中国的健康生产效率及其影响因素研究*

申曙光， 郑倩昀

中国的健康生产效率及其影响因素研究*

申曙光， 郑倩昀

随着全民医保的基本实现，医疗卫生的公平性问题得到较大程度改善，因此，下一步医改的重点应转向效率。健康生产的高效率要求在给定的健康投入下，实现健康产出的最大化。自“新医改”以来，越来越多的社会资源投入健康生产。对于大量的投入能否高效率地转化为健康产出,本文利用固定效应面板随机前沿模型，考察我国各省市2010—2014年的健康生产效率，并对健康生产效率的影响因素进行分析。研究表明：(1)2010年以来，中国健康生产效率的整体水平得到提高，地区差异得到改善。(2)经济发展水平、医疗机构管理水平和市场化程度均与健康生产效率具有显著的正相关关系；基层医疗机构的利用率没有对健康生产效率造成显著影响。因此，通过提高医疗机构的管理水平，推动社会办医，加强基层医疗机构建设等措施，提高健康生产效率，改善居民的健康水平，是落实医疗供给侧改革的必然要求。

健康生产效率； 固定效应面板随机前沿模型; 影响因素

一、引 言

健康是人类生存与发展的永恒追求，是社会进步的主要标志之一。目前，政府为了改善居民的健康水平，将越来越多的社会资源投入健康生产。数据显示，在“新医改”的前五年时间内，中国政府在医疗卫生领域的投入高达3万亿。全国卫生总费用从2009年的17541.92亿元，增长至2015年的40974.64亿元，年均增长率高达15.2%。全国卫生总费用占国内生产总值比重从2009年的5.03%，增长至2015年的5.98%。全国卫生技术人员数从2009年的778.1万，增长至2015年的1069.3万。全国医疗卫生机构床位从2009年441.66万张，增长至2015年的701.52万张。然而，增加健康投入只是促进健康产出水平提高的必要条件而非充分条件。除健康投入外，健康生产效率是制约健康产出水平的另一关键因素。因此，在发展医疗卫生事业的过程中，不仅要增加健康投入，更要重视健康生产效率问题。特别是“新医改”以来，尽管卫生总费用不断上涨，但是“看病难，看病贵”问题仍然无法得到根本解决，人民群众对医疗卫生体系的效率问题存在较大质疑。Yip et al.(2008)曾提醒，如果中国政府不能够应对医疗卫生服务成本扩展的根源——非理性和挥霍无度，多数新增资金很可能只会变为供方的高收入和利润。随着中国经济步入新常态，经济增长从高速转为中高速，单纯依靠政府、社会大规模持续增加健康投入来促进居民健康水平的提高并不现实。因此，提高健康生产效率在当前具有更迫切的现实需求，这也是医疗卫生领域“供给侧改革”的目标。同时，效率是公平的物质前提，两者具有共生关系。健康生产效率的提高能为健康公平提供更充足的物质基础；忽视健康生产效率，则再多的健康投入也只会造成更严重的资源浪费，而无法带来健康产出水平的显著提高，最终必然不利于健康公平性的改善。只有提高健康生产效率，才能在有限的资源约束下，实现健康产出水平的最大化，并促进健康公平的新跨越。

事实上，构建一个高效、可持续的医疗卫生体系，提高健康生产效率，是世界各国政府的共同目标。因此，学术界对不同国家健康生产模式进行大量对比考察，测度其健康生产效率并进一步分析相关医疗卫生政策等因素对健康生产效率的影响，以便为医疗卫生体系的改革理清思路。但是，鉴于中国的医疗卫生体系和社会经济发展水平与其他国家存在较大差异，具体体现在不同省际间的经济发展水平、医疗卫生体系的成熟度、健康投入量和健康产出水平等均存在较大差异，如果不考虑这种省际间的差异而仅仅从整体层次考察中国的平均健康生产效率，定会存在偏误，无法窥探中国健康生产效率的实际状况。因此，无法将以国外为研究对象的文献研究结果直接运用于中国，只有采用省级层次来分析中国的健康生产效率才更为科学、合理。

基于上述背景，本文运用固定效应面板随机前沿模型，对中国30个省市“新医改”以来的健康生产效率进行测算，并对健康生产效率的影响因素进行考察。这是对已有研究的有益补充，具有重要的理论和现实意义。自2009年“新医改”以来，随着改革公立医院 、推广社会办医 、强化基层医疗机构等政策的实施，中国的医疗卫生事业取得了新的进展,应及时总结“新医改”以来的经验教训，为下一步深化改革提供理论依据。原拟将考察的时间起点设在“新医改”实施以后，但受数据可获得性的约束，无法获得较为完整的2009年数据，因此，本文采用的是2010—2014年30个省市的面板数据，以分析我国30个省市健康生产效率的差异及其发展趋势。同时，运用“一步法”分析框架，将经济发展水平和主要医改政策作为影响因素构成技术无效率部分后,直接加入随机前沿面的模型中，通过一次回归过程同时获得各投入变量的系数估计值和各影响因素变量的系数估计值，以便更好地考察医改政策与健康生产效率之间的关系。

