李芷云　常薇　陳平　陳潔芬

【摘要】 目的：探討ARIMA模型結(jié)合回歸方程在產(chǎn)科工作量預(yù)測(cè)中的應(yīng)用價(jià)值。方法：以產(chǎn)科門(mén)診建卡數(shù)與分娩量數(shù)據(jù)為基礎(chǔ)，運(yùn)用SPSS19.0建立月建卡數(shù)的ARIMA模型、月建卡數(shù)與月分娩量的回歸方程模型，采用實(shí)際數(shù)據(jù)驗(yàn)證模型，評(píng)價(jià)模型，選擇精度較高的模型進(jìn)行2018-2020年的產(chǎn)科工作量預(yù)測(cè)。結(jié)果：月建卡數(shù)的模型ARIMA（1，1，1）（0，1，1）12的擬合效果最優(yōu)，用實(shí)際分娩量進(jìn)行預(yù)測(cè)精度驗(yàn)證，預(yù)測(cè)分娩量與實(shí)際分娩量基本吻合，且實(shí)際值均在預(yù)測(cè)值可信區(qū)間范圍內(nèi)。符合擬合程度較高以及線性回歸的顯著性檢驗(yàn)要求的回歸方程為y=313.727+1.212x，其預(yù)測(cè)的平均誤差為5.114%，具有較高的精確度，并對(duì)歷史值的預(yù)測(cè)效果較好。采用ARIMA模型結(jié)合線性回歸分析預(yù)測(cè)2018-2020年建卡人數(shù)分別為11 324、12 388、13 334，增長(zhǎng)率依次為4.62%、9.40%、7.64%;分娩量預(yù)測(cè)值分別為12 936、13 554、14 369，增長(zhǎng)率依次為9.61%、4.78%、6.01%。結(jié)論：ARIMA模型結(jié)合回歸分析具有較高的預(yù)測(cè)精度，可較好地?cái)M合產(chǎn)科工作量的演變趨勢(shì)，為新生育政策下產(chǎn)科管理提供決策依據(jù)。

【關(guān)鍵詞】 ARIMA模型; 回歸分析; 建卡數(shù); 分娩量; 預(yù)測(cè)

【Abstract】 Objective：To explore application of ARIMA model combined with regression analysis in prediction of obstetric workload.Method：Based on the number of health care cards in obstetric outpatient and delivery volume，the ARIMA model of the number of health care cards per month，the regression equation model of the number of health care cards per month and the delivery volume per month were established by SPSS 19.0.The actual data were used to validate the model，and the evaluation model was selected to predict the obstetric workload from 2018 to 2020. Result：The model ARIMA（1，1，1）（0，1，1）12 has the best fitting effect.The prediction accuracy was verified by the actual delivery volume.The predicted delivery volume basically coincides with the actual delivery volume，and the actual value was within the confidence interval of the predicted value.The regression equation which accords with the higher fitting degree and the significance test of linear regression is y=313.727+1.212x.The average error of prediction was 5.114%.It had higher accuracy and better prediction effect for historical values.ARIMA model combined with linear regression analysis was used to predict the number of health care cards from 2018 to 2020 were respectively 11 324，12 388，13 334，the growth rate were respectively 4.62%，9.40% and 7.64%;the predicted value of delivery volume were respectively 12 936，13 554，14 369，the growth rate were respectively 9.61%，4.78% and 6.01%.Conclusion：ARIMA model combined with regression analysis has a high prediction accuracy，can better fit the evolution trend of obstetric workload，provide decision-making basis for obstetric management under the new birth policy.

