中国各省医疗条件空间分布与合理性研究

北京大学城市与环境学院(100871)

梁博毅△ 钱思蔚 张维琦



中国各省医疗条件空间分布与合理性研究

北京大学城市与环境学院(100871)

梁博毅△钱思蔚 张维琦

目的 利用地理统计方法研究我国各省级单位医疗条件空间分配的合理性。方法 利用国家卫生和计划生育委员会所公布的全国31个省级行政单位(不包括港澳台)的人口、医疗条件、预期寿命以及甲乙类法定报告传染病发病率数据，并结合SOFM(自组织网络)进行聚类分析，将人口、预期寿命以及发病率数据综合成医疗需求指标，与各省的医疗条件相匹配。结果 我国目前的医疗条件分布存在不均衡现象，医疗设施和资源分配主要以人口和经济发展为导向，集中分布在北京、上海等东部沿海省份，而对于西部部分欠发达地区，目前医疗条件并不能满足其需求。结论 在布局医疗设施、分配医疗资源时应多注意结合当地居民的身体状况和发病率等客观因素，使我国各地的医疗条件分布更加合理。

医疗条件 SOFM 聚类分析 空间分布

一个国家或地区医疗资源的公平配置是提高当地卫生服务体系绩效的重要结构性因素，也是规划该地区未来医疗资源配置的重要依据。伴随着我国市场经济的确立,我国的医疗体制也逐步由建国后到改革开放时期的公费医疗、劳保医疗、农村合作医疗转变为新型的城镇医疗保险和新农村合作医疗为主体的社会主义医疗保障体系[1-2]。与此同时，随着异地就医等现象层出不穷，我国医疗资源配置等医疗公平性研究也成为社会关注的焦点[3-5]。

在研究地区之间医疗资源分布时有两种方法：传统的研究方法使用统计数据进行计算和分析。随着地理信息系统的发展，利用地理统计方法与地理信息手段处理医疗分布问题成为一种新的趋势[6]。目前主要的方法包括区位分析模型、区位控制模型和适度模型三种[7]。LeeHL[8]利用多项分对数模型拟合了美国罗得岛州医院的空间分布。何寒青等[9]将对数自然距离与聚类法相结合，分析了浙江省各个地区的医疗状况，为进一步合理配置医疗资源提供依据。吕文浩[10]使用logistic回归研究了CHNS(中国家庭健康调查)数据，分析了1989-2006年医疗保险在不同社会经济群体中的分布，探讨了不同医疗保险待遇水平的差异和变化。党华敏[11]以北京六城区为例，应用缓冲区分析法、几何网络服务区分析法、Voronoi多边形解析方法建立研究区域妇产医疗卫生机构的服务区，研究了区域内妇产医疗资源的空间分布及可达性。

然而，目前利用地理信息技术来探讨医疗条件空间分布的研究基本局限在小范围内，尚缺少对于全国范围的研究，包括制作空间上医疗条件及其分布合理性的专题制图。因此，本文着眼于各省现有的医疗条件和医疗需求，结合自组织网络(self-organizing feature map,SOFM)，分析我国医疗条件空间分布的合理性，并提出决策建议。

资料与方法

1.资料

为了探讨中国31个省级行政单位医疗资源的配置合理性，本文引入的研究数据包括中国各省级行政单位历年人口数据(来自国家统计局)、预期寿命、甲乙类法定报告传染病数据以及医疗条件数据(来自《2013年中国卫生和计划生育统计年鉴》)四种。

2.SOFM神经网络

SOFM网络是芬兰学者科荷伦提出的自组织特征映射模型[12]，是人工神经网络的一种，在模式识别、空间聚类以及统计分析等领域应用较为广泛[13-15]。

(1)工作原理

SOFM网络在接受输入样本之后进行竞争学习，功能相同的输入距离比较近，功能不同的距离较远，以此将一些无规则的输入自动排开。通过一定的学习算法，使相连的节点表征出输入类别的不同特性，将其称之为特征映射。如果样本足够多，那么在权值分布上可近似于输入样本的概率密度，在输出神经元上也反映了这种分布，即概率大的样本集中在输出空间的某一个区域。

(2)拓扑结构(图1)

图1 SOFM拓扑结构

SOFM网络由一个全互连的神经元阵列构成，其拓扑结构只有两层，即输入层和竞争层。所有输入都和网络网格上的每一节点相连，每一网格节点都是输出节点，它们只和相邻的其他节点相连。也就是说，每个神经元接收的外部输入都是一样的，它有两种权重：一种是神经元对外部输入响应的权值；另一种是神经元之间的连接强度，控制着神经元之间的相互作用大小，其值可以为零。

