供方诱导需求视角的就医行为研究——基于CHARLS数据的实证分析

李海明

一、问题提出

健康是实现人类社会发展的前提与归宿。2016年，国家提出建设“健康中国”的战略，并正式公布《健康中国2030规划纲要》。在这一背景下，如何通过优化医疗资源配置改善全民健康成为政府与社会各界共同关心的问题。由于医疗服务具有不同于普通商品的特殊性，人们的医疗需求行为也与普通商品的消费行为截然不同(Arrow，1963[1])。只有深刻地认识和理解医疗需求行为，才能科学合理地制定医疗政策，避免医疗资源浪费，提高医疗服务绩效，最终服务于“共建共享、全民健康”的根本目标。

由于医疗服务的专业性以及医患之间的信息不对称，作为医疗服务供给方的医生可能利用其信息优势，诱导患者接受不必要的医疗服务，从而造成医疗资源的浪费。“大处方”、“大检查”的现象，某种程度上证明了供方诱导需求的存在，这也是造成“看病贵”和医疗费用过快增长的重要原因。2005年到2015年，卫生总费用从8 660亿元激增到38 775亿元，远远超过同期的GDP增长速度。医疗费用快速上涨，一方面是由于人民群众的医疗服务需求不断增加，另一方面“过度医疗”、“诱导需求”等不合理的医疗费用同样不可忽视。2017年，国务院明确要求全国公立医院平均医疗费用增长幅度控制在10%以下，并且定期公布全国监测指标的排序情况。[注]参见《深化医药卫生体制改革2017年重点工作任务》。

控制医疗费用增长，旨在减少不合理的医疗费用支出，而不是压抑人民群众合理的医疗服务需求。如何区分因诱导需求而产生的不合理医疗费用与合理的医疗费用，这是控制医疗费用增长的关键问题，也是理论与实证研究的难题。关于供方诱导需求的研究，是国外卫生经济学研究的焦点问题(Blaug，1998[2])。从患者的就医行为入手，分析医疗服务供给方是否影响患者就医行为的决策及其频率，是研究供方诱导需求的经典路径。这可以检验患者就医多大程度上受医疗服务供给方诱导的影响，从而为医疗服务体系建设的政策制定提供决策依据。

我们使用CHARLS微观调查的数据，聚焦于分析中国医疗体系是否存在诱导需求以及诱导程度的问题。首先，综述了供方诱导需求的理论与实证研究成果，据此提炼出从患者行为角度分析诱导需求的路径；然后在理论分析的基础上提出理论假定，并使用两阶段栅栏模型建立计量模型；接下来使用Logit、OLS及负二项回归模型进行实证分析，并解释实证结果及其政策意义。

二、文献综述

(一)供方诱导需求的发展脉络

供方诱导需求的研究起源于罗默法则，Roemer等学者(Shain和Roemer，1959[3]；Roemer，1961[4])研究发现，无论每千人床位数是多少，综合医院的床位占用率总是大致相同，即所谓的“病床供给创造病床需求”(刘自敏和张昕竹，2014[5])。关于供方诱导需求是否存在、如何形成等问题，卫生经济学领域存在激烈的争论(Santerre和Neun，2004[6])，存在几种不同的理论解释，例如价格刚性模型(Cromwell和Mitchell，1986[7])、效用最大化模型(Evans，1974[8])、目标收入模型(Rice，1983[9])、信息经济学模型(Fuchs，1978[10])等等。

效用最大化模型和目标收入模型均把诱导需求这一富有争议的问题，纳入经典的经济学分析框架，得到了许多学者的认可。效用最大化模型承认诱导需求可以增加收入，但并不认为诱导行为会无限增加，而是会受到心理成本的约束，当医生诱导病人偏离最优点的时候产生心理成本，导致内在不愉悦。目标收入模型假定医生设定一个目标收入，当低于目标收入时，会通过诱导增加收入；当超过目标收入时，则诱导不再存在。可以发现，这两个模型具有一定内在逻辑上的一致性，即诱导需求可能存在一个“临界点”，超过临界点之后诱导将不复存在。只不过，效用最大化模型认为“临界点”的存在是源于心理成本的约束，目标收入模型认为“临界点”的存在是源于目标收入的约束。我们将在理论分析中沿用这一达成共识的基本观点。

