مقدمه
خبر ابتلای چندین نفر به یک ذات‌الریه غیرمعمول در ابتدای سال نو میلادی 2020 به سازمان بهداشت جهانی ازسوی چین، باعث معرفی نوع جدیدی از ویروس کرونا به‌عنوان عامل ایجاد یک بیماری تنفسی جدید گردید (توکلی و همکاران، 2020). اکثر بحران‌های زیست‌محیطی به‌طور مستقیم با رفتار انسان در محیط مرتبط است. رفتار مخرب ما بر روی کره زمین، از قرون گذشته تا به حال آسیب‌های زیادی را به محیط‌زیست تحمیل کرده است. براین‌اساس باید گفتمانی بیولوژیک و اجتماعی با محیط ازجمله ویروس‌ها، مورد توجه قرار گیرد. 
رویکرد‌های بین رشته‌‌ای جدید با همکاری جامعه‌شناسان، کارشناسان محیط‌زیست، فلاسفه، انسان‌شناسان، ویروس‌شناسان، اپیدمیولوژیست‌ها و محققان بهداشت عمومی باعث می‌شود هم در رفتار در محیط و هم اقدامات در مواجهه با بحران، تغییر ایجاد شود. تأیید تأثیر آلودگی هوا بر شدت همه‌گیری کووید-۱۹ می‌تواند با افزایش واکنش در مکان‌هایی که ازلحاظ کیفیت هوا در وضعیت ضعیفی هستند، در پیشگیری از ابتلا به این بیماری مؤثر واقع شود (سعادتی و همکاران، 2020). 
مطالعات اولیه نشان می‌دهد در سال‌های اخیر نسبت به سال 2019، گاز مونوکسیدکربن که عمدتاً توسط اتومبیل‌ها تولید می‌شود، با کاهش تقریباً ۵۰ درصدی و تولید گاز دی‌اکسید کربن که از طریق گرم‌شدن کره زمین در تغییرات آب‌وهوایی سهیم است، نیز با کاهش همراه بوده‌اند. چنانچه ماهواره سنتینل-۵ متعلق به آژانس فضایی اروپا نشان داد لایه آلودگی هوا به‌ویژه ترکیبات گازهای دی‌اکسید نیتروژن بر فراز ایتالیا کاهش یافته است (وانگ و همکاران، 2020). قرار گرفتن طولانی‌مدت در معرض آلودگی هوا می‌تواند به افزایش خطر ابتلا به ویروس کرونا، تشدید بیماری و منتهی شدن به بستری منجر شود (ژانگ و همکاران، 2023).
در مطالعه خان و همکاران در سال 2024 که در دو مرحله تجزیه‌وتحلیل شد، مشخص گردید بیماری کرونا با شاخص AQI، PM2.5 ، NO2 و PM10 همبستگی منفی و با شاخص O3 همبستگی مثبت وجود دارد (خان و همکاران، 2024). همچنین مطالعه مینگ وانگ و همکاران از طریق تجزیه‌وتحلیل خوشه‌ای به‌وسیله نرم‌افزار SPSS نشان از تغییرات AQI و تأثیر قابل‌توجه تراکم جمعیت بر کیفیت هوا و تأثیر بر بیماری کرونا دارد (مینگ وانگ و همکاران، 2024).
 بونیلا و همکاران در سال 2023 در مطالعه‌ای رابطه بین قرار گرفتن طولانی‌مدت در معرض آلودگی هوا و مرگ‌ومیر ناشی از کووید-19 را در چهار کشور آمریکای لاتین بررسی کردند و به این نتیجه رسیدند که افزایش قرار گرفتن در معرض طولانی‌مدت 1 میکروگرم در متر مکعب ذرات ریز با افزایش 2/7 درصدی نرخ مرگ‌ومیر کرونا همراه است. این رابطه عمدتاً در کلان‌شهرها یافت شده است (بونیلا و همکاران، 2023).
ازطرفی مطالعه مانیات و همکاران به‌وسیله تجزیه‌وتحلیل رگرسیون چندمتغیره، نشان‌دهنده تأثیر مخدوش‌کننده جمعیت است و همبستگی به‌طور خودکار دلالت بر رابطه مستقیم علت‌و‌معلولی ندارد. علاوه‌براین، برای به حداقل رساندن تأثیر جمعیت، از نرخ‌ها استفاده شد که نشان می‌دهد میزان موارد کرونا مستقل از PM2.5 و جمعیت است (مانیات و همکاران، 2024) . 
همچنین یو و همکاران در سال 2023 ارتباط بین بستری شدن بیماران مبتلا به کرونا ویروس و تعیین اینکه کدام آلاینده‌های هوا ممکن است پیامدهای مرتبط با کرونا را منتقل کند را از 1 مارس سال 2020 تا 31 اوت سال 2021 بررسی کردند (یو و همکاران، 2023). نظری و همکاران در سال 2023 بیان کردند عوامل زمینه‌ای و عوامل مداخله‌گر بر راهبردهای مدیریت بحران تأثیرگذار و درنهایت راهبردها بر پیامدهای مدیریت بحران تأثیرگذار هستند (نظری و همکاران، 2023). 
ازطرفی نصیری و همکاران در سال 2022 به‌‌منظور اقدامات مدیریت بحران و تحلیل جایگاه قدرت کنشگران در شبکه همکاری، ماتریس دو وجهی کنشگران-اقدامات تشکیل و شبکه همکاری را براساس شاخص‌‌‌‌های مرکزیت درجه و مرکزیت بینابینی تجزیه‌وتحلیل کردند که یافته‌ها حاکی از آن است که شبکه همکاری کنش‌گران از تراکم و انسجام بالایی برخوردار است (نصیری و همکاران، 2022). 
در مطالعه شامی و همکاران در سال 2021، تغییرات زمانی و مکانی آلاینده‌های هوا با استفاده از داده‌های ماهواره سنتینل-5، هم‌زمان با انتشار ویروس کووید-19 برای ایران، تعیین و با مقادیر مشابه در سال 1998 مقایسه شد که به دنبال بررسی انجام‌شده، تأثیر این عوامل با تحلیل تغییرات زمانی و توزیع مکانی آلاینده‌ها در فاصله زمانی بین این دو زمان است (شامی و همکاران، 2021). در راستای ارتباط مستقیم آلودگی هوا با ویروس کرونا، ایکس وو و همکاران در سال 2020 نشان دادند قرار گرفتن در معرض سطح بالای PM2.5 با افزایش نرخ مرگ‌ومیر ویروس کرونا در سطح منطقه در ارتباط است (وو و همکاران، 2020). 
متعاقباً مطالعات کانتینی و همکاران در سال 2020 مبتنی بر بررسی نقش آلودگی هوا به‌عنوان یکی از عوامل احتمالی اثرگذار در شیوع بیماری کووید-19 باتوجه‌به داده‌های موجود از توزیع مکانی تعداد مبتلایان و غلظت آلاینده‌های مختلف هوا در شهرهای متفاوت دنیا، توجه پژوهشگران را به خود جلب کرده است (کانتینی و همکاران، 2020). 
نظر به اینکه آلودگی هوا باعث بیماری‌های مختلفی می‌گردد، نیرا و همکاران در سال 2018 نشان دادند 90 درصد از جمعیت جهان در معرض سطوح ناسالم آلودگی هوا هستند (نیرا و همکاران، 2018). چنانچه آلودگی هوا تا حدی تحت تأثیر انتخاب‌های فردی قرار می‌گیرد (مثلاً حمل‌ونقل یا سایر اشکال مصرف)، سیاست عمومی نقش مهمی در شکل دادن به این عامل تعیین‌کننده اصلی سلامت دارد. نظر به غیراقتصادی بودن این امر، براجر و همکاران در سال 1389 در مطالعه‌ای مزایای کاهش مربوط به غلظت PM2.5 را بین 0/83 تا 1/51 میلیارد دلار برآورد کردند (براجر و همکاران، 2012). 
اثنی‌عشری و همکاران در سال 1399 با استفاده از تحلیل رگرسیون نشان دادند همه‌گیری ویروس جدید کرونا تأثیرات منفی اجتماعی و اقتصادی گسترده‌‌ای دارد و شواهد حاکی از آن است که شیوع بیماری و فوت ناشی از آن، در مناطق با هوای آلوده بیشتر بوده است (اثنی‌عشری و همکاران، 2020)؛ درحالی‌که پیش از آن، رضایی و همکاران در سال 1394 در راستای بررسی اثرات ناشی از آلودگی هوا بر نرخ مراجعات بیماران تنفسی به اورژانس بیان کرده‌اند که هیچ‌کدام از آلاینده‌ها به‌جز ازن و دی اکسید گوگرد، همبستگی معنی‌دار و بزرگ‌تر از 2/0 با میزان مراجعات ندارند (رضایی و همکاران، 2016). ندافی و همکاران نیز در سال 1390 در مطالعه‌ای با تحلیل داده‌های کمی در مورد تأثیر آلودگی هوا بر سلامت مردم و میزان تأثیر برآوردشده، بر لزوم اقدام فوری برای کاهش بار بهداشتی آلودگی هوا تأکید کردند (ندافی و همکاران، 2012). 
نقش مخرب آلودگی هوا در تسهیل شیوع بیماری‌های همه‌گیر، وخامت وضعیت جسمی مبتلایان، پتانسیل بالای کلان‌شهرها در تجمع آلاینده‌ها و اهمیت مقوله ارزش‌گذاری اقتصادی زیست‌محیطی و انسانی در مدیریت بحران، ما را برآن داشت که در پژوهش حاضر به بررسی تأثیر ذرات معلق آلاینده‌های هوا بر میزان بستری و فوتی در اثر بیماری کرونا بپردازیم. مقایسه‌ میزان موارد بستری و فوتی در اثر کرونا براساس مناطق 22گانه شهرداری تهران، ماه‌ و سال بستری و فوتی در بازه زمانی بهمن 1398 تا خرداد 1401 بررسی شده است (تصویر شماره 1).



