Simplified diffusion analysis – cartography as a tool for combating pandemics

• Autorzy: Budkowski Szczepan

Identyfikatory

DOI

10.15576/GLL/2023.1.45

Warianty tytułu

PL

Uproszczona analiza dyfuzji- kartografia narzędziem walki z pandemią

• Języki publikacji: EN

Abstrakty

EN

The transmission of the SARS-CoV-2 virus is a complex and intricate process, but it is possible to efficiently track and contain the spread of the pandemic in a given area by observing the regularities of the pathogen’s diffusion. One of the basic measures to hamper the development of the disease was to reduce the intensity of social contact by banning free movement. An adequate response in selected regions, where the virus develops much more rapidly, is crucial and prevents serious economic damage to many industries. The modern perception of cartography as an interdisciplinary tool can contribute to limiting the diffusion of infection through spatial analyses. The aim of this paper is to present cartography as a tool to support the “management” of a pandemic. In terms of methodology, the well-known choropleth map method was employed along with spatial structure analyses. The basic category considered within the framework of statistics and econometrics is spatial relationships formulated for the purpose of achieving the set objective in the form of spatial weight matrices. In the analyses presented here, a modified Moran model was used, within which the Authors applied a row-standardised weight matrix using migration data of individual counties. The paper reviews what has been achieved so far, based mainly on European solutions. Insufficient availability of reliable data needed for advanced models (especially in the initial phase of virus spread) means that using migration data from the nearest neighbourhood can be a viable solution. This approach comes down to an analysis of migration and the population density in the county in question. A simplified analysis with a statistically significant probability allows the identification of counties that could potentially become sites of uncontrolled virus transmission in areas of high population density and high mobility. This is undoubtedly the main achievement of the publication. The results obtained converge approximately with the actual development of a pandemic. The studies carried out indicate that the development of a pandemic is influenced not only by the number of infections, but above all by population density, as well as economic, social, educational and transport networks, as shown by the high Pearson coefficient correlation of 0.83. The analyses indicate the possibility of uncontrolled transmission of the virus in areas of high population density and high mobility

PL

Transmisja wirusa SARS-CoV-2 jest procesem skomplikowanym i złożonym, jednak obserwacja prawidłowości związanych z dyfuzją patogenu pozwala na efektywne śledzenie i ograniczanie wzrostu pandemii na danym obszarze. Do podstawowych działań mających na celu zatrzymanie rozwoju choroby należało zmniejszenie intensywności kontaktów społecznych związanych z zakazem swobodnego przemieszczania się. Odpowiednie reagowanie w wybranych regionach, w których wirus rozwija się zdecydowanie bardziej dynamicznie, jest kluczowe i zapobiega poważnym stratom ekonomicznym w wielu branżach. Nowoczesne postrzeganie kartografii jako narzędzia interdyscyplinarnego może przyczynić się do ograniczenia dyfuzji zakażeń poprzez dokonywanie analiz przestrzennych. Celem niniejszego artykułu jest przedstawienie kartografii jako narzędzia wspomagającego „zarządzanie” pandemią. W zakresie metodologii wykorzystano znaną metodę kartogramu z uwzględnieniem metodyki analiz struktur przestrzennych. Podstawową kategorią rozważaną w ramach statystyki i ekonometrii są zależności przestrzenne sformułowane na potrzeby realizacji założonego celu w postaci macierzy wag przestrzennych. W przedstawionych analizach wykorzystany został zmodyfikowany model Morana, w ramach którego autorzy zastosowali wierszowo standaryzowaną macierz wagową wykorzystującą dane migracyjne poszczególnych powiatów. W artykule dokonano przeglądu dotychczasowych osiągnięć, opartych głównie na rozwiązaniach europejskich. Wykorzystanie faktu problematycznej ilości wiarygodnych danych niezbędnych do sporządzenia zaawansowanych modeli (szczególnie w pierwszym etapie dyfuzji wirusa) prowadzi do konkluzji o możliwości wykorzystania danych migracyjnych najbliższego sąsiedztwa. Taki sposób podejścia do zagadnienia sprowadza się do analizy migracji oraz zagęszczenia zaludnienia danego powiatu. Uproszczona analiza z istotnym statystycznie prawdopodobieństwem pozwala na wskazanie powiatów, które mogą stać się potencjalnie miejscem niekontrolowanej transmisji wirusa na obszarach o dużym zagęszczeniu ludności w koincydencji z ich mobilnością. Jest to niewątpliwie głównym osiągnięciem publikacji. Uzyskane wyniki konweniują w sposób przybliżony z rzeczywistym rozwojem pandemii. Przeprowadzone badania wskazują, że wpływ na rozwój pandemii ma nie tylko liczba infekcji, ale przede wszystkim gęstość zaludnienia, a także powiązania gospodarcze, społeczne, edukacyjne i transportowe, na co wskazuje wysoka korelacja współczynnika Pearson’a na poziomie 0.83. Prowadzone analizy wskazują na możliwość niekontrolowanej transmisji wirusa na obszarach o dużym zagęszczeniu ludności w koincydencji z ich mobilnością.