围绕几种理论模型是否成立以及诱导需求是否存在的问题，出现了大量研究成果，但并没有一致认可的研究结论，这种争论一直持续到当下。Feldstein(1970)[11]认为，当医生密度增加导致医生个体的收入无法保证时，医生就会利用自己的信息优势诱导需求。Pauly和Satterthwaite(1981)[12]把医疗服务视为一种声誉产品(reputation good)，在医疗行业中供给方的数量增加，可能会加剧信息不对称，导致诱导需求的程度提高。Rizzo和Zeckhauser(2003，2007)[13-14]研究发现，医生有个人收入目标，当目前收入低于目标收入时，他们会调整行医的价格与服务量。中国学者韩华为(2010a)[15]基于医疗需求行为的研究，也证明了诱导需求的存在。反对的声音同样强烈，相当一部分研究(Hay和Leahy，1982[16]；Hay和Anderson，1988[17]；Escarce，1992[18]；Grytten和Sorensen，2001[19])则发现供方诱导需求并不存在。Dranove和Wehner(1994)[20]的一项研究甚至发现，医生可能“诱导”产妇的婴儿生产数量，这显然是不可能的，借此说明诱导需求是不成立的。

不过，最近几年的研究，似乎大多支持供方诱导需求的存在。Dijk等(2013)[21]使用倍差法分析了社会保险患者与私人保险患者的需求行为，发现按项目付费模式的医疗费用显著增加，说明诱导需求的影响确实存在。Schmid(2015)[22]使用瑞士健康调查的数据，建立泊松栅栏模型进行分析，发现患者掌握的信息量对就医次数存在显著的负向影响，说明患者由于信息不对称容易受医生的诱导行为影响。Panahi等(2015)[23]使用伊朗的面板数据，回归发现，医生密度对医疗费用存在显著的正向影响，而病床密度的影响不显著，一定程度上也证明了诱导需求的存在。Weeks等(2015)[24]基于法国2009—2010年营利性医院和非营利医院的数据分析，发现诱导需求在营利性医院中确实存在。Adler和Chang(2016)[25]等观察到，新型医疗技术的应用，往往伴随着使用该技术的病例迅速增加，这暗示了医生存在诱导行为。

(二)供方诱导需求的分析路径

合理的医疗需求与供方诱导产生的医疗需求之间的界限与识别，是供方诱导需求相关研究的焦点问题。“过度用药”“过度医疗”等不合理医疗需求，与诱导需求存在密切关系，与医患双方的行为也存在密切的关系(Hensher等，2017[26])。已有研究均把握医患行为这一切入角度，其分析路径可以大致归纳为两种：一是从供给方入手，分析医生诱导患者的动机、目的及具体表现；二是从需求方入手，分析患者的就医行为是否受到医生或医疗机构的影响以及如何影响。

1.医生行为的分析路径。McGuire(2000)[27]总结已有研究之后提出，如果医生以违背患者最优利益的方式去影响患者需求，这时便是诱导需求而不是正常需求，当面对影响收入的负向冲击时，医生可能利用自身作为患者代理人的角色来提供过度治疗，导致代理人的道德风险。作为完美代理人的医生会做出和患者掌握信息而为自己做出的决定相一致的决定，违反代理的医生故意引诱患者消费而不是达到最佳的卫生保健消费的数量(富兰德等，2011[28])。Rizzo和Zeckhauser(2003，2007)[13-14]从效用最大化模型或目标收入模型出发，认为医生采取诱导行为的动机是获取高收入，通过分析医生收入与医疗服务利用量的关系，可以检验诱导需求是否存在。Gruber和Owings(1996)[29]发现医生可能通过鼓励患者采用剖宫产的分娩方法来补偿收入。Cromwell和Mitchell(1986)[7]采用1969—1976年的数据，用联立方程模型估计了医生需求及手术的均衡费用，发现存在供给诱导需求，尤其是在大城市。Iversen(2004)[30]研究发现，付费方式变化对医生收入产生不利影响时，医生会逐渐增加医疗服务项目以弥补收入。

