具体技术细节
[0012] 针对相关技术中的问题，本发明提出一种基于运行指标的医院经济运行数据分析方法，以克服现有相关技术所存在的上述技术问题。
[0013] 为此，本发明采用的具体技术方案如下：
[0014] 一种基于运行指标的医院经济运行数据分析方法，该医院经济运行数据分析方法包括以下步骤：
[0015] S1、根据预设的指标需求，多维度筛选医院运行指标；
[0016] S2、收集目标医院的历史运营数据，计算各医院运行指标的变化率，并采用主成分分析法对所述医院运行指标进行降维；
[0017] S3、运用斯皮尔曼秩相关系数法，分析所述医院运行指标与所述历史运营数据之间的第一关联系数及所述医院运行指标与所述各医院运行指标的变化率之间的第二关联系数；
[0018] S4、使用ARIMA模型预测所述各医院运行指标的未来趋势，并根据第一关联系数和第二关联系数，计算指数波动因子；
[0019] S5、基于目标医院的运营指标数据和预期业务规模，计算指数趋势因子；
[0020] S6、应用灰色关联度分析方法，结合所述指数波动因子和所述指数趋势因子估算目标医院的经济运行指数，并评估医院经济运行状况。
[0021] 在进一步的实施例中，所述医院运行指标包括门诊量、住院量、床位使用率及医生工作量。
[0022] 在进一步的实施例中，所述收集目标医院的历史运营数据，计算各医院运行指标的变化率包括以下步骤：
[0023] S21、确定需要评估的目标医院，并根据预设的指标需求，从医疗服务质量和管理效率的多个维度筛选医院运行指标；
[0024] S22、联系目标医院的相关部门，获取所需的历史运营数据；
[0025] S23、根据历史运营数据对每个医院运行指标，计算其相邻两个时期之间的变化率，计算公式为：
[0026]
[0027] 式中，A为变化率；
[0028] B为当前时期指标值；
[0029] C为上一时期指标值。
[0030] 在进一步的实施例中，所述运用斯皮尔曼秩相关系数法，分析所述医院运行指标与所述历史运营数据之间的第一关联系数及所述医院运行指标与所述各医院运行指标的变化率之间的第二关联系数包括以下步骤：
[0031] S31、收集所述医院的历史运营数据和运行指标数据，并对历史运营数据和运行指标数据进行排序，得到第一秩次数列；
[0032] S32、将所述第一秩次数列代入斯皮尔曼秩相关系数公式计算所述医院运行指标与所述历史运营数据之间的第一关联系数；
[0033] S33、计算各医院运行指标的变化率，对各医院运行指标的变化率进行排序，得到第二秩次数列；
[0034] S34、将所述第二秩次数列代入斯皮尔曼秩相关系数公式计算所述医院运行指标与所述各医院运行指标的变化率之间的第二关联系数。
[0035] 在进一步的实施例中，所述斯皮尔曼秩相关系数公式为：
[0036]
[0037] 式中， 为斯皮尔曼秩相关系数；
[0038] d为两个变量对应的秩次差；
[0039] x为医院数量；
[0040] 为秩次差平方的和。
[0041] 在进一步的实施例中，所述使用ARIMA模型预测所述各医院运行指标的未来趋势，并根据第一关联系数和第二关联系数，计算指数波动因子包括以下步骤：
[0042] S41、收集所述医院运行指标；
[0043] S42、利用自相关图和偏自相关图确定ARIMA模型的阶数，并预测各医院未来运行指标的值以及与之相关的先行指标；
[0044] S43、计算第一关联系数中各先行指标与医院运行指标波动的关联性；
[0045] S44、计算第二关联系数中各先行指标之间的关联性；
[0046] S45、使用所述各医院未来运行指标波动作为因变量，将所述与之相关的先行指标作为自变量，构建多元线性回归模型；
[0047] S46、通过所述多元线性回归模型中的回归系数分析各先行指标对医院运行指标波动的指数波动因子。
[0048] 在进一步的实施例中，所述通过所述多元线性回归模型中的回归系数分析各先行指标对医院运行指标波动的指数波动因子包括以下步骤：
[0049] S461、基于构建的多元线性回归模型，计算各自变量的回归系数；
[0050] S462、对所述回归系数进行排序，识别对因变量影响较大的主要先行指标；
[0051] S463、通过分析回归系数的正负号，了解各先行指标对医院运行指标波动的方向；
[0052] S464、根据回归系数的数值大小，评估各先行指标对医院运行指标波动的贡献程度，得出指数波动因子。
[0053] 在进一步的实施例中，所述基于目标医院的运营指标数据和预期业务规模，计算指数趋势因子包括以下步骤：
[0054] S51、整理目标医院的运营指标数据，获取预期业务规模信息；
[0055] S52、对历史数据进行时间序列分析，识别运营指标的变化趋势；
[0056] S53、基于找出的趋势以及预期业务规模，构建指数平滑预测模型；
[0057] S54、利用所述指数平滑预测模型和所述预期业务规模数据，计算未来段时间段内各运营指标的预测值；
[0058] S55、比较所述运营指标的预测值与运营指标的实际值，计算指数趋势因子，计算公式为：
