數學建模論文-對腦卒中發(fā)病環(huán)境因素分析及干預的研究

1、<p>　　對腦卒中發(fā)病環(huán)境因素分析及干預的研究</p><p><b>　　摘要</b></p><p>　　隨著社會經濟的發(fā)展，人們生活水平的不斷提高，但與此同時伴隨著城市化進程加快，人口密度加大，生活節(jié)奏加快和膳食結構改變等不良現(xiàn)象，一些嚴重威脅人們身體健康的疾病發(fā)生。腦卒中以其高的發(fā)病率、致殘率、病死率和復發(fā)率而越來越引起人們的關注，且其發(fā)病率呈逐年

2、上升趨勢。</p><p>　　研究調查腦卒中的發(fā)病環(huán)境因素，其目的是為了進行疾病的風險評估，摸清腦卒中發(fā)病的相關危險因素，探討有效的干預措施，減少人群的發(fā)病率。對腦卒中高危人群能夠及時采取干預措施，也讓尚未得病的健康人，或者亞健康人了解自己得腦卒中風險程度，進行自我保護。同時，通過建立數據系列模型（其中運用了數理統(tǒng)計、回歸分析、風險評估、概率與概率分布計算的方法），掌握疾病發(fā)病率的規(guī)律，對于衛(wèi)生行政部門和醫(yī)療機

3、構合理調配醫(yī)務力量、改善就診治療環(huán)境、配置床位和醫(yī)療藥物等都具有實際的指導意義。</p><p>　　通過回歸性分析，中國某城市各家醫(yī)院2007年1月至2010年12月的腦卒中發(fā)病病例信息的資料，采用數據分析的關系模型研究影響腦卒中發(fā)病的相關危險因素。我們知道患腦卒中與年齡、職業(yè)等因素有關。</p><p>　　通過數理統(tǒng)計（主要采用EXCEL軟件執(zhí)行），概率與概率分布的計算，再根據病人基

4、本信息，對發(fā)病人群進行統(tǒng)計描述。對數據進行觀察分析，利用比較分析法，研究腦卒中的發(fā)病率與氣溫、氣壓、相對濕度間的關系。</p><p>　　通過回歸分析、預測評價，著重討論歷史數據對預測的作用，進而對高危人群提出預警和干預的建議方案。</p><p>　　通過運用matlab等軟件，我們可以對相關模型進行檢驗，知道腦卒中患病率與氣溫、氣壓、相對濕度間呈現(xiàn)相關性。</p>&l

5、t;p>　　通過風險評估，腦卒中發(fā)病的相關危險因素，提出早期社區(qū)預防、宣傳教育、心理輔導，早期的康復護理干預等措施，為降低腦卒中發(fā)病率、治療及康復提供重要依據。</p><p>　　關鍵詞：數理統(tǒng)計系列模型、腦卒中、非條件Logistic回歸分析、概率與概率分布的計算、比較分析法，風險評估</p><p><b>　　一、問題重述</b></p>

6、<p>　　腦卒中（Stroke）是腦中風的學名，是一種突然起病的腦血液循環(huán)障礙性疾病。又叫腦血管意外，是指在腦血管疾病的病人，因各種誘發(fā)因素引起腦內動脈狹窄，閉塞或破裂，而造成急性腦血液循環(huán)障礙，臨床上表現(xiàn)為一過性或永久性腦功能障礙的癥狀和體征．腦卒中分為缺血性腦卒中和出血性腦卒中。</p><p>　　腦卒中后的預后各不相同，但研究顯示： </p><p>　　大約30%幸存

7、者不能達到完全恢復，盡管日?；顒硬恍枰獛椭?。另外20%的幸存者至少有一項活動需要接受幫助，多數（60%）需要接受醫(yī)療機構的幫助。腦卒中患者的幸存者的壽命會急劇減少，并且腦血管事件復發(fā)的可能性迅速增高。</p><p>　　腦卒中在中老年人群中具有很高的發(fā)病率、致殘率、病死率和復發(fā)率的疾病，給患者和家屬帶來很大的心理及經濟負擔。若能及早預防、診斷、治療、早期康復訓練干預，可以顯著降低其死亡率，然而多數患者忽視早期或

8、較早期的康復護理劑鍛練而導致終身殘疾，生活無法自理或者部分自理，不能獨立生活和工作，因此，有必要了解影響腦卒中患者發(fā)病的危險因素及發(fā)病機制，建立數學模型研究腦卒中發(fā)病率與氣溫氣壓、相對濕度間的關系，對發(fā)病人群進行統(tǒng)計描述，為提出綜合的對預警和干預的建議方案提供依據。</p><p><b>　　此時我們需要解決：</b></p><p>　　問題一：根據病人基本信息，

9、對發(fā)病人群進行統(tǒng)計描述。</p><p>　　問題二：建立數學模型研究腦卒中發(fā)病率與氣溫、氣壓、相對濕度間的關系。</p><p>　　問題三：查閱和搜集文獻中有關腦卒中高危人群的重要特征和關鍵指標，結合問題（一）、（二）中所得結論，對高危人群提出預警和干預的建議方案。</p><p><b>　　二、問題的分析</b></p>

