中国农村地区卫生基础设施建设研究

孙 健 张体栋 张释文

引 言

根据国家发展战略，2020年中国要实现全面建成小康社会，彻底消除贫困的宏伟目标。而彻底消除贫困问题，主要是要妥善解决“农业、农村、农民”三农问题。对于如何解决“三农问题”与实现乡村振兴和新农村建设，学者与业界的共识同时也是最为重要的内容是加强农村地区基础设施建设。

农村基础设施主要包括经济性基础设施(农村地区的交通、能源、水利、环保)与社会性基础设施(教育、体育、文化、养老保险、医疗卫生等)①。国内外大部分的研究已经证明农村基础设施建设与农村地区的经济状况息息相关(鞠晴江，2006；魏跃军，2011；陈银娥等，2012；曾福生等，2018)，农村地区的基础设施建设可以有效促进农民增收，特别是农村基础设施建设对于收入较低群体获益更多(张勋、万广华，2016)。Fan等(2000，2002)通过研究亚洲地区中国和印度的道路、电力、水利等基础设施建设对农业产生的影响，发现有明显的促进作用，特别是对于不发达地区边际收益更高。胡月等(2019)通过研究美国乡村演变的历程，认为目前中国所处的城乡背景与美国20世纪七八十年代面临的背景类似，应在政府占主导地位的基础上引进社会资本加大农村地区基础设施建设。

中国农村居民的健康问题一直是国家重点关注的问题，稳步提高农村居民的健康状况，提高农民的生活的幸福感与获得感是实现全面建成小康社会的重要目标。根据《中国健康和营养调查》，1990-2015年，农村人口健康保健支出占家庭支出比例从3.3%上升到9.2%，农村家庭的健康支出在家庭支出中的占比显著提升，说明农村居民的健康意识稳步提高；国家政府的健康支出占总健康支出的比重由15.5%升高到30.4%，国家政府越来越注重对于居民身体健康的投入。随着国家与农村居民家庭的健康支出的增加，研究其内在的影响因素就成为学界的研究热点。

因此研究分析在乡村振兴与新农村建设中，农村地区基础设施建设给农村居民所带来的影响成为在今后的政策制定及实施过程中所必须考虑的。在提高居民的福祉成为国家施政理念的前提下，最重要的是对农村居民健康支出与健康水平方面的影响。国内学者对于农村居民健康方面的研究主要集中于以下几个方面：

(一)健康支出的经济效应。张银等(2010)认为农民的健康资本对于农民的绩效具有显著的正向作用，明显促进居民的收入和生活水平。提高农村的健康水平，与经济发展具有相互促进的作用。何凌霄等(2015)研究发现居民和政府的健康支出对经济发展具有促进作用。王弟海等(2016)通过运用跨国面板数据，分析世界范围内健康与教育投资与人均产出的关系，发现国外大部分国家健康支出对人均GDP的有明显的促进作用。

(二)影响农村居民健康支出与健康水平的因素。饶晓辉等(2015)研究了农村收入、病床数量、老龄化率以及药品价格的上涨的因素。李增刚等(2008)使用自己对山东省17个行政村做的调查问卷数据，研究了农村居民的收入水平、教育程度以及医疗水平对于健康支出的影响。赵为民(2020)研究了新农合大病保险对农村居民健康状况以及医疗健康支出的影响。郑适等(2017)同样研究了新农合对农村居民身心健康的影响，说明国家对农村地区实施新农合政策有助于农村居民健康水平的提高。储雪玲等(2010)分析了医疗、收入和教育等因素对农村居民健康的影响，认为教育水平、收入水平对农民健康状况具有显著的促进作用，医疗价格则对健康状况有显著的消极影响。陈在余等(2010)研究了农村居民的收入及收入差距对农民健康的影响。因此，对于农村居民健康支出与水平的影响因素的研究主要有两个方面：第一，微观层面的农村居民收入、教育水平等因素对健康支出的影响；第二，分析宏观政策层面如新农合政策对居民健康的影响。

