基于智能算法的单病种成本控制及应用研究

《基于智能算法的单病种成本控制及应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

天津大学硕士学位论文基于智能算法的单病种成本控制及应用研究MethodsofSingleDiseaseCostAnalysisBasedonIntelligentAlgorithmandItsApplication学科专业：管理科学与工程研究生：邹刘霞指导教师：刘子先教授天津大学管理与经济学部2012年11月 独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日 中文摘要随着我国市场经济体制改革的不断完善，医院之间的竞争也越来越激烈。医疗机构要适应社会发展趋势，使自身从激烈的竞争中脱颖而出，获得长久发展，就需要在保证医疗服务质量的前提下，降低医疗机构的运营成本，实现成本控制。目前加强医院的成本控制已经成为医院经济管理工作中的重要部分，单病种限额付费是对我国现行的按服务项目付费进行改革的一种有益尝试。成本差异分析是成本控制过程的核心，也是成本管理的重要决策支持工具，其分析的有效性影响了成本控制过程的成功与否。因此成本的过程控制需要通过成本差异分析来进行。过去几十年里，很多文献对成本差异调查问题进行了研究探讨。研究者大都集中在利用控制论、统计决策、动态规划方法去研究成本差异调查模型，但因其需要很大的信息成本去获取模型中的众多参数，花费时间也较多，实现成本较大，在时间和资金有限的条件下，上述模型在现实中很少被管理者所使用。此外，现实中有些管理者对重要差异和非重要差异的概念区别不清晰，也会影响上述模型在成本差异分析中的应用。随着科学技术的快速发展，成本控制的研究与发展也显现出学科交叉性、多样性等趋势，例如将模糊集知识、神经网络等机器智能方法与统计控制方法联合在一起，利用智能方法的先进性、智能化等优点解决了一般统计学理论在实际中的应用困难，进而快速有效的解决了实际过程中的成本控制问题。本文针对目前成本差异分析研究模型的一些局限，提出了基于SVM支持向量机的智能化方法的成本差异分析模型，并将其应用到某单病种类型的成本控制应用中，验证了模型的有效性及可行性。文末又探讨了利用粗糙集(RS)寻找差异源，即利用RS约简理论，在保证分类能力不变的情况下，剔除影响单病种的众多成本因素中的不相关或不重要的冗余因素，得到最能影响单病种成本的关键因素。关键词：成本控制；成本差异；单病种；BP神经网络；SVM支持向量机；粗糙集 ABSTRACTInthefierceeconomycompetitionenvironment,thehospitalinordertoachievesustainabledevelopmentandgetsuccess,itshouldpalyanimportantroleinmarketcompetition.Notonlythehospitalshouldimprovethequalityofhospitalservices,butalsoconstantlyreducetheoperationalcostofhospitaltoaddthecompetitiveadvantages.Becausethemedicalinstitutionsasanindependentorganization,alsoneedthesurvivalandthedevelopment,butonlywhenitsoutputmorethandevotion,themedicalactivitiesofthehospitalcankeepsustainabledevelopment,whichrequireshospitalstostrengthenandimprovethecostcontrolability.Atpresent,tostrengthenthehospitalcostcontrolhasbecomeanimportantpartinthehospitaleconomicmanagementwork,andthelimitationpaidofsinglediseaseofourcountryaccordingtotheserviceitemspaidfor,whichisahelpfulattempttoournationalhospital’sreform.Costvarianceanalysisisthecoreofthecostcontrolprocess,whichisalsoanimportantdecisionsupporttoolsofthecostmanagement,whoseeffectivenessofanalysisaffectsthecostcontrolprocesssuccessornot.Sotheprocessofcostcontrolneedthroughthecostvarianceanalysistocarryout.Lotsofresearchershavestudiedcostcontroltowardtheneweconomiccondition;nevertheless,mostprefercostaccountingratherthancostengineering.Theresearchersmostlyconcentratedintheuseofcontroltheory,statisticaldecision,dynamicprogrammingmethodtoresearchthecostdifferencesurveymodel.whenweareconsiderthetimeandmoneylimitedconditions,anditsneedagreatdealofinformationcosttoobtainmodelofmanyparameters,theabovemodelsisseldomusedbymanagersinreality.Inaddition,managerscannotdifferentiatebetweentheimportantdifferenceandtheunimportantdifference,whichcanalsoaffecttheapplicationoftheabovecostvariancemodel.Withtherapiddevelopmentofscienceandtechnology,costcontrolresearchanddevelopmenthavealsoshownoverlappingdiscipline,diversity.Someresearchershavecombinedfuzzysets,neuralnetworkknowledge,etc,machineintelligencemethodswithstatisticalcontrolmethods,byusingtheintelligentadvantagestosolvethegeneralstatisticstheoryinpracticalapplicationdifficulty,andtheneffectivelysolvedtheactualproblemintheprocessofcostcontrol.Forthecostvarianceanalysisisacoreparttohospitalcostcontrolmanagement.Withthelimitationsofthepresentcostvarianceanalysismodelandtheparticularity ofthemedicalinstitutionssystem,thisarticlecomeupwithAsinglediseasecostvariancestatisticalanalysismodelbasedonsupportvectormachine(SVM)intelligentmethod.Thispaperapplythismodelintoasinglediseasetypesofsurgerycostcontrol,andverifythethemodelisfeasibilityandeffectively.Attheendofthearticle,thispaperdiscussthattheuseofroughset(RS)tolookfordifferencessource.ItmakegooduseoftheclassificationofRSreductiontheorytoguaranteethevalidityability,andeliminatethenotimportantandnumerousredundancycostfactorsofinfluenceofthesinglediseasecost,lastlygetthekeyfactorsthatcanaffectthecostofsinglediseasegreatly.Keywords：CostControl;CostVariance;SingleDisease;BPNeuralNetwork;SVMSupportVectorMachine;RSRoughSetTheory 目录目录............................................................................................................................I第一章绪论..............................................................................................................11.1问题的提出及研究意义..................................................................................11.2单病种成本的研究.........................................................................................31.3成本差异控制分析模型的研究现状...............................................................41.4本论文的研究方法及内容..............................................................................8第二章相关理论与研究基础................................................................................102.1基于统计过程控制理论（SPC）的成本差异分析.........................................102.2基于累积和控制图的成本差异分析.............................................................12第三章医院信息系统的建立................................................................................183.1医院信息系统(HIS)的建立..........................................................................183.2数据挖掘在医院成本控制中的应用及要求..................................................193.2.1数据挖掘在医院成本控制中的应用...................................................193.2.2医院数据库对数据挖掘方法的要求...................................................20第四章基于神经网络的成本差异分析................................................................224.1神经网络方法在成本控制中的应用.............................................................224.2神经网络方法在在检测均值偏移中的应用..................................................224.2.1检测均值偏移的神经网络结构的基本理论........................................244.2.2数据处理...........................................................................................26第五章基于CUSUM和支持向量机(SVM)的成本差异分析..................................305.1支持向量机(SVM)........................................................................................305.1.1支持向量机的基本理论.....................................................................30I 