollingsworth. 2020. اقدامات کاهشی مبتنی بر کشور چگونه بر روند اپیدمی COVID-19 تأثیر می گذارد؟ لانست ۳۹۵ (۱۰۲۲۸): ۹۳۱ – ۳۴٫ دو: ۱۰٫۱۰۱۶/S0140-6736(20)30567-5.
- Anselin, L. 1988. اقتصاد سنجی فضایی: روش ها و مدل ها. دوردرخت، هلند: آکادمیک کلوور.
- اوگر، کا، اس اس شاه، تی ریچاردسون، دی. هارتلی، ام. هال، آ. وارنیمنت، کی. تیمونز، دی. بوس، اس.ای.فریس، پی دبلیو برادی، و همکاران. ۲۰۲۰٫ ارتباط بین تعطیلی مدارس در سراسر ایالت و بروز و مرگ و میر COVID-19 در ایالات متحده. جاما ۳۲۴ (۹): ۸۵۹ تا ۷۰٫ دو: ۱۰٫۱۰۰۱/jama.2020.14348.
- Baker، RE، SW Park، WC Yang، GA Vecchi، CJE Metcalf، و BT Grenfell. 2020. تأثیر مداخلات غیردارویی COVID-19 بر پویایی آینده عفونتهای بومی. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا ۱۱۷ (۴۸):۳۰۵۴۷-۵۳٫ doi: 10.1073/pnas.2013182117.
- بارتلز، LM 1993. پیام های دریافتی: تأثیر سیاسی قرار گرفتن در معرض رسانه ها. بررسی علوم سیاسی آمریکا ۸۷ (۲): ۲۶۷ تا ۸۵٫ doi: 10.2307/2939040.
- Besag, J. 1974. تعامل فضایی و تجزیه و تحلیل آماری سیستم های شبکه. مجله انجمن آمار سلطنتی: سری B (روش شناختی) ۳۶ (۲): ۱۹۲ – ۲۲۵٫
- Besag، J.، و PJ Green. 1993. آمار فضایی و محاسبات بیزی. مجله انجمن آمار سلطنتی: سری B (روش شناختی) ۵۵ (۱): ۲۵ – ۳۷٫
- Boserup، B.، M. McKenney، و A. Elkbuli. 2020. تأثیر نامتناسب بیماری همه گیر COVID-19 بر اقلیت های نژادی و قومی. جراح آمریکایی ۸۶ (۱۲): ۱۶۱۵ – ۲۲٫ doi: 10.1177/0003134820973356.
- Brauner, JM, S. Mindermann, M. Sharma, D. Johnston, J. Salvatier, T. GavenÄ iak, AB Stephenson, G. Leech, G. Altman, V. Mikulik, et al. 2021. استنباط اثربخشی مداخلات دولت در برابر COVID-19. علوم پایه ۳۷۱ (۶۵۳۱): ۸۰۲٫ doi: 10.1126/science.abd9338.
- مراکز کنترل و پیشگیری از بیماری (CDC). 2021. روند تعداد واکسیناسیون کووید-۱۹ در ایالات متحده ۲۰۲۱٫ مشاهده شده در ۲۸ سپتامبر ۲۰۲۱٫ https://covid.cdc.gov/covid-data-tracker/#vaccination-trends_vacctrends-fully-daily.
- چونگ، JC-S. 2022. پاسخ به COVID-19 در مجلات اصلی مددکاری اجتماعی: مروری سیستماتیک از مطالعات تجربی، نظرات و سرمقاله ها. تحقیق در مورد تمرین مددکاری اجتماعی ۳۲ (۲): ۱۶۸ تا ۸۵٫ doi: 10.1177/10497315211046846.
- Dehning، J.، J. Zierenberg، FP Spitzner، M. Wibral، JP Neto، M. Wilczek، و V. Priesemann. 2020. استنباط نقاط تغییر در گسترش COVID-19 اثربخشی مداخلات را نشان می دهد. علوم پایه ۳۶۹ (۶۵۰۰):eabb9789. doi: 10.1126/science.abb9789.
