Агуулга руу очих
library(mongolstats)
library(mongolmaps)
library(dplyr)
library(ggplot2)
# Шалгасан сургалтын туслах функцүүд багцад дагалдах бөгөөд кодыг нь үзэж болно.
source(system.file("examples", "analysis-helpers.R", package = "mongolstats"), local = TRUE)
source(system.file("examples", "plot-style.R", package = "mongolstats"), local = TRUE)

Тойм

Газар зүйн шинжилгээ эрүүл мэндийн тэгш бус байдлыг олж, арга хэмжээг чиглүүлэхэд тусална. Энэ заавар аймгийн түвшний эхийн болон нялхсын эндэгдлийн хоёр үзүүлэлтийг зураглана. Тоог шалгах, жижиг тоог нэгтгэх, тодорхойгүй байдлыг харуулах, тогтмол өнгийн ангиллын оронд юүлүүрэн графикаар харьцуулах алхмыг үзүүлнэ.

Хил заагийн өгөгдөл авах

mongolmaps засаг захиргааны бүх түвшний хил зааг агуулдаг. Нэгж бүр ҮСХ-ны кодтой тул mongolstats хүснэгтийг нэрээр бус, кодоор холбоно.

aimags <- mn_aimags() # 21 аймаг ба Улаанбаатар
aimags |>
  sf::st_drop_geometry() |>
  select(name, nso_code, iso_code, area_km2) |>
  head()
#> # A tibble: 6 × 4
#>   name        nso_code iso_code area_km2
#>   <chr>       <chr>    <chr>       <dbl>
#> 1 Ulaanbaatar 511      MN-1        4736.
#> 2 Dornod      421      MN-061    123523.
#> 3 Sukhbaatar  422      MN-051     82321.
#> 4 Khentii     423      MN-039     80743.
#> 5 Tuv         341      MN-047     73986.
#> 6 Govisumber  342      MN-064      5540.

mn_map(aimags, label = TRUE, title = "Mongolia's 21 Aimags and Ulaanbaatar") +
  analysis_map_theme()

Монголын 21 аймаг, нийслэл Улаанбаатарыг нэртэй нь харуулсан газрын зураг

Бусад түвшин мөн адил ажиллана: mn_regions(), mn_soums(), mn_ub_districts(), mn_khoroos(). mongolstats-ийн өөрийн geoBoundaries туслах mn_boundaries() болон нэрээр холбох функцүүдийг mongolmaps-аар орлуулахыг зөвлөж, хуучирсанд тооцсон.

ҮСХ-ны хүснэгтийн газар нутгийн код

ҮСХ-ны Region хэмжээс түвшнүүдийг хольдог: "0" нь улсын дүн, "1"–"4" нь эдийн засгийн дөрвөн бүс, "5" нь Улаанбаатар бүс, гурван оронтой код нь аймгууд. mn_join() аймгийн түвшнийг үлдээж, бусдыг хасна. Эрүүл мэндийн олон хүснэгт Улаанбаатарын тоог зөвхөн "5" бүсийн кодод хадгалж, аймгийн түвшний "511" кодыг хоосон үлдээдэг. mn_join() үүнийг таньж, мэдэгдэл өгөөд нийслэлийн утгыг бүсийн мөрөөс авдаг тул дахин кодлох шаардлагагүй.

Жишээ судалгаа: эхийн эндэгдэл

Эхийн эндэгдэл ховор: Монголд жилд хэдэн арваар бүртгэгддэг бөгөөд ердийн жилд ихэнх аймагт нэг ч тохиолдол бүртгэгдэхгүй. Нэг оны аймаг бүрийн эхийн эндэгдлийн харьцаа ихээхэн тогтворгүй байж болно. Ижил хуанлийн 10 хүртэлх оныг нэгтгэж, бүрэн бус тоог дутуу хэвээр үлдээн, нөхцөлт Пуассоны интервал тооцно. Эхийн эндэгдэл гэдэг нь жирэмсэн үед эсвэл жирэмслэлт дууссанаас хойш 42 хоногт жирэмслэлт, түүний удирдлагатай холбоотой эсвэл тэдгээрээр хүндэрсэн шалтгаанаар нас барахыг хэлнэ; осол, тохиолдлын шалтгааныг хасна. Эх сурвалж энэ тодорхойлолтыг хэрэглэдгийг баталгаажуулна. Хуваарь нь амьд төрөлт бөгөөд эмэгтэй–жилд тооцсон эхийн нас баралтын түвшнээс ялгаатай.

