中国居民家庭脆弱性及因病致贫效应分析

韩静舒，谢邦昌

(1.安徽财经大学 统计与应用数学学院，安徽 蚌埠 233030；2.中央财经大学 统计与数学学院，北京 100081；3.台北医学大学 大数据研究中心暨管理学院，台湾 新北 24205)



中国居民家庭脆弱性及因病致贫效应分析

韩静舒1,2，谢邦昌2,3

(1.安徽财经大学 统计与应用数学学院，安徽 蚌埠 233030；2.中央财经大学 统计与数学学院，北京 100081；3.台北医学大学 大数据研究中心暨管理学院，台湾 新北 24205)

摘要：为定量分析医疗支出对家庭经济水平的冲击，以贫困脆弱性指标作为家庭经济风险的代理变量，利用微观调查数据构造反事实框架估计就医行为对家庭经济境遇的冲击，验证了医疗与家庭致贫效应的因果关系和影响程度。家庭成员在过去半年内若因病住院，对家庭福利会造成损失，损失幅度因贫困标准、样本年份而不同。2012年在贫困线标准为2美元条件下，家庭经济风险概率值增加0.31。分城乡和收入高低不同组估计，农村居民以及低收入群体的福利水平受就医影响幅度大于对应的其他群体。

关键词：健康公平；脆弱性；灾难性卫生支出；倾向分数匹配；居民福利水平

一、引言

疾病发生不可预测，个人需要支付一大笔费用消除疾病换取健康。“看病贵”始终为舆论界和学术界所关注，2008年卫计委调查*《2008中国卫生服务调查研究第四次家庭健康询问分析报告》，来源于国家卫生和计划生育委员会网站。显示，住院病人中有54.5%的比例因为经济原因提前出院；应住院而未住院的病人有70.3%缘于经济窘迫，因“看病贵”而中止治疗。医疗费用不仅影响疗程效果，在超出负担能力后可能导致家庭经济状况出现重大变化或陷入贫困，继而可能加剧贫富差距。

疾病导致的经济风险，可理解为“因病致贫”。把家庭或个人消费支出水平与预设的贫困线比较，能够度量贫困状态，但是这是一种事后测度手段，我们更需要关注的是医疗支出使家庭面临的风险(预期)，比如非贫困家庭未来是否可能贫困、贫困家庭程度更甚，这属于事前风险。贫困脆弱性是对家庭未来可能遭受贫困的的估计，在一定程度上能够实现事前估计。

脆弱性有三类定义：第一，脆弱性为个体未来陷入贫困的可能性，采用这种定义的学者相对占多数[1]。第二，当家庭遭受反向冲击时，消费的平滑能力低导致当期消费水平下降，则该家庭是脆弱的[2]。第三种定义将脆弱性纳入了效用分析框架，等于确定性等值消费的效用与期望效用之差[3]。经验研究层面主要面向发展中国家，中国对家庭脆弱性研究相对较少，研究对象又大多为农村家庭。很多学者采用第一种定义。Imai等人利用三期的国家入户调查数据构造了面板数据模型，研究中国税收与农村家庭脆弱性的关系，结论表明，2006年后农业税免除对降低脆弱性有显著意义[4]。樊丽明和解垩测度了脆弱性并研究了财政公共转移支付对脆弱性的影响[5]。杨文等人在国内较早地介绍了脆弱性研究的进展，研究者使用中国家庭追踪调查(CFPS)早期试点数据，分析结果表明中国农村家庭是脆弱的，村内不平等比村际不平等更主要，构成脆弱性的组成部分[6]。