通过梳理既有的研究文献，国内研究主要集中于农村基础设施建设特别是交通、水电等经济型基础设施对农村经济产生的影响②，而对卫生基础设施的研究较少。对卫生基础设施的研究主要集中在两个方面。第一，卫生基础设施的经济影响：张亦弛等(2018)将村卫生室数量作为农村卫生基础设施的代理指标，发现农村卫生基础设施建设对农业经济增长有显著的促进作用；彭代彦(2002)认为农村医疗卫生设施在降低农民生产支出和增加农民收入方面具有显著作用。第二，农村卫生基础设施对农村居民健康方面的影响：农村的环境卫生状况对农村居民医疗保健支出有重要的负向影响(高洪洋等，2016)，农村地区的“改厕改水”等卫生基础设施工程可以有效降低农村污水排放对中老年农村居民健康的负面影响(王兵等，2016)。

本文从中国农村卫生基础设施建设政策实施的角度出发，运用PSM-DID模型，研究分析农村地区卫生基础设施建设对于农村居民健康支出以及健康水平的影响，并提出相关的政策建议，以使惠及农村居民的基础设施政策落到实处。

一、计量模型的设定与数据说明

(一)计量模型的设定

由于本篇文章内容研究的是公共政策的实施所产生的影响，因此选用PSM-DID模型进行分析。使用PSM-DID模型对公共政策进行分析的优势由Heckman等(1997，1998)提出的，该模型可以控制未观察到的非时变变量的组间差异。

1.双重差分法(DID)

根据双重差分模型(difference-in-difference，DID)的理论基础，同时引入时间虚拟变量，同一组的政策实施前为对照组，政策实施后为实验组。构建如下的基本公式：

(1)

(1)式中，D表示政策处理效应，treatment代表实验组，control代表对照组，t1表示政策实施后，t0表示政策实施之前。实验组与对照组在政策实施之后与之前的差分结果再次差分就得到了政策的处理效应。

2.倾向得分匹配(PSM)

在本次研究分析中，不同的省份之间异质性较大，时间效应难以趋于一致。因此，在做双重差分之前需要找到某些与实验组相一致的特征。统计学家Rosenbaum和Rubin在1983年首次提出“倾向性得分”③，主要用于处理难以区分实验组与对照组的数据，即某一个样本个体，在各个匹配变量值都给定的情况下，计算其被挑选为实验组的概率。具体步骤如下：

第一，计算倾向得分。通过Logit回归模型计算每个省市进入实验组与对照组的概率，将这种概率作为倾向得分：

P(X)=pr(treatit=1|xi)=F(Xi)

(2)

(2)式中，treatit为实验组虚拟变量；Xi为第i个省市的特征变量；F(·)为Logistic函数。

第二，根据倾向得分进行匹配。根据上一步得出的倾向得分值，以及趋势评分满足平衡性的准则，在对照组中找到与实验组的倾向得分值最为相近的，同时要保证匹配完成的两组之间不存在显著的差别。

综上，本研究PSM-DID分析方法具体过程为：

第一步，运用PSM方法匹配实验组与对照组。首先进行Logit回归。建立基于被解释变量和解释变量的logit回归模型，估算得到每个样本在所有解释变量的当前值时的倾向评分，并基于估算的倾向得分重新分配样本实验组和对照组。

第二步，将匹配完成的两组进行DID估计。将得到的新的政策虚拟变量和交互变量再构建双重差分模型来研究中国农村卫生基础设施建设对农村居民健康支出，传染病发病率，死亡率的影响效果。PSM-DID的基本回归方程如下所示：

Yit=β0+β1treatit+β2yearit+β3treatit×yearit+∑βjXit+μi+εit

(3)

(3)式中，Yit为被解释变量，本文选取人均健康支出、传染性疾病发生率与传染性疾病死亡率三个不同维度衡量农村地区卫生基础设施建设对农村居民健康支出与健康水平的影响，下标i与t分别表示省份与时间信息。treatit为个体虚拟变量，反应t年某省份开始实施卫生基础设施建设取值为1，未开始实施取值为0。yearit为时间虚拟变量，表示开始实施卫生基础设施建设措施之后的年份取值为1，之前取值为0。交互项(treatit×yearit)的系数β3是本文分析的卫生基础设施建设对实验组与对照组的不同的影响。Xit表示控制变量。μi为个体固定效应。εit为随机干扰项。