Зураглахаасаа өмнө тоог шалгах

Аймгийн код бүсийнхээ цифрээр эхэлдэг (1xx = Баруун, 2xx = Хангай, 3xx = Төв, 4xx = Зүүн). Иймээс аймгуудын тоо нийлээд бүсийн дэд дүн болох ёстой. Тулгалт зөрүүг илрүүлэх боловч аль эх бичлэг буруу байгааг тогтоохгүй.

# Зөрүүтэй болон шалгах боломжгүй дэд дүнг хоёуланг мэдээлнэ. Тэг гэж таамаглахгүй.
subtotal_mismatches <- function(data) {
  analysis_keys(data, c("Region", "period"))
  aimag_sums <- data |>
    filter(nchar(Region) == 3, Region != "511") |>
    mutate(region = substr(Region, 1, 1)) |>
    summarise(aimag_sum = analysis_sum(value), .by = c(region, period))
  region_totals <- data |>
    filter(Region %in% as.character(1:4)) |>
    select(region = Region, period, region_total = value)
  full_join(aimag_sums, region_totals, by = join_by(region, period), relationship = "one-to-one") |>
    mutate(check = case_when(
      !is.finite(aimag_sum) | !is.finite(region_total) ~ "Uncheckable",
      aimag_sum != region_total ~ "Needs review",
      .default = "Agrees"
    )) |>
    filter(check != "Agrees")
}
annual_tbl <- "DT_NSO_2100_002V1"
monthly_tbl <- "DT_NSO_2100_002V2"
maternal_annual <- nso_data(annual_tbl, list(
  Region = nso_dim_values(annual_tbl, "Region")$code,
  Year = nso_dim_values(annual_tbl, "Year", labels = "en")$label_en
), labels = "en") |> mutate(period = Year_en)
maternal_monthly <- nso_data(monthly_tbl, list(
  Region = nso_dim_values(monthly_tbl, "Region")$code,
  Month = nso_table_periods(monthly_tbl)$label
), labels = "en") |> mutate(period = Month_en)
annual_checks <- subtotal_mismatches(maternal_annual)
monthly_checks <- subtotal_mismatches(maternal_monthly)
count(annual_checks, check)
#> # A tibble: 2 × 2
#>   check            n
#>   <chr>        <int>
#> 1 Needs review     1
#> 2 Uncheckable     51
count(monthly_checks, check)
#> # A tibble: 1 × 2
#>   check           n
#>   <chr>       <int>
#> 1 Uncheckable    76
filter(annual_checks, check == "Needs review")
#> # A tibble: 1 × 5
#>   region period aimag_sum region_total check       
#>   <chr>  <chr>      <dbl>        <dbl> <chr>       
#> 1 4      2017          22            2 Needs review

Аймгуудын нийлбэр бүсийн дүнгээс их байвал эх сурвалж зөрүүтэйг заахаас аль бичлэг буруу байгааг тогтоохгүй. Нийт дүн эсвэл бүрэлдэхүүн ажиглалт дутуу бол шалгах боломжгүй гэж тэмдэглэнэ. Доор сарын эхийг түр ашиглах бөгөөд улсын тулгалт хоосон нүд бүрийн утгыг тогтоохгүй. Нийтлэхээс өмнө шийдэгдээгүй зөрүүг ҮСХ-ноос тодруулахаар бүртгэнэ.

Эхийн эндэгдлийн нэгтгэсэн харьцаа

Эхийн эндэгдлийн харьцаа нь ижил нийтлэг хуанлийн онуудын эхийн эндэгдлийг амьд төрөлтөд (DT_NSO_2100_018V5) хуваана. Нэгтгэсэн үр дүн нь сонгосон хугацааны төрөлтөөр жигнэсэн хураангуй бөгөөд одоогийн оны эрсдэлийн үнэлгээ биш.

