长期护理保险制度政策评价：基于PMC指数模型*

张文静，张丽，姚俊Δ

(1.南京医科大学医政学院，江苏 南京 211166；2.南京中医药大学卫生经济管理学院)

第四次中国城乡老年人生活状况调查结果显示，2015年我国失能半失能老年人口总数大致为4063万，占老年人口比重的18.3%[1]。快速上升的老年人护理需求和抚养负担加速了我国长期护理保险制度的建立。2016年人力资源和社会保障部出台《关于开展长期护理保险制度试点的指导意见》(人社厅发[2016]80号)，15个试点城市相继出台长期护理保险(以下简称“长护险”)的文件，同时诸多研究开始关注试点地区长护险政策及其运行状况。

目前关于长护险的研究主要聚焦于：一是关于长护险制度框架的研究，如王群等以我国14个试点城市作为研究对象，以参保对象、筹资机制、保障对象、服务形式为分析框架归纳异同[2]，李小青等以长护险的服务提供和待遇给付作为研究对象，结合各试点的情况从评估指标单一、评估标准不齐、主体界定模糊等方面分析并提出解决策略[3]；二是有关不同地区以及国内外长护险制度的比较研究，如余紫君等从保障对象范围、融资制度、给付方式及服务内容、成本控制等方面对比中德长护险制度[4]；三是关于长护险需求现状的研究，黄文杰、吕康银以长春市中老年群体为研究对象，借助Logistic回归模型分析长护险服务需求的影响因素[5]，蒋曼等则对长期护理需求评估体系建设进行研究，通过借鉴国际经验，为我国长期护理需求评估体系完善提供参考[6]。

总的来说，目前国内长护险的研究主要聚焦于政策文本分析，而运用专门政策工具对长护险政策进行全面评价的研究相对较少，故本文尝试运用PMC指数模型对长护险政策进行全面探究，为长护险制度的持续发展提出建议。

1 资料与方法

1.1 资料来源

本文选取上海等9个试点城市的长护险文件，从各地的政府官网进行搜索，获得长护险相关文件(见表1)。

表1 长护险政策样本

1.2 纳入标准

政策筛选：政府层面公布的与长护险制度相关的各类通知、意见。

城市筛选：(1)综合各城市的发展水平，选取了涵盖一、二、三、四线城市的9个城市；(2)考虑地区老龄化水平差异，统筹兼顾东中西部，选取5个东部城市，3个中部城市，1个西部城市。

1.3 研究方法

1.3.1 PMC模型

本文主要基于PMC指数模型对纳入的长护险政策进行量化分析，以各试点地区PMC得分作为评价标准。PMC指数(Policy Modeling Consistency Index)和Omnia-Mobilis由Ruiz Estrada提出，认为万事万物均具有联系性并处于不断运动中，因此政策模型研究应考虑政策的全面性[7]。PMC指数模型构建主要分为三个步骤：1.利用PMC指数模型进行变量分类及参数识别；2.构建多投入产出表；3.计算PMC指数并运用MATLAB软件构建PMC曲面图。

1.3.2 Pearson系数相关性分析

结合Pearson系数对长护险制度影响因素的相关性进行分析，以相关系数r绝对值的取值范围判断变量的相关强度：极强相关为0.8～1.0，强相关为0.6～0.8，中等程度相关为0.4～0.6，弱相关为0.2～0.4，极弱相关或无相关为0.0～0.2[8]。

2 政策评价PMC模型的建立

2.1 变量分类及参数识别

2.1.1 变量设置

参照张永安[9-10]关于变量的设置，确定9个一级变量。二级变量的设置除参考相关文献外，还需结合相关政策的具体规定，故利用ROSTCM软件对政策进行分词分析，在去除“护理”、“保险”等常见词，“根据”、“建立”等干扰词的基础上，提取9项政策的前50个高频词(见表2)。

表2 长护险政策高频词汇总

在提取政策高频词的基础上运用Netdraw软件构建高频词矩阵，如图1所示，可知9个地区的政策均紧密围绕“长期护理保险”这一主题，且“机构”、“人员”、“服务”、“医疗”、“参保”等方面内容与政策关系最为密切。由此可知，长护险政策在参保人员、护理机构、服务内容等方面有较为明确的规定，二级变量设置应综合考虑上述内容。

