我国执业(助理)医师需求集成预测——基于GM、ARIMA和VAR模型的实证研究

›› 2018, Vol. 30 ›› Issue (3): 171-178.

• 组织行为与人力资源管理 • 上一篇下一篇

我国执业(助理)医师需求集成预测——基于GM、ARIMA和VAR模型的实证研究

李蕾^1,3, 李超^2,4, 丁雪辰¹, 乔晗¹

1. 中国科学院大学经济与管理学院, 北京 100190;
2. 中国科学院数学与系统科学研究院, 北京 100190;
3. 清华大学第一附属医院(北京华信医院), 北京 100016;
4. 中原航空港产业投资基金管理有限公司, 郑州 450019

收稿日期:2017-08-09 出版日期:2018-03-28 发布日期:2018-03-26
通讯作者: 乔晗(通讯作者),中国科学院大学经济与管理学院副教授,博士。
作者简介:李蕾,中国科学院大学经济与管理学院博士研究生;李超,中国科学院数学与系统科学研究院硕士;丁雪辰,中国科学院大学经济与管理学院博士研究生
基金资助:
国家自然科学基金项目（71373262；71390330；71390331）。

Forecasting of Licensed (Assistant) Doctors' Demand in China——An Empirical Research Based on GM, ARIMA and VAR Models

Li Lei^1,3, Li Chao^2,4, Ding Xuechen¹, Qiao Han¹

1. School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190;
2. Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190;
3. The First Hospital of Tsinghua University(Beijing Huaxin Hospital), Beijing 100016;
4. Central China Airport Industry Fund Management CO., LTD, Zhengzhou 450019

Received:2017-08-09 Online:2018-03-28 Published:2018-03-26

摘要/Abstract

摘要：

医疗卫生人员需求预测对于我国实施《"健康中国2030"规划纲要》、深入推进医药卫生制度改革具有重要的基础意义。本文通过建立GM（1，1）、ARIMA和VAR模型，分别对我国执业（助理）医师需求量进行了建模预测，基于集成方法的思想，将上述三个模型的预测结果进行集成分析，有效地提高了预测精度。集成预测模型的结果显示，2020年我国执业（助理）医师需求量恰与同期发布的《"健康中国2030"规划纲要》的目标吻合，但2030年规划目标值低于居民的需求。鉴于此，本文提出了以"扩大规模、稳定队伍、拓宽渠道、节约利用"为思路的若干政策建议，可供国家相关部门决策参考。

关键词: 执业(助理)医师需求量, GM(1, 1), ARIMA, VAR, 集成预测模型

Abstract:

The demand forecast of medical and health personnel is of great significance for the implementation of the "Healthy China 2030" Plan and is helpful for the promotion of medical and health system reform. We forecast China's licensed (assistant) doctors with GM (1,1), ARIMA and VAR model respectively. Based on a dynamic integration method, this paper integrates the forecast results of three models above, which effectively improve the prediction accuracy. Finally the empirical results show that the demand of licensed (assistant) doctors in 2020 is consistent with the goal set out by the State Council in "Healthy China 2030" Plan, while the planned goal in 2030 is lower than the demand. The research of this paper provides several guidance and management enlightenments to the National Health Department.

Key words: licensed (assistant) doctors' demand, GM (1,1), ARIMA, VAR, integrated forecasting model

李蕾, 李超, 丁雪辰, 乔晗. 我国执业(助理)医师需求集成预测——基于GM、ARIMA和VAR模型的实证研究[J]. , 2018, 30(3): 171-178.

Li Lei, Li Chao, Ding Xuechen, Qiao Han. Forecasting of Licensed (Assistant) Doctors' Demand in China——An Empirical Research Based on GM, ARIMA and VAR Models[J]. , 2018, 30(3): 171-178.

