预测埃塞俄比亚农村家庭基本卫生服务的实现情况：一种整合逻辑回归与可解释机器学习的方法

《International Journal of Hygiene and Environmental Health》：Predicting basic sanitation service achievement among rural households in Ethiopia: An integrated logistic regression and explainable machine learning approach

　　

摘要：在撒哈拉以南非洲农村地区，基本卫生设施的获取仍是一个重大的公共卫生挑战，随地排便和未改善的卫生设施持续导致本可预防的疾病和死亡。尽管政府主导的各项倡议已取得进展，但埃塞俄比亚农村卫生覆盖率仍然严重低于可持续发展目标6的既定目标。本研究是一项基于社区的横断面研究，调查了埃塞俄比亚七个地区共842个农村家庭，旨在识别基本卫生服务实现的决定因素，并运用多变量逻辑回归和可解释机器学习算法构建预测模型。仅20.9%的家庭达到了至少基本卫生服务标准，55.8%的家庭使用未改善的卫生设施，17.1%的家庭仍随地排便。逻辑回归分析发现，隐私动机（校正优势比 AOR = 1.59，95%置信区间：1.10–2.33，p = 0.015）、将卫生视为宪法权利的认知（AOR = 1.51，95%置信区间：1.03–2.20，p = 0.034）以及获得专业指导的机会（AOR = 1.49，95%置信区间：1.02–2.19，p = 0.039）是最强的正向预测因素，而主要受同伴观察驱动的家庭实现服务的机会显著降低（AOR = 0.48，95%置信区间：0.28–0.81，p = 0.007）。在机器学习模型中，分类提升法（CatBoost）在准确率（72.6% vs 60.1%）和平衡准确率（74.7% vs 68.8%）方面均优于极端梯度提升法（XGBoost）。Shapley加性解释（SHAP）分析证实，权利认知和专业咨询是主要的保护因素，而同伴驱动的动力以及缺乏家庭厕所优先建设意识是影响未实现服务的最大预测因素。埃塞俄比亚农村地区未能实现基本卫生服务反映的不仅是基础设施缺口，更是认知和行为层面的障碍。卫生项目应在基础设施投资之外，加强权利意识宣传、社区卫生员参与以及家庭层面的优先排序意识。

引言：安全卫生设施的获取对公共卫生、环境可持续性和人的尊严至关重要，是2030年可持续发展目标6的核心组成部分，该目标旨在确保所有人公平获得水和卫生服务（联合国，2015）。尽管全球已取得进展，但卫生覆盖率仍然不足。世界卫生组织/联合国儿童基金会联合监测计划估计，约有35亿人仍缺乏安全管理的卫生服务，且负担集中在农村地区和撒哈拉以南非洲（WHO/UNICEF，2025）。卫生条件不佳会导致腹泻疾病、环境污染、儿童营养不良以及生活质量下降，对脆弱群体的影响尤为严重（Prüss-Ustün等，2019）。

在埃塞俄比亚，基本卫生设施的获取仍然是重大的公共卫生挑战，农村地区尤为突出。联合监测计划所定义的基本卫生，指的是使用与其他家庭不共用的改善型卫生设施（WHO/UNICEF，2023）。联合监测计划的卫生服务阶梯将家庭卫生分为五个层级：安全管理（改善型设施不与其他家庭共用，排泄物在现场安全处置或运至场外进行处理）、基本（改善型设施不与其他家庭共用，但未确认排泄物安全管理）、有限（改善型设施由两个或多个家庭共用）、未改善（未能将排泄物与人体安全隔离的设施，如无踏板的旱厕）以及随地排便。本研究聚焦于基本卫生而非安全管理卫生，因为在本次调查的农村非管网地区，家庭层面的排泄物管理和处理信息往往难以可靠获取，因此基本卫生服务覆盖率是最切合实际且具有政策相关性的衡量基准，可用于追踪该情境下可持续发展目标6的进展。国家层面的证据表明，覆盖率持续偏低，农村家庭明显落后于城市家庭，且许多家庭仍依赖未改善的设施（Desye等，2025；EPHI，2021）。地区间差异也明显存在，Benishangul-Gumuz、Gambela、Sidama以及Oromia部分地区报告的覆盖率尤其低下（Alemu等，2024；Desye等，2025）。

以往在埃塞俄比亚开展的研究已识别出与社会经济、人口统计、地理、行为及制度因素相关的卫生服务获取和利用关联因素。然而，埃塞俄比亚相关文献中对连接这些因素的机制，尤其是隐私动机、卫生教育、权利认知和家庭优先排序等感知和动机构念与卫生服务实现之间的关系，仍缺乏充分解释，且很少有研究探讨哪些具体的感知和行为路径可通过项目干预加以改善（Leshargie等，2018；Novotny和Mamo，2022）。家庭财富、教育水平、媒体接触、农村居住地、家庭结构、地区背景、供水获取、卫生认知、社会规范、可负担性、技术支持以及政府参与均与卫生结果相关联（Alemu等，2024；Desye等，2025；Keleb等，2024；Novotny和Mamo，2022；Tefera等，2024）。然而，现有大多数研究主要依赖传统统计方法，特别是逻辑回归，虽然该方法能够提供有用的校正关联，但可能无法完全捕捉预测变量之间的非线性关系和交互作用（James等，2021）。