10、<p><b>　　1、概述 ：</b></p><p>　　題目旨在通過大量的數據，分析腦卒中的發(fā)病環(huán)境因素，進行疾病的風險評估，對腦卒中高危人群能夠及時采取干預措施，也讓尚未得病的健康人，或者亞健康人了解自己得腦卒中風險程度，進行自我保護。</p><p>　　同時，通過數據模型的建立，掌握疾病發(fā)病率的規(guī)律，對于衛(wèi)生行政部門和醫(yī)療機構合理調配醫(yī)務力量、改

11、善就診治療環(huán)境、配置床位和醫(yī)療藥物等都具有實際的指導意義。</p><p><b>　　2、 相關分析 ：</b></p><p>　　2 1 對于問題一的分析根據病人基本信息，利用數據統(tǒng)計與概率分析，統(tǒng)計分析各年齡的得病人數，讓人們提高防患意識，以減少得病率2.2 對于問題二的分析關于腦中風的發(fā)病率與氣溫、氣壓、相對濕度間的關系，利用數據統(tǒng)計和多元回歸分析，建

12、立模型2.3 對于問題三的分析</p><p>　　建立對于高危人群提出預警和干預的建議模型</p><p><b>　　三、模型的假設</b></p><p>　　1) 人群的數量足夠大，只考慮發(fā)病過程的平均效應。</p><p>　　2) 健康人感病的機會與其他接觸病人的機會程正比。</p><

13、p>　　3) 不考慮出生與死亡的過程和人群的遷出與遷入。</p><p>　　4) 影響腦卒中發(fā)病率的因素是相互獨立的且不會因為外界環(huán)境的變化而改變。</p><p>　　5) 對數據可以進行篩選，對于無效數據予以直接排除。</p><p>　　6) 附件中給出的數據都是正確的。</p><p>　　7) 假設4年內人口不變，那么當年患

14、病率的變化可以用當年人口變化代替。</p><p>　　8) 除患病特征外，人群的個體間沒有差異，病人與健康人的個體在人群中是均勻混合的。</p><p>　　四、符號設定與模型的求解</p><p>　　4.1問題一的符號設定與模型求解</p><p><b>　　4.1.1符號設定</b></p>&l

15、t;p>　?。?表示男性腦卒中患病人數占當年總患病人數概率 ；</p><p>　?。?表示女性腦卒中患病人數占當年總患病人數概率 ；</p><p>　　： 表示各種不同職業(yè)腦卒中患病的概率 () ；</p><p>　?。?表示各年齡階段腦卒中患病的概率 ；</p><p>　?。?表示當年男性腦卒中患病者的個數 ；</p&

16、gt;<p>　?。?表示當年女性腦卒中患病者的個數 ；</p><p>　?。罕硎镜趇職業(yè)所占得人數 ；</p><p>　?。罕硎镜趇區(qū)間階段所占人數 ；</p><p><b>　　4.1.2模型建立</b></p><p>　　1、根據病人基本信息，對腦卒中發(fā)病人群進行統(tǒng)計描述</p>

17、<p>　　1）性別對患腦卒中的影響：</p><p><b>　　、</b></p><p>　　（2007-2010年不同性別的患病人數）</p><p>　　每年男性、女性患病的概率分別是： ，</p><p>　　利用excel,可以得出：</p><p>　　由圖表易看出：

18、不同性別對患上腦卒中是有影響的，而且女性患腦卒風人數少于男性，而且，所以男性患病概率可能性比女性患病概率大。</p><p>　　2）職業(yè)對患腦卒中的影響 ：</p><p>　　對2007年1月至2010年12月的數據處理，得到處理結果如下：</p><p>　　由 可得各職業(yè)腦卒中患病人數的概率；</p><p>　　由上面統(tǒng)計分析可

19、知：</p><p>　　農民與工人腦卒中的患病人數占總患病人數比重明顯比較高。</p><p>　　②而醫(yī)務人員及職工、教師的患病人數比總患病人數比重要低。</p><p>　　3）不同年齡階段發(fā)病統(tǒng)計圖 ：</p><p>　　不同年齡階段患病的概率公式 ： ；</p><p>　　對上述數據進行統(tǒng)計分析，發(fā)現(xiàn)在

20、50歲之后患上腦卒中的概率很大，50歲以上隨著年齡增加中風發(fā)病率亦有增加，并且在50—80之間呈現(xiàn)倍數增長，在90歲之后變少，是因為大部分人壽命活到80幾歲。但是我們從統(tǒng)計圖中可以發(fā)現(xiàn)青中年中風發(fā)病者亦有增加，不可忽視。</p><p>　　其中，腦卒中發(fā)生率：老年人＞中年人＞青年人。</p><p>　　4）不同月份對患腦卒中的影響 :</p><p>　　對四年

