Covid-19与人口密度的空间格局——以印度阿萨姆邦为例
Satyendra哈札里卡＊和Niha Dutta
1印度阿萨姆邦提斯普尔达朗学院地理系
http://dx.doi.org/10.12944/CWE.17.3.22
COVID-19;大流行;人口密度;空间格局
复制下面引用这篇文章:
Hazarika S, Dutta N. Covid-19与人口密度的空间格局:以印度阿萨姆邦为例。当代世界环境，2022;17(3)。DOI:http://dx.doi.org/10.12944/CWE.17.3.22
复制以下内容引用此URL:
Hazarika S, Dutta N. Covid-19与人口密度的空间格局:以印度阿萨姆邦为例。当代世界环境，2022;17(3)。
介绍
2019冠状病毒病是一场全球性灾难性大流行病，在2020- 2021年期间破坏了全人类的生活和生计。世界卫生组织(以下简称世卫组织)正在继续就COVID-19问题的各个方面开展工作，包括数据收集、一般卫生保健和具体预防，包括疫苗接种等。到2020年1月底，有20个国家报告了COVID-19, 2月增加到54个，到3月底增加到202个，到2020年4月进一步增加到212个。因此，它很快就变成了一场全球健康危机，不包括南极和太平洋的一些岛屿。在第三波COVID-19即将到来的印度，自大流行开始以来，该国正在与2500万例病例作斗争。因此，该国在确诊感染病例中排名第二，仅次于美利坚合众国。
根据世卫组织的一份全球报告，截至2021年10月，全球共发现243,857,028例确诊病例，其中包括4,953,246例死亡。印度有34,202,202例确诊病例(仅占全球COVID病例的14%左右)，其中455,068例死亡，占全球COVID死亡人数的9.2%(世卫组织报告)。根据最新的全球统计数据，冠状病毒总病例为599,283,402例，其中死亡6,467,402例，康复573,275,931例(截至19日)th2022年8月)。
另一个有趣的观察是，人口密度高的地方，如城市和大都市等，疾病的传播速度比隔离和人口密度低的地方更快。在印度各邦中，马哈拉施特拉邦报告的新冠肺炎确诊病例最多，超过660万例，其次是喀拉拉邦和卡纳塔克邦(截至2021年10月)，其中阿萨姆邦为17例th按确诊病例计算的位置。本文是对印度阿萨姆邦地区一级COVID-19模式的空间分析，涉及其地区人口密度和每万人口的影响，其中考虑了第一波大流行期间的数据库进行必要的分析。
COVID与种群动态的相关研究
在全球范围内，不同的研究人员考虑了各种与人口相关的参数，如密度、城市人口、经济状况等，建立了COVID-19与人口的相关性。在孟加拉国的一项区级研究中，COVID-19传播与人口密度模式呈正相关值R=0.876，呈高度相关。(1)
地理空间工具的使用也可以在了解COVID-19的各个方面发挥关键作用。另一项研究(2020年)表明，地理空间分析对于有效决策和解决与该疾病在空间和时间上的传播有关的关键问题具有相关性。（2）
Carballada和Balsa-Barreiro(2021)展示了如何紧急采用地理空间分析对细粒度数据的应用，以实现实时和近实时的最佳决策。（3）
另一项大都市层面的研究显示，单位面积人数对913个大都市县的COVID-19感染率和死亡率有直接和间接的影响。研究发现，大城市人口是感染率的重要预测指标。大城市的感染率和死亡率更高。(4）
自2019冠状病毒病(COVID-19)全球大流行爆发以来，各学科学者开展了相关研究。一些研究领域是:疾病的遗传学及其时空突变，疾病的医疗紧急情况，大流行爆发期间和之后的各种社会经济，人口和政治文化影响评估，封锁对健康，教育，经济，儿童心理等各个方面的影响。本文的尝试是对印度阿萨姆邦最初的COVID-19爆发与人口密度的关系进行人口区域水平的研究。现将在全球和国家一级进行的一些有关研究并入本报告。
在印度，Arif和Sengupta的一项研究解释了特定区域的人口密度如何影响冠状病毒的传播、接触和随后的扩散。这项研究揭示了人口密度与疾病传播之间的正相关关系。他们强调了这项基于印度南部喀拉拉邦、泰米尔纳德邦、卡纳塔克邦和特伦加纳邦四个邦的邦一级评估的研究。（5）
在人口密集的地方和人们密切接触的地方，传染病的传播范围更大，包括冠状病毒等传染病。在地区水平上的研究显示，病毒与这些地区的人口结构密度呈中等正相关。（6）
在印度对某一特定单位面积的居民及其对冠状病毒传播的影响进行的一项大都市水平的研究发现，两者之间存在很强的相关性，R=0.842(2021)。(7)
人口密度被认为是2019冠状病毒病在阿尔及利亚城市扩散的一个催化因素，在那里观察到人口密度与病毒传播之间存在很强的相关性(2020年)。（8）
研究区域:本文涵盖的研究区域是印度阿萨姆邦。在区级进行分析，探讨区级人口密度与新冠肺炎病例的相关性。图1显示了研究区域的轮廓图。
 |
图1:研究区域位置图 |
目标
本研究论文的主要目的如下
找出与阿萨姆邦各区人口密度模式相关的COVID-19疫区。
找出阿萨姆邦每1万人口中确诊的病例。
了解人口密度与新冠肺炎确诊病例的相关性。
研究的问题:
人口密度是否可能是COVID-19传播风险的关键决定因素?
