我国社区卫生服务水平的综合评价

随着我国老龄化、城镇化等社会结构的转变，我国居民的基本健康需求增长迅速。但是我国优质医疗资源主要集中在经济发达地区的医院，基层医疗卫生机构比较缺乏优质资源[1]，特别是西部地区的医疗服务水平与能力不能满足群众日益增长的医疗卫生需求，给“健康中国”建设带来一定挑战。为合理利用医疗资源，方便城乡居民就近就医，《中共中央国务院关于深化医药卫生体制改革的意见》指出，要完善以社区卫生服务为基础的新型城市医疗卫生服务体系，加快建设以社区卫生服务中心为主体的城市社区卫生服务网络，完善服务功能，以维护社区居民健康为中心，提供疾病预防控制等公共卫生服务、一般常见病及多发病的初级诊疗服务、慢性病管理和康复服务[2]。此外，我国正大力推行医联体建设[3]。通过整合区域医疗资源、改善基层医疗卫生机构就医环境与技术条件，提高基层医疗服务能力[4-5]。

社区卫生服务中心作为医疗卫生服务体系的重要组成部分，发挥着不可替代的作用[6]。本文运用因子分析法对我国社区卫生服务机构整体资源及服务能力的相关指标进行分析，以期对我国省级区划层面的社区卫生服务水平进行科学的评估和判断，为卫生健康事业发展及医改决策提供参考。

1 资料和方法

1.1 数据来源

本文从国家卫生健康委员会编制的《2018中国卫生健康统计年鉴》[7]中提取反映2017年度我国31个省(自治区、直辖市)社区卫生服务中心情况的统计数据。依据“社区卫生服务中心服务能力评价指南”(2019年版)选取10个相关指标分别为：社区卫生服务中心个数X1、诊疗人次X2、入院人数X3、社区卫生服务中心床位数X4、病床使用率X5、平均住院日X6、医师日均担负诊疗人次X7、取得全科医生培训合格证书人数X8、每万人口全科医生数X9、家庭卫生服务总人次X10，其中入院人数X3、社区卫生服务中心床位数X4、病床使用率X5、平均住院日X6是以护理康复为主要功能的病床相关指标。

1.2 研究方法

利用SPSS 25.0统计分析软件，采用因子分析法进行分析。通过KMO检验和巴特利特(Bartlett)球型检验分析并求得相关矩阵，画出碎石图，提取主因子并对其进行解释，算出主因子得分及综合排名和聚类分析。

2 结果分析

2.1 KMO检验和 Bartlette球形检验分析

一般情况下，在进行因子分析前，要先对样本数据进行KMO检验和Bartlett球形检验。当KMO检验系数大于0.5或Bartlette球形检验的P值小于0.05时，才能进行因子分析[8]。本文中KMO检验统计量为0.585，Bartlett球形检验统计值为328.878，P<0.001，样本数据适宜进行因子分析(图1)。

图1 KMO和Bartlett球形检验

2.2 提取主因子

通过观察表1中各因子的相关矩阵的初始特征值、方差贡献率和累计贡献率，判断哪些可以作为主因子[9]。

表1 相关矩阵的初始特征值和贡献率

注：提取载荷平方和、旋转载荷平方和只显示主因子数据

如表1所示，第一个因子的初始特征值为5.241，解释这10个原始变量总方差的52.414%；第二个因子的初始特征值为1.949，解释这10个原始变量总方差的19.492%，累计方差贡献率为71.906%；第三个因子的初始特征值为1.403，解释这10个原始变量总方差的14.026%，累计方差贡献率为85.932%。这3个因子的特征根都大于1，其累计方差贡献率等于85.932%，超过70%，意味着这3个因子包含了这10个变量中85.932%的信息。同时结合总方差解释表的碎石图(图2)，特征值所处的坡度越陡峭，该因子对总体信息的反映情况占比越高。前3个特征值所处的坡度较陡峭，从第四个指标开始坡度变平缓，因此选取前3个因子作为主因子进行分析。

图2 碎石图

2.3 对主因子的解释

我们用主成分分析法建立了初始因子载荷矩阵[10]，但其对原始变量的解释效果不明显。为了使因子含义更清楚，我们通过对方差最大化正交旋转，建立了旋转后的因子载荷矩阵[11]。

如表2所示，两个空白处是表示相应载荷小于0.3，可以看出各因子在各变量上的影响程度。家庭卫生服务总人次数、社区卫生服务中心数、入院人数、取得全科医生培训合格证数的人数主要由第一主成分解释，每万人口全科医生数、医师日均担负诊疗人次、诊疗人次、平均住院日主要由第二主成分解释，病床使用率、社区卫生服务中心床位数主要由第三主成分解释。与第一因子联系密切的是和卫生服务利用状况、基础设施与人才水平有关的指标，可以命名为“基础设施应用服务因子”；与第二因子联系密切的是和基层诊疗服务效率有关的指标，可以命名为“效率因子”；与第三因子联系密切的是和基层医疗卫生机构病床使用率有关的指标，可以命名为“住院服务利用因子”。

