我國圍產兒死亡率時空分布及預測分析

［摘要］ 目的

了解我國圍產兒死亡率的時空分布情況，并對全國圍產兒死亡率進行預測。

方法 基于2021年我國31個?。ㄗ灾螀^、直轄市）的圍產兒死亡率和2011—2020年全國圍產兒總死亡率數據，應用空間自相關分析圍產兒死亡率的空間分布特征，并通過GM（1，1）模型對圍產兒死亡率進行預測。

結果 全局空間自相關分析顯示，2021年我國圍產兒死亡率空間分布呈正向相關；局部空間自相關分析顯示，西藏自治區聚集類型為高-高相關，湖南省為高-低聚集地區，山東、江蘇、浙江、安徽省為低-低聚集區。GM（1，1）模型預測結果顯示，2021—2025年全國圍產兒死亡率分別為3.79‰、3.61‰、3.44‰、3.27‰、3.12‰。

結論 我國圍產兒死亡率在空間分布上存在不均衡現象，在時間分布上整體呈下降趨勢，應提高婦幼保健水平，縮小地區差異。

［關鍵詞］ 圍產期死亡率；空間分析；模型，理論；預測

［中圖分類號］ R195.3

［文獻標志碼］ A

［文章編號］ 2096-5532（2024）05-0689-04

doi：10.11712/jms.2096-5532.2024.60.176

［網絡出版］ https：//link.cnki.net/urlid/37.1517.r.20241128.1039.001;2024-11-28 16：20：36

Spatiotemporal distribution and prediction of perinatal mortality rate in China

WEI Jiahui， LIN Qifei， LI Xiangyun， LI Guoju

（School of Public Health， Shandong Second Medical University， Weifang 261000， China）

［Abstract］Objective To investigate the spatial distribution of perinatal mortality rate in China， and to predict the perinatal mortality rate across the country.

Methods Based on the perinatal mortality rates of 31 provinces， autonomous regions， and municipalities directly under the Central Government in 2021， and the data on total perinatal mortality rate in China in 2011—2020， the spatial autocorrelation analysis was used to investigate the spatial distribution characteristics of perinatal mortality rate， and the GM（1，1） model was used to predict perinatal mortality rate.

Results The global spatial autocorrelation analysis showed that the spatial distribution of perinatal mortality rate in China in 2021 was positively correlated， and the local spatial autocorrelation analysis showed that an aggregation type of high-high correlation in Tibet Autonomous Region， with Hunan Province as a high-low aggregation area and Shandong， Jiangsu， Zhejiang， and Anhui provinces as low-low aggregation areas. The prediction results of the GM（1，1） model showed that the perinatal mortality rates in 2021—2025 were 3.79‰， 3.61‰， 3.44‰， 3.27‰， and 3.12‰， respectively.

Conclusion The spatial distribution of perinatal mortality rate is uneven in China， and there is a downward trend in the temporal distribution. Therefore， it is necessary to improve the level of maternal and child health care and reduce regional differences.

［Key words］ perinatal mortality; spatial analysis; models， theoretical; forecasting

圍產兒在我國主要指體質量≥1 kg或孕28周到出生后7 d內的胎兒和新生兒，圍產兒死亡率是指每1 000名嬰兒出生對應的圍產期死亡數。圍產兒死亡主要是指由于疾病造成的死亡［1］，是一種嚴重的產科并發癥［2］。《中國兒童發展綱要（2021—2030年）》中強調保障新生兒安全與健康，加強出生缺陷綜合防治，提高兒童保健服務水平［3］。但目前對全國圍產兒死亡現狀的時空分布特征研究較少，且較單一。因此，為了解圍產兒的死亡率狀況和變化趨勢，本研究對2021年我國31個省（自治區、直轄市）的圍產兒死亡率進行空間自相關分析，并收集2011—2020年全國圍產兒死亡率數據，根據這些數據對2021—2025年圍產兒死亡率進行灰色模型預測，以期為相關部門制定有效措施降低圍產兒死亡率、提高兒童保健服務供給公平性提供決策參考?，F將結果報告如下。