5.1.2支持向量机在数据挖掘领域中的应用...............................................325.1.3支持向量机的优势.............................................................................325.1.4支持向量机在成本控制领域中的应用...............................................335.2基于CUSUM与支持向量机在成本差异分析..................................................335.2.1基于CUSUM和SVM的成本差异分析模型的运行步骤...................365.2.2模型在单纯性病种成本控制中的应用及分析....................................375.3利用粗糙集(RS)约简理论寻找差异源..........................................................405.3.1粗糙集(RS)的属性约简在成本差异分析模型中的应用......................405.3.2差异源的追溯....................................................................................41第六章总结及展望................................................................................................44参考文献......................................................................................................................46发表论文和参加科研情况说明..................................................................................51致谢..........................................................................................................................52II 第一章绪论第一章绪论1.1问题的提出及研究意义医疗机构作为一个独立组织，若要在激烈的市场竞争环境下生存与发展，只有产出大于投入了，医院的各项医疗活动才可能持续发展，这就要求医院加强成本控制的能力。医院的成本控制，是指对在医院的各项经济管理实践中所消耗的资源进行核算、指导、优化和监督，通过比较实际成本与标准成本差额，评估医院成本控制的水平，并通过“例外管理原则”防控重要差异，保证标准成本的实现，以达到降低医院成本的目的，进而提高医院的的成本管理水平，使医院在激[1-2]烈的市场竞争的环境下快速适应、持续发展。自从2009年04月06日《中共中央国务院关于深化医药卫生体制改革的意见》颁布后，我国的医院卫生保障制度有了很大的改善，同时也迎来了更大的挑战与机遇。随着我国加入世界贸易组织(WTO)，政府支持多元化医疗市场的发展，如引进了民营、外资等不同的组织机构加盟医疗市场，促进了医疗体制及医院运营机制的转变，同时也增加了现有医疗机构的市场竞争。为了在激烈的医疗市场竞争中处于不败之地，加强医院的成本控制，使医院经营成本领先，提高经济效[3]益成为医院经营管理中迫在眉睫的一项工作。进行成本控制是医院适应激烈的医疗市场竞争的最佳选择：1)实施成本控制是为了提高医院的经营管理能力。随着政府对医院的干涉及预算补贴程度的渐渐减少，医院自身的生存与发展力度更多是依靠医院自己的经营能力。实施成本控制可以使医院的管理层更加重视内部建设，更加重视投入与产出的关系。2)实施成本控制可以优化医疗资源的配置。目前，许多医院的经营管理忽略了严格的内部成本的控制，例如某些科室间盲目的争抢仪器、护士等，造成医院资源的不合理利用。若严格执行医院的成本控制，可以优化医院的投入与产出。3)实施成本控制可以提高医院在激烈的医疗市场竞争中的综合能力。随着中国加入世贸组织，现实中出现许多中经营模式的医院，加剧了各医院的竞争。还有患者在要求有高超的诊疗技术的同时也需要合理的收费制度，否则就会转入其他医院。医疗服务过程中包含很多的流程跟复杂因素，导致医院的成本控制是一个艰巨的工程。因此，医院可以借助企业的成本控制方法，如在医院内部实施ISO90001 第一章绪论标准，规范医疗流程，实现各个操作流程的质量管理。一旦流程出错，就可以反向追踪原因，及时纠错，从而实现在保证医疗质量前提下的成本控制；医院可以借助随机前沿面(SFA)分析医院的经营成本和产出收益的关系，对医院的经济效益进行评价；医院可以利用作业成本法(ABC)，将医疗过程分解成一些列作业，通过计算一定时间的各项作业的成本，来确定该时期的医疗服务成本值，从而提供了一种较为准确的成本核算方法；通过临床路径提供一种合理的诊疗管理模式，规范了诊疗流程，使患病者能以较少的费用获得最佳的治疗，从而减少了医[4]疗资源的过渡消耗，降低了医院的医疗成本，进而提高了医院的经营效益。为了规范收费、受惠于民，控制医疗服务成本的快速增长，增强医院的竞争优势，当今国际上较为先进的医疗费用支付方法是诊断相关组(DiagnosisRelatedGroups，DRGs)付费的方式。DRGs支付方式不是根据患者的医疗服务项目付费，而是按照患者的疾病种类、病情的不同程度、患者的性别、诊疗手段、是否进行手术及有无并发症等方面，将患者划分成不同的组别，并进行编码，对不同疾病[5]相关组分别制定不同的付费标准。DRGs付费方式，促使医院加强成本管理意识，标准化了医疗资源的使用量，通过缩短住院天数、减少不必要的医疗器材的消耗、制定最合理的手术流程等措施来降低医院经营成本，提高了医院的综合经济效益。因此，DRGs在国际上得到很好的应用。而我国目前的医疗机构的医疗服务收费大都采用按项目收费的办法，其来源于一般市场的交换原理，如医院提供服务越多其收入就越高，是一种事后收费的方式。这种收费办法的弊端是管理成本高和高昂管理费用的不可控性。由于我国医疗市场的信息化建设不完备、医疗服务收费制度不完善等这些因素，导致我国的DRGs的应用还处于不成熟的阶段。但随着医疗体系的多元化跟市场化，我国越来越多的医疗机构实施了单病种付费方式。这种新的付费方式是对我国现行的按服务项目付费模式的一种有效改革，是医院经营的一种管理模式，社会影响最为广泛，既兼顾了政府、医院、患者等多方利益，又考虑了医疗质量和成本的合理平衡国外医院成本控制研究概况。随之单病种核算成为医院成本核算发展的重要趋势之一。单病种付费是根据病种和病情程度来确定疾病诊断分类标准，通过临床路径测算出各病种的费用标准，并以此标准对医院进行预支付，从诊断、检查、治疗效果及成本费用等方面有效控制了其中不合理的部分，成本低于此标准的部分是医院利润，反之则为医[6]院的损失。单病种付费方式要求医疗产品成本（从入院到出院）严格限制在各项成本标准的范围内，如诊断标准、入院检查，住院标准及时间等都制定质控标准。若医疗费用超出此标准则超出部分由医院来承担。其优点：促使医院寻求最合理的医疗流程，压缩了医疗成本的支出，有利于节约有限的卫生资源，提高现有资源的技术效率和分配效率；有利于医院加强成本核算，降低经营成本；规范了医院行2 第一章绪论为，增强医疗服务恰当性，减轻看病者的就医复杂性跟费用；巩固完善了医疗保[7]险制度，有效减少了医疗保险费用的增长过快等问题。单病种付费制度增强了医院经营过程中的合理收费的理念，加强医疗质量成本管理，进而有效促进了医院各方面工作的进行，不断提高了医院整体经营管理水平，最终达到双赢的效果。1.2单病种成本的研究目前，随着我国医院市场化进程的加快，我国的医疗机构医疗服务收费大都采用按项目收费的办法，其来源于一般市场的交换原理，如医院提供服务越多其收入就越高，是一种事后收费的方式。这种收费办法的弊端是管理成本高和高昂管理费用的不可控性。随着医疗体系的多元化跟市场化，加强医院的成本控制已经成为医院经济管理工作中的重要部分，单病种限额付费是对我国现行的按服务项目付费模式进行的一项伟大改革，是医院经营的一种管理模式，社会影响最为广泛，既兼顾了政府、医院、患者等多方利益，又考虑了医疗质量和成本的合理[8]平衡。随之单病种核算成为医院成本核算发展的重要趋势之一。单病种付费是根据病种和病情程度来确定疾病诊断分类标准，通过临床路径测算出各病种的费用标准，并以此标准对医院进行预支付，从诊断、检查、治疗效果及成本费用等方面有效控制了其中不合理的部分，成本低于此标准的部分是医院利润，反之则为医院的损失。目前常用的单病种付费方式是单病种限价最高收费制度，就是要求医疗产品成本（从入院到出院）严格限制在各项成本标准的范围内，如诊断标准、入院检查，住院标准及时间等都制定质控标准。若医疗费用超出最高限价则超出的费用就由医院来支付。其优点：促使医院寻求最合理的医疗流程，压缩了医疗成本的支出，有利于节约有限的卫生资源，提高现有资源的技术效率和分配效率；有利于医院加强成本核算，降低经营成本；规范了医院诊疗流程，增强医疗服务的合理性，降低了看病者的就医复杂性跟费用；巩固完善了医疗保险制度，有效降低[9]了医疗保险费用增长过快的现象。单病种限价收费制度加强了医院经营管理中合理收费的理念，加强了医疗质量的成本管理，进而不断提高医院整体管理水平，最终提升了医院的竞争优势。所以现实中按一定的诊断常规标准进行同病种的医疗服务也就会出现差异水平，且随着医疗体系的多元化跟市场化，加强医院的成本控制已经成为医院经济管理工作中的重要部分。通过对医院的病案首页的医疗成本数据的调研分析，获悉单病种成本差异数值波动性很大。目前单病种付费（或限价）的研究方法主[10]要是t检验、多元回归等，而现在国内外很多医院对标准成本系统进行了研究3 第一章绪论及应用，医院可以利用标准成本实施事前、事中和事后的成本控制和管理，可以通过对成本差异的分析研究，平定考核有关科室，查找差异来源，确定工作质量和经济活动的效果，为医院的成本控制提供支持。影响单病种成本的因素众多，可分为可控因素和不可控因素，如诊断、治疗、检查等可控的临床因素，性别、职别、年龄等不可控的社会因素。但现实中若按一定的诊断标准进行同病种的医疗服务会出现成本差异，使医院面临经营风险问题。通过对医院的病案首页的医疗成本数据的调研，获悉单病种成本差异数值波动性很大。其中成本差异是指实际成本超出标准成本或预算定[11]额的差值。我们为了消除这种差异，需要研究该成本差异点的状态，寻找造成差异产生的原因及制定应对措施，为医院成本控制提供真实可靠的信息。在人员、资金、时间等条件限制下，医院不可能分析所有差异点，而是找出属于重要差异的样本点，寻找差异源并及时采取措施及时消除异常差异，达到医院成本控制的[12]目的。单病种成本差异分析的基本流程如图1-1所示。制定某种单病汇总计算样种成本标准本点的标准成本统计分析成本差异值为下一期间目汇总计算样标值作参考本点的实际成本制定成本控制分析成本差寻找属于重策略，采取措异产生的原要差异的样施因本点图1-1单病种成本差异分析流程图1.3成本差异控制分析模型的研究现状过去几十年里，很多文献对成本差异调查问题进行了研究探讨。如BFJ模型[13]在决定调查某成本差异时考虑了调查成本C和由于调查而带来的未来收益,当C<(1-P)L时调查，反之不调查(其中P为系统的受控率)，但该模型忽略先前观察样本信息，且纠错收益L取决于以后的实践活动，随着时间的推移和未来的不[14]确定性，其很难准确估计出；LUH通过调查分析系统受控状态下的大量的成本动因的概率分布，认为受控成本的实际输出也服从某种概率分布，而不是单单的标准值，进而来确定是否调查某差异。该方法在实际应用中需要很多的详细信[15]息来明确成本动因的分类，进而导致信息收集成本过高；Kaplan利用简单状4 第一章绪论态变量表示系统先前的调查信息，假设系统具有马尔可夫性，在每次调查后利用贝叶斯定理对先前的状态进行修正更新，然后利用动态规划求解每个阶段的最佳调查策略，以达到降低总成本的目的。该模型克服了BFJ模型纠错收益对未来行动的依赖性过强的缺陷。该模型假设系统的状态转移具有马尔可夫性，但在现实系统中不一定符合该性质，且其还假设最小成本对应着最优策略，但实际中的低成本可能意味着偷工减料，服务质量降低等，还有成本的变化会牵涉到其他相关联因素的变化，以致若追求成本绝对最小不一定达到理想中的控制目的。同时，[16]Amihud和Mordech通过对Kaplan方法和动态规划理论的进一步分析，认为最佳调查策略应该包括多项测试，测试项的失控概率与相应调查成本有函数关系。但现实的成本系统不一定有马尔可夫性，对成本系统进行马尔可夫性的验证需要[17]大量的理论基础和成本。王平心等利用微分-连锁替代法建立了涵盖利润、销售的成本差异调查模型，解决了Kaplan方法中数学表达不严密的问题，使分散[18]的会计差异系统化。Magee,RobertP(1976)指出虽有控制论、统计决策、动态规划方法去研究成本差异调查模型，但因其需要很大的信息成本去获取模型中的众多参数，花费时间也较多，实现成本较大，在时间和资金有限的条件下，上述模型在现实中很少被管理者所使用。1、基于线性规划的成本差异分析模型[19]T.OZAN等人利用数学方法来解决成本控制中的成本差异问题。