آئیژ عزمی جغرافیا و روابط انسانی 2645-3851 مقالات آماده انتشار 2026 03 09 Comparing the Efficiency of Classic Regression and Geographically Weighted Regression in the Spatio-Temporal Analysis of Factors Affecting the Spread of COVID-19 (Case Study: Kurdistan Province) مقایسه کارایی رگرسیون کلاسیک و رگرسیون وزن‌دار جغرافیایی در تحلیل فضایی-زمانی عوامل مؤثر بر شیوع کووید-۱۹ (مطالعه موردی: استان کردستان) 241991 10.22034/gahr.2026.577896.2685 FA صالح ارخی دانشگاه گلستان مختار جعفری دانشگاه گلستان 0000-0002-1696-044X Journal Article 2026 02 24 The COVID-19 pandemic has revealed significant spatial inequalities in disease transmission patterns. This study aims to compare the efficiency of Ordinary Least Squares (OLS) and Geographically Weighted Regression (GWR) in the spatio-temporal analysis of factors influencing COVID-19 spread in Kurdistan Province, Iran. In this comparative-analytical study, spatial panel data from 10 counties over 36 months (March 2020–February 2022) were utilized. Monthly data comprised 28 independent variables across five domains (climatic, healthcare, transportation, demographic, and crowded places) and confirmed case counts. Analyses including spatial autocorrelation assessment, adaptive modeling, and model performance comparison using the Akaike Information Criterion (AIC), Adjusted R², and Multiple R² were conducted with ArcGIS Pro and SPSS. Results indicate that GWR performance relative to OLS is not uniform and depends on pandemic phase. The GWR model demonstrated substantial superiority during two peak periods: February 2021 and February 2022. In February 2021, GWR achieved a markedly lower AIC (-114302.57 vs. 135.06 for OLS) and a higher Multiple R² (0.98 vs. 0.91). In February 2022, GWR again outperformed OLS, with an AIC of -103916.79 compared to 140.16 and a Multiple R² of 0.74 versus 0.46. However, during other months (December 2020, February 2021, April 2021, August 2021, and December 2021), the performance difference between the two models was negligible. Climatic factors and transportation infrastructure exerted the greatest influence on disease incidence, with effects varying spatially across the province. While global spatial autocorrelation analysis did not confirm a significant cluster pattern, mapping local GWR coefficients revealed significant spatial non-stationarity in these relationships. The findings indicate that GWR is superior under conditions of strong spatial heterogeneity (i.e., peak months), whereas it performs similarly to OLS under more spatially stable, normal conditions. پاندمی کووید-۱۹ نابرابری‌های فضایی قابل‌توجهی در الگوهای شیوع ایجاد کرده است. این پژوهش باهدف مقایسه کارایی رگرسیون حداقل مربعات معمولی و رگرسیون وزن‌دار جغرافیایی در تحلیل فضایی-زمانی عوامل مؤثر بر شیوع کووید-۱۹ در استان کردستان انجام شد. در این مطالعه تحلیلی-مقایسه‌ای از داده‌های پانل فضایی ۱۰ شهرستان طی ۳۶ ماه (اسفند ۱۳۹۸ تا بهمن ۱۴۰۱) استفاده گردید. داده‌های ماهانه شامل ۲۸ متغیر مستقل در پنج حوزه (اقلیمی، بهداشت و درمان، حمل‌ونقل، جمعیتی و مکان‌های شلوغ) و آمار مبتلایان بود. تحلیل‌های خودهمبستگی فضایی، مدل‌سازی تطبیقی و مقایسه عملکرد مدل‌ها با معیارهای معیار اطلاعات آکائیکه، ضریب تعیین تعدیل‌شده و ضریب تعیین چندگانه با نرم‌افزارهای ArcGIS Pro و SPSS انجام شد. نتایج نشان داد که عملکرد رگرسیون وزن‌دار جغرافیایی در مقایسه با رگرسیون حداقل مربعات معمولی یکسان نیست و به شرایط پاندمی وابسته است. مدل رگرسیون وزن‌دار جغرافیایی در دو مقطع زمانی بهمن ۱۳۹۹ و بهمن ۱۴۰۱ برتری قابل‌توجهی داشت؛ به‌طوری‌که در بهمن ۱۳۹۹، معیار اطلاعات آکائیکه آن (۱۱۴۳۰۲٫۵۷- ) در مقایسه با رگرسیون حداقل مربعات معمولی (۱۳۵٫۰۶) کاهش چشمگیر و ضریب تعیین چندگانه بالاتری (۰٫۹۸ در مقابل ۰٫۹۱) نشان داد. در بهمن ۱۴۰۱ نیز معیار اطلاعات آکائیکه مدل رگرسیون وزن‌دار جغرافیایی (۱۰۳۹۱۶٫۷۹- ) در مقابل رگرسیون حداقل مربعات معمولی (۱۴۰٫۱۶) و ضریب تعیین چندگانه (۰٫۷۴ در مقابل ۰٫۴۶) برتریش را تأیید کرد. اما در ماه‌های آذر ۱۳۹۹، بهمن ۱۴۰۰، فروردین ۱۴۰۱، مرداد ۱۴۰۱ و آذر ، تفاوت دو مدل ناچیز بود. عوامل اقلیمی و زیرساخت‌های حمل‌ونقل بیشترین تأثیر را بر شیوع بیماری داشتند که این تأثیر در مناطق مختلف استان متفاوت بود. تحلیل خودهمبستگی فضایی وجود الگوی خوشه‌ای معنادار را تأیید نکرد، اما نقشه‌های ضرایب محلی رگرسیون وزن‌دار جغرافیایی ناایستایی مکانی روابط را آشکار ساخت. همچنین اینکه مدل رگرسیون وزن‌دار جغرافیایی در شرایط ناهمگنی فضایی قوی (ماه‌های اوج) برتری دارد، اما در شرایط عادی عملکردش مشابه به رگرسیون حداقل مربعات معمولی است.