جلد 24، شماره 2 - ( 4-1400 )
جلد 24 شماره 2 صفحات 32-20 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asaadi M, Daliri H. Evaluating the Effect of Poverty and Economic Inequality on the Corona Pandemic in Iran and the World. jha 2021; 24 (2) :20-32
URL: http://jha.iums.ac.ir/article-1-3550-fa.html
URL: http://jha.iums.ac.ir/article-1-3550-fa.html
اسعدی مرضیه، دلیری حسن. ارزیابی اثر فقر و نابرابری اقتصادی بر همه‌گیری کرونا در ایران و جهان. فصلنامه مدیریت سلامت. 1400; 24 (2) :20-32
مرضیه اسعدی 
1، حسن دلیری2
1، حسن دلیری2
1- استادیار، گروه مدیریت و اقتصاد، دانشکده علوم انسانی و اجتماعی، دانشگاه گلستان، گرگان ، m.asaadi@gu.ac.ir
2- استادیار، گروه مدیریت و اقتصاد، دانشکده علوم انسانی و اجتماعی، دانشگاه گلستان، گرگان
2- استادیار، گروه مدیریت و اقتصاد، دانشکده علوم انسانی و اجتماعی، دانشگاه گلستان، گرگان
چکیده: (3803 مشاهده)
مقدمه: شناسایی عوامل مؤثر بر شیوع کووید-۱۹ به‌منظور سیاست‌گذاری در کنترل همه‌گیری این بیماری ضروری است. فقر و نابرابری اقتصادی از مهم‌ترین متغیرهای توضیح‌دهنده شیوع کرونا هستند. این پژوهش به سنجش اثر فقر و نابرابری اقتصادی بر شیوع کرونا در کشورهای جهان پرداخته است.
روش ها: مطالعه حاضر کاربردی با روش توصیفی-تحلیلی به‌صورت مقطعی بود که با استفاده از رگرسیون باثبات، به ارزیابی اثر فقر و نابرابری اقتصادی بر شیوع کرونا در ۱۴۵ کشور جهان پرداخته شد. جامعه آماری، شامل داده‌های تجمعی کووید-۱۹ بود که بر اساس آمارهای برنامه تحقیقاتی آکسفورد-مارتین و بانک جهانی در سال ۲۰۲۱-۲۰۲۰ استخراج شد. کشورهای منتخب بر اساس طبقه‌بندی بانک جهانی در چهار گروه درآمدی دسته‌بندی و توضیح دهندگی شاخص‌های فقر و نابرابری بر شیوع کرونا در آن‌ها ارزیابی شد. اقتصادسنجی و تحلیل داده‌ها با استفاده از نرم‌افزار MATLAB انجام شد.
یافته ها: اثر افزایشی سوءتغذیه و سالخوردگی جمعیت، بر نرخ ابتلا به کرونا برای تمام گروه‌های درآمدی کشورهای جهان تأییدشده است. درحالی‌که افزایش سخت‌گیری دولت‌ها سبب کاهش ابتلا به کرونا شده است. متغیرهای معنادار در شیوع کرونا برای ایران و کشورهای گروه درآمدی بالاتر از متوسط نیز اثر سالخوردگی و مقررات سخت‌گیرانه دولت‌ها را تائید کرده است. یافته‌ها نشان داد که ضریب جینی، سالخوردگی و سوءتغذیه جزو متغیرهای توضیح‌دهنده افزایش نرخ مرگ‌ومیر ناشی از کرونا در ایران و گروه درآمدی بالاتر از متوسط بوده است.
نتیجه‌گیری: برخورداری از تغذیه مناسب به‌موازات مخارج نظام سلامت و مقررات سخت‌گیرانه دولت‌ها می‌تواند نقش مؤثری در کاهش ابتلا و مرگ‌ومیر ناشی از کرونا داشته باشد. همچنین، انتخاب سیاست‌های مناسب در جهت افزایش برابری اقتصادی نقش مؤثری در کاهش مرگ‌ومیر این بیماری خواهد داشت.
روش ها: مطالعه حاضر کاربردی با روش توصیفی-تحلیلی به‌صورت مقطعی بود که با استفاده از رگرسیون باثبات، به ارزیابی اثر فقر و نابرابری اقتصادی بر شیوع کرونا در ۱۴۵ کشور جهان پرداخته شد. جامعه آماری، شامل داده‌های تجمعی کووید-۱۹ بود که بر اساس آمارهای برنامه تحقیقاتی آکسفورد-مارتین و بانک جهانی در سال ۲۰۲۱-۲۰۲۰ استخراج شد. کشورهای منتخب بر اساس طبقه‌بندی بانک جهانی در چهار گروه درآمدی دسته‌بندی و توضیح دهندگی شاخص‌های فقر و نابرابری بر شیوع کرونا در آن‌ها ارزیابی شد. اقتصادسنجی و تحلیل داده‌ها با استفاده از نرم‌افزار MATLAB انجام شد.