[0059] T＝(F/P)*α+(1‑α)*Y
[0060] 式中，T为当前周期的指数趋势因子；
[0061] F为当前周期的运营指标预测值；
[0062] P为当前周期的运营指标实际值；
[0063] α为平滑系数；
[0064] Y为上一个周期的指数趋势因子。
[0065] 在进一步的实施例中，所述应用灰色关联度分析方法，结合所述指数波动因子和所述指数趋势因子估算目标医院的经济运行指数，并评估医院经济运行状况包括以下步骤：
[0066] S61、将医院经济运行指数作为参考序列，运营指标的指数波动因子和指数趋势因子为比较序列，对参考序列和各个比较序列进行归一化处理；
[0067] S62、采用灰色关联度公式计算所述参考序列与所述各个比较序列的关联度；
[0068] S63、根据计算得出的灰色关联度结果，分析各个运营指标对所述医院经济运行指数的影响程度；
[0069] S64、若关联度值越大，则对经济运行指数的影响越大。
[0070] 在进一步的实施例中，所述采用灰色关联度公式计算所述参考序列与所述各个比较序列的关联度包括以下步骤：
[0071] S621、将参考序列和比较序列需要进行归一化处理，利用所述参考序列的值减去所述比较序列的值，取绝对值得到两者之间的差值；
[0072] S622、通过求得所有时间点上的差值的平均值来确定分辨系数，将所得差值除以分辨系数，得到标准化后的差值；
[0073] S623、使用灰色关联度公式，计算参考序列与每个比较序列的关联度；
[0074] S624、将每个时间点上的关联度进行汇总，得到参考序列与各个比较序列的整体关联度。
[0075] 本发明的有益效果为：
[0076] 1、本发明通过预设的指标需求，可以针对性地选择与医院经济运行相关的指标，减少了不必要的数据收集和处理，提高了效率，利用多维度的筛选方式，可以涵盖医院经济运行中的各个方面，如财务、人力资源、设备采购等，保证了评估结果的全面性，在指标筛选过程中，统一了指标的衡量标准和计算方式，避免了因为标准不同而导致的误差，也便于后续数据处理和分析。
[0077] 2、本发明通过收集目标医院的历史数据，可以获得真实、准确的数据源，保证了后续计算和分析的有效性，通过计算各医院运行指标的变化率，可以将原始数据转化为相对变化量，避免了不同指标量级不同而导致的混乱，同时，本发明也能减少数据处理的复杂性和计算量，主成分分析法可将多维数据降至较低维空间，从而提取出数据的主要信息，化繁为简，使数据更具有解释性和可视化性，主成分分析法可以消除各个运营指标之间的线性相关性，避免重复计算和冗余信息，提高数据分析的准确性。
[0078] 3、本发明中斯皮尔曼秩相关系数法能够发现非线性关系，比传统的皮尔逊相关系数更加准确，斯皮尔曼秩相关系数法不受极端值和异常值的影响，具有较强的鲁棒性，斯皮尔曼秩相关系数法的结果易于理解和解释，可为医院管理提供直接的参考信息。
[0079] 4、本发明中ARIMA模型能够捕捉时间序列中的趋势、季节变化和随机波动等特征，可以较为准确地预测未来的趋势，ARIMA模型具有良好的可扩展性和灵活性，可以根据不同的需求进行调整和改进，对于医院管理人员来说，能够提供直接的参考信息。
[0080] 5、本发明通过结合目标医院的运营指标数据和预期业务规模，具有更强的针对性和实际意义，本发明的计算较为简单，易于操作，适用于不同类型的医院，同时利用灰色关联度分析方法能够发现数据中的潜在关联，提高了数据分析和预测的准确性。
法律保护范围
涉及权利要求数量10：其中独权1项，从权-1项
1.一种基于运行指标的医院经济运行数据分析方法，其特征在于，该医院经济运行数据分析方法包括以下步骤：
S1、根据预设的指标需求，多维度筛选医院运行指标；
S2、收集目标医院的历史运营数据，计算各医院运行指标的变化率，并采用主成分分析法对所述医院运行指标进行降维；
S3、运用斯皮尔曼秩相关系数法，分析所述医院运行指标与所述历史运营数据之间的第一关联系数及所述医院运行指标与所述各医院运行指标的变化率之间的第二关联系数；
S4、使用ARIMA模型预测所述各医院运行指标的未来趋势，并根据第一关联系数和第二关联系数，计算指数波动因子；
S5、基于目标医院的运营指标数据和预期业务规模，计算指数趋势因子；
S6、应用灰色关联度分析方法，结合所述指数波动因子和所述指数趋势因子估算目标医院的经济运行指数，并评估医院经济运行状况。
2.根据权利要求1所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述医院运行指标包括门诊量、住院量、床位使用率及医生工作量。
3.根据权利要求1所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述收集目标医院的历史运营数据，计算各医院运行指标的变化率包括以下步骤：
S21、确定需要评估的目标医院，并根据预设的指标需求，从医疗服务质量和管理效率的多个维度筛选医院运行指标；
S22、联系目标医院的相关部门，获取所需的历史运营数据；