2.患者行为的分析路径。相对于医生行为及其收入，患者就医行为更容易直接观察，通过就医行为的变化可以反过来推断是否源于医生诱导。患者就医行为的研究集中在两个问题：一是患者选择医疗机构的行为，二是患者接受的医疗服务数量与类型。关于患者接受的医疗服务数量与类型，一般使用研究医疗支出的两部分模型(Two-Part Model，TPM)与四部分模型(Four-Part Model，FPM)，或者使用研究医疗服务利用次数的计数模型(Count Data Model)(韩华为，2010b[31])。根据TPM模型，第一阶段，患者决定是否就医；第二阶段，患者决定医疗支出的数量。FPM模型则进一步区分了门诊费用与住院费用。Manning等(1987)[32]、Mocan等(2004)[33]、高梦滔和姚洋(2004)[34]、封进(2009)[35]等均在研究中使用了TPM或FPM模型。

患者的医疗需求可以用医疗费用支出衡量，即医疗服务利用量与价格的乘积。有的学者直接分析了供方诱导需求对医疗费用的影响(Escarce，1992[18]；Richardson等, 2006[36])，有的学者则分别分析了供方诱导需求对医疗服务利用量(McCarthy，1985[37])或价格(Fuchs，1978[10]；Pohlmeier和Ulrich，1995[38])的影响。把医疗服务利用量作为因变量的根据在于，假定一定时期内的医疗需求相对固定，医生数量增加带来了医疗需求增加，那么可以推断医生实施了诱导行为。如Fuchs(1978)[10]研究发现，在其他条件相同的情况下，外科医生占人口比每增加10%，人均手术利用率增加3%。把价格作为因变量的根据在于，医生数量增加以后竞争加剧，理应使医疗服务价格降低，如果价格不变或上升，那么一定是医生为了保证收入诱导产生了更多需求。Pohlmeier和Ulrich(1995)[38]计算了医疗服务的价格指数，发现医生密度对价格存在正向影响。

3.本文研究的分析路径。医生行为与患者行为的分析路径各有千秋，从不同视角探讨了诱导需求问题。我们沿用患者行为的分析路径，分析医疗机构数量与医疗服务利用量的关系，从而判断中国医疗服务体系中是否存在供方诱导需求及其程度。诱导需求与正常需求的严格区分非常困难，目前还没有有效的方法可以准确地识别出哪些需求是基于诱导产生，所以已有研究都集中在判断诱导需求是否存在的问题。

国外研究通常使用医生密度作为解释变量，分析医生密度变化对于医疗服务利用量的影响(Cromwell和Mitchell，1986[7]；McCarthy，1985[37]； Delattre和Dormont，2003[39])。McGuire(2000)[27]提出，早期的主流实证模型实际是有两个思路：一是医生回应医生人口比(医生密度)的变化，二是医生回应医疗费用的变化。中国学者的研究一般使用医疗机构数、病床数等指标测量诱导需求(刘自敏和张昕竹，2014[5]；李晓阳等，2009[40])，这正是罗默法则定义的诱导需求的基本内涵。我们使用了医疗机构数作为供方诱导需求的代理变量，原因在于中国过去不允许医生自由执业，医生从属于医疗机构，其收入主要来源于医疗机构，医生密度与医生收入的关系并不直接，而是更多受医疗机构收入的影响。另外，国外存在家庭医生制度，患者前往个体执业的家庭医生那里就医非常普遍，所以分析医生数量与患者就医行为之间的关系可以说明诱导需求的问题，但中国就医行为主要发生在医疗机构，分析医疗机构数量与其就诊量的关系更有意义。

很多学者在识别供方诱导需求的计量方法上取得了大量成果，常用的实证策略包括TPM、FPM、2SLS、GMM、Logit、联立方程计数模型等等。早期学者经常使用两阶段最小二乘法(2SLS)进行估计，但是这一方法的有效性无法保证，可能存在第一阶段方程不能被识别、存在遗漏变量等问题。Dranove和Wehner(1994)[20]使用混合截面数据进行2SLS回归，发现了妇科医生能诱导婴儿出生数量的结论，而这一结论明显是不成立的，他们认为2SLS不能有效识别诱导需求。计数模型得到了许多学者的认可，Deb和Trivedi(2002)[41]、Jimenez-Martin等(2004)[42]、Bago d’Uva(2006)[43]、Jürges(2007)[44]等均使用了计数模型，他们对计数模型进行完善，使其契合医疗需求行为的特征，并且将计数模型与栅栏模型、两阶段模型(TMP)结合起来，避免单一计量方法的缺陷，从而得出更有说服力的结论。