在灾难性医疗支出的实证研究方面，一个重要的研究视角是评价医疗保险的缓解作用。Wagstaff等学者的研究发现：当前医疗保险未能有效降低中国家庭的灾难性医疗支出风险，反而有增加风险的可能，原因主要是医疗保险降低了居民利用医疗资源的难度；居民更倾向于寻求医疗服务，更可能寻求高质量的医疗服务[7]。国内对新型农村合作医疗保险的研究较为集中。陈迎春等在新农合试点时期便有针对这一问题的研究，对比住院农民支付医疗费用前后的贫困指标，认为新农合起到了缓解贫困的作用[8]。高建民和周忠良利用2005年村镇调查数据比较了参保农民医疗费用支付前后的贫困发生率、贫困矩、森指数等贫困指标，认为互助医疗制度在缓解因病致贫方面效果优于新农合[9]。解垩等设计了指示贫困的二元变量，城市地区的致贫率为3.3%，农村地区为9.5%，因病致贫情形与家庭经济水平有直接关系，随收入升高而下降[10]。

梳理已有研究，如何定量考察医疗支出的经济风险往往是研究关键，存在进一步研究的空间。从追根溯源的角度看，极少有研究关注家庭医疗支出本身导致的经济水平下降，无论参保与否，经济风险首先由就医行为所致。国内学者对基本医疗保险反贫困效应的研究多集中在农村，这可能受限于大范围追踪调查数据的缺乏。对于贫困的度量一般采用事后指标，是在特定时点对福利水平的静态度量，没有将未来福利和与之相关的风险一并考虑，而且目标群体单一。受已有研究启发，本文引入了脆弱性指标作为家庭经济风险的代理，以此为基础构造反事实情形，估计大额医疗支出对家庭造成的经济风险。

二、“因病致贫”的测度

(一)脆弱性的概念

脆弱性是指当前不贫困的家庭，但可能在未来面临跌至贫困线以下的风险；也指当前贫困，在未来仍然处于贫困的风险。Cunningham和Maloney认为，脆弱性是一种针对反向福利冲击的风险暴露，而非贫困暴露，无论家庭是否遭受反向福利冲击，都视脆弱性为家庭在未来处于更高贫困程度的风险[11]。

家庭i在t期的脆弱性水平可被定义为在t+1期的消费贫困概率，即：

vit=Pr(ci,t+1≤z)

(1)

这里ci,t+1是t+1期的家庭人均支出，z是事先划定的消费贫困线。t期的脆弱性水平依赖于家庭在t+1期的支出预期。为了估计贫困脆弱性，必须推断家庭的未来支出预期。近30年来，大量富有成效的研究工作表明，任何时段的家庭支出几乎都取决于若干因素：财富水平、当期收入、未来收入预期、未来收入的不确定性、面临冲击时的消费平滑能力等。这些因素反过来又依赖于各种可测或不可测的家庭特征、宏观经济基本面以及制度背景特征等。于是，把家庭脆弱性水平表达式变换为：

vit=Pr(ci,t+1=c(Xi,βt+1,αi,ei,t+1)

(2)

其中，Xi代表一系列可观测的家庭特征，βt代表t期经济状况的参数向量，αi代表不可测的非时变类家庭特征，eit代表的异质性特征决定了家庭受到冲击后的福利结果的差异。上述表达式展现出脆弱性水平由家庭跨期消费支出的随机性特质决定，支出水平依赖于家庭特征和宏观环境。由于数据获得难度大，式(2)表示的一般形式难以估计，但它有助于理解在估计脆弱性时需要考虑的各种影响因素。

(二)经验研究方案

1.脆弱性的估计

家庭贫困概率，不仅受未来消费支出预期(如均值)影响，还受支出波动(如方差)甚至是高阶矩的影响，低工资的政府雇员与自雇型的小业主有可能具有同等支出期望水平，但他们的脆弱性水平可能因为支出流的稳定性不同而产生差异。因此，在估计过程中至少需要获得支出的期望和方差，理想情况下，足够长度的纵贯数据能够在不需要辅助假设的情况下得到方差的估计量。但是，纵贯数据往往很难获得，或是每一个横截面的数据覆盖度不够，致使估计结果不理想。