21、不同月份的圖表進行分析研究，發(fā)現(xiàn)春夏季節(jié)時腦卒中的患病率要低于秋冬季節(jié)，說明在寒冷及溫差變化向冷的那種方向都可能是腦卒中患病率增高的因素。也可能是春夏及秋冬的各種環(huán)境因素（如氣壓、氣溫及相對濕度）而導致的，以下著手分析研究。</p><p>　　(附件中excel1、excel2 、excel3、excel4表格的相關數據進行數理統(tǒng)計，得到以上圖像)</p><p>　　4.2、問題二的符

22、號設定與模型建立、求解</p><p>　　建立數學模型研究腦卒中發(fā)病率與氣溫、氣壓、相對濕度間的關系。</p><p>　　4.2.1 符號設定</p><p>　　： 表示氣壓環(huán)境因素的各項數據， </p><p>　?。?表示氣溫環(huán)境因素的各項數據， </p><p>　?。?表示氣溫環(huán)境因素的各項數據 ，&l

23、t;/p><p>　　: 表示2007-2010年腦卒中發(fā)病率，</p><p>　　4.2.3 模型建立</p><p>　　對2007年至2010年的環(huán)境因素圖表進行統(tǒng)計，利用matlab工具作出因量y（腦卒中發(fā)病率）與各自變量x(發(fā)病環(huán)境因素)樣本散點圖。</p><p>　　其中表示相應年的發(fā)病環(huán)境因素。（實現(xiàn)這些圖形的matlab程

24、序如附件4）</p><p><b>　　A 圖一</b></p><p>　　其中下圖分別表示2007年、2008年、2009年、2010年的氣壓因素與患病關系的散點圖（可參考附件3程序1）</p><p><b>　　B 圖二</b></p><p>　　其中下圖分別表示2007年、2008年、

25、2009年、2010年的氣溫因素與患病率關系的散點圖（可參考附件3程序2） </p><p><b>　　C,圖三</b></p><p>　　其中下圖分別表示2007年、2008年、2009年、2010年的相對濕度因素與患病率關系的散點圖（可參考附件3程序3）</p><p>　　作散點圖，可以觀察因變量（腦卒中發(fā)病率）與各自變量(發(fā)病環(huán)境因

26、素)的變化規(guī)律，以便選擇恰當的數學模型（如附件2），從中可以看出這些點大致分布在一條直線附近，有較好的線性關系，可以采用多元線性回歸。具體步驟如下：</p><p>　　a) 利用matlab統(tǒng)計工具箱及附件4中的表格2試建立一個因變量對自變量年的線性回歸方程。</p><p>　　Step1 ：設有p個觀察自變量x1，x2，…，xp ，并用向量’，因變量為y，且記y的總體均數為，隨機誤差

27、～N(0,2)且獨立，則線性回歸模型可以表示為</p><p>　　對于觀察值，其中，i=1,2,…,n。對應的線性回歸模型為</p><p><b>　　且獨立。</b></p><p><b>　　處理后得到：</b></p><p>　　總平方和SS總描述樣本量為n＝10的因變量y總的變異。回

28、歸平方和SSR描述了樣本量為n時，由自變量x1,x2變化而引起的因變量y的這部分變異，SSe描述了樣本量為n時，由隨機誤差項所引起的因變量y的一部分變異，因此：</p><p>　　總變異＝自變量引起y的變異＋隨機誤差引起變異</p><p>　　對應：SS總＝SS回歸＋SS誤差</p><p>　　由于SS總，SS回歸和SS誤差均與樣本量n有關，樣本量n越大，對應

29、變異就越大。所以取平均變異指標：均方差MS</p><p><b>　　，</b></p><p><b>　　回歸方程</b></p><p>　　Step2:解釋回歸系數的意義</p><p>　　Step 3:（a）假設檢驗一般情況敘述</p><p><b>

30、;　　(b)決定系數</b></p><p><b>　　(c)復相關系數R</b></p><p>　　(d) H0:1=2=…=r=0 vs 1,2,…,r不全為0。當H0成立時</p><p>　　(x1,x2,…,xp)的估計及其誤差</p><p>　　(STATA命令：predict y1)&

31、lt;/p><p>　　(STATA命令：predict meansd,stdp)(因為有抽樣誤差)</p><p>　　95%CI ，自由度v=n-1-p</p><p>　　(STATA命令：predict y1)線</p><p>　　得到初步的回歸方程： 。</p><p>　　其中，利用excel軟件得出相關數

32、據之間關系的殘差圖如下：</p><p>　　圖形1： 圖形2：</p><p><b>　　圖形3：</b></p><p>　　2）由處理后的殘差擬合圖看出，環(huán)境因數對患腦卒中有明顯影響。那么存在怎樣的影響，我們通過excel數據分析處理，研究每一項環(huán)境因素患病率的相關性。（excel處理部分圖

33、如下）</p><p>　　表格說明 ： ①患病率與平均氣壓呈現(xiàn)負相關；</p><p>　　②患病率與平均溫度呈現(xiàn)正相關；</p><p>　?、刍疾÷逝c平均相對濕度呈現(xiàn)負相關；</p><p>　　3）對題目附錄中2007年至2010年的數據進行統(tǒng)計處理，研究每項環(huán)境因素（壓力差、溫度差、相對濕度差）與當月患病人數的變化規(guī)律。</p