方法:采用区级分析的方法，探讨我市2019冠状病毒病(COVID-19)确诊病例的相关性圣波)和阿萨姆邦各区的人口密度。对于人口密度二级数据库(2011年人口普查)和COVID-19确诊病例，考虑了阿萨姆邦政府。使用Karl Pearson相关法对关系进行分析，并进一步应用t检验进行检验。利用GIS平台构建了新型冠状病毒病区人口密度分布图。
除了“r”分析外，还预测了阿萨姆邦每1万人口的地区COVID-19确诊病例。它已按降序排列，并以趋势线的形式呈现。
 |
图:2研究方法流程图 |
讨论与分析
阿萨姆邦于31日发现首例确诊病例圣2020年3月，Karimganj地区。是3理查德·道金斯在曼尼普尔邦和米佐拉姆邦各出现一例病例后，印度东北部出现一例确诊病例。直到28th2021年2月，阿萨姆邦政府确认了63950例病例，其中18670例处于活跃状态。迄今为止，阿萨姆邦报告了45,138名患者康复，占70.58%，167人死亡(0.26%)。
区级疫情防控区
如表1所示，与人口密度相关，区级COVID分区分为低、中、高三个级别。根据数据，各地区的确诊病例到28为止th2021年2月，通过GIS平台上的地层图表示(图3)，其中Kamrup都会区被认为是COVID-19的热点，阿萨姆邦确诊病例为20,663例。除了Kamrup Metro, Nagaon、Jorhat、Dibrugarh、Tinsukia和Cachar地区也属于高发区，每个地区都有3000多例病例。这些地区也是人口密度最高的地区(>800人/平方公里)。另一方面，Goalpara、Kokrajhar、Barpeta、Baksa、Chirang、Bongaigaon、Nalbari、Udalguri、Morigaon、Karbi-Anglong、Dima Hasao、Hailakandi、Karimganj、Sivasagar、Lakhimpur和Dhemaji地区属于低病例区，病例少于1500例，是人口密度最低的地区(<400人/平方公里)。其余各区在COVID - 19确诊病例和人口密度方面均属于中等类别，病例在1500-3000之间，密度在400-800人/平方公里之间。
该地图基于2011年的人口普查数据，其中新成立的地区包括Hojai, Biswanath Chariali, Majuli, Charaideo和West Karbi Anglong。
表1:新冠肺炎确诊病例分布区域和人口密度
区 (以新冠肺炎确诊病例统计) |
区 |
密度 |
区 |
低 |
Goalpara、Kokrajhar、Barpeta、Baksa、Chirang、Bongaigaon、Nalbari、Udalguri、Morigaon、Karbi-Anglong、Dima Hasao、Hailakandi、Karimganj、Sivasagar、Lakhimpur和Dhemaji。 |
低(低于400) |
Dima Hasao、Karbi Anglong、Kokrajhar、Sonitpur、Dhemaji、Tinsukia、Dibrrugarh、Jorhat、Golaghat、Chirang和Baksa。 |
温和的 |
杜布里、卡姆鲁普农村、索尼特普尔、戈拉加特和达朗。 |
中等(400 - 800) |
Goalpara、Barpeta、Morigaon、Nagaon、Lakhimpur、Sivasagar、Cachar、Karimganj、Hailakandi、Bangaigaon、Kamrup Rural、Nalbari、Darrang和Udalguri。 |
高 |
Kamrup Metro, Nagaon, Jorhat, Dibrugarh, Tinsukia和Cachar。 |
高(800以上) |
Kamrup Metro和Dhubri。 |
来源:COVID区域基于COVID - 19仪表板-阿萨姆邦政府(https://covid19.assam.gov.in/）（9）
人口密度区基于2011年人口普查报告。
 |
图3:与人口密度相关的各区COVID-19区。 |
在直接或间接影响新增病例的各种控制因素中，城市人口和人口密度最为显著，其次是检测实验室、医生、其他卫生工作者、公共卫生中心床位、政府医院床位、国家贫困线以下人口、边缘工作者比例和老年人口比例等。人口密度是新冠肺炎最重要的促进因素之一，因此预计人口越多的地区，病例就会越多。为此，本文试图研究阿萨姆邦人口密度与COVID病例之间的相互关系。
