DOI: https://doi.org/10.4081/gh.2025.1277
PMID: https://pubmed.ncbi.nlm.nih.gov/40197607
تاريخ النشر: 2025-04-07
المؤلف: Sarah Isnan وآخرون
الموضوع الرئيسي: تحليل البيانات المكانية والبيانية
نظرة عامة
لقد أبرزت جائحة COVID-19 أهمية التحليل المكاني في فهم أنماط البيانات الجغرافية. تستخدم هذه الدراسة Moran’s I و Geary’s C لقياس الارتباط الذاتي المكاني، مع التركيز على العلاقات بين توزيعات حالات COVID-19. يظهر اختيار تقنيات المسافة ومصفوفات الوزن أنه يؤثر بشكل كبير على نتائج الارتباط الذاتي المكاني. من خلال استخدام تقنيات قائمة على المسافة مثل أقرب جار K و Queen contiguity، تقيم البحث حساسية تكوينات المعلمات المختلفة لكل من Moran’s I و Geary’s C.
تشير النتائج إلى أن Moran’s I يوفر نتائج أكثر موثوقية وقوة، حيث يظهر باستمرار ارتباطًا ذاتيًا مكانيًا إيجابيًا. على وجه الخصوص، يُوصى باستخدام وزن المسافة مانهاتن 0.05 لـ Moran’s I، حيث تفوق على مصفوفات الوزن الأخرى، مما أدى إلى قيمة Moran’s I تبلغ 0.0152، وقيمة Z تبلغ 110.8844، وقيمة p تبلغ 0.001. تسلط هذه الدراسة الضوء على فائدة مجموعات البيانات عالية الدقة في تقديم رؤى دقيقة حول الديناميات المكانية لتفشي الأمراض، مما يبرز أهمية إعدادات المعلمات المناسبة في التحليلات الوبائية المكانية.
مقدمة
تناقش المقدمة أهمية تقنيات الارتباط الذاتي المكاني، وبشكل خاص مؤشر Moran (Moran’s I) ونسبة تلاصق Geary (Geary’s C)، في تحليل الأنماط المكانية لتفشي الأمراض، خاصة خلال الأوبئة. تقيم هذه الطرق التشابه والاختلاف بين المواقع المجاورة بناءً على قيم سماتها. من الجدير بالذكر أن Moran’s I أظهر ارتباطًا ذاتيًا مكانيًا إيجابيًا قويًا في العديد من الأمراض المعدية، مما يشير إلى أن المناطق ذات الأعداد العالية من الحالات غالبًا ما تكون محاطة بمناطق متأثرة بشكل مشابه. يتم تجسيد هذه الظاهرة من خلال جائحة COVID-19، حيث ساهمت عوامل مثل التفاعل الاجتماعي، والظروف البيئية، وكثافة السكان في المناطق الماليزية ذات الكثافة السكانية العالية مثل كوالالمبور، غومباك، وبتالينغ في زيادة قابلية الإصابة.
تسلط المقدمة الضوء أيضًا على التطبيق الواسع لـ Moran’s I في الدراسات عبر دول مختلفة، مع الإشارة إلى أن Geary’s C تم استخدامه بشكل أقل تواترًا، مع دراسات محدودة مثل تلك التي أجراها Suryowati وآخرون (2018) التي تركز على حمى الضنك في إندونيسيا. يؤكد المؤلفون على قيود استخدام مصفوفات الوزن الافتراضية في تحليل الارتباط الذاتي المكاني، كما أشار Chen (2021)، والتي قد لا تلتقط الروابط المكانية بشكل كافٍ. لتعزيز صلاحية وموثوقية المنهجيات في دراسات الأوبئة، تهدف البحث إلى مقارنة حساسية Moran’s I و Geary’s C عند تطبيقها مع مصفوفات وزن مختلفة، ساعية في النهاية إلى تحديد المصفوفة الأكثر ملاءمة لتحديد الارتباط الذاتي المكاني.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، بما في ذلك أي اختبارات إحصائية أو نماذج حسابية تم استخدامها لتفسير النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول إعداد التجربة، مثل ظروف التحكم، وأحجام العينات، وأي بروتوكولات ذات صلة تم اتباعها لضمان قابلية التكرار وموثوقية النتائج. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على التقنيات والمواد التي تدعم البحث، مما يسمح بالتحقق والتكرار من قبل باحثين آخرين في هذا المجال.