本文的主要创新在于：第一，运用Wang和Ho(2010)固定效应面板随机前沿模型和“一步法”分析框架进行研究，不仅有效控制了个体不可观察的异质性，而且在测算健康生产效率时加入了影响因素的考量，使模型估计结果更加可靠。该研究模型在国内尚未应用于测算健康生产效率的研究。第二，创新性地选择“新医改”关注的重点——医疗机构管理水平、医疗市场的非市场化程度和基层医疗机构的利用率作为影响因素，考察其对健康生产效率的影响，以便评估当前医改政策的实施效果与政策初衷是否一致，为医改政策的不断完善提供依据。而已有文献大多关注教育水平、就业率、人均GDP、人口密度等影响因素，因此本文在影响因素选择方面具有一定的创新性，也更符合当前中国“新医改”的现实需求。

本文接下来的结构安排如下：第二部分是相关文献综述，第三部分为模型与研究假设，第四部分是数据与实证结果分析，第五部分是结论与建议。

二、文献回顾

自Farrell(1957)对生产效率展开开创性的研究工作以来，大量文献从研究方法和模型改进方面推动了生产效率测算技术的发展。这为健康生产效率的研究提供了良好的方法论基础。通过对已有文献的梳理可知，对健康生产效率的研究主要集中在两个方面:一方面是关于健康生产效率的测算，另一方面是对健康生产效率影响因素的考察。同时，对健康生产效率的考察，包括宏观层面(如国家和地区)和微观层面(如医院等医疗卫生机构)两类。由于本文研究的是宏观层面的健康生产效率，本部分文献综述将不对微观层面的相关文献进行回顾分析。

与国外相比，中国对健康生产效率的研究成果相对较少。张宁等人(2006)利用1982年、1990年和2000年三次人口普查数据，通过DEA方法测评我国各地区的健康生产效率，并进一步运用Tobit模型分析健康生产效率的影响因素，发现人口密度与健康生产效率存在显著的正相关关系；但公共健康投入比例与健康生产效率之间呈现并不十分显著的负相关关系。韩华为和苗艳青(2010)同样运用DEA-Tobit两阶段分析框架对1997—2007年中国各省份的地方政府卫生支出效率进行了研究。研究结果表明:中国地方政府的卫生支出效率存在显著的地区差异,而人口密度、居民受教育水平、人均GDP、财政分权和医疗体制改革等社会、经济和政策变量则是造成这种效率差异的重要原因。郑文和张建华(2012)则运用SFA方法和一步估计法，以医疗服务利用作为产出，对2002—2009年我国31个省份的医疗卫生体系技术效率及其影响因素进行研究，并有发现：我国及各区域医疗卫生体系平均技术效率均呈现先下降后上升趋势，且各区域的效率值差异显著； 营利性医疗机构比例对我国医疗卫生体系的效率有正面影响，但药品收入比例、三级医院比例和财政卫生支出比例则存在负面影响；卫技人员比例的影响不显著。李向前等人(2014)则对比运用SFA和DEA两种方法,并结合Malmquist指数,分析中国2002—2010各省的健康生产效率及其变化状况，研究发现两种方法所得到的测算结果存在较大差异，SFA方法对省域个体差异更敏感,能较好地反映现实情况，考察期内中国健康生产效率总体上表现出缓慢上升的良好态势，且省际差异较大。相关的研究还包括王俊(2007)、刘海英和张纯洪(2009)以及王昕天(2014)等。

梳理以往的研究文献，我们发现主要存在以下不足：第一，在研究方法方面，DEA方法和SFA方法均被广泛用于健康生产效率的测算；大部分对健康生产效率影响因素的研究均采用“两步法”的分析框架，即首先测算出健康生产效率，再将其当作被解释变量，以影响因素作为解释变量，通过回归分析考察相关因素对健康生产效率的影响，这可能降低了健康生产效率测算值的可靠性。第二，在变量的选择方面，各研究对健康投入和健康产出变量的选择存在较大差异，这也是造成健康生产效率测算结果不一致的重要原因。第三，研究者尝试对多种社会经济和制度因素与健康生产效率的关系进行考察，但仍未得到一致的结论。第四，在研究对象方面，大量文献选择以OECD等发达国家为研究对象，而针对发展中国家的文献则相对较少，数据的可获得性是重要的制约因素之一。

三、模型与研究假设

(一)模型选择

已有测算效率的方法主要分为两大类：第一类为参数方法(parametric methods)，主要指SFA方法；第二类为非参数方法(nonparametric methods)，主要包括DEA方法和FDH方法。当前FDH方法已较少人使用，因此在下文讨论非参数方法时，主要分析DEA方法。

