医生诱导需求识别研究进展*

——刘桂林

对医生诱导需求(Physician Induced Demand, PID)的研究，最早可以追溯至Roemer MI等[1]在统计研究中发现的“人均床位供给与人均住院日正相关”现象，引起学界广泛关注则始于Arrow对医疗服务市场具有“信息不对称”和“医疗结果不确定”特征的论断[2]。医生诱导需求概念则由Evans RG提出[3]。医生诱导需求是指医生为追求自身利益(包括经济利益和非经济利益)而诱导患者医疗服务消费偏离其认为的最优水平[4]。医生自身利益既可能来自医生个体层面，也可能来自医疗机构组织层面。由于医生诱导需求导致其提供医疗服务偏离最优水平，即医生存在损害患者利益的主观故意，故本研究仅讨论业已发生的医生诱导需求行为的识别问题，不对医生诱导需求行为的原因以及是否造成患者利益损害展开讨论。

1 文献来源与方法

首先，利用“Physician Induced Demand”“Supplier Induced Demand”“医生诱导需求”“过度医疗”“供给诱导需求”等关键词，在Web of Science、EBSCOhost、维普、万方、知网等国内外学术数据库检索近50年来相关文献。其次，聚焦医生诱导需求识别方法，进一步筛选文献。最后，在对文献进行深度研读和对比的基础上，梳理和总结国内外学者关于医生诱导需求识别问题的研究成果与不足，以期为解决医生诱导需求识别问题提供思路。

2 国外研究进展

2.1 医生利益变化与医生诱导需求识别

2.1.1 区域差异分析法 早期关于医生诱导需求的实证研究，多假设区域医生密度增加会导致医生病源减少、收入下降，医生为维持效用最大化，通过诱导需求补偿收入损失。具体方法为证明医生密度与医疗服务量正相关。

Fuchs VR最早对不同地区外科医生密度和外科手术率的关系进行研究[5]，结果发现，外科医生密度每增加10%，该地区人均外科手术率增加3%。Cromwell J等利用微观面板数据展开进一步研究[6]，结果发现，外科医生密度与地区医疗费用和医疗服务利用率存在显著正相关。Birch S和Grytten J等利用相似分析方法，发现牙医密度与牙科诊疗量强烈正相关[7-8]。Delattre E等在对法国不同地区4 500名全科和专科医生进行研究时发现，医生密度增加，为应对门诊量下降，会诱导患者消费更多医疗服务[9]。Peacock SJ等利用医疗数据对澳大利亚医生密度与医疗服务量关系进行分析发现，医生诱导需求存在证据[10]。

但也有一些研究并不支持医生诱导需求存在。Escarce JJ研究外科医生密度与患者医疗服务需求强度关系时发现，外科医生密度增加提高了患者初始门诊需求，但对患者医疗服务利用强度没有影响[11]。Grytten J等对挪威按服务项目付费的全科医生进行研究发现，尽管医生密度增加导致医生门诊量下降，但他们并未提供过度医疗服务以维持收入[12]。

无论上述实证结果是否支持医生诱导需求假设，其研究方法均受到了广泛质疑[13-15]，主要表现如下：一是内生性问题。医生密度与医疗服务正相关，既可能是医生诱导了更多需求，也可能是更高需求吸引了较多医生，说明医生密度相对于医疗服务需求并非为独立外生变量，引起了内生性问题，导致计量结果无法解释。例如，Dranove J等[16]采用与Cromwell D等[6]的相似方法对诱导需求进行检验，竟得出妇产科医生可以“诱导”婴儿出生率的荒谬结论。二是无法区分医生密度与医疗服务量正相关是由于医生诱导需求引起，还是由于医疗服务价格下降(价格效应)和就医便利性增加(可及性效应)引起。例如，Carlsen F等利用挪威基本医疗服务数据将医生诱导需求和可及性效应进行区分，发现医生密度与医疗服务量正相关是由于可及性效应而非医生诱导需求所致[17]。

此后，寻找更为独立的外生变量成为医生诱导需求识别研究的方向。Gruber J等利用婴儿出生率降低作为影响医生收入的外生变量，研究1970年-1982年美国人口出生率与剖腹产率之间的关系，结果发现，出生率每降低10%，剖腹产率增加0.6%[15]。Kim B等对更多相关变量进行控制发现，出生率下降10%，剖腹产率仅增加0.048%，但与出生率相关的产前检查服务量未增加[18]。上述研究将出生率作为影响妇产科医生收入的代理变量，较好地克服了内生性问题，研究结果表明，即使存在诱导需求，问题也并不严重。然而，婴儿出生费用只占妇产科医生收入的约50%，在应对出生率下降时，妇产科医生不仅可以增加剖腹产率，还可以通过增加妇科诊疗量来弥补损失[4]。由于存在替代效应的识别问题，根据上述研究结果并不能得出医生诱导需求不存在或不严重的结论。