参考文献

[1] 新华社. 国务院深化医药卫生体制改革领导小组关于进一步推广深化医药卫生体制改革经验的若干意见[EB/OL]. http://politics.people.com.cn/n1/2016/1108/c1001-28845649.html, 2016
[2] 李文辉,黄小平,唐力翔,等. 基于DEA方法的我国各省市卫生资源配置效率研究[J]. 卫生经济研究, 2011,(3):44-46
[3] 张航,赵临,王耀刚. 基于数据包络分析中国卫生资源配置效率分析与评价[J]. 中国公共卫生, 2014,30(10):1321-1323
[4] 刘自敏,张昕竹,杨丹. 我国省级政府卫生投入效率的时空演变——基于面板三阶段DEA模型的分析[J]. 中央财经大学学报, 2014,1(6):97-104
[5] 赵宇. 中国各省区医疗卫生机构医疗服务相对效率评价——基于DEA-BCC模型和Malmquist指数的实证分析[J]. 经济与管理评论, 2014,30(2):151-156
[6] Jones S. A., Joy M. P., Pearson J. Forecasting Demand of Emergency Care[J]. Health Care Management Science, 2002,5(4):297-305
[7] Sahu S. K., Baffour B., Harper P. R., et al. A Hierarchical Bayesian Model for Improving Short-Term Forecasting of Hospital Demand by Including Meteorological Information[J]. Journal of the Royal Statistical Society:Series A (Statistics in Society), 2014,177(1):39-61
[8] Aboagye-Sarfo P., Mai Q., Sanfilippo F. M., et al. A Comparison of Multivariate and Univariate Time Series Approaches to Modelling and Forecasting Emergency Department Demand in Western Australia[J]. Journal of Biomedical Informatics, 2015,57:62-73
[9] Jones S. S., Evans R. S., Allen T. L., et al. A Multivariate Time Series Approach to Modeling and Forecasting Demand in the Emergency Department[J]. Journal of Biomedical Informatics, 2009,42(1):123-139
[10] Nazir A., Anggraini L., Octavia L., et al. Hospital Patients Arrival Prediction Using Markov Chain Model Method[C]//Cyber and IT Service Management, International Conference on. IEEE, 2016
[11] Hadavandi E., Shavandi H., Ghanbari A., et al. Developing a Hybrid Artificial Intelligence Model for Outpatient Visits Forecasting in Hospitals[J]. Applied Soft Computing, 2012,12(2):700-711
[12] Luo L., Luo L., Zhang X., et al. Hospital Daily Outpatient Visits Forecasting Using a Combinatorial Model Based on ARIMA and SES Models[J]. BMC Health Services Research, 2017,17(1):469-469
[13] Yu L., Hang G., Tang L., et al. Forecasting Patient Visits to Hospitals Using a WD&ANN-based Decomposition and Ensemble Model[J]. Eurasia Journal of Mathematics, Science and Technology Education, 2017,13(12):7615-7627
[14] Senese F., Tubertini P., Mazzocchetti A., et al. Forecasting Future Needs and Optimal Allocation of Medical Residency Positions:The Emilia-Romagna Region Case Study[J]. Human Resources for Health, 2015,13(1):1-1
[15] Chung S. H., Jung D. C., Yoon S. N., et al. A Dynamic Forecasting Model for Nursing Manpower Requirements in the Medical Service Industry[J]. Service Business, 2010,4(3-4):225-236
[16] Barber P., Lopez-Valcarcel B. G. Forecasting the Need for Medical Specialists in Spain:Application of A System Dynamics Model[J]. Human Resources for Health, 2010,8(1):24-24
[17] Ishikawa T., Ohba H., Yokooka Y., et al. Forecasting the Absolute and Relative Shortage of Physicians in Japan Using a System Dynamics Model Approach[J]. Human Resources for Health, 2013,11(1):41-41
[18] 张光鹏. 我国卫生人力资源需求分析与预测[J]. 中国卫生政策研究, 2011,4(12):1-5
[19] 严非,龚幼龙. 卫生人力需要量预测方法的探讨——医院规划模式[J]. 国外医学(社会医学分册), 1993,(2):49-53
[20] 高歌,龚幼龙. 卫生人力需要量预测中的医院规划模式法[J]. 中国卫生统计, 1996,(5):8-10
[21] 徐琼花,羊在家,张文斌. 基于卫生服务需求视野下的医院人力资源发展规划预测实证分析[J]. 中国卫生统计, 2013,30(4):570-572
[22] 马材芳. 江苏省卫生人力预测——灰色模型预测[J]. 中国卫生经济, 1989,(7):31-35
[23] 毛瑛,井朋朋,吴静娴,等. 我国卫生人力资源的组合预测模型构建及应用[J]. 中国卫生经济, 2015,34(5):21-24
[24] 韩春蕾,胡西厚,赵拥军,等. 组合模型在我国卫生技术人员数量预测中的应用[J]. 中国卫生统计, 2011,28(4):391-393
[25] 许汝福,张蔚,尹全焕,等. 二次型回归模型预测卫生服务需求量探讨[J]. 中国卫生统计, 1997,(4):25-26
[26] 张艳丽. 卫生技术人员数量变化趋势预测的灰色神经网络模型[J]. 中国卫生统计, 2016,33(2):331-332
[27] 郑莉,段冬梅,陆凤彬,等. 我国猪肉消费需求量集成预测——基于ARIMA、VAR和VEC模型的实证[J]. 系统工程理论与实践, 2013,33(4):918-925
[28] 封铁英,高鑫. 人口老龄化对农村养老金可持续性的冲击:基于VAR模型的实证研究[J]. 管理评论, 2015,27(6):30-41
[29] 杨留星,田贵良,王珏. 基于VAR模型的海港对腹地影响实证研究:以连云港港为例[J]. 管理评论, 2016,28(9):250-259
[30] 王骏,张宗成. 基于VAR模型的中国农产品期货价格发现的研究[J]. 管理学报, 2005,2(6):680-684
[31] 翟振武,张现苓,靳永爱. 立即全面放开二胎政策的人口学后果分析[J]. 人口研究, 2014,38(2):3-17
[32] 易富贤,苏剑. 从单独二孩实践看生育意愿和人口政策2015-2080年中国人口形势展望[J]. 中国发展观察, 2014,(12):58-74