我们的研究使用了计数模型，基本思路是假定患者的就医次数符合某种统计分布(如二项式分布、泊松分布等)，然后分析医疗机构数量对于患者就医次数的影响。本文的创新与贡献在于：(1)根据供方诱导需求的理论模型，结合中国政策实践，提出了中国情境下关于供方诱导需求的解释；(2)使用大样本调查的数据，分析了中国医疗服务体系中是否存在供方诱导需求的问题；(3)根据实证研究结论，提出了若干政策建议。

三、理论假说与计量模型

(一)理论假说

供方诱导需求反映了医疗服务供给对医疗服务需求的影响。医疗服务供给量通常使用医生密度作为解释变量，医疗服务需求可以使用患者前往医疗机构就医的次数作为代理变量。一个地区的医生密度非常高、同时患者访问医生的次数非常频繁，这可能是由两种原因造成的：一是医生密度提高使人们看病更方便、更便宜，居民出现健康问题可以及时就医；二是医生密度提高导致医生收入受到不利影响，所以医生通过诱导患者利用更多的医疗服务来保证收入。前者为正常医疗需求，后者为诱导需求，研究的焦点问题在于如何厘清二者的关系及各自影响。

考虑到中国医疗体系的特性以及数据的可获得性，医生密度可以使用每千人医疗机构数来衡量。医疗机构数量增加可以提高医疗服务可及性，刺激正常医疗需求的释放。正常医疗需求主要受健康状况、经济负担因素的影响，在分析过程中可以通过控制健康状况、家庭收入、医疗保险、经济水平等变量，控制正常医疗需求的影响。在控制了正常的医疗需求之后，如果医疗机构数量显著正向影响就医次数，那么就可以合理地判断为诱导需求的影响。

为了区分医疗服务可及性，以及正常需求和诱导需求的影响，还需要对就医行为适当地划分为不同阶段。在就医行为的不同阶段，每千人医疗机构数产生影响的路径存在差异。为了区分不同的影响路径，通常使用多阶段栅栏模型(Jürges，2007[44])。我们构建了一个两阶段栅栏模型：第一阶段，患者决定是否去看门诊；第二阶段，医生与患者共同决定去看门诊次数。利用两阶段模型，可以有效区分合理需求和诱导需求。在第一阶段，是否就医的决策医生尚未参与，不可能存在诱导需求；在第二阶段，医生和患者共同决定门诊就医的次数，这时合理需求和诱导需求可能同时存在，如果控制合理需求的影响，仍然可以观察到医生密度与就医次数的正相关，这说明确实存在诱导需求的影响(如图1所示)。

第一阶段：是否就医决策。

是否就医完全是患者个体的决策，医生尚未参与，不可能施加诱导。由于中国过去存在严重的“看病难、看病贵”，患者医疗费用负担沉重，医疗需求长期处于压抑状态。随着医疗保险制度的完善，以及医疗服务供给体系改革，患者的医疗需求逐渐释放。医疗机构数增加，医疗服务可及性提高，必然会促进医疗需求的释放。

假设(1a)：每千人医疗机构数对患者是否就医的概率存在正向影响。

假设(1b)：医疗保险对患者是否就医的概率存在正向影响。

假设(1c)：健康状况对患者是否就医的概率存在负向影响。

第二阶段：就医次数决策。

在第二阶段，经过初次诊断之后，医生为患者提供治疗建议，医生和患者共同决定之后的就医次数。这时医生可以利用其信息优势影响患者，诱导患者多次就医。患者可能存在正常的医疗需求，也就是说患者的疾病和健康状况要求，使其不得不多次就医，所以健康状况会影响就医次数。

假设(2a)：健康状况对患者第二阶段的就医次数存在负向影响。

诱导需求是否存在，不同的研究得出了不同的结论，但可以肯定的是，医疗供给方对于医疗市场具有重要的影响，供给方的行为与医疗服务需求存在着密切的关联(Manning等，1987[32])，无法忽略这种医疗供给方对于需求方可能产生的影响。根据已有研究的假定，当医生密度增加导致医生个体的收入无法保证时，医生就会利用自己的信息优势诱导需求(Feldstein，1970[11])。效用最大化模型认为医生增加收入的行为受心理成本约束；目标收入模型认为在达到目标收入之前，医生有动机诱导患者接受不必要的医疗服务。可见诱导需求的数量存在一个潜在的临界点，超过临界点之后诱导需求的数量将会减少甚至不存在，即类似于抛物线。由于中国的医生工资水平整体偏低，国际上接受的医生工资水平一般是社会平均工资的4～6倍，中国大部分地区远未达到这一标准，可以认为尚未到达临界点，因此医生存在诱导需求的动机。