(3)算法步骤

SOFM网络学习的目的是使网络的权值格局与输入矢量格局最大限度地吻合。学习过程由以下几步构成：

①权值初始化，用小的随机数对各权向量赋予初值，各节点权值应取不同值。

②在样本集中随机选择一个样本x作为输入。

③在时刻t，选择最佳匹配单元i(竞争过程)。

这里是选定输入向量x与所有权向量之间的最相似者作为获胜单元。用欧氏距离表示，则有：

(1)

其中下标c表示获胜单元

④如果不定义获胜单元的邻域，可以用一个获胜单元周围的邻域函数替代。常用的邻域函数是高斯函数：

(2)

式中，pi和pc分别是输出单元i和c的位置，σ是邻域函数的宽度。

3.方法流程

本文研究流程分为四个部分：

(1)利用SOFM神经网络对31个省级行政单位的人口、预期寿命、甲乙类法定报告传染病数据以及医疗条件数据进行聚类，将每种指标聚成四类，分别代表四个等级，导入ARCGIS软件出图，初步分析结果。

(2)分别计算人口、预期寿命、疾病发病率与医疗条件等级的相关关系(将四种指标归一化)，通过相关关系考察医疗条件分布的主导因素。

(3)将人口、预期寿命、发病率三个变量进行聚合，归一化之后线性叠加为每个省医疗需求指标，利用SOFM神经网络再次进行聚类，同样分为四级。

(4)分析每个省级行政单位医疗需求数据与医疗条件的匹配程度。医疗需求与匹配等级计算公式为：

医疗需求=发病率+人口-预期寿命

(3)

匹配等级=医疗条件-医疗需求

(4)

为了避免公式中变量范围对结果产生影响，式中所有结果均取标准化之后的值。匹配结果为7个整数：3代表医疗条件高于综合指标三个等级，2代表医疗条件高于综合指标两个等级，1代表医疗条件高于综合指标一个等级，0代表医疗条件与综合指标匹配，-1代表医疗条件低于综合指标一个等级，-2代表医疗条件低于综合指标两个等级，-3代表医疗条件低于综合指标三个等级，据此探讨我国目前医疗资源配置的空间合理性。具体流程图如图2。

图2 研究流程图

结 果

1.聚类结果

利用SOFM神经网络进行聚类的结果如图3所示。其中人口等级图(图3a)反映的是中国31个省级行政单位人口总量的分级情况。从图中可以看出，中国省级行政单位人口总量大致呈现从东南向西北递减的态势，其中人口较多的省份(四级)有河北、河南、山东、江苏、湖南、广东以及四川，人口最少的省份(一级)为西北各省(内蒙古、甘肃、宁夏、青海、西藏)、海南省以及北京、上海、天津三个面积较小的直辖市。人口密度等级图(图3b)为各个省级行政单位的总人口除以面积后的分级情况。与人口总量等级图相似的是，西北各省人口密度依旧很低(一级)，另外河南、山东、江苏、广东四省由于人口总量庞大，人口密度较高(四级)；不同的是，北京、天津和上海三个直辖市虽然人口总量等级较低，但面积相对于其他省级单位而言较小，因此人口密度也分在了第四等级。预期寿命等级图(图3c)反映的是各省人口的预期寿命在空间的分布情况。不难看出，中国的人口预期寿命从东向西按照省份分布逐渐降低，其中预期寿命最高(四级)的是江苏、北京和天津；西部省份(甘肃、宁夏、青海、西藏)以及西南部的云南和贵州预期寿命等级最低(一级)。与上述三个指标不同的是，中国各省的患病率分布(图3d)在空间上没有明显的规律。患病率最高(四级)的为青海和新疆两省，其次是西藏、宁夏、陕西、两湖地区以及东北三省；患病率最低的省份主要分布在东部沿海地区，另外还包括四川和云南。图3e为医疗条件等级图，如图所示，中国的医疗条件分布较为集中且地区差异较大。其中等级最高(四级)的省级行政单位为北京、天津和上海三个直辖市，其次是江苏、浙江、安徽和广东四个省份。需要注意的是，医疗等级最差(一级)的省份达到了14个，在一定程度上反映了我国医疗条件分配的不均衡。

2.相关性分析

为了分析影响医疗条件分布的主导因素，分别将人口、预期寿命、疾病发病率与医疗条件进行相关分析，结果如图4所示。从图中可以看出，各省医疗条件与人口总量相关性较好(图4c)，R2达到0.9488，而预期寿命、发病率与医疗条件相关性较低(图4a、4b)，R2均不超过0.1。这说明中国当前的医疗资源分布主要以各省绝对人口数量为导向，但并未充分考虑各地医疗条件以及重大传染病的发病情况。

图3 SOFM分类结果

图4 变量相关关系

3.医疗需求与人口健康匹配分级

(1)医疗需求分级

利用人口、预期寿命、发病率三个变量得到的每个省医疗需求指标分级结果如图5所示。从图中可以看出，中国的医疗需求空间分布大体具有从东到西逐渐减少的态势。医疗需求最高的省份为新疆、青海、重庆、河南以及广东；医疗需求最低的省份为吉林、北京、天津、宁夏、浙江和海南。