units <- c("0", setdiff(mn_aimags()$nso_code, "511"), "5")
maternal_source <- analysis_fetch_counts(monthly_tbl, units)
birth_source <- analysis_fetch_counts("DT_NSO_2100_018V5", units)
complete_years <- analysis_common_years(maternal_source$annual, birth_source$annual)
stopifnot(length(complete_years) > 0L)
mmr_years <- tail(complete_years, 10L)
mmr_period <- paste(range(mmr_years), collapse = "-")
maternal_deaths <- analysis_pool_counts(maternal_source$annual, mmr_years)
live_births <- analysis_pool_counts(birth_source$annual, mmr_years)
mmr <- analysis_pair(
  select(maternal_deaths, Region, Region_en, deaths = count, missing_deaths = n_missing),
  select(live_births, Region, births = count, missing_births = n_missing), "Region"
)
mmr <- bind_cols(mmr, analysis_poisson(mmr$deaths, mmr$births, 1e5)) |>
  rename(mmr = rate) |>
  mutate(Region_en = trimws(Region_en))
national_mmr <- filter(mmr, Region == "0")
stopifnot(nrow(national_mmr) == 1L, is.finite(national_mmr$mmr))
mmr_units <- filter(mmr, Region != "0")
stopifnot(nrow(mmr_units) == 22L)
mmr_units |>
  transmute(
    area = Region_en, deaths, births,
    missing_months = paste(missing_deaths, missing_births, sep = " / "),
    estimate = if_else(is.finite(mmr), sprintf("%.1f (%.1f–%.1f)", mmr, lower, upper), "Insufficient data")
  ) |>
  knitr::kable(
    col.names = c("Area", "Maternal deaths", "Live births", "Missing months: deaths / births", "MMR per 100,000 (95% CI)"),
    digits = 0, format.args = list(big.mark = ",")
  )
Нутаг дэвсгэр Эхийн эндэгдэл Амьд төрөлт Дутуу сар: эндэгдэл / төрөлт Эхийн эндэгдэл, 100,000 амьд төрөлтөд (95% итгэх интервал)
Дорнод Мэдээлээгүй 17,398 10 / 0 Өгөгдөл хүрэлцэхгүй
Сүхбаатар Мэдээлээгүй 11,948 8 / 0 Өгөгдөл хүрэлцэхгүй
Хэнтий Мэдээлээгүй 13,820 10 / 0 Өгөгдөл хүрэлцэхгүй
Төв Мэдээлээгүй 9,873 20 / 0 Өгөгдөл хүрэлцэхгүй
Говьсүмбэр Мэдээлээгүй 4,012 11 / 0 Өгөгдөл хүрэлцэхгүй
Сэлэнгэ Мэдээлээгүй 15,059 16 / 0 Өгөгдөл хүрэлцэхгүй
Дорноговь Мэдээлээгүй 12,603 9 / 0 Өгөгдөл хүрэлцэхгүй
Дархан-Уул Мэдээлээгүй 21,621 9 / 0 Өгөгдөл хүрэлцэхгүй
Өмнөговь Мэдээлээгүй 14,194 20 / 0 Өгөгдөл хүрэлцэхгүй
Дундговь Мэдээлээгүй 7,884 12 / 0 Өгөгдөл хүрэлцэхгүй
Орхон Мэдээлээгүй 24,167 10 / 0 Өгөгдөл хүрэлцэхгүй
Өвөрхангай Мэдээлээгүй 22,030 11 / 0 Өгөгдөл хүрэлцэхгүй
Булган Мэдээлээгүй 7,068 22 / 0 Өгөгдөл хүрэлцэхгүй
Баянхонгор Мэдээлээгүй 18,033 10 / 0 Өгөгдөл хүрэлцэхгүй
Архангай Мэдээлээгүй 15,327 11 / 0 Өгөгдөл хүрэлцэхгүй
Хөвсгөл Мэдээлээгүй 24,983 15 / 0 Өгөгдөл хүрэлцэхгүй
Завхан Мэдээлээгүй 12,227 9 / 0 Өгөгдөл хүрэлцэхгүй
Говь-Алтай Мэдээлээгүй 11,454 9 / 0 Өгөгдөл хүрэлцэхгүй
Баян-Өлгий Мэдээлээгүй 27,847 9 / 0 Өгөгдөл хүрэлцэхгүй
Ховд Мэдээлээгүй 20,452 10 / 0 Өгөгдөл хүрэлцэхгүй
Увс Мэдээлээгүй 18,197 19 / 0 Өгөгдөл хүрэлцэхгүй
Улаанбаатар Мэдээлээгүй 367,781 5 / 0 Өгөгдөл хүрэлцэхгүй