作者提出节约成本Pi，并用线性规划的方法去解决Farrarmodel和Baumolmodel的模型。(1)即总差异=不可控总差异可控总差异节约成本(1-1)(2)两个模型即：Farrarmodel希望能把资金的效用函数引入到成本差异调查模型中；Baumolmodel没有从效用观点去解决问题，但2个模型的效用期望很类似。在不确定环境下投资决策模型的方法可以被应用到成本差异调查决策问题中，其3个目标a)期望利润或净收益最大化；b)Farrarmodel的期望效用最大；c)Baumolmodel的线性效用函数最大化。(3)这3个目标可以合在一个表达式里面(1-2)当K=0时代表目标a)；当f=则变为目标b)；当且则变为目标c)。5 第一章绪论若调查决策模型受资金和人力限制则其线性规划模型为：(1-3)其中E代表现阶段调查成本差异的资金预算，D代表调查所有种类资源所需的人数，代表调查第i种资源的人工数，为(P)的决策变量，取值1或0，取1即表示调查第i种资源的差异。再利用对偶问题及互补松弛定理进行分析。但是本模型存在以下局限性：1)依赖于成本差异里的差异率和差异量的成本中心模型，就其本身而言，不能给决策模型提供足够的信息；2)为了获得必要的信息，把成本差异分为可控部分和非可控部分。假定不可控差异只由两种事件引起，如每个员工的自身情况不同、情绪不同；还有外界环境的不确定性如SAS流感。通过差异率和差异量的概率分布可以获得总成本差异总的可控/不可控差异的概率分布；3)利用一个包括预算资金和人力条件限制的线性规划去解决该决策问题。利用松弛互补定理及对偶线性规划指出限制条件及目标函数是如何影响决策行为的2、基于决策理论的成本差异分析模型[18]Robert提出针对一个成本差异值，管理者要么什么措施都不采取，要么花费成本去调查分析差异的来源。他对可供选择的多个成本差异调查模型进行了仿真分析，决策者选择的依据是效用期望值最大原则。1)呈现成本差异分析模型的选择框架：(1-4)其中X：被决策影响的所有可能事件的集合；M：决策模型的集合；:决策模型m的信息系统所产生的各种信号集；6 第一章绪论W(x):决策者的表现或是得到的报酬。其中模型中的第一部分代表模型m的效用期望值，第二部分代表其信息系统的成本。通过回顾比较认可的成本差异调查模型并给出了它们缺乏应用应的原因：认为基于控制论、统计决策、动态规划方法等的成本差异分析模型，需要很大的信息成本来获取模型中的众多参数及相关成本函数，花费时间较多，现实中很少采用。呈现仿真分析结果，影响执行的可能因素、信息成本：如管理者对风险的偏爱度等。作者最后强调任何成本差异模型都应考虑模型的可接受度及决策者的评估和奖励等。3、基于模糊理论的成本差异分析模型[20]Andre认为成本差异的计算值越准确越好，但现实中存在大量的模糊性，如差异多大多小才算重要差异；标准成本是由管理者制定的，也会存在一定人为模糊性。因此需要借助模糊理论。作者认识模糊理论能够不断持续权衡和评估新的信息，可以更加灵敏的响应周围环境的变化；专家通过模糊理论整合可知与不可知的信息，进而扩大了传统专家系统对决策过程的仿真范围。模型的主要步骤：第一，识别并找出实际发生的成本值与目标成本值之间的差异额；第二，确定哪些差异足够大，以致值得去分析调查；第三，需要消耗一些资源去调查那些失控的差异值。作者利用模糊控制理论进行成本差异分析，流程图如图1-2所示。输入集（成本差异值）模糊集决策的定义准则接口模糊控制器去模糊化输出集（调查差异所需资源）图1-2成本差异模糊控制器7 第一章绪论其中“接口”主要是评估输入的成本差异值在决策规则下属于某个模糊集合的程度；模糊控制器通过上面的规则输出一个模糊输出值。4、基于DRGs的成本差异分析模型[21]B.W.Voss等人建议医院管理者和医务人员从医学及经济学方面去解释DRGs的成本差异问题。为了抑制日益增长的医疗成本，美国耶鲁大学首次提出DRGs概念。DRGs是一种按诊断相关分组的定额预付制度，是对按项目付费的一种改革，使医疗成本依据医院的实际产出，而不是依据医疗器、医疗时间等投入，从而较为合理的控制了医疗资源的不合理使用。DRGs的原理是利用统计控制过程将住院病人进行合理归类。DRGs主要根据病人的主要诊断、是否进行手术、是否有并发症、年龄、性别、病情严重等级、住院时间、检查项目等方面，采用一定方法将相应临床危急等级、住院时间、医疗材料使用量等因素相近的出院病人分为同一个诊断相关组，每个相关组都按临床实际成本制定一个标准成本，每隔一定时期对上一时期的数据进行分析并作出相应的调整。作者指出医院是一个多产出组织，临床医生的决策会间接影响到医院成本的支出。预测成本(1-5)成本差异(1-6)其中n为某年的实际病人数目，是里的病人比例，为中的第j组里的平均治疗项目数，第j组医疗项目的平均成本。通过数据分析，文章得出DRGs可以规范临床医生的诊疗记录与医疗过程，也可更加准确的提供预测成本。1.4本论文的研究方法及内容由于传统的成本控制模型主要侧重于事后控制，成本差异分析的工作大都集中在成本会计阶段；即使是一些复杂的统计决策、控制理论等方法，也缺少对成本差异控制问题的动态监控的。随着科学技术的快速发展，成本控制的研究与发展也显现出学科交叉性、多样性等趋势，例如将模糊集知识、神经网络等机器智能方法与统计控制方法联合在一起，利用智能方法的先进性、智能化等优点解决了一般统计学理论在实际中的应用困难，进而快速有效的解决了实际过程中的成本控制问题。在信息化发展迅速的当代，结合信息化手段显得尤为重要。所以本文针对先前成本差异控制模型的局限性及医院信息系统的复杂多变性，提出了借8 第一章绪论助智能算法的成本差异控制模型，最后将模型应用到某单纯性病种的成本控制案例中，验证了模型的可行性、及时性及实践性。本论文的研究思路及内容如下：第一章绪论，简要分析了问题的实际背景及课题的意义、当前单病种成本控制的研究方法。通过对目前成本差异控制的理论模型的分析，针对先前模型的一些局限提出了本文的研究思路及方法。第二章主要介绍了成本差异控制方法的相关理论及研究基础，其中主要介绍了经典控制图及累积和控制图在成本控制中的应用实例，及其在成本控制领域中的一些不足处。为下文基于智能算法的成本差异控制模型的提出，其起到承上启下的作用。第三章主要说明了医院信息系统(HIS)的建立及医疗机构的数据的复杂性，其对数据挖掘的特殊要求，以及数据挖掘的理论研究现状及对医院的重要性。第四章详细介绍了作为智能算法之一的神经网络方法在成本控制中的一些应用研究。首先介绍了神经网络的简要基本理论，然后研究了神经网络方法在成本控制领域中的应用，最后将神经网络方法应用到成本差异均值的检查中。其对差异均值的监测敏感性优于累积和控制图(CUSUM)。第五章主要分析了支持向量机(SVM)比神经网络的优势所在，及鉴于控制图对复杂数据无法进行有效的智能分析和内部规律总结，不能及时报告有失控趋势的样本点，提出了基于CUSUM控制图和SVM的成本差异分析模型。从长期角度出发，生产系统的成本是平稳随机的，但短时间里可能会有些变化趋势，所以即使获取产品成本在短时间里的变化，及时追踪成本差异来源信息，对成本控制过程是非常必要的。而成本差异分析模型可以视为找出失控或超限的样本点，然后判断是否调查，可以把成本差异调查模型问题归结成支持向量机(SVM)的二分类问题。章末并将该方法应用到医院的单纯性阑尾炎病例的成本差异控制问题中，实例验证了该方法对差异均值检测的及时性、可行性。第六章在综合了上文的一些成本差异控制方法的基础上，提出了对今后的成本差异分析控制模型的新的探讨方向。9 第二章相关理论与基础研究第二章相关理论与研究基础2.1基于统计过程控制理论（SPC）的成本差异分析产品的生产过程中，其质量特性值总会有偏差的，并且这种波动可分为随机性差异和系统性差异。使用控制图可以及时揭示出系统差异。当出现系统差异时应该尽早采取措施，除去异常的因素，并确保其不再出现。在标准成本系统下，实际成本可能与标准成本发生偏差，所以客观的看，成本控制过程类似于质量控[29]制过程。成本控制过程，即是事先制定标准成本或目标成本，对成本产生过程中的一切受控下的消耗，进行精确严格的核算、指导和监控，寻找偏差，及时纠错，确保标准成本的实现。但在实际的生产及经营过程中，实际成本可能会和标准成本发生差异，决策者需要确定成本差异的偏差程度及重要性，以便分析差异[22]原因，进而提出调整、纠错措施。所以可应用质量控制图方法来分析成本差异。W.A.休哈特通过研究现实中工业产品的性能的变异，发现制造产品甚至自然界万物都会时不时的发生变异或差异.随后通过大量的实践观测，休哈特提出了统计过程控制图理论(SPC)并发明了控制图。休哈特发现这些差异无非由两种原因造成：一般原因（或偶然性原因或可忽略因素）和特殊原因（或系统性原因）。当把样本点按抽样顺序来进行描点画图，并依据3原则设置一组控制限后，我们就可以很容易观察到状态异常或状态失控的样本点。以SPC理论为基础的成本差异分析模型通过分析成本受控状态的概率分布变动，结合3或假设检验方法制定上下控制限，若过程成本超出控制限,我们则判定该样本点属于重要差异[23]的样本点。所以，控制图是一种用来分析并判定生产过程是否处于受控状态的质量控制工具。通过监控生产过程中产品的质量均值随着时间偏移的动态信息，管理者可以及时发现有异常波动的工序或样本点，并及时采取措施消除这些异常原因，最终达到对生产控制的目的。休哈特控制图也称为常规控制图，认为当生产过程中只有偶然性变异时，过程的质量属性就会符合一种正态分布。若去除偶然性变异还存在异常的偏移，则该异常偏移会叠加到上述正态分布上，因此所研究的质量属性的当前分布就会与原来的分布发生偏移，这种偏移就代表过程的均值发生了异常波动，也就是有异常因素的存在，它们对质量属性的影响很大，需要引起关注并采取措施予以消除。而控制图可以检测出上述的偏移，所以控制图是一种监控过程是否受控的有效统计工具。10 第二章相关理论与基础研究休哈特控制图判定生产过程是否失控或受控的主要依据是其上下控制界限。而如何制定控制限是绘制控制图的核心所在。一般我们按照原则，即当所研究的属性值处于范围内，就认为该生产过程是稳定的或受控的，即使存在各个偶然性因素的影响，但基本使过程处于受控状态下。经典控制图示例图如图2-1所示。图2-1经典控制图示例图图2-2某观察集的均值偏移情况的控制图分析11 第二章相关理论与基础研究基于统计过程控制理论的成本差异模型通过分析成本受控状态的概率分布变动，借鉴质量控制图或假设检验等方法制定上下控制限，通过判别过程成本是否超过控制限来确定该样本点是否属于重要差异。有研究者建议当差异超出标准的10%时就进行调查所有的差异；也有建议当差异超出标准2个单位时就进行调[24]查所有的差异。但是使用控制图来检测过程是否发生偏移，不可避免的要犯两类错误。即第1类错误：虚发警报，是指所研究过程处于正常状态下，仅仅因为偶然性原因使某样本点超出控制界限，而据此判定过程是生产异常的状态，即失控状态，属于不该发出失控信号却发了。将产生第1类错误的几率值记作。第2类错误：漏发警报，是指生产过程处于异常状态下，所抽样的观察点却处于控制界限之内，而据此判定为过程属于生产正常的状态，属于该发出失控信号却未发。将产生第2类错误的概率值记作。当发生第1类错误即虚发警报时会引起浪费人员、时间及资金去寻找根本不可避免的偶然性原因的损失；当发生第2类错误即漏发警报时则会引起由于未及时发现并纠正失控过程而导致的损失。利用控制图对单病种成本的实时监控，可直观发现有异常趋势的样本点，有助于医务人员及早发现并消除因系统性原因造成的成本差异，以保证单病种治疗[25]质量与成本达标。石冰河等采用经典控制图研究单病例样本点的成本差异，应用均值控制图来判断单病种费用是否处于稳定状态，对超出控制限的样本点进行分析。但是休哈特控制图在分析过程均值的波动情况时，只利用了孤立样本点的信息，没有研究历史数据的信息，所以休哈特控制图是没有记忆力的，对持续的[26]微小偏移不敏感，当成本差异小于1.5时,其控制效果并不理想，鉴于上述分析也得出休哈特控制图会导致过高的虚发警报。2.2基于累积和控制图的成本差异分析鉴于休哈特控制图仅利用单时期的数据来判断过程均值的偏移大小，对微小[27]波动不敏感。Page(1954)在序贯分析的基础上提出了累积和控制图思想，其对[28]过程异常有更高的灵敏度，从而显示出其优越性。而且Taylor(1968)提出若在系统由受控到失控的时间几何分布未知的情形下，使用累积和控制图来分析成本差异模型更加合理。Page在序贯概率比检验(SPRT)的基础上提出的累积和控制图(CUSUM)，通过对历史观测值的偏移进行累积，及时发现微小的均值变化，判断出过程的失控或受控状态。随着累积和控制图在现实生产中的广泛应用，许多学者对其进行了大量研究。Barnard曾提出利用V型模板来分析判定生产过程是否处于稳定状态；Brook12 第二章相关理论与基础研究等人研究出累积和控制图运行长度的概率分布形式；woodall通过数据分析得出过程参数对累积和控制图的重要性，及计算出不同情况下的各个运行链长。Gan指出对于按时间顺序抽取的样本点，若其质量属性服从于指数分布时，可求出其累积和控制图的运行链长的概率分布形式。James等人利用马氏链算出累积和控制图的平均链长，并求出链长的概率分布。其中累积和代表按时间顺序抽取的总样本中，检测出实际值与标准值T或目标值T的偏差的和。若累积和控制图的样本属性值有向上移的趋势时，表示所研究的属性水平有失控的趋势，需要及时发出“预警报告”了。1、序贯概率比检验假设是按时间顺序依次抽取的独立观测点。在对过程监控时，事先选取两种不同假设H,H。其中H代表原假设，即表示所有观测点的质量水010平属于相同分布，且概率满足为p(x0)；H1代表前j个观测点的概率满足p(x)，其余下的观测点满足p(x)，其中01.