(2)匹配分级

中国各省医疗条件与医疗需求的匹配结果见表1。将医疗条件和医疗需求分成四个等级(1～4)，从低到高分别表示医疗条件提高和医疗需求增大。可以看出，当前我国各省的医疗条件与医疗需求的匹配并不理想，完全匹配(等级为0)的省份仅有辽宁、山东以及黑龙江三省；医疗条件分配明显超过当地医疗需求的省份(等级为3)有北京、天津和上海三个直辖市；医疗条件明显滞后于医疗需求的省份(等级-3)包括河南和青海两省；另外等级为-2的地区也需要关注，这部分地区大多集中在中部和西部地区，包括青海、内蒙古、甘肃、四川、重庆、贵州、广西以及湖南，大部分省份属于经济欠发达地区。

图5 医疗需求分类结果

地区医疗条件医疗需求匹配等级地区医疗条件医疗需求匹配等级北京413湖北23-1天津413湖南13-2河北12-1广东34-1山西12-1广西13-2内蒙古13-2海南211辽宁220重庆24-2吉林211四川13-2黑龙江220贵州13-2上海413云南23-1江苏321西藏12-1浙江312陕西12-1安徽321甘肃13-2福建12-1青海14-3江西12-1宁夏211山东220新疆24-2河南14-3

讨 论

目前我国的各省医疗资源条件分布主要以人口和经济发展为导向，主要集中在东部人口较多、经济发达的地区，尤其集中在北京、天津和上海三个直辖市；而中西部地区部分对医疗需求较大的省份却没有足够的医疗资源与之相适应。在我国的各个大城市的三甲医院，经常可以看到通宵排队的异地就医者，这说明他们所居住的地区医疗条件并不能满足他们的医疗需求，而异地就医的现象层出不穷，无形中增加了就医成本，同时还会给就医城市带来一系列问题，例如交通拥堵、

治安混乱、环境污染等。各省人口预期寿命、发病率等健康指标与医疗条件的分布并没有显著的相关关系，这说明在医疗资源分布时并没有充分考虑到各省居民的身体状况。因此，有关部门在分配各省医疗条件以及医疗设施时，除了应考虑当地的绝对人口数量，也不应忽视各省居民的客观健康状况。

本研究所引入的数据为2013年的医疗数据和三次人口普查的数据。鉴于我国人口流动现象较为普遍以及城市医疗等设施的逐步完善，研究并不能表征最新的我国医疗条件的空间分布合理性。另外，在以后的研究中还可以加入异地就医数据等其他资料，以期能够更加全面地研究包括城市与农村的医疗等医疗资源分配问题。

[1]谢子秋.国家区域医疗中心的区域分类研究.华中科技大学,2013.

[2]郭玉玲,刘钦普.中国医疗卫生发展水平区域差异综合评价.中国卫生统计,2016,33(2):251-253.

[3]罗娟,汪泓,崔开昌.上海市医疗资源配置状况分析.中国卫生统计,2009,29(5):466-469.

[4]李廷.中国医疗公平问题研究.山东大学,2008.

[5]盛平,朱勇,刘晓梅.医保病人异地就医结算的实践探讨.卫生经济研究,2010，(2):25-27.

[6]鲍蔚.北京城市发展新区医疗资源空间分布研究.经营管理者,2015，(4):148-149.

[7]廖唐洪,李青莉.基于地理信息系统的医疗设施空间分布研究.中国医药导报,2015，(1):155-157.

[8]LeeHL,Cohen MA.A Multinomial Logit Model for the Spatial Distribution of Hospital Utilization.Journal of Business & Economic Statistics,1985,3(2):159-68.

[9]何寒青,朱敏洁,缪凡,等.浙江省医疗资源分布状况的聚类分析研究.中华医院管理杂志,2006,22(3):201-203.

[10]吕文洁.我国医疗保险分布的公平性研究-基于1989～2006年CHNS微观调查数据.山西财经大学学报,2009，(8):23-33.

[11]党华敏.妇产医疗资源空间分布及可达性研究.首都师范大学,2013.

[12]Kohonen T.The self-organizing map.Neurocomputing,1990,21(1-3):1-6.

[13]Huang CL,Tsai CY.A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting.Expert Systems with Applications,2009,36(2):1529-1539.

[14]Hua L,Feng H,KeanYu,et al.Edge Detection for Color Medical Image Based on Quaternion and SOFM-NN.International Journal of Advancements in Computing Technology,2013,5(8):870-878.

[15]Nikoo M,Zarfam P,Sayahpour H.Determination of compressive strength of concrete using Self Organization Feature Map(SOFM).Engineering with Computers,2015,31(1):113-121.

(责任编辑：郭海强)

△通信作者：梁博毅，E-mail：liangboyi@pku.edu.cn