2.1.2 激励差异对照分析法 随着医疗支付方式改变，医生提供相同的医疗服务，产生的激励可能发生改变。通过对不同支付条件下医生行为进行对照分析，可对医生诱导需求进行更为有效地检验。

Yip WC比较胸外科手术费用缩减前后的手术率发现，当胸外科手术费用被控制在较低水平时，会显著增加胸外科手术率[19]。Hadley J等对医疗保险费率变化进行对照研究发现，费用控制将显著增加诊疗量和诊疗强度[20]。Shigeoka H等的研究也表明，由于支付制度改革导致新生儿重症监护可以给医院带来更多收益，医院会通过修改新生儿体重来延长重症监护时间[21]。

同样利用对照分析法，也有许多研究并不支持医生诱导需求。Grytten J等根据挪威初级卫生保健数据，按获取报酬方式不同，将医生分为工资组和服务收费组，前者收入不受诊疗量影响，后者收入则依赖于诊疗量[12]。研究发现，在市场竞争增强的情况下，服务收费组和工资组在提供医疗服务方面没有差别，均不存在诱导患者需求。Madden D等在按项目付费和总额预付费变革中，比较免费医疗者的全科医生就诊率，结果发现，付费制度变化没有引起就诊率改变[22]。

虽然采用对照分析方法验证医生诱导需求更为直接，但上述研究也存在不足：一是费用控制方法变革不仅对医生产生影响，也对患者产生影响。Dijk CE等对荷兰全科医生支付制度改革前后数据进行对比分析发现，诊疗服务对患者和医生激励都发生了改变，部分患者会因费用支出减少主动增加医疗服务量，同样，医生也会因收益增加而为部分患者提供更多的医疗服务[23]。这使医疗服务产出变化是由患者需求释放引起还是由医生诱导需求引起变得难以识别。二是如果费用变化对医生或患者的激励不足以改变医疗服务用量，则无法依据医疗服务产出变化来判断是否存在诱导需求[4]。

2.2 信息不对称与医生诱导需求识别

根据诱导需求假设，患者医疗信息水平越低，医生越有可能诱导需求[24-26]。因此，分析医生为不同信息水平患者提供医疗服务的差异，成为识别诱导需求的另一种方法。Hay J等最早用职业作为信息水平替代变量，认为医生及其家属拥有更高的信息水平，结果显示，信息水平与医疗服务量呈正相关[27]。Kenkel D等以患者对疾病症状了解情况作为衡量信息水平的替代变量，同样发现信息水平与医疗服务量正相关[28]。虽然上述两个实证研究均否定了医生诱导需求，但也受到了质疑。有研究认为，在Hay J的研究中，相对于信息水平优势，医生对健康的态度和在医疗服务中可能获得的优待对医疗服务利用影响更大[29]。Kenkel D的研究中，对减少诱导需求真正起决定作用的是患者是否拥有能够评估医疗服务价值的信息，而患者获得疾病的信息只会增加其就医可能性[30-31]。许多学者还对“医生拥有信息优势”这一假设提出了质疑，他们认为在信息时代，信息获取变得容易且成本低廉，患者在特定领域可能具有信息优势，而且可以通过选择性的信息表达诱导医生诊疗决策[32-34]。

Currie J等通过田野实验法，由实验人员模拟感冒患者，向医生展示中性和否定性的用药信息，并考察医生的处方行为。结果发现，医生会对展示否定性用药信息的患者减少抗生素用量[35]。虽然该研究较好地解决了信息度量问题，但由于缺乏对医生诱导需求的判别基准，不同组别之间的对照分析只能说明患者展示信息不同对医生处方行为产生显著影响，却无法判定是否存在医生诱导需求。

2.3 医生偏好及其他与医生诱导需求识别

医生因教育背景、知识水平、职业经历、执业环境等不同，对各项诊疗服务的价值判断存在差异，导致不同医生对同种疾病给出的诊疗方案也会存在较大偏差[36]。医生为患者提供高于诊疗标准的治疗，可能与其医疗服务生产率相契合[37]。Cutler D等通过抽样法分别调查了医生和患者的诊疗偏好，并利用医疗服务统计数据，分析医生和患者偏好对医疗服务产出的影响[38]，结果发现，医疗服务产出差异主要由医生诊疗偏好差异引起，而非诱导需求或患者偏好，而且医生进行诱导需求主要迫于组织压力而非单纯出于自身利益考虑。上述研究表明，医生诊疗偏好是诱导需求实证研究中必须考虑的问题，否则计量结果可能会夸大诱导需求。