则若原假设H0真，却接受备用假设H1的概率为α，即犯第一类错误的概率；若H1真，却拒绝它而接受H0的概率记为β，即犯第二类错误的概率。当H成立，则的概率为L(X,)；nn0当H成立,则的概率为L(X,)，iniL(X,)ni那么H与H的似然概率比：kinnL(X,)n0当k远远大于1时，接受H的概率较大；当k远远小于1时，接受H的概率较大；n1n0若k处于1的中间，表明上述两种种假设成立的概率相近，则需要接着抽样，再n次进行上述检验过程，直到其中一种假设成立为止。通过序贯概率比检验过程确定两个常数0a1b,若kna，则抽样结束，接受原假设H0；若knb，则抽样结束，接受备用假设H1；若aknb，则继续按时间顺序抽样。从上述可看出，累积和控制图运用“平均链长”控制了两类错误,且利用了连贯的历史数据，而常规控制图一般只考虑一种错误的概率，只利用单独样本点信息，因此在检监控过程异常与否及对均值的微小偏移检测上，累积和控制图的监控效果优于休哈特控制图的监测效果。2、目前有两种常用判定方法：V形模板与列表法。1）V形模板法：13 第二章相关理论与基础研究2假设在理想状态下，产品的成本值X服从正态分布N(0,),其中0代表均值，代表系统的目标值或标准值，C代表前i个样本点实际成本值与目标值的差i的累积和。Si(Xiu0)Si1(Xiu0)(2-1)若观测到的样本值的为u，那么S0。当我们在坐标系里对这些观测数据进行0i描点画图时就会得到直观的成本差异值的累积状态。在直观图中，如果Xui0，那么观测样本点的累积和有向上发展的趋势；如果Xu，则表明样本点的累i0积和有向下发展的趋势。我们常用的V形模板的累积控制图的形状主要由它的前置距离d(即处于原点o到顶点p的观测值的个数)以及和V形模板的半角来确定的。V形模板的直观图像如图5.21dln(),arctan22A(2-2)符号意义：代表观测点的均值可以接受的差异范围；A代表尺度因子，代表着横坐标轴上的单位是纵坐标轴上的A倍，我们通常情况下去1倍到2倍的标准差；其中代表着第一类错误的出现的概率值，为相应代表着第二类错误出现的概率值。图2-3V形模板的直观图当我们在确定医院的医疗成本的均值是否处于受控状态时，可以依据上述推导公式确定V形模板的形状。如果先前观测点的成本差异值的累积和处在V形模板的外侧，则可以判断该系统处于失控状态，否则处于受控状态。2）列表法：14 第二章相关理论与基础研究产品的生产过程中，其质量特性值总会有偏差的。我们可以把这偏差或波动分为随机性差异和系统性差异。使用控制图可以及时揭示出系统差异。当出现系统差异时应该尽早采取措施，除去异常的因素，并确保其不再出现。在标准成本系统下，实际成本可能与标准成本发生偏差，所以客观的看，成本控制过程类似于质量控制过程。通过上文得知CUSUM控制图由Page于1954年在序贯概率比检验（SPRT）的基础上提出，通过对历史观测值的偏移进行累积，及时发现微小的均值变化并判断出过程的失控或受控状态。之后Kaplan在1975年最早提出应用CUSUM控制图进行成本差异诊断，可敏捷地判断成本差异水平是否处于受控状态。刘子先等提出一种基于CUSUM控制图的成本预测控制方法，通过预测判断出企业未来成本差异水平从而采取控制措施。CUSUM控制图利用“平均链长”的概念来监控两类错误,在监控过程异常与否时，比休哈特控制图更加有效。现在经常使用的两种判别形式，包括V形模板和列表法。随着信息技术的快速发展，Minitab软件被[29]广泛使用，其中包含的CUSUM列表法应用非常广泛,优点更多。当观察对象服从正态分布N(0,)，Ci,Ci分别表示第i个抽样点的上、下单侧的累积和，令Cmax0,(k)xCi0ii1(2-3)Cmax0,x(k)Cii0i1当均值偏移到t，希望累积和控制图发出“预警报告”。当010C或C超过判定值H时，可断定该样本点处于失控趋势或不可控状态下。当某ii一局部的累积和的偏离值为负数时，需要把这两个量重新赋值为0，下一次运行时再次计算其累积和的值。大量实例表明CUSUM运行前的参数的设置会影响到控制图对偏移值的检测能力，鉴于此，我们取允偏量k是目标值0与拒收值1差值的一半，一般取kt/2，H5或6。因此可通过累积和控制图分析成本差异。它通过对先前观察信息的微小偏移的累积，更加灵敏的判断出过程的失控或受控状态，达到对成本差异值更加敏感的效果。在系统由受控到失控的时间几何分布未知的情形下，使用累积和控制图来研究成本差异的模型更加合理。例如取某制造工厂的某款电子产品的成本值作为数据来源。我们选取某个生产季度的日生产的生产费用作为CUSUM控制图的研究对象。数据如表1，依据日常费用的统计数据，我们取日生产费用的均值为06.19千元，0.55，取H550.552.75,K0.50.275，然后借助软件Minitab得出表1相15 第二章相关理论与基础研究应数据。其操作步骤：首先，“统计-->基本统计变量-->正态性检验”，对原始数据的正态性检验，得下图P=0.179>0.005,所以符合正态分布，均值。然后再“统计-->控制图-->时间加权控制图-->累积和控制图”，对其CUSUM控制图分析，得到下图：第25样本点发出警报。图2-4样本点的概率图图2-5CUSUM控制图检验结果16 第二章相关理论与基础研究表2-1CUSUM的成本差异分析表病人编号总成本/千元上单侧累积和c下单侧累积和cii15.9840.0000.00026.0920.0000.00036.4970.0000.00047.4150.9620.00056.2350.7220.00066.0900.3370.00076.2000.0000.00085.9080.0000.00096.0040.0000.000107.0480.5730.000115.6990.0000.226125.2780.0000.873135.9220.0000.876146.3060.0000.495156.9900.5150.000166.3330.3730.000176.3890.2870.000186.4150.2270.000195.7410.0000.184206.4670.0000.000216.4980.0000.000227.2190.7670.000237.1491.4410.000247.3282.2940.000257.0452.8640.000表2-1给出25组数据的上、下单侧累积和C,C的计算结果。可以看出第25个样本点的上单侧累积和C2.864超出了判定值H2.75,表明其均值发25生了重要偏离，CUSUM控制图对其发出“报警信号”。17 第三章医院信息系统的建立第三章医院信息系统的建立3.1医院信息系统(HIS)的建立随着医疗保险制度的完善和信息技术的迅速发展，医院的信息化管理水平已成为评价医院综合能力的重要指标。医院信息系统(HospitalInformationSystem,[30]简称HIS)是电子计算机技术在医院应用的结果，是能够帮助医务人员有效的处理海量数据的信息系统。尤其在发达地区，医院的信息系统的建设及应用较为成熟。根据学术界广泛认同的MorrisF.Collen教授的定义，医院信息系统(HIS)是指借助电子信息技术，为医院的各个组织机构提供就医者的治疗信息、管理费[31]用信息等的采集、整理、存储、检索、数据调用等以满足医务人员的各种需求。比较完善的HIS系统能够实现整个医疗过程如病人的诊疗信息、药品材料的使用情况等的动态追踪和管理，有助于医院的内部管理和优化医务人员对患者的诊疗过程。随着数据库技术的日益成熟，为医院信息系统(HIS)的建立及完善提供了技术支持。医院信息系统(HIS)所包含的数据信息覆盖了医院的内部管理、临床数据和经营决策等，为医院的信息化管理提供全面的支持。目前其应用主要包括：1)门诊挂号管理；2)住院信息管理，如住院信息、费用结算、手术信息等；3)病案管理，如病人信息编辑等；4)药品药库药房管理；5)门诊导诊的信息查询；6)[32]病人信息查询与决策系统，有助于医务人员及时掌握医院收入与支出等信息。医院信息系统(HIS)加快了医院各信息流的整合，有利于提高医院的综合营运能力。随着医院信息系统(HIS)的不断发展与完善，与单病种相关联的数据信息均包含在HIS系统中。上文提及的HIS系统包含的病人信息查询与决策功能，为单病种成本差异分析提供了有效支持。利用HIS的决策支持系统，可以统计分析出单病种的成本影响因素。所以，本文总结出基于医院信息系统(HIS)的单病种成本影响因素图。其中单病种成本包含病人情况、医务人员、耗费的药品、医疗器材等方面。本文通过分析医院信息系统(HIS)病案首页信息以获得某病例的质量分析、费用结构、成本效益等信息，汇总统计成本差异值，然后通过正确分析成本差异，为医院的成本控制提供准确可靠的信息，并制定合理的控制措施，达18 第三章医院信息系统的建立到医疗成本控制的目的。根据单病种成本的主要构成，及其变化的主要原因等方面得出单病种成本的影响因素图，如图3-1所示。单病种成本的影响因素住病人病人病人病人病人病人病人院个人住院诊疗检验麻醉诊断治疗时信息信息活动信息手术相关情况间信息信息信息年编号住院次数中药量检验麻醉方式诊断名入院至出院月姓名住院天数西药量项目麻醉师编称诊断诊断正确日年龄住院方式床位的编号编号诊门诊至出院确诊日期诊断正确时性别护理号和手术编号断有效抢救次数术前术后诊血型麻醉量名称手术名称期起始转科断正确职业二次转诊手术时及项切口级别点及诊输液反应婚姻特护间药费目医手术医生断有效输血反应费别药物过敏比例生编编号期结束转归民族再次诊断检验费号手术后的点院内感染比例康复地点图3-1基于医院信息系统(HIS)的单病种成本影响因素3.2数据挖掘在医院成本控制中的应用及要求3.2.1数据挖掘在医院成本控制中的应用医院信息系统(HIS)包含了医院内部管理信息和病人入院、就诊、出院等临床数据的全部信息，但HIS对于如何获取某些数据间的关系，如哪些因素是影响[33]成本差异的关键因素等问题却是无法解决的。可以利用数据挖掘技术从HIS的数据仓库中发现知识或关键信息，进而解决造成单病种成本差异的差异源。19 第三章医院信息系统的建立知识发现(KnowledgeDiscoverybasedonDatabases,KDD)形成于20世纪80年代末期，目前从理论创新到实际应用都已经有了很好的发展。当今较为公认的定义是：KDD是一种从数据集合中辨别出有效的、内在相关联的及最终端可以被接受的模式的高级复杂的处理过程。KDD的高级复杂的处理过程主要包括[34]数据的选择准备、数据的预处理或清理、目标数据的挖掘和数据验证。从KDD的定义中可以得出，数据挖掘是KDD的一个关键环节。数据挖掘技术是以机器学习、统计理论、人工智能等为基础，高度智能化的辨别原始数据集，作出符合逻辑的推理，进而寻找出潜在的表达模式或趋势。随着机器学习技术的不断发展，对于有研究价值和用户需求的数据库，都可以使用数据挖掘技术提取出目的知识。通过数据挖掘技术，医院可以有效的利用庞大的医院数据库，为临床诊断、医院成本控制、管理者决策等提供坚实的依据。目前数据挖掘方法在医疗领域的主要应用有：1)辅助医务人员对患者的诊断---利用数据挖掘技术对病人的历史治疗数据及当前的症状进行数据处理，挖掘出有效的诊断标准。国外不少医院已[35]经利用贝叶斯分类(Bayesianclassification)方法对男女病人的CT图像进行高效的自动识别；2)对病人的不同分类---数据挖掘技术可以把医院的病人细分化，根据历史数据将患者分成具有不同就医需求的不同类别，以提供差异化的服务方案来满足不同类别的病人。例如针对二十岁与四十岁的女患者，可以根据病人的需求提供不同医疗服务。切实可行的病人分类可以对医院的经营及全面的成本控制提供有利的支持；3)采用关联规则中的支持度和可信度来判断前来就诊的糖尿病患者可能患有其他病种的概率是多大；4)预测功能—通过多医院历史数据及当前数据的挖掘可以预测某病种的变换趋、某个阶段某些药材的使用量等。数据挖掘技术只是一种方法或辅助工具，虽然其可以发现一些数据内在的联系，但不能帮现实用户作出决策。它的真正作用是位医院管理者提供作出决策的量化支持。比较成功的数据挖掘需要对待解决的问题有全面的分析，明白其过程，了解数据内涵，才有可能对数据结果作出符合逻辑的解释。3.2.2医院数据库对数据挖掘方法的要求智能技术是利用计算机技术来模拟和延伸人类大脑活动的一种智能行为，具有较强的鲁棒性、良好的容错性及自组织性等优点，可以很好的处理现实中具有非线性、模糊、不完整、不确定等信息的复杂系统。医院的数据仓库是一个涵盖多方面、数量庞大的信息库。要在如此大的信息库中找出所需的目的信息，可能需要耗费很长的时间，所以需要思考从医学信息数据库中挖掘有效信息的效率问题。解决挖掘方法的速度问题可以缩短医院的医20 第三章医院信息系统的建立疗时间及减少医疗成本，对医院的成本控制起到重大作用。还有，医学信息数据库中的信息类型较多，如检查图像、器材使用量、西药费用等，同时有些数据是[36]经常变化的，所以这需要数据挖掘有很好的鲁棒性与容错能力。数据挖掘技术在医学领域中的应用主要是为了给医院管理者提供做出科学决策的理论依据，所以要求数据挖掘最后提供的有效信息必须具有更高的可靠性和准确性。医院的数据处理方面对数据挖掘提出的上述要求，使智能技术更加适应医学信息数据的处理和有效信息的获取。21 第四章基于神经网络的成本差异分析第四章基于神经网络的成本差异分析4.1神经网络方法在成本控制中的应用神经网络是一种模拟和延伸人脑的思维、意识等神经生理功能的系统，现在已被广泛应用到各个领域。神经网络以神经元为基本处理单元，是对生物神经网络的模仿。