机器学习方法为通过建模变量间的复杂关系来提高预测能力提供了机会（Obermeyer和Emanuel，2016；Waring等，2020）。XGBoost和CatBoost等算法在分类任务中表现出强劲的性能，包括在公共卫生和社科领域的应用，因为它们能够处理非线性模式和预测变量间的交互作用（Chen和Guestrin，2016；Prokhorenkova等，2019）。由于机器学习模型往往难以解读，可解释人工智能方法如SHAP越来越多地被用于量化单个预测变量对模型预测的贡献（Lundberg和Lee，2017）。因此，将逻辑回归与可解释机器学习相结合，可以为理解卫生服务实现同时提供统计推断和更好的预测能力（Molnar，2020）。以往在撒哈拉以南非洲的研究中，机器学习预测通常关注基础设施和财富相关的预测变量，而忽视了动机和行为因素（Kananura，2022；Meili等，2022；Nakibuule等，2026；Yitageasu等，2025）。

尽管卫生决定因素在埃塞俄比亚已被广泛研究，但对家庭认知、动机、卫生相关优先级、感知权利、专业咨询获取以及其他行为和制度影响因素的关注却相对不足。此外，关于可解释机器学习模型在预测埃塞俄比亚农村基本卫生服务实现方面应用的证据也有限。因此，本研究旨在通过整合多变量逻辑回归与可解释机器学习来填补这一证据空白，以识别、量化并解释埃塞俄比亚七个多样化地区农村家庭基本卫生服务实现的决定因素。首先应用逻辑回归生成可解释的、符合流行病学标准的校正优势比作为候选预测变量的指标，随后应用可解释机器学习以评估当非线性关系和交互作用被纳入后，相同的预测变量是否仍保持重要性；预测变量并未针对每种方法分别筛选，而是取自同一变量集，以便评估不同方法中排名的一致性作为稳健性检验。埃塞俄比亚的国家卫生倡议——包括社区卫生扩展项目、社区主导的全面卫生与卫生运动以及国家单一卫生和环境卫生项目——在过去二十年中扩大了厕所覆盖率和社区动员，但农村至少基本卫生覆盖率仍然较低，且关于这些项目持续实施后仍然存在的感知和动机障碍的证据有限；这一空白促使本研究将权利认知、动机和家庭优先排序作为未来项目设计的候选抓手。

研究区域：埃塞俄比亚是非洲之角的一个国家，面积约110万平方公里，估计人口超过1.3亿，是非洲人口第二多的国家。行政上，该国由12个区域州和2个城市行政区组成。约78%的人口居住在农村地区，农业是主要的生计来源。埃塞俄比亚政府已实施多项国家卫生倡议，包括卫生扩展项目……

受访者：在882个抽样家庭中，842个参与了研究，响应率为95.5%。超过90%的受访者为户主或户主配偶。与男性相比，女性在各年龄组的受访者中所占比例更大。两性受访者主要集中在25–29岁、30–34岁和35–39岁年龄段，其中30–34岁女性占比最高（图3）。

厕所设施：在842名受访者中，698人……

多变量逻辑回归模型输出：多变量逻辑回归模型用于识别与农村家庭基本卫生服务实现独立相关的因素。模型显示相对于零模型有所改进，加入解释变量后偏差（deviance）从865.98降至799.34。约66.64的偏差降幅表明预测变量整体上改善了模型拟合度。最终模型的赤池信息准则（AIC）为……

讨论：本研究为埃塞俄比亚农村家庭基本卫生服务实现的决定因素提供了重要的实证证据，整合了多变量逻辑回归与可解释机器学习模型（XGBoost和CatBoost）。引入SHAP增强了透明度，量化了每个预测变量对模型预测的贡献。这种可解释人工智能方法提高了政策制定者的信心，因为具有影响力的行为因素……

结论：本研究证明，埃塞俄比亚农村家庭的基本卫生服务实现率仍然严重偏低，仅20.9%的调查家庭达到联合监测计划所定义的至少基本卫生标准。埃塞俄比亚农村的卫生获取不仅仅取决于基础设施的可获得性。尽管大多数家庭拥有厕所，但大多数依赖的是未改善的设施，这一发现指向由认知、动机和质量缺口所根本塑造的差距……

作者贡献声明：Argaw Ambelu：撰写—审阅与编辑、撰写—初稿、项目管理、方法学、调查、资金获取、数据管理、概念化。Seblework Mekonen：撰写—审阅与编辑、方法学、数据管理。Taffere Addis：撰写—审阅与编辑、撰写—初稿、方法学、形式分析、数据管理。Abayneh Melaku：撰写—审阅与编辑、监督、方法学、形式分析。Alemu Kejela：撰写—审阅与编辑……

数据可用性：数据可应要求提供。

伦理声明：本研究已获得亚的斯亚贝巴大学机构审查委员会的伦理批准。本研究按照涉及人类参与者的研究公认伦理原则进行。在数据收集之前，向所有符合条件的受访者清楚说明了研究目的、程序、潜在益处、参与的自愿性质以及随时退出的权利。每位受访者均获得了自由和知情口头同意……

生成式AI和AI辅助技术声明：在撰写本手稿期间，作者使用了ChatGPT（OpenAI，GPT-5.5）作为AI辅助写作工具，以提高手稿的清晰度、语法、语言和结构，并协助编辑和排版部分文本。该AI工具还被用于改善表格、图表和图形摘要概念的呈现。研究设计、数据收集、统计分析、机器学习模型开发、结果解读、结论……

资助：数据收集资助由PSI Ethiopia提供。

利益冲突：作者声明无利益冲突。

致谢：作者衷心感谢所有为本研究成功完成提供支持的各个个人和组织。我们深切感谢各区域卫生局在整个研究期间提供的宝贵合作。他们的机构参与、田野准入的促进以及地方卫生部门的协调，对于顺利实施各研究地点的数据收集活动至关重要。我们……

Argaw Ambelu | Seblework Mekonen | Taffere Addis | Abayneh Melaku | Alemu Kejela | Ziyad Ahmed Abdo | Ashrafedin Youya | Claudio Valsangiacomo