34、><p>　?、?2007年各項環(huán)境因數與患病率關系的折線圖 ：分別是壓力差、溫度差、及相對濕度差與患病率的折線圖</p><p>　　② 2008年各項環(huán)境因數與患病率關系的折線圖 ：分別是壓力差、溫度差、及相對濕度差與患病率的折線圖</p><p>　?、?2009年各項環(huán)境因數與患病率關系的折線圖 ：分別是壓力差、溫度差、及相對濕度差與患病率的折線圖</p&

35、gt;<p>　?、?2010年各項環(huán)境因數與患病率關系的折線圖 ：分別是壓力差、溫度差、及相對濕度差與患病率的折線圖</p><p>　　由上面縱多數據系列統(tǒng)計以及圖像的分析研究，發(fā)現(xiàn)溫度、氣壓以及大氣濕度之間都具有線性關系，溫差變化大的季節(jié)，腦卒中的發(fā)生率也會隨之升高。 </p><p>　　4.3 問題三的分析總結</p><p><b&g

36、t;　　4.3.1</b></p><p>　　● 腦中風的重要特征：</p><p>　　1、頭暈，特別是突然發(fā)生的眩暈；2、頭痛，與平日不同的頭痛即頭痛突然加重或由間斷性頭痛變?yōu)槌掷m(xù)性劇烈頭痛；3、肢體麻木，突然感到一側臉部或手腳麻木，有的為舌麻、唇麻或一側上下肢發(fā)麻。4、突然一側肢體無力或活動不靈活，時發(fā)時停；5、暫時的吐字不清或講話不靈；6、突然出現(xiàn)原因不明的跌跤或暈倒

37、；7、精神改變，短暫的意識喪失，個性的突然改變和短暫的判斷或智力障礙；8、出現(xiàn)嗜睡狀態(tài)，即整天的昏昏欲睡；9、突然出現(xiàn)一時性視物不清或自覺眼前一片發(fā)黑，甚至一時性突然失明；10、惡心嘔吐或呃逆，或血壓波動并伴有頭暈、眼花耳鳴；11、一側或某一肢體不由自主抽動；12、鼻出血，特別是頻繁性鼻出血。</p><p>　　● 腦中風的關鍵指標：</p><p>　　1、 高血壓病，無論是出血性中風

38、還是缺血性中風，高血壓是最主要的獨立危險因素。通過降壓藥、低鹽飲食等將血壓逐漸降至140/90mmHg以下。 </p><p>　　2、 糖尿病，通過控制飲食、降糖藥，將血糖降至3.9-6.1mmol/L正常范圍。 </p><p>　　3、 心臟疾病，如風濕性心臟病、冠心病。尤其防止心房顫動引起栓子脫落造成腦栓塞。 </p><p>　　4、 血脂代謝紊亂，極低密

39、度脂蛋白、低密度脂蛋白是引起動脈粥樣硬化的最主要脂蛋白，高密度脂蛋白是抗動脈硬化脂蛋白。 </p><p>　　5、短暫性腦缺血發(fā)作（TIA），TIA本身是缺血性中風分類的一個類型，也可以是腦梗塞的先兆或前區(qū)癥狀，應及時治療。 </p><p><b>　　6、吸煙與酗酒； </b></p><p>　　7、血液流變學紊亂，特別是全血黏度增加時

40、腦血流量下降，其中紅細胞比積增高和纖維蛋白原水平增高是缺血性中風的主要危險因素； </p><p>　　8、肥胖，肥胖與超重均為缺血性中風的危險因素，與出血性中風無關。 </p><p>　　9、 年齡和性別，年齡是動脈粥樣硬化的重要危險因素，粥樣硬化程度隨年齡增高而增加。</p><p>　　4.3.2 結合模型一、模型二中所得結論，提出對高危人群預警和干預的建議

41、方案：</p><p>　　1），結合模型一、模型二中所得結論，我們需要進行風險評估。</p><p>　　① 首先，結合性別、職業(yè)、不同年齡階段、不同月份與腦卒風患病率之間的關系，進行風險評估。由模型一，我們知道：在每個年齡組的發(fā)病率中 ；農民與工人患腦卒中的概率很大，而醫(yī)務人員及職工、教師患病概率很?。荒X卒中發(fā)生率：老年人＞中年人＞青年人；春夏季節(jié)時腦卒中的患病率要低于秋冬季節(jié)。<

42、;/p><p>　　② 其次，根據模型二，我們知道：腦卒中發(fā)病率與氣溫、氣壓、相對濕度之間具有密切的關系</p><p>　?、?根據這些模型的建立及相關數據的分析，掌握疾病發(fā)病的規(guī)律，盡量讓所有人掌握腦中風的相關知識，減少此種疾病的發(fā)生及危害。</p><p>　　2）對高危人群預警和干預的建議方案：</p><p>　　● 對國家社會的建議方