SFA方法和DEA方法有其共同点，它们均以距离函数为基础，需要基于构造生产前沿进而测算技术效率，且他们测算得到的技术效率均为相对效率。而在实际运用两种方法实现效率测算的过程中，它们各有优缺点，主要包括：(1)与DEA方法相比，SFA方法将随机因素纳入模型的考量范围，最终得到的技术无效率结果由生产前沿函数减去实际产出，并扣除随机因素来衡量。而DEA方法则忽略随机因素对实际产出的影响，把前沿面产出高于实际产出部分的损失全部归因于技术无效率。(2)由于DEA方法主要采用线性规划(linear programming)求解最优化问题的思路来构建非参数分段前沿面，因此不必对生产函数的具体形式进行设定，且能简单、直接地处理多产出问题。而SFA方法则需预先设定生产函数的形式、技术无效率项和随机因素项的分布等，基本假设较多且较为复杂。同时，它无法直接处理多产出问题，需要通过将多产出合并为一个综合产出或借助距离函数才能解决。(3)SFA方法所得到的测算结果受测量误差等原因造成的异常值影响较少，结果较为稳健。由于DEA方法的前沿面由技术有效率样本构成，若那些样本中存在异常值，则该异常值可能会改变前沿面的形状或位置，最终对测算结果造成较为严重的影响，使得估计有误。(4)当需要在测算效率后进一步考察影响效率的因素时，SFA方法更为直接，且需要的步骤更少。为完成对效率影响因素的研究，DEA方法需要采用“两步法”；第一步在忽略效率的影响因素的情况下，基于前沿面的估计得出决策单元技术效率的测算结果；第二步以影响效率的因素为解释变量，以技术效率为被解释变量，运用受限因变量模型(Tobit model)等进行回归分析，最终得到影响因素的估计值。SFA方法除了可采用传统的“两步法”外，随着Battese 和Coelli (1995)、Wang(2002)等学者的研究推进，还可采取“一步法”进行估计，将技术无效率部分表示为影响因素的线性形式后直接加入随机前沿面的模型中，即可通过一次回归过程同时获得各投入变量的系数估计值和各影响因素变量的系数估计值。Wang和Schmidt(2002)提出，由于“两步法”在第一步测算技术效率时，缺少对投入变量和效率影响因素变量之间的相关性考量，容易导致错误估计前沿面模型。这样，基于第一步得到的错误估计结果进行下一步影响因素研究，将使最终得出的结论存在偏误。

基于上述对DEA方法和SFA方法的对比分析，为了得到更稳健、无偏差的结果，本文采用SFA方法中的“一步法”进行实证研究。

对于一般的面板随机模型，Greene(2005)提出，该类模型的缺点是没有区分无效率项和不可观察的具有时间不变性的个体异质性。需对无效率项和个体效应分别进行估计，否则将使模型得不到一致估计(Kumbhakar，1990)。例如，如果没有控制好个体异质性，可能在估计无效率项的过程中，会错误地将个体效应也当作无效率项的一部分，导致估计的无效率项偏大。为此，Greene(2004，2005)提出了固定效应面板随机前沿模型。但该模型存在冗余参数问题，导致估计过程十分复杂。为克服该问题，Wang和Ho(2010)对无效率项给予了进一步的假设，使得模型得到优化。

基于此，本文选择采用Wang和Ho(2010)提出的固定效应面板随机前沿模型(fixed-effect panel stochastic frontier model)，并运用组内转换(within-transfornation)方法实现估计，具体如下：

yit=αi+xitβ+εit

εit=vit-uit

hit=f(zitδ)

通过组内转换，对面板数据内的每个样本观察值减去其所在面板的样本均值，以便将模型中包含的非时变(time-invariant)的个体效应消除。

实现转换以后，该模型变为：

其中，l是由1组成的T×1向量。

由于M是一个奇异幂等矩阵，且不可逆，所以需要运用奇异多变量正态分布(singular multivariate normal distribution)来解决该问题。

其中，Π-为Π的广义逆。

其中，

整个模型的最大似然函数则可通过加总上述函数得到。最终，利用最大似然估计法可得到模型的参数估计值。

(二)变量选择与研究假设

1.产出变量

通过梳理已有文献可知，衡量人群健康状况的指标主要有：平均期望寿命、死亡率、围产儿死亡率、疾病发病率、伤残调整寿命(Disability-Adjusted Life，DALE)等。对于平均期望寿命和伤残调整寿命，由于中国卫生统计工作的滞后，无法获得各省历年平均期望寿命和伤残调整寿命的完整数据。对于死亡率，我国公布的数据为未经标准化的数据，受地区年龄分布、性别分布等因素的影响，因此不能直接使用。此外，对于疾病发病率，选择何种疾病作为典型疾病计算疾病发病率,直接影响该发病率在衡量人口健康水平方面的准确性。由于不同地区的疾病谱存在较大的差异，因此在病种选择方面存在较大的困难。此外，国内部分文献采用地区总生存人年作为人口健康状况指标，如李向前等(2014)。该指标为地区中所有人截止当期所生存年限的总和，由各地区年末人口数量、各地区三个年龄段人口数量、全国每5岁年龄人口数量这三个指标综合求得，但受我国相关统计数据限制，所得的指标结果较为粗糙。

基于上述健康状况衡量指标的不足，本文选择围产儿死亡率作为健康产出指标。围产儿死亡率(单位：‰)，是指孕满28周或出生体重≥1000克的胎儿(含死胎、死产)至产后7天内新生儿死亡数与活产数(孕产妇)之比。该指标在应用于医疗卫生干预效果评估的过程中有较好的表现。由于围产儿死亡率是一个逆向指标，即指标的数值越高则代表健康产出水平越低，因此需要对其进行转化。运用线性转化方式，转化为围产儿存活率(1000-围产儿死亡率)。因此，本文最终采用围产儿存活率作为主要分析的健康产出指标。