假设(2b)：每千人医疗机构数对患者第二阶段的就医次数存在正向影响。

图1 逻辑结构图

(二)计量模型

对于一个两阶段栅栏模型，有如下形式：

P{Y=0|x}=1-P1(xγ)

(1)

P{Y=y|y>0,x}=P2(xβ)

(2)

定义w=1[y>0]，其中1[·]为示性函数，利用全概率公式可以计算出Y以x为条件的概率密度函数：

P{Y=y|x}=P{w=0|x}·

P{Y=y|x,w=0}+P{w=1|x}·

P{Y=y|x,w=1}

(3)

整理得到：

P{Y=y|x}=[1-P1(xγ)]1[y=0]

[P1(xγ)·P2(xβ)]1[y>0]

(4)

进一步，可以求出对数似然方程：

l(γ,β)=log(L1(γ))+log(L2(β))

整理后得到，

(5)

在公式(5)中，右侧相加的两部分分别代表就医行为的第一阶段和第二阶段。第一阶段，决定是否就医的决策是一个二值响应模型；第二阶段，决定就医次数的第二部分是一个零处左断尾的计数模型。在相关文献中，P1通常被设定为Logit、Probit、泊松分布或是负二项分布，P2通常被设为泊松分布或是负二项分布。

第一阶段：是否就医决策。

假定第一部分符合Logit分布，则对数似然方程为：

l1(γ)=-∑y=0log(1+exp(xγ))

+∑y>0[xγ-log(1+exp(xγ))]

(6)

第二阶段：就医次数决策。

假设Var(y|x)=(1+α)μ(x)，由负二项分布的性质可以得到如下概率密度函数：

(7)

假定第二部分Var(y|x,β,y>0)=(1+α)μ(x,β)，其中μ(x,β)≡E(y|x,β,y>0)，可以得到零截断负二项分布的概率密度函数：

(8)

进一步可以得到对数似然方程：

+∑y>0ylog(α/1+α)-∑y>0xγ

+∑y>0log(1+exp(xγ))

(9)

分别对公式(6)中的l1(γ)和公式(9)中的l2(β,α)求最大值，便可以求出系数γ、β和α的极大似然估计量。

四、实证分析

(一)数据与变量设定

我们使用的数据来源于“中国健康与养老追踪调查”(CHARLS)2011年全国基线调查的数据。该调查由北京大学国家发展研究院中国经济研究中心组织实施，覆盖全国30个省份45岁及以上的个体，共有来自于450个村/社区的17 587个有效样本。CHARLS调查的社区数据是以村委会(行政村)或居委会为单位获得，我们使用的社区变量亦是指村/社区数据。

被解释变量为患者在近一个月内门诊就医的次数。在总样本中，大约20%具有看门诊的经历，其中农村略低于城市。从就医次数(见表1)可以发现，大部分样本没有就医经历，这时使用一般的计量模型回归往往导致估计偏差。而两阶段的截断模型考虑到了样本分布的状况，能够比较好地解决这一问题。特别需要说明的是，我们试图使用一个社区内的医疗机构数量来解释该社区内居民的门诊就医次数，因为有的社区可能没有医疗机构，这时居民必定选择外出就医，这会导致估计的偏差。如果居民就医时选择了本社区外的医疗机构，这时应该减弱解释变量(社区内医疗机构数量)的影响程度，可见外出就医可能低估每千人医疗机构数的影响，但这并不妨碍我们对于诱导需求是否存在的判断，因此这种误差在可以接受的范围内。