43、案：</p><p>　?、?開展健康教育，進行腦卒風相關知識測試，并落實到每個人，通過健康教育宣傳體育鍛煉對健康的益處，帶領他們做健身訓練操，讓其保持樂觀的心情。</p><p>　?、?行為干預措施：針對高危人群個體設置飲食和運動指導意見，強化運動的強度要適中。</p><p>　?、劢⒕用窠】禉n案，采取各種行為方式積極發(fā)現(xiàn)社區(qū)內腦中風病的高危人群。</

44、p><p>　?、芙⒛X中風病高危人群的信息庫，對高血壓、糖尿病、血脂紊亂、肥胖等不同危險因素實行分類管理。</p><p>　?、輰哂心X中風病高危危險因素的人群(高血壓、糖尿病、脂代謝異常、冠心病，房顫等)實行規(guī)范劃的基本治療，追蹤患者病情，及時調整用藥，發(fā)現(xiàn)異常情況及時向患者提出預警。</p><p>　　⑥對社區(qū)腦中風病防治進行質控和評估。</p>

45、<p>　　● 對個人的建議方案：</p><p>　　①打破舊習慣的約束，加強鍛煉身體。</p><p>　?、诠?jié)制飲食，飲食須清淡有節(jié)制，戒煙酒，保持大便通暢。</p><p>　?、圩⒁鈿庀笠蛩氐挠绊懀杭竟?jié)與氣候變化會使高血壓病人情緒不穩(wěn)，血壓波動，誘發(fā)中風，在天氣環(huán)境變化大時，注意自己衣著。</p><p><b&g

46、t;　?、茏⒁舛ㄆ跈z查。</b></p><p><b>　　五、模型的檢驗</b></p><p><b>　　1，對模型二的檢驗</b></p><p>　　1.1 （1）對于自變量p個自變量x1，x2，…，xp中，以其中一個xi作為因變量作回歸以及其它p-1個變量為自變量，得到相應的決定系數Ri。定義xi

47、的膨脹因子</p><p>　?。?）VIFi=1對應說明xi與其它p-1個自變量無共線。</p><p>　?。?）當對應VIFi>1</p><p>　?。?）當，說明xi與其它p-1個自變量完全共線，對應VIFi成為無窮大。</p><p>　?。?）通常認為在p個自變量x1，x2，…，xp中,最大的VIF>10，則認為嚴重

48、共線，最小二乘估計受到較嚴重的影響。</p><p>　　(6）平均VIF＝>>1，則認為</p><p>　　（7）尋找影響因變量的主要因素。</p><p>　　（8）用回歸進行兩組或多組的均數比較并校正混雜因素的影響。</p><p>　　1.2 利用MATLAB軟件，可以得出殘差與擬合值的散點圖及時序圖如下（可以參考附件

49、4）：</p><p>　　圖形1：患病率與氣壓之間的散點圖及時序圖，其程序見附件4.4</p><p>　?、?殘差與擬合值的散點圖</p><p><b>　?、?時序殘差圖</b></p><p>　　圖形二：患病率與溫度之間的散點圖及時序圖，其程序見附件4.5</p><p>　?、?殘差

50、與擬合值的散點圖</p><p><b>　　② 時序殘差圖</b></p><p>　　圖形三：患病率與相對濕度之間的散點圖及時序圖，其程序見附件4.6</p><p>　　① 殘差與擬合值的散點圖</p><p><b>　　時序殘差圖</b></p><p>　　1)相

51、關系數R的評價：一般地，相關系數絕對值在0.8—1范圍內，可判斷回歸自變量與因變量具有較強的線性相關性。本例氣壓R、氣溫R、相對濕度R的絕對值分別為0.0013、0.0008、0.0070，表明線性相關性較弱。</p><p>　　2）F檢驗法：當>時則拒絕原假設，即認為因變量y與自變量，、、、、、、、之間顯著地有線性相關關系；否則認為因變量y與自變量，、、、、、、、之間線性相關關系不顯著。氣壓= 0.05

52、79 、。氣溫= 0.0370、相對濕度 = 0.0340通過查表得到，線性相關性不強。</p><p>　　3）值檢驗：若<（為給定的顯著水平），則說明因變量y與自變量，、、、、、、、之間顯著地有線性相關關系，本模型輸出結果，=0.0000，顯然滿足<=0.05</p><p><b>　　六、模型的推廣</b></p><p>

53、　　我們建立的模型基于多元回歸分析與灰色模型及excel進行數據的處理.對于調查統(tǒng)計腦中風可以根據模型達到較高的精度,能夠很好的運用。掌握疾病發(fā)病率的規(guī)律，對于衛(wèi)生行政部門和醫(yī)療機構合理調配醫(yī)務力量、改善就診治療環(huán)境、配置床位和醫(yī)療藥物等都具有實際的指導意義。若本論文能夠在糖尿病,艾滋病等高危人群的疾病進一步的深究的話,將會有更大的現(xiàn)實推廣意義。</p><p><b>　　七、模型的優(yōu)缺點</b