- Desmarais، BA، RJ La Raja، و MS Kowal. 2015. سرنوشت رقبا در انتخابات مجلس نمایندگان ایالات متحده: نقش شبکه های حزبی گسترده در حمایت از نامزدها و شکل دادن به نتایج انتخابات. مجله آمریکایی علوم سیاسی ۵۹ (۱): ۱۹۴ – ۲۱۱٫ doi: 10.1111/ajps.12106.
- Dowd، JB، L. Andriano، DM Brazel، V. Rotondi، P. Block، XJ Ding، Y. Liu، و MC Mills. 2020. علم جمعیت شناسی به درک میزان شیوع و مرگ و میر COVID-19 کمک می کند. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا ۱۱۷ (۱۸): ۹۶۹۶ – ۹۸٫ doi: 10.1073/pnas.2004911117.
- الهورست، جی پی ۲۰۱۴٫ اقتصادسنجی فضایی: از داده های مقطعی تا پانل های فضایی. نیویورک: اسپرینگر.
- Enserink، M.، و K. Kupferschmidt. 2020. با کووید-۱۹، مدل سازی اهمیت مرگ و زندگی می یابد. علوم پایه ۳۶۷ (۶۴۸۵): ۱۴۱۴ – ۱۵٫ doi: 10.1126/science.367.6485.1414-b.
- جنتون، MG 2001. کلاس های هسته برای یادگیری ماشین: دیدگاه آماری. مجله تحقیقات یادگیری ماشین ۲ (دسامبر): ۲۹۹ تا ۳۱۲٫
- گنر، آر.، Ä°. HasanoÄŸlu، و F. AktaÅŸ. ۲۰۲۰٫ COVID-19: اقدامات پیشگیری و کنترل در جامعه. مجله علوم پزشکی ترکیه ۵۰ (و یکی):۵۷۱-۵۷۷٫ doi: 10.3906/sag-2004-146.
- گوو، اس.، آر. آن، تی دی مک براید، دی. یو، ال. فو و ی. یانگ. ۲۰۲۰٫ مداخلات کاهش در ایالات متحده: بررسی اکتشافی عوامل تعیین کننده و اثرات. تحقیق در مورد تمرین مددکاری اجتماعی ۳۱ (۱): ۲۶ تا ۴۱٫ doi: 10.1177/1049731520957415.
- همیلتون، JD 2020. تحلیل سری های زمانی. پرینستون، نیوجرسی: انتشارات دانشگاه پرینستون.
- هان، جی، بی دی مایر و جی ایکس سالیوان. ۲۰۲۰٫ درآمد و فقر در همه گیری COVID-19. کمبریج، MA: دفتر ملی تحقیقات اقتصادی.
- جیکوبز، ال آر و آرای شاپیرو. ۲۰۰۰٫ سیاستمداران غمگین نیستند: دستکاری سیاسی و از دست دادن پاسخگویی دموکراتیک. شیکاگو: انتشارات دانشگاه شیکاگو.
- کر، جی.، سی. پاناگووپولوس، و اس. ون در لیندن. ۲۰۲۱٫ قطبی شدن سیاسی در واکنش به همه گیری COVID-19 در ایالات متحده. شخصیت و تفاوت های فردی ۱۷۹ (۹):۱۱۰۸۹۲٫ doi: 10.1016/j.paid.2021.110892.
- کریمر، MUG، C.-H. یانگ، بی. گوتیرز، سی.-اچ. وو، بی. کلاین، دی.ام. پیگوت، ال. دو پلسیس، ان آر فاریا، آر. لی، دبلیو پی هاناژ، و همکاران. ۲۰۲۰٫ تأثیر تحرک انسان و اقدامات کنترلی بر اپیدمی COVID-19 در چین. علوم پایه ۳۶۸ (۶۴۹۰): ۴۹۳ – ۹۷٫ doi: 10.1126/science.abb4218.
