基于大數據架構的醫院財務預測技術研究

丁翠和

摘 要：隨著醫院規模的不斷擴大，醫院財務管理趨于復雜化，基于業務經費預算不當而造成的經濟損失嚴重影響到醫院運行效率和經濟效益。將傳遞函數模型引入到醫院業務收入預測中，利用傳遞函數對選定的參數進行穩定性處理，獲得穩定的白噪聲時間序列，通過確定輸入時間序列和輸出時間序列的動態關系，實現對輸出時間序列的預測。以某一市三甲醫院為對象，通過實例驗證指出該醫院業務收入的增長主要得益于服務質量和技術能力的提升而增長的出院人數。相較于傳統ARIMA模型，傳遞函數模型結果更接近預測結果值，能做出較為精確的預測。

關鍵詞：傳遞函數模型;業務收入;出院數量;醫院財務

Abstract：With the continuous expansion of the scale of the hospital， the financial management of the hospital tends to be complicated， and the economic losses caused by the improper budget of the operational funds seriously affect the efficiency and economic benefits of the operation of the hospital. In this paper， the transfer function model is introduced into the prediction of hospital business income， and the stability of the selected parameters is processed by using the transfer function， and a stable white noise time series is obtained. By determining the dynamic relationship between the input time series and the output time series， the prediction of the output time series is realized. Taking the third grade A hospital in a city as the object， it is proved by an example that the growth of the business income of the hospital is mainly due to the improvement of service quality and technical ability. The number of people discharged from hospital has increased as a result of the rise. Compared with the traditional ARIMA model， the results of the transfer function model are closer to the predicted results and can make a more accurate prediction.

Key words：transfer function model;business income;discharge quantity;hospital finance

0 引言

隨著國內醫療體制的不斷發展完善，建立一個符合市場經濟需要的財務管理體制，提升醫療服務效益十分必要[1]。醫院運作時一些非常復雜的過程，財務管理數據量龐大，由于各類經費支出預判不當造成經濟損失，制約醫院的運行效率和經濟效益[2]。大數據、云計算技術在醫療中的應用，通過科學、有效的獲取數據、處理和分析數據，很大程度提升財務決策效率和質量，提升財務風險防范能力[3-5]。如趙麗娥等基于醫療云框架上，建立醫療財務風險模型來檢測可能存在的風險，并根據風險提示結果給出合理的風險防范方案[6];王劍等通過建立Logit模型，將資產負債率、營業收入增長率、固定資產回報率等金融數據引入模型，實現對公共醫療數據大樣本進行分析，提供政府合理決策方案等[7]。本文主要針對醫院財務管理過程中存在的問題，通過建立傳遞函數模型實現對醫院經營業務收支影響因素分析，并為公共醫療事業提供有效的參考價值。

1 傳遞函數模型建立

1.1 模型基本概念

傳遞函數模型是在傳統的ARIMA模型基礎上將輸入變量的時間參數，構建的多變量時間序列模型。傳遞函數最早由George E.P.Box提出[8]，即對于模型中的觀察值，通常對其進行排序，其中觀察值排序中的第t個觀察值表示為Zt，相應的后一個觀察值Zt+1，對于只有一個輸入變量的模型，可表示為式（1）。

1.2 模型預測流程

通常，一個傳遞函數中的觀測值包括至少30個以上，在建模前要求序列為一個概率結構不隨時間變化的平穩時間序列[9]。即均數和方差均不隨時間變化，自相關系數與時間點無關，而與時間間隔相關[10]。白噪聲就是該類型的平穩序列，采用自相關圖檢驗法檢驗白噪聲的平穩行，如其中存在不平穩，可利用對數變換、濾波法等保持序列的平穩[11]。

