Marco de agrupamiento para hacer frente a COVID-19 para ciudades en Turquía
Introducción: este artículo es producto de la investigación “Modelo de agrupación para hacer frente al COVID-19 en ciudades de Turquía”, desarrollado en la Universidad de Bayburt en 2021.
Problema: el mapa de riesgo de Turquía, presentado en enero de 2021 con el fin de tomar decisiones para abordar la pandemia de COVID-19, solo se basó en casos confirmados. Indicadores de salud, ambientales y socioeconómicos también son relevantes para la toma de decisiones sobre el manejo del la pandemia. El mapa de riesgos diseñado, teniendo en cuenta estos indicadores, puede soportar la toma de decisiones más efectivas.
Objetivo: se propone un esquema de agrupamiento con el fin de diseñar un mapa de riesgos para las ciudades de Turquía.
Metodología: el algoritmo de agrupamiento no supervisado sugirió dividir la ciudades turcas en grupos, considerando indicadores de salud, ambientales y socioeconómicos, además del patrón de propagación del COVID-19.
Resultados: se descubrió que las ciudades se agrupan en cinco. La megaciudad de Estambul conformó un solo grupo, mientras que tres de las ciudades más grandes de Turquía formaron otro. Otros grupos quedaron confor-mados por 19, 26 y 32 ciudades, respectivamente. Se identificaron los determinantes con poder predictivo más importantes.
Conclusión: el método de agrupamiento sugerido puede ser un sistema de soporte a la decisión para los hacedores de política, que les permitirá determinar las diferencias y similitudes de las ciudades en relación con la toma de decisiones para la cuarentena y las fases de normalización para los periodos posteriores a la pandemia.
Originalidad: hasta ahora, este estudio se distingue de trabajos previos en virtud de que los países se agruparon considerando solo los casos confirmados. En este estudio, las ciudades se agruparon, teniendo en cuenta indicadores de salud, ambientales y socioeconómicos para tomar decisiones localmente.
Limitaciones: la distribución de casos confirmados por edad pudo añadirse, especialmente para tomar decisiones sobre educación, pero estos datos no fueron públicamente divulgados.
Cómo citar
Licencia
Derechos de autor 2021 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
MinHealth, “Republic of Turkey Ministry of Health,” 2021. https://covid19.saglik.gov.tr/TR-66494/pandemi.html.
WHO, “WHO Coronavirus (COVID-19) Dashboard,” 2020. https://covid19.who.int/.
JohnsHopkins, “Johns Hopkins University COVID-19 Data,” 2021. https://coronavirus.jhu.edu/map.html.
M. Liu et al., “The spatial clustering analysis of COVID-19 and its associated factors in mainland China at the prefecture level,” Sci. Total Environ., vol. 777, p. 145992, 2021, doi: 10.1016/j.scitotenv.2021.145992.
D. Guleryuz, “Forecasting Outbreak of COVID-19 in Turkey; Comparison of Box–Jenkins, Brown’s Exponential Smoothing and Long Short-Term Memory Models,” Process Saf. Environ. Prot., 2021, doi: https://doi.org/10.1016/j.psep.2021.03.032.
K. Nikolopoulos, S. Punia, A. Schäfers, C. Tsinopoulos, and C. Vasilakis, “Forecasting and planning during a pandemic: COVID-19 growth rates, supply chain disruptions, and governmental decisions,” Eur. J. Oper. Res., vol. 290, no. 1, pp. 99–115, 2021, doi: 10.1016/j.ejor.2020.08.001.
P. Melin, J. C. Monica, D. Sanchez, and O. Castillo, “Analysis of Spatial Spread Relationships of Coronavirus (COVID-19) Pandemic in the World using Self Organizing Maps,” Chaos, Solitons and Fractals, vol. 138, 2020, doi: 10.1016/j.chaos.2020.109917.
M. R. Mahmoudi, D. Baleanu, Z. Mansor, B. A. Tuan, and K. H. Pho, “Fuzzy clustering method to compare the spread rate of Covid-19 in the high risks countries,” Chaos, Solitons and Fractals, vol. 140, pp. 1–9, 2020, doi: 10.1016/j.chaos.2020.110230.
A. Olivieri, G. Palù, and G. Sebastiani, “COVID-19 cumulative incidence, intensive care, and mortality in Italian regions compared to selected European countries,” Int. J. Infect. Dis., vol. 102, pp. 363–368, 2021, doi: 10.1016/j.ijid.2020.10.070.
B. Kucukefe, “Covid-19’un OECD Ülkeleri ve Çin’de Makroekonomik Etkisinin Kümeleme Analizi,” Ekon. Polit. Finans Araştırmaları Derg., vol. 5, pp. 280–291, 2020, doi: 10.30784/epfad.811289.
M. Azarafza, M. Azarafza, and H. Akgün, “Clustering method for spread pattern analysis of corona-virus (COVID-19) infection in Iran,” medRxiv, 2020, doi: 10.1101/2020.05.22.20109942.
S. A. Rizvi, M. Umair, and M. A. Cheema, “Clustering of Countries for COVID-19 Cases based on Disease Prevalence, Health Systems and Environmental Indicators,” medRxiv, 2021, doi: 10.1101/2021.02.15.21251762.
V. Zarikas, S. G. Poulopoulos, Z. Gareiou, and E. Zervas, “Clustering analysis of countries using the COVID-19 cases dataset,” Data Br., vol. 31, p. 105787, 2020, doi: https://doi.org/10.1016/j.dib.2020.105787.
R. M. Carrillo-Larco and M. Castillo-Cara, “Using country-level variables to classify countries according to the number of confirmed COVID-19 cases: An unsupervised machine learning approach,” Wellcome Open Res., vol. 5, pp. 1–22, 2020, doi: 10.12688/wellcomeopenres.15819.3.
TurkStat, “Turkish Statistical Institute,” 2020. http://www.tuik.gov.tr/Start.do (accessed Jun. 13, 2020).
ILO, “International Labour Organization,” 2020. https://www.ilo.org/.
Worldbank, “World Bank Open Data,” 2021. https://data.worldbank.org/.
D. Guleryuz, “Evaluation of waste management using clustering algorithm in megacity Istanbul,” Environ. Res. Technol., vol. 3, no. 3, pp. 102–112, 2020.
B. Purnima and K. Arvind, “EBK-Means: A Clustering Technique based on Elbow Method and K-Means in WSN,” Int. J. Comput. Appl., vol. 105, no. 9, pp. 17–24, 2014, [Online]. Available: https://www.ijcaonline.org/archives/volume105/number9/18405-9674.
P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” J. Comput. Appl. Math., vol. 20, pp. 53–65, 1987, doi: https://doi.org/10.1016/0377-0427(87)90125-7.
J. L. Myers and A. D. Well, Research Design and Statistical Analysis, 2nd Ed. Lawrence Erlbaum., 2003.
S. Wright, “Correlation and causation,” J. Agric. Res., vol. 20, no. 7, pp. 557–585, 1921.