图1 高频词矩阵图

结合高频词分析的基础上确定44个二级变量(见表3)。其中：X1政策性质表示政策是否具有描述、建议、支持、导向的性质。X2政策功能表示政策的规制作用，其包括明确权责、规范引导、分类监管、联动管理4个方面。X3政策时效表示政策的有效期限，分为试点、过渡期、短期、中期4个级别。X4政策受体表示政策涉及的主体，涵盖行政部门、护理机构、护理人员、商业保险机构、参保对象5个对象。X5政策规范体现政策对哪些方面进行规定，包括失能评定、基金管理、多元服务、待遇标准、费用结算、机构协议、程序审核、多渠道筹资8个层面。X6政策工具指出政策中运用的政策工具类型，包括管制型工具、市场型工具、服务型工具、组织型工具、资讯型工具5类政策工具。X7激励约束包括为推进政策而制定的鼓励方法，包括财政奖补、法律法规、人才培养、风险管理、制度衔接5个二级变量。X8政策监督体现了政策的监督力度，包括事前监督、事中监督、事后监督3个监督变量。X9政策领域表明政策在实施中涉及的领域，包括经济、社会服务、技术、政治、制度、其他6个领域。确定一、二级变量后，进行参数设定，设定要求参数符合二进制规则，政策符合二级变量，则该二级变量设为1；不符合二级变量，则设为0。

表3 长护险政策PMC变量设置

2.1.2 政策多投入产出表构建

基于长护险政策的一级、二级变量设置，构建多投入产出表(见表4)。

表4 多投入产出表

2.2 PMC指数计算

2.2.1 PMC指数计算方法

PMC 指数计算方法[11]主要分为以下三步：(1)计算二级变量值，如公式①②所示，表示所有二级变量均服从[0,1]分布，即长护险政策的二级变量可取值1或者0，若政策内容涉及二级变量则取值1，否则取值0；(2)根据公式③计算所有一级变量的得分，一级变量的分值为二级变量总分与二级变量数目的比值，即计算二级变量的算术平均数；(3)根据公式④计算长护险政策的PMC指数值，即加总各政策所有一级变量的得分。

①

②

③

公式③中t为一级变量，j为二级变量。

④

2.2.2 PMC指数得分

根据PMC指数的计算方法和多投入产出表(表4)，可构建9项长护险政策的多投入产出表，政策内容体现二级变量赋值1，反之为0，并据此计算PMC指数得分。PMC分值可分为四个档次：分值为10～9分表示政策制定完美，8.99～7分为政策制定优秀，6.99～5分表示政策良好，4.99分及以下表示政策效果不佳。本次筛选的9个地区政策得分情况(见表5)如下：上海市、成都市、苏州市及齐齐哈尔市得分处于8.99～7分，政策总体优秀，其余政策得分位于6.99～5范围，政策效果良好。

表5 长护险政策PMC得分

2.3 PMC曲面构建

PMC曲面图有助于更直观的观察各城市的政策差异，基于PMC得分并根据公式⑤构建9个城市长护险政策的PMC曲面图。

⑤

3 结果

3.1 长护险政策整体水平

根据PMC得分及PMC曲面图可知，9个城市的政策效果均在良好及以上，但宁波、安庆相对其他7个城市政策水平稍显不足。总体而言，X2政策功能、X8政策监督、X5政策规范3个一级变量的平均分值较高，说明本文所选择9个城市的长护险政策在制度运行方面规定较为明确，监管力度较强。X3政策时效均值最低，表明该政策多数处于试点阶段，缺乏长远的规划；X7激励约束指标得分亦偏低，说明目前长护险政策尚缺乏明确的激励制度。

3.2 各地长护险政策特征分析

3.2.1 相关性分析

各城市的政策制定和各地综合发展水平密切相关，与各地老龄化水平、老年人失能程度、基本医疗保险发展的可持续性等因素密切相关。本文截取各地区2018年的千人床位数、人均医疗保健支出构成比数据进行相关性分析，千人床位数客观显示各城市医疗资源供给情况，人均医疗保健支出构成比则反映当地居民主观健康护理需求意识。

