基于ARIMA模型的广州市中医药卫生资源配置预测分析

摘要：本文收集了广州地区2003年至2022年的中医药卫生技术人员和医院床位数等数据，采用R语言构建自回归整合移动平均模型（AutoregressiveIntegratedMovingAverageModel，ARIMA）进行中医药卫生资源配置预测研究，分析了广州市中医药卫生资源的情况以及发展趋势，为广州市相关中医药卫生政策制定提供参考依据。

关键词：R语言；卫生资源配置；自回归整合移动平均模型；卫生预测

ResearchontheTeachingApplication

ofDataVisualizationintheCourseofHealthInformationManagement

GuoDechao1ZhangHao2*XuJianmin2

1.SchoolofPublicHealthandManagement，GuangzhouUniversityofChineseMedicine

GuangdongGuangzhou510006；

2.GuangzhouCenterforDiseaseControlandPreventionGuangdongGuangzhou510000

Abstract：ThisarticlecollecteddataontraditionalChinesemedicinehealthcareprofessionalsandhospitalbedsinGuangzhoufrom2003to2022.UsingRlanguage，anautoregressiveintegratedmovingaveragemodel（ARIMA）wasconstructedtopredicttheallocationofhealthcareresources.ThesituationanddevelopmenttrendsoftraditionalChinesemedicinehealthcareresourcesinGuangzhouwereanalyzed，providingreferencefortheformulationofrelevanttraditionalChinesemedicinehealthcarepoliciesinGuangzhou.

Keywords：Rprogramminglanguage；healthserviceresource；autoregressiveintegratedmovingaveragemodel；healthforecast

一、概述

卫生资源是维护公共健康的物质基础，是特定社会和经济条件下整个社会提供给健康部门各项支持的总和，包括人力、财力和物力等［1］，在当代中国，随着老龄化日益严重，卫生资源的合理配置已经是国家卫生战略的重要目标。中共中央、国务院于2016年发布的《“健康中国2030”纲要》指出，健康优先、改革创新、科学发展和公平公正是贯彻落实健康中国战略部署的基本原则［2］，因此，利用大数据技术对卫生资源进行预测和优化，是实现有限的卫生资源科学配置的有力手段。时间序列模型是统计学的分支之一，是一种基于随机理论和数理统计学的方法，它可以基于历史数据预测未来的发展变化的规律和趋势，揭示研究对象在一定时期内的变化趋势，从而可以有效预测未来的变化，为政府部门科学决策提供依据。ARIMA模型被研究人员用于预测股票的价格或者某地区GDP的发展趋势，目前，医疗研究人员将ARIMA应用于感染性疾病和传染病学［34］，也有研究人员将其应用于预防医学和公共卫生研究［57］。本文拟利用时间序列模型来分析广州市2003年至2022年的中医药卫生资源配置数据，预测相关卫生指标，为相关部门决策提供参考。

二、材料与方法

（一）数据资料

本文中的广州市中医医院床位数、中医药卫生技术人员等数据来源于广东省卫生健康委员会发布的2022年广东省卫生健康统计年鉴［9］，其中床位数是2003年至2022年广州市中医医疗机构床位数，卫生技术人员是2003年至2022年广州市中医药卫生技术人员数，具体数据如图1、图2所示。

（二）方法

本研究采用基于R语言的ARIMA时间序列分析法，ARIMA时间序列分析法也称为BoxJenkins模型，用来处理单变量同方差的非平稳时间序列，通过差分法或适当的变换转化为平稳序列，再使用ARMA模型。