روش بررسی
محدوده جفرافیایی منطقه موردمطالعه، کلان‌شهر تهران، با حدود گستره مساحتی 700 کیلومترمربع است. این شهر با جمعیتی قریب به 12 میلیون نفر، 12 درصد جمعیت کل کشور را به‌خود اختصاص داده است. باتوجه‌به اینکه شهر تهران دارای موقعیت خاص جغرافیایی است، بادهای غربی در تمام طول سال دود کارخانه‌ها و سایر عوامل تولید آلاینده را به سطح شهر وارد می‌کنند (علوی و همکاران، 2019).
تجزیه‌وتحلیل در سطح فردی براساس زیرمجموعه بیماران بستری در بیمارستان بود، بنابراین کسانی که در خارج از بیمارستان فوت کردند از تجزیه‌وتحلیل حذف شدند (بلوکونی و همکاران، 2023). پژوهش موردنظر حاصل خروجی داده‌های بیماران بستری‌شده، بهبودیافته و فوت در اثر کرونا در 141 بیمارستان و مرکز درمانی برای تمام 349 محله شهر تهران در بازه زمانی ماه بهمن سال 1398 تا ماه اردیبهشت سال 1401 می‌باشد که هنگام تحقیق در این بازه زمانی، 402465 نفر در وضعیت ابتلا به کرونا که از این تعداد 35614 نفر در وضعیت مرگ در اثرکرونا و 366851 در وضعیت بهبود یافته بودند قرار داشتند. پژوهش حاضر از این منظر دارای نوآوری است که برای اولین بار ارزیابی اثرات آلودگی هوا در ایام کرونا بر بستری و فوت شهروندان تهرانی بررسی شده است. همچنین پیدا کردن داده‌ها و اطلاعات به‌صورت ریز به سختی و زمان‌بر بوده است. تصویر شماره 2 وضعیت بستری بیماران در ماه‌های مختلف در سال‌های 1398، 1399، 1400 و 1401 را نشان می‌دهد که اعداد برحسب نفر می‌باشند:



همچنین خروجی داده‌های 36 ایستگاه سنجش آلودگی هوا در شهر تهران بررسی شد که از این تعداد ۲۲ ایستگاه سنجش زیر نظر شرکت کنترل کیفیت هوای شهر تهران و ۱۴ ایستگاه نیز زیر نظر اداره کل محیط‌زیست شهر تهران می‌باشد. آلاینده‌های موردمحاسبه در این ایستگاه‌ها براساس شاخص کنترل کیفیت هوا (AQI) شامل پنج آلاینده ذرات معلق، ازن، دی‌اکسید گوگرد، دی‌اکسید نیتروژن و مونواکسید کربن می‌باشد که در این تحقیق رابطه بین تعداد بستری بیماران کرونایی با میزان آلایندگی هوای شهر تهران سنجیده شده است. به‌منظور محاسبه مقدار AQI و پارامترهای آلاینده هوا از فرمول شماره 1 استفاده می‌شود:



Ip= شاخص کیفیت هوا (AQI) برای آلاینده P است.
Cp= غلظت اندازه‌گیری‌شده(گردشده) برای آلاینده P است.
BPHi= نقطه شکستی که بزرگ‌تر یا مساوی Cp است.
BPLo= نقطه شکستی که کوچک‌تر یا مساوی Cp است.
IHi= مقدار AQI منطبق با BPHi 
ILo= مقدار AQI منطبق با BPLo 
جدول شماره 1 روش صحیح محاسبه شاخص کیفیت هوا را برای یک شهر نشان می‌دهد که در این مطالعه براین‌اساس آلاینده‌ها سنجیده شده است. استفاده از تکنیک‌های داده‌کاوی می‌تواند بینش‌های مفیدی برای تصمیم گیری‌های دولتی در سطح بالا در مورد ویروس کرونا و سایر بیماری‌های همه‌گیر ارائه دهد (بارسلوز و همکاران، 2021). 



مطالعه سیلوا و همکاران در راستای اثر عوامل آب‌وهوا و کیفیت هوا بر مرگ‌ومیر و موارد کرونا، با داده‌کاوی در سه کلان‌شهر برزیل مؤید این امر است. بزرگ‌ترین نقطه قوت این مطالعات استفاده از تکنیک‌های پیشرفته تجزیه‌وتحلیل داده‌ها و مدل‌سازی است (داسیلوا و همکاران، 2022). مطالعاتی از این قبیل، پتانسیل این تکنیک‌ها برای حمایت از سیاست‌های عمومی در مدیریت شهری را نشان می‌دهد. بااین‌حال، برای تفسیر نتایج این مطالعات باید محدودیت‌هایی در نظر گرفته شود (دوارت و همکاران، 2016).
 فرضیه اولیه این است که قرار گرفتن در معرض آلودگی هوا می‌تواند اتصال ویروس کرونا را (براساس شواهد) با قرارگرفتن در معرض ذرات معلق در ریه، تسهیل کند (رانزانی و همکاران، 2023). این پژوهش ازنظر دسته‌بندی تحقیقات برحسب هدف، از نوع کاربردی است و ماهیت داده‌ها و شیوه گردآوری آن‌ها توصیفی‌تحلیلی است. همچنین، باتوجه‌به اینکه در تحقیق پیمایش از تحلیل‏های آماری چندمتغیری استفاده می‌شود، این تحقیق از نوع تحقیقات کمی به شیوه همبستگی قلمداد می‌گردد. منبع گردآوری داده‌ها وزارت بهداشت درمان و آموزش پزشکی، ایستگاه‌های سنجش کنترل کیفیت هوا تهران و ایستگاه‌های سنجش کنترل کیفیت هوا سازمان حفاظت محیط‌زیست می‌باشد. برای سنجش فرضیه‌های پژوهش از آزمون‌های آماری رگرسیون خطی، همبستگی پیرسون و تحلیل واریانس یک‌سویه با استفاده از نرم‌افزار SPSS نسخه 26 استفاده شده است. در همبستگی پیرسون روش محاسبه اعداد خام با استفاده از فرمول شماره 2 صورت گرفته است:



در این پژوهش پنج فرضیه مورد بررسی قرار گرفته که در ادامه به تجزیه‌وتحلیل هر کدام پرداخته شده است:
«ذرات معلق آلاینده‌های هوا روی انتشار ویروس کرونا اثرگذار هستند.»
«ذرات معلق آلاینده‌های هوا روی فوت در اثر کرونا اثرگذار هستند.»
«بین مناطق مختلف شهر تهران ازنظر میزان بستری در اثر کرونا تفاوت وجود دارد.»
«بین ماه‌های سال و بین سال‌های کرونایی ازنظر میزان بستری در اثر کرونا تفاوت وجود دارد.»
«بین سال‌های کرونایی ازنظر فوت در اثر کرونا تفاوت وجود دارد.»