【Key words】 ARIMA model; Regression analysis; Number of health care cards; Delivery volume;Forecast

First-authors address：Wuhan University of Science and Technology School of Medicine，Wuhan 430081，China

doi：10.3969/j.issn.1674-4985.2019.10.041

我國(guó)自2014年以來(lái)先后推行了“單獨(dú)二孩”和“全面二孩”政策[1]，產(chǎn)科工作量近幾年呈現(xiàn)上升趨勢(shì)，直接沖擊助產(chǎn)機(jī)構(gòu)的服務(wù)能力，因此對(duì)產(chǎn)科工作量進(jìn)行較為準(zhǔn)確預(yù)測(cè)顯得十分重要和迫切。國(guó)內(nèi)產(chǎn)科工作量預(yù)測(cè)分析一般用分娩量或活產(chǎn)數(shù)[2-3]，但考慮相關(guān)因素對(duì)分娩量影響的時(shí)間序列應(yīng)用方法不多。分娩量的需求增長(zhǎng)受到生育意愿、助產(chǎn)機(jī)構(gòu)技術(shù)水平等眾多因素影響，而基于孕產(chǎn)期保健的管理要求，孕婦須在孕12周之前建立孕產(chǎn)婦系統(tǒng)保健卡[4]，產(chǎn)科工作量中包括產(chǎn)科門(mén)診量、分娩量均來(lái)源于產(chǎn)科門(mén)診建卡人數(shù)，建卡人數(shù)的高低直接影響到分娩量的高低，綜合考慮本研究選擇產(chǎn)科門(mén)診建卡數(shù)、早孕建卡人數(shù)、早孕建卡率分布作為主要影響因素。本研究基于惠州市婦幼保健計(jì)劃生育服務(wù)中心的產(chǎn)科門(mén)診建卡數(shù)建立時(shí)間序列ARIMA模型預(yù)測(cè)，結(jié)合月建卡數(shù)與月分娩量的回歸分析建立回歸方程模型進(jìn)行產(chǎn)科工作量預(yù)測(cè)，為新生育政策下產(chǎn)科管理提供決策依據(jù)，現(xiàn)報(bào)道如下。

1 資料與方法

1.1 資料來(lái)源 查閱2014年1月-2017年12月產(chǎn)科門(mén)診建卡總數(shù)和分娩總數(shù)，分別來(lái)源于惠州市婦幼保健計(jì)劃生育服務(wù)中心的產(chǎn)科門(mén)診孕婦建卡登記表、產(chǎn)科住院分娩出院病歷，在資料的收集過(guò)程中，經(jīng)過(guò)審核、整理，保證了數(shù)據(jù)的可靠性及完整性。

1.2 研究方法

1.2.1 求和自回歸移動(dòng)平均（Auto-Regressive Integrated Moving Average Model，ARIMA）模型 Box和Jenkins于20世紀(jì)70年代提出，是應(yīng)用最為廣泛和著名的時(shí)間序列預(yù)測(cè)方法之一[5]，它應(yīng)用相應(yīng)的數(shù)學(xué)模型描述一組依賴于時(shí)間的隨機(jī)變量相互之間所具有的自相關(guān)性，以表征預(yù)測(cè)對(duì)象發(fā)展的延續(xù)性并從時(shí)序的過(guò)去值與現(xiàn)在值預(yù)測(cè)其未來(lái)值。ARIMA季節(jié)模型一般表示為ARIMA（p，d，q）（P，D，Q）s，該模型能夠綜合考慮季節(jié)、趨勢(shì)和隨機(jī)干擾等因素，具有良好的預(yù)測(cè)功能，近年來(lái)在公共衛(wèi)生領(lǐng)域逐漸被學(xué)者重視與運(yùn)用[6-10]。本研究采用2014年1月-2017年6月的產(chǎn)科門(mén)診月度建卡數(shù)，通過(guò)時(shí)間序列ARIMA預(yù)測(cè)法，用SPSS軟件建立并數(shù)值求解了產(chǎn)科門(mén)診建卡人數(shù)2017年7-12月隨時(shí)間變化的數(shù)學(xué)模型。