横截面数据比纵贯数据的普及度更高，本文的实证研究以追踪调查的横截面数据为基础，进行居民家庭贫困脆弱性的测度，并以此为基础估计患病对家庭福利水平的影响。首先假设家庭i的消费支出为随机过程，由式(3)给出：

lnCi=Xiβ+ei

(3)

Ci是家庭人均消费支出，Xi为一系列可测家庭特征变量，如家庭规模、地理位置、成员受教育程度等，β为参数向量，ei是捕捉引起家庭人均支出差异的异质性因素(冲击)的0均值的扰动项。上式暗含的假定是独立同分布误差；宏观经济结构相对恒定，未来支出的不确定性仅来源于异质性冲击ei的不确定性。

本文将ei的方差表示成家庭特征向量的条件期望，简单表示为：

(4)

(5)

2.倾向分数匹配方法基本原理

已发生医疗支出的家庭若没有这项支出，会对家庭福利水平产生怎样的影响？这是一种反事实的概念，在某种干预行为的影响下，干预组(实验组)和对照组(控制组)样本在结果变量上体现的差异便是干预行为影响力的估计值。在倾向分数匹配(PSM)方法里，结果变量的差异被称为平均处理效应(ATT)。根据Heckman和Robb给出的定义[13]，医疗行为对家庭经济福利的平均处理效应可表示为：

ATT=E[Y1-Y0|treat=1]

=E[Y1|treat=1]-E[Y0|treat=1]

(6)

其中，Y1代表样本有住院医疗时的结果(脆弱性)，Y0代表没有医疗时的结果；treat为虚拟变量，表示是否住院，干预组取值为1，对照组取值为0；E为期望值。用式(6)估计ATT存在数据缺失问题，个体要么治疗要么没治疗，所以需要假设治疗的个体在没有治疗时的情形，即反事实情形。

在满足独立条件假设的情况下，反事实效应可通过协变量X推断获得，此时就医处理效应(致贫效应)可用下式表示：

=τ(·)

(7)

除了医疗支出，居民的贫困脆弱性还受到经济、教育、人口统计学特征等混杂因素的影响；居民治病与否，存在被选择或自我选择的过程，因此直接把对照组纳入分析会产生选择性偏误。为解决协变量高维度难题，用受限因变量模型估计协变量X的“倾向分数”P(X)。

在对照组中寻找与干预组中具有类似倾向得分的样本，以这部分样本作为干预组的反事实情形，以此减少干预组和对照组在协变量X上存在的偏差。借助倾向分数便能在样本中将非参与者匹配给参与者，从而最终获得就医对脆弱性影响力的净效应。

三、数据介绍和筛选

(一)数据介绍

本文的数据集来自北京大学“985”项目资助、北京大学中国社会科学调查中心执行的中国家庭追踪调查(CFPS)。CFPS 旨在通过跟踪收集个体、家庭、社区三个层次的数据，反映中国社会、经济、人口、教育和健康的变迁，为学术研究和公共政策分析提供数据基础。CFPS样本覆盖25个省/市/自治区，目标样本规模为16 000户，调查对象包含样本户中的全部家庭成员，已公布2010年和2012年两轮追踪调查数据库。

对最近两轮调查数据进行筛选，围绕家庭经济地位、抚养负担、家庭人口结构等选取变量。其中，家庭净财产为家庭总财产减去总负债，为避免负值无法取对数的情形，将净财产减去最小值再加1。抚养比是家庭内16岁以下和60岁以上人口与16～60岁人口比值，代表家庭负担。入学比是全脱产就学人口与家庭规模比例，代表家庭的教育负担。被访村/居的类型分为：城市、城镇、农村和郊区，代表家庭所处的社区邻里环境。居住房屋类型分为单元房、平房、四合院、别墅、连排别墅、小楼房和其他，代表家庭居住条件和经济实力。