同时，为了进一步从多维度更好地衡量健康产出，本文还构造了两个综合性健康产出指标，以便进行稳健性分析。综合性健康产出指标1由围产儿存活率和孕产妇存活率(100000-孕产妇死亡率)进行主成分分析后求第一主成分得到。综合性健康产出指标2由围产儿存活率、孕产妇存活率和没患乙肝率(100000-乙肝发病率)进行主成分分析后求第一主成分得到。两个综合性健康产出指标均为正向指标，即指标的数值越高则代表健康产出水平越高。

2.投入变量

本文将健康投入限制在直接作用于健康的投入，即医疗卫生方面的投入。一般来说，可从人、财、物三方面衡量投入的多寡问题。首先，在医疗卫生方面的资金投入主要指医疗卫生支出。根据Grossman(1972)的经典研究，医疗卫生支出是健康生产系统最主要的投入要素之一。卫生总费用就是衡量一个地区在一定时期内(通常是一年)全社会用于医疗卫生服务所消耗的资金总额的指标。为了实现各省之间数据的可比性，本文采用人均卫生总费用作为投入变量之一，并取对数，以便消除异质性。其次，在医疗卫生方面的人员投入主要指卫生技术人员投入，他们包括执业医师、执业助理医师、注册护士、药师(士)、检验技师(士)、影像技师(士)、卫生监督员和见习医(药、护、技)师(士)等。这些卫生技术人员是医疗卫生服务的直接提供者。由于各类卫生技术人员在医疗服务提供过程中承担不一样的任务，相互间不具有完全替代性，需要相互配合，共同为患者提供服务，因此，虽然部分文献仅使用医师(医生)数、护士数等某些主要类型的卫生技术人员数作为衡量医疗卫生人员投入的指标，但本文认为该类指标没能完整地度量人员的投入情况。因此，本文使用卫生技术人员数且转换为相对量，即每千人口卫生技术人员数——卫生技术人员数除以常住人口数再乘以一千，作为衡量人员投入的变量。最后，在医疗卫生方面的物资投入主要指医疗卫生机构的床位和医疗设备等。它们是医疗卫生服务的物质基础。但受数据可得性的限制，无法获得完整的、精确的医疗设备统计数据，因此，本文仅能使用每千人口医疗卫生机构床位数，即医疗卫生机构床位数除以常住人口数再乘以一千，作为衡量物资投入的变量。

3.健康生产效率的影响因素与研究假设

本文认为，经济发展水平、医疗机构管理水平、医疗市场的非市场化程度和基层医疗机构的利用率等因素将直接影响健康生产的效率水平，因此选择以下变量作为衡量健康生产效率影响因素的指标，并提出相应的研究假设。需要说明的是，可能存在很多因素会对健康生产效率产生影响，但是在文中不可能将所有影响因素均放入同一个模型中，在回归模型中放入过多影响因素变量也容易导致多重共线性问题的出现。同时，本文采用了固定效应面板随机前沿模型，可以在一定程度上控制未纳入回归模型的省(市)个体特征。

第一，对于经济发展水平，本文选用文献最常用的人均地区生产总值加以衡量。为了克服异质性，需将其进行对数处理。一般来说，经济发展水平越高的地区，全社会的生产效率越高，社会建设水平越高，人民享有的生活条件也越完善，这均为健康生产提供了有利的条件。因此，与经济发展水平较低的地区相比，经济发展水平较高的地区更可能实现高健康生产效率。由此提出第一个假设：人均GDP与健康生产效率存在正相关关系。

第二，对于医疗机构管理水平，本文选用平均住院天数加以衡量。平均住院天数，指一定时期内每一出院者平均住院时间的长短，是评价医疗机构管理水平和医疗技术水平的常用综合性指标。医疗机构管理水平越高，则平均住院天数越少。缩短平均住院天数，能减少每位患者占用的医疗资源，使医疗机构在相同时间单位内增加医疗卫生服务供给，有利于提高健康生产效率。由此提出第二个假设：平均住院天数与健康生产效率存在负相关关系。

第三，对于医疗市场的非市场化程度，本文选用公立医院与民营医院机构数之比、公立医院与民营医院门诊人次之比与住院人数之比的和，进行主成分分析后求得的第一主成分作为综合衡量指标。该综合指标的数值越高，则医疗市场的市场化程度越低。由于民营医院在医疗市场中具有“鲶鱼效应”，因此增加民营医院的机构数及服务提供量在医疗市场中的占比，有利于激化医疗市场竞争，倒逼公立医院改革，从而形成公立医院和民营医院良性竞争、相互促进的良好格局，这将有利于健康生产效率的提高。由此提出第三个假设：医疗市场的非市场化程度综合指标与健康生产效率存在负相关关系。