不同类型的神经元按不同的联接方式构造了复杂的神经网络系统，使其具有自组织能力、鲁棒性和容错能力，在医学数据挖掘中也得到了广泛的应用。例如运用贝叶斯神经网络方法可以找出经常服用某种药物对某种病症的影响或关系；采用组合式的神经网络结构可以对生命危急的病人的心律图进行分类等。根据信息流的方向可以将神经网络分为：前馈式网络、具备反馈功能的前馈网络、全连接式网络等多种。其中BP神经网络(BackPropagation)是采用误差的反向传播、多层级、前向反馈式的网络构架。[37]AvrahamShtub(1993)等人通过实例证明了神经网络在成本估计方面的应[38]用要比其他传统方法优越；胥悦红(2000)等人建立了基于BP神经网络的成本预测模型，并应用到天津无缝钢管厂的产品成本预测中，结果显示其预测精度和[29]模拟效果要比时间序列方法、判别分析更结合实际；刘子先(2006)等人将小波神经网络作为成本预测控制的算法，并结合CUSUM控制图对成本差异进行分析得出控制规律。4.2神经网络方法在在检测均值偏移中的应用[39-40]Chuen-ShengCheng等提出一种检测均值偏移大小的基于过程控制的神经网络方法。在统计过程控制中，控制图用来监控某事件的发生率，如不合格品的发生概率。而这种事件发生概率可以转化成相邻两事件发生的时间间隔的概率。所以检测某事件发生概率可以转化成检测时间间隔的均值的偏移大小。例如假设某事件发生次数符合泊松分布，则其发生的时间间隔x符合指数分布。(4-1)22 第四章基于神经网络的成本差异分析其中均值表示平均每两个事件发生的间隔时间，即表示平均发出两次报警信号的时间间隔。而平均链长ARLs，代表针对给定的所研究的某质量属性，CUSUM控制图从开始直到发出“失控警报”所抽取的平均样本的数目。控制图被广泛应用在制造业与服务业中，累积和控制图(CUSUM)对检测过程平均值的微小的变化更加敏感。其中累积和控制图(CUSUM)的两种常用方法是V型模板和列表法（或表格法），本文使用了优点较多的列表法。随着计算机的应用，列表法应用范围更广，优点更多。本文中的列表法的算法：Cmax{0,xkC}iiHi1(4-2)Cmax{0,kxC}iLii1其中C表示上单侧累积和，用来发现检测过程均值向上的偏移；iC表示下单侧累积和，用来发现检测过程均值向下的偏移。当C或C超过iii判定值H时，可判定该样本点的成本值为失控状态。当某个单侧累积的偏差为负值时，置C或C为0，下一次再重新计算其累积和。iiK表示允偏量（累积和控制图的参考值，需要事先给定），可以通过“序贯概率比检验（SPTR）”来确定。其中本文K的计算公式：011kln()(4-3)100其中表示受控过程下的平均链长（即在受控状态下，平均经过次抽样才发00出一次警报，相当于发出第一类错误的概率，且1/，则越大越小，00所以期望受控下平均链长越小越好）；表示失控过程下的平均链长（即在失控状态下，平均经过次抽样就发出一11次警报，相当于发出第二类错误的概率，且11/，则越小越小，11所以期望失控下平均链长越大越好）。[41]Gan（1994）给出累积和控制图检测指数型变量的均值偏移的一些建议。一般情况下，在利用累积和控制图（CUSUM）时，需要事先确定给定K及判定距H，当Ci超出判定距H时，就会激发控制图发出“警报信号”（失控信号或）。因为参数K及H的确定与ARLs紧密相关，所以这两个参数的选择会影响控制图的性能。一般取H5或6。当今，神经网络方法在控制领域的研究与应用越来越广泛。应用神经网络去分析过程数据的内在联系的原因：1)神经网络有自主学习发现数据间内在联系的23 第四章基于神经网络的成本差异分析能力，而不是事先假设这些数据符合何种概率分布。通过训练后可以处理测试集合并且获得符合期望的输出结果；2)神经网络可以同时处理具有多层关系或者没有关系的输入集和输出集，满足多变量的情况；3)神经网络的输出结果可以通过增加训练集的数量来优化，训练样本越大，输出结果越符合现实情况。下面是神经网络在统计过程中的简单应用：[42]Pugh(1989)提出一种分析过程数据的合成神经网络方法。它的输入集合代表观察变量，一个输出神经元代表过程均值是发生偏移或未发生偏移两种情况。通过发生偏移的样本点数据和未发生偏移的样本点数据来训练神经网络。Pugh通过仿真数据的结果验证了神经网络在检测过程偏移上可以与累积和控制图相媲美。[43]Guo等人提出一种反向传播的神经网络方法，用来对均值和方差的偏移进行分类。结果显示相比与控制图，神经网络方法可以减少40%的分类错误。[44]Simth(1994)通过10个随机数据窗口训练神经网络，然后利用其去检测过程均值和方差的波动。实验数据表明该方法对较大偏移的检出力可以与XR控制图等同；但在微小偏移上，该方法比XR控制图更加敏感。[45]Cheng(1995)通过训练反向传播神经网络去监控过程均值的偏移。结果现实其比累积和控制图更加敏感。[46]Chang等人提出一种模糊神经网络控制图区监控过程均值的偏移。他们的网络结构可以快速对微小偏移进行分类，加快了非随机因素和系统因素的诊断。基于上述分析，试图建立一种比累积和控制图更加敏感的方法—检测均值偏移大小的神经网络方法。可以利用累积和控制图的平均链长的大小来评价神经网络方法与累积和控制图的检测效果。上文已陈述：受控下，平均链长(ARLs)越小越好，因为可减少误发警报的次数；失控下，平均链长(ARLs)越大越好，因为可以及时发现失控信号，即减少失控信号间的发生时间。4.2.1检测均值偏移的神经网络结构的基本理论1神经网络结构的基本知识：1）通过对人脑的模拟构造的人工神经网络是由许多神经元遵循一定的拓扑结构相互连接而组成的；2）每个处理单元或神经元都会收到大量的输入信号，但是由于噪音或每个信号对所研究系统的影响程度不同，需要给每个输入信号X赋予一个权重W，iij因此神经网络的有效或实际输入集合是：IjWijXi(4-4)24 第四章基于神经网络的成本差异分析3）神经网络的输出信号由激活函数来决定，本文使用sigmoid作为激活函数，则输出函数信号：1O(4-5)jIj1e4）每层上的各个神经元之间是无联系的，但每层各个神经元却与相邻层的神经元通过相应的权重W相互连接着。ij2误差反向传播的BP前馈网络：1）该BP结构由三个层级构成：输入层、隐含层及输出层。网络的输入层代表要解决的问题，输出层代表问题的解决方案，二者通过一个映射即激活函数来连接。2）输入集(input)通过神经网络(NN)模型计算出的输出值(output)会与实际值(或目标值target)之间会存在一定的误差，而改变权重系数可以起到减少误差的作用；3）通过网络的反向传播可以不停的修正权重系数，进而起到控制误差在某一定范围里；4）只有当神经网络的输出误差达到某一可接受的水平或者训练达到最大的迭代次数时，修改后的权重W才会别接受。ij本文所使用的反向传播的神经网络结构，如图4-1:25 第四章基于神经网络的成本差异分析1输出层1217隐含层1232输入层分析窗口1分析窗口9移动窗口图4-1神经网络的示意图1）如图4-1所示，该神经网络(NN)模型是由3层构成，其中输入层有32个神经元；2）隐含层包含17个神经元。由于目前没有统一的判断准则，所以在兼顾神经网络学习速度及效果下，并结合仿真数据的验证，选取17个神经元；3）输出层有1个神经元，代表过程均值是否发生偏移：其中当希望能够输出“1”，代表发生偏移，当希望能够输出“-1”，代表没发生偏移；但是由于神经网络(NN)模型的激活函数sigmoid函数的输出范围是[0,1]，所以当输出层的输出超出事先给定的阈值a,则认为均值发生偏移，c模型发出失控信号；4）输入层与隐含层之间由权重W连接着；ij5）该神经网络(NN)模型输入层的样本点是按顺序依次抽取的，其数目称为窗口的大小。4.2.2数据处理1训练数据：为了提高神经网络的性能，它的训练集的要求：1）训练集应当尽可能包含所有过程下的均值偏移，即受控状态下的样本点和失控下的样本点都包括；2）尽可能包含过程均值偏移的每个微小变化，即对于每26 第四章基于神经网络的成本差异分析个值，训练集合有相等数量的训练点；3）训练样本集合的大小，本文选取1500个仿真数据。2训练过程：1）输入层接收输入值，并通过简单的线性变换将其映射到[0,1]之间；2）输出层的输出值如果接近1表示均值偏移加大，接近-1表示均值偏移减小3）训练初始，先对每一层的权重w进行初始化，即赋予[0,1]上的随机数，可ij防止神经网络初始时就限于局部最优解4）神经网络的初始学习速率=0.2（影响权重的改变速度），动量因子=0.4这里要求输入层的数据必须序贯输入，即满足序贯检验;当迭代200次或输出误差满足一定水平即可接受了，则训练停止，即接受当前的权重值。在神经网络NN与累积和控制图CUSUM的结合的方法下，当满足下面的任意个条件，模型就会发出失控信号了：准则1：当神经网络的输出值为a0.661；c准则2：当Ch5.249；iH准则3：Ch4.418iL单独的神经网络NN检测微小偏移时，阈值a0.635。通过数据模拟，对c微小偏移的检测，NN及NN与CUSUM结合（即利用累积和控制图的平均链长来评价检测力）的方法都比单独的CUSUM方法更加敏感。3实例验证：取了40个符合指数分布的模拟数据。基于CUSUM的均值偏移检测结果如表4-1。27 第四章基于神经网络的成本差异分析表4-1基于CUSUM的均值偏移检测结果样本点Xi上单侧累积样本点Xi上单侧累积i编号和si编号和sii13.1361.286211.205020.8460.281220.433030.1320230.532040.1230240.337050.7840250.268060.1270263.3381.44871.4320270.3840.02280.3070281.551092.0180.168293.1141.264101.0510300.3410110.5330314.4592.609121.1420320.7221.481131.0480331.8251.457140.0210341.1230.729150.1360351.5410.421160.8550360.7580170.1140376.3424.492180.2900382.1144.756192.2340392.9345.840201.7430.277400.6414.632其中前32个数据，表示受控过程下的数据；后8个数据，表示失控过程下的数据。表4-1，显示了累积和控制图的上单侧累积和s，其中第39个样本点i的上单侧累积和S5.840，“符合准则2：当Ch5.249”超出了CUSUM39iH的判断值，CUSUM控制图对出失控信号了。表4-2，呈现了神经网络的输出值。依次取了40个样本点：通过大量数据验证，每个窗口大小为32，总共9个窗口最适宜。其中第一个窗口（1-32），第二个窗口（2-33），类似的一直取到第九个窗口（9-40）。28 第四章基于神经网络的成本差异分析表4-2基于CUSUM的均值偏移检测结果移动窗口神经网络输出值1(1-32)0.3112(2-33)0.3713(3-34)0.3544(4-35)0.3895(5-36)0.3336(6-37)0.7397(7-38)0.7848(8-39)0.8109(9-40)0.763表4-2可以看出第37个样本点（第6个窗口），它的神经网络输出值0.739已经超出阈值a0.635，发出失控信号，神经网络得出的结论是：均值偏移量c在增加。4结论1）综上所述可得神经网络方法（NN）可以替代CUSUM控制图来检测微小偏移。2）神经网络的检测效果可以通过仿真数据获得的平均链长（ARLs）大小来评估。3）仿真数据结果显示及证明了对微小偏移的检测，神经网络与累积和控制图结合的方法比单独使用累积和控制图的方法更加敏感。29 第五章基于CUSUM和支持向量机（SVM）的成本差异分析第五章基于CUSUM和支持向量机(SVM)的成本差异分析5.1支持向量机(SVM)5.1.1支持向量机的基本理论支持向量机（SVM）是有严格数学理论，以统计学理论为基础的一种新的机[47]器学习方法，是从寻找最优分类面的情况下发展而来的。最优分类面不仅要求隔离线能将两种或者多种界面准确分离，而且要求分类的间隔最大。而SVM就是通过一定的算法寻找这种最优超平面，使训练集合中的点能够分离的尽量远，或者使分类面的两侧的间隔区域最大化。训练集的各个观察点中，与分类面的距离最近，同时与最优分类面H平行的超平面上的观察点称为支持向量。支[48]持向量机在数据挖掘领域里的应用相当广泛。SVM的分类直观图如图5-1.图5-1分类面直观图1）设训练样本集{i=1,2,3、、、l,}2）高维空间里的超平面：(5-1)对于线性回归，则其相应的指示函数方程为：(5-2)3）本文通过引用了一类新型的不敏感函数损失函数来构造回归支持向量机：(5-3)30 第五章基于CUSUM和支持向量机（SVM）的成本差异分析其中(5-4)4）若对于把回归估计的问题定义为对上式的不敏感损失函数（）进行风险最小化（SRM），则用SVM原理解决回归的问题，可以转化成下列凸规划的最小值问题：(5-5)其中为核函数5）上式的凸规划可以看成是在一个二次规划优化中寻找向量的问题。在多数情况下，训练集的数据集合都是线性不可分的，而SVM就是平衡了最小错分样本和最大的分类间隔。对于一个非线性问题，例如影响单病种成本的因素众多，可以通过核函数将该问题映射到某个高维空间的线性可分问题，在该高维空间里求解最优分类面。[49]通过ZhangLing研究的SVM的支持向量集和核函数K的关系，结果显示针对非线性可分情况，对一个给定的核函数，已给的观察集合中的任意一个观察样本都可以变成一个支持向量。所以说明核函数的选择对于解决具体问题是很重要的。常见的核函数有多项式核函数，样条生成核函数，径向基核函数等。