表1 门诊就医次数统计表

解释变量为社区内每千人医疗机构数，具体原因已在前文说明，不再赘述。

控制变量包括五类(见表2)。一是人口统计学特征，包括年龄、性别、婚姻状况、受教育程度以及城乡状况。二是家庭经济状况，使用家庭年收入来衡量。它包括家庭成员的工资收入、家庭农业畜牧业收入、家庭资本收入、政府的转移支付以及社会团体的捐赠，并且删除了极端数据(年收入超过1亿的样本)。三是医疗保险，分别定义4个虚拟变量代表样本是否参加城镇职工医疗保险、城镇居民医疗保险、新型农村合作医疗、商业健康保险。四是个体健康状况，具体包括自评健康状况(取值区间为0～7，数值越大代表自评健康状况越差)、是否患有慢性病。五是社区特征，包括社区的公交数量、社区总人口数、社区平均工资水平。

表2 解释变量设定与描述性统计

(二)实证方法

第二阶段模型中，通过比较三种回归方法的结论，可以验证模型的稳定性，从分析结果来看，关键变量的显著性水平基本保持一致。表3汇总了两个阶段的回归结果，其中Logit模型报告的数据为边际处理效应，其他模型报告的数据均为回归系数。

表3 模型实证结果

(三)研究发现与讨论

每千人医疗机构数对初次门诊就医行为与次数都具有显著影响，供方诱导需求确实存在。在第二阶段模型中，每千人医疗机构数对就医次数存在显著的正向影响，假设(2b)得以证实，验证了“供给创造需求”的罗默法则。自评健康状况和慢性病的影响与每千人医疗机构数的影响一致，假设(2a)得到证实。自评健康状况越差的患者初次门诊就医的可能性明显越大(边际处理效应为0.076)，假设(1c)得到证实，自评健康状况对就医次数同样具有显著影响。慢性病患者初诊门诊就医的概率是非慢性病患者的1.9倍，并且慢性病患者的就医次数高于非患者。健康状况和慢性病的影响代表了合理的医疗服务需求，可以解释为患者医疗服务需求的释放。在控制了医疗需求的影响之后，千人医疗机构数仍然对门诊就医次数具有显著正向影响，这部分影响证明了供方诱导需求确实存在。但从影响程度来看，供方诱导需求的影响并不十分强烈，说明中国当前阶段，医疗服务需求的增长主要来自于原本被压抑的需求释放，而医生刺激了这种需求的释放。每千人医疗机构数对门诊就医行为具有正向显著影响，假设(1a)得到验证，说明了医疗服务可及性的影响，医疗机构数量越多，说明患者就医越方便，当患者发现健康问题时，更愿意及时就诊。

医疗保险能够显著提高居民就医的概率，参加城镇职工医疗保险、新农合、商业保险都可以显著提高居民门诊就医的可能性(参保人员相比于非参保人员分别高出66%、54%和67%)。这说明医疗保险能够缓解“看病贵”的问题，提高医疗服务利用水平。假设(1b)得到验证。有意思的发现是，参加医疗保险能够显著降低第二阶段的就医次数，也就是说参加医疗保险能够抑制诱导需求。根据信息经济学的解释，居民(参保人)与医疗保险机构之间存在严重的信息不对称，因此医疗保险制度中可能存在医患道德风险，导致“过度医疗”现象。我们的研究发现，医疗保险能够显著提高居民第一阶段初次门诊就医的概率，同时降低第二阶段的就医次数，这说明医疗保险除了承担经济分担功能之外，还发挥了监控、治理医疗行为的作用，能够起到抑制不合理医疗行为的作用。从居民的角度来看，研究结果表明他们主动选择“过度医疗”行为的可能性不大，家庭收入对初次就医行为和就医次数的影响不显著，而且影响方向与前面的分析一致，即家庭收入对初次就医行为有正向影响，但对就医次数有负向影响。

由于中国的医疗机构设置遵循卫生区域规划，根据区域内的人口密度程度、经济发展水平等因素规划建设医疗机构，使用千人医疗机构数作为医疗供给方的代理变量，可能存在内生性问题。为此，我们在模型中控制了社区特征变量的影响，包括社区人口数、社区公交数以及本地企业的人均工资水平。从结果来看，社区特征变量对于第一阶段的初次就诊行为具有影响，但对于第二阶段的就医次数影响并不显著，这说明地区因素干扰判断诱导需求的可能性不大。社区内的公交数量对于初次门诊就医行为和就医存在均有显著的负向影响，这一结果与经验认识存在差异。社区公交数量可能反映社区的地理位置、交通便利程度、收入水平等，公交车数量较多的社区多位于城市中心或者富裕地区，可能的解释是，这些社区的居民一方面整体健康状况优于偏远地区和落后地区，另一方面他们虽然就医次数少但更重视医疗服务质量。