نتائج
تشير نتائج تحليل الارتباط الذاتي المكاني إلى أن جميع الطرق الأربعة التي تستخدم Moran’s I مع مصفوفات وزن مختلفة أظهرت باستمرار ارتباطًا ذاتيًا مكانيًا إيجابيًا كبيرًا. بالمقابل، أنتج Geary’s C نتائج غير متسقة اعتمادًا على مصفوفات الوزن المستخدمة. من الجدير بالذكر أن وزن المسافة 0.01 كشف عن ارتباط ذاتي مكاني سلبي كبير مع طرق مانهاتن، وإقليدي، وأقرب جار، مما يشير إلى نمط تشتت بين المواقع المجاورة. تشير هذه النتيجة إلى أن المجموع الموزون للاختلافات المربعة بين المواقع المجاورة كان مرتفعًا بشكل كبير بالنسبة للتباين العالمي. على العكس، أدت أوزان المسافة 0.02 أو أكبر إلى ارتباط ذاتي مكاني إيجابي غير مهم، مما يعني تشابهًا أكبر بين المواقع القريبة.
توضح الأشكال المقدمة في الدراسة هذه النتائج بشكل أكبر. على وجه الخصوص، انخفضت قيم Moran’s I مع زيادة أوزان المسافة، بينما أظهرت قيم Geary’s C اتجاهًا معاكسًا، مما يدل على زيادة الحساسية للأنماط المكانية المحلية مع زيادة أوزان المسافة. بالإضافة إلى ذلك، كشفت تحليل طريقة أقرب جار أن زيادة عدد الجيران أدت إلى انخفاض القيم لكل من Moran’s I و Geary’s C، حيث أظهر Geary’s C حساسية أكبر للأنماط المكانية المحلية عند استخدام طريقة Queen contiguity. يتم تقديم نظرة عامة على الحساسية والتطبيقات المحتملة لكل من Moran’s I و Geary’s C في تحليل الارتباط الذاتي المكاني في المواد التكميلية.
مناقشة
في هذه الدراسة، تم تحليل مجموعة بيانات شاملة لحالات COVID-19 الإيجابية اليومية من 4 فبراير 2020 إلى 19 ديسمبر 2022، للتحقيق في أنماط الانتقال في ثلاثة مناطق ذات كثافة سكانية عالية في شبه جزيرة ماليزيا: بتالينغ، غومباك، وكوالالمبور. شملت مجموعة البيانات، التي تضم أكثر من مليون حالة، معلومات ديموغرافية مفصلة وتم الحصول عليها من تطبيق MySejahtera. استخدمت التحليل تقنيات الإحصائيات المكانية، بما في ذلك Moran’s I و Geary’s C، لتقييم الارتباط الذاتي المكاني وتجمع حالات COVID-19. أشارت النتائج إلى أن الارتباط الذاتي المكاني تضاءل مع زيادة أوزان المسافة، بما يتماشى مع قانون توبلر الأول للجغرافيا، بينما أظهرت طريقة المسافة مانهاتن حساسية أعلى للأنماط المحلية مقارنة بالمسافة الإقليدية.
سلطت الدراسة الضوء على أهمية اختيار مصفوفات الوزن المكاني وتقنيات المسافة المناسبة، كاشفة أن النهج العكسي للمسافة باستخدام وزن المسافة مانهاتن 0.05 أظهر أكثر النتائج اتساقًا وقوة لتحديد الأنماط المكانية. لوحظ أن Geary’s C يتمتع بقدرته على اكتشاف الشذوذ المحلي، مما يجعله ذا قيمة للتدخلات الصحية العامة المستهدفة. قدمت طريقة أقرب جار مرونة في تعريف العلاقات المكانية ولكنها تتطلب الحذر بسبب قدرتها على تخفيف الارتباط الذاتي المكاني عند النظر في النقاط البعيدة. بشكل عام، تؤكد البحث على أهمية مجموعات البيانات عالية الدقة والنهج التحليلية المخصصة في فهم ديناميات تفشي الأمراض، خاصة في البيئات الحضرية حيث يتكرر التجمع المكاني.
