当前位置：首页 > news >正文

Python实战：两步移动搜索法（2SFCA）在医疗资源可达性分析中的应用

news 2026/5/12 8:36:13

1. 什么是两步移动搜索法（2SFCA）？

第一次听说两步移动搜索法（2SFCA）时，我完全被这个专业名词唬住了。后来在实际项目中用了才发现，它其实就是个"找资源"的聪明算法。想象一下你住在一个新小区，想知道周围5公里内有多少家医院，每家医院能服务多少人——这就是2SFCA要解决的问题。

2SFCA全称Two-Step Floating Catchment Area Method，中文叫两步移动搜索法。它是地理信息系统（GIS）中评估空间可达性的经典方法，特别适合分析医疗资源分布是否合理。我在做某城市社区卫生服务中心规划时，就用这个方法发现了三个医疗资源严重不足的"盲区"。

这个方法的核心思想分两步走：第一步，医院"看"周围有多少潜在患者；第二步，居民"看"周围有多少医疗资源。通过这种双向计算，能更真实地反映资源供需关系。比如三甲医院虽然床位多，但如果服务半径内人口过于密集，实际人均资源可能还不如社区医院。

2. 为什么医疗资源分析需要Python+2SFCA？

去年参与一个县域医疗改革项目时，领导扔给我一份包含87个村卫生室和23万居民的数据。如果用传统GIS软件手动分析，估计要加班一个月。换成Python+2SFCA组合后，三天就输出了可视化报告。

Python在这方面的优势太明显了：

数据处理能力强：用pandas可以轻松处理几十万条居民登记数据
地理计算便捷：geopandas可以直接计算每个居民点到最近医院的路网距离
灵活调整参数：比如发现5公里服务半径不合理，改个参数就能重新计算
可视化直观：matplotlib+folium能生成交互式地图，比静态报表更有说服力

实测案例：某区妇幼保健院搬迁方案比选时，我们用2SFCA计算发现，看似方便的A选址会导致西北片区孕妇就诊距离增加47%，最终采纳了更均衡的B方案。这种量化分析比"我觉得"更有说服力。

3. 手把手实现2SFCA完整流程

3.1 数据准备阶段

先说说我踩过的坑——数据质量决定分析成败。需要准备三类核心数据：

供给点数据（医院信息）：

import pandas as pd hospitals = pd.DataFrame({ 'id': ['h1','h2','h3'], 'beds': [300, 150, 80], # 床位数代表供给能力 'geometry': [Point(116.3,39.9), Point(116.4,39.8), Point(116.35,39.85)] })

需求点数据（居民分布）：

from shapely.geometry import Point population = pd.DataFrame({ 'village_id': ['v1','v2','v3'], 'residents': [1200, 800, 1500], # 常住人口数 'geometry': [Point(116.28,39.92), Point(116.42,39.79), Point(116.38,39.87)] })

距离矩阵：

from scipy.spatial.distance import cdist coords_h = np.array([[p.x, p.y] for p in hospitals.geometry]) coords_v = np.array([[p.x, p.y] for p in population.geometry]) distance_matrix = pd.DataFrame( cdist(coords_h, coords_v, metric='euclidean'), index=hospitals['id'], columns=population['village_id'] )

注意：实际项目要用路网距离而非直线距离，可以用osmnx包获取真实道路数据

3.2 核心算法实现

这是我优化过的2SFCA实现版本，增加了距离衰减函数：

def enhanced_2sfca(supply_df, demand_df, distance_df, max_dist=10, decay_type='linear'): """ 改进版2SFCA算法，支持多种距离衰减函数 :param decay_type: linear/gaussian/exponential """ # 第一步：计算供给点权重 supply_weights = {} for sid, srow in supply_df.iterrows(): valid_demands = [] for did, dist in distance_df.loc[sid].items(): if dist <= max_dist: if decay_type == 'linear': weight = 1 - dist/max_dist elif decay_type == 'gaussian': weight = np.exp(-0.5*(dist/(max_dist/3))**2) else: # exponential weight = np.exp(-0.5*dist/max_dist) valid_demands.append(demand_df.loc[did, 'residents'] * weight) supply_weights[sid] = srow['beds'] / (sum(valid_demands) or 1e-6) # 第二步：计算可达性得分 accessibility = [] for did, drow in demand_df.iterrows(): score = 0 for sid, dist in distance_df[did].items(): if dist <= max_dist: if decay_type == 'linear': weight = 1 - dist/max_dist # ...同上衰减函数计算... score += supply_weights[sid] * weight accessibility.append(score) return pd.Series(accessibility, index=demand_df.index)

这个版本有三个实用改进：

支持三种距离衰减函数，更符合不同医疗场景（急诊适合指数衰减，慢性病适合线性衰减）
增加了分母保护机制（避免除零错误）
使用DataFrame索引提高可读性

4. 分析结果可视化技巧

光有数字不够直观，我常用以下可视化组合拳：

热力图+医院标记：

import folium from folium.plugins import HeatMap m = folium.Map(location=[39.9, 116.4], zoom_start=12) # 添加热力层 heat_data = [[row.geometry.y, row.geometry.x, score] for row, score in zip(population.itertuples(), accessibility)] HeatMap(heat_data, radius=15).add_to(m) # 标记医院位置 for idx, row in hospitals.iterrows(): folium.CircleMarker( location=[row.geometry.y, row.geometry.x], radius=row['beds']/50, color='red', fill=True ).add_to(m) m.save('healthcare_access.html')

可达性分级统计：

import matplotlib.pyplot as plt plt.hist(accessibility, bins=20, edgecolor='k') plt.xlabel('Accessibility Score') plt.ylabel('Number of Villages') plt.title('Distribution of Healthcare Accessibility') plt.axvline(x=np.mean(accessibility), color='r', linestyle='--') plt.show()

在实际汇报时，我还会制作动态图表展示不同服务半径下的变化。比如某次演示发现，当服务半径从10公里缩小到5公里时，偏远乡镇的可达性评分骤降63%，这成为新建社区卫生服务中心的关键证据。

5. 实战中的常见问题解决

问题1：距离矩阵计算太慢

解决方案：使用KDTree加速

from scipy.spatial import KDTree coords_tree = KDTree(coords_v) distances, indices = coords_tree.query(coords_h, k=1000, distance_upper_bound=max_dist)

问题2：异形行政区划计算不准

解决方案：用实际路网距离替换直线距离

import osmnx as ox G = ox.graph_from_place('北京市,中国', network_type='drive') orig_node = ox.nearest_nodes(G, X=116.3, Y=39.9) dest_node = ox.nearest_nodes(G, X=116.4, Y=39.8) route_length = ox.shortest_path_length(G, orig_node, dest_node, weight='length')

问题3：医疗资源类型差异

进阶方案：分层计算（三甲医院和社区医院分开评估）

hospitals['type'] = ['tertiary', 'community', 'community'] for hosp_type in hospitals['type'].unique(): subset = hospitals[hospitals['type']==hosp_type] # 单独计算每类医疗资源的可达性

最近还尝试结合手机信令数据，用实际出行时间代替理论距离，结果发现某些区域虽然直线距离近，但因为山路绕行实际可达性很差。这种真实世界数据能让分析结果更精准。