# Мэдрэмжийн шинжилгээ: цар тахлын онуудыг хасаж, ижил шалгах дүрэм хэрэглэнэ.
sensitivity_years <- setdiff(mmr_years, as.character(2020:2022))
stopifnot(length(sensitivity_years) > 0L)
sensitivity <- analysis_pair(
  select(analysis_pool_counts(maternal_source$annual, sensitivity_years), Region, deaths = count),
  select(analysis_pool_counts(birth_source$annual, sensitivity_years), Region, births = count), "Region"
) |> mutate(mmr = if_else(is.finite(deaths) & births > 0, deaths / births * 1e5, NA_real_))
filter(sensitivity, Region == "0") |>
  transmute(Period = paste(range(sensitivity_years), collapse = "–"), `National MMR per 100,000` = mmr) |>
  knitr::kable(digits = 1, caption = "National estimate excluding pandemic years")
Цар тахлын жилүүдийг хассан улсын түвшний тооцоо
Хугацаа Улсын эхийн эндэгдэл (100,000 амьд төрөлтөд)
2016–2025 29.7

Тайлагдаагүй эх утгыг тэг болгохгүй. 22 газар нутгийн нэгтгэсэн үнэлгээнд ажиглалт хангалтгүй тул газрын зурагт саарал харагдана. Хүснэгтэд тусгай дахин кодлолт хийхээс өмнө maternal_source$status, birth_source$status-г шалгана. Нөхцөлт Пуассоны интервал бүртгэлийн алдаа, газар нутгийн зөрүү, хуваарийн тодорхойгүй байдлыг хамрахгүй.

2016-2025 хугацаанд улсын бүртгэгдсэн эхийн эндэгдлийн харьцаа амьд төрсөн 100,000 хүүхэд тутамд 37 байв. 2020-2022-ийг хассан улсын үнэлгээг дээр харуулсан. Нэгтгэх нь санамсаргүй хэлбэлзлийг багасгах боловч дутуу ажиглалт, системтэй алдааг засахгүй.

Өнгөт газрын зураг ба итгэх интервал

mmr_map <- mn_join(mmr_units, by = "Region", level = "aimag")
stopifnot(nrow(mmr_map) == 22L, !anyDuplicated(mmr_map$nso_code))

if (!any(is.finite(mmr_units$mmr))) {
  ggplot() +
    annotate("text", x = 0, y = 0, label = "No area has a complete observed estimate", size = 5, color = "#536873") +
    labs(
      title = "Maternal Mortality Map Is Not Available",
      subtitle = "Missing observations prevent an area comparison",
      caption = "Source: NSO Mongolia, DT_NSO_2100_002V2 and DT_NSO_2100_018V5"
    ) +
    theme_void() +
    theme(plot.title = element_text(face = "bold", color = "#183442"))
} else {
  mn_map(mmr_map, fill = mmr, title = paste0("Maternal Mortality Ratio, ", mmr_period)) +
    labs(
      subtitle = "Per 100,000 live births; grey = insufficient data",
      fill = "MMR\n(per 100k)",
      caption = "Pooled recorded counts | Source: NSO Mongolia"
    ) +
    guides(fill = guide_colourbar(barwidth = grid::unit(85, "mm"), barheight = grid::unit(3, "mm"))) +
    analysis_map_theme()
}

Эхийн эндэгдлийг зураглах бүрэн ажиглалттай нутаг дэвсгэр алга.

Газрын зураг зөвхөн цэгэн үнэлгээ харуулна. Интервалын график үнэлгээ бүрийн тодорхойгүй байдлыг харуулна:

if (!any(is.finite(mmr_units$mmr))) {
  ggplot() +
    annotate("text", x = 0, y = 0, label = "No area has a complete observed estimate", size = 5, color = "#536873") +
    labs(
      title = "Maternal Mortality Intervals Are Not Available",
      subtitle = "Missing observations prevent area estimates and confidence intervals",
      caption = "Source: NSO Mongolia, DT_NSO_2100_002V2 and DT_NSO_2100_018V5"
    ) +
    theme_void() +
    theme(plot.title = element_text(face = "bold", color = "#183442"))
} else {
  mmr_units |>
    filter(is.finite(mmr)) |>
    mutate(Region_en = forcats::fct_reorder(Region_en, mmr)) |>
    ggplot(aes(x = mmr, y = Region_en)) +
    geom_vline(xintercept = national_mmr$mmr, linetype = "dashed", color = "grey50") +
    geom_errorbar(aes(xmin = lower, xmax = upper), width = 0.3, color = "grey60", orientation = "y") +
    geom_point(color = "#A94438", size = 2.5) +
    labs(
      title = paste0("Maternal Mortality Ratio by Aimag, ", mmr_period),
      subtitle = "Per 100,000 live births, with exact 95% CIs; dashed line = national ratio",
      x = "Maternal deaths per 100,000 live births",
      y = NULL,
      caption = "Source: NSO Mongolia, DT_NSO_2100_002V2 and DT_NSO_2100_018V5"
    ) +
    theme(panel.grid.major.y = element_blank(), panel.grid.minor = element_blank())
}