- Kreps، S.، S. Prasad، JS Brownstein، Y. Hswen، BT Garibaldi، BB Zhang، و DL Kriner. 2020. عوامل مرتبط با احتمال پذیرش واکسیناسیون COVID-19 در بزرگسالان ایالات متحده. شبکه JAMA باز است ۳ (۱۰):e2025594. doi: 10.1001/jamanetworkopen.2020.25594.
- Largent، EA، G. Persad، S. Sangenito، A. Glickman، C. Boyle، و EJ Emanuel. 2020. نگرش عمومی ایالات متحده نسبت به دستورات واکسن کووید-۱۹٫ شبکه JAMA باز است ۳ (۱۲):e2033324. doi: 10.1001/jamanetworkopen.2020.33324.
- Laurencin، CT، و A. McClinton. 2020. همهگیری کووید-۱۹: فراخوانی برای اقدام برای شناسایی و رسیدگی به نابرابریهای نژادی و قومی. مجله نابرابری های سلامت نژادی و قومی ۷ (۳): ۳۹۸ – ۴۰۲٫ doi: 10.1007/s40615-020-00756-0.
- LeSage، JP، و RK Pace. 2009. مقدمه ای بر اقتصاد سنجی فضایی. Boca Raton، FL: Taylor & Francis/CRC Press.
- Mackey، K.، CK Ayers، KK Kondo، S. Saha، SM Advani، S. Young، H. Spencer، M. Rusek، J. Anderson، S. Veazie، و همکاران. ۲۰۲۱٫ نابرابری های نژادی و قومی در عفونت های مرتبط با کووید-۱۹، بستری شدن در بیمارستان، و مرگ و میر یک بررسی سیستماتیک. سالنامه طب داخلی ۱۷۴ (۳): ۳۶۲ – ۷۳٫ دو: ۱۰٫۷۳۲۶/M20-6306.
- Masket، SE، J. Winburn، و GC Wright. 2012. جریماندررها می آیند! تقسیم مجدد قانونی بر رقابت یا قطبی شدن تأثیر چندانی نخواهد گذاشت، مهم نیست چه کسی این کار را انجام می دهد. PS: علوم سیاسی و سیاست ۴۵ (۱): ۳۹ – ۴۳٫
- McCaw، ZR، JM Lane، R. Saxena، S. Redline و XH Lin. 2020. ویژگی های عملیاتی تبدیل نرمال معکوس مبتنی بر رتبه برای تجزیه و تحلیل صفات کمی در مطالعات ارتباطی در سطح ژنوم. بیومتریک ۷۶ (۴): ۱۲۶۲ – ۷۲٫
- مموت، تی، اس. کارلی، ام. گراف، و دی.م. کونیسکی. ۲۰۲۱٫ نابرابری های اجتماعی جمعیت شناختی در ناامنی انرژی در میان خانوارهای کم درآمد قبل و در طول همه گیری COVID-19. انرژی طبیعت ۶ (۲): ۱۸۶ – ۹۳٫ دو: ۱۰٫۱۰۳۸/s41560-020-00763-9.
- Moser، KA، AJ Fox، و DR Jones. 1984. بیکاری و مرگ و میر در مطالعه طولی OPCS. لانست ۲ (۸۴۱۵): ۱۳۲۴ – ۲۹٫ doi: 10.1016/s0140-6736(84)90832-8.
- نازیا، ان.، جی لاو، و ZA Butt. 2022. شناسایی الگوهای مکانی-زمانی انتقال COVID-19 و محرک های الگوها در تورنتو: مدلسازی فضایی-زمانی سلسله مراتبی بیزی. گزارش های علمی ۱۲ (۱): ۹۳۶۹٫ doi: 10.1038/s41598-022-13403-x.