第四，对于基层医疗机构的利用率，本文选用基层医疗卫生机构诊疗人次占医疗卫生机构诊疗人次的比重作为衡量指标。该指标反映了分级诊疗制度的构建成效。过去，由于存在迷信大医院的心理，居民无论大病小病均选择到大医院就诊。这种大医院患者扎堆的问题，增加了患者的就医时间和医疗费用，导致了医疗卫生资源的浪费，最终将降低健康生产效率。为理顺就医秩序，建立分级诊疗制度，引导居民科学合理地选择合适的医疗机构就医，政府出台了一系列政策措施，如增加对基层医疗卫生机构的财政投入，加强其建设；拉大基层医疗卫生机构与非基层医疗卫生机构的医保报销比例差距，引导社区首诊等。由此可知，政府相关政策目标是提高基层医疗卫生机构诊疗人次占医疗卫生机构诊疗人次的比重，从而提高健康生产效率。由此提出第四个假设：基层医疗卫生机构诊疗人次占医疗卫生机构诊疗人次的比重与健康生产效率存在正相关关系。

总结影响因素与研究假设中阐述的内容，本文对健康生产效率与四个影响因素的关系给出以下假设，具体如表1所示。

表1 健康生产效率与影响因素关系的假设

综述所述，模型选择的变量如下表2 所示。

表2 变量选择的具体情况

四、数据与实证结果分析

(一)数据描述

本文研究的目的是考察2009年“新医改”以来，我国健康生产效率的发展情况及相关影响因素对健康生产效率是否构成影响，构成何种影响。但受我国卫生统计工作发展不完善的制约，基层医疗卫生机构诊疗人次、公立医院数、民营医院数等统计数据自2010年起才开始对外公布，所以无法获得2009年的相关统计数据。因此，本文采用2010—2014年中国30个省市(西藏除外)的面板数据进行研究。需要说明的是，由于海南省、宁夏省、青海省和陕西省没有公布2010年卫生总费用的相关数据，因此2010年只包含其余26个省市的数据，但其余各年均包含30个省市的完整数据。所以本文使用的是非平衡面板数据。

数据来源于2010—2014年《中国统计年鉴》、《中国卫生总费用研究报告》和《中国卫生和计划生育统计年鉴》(原名：《中国卫生统计年鉴》)，并对其进行了相关的计算整理。

表3 对所有变量进行了描述性统计分析。健康产出peri-survival的均值为993.468，最大值为2014年上海的健康产出997.570，最小值为2010年新疆的健康产出983.650，标准差为2.559。由此可知，2010—2014年各样本的健康产出差异较大。为了进一步了解健康产出peri-survival在各年的发展情况，我们对该变量分年份进行描述性统计分析。根据表4 ，健康产出peri-survival的样本均值呈逐年上升趋势，2010年均值为992.645，2014年均值增长至994.198，说明健康产出正处于不断改善之中。同时，虽然健康产出peri-survival的样本标准差呈逐年降低趋势，即各省健康产出的差异正逐渐缩小，但是健康产出peri-survival的样本标准差仍然处于较高水平，直至2014年该变量的标准差仍达2.224。由于各省间健康产出的差异不仅来源于各省健康投入多寡的差异，也受各省健康生产效率的影响。因此，为了更好地实现提高健康产出的目标，有必要深入考察各省健康生产效率情况及其影响因素。

表3 主要变量的描述性统计值

说明：ln(perthe)和ln(pergdp)是以2009年为基期，根据居民消费价格指数和GDP指数调整后的实际值取对数得到。

表4 分年份健康产出peri-survival变量的描述性统计值

(二)模型回归结果分析

本文首先以围产儿存活率为被解释变量进行逐步回归。在假设无效率项的分布服从非负半正态分布的情况下，在无效率函数中依次逐步添加解释变量ln(pergdp)、lengthofstay、nonmarketization和jicheng，即表5中的第(1)-(4)列。

对于前沿函数，在表5中的第(1)-(4)列中均显示，ln(perthe)的估计系数为正，且在1%的显著性水平下显著，说明人均卫生总费用对以围产儿存活率衡量的健康产出具有显著的正向影响，增加人均卫生总费用有利于促进健康水平的提高。bed的估计系数和technician的估计系数均在10%的显著性水平下不显著，说明每千人口平均床位数和每千人口平均卫生技术人员数与健康产出不存在显著的相关关系，即在人员和物资设备方面的卫生投入增加无法显著促进健康产出的提高。

对于无效率函数，从表5中的第(1)列可知，ln(pergdp)的估计系数为负，且在5%的显著性水平下显著，说明经济发展水平与健康生产无效率负相关，即经济发展水平对健康生产效率具有正向影响，随着经济发展水平的提高，健康生产效率也会提高，该结论与假设1相符，且随着其他影响因素的不断加入，该结论仍然保持不变。从表5中的第(2)列可知，lengthofstay的估计系数为正，且在10%的显著性水平下显著，说明平均住院天数与健康生产无效率存在显著的正相关关系。这意味着提高医疗机构管理水平将对健康生产效率产生积极影响，该结论与假设2相符，且结论在表5的(3)和(4)列中均保持一致。从表5中的第(3)列可知，nonmarketization的估计系数为正，且通过10%的显著性水平检验，说明医疗市场的非市场化程度与健康生产无效率存在显著的正相关关系。即降低医疗市场的非市场化程度有利于提高健康生产效率，该结论与假设3相符。从表5中的第(4)列可知，jicheng估计系数为负，但在10%的显著性水平下不显著。这说明基层医疗机构利用率与健康生产无效率不存在显著的相关关系，该结论与假设4不相符。这可能是因为当前基层医疗卫生机构受硬件设施落后、人才紧缺、管理水平低下等因素制约，卫生服务能力和医疗技术水平较低，所以削弱了提高基层医疗机构利用率在促进健康生产效率中应发挥的积极作用。