Эхийн эндэгдлийн бүрэн ажиглалтад тулгуурласан үнэлгээ, итгэх интервал аль ч нутагт алга.

Онуудыг нэгтгэсний дараа ч интервал өргөн байж болно. Ажиглагдсан эхийн эндэгдэл тэг байсан ч Пуассоны дээд хязгаар эерэг тул эрсдэлгүйг батлахгүй. Дутуу өгөгдөл бол өөр төлөв; тэг гэж харуулахгүй. Нэгтгэсэн хэв шинжийг ердийн гэж тайлбарлахаас өмнө цар тахлын онуудыг хассан үр дүнтэй харьцуулна.

Жишээ судалгаа: нялхсын эндэгдэл

Юүлүүрэн график

Юүлүүрэн график нь газар нутаг бүрийн бүртгэгдсэн нялхсын эндэгдлийн түвшнийг төрөлтийн тоотой нь харьцуулна. Болгоомжтой дискрет Пуассоны хязгаар жижиг хуваарьт илүү өргөн байна. Хязгаараас гадуурх цэг нь ижил түвшинтэй Пуассоны загварын үед ер бусын болохоос ялгаа санамсаргүй үүсэх боломжгүй, тусламж муу гэдгийг батлахгүй. Тооцоогүй ялгаатай байдал, шилжүүлэн эмчилгээ, өгөгдлийн чанар, илүүдэл хэлбэлзэл тайлбарт нөлөөлж болно.

infant_source <- analysis_fetch_counts("DT_NSO_2100_014V1", units)
imr_year <- analysis_latest(analysis_common_years(infant_source$annual, birth_source$annual))
infant_deaths <- filter(infant_source$annual, year == imr_year)
imr_births <- filter(birth_source$annual, year == imr_year)
imr <- analysis_pair(
  select(infant_deaths, Region, Region_en, deaths = count),
  select(imr_births, Region, births = count), "Region"
) |> mutate(Region_en = trimws(Region_en))
imr <- bind_cols(imr, analysis_poisson(imr$deaths, imr$births)) |> rename(imr = rate)
national_rate <- with(filter(imr, Region == "0"), deaths / births)
stopifnot(length(national_rate) == 1L, is.finite(national_rate), national_rate > 0)

# Дискрет квантиль нь захын магадлалын хүрч болох болгоомжтой хязгаарыг өгнө.
# Шаталсан хязгаар гарах нь хэвийн; ангилалд интерполяц хэрэглэхгүй.
funnel_limit <- function(births, p) qpois(p, births * national_rate) / births * 1000
imr_units <- filter(imr, Region != "0") |>
  mutate(signal = analysis_funnel_signal(deaths, births, national_rate))
count(imr_units, signal)
#> # A tibble: 2 × 2
#>   signal              n
#>   <fct>           <int>
#> 1 Within limits      19
#> 2 Below 95% limit     3
funnel <- tibble::tibble(births = exp(seq(log(200), log(max(imr_units$births) * 1.1), length.out = 300))) |>
  mutate(
    lower_998 = funnel_limit(births, 0.001), upper_998 = funnel_limit(births, 0.999),
    lower_95 = funnel_limit(births, 0.025), upper_95 = funnel_limit(births, 0.975)
  )

signal_colors <- c("Above 95% limit" = "#C2623D", "Within limits" = "grey55", "Below 95% limit" = "#167D8D", "Insufficient data" = "grey85")