یافته ها: اثر افزایشی سوءتغذیه و سالخوردگی جمعیت، بر نرخ ابتلا به کرونا برای تمام گروه‌های درآمدی کشورهای جهان تأییدشده است. درحالی‌که افزایش سخت‌گیری دولت‌ها سبب کاهش ابتلا به کرونا شده است. متغیرهای معنادار در شیوع کرونا برای ایران و کشورهای گروه درآمدی بالاتر از متوسط نیز اثر سالخوردگی و مقررات سخت‌گیرانه دولت‌ها را تائید کرده است. یافته‌ها نشان داد که ضریب جینی، سالخوردگی و سوءتغذیه جزو متغیرهای توضیح‌دهنده افزایش نرخ مرگ‌ومیر ناشی از کرونا در ایران و گروه درآمدی بالاتر از متوسط بوده است.
نتیجه‌گیری: برخورداری از تغذیه مناسب به‌موازات مخارج نظام سلامت و مقررات سخت‌گیرانه دولت‌ها می‌تواند نقش مؤثری در کاهش ابتلا و مرگ‌ومیر ناشی از کرونا داشته باشد. همچنین، انتخاب سیاست‌های مناسب در جهت افزایش برابری اقتصادی نقش مؤثری در کاهش مرگ‌ومیر این بیماری خواهد داشت.
نوع مقاله: پژوهشي |
موضوع مقاله:
اقتصاد سلامت
دریافت: 1400/1/12 | پذیرش: 1400/3/29 | انتشار: 1400/5/10
دریافت: 1400/1/12 | پذیرش: 1400/3/29 | انتشار: 1400/5/10
فهرست منابع
1. Baker SR, Bloom N, Davis SJ, Terry SJ. COVID-induced economic uncertainty. Working Paper No: 26983 [Internet]. Cambridge, MA: National Bureau of Economic Research; 2020 Apr [cited 2021 Mar 31]. Available from: https://www.nber.org/papers/w26983 [DOI:10.3386/w26983]
2. Ray D, Subramanian S. India's lockdown: An interim report. Working Paper No: 27282 [Internet]. Cambridge, MA: National Bureau of Economic Research; 2020 May [cited 2021 Mar 31]. Available from: https://www.nber.org/papers/w27282 [DOI:10.3386/w27282]
3. Noy I, Doan N, Ferrarini B, Park D. Measuring the economic risk of Covid-19. Glob Policy. 2020 Sep; 11(4): 413-23. [DOI:10.1111/1758-5899.12851]
4. Grima S, Kizilkaya M, Rupeika-Apoga R, Romānova I, Dalli Gonzi R, Jakovljevic M. A country pandemic risk exposure measurement model. Risk Manag Healthc Policy. 2020; 13: 2067-77. [DOI:10.2147/RMHP.S270553]
5. Bigio S, Zhang M, Zilberman E. Transfers vs credit policy: Macroeconomic policy trade-offs during COVID-19. Working Paper No: 27118 [Internet]. Cambridge, MA: National Bureau of Economic Research; 2020 May [cited 2021 Mar 31]. Available from: https://www.nber.org/papers/w27118 [DOI:10.3386/w27118]
6. Starfield B. Effects of poverty on health status. Bull N Y Acad Med. 1992; 68(1):17-24.
7. Worku EB, Woldesenbet SA. Poverty and inequality - but of what - as social determinants of health in Africa? Afr Health Sci. 2015 Dec;15(4):1330-8. [DOI:10.4314/ahs.v15i4.36]
8. Kondo N, Sembajwe G, Kawachi I, van Dam RM, Subramanian SV, Yamagata Z, et al. Income inequality, mortality, and self rated health: Meta-analysis of multilevel studies. BMJ. 2009; 339(b4471): 1-9. [DOI:10.1136/bmj.b4471]
9. Aleem Z. The US needs a lot more hospital beds to prepare for a spike in coronavirus cases [Internet]. Washington: Vox Media; 2020 Mar 14; [cited 2021 Mar 31]. Available from: https://www.vox.com/science-and-health/2020/3/14/21179714/coronavirus-covid-19-hospital-beds-china.