54、></p><p><b>　　優(yōu)點 ：</b></p><p>　　1）可以方便的根據病人基本信息，對發(fā)病人群進行統(tǒng)計描述模型的適應范圍廣。</p><p>　　模型中涉及的各數據可以通過Excel或Matlab程序處理（少量數據可以采用Excel輕快處理，數據規(guī)模較大時由Matlab程序實現(xiàn)，見附錄）。</p><

55、p>　　模型中涉及的某些權重具有一定的創(chuàng)新性</p><p>　　3）計算和表示更加客觀和清晰，便于理解。</p><p>　　4）它存在反饋機制，并且具有穩(wěn)定性、靈活性，能夠準確地處理殘缺及不一致性很差的數據。</p><p>　　可以加入其他條件的限制，使得到的方案更加實用。</p><p>　　6）風險評估，在通過方案的評估和論證

56、后，不僅對方案進行了修改和充實，還對打算要實施的方案會產生的影響有了進一步的了解，對決定實施的重大事項中存在的不穩(wěn)定因素要制定好應急預案，一旦發(fā)生要立即根據預案進行化解，詳細評估的結果可用來管理安全變化。。</p><p><b>　　缺點 ：</b></p><p>　　由常識或資料給出，可能和實際過程中稍有出入。</p><p>　　建模方

57、法相對單一，對同一個數據沒有建立多個模型。算法復雜，必須用到計算機。</p><p>　　八 參考文獻及參考書籍</p><p>　　[1] 章紹輝，數學建模，北京：科學出版社，2010。</p><p>　　[2] 韓中庚，數學建模方法及其應用(第一版)，北京：高等教育出版社，2005。</p><p>　　[3] 陳光亭、裘哲勇、主編，

58、 數學建模，北京：高等教育出版社，2010。</p><p>　　[4] 姜啟源，數學模型（第三版），北京：高等教育出版社，2003。</p><p><b>　　附件 ：</b></p><p><b>　　附件1</b></p><p><b>　　表格及圖1</b>&l

59、t;/p><p>　　2007年各職業(yè)患病人數</p><p><b>　　表格及圖2</b></p><p>　　2008年各職業(yè)患病人數</p><p><b>　　表格及圖3</b></p><p>　　2009年各職業(yè)患病人數</p><p>&l

60、t;b>　　表格及圖4 </b></p><p>　　2010年各職業(yè)患病人數</p><p><b>　　附件2</b></p><p><b>　　表格1</b></p><p>　　（2007年數據分析）</p><p><b>　　表格2

61、 </b></p><p><b>　　2008年數據分析</b></p><p><b>　　表格3</b></p><p><b>　　2009年數據分析</b></p><p><b>　　表格4</b></p><p

62、><b>　　2010年數據分析</b></p><p><b>　　附件3</b></p><p><b>　　表格1 </b></p><p><b>　　表格2</b></p><p><b>　　圖形1</b></

63、p><p><b>　　圖形2</b></p><p><b>　　圖形3</b></p><p><b>　　圖形4</b></p><p><b>　　附件4</b></p><p>　　1各年份的氣壓差x與患病率y之間的matla

64、b模型，即程序4.1</p><p>　　= [4.087096774 5.764285714 6.338709677 5.313333333 4.983870968 3.326666667 3.548387097 3.709677419 3.636666667 3.867741935 4.013333333 4.6;</p><p><b>　　]</b><

65、/p><p>　　= [5.209677419 5.14137931 5.109677419 5.38 4.622580645 4.07 3.516129032 3.309677419 3.43 3.951612903 4.243333333 6.222580645;</p><p><b>　　]</b></p><p>　

66、　= [5.493548387 6.675 6.603225806 5.2 4.270967742 3.593333333 3.496774194 3.319354839 3.243333333 3.761290323 5.32 4.912903226</p><p><b>　　;</b></p><p><b>　　]</b>&

67、lt;/p><p>　　= [6.696774194 5.939285714 7.458064516 7.03 4.212903226 3.073333333 3.225806452 3.567741935 3.34 3.738709677 4.373333333 6.374193548;</p><p><b>　　]</b></p>&l

68、t;p>　　= [8.3 8.1 8.9 7.8 9.8 7.7 8.9 8.5 8 9.3 8.5 6.2;</p><p><b>　　]</b></p><p>　　= [10.4 11.2 11 10 9.9 8.1 7.7 8.1 7.2 8.1 5.7 3.1;</p><p><b>　　]&

69、lt;/b></p><p>　　= [8.3 8.1 8.9 7.8 9.8 7.7 8.9 8.5 8 9.3 8.5 6.2</p><p><b>　　;</b></p><p><b>　　]</b></p><p>　　= [6.696774194 5.93928571

70、4 7.458064516 7.03 4.212903226 3.073333333 3.225806452 3.567741935 3.34 3.738709677 4.373333333 6.374193548;</p><p><b>　　]</b></p><p>　　subplot(1,4,1),plot(x1,y1,'*'),t

71、itle('y1Óëx1µÄÉ¢µãͼ')</p><p>　　subplot(1,4,2),plot(x2,y2,'*'),title('y2Óëx2µÄÉ¢µãͼ

