在这项研究中，来自知名的、公开的多维来源的数据在人口普查区一级被合并。我们使用了CDC 500个城市的数据(2019年)[ 14]，它代表了来自美国500个最大城市的城市级数据，以确定肥胖的流行程度。疾病预防控制中心500个城市的数据与美国社区调查和美国农业部(2018-2020)估计的SDOH数据合并[ 15， 16]。 表1显示研究中包含的变量的汇总统计信息。

探讨谢尔比县成人肥胖流行的地理空间聚类及热点。我们使用一阶皇后邻接的Getis-Ord Gi*统计量进行分析，并使用错误发现率校正参数来考虑多重测试和空间依赖性。

为了理解区域内的因变量和显著相关的SDOH，我们使用了分层聚类无监督机器学习算法[ 23- 25在R软件(版本4.0.3;RStudio, PBC) [ 25进行探索性分组分析。Ward 's Method用于最小化误差平方和的增加[ 26]。

我们探索了谢尔比县缺乏体育活动、肥胖的地理分布，以及与肥胖显著相关的前四个特征。

ArcGIS Pro软件(版本为2.9.0;Esri)用于生成空间分布以研究模式(即空间聚类)。R Studio(版本4.0.3;RStudio, PBC)和GeoDa软件(版本1.16.0.12;Luc Anselin)进行统计分析。

图1反映了成人肥胖患病率的地理空间分布和研究区域内成人肥胖患病率的显著聚集。

图1A显示中部和西南地区被诊断为成人肥胖的人口比例很高，和 图1B表明，中西部地区也是成人肥胖的重要热点地区。相反，显著的冷点集中在谢尔比县的东部地区。

在进行了“回归建模”部分的分析建模技术后，在VIF评估中剔除了缺乏体育活动的人口比例(VIF=46.7)，在AIC过程中剔除了女性户主的人口比例和25岁及以上未受过高中教育的人口比例(在进一步的实验分析中也发现它们不显著)。此外，平均家庭规模和很少进入超市的家庭与肥胖没有显著关联。然而，有8个变量来自 表1与肥胖患病率显著相关的因素:家庭收入中位数、黑人人口百分比、贫困水平、无保险人口百分比、55岁及以上人口百分比、单身人口百分比、失业人口百分比和租房者百分比。各显著变量的VIF均≤10.0。

最终的OLS回归模型结果见 表2，它显示了最能描述模型的预测变量。的调整 R²为0.963，表明96%的结局变量变异可被预测因子解释，AIC为-88.34。多重共线性条件数为6.99，小于20，不存在多重共线性的嫌疑。Jarque-Bera测试有 P值<措施。Koenker-Bassett测试 P值为0.17，表明误差项中存在恒定方差。的 P值( F统计学值小于0.05被认为是显著或有意义的。

而鲁棒拉格朗日乘数(误差)的检验值为10.72 ( P=.001)，显著高于鲁棒拉格朗日乘数(lag)，检验值为8.449 ( P= .003)。由于显著的空间依赖性，OLS模型结果不可靠。在模型中加入一个空间误差项。

表3为SEM结果。在模型中，黑人人口比例、贫困率以下人口比例、单身人口比例、无保险人口比例、55岁及以上人口比例与肥胖呈正相关，显示出肥胖的增加。另一方面，家庭收入中位数和租房率与肥胖呈负相关，表明肥胖减少。

由于我们的变量是在相同的尺度上测量的，我们能够比较每个预测变量对肥胖患病率的影响强度。我们发现，在预测谢尔比县肥胖患病率时，未投保人口的百分比、黑人人口的百分比、低于贫困水平的人口的百分比和租房者的百分比是最重要的变量。

在对两个模型进行校准后，我们发现SEM优于OLS模型。 表4表明 R²值在模型中加入误差项后提高到0.968,AIC提高到-108.09，表明模型拟合较好。

我们的分组分析将谢尔比地区的研究区域分为5个不同的组，基于与肥胖显著相关的前四个特征( 图2）.

第一组横跨该地区的第四大区域(47个人口普查区)，并被量化为肥胖率、黑人人口百分比、收入低于贫困水平的人口百分比和未投保人口百分比低于平均水平;然而，这一群体在租房者中所占的比例约为平均水平。

第2组是该地区最大的区域，由62个人口普查区组成。该地区在肥胖流行率、租房者比例、黑人人口比例、收入低于贫困水平的人口比例以及未投保人口比例等方面都远高于平均水平。

第三组包括52个人口普查区。该地区的肥胖率、租房者比例和无保险人口比例都高于平均水平，黑人人口比例也远高于平均水平;然而，这一群体在收入低于贫困线的人口中所占的比例和租房者所占的比例都低于平均水平。

第4组由52个人口普查区组成，在肥胖流行率、黑人人口百分比、收入低于贫困水平的人口百分比、租房者百分比和无保险人口百分比等方面被量化为远低于平均水平。

第5组横跨该地区最小的区域(6个人口普查区)，其特点是肥胖患病率和无保险人口百分比平均;然而，这个群体在黑人人口中所占的比例、收入低于贫困水平的人口比例和租房者的比例都远远高于平均水平。

尽管由于多重共线性，在“模型选择”过程中剔除了缺乏体育活动的因素，但我们检验了Spearman等级相关系数( 表5)、肥胖的地理空间分布( 图1A)缺乏体育活动( 图3)，以及与肥胖有关的四大特征和缺乏运动的地理空间分布( 图3）.斯皮尔曼等级系数显示缺乏体育活动与肥胖之间存在强烈的正相关关系。 图1A显示了谢尔比县中部和西南部肥胖集群的高患病率，与前四大肥胖相关特征和缺乏体育活动的地理空间格局相一致。

此外, 表5显示了缺乏体育锻炼与肥胖相关的四大特征之间的强烈正相关关系。在地理上，我们发现谢尔比县的中部和西南部地区有很高比例的人口低于贫困率，黑人和无保险，缺乏体育活动的人口比例与这些地理空间模式一致。另一方面，谢尔比县东部地区在贫困率以下人口比例、黑人人口比例、租房人口比例和无保险人口比例方面表现出一致的模式，并且由聚集的人口普查区组成，其中缺乏体育锻炼的人口比例很低。

先前的研究发现社会地理决定因素与健康结果之间存在关联[ 39- 42]。同样，我们的研究发现，谢尔比地区较高比例的弱势社区肥胖患病率和SDOH风险因素明显较高。因此，实施的政策应适应社会文化，针对弱势社区量身定制，能够解决SDOH差异，并针对肥胖流行的根本决定因素。