Published February 15, 2022 | Version v1
Publication Open

Understanding the Geography of COVID-19 Case Fatality Rates in China: A Spatial Autoregressive Probit-Log Linear Hurdle Analysis

Creators

  • 1. Center for Policy Analysis
  • 2. Harvard University
  • 3. China University of Geosciences (Beijing)
  • 4. Chinese University of Hong Kong
  • 5. Peking University

Description

This study employs a spatial autoregressive probit-log linear (SAP-Log) hurdle model to investigate the influencing factors on the probability of death and case fatality rate (CFR) of coronavirus disease 2019 (COVID-19) at the city level in China. The results demonstrate that the probability of death from COVID-19 and the CFR level are 2 different processes with different determinants. The number of confirmed cases and the number of doctors are closely associated with the death probability and CFR, and there exist differences in the CFR and its determinants between cities within Hubei Province and outside Hubei Province. The spatial probit model also presents positive spatial autocorrelation in death probabilities. It is worth noting that the medical resource sharing among cities and enjoyment of free medical treatment services of citizens makes China different from other countries. This study contributes to the growing literature on determinants of CFR with COVID-19 and has significant practical implications.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تستخدم هذه الدراسة نموذج عقبة الانحدار الذاتي المكاني الخطي (SAP - Log) للتحقيق في العوامل المؤثرة على احتمال الوفاة ومعدل وفيات الحالات (CFR) لمرض فيروس كورونا 2019 (COVID -19) على مستوى المدينة في الصين. تُظهر النتائج أن احتمال الوفاة من كوفيد-19 ومستوى معدل وفيات الأطفال هما عمليتان مختلفتان لهما محددات مختلفة. يرتبط عدد الحالات المؤكدة وعدد الأطباء ارتباطًا وثيقًا باحتمال الوفاة ومعدل الوفيات، وهناك اختلافات في معدل الوفيات ومحدداته بين المدن داخل مقاطعة هوبي وخارج مقاطعة هوبي. يقدم نموذج البروبت المكاني أيضًا ارتباطًا ذاتيًا مكانيًا إيجابيًا في احتمالات الوفاة. تجدر الإشارة إلى أن مشاركة الموارد الطبية بين المدن والتمتع بخدمات العلاج الطبي المجانية للمواطنين يجعل الصين مختلفة عن الدول الأخرى. تساهم هذه الدراسة في الأدبيات المتزايدة حول محددات CFR مع COVID -19 ولها آثار عملية كبيرة.

Translated Description (French)

Cette étude utilise un modèle d'obstacle linéaire probit-log spatial autorégressif (SAP-Log) pour étudier les facteurs d'influence sur la probabilité de décès et le taux de létalité (CFR) de la maladie à coronavirus 2019 (COVID-19) au niveau de la ville en Chine. Les résultats démontrent que la probabilité de décès par COVID-19 et le niveau de CFR sont 2 processus différents avec des déterminants différents. Le nombre de cas confirmés et le nombre de médecins sont étroitement associés à la probabilité de décès et au CFR, et il existe des différences dans le CFR et ses déterminants entre les villes de la province du Hubei et en dehors de la province du Hubei. Le modèle de probit spatial présente également une autocorrélation spatiale positive dans les probabilités de décès. Il convient de noter que le partage des ressources médicales entre les villes et la jouissance de services de traitement médical gratuits pour les citoyens rendent la Chine différente des autres pays. Cette étude contribue à la littérature croissante sur les déterminants du CFR avec la COVID-19 et a des implications pratiques importantes.