القيود
ت stem قيود الدراسة بشكل أساسي من اعتمادها على حالات COVID-19 المبلغ عنها من وزارة الصحة الماليزية، مما قد يقدم تحيزًا بسبب احتمال وجود حالات غير مُبلغ عنها. لا يزال مدى هذا التحيز غير محدد. بالإضافة إلى ذلك، بينما تضمن التحليل الارتباط الذاتي المكاني بناءً على تكرار الحالات، لم يأخذ في الاعتبار عوامل مؤثرة أخرى مثل الوضع الاجتماعي والاقتصادي، والخصائص الديموغرافية التفصيلية، والتدخلات الصحية، والتي قد تغير النتائج بشكل كبير.
يجب أن توسع الأبحاث المستقبلية نطاقها لتشمل هذه المتغيرات الإضافية، مع التركيز بشكل خاص على استراتيجيات التطعيم، حيث تقدم اللقاحات المختلفة مستويات متفاوتة من الحماية ضد COVID-19. من خلال فحص الارتباط الذاتي المكاني لأنواع التطعيم جنبًا إلى جنب مع توزيع حالات COVID-19، يمكن للباحثين الحصول على رؤى أعمق حول فعالية تدخلات التطعيم في السيطرة على الانتقال. تعتبر جمع البيانات الشامل أمرًا ضروريًا لتعزيز فهم العوامل التي تؤثر على الارتباط الذاتي المكاني ولإبلاغ استراتيجيات الصحة العامة.
DOI: https://doi.org/10.4081/gh.2025.1277
PMID: https://pubmed.ncbi.nlm.nih.gov/40197607
Publication Date: 2025-04-07
Author(s): Sarah Isnan et al.
Primary Topic: Spatial and Panel Data Analysis
Overview
The COVID-19 pandemic has underscored the importance of spatial analysis in understanding geospatial data patterns. This study employs Moran’s I and Geary’s C to measure spatial autocorrelation, focusing on the relationships between COVID-19 case distributions. The selection of distance techniques and weight matrices is shown to significantly influence the results of spatial autocorrelation. By utilizing distance-based techniques such as K-nearest neighbor and Queen contiguity, the research assesses the sensitivity of various parameter configurations for both Moran’s I and Geary’s C.
The findings indicate that Moran’s I yields more reliable and robust results, consistently demonstrating positive spatial autocorrelation. Specifically, a Manhattan distance weight of 0.05 for Moran’s I is recommended, as it outperformed other weight matrices, yielding a Moran’s I value of 0.0152, a Z-value of 110.8844, and a p-value of 0.001. This study highlights the utility of high-resolution datasets in providing accurate insights into the spatial dynamics of disease outbreaks, emphasizing the importance of appropriate parameter settings in spatial epidemiological analyses.
Introduction
The introduction discusses the significance of spatial autocorrelation techniques, specifically Moran’s Index (Moran’s I) and Geary’s Contiguity ratio (Geary’s C), in analyzing spatial patterns of disease outbreaks, particularly during pandemics. These methods assess the similarity and dissimilarity of neighboring locations based on their attribute values. Notably, Moran’s I has demonstrated a strong positive spatial autocorrelation in various infectious diseases, indicating that regions with high case numbers are often surrounded by similarly affected areas. This phenomenon is exemplified by the COVID-19 pandemic, where factors such as social interaction, environmental conditions, and population density in densely populated Malaysian regions like Kuala Lumpur, Gombak, and Petaling have contributed to increased infection susceptibility.