- Neyman, J. 1923. در مورد کاربرد نظریه احتمال در آزمایشات کشاورزی: مقاله در اصول. علوم آماری ۵:۴۶۵ – ۸۰٫
- نقاش، م.، و تی کیو. ۲۰۲۰٫ باورهای سیاسی بر تبعیت از دستورات فاصله گذاری اجتماعی COVID-19 تأثیر می گذارد. اقتصاد کووید ۴:۱۰۳ – ۲۳٫
- Parolin، Z.، M. Curran، J. Matsudaira، J. Waldfogel، و C. Wimer. 2020. نرخ ماهانه فقر در ایالات متحده در طول همه گیری COVID-19. مقاله کاری فقر و سیاست اجتماعی، مرکز فقر و سیاست اجتماعی، دانشگاه کلمبیا، نیویورک.
- پاتریک، اس ال، و اچ سی کورمیر. ۲۰۲۰٫ آیا زندگی ما آزمایش است؟ درس های COVID-19 در طول یک آزمایش طبیعی آشفته – یک تفسیر. بررسی رفتار و خط مشی سلامت ۷ (۲): ۱۶۵ – ۶۹٫
- پترسون، اس. ۲۰۲۲٫ سیاست های همه گیر: تأثیر دستورات ماندن در خانه بر کاهش COVID-19. فصلنامه سیاست و سیاست دولتی ۲۲ (۱): ۱ – ۲۳٫ doi: 10.1017/spq.2021.14.
- Puspitasari، IM، L. Yusuf، RK Sinuraya، R. Abdullah، و H. Koyama. 2020. دانش، نگرش و عملکرد در طول همه گیری کووید-۱۹: مروری. مجله بهداشت و درمان چند رشته ای ۱۳: ۷۲۷ – ۳۳٫ doi: 10.2147/JMDH.S265527.
- Quan، D.، L. Luna Wong، A. Shallal، R. Madan، A. Hamdan، H. Ahdi، A. Daneshvar، M. Mahajan، M. Nasereldin، M. Van Harn، و همکاران. ۲۰۲۱٫ تأثیر نژاد و وضعیت اجتماعی-اقتصادی بر پیامدهای بیماران بستری در بیمارستان با COVID-19. مجله داخلی عمومی ۳۶ (۵): ۱۳۰۲ – ۱۳۰۹٫ دو: ۱۰٫۱۰۰۷/s11606-020-06527-1.
- تیم اصلی R. 2022. R: زبان و محیطی برای محاسبات آماری. وین، اتریش: بنیاد R برای محاسبات آماری.
- رادلی، دی سی، جی سی بامگارتنر، و اس آر کالینز. ۲۰۲۳٫ کارت امتیازی ۲۰۲۲ در مورد عملکرد سیستم بهداشت دولتی: ایالت ها در طول همه گیری COVID-19 چگونه عمل کردند؟ صندوق مشترک المنافع بازدید در ۶ مارس ۲۰۲۳٫ https://www.commonwealthfund.org/publications/scorecard/2022/jun/2022-scorecard-state-health-system-performance.
- Raifman، MA، و JR Raifman. 2020. نابرابری در جمعیت در معرض خطر بیماری شدید ناشی از COVID-19 بر اساس نژاد/قومیت و درآمد. مجله آمریکایی پزشکی پیشگیری ۵۹ (۱): ۱۳۷ تا ۳۹٫ doi: 10.1016/j.amepre.2020.04.003.
- Rubin, DB 1974. برآورد اثرات علی درمانها در مطالعات تصادفی و غیرتصادفی. مجله روانشناسی تربیتی ۶۶ (۵): ۶۸۸ – ۷۰۱٫ doi: 10.1037/h0037350.
- Rubin, DB 1986. نظر. مجله انجمن آمار آمریکا ۸۱ (۳۹۶): ۹۶۱ – ۶۲٫
- Rue، H.، و L. Held. 2005. میدانهای تصادفی مارکوف گاوسی: نظریه و کاربردها. بوکا راتون، FL: مطبوعات CRC.
- Rue، H.، S. Martino، و N. Chopin. 2009. استنتاج بیزی تقریبی برای مدل های گاوسی نهفته با استفاده از تقریب های لاپلاس تو در تو یکپارچه. مجله انجمن آماری سلطنتی سری B: روش شناسی آماری ۷۱ (۲): ۳۱۹ – ۹۲٫ doi: 10.1111/j.1467-9868.2008.00700.x.