ARIMA（p，d，q）模型的形式如下：

Φ（B）Δdxt=Θ（B）εt或Δdxt=Θ（B）εtΦ（B）

其中，Δd=（I-B）d为d阶差分。

三、程序代码及其解释

处理床位数数据的程序及其代码解释如下：

##统一设置ggplot2的绘图风格

library（ggplot2）

theme_set（theme_bw（））

####：自回归移动平均模型####

##使用ARMA模型来预测未来的数据

library（ggfortify）#载入内置函数包

library（gridExtra）#载入内置函数包

library（forecast）#载入内置函数包

##读取数据

data＜read.csv（"data/data.csv"）

data＜ts（data$x）

plot.ts（data）

autoplot（data）+ggtitle（"序列变化趋势"）

##白噪声检验

Box.test（data，type="LjungBox"）

##pvalue=3.045e05，说明不是白噪声

##平稳性检验，单位根检验

adf.test（data）

##pvalue=0.01，说明数据是平稳的

##分析序列的自相关系数和偏自相关系数确定参数p和q

p1＜autoplot（acf（data，lag.max=30，plot=F））+

ggtitle（"序列自相关图"）

p2＜autoplot（pacf（data，lag.max=30，plot=F））+

ggtitle（"序列偏自相关图"）

gridExtra：：grid.arrange（p1，p2，nrow=2）

auto.arima（data）

##对数据建立ARMA（2，1）模型，并预测后面的数据

ARMAmod＜arima（data，order=c（2，0，1））

summary（ARMAmod）

##对拟合残差进行白噪声检验

Box.test（ARMAmod$residuals，type="LjungBox"）

##pvalue=0.7853，说明是白噪声

##可视化模型未来的预测值

plot（forecast（ARMAmod，h=20））

四、结果和讨论

偏自相关系数PACF在1阶后截尾，即滞后期偏自相关系数的大小几乎为0，可以认为p的取值约为1（如图3所示）；自相关系数ACF在3阶后拖尾，即滞后期自相关系数的大小几乎为0，可以认为q的取值约为3（如图4所示）。

通过观察自相关系数和偏自相关系数虽然可以确定p和q，但是这不是最好的方法，R提供了自动寻找序列合适的参数的函数auto.arima（），运行该函数后发现较好的ARMA模型为ARMA（2，1），对数据建立ARMA（2，1）模型，并预测后面的数据，程序运行后AIC=464.66，ar1、ar2、ma1三个系数分别为：1.148、-0.1514、0.0605，且在训练集上模型的拟合绝对值误差MAE=0.7656117，数值非常小，说明模型的拟合效果很好。

用函数Box.test（）对ARMA（2，1）拟合残差白噪声进行检验，从程序输出的结果可以发现，pvalue=0.9822＞0.05，说明残差序列已经是白噪声，即ARMA（2，1）已经成分地提取数据中的有用信息。

最后用forecast（）函数来预测未来20年的数据，并将其可视化，得到的结果如图5、图6所示。图中包含了原始序列和预测的序列曲线，并且给出预测值的置信度为80%（舌侧阴影部分）和95%（浅色阴影部分）的置信区间。

本文使用R语言来实现时间序列模型，能够较好地拟合数据，预测广州市卫生资源配置的相关指标，具有一定的理论和实践价值，本文为广州市的卫生资源优化配置提供了参考依据。

参考文献：

［1］韩春蕾，韩坤，王培成.我国卫生资源配置现状及均等化分析研究［J］.现代预防医学，2015，42（14）：25672570.

［2］中共中央国务院印发《“健康中国2030”规划纲要》［EB/OL］.http：//www.mohrss.gov.cn/，2016.

［3］BaiL，LuK，DongY，etal.PredictingmonthlyhospitaloutpatientvisitsbasedonmeteorologicalenvironmentalfactorsusingtheARIMAmodel.SciRep.2023Feb15，13（1）：2691.

［4］LiuXD，WangW，YangY，etal.NestingtheSIRVmodelwithNAR，LSTMandstatisticalmethodstofitandpredictCOVID19epidemictrendinAfrica.BMCPublicHealth.2023Jan19，23（1）：138.

［5］XuM，YueW，SongX，etal.EpidemiologicalCharacteristicsofParainfluenzaVirusType3andtheEffectsofMeteorologicalFactorsinHospitalizedChildrenWithLowerRespiratoryTractInfection.FrontPediatr.2022Apr27，10：872199.

［6］ZhaoW，SunY，LiY，etal.PredictionofCOVID19DataUsingHybridModelingApproaches.FrontPublicHealth.2022Jul22，10：923978.

［7］XinY，WangB，ZhangH，etal.Machinelearningassessmentofwhitebloodcellcountsinworkersexposedtobenzene：ahistoricalcohortstudy.EnvironSciPollutResInt.2023Mar，30（13）：3820238211.

基金信息：广州市哲学社科规划2023年度课题，广州市中医药卫生资源空间配置及预警研究（编号：2023GZGJ64）

作者简介：郭德超（1978—），男，汉族，河南南阳人，硕士，讲师，主要从事卫生信息管理工作；徐建敏（1971—），女，汉族，内蒙古包头人，硕士，主任技师，主要从事病媒生物与寄生虫预防控制。

*通讯作者：张豪（1979—），女，汉族，河南南阳人，硕士，主任医师，主要从事疾病预防控制工作。