基于三阶段DEA的我国医疗卫生机构运行效率的测度与评价*

安徽中医药大学医药经济管理学院(230012) 李志广 孔爱杰 张婉莹

【提 要】 目的 分析2017年我国医疗卫生机构运行效率以及环境因素对技术效率产生的影响，提出相关建议。方法 利用全国31个省(直辖市、自治区)医疗卫生机构相关数据，运用三阶段数据包络法(data envelopment analysis，DEA)，在剔除人口密度、地区生产总值、总抚养比、病死率和财政拨款影响后，评价其综合技术效率、纯技术效率和规模效率。结果 三阶段我国医疗卫生机构的综合技术效率、纯技术效率和规模效率分别为0.905、0.955和0.947。各地区综合技术效率排序为华中(0.996)>华东(0.956)>华南(0.913)>华北(0.881)>西南(0.880)>西北(0.859)>东北(0.843)。结论 传统 DEA 与三阶段 DEA 模型测算的技术效率差异存在统计学意义，环境因素对各地区医疗卫生机构运营效率的影响较大。虽然2017年我国医疗卫生机构整体运行效率处于较高水平，但各省际间效率差距较大，且投入冗余和规模报酬不足的问题依然存在。

《全国医疗卫生服务体系规划纲要(2015-2020年)》指出，经过长期发展，我国已经建立了由医院、基层医疗卫生机构、专业公共卫生机构等组成的覆盖城乡的医疗卫生服务体系。但是，医疗卫生资源总量不足、质量不高、结构与布局不合理、服务体系碎片化、部分公立医院单体规模不合理扩张等问题依然突出。促进我国医疗卫生资源进一步优化配置，提高服务可及性、能力和资源利用效率是社会可持续发展的重要基石[1]。本文通过对2017年全国31个省(直辖市、自治区)医疗卫生机构整体运行效率进行测度，以期为我国医疗资源合理配置和规划提供参考。

资料来源与方法

1.数据来源

数据来源于《2018中国卫生和计划生育统计年鉴》和《中国统计年鉴-2018》。研究对象为31个省、自治区、直辖市(未包括台湾、香港、澳门地区数据)的医疗卫生机构，具体包括医院、基层医疗卫生机构、专业公共卫生机构和其他医疗卫生机构。

2.研究方法

数据包络分析(data envelopment analysis，DEA)是Charnes、Cooper和Rhodes在1978年提出的一种非线性规划模型[2]。本文采用Fried提出的三阶段DEA模型剖析我国医疗卫生机构的运行效率，克服了传统DEA模型的缺陷，同时剔除环境变量、随机干扰以及管理无效率等因素对我国医疗卫生机构效率的影响，从而使结果更加准确可靠[3]。

第一阶段采用投入导向的BCC模型来计算各地区医疗卫生机构的综合技术效率(technical efficiency，TE)、纯技术效率(pure technical efficiency，PTE)和规模效率(scale efficiency，SE)，综合技术效率=纯技术效率×规模效率。当技术效率等于1时，表示该决策单元是技术有效的且处于技术前沿面上；当技术效率小于1时，表示该决策单元尚未达到生产前沿面，此时决策单元(decision making unit，DMU)的投入/产出效率无效。

第二阶段采用随机前沿方法(stochastic frontier approach，SFA)过滤掉环境因素与管理无效率的影响，使所有决策单元处于相同外部环境，然后将第一阶段分析得到的投入冗余作为被解释变量，环境变量和混合误差项作为解释变量。建立的SFA模型如下：

Sni=f(Zi；βn)+νni+μni；i=1，2，…，I；n=1，2，…，N

第三阶段同样采用传统DEA-BCC模型，将调整后的投入数据输入DEAP 2.1，再次测算各决策单元的综合技术效率、纯技术效率和规模效率，此时的效率已经剔除环境因素和随机因素的影响，是相对真实准确的。

3.指标选取

通过文献回顾发现，投入指标一般分为人力、物力和财力三个方面[4]，人力往往包括职工总数、卫生技术人员、医师数等指标；物力一般特指设备和固定资产；财力主要包括医疗成本、管理费用和业务支出等。而产出指标总体可分为收入和治疗效果两个方面，且治疗效果一般采用门急诊人次、入院人数、出院人数等指标测量。基于国内外文献分析以及指标的可获得性，本文最终选取卫生技术人员数、实际床位数和总资产作为投入指标[5-8]，诊疗人次、入院人数和医疗收入作为产出指标[9-11]。为满足“分离假设”，环境变量需要选用对企业经营效率有影响但又不可主观控制的因素[12]。结合医疗卫生机构的自身发展特点，本文选取城市人口密度、地区生产总值、总抚养比、病死率和财政拨款作为环境变量[13-15]。描述性统计结果如表1所示，实际床位数、卫生技术人员和总资产的标准差较大，说明我国各地区医疗资源配置差异较大；诊疗人次和医疗收入的极差较大，反映了地区之间医疗服务实力差距悬殊。