(二)变量解释与描述性统计：

本文使用的数据来源于《中国农村年鉴》、《中国统计年鉴》、《中国卫生健康统计年鉴》、《中国环境统计年鉴》以及《中国文化文物统计年鉴》等。文章统计了2012-2017年全国30个省市的相关数据(缺失西藏)。

1.被解释变量选择。本文选取了三个解释变量，分别为：人均健康支出、传染性疾病发生率、传染性疾病死亡率，分别反应农村居民的健康支出水平以及与健康水平。如表1所示：

表1 被解释变量与解释变量的定义与度量

2.解释变量选择。

本次研究中农村基础设施建设中涉及卫生基础设施领域的主要包括环境基础设施、医疗基础设施等。

本文选取农村地区卫生间改革与否(某些省市开始实施卫生间改革政策取值为1，未开始实施取值为0)、卫生间覆盖率以及卫生间改革投入资金作为环境基础设施建设的代理变量。同时经过分析发现，2015年前后全国各省份农村地区卫生间改革的差异较大。由于2015年国家开始提倡推进农村地区卫生间改革，将卫生间“改造”升级为“改革”的战略高度，因此将2015年作为卫生基础设施建设开始实施时间。此外，2016年10月印发的《“健康中国2030”规划纲要》中指出要加快无害化卫生间建设，力争到2030年，全国农村居民基本都能用上无害化卫生间。《“十三五”卫生与健康规划》中提出：加快推进农村生活污水治理和无害化卫生间建设，农村卫生厕所普及率达到85%以上。综上，以2015年为时间节点分析农村卫生基础设施建设的影响具有明确的理论与现实意义。

本文选取各地区村卫生室个数以及每万人医护人员个数作为各省市农村地区医疗基础设施建设水平的代理变量。

交互项(Treat*year)为农村地区卫生间基础设施建设这一政策与时间的交互，反映卫生基础设施政策对实验组与对照组的不同的影响，是PSM-DID模型关键的解释变量。

尽管DID模型可以消除部分内生性问题，但是为了更准确找到实验组省市与对照组省市之间的差异，控制变量指标选用卫生间覆盖率、卫生间改革投入资金等用以说明各个省市的卫生间普及水平；选用文化服务惠及人次、文化服务普及率用以说明该地区的文化文明程度，其中文化服务普及率的计算方式是农村文化服务惠及人次与该地区乡村人口的比值；选取农村贫困人口规模用以说明该地区的贫困程度；同时，由于中国东中西地域差距较大，因此模型中设定地区变量用以衡量地域不同所带来的不同的影响。

下表2为主要变量的描述性统计(为了减少人为确定实验组和对照组偏好影响问题，随机分配实验组和对照组样本)：

表2 主要变量描述性统计实验组： Treat=1

对照组：Treat=0

二、实证结果分析

(一)双重差分(DID)分析

首先，对随机分配出的实验组与对照组进行双重差分分析。对于处理完成的数据用Two-Sample T test 对实验组和对照组进行协变量基准线平衡检验，得到检验结果详见表3。

表3 协变量基准线平衡T检验结果(TWO-SAMPLETTEST)

***p<0.01;**p<0.05;*p<0.1

根据上表可以看出，在基准线即政策实施前的全部观测样本有81个，其中实验组42个样本，对照组39个样本。解释变量卫生间覆盖率，文化服务惠及人次在10%水平下有显著不同；人均健康支出，文化服务普及率，农村贫困人口规模，每万人医护人员和地区变量在1%水平下有显著不同。

进一步分析其他因素对人均健康支出，传染性疾病发生率与死亡率的影响，把其他解释变量加入模型中进行DID回归得到结果如下表4所示：

表4 直接DID回归结果

从上表4可以看出，基础设施建设政策项与人均健康支出显著负相关且对传染性疾病发生率有显著的负相关关系。卫生间改革投入资金对传染性疾病死亡率在1%水平下有显著的负相关关系。每万人医护人员对传染性疾病死亡率显著负相关。