یافته‌ها
پژوهش موردنظر حاصل جمع‌آوری داده‌های بیماران بستری‌شده، بهبودیافته و فوت در اثر کرونا در 141 بیمارستان و مرکز درمانی از 349 محله شهر تهران و همچنین داده‌های 36 ایستگاه سنجش آلودگی هوا می‌باشد . ازآنجاکه ماهیت داده‌ها و شیوه گردآوری آن‌ها توصیفی‌تحلیلی است، از تحلیل‏های آماری چندمتغیری استفاده می‌شود و برای سنجش فرضیه‌های پژوهش از آزمون‌های آماری رگرسیون خطی، همبستگی پیرسون و تحلیل واریانس یک‌سویه استفاده شده است که نتایج حاصله بدین قرار است:
 جدول شماره‌ 2، خلاصه مدل را نشان می‌دهد. مقدار ضریب همبستگی (R) بین متغیر آلودگی هوا و فوت در اثر کرونا برابر با 0/849 می‌باشد که نشان از همبستگی قوی دارد. مقدار ضریب تعیین تعدیل‌یافته که برابر با 0/618 است، نشان می‌دهد 61/8 درصد ز کل فوت در اثر کرونا وابسته به متغیر آلودگی هوای ذکرشده در این معادله است. به‌عبارت‌دیگر، آلودگی هوا، فوت در اثر کرونا را پیش‌‌بینی می‌کند. فرضیه اول این است که قرار گرفتن در معرض آلودگی هوا می‌تواند اتصال ویروس کرونا را با قرارگرفتن در معرض ذرات معلق تسهیل کند. در پاسخ به این فرضیه بررسی‌ها مبین آن است که ذرات معلق آلاینده‌های هوا بر میزان بستری در اثر کرونا مؤثر هستند که با گرفتن آزمون‌های ضریب همبستگی و رگرسیون نتایج آن بدین صورت نشان داده شد:



مطابق با جدول شماره‌ 3، باتوجه‌به معنی‌داری مقدار آزمون F (7/420) در سطح خطای کوچک‌تر از 0/05، می‌توان نتیجه گرفت که مدل رگرسیونی تحقیق، مدل نسبتاً خوبی بوده و آلودگی هوا تا حدودی قادر است میزان بستری کرونا را تبیین کند.



جدول شماره 4، نتایج مربوط به میزان تأثیر هر متغیر در مدل و همچنین میزان همبستگی بین آن‌ها را نشان می‌دهد. در این جدول، تفسیر ضرایب رگرسیونی براساس ضریب بتا (β) انجام می‌شود، زیرا این آماره نشان‌دهنده ضریب رگرسیونی استانداردشده هریک از متغیرهای مستقل بر روی متغیر وابسته تحقیق می‌باشد. بنابراین، می‌توانیم با استفاده از آن سهم نسبی هر متغیر مستقل در مدل را مشخص کنیم. مقایسه متغیرها نشان می‌دهد تأثیر آلاینده‌های O3 ،CO ،NO2 ،PM10 ،PM2.5 و شاخص آلودگی هوا AQI بر روی میزان بستری در اثر کرونا معنی‌دار است. همچنین آلاینده‌ O₃ با ضریب تأثیر 0/765=β و میزان t برابر با 2/049، آلاینده‌ CO با ضریب تأثیر 2/371=β و میزان t برابر با 6/155، PM2.5 با ضریب تأثیر 3/984=β و میزان t برابر با 3/747 نشان می‌دهد این آلاینده‌ها تأثیر مثبتی بر میزان بستری در اثر کرونا دارند. ازطرفی آلاینده‌ NO2 با ضریب تأثیر 0/664-=β و میزان t برابر با 2/198-، آلاینده‌ PM10 با ضریب تأثیر 0/813-=β و میزان t برابر با 3/137- و شاخص آلودگی هوا AQI با ضریب تأثیر 2/806-=β و میزان t برابر با 3/524- نشان می‌دهد آن‌ها تأثیر منفی بر میزان بستری در اثر کرونا دارند.



فرضیه ثانویه، اثرگذاری ذرات معلق آلاینده‌های هوا روی فوت بر اثر کرونا می‌باشد که با گرفتن آزمون‌های ضریب همبستگی و رگرسیون نتایج آن در جدول شماره 5 نشان داده شد و خلاصه مدل را نشان می‌دهد که مقدار ضریب همبستگی (R) بین متغیر آلودگی هوا و فوت در اثر کرونا، 0/849 می‌باشد که نشان از همبستگی قوی دارد. همچنین مقدار ضریب تعیین تعدیل‌شده که برابر با 0/618 است، نشان می‌دهد که 61/8 درصد از کل فوت در اثر کرونا وابسته به متغیر آلودگی هوای ذکرشده در این معادله است. به‌عبارت‌دیگر، آلودگی هوا، فوت در اثر کرونا را پیش‌‌بینی می‌کند.



منطبق بر جدول شماره 6، باتوجه‌به معنی‌داری مقدار آزمون F (7/008) در سطح خطای کوچک‌تر از 0/05، می‌توان نتیجه گرفت که مدل رگرسیونی تحقیق مرکب از متغیر مستقل (آلودگی هوا) و متغیر وابسته (فوت در اثر کرونا) مدل نسبتاً خوبی بوده و قادر است اثر آلودگی هوا بر روی فوت در اثر کرونا را تبیین کند.



جدول شماره‌ 7، نتایج مربوط به میزان تأثیر هر متغیر در مدل و همچنین میزان همبستگی بین آن‌ها را نشان می‌دهد. مجدداً در این جدول نیز تفسیر ضرایب رگرسیونی براساس ضریب بتا (β) انجام شده است. مقایسه متغیرها نشان می‌دهد تأثیر آلاینده‌های O3، CO، NO2، PM10 ، PM2.5 و شاخص آلودگی هوا AQI بر روی میزان همبستگی فوت در اثر کرونا معنی‌دار است. آلاینده‌ O3 با ضریب تأثیر 0/840=β و میزان t برابر با 2/203، CO با ضریب تأثیر 2/461=β و میزان t برابر با 6/256 و PM2.5 با ضریب تأثیر 4/196=β و میزان t برابر با 3/865 نشان می‌دهد این آلاینده‌ها تأثیر مثبتی بر میزان همبستگی فوت در اثر کرونا دارند. 