1.2.2 一元線性回歸模型 只存在一個(gè)解釋變量的線性回歸模型就被稱作一元線性回歸模型，用于揭示兩個(gè)變量之間的線性關(guān)系，其基本模型表示為：yi=α+βix+εi，其中y為因變量，x為自變量，α為常數(shù)項(xiàng)，βi為回歸系數(shù)。ε為隨機(jī)誤差，又稱為殘差，是y的變化中不能用自變量解釋的部分。線性回歸分析常用于分析變量間的依存關(guān)系，資料應(yīng)滿足以下條件：（1）因變量與自變量間存在線性關(guān)系;（2）各例觀測(cè)值yi 相互獨(dú)立;（3）殘差ε服從正態(tài)分布N（0，σ2），其中方差σ2反映了回歸模型的精度;（4）殘差ε不隨所有變量取值水平的改變而改變，即方差齊性[11-12]。本研究采用2014年1月-2017年12月孕婦建卡資料中按建卡日期與末次月經(jīng)日期計(jì)算孕周并分類設(shè)置月度指標(biāo)，小于13周為早孕建卡，統(tǒng)計(jì)每月的早孕建卡總數(shù)，計(jì)算每月的早孕建卡率%（早孕建卡率=月早孕建卡數(shù)/月建卡數(shù)×100%）。根據(jù)建卡孕周與分娩有時(shí)間延遲對(duì)應(yīng)關(guān)系，設(shè)置當(dāng)月分娩量、1個(gè)月后月分娩量、2個(gè)月后月分娩量、3個(gè)月后月分娩量、4個(gè)月后月分娩量、5個(gè)月后月分娩量、6個(gè)月后月分娩量、7個(gè)月后月分娩量指標(biāo)作為因變量，分別與建卡人數(shù)、早孕建卡人數(shù)做相關(guān)分析和線性回歸分析，通過(guò)最優(yōu)模型選擇適用的因變量指標(biāo)得出回歸方程。

1.2.3 基于惠州市婦幼保健計(jì)劃生育服務(wù)中心的產(chǎn)科門(mén)診建卡數(shù)建立時(shí)間序列ARIMA模型預(yù)測(cè)，再結(jié)合月建卡數(shù)與月分娩量的回歸分析建立回歸方程模型進(jìn)行分娩量預(yù)測(cè)，并評(píng)價(jià)選擇最優(yōu)模型。

1.2.4 采用2017年7-12月實(shí)際的建卡數(shù)與分娩量實(shí)際數(shù)驗(yàn)證，并提出選擇模型的不足和改進(jìn)方向。

1.3 統(tǒng)計(jì)學(xué)處理 采用Excel 2007建立孕婦月建卡數(shù)和月分娩量數(shù)據(jù)庫(kù)，運(yùn)用SPSS 19.0建立模型和分析數(shù)據(jù)，以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 建卡人數(shù)的ARIMA模型建立與預(yù)測(cè)驗(yàn)證

2.1.1 產(chǎn)科門(mén)診建卡原始數(shù)據(jù)的收集和整理以及ARIMA模型的識(shí)別 ARIMA模型是隨機(jī)性時(shí)間序列分析中的一大類分析方法的綜合，這些方法以序列不同時(shí)期間的相關(guān)性度量為基礎(chǔ)，能夠?yàn)獒t(yī)療衛(wèi)生方面的短期預(yù)測(cè)工作提供有效的指導(dǎo)[13]。2014年1月-2017年6月惠州市婦幼保健計(jì)劃生育服務(wù)中心產(chǎn)科門(mén)診每月的建卡人數(shù)，見(jiàn)表1。由表1可見(jiàn)，該院產(chǎn)科門(mén)診每月建卡人數(shù)呈上升趨勢(shì)，呈現(xiàn)明顯的非平穩(wěn)性和季節(jié)性，在每年的3-12月呈波動(dòng)上升趨勢(shì)，1月和2月分別為低峰期。對(duì)本組資料進(jìn)行一階非季節(jié)性差分和一階季節(jié)性差分轉(zhuǎn)換后，序列在均值附近較為穩(wěn)定地波動(dòng)（圖1）。處理后數(shù)據(jù)自相關(guān)系數(shù)Kr>3時(shí)均落入置信區(qū)間（圖2），說(shuō)明該時(shí)間序列具有平穩(wěn)性。偏自相關(guān)序列呈衰減正弦曲線狀，可初步判斷該序列適用于一階滑動(dòng)平滑模型（圖3）。

