時間:2021年04月06日 分類:經濟論文 次數:
摘要:文章選取2006—2019年我國31個省份醫療服務業的投入產出數據,以人均GDP、人口城鎮化率作為環境變量,利用三階段DEA模型對我國醫療服務業的全要素生產率進行了優化與評價。研究結果表明:相對于以數量指標為產出核心的傳統測算體系,加入醫療質量、病人負擔及就醫安全的非期望產出后,全要素生產率呈下降趨勢;技術進步是影響醫療服務業全要素生產率的關鍵因素。
關鍵詞:三階段DEA模型;醫療服務業;非期望產出;全要素生產率
0引言
新一輪醫療衛生體制改革以來,我國已基本實現了醫療保險全民覆蓋、醫療服務可及性和可負擔等目標,醫療體制機制改革在諸多領域實現了長足進步。但醫療服務業發展不充分和不平衡的問題仍相當突出,因此,建立全面反映現實需求的產業效率測評工具,對緩解上述問題具有重要價值。
經濟師論文范例:生產性服務業發展與高端制造業增長分析
目前國內外學者在測算醫療服務業全要素生產率時采用了多種方法[1—3],其中三階段DEA模型可以較好地分離環境因素和統計噪聲的影響。在評價指標的相關研究中,大多構建的是以經濟效益指標為核心的傳統評價體系[4,5],反映經濟效益和社會效益的優化評價體系的研究較少。本文針對以上不足展開分析,通過建立較為全面的評價體系,測評我國醫療服務業全要素生產率。創新點有兩個方面:一是在借鑒相關研究的基礎上,通過引入非期望產出指標優化了醫療服務業投入產出評價體系;二是基于傳統視角和優化視角測算了我國醫療服務業的全要素生產率。
1模型構建、變量選取和數據來源
1.1三階段DEA模型構建
在借鑒已有研究成果的基礎上,本文通過典型相關分析模型檢驗醫療服務業投入和產出指標之間的相關關系,再通過三階段DEA模型分離現實經濟環境中環境因素和統計噪聲的影響,最終測算出醫療服務業的全要素生產率。第一階段,通過傳統的DEA模型測算全要素生產率。基于本文的研究目的和實際情況,選用BBC模型為DEA模型的基礎模型,初步測算全要素生產率。第二階段,通過SFA回歸剔除環境因素和統計噪聲。在SFA回歸中,以第一階段的松弛變量對環境變量和混合誤差項進行回歸,測算修正后的投入量。第三階段,通過受限因變量模型來評價各決策單元歷年的生產率變動情況。該階段利用調整后的投入產出變量測算Malmquist生產率變動指數,此時的全要素生產率已經剔除了環境因素和隨機因素的影響,是相對真實準確的。
1.2評價指標選取
醫療服務業的全要素生產率與投入產出高度相關,醫療服務業要投入包括資本、勞動、技術、數據和關系在內的生產要素,通過科學的運營機制產出令患者和社會滿意的醫療服務。傳統的醫療服務業全要素生產率測評通常是以門診人次、出院人次和住院手術人次為代表的經濟效益層面的產出指標。隨著我國醫療服務業的不斷轉型升級和人民群眾需求的變化,以醫療質量、病人負擔、就醫安全為代表的社會效益層面的產出指標已成為該產業全要素生產率測算時的重要選項。本文將按照傳統視角和優化視角,分別確定三階段DEA模型測算所需的投入變量、產出變量以及環境變量,測算醫療服務業的全要素生產率。
1.2.1投入產出變量選取
(1)傳統視角在選取相關變量時,考慮到科學性、可得性和一致性等原則,投入變量選擇執業醫師數量(X1)、注冊護士數量(X2)、床位數量(X3)、固定資產(X4)、衛生支出(X5)五個指標[6,7],限于數據可得性,選用醫療衛生機構固定資產近似替代各地區醫療服務業固定資產投入。醫療服務業提供的最基本醫療服務分為門診和住院兩部分,傳統視角下產出變量選取各地區醫院門診診療人數(Y1)、住院入院人數(Y2)和住院病人手術人次(Y3)三個指標[8]。
(2)優化視角醫療服務業不僅需要提高以服務數量為核心的經濟效益,還需要提高以服務質量、安全、可負擔為核心的社會效益。醫療服務業為人民群眾提供疾病診療服務時,必然伴隨著醫療質量缺陷、醫療事故和病人就醫負擔的產生。在一定范圍內,治病救人數量增加越多,越有利于提高經濟效益,但醫療質量缺陷、醫療事故和病人就醫負擔的增加會導致社會效益下降,因而將有關服務數量的指標稱為期望產出,將有關醫療質量、就醫安全和病人負擔的指標稱為非期望產出。
將非期望產出作為產出指標引入測評體系,有利于貼近實際需求,提高效率評價結果的全面性和科學性。本文參照有關學者處理非期望產出指標時使用的倒數法,將非期望產出(醫療質量、就醫安全和病人負擔等指標)取其倒數后作為產出指標,引入DEA模型用于評價醫療服務業全要素生產率[9]。我國醫療衛生改革的主要目的之一就是將醫療費用控制在合理范圍,切實減輕居民醫療負擔水平,病人在治療過程中實際支出的費用高低可以代表病人負擔。
為了體現醫療費用的結構水平,間接反映病人負擔,選取門診和住院醫療費用中藥費和檢查費占比的倒數代表病人負擔。在其他費用基本保持不變的前提下,藥費或檢查費占比越低,病人負擔越輕。為了直接反映實際病人負擔,選取醫療衛生支出占消費性支出比例的倒數代表病人負擔,在看病難和看病貴的環境下,該指標可以顯示一個地區醫療服務業病人的就醫負擔水平,在醫療效果一定的情況療服務業病人的就醫負擔水平,在醫療效果一定的情況下,病人的負擔越低,也意味著醫療服務的全要素生產率越高。代表病人負擔的具體指標為表1中的Y4至Y8。
