Examining the Relationships between Number of Daily Patients and Google Community Mobility Reports with Negative Binomial Regression: The Case of Covid-19 Turkey

Abstract

Due to the new type of coronavirus (Covid-19) epidemic that affects the world, social distance and reducing mobility are implemented as the most important measures. It shows that less mobility is associated with lower Covid-19 cases and patient numbers worldwide. Especially in the number of Covid-19 cases or patients in our country; A decrease was observed with partial or full closures, and an increase was observed with gradual or full normalization steps. In this study, it is aimed to reveal the relationship between Turkey Covid-19 the number of daily patients and Turkey Google community mobility types. Descriptive and relationship-seeking research was conducted using one-year data between March 11, 2020 and March 11, 2021, when the first Covid-19 patient was seen in Turkey. Descriptive statistics and negative binomial regression analysis were used to evaluate the data obtained from the study. According to the results of the analysis, it was found that the increase in human mobility caused an increase in the number of patients, as well as a positive effect on the number of patients in the mobility in the residences.

Keywords

• Covid-19
• Number of daily patient
• Google Community Mobility Reports
• Negative binomial regression analysis

Günlük Hasta Sayısı ile Google Topluluk Hareket Raporları Arasındaki İlişkilerin Negatif Binom Regresyonla İncelenmesi: Covid-19 Türkiye Örneği

Abstract

Dünyayı etkisi altına alan yeni tip koronavirüs (Covid-19) salgınından dolayı sosyal mesafe ve hareketliliğin azaltılması en önemli tedbirler olarak uygulanmaktadır. Dünya genelinde daha az hareketliliğin daha düşük Covid-19 vaka ve hasta sayıları ile ilişkili olduğunu göstermektedir. Özellikle ülkemizde Covid-19 vaka ve hasta sayılarında; kısmen ya da tam kapanmalar ile düşüş, kademeli ya da tam normalleşme adımları ile de artış gözlemlenmiştir. Bu çalışmada, Türkiye Covid-19 günlük hasta sayısı ile Türkiye Google topluluk hareket raporları arasındaki ilişkinin ortaya konulması amaçlanmıştır. Betimleyici ve ilişki arayıcı türde gerçekleştirilmiş olan araştırma da Türkiye’de ilk Covid-19 hastasının görüldüğü 11 Mart 2020 ile 11 Mart 2021 tarihleri arasındaki bir yıllık verilerden yararlanılmıştır. Araştırmadan elde edilen verilerin değerlendirilmesinde, betimsel istatistikler ve negatif binom regresyon analizi kullanılmıştır. Analiz sonuçlarına göre insan hareketliliğin artması hasta sayısının artmasına neden olduğu gibi konutlardaki hareketliliğinde yine hasta sayısına pozitif etki yaptığı bulunmuştur.

Keywords

• Covid-19
• Günlük hasta sayısı
• Google topluluk hareket raporları
• Negatif binom regresyon analizi.