2.1.2 模型的識(shí)別定階與參數(shù)估計(jì) 原始序列經(jīng)過(guò)一階非季節(jié)性差分和一階季節(jié)性差分達(dá)到平穩(wěn)，可以推測(cè) s=12，d=1，D=1，模型可初步確定為ARIMA（ p，1，q）（ P，1，Q）12。自相關(guān)系數(shù)和偏相關(guān)系數(shù)均為正弦震蕩的無(wú)限拖尾，在滯后一階后降為0，可以初步確定P= 1，q = 1根據(jù)研究需要，初步確定6個(gè)模型，各模型擬合情況見(jiàn)表2。其中，模型（6）A ARIMA（1，1，1）（2，1，1）12、模型（2）ARIMA（1，1，1）（0，1，1）12、模型（3）ARIMA（1，1，1）（0，1，2）12、的決定系數(shù)R2最高。正態(tài)化BIC值越小，模型的擬合程度越好。綜合R2和正態(tài)化BIC值，認(rèn)為模型（2）ARIMA（1，1，1）（0，1，1）12的擬合效果最優(yōu)。模型平穩(wěn)的R2為0.327，Ljung-Box Q統(tǒng)計(jì)量為14.932（P=0.456）對(duì)該模型的殘差進(jìn)行自相關(guān)和偏相關(guān)分析，殘差的自相關(guān)和偏相關(guān)函數(shù)均為近似0階截尾函數(shù)，提示殘差序列為近似白噪聲序列[14]，見(jiàn)圖4。

2.1.3 模型預(yù)測(cè)效果 使用ARIMA（1，1，1）（0，1，1）12模型對(duì)原序列進(jìn)行擬合，預(yù)測(cè)值與實(shí)際值基本吻合，動(dòng)態(tài)趨勢(shì)基本一致（圖5），使用該模型對(duì)2017年7-12月逐月分娩量進(jìn)行預(yù)測(cè)，并用實(shí)際分娩量進(jìn)行預(yù)測(cè)精度驗(yàn)證（表3），預(yù)測(cè)分娩量與實(shí)際分娩量基本吻合，且實(shí)際值均在預(yù)測(cè)值可信區(qū)間范圍內(nèi)。

2.2 建卡人數(shù)與分娩人數(shù)的回歸方程模型的建立與驗(yàn)證

2.2.1 研究產(chǎn)科門(mén)診每月建卡人數(shù)與月分娩量等相關(guān)指標(biāo)的關(guān)系，建立建卡人數(shù)與當(dāng)月、1～7個(gè)月對(duì)應(yīng)的分娩量數(shù)據(jù)表。分別用建卡人數(shù)與當(dāng)月、1～7個(gè)月對(duì)應(yīng)的分娩量做相關(guān)分析和回歸分析，對(duì)應(yīng)的分析結(jié)果指標(biāo)見(jiàn)表4。

2.2.2 分別用早孕建卡人數(shù)與當(dāng)月、1～7個(gè)月對(duì)應(yīng)的分娩量做相關(guān)分析和回歸分析，對(duì)應(yīng)的分析結(jié)果指標(biāo)，見(jiàn)表5。根據(jù)線性回歸分析模型擬合效果的評(píng)價(jià)[15]，表4的模型5個(gè)月，表5的模型5個(gè)月、模型7個(gè)月符合擬合程度較高以及線性回歸的顯著性檢驗(yàn)要求，其回歸方程分別為：

方程1：y=244.969+0.949x

方程2：y=313.727+1.212x

方程3：y=303.109+1.110x

2.2.3 線性回歸模型的擬合誤差檢驗(yàn) 結(jié)合2017年7-12月分娩量的實(shí)際值，再采取各個(gè)回歸方程后的擬合值y，以及y與yi之間的相對(duì)誤差，通過(guò)分娩量的實(shí)際值與預(yù)測(cè)值的相對(duì)誤差進(jìn)行比較，從表6可以看出，方程2模型預(yù)測(cè)最大相對(duì)誤差是18.255%，最小誤差為2.811%，平均誤差為5.114%，說(shuō)明線性回歸模型的方程2具有較高的精確度，并對(duì)歷史值的預(yù)測(cè)效果較好，即采用月度的早孕建卡數(shù)對(duì)5個(gè)月后月分娩量的預(yù)測(cè)效果好。

