我们的目标是利用荷兰355个城市的属性，预测一个城市每万名居民中确诊的COVID-19感染的累积数量。因此，我们检索了国家公共卫生与环境研究所和中央统计局的数据，并将这些数据合并到一个数据库中，该数据库包含335个城市和与城市主题相关的变量，如中所列 文本框1，并辅以某市每万名居民的累计确诊感染人数。主题中的所有变量都用数字或分数表示。

本研究的结果变量是2020年1月1日至2021年5月9日期间，一个城市每万名居民中确诊感染的累积数量。我们使用了一种基于随机森林(RF)的技术进行后向变量选择(VARSELRF) [ 13为预测结果选择重要的变量。接下来，我们使用RF计算所选变量的重要性[ 14］．然后使用所选变量构建多重分数多项式(MFP)模型来预测结果。MFP建模技术提供了建立具有相关解释变量函数的模型的机会，并且比线性回归更灵活[ 15］．

我们使用 R²统计量、均方误差(RMSE)的根和归一化RMSE (NRMSE)作为预测模型性能的度量。的 R²测量预测变量如何解释结果变量的变化。RMSE测量来自预测模型的预测值与结果变量值之间的典型距离。NRMSE是预测模型的RMSE与不含预测变量的模型的RMSE (RMSE)的比值₀)．

在公式中， y表示实际值， yˆ表示对来自预测模型的实际值的预测， y¯表示实际值的平均值，n表示案例数。一个 R²值趋向于1表示性能良好，而值趋向于 R²值趋于0表示性能较差。NRMSE值趋于0表示性能良好[ 20.］．

对于所有分析，我们使用R统计软件(3.4.4版本;R统计计算基础)[ 21］．

对于这项研究，不需要伦理批准，因为数据的粒度是在市政级别。

2019冠状病毒病大流行威胁到全世界人民的生命安全。它导致了医疗保健问题(身体、心理和社会)。世界卫生组织指出，自我隔离和隔离等措施可能会导致孤独、抑郁、焦虑和自残或自杀行为的增加[ 22］．此外，COVID-19给卫生保健系统带来了很大压力，并导致所有相关国家的经济放缓[ 23］．在这项研究中，我们旨在研究荷兰355个城市的特性，以预测每个城市每万名居民中确诊的COVID-19感染的累积数量。

从荷兰公共领域可用的数据源中收集了每个城市的相关静态数据，并将这些数据与2020年1月1日至2021年5月9日期间的每日动态感染数合并[ 5， 12］．我们使用了VARSELRF [ 13]技术(基于射频)选择重要变量，然后采用MFP建模，建立一个城市每万居民累计确诊感染数的预测模型。

我们的预测模型解释了63%的因变量方差(每10,000名居民中确诊的COVID-19感染累计数量)。这一发现意味着，我们的预测模型可用于预测荷兰某个城市每10,000名居民的累计确诊感染人数。在我们的研究中，我们使用了20个城市主题来开发一个预测模型。最重要的预测因素是接触PM10、是工党选民以及家庭中孩子的数量。

一项系统综述确定了7种识别普通人群中COVID-19风险人群的模型。在这些模型中，最常见的预测因素是年龄、共病、生命体征和图像特征[ 24］．

在我们的研究中，在所有预测因素中，暴露于PM10的重要性得分最高。其他研究也观察到PM10与COVID-19感染的显著相关性[ 25， 26］．与前一年相比，保持社交距离导致PM10和NO的平均值分别下降了35.56%和20.41%₂，分别[ 27］．然而，一项系统综述显示，暴露于直径<2.5 μm的颗粒物和NO₂在引发COVID-19传播和致死率方面比PM10做出了更重要的贡献[ 28］．所有研究结果都表明，减少空气污染是当前的公共卫生问题，也是covid -19后更可持续的世界的问题[ 27］．

我们的研究表明，是否为工党(Partij van de Arbeid)选民可被视为每万名居民COVID-19累计感染人数的重要预测因素。一种解释可能是，左翼政党的选民比右翼政党的选民更遵守政府规定(例如，保持社交距离)(右翼政党的选民更不信任政府的行为)[ 29］．工党的选民也普遍年龄较大[ 30.］．工党在荷兰北部地区的支持率更高。我们建议进一步研究这些政党选民的特征，包括生活方式特征，以更好地了解与每万名居民COVID-19累计感染人数的关系。

在这项研究中，家庭儿童数量是每万名居民COVID-19累计感染人数的一个重要预测因素。这一发现可能是由于学校出勤率[ 31］．然而，一项针对30万成年人的研究表明，随着家庭中儿童数量的增加，需要住院治疗的COVID-19风险降低了[ 32］．此外，未发现接触儿童与COVID-19之间存在关联[ 32］．这一发现得到了一项系统审查的证实，该审查的结论是，儿童不太可能是这次大流行的主要驱动因素[ 33］．此外，在这项研究中，确诊感染人数最多的10个城市与入院和死亡人数最多的10个城市并没有像我们预期的那样重叠。这一发现表明，每万名居民的COVID-19累计感染人数与这两种不良结果之间没有关联，这与其他研究相反[ 4， 34， 35］．在住院和死亡人数最多的10个城市中，有3个城市同时出现在两个名单上。这一结果是意料之中的，因为只有COVID-19病情严重的人才会住院，而这些人的死亡风险会增加[ 36］．COVID-19疫苗可以被认为是减少这种病毒传播的最有希望的手段。因此，让许多人接种疫苗至关重要。一项包括22项研究的范围综述显示，性别、年龄、教育程度和职业与疫苗接受度相关[ 37］．此外，对当局的信任、疫苗有效性、疫苗安全性、目前或以前是否接种过流感疫苗以及对COVID-19感染的感知风险也与COVID-19的接受程度有关[ 37］．重要的是，所有国家都要消除接受疫苗的障碍，以便实现最大限度的疫苗覆盖率。这一步骤需要从政策制定者到卫生保健专业人员和科学家等所有利益攸关方的承诺。

我们的研究还存在一些局限性。我们的预测模型仅基于荷兰的城市数据，因此模型的外部有效性有限。这种模式可能不适用于世界其他地方。这种限制肯定适用于欧洲以外的国家，这些国家具有不同的文化、医疗保健和政治制度，居民具有不同的社会人口和健康特征。不幸的是，其他COVID-19预测模型也存在类似的问题[ 24， 38］．为了预防和抗击COVID-19，至关重要的是将这些预测模型应用于不同的数据集，并检查模型在不同国家的行为变化。第二个限制是指存在几种COVID-19变体[ 39］．Omicron变体出现于2021年，开发的预测模型可能不适用于该变体。第三个限制是，我们的数据集中没有受COVID-19影响的家庭是否有儿童保育或其他公共卫生因素等变量。后续研究将考虑到这一限制。

总之，收集与一个城市累计确诊感染人数相关的城市主题数据，可以深入了解预测荷兰一个城市每万名居民累计确诊感染人数的最重要主题。在预测模型中，最重要的话题是接触PM10、是工党选民以及家庭中孩子的数量。这些发现有助于增加我们对COVID-19的认识，并为政策制定者提供应对COVID-19的工具。这项研究也可能在今后发生大流行病时具有实质性价值，以便各市政当局更好地做好准备。甚至可以想象，城市或地区可能需要采取不同的保护措施。