基于贝叶斯网络的公立医院经济合同风险管理研究*

2022-04-16李虎石黄慧妮温州市中医院杭州电子科技大学

品牌研究 2022年10期

文/李虎石黄慧妮（.温州市中医院；.杭州电子科技大学）

随着市场经济的发展和基本医疗全面服务保障体系的建立，公立医院进入快速增长期，激增的经济总量对公立医院经济管理水平提出了新的挑战。公立医院的管理模式正在从粗放型管理向精细化管理转变，完善经济合同风险管理体系，通过业务与财务的深度融合能够更好地促进医院精细化管理，进一步提升管理工作水平，公立医院的价值创造力在不断增强。

经济合同管理作为医院管理体系的重要组成部分，合同风险管理的有效性决定了公立医院经济法律风险控制的有效性，通过建立合同风险评估模型，将其与内部控制评价指标和信用风险评估方法结合，促进公立医院完善内部控制体系，对于防范和控制经济合同风险有着非常重要的价值。

已有很多学者在风险管理研究中采用贝叶斯网络模型。但信用评分法和违约概率模型都采用先验概率方法，需要大量的历史数据进行验证，而合同风险观察样本数量少且较难获取。在医院经济合同发生前用于可能发生的合同事前风险的特定评估方法并不多见，本文采用贝叶斯网络来度量医院经济合同风险。

一、构建公立医院经济合同风险管理模型

基于贝叶斯网络的经济合同风险管理模型。基于未确定的环境，贝叶斯网络模型进行原因推理、结果预测、概率推算及知识表达等任务，将其运用于公立医院风险导向的分析与预测中，提升预测精度与速率[1]。本文设计的基于贝叶斯网络的风险导向预测过程如下：

（1）建风险导向预测拓扑结构。以医院评定标准为参考，经过实际现场考察，对监测数据实施分析，识别公立医院运营信息化风险导向，挑选领导风险、财务管理风险、项目决策风险、医院人力资源风险及医疗过程风险作为一级风险导向指标，并依次为各个一级风险导向指标创建二级风险导向预测指标（风险导向因素）[4]。以各风险导向指标之间的因果关联为依据，构建风险导向预测拓扑网络结构。其中，一级风险导向指标与二级风险导向预测指标分别作为模糊贝叶斯网络的中间节点和根节点，预测对象公立医院运营信息化风险导向作为叶节点[5]。

（2）确定根节点先验概率，包括风险导向等级划分、获取风险导向因素先验概率。通过多级离散化每个风险导向指标数据，将风险导向划分为五个区间等级，也就是｛0,1,2,3,4｝五个等级，依次对应｛Ⅰ级,Ⅱ级,Ⅲ级,Ⅳ级,Ⅴ级｝，即｛安全,轻微,一般,较严重,非常严重｝。获取公立医院经济合同风险导向因素多区间等级的先验概率分布。

（3）创建中间节点条件概率分布。条件概率体现网络结构的多态性与风险导向事件之间的不确准性。结合公立医院实际情况，分析公立医院样本观测数据，同时与专家意见相结合，确定中间节点与叶节点的条件概率，反映真实的网络结构内各个风险导向事件之间的依赖关系。

（4）分布运算概率推理，包括贝叶斯网络推理预测、重要度预测。输入根节点的先验概率分布与中间节点的条件概率分布，在模糊多态贝叶斯网络内实施运算，依据公立医院新增加的合同信息，及时更新贝叶斯网络的动态，并运用贝叶斯网络的重要度预测方法与正反推理技术，迅速实施概率风险导向预测。

二、贝叶斯网络推理

（一）经济合同风险导向概率推理预测

以贝叶斯网络的运算原则为依据，叶节点的发生概率可通过根节点先验概率分布与中间节点条件概率分布推算出，另外也可在已知风险导向事件出现的状况下，采用由底到上推理的方式，推理得出不同根节点的后验概率分布。贝叶斯网络所具备的自主学习能力，可实时以新出现的证据信息为依据，调整修改风险导向预测拓扑网络结构与参数，提升推理的精度与实用性[2]。经贝叶斯网络推理后，能够提前预防未来可能产生的风险导向事件，同时也能够在风险导向事件出现之后，对可能性最高的致险因子迅速做出诊断。故对于公立医院运营信息化风险导向预测而言，贝叶斯网络推理预测方式意义重大。

模糊多态贝叶斯网络内根节点与中间节点分别以Ai和Bj表示，其中i＝1,2,…,n；j＝1,2,…，m；根节点与中间节点的数目分别以n和m表示，叶节点以E表示。根节点、中间节点及叶节点的风险导向状态分别用Aici、BjDj及Ep描述，其中，ci＝0,1,…,ki-1；dj＝0,1,…,lj-1；p＝0,1,…，u-1，根节点、中间节点及叶节点的风险导向状态数目分别以ki、lj、u表示。根节点风险导向状态的概率依次为P(A1 c1)…P(Ancn)。则在各个根节点风险导向状态的概率已知时，叶节点E处在风险导向状态Ep的概率运算式可表示为：