(二)PSM-DID分析

下面将应用PSM-DID方法对样本数据进行分析检验。本文运用PSM方法的另一个意义是通过比较与DID模型的分析方法，验证模型检验和估计结果的可靠性。

首先估计倾向得分和匹配得到的实验组与对照组协变量结果，详细见表5：

表5 Logit模型估计倾向得分结果

从上表可以看出，prob>chi2值等于0，小于0.05 满足chi2检验，另外R2值为0.2758，logit模型估计倾向得分整体结果较好。根据估算得到得各变量系数，计算倾向得分值。为了进一步检验匹配得结果，用Pstest来检验匹配结果是否较好地平衡了数据，得到结果如下表6所示。从表6可以看出，不同变量匹配前和匹配后得不同实验组和对照组均值及偏差，可以看到除了地区变量region，其他变量的偏差都有大幅度的减少。T检验结果也体现了，匹配后大部分变量得实验组和对照组之间得差别显著性降低，匹配后较好地平衡了数据。进一步对比实验组与对照组的Kernel分布图详见图1，可以发现对照组的倾向得分主要集中在0到0.2之间，而实验组的倾向得分主要集中在0.8到1之间。

图1 倾向得分Kernel 分布图

根据计算得到的倾向得分，重新匹配实验组和对照组，进一步分析PSM-DID模型，对匹配后新的实验组和对照组的样本进行PSM-DID回归，得到卫生基础设施建设政策因素和其他因素对人均健康支出，传染性疾病发生率与死亡率的影响的PSM-DID回归结果详见表7。

表6 Pstest检验结果

表7 多变量PSM-DID回归模型

*p<.05;**p<.01;***p<.001

从上表7可以看出，PSM匹配方法平衡了实验组和对照组数据，使得政策与时间的交互项变量对人均健康支出在5%水平下显著负相关，对传染性疾病发生率在1%显著性水平下正相关。其他变量也体现了不同程度的显著性水平。整体模型拟合结果R2值，说明对人均健康支出和传染性疾病死亡率变量拟合的PSM-DID效果优于一般DID模型。

(三)主要实证回归结果分析

1.环境基础设施的影响

根据表7可以看出，政策与时间的交互项对人均健康支出呈现负相关，对传染性疾病的发病率呈现正相关，对传染性疾病的死亡率并没有显著性水平。而在计量经济学分析中，交互项系数显著说明解释变量与被解释变量之间存在相互作用的机制，系数的正负不代表其影响的方向问题。因此可以看出，中国农村地区的卫生基础设施建设影响了农村地区居民的健康支出水平与传染性疾病的发病率。但对于传染性疾病的死亡率并没有相互作用的机制。

政策与时间项。重新匹配后的政策项，通过回归系数可以看出，农村地区卫生间改革政策对农村居民的健康支出有正向的促进作用，增加了农村居民的健康支出，实验组与对照组相比，健康支出平均多了82.173元，且每年平均显著增加88.96元。同时发现实施政策项对传染性疾病的发病率及死亡率都是具有负向作用，实验组与对照组相比传染性疾病的发病率降低了近27(每10万)，随着时间的增长传染性疾病发生率会逐步降低。传染性疾病死亡率也有相应的降低，说明卫生间改革提高了农村居民的健康水平，降低了传染性疾病的发病率。造成健康支出增多的具体原因是，一方面农村卫生间改造虽然在全国大部分地区是政府补贴一部分，但是农村还必须负担改造的费用(以山东为例，改造一户卫生间的费用约1000元左右，政府财政负担900元，居民负担100元左右)；另一方面，卫生间改造完成之后，后期维护费用增加了农村居民的健康支出。

卫生间覆盖率与卫生间改革投入资金。两者对居民健康支出水平与传染性疾病的发病率呈负相关关系，因此，随着卫生间改革的深入发展，卫生基础设施建设可以逐步提高居民的健康水平，从而降低居民的健康支出。

2.医疗基础设施的影响

从表7可以看出，变量各地区卫生室个数对三个被解释变量未产生显著的相关关系。而每万人增加一个医护人员会增加2.5元的健康支出，同时降低了0.042(每10万)的传染性疾病的死亡率，因此农村医疗基础设施的建设改善，尤其是医护人员的增多，农村居民的健康意识增强，农村居民可以享受到更多的医疗服务。