از طرفی آلاینده‌ NO2 با ضریب تأثیر 0/736-=β و میزان t برابر با 2/387-، PM10 با ضریب تأثیر 1/102-=β و میزان t برابر با 4/166- و شاخص آلودگی هوا AQI با ضریب تأثیر 2/658-=β و میزان t برابر با 3/270- نشان می‌دهد آن‌ها تأثیر منفی بر میزان همبستگی فوت در اثر کرونا دارند که در این رابطه مطالعه والزمن و همکاران هم در سال 2023 در راستای بررسی رابطه بین کیفیت هوا و سیر بالینی ویروس کرونا با تجزیه‌وتحلیل رگرسیون چندمتغیره، ارتباط مثبت قابل‌توجهی را در مورد آلاینده O3 با بیماران و مرگ‌و‌میر نشان می‌دهد (والزمن و همکاران، 2023).
فرضیه نهایی آن است که آیا می‌تواند سطح معنی‌داری بین مناطق مختلف شهر، ماه‌های سال و میزان بستری وجود داشته باشد. جدول شماره 8 نتایج را بدین صورت نشان داد:



- بین مناطق مختلف شهر تهران ازنظر میزان بستری در اثر کرونا تفاوت وجود دارد.
- بین ماه‌های سال و بین سال‌های کرونایی ازنظر میزان بستری در اثر کرونا تفاوت وجود دارد.
جدول شماره 9 فوق نشان می‌دهد در بستری در اثر کرونا بین مناطق مختلف شهر تهران، ماه‌های مختلف و سال‌های مختلف، تفاوت معنی‌داری مشاهده می‌شود. همچنین این تفاوت معنی‌دار به‌طور مشابه برای میزان فوت در اثر کرونا بین مناطق مختلف شهر تهران، ماه‌های مختلف و سال‌های موردبررسی مشهود است که از این نظر هایمن و همکاران در سال 2023 نیز ارتباط قرار گرفتن طولانی مدت در معرض آلودگی هوا با بستری شدن در بیمارستان در اثر کرونا و فوت را با استفاده از مدل‌های رگرسیون چندمتغیره پس از تعدیل عوامل مخدوش‌کننده فردی، زمانی و مکانی بالقوه برآورد کرده و ارتباط مثبت قابل‌توجهی بین PM2.5، PM10، NO2، SO2 و بستری در بیمارستان را گزارش کرده‌اند (هایمن و همکاران، 2023).براساس این جدول شماره 9، میزان فوت در اثر کرونا بین مناطق مختلف شهر تهران تفاوت معنی‌داری دارد.



بحث 
آلودگی هوا از مهم‌ترین تهدیدهای محیط‌زیستی است که علاوه‌بر تخریب‌های محیطی و پیامدهای اقتصادی، سلامت افراد جامعه را تهدید می‌کند. افرادی که طولانی‌مدت در مواجه با آلودگی‌های محیطی هستند، با احتمال بالاتری به بیماری‌های قلبی و تنفسی مبتلا می‌شوند و میزان بروز خشونت در آن‌ها بیشتر است که درنتیجه سازمان بهداشت جهانی آلودگی هوا را جزء موارد پرمخاطره غیرعفونی قرار داده است. برطبق نتایج مقدار ضریب همبستگی(R) بین متغیر آلودگی هوا و میزان بستری در اثر کرونا، 0/849 می‌باشد که نشان از همبستگی بین این دو متغیر می‌باشد و با مطالعه آستین و همکاران که درارتباط‌با رگرسیون پیامدهای فردی مرگ‌ومیر، بستری شدن در بیمارستان، پذیرش در بخش مراقبت‌های ویژه وPM2.5  است همخوانی دارد و نشان داد قرار گرفتن در معرض آلودگی هوا، حتی اگر فقط در شروع بیماری کووید-19 باشد، می‌تواند شدت بیماری را بدتر کند (آستین و همکاران، 2023). 
مطابق با نتایج به‌دست‌آمده از بررسی میزان شیوع، بستری و فوت ناشی از ویروس کرونا در مناطق مختلف کلان‌شهر تهران در مواجه با آلودگی در ماه‌ها و سال‌های متفاوت، وابستگی و همبستگی مستقیم میزان بستری و فوت بیماران ناشی از ویروس کرونا با پارامترهای محیطی مذکور، چشمگیر و قابل‌الگوبرداری است که با نتایج مطالعه محمدی و همکاران در شهر تهران که مرکز شهر و مناطق شمالی شهر جزء مناطق پرخطر مکانی و زمانی برای مرگ‌ومیر ناشی از کووید-19 هستند مطابقت دارد. علاوه‌برآن، این مطالعه میزان مرگ‌ومیر را با کیفیت هوا مرتبط می‌داند و بیان می‌کند افزایش سن و سطح تحصیلات محله‌های شهر با نرخ مرگ‌ومیر کرونا ارتباط مثبتی دارد (محمدی و همکاران، 2023).
همچنین بنابر نتایج به‌دست‌آمده در این پژوهش مشخص شد ذرات معلق آلاینده‌های هوا بر میزان بستری و فوت در اثر کرونا تأثیرگذار هستند و آلاینده‌ O3 با ضریب تأثیر 0/840=β و میزان t برابر با 2/203 نشان می‌دهد این آلاینده تأثیر مثبتی بر میزان فوت در اثر کرونا دارد. آلاینده‌ O3 بر میزان بستری در اثر کرونا و فوت در اثر کرونا تأثیر مثبت و مستقیمی دارد که نشان می‌دهد هرچه این آلاینده در هوا بیشتر شود میزان بستری و فوت در اثر کرونا بیشتر خواهد شد. همچنین مشخص گردید آلاینده‌ PM10 با ضریب تأثیر 1/102- و میزان t برابر با 4/166- و شاخص آلودگی هوا AQI با ضریب تأثیر 2/658-=β و میزان t برابر با 3/270- نشان می‌دهد آن‌ها تأثیر منفی بر میزان همبستگی فوت در اثر کرونا دارند و نشان‌دهنده‌ این امر است که هر اندازه این آلاینده در هوا بیشتر باشد، میزان همبستگی بستری و فوت در اثر کرونا کاهش می‌یابد و درنهایت مشخص گردید که آلاینده‌ SO2 با ضریب تأثیر 0/312- و میزان t برابر با 1/183- نشان می‌دهد این آلاینده تأثیر منفی و معکوسی بر میزان همبستگی فوت در اثر کرونا داشته است که این نیز نشان از آن است که افزایش این آلاینده باعث کاهش میزان همبستگی فوت در اثر کرونا بوده است. البته قابل‌ذکر است که نتایج این پژوهش مبنی بر اثرگذاری ذرات معلق آلاینده‌های هوا بر میزان بستری و فوت در اثر کرونا با نتایج پژوهش‌های محققین قبلی که نشان دادند آلودگی هوا بر میزان شیوع کرونا تأثیر دارد همخوان است. می‌توان گفت با تطبیق نتایج به‌دست‌آمده در این پژوهش با نتایج پژوهش‌های پیشین (سیلوا و همکاران، 2022؛ ماتیس و همکاران، 2023) که آلودگی هوا و ذرات معلق آلاینده‌های هوا در زمان کرونا و حتی بعد از آن می‌تواند در انتشار و شیوع ویروس تأثیر بگذارد و باعث تشدید بیماری شود مطابقت دارد. البته این امر که آلودگی هوا بر بیماری‌های دیگر مخصوصاً بیماری ریوی تأثیر دارد و مشکلات تنفسی را برای شهروندان به وجود می‌آورد خود نیز عاملی بر تشدید سایر بیماری‌های تنفسی و ویروسی نیز می‌باشد (ماتیس و همکاران، 2023). 