通过上述工作就可以得到SVM回归函数为：(5-6)综上可知，若采用SVM解决线性及非线性回归问题，就需要确定不敏感值，正则化参数C及核函数参数。本文采用了比较通用的径向基核函数RBF:31 第五章基于CUSUM和支持向量机（SVM）的成本差异分析5.1.2支持向量机在数据挖掘领域中的应用鉴于医院的数据挖掘是面向整个庞大的医学信息系统，比一般的数据挖掘更加特殊复杂化，因此对挖掘算法的要求更高。例如能包含多属性的医学信息或数据、挖掘算法的高效性、较强的鲁棒性或泛化能力、分类预测的准确性度较高等[50]特性。支持向量机在数据挖掘中应用广泛，其优势主要在于：支持向量机的运算复杂性与训练集的维数无关，只由几个向量机决定；支持向量机对庞大数据库中的模式分类的正确率要高于神经网络。例如利用SVM分类器对生物学中的基因进[51]行分类、蛋白质二级模式的识别及预测某种细胞运动水平的分布情况等。5.1.3支持向量机的优势机器学习的泛化能力是指其对未来输出的正确预测能力，有时也叫推广能力。而在某些情况下，训练误差太小会导致泛化能力的降低，即产生过学习的问题。BP网络的过学习问题则是由经验风险最小化原则造成的。神经网络的性能优劣过分依赖于训练样本的大小，而由于资金、时间等限制，现实中的样本数据是有限的。SVM可以解决小样本问题，因为它的最优解是基于几个向量机的，而不是数量趋于无穷的样本集。综上，SVM比神经网络的优势在于：1）以结构风险最小化为原则，使SVM有较好的泛化能力或容错能力。克服了神经网络以经验风险最小化原则造成的过学习问题；2）SVM的最优解只由几个向量机决定，与样本大小不成正比，解决了样本高维数的问题。克服了了神经网络过分依赖学习样本的不足；3）SVM通过借助核函数，将待解决的非线性问题映射到高维特征空间里，构造出了线性指示函数；4）支持向量机作为一种新的机器学习算法，将待解决问题转化为凸优化问题，保证获得全局最优的解。解决了BP网络极易陷入局部最优的缺陷；5）支持向量机有着严格的统计学理论及严密的数学基础，有着自动预测的能力。克服了神经网络过分依赖经验知识的缺点。[52]刘静等人在电梯故障诊断中曾用人工神经网络(ANN)与模糊Petri网相结合的方法，来解决模糊Petri网学习能力欠缺的不足，但人工神经网络(ANN)存在着过于依赖训练样本、过学习及易陷入局部极小等问题。而支持向量机(SVM)是一种基于统计理论的、具有严密数学思维的机器学习方法，可以很好的解决小样本、过学习、维数高及局部最小的实际问题。通过建立基于FPN-RSVM的电梯32 第五章基于CUSUM和支持向量机（SVM）的成本差异分析故障诊断模型，使整个诊断系统具备了不断学习新的专家知识，不再是一个黑箱，更具有动态性及透明性。5.1.4支持向量机在成本控制领域中的应用[53]郭宇等人利用支持向量机(SVM)的智能化建立了基于SVM的自动入侵响应的成本决策分析模型，通过实例验证，基于SVM的成本决策模型要比WenKeLee[54]成本决策的平均正确率高出20%；高鹍等人建立基于遗传算法的支持向量机的航空装备维修费用预测模型，通过实例验证，其要比传统费用预测模型更加接近[55]实际，例如比BP神经网络方法等的预测更精准及泛化性能更高；张晓晖等建立的最小二乘支持向量机的电子设备费用智能预测模型，要比多元线性回归方法[56]的预测结果更加准确、真实；周辅疆等人利用粗糙集的约简能力简化维修费用的指标，然后使用支持向量机的回归预测能力对维修费用进行自动预测，实验结果表明SVM的预测值跟实际值很接近，预测效果迅速、误差小。5.2基于CUSUM与支持向量机在成本差异分析单病种付费制度是指医院根据单纯性疾病的病种与病情程度制定该单病种的诊断流程和分类标准，通过统计分析实际治疗的成本，之后按照此标准成本对医院进行预支付。若实际成本超出该标准则超出额由医院承担，反之则为医院利润。这种新型付费模式是对传统按诊疗项目付费模式的一种有力的挑战。客观地讲，成本控制过程类似于质量控制过程。成本控制过程，即是事先制定标准成本或目标成本，对成本产生过程中的一切受控下的消耗，进行精确严格的核算、调节和监控，寻找偏差，及时纠错，确保目标成本的实现。但在实际的生产及经营过程中，实际成本可能会和标准成本发生差异，决策者需要确定成本差异的偏差程度及重要性，以便分析差异原因，进而提出调整、纠错措施。所以可应用质量控制图方法来分析成本差异。利用控制图对单病种成本的实时监控，可直观发现有异常趋势的样本点，及早发现因系统性原因造成的成本差异，可采取措施予以消除以保证单病种治疗质量与成本达标。如例如上文中已经指出有研究者采用单值控制图的方法来分析抽样周期较短的单纯性病种案例的抽样点的成本差异值，以及应用均值控制图的方法来分析确定抽样周期较长的单病种成本状态是否处于可控状态。但这些常规控制图是以孤立的一次观测结果为依据的，它对大偏移的检出力极高，对小偏移的检出力却极低。休哈特控制图的方法仅利用单个时期的数据来判断过程均值的偏移幅度，休哈特控制图对微小偏移并不敏33 第五章基于CUSUM和支持向量机（SVM）的成本差异分析感，当成本差异小于1.5时,其控制效果并不理想，并且休哈特控制图会导致过高的虚发警报。鉴于此，Page在序贯分析的基础上提出了累积和控制图思想，其对过程异常有更高的灵敏度，从而显示出其优越性。而且在第二章节中提出如果在研究对象的从可控到不可控的时间几何分布不确定的情况下，利用累积和控制图(CUSUM)方法的成本差异控制模型更加有效。因此我们可以通过累积和控制图来分析研究对象的成本差异值。累积和控制图通过对先前观察信息的微小偏移的累积，更加灵敏的判断出过程的失控或受控状态，达到对成本差异值更加敏感的效果。在系统由受控到失控的时间几何分布不明确的情况之下，借助累积和控制图方法来研究成本差异控制的模型更加合理。CUSUM控制图在成本差异分析领域的应用取得了良好的效果，但在应用控制图时要需要考虑样本大小、子样本容量、抽样的随机性、过程的调整、不可避免的两种错误类型等限制因素，其对非连续性的异常波动的效果并不好，且应用累积和控制图时，当累积值超过控制上下限时才可发出预警报告，同时统计质量[57]控制图对复杂数据无法有效的进行信息的智能分析和内部规律总结，利用CUSUM控制图来监测成本均值偏移的效果有待进一步提高。因此本文提出一种在监控单病种成本均值偏移更加敏感、智能化的方法-基于支持向量机(SVM)的单病种成本差异分析模型。支持向量机具有非线性、智能性、信息融合分析能力和较强泛化能力，通过训练可挖掘总结出复杂数据的潜在逻辑关系，输出较为理[58]想的预测分类信息。通过后文的实例分析得出该方法比累积和控制图更加客观地、及时地发现有失控趋势的样本点。支持向量机发出失控信号后，本文通过分析单病种成本影响因素图寻找不利差异来源，将差异分析信息及时反馈给医务人员，并采取相应措施消除可控的不利因素使单病种成本保持在仅受偶然性因素影响的可控状态下。第四章通过仿真结果显示，在监控过程均值的微小偏移方面，神经网络方法比累积和控制图更加敏感。但神经网络结构的设计过分依赖人的经验知识、易陷入局部最优及结果的优劣与训练样本大小有关等。支持向量机(supportvectormachines，SVM)是一种基于严密的数学理论，以统计学为基础的智能学习方法,可快速准确的对所研究数据集进行预测分类。SVM拓展了从归纳到演绎的转化过程，实现了从训练集合到预测集合的快速“转导推理”，大幅度的优化了之前的[59]分类和回归过程。本论文利用SVM分析单病种成本差异的原因：一般的统计过程需要收集大量的样本点，而SVM因其计算的复杂性取决于支持向量机的数目，与样本大小不成正比；结构风险最小化原则(SRM)保证SVM具有良好的泛化能力或容错能力，在无需事先假定观察变量符合何种分布的情况下，可以挖掘出数据间的内在34 第五章基于CUSUM和支持向量机（SVM）的成本差异分析联系；SVM通过借助核函数，将待解决的非线性问题映射到高维特征空间里，构造出了线性指示函数，将原问题转化为凸优化问题，保证获得的解是全局最优的。目前，SVM被广泛应用在数据挖掘、语音识别、人脸检测、图像识别、文[60]本分类等领域。RiberiroB采用支持向量机(SVM)方法，对制造过程中的产品[61]质量的异常状况进行监控及预测。赵方方等人为了实现规模定制下的工序质量的实时诊断及事前控制，建立了基于SVM的控制图模式识别模型，借助支持向量机的分类能力，对控制图的受控模式和失效模式进行智能化识别，通过仿真结果表明了该模型具有高识别率及较高的准确性。本文支持向量机的基本分类过程：首先利用非线性变换把单病种成本差异分析问题的线性不可分空间转换到一个高维的特征空间里，使其变得线性可分；然后在该高维空间里寻找最优的分类面，把重要差异与不重要差异的单病种成本样本点分开。如图5-2所示。输出向量1k(x,x)核函数i输入向量1218图5-2支持向量机（SVM）结构图对于训练样本集(xi,yi)，用于高维空间里的超平面：xb0(5-8)k(x,x)借助核函数i将输入向量映射到高维特征空间，得出SVM分类函数nf(x)sign(iyik(x,xi)b)i1(5-9)其中i是拉格朗日系数，b是偏值。由于把SVM算法转化成一个凸优化问题，[62]所以局部最优解一定是全局最优解，防止了过度学习，克服了神经网络易陷入局部最优的问题。35 第五章基于CUSUM和支持向量机（SVM）的成本差异分析针对单病种成本差异分析的非线性可分情况，核函数的选择对于该问题的解决很重要。目前经常使用的核函数有样条生成核函数，多项式核函数，径向基核函数等。本文采用了比较通用的径向基核函数，即RBF:2xxik(x,x)exp()，其有较宽的收敛域，针对低维、高维或大样本、小i22样本等情况，其均适合。针对本文的小样本，其是较理想的核函数。5.2.1基于CUSUM和SVM的成本差异分析模型的运行步骤1)支持向量机(SVM)的输入集代表某单病种病人的医疗成本值，输出集代表其均值发生偏移或未发生偏移，将发生偏移的记为-1，反之为+1。即SVM输出-1，则代表该样本点处于失控趋势或失控状态下，SVM系统将会发出失控信号。2)首先调研被测对象的历史数据X，构造训练集(trnX,trnY)。由于支持向量机的学习过程不依赖于样本的分布，可以直接应用到稀疏训练集中。为保证数据的可靠性和通用性,在选取训练集数据时应该包含受控下的样本点和失控下的样本点。本文从某医院某季度按顺序抽取500个历史数据作为训练样本，按照医院相关专家一致赞成的判定原则“当差异超出标准的10%时，就判定为失控点”，其中481个数据作为受控样本点，其余19个作为失控样本点。3)选取合适的参数及核函数。根据上述分析，本文选择径向基核函数。n*4)计算(ii)xi；i1n5)获得超平面f(x)sign(iyik(x,xi)b)；i16)通过上述训练使SVM获得了历史数据间潜在的联系，在结构风险最小化下再对测试集合进行有效、客观的预测分类。7)通过Minitab软件对测试数据进行正态性检验，若结果显示P>0.05,表明其符合正态分布；若结果显示P<0.05,表明其不符合正态分布，此时可用Box-Cox变换(B)算法把数据转换成符合正态形式的。然后根据CUSUM控制图的分析结果，计算出单病种成本差异值的上线单侧累积和C,C，若其超过ii了判断定距h，则判断该成本差异处于失控状态。8)通过步骤6）与7）计算结果，进行比较验证。运行流程如图3所示。36 第五章基于CUSUM和支持向量机（SVM）的成本差异分析图5-3基于CUSUM和SVM的单病种成本差异分析模型的流程图5.2.2模型在单纯性病种成本控制中的应用及分析5.2.2.1数据实现本文通过分析医院信息系统(HIS)病案首页信息以获得某病例的质量分析、费用结构、成本效益等信息，汇总统计成本差异值，然后通过正确分析成本差异，为医院的成本控制提供准确可靠的信息，并制定合理的控制措施，达到医疗成本控制的目的。根据单病种选择的主要依据：疾病发生次数较多，如日常发生的疾病或多发病；诊断明确，质疗效果比较明显的病种、不易发生并发症等，本文选择单纯性阑尾炎病例为研究实例，调研了某医院某季节的单纯性阑尾炎的病人信息资料.按照上述步骤对支持向量机(SVM)训练完毕后，因SVM的计算复杂性取决于支持向量机的数目，与样本大小无关，按时间贯序选取了25组测试数据，如表1。通过取多个测试集进行实验，结果显示SVM的移动窗口数选择18是合理的，移动窗口选择太大会引起机器的处理时间过长。根据以往统计分析，均值06.2千元，0.55，取H550.552.75,K0.50.275，借助Minitab软件得出表1相应数据。本文利用SVM工具箱及Matlab_7.10软件的编程，按照1.3的运行步骤对SVM进行训练学习，之后对测试集合做出预测分类如表5-1.37 第五章基于CUSUM和支持向量机（SVM）的成本差异分析表5-1CUSUM的成本差异分析表病人编号总成本/千元上单侧累积和c下单侧累积和cii15.9840.0000.00026.0920.0000.00036.4970.0000.00047.4150.9620.00056.2350.7220.00066.0900.3370.00076.2000.0000.00085.9080.0000.00096.0040.0000.000107.0480.5730.000115.6990.0000.226125.2780.0000.873135.9220.0000.876146.3060.0000.495156.9900.5150.000166.3330.3730.000176.3890.2870.000186.4150.2270.000195.7410.0000.184206.4670.0000.000216.4980.0000.000227.2190.7670.000237.1491.4410.000247.3282.2940.000257.0452.8640.00038 第五章基于CUSUM和支持向量机（SVM）的成本差异分析表5-2SVM的成本差异分析表SVM输入集SVM输出集1[1,18]12[2,19]13[3,20]14[4,21]15[5,22]16[6,23]-17[7,24]-18[8,25]-15.2.2.2结果分析表5-1给出25组数据的上、下单侧累积和C,C的计算结果。