脆弱性测算之后将估计就医行为对家庭的影响，所需协变量主要有：家庭人均纯收入、家庭净财产、省份、城乡、家庭规模、抚养比、入学比、村/居类型、住房类型、距医院路程、医疗保健支出、食品支出和医保变量。其中医保变量的构造采用家庭内部基本医保的覆盖比例。

PSM分析中需要构造的另一个核心变量——处理变量，用以将样本划分为干预组和对照组。本文考虑到CFPS的调查问卷针对成人和儿童的门诊就医行为提问内容不统一、指标口径不一致，所以在设计就医行为的代理变量时，只考察“一年内是否住院”问题，回答为“是”的样本记为1，即家庭中若有人在一年内住院，即认为就医变量为1(干预组)，所有成员均无住院的，就医变量设为0(对照组)。门诊就医行为可以通过协变量“医疗保健支出”得到体现。经过筛选，共获得8 629例家庭样本，他们同时接受了2010年和2012年的两期调查。2010年干预组和对照组的样本数分别为1 774和6 855，2012年的为2 006和6 623。

PSM分析步骤与脆弱性估算侧重点不同，后者考虑的协变量主要围绕与贫困、生活负担相关的因素，而前者更多考虑与身体健康、就医行为相关的因素，因此协变量中多出了医保变量。另外又构造了家庭成员患有慢性病的人数比例，但在回归分析中因严重多重共线性而删去。

(二)变量描述

2010和2012年调查样本变量的均值描述统计特征见表1，同时也将样本按城乡分组、患病就医分组一并汇报于表2。

表1　两轮调查各变量描述结果表

表2　变量分组统计表

从全体样本看，体现家庭经济水平的变量均表现出上升情形，2012年收入和各类支出比2010年有所改善，其中人均支出增长38%，人均收入增长35%，家庭净财产增长20%。区分城乡看，农村抚养比和距医院路程均高于城镇，经济水平类变量更是表现出明显的城乡差异，这与当前中国的现状是吻合的。

按照处理变量分组，医疗保健支出在两组间的差异十分明显，住院组的医疗保健支出比例远高于非住院组，接近3倍；家庭总支出多出1%，相对微小；同时从收入水平观察，未住院组的人均收入水平明显高于住院组。直观认为健康状况较为糟糕的样本收入水平低且又面临较高的医疗支出。

健康状况与家庭经济水平有关，影响就医行为的因素除了看病的花费和时间成本，还有自身经济水平、消费习惯、保健习惯以及医疗设施的便利性等特征，忽略这些因素运用统计方法和计量经济模型进行估计时会导致选择性偏差等内生性问题，因此还需要做进一步计量分析和稳健性讨论。

四、中国居民家庭因病致贫的实证分析

(一)脆弱性指标的测算

经过多步骤回归后得到家庭消费支出的期望和标准差，以便进行贫困脆弱性的测算。测算脆弱性指标时需先设定贫困线标准，延续以往文献常用的设定，以人均每日消费1美元、1.25美元和2美元作为贫困线标准，代入式(5)。家庭对数人均消费支出低于贫困线*年化后取对数。的正态分布累计概率即为贫困脆弱性，概率越大，家庭未来陷入贫困的可能性就越大。本文测算出三档脆弱性指标，阀值分别为0.3、0.5和0.7，表3给出了脆弱性大于阀值时的户数比例。

表3　不同贫困线标准下脆弱性大于阀值的户数比例(%)

人民币兑美元汇率变化对脆弱性测算影响可以忽略，均按撰文当日6.4汇率。贫困线标准越高，家庭陷入较差境遇的概率越大，户数比例值对脆弱性阀值更具敏感性。在2010年，贫困线为1美元时，有24.9%的家庭脆弱性超过0.3，只有2.7%的家庭的脆弱性指标超过0.7。贫困线调高后，各阀值下的家庭比例有所增加。2012年的各档比例变化趋势和变动幅度与2010年相似，受样本差异的影响，各比例的取值水平范围更大。

