基于因子分析的2020 年我国各省市医院服务水平比较研究

褚振海，罗妮娜，李娜，刘超，刘圆

天津市眼科医院院长办公室，天津 300020

当前，实施“健康中国”战略已成为国家发展基本方略中的重要内容,健康中国建设已被上升至国家战略地位。 但中国医疗资源整体供给不足，区域医疗资源不均衡，医院服务水平差异度高的现状，成为健康中国战略实现的重要限制因素之一。为了充分了解我国各省市健康服务产业的发展程度，尤其是各省市医院服务的水平差异，现以全国31 个省、自治区、直辖市作为研究对象，从国家卫生健康委发布的 《中国卫生健康统计年鉴2021》中，甄选与医院服务水平相关的11 个变量指标，采集各地区2020 年1—12 月截面数据， 通过因子分析的方法，对各省市医院服务水平展开综合评价，从而实现对我国各省市医疗服务发展水平的整体掌握，为国家相关部门决策提供有效参考，现报道如下。

1 资料与方法

1.1 数据来源

本研究所采用的资料均为2020 年1—12 月我国31 个省、自治区、直辖市卫生健康事业发展情况的统计数据，来源为国家统计局发布的《中国卫生健康统计年鉴》2021 卷，数据内容截至2020 年年底。

1.2 研究对象

以我国各省市医院相关数据为研究对象，选取能够反映医院服务水平的11 项指标为基础数据， 包括医院卫生技术人员数（X1）、公立医院数（X2）、公立医院门诊病人次均费用（X3）、公立医院住院病人次均费用（X4）、医院数（X5）、医院门诊诊疗人次数（X6）、医院入院人数（X7）、医院出院人数（X8）、医院住院病人手术人次（X9）、医师日均担负诊疗人次（X10）、医院病床工作日（X11）。

1.3 方法

采用SPSS 24.0 统计学软件进行数据处理， 运用因子分析的方法， 对反映医院服务水平的11 项指标进行降维处理， 筛选出能代表原指标多数信息的公因子，计算公因子得分，从而对各省市医院服务水平进行综合评价与排名。

2 结果

2.1 数据的标准化处理

为了消除指标之间的量纲和取值范围差异的影响，避免原始数据量纲不同可能造成的误差，采取数理统计中常用的Z-score 标准化方法， 对所选取指标的原始数据进行标准化处理。

2.2 因子分析的适应性检验

KMO（Kaiser-Meyer-Olkin）检验统计量是用于比较变量间简单相关系数和偏相关系数的重要指标。 Bartlett's球形检验是用于相关阵中各变量间的相关性检验，即检验各个变量是否各自独立。一般而言，为了保证统计方法的合理使用，在进行因子分析前，进行KMO 检验和Bartlett's 球形检验。 通过输出的检验表可以看到，KMO 统计量值为0.752>0.7， 且Bartlett's 球形度检验P＜0.001，拒绝了原假设，相关系数不大，可能是单位阵，即原始变量之间存在相关性（P＜0.001）。 原始数据通过因子分析的适应性检验，较适于进行因子分析。见表1。

表1 KMO 和巴特利特检验

2.3 确定公共因子的数量

通过样本数据求解因子载荷矩阵是提取公因子的关键。通过主成分分析法，得到11 个指标的公因子提取率。 从输出的公因子方差提取率可以看出，11 个变量指标的提取率除X11为85.1%外，其他10 个指标的提取率均在92%以上，提取效果非常理想。 见表2。

表2 公因子方差

利用主成分分析法对标准化后的全部数据进行因子分析，建立初始因子载荷矩阵，并对该矩阵进行方差最大化正交旋转，得到了需要提取的公因子数量。 前3个指标变量的特征值均>1， 分别为λ1=6.538，λ2=2.401，λ3=1.383，累计方差贡献率达到93.838%。对因子载荷矩阵进行旋转后，累计方差贡献率依然是93.838%。 可见，这3 个公因子F1、F2、F3对各变量的解释能力都较强，能够很好地反映所选取变量指标的主要信息，由此，确定了公因子的数量，见表3、图1。

