Journals / Hacettepe Sağlık İdaresi Dergisi / 2019 / Cilt: 22 - Sayı: 4

RUH SAĞLIĞI VE HASTALIKLARI POLİKLİNİĞİNE OLAN TALEBİN ZAMAN SERİLERİ MODELLERİ İLE TAHMİNİ

Pages
749–764
Publication Date
2022-10-17
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuç olarak 2019-2023 yılları arasında belirtilen polikliniğe olan talebin cinsiyet bakımından hem kadın hem erkek; yaş bakımından hem 18 yaş altı hem de 18 yaş ve üstü ve toplam hasta sayısı bakımından da her geçen yıl artacağı, 2023’te 90.173 kişiye ulaşacağı öngörülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışma, bir eğitim ve araştırma hastanesinin çocuk ve erişkin ruh sağlığı ve hastalıkları polikliniğine gelecek yıllarda oluşabilecek talebin belirlenmesini amaçlamaktadır.
📊
Key Findings & Data:Bu amaca ulaşabilmek için Gri Tahmin Modeli GM(1,1), Basit Üstel Düzeltme Modeli, Üstel Modelleme ve Doğrusal Regresyon Modeli kullanılmıştır.
💡
Conclusion & Impact:Sonuç olarak 2019-2023 yılları arasında belirtilen polikliniğe olan talebin cinsiyet bakımından hem kadın hem erkek; yaş bakımından hem 18 yaş altı hem de 18 yaş ve üstü ve toplam hasta sayısı bakımından da her geçen yıl artacağı, 2023’te 90.173 kişiye ulaşacağı öngörülmüştür.
🔬Design:Modeling & Simulation
📍Scope:2012-2018 Verileri
⚙️Variables:Talep tahmini · gri tahminleme yöntemi · basit üstel düzeltme yöntemi

Özet

Bu çalışma, bir eğitim ve araştırma hastanesinin çocuk ve erişkin ruh sağlığı ve hastalıkları polikliniğine gelecek yıllarda oluşabilecek talebin belirlenmesini amaçlamaktadır. Bu amaca ulaşabilmek için Gri Tahmin Modeli GM(1,1), Basit Üstel Düzeltme Modeli, Üstel Modelleme ve Doğrusal Regresyon Modeli kullanılmıştır. Araştırma verileri, 2012-2018 yılları arasında ortaya çıkan yedi yıllık talepten oluşmaktadır. Tahminde bulunulurken cinsiyet ve yaş değişkenleri aracılığı ile ayrıştırılmış tahminler yapılmıştır. Modellerin tahmin performansı ortalama mutlak hata yüzdesi (mean absolute percentage error-MAPE) ve kök ortalama kare hata (root mean square error-RMSE) ile ölçülmüştür. Karşılaştırmalar sonucunda GM(1,1)’in (toplam için MAPE=8,82; RMSE=3487) diğer modellere göre daha iyi performans gösterdiği tespit edilmiştir. Bu nedenle gelecek tahmini GM(1,1) modeli ile gerçekleştirilmiştir. Sonuç olarak 2019-2023 yılları arasında belirtilen polikliniğe olan talebin cinsiyet bakımından hem kadın hem erkek; yaş bakımından hem 18 yaş altı hem de 18 yaş ve üstü ve toplam hasta sayısı bakımından da her geçen yıl artacağı, 2023’te 90.173 kişiye ulaşacağı öngörülmüştür.

🔖

Cite This Article

ŞAHİN, T. (2022). RUH SAĞLIĞI VE HASTALIKLARI POLİKLİNİĞİNE OLAN TALEBİN ZAMAN SERİLERİ MODELLERİ İLE TAHMİNİ. Hacettepe Sağlık İdaresi Dergisi, Cilt: 22 - Sayı: 4, 749–764. https://ajindex.com/articles/530982

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Abdel-Aal R.E. and Mangoud A.M. (1998) Modeling and Forecasting Monthly Patient Volume at a Primary Health Care Clinic Using Univariate Time-Series Analysis. Computer Methods and Programs in Biomedicine 56(1998): 235–247
  2. Abdullah S., Sapii N., Dir S. and Jalal T.M.T. (2012) Application of univariate forecasting models of tuberculosis cases in Kelantan. 2012 International Conference on Statistics in Science, Business and Engineering (ICSSBE) 10-12 Sept. 2012, Langkawi, Malaysia
  3. Agrawal R.K., Muchahary F. and Tripathi M.M. (2019) Ensemble of Relevance Vector Machines and Boosted Trees for Electricity Price Forecasting. Applied Energy 250: 540-548
  4. Ayvaz B. and Kusakci A.O. (2017) Electricity Consumption Forecasting for Turkey with Nonhomogeneous Discrete Grey Model. Energy Sources, Part B: Economics, Planning, and Policy 12(3): 260-267
  5. Ayvaz B., Boltürk E. ve Kaçtıoğlu S. (2014) A Grey System for the Forecasting of Return Product Quantity in Recycling Network. International Journal of Supply Chain Management 3(3):105-112
  6. Barros O., Weber R., Reveco C., Ferro E. and Julio C. (2011) Demand Forecasting and Capacity Management for Hospitals. Documentos de Trabajo, Serie Gestion, http://www.dii.uchile.cl/~ceges/publicaciones/ceges%20123%20OB.pdf Erişim Tarihi: 08.01.2019
  7. Bergmeir C., Hyndman R. J. and Benitez J. M. (2016) Bagging Exponential Smoothing Methods using STL Decomposition and Box–Cox Transformation. International Journal of Forecasting 32(2016):303–312
  8. Dang H.S., Huang Y.F., Wang C.N. and Nguyen T.M.T. (2016) An Application of the Short-Term Forecasting with Limited Data in the Healthcare Traveling Industry. Sustainability 8(1037):1-14
  9. DHA (2017) 6 yılda 32 bin 262 Kişi Mobbinge Uğradı. 31.08.2017 Haberi. http://www.hurriyet.com.tr/6-yilda-32-bin-262-kisi-mobbinge-ugradi-40566418, Erişim Tarihi: 06.02.2019
  10. Falayi E.O., Adepitan J.O., and Rabiu A.B. (2008) Empirical Models for the Correlation of Global Solar Radiation with Meteorological Data for Iseyin, Nigeria. International Journal of Physical Sciences, 3(9):210-216
  11. Hyndman R.J. and Athanasopoulos G. (2018) Forecasting: Principles and Practice. OTexts, BC
  12. İHA (2018) Cinsel İstismar Dava İstatistikleri Paylaşıldı. 20.02.2018 Haberi. https://www.memurlar.net/haber/729816/cinsel-istismar-dava-istatistikleri-paylasildi.html, Erişim Tarihi: 06.02.2019
  13. Iqelan B.M. (2017) Forecasts of Female Breast Cancer Referrals Using Grey Prediction Model GM(1,1). Ap