表1 投入、产出和环境指标描述性统计

结 果

1.投入产出指标的相关性分析

运用DEA模型时，需要进一步检验投入指标与产出指标之间的相关性，即两者是否能互相影响。从估计的相关系数结果来看，所有投入指标和产出指标的相关性均大于0.700，且在0.010水平上相关有统计学意义，说明投入产出具有较高的相关性，符合DEA模型对数据的同向性要求。投入产出指标的Pearson相关矩阵如表2所示。

表2 投入产出指标相关性分析

2.第一阶段：基于原始数据的BCC模型分析

运用DEAP 2.1软件，假设规模报酬可变，通过投入导向的BCC模型对2017年我国31个省份医疗卫生机构的综合技术效率、规模技术效率以及纯技术效率进行测度。表3显示，我国医疗卫生机构总体综合技术效率、纯技术效率和规模效率分别为0.910、0.944和0.964，并且另有10个省份实现了规模报酬不变，15个省份处于规模报酬递增，仅有6个省份呈现规模报酬递减的现象，这说明全国医疗卫生机构整体运行良好，管理水平和规模报酬均有了很大改善。具体而言，北京、上海、浙江、江西等9个省份的综合技术效率均为1；天津、河北、江苏等11个省份综合技术效率介于0.900到1；辽宁、黑龙江等6个省份紧跟其后，综合技术效率范围为0.800～0.900；山西、内蒙古等5个省份表现最差，综合技术效率范围为0.700～0.800。

表3 传统DEA模型结果

由于以上结果并未考虑外部环境和随机干扰的影响，所以并不能真实反映我国卫生医疗机的实际运行效率。因此，需要排除外部环境和随机干扰等因素，重新对技术效率进行测度与评价[16]。

3.第二阶段：基于SFA回归对环境变量分析和投入变量的调整

运用Frontier 4.1软件，将3个投入变量的松弛变量作为被解释变量，将选取的5个环境变量作为解释变量，进行SFA回归分析，结果如表4所示。

表4 SFA模型回归分析结果

表4结果显示，广义单边似然比检验在0.010水平上有统计学意义，说明测量各地区医疗卫生机构技术效率时，对环境变量进行剥离是合理和必要的。另外，三个变量的γ值均为1，说明实际床位数、卫生技术人员和总资产的冗余均由管理无效率所导致[17]。从回归结果来看，总抚养比对医疗卫生服务机构的运行效率有促进作用，且均在1%水平上通过检验，可能的原因是人口老龄化加剧了总抚养比，从而提高了医院的接诊频率，导致相同的医疗资源带来更多的医疗产出。鉴于住院人数增加，高病死率意味着病死人数的增大，从而延长了总的住院时间，导致治疗费用增加，最终医院的医疗收入将扩大，医院的投入产出比提高，从而正向促进我国医疗卫生服务机构的运行效率。另外，财政拨款的增加会导致实际床位数、卫生技术人员的松弛变量的减少，会对医疗卫生机构效率产生正向影响，有利于提高我国医疗卫生服务机构的技术效率。

4.第三阶段：基于调整后投入与产出数据的BCC模型分析

将调整后的实际床位数、卫生技术人员以及总资产三个投入与原始产出指标结合，再次进行DEA效率的分析，发现我国医疗卫生机构的综合技术效率、纯技术效率和规模效率分别为0.905、0.955和0.947(见表5)。这意味着在剔除环境变量、统计噪声和管理无效率的影响后，我国医疗卫生机构综合技术效率降低是由于规模效率下降所导致的，而非纯技术效率，这进一步验证了我国医疗卫生机构的发展应由规模扩张向高水平医疗管理转变的决策科学性。另外，图1所示四川省较调整前发生微弱改变，技术有效且处于技术前沿面。天津、江苏、湖北三个省份在剔除环境变量、统计噪声以及管理无效率之后，综合技术效率上升最为明显，而西藏在调整前后综合技术效率之间差值(0.279)最大，表明该省医疗卫生机构受外界环境干扰最为强烈。