为了使研究结论更为稳健，本文再分别以综合性健康产出指标1(health1)和综合性健康产出指标2(health2)为被解释变量进行再次回归，具体如表5中的第(5)和(6)列所示。无论是以综合性健康产出指标1还是综合性健康产出指标2为被解释变量，ln(pergdp)估计系数的符号均为负，lengthofstay和nonmarketization估计系数的符号均为正，且都能通过显著性水平为10%的统计检验；jicheng的估计系数则在10%的显著性水平下无法拒绝为0的原假设。由此可知，分别以综合性健康产出指标1(health1)和综合性健康产出指标2(health2)为被解释变量所得的研究结论，与以围产儿存活率为被解释变量所得的研究结论相一致，因此实证结果具有较强的稳健性。

表5 前沿函数及无效率函数的回归结果

说明：①圆括号内为标准误差。②***、**、*分别表示通过显著性水平为1%、5%、10%的统计检验。③无效率函数的被解释变量为健康生产无效率值，因此当解释变量的系数估计值符号为负时，表明该解释变量与健康生产无效率存在负相关关系，即该解释变量与健康生产效率存在正相关关系；若解释变量的系数估计值符号为正时则反之。

(三)健康生产效率测算分析

基于上述随机前沿法得出的结果，测算Battese和Coelli (1988)提出的技术效率指数，该指数的计算公式为：

E(exp(-uit)|εit)

为了更好地了解我国健康生产效率的发展状况，需对测算得到的效率分布情况、变化趋势等进行分析。

2010—2014年我国30个省市的健康生产效率的概率分布条形图如图1 所示。概率分布条形图整体呈右偏的形态，即健康生产效率较高的地区占比更多。健康生产效率全样本均值为0.64。健康生产效率主要集中分布于0.6～0.9的区间，但仍有约30%的样本健康生产效率低于0.5。

2010—2014年我国30个省市的健康生产效率的四分位数变化趋势图如图2 所示。25%分位数、50%分位数和75%分位数构成的三条曲线均呈上升趋势，说明健康生产效率呈逐年上升的趋势。且25%分位数曲线的增长速度快于其他两条曲线的增长速度，呈现25%分位数曲线和75%分位数曲线逐渐向50%分位数曲线靠拢的现象，说明健康生产效率差异逐渐缩小。根据2010—2014年健康生产效率的均值与标准差统计结果，也可再次验证上述两个结论。由表7可知，2010年健康生产效率的均值为0.514，2014年均值增长至0.756，平均每年增长0.061，增长幅度较大。同时，2010年健康生产效率的标准差为0.257，2014年标准差降低至0.175，因此通过简单计算可知，健康生产效率的变异系数呈逐渐降低的趋势，说明健康生产效率的分布更为集中。这些结果均表明，2010年以来，中国的健康生产效率的整体水平得到了提高，地区差异得到了改善。

图1 健康生产效率概率分布条形情况

图2 2010—2014年健康生产效率四分位数变化趋势

年份样本量均值标准差2010260.5140.2572011300.5540.2722012300.6360.2512013300.7030.2142014300.7560.175

2010—2014年我国30个省市的健康生产效率均值与标准差如表8所示。健康生产效率均值最高的省市为上海市(0.900)，其次为北京市(0.896)，再者为湖北省(0.877)，均值最低的省市为青海省(0.180)，倒数第二低的省市为贵州省(0.234)，倒数第三低的省市为云南省(0.270)。同时，山东省、广东省、上海市、福建省和江苏省等的健康生产效率的标准差较小，分别为0.035、0.050、0.060、0.060和0.060，说明这些省市的健康生产效率波动较小，较为稳定，而这些省市往往也是健康生产效率均值较高的省市。新疆自治区、甘肃省、青海省、云南省和贵州省等的健康生产效率的标准差较大，分别为0.197、0.194、0.183、0.171和0.170，说明这些省市的健康生产效率波动较大。

由于健康产出水平由健康投入量和健康生产效率共同决定，因此，在讨论如何提高中国各省市的健康产出水平的过程中，要根据各省市自身健康投入量和健康生产效率的综合情况进行具体分析。不能只片面强调增加健康投入，而忽视了提高健康生产效率的重要性。利用健康投入的多寡和健康生产效率的高低进行组合，可将各省市的健康生产分为四类。对于不同类型的省市，其提高健康产出水平所需要采取的政策措施不同。对于第一类——健康投入少且健康生产效率低的省市，需要同时扩大健康投入和提高健康生产效率，以便促进健康产出水平的提高。对于第二类——健康投入多但健康生产效率低的省市，则应将提高医疗卫生资源的质量、调整医疗卫生资源的配置等有利于改善健康生产效率的政策措施作为重点，否则增加再多的健康投入也将造成资源的浪费。对于第三类——健康投入低但健康生产效率高的省市，由于具有健康生产效率高的优势，健康投入的回报大，因此通过增加健康投入即能获得健康产出水平的快速提升。对于最后一类——健康投入高且健康生产效率高的省市，由于具有较为成熟的医疗卫生服务体系，且居民的健康水平较高，健康生产效率和健康投入整体处于较为理想和平衡的状态，可继续保持其健康生产模式。