Słowa kluczowe

EN

cartography; spatial weight matrix; SARS-CoV-2; COVID-19; choropleth map; pandemic combating model

PL

kartografia; macierz wag przestrzennych; SARS-CoV-2; COVID-19; kartogram; model walki z pandemią

• Wydawca: Wydawnictwo Uniwersytetu Rolniczego w Krakowie
• Czasopismo: Geomatics, Landmanagement and Landscape
• Rocznik: 2023
• Tom: no. 1
• Strony: 45--55
• Opis fizyczny: Bibliogr. 39 poz., rys.

Twórcy

autor

Budkowski Szczepan

• University of Agriculture in Krakow Department of Geodesy 30-198 Kraków, ul. Balicka 253a

• https://orcid.org/000-0002-1806-1173

Bibliografia

• Araszkiewicz A., Mościcka A., Wabiński J., Kuźma M., Kiliszek D. 2021 Modeling of Various Spatial Patterns of SARS CoV-2. The Case of Germany, Journal of Clinical Medicine.
• Budkowski S., Litwin U. 2021. Jak kłamać mapą? Kartogram, czyli metody podziału klasowego. Przegląd Geodezyjny.
• Chen Z.L., Zhang Q., Lu Y., Guo Z.M., Zhang X., Zhang W.J., Guo C., Liao C.H., Li Q.L., Creise N.A.C. 1993. The exclusive point of minimum travel. Annals of the Association of American Geographers, 54.
• Chowaniak K. 2020. Biznes w czasie epidemii: wpływ koronawirusa na polskie przedsiębiorstwa. Personel i Zarządzanie, 5, 10–15.
• Florida R. 2020. The geography of coronavirus. Lity Lab. https://www. bloomberg.com/news/ articles/2020-04-03/what-we-know-about-density-and-covid-19-s-spread [accessed: 23.12.2022].
• Grabowski M., Zając A. 2009. Dane, informacja, wiedza – próba definicji. Zeszyty Naukowe, Uniwersytet Ekonomiczny w Krakowie, 798, 99–116.
• Han X.H. et al. 2020. Distribution of the Covid-19 epidemic and correlation with population emigration from Wuhan, China. Chin. Med., 133, 1044–1050.
• Haywood K.M. 2020. A post Covid-19 future: Tourism re-imagined and re-enabled. Tourism Geographies, 22, 3, 599–609.
• Jamshidi S., Baniasad M., Niyogi D. 2020. Global to USA county scale analysis of weather, urban density, mobility, homestay, and mask use on Covid-19. Int. J. Environ. Res. Public Health, 17, 7847.
• Jarynowski A., Wójta-Kempa M., Płatek D., Krzowski Ł., Bielik V. 2020. Spatial diversity of Covid-19 cases in Poland explained by mobility patterns: Preliminary results, SSRN, Elsevier.
• Komenda M., Bulhart V., Karolyi M., Jarkovský J., Mužík J., Májek O., Šnajdrová L., Łon E. 2020. Polityka pieniężna banków centralnych w dobie koronawirusa. Pieniądze i Więź, 1(86), 69–76.
• Kraak M.J., Ormeling F.J. 2020. Cartography, 4th end. CRC Press, Boca Raton.
• Krzysztofik R., Kantor-Pietraga I., Spórna T. 2020. Spatial and functional dimensions of the Covid-19 epidemic in Poland. Eurasian Geography and Economics, 99.
• Legendre P., Legendre L. 1998. Numerical ecology. 2nd edition. Elsevier Science BV, Amsterdam.
• Ma Y., Zhao Y., Liu J., He X., Wang B., Fu S., Yan J., Niu J., Zhou J., Luo B. 2020. Effects of temperature variation and humidity on the death of Covid-19 in Wuhan, China. Sci. Total Environ., 724, 138226.
• Medyńska-Gulij B. 2011. Kartografia i geowizualizacja. Wydawnictwo Naukowe PWN, Warszawa.
• Moran P.A.P 1950. Notes on continuous stochastic phenomena. Biometrika, 37, 1/2.