(二)就医行为对家庭经济状况的影响

1.样本整体的因病致贫效应估计

匹配方法或匹配策略种类繁多，经过各种策略的测算，非线性匹配策略的估计效果要优于其他。表4是三类贫困线标准下最适当的估计结果，以及依据样本量更大的非平衡面板数据估计的因病致贫效应结果。具体匹配方法是以biweight内核的局部线性回归，带宽取值为0.060。2010年样本干预组2 286、控制组9 403，对应的2012年干预组和控制组样本数分别为2 591及8 426。

表4　因病致贫效应PSM估计结果

平衡面板数据变量的统计特征发生变化原因：一是由于样本自身随时间变化，比如收入水平、经济地位、宏观经济背景；二是由于两轮各自的调查误差。经计算，全样本2010年因病致贫效应分别是0.24、0.25和0.27，缩小为平衡面板数据后的PSM估计结果为0.25、0.26、0.28；2012年对照来看情况类似。2012年，当贫困线为1美元时，样本家庭因为医疗花费而增加经济风险的概率值是0.09，把贫困标准升高到2美元后，增加风险的概率是0.31。大额医疗支出对家庭经济的冲击是显著的，又依据贫困线标准设定升高而增加。因病致贫效应是显著，且估计结果稳定，只与被调查年份有关而与样本量或匹配策略无关。

2.不同群体的因病致贫效应

不同特征的个体应对疾病风险的冲击有不同反应。按一般经验，原本经济境遇较差的个体可能更加难以应对疾病风险的冲击，经济水平较高的家庭即使面对风险冲击也可能并无明显的行为改变，这意味着收入、财富水平不同，脆弱性也不同，可能穷人比非穷人更加脆弱，下面用定量分析验证不同群体的因病致贫效应。

本文依照城乡和收入对变量进行区分，其中收入分组是将家庭人均纯收入排序后取四分位数，样本分为低收入组、中低收入组、中高收入组、高收入组。表5汇总了分组估计结果。

若把农村群体、低收入群体视为弱势群体，无论贫困线标准如何，弱势群体对应致贫效应的估计值明显高于“非弱势群体”。相同贫困线标准下比较，弱势群体家庭因就医行为引起的家庭福利损失高于非弱势群体的两倍。如2010年按1美元消费贫困线算，城镇家庭的因病致贫可能性增加0.14个百分点，农村家庭达到了0.32个百分点。城镇最低收入家庭的估计效应没能通过显著性检验，但依然能够将较高的估计值作为参考。

表5　不同群体“因病致贫”效应PSM估计

注：*表示估计结果不显著，即t值小于1.96。

五、结论

本文采用三阶段可行广义线性回归估计贫困脆弱性指标，以脆弱性估计值为经济风险代理变量，运用倾向分数匹配法估计了就医行为对家庭经济境遇的冲击，分析了家庭医疗行为与致贫效应的因果关系和影响程度。控制住其他协变量，有住院行为的家庭的贫困脆弱性显著增加，医疗支出致贫效应在不同群体间差异较大，城镇家庭、高收入家庭的脆弱性增加幅度明显小于农村家庭、低收入家庭。三档贫困线下估计值平均计算，2012年家庭成员患病住院后，低收入家庭脆弱性增加值是高收入家庭的6.1倍，农村家庭是城镇家庭的2.4倍。受数据年份影响2010年的估计值波动较小。样本估计结果表明，农村居民以及低收入群体未来遭遇贫困的风险较高，基本医疗保险缓解"因病致贫"的作用并没能充分发挥。

居民基本需求无法得到保证，将对社会公平产生负向冲击。基于研究结论，作为基本公共服务的国家医疗卫生公共资源，应当承担起维护公民基本健康权利、分担疾病经济风险的责任。要充分考虑基本医疗资源对于弱势群体的可及性，扭转医药卫生领域改革中的过度市场化、高水平医院地域集中化局面，尤其应促进低收入、偏远地区居民方便就诊；在“全民医保”背景下，改进报销流程，融合基本医保、商业医保、各类救助金的筹资机制，充分发挥"全民医保"的保障作用。

参考文献：

[1]Christiaensen L J, Subbarao K. Towards an Understanding of Household Vulnerability in Rural Kenya[J]. Journal of African Economies, 2005,14(4).