نتیجه‌گیری
در انتها، نظر به اهمیت بازتاب ارزش‌گذاری اقتصادی زیست‌محیطی و هزینه‌های اعمالی ناشی از آلودگی آب و تغییرات هیدرولوژیکی، آلودگی خاک و صـدا، دفـع پسـماندها (خانگی و بیمارستانی)، هزینه‌های بهداشتی-درمانی در روند سلامتی و طول عمر افراد درارتباط‌با ویروس کرونا، پیشنهاد می‌شود به‌منظور کنترل و بهبود میزان آلاینده‌های هوا در کلان‌شهرها با پوشش وسیع منطقه‌ای، روند بررسی و پایش تغییرات آلاینده‌های جوی با استفاده از داده‌های ماهواره‌ایی که هزینه کمتر و سرعت کار بالاتری نسبت به بقیه روش‌ها دارد به‌صورت مرتب و پیوسته انجام شود که با مطالعه شامی و همکاران در سال 2021 مطابقت دارد. 
همچنین با هدایت ظرفیت و منابع اضافی مراقبت‌های بهداشتی به آلوده‌ترین مناطق، از بروز برخی از اثرات نامطلوب بهداشتی کرونا جلوگیری کرد. درنهایت، با تقویت سیاست‌های زیست‌محیطی با هدف کاهش آلودگی هوا می‌توان برخی از اثرات مخرب و نابرابر همه‌گیری ویروس کرونا و احتمالاً سایر بیماری‌های همه‌گیر را که ممکن است در آینده ایجاد شوند کاهش داد. 
همچنین ازآنجایی‌که در کلان‌شهرهای بزرگ، نیاز به درک بهتری از گسترش ویروس کرونا در فضای باز با پارامترهای محیطی وجود دارد، علاوه‌بر کیفیت هوا و عوامل هواشناسی، مطالعات بافت‌های مختلف شهری و بوم شناختی و بررسی تأثیر متغیرهای محیطی بر میزان انتقال، بستری و مرگ‌ومیر ناشی از بیماری، حائز اهیمت است که با یافته‌های بونیلا و همکاران در سال 2023 همخوانی دارد؛ چراکه یکی از آثار توسعه و بیماری‌های به‌وجودآمده در سده اخیر، فشار بیش از حد برمنابع طبیعی و تخریب محیط‌زیست بوده است، به‌گونه‌ای که در مفهوم توسعه پایدار، حفظ استانداردهای زیست‌محیطی و تلاش جهت کاستن از مضرات زیست‌محیطی یکی از ارکان اصلی می‌باشد که برنامه‌ریزان کلان کشور باید به آن اهتمام جدی داشته باشند. 
همچنین پیشنهاد می‌شود در تحقیقات آتی، این موضوع که ویروس کرونا چه اثراتی بر متغیرهای کلان اقتصادی، شغل، سلامت و رابطه با اقتصاد محیط زیست خواهد گذاشت، بررسی شود.ازجمله پیشنهادات کاربردی می‌توان غربال کردن محل کار و سکونت افراد، ثبت سوابق پزشکی و بیماری‌های زمینه‌ای افراد به‌صورت جامع و مشخص کردن نوع منابع آلودگی به تفکیک (مسکونی، صنعت و حمل‌ونقل) مطرح کرد. ازآنجاکه ویروس کرونا خسارت‌های زیست‌محیطی نیز دربر داشته است پیشنهاد می‌شود مطالعات آتی به سمت تعیین خسارت از طریق یکی از روش‌های ارزش‌گذاری اقتصاد محیط‌زیست از قبیل ارزش‌گذاری مشروط صورت گیرد.
ازآنجاکه در مطالعه حاضر همبستگی بین آلودگی هوا و میزان بستری در اثر کرونا تبیین شده است، پیشنهاد کاربردی مبتنی بر یافته‌های پژوهش این است که برنامه‌ریزان و مسئولان بر روی استراتژی‌های کاهش آلودگی هوا کارکنند. باتوجه‌به اینکه هنوز سویه‌های مختلف کرونا به‌خصوص در فصول سرد سال وجود دارد.
ازطرفی کاهش آلودگی هوا نتیجه بحران بهداشت جهانی، کاهش فعالیت‌های اجتماعی، افزایش بیکاری و مشکلات شدید اقتصادی است، بنابراین دلیلی برای خوشحالی وجود ندارد و با تغییر وضعیت و از سرگیری فعالیت‌های تجاری و اجتماعی در آینده پس از همه‌گیری، آلودگی هوا در سطح جهان افزایش یافته و روند گذشته خود را ادامه خواهد داد که ما باید این کاهش موقت را نادیده بگیریم و به توسعه و تحقیق در مورد انرژی‌های جدید، به‌ویژه سوخت‌های زیستی ادامه دهیم که به کاهش دائمی، نه موقتی، انتشار گازهای گلخانه‌ای منجر خواهد شد.
 از محدودیت‌های پژوهش می‌توان به جابه‌جایی و شناور بودن جمعیت در مناطق مختلف تهران و همچنین عدم وجود اطلاعات دقیق‌تر در مورد بیماری زمینه‌ای بیمارانی که مبتلا به کرونا شده‌اند اشاره کرد.