2.3 ARIMA模型結(jié)合回歸方程外推預(yù)測(cè) 采用ARIMA模型預(yù)測(cè)2018-2020年每月建卡人數(shù)，采用2017年平均早孕建卡率、預(yù)測(cè)的建卡人數(shù)結(jié)合線性回歸方程2預(yù)測(cè)2018-2020年每月分娩量，2018-2020年預(yù)測(cè)建卡人數(shù)及預(yù)測(cè)分娩量，見(jiàn)表7。

3 討論

以往的研究成果為生育政策調(diào)整下的人口發(fā)展趨勢(shì)下的產(chǎn)科資源配置提供了基本思路和技術(shù)方法，多為全國(guó)、省級(jí)、區(qū)域性范圍配置研究[16-18]，而區(qū)域性范圍配置模式并不適合預(yù)測(cè)實(shí)際的產(chǎn)科資源配置需求數(shù)量。基于產(chǎn)科工作量的預(yù)測(cè)中，產(chǎn)科門(mén)診建卡人數(shù)直接關(guān)聯(lián)到產(chǎn)科門(mén)診量和住院的分娩量，建卡人數(shù)與分娩量的預(yù)測(cè)，對(duì)于產(chǎn)科工作量的指導(dǎo)具有重要意義，本研究通過(guò)對(duì)惠州市婦幼保健計(jì)劃生育服務(wù)中心2014年1月-2017年12月產(chǎn)科門(mén)診建卡和分娩的數(shù)據(jù)進(jìn)行收集，運(yùn)用SPSS進(jìn)行了ARIMA模型預(yù)測(cè)、結(jié)合線性相關(guān)與回歸分析，得到了產(chǎn)科門(mén)診建卡數(shù)與分娩量的預(yù)測(cè)模型，同時(shí)，得到了影響產(chǎn)科分娩量的主要因素為早孕建卡人數(shù)，通過(guò)對(duì)實(shí)際值的驗(yàn)證，確定適用于本院需求預(yù)測(cè)模型，做了2018-2020年產(chǎn)科門(mén)診建卡數(shù)、分娩量的預(yù)測(cè)。采用預(yù)測(cè)與數(shù)學(xué)模型結(jié)合的方法，得出適用于近中期、具有實(shí)際指導(dǎo)意義的產(chǎn)科工作量預(yù)測(cè)模型[19]，不僅可以為相關(guān)科室提供決策依據(jù)，便于提前配置相關(guān)人力物力資源，也可以提高助產(chǎn)機(jī)構(gòu)對(duì)高峰期工作量的管理水平，對(duì)人員、床位等資源配置得到有效的控制和管理。

ARIMA模型結(jié)合回歸分析的優(yōu)勢(shì)在于可以將多種影響變量、發(fā)展因素的綜合效應(yīng)蘊(yùn)含于時(shí)間變量中[20]，通過(guò)綜合考慮序列的趨勢(shì)變化、周期變化和隨機(jī)干擾并借助統(tǒng)計(jì)模型進(jìn)行量化表達(dá)，且可以通過(guò)反復(fù)識(shí)別及修改以獲得更為滿意的模型。但是由于助產(chǎn)機(jī)構(gòu)自身的管理方式、孕產(chǎn)婦就診意愿、孕婦住院分娩的意愿、育齡婦女生育意愿、生育政策等因素的影響，產(chǎn)科工作量構(gòu)建的模型也不盡相同，因此在實(shí)際應(yīng)用中需要對(duì)基礎(chǔ)數(shù)據(jù)的分布有較好的理解，并通過(guò)基礎(chǔ)數(shù)據(jù)的不斷積累，方可獲得更加合適的預(yù)測(cè)模型。

參考文獻(xiàn)

[1]習(xí)近平.關(guān)于《中共中央關(guān)于全面深化改革若干重大問(wèn)題的決定》的說(shuō)明[J].求是，2013（22）：19-27.

[2]朱瑋，仇靜波，黃群.ARIMA模型在分娩量預(yù)測(cè)中的應(yīng)用[J].中國(guó)婦幼保健，2015，30（20）：3345-3347.

[3]莫佳琪，劉志輝，江嵐，楊濱波，朱淳.基于ARIMA模型的產(chǎn)房分娩情況預(yù)測(cè)研究[J].中國(guó)婦幼保健，2014，29（16）：2469-2472.