對于一個傳遞函數模型，主要包括以下3個具體步驟。

（1） 利用ARIMA擬合輸入序列，獲得平穩的時間序列。采用預白噪化將殘差降為白噪聲。通過輸入和輸出間的互相關函數對輸入序列進行濾波處理，獲得白噪聲的殘差序列和輸出序列。并計算過濾后的輸入、輸出序列互相關系數。

（2） 基于極大似然法進行模型參數估計。獲得模型參數中的B，σ，ω，Φ，θ的有效估計值。

（3） 分別利用AIC準則中的Q統計量和SBC準則中的S統計量對殘差和白噪化輸入進行自相關檢驗，若獲得的殘差和白造化輸入無自相關，確定建立的模型是否正確[12]。

（4） 模型的預測，通過最小均方誤差獲得的模型輸出時間序列的預測結果，如圖1所示。

當構建完成傳遞函數模型后，再輸入序列信息基礎上對所需預測的輸出時間序列相當程度進行改善，利用最小均方誤差預測獲得輸入序列和輸出序列的精確預測結果。

2 案例分析

本文以某一市三級甲等醫院2016年1月～2018年12月期間的營業收入、出院人數、住院費用、手術例數等作為時間序列數據。根據傳遞函數模型分析，考慮到參數的局限性，僅有出院人數具備統計學意義，通過檢驗輸入數據、殘差序列驗證相關行，建立最終的傳遞函數模型，如式（12）所示。

在進行識別前，以出院人數、住院日期、平均住院費用、藥品費用為輸入變量進行業務收入傳遞函數模型與分析，發現在業務收入方面，僅有出院人數變量具有統計學意義。獲得的業務收入與出院人數數據序列統計，如圖2所示。

通過分析可以看出，業務收入和出院人數二者均呈現出一個同步增長的趨勢，且表現出顯著的季節周期行特征。業務收入與出院人數整體呈現一個同步上述的線性趨勢。其中在每個年的的2-6月階段，出院人數與業務收入均處于年度最低谷，在每一年份的11-12月出現一個波峰，出院人數和業務量均達到最高值。其他月份均在一定范圍內小幅波動。比較不同時間點的出院人數和業務收入可知，醫院的經營業務和出院人數每年度均在不斷增長。

首先對輸入變量進行12步差分進行時間序列的預處理，利用模型擬合輸出序列得到業務收入輸出序列和出院人數序列的殘差相關函數，獲得的交互關系參數，如表1所示。

同時可獲得輸入序列殘差標準差為246.753，輸出序列參數標準差為5 035.35，并獲得SBC準則中的S統計量值s<6。表明輸出序列為平穩時間序列。對獲得的輸入序列和輸出序列差分后的傳遞函數擬合，根據AIC準則，確定AIC=623.532，SBC=628.356，確定殘差自相關函數即Q統計量，如表2所示。

可以看出，殘差表現為一個典型的白噪聲序列，因此上述建立的傳遞函數模型滿足使用要求。

下面開展對醫院業務收入的預測，選擇2016年1月～3月份的業務收入為對象，利用傳統ARIMA模型以及本文建立的傳遞函數模型進行模型預測分析，獲得的預測結果，如表3所示。

從獲得的結果可以看出，采用本文提出的傳遞函數和ARIMA預測或獲得的預測值相較于實測值均存在一定的偏差，但相較于ARIMA預測法，采用本文提出的傳遞函數法獲得的預測最大標準差為61.53，預測結果還是滿足醫院經營業務指導意義，而采用ARIMA預測發的最大預測偏差達到78.42，偏差值相對較大。

3 討論分析

3.1 模型分析

通過對3個月的預測值和實際結果對比可以發現，傳遞函數預測模型獲得的預測值接近于實際值，標準誤差小于ARIMA模型值。由于收集時間序列數據中包含了登革熱流行性疾病，導致2016年上半年業務收入出現波動，使得ARIMA模型預測結果與實際值存在較大的偏離。采用傳遞函數模型中，輸入變量通過線性動態系統v（B）=δ1（B）Ω（B）形成了v（B）xt，并且通過線性濾波器Φ（B）=Φ1（B）θ（B）將白噪聲αt濾波處理獲得噪聲Nt，利用處理后的v（B）xtv（B）xt和噪聲Nt作為輸入變量，實現了對預測結果的校正，大大降低了傳遞函數模型的預測結果偏差。