1 資料與方法

1.1 數據來源

基于中國知網衛生健康專題數據庫，收集2021年我國31個?。ㄗ灾螀^、直轄市）的圍產兒死亡率和2011—2020年全國圍產兒死亡率數據。

1.2 方法

1.2.1 空間自相關分析 空間自相關指潛在的相互依賴性?？臻g自相關分析包括全局空間自相關分析和局部空間自相關分析。本研究采用莫蘭指數（Moran’s I）來衡量空間自相關性，Moran’s I＞0表示空間正相關性，值越大，空間相關性越明顯；Moran’s I＜0表示空間負相關性，值越小，空間差異越大；Moran’s I=0表示空間呈隨機性［4］。

1.2.2 灰色預測模型GM（1，1）建立 灰色預測模型利用微分方程挖掘數據本質，可對數據完整性和可靠性較低的數據序列進行有效預測，在醫藥衛生領域廣泛應用于疾病死亡率預測［5］。基于級別檢驗，各數據級別值均在檢驗區間內，故本研究可采用GM（1，1）模型進行預測分析。GM（1，1）的灰微分方程為x（0）（k）+a z（1）（k）=b，式中a為發展系數，b為灰色作用量。預測方程為

（0）（k+1）=（1）（k+1）－（1）（k），k=1，2，3，…，n。本研究對GM（1，1）模型檢驗采用殘差檢驗和后驗差檢驗。殘差檢驗也稱精度檢驗，是對模型值和實際值的殘差進行逐點檢驗，平均相對誤差＜20%可認為模型為殘差合格模型［6］。后驗差檢驗是對殘差分布的統計特性進行檢驗。用方差比C和小殘差概率P判斷預測模型精度［7］，具體判別是否為合格模型可參照表1。

1.2.3 統計學分析 采用Geoda1.18軟件進行全局空間自相關分析和局部空間自相關分析，運用Excel 2021軟件建立數據庫并進行灰色模型預測分析。模型檢驗平均相對誤差值小于5%，說明模型精度優，擬合效果較好，預測結果可信度高。以P＜0.05為差異有統計學意義。

2 結 "果

2.1 圍產兒死亡率空間自相關分析

2021年我國31個?。ㄗ灾螀^、直轄市）的圍產兒死亡率在1.83‰～13.51‰之間，其中，只有西藏地區圍產兒死亡率高于10.00‰，上海、江西、北京、河北為低死亡率地區，圍產兒死亡率低于3.00‰，陜西、安徽等11個地區的圍產兒死亡率在3.00‰～4.00‰之間，圍產兒死亡率的中位數是廣東省的4.06‰。見表2。

2021年我國31個省（自治區、直轄市）圍產兒死亡率全局Moran’s I值為0.609 661，差異有統計學意義（Z=8.990，P=0.001），見圖1。說明我國不同地區圍產兒死亡率具有正向空間自相關性，即死亡率高的地區周圍死亡率也高，死亡率低的地區周圍死亡率也低。局部空間自相關分析結果顯示，西藏、湖南、江西、浙江、山東、江蘇、上海、安徽、河南、湖北的Moran’s I值差異具有統計學意義（P＜0.05）。西藏聚集類型為高-高相關，即本身圍產兒死亡率高，周圍新疆和青海的圍產兒死亡率也高。湖南為高-低聚集地區，即本身圍產兒死亡率高，但

周圍的湖北、江西、福建等省份圍產兒死亡率低。上海、山東、江蘇、浙江、安徽為低-低聚集區，即本身圍產兒死亡率低，其周圍省份圍產兒死亡率也低。整體來看，我國圍產兒死亡率偏高的地區在青藏和西北地區。見圖2。

2.2 圍產兒死亡率時間分布

在2011—2020年間全國圍產兒死亡率整體呈現下降趨勢，從2011年的6.32‰下降到2020年的4.14‰，降幅為34.49%，年均降幅為4.59%。降幅最大的是2017年，降幅為9.31%。見圖3。

2.3 GM（1，1）模型的建立及死亡率預測

對2011—2020年全國圍產兒死亡率數據進行建模，a=0.049，b=6.321，預測模型為（1）（k+1）=-123.52e-0.049k+129.84，平均相對誤差為1.94%，C為0.154，P為1.000，模型擬合精度優，預測效果好。見表3。根據發展系數范圍判斷本模型可做中長期預測［8］，預測結果顯示，2021—2025年全國圍產兒死亡率分別為3.79‰、3.61‰、3.44‰、3.27‰、3.12‰。