72、9;)</p><p>　　subplot(1,4,3),plot(x3,y3,'o'),title('y3Óëx3µÄÉ¢µãͼ')</p><p>　　subplot(1,4,4),plot(x4,y4,'*'),title('y

73、4Óëx4µÄÉ¢µãͼ')</p><p>　　各年份的氣溫x與患病率y之間的matlab模型，即程序4.2</p><p>　　= [6.170967742 8.657142857 7.977419355 9.046666667 9.151612903 6.06666666

74、7 7.364516129 6.987096774 6.403333333 7.429032258 8.103333333 5.877419355;</p><p><b>　　]</b></p><p>　　= [5.387096774 8.182758621 8.95483871 7.85 9.770967742 5.76 7.625806452

75、 7.019354839 6.863333333 6.880645161 7.506666667 8.941935484;</p><p><b>　　]</b></p><p>　　= [7.651612903 5.689285714 8.009677419 9.146666667 10.62258065 8.196666667 7.264516129 5.77

76、7419355 6.063333333 8.567741935 7.216666667 6.790322581;</p><p><b>　　]</b></p><p>　　= [7.651612903 5.689285714 8.009677419 9.146666667 10.62258065 8.196666667 7.264516129 5.7774193

77、55 6.063333333 8.567741935 7.216666667 6.790322581;</p><p><b>　　]</b></p><p>　　= [7.6 5.8 8 8.6 8.5 8.2 8.1 9.4 9.6 10.2 8.9 6.9;</p><p><b>　　]</b><

78、;/p><p>　　= [10.4 11.2 11 10 9.9 8.1 7.7 8.1 7.2 8.1 5.7 3.1;</p><p><b>　　]</b></p><p>　　= [8.3 8.1 8.9 7.8 9.8 7.7 8.9 8.5 8 9.3 8.5 6.2;</p><p><

79、;b>　　]</b></p><p>　　= [9 7.8 9 8.5 9.6 7.8 9.1 8.7 8.2 9 8.3 5.4;</p><p><b>　　]</b></p><p>　　subplot(1,4,1),plot(x5,y5,'*'),title('y5Óë

80、;x5µÄÉ¢µãͼ')</p><p>　　subplot(1,4,2),plot(x6,y6,'*'),title('y6Óëx6µÄÉ¢µãͼ')</p><p>

81、;　　subplot(1,4,3),plot(x7,y7,'o'),title('y7Óëx7µÄÉ¢µãͼ')</p><p>　　subplot(1,4,4),plot(x8,y8,'*'),title('y8Óëx8µ&#

82、196;É¢µãͼ')</p><p>　　各年份的相對濕度x與患病率y之間的matlab模型，即程序4.3</p><p>　　= [22.06451613 24.71428571 20.70967742 24.4 22.38709677 16.4 17.90322581 18.09677419 15.

83、3 19.67741935 16.6 8.935483871;</p><p><b>　　]</b></p><p>　　= [2.290322581 15.10344828 21.35483871 15.8 25.83870968 15.83333333 20.06451613 20.19354839 20.83333333 21.451612

84、9 24.63333333 25.58064516;</p><p><b>　　]</b></p><p>　　= [22.61290323 15.92857143 21.64516129 25 26.74193548 22.63333333 18.51612903 16.5483871 17.26666667 27.19354839 20.53333333

85、 21.32258065;</p><p><b>　　]</b></p><p>　　= [20.32258065 19.25 19.70967742 19.16666667 21.83870968 19.43333333 17.4516129 19.93548387 18.73333333 22.19354839 26.46666667 23.709677

86、42;</p><p><b>　　]</b></p><p>　　= [7.6 5.8 8 8.6 8.5 8.2 8.1 9.4 9.6 10.2 8.9 6.9;</p><p><b>　　]</b></p><p>　　= [10.4 11.2 11 10 9.9

87、8.1 7.7 8.1 7.2 8.1 5.7 3.1;</p><p><b>　　]</b></p><p>　　= [8.3 8.1 8.9 7.8 9.8 7.7 8.9 8.5 8 9.3 8.5 6.2;</p><p><b>　　]</b></p><p>　　= [9

88、7.8 9 8.5 9.6 7.8 9.1 8.7 8.2 9 8.3 5.4;</p><p><b>　　]</b></p><p>　　subplot(1,4,1),plot(x9,y9,'*'),title('y9Óëx9µÄÉ¢µãÍ&#

89、188;')</p><p>　　subplot(1,4,2),plot(x10,y10,'*'),title('y10Óëx10µÄÉ¢µãͼ')</p><p>　　subplot(1,4,3),plot(x11,y11,'o')

90、,title('y11Óëx11µÄÉ¢µãͼ')</p><p>　　subplot(1,4,4),plot(x12,y12,'*'),title('y12Óëx12µÄÉ¢µãÍ&

91、#188;')</p><p><b>　　4.4程序</b></p><p><b>　　clc,clear</b></p><p>　　x1 = [4.087096774,5.764285714,6.338709677,5.313333333,4.983870968,3.326666667,3.54838709