每1万人中COVID病例的趋势分析:对阿萨姆邦每1万人中各区COVID确诊病例的分析估计如表2所示。它已按降序排列，并通过图4所示的趋势线进行投影。该图清楚地显示，卡姆鲁普都会区每1万人中的病例要高得多(每1万人中有164.78例)，这也是确诊病例总数最高的地区。区内其他地方[我]远远落后于每万人40人以下。
表2:阿萨姆邦每1万人中各区COVID-19确诊病例(截至2021年10月)
地区名称 |
确诊病例总数 |
全区总人口 |
新冠病例/万人 |
Kamrup地铁 |
20663 |
1253938 |
164.78 |
Jorhat |
3358 |
1092256 |
30.74 |
Dibrugarh |
3927 |
1326335 |
29.61 |
Tinsukia |
3366 |
1327929 |
25.35 |
Golaghat |
2387 |
1066888 |
22.37 |
Hailakandi |
1387 |
659296 |
21.04 |
Darrang |
1907 |
928500 |
20.54 |
Kamrup(农村) |
2902 |
1517542 |
19.12 |
Cachar |
3302 |
1736617 |
19.01 |
Bangaigaon |
1113 |
738804 |
15.06 |
Nagaon |
3895 |
2823768 |
13.79 |
Nalbari |
948 |
771639 |
12.29 |
Sonitpur |
2351 |
1924110 |
12.22 |
Lakhimpur |
1266 |
1042137 |
12.15 |
迪玛Hasao |
237 |
214102 |
11.07 |
Udalguri |
758 |
831668 |
9.11 |
Dhubri |
1723 |
1949258 |
8.84 |
Karimganj |
1025 |
1228686 |
8.34 |
Dhemaji |
502 |
686133 |
7.32 |
Morigaon |
638 |
957423 |
6.66 |
Barpeta |
1121 |
1693622 |
6.62 |
Karbi Anglong |
632 |
956313 |
6.61 |
Goalpara |
658 |
1008183 |
6.53 |
Chirang |
280 |
482162 |
5.81 |
Baksa |
487 |
950075 |
5.13 |
处 |
408 |
887142 |
4.59 |
Sibsagar |
529 |
1151050 |
4.59 |
数据来源:COVID-19确诊病例基于COVID-19仪表板-阿萨姆邦政府
总人口数据基于2011年人口普查报告。(10)
 |
图4:各区确诊病例/万人口。 |
相关性计算:基于各区人口密度和新冠肺炎确诊病例，使用Karl Pearson相关性计算“r”，并进一步使用t检验进行检验。结果分别列在表3和表4中。
表3:相关性
人口密度 |
新冠确诊病例 |
||
|---|---|---|---|
人口密度 |
皮尔森相关 |
1 |
.641** |
Sig (2-tailed)。 |
组织 |
||
N |
27 |
27 |
|
新冠确诊病例 |
皮尔森相关 |
.641** |
1 |
Sig (2-tailed)。 |
组织 |
||
N |
27 |
27 |
|
**相关性在0.01水平上显著(双尾)。 |
|||
为了显示人口密度与COVID确诊病例之间的关系，计算了卡尔·皮尔逊相关系数，因为它是一种统计工具，用于检查两个变量之间的关联，以及两个变量是正相关还是负相关，以及它们的关系强度是多少。由表3可知，人口密度与新冠肺炎确诊病例之间存在正相关关系，R值为0.641，介于0.5 ~ 1之间。然而，不应用t检验是不可行的推广这种正相关的所有地区。
表4:配对样本t检验。
成对的差异 |
t |
df |
Sig (2-tailed)。 |
||||||
|---|---|---|---|---|---|---|---|---|---|
的意思是 |
标准偏差。 |
标准误差平均值 |
差异的95%置信区间 |
||||||
较低的 |
上 |
||||||||
对1 |
