劉拓 俞鋮航 黃烈雨

問卷調(diào)查是開展衛(wèi)生健康標(biāo)準(zhǔn)研究的主要方法之一。既往衛(wèi)生健康標(biāo)準(zhǔn)研究中，問卷調(diào)查數(shù)據(jù)的統(tǒng)計分析多采用描述性統(tǒng)計分析，對于調(diào)查對象選擇問卷中各題目選項之間的關(guān)聯(lián)關(guān)系關(guān)注較少。既往研究表明，關(guān)聯(lián)規(guī)則（association rules）可以從大量數(shù)據(jù)中挖掘各屬性指標(biāo)或指標(biāo)組合之間的隱藏關(guān)聯(lián)關(guān)系，從而為優(yōu)化管理提供技術(shù)線索；而Apriori算法是其中最為常用的算法之一[1-5]。R語言作為一種免費的開源性數(shù)據(jù)分析工具，已有大量優(yōu)秀的包（package），可以適用于多種場景和統(tǒng)計功能，且更加適合當(dāng)前知識產(chǎn)權(quán)保護意識及軟件正版化逐漸增強科研環(huán)境[6]。本研究擬以某次職業(yè)病診斷標(biāo)準(zhǔn)應(yīng)用情況調(diào)查數(shù)據(jù)為例，歸納Apriori算法在衛(wèi)生健康標(biāo)準(zhǔn)問卷調(diào)查數(shù)據(jù)中的應(yīng)用方法、注意事項及R語言實現(xiàn)方法，為進一步完善衛(wèi)生健康標(biāo)準(zhǔn)問卷調(diào)查數(shù)據(jù)挖掘方法體系提供參考。

1 資料與方法

1.1 數(shù)據(jù)來源

以課題組利用自制問卷，于2019年5—9月在全國范圍開展的職業(yè)病診斷標(biāo)準(zhǔn)應(yīng)用情況調(diào)查數(shù)據(jù)為例。該數(shù)據(jù)共有有效問卷92份，調(diào)查92名對象，涉及11個省、自治區(qū)的37個機構(gòu)，涵蓋疾控中心、職防院所、醫(yī)療衛(wèi)生、用人單位等機構(gòu)從事職業(yè)病診斷工作的人員。調(diào)查對象對115項職業(yè)病診斷標(biāo)準(zhǔn)的科學(xué)性、可操作性、實施效果、滿足需要等4個方面進行評價，采用Likert 5級計分法，以1分為完全不符合（最差），5分為完全符合（最好）。

1.2 原理簡介

1.2.1 關(guān)鍵規(guī)則的原理 關(guān)鍵規(guī)則是一種挖掘復(fù)雜事物中兩個或多個變量之間頻繁規(guī)律和關(guān)聯(lián)特征的方法。關(guān)聯(lián)規(guī)則是表達(dá)形式為X→Y，其中項集X為先決條件，即前項；項集Y為對應(yīng)關(guān)聯(lián)結(jié)果，即后項。項集X與項集Y均為項集I的真子集，并且X與Y無交集，項集I為事務(wù)數(shù)據(jù)庫D的項集。有3個指標(biāo)用于描述關(guān)聯(lián)規(guī)則的關(guān)聯(lián)強度，即支持度（support）、置信度（confidence）、提升度（lift），分別度量關(guān)聯(lián)規(guī)則的普遍性、有效性和前項出現(xiàn)對后項出現(xiàn)的影響程度。一般以支持度＞最小支持度且置信度＞最小置信度為強關(guān)聯(lián)規(guī)則，詳見表1。

表1 關(guān)聯(lián)規(guī)則統(tǒng)計指標(biāo)計算公式表

1.2.2 Apriori算法原理 作為一種逐層搜索的迭代方法，Apriori是關(guān)聯(lián)規(guī)則計算中最常用的的算法之一，其主要利用最小支持度和最小置信度2個參數(shù)進行控制，利用“任一頻繁項集的所有非空子集均為頻繁項集”的性質(zhì)進行計算，算法流程詳見圖1。