3.文化文明程度。从表7可以看出文化文明程度对健康支出、传染性疾病的发病率以及死亡率并没有明确的正负项关系，说明在现阶段文化文明程度对农村地区卫生间改革无明显的影响关系。

4.农村贫困人口规模。贫困程度与农村居民健康支出具有显著的负相关关系，与传染性疾病死亡率有正相关关系。贫困人口每增加万人，平均健康支出降低0.477元，死亡率显著增加0.002(每10万)。说明随着贫困程度的增加，居民患有疾病之后可能因为经济问题不能进行有效及时的医疗救助，造成了死亡率的增加。

5.地区选项。地区选项并未对被解释变量产生显著的相关关系，说明中国东中西三个不同的地区对被解释变量的影响力较小，地域的不同不再是制约农村卫生基础设施建设与居民健康的主要的影响因素。

三、结 论

从2004年开始一直到2020年，中央政府连续17年发布关于“三农”问题的中央一号文件，“三农”是国家发展的基础。中国农村卫生基础设施建设特别涉及“农村与农民”问题，因此解决好农村居民面临的卫生健康问题，成为当前面临的重中之重问题。因此本文研究中国农村卫生基础设施建设与居民健康支出以及健康水平的关系具有非常重要的理论与现实意义。

本文基于中国省级面板数据，并通过研究公共政策最为有效的PSM-DID模型着重分析了农村卫生间改革对农村地区居民健康支出及健康水平的关系。通过对回归结果进行分析可以发现，政策实施与时间的交互项对居民健康支出与传染性疾病的发病率产生较为显著的影响。这意味着农村卫生基础设施建设政策的实施确实对健康支出及健康水平产生了明显的影响。本文进一步研究发现卫生基础设施建设政策增加了农村居民的健康支出，但同时降低了传染性疾病的发病率与死亡率。研究还发现对传染性疾病起显著性影响的是卫生间改革财政投入资金、农村贫困人口规模以及每万人医护人员个数，其中财政投入资金、每万人医护人员对于传染性疾病死亡率有明显的负向关系。

基于文章的研究结论，从以下几个方面提出一些政策建议：第一，降低农村居民在参与卫生基础设施建设过程中的经济负担。以本文的卫生间改革为例，农村居民在参与改造过程中，需要自负一定的比例(全国不同省市自负比例不同)，进而增加了农村居民的健康支出，因此国家财政应对农村居民自负部分进行更大程度补贴，以减轻农村居民负担。第二，从上文的总结可以看出，卫生基础设施建设完成后，后期每年的维护费用同样增加了农民的经济压力，因此国家财政要着重加强对卫生基础设施建设实施后产生的维护费用的覆盖，应每年发放一定的基础设施维护补贴，逐步缓释农村居民因卫生基础设施建设产生的经济压力。第三，由于农村地区的医护人员数量的增加可以显著降低传染性疾病的死亡率以及各地区卫生室个数并没有对传染性疾病的发生率及死亡率有显著的影响，国家有关部门应努力提高农村地区医护人员的数量以及医护水平，完善农村地区医护人员及科室配置，同时避免片面扩大村卫生室数量。第四，由于贫困人口规模与传染性疾病的死亡率有显著的正向关系，因此应加强对农村贫困人口的医疗救助。例如，针对农村贫困人口全面推行“先就医、后付款”以及提高农村贫困人口的报销比例等措施，避免出现农村贫困人口因经济问题而产生就医不及时现象。

本文研究受限于可获得的相关数据，并未区分健康支出主要支出在哪几个类型。因此，细化健康支出类型与深入研究影响程度将是下一步对该主题的研究方向。

①骆永民、樊丽明：《中国农村基础设施增收效应的空间特征》，北京：《管理世界》，2012年第5期，第71页。

②李谷成、尹朝静、吴清华：《农村基础设施建设与农业全要素生产率》，武汉：《中南财经政法大学学报》，2015年第1期，第142页。

③Rosenbaum, P.R. and Rubin, D.B. The central role of the propensity score in observational studies for causal effects.Biometrika, 1983, 70(1), p.45.