92、7,3.709677419,3.636666667,3.867741935,4.013333333,4.6,5.209677419 ,5.14137931,5.109677419,5.38,4.622580645,4.07,3.516129032,3.309677419,3.43,3.951612903,4.243333333,6.222580645,5.493548387,6.675,6.603225806,5.2,4.27096

93、7742,3.593333333,3.496774194,3.319354839,3.243333333,3.761290323,5.32,4.912903226,6.696774194,5.939285714,7.458064516 ,7.03,4.212903226,3.073333333,3.225806452,3.567741935,3.34,3.738709677,4</p><p>　　X = [

94、ones(48,1) x1];</p><p>　　y1=[7.6,7.6,7.6 ,7.6,7.6,7.6,7.6,7.6,7.6,7.6,7.6,7.6,10.4,11.2,11,10 ,9.9,8.1,7.7,8.1,7.2,8.1,5.7,3.1,8.3 ,8.1,8.9,7.8,9.8,7.7,8.9,8.5,8,9.3,8.5,6.2,9,7.8,9 ,8.5,9.6,7.8,9.1,8

95、.7,8.2,9,8.3 ,5.4;]';</p><p>　　[b,bint,r,rint,stats] = regress(y1,X);</p><p>　　b,bint,stats</p><p>　　rcoplot(r,rint)</p><p><b>　　figure(2)</b></p>

96、;<p>　　z=b(1)+b(2).*x1</p><p>　　plot(x1,y1,'k+',x1,z,'r')</p><p>　　4.5程序clc,clear</p><p>　　x2 = [6.170967742, 8.657142857 ,7.977419355 ,9.046666667 ,9.

97、151612903, 6.066666667 ,7.364516129, 6.987096774 ,6.403333333, 7.429032258 ,8.103333333 ,5.877419355,5.387096774, 8.182758621 ,8.95483871 ,7.85 ,9.770967742, 5.76, 7.625806452 ,7.019354839, 6.863333333

98、 ,6.880645161, 7.506666667, 8.941935484,7.651612903 ,5.689285714, 8.009677419 ,9.146666667, 10.62258065 ,8.196666667, 7.264516129 ,5.777419355, 6.063333333, 8.567741935, 7.216666667, 6.790322</p&

99、gt;<p>　　X = [ones(48,1) x2];</p><p>　　y2 = [7.6, 5.8 ,8 ,8.6 ,8.5, 8.2 ,8.1, 9.4 ,9.6, 10.2, 8.9, 6.9,10.4, 11.2, 11, 10 ,9.9, 8.1 ,7.7, 8.1 ,7.2, 8.1 ,5.7, 3.1,8.3 ,8.1,

100、 8.9 ,7.8, 9.8 ,7.7, 8.9 ,8.5, 8 ,9.3, 8.5 ,6.2,9 ,7.8 ,9 ,8.5, 9.6 ,7.8 ,9.1, 8.7 ,8.2, 9 ,8.3, 5.4]';</p><p>　　[b,bint,r,rint,stats] = regress(y2,X);</p><p>　

101、　b,bint,stats</p><p>　　rcoplot(r,rint)</p><p><b>　　figure(2)</b></p><p>　　z=b(1)+b(2).*x2</p><p>　　plot(x2,y2,'k+',x2,z,'r')</p><

102、p><b>　　4.6程序</b></p><p><b>　　clc,clear</b></p><p>　　x3 = [22.06451613, 24.71428571, 69.29032258 ,24.4, 22.38709677, 16.4 ,17.90322581, 18.09677419 ,15.3,

103、 19.67741935 ,16.6, 8.935483871,10.4, 11.2, 11 ,10 ,9.9 ,8.1, 7.7 ,8.1, 7.2, 8.1 ,5.7, 3.1,8.3, 8.1 ,8.9 ,7.8, 9.8, 7.7 ,8.9 ,8.5, 8 ,9.3, 8.5, 6.2,9, 7.8 ,9 ,8.5, 9.6 ,7.8

104、 ,9.1, 8.7, 8.2, 9 ,8.3 ,5.4]';</p><p>　　X = [ones(48,1) x3];</p><p>　　y3=[7.6, 5.8 ,8 ,8.6, 8.5 ,8.2, 8.1, 9.4 ,9.6, 10.2, 8.9 ,6.9,10.4, 11.2, 11, 10 ,9.9

105、 ,8.1 ,7.7, 8.1 ,7.2, 8.1, 5.7, 3.1,8.3 ,8.1, 8.9, 7.8, 9.8, 7.7 ,8.9, 8.5, 8, 9.3 ,8.5, 6.2,9, 7.8 ,9, 8.5, 9.6 ,7.8, 9.1 ,8.7, 8.2, 9, 8.3 ,5.4]';</p><p>　　

106、[b,bint,r,rint,stats] = regress(y3,X);</p><p>　　b,bint,stats</p><p>　　rcoplot(r,rint)</p><p><b>　　figure(2)</b></p><p>　　z=b(1)+b(2).*x3</p><p>