表6 长护险政策PMC曲面

图2 政策P1(上海)的PMC曲面图图3 政策P2(广州)的PMC曲面图图4 政策P3(成都)的PMC曲面图图5 政策P4(苏州)的PMC曲面图图6 政策P5(青岛)的PMC曲面图图7 政策P6(宁波)的PMC曲面图图8 政策P7(安庆)的PMC曲面图图9 政策P8(上饶)的PMC曲面图图10 政策P9(齐齐哈尔)的PMC曲面图

图11 各市长护险政策影响因素及PMC得分

运用Pearson系数对千人床位数、人均医疗保健支出构成比进行相关性检验，根据Pearson系数检验结果可知，PMC得分与千人床位数的Pearson系数r=0.721，P=0.028；与人均医疗保健支出构成比的Pearson系数r=0.833，P=0.005，由此可知千人床位数、人均医疗保健支出构成比与PMC指数相关性较强(P<0.05)，二者可对PMC指数得分产生较大影响。

3.2.2 长护险政策特征

结合PMC得分、千人床位数、人均医疗保健支出构成比对9个城市的长护险政策进行详细说明，并以气泡图形式展示三者关系。

苏州市及齐齐哈尔市位于第一象限，表明这2个城市的居民健康意识较强且医疗资源供给相对充足。苏州市PMC得分最高，除X7约束激励略低于均值外，其余得分均大于等于均值；齐齐哈尔市PMC得分也较高，唯X3政策时效得分最低，需注重政策长期规划。两个地区政策得分为优秀水平，但二者X7约束激励得分均低于均值，故可从此方面完善政策。

成都市及青岛市位于第二象限，说明这2个城市医护资源配置完备但居民健康护理意识不足。成都市长护险政策除变量X2政策功能得分略低于均分，其他变量均大于等于均分；青岛市政策相对完善，X2、X4、X5、X7、X8、X9的得分与均分略有差距但二级变量X8政策监督得分相对较低，故成都、青岛市可从监督管理等方面着手完善政策，且青岛市虽与成都市共同位于第二象限，但其千人床位数与成都市相差较远，青岛市尚需增加医护资源配置。

宁波市、安庆市及上饶市位于第三象限，说明这3个城市医护资源配置不足且居民自我健康意识有待提高。宁波、安庆市PMC得分偏低，除X2政策功能和X8约束监督两个变量得分高于均分，其他变量与均值均有差距，故宁波、安庆市可从制定法律法规，提高风险管理意识，明确护理服务内容等方面入手；上饶市X3政策时效和X7激励约束得分偏低，故上饶市除完善激励制度外，还应明确政策时效，且3个城市均处于第三象限，需加强医疗资源投入，完善宣传机制提升居民健康意识。

上海市政策制定相对完善，PMC得分处于优秀水平且除变量X7约束激励得分略低于均分，其余变量得分均大于等于均值。根据气泡图可知，上海市位于第四象限，相较于居民的健康消费需求，上海市医疗资源略显不足，因此政策完善可从加强护理人才培养、增加医疗资源配置等方面入手。

4 结论和建议

本文借助PMC指数模型对长护险政策进行评价，同时选取千人床位数、居民医疗保健消费支出构成比这两个相关因素进行分析。结果显示各市的长护险政策内容相对完善，但政策时效不明显，激励约束机制不健全是各市的共性问题，且各地区医疗资源客观供给与健康护理主观需求不对称。故长护险政策内容的完善可以从以下方面着手：

一是明确政策长期规划，完善政策体系。目前各地区的长护险政策多处于试行状态，尚未构建完整的运行机制。各地可结合自身实际情况，在政府引领下，明确各主体权责，加强各部门联合工作，从资金筹集、失能评定等方面进一步规范政策。

二是强化长护险约束激励机制。注重长护险制度与养老政策的有效衔接；引入商业保险机构，加强长护险政策的风险管控；加大政府财政投入力度，引导资源合理流动，完善护理服务的发展。

三是注重医护资源合理分配。目前长期护理服务的提供上仍有所欠缺，不仅相关机构不足，专业的护理人员也相对稀少。故应建立完善的护理机构准入制度，注重人才培训，做好设备、人才、管理等方面的配套设施建设，提高护理服务的专业化水平[12]。

四是加强政策宣传，提升居民健康意识和关于长护险政策的认知。居民自我健康意识会影响其关于长期护理服务的需求。因此，建议政府部门加强电视、网络宣传力度，辅以讲座、社区宣传栏等途径，提高居民认知，促进长期护理服务的广泛开展[13]。