圖1 Apriori算法流程圖

1.3 統(tǒng)計學(xué)方法

將調(diào)查數(shù)據(jù)用Excel 2013整理后導(dǎo)入Rstudio（版本號：3.5.3），利用arules包（版本號：1.6-4）的Apriori函數(shù)進行關(guān)聯(lián)規(guī)則計算，設(shè)定最小支持度和最小置信度分別為0.3和0.8，以提升度排名前10名的規(guī)則作為有效強關(guān)聯(lián)規(guī)則。

2 結(jié)果

2.1 數(shù)據(jù)整理

將問卷調(diào)查數(shù)據(jù)整理成如表2的形式，其中ID問卷編號，共計92份有效問卷。為了方便Rstudio進行數(shù)據(jù)分析，設(shè)標(biāo)準(zhǔn)用S表示，S1表示編號為1號的標(biāo)準(zhǔn)，S2表示編號為2號的標(biāo)準(zhǔn)，以此類推，共計115項標(biāo)準(zhǔn)；科學(xué)性、可操作性、實施效果、滿足需要分別用V1、V2、V3、V4表示；分值分別用A、B、C、D、E表示Likert得分為5、4、3、2、1分。則S1_V1表示編號為1號的標(biāo)準(zhǔn)的科學(xué)性，如其取值為S1_V1=A，則代表編號為1號的標(biāo)準(zhǔn)的科學(xué)性的Likert得分為5分。

表2 關(guān)聯(lián)規(guī)則數(shù)據(jù)導(dǎo)入樣表

2.2 程序介紹

如果所有的package都默認(rèn)已經(jīng)安裝。如未提前安裝，可直接通過菜單→Tools→Install Packages來安裝，或者利用install.packages（）命令來進行安裝。

2.2.1 數(shù)據(jù)導(dǎo)入 將整理好的Excel文件命名為“import172”，地址為“E:/Ranalysis”。打開RStudio，輸入library（）命令調(diào)用readxl包，并導(dǎo)入數(shù)據(jù)。代碼及其注釋如下：

library（readxl）# 調(diào)用 readxl包

import172<-read_excel（"E:/Ranalysis/import172.xlsx"）# 導(dǎo)入Excel文件并命名為import172

View（import172）#查看導(dǎo)入的數(shù)據(jù)

trans172<-as（import172,"transactions"）#將導(dǎo)入數(shù)據(jù)轉(zhuǎn)為關(guān)聯(lián)規(guī)則可以分析的形式

View（trans172）#查看轉(zhuǎn)化后的數(shù)據(jù)

如轉(zhuǎn)化后的數(shù)據(jù)無問題，則可以進入下一步的分析中。

2.2.2 計算關(guān)聯(lián)規(guī)則 輸入library（）命令調(diào)用arules包，將設(shè)定最小支持度和最小置信度分別為0.3和0.8，挖掘出的關(guān)聯(lián)規(guī)則命名為res172。代碼及其注釋如下：

2.3 結(jié)果解讀

本次挖掘共產(chǎn)生28條強關(guān)聯(lián)規(guī)則，取提升度排名前10名的強規(guī)則作為有效強關(guān)聯(lián)規(guī)則。則有效強關(guān)聯(lián)規(guī)則支持度、置信度和提升度的最小值分別是0.373 6、0.871 8和2.063 5，最大值分別是0.439 6、1和2.166 7，詳見表3。

表3 衛(wèi)生健康標(biāo)準(zhǔn)問卷調(diào)查數(shù)據(jù)關(guān)聯(lián)規(guī)則表（按提升度排序）

通過關(guān)聯(lián)規(guī)則挖掘可知，有效強關(guān)聯(lián)規(guī)則的均涉及編號為91號的標(biāo)準(zhǔn)（以下簡稱S91標(biāo)準(zhǔn)），其在科學(xué)性、可操作性、實施效果、滿足需要4個維度上得分為5分（即S91_V1=A、S91_V2=A、S91_V3=A和S91_V4=A）之間出現(xiàn)較為頻繁，提示S91標(biāo)準(zhǔn)綜合可能評價較高。頻數(shù)統(tǒng)計發(fā)現(xiàn)，分別有54、51、51、50名調(diào)查對象對S91標(biāo)準(zhǔn)的科學(xué)性、可操作性、實施效果、滿足需要4個維度（即S91_V1、S91_V2、S91_V3和S91_V4）進行打分，分別占調(diào)查對象總數(shù)的58.7%、55.43%、55.43%、54.35%。其中有45、42、42、38名調(diào)查對象對科學(xué)性、可操作性、實施效果、滿足需要4個維度給出了5分，即S91_V1=A、S91_V2=A、S91_V3=A、S91_V4=A分別有45、42、42、38名，占對S91標(biāo)準(zhǔn)打分調(diào)查對象的83.33%、82.35%、82.35%、76.00%。綜上基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘的結(jié)果與頻數(shù)統(tǒng)計結(jié)果基本相符。