3.2 業務收入討論

近些年，醫療機構業務收入迅速增長，大勃派醫療業務收入增長與GDP增長的一致原則，導致醫患糾紛不斷加劇。從本次收集的醫院同期收入、出院人數、平均住院費用、藥品收入等時間序列，分析醫療機構不斷上升的業務狀態，如果確定為病人數量的增勢是造成業務收入的主要因素，那表明醫院在提高服務質量和醫療技術水平方面取得了較大的成績，因而吸引了周邊患者進院治療，從而帶動了醫療工作量，表現出一個良性的循環。如是由于醫療費用的增加而帶動的業務收入，則說明作為政府衛生行政主管部門的一項業績考核植物，醫院業務收入的增長在一定程度上市由于醫務工作人員迫于業績壓力，采取多開藥、多收費的手段來提高經濟收入，從而導致病人平均費用上述。利用傳遞函數對涉及醫院業務收入的多個變量時間梳理進行分析，將各因素引入模型中表明，除了出院人數這一指標外，其他變量因素并未表現出顯著的統計學意義，指出出院人數的變化是造成醫院業務不斷上升的重要指標，即出院人數的增加顯著提高業務增長量，是醫院服務質量和醫技水平的提高帶動工作量的增加，提升業務增長。

4 總結

本文討論了基于傳遞函數對醫療財務收入的預測方法，利用傳遞函數確定輸入時間序列和輸出時間序列的動態關系，實現對輸出時間序列的預測，為醫療信息化提供基礎支持。文章結合某一市級三級甲等醫院醫療財務狀況進行醫療業務收入預測，指出醫院業務收入的增長主要得益于服務質量和技術能力的提升而增長的出院人數，預測結果精確，能為醫療行業的面對財務風險時提供較好的決策依據。

參考文獻

[1] 王麗，沈晨，龍軍.基于大數據環境的醫院財務預測方法研究[J].財經界，2019（8）：146-148.

[2] 劉燁，王育婧.醫療設備采購計劃制定的監督盲點及對策[J].醫學爭鳴，2018，9（3）：66-68.

[3] 龍學斌. 新醫改背景下廣西公立醫院精細化成本管理研究[D].南寧：廣西醫科大學，2018.9（9）：122-123.

[4] 洪孔榮.公立醫院成本控制中全面預算管理的實施研究[J].中國衛生標準管理，2016，7（21）：8-9.

[5] 韓家亮. CMU4H三甲醫院運行數據的挖掘分析[D].大連：大連海事大學，2016.

[6] 趙麗娥，陳氤，譚警宇.云平臺下基于貝葉斯的醫療財務風險預測模型[J].電子技術與軟件工程，2015（22）：185-186.

[7] 李大興.醫院財務管理中存在的問題分析及對策[J].現代物業（中旬刊），2014，13（6）：16-17.

[8] 牛瑛茹.財務管理如何順應現代醫療體系[J].中外醫療，2013，32（34）：133.

[9] 劉俊蘭，李惠，劉子先，等.面向醫學保障的醫院物資與經費信息集成管理[J].解放軍醫院管理雜志，2012，19（4）：359-361.

[10] 莊惠陽.投資收益法在醫療設備投資風險評價中的應用[J].現代醫院，2009，（14）：13.

[11] 王振宇，馬飛，劉輝.國有醫院財務盈虧平衡的微觀定量分析研究[J].會計之友（下旬刊），2009（8）：24-26.

[12] 鐘宜.財務管理如何順應現代醫療體系[J].現代國企研究，2019（10）：138-139.

（收稿日期：2019.08.22）