图1 三阶段DEA调整前后我国各省份综合技术效率

接下来，我们基于区域视角，整体评价2017年我国医疗卫生机构的运行状况。表5描述的是我国七大区域三阶段DEA调整前后的效率比较。本文统计范围是除港澳台之外的31个省份，并按照中国地理区划分为七大区域，分别是东北(辽宁、吉林、黑龙江)、华东(上海、江苏、浙江、安徽、福建、江西、山东)、华北(北京、天津、河北、山西、内蒙古)、华中(河南、湖北、湖南)、华南(广东、广西、海南)、西南(重庆、四川、贵州、云南、西藏)和西北(陕西、甘肃、青海、宁夏、新疆)。

表5 我国七大区域三阶段DEA调整前后效率情况

调整后的结果显示，2017年我国医疗卫生机构的综合技术效率较高，平均值达到0.905，各地区综合技术效率均值排序为：华中(0.996)>华东(0.956)>华南(0.913)>华北(0.881)>西南(0.880)>西北(0.859)>东北(0.843)，说明各地区之间存在差异。如图2所示，华中地区医疗卫生机构的整体运行效率在调整前后一直处于最优水平，西南地区综合技术效率调整前后差距最大，这是因为西藏地区的医疗卫生机构受环境变量的影响程度大。

图2 我国七大区域医疗卫生机构调整前后技术效率均值比较

此外，东北、华东、华北和华中地区的医疗卫生机构在调整后其技术效率均呈现上升趋势，而华南、西南和西北地区却出现大范围下降，这主要是由于华东和华北地区相对于西北和西南地区经济发展迅猛，可支配收入增多，居民消费能力变强，客观上为其医疗卫生事业发展提供了经济基础。同时，华东和华北地区在教育事业和对外交流方面也强于西北和西南地区，致使人才聚集，医疗机构数量和医疗技术水平不断提高，为其提供了一定的人才和技术储备。另外，华北和华东地区在医疗财政拨款方面，其规模和比例大多高于西北和西南地区，进一步扩大了它们之间的差距，造成华南、西南和西北地区医疗卫生机构运行效率前后下降的现象。

讨 论

现有文献常用传统DEA方法进行效率评估，但无法识别外部环境及统计噪声对决策单元效率测度的影响[18-19]。本文运用三阶段DEA方法，将环境因素及其他随机因素纳入到模型中，然后利用松弛变量中包含的信息对投入变量进行调整，从而更准确真实地反映我国医疗卫生机构的效率水平。31个省份中仅有10个省份效率状态达到最优，16个省份纯技术效率和规模效率均未达到有效，表明我国医疗卫生机构资源浪费现象和规模报酬不足的问题依然存在。在分析环境变量对投入产生的影响时，总抚养比和病死率的系数为负值，表明二者数据的增大会带来投入松弛变量的降低，即产出的提升，对医疗卫生机构效率产生正向影响。这是因为人口老龄化已成为我国社会常态，总抚养比和老年抚养比的快速攀升，为医疗卫生机构带来了更多的服务机会[20]。另外，财政拨款对医疗卫生机构效率的提升得到了部分验证，这是因为财政拨款对实际床位数松弛变量和卫生技术人员松弛变量有负向显著作用，而对总资产松弛变量无明显作用。然而，地区生产总值和城市人口密度对医疗卫生机构效率的影响没有得到充分验证，这说明各地区经济发展和城市人口的扩张对医疗卫生机构的效率影响很小，并不会直接促进其技术效率的提升。

为提高非DEA有效的医疗卫生机构的运营效率，我们提出以下改进意见。从国家层面，中央要正视我国医疗卫生机构的区域差异问题，合理规划我国医疗卫生资源，加强对医疗投资项目的绩效考核，防止过度扩张。同时还要明确各级各类公立医疗卫生机构的建设数量和规模，加强内涵建设，强化上下联动与分工协作。并且，还要整合各级医疗卫生机构的服务功能，推进分级诊疗，为群众提供系统、连续、全方位的医疗卫生服务。从各省市政府层面，不仅要注重新一代医药科技人才的培养，还要提升医药高等院校的办学水平[21]，完善医保制度，优化财政资金支出结构，从而保障医疗卫生机构的人才储备和外部运营环境。从医院层面，创新人才引进模式，制定有效的工作激励机制，提高医院的管理和技术水平。各级医院还要加强区域间协同合作，搭建市际医共体，通过人才交流和技术培训，将先进医疗经验向地方下沉，实现卫生资源的充分利用。