ggplot(filter(imr_units, is.finite(imr), births > 0), aes(x = births, y = imr)) +
  geom_line(data = funnel, aes(y = upper_998), linetype = "dotted", color = "grey40") +
  geom_line(data = funnel, aes(y = lower_998), linetype = "dotted", color = "grey40") +
  geom_line(data = funnel, aes(y = upper_95), linetype = "dashed", color = "grey40") +
  geom_line(data = funnel, aes(y = lower_95), linetype = "dashed", color = "grey40") +
  geom_hline(yintercept = national_rate * 1000, color = "grey20") +
  geom_point(aes(color = signal), size = 2.5) +
  ggrepel::geom_text_repel(
    data = filter(imr_units, is.finite(imr), signal != "Within limits" | Region == "5"),
    aes(label = Region_en), size = 3, color = "grey20", min.segment.length = 0, seed = 1
  ) +
  scale_x_log10(labels = scales::label_comma()) +
  scale_y_continuous(limits = c(0, NA)) +
  scale_color_manual(values = signal_colors, name = NULL) +
  guides(color = guide_legend(ncol = 1)) +
  labs(
    title = paste0("Funnel Plot of Infant Mortality by Aimag, ", imr_year),
    subtitle = "Solid line = national rate; dashed = 95% limits; dotted = 99.8% limits",
    x = "Live births (log scale)",
    y = "Infant deaths per 1,000 live births",
    caption = "Source: NSO Mongolia, DT_NSO_2100_014V1 and DT_NSO_2100_018V5"
  ) +
  theme(legend.position = "top", panel.grid.minor = element_blank())

Аймгуудын амьд төрөлтийн тоотой харьцуулсан нялхсын эндэгдлийн юүлүүрэн график. Улсын түвшний эргэн тойронд 95%, 99.8% хяналтын хязгаар харуулна

Дохиог зураглах

imr_map <- mn_join(imr_units, by = "Region", level = "aimag")
stopifnot(nrow(imr_map) == 22L, !anyDuplicated(imr_map$nso_code))

mn_map(imr_map, fill = signal, title = paste0("Infant Mortality Compared with the National Rate, ", imr_year)) +
  scale_fill_manual(values = signal_colors, na.value = "grey90", name = NULL) +
  labs(subtitle = "Classified by 95% funnel limits around the national rate. Data: NSO Mongolia") +
  analysis_map_theme() +
  guides(fill = guide_legend(ncol = 1))

Аймгуудыг нялхсын эндэгдлийн 95% юүлүүрэн хязгаараас дээгүүр, дотор, доогуур гэж ангилсан газрын зураг

Төгс, ижил түвшинтэй загварын үед 22 нэгжээс 95% босгоор ойролцоогоор нэг дохио хүлээгдэнэ. Дискрет хязгаар болгоомжтой байж болох бөгөөд улсын тооцсон лавлахад газар нутаг бүр өөрөө ордог. 99.8% хязгаар нь илүү хатуу шалгуур болохоос олон харьцуулалтын ерөнхий засвар биш. Дохио илэрвэл эх тодорхойлолт, чанар, шилжүүлэн эмчилгээ болон бусад ялгааг судална. Төрөлт, нас баралтыг оршин суугаа газраар бус, болсон газраар хуваарилбал шилжүүлэн эмчилгээ харьцуулалтыг гажуудуулж болно. Эдгээр хүснэгтийн хуваарилах дүрмийг баталгаажуулах ёстой.

Орон зайн эпидемиологид анхаарах зүйл

  1. Эхлээд тоог шалгах: нэгтгэх, зураглахаас өмнө аймгийн дүн бүс, улсын дүнтэй нийлж байгааг шалгана.
  2. Түвшнийг тооноос байгуулах: хугацааны хүртвэр, хуваарийг тус тус нэмж, дараа нь хуваана. Сар, жилийн түвшний дундаж авч болохгүй.
  3. Ховор үйл явдлыг нэгтгэх: эхийн эндэгдэл зэрэг ховор үр дүнд хэд хэдэн жилийг нэгтгэнэ.
  4. Тодорхойгүй байдлыг харуулах: өнгөт газрын зураг бүрийг итгэх интервал эсвэл юүлүүрэн графиктай хамтатгана.
  5. Илрүүлэх загварыг тодорхойлох: юүлүүрэн график заасан загварын хүрээнд хуваарийн хэмжээг тусгана. Тэмдэглэсэн дохиог тайлбарлахаас өмнө ялгаатай байдал, дутуу өгөгдлийг шалгана.
  6. Кодоор холбох: mongolmaps::mn_join() нь ҮСХ-ны Region кодыг тааруулдаг тул нэрийн бичлэгийн зөрүүнээс аймаг зурагнаас хасагдахгүй.

Дараагийн алхам