10. Murphy SC. Malaria and global infectious diseases: Why should we care? Virtual Mentor. 2006 Apr; 8(4), 245-50. [DOI:10.1001/virtualmentor.2006.8.4.msoc1-0604]
11. Deaton A. Health, inequality, and economic development. J Econ Lit. 2003;41(1):113-158. [DOI:10.1257/jel.41.1.113]
12. Adams-Prassl A, Boneva T, Golin M, Rauh C. Inequality in the impact of the coronavirus shock: Evidence from real time surveys. J Publ Econ. 2020;189:104245. [DOI:10.1016/j.jpubeco.2020.104245]
13. Bartik AW, Bertrand M, Cullen ZB, Glaeser EL, Luca M, Stanton CT. How are small businesses adjusting to covid-19? Early evidence from a survey. Working Paper No: 26989 [Internet]. Cambridge, MA: National Bureau of Economic Research; 2020 Apr [cited 2021 Mar 31]. Available from: https://www.nber.org/papers/w26989 [DOI:10.3386/w26989]
14. Bottan N, Hoffmann B, Vera-Cossio D. The unequal impact of the coronavirus pandemic: Evidence from seventeen developing countries. PLoS One. 2020 Oct 7;15(10): e0239797 [DOI:10.1371/journal.pone.0239797]
15. Emadzadeh M, Samadi S, Paknejad S. Effects of unequal distribution of income on health status in the selection of the member. Health Information Management. 2011; 8(3): 306-14. [In Persian]
16. Wilkinson RG. Socioeconomic determinants of health. Health inequalities: Relative or absolute material standards? BMJ. 1997; 314(7080): 591-5. [DOI:10.1136/bmj.314.7080.591]
17. Hajizadeh M. Investigating justice in financing the health sector of Iran through the hosehold budget using the kakwani index in 1996-2001 [master's thesis on the Internet] Tehran: Iran University of Medical Sciences; 2002 [cited 2021 Mar 31]. Available from: https://ganj-old.irandoc.ac.ir/articles/109592. [In Persian]
18. Wilkinson RG. Income distribution and life expectancy. BMJ. 1992; 304(6820): 165-8. [DOI:10.1136/bmj.304.6820.165]
19. Wilkinson RG. Class mortality differentials, income distribution and trends in poverty 1921-1981. J Soc Policy. 1989; 18(3): 307-35. [DOI:10.1017/S0047279400017591]
20. Wilkinson RG,Pickett KE. Income inequality and population health: A review and explanation of the evidence. Soc Sci Med. 2006; 62(7): 1768-84. [DOI:10.1016/j.socscimed.2005.08.036]
21. Judge K, Mulligan JA, Benzeval M. Income inequality and population health. Soc Sci Med. 1998; 46(4-5): 567-79. [DOI:10.1016/S0277-9536(97)00204-9]
22. Rodgers GB. Income and inequality as determinants of mortality: An international cross-section analysis. Pop Stud. 1979; 33(2): 343-51. [DOI:10.1080/00324728.1979.10410449]
23. Gravelle H, Wildman J, Sutton M. Income, income inequality and health: What can we learn from aggregate data? Soc Sci Med. 2002; 54(4): 577-89. [DOI:10.1016/S0277-9536(01)00053-3]
24. Babones SJ. Income inequality and population health: Correlation and causality. Soc Sci Med. 2008; 66(7): 1614-26. [DOI:10.1016/j.socscimed.2007.12.012]
25. Biggs B, King L, Basu S,Stuckler D. Is wealthier always healthier? The impact of national income level, inequality, and poverty on public health in Latin America. Soc Sci Med. 2010; 71(2): 266-73. [DOI:10.1016/j.socscimed.2010.04.002]
26. Suwanprasert W. COVID-19 and endogenous public avoidance: Insights from an economic model. Discussion Papers No: 128 [Internet]. Bankok: Puey Ungphakorn Institute for Economic Research; 2020 Mar [cited 2021 Mar 31]. Available from: https://ideas.repec.org/p/pui/dpaper/128.html [DOI:10.2139/ssrn.3565564]
27. Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, et al. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: A retrospective cohort study. Lancet. 2020; 395(10229): 1054-62. [DOI:10.1016/S0140-6736(20)30566-3]
28. Evans D, Werker E. What a population's age structure means for COVID-19's impact in low-income countries [Internet]. Washington DC: Center for Global Development; 2020 Mar [cited 2021 Mar 31]. Available from: https://www.cgdev.org/blog/what-populations-age-structure-means-covid-19s-impact-low-income-countries [DOI:10.21820/23987073.2021.6.4]
29. Ritchie H, Ortiz-Ospina E, Beltekian D, Mathieu E, Hasell J, Macdonald B, et al. Coronavirus pandemic (COVID-19) [Internet]. Oxford, UK: OurWorldInData.org; 2020 [cited 2021 Mar 21]. Available from: https://ourworldindata.org/coronavirus
30. The World Bank [Internet]. Washington DC, USA: The World Bank Group; 2021 [cited 2021 Mar 21]. Available from: https://databank.worldbank.org/databases
31. Rousseeuw PJ, Leroy A M. Robust regression and outlier detection. New York: Wiley; 1987. [DOI:10.1002/0471725382]
32. Yohai VJ. High breakdown-point and high efficiency robust estimates for regression. Ann Stat. 1987; 15(2): 642-56. [DOI:10.1214/aos/1176350366]
33. Verardi V, Croux Ch. Robust regression in stata. The Stata Journal. 2009; 9(3): 439-53. [DOI:10.1177/1536867X0900900306]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