[4]中華人民共和國(guó)國(guó)家衛(wèi)生健康委員會(huì).《中華人民共和國(guó)母嬰保健法實(shí)施辦法》（中華人民共和國(guó)國(guó)務(wù)院第308號(hào)令發(fā)布）[EB/OL].[2001-6-20]http：//www.nhfpc.gov.cn/zwgk/fagui/201304/8db10e2a43e843e58f69289ee4c172cb.shtml.

[5]邱林.應(yīng)用ARIMA模型預(yù)測(cè)某三級(jí)甲等醫(yī)院門(mén)診量[J].中國(guó)醫(yī)院統(tǒng)計(jì)，2018，25（1）：77-79.

[6]龔磊，吳家兵，侯賽.ARIMA模型在安徽省流行性感冒發(fā)病預(yù)測(cè)中的應(yīng)用[J].公共衛(wèi)生與預(yù)防醫(yī)學(xué)，2015，26（2）：4-7.

[7] Mai Q，Aboagye‐Sarfo P，Sanfilippo F M，et al.Predicting the number of emergency department presentations in Western Australia：A population-based time series analysis[J].Emergency Medicine Australasia，2015，27（1）：16-21.

[8]周惠，陳曉軍，張楊，等.ARIMA模型在肺結(jié)核登記病例數(shù)預(yù)測(cè)中的應(yīng)用[J].江蘇預(yù)防醫(yī)學(xué)，2018，29（03）：286-288.

[9]樊雯婧，陸群，鄒立巍，等.ARIMA模型在合肥市瘧疾發(fā)病預(yù)測(cè)中的應(yīng)用[J].安徽醫(yī)科大學(xué)學(xué)報(bào)，2013，48（3）：252-256.

[10]陳莉.探討ARIMA模型在細(xì)菌性痢疾發(fā)病預(yù)測(cè)中的應(yīng)用[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2011，28（4）：417-419.

[11]顧劉金.應(yīng)用SPSS軟件實(shí)現(xiàn)多重線性回歸分析[J].預(yù)防醫(yī)學(xué)，2018，30（3）：323-324.

[12]金丕煥，陳峰.醫(yī)用統(tǒng)計(jì)方法[M].3版.上海：復(fù)旦大學(xué)出版社，2009.

[13]趙志，周倩，張晉昕.時(shí)間序列分析方法及其進(jìn)展[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2015，32（6）：1087-1090.

[14]陳偉，陳正利，李少芳，等.ARIMA模型在河南省梅毒月發(fā)病率預(yù)測(cè)中的應(yīng)用[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2013，30（4）：604-606.

[15]胡良平.多重線性回歸分析的核心內(nèi)容與關(guān)鍵技術(shù)概述[J].四川精神衛(wèi)生，2018，31（1）：1-6.

[16]楊婷，王芳，宋莉，等.“全面二孩”政策下產(chǎn)科床位需求與缺口測(cè)算[J].中國(guó)衛(wèi)生政策研究，2016，9（2）：59-64.

[17]林海鋒，陶紅兵，程兆輝，等.武漢地區(qū)醫(yī)院產(chǎn)科資源利用效率及影響因素研究[J].中國(guó)醫(yī)療管理科學(xué)，2015，5（5）：9-13.

[18]趙薇，黃愛(ài)群，胡煥青，等.我國(guó)大中城市助產(chǎn)機(jī)構(gòu)產(chǎn)科床位配置及使用現(xiàn)狀研究[J].中國(guó)婦幼保健，2015，30（12）：1811-1813.

[19]陳銀蘋(píng)，吳愛(ài)萍，余亮科，等.組合模型對(duì)肺結(jié)核發(fā)病趨勢(shì)的預(yù)測(cè)研究[J].中國(guó)全科醫(yī)學(xué)，2014，17（21）：2452-2456.

[20]范引光，呂金偉，戴色鶯，等.ARIMA模型與灰色預(yù)測(cè)模型GM（1，1）在HIV感染人數(shù)預(yù)測(cè)中的應(yīng)用[J].中華疾病控制雜志，2012，16（12）：1100-1103.

（收稿日期：2018-10-08） （本文編輯：周亞杰）