上式中，中间节点B与叶节点E的父节点集合分别以π(B)和π(E)表示。

叶节点E处于风险导向状态Ep的条件概率在根节点Ai处在风险导向状态已知的情况下，计算公式为：

上式中，根节点Ai与叶节点E分别处在风险导向状态、Ep的联合概率分布为

当叶节点E处在风险导向状态Ep时，每个根节点Ai处在风险导向状态的条件概率分布，即后验概率分布计算公式表示如下：

（二）经济合同风险导向因素重要度预测

模糊多态贝叶斯网络内的根节点、叶节点之间的逻辑关系可通过重要度指标表示。重要度反映根节点Ai各种风险导向状态的概率变化对叶节点E处于风险导向状态Ep概率的影响程度。计算得到的重要度的数值越大，表示该风险导向因素对风险导向事件的影响程度越大。通过对根节点的重要度进行预测分析，能够准确识别公立医院经济合同风险导向的主要致险因素，掌握合同风险重点控制因素，实现降低合同风险导向的发生率[3]。

根节点Ai与叶节点E处在Ep风险导向状态相关的重要度为：

三、案例研究结果分析

上述基于贝叶斯网络的经济合同风险预测模型，应用于温州市某公立医院案例中，对该医院经济合同管理中实施风险导向进行预测分析，通过案例研究数据结果检验贝叶斯网络风险预测模型的实际运用和实施效果。

（一）概率推理预测分析

采集和输入案例，医院经合同实际监测数据，通过贝叶斯网络模型推理经济合同预测风险导向。采用贝叶斯网络模型推理运算根节点不同取值的各种风险导向状态的后验概率，把根节点后验概率从高至低进行排序，对可能性最高的致险因素实施预测分析。在E＝4（非常严重等级）的情况下，根节点A4处在A4＝4的概率最高，也就是根节点A4为非常严重状态的概率较高；而处在Ai＝3（较严重）状态概率最高的前四位根节点依次为A2、A13、A7、A3。

由上述结果发现，案例单位当前经济合同风险导向属于非常严重状态时，可能性最高的风险导向因素依次为客户商业信誉（A1）、客户财务状况（A2）、管理制度严格性（A13）、分工岗位职责（A7）及客户交易动机（A3）。

按照上述方法的推理预测结果，将根节点后验概率从高至低（A1，A2，A13，A7，A3）进行排序，由合同相关工作人员检测可能性最高的致险因素。首先检测该公立医院案例单位当前的客户商业信誉（A1），若A1致险因素处在非常严重状态时，那么可确准P（A1=4）=1；若A1处于正常状态时，则分别检测A2，A13，A7，A3致险因素。以此类推确定可能性最高的致险因素组合，为该案例单位选取合理的控制措施，为经济合同风险导向控制提供科学的决策参考。

（二）重要度预测结果分析

通过本文前述贝叶斯网络模型对公立医院案例单位的经济合同风险导向因素的重要度进行预测分析，根据模型预测结果，能够确定各风险导向因素影响风险导向事件出现概率的程度高低，进而分析确定敏感度最高的致险因子。本文通过贝叶斯网络模型运算可得，在风险导向事件E处于各种风险导向状态时，不同根节点的风险导向重要度分布不同。

当案例公立医院经济合同风险导向事件E处于非常严重等级（E=4）时，通过贝叶斯网络模型可预测出根节点A13，A2，A5，A9的重要度最高，上述结果说明，在案例公立医院经济合同风险导向中，最敏感的薄弱环节即为管理制度严格性（A13）、客户财务状况（A2）、合同法律风险（A5）、合同执行人的经验（A9）四个风险导向因素，由此，该公立医院需重点排查与控制这四个方面。

四、研究结论

作者基于贝叶斯网络模型研究公立医院经济合同风险导向预测方法，选取公立医院经济合同一级风险导向指标、二级风险导向预测指标，构建以二者逻辑关系为依据的风险导向预测拓扑网络结构。在此结构中，将各指标划分为五个风险等级，并以一级、二级指标分别作为贝叶斯网络的中间节点与根节点。根节点的先验概率分布及中间节点与叶节点的条件概率分布，通过案例单位现场监测的方式获取经济合同风险管理检测数据，将各节点概率分布输入到贝叶斯网络内实施推理与重要度预测。以温州市某公立医院作为研究案例，将本文贝叶斯网络方法应用于该医院经济合同风险导向预测，研究结果表明，贝叶斯网络模型可精准预测公立医院经济合同风险导向等级及可能性最高的敏感致险因素，并且延长预测周期，预测结果的精度未出现显著变化，可在公立医院经济合同风险控制与预防中发挥重要作用。