ملاحظات اخلاقی

پیروی از اصول اخلاق پژوهش
نویسندگان کلیه نکات اخلاقی ازجمله رضایت آگاهانه را در این مقاله رعایت کرده‌اند. این پژوهش در تاریخ 19/07/1400 با کد اخلاقIR.IAU.YAZD.REC.1400.037  در کمیته اخلاق دانشگاه آزاد اسلامی واحد یزد تصویب شده است.

حامی مالی
مقاله حاضر حاصل بخشی از رساله دکتری علیرضا نظریان رشته اقتصاد محیط زیست، واحد علوم و تحقیقات دانشگاه آزاد اسلامی می‌باشد و هیچ‌گونه کمک مالی از سازمان‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.

مشارکت نویسندگان
همه نویسندگان به طور یکسان در مفهوم و طراحی مطالعه، جمع‌آوری و تجزیه و تحلیل داده‌ها، تفسیر نتایج و تهیه پیش‌نویس مقاله مشارکت داشتند.

تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.

 

 

Tavakoli, A., Vahdat, K., & Keshavarz, M. (2020). [Novel coronavirus disease 2019 (COVID-19): An emerging infectious disease in the 21st century (Persian)]. Iranian South Medical Journal, 22(6), 432-450. [DOI:10.29252/ismj.22.6.432]

Sadati, A. K., Lankarani, M. H. B., & Lankarani, K. B. (2020). Risk society, global vulnerability and fragile resilience; sociological view on the coronavirus outbreak. Shiraz E-Medical Journal, 21(4), e102263. [Link]

Wang, C., Pan, R., Wan, X., Tan, Y., Xu, L., & McIntyre, R. S., et al. (2020). A longitudinal study on the mental health of general population during the COVID-19 epidemic in China. Brain, Behavior, and Immunity, 87, 40–48. [DOI:10.1016/j.bbi.2020.04.028] [PMID] 

Zhang, J., Lim, Y. H., So, R., Jørgensen, J. T., Mortensen, L. H., &  Napolitano, G. M., et al. (2023). Long-term exposure to air pollution and risk of SARS-CoV-2 infection and COVID-19 hospitalisation or death: Danish nationwide cohort study. The European Respiratory Journal, 62(1), 2300280.  [DOI:10.1183/13993003.00280-2023] [PMID] 

Khan, I. U., Ullah, M., Tripathi, S., Sahu, M., Zeb, A., & Kumar, A. (2024). Machine learning for Markov modeling of COVID-19 dynamics concerning air quality index, PM-2.5, NO2, PM-10, and O3. International Journal of Computational Methods and Experimental Measurements, 12(2), 121-134. [DOI:10.18280/ijcmem.120202]

Ming Wong, W., Tzeng, S.Y., Mo, H. F., & Su, W. (2024). Predicting air quality trends in Malaysia’s largest cities: the role of urban population dynamics and COVID-19 effects. Archives of Environmental Protection, 50(2), 65-74. [DOI:10.24425/aep.2024.150553]

Bonilla, J. A., Lopez-Feldman, A., Pereda, P. C., Rivera, N. M., & Ruiz-Tagle, J. C. (2023). Association between long-term air pollution exposure and COVID-19 mortality in Latin America. Plos One, 18(1), e0280355.  [DOI:10.1371/journal.pone.0280355] [PMID] 

Maniat, M., Habibi, H., Manshoorinia, E., Raufi, P., Marous, P., & Omraninaini, M. (2024). Correlation or causation: Unraveling the relationship between PM2. 5 air pollution and covid-19 spread across the United States. Journal of Environmental Science and Economics, 3(1), 27-41.‏ [DOI:10.56556/jescae.v3i1.751]

Yu, Q., Cao, W., Hamer, D., Urbanek, N., Straif-Bourgeois, S., & Cormier, S. A., et al. (2023). Associations of COVID-19 Hospitalizations, ICU admissions, and mortality with black and white race and their mediation by air pollution and other risk factors in the Louisiana Industrial Corridor, March 2020-August 2021. International Journal of Environmental Research and Public Health, 20(5), 4611. [DOI:10.3390/ijerph20054611] [PMID] 

Nazari, L., Pourshahabi, V., Aramesh, H., & Yaghoubi, N. M. (2023).[Validation of effective factors in management of emerging infectious diseases with a focus on covid-19 pandemic. (Persian)]. Disaster Prevention and Management Knowledge, 12(4), 471-480. [Link]

Nasiri, A., Samadi Foroushani, M., Mirasmaeeli, S. S., & Ramak, N. (2022). [Development of covid-19 crisis management system of Tehran Municipality: Combined Approach of Soft Systems Methodology (SSM) and Social Network Analysis (SNA) (Persian)]. Disaster Prevention and Management Knowledge, 12(3), 347-364. [Link]