在医生诱导需求实证研究中，国外学者还在数据、相关变量控制和计量方法等方面进行了探索。在数据方面，最初多采用统计数据进行区域间差异比较，随后逐渐采用微观个体数据，近期则多采用问卷调查、田野实验等方法主动获取数据。在影响变量控制方面，多对医生个人特征、患者个人特征等相关变量进行控制。在计量分析方面，根据数据和变量特征，多采用最小二乘估计法(OLS)、二阶段二乘估计法(TSLS)和广义矩估计法(GMM)等进行计量分析。

3 国内研究进展

国内对医生诱导需求的识别研究尚处于起步阶段，多从医生利益变化角度来识别医生诱导需求，未形成完备的研究体系。例如，毛正中等根据2003年全国卫生服务调查数据，在控制价格、人口结构等因素后，发现卫生资源与医疗服务产出存在正相关[39]。王凡、苏长春、李晓阳等根据卫生统计数据，采用小区域差异分析法，发现区域医疗资源与医疗服务产出之间存在正相关[40-42]。杨晓胜等[43]利用2002年-2012年卫生统计数据，根据Gruber J等[15]提出的模型展开研究，发现不存在医生诱导需求。周良荣从支付方式差异角度，利用统计数据分析，发现存在诱导需求[44]。上述实证研究多利用我国的统计数据，借鉴国外模型和方法展开研究，鲜有对“识别”问题的正面回应。与Currie J等[35]相似，林莞娟[45]采用田野实验方法对医生处方行为进行研究发现，消除经济激励、展示用药负面信息等，可以减少医生抗生素用量，但与Currie J等[35]存在同样的问题。通过测算和国内外对比，提示“医生诱导需求”问题在我国可能较严重[46-47]，尤其是在东部发达地区[48]。

4 讨论

4.1 医生诱导需求识别研究存在不足

虽然有关医生诱导需求的理论和实证研究成果较为丰富，但因难以采集到合适的经验数据，医生诱导需求未能在严格的实证研究中得到有效的识别[49]。这些研究主要存在以下不足：

一是未能构建合理的“识别基准”。医生诱导需求的实质是医生为追求自身利益而诱导患者医疗服务消费偏离其认为的最优水平[4]。当医生为患者提供的诊疗方案是其认为的“最优”时(以下简称“最优诊疗方案”)，就不存在诱导需求。当前研究未能对“最优诊疗方案”构建“识别基准”，是导致医生诱导需求不能被有效识别的重要原因。

二是未解决“关键影响因素识别”问题。医生诱导需求是各种内外因素共同作用的结果，这些因素往往具有多因素联动特征。自然生成的经验数据反映的是综合结果，仅利用计量方法的技术性处理，难以对影响诱导需求的各因素进行有效区分。

以上不足说明，寻找新方法以获取能够对各影响因素进行独立评估的数据，是医生诱导需求识别研究中需要解决的主要问题。

4.2 研究启示

要实现对我国医生诱导需求的有效识别，不能仅套用国际常用方法，必须有创新性解决方案。创新性的医生诱导需求识别方案最少应该能够解决“识别基准”和“关键影响因素识别”问题。

一是消除医生自利动机后建立医生诱导需求“识别基准”。医生自利行为的根源在于其作为患者医疗服务消费的代理人，与患者利益不完全一致。因此，弱化医生作为患者医疗服务消费代理角色，可以有效消除其自利行为。消除自利动机后，医生最有可能为患者提供其认为的“最优诊疗方案”，该诊疗方案可以作为诱导需求的“识别基准”。具体而言，可以在真实环境下，邀请医生为标准化患者提供“最优诊疗方案”，该方案可以有效消除医生自利因素影响。

二是利用田野实验法收集独立性更强的数据。田野实验是在真实社会环境中将受试对象分成实验组和对照组，给实验组外生干涉或冲击，观测两组对象的行为差异，以消除多个变量间的相互干扰，从而达到识别因果关系和潜在作用机制的目的[50]。利用田野实验法可以将医生诱导需求的关键影响因素进行独立考察，从而实现有效识别。

4.3 本研究的不足

一是文献充分性不足。本研究用中文和英文两种语言形式在国内外学术数据库进行检索，总计获得300多份文献材料(包括专著和期刊)。但由于国内外数据库种类繁多，语言形式极其丰富，受能力和资源限制，除中文和英文两种语言文献外，本研究未能覆盖其他语种文献研究，即使是中英文文献也未能实现全覆盖。因此，本研究对文献掌握难免存在疏漏。

二是未能完全按照学术史方式对医生诱导需求问题进行总结。采用学术史方式对某一学术问题进行全面总结，可以全景展现学术问题，从而更好地为后续研究提供指引。本研究对医生诱导需求识别问题的分析，虽大体遵循了学术史叙事方式，但仍有一定提升空间。