表8 各地区健康生产效率均值与标准差

五、结论与建议

健康产出水平的提高，受健康投入量和健康生产效率共同制约。为推动我国医疗卫生事业的发展，应给予健康生产效率以更多的重视。否则，只追求健康投入的增加，而忽视了健康生产效率的提高，则可能造成更多医疗卫生资源的浪费，不一定能带来健康产出水平的有效提升。因此，了解我国各省市健康生产效率的发展情况，并识别影响健康生产效率的因素，具有重要的理论与实践意义。

本文采用固定效应面板随机前沿模型，运用2010—2014年中国30个省市的非平衡面板数据，测算了新一轮医改实施以来中国各省市健康生产效率及其变化状况，并对健康生产效率的影响因素进行了实证分析。研究得到的主要结论为：(1)2010年以来，中国健康生产效率的整体水平得到提高，地区差异得到改善。(2)对于影响健康生产效率的四个因素——经济发展水平、医疗机构管理水平、医疗市场的非市场化程度和基层医疗机构的利用率等，只有前三个因素对健康生产效率构成显著的影响，基层医疗机构的利用率与健康生产效率不具有显著的相关关系。其中，经济发展水平对健康生产效率具有积极的影响；提高医疗机构管理水平，能促进健康生产效率的提高；提高医疗市场的市场化程度，有利于健康生产效率的改善。(3)以健康投入的多寡和健康生产效率的高低作为标准，可将30个省市的健康生产分为四类，对不同类型的省市实施差异化的健康投入和健康生产效率政策措施调整。

基于本文的研究结论，提出如下政策建议：

第一，建立完善的医疗卫生机构现代化管理制度，提高医疗卫生机构的运营效率。医疗卫生机构是医疗卫生服务的直接供给方，其自身的管理水平直接制约着医疗卫生服务的供给水平与效率。 作为“新医改”提出的五大重点改革内容之一，公立医院改革要求其加快形成政事分开、管办分开的高效管理模式。在保持公益性的同时，将其培育为正常的市场主体，参与市场竞争，从而提高其运行效率，破除垄断。

第二，大力推动社会办医的发展。社会办医可以增加医疗卫生服务供给量，提供个性化、高端化、多样化的医疗卫生服务，满足不同层次的医疗需求；同时，社会办医还可以增强医疗行业的竞争性，从而倒逼公立医院加快改革步伐，促进整个医疗行业服务质量和效率的提高。因此，医卫和医保需出台政策共同支持社会办医的发展，打破公立医院的垄断局面，消除社会资本办医在人才、技术、行政管制等方面的壁垒。医保要对民营医院给予认可与支持，在满足一定的门槛条件后，将民营医院纳入医保定点范围，允许参保人员自由地在公立医院与各种类型的民营医院之间进行就医选择,从而帮助民营医院实现与公立医院的平等竞争，推动形成医疗服务市场良性竞争的格局。

第三，增强基层医疗机构建设。为提高基层医疗卫生机构的医疗技术水平，消除无效和低效的医疗服务供给，增强居民对基层医疗机构的就医信心，应为其配备充足的人力资源和医疗设施设备,推进全科医生队伍建设，实施规范化的全科医生培养模式。加大对基层医疗卫生机构的财政支持力度，进一步改变基层医疗卫生机构的收支结构，保证基层医疗卫生机构的公益性质。实现基层医疗卫生机构基本医疗服务项目与医保政策的有效衔接，使基本医疗保险的诊疗项目和药品目录能够满足各类基层医疗卫生机构诊治常见病、多发病的需要。以区域医疗联合体为载体，建立大中型医院和基层医疗卫生机构的分工合作机制，同时制定和推行基层首诊制、双向转诊制和分级诊疗制度等相关配套措施，实现医疗资源的合理有效利用。

边文龙, 王向楠. 面板数据随机前沿分析的研究综述. 统计研究, 2016, 33(6): 13—20.

陈松来. 中国健康生产效率评价与健康产出增长动力来源分析. 当代经济, 2015, (30): 136—138.

韩华为, 苗艳青. 地方政府卫生支出效率核算及影响因素实证研究——以中国 31 个省份面板数据为依据的DEA-Tobit分析. 财经研究, 2010 (5):4—15,39.

李向前, 李东, 黄莉. 中国区域健康生产效率及其变化——结合DEA, SFA 和 Malmquist指数的比较分析. 数理统计与管理, 2014 (5): 878—891.

刘海英, 张纯洪. 我国省际卫生经济投入产出的动态效率测度研究. 中国卫生经济, 2009, 28(10): 5—8.