3 討 "論

本文研究結果表明，我國圍產兒死亡率地區間分布差異較大，2021年圍產兒死亡率最高的是西藏（13.51‰），最低的是上海（1.83‰）。圍產兒死亡率在全國范圍內呈現空間正相關，相鄰地區的圍產兒死亡率存在相互依賴性。高圍產兒死亡率地區主要聚集在我國青藏和西北地區，低圍產兒死亡率地區

主要在東部沿海地區。原因可能是東部沿海地區經濟較發達，有更大的衛生資源人才優勢，兒童保健服務水平較高［9］。與2018年我國各地區統計數據相比［10］，2021年全國和地區圍產兒死亡率都有不同程度的下降，但空間聚集程度卻在上升，表明我國在圍產兒保健工作方面雖取得較大進展，但還需進一步降低本地區圍產兒死亡率，并與鄰近省份地區共同實現該目標［11］。唐成等［12］在對包含圍產兒死亡率等指標的衛生資源聚類分析中發現，青海和西藏為優質衛生資源短缺地區，該地區地理面積較大、就醫不夠便捷，高水平醫療服務能力較低，婦幼保健意識較為薄弱。多項研究指出，圍產兒死亡率在地區間不均衡的現象與社會經濟水平和衛生技術資源有關［9，13-14］。因此，要改善衛生財政支出和醫療人才技術投入上的公平性。湖南是圍產兒死亡率高-低聚集區，出生缺陷是導致圍產兒死亡的首要危險因

素［15］，有研究表明湖南是出生缺陷高發地區［16］，可能原因是湖南位于我國中部地區，經濟水平落后于湖北、福建等地區，出生缺陷產前篩查和產前診斷率較低。應加強孕產婦健康教育，提高識別產前缺陷兒的能力。

本文結果顯示，2011—2020年全國圍產兒死亡率整體上呈下降態勢，這與吳際等［9］的研究結果一致。但2016年全國圍產兒死亡率較2015年上升，可能與二孩政策全面實施，高齡產婦二胎數量增加，生產危險性增大有關［17］。2020年圍產兒死亡率的回升可能與孕婦感染新冠病毒致使圍產兒病死率增加有關［18］?；疑Ｐ皖A測結果表明，2021—2025年我國圍產兒死亡率將持續降低，這與趙星宇等［10］、戴瓊等［19］的研究結果一致，說明我國婦幼保健工作在降低圍產兒死亡率方面取得良好成效，圍產期醫療衛生水平提高，兒童生存狀況不斷改善。早產、出生損傷、出生缺陷、胎兒生長受限是圍產兒死亡的常見原因［2，20-21］，而這些不良妊娠結局與妊娠期疾病、產婦多次流產史、孕期保健等密切相關［16，22-23］。因此，為降低圍產兒死亡率，需增強孕產婦圍產期保健意識、增加孕期知識，重視高危孕產婦的孕前評估和孕期管理［24］，認真落實產前檢查［25］。產前階段加強胎兒監護，分娩期間提升難產預測能力，做好產時監護和新生兒復蘇準備［26］，能有效預防控制圍產期死亡現象的發生。

本研究對圍產兒死亡率的空間分析局限在強調某一時間點的分布特征，未進行圍產兒死亡率隨時間變化的縱向研究。今后可進一步探討地區圍產兒死亡率隨時間進程的空間分布特征，為地方制定兒童衛生保健服務政策提供數據參考。

［參考文獻］

［1］朱琳，張寶學，王丙參. 中國人口質量的時空差異和收斂性分析［J］. 統計與決策， 2023，39（19）：87-91.

［2］倪麗君，盧孟君. 影響圍產兒死亡的危險因素分析［J］. 現代實用醫學， 2021，33（4）：537-539.

［3］王芳. 促進兒童健康成長 推動社會可持續發展《中國兒童發展綱要（2021—2030年）》之“兒童與健康” 解讀［J］. 中國婦幼衛生雜志， 2021，12（6）：1-4.

［4］胡濤，王麗娜，李響，等. 面向疾病的空間聚集性與影響因素分析方法［J］. 時空信息學報， 2024，31（1）：65-73.

［5］王慧，丁偉潔，盧紅梅，等. 基于GM（1，1）模型的江蘇省淮安市5歲以下兒童死亡預測分析［J］. 安徽醫藥， 2024，28（4）：750-755.