• Napierała T., Leśniewska-Napierała K., Burski R. 2020. Impact of Geographic Distribution of Covid-19 Cases on Hotels’ Performances: Case of Polish Cities, Sustainability, 12, 4697, doi.org/10.3390/su12114697.
• Neft D. 1966. Statistical analysis for areal distribution. Regional Science Research Institute, Filadelfia.
• Pérez-Fuentes M.D.C., Herrera-Peco I., Jurado M.D.M.M., Oropesa N.F., Gázquez Linares J.J. 2021. Predictors of Threat from Covid-19: A Cross-Sectional Study in the Spanish Population. J. Clin. Med., 10, 692.
• Pietrzak M.B. 2010. Dwuetapowa procedura budowy przestrzennej macierzy wag z uwzględnieniem odległości ekonomicznej. Oeconomia Copernicana, 1.
• Pluta W. 1986. Wielowymiarowa analiza porównawcza w modelowaniu ekonometrycznym. PWN, Warszawa.
• Ružičková P., Rážová J., Prymula R. et al. 2020. Complex Reporting of the Covid-19 Epidemic in the Czech Republic: Use of an Interactive Web-Based App in Practice. J. Med. Internet Res., 22.
• Sajadi M.M., Habibzadeh P., Vintzileos A., Shokouhi S., Miralles-Wilhelm F., Amoroso A. 2020 Temperature, humidity, and latitude analysis to predict potential spread and seasonality for Covid-19. SSRN Electron. J.
• Shi P., Dong Y., Yan H., Li X., Zhao C., Liu W., He M., Tang S., Xi S. 2020. The impact of temperature and absolute humidity on the coronavirus disease 2019 (Covid-19) outbreak – evidence from China. Med. Rxiv.
• Suchecka J., Antczak E. 2010. Elementy geostatystyki i metody analiz przestrzennych danych punktowych, C.H. Beck, Warszawa.
• Śleszyński P. 2020. Prawidłowości przebiegu dyfuzji przestrzennej rejestrowanych zakażeń koronawirusem SARS-Cov-2 w Polsce w pierwszych 100 dniach epidemii. Instytut Geografii i Przestrzennego Zagospodarowania PAN. Czasopismo Geograficzne, 91 (1–2).
• Tang K., Feng K., Lv W. 2020. High Temperature and High Humidity Reduce the Transmission of Covid-19. SSRN Electron. J.
• Wang Y., Liu Y., Struthers J., Lian M. 2020. Spatiotemporal Characteristics of the Covid-19 Epidemic in the United States. Clin. Infect. Dis., 72.
• Welfe A. 2009. Ekonometria. Metody i ich zastosowanie, PWE, Warszawa.
• https://wellcomecollection.org/works?query=%22ARCHIVE%22. Wellcome Collection online archives [accessed: 16 February 2022].
• https://covid19.who.int/.iAccessedi6iJulyi2020. World Health Organisation (WHO). https://www.who.int/director-general/speeches/detail/who-directorgeneral-s-opening-remarks-atthe-media-briefing-on-covid-19 [accessed: 16 February 2022].
• https://www.google.com/covid19/mobility/, data on mobility provided by Google [accessed: 16 February 2022].
• https://geoforum.pl/news/28786/mapy-pandemii-koronawirusa-przeglad-opracowan. Geoforum.pl [accessed: 16 February 2022].
• https://commons.wikimedia.org/wiki/File:Tissot_mercator.png. Mercator mapping [accessed: 16 February 2022].
• https://stat.gov.pl/. Central Statistical Office [GUS] [accessed: 16 February 2022].
• https://www.gov.pl/web/gugik. Head Office of Geodesy and Cartography [GUGIK] [accessed: 16 February 2022].
• https://docs.google.com/spreadsheets/d/1ierEhD6gcq51HAm433knjnVwey4ZE5DCnu1bW7PRG3E/edit#gid=1309014089. Rogalski Michał [accessed: 16 February 2022].
• https://faculty.ksu.edu.sa/sites/default/files/moran.pdf. Moran model [accessed: 23 December 2022].

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).