[2]Kurosaki T. Consumption Vulnerability and Dynamic Poverty in the North-West Frontier Province[R]. IER Discussion Paper Series,2002.

[3]Ligon E, Schechter L. Measuring Vulnerability[J]. The Economic Journal, 2003,113(486).

[4]Imai K S, Wang X, Kang W. Poverty and Vulnerability in Rural China: Effects of Taxation: Chronic Poverty Research Centre Working Paper[J]. Journal of Chinese Economic and Business Studies,2010(4).

[5]樊丽明, 解垩. 公共转移支付减少了贫困脆弱性吗?[J]. 经济研究, 2014(8).

[6]杨文, 孙蚌珠, 王学龙. 中国农村家庭脆弱性的测量与分解[J]. 经济研究,2012(4).

[7]Wagstaff A, Lindelow M. Can Insurance Increase Financial Risk? The Curious Case of Health Insurance in China.[J]. Journal of Health Economics, 2008,27(4).

[8]陈迎春, 徐锡武, 王蓉, 等. 新型农村合作医疗减缓“因病致贫”效果测量[J]. 中国卫生经济, 2005(8).

[9]高建民, 周忠良.互助医疗与新型农村合作医疗缓解“因病致贫”的效果比较[J].中国卫生经济,2007(10).

[10]解垩.医疗保险与城乡反贫困:1989-2006[J].财经研究,2008(12).

[11]Cunningham W, Maloney W F. Measuring Vulnerability: Who Suered in the 1995 Mexican Crisis[R]. World Bank Working Paper，2000(3).

[12]Amemiya T.The Maximum likelihood and the Nonlineer Three-stage least squares Estimetor in the General Nonlineer Simultaneous Equation Model[J].Econometrica,1997,45(4).

[13]Heckman J J, Robb Jr R. Alternative Methods for Evaluating the Impact of Interventions: An Overview[J]. Journal of Econometrics, 1985,30(1-2)

(责任编辑：张爱婷)

收稿日期：2015-12-11；修复日期：2016-03-20

基金项目：安徽财经大学科学研究基金资助项目《财政公共支出分配“亲民”吗？》(ACKY1529)

作者简介：韩静舒，女，山东莱芜人，经济学博士，讲师，研究方向：应用统计与数据分析；

中图分类号：F201

文献标志码：A

文章编号：1007-3116(2016)07-0049-06

Analysis on Household's Vulnerability and Effect of Catastrophic Health Expenditures on Poverty in China

HAN Jing-shu1 ,2，SHIA Ben-chang2, 3

(1. Department of Statistics and Applied Mathematics, Anhui University of Finance and Economics,Bengbu 233030, China; 2.Department of Statistics and Mathematics, Central University of Finance and Economics, Beijing 100081, China; 3. Preparatory Office in Big Data Research Center and School of Management, Taipei Medical University, Taipei 24205, China)

Abstract:It was agreed that catastrophic health expenditures could reduce current expenditure of household and raise the uncertainty in future. This paper estimated the vulnerability of household with 3-step FGLS regression. The vulnerability was adopted as the agent index of household welfare and the study estimated the effect of catastrophic health expenditures on household welfare using PSM method. The results were that the vulnerability of household would increased significantly if family members were in hospital. The rural families or low-income groups' welfare was affected more seriously by medical expenses than other groups.

Key words:health fairness; vulnerability; catastrophic health expenditures; PSM; household's welfare

谢邦昌，男，湖南耒阳人，统计学博士，教授，博士生导师，研究方向：应用统计与数据分析。

【统计应用研究】