表3 总方差解释

图1 碎石图

2.4 公因子载荷分配

因子载荷表示变量与公共因子的相关程度，当某变量在某公因子的载荷绝对值越大，表明该变量与该公共因子关系更密切。 为了确定公因子的实际含义，对因子采取方差最大正交旋转，得到旋转成分矩阵。可以看出，医院卫生技术人员数、医院出院人数、医院入院人数、医院数、公立医院数、医院住院患者手术人次、医院门诊诊疗人次数在第一个公因子上有较大的载荷，说明这7 个变量的相关性较强，可以归为一类。 这4 个变量代表医院医疗服务能力的强弱，因此，将第一公因子F1命名为“医疗服务能力因子”； 公立医院住院患者次均费用、公立医院门诊患者次均费用在第二公因子上均有较大的载荷，根据其相关性特征，将其归为一类。通过对其变量所代表的意义分析可知，它们反映着医疗费用承受能力的高低，因此，将第二公因子F2命名为“医疗服务费用因子”。医师日均担负诊疗人次、医院病床工作日在第三公因子上均有较大的载荷，根据其相关性特征，将其归为一类，代表着医疗服务效率的高低，因此，将第三公因子F3命名为“医疗服务效率因子”。 见表4。

表4 旋转后的成分矩阵

2.5 因子得分

通过因子得分系数矩阵，可以获取3 个公因子的得分情况。 见表5。 由表5 输出结果可知，3 个公因子的得分表达式为：

表5 成分得分系数矩阵

结合表3 中的数据，由各因子特征值的方差贡献率和该因子得分乘积的加权和与累计方差贡献率之比，计算综合得分。

按照综合得分公式，可计算出全国各地区医院服务水平的综合得分及排名。 见表6。

表6 全国各地区医院服务水平综合得分及排名

3 讨论

本研究基于SPSS 24.0 统计学软件， 使用因子分析对2020 年全国各省市医院服务水平进行综合评价和排名。 根据评价的结果可以看出，我国各省市医院服务水平之间存在着较大的差距，医疗资源供给不均衡，各地区接诊能力与服务效率均存在不同程度的差异，医疗服务能力的均衡化道路任重道远。

在以“医疗服务能力因子”F1为依据进行的评价排名中，上海和天津排名都比较靠后，这与一般认知不同。通过原始数据指标的分析可知， 因直辖市辖区面积与人口规模所限，公因子F1所代表的指标，包括医院卫生技术人员数、医院出院人数、医院入院人数、医院数、公立医院数、医院住院患者手术人次、医院门诊诊疗人次数均表现不够突出，整体诊疗规模比较有限，影响了F1得分。

在以“医疗服务费用因子”F2为依据进行的评价排名中，排名前5 位的是北京、天津、上海、广东、江苏，均为我国经济发达地区， 医疗服务的费用水平也整体较高。而相对而言，青海、贵州、广西、云南、甘肃5 个地区，医疗服务的费用水平排名靠后， 均为我国西部地区，经济发展水平较低。 可以得知，医疗费用的支出与经济发展水平呈正相关关系。

在以“医疗服务效率因子”F3为依据进行的评价排名中，上海作为国内最发达的城市，确实体现出明显的优势，医师日均担负诊疗人次、医院病床工作日都高居榜首。 但像天津、北京在F3排名中名次靠后，分别为19 名和25 名。 通过原始指标分析发现，天津、北京医院病床工作日排名较为靠后，究其原因，是因为直辖市医疗资源规模受限，公立医院整体数量等较其他面积与人口较多省市有差距。 但同样作为直辖市，上海市却未因规模受限而影响F3排名。 综合相关因素可知，上海作为我国经济社会最为发达的国际化大都市，医院服务效率首屈一指。

综上所述，经济发展水平高、人口较多的地区，医疗资源的供给也相对较高，医院服务水平亦整体较高。 广东、山东、江苏、四川、河南、浙江、河北均为我国综合实力较强的省份，在综合评价得分中排名前列。内蒙古、甘肃、海南、宁夏、青海、西藏多为我国西部地区，且经济与社会发展水平相对较低，人口相对较少，医疗资源供给数量与质量都呈现较低水平。本研究综合评价结果与实际认知情况较为相符。