［6］姜雪錦，李陽，丁紅紅，等. 基于灰色GM（1，1）模型的我國醫院感染患病率變化趨勢及預測［J］. 中國醫院統計， 2024，31（2）：87-89，94.

［7］崔朋偉，杭惠，沈嚴章，等. 灰色模型GM（1，1）在蘇州市傷寒副傷寒發病率預測中的應用［J］.江蘇預防醫學， 2024，35（1）：119-120.

［8］郭艷，張小斌，張秀劼，等. 應用灰色GM（1，1）模型預測云南省生殖道沙眼衣原體感染發病趨勢［J］. 皮膚病與性病， 2022，44（6）：473-475.

［9］吳際，夏瑞宏，汪晨，等. 中國31省市2010—2020年兒童保健服務的供給公平性分析［J］. 現代預防醫學， 2024，51（1）：99-104.

［10］趙星宇，王廣成，單海峰，等. 我國圍產兒死亡率時空變化及預測研究［J］. 中國衛生統計， 2021，38（2）：177-180.

［11］謝瀟，盈斌，杜芳娟，等. 中國婦幼健康水平的區域差異和影響因素［J］. 世界地理研究， 2023，32（2）：82-92.

［12］唐成，陳莉. 我國衛生資源地區聚類研究［J］. 中國初級衛生保健， 2023，37（8）：1-4.

［13］劉詩婷，應曉華. 我國圍產兒省際健康公平性研究［J］. 中國衛生政策研究， 2023，16（8）：31-39.

［14］李夢蝶，王超，張藝琳，等. 政府衛生支出對國民健康水平的影響及區域差異［J］. 衛生軟科學， 2023，37（7）：14-17.

［15］沈磊芬，施衛琴，蔡麗文. 湖州市2014年至2018年圍產兒死亡的影響因素分析［J］. 中國婦幼健康研究， 2021，32（5）：749-752.

［16］謝瓊，譚紅專，秦家碧，等. 湖南省2007—2016年以醫院為基礎的出生缺陷監測情況分析［J］. 實用預防醫學， 2017，24（9）：1031-1036.

［17］穆榮偉，吳晴菲，曾帥，等. 二孩政策實施后備孕婦女身體質量指數的流行趨勢分析［J］. 中國計劃生育學雜志， 2023，9（4）：763-769.

［18］蒲杰，劉興會. 從母嬰安全角度談新冠肺炎疫情下高危妊娠的孕期管理［J］. 中國計劃生育和婦產科， 2020，12（3）：90-93.

［19］戴瓊，徐海青，汪鴻，等. 灰色模型對全國城鄉圍產兒死亡率趨勢預測［J］. 中國婦幼健康研究， 2018，29（2）：139-141.

［20］王曉敏，劉薇，朱宇華，等. 2020年內蒙古33個旗（縣、區）婦幼健康服務水平綜合評價：基于TOPSIS法結合RSR法［J］. 衛生軟科學， 2022，36（2）：62-67.

［21］徐飛，趙亭亭，沈云. 胎兒生長受限的危險因素及分娩孕周對圍產兒結局的影響［J］. 江蘇醫藥， 2022，48（2）：169-172.

［22］張芝銀，李秀央，鄭國英，等. 不良妊娠結局的影響因素分析［J］. 預防醫學， 2020，32（1）：94-97.

［23］朱偉翔. 2019—2022年泉州市圍產兒死亡現狀分析［J］. 中外醫學研究， 2024，22（13）：160-163.

［24］張慧，鄧艷. 高危孕產婦管理在降低孕產婦和新生兒死亡率中的影響分析［J］. 當代醫學， 2021，27（22）：115-117.

［25］周鎖娣，劉玲妹，魏琴. 圍產兒死亡相關因素分析及干預措施探討［J］. 國際護理學雜志， 2019，38（23）：3885-3888.

［26］謝明坤，李根霞. 降低圍產兒死亡率的安全策略［J］. 中國計劃生育和婦產科， 2022，14（4）：29-31，35.

（本文編輯 劉寧）

［收稿日期］2024-03-28; ［修訂日期］2024-06-14

［基金項目］國家自然科學基金項目（81903335）

［第一作者］魏佳慧（1997-），女，碩士研究生。

［通信作者］李向云（1969-），女，副教授，碩士生導師。E-mail：693519741@qq.com。