Spatial clustering between socioeconomic inequalities and COVID-19 mortality rate in Africa
Notice bibliographique
Résumé
Understanding the epidemiological patterns of infectious diseases across different regions and periods is essential, as it helps identify areas with elevated risks that require targeted control strategies. This paper aimed to investigate the spatial clustering pattern of COVID-19 at the country level and explore the association between global development indicators covering the 48 countries in the five regions of Africa. The data utilized were extracted from multiple databases. The data were analysed by applying spatial analysis, including the Moran-I index, the Local Indicator of Spatial Association (LISA), and spatial regression models, to study the spatial variations in the effects of socioeconomic indicators on COVID-19 mortality at the country level. The preliminary test on the spatial correlation of COVID-19 showed a significant result; thus, a spatial regression approach was employed. The spatial clustering relationships between COVID-19 mortality and the socioeconomic indicators were analysed using ordinary least squares (OLS), spatial lag models (SLM), and spatial error models (SEM). We observed the clustering of countries for COVID-19 mortality, signifying spatial correlation within the countries of Africa. Among all the socioeconomic indicators included, the effects of Gross Domestic Product and age dependency ratio on COVID-19 mortality were the most critical indicators that described the pandemic evolution across the subregion. These results highlight the need to draw preventive and response policies applicable to infectious diseases with more significant consideration of the different geographical points in the region.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».