The introduction further highlights the widespread application of Moran’s I in studies across different countries, while noting that Geary’s C has been less frequently utilized, with limited studies such as that by Suryowati et al. (2018) focusing on dengue in Indonesia. The authors emphasize the limitations of using default weight matrices in spatial autocorrelation analysis, as pointed out by Chen (2021), which may not adequately capture spatial associations. To enhance the validity and reliability of methodologies in pandemic studies, the research aims to compare the sensitivity of Moran’s I and Geary’s C when applied with various weight matrices, ultimately seeking to identify the most appropriate matrix for determining spatial autocorrelation.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, including any statistical tests or computational models utilized to interpret the results.
Additionally, the section may include information on the experimental setup, such as control conditions, sample sizes, and any relevant protocols followed to ensure reproducibility and reliability of the findings. Overall, this section serves to provide a comprehensive overview of the techniques and materials that underpin the research, allowing for validation and replication by other researchers in the field.
Results
The results of the spatial autocorrelation analysis indicate that all four methods utilizing Moran’s I with varying weight matrices consistently demonstrated significant positive spatial autocorrelation. In contrast, Geary’s C produced inconsistent outcomes depending on the weight matrices employed. Notably, a distance weight of 0.01 revealed significant negative spatial autocorrelation with the Manhattan, Euclidean, and k-nearest neighbor methods, suggesting a dispersion pattern among neighboring locations. This finding indicates that the weighted sum of squared differences among adjacent locations was considerably high relative to the global variance. Conversely, distance weights of 0.02 or greater resulted in insignificant positive spatial autocorrelation, implying greater similarity among nearby locations.
Figures presented in the study further elucidate these findings. Specifically, Moran’s I values decreased with increasing distance weights, while Geary’s C values exhibited an opposite trend, indicating heightened sensitivity to local spatial patterns as distance weights increased. Additionally, the analysis of the k-nearest neighbor method revealed that increasing the number of neighbors resulted in lower values for both Moran’s I and Geary’s C, with Geary’s C demonstrating greater sensitivity to local spatial patterns when employing the Queen contiguity method. An overview of the sensitivity and potential applications of both Moran’s I and Geary’s C in spatial autocorrelation analysis is provided in supplementary materials.
Discussion
In this study, a comprehensive dataset of daily COVID-19 positive cases from February 4, 2020, to December 19, 2022, was analyzed to investigate transmission patterns in three densely populated districts of Peninsular Malaysia: Petaling, Gombak, and Kuala Lumpur. The dataset, encompassing over one million cases, included detailed demographic information and was sourced from the MySejahtera application. The analysis employed spatial statistics techniques, including Moran’s I and Geary’s C, to assess spatial autocorrelation and clustering of COVID-19 cases. The findings indicated that spatial autocorrelation diminished with increasing distance weights, consistent with Tobler’s first law of geography, while the Manhattan distance method demonstrated higher sensitivity to local patterns compared to Euclidean distance.
The study highlighted the importance of selecting appropriate spatial weight matrices and distance techniques, revealing that the inverse distance approach using a Manhattan distance weight of 0.05 yielded the most consistent and robust results for identifying spatial patterns. Geary’s C was noted for its ability to detect local anomalies, making it valuable for targeted public health interventions. The k-nearest neighbor method provided flexibility in defining spatial relationships but required caution due to its potential to dilute spatial autocorrelation when considering distant points. Overall, the research underscores the significance of high-resolution datasets and tailored analytical approaches in understanding the dynamics of disease outbreaks, particularly in urban settings where spatial clustering is prevalent.
Limitations
The study’s limitations primarily stem from its reliance on reported COVID-19 cases from the Malaysian Ministry of Health, which may introduce bias due to the potential presence of unreported cases. The extent of this bias remains undetermined. Additionally, while the analysis incorporated spatial autocorrelation based on case frequency, it did not account for other influential factors such as socioeconomic status, detailed demographics, and health interventions, which could significantly alter the findings.
Future research should expand the scope to include these additional variables, particularly focusing on vaccination strategies, as different vaccines offer varying levels of protection against COVID-19. By examining the spatial autocorrelation of vaccination types alongside the distribution of COVID-19 cases, researchers could gain deeper insights into the effectiveness of vaccination interventions in controlling transmission. Comprehensive data collection is essential to enhance understanding of the factors influencing spatial autocorrelation and to inform public health strategies.