2.4 數(shù)據(jù)可視化

輸入library（）命令調(diào)用arulesViz包及其依賴的grid包。如挖掘出的關(guān)聯(lián)規(guī)則過多，不宜直接繪制散點圖，可以采用隨機抽樣的方式抽取一部分?jǐn)?shù)據(jù)繪制散點圖，散點圖以支持度和置信度為橫軸和縱軸，以提升度為三點顏色，顏色越深提升度越高，詳見圖2。代碼及其注釋如下。

library（grid）#調(diào)用arulesViz包依賴的grid包

library（arulesViz）# 調(diào)用 arulesViz包

set.seed（123）#設(shè)置隨機抽樣的種子

res172_smpl<-sample（res172,size=10,replace=FALSE）# 在產(chǎn)生的關(guān)聯(lián)規(guī)則中進行抽樣，抽樣的樣本量為10，抽樣后產(chǎn)生的數(shù)據(jù)集為res172_smpl

plot（res172_smpl,measure=c（"support","confidence"）,shading="lift"）#繪制關(guān)聯(lián)規(guī)則的散點圖

2.5 關(guān)聯(lián)規(guī)則交互探索

除了直接運行代碼進行關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘之外，還可以利用shinythemes包進行交互式關(guān)聯(lián)規(guī)則挖掘。在交互界面，可以通過鼠標(biāo)拖動，設(shè)定最小支持度、置信度、提升度和規(guī)則長度等參數(shù)，實現(xiàn)自動挖掘關(guān)聯(lián)規(guī)則。代碼及其注釋如下。

library（shinythemes）# 調(diào)用 shinythemes包

ruleExplorer（res172）#啟動交互界面

3 討論

3.1 關(guān)鍵規(guī)則中Apriori算法可為衛(wèi)生標(biāo)準(zhǔn)問卷調(diào)查提供新的分析思路

調(diào)查問卷在衛(wèi)生健康標(biāo)準(zhǔn)領(lǐng)域其多用于標(biāo)準(zhǔn)需求調(diào)研、實施效果評估等，具有應(yīng)用范圍廣、編制靈活、操作簡單的優(yōu)點，調(diào)查數(shù)據(jù)結(jié)果多為以二維表的形式呈現(xiàn)離散型數(shù)據(jù)。既往衛(wèi)生健康標(biāo)準(zhǔn)研究多數(shù)據(jù)研究中，多將問卷調(diào)查數(shù)據(jù)中不同的題目之間視為成相互獨立的指標(biāo)，統(tǒng)計方法以描述性統(tǒng)計分析為主，多采用概貌分析策略和差異性分析策略，前者主要是統(tǒng)計調(diào)查對象選擇問卷中各題目選項的頻數(shù)或頻率，以獲取調(diào)查數(shù)據(jù)的概貌特征；后者主要是根據(jù)調(diào)查對象的不同特征（如專業(yè)背景、地域分布、行業(yè)來源）等進行分組并構(gòu)建交叉表，利用卡方檢驗等統(tǒng)計方法分析某一指標(biāo)不同分組之間的分布差異是否具有統(tǒng)計學(xué)意義。概貌分析策略和差異性分析策略忽略了不同題目的之間關(guān)聯(lián)信息，可能存在對數(shù)據(jù)分析不充分的問題。隨著我國社會經(jīng)濟快速發(fā)展，標(biāo)準(zhǔn)在社會管理事務(wù)中發(fā)揮的作用越來越大，也越來越受到社會各界的重視[7]，Apriori算法作為關(guān)聯(lián)規(guī)則最為經(jīng)典的算法，可以有效從衛(wèi)生健康標(biāo)準(zhǔn)相關(guān)調(diào)查問卷數(shù)據(jù)中挖掘各項目之間隱藏的關(guān)聯(lián)知識，提煉具有潛在價值的特定信息，為完善標(biāo)準(zhǔn)體系提供技術(shù)線索。