王俊.政府卫生支出有效机制的研究——系统模型与经验分析.第一版.北京:中国财政经济出版社,2007,193—210

王昕天. 卫生投入, 技术效率与健康绩效: 基于SFA 法对卫生投入效率的测算. 中国卫生经济, 2014, 33(3): 25—29.

张晖, 许琳. 我国各地医疗卫生投入效果分析. 卫生经济研究, 2009 ,(4): 14—15.

张宁, 胡鞍钢, 郑京海. 应用DEA 方法评测中国各地区健康生产效率. 经济研究, 2006, (7):92—105.

郑文, 张建华. 我国医疗卫生体系技术效率影响因素研究: 基于随机前沿距离函数模型. 中国卫生经济, 2012, 31(12): 30—32.

Afonso A, Aubyn MS. Non-parametric approaches to education and health efficiency in OECD countries. Journal of Applied Economics, 2005, 8(2): 227.

Afonso A, Aubyn MS. Assessing health efficiency across countries with a two-step and bootstrap analysis. Applied Economics Letters, 2011, 18(15): 1427-1430.

Battese G E, Coelli T J. Prediction of firm-level technical efficiencies with a generalized frontier production function and panel data. Journal of Econometrics, 1988, 38(3): 387-399.

Battese G E, Coelli T J. A model for technical inefficiency effects in a stochastic frontier production function for panel data. Empirical Economics, 1995, 20(2): 325-332.

Bhat V N. Institutional arrangements and efficiency of health care delivery systems. The European Journal of Health Economics, 2005, 6(3): 215-222.

Färe R, Grosskopf S, Lindgren B, et al. Productivity growth in health-care delivery. Medical Care, 1997, 35(4): 354-366.

Farrell MJ. The measure of productive efficiency. Journal of Royal Statistical Society, 1957, 120(3):253-290.

Gravelle H, Jacobs R, Jones A M, et al. Comparing the efficiency of national health systems: a sensitivity analysis of the WHO approach. Applied Health Economics and Health Policy, 2003, 2(3): 141-148.

Greene W. Distinguishing between heterogeneity and inefficiency: stochastic frontier analysis of the World Health Organization’s panel data on national health care systems. Health Economics, 2004, 13(10): 959-980.

Greene W. Reconsidering heterogeneity in panel data estimators of the stochastic frontier model. Journal of Econometrics, 2005, 126(2): 269-303.

Greene W. A stochastic frontier model with correction for sample selection. Journal of Productivity Analysis, 2010, 34(1): 15-24.

Gupta S, Verhoeven M. The efficiency of government expenditure: experiences from Africa. Journal of Policy Modeling, 2001, 23(4): 433-467.

Hadad S, Hadad Y, Simon-Tuval T. Determinants of healthcare system’s efficiency in OECD countries. The European Journal of Health Economics, 2013, 14(2): 253-265.

Hollingsworth B, Wildman J. The efficiency of health production: re-estimating the WHO panel data using parametric and non-parametric approaches to provide additional information. Health Economics, 2003, 12(6): 493-504.

Kumbhakar S C. Production frontiers, panel data, and time-varying technical inefficiency. Journal of Econometrics, 1990, 46(1-2): 201-211.

Kumbhakar S C. Efficiency and productivity of world health systems: where does your country stand?. Applied Economics, 2010, 42(13): 1641-1659.

Ogloblin C. Health care efficiency across countries: a stochastic frontier analysis. Appl Econ Int Dev, 2011, 11(1): 5-14.

Osterkamp R. Health Care Efficiency in OECD Countries. Books, 2004.

Puig-Junoy J. Measuring health production performance in the OECD. Applied Economics Letters, 1998, 5(4): 255-259.

Retzlaff-Roberts D, Chang C F, Rubin R M. Technical efficiency in the use of health care resources: a comparison of OECD countries. Health Policy, 2004, 69(1): 55-72.

Wang H J. Heteroscedasticity and non-monotonic efficiency effects of a stochastic frontier model. Journal of Productivity Analysis, 2002, 18(3): 241-253.

Wang H J, Schmidt P. One-step and two-step estimation of the effects of exogenous variables on technical efficiency levels. Journal of Productivity Analysis, 2002, 18(2): 129-144.

Wang H J, Ho C W. Estimating fixed-effect panel stochastic frontier models by model transformation. Journal of Econometrics, 2010, 157(2): 286-296.

Wranik D. Healthcare policy tools as determinants of health-system efficiency: evidence from the OECD. Health Economics, Policy and Law, 2012, 7(02): 197-226.

Yip W, Hsiao W C. The Chinese health system at a cross roads. Health Affairs, 2008, 27(2): 460-468.

【责任编辑：周吉梅；责任校对：周吉梅，李青果】

2017—03—01

国家社会科学基金项目“劳动力迁移背景下基本医疗保险‘系统老龄化风险’测度与应对研究”(17BJY205)； 广州市哲学社会科学发展“十三五”规划青年课题“广州市社会医疗保险科学控费的机制及策略研究”(2017GZQN18)

申曙光，中山大学岭南学院、中山大学国家治理研究院(广州 510275)；郑倩昀，通讯作者，中山大学岭南学院(广州 510275)。

10.13471/j.cnki.jsysusse.2017.06.016