- Salomon، JA، A. Reinhart، A. Bilinski، EJ Chua، W. La Motte-Kerr، MM Rönn، MB Reitsma، KA Morris، S. LaRocca، TH Farag، و همکاران. ۲۰۲۱٫ بررسی روندها و تأثیر کووید-۱۹ ایالات متحده: اندازه گیری بی درنگ مداوم علائم، خطرات، رفتارهای محافظتی، آزمایش و واکسیناسیون کووید-۱۹٫ مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا ۱۱۸ (۵۱): ۹٫ doi: 10.1073/pnas.2111454118.
- Tai، DBG، A. Shah، CA Doubeni، IG Sia، و ML Wieland. 2020. تأثیر نامتناسب COVID-19 بر اقلیت های نژادی و قومی در ایالات متحده. بیماری های عفونی بالینی: نشریه رسمی انجمن بیماری های عفونی آمریکا ۷۲ (۴):۷۰۳-۷۰۶٫ doi: 10.1093/cid/ciaa815.
- Thebault، R.، AB Tran، و V. Williams. 2020. ویروس کرونا سیاهپوستان آمریکایی را با نرخ بسیار نگرانکنندهای آلوده کرده و میکشد. واشنگتن پست، ۷ آوریل.
- Tian، HY، YH Liu، YD Li، CH Wu، B. Chen، MUG Kraemer، BY Li، J. Cai، B. Xu، QQ Yang، و همکاران. ۲۰۲۰٫ بررسی اقدامات کنترل انتقال در طی ۵۰ روز اول اپیدمی COVID-19 در چین. علوم پایه ۳۶۸ (۶۴۹۱): ۶۳۸ – ۴۲٫ doi: 10.1126/science.abb6105.
- ویرگولینو، آ.، جی. کاستا، او. سانتوس، می پریرا، آر. آنتونس، اس. آمبروسیو، ام جی هیتور، و آ. واز کارنیرو. ۲۰۲۲٫ گمشده در گذار: بررسی سیستماتیک ارتباط بین بیکاری و سلامت روان. مجله سلامت روان ۳۱ (۳):۴۳۲-۴۴٫ doi: 10.1080/09638237.2021.2022615.
- وب هوپر، ام.، ام ناپلز، و ای جی پارز-استیبل. ۲۰۲۰٫ کووید-۱۹ و نابرابری های نژادی/قومی. جاما ۳۲۳ (۲۴): ۲۴۶۶ – ۷۷٫ دو: ۱۰٫۱۰۰۱/jama.2020.8598.
- White، ER، و L. Hébert-Dufresne. 2020. تغییر پویایی اولیه COVID-19 در سطح ایالت در ایالات متحده. PLoS ONE 15 (10):e0240648. doi: 10.1371/journal.pone.0240648.
- Xu، Y.، YS Park و JD Park. 2021. اندازهگیری عملکرد واکنش ایالات متحده در برابر COVID-19 با استفاده از رویکرد DEA، CART و رگرسیون لجستیک یکپارچه. مراقبت های بهداشتی ۹ (۳): ۲۶۸٫ doi: 10.3390/healthcare9030268.
- Yu، DL 2010. کاوش روابط رگرسیون متفاوت مکانی-زمانی: تحلیل رگرسیون پانل وزندار جغرافیایی. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی ۳۸:۱۳۴ – ۳۹٫
- یو، دی، ی. ژانگ، جی. منگ، ایکس وانگ، ال. هی، ام. جیا، جی. اویانگ، ی. هان، جی. ژانگ و ی. لو. ۲۰۲۳٫ دیدن جنگل و درختان: دیدگاه کل نگر از فاصله گذاری اجتماعی در مورد گسترش COVID-19 در چین. جغرافیای کاربردی ۱۵۴: ۱۰۲۹۴۱٫ doi: 10.1016/j.apgeog.2023.102941.