居民就医行为存在显著的城乡差异，相比于农村居民，城市居民的就医次数显著更多。这说明城乡二元对立的现象仍然存在，城市的医疗服务利用水平明显高于农村。提高农村的医疗服务可及性及医疗服务质量，仍然是医疗服务体系建设的重中之重。

(四)稳健性检验

为了保证模型的稳健性，分别使用Logit(第一阶段)、OLS、零截断泊松模型和零截断负二项模型(第二阶段)进行分析，分析过程中使用Robust稳健性回归，不同分析方法得到的结论基本保持一致。为了检验供给方关键变量的影响是否稳定，我们进一步在Logit模型和零截断负二项模型中使用逐步回归法进行检验。在Logit模型中，千人医疗机构数对初次门诊就医行为的影响非常稳定(详见表4)；在零截断负二项模型中，增加健康状况、医疗保险、社区特征等变量之后，千人医疗机构数的影响有所减弱，这与前面的结论一致，说明存在供方诱导需求，但是控制了其他变量的影响之后，诱导程度并不强烈(详见表4)。

五、结论与政策建议

我们使用两阶段的计数模型，分析了患者就医行为的影响因素，结果证实存在供方诱导需求，但程度并不强烈。这说明中国当前阶段，医疗服务需求的增长来自于原本被压抑的需求释放，政府应当进一步通过提高医疗保障水平等政策，满足人们的医疗服务需求。值得注意医疗保险的影响，它能够显著提高居民第一阶段初次门诊就医的概率，同时降低第二阶段的就医次数，这说明参加医疗保险能够抑制一定程度的诱导需求。医疗保险作为医疗服务的付费方，一方面需要监控、制约医疗机构，另一方面需要服务、管理参保人员，医疗保险对医患双方的约束能够降低诱导需求的风险。在“医患保”三方关系中，医疗保险能否发挥积极作用，直接关系到医疗资源配置的效率。为了推进健康中国建设，满足居民的医疗服务需求，提高全民健康水平，我们结合研究发现，提出以下政策建议：

表4 Logit与零截断负二项模型逐步回归结果

第一，建立良好的医疗服务治理模式。由于信息不对称等市场失灵，医疗服务领域单纯依赖市场机制或政府都难以实现良好的治理，需要建立市场与政府的协同治理模式，实现政府、市场与社会的多元共治，建立医疗服务利益相关者的协同机制。医疗服务协同治理机制以全民健康为中心，鼓励病患、家庭、社区、医院、药企等主体参与医疗服务供给，实行家庭医生签约、药品谈判采购、医生多点执业，建立医联体等医疗机构协同供给医疗服务的模式。

第二，建立不合理医疗行为制约机制。推进三医联动，实现医保、医院、医药的制约与平衡。增强医疗保险作为付费方的监控能力，建立从事前到事后的实时监控体系，建立医疗费用审核的信息系统，将医生的处方行为纳入监控范围，事前进行风险提示，事中进行及时审核，事后进行监督管理，及时发现医疗费用的“跑冒滴漏”现象。完善医院内部法人治理结构，改革现行的医生薪酬制度，采用年薪制等多样化工资形式，切断医院收入与医生收入之间的直接关联，强化公共医院非营利性导向的治理结构。实行医药分开，落实药品零差率，消除药企与医院之间的寻租空间。

第三，建立健康导向的医疗服务体系。以可及性为目标的医疗服务体系，转向建设以健康为导向的医疗服务体系。医疗服务利用率等可及性指标，应当作为提高健康水平的手段，不应当作为医疗服务体系的目标。必须将全民健康作为最终目标，围绕全民健康打造医疗服务体系，强调医疗资源投入的健康产出，注重疾病治疗过程的结果评估，重视预防与健康管理行为。

第四，建立结构合理的医疗保障制度。充分发挥医疗保障的经济分担功能，释放居民的医疗需求，切实减轻居民的就医负担；充分挖掘医疗保障的健康维护功能，利用医保杠杆，调控居民的健康行为以及就医行为，切实改善居民的健康水平。以大病统筹为主导的医保，应转向以保障常见病、多发病为主导，调整医保政策导向，促进医疗保障制度的结构优化。