摘要
本研究在印度尼西亚的区级层面构建了一个时空框架，用于分析和预测儿童发育迟缓的流行情况。实证分析基于2022年至2024年间对514个地区的观测数据，并将短期预测延伸至2025年至2027年，以符合可持续发展目标2.2（SDG 2.2）的要求。所采用的建模方法基于贝叶斯时空模型和SPDE-INLA方法。该模型不是分别处理空间和时间滞后效应，而是将它们同时纳入模型中，以反映这两个维度之间的相互依赖关系。这种结构有助于更灵活地描述潜在的风险动态。为了提高预测性能，我们在基线模型中加入了混合成分。具体而言，利用机器学习方法进一步分析了贝叶斯模型中的残差变异，从而提供了额外的调整层。空间依赖性通过三种不同的加权方案进行评估：KNN、Queen连续性和基于距离的矩阵，在选择最终模型之前对这三种方案进行了比较。实证模型在半参数框架内包含了九个关键预测因子，并允许某些协变量偏离严格的线性关系，以考虑时间变化的影响。在预测过程中评估了三种算法（XGBoost、随机森林和弹性网络）捕捉残差结构的能力。通过超越概率对时空聚类进行分析，识别出七种独特的聚类模式。研究结果一致表明，贫困是影响儿童发育迟缓的主要因素，同时存在明显的区域差异和时间变化。持续的高发区域主要集中在印度尼西亚东部。从预测角度来看，基于XGBoost的混合模型表现最为稳定。预测结果显示，在整个预测期内，儿童发育迟缓的流行率将逐渐下降。本研究揭示了儿童营养风险中的持续地理不平等现象，并据此制定了针对各地区的干预优先事项，为实现可持续发展目标2.2及其与目标1、3、4和6的关联提供了决策支持信息。