醫療質量高低是醫療服務業的重要評價指標,由制度、技術和經驗所保障的醫療質量水平可以應對更為復雜的病癥。通常來說,急診病人的病情較為復雜,對醫療技術、經驗和條件要求較高,其救治死亡率可以部分反映出醫療質量的高低,故選取急診病死率的倒數代表醫療質量,具體指標為Y9。就醫安全是指患者在就醫過程中不發生法律和法規允許范圍以外的心理、機體結構或功能損害、障礙、缺陷 或死亡。如果醫院不能嚴格地執行無菌操作技術和消毒隔離制度,致使感染源傳播,就會出現就醫過程中的不安全醫療后果,故選取感染率倒數代表就醫安全,具體指標為Y10。
1.2.2環境變量選取環境變量是指能夠影響醫療服務業全要素生產率,但不在主觀可控范圍內的因素。考慮到各地區所處的經濟和社會環境有所不同,本文設定了一個經濟環境變量,為表征經濟發展程度的人均GDP,并以2000年為基期進行價格平減處理;設定了一個社會環境變量,為表征人口城鎮化水平的人口城鎮化率,選用各時期各地區城鎮人口比例。
1.3數據來源根據數據獲取的權威性、客觀性與可得性原則,本文采用《中國衛生健康統計年鑒(2006—2019)》和《中國統計年鑒(2006—2019)》中我國31個省份(不含港澳臺)醫院或醫療衛生機構的投入與產出數據。
2實證分析
2.1實證結果說明
根據典型相關分析檢驗得到相關投入與產出指標之間存在正相關關系,說明醫療服務業的投入能帶來產出的增加。繼續選用上述投入產出指標,31個省份共計434個樣本,樣本數量滿足DEA的基本規模要求。本文將運用三階段DEA模型分別測算傳統視角和優化視角下我國醫療服務業Malmquist指數,Malmquist指數包括全要素生產率指數(tfpch)、技術進步指數(techch)、綜合技術效率指數(effch)、純技術效率指數(pech)和規模效率指數(sech),由于運算結果規模較大,僅展示了分析所用數據。
2.2整體結果分析
2008—2009年第一階段全要素生產率為0.965,而第三階段全要素生產率為1.235;2017—2018年第一階段全要素生產率為0.996,而第三階段全要素生產率為1.061,這說明我國醫療服務業全要素生產率受環境因素和隨機擾動影響較為明顯,進而印證了選用三階段DEA模型的必要性。
2.3地區結果分析
2005—2018年,七大地區優化視角下的全要素生產率指數均值分別為0.9901、0.9912、0.9770、0.9729、0.9682、0.9780、0.9627,均呈現下降趨勢。各地區影響全要素生產率的原因分別是:華東地區的技術進步和規模效率;華北地區的技術進步和純技術效率;華中地區的技術進步;華南地區的技術進步;西南地區的技術進步和純技術效率;西北地區的技術進步;東北地區的技術進步。上述分析說明七大地區的醫療服務業全要素生產率有進一步提升的空間,七大地區均需改善技術進步效率,華東地區還需提高規模效率,華北和西南地區還需提高內部管理。
2.4省份結果分析
全要素生產率指數增長的省份有15個,分別為北京、天津、內蒙古、遼寧、黑龍江、上海、安徽、湖北、湖南、廣西、重慶、西藏、陜西、甘肅、新疆,說明新一輪醫療改革在部分省份正有效推進。通過對全要素生產率指數增長的省份進行比較,發現各省份各年度變化不一,說明有關政策的實施強度和效果未能持續,而通過對全要素生產率指數降低的省份進行比較,發現有關政策未被有效推進。導致以上問題的原因之一是我國醫療服務業的體制和機制應跟隨市場需求和政策導向適時升級,急需利用有效評測工具實現定期評估全要素生產率,以便及時調整政策強度和監測政策的實施效果。
3結論
本文選取我國31個省份2006—2019年的醫療服務業投入產出數據,采用三階段DEA模型實證分析了該產業的全要素生產率,得到以下主要結論:(1)在我國醫療服務業全要素生產率的測算中加入非期望產出指標會引起效率的變化,僅考慮醫療服務數量指標的全要素生產率是增加的,而考慮了醫療質量、病人負擔和就醫安全等非期望產出的全要素生產率是下降的,技術進步指數是影響其下降的重要因素。(2)按照國家地理區域劃分的七大地區醫療服務業全要素生產率均呈現下降趨勢,但新一輪醫療改革以來,中國該產業已在醫療質量、病人負擔和就醫安全等社會效益上做出了努力,同時有15個省份全要素生產率已經開始提高,更多的省份還需注重該產業經濟效益和社會效益的同步提升。
參考文獻:
[1]于珺.廣東省公立醫院經營效率研究——基于三階段DEA模型的實證分析[J].財會學習,2019,(28).
[2]雷瑞杰,李少武,冀貞浩.等權TOPSIS法和RSR法在醫院病床利用效率評價中的比較研究[J].中國衛生統計,2019,36(3).
[3]李萌,郭淑巖,董四平.基于Bootstrap-Malmquist-DEA糾偏的中國醫院效率和全要素生產率測量[J].衛生經濟研究,2019,36(3).
[4]肖力瑋,鄧漢慧.醫療服務體系效率及其影響因素分析[J].統計與決策,2019,(11).
[5]李京,楊帆,毛宗福.湖北省縣級醫療衛生資源配置公平與效率分析[J].統計與決策,2017,(13).
作者:閆昱彤,汪海粟