S23、根据历史运营数据对每个医院运行指标，计算其相邻两个时期之间的变化率，计算公式为：
式中，A为变化率；
B为当前时期指标值；
C为上一时期指标值。
4.根据权利要求1所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述运用斯皮尔曼秩相关系数法，分析所述医院运行指标与所述历史运营数据之间的第一关联系数及所述医院运行指标与所述各医院运行指标的变化率之间的第二关联系数包括以下步骤：
S31、收集所述医院的历史运营数据和运行指标数据，并对历史运营数据和运行指标数据进行排序，得到第一秩次数列；
S32、将所述第一秩次数列代入斯皮尔曼秩相关系数公式计算所述医院运行指标与所述历史运营数据之间的第一关联系数；
S33、计算各医院运行指标的变化率，对各医院运行指标的变化率进行排序，得到第二秩次数列；
S34、将所述第二秩次数列代入斯皮尔曼秩相关系数公式计算所述医院运行指标与所述各医院运行指标的变化率之间的第二关联系数。
5.根据权利要求4所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述斯皮尔曼秩相关系数公式为：
式中， 为斯皮尔曼秩相关系数；
d为两个变量对应的秩次差；
x为医院数量；
为秩次差平方的和。
6.根据权利要求1所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述使用ARIMA模型预测所述各医院运行指标的未来趋势，并根据第一关联系数和第二关联系数，计算指数波动因子包括以下步骤：
S41、收集所述医院运行指标；
S42、利用自相关图和偏自相关图确定ARIMA模型的阶数，并预测各医院未来运行指标的值以及与之相关的先行指标；
S43、计算第一关联系数中各先行指标与医院运行指标波动的关联性；
S44、计算第二关联系数中各先行指标之间的关联性；
S45、使用所述各医院未来运行指标波动作为因变量，将所述与之相关的先行指标作为自变量，构建多元线性回归模型；
S46、通过所述多元线性回归模型中的回归系数分析各先行指标对医院运行指标波动的指数波动因子。
7.根据权利要求6所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述通过所述多元线性回归模型中的回归系数分析各先行指标对医院运行指标波动的指数波动因子包括以下步骤：
S461、基于构建的多元线性回归模型，计算各自变量的回归系数；
S462、对所述回归系数进行排序，识别对因变量影响较大的主要先行指标；
S463、通过分析回归系数的正负号，了解各先行指标对医院运行指标波动的方向；
S464、根据回归系数的数值大小，评估各先行指标对医院运行指标波动的贡献程度，得出指数波动因子。
8.根据权利要求1所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述基于目标医院的运营指标数据和预期业务规模，计算指数趋势因子包括以下步骤：
S51、整理目标医院的运营指标数据，获取预期业务规模信息；
S52、对历史数据进行时间序列分析，识别运营指标的变化趋势；
S53、基于找出的趋势以及预期业务规模，构建指数平滑预测模型；
S54、利用所述指数平滑预测模型和所述预期业务规模数据，计算未来段时间段内各运营指标的预测值；
S55、比较所述运营指标的预测值与运营指标的实际值，计算指数趋势因子，计算公式为：
T＝(F/P)*α+(1‑α)*Y
式中，T为当前周期的指数趋势因子；
F为当前周期的运营指标预测值；
P为当前周期的运营指标实际值；
α为平滑系数；
Y为上一个周期的指数趋势因子。
9.根据权利要求1所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述应用灰色关联度分析方法，结合所述指数波动因子和所述指数趋势因子估算目标医院的经济运行指数，并评估医院经济运行状况包括以下步骤：
S61、将医院经济运行指数作为参考序列，运营指标的指数波动因子和指数趋势因子为比较序列，对参考序列和各个比较序列进行归一化处理；
S62、采用灰色关联度公式计算所述参考序列与所述各个比较序列的关联度；
S63、根据计算得出的灰色关联度结果，分析各个运营指标对所述医院经济运行指数的影响程度；
S64、若关联度值越大，则对经济运行指数的影响越大。
10.根据权利要求9所述的一种基于运行指标的医院经济运行数据分析方法，其特征在于，所述采用灰色关联度公式计算所述参考序列与所述各个比较序列的关联度包括以下步骤：
S621、将参考序列和比较序列需要进行归一化处理，利用所述参考序列的值减去所述比较序列的值，取绝对值得到两者之间的差值；
S622、通过求得所有时间点上的差值的平均值来确定分辨系数，将所得差值除以分辨系数，得到标准化后的差值；
S623、使用灰色关联度公式，计算参考序列与每个比较序列的关联度；
S624、将每个时间点上的关联度进行汇总，得到参考序列与各个比较序列的整体关联度。