表2 旋转后的因子载荷矩阵

注：因子载荷矩阵旋转在 3 次迭代后已收敛

2.4 主因子得分和综合排名

表3列出了采用回归法估算出的因子得分系数矩阵。将标准化后的样本数据带入综合因子得分函数中，综合因子得分函数为：F= F1(34.874)+ F2(31.774)+ F3(19.284)，其中34.874、31.774、19.284分别是前3个因子旋转后的方差贡献率，这样就得出各个地区的综合因子的得分。将主因子得分和综合得分都进行排序后得到了各地区主因子得分和综合排名(表4)。

表3 因子得分系数矩阵

表4 各地区主因子得分和综合排名

2.5 聚类分析

以F1、F2、F3这3个主因子得分为变量，对各地区主因子得分进行系统聚类分析。聚类方法选用瓦尔德法，度量标准选用平方欧式距离区间[12]。当聚类数为4时，聚类结果见表5。

表5 各地区主因子得分的系统聚类结果

3 结果

从综合排名情况来看，我国社区卫生服务中心服务质量和水平排名前三的分别是江苏省、上海市和广东省，排名最后的3个地区分别是青海省、海南省和西藏自治区；从整体情况来看，在我国的基层医疗卫生服务体系中，东部地区的社区卫生服务质量和水平最高，其次是中部地区，西部地区最低；从主因子角度来看，在基础设施应用服务因子上，服务能力和发展水平最好的地区分别是江苏省、广东省，最差的地区是青海省、宁夏回族自治区；从诊疗效率服务因子来看，社区卫生服务诊疗质量和水平最好的地区分别是上海市、浙江省，最差的地区分别是重庆市、湖南省；从住院服务利用因子情况来看，社区卫生服务中心护理康复病床使用情况最好的地区是上海市、重庆市，排名靠后的地区是浙江省和西藏自治区。

4 讨论

4.1 社区卫生服务的资源分布存在地域差异

根据地区综合得分和基础设施应用服务因子来看，我国社区卫生服务中心的资源分布存在地域差异，东部发达地区社区卫生服务机构数量多且服务质量高，中部地区次之，西部地区社区卫生服务发展相对薄弱，因此可以反映出社区卫生服务质量水平和地区的经济发展水平存在一定关系[13]。东部发达地区的优质医疗资源充足，医疗机构之间竞争激烈，服务质量与水平较高；中西部欠发达地区优质资源基本集中于大医院，基层医疗机构缺乏优质资源，基层医疗机构数量与水平不足。对医疗资源不太充足的中西部地区，从政策层面自上而下地调整医疗资源配置，持续发展与完善分级诊疗制度，健全医联体建设的相关政策。

4.2 社区卫生服务机构缺乏优秀人才

从效率因子上来看，重庆市和湖南省等地区的诊疗效率表现较差，这与当地经济水平不如上海市、北京市、浙江省等地区，政策扶持较弱，对人才的吸引力弱有关，优质人才更愿意往经济发达且政策扶持力度大的地区发展。此外，我国全科医生培养体系滞后，导致全国范围内能真正满足基层医疗需求的全科医师相对较少，少而尖的全科医生则选择去经济发达地区发展。对于经济水平一般的地区，应该加强政策扶持，建立科学合理的人才引入机制，提高全科医生的待遇，优化基层医师的基础性和奖励性绩效工资比例，提高对基层医务人员的基本保障，提高对人才的吸引力。

4.3 社区卫生服务机构的医疗队伍整体专业素养不高

从住院服务利用因子来看，病床使用情况表现较差的有西藏自治区和浙江省等。进一步分析发现，西藏地区病床使用率较差的原因是西藏地广人稀且经济较落后，基层医疗机构数量、医疗卫生人员人数和专业素养都严重不足。而经济发达的浙江等地区病床使用率较差的原因还有待进一步研究。整体来说，一方面，大部分地区高学历水平的基层医师所占的比例不高，系统知识储备不够充足，常见病、慢性病的基本护理知识相对缺乏，患者相信大医院的服务水平，对社区卫生服务中心的康复护理服务能力不信任，从而不愿意去社区卫生服务中心使用康复护理病床服务；另一方面，上级医院和社区卫生服务中心的信息沟通不对称，双向转诊渠道不畅，患者下转到基层医疗机构困难。对此，可以对基层医务人员进行专业技能培训，加强专业知识的教育学习，同时加强上下级医疗机构的信息沟通，完善与落实双向转诊制度。

5 结语

综上所述，本文运用了因子分析的方法，根据数据内在的逻辑关系，将原始数据中的10个影响因素降为3个主因子，对原始指标的相关关系进行解释，对不明确的因素进行分析，在一定程度上反映了当前我国各地区基层医疗卫生服务中心的服务质量和水平差异情况。通过数据归类对各地区基层医疗卫生服务中心的基础设施应用服务、诊疗质量问题和病床使用率问题进行了客观分析，期望能对基层医疗卫生服务质量和水平的未来发展提供参考。