COVID确诊病例-人口密度 |
1.795 e3 |
3695.848 |
711.266 |
332.860 |
3256.918 |
2.524 |
26 |
.018 |
这里，t值为高度正，p值< 0.05，因此，可以明确人口密度与COVID确诊病例之间存在关系，这也具有统计学意义。因此，可以得出结论，这种正相关关系适用于所有地区。
 |
图5人口密度与确诊病例的散点图 |
图5显示，Kamrup Metro区，其次是Dibrugarh、Tinsukia、Jorhat、Cachar、Kamrup Rural、Golaghat、Sonitpur、Kokrajhar、Dhemaji、Chirang、Karbi Anglong和Dima Hasao，均高于拟合线，其余地区低于拟合线。
发现
根据这项研究，Kamrup大都市区的COVID病例最高，也是人口密度最高的地区。它还显示了每万人口中最高的COVID感染率。从整体上看，州新增病例与人口密度呈正相关，r值为0.641。本研究的部分发现总结如下:
直到28th2021年2月，阿萨姆邦政府确认有167人死于COVID，而在63950例确诊病例中，45,138例患者已经康复，占70.58%，其中18670例仍处于活动模式。
在各种控制因素中，高密度的人口规模(特别是城市人口)在阿萨姆邦每日新增病例中发挥了主导作用。
每万人感染新冠病毒的趋势显示，卡姆鲁普地区的确诊病例最高(每万人感染164.78例)，也是确诊病例总数最高的地区。该地区的其他地区远远落后，每万人中不到40人。
根据卡尔·皮尔森相关系数，人口密度与新冠肺炎确诊病例之间存在正相关关系，“r”值为0.641，介于0.5至1之间。在这方面，人口密度高的卡姆鲁普都会区已成为COVID-19的热点，阿萨姆邦确诊病例为20,663例，每10,000人的感染率最高。
Kamrup大都市区，其次是Dibrugarh, Tinsukia, Jorhat, Cachar, Kamrup农村，Golaghat, Sonitpur, Kokrajhar, Dhemaji, Chirang, Karbi Anglong和Dima Hasao，都在最佳适合线之上，其余则低于此线。
确认
我本人，论文的第一作者Satyendra Hazarika博士感谢我的合著者在执行我的概念方面的帮助，特别是在制作主题的GIS地图方面。
利益冲突
作者声明在完成这项工作时没有利益冲突。
资金来源
作者没有收到任何发表该研究文章的资金支持。
参考文献
- 阿拉姆，M.Z，人口密度是covid -19等传染病的危险因素吗?亚太公共卫生杂志，2021
- 张建军，张建军，张建军。基于GIS的新型冠状病毒肺炎疫情防控研究进展。科学指引,2020年第739卷
- 卡巴拉达和巴尔萨b。，Geospatial Analysis and Mapping Strategies for Fine-Grained and Detailed COVID-19 Data, with GIS,https://www.mdpi.com/2220-9964/10/9/602．2021
- Hamidi S.， Sabouri S.， Ewing R.，密度会加剧COVID-19大流行吗?，美国规划协会杂志，2020, vol.86, No.4, p1
- Arif M.， Sengupta S.，印度南部各邦人口密度与新型冠状病毒(COVID-19)大流行之间的关系:地理统计学方法，环境、发展和可持续发展;2012,23 (7)， 10246-10274
- Bhadra A, Mukherjee A, Sarkar K.人口密度对印度Covid-19感染率和死亡率的影响，模拟地球系统和环境，2021年,7 (1)623 - 629
- Dwivedi S.， Misra S.， Agnihotri R.， Kumar V.， Sharma P .， Sinam G.， Pandey V.环境疾病， vol.06, issue:04, 2021
- Kadi N.， Khelfaoui M.。人口密度是新冠病毒在阿尔及利亚传播的一个因素:统计研究国家研究中心卫生公报2020
- 阿萨姆邦Covid-19数据库;https://covid19.assam.gov.in/
- 2011年阿萨姆邦地区人口普查手册
- 世卫组织冠状病毒(Covid-19)仪表板https://covid19.who.int