Translated Description (Spanish)

Este estudio emplea un modelo de obstáculos lineal probit-log autorregresivo espacial (SAP-Log) para investigar los factores que influyen en la probabilidad de muerte y la tasa de letalidad (CFR) de la enfermedad por coronavirus 2019 (COVID-19) a nivel de ciudad en China. Los resultados demuestran que la probabilidad de muerte por COVID-19 y el nivel de CFR son 2 procesos diferentes con diferentes determinantes. El número de casos confirmados y el número de médicos están estrechamente asociados con la probabilidad de muerte y el CFR, y existen diferencias en el CFR y sus determinantes entre las ciudades dentro de la provincia de Hubei y fuera de la provincia de Hubei. El modelo espacial probit también presenta autocorrelación espacial positiva en probabilidades de muerte. Vale la pena señalar que el intercambio de recursos médicos entre las ciudades y el disfrute de los servicios gratuitos de tratamiento médico de los ciudadanos hace que China sea diferente de otros países. Este estudio contribuye a la creciente literatura sobre los determinantes del CFR con COVID-19 y tiene implicaciones prácticas significativas.

Files

pdf.pdf

Files (1.1 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:4fc13f745a95e03ccbc594058824c645
1.1 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
فهم جغرافية معدلات وفيات حالات كوفيد-19 في الصين: تحليل العقبة الخطية للتراجع الذاتي المكاني
Translated title (French)
Comprendre la géographie des taux de létalité de la COVID-19 en Chine : une analyse spatiale autorégressive des obstacles linéaires Probit-Log
Translated title (Spanish)
Comprender la geografía de las tasas de mortalidad por COVID-19 en China: un análisis de obstáculos lineales de Probit-Log autorregresivo espacial

Identifiers

Other
https://openalex.org/W4213071475
DOI
10.3389/fpubh.2022.751768

Is supplement to
https://openalex.org/W4297683888 (Other)
https://openalex.org/W3149080514 (Other)
https://openalex.org/W3122701957 (Other)
https://openalex.org/W2985122456 (Other)
https://openalex.org/W2323673971 (Other)
https://openalex.org/W2209414691 (Other)
https://openalex.org/W2074923463 (Other)
https://openalex.org/W2071057946 (Other)
https://openalex.org/W1978803721 (Other)
https://openalex.org/W1601181570 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1833671541
  • https://openalex.org/W2022392583
  • https://openalex.org/W2070129130
  • https://openalex.org/W3008095816
  • https://openalex.org/W3010927507
  • https://openalex.org/W3012603648
  • https://openalex.org/W3013371964
  • https://openalex.org/W3014866318
  • https://openalex.org/W3015019427
  • https://openalex.org/W3016748877
  • https://openalex.org/W3019445951
  • https://openalex.org/W3020502835
  • https://openalex.org/W3022098591
  • https://openalex.org/W3024621190
  • https://openalex.org/W3025553603
  • https://openalex.org/W3028516526
  • https://openalex.org/W3028587641
  • https://openalex.org/W3030030602
  • https://openalex.org/W3030498843
  • https://openalex.org/W3033442472
  • https://openalex.org/W3036568176
  • https://openalex.org/W3036653687
  • https://openalex.org/W3037073444
  • https://openalex.org/W3042333985
  • https://openalex.org/W3045979769
  • https://openalex.org/W3046089252
  • https://openalex.org/W3047906533
  • https://openalex.org/W3049082640
  • https://openalex.org/W3081462460
  • https://openalex.org/W3082103495
  • https://openalex.org/W3084586512
  • https://openalex.org/W3085350239
  • https://openalex.org/W3089081234
  • https://openalex.org/W3092488800
  • https://openalex.org/W3092670913
  • https://openalex.org/W3092982608
  • https://openalex.org/W3093552303
  • https://openalex.org/W3094624761
  • https://openalex.org/W3094660956
  • https://openalex.org/W3095302198
  • https://openalex.org/W3095455614
  • https://openalex.org/W3096266266
  • https://openalex.org/W3097909932
  • https://openalex.org/W3100458424
  • https://openalex.org/W3102902405
  • https://openalex.org/W3105663889
  • https://openalex.org/W3106076204
  • https://openalex.org/W3108058577
  • https://openalex.org/W3114548468
  • https://openalex.org/W3123971764
  • https://openalex.org/W3130942013
  • https://openalex.org/W3160231534
  • https://openalex.org/W3161539687
  • https://openalex.org/W3181673349
  • https://openalex.org/W3184031046
  • https://openalex.org/W4200527962
  • https://openalex.org/W4205480217