可以看出第25个样本点的上单侧累积和C252.864超出了判定值H2.75,表明其均值发生了重要偏离，CUSUM控制图对其发出“报警信号”。表5-2给出SVM的预测分类结果，其中测试集的第6个窗口就己发出失控信号，表明从第23个样本开始已经出现失控趋势，此时应立即将该警示信息反馈给医务人员，及时控制失控趋势。表5-1与表5-2表明了单病种成本值在出现重要差异之前，短期内会发生一定的失控趋势，但是CUSUM控制图却无法及时预报。综上验证了支持向量机(SVM)方法比CUSUM控制图对均值的微小偏移更加敏感，更加及时发现有失控趋势或失控的样本点。通过将这些重要成本差异信息，及时反馈给医院管理者，然后结合具体情况及基于医院信息系统(HIS)的单病种成本影响因素，寻找差异原因，制定出相应对策，以及时消除这些可控差异。其中寻找差异原因时，应该主要分析影响单病种成本的可控因素，如对成本值影响较大、可查明、可以消除的抗生素用量、住院天数、麻醉使用量等。5.2.2.3结论单病种付费制度增强了医院的成本控制意识，有利于医院加强成本核算能力。成本差异分析是成本控制过程的核心，也是成本管理的重要决策支持工具，其分析的有效性影响了成本控制过程的成功与否。本文通过实例分析证实了在检测成本均值的微小偏移方面，利用支持向量机(SVM)的单病种成本差异分析模型比CUSUM控制图模型更加敏感，有助于医务人员及时警惕有失控趋势的样本点，39 第五章基于CUSUM和支持向量机（SVM）的成本差异分析进而证明了该方法的可行性和有效性。本文通过分析单病种成本结构进行差异源的诊断，采取相应措施消除系统性因素，使单病种成本保持在仅受偶然性因素的可控状态下，达到控制单病种成本的目的。支持向量机(SVM)的最优解取决于少数的支持向量机，所以本文模型可对小样本进行研究，减少了信息搜集成本和推行成本，有效降低医院的管理成本，从而有力地推动医院各方面工作的开展，逐渐增强医院的综合经营能力。鉴于成本差异分析在成本控制中的重要性，及影响单病种成本的不确定因素增加，本文利用支持向量机的智能化单病种成本差异分析模型具有更高的准确性、适应性，有助于医院成本控制的实时化、客观化。随着智能算法的大力推广及医院的信息化系统的建设，智能化的成本差异分析模型将会得到更广阔的应用。5.3利用粗糙集(RS)约简理论寻找差异源5.3.1粗糙集(RS)的属性约简在成本差异分析模型中的应用影响单病种成本的因素众多，如定量或定性因素，可控或不可控因素，系统或随机因素等，但其中一些因素是相关联或冗余的，若在建立模型时都予以考虑，不仅增加信息收集成本，还降低模型的分类精度与速度。所以，在解决单病种成本差异分析问题前，首先要对不同的成本因素（或属性）进行约简处理。[63]粗糙集（roughsets,RS）理论是由波兰科学家Z.Pawlak教授在1982年提出的，随着深入的研究RS理论已广泛应用于知识获取、机器学习、知识发现及人工智能等领域。RS理论是一种新的处理模糊、不确定性信息的有效数学工具，对属性的约简是RS理论研究的核心。约简，就是是在保证知识库分类能力不变的情况下，剔除知识库中的不相关或不重要的冗余信息，得到最小条件属性集，简化其决策表,导出问题的决策或分类规则。本文借鉴RS可以很好的处理大量不完整或不准确的冗余信息的约简能力来优化影响单病种成本的众多因素。其中约简与核是RS的两个最重要的概念。设R是近视空间中等价关系的一个族集，关系rR,如果ind(R)=ind(R-{r}),那么关系r在族集R中可缺的或不必要的，否则不可缺或必要的；如果R中每个关系都是不可缺的，那么关系族R独立，否则R关系族相互影响。针对有互相依赖关系的族集，其内部里有冗余关系的存在，需要进行约简。可见关系（或属性）r对描述研究样本的特性没有较大的影响，可以称为冗余特性或关系。把冗余特性去掉后不会影响到研究样本的特性的描述，所以可以利用这一特性进行知识简约，从海里信息中获取有价值的特性，约简了处理过程。这样减少了各因素之间40 第五章基于CUSUM和支持向量机（SVM）的成本差异分析的重叠，起到了降维作用。P是某单病种的论域，R是影响某单病种成本的属性集合，属性r即使各个成本因素，如性别、年龄、住院时间、药费比等。设QP是独立的，并且ind(Q)ind(P),则称Q是P的一个约简，记为red(P)。red(P)表示P的所有约简，显然P有多个约简，在P中所有不可缺的关系集合称为P的核，记为core(P)，其中core(P)red(P)。通过RS约简处理后得到的约简集是的最[64]小子集。若对某个病人的成本差异进行分析，则依据RS的约简集合，即利用RS约简理论，在保证分类能力不变的情况下，剔除影响单病种的众多成本因素中的不相关或不重要的冗余因素，得到最能影响单病种成本的关键因素，即最小条件属性集，简化了其决策表,利用不可分辨关系和等价类获得该问题的近似解。从历史[65-66]数据中挖掘信息，快速有效找到重要的差异来源，然后实施例外原则消除这些不利差异。因此通过约简集进行差异分析，有利于降低调查成本。5.3.2差异源的追溯单病种成本受多种因素影响，大致将其分为不可控因素与可控因素。不可控因素是随机的、不可避免的，对成本值的影响微小，例如病人的年龄、医院感染、病房温度变化、职业、医务人员精神不佳等，可看成背景噪声不予花费时间与资金去研究分析；可控因素是可查明的、可以消除的，对成本值影响较大的，例如抗生素用量、住院天数、手术时间、麻醉量、药品比例等，根据实际情况可涉及到住院、诊断、检查、护理等环节，是成本差异分析的重点。图3-1基于医院信息系统的单病种成本的影响因素。通过医院信息系统(HIS)的单病种成本影响因素图3-1，影响单病种的因素众多。本文经调研分析选取床位、放射、护理、检查、检验、麻醉、其他、手术、输血、输氧、西药、诊疗、中草、中成等十几种因素作为条件属性，但其对成本影响程度并不相同，所以首先采用RS进行属性约简，掉冗余的成本因素，得到最小条件属性集，即约简集,获得了最能决定单病种成本的关键因素，寻找差异原因，并制定相应对策，以及时消除这些可控差异。由于支持向量机的智能化，有助于医务人员实现动态医疗流程的成本监控，使单病种成本达到可控的状态。首先用ROSETTA软件对原始成本数据采用等距离划分算法进行离散，结果如下表5-3。41 第五章基于CUSUM和支持向量机（SVM）的成本差异分析表5-3RS的离散结果病人床放护检检麻陪其手输西诊中编号位射理查验醉床他术氧药疗成总成本12000200000000218420000100000000179233012210210320749740010100001000141552211210310230623562033033312330869071022320110120524382233231313230790890111012210210690410111111021032070481133103001023131314912330320010131193281323222202101305699143032120210030527815102302011001039221622010000002005306173231310310320999018213302021012253331911223201101305389203222310210111541521103111031022068852203033000002106686230110100100000270324102201031012049592500000000000001605260100200000202372142 第五章基于CUSUM和支持向量机（SVM）的成本差异分析然后使用遗传算法（GA）约简后得到约简结果如表5-4。表5-4RS约简集合ReductSupportLength1{检查,检验,诊疗}10032{床位,检查,诊疗}10033{检查,其他,西药}10034{检验,麻醉,西药}10035{放射,护理,西药}1003约简集合={检查，检验，诊疗}，则差异源的调查可通过对RS约简后的检查、检验、诊疗这3个关键工序进行重点分析，从数据中挖掘信息，继而找到造成成本差异的主要原因。43 第六章总结及展望第六章总结及展望医疗机构为了在竞争激烈的市场环境中立于不败之地，加强医院成本控制变成一项迫在眉睫的事宜。伴随着我国的市场经济体制的逐渐完善，各医疗机构间的竞争也愈发激烈，因此在保证医疗质量的前提下，可以通过加强医院的成本控制意识，完善优化成本核算机制等措施来提高医院自身的竞争优势。成本差异的分析是成本控制过程中的核心环节，对成本差异的实时监控及对重要差异的有效控制是当代成本控制工作的重要组成部分。先前的针对关于成本差异研究的文章主要集中于统计分析、控制图理论、动态规划理论等领域，上述模型大都需要很多的假设参数，模型运行时间较长，耗费的人力财力较大，在讲求效率的当下，其实践效果不佳。而且目前企业的成本会计体系大都处于事后控制类型，没有实时动态监控的作用，不能及时反馈差异信息。上述因素都影响了传统成本差异模型的实践应用性。单病种成本差异分析是医院成本管理中的重要决策支持工具，是医院成本控制过程的核心。CUSUM控制图可用来监测均值的偏移。在单病种成本值发生重大差异前，短期内会发生一定失控趋势，CUSUM控制图却不能及时发出失控信号。本文针对针对成本差异分析中存在的问题，本文提出基于支持向量机(SVM)的智能化单病种成本差异分析模型。首先利用支持向量机(SVM)自身良好的泛化能力经过训练后获得复杂数据间的内在规律，然后对测试样本点进行有效的预测分类。文末选取单纯性阑尾炎病人进行了实例分析，并将此模型与CUSUM控制图方法作比较，结果显示了该模型比CUSUM控制图更加敏感，进而证明该模型对医院成本控制实现客观化、自动化具有深远影响。基于智能算法的成本控制模型可以及时有效的监控单病种成本差异的状况，有益于医疗机构降低自身的管理成本。本文将智能机器学习理论中的支持向量机(SVM)技术应用于成本差异分析模型中。该方法克服了以前的成本差异模型的一些人为假设及模型的复杂性、难应用性。当决策者面对一个成本差异时，要么什么不做，要么去调查差异来源，可以用SVM的二分类模型去求解。随着信息化技术的快速发展，各行各业都已经意识到企业信息化建设的重要性及急迫性。在竞争激烈的医疗市场中，各个医疗机构也需要加强自身信息化的建设，利用网络的快速传输，各个流程节点都可以及时接受或者反馈差异信息。但是针对医院的各种医学信息除了包含纯粹数据值（例如体检结果、西药用药量等），还包括一些非数值的信息，例如体检图像（例如CT图，B超），检44 第六章总结及展望验设备信号（例如脑电波等各种波信号）的问题，本模型针对这些非数值的数据的处理可能仍需要进一步的转换。通过分析，这些非数值的信息可以借助模式识别工具来进行有效数据的挖掘。模式识别方法主要是通过对输入图像（如脑电图、心电图等）、各种符号、文字（如病人的患病程度、医务人员的诊断情况）等的辨认、处理、分析等过程，以对输入集合进行描述、识别、分类等操作。有些学者为了实现规模定制下的工序质量的实时监控及事前的控制，建立了基于SVM的控制图模式识别模型，借助支持向量机的精确的分类能力，对控制图的受控模式和失效模式进行智能化辨析，通过仿真结果验证了该模型具有高识别率及较高的精准度。我们也可以将支持向量机、小波分析、模式识别理论等结合在一起，精确有效的识别出趋势信号、阶跃信号及周期信号。鉴于医学数据挖掘的对象的多元化、特殊性，影响单病种成本因素的复杂性，更加准确的医学数据的挖掘需要各种方法如神经网络、模糊理论、遗传算法及支持向量机等软算法的密切结合来实现。45 参考文献参考文献[1]张培林,朱秀秀,颜维华,等.建国以来我国医院成本控制发展历史[J].重庆医学,2009,38(1):34-35.[2]李军山,江可申,陈和利.社会医疗保险付费方式的博弈分析[J].系统工程理论与实践,2008,(11):36-42.[3]张毅,高居忠.我院实施成本核算的动因与演进[J].中华医院管理杂志,2001,17(11):651-652.[4]赵兴吉,李辉,艾思奇,等.国外医院成本控制研究概况[J].重庆医学2009,38(1):6-7.[5]官波.美国医保DRG支付方式对我国医保支付方式选择的启示[J].卫生软科学,2004,18(62):83-286.[6]曾波涛,许婷婷,陈晓,曹永福,万得志.临床路径在单病种质量和费用管理中的应用[J].中国医院菅理,2006,26(7):40-42.[7]郑大喜,肖亚琴.新形势下公立医院推行按病种付费方式改革的难点及其突破[J].医学与社会,2011,24(1):16-18.[8]戴伟,马鸣,姚岚,等.单病种定额付费中定额标准制定的理论研究[J].中国卫生经济,2007,26(8):59-60.[9]李明,王藩,赵文蓬,等.前列腺增生钬激光剜除术临床路径与单病种成本控制管理研究与实践[J].中国医院管理,2009,29(5):15-18.[10]王藩.我国单病种付费制度研究与实践效果分析[J].卫生经济研究,2009(6):37-38.[11]刘晓敏,邓为民,刘其智.作业成本管理中的差异分析[J].管理评论,2005,17(2):27-32.[12]韩伟,齐二石,李钢.