Shami, S., Khoshlahjeh, M., Ghorbani, Z., Moghimi, A., Mohammadzadeh, A., & Sabet Ghadam, S. (2021). [Evaluation of air pollution contributes for the COVID-19 pandemic in Iran using Sentinel 5 Satellite Data (Persian)]. Journal of Geomatics Science and Technology, 10(3), 135-146. [Link] 

Wu, X., Nethery, R. C., Sabath, M. B., Braun, D., & Dominici, F. (2020). Air pollution and COVID-19 mortality in the United States: Strengths and limitations of an ecological regression analysis. Science Advances, 6(45), eabd4049.  [DOI:10.1126/sciadv.abd4049] [PMID] 

Contini, D., & Costabile, F. (2020). Does air pollution influence COVID-19 outbreaks? Atmosphere, 11(4), 377. [DOI:10.3390/atmos11040377]

Neira, M., Prüss-Ustün, A., & Mudu, P. (2018). Reduce air pollution to beat NCDs: from recognition to action. Lancet (London, England), 392(10154), 1178–1179. [DOI:10.1016/S0140-6736(18)32391-2] [PMID]

Brajer, V., Hall, J., & Rahmatian, M. (2012). Air pollution, its mortality risk, and economic impacts in tehran, iran. Iranian Journal of Public Health, 41(5), 31–38. [PMID]

Asna-ashary, M., Farzanegan, M. R., Feizi, M., & Sadati, S. M. (2020). COVID-19 outbreak and air pollution in Iran: A panel VAR analysis (No. 16-2020). MAGKS Joint Discussion Paper Series in Economics. [Link] 

Rezaei, S., Khanjani, N., Mohammadi Senjedkooh, S., & Darabi Fard, Z. (2016). [The effect of air pollution on respiratory disease visits to the emergency department in Kerman, Iran (Persian)]. Health and Development Journal, 4(4), 306-314. [Link]

Naddafi, K., Hassanvand, M. S., Yunesian, M., Momeniha, F., Nabizadeh, R., & Faridi, S., et al. (2012). Health impact assessment of air pollution in megacity of Tehran, Iran. Iranian Journal of Environmental Health Science & Engineering, 9(1), 28. [DOI:10.1186/1735-2746-9-28] [PMID] 

Alavi, C. , Kianejad, S., & Sabbagh, S. A. (2019). [Preparation of air pollution mapping by interpolating kriging method in GIS, Case Study: Tehran Metropolis (Persian)]. Journal of Urban Ecology Researches, 10(20), 171-184. [DOI:10.30473/grup.2020.7086]

Beloconi, A., & Vounatsou, P. (2023). Long-term air pollution exposure and COVID-19 case-severity: An analysis of individual-level data from Switzerland. Environmental Research, 216(Pt 1), 114481.[DOI:10.1016/j.envres.2022.114481] [PMID] 

Barcellos, D. D. S., Fernandes, G. M. K., & de Souza, F. T. (2021). Data based model for predicting COVID-19 morbidity and mortality in metropolis. Scientific Reports, 11(1), 24491. [DOI:10.1038/s41598-021-04029-6] [PMID] 

da Silva, L. P. D., Fonseca, M. N. D., de Moura, E. N., & de Souza, F. T. (2022). Ecosystems services and green infrastructure for respiratory health protection: A data science approach for Paraná, Brazil. Sustainability, 14(3), 1-26.  [DOI:10.3390/su14031835]

Duarte, F., Gadda, T., Luna, C. A. M., & Souza, F. T. (2016). What to expect from the future leaders of Bogotá and Curitiba in terms of public transport: Opinions and practices among university students. Transportation Research Part F: Traffic Psychology and Behaviour, 38, 7-21.  [DOI:10.1016/j.trf.2015.12.013]

Ranzani, O., Alari, A., Olmos, S., Milà, C., Rico, A., & Ballester, J., et al. (2023). Long-term exposure to air pollution and severe COVID-19 in Catalonia: A population-based cohort study. Nature Communications, 14(1), 2916. [DOI:10.1038/s41467-023-38469-7] [PMID] 

Walsemann, R., & Neis, P. (2023). Short-term association between COVID-19 related deaths, hospitalized patients and air pollution during the first lockdown in the four largest cities in Germany. International Journal of Environmental Studies, 80(1), 207-222. [DOI:10.1080/00207233.2021.2006914]

Hyman, S., Zhang, J., Andersen, Z. J., Cruickshank, S., & Møller, P., Daras, K., et al. (2023). Long-term exposure to air pollution and COVID-19 severity: A cohort study in Greater Manchester, United Kingdom. Environmental Pollution (Barking, Essex : 1987), 327, 121594. [DOI:10.1016/j.envpol.2023.121594] [PMID] 

Austin, W., Carattini, S., Gomez-Mahecha, J., & Pesko, M. F. (2023). The effects of contemporaneous air pollution on COVID-19 morbidity and mortality. Journal of Environmental Economics and Management, 119, 102815. [DOI:10.1016/j.jeem.2023.102815] [PMID] 

Mohammadi, A., Pishgar, E., Fatima, M., Lotfata, A., Fanni, Z., & Bergquist, R., et al. (2023). The COVID-19 mortality rate is associated with illiteracy, age, and air pollution in urban neighborhoods: A spatiotemporal cross-sectional analysis. Tropical Medicine and Infectious Disease, 8(2), 85. [DOI:10.3390/tropicalmed8020085] [PMID] 

Mathys, T., Souza, F. T., Barcellos, D. D. S., & Molderez, I. (2023). The relationship among air pollution, meteorological factors and COVID-19 in the Brussels Capital Region. The Science of the Total Environment, 857(Pt 1), 158933. [DOI:10.1016/j.scitotenv.2022.158933] [PMID]