References

1. [1] World Health Organization, Coronavirus disease (COVID-19).2020. https://www.who.int/emergencies/diseases/novel-coronavirus-2019. (Erişim Tarihi: 15.03.2021).
2. [2] T.C. Sağlık Bakanlığı, COVID-19 Bilgilendirme Platformu, 2020. https://covid19.saglik.gov.tr/ (Erişim Tarihi: 15.03.2021).
3. [3] Banica, Arzu, A.R.I., Onder, H., 2013. Farkli veri yapilarinda kullanilabilecek regresyon yöntemleri. Anadolu Tarım Bilimleri Dergisi, 28(3), 168-174.
4. [4] Durmuş, A., Yeşilova, A., Çelik, E., Kara, R., 2018. Dönemeç Deltası’ndaki Kuş Populasyonları Üzerine Poisson ve Negatif Binom Regresyon Modelinin Uygulanması. Yüzüncü Yıl Üniversitesi Tarım Bilimleri Dergisi, 28(1), 78-85.
5. [5] Güneri, Ö.İ., Durmuş, B., 2020. Aşırı ya da Eksik Yayılım Durumunda Poisson ve Negatif Binom Regresyon Modellerinin Karşılaştırılması. Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 2(1), 48-66.
6. [6] Yeşilova, A., Yılmaz, A., Kaki, B., 2006. Norduz erkek kuzularının bazı kesikli üreme davranış özelliklerinin analizinde doğrusal olmayan regresyon modellerin kullanılması. Yüzüncü Yıl Üniversitesi Tarım Bilimleri Dergisi, 16(2), 87-92.
7. [7] Kibar, F.T., 2015. Türkiye'de kamyon kazaları ile trafik ve karayolu geometrik özellikleri arasındaki ilişkinin istatistiksel ve yapay sinir ağları yöntemleri ile modellenmesi. Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 154s, Trabzon.
8. [8] Saha, J., Barman, B., Chouhan, P., 2020. Lockdown for COVID-19 and its impact on community mobility in India: An analysis of the COVID-19 Community Mobility Reports, 2020. Children and youth services review, 116, 105160.

9. [9] Sulyok, M. and Walker, M., 2020. Community movement and COVID-19: a global study using Google's Community Mobility Reports. Epidemiology & Infection, 148.
10. [10] Wang, H., Yamamoto, N., 2020. Using a partial differential equation with Google Mobility data to predict COVID-19 in Arizona. Mathematical Biosciences and Engineering, 17(5).
11. [11] Vokó, Z., Pitter, J.G., 2020. The effect of social distance measures on COVID-19 epidemics in Europe: an interrupted time series analysis. GeroScience, 42(4), 1075-1082.
12. [12] Huynh, T.L.D., 2020. Does culture matter social distancing under the COVID-19 pandemic?. Safety Science, 130, 104872.
13. [13] Savaris, R.F., Pumi, G., Dalzochio, J. and Kunst, R., 2021. Stay-at-home policy is a case of exception fallacy: an internet-based ecological study. Scientific reports, 11(1), 1-13.
14. [14] Yilmazkuday, H., 2021. Stay-at-home works to fight against COVID-19: international evidence from Google mobility data. Journal of Human Behavior in the Social Environment, 31(1-4), 210-220.
15. [15] Kartal, M.T., Depren, Ö., Depren, S.K., 2021. The relationship between mobility and COVID-19 pandemic: Daily evidence from an emerging country by causality analysis. Transportation Research Interdisciplinary Perspectives, 10, 100366.
16. [16] COVID-19 Topluluk Hareket Raporları, 2020. https://www.google.com.tr/covid19/mobility/ (Erişim Tarihi: 15.03.2021).
17. [17] Lauer, S.A., Grantz, K.H., Bi, Q., Jones, F.K., Zheng, Q., Meredith, H.R., Azman, A.S., Reich, N.G., Lessler, J., 2020. The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application. Annals of internal medicine, 172(9), 577-582.
18. [18] Vikipedi, özgür ansiklopedi. COVID-19 pandemisi, 2020. https://tr.wikipedia.org/wiki/COVID-19_pandemisi, (Erişim Tarihi: 15.03.2021).
19. [19] Miaou, S.P., Hu, P.S., Wright, T., Rathi, A.K., Davis S.C., 1992. Relationship between truck accidents and highway geometric design: a Poisson regression approach. Transportation Research Record, 1376.
20. [20] Knuiman, M.W., Council, F.M., Reinfurt, D.W., 1993. Association of median width and highway accident rates (with discussion and closure). Transportation Research Record, 1401:70-82.
21. [21] Hadi, M.A., Aruldhas, J., Chow, L.F., Wattleworth, J.A., 1995. Estimating safety effects of cross-section design for various highway types using negative binomial regression. Transportation Research Record, 1500, 169.
22. [22] Twitter (@drfahrettinkoca),2021. https://twitter.com/drfahrettinkoca/status/1341450917430906882, (Erişim Tarihi: 15.03.2021).