3.2 關(guān)鍵規(guī)則中Apriori算法耗時較長，影響其在大規(guī)模問卷調(diào)查數(shù)據(jù)挖掘中的應(yīng)用

Apriori算法作為關(guān)聯(lián)規(guī)則最經(jīng)典算法，其存在著兩個主要缺陷，其一運算過程中會產(chǎn)生大量候選項集，其二是需要多次遍歷掃描數(shù)據(jù)庫，兩個缺陷會影響算法效率，導(dǎo)致算法適應(yīng)面偏窄[8]。特別是對于數(shù)據(jù)量較大的問卷調(diào)查數(shù)據(jù)，運算時間可能較長，甚至出現(xiàn)內(nèi)存不足導(dǎo)致運算中斷的情況。針對Apriori算法的缺陷，既往學(xué)者進一步開發(fā)了FP-growth算法、Relim算法和DHP算法用于提高算法效率。FP-growth算法通過構(gòu)造頻繁模式樹（FP-tree）以避免反復(fù)掃描數(shù)據(jù)庫，提高算法效率；Relim算法是對FP-growth算法進一步改進，其摒棄了構(gòu)建構(gòu)建頻繁模式樹的方法，而是通過構(gòu)造一個事務(wù)鏈表組來獲取挖掘結(jié)果；DHP算法主要通過哈希技術(shù)縮小候選項集的數(shù)量來提高算法效率[1]。

3.3 衛(wèi)生健康標(biāo)準(zhǔn)管理人員亟需重視數(shù)據(jù)挖掘?qū)?biāo)準(zhǔn)工作的輔助作用

隨著網(wǎng)絡(luò)在線調(diào)查技術(shù)的普及，開展標(biāo)準(zhǔn)相關(guān)調(diào)查成本越來越低，相關(guān)調(diào)查數(shù)據(jù)也在快速積累中[9-14]。衛(wèi)生健康標(biāo)準(zhǔn)管理人員如何充分運用關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘技術(shù)，從問卷調(diào)查數(shù)據(jù)中提取關(guān)聯(lián)知識，提供標(biāo)準(zhǔn)管理線索，實現(xiàn)標(biāo)準(zhǔn)管理從經(jīng)驗驅(qū)動到數(shù)據(jù)驅(qū)動的躍遷，成為亟待解決的問題。關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘?qū)儆谛畔W(xué)、統(tǒng)計學(xué)和衛(wèi)生健康標(biāo)準(zhǔn)專業(yè)知識的多領(lǐng)域交叉學(xué)科，而在既往衛(wèi)生健康標(biāo)準(zhǔn)研究中，應(yīng)用關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘技術(shù)的研究相對較少。建議在未來可以著重培養(yǎng)具備多領(lǐng)域復(fù)合型標(biāo)準(zhǔn)研究團隊，充分發(fā)揮信息學(xué)、統(tǒng)計學(xué)和標(biāo)準(zhǔn)相關(guān)專業(yè)領(lǐng)域的優(yōu)勢，為快速挖掘獲取有用的信息，提取管理線索打下堅實基礎(chǔ)。

3.4 關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘的局限性

關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘結(jié)果受到其參數(shù)設(shè)定的影響較大，參數(shù)設(shè)置過高或過低均會對結(jié)果產(chǎn)生不良影響，且關(guān)聯(lián)規(guī)則得出的規(guī)則是否具有指導(dǎo)實踐意義，需要經(jīng)過專業(yè)判斷和管理實踐證實，而不能單純只看數(shù)據(jù)挖掘結(jié)果。

本研究歸納了Apriori算法在衛(wèi)生標(biāo)準(zhǔn)問卷調(diào)查數(shù)據(jù)挖掘中的應(yīng)用方法、注意事項及R語言實現(xiàn)方法，其挖掘的關(guān)聯(lián)信息可以為完善標(biāo)準(zhǔn)管理提供技術(shù)線索，但是也存在算法效率偏低，不適用于數(shù)據(jù)量較大的問卷調(diào)查數(shù)據(jù)。