成本差异分析与成本动因分析的比较研究[J].工业工程,2001,4(4):25-28.[13]Bierman,H.andT.Dyckman.AndL.E.Fouraker,etc.AUseofProbabilityandStatsticsinPerformanceEvaluation[J].theAccountingReview,1961,36(3):409-417.[14]Luh,F.,ControlledCost:AnOperationalConceptandStatisticalApproachtoStandardCosting[J].theAccountingReviewXLIII,1968,43(1).123-132.46 参考文献[15]Kaplan,R.S.OptimalInvestigationStrategieswithImperfectInformation[J].JournalofAccountingResearch,1969,7(1)32-43.[16]AMIHUDD,MORDECHAIIH.TheValueofMultipleTestinginCostVarianceInvestigation[J].ManagementAccountingResearch,1993,4(3):217-229.[17]王平心,曹玉俊.利润、销售、成本差异系统分析[J].西安交通大学学报，1998,32(4):67-70.[18]Magee,RobertP.AnSimulationAnalysisofAlternativeCostVarianceModels[J].AccountingReview,1976,51(3):529-544.[19]T.OZAN,T.Dyckman.Anormativemodelforinvestigationdecisionsinvolvingmultiorigincostvariance[J].JournalofAccountingResearch,1971,9(1):88-115.[20]AndredeKorvin,JerryStrawser,PhilipH.Siegel.Anapplicationofcontrolsystemtocostvarianceanalysis[J].ManagerialFinance,1995,21(3):17-35.[21]B.W.Voss,PascalG.P,LouJ.H.Cost-VarianceanalysisbyDRGs:atechniqueforclinicalbudgetanalysis[J].1997,39(2):153.[22]张爱文,冯玉芳.成本差异调查模型[J].山西统计,1996,7,28-31．[23]王前洪,张宇.累积和控制图与传统控制图同时监控过程均值[J].2006,135(2):4-7.[24]Probst,F.R.ProbabilisticCostControls:ABehavioralDimension[J].AccountingReview,1971,46(1):113-118.[25]石冰河,胡德奎,董军等.病种费用控制图的分析与研究[J].中华医院管理杂志.2001,17(9):532-534.[26]FredricH.Jacobs.Anevaluationoftheeffectivenessofsomecostvarianceinvestigationmodels[J].AccountingResearch,1978,16(1):190-203.[27]PageES.Continuousinspecionschemes[J].Biometrika,1954,41(1-2):100-115.[28]Taylor,HowadeM.TheEconomicDesignofCumulativeSumControlChartsforVaribles[J].Technometrics,1968,10(3),479-488.[29]刘子先,武立伟,姬升启.一种面向成本预测控制的方法研究[J].系统工程学报,2006,21(6):559-662.[30]李玉荣.浅论医院信息系统的应用和发展[J].中国中医药现代远程教育,2011,9(16):111-112.[31]迟宝兰,李包罗,张青,等.现代医院信息系统的设计研究[J].中国医院管理,1998,18(1):46.47 参考文献[32]屈景辉,廖琪梅,许卫中.医学信息数据库的建立与数据挖掘[J].第四军医大学学报,2001,22(1):88-89.[33]张研.数据挖掘技术在医学领域中的应用[J].医学信息,2011,24(9):35-35.[34]苏旸,王法能,张敏情.计算智能方法在KDD系统中的应用与研究[J].计算机工程与应用,2002,03:141-143.[35]SachaJP,GoodendayLS,CiosKJ.BayesianlearningforcardiacSPECTimageinterpretation[J].ArtifIntellMed,2002,26(12):109-143.[36]朱凌云,吴宝明.医学数据挖掘的技术、方法及应用[J].生物医学工程学杂志.2003,20(3):559-562.[37]AvrahamShtub;YoavZimerman.Aneural-network-basedapproachforestimatingthecostofassemblysystems[J].InternationalJournalofProductionEconomics,1993,32(2):189-207.[38]胥悦红,顾培亮.基于BP神经网络的产品成本预测[J].管理学报,2000,14(4):61-64.[39]Chuen-ShengCheng.Sheng-Su-Cheng.Aneuralnetwork-basedprocedureforthemonitoringofexponentialmean[J].ComputerandIndustrialEngineering,2001,40:309-321.[40]Lucas,J.M.Crosier,R.B.FastinitialresponseforCUSUMquality-controlschemes:giveyourCUSUMaheadstart.Techonmetric,24,199-205.[41]Gan,F.F.DesignofoptimalexponentialCUSUMcontrolcharts[J].JournalofOualityTechnology,1994,26(2):109-124.[42]Pugh,G.A.Syntheticneuralnetworksforprocesscontrol[J].ComputersandIndustrialEngineering,1989,21:24-26.[43]Guo,Y&Drosier,R.B.FastinitialresponseforCUSUMquality-controlschemes:giveyourCUSUMaheadstart[J].Technometrics,1992,24:199-205.[44]Smith,A,E.X-barandRcontrolchartinterpretationusingneuralcomputing[J].InternationalJournalofProductionResearch,1994,32:309-320.[45]Cheng,C.S.Amulti-layerneuralnetworkmodelfordetectingchangesintheprocessmean.ComputersandIndustrialEngineering.1995,28(1):51-61.[46]Chang,S.I.&Aw,C.A.Aneuralfuzzycontrolchartfordetectingandclassifyingprocessmeanshifts.InternalJournalofProductionResearch,34,2265-2278.[47]杨云飞,鲍玉昆,胡忠义,等.基于EMD和SVMs的原油价格预测方法[J].管理学报,2010,7(12):1884-1889.48 参考文献[48]邓乃扬,田英杰.数据挖掘中的新方法-支持向量机[M].北京:科学出版社,2004,369-379.[49]ZhangLing,ZhangBo.RelationbetweensupportvectorsetandkernelfunctioninSVM[J].JournalofComputerScienceandTechnology,2002,17(5):549.[50]ChenPeijun,WangGuoyin,YangYongetal.FacialexpressionrecognitionbasedonroughsettheoryandSVM[J].LectureNotesinComputerScience,2006,4062：772-777[51]YaoPing,LuYongheng.NeighborhoodroughsetandSVMbasedhybridcreditscoringclassifier[J].ExpertSystemswithApplications,2011,38(9)：11300-11304.[52]刘敬,刘文静.基于FPN-RSVM的电梯故障诊断方法[J].微处理机,2008,3:142-145.[53]郭宇,孙敏.基于SVM成本决策分析模型的入侵相应研究[J].计算机应用,2007,27(11):2704-2706.[54]高鹍,孙德翔,邢国平,等.基于遗传算法优化支持向量机的航空装备维修费用预测[J].兵工自动化,2011,30(9):24-28.[55]张晓晖,朱家元,张恒喜.基于LS-SVM的小样本费用智能预测[J].计算机工程与应用,2004,27(02):203-214.[56]周辅疆,田伟峰,朱小冬.RS-SVM在装备维修费用预测中的应用[J].计算机工程与应用,2010,46(31):222-224.[57]李赣平.基于智能计算的过程控制与优化若干研究[D].上海交通大学博士学位论文,2007.[58]余建波.基于智能学习模型的制造过程质量控制理论与方法论研究[D].上海交通大学博士学位论文,2009.[59]李正欣,赵林度.基于SMOTEBoost的非均衡数据集SVM分类器[J].系统工程,2008,26(5):116-119.[60]RiberiroB.Supportvectormachinesforqualitymonitoringinaplasticinjectionmoldingprocess.IEEETransactionOnSystemsMan,AndCybernetics-PartC:ApplicationsandReview,2005,35(3):401-410.[61]赵方方,何桢.基于SVM的控制图模式识别方法研究[J],设计与研究,2009,(8):01-04.[62]王波,刘勇奎,郝艳友.基于粗集和SVM的客户抵押贷款违约评估[J].计算机工程与应用,2008,44(9):229-232.[63]PawlakZ.RoughSets[J].InternationalJournalofInformationandComputerScience,1982,11(5):341-356.49 参考文献[64]丁斌,陈殿龙.基于粗糙集与FAHP-FCE的地方政府应急物流预案评价[J].系统工程,2009,27(4):7-11.[65]史成东,陈菊花,胡健.基于粗糙集和神经网络的供应链绩效预测研究[J].计算机工程应用,2007,43(33):203-206.[66]张建明,曾建武.基于粗糙集的支持向量机故障诊断.清华大学学报(自然科学版).2007,47(S2):1774-1777.50 发表论文和参加科研情况说明发表论文和参加科研情况说明发表论文：1.刘子先,邹刘霞.基于CUSUM和SVM的单病种成本差异分析[J].工业工程与管理,已录用.2.徐靖,刘子先,邹刘霞,李娅访.基于KDD的单病种成本估计方法研究[J],系统管理学报,已录用.参加科研情况：国家自然科学基金面上项目：面向DRG的广义医疗服务成本控制模式与关键技术研究(70871086)51 致谢致谢在即将毕业的时刻，我衷心的感谢导师刘子先教授对我的谆谆教导。从论文的选题开始，刘老师就已经开始悉心指导了。在两年多的时间，刘老师在学业及生活上给予了无微不至的照顾与关心。刘老师不仅有严谨的治学态度及敏锐的科研思维，在生活上也对同学细心教导与关心。刘老师在学业与做人做事对我们的谆谆教导让我受益匪浅。在此再次衷心的感谢刘老师对我们的关爱，衷心祝福刘老师万事如意。还有，本论文的顺利完成还获得了实验室师兄徐靖及师姐赵元芝等师兄师姐的鼎力相助，让我论文思路更加清晰、具有逻辑性。在论文的撰写期间，我向师兄师姐请教了很多学术问题并给与了我很多有用的资料，弥补了自己在医院成本管理方面的知识的欠缺。同时也要感谢舍友对我的支持，有了你们的支持，我的研究生生活变的更加的快乐充实，谢谢你们在科研上给我的一些建议，让我更加意识到科研的严谨性，祝你们都能找到满意合适的工作。我更要感谢在一直身后默默支持我的爸爸妈妈，是你们高尚的品德及时刻的激励，才让我有幸在那么优秀的天津大学管理学院就读研究生。我很欣慰我没有让你们失望，因为我在天大有那么多优秀的老师指导，有那么多快乐的同学相伴，还有美丽的校园环绕。所以，请你们放心，我在天大过的很充实很快乐。祝爸爸妈妈永远幸福健康。同时衷心感谢学院老师对本论文的评阅与指导，祝老师们工作顺利，万事如意！52