我国执业(助理)医师需求集成预测——基于GM、ARIMA和VAR模型的实证研究

Forecasting of Licensed (Assistant) Doctors' Demand in China——An Empirical Research Based on GM, ARIMA and VAR Models

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨健垒, 杨春鹏, 崔文晓. 基于新闻文本数据的我国股市波动性测度及其应用[J]. 管理评论, 2023, 35(9): 26-36,101.
[2]	张天顶, 曾松. 中国商品期货市场风险度量的动态分析[J]. 管理评论, 2023, 35(4): 12-26.
[3]	叶欣, 孟万山. 中国外汇市场压力与货币市场压力非线性影响关系——基于MS-VAR模型的实证[J]. 管理评论, 2022, 34(9): 3-13.
[4]	柴建, 王子洋, 张钟毓. 新格局下中国金融稳定状况指数构建及其与美国货币政策间的区制关系分析[J]. 管理评论, 2022, 34(8): 3-14.
[5]	刘超, 张瑞雪, 朱相宇. 金融风险与宏观经济风险的交互行为研究[J]. 管理评论, 2022, 34(2): 46-61.
[6]	姬强, 胡旻, 马嫣然, 张大永, 郭琨. 全球数字货币波动对中国金融资产的风险溢出效应研究[J]. 管理评论, 2022, 34(2): 102-111.
[7]	张兴敏, 傅强, 张帅, 季俊伟. 金融系统的网络结构及尾部风险度量——基于动态半参数分位数回归模型[J]. 管理评论, 2021, 33(4): 59-70.
[8]	张德园, 林宇, 侯县平. 美国不确定性对中国经济的时变冲击——基于QBLL-TVP-VAR模型的实证分析[J]. 管理评论, 2021, 33(12): 71-86.
[9]	侯县平, 傅春燕, 林子枭, 林宇. 极端风险溢出效应的定量测度及非对称性——来自中国股市与债市的经验证据[J]. 管理评论, 2020, 32(9): 55-67.
[10]	崔啸, 郭琨, 金圳妮, 羊淦, 廖哲文. 基于TEI@I的中国利率多尺度波动特征研究[J]. 管理评论, 2020, 32(7): 111-122.
[11]	周桦, 卢志源, 郑敏. 基于TEI@I方法的中国保险业保费收入预测[J]. 管理评论, 2020, 32(7): 166-179.
[12]	刘向丽, 张翼鹏. 钢铁行业供给侧改革对股市影响研究——基于系统风险管理视角[J]. 管理评论, 2020, 32(7): 258-266.
[13]	崔百胜, 高崧耀, 胡春燕. 中国货币政策信贷传导的非对称与时变效应研究——基于PCHVAR模型[J]. , 2020, 32(3): 37-49.
[14]	徐建中, 王曼曼, 贯君. 动态内生视角下能源消费碳排放与绿色创新效率的机理研究——基于中国装备制造业的实证分析[J]. , 2019, 31(9): 81-93.
[15]	邵长安, 关欣, 叶中华. 北京市高技术产业与区域经济发展的关系研究[J]. , 2019, 31(9): 105-115.